一种基于市场均衡机制的微网能量优化方法
技术领域
本发明涉及电力系统中的微网能量优化,尤其是涉及一种基于市场均衡机制的微网能量优化方法。
背景技术
微网(Micro-grid)是指由分布式电源(distributed generation,DG)、储能装置、能量转换装置、负荷以及相应的监控和保护装置等组成的小型发配电系统,既可以解决DG的并网问题,也可以实现DG的灵活、高效应用。随着能源和环境问题的日益突出,以光伏发电和风力发电为代表的DG因其能源利用效率高、环境负面影响小等特点,正受到越来越广泛的研究,从而微网也成为备受关注的研究领域。微网的能量优化技术是微网研究的一个重要方向,通过特定的优化手段或算法,控制微网内各项资源协调运行,以达到经济性、环境友好性等目标。
微网中的资源可分为“源”、“荷”、“储”等三类,如图1所示。现有技术将其统称为广义需求侧资源(下文简称为资源)。通过这三类特性各异的资源的互补可以显著增强微网能量优化的潜力,但同时也明显增大了优化算法的复杂度。
在目前微网能量优化研究中,重点优化对象主要包括:与主电网的联络线交换功率(并网模式下)、可控DG、可中断或可平移的负荷、储能资源等。针对联络线交换功率、可控DG、储能进行优化时,现有技术采用动态规划、粒子群算法、遗传算法、万有引力搜索算法等多种优化算法。当进一步计及可平移负荷时,现有技术首先求解出与目标负荷曲线吻合度最高的平移后负荷曲线,然后采用上述优化算法求解;或者直接将平移后的负荷值作为变量,加入上述优化算法中一同求解;还有部分技术以滚动时间窗作为研究时段,制定了平移负荷和储能的启发式规则,然后采用上述优化算法求解。
以上微网能量优化方法的共同点是,都属于集中式优化方法。所有资源(或用户)将自身的全部信息(成本曲线、出力曲线、运行特性等)上传到微网能量管理系统(energymanagement system,EMS),在微网EMS中设定目标函数与约束条件进行优化计算,再将优化结果下发至各个资源(或用户),由各个资源(或用户)执行。上述集中式优化方法的优点是信息集中且透明,便于优化得到最优解,但存在着共性的缺点:
1)随着微网规模的增大,EMS的计算量迅速增大;
2)考虑到各类资源的特性参数各异,使得资源与EMS系统之间交互的信息较为复杂多样,且难以做到资源的“即插即用”,这导致系统的开放性与可扩展性较差;
3)难以对资源(或用户)的隐私实施有效保护。
于是在这类方法的基础上产生了一些改进的优化技术。部分技术引入了需求侧投标,将负荷分为不同的优先级,优先级越高的负荷,投标价格越高,以此决定可削减负荷的出力,但仍采用集中式优化方法。部分技术针对可平移负荷,采用离散型动态规划进行需求侧投标,以实现负荷用电成本最小,但是所讨论的方法中没有考虑可控DG和储能等重要资源。
市场均衡机制在电力市场已有应用,主要用于发电侧竞价、需求侧竞价以及双边竞价等。为了克服集中式微网能量优化中计算量过大、开放性与拓展性较差、隐私保护性不强的缺点,本发明通过设计可平移负荷、储能、DG的自治投标策略,在微网中建立一个本地市场,从而构成一种分布式的微网能量优化方法。
发明内容
本发明的目的就是为了克服集中式微网能量优化方法中存在的计算量过大、开放性与拓展性较差、隐私保护性不强的缺点,而提供一种基于市场均衡机制的微网能量优化方法,具有计算量小、便于统一建模、隐私保护性高、拓展性强等优点。
本发明的目的可以通过以下技术方案来实现:
一种基于市场均衡机制的微网能量优化方法,在微网中建立一个本地市场,基于市场均衡机制进行出清;为微网内的分布式电源、可平移负荷、储能等广义需求侧资源设计自治投标策略,利用其所具有的需求弹性进行投标;以此实现微网运行的能量优化目标。
所述的本地市场采用分布式多代理结构,每个微网对应于一个市场代理;每个广义需求侧资源对应于一个资源代理。
所述的市场均衡机制的具体实现如下:设整个优化时段为H小时,并将其划分为N个优化周期,则市场将每隔T=H/N小时进行一次投标和出清。
所述的投标和出清具体为:
在第n个优化周期的初始时刻,此时所有资源代理结合资源自身状态和其它信息形成投标,其中其他信息包括但不限于未来电价、用户意愿和天气,市场代理聚合所有投标,寻找供需平衡点,决定市场出清价格;资源代理接收该出清价格,确定该资源在第n个优化周期内的出力。
所述的微网内的可平移负荷资源采用的自治投标策略具体为:
设某一可平移负荷的起始时刻为第nLTs个优化周期的初始时刻;截止时刻为第nLTe个优化周期的终止时刻;该段时间内的负荷总量为WLT;在第n个优化周期的初始时刻,其中nLTs≤n≤nLTe,已知该可平移负荷中未被满足的剩余负荷总量为WLTr,未来电价的平均值为pLTavg、标准差为σLT;
则最高投标价格和最低投标价格分别为:
pLTmax=min(pLTavg+rmax×σLT,pmax)
pLTmin=max(pLTavg-rmin×σLT,pmin)
式中,rmax和rmin为各用户可以根据自身偏好进行设置的参数,其大小反映了用户需求弹性的大小程度;rmax和rmin的值越小,则用户的需求弹性越大;
则剩余负荷的平均功率需求表征:当出清电价等于未来平均电价时,功率需求为剩余负荷的平均功率,其表达式为:
剩余负荷的最大功率需求表征:当出清电价极低时,在当前优化周期内满足所有剩余负荷,其表达式为:
考虑到可平移负荷不可能无条件地向某一时间段集中,因此设置其自身物理限制为dLTlim,如果随后的所有优化时间内均按dLTlim限制下的最大功率出力,也无法满足全部的剩余负荷,那么说明当前优化周期内存在一类必须被满足的负荷,这类负荷由剩余负荷的最小功率需求表征,其表达式为:
从而,本发明设计的可平移负荷的投标曲线如图3所示。
所述的微网内的储能资源采用的自治投标策略具体为:
设某一储能资源的总容量为CB,初始荷电状态SOC为SOCinit,SOC上限为SOCmax,SOC下限为SOCmin,充放电功率限制为dBlim;为保证储能资源可持续性运行,设定整个优化时段截止时刻的SOC期望值为SOCobj,取为初始SOC;在第n个优化周期的初始时刻,已知储能资源的当前SOC为SOCcur;整个优化时段内的电价平均值为pBavg,标准差为σB;
则最高投标价格和最低投标价格分别为:
pBmax=min(pBavg+rmax×σB,pmax)
pBmin=max(pBavg-rmin×σB,pmin)
平均充放电功率需求表征:当出清电价等于平均电价时,功率需求为能够达到截止时刻SOC期望值的平均功率,其表达式为:
最大充电功率需求表征:当出清电价极低时,在满足SOC约束的条件下可能的最大充电功率,此处暂不考虑充放电功率限制,其表达式为:
最大放电功率需求表征:当出清电价极高时,在满足SOC约束的条件下可能的最大放电功率,此处暂不考虑充放电功率限制,其表达式为:
从而,本发明设计的储能的投标曲线如图4所示。当投标功率值为正数时,表示储能资源充电,否则表示储能资源放电。
与现有技术相比,本发明具有以下优点:
1)本发明采用供需平衡原理来决定出清价格,原理简单直观,舍弃了复杂的集中式优化算法,使得计算量大幅减小,从而可适用于各种规模的系统;
2)本发明中各类资源代理与市场代理之间仅交互价格与功率需求信息,而屏蔽了各类资源的其他特性参数。这样,既便于实现统一建模,又能有效保证用户的隐私信息;
3)本发明基于多代理结构,拓展性极强,支持资源代理的即插即用、即关即停。
附图说明
图1为微网资源示意图;
图2为供需平衡原理图;
图3为可平移负荷投标曲线示意图;
图4为储能投标曲线示意图;
图5为基本负荷预测曲线;
图6为可再生能源出力预测曲线;
图7为可平移负荷优化结果;
图8为电池优化结果;
图9为联络线传输功率优化结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
在微网中建立一个本地市场,基于供需平衡原理进行出清;为微网内的分布式电源、可平移负荷、储能等广义需求侧资源设计自治投标策略,利用它们所具有的需求弹性进行投标;以此实现微网运行的能量优化目标。
所述的供需平衡原理如图2所示。由供需平衡点决定本地市场的出清价格和出清需求。
所述的本地市场采用分布式多代理结构。每个微网对应于一个市场代理;每个广义需求侧资源对应于一个资源代理。
所述市场均衡机制的具体实现如下:设整个优化时段为H小时,并将其划分为N个优化周期,则市场将每隔T=H/N小时进行一次投标和出清。例如在第n个优化周期的初始时刻,此时所有资源代理结合资源自身状态和其它信息(如未来电价、用户意愿、天气等)形成投标。市场代理聚合所有投标,寻找供需平衡点,决定市场出清价格。资源代理接收该出清价格,确定该资源在第n个优化周期内的出力。
设所述微网本地市场的最低电价为pmin,最高电价为pmax,离散步长为pstep。后文在介绍各类资源代理的投标曲线时,省略了离散化过程,均采用连续函数表示。各类资源代理的投标策略如下:
1)与主电网连接的联络线
微网通过联络线与主电网相连。本发明将联络线看作是微网的一种发电资源,参与微网的市场投标,以决定是向电网购电还是售电、以及购电或售电的功率大小。本发明设定其在第n个优化周期内的投标策略为:
式中,PGpmax>0、PGpmin<0分别为微网向电网购电、售电的物理容量限制(如联络线功率限制、变压器容量限制等),PGcmax>0、PGcmin<0分别为购电、售电时可能受到的调度限制(如调度下达削峰命令),pG为当前电网电价。上述投标策略的含义是:当出清电价小于主电网电价时,微网向电网售电,否则微网向电网购电。
2)可再生资源
微网中的间歇式DG主要指可再生能源(如风能、太阳能等),其出力具有很大的间歇性和随机性。对其采用最大化利用的原则。即无论出清电价的高低,可再生能源被100%消纳。因此,本发明设定某一可再生能源在第n个优化周期内的投标曲线为一条直线:
dre=Pre,pmin≤p≤pmax
式中,Pre为该可再生能源第n个优化周期内的平均出力预测值。
但由于存在联络线的功率限制,仍可能存在弃风、弃光的现象。
3)柴油发电机
微网中的可控DG在本发明中采用但不限于柴油发电机。柴油发电机的总运行成本由固定成本和可变成本两部分构成。微网能量优化时主要针对可变成本进行优化。由于发电机的燃料成本CDG是可变成本的主要部分,因此本文中柴油发电机的总运行成本由CDG表示。CDG一般可拟合为发电机功率PDG的二次函数:
式中,pfuel为柴油价格,FDG为发电机每小时的燃料消耗,a0、a1、a2为燃料消耗曲线的系数。
柴油发电机的边际成本MCDG是每增加单位出力所增加的总成本,即:
本发明设定柴油发电机采用该边际成本曲线向市场投标,即:
式中,PDGrate是柴油发电机的额定功率。
4)可平移负荷
所述微网中的可平移负荷资源采用了一种新的自治投标策略。设某一可平移负荷的起始时刻为第nLTs个优化周期的初始时刻;截止时刻为第nLTe个优化周期的终止时刻;该段时间内的负荷总量为WLT。在第n个优化周期的初始时刻(nLTs≤n≤nLTe),已知该可平移负荷中未被满足的剩余负荷总量为WLTr,未来电价的平均值为pLTavg、标准差为σLT。
则最高投标价格和最低投标价格分别为:
pLTmax=min(pLTavg+rmax×σLT,pmax)
pLTmin=max(pLTavg-rmin×σLT,pmin)
式中,rmax和rmin为各用户可以根据自身偏好进行设置的参数,其大小反映了用户需求弹性的大小程度。rmax和rmin的值越小,则用户的需求弹性越大。
则剩余负荷的平均功率需求表征:当出清电价等于未来平均电价时,功率需求为剩余负荷的平均功率。其表达式为:
剩余负荷的最大功率需求表征:当出清电价极低时,在当前优化周期内满足所有剩余负荷。其表达式为:
考虑到可平移负荷不可能无条件地向某一时间段集中,因此设置其自身物理限制为dLTlim。如果随后的所有优化时间内均按dLTlim限制下的最大功率出力,也无法满足全部的剩余负荷,那么说明当前优化周期内存在一类必须被满足的负荷,这类负荷由剩余负荷的最小功率需求表征。其表达式为:
从而,本发明设计的可平移负荷的投标曲线如图3所示。
由上述投标曲线可见,该投标策略综合考虑了当前电价以及剩余负荷容量等情况,并蕴含了如下启发式规则:
i)当电价等于未来平均电价时,功率需求为平均负荷功率;当电价高于(或低于)平均电价时,则相应减少(或增大)功率需求;
ii)当剩余负荷容量较大(或较小)时,图中dLTavg沿横坐标右移(或左移),从而在相同价格下,自适应地增大(或减小)功率需求;
iii)随着截止时刻的临近,剩余负荷逐渐减小,图中dLTmax沿横坐标左移,投标曲线逐渐变得陡峭,表明价格弹性趋小、需求趋向刚性。若存在必须被满足的负荷,其值越大,dLTmin沿横坐标右移,价格弹性进一步趋小;
iv)特别的,当n=nLTe时,即在最后一个优化周期中,有dLTmin=dLTavg=dLTmax,需求为纯刚性,以保证可平移负荷能够在截止时刻之前得到满足。
5)储能
所述微网中的储能资源采用了一种新的自治投标策略。设某一储能资源的总容量为CB,初始荷电状态(StateofCharge,SOC)为SOCinit,SOC上限为SOCmax,SOC下限为SOCmin,充放电功率限制为dBlim。为保证储能资源可持续性运行,设定整个优化时段截止时刻的SOC期望值为SOCobj,一般可取为初始SOC。在第n个优化周期的初始时刻,已知储能资源的当前SOC为SOCcur;整个优化时段内的电价平均值为pBavg,标准差为σB。
则最高投标价格和最低投标价格分别为:
pBmax=min(pBavg+rmax×σB,pmax)
pBmin=max(pBavg-rmin×σB,pmin)
平均充放电功率需求表征:当出清电价等于平均电价时,功率需求为能够达到截止时刻SOC期望值的平均功率。其表达式为:
最大充电功率需求表征:当出清电价极低时,在满足SOC约束的条件下可能的最大充电功率。此处暂不考虑充放电功率限制。其表达式为:
最大放电功率需求表征:当出清电价极高时,在满足SOC约束的条件下可能的最大放电功率。此处暂不考虑充放电功率限制。其表达式为:
从而,本发明设计的储能的投标曲线如图4所示。当投标功率值为正数时,表示储能资源充电,否则表示储能资源放电。
由上述投标曲线可见,该投标策略综合考虑了当前电价以及储能SOC等情况,并蕴含了如下启发式规则:
i)当电价等于平均电价时,储能功率需求为平均充放电功率;高电价时储能倾向于放电,而低电价时则倾向于充电;
ii)当储能当前SOC低于(或高于)截止时刻的SOC期望值SOCobj时,平均充放电功率会是一个正数(或负数),图中dBavg沿横坐标右移(或左移),从而在相同价格下,自适应地增大(或减小)功率需求,储能倾向于充电(或放电),以保证在下一个优化时段内,储能的控制具有可持续性;
iii)当储能当前SOC迫近其上限(或下限)时,图中dBmax沿横坐标左移(或dBmin沿横坐标右移),自适应的减少充电(或放电)功率需求。
具体实施例如下:
整个优化时段为24小时,并将其划分为48个优化周期。微网基本负荷为无电价响应能力且必须被满足的负荷,其日负荷预测曲线如图5所示。可再生能源出力预测曲线如图6所示。
微网运行在并网模式下,通过一条联络线与主电网相连。主电网电价采用三段阶梯式电价,见表1所示。联络线功率的物理限制为-200kW~900kW(负数表示向电网售电,正数表示从电网购电)。两台不同的柴油发电机的参数见表2所示,柴油价格为5.5元/L。电池的参数见表3所示。可平移负荷参数见表4所示。
表1主电网电价
表2柴油发电机参数
表3电池参数
表4可平移负荷参数
微网电力市场的最低电价设定为0元,最高电价设定为3元,离散步长设定为0.0075元,每隔T=0.5小时进行一次投标和出清。分别在4种场景下进行仿真:
表5优化场景
表中,可平移负荷不平移是指各可平移负荷在区间内平均分布,无需求弹性;可平移负荷平移是指各可平移负荷使用本发明所述的自治投标策略进行投标。
仿真结果如下:
由图7可知,可平移负荷总是倾向于向电价较低的时间段平移。
由图7可知,可平移负荷总是倾向于向电价较低的时间段平移。因此在优化2和优化4中,峰时段8:30~11:30与16:00~21:00的可平移负荷显著减少,均平移至谷时段或平时段。若区间内的电价变化很小,可平移负荷倾向于前移。
由图8可知,电池总是倾向于在电价较低时充电,而在电价较高时放电。同时,电池的SOC没有越限,且其初始SOC和截止SOC差值较小,说明电池控制策略具有良好的可持续性。
结合图7与图8可知,在优化3中负荷不平移,所以在11:30~16:00的平时段负荷相对不多,电池得以充电;而在优化4中,负荷大量平移至11:30~16:00的平时段,电池持续放电。
由图9可知,在可平移负荷进行平移或电池投入后,本发明所述的微网优化方法还具备一定的削峰填谷效果。微网与主电网的联络线功率在谷时段23:00~5:00显著提高,而在峰时段8:30~11:30显著降低,在峰时段16:00~21:00有所降低,功率尖峰主要移至11:30~16:00。因为电池的最大充放电功率约束比可平移负荷的物理功率约束更严格,所以优化3的移峰效果不如优化2。优化4的移峰效果最好,基本是优化2与3的叠加效果。
定义可平移负荷运行成本CLT为:
式中,pclear为市场出清电价,PLTk为可平移负荷k的功率。
定义电池运行成本CB为:
式中,PB为电池的功率,正数表示充电,负数表示放电。
在本发明中,出清价格既可以代表真实的货币,也可仅作为能量优化的控制信号。所以,可平移负荷运行成本和电池运行成本不一定代表实际的运行成本,但可以充分反映出可平移负荷向电价较低时段平移的程度,以及电池在电价较低时段充电和电价较高时段放电的程度。如表6所示。
表6可平移负荷与电池的运行成本
由于对微网内可再生能源采用了100%消纳的原则,且不计设备维护、折旧成本,所以微网运行成本主要为微网内可控DG的运行成本和微网与主电网间的能量交互成本。定义微网运行总成本CΣ为:
式中,pG为电网电价,PG为联络线中电网向微网方向的功率,PDGj为柴油发电机j的功率,CDGj为柴油发电机j的运行成本。CΣ的大小直接确定了微网能量优化的经济性效果。在各场景下采用本发明所述优化方法的CΣ如表7所示。
作为对比,对同一微网采用集中式优化方法进行优化。优化周期同样地设为T=0.5。优化目标为微网的运行成本最低,从而目标函数为:
决策变量为:PGi、PDGji、PLTki、PBi,其中i=1,2,…,48,j=1,2,k=1,2,…,7。
约束条件有:
1)功率平衡约束:
式中,PLB为基本负荷功率,PPV为光伏发电功率,PW为风力发电功率。
2)联络线功率限制:
max(PGpmin,PGcmin)≤PGi≤min(PGpmax,PGcmax)
3)可控DG输出功率限制:
0≤PDGji≤PDGratej
4)可平移负荷功率限制:
0≤PLTki≤PLTlimk
5)可平移负荷总量约束:
6)储能充放电功率限制:
-PBlim≤PBi≤PBlim
7)储能SOC限制:
8)储能可持续性运行约束:
特别的,当设定各可平移负荷在区间内平均分布,无需求弹性时,将可平移负荷看作为基本负荷,即:
且PLTki=0不再作为决策变量,删除约束条件4)~5)。
当不投入电池时,PBi=0不再作为决策变量,删除约束条件6)~8)。
在各场景下采用集中式优化方法的CΣ如表7所示。
表7微网运行总成本
由表7可知,在优化1中,两种方法的优化结果完全相同,这是因为对柴油发电机采用了明确的燃料成本曲线。在其余优化场景中,可平移负荷或电池的成本曲线未知,集中式优化方法的效果略优于基于市场均衡机制的优化方法。这是因为在集中式优化方法中,所有资源(或用户)的信息完全公开透明,微网EMS能够综合所有的信息求解最优解。而在基于市场均衡机制的优化方法中,各类资源在不知道其它资源的信息的情况下,采用启发式规则进行自治投标,从而只能得到准最优解。当微网规模较大、资源类型较为复杂时,本发明在计算效率、系统灵活性与可扩展性以及隐私保护等方面的显著优势,能够弥补其优化效果稍差的不足。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。