基于可靠性的虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建

林彤彤，周晉杭，葉曉杰，蔡婉雯，邵崇

（國網(wǎng)臺州供電公司臺州灣新區(qū)供電分公司，臺州 318000）

引言

當分布式能源接入網(wǎng)架薄弱、調(diào)度不合理和自動化水平低的配電網(wǎng)中時，在控制和運行過程中的可靠性較低[1]。在此背景下提出了虛擬電廠，虛擬電廠是指利用數(shù)字化和智能化技術，將分散的可再生能源、能量儲存設備、能耗設備等整合在一起，形成一個能夠自主運行和管理的系統(tǒng)。虛擬電廠可以解決負荷側(cè)和電源側(cè)存在的一些弊端，在電網(wǎng)調(diào)度過程中協(xié)調(diào)負荷側(cè)和電源側(cè)之間的平衡[2]。但目前虛擬電廠微網(wǎng)源荷調(diào)度效果較差，為此，需要建立一個優(yōu)化調(diào)度模型，以保證虛擬電網(wǎng)微網(wǎng)的高效、可靠運行。

陸秋瑜等[3]分兩個階段實現(xiàn)調(diào)度，首先根據(jù)負荷需求預測數(shù)據(jù)和風力發(fā)電出力數(shù)據(jù)在日前階段構(gòu)建隨機優(yōu)化模型，以此提高微網(wǎng)的日運行收益，其次，在時前階段建立確定性優(yōu)化模型，對電池儲能充放電功率、風力發(fā)電出力和燃油發(fā)電機組出力展開調(diào)節(jié)，以此提高時運行收益，該方法無法準確的預測風電和光伏出力，存在預測精度低的問題。楊秀等[4]將最大化用戶側(cè)收益作為目標，基于分時電價優(yōu)化可控負荷，同時將最小電源出力成本作為優(yōu)化目標，提高發(fā)電側(cè)與需求側(cè)的收益，該方法調(diào)度后的微網(wǎng)棄風電量高、風電利用率低。

為了解決上述方法中存在的問題，提出虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建方法。

1 虛擬電廠場景構(gòu)建

虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建方法在正態(tài)分布概率模型[5-6]、光伏、風機概率模型、負荷概率模型和可轉(zhuǎn)移負荷基礎上展開場景構(gòu)建，以此實現(xiàn)不同空間的資源控制。

1.1 正態(tài)分布概率模型

由概率統(tǒng)計理論可知，正態(tài)分布的性質(zhì)較好，被廣泛的應用在誤差預測領域中。

預測值在實際預測過程中存在邊界，因此需要歸一化處理范圍內(nèi)的概率，用f( )μ表示概率密度函數(shù)，其表達式如下：

式中：

σ0、μ0—正態(tài)分布的標準差和期望。

1.2 光伏、風機概率模型

針對風機出力和光伏出力的預測，目前國內(nèi)已經(jīng)存在較多研究成果，但風速和光照的隨機性較高，在預測過程中容易產(chǎn)生誤差。認為電機和光伏的預測誤差符合正態(tài)分布，用表示時段虛擬電廠微網(wǎng)中風機和光伏出力最高值對應的概率密度函數(shù)，其表達式分別如下：

式中：

σW—風機的標準差；

PWN、PPVN—風機和光伏在虛擬電廠微網(wǎng)中的裝機容量；

σPV—光伏對應的預測標準差。

1.3 負荷概率模型

1）固定負荷

設PL,t、PLP,t代表的是固定負荷在微網(wǎng)運行t時段內(nèi)的實際值與預測值，設f(PL,t)代表的是t時段固定負荷對應的概率密度函數(shù)，其表達式如下：

式中：

PLN—描述的是固定負荷總量；

σL—固定負荷預測對應的標準差。

2）可中斷負荷

未對可中斷負荷采取中斷措施之前，t時段客戶i的可中斷負荷使用情況對應的概率分布可表示為：

式中：

XILi,t、XILPi,t—客戶i在虛擬電廠微網(wǎng)運行t時段內(nèi)的可中斷負荷使用實際值和預測值，當其值為1 時，表明使用，當其值為0 時，表明不使用。

1.4 可轉(zhuǎn)移負荷

將客戶的可轉(zhuǎn)移負荷使用情況作為依據(jù)，對其分類：在實施實時電價后，I 類客戶和II 類客戶分別改變和不改變可轉(zhuǎn)移負荷的使用情況，其對應的概率密度函數(shù)分別為f(NTL)、f(pTII,t)：

式中：

NTL、pTII,t—I 類客戶可轉(zhuǎn)移負荷比例與II 類客戶可轉(zhuǎn)移負荷使用率的實際值；

NTLP、pTIIP,t—I 類客戶可轉(zhuǎn)移負荷比例與II 類客戶可轉(zhuǎn)移負荷使用率的預測值；

σN、σTII—NTL、pTII,t的標準差。

1.5 場景構(gòu)建

針對上述單元的不確定性，采用拉丁超立方抽樣方法[7-8]生成樣本。設置隨機變量數(shù)量n和抽樣規(guī)模m，則滿足正態(tài)分布的樣本為X=[x1,x2, …,xn]，第i個樣本表示為Xi=[xi1,xi2, …,xin]，虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建方法的具體抽樣過程為：

1）確定狀態(tài)為xwj的隨機變量xw的總數(shù)mp(xwj)，p(xwj)代表的是變量xw處于狀態(tài)xwj時對應的概率；

2）建立樣本X的m×n維狀態(tài)矩陣Xs，由mp(xwj)個狀態(tài)xwj構(gòu)成矩陣的第w列元素；

3）在第i次抽樣過程中，采用隨機抽樣的方式依次從狀態(tài)矩陣Xs中抽取樣本[9,10]，獲得樣本值xiw。

上述抽樣獲取的樣本數(shù)量較大，為此，通過下述過程削減樣本：

1）計算樣本Xi、Xj之間存在的距離dij：

2）針對Adi=pi ci最小的樣本i予以刪除，其中，ci代表的是i對應的密度距離；pi c描述的是i出現(xiàn)的概率。

3）設pl、pk分別代表的是樣本l、k出現(xiàn)的概率，通過下式對其展開更新：

式中：

dik、d ij—樣本i與樣本l、k之間存在的距離。

4）重復上述過程，當樣本數(shù)量符合場景構(gòu)建的要求時停止，獲得NPV個個PL,t、NIL個XILi,t、NI個NTL、NTII個pTII,t，獲得的虛擬電廠場景為Ns：

2 源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建

2.1 源荷協(xié)同優(yōu)化調(diào)度模型及約束條件

構(gòu)建虛擬電廠場景與構(gòu)建源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建之間存在密切的關系。虛擬電廠場景的構(gòu)建是為了模擬實際運行中可能出現(xiàn)的各種情況和變化，這些概率模型描述了不同要素（如風機、光伏、負荷）在不同時段內(nèi)的實際值和預測值，以及它們符合的概率密度函數(shù)，幫助預測各個要素的變化和波動程度，以便于源荷協(xié)同優(yōu)化調(diào)度模型在這些變化中實現(xiàn)能源的最優(yōu)分配和調(diào)度。

完成場景構(gòu)建后，將最小運行成本、最大可再生能源消納量和最小環(huán)境成本作為優(yōu)化目標，建立虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型[11,12]：

式中：

g1—虛擬電廠微網(wǎng)的運行成本；

VOM—運行過程中機組產(chǎn)生的維護成本；

Vf—運行過程中機組對應的燃料成本；

VW—風電場發(fā)電時產(chǎn)生的成本；

VPV—光伏電站發(fā)電時產(chǎn)生的成本；

VIL—可中斷負荷調(diào)度過程中產(chǎn)生的成本；

g2—可再生能源消納總量。

T= 24；

?T—調(diào)度時段；

g3—環(huán)境成本；

Ve—氮氧化物產(chǎn)生的環(huán)境成本；

MG—常規(guī)電源發(fā)電組在微網(wǎng)中的數(shù)量；

βz、χz、ηz、?z—常規(guī)機組z在運行過程中排放氮氧化物的特性參數(shù)；

在優(yōu)化調(diào)度過程中，設置虛擬電廠微網(wǎng)的功率平衡約束條件：

式中：

Lt0—實施分時電價前t時刻的負荷；

Lt—實施分時電價后t時刻的負荷。

設置常規(guī)機組在虛擬電廠微網(wǎng)中的爬坡速率約束條件：

式中：

ΨGz,up—機組z在上爬坡過程中對應的速率；

ΨGz,down—機組z在下爬坡過程中對應的速率。

2.2 模型求解

虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建方法采用螢火蟲優(yōu)化算法[13,14]求解源荷協(xié)同優(yōu)化調(diào)度模型，實現(xiàn)調(diào)度，具體過程如下：

1）根據(jù)公式（9）所示的優(yōu)化調(diào)度模型，設置螢火蟲優(yōu)化算法在源荷協(xié)同優(yōu)化調(diào)度過程中的擾動因子、光吸收系數(shù)；螢火蟲個體數(shù)量、算法迭代次數(shù)以及最大吸引度；

2）通過下述公式對螢火蟲位置ix展開更新：

式中：

κ、r—擾動隨機參數(shù)，其主要作用是避免螢火蟲優(yōu)化算法在優(yōu)化調(diào)度過程中陷入局部最優(yōu)，增大模型最優(yōu)解的搜索區(qū)域；

xi、xj—螢火蟲i、j在模型尋優(yōu)過程中所處的位置；

αi—引火蟲對應的吸引度，可通過下式計算得到：

式中：

rij—螢火蟲i、j的笛卡爾距離；

α0—螢火蟲自身產(chǎn)生的亮度。

3）用x*表示更新后的螢火蟲所處的位置，設置螢火蟲優(yōu)化算法的終止條件：

式中：

φ—設置的閾值，當螢火蟲更新后的位置滿足上述條件時，表明螢火蟲處于最優(yōu)位置，即源荷協(xié)同優(yōu)化調(diào)度模型最優(yōu)解，當螢火蟲更新后的位置不滿足上述條件時，返回步驟（2）中重新更新，直到滿足上述終止條件位置，完成虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度。

3 實驗與分析

為了驗證虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建方法的整體有效性，需要對其展開測試。設置螢火蟲優(yōu)化算法的擾動因子為0.5、光吸收系數(shù)為0.6、螢火蟲個體數(shù)量為50、算法迭代次數(shù)為：100 次、最大吸引度為1.0。

選取某虛擬電廠微網(wǎng)作為調(diào)度對象，采用虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建方法、文獻[3]方法和文獻[4]方法展開調(diào)度測試，該微網(wǎng)的分時電價如表1 所示。

表1 分時電價

3.1 光伏、風電出力預測分析

采用上述方法展開光伏、風電出力預測，結(jié)果如圖1 所示。

圖1 不同方法的出力預測結(jié)果

分析圖1 可知，所提方法預測的風電出力和光伏出力與實際出力相符，文獻[3]方法和文獻[4]方法的預測結(jié)果與實際出力之間偏差較大，通過上述測試可知，所建立模型具有較高的預測精度，因為所提方法在調(diào)度之前建立了虛擬電廠微網(wǎng)場景，獲得虛擬電廠的實際運行情況，因此可準確的完成風電和光伏的出力預測。

3.2 棄風電量和風電利用率分析

采用所提方法、文獻[3]方法和文獻[4]方法展開源荷調(diào)度，三種方法的棄風電量和風電利用率分別如圖2、圖3 所示。

圖2 不同方法的棄風電量

圖3 不同方法的風電利用率

由圖2 可知，隨著運行時間的增加，所提方法、文獻[3]方法和文獻[4]方法的棄風電量呈上升趨勢，但在運行時間相同和迭代次數(shù)相同的情況下，所提方法的棄風電量遠低于文獻[3]方法和文獻[4]方法，表明所提方法具有良好的調(diào)度效果，因為所提方法在調(diào)度過程中將最大可再生能源消納量作為優(yōu)化目標，因此減小了棄風電量。

由圖3 可知，在不同場景下所提方法的風電利用率均是最高的，表明所提方法調(diào)度后的虛擬電廠微網(wǎng)可有效利用能源，資源浪費的現(xiàn)象較少，符合我國可持續(xù)發(fā)展策略。

4 結(jié)束語

針對目前源荷優(yōu)化調(diào)度方法存在的風電、光伏出力預測精度低、棄風電量高和風電利用率低的問題，提出虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度模型構(gòu)建方法，為了準確的獲取微網(wǎng)的運行狀態(tài)，建立了場景集，在此基礎上建立源荷協(xié)同優(yōu)化調(diào)度模型，并引入螢火蟲優(yōu)化算法求解模型最優(yōu)解，實現(xiàn)虛擬電廠微網(wǎng)源荷協(xié)同優(yōu)化調(diào)度，經(jīng)驗證，所提方法可有效解決目前調(diào)度方法存在的問題，促進了虛擬電廠技術的發(fā)展。