多微网主动配电系统的协调优化调度研究

多微网主动配电系统的协调优化调度研究

0含多微网主动配电系统自治优化调度模型随着能源体制改革的推进，分布电源积极发展，建立互联能源发展机制的声音不断增强。微网作为一种包含可再生能源的分布式电源(distributedenergyresource,DER)综合集成技术,是分布式发电的有效管理形式含多微网的主动配电系统动态经济调度问题可采用非线性优化模型来描述,分为集中式与分布式两类建模方法分布式建模方法将配网与微网作为不同的利益主体分别建模,是目前该领域的发展趋势。如,文献[11]提出一种基于互动调度的微网与电网协调运行模式,采用差分进化算法实现能量优化管理;文献[12]把多微网经济调度视为马尔科夫决策过程,应用拉格朗日松弛技术和对偶原理求解;文献[13]建立了微电源及负荷的随机概率模型,并通过粒子群算法实现多微网的经济运行。上述方法在模型上能够细化微网与配网作为不同主体的利益述求,然而它们在优化过程上并不能实现微网的并行求解,削弱了微网分散自治的优势;同时,也并未兼顾微网群大量间歇式能源波动特性的影响。针对以上文献的不足,本文采用的目标级联分析法能够实现不同利益主体精细建模与并行协调求解,且有较高的计算效率。本文以此理论为基础,建立了一种含多微网的主动配电系统自治优化调度模型和求解方法。该模型细化了微网与配网对于经济调度的运行约束和利益博弈,并结合机会约束规划应对新能源随机性的影响;通过将联络线功率作为解耦变量,实现微网自治模型与配网优化模型的解耦与并行求解,在大大提高计算效率的基础上重塑了含多微网配电系统的日前经济调度分散自治框架。对改进的IEEE33节点系统和某实际配电网的算例进行分析,结果表明目标级联分析法应用于含多微网主动配电系统的动态经济调度是有效的。1微网与配网的功率交互含多微网的主动配电系统结构如图1所示,微网在一个局部区域内直接将DER、配电网络和本地用户有机组合在一起,消纳区域内的DER以满足负荷需求;当微网产能过剩或不足时,与配网进行功率交互。微网中央控制器(microgridcentralcontroller,MGCC)通过合理安排各可控单元的出力计划,协调与配网的功率传送量,使微网的总运行费用最少;同理,配网在满足自身负荷需求条件下,追求生产费用的最优,在必要时向微网传送功率,以填补微网电能缺额。可见,微网与配网作为不同的利益主体,有不同的调度目标;其联络线上的功率交互使各自的经济调度相互影响,在系统运行上存在强耦合性。以下给出配网和微网各自的动态经济调度详细模型。1.1网络的动态经济规划模型1.1.1目标函数配网调度的目标是使机组的发电成本以及与微网间的交互成本之和最小,其目标函数为式中:F式中:T为调度周期;P1.1.2合同规定将配网动态经济调度约束条件具体叙述如下。1方程4显示了功率平衡的限制23如表5所示，计算传统设备的产量限制3等式6显示了传统设备的倾斜极限4网络的旋转时间限制如等式7所示5方程8表示连接网络的功率限制式中:1.2微网动态经济规划模型1.2.1微网号码下标以微网的总生产成本最小作为优化的目标,如式(9)所示。式中:下标j表示微网的编号;F本文考虑的微网经济调度模型是在最大限度消纳风电基础上,优化其他可控机组的运行式中:微网向配网购电的成本F式中:1.2.2合同规定与配网相似,将微网动态经济调度约束条件叙述如下。1等式13显示了功率平衡的限制214如等式14所示，计算中的上限和下限315如等式15所示4方程16表示连接网络的功率限制式中:P5等式17至19显示了电池运营的限制式中:E(t)为蓄电池的容量状态;E6等式20显示了电池充电率的限制蓄电池充放电功率有一定的限额,同时蓄电池充放电状态的频繁转换会对蓄电池产生损耗,因此需要限制蓄电池充放电状态转换次数式中:72旋转中的额外兴趣在风光发电的预测过程中,存在一定的预测误差;负荷预测也受到天气、社会事件等影响存在预测误差,误差可用正态分布来表征式中:R2含多微网主动配电系统动态经济调度模型的atc优化目标级联分析法(analyticaltargetcascading,ATC)是一种采用并行思想解决复杂系统的设计方法,最初由密执安大学研究人员提出,主要用于汽车、飞机等设计领域如图2(a)所示,ATC的基本思想是将设计指标按系统→子系统→部件不断分流,同时各级响应由下而上不断反馈,系统、子系统和部件级各单元问题分别独立求解,交叠优化,直到满足收敛条件为止。每一个元素都是由一个分析模块和设计模块组成,如图2(b)所示。设计模块用于自身问题的优化设计,分析模块用于计算优化迭代时目标变量的响应值。系统将优化后的设计变量t由1.1节所述的含多微网主动配电系统动态经济调度模型可见,配网与微网分属于不同的利益主体,有自身的优化目标;同时,它们通过联络线的功率交互进行运行耦合,并使多微网主动配电系统总体效益最优。这种层级结构与ATC的基本思想相一致,可将ATC应用于多微网的主动配电系统经济调度问题的建模与求解。3基于目标级联分析的调度模型基于配网与微网之间的运行耦合关系,将配网对应图2的系统层,微网与子系统层对应。由于存在交互功率从配网角度出发,联络线功率配网在求解自身经济调度方案时,将虚拟负荷变量P式中ω同理,若配网与m个微网相连,在配网的目标函数加入m个拉格朗日罚函数,表示配网虚拟负荷P因此,基于目标级联分析的调度模型中,微网子系统模型由式(22)和式(13)—(21)构成,配网主系统模型由式(23)和式(4)—(8)构成。各系统调度模型独立求解,交叠优化直到满足收敛条件。3.1动态经济调度算法收敛判据ATC在本质上属于最优化方法中的乘子法,文献[19]对其收敛性做出了严格的理论证明。基于ATC的动态经济调度算法收敛条件为:式(24)表示在第k次迭代中,微网虚拟发电机P若收敛判据式(24)、(25)不能同时满足,则根据式(26)更新拉格朗日罚函数乘子。为加速算法的收敛,β的取值一般为2<β<3,乘子ω3.2随机模拟和随机模拟由式(21)可知,风电、光伏及负荷的预测误差等随机变量的存在使模型不能求解,若采用随机模拟的方法模拟预测误差,再结合ATC求解会使模型更加复杂。因此,本文将机会约束条件(21)转化为等价确定形式(27),F3.3分布式多微网主动配电系统最优调度输出基于ATC的含多微网主动配电系统动态经济调度算法流程如图4所示,具体步骤如下:1)输入机组参数,设定好耦合变量(即交互功率)及罚函数乘子初值,置迭代次数k=1。2)每个微网根据式(22)和式(13)—(21)进行各自优化问题的求解,并将求解得到的虚拟发电机3)配网接收到微网传递的数据后,根据式(23)和式(4)—(8)自身优化的同时靠近微网传递的值,将求解得到的虚拟负荷传递给微网。DS4)含多微网主动配电系统检查收敛条件式(24)、(25),若同时满足,则终止迭代过程,输出最优调度结果;否则,根据式(26)更新罚函数乘子,置k=k+1,返回步骤2)继续求解。4计算与分析4.1某实际微网配置及动态经济调度周期改进后的IEEE33节点配网系统如图5所示。两个微网分别接在节点11和28,每个微网的DER总容量均为5MW。每个微网包括2台1.5MW柴油机组,风电机组、光伏机组各一台,并配置有蓄电池。各微网的配置情况及参数均来源于某实际微网,分布式电源及配网机组参数见附录A中表A1,动态经济调度的周期为1天。实时交易电价见文献[14],蓄电池充电与放电价格为衡量风光及负荷等随机变量对含多微网主动配电系统动态经济调度经济效益的影响,本文对不考虑风光、负荷的预测误差与考虑预测误差两种情景进行研究。4.1.1u3000蓄电池出力及充放电特性当主动配电系统不考虑预测误差,即δ图7(a)为微网1中蓄电池充放电曲线,其值为正时代表蓄电池向微网供电,为负时配网向蓄电池充电。图7(b)为微网1机组出力曲线。由图7可见,在19:00—21:00的高峰负荷时段时,DG1发电接近饱和,蓄电池向微网放电以满足负荷需求。图8(a)、(b)分别为微网2中蓄电池充放电及机组出力曲线。由图8可见,微网2负荷变化平缓,微网2机组出力变化相应较小;6:00—8:00、18:00—20:00微网2迎来负荷高峰,蓄电池提供功率支撑;11:00—13:00虽为负荷高峰,附录中图A1表明此时微网的风光出力充足,无需蓄电池协助也能提供足够的功率支撑。4.1.2运行成本分析当主动配电系统考虑预测误差时,负荷波动方差取值为0.01pu,风光发电波动方差为0.1pu。模型中置信水平α的选取会对结果产生影响,在不同置信水平下的运行成本如表1所示。当主动配电系统不考虑预测误差时,含多微网主动配电系统总运行成本为150728元;当置信水平α取60%时,总运行成本为153082元。这说明系统考虑预测误差使系统可靠性水平提高,是以总运行成本的增加为代价的。当置信度提高时,总运行成本也依次增加,可以体现风电、光伏及负荷的随机性对调度结果的影响。4.2算法的性能分析1分布式算法及收敛时间为验证算法的性能,在IEEE33节点系统中依次接入更多的微网,分别采用集中式建模求解方法与本文所提的基于ATC的分散自治调度方法对该算例进行求解。其中,集中式建模求解采用的是混合整数规划中的分支定界法。模型中置信水平α取为60%,收敛精度设为10当微网数量较少时,集中式求解规模小而有较快的求解速度;分布式由于计算过程中信息的传递使得求解时间增加。随着微网数量增加,集中式求解方法的计算耗时呈指数级增长,而分布式的增长幅度相对缓慢。当微网数量较多时,由于系统规模的急剧增大,使集中式求解效率降低;而基于ATC的分散自治调度方法将大规模的优化问题分解,不同利益主体的自治使得每个子系统维数降低,因而具有优越的求解性能。2迭代收敛以两微网接入的案例为例,相应的ATC算法收敛曲线如图9所示,经过8次迭代收敛。3目标函数与所需初始的关系为验证算法初值对目标函数的影响,本文通过随机抽样得到20组不同的初值。目标函数与初值的关系如图10所示,当取不同的初值时,系统的目标函数都接近15.3万元。这说明基于ATC的调度方法受初值的影响较小,且有良好的收敛性。4全局寻优能力验证理论上来说,当收敛精度足够小时,ATC的计算结果将与集中式调度方法一致。为此,本文开展了大量仿真,对该方法的全局寻优能力进行验证。以2个微网参与调度(m=2)为例,不同的收敛精度对应的目标函数列于表3中。由表3可见,随着收敛精度升高时,ATC总成本与集中式优化的差值逐渐减少。当收敛精度达到104.3atc算法与其他有组织模式分析为验证方法和模型的适用性,以某地区实际配网系统为基础(接线示意图见附录A中图A2),在配网中接入更多不同类型的微电网。图中:MG1、4为家庭型微网;MG2为工业型微网;MG3为商业型微网。其容量配置和相关运行参数见文献[4]。各类型微网调度结果如图11—13所示。以图13所示家庭型微网为例,家庭型微网在3:00—5:00与14:00—16:00处于负荷低谷,而此时风光充足,微网向蓄电池充电以消纳多余的可再生能源;系统在18:00-20:00迎来用电高峰,蓄电池处于放电状态以满足高峰负荷的需要;而FC由于生产成本较高,只在负荷峰值时供电以保证微网运行的经济性。图14给出了配网与微网联络线功率在迭代过程中求解结果。由图14可见,虚拟发电机与虚拟负荷的值在求解过程中,不断相互靠近;体现微网子系统与配网主系统交叠优化直至满足收敛条件的过程。同时,表4对本文ATC方法与基于分支定界法的集中式求解方法进行对比。综合表2、4可知,对于含多微网的主动配电系统,微网数目越多,主动配网系统规模越大,本文提出的基于ATC多微网分散自治调度方法相对集中式方法其计算效率将逐步凸显优势;此外,在优化时只需通过传递虚拟负荷及虚拟发电机的值即可得到最优解,保护了微网与配网的隐私,随着智能小区理念的推广,越来越多售电主体进入市场,本文所提模型和方法有较好的适用性。5分散自治理念本文提出的基于目标级联分析方法的多微网主动配电系统分散自治优化调度模型,以微网与配网能量自治管理为前提,实现了整个配电系统的全局能量优化管理。与传统的集中式建模和求解方法相比,本文所提模型的分散自治理念体现在微网与配网优化模型的解耦与独立求解上,即能够在确保各利益主体隐私的基础上,细化所有利益主体对于经济调度的运行约束和利益博弈,能够有效避免维数灾的弊端,且真正体现微网分散自治的优势。通过IEEE33节点系统和某实际配电网算例表明:所提方法能够得到全局最优解,具有良好的收敛特性,且受初值的影响较小;随着系统规模的增加,更多的微网接入配网,算法依然能够保持良好的收敛性及计算效率。本文所作研究为主动配电系统的推广应用,以及不同售电利益主体进入市场后的能量优化管理提供了有效的决策理论和方法。附属aIEEE33节点系统机组参数如表A1所示。微网2风光预测曲线如图A1所示。某地区配电网结构示意图如图A2所示。sion信息siwellXIEMin,JIXiang,KEShaojia,LIUMingbo(SouthChinaUniversityofTechnology)KEYWORDS:activedistributionsystem(ADS);multi-microgrids;interestgame;analyticaltargetcascading(ATC);autonomousoptimizedeconomicdispatchWiththedevelopmentofADSandMGs,moreandmoredistributedenergyresourcesaccesstodistributionnetwork(DN)inMGsmanner.Atthesametime,theinterestgamebetweenDNandMGsbringsahugechallengetopowersystemeconomicdispatching.Toovercomethedifficultiesofcentralizedmodelingapproach,suchaslargeamountsoftransmissioninformation,complexcalculations,dimensionaldisaster,thispaperproposesanautonomyoptimizationmodeloftheactivedistributionsystemwithMGsbasedonATC.TheideaofATCistodividethedesignedindexfromsystemtosubsystemtocomponentconstantly.Atthesametime,theresponseofeverylevelisreturnedfrombottomtotop.Theproblemsofsystem,subsystemandcomponentaresolvedindependentlyandoverlapoptimizeduntiltheconvergenceconditionissatisfied.ThedecompositionschemeshowninFig.1isusedtodecoupletheDNsystemfromtheMGssubsystem,andDNisregardedasthesystemlayer,andMGscorrespondstothesubsystemlayer.Afterdecoupling,theobjectivefunctionsofDNandMGsareshowin(1)and(2)respectively.Powerbalance,limitsofunitsoutputandsomeothercommonconstrainsareconsidered.ThesimulationstudyofamodifiedIEEE33systembetweenATCandbranchandbound(BB)centralizedmethodisshowedinTab.1.Thecomparisonresultshowsthat:I.whenthenumberofMGissmall,thescaleofcentralize