張 聰, 陳 利, 胡茂凌, 朱穎驍, 李 翊, 陶競立

(四川中煙工業(yè)有限責(zé)任公司, 四川 成都 610016)

0 引 言

隨著電動汽車的普及[1]和用戶用電需求的增加[2],傳統(tǒng)的園區(qū)配電網(wǎng)絡(luò)無法滿足用戶多種用能需求[3],智能園區(qū)越來越受到關(guān)注[4]。智能園區(qū)以高級量測體系(Advanced Metering Infrastructure,AMI)技術(shù)為支撐,綜合多種智能用電控制設(shè)備,可以實現(xiàn)電能、信息和業(yè)務(wù)雙向交互,能夠有效促進新能源的消納,并為用戶提供多種增值服務(wù)[5]。需求響應(yīng)(Demand Response,DR)作為智能園區(qū)的重要組成部分,可以通過能量管理控制器(Energy Management Center,EMC),引導(dǎo)電力用戶參與到電網(wǎng)的互動中,可以有效降低負(fù)荷的峰谷差,減緩電網(wǎng)投資,保障電網(wǎng)的安全可靠運行[6-7]。

針對智能園區(qū)中的需求響應(yīng)調(diào)度策略,國內(nèi)外學(xué)者做了大量的研究。文獻[8]把DR和儲能系統(tǒng)引入到含風(fēng)電的系統(tǒng)優(yōu)化調(diào)度中,解決風(fēng)電功率不確定性對系統(tǒng)穩(wěn)定運行帶來的影響。文獻[9]提出了一種計及需求響應(yīng)的旋轉(zhuǎn)備用優(yōu)化配置策略,以調(diào)度成本和備用成本最小為目標(biāo)函數(shù)建立了優(yōu)化組合模型,促進風(fēng)電消納。文獻[10]利用基于ErLang開發(fā)的高并發(fā)實時數(shù)據(jù)采集平臺和優(yōu)化經(jīng)濟運行算法模型,開展智能園區(qū)充電優(yōu)化控制研究。文獻[11]提出了一種分布式的電動汽車有序充放電管理策略,由充電樁自主決策有序充放電計劃,不用借助集中式通信系統(tǒng)實時監(jiān)測和控制,適用于對大規(guī)模電動汽車的分布式管理。文獻[12]建立了與用戶互動的分布式儲能多目標(biāo)優(yōu)化運行模型。文獻[13]研究了微電網(wǎng)中儲能的配置優(yōu)化問題,降低微電網(wǎng)的運營成本。文獻[14]面對工商業(yè)用戶,通過制定不同的電力套餐,構(gòu)建基于成本-效益分析的用戶套餐選擇模型。文獻[15]結(jié)合用戶的用電滿意度,以用戶用電成本以及系統(tǒng)負(fù)荷波動最小為目標(biāo),構(gòu)建了兩階段的用戶DR模型。

文獻[8]和文獻[9]針對發(fā)電側(cè),文獻[10]和文獻[11]針對電動汽車,文獻[12]和文獻[13]針對儲能,文獻[14]和文獻[15]針對用戶側(cè)深入進行了研究。但是目前針對DR及源-儲-荷綜合優(yōu)化調(diào)度的研究尚比較少,需要進一步進行研究。

本文以智能園區(qū)為研究對象,針對包含電動汽車、儲能、光伏等分布式能源的用電場景,以系統(tǒng)總運行費用最低為目標(biāo)函數(shù),考慮電動汽車、儲能等約束條件,利用協(xié)同約束進化算法進行求解,并與多種群協(xié)同凈化遺傳算法進行對比,最后借助算例分析優(yōu)化模型和求解策略的有效性。

1 智能園區(qū)場景分析

典型智能園區(qū)用電場景如圖1所示。智能園區(qū)用戶的負(fù)荷可以分為以下幾類[16]:① 基本負(fù)荷,是指用戶在日常生活中必需的負(fù)荷,不能進行轉(zhuǎn)移和調(diào)度,例如照明負(fù)荷;② 可轉(zhuǎn)移負(fù)荷,是指擁有一定的時間彈性,在短時間內(nèi)增加或減少負(fù)荷不會影響用戶的使用體驗的負(fù)荷,例如空調(diào)、熱水器;③ 電動汽車負(fù)荷,是指電動汽車在充電過程中所消耗的負(fù)荷;④ 儲能裝置負(fù)荷,是指儲能在充電的過程中所消耗的電能。此外,在智能園區(qū)內(nèi),還含有光伏發(fā)電裝置。光伏產(chǎn)生的電能一方面可以滿足用戶的日常用電需求,另一方面在電能有剩余時也可以送入電網(wǎng)或者存儲在儲能裝置中。光伏和儲能裝置一起構(gòu)成分布式電源系統(tǒng),參與智能園區(qū)內(nèi)的能量優(yōu)化和調(diào)度。

智能園區(qū)內(nèi)每個區(qū)域都裝配有智能電表和用電管理終端,可以根據(jù)用戶的用能意愿更改對用戶負(fù)荷設(shè)備的控制程度,實現(xiàn)用戶和電網(wǎng)的雙向互動,引導(dǎo)用戶參與需求響應(yīng)調(diào)度。本文中智能園區(qū)全部由同一售電公司供電,不考慮存在多家售電公司共同參與售電的場景。在計算電動汽車的充電功率時,本文選擇恒功率充電方式,因為荷電狀態(tài)(State of Charge,SOC)主要階段在恒流充電階段增加[17]。

圖1 典型智能園區(qū)用電場景

2 智能園區(qū)負(fù)荷調(diào)度模型構(gòu)建

2.1 儲能壽命模型

在整個儲能生命周期內(nèi),儲能循環(huán)充放電總量基本不變[18]。如果儲能的更換成本固定,其替換成本為

(1)

式中:Cs_bear——儲能放電1 kWh的折舊成本;

Cs_buy——裝置的購買成本;

Cs_all——裝置全壽命周期輸出的總電量。

儲能裝置的壽命主要受SOC的影響。放電時,SOC越高,對其損耗越少,壽命越長。儲能SOC和壽命損耗系數(shù)表示為[19]

(2)

式中: SOC(t)—儲能t時刻的荷電狀態(tài)。

2.2 目標(biāo)函數(shù)

本文智能園區(qū)優(yōu)化策略目標(biāo)函數(shù)是最小化運行費用。通過最小化園區(qū)的運行費用,可以降低園區(qū)從售電公司購買的電量,同時能夠最大化地利用園區(qū)內(nèi)部的分布式能源。目標(biāo)函數(shù)表示為

(3)

式中: ΔT——單位時間間隔;

T——優(yōu)化時段數(shù);

Pg(t)——單位時間間隔內(nèi)與配電網(wǎng)交換的平均功率(購電時為正,售電時為負(fù));

pr(t)——單位時間間隔內(nèi)平均交易價格;

PB(t)、Pb(t)——t時段儲能系統(tǒng)的放電功率和充/放電功率;

SOCmin——儲能的SOC下限;

σ——懲罰系數(shù)。

式(3)中等號右邊第1項為微電網(wǎng)與配電網(wǎng)的電能交易成本,第2項為儲能裝置的折舊成本,第3項為儲能放電罰函數(shù)。

2.3 約束條件

(1) 功率平衡約束

Pb(t)+PEV(t)+PL(t)=Ppv(t)+Pg(t)

(6)

式中:Ppv(t)——光伏發(fā)電功率;

PL(t)——t時段負(fù)荷側(cè)的固定負(fù)荷功率,可以通過短期負(fù)荷預(yù)測的方法得到[18];

PEV(t)——電動汽車在t時段的充電總功率。

(7)

(8)

(9)

(10)

式中:PEV,n(t)——t時段第n輛電動汽車的充電功率;

N——電動汽車總數(shù)量;

Pavrg_n——第n輛電動汽車在充電時段內(nèi)的平均充電功率;

tEV,n——第n輛電動汽車的起始充電時刻;

EEV,n——第n輛電動汽車在t2-t1時刻的充入電量,由第n輛電動汽車的電量需求量Ereq_n決定。

(2) 聯(lián)絡(luò)線功率約束

Pg(t)≤min{Pmax,PT}

(11)

式中:PT——配電變壓器的額定功率;

Pmax——聯(lián)絡(luò)線路允許的最大傳輸功率。

(3) 儲能裝置約束

|Pb(t)|≤Pb_rat

(12)

(13)

Eb(t)SOCmin≤Eb(t)≤Eb_rat(t)SOCmax

(14)

Eb(0)=Eb(T)

(15)

式中:Pb_rat——儲能裝置額定功率;

Eb(t)——儲能裝置當(dāng)前的荷電量;

Eb_rat(t)——儲能裝置額定荷電量;

ηb——儲能裝置充/放電效率;

SOCmax——儲能系統(tǒng)SOC的上限。

(4) 電動汽車約束:

(16)

式中:PEV_rat——電動汽車充電電池的額定充放電功率;

SEV——電動汽車停留在充電站的時間段。

3 模型求解

本文采用協(xié)同約束進化算法求解智能園區(qū)優(yōu)化調(diào)度模型。對于種群1,首先考慮目標(biāo)函數(shù)以及違反約束的程度。在該種群內(nèi)的適應(yīng)度排序的原則可以表示為:① 不違反約束的解比違反約束的解要好;② 如果都違反約束,則違反程度小的解要好;③ 如果兩個解都不違反約束,則目標(biāo)函數(shù)值小的解適應(yīng)度較好。通過該排序規(guī)則,種群1將首先搜索到可行域,然后再對目標(biāo)函數(shù)進行優(yōu)化,最終得到最優(yōu)解。

可行域在決策空間是分割的(不連續(xù)),如果只采用一個種群進行進化搜索,極易導(dǎo)致算法收斂到局部最優(yōu)解。為了避免算法收斂到局部最優(yōu)解,在種群1基礎(chǔ)上,引入種群2。種群2的適應(yīng)度排序只考慮目標(biāo)函數(shù),不考慮違反約束的程度。因此種群2 將專注于獲取問題在不包含約束的情況下的最優(yōu)解。通過種群2能夠有效地將算法拉出局部最優(yōu)解,以找到整個全局最優(yōu)解。

每一代中,首先兩個種群各自產(chǎn)生后代1和后代2,然后將種群1、后代1、后代2合并并選取N個解組成新的種群1。種群2同理。最優(yōu)解的獲取是兩個種群協(xié)同進化的結(jié)果。協(xié)同約束進化算法結(jié)構(gòu)示意圖如圖2所示。

圖2 協(xié)同約束進化算法結(jié)構(gòu)示意圖

4 算例分析

以某擁有固定充電樁的智能園區(qū)為例,通過對比優(yōu)化前后儲能和電動汽車的功率變化曲線,驗證模型的有效性。

算例中智能園區(qū)安裝有10臺充電樁,每臺充電樁的額定功率為10 kW;電動汽車的車載鋰電池的額定電壓為250 V,額定容量為100 Ah,電動汽車需求電量如圖3所示。

圖3 電動汽車的需求電量

售電公司的電價采用分時電價。分時電價如表1所示[20]。

表1 分時電價

使用協(xié)同約束進化算法對該算例進行求解。相關(guān)參數(shù)設(shè)置如下:進化代數(shù)設(shè)置為200,每次進化后挑選個體100,變異概率0.6;優(yōu)化時間周期為24 h,單位時間為1 h。

園區(qū)光伏出力和負(fù)荷情況如圖4所示。

圖4 園區(qū)光伏出力和負(fù)荷情況

采用協(xié)同約束進化算法求解的種群進化過程如圖5所示,可以看到進化在40代達到最優(yōu)值。根據(jù)文獻[21],多種群協(xié)同凈化遺傳算法求解的種群進化過程如圖6所示,其進化在400代才達到最優(yōu)值。本文求解算法的收斂速度更快,效率更高。

圖5 采用協(xié)同約束進化算法求解的種群進化過程

圖6 多種群協(xié)同進化遺傳算法求解的種群進化過程

優(yōu)化后園區(qū)各元件有功功率變化如圖7所示,優(yōu)化后改變了電動汽車無序的充電狀態(tài)。優(yōu)化前電動汽車在電價峰時段也進行充電,優(yōu)化后電動汽車集中充電時間在電價平時段,有效降低用戶的用電費用。并且可以看到儲能在電價峰時段,電源向外供電,滿足負(fù)荷的用電需求。在光伏發(fā)電量大時,儲能停止向外供電,優(yōu)先利用光伏產(chǎn)生的電能,提高新能源的消納率。

圖7 優(yōu)化后園區(qū)各元件有功功率變化

5 結(jié) 語

針對含有光伏、儲能和電動汽車的智能園區(qū)用電場景下多種資源協(xié)同優(yōu)化的問題,本文以智能園區(qū)用電費用最小為目標(biāo)函數(shù),構(gòu)建了包含電動汽車、儲能的智能園區(qū)優(yōu)化調(diào)度策略,然后采用協(xié)同約束進化算法進行求解,驗證了模型的有效性。

算例表明在該優(yōu)化策略下可以實現(xiàn)智能園區(qū)內(nèi)的電動汽車有序充電,并且可以與儲能系統(tǒng)配合,進一步提高光伏的消納率,降低園區(qū)用電費用。通過算法對比,也進一步證明該算法收斂速度更快,效率更高。下一步將融合深度學(xué)習(xí)技術(shù),進一步研究實時電價考慮用戶用能意愿背景下的智能園區(qū)優(yōu)化調(diào)度模型。