1. 网站地图
  2. 设为首页
  3. 关于我们


基于合作博弈和需求响应的微电网 电源容量优化配置

发布时间:2022-11-21 13:50
目录
摘 要 I
Abstract II
第 1 章 绪 论 1
1.1课题的研究背景及意义 1
1.2国内外研究现状 2
1.2.1微电网电源容量配置前期数据处理、配置模型及求解算法的研究现状 2
1.2.2并网型微电网电源容量的优化配置研究现状 6
1.2.3独立型微电网电源容量的优化配置研究现状 7
1.3主要研究内容 8
第 2 章 本文微电网电源容量优化配置用到的相关理论基础 9
2.1微电网中不同 DG 的输出功率特性介绍 9
2.1.1风电机组的输出功率特性 9
2.1.2光伏发电系统的输出功率特性 10
2.1.3柴油发电机组的输出功率特性 11
2.1.4电化学储能系统的输出功率特性 12
2.2合作博弈 13
2.2.1合作博弈的基本概念 13
2.2.2合作博弈中基于 Shapley 值理论的收益分配模型 14
2.3 激励型 DR 的基本概念与数学模型 15
2.3.1DR 的基本概念 15
232激励型DR的基本概念 15
233激励型DR的数学模型 16
2.4本章小结 16
第3章 基于合作博弈的并网型微电网电源容量优化配置 17
3.1并网型微电网与配电网间的合作博弈关系分析 17
3.2合作博弈下的并网型微电网电源容量优化配置模型 18
3.2.1联盟模式下微电网电源容量优化配置模型的目标函数 18
3.2.2联盟模式下微电网电源容量优化配置模型的约束条件 20
3.2.3非联盟模式下的微电网电源容量优化配置模型 21
3.3模型的求解 22
3.4算例分析 23
3.4.1基础数据 23
IV
3.4.2联盟模式与非联盟模式下的配置结果对比分析 24
3.4.3基于 Shapley 值理论的收益分配结果 26
3.5本章小结 27
第 4 章 考虑激励型需求响应的含热泵储能的独立型微电网容量优化配置 28
4.1含 PHES 的独立型微电网基本结构 28
4.2PHES系统的基本运行原理和简化数学模型 29
4.3计及源荷不确定性的独立型微电网运行场景的构建 30
4.4考虑激励型DR的独立型微电网双层优化配置模型 31
4.4.1外层优化模型 31
4.4.2内层优化模型 32
4.4.3模型求解 34
4.5算例分析 35
4.5.1方案设置 37
4.5.2不同储能方案下的配置结果分析 38
4.5.3源荷不确定性对配置结果的影响分析 38
4.5.4激励型DR对配置结果的影响分析 39
4.6本章小结 40
结 论 42
参考文献 43
附 录 48
攻读硕士学位期间发表的论文及其它成果 51
东北电力大学学位论文原创性声明和使用权限 52
《中国优秀博硕士学位论文全文数据库》和《中国学位论文全文数据库》投稿声明 53
致 谢 54
第 1 章 绪 论
1.1课题的研究背景及意义
从人类层面来看,人类社会的发展和延续离不开能源;从国家层面来看,能源直接关 系着国家的安全与人民生活的稳定。电力作为一种重要能源,它的发现与应用极大地提高 了生产力,使人类社会飞速发展。随着社会的不断发展,我们对电力的需求也在不断地增 加:据统计,2020 年全球发电量约为26.8万亿千瓦时,较2010 年增长了24%,其中煤电 占比高达 35.1%[1]。同时,煤炭等化石能源的过度开发与使用引发的能源危机与一系列环 境问题也越来越收到人们的关注与重视。因此,减少化石能源的使用,大力开发清洁能源 逐渐被许多国家提上日程。目前较为成熟的清洁能源发电技术主要有水电、核电、风电和 光伏,其中水电开发受地理位置影响较大,还会对当地的生态环境带来不利影响,核电则 因其安全问题需谨慎开发。而风电和光伏依靠风能和太阳能发电,具有可用资源丰富、安 全性高、建设周期短、装机规模灵活、运行和维护成本低等优点,因此日益受到世界各国 的重视,截止2020年底,全球风电装机容量已达733.3GW,全球光伏装机容量已达 760.4GW[1]。
然而,与常规火电机组不同,依靠风能和太阳能发电的新能源发电机组输出功率因受 天气变化而呈现出明显的间歇性与波动性[2],这显然对需要为用户提供较高供电质量服务 的电力系统提出了更高的要求。为了既提高新能源利用率,减少弃风弃光,又减少风光分 布式电源输出功率的不确定性给电网带来的波动,微电网的概念应运而生[3]。微电网是一 种将分布式电源、储能、变流器、和负荷等部分整合到一块的小型电力系统。微电网的意 义在于它将原来的分布式电源如何并网问题转化为了一个可控系统的并网问题,从而降低 了间歇性电源对电网运行和控制等方面的不利影响[4]。
微电网电源容量的配置问题是微电网设计的重要工作之一[5],是实现和满足微电网安 全稳定经济运行的基础。与传统电网的规划不同,微电网规划综合考虑风、光、柴、储等 多种电源的各自的特点,这导致微电网规划的复杂度较高,而且微电网建设还面临市场机 制不完善、运行经验缺乏等挑战。因此,研究合理可行的微电网电源容量的优化配置方法 对推进微电网向好向快发展非常必要。
博弈论是一种分析经济学问题的重要工具,可用来解决多个利益相关主体如何进行决 策的问题[6]。合作博弈作为博弈论的一种,主要用于研究多个利益相关主体能否通过合作 来获取额外利益以及额外收益如何分配的问题。对于并网型微电网,因其可以与配电网进 行功率交互,从而会对配电网产生一定影响,所以在对并网型微电网中的电源容量配置进 行决策时涉及到微电网运营商和配电网运营商这两个利益主体。微电网的合理规划能起到 降低配电网网损和延缓配电网投资的作用,而微电网中新能源的消纳也需要配电网作为通
-1- 道,由此分析微电网和配电网两运营商间的合作博弈关系,探求双方利益的进一步提高, 研究合作博弈下的微电网电源容量的优化配置问题具有重要意义。
DR是指供电部门通过调节电价或给用户提供奖励的形式来达到改变负荷曲线从而达 到降低供电压力或减少供电成本的目的【I通过DR可以使负荷曲线和新能源出力曲线更 贴近,从而更有利于风光的消纳,特别是对于独立型微电网,其主要用于满足偏远地区供 电的,不与大电网相连,建设成本较高,通过DR提高风光利用率能使微电网建设成本进 一步降低,有利于提高投资者积极性。由此在微电网电源容量的优化配置中将DR这一因 素考虑进去,研究基于DR的微电网的电源容量的优化配置有重要意义。
1.2国内外研究现状
1.2.1微电网电源容量配置前期数据处理、配置模型及求解算法的研究现状
规划问题往往会涉及到规划前期数据处理、规划模型以及模型求解方法三个方面,并 网型和独立型微电网电源容量的优化配置作为规划层面的问题当然也离不开这三个方面, 因此本节主要从微电网电源容量优化配置数据前期处理方法、微电网电源容量优化配置模 型和模型求解方法三个方面对微电网电源容量优化配置问题的国内外研究现状展开综述。
1.2.1.1微电网电源容量配置前期数据处理方法的研究现状
微电网电源容量优化配置前期数据处理是指对微电网待建区域的负荷数据和风光资 源数据进行一定的分析处理,从而为后期微电网电源容量的优化配置提供可靠的数据支持, 是微电网优化配置的准备工作。相比输电网和配电网,微电网覆盖区域要小的多,因此对 微电网内负荷和风光资源的分析更集中在时间分布上,即对微电网内负荷、风速和太阳辐 射强度随时间的变化数据进行处理,常用的处理方法大体上有两种:第一种可以称作全年 时序仿真法,即直接将负荷、风速和太阳辐射强度全年时序数据按每小时一个采样点得到 全年 8760 个点的小时级数据用作后续全年时序仿真使用,这种方法虽然能提供丰富的模 拟场景和结果,但对全年进行时间序列模拟,存在计算量大、效率低的问题;第二种可以 称作典型日法(或典型场景法),即在得到全年8760 个点的小时级数据的基础上进一步 选取典型日,这样可以在尽可能不丢失数据有用信息的前提下而减少后期进行电源容量优 化配置时的计算量,提高计算效率。
根据典型日选取方法的不同,典型日法又可以进一步细分为主观经验法、聚类法和最 优化选择法等。主观经验法是按一定原则将全年共365 天划分为几类,然后再从每一类中 主观地各选择一个典型日组成典型日集,如文献[8]根据光照强度和负荷具有一定季节特性 的特点,分别选取了两者的四季典型日作为基础数据;文献[9]根据季节和天气双重原则对 光照强度典型日进行了选取。这种方法的特点是简单快速,但主观性较强。聚类法是采用 各种聚类算法实现的,通过聚类算法可以将数据分类并得到每一类的聚类中心,再把聚类 中心作为典型日即可。如文献[10]采用模糊均值聚类算法对风光的时序数据进行了聚类处 理,选出了典型场景;文献[11]基于k-mediods聚类算法对风速和负荷的时序数据进行了场 -2-
景缩减。与主观经验选择法相比,聚类法存在的主观性大大降低,但某些聚类算法需要人 为给出聚类中心的个数,因此仍存在一定的主观性。最优化选择法是首先构建一系列指标 用于评价选取的典型日与原始数据贴近程度,然后建立以各评价指标最优为目标的典型日 选取数学优化模型。如文献[12]首先构建了包括负荷总量误差、风光资源总量误差、概率 分布误差和不同类型序列相关性误差在内的多项评价指标,然后建立了以各误差之和最小 为目标的典型日选取线性规划模型,但是该文献提出的典型日选取模型缺少对数据极端特 征的评价。为此,文献[13]在文献[12]的基础上又进一步补充了分时段峰值负荷偏差、分时 段峰值资源偏差和分时段功率变化率最大值偏差等用于评价典型日极端性的指标。
1.2.1.2微电网电源容量优化配置模型的研究现状
微电网电源容量优化配置数学模型的建立是微电网电源容量优化配置过程中最关键 的一步,在建模过程中需要从经济、技术、甚至环境等多方面考虑,选取适当的决策变量、 优化目标以及对应的约束条件,从而建立科学、完整、有针对性的数学模型。近年来,随 着微电网技术的不断成熟,关于微电网电源容量优化配置的研究也不断增多,相关研究中 建立的优化配置模型也多种多样,从不同角度可将这些模型分为不同类别,如图 1-1 所示。
 
图 1-1 微电网电源容量优化配置模型分类
(1)按模型中优化目标的多少分类。
按模型中优化目标的多少可将微电网电源容量优化配置模型分为多目标优化配置模 型和单目标优化配置模型。
多目标的微电网电源容量优化配置模型中有多个优化目标,常见的有经济性目标、可 靠性目标、新能源利用率目标等。需要说明的是,虽然设置了多个目标进行优化,但实现 多个目标同时最优是不可能的,不同目标之间往往是相对立的,比如经济性和可靠性。
对多目标优化问题一般有两种处理方式,一种是为不同的目标赋予一定的权重,然后 将各目标加权求和得到一个总的目标函数,从而将多目标优化问题转化为了单目标优化问 题。如文献[14]以微电网系统的单位电量成本、负载的失电率以及电量过剩率为优化目标 构建了微电网电源容量的多目标优化配置模型,并通过对各目标加权求和转化为单目标优 化问题;文献[15]则以电压改善率和网损改善率为目标,建立了配电网中微电网的优化布 -3-
置与定容模型。但是这种方法在给定各目标函数权重时带有一定的主观性,而且对于量纲 不同的目标函数也无法直接将它们进行加权求和。另一种处理多目标优化问题的方法是采 用多目标优化算法来寻找帕累托(Pareto)最优解集。Pareto最优解集被认为是权衡不同目 标之间冲突关系最好的解决方案。目前在微电网电源容量优化配置研究中用的多目标优化 算法有非劣排序遗传算法(NSGA-II) [16-18]、多目标粒子群优化算法(MOPSO) [19-21],多 目标自适应差分进化算法( MOSADE) [22]等。
单目标的微电网电源容量优化配置模型一般以某个经济性指标最优为目标,当在模型 中考虑可靠性和环保性等因素时,一般采用如下两种方法:一种是仅考虑单一的经济性目 标,如成本等年值、年收益值等,而使可靠性指标(如负荷失电率、负荷供电不足期望值) 和环保性指标(如弃电率)满足一定范围,即放入约束条件中[11,23,24];另一种是将可靠性 指标和环保性指标分别乘一个惩罚费用折算系数,如缺电惩罚系数、能量浪费惩罚系数和 污染物排放治理费用系数等,从而将可靠性指标和环保性指标转化为经济性指标,然后再 同其他经济费用相加得到纯经济性的目标函数[25-27]。
(2) 按模型中涉及利益主体的多少分类。
按模型中涉及利益主体的多少可将微电网电源容量优化配置模型分为单利益主体模 型和多利益主体模型。
单利益主体的优化配置模型中一般是站在微电网运营商角度进行规划的,即整个微电 网的建设和运营全部由微电网运营商承担,一般以微电网运营商的成本等年值最小或年收 益最大构建目标函数。
随着我国电力市场改革的不断深入,微电网的投资主体也逐渐由单利益主体投资的形 式转变为多利益主体联合投资的形式。国家发改委与国家能源局联合引发的《推进并网型 微电网建设试行办法》中鼓励各类企业、专业化能源服务公司投资建设微电网项目,电网 企业也可参与新建及改(扩)建微电网[28]。传统的单利益主体优化模型在目前以及将来的 多利益主体电力市场环境下已不再适用,为此许多学者对新的多利益主体投资环境下的微 电网电源容量优化配置问题展开了研究。博弈论作为一种用于研究多个利益相关主体如何 进行优化决策的数学工具[6]在分析多利益主体投资环境下的微电网电源容量优化配置问题 中得到广泛应用。如文献[29]基于博弈论,将微电网中风电、光伏和储能的投资者作为博 弈的参与者,提出了一种风光储混合电力系统的博弈论规划模型。文献[30]在文献[29]的基 础上,针对合作博弈下如何使不同利益主体合作获得的收益合理分配这一问题进行了研究, 提出了一种基于改进DP(disruption propensity)指标的利益分配策略。文献[31-33]针对微 电网作为新的市场主体接入配电网而引起的微电网运营商和配电网运营商之间的利益冲 突问题提出了基于主从博弈的微电网电源容量优化配置模型。以上博弈方法均假设博弈的 参与者是完全理性的,与事实不相符,存在解决方案过于理想化的缺陷,为此文献[34]结 合演化博弈的特点提出一种基于演化博弈的微电网源储容量规划模型。
(3) 按模型是否考虑不确定因素分类。
-4-
按是否考虑不确定因素可将微电网电源容量优化配置模型分为不计及不确定性的优 化配置模型和计及不确定性的优化配置模型。
不计及不确定性的优化配置模型是指模型构建时直接采用负荷、风速和太阳辐射强度 的全年历史时间序列作为输入[14,24,25,27,34],或从历史时间序列中选取典型日作为输入[8,21,35], 不考虑负荷、风速和太阳辐射强度因天气等不确定性因素存在而具有的波动性。
以上根据历史确定数据为输入的配置模型最终得到的往往只是针对历史场景的最优 配置方案,而无法保证对未来实际运行场景的适应性。为此许多学者对计及不确定性的微 电网电源容量优化配置模型展开了研究,从处理不确定性的方法来看可将此类研究分为两 类。一种是随机优化方法,如文献[36]基于风光功率波动的累积概率分布函数,采用拉丁 超立方采样这种多维分层随机抽样技术来进行生成场景;文献[37]提出一种基于核密度估 计和 Copula 理论的风光出力场景生成方法,并将其应用于多能互补微网系统的优化配置。 以上通过采样来生成场景的方法需要事先假定风速或光强服从一定的概率分布,然而这些 假定的分布可能与实际并不相符,为此文献[38]结合生成对抗网络(generative adversarial network,GAN)无需事先假定数据分布就可生成场景的特点,并将其与条件风险价值
(conditional value at risk,CVaR)这种用来度量风险的数学工具结合,提出一种基于GAN 场景模拟和CVaR的独立型微网容量随机优化配置模型。另一种是鲁棒优化方法师33,39】, 与随机优化相比,鲁棒优化对数据的要求低一些,且不需要获取不确定变量的的概率分布, 而只需要知道不确定变量取值的上、下界,因此采用鲁棒优化有利于增强系统应对最恶劣 自然条件时的性能。
1.2.1.3微电网电源容量优化配置问题求解算法的研究现状
微电网电源容量的优化配置问题是一个规划与运行相耦合的问题,模型中包括的决策 变量众多,有二进制型、整数型和连续变量型,还包含各种线性和非线性的目标函数和约 束条件,模型求解起来比较困难,因此对模型求解方法的研究也是微电网电源容量优化配 置研究的一个重要方面。目前主要采用智能优化算法和数学规划算法对微电网电源容量的 优化配置模型进行求解,常用求解方法分类如图1-2 所示。
求解算法 |
| ::粒子群算法及其改进算法”社 Eig-M法 | |
| | |遗传算法及其改进算法卄,Benders分解压 : | :丨 蝗虫优化算法 丨|丨 ... H
图 1-2 微电网电源容量优化配置常用求解方法分类
目前,常见的用于求解微电网电源容量的优化配置模型的智能优化算法有粒子群算法
-5- 及其改进算法[24,38,40,41]、遗传算法及其改进算法[42,43]、蝗虫优化算法[44]等。这些智能优化算 法其实都是通过观察自然界中存在的一些现象,进而收到启发而被发明出来的,这些算法 的显著优点就是通用性强,不管模型是线性的还是非线性的,都可以使用智能优化算法来 进行求解;缺点也比较明显,那就是求解效率比较低,这是因为智能优化算法主要是通过 对变量的随机组合来生成解的,这就导致生成的解中不可行解的比例比较高,随着求解问 题规模的扩大,采用智能优化算法很难得到全局最优解。
相比智能优化算法,数学规划方法在理论上更为严谨,但对目标函数和约束条件的要 求更为严格的。由于使用数学规划方法对非线性规划问题的求解难度要远高于线性规划问 题,因此采用数学规划方法求解微电网电源容量的优化配置模型的难点主要集中在如何将 模型线性化,从而降低求解难度。如在文献[26]中,作者使用Big-M法对提出的基于Benders 分解的独立型微电网双层鲁棒优化容量配置模型进行了线性化;在文献[35]中,作者提出 一种计及可控负荷的独立微网分布式电源容量优化模型,并对模型中出现的绝对值、变量 相乘、最大值、最小值这些非线性问题作了线性化推导,将模型由混合整数非线性规划模 型转化为混合整数线性规划模型。
1.2.2并网型微电网电源容量的优化配置研究现状
并网型微电网既可以独立运行,也可以并网运行,有了配电网的支撑,并网型微电网 的可靠性可以得到保证,而且并网型微电网可以通过将其过剩的电能通过联络线输送给配 电网来获得收益。
因为并网型微电网可以与配电网进行电能交互,所以并网型微电网的运营模式也比较 多样,有些学者从微电网运营角度出发,研究了考虑运营的并网型微电网电源容量优化配 置,如文献[39]结合现有的微电网运营模式研究成果,构建了并网型微电网一体化运营模 式,建立了将微电网优化配置方案和运营策略进行协同优化的微电网优化配置模型,实现 了兼顾投资与运营经济性的并网型微电网优化配置;文献[45]为全面评估并网型微电网系 统不同运营方式下的经济性,分别建立了余电上网和余电制氢两种运营方式下并网型微电 网全寿命周期电源容量优化配置模型,通过算例得出余电制氢这一运营模式更具经济性。 但上述文献在对并网型微电网进行优化配置时均只考虑了微电网单一主体的利益,配电网 仅是在微电网电能不足时被动的向微电网输送电能或被微电网输入电能,即在整个过程中 没有考虑微电网建设对配电网运营商利益的影响。
博弈论是一种可用来解决多个利益相关主体如何进行决策问题的重要工具,因此一些 学者将博弈论应用于解决并网型微电网电源容量的优化配置过程中涉及到的多利益主体 问题,如文献[46]分析了用户、微电网投资开发商和电力公司间的利益关系,提出了一种 基于非合作博弈的配电网中多级微电网优化配置模型,但该文献对各利益主体的数学模型 的构建较为粗略;文献[34]针对目前存在的一种配电网运营商和微电网运营商联合参与投 资单一微电网时两投资主体利益冲突难以平衡的问题,提出了一种基于演化博弈的并网型
-6- 微电网电源容量规划新方法,实验证明演化博弈方法在平衡微电网运营商与配电网运营商 的收益方面具有较好的效果,但该文献提出的方法仅适用于配电网运营商和微电网运营商 联合参与投资单一微电网这种情况。
不同于非合作博弈和演化博弈,合作博弈适用于不同利益主体如何通过合作来扩大收 益的情况,其能为解决此类决策问题提供科学定量的评估手段,如文献[47]基于合作博弈 理论分析了风电场规划过程中风电场与电网的改进策略以及双方的成本效益变动,提出了 一种风电—电网联盟净收益最大的风电场容量规划模型;文献[48]分析了中国东北“以热 定电”的供热模式下风电场、弃风供热企业、热电厂和电网公司这四个主体间的利益关系, 提出了一种基于合作博弈的相变储热容量优化配置模型;文献[49]针对电转气装置目前普 遍存在的效益较低的现状,考虑从加强与综合能源主体的合作来实现电转气产业链的延伸 和产业模式的创新,提出了一种基于合作博弈以含电转气的综合能源联盟净收益最大为目 标的电转气装置容量鬼规划模型。并网型微电网的建设中涉及到微电网运营商和配电网运 营商两大利益主体,在进行并网型微电网电源容量的优化配置时双方达成合作共同参与决 策可能得到使双方利益均有所提高的配置结果,但目前应用合作博弈来解决该问题的研究 还比较少。
1.2.3独立型微电网电源容量的优化配置研究现状
独立型微电网是适用于远离大陆的孤立海岛及很难并网或并网经济性很差的偏远山 区的一种小型电力系统。《国家能源局关于推进新能源微电网示范项目建设的指导意见》 中指出“在电网未覆盖的偏远地区、海岛等,优先选择新能源微电网方式”。
因为独立型微电网无法像并网型微电网那样从配电网获得电能来提高自身可靠性,也 无法向配电网输送自身无法消纳的过剩电能来获益从而使成本缩减,所以,独立型微电网 电源容量的优化配置研究主要致力于在保证系统可靠性的前提下进一步提高经济性。
目前的独立型微电网研究中多采用电池储能作为系统储能方案,但由于电池储能寿命 短、价格昂贵,采用电池储能作为系统储能的方案中储能成本占微电网建设总成本的比例 较高,从而限制了微电网的发展。因此,降低独立型微电网总成本中储能成本占比的研究 一直保持着较高的热度。一些研究提出通过在系统引入可以与电能进行互补的其他能量形 式来解决,如文献[14]中提出一种引入氢能的考虑电氢耦合的独立型微电网容量优化配置 方法,结果表明引入储氢系统可降低微电网投资成本;文献[50]针对当前电热联系日渐紧 密的趋势,提出了一种考虑电热耦合的微电网优化配置方法。文献[14]和文献[50]这种引入 其他能量存储形式的方法虽然一定程度上缓解了储能成本问题,但也无疑增加了系统协调 控制的难度。另有一些文献研究了使用其他类型的储能代替电池储能进行优化配置,如文 献[51]提出一种使用小型抽蓄代替蓄电池作为系统储能的新方案并成功应用于某岛屿,但 文献[52]指出使用抽蓄作为微网系统储能会很大程度地受地理条件限制。一种新型储能技 术一PHES®54啲出现为解决储能成本过高的问题提供了新思路。与抽蓄和压缩空气储能[55] 相比, PHES 有着更高的能量密度,由此降低了单位容量成本,而且其基本不受地理条件 -7-
限制[56]。文献[57]将PHES代替电池作为系统储能进行独立微网的优化配置,使配置总成 本大幅降低,但其采用一周确定的历史时序数据优化配置,没有考虑源荷不确定性的影响, 因此配置结果将难以适应未来实际运行场景。文献[38]提出的随机规划法,文献[26]和文献 [58]使用的鲁棒规划法都是能够有效地应对源荷不确定性的方法。
此外,文献[59]指出通过合理制定动态分时电价机制,引导用户自发参与需求响应能 促进源荷协调,从而起到减少设备配置容量的效果。文献[27]以不增加用户支出为前提, 提出一种将源侧和荷侧优化模型交替迭代、对最优电价和最优配置协同求解的方法。
综上所述,对于独立型微电网,许多文献均仅考虑不确定性[26,38,58]或价格型 DR[27,57,59] 单独作用对配置结果的影响,而且几乎不涉及激励型DR,相比于价格型DR,激励型DR 响应速度更快,在参与电力系统中、短时间尺度运行方面呈现出较好的潜力[60]。
1.3主要研究内容
按照是否与大电网相连进行分类,可将微电网分为并网型微电网和独立型微电网两种 类型,针对这两种类型微电网所采用的电源容量优化配置方法也不相同,因此本课题结合 这两种微电网各自的特点以及分析目前在其电源容量优化配置方法上存在的问题与不足, 分别对这两种微电网类型的电源容量优化配置问题展开研究。本文的主要研究内容如下:
(1) 基于合作博弈的并网型微电网电源容量的优化配置
针对并网型微电网建设运营过程中,因微电网与配电网两运营商间利益分配不合理而 导致微电网和配电网规划不协调问题,拟提出一种基于合作博弈的并网型微电网电源容量 优化配置方法。首先,就并网型微电网中电源容量的优化配置问题对微电网运营商和配电 网运营商之间的合作博弈关系进行分析;其次,构建合作博弈下的微电网电源容量优化配 置模型,包括联盟和非联盟两种模式;然后,采用基于分层思想的求解思路对模型进行求 解;最后,通过算例来验证方法的有效性。
(2) 考虑激励型DR的含PHES的独立型微电网电源容量优化配置 为了在保证独立型微电网供电可靠性的前提下进一步提高其经济性,拟提出一种考虑
激励型DR与源荷不确定性的含PHES的独立型微电网优化配置方法,将PHES这一储能 成本低、不受地理条件限制的新型储能替代成本较高的电池储能作为系统的储能方案来进 一步提高经济性,并考虑激励型DR与源荷不确定性两者共同作用对配置结果的影响。首 先,给出含PHES的独立微电网基本结构,分析PHES的工作原理并建立PHES的简化数 学模型;其次,为表示源荷不确定性对独立微电网运行成本的影响,基于鲁棒优化思想构 建保守度可调的不确定场景集;然后,建立外层以总成本等年值最低为目标、内层考虑激 励型DR并以系统年运行成本最低为目标的双层鲁棒优化配置模型,运用内嵌混合整数线 性规划的遗传算法对所建立的优化配置模型进行求解;最后,通过算例分析验证方法的有 效性。
-8-
第2 章 本文微电网电源容量优化配置用到的相关理论基础
微电网中包括的分布式电源(distribution generation, DG)类型多种多样,运行复杂, 不同的DG有着不同的输出功率特性。对微电网中各DG容量进行优化配置时,首先要能 掌握不同DG输出功率特性及其以数学形式的描述。因此,本章首先对微电网中不同DG 的输出功率特性进行介绍。其次,由于在本文第3章拟提出的基于合作博弈的并网型微电 网容量优化配置方法和在第4章拟提出的考虑激励型DR的含PHES的独立型微电网容量 优化配置方法中涉及到合作博弈和激励型DR的基本理论知识,为此在本章的第2节和第 3 节分别对合作博弈和激励型 DR 的基本理论知识作了介绍,从而为后续章节奠定理论基 础。
2.1微电网中不同 DG 的输出功率特性介绍
微电网中常见的DG类型有风电机组、光伏阵列、柴油发电机组、电化学储能装置⑶ 等,不同DG的输出功率特性有着明显的差异,大体上可将这些DG划分为两类:不可控 型DG和可控型DG。其中,风速的大小直接影响着风电机组的输出功率,太阳辐射强度 的大小直接影响着光伏发电系统的输出功率,可风速和太阳辐射强度与天气有很大关系, 因此存在着很大的不确定性,从而导致风电机组和光伏发电系统的输出功率具有明显的的 间歇性和波动性,所以将这两者归为不可控型DG;而柴油发电机组和储能装置的输出功 率是可以认为控制的,因此将这两者归为可控型DG。考虑到微电网电源容量优化配置问 题是一个规划与运行相耦合的问题,所以本文主要从为微电网的规划和运行服务角度出发, 使用准稳态模型对各DG的输出功率特性进行描述。下面主要就本文研究中所涉及到的各 DG的输出功率特性进行介绍。
2.1.1风电机组的输出功率特性
风电机组就是一种将蕴藏在风中的动能转变为电能的一种发电设备。风电机组在发电 过程中涉及的能量转换如图2-1 所示,风吹动风电机组的风轮使转动,从而将风能传递给 风轮产生机械能;风轮与变速箱共轴,因此机械能又传递给变速箱,带动变速箱中的齿轮 旋转;齿轮进一步带动发电机发电,将机械能转化为电能;最后发电机产生的电能通过变 流器输送给交流母线。
 
图 2-1 风电机组发电过程涉及的能量转换示意图
 
风电机组的输出功率与风电机组所在位置的风速大小、周边地形地貌、风机机组轮毂
-9-
 
高度等因素有很大关系。在已知风电机组轮毂高度处的风速后,一般可采用两种方法计算 风电机组的输出功率。
第一种方法是依据风电机组厂家提供的风速-风电机组输出功率特性曲线,其描述了不 同风速下的风电机组输出功率的大小,通常是厂家在标准测试条件下进行测定而得到的。
第二种方法是将风速-风电机组输出功率特性曲线进行拟合,从而得到风电机组输出功 率关于风速的函数关系式。
常用到的风电机组输出功率关于风速的函数关系式[27]如公式(2-1)所示:
 
式中:PWT,t为t时刻风电机组的输出功率;Pwt为风电机组的额定功率;V为t时段风电机 组轮毂高度处的风速;Va,V,Vco分别为风电机组的切入风速、额定风速和切出风速。
在对微电网进行优化配置时所采用的历史风速数据往往是由当地气象站测得的,但风 电机组的轮毂高度与气象站测风点高度并不相同,这时就需要将气象站测风点处测得的风 速换算为轮毂高度处的风速。常用公式(2-2)进行换算[26]:
(2-2)
式中:匕ef,t为气象站测风点处t时段测得的风速大小;h和href分别为风电机组的轮毂高度 和气象站的测风点高度(均以地面为参考点), p 为地面粗糙因子,用来反映地面的粗糙 程度。
将公式(2-2)所表示的风电机组输出功率关于风速的函数关系式用函数图像的方式表 现出来如图2-2所示。
 
2.1.2光伏发电系统的输出功率特性
光伏发电也是一种新能源能源发电技术,这项技术可以将太阳能转化为电能。这项技 术有很多优点,如发电过程不排放污染气体、方便安装与维护、无噪音、技术成熟、寿命 长等,因此这项技术被广泛应用。
- 10- 光伏发电系统中用于产生电能的最基本单元是太阳能电池,太阳能电池之所以能太阳 能转化为电能是基于一种被称为“光生伏特”的一种特性,这种特性只有半导体材料才具 有,目常见的半导体材料有单晶硅、多晶硅等。
下面对太阳能电池利用光生伏特效应进行光电能量转换的过程予以简单介绍:当太阳 光照射在PN结上,吸收了足够多能量的硅原子的电子将从共价键中激发,从而产生电子- 空穴对,这些电子-空穴对在受到PN结内部电场的作用时,电子-空穴对中的空穴会流向P 区,电子-空穴对中电子则会流向N区,从而使P区积攒了多余的空穴,而在N区积攒了 多余的电子,这就使PN结附近形成与原内部电场方向相反的一个电场,被称为光生电场, 以上就是光生伏特效应。
为了获得较高的输出电压和输出功率,可将太阳能电池进行串、并联从而得到光伏组 件,再将光伏组件进一步串、并联后得到光伏阵列。
光伏发电系统的基本原理如图 2-3 所示,首先,光伏阵列可将照射在其表面上的太阳 光中蕴含的太阳能转变成电能,此时的电能是直流形式的电能,而后该直流电能需要经过 汇流,汇流过程由直流配电柜完成,再由逆变器逆变使直流形式的电能转化为交流形式的 电能、最后经变压器升压后接入交流母线。
太阳 —H DC/AC
光伏阵列直流配电柜 逆变器变压器交流母线
图 2-3 光伏发电系统的基本原理示意图
太阳辐照强度和温度是影响输出功率的主要因素,光伏发电系统输出功率特性的简化 数学模型一般可表示[61]为:
pPV,t=pPv i^~ [i+kP-T(Tt - Tr)] (2-3)
ISTC
式中:PPVt为t时刻光伏发电系统的实际输出功率;PPV为光伏发电系统的额定输出功率; It为t时刻光伏发电系统中光伏组件表面的太阳辐射强度;Istc为标准测试条件下的太阳辐 射强度;kp-T为功率温度系数,反映温度对光伏发电系统输出功率的影响;Tt为t时刻光伏 组件的工作温度;Tr为光伏组件的标准工作温度。
光伏组件实际工作温度Tt与太阳辐射强度、环境温度等多个因素有关,一般可用公式 (2-4)[61]计算得到:
Tt = 37 It + 0.85T;/ — 0.42乙 + 0.25Hr,t —17.42 (2-4)
式中,Te,t为t时刻光伏组件所处环境温度;Hr,t为t时刻光伏组件所处环境的相对湿度。
2.1.3柴油发电机组的输出功率特性
柴油发电机组是一种以柴油发动机带动发电机发电的发电设备,其以柴油为燃料,在 其发电过程中将柴油中的化学能转化为动能,再进一步转换成电能和热能。它具有启动速 度快、操作和维护简便、对环境的适应性强等优点,由于其以柴油为燃料,因此存在对环 境有污染这一明显缺点。
- 11 -
 
为了提高新能源利用率,在风电和光伏出力充足的时候一般不启动柴油发电机组,即 柴油发电机组一般在微电网中充当备用电源。而且柴油发电机组多在独立型微电网中使用, 在并网型微电网中使用较少,这是因为独立型微电网不与大电网相连,因此缺少大电网的 电力支撑。
柴油发电机组的发电成本中很大一部分为油耗成本,其耗油量可描述为输出功率的线 性函数,考虑到柴油发电机组负载过低时,单位输出功率油耗量会大幅提高,而且负载过 低还会加重发电机组的损耗,减少柴油发电机组的使用寿命,因此设定不允许柴油发电机 以过低负荷长期工作。则柴油发电机组油耗量关于输出功率的函数表达式[59]如式(2-5)所 示:
'0
式中:Ft为柴油机组t时段油耗量;pD,t为柴油机组t时段的输出功率;pmax为柴油机组额 定功率;pDmm为允许的最小发电功率;«和b分别为柴油机组功率-燃料曲线的斜率和截距 系数。
得到油耗量表达式后,柴油发电机组的油耗成本可表示为:
CF,t = pF Ft (2-6)
式中:G,t为柴油机组t时段油耗成本;Pf为柴油价格。
除了油耗成本外,有时还计及因使用柴油发电机造成污染的环境治理成本,一般可用 公式(2-7)[27]进行表示:
比=PD,t £ wivi (2-7)
i =1
式中:Ce,’为柴油机组t时段的环境治理成本;N为柴油发电机组排放的污染物种数;Wi为 柴油发电机组发出单位电量时排出第i种污染物的重量;Vi为第i种污染物单位重量治理成 本。
2.1.4电化学储能系统的输出功率特性
在应用于微电网系统的众多储能技术中,电化学储能是最为广泛应用的。在微电网中, 电化学储能可以有效地削峰填谷,提高可再生能源利用率,而且电化学储能具有很快的响 应速度,因此其还能够快速有效调节微电网系统的电压及频率稳定性。
目前的电化学储能有多种类型,主要是根据使用的电池类型进行分类,目前研究和应 用的电化学储能中使用的电池类型有铅酸电池、铅碳电池、全钒液流电池、钠硫电池、锂 离子电池等[62]。在微电网的规划和运行阶段,需要重点关注的是对储能系统所存储能量的 变化、充放电功率以及储能寿命随时间变化特性的分析与建模,而对电池内部的化学反应 过程不作过分关心。
目前常使用荷电状态(state storage system,SOC)来表示电化学储能系统中剩余电量 的多少,某时段电化学储能的 SOC 值可由公式(2-8)计算得到:
- 12-
 
E SSoc,t = (2-8)
Er
式中:Ssoc,’为t时段末电化学储能系统的SOC值;Et为t时段末电化学储能系统的剩余电 量;Er为电化学储能系统的额定容量。
t时段末电化学储能系统的存储剩余电量Et可通过上一时段末储能系统的剩余电量 Et-和当前时段内储能的充放电功率计算得到,如公式(2-9)表示[23]:
Et = Et-i(l-血)+ (P "yh -C)At (2-9)
式中:&为电化学储能系统的自放电速率,用来反映电量的流失;At为计算时取得时间间 隔,取lh; P°h和P",分别为储能系统的充电和放电功率;严和严分别为储能系统的充 电和放电效率。
研究表明,电池的充电过剩或放电过剩都会导致电池的使用寿命降低,因此在使用电 池储能系统时,需要将其SOC值和充放电功率控制在一定范围内,用公式可表示为:
min max
SSOC < SSOC,t < SSOC v Pch Uch < pch < pch u ch p 辻is u dis < pdis < p dis u dis
式中:smac和ssoc分别为允许soc值的上限和下限;p±和ph分别为允许充电功率的上 限和下限;pdax和Pin分别为允许放电功率的上限和下限;呼和u/is均为二进制变量,呼 为1时表示电池处于充电状态,U/IS为1时表示电池处于放电状态。
从逻辑上电池在某一时段不可能同时处于充电和放电状态,也可能处于既不充电也不 放电的状态,用公式可表示为:
呼 + U/IS < 1
2.2合作博弈
2.2.1合作博弈的基本概念
博弈论起源于经济学,最初被用于解决经济问题,目前在工程学、军事学、社会学等 方面也有应用。博弈论是一种主要用于分析研究当多个利益主体之间存在利益关联或利益 冲突时,各利益主体如何根据自身条件及自身所掌握的信息,做出有利于自身利益决策的 理论[6]。
一个完整的博弈主要包括的元素有:参与者、策略和效用(或支付) [63]。其中,参与 者即博弈过程中涉及到的各个利益主体,可将一个博弈中所有的参与者用一个集合p来表 示:P = {£,P”.,P”},其中n为该博弈中参与者的个数;策略指各个参与者在博弈过程中 所做出的决策,用Si来表示参与者Pi( P G P)可能做出的决策集合,则可用集合 S = {S1,S2,…,S”}所有参与者的策略集合;效用指参与者在参与博弈后所能得到的收益,将 一个博弈中所有参与者的效用可用集合表示为:V = {Vi,V2,...,Vn}。最后,一个典型的完整
- 13- 的博弈模型可表示为:G = {P;S;V}。
一个博弈问题从不同角度可被分为不同的类型:按博弈中各参与者之间是否达成有约 束力的协议可被分为非合作博弈和合作博弈;按照各参与者在行动的采取上有无先后顺序 可以被分为动态博弈和静态博弈;按照各参与者之间对彼此信息掌握程度的完整性可被分 为不完全信息博弈和完全信息博弈。
因本文主要用到合作博弈,所以下面对合作博弈相关知识进行简要介绍,为第3 章中 合作博弈在并网型微电网电源优化配置上的应用打下理论基础。
具体来说,合作博弈是指几个参与者为了争取各自效用的进一步提高而共同结成合作 联盟,然后再将共同获得的效用通过某种方式进行分配的博弈。由合作博弈的定义可以看 出,博弈参与者建立合作联盟前需要进行预先的协商确定一个对各参与者有约束力的协议, 从而确定联盟内各参与者以什么形式合作以及合作后如何对效用进行分配。换句话说,合 作博弈的研究内容主要有两个方面:第一,各参与者如何达成合作;第二,各参与者如何 分配因互相合作而带来的额外收益。
下面分析非合作博弈与合作博弈的相同点与不同点来进一步加深对合作博弈的认识。 两者的相同点是:两种博弈都假定参与者是完全理性的。两者的不同点是:非合作博弈更 注重个体的理性,看中个体决策的最优性,而合作博弈更加注重集体的理性,看中博弈中 对各参与者的公平;此外,与非合作博弈不同的是,合作博弈着重研究在有约束力协议的 情况下,联盟与联盟之间的对抗与合作,以及联盟内参与者如何分配因结盟所得的额外收 益,而对有关策略方面的细节关注较弱[64]。
对于合作博弈中的各参与者来说,能获得更多的利益是它们达成合作联盟的根本动机, 因此合作博弈要想成立需要满足以下两点条件:整体合理性和个体合理性[47]。整体合理性 指合作联盟的整体收益要比该联盟中各参与者单独经营时的收益之和要高;个体合理性指 对各联盟中参与者来说,参与合作联盟后最终分配到的收益能较不参与合作联盟时更多。
2.2.2合作博弈中基于 Shapley 值理论的收益分配模型
在得到合作联盟的收益后,还面临着如何将该收益公平合理地分配给联盟的各参与者 这一问题,收益分配的不合理将导致各参与者不愿意参与合作,因此制定出一个公平合理 的利润分配机制在合作博弈中必不可少。
目前存在的研究中有多种分配机制,如平均分配机制、按容分配机制、等MDP(modified disruption propensity)指标分配机制、基于Shapley值的分配机制[30]等。本文采用目前使用 较广的基于Shapley值的分配机制来对联盟中各成员的利润进行分配。基于Shapley值的分 配机制强调应当按联盟中各参与者为联盟所做贡献的多少来给各参与者分配收益[65],其利 益分配公式如( 2-12)所示:
Xi =S叽Sj)[v(Sj) — v(Sj \i)] (2-12)
j=1
式中:Xi为第i位参与者的收益;Sj为参与者中含参与者i的第j个联盟,仅参与者i本身
- 14 -
 
也可以记作一个含参与者i的一个联盟;J为参与者中含有参与者i的联盟的个数;w(Sj)为 联盟Sj的权重;v(Sj)为联盟Sj的总收益;v(Sj \i)为联盟Sj除去参与者i后的总收益。
w(SJ可由公式(2-13)计算得到: 式中:|Sj为联盟Sj中参与者的数目;n为整个合作博弈中所有参与者的数目。
 
2.3 激励型 DR 的基本概念与数学模型
2.3.1DR 的基本概念
美国能源部是这样定义 DR 的:电力用户在接收到电价的实时变化或在系统的可靠性 受到威胁时电力系统运营商发出的经济激励,从而做出的其固有的用电习惯的一定程度上 的变化。目前对DR的分类方式有多种,但被学术界广泛认可的分类方式是由美国能源部 于 2005 年提出的以用户参与响应的行为的不同进行分划分的分类方式,按此方式可将 DR 分为价格型DR和激励型DR两大类型[66]。每种DR类型还可以进一步细分,如图2-4所 示。
! 需求响应 |
H 岳極扁隶响血 顾赢因需隶响血
;;:; ESSWESl
图 2-4 DR 的分类
在价格型DR中,电网公司为减少调峰压力或为促进风电、光伏等可再生能源的并网 消纳等原因给出适当电价,用户在接收到价格信号后会结合对自身利益的考虑而自发调整 自身的用电需求。为了反映电力价格的变化对用户的行为特性的影响,电力消费者心理学 模型和需求价格弹性被广泛使用。价格型DR依赖于用户的主动性参与,用户内部的经济 决策过程和负荷的自主调整构成了价格型DR的响应行为。
2.3.2激励型DR的基本概念
激励型DR通常由电力系统中的调度部门与具有负荷调节能力的用户签订某种协议并 基于协议给予用户一定补偿来实现[67],激励型DR包括直接负荷控制、可中断负荷等形式。
在直接负荷控制模式中,电网公司与用户预先签订合约,并为其提供适当的经济费用 补偿,在系统净负荷(即将风电、光伏看作值为负的负荷)高峰期通过恰当的控制策略直 接对负荷进行调控,缓解系统峰值的供电压力,进而确保电力系统的安全可靠经济运行。 参与直接负荷控制模式的用户对供电质量要求一般,且大多具有一定的蓄热能力,例如电 热水器、中央空调等。
在可中断负荷模式中,当系统的净负荷出于高峰时,电网公司可借助先进的通信技术, 通过智能电表向用户发出中断请求,用户接收到中断请求后切除自身部分可中断负荷完成 响应。中断负荷的补偿费用在电网公司与用户预先签订的合约中是有明确约定的,而且,
- 15 -
如果用户没有按照合同中所约定的没参与响应,则需支付一定的违约费用。
2.3.3激励型DR的数学模型
本文假设只针对柔性负荷中的可转移负荷建立激励型 DR 的数学模型,不考虑可中断负 荷。则在不考虑DR时,系统某时段的负荷由该时段的刚性负荷和可时移负荷两部分组成, 用公式可表示为:
PL, t = PL0, t + PL1, t (2-14)
式中:为系统t时段的原始负荷;p®为系统t时段的刚性负荷;PL,,为系统t时段的 可转移负荷。
实施激励型DR后,系统运营商可对可时移负荷PL1,,的可时移特性加以利用。本文考 虑的激励型 DR 通过系统运营商与用户签订协议来实现,在需要的时候系统运营商可以调 整负荷中可时移负荷的工作时段,根据调整量的大小给予用户一定补偿。
考虑到调整负荷的工作时段会影响用户舒适度,系统运营商在与用户签订协议时,用 户须表明其某时段的可时移负荷允许被转移到哪些时段,这些时段用“可时移目的时段集 合”来表示。由此,实施激励型DR后系统t时段的可时移负荷% t可由式(2-15)-(2-16) 表示:
24 24
P1, t = P.1,t + w;工 P"-wT 工 p_1, t, t (2-15)
t'=1,#Ht t,=1,f^t
w:n + w;ut < 1 (2-16)
式中:和w;ut为二进制变量,当为1时表示有可时移负荷转入当前时段,w;ut为1时 表示该时段的可时移负荷有转出到其他时段,两者不能同时为1; P.1, t,,t为由t'时段转入/时 段的负荷大小,如果t不在t的可时移目的时段集合内,则PL,仆恒为0; Pl1, t, t为由t时段 转入t时段的负荷大小,如果t不在t的可时移目的时段集合内,则P.1, t, t恒为0。
2.4本章小结
本章对微电网中常配置的DG的输出功率特性及其数学描述进行了介绍,还对合作博 弈的基本概念、基于Shapley值理论的收益分配模型、激励型DR的基本概念等基本理论 知识做了介绍,并给出了激励型DR的数学模型,为后续章节基于合作博弈的并网型微电 网电源容量的优化配置方法和基于激励型 DR 的独立型微电网电源容量优化配置方法的提 出奠定了理论基础。
- 16-
第 3 章 基于合作博弈的并网型微电网电源容量优化配置
本章在第 2 章对微电网中各 DG 输出功率特性分析和合作博弈理论认识的基础上,提 出一种基于合作博弈的并网型微电网电源容量优化配置方法,用于解决并网型微电网建设 运营过程中,因微电网与配电网两运营商间利益分配不合理而导致微电网和配电网的规划 不协调问题。本章重点对并网型微电网中电源容量的优化配置问题对微电网运营商和配电 网运营商之间的合作博弈关系进行分析,构建合作博弈下的微电网电源容量优化配置模型, 包括联盟和非联盟两种模式,采用基于分层思想的求解思路对模型进行求解,并设计算例 来对本文模型的合理性和有效性进行验证。
3.1并网型微电网与配电网间的合作博弈关系分析
并网型微电网是一种既能以并网形式运行又能以离网形式运行的小型电力系统,其基
本结构如图 3-1 所示,主要由风电机组、光伏阵列、储能和负荷组成。
 
微电网
图 3-1 并网型微电网的基本结构图
当对微电网中各电源的容量进行决策时,微电网运营商和配电网运营商都希望能使自 身利益最大化。具体来说:微电网运营商希望通过对微电网中各电源的容量进行合理配置 后,其能在满足微电网内负荷的电力需求后,还能尽可能多的将富余电力售卖给配电网, 以此来降低自身的投资和运营成本;而配电网运营商追求的目标与微电网截然不同,对于 配电网运营商来说,合理配置微电网中各电源容量,能起到降低配电网网损和延缓配电网 投资的作用,因此配电网会以最大化地降低配电网网损和延缓配电网投资为目标来决策微 电网中各电源的容量。由此,根据第 2 章中提到的“博弈”的概念可以得出:微电网和配 电网间存在“博弈”关系。
下面对微电网和配电网间存在的“博弈”关系进一步分析。
除了本节第二段提到的微电网的合理规划能起到降低配电网网损和延缓配电网投资的
- 17-
作用外,微电网还能提高配电网的供电可靠性。这是因为微电网内具有独立的电源,在一 定情况下可以离网独立运行一定时间,而配电网一般需要从上级电网获取电力,因此当配 电网因故障停电时,微电网内仍能持续运行一段时间,而且当微电网内电力富余时还能向 配电网供电,从而提高了配电网的供电可靠性。反过来,提高微电网中新能源的消纳也离 不开配电网的支持。
通过进一步地分析可以看出,微电网和配电网间存在互利关系,可能存在“合作博弈” 关系,由第二章对合作博弈的介绍可知,合作博弈成立还需要进一步满足整体合理性和个 体合理性,这需要结合实例进一步证明,本文这里先假设微电网和配电网间存在“合作博 弈”关系,结合实例证明的部分在3.4节进行介绍。
根据合作博弈理论,本文将微电网运营商和配电网运营商组成合作联盟,形成一种“联 盟模式”,来对微电网中各电源容量进行决策。
3.2合作博弈下的并网型微电网电源容量优化配置模型
合作博弈下的并网型微电网电源容量优化配置模型包括联盟模式下的微电网电源容量 优化配置模型和非联盟模式下的微电网电源容量优化配置模型两部分。
3.2.1联盟模式下微电网电源容量优化配置模型的目标函数
微电网运营商和配电网运营商组成合作联盟后,以联盟年净收益最大为目标来对微电 网中各电源的配置容量进行决策。联盟年净收益为组成联盟的微电网运营商和配电网运营 商的年净收益之和。则目标函数可表示为:
max fco = maxC/m + fd) (3-1)
式中, fco 为联盟年净收益; fm 为微电网运营商的年净收益; fd 为配电网运营商的年净收 益。
两运营商各自的年净收益可表示为各自的年收益与成本等年值之差。
3.2.1.1 微电网运营商年净收益的计算
对于微电网运营商来说,其收益主要来源于售电收入,成本主要是各电源的投资及运
维成本、向配电网购电成本。因此,微电网运营商的年净收益可表示为:
 
式中,im为微电网年售电收益;Gw为微电网内电源的投资成本等年值;Com为微电网内 电源的年运维成本;Cb;y为微电网向配电网支付的年购电费用。四项分量的详细计算公式 如下:
(1)微电网年售电收益。售电收益包括向微网内负荷供电所得售电收益和卖给配电网 所得售电收益。则计算公式可表示为:
T
爲1 =工(C爲,tCd,t + Csd/d,t)
t=1
式中,Pokt为t时段微电网内的负荷功率;Psd,t为t时段微电网输送给配电网的功率;C爲,t
- 18 -
为t时段微电网内负荷的用电电价;Csd,t为t时段配电网向微电网的购电电价,即微电网的 上网电价; T 为仿真时长,单位为小时。
2)微电网内电源的投资成本等年值。
C厶NkRPcnv卫+沖
1W~ 合(1 + r )lk — 1
式中,当k取1时,代表风电机组;当k取2时,代表光伏阵列;当k取3时,代表储能; N为各类电源安装数量;Rk为各类电源更换次数;P;为各类电源的单机额定容量;cf为 各类电源单位容量的投资成本;r为贴现率;lk为各类电源的使用寿命。
(3)微电网内电源的年运维成本。
3
Com =Z NkPM (3-5)
k =1
式中,c;m为各类电源的单位容量运维成本。
(4)微电网向配电网支付的年购电费用。与独立型微电网不同,并网型微电网是可以 与配电网进行功率交换的。当微电网内电源输出功率不能满足微网内负荷需求时,或在配 电网的电价低谷期时,微电网可从配电网购电。年购电费用可表示为:
T
Cbuy Cbd,tPbd,t (3-6)
t =1
式中,P,d,t为t时段微电网向配电网购得的电力大小;cbd,t为t时段微电网向配电网购电的 电力价格。
3.2.1.2 配电网运营商年净收益的计算
对于配电网运营商来说,其收益主要包括售电收入、因微电网建设使配电网延缓升级
改造而节省的成本以及因微电网建设使配电网网损降低而节省的成本,其成本主要为购电 成本。因此,配电网运营商的年净收益可表示为:
fd = Isd1 + Ide1 + I1oss — CbUy (3-7)
式中,Istll为配电网年售电收益;Idel为建设微电网后延缓配电网升级改造而节省的成本; Iloss为建设微电网后使配电网网损降低而节省的成本;Cbuy为配电网购电成本。四项分量的 详细计算公式如下:
(1)配电网年售电收益。配电网售电收益包括向配电网内负荷供电所得售电收益和向 微电网售电所得年收益。向微电网售电所得年收益在数值上等于微电网向配电网支付的年 购电费用cbUy。则计算公式可表示为:
T
岛=工 Cl;d,P爲 +CbUy (3-8)
t=1
式中,poU为t时段配电网的负荷功率;cltad,t为t时段配电网内负荷的用电电价。
2)建设微电网后延缓配电网升级改造而节省的成本可表示为[46]:
 
 
工 Pd,t
a* (3-11)
工 Pdad,t
t=1
式中,Cex为平均每增长单位负荷需要花费的升级改造费用;2为通货膨胀率;沧为建设微 电网后延缓配电网升级改造的年数;a为建设微电网后配电网的负荷削减比;丁为配电网 负荷的年增长率。
(3)建设微电网后使配电网网损降低而节省的成本。这部分收益可以由建设微电网前
后的年总网损相差得到,用公式可表示为:
TT
Iloss =(工 P°ss0,厂工 P°ss,t)ci°ss (3-12)
t=1 t=1
式中,Poss0,t为建设微电网前/时段配电网的网损;Poss,t为建设微电网后/时段配电网的网 损;C10ss为单位网损成本。
(4)配电网购电成本。配电网所用电力来源于上级电网和微电网两部分,因此配电网 购电成本包括从上级电网购电的成本和从微电网购电的成本,而从微电网购电的成本在数 值上等于微电网卖电给配电网所得售电收益。由此,配电网购电成本可表示为:
T
Cbuy =工(CbtPbt,t + Csd,tPSd,t) (3-13)
t=1
式中,pbt,t为/时段由上级电网输送给配电网的电力大小;Cbt为配电网从上级电网购电的
价格。
3.2.2联盟模式下微电网电源容量优化配置模型的约束条件
( 1 )设备安装数量约束。
Nkmin < Nk < Nkmax (3-14)
式中:NT和NT分别为第k种类型电源安装数量的上限和下限。
(2)微电网功率平衡约束。
PWT,t+PPV,t+PEdSiSs,t+Pbd,t = Pl0mad,t +PEcShS,t +Psd,t (3-15)
式中:pWT,t为/时段风电机组的输出功率;PPV,t为/时段光伏阵列的输出功率;PEsS,t和PESS,t 分别为/时段储能的充电和放电功率。
(3)配电网功率平衡约束。
Pbt,t+Psd,t = Pl0dad,t +Pl0ss,t (3-16)
(4)在同一时间微电网不能既向配电网售电,又向配电网购电购电,而且微电网与配 电网功率交换不能超过联络线允许传输功率的上限,该约束可表示为:
U d,t + Usd,t < 1
<0 < 氐,< Ubd,tPmax
.0 < Pd,t < Usd,tPT
式中:Ubd,t和Usd,t均为二进制变量,Ubd,t为1时表示t时段微电网处于向配电网购电的状态,
- 20- 
Ud,t为1时表示t时段微电网处于向配电网售电的状态,两者不能同时为1; pmx为微电网 与配电网间传输功率的上限值。
(5) 潮流约束。计算配电网网损需要进行潮流计算,因此需要满足相关潮流约束:
‘ pj=工 pm -工 P - jj)+gy;M 三B
Qj =工Qjm -工(Qj - jj) + bV2,V/- e B
mwS ien
<.Vj2 =V 2 - 2(Pijrij +Q jx j)+I 2j (rij2 + x 2j),V jeE
I = ,V ij e E
式中:Pj、Qj和Vj分别为节点j的注入有功功率、注入无功功率和电压;B和E分别为配 电网的节点集合和支路集合;S和兀分别为首端节点为j的各支路的末端节点集合和末端 节点为j的各支路的首端节点集合;Pjm和Qjm分别为jm支路中流过的有功和无功;Pj、Qi 和I分别为ij支路中流过的有功、无功和电流;r和x分别为支路ij的电阻和电抗;gj和 bj 分别为节点 j 的对地电导和对地电纳。
(6) 储能充放电约束。在 2. 1 .4节中已对电化学储能的相关约束做了介绍,这里不在 赘述。
3.2.3非联盟模式下的微电网电源容量优化配置模型
由2.2.2节中基于Shapley值理论的收益分配模型可知,当求得联盟总收益后,还需要 基于联盟内各参与者对联盟收益的贡献值进行收益的分配,这就需要计算该联盟分别除去 各参与者后的收益值。由于本文中的联盟只有微电网运营商和配电网运营商这两个参与者, 所以计算该联盟分别除去各参与者后的收益值相当于计算微电网运营商和配电网运营商 各自独立规划运营的收益,本文将这种情况称作“非联盟模式”。
与联盟模式不同,在非联盟模式下,配电网运营商与微电网运营商双方之间的信息不 再共享,双方独立进行各自的规划和运营,也就不存在收益分配问题。此时,微电网与配 电网之间将不存在功率交换,双方运行互不影响。
对于微电网运营商来说,在非联盟模式下的Pd,t、Pbd,t恒为0,则非联盟模式下微电网 的目标函数和售电收益的计算公式分别由原来的公式(3-2)和公式(3-3)转变为如公式 (3-19)和公式(3-20)所示:
max fm = 1 Sm - Cmv - Com (3-19)
T
Ism=工 cmad,tPmd,t (3-20)
t=1
式中:fm为非联盟模式下微电网的总收益;I’m为非联盟模式下微电网的售电收益。 对于配电网运营商来说,因为非联盟模式下配电网与微电网之间不再存在功率交换, 所以微电网无法发挥其降低配电网网损和延缓配电网升级改造的作用,则配电网相关收益 计算公式由原来的公式(3-7)-(3-13)改为如公式(3-21)-(3-24)所示:
- 21-
 
(3-21)
(3-22)
(3-23)
(3-24)
式中:f'为非联盟模式下配电网的总收益;/爲为非联盟模式下配电网的售电收益;ClossO为 网损成本;CbUy为非联盟模式下配电网的购电成本。
3.3模型的求解
在 Matlab 环境中编程通过 Yalmip 语言调用 Cplex 求解器可以很方便的对线性规划和 二阶锥规划进行求解,而对于非线性规划,无法直接使用Cplex进行求解,往往需要先对 原始模型进行处理将其转化为线性规划或二阶锥规划。
在本文建立的数学模型中,有两处地方需要处理:
(1) 公式(3-9) -(3-11)中,因&与成Psdt线性关系,但/del与ldel成非线性关系,Idel 又与&成非线性关系,从而使得/del与变量Psd,t成非线性关系;
(2) 公式(3-18)所表示的潮流约束为非线性约束。
对于公式(3-18)所表示的潮流约束这一非线性约束,可以将其进行二阶锥松弛,从 而转化为可以使用 Cplex 求解的二阶锥规划,二阶锥松弛推导过程可参见文献[68];对于公 式(3-9)-(3-11),当&为一个常数时,在对潮流约束完成二阶锥松弛处理后,整个模型 是一个二阶锥规划,是可以使用 Cplex 进行求解的。
综上,采用一种基于分层思想的求解方法:将住的给定作为上层;在住给定后,整个 模型成为二阶锥规划时,将求解二阶锥规划的部分作为下层。上层采用遗传算法(GA)进 行求解,下层二阶锥规划采用Cplex进行求解。基于分层思想的求解流程图如图3-2所示:
 
3.4算例分析
3.4.1基础数据
以中国东北某地区一个实际的配电网和一个虚构的并网型微电网作为研究对象,应用 本章节提出的方法进行该地区并网型微电网电源容量的优化配置。其中,配电网的相关数 据和微电网的负荷水平参考于文献[34],该配电网的网络结构图如图 3-3 所示,各节点负荷 和各支路阻抗等参数如附录表1所示,配电网的额定电压为10kV,节点数为37个,其中 1号节点与上级电网相连,假设在33 号节点将微电网接入配电网。
图 3-3 配电网网络结构示意图
配电网各节点有功负荷的典型日曲线如图3-4 所示,微电网区域内负荷、风速和太阳 辐射强度的典型日曲线分别如图3-5 和图3-6 所示,需要说明的是,这里仅以典型日为例 进行计算并不影响本文方法在更长仿真时长情况下的应用。
 
图 3-4 配电网各节点有功负荷的典型日曲线
- 23 -
 
 
 
 
 
 
图 3-6 微电网内风速和太阳辐射强度的典型日曲线
本算例用到的风电机组和光伏阵列的相关参数如附录表 2 所示,储能设备选用磷酸铁
锂电池,最大充放电功率取其额定容量的 0.5,其他相关参数[69,70]如表 3-1 所示。
表 3-1 微电网配置的储能设备的经济技术参数
参数名称 参数值 参数名称 参数值
单位容量成本(万元/ kWh) 0.17 SOC 值下限 0.1
单位功率成本(万元/ kW) 0.15 SOC 值上限 0.9
年维护成本(元/kWh) 0.05 寿命(年) 10
充放电效率 0.95 自放电率(% /月) 2
其他参数设置如下:微电网和配电网运营商均以峰谷分时电价形式向负荷收取电费, 峰时段取 10:00-15:00、18:00-21:00,平时段取 7:00-10:00、15:00-18:00、21:00-23:00,谷时 段取23:00-7:00,峰时段电价取1.29元/kWh,平时段电价取0.77元,谷时电价取0.31元 /kWh[70];微电网上网电价取0.4元/kWh;微电网向配电网购电电价取0.4元/kWh;配电网 因负荷增长平均需要花费的升级改造费用取2600元/kW[34];网损成本取0.4元/kWh;通货 膨胀率取 4%;配电网负荷增长率取 5%。
3.4.2联盟模式与非联盟模式下的配置结果对比分析
经计算得到联盟模式下各电源的配置结果以及收益不发生转移时微电网和配电网运 营商收益情况如表 3-2 所示。“收益不发生转移”指在以联盟总收益最大为目标求得各电 源的配置结果后,再根据公式(3-2)和公式(3-7)分别求得微电网和配电网运营商收益, 但此时求得的收益并不是联盟内各参与者的最终收益,最终收益还需要根据联盟内各成员
- 24 -
 
对联盟的贡献值进行重新分配,在合作博弈中将收益重新分配前得到的收益称作“收益不 发生转移”时的收益。收益重新分配的计算则在 3.4.3 节进行介绍。
表 3-2 联盟模式下各电源的配置结果及收益不发生转移时联盟参与者收益情况
 
由表 3-2 可知,以联盟收益最大为目标得到的微电网电源容量的最优配置结果为:风 电机组13台,共1300kW;光伏阵列3829台,共3829kW;储能5944kWh。在此配置结 果下,联盟年总收益可达 1316.4 万元。当按收益不进行转移的方式进行收益结算时,配电 网运营商收益占联盟总收益的 98.4%,共 1295.9 万元,而微电网运营商收益仅占联盟总收 益的 1.6%,共 33.8 万元。由表 3-2 可以看出,微电网运营商主要成本为各电源的投资运维 成本,达 405.7 万元,占各项成本综合的 95.2%;配电网运营商主要收益为售电收益,占 各项收益总和的 91.4%。
表 3-2 给出了联盟模式下配电网的年网损减少收益为 1.5 万元,联盟模式下建设微电 网前后配电网各时段网损如图 3-7 所示,可以看出建设微电网后的配电网网损在 1 至 6 时
 
表 3-3 非联盟模式下各电源的配置结果及微电网和配电网收益情况
配置结果 微电网运营商各项 配电网运营商各项 两运营商年
收益或成本/万元 收益或成本/万元 总收益/万元
WT/台 PV/台 BESS/kWh © Cmv+Com f fd c c fd
I sell loss0 buy fdf 1283.5
17 1256 3461 354.6 234.6 120.0 2194.8 8.6 1022.7 1163.5
在配置结果方面,与联盟模式下相比,非联盟模式下微电网中风电机组的配置数量增
- 25 -
加了4台,光伏阵列的配置数量减少了2573台,总的新能源装机容量与联盟模式下相比 减少了 2173kW,储能配置容量也减少了 2483kWh。这主要是因为在非联盟模式下,微电 网和配电网各自独立进行规划和运营,双方不进行功率交换,微电网内新能源机组产生的 富余的电力无法再输送给配电网,所以当微电网运营商以自身利益最大为目标时新能源机 组和储能的配置容量会减少。
在运营商收益方面,对比联盟模式和非联盟模式下两运营商年总收益可以看出:联盟 模式下两运营商年总收益(即联盟的年总收益)要比非联盟模式下高 32.9 万元。这主要是 因为在联盟模式下,配电网和微电网双方的信息可以共享以及双方之间可以进行功率交换, 这样便可以使微电网的延缓配电网设备升级改造、减少配电网网损的作用充分发挥,对比 表 3-2 和表 3-3 可以看出,虽然,联盟模式下的微电网运营商收益要比非联盟模式下减少 86.2万元,但联盟模式下配电网运营商比非联盟模式下多出207.4万元的延缓配电网设备 升级改造收益和 1.5 万元的因网损减少所得收益,从而使联盟模式下的总收益更高。
对联盟模式下微电网运营商收益比非联盟模式下低的原因进行分析:联盟模式下是以 联盟总收益最大为目标来对微电网的各电源容量进行配置的,根据优化计算得到的配置结 果和各项收益可以看出,虽然微电网的能源投资和运维成本相比非联盟模式增加了 171.1 万元,但却给配电网带来207.4万元的延缓配电网设备升级改造收益,而且微电网售电收 益相比非联盟模式增加了 29.7%,从而使得联盟总收益比非联盟下两运营商收益之和要高, 即虽然牺牲了部分微电网运营的收益,但确提高了联盟的整体收益。
3.4.3基于 Shapley 值理论的收益分配结果
由 3.4.2 节已经知道,联盟模式下两运营商年总收益(即联盟的年总收益)要比非联 盟模式下高,即满足合作博弈的“整理合理性”要求。
但是,当按收益不转移方式结算联盟收益时,与非联盟模式相比,配电网收益有所上 升,微电网收益却有所下降,即不满足合作博弈的“个体合理性”,所以,如果按收益不 转移方式结算联盟收益的话,该联盟是不稳定的,微电网运营商是不会参与该联盟的。因 此,需重新考虑收益分配方式,使得微电网运营商和配电网运营商的收益都能比非联盟模 式下要高。
本文基于Shapley值理论对联盟内各成员的利益重新进行分配,有关该收益分配计算 模型的介绍详见2.2.2节。基于Shapley值理论的微电网运营商利益分配过程如表3-3所示。 表中, D 代表配电网; M 代表微电网。
表 3-3 基于 Shapley 值的微电网运营商的利益分配过程
Sj v(Sj)/万元 v(Sj \M) /万元 v(Sj) — v(Sj\M)/(万元) s」 w(sj)
{M} 120.0 0 120.0 1 0.5
{M,D} 1316.4 1163.5 152.9 2 0.5
将表 3-3 中各部分带入公式(2-12)和(2-13)计算,可得到联盟模式下利益重新分
 
- 26-
配后微电网运营商所得收益Xm=0.5X 120.0+0.5X 152.9=136.5万元,同理可得到利益重新 分配后配电网运营商所得收益Xd,由于本文联盟只有微电网和配电网运营商两个参与者, 因此Xd可以直接用联盟总收益减去Xm得到,即Xd=1316.4—136.5=1179.9万元。可以看出, Xm和Xd均分别比非联盟模式下的收益要高,即满足合作博弈的“个体合理性”要求,微 电网运营商和配电网运营商收益分别较非联盟模式提高了 13.8%和1.4%。
3.5本章小结
本章针对并网型微电网建设运营过程中,因微电网与配电网两运营商间利益分配不合 理而导致微电网和配电网规划不协调的问题,提出了一种基于合作博弈的并网型微电网电 源容量优化配置方法。首先,就并网型微电网中电源容量的优化配置问题对微电网运营商 和配电网运营商之间的合作博弈关系进行了分析;然后,构建了合作博弈下的微电网电源 容量优化配置模型,包括联盟和非联盟两种模式;最后,采用了基于分层思想的求解思路 对模型进行求解。算例结果表明,微电网运营商和配电网运营商达成合作联盟对微电网中 各电源的容量进行决策并制定合理的利益分配方式对联盟总收益进行分配,能使双方均收 益,有助于提高微电网的收益水平。
- 27-
第 4 章 考虑激励型需求响应的含热泵储能的独立型微电网容
量优化配置
在第 3 章中对并网型微电网电源容量的优化配置问题提出了一种新方法,而在本章则 主要对独立型微电网的电源容量的优化配置问题展开研究。
与并网型微电网不同,独立型微电网一般建在远离大陆的孤立海岛和很难并网或并网 经济性很差的偏远山区,不能像并网型微电网那样将大电网作为备用,因此如何在保证供 电可靠性的前提下进一步提高经济性是被关注的重点。
为此,本章提出一种考虑激励型 DR 与源荷不确定性的含 PHES 的独立型微电网电源 容量优化配置方法。首先,给出含 PHES 的独立型微电网基本结构图,基于该图阐述 PHES 的工作原理并建立 PHES 的简化数学模型;其次,基于鲁棒优化思想构建不确定场景集; 然后,建立考虑激励型 DR 的双层鲁棒优化配置模型,并采用内嵌混合整数线性规划的遗 传算法对模型求解;最后,通过算例分析来验证所提方法的有效性与合理性。
4.1含 PHES 的独立型微电网基本结构
 
b) PHES处于释能状态
电能 -机械能 ・常温低压WF
高温高压WF   常温高压WF …… 低温底压WF
 
图 4-1 含 PHES 的独立型微电网基本结构
本文所研究的独立型微电网由风电机组、光伏阵列、柴油发电机组、负荷和 PHES 系
- 28 - 
统组成。其中,风电机组和光伏阵列分别通过AC/AC和DC/AC变流器连接到交流母线上; 负荷考虑刚性负荷和可时移负荷两种类型。本文创建了含PHES的独立型微电网基本结构, 如图4-1所示,以方便描述PHES处于不同工作状态时的运行原理。
需要说明的是,为避免PHES接入交流母线对负荷、变流器和微电网产生影响,PHES 接入微电网需要满足电能质量等相关并网要求。
对于新能源大量接入含 PHES 的独立型微电网后可能出现的电压及频率波动、以及稳 定性问题,可以采用如下四项应对措施:第一,尽量做好新能源电源输出功率预测和负荷 预测的工作,做好含PHES的独立型微电网的控制策略,提前安排好PHES或柴油发电机 的启停;第二,利用柴油发电机的热备用容量来快速应对新能源电源输出功率的波动;第 三,利用激励型 DR 具有的快速响应能力来应对新能源电源输出功率的波动;第四,在最 不利情况下,通过切除部分非重要的负荷来保证系统稳定性。
4.2PHES 系统的基本运行原理和简化数学模型
PHES系统主要由蓄热装置、电热转换装置和工作流体(working fluid, WF)等部分 组成,其中,蓄热装置包括一个蓄热罐和一个蓄冷罐,在其内部装有储热介质(如砾石); 电热转换装置包括一组共轴的压缩机和膨胀机、一组换热器及一组电动机和发电机。需要 说明的是,PHES中的压缩机和膨胀机均为可逆装置[56],即既可作为压缩机工作,也可作 为膨胀机工作,取决于 PHES 工作状态;换热器用来保持储能状态时压缩机和膨胀机入口 温度恒定,当PHES处于释能状态时换热器不工作[71]; WF多选用热容比高的氩气以提高 系统整体效率。
PHES系统处于储能状态时的运行原理如图4-1 (a)右侧所示,储能循环过程如下[53]:
1) 风电光伏所产生的富余的电力驱动电动机做功进而带动压缩机工作,常温低压 WF 经过换热器换热后进入压缩机被压缩至高温高压状态;
2) 高温高压WF流过蓄热罐时将自身热量传递给蓄热罐中的储热介质后变为常温高 压状态;
3) 常温高压WF通过换热器换热后进入膨胀机被膨胀至低温低压状态;
4) 低温低压 WF 流过蓄冷罐将冷能传递给蓄冷罐中的介质后重新转为常温低压状态。 储能过程中压缩机所需能量主要由电动机提供,还有一部分来自于与压缩机共轴的膨
胀机[71]。
PHES系统处于释能状态时的运行原理如图4-1 (b)右侧所示,释能循环过程如下:
1) 常温低压WF通过蓄冷罐吸取冷能转变为低温低压状态;
2) 低温低压WF通过压缩机被压缩至常温高压状态;
3) 常温高压WF通过蓄热罐吸取热能转变为高温高压状态;
4) 高温高压WF进入膨胀机驱动膨胀机做功,进而带动发电机产生电能,自身转变 为常温低压状态,完成一个循环。
- 29-
 
释能过程中膨胀机产生的能量大部分用于带动发电机发电,其余用于维持压缩机运转。 本文采用“类比推理”方法,通过类比蓄电池储能的简化数学模型来给出PHES系统 的简化数学模型。之所以这样类比主要有两个原因:
第一,从外部看, PHES 系统同蓄电池一样,两者都属于“储能”装置;第二,在进 行规划的研究时,为了简化计算,需尽量减少计算涉及的变量个数,因此本文类比蓄电池 的简化数学模型,注重挖掘储能装置所共有的特性,进而给出PHES系统的简化数学模型, 而不考虑其内部的复杂工作过程。综上,给出的PHES系统简化数学模型如式(4-1)所示:
out min out out max
Ut ^PHES,t S ^PHES,t S Ut ^PHES,t
U': + U;ut < 1
式中:Ssoc,t为PHES系统t时段的荷电状态;&为PHES的能量自损失速率;和PHEs,t 分别为PHES系统的储能功率和释能功率;E为PHES系统的额定容量;"in和"out分别为 PHES系统处于储能状态和释能状态时的效率;At为相邻时段时间间隔,本文取1h; SSOC 和SSOC为PHES荷电状态的上限和下限;PPHEs , t和PmXs,t为PHES系统储能或释能功率的 上限和下限;U和U;ut为二进制变量,表示PHES的工作状态,U为1时表示PHES处 于储能状态,U;m为1时表示PHES处于释能状态,两者不能同时为1。
风电机组、光伏阵列和柴油机组的简化数学模型在第2.3节已做介绍,这里不再赘述。
4.3计及源荷不确定性的独立型微电网运行场景的构建
本文采用鲁棒优化的方法处理源荷不确定性,鲁棒优化的关键在于不确定集的构建。 风速、太阳辐射强度和负荷的大小可以用其预测值加上预测误差来表示,则不确定集可用 式( 4-2)表示。
u = {ui,t},i = 1,2,3; t = l,...,24
ui,t = ui,t + Xi,tAui,t - Aui,t
0 <耳t +込<1
式中:u为不确定变量集合;i取值为1,2,3,分别代表风速、太阳辐射强度和负荷这三种 不确定变量;为第i种不确定变量考虑不确定性后的t时段的值;兔t为不确定变量的预 测值;Au“为不确定变量的最大预测误差,可根据历史预测偏差值设定;和和&为二进制 变量,当和为1时,表示第i种不确定变量在t时段取到上限值,当&为1时,表示第i种 不确定变量在t时段取到下限值,当两者都为0时,则相应的不确定变量取预测值,两者 不能同时为 1。
考虑到对于独立型微电网,当风速和太阳辐射度取到下限值、负荷取到上限值时,微
- 30-
电网的配置和运行成本更高[72],更符合鲁棒优化的思想,因此式(4-2)可进一步改写为:
'u = {ui,t},i = 1,2,3; t =1,...,24
— % Aut ,t, J = 1,2
Ui t = y
[Ui,t + x,t Mt,j = 3 (4-3)
24
£%t"i, Vi
、t=1
式中:x,,t为二进制变量,为1时表示不确定变量取到上限值或下限值,为0时表示取预测 值;r,为引入的保守度系数,表示一天内不确定变量取上限值或下限值的个数,可设置为 0 至 24 的整数,取值越大,利用该不确定集得到的配置方案越保守。
4.4考虑激励型DR的独立型微电网双层优化配置模型
优化配置过程既涉及长时间尺度的规划问题,即风电机组、光伏阵列、柴油机组数量 和储能容量的确定,也涉及到设备配置确定后的短时间尺度的运行问题,即不同时刻的弃 风功率、弃光功率、柴油机组和储能的输出功率以及可时移负荷转移时段和转移功率的确 定。规划结果影响运行结果,运行结果反过来影响规划的确定,基于这种规划和运行属于 不同时间尺度而又相互影响的特点,结合数学双层规划理论,构建独立型微电网双层优化 配置模型,外层优化模型负责求解长时间尺度变量,内层优化模型负责求解短时间尺度变 量。
4.4.1外层优化模型
(1)目标函数
外层以满足独立型微电网建设和运行要求下运营商建设微电网的总成本等年值Ctotal最 低为目标。外层决策变量集合乂为各设备的安装数量或容量(对于风电机组和光伏阵列, 其单机容量一般是给定的,需要优化的变量为安装数量;对于PHES系统的蓄热装置和电 热转换装置,其安装数量为 1,需要优化的变量为安装容量)。外层目标函数如式(4-4)
所示:
min Ctotal = min(Crnv + Cope ) (4-4)
式中:Cnv为设备投资成本等年值;Cope为系统年运行成本,由442节内层优化得到。其 中,Cinv主要包括各设备的年平均投资成本和年维护成本,计算公式如式(4-5) -(4-7)
所示:
 
式中:k为独立型微电网中的设备类型,k取1至4时分别表示风电机组、光伏阵列、PHES 系统的蓄热/冷器和电热转换装置;CL为第k类设备的原单位初始投资成本,考虑到某些 设备的寿命低于系统运行年限,需要在运行时长达到寿命时长后进行更换,为了计算方便, 通过式(4-6)将各设备的单位初始投资成本折算为不再需要进行更换的等价单位初始投资 成本Cf,k ; Cm,k为设备单位数量或容量的年维护成本;ak为设备的安装数量或容量,a” g x ; K1和K2分别为在系统运行年限内不需要更换的设备集合和需要更换的设备集合;lk表示设 备需要在第lk年进行更换;Gk为设备更换年份的集合;R为等年值算子,用于将现值折算 到等年值,不考虑通货膨胀;r为贴现率;L为系统运行年限。
( 2)约束条件 由于区域内可以用于安装各类设备的建设面积有限,因此分布式电源和热泵储能系统 的可配置数量或容量应满足一定的约束,如式(4-8)所示:
0 < ak < ar (4-8)
式中:am"为第k类设备的最大安装数量或容量。
4.4.2内层优化模型
4.4.2.1 目标函数
当外层将x传递给内层后,内层以计及源荷不确定性的运行场景下的系统年运行成本 最低为目标进行优化。内层决策变量包括不确定变量集合“和运行变量集合J两部分,丁包 括各分布式电源输出功率、储能系统的储能和释能功率、可时移负荷的工作时段和大小。 则内层目标函数如式(4-9)所示,max层目的在于找出能使运行情况最恶劣(即目标函数 最大的)时的u, min层用于求取在已知x和u时能使目标函数最小的y o
min Cope = maX L^1”) (CD。+ CDR + CQ + CT )}=讐]勢氏)E(CDO, d + CDR, d + CQ, d + CT, d )j (4-9) 式中:Q(x,u)为y的可行域;Cdo为柴油机组全年油耗成本;Cdr为给予参加激励型DR的 用户的年补偿成本;CQ为年弃电成本;Ct为年电量不足惩罚成本;CDO,八CDR,八CQ, d和CT, d 分别为第d天的柴油机组油耗成本、给予参加激励型DR的用户补偿成本、弃电成本和电 量不足惩罚成本。
由于对全年 365 天同时进行优化计算时需优化的变量较多、计算量较大,因此,针对 风速、太阳辐射强度和负荷均具有季节性的特点,使用风速、太阳辐射强度和负荷的季节 典型日来代替该季节下各天的风速、太阳辐射强度和负荷数据,然后再基于 4.2节方法构 建每个季节段不确定变量的不确定集。由此,式(4-9)可改写为:
£[(C® + CDR, s + CQs + CT, s )ns ]} (4-10)
式中:S为一年中的典型日个数;s =1,2, S; ns为一年365天中被划分为第s个典型日 的天数;Cdo, s、Cdr, »、Cq,,和厲,分别为第s个典型日的柴油机组油耗成本、给予参加激励 型DR的用户补偿成本、弃电成本和电量不足惩罚成本。
- 32-
 
(1)DEG 油耗成本。
油耗成本可由公式(4-11)-( 4-12)计算得到:
24
Go, s = P乞 JFs, t A
t=1
F =|0 ‘ PD, s, t=0
s, K, s, t + bPT,PT < 厶,s, t < PT
式中:P为柴油价格;J为二进制变量,为1时表示第s个典型日t时段DEG处于工作状 态,为0时DEG处于停机状态;Fs,t为DEG的油耗量;Pd,s, t为DEG在t时段的功率; 和PDiax分别为DEG可允许的最小出力和额定出力;a和b分别为DEG功率-燃料曲线的斜 率和截距系数。
( 2)激励型 DR 成本。
不考虑DR时的第s个典型日t时段的负荷坨,s, t由该时段的刚性负荷P.0, s, t和可时移负 荷坨1, s, t两部分组成,如式(4-13)所示:
PL, s, t = *0, s, t + PL1, s, t (4-13)
实施激励型DR后,运营商可对可时移负荷坨1, s, t的可时移特性加以利用。本文考虑的 激励型DR通过独立型微电网运营商与用户签订协议来实现,在需要的时候独立型微电网 运营商可以调整负荷中可时移负荷的工作时段,根据调整量的大小给予用户一定补偿。 考虑到调整负荷的工作时段会影响用户舒适度,运营商在与用户签订协议时,用户须表明 其某时段的可时移负荷允许被转移到哪些时段,这些时段用“可时移目的时段集合”来表 示。由此,实施激励型DR后某时段的可时移负荷%, s, t可由式(4-14) - (4-15)表示:
24 24
P'1, s, t = PL1, s, t + wsnt £ PL1, s, f,t -吧 £ PL1, s,t, t
#=1,t‘Ht t'=1,#Ht
w:t + w;: < 1 (4-15)
式中:wsnt和w;:为二进制变量,当wsnt为1时表示有可时移负荷转入当前时段,w;:为1 时表示该时段的可时移负荷有转出到其他时段,两者不能同时为1;坨1,心为由t'时段转入 t时段的负荷大小,如果t不在t的可时移目的时段集合内,则% s,t,,t恒为0; 41, s,t, t,为由t 时段转入t'时段的负荷大小,如果t不在t的可时移目的时段集合内,则坨1, s,t, t,恒为0。
激励型DR成本主要为调整可时移负荷需要给予用户的补偿成本,由式(4-16)表示:
24 24
CDR, s =a£ £ E1, s,t, tAt
t=1 t'=1,t ‘Ht 式中:"为转移单位电量补偿给用户的费用。
( 3)弃电成本。 弃电成本由弃风成本和弃光成本两部分组成,如式(4-17)所示:
24
CQ, s = 0£ (nWT, s, tPWT0, s, t +nPV, s, tPFV0, s, t ) At t=1
式中:0为单位弃电量成本;g, s, t和nPv, s, t分别为t时段与系统断开的风机台数与光伏阵列 台数;Pwt0, s, t和P>V0, s, t分别为t时段单台风机和单台光伏阵列的可发电功率。
- 33-
 
(4)电量不足惩罚成本。 负荷供电不足时独立型微电网运营商应受到一定的惩罚,惩罚成本与缺电量成正比, 如式(4-18) -(4-21)所示:
(4-18)
式中,了为单位缺电量惩罚成本;PT, s, t为t时段的缺电功率;PL s, t为负荷参与需求响应后的 负荷值;PWT, s, t和PPv, s, t分别为风电功率和光伏功率;nwT和nPV分别为配置的风机台数和光 伏台数,由外层给出。
4.4.2.2 约束条件
(1)功率平衡约束。
(2)DEG发电量占比约束。由国家能源局有关规定,对于独立型微电网,DEG发电 量占比一般不应超过20%[73],如式(4-23)所示。
 
(3)弃电量约束。为了保证较高的可再生能源利用水平,弃电率2不能高于某一限值入o
 
(4)可靠性约束。为了保证系统的可靠性,系统的缺电率0不能高于某一限值二o
 
 
 
4.4.3模型求解
模型求解流程图如图4-2所示。外层优化模型使用带有精英保留策略的遗传算法进行 求解。
- 34-
 
 
 
图 4-2 独立型微电网双层优化配置模型求解流程图
当外层将配置结果传递给内层后,由于式(4-11)和(4-14)中存在变量的乘积,导 致内层优化模型为混合整数非线性规划模型而难以直接求解,因此需先采用Big-M法将两 式等价转换为线性形式。以式(4-11)为例,其线性化后如式(4-26)-(4-27)所示,需 要注意的是,Big-M法处理前后的模型完全是等价的,并不影响优化结果。线性化后再采 用Yalmip工具箱结合商用求解器Cplex在Matlab环境下编程实现高效求解。
24
CDo, s = P£ Fs, tAt (4-26)
t=1
y,M < F t RM
一 J, tM2 < PD, s, t <込,胚
<TD, s, t -Pm N _(1y,t)M3 (4-27)
厂(1 一 as,t )M4 < 耳,t - (aPD, s, t + bPm ) < (1 - Js,t )M4
式中:M1、M2、M3和M4为足够大的数,选定的值不宜过大,否则将导致搜索范围增大, 降低求解效率。
4.5算例分析
选取某地区一年的气象和负荷数据作为基础数据,应用本文提出的方法进行该地区独
- 35-
立型微电网电源容量的优化配置。所用风速和负荷的小时级数据为实际测量数据,太阳辐 射强度数据根据该地区月平均日总太阳辐射量结合 Homer 软件生成,全年风速、太阳辐射 强度和负荷随时间变化曲线见附录图 1, 年平均风速 7.80m/s, 日均太阳辐射量为 4.13kWh/m2,平均负荷为1.02MW,最大负荷为1.77MW,选取的不同季节段风速、太阳 辐射强度和负荷的典型日场景见附录图 2o
微电网配置的风电机组和光伏阵列的经济技术参数见附录表2,配置的柴油发电机组 的单机额定容量为1MW,单台价格50万元,单台年维护成本为0.2万元,寿命为10年; PHES的经济技术参数[21,57 ]见表4-1,其中的“蓄热/冷器单位容量投资成本(元/kWh)” 就是 PHES 的单位容量成本;各时段可时移负荷取该时段负荷的 10%[74];储能初始荷电状 态取 0.2,储能的最大充放电功率在数值上取储能配置容量的 20%;本文设各时段可时移 负荷的可时移目的时段集合为各时段的前后两个时段。系统运行年限等其他参数设置 [26,27,59]见表 4-2o
表 4-1 不同储能系统的经济技术参数
储能类型
PHES
 
表 4-2 其他参数设置
参数名称 参数取值
系统运行年限/年 20
柴油价格(元/升) 6.13
DEG 的功率-燃料曲线的斜率 0.084
DEG 的功率-燃料曲线的截距 0.246
转移单位的电量补偿成本(元/kWh) 0.32
单位弃电量成本(元/kWh) 0.6
单位量缺电惩罚成本(元/kWh) 1.3
弃电率上限/% 10
缺电率上限/% 0.3
贴现率/% 5
 
- 36-
4.5.1方案设置
为充分分析使用 PHES 系统作为系统储能方案相比电池储能的经济优势,以及考虑源 荷不确定性和激励型DR共同作用对配置结果的影响,本文设置了以下6种方案进行对比 分析。
方案 1:选择目前电池储能中应用最广的锂离子电池[75]作为系统储能方案进行优化配 置,其具体经济和技术参数[69,70]见表4-1, 不考虑源荷不确定性(即保守度系数取 r1 = r2 = r3 = 0 )和激励型 DR;
方案 2:选择铅炭电池作为系统储能方案进行优化配置,不考虑源荷不确定性和激励 型 DR;
方案3:选择PHES作为系统储能方案进行优化配置,不考虑源荷不确定性和激励型
DR;
方案 4:方案 4 是根据方案 3 得到的配置结果在源荷不确定性场景下的一个应用,只 不过为了后边对比说明的方便,才将这种应用情况记作方案4。需指出,不考虑不确定性 的定量分析方法是在风速、太阳辐射强度和负荷的典型日数据曲线基础上展开计算的;考 虑不确定性的定量分析方法则是在风速、太阳辐射强度和负荷的典型日数据曲线分别允许 上下波动不超过某个既定系数的基础上展开计算的。其中,不确定参数设置:保守度系数 取厂1 =r2 =r3 = 6 ,风速、太阳辐射强度和负荷的最大预测误差均取10%;
方案 5:选择 PHES 作为系统储能方案,计算考虑源荷不确定性时配置结果,不确定 性参数设置同方案4;
方案 6:选择 PHES 作为系统储能方案,在考虑源荷不确定性的基础上进一步考虑激 励型DR,即本文所提方法,不确定参数设置同方案4。
经计算得到各方案下的优化配置结果如表4-3所示,表中的WT、PV和DEG分别表 示风电机组、光伏阵列和柴油发电机组,需要注意的是,表4-3中所列的Cmv和Ctotal都是 各方案的等年值,而不是净现值。
表 4-3 不同方案的优化配置结果对比
方案 WT PV DEG 储能 CDo CDR CQ CT DEG 发电量 弃电率 缺电率 Cinv Cope Ctotal
/台 /台 /台 /kWh /万元 /万元 /万元 /万元 占比/% /% /% /万元 /万元 /万元
1 25 1948 1 5030 331.5 47.82 1.07 15.96 9.02 0.09 450.6 380.4 831.0
1* 23 2181 1 4554 327.6 51.11 2.29 17.02 9.68 0.19 396.6 380.9 777.5
2 26 1815 1 6623 311.43 43.86 2.03 15.71 8.27 0.17 407.0 357.3 764.3
3 25 2310 1 6024 267.2 45.47 2.38 14.06 8.02 0.19 386.6 315.1 701.7
4 25 2310 1 6024 359.9 27.01 1.94 17.62 5.02 0.15 386.6 388.9 775.5
5 27 2143 1 7121 333.2 26.17 1.75 16.03 4.79 0.14 395.5 361.1 756.6
6 26 2310 1 6584 303.7 3.12 26.15 1.43 15.56 4.75 0.11 397.2 334.4 731.6
下面从不同方面对配置结果进行分析。
4.5.2不同储能方案下的配置结果分析
锂离子电池储能方案和 PHES 储能方案下的配置结果分别对应表 4-3 中的方案 1 与方 案3,对比发现:虽然采用PHES时需配置的储能容量要比采用锂离子电池储能高出994kWh, 但PHES储能方案仍比锂离子电池储能方案总成本减少129.3万元。这是因为:虽然PHES 的循环效率比锂离子电池储能低 20%,但由于 PHES 使用成本较低的砾石作为储热介质, 因此其单位容量成本远低于锂离子电池储能,而且 PHES 寿命也长于锂离子电池储能,从 而降低了设备更换成本。
为分析当PHES以及锂离子电池寿命一致,即均不需要更换的情况下,PHES是否仍 然更具经济性,现将锂离子电池寿命延长至 20 年,重新进行仿真,将该方案记作方案 1*, 方案 1*的配置结果见表 4-3,可以看出将锂离子电池寿命延长到 20 年后,使用锂离子电池 储能方案的成本有所降低,但与PHES相比,仍然是使用PHES的方案更具经济性。
铅炭电池融合了铅酸电池和超级电容器的特性,因其成本较低,所以被广泛使用。铅 炭电池储能方案下的配置结果对应表4-3中的方案2o可以发现:由于铅炭电池单位容量 成本比锂离子电池低的优势,方案 2 的总成本比方案 1 减少 66.7 万元,但仍比使用 PHES 作为储能方案的方案3高63.6万元。
4.5.3源荷不确定性对配置结果的影响分析
对比方案 3 和方案 4 可知:同样的配置结果,方案 4 的系统年运行成本增加 73.8 万元, DEG发电量占比上升3.56%o这是因为:在不考虑不确定性时得到的配置方案不能很好地 应对源荷不确定性给系统运行带来的恶劣影响(风光出力减小,负荷增大),为了满足系 统缺电率和弃电率的要求必须增加柴油机组的使用,结果导致了系统运行成本大幅增加。
以春秋典型日为例,两种方案在该典型日时的运行情况分别如图 4-3 和图 4-4 所示, 可以发现:在该典型日下,当不考虑不确定性时,无需启用柴油机组就足以满足运行条件 (对应图 4-3),而加入不确定性后,仅凭储能已无法满足需要,需要启用柴油机组(对 应图4-4),从而增加了成本。
 
图 4-3 方案 3 和方案 4 下春季典型日时的运行情况分析
- 38-
 
 
 
图 4-4 方案 4 下春季典型日时的运行情况分析
方案 5 是在规划时就将源荷不确定性考虑在内,与方案 4 相比可以发现,虽然方案 5 的投资成本等年值增加 8.9 万元,但系统年运行成本却降低了 27.8 万元(降低了 7.2%), 总成本降低 18.9 万元,而且 DEG 发电量占比、弃电率和缺电率均有所下降。方案 5 下春 秋典型日时的运行情况如图 4-5 所示,可以不启用柴油机组也能,满足运行需要。
 
综上可知,虽然考虑源荷不确定性的配置结果使投资成本增加,但其能更好的应对未 来可能出现的不确定性运行场景,从长远来看,经济性要优于不考虑不确定性的方案。
4・5・4激励型DR对配置结果的影响分析
方案6在方案5的基础上在配置模型中引入了激励型DR,相比于方案5可以发现: 配置方面,风电和光伏总容量增加了 67kW,提高了新能源装机占比,同时所需储能容量 降低了 537kWh;运行方面,DEG发电量占比、弃电率和缺电率都有所降低,运行成本降 低26.7万元;总成本上降低25.0万元。这是因为:实施激励型DR后,系统运营商可通过 调整可时移负荷的工作时段来优化负荷曲线,从而减轻柴油机组和蓄电池的工作压力。以 激励型DR发挥作用明显的冬季典型日为例,两种方案下该典型日时的运行情况分别如图
- 39 -
4-6 和图 4-7 所示,对比可以发现:通过调整可时移负荷的工作时段,使得在配置模型中引 入激励型 DR 后得到的配置结果(方案 6)比不考虑激励型 DR 得到的配置结果(方案 5) 在冬季典型日下启用柴油机组的时段个数少 1 个,从而减少了系统运行成本。另外,由图
4-7 可以看出,考虑了激励 DR 作用后的负荷曲线相比不考虑激励型 DR 并没有大幅度的波 动,说明施行激励型 DR 对负荷舒适度的影响不大,这正是因为激励型 DR 具有响应速度 快、比价格型 DR 受不确定性因素影响小的特点,从而能根据系统运行需要快速、精准地 作出响应。
综上说明,如果独立型微电网运营商考虑在系统建成后施行激励型DR,那么在规划 时考虑激励型 DR 的影响可以得到更为优化的配置方案。
 
4.6本章小结
本章提出了一种考虑激励型DR与源荷不确定性的含PHES的独立型微电网电源容量优 化配置方法。首先,给出了含PHES的独立型微电网基本结构图,阐述了PHES的工作原理 并建立了PHES的简化数学模型;其次,基于鲁棒优化思想构建了不确定场景集;然后,建
- 40- 立了考虑激励型需求响应的双层鲁棒优化配置模型;最后,采用内嵌混合整数线性规划的 遗传算法对模型进行了求解。算例结果表明,将PHES这一储能成本低、不受地理条件限制 的新型储能替代成本较高的电池储能作为系统储能方案能够进一步提高经济性;考虑源荷 不确定性与需求响应两者共同作用对配置结果的影响,能够完善独立型微电网优化配置模 型,使计算得到配置结果更为合理。
- 41-
结论
微电网电源容量的配置问题是微电网设计的重要内容之一,是实现和满足微电网安全 稳定经济运行的基础。为此,本文分别针对独立型和并网型这两种类型的微电网对其电源 容量的优化配置进行了研究,得到了如下创新性的研究成果:
(1)本文提出了一种基于合作博弈的并网型微电网电源容量优化配置方法,剖析了 微电网运营商和配电网运营商就并网型微电网中电源容量的优化配置问题而存在的合作 博弈关系,建立了合作博弈下以联盟总收益最大为目标的并网型微电网电源容量优化配置 模型,通过算例仿真证明了采用本文所提出的方法,使微电网运营商和配电网运营商达成 合作联盟对并网型微电网中各电源的容量进行决策,并制定基于Shapley值理论的利益分 配方式对联盟总收益进行分配,使得微电网和配电网运营商收益分别较非联盟模式下提升 了 13.8%和 1.4%,能进一步提高微电网投资者的积极性,促进微电网的发展;
(2)本文提出了一种考虑激励型DR的独立型微电网电源容量优化配置方法,使用了 PHES 这一新型储能技术代替电池储能作为独立型微电网系统的储能方案,阐述了 PHES 的工作原理,建立了 PHES 的简化数学模型,与使用电池储能相比,采用本文方法可以降 低独立型微电网建设和运行成本,从而为进一步降低独立型微电网建设成本提供了一种新 的思路;在本文提出的独立型微电网电源容量优化配置方法中计入了 DR与源荷不确定性 两者共同作用对配置结果的影响,基于鲁棒优化思想构建了源荷不确定场景集,进一步完 善了独立型微电网电源容量的优化配置模型,使采用本文方法计算得到的配置结果能更好 地应对不确定性的影响,配置结果更为合理。
因本人的时间、精力有限,所以对本课题的研究还不够完善,存在一些局限性:本文 在进行微电网电源容量的优化配置时选取了典型日来进行仿真,虽然这样减少了计算量, 加快了计算速度,但是典型日不能涵盖历史数据的所有信息,因此后续可以对如何在充分 利用历史数据信息的情况下尽可能提高计算速度展开进一步的研究。
- 42-
参考文献
[1]bp 集团.bp 世界能源统计年鉴 2020 版[EB/OL]. (2020-06-17) [2022-03-28]. https:
〃www.bp.com/zh_cn/china/home/news/press-releases/news-06-17.html
[2]康重庆,姚良忠.高比例可再生能源电力系统的关键科学问题与理论研究框架[J].电 力系统自动化, 2017, 41 (9): 8-17.
[3]鲁宗相,王彩霞,闵勇,等.微电网研究综述[J].电力系统自动化,2007, 31(19): 100-107.
[4]杨新法,苏剑,吕志鹏,等.微电网技术综述[J].中国电机工程学报,2014, 34(1): 57-70.
[5]马艺玮,杨苹,王月武,等.微电网典型特征及关键技术[J].电力系统自动化,2015, 39(8): 168-175.
[6]卢强,陈来军,梅生伟•博弈论在电力系统中典型应用及若干展望[J].中国电机工程 学报, 2014, 34(29): 5009-5017.
[7]Palensky P, Dietrich D. Demand Side Management: Demand Response, Intelligent Energy Systems, and Smart Loads [J]. IEEE Transactions on Industrial Informatics, 2011, 7(3): 381-388.
[8]刘娇扬,郭力,杨书强,等.配电网中多光储微网系统的优化配置方法[J].电网技术, 2018, 42(9): 2806-2815.
[9]李亮,唐巍,白牧可,等.考虑时序特性的多目标分布式电源选址定容规划J].电力 系统自动化, 2013, 37(3): 58-63+128.
[10]门向阳,王之龙,于东立,等•考虑跨季节储气的微网多能存储系统优化配置研究[J].电 测与仪表, 2019, 56(18): 79-85.
[11]WangCS, JiaoB, GuoL, etal. Optimal Planning of Stand-alone Microgrids Incorporating Reliability[J]. Journal of Modern Power Systems and Clean Energy, 2014, 2(3): 195-205.
[12]Poncelet K, Hschle H, Delarue E, et al. Selecting Representative Days for Capturing the Implications of Integrating Intermittent Renewables in Generation Expansion Planning Problems[J]. IEEE Transactions on Power Systems, 2017, 32(3): 1936-1948.
[13]郭力,杨书强,刘一欣,等.风光储微电网容量规划中的典型日选取方法[J].中国电 机工程学报, 2020, 40(8): 2468-2479.
[14]李奇,赵淑丹,蒲雨辰,等.考虑电氢耦合的混合储能微电网容量配置优化[J].电工 技术学报, 2021, 36(3): 486-495.
[15]王兆宇,艾芊.智能配电网中微电网的多目标优化配置J].电网技术,2012, 36(8): 199-203.
- 43-
[16]Sheng W X, Liu K Y, Meng X L, et al.Research and Practice on Typical Modes and Optimal Allocation Method for PV-Wind-ES in Microgrid [J] . Electric Power Systems Research, 2015, 120(3):242-255.
[17]汪湘晋,赵波,吴红斌,等.并网型交直流混合微电网优化配置分析J].电力系统自 动化, 2016(13):55-62.
[18]赵波,汪湘晋,张雪松,等.考虑需求侧响应及不确定性的微电网双层优化配置方法 [J]・电工技术学报,2018, 33(14): 3284-3295.
[19]Bao Z , Zhou Q, Wu L , et al .Optimal Capacity Planning of MG with Multi-Energy Coordinated Scheduling under Uncertainties Considered [J]. IET Generation Transmission & Distribution, 2017, 11(17): 4146-4157.
[20]杨冬锋,姜超,蔡国伟,等.考虑电热耦合的交直流微电网多目标优化配置J].电力 系统自动化, 2020, 44(8): 124-132.
[21]Kiptoo M K, Adewuyi O B, Lotfy M E, et al. Multi-Objective Optimal Capacity Planning for 100% Renewable Energy-Based Microgrid Incorporating Cost of Demand-Side Flexibility Management [J]. Applied Sciences, 2019, 9(18): 1-23.
[22]Ramli M, Bouchekara H, Alghamdi A . Optimal Sizing of PV/wind/diesel Hybrid Microgrid System Using Multi-objective Self-adaptive Differential Evolution Algorithm [J]. Renewable Energy, 2018, 121(6): 400-411.
[23]Amrollahi M H, Bathaee S. Techno-economic Optimization of Hybrid Photovoltaic/wind Generation Together with Energy Storage System in a Stand-alone Micro-grid Subjected to Demand Response[J]. Applied Energy, 2017, 202, 66-77.
[24]吕宇桦,杨苹,陈锦涛,等.多元化绿色交易体系下直流微电网优化配置方法[J].电 网技术, 2021, 45(3): 997-1005.
[25]刘柏良,黄学良,李军.计及可时移负荷的海岛微网电源优化配置[J].中国电机工程 学报, 2014, 34(25): 4250-4258.
[26]刘思夷,赵波,汪湘晋,等.基于 Benders 分解的独立型微电网鲁棒优化容量配置模 型[J].电力系统自动化,2017, 41(21): 119-126+146.
[27]邵志芳,赵强,张玉琼.独立型微电网源荷协调配置优化[J].电网技术,2021, 45(10): 3935-3946.
[28]国家发展改革委,国家能源局.关于印发《推进并网型微电网建设试行办法》的通知
[EB/OL]. (2017-07-17) [ 2022-03-28 ] . http://www.ndrc.gov.cn/zcfb/zcfbtz/201707/t2
0170724_855213.html.
[29]梅生伟,王莹莹,刘锋.风/光/储混合电力系统的博弈论规划模型与分析[J].电力系 统自动化, 2011, 35(20): 13-19.
[30]王莹莹,梅生伟,刘锋.混合电力系统合作博弈规划的分配策略研究[J].系统科学与
- 44-
数学, 2012, 32(4): 418-428.
[31]Boloukat M , Foroud A A. Multiperiod Planning of Distribution Networks Under Competitive Electricity Market With Penetration of Several Microgrids , Part I: Modeling and Solution Methodology[J]. IEEE Transactions on Industrial Informatics, 2018, 14(11), 4884-4894.
[32]BoloukatM, ForoudA. Multiperiod Planning of Distribution Networks under Competitive Electricity Market with Penetration of several Microgrids Part II : Case Study and Numerical Analysis[J] . IEEE Transactions on Industrial Informatics, 2018, 15(4): 2023-2031.
[33]符杨,邢馨月,李振坤,等.基于主从博弈的微电网群多阶段鲁棒优化规划J]•电力自 动化设备, 2018, 38(7): 55-62.
[34]黄南天,包佳瑞琦,蔡国伟,等.多主体联合投资微电网源-储多策略有限理性决策演 化博弈容量规划[J].中国电机工程学报,2020, 40(4): 1212-1225+1412.
[35]黄弦超.计及可控负荷的独立微网分布式电源容量优化[J].中国电机工程学报,2018, 38(7): 1962-1970+2211.
[36]薛美东,赵波,张雪松,等.并网型微网的优化配置与评估[J].电力系统自动化,2015, 39(3): 6-13.
[37]白凯峰,顾洁,彭虹桥,等•融合风光出力场景生成的多能互补微网系统优化配置[J].电 力系统自动化, 2018, 42(15): 133-141.
[38]李康平,张展耀,王飞,等.基于 GAN 场景模拟与条件风险价值的独立型微网容量 随机优化配置模型[J].电网技术,2019, 43(5): 1717-1725.
[39]孙玲玲,贾清泉,张弓,等.考虑运营交易的微电网优化配置方法J].中国电机工程 学报, 2020, 40(7): 2221-2233.
[40]Li S , Kang Z T . Capacity Optimization of Clean Renewable Energy in Power Grid Considering Low Temperature Environment Constraint [J]. IEEEAccess, 2022, 10: 2740-2752.
[41]WuT, ShiX, LiaoL, etal. A Capacity Configuration Control Strategy to Alleviate Power Fluctuation of Hybrid Energy Storage System Based on Improved Particle Swarm Optimization [J]. Energies, 2019, 12(4): 1-10.
[42]Nagapurkar P, Smith J D. Techno-economic Optimization and Environmental Life Cycle Assessment (LCA) of Microgrids Located in the US Using Genetic Algorithm [J]. Energy Conversion and Management, 2019, 181: 272-291.
[43]Zhao B, Zhang X, Li P, et al. Optimal Sizing, Operating Strategy and Operational Experience of a Stand-alone Microgrid on Dongfushan Island [J]. Applied Energy, 2014, 113: 1656-1666.
- 45-
[44]Bukar A L , Tan C W , Lau K Y . Optimal Sizing of an Autonomous Photovoltaic/wind/battery/diesel Generator Microgrid Using Grasshopper Optimization Algorithm [J].Solar Energy, 2019, 188: 685-696.
[45]孙彩,李奇,邱宜彬,等.余电上网/制氢方式下微电网系统全生命周期经济性评估[J]. 电网技术, 2021, 45(12): 4650-4660.
[46]陈健,刘玉田,张文,等.基于博弈论的配电网中多级微电网优化配置分析[J].电力 系统自动化, 2016, 40(1): 45-52.
[47]刘文霞,凌云頔,赵天阳.低碳经济下基于合作博弈的风电容量规划方法[J].电力系 统自动化, 2015, 39(19): 68-74.
[48]程中林,江全元,葛延峰.基于合作博弈的相变储热容量优化配置及利益分配[J].电 网技术, 2017, 41(9): 2870-2878.
[49]张锴,郭小璇,韩帅,等.基于电转气反应热应用和合作博弈的电转气装置容量规划 [J].电网技术,2021, 45(7): 2801-2811.
[50]Zidan A, Gabbar H A, Eldessouky A.Optimal planning of combined heat and power systems within microgrids[J].Energy, 2015, 93: 235-244.
[51]MAT, YANG H, LUL, et al.Technical feasibility study on a standalone hybrid solar-wind system with pumped hydro storage for a remote island in Hong Kong[J].Renewable Energy, 2014, 69: 7-15 .
[52]荆朝霞,胡荣兴,袁灼新,等.含风/光/抽水蓄能并计及负荷响应的海岛微网优化配 置[J].电力系统自动化,2017, 41(1): 65-72+116.
[53]张琼,王亮,徐玉杰,等.热泵储电技术研究进展[J].中国电机工程学报,2018, 38(1): 178-185.
[54]杨鹤,杜小泽.布雷顿循环热泵储能的性能分析与多目标优化[J].中国电机工程学报, 2022, 42(1): 196-211.
[55]梅生伟,李瑞,陈来军,等.先进绝热压缩空气储能技术研究进展及展望[J].中国电 机工程学报, 2018, 38(10): 2893-2907+3140.
[56]MctigueJD, White A J , Markides C N.Parametric Studies and Optimisation of Pumped Thermal Electricity Storage[J].Applied Energy, 2014, 137: 800-811.
[57]Kiptoo M K, Lotfy M E, Adewuyi O B, et al.Integrated Approach for Optimal Techno-economic Planning for High Renewable Energy-based Isolated Microgrid Considering Cost of Energy Storage and Demand Response Strategies[J] . Energy Conversion and Management, 2020, 215: 1-16.
[58]孙可,张全明,王蕾,等.考虑安全裕度的微电网两阶段鲁棒规划[J].电网技术,2020, 44(12): 4617-4626.
[59]张有兵,任帅杰,杨晓东,等.考虑价格型需求响应的独立型微电网优化配置[J].电
- 46-
力自动化设备, 2017, 37(7): 55-62.
[60]易文飞,张艺伟,曾博,等.多形态激励型需求侧响应协同平衡可再生能源波动的鲁 棒优化配置[J].电工技术学报,2018, 33(23): 5541-5554.
[61]Gavanidous E S, BakirtzisAG. Design of a Stand Alone System with Renewable Energy Sources Using Trade off Methods [J]. IEEE Transactions on Energy Conversion , 1992, 7(1): 42-48.
[62]HannanMA, Wali SB, KerPJ, etal. Battery Energy-storage System : A Review of Technologies , Optimization Objectives , Constraints , Approaches , and Outstanding Issues[J]. Journal of Energy Storage, 2021, 42, 1-12.
[63]Fudenberg D, Tirole J. Game Theory[J]. Economica, 1992, 60(238): 841-846.
[64]王晗钰.基于博弈论的风电清洁供暖商业模式研究[D].北京:华北电力大学,2021.
[65]Myerson R B . Game Theory: Analysis of Conflict[M]. Harvard University Press, 1997.
[66]田世明,王蓓蓓,张晶.智能电网条件下的需求响应关键技术J].中国电机工程学报, 2014, 34(22): 3576-3589.
[67]Zhong H, Xie L, Xia Q. Coupon Incentive-Based Demand Response: Theory and Case Study [J]. IEEE Transactions on Power Systems , 2013, 28(2): 1266-1276.
[68]Baran M E, Wu F F. Network Reconfiguration in Distribution Systems for Loss Reduction and Load Balancing [J]. IEEE Trans Power Delivery, 1989, 4(2): 1401-1407.
[69]李建林,马会萌,田春光,等.基于区间层次分析法的电化学储能选型方案[J].高电 压技术, 2016, 42(9): 2707-2714.
[70]赵政嘉,滕振,王志光,等.考虑工程设备差异性的微能源网设备综合优化配置[J].电 力系统自动化, 2021, 45(23): 84-93.
[71]殷子彦.一种基于熔盐/储冷介质的热泵热机式储能系统物理设计[D].上海:中国科 学院大学(中国科学院上海应用物理研究所), 2019.
[72]刘一欣,郭力,王成山.微电网两阶段鲁棒优化经济调度方法[J].中国电机工程学报, 2018, 38(14): 4013-4022.
[73]国家能源局. 国家能源局关于推进新能源微电网示范项目建设的指导意见 [EB/OL].( 2015-7-13) [2022-03-28] . http://zfxxgk.nea.gov.cn/auto87/201507/ t20150722_1949.htm.
[74]赵波,包侃侃,徐志成,等.考虑需求侧响应的光储并网型微电网优化配置[J].中国 电机工程学报, 2015, 35(21): 5465-5474.
[75]孙玉树,杨敏,师长立,等.储能的应用现状和发展趋势分析[J].高电压技术,2020, 46(1): 80-89.
【本文地址:https://www.xueshulunwenwang.com//shuoshilunwenzhuanti/dianlixitongjiqizidonghua/5275.html

上一篇:基于 CatBoost 的电力物联网运行风险预测方法 研究

下一篇:基于风功率区间预测的智能功率分配策略研究

相关标签: