一种风光储柴自治微网群跨域协同互动与消纳方法与流程

本发明涉及微电网系统的分布式发电和储能设备领域，尤其涉及一种含风、 光、储、柴电源的微网群跨域协调能量调度与适配优化合作运行方法。

背景技术：

伴随着微网系统的日渐成熟，这种可独立运行或并网运行的电力网络系统 更多的采用了可再生能源技术。然而虽然目前常用的分布式电源中有内燃发电 机组、燃气轮发电机等较为稳定可靠的供电系统，但由于其供电时需要消耗传 统能源，因此其规模和供电量会收到一定限制，无法完全满足微网中全部用电 负荷的用电要求，而太阳能、风能发电系统因为其具有清洁、可再生等特点也 更多的渗透到微网系统中来。但是后者由于受到天气、环境等因素的影响，其 供电具有间歇性、波动性等特点因此无法提供持续稳定的电力供应。这就造成 了将从两个方面降低自治微网系统的运行效率：一方面，当DG供电充足时，大 量的电能将无法获得有效的利用。虽然此时储能设备可以吸纳一部分多余的电 量，但其效果有限且需要大量的储能单元，从而大大增加了微网系统的投入和 维护成本；另一方面，当DG供电不足时，负荷无法得到充分的电力供应而受到 限制，尤其是当系统中CL供电不足时，其造成的损失将会更加严重。

技术实现要素：

本发明所要解决的技术问题就是提供一种风光储柴自治微网群跨域协同互 动与消纳方法，将多个自治微网系统的供用电系统进行重新优化组合，通过协 作实现电能的优化调度。

为解决上述技术问题，本发明采用如下技术方案：一种风光储柴自治微网 群跨域协同互动与消纳方法，包括如下步骤：

(1)按时间间隔Δt采样，获取当前时刻系统分布式电源DGs、重要负荷CLs、 普通负荷NLs、储能设备Ss的状态信息；

(2)判断是否i＝1,…,NAMG(t-Δt)，如果存在则执行(3)， 否则执行(18)，其中，和分别为(t-Δt)时刻和t时刻自治 微网i_AMG中DG与CL的功率之差，NAMG(t-Δt)为(t-Δt)时刻存在的自治微网的 个数；

(3)构建当前t时刻的网络拓扑矩阵A(t)；

(4)判断是否是则执行(5)，否则执行(6)，其中，NDG是微 网群中DG的总个数，NCL是CL的总个数，NNL是NL的总个数；

(5)Si∈{x|x is load},i＝1,…,Ns并执行(9)，其中，Si为第i个储能设备，Ns为微网群中储能 设备的总个数；

(6)判断是否是则执行(7)，否则执行(8)；

(7)并执行(9)和(10)，；

(8)Si∈{y|y is generater},i＝1,…,Ns并执行(10)；

(9)判断是否每个Si的SOCi≥80％,i＝1,…,Ns，是则执行(11)，否则执行(12)，其中SOCi， 为第i个储能设备的荷电状态；

(10)判断是否每个Si的SOCi≤20％,i＝1,…,Ns，是则执行(11)，否则执行(13)；

(11)其中，Si为第i个储能设备，Gi为第i个供 电电源，Li为第i个用电设备；NG为微网群中发电电源的总个数，NL为微网群中电负荷 的总个数；

(12)执行(14)，其中，Si为第i个储能设备，Gi为第i个 供电电源，为微网群中将储能设备视作发电电源的总个数；

(13)执行(14)，其中，Si为第i个储能设备，Li为第i个 用电设备，为微网群中将储能设备视作用电负荷的总个数；

(14)计算从到的最小权值和：Min[sum(weights)]ij，得 NG×NCL棵最小树，其中，Gi为第i个供电电源，NG为微网群中发电电源的总个数，CLj为 第j个重要负荷，NCL为微网群中重要负荷的总个数，sum(·)为求和函数，weights为网络 拓扑矩阵权值；

(15)选择最小权值和中最小的Min[sum(weights)]ij所对应的Gi作为jth重要负荷CLj的供电节 点；

(16)确定全部NG×NCL个集合{Gi,CLj},i∈(1,NG),j∈(1,NCL)，其中，Gi为第i个供电电源，CLj为第j个重要负荷；

(17)判断是否每个集合{Gi,CLj},i∈(1,NG),j∈(1,NCL)中Gi-CLj＞0，是则执行(19)，否则执 行(18)；

(18)选择次小的权值和Submin[sum(weights)]ij所对应的Gi作为jth重要负荷CLj的供电节点并 执行(19)，其中，Submin(·)表示求次最小值，sum(·)为求和函数，weights为网络拓扑矩阵 权值；

(19)确定Gi和CLj之间普通负荷NLs中市政用电Municipal，第三产业用电Tertiary， 轻工业用电Light的个数并保存在变量nM，nT和nL中；

(20)构建线性矩阵不等式LMI：ε＝min{x·M(t)+y·T(t)+z·L(t)-(Gi-CLj)}

s.t.:0≤ε

x≤nM；y≤nT；z≤nL

其中，M(t)，T(t)和L(t)分别为三种NLs在时刻t的负荷功率值，x,y,z为电源Gi与重要 负荷CLj之间希望连接的三种NLs的数量；

(21)通过求解上述LMI优化问题，确定x，y和z的值；

(22)选择Gi，CLj以及两者之间y和z个Municipal，Tertiary，Light构成集 合{k|kth AutonomousMG,k∈(1,NG×NCL)}，即第k个自治微网。

可选的，网络拓扑矩阵A(t)支路权值的确定方法为：

假设微网中某一用电负荷j，其有功功率和无功功率分别为Pj和Qj，其上游供电节 点为i，则从节点i到节点j的供电线路上的总电阻和总电抗分别为Rij和Xij，假设节点j 的电压保持为Uj，则从节点i传输到节点j的供电线路上的线路网损可表示为：

利用表达式(1)可以获得网络中任意两个节点之间的实时网损值；

在电力系统可靠性评估过程中，线路和器件的不可用度K是一个常用的衡量指标， 它是由年故障频率和修复时间决定，即

其中，f为年故障频率数；r为故障修复时间；

除了使用对线路的故障频率和修复时间的统计值计算其不可用度外，结合专家的 实际工程经验综合评定系统每一条线路的风险系数，

其中，Kij为节点i和节点j之间线路的不可用度，由表达式(2)求得；Eij为节点i和节点 j之间线路的专家评估值；η为调节因子，

为了将二者更好的统一到一个度量指标下，首先需要将二者归一化，

设节点i和节点j之间的线路为Lij，则其归一化的线路网损和不可用度分别为：

其中，N为整个微网中的节点数；

利用归一化后的线路网损和线路不可用度可以获得线路Lij的综合权值评价指标为：

设节点i和节点j之间有线路直接相连，由表达式(6)求得，其权值为aij；反之若 节点i和节点j不直接相连，则aij＝0；对角线元素aii＝0。

本发明采用上述技术方案，具有如下有益效果：

(1)考虑多因素构建网络拓扑矩阵权值，并将这些相关性较低的度量值有 机的统一起来，从而大大减少了约束条件的个数为算法的简化奠定了基础；

(2)将MST搜索算法和LMI优化算法结合起来使用分别构造新的微网拓扑 结构下的“树干”和“树叶”，既利用了算法各自的优点又方便算法的随时结合 与拆分使用(可根据系统状态进行重新划分或只增减“树叶”节点)，从而避免 了每次采样后都对这个算法的重新运行，大大简化了计算量，提高了算法效率；

(3)合理安排储能单元的充放电状态，使该策略得以从空间和时间两个维 度对电能进行优化安排，从而使电能的利用率得到更大程度的提高；同时，尽 量减少了储能设备的充放电次数也避免了储能(S)到储能(S)的充放电动作，从 而降低了储能单元的使用成本，延长了其使用寿命。IEEE 33-bus标准测试平台 下一系列的仿真结构显示，该策略有效的保证了CL的用电，提高了DG电能的 使用效率也极大的保证了NL的用电要求。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附 图进行详细的说明。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为网络拓扑矩阵方法；

图2为储能设备工作区域；

图3为调度策略流程图；

图4为IEEE 33-bus系统测试拓扑及初始网络划分；

图5为DG及负荷特性曲线；

图6(a)为00:00时刻以DG1为根节点生成的MSTs；

图6(b)为00:00时刻以DG2为根节点生成的MSTs；

图6(c)为00:00时刻以DG3为根节点生成的MSTs；

图7(a)为05:00时刻以DG1为根节点生成的MSTs；

图7(b)为05:00时刻以DG2为根节点生成的MSTs；

图7(c)为05:00时刻以DG3为根节点生成的MSTs；

图7(d)为05:00时刻以S1为根节点生成的MSTs；

图7(e)为05:00时刻以S2为根节点生成的MSTs；

图7(f)为05:00时刻以S3为根节点生成的MSTs；

图8(a)为00:00时刻协作调度结果；

图8(b)为05:00时刻协作调度结果；

图9为初始结构对比调度结构下CLs 24h供电对比；

图10为DG利用率对比曲线；

图11(a)为没有使用策略负荷满足状况图；

图11(b)为使用该策略但系统中没有储能设备负荷满足状况图；

图11(c)为使用该策略负荷满足状况图；

图12为24小时协作调度结果。

具体实施方式

本发明针对微网系统中的“三级层(tertiary level)”考虑通过电力系统连接开 关处的监测设备，如多智能体等，获取系统状态信息并利用其控制联络开关，进而从 逻辑层面重构网络拓扑，将多个自治微网系统的供用电系统进行重新优化组合，通过 协作实现电能的优化调度。该“茎叶生成策略”主要包括两部分算法，即MST搜索最 优的DG-CL供电关系，确定网络基本体系；LMI确定NL节点的添加或删除，保证DG 电能的最大利用。

需要说明的是，(1)为了使储能设备具有更长的使用寿命，通常其充放电留有一 定余度，本文选取其充放电范围为最大蓄电容量的20％-80％，如图2所示的工作区B。 (2)该策略根据系统中整体电力供应情况将所有储能设备统一视为“用电”或“放电” 设备，这具有一定的现实意义：这一策略可以有效的避免从一个储能设备向另一个储 能设备充电的动作，从而避免了电池之间的反复充放电“震荡”。(3)该策略在向储 能设备充电的时候先保证所有的CL和NL得到了充分的电力供应，即按照CL>NL>S的 供电优先级进行，这可以尽量减少对储能设备的充放电动作，从而延长电池的使用寿 命，降低运行成本。该调度策略可以有效的实现在输出功率不足条件下的输入输出功 率匹配，实现多微网统一用电的协调性。在保证了重要负荷充分供电的基础上，还在 一定程度上提高了整个系统重要负荷用电的安全性，同时还能够很好的实现多微网间 电能的有效利用。

图3所示的是该发明的处理流程图。其具体的实施将结合具体实例描述如下。 以下将采用IEEE 33节点拓扑为划分网络对其具体步骤进行描述，其拓扑结构如图4 所示。

由图4可以看到，整个网络中有3个DG，其中假设DG1为光伏(0-624.205MW)，DG2和DG3为风能(82.01-419.50MW)，其功率特性曲线来自Belgian electricity transmission operator Elias(May 13^th,2014)，如图5(a)所示。每个储能单元假 设具有900MWh的最大容量，则图4所示系统中储能系统的最大总容量为2700MWh。此 外，图4所示系统中包含有6个重要负荷和21个非重要负荷，其典型24h工作特性 曲线如图5(b)所示。各节点连接类型如表I。

表I

33节点测试网络中连接分布式电源、重要负荷和非重要负荷的网络节点(NODES CONNECTED WITH DGS CLS AND NLS IN 33-BUS TEST SYSTEM)

参考图3所示，一种风光储柴自治微网群跨域协同互动与消纳方法，包括如下步 骤：

(1)按时间间隔Δt采样，获取当前时刻系统分布式电源DGs、重要负荷CLs、普 通负荷NLs、储能设备Ss的状态信息。

(2)判断是否i＝1,…,NAMG(t-Δt)，如果存在则执行(3)， 否则执行(18)。意义：上一采样周期确定的结构体系下，在每个自治微网i中(DG-CL)i的变化比有没有超过设定的划分触发门限值θ，有则重新划分，没有则只增减NLs。其 中，和分别为(t-Δt)时刻和t时刻自治微网i_AMG中DG与CL的 功率之差，NAMG(t-Δt)为(t-Δt)时刻存在的自治微网的个数。

(3)构建当前t时刻的网络拓扑矩阵A(t)。其支路权值由表达式(1)-(6)确定。

假设微网中某一用电负荷j，其有功功率和无功功率分别为Pj和Qj，其上游供电节 点为i，则从节点i到节点j的供电线路上的总电阻和总电抗分别为Rij和Xij。假设节点j 的电压保持为Uj，则从节点i传输到节点j的供电线路上的线路网损可表示为：

利用表达式(1)可以获得网络中任意两个节点之间的实时网损值。

在电力系统可靠性评估过程中，线路和器件的不可用度K是一个常用的衡量指标， 它是由年故障频率和修复时间决定，即

其中，f为年故障频率数；r为故障修复时间。

需要指出的是，单独使用一种方法或统计数据可能难以有效的评估系统的实际风 险状态或工作条件。事实上，除了使用对线路的故障频率和修复时间的统计值计算其 不可用度外，专家的实际工程经验也是一个重要的因素。因此，结合二者综合评定系 统每一条线路的风险系数[15]。

其中，Kij为节点i和节点j之间线路的不可用度，由表达式(2)求得；Eij为节点i和节点 j之间线路的专家评估值；η∈[0,1]为调节因子(此中设置为0.6)，可以调整实际统计数 据和专家经验评估二者在风险评估过程中的比重，获得更为合理的评估值。

为了将二者更好的统一到一个度量指标下，我们首先需要将二者归一化。

设节点i和节点j之间的线路为Lij，则其归一化的线路网损和不可用度分别为：

其中，N为整个微网中的节点数；

利用归一化后的线路网损和线路不可用度可以获得线路Lij的综合权值评价指标为：

设节点i和节点j之间有线路直接相连，由表达式(6)求得，其权值为aij，其中β∈[0,1]； 反之若节点i和节点j不直接相连，则aij＝0；对角线元素aii＝0。则网络拓扑矩阵构建方 法如图1所示。

(4)判断是则执行(5)，否则执行(6)。意义：系统中 DGs的总发电量是否大于所有用电负荷的总需求。其中，NDG是微网群中DG的总个数， NCL是CL的总个数，NNL是NL的总个数。

(5)Si∈{x|x is load},i＝1,…,Ns并执行(9)。意义：所有储能设备被视为用电负荷。其 中，Si为第i个储能设备，Ns为微网群中储能设备的总个数。

(6)判断是则执行(7)，否则执行(8)。意义：系统中DGs的总 发电量是否大于所有CLs的总需求。其中，NDG是微网群中DG的总个数，NCL是CL的 总个数。

(7)Si∈{x|x is load}∪{y|y is generater},i＝1,…,Ns并执行(9)和(10)。意义：储能设备被 视为用电负荷或供电电源(Generater)。其中，Si为第i个储能设备，Ns为微网群中储 能设备的总个数。

(8)Si∈{y|y is generater},i＝1,…,Ns并执行(10)。意义：所有储能设备被视为DG。其中， Si为第i个储能设备，Ns为微网群中储能设备的总个数。

(9)判断每个Si的SOCi≥80％,i＝1,…,Ns，是(如图2中C区域)则执行(11)，否则 执行(12)。其中，Si为第i个储能设备，SOCi，为第i个储能设备的荷电状态，Ns为微 网群中储能设备的总个数。

(10)判断每个Si的SOCi≤20％,i＝1,…,Ns，是(如图2中A区域)则执行(11)，否则 执行(13)。其中，Si为第i个储能设备，SOCi，为第i个储能设备的荷电状态，Ns为微 网群中储能设备的总个数。

(11)(意义：储能设备的SOCi≥80％或 SOCi≤20％，则该储能设备不动作，既不作为电源也不作为用电设备)。其中，Si为第i个 储能设备，Gi为第i个供电电源，Li为第i个用电设备；NG为微网群中发电电源的总个 数，NL为微网群中电负荷的总个数。

(12)执行(14)(意义：储能设备被视为电源。)其 中，Si为第i个储能设备，Gi为第i个供电电源，为微网群中将储能设备视作发电电 源的总个数。

(13)执行(14)(意义：储能设备被视为负荷。)其 中，Si为第i个储能设备，Li为第i个用电设备；为微网群中将储能设备视作用电负 荷的总个数。

(14)计算从到的最小权值和：Min[sum(weights)]ij， 得NG×NCL棵最小树。其中，Gi为第i个供电电源，NG为微网群中发电电源的总个数，CLj为第j个重要负荷，NCL为微网群中重要负荷的总个数，sum(·)为求和函数，weights为网 络拓扑矩阵权值。

(15)选择最小权值和中最小的Min[sum(weights)]ij所对应的Gi作为jth重要负荷CLj的供 电节点。

(16)确定全部NG×NCL个集合{Gi,CLj},i∈(1,NG),j∈(1,NCL)。其中，Gi为第i个供电电源， CLj为第j个重要负荷。

(17)判断每个集合{Gi,CLj},i∈(1,NG),j∈(1,NCL)中Gi-CLj＞0？是则执行(19)，否则执 行(18)。

(18)选择次小的权值和Submin[sum(weights)]ij所对应的Gi作为jth重要负荷CLj的供电 节点并执行(19)。其中，Submin(·)表示求次最小值，sum(·)为求和函数，weights为网络 拓扑矩阵权值。

(19)确定Gi和CLj之间普通负荷NLs中市政用电Municipal，第三产业用电 Tertiary，轻工业用电Light的个数并保存在变量nM，nT和nL中。

(20)构建线性矩阵不等式LMI：

s.t.:0≤ε

x≤nM；y≤nT；z≤nL

优化目标为给定三种普通负荷NLs最大节点数量约束下，向每一个自治微网中添 加“叶子”非重要负荷，从而最大限度的利用电源的多余电能以实现电能的充分利用。 其中，M(t)，T(t)和L(t)分别为三种NLs在时刻t的负荷功率值，x,y,z为电源Gi与重要 负荷CLj之间希望连接的三种NLs的数量。

(21)通过求解上述LMI优化问题，从而确定x，y和z的值。

(22)选择Gi，CLj以及他们之间y和z个Municipal，Tertiary，Light构 成集合{k|kth Autonomous MG,k∈(1,NG×NCL)}，即第k个自治微网。

因此，由图4所示的DG负荷曲线可知，在00:00时刻，系统即总输出大于总需求，因此，此时系统中全部储能设备作为用电负荷对待并根据其自 身SOC情况决定是否对其进行充电操作(按步骤9)，而系统只将DGs作为根节点搜索 MSTs以确定CL的供电电源。根据00:00时刻的网络拓扑矩阵A(00:00)获得的从DG到 CLs的MSTs如图6(a-c)所示。根据图6(a-c)所示的MSTs，计算从每一个DG到 每一个CL的权值和，如表II所示。其中加粗字体所表示的是某CL到3个根节点中 权值和最小的，即该CL的供电根节点。然而，需要指出的是，00:00时刻DG1的供电 输出功率为0，因此，根据所提策略，其负责供电的7、8和21CLs按照次小权值和 原则(按步骤18)，分别安排由另外两个DGs负责供电，如表II中下划线数值所示。 据此，00:00微网系统被重构为两个微网子系统，并根据此时DG2和DG3的供电能力及 其他NLs的负荷要求，以充分利用DGs剩余电量为目标，按照LMI算法(按步骤20) 确定添加到每个子微网中的非重要负荷节点。00:00时刻协作调度结果如图8(a)所示。

表II

从分布式电源到重要负荷供电路径的权值和(WEIGHT SUMS FROM DGS TO CLS)

与00:00时刻不同，在05:00时刻系统此时，按照所提策略 系统中储能设备(S)全部作为电源并根据自身SOC状态(Step 10)决定是否放电。根据 05:00时刻的网络拓扑矩阵A(05:00)获得的以DGs及Ss为根节点的MSTs如图7(a-f) 所示。此时，从每一个根节点到每一个CL的权值和，05:00微网系统被重构为五个子 系统，并根据此时DG2、DG3、S1-S3的供电能力及其他NLs的负荷要求，按照LMI算法 (Step 20)向每一个自治微网中添加“叶子”非重要负荷，从而最大限度的利用电源 的多余电能以实现电能的充分利用。05:00时刻协作调度结果如图8(b)所示。

假设系统初始状态下共由3个自治微网系统组成，如图4所示。每个自治微网中 各有一个DG，一个储能单元以及两个CLs。该初始结构下与本文所提出的调度下，系 统CLs整体获得供电的对比情况如图9所示。由图9所示结果可以看出，系统中CLs 在协作策略的统一调度下获得供电的满足率明显高于原始自治微网系统结构下CLs的 满足率。由于CLs负荷对于系统具有比NLs更大的意义和价值，因此这从一个方面证 明该策略具有有效的经济价值。

图10所示是系统DG发电利用率对比曲线。从图10中可以明显看出在本文所提 的自治微网协作调度策略作用下DG的发电的利用率要高于没有协作调度策略情况下 的利用率(图10小窗口中所示为DG的发电利用效率百分比)。通过重构微网系统的体 系结构，同时合理调度储能设备的充放电动作，DG发出的电能被用电负荷利用或被储 能设备存储，并在系统缺乏电力供应时放出，这在实际系统中可以有效的从空间和时 间两个维度对电力进行优化使用，因而提高DG电能利用效率，这在实际电网中具有 重要的意义。

图11(a-c)所示是全体负荷满足率对比的曲线。由图11可以看出，当系统中包含 有储能单元时，该算法可以保障大部分时间内系统全体负荷的用电需求，如图11(a) 所示。而如果系统中储能设备具有足够大的容量，结合合理的自治微网协作调度策略 则可保证全时段内的全体负荷用电。其次，即使是在系统中没有储能设备的情况下， 由于该策略的协调调度作用，大部分时间段内全体负荷的用电需求也是可以得到满足 的，只是部分时间内当系统总电能输出小于电能总需求时，才会有部分NLs得不到供 电，如图11(b)所示。与之形成鲜明对比的是，系统中即使存在储能设备，在没有合 理调度的情况下，系统在大多数时间内仍然无法满足全体负荷的用电要求，如图11(c) 所示。图11充分说明了自治微网合理调度的意义和价值，同时说明合理的协作调度 策略比仅仅在系统中增加储能设备对于电力资源的优化使用具有更重要的意义。

图12所示为本文所提出的协作调度策略对一天中系统所有供电及负荷用电的安 排结果。由图12所示的结果可以看出，通过储能设备的合理充放电调度，00:00-04:30， 07:30-08:30以及11:00-13:00时间段内DGs产生的多余电量被充分吸收，而使得 05:00-07:00，09：00-10:30以及18:30-21:00不足的电能需求得到了有效的补充； 同时，在00:00-22:30时间段内，全部的重要负荷用电都得到了充分利用，只在 22:30-24:00时间内的重要负荷电量需求由于DG和储能都没有电力输出，即系统中总 电力供应小于CLs总需求，因此无论如何调度都无法满足而不得不放弃部分CL的供 电。但在实际操作中，这部分电力缺口可通过向公共电网买电而得到补偿。另外，对 于非重要负荷，通过本文的协作调度，使系统中大多数时间段内的NLs用电要求都能 够得到充分满足，只有在系统电力总需求大于总供给时，才无法通过调度满足，而这 部分电力仍然可以通过买电获得。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式 中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要 求书的范围中。