計及分布式儲能的微電網群經濟調度

何玉靈，王博，孫凱，王海朋,2，杜曉東, 4，吳學偉，韓志成

計及分布式儲能的微電網群經濟調度

何玉靈1,2,3，王博1，孫凱1，王海朋1,2，杜曉東1, 4，吳學偉1，韓志成1

（1.華北電力大學 機械工程系，河北 保定 071003； 2.電力機械裝備先進制造與智能運維河北省工程研究中心，河北 保定 071003； 3.華北電力大學 蘇州研究院，江蘇 蘇州 215123； 4.國網河北電力有限公司 電力科學研究院，河北 石家莊 050000）

為提高微電網群調度效率、減少微電網運行成本，首先構建了計及分布式儲能的微電網群優化調度模型。該模型以包含風、光、儲的3個子微網和網側儲能所構成的交流微電網作為調度對象。在滿足功率平衡等約束條件下，對負荷側儲能充放電次數和單位時間內充放電功率進行限制；在考慮主網分時電價、系統發電成本，網側儲能放電成本條件下，采用遺傳算法進行求解，得到計及分布式儲能的微電網群經濟調度方案，最終得到優化后的經濟成本。算例計算結果表明，該運行調度模型可有效提高微電網群經濟效益，從而驗證了該模型的有效性。

微電網；智能調度；分布式儲能；遺傳算法；經濟調度

0 引言

自“雙碳”目標提出以來，微電網作為一種可再生能源智能接入和靈活調度的解決方案，在電力系統智能化發展過程中的地位越來越重要。

微電網能夠利用分布式電源、儲能和能量轉換等多種技術手段，實現能源的高效利用和集中管理。微電網具有環保、靈活、高效以及可高比例接入可再生能源等特點，其應用能夠有效推動能源結構的轉型升級、降低碳排放[1,2]。

單微網是微電網系統的基本組成單元，由分布式電源、儲能裝置、能量轉換裝置、相關負荷監控和保護裝置等組成[3]。微電網群則由多個單微網組成。與單個微電網孤島運行或主網聯網運行不同，微電網群中的各個微網不但可以互相進行能源交換，也可以從主網獲取備用能源，從而增加能源利用的可靠性與靈活性[4]。目前微電網群運行的主要難點在于協調與控制，即當多個微電網相互連接時，需要有效的協調和控制機制，以確保系統的性能[5]。

網側儲能裝置相當于一個獨立的微網。在生產實際中，僅利用微網中的負荷側儲能通常不能滿足靈活調度的需求；而網側儲能可以存儲微電網群系統中的過剩電能并在需要時釋放，可使系統能夠更好地平衡供需關系[6]。因此，在微電網群經濟調度的研究中，考慮網側儲能的微電網群調度策略對于實現系統的可持續發展和經濟性能的優化具有重要意義。

對于單微網的研究目前主要集中在單個微電網內部的運行和優化方面。文獻[7]利用粒子群算法進行優化求解，提出了計及儲能壽命的微電網經濟調度方案。文獻[8]使用了遺傳算法和粒子群優化2種算法，提出了一種微電網的日前調度策略。文獻[9]以經濟性和環保性的綜合成本為目標函數，結合系統功率平衡、各機組出力限制等約束條件，建立了優化調度模型。以上研究有助于微電網內的能源管理。

對于微電網群的研究目前主要注重于多個微電網之間的協同操作和能源交換方面。文獻[10]為提高微電網群調度的經濟性和安全性，基于區塊鏈提出一種考慮動態電價的調度策略。文獻[11]研究了與城市交通網絡集成的微電網群多周期最優能源調度和交易。文獻[12]提出了使用深度卷積神經網絡優化微電網群日總運營成本的最優調度策略。文獻[13]提出了基于模型預測控制的微電網群系統2階段優化調度方法。文獻[14,15]綜合考慮微電網群運行的經濟性和環保性等影響因素，建立了以運行成本最低和環境影響最小為目標的優化模型。文獻[16]針對主動配電網智能管理的多微電網協調調度，建立了考慮需求響應的多時間尺度供需交互主從微分博弈模型。以上研究未充分考慮微電網群與儲能系統的組合，從而導致在整個系統層面上的能源流動和利用的綜合優化不足。

目前，對于儲能系統的研究偏向于系統獨立運行和與單一微電網的集成方向。文獻[17]提出一種將電池儲能技術應用于可再生能源配電網的集中調度模型。為提高能源系統的效率，文獻[18]利用多能源混合優化模型軟件實現發電的儲能單元建模及最優多任務控制。文獻[19]提出新型耦合電解制氫熱儲存壓縮空氣儲能系統，使儲能系統仿真計算更加接近實際。文獻[20]提出一種面向市場的多級混合儲能風電場優化調度策略。以上文獻并未深入研究微電網群運行工況下儲能系統的協同作用，未能充分挖掘儲能系統的潛能。

雖然以上相關文獻對微電網群和儲能系統進行了較為詳細的研究，但對協同效益以及網側儲能系統的研究仍然可以加強。

鑒于此，本文研究思路是：綜合考慮系統發電成本、網側儲能放電成本，在滿足功率平衡等約束條件下，研究計及分布式儲能的微電網群結構，并對負荷側儲能充放電次數和單位時間內充放電功率進行限制；通過遺傳算法求解計及分布式儲能的微電網群經濟調度方案，得到優化后的經濟成本。

1 微電網群優化模型

微電網群是一個相對小型的電力系統，其由多個單微網組成；各個微網可以互相進行電能交換，也可以與主網連接進行能量交換。圖1示出了微電網群結構。微電網群內部結構因具體情況不同會有所差異。如圖所示，微電網群通常由主網、能源管理系統、監測與通信系統、網側儲能和各個微網組成。

圖1 微電網群結構

1.1 目標函數

本文中，日前經濟調度只考慮分時電價、系統發電成本、網側儲能放電成本，以充分使用微電網群中的負荷側儲能和網側儲能裝置。以微電網群一個調度周期內的運行成本最低為調度目標。

目標函數如式（1）所示。

式中：為微電網群運行一個調度周期的總成本；1為微電網群一個調度周期內風機和光伏發電的總成本；2為一個調度周期內各個微網負荷側儲能和網側儲能的總放電成本；3為一個調度周期內各個微網間電能交換成本和網側儲能與各個微網電能交換成本之和；4為一個調度周期內微電網群對主網購電成本與售電收益之差。

一個調度周期內風機和光伏發電的總成本為：

式中：W,t,n、G,t,n分別為第個微網時刻風力、光伏發電功率；A、B分別為第個微網風力、光伏發電成本系數。

一個調度周期內各個微網負荷側儲能和網側儲能的總放電成本為：

式中：為微網中負荷側儲能放電成本系數；d,t,n為第個微網時刻負荷側儲能放電功率；為網側儲能放電成本系數；e,t,n為時刻網側儲能向第個微網放電功率。

一個調度周期內各個微網間電能交換成本和網側儲能與各個微網電能交換成本之和為：

式中：為微網間能量傳輸成本系數；P,n為第個微網時刻向其他微網供電功率；Z,n為網側儲能時刻向個微網供電功率。

一個調度周期內微電網群對主網購電成本與售電收益之差為：

式中：1,t、2,t分別為時刻購電、售電電價；b,t、s,t分別為時刻主網流入微電網群的電量和微電網群流入主網的電量。

1.2 約束條件

（1）功率平衡約束。

式中：E,t,n為第個微網時刻負荷側儲能運行功率，放電為正；L,t,n為第個微網時刻負荷功率；I,n、O,n分別為流入、流出第個微網電量。

（2）風機、光伏功率限制。

由于風機、光伏可以不完全利用，允許出現棄風、棄光的情況，所以風機和光伏的實時功率應小于或等于預測功率。

（3）微網間電能交換功率限制。

（4）各個微網負荷側儲能運行約束。

式中：0、分別為當日負荷側儲能始末荷電狀態；SOC、max、min分別為負荷側儲能荷電狀態及其上下限；1、2為負荷側儲能最大充放電次數；X、Y分別為負荷側儲能充放電狀態，其中X∈{0,1}、Y∈{0,1}。

（5）儲能充放電功率限制。

考慮儲能壽命與儲能的充放電功率大小有關，為提高儲能壽命，應限制其單位時間的儲能充放電功率。

式中：b,n為儲能系統容量。

1.3 遺傳算法求解

遺傳算法是基于達爾文的生物進化理論和孟德爾的遺傳定律提出的。遺傳算法具有搜索空間大、自適應、學習能力強和建模靈活等優點，故被廣泛應用于組合優化等領域。

在微電網群調度中，一個遺傳個體可以被定義為一個可能的調度方案，其中包含了每個微網在一個調度周期內的運行計劃。這個運行計劃可能包括微網的啟動和停止時間、能源調度策略等。當滿足收斂條件時，所得到的遺傳個體是最優的調度方案，代表微電網群運行一個調度周期的總成本最低。

本文遺傳算法求解步驟如下：首先初始化種群的參數。種群規模數設為500，染色體節點數設為96，表示每個個體有96條染色體，迭代次數設為5 000，突變概率設為0.2，交叉概率設為0.85，min設為0.3，max設為0.9。然后根據約束條件和目標函數，計算出種群內個體適應度。以微電網群運行一個調度周期的總成本為種群內個體適應度。采用輪盤賭法進行選擇，個體適應度越小，被選中的概率越高；然后進行交叉和變異操作，得到第一次迭代結果。重復上述步驟，直至滿足收斂條件，迭代結束，輸出結果。

2 算例分析

2.1 典型微電網群系統結構

以白洋淀王家寨地區數據為算例進行分析。該地3個子微網與主網和網側儲能連接，組成微電網群結構，結構如圖2所示。由圖可知，每個微網都有獨立的風機、光伏、負荷、負荷側儲能。網側儲能相當于一個獨立的微網，主要組成部分是儲能系統，其放電成本略高于子微網中負荷側儲能。網側儲能的加入能夠有效減少電網運行成本。

圖2 算例微電網群結構

微電網群中，微網1中擁有最為重要的用電設備，系統需要優先保證微網1的電力供應。微網2中擁有次級重要的用電設備，系統需要在優先保證微網1的電力供應的情況下滿足微網2的電力供應。微網3中的用電設備相對次要。

算例中各個微網參數見表1。1 d的售電和購電價格見表2。各個儲能裝置1 h充放電最大為儲能的20%。新能源發電全消納。一個調度周期為24 h。網側儲能的儲能放電成本為0.3元/kW·h，儲能額定容量為165 MW·h。

表1 各個微網與網側儲能參數

表2 售電和購電價格

將一個調度周期24 h分為96個時序段，即1個時序代表時長15 min。

微網1的負荷和新能源各時序功率如圖3所示。

圖3 微網1的負荷和新能源各時序功率

Fig. 3 Load of microgrid 1 and each timing power of new energy

微網2的負荷和新能源各時序功率如圖4所示。

圖4 微網2的負荷和新能源各時序功率

微網3的負荷和新能源各時序功率如圖5所示。

圖5 微網3的負荷和新能源各時序功率

2.2 結果分析

以微電網群運行一個調度周期的總成本為種群內個體適應度，其單位為萬元。

在MATLAB中編寫遺傳算法程序，代入表1、表2、圖3、圖4和圖5中的數據，得到迭代結果、各儲能荷電狀態、各微網中各部分出力結果以及網側儲能中各部分出力組成結果分別如圖6、圖7、圖8和圖9所示。

從圖6可以看出，遺傳算法在迭代至第2 687次時得到最優解。微電網群一個調度周期內的總供電成本為604.128萬元。

圖6 遺傳算法迭代結果圖

圖7 遺傳算法求解微電網群的儲能荷電狀態圖

Fig. 7 Charge state diagram of microgrid group with genetic algorithm as solution

如圖7可知，在時序0～20所代表的時段，負荷側儲能和網側儲能都處于充電狀態。在微網中，由于光伏發電或風力發電的供應過剩，負荷側儲能設備通過充電實現多余能量的存儲。網側儲能系統則通過購買電網電能來進行充電，以準備滿足微網中的負載需求或將電能賣給主網。

其次，負荷側儲能和網側儲能系統在容量達90%時進入穩定階段，這表示電能已經充滿或接近充滿狀態，不再接受大量的充電。

在最后階段，微網中的負荷側儲能會出現再充電情況。這是因為在夜間，由于缺乏光伏發電，微網需要通過風力發電或從主網購買電能來滿足負載需求，同時也利用此時從主網購電價格較低的機會，從主網購買一部分電能存儲回負荷側儲能中，以備使用。網側儲能最后沒有進行充電的原因是其已經計劃將全部的電能賣給主網，以最大限度地降低調度周期內的總供電成本。

（a）微網1求解結果圖

（b）微網2求解結果圖

（c）微網3求解結果

圖8 各微網遺傳算法求解結果

Fig. 8 Results of genetic algorithm for each microgrid

由圖8可知，各微網的新能源功率優先提供給微網中的負載。在白天日照期，新能源功率可以提供微電網中的負載需求，并將多余的電量用于負荷側、網側儲能的充電或者賣給主網。通過這種方式，能量的暫時存儲和平衡得以實現。

然而，在夜間缺乏光伏發電時，僅依靠風力發電難以滿足用電負荷的要求。這時，微網可能需要從負荷側、網側儲能中獲取儲存的電能，以彌補能源缺口。如果用電負荷仍得不到滿足，微網還可以從主網購買電力來滿足微網的需求，以實現能量的平衡。

微網、網側儲能和電網之間通過這種功率交換，可以實現能量的靈活調配和能源供需的平衡。

網側儲能的供電組成如圖9所示。

圖9 網側儲能組成求解結果

圖9中：

1）在時序0～28所代表的時段：網側儲能從主網購電并進行充電。此時從主網購電價格最低。通過利用低價電力對網側儲能進行充電，可以降低購電成本。

2）在時序82～84所代表的時段：網側儲能給微網供電。此時從主網購電價格最高。通過使用網側儲能中的電能對微網進行供電，可以避免高成本的電力購買，從而有效降低總體成本。

3）在時序95～96所代表的時段：網側儲能將剩余的電量賣給主網。這意味著將額外的電能注入主網，從而獲得銷售電量的收入、進一步降低總體成本。

利用本文方案，通過在不同時刻進行網側儲能的充放電行為，并根據不同時刻的主網電價來選擇購買或銷售電量，可實現成本的優化，以確保在不同時間段實現最佳經濟效益。

3 結論

在綜合考慮了系統發電成本、網側儲能放電成本、功率平衡等約束條件下，本文采用遺傳算法得到計及分布式儲能的微電網群經濟調度方案。

算例計算結果表明，添加網側儲能能夠有效降低微電網群運行成本。

本文研究結果可為微電網群日前經濟調度提供支持。

[1] 黎靜華, 駱怡辰, 楊舒惠, 等. 可再生能源電力不確定性預測方法綜述[J]. 高電壓技術, 2021, 47(4): 1144-1157. LI JINGHUA, LUO YICHEN, YANG SHUHUI, et al. Review of uncertainty forecasting methods for renewable energy power[J]. High Voltage Engineering, 2021, 47(4): 1144-1157(in Chinese).

[2] GUO X, LOU S, WU Y, et al. Low-carbon operation of combined heat and power integrated plants based on solar-assisted carbon capture[J]. Journal of Modern Power Systems and Clean Energy, 2021, 10(5): 1138-1151.

[3] 朱曉榮, 謝婉瑩, 鹿國微. 采用區間多目標線性規劃法的熱電聯供型微網日前調度[J]. 高電壓技術, 2021, 47(8): 2668-2679. ZHU XIAORONG, XIE WANYING, LU GUOWEI. Day-ahead scheduling of combined heating and power microgrid with the interval multi-objective linear programming[J]. High Voltage Engineering, 2021, 47(8): 2668-2679(in Chinese).

[4] ZHAO Z, GUO J, LUO X, et al. Distributed robust model predictive control-based energy management strategy for islanded multi-microgrids considering uncertainty[J]. IEEE Transactions on Smart Grid, 2022, 13(3): 2107-2120.

[5] GUAN Y, WEI B, GUERRERO J M, et al. An overview of the operation architectures and energy management system for multiple microgrid clusters[J]. iEnergy, 2022, 1(3): 306-314.

[6] 余雪瑩, 李華強, 楊龍杰, 等. 兼顧企業綜合成本與用戶用電體驗的微電網雙層優化配置[J]. 電力科學與技術學報, 2020, 35(2): 38-45. YU XUEYING, LI HUAQIANG, YANG LONGJIE, et al. Bi-level programming method for optimal sizing of grid-connected DC microgrid system based on economic efficiency of enterprises and customer electricity experience[J]. Journal of Electric Power Science and Technology, 2020, 35(2): 38-45(in Chinese).

[7] 陳名揚, 劉敏, 余登武. 計及儲能壽命的微電網經濟調度[J]. 智能計算機與應用, 2021, 11(10): 101-106. CHEN MINGYANG, LIU MIN, YU DENGWU. Economic dispatching of micro power grid considering energy storage life[J]. Intelligent Computer and Applications, 2021, 11(10): 101-106(in Chinese).

[8] RAGHAVAN A, MAAN P, SHENOY A K B. Optimization of day-ahead energy storage system scheduling in microgrid using genetic algorithm and particle swarm optimization[J]. IEEE Access, 2020, 8: 173068-173078.

[9] 尚子勇, 王剛. 微型能源網日前最優經濟調度研究與電儲能策略分析[J]. 電力科學與工程, 2020, 36(8): 9-16. SHANG ZIYONG, WANG GANG. Research on day-ahead optimal economic dispatching strategy for micro-energy-grid and analysis of electric energy storage strategy[J]. Electric Power Science and Engineering, 2020, 36(8): 9-16(in Chinese).

[10] TAO M, WANG Z, QU S. Research on multi-microgrids scheduling strategy considering dynamic electricity price based on blockchain[J]. IEEE Access, 2021, 9: 52825-52838.

[11] LIU Y, WANG Y, LI Y, et al. Multi-agent based optimal scheduling and trading for multi-microgrids integrated with urban transportation networks[J]. IEEE Transactions on Power Systems, 2020, 36(3): 2197-2210.

[12] SAMUEL O, JAVAID N, KHALID A, et al. Towards real-time energy management of multi-microgrid using a deep convolution neural network and cooperative game approach[J]. IEEE Access, 2020, 8: 161377-161395.

[13] 林永君, 孟耀兵, 張聰聰, 等. 基于模型預測控制的多微電網群系統2階段優化調度[J]. 電力科學與工程, 2023, 39(4): 28-40. LIN YONGJUN, MENG YAOBING, ZHANG CONGCONG, et al. Two-stage optimization scheduling of multi-microgrid system based on model predictive control[J]. Electric Power Science and Engineering, 2023, 39(4): 28-40(in Chinese).

[14] 馮悅雯, 胡東陽. 基于模擬退火遺傳算法的并網微電網優化調度研究[J]. 電工材料, 2022(6): 75-80. FENG YUEWEN, HU DONGYANG. Research on optimal scheduling of grid-connected microgrids based on simulated annealing genetic algorithm[J]. Electrical Engineering Materials, 2022(6): 75-80(in Chinese).

[15] 李現寶, 張可. 基于改進和聲搜索算法的微電網優化調度研究[J]. 東北電力大學學報, 2022, 42(5): 83-89. LI XIANBAO, ZHANG KE. Research on optimal dispatching of microgrid based on improved harmony search algorithm[J]. Journal of Northeast Electric Power University, 2022, 42(5): 83-89(in Chinese).

[16] MEI G, GONG J. Multi-microgrid coordinate dispatching of multi-time scale source-load supply and demand interaction based on master-slave game theory[C]//8th Renewable Power Generation Conference (RPG 2019). Shanghai, China: IET, 2019: 1-7.

[17] LI X, WANG L, YAN N, et al. Cooperative dispatch of distributed energy storage in distribution network with PV generation systems[J]. IEEE Transactions on Applied Superconductivity, 2021, 31(8): 1-4.

[18] AKINTE O O, PLANGKLANG B, PRASARTKAEW B, et al. Energy storage management of a solar photovoltaic–biomass hybrid power system[J]. Energies, 2023, 16(13): 5122.

[19] 方穎聰, 莫春蘭, 黨玉榮, 等. 微電網與壓縮空氣儲能系統的多能流協同調度[J]. 廣西大學學報(自然科學版), 2023, 48(3): 605-615. FANG YINGCONG, MO CHUNLAN, DANG YURONG, et al. Multi-energy flow coordinated dispatching of microgrid and compressed air storage system[J]. Journal of Guangxi University (Natural Science Edition), 2023, 48(3): 605-615(in Chinese).

[20] ZHANG Z, ZHANG Y, HUANG Q, et al. Market-oriented optimal dispatching strategy for a wind farm with a multiple stage hybrid energy storage system[J]. CSEE Journal of Power and Energy Systems, 2018, 4(4): 417-424.

Economic Dispatch of Microgrid Group Considering Distributed Energy Storage

HE Yuling1,2,3, WANG Bo1, SUN Kai1, WANG Haipeng1,2, DU Xiaodong1,4, WU Xuewei1, HAN Zhicheng1

(1.Department of Mechanical Engineering, North China Electric Power University, Baoding 071003, China; 2.Electric Machinery Equipment Advanced Manufacturing and Intelligent Operation and Maintenance Engineering Research Center of Hebei Province, Baoding 071003, China; 3.Suzhou Research Institute, North China Electric Power University, Suzhou 215123, China; 4.Electric Power Research Institute of State Grid Hebei Electric Power Co., Ltd., Shijiazhuang 050000, China)

In order to improve the dispatching efficiency and reduce the operation cost of microgrid, an optimal dispatching model of micro-grid group with distributed energy storage is established. The model takes the AC microgrid composed of grid-side energy storage and three subgrids including wind, solar and energy storage as the dispatch object. Under the condition of satisfying the power balance, the number of charge and discharge times and the charge and discharge power per unit time are limited. Under the condition of time-of-use price of main grid, the system generation cost, grid-side energy storage and discharge cost, genetic algorithm is used to solve the problem, and the economic dispatch scheme of microgrid group with distributed energy storage is proposed; finally, the optimal economic cost is obtained. The simulation results show that the operation scheduling model can effectively improve the economic benefits of micro-grid group, thus verifying the effectiveness of the model.

microgrid; intelligent dispatch; distributed energy storage; genetic algorithms; economic dispatch

10.3969/j.ISSN.1672-0792.2024.02.001

TM734

A

1672-0792(2024)02-0001-08

國家自然科學基金資助項目（52177042）；河北省高等學?？茖W技術研究重點項目（ZD2022162）；河北省重點研發計劃專項（21312102D）；蘇州市社會發展科技創新項目（SS202134）；中央高?；究蒲袠I務費資助項目（2022MS095）。

2023-10-10

何玉靈（1984—），男，教授，研究方向為電站設備狀態檢測及其故障診斷；

王海朋（1988—），男，講師，研究方向為有源配電網運行可靠性評估及協同控制優化；

杜曉東（1989—），男，高級工程師，研究方向為配電網數字化建模及控制優化。

王海朋