含多种分布式电源的微电网经济调度

柯奇江，刘 肖，刘 波

（1.国网四川省电力公司攀枝花供电公司，四川 攀枝花 617000；2.国网重庆市电力公司市区供电分公司，重庆 渝中区 400015）

含多种分布式电源的微电网经济调度

柯奇江1，刘 肖1，刘 波2

（1.国网四川省电力公司攀枝花供电公司，四川 攀枝花 617000；2.国网重庆市电力公司市区供电分公司，重庆 渝中区 400015）

针对含多种分布式电源的微电网经济调度问题，以微电网各机组的出力和蓄电池、电动汽车的电量为约束条件，考虑微电网中设备的投资费用、运行维护费用、燃料消耗费用和能量交易费用，以微电网在一个完整的调度周期的总运行费用最小为目标函数，建立微电网经济调度模型，采用粒子群优化算法对燃气轮机的每小时输出功率进行优化。仿真结果表明：该模型能有效降低微电网的运行成本，其粒子群优化算法与其他算法相比具有简单、易实现、精度高等优点。

微电网；经济调度；分布式电源；粒子群算法

有效访问地址：http://dx.doi.org/10.3969/j.issn.1672-3643.2017.03.002

分布式电源（Distributed Generator，DG）接入配电网及电动汽车（electric vehicle，EV）充放电带来的双向潮流等问题导致电网的经济调度更加困难，而电网对风电、光伏等可再生能源的消纳问题也成为了国内外学者关注的重点。为了提高微电网运行经济性和稳定性，有必要建立微电网经济调度模型及需求适当的优化算法［1］。

1 研究现状及需要解决的问题

1.1 研究现状

微电网（Micro-Grid）也称为微网，是微电源、负荷、储能系统和控制装置的有机结合，同时为本地用户提供电能和热能。微电网的运行方式有两种：（1）与外部电网并网运行；（2）孤岛运行［2］。分布式发电技术（一般指使用可再生能源或燃料电池为主要能源进行发电的小型发电机组），在大电网互联的背景下应运而生。凭借其操作灵活、环境效益高等优势获得国际和国内的广泛认可。由于分布式电源可以建设在用户用电现场，但是其单机接入的特点使DG不受电网侧的实时控制，导致当电网故障时，必须在连接电网的一侧将DG断开，大大降低了DG的利用效率。而传统配电网对DG的优化调度有一定的局限性，为了解决DG并网运行的高效实用问题，微电网技术逐步成为研究的热点［3］。

大量DG接入电网影响了电能质量，因此研究微电网技术成为电网经济高效运行的重要措施，而EV的规模化运行使得污染气体排放量减少和对石油资源的依赖降低，成为了实现节能减排不可或缺的部分，这也给微电网的规划和运行带来了不可忽视的影响［4］。文献［5］在微电网的环境中通过电池储能系统（battery energy storage system，BESS）的特性分析，以微电网的运行成本、网络折旧成本、环境效益和综合效益4个指标为目标函数，通过改变微电网与主网交互电价，选取不同的控制策略，对微电源的出力进行了优化，这是储能技术在微电网运行优化中的典型应用。文献［6］提出主动配电网中储能的优化调度模型，得到储能容量、位置等的确定方法。文献［7-8］提出含DG的微电网的控制策略，即分层分布式控制。但上述研究都没有考虑EV充放电及DG同时接入微电网的经济调度。

1.2 需要解决的问题

针对DG接入电网及EV充放电调度难的问题，建立微电网经济调度模型，需要解决的问题主要有以下3点：

（1）DG与EV接入微网的协调优化调度问题；

（2）可再生能源的消纳问题（主要针对风电和光伏）；

（3）微电网运行经济性问题，即经济成本问题。

2 解决方案

本文针对DG接入电网及EV充放电调度难的问题，提出含多种DG的微电网的经济调度模型，以运行成本、燃料费用、电能交易费用为目标函数，考虑微电网各机组的出力约束和蓄电池、EV的电量约束，用粒子群（particle swarm optimization，PSO）算法最小化成本目标函数的优化来确定各个DG的出力以及微电网的成本。

2.1 建立微电网经济调度模型

以微电网在一个完整的调度周期的总运行费用最小为目标函数，考虑微电网中设备的投资费用、运行维护费用、一个调度周期的燃料消耗费用和能量交易费用。

式中：Ct—微电网运行总成本；

Cc′—等年值设备投资成本；

Mi—第i类微电源的个数；

Cc.i—第i类单个微电源的投资成本；

r—年利息率；

Ni—第i类微电源的使用年限；

CO.i—第i类微电源的运行维护成本；

n—分布式电源类型个数；

Cf(t)—在t时刻所有燃气轮机的总燃料费用；

Cb(t)—t时刻微电网向外界电网购买的电量费用；

Cs(t)—t时刻微电网向外界电网卖电赚的费用；

T—微电网的完整调度周期。

2.2 电池储能模型

为了简化分析，在微电网中BESS的工作状态有充电和放电2种状态，储能充电时满足

储能放电时满足

式中：SB(t)— t时刻BESS的荷电状态；

2.3 EV模型

本文假设接入微网的EV在与电网互动（vehicle to grid，V2G）运行模式下都可以调度［9］，EV行驶一天后重新接入微电网充电时的初始荷电状态为：

式中：Ld—电动汽车在充满电后单天行驶的实际里程数；

Lr—电动汽车满荷电状态下可以行驶的最大里程数。

单天行驶里程数Ld应近似满足对数正态分布

对微电网来说，EV的工作状态有充电和放电两种，在EV随机充电、有序充电2种运行模式下EV只有充电状态而在V2G模式下EV就兼具2种工作状态，电网需要时EV就可处于放电状态，即近似将EV看成一个储能装置。

EV充电时满足：

EV放电时满足

式中：SE(t)—t时刻的EV荷电状态；

2.4 约束条件

2.4.1 功率平衡等式约束条件

式中：PDi(t)—分布式电源t时刻发电功率；

nD—分布式电源个数；

Ps(t)—微电网向上级电网的购电功率；

PE(t)—EV充放电功率且充电时为正放电时为负；

PL(t)—总的负荷。

2.4.2 可控分布式电源的有功出力约束条件

可控分布式电源包括风电、光伏、微型燃气轮机等［10］，它们的有功出力约束为

式中：n—可控分布式电源数；

PGi(t)—第i个可控分布式电源在t时刻的有功出力；

2.4.3 节点电压约束条件

为保证微电网稳定安全运行，所有节点电压幅值都应该限制在允许范围内，即

2.4.4 BESS约束条件

假定在电池储能整个充放电过程中两端电压维持恒定以及最大充电功率与最大放电功率相同且都等于电池储能的额定功率，则储能还需满足以下约束条件

2.4.5 EV约束条件

SE—EV最大充放电功率。

2.5 求解算法

粒子群优化［11］（particle swarm optimization，PSO）算法由于其简单、易实现以及需要调节的参数少而被广泛使用，每一个D维粒子带入目标函数后都有相应的适应值(Fitness Value)。在搜寻过程中，每个粒子根据自己的历史最优适应值Fi-1产生1个自己现在的最优适应值Pi，全部粒子根据比较每个粒子的最优适应值Fi，产生1个全局最优适应值（Fb）。同时在搜寻过程中，每个粒子根据自己的当前速度Vi、自己当前最优值Fi和全局最优Fb来更新自己的速度和位置，这样粒子们就追随当前的最优粒子在D维空间［12］中搜索。

基本粒子群算法［13］计算步骤：

步骤1：初始化N个粒子的速度V1和位置X1，带入fitness函数得到初始每个粒子最优F1，比较这些粒子自己的最优，找出初始的全局最优Fbest。

步骤2：根据粒子的速度、粒子自身历史最优位置和全局最优位置更新速度公式。

在每次迭代过程中每个粒子根据以上3个部分作用更新自己的速度，第一个部分是对自身速度的信任；第二个部分是对自己的思考，鼓励粒子向自己的历史最优位置移动；第三部分是对社会的思考，鼓励粒子向全局最优位置移动。

步骤3：更新位置公式。

步骤4：根据fitness函数评价更新过后的位置Xi，如果更新后的位置所得的适应值 f(Xi)比自己历史最优值Fi小，则修改粒子的最优值Fi并记下所对应的位置Pi，如果更新后的粒子自身最优适应值Fi比全局最优适应值Fbest小，则修改全局最优适应值Fbest并记下所对应的位置Pbest。

步骤5：判断迭代次数是否达到M，达到就结束，没达到就转到步骤2。本文算法流程如图1所示，PGrid为微网的有功功率。

图1 经济调度模型算法流程

3 仿真结果及效果评价

3.1 仿真结果

3.1.1 算例仿真模型及参数设置

本文算例基于改造后的标准微电网，WT表示风电，PV表示光伏，L为加入的负荷，分布式电源风电、光伏容量设置为500 kW（峰值），图2为DG及负荷功率预测值［14］。电动汽车规模选为100辆，车型参考比亚迪E6［15］，额定容量定为64 kW·h，、分别取额定容量的20%和95%，EV接入微电网的初始荷电状态由公式（3）得到，EV通过充电站的双向充电机进行充放电，额定充放电功率为7 kW，充放电效率取90%，假设V2G模式下的用户响应度为80%，即在V2G模式下，有80%的EV用户参与微电网经济调度，剩下20%的EV还是处于有序充电模式；而假设EV处于有序充电模式下的用户响应度为100%。

图2 24 h分布式电源与负荷的预测功率

储能装置采用铅酸蓄电池，其容量成本为500元/（kW·h），额定功率成本为350元/（kW·h），最小和最大荷电状态取额定容量的0.2和1倍，充放电效率与EV相同，故障率α取0.09，Co取3元/kW［16］，储能运行维修成本CO取0.5元/kW，为简化分析使微电网从外界购电和售点价格相同，微电网与外界交换的电能的单位实时电价C(t)由表1给出。

表1 24 h内不同时段的电价

3.1.2 算例结果对比分析

在matlab软件［17］上进行仿真，图3为经济调度中24 h内微网各单元出力情况。其中W表示风力发电机；S表示光伏电池阵列；EV表示电动汽车，包括可调度的电动汽车和私家电动汽车；B表示蓄电池；PG表示微电网总出力［18］；LOAD表示负荷。

图3 24 h内微网各单元出力

如上面提及到，微电网的发电单元和储能单元都是偏紧配置，但是在含有电动汽车的情况下，负荷高峰期，各发电单元和蓄电池都能满足负荷时，由可调度电动汽车给微电网提供电能，最后再考虑与外界电网交换电能。

10时至18时，负荷处于高峰期，然而风力发电机和光伏电池阵列处于发电低谷期间，所以燃气轮机发电量处于高峰期。在其他时间段，负荷较轻，风能发电比较充足的时候，燃气轮机发电量减少。图2与图3对比可知微电网经济调度能最大限度地消纳分布式电源。

3.2 效果评价

（1）图3向外界买电量与卖电量相差不了多少，而且含有可调度的电动汽车相当于一个没有投资成本的移动蓄电池。本文模型实现了DG与EV之间的协调调度。

（2）图2与图3对比可知，实行经济调度之后的风电与光伏的输出功率和预测输出值相近，也就说明了本文提出的调度模型可实现微电网对风电和光伏的有效消纳。

（3）算例微网未经济优化调度之前，一天内的成本为1 351.82元，通过matlab程序仿真得到此微电网算例经济调度下一天内运行成本为1 287.52元。节约了64.30元的成本，说明了本文算法模型的可行性及有效性。

4 结论

（1）本文基于微电网经济调度方法的含多种分布式电源的微电网经济调度模型，能有效降低微网的运行成本。

（2）含多种分布式电源的微电网经济调度模型通过粒子群优化算法求解，PSO算法与其他算法相比具有简单、易实现、精度高等优点。

（3）含多种分布式电源的微电网经济调度方法通过matlab编程仿真实现，结果可知，在微电网中加入电动汽车后，不仅使得微电网运行成本明显下降，且提高了微电网对分布式电源的消纳能力，因此电网运营者应该大力鼓励电动汽车用户参与到电网的调度中来，这也是作者后续需要进行的研究。

［1］ 刘文，杨慧霞，祝斌.微电网关键技术研究综述[J].电力系统保护与控制，2012，40(14):152-155.

［2］ Hatziargyriou N，Asano H，Iravani R，et al.Micro-grids [J].Power and Energy Magazine，NY，USA，IEEE，2007，5(4):78-94.

［3］ 王成山，李鹏.分布式发电,微网与智能配电网的发展与挑战[J].电力系统自动化，2010，34(2):10-14.

［4］ 胡泽春，宋永华，徐智威，等.电动汽车接入电网的影响与利用[J].中国电机工程学报，2012，32(4):1-10.

［5］ 丁明，张颖媛，茆美琴，等.包含钠硫电池储能的微网系统经济运行优化[J].中国电机工程学报，2011，31 (4)：7-14.

［6］ 刘波，邱晓燕.主动配电网储能优化规划[J].仪器仪表学报，2016，37(5)：1180-1186.

［7］ 黎金英，艾欣.含多种分布式电源的微电网分层控制策略[J].宁夏电力，2016(3)：16-21.

［8］ 刘波，邱晓燕，韩轩，等.主动配电网分层分布控制模式切换研究[J].高压电器，2016，52(7)：68-74.

［9］ 杨秀菊，白晓清，李佩杰，等.电动汽车规模化接入配电网的充电优化[J].电力自动化设备，2015，35(6):31-36.

［10］邱哓燕，夏莉丽，李兴源.智能电网建设中分布式电源的规划[J].电网技术，2010，34(4)：7-10.

［11］向小蓉，刘涤尘，向农，等.基于并行禁忌搜索算法的配电网重构[J].电网技术，2012，36(8)：100-105.

［12］董宗然，周慧.禁忌搜索算法评述[J].软件工程，2010，13(2)：96-98.

［13］张雷.基于粒子群算法的神经网络故障诊断方法研究[D].广州：华南理工大学，2016.

［14］钟清，孙闻，余南华，等.主动配电网规划中的负荷预测与发电预测[J].中国电机工程学报，2014，34(19)：3050-3056.

［15］Richadson P，Flynn D，Keane A.Optimal charging of electric vehicles in low-voltage distribution systems[J].IEEE Transactions on Power Systems，2012，27(1)：268-279.

［16］[16]Sedghi M，Aliakbar-Golkar，Haghifam M R.Dis⁃tribution network expansion considering distributed gen⁃eration and storage units using modified PSO algotithm [J].Electric Power Energy Systems，2013，52(1)：221-230.

［17］李淑霞，叶涛，罗杰伟，等.基于MATLAB/Simulink的准Z源光伏并网发电系统的仿真研究[J].宁夏电力，2016(2):51-55.

［18］刘皓明，路 丹，杨 波，等.可平抑高渗透分布式光伏发电功率波动的储能电站调度策略[J].高电压技术，2015，41（10）：3213-3223.

Micro-grid economic dispatching of containing multiple distributed generations

KE Qijiang1，LIU Xiao1，LIU Bo2

(1.Panzhihua Power Supply Filiale of State Grid Sichuan Power Co.,Panzhihua Sichuan 617000,China; 2.Urban Power Supply Filiale of State Grid Chongqing Power Co.,Chongqing 400015,China)

Aiming at the problem of micro-grid economic dispatching containing multiple distributed generations,considers the investment costs,maintenance and operation costs,fuel costs and energy trade costs of equipments in micro-grid,takes the total operation cost minimum as the objective function in a complete dispatching circle of the micro-grid,builds micro-grid economic dispatching model,adopts particle swarm optimization algorithm to optimize the output per hour of the gas turbine.The simulation result shows that the model can effectively reduce the operation cost of the micro-grid.the particle swarm optimization algorithm comparing with other algorithms has the advantages of simple,easy to realize and high precision.

micro-grid;economic dispatching;distribution generations;particle swarm optimization algorithm

TM711

A

1672-3643（2017）03-0007-06

10.3969/j.issn.1672-3643.2017.03.002

2017-03-08

柯奇江（1991），男，助理工程师，研究方向为分布式电源及微电网技术。