劉 偉, 王 俊, 龔成生, 王 飛

(1. 東北石油大學 電氣信息工程學院, 黑龍江 大慶 163318； 2. 國網(wǎng)山東省電力公司 曹縣供電公司, 山東 曹縣 274400)

0 引 言

如今光伏發(fā)電興起和電動汽車的出現(xiàn), 對智能電網(wǎng)需求側(cè)管理問題的實現(xiàn)越來越急迫, 因此家庭能量的優(yōu)化控制問題也需要不斷向這個方向進行轉(zhuǎn)變[1-2]。而家庭能量管理技術(shù)是體現(xiàn)在用戶側(cè), 可以規(guī)劃出家用負荷的分類以及分布式電源的優(yōu)化控制, 為可再生能源接入需求側(cè)提供支持[3-4]。目前, 國內(nèi)外開展了很多關(guān)于家庭負荷調(diào)度問題的研究[5-7]。李中偉等[8]著眼于用電經(jīng)濟性以及用戶舒適度的研究, 但對電網(wǎng)用電功率峰谷差的問題考慮不足。張延宇等[9]在智能電網(wǎng)環(huán)境下考慮了電動汽車在高電價時段的充放電特性對家庭能源管理系統(tǒng)的負載進行優(yōu)化調(diào)度。佟晶晶等[10]和姚剛等[11]考慮電動汽車參與下對用電成本的影響, 但未考慮電動汽車入網(wǎng)對用電功率峰谷差調(diào)節(jié)的影響。李菁等[12]設(shè)計分時電價、 戶用分布式光伏電源和儲能裝置, 建立基于經(jīng)濟性和舒適度的多目標優(yōu)化模型。張軍等[13]僅從電源側(cè)考慮家庭用電功率的波動, 未考慮用戶側(cè)用電需求對電網(wǎng)功率波動的影響。綜合以上分析, 筆者首先將家用電器進行分類建模以及充分考慮電動汽車充放電類建模, 電動汽車充放電標函數(shù)采用小生境的混沌粒子群優(yōu)化算法進行仿真分析, 驗證該調(diào)峰激勵機制的有效性。

1 基本框架及其模型

1.1 家庭負荷

家庭居民用電分類負荷主要分為柔性負荷與剛性負荷[14]。其中柔性負荷的運行時間可以調(diào)控, 而剛性負荷的運行時間不可調(diào)控。其中柔性負荷可以分為兩種： 1) 不可中斷負荷； 2) 可中斷負荷。其中不可中斷負荷在運行期間不能改變其運行狀態(tài), 而可中斷負荷在在運行期間可改變其運行狀態(tài)。

不可中斷負荷模型為

(1)

可中斷負荷模型為

(2)

1.2 儲能設(shè)備

蓄電池在家庭能量管理系統(tǒng)中起著至關(guān)重要的作用, 并于光伏發(fā)電系統(tǒng)配合參與用戶側(cè)電能的調(diào)控。其模型如下

(3)

其中SSOC為儲能設(shè)備的荷電狀態(tài)；Cbat為儲能設(shè)備的額定容量；Pch、Pdisch為儲能設(shè)備的充電功率與放電功率；ηch為其充電效率；Pdisch為蓄電池的放電功率,ηdisch為蓄電池放電效率；SSOCmin、SSOCmax為蓄電池最小、 最大荷電狀態(tài)；Pch,max和Pdisch,max分別為蓄電池最大充電、 最大放電功率。

電動汽車與儲能設(shè)備模型大體相同, 但存在如下3點區(qū)別[11]： 1) 電動汽車首先應滿足出行要求, 故應考慮其接入時間的約束； 2) 由于蓄電池充放電會影響其壽命, 應考慮盡可能減少其充放電次數(shù)； 3) 為保證電動汽車的出行需求, 應保證其在離開時刻蓄電池荷電量滿足最低出行標準。因此在蓄電池模型的基礎(chǔ)上, 電動汽車需增加3個約束條件如下

(4)

其中αE、βE分別為EV運行區(qū)間的起止時刻；SSOCE為電動汽車荷電狀態(tài)；PE為電動汽車充電功率；SSOCH為EV離開時刻最小SSOC限值。

1.3 溫控負荷

溫控負荷(如空調(diào))是根據(jù)溫度的改變確定其運行時刻以及運行功率的負荷。不同于柔性負荷其舒適度指標為負荷的運行時區(qū), 而空調(diào)舒適度指標為室內(nèi)溫度, 其模型如下

(5)

其中Ti為室內(nèi)設(shè)定溫度；TL、TM分別為室內(nèi)允許最低溫度和最高溫度；Tin為室內(nèi)溫度；Tout為室外溫度；P為空調(diào)功率；α為室外溫度對室內(nèi)溫度的影響系數(shù)；β為空調(diào)的運行系數(shù),β<0為空調(diào)工作在制冷狀態(tài),β>0為空調(diào)工作在制熱狀態(tài)。

2 用戶調(diào)峰貢獻度的調(diào)峰激勵機制及多目標能量調(diào)度優(yōu)化模型

2.1 用戶調(diào)峰貢獻度的調(diào)峰激勵機制

僅在固定分時電價策略的基礎(chǔ)上進行用電優(yōu)化很有可能造成大量的用電負荷集中到谷時電價區(qū)間運行, 構(gòu)成新的用電高峰, 且可能不在系統(tǒng)負荷的供電谷時段, 這種錯位新高峰會造成電力系統(tǒng)發(fā)電設(shè)備過負荷運行, 降低線路傳輸效率, 故僅依靠固定分時電價并不能達到預期效果。因此筆者從負荷側(cè)參與電網(wǎng)調(diào)峰影響出發(fā), 提出了對電網(wǎng)峰谷差有貢獻度的激勵機制, 達到削峰填谷的效果。

(6)

Cr=αmot(1-h(t))

(7)

其中h(t)為用戶的調(diào)峰效果系數(shù), 值越小說明用戶用電負荷變動越不明顯, 則調(diào)峰效果越顯著；Pe(t)為第t個時刻用戶的凈負荷；αmot為電網(wǎng)公司的激勵費率；Cr為激勵成本, 用戶參與電網(wǎng)調(diào)峰極極性越高, 用電負荷波動越小, 其激勵收入越高。

2.2 目標函數(shù)

1) 經(jīng)濟性目標。以家庭用電成本最優(yōu)為經(jīng)濟性目標, 其值越小, 說明經(jīng)濟性優(yōu)化目標越好。

minF=Ct-Cr

(8)

(9)

其中F為總用電成本；Ct為買電成本；pl為電網(wǎng)購電功率；ml為向電網(wǎng)購電價格；pg為賣給電網(wǎng)功率；mg為賣電價格。

2) 舒適性目標。以居民對負荷的用電行為習慣以及室內(nèi)溫度最佳為舒適度目標, 其值越大, 說明用戶用電舒適度越好。

(10)

其中tsi為電器實際啟動時間；Tsi為希望啟動時間； ΔTi為允許工作時區(qū)長度,X為電器的總數(shù)。

3 算例分析

3.1 參數(shù)設(shè)置

算例系統(tǒng)中, 蓄電池和電動汽車額定容量均為5 kWh, 充放電效率均為0.8, 最大充放電功率分別為2 kW、1.8 kW, 蓄電池最小和最大荷電狀態(tài)分別為0.2和0.9, 電動汽車最大和最小荷電狀態(tài)為0.9和0.4, 蓄電池開始荷電狀態(tài)為0.5, 由于出行需要, 電動汽車入網(wǎng)時間為0:00～7:00、 19:00～24:00。賣電價格0.42元/kWh, Δt=0.5,αmot=0.05。室內(nèi)最低及最高允許溫度分別為23 ℃和26 ℃。預測得到的光伏在每時段出力如圖1所示, 不可調(diào)度負荷每時段出力如圖2所示, 每時段電價信息如表1所示, 可調(diào)度負荷參數(shù)如表2所示。

圖1 分布式電源功率 圖2 不可調(diào)度負荷功率 Fig.1 Distributed power Fig.2 Undispatchable loads

表1 分時電價數(shù)據(jù)

表2 可調(diào)度負荷參數(shù)

3.2 結(jié)果分析

根據(jù)以上約束條件以及優(yōu)化目標函數(shù), 采用改進粒子群算法進行仿真分析, 結(jié)果如圖3所示。

圖3 負荷功率仿真圖Fig.3 Load power simulation diagram

由圖3分析可知, 在用電谷低谷且電價處于平時或谷時段, 加入激勵機制對負荷峰谷差的影響不明顯, 但在負荷處于峰值且電價處于峰時電價時段時, 提出的對電網(wǎng)調(diào)峰貢獻度的調(diào)峰激勵機制可以起到很好的削峰填谷作用, 在6:00～7:00、11:00～12:00和18:00～22:00家庭用電負荷功率處于高峰期, 激勵機制有效地降低了負荷峰谷差, 加入激勵機制后峰谷差降低12.5%, 從而降低了電網(wǎng)供電壓力, 有利于電力系統(tǒng)的穩(wěn)定。為驗證所提出激勵機制在減少負荷峰谷差以及用電成本的有效性, 表3列出了不同場景下的仿真結(jié)果。

表3 4種場景下特性對比

圖4 適應度函數(shù)變化曲線Fig.4 Fitness function change curve

場景1為電動汽車只充電且未加入激勵機制的情況, 此時電動汽車不參與負荷側(cè)調(diào)峰, 負荷側(cè)用電峰谷差以及用電成本較大。場景2為電動汽車充放電但未加入激勵機制的情況, 對比傳統(tǒng)電動汽車充電行為, 電動汽車充放電加入到負荷調(diào)峰后, 其優(yōu)先充放電可以在用戶用電高峰期充當蓄電池的作用, 很大程度上減少用電成本, 并對用戶用電負荷峰谷差也有很大改善, 與場景1相比, 電動汽車考慮充放電特性后家庭用電成本降低2.2%, 負荷峰谷差降低1.7%。場景3為考慮電動汽車充放電特性并加入激勵機制傳統(tǒng)粒子群優(yōu)化的情況, 可得到加入激勵機制能有效減小負荷用電峰谷差和用電成本, 與場景2相比, 峰谷差降低12.1%, 用電成本減少7.2%。場景4為考慮電動汽車充放電特性并加入激勵機制的基于小生境的混沌粒子群算法優(yōu)化情形, 結(jié)果表明該改進算法比傳統(tǒng)粒子群在降低負荷峰谷差以及家庭用電成本方面更有優(yōu)勢, 與場景3相比, 峰谷差降低3.7%, 用電成本減少2.9%。

表4 不同控制策略下的數(shù)據(jù)對比

從圖4中可以看出, 基于小生境的混沌粒子群算法與傳統(tǒng)粒子群相比, 收斂精度優(yōu)于傳統(tǒng)粒子群, 并克服了傳統(tǒng)粒子群容易陷入早熟的缺陷。

由表4可知, 從用戶舒適度的角度比較, 筆者的策略不及文獻[14]中的策略理想, 但從成本下降率比較, 筆者所提的策略比文獻[14]中的策略成本降低幅度更大, 因此筆者提出的激勵機制能有效降低用戶的用電成本。

4 結(jié) 語

筆者從用戶負荷參與電網(wǎng)調(diào)峰的角度出發(fā), 在建立家庭負荷用電模型的基礎(chǔ)上, 提出了用戶側(cè)調(diào)峰激勵機制, 并采用基于小生境的混沌粒子群算法進行優(yōu)化。仿真分析表明, 提出的調(diào)峰激勵機制能兼顧電網(wǎng)和用戶側(cè)的利益, 減少用戶用電成本以及降低系統(tǒng)峰谷差, 在不影響用戶需求的基礎(chǔ)上, 節(jié)約了電力系統(tǒng)供電設(shè)備的使用容量以及降低線路和變壓器的線路損耗, 很大程度上減輕了電網(wǎng)壓力, 從而提高系統(tǒng)運行穩(wěn)定性。