【精彩论文】考虑需求响应和碳排放额度的微电网分层优化调度

考虑需求响应和碳排放额度的微电网分层优化调度

周孟然, 王旭, 邵帅, 胡锋, 朱梓伟, 张易平

（安徽理工大学 电气与信息工程学院，安徽 淮南　232001）

摘要：针对目前并网型微电网实现资源协同优化，提高微电网运行的经济性与环保水平，建立了考虑需求响应和碳排放额度的微电网分层优化调度模型。在微电网负荷侧考虑分时电价和新能源消纳来优化负荷曲线，并采用多重指标对优化方案进行评价，在微电网发电侧考虑碳排放限额，对微电网内部分布式电源进行优化调度以实现微电网综合运行成本最低的目标。采用混沌粒子群算法（chaos particle swarm optimi-zation, CPSO）求解该优化问题，通过算例仿真分析了柔性负荷占比0%、10%、20%和不同碳排放量额度约束下的优化结果，验证了模型与算法的有效性。

引文信息

周孟然, 王旭, 邵帅, 等. 考虑需求响应和碳排放额度的微电网分层优化调度[J]. 中国电力, 2022, 55(10): 45-53.

ZHOU Mengran, WANG Xu, SHAO Shuai, et al. Hierarchical optimal scheduling of microgrid considering demand response and carbon emission quota[J]. Electric Power, 2022, 55(10): 45-53.

引言近年来利用清洁能源的分布式发电技术发展迅速并被广泛地使用，微电网将分布式可再生能源、柔性负荷、储能进行聚合并集中管理，且合理整合分布式能源、实现负荷需求响应(demand response，DR)，优化调度作为微电网研究的重要问题之一，合理的调度策略可以降低成本、减少污染，提高微电网经济效益^[1-2]。目前，微电网的优化运行主要是根据不同可控分布式发电单元(distributed generation，DG)以及不同的优化目标建立运行优化模型，并用多种算法对优化模型进行求解。文献[3-8]充分利用柔性负荷，从协调控制的角度出发，实现微电网经济运行和消纳新能源等目标，但未考虑柔性负荷接受调控会改变用户自身的用电行为习惯，从而使用电满意度发生改变。文献[9]在优化微电网配置时考虑用户满意度，建立用户缺电损失期望最小模型。文献[10]在优化负荷曲线的同时考虑用户参与DR后的用电满意度，提出了一种基于复杂电-热-气耦合微电网的调度模型。上述文献仅从用户侧用电舒适度和用户自身利益的角度，未详细分析用户满意度与柔性负荷调整量以及微电网运行成本之间的关系，忽略了微电网运行所需要的经济性。在全球气候变暖的背景下，温室气体的排放受到各国的密切关注，文献[11-12]以降低能源消耗、环境污染、用户用电成本和提高用户用电满意度为目标，分别提出了一种包含电动汽车的微电网多目标优化调度模型。文献[13-17]为实现微电网经济运行采用不同的算法求解微电网优化调度问题。上述文献均以微电网综合运行成本最低为优化目标，未详细分析环境成本对微电网的影响。文献[18]将碳交易成本作为优化目标之一，提出了一种考虑阶梯碳交易和需求响应的并网型微电网优化配置方法。文献[19]将碳排放量作为评价指标之一，分析对比了不同调度策略对微电网优化配置的影响。上述文献针对微电网优化配置问题特别地将碳排放量作为衡量指标之一，但针对已经确立的微电网限制其碳排放量的优化调度策略相关研究开展得还比较少。

基于上述背景，本文提出了考虑需求响应和碳排放额度的并网型微电网分层优化调度模型。首先在用户侧采用激励型需求响应，合理控制可时移负荷的用电时间来最大限度消纳新能源以及降低用电费用，采用多重指标对优化方案进行评价，并针对负荷调整量进行了经济补偿。在微电网发电侧将碳排放量作为一个约束条件，对比分析了2种碳排放量限制与无碳排放量限制下经济最优运行策略以及运行成本和环境成本之间的关系。采用混沌粒子群算法(chaos particle swarm optimization, CPSO)求解算例，验证了模型和算法的可靠性。

1  微电网结构

本文研究的微电网是由光伏组件、风力发电机、微燃机、燃料电池、储能设备以及负荷组成的并网型微电网，通过联络线与电网相连，结构如图1所示。在微电网中每个分布式电源、储能系统及负荷都是一个单一可控的单元在并网运行情况下当分布式电源出力不足时依靠大电网满足功率缺额，当分布式发电功率富余时可以输送给大电网，保证了微电网的稳定运行。

图1  微电网结构

Fig.1  Microgrid structure

2  分层优化调度模型

针对并网型微电网优化运行问题，本文建立了微电网分层优化调度^[20]模型如图2所示。分别在微电网用户侧和发电侧建立目标函数进行求解，实现微电网内部资源协同优化。上层模型针对风光、负荷预测数据，以消纳新能源降低用电费用为目标优化负荷曲线；下层模型对可控电源优化调度在满足优化后各时刻负荷需求和碳排放量约束的前提下使得微电网运行经济性最优。

图2  微电网分层调度结构

Fig.2  Hierarchical scheduling structure of microgrid

2.1  上层模型（负荷需求响应）

上层模型是对负荷用电曲线的优化，从用电侧出发，控制各时刻可时移负荷量，对负荷曲线削峰填谷并使其更贴近风光发电曲线。在设定可时移负荷容量约束下采用混沌粒子群算法进行求解得到各时刻可时移负荷最优转移量，得到兼顾消纳新能源和降低用电成本的负荷曲线。

2.1.1  目标函数（1）消纳新能源。为充分利用新能源发电，在对负荷侧进行需求管理时应使得到的新负荷曲线尽可能多地消纳新能源，针对风电、光伏发电量的不可控性实现就地消纳，自发自用。以系统净负荷^[21]最小值为目标，目标函数为式中：为经调度后t时段的负荷需求；T为时段总数； P_PV(t) 、 P_WT(t) 分别为光伏和风机t时段的发电功率。（2）分时电价。在一个调度周期内，新能源发电往往在大部分时间内不能满足负荷需求，用户需要从大电网购电，因此针对负荷侧需求管理时应当考虑分时电价机制，在负荷可调控空间内使得用户电费成本最低，目标函数为式中： C_b(t) 、 C_s(t) 分别为 t 时段购电和售电电价； P_b(t) 、 P_s(t) 分别为 t 时段购电功率和售电功率。（3）多目标的处理。采用在多目标转化为单目标问题中针对量纲不同目标函数值运用较多的理想点法^[22]对2个目标进行折中，“理想点”为单目标优化时求得的最优值。距离函数为式中：分别为单目标优化时的最优净负荷值和最优用电费用； F₁ 、 F₂ 分别为实际计算时的净负荷值和用电费用。2.1.2  满意度模型在进行负荷侧需求管理时需综合考虑用电经济性和用户满意度^[23]。本文将未调度的负荷曲线用电满意度定义为100%，将一个调度周期内转移的负荷量占总负荷的比例作为用电满意度的指标，即式中：分别为优化前后t时刻负荷量。2.1.3  约束条件在负荷侧参与需求响应时将各时段可时移负荷容量设为当前时刻的最大转入转出负荷量，最小转入转出负荷量为0。转移容量约束为转移前后负荷总量不变，即式中：为t时刻允许转入的最大和最小负荷；为t时刻允许转出的最大和最小负荷。2.2  下层模型（微电网经济调度）通过上层对负荷侧的需求管理，促进了分布式能源的消纳，但仅靠风力光伏发电不能满足负荷需求，因此还需要对可控的电源进行调节。在下层模型中以综合经济成本最小为目标，对可控电源优化调度以满足优化后的负荷曲线。建立包含微燃机、燃料电池、蓄电池以及大电网的调度系统。2.2.1  目标函数（1）运行成本。主要包括燃料、运维和与大电网交互的成本，其目标函数为其中，燃料成本 C₁ 为式中： C_gas 为天然气的价格，元/m³；R为天然气的单位低热值； P_i(t) 、 η_i(t) 分别为电源i在t时段的输出功率和输出效率；L为微电源的数量。运维成本 C₂ 为式中： K_i、 K_n 分别为微电源 i 和蓄电池 n 的运行维护系数； P_i(t) 、 P_n(t) 分别为 t 时段微电源 i 的输出功率和储能电池 n 的充放电功率；L和N分别为微电源和储能电池的数量。微电网与电网能量交互成本 C₃ 为（2）环境成本。主要包括碳排放成本和污染气体排放成本，即式中：为碳排放的成本； C_op 为产生其他污染物的成本。其中，碳排放成本为式中： v_i 和 v_g 分别为微电源 i 和大电网单位电量的碳排放量； P_i 和 P_b 为分别微电源 i 的发电量和大电网购电量；为碳排放配额内的碳排放的处理系数。污染气体排放成本为式中： λ_j 为 j 污染物的处理系数；Q_ij 为 i 微电源产生 j 污染物的大小。（3）多目标的处理。由于两函数值量纲相同，采用线性加权法根据指标重要性分配权系数将其转化为单目标问题，即式中： ω₁ 、 ω₂ 目标函数分配的权系数。2.2.2  约束条件（1）功率平衡约束为式中：P_grid(t) 为微电网与电网交换功率（购电为正，售电为负）；P_PV(t) 、 P_WT(t) 、 P_MT(t) 、 P_FC(t) 为t时刻光伏、风机、微燃机和燃料电池的出力； P_ESS(t) 为蓄电池 t 时刻的充放电功率，放电为正，充电为负。（2）大电网联络线交换功率约束为式中：分别为联络线能通过最大和最小功率。（3）微电源出力约束为式中：分别为微电源 i 的出力上下限。（4）爬坡速率约束。增负荷时为减负荷时为式中： R_i,up 、 R_i,down 分别为微电源 i 增负荷和减负荷时的出力限值。（5）蓄电池约束为式中：为蓄电池最大和最小充放电功率；为蓄电池最大和最小容量。3  双层优化模型求解算法

本文要求解的是一个多约束条件的优化问题，粒子群算法相较于遗传算法、差分进化算法等具有设置参数少、收敛速度快等优点，在此基础上本文所选求解算法为CPSO，相较于普通粒子群算法其采用自适应惯性权重加快收敛速度，即

利用混沌扰动跳出局部最优，在混沌局部搜索过程中使用logistic方程，即式中： ω_min 、 ω_max 分别为预设的最大与最小惯性系数；为第t次迭代时的适应度；分别为t次迭代的平均和最小适应度；其中 μ 为控制变量； z_j,k 为第 j 个混沌变量， k 表示代数。

此算法流程如图3所示。

图3   混沌粒子群算法流程

Fig.3  Chaos particle swarm algorithm flowchart

模型求解思路为：（1）输入预测的负荷需求和光伏风机出力曲线；（2）设定可时移负荷量，根据上层建立的负荷侧需求管理模型利用算法求的优化后的负荷曲线；（3）将上述求得的新的负荷曲线代入微电网，根据下层建立的微网侧经济调度模型利用算法求解目标函数，综合各指标对不同可时移负荷量参与得到的负荷曲线进行评价；（4）在约束条件中加入碳排放量约束，针对微电网经济运行再次利用算法求解，得到各设备各时刻的设备出力曲线供比较分析。

4  算例分析4.1  算例基本数据

为验证本文模型和算法可靠性，以某微电网示范区为例，一个调度周期为24 h，优化前负荷曲线分布情况^[24]和风电光伏预测出力如图4所示，微电网各时刻购售电价格如表1所示，各分布式电源参数如表2所示，微电网碳排放和污染气体排放系数如表3所示。用户参与需求响应负荷转移补偿为0.3元/（kW·h）^[25]，蓄电池的SOC范围设定为[0.2,0.9]，蓄电池的初始SOC取0.2，自然放电率为0.0015，充放电效率为0.95。

图4   风、光出力及负荷需求

Fig.4  Wind and solar output and load demand

表1  购售电价格参数

Table 1  Purchase and sale price parameters

表2  各微电源参数

Table 2  Micro power supply parameters

表3  污染物排放参数

Table 3  Pollutant emission parameters

4.2  仿真结果分析4.2.1  不同调度方式下的结果分析

本文分别分析可转移负荷容量（即单位调度时段可转移负荷容量占当前时段负荷量的百分比）设置为0％（方案1）即为原始负荷曲线、10%（方案2）、20%（方案3）时的调度结果，如图5所示。并分别在2种微电网运行策略下对3种方案的综合经济成本、微网总运行成本、弃风弃光量以及用户用电满意度进行比较。2种运行策略分别为：策略1为只允许微电网购电，即能量只能从主网流向微网；策略2为允许微电网购售电，即微网与主网之间能量可以双向流动。结果如表4所示。

图5   3种方案优化后的负荷曲线

Fig.5  The optimized load curve of three schemes

表4  不同运行、调度方案下的优化结果

Table 4  The optimization results under different operation and scheduling schemes

由图5和表4可以看出用户参与需求响应可消纳更多新能源发电量，降低微电网运行成本，并起到削峰填谷的作用。提高可转移负荷的容量，能在一定程度上降低运行成本，但相应的会导致用户用电满意度的降低。当优化调度只考虑用电满意度时，即方案1，此方案为原始负荷曲线用电满意度为100%，综合经济成本为10 684.59元，在3种方案中最高。方案2相较于方案1满意度降低了3.79%，在微电网运行策略1下弃风弃光量降低了53.93%（638.61 kW·h），微电网总运行成本在2种运行策略下分别降低了7.33%(783.5元)和5.96%（618.06元），综合经济成本分别降低了2.41%（257.33元）和0.89%（91.89元）；方案3相较于方案1满意度降低了6.26%，在微电网运行策略1下弃风弃光量降低了85.53%（1012.8 kW·h），微电网总运行成本在2种运行策略下分别降低了11.62%（1241.54元）和9.37%（971.03元），综合经济成本分别降低了3.49%（372.66元）和0.99%（102.15元）。综合考虑以上指标可以看到方案3在降低了一定的满意度的基础上经济性相较于方案2提升不大。因此方案2在微电网的经济性提升和用户满意度之间取得了平衡，成为最优方案。4.2.2  不同碳排放配额下的结果分析

碳交易是通过买卖碳排放配额来实现碳减排的一种交易机制，具有碳排放的发电企业通过有偿或无偿的方式分配到定量的碳排放额，若碳排放量超出碳排放配额必须购买碳排放配额来补偿超出的碳排放量，因此微电网在满足负荷需求的同时需要合理调节各电源出力和外购电力的大小来避免碳排放量超出碳排放配额。本文在上述微电网只允许买电运行策略和方案2调度策略下，对3种情况以经济性最优为目标对微电网各单元进行了优化调度，结果如图6~8所示。3种情况分别为：（1）无碳排放量限制；（2）平均一个调度周期碳排放配额为7000 kg；（3）平均一个调度周期碳排放配额为6500 kg。

图6  无碳排放量限制的优化调度

Fig.6  Optimal scheduling result without carbon emission limit

图7  碳排放配额7000 kg的优化调度

Fig.7  Optimal scheduling result with a carbon emission quota of 7000 kg

图8  碳排放配额6500 kg的优化调度

Fig.8  Optimal scheduling result with a carbon emission quota of 6500 kg

可见，从整体上看3种情况下的经济性最优调度策略，各发电单元根据经济性确定出力优先级，储能系统充电时刻主要在电价低谷和新能源出力富余时间段，放电时刻主要在电价高峰和新能源出力不足时间段。由表5可知，限制碳排放量一定程度上会增加微电网综合成本，这是由于减少了主要为火力发电的外购电量，使得环境成本降低运行成本升高。总体上，碳排放配额为7 000 kg和6500 kg相较于无碳排放配额情况下微电网综合成本升高了22.82元和58.72元，碳排放量降低了260.93 kg和760.93 kg，以碳交易价格0.2676元/kg^[18]为例，微网综合成本增加量均远低于减少的碳排放交易量。因此在碳交易机制下，合理控制微电网碳排放量的调度方法更有利于提升微电网运行的经济性。

表5  不同碳排放量约束下优化结果

Table 5  The optimization results with different carbon emission quotas

4.2.3  算法对比及分析

结合算例可见，本文采用的CPSO能够有效地解决不同调度策略下的微电网经济运行问题。以图6场景下的优化为例记录CPSO的迭代过程对其进行横向比较，与遗传算法（GA）和粒子群算法（PSO）对比如图9所示。可以看出，3种算法的目标函数值均随着迭代步数的增加逐渐减小最后趋于一个稳定值。CPSO算法在迭代过程中采用自适应惯性权重并增加了混沌优化，加强了对优势个体进行局部搜索深度，具有迭代次数少和收敛速度快的优点，体现了所用算法的优越性。

图9  算法迭代收敛

Fig.9  Algorithm iterative convergence curve

5  结语本文针对并网型微电网经济运行问题建立了分层优化调度模型。在负荷侧综合考虑各项指标确定最优负荷调整量优化负荷曲线，在微网侧引入碳排放量约束对微网中各出力单元进行优化调度以满足优化后的负荷需求。仿真结果表明，本文所提分层优化调度模型综合考虑多个指标得到的用户参与需求响应最优调度方案，兼顾微电网经济性和用户满意度，为供电公司激励用户参与需求响应和挖掘负荷可调节潜力提供参考。本文求解过程所采用的算法能有效提高收敛速度和解的优越性。分析不同碳排放量限制下的微电网经济运行策略，结果表明考虑碳排放额度能进一步提升微电网运行经济性。本文所考虑的并网型微电网中能源形式不够多样，随着新能源的迅速发展，将会有更多更为清洁的能源形式引入微电网参与经济调度是未来亟待解决的问题。

（责任编辑　张重实）

作者介绍

周孟然（1965—），男，博士，教授，从事电力系统自动化和电力工程信号处理研究，E-mail：[e-mail];

★

王旭（1998—），男，通信作者，硕士研究生，从事负荷调控、优化调度研究，E-mail：[e-mail].

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：杨彪校对：于静茹审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。