CN110829424A - 一种考虑风电消纳的区域多微网配电网互动方法 - Google Patents

Abstract

本发明公开了一种考虑风电消纳的区域多微网配电网互动方法：建立区域多微网‑配电网能源交易多目标优化模型，多目标优化模型在最大化区域多微网运营主体收益的同时，最小化多微网用电总成本；采用峰谷电价用户响应模型对各微网的电价响应程度进行模拟；采用随机变量α_n,t刻画风机出力的不确定性，引入可调参数β_n,t保证电价方案的经济性；对系统功率平衡、储能功率及SOC状态进行约束。本发明用以解决现有的对于微网与配电网之间的互动关系缺乏考虑的问题，实现协调各微网进行符合系统整体情况的负荷平移，协助配电网进行“削峰填谷”、提高微网内部的风电利用率，降低微网群用电总成本，缓解配电网的运行压力，实现区域多微网系统与配电网友好互动的目的。

Description

一种考虑风电消纳的区域多微网配电网互动方法

技术领域

本发明涉及微电网领域，具体涉及一种考虑风电消纳的区域多微网配电网互动方法。

背景技术

随着能源需求持续增加以及环境问题日益突出，电力系统中分布式风电的渗透率不断提高。微网通过对分布式风电、储能和负荷的有效协调，可促进分布式风电的规模化高效利用，有利于研究新型生产消费模式，是促进风电消纳、解决能源危机的有效技术手段之一。随着一定区域内接入配电网的微网数量日益增多，如何将地理位置上相近的多个微网集成聚合起来以促进风能的就近消纳和经济利用，增强能源互补与能量管理，提升辅助服务，缓解配电网运行压力等受到越来越多的关注。

当前针对独立微网的经济运行已经开展了大量研究。在对微网动态经济调度、微网运行模型优化以及微网日前双层调度模型等方面的研究上取得了丰硕的成果。近年来，针对多微网的研究陆续开展，在多微网优化调度方法、考虑微网间功率交互及出力协调的区域多微网系统优化调度模型以及园区微网新型一体化运营模式等方面硕果累累。

然而，现有技术成果主要考虑微网自身的经济运行，对于微网与配电网之间的友好互动，风电合理利用、就近消纳以及降低区域多微网用电成本等问题缺少针对性的创新。

发明内容

本发明的目的在于提供一种考虑风电消纳的区域多微网配电网互动方法，以解决现有技术中对于微网与配电网之间的互动关系缺乏考虑的问题，实现协调各微网进行符合系统整体情况的负荷平移，协助配电网进行“削峰填谷”、提高微网内部的风电利用率，降低微网群用电总成本，缓解配电网的运行压力，实现区域多微网系统与配电网友好互动的目的。

本发明通过下述技术方案实现：

一种考虑风电消纳的区域多微网配电网互动方法，包括：

S1.建立区域多微网-配电网能源交易多目标优化模型，所述多目标优化模型在最大化区域多微网运营主体收益的同时，最小化多微网用电总成本；

S2.采用峰谷电价用户响应模型对各微网的电价响应程度进行模拟；

S3.采用随机变量α_n,t刻画风机出力的不确定性，引入可调参数β_n,t保证电价方案的经济性；

S4.对系统功率平衡、储能功率及SOC状态进行约束。

本发明为了兼顾运营主体收益和多微网用电总成本，需要建立一个多目标优化模型，该模型在最大化区域多微网运营主体收益的同时，最小化多微网用电总成本。首先为了使区域多微网运营主体制定的内部电价能够刺激各微网进行符合系统整体用能情况的削峰填谷，采用基于用户消费心理学的峰谷电价用户响应模型对各微网的电价响应程度进行模拟。其次，为了在实际运行过程中风电出力出现波动时，提高运营主体收益，减少微网群用电总成本。本方法采用随机变量α_n,t刻画风机出力的不确定性，引入可调参数β_n,t保证电价方案的经济性。最后，对系统功率平衡、储能功率及SOC状态进行约束。本方法通过制定区域多微网系统内部峰谷分时电价，有效协调各微网进行符合系统整体情况的负荷平移，协助配电网进行“削峰填谷”。此外，考虑风电出力不确定性的电价方案能够让区域多微网系统在实际运行过程中风电出力出现波动时，提高运营主体收益，减少微网群用电总成本。最后，通过储能系统与精细化制定峰谷分时电价相配合，能有效减少微网与配电网间非必要的能量交互，提高微网内部的风电利用率，降低微网群用电总成本，缓解配电网的运行压力，实现区域多微网系统与配电网友好互动。

进一步的，所述多目标优化模型的求解方法包括：

S101.随机产生初始父代种群P_t，总个体数记为N；

S102.采用蒙特卡洛法生成M个随机风电出力场景，计算父代种群P_t的个体在不同场景下的最大运营主体运行收益F₁及最小区域多微网用电总成本F₂，然后对初始父代种群P_t进行快速非支配排序和虚拟拥挤度计算；

S103.令迭代次数Gen＝1；

S104.选择、交叉、变异，得到子代种群Q_t；

S105.合并种群，得到合并后种群R_t，R_t＝P_t+Q_t(2N)；

S106.计算种群R_t每个个体的F₁、F₂，排序和拥挤度计算后采用精英策略，保留选定精英；

S107.判断Gen值：若Gen大于或等于设定值，则结束；若Gen小于设定值，则取Gen＝Gen+1，重复步骤S104～S106，直至Gen大于或等于设定值。

通过以上步骤，能够在计及风电不确定性的情况下兼顾区域运营主体收益与多微网用电总成本等多方利益。

上述步骤中，各参数含义如下：

进一步的，所述精英策略为：对R_t进行快速非支配排序和虚拟拥挤度计算，并进行Pareto排序；保留精英，选择前N个个体产生父代种群P_t+1。

进一步的，所述多目标优化模型为：

其中：F₁——运营主体收益；F₂——多微网用电总成本；C_grid——运营主体与配电网进行能量交互的费用；C_mg——运营主体与微网群进行能量交互的费用；C_trans——区域多微网内部交易缴纳的“过网费”收益；C_ess——运营主体储能投资及运维成本；C_mgess——微网储能运维成本；C_buy.grid,t——t时刻配电网的售电价格；C_sell.grid,t——t时刻配电网的购电价格；C_sell.mg——区域多微网向运营主体购电的峰谷电价；C_buy.mg——区域多微网售电给运营主体的价格；C_trans——“过网费”；P_trans,t——t时刻区域多微网内部交易电量；c_ess——储能投资及运维成本系数；P_ch,t——t时刻储能充电功率；P_dch,t——t时刻储能放电功率；θ_ch——t时刻储能充电效率；θ_dch——t时刻储能放电效率。

进一步的，步骤S2的模拟模型包括：

其中：n——微网n；λ_pv,n——峰时段到谷时段的负荷转移率；Δp_pv——峰时段电价与谷时段电价之差；η_pv——峰时段到谷时段的死区阈值；λ_maxpv,n——峰谷电价差变化下，峰时段到谷时段的最大负荷转移率；K_pv——峰谷时段负荷转移率正常响应区的斜率。

进一步的，所述步骤S3中引入可调参数β_n,t后的模型为：

其中：t——t时刻；P_{widthwind,n,t}——风电功率波动量；P_prewind,n,t——风电功率预测量；P_wind,n,t,min——风电输出功率的下限；P_wind,n,t,max——风电输出功率的上限。

进一步的，步骤S4中，通过如下公式对系统功率平衡、储能功率及SOC状态进行约束：

其中：P_buy——运营主体购电功率；P_load——区域多微网系统负荷功率；P_sell——运营主体的售电功率；P_buy,mg——多微网购电功率；P_sell,mg——多微网售电功率；h_soc,max——储能SOC的上限；h_soc,min——储能SOC的下限；μ_ess——储能转换效率；R_bat——储能容量；Δt——时间步长；P_ess,t——储能容量；P_maxch——储能的最大充电功率；P_maxdch——储能的最大放电功率。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明一种考虑风电消纳的区域多微网配电网互动方法，能够有效协调各微网进行符合系统整体情况的负荷平移，提高风电利用率，协助配电网进行“削峰填谷”。

2、本发明一种考虑风电消纳的区域多微网配电网互动方法，通过本方法指定出的电价方法考虑了风电出力的不确定性，能够让区域多微网系统在实际运行过程中风电出力出现波动时，提高运营主体收益，减少微网群用电总成本。

3、本发明一种考虑风电消纳的区域多微网配电网互动方法，能够通过储能系统与精细化制定峰谷分时电价相配合，有效减少微网与配电网间非必要的能量交互，提高微网内部的风电利用率，降低微网群用电总成本，缓解配电网的运行压力，实现区域多微网系统与配电网友好互动。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明具体实施例区域多微网系统结构示意图；

图2为本发明具体实施例中多目标优化模型的算法流程图；

图3为本发明具体实施例中MG1-5典型日功率和负荷预测曲线；

图4为本发明具体实施例中帕累托解集分布图；

图5为本发明具体实施例中外部峰谷分时电价时段划分；

图6为本发明具体实施例中内部峰谷分时电价时段划分；

图7为本发明具体实施例中微网1负荷平移前后功率缺额曲线；

图8为本发明具体实施例中微网2负荷平移前后功率缺额曲线；

图9为本发明具体实施例中微网3负荷平移前后功率缺额曲线；

图10为本发明具体实施例中微网4负荷平移前后功率缺额曲线；

图11为本发明具体实施例中微网5负荷平移前后功率缺额曲线；

图12为本发明具体实施例中能量交互对比图；

图13为本发明具体实施例中总用电成本散点图；

图14为本发明具体实施例中运营主体收益散点图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：

一种考虑风电消纳的区域多微网配电网互动方法，包括：

S1.建立区域多微网-配电网能源交易多目标优化模型，所述多目标优化模型在最大化区域多微网运营主体收益的同时，最小化多微网用电总成本；

S2.采用峰谷电价用户响应模型对各微网的电价响应程度进行模拟；

S3.采用随机变量α_n,t刻画风机出力的不确定性，引入可调参数β_n,t保证电价方案的经济性；

S4.对系统功率平衡、储能功率及SOC状态进行约束。

其中多目标优化模型的求解方法包括：

S101.随机产生初始父代种群P_t，总个体数记为N；

S102.采用蒙特卡洛法生成M个随机风电出力场景，计算父代种群P_t的个体在不同场景下的最大运营主体运行收益F₁及最小区域多微网用电总成本F₂，然后对初始父代种群P_t进行快速非支配排序和虚拟拥挤度计算；

S103.令迭代次数Gen＝1；

S104.选择、交叉、变异，得到子代种群Q_t；

S105.合并种群，得到合并后种群R_t，R_t＝P_t+Q_t(2N)；

S106.计算种群R_t每个个体的F₁、F₂，排序和拥挤度计算后采用精英策略，保留选定精英；

S107.判断Gen值：若Gen大于或等于设定值，则结束；若Gen小于设定值，则取Gen＝Gen+1，重复步骤S104～S106，直至Gen大于或等于设定值。

所述精英策略为：对R_t进行快速非支配排序和虚拟拥挤度计算，并进行Pareto排序；保留精英，选择前N个个体产生父代种群P_t+1。

所述多目标优化模型为：

其中：F₁——运营主体收益；F₂——多微网用电总成本；C_grid——运营主体与配电网进行能量交互的费用；C_mg——运营主体与微网群进行能量交互的费用；C_trans——区域多微网内部交易缴纳的“过网费”收益；C_ess——运营主体储能投资及运维成本；C_mgess——微网储能运维成本；C_buy.grid,t——t时刻配电网的售电价格；C_sell.grid,t——t时刻配电网的购电价格；C_sell.mg——区域多微网向运营主体购电的峰谷电价；C_buy.mg——区域多微网售电给运营主体的价格；C_trans——“过网费”；P_trans,t——t时刻区域多微网内部交易电量；c_ess——储能投资及运维成本系数；P_ch,t——t时刻储能充电功率；P_dch,t——t时刻储能放电功率；θ_ch——t时刻储能充电效率；θ_dch——t时刻储能放电效率。

优选的，步骤S2的模拟模型包括：

其中：n——微网n；λ_pv,n——峰时段到谷时段的负荷转移率；Δp_pv——峰时段电价与谷时段电价之差；η_pv——峰时段到谷时段的死区阈值；λ_maxpv,n——峰谷电价差变化下，峰时段到谷时段的最大负荷转移率；K_pv——峰谷时段负荷转移率正常响应区的斜率。

优选的，所述步骤S3中引入可调参数β_n,t后的模型为：

其中：t——t时刻；P_{widthwind,n,t}——风电功率波动量；P_prewind,n,t——风电功率预测量；P_wind,n,t,min——风电输出功率的下限；P_wind,n,t,max——风电输出功率的上限。

优选的，步骤S4中，通过如下公式对系统功率平衡、储能功率及SOC状态进行约束：

其中：P_buy——运营主体购电功率；P_load——区域多微网系统负荷功率；P_sell——运营主体的售电功率；P_buy,mg——多微网购电功率；P_sell,mg——多微网售电功率；h_soc,max——储能SOC的上限；h_soc,min——储能SOC的下限；μ_ess——储能转换效率；R_bat——储能容量；Δt——时间步长；P_ess,t——储能容量；P_maxch——储能的最大充电功率；P_maxdch——储能的最大放电功率。

实施例2：

在实施例1的基础上，本实施例中区域多微网系统由5个微网组成，各微网内部分布式风电装机容量如表1所示。表征调度周期内可再生能源出力不确定性的可调参数β取值为10％。

各类电价如表2所示：

表1微网风电装机容量

表2电价

表2中，外部电网销售电价为区域多微网系统运营主体向配电网购电的价格；运营主体购电价格为区域微网运营主体向区域内各微网购电的价格。多微网独立运行(即多个微网分别接入配电网，但微网间未互联)时，微网内部可再生能源上网电量以当地燃煤发电机组标杆上网电价结算。区域多微网系统运营主体通过集成一定范围内微网富余的发电量，达到市场准入条件，以“售电公司”的身份将区域多微网系统内部的风电上网电量按照风电机组标杆上网电价进行结算。运营主体及各微网蓄电池储能单元的参数及运维费用如表3所示。各微网典型日的风电出力和负荷预测曲线如图3所示。

表3运营主体及微网1-5储能单元参数

在本实施例中求解考虑不确定性电价方案时，所设定的算法参数如下：种群规模设置为M＝100，最大迭代次数为Gen＝0.9，变异百分比为P_m＝0.1，交叉百分比为P_c＝0.9，

每次迭代均采用蒙特卡洛法生成100个随机可再生能源功率场景，通过多目标优化模型的建立方法(即步骤S101～S107)进行1000次优化迭代得到Pareto解集如图4所示。

考虑不确定性方案中的Pareto解集是由电价方案在100个随机场景下的微网群平均用电总成本和运营主体平均收益组成。由于区域多微网系统运营主体为电价制定方，在保证微网群用电总成本已大幅减小的情况下，选取区域多微网系统运营主体收益最大的解作为理想的折衷解。表4将折衷解与多微网独立运行下的用电总成本进行对比。

表4不同运行模式下用电成本对比

由表4可见，所提交易模式峰时电价和谷时电价比外部电网分别高出16.29％和35.32％，但是区域多微网系统用电总成本相较于多微网内部市场交易模式及多微网独立运行，分别下降了34.69％和49.19％。综上，本方法相比于多微网内部交易模式以及多微网独立运行，有利于减少整个区域内各微网的用电总成本。

运营主体整合区域内负荷及可再生能源出力情况并基于模糊隶属度划分的区域多微网系统内部峰谷时段与外部电网的峰谷时段划分对比如图5和6所示。

图5和6中以不同颜色覆盖区域分别表示峰时段、平时段，其余区域为谷时段。图5表明，外部电网在峰谷时段划分上无法很好的契合区域多微网系统内部负荷需求情况。这导致各微网的负荷转移与系统整体需求不符，可再生能源资源在微网群内部没有充分利用并就近消纳，而是大量上网。外部电网的峰谷时段划分不仅造成各微网用电成本的提高而且加剧了配电网的运行压力。由图6可知，运营主体峰谷时段划分方案更贴近区域多微网系统内部峰谷情况，使得区域内各微网能够根据较准确的峰谷电价及自身情况进行负荷平移，起到针对性“削峰填谷”的作用。

各微网在内、外部峰谷分时电价方案下的负荷平移情况如图7至图11所示。

图7至图11表明，在微网群负荷缺额高峰的时段里，各微网在内部峰谷电价“激励”下进行的负荷平移量高于外部电价；并且在平时段中负荷平移量低于外部电价。这是由于区域多微网系统内部峰谷电价是根据区域内整体用能情况进行制定，最大程度通过价格“刺激”来引导各微网进行适合该系统内部情况的“削峰填谷”，减少非必要时段的负荷平移。针对性的电价方案有利于充分利用各微网产生的风电，减少与配电网的能量交互，缓解电网运行压力。

不同运行模式下多微网与配电网的能量交互如图12所示。

图12中包含多微网独立运行时向配电网购、售电的曲线、多微网内部交易后与配电网的能量交互曲线以及区域多微网系统与配电网的能量交互曲线，其中，负值代表售电量。多微网独立运行时购买和销售电量曲线分别表示：多微网独立运行情况下，24小时内“购电微网”及“售电微网”与配电网交易的功率曲线。分析图12结果可知：

(1)多微网独立运行时，与配电网能量交互的峰值分别达到5.21MW和-3.87MW，24小时内所购买和销售的总电量为50.82MW和44.22MW，频繁的能量交互给配电网运行造成不利影响，风电资源没有合理利用，增加了各微网的用电成本。

(2)多微网内部交易后与配电网的能量交互曲线表明，多微网内部交易后峰值购电量没有降低，微网在各时段内仍与配电网进行频繁的能量交互。因此，仅构建多微网内部市场交易模式无法有效缓解多微网给配电网运行带来的压力。

(3)区域多微网系统运营主体配备大容量储能系统时，由区域多微网系统与配电网的能量交互曲线可见，区域多微网系统峰值购、售电量显著减少，总购、售电量大幅降低，缓解了峰值时段配电网的运行压力，大幅提升多微网整体效益。

综上，本实施例所提交易模式相较于多微网独立运行和多微网内部市场交易模式，区域多微网系统通过针对性峰谷分时电价的调控以及大容量储能系统的配合，能够充分利用自身的风电资源，减少微网用电成本，同时缓解配电网的运行压力。

为体现不确定性峰谷电价定价方案的优越性，通过NSGA-Ⅱ算法求解确定性电价方案并采用蒙特卡洛法生成1000个随机实时场景对不确定性方案和确定性方案进行经济性对比，结果如图13和14所示。

考虑可再生能源功率不确定性的峰谷分时电价定价方案在大多数场景下的用电总成本均低于确定性方案，并且运营主体收益要高于确定性方案。确定性方案和不确定性方案下的区域多微网系统内部峰谷分时电价方案对比如表8所示。

表5不同方案下电价对比

对图13和14中1000个场景运行结果的各项平均值进行计算，结果如表6所示：

表6不同方案下成本与收益对比

在其它时段电价基本一致的情况下，尽管不确定性方案下的谷段电价相较确定性方案高出8.4％，但是不确定性方案的微网群用电平均总成本比确定性电价方案的用电平均总成本低1.95％，且不确定性定价方案的运营主体平均收益比确定性方案高37.19％，故前者经济性较优。这是由于不确定性方案考虑风电功率不确定性，电价方案在保证经济性的同时具有较强的应对风电功率不确定性的能力。综上，本实施例中考虑不确定性的峰谷分时电价制定方案的经济性得以体现。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种考虑风电消纳的区域多微网配电网互动方法，其特征在于，包括：

S1.建立区域多微网-配电网能源交易多目标优化模型，所述多目标优化模型在最大化区域多微网运营主体收益的同时，最小化多微网用电总成本；

S2.采用峰谷电价用户响应模型对各微网的电价响应程度进行模拟；

S3.采用随机变量α_n,t刻画风机出力的不确定性，引入可调参数β_n,t保证电价方案的经济性；

S4.对系统功率平衡、储能功率及SOC状态进行约束。

2.根据权利要求1所述的一种考虑风电消纳的区域多微网配电网互动方法，其特征在于，所述多目标优化模型的求解方法包括：

S101.随机产生初始父代种群P_t，总个体数记为N；

S102.采用蒙特卡洛法生成M个随机风电出力场景，计算父代种群P_t的个体在不同场景下的最大运营主体运行收益F₁及最小区域多微网用电总成本F₂，然后对初始父代种群P_t进行快速非支配排序和虚拟拥挤度计算；

S103.令迭代次数Gen＝1；

S104.选择、交叉、变异，得到子代种群Q_t；

S105.合并种群，得到合并后种群R_t，R_t＝P_t+Q_t(2N)；

S106.计算种群R_t每个个体的F₁、F₂，排序和拥挤度计算后采用精英策略，保留选定精英；

S107.判断Gen值：若Gen大于或等于设定值，则结束；若Gen小于设定值，则取Gen＝Gen+1，重复步骤S104～S106，直至Gen大于或等于设定值。

3.根据权利要求2所述的一种考虑风电消纳的区域多微网配电网互动方法，其特征在于，所述精英策略为：对R_t进行快速非支配排序和虚拟拥挤度计算，并进行Pareto排序；保留精英，选择前N个个体产生父代种群P_t+1。

4.根据权利要求1所述的一种考虑风电消纳的区域多微网配电网互动方法，其特征在于，所述多目标优化模型为：

其中：F₁——运营主体收益；F₂——多微网用电总成本；C_grid——运营主体与配电网进行能量交互的费用；C_mg——运营主体与微网群进行能量交互的费用；C_trans——区域多微网内部交易缴纳的“过网费”收益；C_ess——运营主体储能投资及运维成本；C_mgess——微网储能运维成本；C_buy.grid,t——t时刻配电网的售电价格；C_sell.grid,t——t时刻配电网的购电价格；C_sell.mg——区域多微网向运营主体购电的峰谷电价；C_buy.mg——区域多微网售电给运营主体的价格；C_trans——“过网费”；P_trans,t——t时刻区域多微网内部交易电量；c_ess——储能投资及运维成本系数；P_ch,t——t时刻储能充电功率；P_dch,t——t时刻储能放电功率；θ_ch——t时刻储能充电效率；θ_dch——t时刻储能放电效率。

5.根据权利要求1所述的一种考虑风电消纳的区域多微网配电网互动方法，其特征在于，步骤S2的模拟模型包括：

其中：n——微网n；λ_pv,n——峰时段到谷时段的负荷转移率；Δp_pv——峰时段电价与谷时段电价之差；η_pv——峰时段到谷时段的死区阈值；λ_maxpv,n——峰谷电价差变化下，峰时段到谷时段的最大负荷转移率；K_pv——峰谷时段负荷转移率正常响应区的斜率。

6.根据权利要求5所述的一种考虑风电消纳的区域多微网配电网互动方法，其特征在于，所述步骤S3中引入可调参数β_n,t后的模型为：

其中：t——t时刻；P_{widthwind,n,t}——风电功率波动量；P_prewind,n,t——风电功率预测量；P_wind,n,t,min——风电输出功率的下限；P_wind,n,t,max——风电输出功率的上限。

7.根据权利要求6所述的一种考虑风电消纳的区域多微网配电网互动方法，其特征在于，步骤S4中，通过如下公式对系统功率平衡、储能功率及SOC状态进行约束：

其中：P_buy——运营主体购电功率；P_load——区域多微网系统负荷功率；P_sell——运营主体的售电功率；P_buy,mg——多微网购电功率；P_sell,mg——多微网售电功率；h_soc,max——储能SOC的上限；h_soc,min——储能SOC的下限；μ_ess——储能转换效率；R_bat——储能容量；Δt——时间步长；P_ess,t——储能容量；P_maxch——储能的最大充电功率；P_maxdch——储能的最大放电功率。

Images