考慮低碳效益的混合能源微電網(wǎng)優(yōu)化調(diào)度

靳現(xiàn)林，蔡曉宇

(1.國華能源投資有限公司，北京 東城 100007；2.華北電力大學,北京 昌平 102206)

考慮低碳效益的混合能源微電網(wǎng)優(yōu)化調(diào)度

靳現(xiàn)林1，蔡曉宇2

(1.國華能源投資有限公司，北京 東城 100007；2.華北電力大學,北京 昌平 102206)

近年來，包含可再生能源發(fā)電的微電網(wǎng)技術(shù)得到了快速發(fā)展。針對包含多種新能源和新型負荷的微電網(wǎng)存在能量利用效率低的問題，研究了混合能源微電網(wǎng)的優(yōu)化調(diào)度問題，并在優(yōu)化調(diào)度模型中考慮需求側(cè)響應(yīng)和低碳效益。優(yōu)化過程中，將含有光伏、風機、熱電聯(lián)供系統(tǒng)、電動汽車的微電網(wǎng)為研究對象，建立各電源出力模型。以包含燃料費用、運行維護費用、購售電費用、微電源折舊費用及碳處理費用的總費用最小為目標函數(shù)，在滿足各類約束條件下，采用改進的螢火蟲算法求解目標函數(shù)。結(jié)合算例，計算不同運行方案下微電網(wǎng)總運行費用，并分析各方案的低碳效益，尋求經(jīng)濟性和低碳效益的平衡以得到該微電網(wǎng)最佳運行方案。

微電網(wǎng)；優(yōu)化調(diào)度；混合能源；低碳效益；需求側(cè)管理

0 引言

我國北方地區(qū)風能和太陽能儲量豐富，熱負荷需求量也大，包含熱電聯(lián)供和可再生發(fā)電(風力發(fā)電，光伏發(fā)電)的微電網(wǎng)經(jīng)濟性好，實用性和可靠性高，有良好的發(fā)展前景[1-3]。隨著儲能設(shè)備和電動汽車的發(fā)展，推進了電網(wǎng)與電動汽車間的能量雙向流動，這就對考慮需求側(cè)管理(demand side management, DSM)和電動汽車(electric vehicles, EV)的微電網(wǎng)優(yōu)化調(diào)度提出了新的要求[4-6]。

目前，針對微電網(wǎng)優(yōu)調(diào)度問題，一般以經(jīng)濟性為主要考慮因素，文獻[7]以微電網(wǎng)運行成本最小為目標函數(shù)，考慮分布式電源不確定性對經(jīng)濟的影響，建立了微電網(wǎng)動態(tài)經(jīng)濟調(diào)度模型。隨著微電網(wǎng)結(jié)構(gòu)的不斷復(fù)雜化且環(huán)境污染問題加重，微電網(wǎng)優(yōu)化調(diào)度中對環(huán)保成本也日漸重視，文獻[8-9]建立了微電網(wǎng)多目標動態(tài)優(yōu)化調(diào)度的一般模型，仿真模塊使用能量模型對系統(tǒng)調(diào)度方案的經(jīng)濟、環(huán)境指標進行評估。在推進電采暖替代趨勢下，熱電聯(lián)供形式由于具有高效性被應(yīng)用到微電網(wǎng)中，文獻[10]建立了含熱電聯(lián)供系統(tǒng)(combined heat and power, CHP)的微電網(wǎng)模型，對結(jié)合經(jīng)濟調(diào)度和污染治理2方面的多目標優(yōu)化進行研究。文獻[11]提出一種考慮熱網(wǎng)-電網(wǎng)綜合潮流的用戶側(cè)綜合能源系統(tǒng)的規(guī)劃方法?？紤]經(jīng)濟、節(jié)能、環(huán)保因素，建立微型能源站二層規(guī)劃模型。文獻[12]建立了綜合能源園區(qū)系統(tǒng)供給側(cè)、需求側(cè)和傳輸側(cè)的模型，提出了一種二階段短期優(yōu)化調(diào)度策略。文獻[13]在含CHP的混合能源微電網(wǎng)的基礎(chǔ)上，考慮電動汽車和需求側(cè)響應(yīng)，建立以最優(yōu)經(jīng)濟性為目標的混合能源調(diào)度模型。

本文以含有電動汽車的CHP微電網(wǎng)為研究對象，綜合考慮CHP、需求側(cè)響應(yīng)以及電動汽車在微電網(wǎng)中協(xié)調(diào)運行，在目標函數(shù)中加入碳處理成本來衡量低碳效益，建立更加系統(tǒng)、全面的優(yōu)化調(diào)度模型。采用改進的螢火蟲優(yōu)化算法求解目標函數(shù)，相較于基本螢火蟲算法尋優(yōu)性能更好，最后通過算例分析驗證了該調(diào)度模型能夠同時提高微電網(wǎng)的經(jīng)濟性和低碳效益，對提高微電網(wǎng)能量利用效率有積極的意義。

1 混合能源微電網(wǎng)模型

1.1 熱力系統(tǒng)模型

1.1.1 CHP模型

微型燃氣機CHP系統(tǒng)有2種運行模式：電負荷模式和熱負荷模式。CHP系統(tǒng)有良好的穩(wěn)定性和經(jīng)濟性，而且微型燃氣機在電負荷模式下能很好地適應(yīng)外部負荷變化。

含微型燃氣機的CHP系統(tǒng)的數(shù)學模型如下所示：

(1)

式中：RMT(u)為u時刻燃氣機提供的制熱量；ηe(u)為燃氣機的效率；η1燃氣輪機的熱損失系數(shù)；Qe(u)為u時刻燃氣機輸出電功率；Rhe(u)為u時刻燃氣輪機煙氣余熱提供的制熱量；Lhe為換熱器的換熱系數(shù)；WMT為天然氣消耗量；Δu為燃氣機的運行時間；M為天然氣的低熱值，一般取值為9.7 kW·h/m3。

1.1.2 燃氣鍋爐模型

天然氣的消耗量取決于熱負荷量Qheat-load及鍋爐的熱效率ηboiler。熱效率是鍋爐運行經(jīng)濟性的重要指標，體現(xiàn)了設(shè)備的先進程度及運行管理水平。一般地，熱效率取0.88[14]。天然氣消耗量Wboiler為：

(2)

1.2 可再生能源發(fā)電模型

1.2.1 光伏發(fā)電模型

光伏單元輸出取決于許多變量，包括材料、溫度、表面太陽輻射度，其輸出功率可用下式表示：

(3)

式中：Ppv為光伏板輸出功率；PSTC為標準測試條件STC下(太陽輻照度1 000 W/m2，溫度為25 ℃)光伏板的最大輸出功率；k為功率溫度系數(shù)，可取為-0.47 %/℃；Tc為光伏板工作環(huán)境溫度；Tref為參考溫度，設(shè)為25 ℃；GT光照輻射度；GSTC為STC條件下光照輻射度，取為1 000 W/m2。且有：

(4)

式中：Ta為環(huán)境溫度，℃；G為水平面上的光照輻射度， kW/m2；TNOT為正常運行時光伏板的溫度，約為48 ℃。

1.2.2 風力發(fā)電模型

風機的輸出功率取決于風機葉片面積、風速和周圍空氣密度。對于風機位置確定的情況，風機出力可表示為風速的函數(shù)，即：

(5)

式中：vci、vr、vco分別為風機的切入風速、額定風速及切出風速。

1.3 儲能模型

本文儲能系統(tǒng)中采用的是鉛酸蓄電池。電池的荷電狀態(tài)(state of charge, SOC)是反映電池可用容量的重要參數(shù)，t+Δt時刻的SOC值與t時刻的SOC值有關(guān)，電池的充放電情況如下式表示：

(6)

式中：St+Δt、St分別為t+Δt和t時刻的SOC值；Pbat-t為電池在該時間段內(nèi)的充放電功率；Cbat為蓄電池容量。

蓄電池壽命有限，在充放電次數(shù)達到上限后需要更換。因此，除了電池充放電損耗，還需要考慮電池的折舊費用。另外，電池的充放電深度也會影響電池壽命。考慮電池類型，充放電過程中電池折舊費用可表示為：

(7)

電池的循環(huán)次數(shù)與放電深度的關(guān)系可表示為：

(8)

式中：N為放電深度為DN的等效循環(huán)次數(shù)；a1、a2、a3、a4分別為鉛酸蓄電池特征參數(shù)，分別取值為-16.27, 2.679, 4 110，-1.85。

1.4 電動汽車模型

電動汽車具有“電源”和“負荷”雙重性質(zhì)，作為儲能設(shè)備和大電網(wǎng)連接。與微電網(wǎng)簽訂需求側(cè)管理(調(diào)度)協(xié)議的電動汽車，可作為能源管理方參與調(diào)度。

電動汽車的充電循環(huán)可表示為：

(9)

式中：Cir為充電循環(huán)；L為英里數(shù)；λec為效率系數(shù)；Ld為電動汽車日行英里數(shù)。

電動汽車充放電功率與電池特性及荷電狀態(tài)有關(guān)，充放電特性與儲能蓄電池相似。

1.5 需求側(cè)響應(yīng)模型

本文在分時電價策略下研究需求側(cè)響應(yīng)，根據(jù)不同的需求側(cè)管理策略，在交互方式下，定義電負荷中的“交叉彈性需求”為可轉(zhuǎn)移負荷?？赊D(zhuǎn)移負荷的復(fù)合模型為：

(10)

式中：i= 0, 1, 2，…，23表示1天24 h；d(i)為用戶電需求；P(j)電力用戶電價；A(i)為用電補貼；E(i)為交叉價格彈性。

2 優(yōu)化調(diào)度模型

2.1 目標函數(shù)

在CHP混合能源系統(tǒng)中，系統(tǒng)的運行費用包括燃氣費(燃氣機和鍋爐)、系統(tǒng)購售電費、充放電損耗費用(包括蓄電池和電動汽車的折舊費用)，由于天然氣燃燒和大電網(wǎng)發(fā)電過程中會產(chǎn)生碳排放，因此目標函數(shù)中還包括碳處理費用。風機和光伏的運行維護費用會對運行出力略有影響，為不失一般性，在目標函數(shù)中再加入運行維護費，目標函數(shù)為：

(11)

式中：C為一個調(diào)度周期內(nèi)系統(tǒng)總運行費用，元；Cgs和Cep分別為燃料費用和系統(tǒng)購售電費用；Com為分布式發(fā)電單元運行維護費用；Cso為蓄電池和電動汽車電池折舊費用；Ccb為碳處理費用。購售電費可由下式計算：

(12)

(13)

(14)

(15)

在式(14)中：Cm為發(fā)電機初始總投資；Cs和Cop分別為發(fā)電單元沉沒成本和運行維護費用；γ為銀行利率。式(15)中：Cstorage和Cev分別為電池折舊費用，前者計算公式見(7)。

碳處理費用為：

(16)

2.2 約束條件

電功率平衡約束為：

(17)

式中：PG(t)為分布式電源的輸出；Pst(t)為儲能設(shè)備的輸出功率，當儲能設(shè)備充電時取負值；PEV(t)為電動汽車放電功率，同樣地，充電時取負值；PGrid(t)為大電網(wǎng)放電功率，當其從微電網(wǎng)吸收功率時，取負值；PD(t)為微電網(wǎng)電負荷功率。

熱負荷平衡約束為：

(18)

式中：Qboiler(t)為鍋爐發(fā)出的熱功率；QMT(t)燃氣機熱功率；QD(t)為微電網(wǎng)熱負荷功率。

發(fā)電設(shè)備功率上下限約束為：

(19)

式中：PGi,min、PGi,max分別為分布式電源出力PGi(t)的下限和上限。

儲能荷電量及充放電功率約束為：

(20)

式中：Est,minEst,max分別為儲能電荷量Est(t)的下限和上限；Pch(t)、Pch,max、Pdis(t)、Pdis,max(t)分別為儲能電池的充放電瞬時功率及其上限值。電動汽車約束條件與儲能設(shè)備同理，故不再詳述。

3 螢火蟲優(yōu)化算法

螢火蟲算法(firefly algorithm，F(xiàn)A)是一種基于生物群智能的隨機優(yōu)化算法，該算法通過模擬螢火蟲種群因相互吸引而朝著更亮的螢火蟲進行移動的特性來實現(xiàn)問題的優(yōu)化求解。螢火蟲算法與粒子群、蟻群算法相比具有計算精度高、收斂速度快的特點，目前已應(yīng)用于圖像處理[15]、數(shù)據(jù)挖掘[16]、通信[17]以及電力系統(tǒng)[18]等領(lǐng)域。

在FA算法中，螢火蟲的移動方向和距離主要由亮度和吸引度決定，熒光度決定目標函數(shù)值，熒光亮度決定螢火蟲的位置。初始時刻所有螢火蟲在空間內(nèi)隨機分布，假設(shè)螢火蟲最大的熒光亮度值為I0(r=0處熒光亮度)，最大吸引度為β0，則有如下定義。

定義1 螢火蟲的相對熒光亮度

(22)

定義2 螢火蟲吸引度

(23)

定義3 螢火蟲i被螢火蟲j吸引的位置更新公式

(24)

式中：相對熒光亮度I與目標函數(shù)值相關(guān)，目標函數(shù)值越優(yōu)其自身亮度越大；γ為光吸收系數(shù)，γ介于0.01到100之間，表示隨著距離增加以及傳播媒介的吸收熒光亮度逐漸減弱的特性；rij表示螢火蟲i與j的笛卡爾距離；α為步長因子，介于0到1之間；λrand為隨機擾動項，以防止迭代過早陷入局部最優(yōu)。螢火蟲優(yōu)化算法流程圖如圖1所示。

圖1 基本螢火蟲算法流程圖Fig.1 Flow chart of basic FA

為了解決FA算法前期搜索精度差、后期搜索易陷入局部最優(yōu)的問題，采用了一種基于參數(shù)方差調(diào)節(jié)的改進螢火蟲算法[19](GFA)，該改進的核心思想在于根據(jù)種群迭代次數(shù)對迭代過程進行搜索初期和后期進行劃分，不同的階段采用不同的參數(shù)結(jié)構(gòu)，因此就需要檢驗種群迭代的收斂、離散情況。本文將種群發(fā)散定義為初期迭代過程，將種群收斂定義為優(yōu)化的后期迭代過程。通過計算種群螢火蟲的亮度方差來衡量種群的斂散變化情況。GFA有這樣的定義。

定義4 歸一化算子公式

(25)

定義5 熒光亮度方差

(26)

式中n為螢火蟲個數(shù)。

定義6α、β、γ更新公式

(27)

在α與γ的表達式當中，下標b表示起始，下標e表示終止；k為調(diào)節(jié)系數(shù)，以方差σI來反映螢火蟲種群中收斂程度，當σI越小時說明螢火蟲位置越集中，算法迭代過程越接近于收斂，參數(shù)越接近終止值；當σI越大時說明螢火蟲位置越分散，參數(shù)越接近起始值。相應(yīng)的位置更新公式可表示為：

(28)

(29)

式中L為亮度。在此亮度有差異的情況下人為引入?yún)?shù)K來提高螢火蟲的吸引力，有利于快速找到較優(yōu)解。

4 算例分析

本文以中國北方地區(qū)某微電網(wǎng)為例驗證上述模型和算法的有效性，該微電網(wǎng)供電范圍內(nèi)包含1個小型工廠、市場和居民區(qū)。微電網(wǎng)內(nèi)電負荷和熱負荷最大值分別為265 kW和313 kW。微電網(wǎng)能量輸入單元含2臺C65微型燃氣輪機，儲能系統(tǒng)由60個12 V/200 A·h鉛酸蓄電池串聯(lián)組成，其最大充電功率、最大放電功率分別為20 kW和40 kW。微電網(wǎng)內(nèi)含20輛電動汽車，其中10%與微電網(wǎng)運行方簽訂調(diào)度協(xié)議，其余只能充電。電動汽車充電1次可行駛250 km，效率系數(shù)取為0.67，每天行駛24.5 km，充電周期為7天。由此可得每天有2輛電動汽車參與調(diào)度，3輛作為負荷。光伏陣列最大輸出功率為100 kW，風機額定輸出功率為150 kW,燃氣機額定功率300 kW。熱負荷缺額由燃氣輪機(GB)平衡。設(shè)備初始投資遠大于運行費用，由于初始投資為定值，在算例場景中不再考慮初始投資。

4.1 運行模式

運行模式1： 電、熱負荷分開供應(yīng)熱負荷由燃氣鍋爐獨立供應(yīng)，微電網(wǎng)的負荷優(yōu)先由風機和光伏供應(yīng)，余者由大電網(wǎng)供應(yīng)。

運行模式2： 混合供能，不考慮儲能、電動汽車及需求側(cè)管理。熱負荷由燃氣輪機和燃氣鍋爐同時供應(yīng)，風機和光伏只供應(yīng)微電網(wǎng)負荷。

運行模式3： 混合供能，蓄電池參與供能，不考慮電動汽車和需求側(cè)響應(yīng)。熱負荷供應(yīng)同場景2，風機和光伏供給微電網(wǎng)負荷，不平衡功率由儲能電池和大電網(wǎng)平衡。

運行模式4： 熱負荷供應(yīng)同模式2，風機和光伏供給微電網(wǎng)負荷，不平衡功率由儲能、電動汽車及大電網(wǎng)平衡。

運行模式5： 熱負荷供應(yīng)同模式2，風機和光伏供給微電網(wǎng)負荷，不平衡功率由儲能、電動汽車及大電網(wǎng)平衡，并考慮需求側(cè)響應(yīng)。

4.2 運行結(jié)果及分析

優(yōu)化結(jié)果如表1所示。

表1 優(yōu)化結(jié)果Table 1 Optimization results

由以上結(jié)果可知，在包含分布式發(fā)電(風機光伏)的微電網(wǎng)且考慮需求側(cè)響應(yīng)時，運維費用與運行模式無關(guān)。電能應(yīng)該優(yōu)先由風機和光伏發(fā)電供給。對比熱電聯(lián)供模式和熱電獨立供應(yīng)模式的總運行費用，前者具有更好的經(jīng)濟效率，比后者高出11.36%。在微電網(wǎng)加入儲能設(shè)備時，運行費用被進一步降低(見運行模式3)，而建設(shè)費用被提高了。對于電動汽車，不參與微電網(wǎng)調(diào)度的本質(zhì)上是作為電負荷接入微電網(wǎng)，參與調(diào)度的實質(zhì)承擔的是儲能電池的角色。電動汽車接入微電網(wǎng)后(見運行模式4)，運行費用增加了8元。值得注意的是，3輛不可調(diào)度的電動汽車入網(wǎng)后電力需求增加27 kW·h，而單位供電成本從0.63元/(kW·h)降低到0.62元/(kW·h)，下降了1.6%。加入需求側(cè)管理起到了削峰填谷的效果，同時運行費用也減少到2 650.93 元，相比于運行模式4降低了2.2%。各模式總運行費用及碳排放處理費用對比見圖2。由圖2可知，運行模式1的碳排放處理費用最小，但其總費用遠高于運行模式5，運行模式2、3由于向大電網(wǎng)購電，相較于其他模式，碳處理費用較高，綜合比較，運行模式5運行下，系統(tǒng)具有經(jīng)濟最優(yōu)性和良好的低碳效益。

圖2 各運行模式碳處理及總費用對比Fig.2 Comparison of Ccb and C in each case

在解決能源優(yōu)化調(diào)度問題上，本文所用的螢火蟲算法尋優(yōu)能力要優(yōu)于基本粒子群算法。2種算法對比之下，螢火蟲算法尋優(yōu)速度更快，收斂性更好，證明了本文算法的有效性。2種算法對比見圖3。

圖3 FA與改進FA對比Fig.3 Comparison between FA and modified FA

5 結(jié)論

本文以風-光-儲-熱電聯(lián)供微電網(wǎng)為研究對象，并考慮需求側(cè)響應(yīng)及電動汽車特性，以總運行費用最小為目標函數(shù)，建立了優(yōu)化調(diào)度模型，在目標函數(shù)中加入碳處理費用，對優(yōu)化方案的選取考慮地更全面。將螢火蟲算法應(yīng)用到優(yōu)化調(diào)度問題中，通過算例分析，證明文中所用算法比基本粒子群算法具有更好的信息搜索能力，能有效求出全局最優(yōu)解。

CHP運行方式實現(xiàn)了能量的梯級利用，其運行總費用比熱電獨立供能時要低。微電網(wǎng)中接入儲能和電動汽車，有效地調(diào)節(jié)了系統(tǒng)的峰谷負荷，且進一步降低了系統(tǒng)的運行費用，碳排放處理費用也有所下降，低碳效益更好。在此基礎(chǔ)上再加入需求側(cè)管理，不僅運行費用降幅更大，還能進一步降低用戶供電費，達到更好的低碳效益。

[1] 吳雄, 王秀麗, 別朝紅, 等. 含熱電聯(lián)供系統(tǒng)的微網(wǎng)經(jīng)濟運行[J]. 電力自動化設(shè)備, 2013, 33(8): 1-6. WU Xiong, WANG Xiuli, BIE Zhaohong,et al. Economic operation of micro grid with combined heat and power system[J]. Electric Power Automation Equipment, 2013, 33(8): 1-6.

[2] 王銳, 顧偉, 吳志. 含可再生能源的熱電聯(lián)供型微網(wǎng)經(jīng)濟運行優(yōu)化[J]. 電力系統(tǒng)自動化, 2011, 35(8): 22-27. WANG Rui, GU Wei, WU Zhi. Economic and optimal operation of a combined heat and power microgrid with renewable energy resources[J]. Automation of Electric Power Systems, 2011, 35(8): 22-27.

[3] 李鋒, 趙璽靈, 付林. 燃氣輪機熱電聯(lián)供系統(tǒng)性能評估案例[J]. 熱能動力工程, 2010, 25(1): 34-38, 119-120. LI Feng, ZHAO Xiling, FU Lin. Performance evaluation case of a gas turbine-based heat-and-power cogeneration system[J]. Journal of Engineering for Thermal Energy and Power,2010,25(1): 34-38， 119-120.

[4] 丁寧, 吳軍基, 鄒云. 基于DSM的峰谷時段劃分及分時電價研究[J]. 電力系統(tǒng)自動化, 2001, 25(23): 9-12, 16. DING Ning, WU Junji, ZOU Yun. Research of peak and valley time period partition approach and tou price on DSM[J]. Automation of Electric Power Systems,2001, 25(23): 9-12, 16.

[5] 馬玲玲, 楊軍, 付聰, 等. 電動汽車充放電對電網(wǎng)影響研究綜述[J]. 電力系統(tǒng)保護與控制, 2013, 41(3): 140-148. MA Lingling, YANG Jun, FU Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power System Protection and Control, 2013, 41(3): 140-148.

[6] 項頂, 宋永華, 胡澤春, 等. 電動汽車參與V2G的最優(yōu)峰谷電價研究[J]. 中國電機工程學報, 2013, 33(31): 15-25, 2. XIANG Ding, SONG Yonghua, HU Zechun, et al. Research on optimal time of use price for electric vehicle participating V2G[J]. Proceedings of the CSEE, 2013, 33(31): 15-25, 2.

[7] 黃偉, 黃婷, 周歡, 等. 基于改進微分進化算法的微電網(wǎng)動態(tài)經(jīng)濟優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動化, 2014, 38(9): 211-217. HUANG Wei, HUANG Ting, ZHOU Huan, et al. Dynamic economical dispatch for microgrid based on improved differential evolution algorithm[J]. Automation of Electric Power Systems, 2014, 38(9): 211-217.

[8] 洪博文, 郭力, 王成山, 等. 微電網(wǎng)多目標動態(tài)優(yōu)化調(diào)度模型與方法[J]. 電力自動化設(shè)備, 2013, 33(3): 100-107. HONG Bowen, GUO Li, WANG Chengshan, et al. Model and method of dynamic multi-objective optimal dispatch for microgrid[J]. Electric Power Automation Equipment, 2013, 33(3): 100-107.

[9] 楊毅, 雷霞, 葉濤, 等. 考慮安全性與可靠性的微電網(wǎng)電能優(yōu)化調(diào)度[J]. 中國電機工程學報, 2014, 34(19): 3080-3088. YANG Yi, LEI Xia, YE Tao, et al. Microgrid energy optimal dispatch considering the security and reliability[J]. Proceeding of the CSEE， 2014, 34(19): 3080-3088.

[10] 顧偉, 吳志, 王銳. 考慮污染氣體排放的熱電聯(lián)供型微電網(wǎng)多目標運行優(yōu)化[J]. 電力系統(tǒng)自動化, 2012, 36(14): 177-185. GU Wei, WU Zhi, WANG Rui. Multi-objective optimization of combined heat and power microgrid considering pollutant emission[J]. Automation of Electric Power Systems, 2012, 36(14): 177-185.

[11] 徐業(yè)琰, 彭思成, 廖清芬, 等. 考慮用戶互補聚合響應(yīng)與熱能傳輸延時的綜合能源園區(qū)運營商兩階段短期優(yōu)化調(diào)度[J]. 電力自動化設(shè)備, 2017, 37(6): 1-11. XU Yeyan, PENG Sicheng, LIAO Qinfen, et al. Two-stage short-term optimal dispatch of MEP considering CAUR and HTTD[J]. Electric Power Automation Equipment, 2017, 37(6): 1-11.

[12] 白牧可, 唐巍, 吳聰, 等. 基于熱網(wǎng)-電網(wǎng)綜合潮流的用戶側(cè)微型能源站及接入網(wǎng)絡(luò)優(yōu)化規(guī)劃[J]. 電力自動化設(shè)備, 2017, 37(6): 1-9. BAI Muke, TANG Wei,WU Cong, et al. Optimal planning based on integrated thermal-electric power flow for user-side micro energy station and its integrating network[J]. Electric Power Automation Equipment, 2017, 37(6): 1-9.

[13] LIU Z, CHEN C, YUAN J. Hybrid energy scheduling in a renewable micro grid[J]. Applied Sciences, 2015, 5(3): 516-531.

[14] 朱蘭, 楊秀, 符楊. 含微型燃氣輪機的微電網(wǎng)系統(tǒng)的優(yōu)化規(guī)劃研究[J]. 華東電力, 2011, 39(12): 2037-2040.

ZHU Lan, YANG Xiu, FU Yang. Optimal plan and design for microgrid including microturbine[J]. East China Electric Power, 2011, 39(12): 2037-2040.

[15] 帥暘, 馮麗, 祁佳, 等. 螢火蟲算法的圖像邊緣檢測[J]. 通信技術(shù), 2015(8): 913-917. SHUAI Yang, FENG Li, QI Jia, et al. Image edge detection of glowworm swarm algorithm[J]. Communications Technology, 2015(8): 913-917.

[16] 駱東松, 李雄偉, 趙小強. 基于人工螢火蟲的模糊聚類算法研究[J]. 工業(yè)儀表與自動化裝置, 2013(2): 3-6. LUO Dongsong, LI Xiongwei, ZHAO Xiaoqiang. Research on fuzzy clustering algorithm based on GSO[J]. Industrial Instrumentation & Automation, 2013(2): 3-6.

[17] 劉翠蘋, 張海濤, 白舸. 基于螢火蟲群優(yōu)化算法的無線傳感器節(jié)點部署[J]. 計算機應(yīng)用, 2013, 33(4): 905-907. LIU Cuiping, ZHANG Haitao, BAI Ge. Node deployment of wireless sensor network based on glowworm swarm optimization algorithm[J]. Journal of Computer Applications, 2013, 33(4): 905-907.

[18] 王晶, 王宗禮, 陳駿宇, 等. 基于螢火蟲優(yōu)化算法的微網(wǎng)源-荷博弈模型及分析[J]. 電力系統(tǒng)自動化, 2014, 38(21): 7-12. WANG Jing, WANG Zongli, CHEN Junyu, et al. A game model for dgs-loads in microgrid based on firefly algorithm and its analysis[J]. Automation of Electric Power Systems, 2014, 38(21): 7-12.

[19] 徐兢浩. 基于改進螢火蟲算法的變電站選址定容研究[D]. 北京:華北電力大學, 2016. XU Jinghao. Research on substation locating and sizing based on improved firefly algorithm[D]. Beijing: North China Electric Power University, 2016.

靳現(xiàn)林

(編輯 蔣毅恒)

Hybrid Energy Micro Grid Optimal Scheduling Considering Low-Carbon Benefits

JIN Xianlin1, CAI Xiaoyu2

(1. Guohua Energy Investment Co., Ltd., Dongcheng District, Beijing 100007, China;2. North China Electric Power University, Changping District, Beijing 102206, China)

In recent years, micro grid technology including renewable energy generation has been developed rapidly. According to the problem that the energy efficiency of micro grids containing multiple new energy sources and new loads is low, this paper focuses on the optimal scheduling of hybrid energy micro grid, and considers the demand response and low-carbon benefits in the optimal scheduling model. In the optimization process, we take the microgrid which contains photovoltaic (PV), wind power, combined heat and power (CHP) and electric vehicles (EV) as the object of study, and construct the output models for each resource. The objective function aims to minimize the total cost including gas cost, operation and maintenance cost, electric power purchase from the main grid, depreciation charge for micro power and cost of carbon dioxide emission. Under the constraint conditions, we adopt the improved firefly algorithm (FA) to solve the objective function. With case study, we calculate the total operation cost of micro grid under different scenarios, analyze the low carbon benefits of each scheme, and seek the balance between economy and low carbon to obtain the optimal operation scheme of micro grid.

micro grid; optimal scheduling; hybrid energy; low-carbon benefits; demand side management

TM 73

A

2096-2185(2017)03-0026-07

10.16513/j.cnki.10-1427/tk.2017.03.005

2017-05-13

靳現(xiàn)林(1974—)，男，碩士，從事風電場運行管理工作，11680090@shenhua.cc；

蔡曉宇(1993—)，女，碩士研究生，研究方向為電網(wǎng)規(guī)劃。