考慮需求響應和碳排放額度的微電網分層優化調度

周孟然，王旭，邵帥，胡鋒，朱梓偉，張易平

(安徽理工大學 電氣與信息工程學院，安徽 淮南 232001)

0 引言

近年來利用清潔能源的分布式發電技術發展迅速并被廣泛地使用，微電網將分布式可再生能源、柔性負荷、儲能進行聚合并集中管理，且合理整合分布式能源、實現負荷需求響應(demand response，DR)，優化調度作為微電網研究的重要問題之一，合理的調度策略可以降低成本、減少污染，提高微電網經濟效益[1-2]。目前，微電網的優化運行主要是根據不同可控分布式發電單元(distributed generation，DG)以及不同的優化目標建立運行優化模型，并用多種算法對優化模型進行求解。文獻[3-8]充分利用柔性負荷，從協調控制的角度出發，實現微電網經濟運行和消納新能源等目標，但未考慮柔性負荷接受調控會改變用戶自身的用電行為習慣，從而使用電滿意度發生改變。文獻[9]在優化微電網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[10]在優化負荷曲線的同時考慮用戶參與DR 后的用電滿意度，提出了一種基于復雜電-熱-氣耦合微電網的調度模型。上述文獻僅從用戶側用電舒適度和用戶自身利益的角度，未詳細分析用戶滿意度與柔性負荷調整量以及微電網運行成本之間的關系，忽略了微電網運行所需要的經濟性。

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注，文獻[11-12]以降低能源消耗、環境污染、用戶用電成本和提高用戶用電滿意度為目標，分別提出了一種包含電動汽車的微電網多目標優化調度模型。文獻[13-17]為實現微電網經濟運行采用不同的算法求解微電網優化調度問題。上述文獻均以微電網綜合運行成本最低為優化目標，未詳細分析環境成本對微電網的影響。文獻[18]將碳交易成本作為優化目標之一，提出了一種考慮階梯碳交易和需求響應的并網型微電網優化配置方法。文獻[19]將碳排放量作為評價指標之一，分析對比了不同調度策略對微電網優化配置的影響。上述文獻針對微電網優化配置問題特別地將碳排放量作為衡量指標之一，但針對已經確立的微電網限制其碳排放量的優化調度策略相關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和碳排放額度的并網型微電網分層優化調度模型。首先在用戶側采用激勵型需求響應，合理控制可時移負荷的用電時間來最大限度消納新能源以及降低用電費用，采用多重指標對優化方案進行評價，并針對負荷調整量進行了經濟補償。在微電網發電側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濟最優運行策略以及運行成本和環境成本之間的關系。采用混沌粒子群算法(chaos particle swarm optimization, CPSO)求解算例，驗證了模型和算法的可靠性。

1 微電網結構

本文研究的微電網是由光伏組件、風力發電機、微燃機、燃料電池、儲能設備以及負荷組成的并網型微電網，通過聯絡線與電網相連，結構如圖1 所示。在微電網中每個分布式電源、儲能系統及負荷都是一個單一可控的單元在并網運行情況下當分布式電源出力不足時依靠大電網滿足功率缺額，當分布式發電功率富余時可以輸送給大電網，保證了微電網的穩定運行。

圖1 微電網結構Fig. 1 Microgrid structure

2 分層優化調度模型

針對并網型微電網優化運行問題，本文建立了微電網分層優化調度[20]模型如圖2 所示。分別在微電網用戶側和發電側建立目標函數進行求解，實現微電網內部資源協同優化。上層模型針對風光、負荷預測數據，以消納新能源降低用電費用為目標優化負荷曲線；下層模型對可控電源優化調度在滿足優化后各時刻負荷需求和碳排放量約束的前提下使得微電網運行經濟性最優。

圖2 微電網分層調度結構Fig. 2 Hierarchical scheduling structure of microgrid

2.1 上層模型（負荷需求響應）

上層模型是對負荷用電曲線的優化，從用電側出發，控制各時刻可時移負荷量，對負荷曲線削峰填谷并使其更貼近風光發電曲線。在設定可時移負荷容量約束下采用混沌粒子群算法進行求解得到各時刻可時移負荷最優轉移量，得到兼顧消納新能源和降低用電成本的負荷曲線。

2.1.1 目標函數

（1）消納新能源。為充分利用新能源發電，在對負荷側進行需求管理時應使得到的新負荷曲線盡可能多地消納新能源，針對風電、光伏發電量的不可控性實現就地消納，自發自用。以系統凈負荷[21]最小值為目標，目標函數為

（3）多目標的處理。采用在多目標轉化為單目標問題中針對量綱不同目標函數值運用較多的理想點法[22]對2 個目標進行折中，“理想點”為單目標優化時求得的最優值。距離函數為

2.1.3 約束條件

在負荷側參與需求響應時將各時段可時移負荷容量設為當前時刻的最大轉入轉出負荷量，最小轉入轉出負荷量為0。

轉移容量約束為

2.2 下層模型（微電網經濟調度）

通過上層對負荷側的需求管理，促進了分布式能源的消納，但僅靠風力光伏發電不能滿足負荷需求，因此還需要對可控的電源進行調節。在下層模型中以綜合經濟成本最小為目標，對可控電源優化調度以滿足優化后的負荷曲線。建立包含微燃機、燃料電池、蓄電池以及大電網的調度系統。

2.2.1 目標函數

（1）運行成本。主要包括燃料、運維和與大電網交互的成本，其目標函數為

式中：Cgas為天然氣的價格，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為微電源的數量。

運維成本C2為

式中：Ki、Kn分別為微電源i和蓄電池n的運行維護系數；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量。

微電網與電網能量交互成本C3為

（2）環境成本。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和大電網單位電量的碳排放量；Pi和Pb為 分別微電源i的發電量和大電網購電量； λco2為碳排放配額內的碳排放的處理系數。

污染氣體排放成本為

式中： λj為j污染物的處理系數；Qij為i微電源產生j污染物的大小。

（3）多目標的處理。由于兩函數值量綱相同，采用線性加權法根據指標重要性分配權系數將其轉化為單目標問題，即

3 雙層優化模型求解算法

本文要求解的是一個多約束條件的優化問題，粒子群算法相較于遺傳算法、差分進化算法等具有設置參數少、收斂速度快等優點，在此基礎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慣性權重加快收斂速度，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）輸入預測的負荷需求和光伏風機出力曲線；（2）設定可時移負荷量，根據上層建立的負荷側需求管理模型利用算法求的優化后的負荷曲線；（3）將上述求得的新的負荷曲線代入微電網，根據下層建立的微網側經濟調度模型利用算法求解目標函數，綜合各指標對不同可時移負荷量參與得到的負荷曲線進行評價；（4）在約束條件中加入碳排放量約束，針對微電網經濟運行再次利用算法求解，得到各設備各時刻的設備出力曲線供比較分析。

4 算例分析

4.1 算例基本數據

為驗證本文模型和算法可靠性，以某微電網示范區為例，一個調度周期為24 h，優化前負荷曲線分布情況[24]和風電光伏預測出力如圖4 所示，微電網各時刻購售電價格如表1 所示，各分布式電源參數如表2 所示，微電網碳排放和污染氣體排放系數如表3 所示。用戶參與需求響應負荷轉移補償為0.3 元/（kW·h）[25]，蓄電池的SOC 范圍設定為[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 購售電價格參數Table 1 Purchase and sale price parameters

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

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

圖4 風、光出力及負荷需求Fig. 4 Wind and solar output and load demand

4.2 仿真結果分析

4.2.1 不同調度方式下的結果分析

本文分別分析可轉移負荷容量（即單位調度時段可轉移負荷容量占當前時段負荷量的百分比）設置為0%（方案1）即為原始負荷曲線、10%（方案2）、20%（方案3）時的調度結果，如圖5 所示。并分別在2 種微電網運行策略下對3 種方案的綜合經濟成本、微網總運行成本、棄風棄光量以及用戶用電滿意度進行比較。2 種運行策略分別為：策略1 為只允許微電網購電，即能量只能從主網流向微網；策略2 為允許微電網購售電，即微網與主網之間能量可以雙向流動。結果如表4 所示。

圖5 3 種方案優化后的負荷曲線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可消納更多新能源發電量，降低微電網運行成本，并起到削峰填谷的作用。提高可轉移負荷的容量，能在一定程度上降低運行成本，但相應的會導致用戶用電滿意度的降低。

當優化調度只考慮用電滿意度時，即方案1，此方案為原始負荷曲線用電滿意度為100%，綜合經濟成本為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%，在微電網運行策略1 下棄風棄光量降低了53.93%（638.61 kW·h），微電網總運行成本在2 種運行策略下分別降低了7.33%(783.5 元)和5.96%（618.06 元），綜合經濟成本分別降低了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%，在微電網運行策略1 下棄風棄光量降低了85.53%（1 012.8 kW·h），微電網總運行成本在2 種運行策略下分別降低了11.62%（1 241.54 元）和9.37%（971.03 元），綜合經濟成本分別降低了3.49%（372.66 元）和0.99%（102.15 元）。綜合考慮以上指標可以看到方案3 在降低了一定的滿意度的基礎上經濟性相較于方案2 提升不大。因此方案2 在微電網的經濟性提升和用戶滿意度之間取得了平衡，成為最優方案。

4.2.2 不同碳排放配額下的結果分析

碳交易是通過買賣碳排放配額來實現碳減排的一種交易機制，具有碳排放的發電企業通過有償或無償的方式分配到定量的碳排放額，若碳排放量超出碳排放配額必須購買碳排放配額來補償超出的碳排放量，因此微電網在滿足負荷需求的同時需要合理調節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。本文在上述微電網只允許買電運行策略和方案2 調度策略下，對3 種情況以經濟性最優為目標對微電網各單元進行了優化調度，結果如圖6～8 所示。3 種情況分別為：（1）無碳排放量限制；（2）平均一個調度周期碳排放配額為7 000 kg；（3）平均一個調度周期碳排放配額為6 500 kg。

圖6 無碳排放量限制的優化調度Fig. 6 Optimal scheduling result without carbon emission limit

圖7 碳排放配額7 000 kg 的優化調度Fig. 7 Optimal scheduling result with a carbon emission quota of 7 000 kg

圖8 碳排放配額6 500 kg 的優化調度Fig. 8 Optimal scheduling result with a carbon emission quota of 6 500 kg

可見，從整體上看3 種情況下的經濟性最優調度策略，各發電單元根據經濟性確定出力優先級，儲能系統充電時刻主要在電價低谷和新能源出力富余時間段，放電時刻主要在電價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綜合成本，這是由于減少了主要為火力發電的外購電量，使得環境成本降低運行成本升高?？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，以碳交易價格0.267 6 元/kg[18]為例，微網綜合成本增加量均遠低于減少的碳排放交易量。因此在碳交易機制下，合理控制微電網碳排放量的調度方法更有利于提升微電網運行的經濟性。

表5 不同碳排放量約束下優化結果Table 5 The optimization results with different carbon emission quotas

4.2.3 算法對比及分析

結合算例可見，本文采用的CPSO 能夠有效地解決不同調度策略下的微電網經濟運行問題。以圖6 場景下的優化為例記錄CPSO 的迭代過程對其進行橫向比較，與遺傳算法（GA）和粒子群算法（PSO）對比如圖9 所示?？梢钥闯?，3 種算法的目標函數值均隨著迭代步數的增加逐漸減小最后趨于一個穩定值。CPSO 算法在迭代過程中采用自適應慣性權重并增加了混沌優化，加強了對優勢個體進行局部搜索深度，具有迭代次數少和收斂速度快的優點，體現了所用算法的優越性。

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

5 結語

本文針對并網型微電網經濟運行問題建立了分層優化調度模型。在負荷側綜合考慮各項指標確定最優負荷調整量優化負荷曲線，在微網側引入碳排放量約束對微網中各出力單元進行優化調度以滿足優化后的負荷需求。仿真結果表明，本文所提分層優化調度模型綜合考慮多個指標得到的用戶參與需求響應最優調度方案，兼顧微電網經濟性和用戶滿意度，為供電公司激勵用戶參與需求響應和挖掘負荷可調節潛力提供參考。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越性。分析不同碳排放量限制下的微電網經濟運行策略，結果表明考慮碳排放額度能進一步提升微電網運行經濟性。本文所考慮的并網型微電網中能源形式不夠多樣，隨著新能源的迅速發展，將會有更多更為清潔的能源形式引入微電網參與經濟調度是未來亟待解決的問題。