基于虛擬儲能的直流微電網(wǎng)源荷儲多時間尺度能量優(yōu)化與分區(qū)協(xié)調(diào)控制

張祥宇 舒一楠 付 媛

基于虛擬儲能的直流微電網(wǎng)源荷儲多時間尺度能量優(yōu)化與分區(qū)協(xié)調(diào)控制

張祥宇 舒一楠 付 媛

（新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室（華北電力大學(xué)） 保定 071003）

直流微電網(wǎng)內(nèi)的源荷儲采取虛擬儲能形式易于通過多時間尺度能量優(yōu)化及協(xié)調(diào)控制提升系統(tǒng)的運(yùn)行性能。首先通過風(fēng)電及可控負(fù)荷模擬電容儲能充放電特性，構(gòu)建含多靈活性資源的虛擬儲能系統(tǒng)模型，并將其集成于直流微電網(wǎng)優(yōu)化調(diào)度模型中，利用虛擬儲能系統(tǒng)的充放電管理，完成系統(tǒng)經(jīng)濟(jì)調(diào)控；其次，為應(yīng)對非計(jì)劃性波動功率，引入雙層調(diào)度模型，以保障經(jīng)濟(jì)運(yùn)行的上層能量優(yōu)化為基礎(chǔ)，提出基于虛擬儲能的源荷儲短時分區(qū)協(xié)調(diào)控制技術(shù)，提升微電網(wǎng)運(yùn)行的可靠性；最后，通過仿真驗(yàn)證了虛擬儲能可充分激發(fā)直流微電網(wǎng)內(nèi)源荷儲在多時間尺度下的協(xié)同調(diào)節(jié)潛力，改善系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和安全性。

虛擬儲能 靈活性資源 超級電容 能量管理 協(xié)調(diào)控制

0 引言

在直流微電網(wǎng)中，分布式電源、可控負(fù)荷及儲能均具有參與系統(tǒng)功率調(diào)節(jié)的控制潛力[1-3]。目前，微電網(wǎng)中關(guān)于源荷儲優(yōu)化調(diào)度策略中，可控設(shè)備的運(yùn)行參數(shù)各不相同，導(dǎo)致調(diào)用相對孤立，集控管理單元缺乏對系統(tǒng)狀態(tài)的整體感知，靈活性和協(xié)調(diào)性仍顯不足。源荷儲協(xié)同控制在應(yīng)對新能源出力波動、可控設(shè)備運(yùn)行工況多變的實(shí)際場景時，難以有效整合系統(tǒng)資源，優(yōu)化多元功率調(diào)節(jié)。因此，高效利用可控資源及快速準(zhǔn)確的源儲荷協(xié)調(diào)控制，將是直流微電網(wǎng)提升安全經(jīng)濟(jì)運(yùn)行水平的關(guān)鍵。

目前，微電網(wǎng)重點(diǎn)關(guān)注源荷儲側(cè)可調(diào)資源的合理配置和充分利用，提升系統(tǒng)的運(yùn)行靈活性[4-6]。文獻(xiàn)[7-9]針對源荷儲資源不匹配問題，建立了電源側(cè)、需求響應(yīng)負(fù)荷側(cè)與儲能側(cè)的協(xié)調(diào)管理模型。在源儲荷協(xié)調(diào)控制中，雖引入需求響應(yīng)資源聯(lián)合優(yōu)化，但可控資源運(yùn)行模式各自獨(dú)立，缺乏統(tǒng)一調(diào)度措施，未全面評估多類可控資源的協(xié)同優(yōu)化效益。為解決這一問題，虛擬儲能技術(shù)將可控設(shè)備虛擬為儲能形式，具有大幅簡化源儲荷聯(lián)合運(yùn)行方式的潛力。已有虛擬儲能相關(guān)研究多以可控負(fù)荷為控制對象，通過負(fù)荷側(cè)能量管理，模擬儲能的充放電特性。文獻(xiàn)[10]建立的虛擬儲能模型用于管理熱能輸送過程中熱源至用戶的傳輸延時及儲熱特性，實(shí)現(xiàn)了熱能跨時段轉(zhuǎn)移，并降低了系統(tǒng)運(yùn)行成本，但在調(diào)度模型中并未考慮負(fù)荷調(diào)節(jié)后的收益折損。文獻(xiàn)[11-13]基于溫控負(fù)荷建立了虛擬儲能模型，通過模擬儲能充放電特性管理其儲冷蓄熱過程，有利于節(jié)省樓宇微電網(wǎng)運(yùn)行成本，但溫控負(fù)荷因受容量、人體舒適度、季節(jié)溫差等約束，尚未在微電網(wǎng)調(diào)度中發(fā)揮出調(diào)節(jié)能力。海水淡化作為可控負(fù)荷，具有較快的響應(yīng)速度，文獻(xiàn)[14]將海水淡化負(fù)荷虛擬為超級電容，建立了源荷儲資源規(guī)劃模型，但調(diào)度中負(fù)荷類型單一，且風(fēng)機(jī)未能參與功率調(diào)節(jié)。為進(jìn)一步挖掘虛擬儲能潛力，文獻(xiàn)[15-17]中的電動汽車和溫控負(fù)荷均以虛擬儲能形式參與系統(tǒng)調(diào)度，但由于電-熱負(fù)荷調(diào)控參數(shù)不同，兩者間的功率協(xié)調(diào)配合仍有完善空間。已有的虛擬儲能協(xié)同優(yōu)化方法中，源荷儲資源尚未形成統(tǒng)一的能量調(diào)控和設(shè)備狀態(tài)監(jiān)測的參數(shù)，難以整合多類信息，完成多元功率調(diào)節(jié)優(yōu)化，所以源荷儲資源規(guī)劃和運(yùn)行可靠性有待深入探討。

微電網(wǎng)高占比接入分布式電源后，隨機(jī)性功率波動概率增加，儲能裝置完全承擔(dān)功率調(diào)節(jié)任務(wù)將顯著增加其運(yùn)行維護(hù)成本，故評估各類可控資源的可調(diào)節(jié)功率裕度將是應(yīng)對擾動，保障系統(tǒng)短期安全運(yùn)行的關(guān)鍵[18-19]。文獻(xiàn)[20-21]針對直流電網(wǎng)短期功率調(diào)節(jié)，提出了基于直流電壓下垂的分層控制策略，各端換流器可根據(jù)直流電壓偏差參與系統(tǒng)功率調(diào)節(jié)，但可控負(fù)荷僅通過投切與源荷配合，無法實(shí)現(xiàn)連續(xù)動態(tài)響應(yīng)，且難以在長時間尺度下完成全局能量優(yōu)化管理。盡管文獻(xiàn)[22-24]提出了微電網(wǎng)多時間尺度能量管理方法，可以一次性發(fā)布日前和日內(nèi)階段所有設(shè)備的控制指令，但由于缺少適于感知可控設(shè)備供用電量及運(yùn)行狀態(tài)的可控參數(shù)，所以控制系統(tǒng)目前應(yīng)對突發(fā)擾動的能力仍顯不足。綜上所述，虛擬儲能技術(shù)雖然為整合微電網(wǎng)內(nèi)可控資源提供了可行方案，但仍需建立便于源荷儲統(tǒng)一調(diào)度的控制模型。并且多時間尺度的能量優(yōu)化與協(xié)調(diào)控制亟待完善，使可控設(shè)備通過虛擬儲能形式釋放其控制潛力，適應(yīng)微電網(wǎng)多變的運(yùn)行方式，同時有效提升系統(tǒng)的經(jīng)濟(jì)性和安全性。

為整體優(yōu)化直流微電網(wǎng)中的源荷儲可控資源，本文提出通過源荷儲虛擬儲能系統(tǒng)完成微電網(wǎng)多時間尺度下的能量優(yōu)化與多源協(xié)調(diào)控制策略。首先，建立虛擬儲能模型，并提出分層互動的雙層調(diào)度框架；其次，建立以最大化微電網(wǎng)靈活性資源調(diào)節(jié)收益為目標(biāo)的經(jīng)濟(jì)模型，并提出以虛擬電容值為統(tǒng)一調(diào)控參數(shù)、以虛擬荷電狀態(tài)為系統(tǒng)狀態(tài)評估指標(biāo)的日前經(jīng)濟(jì)調(diào)度策略；然后，將虛擬荷電狀態(tài)融入直流微電網(wǎng)分層控制之中，提出了含虛擬儲能的分區(qū)協(xié)調(diào)控制模式，提升系統(tǒng)應(yīng)對功率擾動時的短期運(yùn)行安全性；最后，通過算例對比驗(yàn)證所提策略對系統(tǒng)全局優(yōu)化及源荷儲靈活互動的提升作用。

1 含虛擬儲能直流微電網(wǎng)的管理框架及模型

1.1 微電網(wǎng)系統(tǒng)組成與調(diào)度框架

引入虛擬儲能后，直流微電網(wǎng)內(nèi)的可控微源及負(fù)荷均采用儲能形式參與系統(tǒng)功率調(diào)節(jié)。系統(tǒng)內(nèi)包括混合儲能系統(tǒng)、虛擬儲能系統(tǒng)以及通信鏈路。其中，混合儲能系統(tǒng)包括超級電容器和蓄電池；虛擬儲能系統(tǒng)包含多種靈活性可控資源，如具有調(diào)節(jié)潛力的海水淡化負(fù)荷、風(fēng)電機(jī)組及電動汽車。

為高效執(zhí)行多時間尺度優(yōu)化調(diào)度方案，本文設(shè)計(jì)了分層互動的雙層調(diào)度框架，使微電網(wǎng)系統(tǒng)作為一個可控單元接受管理，具體框架模式如圖1所示。

圖1 基于虛擬儲能的雙層能量調(diào)度框架

上層優(yōu)化：上層能量管理體系建立在控制規(guī)則的基礎(chǔ)上，主要功能是負(fù)責(zé)全系統(tǒng)能量優(yōu)化以及運(yùn)行方式優(yōu)化。上層能量管理是基于全局優(yōu)化算法求解得到最優(yōu)調(diào)度策略，由于求解所需信息量大且求解過程復(fù)雜，所以需要長時間尺度下的集中控制。

下層控制：下層協(xié)調(diào)控制主要功能是在保證系統(tǒng)安全性的前提下協(xié)調(diào)可控設(shè)備做出短時響應(yīng)。為了消除非計(jì)劃瞬時功率波動，需要制定完善的分區(qū)控制模式來實(shí)現(xiàn)實(shí)時協(xié)調(diào)控制方案。

靈活性資源是針對系統(tǒng)出力不確定性與波動性而做出調(diào)節(jié)響應(yīng)的設(shè)施。將合理調(diào)用源荷儲側(cè)靈活性資源的過程模擬類似于儲能充放電過程，引入虛擬儲能系統(tǒng)。本文提出一種融合虛擬儲能系統(tǒng)的調(diào)度策略，統(tǒng)一以虛擬電容值作為可控設(shè)備的調(diào)控參數(shù)，以虛擬荷電狀態(tài)為可控設(shè)備的功率狀態(tài)評估指標(biāo)，有效對虛擬儲能設(shè)備集中管理并提高集控單元對系統(tǒng)狀態(tài)的感知能力。由于海水負(fù)荷、風(fēng)機(jī)的轉(zhuǎn)子轉(zhuǎn)速響應(yīng)較快，直接控制電機(jī)工作狀態(tài)實(shí)現(xiàn)對其調(diào)節(jié)特性的管理。電動汽車用電價策略引導(dǎo)用戶有選擇性地改變能源消費(fèi)方式，在跨時段轉(zhuǎn)移負(fù)荷方面發(fā)揮儲能特性，體現(xiàn)電動汽車作為虛擬儲能的雙向調(diào)節(jié)靈活性。

1.2 虛擬儲能建模

本文所提虛擬儲能的電容值和荷電狀態(tài)不僅可以用于可控設(shè)備的運(yùn)行狀態(tài)約束，更為重要的是可將其應(yīng)用于微電網(wǎng)優(yōu)化運(yùn)行之中，通過統(tǒng)一的虛擬儲能參數(shù)監(jiān)測，使系統(tǒng)運(yùn)行整體規(guī)劃、經(jīng)濟(jì)性及安全性評估得以顯著簡化。

1.2.1 海水淡化可控負(fù)荷

海水淡化作為高耗能負(fù)荷，適于搭配分布式電源受電，并且具備典型的變頻調(diào)速性能。以可變頻調(diào)速的異步電動機(jī)模擬海水淡化機(jī)組的負(fù)荷特性，以電動機(jī)轉(zhuǎn)速變化對應(yīng)的旋轉(zhuǎn)動能改變模擬儲能充放電調(diào)節(jié)能力，建立電動機(jī)機(jī)械功率與電容充放電功率間的能量關(guān)系為

式中，r為轉(zhuǎn)子存儲的旋轉(zhuǎn)動能；s、r、n分別為電動機(jī)的轉(zhuǎn)子轉(zhuǎn)動慣量、電角速度和極對數(shù)；dc為直流母線電壓。

為構(gòu)建虛擬電容模型，引入表示虛擬儲能配置容量的參數(shù)l、虛擬電容能量狀態(tài)的參數(shù)SOCl。

式中，rn為異步電機(jī)額定電角速度；rn為額定轉(zhuǎn)速對應(yīng)的轉(zhuǎn)子動能；* r為異步電動機(jī)電角速度參考值，Δdc為電壓二次方的變化量。

1.2.2 變速風(fēng)力發(fā)電機(jī)組

以永磁直驅(qū)同步發(fā)電機(jī)為例，建立風(fēng)機(jī)轉(zhuǎn)子轉(zhuǎn)速與風(fēng)能捕獲機(jī)械功率間的關(guān)系[25]，得到發(fā)電機(jī)轉(zhuǎn)子旋轉(zhuǎn)動能與超級電容儲能間的能量轉(zhuǎn)換為

式中，g為發(fā)電機(jī)的電角速度；g為風(fēng)機(jī)轉(zhuǎn)子動能；opt為機(jī)組的最大功率曲線系數(shù)，此時機(jī)組運(yùn)行在該風(fēng)速下的最大功率點(diǎn)上，實(shí)現(xiàn)該時刻最大風(fēng)能的捕獲；m為捕獲的機(jī)械功率。

為確保能量管理層面實(shí)時觀測風(fēng)機(jī)虛擬儲能投入容量、檢測風(fēng)機(jī)運(yùn)行狀態(tài)與安全運(yùn)行范圍，以整體上便于數(shù)據(jù)采集和合理規(guī)劃為原則，將分布式能源也作為虛擬儲能進(jìn)行源荷儲聯(lián)合管理。由式（3）可得風(fēng)機(jī)虛擬電容值g及其虛擬荷電狀態(tài)SOCg為

式中，* g為風(fēng)機(jī)轉(zhuǎn)子的角速度參考值；gn為風(fēng)機(jī)轉(zhuǎn)子的角速度額定值；gn為額定轉(zhuǎn)速下轉(zhuǎn)子動能。

1.2.3 電動汽車

電動汽車具有負(fù)荷和儲能的雙重特性，是可移動的電力負(fù)荷。在電價引導(dǎo)等政策下，電動汽車在滿足車主使用習(xí)慣前提下對其充放電進(jìn)行集中控制，但電動汽車控制模式往往局限于投入或切除，無法實(shí)現(xiàn)與儲能間的動態(tài)連續(xù)配合，且電動汽車調(diào)控參數(shù)與儲能運(yùn)行參數(shù)有所區(qū)別，其能量儲備和運(yùn)行狀態(tài)無法以儲能形態(tài)實(shí)時觀測。以虛擬電容值控制電動汽車參與調(diào)節(jié)的虛擬儲能容量，利于從整體層面制定最優(yōu)儲能配置策略，確保連續(xù)性調(diào)控優(yōu)勢。

假設(shè)每輛電動汽車均以常規(guī)慢速方式進(jìn)行充放電。電動汽車日行駛里程、電動汽車最后一次出行返程時間b均近似服從對數(shù)正態(tài)分布[26]，其概率密度函數(shù)分別表示為

式中，s為電動汽車日行駛里程期望，s=3.2；s為電動汽車日行駛里程方差，s=0.88；b為電動汽車最后一次出行返程時間期望，b=17.6；b為電動汽車最后一次出行返程時間方差，b=3.4。

由式（6）可得電動汽車最后一次返程時刻b，對比分析第輛電動汽車出行返程時刻b()與原始負(fù)荷早高峰起始時刻ms、原始負(fù)荷晚高峰起始時刻ns，合理安排電動汽車起始充電時刻cs()和起始放電時刻dcs()，即電動汽車充放電起始時刻需滿足

為保證電動汽車剩余電量足夠滿足用戶正常出行且不超過電動汽車電池的最大放電深度，需要根據(jù)電動汽車電池使用情況約束其放電持續(xù)時間以及放電量。將最大放電持續(xù)時間dc()、最大放電電量dc()表示為

依據(jù)電動汽車有序充放電調(diào)度流程如附圖2所示，可求得時刻電動汽車有序充放電負(fù)荷ev()。電動汽車負(fù)荷的虛擬電容值e()、虛擬荷電狀態(tài)SOCe()可表示為

式中，SOCo為電動汽車初始荷電狀態(tài)；ev為電動汽車總充放電功率；v為電動汽車電池的充放電效率，取0.8[26]。

2 基于多時間尺度的虛擬儲能調(diào)度模式

2.1 上層能量管理：日前經(jīng)濟(jì)調(diào)度模式

日前經(jīng)濟(jì)調(diào)度模式旨在通過能量管理系統(tǒng)與儲能信息的傳遞和互動，模擬多類型靈活性資源調(diào)節(jié)過程建立的聯(lián)合虛擬儲能能量管理模型，以實(shí)現(xiàn)各主體的供用能設(shè)備的優(yōu)化配置。為響應(yīng)因生產(chǎn)作息以及晝夜變化而產(chǎn)生的波動幅度大、發(fā)展周期長的負(fù)荷變化和新能源出力變化，可以在負(fù)荷預(yù)測和分布式發(fā)電預(yù)測數(shù)據(jù)的基礎(chǔ)上，依據(jù)最優(yōu)算法求解日內(nèi)各調(diào)度時段負(fù)荷功率、混合儲能系統(tǒng)出力和虛擬儲能系統(tǒng)出力預(yù)測數(shù)據(jù)。綜合考慮可控設(shè)備技術(shù)特性、日前市場電價等信息，以最大化微電網(wǎng)經(jīng)濟(jì)性收益為目標(biāo)得到長時間尺度下的全局優(yōu)化調(diào)度方案。

2.1.1 目標(biāo)函數(shù)

式中，l為系統(tǒng)產(chǎn)水收益；v為電動汽車充放電收益；g為調(diào)風(fēng)成本；om g和bess分別為風(fēng)機(jī)和混合儲能設(shè)備的運(yùn)行和維護(hù)成本；ev為支付給電動汽車用戶的調(diào)峰成本。

1）虛擬儲能目標(biāo)及狀態(tài)

式中，t()為時段微電網(wǎng)與用戶交互電價；ev()為時段參與虛擬儲能的電動汽車總充放電功率，購電為正，售電為負(fù)；l為產(chǎn)水收益部分中每噸淡水單價。虛擬儲能收益由電動汽車充放電收益和產(chǎn)水收益兩部分構(gòu)成，式（11）中電動汽車收益部分考慮參與虛擬儲能的輛電動汽車總充放電量。

依據(jù)文獻(xiàn)[14]，已知海水淡化負(fù)荷功率L()，可擬合出時刻產(chǎn)水流量()。建立可控負(fù)荷收益與虛擬儲能間的函數(shù)關(guān)系，表達(dá)式為

根據(jù)式（2），虛擬儲能依據(jù)能量管理系統(tǒng)下達(dá)的儲能最優(yōu)配置指令調(diào)節(jié)其虛擬電容值，改變異步電機(jī)電角速度r()，使海水淡化負(fù)荷表現(xiàn)出類似可變電容的超級電容器能量調(diào)節(jié)特性。同時觀測調(diào)節(jié)過程中虛擬荷電狀態(tài)變化，可直接反映海水淡化機(jī)組運(yùn)行狀態(tài)。

虛擬儲能相關(guān)成本由風(fēng)機(jī)運(yùn)行和維護(hù)成本、風(fēng)機(jī)虛擬儲能調(diào)風(fēng)成本和電動汽車用戶參與調(diào)峰成本三部分組成。依照最優(yōu)儲能配置策略，風(fēng)機(jī)虛擬儲能投入預(yù)測電容值實(shí)現(xiàn)對風(fēng)機(jī)轉(zhuǎn)速的調(diào)控，風(fēng)機(jī)虛擬荷電狀態(tài)表示風(fēng)機(jī)運(yùn)行狀態(tài)的評估指標(biāo)。以儲能形式實(shí)現(xiàn)對靈活性資源統(tǒng)一優(yōu)化管理和狀態(tài)觀測，提高系統(tǒng)管理模式整體性和靈活性。

式中，wo、w分別為虛擬儲能參與調(diào)風(fēng)前后的風(fēng)電出力；g為調(diào)風(fēng)系數(shù)；w為風(fēng)機(jī)運(yùn)行和維護(hù)成本系數(shù)；ev為單位放電量的電動汽車上網(wǎng)補(bǔ)貼電價；dc ev為參與有序充放電調(diào)度的電動汽車總放電量。

2）混合儲能目標(biāo)及狀態(tài)

混合儲能綜合成本bess由兩部分組成：第一項(xiàng)為混合儲能運(yùn)行和維護(hù)成本om bess；第二項(xiàng)為蓄電池壽命折損B。

式中，bess為混合儲能單位電量的運(yùn)行和維護(hù)成本；c bess、dc bess分別為混合儲能設(shè)備的充、放電功率；B為蓄電池剩余容量，可表示其壽命折損；Bn為蓄電池的額定容量；b為蓄電池總投資成本；為蓄電池線性老化系數(shù)；SOHmin為蓄電池壽命終止時的健康狀態(tài)值，取值0.8[14]；c B、dc B分別為蓄電池組的充、放電功率；c、dc分別為蓄電池組的充、放電效率。

2.1.2 約束條件

1）功率狀態(tài)約束

2）儲能狀態(tài)約束

式中，SOCB()為蓄電池荷電狀態(tài)；SOCC為超級電容荷電狀態(tài)；SOCe為可控負(fù)荷虛擬荷電狀態(tài)；SOCg為風(fēng)機(jī)虛擬荷電狀態(tài)。

2.2 下層協(xié)調(diào)控制：實(shí)時運(yùn)行控制模式

2.2.1 分區(qū)控制模式切換

實(shí)時分區(qū)運(yùn)行是針對非計(jì)劃性短時功率波動而提出的協(xié)調(diào)控制策略，可以很好地適應(yīng)微源和負(fù)荷出力多變的特點(diǎn)，具有很高的靈活性[27]。當(dāng)新能源出力與日前能量管理目標(biāo)不匹配時，采用完善的分區(qū)模式切換實(shí)現(xiàn)協(xié)調(diào)控制，兼顧各類儲能設(shè)備狀態(tài)觀測，以保證微電網(wǎng)安全前提下通過短時響應(yīng)控制設(shè)備運(yùn)行。下層協(xié)調(diào)控制根據(jù)各儲能裝置的荷電狀態(tài)切換控制模式，修正實(shí)際運(yùn)行狀態(tài)與全局優(yōu)化控制的理想優(yōu)化運(yùn)行狀態(tài)偏差，實(shí)現(xiàn)全局優(yōu)化運(yùn)行點(diǎn)鄰域內(nèi)的協(xié)調(diào)控制。

反復(fù)充放電會影響儲能電池的使用壽命，而虛擬儲能的構(gòu)成可彌補(bǔ)電池上述不足。綜合虛擬儲能響應(yīng)速度、儲能電池特性和經(jīng)濟(jì)性等方面，通過設(shè)置荷電狀態(tài)臨界值制定各類儲能元件投入優(yōu)先級規(guī)則，將直流微電網(wǎng)分為六種不同的運(yùn)行調(diào)度模式。獨(dú)立運(yùn)行的微電網(wǎng)實(shí)時分區(qū)運(yùn)行控制策略流程如圖2所示。

圖2 分區(qū)運(yùn)行控制模式切換流程

（1）經(jīng)濟(jì)調(diào)度。當(dāng)母線電壓標(biāo)幺值位于安全范圍，即0.95≤Δdc≤1.05時，微電網(wǎng)內(nèi)部負(fù)荷由可控型靈活資源和混合儲能裝置按照優(yōu)化結(jié)果供給。此區(qū)域控制模式下，協(xié)調(diào)控制器將局部實(shí)時信息更新至能量管理系統(tǒng)進(jìn)行存儲和監(jiān)視，基于實(shí)時運(yùn)行信息，并結(jié)合各類預(yù)測信息，有利于返回上層能量管理模式完成全局優(yōu)化算法，進(jìn)一步下發(fā)控制指令給協(xié)調(diào)控制器。

（2）超級電容充放電區(qū)。當(dāng)母線電壓不滿足安全運(yùn)行范圍條件，且超級電容器的荷電狀態(tài)位于SOCremin≤SOCCP≤SOCremax區(qū)間時，系統(tǒng)優(yōu)先運(yùn)行于超級電容充放電區(qū)。此時超級電容器功率調(diào)節(jié)能力充分，保證滿足平衡功率波動所需裕量。

（3）可控負(fù)荷虛擬儲能充放電區(qū)。當(dāng)超級電容器達(dá)到其調(diào)節(jié)限值時，由于異步電機(jī)轉(zhuǎn)子響應(yīng)速度快，優(yōu)先引入可控海水負(fù)荷作為虛擬儲能配合超級電容器參與系統(tǒng)功率調(diào)節(jié)。控制區(qū)間內(nèi)SOCCP達(dá)到SOCremax=65%時可控負(fù)荷虛擬儲能進(jìn)入虛擬儲能充電區(qū)，SOCl為100%時退出運(yùn)行；SOCCP達(dá)到SOCremin=35%進(jìn)入虛擬儲能放電區(qū)，運(yùn)行下限對應(yīng)風(fēng)機(jī)最小轉(zhuǎn)速時的SOCl限值。

（4）電動汽車充放電區(qū)。由于異步電機(jī)轉(zhuǎn)速有其最優(yōu)的可調(diào)范圍，超過此范圍引入電動汽車儲能參與調(diào)節(jié)。假定所有電動汽車用戶理智用電并對電價敏感，且電動汽車通過智能裝置接入微電網(wǎng)時服從調(diào)度管理且功率實(shí)時可調(diào)。設(shè)置SOCCP達(dá)到SOCset lmax=70%上限或SOCset lmin=30%下限時投入電動汽車分擔(dān)部分可控負(fù)荷調(diào)節(jié)負(fù)擔(dān)。聯(lián)合多類虛擬儲能參與平衡功率波動，可延長各設(shè)備調(diào)節(jié)裕量，協(xié)調(diào)多靈活性資源的規(guī)劃利用。

（5）風(fēng)機(jī)虛擬儲能充放電區(qū)。若新能源或負(fù)荷波動率顯著增大，系統(tǒng)靈活性需求激增，為分擔(dān)電動汽車充放電壓力，引入風(fēng)機(jī)虛擬儲能控制。控制區(qū)間為SOCCP=SOCset emax=75%時進(jìn)入風(fēng)機(jī)虛擬儲能充電區(qū)，達(dá)到SOCset emin=25%時進(jìn)入風(fēng)機(jī)虛擬儲能放電區(qū)。

（6）蓄電池充放電區(qū)。兼顧經(jīng)濟(jì)型和靈活性需求，最后投入蓄電池充放電。控制區(qū)間SOCCP=SOCset gmax=80%時進(jìn)入蓄電池充電區(qū)，下達(dá)SOCset gmin=20%時進(jìn)入放電區(qū)，風(fēng)功率和負(fù)荷功率維持極限功率。若達(dá)到蓄電池功率調(diào)節(jié)限區(qū)，采取棄風(fēng)或切負(fù)荷措施。

僅以直流電壓偏差作為監(jiān)測信號的微電網(wǎng)傳統(tǒng)分層控制，無法充分兼顧新能源間歇性出力與系統(tǒng)功率調(diào)控的融合問題。將虛擬荷電狀態(tài)分區(qū)融入已有分層控制后，可以實(shí)時監(jiān)測各類可控設(shè)備的荷電狀態(tài)，實(shí)現(xiàn)控制模式間的主動切換，統(tǒng)籌管理各類虛擬儲能的調(diào)配順序，以適應(yīng)實(shí)際工況。

2.2.2 含虛擬儲能協(xié)調(diào)控制技術(shù)

分區(qū)運(yùn)行模式切換所依據(jù)的協(xié)調(diào)控制策略如圖3所示。超級電容器換流器采用下垂控制并入微電網(wǎng)，下垂特性公式見附錄式（A1）；風(fēng)機(jī)采用最大功率點(diǎn)跟蹤控制捕獲最大風(fēng)功率；蓄電池充放電區(qū)內(nèi)蓄電池動作并采用直流電壓下垂控制見附錄式（A2）；電動汽車虛擬儲能參與調(diào)節(jié)時，其控制器采用直流電壓下垂控制見附錄式（A3）；可控負(fù)荷虛擬儲能充放電區(qū)內(nèi)引入可控負(fù)荷虛擬儲能協(xié)調(diào)控制技術(shù)；風(fēng)機(jī)虛擬儲能充放電區(qū)內(nèi)引入風(fēng)機(jī)虛擬儲能控制技術(shù)。

圖3 協(xié)調(diào)控制結(jié)構(gòu)圖

設(shè)定虛擬儲能電容值vir和超級電容器電容值存在如下關(guān)系：

式中，vir為虛擬電容放大倍數(shù)。

在容值恒定且忽略內(nèi)阻影響的條件下，超級電容器的端電壓與其荷電狀態(tài)關(guān)系為

式中，為超級電容器端電壓；Umax、Umin分別為超級電容器工作電壓的上、下限值。

假設(shè)超級電容器從0～1時刻吸收能量為

式中，U(0)、U(1)分別為0和1時刻超級電容器端電壓。依據(jù)式（22）可知，在SOCCP越過超級電容器可調(diào)節(jié)限值SOCres后，若虛擬儲能參與調(diào)節(jié)使

SOCCP重新達(dá)到設(shè)定值SOCset，需要吸收的能量為

結(jié)合式（2）、式（24）可得可控海水負(fù)荷的電角速度參考值為

結(jié)合式（4）、式（24）得風(fēng)力發(fā)電機(jī)的電角速度參考值為

針對風(fēng)機(jī)虛擬儲能，當(dāng)系統(tǒng)功率過剩時，電壓上升導(dǎo)致虛擬電容值改變，轉(zhuǎn)速參考值降低，風(fēng)機(jī)減速運(yùn)行。當(dāng)功率不足導(dǎo)致電壓跌落時，風(fēng)機(jī)在最大功率跟蹤控制下運(yùn)行在風(fēng)速上限，無法進(jìn)一步提高風(fēng)功率，因此低風(fēng)速時風(fēng)機(jī)不啟動虛擬儲能控制。

通過超級電容器電容值和虛擬電容放大倍數(shù)確定虛擬電容值，分別代入式（25）、式（26）式求出* r、* g參考值，可調(diào)節(jié)異步電機(jī)和風(fēng)機(jī)功率，實(shí)現(xiàn)海水負(fù)荷和風(fēng)機(jī)虛擬儲能平衡功率波動的目的。依據(jù)式（2）、式（4）電機(jī)電角速度的變化趨勢可以直接反映到虛擬荷電狀態(tài)上，實(shí)現(xiàn)對虛擬儲能運(yùn)行狀態(tài)的評估。

變頻異步電動機(jī)轉(zhuǎn)子轉(zhuǎn)速在700～1 500r/min時運(yùn)行于最優(yōu)運(yùn)行狀態(tài)。為量化協(xié)調(diào)控制時負(fù)荷可調(diào)范圍，設(shè)定海水負(fù)荷虛擬荷電狀態(tài)在21.78%～100%時正常參與調(diào)控。關(guān)于風(fēng)電機(jī)組，當(dāng)風(fēng)機(jī)轉(zhuǎn)子轉(zhuǎn)速降至額定轉(zhuǎn)速的40%退出虛擬儲能控制，即風(fēng)機(jī)最優(yōu)轉(zhuǎn)速范圍為300～750r/min，對應(yīng)的當(dāng)風(fēng)機(jī)虛擬荷電狀態(tài)處于16%～100%參與虛擬儲能。

3 算例分析

3.1 基礎(chǔ)數(shù)據(jù)

本文仿真算例采取如附圖1所示的直流微電網(wǎng)系統(tǒng)拓?fù)浣Y(jié)構(gòu)，系統(tǒng)主要參數(shù)見附表1。設(shè)定風(fēng)機(jī)單位電量運(yùn)行和維護(hù)成本為29.6元/(MW·h)[25]，調(diào)風(fēng)系數(shù)為350元/(MW·h）[28]，混合儲能單位電量的運(yùn)行和維護(hù)成本為9元/(MW·h)[26]，蓄電池線性老化系數(shù)為3.1×10-4，單位放電量的電動汽車上網(wǎng)補(bǔ)貼電價為420元/(MW·h)[29]。仿真中用到的日前功率預(yù)測曲線[30]和日分時電價[31]分別如圖4和圖5所示。

3.2 能量優(yōu)化結(jié)果分析

當(dāng)電動汽車參與虛擬儲能時，電動汽車服從負(fù)荷級調(diào)度策略，此時調(diào)度對象為電動汽車群。依據(jù)用戶行駛習(xí)慣對電動汽車集中有序管理，在保證電網(wǎng)經(jīng)濟(jì)性指標(biāo)前提下起到對原始負(fù)荷“削峰填谷”的作用[32-33]。將經(jīng)負(fù)荷級優(yōu)化后的微電網(wǎng)負(fù)荷引入目標(biāo)函數(shù)，運(yùn)用粒子群算法對經(jīng)濟(jì)模型進(jìn)行求解，典型日各時段經(jīng)濟(jì)優(yōu)化調(diào)度結(jié)果如圖6所示。

圖4 典型工作日功率預(yù)測曲線

圖5 分時電價

圖6 不同場景下的經(jīng)濟(jì)優(yōu)化方案

可控設(shè)備運(yùn)行參數(shù)不同，導(dǎo)致儲能間無法統(tǒng)一調(diào)用管理，缺乏對系統(tǒng)狀態(tài)的整體感知。以圖7中各時刻虛擬電容值為統(tǒng)一調(diào)控參數(shù)、以圖8中各儲能設(shè)備荷電狀態(tài)為系統(tǒng)狀態(tài)評估指標(biāo)，實(shí)現(xiàn)源荷儲資源靈活互動和協(xié)同互補(bǔ)。

圖7 虛擬儲能電容值

圖8 儲能荷電狀態(tài)

在不考慮虛擬儲能場景下，2:00～6:00時刻負(fù)荷功率較為平穩(wěn)，以超級電容器充放電為主，蓄電池小范圍內(nèi)輔助調(diào)節(jié)，保證滿足儲能裝置平衡功率波動所需裕量；8:00～16:00風(fēng)能出力減小導(dǎo)致超級電容達(dá)到其放電閾值，蓄電池加大出力，補(bǔ)充功率缺額；17:00后負(fù)荷功率增幅加大，且電動汽車用戶無序充電導(dǎo)致“峰上加峰”，加重系統(tǒng)調(diào)節(jié)負(fù)擔(dān)，蓄電池頻繁放電，電池老化成本大幅增加。實(shí)行無虛擬儲能場景下的日調(diào)度方案后蓄電池荷電狀態(tài)降至10%以下，對電池健康造成嚴(yán)重危害，同時8:00后超級電容器不再參與調(diào)節(jié)，無法充分發(fā)揮其調(diào)節(jié)潛力。

考慮虛擬儲能參與微電網(wǎng)調(diào)度可以有效解決上述問題，優(yōu)化結(jié)果以虛擬儲能電容值為預(yù)測參考值，調(diào)控虛擬儲能充放電功率。2:00～6:00依據(jù)電價激勵策略投入虛擬電容值逐步增大的電動汽車虛擬儲能，合理消納夜間冗余風(fēng)功率。4:00時海水負(fù)荷虛擬荷電狀態(tài)達(dá)上限，海水淡化機(jī)組退出虛擬儲能控制，風(fēng)機(jī)虛擬儲能減小吸收風(fēng)功率，風(fēng)機(jī)虛擬電容值增加12.66F；8:00～16:00可控負(fù)荷以較高虛擬電容值投入，起主要調(diào)節(jié)作用，同時觀測其虛擬荷電狀態(tài)變化穩(wěn)定，此時蓄電池荷電狀態(tài)始終維持在53%，大幅減小電池壽命成本；17:00后閑置電動汽車放電供給負(fù)荷，負(fù)值虛擬電容值可直接抵消部分蓄電池調(diào)節(jié)容量。此時段可觀測各儲能狀態(tài)始終未超越調(diào)節(jié)閾值，微電網(wǎng)仍具備虛擬儲能協(xié)同調(diào)控優(yōu)勢。協(xié)同虛擬儲能的日調(diào)度場景下，蓄電池荷電狀態(tài)僅衰減了24%，且超級電容器始終參與調(diào)節(jié)，利于儲能間的長期配合。

3.3 協(xié)調(diào)控制結(jié)果分析

實(shí)時協(xié)調(diào)控制模式中電動汽車服從源荷級調(diào)度，調(diào)度對象為可參與調(diào)度的電動汽車群，此時電動汽車發(fā)揮其儲能作用，輔助增強(qiáng)微電網(wǎng)安全可靠性。

當(dāng)風(fēng)速突變時，采用協(xié)調(diào)控制策略使微電網(wǎng)各儲能系統(tǒng)自動分?jǐn)偽{系統(tǒng)瞬時功率波動，仿真周期為60s。以風(fēng)速突增，儲能系統(tǒng)充電為例，考慮虛擬儲能和不考慮虛擬儲能出力場景下的源荷儲動態(tài)響應(yīng)如圖9所示。

圖9 不同場景下的儲能充電動態(tài)響應(yīng)

當(dāng)不投入虛擬儲能時，超級電容可以維持在其工作區(qū)間平衡功率波動。但隨著風(fēng)速進(jìn)一步攀升，27.86s時超級電容達(dá)到其調(diào)節(jié)上限而停止動作，蓄電池承擔(dān)起維持功率平衡主要任務(wù)，大幅增加傳統(tǒng)儲能配置容量。在虛擬儲能分區(qū)控制策略下，在8.29s時SOCCP充電至65%，此時可控負(fù)荷以10F的虛擬電容值投入虛擬儲能，緩沖風(fēng)功率突增對微電網(wǎng)安全的沖擊。19.44s時SOCCP達(dá)到70%，電動汽車虛擬儲能投入分擔(dān)可控負(fù)荷調(diào)節(jié)壓力。19.73s后可控負(fù)荷虛擬儲能的荷電狀態(tài)到達(dá)100%，維持其充電功率于極限狀態(tài)，此時電動汽車其主要調(diào)節(jié)作用。由于電動汽車對電網(wǎng)放電需要考慮對用戶的影響，所以需合理限制充放電功率[29]，設(shè)置電動汽車最大充放電功率為3MW，避免電池荷電狀態(tài)快速達(dá)到限值。39.6s后風(fēng)速逐步降低，但總體上仍處于平均風(fēng)速之上，仍需儲能系統(tǒng)平抑風(fēng)能余量，55.2s時SOCCP充電至75%，風(fēng)機(jī)以6.7F的虛擬電容值投入，雖使風(fēng)功率降低0.42MW，但虛擬儲能的協(xié)調(diào)控制投入維持了母線電壓的穩(wěn)定性，有利于提高微電網(wǎng)安全性。

3.4 系統(tǒng)經(jīng)濟(jì)與安全運(yùn)行分析

直流母線電壓是反映微電網(wǎng)運(yùn)行安全性的主要指標(biāo)，協(xié)調(diào)控制策略對于提高系統(tǒng)安全可靠性有成效，體現(xiàn)在功率突變情況下，若檢測到直流母線電壓不在其安全范圍內(nèi)，即母線電壓變化量Δdc≥1.05或Δdc≤0.95，虛擬儲能按照優(yōu)先級順序依次投入維持功率供需平衡，快速響應(yīng)使電壓恢復(fù)安全運(yùn)行范圍。以3.3.1節(jié)中協(xié)調(diào)控制下的儲能充電仿真場景為例，直流母線電壓變化量仿真結(jié)果如圖10所示。由于超級電容調(diào)節(jié)能力的限制，在5.42s后無法緩沖風(fēng)功率突增對系統(tǒng)的沖擊，電壓超過安全上限，若無虛擬儲能參與調(diào)節(jié)，電壓會隨著風(fēng)速的增加而劇烈波動，難以保證系統(tǒng)安全可靠運(yùn)行。投入虛擬儲能后，8.29～19.44s可控負(fù)荷虛擬儲能發(fā)揮明顯作用，19.44s后電動汽車與可控負(fù)荷協(xié)調(diào)工作，避免風(fēng)速進(jìn)一步升高導(dǎo)致電壓越限，虛擬儲能的配合控制使電壓恢復(fù)至安全運(yùn)行范圍，顯著減小電壓越限時間。

圖10 直流母線電壓變化量仿真結(jié)果

為驗(yàn)證虛擬儲能可帶來經(jīng)濟(jì)效益，本文對比分析了含虛擬儲能和無虛擬儲能兩種場景下的微電網(wǎng)綜合成本和收益。微電網(wǎng)凈收益和綜合成本對比曲線如圖11所示。對比分析得出虛擬儲能系統(tǒng)的融入使微電網(wǎng)綜合成本降低67.33%，充分補(bǔ)償了虛擬儲能導(dǎo)致的收益差額。引入虛擬儲能系統(tǒng)為微電網(wǎng)帶來的凈收益為不投入虛擬儲能的2.8倍。分析表明，盡管有虛擬儲能參與的負(fù)荷收益會因其配合傳統(tǒng)儲能充放電而減小，但微電網(wǎng)運(yùn)行綜合成本可大幅降低，所以微電網(wǎng)凈收益仍具優(yōu)勢。綜上所述，含多靈活性資源的虛擬儲能系統(tǒng)的應(yīng)用綜合提升了微電網(wǎng)經(jīng)濟(jì)潛力。

圖11 微電網(wǎng)凈收益和綜合成本仿真結(jié)果

4 結(jié)論

本文為直流微電網(wǎng)內(nèi)的可控源儲荷設(shè)計(jì)了上層能量優(yōu)化和下層協(xié)調(diào)控制的雙層管理方法，并提出了基于虛擬儲能的多時間尺度源荷儲協(xié)調(diào)控制策略，使供、需兩側(cè)資源得以整合，提升了系統(tǒng)調(diào)控的互動靈活性。所得結(jié)論如下：

1）以虛擬電容形式將具備可控性的負(fù)荷、風(fēng)機(jī)和電動汽車構(gòu)建為虛擬儲能系統(tǒng)，使直流微電網(wǎng)能夠?qū)⑻摂M電容值作為統(tǒng)一調(diào)控參數(shù)，以虛擬荷電狀態(tài)作為系統(tǒng)運(yùn)行評估指標(biāo)，便于整體規(guī)劃系統(tǒng)內(nèi)的可控資源儲備及安全調(diào)用范圍。

2）直流微電網(wǎng)在所提雙層管理模式下，供需側(cè)各類可控資源的能量儲備通過多時間尺度配合，不僅監(jiān)測更加直觀，且資源調(diào)度的協(xié)調(diào)性和靈活性均得到了顯著提升。在所提上層控制中，通過虛擬電容值不僅可以評估可控設(shè)備的調(diào)節(jié)潛力，并且便于統(tǒng)一調(diào)用能量儲備，使優(yōu)化運(yùn)行得以簡化，顯著降低系統(tǒng)運(yùn)行成本。

3）引入虛擬儲能后，直流微電網(wǎng)在電壓分層控制基礎(chǔ)上，通過監(jiān)測虛擬荷電狀態(tài)，可進(jìn)一步融入所提分區(qū)協(xié)調(diào)控制，短時調(diào)用源儲荷的能量儲備應(yīng)對非計(jì)劃性擾動。測試結(jié)果表明在所提下層運(yùn)行控制策略中，依據(jù)虛擬儲能運(yùn)行區(qū)域劃分，源荷儲快速控制潛力可以得到充分發(fā)揮，不僅有效地避免了電池過度充放電，而且保障了系統(tǒng)運(yùn)行安全性。

附 錄

附表1 仿真系統(tǒng)參數(shù)

App.Tab.1 Power parameters of the simulation system

元件參數(shù) 風(fēng)力發(fā)電單元PN=30MWωrn=750rad/minSOCg: 16%～100% 超級電容器C=103F, UCN=300kV 蓄電池Qrn=104A·h,UbatN=120kVηc=ηdc=0.8SOCB: 20%～80% 海水負(fù)荷ωrn=1 500rad/min, ωrmin=700rad/minSOCl: 22%～100% 電動汽車N=500, PC=1.8MW, C=24MWTms=7, Tns=17SOCe: 30%～90% 分區(qū)荷電狀態(tài)(SOCremin,SOCremax)=35%～65%(SOCset lmin,SOCset lmax)=30%～70%(SOCset emin,SOCset emax)=25%～75%(SOCset gmin,SOCset gmax)=20%～80%

附圖1 微電網(wǎng)系統(tǒng)拓?fù)浣Y(jié)構(gòu)圖

App.Fig.1 Diagram of the microgrid system

式中，dc_C和dc_C分別為超級電容換流器直流側(cè)電壓和電流；ref_C為dc_C的參考值；為超級電容換流器下垂系數(shù)，=0.05/_max。

式中，dc_B、ref_B、dc_B分別為蓄電池?fù)Q流器直流側(cè)的電壓值、電壓參考值及電流值；B為蓄電池?fù)Q流器下垂系數(shù)，B=0.05/B_max。

式中，dc_E、ref_E、dc_E分別為電動汽車換流器直流側(cè)的電壓值、電壓參考值及電流值；為電動汽車換流器下垂系數(shù)，。

附圖2 電動汽車負(fù)荷優(yōu)化流程

App.Fig.2 Flow chart of electric vehicle load optimization

[1] 葉暢, 曹侃, 丁凱, 等. 基于廣義儲能的多能源系統(tǒng)不確定優(yōu)化調(diào)度策略[J]. 電工技術(shù)學(xué)報, 2021, 36(17): 3753-3764.

Ye Chang, Cao Kan, Ding Kai, et al. Uncertain optimal dispatch strategy based on generalized energy storage for multi-energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3753-3764.

[2] 魯宗相, 李海波, 喬穎. 高比例可再生能源并網(wǎng)的電力系統(tǒng)靈活性評價與平衡機(jī)理[J]. 中國電機(jī)工程學(xué)報, 2017, 37(1): 9-20.

Lu Zongxiang, Li Haibo, Qiao Ying. Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity[J]. Proceedings of the CSEE, 2017, 37(1): 9-20.

[3] 李海波, 魯宗相, 喬穎. 源荷儲一體化的廣義靈活電源雙層統(tǒng)籌規(guī)劃[J]. 電力系統(tǒng)自動化, 2017, 41(21): 46-54, 104.

Li Haibo、Lu Zongxiang、Qiao Ying. Bi-level optimal planning of generation-load-storage integrated generalized flexibility resource[J]. Automation of Electric Power Systems, 2017, 41(21): 46-54, 104.

[4] Hamidpour H, Aghaei J, Pirouzi S, et al. Flexible, reliable, and renewable power system resource expansion planning considering energy storage systems and demand response programs[J]. IET Renewable Power Generation, 2019, 13(11): 1862-1872.

[5] 余曉丹, 徐憲東, 陳碩翼, 等. 綜合能源系統(tǒng)與能源互聯(lián)網(wǎng)簡述[J]. 電工技術(shù)學(xué)報, 2016, 31(1): 1-13.

Yu Xiaodan, Xu Xiandong, Chen Shuoyi, et al. A brief review to integrated energy system and energy Internet[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.

[6] 吳界辰, 艾欣, 胡俊杰. 需求側(cè)資源靈活性刻畫及其在日前優(yōu)化調(diào)度中的應(yīng)用[J]. 電工技術(shù)學(xué)報, 2020, 35(9): 1973-1984.

Wu Jiechen, Ai Xin, Hu Junjie. Methods for characterizing flexibilities from demand-side resources and their applications in the day-ahead optimal scheduling[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 1973-1984.

[7] Chen Xinyu, Lü Jiajun, McElroy M B, et al. Power system capacity expansion under higher penetration of renewables considering flexibility constraints and low carbon policies[J]. IEEE Transactions on Power Systems, 2018, 33(6): 6240-6253.

[8] 陳保瑞, 劉天琪, 何川, 等. 考慮需求響應(yīng)的源網(wǎng)荷協(xié)調(diào)分布魯棒長期擴(kuò)展規(guī)劃[J]. 中國電機(jī)工程學(xué)報, 2021, 41(20): 6886-6900.

Chen Baorui, Liu Tianqi, He Chuan, et al. Distributionally robust coordinated expansion planning for generation and transmission systems with demand response[J]. Proceedings of the CSEE, 2021, 41(20): 6886-6900.

[9] 姜云鵬, 任洲洋, 李秋燕, 等. 考慮多靈活性資源協(xié)調(diào)調(diào)度的配電網(wǎng)新能源消納策略[J]. 電工技術(shù)學(xué)報, 2022, 37(7): 1820-1835.

Jiang Yunpeng, Ren Zhouyang, Li Qiuyan, et al. An accommodation strategy for renewable energy in distribution network considering coordinated dispatching of multi-flexible resources[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 1820-1835.

[10] 王明軍, 穆云飛, 孟憲君, 等. 考慮熱能輸運(yùn)動態(tài)特性的電–熱綜合能源系統(tǒng)優(yōu)化調(diào)度方法[J]. 電網(wǎng)技術(shù), 2020, 44(1): 132-142.

Wang Mingjun, Mu Yunfei, Meng Xianjun, et al. Optimal scheduling method for integrated electro-thermal energy system considering heat transmission dynamic characteristics[J]. Power System Technology, 2020, 44(1): 132-142.

[11] 張風(fēng)曉, 靳小龍, 穆云飛, 等. 融合虛擬儲能系統(tǒng)的樓宇微電網(wǎng)模型預(yù)測調(diào)控方法[J]. 中國電機(jī)工程學(xué)報, 2018, 38(15): 4420-4428, 4642.

Zhang Fengxiao, Jin Xiaolong, Mu Yunfei, et al. Model predictive scheduling method for a building microgrid considering virtual storage system[J]. Proceedings of the CSEE, 2018, 38(15): 4420-4428, 4642.

[12] 王成山, 劉夢璇, 陸寧. 采用居民溫控負(fù)荷控制的微電網(wǎng)聯(lián)絡(luò)線功率波動平滑方法[J]. 中國電機(jī)工程學(xué)報, 2012, 32(25): 36-43, 8.

Wang Chengshan, Liu Mengxuan, Lu Ning. A Tie-line power smoothing method for microgrid using residential thermostatically-controlled loads[J]. Proceedings of the CSEE, 2012, 32(25): 36-43, 8.

[13] 艾欣, 趙閱群, 周樹鵬. 空調(diào)負(fù)荷直接負(fù)荷控制虛擬儲能特性研究[J]. 中國電機(jī)工程學(xué)報, 2016, 36(6): 1596-1603.

Ai Xin, Zhao Yuequn, Zhou Shupeng. Study on virtual energy storage features of air conditioning load direct load control[J]. Proceedings of the CSEE, 2016, 36(6): 1596-1603.

[14] 黃馗. 風(fēng)儲海水淡化聯(lián)產(chǎn)直流微電網(wǎng)的運(yùn)行控制研究[D]. 北京: 華北電力大學(xué), 2017.

[15] 杜麗佳, 靳小龍, 何偉, 等. 考慮電動汽車和虛擬儲能系統(tǒng)優(yōu)化調(diào)度的樓宇微電網(wǎng)聯(lián)絡(luò)線功率平滑控制方法[J]. 電力建設(shè), 2019, 40(8): 26-33.

Du Lijia, Jin Xiaolong, He Wei, et al. A Tie-line power smoothing control method for an office building microgrid by scheduling thermal mass of the building and plug-in electric vehicles[J]. Electric Power Construction, 2019, 40(8): 26-33.

[16] 李建林, 牛萌, 周喜超, 等. 能源互聯(lián)網(wǎng)中微能源系統(tǒng)儲能容量規(guī)劃及投資效益分析[J]. 電工技術(shù)學(xué)報, 2020, 35(4): 874-884.

Li Jianlin, Niu Meng, Zhou Xichao, et al. Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection[J]. Transactions of China Electrotechnical Society, 2020, 35(4): 874-884.

[17] 代瓊丹, 楊莉, 林振智, 等. 考慮功能區(qū)差異性和虛擬儲能的綜合能源系統(tǒng)多元儲能規(guī)劃[J]. 電力自動化設(shè)備, 2021, 41(9): 182-190.

Dai Qiongdan, Yang Li, Lin Zhenzhi, et al. Multi-storage planning of integrated energy system considering functional area difference and virtual storage[J]. Electric Power Automation Equipment, 2021, 41(9): 182-190.

[18] 石慶均, 耿光超, 江全元. 獨(dú)立運(yùn)行模式下的微電網(wǎng)實(shí)時能量優(yōu)化調(diào)度[J]. 中國電機(jī)工程學(xué)報, 2012, 32(16): 26-35.

Shi Qingjun, Geng Guangchao, Jiang Quanyuan. Real-time optimal energy dispatch of standalone microgrid[J]. Proceedings of the CSEE, 2012, 32(16): 26-35.

[19] 朱建全, 段翩, 劉明波. 計(jì)及風(fēng)險與源-網(wǎng)-荷雙層協(xié)調(diào)的電力實(shí)時平衡調(diào)度[J]. 中國電機(jī)工程學(xué)報, 2015, 35(13): 3239-3247.

Zhu Jianquan, Duan Pian, Liu Mingbo. Electric real-time balance dispatch via Bi-level coordination of source-grid-load of power system with risk[J]. Proceedings of the CSEE, 2015, 35(13): 3239-3247.

[20] 朱洋艷, 王致杰, 王鴻, 等. 基于分層控制的微電網(wǎng)混合儲能協(xié)調(diào)優(yōu)化策略研究[J]. 太陽能學(xué)報, 2021, 42(3): 235-242.

Zhu Yangyan, Wang Zhijie, Wang Hong, et al. Research on hierarchical control of micro power grid hybrid energy storage coordination optimization strategy[J]. Acta Energiae Solaris Sinica, 2021, 42(3): 235-242.

[21] 鮑薇, 胡學(xué)浩, 李光輝, 等. 提高負(fù)荷功率均分和電能質(zhì)量的微電網(wǎng)分層控制[J]. 中國電機(jī)工程學(xué)報, 2013, 33(34): 106-114, 18.

Bao Wei, Hu Xuehao, Li Guanghui, et al. Hierarchical control of microgrid to improve power sharing and power quality[J]. Proceedings of the CSEE, 2013, 33(34): 106-114, 18.

[22] 梁寧, 鄧長虹, 譚津, 等. 計(jì)及電量電價彈性的主動配電網(wǎng)多時間尺度優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動化, 2018, 42(12): 44-50.

Liang Ning, Deng Changhong, Tan Jin, et al. Optimization scheduling with multiple time scale for active distribution network considering electricity price elasticity[J]. Automation of Electric Power Systems, 2018, 42(12): 44-50.

[23] 靳小龍, 穆云飛, 賈宏杰, 等. 融合需求側(cè)虛擬儲能系統(tǒng)的冷熱電聯(lián)供樓宇微電網(wǎng)優(yōu)化調(diào)度方法[J]. 中國電機(jī)工程學(xué)報, 2017, 37(2): 581-591.

Jin Xiaolong, Mu Yunfei, Jia Hongjie, et al. Optimal scheduling method for a combined cooling, heating and power building microgrid considering virtual storage system at demand side[J]. Proceedings of the CSEE, 2017, 37(2): 581-591.

[24] 湯翔鷹, 胡炎, 耿琪, 等. 考慮多能靈活性的綜合能源系統(tǒng)多時間尺度優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動化, 2021, 45(4): 81-90.

Tang Xiangying, Hu Yan, Geng Qi, et al. Multi-time-scale optimal scheduling of integrated energy system considering multi-energy flexibility[J]. Automation of Electric Power Systems, 2021, 45(4): 81-90.

[25] 李悅強(qiáng), 蔡旭, 賈鋒. 大型風(fēng)電機(jī)組最大功率曲線自校正方法[J]. 電網(wǎng)技術(shù), 2017, 41(10): 3269-3276.

Li Yueqiang, Cai Xu, Jia Feng. Self-correction method for maximum power curves of large wind turbines[J]. Power System Technology, 2017, 41(10): 3269-3276.

[26] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統(tǒng)計(jì)學(xué)建模方法[J]. 電網(wǎng)技術(shù), 2010, 34(11): 126-130.

Tian Liting, Shi Shuanglong, Jia Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[27] 劉東, 陳云輝, 黃玉輝, 等. 主動配電網(wǎng)的分層能量管理與協(xié)調(diào)控制[J]. 中國電機(jī)工程學(xué)報, 2014, 34(31): 5500-5506.

Liu Dong, Chen Yunhui, Huang Yuhui, et al. Hierarchical energy management and coordination control of active distribution network[J]. Proceedings of the CSEE, 2014, 34(31): 5500-5506.

[28] 趙興勇, 楊濤, 王靈梅. 基于復(fù)合儲能的微電網(wǎng)運(yùn)行方式切換控制策略[J]. 高電壓技術(shù), 2015, 41(7): 2142-2147.

Zhao Xingyong, Yang Tao, Wang Lingmei. Control strategy for operation modes transfer of micro-grid based on hybrid energy storage system[J]. High Voltage Engineering, 2015, 41(7): 2142-2147.

[29] 丁明, 張穎媛, 茆美琴, 等. 包含鈉硫電池儲能的微電網(wǎng)系統(tǒng)經(jīng)濟(jì)運(yùn)行優(yōu)化[J]. 中國電機(jī)工程學(xué)報, 2011, 31(4): 7-14.

Ding Ming, Zhang Yingyuan, Mao Meiqin, et al. Economic operation optimization for microgrids including Na/S battery storage[J]. Proceedings of the CSEE, 2011, 31(4): 7-14.

[30] 王蕭博, 黃文燾, 邰能靈, 等. 一種源-荷-儲協(xié)同的電熱微網(wǎng)聯(lián)絡(luò)線功率平滑策略[J]. 電工技術(shù)學(xué)報, 2020, 35(13): 2817-2829.

Wang Xiaobo, Huang Wentao, Tai Nengling, et al. A tie-line power smoothing strategy for microgrid with heat and power system using source-load-storage coordination control[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2817-2829.

[31] 張明銳, 謝青青, 李路遙, 等. 考慮電動汽車能量管理的微電網(wǎng)儲能容量優(yōu)化[J]. 中國電機(jī)工程學(xué)報, 2015, 35(18): 4663-4673.

Zhang Mingrui, Xie Qingqing, Li Luyao, et al. Optimal sizing of energy storage for microgrids considering energy management of electric vehicles[J]. Proceedings of the CSEE, 2015, 35(18): 4663-4673.

[32] 曹一家, 苗軼群, 江全元. 含電動汽車換電站的微電網(wǎng)孤島運(yùn)行優(yōu)化[J]. 電力自動化設(shè)備, 2012, 32(5): 1-6.

Cao Yijia, Miao Yiqun, Jiang Quanyuan. Optimal operation of islanded microgrid with battery swap stations[J]. Electric Power Automation Equipment, 2012, 32(5): 1-6.

[33] 郝麗麗, 王國棟, 王輝, 等. 考慮電動汽車入網(wǎng)輔助服務(wù)的配電網(wǎng)日前調(diào)度策略[J]. 電力系統(tǒng)自動化, 2020, 44(14): 35-43.

Hao Lili, Wang Guodong, Wang Hui, et al. Day-ahead scheduling strategy of distribution network considering electric vehicle-to-grid auxiliary service[J]. Automation of Electric Power Systems, 2020, 44(14): 35-43.

Multi-Time-Scale Energy Optimization and Zone Coordinated Control of DC Microgrid Source-Load-Storage Based on Virtual Energy Storage

Zhang Xiangyu Shu Yinan Fu Yuan

（State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources North China Electric Power University Baoding 071003 China）

The source-load-storage in the DC microgrid takes the form of virtual energy storage, which is easy to improve the operating performance of the system through multi-time-scale energy optimization and coordinated control. Firstly, the charging and discharging characteristics of capacitor energy storage are simulated by wind power and controllable load, and a virtual energy storage system model with multiple flexible resources is constructed and integrated into the DC microgrid. In the optimal dispatch model, the charging and discharging management of the virtual energy storage system is used to complete the economic regulation of the system. Secondly, to deal with unplanned power fluctuations, a two-layer scheduling framework is introduced. Under the premise of ensuring the upper-level energy optimization of economic operation, a short-time source-load-storage zone coordination control is proposed to enhance the reliability of microgrid operation, which is based on virtual energy storage. Finally, the simulations have verified that virtual energy storage can fully stimulate the coordinated regulation potential of the source-load-storage in the DC microgrid under multi-time-scale, and improve the system operation economy and safety.

Virtual energy storage, flexible resources, supercapacitors, energy management, coordinated control

10.19595/j.cnki.1000-6753.tces.220757

TM73

國家自然科學(xué)基金項(xiàng)目（52277100）和河北省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（21312102D）資助。

2022-05-07

2022-08-03

張祥宇 男，1984年生，副教授，博士，研究方向?yàn)樾履茉窗l(fā)電與智能電網(wǎng)。E-mail：zh.xy.sq@163.com

舒一楠 女，1996年生，碩士研究生，研究方向?yàn)樾履茉窗l(fā)電與儲能控制技術(shù)。E-mail：853639185@qq.com（通信作者）

（編輯 赫蕾）