(3) Demand response can smooth load curve and improve wind power accommodation, and the effect is more obvious with ESS in optimum economic efficient mode. The MG coordinated strategy proposed in this paper can provide decision-makers with reliable decision-making tools.

大规模集中发电、输电和大型电网互联为我国电能生产、输配的主要方式,可以有效控制电能传输损耗、提高能源利用效率,但其应对突发性灾害、故障和人为失误等适应能力较差[1]。微电网(micro- grid,MG)为多分布式电源(distributed generation,DG)、负荷、控制装置以及储能系统等按照一定的拓扑结构组成的网络,通过静态开关连接至常规电网,可以完成自我控制、保护和管理[2],为解决清洁能源并网问题提供了可靠的解决途径[3]。开展关于微电网能量协调控制的研究对促进清洁能源的优化利用有着重要的理论意义和实践价值。

微电网能量协调控制包含2种情景,即多分布式电源互相合作与分布式电源独立运行情景[4]。在多分布式电源互相合作的情景中,以系统为整体设置单目标或多目标,建立微电网调度优化模型。文献[5]研究了成本最小化目标下,提出一种考虑可转移负荷效率的风/光/柴/蓄微网能量控制优化策略。文献[6]对光储微电网经济调度的不同控制策略进行了建模与对比分析。文献[7]提出了含电动汽车调度的微电网混合储能容量优化配置策略。文献[8]建立考虑综合约束条件下含电动汽车有序充电的交直流混合微电网多目标规划模型。文献[9]从用户侧微电网能量管理需求与应用特点出发,论述了不同算法在求解微电网能量管理中的应用。在该情景中,微电网各部各组件一般属于相同的利益方,彼此不存在竞争,现有相关优化策略与算法可以实现微电网整体最优化运行。

但实际中微电网中的多分布式电源往往属于不同的主体,各分布式电源具有其自身的运营目标,而其最优化运行策略与微电网整体最优化运行策略难以匹配。该情景中微电网难以进行整体优化和集中控制[10]。针对该问题,现有文献中引入多代理系统(multi-agent system,MAS),并设置中央代理(Agent)以完成系统的决策和控制,实现与各个分布电源代理之间的交互和协同。但若中央代理发生故障,将威胁到整个微电网的安全运行[11]。文献[12]构建了中央控制层与电源/负荷层的微电网多目标两层控制优化模型。文献[13]设计以微电网中央控制器为核心的多微电网分层协调控制系统。分散式控制结构优先进行局部优化,再由局部控制器经信息网络进行交流与优化[2],解决了集中式控制结构的不足,但存在局部控制器间交流需求、达成协议时间增长和较大设备投资等问题。

针对现有研究成果的不足,本文将多代理系统引入多微电网和分布式电源能量协同控制问题中,制定基于混合式控制结构下的微电网分布式的MAS控制策略。微电网及其内部的各个组件均通过各自的智能交互Agent进行能量控制。各Agent结合其管辖区域内分布式电源的发电特性,在满足微电网整体运行目标的同时,最优化自身运行目标。然后,从多代理微电网协调控制架构设计、调度模型和区域自治与协同优化算法3个方面建立了微电网能量协调控制机制。

本文集成风电(wind power plant,WPP)、光伏(photovoltaic,PV)、燃气发电(combustion gas turbine,CGT)和储能系统(energy storage system,ESS)为微电网,在用户侧实施用户需求响应(demand response,DR)协调微电网优化运行。图1为微电网的基本结构图,其中“AC/DC”为交流-直流转换器,以此类推。

图1 含风光储和分布式燃气的微电网基本结构 Fig. 1 MG basic structure with WPP, PV, CGT and ESS

风电、光伏和燃气轮机供应内部负荷,储能系统为系统提供辅助服务。当储能系统不足以满足系统所需的辅助服务时,燃气轮机将为系统提供辅助服务。微电网通过静态开关控制孤岛/并网运行模式。

多代理系统是由多个具有局部知识和有限能力的自制代理组成的复杂系统,各代理之间相互作用以实现全局性的目标[14]。分布电源独立运行的情景中,多微电网系统在配网层、微电网层和电源/负荷层具有不同的优化目标和约束条件,现有文献主要针对微电网系统构建3层控制结构。本文将MAS引入微电网的分层能量协调控制中,设计一个3层微电网协调控制系统架构包含分布式管理系统(distributed management system,DMS)代理层、微电网中央控制(MG central controller,MGCC)代理层和微电网控制单元(MG controllable elements,MGCE)代理层。其中,DMS采用集中式的控制模式,其调度以系统整体最优为目标;MGCC与MGCE均采用分散式的控制模式。图2为所提多微电网代理分层协调控制原理图。

图2 微电网代理协调控制原理图 Fig. 2 Micro-grid agent coordinated control schematic

不同层级代理的功能分别如下：

1）DMS代理按照系统控制原则协调控制MGCC代理,实现不同代理之间灵活的交互。根据系统总体目标设置MG激励信号,保证MG发电和需求负载均衡。同时,检验供需平衡与备用约束,该工作由DMS代理和MGCC代理协商合作完成。

2）MGCC代理可实现MG内部能源自治平衡,协调MG组件运行优化。检查MG管辖下的系统约束。

3）MGCE代理主要监视MG组件的运行状态,响应MGCC代理的控制指令,根据需求负载调整MG的功率结构,并分别检查本地的约束条件。 其中,ESS代理和DGs 代理根据MGCC发布的控制指令和自身运行约束调整输出功率以满足相应的负荷。可控负荷(controllable load,CL)代理根据系统调度信号和备用需求产生相应的响应策略。

负荷分为敏感性负荷(sensitive load,SL)、可中断负荷(interruptible load,IL)和可调节性负荷(adjustable load,AL)3类：

\({{L}_{t}}=L_{t}^{\text{SL}}+L_{t}^{\text{IL}}+L_{t}^{\text{AL}}\) (1)

式中\(L_{t}^{\text{SL}}\)、\(L_{t}^{\text{IL}}\)和\(L_{t}^{\text{AL}}\)分别表示SL、IL和AL,其中SL的时间分布相对固定,将IL与AL统称为CL。

IL收益函数为

\(\pi _{t}^{\text{IL}}=(-1/b){{(L_{t}^{\text{IL}})}^{2}}+[(L_{t}^{0}-a)/b]L_{t}^{\text{IL}}\) (2)

式中：\(L_{t}^{0}\)表示IL引入前系统负荷需求;\(a\)、\(b\)表示需求与价格的线性函数系数。

IL可参与能源市场调度,也可参与备用市场调度,其平衡关系如下：

\(L_{t}^{\text{IL,E}}+L_{t}^{\text{IL,dn}}\le L_{t}^{\text{IL},\max }\) (3)

\(L_{t}^{\text{IL,E}}+L_{t}^{\text{IL,dn}}\ge L_{t}^{\text{IL},\min }\) (4)

式中：\(\Delta L_{t}^{\text{IL,E}}\)表示IL参与能源市场调度电量;\(\Delta L_{t}^{\text{IL,dn}}\)表示IL参与备用市场调度电量;\(\Delta L_{t}^{\text{IL},\max }\)表示IL最大发电出力;\(\Delta L_{t}^{\text{IL},\min }\)表示IL最小发电出力,该数值作为参与IL交易的门槛值。

对于AL,用户用电价格与用电量之间的相互关系可由电力价格弹性来描述,用户的负荷转移和成本收益计算与文献[15]同理。用户提供AL获得的收益等于TOU实施前后用电成本差值,计算公式为

\(\pi _{t}^{\text{AL}}=P_{t}^{0}L_{t}^{\text{AL,0}}-(P_{t}^{0}+\Delta {{P}_{t}})L_{t}^{\text{AL}}\) (5)

式中：\(P_{t}^{0}\)和\({{P}_{t}}\)分别表示在实施TOU电价前后的用电价格;\(L_{t}^{\text{AL,0}}\)和\(L_{t}^{\text{AL}}\)为TOU前后t时刻AL负荷。

ESS代理参与MG发电调度净收益为

\(\pi _{t}^{\text{ESS}}=\rho _{\text{ESS},t}^{\text{dis}}g_{\text{ESS},t}^{\text{dis}}-\rho _{\text{ESS},t}^{\text{chr}}g_{\text{ESS},t}^{\text{chr}}\) (6)

式中：\(\pi _{t}^{\text{ESS}}\)为t时刻储能系统运营收益;\(\rho _{\text{ESS},t}^{\text{dis}}\)和\(\rho _{\text{ESS},t}^{\text{chr}}\)为t时刻储能系统放电和充电价格;\(g_{\text{ESS},t}^{\text{dis}}\)和\(g_{\text{ESS},t}^{\text{chr}}\)为t时刻储能系统放电和充电功率。ESS代理

有生命周期最长(longest life cycle,LLC)、经济性最优(optimal economic efficient,OEE)两种运行模式。

当ESS以OEE模式运行,主要目标是平衡短时功率差额,维持系统运行平稳性,主要约束条件：

\(\sum\limits_{t=1}^{T}{({{Q}_{0}}+g_{\text{ESS},t}^{\text{chr}}-{{Q}_{t}})}(1-{{\rho }_{\text{ESS}}})=\sum\limits_{t=1}^{T}{g_{\text{ESS},t}^{\text{dis}}}\) (7)

\({{Q}_{t+1}}={{Q}_{t}}-g_{\text{ESS},t}^{\text{dis}}(1+\rho _{\text{ESS},t}^{\text{dis}})\) (8)

\({{Q}_{t+1}}={{Q}_{t}}+g_{\text{ESS},t}^{\text{chr}}(1+\rho _{\text{ESS},t}^{\text{chr}})\) (9)

\(0\le g_{\text{ESS},t}^{\text{chr}}\le \bar{g}_{\text{ESS},t}^{\text{chr}}\) (10)

\(0\le g_{\text{ESS},t}^{\text{dis}}\le \bar{g}_{\text{ESS},t}^{\text{dis}}\) (11)

式中：\({{Q}_{0}}\)为储能系统初始蓄能量;\({{Q}_{t}}\)为t时刻储能系统蓄能量;\({{\rho }_{\text{ESS}}}\)为储能系统充放电损耗率;\(\rho _{\text{ESS},t}^{\text{dis}}\)为t时刻储能系统放电损耗率;\(\rho _{\text{ESS},t}^{\text{chr}}\)为t时刻储能系统充电损耗率;\(\bar{g}_{\text{ESS},t}^{\text{chr}}\)和\(\bar{g}_{\text{ESS},t}^{\text{dis}}\)分别为t时刻储能

系统充放电功率上限。

当ESS以LCC模式运行时,主要目标是提高ESS使用寿命、增加系统抑制峰值负荷的能力。既要满足式(7)—(11)约束条件,又要满足约束条件：

\(g_{\text{ESS},t}^{\text{chr}}\to g_{\text{ESS},t}^{\text{chr},\text{R}}\) (12)

\(g_{\text{ESS},t}^{\text{dis}}\to g_{\text{ESS},t}^{\text{dis},\text{R}}\) (13)

\(g_{\text{ESS},t}^{\text{chr}}\cdot g_{\text{ESS},t}^{\text{dis}}=0\) (14)

式中\(g_{\text{ESS},t}^{\text{chr},\text{R}}\)和\(g_{ESS,t}^{\text{dis},\text{R}}\)分别为ESS的额定充放电功率。

DGs代理包括WPP代理、PV代理和CGT代理。CGT代理以自身经济效益最大为目标,发电净收益函数如下：

\(\pi _{t}^{\text{CGT}}={{\rho }_{\text{CGT},t}}{{g}_{\text{CGT},t}}-C_{\text{CGT},t}^{\text{pg}}-C_{\text{CGT},t}^{\text{ss}}\) (15)

\(C_{\text{CGT},t}^{\text{pg}}={{a}_{\text{CGT}}}+{{b}_{\text{CGT}}}{{g}_{\text{CGT}}}+{{c}_{\text{CGT}}}{{({{g}_{\text{CGT},t}})}^{2}}\) (16)

\(C_{\text{CGT},t}^{\text{ss}}=[{{u}_{\text{CGT},t}}(1-{{u}_{\text{CGT},t}})]{{D}_{\text{CGT},t}}\) (17)

式中：\(\pi _{t}^{\text{CGT}}\)为CGT发电净收益;\(C_{\text{CGT},t}^{\text{pg}}\)和\(C_{\text{CGT},t}^{\text{ss}}\)为CGT发电燃料成本和发电启停成本;\({{a}_{\text{CGT}}}\)、\({{b}_{\text{CGT}}}\)和\({{c}_{\text{CGT}}}\)为CGT发电能耗系数;\({{g}_{\text{CGT},t}}\)为CGT在t时刻的发电输出功率;\({{u}_{\text{CGT},t}}\)为CGT发电状态变量、0-1变量,1表示处于运行状态,0表示处于停机状态;\({{D}_{\text{CGT},t}}\)表示CGT发电启停成本;\(N_{\text{CGT}}^{\text{hot}}\)和\(N_{\text{CGT}}^{\text{cold}}\)分别表示CGT发电热启动和冷启动成本;\(T_{\text{CGT}}^{\min }\)为CGT最小启动时间;\(T_{\text{CGT},t}^{\text{off}}\)表示CGT持续停机时间;\(T_{\text{CGT}}^{\text{cold}}\)表示CGT冷启动时间。CGT运行约束参见文献[16]。

WPP代理以自身经济效益最大为目标,向MGCE代理申报拟售电量和售电价格。WPP初始投资属于沉没成本,而其发电无能耗成本,单位运维成本较小,发电边际成本很小,其净收益主要考虑风电发电上网收益：

\(\pi _{t}^{\text{WPP}}={{\rho }_{\text{W},t}}{{g}_{\text{W},t}}\) (19)

式中：\(\pi _{t}^{\text{WPP}}\)为WPP在t时刻的发电收益;\({{\rho }_{\text{W},t}}\)和\({{g}_{\text{W},t}}\)分别表示WPP发电上网价格和发电上网电量。风电随机性模拟和风电实时出力参考文献[15]计算。

PV代理以自身经济效益最大为目标,响应MG发电调度收益如下：

\(\pi _{t}^{\text{PV}}={{\rho }_{\text{PV},t}}{{g}_{\text{PV},t}}\) (20)

式中：\(\pi _{t}^{\text{PV}}\)为PV在t时刻的发电收益;\({{\rho }_{\text{PV},t}}\)和\({{g}_{\text{PV},t}}\)

分别表t时刻PV发电上网价格和发电上网电量。光伏出力随机性模拟和计算与文献[15]同理。

MGCC代理的优化目标为经济效益最优：

约束条件考虑负荷供需平衡、分布式电源运行和系统备用等。

1）供需平衡约束。

\(\begin{align} {{g}_{\text{W},t}}(1-{{\varphi }_{\text{W}}})+{{g}_{\text{PV},t}}(1-{{\varphi }_{\text{PV}}})+(g_{\text{ESS},t}^{\text{dis}}-g_{\text{ESS},t}^{\text{chr}})+ \\ \quad \quad \quad \quad {{g}_{\text{CGT},t}}(1-{{\varphi }_{\text{CGT}}})=L_{t}^{\text{SL}}+L_{t}^{\text{IL}}+L_{t}^{\text{AL}} \\\end{align}\) (22)

2）分布式能源出力约束。

\(0\le {{g}_{\text{W},t}}\le {{\delta }_{\text{W}}}g_{\text{W},t}^{*}\) (23)

\(0\le {{g}_{\text{PV},t}}\le {{\delta }_{\text{PV}}}g_{\text{PV},t}^{*}\) (24)

式中δw和δPV为WPP和PV发电并网比重。

3）系统备用约束。

\(g_{\text{MG},t}^{\max }-g_{\text{MG},t}^{{}}+\Delta L_{t}^{\text{IL}}+\Delta L_{t}^{\text{AL}}\ge {{r}_{1}}{{L}_{t}}+{{r}_{2}}{{g}_{\text{W},t}}+{{r}_{3}}{{g}_{\text{PV},t}}\)(25)

\(g_{\text{MG},t}^{{}}-g_{\text{MG},t}^{\min }\ge {{r}_{4}}{{g}_{\text{W},t}}+{{r}_{5}}{{g}_{\text{PV},t}}\) (26)

式中：\(g_{\text{MG},t}^{\min }\)和\(g_{\text{MG},t}^{\max }\)为MG最小和最大可用出力;\(g_{\text{MG},t}^{{}}\)为MG在t时刻的发电出力;\(\Delta L_{t}^{\text{AL}}\)、\(\Delta L_{t}^{\text{AL}}\)表

示AL产生的负荷削减量;r1、r2和r3分别为负荷、WPP和PV上旋转备用系数;r4和r5分别为WPP和PV下旋转备用系数。

以最大化净收益为DMS 代理的优化目标：

\(\begin{align} \max \ {{\pi }^{\text{DMS}}}= \\ \text{ }\sum\limits_{t=1}^{T}{\sum\limits_{i=1}^{I}{\pi _{i,t}^{\text{MG}}}}-\sum\limits_{t=1}^{T}{\sum\limits_{i=1}^{I}{({{\rho }_{\text{UG},t}}{{g}_{\text{UG},t}}+{{\rho }_{\text{SP},t}}{{g}_{\text{SP},t}})}}- \\ \text{ }\sum\limits_{t=1}^{T}{\sum\limits_{i=1}^{I}{[{{\rho }_{\text{W},t}}(g_{\text{W},t}^{*}-{{g}_{\text{W},t}})+{{\rho }_{\text{PV},t}}(g_{\text{PV,}t}^{*}-{{g}_{\text{PV},t}})]}} \\\end{align}\)(27)

式中：\({{\pi }^{\text{DMS}}}\)表示DMS 代理净收益,包括DMS代理调度收益、清洁能源弃能成本、公共电网购电成

本和缺电惩罚成本;\(\pi _{i,t}^{\text{VPP}}\)表示第i个MG在t时刻运行净收益\({{\rho }_{\text{UG},t}}\)和\({{g}_{\text{UG},t}}\)分别表示在t时刻DMS代理向公共电网的购电价格和购电量;\({{\rho }_{\text{SP},t}}\)和\({{g}_{\text{SP},t}}\)表示DMS代理缺电惩罚价格和缺电电量。

DMS代理考虑供需平衡、MGCC代理间联络线、MGCC 代理出力以及系统备用等约束条件：

\(\sum\limits_{i=1}^{I}{g_{i,t}^{\text{MG}}}+{{g}_{\text{UG},t}}=\sum\limits_{i=1}^{I}{{{L}_{i,t}}}\) (28)

\(g_{\text{UG}}^{\min }\le {{g}_{\text{UG},t}}\le g_{\text{UG}}^{\max }\) (29)

\(\underset{\scriptscriptstyle-}{g}_{i,t}^{\text{MG}}\le g_{i,t}^{\text{MG}}\le \bar{g}_{i,t}^{\text{MG}}\) (30)

\(\sum\limits_{i=1}^{I}{(\bar{g}_{i,t}^{\text{MG}}-g_{i,t}^{\text{MG}})}\ge {{r}_{6}}\cdot \sum\limits_{i=1}^{I}{{{L}_{i,t}}}+{{r}_{7}}\cdot \sum\limits_{i=1}^{I}{g_{i,t}^{\text{MG}}}\) (31)

\(\sum\limits_{i=1}^{I}{(g_{i,t}^{\text{MG}}-\underset{\scriptscriptstyle-}{g}_{i,t}^{\text{MG}})}\ge {{r}_{8}}\cdot \sum\limits_{i=1}^{I}{g_{i,t}^{\text{MG}}}\) (32)

式中：\({{g}_{\text{UG},t}}\)为t时刻DMS代理与主网间交换功率;\(g_{\text{UG}}^{\min }\)和\(g_{\text{UG}}^{\max }\)分别为其上下限;\(g_{i,t}^{\text{MG}}\)为第i个MG在t时刻发电出力;\(\underset{\scriptscriptstyle-}{g}_{i,t}^{\text{MG}}\)和\(\bar{g}_{i,t}^{\text{MG}}\)分别为其上下限;\({{L}_{i,t}}\)

为第i个MG在t时刻所在区域负荷需求;r6和r7分别为负荷与微电网的上旋转备用系数;r8为MG下旋转备用系数。

MGCC代理在DMS代理的激励信号协同指导下,MG通过内部自治实现能量平衡和调度优化。在区域自治调度模式下,MGCC代理之间不直接进行交互,而是由DMS代理对各个MGCC代理的自治结果进行整体约束校验。区域自治的调度过程如图3所示。

图3所示的区域自治算法具体步骤为：

1）初始化DMS代理网络,t=1。

2）DMS代理根据t时刻的全局最优化结果向各MGCC代理下发t时刻的激励信号St。

3）各MGCC代理接收到激励目标St,通过自身内部的自治协调,得出t时刻MGCC的自治优化

图3 区域自治调度过程 Fig. 3 Regional autonomy scheduling process

结果,并将其上报给DMS代理。

4）DMS代理对MGCC上报的调度策略进行安全校验,如果校验通过,则t=t+1,St→St+1,DMS重新读取t时刻MGCE代理层的优化目标,返回步骤2）;如果校验不通过,则进入步骤5）。

5）DMS代理向不通过校验的MGCC代理重新发布激励信号,MGCC代理对新目标进行响应,并将结果上报DMS代理,返回步骤4）。

在区域自治控制的基础上,DMS代理协调MGCC代理来实现全局能量协调。修改步骤5）为：

5）当安全校验不通过,DMS代理进行跨MGCC代理协调,进入子流程：①DMS代理向MGCC代理询问负荷与出力调节裕度。②各MGCC代理计算自身的调节裕度,并将其上报DMS代理。③DMS根据各个MGCC代理上报的调节裕度和系统运行约束调整MGCC的输出功率,发送给各个MGCC代理。④各MGCC代理根据DMS代理的调整信号重新协调内部资源,并返回步骤4）。

以欧盟MORE MICROGRIDS项目国立雅典理工大学提出的测试网络作为仿真系统[17]。系统中含4个微电网,各个MG包含1×0.3 MW风电机组,1×0.2 MW光伏机组,1×0.2 MW CGT机组和储能系统。储能系统额定、最大充放电功率分别为0.06 MW和0.1 MW,初始、最大储能量分别为0和0.6 MW·h,充放电损耗率为4%。各微电网含1个MGCC代理和多个DGs代理,系统整体由1个DMS代理控制,图4为项目示意图。

文献[17]设定风电与光伏各项参数,并利用场景法得出风电和光伏发电出力。CGT机组上下爬坡上限为0.05 MW/h,启动与停止时间分别为0.1 h

图4 MORE MICROGRIDS项目示意图 Fig. 4 MORE MICROGRIDS project diagram

与0.2 h,启动/停止费用0.082元/(kW•h)。成本曲线分为两段分别进行线性化处理,两段线段的斜率分别为85元/(kW•h)和212元/(kW•h)。CGT、WPP和PV发电上网电价分别为0.52、0.61和1.0元/(kW•h)[17]。储能充放电执行实时电价。参照文献[17]选择典型负荷日负荷需求,设定MG1和MG2负荷需求相同,MG3和MG4负荷需求相同。用户提供IL不超过-0.4 MW,参照文献[17]设定MG1与MG2、MG3与MG4区域内电力格弹性矩阵。表1为电价参数。

为对比孤岛运行模式和并网运行模式下的能量协调控制过程和DR对微电网运行的优化效应,本文设定如表2所示两种仿真情景,其中“×”不

Tab. 1 Parameters of electricity price 元/(kW•h)

表2 情景划分表 Tab. 2 Scenario division table

采用该措施或者不以该模式运行;“√”代表采用该措施或者以该模式运行。

图5为情景1微电网运行模拟调度结果。风电和光伏用以满足需求负荷;CGT主要保障MG的安全稳定运行,在高峰时段发电出力;ESS则根据需求负荷曲线为平衡电力供需调整其充放电行为。IL的调用主要在峰荷时段,用于平缓需求负荷曲线。表3为MG1和MG3运行结果对比。

根据表3,当考虑可控负荷时,需求负荷曲线变得更为平滑,风电与光伏发电并网量增多。由于风电与光伏的边际发电成本接近于0,微电网的运行收益随之增加,在MG1和MG3中分别增加了104元和154元,系统收益分别高于其不考虑可控负荷下收益250.4元和195.6元。

图5 情景1微电网调度运行结果 Fig. 5 Scheduling result of each MG in scenario 1

表3 情景1中MG1与MG3运行结果对比 Tab. 3 Operation comparison between MG1 and MG3 in scenario 1

图6为各个微电网在情景2的运行结果。风电与光伏发电在满足微电网自身的电力平衡后,剩余的产能将传输到其他电网。由于MG2自身负荷需

图6 情景2中各微电网的调度运行结果 Fig. 6 Scheduling result of each MG in scenario 2

求较高,风电和光伏发电外送电量很低,在并网模式下MG2运行结果基本与孤岛运行模式相同。MG3对于在谷荷时段的负荷需求相对较低,特别是光伏发电,在谷荷时段有较多的剩余。当MG3处于并网运行模式时,风电与光伏机组剩余的产能将通过内部输电网传输到其他微电网。TOU作用下,MG2和MG3的负荷均由峰时段向谷时段转移;IL只在峰时段的部分时刻被调用。

表4 情景2中MG2与MG3运行结果对比 Tab. 4 Operation comparison between MG2 and MG3 in scenario 2

表5 多微电网系统调度运行结果 Tab. 5 Scheduling operation results of different MGs

发电出力减少,储能系统的充放电显著减少,CL为风电和光伏发电所提供相应的备用服务增加。对比MG1与MG2,系统收益减少,而对比MG3与MG4,系统收益增加。采用OEE与LCC两种模式对系统收益有着显著的影响。决策者可以根据实际情况决定是否要应用DR和选择相应的储能系统运行模式。总体而言全局协调控制可提升多微电网系统的运营效益。

本文设计了基于多代理系统的微网群能量协调控制3层协调控制系统框架,讨论微了电网运行模式及储能系统运行策略对调度结果的影响,并提出了全局优化与区域自治求解过程。算例结果显示：

1）基于多代理系统,提出了3层协调能量控制系统架构和分层优化调度模型,兼顾了多代理系统集中控制与分散控制的优势,可实现全局最优化与局部最优化之间的协同,为解决分布式能源附属于不同主体带来的协调控制问题提供有效途径。

2）储能系统运行策略对系统调度结果产生显著影响,并网模式下以OEE模式运行的微网可获取更优的经济效益;而LCC模式则为保障储能系统平稳运行而减少经济效益。

3）考虑PBDR时,系统的需求负荷峰谷比显著下降,系统对储能系统与燃气机组所提供的备用需求减少,为可再生能源消纳提供了更大空间。

[1] 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. Yang Xinfa,Su Jian,Lü Zhipeng,et al.Overview on micro-grid technology[J].Proceedings of the CSEE,2014,34(1):57-70(in Chinese).

[2] 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. Ma Yiwei,Yang Ping,Wang Yuewu,et al.Typical characteristics and key technologies of micro-grid[J].Automation of Electric Power Systems,2015,39(8):168-175(in Chinese).

[3] 张丹,王杰.国内微电网项目建设及发展趋势研究[J].电网技术,2016,40(2):451-458. Zhang Dan,Wang Jie.Research on construction and development trend of micro-grid in China[J].Power System Technology,2016,40(2):451-458(in Chinese).

[4] 郭慧,汪飞,张笠君,等.基于能量路由器的智能型分布式能源网络技术[J].中国电机工程学报,2016,36(12):3314-3325. Guo Hui,Wang Fei,Zhang Lijun,et al.Technologies of energy router-based smart distributed energy network[J].Proceedings of the CSEE,2016,36(12):3314-3325(in Chinese).

[5] 魏繁荣,随权,林湘宁,等.考虑可转移负荷效率的风/光/柴/蓄孤岛微网日运行能量控制优化策略[J].中国电机工程学报,2018,38(4):1045-1052. Wei Fanrong,Sui Quan,Lin Xiangning,et al.Optimized energy control strategy about daily operation of islanded microgrid with wind/photovoltaic/diesel/battery under consideration of transferable load efficiency[J].Proceedings of the CSEE,2018,38(4):1045-1052 (in Chinese).

[6] 王成山,洪博文,郭力.不同场景下的光蓄微电网调度策略[J].电网技术,2013,37(7):1775-1782. Wang Chengshan,Hong Bowen,Guo Li.Dispatch strategies of PV-battery micro-grid in different scenarios[J].Power System Technology,2013,37(7):1775-1782(in Chinese).

[7] 曾意,孔祥玉,胡启安,等.考虑后备容量的微电网储能充放电策略[J].电网技术,2017,41(5):1519-1525. Zeng Yi,Kong Xiangyu,Hu Qi’an,et al.Energy storage strategy in microgrid considering reserve capacity[J].Power System Technology,2017,41(5):1519-1525(in Chinese).

[8] 丁明,史盛亮,潘浩,等.含电动汽车充电负荷的交直流混合微电网规划[J].电力系统自动化,2018,42(1):32-38,81. Ding Ming,Shi Shengliang,Pan Hao,et al.Planning of AC/DC hybrid micro-grid with electric vehicles charging load integration[J].Automation of Electric Power Systems,2018,42(1):32-38,81(in Chinese).

[9] 马宇辉,刘念.用户侧微电网的能量管理方法综述[J].电力系统保护与控制,2017,45(23):1-11. Ma Yuhui,Liu Nian.Survey on energy management method of community micro-grid[J].Power System Protection and Control,2017,45(23):1-11(in Chinese).

[10] 熊雄,王江波,井天军,等.微电网群功率优化控制[J].电力自动化设备,2017,37(9):1-7. Xiong Xiong,Wang Jiangbo,Jin Tianjun,et al.Power optimization control of micro-grid cluster[J].Electric Power Automation Equipment,2017,37(9):1-7(in Chinese).

[11] 吴雄,王秀丽,刘世民,等.微电网能量管理系统研究综述[J].电力自动化设备,2014,34(10):7-14. Wu Xiong,Wang Xiuli,Liu Shiming,et al.[J].Electric Power Automation Equipment,2014,34(10):7-14(in Chinese).

[12] 杨刚,杨奇逊,张涛,等.基于分层控制的多微网并网/解列运行控制策略[J].电力系统自动化,2016,40(5):96-101. Yang Gang,Yang Qixun,Zhang Tao,et al.A control strategy for multi-microgird connection/disconnection operation based on hierarchical control[J].Automation of Electric Power Systems,2016,40(5):96-101(in Chinese).

[13] 王毅,张丽荣,李和明,等.风电直流微网的电压分层协调控制[J].中国电机工程学报,2013,33(4):16-24,4. Wang Yi,Zhang Lirong,Li Heming,et al.Hierarchical coordinated control of wind turbine-based DC microgrid[J].Proceedings of the CSEE,2013,33(4):16-24,4(in Chinese).

[14] 刘科研,骆晨,陶顺,等.应用多代理技术的主动配电网电压感知控制[J].电网技术,2016,40(7):2106-2112. Liu Keyan,Luo Chen,Tao Shun,et al.A new voltage profile perception and control method in active distribution network applying multi-agent technology[J].Power System Technology,2016,40(7):2016-2112(in Chinese).

[15] Tan Z F,Wang G,Ju L W,et al.Application of CVaR risk aversion approach in the dynamical scheduling optimization model for virtual power plant connected with wind-photovoltaic-energy storage system with uncertainties and demand response[J].Energy,2017(124):198-213.

[16] 袁桂丽,陈少梁,刘颖,等.基于分时电价的虚拟电厂经济性优化调度[J].电网技术,2016,40(3):826-832. Yuan Guili,Chen Shaoliang,Liu Ying,et al.Economic optimal dispatch of virtual power plant based on time-of-use power price[J].Power System Technology,2016,40(3):826-832(in Chinese).

[17] Ju L W,Tan Z F,Yuan J Y.A bi-level stochastic scheduling optimization model for a virtual power plant connected to a wind- photovoltaic-energy storage system considering the uncertainty and demand response[J].Applied Energy,2016(171):184-199.