综合能源微网运行优化调度方法研究

肖 浩， 裴 玮， 孔 力， 孙 健， 王存平， 贾东强

(1. 中国科学院电工研究所， 北京 100190； 2. 国网北京电力科学研究院， 北京 100075)

综合能源微网运行优化调度方法研究

肖 浩1， 裴 玮1， 孔 力1， 孙 健2， 王存平2， 贾东强2

(1. 中国科学院电工研究所， 北京 100190； 2. 国网北京电力科学研究院， 北京 100075)

含多种能源集成的综合能源微网是能源互联网发展的重要基础。本文针对典型综合能源微网，分析了各分布式电源(DG)和储能装置的基本出力特性，建立了可再生能源型DG的随机性出力模型、可控型DG的燃耗模型以及储能装置的充放电模型等，在此基础上，以系统运行的综合费用最低为目标，综合考虑各DG的运行约束、系统安全约束以及多能源之间的耦合特性，建立了综合能源微网的优化调度模型。针对模型求解属于固定始终点的复杂多阶段决策问题，且模型中相关约束条件在时间上具有耦合关联的特点，采用逆序动态规划与序列二次规划结合对模型进行求解；最后，基于算例对比分析了系统在不同交互电价类型、不同运行模式下的优化运行调度情况，证明了模型和求解方法的有效性。

综合能源； 微网； 运行优化； 经济调度； 动态规划

1 引言

含多种能源混合的综合能源微网系统，集成了多种分布式能源(Distributed Generation，DG)和可控负荷，通过多能互补运行，能有效提高能源的综合利用率[1]。同时作为一个可控整体，通过公共连接点PCC接入低压电网，具备灵活的运行方式，通过对其内部设备的协调控制，其能为系统负荷提供经济、高效、可靠的能源供应，近年来受到了广泛的关注。综合能源微网的运行与协调优化调度是能源互联网发展的重要基础[2]，对其展开研究具有重要意义。

综合能源微网的运行调度与传统电力系统的调度存在较大差别。首先，综合能源微网中电源与负荷之间耦合更加紧密，同时发电侧的可再生能源出力和用电侧的负荷需求均存在较强的随机性，造成了发电侧和用电侧同时具有双向不确定性，这使得综合能源微网的运行调度面临更严峻的挑战；其次，综合能源微网可同时为负荷提供电能与热能，且热电能量之间相互耦合，如何综合考虑可再生能源出力的预测，热、电负荷的需求，储能和DG的运行约束等因素作出综合决策，协调调度这些设备，将是一个复杂的决策问题；最后，综合能源微网在联网运行时还存在与外部电网之间能量的双向交互，在电力市场环境下，综合能源微网需根据不同电力市场的激励而不断调整内部设备的发电计划，从而确保微网运行效益的最大化。所有这些方面的差异导致综合能源微网的运行调度有别于传统电力系统，亟需对此展开进一步研究[3]。

目前，围绕热电联供型微网的运行优化已有相关研究展开。文献[4]提出了一种冷电联供分布式供能系统的能量管理优化模型，按照经济最优原则制定微型燃气轮机的发电计划；文献[5]则建立了以运行费用、排放量为多目标的优化模型，提出了综合考虑发电效率、制热效率和污染排放的微型燃气轮机运行方案；文献[6]进一步计及附加机会收益，建立微网动态经济调度模型。但文献[4-6]中对于热、电能量之间耦合关系均按照“以热定电”或者“以电定热”的固定运行模式处理，并不能实现热电能量的完全解耦，难以保障综合运行效率。文献[7]构建了热电联产型微网系统的动态经济调度模型框架，充分计及了不同能源之间的耦合关系，但其并未考虑电、热储能的日运行能量平衡约束，难以满足下一日的运行需求。

本文针对典型综合能源微网，在分析各DG出力特性及系统优化运行策略的基础上，以系统运行的综合费用最低为目标，充分考虑各DG的运行约束、储能日运行能量平衡约束、系统安全约束以及多能源之间的耦合特性，建立了综合能源微网的优化调度模型。针对模型求解属于固定始终点的复杂多阶段决策问题，且模型中各约束条件在时间上具有耦合的特点，采用逆序动态规划与序列二次规划结合对模型进行求解。最后，基于算例分析了综合能源微网在不同场景下的优化运行调度情况，并与“以热定电”运行模式对比，对模型和方法的有效性进行了验证。

2 综合能源微网单元数学模型

2.1 综合能源微网系统

典型的综合能源微网系统如图1所示。系统中包含分布式可再生能源，热电联产单元、热储能、电储能及其他可控性分布式电源，该系统能同时为负荷提供热、电多种能源的供应，且电力网络和热网络之间基于热电联产机组相互耦合。为同时保证热、电能量的供需平衡，当系统中电能过剩时，可由蓄电池储能进行吸纳或者向外输送到低压配电网，电能不足时启动备用电源进行支撑。热负荷方面，微型燃气轮机(简称微燃机，MT)可利用其热电联产综合效益高的优势，尽量满足热负荷的需求，其出力应根据系统在各时段的热电负荷比值及各种能源的价格来综合决策，当微燃机供热过剩时，可由热储能吸纳，避免资源的浪费；当微燃机供热不足时，由外部补燃锅炉和热储能同时进行补充。

图1 典型综合能源微网系统Fig.1 Typical integrated energy micro-grid system

2.2 单元数学模型

2.2.1 风力发电机模型

风力发电机的输出功率随风速的变化而变化，据大量统计结果表明，双参数Weibull分布形式简单且与实际风速分布能较好地拟合[8]，被普遍认为是最适用于风速统计描述的概率密度函数，其概率密度函数表达式为：

(1)

式中，v为风速；k和c为Weibull分布的两个重要参数，k称为形状参数，k>0；c称为尺度参数，c>1。

风力发电机的输出功率PWT与风速v之间关系可用如下分段函数关系近似表示[8]：

(2)

式中，vin、vn、vout分别为切入风速、额定风速、切出风速；Pr为风机额定功率；aWT、bWT、cWT三个参数可根据风力发电机风速-功率特性曲线拟合得到。

2.2.2 光伏发电模型

光伏发电输出功率与太阳光照射强度、环境温度等因素密切相关，据统计，在一定时间段内太阳光照强度可以近似看成Beta分布[9]，其概率密度函数可表示如下：

(3)

式中，Γ为Gamma函数；G和Gmax分别为这一段时间内的实际光照强度和最大光照强度；α和β为Beta分布的形状参数，可由这一段时间内的光照强度平均值μ和标准差σ得到。

光伏电池的输出功率可由其标准测试条件下的输出功率、光照强度、环境温度等与实际工作条件下的光照强度通过式(4)对比估算得到[9]：

(4)

式中，含下标STC的物理量为标准测试条件下的运行参数；GSTC为标准测试条件下的太阳光照强度，取为1000W/m2；TSTC为标准参考温度，取为25℃；G为实际光照强度；k为功率温度系数；T为太阳能电池组的表面工作温度。

由式(3)和式(4)综合可得光伏发电系统的输出功率的概率密度分布为：

(5)

2.2.3 微燃机模型

微燃机发电时排出的高温余热烟气通过溴冷机后可以制冷、取暖及供应生活热水等，能满足多能负荷的需求，也是多能源协调调度的关键。MT运行方式不仅与电负荷和冷、热负荷的大小有关，也与电价、燃气价格等多因素密切相关[10]。如若假设MT仅运行在额定功率，或者假设其转换效率为固定常数，均不能准确反应MT的部分负荷特性，会造成整个系统的运行并非最优，因此，为了更好地保证MT满足系统运行经济性和能源高效利用的双重指标，须对微燃机的部分负荷特性进行精确建模。当MT工作在热电联产模式时，其热电耦合关系及燃耗的相关数学模型可表示为[10]：

(6)

式中，QMT为燃气轮机排气余热量；Pe为微燃机输出的电功率；ηe为微燃机发电效率；ηl为微燃机散热损失系数；QHE为燃气轮机烟气余热提供的制热量；KHE为溴冷机的制热系数；VMT为燃气轮机消耗的天然气量；LHVf为天然气低热热值，取为9.7kW·h/m3；Δt为两次调度之间的时间间隔。

根据式(6)，综合热、电联产总效益，微燃机的运行总效率ηMT可由式(7)计算：

(7)

式中，mf为天然气的流量。

确定微燃机的总运行效率后，微燃机的运行成本CMT可以表述为：

(8)

式中，cgas为天然气的价格。

2.2.4 燃料电池模型

燃料电池通常由多个单电池通过串联封装而成，与MT、柴油机等旋转型发电机不同，静止型燃料电池的发电效率与容量几乎无关，主要依赖于其工作点[11]，一般可通过其出厂的功率-效率曲线拟合得到，求得燃料电池的运行效率后，其燃耗成本CFC可近似按式(9)计算[11]：

(9)

式中，PFC(t)为燃料电池的输出功率；ηFC为燃料电池的发电效率。

2.2.5 储能模型

储能系统(EnergyStorageSystem，ESS)为微网中的重要组成部分。储能充放电过程中，储能在t时段的荷电状态(SOC)与t-1时段的荷电状态、[t-1,t]时段蓄电池的充放电量以及每小时的电量衰减量有关。

储能充电时，t时段的SOC可表示为：

(10)

储能放电时，t时段的SOC可表示为：

(11)

式中，SOC(t)为储能在t时刻的荷电状态；σ为储能的自放电率；ηc和ηd分别为储能的充电及放电效率；Pch,t为t时段的储能充电功率；Pdis,t为t时段的储能放电功率；Ebat为储能容量。

2.2.6 柴油机模型

为保证微网独立运行时的供电可靠性，微网中通常也需要配置一些备用机组，如柴油机等。虽然其运行效率较低且污染物排放较多，不够环保，但由于其具有体积小、启动快、便于操作和维护等优点，因此也广泛应用于企业、医院及海岛等微网系统。

柴油机运行时燃料消耗特性与其输出功率有关，可近似用二次多项式进行描述[12]，具体如下：

(12)

式中，VDL(t)为柴油机t时段消耗燃料量；PDL(t)为柴油机在t时段的输出功率大小；aDL为柴油机的燃耗-功率输出表达式二次项系数；bDL为柴油发电机的燃耗-功率输出表达式一次项系数；cDL为柴油发电机的燃耗-功率输出表达式常数项系数。

柴油机运行时的燃耗成本CDL则可表述为：

(13)

式中，coil为柴油价格。

3 综合能源微网运行优化调度模型

3.1 目标函数

综合能源微网优化调度的目标是在满足系统负荷需求和可靠性的前提下，考虑各DG的技术性能、本地可用的资源情况、环保费用、DG的运行和维护费用以及微网与外部电网之间的电能交易情况等，通过合理安排各DG与储能的出力，确保系统运行成本最小、污染气体排放最少[13]。本文综合考虑了各DG的燃耗费用、维护费用、折旧费用、污染排放物的惩罚费用、锅炉补燃费用以及微网与大电网之间的电能交易情况，以系统综合运行费用最小为目标，同时考虑系统安全约束和各设备的运行约束限制，建立优化调度数学模型，模型的目标函数表述如下：

(14)

式中，NT为运行调度的总时段数；NDG为分布式电源的个数；Cf(·)、COM(·)、Cdp(·)、Ceav(·)分别为DG运行的燃耗成本、维护成本、折旧成本和污染排放成本[14-16]；PGi,t为第i个分布式电源在t时段的电功率；NB为补燃锅炉的数量；ηBj为第j个锅炉的效率；HBj,t为第j个锅炉在t时段的热功率；Pgrid,t为微网与主网之间在t时段的交换功率，取正值表示微网向主网购电，取负值表示微网向主网售电。Cpp(·)、Isp(·)分别为微网在t时段向大电网购电的成本和售电的收益。

3.2 约束条件

系统运行时须满足以下的约束条件。

(1)电功率平衡约束：

(15)

式中，PL,t为t时段的电负荷功率。

(2)热功率平衡约束：

(16)

式中，Hi,t为t时段MT的热功率；NMT为MT的个数；HB,t为t时段补燃锅炉的补燃功率；Hss,t为热储能在t时段的热功率，正值代表输出热量，负值代表储存热量；HD,t为t时段的热负荷功率。

(3)分布式电源出力功率上下限约束：

(17)

(4)分布式电源出力爬坡率约束：

(18)

式中，RD和RU分别为可调度分布式电源每小时的爬坡率下限幅值和爬坡率上限幅值。

(5)联络线传输功率限制：

(19)

(6)储能的荷电状态约束：

(20)

(7)为保证储能满足下一天的运行，运行调度末时段的SOC应等于起始时段的SOC：

(21)

(8)在运行调度中，储能充放电功率受其荷电状态限制范围及储能电池本身技术限制的影响[17]，其最大充放电功率可表述为：

(22)

(9)热储能的储热量约束：

(23)

(10)热储能运行调度末时段的储热量应等于起始时段的储热量：

(24)

(11)热储能输出功率的约束：

(25)

4 优化调度模型求解

由于电储能和热储能的剩余容量在一天之内需满足能量平衡约束，因此第3节所建立的优化调度模型为一类固定始、终点的多阶段复杂决策问题，同时由于DG的爬坡率约束以及储能SOC约束条件在时间上具有耦合的特点，使得模型在求解时必须详细考虑前后迭代步之间决策方案的相互关联性。针对此类多阶段、始终点固定的耦合决策问题，传统启发式算法需要定义大量变量进行过程解耦，计算效率会大幅降低，对此，本文提出采用逆序动态规划算法与序列二次规划算法相结合进行模型求解。

4.1 动态规划基本原理

动态规划是一类处理多阶段决策问题的有效解决方案，其理论基础是最优性理论：即最优策略包含的子策略一定是最优子策略[18]。常用的动态规划逆序求解基本方程如下：

(26)

式中，xk为第k阶段的状态变量；uk为第k阶段的决策变量；vk(xk,uk)为第k阶段的指标函数；N为规划阶段总数。

4.2 基于动态规划的模型求解方法

具体到本文的优化调度模型，以每小时为调度间隔为例，日前优化调度过程可以分为24个阶段决策过程。在进行每个阶段决策时，由于本阶段的决策将会对下面的阶段产生影响，所以不仅要考虑阶段指标，还应该考虑从本阶段直至最后一个阶段的总指标；决策时由于储能只依赖于上一个阶段的存储量，而和以前的存储过程无关，满足无后效性要求，因此可适用于其求解。

令xk为状态变量，本文对应为可调度机组的功率出力；uk为决策变量，对应为可调度机组的出力调整量；函数vk(xk,uk)为阶段指标方程，代指运行调度中的综合费用；函数xk+1=g(xk,uk)为状态转移方程，即为相邻时段机组出力的迭代方程和储能SOC的迭代方程。则微网优化调度模型的动态规划求解方程为：

目标函数：

(27)

约束条件：

(28)

(29)

(30)

式中，ckE、cNE表示等式约束，代指功率平衡约束和电储能、热储能的SOC平衡约束等；ckI、cNI表示不等式约束，代指机组运行约束、储能充放电约束以及联络线传输功率容量约束等。

同时，在每一阶段的子问题求解中，采用内点法来协调不等式约束和改善等式约束[19]，并采用序列二次规划方法求解子问题，从而改善动态规划方法求解的整体性能。基于动态规划的模型求解详细流程图如图2所示。

图2 基于动态规划的模型求解流程图Fig.2 Model solving flowchart based on dynamic programming

5 算例分析

5.1 算例参数

选取如图1所示的综合能源微网为测试算例，假定风速数据由服从c=8、k=2.2的Weibull 分布模拟得到[20]，在模拟风速数据的基础上，基于风机功率特性曲线预测风电功率，其中功率特性曲线对应的切入风速为2.5m/s，额定风速为12m/s，切出风速为25m/s；光照强度假定由Beta分布模拟生成[21]，最终得到的系统典型日的风电、光伏、电、热负荷数据如图3所示。

图3 典型日光伏、风电、热负荷及电负荷预测功率Fig.3 Forecasted power of typical daily PV, WT and load

微网与外部大电网联络线功率限制为平均负荷的0～10%，文中的热量单位kJ均换算成kW来计量，微燃机热电比取为2.2，天然气的价格取为2.05元/m3。热储能的额定容量取为100kW·h。额定热量输入、输出值均为20kW，其储热的输入、输出转化效率均取90%，初始储热量取为50kW·h。各分布式电源的相关技术参数如表1所示，对于蓄电池储能，其详细参数如表2所示，总容量为180kW·h，额定充放电功率为18kW，初始SOC取为50%。各分布式电源的污染排放参数如附录中附表1所示，维护参数如附录中附表2 所示[22]。微网与主网之间交互电价考虑平均电价、峰谷电价和实时电价三种电价类型，相应的价格如附录中附表3和附表4所示[23]。

表1 分布式电源参数Tab.1 Parameters of distributed generators

表2 蓄电池储能参数Tab.2 Parameters of battery energy storage

5.2 结果与讨论

基于5.1节算例数据，采用动态规划算法对优化调度模型进行求解，由于微网系统运行模式的不同、微网与主网间交互电价类型的不同，均会导致系统优化运行调度结果的不同，因此，需要对其各自的影响分别展开讨论与分析。

5.2.1 不同交互电价类型

微网与主网间的交互电价为平均电价、峰谷电价及实时电价三种不同电价类型时，综合能源微网系统优化调度的结果如图4～图6所示。

图4 平均电价下机组优化调度出力Fig.4 Optimal output schedules using base price

图5 峰谷电价下机组优化调度出力Fig.5 Optimal output schedules using time-of-use electricity price

图6 实时电价下机组优化调度出力Fig.6 Optimal output schedules using spot price

由图4可以看出，当微网与主网之间交互电价为平均电价时，由于微燃机能同时满足热、电负荷的需求，综合运行效率较高，因此其基本运行在满发状态，产生的富余部分余热可在凌晨热负荷低谷时对热储能储热，在晚间热负荷高峰时进行释放，具有良好的经济效益；至于电能部分，1～6h微网中负荷较轻，风机、光伏、微燃机及电网发出的电能在满足负荷需求的同时可适当对蓄电池充电，而在18～22h电负荷高峰时段，微燃机、燃料电池等机组配合电网均投入运行以满足峰荷需求，柴油机组由于燃耗大、排放高，在运行调度期间基本处于停机状态作为备用，同时蓄电池在此时段也释放储存的电能，起到了削峰填谷的作用，有效降低了系统峰谷差，提高了系统运行经济性。

由图5可以看出，当微网与主网之间交互电价取峰谷电价时，微燃机仍然运行在满发状态以满足热、电负荷的双重需求，微网向主网购电时段则由于峰谷价格的调节作用则更多地被转移到了谷价段，如图5中1～6h所示。而在电价峰值时段，如图5中的10～15h，微网购电成本相比分布式发电单元的成本要高，此时微燃机和燃料电池成为主要的供电机组，同时蓄电池也相应放电。在晚间18～22h负荷高峰时段，微燃机、燃料电池、电网、蓄电池则共同出力以满足负荷的峰值需求。峰谷电价场景下由于峰谷电价价格的调节作用，储能削峰填谷作用更加明显，微网整体经济效益更高。

当微网与主网之间交互电价取实时电价时，如图6所示，主网与微网之间的互动则因实时电价的调节作用更趋频繁。在运行调度的多数时间内，微网向主网购电的成本相比分布式电源发电的成本更具经济优势，从主网购电成为微网内负荷主要的供电方式，蓄电池储能响应电价的变化趋势，在低电价和低负荷时段进行充电，在高电价或高负荷时段进行放电，微网运行的经济性相比峰谷电价模式下进一步提高。

进一步给出了综合能源微网与主网之间分别取三种不同交互电价类型下的日运行总成本对比，结果如图7所示。

图7 不同交互电价类型下的微网日运行成本对比Fig.7 Comparison of daily operation cost of microgrid under different interactive price

由图7可以看出，实时交互电价场景下的日运行成本最低，峰谷电价场景下次之，平均电价下最高。这也与图4～图6的分析结果一致，原因主要有：①分时或实时电价场景下微网向主网购电的成本一直可以与分布式电源发电成本相竞争，竞争的结果是分布式电源的出力和电网的出力会更优；②分时或实时电价更有利于引导和激励储能低价、负荷谷时段购电，高价、负荷峰时段的售电，从而发挥削峰填谷作用；③由于负荷峰值与实时电价峰值错开，会进一步引导微网按照低价购电、高价售电的需求响应模式运行。上述结果进一步证明了本文模型和方法的有效性和正确性。

5.2.2 不同运行模式

分别讨论微网在孤网运行和并网运行两种运行模式下的机组优化运行情况，其中并网运行时，微网与主网之间交互电价取为平均电价，仿真得到的结果如图8和图9所示。

图8 孤网运行模式下机组优化调度出力Fig.8 Optimal output schedules under isolated operation mode

图9 并网运行模式下机组优化调度出力Fig.9 Optimal output schedules under grid-connected operation mode

对比图8和图9可以看出，并网模式下，柴油机组由于燃耗大、排放高，在运行调度期间基本处于停机状态；而在孤网运行模式下，由于没有大电网做支撑，为满足负荷调峰需求，柴油机组被迫启动。此外，孤网模式下由于净负荷缺额较大，蓄电池在晚间负荷高峰时段也以相对较大的功率放电，以配合其他机组满足峰荷需求，在负荷低谷时段则利用可再生能源、微燃机和燃料电池对其充电，从而确保其一天内能量的平衡，同时也利用其削峰填谷的作用有效提高了系统运行的经济性。

5.3 进一步分析

将本文采用的热电联合统一建模优化的结果与热电联产单元工作在“以热定电”运行模式的结果进行了对比，两种情形下微网均工作在并网运行模式，微网与主网之间的交互电价类型取实时电价，给

出了两者在一天内的系统运行成本对比情况，如图10所示。

图10 热电联合优化与以热定电模式经济效益对比Fig.10 Economic benefit contrast of combined heat and power optimization mode and power determined by heat mode

由图10可以看出，采用热电联合统一建模和优化后，系统运行成本更优，经济效益更好。究其原因是，采用热电统一建模后，相比传统“以热定电”运行模式，热电联产单元的运行方式更加灵活，且通过与热储能和锅炉补燃设备的配合，可以更好地实现热电能量的解耦，系统综合运行效率得以提高，运行经济性更好。

6 结论

本文充分考虑各分布式电源的出力特性、储能日运行能量平衡约束、系统安全约束以及多能源之间的耦合特性，以系统综合费用最低为目标，采用统一建模的方法，建立了综合能源微网的优化调度模型。针对电、热储能调度始末能量平衡约束带来的复杂多阶段决策问题，采用逆序动态规划与序列二次规划结合对模型进行求解；基于不同交互电价、不同运行模式场景下进行优化运行分析，并且与“以热定电”运行模式进行对比，结果表明，本文模型和方法可以满足不同场景下的运行需求，可以为综合能源微网在不同场景的运行提供电、热协调优化调度方案；热电联合统一优化相比“以热定电”固定运行模式有更好的运行灵活性，整体运行效率更高，经济效益更好。

附录

附表1 污染治理费用及排放系数 Attached Tab.1 Pollution control cost and discharge coefficient

附表2 各分布式电源运行维护参数 Attached Tab.2 Operation maintenance parameters of distributed generators

附表3 平均电价和峰谷电价价格 Attached Tab.3 Base price and time-of-use price (单位：元/(kW·h))

附表4 实时电价 Attached Tab.4 Spot price (单位：元/(kW·h))

[1] 贾宏杰, 王丹, 徐宪东,等(Jia Hongjie, Wang Dan, Xu Xiandong, et al.). 区域综合能源系统若干问题研究(Research on some key problems related to integrated energy systems) [J]. 电力系统自动化(Automation of Electric Power Systems), 2015, 39 (7):198-207.

[2] 严陆光, 夏训诚, 吕绍勤,等(Yan Luguang, Xia Xuncheng, Lv Shaoqin, et al.). 大力推进新疆大规模综合能源基地的发展(Great promotion of development of large scale integrative energy base in Xinjiang) [J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy), 2011, 30(1):1-7.

[3] 吴建中(Wu Jianzhong). 欧洲综合能源系统发展的驱动与现状(Drivers and state-of-the-art of integrated energy systems in Europe) [J]. 电力系统自动化(Automation of Electric Power Systems), 2016, 40(5):1-7.

[4] 郭力, 许东, 王成山,等(Guo Li, Xu Dong, Wang Chengshan, et al.). 冷电联供分布式供能系统能量优化管理(Research on some key problems related to integrated energy systems) [J]. 电力系统自动化(Automation of Electric Power Systems), 2009, 33(19):96-100.

[5] 顾伟, 吴志, 王锐(Gu Wei, Wu Zhi, Wang Rui). 考虑污染气体排放的热电联供型微电网多目标运行优化(Multi-objective optimization of combined heat and power microgrid considering pollutant emission)[J]. 电力系统自动化(Automation of Electric Power Systems), 2012, 36(14):177-185.

[6] 李正茂, 张峰, 梁军,等(Li Zhengmao, Zhang Feng, Liang Jun, et al.). 计及附加机会收益的冷热电联供型微电网动态调度(Dynamic scheduling of CCHP type of microgrid considering additional opportunity income)[J]. 电力系统自动化(Automation of Electric Power Systems), 2015, 39(14):8-15.

[7] 王成山, 洪博文, 郭力,等(Wang Chengshan, Hong Bowen, Guo Li, et al.). 冷热电联供微网优化调度通用建模方法(A general modeling method for optimal dispatch of combined cooling, heating and power microgrid)[J]. 中国电机工程学报(Proceedings of the CSEE), 2013, 33(31):26-33.

[8] 丁明, 吴伟, 吴红斌(Ding Ming, Wu Wei, Wu Hongbin). 风速概率分布参数预测及应用(Research on forecasting of probabilistic distribution parameters of wind speed and its application)[J]. 电网技术(Power System Technology), 2008, 32(14):10-14.

[9] 张喆, 李庚银, 魏军强(Zhang Zhe, Li Gengyin, Wei Junqiang). 考虑分布式电源随机特性的配电网电压质量概率评估(Probabilistic evaluation of voltage quality in distribution networks considering the stochastic characteristic of distributed generators) [J]. 中国电机工程学报(Proceedings of the CSEE), 2013, 33(13):150-156.

[10] A M Faisal. Microgrid modelling and online management[D]. Espoo: Helsinki University of Technology, 2008.

[11] F A Mohamed, H N Koivo. System modelling and online optimal management of MicroGrid using Mesh Adaptive Direct Search[J]. International Journal of Electrical Power & Energy Systems, 2010, 32(5):398-407.

[12] W Shi, X Xie, C C Chu, et al. Distributed optimal energy management in microgrids[J]. IEEE Transactions on Smart Grid, 2015, 6(3):1137-1146.

[13] 刘文胜, 毛晓明, 陈志勇(Liu Wensheng, Mao Xiaoming, Chen Zhiyong). 微网优化运行研究进展与展望(A review on microgrid optimal operation) [J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy), 2012, 31(2):64-68.

[14] C Chen, S Duan, T Cai, et al. Smart energy management system for optimal microgrid economic operation[J]. IET Renewable Power Generation, 2011, 5(3):258-267.

[15] 毛晓明, 刘文胜, 陈深,等(Mao Xiaoming, Liu Wensheng, Chen Shen, et al.). 微电网经济低碳调度模型与方法初探(Study on microgrid economic low-carbon scheduling) [J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy), 2014, 33(8):55-61.

[16] 周晓燕, 刘天琪, 沈浩东,等(Zhou Xiaoyan, Liu Tianqi, Shen Haodong, et al.). 含多种分布式电源的微电网经济调度研究(Research on economic dispatch of microgrid with multi-distributed generation) [J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy), 2013, 32(1):5-8.

[17] 肖浩, 裴玮, 杨艳红,等(Xiao Hao, Pei Wei, Yang Yanhong, et al.). 计及电池寿命和经济运行的微电网储能容量优化(Energy storage capacity optimization for microgrid considering battery life and economic operation) [J]. 高电压技术(High Voltage Engineering), 2015, 41(10): 3256-3265.

[18] S Onori, L Serrao, G Rizzoni. Dynamic programming[M]. London: Springer, 2016.

[19] M H Shariatkhah, M R Haghifam, J Salehi, et al. Duration based reconfiguration of electric distribution networks using dynamic programming and harmony search algorithm[J]. International Journal of Electrical Power & Energy Systems, 2012, 41(1): 1-10.

[20] T Arslan, Y M Bulut, A A Yavuz. Comparative study of numerical methods for determining Weibull parameters for wind energy potential[J]. Renewable and Sustainable Energy Reviews, 2014, 40: 820-825.

[21] D Q Hung, N Mithulananthan, R C Bansal. Integration of PV and BES units in commercial distribution systems considering energy loss and voltage stability[J]. Applied Energy, 2014, 113: 1162-1170.

[22] 肖浩, 裴玮, 孔力,等(Xiao Hao, Pei Wei, Kong Li, et al.). 考虑光伏余电上网的微网出力决策分析及经济效益评估(Decision analysis and economic benefit evaluation of microgrid power output considering surplus photovoltaic power selling to grid)[J]. 电力系统自动化(Automation of Electric Power Systems), 2014, 38(10):10-16.

[23] 丁明, 张颖媛, 茆美琴, 等(Ding Ming, Zhang Yingyuan, Mao Meiqin, et al.). 包含钠硫电池储能的微网系统经济运行优化(Economic operation optimization for microgrids including Na/S battery storage)[J]. 中国电机工程学报(Proceedings of the CSEE), 2011, 31(4): 7-14.

Research on optimal operation method of integrated energy microgrid system

XIAO Hao1, PEI Wei1, KONG Li1, SUN Jian2, WANG Cun-ping2, JIA Dong-qiang2

(1. Institute of Electrical Engineering，Chinese Academy of Sciences，Beijing 100190，China;2. Beijing Electric Power Research Institute，Beijing 100075，China)

Integrated energy microgrid system with multiple energy sources is an important basis for the development of the Energy Internet. In this paper, firstly, the basic output characteristics of distributed generators (DGs) and energy storage devices are analyzed, and then the probabilistic output model of renewable energy based DG, the burnup model of controlled type DG and the charge discharge model of energy storage device are established. On the basis of this, taking the lowest operation cost as the goal, and considering DG’s operating constraints, system security constraints as well as the coupling characteristics between multi-energy resources, a comprehensive optimization scheduling model of integrated energy microgrid system is established. For the model is a complex multi stage decision problem with fixed starting point and fixed terminal point, and the model-related constraints are associated with time coupling characteristics, a combined algorithm based on the inverse dynamic programming and sequential quadratic programming is adopted to solve the model. Finally, based on the comparative analysis of system operation scheduling scheme under different types of interactive pricing and different operation modes, the effectiveness of the model and solution methods is demonstrated.

integrated energy system; microgrid; optimal operation; economic dispatch; dynamic programming

2016-07-07

国家电网公司科技项目(52020116000P)

肖 浩 (1987-), 男, 湖北籍, 助理研究员, 博士, 研究方向为微网能量管理、 能源互联网； 裴 玮 (1982-), 男, 江西籍, 研究员, 博士, 研究方向为含分布式能源的电力系统分析、 微网和交直流配网。

TM732

A

1003-3076(2016)12-0001-11