王寧，宋子洋，賈清泉

( 燕山大學(xué)電氣工程學(xué)院，河北 秦皇島 066004)

0 引言

風(fēng)電、光伏出力受天氣因素比較明顯［1］，具有隨機波動性，對微電網(wǎng)進行短期供電能力的預(yù)測評估日漸受到關(guān)注。供電能力( Power Supply Capacity，PSC) 是指電網(wǎng)在滿足系統(tǒng)運行功率約束和電壓約束條件下，能夠為負荷供給的最大功率［2］。隨著負荷增長、新能源發(fā)電占比的提高，同時風(fēng)電、光伏出力和負荷功率的變化都呈現(xiàn)出一定的規(guī)律性和不確定性，準確地對微電網(wǎng)短期供電能力進行預(yù)評估能夠為微電網(wǎng)的安全經(jīng)濟運行和優(yōu)化調(diào)度提供指導(dǎo)建議。

在針對電網(wǎng)供電能力研究領(lǐng)域，一些學(xué)者已有一些成果。在考慮電網(wǎng)發(fā)生故障的背景下，文獻［3］針對不同可靠性類型，提出了一種配電網(wǎng)孤島劃分方法。在船舶發(fā)生電力系統(tǒng)故障時，文獻［4］提出了一種考慮可靠性約束的船舶電力系統(tǒng)故障重構(gòu)迅速恢復(fù)供電策略。文獻［5］在對光伏、風(fēng)電出力隨機特性的研究基礎(chǔ)上，提出了一種蒙特卡羅時序模擬的微電網(wǎng)可靠性評價方法。文獻［6］通過定量分析DG 出力特性、微電網(wǎng)內(nèi)DG 總?cè)萘颗c負荷容量比、一次能源相關(guān)系數(shù)變化揭示了DG 出力對微電網(wǎng)可靠性的影響。文獻［7］采用序貫蒙特卡洛方法對風(fēng)-光-儲微網(wǎng)接入的配電網(wǎng)供電可靠性進行了定量分析。以上所述研究的都是在特定模式下微電網(wǎng)供電能力的計算，較少將不確定性因素考慮進微電網(wǎng)短期供電能力評價計算中。

對于微電網(wǎng)中不確定性因素的研究，通過分析配電網(wǎng)中DG 出力、負荷的不確定的特點，文獻［8］提出了一種基于有功網(wǎng)絡(luò)損耗期望值的多場景配電網(wǎng)重構(gòu)模型。文獻［9］提出了一種基于不確定場景的隨機優(yōu)化的日前運行策略。文獻［10］提出了一種計及不確定性因素的日調(diào)度計劃節(jié)能效益概率評估方法。文獻［11］提出了一種考慮光伏預(yù)測誤差不確定性的光儲容量優(yōu)化配置方法。文獻［12］提出了一種考慮風(fēng)電場有功功率的預(yù)測誤差概率分布模型。文獻［13］在分析DG出力不確定性的基礎(chǔ)上，提出一種非計劃孤島情況下的微電網(wǎng)可靠性評估方法。以上研究更多是從電網(wǎng)重構(gòu)、調(diào)度運行、優(yōu)化配置進行研究不確定性因素，對研究微電網(wǎng)短期供電能力受不確定因素的影響關(guān)注較少。

為了研究微電網(wǎng)的短期供電能力受可再生能源、負荷的不確定性因素的影響，文中提出了一種基于場景分析法的微電網(wǎng)短期供電能力評價方法。首先，在微電網(wǎng)中風(fēng)電、光伏、負荷功率預(yù)測值基礎(chǔ)上，對風(fēng)電、光伏、負荷預(yù)測誤差進行了分析;通過蒙特卡羅抽樣獲取微電網(wǎng)場景; 構(gòu)建了多個可用于量化供電能力的評價指標;最后，針對不同的場景進行了微電網(wǎng)供電能力的計算和相關(guān)評價分析，可為微電網(wǎng)系統(tǒng)的安全經(jīng)濟及運行調(diào)度提供了參考依據(jù)。

1 微電網(wǎng)不確定因素分析

1.1 微電網(wǎng)中風(fēng)電、光伏、負荷功率建模

微電網(wǎng)中的不確定因素即主要包括風(fēng)電、光伏、負荷。首先對風(fēng)電、光伏、負荷的功率進行確定性預(yù)測，進一步分析風(fēng)電、光伏、負荷的功率預(yù)測誤差概率分布，再通過蒙特卡羅抽樣模擬預(yù)測誤差，將抽樣所得預(yù)測誤差和確定性預(yù)測結(jié)果相加，最終獲得風(fēng)電、光伏、負荷可能出現(xiàn)的功率。

1.1.1 風(fēng)電、光伏、負荷功率的確定性預(yù)測

采用非參數(shù)自回歸方法［14］對風(fēng)電、光伏、負荷的功率進行預(yù)測。該方法能夠避免主觀因素的影響，將短期風(fēng)電、光伏、負荷的功率預(yù)測看作一個非線性時間序列預(yù)測問題，并從歷史數(shù)據(jù)本身出發(fā)直接挖掘風(fēng)電、光伏、負荷的功率變動的內(nèi)在隨機分布規(guī)律，保證了預(yù)測精度的客觀性。預(yù)測原理如圖1 所示。

圖1 基于非參數(shù)自回歸方法的預(yù)測模型Fig.1 Prediction model based on non-parametric autoregressive method

1.1.2 風(fēng)電、光伏、負荷的預(yù)測誤差分析

對于風(fēng)電功率預(yù)測誤差，通過預(yù)測值與實際值進行數(shù)據(jù)分析可得，文獻［15］認為正態(tài)分布函數(shù)能夠較好的擬合短期風(fēng)電功率預(yù)測誤差分布?？擅枋鰹?

式中δwt與風(fēng)力發(fā)電機組的最大輸出功率有關(guān)，文中取為最大輸出功率的4%［16］;Pwt，t為t時刻風(fēng)電出力預(yù)測值;Pwt，e為風(fēng)電最大輸出功率。

文獻［17］認為風(fēng)電功率預(yù)測誤差因不同風(fēng)速區(qū)間所服從的概率分布不同，［0，2.1］、［12.6，∞］的風(fēng)速區(qū)間可用“0 誤差”擬合; ( 2.1，5.1］風(fēng)速區(qū)間可用指數(shù)分布擬合;(5.1，9.8) 的風(fēng)速區(qū)間可用正態(tài)分布擬合;［9.8，12.6) 的風(fēng)速區(qū)間可用極值分布擬合。文中選用此方法來估計風(fēng)電出力預(yù)測誤差。

對于光伏功率預(yù)測誤差，文獻［18］考慮預(yù)測功率不同區(qū)段范圍內(nèi)誤差預(yù)測概率分布的差異性，采用高斯混合模型分別對不同功率區(qū)段內(nèi)預(yù)測誤差的概率分布進行擬合:

式中fi( ΔP) 為第i個功率區(qū)段功率預(yù)測誤差ΔP的概率密度函數(shù); ωk為第k個正態(tài)分布的權(quán)重系數(shù);為第k個正態(tài)分布的概率密度函數(shù); μk、分別為期望和方差，為高斯混合模型中的正態(tài)分布個數(shù)，當(dāng)m為1 時概率密度函數(shù)即為單一的正態(tài)分布模型。

考慮到光伏功率很大程度上受天氣狀態(tài)的影響，文獻［19］將預(yù)測誤差概率分布進行了分類，針對不同的天氣狀態(tài)研究光伏出力水平，發(fā)現(xiàn)不同天氣狀態(tài)下光伏出力預(yù)測誤差概率分布差別很大。文獻［20］指出正態(tài)分布函數(shù)在為晴天時能較好擬合光伏功率預(yù)測誤差，可描述為:

式中σpv與光伏預(yù)測功率成正比，即σpv=Ppv×β%，β%為標準差σpv占光伏預(yù)測功率的比例系數(shù)。對于除晴天以外類型天氣下的光伏功率預(yù)測誤差分別，采用基于非參數(shù)核函數(shù)估計方法建立誤差概率分布。因此文中借鑒該方法來估計風(fēng)電出力預(yù)測產(chǎn)生的誤差。

對于負荷功率預(yù)測誤差，通過對負荷功率預(yù)測結(jié)果統(tǒng)計分析可知，正態(tài)分布函數(shù)［19］可以較好的擬合負荷預(yù)測誤差分布，可描述為:

式中σL取負荷功率預(yù)測功率的γ% ，即σL= PL×γ%，γ% 為標準差σL占負荷預(yù)測功率的比例系數(shù)。

1.2 微電網(wǎng)場景的生成

模型在負荷、風(fēng)電、光伏的功率預(yù)測值的基礎(chǔ)上引入了誤差這樣的隨機變量，在獲得了微電網(wǎng)中風(fēng)光荷功率的預(yù)測誤差概率密度分布函數(shù)后，文中采用蒙特卡羅模擬法［20］將其轉(zhuǎn)為確定性誤差，通過多次抽樣得到預(yù)測誤差。然后將抽樣所得負荷、風(fēng)電、光伏的功率預(yù)測誤差與負荷、風(fēng)電、光伏的確定性功率預(yù)測值相加，便得到可能出現(xiàn)的微電網(wǎng)場景。微電網(wǎng)場景的生成流程圖如圖2 所示。

圖2 微電網(wǎng)場景生成流程圖Fig.2 Micro-grid scene generation flow chart

2 考慮不確定因素的微電網(wǎng)運行求解模型

2.1 微電網(wǎng)場景的供電能力計算

文中研究的是獨立型微電網(wǎng)系統(tǒng)，在考慮功率平衡約束、蓄電池運行約束、柴油發(fā)電機約束的條件下，以微電網(wǎng)能夠供給負荷電能最大為目標函數(shù)，進行微電網(wǎng)供電能力計算。用t(t∈Nd) 代表需要計算的每一個時段，Nd表示需要計算的總時段數(shù)。

2.1.1 目標函數(shù)

目標函數(shù)取為運行優(yōu)化總時段微電網(wǎng)供電電量最大。

式中Pi，t為第t時段微電網(wǎng)功率平衡條件下微電網(wǎng)供給負荷的功率; Δt為間隔時間。

2.1.2 約束條件

1) 微電網(wǎng)系統(tǒng)功率平衡約束。

式中Pwt，i，t、Ppv，i，t、PL，i，t、Pdis，i，t、Pch，i，t分比為第i個場景的第t時段微電網(wǎng)中風(fēng)電、光伏、負荷的功率以及儲能單元的放電、充電功率。

2) 蓄電池的約束條件。

式中Pch，t、Pdis，t對應(yīng)第t時段的充、放電功率;Pch，max、Pdis，max對應(yīng)最大充、放電功率;SOCmin、SOCmax對應(yīng)最小、最大荷電狀態(tài)。

3) 柴油發(fā)電機的約束條件。

式中Pdie，min、Pdie，max分別柴油發(fā)電機組的下限、上限運行功率;Ndie為柴油發(fā)電機的數(shù)量。

2.2 運行模型優(yōu)化求解

微電網(wǎng)的供電能力的供電電量為在滿足微電網(wǎng)運行約束條件下能夠為負荷提供的最大電量，文中采用的求解方法是首先將微電網(wǎng)場景中風(fēng)電、光伏、負荷功率合成凈負荷曲線［21］，然后再發(fā)揮儲能單元削峰填谷作用，以及柴油發(fā)電機補充不足功率來進行修正凈負荷曲線，從而來計算微電網(wǎng)的供電能力的供電電量。模型優(yōu)化求解流程如圖3 所示。

圖3 微電網(wǎng)供電能力優(yōu)化計算流程圖Fig.3 Flow chart of micro-grid power supply capacity optimization

3 微電網(wǎng)的供電能力評價

為了進一步量化不確定因素所產(chǎn)生的影響，在考慮生成多個微電網(wǎng)場景的背景下，引入了供電電量的期望值、供電電量的標準差、供電電量最大值、供電電量最小值、風(fēng)電對供電電量期望值的貢獻度、光伏對供電電量期望值的貢獻度、失負荷概率、棄風(fēng)棄光率等指標進行微電網(wǎng)短期供電能力評價。

3.1 微電網(wǎng)供電能力評價指標

1) 供電電量的期望值Eexp，單位為kW·h。

式中Nsce為總場景數(shù);Ei為第i個場景下微電網(wǎng)供應(yīng)的電能。

2) 供電電量的標準差V。

3) 供電電量最大值Emax，單位為kW·h。

4) 供電電量最小值Emin，單位為kW·h。

5) 風(fēng)電供電貢獻度α。

6) 光伏供電貢獻度β。

7) 失負荷概率Pshd，表征微電網(wǎng)發(fā)電功率小于負荷功率的概率。

式中pdp為微電網(wǎng)供電能力不足所對應(yīng)場景的發(fā)生概率。

8) 棄風(fēng)棄光率Pabn，表征微電網(wǎng)發(fā)電量大于負荷需求電量的概率。

式中pep為微電網(wǎng)供電過剩所對應(yīng)場景的發(fā)生概率。

3.2 微電網(wǎng)場景類型的確定

不同類型的微電網(wǎng)場景供電能力具有一定的差異。一般在晴天的微電網(wǎng)場景，光伏對負荷供電電量的貢獻度比陰天的微電網(wǎng)場景高。在多云天氣下的微電網(wǎng)供電電量的波動浮動比晴天大，雨天天氣下的微電網(wǎng)供電電量的波動浮動比陰天大。根據(jù)以上微電網(wǎng)場景的特征，運用供電能力指標組合對微電網(wǎng)場景進行分類，微電網(wǎng)場景類型的確定如表1 所示。

表1 微電網(wǎng)場景類型的確定Tab.1 Determination of micro-grid scenario types

通過表1 供電能力指標組合可以確定4 種微電網(wǎng)場景，根據(jù)不同組合可以唯一確定微電網(wǎng)場景類型，因此微電網(wǎng)場景的分類是相互獨立的。

3.3 微電網(wǎng)供電能力評估步驟

1) 采用非參數(shù)自回歸方法對負荷、風(fēng)電、光伏的功率進行確定性預(yù)測;

2) 建立微電網(wǎng)中風(fēng)電、光伏、負荷的功率誤差概率分布模型，應(yīng)用蒙特卡羅抽樣技術(shù)獲取預(yù)測誤差，再將預(yù)測誤差與風(fēng)電、光伏、負荷的確定性功率預(yù)測值相加，即得到微電網(wǎng)場景;

3) 針對生成的微電網(wǎng)場景進行供電能力運行優(yōu)化計算，求得微電網(wǎng)在每個場景下的供電能力評價指標;

4) 統(tǒng)計各個場景下微電網(wǎng)的供電能力評價指標，得到各評價指標綜合值。

微電網(wǎng)供電能力評價步驟如圖4 所示。

圖4 微電網(wǎng)供電能力評價步驟圖Fig.4 Step diagram of micro-grid power supply capacity evaluation

4 算例分析

4.1 系統(tǒng)概況

文中以某獨立型風(fēng)光柴儲微電網(wǎng)為研究對象，系統(tǒng)采用如下數(shù)據(jù):最大負荷為21 kW，單臺風(fēng)機額定輸出功率為4 kW，單個光伏電池模塊額定輸出功率為55 W，單個蓄電池組額定電量為2.4 kW·h、額定功率為2.4 kW，單臺柴油發(fā)電機為2 kW，設(shè)置儲能系統(tǒng)的初始荷電狀態(tài)為SOC(0)=0.5 ，儲能系統(tǒng)的最小荷電狀態(tài)為0.1，最大荷電狀態(tài)為1。該微電網(wǎng)的組成結(jié)構(gòu)如圖5 所示，系統(tǒng)容量的配置情況如表2 所示。

表2 獨立型風(fēng)光柴儲微電網(wǎng)容量配置Tab.2 Independent micro-grid capacity configuration containing wind-solar-diesel-battery

圖5 獨立型風(fēng)光柴蓄微電網(wǎng)系統(tǒng)結(jié)構(gòu)Fig.5 Structure of the independent micro-grid containing wind-solar-diesel-battery

4.2 微電網(wǎng)的短期供電能力評估

4.2.1 四種天氣狀況下的微電網(wǎng)供電能力評估

文中的原始數(shù)據(jù)為該微電網(wǎng)中2018 年7 月－2018 年8 月的風(fēng)電出力、光伏出力以及負荷功率，將微電網(wǎng)場景分為晴天、多云、陰天以及雨天［22］。選取前五十天的風(fēng)光荷功率數(shù)據(jù)作為微電網(wǎng)風(fēng)光荷功率預(yù)測的輸入數(shù)據(jù)，通過非參數(shù)自回歸方法可預(yù)測得到日前24 個時段的風(fēng)電、光伏、負荷功率。根據(jù)已建立的風(fēng)電、光伏、負荷功率預(yù)測誤差模型［23-25］，設(shè)置蒙特卡洛抽樣次數(shù)為1000，可抽樣得到1000 種隨機的風(fēng)電、光伏、負荷預(yù)測誤差，將抽樣所得預(yù)測誤差加上確定性預(yù)測風(fēng)光荷功率，便得到1000 種可能出現(xiàn)的微電網(wǎng)的風(fēng)光荷功率場景。通過對運行優(yōu)化模型的求解，統(tǒng)計并分析不同微電網(wǎng)場景供電電量，如圖6 ～圖9 所示。

圖6 晴天天氣下微電網(wǎng)的供電電量Fig.6 Power supply of microgrid in sunny weather

圖7 多云天氣下微電網(wǎng)的供電電量Fig.7 Power supply of micro-grid in cloudy weather

圖8 陰天天氣下微電網(wǎng)的供電電量Fig.8 Power supply of micro-grid in overcast weather

圖9 雨天天氣下微電網(wǎng)的供電電量Fig.9 Power supply of micro-grid in rainy weather

四種天氣類型的微電網(wǎng)場景供電能力的評價指標如表3 所示。

比較圖6 ～圖9 可得，晴天、陰天下微電網(wǎng)的供電電量在圖形上較為對稱，多云、雨天下微電網(wǎng)的供電電量在圖形上對稱不明顯。

四種天氣狀況下的微電網(wǎng)供電能力評估分析如下:

1) 隨著天氣狀況的不同，微電網(wǎng)的供電電量標準差差異明顯，根據(jù)表3 可以看出偏離程度從小到大依次排序為陰天、晴天、雨天、多云。即，陰天天氣狀況下微電網(wǎng)供電電量波動幅度小，多云天氣狀況下微電網(wǎng)供電電量波動幅度最大;

2) 不同天氣狀況下，風(fēng)電對微電網(wǎng)供電電量的貢獻度都能達到40%以上，雨天天氣下風(fēng)電貢獻度最大，陰天天氣下風(fēng)電貢獻度最低;

3) 不同天氣狀況下，光伏對微電網(wǎng)供電電量的貢獻度差異較大，晴天、多云天氣下光伏貢獻度較高，陰天、雨天天氣下光伏貢獻度較小;

4) 微電網(wǎng)系統(tǒng)的失負荷的概率為零，可見系統(tǒng)供電可靠性很高;

5)微電網(wǎng)系統(tǒng)在陰天、雨天狀況下棄風(fēng)棄光率比較小，在晴天、多云天氣狀況下棄風(fēng)棄光率保持著較低水平。

4.2.2 不考慮天氣狀況的微電網(wǎng)供電能力評估

當(dāng)不考慮天氣狀況時，采用文獻［15］和文獻［18］所述方法建立風(fēng)電、光伏功率預(yù)測誤差概率分布模型。針對日前微電網(wǎng)功率預(yù)測，通過蒙特卡羅抽樣法可得到1000 種可能出現(xiàn)的微電網(wǎng)的風(fēng)光荷功率場景。通過對運行優(yōu)化模型的求解，統(tǒng)計并分析不同微電網(wǎng)場景供電電量，同樣可以得到不考慮天氣狀況的微電網(wǎng)場景供電電量如圖10 ～圖13 所示，微電網(wǎng)場景供電能力的評價指標如表4 所示。

表4 四種微電網(wǎng)場景供電能力評價指標Tab.4 Evaluation index of power supply capacity of micro-grid under four kinds of weather conditions

圖10 類型1 微電網(wǎng)場景的供電電量Fig.10 Power supply of type 1 micro-grid scenario

圖11 類型2 微電網(wǎng)場景的供電電量Fig.11 Power supply of type 2 micro-grid scenario

圖12 類型3 微電網(wǎng)場景的供電電量Fig.12 Power supply of type 3 micro-grid scenario

圖13 類型4 微電網(wǎng)場景的供電電量Fig.13 Power supply of type 4 micro-grid scenario

4.2.3 考慮天氣狀況與不考慮天氣狀況的微電網(wǎng)供電能力評估的比較

比較圖6 ～圖9 和圖10 ～圖13 可得，不考慮天氣狀況下的微電網(wǎng)供電電量在圖形上差異較小。

比較表3 和表4 考慮天氣狀況與不考慮天氣狀況的微電網(wǎng)供電能力評估，可得在供電電量期望值、風(fēng)電對微電網(wǎng)供電電量貢獻度、光伏對微電網(wǎng)供電電量貢獻度、失負荷率、棄風(fēng)棄光率這五個評估指標方面比較相似，但是在供電電量標準差、供電電量最大值、供電電量最小值這三個評估指標上差異明顯。

不考慮天氣狀況的微電網(wǎng)場景供電電量標準差差異很小，不能反映出不同微電網(wǎng)場景供電能力差異性，而考慮天氣狀況的微電網(wǎng)場景供電能力區(qū)別明顯。同時考慮天氣狀況的微電網(wǎng)場景供電電量最大值比不考慮天氣狀況的微電網(wǎng)場景小，最小值比不考慮天氣狀況的微電網(wǎng)場景大，因此考慮天氣狀況的微電網(wǎng)在運行調(diào)度方面會更有優(yōu)勢。

綜上兩種方法的比較可以知道，文中所提出的方法能夠更加確定地反映出不同天氣狀況下的微電網(wǎng)場景的供電能力。

4.3 增加儲能容量提高微電網(wǎng)供電能力

根據(jù)表3，在晴天、多云天氣下微電網(wǎng)的棄風(fēng)棄光率為11.3%、12.1%，可知棄風(fēng)棄光率比較高; 相比而言陰天、雨天天氣下微電網(wǎng)的棄風(fēng)棄光率分比為3.4%、3.9%，棄風(fēng)棄光率保持著較低水平。因此提出用增加儲能容量來吸收棄風(fēng)棄光量以降低微電網(wǎng)系統(tǒng)的棄風(fēng)棄光率。

以一定步長地增加儲能容量，微電網(wǎng)系統(tǒng)的供電電量期望值如圖14 所示，棄風(fēng)棄光率的變化如表5 所示。

表5 棄風(fēng)棄光率的變化Tab.5 Variation of abandoned wind and light

圖14 儲能增加引起的的Eexp 變化Fig.14 Change of Eexp brought by increasing energy storage

由圖14 可看出，供電電量的期望值Eexp在18 點－20 點隨著儲能容量的增加供電電量明顯增加。由表5可以看出，棄風(fēng)棄光率隨著儲能容量的增加逐漸減小。可見，增加的儲能能夠明顯提升微電網(wǎng)供電能力，減少了棄風(fēng)棄光量。

5 結(jié)束語

文中以風(fēng)光儲柴獨立型微電網(wǎng)為研究對象。建立了考慮風(fēng)電、光伏、負荷不確定性的微電網(wǎng)短期供電能力評價模型。分析了風(fēng)電、光伏、負荷預(yù)測誤差概率模型，運用蒙特卡羅方法進行抽樣模擬，并將其與基于自回歸非參數(shù)方法所預(yù)測的結(jié)果相結(jié)合構(gòu)建微電網(wǎng)場景。通過對多個場景供電能力的計算與統(tǒng)計分析，運用供電能力指標組合方法能夠直觀地將不同場景進行區(qū)分，展現(xiàn)出不同微電網(wǎng)場景的供電能力特點。

文中給出了一系列微電網(wǎng)供電能力評價指標，從供電電量期望值、供電電量離散程度、最大供電電量、最小供電電量等多個角度對微電網(wǎng)短期供電能力進行了量化評價。

算例結(jié)果表明: 文中所建立的考慮不確定性因素的微電網(wǎng)短期供電能力評價方法，能夠準確地將微電網(wǎng)場景區(qū)分為不同天氣類型，同時展現(xiàn)了不同天氣類型下微電網(wǎng)短期供電能力所特有的特征; 增加儲能可有效地提升微電網(wǎng)供電能力，減少了棄風(fēng)棄光量。