陳可,高山,劉宇
(東南大學(xué)電氣工程學(xué)院,南京市 210096)
隨著電網(wǎng)能源轉(zhuǎn)型的不斷深入,現(xiàn)代電力系統(tǒng)正在逐步向源荷互動(dòng)、大規(guī)模新能源消納、特高壓交直流互聯(lián)等方向發(fā)展[1-3]。一方面,新能源的大規(guī)模并網(wǎng)使電力平衡呈現(xiàn)出明顯的空間、時(shí)間不均衡,調(diào)峰調(diào)頻壓力突出,現(xiàn)有的發(fā)電跟蹤負(fù)荷的模式已無(wú)法適應(yīng)電網(wǎng)的發(fā)展[4-6];另一方面,負(fù)荷側(cè)設(shè)備更加多元化,分布式發(fā)電、分布式儲(chǔ)能、電動(dòng)汽車等資源的大量應(yīng)用使得負(fù)荷端的靈活可控性增強(qiáng),為電網(wǎng)提供了豐富的可調(diào)資源[7-8]。因此,如何引導(dǎo)規(guī)?;亩囝愋拓?fù)荷側(cè)資源參與電網(wǎng)調(diào)控運(yùn)行,已成為當(dāng)前電力系統(tǒng)的重要挑戰(zhàn)。
文獻(xiàn)[9]中將“柔性負(fù)荷”定義為用電量可在指定區(qū)間內(nèi)變化或在不同時(shí)段間轉(zhuǎn)移的靈活可調(diào)負(fù)荷,廣義上包含具備需求彈性的可調(diào)節(jié)負(fù)荷或可轉(zhuǎn)移負(fù)荷、具備雙向調(diào)節(jié)能力的電動(dòng)汽車(electric vehicle ,EV)、儲(chǔ)能(energy storage,ES)、蓄能以及分布式電源、微網(wǎng)等。因其數(shù)量大、響應(yīng)快、控制靈活等特點(diǎn),柔性負(fù)荷已逐漸成為削峰填谷、平抑新能源波動(dòng)、提供輔助服務(wù)等場(chǎng)景的重要調(diào)控資源[10]。
目前,國(guó)內(nèi)外在柔性負(fù)荷資源的聚合控制和協(xié)同調(diào)度優(yōu)化方面開(kāi)展了大量研究。文獻(xiàn)[11]通過(guò)基于溫控負(fù)荷開(kāi)關(guān)狀態(tài)的分群操作,建立了歸一化溫度延伸裕度模型,研究了一種基于優(yōu)先序列的聚合溫控負(fù)荷需求響應(yīng)控制策略,用于風(fēng)電消納;文獻(xiàn)[12]研究了考慮用戶滿意度的電動(dòng)汽車分群調(diào)度策略,并對(duì)每個(gè)子群分別制定延時(shí)充放電策略;文獻(xiàn)[13]將電采暖可調(diào)節(jié)能力的指標(biāo)定義為調(diào)節(jié)功率、可持續(xù)時(shí)間和可調(diào)控電量,并提出了基于溫度預(yù)報(bào)的戶用電采暖負(fù)荷可調(diào)節(jié)能力評(píng)估方法;文獻(xiàn)[14]在考慮了熱水器負(fù)荷調(diào)控需求的基礎(chǔ)上,提出了單體熱水器的狀態(tài)預(yù)測(cè)和估計(jì)方法;文獻(xiàn)[15]基于空調(diào)(air conditioner,AC)的熱儲(chǔ)能特性,構(gòu)建了空調(diào)的虛擬儲(chǔ)能模型,進(jìn)而采用蒙特卡洛模擬方法建立其負(fù)荷群虛擬儲(chǔ)能的聚合模型。上述模型為負(fù)荷的集群控制研究提供了良好的理論依據(jù),但是這些研究主要集中于單類負(fù)荷的控制策略研究,而對(duì)于結(jié)構(gòu)異構(gòu)的調(diào)控負(fù)荷群,在如何對(duì)其進(jìn)行去異質(zhì)化調(diào)控方面研究較少。
在柔性負(fù)荷參與的系統(tǒng)協(xié)同調(diào)度優(yōu)化方面,文獻(xiàn)[16]分析了不同充電方式對(duì)電網(wǎng)調(diào)峰的影響,提出了基于多時(shí)間尺度的風(fēng)電與電動(dòng)汽車協(xié)同調(diào)度模型;文獻(xiàn)[17]以煤耗量為目標(biāo)函數(shù),構(gòu)建了計(jì)及熱電機(jī)組電功率上下限與抽汽量之間的函數(shù)關(guān)系的電熱聯(lián)合調(diào)度模型;文獻(xiàn)[18]立足于負(fù)荷聚集商參與整個(gè)電力系統(tǒng)利益均衡的角度上進(jìn)行優(yōu)化,在分析主動(dòng)負(fù)荷用電特性的基礎(chǔ)上以負(fù)荷削減合同作為聚合商調(diào)用對(duì)象,以此構(gòu)建含有聚合商的源荷互動(dòng)雙層調(diào)度優(yōu)化模型;文獻(xiàn)[19]考慮風(fēng)電預(yù)測(cè)誤差在不同時(shí)間尺度下的差異性,并與相應(yīng)電網(wǎng)調(diào)節(jié)能力匹配,提出了計(jì)及柔性負(fù)荷參與多時(shí)間尺度協(xié)調(diào)的優(yōu)化調(diào)度策略。上述論文多是對(duì)于柔性負(fù)荷參與的系統(tǒng)協(xié)同調(diào)度優(yōu)化進(jìn)行研究,未深入分析多類柔性資源之間的協(xié)調(diào)控制策略,對(duì)于多類型柔性資源參與調(diào)峰優(yōu)化的模式和模型尚缺乏系統(tǒng)性研究。
針對(duì)上述問(wèn)題,本文首先提出一種計(jì)及多類型柔性負(fù)荷的分層協(xié)調(diào)控制架構(gòu)。在此框架下,柔性資源聚合商通過(guò)智能監(jiān)測(cè)終端采集負(fù)荷信息,對(duì)多類型柔性負(fù)荷進(jìn)行聚合;其次,提出一種基于可控裕度指標(biāo)的異構(gòu)負(fù)荷協(xié)同控制策略,通過(guò)改進(jìn)的狀態(tài)隊(duì)列算法進(jìn)行批量化的指令下發(fā);最后,建立考慮多類型柔性負(fù)荷參與的日前-日內(nèi)調(diào)峰優(yōu)化模型。通過(guò)算例驗(yàn)證模型的有效性。
柔性負(fù)荷集群的分層協(xié)調(diào)控制框架如圖1所示,分為調(diào)度中心層、資源聚合商層和用戶設(shè)備層。
圖1 柔性負(fù)荷集群的分層協(xié)調(diào)控制架構(gòu)Fig.1 Hierarchical coordinated control architecture for flexible load clusters
1)調(diào)度中心層:根據(jù)負(fù)荷預(yù)測(cè)、可再生能源出力預(yù)測(cè)及柔性資源運(yùn)行狀態(tài)等信息,對(duì)常規(guī)機(jī)組、分布式電源、各負(fù)荷資源聚合商的出力計(jì)劃進(jìn)行優(yōu)化,并將功率調(diào)整的目標(biāo)量下發(fā)給負(fù)荷聚合商。
2)資源聚合商層:聚合商與用戶協(xié)商后,獲得負(fù)荷的控制權(quán)限,根據(jù)上層下發(fā)的目標(biāo)功率調(diào)整量,對(duì)可控裕度指標(biāo)較高的負(fù)荷進(jìn)行直接控制;聚合商通過(guò)對(duì)其范圍內(nèi)的負(fù)荷資源信息進(jìn)行分析和匯總,計(jì)算其最大可上調(diào)和下調(diào)容量,并將可調(diào)容量反饋至調(diào)度中心層。
3)用戶設(shè)備層:負(fù)荷設(shè)備通過(guò)智能插座或智能開(kāi)關(guān)等設(shè)備對(duì)負(fù)荷類型、運(yùn)行狀態(tài)等信息進(jìn)行采集,并且通過(guò)用戶的邊緣側(cè)計(jì)算,將可調(diào)裕度指標(biāo)等參數(shù)上傳給聚合商;并根據(jù)聚合商下達(dá)的控制目標(biāo)進(jìn)行相應(yīng)控制。
通過(guò)建立通用的可控裕度指標(biāo),使異構(gòu)負(fù)荷具有可比性,在優(yōu)化組合過(guò)程中,可以作為統(tǒng)一的資源池來(lái)進(jìn)行控制[20]??煽卦6戎笜?biāo)通過(guò)用戶的邊緣側(cè)計(jì)算獲得,將結(jié)果上傳到上級(jí)聚合商平臺(tái)。所建立的指標(biāo)如下所示。
1) 功率裕度εp(t)。
εp(t)=P
(1)
式中:P為負(fù)荷在t時(shí)刻的可控功率,一般指在該時(shí)刻的運(yùn)行功率。
2)時(shí)間裕度εt(t)。
負(fù)荷的可控時(shí)間裕度不僅取決于用戶自身設(shè)定的使用時(shí)間,而且取決于為了滿足用戶用電需要,負(fù)荷本身可用的能量空間轉(zhuǎn)化時(shí)長(zhǎng)。取其較小值作為實(shí)際可控時(shí)間依據(jù),以最大化保證用戶用能需求。
εt(t)=min{tf-t,E/P}
(2)
式中:tf為用戶自主設(shè)定的使用時(shí)間;E為用戶負(fù)荷本身可用的能量空間。
3)可控能量狀態(tài)裕度εe(t)。
對(duì)于結(jié)構(gòu)異構(gòu)的負(fù)荷,其可控能量狀態(tài)裕度指標(biāo)定義如下。
(1)對(duì)于空調(diào)負(fù)荷,由于其具有一定的熱儲(chǔ)備能力,因此將空調(diào)建筑系統(tǒng)等效為虛擬儲(chǔ)能,定義可控能量狀態(tài)裕度εe,ac(t),用來(lái)描述空調(diào)虛擬儲(chǔ)能的剩余電量。
(3)
(4)
(5)
式中:E(t)和EN分別為空調(diào)虛擬儲(chǔ)能的儲(chǔ)電量和額定容量;Tr(t)為房間溫度;Tmax和Tmin分別為用戶可接受的溫度上限和下限;C為建筑等效熱容;ηac為定頻空調(diào)能效比。
由式(3)可知,εe,ac(t)的取值范圍為0到1之間,當(dāng)室內(nèi)溫度接近溫度上限時(shí),虛擬儲(chǔ)能的剩余電量為0,此時(shí)已達(dá)到最大放電深度。
(6)
式中:Qev為電動(dòng)汽車的電池容量;ηev為電動(dòng)汽車的充電效率。假設(shè)電動(dòng)汽車在時(shí)間ts=toff-ton以平均功率Pa=Eneed/ts進(jìn)行充電,則
SOC,a(t+1)=SOC,a(t)+PaΔt/Qev
(7)
式中:SOC,a(t)為t時(shí)刻電動(dòng)汽車在平均功率充電方式下的荷電容量。
電動(dòng)汽車充電曲線如圖2所示。在此平均充電曲線上下分別設(shè)置兩條平行的邊界曲線。電動(dòng)汽車從時(shí)刻ton以額定充電功率Pevn開(kāi)始充電。由于額定充電曲線的斜率大于平均充電曲線,所以當(dāng)其與上邊界曲線相交時(shí)電動(dòng)汽車停止充電,當(dāng)其與下邊界曲線相交時(shí)又開(kāi)始重新充電,其數(shù)學(xué)表達(dá)式為:
圖2 電動(dòng)汽車充電曲線Fig.2 Charging curve of an electric vehicle
SOC,evn(t+1)=SOC,evn(t)+ηevSev(t)PevnΔt/Qev
(8)
式中:SOC,evn(t)為t時(shí)刻電動(dòng)汽車在額定功率充電方式下的荷電容量;Sev(t)代表電動(dòng)汽車的充電狀態(tài),充電為1,不充電為0。當(dāng)電動(dòng)汽車額定充電曲線與上邊界相交時(shí),Sev(t)由1變?yōu)?;當(dāng)額定充電曲線與下邊界相交時(shí),Sev(t)由0變?yōu)?。
為了描述充電過(guò)程,定義了電動(dòng)汽車的可控能量狀態(tài)裕度εe,ev(t)。
(9)
(3)對(duì)于分布式儲(chǔ)能負(fù)荷,儲(chǔ)能設(shè)備以荷電狀態(tài)來(lái)表示其自身電量狀態(tài),分布式儲(chǔ)能的可控能量狀態(tài)裕度εe,es(t)如下:
εe,es(t)=SOC,es(t)
(10)
式中:SOC,es(t)為t時(shí)刻儲(chǔ)能的荷電狀態(tài)。
4)可控裕度指標(biāo)。
對(duì)上述的功率裕度、時(shí)間裕度、可控能量狀態(tài)裕度指標(biāo)進(jìn)行歸一化后,通過(guò)式(11)得到負(fù)荷態(tài)勢(shì)的可控裕度指標(biāo)ε(t),以參與后續(xù)的負(fù)荷控制。
ε(t)=αεp(t)+βεt(t)+γεe(t)
(11)
α+β+γ=1
(12)
式中:εe(t)為可控能量狀態(tài)裕度的統(tǒng)稱,當(dāng)對(duì)象為空調(diào)、電動(dòng)汽車、分布式儲(chǔ)能時(shí),分別對(duì)應(yīng)εe,ac(t)、εe,ev(t)、εe,es(t);α、β、γ為分別權(quán)重系數(shù)。當(dāng)系統(tǒng)需要削減負(fù)荷時(shí),ε(t)值越大,則可控越高,越優(yōu)先參與負(fù)荷的調(diào)控;反之則可控程度越低。
基于各類負(fù)荷的運(yùn)行機(jī)理和建模[26-29],建立了以空調(diào)虛擬儲(chǔ)能、電動(dòng)汽車、分布式儲(chǔ)能為主體的廣義儲(chǔ)能聚合模型,具體數(shù)學(xué)模型如下所示:
(13)
式中:Tout(t)為室外溫度;Qac(t)為空調(diào)制冷量,kW;R為建筑等效熱阻;Sac(t)為空調(diào)壓縮機(jī)的啟停狀態(tài);Pevn為電動(dòng)汽車的實(shí)際運(yùn)行功率;ηev為電動(dòng)汽車的充電效率;Eev為電動(dòng)汽車的額定容量;ω為儲(chǔ)能設(shè)備的充放電效率;Ees為儲(chǔ)能設(shè)備的最大電池容量;Pesn(t)為儲(chǔ)能設(shè)備的額定功率;Ses(t)為儲(chǔ)能設(shè)備的充放電狀態(tài),當(dāng)Ses(t)=1時(shí),為充電狀態(tài),當(dāng)Ses(t)=-1時(shí),為放電狀態(tài),當(dāng)Ses(t)=0時(shí),為非充電非放電狀態(tài)。
針對(duì)上述的狀態(tài)模型,約束條件如下:
(14)
(15)
(16)
式中:ΔTd為定頻空調(diào)的閾值溫度范圍;Tset(t)為空調(diào)設(shè)定溫度;ωt為時(shí)間延遲,仿真中即仿真時(shí)間步長(zhǎng)。
式(15)反映了空調(diào)壓縮機(jī)啟停狀態(tài)與室溫之間的關(guān)系,當(dāng)室內(nèi)溫度高于閾值溫度上限時(shí),壓縮機(jī)開(kāi)啟;當(dāng)室內(nèi)溫度低于閾值溫度下限時(shí),壓縮機(jī)關(guān)閉。本文只考慮空調(diào)的制冷狀態(tài)。式(16)反映了電動(dòng)汽車的充電狀態(tài)與電動(dòng)車可控能量狀態(tài)裕度的關(guān)系,εev(t)的取值范圍在0到1之間,當(dāng)εev(t)接近于充電曲線上限時(shí),Sev(t)由1變?yōu)?,當(dāng)εev(t)接近于充電曲線下線時(shí),Sev(t)由0變?yōu)?。由此可以基于可控能量狀態(tài)來(lái)改變電動(dòng)汽車的充電情況,從而控制電動(dòng)汽車消耗的功率。
針對(duì)資源聚合商層面下的多種參數(shù)異構(gòu)和結(jié)構(gòu)負(fù)荷集中調(diào)控需求, 在綜合考慮負(fù)荷功率裕度、可控時(shí)間裕度和可控能量狀態(tài)的基礎(chǔ)上,提出一種基于負(fù)荷可控裕度指標(biāo)的狀態(tài)隊(duì)列算法。具體步驟如下。
步驟1:根據(jù)負(fù)荷自身的運(yùn)行狀態(tài)變量進(jìn)行分群。
(17)
式中:Mn(t)為t時(shí)刻以某一類型可控負(fù)荷運(yùn)行狀態(tài)劃分的第n個(gè)負(fù)荷群參數(shù)集合;a(t)、b(t)、c(t)分別為負(fù)荷群中的運(yùn)行控制參數(shù);mn分別為第n個(gè)群內(nèi)負(fù)荷的數(shù)量。
步驟2:對(duì)可控群內(nèi)的負(fù)荷形成歸一化的可控裕度指標(biāo),并根據(jù)運(yùn)行場(chǎng)景要求進(jìn)行排序,設(shè)置可控系數(shù)的動(dòng)作閾值。
將前文定義的可控裕度作為排序指標(biāo),選擇相應(yīng)的負(fù)荷進(jìn)行控制。根據(jù)不同的場(chǎng)景需要,將可控群中的負(fù)荷設(shè)備按照可控裕度的大小進(jìn)行升序排列或者降序排列,重新排列后的可控群Mk(t)如下所示。
(18)
式中:mk(t)為t時(shí)刻的可控負(fù)荷群k的參數(shù)集合;d(t)為可控群中的負(fù)荷可控裕度參數(shù);mk(t)為可控負(fù)荷群k在t時(shí)刻的負(fù)荷數(shù)量。
步驟3:對(duì)動(dòng)作閾值范圍內(nèi)的負(fù)荷進(jìn)行篩選,并確定響應(yīng)數(shù)目,進(jìn)行直接負(fù)荷控制。
在可控負(fù)荷群中,越靠近自然切換點(diǎn)的負(fù)荷越容易發(fā)生狀態(tài)的反轉(zhuǎn)[29],若對(duì)這些負(fù)荷進(jìn)行直接控制,也會(huì)容易再次發(fā)生狀態(tài)的反轉(zhuǎn),從而弱化控制的效果。因而在對(duì)負(fù)荷資源進(jìn)行控制策略設(shè)計(jì)時(shí),群中越靠后的負(fù)荷設(shè)備越應(yīng)優(yōu)先選擇[30],設(shè)置可控區(qū)域上下限的目的即是保證靠近自然切換點(diǎn)的部分設(shè)備不被選擇??紤]到用戶的舒適度,定義可控區(qū)域的上下限指標(biāo)εlow、εhigh。并篩選各群在此范圍內(nèi)的負(fù)荷,如下所示:
(19)
(20)
(21)
各類負(fù)荷的狀態(tài)變量、分群情況以及序列參數(shù)如表1所示。
表1 各類負(fù)荷的狀態(tài)隊(duì)列算法Table 1 State queue algorithm for various loads
考慮多種異構(gòu)柔性資源的調(diào)節(jié)特性和風(fēng)電出力的隨機(jī)性[31],本文提出一種基于柔性資源聚合商的多時(shí)間尺度調(diào)峰方法。
在日前調(diào)度計(jì)劃中,調(diào)度中心根據(jù)風(fēng)電的日前預(yù)測(cè)出力和負(fù)荷的日前預(yù)測(cè)值,安排資源聚合商中空調(diào)和電動(dòng)汽車集群的功率調(diào)整量、風(fēng)電場(chǎng)出力以及常規(guī)機(jī)組啟停狀態(tài)及出力。由于常規(guī)機(jī)組啟停時(shí)間較長(zhǎng),則在日前計(jì)劃中確定后無(wú)法在日內(nèi)滾動(dòng)計(jì)劃中修改。在日內(nèi)調(diào)度計(jì)劃中,根據(jù)日內(nèi)風(fēng)電出力預(yù)測(cè)出力和負(fù)荷日內(nèi)預(yù)測(cè)值,安排常規(guī)機(jī)組出力計(jì)劃、聚合商資源中分布式儲(chǔ)能的運(yùn)行策略和風(fēng)電機(jī)組出力。
日前時(shí)間尺度的調(diào)峰層:參與調(diào)節(jié)的電源和柔性負(fù)荷分別為常規(guī)電源機(jī)組、可再生能源、柔性資源聚合商。日前調(diào)度的時(shí)間間隔設(shè)置為1 h。
4.1.1目標(biāo)函數(shù)
以調(diào)度中心的運(yùn)行成本最小為目標(biāo):
(22)
式中:T1為日前調(diào)度階段的時(shí)段總數(shù);NG為常規(guī)發(fā)電機(jī)組的臺(tái)數(shù);Cgen為常規(guī)電源調(diào)度成本,由機(jī)組運(yùn)行成本和啟停成本組成;Cwp為棄風(fēng)懲罰成本;Cfl為資源聚合商的調(diào)度成本;uj(t)為常規(guī)機(jī)組j在t時(shí)段的啟停狀態(tài)變量;PG,j(t)為常規(guī)機(jī)組j在t時(shí)段的出力;aj、bj、cj分別為常規(guī)機(jī)組j的運(yùn)行成本參數(shù);SG,j為常規(guī)電源機(jī)組j的啟停成本;Cw為單位棄風(fēng)成本;Pw(t)為t時(shí)段的棄風(fēng)容量; ΔPac,j(t)、ΔPev,j(t)分別為資源聚合商j中空調(diào)負(fù)荷群和電動(dòng)汽車充電負(fù)荷群的功率調(diào)整量。
假設(shè)資源聚合商的功率調(diào)節(jié)補(bǔ)償價(jià)格與其功率調(diào)整量之間均呈線性關(guān)系,即
(23)
式中:ΔPfl,j為資源聚合商j的功率調(diào)整量;αj、βj為資源聚合商j的成本系數(shù)。
4.1.2約束條件
約束條件包括系統(tǒng)功率平衡約束、旋轉(zhuǎn)備用約束、風(fēng)電出力約束、常規(guī)機(jī)組出力約束、資源聚合商的功率調(diào)整量約束。
1)系統(tǒng)功率平衡約束。
(24)
式中:Pload(t)為t時(shí)段系統(tǒng)負(fù)荷功率值;Pwind_f(t)為t時(shí)段風(fēng)電有功預(yù)測(cè)出力。常規(guī)機(jī)組、風(fēng)電的預(yù)測(cè)出力、棄風(fēng)量、負(fù)荷的實(shí)際出力和聚合商的功率調(diào)整量應(yīng)保持平衡。
2)旋轉(zhuǎn)備用約束。
(25)
3)風(fēng)電出力約束。
0≤Pw(t)≤Pwind_f(t)
(26)
4)聚合商調(diào)節(jié)功率約束。
(27)
除上述約束條件之外,還包括常規(guī)機(jī)組輸出功率上下限約束、常規(guī)機(jī)組最小啟停時(shí)間約束、常規(guī)機(jī)組爬坡約束等。
4.2.1目標(biāo)函數(shù)
日內(nèi)的調(diào)峰模型中,每15 min進(jìn)行一次滾動(dòng)優(yōu)化,制訂未來(lái)4 h負(fù)荷用電計(jì)劃和出力修正計(jì)劃。其目標(biāo)函數(shù)如下:
(28)
式中:Cgen_2為常規(guī)機(jī)組的運(yùn)行成本;Cwp為日內(nèi)棄風(fēng)懲罰成本;Cfl為資源聚合商中分布式儲(chǔ)能的調(diào)度成本;T2為日內(nèi)調(diào)度階段的時(shí)段總數(shù)。
4.2.2約束條件
約束條件包括系統(tǒng)的功率平衡約束、機(jī)組運(yùn)行約束和風(fēng)電出力等約束;常規(guī)機(jī)組的運(yùn)行約束不再考慮機(jī)組啟停相關(guān)約束;聚合商運(yùn)行約束中只考慮聚合商中分布式儲(chǔ)能群的功率調(diào)節(jié)約束,如式(29)所示:
(29)
采用IEEE 17機(jī)系統(tǒng)[32]對(duì)所提出的調(diào)度模型進(jìn)行驗(yàn)證,包含3個(gè)資源聚合商,每個(gè)聚合商均包含空調(diào)負(fù)荷、電動(dòng)汽車負(fù)荷和分布式儲(chǔ)能。棄風(fēng)成本為35美元/(MW·h)。
風(fēng)電和負(fù)荷的日前預(yù)測(cè)功率[32-33]如圖3所示。
圖3 風(fēng)電和負(fù)荷的預(yù)測(cè)功率Fig.3 Day-ahead forecast power of wind power and load
3個(gè)資源聚合商所包含的負(fù)荷數(shù)量及參數(shù)如表2所示。
表2 聚合商的負(fù)荷數(shù)量配置Table 2 Quantity allocation of aggregators
空調(diào)、電動(dòng)汽車和分布式儲(chǔ)能的參數(shù)配置分別如表3—5所示。
表3 空調(diào)負(fù)荷的參數(shù)配置Table 3 Parameter configuration of air conditioning load
表4 電動(dòng)汽車的參數(shù)配置Table 4 Parameter configuration of electric vehicle
表5 分布式儲(chǔ)能的參數(shù)配置Table 5 Parameter configuration of distributed energy storage
3個(gè)資源聚合商的功率調(diào)節(jié)補(bǔ)償價(jià)格系數(shù)設(shè)置如表6所示。
表6 資源聚合商的成本系數(shù)Table 6 Cost coefficient of resource aggregators
5.2.1日前優(yōu)化調(diào)度結(jié)果
對(duì)日前荷源互動(dòng)調(diào)峰模型進(jìn)行仿真求解,得到柔性負(fù)荷的調(diào)度計(jì)劃、機(jī)組出力和風(fēng)電日前出力。下面將從調(diào)度成本、柔性資源聚合商參與調(diào)峰和消納風(fēng)電的效果進(jìn)行分析。日前調(diào)度結(jié)果如圖4所示,柔性資源參與控制前后的負(fù)荷曲線對(duì)比如圖5所示,聚合商參與前后的峰谷值對(duì)比如表7所示。
圖4 日前調(diào)度結(jié)果Fig.4 Day-ahead scheduling results
圖5 柔性資源參與控制前后的負(fù)荷曲線對(duì)比Fig.5 Comparison of load curves before and after flexible resource controlled
表7 聚合商參與前后的峰谷值對(duì)比Table 7 Comparison of peak valley values before and after aggregator participation
從圖4、圖5和表7可以看出,考慮柔性資源聚合商參與系統(tǒng)調(diào)度后,在10:00—14:00和16:00—22:00的用電高峰時(shí)段,系統(tǒng)總負(fù)荷降低;在00:00—09:00用電低谷時(shí)段,系統(tǒng)的總負(fù)荷上升。柔性負(fù)荷參與后峰谷差降至1 799 MW,由此可見(jiàn),柔性負(fù)荷參與調(diào)度能在一定程度上有效緩解電網(wǎng)調(diào)峰的壓力。可控柔性資源在用電低谷時(shí)增加出力,以增加風(fēng)電的消納;在用電高峰時(shí)減小出力,以減小火電機(jī)組的運(yùn)行成本。
聚合商的負(fù)荷總體響應(yīng)情況如圖6所示。由仿真結(jié)果可得,對(duì)于在不影響用戶用電需求的情況下,通過(guò)直接負(fù)荷控制,在負(fù)荷高峰時(shí)段減少可控柔性負(fù)荷的用電,在負(fù)荷低谷時(shí)段適當(dāng)增加柔性負(fù)荷的用電。
圖6 日前尺度的聚合商的負(fù)荷總體響應(yīng)情況Fig.6 Overall load response of load aggregators on day-ahead scale
5.2.2日內(nèi)優(yōu)化調(diào)度結(jié)果
日內(nèi)滾動(dòng)修正調(diào)峰模型進(jìn)一步采用柔性可控資源進(jìn)行響應(yīng),以跟蹤風(fēng)電日內(nèi)出力,消除風(fēng)電出力的功率偏差。通過(guò)求解日內(nèi)優(yōu)化調(diào)度模型,得到的日內(nèi)調(diào)度優(yōu)化結(jié)果,如圖7所示。
圖7 日內(nèi)調(diào)度優(yōu)化結(jié)果Fig.7 Intra-day scheduling results
由圖7可以得到,在11:00—22:00的用電高峰期,相比于日前調(diào)度結(jié)果,系統(tǒng)總負(fù)荷明顯降低,在一定程度上減小了系統(tǒng)的調(diào)峰壓力。分布式儲(chǔ)能參與日內(nèi)調(diào)峰優(yōu)化后峰谷差降至1 742 MW,相較于聚合商參與調(diào)控前,峰谷差下降了57 MW,分布式儲(chǔ)能負(fù)荷群的參與有效實(shí)現(xiàn)削峰填谷。
柔性資源參與控制前后的負(fù)荷曲線對(duì)比如圖8所示,聚合商的負(fù)荷總體響應(yīng)情況如圖9所示。由上述結(jié)果可以得到,柔性資源聚合商在參與系統(tǒng)調(diào)度中,由于其可上調(diào)和下調(diào)功率的特性,緩解了系統(tǒng)調(diào)峰壓力,有效提高了系統(tǒng)的向上和向下的功率調(diào)節(jié)的靈活性。
圖8 聚合商參與控制前后的負(fù)荷曲線對(duì)比Fig.8 Comparison of load curves before and after aggregator participating in control
圖9 日內(nèi)尺度的聚合商的負(fù)荷總體響應(yīng)情況Fig.9 Overall load response of load aggregators on intra-day scale
針對(duì)3種場(chǎng)景(場(chǎng)景1為不含資源聚合商參與控制,場(chǎng)景2為考慮聚合商參與日前調(diào)度,場(chǎng)景3為考慮聚合商參與日前-日內(nèi)調(diào)度)進(jìn)行仿真分析,3種場(chǎng)景的調(diào)度成本如表8所示。
表8 各場(chǎng)景的調(diào)度成本Table 8 Scheduling cost of each scenario
由表8可得,在場(chǎng)景2和場(chǎng)景3(柔性負(fù)荷參與調(diào)度控制后)中,系統(tǒng)的總成本分別相比于場(chǎng)景1有所降低,降低了系統(tǒng)的運(yùn)行成本,提高了系統(tǒng)的經(jīng)濟(jì)效益。除此之外,柔性負(fù)荷聚合商參與系統(tǒng)優(yōu)化后,火電機(jī)組的成本也大大降低,在一定程度上緩解了火電機(jī)組的調(diào)峰壓力;棄風(fēng)量也降低為0,說(shuō)明本文所提的優(yōu)化方法能夠提高風(fēng)電的消納水平,通過(guò)調(diào)整柔性資源的用電計(jì)劃,在風(fēng)電出力較多的時(shí)候增加負(fù)荷用電計(jì)劃。
首先提出了柔性負(fù)荷分層協(xié)調(diào)控制架構(gòu),在此基礎(chǔ)上,提出一種基于可控裕度指標(biāo)的狀態(tài)隊(duì)列算法,最后建立多類型柔性負(fù)荷參與的日前-日內(nèi)調(diào)峰優(yōu)化模型。仿真算例驗(yàn)證了模型的有效性和經(jīng)濟(jì)性,得出以下結(jié)論:
1)由于柔性資源聚合商的引入,提供了靈活的上調(diào)和下調(diào)的功率調(diào)節(jié)能力,減輕了常規(guī)機(jī)組的調(diào)節(jié)壓力,減小了系統(tǒng)的運(yùn)行成本;
2)所建立的多類型柔性負(fù)荷參與的日前-日內(nèi)調(diào)峰優(yōu)化模型在不同的時(shí)間尺度下采用相適應(yīng)的響應(yīng)實(shí)施策略,有效提高了風(fēng)電的消納能力,等效負(fù)荷曲線的峰谷差降低了333 MW,減小了系統(tǒng)的調(diào)峰壓力,獲得了良好的經(jīng)濟(jì)效益。
限于篇幅,本文未深入分析柔性資源響應(yīng)的不確定性以及資源聚合商的招投標(biāo)策略等,在后續(xù)的研究中將進(jìn)一步完善。