基于智能負(fù)荷控制的分布式能源系統(tǒng)調(diào)控策略研究

郭新志，劉英新，李秋燕，郭 勇，王利利

（1.國(guó)網(wǎng)河南經(jīng)濟(jì)技術(shù)研究院，河南鄭州 450000；2.華北電力大學(xué)新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102206；3.國(guó)網(wǎng)三門(mén)峽供電公司，河南三門(mén)峽 472000）

0 引言

目前，我國(guó)較大比例能源消耗仍依賴(lài)于煤炭等化石燃料，隨著我國(guó)經(jīng)濟(jì)社會(huì)的發(fā)展，能源需求量的大幅提高造成了大量化石能源的消耗，一定程度上制約了我國(guó)經(jīng)濟(jì)社會(huì)的可持續(xù)發(fā)展[1]。在能源和環(huán)境危機(jī)的雙重背景下，分布式能源系統(tǒng)（Distributed Energy System，DES）由于其包含多種能源類(lèi)型，具有環(huán)保、可靠、靈活的優(yōu)點(diǎn)，得到快速發(fā)展[2-4]。合理調(diào)控分布式能源，對(duì)促進(jìn)能源合理利用，緩解能源、環(huán)境危機(jī)，具有重要的意義。但由于DES 中新能源出力的波動(dòng)性和隨機(jī)性，在并網(wǎng)時(shí)會(huì)對(duì)電力系統(tǒng)產(chǎn)生一定沖擊，因此，為減弱此負(fù)面影響，本文引入對(duì)智能負(fù)荷的合理調(diào)控。

對(duì)于負(fù)荷側(cè)的需求分析及調(diào)控策略已取得一定的成果，文獻(xiàn)[5-7]介紹了用戶(hù)側(cè)能量管理系統(tǒng)的概念，考慮用戶(hù)意愿及生活習(xí)慣提出了負(fù)荷狀態(tài)概率矩陣，并建立了居民用電概率模型，制定了以分布式光伏消納最大化為目標(biāo)的主動(dòng)負(fù)荷需求響應(yīng)方案。文獻(xiàn)[8-10]對(duì)基于多樣性保持的空調(diào)負(fù)荷群控制策略的控制特性和參數(shù)進(jìn)行深入分析，建立了負(fù)荷控制代價(jià)模型。文獻(xiàn)[11-13]提出對(duì)商業(yè)樓宇微網(wǎng)系統(tǒng)的負(fù)荷進(jìn)行交互控制，通過(guò)需求響應(yīng)調(diào)節(jié)微網(wǎng)功率平衡。文獻(xiàn)[14]提出了基于機(jī)會(huì)約束的直接負(fù)荷控制和可中斷負(fù)荷模型。但對(duì)于智能負(fù)荷的可調(diào)規(guī)模分析及其負(fù)荷特性的研究仍未形成成熟的理論方法。

目前，國(guó)內(nèi)外學(xué)者已經(jīng)對(duì)DES 的運(yùn)行優(yōu)化進(jìn)行了一定的研究，王惠[15]在考慮系統(tǒng)碳排放的基礎(chǔ)上，進(jìn)行不同建筑負(fù)荷的DES 優(yōu)化研究。曾鳴[16]在考慮需求側(cè)資源的的基礎(chǔ)上，對(duì)DES 的經(jīng)濟(jì)優(yōu)化運(yùn)行進(jìn)行研究。任洪波[17]以光伏電池、燃料電池、蓄電池的住宅能源系統(tǒng)為研究對(duì)象，分析在滿(mǎn)足住宅電力和熱力需求的同時(shí)，年運(yùn)行成本最小的運(yùn)行策略。張俊禮[18]將啟停邏輯和負(fù)荷限制等約束的各環(huán)節(jié)運(yùn)行特性與經(jīng)濟(jì)、能效、環(huán)保等目標(biāo)模型聯(lián)立，建立適用于運(yùn)行策略研究的滾動(dòng)優(yōu)化模型。張濤[19]根據(jù)冷熱電負(fù)荷需求、能源價(jià)格和設(shè)備技術(shù)信息等，運(yùn)用非線性整數(shù)規(guī)劃方法，建立DES 的優(yōu)化模型。但是，考慮智能負(fù)荷參與需求響應(yīng)的DES 調(diào)控策略的相關(guān)研究較少。

因此，本文為研究DES 優(yōu)化調(diào)度策略，通過(guò)綜合考慮調(diào)度時(shí)段、電價(jià)水平、氣象條件、控制信號(hào)等因素，運(yùn)用監(jiān)督學(xué)習(xí)技術(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并對(duì)智能負(fù)荷可控規(guī)模進(jìn)行分析，得出智能住宅可控有功功率函數(shù)?？紤]可調(diào)度機(jī)組、潮流、風(fēng)電光伏、儲(chǔ)能系統(tǒng)能量平衡及旋轉(zhuǎn)備用約束等約束條件，建立分布式能源管理系統(tǒng)模型，將智能負(fù)荷的需求響應(yīng)控制信號(hào)及DES 中其他參數(shù)變量進(jìn)行優(yōu)化，得出DES 經(jīng)濟(jì)性和可靠性最優(yōu)的調(diào)度策略。最后，基于國(guó)內(nèi)某智能小區(qū)試點(diǎn)進(jìn)行算例分析，利用IEEE-6 節(jié)點(diǎn)系統(tǒng)研究智能住宅參與需求響應(yīng)對(duì)DES 運(yùn)行的影響。

1 模型整體框架

在DES 中，用戶(hù)的需求響應(yīng)受多種因素影響，包括電價(jià)水平、氣象條件、政策激勵(lì)程度等。本文構(gòu)建了智能負(fù)荷神經(jīng)網(wǎng)絡(luò)模型，綜合考慮溫度、電價(jià)、需求響應(yīng)控制信號(hào)Lmax值、時(shí)間等因素，對(duì)Lmax值進(jìn)行優(yōu)化，將住宅可控有功功率代入分布式能源管理系統(tǒng)模型，分析調(diào)控策略。該模型的整體框架如圖1 所示。其中，為負(fù)荷歷史值，為負(fù)荷當(dāng)前值。

圖1 模型整體框架Fig.1 Model framework

首先，在智能負(fù)荷神經(jīng)網(wǎng)絡(luò)模型中，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到關(guān)于Lmax的函數(shù)；其次，將該函數(shù)代入DES 管理模型中，優(yōu)化得到，進(jìn)行多次迭代，得到最優(yōu)解；最后，得到住宅可控負(fù)荷、發(fā)電機(jī)組、儲(chǔ)能裝置的調(diào)控策略。

2 模型構(gòu)建

2.1 智能負(fù)荷神經(jīng)網(wǎng)絡(luò)模型

考慮每個(gè)住宅均配備能源中心管理系統(tǒng)（Energy Hub Management System，EHMS），EHMS 通過(guò)雙向通信網(wǎng)絡(luò)與DES 相連接，DES 可以借此向EHMS 傳遞Lmax。因此，EHMS 可根據(jù)需求信號(hào)、天氣情況及客戶(hù)偏好制定住宅的負(fù)荷調(diào)度計(jì)劃，進(jìn)而基于家用電器及需求響應(yīng)控制相關(guān)約束，使用戶(hù)能源消費(fèi)最小化。

為提高能源管理效率，應(yīng)恰當(dāng)估算住宅可控有功功率曲線，進(jìn)而將需求響應(yīng)模型合并到分布式能源管理系統(tǒng)框架中。本文基于智能電表的測(cè)量數(shù)據(jù)及實(shí)際EHMS 的仿真數(shù)據(jù)，采用監(jiān)督學(xué)習(xí)技術(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)[20]。最終，所估計(jì)的住宅可控有功功率神經(jīng)網(wǎng)絡(luò)被表示為時(shí)間、環(huán)境溫度、電價(jià)及需求響應(yīng)控制信號(hào)Lmax的函數(shù)：

式中：t，P分別為時(shí)間、電價(jià)，是已知量；Te為環(huán)境溫度，是預(yù)測(cè)值；Lmax為需求響應(yīng)控制信號(hào)，是由分布式能源管理系統(tǒng)決定的變量。

通過(guò)改變隱藏層神經(jīng)元的數(shù)值[21]，利用MATLAB 軟件中Levenberg-Marquardt 學(xué)習(xí)技術(shù)，基于數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得出最優(yōu)結(jié)果為8 個(gè)隱藏層神經(jīng)元，最終得到智能負(fù)荷神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，如圖2 所示。其中，IPx,t指第x個(gè)輸入變量在時(shí)段t對(duì)應(yīng)數(shù)值；Wx,y，W′y分別為第x個(gè)輸入與第y個(gè)隱藏層相關(guān)變量、第y個(gè)隱藏層對(duì)應(yīng)變量的權(quán)重；，Eop分別為隱藏層神經(jīng)元及的誤差。

圖2 智能負(fù)荷神經(jīng)網(wǎng)絡(luò)模型Fig.2 Intelligent load neural network model

訓(xùn)練過(guò)程結(jié)束后，將采用新的數(shù)據(jù)測(cè)試神經(jīng)網(wǎng)絡(luò)模型，以評(píng)價(jià)該神經(jīng)網(wǎng)絡(luò)的效果。神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，即住宅可控有功功率可表示為：

式中：T為時(shí)間周期；Y為隱藏層個(gè)數(shù)；X為輸入量個(gè)數(shù)。

2.2 分布式能源管理系統(tǒng)模型

分布式能源管理系統(tǒng)的目標(biāo)函數(shù)為系統(tǒng)運(yùn)行成本最小，該成本包括發(fā)電成本、啟停成本、切負(fù)荷相關(guān)成本等，如式（4）所示：

式中：ag，bg，cg分別為成本函數(shù)的二次項(xiàng)、一次項(xiàng)、常數(shù)項(xiàng)；為kt時(shí)段編號(hào)為g的發(fā)電機(jī)組有功功率；Δt為單位時(shí)段；為開(kāi)/關(guān)次數(shù)；Csd，Csu分別為發(fā)電機(jī)組停運(yùn)成本和啟動(dòng)成本；分別為關(guān)機(jī)、開(kāi)機(jī)決定；Cgrid為主網(wǎng)購(gòu)電價(jià)格；為從主網(wǎng)購(gòu)電功率；為切負(fù)荷量；CLC為切負(fù)荷成本。

目標(biāo)函數(shù)式（4）的約束條件如下。

1）功率平衡約束。母線的有功平衡考慮分布式電源、太陽(yáng)能光伏、風(fēng)機(jī)的輸出，商業(yè)、居民用戶(hù)負(fù)載的凈功率，儲(chǔ)能系統(tǒng)的充電、放電，以及網(wǎng)絡(luò)潮流，可表示為：

式中：Gi為節(jié)點(diǎn)i發(fā)電機(jī)組集合；PWi,kt為風(fēng)機(jī)出力；為母線電壓；為光伏機(jī)組出力；為節(jié)點(diǎn)ij之間的導(dǎo)納；f1，f2為無(wú)功功率負(fù)荷因子；Ni為節(jié)點(diǎn)i安裝儲(chǔ)能數(shù)量；為發(fā)電機(jī)組無(wú)功功率；θi,j，為相位角；分別為儲(chǔ)能系統(tǒng)充電功率、放電功率。

住宅負(fù)荷包含固定負(fù)荷和可控負(fù)荷2 部分[22-23]，其中，固定負(fù)荷來(lái)自于可預(yù)測(cè)的用電設(shè)備，可控負(fù)荷是EHMS 中可調(diào)度的需求量。

2）機(jī)組約束。該約束包含有功和無(wú)功功率發(fā)電約束、爬坡約束、最小啟停時(shí)間約束等，可表示為：

3）儲(chǔ)能系統(tǒng)約束。該約束包含電力平衡約束、充放電約束及電荷狀態(tài)約束[24]，可表示為：

4）電網(wǎng)約束。該約束是為了保證母線電壓及功率傳輸保持在特定的限制內(nèi)[25]。即：

5）主網(wǎng)購(gòu)電約束。DES 作為一個(gè)相對(duì)獨(dú)立的能源系統(tǒng)，從主電網(wǎng)購(gòu)電應(yīng)滿(mǎn)足一定的約束限制。即：

6）需求響應(yīng)約束。該約束為給定時(shí)間段中的需求響應(yīng)控制信號(hào)Lmax的約束為：

3 模型求解流程

本文模型求解流程如圖3 所示。

圖3 模型求解流程Fig.3 Model solving process

首先，基于智能電表的測(cè)量數(shù)據(jù)及實(shí)際EHMS的仿真數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到智能負(fù)荷神經(jīng)網(wǎng)絡(luò)模型，即住宅可控有功功率關(guān)于時(shí)間t、環(huán)境溫度Te、電價(jià)P及需求響應(yīng)控制信號(hào)Lmax的函數(shù)；其次，將該函數(shù)代入分布式能源管理系統(tǒng)模型中，優(yōu)化得到Lmax的值；將Lmax，t，Te，P代入智能負(fù)荷神經(jīng)網(wǎng)絡(luò)模型中，計(jì)算得到的值；最后，將，等參數(shù)代入分布式能源管理系統(tǒng)模型中進(jìn)行優(yōu)化，得到DES 的調(diào)控策略。

4 算例分析

4.1 基礎(chǔ)數(shù)據(jù)

本文采用IEEE-6 節(jié)點(diǎn)[26]系統(tǒng)驗(yàn)證分布式能源管理系統(tǒng)模型的適用性，如圖4 所示。

圖4 IEEE-6節(jié)點(diǎn)測(cè)試系統(tǒng)Fig.4 IEEE 6-node test system

該6 節(jié)點(diǎn)系統(tǒng)包含6 個(gè)電源及4 個(gè)負(fù)荷節(jié)點(diǎn)，其中，G1，G2 為傳統(tǒng)分布式電源，S 為分布式光伏，W 為分布式風(fēng)電，F(xiàn)C 為燃料電池，ES 為儲(chǔ)能電池。分布式能源管理系統(tǒng)的各種設(shè)備參數(shù)如表1 所示。

表1 分布式能源管理系統(tǒng)設(shè)備參數(shù)Table 1 Device parameters of distributed energy management system

相關(guān)價(jià)格數(shù)據(jù)根據(jù)文獻(xiàn)[16]確定。在本算例中，成本函數(shù)的二次項(xiàng)ag為0.000 4$/kW2h，一次項(xiàng)bg為13.5 $/ kWh，常數(shù)項(xiàng)cg為176.9 $[27]；切負(fù)荷成本為7.44$/kWh，發(fā)電機(jī)組啟動(dòng)成本為800$/次，停運(yùn)成本為400$/次，機(jī)組最小啟動(dòng)和停止時(shí)間均為6 h，儲(chǔ)能系統(tǒng)額定容量為800 kWh，充電效率為0.95，從主網(wǎng)購(gòu)電的最大值為4 000 kW，最小值為0 kW。

風(fēng)力發(fā)電和光伏發(fā)電的典型日出力特性曲線參考文獻(xiàn)[28-30]，DES 向主網(wǎng)購(gòu)電的電價(jià)曲線如圖5 所示。

圖5 主網(wǎng)購(gòu)電電價(jià)Fig.5 Electricity purchase price for main network

4.2 算例結(jié)果

采用MATLAB_R2016b 進(jìn)行編程計(jì)算，并調(diào)用求解器DICOPT 對(duì)所提模型進(jìn)行求解，測(cè)試平臺(tái)環(huán)境為Intel（R）Core（TM）i7-6700 CPU @ 3.40 GHz，8GB RAM 和Windows 10 專(zhuān)業(yè)版系統(tǒng)。

為研究智能負(fù)荷需求響應(yīng)控制信號(hào)對(duì)DES 運(yùn)行的影響，本文設(shè)置了5 個(gè)不同的場(chǎng)景，其可控負(fù)荷分別為0，20%，40%，60%及100%，可控負(fù)荷的百分比由最優(yōu)Lmax控制，結(jié)果如表2 所示。

表2 分布式能源管理系統(tǒng)運(yùn)行結(jié)果Table 2 Operation results of distributed energy management system

由表2 可知，隨著需求響應(yīng)控制的加強(qiáng)，系統(tǒng)切負(fù)荷不斷降低，DES 總運(yùn)行成本隨著需求響應(yīng)控制的加強(qiáng)而降低。此外，隨著需求響應(yīng)控制百分比的提升負(fù)荷因子不斷提高，高峰需求也從6.5 MW降低到了5.9 MW。

為進(jìn)一步分析考慮智能負(fù)荷情況對(duì)DES 各設(shè)備運(yùn)行的影響，分別對(duì)是否含有智能負(fù)荷靈活互動(dòng)的運(yùn)行調(diào)度方案進(jìn)行對(duì)比分析，智能負(fù)荷控制比例選擇40%。分布式能源管理系統(tǒng)中各個(gè)設(shè)備出力情況如圖6 所示。

圖6 優(yōu)化前后各分布式能源出力Fig.6 Distributed energy output before and after optimization

從圖6 可以看出，智能負(fù)荷參與DES 需求響應(yīng)后，高峰時(shí)段負(fù)荷相較于未考慮負(fù)荷調(diào)控時(shí)顯著降低，分布式能源出力更加平緩。通過(guò)調(diào)節(jié)智能負(fù)荷，0:00—7:00 時(shí)間段內(nèi)負(fù)荷有所上升，風(fēng)力發(fā)電的消納量得到提升，可有效減少棄風(fēng)現(xiàn)象。在9:00—16:00 時(shí)段內(nèi)，考慮智能負(fù)荷調(diào)度及管理系統(tǒng)的調(diào)控策略，可提高低谷時(shí)期負(fù)荷量，在不增加主網(wǎng)購(gòu)電情況下促進(jìn)光伏發(fā)電的消納。由圖7 中考慮智能負(fù)荷調(diào)控前后對(duì)比可知，在考慮對(duì)智能負(fù)荷調(diào)控后，主網(wǎng)購(gòu)電量有所下降，光伏和風(fēng)電機(jī)組出力有較為明顯增加，這是因?yàn)橹悄茇?fù)荷中的可轉(zhuǎn)移負(fù)荷從用電高峰時(shí)段轉(zhuǎn)移至用電較少的低谷時(shí)段，既緩解了DES 的供電壓力，又可最大程度地減少切負(fù)荷現(xiàn)象的出現(xiàn)。

圖7 為本文仿真6 節(jié)點(diǎn)系統(tǒng)考慮智能負(fù)荷靈活調(diào)控前后實(shí)際負(fù)荷曲線與負(fù)荷需求曲線。圖7（a）由于DES 從相連主網(wǎng)購(gòu)買(mǎi)電量存在容量限制，且考慮整個(gè)DES 的最優(yōu)運(yùn)行及相應(yīng)設(shè)備機(jī)組的啟停及爬坡約束，該系統(tǒng)在6:00—8:00，19:00—24:00 2 個(gè)時(shí)間段中，產(chǎn)生了切負(fù)荷現(xiàn)象；圖7（b）為考慮對(duì)智能負(fù)荷進(jìn)行需求響應(yīng)合理調(diào)控時(shí)，分布式能源管理系統(tǒng)能夠控制負(fù)荷需求，在負(fù)荷高峰時(shí)，將總負(fù)荷中的智能負(fù)荷進(jìn)行時(shí)間轉(zhuǎn)移，高峰負(fù)荷需求降低，進(jìn)而降低了切負(fù)荷。

圖7 IEEE-6節(jié)點(diǎn)系統(tǒng)負(fù)荷曲線Fig.7 IEEE 6-node system load curves

5 結(jié)語(yǔ)

本文將可控有功功率表示為環(huán)境溫度、電價(jià)、時(shí)間及需求限制的函數(shù)，并構(gòu)建神經(jīng)網(wǎng)絡(luò)模型對(duì)其求解。同時(shí)，在考慮機(jī)組運(yùn)行約束和網(wǎng)絡(luò)潮流約束的基礎(chǔ)上，構(gòu)建了分布式能源管理系統(tǒng)模型。此外，本文引入模型預(yù)測(cè)控制方法以減小可再生能源及電力需求的誤差。分析算例結(jié)果可以發(fā)現(xiàn)，智能負(fù)荷參與需求響應(yīng)在減少用電高峰、減少切負(fù)荷、降低總成本及提高負(fù)荷因子等方面有積極作用，無(wú)需大規(guī)模投資便可提高分布式系統(tǒng)的負(fù)載能力。