基于需求侧响应的风光储微电网经济优化研究

王雅雯

(云南电网物资有限公司，云南 昆明 650000)

风能和太阳能作为可再生资源具有波动性和随机性，通常不满足用电侧使用需求[1-2]。为了避免发电侧和用电侧之间电能不平衡、不匹配的现象，需要在新能源微电网中配置更大容量的储能设备[3-5]。如果光伏(photovoltaic，PV)系统、风力机(wind turbine，WT)系统独立组网，新能源微电网规模和投资成本将增加[6]。将PV系统和WT系统耦合并配置相应的储能系统，可以提高风光储微电网供电可靠性，对风光储微电网进行配置设计优化，可以有效减少投资成本和建设成本[7-9]。

为了实现对新能源微电网的优化设计，提高微电网经济性，文献[10]采用多目标遗传算法分别对PV制储氢微电网、WT制储氢微电网系统进行配置优化，在满足制氢要求情况下，使新能源储能出力维持在电网可接受范围内。文献[11]提出一种新型储能微电网配置优化方案，采用蚁群优化方法自动寻优最佳储能配置方案。文献[12]采用迭代算法对含有WT、PV及储能的独立微电网进行配置优化，提出一种根据负荷波动情况配置微电网容量的方法。文献[13]使用蚁群优化方法对微电网的经济性进行优化，提出基于最优组合赋权法的评价方法，该模型只需要利用可靠性、经济性、电气特性和适应性4个评价指标即可实现对规划方案的最优定量评价。

在电力系统实际运行中，常常利用需求侧响应(demand response，DR)来降低电力运营成本[14]。DR是指当用电成本升高或电力系统稳定性变差时，用电侧根据政策相应减少用电负荷，发电侧提高供电负荷，用电侧和发电侧改变固有用电/发电习惯，在满足电力供应的基础上保障电网稳定，防止用电成本激增[15-18]。为了将DR与微电网优化相结合，文献[19]提出利用间歇性可再生能源和DR来解决多区域电力资源分配问题的新方法，通过DR来优化区域电网用电负荷，根据结果配置可再生能源微电网。文献[20]利用含有线性规划的DR框架对分布式发电及灵活负载建模，以运行成本最小为目标，优化分布式发电架构及负载输电线路，实现发电侧和用电侧灵活调控。

目前将DR应用于微电网优化研究领域中，研究目标只有优化管理和运营成本降低，并无组件规模优化。上述多数研究模型在一定程度上实现了电源与网架结构的协调规划，但以往负荷模型在优化过程中未充分考虑DR的重要作用，从本质上忽略了源-网-负荷-储能可能存在的交互影响，可能无法得到最优的规划方案，所以优化计算相对复杂。近年来，大量的研究已经专注于DR在不同优化方式中的应用，并详细分析了各种工况下优化结果对微电网的影响。这些研究结果表明了DR在能源系统规划中的实际作用，并为进一步改善电源与网架协调规划提供了重要参考，但针对DR的组件规模优化研究仍然较少。

本文拟解决风光储能微电网规模优化问题，利用DR对风光储微电网配置进行规模优化。采用转移负荷时域对负荷进行调度规划，通过减少或消除发电侧与用电侧之间电能不平衡实现成本消减。在混合整数线性规划方法的框架下，应用GAMS和HOMER软件对风光储微电网进行建模仿真及优化研究，对比DR优化前后结果。

1 风光储微电网数学模型

1.1 风光储微电网结构

图1所示为孤岛风光储微电网结构。

图1 光伏/风能/电池混合微电网系统示意图Fig.1 Schematic diagram of photovoltaic / wind / battery hybrid microgrid system

风光储微电网中，PV系统和WT系统为发电单元，PV阵列将太阳光发出的能量转化为电能传输给微电网系统，WT将风能转化为电能传输给微电网系统，二者作为微电网的混合能源为微电网提供电能。储能系统(电池)用来储存过剩电量，通过充/放电调节风光储微电网输出电能。备用负载用于消耗超过储能存储上限的电能，DR的作用是减少或消除发电侧和用电侧之间的电能不平衡。本文采用混合整数线性规划(mixed integer linear programming，MILP)框架对风光储微电网各组件进行数学建模。MILP总目标是使微电网中各组件全寿命周期费用最小。MILP决策变量包括：①PV系统、WT系统及储能系统的容量；②储能系统中电池充放电能量；③指定时间段内可调度负荷的运行次数。MILP约束条件包括微电网中各组件的运行方式约束、能量平衡约束、可靠性约束。

1.2 PV和WT数学模型

PV系统中PV组件的输出直流功率取决于太阳光辐射强度、环境温度、PV面板吸收容量、PV面板面积，PV输出直流功率

[1-βT(TC-TC，STC)].

(1)

式中：Gt(t)为垂直于光伏面板表面的辐射功率，单位W/m2；PPV-rated为在标准测试条件下，PV面板的额定功率；ηPV为太阳能电池板功率折减系数；TC，STC为标准测试温度；βT为PV温度系数；TC为PV系统运行时的光伏面板温度，可表示为

(2)

式中：TNOCT为PV面板运行标准温度；Tamb为环境温度。

WT系统的输出功率是在WT轮毂高度下风速的函数，为：

(3)

式中：v、vr、vcut-in、vcut-out分别为WT轮毂高度转速、额定转速、切入速度、截止转速；Pr为额定转速(vr)下的WT输出功率。在建模过程中，应该考虑WT的启动、运行、停机和故障状态，并结合实际情况进行相应的调整和模拟，以获得更准确的模型结果。

1.3 储能数学模型

储能系统用于维持PV、WT系统输出电能与负载消耗电能之间的供需平衡。在微电网中采用电池作为储能系统，其能量管理平台可以根据发电和用电电量来决定充电或放电，储能电池输出/吸收功率

PB(t)=PWT(t)+PPV(t)-PL(t).

(4)

式中PL(t)为t时间段内的风光储微电网内总用电负荷。如果PB(t)=0，则储能电池模组既不充电也不放电；如果PB(t)>0，则储能电池由于微电网产生过剩电量而进行充电。储能电池充电时，荷电状态

VSOCB(t)=VSOCB(t-1)×(1-σ)+

[PWT(t)+PPV(t)-PL(t)]×ηb.

(5)

式中：σ为储能电池的自放电系数；ηb为储能电池的效率。

如果PB(t)<0，则储能电池由于PV、WT发电量不足而进行放电。储能电池放电时，荷电状态

VSOCB(t)=VSOCB(t-1)×(1-σ)+

[PWT(t)+PPV(t)-PL(t)]/ηb.

(6)

为了防止储能电池因为荷电状态不匹配，造成设备环流，影响使用寿命，每个规划周期开始(t=t0)和结束(t=tm)时的储能电池荷电状态应该相等，即

VSOCB(t0)=VSOCB(tm).

(7)

为了防止每个储能电池模组使用寿命减少，储能电池充放电限制为：

(8)

式中：Ei(t)为储能电池模组i储存电量；Eimax、Eimin分别为储能电池模组i储存的最大、最小电能；VSOCmax、VSOCmin分别为电池荷电数量的最大、最小值；Nbat为储能电池模组的数量。每个储能电池模组的最大容量和最小容量存在以下关系：

Eimin=(1-VDOD)×Eimax.

(9)

式中VDOD为每个储能电池模组允许放电深度。由于电池不能同时充电和放电，需要在线性模型上加如下限制：

(10)

式中：IBch(t)、IBdis(t)分别为储能电池模组在t时间段内的充电和放电状态；PBch(t)、PBdis(t)分别为储能电池模组在t时间段内的充、放电功率；H是一个大于储能电池模组容量的正数，因为电池不能同时充电和放电，本文设置H为200 kW。

为防止储能电池模组损坏，需要对电池的充放电速率进行限制：

(11)

式中uBch、uBdis分别为储能电池模组充、放电速率。如果一个电池在t时间段内放电，需要其在这一段时间内有充足的荷电量。

2 DR经济优化方法

2.1 可调度负载

储能系统用于维持微电网中PV、WT系统输出电能与负载消耗电能之间的供需平衡。当储能电池模组达到荷电状态上下限，无法为微电网提供平衡所需的电能时，为了平衡发电侧与用电侧之间电量供需平衡，本文提出一种采用DR算法对风光储微电网配置进行规模优化的方法。

为了实现DR优化，需保证可调度负载在规定时间段内连续运行，可调度负载运行状态可表示为

(12)

式中：Fk(t)为t时间段内第k个可调度负载的投/切状态；Sk为第k个可调度负载运行时长；t0k为第k个可调度负载初始运行时间段；tmk为第k个可调度负载运行最长时间对应时间段。

为了使风光储微电网系统稳定，需要平衡微电网内部功率，即总用电功率约等于总发电功率。在每一个时间段内可调度负载和不可调度负载消耗的电能加上储能系统充电的电能，等于PV和WT提供的电能加上储能系统的放电电能，即

Ploadncl(t)+Ploadcl(t)+PBch(t)+Ploaddump(t)=

PPV(t)+PWT(t)+PBdis(t)，∀t.

(13)

式中Ploadncl(t)、Ploadcl(t)、PBch(t)、Ploaddump(t)、PBdis(t)分别为不可调度负载功率、可调度负载功率、储能电池充电电功率、多余负荷功率、储能电池放电功率。

2.2 可调度负载成本

第k个可调度负载成本TUCk包括采购、安装和调试的初始成本(Ck)，重置成本(Pk)，运行维护成本(Mk)及剩余价值(Vk)。可表示为

TUCk=Ck+Pk+Mk-Vk.

(14)

为了将初始成本转换为年度成本，本文使用资本回收系数CRF(i，n)：

(15)

式中：i为利率；n为可调度负载可运行年限。第k个可调度负载年初始成本

CAk=Ck×CRF(i，n).

(16)

第k个可调度负载年重置成本

(17)

式中nk为第k个可调度负载的可运行年限。

第k个可调度负载的剩余价值(残值)

(18)

第k个可调度负载的年单位成本

TAUCk=CAk+PAk+Mk-VAk.

(19)

第k个可调度负载的净现成本

NPCUk=TAUCk/CRF(i，n).

(20)

2.3 DR优化过程

采用DR配置风光储微电网时，规模优化模型输入数据包括气象、负荷、储能电池状态和可调度负载的经济参数，DR优化模型是由能量管理系统(energy manage system，EMS)进行联合调度的MILP模型。DR优化模型目标是在风光储微电网总寿命周期内使微电网总净现成本最小，DR优化模型目标函数

(21)

式中：Nk为第k个可调度负载的数量/容量；Batt表示储能，Inv表示逆变器。

DR优化模型的制约因素包括风光储微电网内物理约束、能量平衡约束、可靠性约束和DR约束。DR优化模型通过EMS获得可调度负载最佳运行时间表。EMS按照DR优化模型对风光储微电网各设备进行最优功率配置。

DR优化过程如图2所示。

图2 风光储微电网配置规模优化过程Fig.2 Optimization process for configuration scale of wind and solar energy storage microgrid

3 算例分析

本文以我国中部某地区风光储微电网为研究对象，该微电网设计25年使用寿命，额定装机容量为500 kVA。该地区太阳光辐射及风速分布气象数据如图3所示。

图3 中部某地区气象数据Fig.3 Meteorological data of a region in central China

根据风光储微电网样本数据，设置负载功率日变化率和小时变化率分别假设为20%和15%。风光储微电网中负载包括：4个可调度设备，总耗电量为3.95 kWh/d(约占总耗电量的7.5%)；不可调度的设备，耗电量为47.89 kWh/d。对可调度负载进行运行规划时间段设置为15 min，1日内有96个时间段，每个可调度负载数据见表1，其中时间单位为本文规定的时间段单位。风光储微电网各组件的年单位成本和净现成本费用见表2。

表1 可调度负载数据Tab.1 Dispatchable load data

表2 微电网组件的年单位成本和净现成本费用Tab.2 Annual unit cost and net present cost of microgrid components 元

本文采用GAMS和HOMER软件对风光储微电网进行建模仿真及对DR优化结果进行分析。DR优化前后，风光储微电网各组件规模对比见表3。

表3 微电网组件规模优化结果Tab.3 Scale optimization results of microgrid components

根据表3可知：DR优化后，储能电池容量和并网逆变器功率大幅减少。这是由于发电侧和用电侧电能接近及负载功率峰值下降。风光储微电网各组件的净现成本和微电网的总净现成本见表4。

表4 微电网组件规模优化结果Tab.4 Scale optimization results of microgrid components 元

根据表4可知：DR优化后，光伏配置容量减少了1.8%，储能配置容量减少了35.6%，并网逆变器数量减少了35%，微电网总净现成本下降了17.1%(包括投资、维护和维修成本以及重置成本)。

图4为DR优化前后，典型日1日内负载功率对比曲线。

图4 DR优化前后负载功率对比波形Fig.4 Comparison waveforms of load power before and after DR optimization

根据图4可知：DR优化前时负载功率峰值为6.5 kW和1.2 kW，DR优化后负载功率峰值为3.9 kW和1.1 kW。使用本文所提DR优化可显著减少峰值负荷。

4 结束语

本文提出一种基于需求侧响应的风光储微电网经济优化方法，使发电侧功率与用电侧功率达到动态平衡，有效减少风光储微电网中各组件规模以及成本，提高了微电网系统的经济性水平。

测试结果表明：使用本文所提DR优化方法后，风光储微电网各组件容量、数量及能源供应成本显著减少。本文策略可显著减少峰值负荷，通过可控负载向发电过剩区间转移使得发电侧和用电侧电能更为接近。

在较高的可调度负载百分比下，使用本文所提DR优化算法的作用将会更加明显，具有一定工程应用意义。