侯 慧，王 晴，薛夢雅，吳細秀，謝長君，張清勇

計及源荷不確定性及需求響應(yīng)的離網(wǎng)型微電網(wǎng)兩階段日前經(jīng)濟調(diào)度

侯 慧1,2，王 晴1,2，薛夢雅3，吳細秀1,2，謝長君1,2，張清勇1,2

(1.武漢理工大學(xué)自動化學(xué)院，湖北 武漢 430070；2.武漢理工大學(xué)深圳研究院，廣東 深圳 518000；3.國網(wǎng)安徽省電力有限公司蚌埠供電公司，安徽 蚌埠 233000)

離網(wǎng)型微電網(wǎng)在遠洋海島、偏遠地區(qū)等有舉足輕重的作用，但源荷不確定性對其穩(wěn)定運行具有一定負面影響。為減輕日內(nèi)調(diào)度壓力，提出了一種適用于離網(wǎng)型微電網(wǎng)的兩階段日前調(diào)度模型。利用混沌相空間重構(gòu)、多目標(biāo)粒子群、數(shù)據(jù)驅(qū)動及線性規(guī)劃等方法，通過靈活資源調(diào)控降低源荷不確定性所帶來的棄風(fēng)和失負荷等負面影響，可在降低調(diào)度成本的基礎(chǔ)上，兼顧系統(tǒng)高效性及可靠性。第一階段以微電網(wǎng)綜合運行成本最低，可再生能源就地利用率最高及系統(tǒng)失負荷率最小為目標(biāo)，建立了計及需求響應(yīng)的離網(wǎng)型微電網(wǎng)多目標(biāo)經(jīng)濟調(diào)度模型。第二階段針對第一階段調(diào)度后產(chǎn)生的棄風(fēng)與失負荷，采用極限學(xué)習(xí)機(Extreme Learning Machine, ELM)及XGBoost構(gòu)建了蓄電池消納棄風(fēng)模型和調(diào)頻電源調(diào)度模型。最后通過仿真算例的對比表明，需求響應(yīng)對于系統(tǒng)高效性的增強是以增加調(diào)度成本和降低負荷可靠性為代價的，相比之下，所提兩階段日前調(diào)度方法可在降低調(diào)度成本的基礎(chǔ)上，同時兼顧系統(tǒng)高效性及可靠性，為偏遠地區(qū)和海島等地區(qū)的離網(wǎng)型微電網(wǎng)運行提供參考。

多目標(biāo)經(jīng)濟調(diào)度；需求響應(yīng)；源荷不確定性；Pareto Front；XGBoost

0 引言

離網(wǎng)型微電網(wǎng)對解決可再生能源的就地接入與消納、偏遠地區(qū)和遠離內(nèi)陸的海島地區(qū)的用電問題有著舉足輕重的作用[1]。而可再生能源發(fā)電量受環(huán)境條件的影響，對離網(wǎng)型微電網(wǎng)運行產(chǎn)生極大不確定性，另外，負荷的波動同樣具有不確定性。如何緩解源荷不確定性所帶來的負面影響，對離網(wǎng)型微電網(wǎng)的穩(wěn)定運行至關(guān)重要[2]。

解決由源荷不確定性所導(dǎo)致的發(fā)電側(cè)與用戶側(cè)之間的功率失衡，方法之一為引入需求響應(yīng)(Demand Response, DR)，通過實時調(diào)節(jié)負荷需求實現(xiàn)功率平衡。如文獻[3]以常見的空調(diào)負荷和插電式混合電動汽車負荷模型作為主要的DR模型，但其優(yōu)化目標(biāo)主要針對運行成本和負荷滿意度。文獻[4-5]同時考慮電價型DR和激勵性DR，探索DR聚合商和顧客之間的最優(yōu)交易模式。與文獻[3]類似，文獻[4-5]的優(yōu)化目標(biāo)也局限于成本及用戶兩方面。文獻[6]建立了風(fēng)光儲聯(lián)合發(fā)電系統(tǒng)模型，且將可轉(zhuǎn)移負荷、可中斷負荷和電動汽車等可調(diào)控負荷作為信息申報方參與調(diào)度。其優(yōu)化目標(biāo)為系統(tǒng)收益最大和用戶收益最大。綜上可知，上述文獻對于計及DR的系統(tǒng)優(yōu)化主要聚焦在經(jīng)濟性和可靠性上，考慮的因素不夠全面?？稍偕茉磳τ谙到y(tǒng)負荷波動同樣具有平抑作用，可再生能源利用率反映了系統(tǒng)的高效性，也應(yīng)被作為優(yōu)化目標(biāo)考慮在內(nèi)。

除DR外，另一種解決源荷不確定性的方法為：通過調(diào)整儲能及化石能源分布式發(fā)電的輸出，尋找最優(yōu)負荷配電方案，實現(xiàn)系統(tǒng)經(jīng)濟調(diào)度。計及不確定性因素的能量優(yōu)化研究可分為兩類[7]。一類采用隨機優(yōu)化技術(shù)與概率統(tǒng)計方法，主要包括隨機優(yōu)化、模糊優(yōu)化和魯棒優(yōu)化。隨機優(yōu)化如文獻[8-9]建立了分布式可再生能源優(yōu)化配置的機會約束規(guī)劃模型。模糊優(yōu)化如文獻[10]利用模糊隨機理論對預(yù)測誤差的模糊隨機性進行建模。魯棒優(yōu)化如文獻[11]建立了min-max-min結(jié)構(gòu)的兩階段魯棒優(yōu)化模型，得到最惡劣場景下運行成本最低的調(diào)度方案。然而上述文獻對于源荷不確定性的描述多是假定其預(yù)測值或其預(yù)測誤差滿足某種概率分布或是某一不確定集，而在實際生產(chǎn)中，可再生能源和負荷的隨機性較大，且對于地區(qū)和季節(jié)等因素較為敏感，未必符合所設(shè)定的不確定性約束。另一類計及不確定性因素的能量優(yōu)化研究方法是通過備用資源調(diào)控不確定因素。如文獻[12]采用蓄電池作為備用電源，利用前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建調(diào)頻策略，結(jié)果表明備用資源的調(diào)控降低了日平均發(fā)電成本；文獻[13]針對風(fēng)電消納受阻情況，選取高載能負荷參與調(diào)度，顯著緩解了大規(guī)模風(fēng)電接入電網(wǎng)的調(diào)峰瓶頸問題。上述文獻均采用兩階段調(diào)度方法，對于不同場景具有普適性。不足之處在于對于源荷不確定性所產(chǎn)生的影響考慮不全面：只考慮棄風(fēng)時如何調(diào)度或只考慮失負荷時如何調(diào)度。而在日前調(diào)度中，失負荷和棄風(fēng)往往發(fā)生在一天的不同時刻，因而需要對其同時考慮。

綜上，針對當(dāng)前日前調(diào)度研究中較少同時考慮由源荷不確定性所引起的棄風(fēng)和失負荷問題，本文采用兩階段調(diào)度方法，通過備用資源調(diào)控降低源荷不確定性所帶來的棄風(fēng)和失負荷影響。首先在第一階段調(diào)度中建立了DR參與的離網(wǎng)型微電網(wǎng)多目標(biāo)經(jīng)濟調(diào)度模型，對所選擇的多個連續(xù)樣本日進行第一階段日前調(diào)度，不僅考慮離網(wǎng)型運行狀態(tài)下微電網(wǎng)系統(tǒng)的成本經(jīng)濟性，同時兼顧其運行高效性和系統(tǒng)負荷可靠性。其次，根據(jù)第一階段的調(diào)度結(jié)果計算每日的理想棄風(fēng)量和失負荷量。利用極限學(xué)習(xí)機(Extreme Learning Machine, ELM)和XGBoost構(gòu)建了第二階段的調(diào)度策略，通過對多個連續(xù)樣本日的學(xué)習(xí)訓(xùn)練構(gòu)建了自主學(xué)習(xí)的模型，從而對調(diào)度日進行第二階段日前調(diào)度。最后，利用算例對所提方法的有效性進行了驗證。

1 離網(wǎng)型微電網(wǎng)結(jié)構(gòu)

本文研究的離網(wǎng)型微電網(wǎng)系統(tǒng)如圖1所示，主要由傳統(tǒng)能源發(fā)電模塊、源荷不確定性模塊及DR等組成。傳統(tǒng)能源發(fā)電模塊包括柴油機組和儲能等；源荷不確定性模塊包括風(fēng)電、光伏和不可調(diào)控負荷等；DR模塊包括可中斷負荷(Interruptible Load, IL)、電動汽車(Electric Vehicle, EV)和可轉(zhuǎn)移負荷(Transferable Load, TL)等。

圖1 離網(wǎng)型微電網(wǎng)系統(tǒng)

2 離網(wǎng)型微電網(wǎng)日前優(yōu)化調(diào)度模型

2.1 柴油機組成本模型

2.2 儲能成本模型

2.3 源荷不確定性模塊模型

微電網(wǎng)中的源荷不確定性由風(fēng)電、光伏及不可調(diào)控負荷的隨機性和波動性引起，使用某種概率分布或數(shù)學(xué)公式來描述這種不確定性均具有一定的局限性，這種局限性表現(xiàn)在對于不同時空場景不具備普適性，而數(shù)據(jù)驅(qū)動算法不限制數(shù)據(jù)所服從的概率分布，自主學(xué)習(xí)數(shù)據(jù)規(guī)律，應(yīng)用范圍更廣，因而本文采用數(shù)據(jù)預(yù)測的方式構(gòu)建源荷不確定性模型。不論是風(fēng)電、光伏還是不可調(diào)控負荷，影響其變化的因素均十分繁雜，包含天氣信息、地理信息等等，通常難以獲得完備且準(zhǔn)確的影響因素數(shù)據(jù)，一般情況下僅可獲得歷史風(fēng)電/光伏/負荷數(shù)據(jù)。文獻[16-18]表明風(fēng)電/光伏/電力負荷具有混沌特性，采用相空間重構(gòu)技術(shù)對歷史數(shù)據(jù)處理，可不考慮除歷史數(shù)據(jù)以外的影響因素。因此，本文采用相空間重構(gòu)[19]和數(shù)據(jù)驅(qū)動[20]結(jié)合的方式進行預(yù)測。

2.4 EV充放電模型

假設(shè)EV受到用戶行駛習(xí)慣的限制，一般早上駛離微電網(wǎng)系統(tǒng)，傍晚結(jié)束行程返回微電網(wǎng)系統(tǒng)[21]。

EV最大放電電量既要保證剩余電量滿足用戶日常行駛需求，又不能超過其所設(shè)置的EV最大放電深度，即EV最大放電量取兩者之間的最小值，如式(9)所示。

2.5 TL模型

TL模型：負荷轉(zhuǎn)入轉(zhuǎn)出模型[22]如式(13)所示。

微電網(wǎng)系統(tǒng)對TL的補貼成本為

2.6 IL模型

IL模型：采用IL[23]控制后的負荷時序表達式為

微電網(wǎng)系統(tǒng)對IL的補貼成本為

3 離網(wǎng)型微電網(wǎng)兩階段調(diào)度模型及策略

本文提出了一種計及源荷不確定性和DR的離網(wǎng)型微電網(wǎng)兩階段日前經(jīng)濟調(diào)度策略，其總體框圖如圖2所示。

圖2 兩階段日前調(diào)度框圖

第一階段采用多目標(biāo)粒子群算法求解包含需求響應(yīng)模型在內(nèi)的日前調(diào)度模型，得到非劣解集。其中，需求響應(yīng)模型包含電動汽車充放電模型、可轉(zhuǎn)移負荷模型和可中斷負荷模型。然后利用模糊隸屬度函數(shù)對非劣解集進行排序，選出綜合滿意度最大的解作為第一階段調(diào)度方案。

從圖2中可以看出，第一階段根據(jù)可再生能源及負荷的預(yù)測值對離網(wǎng)型微電網(wǎng)進行了預(yù)調(diào)度。由于可再生能源及負荷的預(yù)測值和實際值之間具有偏差，該偏差可能引起系統(tǒng)棄風(fēng)或失負荷現(xiàn)象，因此第二階段首先采用數(shù)據(jù)驅(qū)動算法預(yù)測實施第一階段調(diào)度后系統(tǒng)可能出現(xiàn)的棄風(fēng)和失負荷時刻及棄風(fēng)和失負荷量。其次，根據(jù)預(yù)測結(jié)果，采用線性規(guī)劃分別調(diào)度調(diào)頻電源及蓄電池，以保持系統(tǒng)有功功率平衡，從而完成兩階段調(diào)度。需要注意的是，本文所提理想棄風(fēng)或理想失負荷并非實際運行中的真實值，而是日內(nèi)調(diào)度決策者面臨的源與荷之間的偏差值。

3.1 第一階段調(diào)度

1) 第一階段調(diào)度模型

模型中各單元需要滿足的約束條件如下。

(1) 儲能單元的荷電狀態(tài)和出力約束

(2) 柴油機組的出力上下限和爬坡速率約束

(3) 功率平衡等式

2) 第一階段調(diào)度策略及調(diào)度模型求解

從經(jīng)濟性及高效性的角度出發(fā)，第一階段調(diào)度策略首先考慮調(diào)度可再生能源，其次調(diào)度DR。若凈負荷大于0，表明可再生能源和DR無法滿足負荷需求，則依次調(diào)度儲能和柴油機組；若凈負荷等于0，表明可再生能源和DR剛好可以滿足負荷需求，儲能和柴油機組無需出力；若凈負荷小于0，表明可再生能源出力有余，則儲能進行充電以吸收多余電量。

本文在求解計及DR的微電網(wǎng)多目標(biāo)經(jīng)濟調(diào)度模型時采用多目標(biāo)粒子算法(Multi-objective Particle Swarm Optimization, MPSO)[24]，其算法步驟及流程見附錄B。利用MPSO算法可以獲得一系列的非劣解，這些非劣解組成的集合稱為非劣解集，也稱Pareto Front(帕累托前沿)[25]。

3.2 第二階段調(diào)度

1) 第二階段調(diào)度模型

第一階段調(diào)度中所使用的風(fēng)電出力、光伏出力及不可調(diào)控負荷均為預(yù)測值，實際值一般在預(yù)測值附近隨機波動，預(yù)測值與實際值之間的偏差可能會導(dǎo)致棄風(fēng)或失負荷。第二階段主要針對第一階段調(diào)度后可能出現(xiàn)的棄風(fēng)和失負荷現(xiàn)象進行調(diào)度。采用蓄電池消納棄風(fēng)。將蓄電池與第一階段調(diào)度中未中斷的IL作為調(diào)頻電源。

棄風(fēng)和失負荷的計算公式為

由于棄風(fēng)與失負荷不同時存在，因此分別考慮棄風(fēng)時蓄電池消納模型和失負荷時調(diào)頻電源的調(diào)度模型。蓄電池消納棄風(fēng)模型仍遵循儲能成本模型。

調(diào)頻電源調(diào)度模型的目標(biāo)是調(diào)頻成本最小。如式(36)所示。

調(diào)頻電源需要滿足的約束條件有：儲能單元的荷電狀態(tài)和出力約束如式(26)和式(27)；功率平衡等式如式(37)。

兩階段調(diào)度后，調(diào)度指標(biāo)需要重新計算。式(38)—式(40)為兩階段調(diào)度指標(biāo)計算公式。

2) 第二階段調(diào)度策略及調(diào)度模型求解

由于風(fēng)電、光伏和負荷的實際值無法提前得知，因而實際凈負荷未知，也就無法根據(jù)式(33)和式(34)計算當(dāng)天的理想棄風(fēng)和失負荷。因此，需要在日前安排調(diào)度時，構(gòu)建能夠自主學(xué)習(xí)的模型，使其依據(jù)當(dāng)日風(fēng)光荷預(yù)測值及歷史理想棄風(fēng)與理想失負荷學(xué)習(xí)得到調(diào)度日的預(yù)測棄風(fēng)和失負荷。由于棄風(fēng)與失負荷發(fā)生在不同時段，可預(yù)見棄風(fēng)量序列與失負荷量序列均不是連續(xù)序列。若使用回歸算法預(yù)測不連續(xù)序列，預(yù)測誤差則較大。因此，為提高預(yù)測精度，本文先使用分類算法辨別失負荷時刻和棄風(fēng)時刻，然后利用回歸算法針對失負荷時刻的失負荷量及棄風(fēng)時刻的棄風(fēng)量進行回歸預(yù)測。由于不可調(diào)控負荷的預(yù)測值和實際值與前一周不可調(diào)控負荷相關(guān)性較大[27]，因此選取調(diào)度日前一周數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。第二階段調(diào)度策略如下。

Step1：采用多目標(biāo)粒子群算法及模糊隸屬度函數(shù)求解第一階段調(diào)度模型，得到第一階段的調(diào)度方案；

Step2：對調(diào)度日及調(diào)度日前一周實施Step1；

Step3：根據(jù)式(33)和式(34)計算包括調(diào)度日在內(nèi)的8日的理想棄風(fēng)量和理想失負荷量；

Step4：將包括調(diào)度日在內(nèi)的8日的預(yù)測風(fēng)電、預(yù)測光伏、預(yù)測不可調(diào)控負荷及預(yù)測凈負荷作為輸入，對于每日的理想棄風(fēng)序列，有棄風(fēng)時刻記為1，無棄風(fēng)時刻記為0，構(gòu)建0-1序列作為輸出，構(gòu)建XGBoost模型，預(yù)測得到調(diào)度日有棄風(fēng)時刻；

Step5：將8日中有棄風(fēng)時刻的預(yù)測風(fēng)電、預(yù)測光伏、預(yù)測不可調(diào)控負荷及預(yù)測凈負荷作為輸入，有棄風(fēng)時刻的理想棄風(fēng)量作為輸出，前7日作為訓(xùn)練集，第8日為測試集，構(gòu)建ELM模型，得到調(diào)度日的預(yù)測棄風(fēng)量；

Step6：將包括調(diào)度日在內(nèi)的8日的預(yù)測風(fēng)電、預(yù)測光伏、預(yù)測不可調(diào)控負荷及預(yù)測凈負荷作為輸入，對于每日的理想失負荷情況，有失負荷時刻記為1，無失負荷時刻記為0，構(gòu)建0-1序列作為輸出，構(gòu)建XGBoost模型，得到調(diào)度日有失負荷時刻；

Step7：將8日中有失負荷時刻的預(yù)測風(fēng)電、預(yù)測光伏、預(yù)測不可調(diào)控負荷及預(yù)測凈負荷作為輸入，有失負荷時刻的理想失負荷量作為輸出，前7日作為訓(xùn)練集，第8日為測試集，構(gòu)建ELM模型，得到調(diào)度日的預(yù)測失負荷量；

Step8：根據(jù)預(yù)測棄風(fēng)量，調(diào)度蓄電池消納棄風(fēng)；

Step9：求解調(diào)頻電源調(diào)度模型得到調(diào)頻電源的功率分配。為減少出現(xiàn)無失負荷時刻蓄電池出力的情況，優(yōu)先調(diào)度IL，其次調(diào)度蓄電池，當(dāng)蓄電池與IL無法滿足負荷需求時做切負荷處理。

4 算例分析

4.1 設(shè)計方案

為了對比和分析計及源荷不確定性和DR對微電網(wǎng)系統(tǒng)經(jīng)濟運行的影響，設(shè)置了4種不同的對比方案如表1所示。

表1 對比方案設(shè)計

方案1為本文所提方案，方案2為研究第二階段調(diào)度影響的對比方案，方案3為研究DR影響的對比方案，方案4為在第二階段調(diào)度中使用理想棄風(fēng)和理想失負荷的理想方案，方案4與方案1對比即可看出第二階段中棄風(fēng)與失負荷量的預(yù)測精度高低，預(yù)測精度越高，則方案1與方案4的調(diào)度指標(biāo)越接近。

4.2 算例參數(shù)

本文以一個含有多種微源的微電網(wǎng)為例，算例仿真設(shè)置參數(shù)如下：系統(tǒng)內(nèi)含有50輛電池容量為24 kWh的EV，1臺容量為0.6 MW和1臺容量為1 MW(備用機組)的柴油機組，兩組容量同為1.5 MW的鉛酸蓄電池作為儲能單元。系統(tǒng)將風(fēng)電與光伏視作清潔能源，且使用過程中不會產(chǎn)生額外附加費用。

在選擇風(fēng)電/光伏/不可調(diào)控負荷的預(yù)測方法時，本文對比了多種數(shù)據(jù)驅(qū)動方法，BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)、小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network, WNN)、ELM、長短期記憶網(wǎng)絡(luò)(Long Short Term Memory, LSTM)、支持向量回歸(Support Vector Regression, SVR)、極端梯度提升(eXtreme Gradient Boosting, XGBoost)及隨機森林(Random Forest, RF)等，采用平均絕對百分比誤差指標(biāo)(Mean Absolute Percentage Error, MAPE)和均方根誤差(Root Mean Square Error, RMSE)指標(biāo)評價預(yù)測精度，結(jié)果顯示ELM算法的預(yù)測精度較高，表明在本文所采取的相空間重構(gòu)技術(shù)下，ELM的學(xué)習(xí)能力較強，如表2所示。因此，選擇ELM預(yù)測風(fēng)電/光伏/不可調(diào)控負荷。

表2 不同數(shù)據(jù)驅(qū)動模型預(yù)測結(jié)果對比

從原理上來看，ELM預(yù)測精度高于其他模型，可從以下兩方面分析原因：一方面，以上模型均使用默認(rèn)參數(shù)，在默認(rèn)參數(shù)設(shè)置下，ELM通過固有計算公式得到超參數(shù)，與樣本契合度高，而其他模型大多通過損失函數(shù)反饋誤差來調(diào)整超參數(shù)，在不做調(diào)整時，默認(rèn)損失函數(shù)下較難得到最優(yōu)超參數(shù)。另一方面，ELM和相空間重構(gòu)具有相似點，核心均是計算公式的推算。相空間重構(gòu)而成的高維序列是原一維序列通過矩陣變換后得到的，ELM學(xué)習(xí)輸入輸出之間的關(guān)系通過計算公式求解各個神經(jīng)元的系數(shù)矩陣得到，無迭代過程，而其他模型求解超參數(shù)通過訓(xùn)練樣本反饋損失函數(shù)迭代得到。因此，相比之下，ELM更容易學(xué)習(xí)到相空間重構(gòu)的變換規(guī)則，相應(yīng)也就更容易學(xué)習(xí)到輸入輸出之間的關(guān)系，從而獲得更高的預(yù)測精度。

4.3 第一階段調(diào)度結(jié)果

圖3 一階段調(diào)度的多目標(biāo)Pareto Front圖

圖4為對應(yīng)綜合最優(yōu)解的微電網(wǎng)系統(tǒng)內(nèi)各負荷出力曲線。從圖4可以看出，EV進行有序充放電時基本遵循用戶的出行習(xí)慣，即凌晨至早上負荷低谷時段，如04：00—07：00進行有序充電，夜間負荷晚高峰時期，如18：00—20：00進行有序放電，上午至傍晚時段如09：00—20：00既不充電也不放電，此時段為用戶往返工作地點的出行時段或者用戶已到達工作地點EV處于停駐時段。DR方面，TL從風(fēng)電出力小于微電網(wǎng)原始負荷時段轉(zhuǎn)移至風(fēng)電出力富余時段，如從13：00—16：00及19：00—21：00時段轉(zhuǎn)移至07：00—10：00時段，進一步提高可再生能源的就地利用率，減小風(fēng)電的棄用率；IL選擇在15：00中斷負荷，對微電網(wǎng)總負荷起到平抑作用。因此DR既可以起到“削峰填谷”平抑微電網(wǎng)負荷波動的作用，又可以起到提高可再生能源利用率的作用。

圖4 一階段調(diào)度中各負荷出力曲線圖

圖5為對應(yīng)綜合最優(yōu)解的各分布式電源出力曲線圖。由圖5中可得，風(fēng)光出力及需求響應(yīng)不足以支持微電網(wǎng)負荷用電時，凈負荷值為正，如14：00—23：00時段。其中，16：00—22：00時段柴油機組1幾乎都以最大輸出功率發(fā)電，柴油機組2補充微電網(wǎng)剩余負荷所需電量；在凈負荷值為負時，即風(fēng)光出力大于微電網(wǎng)所需電量時，如10：00時段，儲能單元充電以吸收多余的光伏出力，而在1：00—2：00時段由于儲能單元初始電量為最大荷電狀態(tài)，因而無法充電。從圖5中可以看出，儲能單元由于荷電狀態(tài)及工作功率的限制無法完全吸收所有富余風(fēng)光出力，因此未被吸收利用的風(fēng)光能量將被丟棄。

圖5 一階段調(diào)度中各運行單元出力曲線圖

4.4 第二階段調(diào)度結(jié)果

采用XGBoost分別預(yù)測棄風(fēng)時刻和失負荷時刻，超參數(shù)設(shè)置如附表6所示。棄風(fēng)時刻和失負荷時刻的預(yù)測準(zhǔn)確率均為80%，預(yù)測結(jié)果如附表7所示，其中，“1”表示有棄風(fēng)時刻或失負荷時刻，“0”表示無棄風(fēng)時刻或失負荷時刻。去除訓(xùn)練集和測試集中無棄風(fēng)或無失負荷時刻，采用ELM針對有棄風(fēng)或有失負荷時刻預(yù)測棄風(fēng)量或失負荷量，超參數(shù)設(shè)置如附表8所示。根據(jù)預(yù)測棄風(fēng)量及失負荷量調(diào)度蓄電池及調(diào)頻電源。在第二階段中使用三組蓄電池，其中兩組用作消納棄風(fēng)，一組用作調(diào)頻電源。

圖6為蓄電池調(diào)度結(jié)果圖。

圖6 蓄電池調(diào)度棄風(fēng)結(jié)果圖

圖7為調(diào)頻電源調(diào)度結(jié)果圖。由圖7可以看出，IL與蓄電池足以支持預(yù)測失負荷量，但由于預(yù)測失負荷量與理想失負荷量之間存在偏差，因此在理想失負荷量大于預(yù)測失負荷量的時刻仍然需要切負荷。

圖7 調(diào)頻電源調(diào)度結(jié)果

4.5 對比方案分析

圖8為對比方案的調(diào)度指標(biāo)結(jié)果。

圖8 對比方案調(diào)度指標(biāo)

首先將4種方案的不同指標(biāo)最優(yōu)解進行對比，分析系統(tǒng)的調(diào)度成本，方案4作為理想方案無疑具有最低成本，方案3次之，方案1和方案2成本依次增大。分析數(shù)據(jù)表明：方案3成本之所以低于方案1是因為在不考慮DR的情況下，方案3具有更多棄風(fēng)量，蓄電池消納棄風(fēng)帶來的收益大幅降低成本；分析系統(tǒng)的凈負荷均值，除理想方案外，方案1具有最低凈負荷均值，方案3由于不計及DR，缺少“削峰填谷”，其凈負荷均值最大；分析系統(tǒng)的失負荷率，除理想方案外，方案1具有最低失負荷率，方案3次之。表明兩階段調(diào)度提升了系統(tǒng)負荷可靠性。

其次進行對比方案分析，對比方案1與方案2可知：兩階段調(diào)度由于獲得風(fēng)電消納收益和調(diào)頻收益而使得成本降低了17.63%，同時風(fēng)電消納和調(diào)頻使負荷波動降低，表現(xiàn)在方案1的凈負荷均值和失負荷率均小于方案2，分別降低了4.1%和32.37%，顯示了第二階段調(diào)度的重要性；對比方案1和方案3可知，DR的參與一定程度上降低了凈負荷均值，但會帶來調(diào)度成本的增長。由此可見，DR所帶來的負荷波動降低是以調(diào)度成本增加為代價；方案4為理想狀態(tài)下的調(diào)度方案，對比方案1與方案4可知，按預(yù)測棄風(fēng)和預(yù)測失負荷進行第二階段調(diào)度后的調(diào)度成本略高于理想狀態(tài)下的調(diào)度方案，約高19.96%，表明第二階段算法求解精度較高?？傮w來說，方案1具有較為良好的綜合效益，結(jié)果較為理想。

5 結(jié)論

本文提出一種離網(wǎng)狀態(tài)下計及源荷不確定性及DR參與的微電網(wǎng)兩階段日前經(jīng)濟調(diào)度模型，該模型考慮了系統(tǒng)的成本經(jīng)濟性、運行的高效性以及系統(tǒng)的負荷損失率。利用多目標(biāo)粒子群算法求得第一階段調(diào)度的非劣解集，同時通過模糊隸屬度函數(shù)方法獲得其相應(yīng)的綜合最優(yōu)解，并采用ELM和XGBoost構(gòu)建了第二階段的調(diào)度策略。通過算例仿真得出以下結(jié)論：

1) 需求響應(yīng)的參與使得系統(tǒng)凈負荷均值降低了24.31%，但同時成本和失負荷率均有所增長。說明在需求響應(yīng)參與的方案下，系統(tǒng)的高效性與系統(tǒng)的經(jīng)濟性之間存在互相制約的關(guān)系。

2) 所提兩階段調(diào)度方法相比一階段調(diào)度方法成本降低了17.63%，凈負荷均值和失負荷率分別降低了4.1%和32.37%，說明了本文所提方法既能在源荷不確定時降低調(diào)度成本，又能同時兼顧系統(tǒng)高效性和負荷可靠性。

本文針對特定的離網(wǎng)型微電網(wǎng)開展計及源荷不確定性的研究。除離網(wǎng)型微電網(wǎng)以外，并網(wǎng)型微電網(wǎng)等應(yīng)用場景，還需要進一步探索和分析。

附錄A

附表1 運行參數(shù)

Attached Table 1 Operating parameters

運行參數(shù)類型 電動汽車蓄電池1(第一階段儲能)蓄電池2(第二階段調(diào)頻/消納棄風(fēng))柴油機組1柴油機組2 出力上限/kW425025000 出力下限/kW-4-250-2506001 000 爬坡上限/kW———100150 爬坡下限/kW———-100-150 充電效率0.90.90.9—— 放電效率0.90.90.9—— 荷電狀態(tài)最大值0.90.90.9—— 荷電狀態(tài)最小值0.30.20.2—— 運行維護系數(shù)/(元/kW) —0.104 00.104 00.2360.236

附表2 污染物排放系數(shù)及處理成本

Attached Table 2 Pollutant emission factor and disposing cost

污染物類型CO2SO2NOx 處理費用/(元/kg)0.21014.82462.964 污染物排放系數(shù)/(g/kWh)光伏000 風(fēng)機000 柴油機組1/柴油機組26490.2069.89

附表3 TL運行參數(shù)

Attached Table 3 Parameters of transferable load

負荷類型1負荷類型2負荷類型3負荷類型4 轉(zhuǎn)出前起始運行時間2：0020：006：004：00 運行時長/h3213 運行功率/kW0.7520.51.5 轉(zhuǎn)移負荷容量/kW350250300300

附表4 IL運行參數(shù)

Attached Table 4 Parameters of interruptible load

負荷類型1負荷類型2負荷類型3負荷類型4 最大中斷時長/h1212 中斷容量/kW200150150200

附表5 第一階段調(diào)度模型求解的非劣解集及歸一化處理

Attached Table 5 Noninferior solution set and normalized treatment of case 1

序號k 1491.24010 619.2030.0050.5130.8040.8000.118 2490.89212 009.2180.0240.5170.5140.0000.057 3536.7939 676.1890.0000.0001.0001.0000.111 4484.57613 232.1890.0130.5880.2600.4500.072 5457.14914 481.4430.0170.8980.0000.3000.067 6451.83513 877.0360.0220.9580.1260.1000.066 7449.13613 883.2710.0220.9880.1240.1000.067 8448.06813 907.7340.0221.0000.1190.1000.068 9469.98114 204.9860.0170.7530.0570.3000.062 10469.91114 219.2970.0170.7540.0540.3000.062 11470.03814 194.6300.0170.7520.0600.3000.062 12470.05914 194.5460.0170.7520.0600.3000.062 13457.43014 265.4680.0170.8940.0450.3000.069 14462.03213 854.1140.0220.8430.1310.1000.060

附表6 XGBoost超參數(shù)設(shè)置

Attached Table 6 Setting of XGBoost’s Hyperparameters

模型名稱超參數(shù)設(shè)置 蓄電池消納棄風(fēng)調(diào)度模型colsample_bytree=0.1, gamma=0.568, importance_type='gain', learning_rate=0.0087, max_depth=9,min_child_weight=8, n_estimators=1600, objective='binary:logistic', scale_pos_weight=0.8, subsample=0.9 調(diào)頻電源調(diào)度模型colsample_bytree=0.7, gamma=0.010, importance_type='gain', learning_rate=0.0342, max_depth=16, min_child_weight=4, n_estimators=1900, objective='binary:logistic', scale_pos_weight=0.7, subsample=0.4

附表7 XGBoost預(yù)測棄風(fēng)時刻和失負荷時刻結(jié)果

Attached Table 7 Moments prediction of wind curtailment and load loss by XGBoost

棄風(fēng)時刻失負荷時刻 預(yù)測值實際值預(yù)測值實際值 1001 1001 1100 1100 1100 1100 1100 1100 1100 1001 0011 0110 0011 0011 0011 0110 0011 0110 0110 1100 1100 1100 1100 1100

附表8 ELM超參數(shù)設(shè)置

Attached Table 8 Setting of extreme learning machine’s hyperparameters

模型名稱超參數(shù)設(shè)置 蓄電池消納棄風(fēng)調(diào)度模型N=26, TF=’sin’, TYPE=0. 調(diào)頻電源調(diào)度模型N=26, TF=’sin’, TYPE=0.

附圖1 風(fēng)電、光伏及負荷功率預(yù)測值

Attached Fig. 1 Prediction of wind power, PV and load

附錄B

MPSO優(yōu)化的算法流程與標(biāo)準(zhǔn)粒子群算法的流程大體上是一樣的，通常MPSO優(yōu)化算法步驟如下。

2) 計算粒子的適應(yīng)值。

4) 采用充分大(小)適應(yīng)度函數(shù)值進行比較，選擇新的最佳適應(yīng)度函數(shù)值。

5) 按下述公式更新粒子速度和位置，若粒子的某一維超過邊界，則重新初始化此維數(shù)據(jù)。

6) 篩選當(dāng)前粒子群中的非劣解，并加入精英集中，并剔除精英集合中的劣解。

7) 是否滿足終止條件，滿足則結(jié)束循環(huán)，否則返回步驟2)。

最終獲得的精英集即為MPSO算法所得非劣解集，也即所需要達到的目標(biāo)。

MPSO算法的流程圖如附圖2所示。

附圖2 MOPSO算法的流程圖

Attached Fig. 2 Flow chart of MPSO

[1] 郝飛, 袁貞, 袁志彬, 等. 離網(wǎng)型微電網(wǎng)穩(wěn)態(tài)功率控制策略研究與實踐[J]. 電力系統(tǒng)保護與控制, 2020, 48(22): 173-179.

HAO Fei, YUAN Zhen, YUAN Zhibin, et al. Research and practice on off-grid microgrid steady power control strategy[J]. Power System Protection and Control, 2020, 48(22): 173-179.

[2] 陳寒, 唐忠, 魯家陽, 等. 基于CVaR量化不確定性的微電網(wǎng)優(yōu)化調(diào)度研究[J]. 電力系統(tǒng)保護與控制, 2021, 49(5): 105-115.

CHEN Han, TANG Zhong, LU Jiayang, et al. Research on optimal dispatch of a microgrid based on CVaR quantitative uncertainty[J]. Power System Protection and Control, 2021, 49(5): 105-115.

[3] 唐程輝, 張凡, 張寧, 等. 考慮可再生能源隨機性和需求響應(yīng)的電力系統(tǒng)日前經(jīng)濟調(diào)度[J]. 電力系統(tǒng)自動化, 2019, 43(15): 18-25, 63.

TANG Chenghui, ZHANG Fan, ZHANG Ning, et al. Day-ahead economic dispatch of power system considering renewable power uncertainty and demand response[J]. Automation of Electric Power Systems, 2019, 43(15): 18-25, 63.

[4] NIKZAD M, SAMIMI A. Integration of designing price-based demand response models into a stochastic bi-level scheduling of multiple energy carrier microgrids considering energy storage systems[J]. Applied Energy, 2021, 282.

[5] TALARI S, SHAFIE-KHAH M, MAHMOUDI N, et al. Optimal management of demand response aggregators considering customers' preferences within distribution networks[J]. IET Generation, Transmission & Distribution, 2020, 14(23): 5571-5579.

[6] 侯慧, 徐燾, 肖振鋒, 等. 計及可調(diào)控負荷的發(fā)用電一體化綜合優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2020, 44(11): 4294-4304.

HOU Hui, XU Tao, XIAO Zhenfeng, et al. Generation and load integrated optimal scheduling considering adjustable load[J]. Power System Technology, 2020, 44(11): 4294-4304.

[7] 向月, 劉俊勇, 魏震波, 等. 考慮可再生能源出力不確定性的微電網(wǎng)能量優(yōu)化魯棒模型[J]. 中國電機工程學(xué)報, 2014, 34(19): 3063-3072.

XIANG Yue, LIU Junyong, WEI Zhenbo, et al. Robust model of microgrid energy optimization with uncertain renewable energy sources[J]. Proceedings of the CSEE, 2014, 34(19): 3063-3072.

[8] 夏澍, 顧勁岳, 葛曉琳, 等. 風(fēng)光聯(lián)合優(yōu)化配置的多目標(biāo)機會約束規(guī)劃方法[J]. 電力系統(tǒng)保護與控制, 2016, 44(6): 35-40.

XIA Shu, GU Jinyue, GE Xiaolin, et al. Multiobjective chance-constrained programming method for wind generations and photovoltaic allocating[J]. Power System Protection and Control, 2016, 44(6): 35-40.

[9] 趙晶晶, 徐傳琳, 呂雪, 等. 微電網(wǎng)一次調(diào)頻備用容量與儲能優(yōu)化配置方法[J]. 中國電機工程學(xué)報, 2017, 37(15): 4324-4332.

ZHAO Jingjing, XU Chuanlin, Lü Xue, et al. Optimization of micro-grid primary frequency regulation reserve capacity and energy storage system[J]. Proceedings of the CSEE, 2017, 37(15): 4324-4332.

[10] 趙冬梅, 殷加玞. 考慮源荷雙側(cè)不確定性的模糊隨機機會約束優(yōu)先目標(biāo)規(guī)劃調(diào)度模型[J]. 電工技術(shù)學(xué)報, 2018, 33(5): 1076-1085.

ZHAO Dongmei, YIN Jiafu. Fuzzy random chance constrained preemptive goal programming scheduling model considering source-side and load-side uncertainty[J]. Transactions of China Electrotechnical Society, 2018, 33(5): 1076-1085.

[11] 劉一欣, 郭力, 王成山. 微電網(wǎng)兩階段魯棒優(yōu)化經(jīng)濟調(diào)度方法[J]. 中國電機工程學(xué)報, 2018, 38(14): 4013-4022.

LIU Yixin, GUO Li, WANG Chengshan. Economic dispatch of microgrid based on two stage robust optimization[J]. Proceedings of the CSEE, 2018, 38(14): 4013-4022.

[12] 楊茂, 王金鑫. 考慮可再生能源出力不確定的孤島型微電網(wǎng)優(yōu)化調(diào)度[J]. 中國電機工程學(xué)報, 2021, 41(3): 973-984.

YANG Mao, WANG Jinxin. Optimal scheduling of islanded microgrid considering uncertain output of renewable energy[J]. Proceedings of the CSEE, 2021, 41(3): 973-984.

[13] 文晶, 劉文穎, 謝昶, 等. 計及風(fēng)電消納效益的電力系統(tǒng)源荷協(xié)調(diào)二層優(yōu)化模型[J]. 電工技術(shù)學(xué)報, 2015, 30(8): 247-256.

WEN Jing, LIU Wenying, XIE Chang, et al. Source-load coordination optimal model considering wind power consumptive benefits based on bi-level programming[J]. Transactions of China Electrotechnical Society, 2015, 30(8): 247-256.

[14] MOHAMED F A, KOIVO H N. Microgrid online management and balancing using multiobjective optimization[C] // 2007 IEEE Lausanne Power Tech, July 1-5, 2007, Lausanne, Switzerland.

[15] LI J, NIU D, WU M, et al. Research on battery energy storage as backup power in the operation optimization of a regional integrated energy system[J]. Energies, 2018, 11(11).

[16] 歐陽庭輝, 查曉明, 秦亮, 等. 含核函數(shù)切換的風(fēng)電功率短期預(yù)測新方法[J]. 電力自動化設(shè)備, 2016, 36(9): 80-86.

OUYANG Tinghui, ZHA Xiaoming, QIN Liang, et al. Short-term wind power prediction based on kernel function switching[J]. Electric Power Automation Equipment, 2016, 36(9): 80-86.

[17] 王育飛, 付玉超, 薛花. 計及太陽輻射和混沌特征提取的光伏發(fā)電功率DMCS-WNN預(yù)測法[J]. 中國電機工程學(xué)報, 2019, 39(增刊1): 63-71.

WANG Yufei, FU Yuchao, XUE Hua. DMCS-WNN prediction method of photovoltaic power generation by considering solar radiation and chaotic feature extraction[J]. Proceedings of the CSEE, 2019, 39(S1): 63-71.

[18] O‘NEILL-CARRILLO E, HEYDT G T, KOSTELICH E J. Chaotic phenomena in power systems: detection and applications[J]. Electric Machines and Power Systems, 1999, 27(1): 79-91.

[19] FAN G, PENG L, HONG W. Short term load forecasting based on phase space reconstruction algorithm and bi-square kernel regression model[J]. Applied Energy, 2018, 224: 13-33.

[20] 靳果, 朱清智, 孟陽, 等. 基于多層極限學(xué)習(xí)機的電能質(zhì)量擾動多標(biāo)簽分類算法[J]. 電力系統(tǒng)保護與控制, 2020, 48(8): 96-105.

JIN Guo, ZHU Qingzhi, MENG Yang, et al. Power quality disturbances multi-label classification algorithm based on a multi-layer extreme learning machine[J]. Power System Protection and Control, 2020, 48(8): 96-105.

[21]?HOU H, XUE M Y, XU Y, et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load[J]. Applied Energy, 2020, 262.

[22] LOGENTHIRAN T, SRINIVASAN D, SHUN T Z. Demand side management in smart grid using heuristic optimization[J]. IEEE Transactions on Smart Grid, 2012, 3(3): 1244-1252.

[23] HUANG K Y, CHIN H C, HUANG Y C. A model reference adaptive control strategy for interruptible load management[J]. IEEE Transactions on Power Systems, 2004, 19(1): 683-689.

[24] 陸立民, 褚國偉, 張濤, 等. 基于改進多目標(biāo)粒子群算法的微電網(wǎng)儲能優(yōu)化配置[J]. 電力系統(tǒng)保護與控制, 2020, 48(15): 116-124.

LU Limin, ZHU Guowei, ZHANG Tao, et al. Optimal configuration of energy storage in a microgrid based on improved multi-objective particle swarm optimization[J]. Power System Protection and Control, 2020, 48(15): 116-124.

[25] HUANG Z, FANG B, DENG J. Multi-objective optimization strategy for distribution network considering V2G enabled electric vehicles in building integrated energy system[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 48-55.

[26] XU Y, ZHANG R, DONG Z Y, et al. Optimal placement of static compensators for multi-objective voltage stability enhancement of power systems[J]. IET Generation, Transmission & Distribution, 2015, 9(15): 2144-2151.

[27] 陳緯楠, 胡志堅, 岳菁鵬, 等. 基于長短期記憶網(wǎng)絡(luò)和LightGBM組合模型的短期負荷預(yù)測[J]. 電力系統(tǒng)自動化, 2021, 45(4): 91-97.

CHEN Weinan, HU Zhijian, YUE Jingpeng, et al. Short-term load prediction based on combined model of long-short-term memory network and light gradient boosting machine[J]. Automation of Electric Power Systems, 2021, 45(4): 91-97.

[28] HOU H, XUE M, XU Y, et al. Multiobjective joint economic dispatching of a microgrid with multiple distributed generation[J]. Energies, 2018, 11(12).

Two-stage economic day-ahead dispatch of an islanded microgrid considering uncertainty and demand response

HOU Hui1, 2, WANG Qing1, 2, XUE Mengya3, WU Xixiu1, 2, XIE Changjun1, 2, ZHANG Qingyong1, 2

(1. School of Automation, Wuhan University of Technology, Wuhan 430070, China; 2. Shenzhen Research Institute,Wuhan University of Technology, Shenzhen 518000, China; 3. Bengbu Power Supply Company,State Grid Anhui Electric Power Co., Ltd., Bengbu 233000, China)

An islanded microgrid has a great effect on ocean islands and remote areas, but the uncertainty of source and load has a negative impact on the stable operation of an islanded microgrid. To reduce the pressure of intra-day dispatch, a two-stage day-ahead dispatch model of an islanded microgrid is constructed. By applying chaotic phase space reconstruction, multi-objective particle swarm, data-driven and linear programming methods, the negative effects of wind curtailment and loss load caused by uncertainties can be reduced through flexible resource regulation. This can reduce the operational cost while giving consideration to the efficiency and reliability of the system. The first stage takes the lowest integrated operation cost of microgrid, the highest utilization rate of renewable energy and the smallest load loss rate of system as objectives, and establishes a multi-objective microgrid economic dispatch model taking into account demand response resources. In the second stage, considering wind curtailment and load loss occurring after the first stage, the dispatch model of consuming wind curtailment and the frequency modulation power dispatch model are constructed by applying an extreme learning machine and XGBoost. Finally, through the comparison of simulation cases, the results show that the enhancement of demand response to system efficiency is at the cost of increasing dispatch cost and reducing load reliability. In contrast, the proposed two-stage dispatch method not only reduces dispatch cost, but also gives consideration to system efficiency and load reliability. This provides a reference for an islanded microgrid for rural areas, islands, etc.

multi-objective economic dispatch; demand response; uncertainty of source and load; Pareto Front; XGBoost

10.19783/j.cnki.pspc.211406

國家自然科學(xué)基金項目資助(52177110)；深圳市科技計劃項目資助(JCYJ20210324131409026)

This work is supported by the National Natural Science Foundation of China (No. 52177110).

2021-10-19；

2022-01-05

侯 慧(1981—)，女，博士，副教授，研究方向為能源互聯(lián)網(wǎng)、電動汽車智能充電策略等；E-mail: husthou@ 126.com

王 晴(1998—)，女，碩士研究生，研究方向為能源互聯(lián)網(wǎng)。E-mail: wangqing1342@whut.edu.cn

(編輯 葛艷娜)