計及低碳經濟運行的含風電微網群源儲協同日前優化調度

姚路錦, 王 瑋, 林宏宇, 劉吉臻

(1．華北電力大學 新能源電力系統國家重點實驗室,北京 102206;2．華北電力大學 經濟與管理學院,北京 102206)

隨著“雙碳”目標的推進,中國清潔能源投資及清潔能源研究產出均位居世界首位[1]。截至2023年8月,風電裝機容量約4.0億kW,同比增長14.8%[2]。陸地和海上風電裝機容量的逐年攀升使得電網中風電滲透率不斷提升,不以大規模遠距離輸送電力為目的、就近接入配電網利用的分布式風電開發形式成為較優選擇[3]。對于分布式風電的消納問題,由分布式電源、儲能裝置、負荷以及能量管理系統(Energy Management System,EMS)組成的微電網(Microgrid,MG)旨在實現分布式電源的高效靈活并網[4]。

通常,MG優先消納區域內分布式電源產出,盈余的凈發電功率可選擇向公用電網出售或利用儲能存儲,而過量的負荷需求可選擇向電網購電或利用儲能補充。但對于極高風電滲透率的場景,電源的高度不確定性難以滿足區域用戶對高質量供電的需求。需求響應(Demand Response,DR)通過引導用戶用電習慣轉移用電負荷,從而達到緩解源荷不平衡矛盾、保障電網穩定并抑制電價上升的目的,其已作為可調節資源參與到電力系統的調度運行當中[5],主要包括價格型需求響應(Price-based DR,PDR)和激勵型需求響應(Incentive-based DR,IDR)。崔楊等[5]通過協調源側出力及荷側各類DR資源的調用,構建了源-荷多時間尺度調度模型,提升系統風電消納的同時改善了系統運行經濟性。羅純堅等[6]基于PDR不確定性建立了分時電價(Time of Use Pricing,TOU)下的負荷模糊響應模型,并結合源荷兩端的不確定性建立了考慮風電消納效益的日前模糊優化模型,分析了PDR不確定性對電力系統日前調度的影響。Dey等[7]綜合考慮微電網系統成本及DR資源,通過優化智能算法使微電網能源零售商利益最大化,同時有效降低污染。Hassan等[8]通過線性回歸為微電網的清潔能源設計動態電價方案,維持微電網中可變和不可變負荷用戶的利潤率和舒適度,以實現MG用戶的效益最大化。崔楊等[9]基于實時電價(Real Time Pricing,RTP)策略,兼顧風電預測和PDR的不確定性構建了基于光熱電站和PDR參與風電消納的日前調度模型,通過源荷兩側的協調調度提升系統的風電消納能力。鑒于以上文獻,將DR資源的協調分配應用于微電網,使得用戶的用電質量及系統運行效益均得到明顯改善。但對于極高風電滲透率的微網場景,由于風電的反調峰特性,通過傳統RTP策略進行PDR調節會加重系統調峰壓力甚至嚴重棄風。

隨著MG的分布密度增加,逐漸形成含有各種分布式資源的微電網群(Microgrid Cluster,MGC),如何協調利用MGC的分布式資源去優化系統成本成為研究熱點。Kermani等[10]利用MG互聯線路構建互聯微電網模式,減少MGC對上游電網的峰值負荷壓力,降低系統總成本的同時提高系統在不同條件下的可靠性。黃豫等[11]基于并行交替方向乘子算法(Alternating Direction Multiplier Method,ADMM)提出一種微電網分布式電源的經濟調度方法,以提升可再生能源的消納率。Zhu等[12]提出了一種基于模型預測控制和分塊化ADMM的MGC分布式優化策略,用來優化MG之間的協調控制和能量調度。這些文獻僅考慮對MGC中分布式電源的協調優化來提升系統效益,而能夠在MG源荷兩端靈活轉換的儲能裝置對于MGC來說也是重要的調度資源。陳曦等[13]以共享儲能運營商為主體、各MG為從體,構建一主多從博弈優化調度模型,提升儲能租賃利潤。常喜茂等[14]和焦建芳等[15]均考慮儲能充放電速率和深度對電池壽命的影響建立MGC分布式調度策略,顯著降低儲能電池的使用成本。為應對分布式清潔能源的消納,MGC存在著豐富的分布式儲能資源,以上研究更側重于通過控制儲能出力進行儲能側的經濟性優化,并未同時考慮系統運行成本及碳排放帶來的環境效益,從而對儲能資源進行整合及協調優化。

針對以上問題,筆者首先考慮MGC中風電的不確定性問題,通過場景分析[16](Scenario Analysis,SA)構建不確定性場景來分析分布式風電的出力不確定性問題;基于MG凈負荷提出改進的RTP定價機制,用于微網需求側的PDR,并根據MGC中各個微網的用戶負荷特點及用戶側感受提出相關PDR和IDR用戶滿意度計算方法;通過劃分碳排放鏈引入碳交易機制,提出基于分布式共享儲能的微網群低碳日前調度模型。

1 微網群運行分析

1.1 微網群負荷特性分析

基于分布式電源、分布式儲能系統以及用戶側負荷構建微電網群。如圖1所示,MGC主要由3個區域微電網和EMS構成,每個MG內都含有風電機組(Wind Turbine,WT)、電池儲能系統(Battery Energy Storage System,BESS)及負荷主體。風電機組在MG內擔任源端供電主體,電池儲能系統作為靈活調節既能在負荷增加或風電短缺時充當電源提供電量,又能在負荷減少或風電盈余時作為負荷側存儲電量。由于風電運行的不穩定性及儲能充放電的功率限制,MG在運行過程中會較為頻繁地向公用電網產生購電行為以滿足用戶負荷需求,選擇微型燃氣輪機(Gas Turbine,GT)作為穩定發電源為MGC提供支撐。

圖1 微網群結構圖

由于發電源及用電負荷主體不同,各MG的負荷特性如圖2所示,具體分析如下:

圖2 各微網負荷特性示意圖

圖3 基于階梯碳價的碳交易成本

(1) MG1:發電源為區域內陸地風電場,用電主體為常規居民用電負荷。負荷早峰從6:00左右一直持續攀升到11:00,晚峰從18:00左右開始持續到22:00左右,主要是生活和商業用電。

(2) MG2:發電源為區域內陸地風電場,用電主體為電動汽車聚合商(Electric Vehicle Aggregator,EVA),日間用電量較低,夜間處于汽車充電量高峰期,其負荷曲線基本匹配實時汽車充電數量。

(3) MG3:發電源為區域內海上風電場,用電主體為沿海區域工業用電負荷。負荷曲線有明顯雙峰特性,但夜間負荷明顯高于日間,這是由于工業用戶利用分時電價谷段的電價優勢保證生產效益,使得夜間用電負荷維持在較高水平。

1.2 風電不確定性分析

由于風電出力的間歇性和不確定性,導致并網風電機組的電力供應無法滿足穩定性、連續性和可調性等要求,輸出功率的不斷變化容易對電網造成沖擊,而提高風電預測的精度可減少風電不確定性的影響,支撐大規模風電入網后的安全運行與經濟調度。借助SA的不確定性模擬,基于風功率預測信息進行系統性決策,可以將風電的不確定性轉換為風電預測誤差的不確定性,進而應用于微電網的優化調度問題。

通常將風電預測誤差δWi,t定義為

δWi=PWi,act-PWi,pre

(1)

式中:PWi,act為MGi的風電功率實際值;PWi,pre為MGi的風電功率預測值。

根據誤差分布函數的特點,采用基于均勻分層的拉丁超立方體采樣法(Latin Hypercube Sampling, LHS)對預測誤差進行采樣分析,從而更全面地獲取誤差信息,具體算法可參考文獻[17]。首先由正態分布的概率密度函數可得到誤差的累計密度函數Yt為

(2)

式中:σ為函數變量的標準差;N為總采樣次數。

(3)

將所得誤差采樣集合{δWi,n}疊加在原始預測風電數據,即可得到MGi的N個風電預測功率場景集合C={PWi,pre,n}。

由于生成場景規模較大,且大多數場景高度相似,不具有代表性,采用基于概率距離的快速前代消除法[18]實現場景削減,消除噪聲影響、提高計算效率的同時能夠篩選出保留風電出力特性的代表性場景,具體步驟如下。

步驟1:設定目標場景數X,并計算C中每對場景Ci和Cj之間的歐氏距離d(Ci,Cj)。

(4)

步驟2:選定與剩余場景概率距離之和最小的場景Cr。

步驟3:選擇與場景Cr幾何距離最近的場景Cn替代場景Cr,并將Cr的概率P(Cr)疊加到場景Cn上,從而完成削減,最終形成新的場景集合C*。

步驟4:判斷C*場景數目是否滿足目標;若滿足,則完成削減;若不滿足,則重復上述步驟。

根據最終削減場景數M形成典型功率預測場景Cm,從而得到預測功率PWi,pre為

(5)

式中:P(Cm)為預測場景Cm的概率;PWi,pre,m為預測場景Cm的預測功率。

由此,根據歷史數據生成包含風電不確定性的預測場景,可用于MGC的日前優化調度。

1.3 需求響應及用戶滿意度分析

1.3.1 價格型需求響應

對于價格型需求響應,現有削峰填谷的傳統定價規則是考慮熱電機組的穩定運行,避免負荷突變來保障大電網的安全穩定;而大規模風電并網后,風電主動支撐電網的比例越來越高,區域微電網逐漸呈現出以風電為主、儲能為輔的方式來支撐電網負荷,而熱電只是作為應急支撐來保障各MG的穩定運行。

由于風電具有明顯的反調峰特性,考慮基于當前區域微電網的負荷特性以及風電出力特征動態調整電價,引導主要消費群體的用電習慣,更有利于促進風電消納,提升風電在電網中的支撐能力。將微網i負荷量與其風電功率總容量之差定義為凈負荷ΔPi,t

ΔPi,t=PLi,t-PWi,pre,t

(6)

式中:PLi,t為t時刻微網i的負荷。

由風電出力負荷差引導的微網i的動態電價pi,t可定義為

pi,t=

(7)

式中:pmax、pmid、pmin分別為電價的峰值、中間值和谷值;ΔPi,max、ΔPi,min分別為凈負荷的最大值和最小值。

對于日前調度,根據消費者心理學,可以借助時間尺度為小時的RTP引導用戶改變用電習慣,幫助電網削峰填谷[19]。采用彈性系數矩陣表示電價變化率對負荷響應率的影響。

(8)

式中:λΔPDR為負荷響應率;εt,t為t時刻自彈性系數;εi,j(i≠j)為互彈性系數;λΔp為電價變化率。

由于DR存在不確定性,采用三角隸屬度函數[6]來描述PDR負荷響應率的不確定程度,其模糊表達式為

(9)

(10)

式中:λΔPDR1、λΔPDR2、λΔPDR3分別為負荷響應率的隸屬度參數;δt為預測負荷響應率的最大誤差水平,δt≥0。

(11)

式中:ηLi,max、ηLi,min分別為PDR負荷的上、下限系數。

由于PDR以改變用戶用電習慣為基礎在時間軸上進行一定量的負荷轉移,用戶在進行消費時會在用電方式和用電費用方面出現滿意度的相關問題,所以采用PDR轉移負荷量相比初始負荷量的變化程度來表示用電方式滿意度Us[9]:

(12)

用PDR轉移負荷的實際縮減成本相比最優預期電價縮減成本表示用電費用滿意度Up:

(13)

(14)

1.3.2 激勵型需求響應

對于MG的調度運行,在電力用戶側可以通過PDR引導用戶的用電習慣,從而調節各MG的負荷峰谷值;同時也可以根據MG的負荷特性設置一定量的可削減負荷,并通過IDR參與MG的優化運行。電網管理者通常與負荷聚合商提前簽訂激勵合同,從而保障在負荷調度中可以直接調用部分IDR資源,以響應負荷需求與供電量之間無法及時滿足的差額。

對于MG2的用電主體,EVA可作為相對穩定的IDR供應商提供IDR響應資源,由于其面向用戶提供充電服務,所以會產生滿意度的相關問題,將EVA的IDR用戶滿意度定義為實際滿足汽車充電量與預期滿足充電量的比例UIDR

(15)

式中:ΔPIDR2,t為EVA在t時刻提供的IDR負荷響應量;Qev,t為t時刻汽車的總充電量。

為了簡化計算,統一設定電動汽車的規格,則對于EVA來說,簡易且有效的統計特征就是該時刻所需充電汽車的總數量。將每個時刻必須完成充電的汽車數量定義為Nev,t,EVA的總充電量Qev,t可表示為

Qev,t=Nev,tE(D)qev

(16)

式中:E(D)為汽車日行駛里程的期望值;qev為汽車單位充電容量。

通常,電動汽車的充電量與日行駛里程成正比,根據經驗公式[20],電動汽車日行駛里程D滿足對數正態分布f(D):

(17)

其CDF分布函數F(D)為

(18)

則EVA可提供的IDR上、下限分別為

(19)

式中:Dmax為日行駛里程的最大值;β為可削減里程的標準差比例系數;Di為第i輛車的日行駛里程。

對于MG1的負荷主體,主要采用PDR引導調節用電負荷,儲能可作為IDR資源緊急備用并提供相應補償。對于MG3的可削減工業負荷,由于已經簽訂相關激勵合同,只需根據合同進行付費懲罰,不考慮相關滿意度問題,但需要設定相關IDR響應的上下限值。

1.4 分布式共享儲能交互模式

如圖1所示,MGC的各個微電網內都存在分布式儲能單元。按照傳統運行模式,各微網的源荷互動都存在于本區域內的電源、負荷、儲能和公用電網之間,其儲能系統只響應各自部分的負荷調度,在微網凈負荷趨于峰值時進行充放電,以滿足各微網的源荷平衡,減少購電成本。

如果選擇將各個微網按照地域分布通過EMS進行互聯互通,就可以進一步開發分布式儲能的負荷響應能力?；诜植际焦蚕韮δ?微電網的調度不再僅限于滿足本地負荷需求,而是將MGC看作一個整體進行源荷平衡調度。除了電源端電量的交互,可以根據各MG中儲能的電量狀態(State of Charge,SOC)進行統一協調調度,控制分布式儲能的充放電量,盡可能減少損耗的同時可以更多地消納風電,減少整體運行成本。

具體交互規則為:當微電網負荷量大于發電量(即MG的凈負荷小于零)時,本地RTP處于較高峰值,利用本地儲能設備放電以減少負荷差的同時,可以從其他MG以低于本地RTP的購電價格獲得交互電量;當MG發電量大于負荷量時,本地RTP處于低谷,滿足本地儲能充電的同時,可以用高于向電網售電的市場價向其他有需求的MG傳輸多余電量,此時,購電方則可以根據自身儲能狀態進行過量購電以備電價升高時使用,從而減少購電成本。

微電網按照傳統模式單一地與電網進行交互,根據RTP定價規則,需要在本地負荷峰值時以較高的峰值價購電;在負荷谷值時以低于本地RTP售電。而MGC之間的電量交互,既可以在本地RTP處于峰值時以較低價購電,又可以在本地RTP處于谷值時以較高價售電。當MGC內交互電量達到一定值時,交互成本會明顯低于直接與電網交互的購售電成本,所以MGC按照此規則簽訂交互協議,電量輸送端和接受端都能受益。

2 源儲協同低碳日前調度模型

2.1 基于階梯碳價的碳排放成本模型

為了實現MGC的低碳運行,在保障整體經濟性調度優化的同時需考慮碳排放因素。能源設備在運行中產生的溫室氣體主要包括SO2、NOx和CO2,為簡化計算可根據單位產能各氣體的排放量折算成CO2排放量[21]。對于微電網運行各環節的碳排放強度,運用生命周期評價[22](Life Cycle Assessment,LCA)方法按照能源設備各環節活動順序劃分碳排放鏈,分別對其傳遞過程進行歸類簡化,最后基于各環節能源消耗或轉換過程所產生的碳排放系數進行碳排放量計量。

(1) 碳排放量

MG運行過程涉及源、網、荷、儲四部分的協調調度,源端的發電機生產、網側的傳輸損耗以及儲能的運維均會產生碳排放。對于第1節中的MGC模型,燃氣輪機運行所消耗的天然氣LCA碳排放主要分為開采、運輸及使用3個環節。作為清潔能源的風電,由于其幾乎不帶來環境效益損耗,在源端被視為零碳排放,但是在生產建設及運輸環節會產生相應的碳排放。而BESS的充放電損耗及運維均會產生一定量的碳排放?；诟鳈C組單位電量定義微網群的碳排放總量VCO2為

(20)

式中:PGi,t、PWi,t、PEi,t和PBi,t分別為MGi的燃氣輪機、風電機組、儲能及購電功率;cG、cW、cE、cB分別代表燃氣輪機、風電機組、儲能及微網購電交易的單位碳排放因子。

(2) 碳排放權配額

碳配額(Carbon Allowance,CA)是指政府在控制碳排放總量下分配的碳排放權憑證,而碳交易把碳排放權作為商品允許能耗企業根據實際碳排放量購買碳排放額及出售未排放余額,進而形成碳交易市場來靈活分配碳排放權。各MG基于無償配額[23]的碳排放配額模型為

(21)

式中:EGi、EWi、EEi分別為燃氣輪機、風電機組及儲能分配的碳排放權配額;x代表G、W、E;χG、χW、χE分別為燃氣輪機、風電機組及儲能設備對應的單位碳排放權配額。

各MG需額外購買的碳排放總量Vbuy為

(22)

(3) 基于階梯碳價的碳交易成本

傳統碳交易機制下,碳價由上游市場統一制定,碳交易市場缺乏靈活性且不利于有效控制碳排放量。而階梯碳價[24]依據碳排放需求量靈活制定區間價格,提高大排放機組碳交易成本的同時減小排放量在合理范圍內機組的成本,從而有效控制碳排放強度。其在X+1個區間的階梯式碳交易價格pC,i為

(23)

式中:V0為碳排放量區間長度;p0為碳交易基價;α為價格增長系數。

所形成的階梯式碳交易成本fCO2為:

fCO2=

(24)

2.2 微網群低碳日前優化調度模型

基于MGC中各微網的負荷特性,綜合考慮需求響應、儲能的柔性可調資源及碳排放成本制定日前調度計劃,可進行趨于源荷匹配的調度分配,充分利用現有資源實現微網群整體效益最大化,同時增加風電消納水平。對于獨立型日前調度模型,由于各MG僅與電網進行交互,優化目標是單獨考慮各個MG,微網間不互相影響;而交互型日前調度模型中各MG不僅與電網交互,MGC之間也會考慮整體效益進行能量交互。

2.2.1 獨立型日前調度模型

根據獨立型MGC的運行方式,對風電、儲能及電網交互功率進行日前調度計劃,綜合考慮機組運行狀態及碳排放量的同時減少棄風,增加各MG的經濟及環境效益。以系統機組運行成本、棄風懲罰成本、電網購售電成本、IDR成本及碳排放成本為目標函數,建立各MG日前調度模型:

fIDRi,t)+fCO2,i

(25)

其中,

式中:fGi,t、fWi,t、fEi,t分別為各微網的燃氣輪機、風電機組、儲能運行成本;fTi,t、fIDRi,t分別為電網交互成本和IDR成本;CEi,loss,t、CEi,deg,t分別為BESS的充放電損失和退化成本;kGi、kWi分別為燃氣輪機和風電機組的運行成本系數;μF、μWi,t、μloss、μEi、μBi、μSi、μIDR分別為單位燃料成本系數、棄風成本系數、電池損耗系數、電池成本系數、電網購電系數、電網售電系數及IDR響應成本系數;PGi,t、PWi,t、PWi,cut,t、PEci,t、PEdi,t、PBi,t、PSi,t分別為燃氣輪機功率、風電功率、棄風功率、BESS充電功率、BESS放電功率、購電量及售電量;ΔPIDRi,t為各微網的IDR響應量;γEi、ηEc、ηEd、Si、Sref、Te分別為BESS額定循環壽命、充電效率、放電效率、SOC值、SOC參考值及環境溫度;d1、d2、d3、d4為依賴于溫度的電池循環壽命系數[25]。

獨立型日前調度模型的約束條件如下:

(1) 源荷平衡約束

PGi,t+PWi,t+PEi,t+PBi,t=

(26)

(2) 燃氣輪機功率及爬坡約束

(27)

式中:PGi,max、PGi,min分別為燃氣輪機功率上、下限;RGi,up、RGi,down分別為機組爬坡功率上、下限;ΔPGi,t為機組出力變化量。

(3) 風電棄風約束

PWi,t+PWi,cut,t≤PWi,pre,t

(28)

(4) 電網交互容量約束

|Bi0(θi,t-θ0,t)|≤Pi0,max

(29)

式中:Pi0,max為節點i和母線之間輸電線的最大傳輸容量;Bi0為節點i與母線之間的電納;θi和θ0分別為節點i和母線的電壓相角。

(5) 儲能充放電約束

(30)

式中:PEi,max、PEi,min分別為BESS功率上、下限;Si,max、Si,min分別為SOC的上、下限;Δt為時間間隔。

(6) IDR響應約束

ΔPIDRi-≤ΔPIDRi,t≤ΔPIDRi+

(31)

式中:ΔPIDRi+、ΔPIDRi-分別為IDR負荷響應的上、下限。

2.2.2 交互型日前調度模型

根據交互型MGC的運行方式,對風電、儲能、電網交互及微網交互功率進行日前調度計劃,綜合考慮機組運行狀態、儲能充放電狀態及碳排放量,同時進一步減少棄風,增加MGC整體的經濟及環境效益。以系統機組運行成本、棄風懲罰成本、電網購售電成本、微網交互成本、IDR成本及碳排放成本為目標函數,建立MGC的日前交互調度模型:

fTi,t+fMGij,t+fIDRi,t)+fCO2

(32)

式中:fMGij,t為微網之間的交互成本。

相比獨立型交互模型,成本函數的主體發生變化,具體表現如下:

(1) 風電的交互成本統一包含在微網交互成本內;而儲能的充放電損失和退化成本中的儲能功率PEi,t則由本地交互量PEi,local,t與微網交互量PEij,trans,t共同構成。

(33)

(2) 微網之間的交互成本fMGij,t包含了儲能和風電的總交互量:

(34)

式中:μMGi為MGi的交互成本;PWij,trans,t為風電的微網交互量。由于交互電量均是零碳生產電量,不計入碳排放成本。

交互型日前調度模型的約束條件如下:

(1) 源荷平衡約束

(35)

式中:PWi,local,t為風電的本地交互量。

(2) 風電棄風約束

PWi,local,t+PWi,cut,t+PWij,trans,t≤PWi,pre,t,

PWij,trans,t≥0

(36)

(3) 微網交互容量約束

PMGij,t=|Bij(θi,t-θj,t)|≤Pij,max

(37)

式中:Pij,max為節點i和j之間輸電線的最大傳輸容量;Bij為節點i和j之間的電納;θj為節點j的電壓相角。其余約束均等同于獨立型日前調度模型。

3 算例分析

3.1 微網群參數設置

為驗證所提源儲協同低碳日前調度模型的有效性,基于圖1搭建Matlab Simulink仿真模型,分別對獨立型和交互型調度模型進行分析,模型的優化求解基于YAMLIP求解器。微網群BESS的額定功率及容量統一設置為5 MW/5 MW·h,初始SOC均為0.2,MG與電網交互及MGC內部交互的傳輸容量均設置為5 MW。其他具體參數見表1,MGC各環節的單位碳排放系數和單位碳配額系數[22-23]見表2。

表1 微網群運行參數

表2 微網群各環節單位碳排放及碳配額系數

3.2 需求響應結果分析

由于3個MG的計算過程類似,選擇把MG1的分析結果作為示例呈現。由風電的不確定性分析得到的1 000個預測誤差抽樣集合,如圖4所示,依據所得大量樣本場景,通過場景縮減得到篩選集合后,再經式(5)計算,最終可得到MG1的可信預測風電功率。

圖4 MG1風電功率預測場景集合

基于得到的風電功率,借助式(6)～式(11)計算得到各MG的PDR負荷變化值,從而得到經PDR后的微網負荷,用于日前優化調度。結合圖5和圖6可以看出,相比傳統實時電價的定價方式,改進定價方式動態跟隨凈負荷值;經過PDR調節后,相較于傳統電價對負荷曲線削峰填谷的作用,基于改進電價進行調整的PDR負荷能更好地適應電源端的發電特性。在01:00—06:00,風電大于負荷需求,改進PDR使得用戶負荷明顯增加,通過用戶轉移負荷及BESS存儲低價風電可增加對風電的消納,同時減少低價售電的比例;而在13:00—20:00,風電小于負荷需求,改進PDR使得用戶負荷需求大幅減少,再加上BESS的放電支撐,可明顯減少電網購電成本。此外,由于階梯碳價的設置,風電利用率的增加可減少碳排放量,從而使得碳排放成本明顯縮減。

圖5 MG1凈負荷和電價趨勢

圖6 MG1不同PDR前后負荷對比

3.3 日前調度結果分析

3.3.1 獨立型日前調度

為了說明改進RTP的有效性,采用獨立型日前調度模型,基于傳統和改進RTP的PDR負荷,分別對3個MG進行日前優化調度,調度結果如圖7～圖9所示,碳排放量及經濟成本如表3所示。

表3 獨立型微網群不同PDR調度結果對比

(a) 傳統PDR調度結果

(a) 傳統PDR調度結果

(a) 傳統PDR調度結果

對于MG1,相比傳統PDR調度結果,改進后13:00—20:00負荷需求量降低,電網交互購電量減少14.95 MW·h;05:00、23:00、24:00負荷需求增加,棄風量明顯減少,總共下降67.75%;BESS充放電動作次數由14次下降到6次,儲能充放電損失和退化成本縮減28.43%;由于風電的利用率增加,使得電網購電量減少,機組運行成本大幅縮減20 158.21元;微網碳排放量也相應減少,在階梯碳價的作用下碳排放成本和系統總成本分別減少44.96%和43.14%。

對于MG2,EVA作為負荷主體,汽車充電數量可以較為明顯地反映負荷變化特征,圖8中汽車充電數量的虛線部分為EVA提供IDR負荷而減少的充電數量。在17:00、18:00和20:00三個時刻,汽車充電數量從438輛縮減到134輛,IDR成本相應地縮減了2 439.02元;11:00和12:00的負荷需求增加2.08 MW·h,棄風量減少了1.15 MW·h;BESS動作次數和充放電量均有減少,相應成本下降31.81%;由于階梯碳價的價格機制,雖然碳排放量只減少了6.41 t,但碳排放成本縮減了224.56元;由于購售電量變化不明顯,其他機組的運行成本基本沒有變動,系統總成本只下降3.82%。

對于MG3,經改進PDR的負荷轉移,06:00—08:00、17:00—21:00 IDR負荷量變為零,使得IDR成本降幅明顯;BESS充放電量縮減,使得儲能成本下降23.76%;由于階梯碳價機制,下降的14.77 t碳排放量帶來了36.90%的碳排放成本縮減;負荷轉移后,儲能和IDR的動作減少,使得其他機組運行成本稍有增加,最終系統總成本下降19.01%。

在需求響應的用戶滿意度方面,如表4所示,由于改進RTP的定價機制,3個MG的用戶負荷轉移量都有所提升,導致用戶用電方式滿意度下降,但均在可接受范圍內;用電費用滿意度方面,MG1和MG2分別下降2.71%和0.93%,而MG3則提升64.65%,這主要是由于改進RTP下風電盈余時期的電價更友好,通過PDR轉移負荷的用戶在電價方面的受益大幅提升。對于IDR用戶滿意度,相比傳統PDR,改進PDR后MG2的汽車充電數量減少了304輛,占IDR響應前預期充電總數量的2.28%;IDR用戶滿意度相應地提升2.03%。

表4 獨立型微網群用戶滿意度結果對比

3.3.2 交互型日前調度

為了進一步驗證基于分布式共享儲能的交互型日前調度模型的有效性,通過交互型調度模型對MGC統一進行日前優化調度,結果如圖10所示,碳排放量及經濟成本如表5所示。相比獨立型MGC的運行,交互型MGC的PDR定價仍然延續基于凈負荷的RTP規則,但3個MG的優化目標不再是單一考慮,而是整體達到最優。

表5 交互型微網群調度結果

(a) MG1調度結果

對比圖7～圖9和表3可以看出,MGC交互之后3個MG的儲能利用頻率明顯增加,充放電量的上升使得BESS損耗成本一共增加685.96元;由于儲能的交互共享,消除了棄風情況,減少了運行成本中的棄風懲罰;同時,MGC的交互共享使得在傳輸容量允許的情況下,MG與電網間的購售電量大幅縮減,更多地轉為MGC內電量購售交互,進而使其他機組的運行成本分別降低23.38%、5.03%和24.05%;由于風電及儲能運維的成本損耗及碳排放量已經計算在內,生產的零碳電能在交互時不產生碳排放,相較于獨立型微網運行,碳排放量總共減少32.14 t,依靠階梯碳價,碳排放成本進一步縮減30.99%。

綜上,交互型調度模型下,相對于儲能損耗成本的提升,其他機組的運行成本、IDR成本、電網購售電成本及碳排放成本的有效縮減使MGC總成本降低22 812.09元,降幅達15.05%。在用戶滿意度方面,由于RTP的規則同獨立型日前調度相同,所以PDR相關用戶滿意度也相同;但MG2中用于IDR響應的汽車充電數量通過交互型日前優化調度減少了101輛,相應地IDR成本縮減75.58%,從而使得IDR用戶滿意度進一步提升到99.85%。

4 結論

(1) 對于風電滲透率極高的微電網源荷平衡場景,基于負荷峰谷調整的傳統實時電價機制通過價格型需求響應帶來的削峰填谷效果并不理想,不能完全適配微電網群的調度需求?？紤]將跟隨凈負荷的改進實時電價機制與價格型需求響應結合,能更好地引導用戶增加源端的風電消納,減少棄風;各微網的儲能損耗成本、向電網購售電量及激勵型需求響應成本均明顯下降,碳排放量分別減少13.87 t、6.41 t、14.77 t,系統總成本分別縮減43.14%、3.82%、19.01%,環境及經濟效益得到有效提升;同時,用戶的價格型及激勵型需求響應滿意度維持在較高水平。

(2) 相較于各微網僅與電網交互的獨立型調度模型,所提出的基于分布式共享儲能的交互型微網群調度模型消除了原有的棄風情況,微網群之間能產生互補效應,在傳輸容量允許的情況下與電網間的購售電量大部分轉為微網群內部電量購售交互,縮減購電成本的同時增加售電收益,使得其他機組的運行成本得以縮減。此外,由于微網群內交互的都是零碳電能,不產生碳排放,微網群總碳排放量減少32.14 t,在階梯碳價機制下碳排放成本縮減30.99%,總成本降低15.05%。

(3) 分布式共享儲能整合了微網群現有儲能資源,考慮儲能狀態的交互型調度方式進一步發揮了儲能的調峰及成本優化能力。雖然儲能的交互調用使得損耗成本上升了42.11%,但微網群的風電消納水平、碳排放成本、運行成本及激勵型需求響應滿意度均得到進一步提升。

(4) 本文考慮交互式優化調度模型時只考慮現有設備成本,未將微網群之間的交互設備成本計算在內,電纜及變電等建設資金的投資回報比將在后續研究中開展。