考慮需求響應(yīng)和碳排放額度的微電網(wǎng)分層優(yōu)化調(diào)度

周孟然，王旭，邵帥，胡鋒，朱梓偉，張易平

(安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232001)

0 引言

近年來利用清潔能源的分布式發(fā)電技術(shù)發(fā)展迅速并被廣泛地使用，微電網(wǎng)將分布式可再生能源、柔性負(fù)荷、儲能進(jìn)行聚合并集中管理，且合理整合分布式能源、實(shí)現(xiàn)負(fù)荷需求響應(yīng)(demand response，DR)，優(yōu)化調(diào)度作為微電網(wǎng)研究的重要問題之一，合理的調(diào)度策略可以降低成本、減少污染，提高微電網(wǎng)經(jīng)濟(jì)效益[1-2]。目前，微電網(wǎng)的優(yōu)化運(yùn)行主要是根據(jù)不同可控分布式發(fā)電單元(distributed generation，DG)以及不同的優(yōu)化目標(biāo)建立運(yùn)行優(yōu)化模型，并用多種算法對優(yōu)化模型進(jìn)行求解。文獻(xiàn)[3-8]充分利用柔性負(fù)荷，從協(xié)調(diào)控制的角度出發(fā)，實(shí)現(xiàn)微電網(wǎng)經(jīng)濟(jì)運(yùn)行和消納新能源等目標(biāo)，但未考慮柔性負(fù)荷接受調(diào)控會改變用戶自身的用電行為習(xí)慣，從而使用電滿意度發(fā)生改變。文獻(xiàn)[9]在優(yōu)化微電網(wǎng)配置時考慮用戶滿意度，建立用戶缺電損失期望最小模型。文獻(xiàn)[10]在優(yōu)化負(fù)荷曲線的同時考慮用戶參與DR 后的用電滿意度，提出了一種基于復(fù)雜電-熱-氣耦合微電網(wǎng)的調(diào)度模型。上述文獻(xiàn)僅從用戶側(cè)用電舒適度和用戶自身利益的角度，未詳細(xì)分析用戶滿意度與柔性負(fù)荷調(diào)整量以及微電網(wǎng)運(yùn)行成本之間的關(guān)系，忽略了微電網(wǎng)運(yùn)行所需要的經(jīng)濟(jì)性。

在全球氣候變暖的背景下，溫室氣體的排放受到各國的密切關(guān)注，文獻(xiàn)[11-12]以降低能源消耗、環(huán)境污染、用戶用電成本和提高用戶用電滿意度為目標(biāo)，分別提出了一種包含電動汽車的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型。文獻(xiàn)[13-17]為實(shí)現(xiàn)微電網(wǎng)經(jīng)濟(jì)運(yùn)行采用不同的算法求解微電網(wǎng)優(yōu)化調(diào)度問題。上述文獻(xiàn)均以微電網(wǎng)綜合運(yùn)行成本最低為優(yōu)化目標(biāo)，未詳細(xì)分析環(huán)境成本對微電網(wǎng)的影響。文獻(xiàn)[18]將碳交易成本作為優(yōu)化目標(biāo)之一，提出了一種考慮階梯碳交易和需求響應(yīng)的并網(wǎng)型微電網(wǎng)優(yōu)化配置方法。文獻(xiàn)[19]將碳排放量作為評價(jià)指標(biāo)之一，分析對比了不同調(diào)度策略對微電網(wǎng)優(yōu)化配置的影響。上述文獻(xiàn)針對微電網(wǎng)優(yōu)化配置問題特別地將碳排放量作為衡量指標(biāo)之一，但針對已經(jīng)確立的微電網(wǎng)限制其碳排放量的優(yōu)化調(diào)度策略相關(guān)研究開展得還比較少。

基于上述背景，本文提出了考慮需求響應(yīng)和碳排放額度的并網(wǎng)型微電網(wǎng)分層優(yōu)化調(diào)度模型。首先在用戶側(cè)采用激勵型需求響應(yīng)，合理控制可時移負(fù)荷的用電時間來最大限度消納新能源以及降低用電費(fèi)用，采用多重指標(biāo)對優(yōu)化方案進(jìn)行評價(jià)，并針對負(fù)荷調(diào)整量進(jìn)行了經(jīng)濟(jì)補(bǔ)償。在微電網(wǎng)發(fā)電側(cè)將碳排放量作為一個約束條件，對比分析了2 種碳排放量限制與無碳排放量限制下經(jīng)濟(jì)最優(yōu)運(yùn)行策略以及運(yùn)行成本和環(huán)境成本之間的關(guān)系。采用混沌粒子群算法(chaos particle swarm optimization, CPSO)求解算例，驗(yàn)證了模型和算法的可靠性。

1 微電網(wǎng)結(jié)構(gòu)

本文研究的微電網(wǎng)是由光伏組件、風(fēng)力發(fā)電機(jī)、微燃機(jī)、燃料電池、儲能設(shè)備以及負(fù)荷組成的并網(wǎng)型微電網(wǎng)，通過聯(lián)絡(luò)線與電網(wǎng)相連，結(jié)構(gòu)如圖1 所示。在微電網(wǎng)中每個分布式電源、儲能系統(tǒng)及負(fù)荷都是一個單一可控的單元在并網(wǎng)運(yùn)行情況下當(dāng)分布式電源出力不足時依靠大電網(wǎng)滿足功率缺額，當(dāng)分布式發(fā)電功率富余時可以輸送給大電網(wǎng)，保證了微電網(wǎng)的穩(wěn)定運(yùn)行。

圖1 微電網(wǎng)結(jié)構(gòu)Fig. 1 Microgrid structure

2 分層優(yōu)化調(diào)度模型

針對并網(wǎng)型微電網(wǎng)優(yōu)化運(yùn)行問題，本文建立了微電網(wǎng)分層優(yōu)化調(diào)度[20]模型如圖2 所示。分別在微電網(wǎng)用戶側(cè)和發(fā)電側(cè)建立目標(biāo)函數(shù)進(jìn)行求解，實(shí)現(xiàn)微電網(wǎng)內(nèi)部資源協(xié)同優(yōu)化。上層模型針對風(fēng)光、負(fù)荷預(yù)測數(shù)據(jù)，以消納新能源降低用電費(fèi)用為目標(biāo)優(yōu)化負(fù)荷曲線；下層模型對可控電源優(yōu)化調(diào)度在滿足優(yōu)化后各時刻負(fù)荷需求和碳排放量約束的前提下使得微電網(wǎng)運(yùn)行經(jīng)濟(jì)性最優(yōu)。

圖2 微電網(wǎng)分層調(diào)度結(jié)構(gòu)Fig. 2 Hierarchical scheduling structure of microgrid

2.1 上層模型（負(fù)荷需求響應(yīng)）

上層模型是對負(fù)荷用電曲線的優(yōu)化，從用電側(cè)出發(fā)，控制各時刻可時移負(fù)荷量，對負(fù)荷曲線削峰填谷并使其更貼近風(fēng)光發(fā)電曲線。在設(shè)定可時移負(fù)荷容量約束下采用混沌粒子群算法進(jìn)行求解得到各時刻可時移負(fù)荷最優(yōu)轉(zhuǎn)移量，得到兼顧消納新能源和降低用電成本的負(fù)荷曲線。

2.1.1 目標(biāo)函數(shù)

（1）消納新能源。為充分利用新能源發(fā)電，在對負(fù)荷側(cè)進(jìn)行需求管理時應(yīng)使得到的新負(fù)荷曲線盡可能多地消納新能源，針對風(fēng)電、光伏發(fā)電量的不可控性實(shí)現(xiàn)就地消納，自發(fā)自用。以系統(tǒng)凈負(fù)荷[21]最小值為目標(biāo)，目標(biāo)函數(shù)為

（3）多目標(biāo)的處理。采用在多目標(biāo)轉(zhuǎn)化為單目標(biāo)問題中針對量綱不同目標(biāo)函數(shù)值運(yùn)用較多的理想點(diǎn)法[22]對2 個目標(biāo)進(jìn)行折中，“理想點(diǎn)”為單目標(biāo)優(yōu)化時求得的最優(yōu)值。距離函數(shù)為

2.1.3 約束條件

在負(fù)荷側(cè)參與需求響應(yīng)時將各時段可時移負(fù)荷容量設(shè)為當(dāng)前時刻的最大轉(zhuǎn)入轉(zhuǎn)出負(fù)荷量，最小轉(zhuǎn)入轉(zhuǎn)出負(fù)荷量為0。

轉(zhuǎn)移容量約束為

2.2 下層模型（微電網(wǎng)經(jīng)濟(jì)調(diào)度）

通過上層對負(fù)荷側(cè)的需求管理，促進(jìn)了分布式能源的消納，但僅靠風(fēng)力光伏發(fā)電不能滿足負(fù)荷需求，因此還需要對可控的電源進(jìn)行調(diào)節(jié)。在下層模型中以綜合經(jīng)濟(jì)成本最小為目標(biāo)，對可控電源優(yōu)化調(diào)度以滿足優(yōu)化后的負(fù)荷曲線。建立包含微燃機(jī)、燃料電池、蓄電池以及大電網(wǎng)的調(diào)度系統(tǒng)。

2.2.1 目標(biāo)函數(shù)

（1）運(yùn)行成本。主要包括燃料、運(yùn)維和與大電網(wǎng)交互的成本，其目標(biāo)函數(shù)為

式中：Cgas為天然氣的價(jià)格，元/m3；R為天然氣的單位 低 熱值；Pi(t)、 ηi(t)分 別為 電 源i在t時段的輸出功率和輸出效率；L為微電源的數(shù)量。

運(yùn)維成本C2為

式中：Ki、Kn分別為微電源i和蓄電池n的運(yùn)行維護(hù)系數(shù)；Pi(t)、Pn(t)分 別為t時 段微電源i的輸出功率和儲能電池n的充放電功率；L和N分別為微電源和儲能電池的數(shù)量。

微電網(wǎng)與電網(wǎng)能量交互成本C3為

（2）環(huán)境成本。主要包括碳排放成本和污染氣體排放成本，即

式中：Cco2為碳排放的成本；Cop為產(chǎn)生其他污染物的成本。

其中，碳排放成本為

式中：vi和vg分 別為微電源i和大電網(wǎng)單位電量的碳排放量；Pi和Pb為 分別微電源i的發(fā)電量和大電網(wǎng)購電量； λco2為碳排放配額內(nèi)的碳排放的處理系數(shù)。

污染氣體排放成本為

式中： λj為j污染物的處理系數(shù)；Qij為i微電源產(chǎn)生j污染物的大小。

（3）多目標(biāo)的處理。由于兩函數(shù)值量綱相同，采用線性加權(quán)法根據(jù)指標(biāo)重要性分配權(quán)系數(shù)將其轉(zhuǎn)化為單目標(biāo)問題，即

3 雙層優(yōu)化模型求解算法

本文要求解的是一個多約束條件的優(yōu)化問題，粒子群算法相較于遺傳算法、差分進(jìn)化算法等具有設(shè)置參數(shù)少、收斂速度快等優(yōu)點(diǎn)，在此基礎(chǔ)上本文所選求解算法為CPSO，相較于普通粒子群算法其采用自適應(yīng)慣性權(quán)重加快收斂速度，即

此算法流程如圖3 所示。

圖3 混沌粒子群算法流程Fig. 3 Chaos particle swarm algorithm flowchart

模型求解思路為：（1）輸入預(yù)測的負(fù)荷需求和光伏風(fēng)機(jī)出力曲線；（2）設(shè)定可時移負(fù)荷量，根據(jù)上層建立的負(fù)荷側(cè)需求管理模型利用算法求的優(yōu)化后的負(fù)荷曲線；（3）將上述求得的新的負(fù)荷曲線代入微電網(wǎng)，根據(jù)下層建立的微網(wǎng)側(cè)經(jīng)濟(jì)調(diào)度模型利用算法求解目標(biāo)函數(shù)，綜合各指標(biāo)對不同可時移負(fù)荷量參與得到的負(fù)荷曲線進(jìn)行評價(jià)；（4）在約束條件中加入碳排放量約束，針對微電網(wǎng)經(jīng)濟(jì)運(yùn)行再次利用算法求解，得到各設(shè)備各時刻的設(shè)備出力曲線供比較分析。

4 算例分析

4.1 算例基本數(shù)據(jù)

為驗(yàn)證本文模型和算法可靠性，以某微電網(wǎng)示范區(qū)為例，一個調(diào)度周期為24 h，優(yōu)化前負(fù)荷曲線分布情況[24]和風(fēng)電光伏預(yù)測出力如圖4 所示，微電網(wǎng)各時刻購售電價(jià)格如表1 所示，各分布式電源參數(shù)如表2 所示，微電網(wǎng)碳排放和污染氣體排放系數(shù)如表3 所示。用戶參與需求響應(yīng)負(fù)荷轉(zhuǎn)移補(bǔ)償為0.3 元/（kW·h）[25]，蓄電池的SOC 范圍設(shè)定為[0.2,0.9]，蓄電池的初始SOC 取0.2，自然放電率為0.001 5，充放電效率為0.95。

表1 購售電價(jià)格參數(shù)Table 1 Purchase and sale price parameters

表2 各微電源參數(shù)Table 2 Micro power supply parameters

表3 污染物排放參數(shù)Table 3 Pollutant emission parameters

圖4 風(fēng)、光出力及負(fù)荷需求Fig. 4 Wind and solar output and load demand

4.2 仿真結(jié)果分析

4.2.1 不同調(diào)度方式下的結(jié)果分析

本文分別分析可轉(zhuǎn)移負(fù)荷容量（即單位調(diào)度時段可轉(zhuǎn)移負(fù)荷容量占當(dāng)前時段負(fù)荷量的百分比）設(shè)置為0%（方案1）即為原始負(fù)荷曲線、10%（方案2）、20%（方案3）時的調(diào)度結(jié)果，如圖5 所示。并分別在2 種微電網(wǎng)運(yùn)行策略下對3 種方案的綜合經(jīng)濟(jì)成本、微網(wǎng)總運(yùn)行成本、棄風(fēng)棄光量以及用戶用電滿意度進(jìn)行比較。2 種運(yùn)行策略分別為：策略1 為只允許微電網(wǎng)購電，即能量只能從主網(wǎng)流向微網(wǎng)；策略2 為允許微電網(wǎng)購售電，即微網(wǎng)與主網(wǎng)之間能量可以雙向流動。結(jié)果如表4 所示。

圖5 3 種方案優(yōu)化后的負(fù)荷曲線Fig. 5 The optimized load curve of three schemes

由圖5 和表4 可以看出用戶參與需求響應(yīng)可消納更多新能源發(fā)電量，降低微電網(wǎng)運(yùn)行成本，并起到削峰填谷的作用。提高可轉(zhuǎn)移負(fù)荷的容量，能在一定程度上降低運(yùn)行成本，但相應(yīng)的會導(dǎo)致用戶用電滿意度的降低。

當(dāng)優(yōu)化調(diào)度只考慮用電滿意度時，即方案1，此方案為原始負(fù)荷曲線用電滿意度為100%，綜合經(jīng)濟(jì)成本為10 684.59 元，在3 種方案中最高。方案2相較于方案1 滿意度降低了3.79%，在微電網(wǎng)運(yùn)行策略1 下棄風(fēng)棄光量降低了53.93%（638.61 kW·h），微電網(wǎng)總運(yùn)行成本在2 種運(yùn)行策略下分別降低了7.33%(783.5 元)和5.96%（618.06 元），綜合經(jīng)濟(jì)成本分別降低了2.41%（257.33 元）和0.89%（91.89 元）；方案3 相較于方案1 滿意度降低了6.26%，在微電網(wǎng)運(yùn)行策略1 下棄風(fēng)棄光量降低了85.53%（1 012.8 kW·h），微電網(wǎng)總運(yùn)行成本在2 種運(yùn)行策略下分別降低了11.62%（1 241.54 元）和9.37%（971.03 元），綜合經(jīng)濟(jì)成本分別降低了3.49%（372.66 元）和0.99%（102.15 元）。綜合考慮以上指標(biāo)可以看到方案3 在降低了一定的滿意度的基礎(chǔ)上經(jīng)濟(jì)性相較于方案2 提升不大。因此方案2 在微電網(wǎng)的經(jīng)濟(jì)性提升和用戶滿意度之間取得了平衡，成為最優(yōu)方案。

4.2.2 不同碳排放配額下的結(jié)果分析

碳交易是通過買賣碳排放配額來實(shí)現(xiàn)碳減排的一種交易機(jī)制，具有碳排放的發(fā)電企業(yè)通過有償或無償?shù)姆绞椒峙涞蕉康奶寂欧蓬~，若碳排放量超出碳排放配額必須購買碳排放配額來補(bǔ)償超出的碳排放量，因此微電網(wǎng)在滿足負(fù)荷需求的同時需要合理調(diào)節(jié)各電源出力和外購電力的大小來避免碳排放量超出碳排放配額。本文在上述微電網(wǎng)只允許買電運(yùn)行策略和方案2 調(diào)度策略下，對3 種情況以經(jīng)濟(jì)性最優(yōu)為目標(biāo)對微電網(wǎng)各單元進(jìn)行了優(yōu)化調(diào)度，結(jié)果如圖6～8 所示。3 種情況分別為：（1）無碳排放量限制；（2）平均一個調(diào)度周期碳排放配額為7 000 kg；（3）平均一個調(diào)度周期碳排放配額為6 500 kg。

圖6 無碳排放量限制的優(yōu)化調(diào)度Fig. 6 Optimal scheduling result without carbon emission limit

圖7 碳排放配額7 000 kg 的優(yōu)化調(diào)度Fig. 7 Optimal scheduling result with a carbon emission quota of 7 000 kg

圖8 碳排放配額6 500 kg 的優(yōu)化調(diào)度Fig. 8 Optimal scheduling result with a carbon emission quota of 6 500 kg

可見，從整體上看3 種情況下的經(jīng)濟(jì)性最優(yōu)調(diào)度策略，各發(fā)電單元根據(jù)經(jīng)濟(jì)性確定出力優(yōu)先級，儲能系統(tǒng)充電時刻主要在電價(jià)低谷和新能源出力富余時間段，放電時刻主要在電價(jià)高峰和新能源出力不足時間段。由表5 可知，限制碳排放量一定程度上會增加微電網(wǎng)綜合成本，這是由于減少了主要為火力發(fā)電的外購電量，使得環(huán)境成本降低運(yùn)行成本升高?？傮w上，碳排放配額為7 000 kg和6 500 kg 相較于無碳排放配額情況下微電網(wǎng)綜合成本升高了22.82 元和58.72 元，碳排放量降低了260.93 kg 和760.93 kg，以碳交易價(jià)格0.267 6 元/kg[18]為例，微網(wǎng)綜合成本增加量均遠(yuǎn)低于減少的碳排放交易量。因此在碳交易機(jī)制下，合理控制微電網(wǎng)碳排放量的調(diào)度方法更有利于提升微電網(wǎng)運(yùn)行的經(jīng)濟(jì)性。

表5 不同碳排放量約束下優(yōu)化結(jié)果Table 5 The optimization results with different carbon emission quotas

4.2.3 算法對比及分析

結(jié)合算例可見，本文采用的CPSO 能夠有效地解決不同調(diào)度策略下的微電網(wǎng)經(jīng)濟(jì)運(yùn)行問題。以圖6 場景下的優(yōu)化為例記錄CPSO 的迭代過程對其進(jìn)行橫向比較，與遺傳算法（GA）和粒子群算法（PSO）對比如圖9 所示?？梢钥闯?，3 種算法的目標(biāo)函數(shù)值均隨著迭代步數(shù)的增加逐漸減小最后趨于一個穩(wěn)定值。CPSO 算法在迭代過程中采用自適應(yīng)慣性權(quán)重并增加了混沌優(yōu)化，加強(qiáng)了對優(yōu)勢個體進(jìn)行局部搜索深度，具有迭代次數(shù)少和收斂速度快的優(yōu)點(diǎn)，體現(xiàn)了所用算法的優(yōu)越性。

圖9 算法迭代收斂Fig. 9 Algorithm iterative convergence curve

5 結(jié)語

本文針對并網(wǎng)型微電網(wǎng)經(jīng)濟(jì)運(yùn)行問題建立了分層優(yōu)化調(diào)度模型。在負(fù)荷側(cè)綜合考慮各項(xiàng)指標(biāo)確定最優(yōu)負(fù)荷調(diào)整量優(yōu)化負(fù)荷曲線，在微網(wǎng)側(cè)引入碳排放量約束對微網(wǎng)中各出力單元進(jìn)行優(yōu)化調(diào)度以滿足優(yōu)化后的負(fù)荷需求。仿真結(jié)果表明，本文所提分層優(yōu)化調(diào)度模型綜合考慮多個指標(biāo)得到的用戶參與需求響應(yīng)最優(yōu)調(diào)度方案，兼顧微電網(wǎng)經(jīng)濟(jì)性和用戶滿意度，為供電公司激勵用戶參與需求響應(yīng)和挖掘負(fù)荷可調(diào)節(jié)潛力提供參考。本文求解過程所采用的算法能有效提高收斂速度和解的優(yōu)越性。分析不同碳排放量限制下的微電網(wǎng)經(jīng)濟(jì)運(yùn)行策略，結(jié)果表明考慮碳排放額度能進(jìn)一步提升微電網(wǎng)運(yùn)行經(jīng)濟(jì)性。本文所考慮的并網(wǎng)型微電網(wǎng)中能源形式不夠多樣，隨著新能源的迅速發(fā)展，將會有更多更為清潔的能源形式引入微電網(wǎng)參與經(jīng)濟(jì)調(diào)度是未來亟待解決的問題。