計及不確定性的高比例清潔能源在微電網(wǎng)中的消納

李曉鵬，蔡文斌，呂海霞

（內(nèi)蒙古電力經(jīng)濟技術(shù)研究院，內(nèi)蒙古 呼和浩特 010090）

近年來，隨著我國實現(xiàn)碳達峰以及碳中和目標的提出，可再生能源（renewable energy，RE）在電網(wǎng)中的比例持續(xù)上升[1]。隨著智能電網(wǎng)和微電網(wǎng)的發(fā)展，使得以高滲透的風能和太陽能為代表的分布式電源（distributed generation，DG）的利用更加有效。同時，風力發(fā)電和太陽能發(fā)電的間歇性給微電網(wǎng)帶來了新的運行問題和挑戰(zhàn)，為了保證可靠供電，當微電網(wǎng)出現(xiàn)電力供應短缺時，其他微電網(wǎng)元件必須能夠快速、靈活地做出響應，文獻[2]將這種靈活性的概念定義為：微電網(wǎng)能夠根據(jù)可再生能源發(fā)電的短缺和過剩情況迅速修正發(fā)電量或需求量，從而總體上保持供需平衡。隨著可再生能源滲透率的提高，使得電力供應的可變性和不確定性增加，維持電力供需平衡將變得更加困難，最終可能導致電力投資成本的增加來提供更高的供電可靠性。

微電網(wǎng)運行中的主要挑戰(zhàn)是要滿足瞬時功率平衡。儲能系統(tǒng)（energy storage systems，ESS）作為可靈活調(diào)節(jié)出力的單元，能夠?qū)﹄娔苓M行合理地轉(zhuǎn)移，在時間上解耦電能的生產(chǎn)和消耗。讓儲能充分參與到系統(tǒng)調(diào)峰任務當中，在負荷低谷時儲存電能，在負荷高峰期釋放電能，減小系統(tǒng)峰谷差。儲能的接入雖然可以在一定程度上平抑系統(tǒng)的功率波動，但不足以補償高比例的風電和太陽能發(fā)電接入系統(tǒng)后出力的波動。需求響應（demand response，DR），旨在根據(jù)供電條件調(diào)整負荷的需求狀況，從而為可再生能源發(fā)電的高滲透率的供電可能性提供支撐。已有研究表明采取有效的DR機制可以在很大程度上縮小供需之間的差距。但是，由于ESS運行需要考慮充放電損耗，而這些損耗則取決于設備的循環(huán)效率，因此DR可能會降低ESS的利用率。

同時高比例可再生能源對微電網(wǎng)的另一個重大挑戰(zhàn)是如何考慮微電網(wǎng)中的機組組合（unit commitment，UC）決策。在可再生能源滲透率較低的情況下，UC可被視為一個確定性問題。然而，在可再生能源滲透率較高的情況下，由于風能和太陽能無法準確預測，這就導致微電網(wǎng)的運行中增加了一個重要的隨機因素，為此傳統(tǒng)發(fā)電機需要提供大量的備用容量，使得在接入高比例可再生能源的情況下對于減少碳排放的貢獻度沒有得到充分利用。

近年來，人們在解決微電網(wǎng)的優(yōu)化調(diào)度問題上做了很多工作并取得了一定的成果。在大多數(shù)文獻中，提出了兩種市場策略來解決微電網(wǎng)的優(yōu)化調(diào)度問題：一是使微電網(wǎng)的總運行成本最小化，包括傳統(tǒng)發(fā)電機的運行成本和從主網(wǎng)獲得電量的成本；二是通過與主網(wǎng)交換電力，使微電網(wǎng)的收益最大化。

文獻[3]提出了一種基于微電網(wǎng)計及熱電聯(lián)產(chǎn)減排和發(fā)電成本的經(jīng)濟調(diào)度的調(diào)度模型。文獻[4]提出了一個基于知識的專家系統(tǒng)（knowledge-based expert system，KBES），該系統(tǒng)為一個獨立微電網(wǎng)提供每小時的離散調(diào)度算法。KBES通過使用ESS最大限度地減少系統(tǒng)甩負荷來對調(diào)度進行優(yōu)化，從而降低運行成本和減少排放。文獻[5]提出了一種以最小的運行成本和排放為目標，對獨立運行的微電網(wǎng)中的分布式電源（DG）和ESS進行優(yōu)化調(diào)度的優(yōu)化模型。

綜上所述，在負荷和可再生能源出力不確定的情況下，計及ESS和DR對微電網(wǎng)消納高比例可再生能源的影響還處于研究的熱點。

本文安排如下：第1節(jié)描述在UC問題中處理不確定性的主要方法，以及如何創(chuàng)建負荷、風能和太陽能等可再生能源出力預測誤差的不確定度集。在第2節(jié)提出了微電網(wǎng)UC與ESS和DR的數(shù)學模型。將所建立的模型應用于微電網(wǎng)，并在第3節(jié)給出了仿真結(jié)果，并驗證其有效性。

1 不確定因素

目前已經(jīng)有很多種方法來處理負荷、風能和太陽能發(fā)電預測誤差的不確定性的問題。本文采用了文獻[6]和文獻[7]中用于處理不確定性的方法：包含備用需求和隨機優(yōu)化模型。通過將這兩種方法結(jié)合起來，得到最優(yōu)的UC策略和更好的不確定性分析模型。備用需求是根據(jù)文獻[6]中的預測誤差確定的。風電出力及預測誤差時域特征的研究，大多采用Markov模型與時間序列模型。前者是描述隨機變量狀態(tài)轉(zhuǎn)移的有效方法，但其在處理短時間步長數(shù)據(jù)時存在一定的局限性。后者可以通過分析歷史數(shù)據(jù)提取變量在時域上的變化特性。本文考慮的是清潔能源接入微電網(wǎng)的配合儲能裝置的中長期消納，清潔能源在微電網(wǎng)中占比有限，同時儲能作為備用，清潔能源隨機性對電網(wǎng)影響能力有限，因此采用簡單的基于離散誤差的清潔能源隨機性建模作為刻畫清潔能源波動的手段。

在本文中以負荷需求、風能和太陽能發(fā)電量的預測誤差百分比來表示系統(tǒng)運行中的不確定性。在隨機優(yōu)化模型中，不確定性很難考慮所有的連續(xù)狀態(tài)，因此，為了簡單起見，本文提取了一組有代表性的離散狀態(tài)的正態(tài)離散概率分布。負荷、風電和光伏的預測誤差δD，δW，δPV表示如下：

式中：e為預測中考慮狀態(tài)的誤差概率分布函數(shù)；ρ為對應狀態(tài)出現(xiàn)的概率；下標D，W，PV分別為負荷、風電、光伏變量；n為該離散集中的狀態(tài)數(shù)量。

通過上述的離散集來創(chuàng)建一個由下式給出的可能的情況（S）來表示負荷、風力和太陽能發(fā)電可能出現(xiàn)的偏差預測值：

通過上述提取的場景及其相應的概率，建立運行模型。

2 計及ESS和DR的UC模型

本節(jié)所建立的優(yōu)化數(shù)學模型是一個多場景混合整數(shù)線性優(yōu)化模型，目標函數(shù)是24 h內(nèi)的預期總成本（expected total cost，ETC）最小，具體如下：

式中：λs為場景s出現(xiàn)的概率；K為時刻的集合；J為具備調(diào)節(jié)能力的機組集合；Cj（Pj，k，s）為機組燃料成本；SUj，k為機組的啟停成本；CES為 ESS的充、放電一次的預期運行成本分別為ESS處于充電、放電的二元狀態(tài)量；為限電功率；Ccurt為由于棄電導致的削減費用為功率需求的增量；CSH為需求轉(zhuǎn)移的預期成本。

式（6）中，右邊第一項為發(fā)電機的預期運行成本，第二項為ESS的預期運行成本，第三項為可再生能源限電的預期成本。

2.1 供需平衡約束

如下式所示總發(fā)電量（包括風能和光伏發(fā)電、ESS及DR和可再生能源電力限電）滿足k期的預測需求：

式中：下標k，s為在s場景下的第k個時刻的變量；為系統(tǒng)總需求發(fā)生后k時刻產(chǎn)生的功率需求量，該需求可以大于或小于原需求量為在不考慮需求響應時的功率需求量分別為功率需求增加量和減少量。

假設負荷轉(zhuǎn)移的決策由微電網(wǎng)運營商決定和控制，而不是由用戶決定和控制。同時假設微電網(wǎng)運營商有關(guān)于其現(xiàn)有電氣設備的信息系統(tǒng)，并可以使需求推遲到其他時間產(chǎn)生。關(guān)于延遲部分需求側(cè)管理的更多詳細介紹請見文獻[4]和文獻[8]。為了不將用戶的活動轉(zhuǎn)移到次日，用電需求變化必須在24 h內(nèi)平衡如下式：

同時，通過下式可以得到從一個小時到另一個小時的最大轉(zhuǎn)移需求量：

式中：Bup，Bdown分別為需求變化量的上、下限。

2.2 熱備用約束

該約束確保所有參與備用的發(fā)電機和ESS的凈可用容量滿足k時間段的微電網(wǎng)旋轉(zhuǎn)備用要求，其中還包括為減輕負荷、風能和太陽能預測的不確定性影響而增加的額外備用。

此外，每臺可控發(fā)電機都有自己的運行約束條件，如升壓/降壓、最小上/下時間、發(fā)電輸出限制、邏輯和初始約束等[9]。

2.3 儲能系統(tǒng)約束

以下公式代表了儲能系統(tǒng)的運行約束[10]。

2）放電和充電動態(tài)特性如下：

式中：Ck，s為當前儲能裝置的容量；ηCH，ηDCH分別為儲能裝置的充、放電效率；dk為當前場景的持續(xù)時間。

3）ESS運行端點和儲能極限如下：

式中：Cmin，Cmax分別為儲能裝置最小、最大容量；C0，s為儲能裝置當前時刻的容量；Cst，CE分別為儲能裝置的初始容量和追蹤容量。

4）充放電協(xié)調(diào)約束如下：

2.4 棄風棄光約束

當可再生能源發(fā)生出力過剩時，為了確保系統(tǒng)安全，就會采用該約束條件。通過以下3式確保當可再生能源發(fā)電量超過微電網(wǎng)負荷時，至少有一個有足夠容量的可控機組可以提供所需的旋轉(zhuǎn)備用：

3 算例分析及仿真驗證

本文采用基準微電網(wǎng)[11]，該微電網(wǎng)由12臺可控DG、一臺風電機組、一套光伏系統(tǒng)以及一套ESS組成?？煽谼G、風電機組和光伏系統(tǒng)的裝機容量分別為2 040 kW，560 kW和1 440 kW。平均每小時風速曲線、風電機組參數(shù)光伏的輻照度形狀的詳細情況參數(shù)可參見文獻[12]?？稍偕茉礉B透率定義為可再生能源總裝機容量占系統(tǒng)總裝機容量的百分比。

微電網(wǎng)的24 h負荷曲線，包括商業(yè)、住宅和工業(yè)負荷如圖1所示。假設微電網(wǎng)運營商擁有ESS的所有權(quán)和運營權(quán)。根據(jù)文獻[13]假設每天有兩個運行周期，電動車系統(tǒng)的平均運行成本估計為4.32元/（kW·h），考慮到每天兩個運行周期，假設1 200元/（kW·h）的投資成本，按8%的年收益率計算，并且壽命為3 000個周期。對于ESS，當為150 kW，Cmax為900 kW·h時，Cst和CE為0.5（標幺值），而充電和放電效率為85%。

圖1 所研究網(wǎng)絡的負荷曲線Fig.1 Load curve of the study case network

為了表示不確定性，考慮了負荷、風能和太陽能預測誤差的五種狀態(tài)的正態(tài)離散概率分布，如表1所示，總共產(chǎn)生了125種場景。旋轉(zhuǎn)備用約束的預測誤差系數(shù)由文獻[5]給出，具體如下：γD=0.03，γW=0.13，γPV=0.09。

表1 負荷、風電和太陽能的預測誤差的概率分布（e，%）Tab.1 Probability distribution of prediction error of load，wind and solar energy（e，%）

假設三分之一的負荷是臨界的。每小時的旋轉(zhuǎn)備用需求被認為是一小時臨界負荷的10%。由于負荷曲線包括工業(yè)、商業(yè)和住宅負荷，可轉(zhuǎn)移需求被假定為總需求的15%。客戶的負荷轉(zhuǎn)移成本假定為14元/（kW·h），由于其對用戶的舒適度的影響很大，所以選擇了很高的負荷轉(zhuǎn)移成本。

本研究考慮了可再生能源滲透程度不同的4個場景。場景1忽略了ESS和DR，以便關(guān)注不同水平的高可再生能源接入的影響；場景2只考慮了DR，而場景3只考慮了ESS，最后將兩者結(jié)合起來作為場景4。

對上述4種場景進行仿真對比，每個場景和不同的可再生能源滲透水平的微電網(wǎng)的ETC如圖2所示。圖3顯示了在不同的可再生能源滲透率水平下，每個場景的預期縮減能量。值得注意的是，在場景1中，當超過40%的可再生能源滲透率水平時，就需要減少可再生能源的發(fā)電量。相反，計及DR（場景2）和ESS（場景3）結(jié)合的微電網(wǎng)（場景4），可以將可再生能源滲透率提高到50%，而不增加預期的運行成本或造成大量的棄風棄光。

圖2 不同可再生能源滲透率的ETC比較Fig.2 Comparison of ETC under different RE penetration levels

圖3 不同可再生能源滲透率的預期縮減能量比較Fig.3 Comparison of expected curtailed energy under different RE penetration levels

表2、表3分別為所提出的場景研究中，在50%和60%的可再生能源滲透率水平下，微電網(wǎng)運行的預期成本。

表2 50%可再生能源滲透率水平下的成本成分和排放量（美元）Tab.2 Cost components and emissions under 50%RE penetration levels（U.S.dollar）

表3 60%可再生能源滲透率水平下的成本成分和排放量（美元）Tab.3 Cost components and emissions under 60%RE penetration levels（U.S.dollar）

由表2、表3可知，在場景1中，當可再生能源的發(fā)電量在某一小時k時刻超過微電網(wǎng)負荷時，多余的可再生能源出力在該小時內(nèi)只能限電。此外，為了保證至少調(diào)度一臺容量足夠的可控DG機組來滿足旋轉(zhuǎn)備用的要求，還要對可再生電力進行一定的限電處理。在場景2中，采用DR改變微電網(wǎng)負荷曲線，使其盡可能地接近可再生能源功率曲線，從而使可再生能源的效益最大化，如微電網(wǎng)的ETC和可再生能源棄風棄光最小化。在場景3中，ESS被設置為在可再生能源發(fā)電量高的時期儲存能量，在可再生能源發(fā)電量低的時期釋放能量，從而減少棄風棄光，而協(xié)調(diào)ESS和DR（場景4）則有助于進一步減少可再生能源的預期限電。

通過圖2可以觀察到，場景1的ETC最高，原因是預期的可再生能源限電成本，表明在偏遠或孤立的微電網(wǎng)中，如果沒有ESS或DR，就不適宜接入高滲透率的可再生能源。因此，為了提高微電網(wǎng)的靈活性，必須將ESS和DR結(jié)合起來，從而在不發(fā)生棄風棄光的同時將可再生能源的滲透率提高到一個更高的水平。如表2、表3所示，采用這種機組組合策略也有助于進一步減少預期的微電網(wǎng)日排放量。

4 結(jié)論

在偏遠的微電網(wǎng)中可再生資源的電力占有很大的比重。系統(tǒng)運營商必須能夠獲得足夠的靈活資源，以緩解高滲透率的可再生能源帶來的不確定性。

在本文中，將ESS和DR等靈活資源的聯(lián)合運行以緩解由于可再生能源接入給系統(tǒng)帶來的供需不平衡和不確定性。通過ESS和DR的協(xié)調(diào)運行，可以提高微電網(wǎng)中消納高比例的可再生能源的潛力。