計(jì)及分布式儲(chǔ)能的微電網(wǎng)群經(jīng)濟(jì)調(diào)度

何玉靈，王博，孫凱，王海朋,2，杜曉東, 4，吳學(xué)偉，韓志成

計(jì)及分布式儲(chǔ)能的微電網(wǎng)群經(jīng)濟(jì)調(diào)度

何玉靈1,2,3，王博1，孫凱1，王海朋1,2，杜曉東1, 4，吳學(xué)偉1，韓志成1

（1.華北電力大學(xué) 機(jī)械工程系，河北 保定 071003； 2.電力機(jī)械裝備先進(jìn)制造與智能運(yùn)維河北省工程研究中心，河北 保定 071003； 3.華北電力大學(xué) 蘇州研究院，江蘇 蘇州 215123； 4.國(guó)網(wǎng)河北電力有限公司 電力科學(xué)研究院，河北 石家莊 050000）

為提高微電網(wǎng)群調(diào)度效率、減少微電網(wǎng)運(yùn)行成本，首先構(gòu)建了計(jì)及分布式儲(chǔ)能的微電網(wǎng)群優(yōu)化調(diào)度模型。該模型以包含風(fēng)、光、儲(chǔ)的3個(gè)子微網(wǎng)和網(wǎng)側(cè)儲(chǔ)能所構(gòu)成的交流微電網(wǎng)作為調(diào)度對(duì)象。在滿足功率平衡等約束條件下，對(duì)負(fù)荷側(cè)儲(chǔ)能充放電次數(shù)和單位時(shí)間內(nèi)充放電功率進(jìn)行限制；在考慮主網(wǎng)分時(shí)電價(jià)、系統(tǒng)發(fā)電成本，網(wǎng)側(cè)儲(chǔ)能放電成本條件下，采用遺傳算法進(jìn)行求解，得到計(jì)及分布式儲(chǔ)能的微電網(wǎng)群經(jīng)濟(jì)調(diào)度方案，最終得到優(yōu)化后的經(jīng)濟(jì)成本。算例計(jì)算結(jié)果表明，該運(yùn)行調(diào)度模型可有效提高微電網(wǎng)群經(jīng)濟(jì)效益，從而驗(yàn)證了該模型的有效性。

微電網(wǎng)；智能調(diào)度；分布式儲(chǔ)能；遺傳算法；經(jīng)濟(jì)調(diào)度

0 引言

自“雙碳”目標(biāo)提出以來，微電網(wǎng)作為一種可再生能源智能接入和靈活調(diào)度的解決方案，在電力系統(tǒng)智能化發(fā)展過程中的地位越來越重要。

微電網(wǎng)能夠利用分布式電源、儲(chǔ)能和能量轉(zhuǎn)換等多種技術(shù)手段，實(shí)現(xiàn)能源的高效利用和集中管理。微電網(wǎng)具有環(huán)保、靈活、高效以及可高比例接入可再生能源等特點(diǎn)，其應(yīng)用能夠有效推動(dòng)能源結(jié)構(gòu)的轉(zhuǎn)型升級(jí)、降低碳排放[1,2]。

單微網(wǎng)是微電網(wǎng)系統(tǒng)的基本組成單元，由分布式電源、儲(chǔ)能裝置、能量轉(zhuǎn)換裝置、相關(guān)負(fù)荷監(jiān)控和保護(hù)裝置等組成[3]。微電網(wǎng)群則由多個(gè)單微網(wǎng)組成。與單個(gè)微電網(wǎng)孤島運(yùn)行或主網(wǎng)聯(lián)網(wǎng)運(yùn)行不同，微電網(wǎng)群中的各個(gè)微網(wǎng)不但可以互相進(jìn)行能源交換，也可以從主網(wǎng)獲取備用能源，從而增加能源利用的可靠性與靈活性[4]。目前微電網(wǎng)群運(yùn)行的主要難點(diǎn)在于協(xié)調(diào)與控制，即當(dāng)多個(gè)微電網(wǎng)相互連接時(shí)，需要有效的協(xié)調(diào)和控制機(jī)制，以確保系統(tǒng)的性能[5]。

網(wǎng)側(cè)儲(chǔ)能裝置相當(dāng)于一個(gè)獨(dú)立的微網(wǎng)。在生產(chǎn)實(shí)際中，僅利用微網(wǎng)中的負(fù)荷側(cè)儲(chǔ)能通常不能滿足靈活調(diào)度的需求；而網(wǎng)側(cè)儲(chǔ)能可以存儲(chǔ)微電網(wǎng)群系統(tǒng)中的過剩電能并在需要時(shí)釋放，可使系統(tǒng)能夠更好地平衡供需關(guān)系[6]。因此，在微電網(wǎng)群經(jīng)濟(jì)調(diào)度的研究中，考慮網(wǎng)側(cè)儲(chǔ)能的微電網(wǎng)群調(diào)度策略對(duì)于實(shí)現(xiàn)系統(tǒng)的可持續(xù)發(fā)展和經(jīng)濟(jì)性能的優(yōu)化具有重要意義。

對(duì)于單微網(wǎng)的研究目前主要集中在單個(gè)微電網(wǎng)內(nèi)部的運(yùn)行和優(yōu)化方面。文獻(xiàn)[7]利用粒子群算法進(jìn)行優(yōu)化求解，提出了計(jì)及儲(chǔ)能壽命的微電網(wǎng)經(jīng)濟(jì)調(diào)度方案。文獻(xiàn)[8]使用了遺傳算法和粒子群優(yōu)化2種算法，提出了一種微電網(wǎng)的日前調(diào)度策略。文獻(xiàn)[9]以經(jīng)濟(jì)性和環(huán)保性的綜合成本為目標(biāo)函數(shù)，結(jié)合系統(tǒng)功率平衡、各機(jī)組出力限制等約束條件，建立了優(yōu)化調(diào)度模型。以上研究有助于微電網(wǎng)內(nèi)的能源管理。

對(duì)于微電網(wǎng)群的研究目前主要注重于多個(gè)微電網(wǎng)之間的協(xié)同操作和能源交換方面。文獻(xiàn)[10]為提高微電網(wǎng)群調(diào)度的經(jīng)濟(jì)性和安全性，基于區(qū)塊鏈提出一種考慮動(dòng)態(tài)電價(jià)的調(diào)度策略。文獻(xiàn)[11]研究了與城市交通網(wǎng)絡(luò)集成的微電網(wǎng)群多周期最優(yōu)能源調(diào)度和交易。文獻(xiàn)[12]提出了使用深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化微電網(wǎng)群日總運(yùn)營(yíng)成本的最優(yōu)調(diào)度策略。文獻(xiàn)[13]提出了基于模型預(yù)測(cè)控制的微電網(wǎng)群系統(tǒng)2階段優(yōu)化調(diào)度方法。文獻(xiàn)[14,15]綜合考慮微電網(wǎng)群運(yùn)行的經(jīng)濟(jì)性和環(huán)保性等影響因素，建立了以運(yùn)行成本最低和環(huán)境影響最小為目標(biāo)的優(yōu)化模型。文獻(xiàn)[16]針對(duì)主動(dòng)配電網(wǎng)智能管理的多微電網(wǎng)協(xié)調(diào)調(diào)度，建立了考慮需求響應(yīng)的多時(shí)間尺度供需交互主從微分博弈模型。以上研究未充分考慮微電網(wǎng)群與儲(chǔ)能系統(tǒng)的組合，從而導(dǎo)致在整個(gè)系統(tǒng)層面上的能源流動(dòng)和利用的綜合優(yōu)化不足。

目前，對(duì)于儲(chǔ)能系統(tǒng)的研究偏向于系統(tǒng)獨(dú)立運(yùn)行和與單一微電網(wǎng)的集成方向。文獻(xiàn)[17]提出一種將電池儲(chǔ)能技術(shù)應(yīng)用于可再生能源配電網(wǎng)的集中調(diào)度模型。為提高能源系統(tǒng)的效率，文獻(xiàn)[18]利用多能源混合優(yōu)化模型軟件實(shí)現(xiàn)發(fā)電的儲(chǔ)能單元建模及最優(yōu)多任務(wù)控制。文獻(xiàn)[19]提出新型耦合電解制氫熱儲(chǔ)存壓縮空氣儲(chǔ)能系統(tǒng)，使儲(chǔ)能系統(tǒng)仿真計(jì)算更加接近實(shí)際。文獻(xiàn)[20]提出一種面向市場(chǎng)的多級(jí)混合儲(chǔ)能風(fēng)電場(chǎng)優(yōu)化調(diào)度策略。以上文獻(xiàn)并未深入研究微電網(wǎng)群運(yùn)行工況下儲(chǔ)能系統(tǒng)的協(xié)同作用，未能充分挖掘儲(chǔ)能系統(tǒng)的潛能。

雖然以上相關(guān)文獻(xiàn)對(duì)微電網(wǎng)群和儲(chǔ)能系統(tǒng)進(jìn)行了較為詳細(xì)的研究，但對(duì)協(xié)同效益以及網(wǎng)側(cè)儲(chǔ)能系統(tǒng)的研究仍然可以加強(qiáng)。

鑒于此，本文研究思路是：綜合考慮系統(tǒng)發(fā)電成本、網(wǎng)側(cè)儲(chǔ)能放電成本，在滿足功率平衡等約束條件下，研究計(jì)及分布式儲(chǔ)能的微電網(wǎng)群結(jié)構(gòu)，并對(duì)負(fù)荷側(cè)儲(chǔ)能充放電次數(shù)和單位時(shí)間內(nèi)充放電功率進(jìn)行限制；通過遺傳算法求解計(jì)及分布式儲(chǔ)能的微電網(wǎng)群經(jīng)濟(jì)調(diào)度方案，得到優(yōu)化后的經(jīng)濟(jì)成本。

1 微電網(wǎng)群優(yōu)化模型

微電網(wǎng)群是一個(gè)相對(duì)小型的電力系統(tǒng)，其由多個(gè)單微網(wǎng)組成；各個(gè)微網(wǎng)可以互相進(jìn)行電能交換，也可以與主網(wǎng)連接進(jìn)行能量交換。圖1示出了微電網(wǎng)群結(jié)構(gòu)。微電網(wǎng)群內(nèi)部結(jié)構(gòu)因具體情況不同會(huì)有所差異。如圖所示，微電網(wǎng)群通常由主網(wǎng)、能源管理系統(tǒng)、監(jiān)測(cè)與通信系統(tǒng)、網(wǎng)側(cè)儲(chǔ)能和各個(gè)微網(wǎng)組成。

圖1 微電網(wǎng)群結(jié)構(gòu)

1.1 目標(biāo)函數(shù)

本文中，日前經(jīng)濟(jì)調(diào)度只考慮分時(shí)電價(jià)、系統(tǒng)發(fā)電成本、網(wǎng)側(cè)儲(chǔ)能放電成本，以充分使用微電網(wǎng)群中的負(fù)荷側(cè)儲(chǔ)能和網(wǎng)側(cè)儲(chǔ)能裝置。以微電網(wǎng)群一個(gè)調(diào)度周期內(nèi)的運(yùn)行成本最低為調(diào)度目標(biāo)。

目標(biāo)函數(shù)如式（1）所示。

式中：為微電網(wǎng)群運(yùn)行一個(gè)調(diào)度周期的總成本；1為微電網(wǎng)群一個(gè)調(diào)度周期內(nèi)風(fēng)機(jī)和光伏發(fā)電的總成本；2為一個(gè)調(diào)度周期內(nèi)各個(gè)微網(wǎng)負(fù)荷側(cè)儲(chǔ)能和網(wǎng)側(cè)儲(chǔ)能的總放電成本；3為一個(gè)調(diào)度周期內(nèi)各個(gè)微網(wǎng)間電能交換成本和網(wǎng)側(cè)儲(chǔ)能與各個(gè)微網(wǎng)電能交換成本之和；4為一個(gè)調(diào)度周期內(nèi)微電網(wǎng)群對(duì)主網(wǎng)購(gòu)電成本與售電收益之差。

一個(gè)調(diào)度周期內(nèi)風(fēng)機(jī)和光伏發(fā)電的總成本為：

式中：W,t,n、G,t,n分別為第個(gè)微網(wǎng)時(shí)刻風(fēng)力、光伏發(fā)電功率；A、B分別為第個(gè)微網(wǎng)風(fēng)力、光伏發(fā)電成本系數(shù)。

一個(gè)調(diào)度周期內(nèi)各個(gè)微網(wǎng)負(fù)荷側(cè)儲(chǔ)能和網(wǎng)側(cè)儲(chǔ)能的總放電成本為：

式中：為微網(wǎng)中負(fù)荷側(cè)儲(chǔ)能放電成本系數(shù)；d,t,n為第個(gè)微網(wǎng)時(shí)刻負(fù)荷側(cè)儲(chǔ)能放電功率；為網(wǎng)側(cè)儲(chǔ)能放電成本系數(shù)；e,t,n為時(shí)刻網(wǎng)側(cè)儲(chǔ)能向第個(gè)微網(wǎng)放電功率。

一個(gè)調(diào)度周期內(nèi)各個(gè)微網(wǎng)間電能交換成本和網(wǎng)側(cè)儲(chǔ)能與各個(gè)微網(wǎng)電能交換成本之和為：

式中：為微網(wǎng)間能量傳輸成本系數(shù)；P,n為第個(gè)微網(wǎng)時(shí)刻向其他微網(wǎng)供電功率；Z,n為網(wǎng)側(cè)儲(chǔ)能時(shí)刻向個(gè)微網(wǎng)供電功率。

一個(gè)調(diào)度周期內(nèi)微電網(wǎng)群對(duì)主網(wǎng)購(gòu)電成本與售電收益之差為：

式中：1,t、2,t分別為時(shí)刻購(gòu)電、售電電價(jià)；b,t、s,t分別為時(shí)刻主網(wǎng)流入微電網(wǎng)群的電量和微電網(wǎng)群流入主網(wǎng)的電量。

1.2 約束條件

（1）功率平衡約束。

式中：E,t,n為第個(gè)微網(wǎng)時(shí)刻負(fù)荷側(cè)儲(chǔ)能運(yùn)行功率，放電為正；L,t,n為第個(gè)微網(wǎng)時(shí)刻負(fù)荷功率；I,n、O,n分別為流入、流出第個(gè)微網(wǎng)電量。

（2）風(fēng)機(jī)、光伏功率限制。

由于風(fēng)機(jī)、光伏可以不完全利用，允許出現(xiàn)棄風(fēng)、棄光的情況，所以風(fēng)機(jī)和光伏的實(shí)時(shí)功率應(yīng)小于或等于預(yù)測(cè)功率。

（3）微網(wǎng)間電能交換功率限制。

（4）各個(gè)微網(wǎng)負(fù)荷側(cè)儲(chǔ)能運(yùn)行約束。

式中：0、分別為當(dāng)日負(fù)荷側(cè)儲(chǔ)能始末荷電狀態(tài)；SOC、max、min分別為負(fù)荷側(cè)儲(chǔ)能荷電狀態(tài)及其上下限；1、2為負(fù)荷側(cè)儲(chǔ)能最大充放電次數(shù)；X、Y分別為負(fù)荷側(cè)儲(chǔ)能充放電狀態(tài)，其中X∈{0,1}、Y∈{0,1}。

（5）儲(chǔ)能充放電功率限制。

考慮儲(chǔ)能壽命與儲(chǔ)能的充放電功率大小有關(guān)，為提高儲(chǔ)能壽命，應(yīng)限制其單位時(shí)間的儲(chǔ)能充放電功率。

式中：b,n為儲(chǔ)能系統(tǒng)容量。

1.3 遺傳算法求解

遺傳算法是基于達(dá)爾文的生物進(jìn)化理論和孟德爾的遺傳定律提出的。遺傳算法具有搜索空間大、自適應(yīng)、學(xué)習(xí)能力強(qiáng)和建模靈活等優(yōu)點(diǎn)，故被廣泛應(yīng)用于組合優(yōu)化等領(lǐng)域。

在微電網(wǎng)群調(diào)度中，一個(gè)遺傳個(gè)體可以被定義為一個(gè)可能的調(diào)度方案，其中包含了每個(gè)微網(wǎng)在一個(gè)調(diào)度周期內(nèi)的運(yùn)行計(jì)劃。這個(gè)運(yùn)行計(jì)劃可能包括微網(wǎng)的啟動(dòng)和停止時(shí)間、能源調(diào)度策略等。當(dāng)滿足收斂條件時(shí)，所得到的遺傳個(gè)體是最優(yōu)的調(diào)度方案，代表微電網(wǎng)群運(yùn)行一個(gè)調(diào)度周期的總成本最低。

本文遺傳算法求解步驟如下：首先初始化種群的參數(shù)。種群規(guī)模數(shù)設(shè)為500，染色體節(jié)點(diǎn)數(shù)設(shè)為96，表示每個(gè)個(gè)體有96條染色體，迭代次數(shù)設(shè)為5 000，突變概率設(shè)為0.2，交叉概率設(shè)為0.85，min設(shè)為0.3，max設(shè)為0.9。然后根據(jù)約束條件和目標(biāo)函數(shù)，計(jì)算出種群內(nèi)個(gè)體適應(yīng)度。以微電網(wǎng)群運(yùn)行一個(gè)調(diào)度周期的總成本為種群內(nèi)個(gè)體適應(yīng)度。采用輪盤賭法進(jìn)行選擇，個(gè)體適應(yīng)度越小，被選中的概率越高；然后進(jìn)行交叉和變異操作，得到第一次迭代結(jié)果。重復(fù)上述步驟，直至滿足收斂條件，迭代結(jié)束，輸出結(jié)果。

2 算例分析

2.1 典型微電網(wǎng)群系統(tǒng)結(jié)構(gòu)

以白洋淀王家寨地區(qū)數(shù)據(jù)為算例進(jìn)行分析。該地3個(gè)子微網(wǎng)與主網(wǎng)和網(wǎng)側(cè)儲(chǔ)能連接，組成微電網(wǎng)群結(jié)構(gòu)，結(jié)構(gòu)如圖2所示。由圖可知，每個(gè)微網(wǎng)都有獨(dú)立的風(fēng)機(jī)、光伏、負(fù)荷、負(fù)荷側(cè)儲(chǔ)能。網(wǎng)側(cè)儲(chǔ)能相當(dāng)于一個(gè)獨(dú)立的微網(wǎng)，主要組成部分是儲(chǔ)能系統(tǒng)，其放電成本略高于子微網(wǎng)中負(fù)荷側(cè)儲(chǔ)能。網(wǎng)側(cè)儲(chǔ)能的加入能夠有效減少電網(wǎng)運(yùn)行成本。

圖2 算例微電網(wǎng)群結(jié)構(gòu)

微電網(wǎng)群中，微網(wǎng)1中擁有最為重要的用電設(shè)備，系統(tǒng)需要優(yōu)先保證微網(wǎng)1的電力供應(yīng)。微網(wǎng)2中擁有次級(jí)重要的用電設(shè)備，系統(tǒng)需要在優(yōu)先保證微網(wǎng)1的電力供應(yīng)的情況下滿足微網(wǎng)2的電力供應(yīng)。微網(wǎng)3中的用電設(shè)備相對(duì)次要。

算例中各個(gè)微網(wǎng)參數(shù)見表1。1 d的售電和購(gòu)電價(jià)格見表2。各個(gè)儲(chǔ)能裝置1 h充放電最大為儲(chǔ)能的20%。新能源發(fā)電全消納。一個(gè)調(diào)度周期為24 h。網(wǎng)側(cè)儲(chǔ)能的儲(chǔ)能放電成本為0.3元/kW·h，儲(chǔ)能額定容量為165 MW·h。

表1 各個(gè)微網(wǎng)與網(wǎng)側(cè)儲(chǔ)能參數(shù)

表2 售電和購(gòu)電價(jià)格

將一個(gè)調(diào)度周期24 h分為96個(gè)時(shí)序段，即1個(gè)時(shí)序代表時(shí)長(zhǎng)15 min。

微網(wǎng)1的負(fù)荷和新能源各時(shí)序功率如圖3所示。

圖3 微網(wǎng)1的負(fù)荷和新能源各時(shí)序功率

Fig. 3 Load of microgrid 1 and each timing power of new energy

微網(wǎng)2的負(fù)荷和新能源各時(shí)序功率如圖4所示。

圖4 微網(wǎng)2的負(fù)荷和新能源各時(shí)序功率

微網(wǎng)3的負(fù)荷和新能源各時(shí)序功率如圖5所示。

圖5 微網(wǎng)3的負(fù)荷和新能源各時(shí)序功率

2.2 結(jié)果分析

以微電網(wǎng)群運(yùn)行一個(gè)調(diào)度周期的總成本為種群內(nèi)個(gè)體適應(yīng)度，其單位為萬元。

在MATLAB中編寫遺傳算法程序，代入表1、表2、圖3、圖4和圖5中的數(shù)據(jù)，得到迭代結(jié)果、各儲(chǔ)能荷電狀態(tài)、各微網(wǎng)中各部分出力結(jié)果以及網(wǎng)側(cè)儲(chǔ)能中各部分出力組成結(jié)果分別如圖6、圖7、圖8和圖9所示。

從圖6可以看出，遺傳算法在迭代至第2 687次時(shí)得到最優(yōu)解。微電網(wǎng)群一個(gè)調(diào)度周期內(nèi)的總供電成本為604.128萬元。

圖6 遺傳算法迭代結(jié)果圖

圖7 遺傳算法求解微電網(wǎng)群的儲(chǔ)能荷電狀態(tài)圖

Fig. 7 Charge state diagram of microgrid group with genetic algorithm as solution

如圖7可知，在時(shí)序0～20所代表的時(shí)段，負(fù)荷側(cè)儲(chǔ)能和網(wǎng)側(cè)儲(chǔ)能都處于充電狀態(tài)。在微網(wǎng)中，由于光伏發(fā)電或風(fēng)力發(fā)電的供應(yīng)過剩，負(fù)荷側(cè)儲(chǔ)能設(shè)備通過充電實(shí)現(xiàn)多余能量的存儲(chǔ)。網(wǎng)側(cè)儲(chǔ)能系統(tǒng)則通過購(gòu)買電網(wǎng)電能來進(jìn)行充電，以準(zhǔn)備滿足微網(wǎng)中的負(fù)載需求或?qū)㈦娔苜u給主網(wǎng)。

其次，負(fù)荷側(cè)儲(chǔ)能和網(wǎng)側(cè)儲(chǔ)能系統(tǒng)在容量達(dá)90%時(shí)進(jìn)入穩(wěn)定階段，這表示電能已經(jīng)充滿或接近充滿狀態(tài)，不再接受大量的充電。

在最后階段，微網(wǎng)中的負(fù)荷側(cè)儲(chǔ)能會(huì)出現(xiàn)再充電情況。這是因?yàn)樵谝归g，由于缺乏光伏發(fā)電，微網(wǎng)需要通過風(fēng)力發(fā)電或從主網(wǎng)購(gòu)買電能來滿足負(fù)載需求，同時(shí)也利用此時(shí)從主網(wǎng)購(gòu)電價(jià)格較低的機(jī)會(huì)，從主網(wǎng)購(gòu)買一部分電能存儲(chǔ)回負(fù)荷側(cè)儲(chǔ)能中，以備使用。網(wǎng)側(cè)儲(chǔ)能最后沒有進(jìn)行充電的原因是其已經(jīng)計(jì)劃將全部的電能賣給主網(wǎng)，以最大限度地降低調(diào)度周期內(nèi)的總供電成本。

（a）微網(wǎng)1求解結(jié)果圖

（b）微網(wǎng)2求解結(jié)果圖

（c）微網(wǎng)3求解結(jié)果

圖8 各微網(wǎng)遺傳算法求解結(jié)果

Fig. 8 Results of genetic algorithm for each microgrid

由圖8可知，各微網(wǎng)的新能源功率優(yōu)先提供給微網(wǎng)中的負(fù)載。在白天日照期，新能源功率可以提供微電網(wǎng)中的負(fù)載需求，并將多余的電量用于負(fù)荷側(cè)、網(wǎng)側(cè)儲(chǔ)能的充電或者賣給主網(wǎng)。通過這種方式，能量的暫時(shí)存儲(chǔ)和平衡得以實(shí)現(xiàn)。

然而，在夜間缺乏光伏發(fā)電時(shí)，僅依靠風(fēng)力發(fā)電難以滿足用電負(fù)荷的要求。這時(shí)，微網(wǎng)可能需要從負(fù)荷側(cè)、網(wǎng)側(cè)儲(chǔ)能中獲取儲(chǔ)存的電能，以彌補(bǔ)能源缺口。如果用電負(fù)荷仍得不到滿足，微網(wǎng)還可以從主網(wǎng)購(gòu)買電力來滿足微網(wǎng)的需求，以實(shí)現(xiàn)能量的平衡。

微網(wǎng)、網(wǎng)側(cè)儲(chǔ)能和電網(wǎng)之間通過這種功率交換，可以實(shí)現(xiàn)能量的靈活調(diào)配和能源供需的平衡。

網(wǎng)側(cè)儲(chǔ)能的供電組成如圖9所示。

圖9 網(wǎng)側(cè)儲(chǔ)能組成求解結(jié)果

圖9中：

1）在時(shí)序0～28所代表的時(shí)段：網(wǎng)側(cè)儲(chǔ)能從主網(wǎng)購(gòu)電并進(jìn)行充電。此時(shí)從主網(wǎng)購(gòu)電價(jià)格最低。通過利用低價(jià)電力對(duì)網(wǎng)側(cè)儲(chǔ)能進(jìn)行充電，可以降低購(gòu)電成本。

2）在時(shí)序82～84所代表的時(shí)段：網(wǎng)側(cè)儲(chǔ)能給微網(wǎng)供電。此時(shí)從主網(wǎng)購(gòu)電價(jià)格最高。通過使用網(wǎng)側(cè)儲(chǔ)能中的電能對(duì)微網(wǎng)進(jìn)行供電，可以避免高成本的電力購(gòu)買，從而有效降低總體成本。

3）在時(shí)序95～96所代表的時(shí)段：網(wǎng)側(cè)儲(chǔ)能將剩余的電量賣給主網(wǎng)。這意味著將額外的電能注入主網(wǎng)，從而獲得銷售電量的收入、進(jìn)一步降低總體成本。

利用本文方案，通過在不同時(shí)刻進(jìn)行網(wǎng)側(cè)儲(chǔ)能的充放電行為，并根據(jù)不同時(shí)刻的主網(wǎng)電價(jià)來選擇購(gòu)買或銷售電量，可實(shí)現(xiàn)成本的優(yōu)化，以確保在不同時(shí)間段實(shí)現(xiàn)最佳經(jīng)濟(jì)效益。

3 結(jié)論

在綜合考慮了系統(tǒng)發(fā)電成本、網(wǎng)側(cè)儲(chǔ)能放電成本、功率平衡等約束條件下，本文采用遺傳算法得到計(jì)及分布式儲(chǔ)能的微電網(wǎng)群經(jīng)濟(jì)調(diào)度方案。

算例計(jì)算結(jié)果表明，添加網(wǎng)側(cè)儲(chǔ)能能夠有效降低微電網(wǎng)群運(yùn)行成本。

本文研究結(jié)果可為微電網(wǎng)群日前經(jīng)濟(jì)調(diào)度提供支持。

[1] 黎靜華, 駱怡辰, 楊舒惠, 等. 可再生能源電力不確定性預(yù)測(cè)方法綜述[J]. 高電壓技術(shù), 2021, 47(4): 1144-1157. LI JINGHUA, LUO YICHEN, YANG SHUHUI, et al. Review of uncertainty forecasting methods for renewable energy power[J]. High Voltage Engineering, 2021, 47(4): 1144-1157(in Chinese).

[2] GUO X, LOU S, WU Y, et al. Low-carbon operation of combined heat and power integrated plants based on solar-assisted carbon capture[J]. Journal of Modern Power Systems and Clean Energy, 2021, 10(5): 1138-1151.

[3] 朱曉榮, 謝婉瑩, 鹿國(guó)微. 采用區(qū)間多目標(biāo)線性規(guī)劃法的熱電聯(lián)供型微網(wǎng)日前調(diào)度[J]. 高電壓技術(shù), 2021, 47(8): 2668-2679. ZHU XIAORONG, XIE WANYING, LU GUOWEI. Day-ahead scheduling of combined heating and power microgrid with the interval multi-objective linear programming[J]. High Voltage Engineering, 2021, 47(8): 2668-2679(in Chinese).

[4] ZHAO Z, GUO J, LUO X, et al. Distributed robust model predictive control-based energy management strategy for islanded multi-microgrids considering uncertainty[J]. IEEE Transactions on Smart Grid, 2022, 13(3): 2107-2120.

[5] GUAN Y, WEI B, GUERRERO J M, et al. An overview of the operation architectures and energy management system for multiple microgrid clusters[J]. iEnergy, 2022, 1(3): 306-314.

[6] 余雪瑩, 李華強(qiáng), 楊龍杰, 等. 兼顧企業(yè)綜合成本與用戶用電體驗(yàn)的微電網(wǎng)雙層優(yōu)化配置[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2020, 35(2): 38-45. YU XUEYING, LI HUAQIANG, YANG LONGJIE, et al. Bi-level programming method for optimal sizing of grid-connected DC microgrid system based on economic efficiency of enterprises and customer electricity experience[J]. Journal of Electric Power Science and Technology, 2020, 35(2): 38-45(in Chinese).

[7] 陳名揚(yáng), 劉敏, 余登武. 計(jì)及儲(chǔ)能壽命的微電網(wǎng)經(jīng)濟(jì)調(diào)度[J]. 智能計(jì)算機(jī)與應(yīng)用, 2021, 11(10): 101-106. CHEN MINGYANG, LIU MIN, YU DENGWU. Economic dispatching of micro power grid considering energy storage life[J]. Intelligent Computer and Applications, 2021, 11(10): 101-106(in Chinese).

[8] RAGHAVAN A, MAAN P, SHENOY A K B. Optimization of day-ahead energy storage system scheduling in microgrid using genetic algorithm and particle swarm optimization[J]. IEEE Access, 2020, 8: 173068-173078.

[9] 尚子勇, 王剛. 微型能源網(wǎng)日前最優(yōu)經(jīng)濟(jì)調(diào)度研究與電儲(chǔ)能策略分析[J]. 電力科學(xué)與工程, 2020, 36(8): 9-16. SHANG ZIYONG, WANG GANG. Research on day-ahead optimal economic dispatching strategy for micro-energy-grid and analysis of electric energy storage strategy[J]. Electric Power Science and Engineering, 2020, 36(8): 9-16(in Chinese).

[10] TAO M, WANG Z, QU S. Research on multi-microgrids scheduling strategy considering dynamic electricity price based on blockchain[J]. IEEE Access, 2021, 9: 52825-52838.

[11] LIU Y, WANG Y, LI Y, et al. Multi-agent based optimal scheduling and trading for multi-microgrids integrated with urban transportation networks[J]. IEEE Transactions on Power Systems, 2020, 36(3): 2197-2210.

[12] SAMUEL O, JAVAID N, KHALID A, et al. Towards real-time energy management of multi-microgrid using a deep convolution neural network and cooperative game approach[J]. IEEE Access, 2020, 8: 161377-161395.

[13] 林永君, 孟耀兵, 張聰聰, 等. 基于模型預(yù)測(cè)控制的多微電網(wǎng)群系統(tǒng)2階段優(yōu)化調(diào)度[J]. 電力科學(xué)與工程, 2023, 39(4): 28-40. LIN YONGJUN, MENG YAOBING, ZHANG CONGCONG, et al. Two-stage optimization scheduling of multi-microgrid system based on model predictive control[J]. Electric Power Science and Engineering, 2023, 39(4): 28-40(in Chinese).

[14] 馮悅雯, 胡東陽(yáng). 基于模擬退火遺傳算法的并網(wǎng)微電網(wǎng)優(yōu)化調(diào)度研究[J]. 電工材料, 2022(6): 75-80. FENG YUEWEN, HU DONGYANG. Research on optimal scheduling of grid-connected microgrids based on simulated annealing genetic algorithm[J]. Electrical Engineering Materials, 2022(6): 75-80(in Chinese).

[15] 李現(xiàn)寶, 張可. 基于改進(jìn)和聲搜索算法的微電網(wǎng)優(yōu)化調(diào)度研究[J]. 東北電力大學(xué)學(xué)報(bào), 2022, 42(5): 83-89. LI XIANBAO, ZHANG KE. Research on optimal dispatching of microgrid based on improved harmony search algorithm[J]. Journal of Northeast Electric Power University, 2022, 42(5): 83-89(in Chinese).

[16] MEI G, GONG J. Multi-microgrid coordinate dispatching of multi-time scale source-load supply and demand interaction based on master-slave game theory[C]//8th Renewable Power Generation Conference (RPG 2019). Shanghai, China: IET, 2019: 1-7.

[17] LI X, WANG L, YAN N, et al. Cooperative dispatch of distributed energy storage in distribution network with PV generation systems[J]. IEEE Transactions on Applied Superconductivity, 2021, 31(8): 1-4.

[18] AKINTE O O, PLANGKLANG B, PRASARTKAEW B, et al. Energy storage management of a solar photovoltaic–biomass hybrid power system[J]. Energies, 2023, 16(13): 5122.

[19] 方穎聰, 莫春蘭, 黨玉榮, 等. 微電網(wǎng)與壓縮空氣儲(chǔ)能系統(tǒng)的多能流協(xié)同調(diào)度[J]. 廣西大學(xué)學(xué)報(bào)(自然科學(xué)版), 2023, 48(3): 605-615. FANG YINGCONG, MO CHUNLAN, DANG YURONG, et al. Multi-energy flow coordinated dispatching of microgrid and compressed air storage system[J]. Journal of Guangxi University (Natural Science Edition), 2023, 48(3): 605-615(in Chinese).

[20] ZHANG Z, ZHANG Y, HUANG Q, et al. Market-oriented optimal dispatching strategy for a wind farm with a multiple stage hybrid energy storage system[J]. CSEE Journal of Power and Energy Systems, 2018, 4(4): 417-424.

Economic Dispatch of Microgrid Group Considering Distributed Energy Storage

HE Yuling1,2,3, WANG Bo1, SUN Kai1, WANG Haipeng1,2, DU Xiaodong1,4, WU Xuewei1, HAN Zhicheng1

(1.Department of Mechanical Engineering, North China Electric Power University, Baoding 071003, China; 2.Electric Machinery Equipment Advanced Manufacturing and Intelligent Operation and Maintenance Engineering Research Center of Hebei Province, Baoding 071003, China; 3.Suzhou Research Institute, North China Electric Power University, Suzhou 215123, China; 4.Electric Power Research Institute of State Grid Hebei Electric Power Co., Ltd., Shijiazhuang 050000, China)

In order to improve the dispatching efficiency and reduce the operation cost of microgrid, an optimal dispatching model of micro-grid group with distributed energy storage is established. The model takes the AC microgrid composed of grid-side energy storage and three subgrids including wind, solar and energy storage as the dispatch object. Under the condition of satisfying the power balance, the number of charge and discharge times and the charge and discharge power per unit time are limited. Under the condition of time-of-use price of main grid, the system generation cost, grid-side energy storage and discharge cost, genetic algorithm is used to solve the problem, and the economic dispatch scheme of microgrid group with distributed energy storage is proposed; finally, the optimal economic cost is obtained. The simulation results show that the operation scheduling model can effectively improve the economic benefits of micro-grid group, thus verifying the effectiveness of the model.

microgrid; intelligent dispatch; distributed energy storage; genetic algorithms; economic dispatch

10.3969/j.ISSN.1672-0792.2024.02.001

TM734

A

1672-0792(2024)02-0001-08

國(guó)家自然科學(xué)基金資助項(xiàng)目（52177042）；河北省高等學(xué)校科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目（ZD2022162）；河北省重點(diǎn)研發(fā)計(jì)劃專項(xiàng)（21312102D）；蘇州市社會(huì)發(fā)展科技創(chuàng)新項(xiàng)目（SS202134）；中央高校基本科研業(yè)務(wù)費(fèi)資助項(xiàng)目（2022MS095）。

2023-10-10

何玉靈（1984—），男，教授，研究方向?yàn)殡娬驹O(shè)備狀態(tài)檢測(cè)及其故障診斷；

王海朋（1988—），男，講師，研究方向?yàn)橛性磁潆娋W(wǎng)運(yùn)行可靠性評(píng)估及協(xié)同控制優(yōu)化；

杜曉東（1989—），男，高級(jí)工程師，研究方向?yàn)榕潆娋W(wǎng)數(shù)字化建模及控制優(yōu)化。

王海朋