基于需求响应的微电网优化运行研究

基于智能用电技术的微电网优化运行研究肖智宏1，尚志娟2，周晖2（1.国网北京经济技术研究院，北京宣武区100052；2.北京交通大学电气工程学院，北京海淀区100044;摘要：随着微电网技术的逐步成熟，微网的运行研究得到了越来越多的关注。如何使微网的能源得到最大程度的利用，其关键问题在于如何做好微网综合资源的优化调配。在分析了需求响应技术可以实现对电网运行特性改善的基础上，以一个与主网相连的含风资源、水资源、储能装置、以及本地负载的微电网为研究对象，建立了该微网系统的综合资源优化的数学模型，并采用例子群算法来进行求解，比较了应用需求响应技术前后微网运行的各项运行指标，说明需求响应是提高微网运行性能不可或缺的手段。关键词：微电网；运行特性；综合资源规划；需求响应；粒子群算法Studyonoptimaloperationofmicro-gridbasedondemand-sideresponseSHANGZhi-juan1，ZHOUHui1，WANGTian-hua21.SchoolofElectricEngineering,BeijingJiaotongUniversity,1000442.TiandiElectricInstitute(Beijing)TechnologyCo.,Ltd.，100053ABSTRACT：随着微电网技术的逐步成熟，微网的运行研究得到了越来越多的关注。如何使微网的能源得到最大程度的利用，其关键问题在于如何做好微网综合资源的优化调配。在分析了需求响应技术可以实现对电网运行特性改善的基础上，以一个与主网相连的含风资源、水资源、储能装置、以及本地负载的微电网为研究对象，建立了该微网系统的综合资源优化的数学模型，并采用例子群算法来进行求解，比较了应用需求响应技术前后微网运行的各项运行指标，说明需求响应是提高微网运行性能不可或缺的手段。.KEYWORDS：微电网；运行特性；综合资源规划；需求响应；粒子群算法0引言风能是目前一种技术较成熟、发展迅速、市场价值已为人们所接受的清洁能源，其分布广泛且资源量巨大，但具有随机性、间歇性、难以预测性及不可存储性等特点。风能大规模利用的最有效方法是进行发电并接入电力系统。由于风能的不确定性，很难对风电的输出功率进行较准确的预测[1][2]。而电力系统是一个瞬时平衡系统，因此风电的接入给电力系统的安全稳定运行带来挑战[3][4]。研究风电输出功率并制定其上网计划成为当今风能利用的重要议题之一。建立风电互补系统成为当今解决以上问题的有效途径，但目前主要以孤网运行为主。如风柴互补发电系统[5]需采用化石燃料，会对环境造成一定的污染，较适用于独立用户；风光互补发电系统[6][7]从季节上来看是互补的，冬天风大而阳光弱，夏天风小而阳光强，一般适合小系统；风电-氢能储能系统[8]牵涉到氢能源的供求平衡系统的建设，尚待时日。而水力资源与风能具有较好的互补性，之前有较多的文献研究了抽水蓄能电站与风电互补的运行[9]～[12]。但抽水蓄能电站的建设条件要求比较高，且投资大、运行成本高，它在系统中所占的比例也较小，因此用它来实现与风电的互补，其调节能力会受到一定的限制；文献[13]提出了用一般可调节水电站与风电进行互补的思想，具有普遍应用价值，但目前尚缺乏对风水互补系统的运行做深入分析。考虑到常规水电站只具有水能调节能力，通过错开水电与风力发电的时间，来达到充分利用风能及水能的目的。但由于常规水电站并不具有消耗多余风电的能力，因此构建含储能装置在内的风水互补系统，并将之与电网互联。这样既可以使该互补系统的能源获得充分的利用，又可以大大地减少不确定性给大系统运行带来的影响。此外，互补系统与大电网相连，还能增加两者的运行可靠性。通过建立该系统的数学模型，利用粒子群优化算法(ParticleSwarmOptimization，简称PSO)对具体算例进行仿真计算，并深入分析了给定运行条件下的功率的分配及收益情况；并比较了两种不同负荷曲线情况下的计算结果，得出通过移峰填谷提高日负荷率对于改善互补系统运行特性是十分重要的。1风资源、水资源的互补性及储能装置在我国较多地区同时存在着比较丰富的水电资源和风能资源。从季节上看，冬春季节水库的水位较低，水电站出力不足，这时风电场的风速较大，能够承担更多的负荷；夏秋季节风速小，风电场的出力较低，而这时正是雨量充沛的时候，水电站可承担相对较高的负荷。这说明风电和水电在季节上具有较强的互补性。另外，水电的短期波动性较小，在一昼夜里径流量基本是均匀的，而风电的短期波动性却很大，也能体现出风电和水电的互补性[13]。由于常规水电站不能做“负瓦”运行，在风电出力比较大时，会出现风电过剩的情况。因此需要配置一定容量的储能装置，来实现能源的充分利用。目前风能储存的方法有很多，而蓄电池发展较为成熟，具有工作效率高、简单可靠、放电功率大、充电迅速、循环寿命长、重量轻等优点。选择蓄电池作为风水互补系统中的储能装置(本文将含蓄电池的风水互补系统简称为风水互补系统)，对多余的风能进行存储并在合适的时候向负载提供电力。2风水互补发电优化运行模型风水互补发电优化运行的基本原理是：在丰水期，水电站一般带基荷运行，但需考虑水库的防洪水位，以免来水大时发生灾害；而此时风能不是太大，可用来调峰。在枯水期，风能比较丰富，一般带基荷运行；此时水电站径流量较小，可用来调峰，不需要考虑防洪。本文仅对第二种情况下的日运行计划作分析计算。2.1目标函数将一天分为24个小时段，保证风水互补系统与电网交换功率最小，以日收益最大为互补系统运行的目标函数，则有：式中，、分别为风电、水电在t时刻的出力；为蓄电池在t时刻的充(放)电功率(正值为放电、负值为充电)；为风水互补系统不能满足负荷需求时系统在t时刻向负荷所供的电力；和分别为风电和水电单位千瓦时的销售电价；为大电网对互补系统的售电电价。2.2约束条件1)日电力平衡约束：(2)2)水电站出力约束(3)3)蓄电池容量约束(4)4)水量平衡约束(5)5)水库蓄水量约(6)6)水电站发电引用流量约束：(7)在约束条件(2)～(4)中，为t时刻风机实际输出功率，其在风机类型已定的情况下和每一时刻的风速有关，是风速的函数，一般用(8)式来近似表示：tcitco33wRtciwtcitR33RciwRtRvvvvP.(vv)P,vvvvvPv0,v或，(8)和分别为风机的切入和切出风速；是额定风速；是t时刻的风速；是风机的额定输出功率。在进行运行分析时，假定预测的风速已知，则可根据式(8)得到各时刻的风电出力。为第t时刻的当地负荷；为蓄电池在t时刻的容量；为第t时刻电网的输入或输出功率，如(9)所示：(9)为互补系统不能满足负荷需求时电网在t时刻向负荷提供的电力；和为互补系统满足负荷需求时在t时刻向电网输入的多余风电和水电。在约束条件(5)～(7)中，为水电站第t时刻初水库蓄水量；为水电站第t时刻末水库蓄水量；为水电站第t时刻平均径流量；为水电站在t时刻的发电流量。水电站的出力为：(10)为水电站在t时刻的发电净水头，由上游水位和下游水位的差值再扣除水头损失可得，上游水位与水库库容有关，下游水位与流量有一一对应的关系，水头损失可忽略；A是水电站出力系数，一般大型水电站取8.5，中型取8.0～8.5，小型取6.0～8.0。假定不考虑蓄电池充放电速度，简单的认为充放电是瞬时完成的。3基于粒子群优化算法的风水互补优化的计算步骤3.1算法的基本思想粒子群优化算法(PSO)[14]是由Eberhart和Kennedy于1995年提出的一种新的高效的全局优化的搜索算法，源于对鸟群捕食的行为研究，通过鸟之间的协调合作使群体达到最优。PSO求解优化问题时，每个优化问题的解都是搜索空间中一只鸟的位置，通常称这些鸟为“粒子”。所有的粒子都有一个由目标函数决定的适应值，还有自己的速度和位置来决定他们飞翔的方向和距离。每个粒子追随当前的最优粒子，在解空间中搜索，粒子每次迭代的过程不是完全随机的，而是以上次迭代的较好解为依据来寻找下一个解。令PSO初始化为一群随机粒子，通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己，一个是粒子本身所找到的最好解，即个体极值pBest；另一个是整个种群目前找到的最好解，即全局极值gBest。根据这两个最好解，粒子可利用式(11)和式(12)来更新自己的速度和位置。设有m个粒子，粒子i的信息可用D维向量表示,位置表示为Xi=(Xi1,Xi2,…,XiD),速度表示为Vi=(Vi1,Vi2,…,ViD),i=(1,2,…,m)，其他向量类似，位置和速度更新方程如下：(11)(12)式中，d=(1,2,…,D)；ω为惯性权重，保持原来速度的系数，一般取值为[0.8,1.2]；c1、c2是学习因子，分别表示粒子跟踪自己历史最优值和群体最优值的权重系数，即粒子对自己的认识和对整个群体知识的认识，通常设置为2；rand1、rand2是[0,1]内的随机数；是粒子i在第k次迭代中第d维的速度；是粒子i在第k次迭代中第d维的位置。为保证粒子始终都在限定的搜索空间内，粒子的每一维速度都会被限制在一个最大速度，如果某一维更新后的速度超过用户设定的，则这一维速度就被限定为。3.2PSO算法流程本文所描述的含蓄电池的风水互补优化运行问题，实际上是讨论在某日如何优化调度蓄电池充(放)电功率和水电站引水发电流量，来确保互补系统在安全可靠运行的前提下达到效益最大化。也就是在满足各种约束条件下找到各时刻的和，使得互补系统对电网的影响最小并获得最优收益。在本问题中，决策变量是蓄电池充(放)电容量和水电站发电流量。通过确定发电流量来确定时刻末库容，求出上游水位、下游水位和水电的出力，进而确定互补系统与电网交换的功率。粒子维数为24*2，和各为24维，则粒子i的位置向量表示为(13)速度向量对应于各粒子在每一时段的变化情况，各时段每一变量变化后的值必须满足上述模型中的各种约束条件。PSO算法步骤如下：(1)确定PSO基本参数值；(2)在各时段允许范围内随机生成m组24*2维的时段末变化序列，即初始化m个粒子的速度和位置；(3)计算m个粒子的目标函数值，记录每个粒子的个体极值，找出m个个体极值中最大的一个为全局极值，并记录相应的序列号；(4)依据公式(1)和(2)更新粒子的速度和位置；(5)根据约束条件修改粒子的位置，并检查速度是否超过限值，如果超过则将速度限制为该限值；(6)计算各粒子的目标函数值，更新并记录粒子当前最优位置和全局最优位置；(7)检验是否达到最大迭代次数，是则迭代终止，输出结果；否则转到第(4)步继续迭代。在综合分析含蓄电池的风-水互补系统优化运行数学模型中各个变量的相互关系之后，采取如下步骤实现优化算法的MATLAB编程：1)由已知的风速计算出各时刻的风电出力；2)根据当地负荷和风电出力确定蓄电池充(放)电容量的取值范围并随机产生各时刻的粒子；3)随机产生各时刻水电站引水发电流量的粒子，在初始库容和平均径流量已知并保证库容约束条件下，计算时刻末的库容和水电出力；4)由、、和确定互补系统与电网的交换功率。最后，以模型的目标函数作为适应度函数，按照PSO算法的步骤实现粒子的不断优化，求得优化后的最优解。4实例计算与分析对于所研究的算例，水库基本参数为：总库容1.0343亿m3，水库正常蓄水位1179.6m，相应库容2990万m3，汛期限制水位1177.1m，防洪库容930万m3，死水位1175.8m，死库容5730万m3，多年平均年径流量为7244万m3，径流量在一昼夜里是基本均匀的(汛期除外)，春季平均径流量为2.3m3/s。水电站由3台800kW，1台400kW组成的小型水电站，总容量为2800kW。水库水位与库容的关系见表1，计算水能时暂且不考虑水电站水头损失。假定水库日初始库容7032.143万m3。风电场装机单机容量600kW的S52-600kW风力发电机6台，总装机容量3600kW，风速与功率的特性曲线如图1所示。其