考慮不同場景的微電網(wǎng)短期經(jīng)濟調(diào)度分析*

劉春暉，張 政，牟輝龍，袁 方

(山東科技大學電氣與自動化工程學院，山東 青島 266590)

清潔的可再生能源因其自身所具備的低污染、低成本、高利用等特性逐漸取代傳統(tǒng)的化石能源。其中以風能和光能的利用程度與分布性最高，但受風、光能源自身發(fā)電特性與天氣狀況的限制，風、光出力具有較大的不穩(wěn)定性。雖然目前在風、光發(fā)電上均裝有功率預測系統(tǒng)，但預測精度還難以達到實際電網(wǎng)的運行調(diào)度水平[1-2]，同時大規(guī)模的風、光并網(wǎng)又會給電力系統(tǒng)的可靠運行帶來不確定風險。因此對如何在不同天氣情況下提高風、光并電網(wǎng)后的電網(wǎng)調(diào)度水平顯得尤為重要。

目前，對風、光電并網(wǎng)后的電網(wǎng)運行調(diào)度，國內(nèi)外以日前1 h 的短期調(diào)度研究居多，但針對風、光并電網(wǎng)后不同天氣情況下的日內(nèi)超短期調(diào)度的研究較少。文獻[3]對日內(nèi)實時調(diào)度下的微電網(wǎng)各電源經(jīng)濟運行成本進行分析，但未考慮不同天氣場景下的經(jīng)濟調(diào)度策略。文獻[4]提出可信性理論的模糊約束規(guī)劃模型，探究了不同置信水平下的風、光、水電等發(fā)電成本，但未考慮不同時間尺度下的經(jīng)濟效益。文獻[5]考慮光伏出力的不確定性，建立了輸出功率與水電作為決策變量的優(yōu)化模型，用于優(yōu)化光電與水電日前出力并分析了發(fā)電效益，但沒有對日內(nèi)超短期電源出力做更細化調(diào)整。文獻[6]以BP 神經(jīng)網(wǎng)絡為調(diào)度規(guī)則，探究了風、光電并網(wǎng)后微電網(wǎng)互補優(yōu)化調(diào)度策略，但未對不同天氣場景下的電網(wǎng)調(diào)度做出分析。

本文為探究風、光電并網(wǎng)后在不同天氣情況下微電網(wǎng)的短期經(jīng)濟調(diào)度問題，利用具有置信水平的機會約束規(guī)劃數(shù)學模型，建立了在短期尺度下以融合日前調(diào)度與日內(nèi)滾動優(yōu)化及實時調(diào)度的日內(nèi)短期經(jīng)濟調(diào)度優(yōu)化模型，并以模糊神經(jīng)網(wǎng)絡算法對風、光出力進行預測，將其預測值作為短期內(nèi)風、光出力的預測參數(shù)，結合不同天氣場景下的經(jīng)濟調(diào)度策略，驗證不同天氣場景下的微電網(wǎng)短期經(jīng)濟調(diào)度的有效性。

1 各微電源出力模型

1.1 風電出力模型

風機運行過程中，為保護風機不受損壞，其發(fā)電風速范圍應處于風機切入風速與切除風速之間。在實際工程中，風機的輸出功率與風速之間的關系為:

式中:Pw(t)為風機輸出功率；vci、vr、vco分別為切入風速、額定風速、切除風速；Pr為額定輸出功率；vo(t)為t時刻的風速。

1.2 光電出力模型

考慮到外界條件對光伏出力的影響，t時刻光伏的輸出功率表示為[7]:

式中:PP(t)為光伏功率輸出；PSTC、G(T)分別是光伏額定功率與光照強度；GSTC是標準條件下的光照強度；T(t)為光伏板的實際溫度；TSTC取25 ℃；K為溫度系數(shù)，取K＝-0.004 5/℃。

1.3 水電出力模型

水電出力不僅要考慮各個時刻的所需水量，同時也要考慮水電機組的發(fā)電效率，其公式為:

式中:Ph(t)為t時刻的水電輸出功率；η為水電機組的效率；Q為發(fā)電流水量；H為發(fā)電水頭[8]。

1.4 儲能出力模型

蓄電池在t時刻的充放電功率為:

式中:Pb(t)為t時刻的蓄電池出力；ηin、ηout分別為充放電效率；Pin(t)、Pout(t)分別為t時刻的充放電功率。

2 模糊神經(jīng)網(wǎng)絡預測

模糊神經(jīng)網(wǎng)絡是將模糊系統(tǒng)與神經(jīng)網(wǎng)絡相結合的一種算法。其預測流程是先歸一化樣本數(shù)據(jù)，然后確定輸入、輸出參數(shù)的數(shù)目與隸屬度函數(shù)，并訓練樣本數(shù)據(jù)，最后用訓練完后的模糊神經(jīng)網(wǎng)絡對數(shù)據(jù)進行預測并歸一化所得結果，從而得到預測值。其結構如圖1 所示，其由前件與后件網(wǎng)絡2 部分組成。

圖1 模糊神經(jīng)神經(jīng)結構圖

(1)前件網(wǎng)絡由4 層組成，首先經(jīng)過輸入層，并對各輸入量模糊化處理，得到隸屬度函數(shù)值:

式中:cij、bij為隸屬度函數(shù)的中心值與寬度值。

再由規(guī)則計算層計算每條規(guī)則適應度，并進行歸一化處理，得出各條規(guī)則所占比例:

(2)后件網(wǎng)絡結構為3 層，首先由輸入層進入到規(guī)則層，并計算各規(guī)則對應的后件:

式中:k＝1，2，…，r；是神經(jīng)網(wǎng)絡連接權。

然后輸出層輸出計算結果，其公式為:

式中:yk是各規(guī)則后件的加權和。

因BP 神經(jīng)網(wǎng)絡存在收斂慢等缺陷，故加入一個慣性項，使其收斂速度加快，其公式為[9]:

式中:wki是輸出層與隱含層之間的權值關系；a是慣性系數(shù)，0＜a＜1；η′是學習速率；分別是輸出定義函數(shù)與隱含層中的神經(jīng)元輸出。

(3)模糊神經(jīng)計算分三步進行，如下:

第一步為誤差計算，誤差函數(shù)為:

式中:ti、yi分別為期望與實際輸出參數(shù)。

第二步為系數(shù)修正:

式中:β是連接權值的學習速率，是算法連接權。

第三步為參數(shù)修正:

式中:σ是中心值cij和寬度值bij的學習速率。

3 短期經(jīng)濟調(diào)度模型

考慮到風、光電并網(wǎng)后其出力波動對電網(wǎng)的沖擊較大，本文提出采用置信水平測度下的機會約束規(guī)劃模型對微電網(wǎng)經(jīng)濟調(diào)度進行分析[10]。該方法不僅適用于主動配電網(wǎng)中探究多種不可控電源并網(wǎng)后對電力系統(tǒng)的影響，也可用于微電網(wǎng)中在并網(wǎng)或離網(wǎng)狀態(tài)下的不可控電源接入對微電網(wǎng)調(diào)度的研究。

本文以風、光電并網(wǎng)下的多能源微電網(wǎng)為例，利用該模型建立微電網(wǎng)日內(nèi)經(jīng)濟運行綜合效益最大化模型。通過日前優(yōu)化與日內(nèi)滾動優(yōu)化及實時調(diào)度三級調(diào)控策略對微電網(wǎng)經(jīng)濟運行進行分析。

3.1 機會規(guī)劃理論

為了使機會函數(shù)在不確定的情況下達到最優(yōu)，其目標模型通常以在不確定環(huán)境下成立的概率最大或最小形式表達[11]，如概率最大形式為:

式中:f(x，ξ)是目標函數(shù)；x是n維決策變量；ξ是概率密度的隨機變量；ˉf是f(x，ξ)在置信水平下的最大值；gj(x，ξ)是隨機約束的函數(shù)；α、β分別是約束條件與目標函數(shù)的置信水平。

3.2 日前經(jīng)濟調(diào)度

日前經(jīng)濟綜合效益最大化模型，其目標函數(shù)為:

式中:Pload(t)、Pe(t)分別是t時刻的負荷需求與電網(wǎng)交互功率；Pw，imin(t)、Pw，imax(t)、Pp，imin(t)、Pp，imax(t)、Ph，imin(t)、Ph，imax(t)分別是風、光、水電源在t時刻的最小與最大功率；ton，i(t-1)為水輪機組i在t-1 時段內(nèi)的連續(xù)開機時間；Ton，imin、Toff，imin分別是機組i的最小開機和停機時間；V(t-1)、Vmin(t)、Vmax(t)分別是水庫貯存水量與最小、最大庫容；q(t)、Q(t)、S(t)分別是水電站來水量、發(fā)電引流量以及棄水量。

電網(wǎng)交互功率約束:

式中:Pgridmin(t)、Pgridmax(t)分別是t時刻的最小與最大售電量；Psgridmin(t)、Psgridmax(t)分別是t時刻的最小與最大購電量[12]。

儲能約束:

式中:Pb，imin(t)、Pb，imax(t)分別是蓄電池組i在t時刻的最小與最大輸出功率[13]。

旋轉備用約束:

式中:ri，u、ri，d分別是水電機組的上調(diào)與下調(diào)速率；Pup，i(t)、Pdown，i(t)與Pres.up(t)、Pres.down(t)分別是機組i在t時段的正、負旋轉備用和正、負旋轉備用總容量；tr為旋轉備用響應時間；et為風光預測誤差。

考慮風光出力的隨機性，將上述目標函數(shù)和約束條件轉化為極大化概率形式:

3.3 日內(nèi)滾動優(yōu)化經(jīng)濟調(diào)度

日內(nèi)滾動修正的目的是保證系統(tǒng)在滿足負荷平衡的基礎上出力成本最小[14]，其目標函數(shù)為:

式中:chs，i(t)、cbs，i(t)、εhs，i(t)、εbs，i(t)分別是水輪機與蓄電池的單位出力成本及出力懲罰系數(shù)。

為保證系統(tǒng)的可靠運行，除日前約束條件外，還要考慮各電源出力調(diào)整量與不平衡功率相等:

式中:ΔPδ(t)是負荷與風光實際出力差減去負荷與風光預測出力差。

同日前優(yōu)化調(diào)度考慮風光出力的隨機性，將日內(nèi)滾動優(yōu)化目標函數(shù)與約束條件轉化為概率形式:

3.4 實時優(yōu)化經(jīng)濟調(diào)度

根據(jù)實時預測風光出力及負荷變化，微調(diào)各電源出力使調(diào)度成本更接近滾動調(diào)度成本，其目標函數(shù)為:

式中:C(Ph，i(t)+ΔPh，i(t))、C(Pb，i(t)+ΔPb，i(t))分別是t時刻水輪機與蓄電池的日內(nèi)實時綜合調(diào)度成本；C(Ph，i(t))、C(Pb，i(t))分別是t時刻水輪機與蓄電池的日內(nèi)滾動綜合調(diào)度成本。

將日內(nèi)實時優(yōu)化調(diào)度的目標函數(shù)與約束條件轉化為概率形式:

4 算例分析

本文選取我國西部某區(qū)域內(nèi)風光水儲微電網(wǎng)供電數(shù)據(jù)，并以三種天氣情況作為不同場景，對短期經(jīng)濟調(diào)度進行分析。設場景1 為大風、晴天；場景2 為大風、雨天；場景3 為小風、晴天。其微電網(wǎng)系統(tǒng)基本參數(shù)如表1 所示。

表1 各組件配置

4.1 模糊神經(jīng)網(wǎng)絡預測風光出力

對風光出力的預測，以場景一的日前調(diào)度下風光出力數(shù)據(jù)為例進行分析。取學習速率η′為0.001，慣性系數(shù)a為0.05，輸入神經(jīng)元為6 個，隱含層神經(jīng)元為12 個，輸出神經(jīng)元為1 個，訓練300 次，其風、光出力預測結果如圖2、圖3 所示。

圖2 風電出力預測圖

圖3 光電出力預測圖

由圖2、圖3 可知，日前風電出力的誤差波動大于光電出力誤差波動，這是由于風速的波動性較強，導致風電出力也具有較強的不穩(wěn)定性，故對風電出力的預測也存在一定誤差，但日前最大誤差不足10%；而相對于風電，光電的誤差較小，出力穩(wěn)定性大于風電出力。總體上風、光電預測值趨勢與實際值出力趨勢基本保持一致，可作為對風、光電預測值的參考依據(jù)。

4.2 不同場景下的經(jīng)濟調(diào)度分析

由上述給出的微電網(wǎng)約束模型，取日前、日內(nèi)與實時調(diào)度的約束條件與目標函數(shù)的置信水平均為α＝0.9、β＝0.95，同時結合分時電價對微電網(wǎng)的經(jīng)濟調(diào)度進行分析[15]。

表2 分時電價

4.2.1 日前經(jīng)濟調(diào)度

三種場景下微電網(wǎng)各電源出力如圖4～圖6 所示。

圖4 場景1 微電網(wǎng)發(fā)電調(diào)度圖

圖5 場景2 微電網(wǎng)發(fā)電調(diào)度圖

圖6 場景3 微電網(wǎng)發(fā)電調(diào)度圖

由圖4～圖6 可知，日前微電網(wǎng)經(jīng)濟調(diào)度可根據(jù)不同時刻電價的變化，通過電力聯(lián)絡線進行購售電獲取經(jīng)濟效益，并減小系統(tǒng)運行成本。如圖中所示場景1 中在峰時段內(nèi)風光出力充足，水電可適當出力以獲取較大經(jīng)濟效益；而在谷時段內(nèi)風光出力不足且電價較低可轉向電網(wǎng)購電并對蓄電池充電；在場景2 與場景3 中，由于不同的天氣情況使得風電或光電出力不足，此時微電網(wǎng)系統(tǒng)將增加水力發(fā)電，雖系統(tǒng)增加了水電出力，但也基本滿足谷時購電與峰時售電的經(jīng)濟調(diào)度策略。

4.2.2 日內(nèi)滾動優(yōu)化

日內(nèi)滾動優(yōu)化電源出力圖與日內(nèi)滾動電源調(diào)整量，如圖7～圖10 與表3 所示。

圖7 場景1 日內(nèi)滾動優(yōu)化出力圖

圖8 場景2 日內(nèi)滾動優(yōu)化出力圖

圖9 場景3 日內(nèi)滾動優(yōu)化出力圖

圖10 日內(nèi)滾動優(yōu)化調(diào)整量曲線

表3 日內(nèi)滾動優(yōu)化調(diào)整量

日內(nèi)滾動修正計劃是在日前調(diào)度基礎上進行調(diào)整，在電源出力約束條件下，通過改變可控電源的出力使調(diào)整成本最小。日內(nèi)修正計劃共分為三種修正方案，即跟隨日前發(fā)電計劃時，調(diào)整量為0:如在場景1 中4 時段；與日前發(fā)電計劃不同時，需增大電源出力，調(diào)整量大于0:如場景1 的時段1，因水電出力成本較高，故以蓄電池放電為主；與日前發(fā)電計劃不同時，需減小電源出力，調(diào)整量小于0:因水電出力成本高，應優(yōu)先考慮減小其出力，若不能滿足調(diào)度要求，再減小蓄電池出力。如場景2 的時段2 與場景3 的92 時段。在日內(nèi)滾動修正中，若原水輪機出力為0，則只增減蓄電池的出力。

4.2.3 實時調(diào)度優(yōu)化

實時調(diào)度階段，在約束范圍內(nèi)微調(diào)各電源出力，使得實時調(diào)度最接近滾動調(diào)度對應的綜合成本，取部分時刻8:30—9:30(時段510～570)進行分析。

圖11 場景1 實時優(yōu)化調(diào)整量曲線

圖12 場景2 實時優(yōu)化調(diào)整量曲線

圖13 場景3 實時優(yōu)化調(diào)整量曲線

表4 實時優(yōu)化調(diào)整量

實時調(diào)度主要是可再生能源與負荷在小范圍內(nèi)引起的功率波動，其對各電源的出力調(diào)整更加精確。

如圖14 相比于圖10 來說，優(yōu)化調(diào)度更加細化，調(diào)整量也更小。在時段510～570 內(nèi)主要是靠蓄電池的微調(diào)來平抑微電網(wǎng)的功率波動，其出力調(diào)整與日內(nèi)滾動優(yōu)化調(diào)整類似。

圖14 實時優(yōu)化調(diào)整量曲線

各調(diào)度階段在α相同時會產(chǎn)生部分附加成本，因此調(diào)度越細化所產(chǎn)生的成本越高，獲得的經(jīng)濟效益就越低，各調(diào)度階段綜合效益如表5 所示。

表5 各調(diào)度階段綜合效益

由表5 可知，日前調(diào)度經(jīng)濟效益最高，隨著調(diào)度精細化水平的提高，所產(chǎn)生的調(diào)度附加成本也隨之增加，從而所獲得的經(jīng)濟效益逐漸減少。在三種場景中，因場景1 中風光出力充足，向電網(wǎng)售電量最多故產(chǎn)生經(jīng)濟效益最高，而場景2 與場景3 中因風電或光電出力不足，從而產(chǎn)生的經(jīng)濟效益略低。

置信水平的大小體現(xiàn)了對約束條件滿足的期望程度。選取不同的置信向量α 對三種場景下的日內(nèi)綜合效益進行對比，如表6 所示。

表6 不同置信向量下的綜合效益

由表6 可知，日前調(diào)度中α1的變化將影響日內(nèi)滾動優(yōu)化階段中可控分布式電源調(diào)整量的大小；日內(nèi)滾動優(yōu)化調(diào)度階段α2的增加，表示該階段風光出力有所提高，且對系統(tǒng)可靠性要求增加，從而增加蓄電池和水輪機的出力成本，導致綜合效益下降；實時調(diào)度中α3的增加，則表示在該階段對機組的預測精度要求進一步提高，從而增加了對部分功率的調(diào)整成本，間接減小了經(jīng)濟綜合效益。

5 結束語

由于風、光并電網(wǎng)后會對微電網(wǎng)系統(tǒng)產(chǎn)生一定影響，故本文以多級協(xié)調(diào)、逐漸細化為目的，通過對三種不同場景下的微電網(wǎng)日前、日內(nèi)與實時調(diào)度的綜合效益分析，驗證風、光并電網(wǎng)后在不同時間尺度優(yōu)化下對微電網(wǎng)的經(jīng)濟效益的影響。