收稿日期：2023-02-17

基金項目：國家電網(wǎng)有限公司科技項目（5100-202113564A-0-5-SF）

通信作者：丁孝華（1974—），男，碩士、正高級工程師，主要從事配電自動化、電網(wǎng)規(guī)劃與設(shè)計、源網(wǎng)荷儲協(xié)調(diào)控制等方面的研究。

dingxiaohua@sgepri.sgcc.com.cn

DOI：10.19912/j.0254-0096.tynxb.2023-0159 文章編號：0254-0096（2024）05-0289-08

摘 要：考慮區(qū)域微能源網(wǎng)中風(fēng)、光出力與負(fù)荷功率的不確定性，提出一種針對新能源消納的區(qū)域微能源網(wǎng)分層協(xié)調(diào)優(yōu)化方法。首先，考慮相關(guān)性引入正態(tài)Copula函數(shù)建立各隨機變量聯(lián)合分布關(guān)系，并計及預(yù)測誤差，建立不確定性典型場景。然后，考慮棄風(fēng)棄光的損失，以微能源網(wǎng)運行成本最小為目標(biāo)建立分層協(xié)調(diào)優(yōu)化模型。該模型的上層為微能源網(wǎng)群靈活性資源的協(xié)調(diào)消納優(yōu)化，下層為微能源網(wǎng)內(nèi)部的消納優(yōu)化。采用基于目標(biāo)級聯(lián)分析的分層優(yōu)化方法迭代求解，得到區(qū)域微能源網(wǎng)分層協(xié)調(diào)優(yōu)化策略。最后，以某實例微能源網(wǎng)群為例進(jìn)行驗證，表明所提方法提高了區(qū)域電網(wǎng)的新能源消納率。

關(guān)鍵詞：微能源網(wǎng)；新能源；消納；分層協(xié)調(diào)優(yōu)化

中圖分類號：TK01+9"""""" """ """"""""""""""""文獻(xiàn)標(biāo)志碼：A

0 引 言

傳統(tǒng)化石燃料帶來嚴(yán)峻的環(huán)境污染難題，為了實現(xiàn)能源清潔高效利用、減小污染難題，清潔能源接入系統(tǒng)的規(guī)模逐漸加大［1］。風(fēng)電站和光伏電站作為分布式電源的重要組成部分給微能源網(wǎng)經(jīng)濟運行方面帶來很大幫助［2］，但由于新能源接入系統(tǒng)具有波動性和不確定性［3］，給微能源網(wǎng)的穩(wěn)定運行帶來極大的挑戰(zhàn)［4］，且往往無法對其充分利用，發(fā)生棄風(fēng)、棄光現(xiàn)象［5］。因此，重點研究風(fēng)光消納能力提升的方法對微能源網(wǎng)經(jīng)濟優(yōu)化運行具有十分重要的作用［6］。

考慮電、熱、氣、冷等多種能源耦合轉(zhuǎn)換［7］、協(xié)同運行的特點［8］，微能源網(wǎng)能實現(xiàn)經(jīng)濟優(yōu)化運行［9］，在提高風(fēng)光消納能力［10］、節(jié)能減排［11］以及提高系統(tǒng)運行經(jīng)濟性［12］方面都有很大的優(yōu)勢。

國內(nèi)外學(xué)者對微能源網(wǎng)的優(yōu)化問題已有較多的研究。文獻(xiàn)［13］以微能源網(wǎng)的系統(tǒng)收益最大和風(fēng)電接入系統(tǒng)所帶來的波動最小為目標(biāo)，來應(yīng)對隨機變量不確定性因素，給出經(jīng)濟優(yōu)化運行方案；文獻(xiàn)［14］著重考慮碳排放與負(fù)荷側(cè)需求是否滿足的指標(biāo)，以最小化系統(tǒng)年度總成本為目標(biāo)來提出不同的運行策略進(jìn)行分析；文獻(xiàn)［15］為降低系統(tǒng)總體的投資效率、降低成本，在系統(tǒng)長期規(guī)劃設(shè)計中考慮近期運行靈活性因素，建立減小能源損失率和成本的優(yōu)化目標(biāo)，提出相應(yīng)的運行方法。上述研究有一個普遍的特點，均在能源利用率、系統(tǒng)運行成本上考慮較為全面，但都只是單個微網(wǎng)的優(yōu)化，微能源網(wǎng)群的群間協(xié)調(diào)優(yōu)化同樣十分重要，若忽略這一點必定會使后續(xù)系統(tǒng)的優(yōu)化運行喪失適用性。

風(fēng)光等新能源接入系統(tǒng)帶來很大的不確定性，在系統(tǒng)優(yōu)化問題上已有很多解決方法［16］。文獻(xiàn)［17］通過研究多能源系統(tǒng)的能源耦合關(guān)系，運用能源集線器模型來分析，重點通過模型來分析不確定性，同時減小多能系統(tǒng)優(yōu)化求解的計算量；文獻(xiàn)［18］采用風(fēng)光出力場景來體現(xiàn)不確定性，但其僅僅采用獨立邊緣概率分布來進(jìn)行采樣，缺少對風(fēng)速、光伏之間相關(guān)性的考慮；文獻(xiàn)［19］不僅重點考慮能源需求的不確定性，且考慮各種變量的相關(guān)性，將這些不確定因素考慮在優(yōu)化問題中；文獻(xiàn)［20］采用核密度估計法計算風(fēng)光邊緣概率分布，并考慮隨機變量間相關(guān)性生成風(fēng)光出力場景。上述研究中都考慮系統(tǒng)的不確定性，但只是考慮隨機變量相關(guān)性的場景生成方法，而忽略對場景生成誤差的處理，在場景構(gòu)建時考慮隨機變量隨機誤差對實現(xiàn)微能源網(wǎng)優(yōu)化運行至關(guān)重要。

在此背景下，基于隨機變量不確定性特點分析提出一種微能源網(wǎng)分層協(xié)調(diào)優(yōu)化方法。首先，分析微能源網(wǎng)中各隨機變量的不確定性，并對風(fēng)速、光照、負(fù)荷分別建立其概率分布模型；然后，考慮隨機變量之間的相關(guān)性，計及預(yù)測誤差生成微能源網(wǎng)典型運行場景使得場景構(gòu)建更加精確；最后，以微能源網(wǎng)運行成本最小為目標(biāo)建立分層協(xié)調(diào)優(yōu)化模型，上層為微能源網(wǎng)群靈活性資源的協(xié)調(diào)優(yōu)化，下層為微能源網(wǎng)內(nèi)部的優(yōu)化，采用基于目標(biāo)級聯(lián)分析的分層優(yōu)化方法迭代求解，并以某區(qū)域為例驗證所提方法的經(jīng)濟性與可行性。

1 區(qū)域微能源網(wǎng)模型構(gòu)建

1.1 區(qū)域微能源網(wǎng)物理框架模型

微能源網(wǎng)可實現(xiàn)多種能源之間的轉(zhuǎn)換、耦合與協(xié)同運行，在能源的傳遞、存儲和調(diào)配環(huán)節(jié)中，將能源提供給能源用戶，或與上級能源網(wǎng)絡(luò)以一定的價格進(jìn)行能源交易。文中所建立的區(qū)域微能源網(wǎng)系統(tǒng)包含多種供應(yīng)能源、轉(zhuǎn)換能量與儲存能源的設(shè)備，供應(yīng)能源的設(shè)備由風(fēng)力發(fā)電、光伏發(fā)電和地?zé)崮?，能量轉(zhuǎn)換設(shè)備包含冷、熱、電三聯(lián)供系統(tǒng)（combined cooling-heating-power system， CCHP）、電制冷機等，并加入蓄電池、儲氣罐和儲熱、蓄冷等儲能裝置［21］。

圖1所示的微能源網(wǎng)的物理架構(gòu)圖可直觀地看出電、熱、冷、氣4種能源之間的能量轉(zhuǎn)換關(guān)系與能量流動方向，風(fēng)能、太陽能和地?zé)崮艿惹鍧嵞茉醋鳛榉植际侥茉唇尤胛⒛茉淳W(wǎng)，可極大地提高能源的利用效率和清潔能源的消納能力，實現(xiàn)微能源網(wǎng)的清潔、低碳、高效運行。

1.2 區(qū)域微能源網(wǎng)數(shù)學(xué)模型

1.2.1 儲能模型

[EXS=E-XS+ηstorePstore-Preleaseηrelease?t]""""" （1）

式中：[EXS]、[E-XS]——儲能裝置當(dāng)前時刻儲能量與過去時刻儲能量，kJ；[ηstore、][ηrelease]——存儲效率、釋放效率；[Pstore、][Prelease]——存儲功率、釋放功率，kW。

1.2.2 可控負(fù)荷模型

考慮的可控負(fù)荷模型為：

[PL，t=PcL，t+PucL，t]""""" （2）

[PcL=Pmcutμm1，t+（-1）dPmtranμm2，t]"""" （3）

式中：[PL，t]、[PcL，t]、[PucL，t]——[t]時刻總負(fù)荷量、可控負(fù)荷量和不可控負(fù)荷量，kW；[Pmcut]——微能源網(wǎng)中削減[m]類能源量，kW；[Pmtran]——微能源網(wǎng)中轉(zhuǎn)移[m]類能源量，kW；[μm1，t]、[μm2，t]——0-1變量，表示負(fù)荷削減和轉(zhuǎn)移狀態(tài)，值為1表示有削減和轉(zhuǎn)移，值為0表示無削減和轉(zhuǎn)移；[d=1]時表示有負(fù)荷消納，d=2時表示有負(fù)荷削減。

用可控負(fù)荷參與度[λ]來表示可控負(fù)荷參與新能源消納的能力：

[λ=PL.t-PcL，tPcL，t]"""" （4）

1.3 區(qū)域微能源網(wǎng)群調(diào)度框架

多能源微網(wǎng)群主要依賴于各微網(wǎng)之間的能量交互，通過與其他多能源微網(wǎng)的能量交互，滿足自身能量平衡，保證整體系統(tǒng)的穩(wěn)定性。整個能源系統(tǒng)具有供能可靠性高、抗故障能力強的特點。微能源網(wǎng)群調(diào)度方法用框架圖可簡單表示，通過能源站將多個微能源網(wǎng)相互連接，每個多能源微網(wǎng)之間無能量與信息交換，直接與集群系統(tǒng)的能源站連接，其基本結(jié)構(gòu)如圖2所示。

通過微能源網(wǎng)的橋梁作用，電網(wǎng)與天然氣網(wǎng)之間的聯(lián)系更加密切，共同為整個系統(tǒng)提供冷、熱、電、氣等多種能源。各微能源系統(tǒng)正常運行時，以自身運行目標(biāo)對運行策略進(jìn)行優(yōu)化選取，當(dāng)自身運行目標(biāo)無法滿足，上報自身的能量需求至能源站，直接從主干網(wǎng)進(jìn)行能量購入，具有控制方便、信息流簡單、整體經(jīng)濟好的優(yōu)點。

2 微能源網(wǎng)不確定性場景構(gòu)建

微能源網(wǎng)不確定場景構(gòu)建需對多維隨機變量進(jìn)行建模，需考慮隨機變量的邊緣概率分布、隨機變量之間的相關(guān)性與隨機誤差3方面的因素。

2.1 不確定性分析

微能源網(wǎng)運行的穩(wěn)定性至關(guān)重要，考慮其不確定性因素是使系統(tǒng)穩(wěn)定、優(yōu)化運行出力準(zhǔn)確的關(guān)鍵。微能源網(wǎng)中的不確定因素大致可分為2類：可再生能源出力不確定性與負(fù)荷功率不確定性。微能源網(wǎng)中不確定性的隨機變量描述具有多樣性。

風(fēng)力機的輸出功率與風(fēng)速大小有著密切的關(guān)系，采用Weibull雙參數(shù)分布曲線描述風(fēng)速；光伏的輸出功率與太陽輻照度有著密切的關(guān)系，采用Beta分布來描述太陽輻照度的分布情況；采用正態(tài)分布能較好地表示一段時間內(nèi)的負(fù)荷分布情況，其分布參數(shù)受地域氣候的影響。

2.2 場景構(gòu)建方法

基于2.1節(jié)風(fēng)速、光照和負(fù)荷的不確定性分析得到其各自的概率密度函數(shù)，接著進(jìn)行場景構(gòu)建，通過采樣可得到符合概率分布特點的樣本集合。由于微能源網(wǎng)中包含多種不確定性因素，而這些隨機變量之間具有相關(guān)性，因此，為了更準(zhǔn)確的場景構(gòu)建，選用以下兩種秩相關(guān)系數(shù)來衡量各隨機變量之間的相關(guān)性。

其中，Pearson相關(guān)系數(shù)的計算方法為：

[rPxi，xj=covxi，xjσ（xi）σ（xj）-1]"" （5）

式中：[rPxi，xj]——Pearson相關(guān)系數(shù)；[covxi，xj]——隨機變量間的協(xié)方差；[xi]——第[i]個隨機變量。

Pearson相關(guān)系數(shù)為樣本服從正態(tài)分布時Spearman相關(guān)系數(shù)的特殊表達(dá)，Spearman相關(guān)系數(shù)與其Pearson相關(guān)系數(shù)有以下關(guān)系：

[rP=2sinΠ6rs]"""""" （6）

式中：[rs]——Spearman相關(guān)系數(shù)。

由上述相關(guān)系數(shù)的計算方法，通過采樣可得到隨機變量矩陣[Un×1]。

根據(jù)斯科拉定理所描述的聯(lián)系函數(shù)的理論基礎(chǔ)，可知道聯(lián)系函數(shù)的引入并不會改變原有概率分布的相關(guān)性，得到各隨機變量正態(tài)函數(shù)及其聯(lián)系函數(shù)的聯(lián)合概率分布之間的關(guān)系為：

[Cv1，…，vn;R=?nu1，…，un]"""""" （7）

式中：[vi、][ui]——互相獨立的隨機變量（[i=1，…，n]）；[R]——隨機變量的Pearson秩相關(guān)系數(shù)矩陣；[?n]——[n]維的標(biāo)準(zhǔn)正態(tài)分布函數(shù)。

根據(jù)上述引入正態(tài)Copula聯(lián)系函數(shù)來建立各隨機變量的邊緣聯(lián)合分布函數(shù)，通過采樣得到樣本矩陣[χn×m]，此樣本矩陣保留有隨機變量相關(guān)性等原本的特點。

為得到具有代表性的運行場景，需對采樣得到的大量場景進(jìn)行場景縮減，K-均值聚類方法為一種常用的場景縮減方法，基本思想為每個聚類中心代表對應(yīng)的典型場景，最終生成[S]個場景。而上述場景是不考慮隨機誤差存在的結(jié)果，為更精準(zhǔn)地實現(xiàn)場景構(gòu)建，采用以下方法進(jìn)行出力修正。

中心極限定理是統(tǒng)計學(xué)應(yīng)用于隨機誤差分布應(yīng)用十分廣泛的定理，指在自然界與生產(chǎn)中，一些現(xiàn)象受到許多相互獨立的隨機因素的影響，如果每個因素所產(chǎn)生的影響都很微小時，總的影響可看作是服從正態(tài)分布的。預(yù)測誤差服從正態(tài)分布，其t時刻概率密度函數(shù)為：

[fΔPi，t=12πσi，te-ΔPi，t-μi，t22σi，t2]"""" （8）

式中：[ΔPi，t]——風(fēng)力發(fā)電預(yù)測誤差；[σi，t、μi，t]——風(fēng)力、光伏發(fā)電和負(fù)荷值預(yù)測誤差的標(biāo)準(zhǔn)差和均值。

同樣對預(yù)測誤差概率分布隨機采樣生成S個場景，最終風(fēng)光負(fù)荷場景值需用式（9）修正計算。

[P′i，t=Pi，t+ΔPi，t]"""""" （9）

式中：[P′i，t]——修正后的場景出力大?。籟Pi，t]——修正前的場景出力大??；[i]——風(fēng)電、光伏和負(fù)荷。

3 區(qū)域微能源網(wǎng)分層協(xié)調(diào)優(yōu)化模型

根據(jù)微能源網(wǎng)內(nèi)清潔能源出力與負(fù)荷功率的不確定性分析，將區(qū)域微能源網(wǎng)對清潔能源的消納分為2層，上層是微能源網(wǎng)群的協(xié)調(diào)優(yōu)化，下層是單個微能源網(wǎng)內(nèi)部的消納優(yōu)化。

3.1 上層優(yōu)化模型

3.1.1 目標(biāo)函數(shù)

上層消納優(yōu)化以區(qū)域內(nèi)微能源網(wǎng)群全天運行成本最小為目標(biāo)，成本函數(shù)包括能源交互成本、儲能成本、設(shè)備運行成本、可控負(fù)荷調(diào)節(jié)成本等。

[minC1=365s=1Sπ（s）n=1Nt=124（Csn，EI，t+Csn，SE，t+Csn，OM，t+Csn，CL，t）]"" （10）

[CsEI，t=m=1Mgsm（Psin，m-Psout，m）]" （11）

[CsSE，t=m=1MRsm（Psm，ch，t+Psm，dis，t）]"" （12）

[CsOM，t=m=1MRsCCHPPsm，CCHP，t+RsHPPsm，HP，t+RsEMPsm，EM，t]" （13）

[CsCL，t=m=1MPscl，m，tgscl，m]"""" （14）

式中：[π（s）]——場景[s]出現(xiàn)的概率；[N]——微能源網(wǎng)數(shù)量；[M]——能源種類，[M={e，g，h，c}]；[CsEI，t]、[CsSE，t]、[CsOM，t]、[CsCL，t]——微能源網(wǎng)之間的能源交互成本、儲能成本、設(shè)備運行成本、可控負(fù)荷調(diào)節(jié)成本，元；[gsm]——第m種能源的交易成本，元；[Psin，m、][Psout，m]——第m種能源輸入量和輸出量，kW；[Rsm]——第[m]種儲能設(shè)備運行維護(hù)系數(shù)；[Psm，ch，t、][Psm，dis，t]——第m種能源充放功率，kW；[PsCCHP，t]、[PsHP，t]、[PsEM，t]——CCHP系統(tǒng)、地源熱泵、電制冷機設(shè)備運行功率，kW；[RsCCHP]、[RsHP]、[RsEM]——CCHP系統(tǒng)、地源熱泵、電制冷機設(shè)備運行成本系數(shù)；[Pscl，m，t]——第[m]種可控負(fù)荷參與調(diào)節(jié)量；[gscl，m]——第[m]種可控負(fù)荷參與調(diào)節(jié)補償費用系數(shù)。

3.1.2 約束條件

1）儲能及設(shè)備約束

[Psm，ch，min≤Psm，ch≤Psm，ch，maxPsm，dis，min≤Psm，dis≤Psm，dis，maxPsi，min≤Psi，t≤Psi，max]"""" （15）

式中：[Psm，ch，max]、[Psm，ch，min]——第[m]種能源的儲能上下限，kW；[Psm，dis，max]、[Psm，dis，min]——第[m]種能源的放能上下限，kW；[Psi，max]、[Psi，min]——第[i]種設(shè)備出力的上下限，kW。

2）可控負(fù)荷約束

[PsL，m，min≤Pscl，m≤PsL，m，max]""""" （16）

式中：[PsL，m，min]、[PsL，m，max]——第[m]種能源的最小、最大負(fù)荷功率，kW。

3.2 下層優(yōu)化模型

3.2.1 目標(biāo)函數(shù)

下層消納優(yōu)化以單個微能源網(wǎng)內(nèi)部全天運行成本最小為目標(biāo)，成本函數(shù)包括購能成本、設(shè)備運行成本、棄風(fēng)棄光懲罰成本等。

[minC2=365s=1Sπ（s）t=124（CsBUY，t+CsOP，t+CsP，t）]"""""" （17）

[CsBUY，t=Pse，tgse，t+Psg，tgsg，t]"" （18）

[CsOP，t=RsCCHPPsCCHP，t+RsHPPsHP，t+RsEMPsEM，t+RsESPsES，t+""""""""""""""""""""" RsGSPsGS，t+RsHSPsHS，t+RsCSPsCS，t]"" （19）

[CsP，t=cp（Ps，0WT，t+Ps，0PV，t）]"""" （20）

式中：[CsBUY，t]——微能源網(wǎng)第[s]個場景中購能成本，元；[CsOP，t]——設(shè)備運行成本，元；[CsP，t]——棄風(fēng)、棄光懲罰成本，元；[Pse，t]、[Psg，t]——購電量和購氣量，kW；[gse，t]、[gsg，t]——分時電價和氣價，元；[PsCCHP，t]、[PsHP，t]、[PsEM，t]、[PsES，t]、[PsGS，t]、[PsHS，t]、[PsCS，t]——CCHP系統(tǒng)、地源熱泵、電制冷機、儲電、儲氣、儲熱、蓄冷設(shè)備運行功率，kW；[RsCCHP]、[RsHP]、[RsEM]、[RsES]、[RsGS]、[RsHS]、[RsCS]——CCHP系統(tǒng)、地源熱泵、電制冷機、儲電、儲氣、儲熱、蓄冷設(shè)備運行成本系數(shù)；[cp]——棄風(fēng)、棄光懲罰系數(shù)；[Ps，0WT，t]、[Ps，0PV，t]——棄風(fēng)、棄光量，MW。

3.2.2 約束條件

1）風(fēng)、光、地?zé)岢隽s束

[0≤PsWT，t≤PsWT，max0≤PsPV，t≤PsPV，max0≤PsSH，t≤PsSH，max]"" （21）

式中：[PsWT，max]、[PsPV，max]、[PsSH，max]——風(fēng)電、光伏、地?zé)嶙畲蟪隽?，kW。

2）機組出力上下限約束

[PsCCHP，min≤PsCCHP，t≤PsCCHP，maxPsHP，min≤PsHP，t≤PsHP，maxPsEM，min≤PsEM，t≤PsEM，maxPsES，min≤PsES，t≤PsES，maxPsGS，min≤PsGS，t≤PsGS，maxPsHS，min≤PsHS，t≤PsHS，maxPsCS，min≤PsCS，t≤PsCS，max]"""" （22）

式中：[PsCCHP，max]、[PsCCHP，min]——CCHP的出力運行上下限；[PsHP，max、][PsHP，min]——地源熱泵的出力運行上下限；[PsEM，max、][PsEM，min]——電制冷機的出力運行上下限；[PsES，max、][PsES，min]——蓄電池的儲電上下限；[PsGS，max、][PsGS，min]——儲氣罐的儲氣上下限；[PsHS，max、][PsHS，min]——儲熱裝置的儲熱上下限；[PsCS，max、][PsCS，min]——蓄冷裝置的蓄冷上下限，kW。

3）功率平衡約束

[PsE=Pse，t+PsWT，t+PsPV，t+ηeCCHPPsCCHP，t+Pse，dis，t-Pse，ch，tPsG=Psg，t-PsCCHP，t+Psg，dis，t-Psg，ch，tPsH=PsHP，t+ηhCCHPPsCCHP，t+Psh，dis，t-Psh，ch，tPsc=ηcCCHPPsCCHP，t+ηcEMPsE+Psc，dis，t-Psc，ch，t]"" （23）

式中：[ηeCCHP]、[ηhCCHP]、[ηcCCHP]、[ηcEM]——CCHP的電、熱、冷轉(zhuǎn)換系數(shù)，電制冷系數(shù)；[Pse，dis，t]、[Pse，ch，t]——放電、儲電功率；[Psg，dis，t]、[Psg，ch，t]——放氣、儲氣功率；[Psh，dis，t]、[Psh，ch，t]——放熱、儲熱功率；[Psc，dis，t][Psc，ch，t]——放冷、蓄冷功率，kW。

3.3 求解方法

上下層目標(biāo)函數(shù)各自優(yōu)化主體不一致，且具有相互影響的特點，因此，采用基于目標(biāo)級聯(lián)分析的分層優(yōu)化方法［22］進(jìn)行求解，采用罰函數(shù)的方法將約束條件變?yōu)槟繕?biāo)函數(shù)的一部分，然后通過罰函數(shù)乘子迭代更新，得到最優(yōu)結(jié)果。加入拉格朗日形式后罰函數(shù)的目標(biāo)函數(shù)如式（24）所示。

上層微能源網(wǎng)群的目標(biāo)函數(shù)：

[minC1+n=1Nt=124λTn，ts°（Pun，t-Pln，t）+ωn，t°s°（Pun，t-Pln，t）22]"""""""""""""""""" （24）

上層第n個微能源網(wǎng)的目標(biāo)函數(shù)：

[minC2+t=124λTn，tsn°（Pun，t-Pln，t）+ωn，t°sn°（Pun，t-Pln，t）22]"""""""""""""""" （25）

式中：[λn，t]、[ωn，t]——[t]時刻的懲罰乘子；[s=[s（1），s（2），s（3）]T]——縮放因子；符號[°]——哈達(dá)瑪積；[Pun，t]、[Pln，t]——第[n]個微能源網(wǎng)的計劃交互功率和第[n]個微能源網(wǎng)優(yōu)化后傳遞給上層系統(tǒng)的交互功率；[·22]——范數(shù)的平方；[sn=[sn（1），sn（2），sn（3）]T]——第[n]個微能源網(wǎng)的縮放因子；[Pln，t]、[Pun，t]——第[n]個微能源網(wǎng)的計劃交互功率和上層模型優(yōu)化后傳遞給下層第[n]個微能源網(wǎng)的交互功率。

求解流程如圖3所示。

上層目標(biāo)函數(shù)解決微能源網(wǎng)群協(xié)調(diào)優(yōu)化問題，并將求解所得交互功率傳遞給下層，下層目標(biāo)函數(shù)解決微能源網(wǎng)內(nèi)部優(yōu)化問題。

4 算例分析

4.1 算例介紹

選取某區(qū)域?qū)嶋H數(shù)據(jù)，綜合考慮微能源網(wǎng)中多種靈活性資源的協(xié)調(diào)轉(zhuǎn)化利用。其中，清潔能源有風(fēng)能、太陽能和地?zé)崮?，在多種清潔能源利用與多種能源相互轉(zhuǎn)化的微能源網(wǎng)架構(gòu)下，考慮風(fēng)光出力不確定性與負(fù)荷不確定因素，建立描述隨機變量不確定性的隨機變量概率模型。同時考慮可控負(fù)荷與儲能作為靈活性資源，運用分層協(xié)調(diào)優(yōu)化方法，得出最佳處理方案。算例使用設(shè)備參數(shù)信息如表1所示。

4.2 結(jié)果分析

4.2.1 場景生成結(jié)果分析

在微能源網(wǎng)的分層協(xié)調(diào)優(yōu)化中，考慮不同不確定性能源相關(guān)性與預(yù)測誤差是非常有必要的，如果不考慮多種不確定因素，得出風(fēng)光預(yù)測結(jié)果就會偏離實際。冬季天氣寒冷，太陽輻照度低時風(fēng)速較高，熱負(fù)荷為使用最多的負(fù)荷種類；而夏季天氣炎熱，太陽輻照度較強、風(fēng)速較低，使用不同種類負(fù)荷量會較冬季有很大不同。不同典型季節(jié)電熱不確定性概率分布各不相同，倘若不考慮不確定性因素，則會與實際有很大誤差。

考慮多種不確定因素之間的相關(guān)性進(jìn)行場景構(gòu)建，可根據(jù)各隨機變量的分布函數(shù)特點，分別對夏季太陽輻射度、風(fēng)速、電負(fù)荷進(jìn)行1000次采樣，考慮相關(guān)性與不考慮相關(guān)性的直接隨機生成的兩種結(jié)果對比如圖4所示。

從圖4可看出，圖4a為不考慮風(fēng)速、光伏與負(fù)荷的不確定因素之間的相關(guān)性，其數(shù)據(jù)分布較分散；圖4b為考慮風(fēng)速、光伏與負(fù)荷的不確定因素之間的相關(guān)性，其相關(guān)性通過聚集程度可直觀看出。通過場景縮減技術(shù)并疊加預(yù)測誤差后得到冬季、夏季典型場景如圖5、圖6所示。

選取考慮相關(guān)性的2個典型夏季與冬季預(yù)測場景如圖5、圖6所示，為后續(xù)微能源網(wǎng)群優(yōu)化運行提供場景支持。

4.2.2 分層優(yōu)化結(jié)果分析

為更直觀地分析考慮預(yù)測誤差的場景構(gòu)建方法對系統(tǒng)經(jīng)濟性影響，設(shè)置以下兩種分層調(diào)度方案進(jìn)行對比分析：

方案1：基于不考慮預(yù)測誤差的風(fēng)光負(fù)荷隨機場景生成法的分層協(xié)調(diào)優(yōu)化。

方案2：基于考慮預(yù)測誤差風(fēng)光隨機場景生成法的分層協(xié)調(diào)優(yōu)化。

基于4.1節(jié)的參數(shù)設(shè)置，通過分層調(diào)度方法計算，得出在不同場景下經(jīng)濟性對比如表2所示，棄風(fēng)棄光量如圖7所示。

由表2可清晰看出，方案1總成本與棄風(fēng)棄光懲罰成本都較方案2大。由圖7可得到，方案2的棄風(fēng)棄光量明顯少于方案1，所以方案2的棄風(fēng)棄光懲罰成本也明顯比方案1低。因此，考慮風(fēng)速、光伏與負(fù)荷的不確定因素之間的相關(guān)性與預(yù)測誤差可有效減少微能源網(wǎng)的棄風(fēng)棄光量與經(jīng)濟成本。綜上，基于風(fēng)光出力夏季與冬季典型場景下，考慮預(yù)測誤差因素進(jìn)而對微能源網(wǎng)群進(jìn)行分層優(yōu)化調(diào)度是非常有必要的。

4.2.3 分層協(xié)調(diào)優(yōu)化方法與集中式方法比較分析

采取分層優(yōu)化方法來提高微能源網(wǎng)中新能源發(fā)電棄風(fēng)、棄光量的同時可更精準(zhǔn)地減小經(jīng)濟成本，迭代曲線如圖8、圖9所示。

分層協(xié)調(diào)優(yōu)化方法與集中式優(yōu)化方法比較如表3所示。在考慮分層協(xié)調(diào)優(yōu)化時其成本與集中優(yōu)化算法成本誤差不高于0.3%，可看出分層協(xié)調(diào)優(yōu)化在保證精度的同時，提高了微能源網(wǎng)的經(jīng)濟性。

5 結(jié) 論

為實現(xiàn)區(qū)域微能源網(wǎng)的經(jīng)濟協(xié)調(diào)優(yōu)化，通過不確定性場景構(gòu)建技術(shù)對新能源和負(fù)荷進(jìn)行預(yù)測，提出一種基于考慮預(yù)測誤差場景生成方法的微能源網(wǎng)靈活性資源分層協(xié)調(diào)優(yōu)化方法，并以某區(qū)域為例驗證了方法的有效性。主要結(jié)論如下：

1）所采用的不確定性場景構(gòu)建技術(shù)考慮了新能源出力與負(fù)荷與相關(guān)性與預(yù)測誤差，增加了場景預(yù)測的精準(zhǔn)性。

2）將微能源網(wǎng)、儲能和可控負(fù)荷作為靈活性資源對微能源網(wǎng)進(jìn)行分層協(xié)調(diào)優(yōu)化，減少了風(fēng)力機和光伏發(fā)電的棄風(fēng)棄光量，降低了微能源網(wǎng)的經(jīng)濟成本。

［參考文獻(xiàn)］

［1］"""" 周京華， 孟祥飛， 陳亞愛， 等. 基于新能源發(fā)電的電解水制氫直流電源研究［J］. 太陽能學(xué)報， 2022， 43（6）： 389-397.

ZHOU J H， MENG X F， CHEN Y A， et al. Research on DC power supply for hydrogen production from electrolytic water based on new energy generation［J］. Acta energiae solaris sinica， 2022， 43（6）： 389-397.

［2］"""" 王永真， 康利改， 張靖， 等. 綜合能源系統(tǒng)的發(fā)展歷程、典型形態(tài)及未來趨勢［J］. 太陽能學(xué)報， 2021， 42（8）： 84-95.

WANG Y Z， KANG L G， ZHANG J， et al. Development history， typical form and future trend of integrated energy system［J］. Acta energiae solaris sinica， 2021， 42（8）： 84-95.

［3］"""" WU Y， LAU V K N， TSANG D H K， et al. Optimal energy scheduling for residential smart grid with centralized renewable energy source［J］. IEEE systems journal， 2014， 8（2）： 562-576.

［4］"""" WU H Y， SHAHIDEHPOUR M， ALABDULWAHAB A， et al. Demand response exchange in the stochastic day-ahead scheduling with variable renewable generation［J］. IEEE transactions on sustainable energy， 2015， 6（2）： 516-525.

［5］"""" 馬志俠， 張林鍹， 鄭興， 等. 基于PEMFC-P2G與風(fēng)光不確定的綜合能源系統(tǒng)優(yōu)化調(diào)度［J］. 太陽能學(xué)報， 2022， 43（6）： 441-447.

MA Z X， ZHANG L X， ZHENG X， et al. Optimal scheduling of integrated energy system based on PEMFC-P2G and inpact of wind power and photovoltaic uncertainty［J］. Acta energiae solaris sinica， 2022， 43（6）： 441-447.

［6］"""" MURTY V V S N， KUMAR A. Retraction note： multi-objective energy management in microgrids with hybrid energy sources and battery energy storage systems［J］. Protection and control of modern power systems， 2022， 7： 11.

［7］"""" 凌梓， 楊秀， 李莉華， 等. 含電轉(zhuǎn)氣多能系統(tǒng)的協(xié)調(diào)控制與優(yōu)化調(diào)度［J］. 太陽能學(xué)報， 2020， 41（12）： 9-17.

LING Z， YANG X， LI L H， et al. Coordinated control and optimal scheduling of multi energy systems with power-to-gas devices［J］. Acta energiae solaris sinica， 2020， 41（12）： 9-17.

［8］"""" 舒印彪， 張智剛， 郭劍波， 等. 新能源消納關(guān)鍵因素分析及解決措施研究［J］. 中國電機工程學(xué)報， 2017， 37（1）： 1-9.

SHU Y B， ZHANG Z G， GUO J B， et al. Study on key factors and solution of renewable energy accommodation［J］. Proceedings of the CSEE， 2017， 37（1）： 1-9.

［9］"""" 楊經(jīng)緯， 張寧， 王毅， 等. 面向可再生能源消納的多能源系統(tǒng)： 述評與展望［J］. 電力系統(tǒng)自動化， 2018， 42（4）： 11-24.

YANG J W， ZHANG N， WANG Y， et al. Multi-energy system towards renewable energy accommodation： review and prospect［J］. Automation of electric power systems， 2018， 42（4）： 11-24.

［10］""" 馬騰飛， 吳俊勇， 郝亮亮， 等. 基于能源集線器的微能源網(wǎng)能量流建模及優(yōu)化運行分析［J］. 電網(wǎng)技術(shù)， 2018， 42（1）： 179-186.

MA T F， WU J Y， HAO L L， et al. Energy flow modeling and optimal operation analysis of micro energy grid based on energy hub［J］. Power system technology， 2018， 42（1）： 179-186.

［11］""" 徐青山， 李淋， 蔡霽霖， 等. 考慮電能交互的冷熱電多微網(wǎng)系統(tǒng)日前優(yōu)化經(jīng)濟調(diào)度［J］. 電力系統(tǒng)自動化， 2018， 42（21）： 36-44.

XU Q S， LI L， CAI J L， et al. Day-ahead optimized economic"" dispatch"" of"" CCHP"" multi-microgrid"" system considering"" power""" interaction""" among""" microgrids［J］. Automation of electric power systems， 2018， 42（21）： 36-44.

［12］""" 董帥， 王成福， 徐士杰， 等. 計及網(wǎng)絡(luò)動態(tài)特性的電-氣-熱綜合能源系統(tǒng)日前優(yōu)化調(diào)度［J］. 電力系統(tǒng)自動化， 2018， 42（13）： 12-19.

DONG S， WANG C F， XU S J， et al. Day-ahead optimal scheduling of electricity-gas-heat integrated energy system considering dynamic characteristics of networks［J］. Automation of electric power systems， 2018， 42（13）： 12-19.

［13］""" 王博， 詹紅霞， 張勇， 等. 考慮風(fēng)電不確定性的風(fēng)蓄火聯(lián)合優(yōu)化經(jīng)濟調(diào)度研究［J］. 電力工程技術(shù)， 2022， 41（1）： 93-100.

WANG B， ZHAN H X， ZHANG Y， et al. Combined optimal economic dispatch of wind-storage-fire considering wind power uncertainty［J］. Electric power engineering technology， 2022， 41（1）： 93-100.

［14］""" LI G Z， WANG R， ZHANG T， et al. Multi-objective optimal design of renewable energy integrated CCHP system using PICEA-G［J］. Energies， 2018， 11（4）： 743.

［15］""" KIPTOO M K， ADEWUYI O B， LOTFY M E， et al. Multi-objective optimal capacity planning for 100% renewable energy-based microgrid incorporating cost of demand-side flexibility" management［J］." Applied" sciences，" 2019，" 9（18）： 3855.

［16］""" 韓中合， 馬帆帆， 吳迪， 等. 基于AA-CAES的綜合能源系統(tǒng)協(xié)同優(yōu)化與性能分析［J］. 太陽能學(xué)報， 2022， 43（12）： 550-558.

HAN Z H， MA F F， WU D， et al. Collaborative optimization and performance analysis of integrated energy system" based" on" AA-CAES［J］." Acta" energiae" solaris sinica， 2022， 43（12）： 550-558.

［17］""" DOLATABADI"""" A，""" MOHAMMADI-IVATLOO"""" B， ABAPOUR M， et al. Optimal stochastic design of wind integrated energy hub［J］. IEEE transactions on industrial informatics， 2017， 13（5）： 2379-2388.

［18］""" 徐健瑋， 馬剛， 高叢， 等. 基于風(fēng)光場景生成的綜合能源系統(tǒng)日前-日內(nèi)優(yōu)化調(diào)度［J］. 分布式能源， 2022， 7（4）： 18-27.

XU J W， MA G， GAO C， et al. Day-ahead and intra-day optimal scheduling of integrated energy systems based on scenario generation［J］. Distributed energy， 2022， 7（4）： 18-27.

［19］""" LI C Z， SHI Y M， LIU S， et al. Uncertain programming of building cooling heating and power （BCHP） system based on Monte-Carlo method［J］. Energy and buildings， 2010， 42（9）： 1369-1375.

［20］""" 宋宇， 李涵. 基于核密度估計和Copula函數(shù)的風(fēng)、光出力場景生成［J］. 電氣技術(shù)， 2022， 23（1）： 56-63.

SONG Y， LI H. Typical scene generation of wind and photovoltaic power output based on kernel density estimation and Copula function［J］. Electrical engineering， 2022， 23（1）： 56-63.

［21］""" 朱蘭， 牛培源， 唐隴軍， 等. 考慮直接負(fù)荷控制不確定性的微能源網(wǎng)魯棒優(yōu)化運行［J］. 電網(wǎng)技術(shù)， 2020， 44（4）： 1400-1413.

ZHU L， NIU P Y， TANG L J， et al. Robust optimal operation for micro-energy grid considering uncertainties of direct load control［J］. Power system technology， 2020， 44（4）： 1400-1413.

［22］""" 武夢景， 萬燦， 宋永華， 等. 含多能微網(wǎng)群的區(qū)域電熱綜合能源系統(tǒng)分層自治優(yōu)化調(diào)度［J］. 電力系統(tǒng)自動化， 2021， 45（12）： 20-29.

WU M J， WAN C， SONG Y H， et al. Hierarchical autonomous optimal dispatching of district integrated heating and power system with multi-energy microgrids［J］. Automation of electric power systems， 2021， 45（12）： 20-29.

HIERARCHICAL COORDINATION OPTIMIZATION METHOD OF REGIONAL MICRO-ENERGY-GRID GROUP BASED ON

SCENARIO CONSTRUCTION TECHNOLOGY

Chen Zhiyong1，Ding Xiaohua2，Han Jinglin3，Han Tao2，F(xiàn)eng Xichun1，Hou Ruosong1，Li Hongtao3

（1. State Grid Hebei Electric Power Company Limited Economic Research Institute， Shijiazhuang 050081， China；

2. State Grid Electric Power Research Institute， Nanjing 211106， China；

3. State Grid Hebei Electric Power Company， Shijiazhuang 050031， China）

Abstract：Considering the uncertainty of wind stroke， light output， and load power in regional micro energy networks， a hierarchical coordination optimization method for new energy consumption in regional micro energy networks is proposed. Introduce a normal Copula function to establish joint distribution relationships between time and conditional correlations of various random variables， thereby establishing typical scenarios of uncertainty. After considering the losses and prediction error costs of wind and light abandonment， a hierarchical coordinated optimization model is established with the goal of minimizing the operating cost of the micro energy network. The upper layer of this model is the coordination and consumption optimization of flexible resources in the micro energy network group， while the lower layer is the internal consumption optimization of the micro energy network. Using a hierarchical optimization method based on objective cascading analysis to iteratively solve， a hierarchical coordination optimization strategy for regional micro energy networks is obtained. Finally， an example of a micro energy grid group was used for validation， indicating that the proposed method improves the new energy consumption rate of the regional power grid.

Keywords：micro-energy-network； new energy； consumption； hierarchical coordination optimization