張國(guó)棟，劉凱

?

能源互聯(lián)網(wǎng)背景下的微電網(wǎng)能量管理分析

張國(guó)棟1，劉凱2

（1．山東科技大學(xué)電氣信息系，山東省 濟(jì)南市 253500；2．洛陽(yáng)供電公司，河南省 洛陽(yáng)市 471000）

能源互聯(lián)網(wǎng)背景下，可再生能源并網(wǎng)規(guī)模日益擴(kuò)大。由于可再生能源發(fā)電功率具有很強(qiáng)的隨機(jī)性，電力系統(tǒng)運(yùn)行中出現(xiàn)了所謂“雙側(cè)隨機(jī)問(wèn)題”，影響安全穩(wěn)定運(yùn)行。如何對(duì)各種可再生能源進(jìn)行經(jīng)濟(jì)有效的能量管理，是實(shí)現(xiàn)能源互聯(lián)網(wǎng)的關(guān)鍵技術(shù)之一。為實(shí)現(xiàn)微電網(wǎng)運(yùn)行的整體優(yōu)化，對(duì)包含各種分布式電源的微電網(wǎng)，建立以綜合發(fā)電成本最低、環(huán)境效益最好作為優(yōu)化目標(biāo)的多目標(biāo)優(yōu)化模型。利用遺傳算法，進(jìn)行能量管理的優(yōu)化研究。以聯(lián)網(wǎng)運(yùn)行的含有多種分布式電源的微電網(wǎng)為算例進(jìn)行仿真計(jì)算，仿真結(jié)果表明了優(yōu)化模型及算法的有效性。

能源互聯(lián)網(wǎng)；微電網(wǎng)；分布式電源；能量管理

0 引言

化石能源的大量使用造成了資源的逐步枯竭以及環(huán)境破壞的日益嚴(yán)重，為了應(yīng)對(duì)上述問(wèn)題，人們對(duì)風(fēng)能、太陽(yáng)能等可再生能源越來(lái)越重視。由于可再生能源隨機(jī)性、間歇性與波動(dòng)性較強(qiáng)的特點(diǎn)，傳統(tǒng)的供給方式不能滿(mǎn)足電網(wǎng)的需求。以深入融合可再生能源與互聯(lián)網(wǎng)信息技術(shù)為特征的能源互聯(lián)網(wǎng)的提出，將是實(shí)現(xiàn)能源清潔低碳替代和高效可持續(xù)發(fā)展的關(guān)鍵所在[1]。

傳統(tǒng)的電力系統(tǒng)運(yùn)營(yíng)模式下，電源側(cè)多采用火電、水電、核電機(jī)組，發(fā)電功率相對(duì)可控；而負(fù)荷側(cè)因?yàn)槭苡脩?hù)行為的影響，功率呈現(xiàn)出較強(qiáng)的隨機(jī)性。系統(tǒng)運(yùn)行中，需要根據(jù)負(fù)荷功率實(shí)時(shí)調(diào)整發(fā)電功率，以保證系統(tǒng)的安全穩(wěn)定。該情況下，由于發(fā)電功率相對(duì)可控，負(fù)荷功率隨機(jī)波動(dòng)，因此可以稱(chēng)為“單側(cè)隨機(jī)問(wèn)題”。能源互聯(lián)網(wǎng)背景下，以風(fēng)能、太陽(yáng)能為代表的可再生能源大規(guī)模并網(wǎng)。由于可再生能源具有隨機(jī)性、間歇性與波動(dòng)性較強(qiáng)的特點(diǎn)，其發(fā)電功率可控性較差，增強(qiáng)了發(fā)電功率的隨機(jī)性。此時(shí)，電力系統(tǒng)面臨著“發(fā)電功率隨機(jī)”與“負(fù)荷功率隨機(jī)”問(wèn)題，即出現(xiàn)了所謂“雙側(cè)隨機(jī)問(wèn)題”[2-5]，嚴(yán)重影響系統(tǒng)的安全穩(wěn)定運(yùn)行[6-8]。

如何在保證電網(wǎng)安全穩(wěn)定的前提下，合理安排各種分布式電源的開(kāi)停機(jī)，以獲取較高的經(jīng)濟(jì)效益、付出較小的環(huán)境成本，即所謂能量管理問(wèn)題，是實(shí)現(xiàn)能源互聯(lián)網(wǎng)的關(guān)鍵技術(shù)之一[9-15]。

本文研究了包含各種分布式電源的微電網(wǎng)能量管理問(wèn)題。設(shè)定微網(wǎng)運(yùn)行成本作為經(jīng)濟(jì)目標(biāo)，污染物治理成本作為環(huán)境目標(biāo)，以各種分布式電源(distributed generator，DG)的開(kāi)停機(jī)以及蓄電池的充放電作為優(yōu)化對(duì)象，利用遺傳算法進(jìn)行了微電網(wǎng)能量管理優(yōu)化。

1 優(yōu)化模型

1.1 優(yōu)化目標(biāo)

1.1.1 經(jīng)濟(jì)目標(biāo)

式中：為優(yōu)化運(yùn)行周期；為優(yōu)化運(yùn)行時(shí)段；為該微網(wǎng)中DG的數(shù)量；為DG的編號(hào)；OPE表示微網(wǎng)的運(yùn)行成本；u()表示第臺(tái)DG在時(shí)段內(nèi)的啟停狀態(tài)；F()、M()和Ss()分別表示第臺(tái)DG在時(shí)段內(nèi)的燃料成本、維護(hù)成本和啟停機(jī)成本；P()表示時(shí)段微網(wǎng)與主網(wǎng)間的交互功率成本。其中，u()等于1表示該DG開(kāi)啟，等于0表示停運(yùn)，u()=u()。

燃料成本F()一般采用DG出力的二次函數(shù)表示，可表示為

式中：a、b和c分別為第臺(tái)DG燃料成本函數(shù)的二次項(xiàng)、一次項(xiàng)和常數(shù)項(xiàng)系數(shù)；P()為第臺(tái)DG在時(shí)段的輸出功率。

維護(hù)成本M()、啟停機(jī)成本S()和交互功率成本P()分別可以表示為：

1.1.2 環(huán)境目標(biāo)

1.2 約束條件

功率平衡約束：

DG出力上下限約束：

蓄電池出力上下限約束：

蓄電池充放電功率上下限約束：

蓄電池充放電等式約束：

蓄電池荷電狀態(tài)約束，SOC始末狀態(tài)約束：

聯(lián)絡(luò)線功率約束：

2 遺傳算法求解流程

2.1 初始化

首先，確定程序初始化中需要的參數(shù)和對(duì)應(yīng)的值。涉及到的參數(shù)名稱(chēng)、符號(hào)和相應(yīng)值見(jiàn)表1。

表1 遺傳算法初始化參數(shù)

2.2 染色體編碼

在時(shí)間從1增長(zhǎng)至?xí)r，優(yōu)化變量中，蓄電池荷電狀態(tài)、DG出力一類(lèi)實(shí)數(shù)變量，采用實(shí)數(shù)編碼；而DG啟停一類(lèi)零一變量，采用二進(jìn)制編碼。

由此可得實(shí)數(shù)部分串長(zhǎng)為′，二進(jìn)制部分串長(zhǎng)為′。

為了避免DG頻繁啟停，可以對(duì)各類(lèi)DG設(shè)定日啟停轉(zhuǎn)換次數(shù)上限，則可將DG啟停零一變量編碼替換為啟停轉(zhuǎn)換時(shí)刻整數(shù)編碼，取值為0至-1，該部分編碼長(zhǎng)度為′。在進(jìn)行交叉和變異計(jì)算時(shí)可以采用與實(shí)值編碼相同的方法，之后進(jìn)行規(guī)整。

2.3 適應(yīng)度計(jì)算

隸屬度函數(shù)的確定。隸屬度函數(shù)的不同形式將影響到多目標(biāo)優(yōu)化的最優(yōu)解，因此在微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型中，如何依據(jù)問(wèn)題的特點(diǎn)來(lái)確定隸屬度函數(shù)是解決問(wèn)題的關(guān)鍵。

本研究的目的在于在滿(mǎn)足系統(tǒng)要求的前提下，盡可能降低運(yùn)行維護(hù)成本、減少環(huán)境保護(hù)折算成本，期望值有上限值而無(wú)下限值，因此可選擇降半形的隸屬度函數(shù)。又由于降半矩形分布是二點(diǎn)分布，不適于解決連續(xù)性的優(yōu)化問(wèn)題；而降半梯形分布、降嶺形分布等需要確定fmin、fmax，其中fmax在本算例中無(wú)意義。因此，選用降半分布。

式中fmin為子目標(biāo)函數(shù)在約束條件下的最小值。

模糊模型的建立。引入模糊隸屬度變量后，依據(jù)最大隸屬度原則，將微電網(wǎng)優(yōu)化調(diào)度的多目標(biāo)問(wèn)題轉(zhuǎn)化為一個(gè)單純的單目標(biāo)優(yōu)化問(wèn)題，此時(shí)，微電網(wǎng)的優(yōu)化調(diào)度模型適應(yīng)度可描述為：

約束條件的處理。罰函數(shù)的基本思想是對(duì)在解空間中無(wú)對(duì)應(yīng)可行解的個(gè)體計(jì)劃其適應(yīng)度時(shí)，除以一個(gè)罰函數(shù)，從而降低該個(gè)體的適應(yīng)度，使該個(gè)體被遺傳到下一代群體中的概率減小?？梢岳孟率綄?duì)個(gè)體的適應(yīng)度進(jìn)行調(diào)整：

式中為罰函數(shù)，可以取為約束越界量之和。

2.4 遺傳算子

選擇操作：本研究采用最佳保留選擇模式，首先按輪盤(pán)法選擇方式執(zhí)行遺傳算法的選擇操作，然后將當(dāng)前群體中適應(yīng)度最高的個(gè)體結(jié)構(gòu)復(fù)制到下一代群體中。該方法能保證遺傳算法終止時(shí)得到的最后結(jié)果是歷代出現(xiàn)過(guò)的最高適應(yīng)度的個(gè)體。

交叉操作：對(duì)于實(shí)值編碼部分基因，本研究可采用算數(shù)交叉，由2個(gè)體線性組合產(chǎn)生2個(gè)新的個(gè)體。對(duì)于二進(jìn)制編碼部分基因，可采用單點(diǎn)交叉，在個(gè)體編碼串中隨機(jī)設(shè)置一個(gè)交叉點(diǎn)，然后在該點(diǎn)相互交換2個(gè)配對(duì)個(gè)體的染色體。

變異操作：本研究選取均勻變異方法，分別用符合某一范圍內(nèi)均勻分布的隨機(jī)數(shù)，以某一較小的概率來(lái)替換個(gè)體編碼串中各個(gè)基因座上的原有基因值。

2.5 搜索終止判斷

遺傳算法的終止條件有以下2個(gè)，滿(mǎn)足任何一個(gè)條件搜索就結(jié)束。

2）達(dá)到遺傳操作的最大進(jìn)化代數(shù)。

2.6 整體流程

遺傳算法的整體流程如圖1所示，為了確定fmin子目標(biāo)函數(shù)在約束條件下的最小值，需首先分別單獨(dú)對(duì)各子問(wèn)題進(jìn)行求解(此時(shí)隸屬度函數(shù)中fmin用保守估計(jì)下界代替)。

3 算例分析

3.1 算例數(shù)據(jù)

本研究算例含高滲透率DG的微網(wǎng)系統(tǒng)，包括風(fēng)機(jī)(wind turbine，WT)、光伏(photovoltaic，PV)、柴油機(jī)(diesel engine，DE)、燃料電池(fuel cell，F(xiàn)C)、微型燃?xì)廨啓C(jī)(micro-turbine，MT)等分布式電源和蓄電池、負(fù)荷，微網(wǎng)系統(tǒng)并網(wǎng)運(yùn)行。該系統(tǒng)某日的短期光伏和風(fēng)力預(yù)測(cè)輸出功率值、負(fù)荷需求預(yù)測(cè)值和峰谷電價(jià)如圖2所示。

圖1 遺傳算法流程圖

圖2 各單元預(yù)測(cè)功率曲線與峰谷電價(jià)

該微網(wǎng)中，各發(fā)電單元的技術(shù)參數(shù)如表2所示。FC、DE和MT的燃料成本擬合的參數(shù)如表3所示。蓄電池的最大充放電為40 kW，容量為200kW×h，充放電效率均為95%，為了防止過(guò)分充放電，SOC工作范圍為0.3~0.9pu，優(yōu)化周期初始SOC狀態(tài)為0.4pu。表4為環(huán)境目標(biāo)技術(shù)參數(shù)。

3.2 計(jì)算結(jié)果

圖3、圖4分別為適應(yīng)度與懲罰項(xiàng)折合系數(shù)曲線和各單元實(shí)際功率曲線與SOC。由圖3結(jié)果可以發(fā)現(xiàn)，綜合經(jīng)濟(jì)和環(huán)境目標(biāo)所得的適應(yīng)度隨迭代次數(shù)增加不斷上升，而表征優(yōu)化中超越邊界量的懲罰項(xiàng)折合系數(shù)p在迭代初期即已經(jīng)達(dá)到1，即說(shuō)明之后優(yōu)化解皆滿(mǎn)足約束條件。由于本文涉及多目標(biāo)優(yōu)化，各優(yōu)化目標(biāo)無(wú)法同時(shí)達(dá)到最小值，因此適應(yīng)度始終不能抵達(dá)1。

表2 發(fā)電單元技術(shù)參數(shù)

表3 燃料成本曲線擬合參數(shù)

表4 環(huán)境目標(biāo)技術(shù)參數(shù)

由圖4結(jié)果可以發(fā)現(xiàn)，由于優(yōu)化程序中限定各類(lèi)DG每日至多啟停各1次，因此即便在下午時(shí)段，成本較高的柴油機(jī)也沒(méi)有停機(jī)，而是維持在低功率水平。在早晚負(fù)荷高峰，各類(lèi)DG及電網(wǎng)都處于大發(fā)狀態(tài)。在凌晨低電價(jià)時(shí)段，蓄電池選擇進(jìn)行充電，這與追求經(jīng)濟(jì)最優(yōu)的目標(biāo)吻合。

圖3 適應(yīng)度與懲罰項(xiàng)折合系數(shù)曲線

圖4 各單元實(shí)際功率曲線與SOC

4 結(jié)論

利用遺傳算法對(duì)含有各種DG的微電網(wǎng)進(jìn)行了能量管理優(yōu)化分析，分析結(jié)果表明：負(fù)荷高峰時(shí)，各類(lèi)DG以及電網(wǎng)都處于大發(fā)狀態(tài)，這與實(shí)際情況相符合。負(fù)荷低谷時(shí)，考慮DG的開(kāi)停機(jī)成本后，程序中設(shè)定各類(lèi)DG每日至多啟停1次，在此情況下，成本較高的柴油機(jī)沒(méi)有停機(jī)，而是維持在低功率水平。另外，低谷電價(jià)階段，蓄電池進(jìn)行了充電。綜上所述，在滿(mǎn)足負(fù)荷需求的前提下，各類(lèi)DG的開(kāi)停機(jī)行為以及蓄電池的充放電過(guò)程，與設(shè)定的經(jīng)濟(jì)目標(biāo)相一致，證明了算法的有效性。不足之處在于，該模型基于聯(lián)網(wǎng)運(yùn)行的微電網(wǎng)，所包含的分布式電源機(jī)組較少，且未考慮常規(guī)機(jī)組，具有一定的局限性。后期可以采取以下措施予以改進(jìn)：

1）擴(kuò)大系統(tǒng)規(guī)模，即增加分布式電源機(jī)組的數(shù)量；

2）建立常規(guī)機(jī)組運(yùn)行成本模型，將其納入優(yōu)化范疇，以得到更普遍適用的結(jié)論。

[1] 周孝信，曾嶸，高峰，等．能源互聯(lián)網(wǎng)的發(fā)展現(xiàn)狀與展望[J]．中國(guó)科學(xué)：信息科學(xué)，2017，47(2)：149-170．

[2] 張濤，張福興，張彥．面向能源互聯(lián)網(wǎng)的能量管理系統(tǒng)研究[J]．電網(wǎng)技術(shù)，2016，40(1)：146-155．

[3] 曾鳴，楊雍琦，李源非，等．能源互聯(lián)網(wǎng)背景下新能源電力系統(tǒng)運(yùn)營(yíng)模式及關(guān)鍵技術(shù)初探[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2016，36(3)：681-691．

[4] 何力，呂紅芳．考慮經(jīng)濟(jì)性的多微電網(wǎng)優(yōu)化調(diào)度研究[J]．發(fā)電技術(shù)，2018，39(5)：397-404．

[5] 胡曉通，劉天琪，何川，等．計(jì)及蓄電池?fù)p耗特性的微電網(wǎng)多目標(biāo)優(yōu)化運(yùn)行[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2016，36(10)：2674-2681．

[6] 曾洪瑜，史翊翔，蔡寧生．燃料電池分布式供能技術(shù)發(fā)展現(xiàn)狀與展望[J]．發(fā)電技術(shù)，2018，39(2)：165-170．

[7] 李凱，秦文萍，張海濤，等．含混合儲(chǔ)能的微電網(wǎng)能量管理系統(tǒng)控制策略[J]．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2016，28(10)：85-91．

[8] 田世明，欒文鵬，張東霞，等．能源互聯(lián)網(wǎng)技術(shù)形態(tài)與關(guān)鍵技術(shù)[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(14)：3482-3494．

[9] 竇曉波，曉宇，袁曉冬，等．基于改進(jìn)模型預(yù)測(cè)控制的微電網(wǎng)能量管理策略[J]．電力系統(tǒng)自動(dòng)化，2017，41(22)：56-65．

[10] 馬喜平，謝永濤，董開(kāi)松，等．多能互補(bǔ)微電網(wǎng)的能量管理研究[J]．高壓電器，2015，51(6)：108-114．

[11] 陳其森，汪湘晉，池偉，等．多微電網(wǎng)互聯(lián)系統(tǒng)能量管理方法研究[J]．電力系統(tǒng)保護(hù)與控制，2018，46(11)：83-91．

[12] 吳雄，王秀麗，劉世民，等．微電網(wǎng)能量管理系統(tǒng)研究綜述[J]．電力自動(dòng)化設(shè)備，2014，34(10)：7-14．

[13] 王成山，武震，李鵬．微電網(wǎng)關(guān)鍵技術(shù)研究[J]．電工技術(shù)學(xué)報(bào)，2014，29(2)：1-12．

[14] 馬守達(dá)，楊錦成，崔承剛，等．能源互聯(lián)網(wǎng)儲(chǔ)能技術(shù)應(yīng)用研究[J]．發(fā)電技術(shù)，2018，39(5)：412-418．

[15] 莊雅妮，楊秀媛，金鑫城．風(fēng)光儲(chǔ)聯(lián)合發(fā)電運(yùn)行技術(shù)研究[J]．發(fā)電技術(shù)，2018，39(4)：296-303．

Analysis of Microgrid Energy Management Under the Background of Energy Internet

ZHANG Guodong1, LIU Kai2

(1. Department of Electrical and Information, Shandong University of Science and Technology, Jinan 253500, Shandong Province, China;2. Luoyang Power Supply Company, Luoyang 471000, Henan Province, China)

Under the background of energy internet, the scale of renewable energy interconnection is increasing day by day. Due to the strong randomness of renewable energy generation power, the so-called “bilateral stochastic problems” appears in the operation of the power system, which affects the safety and stability. How to manage all kinds of renewable energy economically and effectively is one of the key technologies to realize the energy internet. In order to realize the overall optimization of microgrid operation, a multi-objective optimization model was established for microgrid including various distributed generators (DG) with the lowest comprehensive power generation cost and the best environmental benefits as the optimization objectives. The genetic algorithm is used to optimize the energy management. The simulation results of a microgrid with multiple DGs running on the grid show the effectiveness of the optimization model and algorithm.

energy Internet; micro-grid; distributed generator; energy management

10.12096/j.2096-4528.pgt.18239

2018-11-19。

張國(guó)棟(1982)，男，碩士，講師，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行控制，459532455@qq.com；

張國(guó)棟

劉凱(1981)，男，碩士，高級(jí)工程師，從事電網(wǎng)規(guī)劃設(shè)計(jì)等工作，51781628@qq.com。

教育部產(chǎn)學(xué)合作協(xié)同育人計(jì)劃項(xiàng)目(201702064021)；山東科技大學(xué)濟(jì)南校區(qū)教研項(xiàng)目(JNJG2017203)。

Project Supported by Ministry of Education's Cooperative Education Program Project (201702064021); Research Project of Jinan Campus of Shandong University of Science and Technology (JNJG2017203).

(責(zé)任編輯 辛培裕)