英语原文共 7 页

智能电网环境下微电网的优化负荷分配模型

杨夏琳，陈志强，薛定

摘要

在智能电网环境下, 灵活多样的分布式发电 (DG) 和微电网 (MG) 正受到人们的广泛关注。智能电网涉及许多关键的管理和优化问题。MG 作为智能电网优化的重要组成部分, 其优化负载分布有助于 MG在智能电网环境中的高效运行。然而, 传统的大型发电系统最优负荷分配模型由于其独特的特点, 并不完全适用于 MG。本文首先介绍了智能电网中的 MG, 并对其特点进行了分析。然后, 对智能电网环境下 MG 的最优负荷分布模型进行了回顾, 指出了现有模型的不足。最后, 建立了 MG在目标函数和约束条件下的综合最优负荷分布模型, 并对其进行了讨论。

关键词:微电网;智能电网;分布式发电

目录

1.导言1

2. 智能电网环境下MG的最优负荷分配2

2.1MG在智能电网中2

2.2MG最优符合分配的特点 2

3.MG的最优负荷分布模型.3

3.1简略模型3

3.2多目标模型5

4.建立MG负荷优化分配的综合模型6

4.1MG最优负荷分布的客观函数6

4.2MG最优负荷分布的约束7

4.2.1电源和需求平衡限制7

4.2.2储能装置的运行限制7

4.2.3可再生能源发电的制约因素8

4.2.4热电联合系统的约束8

4.2.5其他约束8

5.结论9

致谢9

参考文献10

1.导言

随着发电技术的快速发展和电力需求的不断增加, 大规模集中发电系统得到了广泛的应用, 其中火电是主要的发电方式。然而, 大规模集中式火电发电的弊端, 如经济效益、环保、安全性和可靠性以及控制敏捷性等方面的劣势, 正在逐渐显现。人们开始对大规模集中式发电方法进行重新评价, 提出了小规模分布式发电的思路 [1]。20世纪90年代末之后, 越来越多的研究工作集中在分布式发电 (DG) 及其经济效益上 [2-5]。DG, 也被称为分散发电或分布式能源供应, 是一种新的能源生产和供应模式 [6–8]。在 DG 中, 相对较小的发电机组设置在用户负载站点附近。因此, 与大规模集中发电相比,DG 的主要优势在于其在位置上的分散和供电的灵活性。此外, 在与大型发电系统合作时, DG 还可以提高供电系统的可靠性 [9]。然而, DG也有一些缺点。主电网总是采用限制和隔离等方法来减少DG的影响。随着智能电网的发展, 提出了微电网 [10–12] 的概念, 以协调 DG与主电网之间的矛盾。MG 是智能电网中一种重要的发电模式[13–15]。

目前, MG 主要处于实验研究阶段 [16–18]。在 MG 被广泛应用之前, 在技术、控制和管理方面仍有许多障碍需要克服 [19-21]。MG 的经济优化是影响其运行效率和用户接受程度的关键管理问题之一 [22–24]。MG经济学的三个方面在 [25] 中得到了总结。太阳能发电、风力发电等可再生能源发电方法在 MG中得到广泛采用, 使其环境效益明显 [26]。此外, MG产生的电力可以通过电力用户划分和负荷分类以更安全、更可靠和更个性化的方式提供 [27, 28]。目前, MG [29-32] 的经济优化已取得了一些研究成果。

各种优化问题是 MG经济学的关键部分, 如分布式发电机的位置优化 [33-35] 和容量优化 [36–38], 以确定每台发电机的位置和容量。最优负荷分布是支持 MG [39] 有效运行的一个重要优化问题。MG的最佳负载分布是为了实现多种目标, 包括低运行成本、低排放、高可靠性、高电能质量、低线路损耗等, 同时满足各种系统运行限制。本文将回顾现有的 MG 最优负荷分配模型, 指出现有模型的不足。然后提出并讨论了MG最优负荷分布的一般综合模型。

本文的其余部分结构如下。第二部分简要介绍了智能电网和 MG, 以及 MG的最优负载分布。然后, 对 MG 最优载荷分布的单目标和多目标优化数学模型进行了综述。在第四部分中, 我们提出了一个 MG 最优负荷分布的综合模型, 包括不同的目标函数和不同的约束。最后, 在第5节中得出了结论。

2.智能电网环境下MG的最优负荷分配

2.1MG在智能电网中

为了实现电力系统运行变得更安全、更可靠、更环保、更灵活、更可控、更具成本效益的目标, 美国和一些欧洲国家提出了 '智能电网' 的概念 [40--42]. 目前, 许多国家已将智能电网作为国家战略之一, 并开展了大量研究工作 [43-45]。智能电网 [46–48] 一般可以看作是一种智能电网系统, 它采用先进的信息技术、传感器技术、自动控制技术和科学的管理方法等, 将能量流和信息流结合起来。

MG 是智能电网实现和应用的重要组成部分。在智能电网环境下, 各种分布式发电机和储能装置可以对主电网进行评估。它们可以通过电力通信系统在所有电压水平上的互联, 形成一个 '虚拟电厂'。许多研究人员研究了分布式发电机和储能装置在智能电网中的作用。Zhang [ 49 ] 介绍了采用 DG 和柔流变速器 (FACTS ) 的智能电网运行和控制框架 , 并提出了全球电压控制协调策略。Mohd 等人 [50] 指出, 具有先进电力电子的分布式储能系统可以在供电系统中发挥重要作用, 并带来许多经济利益。他们还研究了主电网的拓扑结构、控制和灵活性。通过仿真研究了电力岛分布式发电机的运行和控制, 设计了合适的总线控制器。他们还分析了 DG 的灵活性、安全性和电能质量。这些研究主要集中在智能电网环境下 dg 操作的技术和控制视角。

2.2MG最优符合分配的特点

MG是一种小型配电和消费系统, 克服了 DG 在智能和灵活性方面的不足 [52]。MG 通过现代电源技术, 如快速电源电子开关、先进的转换技术、高效的新能源和各种储能设备, 为用户提供电能。许多分布式发电机和储能装置, 包括光伏阵列、风力涡轮机 (WTs)、微型涡轮机 (MTs)、燃料电池 (FCs) 和储能电池, 在 MG 中被广泛采用。

MG 是一种可控的电力系统, 通过结合发电设备、储能设备、控制设备和负载为用户提供热和电力 [53]。MG 的基本结构是由美国电力可靠性技术解决方案联合会 (CERTS) 提出的 [54]。MG可以通过与主电网和独立隔离模式的协作, 在两种并网模式下运行。MG 作为主电网的有效补充, 以其成本低、污染低、可靠性高、易于控制等特点, 近年来备受关注。

MG 的最佳负荷分配是为了实现多种目标, 包括最大限度地降低成本、最大限度地减少污染排放和最大限度地提高可靠性等, 同时满足各种限制。图1显示了 MG 最优负荷分布的基本结构。

MG 与传统的大规模火电发电有许多不同。首先, MG 中各种分布式发电机的发电通常遵循最大功率点跟踪模式 [55、56], 不能通过手动调度进行控制。这些分布式可再生能源发电发电机的输出特性对自然条件敏感, 如日照强度和风速。由于低电压引起的接线电阻较大, 因此不能忽视 MG 的电源线损耗。第三, 由于 MG 中分布式发电机的发电特性不同于传统的火电机组, 因此不能直接用于 MG, 因此不能直接使用等增量原理 [57]。此外, 由于在并网模式和隔离模式之间转换时, MG 的功率分布可能会发生很大变化, 因此应根据系统运行情况对 MG 进行全局和动态优化 [58]。

因此, 传统的大型电力系统最优负荷分配模型 [59–61] 由于其特定的特性, 不能直接应用于 MG。需要开发新的 MG 最优负荷分配模型。

3.MG 的最优负荷分布模型

3.1. 简略模型

MG 的最优负荷分布实际上是一个多目标优化问题。然而, 在现有的一些研究工作中, 为了便于问题分析和解决, 始终将 MG 的多目标最优负荷分布模型简化为单目标负荷分布模型。陈和朱[58] 建立了MG 最优负荷分布的单目标模型。其模型的目的是通过优化分布式发电机的输出, 同时满足系统运行条件, 最大限度地降低发电总成本。其模型的目标函数定义如下:

(1)

其中 F 是系统发电的总成本, T 是调度周期中的周期总数, T 是周期数, N 是可以在系统内调度的发电单元和储能装置的总数, Pi 表示实际机组 i(F(Pi) 的输出是指发电机组或储能装置的运行成本,是从主电网购买的电力,是出售给主电网的电力, 买方是购买的电价, 是出售电力的价格。

该优化模型有四个约束, 包括发电机组的运行约束、储能装置的充放电和容量约束以及功率平衡约束。该模型的总运营成本包括燃料成本、维护成本、启动成本以及主电网的交易成本和收入, 但不包括燃料消费率的因素。此外, 该模型中没有考虑污染排放、系统可靠性、电能质量和运行效率等目标。另外, 也没有包括起停的时间和数量限制。因此, 该模型的仿真结果可能不那么准确。

Asanol 和 Bando。[63] 和 Asano 等人也研究了考虑热电联产系统的 MG 的最优负荷分布。[63] 中提出的数学模型的目标函数包括运行成本、燃气成本、购电成本和燃气发动机启动成本。[64] 中提出的目标功能考虑到了更多的成本, 包括天然气成本、主电网的交易成本、主电网的合同需求成本、运营和维护成本、启动成本和原始成本投资成本。该模型的约束包括电源和需求平衡、储能装置的充放电约束、空间冷却约束、热气和热水需求约束。然而, 这两个模型 [63, 64] 被简化为单目标优化问题。此外, 不包括储能装置的容量限制和发电机组的运行限制。

Zoka 等人 [65] 从用户的角度研究了分布式发电机和储能装置的最佳运行问题, 提出了分布式发电机资源独立网络的经济评价方法。他们还指出, MG 的总成本不仅应包括安装和运营成本, 还应包括自建成本和电力中断成本, 这也是衡量 MG 可靠性的指标。目标函数中的总成本由运营成本、投资成本和与主电网交易的收益成本组成。业务费用包括燃料费用以及检查和维护费用。模型中的约束包括电源和需求平衡约束、供热和需求平衡约束、储能装置的充放电平衡约束、发电能力约束、其他分布约束和非负约束。这种模式的优点有两方面。首先, 它的目标功能集成了功率中断成本的概念, 表明了 MG 系统的可靠性。其次, 其目标功能和制约因素的构成更加全面。然而, 在目标函数中忽略了启动成本和线路损失。此外, 能量存储容量约束不包括在约束中。

总之, 将上述 MG 最优负荷分配模型简化为单目标优化问题。然而, MG 的最优负载分布是一个多目标优化问题, 我们不应只考虑成本的目标, 还应该考虑排放、可靠性、电力线损耗、电能质量和发电的目标效率的考虑。这些目标对于 MG 的精确有效的最优负荷分布具有重要意义。因此, 主观上忽略其中的一些目标, 将多目标模型简化为单目标模型是不合理的, 这直接影响到 MG 最优负荷分配结果的准确性和有效性。

3.2多目标模型

Mohamed 和 Koivo [66-69] 研究了 MG 的最优建模和在线管理, 并建立了 MG 最优负载分布的一系列多目标非线性数学模型, 其中最大限度地降低成本、排放和之间的权衡。他们被考虑在同一时间。[66] 中建立的多目标优化模型的运行成本包括燃料成本以及运行和维护成本, 而主电网的启动成本、收入和成本不包括在内。

[66] 中的污染物排放总量表示如下:

(2)

其中 E(Pi) 是单位i、alpha;i、beta;i、gamma;i、xi;i、lambda;i的非负系数, 描述了该单位的发射特性,Pi 是单位的实际输出。

该模型中的约束不充分, 仅包括系统功率平衡约束和分布式发电机运行约束。不包括储能装置的限制和系统启动时间和数量。不完全模型将导致不准确的结果。

[67] 分析了风力发电系统、光伏系统、柴油发电机、燃料电池、微型涡轮机、电池的成本特征, 并提出了相应的成本计算方法。然后建立了 MG 的多目标优化模型。排放目标函数与 Eq. (2) 相同, 而系统启动成本则计至运营成本。然而, 一些重要的因素, 如主电网的收入和成本, 还没有考虑到。对于约束, 增加了连续运行停止时间约束和启动停止数量约束。但没有考虑到充放电约束和容量约束。

[68] 中建立的最佳负载分布模型比 [66, 67] 中建立的前两个模型要完整得多。排放目标功能与 eq. (2) 相同, 运营成本包括燃料成本、运营和维护成本、启动成本以及主电网的收入和成本。业务费用职能如下:

(3)

其中 F (Pi) 是单位 i 的总运行成本, Pi 表示单位 i 的实际功率输出, N 是 MG 系统中的单位总数, Ci 是单位 i 的燃料成本, Fi 是单位 i 的油耗率 i, OMi 是机组 i 的运行和维护成本, SCi 是机组 i 的启动成本, CPPi 是从主电网购买电力的成本, ISPi 是向主电网销售电力的收入。

[68] 中模型的约束与 [67] 中的约束相同, 而 MG 与主电网之间的交易则得到更全面的考虑。考虑了两种不同的条件来模拟购买和销售的电力。

资料编号：[3998]