李鵬梅，臧傳治，李鶴鵬，李忠文，楊建宏

(1.中國科學院 沈陽自動化研究所 中國科學院 網(wǎng)絡化控制系統(tǒng)重點實驗室，遼寧 沈陽110016;2.中國科學院大學，北京100049;3.內(nèi)蒙古上都發(fā)電有限責任公司，內(nèi)蒙古027200)

0 引 言

微電網(wǎng)能源優(yōu)化調(diào)度系統(tǒng)通過綜合考慮微電網(wǎng)內(nèi)部各單元特性，優(yōu)化微電網(wǎng)中現(xiàn)有分布式發(fā)電單元的出力和儲能單元的充放電管理，在滿足功率平衡、負荷需求、出力限制等前提下，實現(xiàn)發(fā)電成本、溫室氣體排放的最小化，最終滿足綜合效益最優(yōu)原則。

對微電網(wǎng)的能源優(yōu)化調(diào)度研究已經(jīng)有很多［1～5］，但是基本處于初步階段，相對而言技術還不成熟。其中，大部分是基于確定性方法，其忽略或簡化了不確定性因素的影響。相比于確定性的優(yōu)化調(diào)度模型，隨機規(guī)劃方法提供了更為強大的優(yōu)化方案［6～10］。本文是提出了一種基于光伏發(fā)電預測的不確定性的隨機規(guī)劃調(diào)度模型，更符合微電網(wǎng)系統(tǒng)運行中的實際情況，調(diào)度結果也可有效地減少不確定性帶來的經(jīng)濟損失與各種風險。

1 隨機期望值規(guī)劃模型概述

期望值模型是指對于包含隨機變量的函數(shù)，在滿足期望約束的條件下，尋求目標期望值最優(yōu)的一類建模方法［11］，是最簡單、最常用的隨機規(guī)劃模型，模型形式如下

其中，x 為決策變量，ζ 為隨機變量，f(x，ζ)為目標函數(shù)，而gj(x，ζ)是一組隨機約束函數(shù)，j=1，2，…，p。

2 光伏發(fā)電的不確定性建模

2.1 分布擬合

光伏發(fā)電的隨機性可認為主要來自于預測誤差的不確定性，為了分析預測誤差的不確定性，需要應用統(tǒng)計分析方法建立光伏發(fā)電預測誤差的概率模型，用符合某個概率密度分布函數(shù)的隨機變量來進行擬合。通過統(tǒng)計分析發(fā)現(xiàn)正態(tài)分布可較好地描述光伏發(fā)電預測誤差的隨機變化規(guī)律。正態(tài)分布的密度函數(shù)可表示為

2.2 情景生成

情景生成是將隨機變量的概率分布以不同情景的形式表示，并賦予其不同的情景的一定概率，這種方法可大大簡化隨機規(guī)劃模型的求解過程，使之避免復雜積分運算。其中，Monte Carlo 模擬是情景生成的一種有效的方法，其基本思想是從給定的概率分布中抽取隨機變量，通過大量隨機試驗，利用概率論解決問題的一種數(shù)值方法。本文采用Monte Carlo 模擬方法生成光伏發(fā)電預測誤差的情景集，通過將生成的預測誤差情景加上預測的光伏發(fā)電量，可以得到未來一段時間內(nèi)光伏發(fā)電量的情景集，如圖1 所示，10 個隨機情景相應的概率如表1 所示。

表1 產(chǎn)生的不同情景的概率Tab 1 Probability of generated different scenarios

圖1 光伏發(fā)電量的情景集Fig 1 Scenarios of photovoltaic power

3 微電網(wǎng)隨機優(yōu)化調(diào)度模型

實現(xiàn)微電網(wǎng)的經(jīng)濟調(diào)度和優(yōu)化運行是微電網(wǎng)能量管理的主要目標。這里所述微電網(wǎng)系統(tǒng)釆用并網(wǎng)運行方式為本地用戶供電，微電網(wǎng)內(nèi)包含光伏發(fā)電單元、微型燃氣輪機、儲能及負荷，微電網(wǎng)可以與主網(wǎng)進行雙向的能量交換，如圖2所示。在考慮光伏發(fā)電不確定性的情況下，綜合考量微型燃氣輪機發(fā)電、儲能設備充放電和從大電網(wǎng)購電的經(jīng)濟性，建立了并網(wǎng)運行模式下微電網(wǎng)的能量管理隨機優(yōu)化調(diào)度模型。

圖2 微電網(wǎng)并網(wǎng)運行結構圖Fig 2 On-grid micro-grid system

3.1 隨機優(yōu)化調(diào)度模型

微電網(wǎng)優(yōu)化調(diào)度的目標是在滿足各個分布式單元運行約束和負荷需求的限制下，實現(xiàn)系統(tǒng)運行成本最低。同時，考慮光伏發(fā)電的不確定性，結合上節(jié)所述的情景生成技術，對微電網(wǎng)能量優(yōu)化調(diào)度建立隨機期望值模型，其目標函數(shù)可以表示為

式中 f(X，ζ)為微電網(wǎng)運行總費用的目標函數(shù);X 為決策變量為隨機變量為t 時段微型燃氣輪機的輸出功率;為t 時段儲能裝置的充/放電功率;為t 時段微電網(wǎng)與大電網(wǎng)的交換功率;為微型燃氣輪機的單位發(fā)電成本;為微型燃氣輪機的啟動成本;為微型燃氣輪機的停機成本為儲能設備的折舊成本;為儲能設備的啟動成本;為儲能設備的停機成本;為t 時段電網(wǎng)電價;u 為設備運行狀態(tài)，u∈{-1，0，1}。

由上式可知，微電網(wǎng)系統(tǒng)的運行總費用主要包括微型燃氣輪機的發(fā)電成本、啟停成本、儲能設備的折舊成本以及微電網(wǎng)從大電網(wǎng)的購電成本。由于微電網(wǎng)可以與主網(wǎng)進行雙向的能量交換，因此，當微電網(wǎng)向大電網(wǎng)輸送電能時，購電成本為負值。

根據(jù)微電網(wǎng)的運行狀況可知，約束條件如下:

1)節(jié)點潮流約束

微電網(wǎng)中分布式發(fā)電單元所在節(jié)點需滿足網(wǎng)絡潮流方程約束

式中 PDGi和PLoadi分別為節(jié)點i 處發(fā)電單元注入有功功率和負荷有功功率;QDGi和QLoadi分別為節(jié)點i 處發(fā)電單元注入無功功率和負荷無功功率;Vi和Vj分別為節(jié)點i 和節(jié)點j的電壓幅值;Gij和Bij分別為節(jié)點i 和節(jié)點j 之間的電導和電納;δij為節(jié)點i 和節(jié)點j 之間電壓的相角差;Ni為與節(jié)點相連接的節(jié)點集合;Nbus為配電系統(tǒng)節(jié)點總數(shù)。

2)功率平衡約束

在任意調(diào)度時段內(nèi)，都必須滿足微電網(wǎng)內(nèi)部電功率平衡約束

3)旋轉備用約束

微電網(wǎng)穩(wěn)定運行時，還需具備一定的旋轉備用

4)微型燃氣輪機出力約束

微電網(wǎng)中微型燃氣輪機收到技術條件限制，需要滿足其自身的發(fā)電出力約束;同時，在任意時段要滿足其相應的爬坡率約束。發(fā)電出力約束和爬坡率約束可以分布表示為

5)儲能裝置運行約束

充放電功率約束

儲能裝置容量約束

能量平衡約束

6)與大電網(wǎng)交互容量約束

當微電網(wǎng)處于并網(wǎng)運行時，其與大電網(wǎng)電能交互的最大容量不能超過聯(lián)絡線的物理傳輸容量限值或它們所達成的供求協(xié)議

3.2 模型求解

3.2.1 粒子群優(yōu)化算法的基本原理假設在一個D 維的搜索空間中，由n 個粒子組成的種群X=［X1，X2，…，Xn］，其中第i 個粒子表示為一個D 維的向量Xi=［xi1，xi2，…，xiD］T，代表第i 個粒子在D 維搜索空間中的位置，亦代表問題的一個潛在解。根據(jù)目標函數(shù)即可計算出每個粒子Xi對應的適應度值。第i 個粒子的速度為Vi=［Vi1，Vi2，…，Cin］T，其個體極值為Pi=［Pi1，Pi2，…，PiD］T，種群的全局極值為Pg=［Pg1，Pg2，…，PgD］T。

在每一次迭代過程中，粒子通過個體極值和全局極值更新自身的速度和位置，更新公式如下

式中 w 為慣性權重;d=1，2，…，D;i=1，2，…，n;k 為當前迭代次數(shù);Vid為粒子的速度;c1和c2為非負的常數(shù)，稱為加速度因子;r1和r2為分布于［0，1］之間的隨機數(shù)。為防止粒子的盲目搜索，一般建議將其位置和速度限制在一定的區(qū)間［-Xmax，Xmax］，［-Vmax，Vmax］。

3.2.2 算法的具體實現(xiàn)

本文釆用粒子群優(yōu)化算法對微電網(wǎng)能量管理優(yōu)化調(diào)度問題進行分析計算，則此問題轉換為應用改進粒子群算法求解式(3)在式(4)～式(13)等約束條件之下的最小值問題。因此，在計算之前需要對各個約束條件進行處理，將多目標優(yōu)化問題轉化為單目標優(yōu)化問題。本文中微電網(wǎng)能量優(yōu)化調(diào)度的粒子群優(yōu)化算法流程如圖3 所示。

圖3 微電網(wǎng)能量優(yōu)化調(diào)度的粒子群優(yōu)化算法流程Fig 3 Flowchart of particle swarm optimization algorithm for micro-grid energy optimization scheduling

3.3 仿真結果分析

為驗證本文提出的模型和方法，采用圖3 所述的微電網(wǎng)結構為研究對象。在充分考慮微電網(wǎng)內(nèi)各個分布式單元運行約束、電網(wǎng)電能交互等情況基礎上，有效實現(xiàn)微電網(wǎng)能量管理的優(yōu)化調(diào)度和系統(tǒng)經(jīng)濟、安全與可靠運行。

本文所用的粒子群算法的參數(shù)設置如下:粒子數(shù)m=200，最大迭代次數(shù)Gmax=200，w=1，c1=1.5，c2=2.5。

圖4 基于隨機模型優(yōu)化得到的微電網(wǎng)調(diào)度方案Fig 4 Optimal power production schedule based on stochastic method

如圖4 黑空色柱狀圖所示，微型燃氣輪機在12～23 h、次日6～12 h 內(nèi)運行，而在23 h 到次日7 h 時間段內(nèi)停止運行。是因為微型燃氣輪機的發(fā)電成本為0.68 元/kWh，而從電網(wǎng)的購電成本在23h 到次日7h 時間段內(nèi)為0.43 元/kWh，因此，微電網(wǎng)從電網(wǎng)購電來滿足微電網(wǎng)內(nèi)的負荷更節(jié)省成本，其他時間段的購電成本較高，因此，微型燃氣輪機滿功率發(fā)電。在12～17 h 時間段內(nèi)，蓄電池將多余的電能存儲起來;從17 h 開始，購電價格上漲，且微電網(wǎng)內(nèi)的負荷需求也開始增加，為了填補負荷缺口，蓄電池開始放電?？梢?，蓄電池的充放電安排跟隨負荷水平與購電價格的變化而變化，在負荷波谷，購電價格低的時間段存儲電量，然后在負荷波峰、購電價格高的時候輸出電能，因此，可有效降低微電網(wǎng)的運行成本。

4 結 論

本文提出了基于光伏不確定性的微電網(wǎng)隨機規(guī)劃調(diào)度模型。其中光伏不確定性通過Monte Carlo 生成隨機情景，并通過情景消減算法找到10 個情景和對應的概率。利用這些隨機情景進行隨機規(guī)劃調(diào)度模型驗證分析。仿真結果顯示:隨機規(guī)劃調(diào)度模型具有魯棒性，能夠在可能發(fā)生的不同情節(jié)中找到折中，從而最小化微電網(wǎng)運行成本的期望值。因此，隨機規(guī)劃調(diào)度模型能夠很好地用于具有不確定性的微電網(wǎng)能源調(diào)度。

［1］ Kriett P O，Salani M.Optimal control of a residential microgrid［J］.Energy，2012，42(1):321-330.

［2］ Chakraborty S，Weiss M D，Simoes M G.Distributed intelligent energy management system for a single-phase high-frequency AC microgrid［J］.IEEE Transactions on Industrial Electronics，2007，54(1):97-109.

［3］ Chen C，Duan S，Cai T.Smart energy management system for optimal microgrid economic operation［J］.IET Renewable Power Generation，2011，5(3):258-267.

［4］ Ahn S J，Nam S R，Choi J H.Power scheduling of distributed generators for economic and stable operation of a microgrid［J］.IEEE Transactions on Smart Grid，2013，1(4):398-405.

［5］ Tsikalakis A G，Hatziargyriou N D.Centralized control for optimizing microgrids operation［C］∥Power and Energy Society General Meeting，IEEE，2011:1-8.

［6］ Mohammadi S，Soleymani S，Mozafari B.Scenario-based stochastic operation management of microgrid including wind，photovoltaic，micro-turbine，fuel cell and energy storage devices［J］.International Journal of Electrical Power＆Energy Systems，2014，54:525-535.

［7］ Niknam T，Azizipanah-Abarghooee R，Narimani M R.An efficient scenario-based stochastic programming framework for multi-objective optimal micro-grid operation［J］.Applied Energy，2012，99:455-470.

［8］ Piperagkas G S，Anastasiadis A G，Hatziargyriou N D.Stochastic PSO-based heat and power dispatch under environmental constraints incorporating CHP and wind power units［J］.Electric Power Systems Research，2011，81(1):209-218.

［9］ Su W，Wang J.Stochastic energy scheduling in microgrids with intermittent renewable energy resources［J］.IEEE Transactions on Smart Grid，2013，99:1-9.

［10］Wu Z，Gu W，Wang R.Economic optimal schedule of CHP microgrid system using chance constrained programming and particle swarm optimization［C］∥2011 IEEE，Power and Energy Society General Meeting，San Diego，2011:1-11.

［11］樊嫣然.基于隨機規(guī)劃含風電場的最優(yōu)經(jīng)濟調(diào)度［D］.南寧:廣西大學，2013.