中國儲能網(wǎng)訊：
摘要 用戶側(cè)分布式儲能具備優(yōu)化用戶電力負荷曲線和協(xié)調(diào)消納系統(tǒng)側(cè)可再生能源發(fā)電的能力。提出一種基于動態(tài)電價機制的配電系統(tǒng)用戶側(cè)分布式儲能電能交易策略。首先，該策略在充分考慮新能源出力和用戶電能需求不確定性的基礎(chǔ)上，構(gòu)建用戶側(cè)分布式儲能和配電系統(tǒng)的日前電能調(diào)度模型；然后，根據(jù)動態(tài)電價機制對用戶側(cè)分布式儲能調(diào)度計劃和系統(tǒng)側(cè)可再生能源消納水平的影響，建立基于主從博弈的配電網(wǎng)運營商和用戶側(cè)儲能運營商的電能交易模型，并采用啟發(fā)式算法獲取博弈模型的均衡解；最后，通過算例驗證了所提電能交易策略可有效提升配電網(wǎng)運營商的經(jīng)濟效益與新能源消納水平，并降低用戶側(cè)的運行成本。
1 配電系統(tǒng)用戶側(cè)分布式儲能電能交易框架
1.1 系統(tǒng)結(jié)構(gòu)
本文所研究的用戶側(cè)分布式儲能日前電能交易系統(tǒng)結(jié)構(gòu)如圖1所示，主要由配電網(wǎng)運營商（distribution network operator，DNO）和分布式儲能的所有者（distributed energy storage system owner，DEO）構(gòu)成。其中，DNO負責(zé)整個配電側(cè)電力市場的運行與電能交易，通過與光伏電站和上級電網(wǎng)進行能量互動在滿足配電系統(tǒng)用電需求的同時，保障系統(tǒng)的功率平衡。DEO配備用戶側(cè)分布式儲能，在配電側(cè)市場中既可購入電能，也可出售電能，并通過靈活調(diào)整本地儲能系統(tǒng)充放電計劃，降低用戶購電成本或?qū)崿F(xiàn)套利。
圖1 系統(tǒng)結(jié)構(gòu)
Fig.1 System structure
1.2 交易框架
為合理調(diào)動用戶側(cè)分布式資源參與電力市場交易，滿足各市場交易主體的經(jīng)濟效益，本文圍繞DNO和DEO構(gòu)建基于動態(tài)電價機制的電力市場交易模型，電能交易框架如圖2所示。
圖2 交易框架
Fig.2 Transaction structure of DNO and DEO
其中，DNO與上級電網(wǎng)之間的電能交易以傳統(tǒng)分時電價圖片與上網(wǎng)電價圖片進行結(jié)算；DNO與DEO之間的電能交易則可描述為：以DNO作為內(nèi)部電價機制的制定者，在綜合考慮配網(wǎng)側(cè)光伏出力預(yù)測誤差、電力用戶用電需求預(yù)測誤差及用戶側(cè)分布式儲能凈負荷偏差的基礎(chǔ)上，制定與DEO的交易電價圖片DEO考慮自身負荷需求預(yù)測誤差不確定性，確定用戶側(cè)儲能的調(diào)度方案以及DEO與DNO之間的交互電量，并將相關(guān)信息反饋給DNO。為鼓勵DEO參與配電系統(tǒng)的電力市場交易，DNO需保障其與DEO之間的電能交易結(jié)算價格優(yōu)于傳統(tǒng)的電能交易價格，即滿足
2 優(yōu)化調(diào)度模型
在充分考慮系統(tǒng)側(cè)光伏出力間歇性和負荷需求隨機性的基礎(chǔ)上，采用拉丁超立方采樣技術(shù)生成多個光伏出力場景和負荷需求場景，并通過K-means場景聚類方法進行典型場景的選取，從而獲得各場景發(fā)生的概率。
2.1 DEO模型
DEO通過調(diào)控分布式儲能裝置的充放電行為實現(xiàn)削峰填谷，降低用戶用電成本。在日前階段，對于第m個DEO，需要考慮的成本主要包括其與DNO之間的電能交易成本和儲能電池退化成本，可表示為
考慮到用戶側(cè)電能供需平衡和儲能容量的時間耦合特性，目標(biāo)函數(shù)式（2）還需滿足如下約束條件。
（1）功率平衡約束為
（2）儲能運行約束為
2.2 DNO模型
在日前階段，DNO以運營效益最大化為目標(biāo)，調(diào)整內(nèi)部動態(tài)電價，引導(dǎo)DEO參與電力市場交易，其優(yōu)化目標(biāo)可以表示為
在各節(jié)點功率已知的情況下，圖片可由下述潮流方程求解。
3 主從博弈模型構(gòu)建及求解
3.1 模型構(gòu)建
3.2 模型求解
本小節(jié)通過DNO與DEO共同實現(xiàn)上述雙層博弈模型的求解。其中上層DNO模型要實現(xiàn)日前內(nèi)部動態(tài)電價圖片的求解，下層DEO模型則要在上述動態(tài)電價下實現(xiàn)用戶側(cè)分布式儲能優(yōu)化調(diào)度策略的求解。由式（2）~（13）可知，下層DEO模型為混合整數(shù)規(guī)劃模型，可通過調(diào)用商用求解器進行求解；對DNO來說，由于博弈模型求解過程中上、下層模型的求解是相互影響的，難以運用數(shù)學(xué)規(guī)劃的方法得到用戶側(cè)分布式儲能最優(yōu)充放電量集合圖片關(guān)于最優(yōu)電價集合圖片的函數(shù)關(guān)系。為實現(xiàn)DNO運行效益的最大化，在上層模型中采用差分進化算法實現(xiàn)對日前內(nèi)部動態(tài)電價的尋優(yōu)求解。算法流程如圖3所示。
圖3 算法流程
Fig.3 Flowchart of master-slave game solution
計算步驟如下。
（1）基礎(chǔ)數(shù)據(jù)初始化。輸入負荷、光伏及儲能數(shù)據(jù)。
（2）算法參數(shù)初始化。設(shè)置種群規(guī)模 N 、代數(shù) Gmax 、縮放因子 F 、交叉概率 cr （ cr∈[0,1] ）。
（3）種群初始化。以DNO的購、售電價作為父代種群，即
（4）計算種群適應(yīng)度值。用戶側(cè)接收到電價種群后進行優(yōu)化計算得出儲能調(diào)度計劃，并將其反饋給DNO。DNO結(jié)合反饋信息計算自身的運行成本，并將其作為適應(yīng)度值返回。
（5）差分進化。根據(jù)變異算子式（29）和交叉算子式（30）對種群進行交叉變異操作以生成子代種群。
式中： P2(G)?P3(G) 為差分變量；rand(0,1) 為[0,1]上均勻分布的隨機數(shù)。
（6）判斷是否滿足 G>Gmax 。若滿足，輸出當(dāng)前最優(yōu)結(jié)果；不滿足則返回步驟（4）繼續(xù)運行。
4 算例分析
4.1 基礎(chǔ)數(shù)據(jù)
為驗證基于隨機優(yōu)化的用戶側(cè)儲能優(yōu)化調(diào)度策略的有效性，本文在Matlab2018 b平臺下，調(diào)用Gurobi求解器，在圖4所示的改進IEEE-33系統(tǒng)中進行仿真研究。Y=2，M=N=3；其中，第1~3個DEO分別位于節(jié)點11、29和23處；配網(wǎng)側(cè)3個常規(guī)用戶User1、User2和User3分別位于節(jié)點18、33和25處；2個光伏發(fā)電裝置PV1、PV2分別位于節(jié)點5和17。用戶側(cè)儲能容量分別為200 kW?h、300 kW?h和300 kW?h；最大充放電功率依次為50 kW、50 kW和75 kW；儲能折舊成本系數(shù)取0.02 元/（kW·h）；儲能裝置充放電效率均為95%；初始 SOC為0.2，SOC的最大值為0.9，最小值為0.1；光伏上網(wǎng)電價為0.35 元/（kW?h）；調(diào)峰成本系數(shù) θ 設(shè)為300；電網(wǎng)采用的分時電價如表1所示。
圖4 改進的IEEE-33節(jié)點系統(tǒng)
Fig.4 Structure of improved 33-bus system
表1 分時電價
Table 1 Time of use electricity price
圖5 基礎(chǔ)數(shù)據(jù)
Fig.5 Basic data
4.2 內(nèi)部動態(tài)電價優(yōu)化結(jié)果
經(jīng)算例仿真，可獲得本文所提策略下的內(nèi)部動態(tài)電價曲線，如圖6所示?？梢姡瑑?nèi)部售電價和購電價全時段均位于電網(wǎng)電價之間，滿足式（3）的要求。其中，在11:00—13:00時段和18:00—24:00時段，內(nèi)部售電價明顯低于電網(wǎng)售電價，可促進分布式儲能用戶在該時段增加購買電能，降低用電成本；在18:00—24:00時段內(nèi)部購電價明顯高于電網(wǎng)購電價，可引導(dǎo)分布式儲能用戶在該時段出售多余的電能，提高運營收益。結(jié)合動態(tài)電價曲線，對DEO儲能調(diào)度計劃和電能交易行為分別展開分析。
圖6 內(nèi)部動態(tài)電價與電網(wǎng)電價對比
Fig.6 Trading price between DNO and DEO
4.3 儲能充放電行為分析
圖7給出了3個DEO中分布式儲能的日前調(diào)度計劃。以第2個DEO為例，在06:00—09:00時段，內(nèi)部售電價和電網(wǎng)電價一致，且電價較低，用戶側(cè)分布式儲能均開始充電；在10:00—11:00時段，內(nèi)部售電價位于電價高峰，隨著電力負荷的增加，分布式儲能開始放電，以降低本地用戶的用電成本；在11:00—14:00時段，內(nèi)部售電價明顯低于高峰期電網(wǎng)售電價或等于平值電價，儲能再次進入充電狀態(tài)；在18:00—22:00時段，電網(wǎng)電價進入高峰時期，盡管內(nèi)部售電價低于電網(wǎng)電價，但依然較高，分布式儲能可以通過放電，降低用戶購電需求，節(jié)省成本；此外，由于內(nèi)部購電價高于電網(wǎng)購電價，當(dāng)本地負荷較低時，儲能可以通過放電，進行售電，實現(xiàn)套利。
圖7 儲能調(diào)度情況
Fig.7 Optimal scheduling of energy storage system
4.4 DEO電能交易行為分析
為進一步說明儲能充放電行為DEO電能交易的影響與優(yōu)勢，圖8給出了3個DEO的在動態(tài)電價和電網(wǎng)電價下的電能交易行為。以第2個DEO為例，在動態(tài)電價的影響下，在11:00、12:00和14:00，第2個DEO的電能購買量增加；在13:00和15:00—17:00時段，第2個DEO電能的購買量下降；在19:00—22:00時段，第2個DEO不僅沒有購買電能，還響應(yīng)內(nèi)部售電價，向外出售電能?？梢姡趧討B(tài)電價影響下，DEO將從購電用戶向購/售電用戶轉(zhuǎn)變，可以更為靈活地參與上層電力市場交易。
圖8 DEO電能交易對比
Fig.8 Comparison of electric energy trading between DNO and DEO
4.5 效益對比
為進一步說明所提方法對提升區(qū)域電網(wǎng)經(jīng)濟效益的有效性，表2給出了在電網(wǎng)電價和動態(tài)電價下DNO的運營收益和3個DEO的運行成本。經(jīng)對比，可見DNO運營收益增加了15.52%；3個DEO的電能購置成本分別下降了7.93%、5.34%、4.70%。
表2 DNO的效益和DEO的運行成本
Table 2 Benefit of DNO and operating cost of DEO
4.6 能源消納與峰均比
圖9給出了電網(wǎng)電價和內(nèi)部動態(tài)電價下的區(qū)域配電網(wǎng)凈負荷曲線，可見區(qū)域配電網(wǎng)向上層電網(wǎng)送出電能的峰值功率和總電量均出現(xiàn)下降。表3進一步給出了區(qū)域配電網(wǎng)的可再生能源消納率和峰均比?？梢?，在內(nèi)部動態(tài)電價的激勵下，可再生能源消納率從69.35%提升至79.45%，峰均比從3.26下降至2.98。
5 結(jié)論
本文在考慮新能源發(fā)電及負荷預(yù)測誤差不確定性基礎(chǔ)上，提出了一種基于動態(tài)電價機制的用戶側(cè)分布式儲能主從博弈優(yōu)化方法。該方法充分利用用戶側(cè)分布式儲能靈活、高效的特點，運用動態(tài)分時電價機制，充分調(diào)動用戶側(cè)分布式儲能的靈活響應(yīng)能力，提升配電系統(tǒng)內(nèi)部各市場參與主體的能量互動水平。算例分析結(jié)果表明：所提方法可有效提升DNO的運營收益并降低用戶的用電成本，提高配電側(cè)光伏消納水平，降低系統(tǒng)峰均比，使凈負荷曲線更加平滑。
