米 陽(yáng), 李海鵬, 陳博洋, 彭建偉, 魏 煒, 姚 艷

(1. 上海電力大學(xué) 電氣工程學(xué)院, 上海 200090; 2. 天津大學(xué) 電氣自動(dòng)化與信息工程學(xué)院,天津 300072; 3. 寧波電力設(shè)計(jì)院,浙江 寧波 315000)

化石能源的日益枯竭和環(huán)境污染的日益惡化,使得國(guó)內(nèi)外學(xué)者不得不研究電力系統(tǒng)中的可再生能源發(fā)電技術(shù)[1].微電網(wǎng)作為接納可再生電源的有效手段[2],逐步引起社會(huì)的廣泛關(guān)注.但是隨著全球厄爾尼諾現(xiàn)象加劇,天氣情況越來(lái)越難預(yù)測(cè).新能源發(fā)電裝置的輸出功率受天氣影響巨大,因此,需對(duì)微電網(wǎng)各裝置容量進(jìn)行合理配置以平抑輸出功率波動(dòng)的影響,才能提高偏遠(yuǎn)地區(qū)供電網(wǎng)絡(luò)在極端天氣下的供電可靠性.

對(duì)于微網(wǎng)容量配置優(yōu)化問(wèn)題,國(guó)內(nèi)外學(xué)者們已進(jìn)行了大量研究.處理源荷兩側(cè)不確定性的不同方法對(duì)微電網(wǎng)的容量?jī)?yōu)化配置結(jié)果有重大影響[3].文獻(xiàn)[4]中利用區(qū)間數(shù)學(xué)考慮風(fēng)力發(fā)電(簡(jiǎn)稱(chēng)風(fēng)電)的不確定性,繼而構(gòu)建含高比例風(fēng)電的氣電綜合能源系統(tǒng)日前優(yōu)化模型,但是沒(méi)有考慮光照強(qiáng)度對(duì)系統(tǒng)的影響.文獻(xiàn)[5]中采用機(jī)會(huì)約束的方法將不確定性變量處理為確定性變量,但是僅對(duì)光儲(chǔ)一體化電站進(jìn)行配置,沒(méi)有考慮微電網(wǎng)的優(yōu)化配置.文獻(xiàn)[6-7]中用場(chǎng)景聚類(lèi)優(yōu)化的方法處理考慮多能源接入情況下的能源不確定性,但是對(duì)負(fù)荷側(cè)的不確定性考慮較少.文獻(xiàn)[8]中提出一種魯棒優(yōu)化的方法來(lái)快速處理風(fēng)力和光照強(qiáng)度的不確定性,但是沒(méi)有考慮極端天氣對(duì)微電網(wǎng)優(yōu)化配置的影響.魯棒優(yōu)化利用不確定集來(lái)描述概率分布,相比于其他規(guī)劃,可以更加靈活地貼合實(shí)際情況[9-11].魯棒優(yōu)化可分為魯棒線(xiàn)性?xún)?yōu)化和魯棒二次優(yōu)化.文獻(xiàn)[12]中建立魯棒線(xiàn)性?xún)?yōu)化模型,在考慮負(fù)荷和風(fēng)電波動(dòng)的條件下,一次性求出結(jié)果.文獻(xiàn)[13-14]中采用魯棒二次優(yōu)化方法建立動(dòng)態(tài)調(diào)度模型,根據(jù)第一階段得到的決策變量對(duì)第二階段的運(yùn)行做出調(diào)整.目前,魯棒優(yōu)化在能源調(diào)度領(lǐng)域應(yīng)用較為廣泛[15-17],但在微電網(wǎng)容量?jī)?yōu)化配置領(lǐng)域應(yīng)用較少[18].

場(chǎng)景聚類(lèi)可以用來(lái)簡(jiǎn)化現(xiàn)有場(chǎng)景,將大量數(shù)據(jù)以一定的特征聚合在一起,得到典型場(chǎng)景,減少考慮場(chǎng)景的計(jì)算量.文獻(xiàn)[19]中考慮大規(guī)模風(fēng)電接入下對(duì)配網(wǎng)的影響,對(duì)風(fēng)速進(jìn)行場(chǎng)景聚類(lèi),但是未考慮風(fēng)速和光照強(qiáng)度等天氣因素對(duì)電網(wǎng)優(yōu)化配置的影響.文獻(xiàn)[20]中用場(chǎng)景聚類(lèi)的方法考慮典型場(chǎng)景對(duì)系統(tǒng)靈活性的影響,但是未考慮一些極端場(chǎng)景對(duì)電網(wǎng)規(guī)劃的影響.

基于以上分析,提出一種基于模糊場(chǎng)景聚類(lèi)的微電網(wǎng)兩階段優(yōu)化配置策略.在源端以風(fēng)力和光照強(qiáng)度作為天氣元素構(gòu)建全年運(yùn)行場(chǎng)景,從中利用模糊場(chǎng)景聚類(lèi)的方法提取典型場(chǎng)景和極端場(chǎng)景.考慮極端場(chǎng)景下微電網(wǎng)的配置使其可以靈活應(yīng)對(duì)不同天氣情況下的運(yùn)行狀況.在負(fù)荷端以綜合成本最小化為目標(biāo),并充分考慮負(fù)荷的不確定性,構(gòu)建雙層魯棒優(yōu)化模型.利用列和約束生成(C&CG)算法將模型分成目標(biāo)不同卻又相互影響的主問(wèn)題和子問(wèn)題,進(jìn)一步利用Cplex求解器迭代求解魯棒優(yōu)化模型,最后基于算例分析驗(yàn)證所提策略的有效性.

1 微網(wǎng)設(shè)備數(shù)學(xué)模型

獨(dú)立微電網(wǎng)模型如圖1所示,由風(fēng)力發(fā)電機(jī)、光伏電池、儲(chǔ)能裝置和微型燃?xì)廨啓C(jī)組成.圖中:AC、DC分別為交流、直流;Pload、PBESS、PDG分別為負(fù)荷功率、儲(chǔ)能系統(tǒng)功率、分布式電源功率.

圖1 微電網(wǎng)結(jié)構(gòu)圖Fig.1 Structure of microgrid

1.1 風(fēng)力發(fā)電機(jī)數(shù)學(xué)模型

風(fēng)力發(fā)電機(jī)出力主要與風(fēng)速大小相關(guān),風(fēng)力發(fā)電機(jī)輸出功率(Pwt)與當(dāng)前風(fēng)速(v)的關(guān)系函數(shù)可用下式描述:

(1)

式中:vF、vC、vR分別為風(fēng)電機(jī)組切出風(fēng)速、切入風(fēng)速和額定風(fēng)速;Pwt,N為風(fēng)電機(jī)組額定功率.

1.2 光伏電池?cái)?shù)學(xué)模型

為方便計(jì)算與建模,僅考慮光伏電池的輸出功率與環(huán)境溫度和光照輻射強(qiáng)度有關(guān),其表達(dá)式為

Ppv=PSTCG[1+kpv(Tc-25)]/1 000

(2)

式中:Ppv為光伏出力;PSTC為標(biāo)準(zhǔn)試驗(yàn)條件下的最大測(cè)試功率;G為光照強(qiáng)度;kpv為功率溫度系數(shù);Tc為光伏電池工作溫度.

1.3 儲(chǔ)能裝置數(shù)學(xué)模型

ses,t+1=(1-δes)ses,t+Pes,tΔtηes

(3)

-Pes,N≤Pes,t≤Pes,N

(4)

式中:ses,t為儲(chǔ)能裝置在t時(shí)刻的所余容量;δes為自放電效率;Pes,t為儲(chǔ)能裝置的充放電功率;ηes為充放電效率;Pes,N為額定充放電功率.

1.4 微型燃?xì)廨啓C(jī)數(shù)學(xué)模型

Pmt,t=Ana,tηmtHmt

(5)

式中:Pmt,t為微型燃?xì)廨啓C(jī)t時(shí)刻輸出功率;Ana,t為天然氣的總消耗量;ηmt為燃?xì)廨啓C(jī)發(fā)電效能;Hmt為燃料熱值,取9.7 (kW·h)/m3.

2 源荷側(cè)不確定性處理方法

本文獨(dú)立微電網(wǎng)需要考慮源、荷兩側(cè)的不確定性.源側(cè)不確定主要指光伏電池和風(fēng)力發(fā)電機(jī)出力的不確定性,而荷端不確定性即指負(fù)荷的波動(dòng)性.針對(duì)極端天氣對(duì)微電網(wǎng)中光伏和風(fēng)電出力影響的不確定性,在隨機(jī)優(yōu)化過(guò)程中考慮極端場(chǎng)景對(duì)優(yōu)化配置的影響.針對(duì)負(fù)荷出力在一個(gè)范圍內(nèi)波動(dòng)的特性,考慮用魯棒優(yōu)化處理,并用基數(shù)不確定集表示.

2.1 隨機(jī)優(yōu)化處理風(fēng)力和光伏不確定性

使用隨機(jī)優(yōu)化中的場(chǎng)景聚類(lèi)技術(shù)解決風(fēng)力和光伏不確定性.在規(guī)劃的處理過(guò)程中考慮風(fēng)光生成的多個(gè)天氣場(chǎng)景,過(guò)多的場(chǎng)景會(huì)使得規(guī)劃求解的流程復(fù)雜化,而過(guò)少的場(chǎng)景則會(huì)影響規(guī)劃結(jié)果的準(zhǔn)確性.因此,使用現(xiàn)有的風(fēng)力及光照強(qiáng)度以小時(shí)為時(shí)間尺度的全年數(shù)據(jù),建立規(guī)劃水平年運(yùn)行場(chǎng)景.利用模糊C均值聚類(lèi)(FCM)方法,聚類(lèi)得到典型場(chǎng)景.利用FCM考慮場(chǎng)景隸屬度的特點(diǎn),可以選取在整個(gè)運(yùn)行周期場(chǎng)景中隸屬度較大或者較小的場(chǎng)景,作為規(guī)劃時(shí)所考慮的場(chǎng)景.這里假定數(shù)據(jù)集為X={x1,x2, …,xn},X的a個(gè)子集分別為X1、X2、…、Xa.

首先定義第j個(gè)樣本xj對(duì)于子集Xi的隸屬度為uij,與一般硬劃分的隸屬度不同,模糊C均值聚類(lèi)利用模糊理論,隸屬度在0～1內(nèi)取值.目標(biāo)函數(shù)J的實(shí)質(zhì)是所有點(diǎn)到所有類(lèi)的歐氏空間距離總和,表示為

(6)

(7)

式中:C為聚類(lèi)中心數(shù);N為樣本數(shù);m為聚類(lèi)分析法的簇?cái)?shù);ci為第i個(gè)聚類(lèi)中心.

用拉格朗日法把條件極值問(wèn)題轉(zhuǎn)化為無(wú)條件極值問(wèn)題時(shí),需要引入n個(gè)拉格朗日因子(λn),得到下式:

(8)

將式(8)分別對(duì)uij和ci求導(dǎo)得到:

(9)

(10)

可以看出式(9)和式(10)互相包含.先給ci賦予一個(gè)滿(mǎn)足初始條件的值,將式(9)得到的結(jié)果帶入式(10),從而得到uij,利用交叉迭代的方法迭代運(yùn)算ci和uij的值.當(dāng)目標(biāo)函數(shù)J最終符合收斂條件時(shí),聚類(lèi)完成.

2.2 極端場(chǎng)景的選取

模糊C均值的聚類(lèi)方法不僅可以實(shí)現(xiàn)硬劃分場(chǎng)景聚類(lèi)技術(shù)的功能,而且還可以得到每個(gè)場(chǎng)景相對(duì)聚類(lèi)中心的隸屬度.聚類(lèi)中心和隸屬度函數(shù)相互迭代得到最能代表規(guī)劃年運(yùn)行場(chǎng)景的聚類(lèi)中心,作為規(guī)劃所用的典型場(chǎng)景;在優(yōu)化配置的過(guò)程中,選取對(duì)所有聚類(lèi)中心隸屬度都較低的場(chǎng)景作為極端場(chǎng)景.

極端場(chǎng)景的定義分成兩類(lèi):一類(lèi)是從聚類(lèi)方式入手,選擇對(duì)每個(gè)聚類(lèi)中心都隸屬程度較低的場(chǎng)景;另一類(lèi)從電網(wǎng)出發(fā),選取分布式電源在極端天氣情況下出力較小的場(chǎng)景.

2.3 魯棒優(yōu)化處理負(fù)荷不確定性

魯棒優(yōu)化最大的優(yōu)點(diǎn)是可以使用不確定集來(lái)描述不確定性信息.由于不確定集不需要精確的概率分布信息,所以在處理不確定性問(wèn)題時(shí),魯棒優(yōu)化有獨(dú)特的優(yōu)勢(shì).合適的“不確定集合”以及相對(duì)應(yīng)的魯棒優(yōu)化模型是魯棒優(yōu)化過(guò)程中需要考慮的.根據(jù)不確定信息的特點(diǎn)選取“不確定集合”是魯棒優(yōu)化處理不確定性問(wèn)題的關(guān)鍵,當(dāng)前研究中常采用盒式、多面體、橢球、基數(shù)性等形式描述不確定集合.而本文采用基數(shù)性不確定集合來(lái)描述負(fù)荷的不確定性,符合在一定區(qū)域內(nèi)微電網(wǎng)負(fù)荷每天大體趨勢(shì)不變,但在一個(gè)趨勢(shì)內(nèi)波動(dòng)的特性.這種集合的特點(diǎn)是能對(duì)不確定參量偏移量的相對(duì)值進(jìn)行調(diào)節(jié),因此能夠更準(zhǔn)確地調(diào)節(jié)負(fù)荷的波動(dòng)狀況.不確定度大的集合波動(dòng)比較大,優(yōu)化配置的結(jié)果更加激進(jìn);不確定度小的集合波動(dòng)比較小,優(yōu)化配置的結(jié)果更加保守.因此,合適的不確定度可以幫助獲得對(duì)于整個(gè)微電網(wǎng)更好的配置結(jié)果.

3 雙階段魯棒優(yōu)化配置模型及求解方法

3.1 目標(biāo)函數(shù)

以綜合成本最小為規(guī)劃模型設(shè)計(jì)的基本目標(biāo)函數(shù)為

minCall=min(Cint+Cope)

(11)

式中:Call為綜合建設(shè)成本費(fèi)用;Cint為投資年平均等價(jià)成本費(fèi)用;Cope為年運(yùn)維成本費(fèi)用.

其中,利用等年值法得到:

(12)

式中:ρ為折現(xiàn)率;rwt、rpv、rmt、rbat分別為風(fēng)力發(fā)電機(jī)、光伏電池、微型燃?xì)廨啓C(jī)和儲(chǔ)能裝置的折現(xiàn)年數(shù);cwt,int、cpv,int、cmt,int、cbat,int分別為風(fēng)力發(fā)電機(jī)、光伏電池、微型燃?xì)廨啓C(jī)和儲(chǔ)能裝置的單位投資成本費(fèi)用;Ebat,max為電池裝機(jī)容量;Cbat,i、Cpv,i、Cwt,i、Cmt,i分別為風(fēng)力發(fā)電機(jī)、光伏電池、微型燃?xì)廨啓C(jī)和儲(chǔ)能裝置1 d的運(yùn)行費(fèi)用.

3.2 約束條件

3.2.1裝機(jī)容量約束

(13)

式中:Smt、Swt、Spv、Ses分別為微型燃?xì)廨啓C(jī)、風(fēng)力發(fā)電機(jī)、光伏機(jī)組、蓄電池的裝機(jī)容量.

3.2.2電源出力約束

(14)

式中:Ppv,N、Pmt,N分別為光伏電池、微型燃?xì)廨啓C(jī)的額定輸出功率;Pwt,t、Ppv,t分別為風(fēng)力發(fā)電機(jī)、光伏電池在t時(shí)刻的輸出功率.

3.2.3功率平衡約束

Pload,t+Pes,t≤Pmt,t+Pwt,t+Ppv,t+Pesc,t

(15)

式中:Pload,t為負(fù)荷在t時(shí)刻產(chǎn)生的功率;Pesc,t為儲(chǔ)能充電功率.考慮孤島運(yùn)行時(shí)的功率平衡狀況,消耗的功率應(yīng)該小于產(chǎn)生的功率.

3.2.4儲(chǔ)能充放電功率約束

(16)

Pbat,max=μEbat,max

(17)

(18)

式中:Pbat,max為儲(chǔ)能充放電功率的最大值;μ為儲(chǔ)能功率上限和容量的固定的比例系數(shù);ηes為儲(chǔ)能裝置的充電效率;Ubat,t為t時(shí)刻儲(chǔ)能系統(tǒng)充電和放電的信號(hào),1代表儲(chǔ)能設(shè)備充電,0代表儲(chǔ)能設(shè)備放電.

3.3 等效模型和不確定集

為了解決微電網(wǎng)中負(fù)荷功率的不確定性問(wèn)題,將魯棒優(yōu)化的思想引入微電網(wǎng)模型中,構(gòu)建微電網(wǎng)的兩階段魯棒優(yōu)化容量配置模型.其中一階段目標(biāo)函數(shù)為微電網(wǎng)的年度平均投資成本費(fèi)用,二階段的目標(biāo)函數(shù)為微電網(wǎng)的運(yùn)行成本費(fèi)用.將約束條件分階段歸類(lèi)后,兩階段魯棒等效優(yōu)化模型如下式:

(19)

式中:h(x)≤0為第一階段約束條件,表示為裝機(jī)容量約束;g(y,x,u)≤0為第二階段的不等式約束條件,包含電源出力約束和功率平衡約束;l(y,x,u)=0為第二階段的等式約束條件,表示蓄電池充放電約束.

第一、二階段決策變量及不確定變量的具體公式如下:

(20)

該模型為線(xiàn)性規(guī)劃問(wèn)題,通常利用確定性?xún)?yōu)化方法求解.主要考慮負(fù)荷不確定性在微電網(wǎng)實(shí)際運(yùn)行中的影響,負(fù)荷功率的波動(dòng)范圍在構(gòu)建的基數(shù)不確定集內(nèi):

(21)

式中:Pload,min和Pload,max分別為負(fù)荷波動(dòng)的下限和上限;ΔPload,max為負(fù)荷功率最大的波動(dòng)偏差;Kt為t時(shí)段的不確定度參數(shù).

3.4 求解算法

采用C&CG對(duì)兩階段的魯棒優(yōu)化模型進(jìn)行求解.根據(jù)算法的基本原則,首先將原問(wèn)題分解為兩個(gè)問(wèn)題:對(duì)整個(gè)算法過(guò)程起主導(dǎo)作用的作為主問(wèn)題,受主問(wèn)題結(jié)果影響的作為子問(wèn)題.確定整個(gè)算法結(jié)果的上限和下限,并采用交替求解的形式對(duì)主問(wèn)題和子問(wèn)題的結(jié)果繼續(xù)進(jìn)行迭代,在運(yùn)算的過(guò)程中不斷引入與子問(wèn)題相關(guān)的變量和約束,直到算法的上限和下限收縮到一定范圍內(nèi).其中主問(wèn)題是微電網(wǎng)的優(yōu)化配置問(wèn)題,子問(wèn)題是在主問(wèn)題求解得到的微電網(wǎng)的配置情況下,找到負(fù)荷朝著對(duì)整個(gè)微電網(wǎng)運(yùn)行情況最不利的情況下變化的最優(yōu)運(yùn)行方案.主問(wèn)題可以用以下形式表示:

(22)

式中:xk為一階變量,表示各裝置配置的容量;yk為二階變量,表示各裝置運(yùn)行出力;a、b為目標(biāo)函數(shù)對(duì)應(yīng)的系數(shù)向量;c、d、e、f為常數(shù)列向量;α為中間向量;A、B、C、D、E、F為相應(yīng)約束狀態(tài)下變量的系數(shù)矩陣.

經(jīng)分解后的子問(wèn)題為

(23)

Ω(x,u)表示為給定一組(x,u)時(shí)優(yōu)化變量y的可行范圍,具體表示方式如下:

(24)

式中:Da、Db、Dc、Dd為第二階段約束的對(duì)偶變量.根據(jù)強(qiáng)對(duì)偶關(guān)系把內(nèi)層的線(xiàn)性問(wèn)題轉(zhuǎn)化為最大化形式,和外層的最大化問(wèn)題結(jié)合,最終得到合并后的子問(wèn)題.

(25)

式(25)在取到最大值時(shí),不確定變量u的取值即為該式中所定義的不明確的邊界.通過(guò)上述的推導(dǎo)和轉(zhuǎn)換,最終可用C&CG算法對(duì)兩階段魯棒模型解耦成的主問(wèn)題式和子問(wèn)題式進(jìn)行求解.整個(gè)算法過(guò)程如圖2所示,ε為極小值.

圖2 算法流程圖Fig.2 Flow chart of algorithm

4 算例分析

4.1 原始數(shù)據(jù)說(shuō)明

以東部某偏遠(yuǎn)海島模擬的天氣場(chǎng)景為例,獲得該區(qū)域全年的光照強(qiáng)度和風(fēng)速數(shù)據(jù),逐時(shí)數(shù)據(jù)如圖3和圖4所示,該地區(qū)年最大負(fù)荷為 1 884.79 kW,平均負(fù)荷為 861.42 kW.

圖3 全年光照強(qiáng)度逐時(shí)數(shù)據(jù)圖Fig.3 Hourly data graph of annual light intensity

圖4 全年風(fēng)速逐時(shí)數(shù)據(jù)圖Fig.4 Hourly data graph of annual wind speed

算例中的獨(dú)立微電網(wǎng)包含微型燃?xì)廨啓C(jī)、風(fēng)力發(fā)電機(jī)、光伏電池以及負(fù)荷.設(shè)定微電網(wǎng)壽命年限為20 a,各種分布式供能與儲(chǔ)能系統(tǒng)的規(guī)格選擇部分參照表1所示的參數(shù).蓄電池初始剩余電量設(shè)為0.8,荷電狀態(tài)允許變化范圍為0.1～0.9,充、放電效率分別為0.8和1.每小時(shí)最大充、放電量為其標(biāo)稱(chēng)容量的20%,貼現(xiàn)率r取 0.05.

表1 優(yōu)化配置算例相關(guān)參數(shù)Tab.1 Algorithm-related parameters

4.2 考慮不同場(chǎng)景對(duì)規(guī)劃結(jié)果的影響

根據(jù)上述聚類(lèi)方法,由實(shí)際光照強(qiáng)度和風(fēng)力數(shù)據(jù)及負(fù)荷的年運(yùn)行數(shù)據(jù)得出的場(chǎng)景集以及模擬運(yùn)行用的聚類(lèi)場(chǎng)景和極端場(chǎng)景如圖5所示.圖中:彩色圓圈表示由每個(gè)小時(shí)的天氣狀況構(gòu)成的場(chǎng)景;黑色“×”表示聚類(lèi)形成的典型場(chǎng)景;黑色“□”表示極端場(chǎng)景.因近年來(lái)極端天氣的數(shù)量增加,用典型場(chǎng)景作為規(guī)劃的依據(jù)已經(jīng)不能滿(mǎn)足微電網(wǎng)對(duì)供電可靠性的需求.為應(yīng)對(duì)極端天氣的影響,防止電力中斷導(dǎo)致電力可靠性較高產(chǎn)業(yè)的損失,需要考慮典型場(chǎng)景和極端場(chǎng)景聯(lián)合作為配置場(chǎng)景.由此得到光伏、風(fēng)力發(fā)電機(jī)、柴油機(jī)和儲(chǔ)能的配置結(jié)果,再與用典型數(shù)據(jù)得到的配置的典型容量進(jìn)行對(duì)比.將負(fù)荷Pload波動(dòng)的初始不確定度設(shè)定為0.15,如圖6陰影部分所示.

圖5 光照強(qiáng)度和風(fēng)速的場(chǎng)景集Fig.5 Scene set of light intensity and wind speed

圖6 負(fù)荷波動(dòng)圖Fig.6 Graph of load fluctuation

用典型場(chǎng)景進(jìn)行仿真得到的結(jié)果命名為A;用典型場(chǎng)景和極端場(chǎng)景結(jié)合進(jìn)行仿真得到的結(jié)果命名為B,具體配置如表2所示.由表2可以得出,與專(zhuān)門(mén)考慮典型場(chǎng)景得到的結(jié)果相比,考慮極端場(chǎng)景會(huì)對(duì)優(yōu)化配置的結(jié)果產(chǎn)生顯著影響,年投資成本增加55萬(wàn)元,失負(fù)荷概率降低0.705%.

表2 考慮不同場(chǎng)景配置結(jié)果Tab.2 Configuration results of different scenarios

圖7為典型日通過(guò)二階段優(yōu)化運(yùn)行得到的功率(P)平衡運(yùn)行結(jié)果.由圖7可以看出,當(dāng)負(fù)荷需求少于發(fā)電功率時(shí),多余的電能給儲(chǔ)能充電.在早午間時(shí)段(9:00—14:00)風(fēng)力和光伏發(fā)電滿(mǎn)足大部分負(fù)荷需求,多余的電能給儲(chǔ)能充電;在夜間時(shí)段(23:00—07:00)依靠風(fēng)電和柴油發(fā)電滿(mǎn)足夜間大部分功率需求.

圖7 典型日優(yōu)化后的功率圖Fig.7 Diagram of optimized power

4.3 負(fù)荷不確定參數(shù)對(duì)規(guī)劃的影響

為比較不同負(fù)荷出力不確定度參數(shù)對(duì)系統(tǒng)調(diào)度成本的影響,分別設(shè)置不確定參數(shù)a′=0,0.15,0.25下的3種仿真場(chǎng)景,得到配置成本結(jié)果如表3所示.

表3 不同負(fù)荷不確定參數(shù)下的配置成本

可以看出,在負(fù)荷確定的場(chǎng)景下,即不確定參數(shù)a′=0時(shí),總成本是最低的.隨著負(fù)荷不確定度的增加,微電網(wǎng)配置的總成本升高.而不確定參數(shù)為0、0.15、0.25時(shí),對(duì)應(yīng)運(yùn)行成本分別為 201 755 元、250 345 元、273 475 元,可見(jiàn)運(yùn)行成本隨著不確定度增加而增加.

4.4 考慮不同方案對(duì)優(yōu)化配置的影響

為比較本方案和其他方案的優(yōu)缺點(diǎn),考慮以下4種配置方案,結(jié)果如表4所示.

表4 考慮不同方案下的優(yōu)化配置成本Tab.4 Optimal configuration cost of different schemes

方案1是考慮4個(gè)典型場(chǎng)景進(jìn)行配置;方案2是在源側(cè)考慮極端場(chǎng)景進(jìn)行配置;方案3是在負(fù)荷側(cè)考慮魯棒優(yōu)化配置;方案4是本文所提出的在源側(cè)考慮風(fēng)光不確定性、在負(fù)荷側(cè)考慮負(fù)荷波動(dòng)的方案.將失負(fù)荷概率作為衡量微電網(wǎng)可靠性的依據(jù).與方案1相比,方案3考慮負(fù)荷波動(dòng)運(yùn)行在當(dāng)前的運(yùn)行場(chǎng)景的最?lèi)毫忧闆r,配置得到的微電網(wǎng)的可靠性得到提升,投資成本也升高;與方案1相比,方案2考慮極端場(chǎng)景對(duì)優(yōu)化配置的影響,可靠性很大程度上增加.所提方法將方案2和方案3相結(jié)合,綜合考慮年投資成本和運(yùn)行成本,降低了經(jīng)濟(jì)成本且將電力不足概率控制在較低水平.

5 結(jié)論

考慮不同場(chǎng)景和負(fù)荷波動(dòng)對(duì)微電網(wǎng)規(guī)劃造成的影響,建立兩階段魯棒規(guī)劃模型;在一階段配置微電網(wǎng)容量,在二階段優(yōu)化當(dāng)日風(fēng)光出力,用C&CG將模型分解為主問(wèn)題和子問(wèn)題,利用Cplex求解器迭代求解,分析結(jié)果表明:

(1) 所提模型考慮了負(fù)荷和可再生能源的不確定性.分別采用魯棒優(yōu)化和隨機(jī)優(yōu)化區(qū)別處理,微電網(wǎng)能夠得到“最?lèi)毫印眻?chǎng)景下系統(tǒng)運(yùn)行成本最小的規(guī)劃方案.

(2) 通過(guò)改變不確定性參數(shù)調(diào)節(jié),能夠靈活根據(jù)當(dāng)?shù)丨h(huán)境考慮負(fù)荷的不確定度,按照合適的方案進(jìn)行配置.

(3) 考慮極端場(chǎng)景對(duì)微電網(wǎng)進(jìn)行配置,能夠幫助微電網(wǎng)有效地應(yīng)對(duì)極端天氣對(duì)微電網(wǎng)的影響.

(4) 綜合考慮不同方案對(duì)微電網(wǎng)優(yōu)化配置的影響,該結(jié)論可以為微電網(wǎng)投資商在規(guī)劃時(shí)提供參考.