呂智林，葉亮，孫功偉，廖龐思

(1.廣西大學(xué) 電氣工程學(xué)院，廣西 南寧 530004；2. 廣東電網(wǎng)有限責(zé)任公司佛山供電局，廣東 佛山 528000)

微電網(wǎng)(microgrid，MG)作為清潔能源并網(wǎng)供電，已逐漸應(yīng)用到大電網(wǎng)[1]中，它的出現(xiàn)改善了傳統(tǒng)電網(wǎng)的固化運(yùn)行方式；而隨著分布式電源(distributed generation，DG)以MG形式接入配電網(wǎng)形成主動(dòng)配電網(wǎng)(acitve distribution network, ADN)，提出了構(gòu)建智能電網(wǎng)的新型模式。研究發(fā)現(xiàn)該運(yùn)行模式可將DG以MG形式高滲透于ADN[2]，提高ADN系統(tǒng)的可靠性和調(diào)峰能力；另外MG接入ADN系統(tǒng)具有相互協(xié)調(diào)作用，包括[3]：①可以滿足負(fù)荷需求，實(shí)現(xiàn)最優(yōu)經(jīng)濟(jì)分配；②用電高峰/低谷時(shí)期出力協(xié)調(diào)；③緊急事故下可有效保障電力系統(tǒng)可靠運(yùn)行。

多個(gè)MG接入ADN系統(tǒng)的優(yōu)化調(diào)度研究多集中于ADN系統(tǒng)的經(jīng)濟(jì)調(diào)度，并且其經(jīng)濟(jì)調(diào)度模型一般采用集中式或分布式進(jìn)行研究[4]；文獻(xiàn)[5]對(duì)于ADN系統(tǒng)中新能源和負(fù)荷的隨機(jī)特性，提出一種基于多場(chǎng)景技術(shù)的日前和實(shí)時(shí)調(diào)度兩步走模型；文獻(xiàn)[6]考慮MG并入配電網(wǎng)的博弈性影響，提出基于動(dòng)態(tài)獎(jiǎng)懲電價(jià)的含多MG的配電網(wǎng)分層協(xié)調(diào)優(yōu)化調(diào)度模型；文獻(xiàn)[7]考慮多MG系統(tǒng)的最優(yōu)經(jīng)濟(jì)效益，提出了一種區(qū)域多MG系統(tǒng)的多目標(biāo)優(yōu)化調(diào)度模型并運(yùn)用CPLEX對(duì)模型求解；對(duì)于MG接入ADN系統(tǒng)的多目標(biāo)博弈性問題，文獻(xiàn)[8]構(gòu)建了ADN系統(tǒng)聯(lián)合調(diào)度策略，建立MG和配電網(wǎng)雙層模型并采用細(xì)胞膜-粒子群優(yōu)化算法新型并行混合算法求解；文獻(xiàn)[9]建立基于交替方向乘子法(alternating direction multiplier method，ADMM)的ADN分布式多目標(biāo)優(yōu)化調(diào)度方法，對(duì)含DG、柔性負(fù)荷及儲(chǔ)能裝置等多區(qū)域多目標(biāo)優(yōu)化調(diào)度模型進(jìn)行求解。

以上文獻(xiàn)未考慮多MG與ADN系統(tǒng)交互時(shí)，不同電價(jià)策略執(zhí)行下及ADN系統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中潮流約束對(duì)整個(gè)系統(tǒng)經(jīng)濟(jì)調(diào)度的影響。為解決不同利益主體約束下，平衡多目標(biāo)的含多MGADN系統(tǒng)經(jīng)濟(jì)調(diào)度，本文考慮不同時(shí)段的電價(jià)差異、ADN系統(tǒng)潮流波動(dòng)及MG中可控電源出力特性等，建立考慮分時(shí)電價(jià)機(jī)制的多MG與ADN雙層優(yōu)化調(diào)度模型。其中上層以ADN系統(tǒng)為對(duì)象，考慮系統(tǒng)的潮流約束及多MG與ADN間聯(lián)絡(luò)線的傳輸功率約束，建立以ADN系統(tǒng)經(jīng)濟(jì)成本最低為優(yōu)化目標(biāo)的數(shù)學(xué)模型并使用二階錐規(guī)劃(second order cone programming，SOCP)松弛技術(shù)與Gurobi工具求ADN系統(tǒng)最優(yōu)潮流分布；下層以各MG系統(tǒng)為對(duì)象，考慮MG內(nèi)功率平衡、可控電源出力特性及各MG買/賣電等約束，建立以MG運(yùn)行成本最低為目標(biāo)的并網(wǎng)MG調(diào)度模型，同時(shí)采用非支配排序遺傳算法II (non-dominated sorting in genetic algorithm-II，NSGA-II)求解。最后以改進(jìn)IEEE 33節(jié)點(diǎn)的系統(tǒng)為算例驗(yàn)證。

1 主動(dòng)配電網(wǎng)模型

1.1 目標(biāo)函數(shù)

上層模型中以ADN系統(tǒng)的各發(fā)電機(jī)組運(yùn)行成本最小為優(yōu)化目標(biāo)，ADN系統(tǒng)中發(fā)電成本[10]

(1)

式中：T為周期(取24 h)；N為ADN系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)中的總節(jié)點(diǎn)數(shù)；αi、βi、δi為第i個(gè)發(fā)電機(jī)組的成本系數(shù)；Pgi(t)為t時(shí)段第i個(gè)發(fā)電機(jī)輸出的有功功率。系統(tǒng)網(wǎng)損

(2)

式中：M為接入MG數(shù)量；PPCCa(t)為t時(shí)段第a個(gè)MG買/賣電時(shí)公共聯(lián)絡(luò)線(point of common coupling，PCC)上傳輸?shù)挠泄β?，若PPCCa(t)為正值表示MG向ADN買電，若PPCCa(t)為負(fù)值表示MG賣電給ADN；Pdi(t)為t時(shí)段節(jié)點(diǎn)i負(fù)荷有功功率。

1.2 約束條件

a) 系統(tǒng)的潮流方程如下：

(3)

式中：Pgi(t)、Qgi(t)分別為t時(shí)段節(jié)點(diǎn)i可控機(jī)組發(fā)出的有功功率、無功功率；QPCCa(t)為t時(shí)段第a個(gè)MG聯(lián)絡(luò)線傳輸?shù)臒o功功率(忽略MG內(nèi)的網(wǎng)損)；Qdi(t)分別為t時(shí)段節(jié)點(diǎn)i負(fù)荷無功功率；Ui(t)、Uj(t)分別為t時(shí)段節(jié)點(diǎn)i、j處電壓幅值；Gij為ij支路電導(dǎo)；Bij為支路ij電納；θij(t)為t時(shí)段節(jié)點(diǎn)i、j間相角差。

b) 各機(jī)組出力及各節(jié)點(diǎn)電壓的約束如下：

(4)

c) 支路承受的最大功率約束：

|Ui(t)2Gij-Ui(t)Uj(t)(Gijcosθij(t)+

Bijsinθij(t))|≤Pij,max.

(5)

式中Pij,max為ij支路能承受的最大有功值。

d) 多MG與ADN間聯(lián)絡(luò)線傳輸功率約束如下：

PPCCa,min≤PPCCa(t)≤PPCCa,max.

(6)

式中：本文PPCCa(t)最大為200 kW；PPCCa,max、PPCCa,min分別為聯(lián)絡(luò)線傳輸功率的上、下限。

2 并網(wǎng)MG模型

2.1 可控電源與蓄電池模型

a) 柴油發(fā)電機(jī)。柴油發(fā)電機(jī)(diesel engine,DE)是MG中重要的調(diào)峰單元，也是文中可控電源里唯一可以產(chǎn)生無功的機(jī)組，其發(fā)電特性與傳統(tǒng)發(fā)電機(jī)能耗特性相似，均可采用二次函數(shù)模型[11]：

(7)

式中：Vf為DE以輸出功率Pde工作Δt時(shí)間的耗油量，單位kg/(kWh)；Δt為時(shí)間間隔，取值為1 h；ηde為DE的發(fā)電效率，取值為30%；Lf為柴油低位熱值，取為43.1 GJ/kg；a1、a2、a3分別取為2.66 7、0.163 7、0.000 15。

b) 微型燃?xì)廨啓C(jī)。微型燃?xì)廨啓C(jī)(micro turbine,MT)是一種具有運(yùn)行穩(wěn)定、占地面積小等優(yōu)點(diǎn)的可控電源。假設(shè)MT機(jī)組中的MT、溴冷機(jī)排煙溫度始終保持不變[12]，其函數(shù)模型為

Vmt=∑PmtΔt/(ηmt·Ζg).

(8)

式中：Vmt為天然氣的耗量；Pmt為MT發(fā)出的有功功率；Ζg為天然氣低位熱值，取9.7 kWh/ m3；ηmt為MT發(fā)電效率，取值為29%。

c) 儲(chǔ)能蓄電池。文中采用鉛蓄電池作為儲(chǔ)能裝置，電池的剩余容量與上一時(shí)刻剩余容量、當(dāng)前時(shí)刻放電量及蓄電池衰減量密切相關(guān)[13]；蓄電池荷電狀態(tài)(sate of charge，SOC)的表達(dá)式為：

(9)

式中：Ssoc(t)為t時(shí)刻蓄電池荷電狀態(tài)；Pch(t)為t時(shí)刻蓄電池充電功率；Pdis(t)為t時(shí)刻蓄電池的放電功率；?為蓄電池自放電率，一般取值為0.2%/h；μch、μdis分別為蓄電池充、放電效率；Ees為蓄電池裝機(jī)容量(kWh)。

2.2 目標(biāo)函數(shù)

MG中的風(fēng)力、光伏發(fā)電屬于可再生能源，對(duì)其設(shè)置為優(yōu)先調(diào)用，以MG的運(yùn)行成本最小為目標(biāo)，其數(shù)學(xué)模型為：

C=min(FGe+Fes-Fb-s),

(10)

(11)

(12)

Fb-s=Fbuy+Fsell,

(13)

(14)

式(10)—(14)中:C為MG運(yùn)行成本；FGe為MG中可控機(jī)組的運(yùn)行成本；Fes為蓄電池充放電時(shí)的折舊成本；Fb-s為MG向ADN買/賣電的收益；R為MG中可控電源總數(shù)；ψma,k、ψf,k分別為可控電源k的運(yùn)行維護(hù)、燃料成本系數(shù)；Pk(t)、Vf,k(t)分別為t時(shí)段可控電源k有功出力、燃料消耗量；Pes(t)、λ(Pes(t))分別為t時(shí)段蓄電池充放電功率、充放電折舊成本系數(shù)[14]；Fbuy為MG向ADN買電的所需成本；Fsell為MG向ADN賣電獲得的收益；cbuy(t)、csell(t)分別為t時(shí)段買、賣電的基礎(chǔ)電價(jià)；PPCC(t)為t時(shí)段聯(lián)絡(luò)線有功功率；Pbuy(t)為t時(shí)段MG買電功率；Psell(t)為t時(shí)段MG賣電功率。

2.3 約束條件

a) 系統(tǒng)功率平衡約束為：

Ppv(t)+Pwt(t)+Pde(t)+Pmt(t)+PPCC(t)=

Pmg,load(t)+Pch(t)-Pdis(t).

(15)

式中：Pwt(t)、Ppv(t)、Pde(t)、Pmt(t)、PPCC(t)分別為t時(shí)段風(fēng)力發(fā)電機(jī)、光伏發(fā)電機(jī)、DE、MT、聯(lián)絡(luò)線的有功功率；Pmg,load(t)為t時(shí)段MG內(nèi)負(fù)荷有功功率；Pch(t)、Pdis(t)分別為t時(shí)段蓄電池充、放電有功功率。

b) 可控微電源出力約束為：

Pmin≤Pk(t)≤Pmax.

(16)

式中：Pk(t)為可控微電源k在t時(shí)段有功出力值；Pmin、Pmax分別為可控微電源有功出力的最值。

c) 可控微電源的爬坡約束為：

(17)

式中：Pup,k(t)、Pup,k(t-1)分別為可控微電源k在t、t-1時(shí)段上升后的有功值；Pdown,k(t)、Pdown,k(t-1)分別為可控微電源k在t、t-1時(shí)段下降后的有功值；Rup,k、Rdown,k分別為可控微電源k最大爬坡率、下坡率。

d) 蓄電池充/放電功率約束為：

蓄電池過充或過放會(huì)降低其使用壽命，其充/放電時(shí)荷電量需滿足約束條件，數(shù)學(xué)模型[15]為

Ssoc,min≤Ssoc(t)≤Ssoc,max.

(18)

式中：Ssoc,min、Ssoc,max分別為蓄電池最低荷電量、最高荷電量。蓄電池長(zhǎng)期在過高功率環(huán)境下運(yùn)行，也對(duì)電池的壽命有影響。

3 雙層模型求解

3.1 ADN模型的求解

大型電力系統(tǒng)中的最優(yōu)潮流問題是非凸非線性的潮流問題，傳統(tǒng)智能優(yōu)化算法難以求得其全局最優(yōu)。本文采用SOCP松弛技術(shù)[16]對(duì)ADN系統(tǒng)中的非凸非線性最優(yōu)潮流模型進(jìn)行改善，將其轉(zhuǎn)化為凸可行域內(nèi)的線性潮流模型再求解。ADN系統(tǒng)的非凸非線性特性主要來自如下表達(dá)式：

(19)

式中ei、fi為節(jié)點(diǎn)i處電壓向量的實(shí)部與虛部。對(duì)每個(gè)節(jié)點(diǎn)及節(jié)點(diǎn)之間分別新定義變量cii、cij、sij，通過轉(zhuǎn)化形成新導(dǎo)納矩陣的對(duì)應(yīng)元素，根據(jù)決策關(guān)系它們必須滿足如下關(guān)系：

(20)

將式(19)、(20)代入式(3)中進(jìn)行等價(jià)變換，得出ADN系統(tǒng)新的最優(yōu)潮流平衡方程，對(duì)于其他各約束條件中的等價(jià)變換具體轉(zhuǎn)換步驟見文獻(xiàn)[16]。

(21)

式中Ω(i)為以節(jié)點(diǎn)i為末端的新末端節(jié)點(diǎn)集合。轉(zhuǎn)化后的各等式和不等式約束方程通過MATLAB編譯器寫出優(yōu)化程序并正確調(diào)試，最后調(diào)用Gurobi工具包求解ADN系統(tǒng)最優(yōu)潮流分布。

3.2 并網(wǎng)MG模型的求解

并網(wǎng)MG優(yōu)化調(diào)度策略按照峰時(shí)段MG多售電，谷時(shí)段和平時(shí)段多購(gòu)電的原則(谷時(shí)段為00:00—07:00，平時(shí)段為08:00—10:00、16:00—18:00和22:00—23:00，峰時(shí)段為11:00—15:00和19:00—21:00)進(jìn)行最優(yōu)調(diào)度。依據(jù)分時(shí)電價(jià)機(jī)制的調(diào)度策略[17]確定蓄電池充/放電功率及MG與ADN的交換功率，達(dá)到整個(gè)系統(tǒng)穩(wěn)定運(yùn)行。

傳統(tǒng)遺傳算法求解并網(wǎng)MG模型時(shí)，易陷入局部最優(yōu)解且難以求得精確數(shù)據(jù)。為此本文采用NSGA-II[17]求解MG模型，主要對(duì)算法作出以下改進(jìn)：

a)Tent混沌映射。Tent映射是分段性映射技術(shù)，具有均勻概率密度和遍歷性等特性。本文利用Tent映射所構(gòu)建的混沌變量，將變量映射到優(yōu)化量空間中對(duì)種群進(jìn)行初始化，改變個(gè)體多樣性。Tent映射數(shù)學(xué)模型為：

(22)

式中hn為第n次迭代變量，形成的序列中可能有不穩(wěn)定點(diǎn)，于是需要利用小值擾動(dòng)跳出該類不動(dòng)點(diǎn)。改進(jìn)后Tent混沌映射數(shù)學(xué)模型為：

(23)

式中r(0,1)為0～1間的隨機(jī)數(shù)。

而根據(jù)式(23)對(duì)種群中每個(gè)染色體均會(huì)生成一個(gè)混沌序列ρ，將其映射到?jīng)Q策變量的取值范圍內(nèi)后，則第a個(gè)染色體x的第b維分量

(24)

這一創(chuàng)新做法，從2013年起連續(xù)6年被寫入安徽省委一號(hào)文件，2017年被原農(nóng)業(yè)部等六部委聯(lián)合發(fā)文向全國(guó)推廣，2018年被寫入中央一號(hào)文件。為抓好政策扶持和配套服務(wù)，宿州市委、市政府出臺(tái)了《關(guān)于扶持農(nóng)業(yè)產(chǎn)業(yè)化聯(lián)合體發(fā)展的若干政策意見》等文件，市、縣區(qū)兩級(jí)財(cái)政每年兌現(xiàn)產(chǎn)業(yè)化聯(lián)合體成員各類獎(jiǎng)補(bǔ)資金3600多萬元。

b)NDX算子。引入NDX算子提高空間搜索能力，其尋優(yōu)能力極強(qiáng)，易使尋優(yōu)解跳出局部解。NDX算子交叉后新的數(shù)學(xué)模型為：

(25)

式中：x1,b和x2,b分別為交叉后的父代染色體第b維分量；y1,b和y2,b為交叉后產(chǎn)生的子代染色體第b維分量；Φ為NDX算子交叉過程中產(chǎn)生的隨機(jī)數(shù)，其值在(0,1)間均勻分布；|N(0,1)|為正態(tài)分布隨機(jī)變量。

3.3 分時(shí)電價(jià)下MG層對(duì)ADN層的求解流程

考慮分時(shí)電價(jià)機(jī)制的多MG與ADN雙層優(yōu)化調(diào)度模型求解過程可以分為2部分：第1部分(并網(wǎng)MG的優(yōu)化調(diào)度)為基于分時(shí)電價(jià)機(jī)制的MG優(yōu)化調(diào)度策略下，建立并網(wǎng)MG優(yōu)化調(diào)度模型，并運(yùn)用NSGA-II求解模型，分別求出可控微電源出力、MG買賣電功率及各MG的運(yùn)行成本(取MG中風(fēng)/光等可再生能源出力及負(fù)荷消耗功率的預(yù)測(cè)數(shù)據(jù)作為輸入值進(jìn)行優(yōu)化分析)；第2部分(含多MG的ADN優(yōu)化調(diào)度)根據(jù)多MG向ADN買賣電時(shí)聯(lián)絡(luò)線傳輸功率的制約，以ADN系統(tǒng)中各發(fā)電機(jī)組的運(yùn)行成本最小為目標(biāo)建立ADN系統(tǒng)最優(yōu)潮流模型，運(yùn)用SOCP松弛技術(shù)對(duì)模型進(jìn)行線性化處理，將非線性潮流問題轉(zhuǎn)化為線性潮流問題，再調(diào)用MATLAB軟件中的Gurobi求解器求出ADN系統(tǒng)的最優(yōu)潮流分布。分時(shí)電價(jià)下的雙層優(yōu)化調(diào)度模型求解流程如圖1所示。

4 算例驗(yàn)證

為有效驗(yàn)證所提雙層優(yōu)化模型的可行性，本文選用改進(jìn)IEEE 33節(jié)點(diǎn)的ADN系統(tǒng)作為算例(如圖2所示)，在MATLAB2016a環(huán)境下實(shí)現(xiàn)模擬仿真(i5，2.3 GHz，4 GB)。發(fā)現(xiàn)MG并入位置不同，負(fù)荷的分布也不同；在24 h調(diào)度周期內(nèi)，解ADN系統(tǒng)最優(yōu)潮流所需平均時(shí)間為1.25 min。MG1中的柴油發(fā)電機(jī)(DE1)、微型燃?xì)廨啓C(jī)(MT1)與和MG2中的柴油發(fā)電機(jī)(DE2)、微型燃?xì)廨啓C(jī)(MT2)出力技術(shù)參數(shù)見表1，MG與ADN系統(tǒng)買賣電的電價(jià)見表2。上層ADN系統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中各參數(shù)詳見文獻(xiàn)[18]，ADN系統(tǒng)各機(jī)組發(fā)電特性見文獻(xiàn)[18]。整個(gè)系統(tǒng)調(diào)度周期內(nèi)，各MG中風(fēng)力、光伏及負(fù)荷預(yù)測(cè)數(shù)據(jù)來自文獻(xiàn)[19]。

圖1 分時(shí)電價(jià)下的雙層優(yōu)化調(diào)度模型求解流程Fig.1 Flow chart of solving bi-level optimal scheduling model under TOU

表1 可控電源技術(shù)參數(shù) [20]Tab.1 Technical parameters of controllable power supply

表2 MG買電與賣電電價(jià)[21]Tab.2 Electricity purchase and sale prices of microgrid

圖2 含多MG的ADN系統(tǒng)結(jié)構(gòu)Fig.2 ADN system structure with multi-microgrids

上層模型中負(fù)荷預(yù)測(cè)值為某城市地區(qū)1 d內(nèi)的變化情況；在各MG中風(fēng)力、光伏及負(fù)荷取值為某小區(qū)預(yù)測(cè)值。下層模型中NSGA-II相關(guān)參數(shù)：迭代次數(shù)kmax=200，種群規(guī)模Si=100，交叉和變異概率Pe=0.9,Pm=0.1。

4.1 并網(wǎng)MG層調(diào)度結(jié)果

根據(jù)分時(shí)電價(jià)下的雙層優(yōu)化調(diào)度模型求解策略要求，采用改進(jìn)遺傳算法對(duì)各并網(wǎng)MG的優(yōu)化調(diào)度模型求解，分別求解得到各MG中DE、MT、負(fù)荷(Load)、SOC的最優(yōu)值并繪制調(diào)度結(jié)果，如圖3、4所示。

圖3 MG1優(yōu)化調(diào)度結(jié)果 Fig.3 Optimized scheduling results of MG1

圖4 MG2優(yōu)化調(diào)度結(jié)果Fig.4 Optimized scheduling results of MG2

從圖3和圖4可以看出，1—4時(shí)段內(nèi)由于MG1中風(fēng)/光出力無法滿足用電負(fù)荷的需求且MG內(nèi)上午可控機(jī)組出力成本高于MG買電成本，根據(jù)MG的優(yōu)化調(diào)度策略此時(shí)MG向ADN買電，并盡可能將蓄電池充電至飽和，以降低MG的運(yùn)行成本；MG2中用電負(fù)荷需求低，此時(shí)風(fēng)/光出力可以滿足MG系統(tǒng)的穩(wěn)定運(yùn)行，所以MG2不買電且可控機(jī)組不動(dòng)作。在5—10時(shí)段內(nèi)，負(fù)荷達(dá)到高峰期而風(fēng)/光出力跟不上負(fù)荷增長(zhǎng)需求；在16—18時(shí)段內(nèi)，風(fēng)/光出力無法滿足負(fù)荷的需求；在22時(shí)段內(nèi)負(fù)荷雖然沒有達(dá)到高峰，但出現(xiàn)風(fēng)光出力驟減；在這些時(shí)段內(nèi)根據(jù)優(yōu)化調(diào)度策略，均需通過儲(chǔ)能系統(tǒng)放電、可控機(jī)組出力以及向ADN系統(tǒng)買電來滿足用電負(fù)荷的需求。在風(fēng)/光發(fā)電充足時(shí)段或峰時(shí)段分時(shí)電價(jià)機(jī)制下，MG可在綜合考慮運(yùn)行成本的約束下，將優(yōu)化出的多余功率賣給ADN，使得MG獲得賣電收益(如11、15和23時(shí)段等)。

根據(jù)分時(shí)電價(jià)下的雙層優(yōu)化調(diào)度模型求解策略要求，采用改進(jìn)遺傳算法對(duì)各并網(wǎng)MG的優(yōu)化調(diào)度模型求解，分別求解得出各MG的買賣電情況和各MG的運(yùn)行成本情況并繪制調(diào)度結(jié)果，如圖5、6所示。

圖5 MG向ADN系統(tǒng)的買/賣電功率 Fig.5 Buying/selling power of microgrid from ADN system

圖6 2個(gè)MG的運(yùn)行成本Fig.6 Operating costs of two microgrids

從圖5和圖6可以看出，多MG與ADN系統(tǒng)功率交互時(shí)，各MG內(nèi)部負(fù)荷需求不同，導(dǎo)致其向ADN系統(tǒng)買/賣電功率不同(正值為MG向ADN買電功率，負(fù)值為MG向ADN賣電功率)。各MG的運(yùn)行成本曲線與其買/賣電功率曲線的關(guān)系為正相關(guān)(正值為買電花費(fèi)的費(fèi)用，負(fù)值為賣電獲得的收益)。

4.2 ADN層調(diào)度結(jié)果

根據(jù)分時(shí)電價(jià)下的雙層優(yōu)化調(diào)度模型求解策略要求，對(duì)于ADN層的最優(yōu)潮流模型求解，采用Gurobi求解器對(duì)轉(zhuǎn)換后的凸優(yōu)化潮流模型進(jìn)行求解，分別求出ADN系統(tǒng)網(wǎng)絡(luò)中各機(jī)組出力和各節(jié)點(diǎn)電壓標(biāo)幺值并繪制調(diào)度結(jié)果，如圖7、8所示。

圖7 ADN中各機(jī)組出力及負(fù)荷預(yù)測(cè)值Fig.7 Output and load prediction values of each unit in ADN

從圖7和圖8可以看出：考慮多MG買/賣電因素時(shí)，在ADN系統(tǒng)優(yōu)化調(diào)度過程中，8號(hào)、24號(hào)和25號(hào)機(jī)組后分支負(fù)荷較多，此類機(jī)組出力較大。根據(jù)ADN系統(tǒng)最優(yōu)成本約束，在峰時(shí)段多MG向ADN賣電時(shí)，8號(hào)和25號(hào)機(jī)組出力有所降低，起到了削峰作用；其他各機(jī)組協(xié)調(diào)出力來共同維持ADN系統(tǒng)穩(wěn)定運(yùn)行。ADN系統(tǒng)中各節(jié)點(diǎn)電壓隨著輸電距離的變化會(huì)有所波動(dòng)，但其遠(yuǎn)端節(jié)點(diǎn)電壓的標(biāo)幺值均保持在可控范圍內(nèi)波動(dòng)(0.93～1.06)；當(dāng)多MG向ADN買/賣電時(shí)功率出現(xiàn)波動(dòng)時(shí)，并不會(huì)影響ADN系統(tǒng)的穩(wěn)定運(yùn)行。

圖8 ADN中遠(yuǎn)端節(jié)點(diǎn)電壓Fig.8 Voltage at the far end of ADN

4.3 含多MG的ADN系統(tǒng)層調(diào)度結(jié)果

根據(jù)分時(shí)電價(jià)下的雙層優(yōu)化調(diào)度模型求解策略要求，求出ADN系統(tǒng)的經(jīng)濟(jì)成本及網(wǎng)損。為進(jìn)一步體現(xiàn)本文所提策略及算法的優(yōu)勢(shì)(情景模式3)，分別設(shè)立了情景模式1與情景模式2：情景模式1為多MG不參與原ADN系統(tǒng)的優(yōu)化調(diào)度，各自獨(dú)立優(yōu)化運(yùn)行；情景模式2為多MG與原ADN系統(tǒng)通過聯(lián)絡(luò)線進(jìn)行功率交互，實(shí)現(xiàn)能源最大化利用，但未考慮動(dòng)態(tài)電價(jià)對(duì)原ADN系統(tǒng)的經(jīng)濟(jì)成本影響。根據(jù)各情景模式下的ADN系統(tǒng)優(yōu)化調(diào)度結(jié)果繪制曲線，如圖9、10所示。

圖9 ADN系統(tǒng)的經(jīng)濟(jì)成本 Fig.9 Economic cost of ADN system

圖10 ADN系統(tǒng)中的網(wǎng)損Fig.10 Network loss of ADN system

從圖5和圖9可以看出，在情景模式3分時(shí)電價(jià)下，含多MG的ADN系統(tǒng)經(jīng)濟(jì)調(diào)度結(jié)果中：當(dāng)多MG處于買電狀態(tài)時(shí)，ADN中各機(jī)組會(huì)根據(jù)優(yōu)化算法而選擇增加機(jī)組的出力，所以多MG接入ADN系統(tǒng)時(shí)ADN運(yùn)行成本會(huì)有所增高；當(dāng)多MG處于賣電狀態(tài)時(shí)，MG賣電時(shí)段可以削減ADN中負(fù)荷對(duì)電能的消納，從而減少ADN系統(tǒng)各機(jī)組出力，降低系統(tǒng)經(jīng)濟(jì)成本。從圖5和圖10中可以看出，情景模式3分時(shí)電價(jià)下含多MG的ADN系統(tǒng)經(jīng)濟(jì)調(diào)度結(jié)果中：當(dāng)多MG處于買電狀態(tài)時(shí)，MG看作虛擬負(fù)荷，此時(shí)ADN中各機(jī)組會(huì)根據(jù)優(yōu)化算法增加出力，導(dǎo)致網(wǎng)損增多。當(dāng)多MG處于賣電狀態(tài)時(shí)，MG看作虛擬電源出力，可就近供電至ADN中負(fù)荷消納，從而減少ADN系統(tǒng)機(jī)組出力，使系統(tǒng)網(wǎng)損有所降低。

統(tǒng)計(jì)24個(gè)時(shí)段內(nèi)含多MG的ADN系統(tǒng)經(jīng)濟(jì)調(diào)度結(jié)果見表3。通過與情景模式1、2相比可以發(fā)現(xiàn)，采用情景模式3對(duì)整個(gè)系統(tǒng)進(jìn)行經(jīng)濟(jì)調(diào)度時(shí)，系統(tǒng)的經(jīng)濟(jì)效益最佳。

表3 含多MG的ADN系統(tǒng)經(jīng)濟(jì)調(diào)度Tab.3 Economic scheduling of ADN systems with multi-microgrids

5 結(jié)束語

本文對(duì)含多MG的ADN系統(tǒng)的經(jīng)濟(jì)性進(jìn)行研究，考慮多MG向ADN買/賣電及ADN系統(tǒng)中最優(yōu)潮流等約束，建立分時(shí)電價(jià)機(jī)制下的多MG與ADN雙層優(yōu)化模型。以改進(jìn)IEEE 33節(jié)點(diǎn)配電網(wǎng)系統(tǒng)為算例進(jìn)行驗(yàn)證，結(jié)果表明所提模型及算法具有可行性且可以降低含多MG的ADN系統(tǒng)網(wǎng)損和經(jīng)濟(jì)成本。對(duì)于ADN層而言，當(dāng)多MG向ADN賣電時(shí)，ADN層可以減少其他機(jī)組的出力，降低ADN系統(tǒng)的經(jīng)濟(jì)成本；反之當(dāng)多MG向ADN買電時(shí)，ADN層通過賣電獲得收益。對(duì)于MG層而言，當(dāng)MG內(nèi)可再生能源出力不足時(shí)，根據(jù)分時(shí)電價(jià)下的最優(yōu)調(diào)度策略，可通過對(duì)儲(chǔ)能系統(tǒng)放電、向ADN買電和調(diào)用可控機(jī)組出力來滿足負(fù)荷需求，保證MG穩(wěn)定優(yōu)化運(yùn)行；當(dāng)MG內(nèi)可再生能源出力充足有余時(shí)，可向ADN系統(tǒng)賣電獲得收益。

本文所提模型及求解方法對(duì)未來大規(guī)模的MG并網(wǎng)供電具有一定的理論參考價(jià)值，同時(shí)為電力市場(chǎng)更好定電價(jià)有指導(dǎo)意義。