配电台区灵活资源多时间尺度优化调度方法
——以含虚拟储能的建筑微网为例

黄 旭，祖国强，司 威，丁 琪，刘明阳，唐万鑫，靳小龙

（1国网天津市电力公司城东供电分公司，天津 300250；2国网天津市电力公司电力科学研究院，天津 300384；3国网天津市电力公司滨海供电分公司，天津 300450；4天津大学，智能电网教育部重点实验室，天津 300072）

分布式发电单元、电动汽车、微网以及智能建筑等越来越多的新元素在配电台区接入，在给中低压配网安全运行带来挑战的同时也蕴含着巨大的灵活调节潜力[1]。以智能建筑为例，我国建筑运行总能耗约占全社会能耗的33%[2]。伴随我国城镇化水平的提高，该比例仍会持续增长。组成建筑围护结构的材料具有隔热和蓄热能力，使得建筑制冷/制热设备可在一定范围内进行功率调整而不影响用户的温度舒适度。因此，建筑是配电台区灵活调控的重要资源之一，而如何对智能建筑进行能量优化管理从而挖掘其灵活潜力成为了研究热点[3]。

微网是由分布式能源和负荷组成的小型低压配电系统，其采用能源管理技术和智能通信技术，可为建筑内各类设备（例如建筑制冷设备）的运行和控制提供高效的基础设施和能源管理服务[4]。因此，建筑微网是利用微网的能源管理理念来制定建筑的优化调度策略，通过对建筑内的多种类型供用能系统和单元进行协调优化调度，可实现清洁能源的充分利用、降低建筑运行费用等目标[5]。目前国内外已有部分关于建筑微网优化调度方法的研究[6]。文献[7]提出了由热储能单元、吸收式制冷机、冷-热-电联供(combined cooling, heating and power system，CCHP)组成的建筑综合能源一体化供能系统的日前优化调度方法。文献[8]提出了建筑微网中电动汽车的充放电优化策略，所提方法可减少建筑微网系统对外部电网的依赖。文献[9]提出了社区型独立微网日前调度的动态规划模型，通过协调可控电源、不可控电源、储能装置和用户需求侧响应能力来实现优化目标。文献[10]进一步考虑了建筑微网中风电的不确定性，提出了基于场景生成的建筑微网日前优化调度模型。

然而，已有建筑微网优化调度及能量管理研究工作中，没有充分考虑建筑制冷需求与用户温度舒适度及室外温度之间的定量数学关系，忽略了需求侧建筑的虚拟储能系统在微网优化调度中的潜力。事实上，构成建筑围护结构的材料具有良好的隔热和蓄热能力[11]，建筑围护结构的蓄热特性使得建筑室内温度变化存在一定的滞后性和惰性[12]，从而使得建筑用能表现出一定的储能特性及灵活性。因此，建筑的制冷需求可以根据微网的调度需求在一定用户舒适度范围内与调控环境下进行优化调整。因此，建筑可被视为一种天然的储能系统 (本文统称为虚拟储能)，并具有相当大的灵活性潜力。为此，国内外学者探索在建筑微网的优化调度和能量管理中考虑建筑围护结构所带来的虚拟储能特性。文献[13]提出了考虑建筑相变储能系统的建筑微网电-热联合日前优化调度方法，所提方法可以提高微网可再生能源的消纳率，同时减少向电网的购电量，并降低建筑微网的运行成本。文献[14]提出了考虑建筑围护结构蓄热特性的热电联供型微网多目标日前优化调度方法，所提方法可在减少经济成本的同时实现较好的环境效益。文献[15]则进一步在热电联供微网的优化规划中考虑建筑围护结构的蓄热特性以及建筑热水箱的热力学特性，使得规划方案降低热电联供微网所需配置的燃气锅炉和储热罐容量，从而使系统综合成本明显降低。文献[16]建构了以发电成本、购售电成本与弃风成本最小为目标的建筑微网日前调度方法，所构建的日前调度模型考虑了建筑的虚拟储能特性以及相变储能的灵活性。文献[17]考虑了我国北方地区集中供热背景下的建筑微网日前优化调度方法，并充分考虑了建筑围护结构所带来的虚拟储能特性。

上述研究对建筑虚拟储能特性在其优化调度和能量管理中的高效利用提供了重要的借鉴意义。然而，上述研究只考虑了日前调度的单一时间尺度，建筑的虚拟储能特性也只在日前优化调度中进行了利用。考虑到建筑微网中可再生能源不同时间尺度的预测精度存在差异，单一时间尺度的优化调度无法全面考虑可再生能源出力预测误差对系统运行的影响，从而使得优化结果可能与建筑微网的实际运行情况不符。为此，本文进一步挖掘配电台区侧的建筑微网灵活调控能力，提出了利用建筑虚拟储能特性的建筑微网多时间尺度优化调度方法，分别在日前调度和日间修正两个时间尺度对建筑虚拟储能进行充分利用。首先，充分考虑建筑制冷需求与用户温度舒适度及室外温度之间的定量数学关系，采用虚拟储能模型实现对建筑灵活性的定量描述。虚拟储能模型通过在建筑用户舒适度范围内对室内温度进行调整，从而实现对虚拟储能的充电和放电进行优化调控，最终实现对建筑微网的日前/日间多时间尺度优化调度。其次，本文进一步发掘需求侧建筑的虚拟储能系统在建筑微网优化调度及能量管理中的潜力，将建筑中的虚拟储能系统整合到多时段优化的建筑微电网的数学模型中，从而在日前调度阶段降低微网运行成本；在日间修正阶段跟踪日前调度生成的微网联络线设定值，使联络线功率因日前预测的误差而产生波动的问题得到解决。

1 建筑虚拟储能模型

构成建筑围护结构的材料具有良好的隔热和蓄热能力，使得建筑室内外热量传递具有一定的延时和热动态特性，从而使得建筑用能表现出一定的储能特性及灵活性。为了有效利用这一灵活性，本工作将建筑建模为与室外进行热量交换的虚拟储能单元。因此，建筑虚拟储能系统的灵活调节特性主要来源于围护结构的蓄热特性。本文基于建筑的蓄热特性，依据能量守恒得到建筑的热平衡方程，如式(1)所示[18]：

式中，ΔQ为建筑室内空间的热量变化量；ρ为空气密度；C为空气比热容；V是室内空气的体积；Tin为室内温度，t为时间。

影响建筑物内部热量的主要因素有：室内外温度的差异、太阳辐射、建筑内人体和建筑设备的传热以及冷却/加热设备的冷却/加热能力等。以夏季某时段的制冷过程为例，式(1)可以表达成如式(2)所示。

式中，kwall为热量从外墙传导至室内的传热系数[18]；Fwall为墙体的总面积；kwin为窗户传热系数；Fwin为窗户的总面积；Tout为室外温度；Tin为室内温度；I为光照强度；SC为遮阳系数[19]；Qin为室内热源发热功率；Qcl为制冷设备功率。为了降低建筑热平衡建模复杂度并简化计算，本文采用了与文献[20]类似的简化处理方法，将建筑屋顶算作建筑外墙的一部分。

建筑内虚拟储能系统充放电功率如式(3)所示[18]：

式中，Q′cl,t为不调节室内温度的建筑制冷功率；Qcl,t为在热舒适度范围内调节室内温度的建筑制冷功率；QVSS,t为虚拟储能系统的充放电功率，充电为负，放电为正。

式(2)和式(3)共同构成了虚拟储能系统的数学模型[18]：将建筑的环境温度控制在用户的室内温度舒适范围内，根据式(2)可以得到建筑的制冷需求(相当于制冷系统的制冷功率)的调整量，然后根据式(3)计算结果，得出等效模型中虚拟储能系统的充放电功率。

2 建筑微网分层能量管理框架

本工作研究的建筑微网结构如图1所示。本文所提建筑微网优化调度分为日前经济优化调度及日间实时修正两个时间尺度。

图1 台区下的某建筑微网结构图Fig.1 Schematic diagram of a building microgrid connected to a distribution station

2.1 日前调度

2.1.1 目标函数

建筑微网在日前调度阶段的优化目标是最小化其运行费用。因此含虚拟储能系统的建筑微网日前调度目标设为运行成本最小，其目标函数见式(4)：

式中，Pex,t是建筑微网向上级配电变电站买电的功率，本文暂不考虑建筑微网向上级配电变电站卖电的场景；Cph,t为微网从配电变电站购电的价格；CPV_om为分布式光伏的维护成本；CEC_om为电制冷机的维护成本；PPV,t和PEC,t分别为t时刻光伏出力和制冷机电功率[21]。

2.1.2 约束条件

（1）电功率平衡：

式中，Pel为t时刻的电负荷。与很多研究微网能量管理的工作相同，本文将光伏出力考虑为不可控变量，不对其进行优化调控[10,13,15-18]。因此，在模型中不对光伏的出力进行约束，而是采用全部消纳的策略，如式(5)所示。

（2）冷负荷平衡：

式中，Qcl,t是建筑的制冷负荷。

（3）建筑热平衡如式(2)所示。

（4）电制冷机的运行约束：

（5）建筑室内温度上下限约束：

2.2 日间修正

建筑微网在日间修正阶段，通过实时记录日前调度计算得到的微网联络线设定值，以及控制虚拟储能系统充放电功率，降低日前预测结果(负荷及分布式电源)的偏差，从而平抑微网联络线功率的波动。优化目标设定为追踪日前调度给定的微网联络线设定值，目标函数见式(9)：

图1 所示建筑微网含虚拟储能的日间修正阶段，模型的约束条件与日前调度模型相同，之后不再赘述。

2.3 多时间尺度优化调度算法

本文所提建筑微网多时间尺度优化算法见图2。优化调度算法包括日前经济优化调度和日间实时修正两个阶段。为了有效调度虚拟储能系统参与日间修正，提出包含上层调度和底层管理的双层日间修正算法。具体流程如下。

图2 建筑微网多时空优化调度方法Fig.2 Flowchart of the multi-temporal optimal scheduling method for the building microgrid

（1）初始化：日前调度中，以运行成本最小作为日前调度中的优化目标[见式(4)]；在日间修正中，将每日调度后的联络线指令作为每日修正的优化目标[见式(9)]。

（2）日前调度：以建筑微网负荷、可再生能源出力、室外环境及室内热源得热量日前预测结果为基础，对日前优化调度模型进行计算，并生成日前调度计划。

（3）日间修正：通过在建筑用户温度舒适度范围内调节室温，等效成虚拟储能的充放电管理，从而跟踪日前调度给定的微网联络线设定值，达到减小微网联络线功率波动的功能。

在上层调度中，主要任务是：以式(9)为目标，根据日前调度计划中的日间实时量测数据及联络线功率，求解最优调度模型，生成建筑微网中的虚拟储能系统目标运行设定点(包括虚拟储能系统的充放电功率及室内温度调节信号)；在底层管理中，主要任务是：底层管理系统一方面根据日前调度计划中生成的建筑室内温度调度指令及用户的舒适度需求(室温可调节范围)，计算得到日间实际运行阶段中，建筑用户不参与日间修正的实际制冷负荷，将结果向上传递给上层调度系统，以供上层调度系统生成虚拟储能系统运行设定点；另一方面，基于建筑虚拟储能模型生成建筑微网中各个设备的功率调度指令。

图3给出了多时间尺度优化调度算法的执行示意图：日前调度阶段的时间尺度为1小时，全天调度时间为24小时，因此日前调度阶段共有n1=24个时段；日间修正阶段的时间尺度为15 分钟，全天调度时间为24小时，因此日间修正阶段共有n2=96个时段。日前调度和日间修正的优化问题均为混合整数线性规划问题，可直接调用商业优化求解器进行求解[22]。为此，本文基于MATLAB-YALMIP联合仿真平台，通过调用CPLEX 商业求解器对日前调度和日间修正的优化问题求解[22]。联合仿真计算平台示意图如图4所示。整个计算平台包括两个计算模块：①多时间尺度优化调度建模模块；②优化计算模块。日前调度及日间修正的优化调度数学建模均在MATLAB-YALMIP 平台实现。CPLEX 求解器集成在优化计算模块中，通过与多时间尺度优化调度建模模块的接口进行模块之间的数据通信，从而完成对日前调度及日间修正的优化调度数学模型的求解。

图3 多时间尺度优化调度算法的执行时间线Fig.3 Timeline of the multi-temporal optimal scheduling algorithm

图4 多时间尺度优化调度算法计算平台Fig.4 Calculation platform of the multi-temporal optimal scheduling algorithm

3 算例分析

3.1 算例数据

对图1中建筑微网进行日前日间的多时间尺度模型分析。日前调度预测数据为小时级预测数据，日间调度实测数据为15 min 级数据。建筑相关参数见表1[18]。算例采用的光照强度曲线、室外温度的日前预测及日间实测数据见图5。建筑微网中建筑设定为独栋办公建筑，假定建筑用户办公时间为8:00—20:00。

表1 建筑参数信息表Table 1 Building parameters

图5 室外的温度及光照强度数据Fig.5 Data of the outdoor temperature and the solar radiation

某一典型日的光伏预测/实测曲线、电负荷预测/实测曲线以及室内得热预测/实测曲线如图6 所示。本文不对光伏出力进行优化调控，对其采用全部消纳的策略。本文设定的光伏额定容量为100 kW，光伏的日前预测出力值为光照强度日前预测值乘以光伏额定容量，光伏的日间实际出力值为光照强度日间实际值乘以光伏额定容量。本工作日前优化调度中采用的日前实时电价如图7 所示。图中所示的数字为建筑微网从电网买电时的价格，在建筑微网向电网卖电时，价格为买电价格乘以某一系数，本文设定系数为0.8。微网中设备相关参数见表2[21,23]。

表2 相关设备参数Table 2 Parameters of the energy equipment

图6 建筑微网的预测及实测曲线Fig.6 The forecasting and real data of the building microgird

图7 日前电价Fig.7 Day-ahead prices

3.2 算例分析

3.2.1 日前调度

建筑微网日前调度计划中，假定用户在工作时间内可接受温度在20～25 ℃内被调整。用户在非工作时间尺度中，其对室内温度无必须要求。如图8 和图9 所示为建筑微网融合虚拟储能后的日前优化调度结果。

图8 日前电能优化调度Fig.8 Optimal day-ahead scheduling of the electric power generation/consumption

图9 日前制冷优化调度Fig.9 Optimal day-ahead scheduling of the cooling power generation

从图8结果可以看出，在办公时间内室内温度在22.5 ℃上下波动，室内温度的变化会影响电制冷机电功率的消耗。从图9所示结果可以看出，虚拟储能系统在工作时间内参与了日前优化调度，从而一定程度上降低运行成本。仿真计算结果表明，没有引入虚拟储能的建筑微网系统，其日前优化调度的运行成本为602.4元，而引入虚拟储能的建筑微网，其运行成本为578.7元，与不引入虚拟储能的优化调度情况下的结果相比较，运行成本下降3.93%。

日前调度算例的结果表明，通过在用户舒适温度范围内调节室内温度，可以在日前优化调度阶段，调节虚拟储能系统的充放电功率，从而在一定程度上减少建筑微网的运行费用。

3.2.2 日间修正

由图5和图6可知，建筑微网负荷、光伏出力、光照强度、室外温度及室内热源得热量的预测数据与实际量测数据存在误差，在日间的实际运行过程中，需要在日间修正中对功率指令进行调整，从而对经过日前调度计算而得到的微网联络线的设定值进行跟踪，减小微网联络线功率波动。虚拟储能参与建筑微网日间修正的调度结果见图10 和图11。从图10 结果可以看出，电制冷机功率和室内温度有明显变化，即虚拟储能系统中的充放电功率控制可以通过调节室内温度而实现。而在日间修正阶段中应用这种方法，可以达到减少微网联络线功率波动的效果。

图10 日间电能优化调度Fig.10 Optimal intra-day scheduling of the electric power generation/consumption

图11 日间制冷优化调度Fig.11 Optimal intra-day scheduling of the cooling power generation

从图11 可以看到，底层管理中的日间修正阶段，根据日间调度生成的室内温度调度指令，和基于用公式(2)构建的虚拟储能系统数学模型的日间实际测量数据(见图11中的黑色实线)，计算出实际日间运行中不参与日间修正的虚拟储能系统的制冷需求，并送入上级调度系统。在上级调度系统中，运用日间修正的最优调度模型来计算得到虚拟储能系统参与日间修正的建筑制冷需求，该需求以图11中的黑色虚线表示。

我们设定以下两种比对场景进一步验证本文所提方法的有效性。

场景一：系统根据日前调度生成的结果，进行日间实时修正。场景一虚拟储能系统不参与日间实时修正，建筑用户室内温度保持22.5 ℃不参与调节，当系统中出现由于日前预测误差而引起的电/冷功率缺额时，全部以电能作为补充能源。该场景下日间调度的联络线功率如图12中所示；

图12 建筑微网联络线功率Fig.12 Electric tie-line power of building microgrid

场景二：根据日前调度计划，考虑虚拟储能系统以式(9)为调度目标参与日间修正，所得功率结果如图12所示。

对比场景一和场景二，不难看出，经过对虚拟储能充放电功率的日间调度来参与日间修正，场景二联络线功率的跟踪效果优于场景一，从而使得建筑微网联络线功率的波动有了一定程度的降低。对建筑室温进行调节，可以在日间调度阶段跟踪日前调度给定的微网联络线设定点，从而减少微网联络线功率的波动。

从图12 可以看到，场景二相对于场景一的室内温度波动更加剧烈。这是因为场景一作为对比场景不对虚拟储能做调控，即室内温度一直保持为22.5 ℃而不做调节。场景二通过调节室内温度来实现对虚拟储能的调控，因此相较于场景一的室内温度波动更加剧烈。虽然场景二的室内温度变化比较剧烈，但是在建筑用户的工作时间，室内温度一直保持在用户设定的20～25 ℃温度舒适度范围内，如图12灰色框所示。

3.2.3 光伏接入容量影响分析

为充分体现建筑虚拟储能在建筑微网优化调度中的作用，本文突出高比例光伏接入建筑微网系统所带来的影响，分别分析了光伏接入的额定容量分别为100 kW、150 kW、200 kW、250 kW 以及300 kW 情况下，建筑微网在日间修正阶段的联络线功率修正情况。5 组光伏额定容量下的光伏出力曲线如图13 所示，其中实线表示光伏日前预测出力曲线，虚线则表示光伏日内的实测曲线。

图13 不同光伏额定功率下的光伏出力曲线Fig.13 Power outputs of the PV units with different capacities

图14 给出了在不同光伏额定功率下的微网联络线功率日间修正偏差，从图中可以看到，随着接入光伏额定容量的增大，微网联络线功率日间修正的偏差越来越大。以表3 所示的13:45 时刻为例，当光伏额定容量为100 kW 时，日间修正阶段经过对虚拟储能调度的微网联络线的功率偏差为0.69 kW；而随着伏额定容量的逐渐增大到300 kW，微网在日间运行阶段的联络线功率波动越大，其偏差也增加至3.19 kW。对表3 的16:00时刻的仿真结果分析可得到相同结论。因此，由于光伏出力存在预测误差，其接入的额定容量越大，则微网在日间运行阶段的联络线功率波动越大，相应的联络线功率波动平滑难度也越大。

表3 13:45和16:00两个时刻的微网联络线功率日间修正偏差Table 3 Errors of the electric tie-line power of thebuilding microgrid at the intra-day stage at 13:45 and 16:00

图14 不同光伏额定功率下的微网联络线功率日间修正偏差Fig.14 Errors of the electric tie-line power of the building microgrid at the intra-day stage with different PV capacities

图15 给出了日间修正阶段不同光伏额定功率下的建筑室内温度。可以看出，由于接入光伏额定容量的增大，日间修正阶段微网联络线功率的波动增加，因此需要对建筑虚拟储能进行更加深度的调度以实现对联络线功率波动的平抑，因此建筑室内温度的波动也会更加剧烈。从图15可以明显看到，当光伏的额定容量为300 kW 的时候，日间修正阶段的建筑室内温度的波动明显大于光伏额定容量为100 kW 的室内温度波动。需要注意的是，由于本工作考虑的日前预测误差除了光伏出力外，还包括室外温度、建筑常规电负荷、建筑室内的热量等，这些预测误差也会引起日间运行微网联络线功率的波动。

图15 日间修正阶段不同光伏额定功率下的建筑室内温度Fig.15 Electric tie-line power of building microgrid

根据建筑虚拟储能数学模型及上述分析可知，室内温度调节范围越大，虚拟储能的效果越好。因此，室内温度上下限值的选取会决定虚拟储能的可调度潜力，而通过改变设定的室内温度可调范围，可实现虚拟储能效果的控制。因此，建筑虚拟储能模型具有一定的实用价值，其可以根据具体的使用场景来灵活调整其虚拟储能效果。例如，如果用户对于室内温度调节比较敏感，则可以减小其温度调节区间，反之亦然。此外，随着我国用户侧商业模式和经济补偿制度的完善，越来越多的用户会愿意参与到需求响应中来。因此，进一步完善引导楼宇用户用能行为及激励机制的方法可以扩大虚拟储能系统的应用范围及场景，也可以增强虚拟储能系统的效果及潜力，从而为本文所提的虚拟储能系统的实际应用提供可能。

4 结 论

本工作以建筑微网中夏季时段制冷负荷为建模基础，利用建筑物固有的储热能力，构建含有虚拟储能的建筑模型。之后，建筑微网结合虚拟储能，构建多时间尺度优化调度模型，结论如下。

（1）在日前调度阶段，建立建筑微网日前优化调度模型，在温度舒适度范围内调控建筑室内温度，可在一定程度上减少微网的运行费用。

（2）日间修正阶段，通过在温度舒适度范围内对建筑室温进一步调控，以此跟踪日前调度生成的微网联络线设定值，从而在一定程度上缓解由日前预测误差导致的联络线功率波动。

本工作取得了一些进展，但仍有若干问题需要进一步研究。

（1）本工作虚拟储能系统主要来自于独栋办公型建筑的蓄热能力，容量相对较小，类型较为单一。未来研究将探索更多类型建筑的蓄热特性，形成容量更大，类型更为丰富的虚拟储能系统，研究其在不同场景下参与微网优化运行的协调调度方法。

（2）本工作算例中所选取的典型日的光伏发电功率波动性较小，未来将探索多种气候条件或者极端气候条件中光伏出力波动较大的场景下，建筑微网融合虚拟储能系统，实现多时间尺度优化调度的响应控制方法。

（3）本工作研究了夏季制冷场景，其中智能楼宇的制冷负荷是通过电制冷机实现。事实上，很多大型的智能楼宇的制冷/制热负荷通过ICES中的区域集中供热/供冷系统实现。因此，如何在集中供热/供冷环境下，对单体智能楼宇及智能楼宇集群进行建模及能量管理，并考虑电-冷-热耦合系统的运行优化和互动协同，需进一步研究。