馮 雷, 蔡澤祥, 王 奕, 劉 平

(1. 華南理工大學電力學院, 廣東省廣州市 510640; 2. 廣東電網公司電力科學研究院, 廣東省廣州市 510800)

計及負荷儲能特性的微網荷儲協(xié)調聯(lián)絡線功率波動平抑策略

馮 雷1, 蔡澤祥1, 王 奕2, 劉 平1

(1. 華南理工大學電力學院, 廣東省廣州市 510640; 2. 廣東電網公司電力科學研究院, 廣東省廣州市 510800)

以微網整體參與市場交易為背景,計及直接控制負荷的儲能特性,提出采用電池儲能和直接負荷控制(DLC)協(xié)調的微網聯(lián)絡線功率波動平抑策略。將DLC視為儲能資源的調控行為,建立基于負荷儲能特性的DLC模型。在此基礎上,以經濟效益最大為目標,考慮DLC作用,基于兩階段隨機規(guī)劃優(yōu)化微網短期交易行為。以經濟性和不影響用戶用能體驗為原則,提出考慮負荷運行狀態(tài)的微網聯(lián)絡線功率波動完全平抑方案。最后,通過仿真算例驗證了所提策略的有效性。

直接負荷控制; 負荷儲能特性; 電池儲能; 微網(微電網); 功率波動平抑

0 引言

在環(huán)境污染問題日益嚴峻的背景下,發(fā)展可再生能源成為世界各國政府的共識。但可再生能源由于出力的不確定性和間歇性[1],單獨參與市場交易時不僅面臨承擔高額平衡費用的風險,也增加了電網調峰調頻的難度。若將可再生能源以微網的形式接入,并以微網整體作為市場主體,則可充分發(fā)揮源—荷—儲協(xié)同的優(yōu)勢,降低可再生能源帶來的不確定性。

以微網作為市場主體時,如何平抑微網聯(lián)絡線的功率波動,使聯(lián)絡線功率跟隨市場確定的交易功率變化是微網運行的核心問題。文獻[2-3]提出基于濾波的功率波動平抑方法,通過吸收目標功率經濾波器分離的高頻分量,從而平滑功率輸出,平滑后的功率雖然間歇性減弱,但在各調度時段內仍不斷變化。文獻[4-7]針對風儲聯(lián)合系統(tǒng)提出完全補償的方案:合理決策各調度時段的功率指令并補償風電功率與指令值的偏差,該思路不僅實現(xiàn)了功率輸出在調度時段內基本不變,而且使風電場能夠按照交易功率發(fā)電,更為適應市場環(huán)境,但上述文獻的開環(huán)控制方法不適于微網應用。

電池儲能和直接負荷控制(DLC)是功率調節(jié)的重要手段。文獻[8-9]提出基于DLC的利用空調負荷平滑功率輸出的方法,文獻[10]進一步將DLC和電池儲能相互結合,通過DLC減少電池儲能的充放電頻次并顯示出較好的平滑效果,但仍存在以下問題:采用的負荷僅限于空調負荷,基于濾波的平抑方法使微網無法按照交易功率與外網進行功率交換,用戶用能體驗受到影響等等。

本文在文獻[10]的基礎上,按照完全補償的平抑思路,提出微網的交易決策模型和功率波動平抑控制策略。目前在調度決策中廣泛通過負荷反彈模型考慮DLC的作用[11-12],但該模型的準確性有所欠缺,文獻[13-14]針對空調負荷占空比控制模式提出相應的DLC模型,模型準確性提升,但由于空調負荷固定于占空比控制模式,控制靈活性下降。本文將DLC視為儲能資源的調控行為,建立基于負荷儲能特性的DLC模型。在此基礎上,基于兩階段隨機規(guī)劃建立考慮DLC作用的微網短期交易優(yōu)化模型。以經濟性和不影響用戶用能體驗為原則,提出微網聯(lián)絡線功率波動完全平抑方案,并在功率分配時充分考慮負荷運行狀態(tài)以提升DLC效益。最后,通過仿真算例驗證了所提策略的有效性。

1 基于負荷儲能特性的DLC模型

1.1 DLC負荷的荷電狀態(tài)模型

荷電狀態(tài)(SOC)的概念源自電池儲能,表示電池儲能的剩余電量,是描述儲能能量狀態(tài)的重要參數。對熱儲能負荷和電儲能負荷進行直接控制,實質是對儲能資源進行調控,因而需描述負荷的SOC。設xi′為負荷Li期望控制的目標狀態(tài)量,xi,max′和xi,min′分別為xi′的上、下限,Pi為負荷的功率(正值表示功率吸收,負值表示功率發(fā)出),Pi,max和Pi,min分別為Pi的上、下限。熱儲能負荷的目標狀態(tài)量為負荷期望控制的某區(qū)域的溫度,電儲能負荷的目標狀態(tài)量為負荷電池的SOC。對熱儲能負荷和電儲能負荷,Pi與xi′滿足形如下式的一階線性微分方程[4,15]:

(1)

不同負荷由于特性方程不同,xi′變化規(guī)律不一致,為此定義歸一化目標狀態(tài)量xi。

1)若Li吸收功率為Pi,max時,Li歸一化前的目標狀態(tài)量xi′增加,定義歸一化目標狀態(tài)量xi為:

(2)

電動汽車、制熱負荷屬于該類。

2)若Li吸收功率為Pi,max,Li歸一化前的目標狀態(tài)量xi′減小,定義歸一化目標狀態(tài)量xi為:

(3)

制冷負荷屬于該類。

經過歸一化后,不同負荷的歸一化目標狀態(tài)量xi限值范圍均為[0,1],且變化趨勢一致,即Li吸收功率為Pi,max時,xi增加,Li吸收功率為Pi,min時,xi減少。xi接近0或1,意味著Li功率下調或上調的剩余容量減小。顯然歸一化后的目標狀態(tài)量xi與SOC有相同的涵義,描述了Li當前蘊含的能量水平,該概念對電池儲能也同樣適用,下面采用歸一化目標狀態(tài)量作為負荷和儲能的SOC指標(如無特別說明,下文SOC均指代歸一化目標狀態(tài)量)。將xi代入式(1)得到歸一化后的特性方程:

(4)

式中:K1,i,K2,i,K3,i的定義參見附錄A。

1.2 DLC可控特性建模

當負荷Li的xi在[0,1]區(qū)間內時,負荷Li處于可控狀態(tài);當xi超過[0,1]范圍時,負荷Li處于不可控狀態(tài),必須吸收功率Pi′以使xi回到限值區(qū)間(xi>1時,Pi′=Pi,min;xi<0時,Pi′=Pi,max),另外,當負荷未接入微網時也視為不可控負荷,其從微網吸收的功率Pi′為0。假設L為直接控制負荷集合,則L分為可控負荷集Lc和不可控負荷集Luc。

設β∈Luc,不可控負荷集Luc的吸收功率Pluc為:

Pluc=∑Pβ′

(5)

式中:Pβ′為不可控負荷β的吸收功率。

可控負荷集Lc根據式(4)的異同進一步分為若干可控負荷子集Lc,a(a=1,2,…,A)。設b∈Lc,a,定義可控負荷子集Lc,a的SOC為:

(6)

式中:xlc,a為Lc,a的SOC;B為Lc,a的元素個數;xb為Lc,a中可控負荷b的SOC。

Lc,a的特性方程為:

(7)

Plc,a=∑Pb

(8)

式中:K1,b,K2,b,K3,b為Lc,a中可控負荷b歸一化特性方程的相應系數；Plc,a為Lc,a的功率;Pb為Lc,a中可控負荷b的吸收功率。

求解式(7)得到xlc,a隨時間變化的關系如下：

(9)

式中：xlc,a0為xlc,a的初值。

2 微網短期交易優(yōu)化模型

2.1 模型假設

微網內電源包含風、光兩種可再生能源,本文暫不考慮其他電源。微網內配備電池儲能。考慮微網運營商參與集中競價市場,微網運營商的結算價格為統(tǒng)一的市場出清價,假設微網規(guī)模較小,微網運營商為價格接受者,其報價對市場出清價沒有影響,設置微網運營商的報價為零,申報的交易可以全部中標。

微網運營商與部分用戶簽訂DLC協(xié)議。協(xié)議要求直接控制負荷的功率必須連續(xù)可調(如變頻空調、電動汽車),運營商進行DLC時需優(yōu)先保證負荷的SOC在[0,1]區(qū)間內。微網運營商對直接控制負荷除了進行正常的電能費用結算外,還需支付DLC的補償費用,補償費用根據負荷的響應程度,即負荷處于可控狀態(tài)時實際吸收/釋放的電能結算,屬于同一可控負荷子集的負荷由于有相同的負荷特性和目標狀態(tài)量控制范圍,故有相同的單位電能補償價格。

2.2 兩階段隨機規(guī)劃模型

2.2.1 目標函數

本文假定可再生能源出力、非DLC負荷功率、電價、DLC負荷接入時間等隨機變量的預測信息及相應的概率分布已知(隨機變量概率分布的確定方法可參見文獻[16],本文為簡化問題采用正態(tài)分布),以預測場景為基礎,采用多場景法[4]描述模型中的隨機變量。以微網運營商利潤期望最大為目標,基于目前廣泛應用的兩階段隨機規(guī)劃[17]優(yōu)化微網與外網的交易功率并確定儲能的充放電計劃。規(guī)劃模型中,微網與外網的交易功率在所有場景下均相同,需綜合考慮各種可能的場景以實現(xiàn)目標最優(yōu),設置為一階段決策變量;電池儲能功率和各可控負荷子集功率是場景特定的,設置為二階段決策變量,其中預測場景下的電池儲能充放電功率將作為交易時段的儲能充放電計劃。假設交易時段包含H個調度時段,各調度時段的交易功率為Pline_ref,h(h=1,2,…,H),Pline_ref,h>0時表示功率從微網流向外網,每個調度時段包含N個預測點,相鄰預測點的時間間隔為Tf,目標函數為:

(10)

式中:G為場景總數;pg為場景g的概率;Td為每個調度時段的持續(xù)時間;Cp,h,g為與外網的交易電價;Cl,h為微網運營商對微網內負荷的供電電價;R為非直接控制負荷集合;Pj,n,h,g為非直接控制負荷j吸收的功率;Cbess為電池儲能吸收/釋放單位電能的損耗成本;Pbess,n,h,g為電池儲能的吸收功率;Clc,a為可控負荷子集Lc,a吸收/釋放單位電能的補償價格。

2.2.2 約束條件

1)功率平衡約束

(11)

式中:S為微網電源集合;Pi,n,h,g為微網電源i的出力。

2)儲能和DLC負荷功率限值約束

Pbess,min≤Pbess,n,h,g≤Pbess,max

(12)

Plc,a,n,h,g,min≤Plc,a,n,h,g≤Plc,a,n,h,g,max

(13)

式中:Pbess,min和Pbess,max分別為電池儲能功率的下限和上限;Plc,a,n,h,g,min和Plc,a,n,h,g,max分別為可控負荷子集Lc,a的功率下限和上限。

3)儲能和DLC負荷SOC限值約束

(14)

xlc,a,n,h,g=

(15)

(16)

式中:xbess,n,h,g為電池儲能歸一化后的SOC；xbess,max′和xbess,min′分別為電池儲能歸一化前SOC的上、下限；En為電池儲能的額定容量。

4)儲能日內能量平衡約束

xbess,N,H,g=xbess,0,g

(17)

式中:xbess,N,H,g為場景g調度時段H預測點N處的電池儲能SOC;xbess,0,g為場景g電池儲能的初始SOC。

微網調度一般具有周期性,交易周期結束時儲能的SOC應與交易周期開始時的SOC相等。

5)交易功率限值約束

Pline,h,min≤Pline_ref,h≤Pline,h,max

(18)

(19)

(20)

3 微網聯(lián)絡線功率波動平抑控制

3.1 控制方案

在給定交易功率Pline_ref,h后,微網運營商需對微網聯(lián)絡線實施以Pline_ref,h為目標的定功率控制?？刂圃砣鐖D1所示。Pline_ref,h與實際的微網聯(lián)絡線功率Pline作差后得到控制偏差(CE),CE經過控制器生成調節(jié)功率需求Pr,功率分配模塊根據Pr計算出電池儲能和各個可控負荷的吸收功率參考值Pdevice,k,ref(k=1,2,…,K),整個控制過程為閉環(huán)的負反饋控制。

圖1 控制原理Fig.1 Control principle

控制方案的關鍵是控制器和功率分配模塊的構建。比例—積分(PI)控制器技術成熟,調整方便,在自動發(fā)電控制領域已有廣泛的實踐應用,本文采用PI控制器生成調節(jié)功率需求Pr。

功率分配模塊的分配原則是在保證控制設備k(k=1,2,…,K)的SOC在[0,1]區(qū)間的條件下,使單位時間的調節(jié)成本最低。為保證控制設備k的SOC在[0,1]區(qū)間內,當控制設備k的SOC達到區(qū)間邊界時,需對控制設備k的功率取值做出限制。

1)當控制設備k為電池儲能或電儲能負荷時,若SOC達到1,則功率取值范圍為[Pk,min,0];若SOC達到0,則功率取值范圍為[0,Pk,max]。其中,Pk,min和Pk,max為控制設備k的功率下限和上限。

2)當控制設備k為熱儲能負荷時,若SOC達到1,則功率取值范圍為[0,Pk,bal1];若SOC達到0,則功率取值范圍為[Pk,bal2,Pk,max]。其中,Pk,bal1和Pk,bal2分別為使熱儲能負荷的SOC維持在1和0的功率,可根據式(4)計算得出:

(21)

(22)

式中:xk為控制設備k的SOC;K1,k,K2,k,K3,k為控制設備k歸一化特性方程的相應系數。

從整體上看,控制設備分為電池儲能及若干可控負荷子集Lc,a(a=1,2,…,A),功率應滿足:

(23)

式中:Pbess_ref,n,h為電池儲能的計劃功率;ΔPbess為電池儲能的功率調整量。

功率分配時,為滿足儲能日內能量平衡約束,優(yōu)先使儲能按照計劃功率Pbess_ref,n,h運行,接著以調節(jié)成本最低為目標分配剩余功率Pr-Pbess_ref,n,h,具體方法為:按Clc,a大小,以升序方式對各個可控負荷子集Lc,a(a=1,2,…,A)排序:

D={D1,D2,…,DA}

(24)

將功率Pr-Pbess_ref,n,h按照序列D的順序依次分配。對于Di(i=1,2,…,A),所期望的分配功率PDi和實際分配的功率PDi′分別為:

(25)

(26)

式中:PDi,max和PDi,min分別為可控負荷子集Di的功率上、下限。

若對可控負荷子集分配完后,仍有剩余調節(jié)功率需求,則調整電池儲能功率,調整量ΔPbess為:

(27)

3.2 可控負荷子集內部功率分配策略

屬于同一可控負荷子集的設備有相同的補償價格,但各個設備的運行狀態(tài)不同,進行功率分配時需考慮此差異性。

1)對于由電儲能負荷構成的可控負荷子集,由于儲能電池采用深充深放模式在壽命周期內有更高的能量轉移總量和能量效率[18],因此功率分配的原則是使負荷電池盡可能規(guī)則地經歷完整的充放電周期,具體規(guī)則如下:①PDi′>0時,功率優(yōu)先分配給前一狀態(tài)為充電狀態(tài)的負荷,前一狀態(tài)為充電狀態(tài)的負荷中,功率優(yōu)先分配給SOC更大的負荷,前一狀態(tài)為放電狀態(tài)的負荷中,功率優(yōu)先分配給SOC更小的負荷;②PDi′<0時,功率優(yōu)先分配給前一狀態(tài)為放電狀態(tài)的負荷,前一狀態(tài)為放電狀態(tài)的負荷中,功率優(yōu)先分配給SOC更小的負荷,前一狀態(tài)為充電狀態(tài)的負荷中,功率優(yōu)先分配給SOC更大的負荷。

2)對于由熱儲能負荷構成的可控負荷子集,由于熱儲能負荷SOC達到0或1時會減小熱儲能負荷的功率可調范圍,因此功率分配原則是盡量避免熱儲能負荷的SOC達到上下限,另外控制時需盡量避免熱儲能負荷頻繁的狀態(tài)啟停,根據上述原則制定功率分配具體規(guī)則如下:PDi′>0時,功率優(yōu)先分配給SOC更小的負荷,功率分配后在未來時間Tthermal內若PDi′始終大于0,則該負荷在未來時間Tthermal內仍具有優(yōu)先分配權,其中Tthermal為熱儲能負荷的最佳連續(xù)運行時間;PDi′<0時,由于熱儲能負荷功率不能為負值,熱儲能負荷的分配功率即為其功率下限。

4 算例分析

4.1 算例場景描述

算例場景為微網運營商參與日前集中競價市場。風光出力和非直接控制負荷功率的預測值[19]如圖2所示,日前市場電價預測值[20]和微網運營商對內供電電價如圖3所示。微網配置的電池儲能容量為400 kW·h,其單位電能損耗成本為2元/(kW·h)。微網運營商的直接控制負荷包括2個額定功率為10 kW的冷庫負荷和5輛額定充放電功率為6 kW的電動汽車。冷庫負荷要求溫度控制范圍為-5～5 ℃。電動汽車電池容量為60 kW·h,要求電池剩余能量控制在60%～90%。

圖2 風光出力和非直接控制負荷功率預測Fig.2 Power prediction of wind power generation, photovoltaic generation and indirect control load

圖3 日前市場電價預測值和微網對內供電電價Fig.3 Price prediction of day-ahead market electricity and internal electricity price of microgrid

4.2 與單獨采用電池儲能對比

對下面4組情景進行分析。

情景1:采用電池儲能和DLC調控。DLC預測場景為2個冷庫負荷和1輛電動汽車全天接入微網,4輛電動汽車第8 h離開微網,第18 h重新接入微網。冷庫負荷和電動汽車的單位電能補償價格分別為0.5元/(kW·h)和0.8元/(kW·h)。

情景2:采用電池儲能和DLC調控。DLC預測場景與情景1相同。冷庫負荷和電動汽車的單位電能補償價格分別為0.3元/(kW·h)和0.5元/(kW·h)。

情景3:采用電池儲能和DLC調控。DLC預測場景為2個冷庫負荷和4輛電動汽車全天接入微網,1輛電動汽車第8 h離開微網,第18 h重新接入微網。負荷補償價格與情景1相同。

情景4:僅采用電池儲能調控。

圖4為情景1至4微網運營商的累積利潤曲線。在微網內部電源出力大于微網內部負荷時,微網運營商通過對內負荷供電和對外出售電能獲取利潤,在微網內部電源出力小于微網內部負荷時,盡管微網運營商需從外部電網購買電能,但由于0～5 h大部分時間市場電價低于微網運營商對內供電電價,在扣除掉DLC補償費用和儲能損耗成本后,微網運營商大部分時間依然能獲取正值利潤,因此微網運營商的累積利潤在0～20 h內基本上呈增長態(tài)勢。而20 h后由于微網運營商需從外部電網購買電能,且市場電價高于對內供電電價,再扣除掉平衡費用后,累積利潤開始降低。由情景1至4的利潤對比可知,由于DLC的補償費用低于電池儲能損耗成本費用,因此電池儲能和DLC相互結合可以減少微網運營商的平衡成本，進而增加微網運營商的利潤,且直接控制負荷可控容量的增大和補償價格的減小有利于利潤的增加。

圖4 累積利潤曲線Fig.4 Accumulative profit curves

圖5為情景1,3,4電池儲能的SOC變化情況。由圖5可知,電池儲能和DLC相互結合顯著減小了電池儲能一天內的轉移能量,且直接控制負荷的可控容量越大,電池儲能一天內的轉移能量越少。由于電池儲能的剩余使用壽命與電池儲能當前的累積轉移能量負相關[21],因此電池儲能和DLC相互結合顯著延長了電池儲能的使用壽命。

圖5 電池儲能SOC變化曲線Fig.5 SOC changing curves of battery energy storage

4.3 平抑策略分析

1)功率平抑效果分析

圖6為情景1下補償前功率、聯(lián)絡線功率及交易功率與聯(lián)絡線功率的功率偏差曲線,其中補償前功率指電池儲能和直接控制負荷補償前的微網聯(lián)絡線功率。交易功率曲線參見附錄B圖B1,顯然聯(lián)絡線功率與交易功率基本一致,在各調度時段內基本不變,取得較好的平抑效果。

2)用戶用能體驗分析

情景1冷庫負荷和電動汽車的SOC變化情況參見附錄B圖B2至圖B5。由附錄B圖B2可知,當PDi′持續(xù)較大使冷庫負荷SOC持續(xù)增加并接近1時,本文的控制策略將對冷庫負荷功率取值做出限制使SOC嚴格限定在[0,1]范圍內;由附錄B圖B3可知,電動汽車2,3,4在第18 h左右重新接入微網時,由于消耗了大量電能,SOC為負,此時微網將對電動汽車進行充電,待SOC恢復至0后再進行DLC。本文策略充分保證了用戶的用能體驗。

圖6 補償前功率、聯(lián)絡線功率及交易功率與聯(lián)絡線功率的功率偏差曲線Fig.6 Curves of uncompensated power, tie line power and error of contract power and tie line power

3)功率分配策略分析

由附錄B圖B4可知,在PDi′小于冷庫負荷的額定功率時,通過本文的功率分配策略，各冷庫負荷會輪番承擔功率,使各自SOC維持在一定區(qū)間內,避免了某個冷庫負荷SOC持續(xù)增加或減小而達到極限的情況,從而增加了可控負荷功率的可調范圍;由附錄B圖B5可知,通過本文的功率分配策略,前一狀態(tài)為充電/放電狀態(tài)的電動汽車會優(yōu)先繼續(xù)充電/放電,從而增加了電動汽車電池的充放電深度,提高了電動汽車電池壽命周期內的能量轉移總量和能量效率。

5 結語

本文提出了計及DLC負荷儲能特性的微網荷儲協(xié)調聯(lián)絡線功率波動平抑策略。在微網交易的優(yōu)化決策階段,提出基于負荷儲能特性的DLC模型,在此基礎上,基于兩階段隨機規(guī)劃建立考慮可再生能源出力、電價等變量隨機性的微網短期交易優(yōu)化模型。在實時控制階段,以經濟性和不影響用戶用能體驗為原則,提出考慮負荷運行狀態(tài)的微網聯(lián)絡線功率波動完全平抑方案。

算例結果表明,本文所提策略能夠在充分保證用戶用能體驗的前提下,有效平抑微網聯(lián)絡線的功率波動,使微網按照交易功率與外網交換功率,并延長電池儲能的使用壽命,增加微網運營商的經濟效益。

本文在微網并網運行模式下驗證了所提策略的可行性,下一步考慮在微網孤網運行模式下對應用DLC負荷和儲能平抑可再生能源出力波動進行深入研究。

附錄見本刊網絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 孫承晨,袁越,CHOI S S,等.基于經驗模態(tài)分解和神經網絡的微網混合儲能容量優(yōu)化配置[J].電力系統(tǒng)自動化,2015,39(8):19-26.DOI:10.7500/AEPS20140719002.

SUN Chengchen, YUAN Yue, CHOI S S, et al. Capacity optimization of hybrid energy storage system in microgrid using empirical mode decomposition and neural network[J]. Automation of Electric Power Systems, 2015, 39(8): 19-26. DOI: 10.7500/AEPS20140719002.

[2] 張野.微網中電池儲能系統(tǒng)控制策略的研究[D].天津:天津大學,2014.

[3] YOSHIMOTO K, NANAHARA T, KOSHIMIZU G. New control method for regulating state-of-charge of a battery in hybrid wind power/battery energy storage system[C]// Power Systems Conference and Exposition, October 29-November 1, 2006, Atlanta, Georgia, USA: 1244-1251.

[4] ABDULLAH M A, MUTTAQI K M, SUTANTO D, et al. An effective power dispatch control strategy to improve generation schedulability and supply reliability of a wind farm using a battery energy storage system[J]. IEEE Trans on Sustainable Energy, 2015, 6(3): 1093-1102.

[5] LI Q, CHOI S S, YUAN Y, et al. On the determination of battery energy storage capacity and short-term power dispatch of a wind farm[J]. IEEE Trans on Sustainable Energy, 2011, 2(2): 148-158.

[6] TELEKE S, BARAN M E, HUANG A Q, et al. Control strategies for battery energy storage for wind farm dispatching[J]. IEEE Trans on Energy Conversion, 2009, 24(3): 725-732.

[7] YAO D L, CHOI S S, TSENG K J, et al. Determination of short-term power dispatch schedule for a wind farm incorporated with dual-battery energy storage scheme[J]. IEEE Trans on Sustainable Energy, 2012, 3(1): 74-84.

[8] 王成山,劉夢璇,陸寧.采用居民溫控負荷控制的微網聯(lián)絡線功率波動平滑方法[J].中國電機工程學報,2012,32(25):36-43.

WANG Chengshan, LIU Mengxuan, LU Ning. A tie-line power smoothing method for microgrid using residential thermostatically-controlled loads[J]. Proceedings of the CSEE, 2012, 32(25): 36-43.

[9] KONDOH J. Direct load control for wind power integration[C]// IEEE Power and Energy Society General Meeting, July 24-28, 2011, Detroit, MI, USA: 8p.

[10] 王冉,王丹,賈宏杰,等.一種平抑微網聯(lián)絡線功率波動的電池及虛擬儲能協(xié)調控制策略[J].中國電機工程學報,2015,35(20):5124-5134.

WANG Ran, WANG Dan, JIA Hongjie, et al. A coordination control strategy of battery and virtual energy storage to smooth the micro-grid tie-line power fluctuations[J]. Proceedings of the CSEE, 2015, 35(20): 5124-5134.

[11] 張欽,王錫凡,別朝紅,等.電力市場下直接負荷控制決策模型[J].電力系統(tǒng)自動化,2010,34(9):23-28.

ZHANG Qin, WANG Xifan, BIE Zhaohong, et al. A decision model of direct load control in electricity markets[J]. Automation of Electric Power Systems, 2010, 34(9): 23-28.

[12] 鄧宇鑫,王磊,李揚,等.溫控負荷直接負荷控制策略與優(yōu)化調度[J].電力系統(tǒng)及其自動化學報,2015,27(6):18-25.

DENG Yuxin, WANG Lei, LI Yang, et al. Direct load control strategies and optimization scheduling of thermostatically controlled loads[J]. Proceedings of the CSU-EPSA, 2015, 27(6): 18-25.

[13] 高賜威,李倩玉,李揚.基于DLC的空調負荷雙層優(yōu)化調度和控制策略[J].中國電機工程學報,2014,34(10):1546-1555.

GAO Ciwei, LI Qianyu, LI Yang. Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control[J]. Proceedings of the CSEE, 2014, 34(10): 1546-1555.

[14] 徐青山,吳梟,楊斌.考慮狀態(tài)差異性聚類的空調負荷直接負荷控制動態(tài)優(yōu)化方法[J].電力系統(tǒng)自動化,2016,40(14):33-42.DOI:10.7500/AEPS20151123004.

XU Qingshan, WU Xiao, YANG Bin. Dynamic optimization method of direct load control for air-conditioning load considering status diversity clustering[J]. Automation of Electric Power Systems, 2016, 40(14): 33-42. DOI: 10.7500/AEPS20151123004.

[15] 艾欣,趙閱群,周樹鵬.適應清潔能源消納的配電網直接負荷控制模型與仿真[J].中國電機工程學報,2014,34(25):4234-4243.

AI Xin, ZHAO Yuequn, ZHOU Shupeng. Direct load control model and simulation for clean energy accommodation in distribution network[J]. Proceedings of the CSEE, 2014, 34(25): 4234-4243.

[16] MA X Y, SUN Y Z, FANG H L. Scenario generation of wind power based on statistical uncertainty and variability[J]. IEEE Trans on Sustainable Energy, 2013, 4(4): 894-904.

[17] 劉小聰,王蓓蓓,李揚,等.基于實時電價的大規(guī)模風電消納機組組合和經濟調度模型[J].電網技術,2014,38(11):2955-2963.

LIU Xiaocong, WANG Beibei, LI Yang, et al. Unit commitment model and economic dispatch model based on real time pricing for large-scale wind power accommodation[J]. Power System Technology, 2014, 38(11): 2955-2963.

[18] 高飛,楊凱,惠東,等.儲能用磷酸鐵鋰電池循環(huán)壽命的能量分析[J].中國電機工程學報,2013,33(5):41-45.

GAO Fei, YANG Kai, HUI Dong, et al. Cycle-life energy analysis of LiFePO4batteries for energy storage[J]. Proceedings of the CSEE, 2013, 33(5): 41-45.

[19] TransnetBW. Key figures[EB/OL]. [2016-12-20]. http://www.transnetbw.com/en/key-figures.

[20] Australian Energy Market Operator. Data dashboard[EB/OL]. [2017-02-09]. http://www.aemo.com.au/Electricity/National-Electricity-Market-NEM/Data-dashboard.

[21] 柴煒,李征,蔡旭,等.基于使用壽命模型的大容量電池儲能系統(tǒng)變步長優(yōu)化控制方法[J].電工技術學報,2016,31(14):58-66.

CHAI Wei, LI Zheng, CAI Xu, et al. Variable step-size control method of large capacity battery energy storage system based on the life model[J]. Transactions of China Electrotechnical Society, 2016, 31(14): 58-66.

Strategy for Tie Line Power Fluctuation Suppressing of Load-Energy Storage Coordinated Microgrid Considering Energy-storage Characteristic of Load

FENGLei1,CAIZexiang1,WANGYi2,LIUPing1

(1. School of Electric Power, South China University of Technology, Guangzhou 510640, China; 2. Electric Power Research Institute of Guangdong Power Grid Corporation, Guangzhou 510800, China)

In the context of microgrid trading in electricity market as a single market member, this paper proposes a coordination strategy of battery energy storage system (BESS) and direct load control (DLC) to suppress tie line power fluctuation of microgrid considering the energy-storage characteristic of the controlled load. By regarding DLC as a behavior of energy storage resource control, a DLC model based on the energy-storage characteristic of load is developed. Then the short-term trading behavior of microgrid is optimized based on the effect of DLC to get maximum economic benefit. On the principle of economic benefit without affecting customer experience in energy consuming, this paper proposes a control scheme to completely suppress tie line power fluctuation of microgrid based on power allocation strategy which considers the operating state of load. Finally, the validity of the proposed approach is verified by the simulation result.

direct load control (DLC); energy-storage characteristic of load; battery energy storage; microgrid; power fluctuation suppression

2016-12-25;

2017-02-19。

上網日期: 2017-05-09。

馮 雷(1993—),男,碩士研究生,主要研究方向:微網運行與控制、能源互聯(lián)網。E-mail：itachilei@163.com

蔡澤祥(1960—),男,通信作者,博士,教授,博士生導師,主要研究方向:電力系統(tǒng)保護、控制與自動化。E-mail: epzxcai@scut.edu.cn

王 奕(1972—),男,高級工程師，主要研究方向:電力系統(tǒng)繼電保護及自動控制裝置。

(編輯 萬志超)