计及需求响应的微电网多时间尺度调度仿真_韩沐枫.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第3期总第331期文章编号：1006-2475（2023）03-0102-05收稿日期：2022-02-18；修回日期：2022-05-19基金项目：国家自然科学基金资助项目（51877161）作者简介：韩沐枫（2000），男，河南安阳人，硕士研究生，研究方向：电气仪表，E-mail：。0引言随着分布式可再生能源技术的成熟和需求响应要求的增加，传统发配电系统由于调度方式单一难以满足用户需求1-3。微电网主要是由分布式电源以及储能装置等不同设备组成的小型发配电系统4-7，不仅可以有效实现自我控制，还设定了自我保护机制，可以并网也可以单独运行8-9。想要确保微电网运行的高效性和经济性，需要对微电网内部的各个微源以及大电网之间的运行调度进行优化，研究出合理的调度方案，改善系统灵活性，提高弃光利用率。国内外相关专家针对微电网调度方面的内容进行了大量研究。文献 10-12 从微电网运行成本最小的角度出发，建立了含多种分布式电源的日前经济调度模型。文献 13 同时兼顾用户侧成本和联络线功率波动最小化，建立多目标优化模型。文献 14 提出了一种基于离散时间最优控制结合共识网络的分布式调度方法，可以通过每个设备与其相邻设备的迭代协调找到所有设备的最佳时间表，并通过蒙特卡洛模拟其收敛性。但上述研究仅针对日前时间范围调度，没有考虑多时间尺度联络线功率偏差带来的影响。文献 15 在日前调度阶段，在全面分析市场实时电价的情况下，构建以最小日运行成本为目标的随机优化调度模型，通过模型完成调度。文献 16 将最小充电成本作为目标，构建多时间尺度优化调度模型，同时引入狼群优化算法进行寻优，得到最佳调度方案。在上述2种方法的基础上，综合考虑微电网多时间尺度调度与需求响应技术，本文提出一种计及需求响应的微电网多时间尺度调度方法。仿真实验结果表明，本文所提方法可以减少弃光，提高能源利用效率，实现系统的经济运行，获取较为理想的调度方案。1方法1.1计及需求响应的微电网多时间尺度调度模型微电网是由太阳能发电以及风力发电等不同分计及需求响应的微电网多时间尺度调度仿真韩沐枫（福建农林大学金山学院，福建 福州 350000）摘要：当前已有的微电网调度方法未考虑电源的发电特性以及需求响应侧问题，导致微电网调度后的功率无法达到理想值。本文提出一种计及需求响应的微电网多时间尺度调度方法。分析微电网中不同分布式电源的发电特性以及需求侧不同负荷的特性，同时通过负荷的特性对负荷分类。根据负荷分类结果，将微电网整体问题转换为居民住户优化问题和微电网多时间尺度问题，以最小电力花费以及最小充放电循环次数作为目标，构建微电网多时间尺度调度模型。进一步采用改进的萤火虫算法对模型进行求解，以获取最优调度方案。实验结果表明，所提方法可以获取最佳调度方案。关键词：计及需求响应；微电网；多时间尺度调度；改进萤火虫算法中图分类号：TP273.2文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.03.018Multi-time Scale Scheduling Simulation of Microgrid Considering Demand ResponseHAN Mu-feng（College of Jinshan，Fujian Agriculture and Forestry University，Fuzhou 350000，China）Abstract：The existing scheduling methods of microgrid do not consider the generation characteristics and demand response sideof the power supply，resulting in the power of the microgrid after dispatching cannot reach the ideal value.Therefore，a multi-time scale scheduling method of microgrid taking the demand response into account is proposed.In the analysis of the generationcharacteristics of different distributed power sources in microgrid and the characteristics of different loads on the demand side，the load is classified according to the characteristics of loads.According to load classification results，the overall problem of microgrid is converted into resident residents optimization problems and multiple time scale problems.Taking the minimum powercost and the minimum charge and discharge cycles as the target，constructs a multiple time scale micro power grid schedulingmodel.The improved firefly algorithm is used to solve the model to obtain the optimal scheduling scheme.The experimental results show that the proposed method can obtain the optimal scheduling scheme.Key words：taking into account demand response；microgrid；multi-time scale scheduling；improved firefly algorithm2023年第3期布式电源共同组成的。对规模比较大的电网而言，可以将微电网看作是一个可控负荷，以最快的速度响应输电系统的要求，同时及时补充电网所需要的电能。对用户而言，可以将微电网看作一个特定的电源，满足各种类型家庭的用电需求。微电网可以有效利用各种清洁能源，有效保护环境。不同形式的分布电源和负荷共同组成微电网，同时微电网和大电网两者是相互连接的。其中，微电网包含以下主要特点：1）微电网和配电网之间仅存在一个PCC，同时二者之间的流向为单向的。针对电网而言，微电网中只含有一个负荷，可以起到削峰填谷的目的。2）分布式电源采用整流器和逆变器接入到微电网中，主要是由当地频率电压变化作为反应以及对应的控制决策。在考虑需求响应的情况下，分析微电网中不同分布式电源的发电特性，同时通过负荷的重要性对负荷进行分类。通过负荷分类结果，将大规模的微电网问题转换为多个小规模的问题，分别为居民住户优化问题以及微电网多时间尺度调度问题。在微电网运行过程中17-20，将所需要的信息设定为电池的有功输入，其中荷电状态是电池的重要组成参数，有效反映了电池的剩余电池容量，同时还包含比较重要的参考信息。在设定时间范围内，电池主要经历了充电和放电的过程，其中荷电状态对应的更新模型Gsoc()a+a可以表示为：Gsoc()a+a=Gsoc()a+(xc-1a)QESS()dCcom（1）其中，Gsoc()a代表模型的更新参数；a代表模型的更新函数；a代表模型的不同迭代次数的更新函数变化量；xc代表电力系统的荷电状态；QESS()代表电池的额定功率；代表电池功率的驱动参数；Ccom代表模型的迭代更新总次数。其中，居民最关注的问题就是经济性问题，对于居住用户而言，主要目标是将电力花费调整至最小。其中，居民的电力花费主要可以采用公式（2）表示：Mbill=Fbuy+Fess+Fmain-Fsell（2）其中，Mbill代表居民用户的电力总花费；Fbuy代表用户购买电能花费的总金额；Fess代表储能电池的折旧费用；Fsell代表电力系统售电得到的总收益；Fmain代表微电网中不同设备的运行维护成本。微电网中不同设备的运行维护成本均可以设定为常数，在优化时不需要考虑。其中储能电池的折旧费用和充放电量两者成正比，所获取的比例系数即为折旧系数bdell，具体的计算公式为：bdell=RESScomCcom Nmax（3）Fess()t=bdell P2bat()t t（4）其中，RESScom代表储能电池的价格；Nmax代表电池的最长使用寿命；Pbat为储能电池充放电功率；t为时间间隔。由于不同时刻的计算成本和其他时刻不存在任何关联，所以可以将24小时总成本为目标的模型转换为每个小时最小成本，则对应的目标函数Gminobj可以表示为：Gminobj=mint=124Fbuy()t+Fess()t+Fmain()t-Fsell()t（5）从环保角度出发，需要尽可能选择可再生资源作为最大化指标。针对微电网而言，最大程度使用光伏发电，同时还需要保证电力系统弃光次数为最少21-22。设定Mshellow代表光伏弃光的次数，具体的计算公式为：Mshellow=i=1mj=1nkij（6）其中，kij代表在第i个时间段第j个光伏的运行状态。Mshellow的取值越小，则说明光伏的使用效率就越高，所以需要Mshellow的取值最小化。智能家电以及储能设备的加入促使微电网可以采取更多的手段进行用电侧管理，达到削峰填谷的目的，同时对负荷曲线进行平滑处理。在并网运行过程中，可以将微电网设定为外部电网的一个稳定负荷，同时确保电网的稳定运行。采用峰谷率对微电网的削峰填谷能力进行评价和分析，具体的计算公式为：Hijx=HccmaxHccmin（7）其中，Hccmax和Hccmin分别代表微电网最大和最小接入功率。通过上述分析，以下将最小充放电循环次数作为目标函数，具体的表达形式为：Hmetteri=GminPCC（8）其中，GPCC代表充放电循环次数。通过上述分析，构建微电网多时间尺度调度模型，具体的表达形式为：Hmin=minMshellow，Hmetteri，Gobj（9）1.2模型求解在基本萤火虫算法中23-24，所有个体都均匀分布在搜索空间内，同时不同个体所发出的亮度是完全不同的。如果随机一个个体的亮度比较强，剩余个体会全部向这个个体进行靠拢，最终实现算法的寻优。利用公式（10）给出萤火虫相对亮度Ir计算：Ir=I0e-r（10）其中，I0代表萤火虫个体的最大荧光亮度；代表光强吸引系数值；r代表不同个体之间的距离。萤火虫吸引度计算公式为：=0e-r2（11）其中，0代表萤火虫个体的最大吸引度。随着不同萤火虫个体之间距离的增加，各个萤火虫之间的相对吸引度会随之降低。其中，萤火虫的位置更新公式为：xi=xi+()xi-xj+()rand-12（12）其中，xi和xj分别代表搜索空间内不同萤火虫的坐标韩沐枫：计及需求响应的微电网多时间尺度调度仿真103计算机与现代化2023年第3期位置；代表步长因子；rand代表在区间 0，1 内的随机数；()rand-12代表扰动项。萤火虫算法的详细操作步骤如图1所示25-26。图1萤火虫算法操作流程图1）对萤火虫各个个体的位置进行初始化处理，同时将各个个体随机分布在搜索空间中。2）通过公式（10）计算不同萤火虫个体的相对亮度，同时以此为依据判断不同萤火虫个体的具体走向。3）通过公式（11）计算不同萤火虫个体的吸引度取值，以此为依据，判断萤火虫个体对剩余个体的吸引能力，同时决定个体最终的移动距离。4）通过公式（12）对不同萤火虫个体的位置进行更新，同时添加扰动功能，经过不断迭代更新，全部个体会聚集在亮度最高的个体附近，最终获取最优解。为了有效提升传统萤火虫算法的局部以及全局搜索能力，需要在算法中加入惯性权重对各个个体的位置进行更新，具体的更新过程为：xj()t+1=()t xj()t+i()xi()t-xj()t+j（13）其中，xj（t+1）为萤火虫j在t+1时刻的位置；j为 0，1之间服从均匀分布的随机数；代表惯性权重的取值。权重的大小会对算法的局部和全局搜索能力产生不同程度的影响，当权重的取值比较大时，上一代萤火虫步伐会对当前移动产生比较明显的影响，各个萤火虫之间的吸引力会逐渐降低，算法的全局搜索能力会随之增加；反之，当权重的取值比较小时，上一代萤火虫的移动步伐对于吸引力的影响力比较小，算法的全局寻优能力相对减少，局部寻优能力增加。通过惯性权重的递减策略，可以有效满足以上的搜索要求，具体的计算公式为：k=max-()max-minlogkmax（14）其中，代表对数的调整因子；kmax代表最大迭代次数。在萤火虫初始阶段，需要对算法中的各个个体进行优化分析，设定Mbest和Mworst分别代表迭代过程中最好和最坏的个体。在种群中随机抽取4个萤火虫，通过其形成2个全新的个体，具体的计算公式为：Mnew1=Mn1+()Mn2-Mn3+()Mn3-Mn4Mnew2=Mnew1()Abest-Bworst（15）其中，Abest和Bworst分别代表种群中的精英个体和最差个体。通过以上 2 个萤火虫处理后，形成全新的萤火虫，最新形成的萤火虫计算公式为：M1=Mnew1，k1 k2Mbest，k1 k2M2=Mnew1，k3 k2Mj，k3 k2（16）M3=Mnew1，k4 k3Mj，k4 k3采用改进的萤火虫算法27对微电网多时间尺度调度模型进行求解，详细的求解过程如下：1）对系统进行初始化处理，同时获取系统中个单元设备状态信息，作为算法的初始种群以及对应的位置信息。2）设定优化调度目标函数和设备单元运行约束条件。3）计算种群中不同萤火虫的亮度，即目标函数取值。4）更新权重取值，同时计算各个个体的惯性权重取值。5）更新种群中萤火虫的位置，同时全部个体向最亮的萤火虫移动。6）计算各个个体更新后对应的亮度取值。7）判断算法是否满足约束条件，假设满足，则停止循环，输出最优解；反之，则跳转至步骤4。2仿真实验为了验证所提计及需求响应的微电网多时间尺度调度方法的有效性，选取H城市的微电网作为研究对象，在 Matlab 平台进行实验测试。其中，微型燃气轮机的技术出力为 0 kW80 kW，爬坡率为20 kWmin-1；燃料电池技术出力为0 kW40 kW，爬坡率为10 kWmin-1；风电机组的技术出力为0 kW30 kW，；光伏的技术出力为0 kW30 kW；储能技术出力为-40 kW40 kW。图2给出微电网当前预测的功率变化情况，经过优化后各个发电单元的出力以及储能如图3所示。分析图2中的实验数据可知，在0：006：00，电价处于低谷状态，各个设备所发出的电能均可满足微电网的负荷需求，同时还可以对储能系统进行充电操作，可以全面提升家庭用户经济性。开始设定算法初始参数对萤火虫位置进行初始化处理萤火虫位置初始化萤火虫亮度初始化更新萤火虫位置更新萤火虫亮度是否满足约束条件？是输出最优解结束否 1042023年第3期韩沐枫：计及需求响应的微电网多时间尺度调度仿真图2日前机组计划图3日前储能SOC分析图3可知，电力系统在负荷和电价同时偏低的情况下进行充电，这样不仅可以确保SOC的正常运行，同时还能够有效发挥“削峰填谷”的作用，全面提升家庭用户的经济性。为了进一步验证所提方法的优越性，分析不同方法的微电网多时间尺度调度性能，具体实验结果如图4所示。（a）日内调整后的机组计划（b）联络线功率控制结果图4所提方法的微电网多时间尺度调度结果由实验数据可知，所提方法可以有效调整机组计划，同时获取比较满意的联络线功率控制效果，说明本文所提方法能够获取满意的调度方案。以下实验测试选取文献 3 方法和文献 4 方法作为测试对象，对 3种方法的调度性能进行测试分析，详细的实验对比结果如表1所示。表1不同方法的调度结果对比测试时段0:004:008:0012:0016:0020:0024:00计划值/kW564020001038功率/kW本文方法56412200037文献 3 方法58452423239文献 4 方法60482635441由表1中的实验数据可知，本文所提方法能够获取优于另外2种方法的调度结果。主要是因为本文所提方法考虑了发电特性以及需求侧不同负荷的特性，为后续的调度提供了一定的理论依据。3结束语针对传统方法存在的应用弊端问题，本文提出了一种全新的调度方法计及需求响应的微电网多时间尺度调度方法。经实验验证，本文所提方法可以获取比较满意的调度方案。但是由于本次研究受到时间和环境的限制，所提方法仍然存在一定的不足，后续将对其展开更加深入的研究。参考文献：1 余贻鑫，栾文鹏.智能电网述评 J.中国电机工程学报，2009，29（34）：1-8.2 郑漳华，艾芊，顾承红，等.考虑环境因素的分布式发电多目标优化配置 J.中国电机工程学报，2009，29（13）：23-28.3 YAO D L，CHOI S S，TSENG K J，et al.Determination ofshor-term power dispatch schedule for a wind farm incorporated with dual-battery energy storage schemeJ.IEEE测试时段0:006:0018:0024:00SOC00.10.20.30.40.50.60.70.80.91.012:006:0012:00测试时段0:006:0018:0024:00功率/kW-30-20-1001020304050607012:006:0012:00微型燃气轮机储能燃料电池测试时段0:006:0018:0024:00功率/kW-30-20-1001020304050607012:006:0012:00优化前 优化后计划值105计算机与现代化2023年第3期Transactions on Sustainable Energy，2012，3（1）：74-84.4 高杰，谷雨，潘祎希，等.基于经验小波变换和高频分量的微电网保护方法 J.电力系统保护与控制，2020，48（19）：50-56.5 戴明，贾科，方煜，等.独立运行微电网的故障特性分析及其线路保护研究 J.电力自动化设备，2019，39（4）：133-140.6 曾鸣，杨雍琦，向红伟，等.兼容需求侧资源的“源-网-荷-储”协调优化调度模型 J.电力自动化设备，2016，36（2）：102-111.7 YAN C，ZHOU L L，YAO W，et al.Probabilistic small signal stability analysis of power system with wind power andphotovoltaic power based on probability collocation methodJ.Global Energy Interconnection，2019，2（1）：19-28.8 付振春，姜冬辉.冬季风电消纳的两种途径的节能分析J.节能技术，2018，36（4）：361-364.9 李俊，王振宇，滕珊珊，等.荷网源协调消纳基准线制定方法研究 J.节能技术，2018，36（3）：223-228.10 孙浩，张磊，许海林，等.微电网日内调度计划的混合整数规划模型 J.电力系统自动化，2015，39（19）：21-27.11汪隆君，许海林，王钢.计及分布式电源功率特性的微电网经济调度模型 J.电力系统自动化，2016，40（11）：31-38.12 李燕青，张登岳，陈玉轩，等.计及可转移负荷的微电网优化调度 J.智慧电力，2019，47（5）：51-58.13 ROSS M，ABBEY C，BOUFPARD F，et al.Multiobjectiveoptimization dispatch for microgrid with a high penetrationof renewable generation J.IEEE Transactions on Sustainable Energy，2017，6（4）：1306-1314.14 RAHBARI-ASR N，ZHANG Y，CHOW M Y.Consensus-based distributed scheduling for cooperative operation ofdistributed energy resources and storage devices in smartgridsJ.IET Generation，Transmission&Distribution，2016，10（5）：1268-1277.15 魏斌，韩肖清，李雯，等.融合多场景分析的交直流混合微电网多时间尺度随机优化调度策略 J.高电压技术，2020，46（7）：2359-2369.16 赵琦玮，王昕，王鑫，等.微电网环境下考虑日前预测误差的电动汽车多时间尺度优化调度模型 J.现代电力，2019，36（05）：47-53.17 徐玉韬，吴恒，谈竹奎，等.适用于微电网的变频式继电保护方案 J.电工技术学报，2019，34（S1）：360-367.18 罗玲童，杨明玉，孟航.微电网线路保护方案优化研究J.电测与仪表，2019，56（2）：47-51.19 王君瑞，王闯，贾思宁，等.光伏并网发电系统的控制策略研究 J.电源技术，2020，44（2）：235-238.20 余涛，赵景涛，封士永.一种隔离的家用光伏并网发电系统 J.电力电子技术，2019，53（2）：83-86.21 宋超，张兴，王宝基，等.基于电压空间矢量180解耦的开绕组双逆变器光伏发电系统无功补偿控制 J.太阳能学报，2020，41（9）：175-183.22 柴园园，刘一欣，王成山，等.含不完全量测的分布式光伏发电集群电压协调控制 J.中国电机工程学报，2019，39（8）：2202-2212.23逯建琦，南建国，王伟.基于萤火虫算法的无人机组网多径路由算法 J.电子测量与仪器学报，2020，34（9）：69-76.24 周凌云，丁立新，马懋德，等.一种正交反向学习萤火虫算法 J.电子与信息学报，2019，41（1）：202-209.25 张蓉，郭宇，黄少华，等.基于改进萤火虫算法的三维RFID网络优化 J.计算机工程与设计，2019，40（10）：2731-2735.26 王航星，潘巍.基于自适应吸引半径的萤火虫算法的粒子滤波 J.计算机应用研究，2019，36（12）：3632-3636.27 崔家瑞，李擎，杨柳祎，等.启发信息引导的改进萤火虫算法 J.哈尔滨理工大学学报，2019，24（1）：92-98.15 BREIMAN L，FRIEDMAN J H，OLSHEN R A，et al.Classification and Regression Trees M.New York：Chapman&Hall，1984：383-469.16TSO G K F，YAU K K W.Predicting electricity energy consumption：A comparison of regression analysis，decisiontree and neural networks J.Energy，2007，32（9）：1761-1768.17 AHMED N K，ATIYA A F，GAYAR N E，et al.An empirical comparison of machine learning models for time series forecasting J.Econometric Reviews，2010，29（5-6）：594-621.18刘成龙，高旭，曹明.基于VMD和BA优化随机森林的短期负荷预测 J.中国测试，2022，48（4）：159-165.19 QIU X H，REN Y，SUGANTHAN P N，et al.Empiricalmode decomposition based ensemble deep learning for loaddemand time series forecastingJ.Applied Soft Computing，2017，54：246-255.20 LI J，DENG D Y，ZHAO J B，et al.A novel hybrid short-term load forecasting method of smart grid using MLR andLSTM neural network J.IEEE Transactions on IndustrialInformatics，2021，17（4）：2443-2452.21 CLEVELAND R B，CLEVELAND W S，MCRAE J E，etal.STL：A seasonal-trend decomposition procedure basedon Loess J.Journal of Official Statistics，1990，6（1）：3-73.22师洪涛，杨静玲，丁茂生，等.基于小波BP神经网络的短期风电功率预测方法 J.电力系统自动化，2011，35（16）：44-48.23孙志刚，翟玮星，李伟伦，等.基于EMD和相关向量机的短期负荷预测 J.电力系统及其自动化学报，2011，23（1）：92-97.（上接第101页）106