基于ADMM的多场景县域多微电网交互运行策略

01县域网元微电网群电能交互框架县域网元区域内微电网群的互联交互框架结构如图1所示。共包含3个微电网系统，每个微电网都含有微网运营商（microgridoperator，MO）、刚性负荷、柔性负荷、新能源发电装置、燃气轮机和储能系统。各微电网通过一个公共连接点（pointofcommoncoupling，PCC）与上级电网相连，可以向大电网购电或售电。同时微电网间通过联络线进行电量交互，每个微电网都可以向县域内其他微电网购、售电。虚线为有线双向通信信息流网络，实线为电能传输线路。图1

县域网元区域内的微电网群互联交互框架结构

Fig.1

Interconnectedinteractiveframeworkstructureofmicrogridgroupincountynetworkelementarea为促进县域内新能源发电本地消纳，减少输送网损，各微电网通过MO进行电量交互和信息交互。当县域内电能不足以支撑微电网运行时须向上级电网购电。02多场景县域内多微电网交互运行优化模型本节对县域内所有的能量单元进行建模，并建立多场景网元微电网群能量交互管理系统模型。2.1

燃气轮机机组微型燃机主要通过燃烧天然气发电，第i个微电网t时刻发电量与燃气消耗量转换关系为式中：为第i个微电网t时刻天然气消耗量；ηGT为燃气机组的发电效率；为天然气的燃烧热值。燃气轮机组作为快速响应的可控式分布式电源，在参与微电网优化调度的过程中需要满足输出功率约束，即式中：分别为燃气轮机最小、最大输出功率。2.2

储能系统模型储能系统（energystoragesystem，ESS）在t时刻的电荷状态为式中：Si,t为第i个微电网t时刻储能系统的容量；分别为第i个微电网t时刻储能系统的充、放电功率；ηloss为损失效率；η为充放电效率；分别为储能系统充、放电最大功率；分别为第i个微电网t时刻储能系统充、放电状态；Smin、Smax分别为储能系统最小、最大容量限制。2.3

电负荷模型微电网t时刻的电负荷由刚性负荷和柔性负荷组成，柔性负荷又由可转移负荷和可削减负荷组成，即式中：为第i个微电网t时刻预测电负荷功率；为第i个微电网t时刻刚性负荷；分别为第i个微电网t时刻可转移负荷和可削减负荷；h、n分别为可转移和可削减电负荷比例。2.4

阶梯式碳交易机制模型2.4.1微电网碳配额模型第i个微电网t时刻的碳排放额度为式中：为第i个微电网t时刻的新能源发电功率；σGT、σRES分别为燃气轮机和新能源发电碳排放额度分配系数。2.4.2

微电网碳排放量模型本文中微电网的碳排放主要来自燃气轮机和从上级电网购电（认为从上级电网购电均为火电）。第i个微电网t时刻的实际碳排放量为式中：βGT为燃气轮机碳排放系数；βE为从上级电网购电所承担的碳排放系数；为第i个微电网t时刻从上级电网的购电量。2.4.3

阶梯式碳交易成本模型区别于传统的固定碳交易机制，阶梯式碳交易机制依据碳排放量分区间制定单位碳价，阶梯式碳交易机制为式中：为第i个微电网的阶梯式碳交易成本；d为碳排放量分区间长度；τ为碳交易单位价格；λ为价格增长率；T为优化调度周期，为24h。2.5

目标函数县域网元内各微电网以自身运行成本最小为目标，建立单个微电网交互合作的最优调度模型，即式中：为参与县域电能交互的第i个微电网的总体运行成本；为微电网i的新能源发电成本；为微电网i的可再生能源单位发电成本；为微电网i的燃气轮机维护及天然气成本；cGT为燃气轮机单位发电维护成本；cgas为天然气价格；为微电网i与上级电网交互成本；分别为微电网向上级电网购、售电价；为微电网i在t时刻向上级电网售电量；分别为储能运行成本和单位充放电量损耗成本；为微电网i的需求响应成本；分别为单位切负荷成本和单位转移负荷成本；为微电网i的电能交互成本；为微电网i与微电网j的交互电量，正值表示i从j购入电量，反之为售出电量；为微电网i与微电网j单位交互电能的价格。2.6

约束条件2.6.1上级电网交互约束各微网与上级电网的功率交互约束为式中：为上级电网与各微网之间的最大交互功率；为0–1状态变量，为1时为购电，反之不购电，为1时为售电，反之不售电。2.6.2

多微网间交互约束式中：为微网间最大交互功率；μi-j,t和μj-i.t为0–1状态变量，μi-j,t为1时表示微电网i向微电网j输电，反之不输电，μj-i.t为1时表示微电网j向微电网i输电，反之不输电。微电网在参与优化调度的过程中要考虑到整个系统的功率平衡约束、各出力机组的出力和爬坡约束等，在这里不再赘述。03基于ADMM的多微电网交互运行优化模型3.1

县域微电网群优化问题3.1.1目标函数县域内微电网群的目标函数可以分解为各微电网目标函数，即式中：k为县域内微网群中的子微网个数。3.1.2

全局变量微电网交互电量既是整个微网群的全局变量也是每个子微网的局部变量，因此之间具有耦合关系，它们在优化调度的过程中相等，即式中：为微电网j与微电网i的交互电量，为正表示微电网j从微电网i购入电量，反之为售出电量。3.2

ADMM基本原理子微网求解目标函数的优化问题可以表示为式中：xi为子微网i的局部变量；y为整个微网群的全局变量。采用增广拉格朗日松弛法求解得式中：ρ为惩罚因子且大于0；μ为拉格朗日乘子。采用ADMM算法，反复迭代求解，求得最优解，迭代过程如式（32）所示，即式中：m为迭代次数。3.3

分布式优化模型与收敛判断县域内微网群中的子微电网i的优化问题为式中：ψ(i)为和微电网i交互的其他微电网集合。ADMM算法包括原始残差和对偶残差2个收敛参数，在本文的系统中，收敛判据为式中：分别为原始残差和对偶残差的收敛精度。各微电网优化调度流程如图2所示。具体流程如下所示。图2

优化调度流程

Fig.2

Optimalschedulingprocess

1）根据以往数据分析，进行拉格朗日乘子和全局交互电量的初始化设置，向子微网发放初始交互调度方案。2）各MO根据预测的可再生能源出力及负荷预测情况，求解自身最优调度方案和局部交互功率，通过联络线发送至县域网元微网群调度机构。3）各微电网更新拉格朗日乘子，并且计算残差，判断误差是否收敛，收敛则结束迭代，不收敛则循环迭代直到收敛。04基于Shapley值的微电网群收益分配相比于多个微电网单独运行，微电网群交互运行可以大大减少整个系统的运行成本，但是对每个子微网而言，交互运行的收益分配并不公平。Shapley值方法是一种解决合作博弈中收益分配问题的方法，它通过计算每个参与者的边际贡献来确定每个参与者应该获得的份额比例。本文通过Shapley值方法来分配县域内微电网群中各微电网的收益。首先，本文假设有n个微电网组成一个县域内微电网群，每个微电网i都有发电、消纳和交互的能力。设县域内微电网群的总收益为式中：V0为各微网独立运行时的微电网群成本；V1为交互运行时的微电网群成本。每个微电网i参与协作所产生的收益为式中：M为微电网集合的任意子集；Mi为微电网集合中包含微电网i的所有子集；|M|为集合M中微电网个数；ΔVM为集合M的分配收益；ΔVM∖{i}集合M除去微电网i的分配收益。05算例分析5.1

基础数据为了验证本文所提方法的有效性，根据负荷及可再生能源的预测值进行日前优化调度，间隔为1h。以县域内3个微电网为例，系统中每一个微电网都包含刚性负载、柔性负载、燃气轮机、储能和可再生能源。假定微电网的柔性负荷占比最大为20%，微电网的储能配置容量为1500kW·h，其最大充放电功率为500kW。微电网群的典型日负荷曲线如图3所示。可再生能源出力预测曲线如图4所示。微电网1主要依靠风力发电，日内发电量稳定，能够实现局部能源的自给自足，同时将多余的能源进行交易以赚取收益，其在微电网群中担任供电型微电网的角色。微电网2主要依靠光伏发电，从其负荷特性可以看出此区域为住宅区，在工作时间用电需求低，而早晚为用电高峰期，其在微电网群中既作为供应方也作为接收方。微网3主要依靠光伏发电，为工业开发区微电网，工作时间用电需求较高，其在微电网群中作为电能的接收方。图3

微电网群负荷曲线

Fig.3

Loadcurvesofmicrogridgroup图4

可再生能源预测出力

Fig.4

Renewableenergyforecastoutput

5.2

场景设置及对比分析为了验证本文所提机制的效果，对比3种不同交互策略的优化调度结果。1）考虑普通碳交易机制的多微网独立运行调度；2）考虑阶梯式碳交易机制的多微网独立运行调度；3）考虑阶梯式碳交易的多微网交互运行调度。其中独立运行是指微电网间不进行电能交互，每个微电网只与上级电网交互。交互运行是指微电网间进行电能交互，将每个微电网的子目标函数合成为微电网群的总成本函数，各子微网根据内部目标函数和局部约束独立优化，形成内部调度方案，并发送到微网群调度机构进行全局调度。由表1可知，考虑阶梯式碳交易与多微网交互运行时系统的总成本为25127,5元，相比于独立运行且传统碳交易机制运行时总成本降低了6989.6元，下降约21.76%。同时微电网群的碳排放量也从18120.4kg降到了11008.2kg，下降了近39.2%。这说明在采用阶梯式碳交易机制和交互运行时可以更好地利用可再生能源发电，更多地消纳可再生能源，实现经济和环境的全面提升。表1

3种不同运行方式下各微网成本Table1

Thecostofeachmicrogridunderthreedifferentoperatingmodes5.3

多微电网交互优化调度及收益分配5.3.1

ADMM算法收敛性分析本文采用ADMM算法迭代求解多微网交互情况下的最优调度方案，各微电网的系统成本的收敛情况如图5所示，在迭代到第43次时收敛。由此可知，基于ADMM算法的多微网交互运行有着很好的收敛性并且可以尽可能地保护各主体的隐私。图5

成本收敛情况

Fig.5

Costconvergence5.3.2

调度结果分析微电网之间的电能交互结果如图6所示。由图6可知，微网1的电能大多数时候供大于求，表现为供电型微电网，在00:00—07:00、17:00—24:00电能交互功率为负值，总是将电能交易出去以赚取收益，其作为微电网群中主要电能供应方很好地实现了电能的高效利用和利益最大化。从微网2负荷特性和电能交互结果来看，此区域为县域内的住宅区，在10:00—18:00自身负荷需求较低时，充当电能的供应商，而从18:00—24:00变成电能的接受方，体现了其在微电网群中应承担的责任，实现了电能的合理利用。微网3则为县域内经济较为发达的经济开发区，白天的用电量较大，需要不断购入电能，总为电能的接收方。图6

微电网间电能交互结果Fig.6

Energyinteractionresultsbetweenmicrogrids

在日内的用电高峰期间，县域微电网群内部可以实现电能交互，满足用电需求，提高整个系统的电能可靠性，从而减少上级电网的供电压力，减少电能运输成本。与此同时还能减少缺电型微电网的运行成本，增加供电型微电网的售电收益。以场景3为例，微网群的各机组出力及负荷优化结果如图7所示。各微网出力主要由可再生能源、燃气轮机和储能电池提供。微网1在00:00—08:00和17:00—24:00时，可再生能源和燃机的出力大于负荷需求，多余的电能用于储能以应对自生负荷的需求，或交易给其他需要电能的微网以赚取利益，大大提高了可再生能源的利用率。在08:00—15:00时通过加大燃机功率和需求响应进行削峰填谷来满足负荷需求。微网2的可再生能源为光伏，且负荷特性为住宅区，在白天有大量富裕的电能，因此微网2在白天主要是将电能交易给电能不足的微网以赚取收益，其余部分储存起来以应对晚间的用电峰时。晚间，微网2首先利用削峰填谷减少负荷需求，然后利用储能放电，燃机发电和与其他微网购买电能来满足自身负荷需求。微网3因为电能需求很大，可再生能源加储能放电全部用于自身仍不能满足自身需求，所以向微电网群的其他微网购电，加大燃机出力以及向上级电网购电以满足需求。图7

优化调度后各微网机组出力

Fig.7

Theoutputofeachmicrogridunitafteroptimalscheduling

县域内不同属性的微电网交互运行，可以大大提高可再生能源的利用率，减少弃风弃光的现象，实现了低碳运行。同时减少了对上级电网的依赖性，有效降低了整个电网系统的运行压力，提高了系统运行的可靠性。除此之外，县域内电能交易，减少了电能的运输成本和用电成本，提高了整个微网群的经济性。5.3.3

Shapley收益分配在实现了多微网交互运行、降低了整个微网群的运行成本的情况下，还须解决个体利益分配问题。本文采用Shapley法按照每个微电网的贡献度，对整个微网群系统的收益进行分配，结果如表2所示。由表2可知，多微网交互运行后，各子微网的运行成本都有所下降，均优于独立运行时的系统成本，证明本文所提的交互运行可以提升各微电网的经济性。表2

Shapley法分配收益后各微网实际运行成本Table2

TheactualoperatingcostofeachmicrogridafterShapleybenefitallocation06结语为了提高可再生能源的消纳率，减少碳排放量，更好地实现“双碳”目标，本文提出一种县域内多微电网交互运行优化调度策略，