考慮源荷不確定性及配電網(wǎng)接納裕度的彈性調(diào)度策略

王凌云， 應(yīng)利*， 阮勝冬， 史偉明

(1. 三峽大學(xué)電氣與新能源學(xué)院， 宜昌 443002； 2. 國網(wǎng)浙江衢州供電公司， 衢州 324000)

目前，配電網(wǎng)面臨著各種不確定擾動的沖擊，其中一類是漸進(jìn)式加劇的小擾動事件，包括風(fēng)、光和電動汽車(electric vehicles, EV)等大規(guī)模發(fā)展和并網(wǎng)，嚴(yán)重威脅著電網(wǎng)的經(jīng)濟(jì)安全運(yùn)行[1]。因此，研究在不同擾動下如何提升配電網(wǎng)的彈性成為電網(wǎng)調(diào)度的主要問題。

彈性電網(wǎng)建設(shè)工作加快開展，中外專家在此基礎(chǔ)上建立了相關(guān)理論體系，研究工作已經(jīng)初具規(guī)模[2-3]。文獻(xiàn)[4-5]提出了彈性電網(wǎng)包括感知力、適應(yīng)力、抵抗力、恢復(fù)力4個方面，并對未來發(fā)展方向進(jìn)行介紹；文獻(xiàn)[6]研究電網(wǎng)彈性重構(gòu)問題，提出了考慮接入配電網(wǎng)功率靈活性的彈性調(diào)度策略，但區(qū)間優(yōu)化處理不確定性存在區(qū)間劃分不夠準(zhǔn)確的缺點(diǎn)；文獻(xiàn)[7]提出一種具有分布式電源的配電系統(tǒng)的模糊多智能體自愈方案，通過彈性調(diào)控克服了配電網(wǎng)電壓嚴(yán)重超標(biāo)的問題。

配電網(wǎng)對EV的接納能力是有限的，超過電網(wǎng)可接納最大裕度會影響電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行，因此需要對此進(jìn)行定量評估。文獻(xiàn)[8]提出了考慮風(fēng)電和EV彈性裕度的評估模型，并采用三點(diǎn)估計法處理不確定性，但以安全距離作為評估指標(biāo)仍不足以提供彈性調(diào)度決策依據(jù)；文獻(xiàn)[9]對電動汽車充電站進(jìn)行規(guī)劃研究，并采用量子粒子群算法進(jìn)行求解。文獻(xiàn)[10]以功率損耗和電網(wǎng)主負(fù)荷系數(shù)等指標(biāo)表征EV接入電網(wǎng)帶來的影響，促進(jìn)EV有序充電。

此外，實現(xiàn)源荷兩側(cè)的良性互動，還需充分挖掘用戶側(cè)的調(diào)節(jié)作用。文獻(xiàn)[11]為促進(jìn)風(fēng)電消納，對需求側(cè)資源進(jìn)行了分類研究，實現(xiàn)電網(wǎng)經(jīng)濟(jì)運(yùn)行；文獻(xiàn)[12]研究價格型與激勵型需求側(cè)響應(yīng)對系統(tǒng)運(yùn)行成本的影響，并采用改進(jìn)粒子群算法對模型求解，但算法極易陷入局部最優(yōu)。文獻(xiàn)[13]分析了用戶需求彈性變化的不確定性，建立多目標(biāo)魯棒優(yōu)化模型，并提出系統(tǒng)彈性運(yùn)行規(guī)劃方案。

針對以上問題，提出綜合考慮風(fēng)光出力和EV功率不確定性及配電網(wǎng)接納裕度的彈性調(diào)度策略，構(gòu)建需求側(cè)和電網(wǎng)運(yùn)行兩階段模型。以配電網(wǎng)對EV接納能力最優(yōu)和系統(tǒng)運(yùn)行成本最小為目標(biāo)，采用基于反向?qū)W習(xí)的種群初始化法和自適應(yīng)系數(shù)的改進(jìn)人工蜂群算法(artificial bee colony algorithm，ABC)進(jìn)行求解，與粒子群和常規(guī)人工蜂群算法進(jìn)行對比。通過IEEE 33節(jié)點(diǎn)系統(tǒng)驗證所提策略的有效性。

1 配電網(wǎng)彈性接納裕度

1.1 接納裕度區(qū)域劃分

配電網(wǎng)彈性是指配電網(wǎng)應(yīng)對不確定性變化或擾動，能夠靈活適應(yīng)條件變化的能力。通過研究配電網(wǎng)對EV的接納能力，實現(xiàn)配電網(wǎng)彈性調(diào)度。接納能力主要指在滿足節(jié)點(diǎn)電壓、線路載流等多種安全運(yùn)行條件下，EV接入對配電網(wǎng)安全穩(wěn)定運(yùn)行的影響和配電網(wǎng)中允許接入EV的最大容量。根據(jù)電網(wǎng)接納的安全性和經(jīng)濟(jì)性，按圖1所示的接納裕度區(qū)域劃分方式，將其分為：①優(yōu)質(zhì)區(qū)：具有靈活的調(diào)節(jié)裕度，同時滿足安全性和經(jīng)濟(jì)性，配網(wǎng)中的節(jié)點(diǎn)仍能繼續(xù)接入EV；②警戒區(qū)：接納裕度處于警戒狀態(tài)，只能滿足安全性，需要進(jìn)行提升優(yōu)化才能滿足經(jīng)濟(jì)

為t時刻節(jié)點(diǎn)i極限接納容量；為t時刻節(jié)點(diǎn)i最優(yōu)接納容量；為t時刻節(jié)點(diǎn)i入網(wǎng)功率；n為系統(tǒng)中節(jié)點(diǎn)總數(shù)圖1 接納裕度區(qū)域劃分Fig.1 Division of acceptance margin region

性要求；③越界區(qū)：接納裕度嚴(yán)重不足，不能安全經(jīng)濟(jì)運(yùn)行，不能再繼續(xù)接入EV。

1.2 接納裕度評估指標(biāo)

(1)

2 風(fēng)、光和EV不確定性模型

2.1 風(fēng)、光出力不確定性模型

現(xiàn)有文獻(xiàn)表明，風(fēng)速滿足Weibull分布[14]，其概率密度函數(shù)可表示為

(2)

風(fēng)力發(fā)電機(jī)組與風(fēng)速的關(guān)系式為

(3)

式中：k和c分別為形狀參數(shù)和比例參數(shù)；v為風(fēng)速；PWT為t時刻風(fēng)力發(fā)電機(jī)組的輸出功率；Pc為額定輸出功率；Vin、Vout和Vc分別為風(fēng)力發(fā)電機(jī)的切入風(fēng)速、切出風(fēng)速和額定風(fēng)速。

Beta分布用于描述光照強(qiáng)度的概率模型，可表示為

(4)

光伏機(jī)組輸出功率與光照強(qiáng)度成正比例關(guān)系為

(5)

式中：rt為t時刻的光照強(qiáng)度；rmax為最大光照強(qiáng)度；α和β為Beta分布的形狀參數(shù)；Ppvt為光伏機(jī)組輸出功率；Z為光伏電池的組件數(shù)；Sz和ηz分別為第z個組件面積和光電轉(zhuǎn)化效率；S和η分別為光伏電池陣列的鋪設(shè)面積和光電轉(zhuǎn)換效率。

2.2 EV不確定性模型

電池在充電過程中能夠隨時獲取荷電狀態(tài)，開始充電時刻用正態(tài)分布描述，概率密度函數(shù)為

(6)

EV充電瞬時SOCc(t)隨充電時間呈指數(shù)分布，可表示為

SOCc(t)=SOCmax(1-e-γt/tmax)+SOC0

(7)

式中：SOCc為電動汽車充電瞬時荷電狀態(tài)；SOCmax為電動汽車充電最大荷電狀態(tài)；SOC0為初始荷電狀態(tài)；SOCmax取0.9；t為EV充電時間；tmax為電池的最大充電時間；γ由完全充電的電池計算得出，表示該電池在最大充電時間的1/3期間吸收了90%的充電狀態(tài)。

3 拉丁超立方場景優(yōu)化

風(fēng)光出力和EV功率預(yù)測信息對制定合理的調(diào)度計劃有重要意義。風(fēng)光和EV服從概率分布，稱為“場景”?；跉v史數(shù)據(jù)確定風(fēng)光出力和EV功率預(yù)測的概率分布函數(shù)，運(yùn)用拉丁超立方抽樣(Latin hypercube sampling, LHS)產(chǎn)生大量隨機(jī)場景[15]，確保所有抽樣點(diǎn)均被抽樣，再采用后向場景削減技術(shù)對一些相似和極端的場景進(jìn)行削減，得到典型場景和概率。其具體步驟如下。

步驟1假設(shè)有一個K=[1,2,…,M]維的隨機(jī)變量X，風(fēng)光出力和EV的概率分布函數(shù)為Yi=Fi(i=1,2,…,K)，其中Yi為風(fēng)光出力和EV的概率分布函數(shù)。

步驟2在每個元素中抽取N次樣本，得到第k個元素的第j次抽樣xjk(j=1,2,…,N)。

步驟3對抽取的樣本進(jìn)行隨機(jī)組合，生成所需場景值，得到計及風(fēng)光和EV功率不確定性的采樣矩陣即N×M維矩陣P=[νi,rj,Ep]。

(8)

式(8)中：νi、rj、Ep分別為風(fēng)速、光照強(qiáng)度、EV功率的第l次抽樣數(shù)據(jù)。

步驟4設(shè)原有場景集為B，迭代次數(shù)需要削減的場景集J為空集。計算任意2個場景的場景距離形成場景距離矩陣D[ω(Si),ω(Sj)]=‖ω(Si)-ω(Sj)‖2，其中，ω(Si)為不確定性場景，Si和Sj為場景編號，‖·‖為向量空間歐氏距離運(yùn)算符。

步驟5設(shè)場景Si發(fā)生的概率為pi，求得與場景Si最近場景Sk的最小距離概率PDi，PDi=pimin{D[ω(Si),ω(Sk)]}。

步驟6在當(dāng)前所有場景集合C中找最小的pDb=minPDi，其中pDb為搜索所有場景集合C中Si最近場景Sk的最小距離概率。

步驟7更新場景集合B和計劃削減場景的集合J，并更新場景概率pi=pi+pDb。

采用拉丁超立方抽樣生成2 000個日時間尺度下風(fēng)、光和EV功率場景，再通過后向場景削減技術(shù)篩選得到5個典型場景，各場景下功率情況如圖2所示。

4 EV需求側(cè)響應(yīng)模型

現(xiàn)階段，需求側(cè)響應(yīng)主要分為激勵型需求響應(yīng)和電價型需求響應(yīng)，后者是用戶根據(jù)市場電價動態(tài)改變固有用電模式以提高經(jīng)濟(jì)性的方式。隨著EV廣泛接入電網(wǎng)，EV用戶用電具有一定的彈性和波動性，建立考慮需求彈性的EV充電站負(fù)荷需求側(cè)響應(yīng)模型，引起用戶用電量的變化，引導(dǎo)用戶轉(zhuǎn)移充電時段和調(diào)整充電需求，從而提高配電網(wǎng)對EV的接納水平，進(jìn)一步增強(qiáng)配電網(wǎng)應(yīng)對不確定性擾動

圖2 典型場景下風(fēng)電、光伏出力和EV功率情況Fig.2 Wind power, photovoltaic output and electric vehicle power in typical scenarios

的能力[16]。設(shè)定峰平谷三時段電價進(jìn)行需求側(cè)響應(yīng)分析，彈性系數(shù)h和需求彈性矩陣H可分別表示為

(9)

(10)

式中：q、p為某時刻電量和電價；Δq、Δp為下一時刻電量和電價改變量；H矩陣為需求彈性矩陣，dqf、dqp、dqg矩陣為不同時段峰平谷電量需求的變化矩陣；dpf、dpp、dpg矩陣為不同時段峰平谷電價的變化矩陣；hff、hpp和hgg分別為不同時段的電量電價自彈性系數(shù)；hfp、hfg、hpf、hpg、hgf、hgp分別為不同時段的互彈性系數(shù)。

利用式(10)求出電價的變化量，進(jìn)而求出峰平谷時段的電價情況。

5 配電網(wǎng)彈性優(yōu)化調(diào)度

以接入配電網(wǎng)的風(fēng)光和EV為研究對象，考慮EV需求側(cè)響應(yīng)進(jìn)行調(diào)度，建立配電網(wǎng)接納裕度最優(yōu)、系統(tǒng)運(yùn)行成本最小的兩階段優(yōu)化調(diào)度模型。

5.1 計及EV接納的需求側(cè)響應(yīng)模型

5.1.1 目標(biāo)函數(shù)

配電網(wǎng)接納EV充電負(fù)荷的能力F1最大。

(11)

5.1.2 約束條件

(1)EV充電約束。

(12)

(2)需求響應(yīng)約束。

(13)

(3)電價約束。原則上，電價滿足谷時電價低于平時電價，平時電價低于峰時電價，谷時電價低于固定電價，峰時電價高于固定電價。

5.2 考慮系統(tǒng)運(yùn)行成本的經(jīng)濟(jì)調(diào)度模型

5.2.1 目標(biāo)函數(shù)

系統(tǒng)運(yùn)行成本F2最小，包括向上級電網(wǎng)購電成本fgrid、柴油機(jī)組燃料成本fDE、機(jī)組維護(hù)成本fop和系統(tǒng)網(wǎng)損成本floss。

(14)

式(14)中：Ns為總場景數(shù)；T為調(diào)度周期，為24 h。

(1)向上級電網(wǎng)購電成本：配電網(wǎng)在柴油、風(fēng)光機(jī)組出力后，其余所需功率向上級電網(wǎng)購電。

(15)

式(15)中：Cd為單位功率的購電費(fèi)用，Pgi為向上級電網(wǎng)所購電量。

(2)柴油機(jī)燃料成本：

(16)

式(16)中：Pi,t為柴油機(jī)組i在t時輸出功率；ai、bi、ci為機(jī)組i的燃料成本系數(shù)。

(3)維護(hù)成本：

εPVPPV,t(t)Δt3

(17)

式(17)中：εDE、εWT、εPV為各機(jī)組的維護(hù)成本系數(shù)；PDE,t(t)、PWT,t(t)、PPV,t(t)為各機(jī)組出力；Δt1、Δt2、Δt3為時間尺度。

(4)系統(tǒng)網(wǎng)絡(luò)損耗成本：考慮各時段EV接入配電網(wǎng)充電產(chǎn)生的網(wǎng)絡(luò)損耗，其計算公式為

(18)

式(18)中：ft,loss為t時刻的網(wǎng)絡(luò)損耗；b為支路數(shù)；Rj為第j條支路的電阻；Ptj、Qtj、Utj分別為t時刻支路j始端的有功功率、無功功率、電壓。

5.2.2 約束條件

(1)系統(tǒng)運(yùn)行約束：

PL(t)+PEV+Ploss(t)

(19)

式(19)中：Nm、Nw和Np分別為柴油機(jī)、風(fēng)電機(jī)組和光伏機(jī)組的數(shù)量；PEV為EV充電功率；PL(t)為基礎(chǔ)負(fù)荷；Ploss(t)為網(wǎng)損量。

(2)配電網(wǎng)潮流方程約束：

(20)

式(20)中：Uj,t、Ui,t分別為節(jié)點(diǎn)j和節(jié)點(diǎn)i在t時刻的電壓幅值；Pi,t、Qi,t分別為t時刻節(jié)點(diǎn)i的有功、無功功率；Gij和Bij分別為支路i、j的電導(dǎo)、電納；θij為節(jié)點(diǎn)i、j的相位差。

(3)DE啟停時間約束：

(21)

式(21)中：αi,t為t時刻第i臺機(jī)組啟停的0-1狀態(tài)變量；Ton,i,t、Toff,i,t分別為t時刻第i臺機(jī)組連續(xù)開機(jī)、關(guān)機(jī)時間；Ton,i、Toff,i分別為最小開機(jī)和停機(jī)時間。

(4)網(wǎng)絡(luò)節(jié)點(diǎn)電壓約束：

Uj,min≤Uj(t)≤Uj,max

(22)

式(22)中：Uj為節(jié)點(diǎn)j的電壓幅值；Uj,min和Uj,max分別為節(jié)點(diǎn)j允許運(yùn)行的電壓幅值上下限。

5.3 改進(jìn)人工蜂群算法求解

建立的需求側(cè)和系統(tǒng)運(yùn)行兩階段調(diào)度模型為最優(yōu)化求解問題，且求解過程復(fù)雜，因此考慮第一階段采用運(yùn)用Yalmip建模語言聯(lián)合CPLEX求解器進(jìn)行求解，第二階段采用智能算法求解。人工蜂群算法作為一種群體智能算法，在水電調(diào)度、電網(wǎng)重構(gòu)等問題中得以應(yīng)用，蜂群包括采蜜蜂、觀察蜂和偵察蜂。該算法魯棒性強(qiáng)，但存在搜索速率慢和易陷入局部最優(yōu)等問題[17-18]。

因此，通過引入反向?qū)W習(xí)的種群初始化法和自適應(yīng)系數(shù)ω′對算法進(jìn)行改進(jìn)。通過采用反向?qū)W習(xí)的種群初始化方法，可以在搜索空間初始迭代時產(chǎn)生可能更靠近最優(yōu)蜜源的相反解，從而有效減少迭代次數(shù)；ω′可在搜索過程中動態(tài)調(diào)整蜂群采蜜情況。采用改進(jìn)人工蜂群算法對需求側(cè)和系統(tǒng)運(yùn)行側(cè)兩階段調(diào)度。求解流程如圖3所示。

步驟1設(shè)解空間是D維，確定采蜜蜂、觀察蜂和蜜源的個數(shù)為SN。在初始迭代時生成一組初始解Xi={xi,1,xi,2,…,xi,D}(i=1,2,…,SN)，采蜜蜂的位置對應(yīng)初始解。

步驟2初始解的反向解對應(yīng)于X′i={x′i,1,x′i,2,…,x′i,d}，其中x′i,i=Xmin+Xmax-xi,t(i=1,2,…,d)，比較與初始解的適應(yīng)度，其中Xmin、Xmax分別為初始迭代時生成的一組初始解的下界和上界；xi,t為一組初始解中的t維分量。

步驟6偵查蜂尋找新蜜源：xi,j=xmin,j+rand(0,1)(xmax,j-xmin,j)，其中，rand(0,1)為[0 1]之間的隨機(jī)數(shù)，xmin,j和xmax,j分別為尋找蜜源遍歷的最小值和最大值。

步驟7記錄搜索迭代過程中發(fā)現(xiàn)的當(dāng)前最優(yōu)蜜源位置。

步驟8檢查終止條件。

k為電價約束中各分時電價的編號；Limit為迭代過程中尋找蜜源的循環(huán)上限；n為機(jī)組的第n種出力計劃圖3 兩階段優(yōu)化模型流程圖Fig.3 Flow chart of two-stage optimization model

圖4 IEEE 33節(jié)點(diǎn)系統(tǒng)Fig.4 IEEE 33 bus system

6 算例分析

6.1 基礎(chǔ)數(shù)據(jù)

以IEEE 33節(jié)點(diǎn)系統(tǒng)對所提模型的有效性進(jìn)行驗證，系統(tǒng)圖如圖4所示。在節(jié)點(diǎn)4、19、27處接入柴油發(fā)電機(jī)組，機(jī)組的啟停時間為3 h，機(jī)組的爬坡速率范圍為0～200 kW·h，功率上限為400 kW，燃料成本系數(shù)為0.396 元/kW·h，維護(hù)成本為0.088 元/kW。在節(jié)點(diǎn)8處接入功率為1 200 kW的光伏組件方陣，維護(hù)成本為0.012 元/kW。在節(jié)點(diǎn)13處接入功率為1 500 kW的風(fēng)機(jī)，維護(hù)成本為0.029 元/kW。在節(jié)點(diǎn)15、32處接入EV充電站，總共接入200 輛功率為24 kW的EV。

6.2 結(jié)果分析

結(jié)合風(fēng)光出力和EV功率特性，綜合考慮配電網(wǎng)對EV接納能力和系統(tǒng)運(yùn)行成本設(shè)定了3種典型模式，驗證所提彈性調(diào)度策略的有效性。

模式1考慮配電網(wǎng)對EV的接納能力最大的調(diào)度策略。

模式2考慮系統(tǒng)運(yùn)行成本最小的調(diào)度策略。

模式3綜合考慮配電網(wǎng)對EV的接納能力最優(yōu)和考慮系統(tǒng)運(yùn)行成本最小的調(diào)度策略。

6.2.1 需求側(cè)響應(yīng)結(jié)果分析

參照浙江省某市峰平谷時段的劃分規(guī)律，并根據(jù)峰平谷時的價格需求彈性矩陣，以配電網(wǎng)接納EV最大為目標(biāo)函數(shù)，求解得到峰平谷時段電價如表1所示。圖5、圖6分別為EV日充電時間分布和考慮需求響應(yīng)前后負(fù)荷曲線。EV充電時間主要集中在中午12:00和18:00，多采用快充模式，對于配電網(wǎng)接納能力和經(jīng)濟(jì)性有更高的要求。實施電價型需求側(cè)響應(yīng)對負(fù)荷有“削峰填谷”的作用，在11:00—14:00和18:00—20:00高峰時段，柴油發(fā)電機(jī)組爬

表1 峰谷分時電價Table 1 Peak valley time-sharing price

圖5 EV日充電時間分布Fig.5 Daily charging time distribution of electric vehicles

圖6 考慮需求響應(yīng)前后負(fù)荷曲線Fig.6 Load curve before and after considering demand response

坡壓力增大，通過調(diào)整峰電價引導(dǎo)EV用戶調(diào)整用電策略，峰荷明顯減少，提高了電網(wǎng)的靈活性。在1:00—8:00和21:00—24:00低谷時段，柴油機(jī)組運(yùn)行水平較低，EV多處于停駛狀態(tài)，較低的谷電價使得用戶用電負(fù)荷相對增加，緩解白天用電高峰期系統(tǒng)備用壓力，降低EV用戶充電成本，具有經(jīng)濟(jì)性。

6.2.2 3種調(diào)度模式結(jié)果分析

對場景1的3種調(diào)度模式下購電成本、系統(tǒng)運(yùn)行成本以及配電網(wǎng)對EV的接納能力進(jìn)行研究，其分析結(jié)果如表2所示。

模式1考慮接納能力最大，隨著風(fēng)電、光伏接入容量的增加，系統(tǒng)消納水平下降，系統(tǒng)運(yùn)行成本為36 254.31元，EV的最優(yōu)接納平均容量為2 200 kW。模式2考慮系統(tǒng)運(yùn)行成本最小，向上級購電成本減小，系統(tǒng)運(yùn)行成本為28 043.88 元，比模式1減少了22.65%，這對于提升風(fēng)光利用效率和系統(tǒng)經(jīng)濟(jì)性有著顯著作用，但接納能力較差，僅為1 487.5 kW。模式3綜合考慮配電網(wǎng)對EV的接納能力最優(yōu)和考慮系統(tǒng)運(yùn)行成本最小，系統(tǒng)運(yùn)行成本為28 427.04 元，最優(yōu)接納平均容量為1 866.7 kW，接納裕度警戒頻數(shù)從4 次減少到1 次，在降低系統(tǒng)運(yùn)行成本的同時，也提高了系統(tǒng)的靈活性和安全性。

圖7、圖8顯示配電網(wǎng)中對EV最優(yōu)接納裕度的時序變化。不考慮需求側(cè)響應(yīng)時，節(jié)點(diǎn)接納裕度較小，變化范圍為12%～23%，考慮需求側(cè)響應(yīng)后，最優(yōu)接納裕度接近50%，這說明需求側(cè)響應(yīng)對配電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行起促進(jìn)作用。在3:00— 6:00柴油機(jī)組運(yùn)行水平最低，EV多處于停駛狀態(tài)，風(fēng)電出力相對較多，此時配電網(wǎng)具有較高的彈性接納裕度；12:00—13:00系統(tǒng)內(nèi)負(fù)荷爬坡增大，EV以較高功率運(yùn)行，配電網(wǎng)接納裕度處于警戒區(qū)，系統(tǒng)承受著接納裕度不足的風(fēng)險，此刻要控制系統(tǒng)接入容量，避免接納裕度進(jìn)入越界區(qū)；下午14:00—17:00，系統(tǒng)負(fù)荷水平下降，彈性接納裕度增加；18:00后出現(xiàn)晚高峰，柴油機(jī)組滿載運(yùn)行，接納裕度顯著下降，之后逐漸恢復(fù)。

表2 不同調(diào)度模式下優(yōu)化結(jié)果對比Table 1 Comparison of optimization results under different scheduling modes

圖7 3種模式下最優(yōu)接納裕度Fig.7 Optimal acceptance margin under three modes

圖8 需求響應(yīng)前后接納裕度變化Fig.8 Change of acceptance margin before and after demand response

圖9顯示在0:00—7:00谷時段，光伏、風(fēng)電出力水平低，主要從上級電網(wǎng)購電滿足負(fù)荷需求。在9:00—16:00期間用戶用電量增加，光伏、風(fēng)電和柴油機(jī)組成為主要供電單元，且柴油機(jī)組接近滿載狀態(tài)運(yùn)行，除此之外仍需從上級電網(wǎng)購電，但系統(tǒng)運(yùn)行成本比模式1低。所提出的調(diào)度策略有效降低了系統(tǒng)運(yùn)行成本，提高了運(yùn)行經(jīng)濟(jì)性。

WT、PV和DEi(i=1,2,3)出力分別為在一天內(nèi)風(fēng)電機(jī)組、光伏機(jī)組和柴油機(jī)組出力情況圖9 模式3的機(jī)組發(fā)電計劃Fig.9 Unit generation schedule of mode 3

6.2.3 優(yōu)化算法對比

采用改進(jìn)人工蜂群算法對模型進(jìn)行優(yōu)化，并與粒子群、常規(guī)人工蜂群算法進(jìn)行對比分析。由圖10可知，改進(jìn)的人工蜂群算法尋找最優(yōu)解的性能更優(yōu)，在第35次迭代已經(jīng)收斂，具有更好的優(yōu)化效果與更快的收斂速度，而粒子群和常規(guī)人工蜂群算法相對來說精度較低，收斂速度較慢。同時本文算法有利于降低系統(tǒng)運(yùn)行成本，從最初的36 254.31 元下降到28 427.04 元，對于配電網(wǎng)的彈性優(yōu)化調(diào)度具有更好的經(jīng)濟(jì)性與可靠性，更符合配電網(wǎng)實際情況。

圖10 優(yōu)化過程收斂曲線Fig.10 Convergence curve of optimization process

7 結(jié)論

針對風(fēng)、光和EV接入配電網(wǎng)的漸進(jìn)式加劇小擾動事件對配電網(wǎng)彈性調(diào)度的影響，提出一種考慮風(fēng)光出力和EV功率不確定性及配電網(wǎng)接納裕度的彈性調(diào)度策略，設(shè)置3種典型模式并采用改進(jìn)人工蜂群算法優(yōu)化，最后進(jìn)行算例分析，得出如下結(jié)論。

(1)綜合配電網(wǎng)對EV的接納裕度和考慮系統(tǒng)運(yùn)行成本，使調(diào)度策略更符合實際運(yùn)行需求，提高了系統(tǒng)的經(jīng)濟(jì)性和安全性，增強(qiáng)了對電動汽車的接納能力。

(2)通過建立考慮需求彈性的EV充電站用戶需求側(cè)響應(yīng)模型，利于EV負(fù)荷削峰填谷，提高了彈性配電網(wǎng)應(yīng)對不確定性擾動的能力。

(3)采用改進(jìn)人工蜂群算法和其他算法進(jìn)行比較，提高優(yōu)化效果，避免陷入局部最優(yōu)，具有現(xiàn)實意義。

隨著更多可再生能源和EV接入電網(wǎng)，考慮EV放電對配電網(wǎng)運(yùn)行的影響和提升接納裕度評估指標(biāo)是后續(xù)研究的重點(diǎn)，以實現(xiàn)配電網(wǎng)彈性調(diào)度的經(jīng)濟(jì)性和安全性。