5.4.3.1　算例描述

为验证上述主动配电网下分布式能源系统调度模型在优化电网运行和调度中的有效性，本案例对标准IEEE 33节点系统进行了相应的调整和改造，调整后的算例系统如图5.17所示。本案例在改造的IEEE 33节点系统中，对负荷较大的节点添加了分布式电源和储能。从图中可以看出，系统中包含的分布式发电单元和储能单元总个数为19个，各发电单元类型及配置参数见表5.7。

假设该算例中，全天调度期内的电力公司售电价格分别为：峰时电价为0.55元/（kW·h），平时电价为0.488元/（kW·h），谷时电价为0.33元/（kW·h），全天24 h电价曲线如图5.18所示，可以看出，在电价峰时段，通过高电价的设定可以尽可能多地利用分布式电源的出力来减少对主网出力的依赖；在谷时段，可以利用主网出力对储能容量进行补偿。假设燃气轮机发电成本为0.5元/（kW·h）。该系统全天负荷值以及间歇性能源全天的功率预测值如图5.19所示。

图5.17　IEEE 33节点系统及分布式能源单元结构图

表5.7　分布式能源单元配置参数

续　表

图5.18　全天24 h电价曲线

图5.19　负荷预测值

算法参数设定如下：最大迭代次数Nmaxgen＝200，国家数量Npop＝100，强国数量Nimp＝5，同化系数β＝2，偏移方向γ＝π/4，弱国影响系数ξ＝0.1，变异因子F＝0.6，交叉因子CR＝0.9。采用MATLAB＿r2014a进行编程计算，测试平台环境为Intel（R）Core（TM）2 Duo CPU，3GB RAM和Windows 7专业版系统；运行自编程序，分别求解日前调度目标函数和实时调度目标函数，对所得结果进行讨论和分析。

5.4.3.2　日前调度结果

图5.20为系统全局日前调度结果。从图中可以看出，系统各时刻负荷的总值为91.23 MW，间歇性分布式能源出力为14.95 MW，燃气轮机总出力为21.34 MW，主网总出力为54.8 MW，储能总出力为2.2 MW。系统优化调度后的运行费用为47 083.64元，较之未采用优化调度时的运行费用48 243.21元，经济效益直接提升了2.4%；通过优化调度，分布式能源利用率提高了1.53%。从图中可以看出，储能电池的主要出力时间发生在00∶00—08∶00，储能设备处于充电阶段，此时电网负荷处于低谷阶段，可以充分利用主网电力为储能设备提供功率支持，从而降低了充电成本。燃气轮机出力从06∶00开始至23∶00结束，全阶段出力基本平稳，说明在峰时阶段能较好地起到削峰的作用，降低峰时阶段的购电成本，而在谷时阶段基本处于停机状态。13∶00时，系统中分布式能源出力达到最大值2.490 4 MW，此时正好为峰时段，各发电单元的调度出力情况最大化地帮助了分布式能源的消纳，有效地降低了系统运行成本。

图5.20　系统全局日前调度结果(www.daowen.com)

5.4.3.3　实时调度结果

图5.21为DE-ICA计算得出的系统实时调度结果。根据当前系统运行情况，结合实时调度目标函数，通过预测得出当前系统各时刻负荷的总值为90.646 MW，与日前调度结果91.23 MW相比，系统负荷降低了0.584 MW，并且从整体来看，实时调度结果明显降低了全天调度的峰谷差，系统负荷曲线更加平滑。另外，间歇性分布式能源出力为15.55 MW，与日前调度结果的14.95 MW相比，间歇式分布式能源利用率提高了3.98%；燃气轮机出力21.51 MW，与日前调度结果的21.34 MW相比，燃气轮机出力提高了0.8%；储能电池出力2.491 MW，与日前调度结果的2.205 MW相比，储能电池出力上升12.97%；主网全天出力53.50 MW，与日前调度结果的54.85 MW相比，主网出力降低了2.46%。从图中可看出，在电价峰时段，分布式能源的利用率得到了很大提升，其中储能设备的有效利用率提升最大，并能保证在谷时段进行有效充电，峰时段参与系统削峰作用；在谷时段，风电、光伏出力的增加很大程度上降低了主网出力，从而减少了电网购电成本。系统实时调度成本为45 876.25元，与日前调度运行成本47 083.64元相比，直接经济效益提高了2.56%。从上述结果可得出，系统日前优化调度能得到次日系统运行策略，实时优化调度能根据当前机组运行情况进一步合理安排分布式能源出力，能有效提高分布式能源利用率，降低系统运行成本，提高经济效益。

图5.21　系统实时优化调度结果

为能够充分分析实时优化调度结果，本案例分别选取区域1在谷时段、平时段和峰时段的03∶00、09∶00和21∶00时刻的实时调度结果进行分析讨论，见表5.8。可以看出，3个时刻主网出力在实时调度中均有所下降，分布式能源的出力明显增加。其中，03∶00两阶段调度结果中的光伏出力和燃气轮机出力均为0，主网出力明显降低，风电出力有所增加。09∶00的实时调度光伏出力为0.036 MW，而日前调度结果中光伏出力为0，说明通过实时调度优化，使得光伏出力得到充分的利用；另外，09∶00实时调度储能出力为0，说明储能设备仅用于峰时段可有效地降低运行成本。21∶00实时调度的储能设备出力明显高于日前调度，说明实时调度能够根据日前调度结果，结合当前储能设备运行状态，对当前时段储能设备出力进行修正，从而提高了储能设备的有效利用率。

表5.8　区域1三时段实时优化调度结果

5.4.3.4　算法有效性验证

为验证DE-ICA在分布式能源系统调度优化问题中的效率性，本案例选用普通ICA、遗传算法（GA）以及粒子群优化（PSO）算法作为对比算法。算法迭代图和计算结果分别如表5.9和图5.22、图5.23所示。

表5.9　计算结果

图5.22　算法日前调度优化计算迭代图

图5.23　算法实时调度优化计算迭代图

如图5.22所示，在日前调度优化计算中，DE-ICA在迭代次数为32时计算得到系统最优值为47 083.64元，与普通ICA相比，通过引入DE，DE-ICA的迭代次数小于GA和PSO算法，且算法的最优值均小于GA和PSO算法得到的最优值，说明DE-ICA在分布式能源调度的应用中，其求解能力和算法适应性能更优，能够在较短的时间内快速收敛，通过改进寻优方式，提高了ICA的寻优能力和算法收敛能力。另外，与常见的GA和PSO算法相比，DE-ICA能在较短时间内快速收敛，从而能求得算法最优值。在实时调度优化计算中，算法的优化性能和效率性能与日前相似，充分体现了DE-ICA在主动配电网下分布式能源系统调度优化问题的有效性和优越性。