計及低碳經(jīng)濟運行的含風電微網(wǎng)群源儲協(xié)同日前優(yōu)化調(diào)度

姚路錦, 王 瑋, 林宏宇, 劉吉臻

(1．華北電力大學 新能源電力系統(tǒng)國家重點實驗室,北京 102206;2．華北電力大學 經(jīng)濟與管理學院,北京 102206)

隨著“雙碳”目標的推進,中國清潔能源投資及清潔能源研究產(chǎn)出均位居世界首位[1]。截至2023年8月,風電裝機容量約4.0億kW,同比增長14.8%[2]。陸地和海上風電裝機容量的逐年攀升使得電網(wǎng)中風電滲透率不斷提升,不以大規(guī)模遠距離輸送電力為目的、就近接入配電網(wǎng)利用的分布式風電開發(fā)形式成為較優(yōu)選擇[3]。對于分布式風電的消納問題,由分布式電源、儲能裝置、負荷以及能量管理系統(tǒng)(Energy Management System,EMS)組成的微電網(wǎng)(Microgrid,MG)旨在實現(xiàn)分布式電源的高效靈活并網(wǎng)[4]。

通常,MG優(yōu)先消納區(qū)域內(nèi)分布式電源產(chǎn)出,盈余的凈發(fā)電功率可選擇向公用電網(wǎng)出售或利用儲能存儲,而過量的負荷需求可選擇向電網(wǎng)購電或利用儲能補充。但對于極高風電滲透率的場景,電源的高度不確定性難以滿足區(qū)域用戶對高質(zhì)量供電的需求。需求響應(yīng)(Demand Response,DR)通過引導用戶用電習慣轉(zhuǎn)移用電負荷,從而達到緩解源荷不平衡矛盾、保障電網(wǎng)穩(wěn)定并抑制電價上升的目的,其已作為可調(diào)節(jié)資源參與到電力系統(tǒng)的調(diào)度運行當中[5],主要包括價格型需求響應(yīng)(Price-based DR,PDR)和激勵型需求響應(yīng)(Incentive-based DR,IDR)。崔楊等[5]通過協(xié)調(diào)源側(cè)出力及荷側(cè)各類DR資源的調(diào)用,構(gòu)建了源-荷多時間尺度調(diào)度模型,提升系統(tǒng)風電消納的同時改善了系統(tǒng)運行經(jīng)濟性。羅純堅等[6]基于PDR不確定性建立了分時電價(Time of Use Pricing,TOU)下的負荷模糊響應(yīng)模型,并結(jié)合源荷兩端的不確定性建立了考慮風電消納效益的日前模糊優(yōu)化模型,分析了PDR不確定性對電力系統(tǒng)日前調(diào)度的影響。Dey等[7]綜合考慮微電網(wǎng)系統(tǒng)成本及DR資源,通過優(yōu)化智能算法使微電網(wǎng)能源零售商利益最大化,同時有效降低污染。Hassan等[8]通過線性回歸為微電網(wǎng)的清潔能源設(shè)計動態(tài)電價方案,維持微電網(wǎng)中可變和不可變負荷用戶的利潤率和舒適度,以實現(xiàn)MG用戶的效益最大化。崔楊等[9]基于實時電價(Real Time Pricing,RTP)策略,兼顧風電預(yù)測和PDR的不確定性構(gòu)建了基于光熱電站和PDR參與風電消納的日前調(diào)度模型,通過源荷兩側(cè)的協(xié)調(diào)調(diào)度提升系統(tǒng)的風電消納能力。鑒于以上文獻,將DR資源的協(xié)調(diào)分配應(yīng)用于微電網(wǎng),使得用戶的用電質(zhì)量及系統(tǒng)運行效益均得到明顯改善。但對于極高風電滲透率的微網(wǎng)場景,由于風電的反調(diào)峰特性,通過傳統(tǒng)RTP策略進行PDR調(diào)節(jié)會加重系統(tǒng)調(diào)峰壓力甚至嚴重棄風。

隨著MG的分布密度增加,逐漸形成含有各種分布式資源的微電網(wǎng)群(Microgrid Cluster,MGC),如何協(xié)調(diào)利用MGC的分布式資源去優(yōu)化系統(tǒng)成本成為研究熱點。Kermani等[10]利用MG互聯(lián)線路構(gòu)建互聯(lián)微電網(wǎng)模式,減少MGC對上游電網(wǎng)的峰值負荷壓力,降低系統(tǒng)總成本的同時提高系統(tǒng)在不同條件下的可靠性。黃豫等[11]基于并行交替方向乘子算法(Alternating Direction Multiplier Method,ADMM)提出一種微電網(wǎng)分布式電源的經(jīng)濟調(diào)度方法,以提升可再生能源的消納率。Zhu等[12]提出了一種基于模型預(yù)測控制和分塊化ADMM的MGC分布式優(yōu)化策略,用來優(yōu)化MG之間的協(xié)調(diào)控制和能量調(diào)度。這些文獻僅考慮對MGC中分布式電源的協(xié)調(diào)優(yōu)化來提升系統(tǒng)效益,而能夠在MG源荷兩端靈活轉(zhuǎn)換的儲能裝置對于MGC來說也是重要的調(diào)度資源。陳曦等[13]以共享儲能運營商為主體、各MG為從體,構(gòu)建一主多從博弈優(yōu)化調(diào)度模型,提升儲能租賃利潤。常喜茂等[14]和焦建芳等[15]均考慮儲能充放電速率和深度對電池壽命的影響建立MGC分布式調(diào)度策略,顯著降低儲能電池的使用成本。為應(yīng)對分布式清潔能源的消納,MGC存在著豐富的分布式儲能資源,以上研究更側(cè)重于通過控制儲能出力進行儲能側(cè)的經(jīng)濟性優(yōu)化,并未同時考慮系統(tǒng)運行成本及碳排放帶來的環(huán)境效益,從而對儲能資源進行整合及協(xié)調(diào)優(yōu)化。

針對以上問題,筆者首先考慮MGC中風電的不確定性問題,通過場景分析[16](Scenario Analysis,SA)構(gòu)建不確定性場景來分析分布式風電的出力不確定性問題;基于MG凈負荷提出改進的RTP定價機制,用于微網(wǎng)需求側(cè)的PDR,并根據(jù)MGC中各個微網(wǎng)的用戶負荷特點及用戶側(cè)感受提出相關(guān)PDR和IDR用戶滿意度計算方法;通過劃分碳排放鏈引入碳交易機制,提出基于分布式共享儲能的微網(wǎng)群低碳日前調(diào)度模型。

1 微網(wǎng)群運行分析

1.1 微網(wǎng)群負荷特性分析

基于分布式電源、分布式儲能系統(tǒng)以及用戶側(cè)負荷構(gòu)建微電網(wǎng)群。如圖1所示,MGC主要由3個區(qū)域微電網(wǎng)和EMS構(gòu)成,每個MG內(nèi)都含有風電機組(Wind Turbine,WT)、電池儲能系統(tǒng)(Battery Energy Storage System,BESS)及負荷主體。風電機組在MG內(nèi)擔任源端供電主體,電池儲能系統(tǒng)作為靈活調(diào)節(jié)既能在負荷增加或風電短缺時充當電源提供電量,又能在負荷減少或風電盈余時作為負荷側(cè)存儲電量。由于風電運行的不穩(wěn)定性及儲能充放電的功率限制,MG在運行過程中會較為頻繁地向公用電網(wǎng)產(chǎn)生購電行為以滿足用戶負荷需求,選擇微型燃氣輪機(Gas Turbine,GT)作為穩(wěn)定發(fā)電源為MGC提供支撐。

圖1 微網(wǎng)群結(jié)構(gòu)圖

由于發(fā)電源及用電負荷主體不同,各MG的負荷特性如圖2所示,具體分析如下:

圖2 各微網(wǎng)負荷特性示意圖

圖3 基于階梯碳價的碳交易成本

(1) MG1:發(fā)電源為區(qū)域內(nèi)陸地風電場,用電主體為常規(guī)居民用電負荷。負荷早峰從6:00左右一直持續(xù)攀升到11:00,晚峰從18:00左右開始持續(xù)到22:00左右,主要是生活和商業(yè)用電。

(2) MG2:發(fā)電源為區(qū)域內(nèi)陸地風電場,用電主體為電動汽車聚合商(Electric Vehicle Aggregator,EVA),日間用電量較低,夜間處于汽車充電量高峰期,其負荷曲線基本匹配實時汽車充電數(shù)量。

(3) MG3:發(fā)電源為區(qū)域內(nèi)海上風電場,用電主體為沿海區(qū)域工業(yè)用電負荷。負荷曲線有明顯雙峰特性,但夜間負荷明顯高于日間,這是由于工業(yè)用戶利用分時電價谷段的電價優(yōu)勢保證生產(chǎn)效益,使得夜間用電負荷維持在較高水平。

1.2 風電不確定性分析

由于風電出力的間歇性和不確定性,導致并網(wǎng)風電機組的電力供應(yīng)無法滿足穩(wěn)定性、連續(xù)性和可調(diào)性等要求,輸出功率的不斷變化容易對電網(wǎng)造成沖擊,而提高風電預(yù)測的精度可減少風電不確定性的影響,支撐大規(guī)模風電入網(wǎng)后的安全運行與經(jīng)濟調(diào)度。借助SA的不確定性模擬,基于風功率預(yù)測信息進行系統(tǒng)性決策,可以將風電的不確定性轉(zhuǎn)換為風電預(yù)測誤差的不確定性,進而應(yīng)用于微電網(wǎng)的優(yōu)化調(diào)度問題。

通常將風電預(yù)測誤差δWi,t定義為

δWi=PWi,act-PWi,pre

(1)

式中:PWi,act為MGi的風電功率實際值;PWi,pre為MGi的風電功率預(yù)測值。

根據(jù)誤差分布函數(shù)的特點,采用基于均勻分層的拉丁超立方體采樣法(Latin Hypercube Sampling, LHS)對預(yù)測誤差進行采樣分析,從而更全面地獲取誤差信息,具體算法可參考文獻[17]。首先由正態(tài)分布的概率密度函數(shù)可得到誤差的累計密度函數(shù)Yt為

(2)

式中:σ為函數(shù)變量的標準差;N為總采樣次數(shù)。

(3)

將所得誤差采樣集合{δWi,n}疊加在原始預(yù)測風電數(shù)據(jù),即可得到MGi的N個風電預(yù)測功率場景集合C={PWi,pre,n}。

由于生成場景規(guī)模較大,且大多數(shù)場景高度相似,不具有代表性,采用基于概率距離的快速前代消除法[18]實現(xiàn)場景削減,消除噪聲影響、提高計算效率的同時能夠篩選出保留風電出力特性的代表性場景,具體步驟如下。

步驟1:設(shè)定目標場景數(shù)X,并計算C中每對場景Ci和Cj之間的歐氏距離d(Ci,Cj)。

(4)

步驟2:選定與剩余場景概率距離之和最小的場景Cr。

步驟3:選擇與場景Cr幾何距離最近的場景Cn替代場景Cr,并將Cr的概率P(Cr)疊加到場景Cn上,從而完成削減,最終形成新的場景集合C*。

步驟4:判斷C*場景數(shù)目是否滿足目標;若滿足,則完成削減;若不滿足,則重復上述步驟。

根據(jù)最終削減場景數(shù)M形成典型功率預(yù)測場景Cm,從而得到預(yù)測功率PWi,pre為

(5)

式中:P(Cm)為預(yù)測場景Cm的概率;PWi,pre,m為預(yù)測場景Cm的預(yù)測功率。

由此,根據(jù)歷史數(shù)據(jù)生成包含風電不確定性的預(yù)測場景,可用于MGC的日前優(yōu)化調(diào)度。

1.3 需求響應(yīng)及用戶滿意度分析

1.3.1 價格型需求響應(yīng)

對于價格型需求響應(yīng),現(xiàn)有削峰填谷的傳統(tǒng)定價規(guī)則是考慮熱電機組的穩(wěn)定運行,避免負荷突變來保障大電網(wǎng)的安全穩(wěn)定;而大規(guī)模風電并網(wǎng)后,風電主動支撐電網(wǎng)的比例越來越高,區(qū)域微電網(wǎng)逐漸呈現(xiàn)出以風電為主、儲能為輔的方式來支撐電網(wǎng)負荷,而熱電只是作為應(yīng)急支撐來保障各MG的穩(wěn)定運行。

由于風電具有明顯的反調(diào)峰特性,考慮基于當前區(qū)域微電網(wǎng)的負荷特性以及風電出力特征動態(tài)調(diào)整電價,引導主要消費群體的用電習慣,更有利于促進風電消納,提升風電在電網(wǎng)中的支撐能力。將微網(wǎng)i負荷量與其風電功率總?cè)萘恐疃x為凈負荷ΔPi,t

ΔPi,t=PLi,t-PWi,pre,t

(6)

式中:PLi,t為t時刻微網(wǎng)i的負荷。

由風電出力負荷差引導的微網(wǎng)i的動態(tài)電價pi,t可定義為

pi,t=

(7)

式中:pmax、pmid、pmin分別為電價的峰值、中間值和谷值;ΔPi,max、ΔPi,min分別為凈負荷的最大值和最小值。

對于日前調(diào)度,根據(jù)消費者心理學,可以借助時間尺度為小時的RTP引導用戶改變用電習慣,幫助電網(wǎng)削峰填谷[19]。采用彈性系數(shù)矩陣表示電價變化率對負荷響應(yīng)率的影響。

(8)

式中:λΔPDR為負荷響應(yīng)率;εt,t為t時刻自彈性系數(shù);εi,j(i≠j)為互彈性系數(shù);λΔp為電價變化率。

由于DR存在不確定性,采用三角隸屬度函數(shù)[6]來描述PDR負荷響應(yīng)率的不確定程度,其模糊表達式為

(9)

(10)

式中:λΔPDR1、λΔPDR2、λΔPDR3分別為負荷響應(yīng)率的隸屬度參數(shù);δt為預(yù)測負荷響應(yīng)率的最大誤差水平,δt≥0。

(11)

式中:ηLi,max、ηLi,min分別為PDR負荷的上、下限系數(shù)。

由于PDR以改變用戶用電習慣為基礎(chǔ)在時間軸上進行一定量的負荷轉(zhuǎn)移,用戶在進行消費時會在用電方式和用電費用方面出現(xiàn)滿意度的相關(guān)問題,所以采用PDR轉(zhuǎn)移負荷量相比初始負荷量的變化程度來表示用電方式滿意度Us[9]:

(12)

用PDR轉(zhuǎn)移負荷的實際縮減成本相比最優(yōu)預(yù)期電價縮減成本表示用電費用滿意度Up:

(13)

(14)

1.3.2 激勵型需求響應(yīng)

對于MG的調(diào)度運行,在電力用戶側(cè)可以通過PDR引導用戶的用電習慣,從而調(diào)節(jié)各MG的負荷峰谷值;同時也可以根據(jù)MG的負荷特性設(shè)置一定量的可削減負荷,并通過IDR參與MG的優(yōu)化運行。電網(wǎng)管理者通常與負荷聚合商提前簽訂激勵合同,從而保障在負荷調(diào)度中可以直接調(diào)用部分IDR資源,以響應(yīng)負荷需求與供電量之間無法及時滿足的差額。

對于MG2的用電主體,EVA可作為相對穩(wěn)定的IDR供應(yīng)商提供IDR響應(yīng)資源,由于其面向用戶提供充電服務(wù),所以會產(chǎn)生滿意度的相關(guān)問題,將EVA的IDR用戶滿意度定義為實際滿足汽車充電量與預(yù)期滿足充電量的比例UIDR

(15)

式中:ΔPIDR2,t為EVA在t時刻提供的IDR負荷響應(yīng)量;Qev,t為t時刻汽車的總充電量。

為了簡化計算,統(tǒng)一設(shè)定電動汽車的規(guī)格,則對于EVA來說,簡易且有效的統(tǒng)計特征就是該時刻所需充電汽車的總數(shù)量。將每個時刻必須完成充電的汽車數(shù)量定義為Nev,t,EVA的總充電量Qev,t可表示為

Qev,t=Nev,tE(D)qev

(16)

式中:E(D)為汽車日行駛里程的期望值;qev為汽車單位充電容量。

通常,電動汽車的充電量與日行駛里程成正比,根據(jù)經(jīng)驗公式[20],電動汽車日行駛里程D滿足對數(shù)正態(tài)分布f(D):

(17)

其CDF分布函數(shù)F(D)為

(18)

則EVA可提供的IDR上、下限分別為

(19)

式中:Dmax為日行駛里程的最大值;β為可削減里程的標準差比例系數(shù);Di為第i輛車的日行駛里程。

對于MG1的負荷主體,主要采用PDR引導調(diào)節(jié)用電負荷,儲能可作為IDR資源緊急備用并提供相應(yīng)補償。對于MG3的可削減工業(yè)負荷,由于已經(jīng)簽訂相關(guān)激勵合同,只需根據(jù)合同進行付費懲罰,不考慮相關(guān)滿意度問題,但需要設(shè)定相關(guān)IDR響應(yīng)的上下限值。

1.4 分布式共享儲能交互模式

如圖1所示,MGC的各個微電網(wǎng)內(nèi)都存在分布式儲能單元。按照傳統(tǒng)運行模式,各微網(wǎng)的源荷互動都存在于本區(qū)域內(nèi)的電源、負荷、儲能和公用電網(wǎng)之間,其儲能系統(tǒng)只響應(yīng)各自部分的負荷調(diào)度,在微網(wǎng)凈負荷趨于峰值時進行充放電,以滿足各微網(wǎng)的源荷平衡,減少購電成本。

如果選擇將各個微網(wǎng)按照地域分布通過EMS進行互聯(lián)互通,就可以進一步開發(fā)分布式儲能的負荷響應(yīng)能力?；诜植际焦蚕韮δ?微電網(wǎng)的調(diào)度不再僅限于滿足本地負荷需求,而是將MGC看作一個整體進行源荷平衡調(diào)度。除了電源端電量的交互,可以根據(jù)各MG中儲能的電量狀態(tài)(State of Charge,SOC)進行統(tǒng)一協(xié)調(diào)調(diào)度,控制分布式儲能的充放電量,盡可能減少損耗的同時可以更多地消納風電,減少整體運行成本。

具體交互規(guī)則為:當微電網(wǎng)負荷量大于發(fā)電量(即MG的凈負荷小于零)時,本地RTP處于較高峰值,利用本地儲能設(shè)備放電以減少負荷差的同時,可以從其他MG以低于本地RTP的購電價格獲得交互電量;當MG發(fā)電量大于負荷量時,本地RTP處于低谷,滿足本地儲能充電的同時,可以用高于向電網(wǎng)售電的市場價向其他有需求的MG傳輸多余電量,此時,購電方則可以根據(jù)自身儲能狀態(tài)進行過量購電以備電價升高時使用,從而減少購電成本。

微電網(wǎng)按照傳統(tǒng)模式單一地與電網(wǎng)進行交互,根據(jù)RTP定價規(guī)則,需要在本地負荷峰值時以較高的峰值價購電;在負荷谷值時以低于本地RTP售電。而MGC之間的電量交互,既可以在本地RTP處于峰值時以較低價購電,又可以在本地RTP處于谷值時以較高價售電。當MGC內(nèi)交互電量達到一定值時,交互成本會明顯低于直接與電網(wǎng)交互的購售電成本,所以MGC按照此規(guī)則簽訂交互協(xié)議,電量輸送端和接受端都能受益。

2 源儲協(xié)同低碳日前調(diào)度模型

2.1 基于階梯碳價的碳排放成本模型

為了實現(xiàn)MGC的低碳運行,在保障整體經(jīng)濟性調(diào)度優(yōu)化的同時需考慮碳排放因素。能源設(shè)備在運行中產(chǎn)生的溫室氣體主要包括SO2、NOx和CO2,為簡化計算可根據(jù)單位產(chǎn)能各氣體的排放量折算成CO2排放量[21]。對于微電網(wǎng)運行各環(huán)節(jié)的碳排放強度,運用生命周期評價[22](Life Cycle Assessment,LCA)方法按照能源設(shè)備各環(huán)節(jié)活動順序劃分碳排放鏈,分別對其傳遞過程進行歸類簡化,最后基于各環(huán)節(jié)能源消耗或轉(zhuǎn)換過程所產(chǎn)生的碳排放系數(shù)進行碳排放量計量。

(1) 碳排放量

MG運行過程涉及源、網(wǎng)、荷、儲四部分的協(xié)調(diào)調(diào)度,源端的發(fā)電機生產(chǎn)、網(wǎng)側(cè)的傳輸損耗以及儲能的運維均會產(chǎn)生碳排放。對于第1節(jié)中的MGC模型,燃氣輪機運行所消耗的天然氣LCA碳排放主要分為開采、運輸及使用3個環(huán)節(jié)。作為清潔能源的風電,由于其幾乎不帶來環(huán)境效益損耗,在源端被視為零碳排放,但是在生產(chǎn)建設(shè)及運輸環(huán)節(jié)會產(chǎn)生相應(yīng)的碳排放。而BESS的充放電損耗及運維均會產(chǎn)生一定量的碳排放?；诟鳈C組單位電量定義微網(wǎng)群的碳排放總量VCO2為

(20)

式中:PGi,t、PWi,t、PEi,t和PBi,t分別為MGi的燃氣輪機、風電機組、儲能及購電功率;cG、cW、cE、cB分別代表燃氣輪機、風電機組、儲能及微網(wǎng)購電交易的單位碳排放因子。

(2) 碳排放權(quán)配額

碳配額(Carbon Allowance,CA)是指政府在控制碳排放總量下分配的碳排放權(quán)憑證,而碳交易把碳排放權(quán)作為商品允許能耗企業(yè)根據(jù)實際碳排放量購買碳排放額及出售未排放余額,進而形成碳交易市場來靈活分配碳排放權(quán)。各MG基于無償配額[23]的碳排放配額模型為

(21)

式中:EGi、EWi、EEi分別為燃氣輪機、風電機組及儲能分配的碳排放權(quán)配額;x代表G、W、E;χG、χW、χE分別為燃氣輪機、風電機組及儲能設(shè)備對應(yīng)的單位碳排放權(quán)配額。

各MG需額外購買的碳排放總量Vbuy為

(22)

(3) 基于階梯碳價的碳交易成本

傳統(tǒng)碳交易機制下,碳價由上游市場統(tǒng)一制定,碳交易市場缺乏靈活性且不利于有效控制碳排放量。而階梯碳價[24]依據(jù)碳排放需求量靈活制定區(qū)間價格,提高大排放機組碳交易成本的同時減小排放量在合理范圍內(nèi)機組的成本,從而有效控制碳排放強度。其在X+1個區(qū)間的階梯式碳交易價格pC,i為

(23)

式中:V0為碳排放量區(qū)間長度;p0為碳交易基價;α為價格增長系數(shù)。

所形成的階梯式碳交易成本fCO2為:

fCO2=

(24)

2.2 微網(wǎng)群低碳日前優(yōu)化調(diào)度模型

基于MGC中各微網(wǎng)的負荷特性,綜合考慮需求響應(yīng)、儲能的柔性可調(diào)資源及碳排放成本制定日前調(diào)度計劃,可進行趨于源荷匹配的調(diào)度分配,充分利用現(xiàn)有資源實現(xiàn)微網(wǎng)群整體效益最大化,同時增加風電消納水平。對于獨立型日前調(diào)度模型,由于各MG僅與電網(wǎng)進行交互,優(yōu)化目標是單獨考慮各個MG,微網(wǎng)間不互相影響;而交互型日前調(diào)度模型中各MG不僅與電網(wǎng)交互,MGC之間也會考慮整體效益進行能量交互。

2.2.1 獨立型日前調(diào)度模型

根據(jù)獨立型MGC的運行方式,對風電、儲能及電網(wǎng)交互功率進行日前調(diào)度計劃,綜合考慮機組運行狀態(tài)及碳排放量的同時減少棄風,增加各MG的經(jīng)濟及環(huán)境效益。以系統(tǒng)機組運行成本、棄風懲罰成本、電網(wǎng)購售電成本、IDR成本及碳排放成本為目標函數(shù),建立各MG日前調(diào)度模型:

fIDRi,t)+fCO2,i

(25)

其中,

式中:fGi,t、fWi,t、fEi,t分別為各微網(wǎng)的燃氣輪機、風電機組、儲能運行成本;fTi,t、fIDRi,t分別為電網(wǎng)交互成本和IDR成本;CEi,loss,t、CEi,deg,t分別為BESS的充放電損失和退化成本;kGi、kWi分別為燃氣輪機和風電機組的運行成本系數(shù);μF、μWi,t、μloss、μEi、μBi、μSi、μIDR分別為單位燃料成本系數(shù)、棄風成本系數(shù)、電池損耗系數(shù)、電池成本系數(shù)、電網(wǎng)購電系數(shù)、電網(wǎng)售電系數(shù)及IDR響應(yīng)成本系數(shù);PGi,t、PWi,t、PWi,cut,t、PEci,t、PEdi,t、PBi,t、PSi,t分別為燃氣輪機功率、風電功率、棄風功率、BESS充電功率、BESS放電功率、購電量及售電量;ΔPIDRi,t為各微網(wǎng)的IDR響應(yīng)量;γEi、ηEc、ηEd、Si、Sref、Te分別為BESS額定循環(huán)壽命、充電效率、放電效率、SOC值、SOC參考值及環(huán)境溫度;d1、d2、d3、d4為依賴于溫度的電池循環(huán)壽命系數(shù)[25]。

獨立型日前調(diào)度模型的約束條件如下:

(1) 源荷平衡約束

PGi,t+PWi,t+PEi,t+PBi,t=

(26)

(2) 燃氣輪機功率及爬坡約束

(27)

式中:PGi,max、PGi,min分別為燃氣輪機功率上、下限;RGi,up、RGi,down分別為機組爬坡功率上、下限;ΔPGi,t為機組出力變化量。

(3) 風電棄風約束

PWi,t+PWi,cut,t≤PWi,pre,t

(28)

(4) 電網(wǎng)交互容量約束

|Bi0(θi,t-θ0,t)|≤Pi0,max

(29)

式中:Pi0,max為節(jié)點i和母線之間輸電線的最大傳輸容量;Bi0為節(jié)點i與母線之間的電納;θi和θ0分別為節(jié)點i和母線的電壓相角。

(5) 儲能充放電約束

(30)

式中:PEi,max、PEi,min分別為BESS功率上、下限;Si,max、Si,min分別為SOC的上、下限;Δt為時間間隔。

(6) IDR響應(yīng)約束

ΔPIDRi-≤ΔPIDRi,t≤ΔPIDRi+

(31)

式中:ΔPIDRi+、ΔPIDRi-分別為IDR負荷響應(yīng)的上、下限。

2.2.2 交互型日前調(diào)度模型

根據(jù)交互型MGC的運行方式,對風電、儲能、電網(wǎng)交互及微網(wǎng)交互功率進行日前調(diào)度計劃,綜合考慮機組運行狀態(tài)、儲能充放電狀態(tài)及碳排放量,同時進一步減少棄風,增加MGC整體的經(jīng)濟及環(huán)境效益。以系統(tǒng)機組運行成本、棄風懲罰成本、電網(wǎng)購售電成本、微網(wǎng)交互成本、IDR成本及碳排放成本為目標函數(shù),建立MGC的日前交互調(diào)度模型:

fTi,t+fMGij,t+fIDRi,t)+fCO2

(32)

式中:fMGij,t為微網(wǎng)之間的交互成本。

相比獨立型交互模型,成本函數(shù)的主體發(fā)生變化,具體表現(xiàn)如下:

(1) 風電的交互成本統(tǒng)一包含在微網(wǎng)交互成本內(nèi);而儲能的充放電損失和退化成本中的儲能功率PEi,t則由本地交互量PEi,local,t與微網(wǎng)交互量PEij,trans,t共同構(gòu)成。

(33)

(2) 微網(wǎng)之間的交互成本fMGij,t包含了儲能和風電的總交互量:

(34)

式中:μMGi為MGi的交互成本;PWij,trans,t為風電的微網(wǎng)交互量。由于交互電量均是零碳生產(chǎn)電量,不計入碳排放成本。

交互型日前調(diào)度模型的約束條件如下:

(1) 源荷平衡約束

(35)

式中:PWi,local,t為風電的本地交互量。

(2) 風電棄風約束

PWi,local,t+PWi,cut,t+PWij,trans,t≤PWi,pre,t,

PWij,trans,t≥0

(36)

(3) 微網(wǎng)交互容量約束

PMGij,t=|Bij(θi,t-θj,t)|≤Pij,max

(37)

式中:Pij,max為節(jié)點i和j之間輸電線的最大傳輸容量;Bij為節(jié)點i和j之間的電納;θj為節(jié)點j的電壓相角。其余約束均等同于獨立型日前調(diào)度模型。

3 算例分析

3.1 微網(wǎng)群參數(shù)設(shè)置

為驗證所提源儲協(xié)同低碳日前調(diào)度模型的有效性,基于圖1搭建Matlab Simulink仿真模型,分別對獨立型和交互型調(diào)度模型進行分析,模型的優(yōu)化求解基于YAMLIP求解器。微網(wǎng)群BESS的額定功率及容量統(tǒng)一設(shè)置為5 MW/5 MW·h,初始SOC均為0.2,MG與電網(wǎng)交互及MGC內(nèi)部交互的傳輸容量均設(shè)置為5 MW。其他具體參數(shù)見表1,MGC各環(huán)節(jié)的單位碳排放系數(shù)和單位碳配額系數(shù)[22-23]見表2。

表1 微網(wǎng)群運行參數(shù)

表2 微網(wǎng)群各環(huán)節(jié)單位碳排放及碳配額系數(shù)

3.2 需求響應(yīng)結(jié)果分析

由于3個MG的計算過程類似,選擇把MG1的分析結(jié)果作為示例呈現(xiàn)。由風電的不確定性分析得到的1 000個預(yù)測誤差抽樣集合,如圖4所示,依據(jù)所得大量樣本場景,通過場景縮減得到篩選集合后,再經(jīng)式(5)計算,最終可得到MG1的可信預(yù)測風電功率。

圖4 MG1風電功率預(yù)測場景集合

基于得到的風電功率,借助式(6)～式(11)計算得到各MG的PDR負荷變化值,從而得到經(jīng)PDR后的微網(wǎng)負荷,用于日前優(yōu)化調(diào)度。結(jié)合圖5和圖6可以看出,相比傳統(tǒng)實時電價的定價方式,改進定價方式動態(tài)跟隨凈負荷值;經(jīng)過PDR調(diào)節(jié)后,相較于傳統(tǒng)電價對負荷曲線削峰填谷的作用,基于改進電價進行調(diào)整的PDR負荷能更好地適應(yīng)電源端的發(fā)電特性。在01:00—06:00,風電大于負荷需求,改進PDR使得用戶負荷明顯增加,通過用戶轉(zhuǎn)移負荷及BESS存儲低價風電可增加對風電的消納,同時減少低價售電的比例;而在13:00—20:00,風電小于負荷需求,改進PDR使得用戶負荷需求大幅減少,再加上BESS的放電支撐,可明顯減少電網(wǎng)購電成本。此外,由于階梯碳價的設(shè)置,風電利用率的增加可減少碳排放量,從而使得碳排放成本明顯縮減。

圖5 MG1凈負荷和電價趨勢

圖6 MG1不同PDR前后負荷對比

3.3 日前調(diào)度結(jié)果分析

3.3.1 獨立型日前調(diào)度

為了說明改進RTP的有效性,采用獨立型日前調(diào)度模型,基于傳統(tǒng)和改進RTP的PDR負荷,分別對3個MG進行日前優(yōu)化調(diào)度,調(diào)度結(jié)果如圖7～圖9所示,碳排放量及經(jīng)濟成本如表3所示。

表3 獨立型微網(wǎng)群不同PDR調(diào)度結(jié)果對比

(a) 傳統(tǒng)PDR調(diào)度結(jié)果

(a) 傳統(tǒng)PDR調(diào)度結(jié)果

(a) 傳統(tǒng)PDR調(diào)度結(jié)果

對于MG1,相比傳統(tǒng)PDR調(diào)度結(jié)果,改進后13:00—20:00負荷需求量降低,電網(wǎng)交互購電量減少14.95 MW·h;05:00、23:00、24:00負荷需求增加,棄風量明顯減少,總共下降67.75%;BESS充放電動作次數(shù)由14次下降到6次,儲能充放電損失和退化成本縮減28.43%;由于風電的利用率增加,使得電網(wǎng)購電量減少,機組運行成本大幅縮減20 158.21元;微網(wǎng)碳排放量也相應(yīng)減少,在階梯碳價的作用下碳排放成本和系統(tǒng)總成本分別減少44.96%和43.14%。

對于MG2,EVA作為負荷主體,汽車充電數(shù)量可以較為明顯地反映負荷變化特征,圖8中汽車充電數(shù)量的虛線部分為EVA提供IDR負荷而減少的充電數(shù)量。在17:00、18:00和20:00三個時刻,汽車充電數(shù)量從438輛縮減到134輛,IDR成本相應(yīng)地縮減了2 439.02元;11:00和12:00的負荷需求增加2.08 MW·h,棄風量減少了1.15 MW·h;BESS動作次數(shù)和充放電量均有減少,相應(yīng)成本下降31.81%;由于階梯碳價的價格機制,雖然碳排放量只減少了6.41 t,但碳排放成本縮減了224.56元;由于購售電量變化不明顯,其他機組的運行成本基本沒有變動,系統(tǒng)總成本只下降3.82%。

對于MG3,經(jīng)改進PDR的負荷轉(zhuǎn)移,06:00—08:00、17:00—21:00 IDR負荷量變?yōu)榱?使得IDR成本降幅明顯;BESS充放電量縮減,使得儲能成本下降23.76%;由于階梯碳價機制,下降的14.77 t碳排放量帶來了36.90%的碳排放成本縮減;負荷轉(zhuǎn)移后,儲能和IDR的動作減少,使得其他機組運行成本稍有增加,最終系統(tǒng)總成本下降19.01%。

在需求響應(yīng)的用戶滿意度方面,如表4所示,由于改進RTP的定價機制,3個MG的用戶負荷轉(zhuǎn)移量都有所提升,導致用戶用電方式滿意度下降,但均在可接受范圍內(nèi);用電費用滿意度方面,MG1和MG2分別下降2.71%和0.93%,而MG3則提升64.65%,這主要是由于改進RTP下風電盈余時期的電價更友好,通過PDR轉(zhuǎn)移負荷的用戶在電價方面的受益大幅提升。對于IDR用戶滿意度,相比傳統(tǒng)PDR,改進PDR后MG2的汽車充電數(shù)量減少了304輛,占IDR響應(yīng)前預(yù)期充電總數(shù)量的2.28%;IDR用戶滿意度相應(yīng)地提升2.03%。

表4 獨立型微網(wǎng)群用戶滿意度結(jié)果對比

3.3.2 交互型日前調(diào)度

為了進一步驗證基于分布式共享儲能的交互型日前調(diào)度模型的有效性,通過交互型調(diào)度模型對MGC統(tǒng)一進行日前優(yōu)化調(diào)度,結(jié)果如圖10所示,碳排放量及經(jīng)濟成本如表5所示。相比獨立型MGC的運行,交互型MGC的PDR定價仍然延續(xù)基于凈負荷的RTP規(guī)則,但3個MG的優(yōu)化目標不再是單一考慮,而是整體達到最優(yōu)。

表5 交互型微網(wǎng)群調(diào)度結(jié)果

(a) MG1調(diào)度結(jié)果

對比圖7～圖9和表3可以看出,MGC交互之后3個MG的儲能利用頻率明顯增加,充放電量的上升使得BESS損耗成本一共增加685.96元;由于儲能的交互共享,消除了棄風情況,減少了運行成本中的棄風懲罰;同時,MGC的交互共享使得在傳輸容量允許的情況下,MG與電網(wǎng)間的購售電量大幅縮減,更多地轉(zhuǎn)為MGC內(nèi)電量購售交互,進而使其他機組的運行成本分別降低23.38%、5.03%和24.05%;由于風電及儲能運維的成本損耗及碳排放量已經(jīng)計算在內(nèi),生產(chǎn)的零碳電能在交互時不產(chǎn)生碳排放,相較于獨立型微網(wǎng)運行,碳排放量總共減少32.14 t,依靠階梯碳價,碳排放成本進一步縮減30.99%。

綜上,交互型調(diào)度模型下,相對于儲能損耗成本的提升,其他機組的運行成本、IDR成本、電網(wǎng)購售電成本及碳排放成本的有效縮減使MGC總成本降低22 812.09元,降幅達15.05%。在用戶滿意度方面,由于RTP的規(guī)則同獨立型日前調(diào)度相同,所以PDR相關(guān)用戶滿意度也相同;但MG2中用于IDR響應(yīng)的汽車充電數(shù)量通過交互型日前優(yōu)化調(diào)度減少了101輛,相應(yīng)地IDR成本縮減75.58%,從而使得IDR用戶滿意度進一步提升到99.85%。

4 結(jié)論

(1) 對于風電滲透率極高的微電網(wǎng)源荷平衡場景,基于負荷峰谷調(diào)整的傳統(tǒng)實時電價機制通過價格型需求響應(yīng)帶來的削峰填谷效果并不理想,不能完全適配微電網(wǎng)群的調(diào)度需求。考慮將跟隨凈負荷的改進實時電價機制與價格型需求響應(yīng)結(jié)合,能更好地引導用戶增加源端的風電消納,減少棄風;各微網(wǎng)的儲能損耗成本、向電網(wǎng)購售電量及激勵型需求響應(yīng)成本均明顯下降,碳排放量分別減少13.87 t、6.41 t、14.77 t,系統(tǒng)總成本分別縮減43.14%、3.82%、19.01%,環(huán)境及經(jīng)濟效益得到有效提升;同時,用戶的價格型及激勵型需求響應(yīng)滿意度維持在較高水平。

(2) 相較于各微網(wǎng)僅與電網(wǎng)交互的獨立型調(diào)度模型,所提出的基于分布式共享儲能的交互型微網(wǎng)群調(diào)度模型消除了原有的棄風情況,微網(wǎng)群之間能產(chǎn)生互補效應(yīng),在傳輸容量允許的情況下與電網(wǎng)間的購售電量大部分轉(zhuǎn)為微網(wǎng)群內(nèi)部電量購售交互,縮減購電成本的同時增加售電收益,使得其他機組的運行成本得以縮減。此外,由于微網(wǎng)群內(nèi)交互的都是零碳電能,不產(chǎn)生碳排放,微網(wǎng)群總碳排放量減少32.14 t,在階梯碳價機制下碳排放成本縮減30.99%,總成本降低15.05%。

(3) 分布式共享儲能整合了微網(wǎng)群現(xiàn)有儲能資源,考慮儲能狀態(tài)的交互型調(diào)度方式進一步發(fā)揮了儲能的調(diào)峰及成本優(yōu)化能力。雖然儲能的交互調(diào)用使得損耗成本上升了42.11%,但微網(wǎng)群的風電消納水平、碳排放成本、運行成本及激勵型需求響應(yīng)滿意度均得到進一步提升。

(4) 本文考慮交互式優(yōu)化調(diào)度模型時只考慮現(xiàn)有設(shè)備成本,未將微網(wǎng)群之間的交互設(shè)備成本計算在內(nèi),電纜及變電等建設(shè)資金的投資回報比將在后續(xù)研究中開展。