朱国海

(国网甘肃省电力公司金昌供电公司，甘肃 金昌 737100)

在能源互联网的发展趋势下，为进一步加大可再生分布式能源(distributed generation，DG)的渗透率，微电网的应用是一种有效的解决方式。DG、负荷、储能装置等不同组成单元为微电网的基本组成结构。作为一个具备自我控制和自我能量管理的自治系统，它既可以与外部电网并网运行，也可以孤立运行[1]。

将风、光能源运用在微网系统中，DG出力的随机性与波动性会对电力系统运行产生冲击[2]。储能通过快速响应、频繁充放电，进行短时间内对输出功率的波动控制。文献[3]对储能设备蓄电池的寿命损耗模型及它在优化调度中的使用配合问题研究的不足，改进了每一次蓄电池放电损耗的数学模型，引入到日前调度优化的目标函数中的运行结果良好。考虑到通信问题，文献[4]提出基于本地信息的控制策略，通过不依赖网络通信技术的策略，可实现快速储能和后备储能之间的协调，以及微电网进入孤岛过程中，微源的主动控制以及孤岛模式下的自治运行。文献[5]针对蓄电池、光伏阵列和负荷之间的多种能量供需情况，提出一种孤岛运行模式下的能量管理协调控制策略，按照多种控制模式，实现光储微电网的稳定运行。文献[6]对多微电网互联系统进行研究，通过配合储能的作用，获得储能系统的容量配置参数，并以此实现微电网互联运行的经济性最优目标。

云储能是一种基于已建成的现有电网的共享式储能技术，使用户可以随时、随地、按需实时使用，由集中式或分布式的储能设施构成的共享储能资源，并按照使用需求而支付服务费[7]。云储能作为电力系统中储能的新形式，作为共享经济的新方式，它的出现可以为更多用户提供蓄电服务，将云储能运用到微电网能量协调优化中，不仅能减少微网并网运行时对电力系统运行产生的冲击，还能够简化云储能的运行方式与结构。随着共享经济和能源互联网建设，云储能技术将会是未来发展的一个重要趋势。

本文以微电网成本作为目标函数，构建基于云储能的微网模型，简单介绍了云储能基本概念和商业模式，通过分析各微源、云储能的功率交换约束，建立基于云储能的微网模型。在此基础上，通过调整需求侧电价的方式，来改变用户的用能习惯，以此提高DG出力的平滑性；采用源荷互动的方法，优化需求响应层的负荷曲线，继而运用模糊遗传算法，对各微源的出力进行优化，保证了在分布式电源出力最大的同时，减少微电网中随机性、波动性对电力系统的影响，达到成本最低的效益。

1 云储能与微网模型

云储能作为共享经济新形式，储能形式可以是集中式也可以分布式，因此它能与微电网结合起来，充分利用例如风、光等新能源，并且在微源的协调调度中发挥作用，比如，当风光发电短时波动时，储能通过快速响应、频繁充放电，进行短时间内输出功率的波动控制。

1.1 云储能概念

云储能依赖于共享资源达到规模效益，云储能技术可将原本分散在用户侧的储能装置集中到云端，用云端的虚拟储能容量来代替用户侧的实体储能[7]。在云储能系统中，储能无论是集中式还是分布式，都应由云储能供应商统一管理、统一操作，用户则通过消费获得相应时间内的储能服务，并按照自身需要对储备池进行充电以及用电[8]。图1所示为云储能系统概念图。

分析图1可知，用户买卖虚拟储能可以此控制云端虚拟电池充放电，云储能用户不需承担用户安装和维护储能设备的附加成本，与实体储能不同。由于云储能系统建成后用户数量庞大，而其运作需获得一定利润，因此，制定合理的商业模式是云储能系统的一个重要环节。另外，决定用户充放电需求的因素主要包括用户(实时/峰谷)电价、用户负荷以及用户的分布式能源发电的大小。对于云储能提供商而言，其实体电池的充放电运行由所有用户的充放电需求确定[9]。

云储能提供商为了调整用户放电曲线中波动较为强烈的部分，不仅要采用响应速度较慢，但容量较大的蓄电池，而且要配置超级电容器、飞轮、超导磁储能等响应速度快、输出功率大但容量相对较小的功率型储能装置[10]。在微电网的应用中，该技术同样具备协调DG随机性出力的作用，具有良好的发展前景和潜力。

1.2 微电网模型

本文研究的微电网系统包括风电、光伏、储能系统中各储能设备等微源。储能系统作用于风光发电短时波动，以控制功率的波动。微电网作为云储能的一部分不断给云储能系统输送电能，如图2所示。云储能系统中的储能由微网系统中的储能、其他微网系统中储能或微网外储能设备共同构成，它取代了传统微网系统中的储能，因此微网系统可自带储能组成云储能的一部分交换功率，亦可直接从云储能交换功率。

图2 微电网对云储能电能输送简化模型

本文目标函数以成本最小进行构建，主要包含设备的折旧成本，运行维护成本和购电成本。目标函数如下：

式中：CIN(t)为折旧成本函数；CM(t)为运行和维护成本函数；CG(t)为购电成本。

(1)折旧成本

折旧成本属于微电网发电成本的固定成本，通常是将投资成本采用等年值法折算为单位容量成本得来，其中风机、光伏板的折旧成本都包括在内。在t时间段，微网的折旧成本为[11]：

式中：n为微源数量；Pi(t)为微源在t时刻的输出功率；ni为投资偿还期；ri为第i种微源的固定年利率；Cin,i为单位容量建设成本；ki为年利用系数。ni、ri、ki值的选取参考文献[11]。

(2)运行和维护成本[12]

式中：cm,i为第i种微源单位出力运维成本系数。

(3)购电成本

式中：CP(t)为t时段购电价，本文考虑购电价格分为峰谷平3个时段；PPgrid为t时段购电功率。

云储能作为储能方式之一，实时储能量不应超过其储能上限Qmax。微电网能量管理优化的约束条件主要有以下几个方面，其中包括等式约束和不等式约束：

式中：NDG为DG的数量；PGi(t)为第i台微源在t时刻的出力；Pbat(t)为储能在t时刻的充电功率，为正值时表示微电网对储能充电，为负值时表示储能向微电网放电。

2 能量优化策略

为了充分利用新能源，达到成本最优，必然涉及到分布式能源间歇性出力带来的系统电压、频率不稳等问题，因此要提高DG出力的平滑性，重要决策就是制定合理的商业模式。

依据云端传输过来的DG出力数据确定一个期望出力曲线，数学模型为：

平稳性指标表达式为：

式中：rstable为平稳性指标；PCG(t)为第i种可控微源在t时刻出力为周期内的平均出力。

为实现出力的平滑性，避免云储能电量达到其储能上限，制定合理的商业模式，需引入需求响应，通过实时电价激励用户调节可转移负荷，引导用户调整用电计划，从而保证电力安全和经济生产。需求价格弹性反映负荷需求对价格变化的敏感程度，其表达式为：

式中：e为需求价格弹性；Rb和ΔR分别为优化前总用户负荷以及优化后的负荷变化量；qb和Δqr分别为调整前电价和电价的调整幅度。

电价与需求侧用户负荷的关系可表示为[12]：

期望负荷率标幺值：

实时电价的电价率标幺值：

式中：K为常数；R为负荷量；R*、qr*分别为期望负荷率和实时电价的电价率；Ra为某时刻优化后的期望负荷；qref、qr分别为常规电价(常数)和优化后的实时电价。

实时电价满足约束如下[13]：

式中：qrmax和qrmin为实时电价的上下限约束。

调度部门结合实时电价与DG的关系制定合理的云储能购售电电价，激励用户适时进行充放电，可达到对可转移负荷时序调整的预期效果。

3 模糊遗传算法

由于遗传算法(genetic algorithm，GA)的遗传操作，相关参数，如交叉率的选择不合理且不随进化过程自适应改变，会导致计算收敛速度低、收敛过早等一系列问题，本文采用模糊遗传算法(fuzzy genetic algorithm，FGA)对微电网各微源进行分析计算。一方面，FGA算法用模糊遗传的语言对GA算法现有的知识和经验进行了描述，用于在线控制遗传操作和参数设置，得到动态遗传算法；另一方面，借鉴模糊逻辑及模糊集合运算的思想，得到模糊编码和相应模糊遗传操作，进而达到改进遗传算法的目的。

模糊遗传算法的大致流程如图3所示。

4 算例仿真

4.1 基本数据

为了验证该方案的有效性，本节以智能电网实验室交流微电网为研究对象进行了仿真验算。

图3 模糊遗传算法流程图

在网络中，风机上限设置在10 kW，光伏上限为10 kW，与储能的交换功率上限为20 kW，下限为－20 kW，需求响应的切出值和入限值均为5 kW。图4和图5为风机和光伏出力预测数据。

图4 风机出力预测

图5 光伏出力预测

负荷预测结果及需求侧负荷优化之后的结果如图6所示。

图6 负荷优化结果

根据初始负荷和优化后负荷得到期望负荷率，进而求得实时电价如图7，图中的电价为所得区间的合理取值。

由以上分析可知，优化后，用户在负荷低谷时期加大负荷，高峰时减少负荷，同时，云储能的用户可选择电价高的时候放电，电价低的时候充电，供应商在此基础上实现云储能调度以及经济收益最优的目的。

图7 负荷率、电价率和实时电价

4.2 方案对比

为验证云储能方案的有效性，本文首先搭建了传统模式的微网运行，即含储能系统、风机、光伏且与大电网并网的运行模式进行仿真参照，与本文提出的云储能微网方案进行比较，结果如表1所示。

表1为基于云储能微电网的特点，从该表可以看出，云储能系统的应用极大程度简化了微网调度模型。为验证该方案对DG利用率以及成本的影响，本文给出两种不同的对比方案：方案1是传统微电网调度优化；方案2是云储能的微电网调度优化。

表1 模型对比

两种方案各指标对比的仿真分析如下：

(1)各方案成本

各方案优化成本如表2所示。

表2 各方案优化成本 元

对比表2可得方案2成本最低，经济性最好。

(2)清洁能源利用率

一级优化要实现清洁能源最大限度的利用，故清洁能源利用率是一个重要指标。图8所示为不同方案下，清洁能源的优化出力。

图8 不同方案优化曲线

由图8可知，方案2的云储能微电网调度优化方案功率输出最大，功率峰值为9.98 kW，方案1最小，峰值为9.76 kW。故基于云储能系统的清洁能源利用率显然高于直接调度的利用率。对于多微网互联的模式，因各微网与云储能交换功率，依旧与单个微网功率传输模式相同，在此不作具体讨论。

5 结论

本文提出了一种基于云储能的微电网多源协调模型调度方案。在模型的构建以及优化的算法上，综合以上研究仿真分析可得，本文基于云储能系统结合需求响应的微电网优化方案，提高了DG出力的平滑性，采用源荷互动的方法，优化需求响应层的负荷曲线，并运用模糊遗传算法，对各微源的出力值进行优化，保证了分布式电源出力最大的同时，减少微电网中随机性、波动性对电力系统的影响，达到了总成本最低、DG利用率最优的目标，验证了本文提出的模型方案的有效性。下一步考虑将需求响应与云储能的商业模式相结合，与微电网运行成本协同分析，得到更加完善的解决方案。