1、8电工电气电工电气 (2023 No.3)作者简介：蔡伟(1987)，男，高级工程师，博士，从事综合能源及储能技术研究工作。蔡伟1，尤梦凯1，张爱芳1，梅矿2，张科杰1，刘健1(1 国网电力科学研究院武汉南瑞有限责任公司，湖北 武汉 430070；2 国网湖北省电力有限公司武汉供电公司，湖北 武汉 430013)摘 要：社区能源管理优化控制可有效优化用户用能结构，缓解新型终端负荷对电网带来的影响。提出了面向互动用能的家庭、社区两级能源管理分层优化控制方法，考虑用户舒适度，建立家庭负荷功率偏差最小的上层优化目标，并考虑电动汽车有序充电和社区储能设备充放电，建立各时段内社区负荷波动均方差最小的下层
2、优化目标。采用基于粒子群优化算法对分层优化控制模型进行求解，通过算例验证了分层优化控制模型的有效性。关键词：社区能源管理；互动用能；电动汽车；分层优化控制；储能系统中图分类号：TK01+8；TM714 文献标识码：A 文章编号：1007-3175(2023)03-0008-05 Abstract:The optimization control of community energy management can effectively improve users energy consumption structure,which could mitigate the impact of n
3、ew terminal load on the power grid.This paper proposes a hierarchical optimization control method of energy management for interactive energy using at home and in the community.It sets an upper optimization objective of minimizing household load power deviation on the account of user comfort,and a l
4、ower optimization objective of minimizing communal load fluctuation quadratic mean deviation in every period with the consideration of orderly charge of electric vehicles and charge and discharge of communal energy storage equipments.The Particle Swarm Optimization(PSO)algorithm is used to solve the
5、 hierarchical optimization control model,and the effective-ness of this model is verified by the example.Key words:community energy management;interactive energy using;electric vehicle;hierarchical optimization control;energy storage systemCAI Wei1,YOU Meng-kai1,ZHANG Ai-fang1,MEI Kuang2,ZHANG Ke-ji
6、e1,LIU Jian1（1 Wuhan Nari Limited Liability Company,State Grid Electric Power Research Institute,Wuhan 430070,China;2 State Grid Hubei Electric Power Company Wuhan Power Supply Company,Wuhan 430013,China）Hierarchical Optimization Control Method of Community EnergyManagement for Interactive Energy Us
7、ing面向互动用能的社区能源管理分层优化控制方法0 引言随着人们对美好生活的持续追求，居民对配电网供电质量提出更高的要求1-2。与此同时，电动汽车等大量新型终端电力负荷的接入，使得电网越来越复杂，电网的形态也发生了变化，电网安全运行压力加大3-5。社区能源管理优化控制可有效优化用户用能结构，缓解新型终端负荷对电网带来的影响6-8。国内王澄等学者通过研究得出，家庭能源管理系统对分时电价等信息作出响应，合理实施需求侧管理，不仅能减少居民用电费用，还能平滑负荷曲线，提高电力系统安全性9。付蔚等学者在分时电价的基础上，以最小化负荷峰谷差为目标，建立了家居设备优化运行的策略模型10。阮冰洁等学者则针对分
8、布式电网供电量的波动性和随机性，研究被供电对象中柔性负荷的控制策略，并对储能设备的充放电进行控制，但该学者只考虑了用户侧单方面匹配供能侧，未考虑双向匹配11。陈俊生等学者分析了需求响应机理，用需求价格弹性描述用户响应，建立分时电价模型，为需求响应项目的制定和实施提供参考和依据12。高赐威针对楼宇中的空调负荷，提出了一种基于负荷直接控制的空调负荷两阶段优化调度和控制模型，以电力公司负荷调面向互动用能的社区能源管理分层优化控制方法9 电工电气电工电气 (2023 No.3)度费用最小以及负荷聚合商收益最大为优化目标，只顾及供能侧利益，未考虑用户侧利益13。针对现有社区能源管理优化控制中优化目标单一
9、的不足，本文围绕电动汽车大量不断接入，居民用电负荷日益增长，社区配电网运行压力不断增大等问题14-16，以提升社区配电网安全稳定运行水平，提升用户用电舒适度为目标，结合已有的智慧社区管理系统17、适用于家庭互动用能的物联网空开18、分布式储能设备19等研究及实践基础，研究面向互动用能的社区能源管理分层优化方法，构建家庭、社区两级能源管理分层优化方法。1 两级能源管理分层优化控制模型本文提出的基于充电负荷及互动用能优化控制模型，通过对储能系统充放电、用户负荷和电动汽车充电负荷的协调控制，考虑用户舒适度建立家庭负荷功率偏差最小的上层优化目标，然后考虑社区储能设备和电动汽车充放电建立各时段内社区负荷
10、波动均方差最小的下层优化目标。文中控制模型的步长为 15 min，全天 24 h 共有96 个点。1.1 上层优化目标及约束条件1.1.1 目标函数(上层)在满足用户用电需求的前提下，通过物联网空开自动控制家庭电器设备的通断电状态来调控用户负荷，提升用户用电舒适度，因此本文以家庭负荷功率偏差最小为上层优化目标：(1)式中：N为用户总数量；Pn,i为用户n在第i时间点的负荷功率；PYC,n,i为用户n在第i时间点的预测负荷，可通过各用户的历史负荷拟合获取。1.1.2 约束条件(上层)根据电能质量供电电压允许偏差中规定，20 kV 及以下电压偏差限值为 7%，因此母线电压的电压约束为：0.93UN
11、Ui 1.07UN (2)式中：Ui为母线电压在第i时间点的电压。考虑到单一时段内用户负荷与预测负荷相差过大时，用户正常生活将受到明显影响，所以对用户负荷有以下约束：式中：K为用户舒适度。1.2 下层优化目标及约束条件1.2.1 目标函数(下层)考虑到系统负荷平滑性，希望减小负荷波动、平滑负荷曲线，因此本文以社区负荷波动均方差最小为下层优化目标：(4)式中，M为社区居民电动汽车的规模量，Pm,i为第m辆电动汽车在第i时间点的充电功率，PC,i为储能系统在第i时间点的充电功率，正值为充电状态，负值为放电状态，Pav为社区的平均负荷，Pav具体如下式所示：(5)1.2.2 约束条件(下层)考虑到变
12、压器容量有限，一般不允许过负荷运行，所以对社区总负荷有以下约束：(6)式中，STN为变压器额定容量，cos为变压器功率因数。考虑到储能单元的寿命周期，本文对其荷电状态做出如下约束：SOCminSOCiSOCmax (7)式中，SOCi为储能系统在第i时间点的荷电状态，SOCmin和SOCmax分别为储能系统允许荷电状态的最小值和最大值，一般分别为 0.1 和 0.9。2 基于PSO的优化求解方法2.1 PSO算法粒子群优化算法(PSO)是一种全局搜索算法20，通常将待优化问题在区间内求解的过程看作鸟群觅食，所求解即为粒子。PSO 算法初始生成大量粒子，每个粒子根据全局最优解和局部最优解在目标搜
13、索空间中搜索最优解21，收敛速度较快。2.2 PSO算法及其实现流程该算法具体实现步骤如下：(1)初始化上层粒子群，根据上层优化约束条件随机产生优化方案，包括各用户各时段用电负荷。(2)随机生成初始粒子群，最大迭代次数设置为L,令迭代次数l=0，粒子数j=80。Nn=196i=1ming1=(Pn,i-PYC,n,i)Nn=1Mm=196i=1ming2=(Pn,i+Pm,i+PC,i-Pav)296Nn=1Mm=196i=1Pav=(Pn,i+Pm,i+PC,i)96Nn=1Mm=1 Pn,i+Pm,i+PC,iSTNcos(3)Pn,i-PYC,n,iPYC,n,iK面向互动用能的社区能源
14、管理分层优化控制方法10电工电气电工电气 (2023 No.3)(3)计算出各优化方案下的家庭负荷功率偏差。(4)判断当前粒子是否满足上层约束，若满足则进入步骤(5)，反之则进入步骤(6)。(5)根据上层目标函数更新粒子的位置和速度。(6)令l=l+1，若迭代次数lL，则上层优化过程结束进入步骤(7)，反之则进入步骤(3)。(7)记录上层优化的全局最优值，根据该最优方案输出各用户各时段用电负荷。(8)初始化下层粒子群，根据上层优化约束条件式和下层优化约束条件式随机产生优化方案，包括电动汽车充电负荷和储能系统充放电负荷。(9)随机生成初始粒子群，最大迭代次数设置为K，令迭代次数k=0，粒子数z=
15、80。(10)计算出各方案下的社区负荷波动均方差。(11)判断当前粒子是否满足上层优化约束条件式和下层优化约束条件式，若满足则进入步骤(12)，反之则进入步骤(13)。(12)根据下层目标函数更新粒子的位置和速度。(13)令k=k+1，若迭代次数kK，则下层优化过程结束进入步骤(14)，反之则进入步骤(10)。(14)输出居民最优负荷功率、电动汽车最优充电功率和储能系统最优充放电功率。PSO 算法的流程具体如图 1 所示。3 仿真算例及分析本文以如图 2 所示的模型进行仿真计算，模型变压器额定容量 630 kV A，功率因数为 1；用户负荷 100 户，每 50 户为一组，共两组用户负荷；电动
16、汽车渗透率为 30%，每 15 台充电桩为一组，共两组电动汽车充电负荷。Z1、Z2、Z3和Z4分别是用户 A、用户 B、电动汽车 A 和电动汽车 B 的分支线路的线路阻抗。对本文提出的优化控制模型进行仿真计算，可得到居民最优负荷功率和电动汽车最优充电功率。如图 3 所示，由仿真结果可知，本文的优化控制模型可有效削减 6:009:00 和 17:0022:00 的用户 A 负荷峰值，同时可有效提升 10:00、13:00 和15:00 的用户 A 负荷谷值。如图 4 所示，本文的优化控制模型可有效削减 7:009:00 和 16:0022:00 的用户 B 负荷峰值，同时可有效提升 10:00、13:00 和 15:00 的用户 B 负荷谷值。如图 5 和图 6所示，本文的优化控制模型可削减 17:0021:00的电动汽车充电功率高峰，有效降低电动汽车充电功率对配电网冲击。图1 PSO算法求解流程图开始初始化上层粒子群l=l+1令迭代次数l=0，粒子数 j=80以家庭负荷功率偏差最小为目标更新粒子及个体和全局最优解计算出家庭负荷功率偏差输出各用户各时段的负荷功率lL？是否满足约束？否否是
