郭新志，劉英新，李秋燕，郭 勇，王利利

（1.國網(wǎng)河南經(jīng)濟技術研究院，河南鄭州 450000；2.華北電力大學新能源電力系統(tǒng)國家重點實驗室，北京 102206；3.國網(wǎng)三門峽供電公司，河南三門峽 472000）

0 引言

目前，我國較大比例能源消耗仍依賴于煤炭等化石燃料，隨著我國經(jīng)濟社會的發(fā)展，能源需求量的大幅提高造成了大量化石能源的消耗，一定程度上制約了我國經(jīng)濟社會的可持續(xù)發(fā)展[1]。在能源和環(huán)境危機的雙重背景下，分布式能源系統(tǒng)（Distributed Energy System，DES）由于其包含多種能源類型，具有環(huán)保、可靠、靈活的優(yōu)點，得到快速發(fā)展[2-4]。合理調(diào)控分布式能源，對促進能源合理利用，緩解能源、環(huán)境危機，具有重要的意義。但由于DES 中新能源出力的波動性和隨機性，在并網(wǎng)時會對電力系統(tǒng)產(chǎn)生一定沖擊，因此，為減弱此負面影響，本文引入對智能負荷的合理調(diào)控。

對于負荷側(cè)的需求分析及調(diào)控策略已取得一定的成果，文獻[5-7]介紹了用戶側(cè)能量管理系統(tǒng)的概念，考慮用戶意愿及生活習慣提出了負荷狀態(tài)概率矩陣，并建立了居民用電概率模型，制定了以分布式光伏消納最大化為目標的主動負荷需求響應方案。文獻[8-10]對基于多樣性保持的空調(diào)負荷群控制策略的控制特性和參數(shù)進行深入分析，建立了負荷控制代價模型。文獻[11-13]提出對商業(yè)樓宇微網(wǎng)系統(tǒng)的負荷進行交互控制，通過需求響應調(diào)節(jié)微網(wǎng)功率平衡。文獻[14]提出了基于機會約束的直接負荷控制和可中斷負荷模型。但對于智能負荷的可調(diào)規(guī)模分析及其負荷特性的研究仍未形成成熟的理論方法。

目前，國內(nèi)外學者已經(jīng)對DES 的運行優(yōu)化進行了一定的研究，王惠[15]在考慮系統(tǒng)碳排放的基礎上，進行不同建筑負荷的DES 優(yōu)化研究。曾鳴[16]在考慮需求側(cè)資源的的基礎上，對DES 的經(jīng)濟優(yōu)化運行進行研究。任洪波[17]以光伏電池、燃料電池、蓄電池的住宅能源系統(tǒng)為研究對象，分析在滿足住宅電力和熱力需求的同時，年運行成本最小的運行策略。張俊禮[18]將啟停邏輯和負荷限制等約束的各環(huán)節(jié)運行特性與經(jīng)濟、能效、環(huán)保等目標模型聯(lián)立，建立適用于運行策略研究的滾動優(yōu)化模型。張濤[19]根據(jù)冷熱電負荷需求、能源價格和設備技術信息等，運用非線性整數(shù)規(guī)劃方法，建立DES 的優(yōu)化模型。但是，考慮智能負荷參與需求響應的DES 調(diào)控策略的相關研究較少。

因此，本文為研究DES 優(yōu)化調(diào)度策略，通過綜合考慮調(diào)度時段、電價水平、氣象條件、控制信號等因素，運用監(jiān)督學習技術訓練神經(jīng)網(wǎng)絡，并對智能負荷可控規(guī)模進行分析，得出智能住宅可控有功功率函數(shù)。考慮可調(diào)度機組、潮流、風電光伏、儲能系統(tǒng)能量平衡及旋轉(zhuǎn)備用約束等約束條件，建立分布式能源管理系統(tǒng)模型，將智能負荷的需求響應控制信號及DES 中其他參數(shù)變量進行優(yōu)化，得出DES 經(jīng)濟性和可靠性最優(yōu)的調(diào)度策略。最后，基于國內(nèi)某智能小區(qū)試點進行算例分析，利用IEEE-6 節(jié)點系統(tǒng)研究智能住宅參與需求響應對DES 運行的影響。

1 模型整體框架

在DES 中，用戶的需求響應受多種因素影響，包括電價水平、氣象條件、政策激勵程度等。本文構(gòu)建了智能負荷神經(jīng)網(wǎng)絡模型，綜合考慮溫度、電價、需求響應控制信號Lmax值、時間等因素，對Lmax值進行優(yōu)化，將住宅可控有功功率代入分布式能源管理系統(tǒng)模型，分析調(diào)控策略。該模型的整體框架如圖1 所示。其中，為負荷歷史值，為負荷當前值。

圖1 模型整體框架Fig.1 Model framework

首先，在智能負荷神經(jīng)網(wǎng)絡模型中，利用神經(jīng)網(wǎng)絡訓練得到關于Lmax的函數(shù)；其次，將該函數(shù)代入DES 管理模型中，優(yōu)化得到，進行多次迭代，得到最優(yōu)解；最后，得到住宅可控負荷、發(fā)電機組、儲能裝置的調(diào)控策略。

2 模型構(gòu)建

2.1 智能負荷神經(jīng)網(wǎng)絡模型

考慮每個住宅均配備能源中心管理系統(tǒng)（Energy Hub Management System，EHMS），EHMS 通過雙向通信網(wǎng)絡與DES 相連接，DES 可以借此向EHMS 傳遞Lmax。因此，EHMS 可根據(jù)需求信號、天氣情況及客戶偏好制定住宅的負荷調(diào)度計劃，進而基于家用電器及需求響應控制相關約束，使用戶能源消費最小化。

為提高能源管理效率，應恰當估算住宅可控有功功率曲線，進而將需求響應模型合并到分布式能源管理系統(tǒng)框架中。本文基于智能電表的測量數(shù)據(jù)及實際EHMS 的仿真數(shù)據(jù)，采用監(jiān)督學習技術訓練神經(jīng)網(wǎng)絡[20]。最終，所估計的住宅可控有功功率神經(jīng)網(wǎng)絡被表示為時間、環(huán)境溫度、電價及需求響應控制信號Lmax的函數(shù)：

式中：t，P分別為時間、電價，是已知量；Te為環(huán)境溫度，是預測值；Lmax為需求響應控制信號，是由分布式能源管理系統(tǒng)決定的變量。

通過改變隱藏層神經(jīng)元的數(shù)值[21]，利用MATLAB 軟件中Levenberg-Marquardt 學習技術，基于數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，得出最優(yōu)結(jié)果為8 個隱藏層神經(jīng)元，最終得到智能負荷神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)，如圖2 所示。其中，IPx,t指第x個輸入變量在時段t對應數(shù)值；Wx,y，W′y分別為第x個輸入與第y個隱藏層相關變量、第y個隱藏層對應變量的權重；，Eop分別為隱藏層神經(jīng)元及的誤差。

圖2 智能負荷神經(jīng)網(wǎng)絡模型Fig.2 Intelligent load neural network model

訓練過程結(jié)束后，將采用新的數(shù)據(jù)測試神經(jīng)網(wǎng)絡模型，以評價該神經(jīng)網(wǎng)絡的效果。神經(jīng)網(wǎng)絡模型的輸出結(jié)果，即住宅可控有功功率可表示為：

式中：T為時間周期；Y為隱藏層個數(shù)；X為輸入量個數(shù)。

2.2 分布式能源管理系統(tǒng)模型

分布式能源管理系統(tǒng)的目標函數(shù)為系統(tǒng)運行成本最小，該成本包括發(fā)電成本、啟停成本、切負荷相關成本等，如式（4）所示：

式中：ag，bg，cg分別為成本函數(shù)的二次項、一次項、常數(shù)項；為kt時段編號為g的發(fā)電機組有功功率；Δt為單位時段；為開/關次數(shù)；Csd，Csu分別為發(fā)電機組停運成本和啟動成本；分別為關機、開機決定；Cgrid為主網(wǎng)購電價格；為從主網(wǎng)購電功率；為切負荷量；CLC為切負荷成本。

目標函數(shù)式（4）的約束條件如下。

1）功率平衡約束。母線的有功平衡考慮分布式電源、太陽能光伏、風機的輸出，商業(yè)、居民用戶負載的凈功率，儲能系統(tǒng)的充電、放電，以及網(wǎng)絡潮流，可表示為：

式中：Gi為節(jié)點i發(fā)電機組集合；PWi,kt為風機出力；為母線電壓；為光伏機組出力；為節(jié)點ij之間的導納；f1，f2為無功功率負荷因子；Ni為節(jié)點i安裝儲能數(shù)量；為發(fā)電機組無功功率；θi,j，為相位角；分別為儲能系統(tǒng)充電功率、放電功率。

住宅負荷包含固定負荷和可控負荷2 部分[22-23]，其中，固定負荷來自于可預測的用電設備，可控負荷是EHMS 中可調(diào)度的需求量。

2）機組約束。該約束包含有功和無功功率發(fā)電約束、爬坡約束、最小啟停時間約束等，可表示為：

3）儲能系統(tǒng)約束。該約束包含電力平衡約束、充放電約束及電荷狀態(tài)約束[24]，可表示為：

4）電網(wǎng)約束。該約束是為了保證母線電壓及功率傳輸保持在特定的限制內(nèi)[25]。即：

5）主網(wǎng)購電約束。DES 作為一個相對獨立的能源系統(tǒng)，從主電網(wǎng)購電應滿足一定的約束限制。即：

6）需求響應約束。該約束為給定時間段中的需求響應控制信號Lmax的約束為：

3 模型求解流程

本文模型求解流程如圖3 所示。

圖3 模型求解流程Fig.3 Model solving process

首先，基于智能電表的測量數(shù)據(jù)及實際EHMS的仿真數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，得到智能負荷神經(jīng)網(wǎng)絡模型，即住宅可控有功功率關于時間t、環(huán)境溫度Te、電價P及需求響應控制信號Lmax的函數(shù)；其次，將該函數(shù)代入分布式能源管理系統(tǒng)模型中，優(yōu)化得到Lmax的值；將Lmax，t，Te，P代入智能負荷神經(jīng)網(wǎng)絡模型中，計算得到的值；最后，將，等參數(shù)代入分布式能源管理系統(tǒng)模型中進行優(yōu)化，得到DES 的調(diào)控策略。

4 算例分析

4.1 基礎數(shù)據(jù)

本文采用IEEE-6 節(jié)點[26]系統(tǒng)驗證分布式能源管理系統(tǒng)模型的適用性，如圖4 所示。

圖4 IEEE-6節(jié)點測試系統(tǒng)Fig.4 IEEE 6-node test system

該6 節(jié)點系統(tǒng)包含6 個電源及4 個負荷節(jié)點，其中，G1，G2 為傳統(tǒng)分布式電源，S 為分布式光伏，W 為分布式風電，F(xiàn)C 為燃料電池，ES 為儲能電池。分布式能源管理系統(tǒng)的各種設備參數(shù)如表1 所示。

表1 分布式能源管理系統(tǒng)設備參數(shù)Table 1 Device parameters of distributed energy management system

相關價格數(shù)據(jù)根據(jù)文獻[16]確定。在本算例中，成本函數(shù)的二次項ag為0.000 4$/kW2h，一次項bg為13.5 $/ kWh，常數(shù)項cg為176.9 $[27]；切負荷成本為7.44$/kWh，發(fā)電機組啟動成本為800$/次，停運成本為400$/次，機組最小啟動和停止時間均為6 h，儲能系統(tǒng)額定容量為800 kWh，充電效率為0.95，從主網(wǎng)購電的最大值為4 000 kW，最小值為0 kW。

風力發(fā)電和光伏發(fā)電的典型日出力特性曲線參考文獻[28-30]，DES 向主網(wǎng)購電的電價曲線如圖5 所示。

圖5 主網(wǎng)購電電價Fig.5 Electricity purchase price for main network

4.2 算例結(jié)果

采用MATLAB_R2016b 進行編程計算，并調(diào)用求解器DICOPT 對所提模型進行求解，測試平臺環(huán)境為Intel（R）Core（TM）i7-6700 CPU @ 3.40 GHz，8GB RAM 和Windows 10 專業(yè)版系統(tǒng)。

為研究智能負荷需求響應控制信號對DES 運行的影響，本文設置了5 個不同的場景，其可控負荷分別為0，20%，40%，60%及100%，可控負荷的百分比由最優(yōu)Lmax控制，結(jié)果如表2 所示。

表2 分布式能源管理系統(tǒng)運行結(jié)果Table 2 Operation results of distributed energy management system

由表2 可知，隨著需求響應控制的加強，系統(tǒng)切負荷不斷降低，DES 總運行成本隨著需求響應控制的加強而降低。此外，隨著需求響應控制百分比的提升負荷因子不斷提高，高峰需求也從6.5 MW降低到了5.9 MW。

為進一步分析考慮智能負荷情況對DES 各設備運行的影響，分別對是否含有智能負荷靈活互動的運行調(diào)度方案進行對比分析，智能負荷控制比例選擇40%。分布式能源管理系統(tǒng)中各個設備出力情況如圖6 所示。

圖6 優(yōu)化前后各分布式能源出力Fig.6 Distributed energy output before and after optimization

從圖6 可以看出，智能負荷參與DES 需求響應后，高峰時段負荷相較于未考慮負荷調(diào)控時顯著降低，分布式能源出力更加平緩。通過調(diào)節(jié)智能負荷，0:00—7:00 時間段內(nèi)負荷有所上升，風力發(fā)電的消納量得到提升，可有效減少棄風現(xiàn)象。在9:00—16:00 時段內(nèi)，考慮智能負荷調(diào)度及管理系統(tǒng)的調(diào)控策略，可提高低谷時期負荷量，在不增加主網(wǎng)購電情況下促進光伏發(fā)電的消納。由圖7 中考慮智能負荷調(diào)控前后對比可知，在考慮對智能負荷調(diào)控后，主網(wǎng)購電量有所下降，光伏和風電機組出力有較為明顯增加，這是因為智能負荷中的可轉(zhuǎn)移負荷從用電高峰時段轉(zhuǎn)移至用電較少的低谷時段，既緩解了DES 的供電壓力，又可最大程度地減少切負荷現(xiàn)象的出現(xiàn)。

圖7 為本文仿真6 節(jié)點系統(tǒng)考慮智能負荷靈活調(diào)控前后實際負荷曲線與負荷需求曲線。圖7（a）由于DES 從相連主網(wǎng)購買電量存在容量限制，且考慮整個DES 的最優(yōu)運行及相應設備機組的啟停及爬坡約束，該系統(tǒng)在6:00—8:00，19:00—24:00 2 個時間段中，產(chǎn)生了切負荷現(xiàn)象；圖7（b）為考慮對智能負荷進行需求響應合理調(diào)控時，分布式能源管理系統(tǒng)能夠控制負荷需求，在負荷高峰時，將總負荷中的智能負荷進行時間轉(zhuǎn)移，高峰負荷需求降低，進而降低了切負荷。

圖7 IEEE-6節(jié)點系統(tǒng)負荷曲線Fig.7 IEEE 6-node system load curves

5 結(jié)語

本文將可控有功功率表示為環(huán)境溫度、電價、時間及需求限制的函數(shù)，并構(gòu)建神經(jīng)網(wǎng)絡模型對其求解。同時，在考慮機組運行約束和網(wǎng)絡潮流約束的基礎上，構(gòu)建了分布式能源管理系統(tǒng)模型。此外，本文引入模型預測控制方法以減小可再生能源及電力需求的誤差。分析算例結(jié)果可以發(fā)現(xiàn)，智能負荷參與需求響應在減少用電高峰、減少切負荷、降低總成本及提高負荷因子等方面有積極作用，無需大規(guī)模投資便可提高分布式系統(tǒng)的負載能力。