考慮需求側(cè)管理的風(fēng)光燃儲微網(wǎng)兩階段優(yōu)化調(diào)度

張 程，匡 宇，劉佳靜，林谷青，金 濤

考慮需求側(cè)管理的風(fēng)光燃儲微網(wǎng)兩階段優(yōu)化調(diào)度

張 程1，匡 宇1，劉佳靜1，林谷青1，金 濤2

(1.智能電網(wǎng)仿真分析與綜合控制福建省高校工程研究中心(福建工程學(xué)院)，福建 福州 350118；2.福州大學(xué)電氣工程與自動化學(xué)院，福建 福州 350108)

針對微電網(wǎng)中源荷匹配較弱及儲能應(yīng)用不充分的問題，計及需求側(cè)管理與碳排放對其源荷儲進行協(xié)調(diào)優(yōu)化。所研究的并網(wǎng)型微網(wǎng)優(yōu)化分為需求側(cè)管理與調(diào)度兩階段。首先，第一階段引入需求側(cè)管理模型，結(jié)合儲能電池并采用縱橫交叉算法求解,使微網(wǎng)的凈負荷最小與自供率最大。然后，第二階段依托第一階段需求側(cè)管理后的信息從經(jīng)濟和環(huán)保角度出發(fā)，建立以綜合成本最小及碳排放量最低為目標的風(fēng)光燃儲微網(wǎng)日前優(yōu)化調(diào)度模型，利用改進多目標灰狼優(yōu)化算法進行求解。最后，以福建某實際微網(wǎng)為例，通過仿真表明引入需求側(cè)管理可有效利用儲能電池改善微網(wǎng)源荷匹配度，充分挖掘需求響應(yīng)潛力。相比單階段優(yōu)化，兩階段優(yōu)化更有利于提高可再生能源滲透率，降低微網(wǎng)日運行成本與碳排放量，實現(xiàn)微網(wǎng)的低碳經(jīng)濟運行。

需求側(cè)管理；碳排放；改進多目標灰狼；兩階段優(yōu)化；縱橫交叉

0 引言

在國家“十四五”規(guī)劃強調(diào)建設(shè)發(fā)展清潔、低碳可再生能源為主的新型能源體系背景下，可再生能源的開發(fā)勢在必行[1-3]。微電網(wǎng)作為可再生能源、儲能裝置及燃料電池的整合，是解決大規(guī)模分布式電源并網(wǎng)難題的有效方法之一，并已成為近年來的研究熱點。另外，微電網(wǎng)合理引入需求側(cè)響應(yīng)(demand-side response, DR)能增加能量梯級互補的多樣性與靈活性，從而提高系統(tǒng)中設(shè)備利用效率。但是DR本身也存在一定成本，會影響系統(tǒng)運行效益，因此需要在優(yōu)化調(diào)度中統(tǒng)籌考慮[4-6]。

現(xiàn)階段微電網(wǎng)的優(yōu)化調(diào)度問題主要分為兩個方面，一方面是微電網(wǎng)調(diào)度的參考效益指標，參考效益指標主要分為單目標與多目標，單目標指標的調(diào)度主要考慮經(jīng)濟性，多目標運行還需要考慮其他因素，比如碳排放量、自供率[7]和風(fēng)光消納率[8-9]等。文獻[10]利用分布式神經(jīng)動力學(xué)算法對考慮需求側(cè)響應(yīng)的微電網(wǎng)進行多目標優(yōu)化，具有運算速度快、精度高的優(yōu)勢，利用Lyapunov函數(shù)證明所提算法可收斂至最優(yōu)解，但所采用模型較為簡單，論證缺乏通用性。文獻[11]通過需求側(cè)響應(yīng)來提高微電網(wǎng)應(yīng)對光伏和風(fēng)力發(fā)電不確定的能力，但優(yōu)化目標僅考慮經(jīng)濟成本未計及環(huán)境成本等方面。文獻[12]通過短期調(diào)度與超短期調(diào)度相結(jié)合的方法實現(xiàn)燃氣輪機與蓄電池的經(jīng)濟調(diào)度，減少燃氣輪機啟停次數(shù)。文獻[13]采用排序交叉算法對冷熱電聯(lián)供微電網(wǎng)進行優(yōu)化調(diào)度，利用啟發(fā)式約束處理對負荷和機組出力進行約束，降低運行成本。

另一方面是微電網(wǎng)源荷雙方存在不確定性，目前主要利用機會約束[14]、場景優(yōu)化[15]以及魯棒優(yōu)化[16]等方法去應(yīng)對解決，若忽略這種隨機性，會使優(yōu)化結(jié)果偏離最佳的調(diào)度方案。文獻[14]考慮源荷不確定性，使用場景削減并引入概率約束將功率平衡方程轉(zhuǎn)化為機會約束，所提方法可降低微網(wǎng)成本、提高風(fēng)光消納率，但是機會約束無法客觀地給出置信度選取原則。文獻[17]采用拉丁超立方采樣技術(shù)模擬風(fēng)光的不確定，以成本最低為目標進行日前優(yōu)化調(diào)度。文獻[18]提出min-max-min三層兩階段的魯棒模型解決風(fēng)光分布概率的不確定，并采用列和約束生成算法求解該模型，提高了魯棒模型的適用性，但其優(yōu)化結(jié)果存在保守性。

基于上述背景，本文結(jié)合儲能裝置建立需求側(cè)管理模型，引導(dǎo)用戶用電行為與可再生能源出力貼近，此階段采用縱橫交叉算法求解，使微網(wǎng)的凈負荷最小與自供率最大；第二階段依托第一階段獲得的儲能、負荷等信息，從經(jīng)濟和環(huán)保角度出發(fā)，建立以綜合成本最小及碳排放量最低為目標的風(fēng)光燃儲微網(wǎng)日前優(yōu)化調(diào)度模型，在原始多目標灰狼算法(multi-objective grey wolf optimizer, MOGWO)的基礎(chǔ)上加入Tent映射、萊維飛行、隨機游動策略進行求解，引入評價指標并分析可再生能源的有效利用與經(jīng)濟效益。

1 微電網(wǎng)結(jié)構(gòu)

本文采用的微電網(wǎng)由風(fēng)光電站、儲能設(shè)備、微型燃氣輪機、燃料電池等組成，其結(jié)構(gòu)如圖1所示。

圖1 微電網(wǎng)結(jié)構(gòu)圖

1.1 微型燃氣輪機

微型燃氣輪機效率高、污染少，屬于可調(diào)度微源，其實際輸出功率受多種因素影響，例如燃料的低熱值[19]。其運行效率與輸出功率之間的關(guān)系如式(1)所示。

1.2 蓄電池

當新能源發(fā)電量滿足負荷需求時，蓄電池用于儲存剩余電量并在高峰期時與其余設(shè)備一起作為供電源，減少了棄風(fēng)棄光量。每個時段的蓄電池狀態(tài)[20]表示為

1.3 光伏電池

1.4 風(fēng)力發(fā)電機

1.5 燃料電池

燃料電池是將化學(xué)能轉(zhuǎn)化為電能的設(shè)備，具有效率高，清潔環(huán)保的特點。其工作效率[19]可表示為

2 微電網(wǎng)兩階段優(yōu)化模型

2.1 需求側(cè)管理階段目標函數(shù)

微網(wǎng)中的能量不僅要滿足自身的負荷需求，而且需要與主網(wǎng)進行交互，如果交互的能量過大會對主網(wǎng)造成波動[21]。所以研究需求側(cè)管理與風(fēng)光的利用策略，可以讓風(fēng)光最大程度消納，使微網(wǎng)的凈負荷最小、自供率最大。

2.2 需求側(cè)管理階段的求解

本文采用縱橫交叉算法[23-24]進行求解，它是一種基于種群的新穎隨機搜索算法，能夠改善一般智能算法陷入局部最優(yōu)的問題。該階段具體求解過程如下所述。

Step1：輸入負荷、風(fēng)光預(yù)測出力、蓄電池配置狀態(tài)以及縱橫交叉算法初始化參數(shù)等信息。

Step3：計及負荷轉(zhuǎn)移后，若可再生能源過剩且儲能電池SOC未達上限，就在約束范圍內(nèi)對電池進行充電，反之作為電源給微網(wǎng)供電。

Step5：對轉(zhuǎn)入、轉(zhuǎn)出負荷是否相等實行懲罰約束，在滿足終止條件時，根據(jù)式(11)選擇折中解，輸出需求側(cè)管理后的曲線、儲能電池充放電狀態(tài)和每個時刻的購電量。

2.3 調(diào)度階段目標函數(shù)

本階段在考慮需求側(cè)管理的前提下根據(jù)日前可再生能源的預(yù)測數(shù)據(jù)，從經(jīng)濟和環(huán)保角度出發(fā)，建立了雙目標優(yōu)化模型，具體如下所述。

1) 微電網(wǎng)綜合成本

各設(shè)備的運行維護費用、與大電網(wǎng)的交互費用和需求響應(yīng)的補貼都需要作為微網(wǎng)運行的成本，具體表達式為

2) 環(huán)保性目標

為了符合綠色用電的可持續(xù)發(fā)展理念，減少電網(wǎng)中的污染物排放成為如今主要目標之一。微網(wǎng)中的可再生能源雖也會產(chǎn)生污染物，但污染物排放量相對于傳統(tǒng)電力系統(tǒng)來說大大降低。污染物包括 CO2、CO、NO和SO2，主要以CO2、CO為主，所以下文以碳排放量來表示。目標函數(shù)表達式為

2.4 運行約束條件

1) 功率平衡約束

2) 機組出力約束

3) 儲能電池約束

4) 傳輸功率約束

如若微電網(wǎng)與大電網(wǎng)交互過多功率，則會影響電力系統(tǒng)穩(wěn)定性，因此要有一定的限制。

2.5 微電網(wǎng)調(diào)度優(yōu)化評價指標

1) 可再生能源滲透率

2) 用戶滿意度

將用戶在需求側(cè)響應(yīng)前后用電行為的變化程度作為其滿意度，如式(19)所示。

3) 負荷貼近度

負荷貼近度用來表征在微網(wǎng)供需狀態(tài)下用戶進行需求側(cè)響應(yīng)的有效性，其值越大則說明用戶參與響應(yīng)的準確度越高，需求側(cè)響應(yīng)管理效果越好。

3 改進MOGWO優(yōu)化調(diào)度流程

3.1 改進MOGWO

標準MOGWO[25]隨機產(chǎn)生種群，易導(dǎo)致個體分布不均，影響全局搜索能力，故利用Tent映射方程[26]產(chǎn)生初始種群，豐富種群的多樣性，加快進化的進程。

為了改善標準的MOGWO算法陷入局部最優(yōu)的缺陷，本文利用萊維飛行、隨機游動策略以及改進衰減因子的方法提升其搜索性能。在標準的MOGWO中，線性減小的衰減因子在面對復(fù)雜的優(yōu)化問題時，很難適應(yīng)實際情況，為了平衡收斂速度與精度，略微減少前期算法探索時長，同時考慮算法后期的全局探索能力，對衰減因子進行改進，如式(21)所示。

萊維飛行[27]是滿足萊維分布的短距與長距結(jié)合的搜索策略，能夠提高算法全局搜索能力。由于優(yōu)化參數(shù)較多，使用萊維飛行與隨機游動會消耗大量時間，所以只對領(lǐng)導(dǎo)層的灰狼進行位置的更新。

利用混合變異以及交叉的行為形成新型優(yōu)化參數(shù)的方式為隨機游動，它不僅有助于避免算法陷入局部最優(yōu)，而且能加快算法尋優(yōu)速度。其位置更新公式為

3.2 優(yōu)化流程

本文研究的微網(wǎng)調(diào)度周期為24 h，首先預(yù)測當日風(fēng)光功率，然后進行第一階段優(yōu)化，得到新的負荷曲線與儲能電池狀態(tài)等信息，通過該步驟減少了用電負荷與可再生能源之間的差值，降低其他微源的調(diào)峰壓力，最后實行第二階段的優(yōu)化調(diào)度，得到各個設(shè)備出力情況。從節(jié)能、環(huán)保的角度出發(fā)，微電網(wǎng)運行邏輯如下所述。

Step1：根據(jù)需求側(cè)管理優(yōu)化目標，利用2.2節(jié)方法求解得到新的負荷、蓄電池狀態(tài)和微網(wǎng)購電量。

Step3：在上述基礎(chǔ)上，利用本文改進的MOGWO算法求解微電網(wǎng)的成本與碳排量，利用式(11)選擇折中解?？傮w流程圖如圖2所示。

圖2 總體流程圖

4 算例分析

4.1 標準測試函數(shù)與實驗設(shè)置

為了驗證本文所提算法有效性，采用CEC09測試庫中的UF1、UF4雙目標函數(shù)與UF8、UF9三目標函數(shù)進行驗證。為了實驗公平性，設(shè)置每個算法的迭代次數(shù)為1000，種群規(guī)模為100，種群的維度為10，網(wǎng)格膨脹系數(shù)為0.1，領(lǐng)導(dǎo)層的壓力選擇系數(shù)為4，每個維度的網(wǎng)格數(shù)為10；為了避免實驗結(jié)果的隨機性，每個實驗重復(fù)操作20次，求取平均值為最終結(jié)果。UF1與UF8測試函數(shù)的Pareto獲得解如圖3所示。

4.2 多目標算法評價指標

本文對多目標求解結(jié)果的評價指標采用反世代距離評價指標(inverted generational distance, IGD)、空間分布指標(spacing, SP)與Δ分布(diversity metric, DM)指標，具體含義可參考文獻[28]。表1為本文方法、標準多目標灰狼算法與多目標粒子群(multi- objective particle swarm optimization，MOPSO)算法的測試結(jié)果。

表1 4個測試函數(shù)的評價指標

由圖3和表1可知，對于測試函數(shù)UF1，本文算法的收斂性優(yōu)于其他兩種算法，其Pareto獲得解更加接近真實的Pareto最優(yōu)峰值，且沿著兩個目標的高度分布，三項指標都優(yōu)于其他兩種算法。函數(shù)UF8與UF9是三目標求解，雖然MOPSO的解多樣性較優(yōu)，但是其最優(yōu)解與真實解相距最遠，MOGWO與本文方法相比在收斂性上略遜一籌且解不夠均勻，此外三者都存在著覆蓋率較低的問題。UF4真實解的Pareto前沿面形狀是凸的，定量結(jié)果表明，本文方法獲得解收斂性好且分布性能比較穩(wěn)定。

4.3 算例基礎(chǔ)數(shù)據(jù)

本次實驗微電網(wǎng)所需數(shù)據(jù)包括：風(fēng)電、光伏以及負荷的預(yù)測值(圖4)、微網(wǎng)與大電網(wǎng)的交易價格(表2)、污染物單位排放量(表3)、分布式電源相關(guān)參數(shù)(表4)。蓄電池的容量為100 kWh，荷電狀態(tài)最大值與最小值分別為0.9與0.1，每天00：00點蓄電

池處于最低電量。

4.4 模型仿真及分析

為了進行對比分析，本次實驗設(shè)置5種情景。5種情景設(shè)置情況如表5所示。

圖4 光伏、風(fēng)電以及負荷的預(yù)測值

表2 微網(wǎng)與大電網(wǎng)交易價格

表3 污染物單位排放量

表4 分布式電源相關(guān)參數(shù)

表5 5種情景設(shè)置情況

優(yōu)化算法中，設(shè)置灰狼種群數(shù)目為100，迭代次數(shù)為250，Archive容量為80，網(wǎng)格密度為10。5種情景的調(diào)度結(jié)果分別如圖5—圖9所示。不同情景下系統(tǒng)運行結(jié)果評價如表6所示。

圖5 情景1調(diào)度結(jié)果

圖6 情景2調(diào)度結(jié)果

圖7 情景3調(diào)度結(jié)果

圖8 情景4調(diào)度結(jié)果

表6 運行結(jié)果評價

由圖9可知，在考慮雙階段優(yōu)化的條件下，能夠有效確定每個時段儲能電池的充放電狀況。在01：00—06：00谷時段，風(fēng)光總發(fā)電量大于負荷，儲能以最大功率進行充電，此階段也同時有負荷轉(zhuǎn)入，提高了谷時段負荷值，既達到填谷目的，也充分利用了多余的可再生能源。在07：00—14：00微網(wǎng)供不應(yīng)求的時段，轉(zhuǎn)出和中斷部分負荷，由此達到削峰的效果，多余的負荷通過微型燃氣輪機、燃料電池、蓄電池與電網(wǎng)供電。在15：00—17：00時段，風(fēng)光出力大于負荷，對蓄電池進行充電后，多余的電能出售給大電網(wǎng)以降低成本，其他微源幾乎不發(fā)電。在18：00—24：00用電高峰時段，微網(wǎng)中所有微源都無法滿足需求，此時多余負荷由電網(wǎng)供電。綜上，此調(diào)度方案實現(xiàn)了成本與碳排放的綜合考慮。

情景1與情景5的Pareto獲得解如圖10所示。情景5的運行成本與碳排放量目標值之和低于情景1。因此，無論運行成本與碳排放量的權(quán)重如何取值，整體上情景5的調(diào)度策略比情景1更占優(yōu)勢。由表6可知，情景5比情景1的運行成本與碳排放量分別降低了18.475元與11.555 kg，說明本文所提改進灰狼算法求解的優(yōu)越性，能夠提高微網(wǎng)運行的經(jīng)濟性與環(huán)保性。

圖10 情景1和情景5的Pareto獲得解

對比情景2與情景5，在求解算法相同的情況下，情景5考慮雙階段優(yōu)化，即考慮需求側(cè)管理。由表6可知，情景5的貼近度比情景2高1.9%，運行成本降低了90.5元，碳排放量減少了83.555 kg。原因是情景2不考慮雙階段優(yōu)化導(dǎo)致蓄電池在01：00、02：00、15：00、16：00等風(fēng)光充足時刻沒有進行充電，以致在用電高峰時段沒有足夠的放電功率，類似起到負荷增加的效果，從而其他微源的出力增加，降低了微網(wǎng)風(fēng)光滲透率，進而增加了成本與碳排放量。由上述可知，在微網(wǎng)調(diào)度中考慮雙階段優(yōu)化策略在提高經(jīng)濟性與環(huán)保性上效果顯著。情景5的用戶滿意度較情景2低，是因為第一階段優(yōu)化以貼近度為指標，使得風(fēng)光出力與負荷相匹配，轉(zhuǎn)移與中斷負荷變化較情景2略多些。

情景3只以經(jīng)濟性為目標，在圖7中可以看到此時微網(wǎng)內(nèi)是以微型燃氣輪機出力為主，其單位出力價格略顯實惠，但代價是碳排放量偏大，較情景5多排放95.737 kg，所以以單一經(jīng)濟性為目標時，碳排放量較大，不符合綠色環(huán)保的理念。

對比情景4與情景5，本文算法求解結(jié)果優(yōu)于MOPSO 算法，運行成本與碳排放量同比分別降低了16.38元與15 kg，驗證了本文所提改進算法的有效性與全局收斂性。

通過上述情景對比，基于改進多目標灰狼算法微電網(wǎng)優(yōu)化調(diào)度方法得到的成本與碳排放量更低；同時采用雙階段優(yōu)化策略能提高新能源滲透率，進一步提高微網(wǎng)運行的經(jīng)濟性與環(huán)保性。

5 結(jié)論

本文針對微電網(wǎng)中源荷匹配較弱及儲能應(yīng)用不充分的問題，考慮需求側(cè)管理，建立以微網(wǎng)整體經(jīng)濟性最優(yōu)與碳排放量最小為目標的優(yōu)化模型，利用改進的多目標灰狼算法進行求解。對本文方法的適用性和優(yōu)化模型的有效性進行驗證，結(jié)論如下：

1) 本文計及需求側(cè)管理，利用縱橫交叉算法求解，使得微源出力與預(yù)測的風(fēng)光出力相貼近，提高了微網(wǎng)的源荷匹配度，同時考慮儲能因素，充分發(fā)揮其在微網(wǎng)中的作用；

2) 采用兩階段優(yōu)化調(diào)度，可提高可再生能源滲透率與負荷貼近度，減少其他微源的出力，同時降低了微網(wǎng)運行成本與碳排放量，起到了一定的削峰填谷作用；

3) 采用改進灰狼算法對微網(wǎng)優(yōu)化調(diào)度模型的求解具有良好的可行性，相比其他多目標算法具有更好的收斂精度，有利于提高微網(wǎng)的經(jīng)濟性與環(huán)保性。

[1] 朱翰超, 馬蕊. 考慮需求側(cè)管理的冷熱電聯(lián)供微電網(wǎng)優(yōu)化配置方法[J]. 電力系統(tǒng)保護與控制, 2019, 47(2): 139-146.

ZHU Hanchao, MA Rui. Optimal configuration method of CCHP microgrid considering demand side management[J]. Power System Protection and Control, 2019, 47(2): 139-146.

[2] 郭國棟, 龔雁峰. 電力市場環(huán)境下基于深度強化學(xué)習(xí)的微網(wǎng)能量管理系統(tǒng)實時自動控制算法[J]. 電測與儀表, 2021, 58(9): 78-88.

GUO Guodong, GONG Yanfeng. Real-time automatic control algorithm of micro-grid energy management system based on deep reinforcement learning in electricity market environment[J]. Electrical Measurement & Instrumentation, 2021, 58(9): 78-88.

[3] 黃彥彰, 周宇昊, 鄭文廣, 等. 產(chǎn)業(yè)園區(qū)新型多能聯(lián)供綜合能源服務(wù)研究[J]. 發(fā)電技術(shù), 2021, 42(6): 734-740.

HUANG Yanzhang, ZHOU Yuhao, ZHENG Wenguan, et al. Research on new integrated energy system with multi-power combined supply of industrial parks[J]. Power Generation Technology, 2021, 42(6): 734-740.

[4] 唐學(xué)軍, 韓佶, 苗世洪, 等. 基于需求側(cè)響應(yīng)的多類型負荷協(xié)調(diào)控制模型[J]. 電力系統(tǒng)保護與控制, 2017, 45(16): 116-123.

TANG Xuejun, HAN Ji, MIAO Shihong, et al. Coordinated control model of multi-type load based on demand response[J]. Power System Protection and Control, 2017, 45(16): 116-123.

[5] ASKARZADEH A, DOS SANTOS C L. A novel framework for optimization of a grid independent hybrid renewable energy system: a case study of Iran[J]. Solar Energy, 2015, 112: 383-396.

[6] 林亭君, 董坤, 趙劍鋒, 等. 綜合能源系統(tǒng)內(nèi)外協(xié)同優(yōu)化調(diào)度技術(shù)研究現(xiàn)狀及展望[J]. 智慧電力, 2021, 49(6): 1-8.

LIN Tingjun, DONG Kun, ZHAO Jianfeng, et al. Research status and prospects of internal and external collaborative optimization scheduling technology for integrated energy system[J]. Smart Power, 2021, 49(6): 1-8.

[7] RAMLI M A M, BOUCHEKARA H, ALGHAMDI A S. Optimal sizing of PV/wind/diesel hybrid microgrid system using multi-objective self-adaptive differential evolution algorithm[J]. Renewable Energy, 2018, 121(1): 400-411.

[8] 李強, 鄧貴波, 張家瑞. 太陽能熱發(fā)電參與調(diào)節(jié)的多源聯(lián)合發(fā)電系統(tǒng)兩階段調(diào)度策略[J]. 太陽能學(xué)報, 2021, 42(12): 86-92.

LI Qiang, DENG Guibo, ZHANG Jiarui. Two stage scheduling strategy of multi-source combined power generation system with concentred solar participating adjustment[J]. Acta Energiae Solaris Sinica, 2021, 42(12): 86-92.

[9] 陳偉, 路源, 何欣, 等. 計及風(fēng)光就地消納的設(shè)施農(nóng)業(yè)產(chǎn)業(yè)園區(qū)綜合能源系統(tǒng)多目標優(yōu)化調(diào)度方法[J]. 電力建設(shè), 2021, 42(7): 20-27.

CHEN Wei, LU Yuan, HE Xin, et al. A multi-objective optimal scheduling method for integrated energy system of protected agricultural industrial park considering local consumption rate of wind and solar energy[J]. Electric Power Construction, 2021, 42(7): 20-27.

[10] 劉青, 趙洋, 李寧, 等. 基于分布式神經(jīng)動力學(xué)算法的微電網(wǎng)多目標優(yōu)化方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(11): 105-114.

LIU Qing, ZHAO Yang, LI Ning, et al. Multiple objective optimization of a microgrid based on a distributed neural dynamics algorithm[J]. Power System Protection and Control, 2021, 49(11): 105-114.

[11] 趙波, 王湘晉, 張雪松, 等. 考慮需求側(cè)響應(yīng)及不確定性的微電網(wǎng)雙層優(yōu)化配置方法[J]. 電工技術(shù)學(xué)報, 2018, 33(14): 3284-3295.

ZHAO Bo, WANG Xiangjin, ZHANG Xuesong, et al. Two-layer method of microgrid optimal sizing considering demand-side response and uncertainties[J]. Transactions of China Electrotechnical Society, 2018, 33(14): 3284-3295.

[12] 齊志遠, 張如意, 李曉文, 等. 熱電聯(lián)供微電網(wǎng)動態(tài)修正的分層優(yōu)化調(diào)度[J]. 中國電機工程學(xué)報, 2022, 42(3): 968-980.

QI Zhiyuan, ZHANG Ruyi, LI Xiaowen, et al. Hierarchical optimal scheduling with dynamic correction of micro-grid combined heat and power[J]. Proceedings of the CSEE, 2022, 42(3): 968-980.

[13] 李堅, 吳亮紅, 張紅強, 等. 基于排序交叉優(yōu)化算法的冷熱電聯(lián)供微電網(wǎng)經(jīng)濟調(diào)度[J]. 電力系統(tǒng)保護與控制, 2021, 49(18): 137-145.

LI Jian, WU Lianghong, ZHANG Hongqiang, et al. Microgrid economic dispatch of combined cooling, heating and power based on a rank pair learning crisscross optimization algorithm[J]. Power System Protection and Control, 2021, 49(18): 137-145.

[14] LEI Y, WANG D, JIA H, et al. Multi-objective stochastic expansion planning based on multi-dimensional correlation scenario generation method for regional integrated energy system integrated renewable energy[J]. Applied Energy, 2020, 276.

[15] 張靠社, 馮培基, 張剛, 等. 考慮機會約束的多能源微電網(wǎng)雙層優(yōu)化配置[J]. 太陽能學(xué)報, 2021, 42(8): 41-48.

ZHANG Kaoshe, FENG Peiji, ZHANG Gang, et al. Bi-level optimization configuration method for multienergy microgrid considering chance constraints[J]. Acta Energiae Solaris Sinica, 2021, 42(8): 41-48.

[16] BILLIONNET A, COSTA M C, POIRION P L. Robust optimal sizing of a hybrid energy stand-alone system[J]. European Journal of Operational Research, 2016, 254(2): 565-575.

[17] 魏斌, 韓肖清, 李雯, 等. 融合多場景分析的交直流混合微電網(wǎng)多時間尺度隨機優(yōu)化調(diào)度策略[J]. 高電壓技術(shù), 2020, 46(7): 2359-2369.

WEI Bin, HAN Xiaoqing, LI Wen, et al. Multi-time scale stochastic optimal dispatch for AC/DC hybrid microgrid incorporating multi-scenario analysis[J]. High Voltage Engineering, 2020, 46(7): 2359-2369.

[18] 魏梅芳, 吳燕, 黎躍龍, 等. 基于分布魯棒優(yōu)化的微電網(wǎng)日前經(jīng)濟運行模型與求解方法[J/OL]. 電力系統(tǒng)及其自動化學(xué)報: 1-12[2022-03-02].https://doi.org/10. 13334/j.0258-8013.pcsee.202407.

WEI Meifang, WU Yan, LI Yuelong, et al. Economic operation model and solution method of microgrid based on distributionally robust optimization[J/OL]. Proceedings of the CSU-EPSA: 1-12[2022-03-02]. https://doi.org/10. 13334/j.0258-8013.pcsee.202407.

[19] 劉慧. 基于需求側(cè)響應(yīng)的微網(wǎng)能量管理策略研究[D].無錫: 江南大學(xué), 2019.

LIU Hui. Research on microgrid energy management strategy based on demand-side response[D]. Wuxi: Jiangnan University, 2019.

[20] 朱青, 曾利華, 寇鳳海, 等. 考慮儲能并網(wǎng)運營模式的工業(yè)園區(qū)風(fēng)光燃儲優(yōu)化配置方法研究[J]. 電力系統(tǒng)保護與控制, 2019, 47(17): 23-31.

ZHU Qing, ZENG Lihua, KOU Fenghai, et al. Research on optimal allocation method of wind, photovoltaic, gas turbine and energy storage in industrial parks considering energy storage’s grid-connected operation modes[J]. Power System Protection and Control, 2019, 47(17): 23-31.

[21] 趙波, 包侃侃, 徐志成, 等. 考慮需求側(cè)響應(yīng)的光儲并網(wǎng)型微電網(wǎng)優(yōu)化配置[J]. 中國電機工程學(xué)報, 2015, 35(21): 5465-5474.

ZHAO Bo, BAO Kankan, XU Zhicheng, et al. Optimal sizing for grid-connected PV-and-storage microgrid considering demand response[J]. Proceedings of the CSEE, 2015, 35(21): 5465-5474.

[22] 馬燕峰, 范振亞, 劉偉東, 等. 考慮碳權(quán)交易和風(fēng)荷預(yù)測誤差隨機性的環(huán)境經(jīng)濟調(diào)度[J]. 電網(wǎng)技術(shù), 2016, 40(2): 412-418.

MA Yanfeng, FAN Zhenya, LIU Weidong, et al. Environmental and economic dispatch considering carbon trading credit and randomicity of wind power and load forecast error[J]. Power System Technology, 2016, 40(2): 412-418.

[23] 郭威, 楊鵬, 孫勝博, 等. 計及生物質(zhì)能的熱電聯(lián)供系統(tǒng)經(jīng)濟運行優(yōu)化策略[J]. 電力系統(tǒng)保護與控制, 2021, 49(11): 88-96.

GUO Wei, YANG Peng, SUN Shengbo, et al. Optimization strategy of a rural combined heat and power system considering biomass energy[J]. Power System Protection and Control, 2021, 49(11): 88-96.

[24] 曾琮, 黃強, 陳德, 等. 基于改進縱橫交叉算法的電網(wǎng)最優(yōu)潮流計算[J]. 中國電力, 2021, 54(9): 9-16.

ZENG Cong, HUANG Qiang, CHEN De, et al. Optimal power flow calculation with improved crisscross optimization algorithm[J]. Electric Power, 2021, 54(9): 9-16.

[25] 林藝城, 孟安波. 熱電聯(lián)產(chǎn)經(jīng)濟環(huán)保調(diào)度優(yōu)化[J]. 電力建設(shè), 2017, 38(6): 149-158.

LIN Yicheng, MENG Anbo. Economic and environmental dispatch optimization of combined heat and power[J]. Electric Power Construction, 2017, 38(6): 149-158.

[26] 曾鳴, 韓旭, 李源非, 等. 基于Tent映射混沌優(yōu)化NSGA-Ⅱ算法的綜合能源系統(tǒng)多目標協(xié)同優(yōu)化運行[J]. 電力自動化設(shè)備, 2017, 37(6): 220-228.

ZENG Ming, HAN Xu, LI Yuanfei, et al. Multi-objective cooperative optimization based on Tent mapping chaos optimization NSGA-Ⅱalgorithm for integrated energy system[J]. Electric Power Automation Equipment, 2017, 37(6): 220-228.

[27] DASH D R, DASH P K, BISOI R. Short term solar power forecasting using hybrid minimum variance expanded RVFLN and sine-cosine levy flight PSO algorithm[J]. Renewable Energy, 2021, 174: 513-537.

[28] 王麗萍, 邱飛岳. 復(fù)雜多目標問題的優(yōu)化方法及應(yīng)用[M]. 北京: 科學(xué)出版社, 2018.

Two-stage optimal scheduling of a wind, photovoltaic, gas turbine, fuel cell and storage energy microgrid considering demand-side management

ZHANG Cheng1, KUANG Yu1, LIU Jiajing1, LIN Guqing1, JIN Tao2

(1. Fujian Provincial University Engineering Research Center for Simulation Analysis and Integrated Control of Smart Grid,Fujian University of Technology, Fuzhou 350118, China; 2. School of Electric Engineering and Automation,Fuzhou University, Fuzhou 350108, China)

There is weak source-load matching and inadequate energy storage application in a microgrid. It needs to coordinate and optimize the source-load and energy storage considering the demand-side management and carbon emission. In this paper, the optimization of a grid-connected microgrid is divided into two stages including demand-side management and dispatching. First, in the first stage, a demand-side management model is introduced. The energy storage battery is considered and a crisscross optimization algorithm is used to minimize the net load of the microgrid and maximize the self-supply rate. Then, in the second stage, from the economy and environmental protection perspective, a wind, photovoltaic, micro-gas turbine, fuel cell and storage energy microgrid day-ahead optimal dispatching model is established to minimize total costs and carbon emissions. It relies on the information after the demand-side management in the first stage. The above model is analyzed using the improved multi-objective gray wolf optimization algorithm. Finally, taking an actual microgrid in Fujian as an example, simulation shows that the introduction of demand-side management can effectively use energy storage batteries to improve the matching degree of microgrid source-load and fully tap the demand response potential. Compared with single-stage optimization, two-stage optimization is more conducive to improving the penetration rate of renewable energy, reducing the daily operating costs and carbon emissions of microgrids, and realizing their low-carbon economic operation.

demand-side management; carbon emissions; improved multi-objective grey wolf;two-stage optimization; crisscross

10.19783/j.cnki.pspc.220333

國家自然科學(xué)基金項目資助(51977039)；智能電網(wǎng)仿真分析與綜合控制福建省高校工程研究中心開放基金項目資助(KF-D21010)

This work is supported by the National Natural Science Foundation of China (No. 51977039).

2022-03-15；

2022-05-15

張 程(1982—)，男，博士，副教授，碩士生導(dǎo)師，研究方向為電力系統(tǒng)穩(wěn)定性分析、廣域監(jiān)測等；E-mail: zhangcheng@fjut.edu.cn

匡 宇(1997—)，男，碩士研究生，研究方向為綜合能源優(yōu)化調(diào)度。E-mail: 1459072190@qq.com

(編輯 周金梅)