图1 基于虚拟储能的双层能量调度框架
Fig.1 A two-layer energy dispatching framework based on virtual energy storage
摘要 直流微电网内的源荷储采取虚拟储能形式易于通过多时间尺度能量优化及协调控制提升系统的运行性能。首先通过风电及可控负荷模拟电容储能充放电特性，构建含多灵活性资源的虚拟储能系统模型，并将其集成于直流微电网优化调度模型中，利用虚拟储能系统的充放电管理，完成系统经济调控；其次，为应对非计划性波动功率，引入双层调度模型，以保障经济运行的上层能量优化为基础，提出基于虚拟储能的源荷储短时分区协调控制技术，提升微电网运行的可靠性；最后，通过仿真验证了虚拟储能可充分激发直流微电网内源荷储在多时间尺度下的协同调节潜力，改善系统运行的经济性和安全性。
关键词：虚拟储能 灵活性资源 超级电容 能量管理 协调控制
在直流微电网中，分布式电源、可控负荷及储能均具有参与系统功率调节的控制潜力[1-3]。目前，微电网中关于源荷储优化调度策略中，可控设备的运行参数各不相同，导致调用相对孤立，集控管理单元缺乏对系统状态的整体感知，灵活性和协调性仍显不足。源荷储协同控制在应对新能源出力波动、可控设备运行工况多变的实际场景时，难以有效整合系统资源，优化多元功率调节。因此，高效利用可控资源及快速准确的源储荷协调控制，将是直流微电网提升安全经济运行水平的关键。
目前，微电网重点关注源荷储侧可调资源的合理配置和充分利用，提升系统的运行灵活性[4-6]。文献[7-9]针对源荷储资源不匹配问题，建立了电源侧、需求响应负荷侧与储能侧的协调管理模型。在源储荷协调控制中，虽引入需求响应资源联合优化，但可控资源运行模式各自独立，缺乏统一调度措施，未全面评估多类可控资源的协同优化效益。为解决这一问题，虚拟储能技术将可控设备虚拟为储能形式，具有大幅简化源储荷联合运行方式的潜力。已有虚拟储能相关研究多以可控负荷为控制对象，通过负荷侧能量管理，模拟储能的充放电特性。文献[10]建立的虚拟储能模型用于管理热能输送过程中热源至用户的传输延时及储热特性，实现了热能跨时段转移，并降低了系统运行成本，但在调度模型中并未考虑负荷调节后的收益折损。文献[11-13]基于温控负荷建立了虚拟储能模型，通过模拟储能充放电特性管理其储冷蓄热过程，有利于节省楼宇微电网运行成本，但温控负荷因受容量、人体舒适度、季节温差等约束，尚未在微电网调度中发挥出调节能力。海水淡化作为可控负荷，具有较快的响应速度，文献[14]将海水淡化负荷虚拟为超级电容，建立了源荷储资源规划模型，但调度中负荷类型单一，且风机未能参与功率调节。为进一步挖掘虚拟储能潜力，文献[15-17]中的电动汽车和温控负荷均以虚拟储能形式参与系统调度，但由于电-热负荷调控参数不同，两者间的功率协调配合仍有完善空间。已有的虚拟储能协同优化方法中，源荷储资源尚未形成统一的能量调控和设备状态监测的参数，难以整合多类信息，完成多元功率调节优化，所以源荷储资源规划和运行可靠性有待深入探讨。
微电网高占比接入分布式电源后，随机性功率波动概率增加，储能装置完全承担功率调节任务将显著增加其运行维护成本，故评估各类可控资源的可调节功率裕度将是应对扰动，保障系统短期安全运行的关键[18-19]。文献[20-21]针对直流电网短期功率调节，提出了基于直流电压下垂的分层控制策略，各端换流器可根据直流电压偏差参与系统功率调节，但可控负荷仅通过投切与源荷配合，无法实现连续动态响应，且难以在长时间尺度下完成全局能量优化管理。尽管文献[22-24]提出了微电网多时间尺度能量管理方法，可以一次性发布日前和日内阶段所有设备的控制指令，但由于缺少适于感知可控设备供用电量及运行状态的可控参数，所以控制系统目前应对突发扰动的能力仍显不足。综上所述，虚拟储能技术虽然为整合微电网内可控资源提供了可行方案，但仍需建立便于源荷储统一调度的控制模型。并且多时间尺度的能量优化与协调控制亟待完善，使可控设备通过虚拟储能形式释放其控制潜力，适应微电网多变的运行方式，同时有效提升系统的经济性和安全性。
为整体优化直流微电网中的源荷储可控资源，本文提出通过源荷储虚拟储能系统完成微电网多时间尺度下的能量优化与多源协调控制策略。首先，建立虚拟储能模型，并提出分层互动的双层调度框架；其次，建立以最大化微电网灵活性资源调节收益为目标的经济模型，并提出以虚拟电容值为统一调控参数、以虚拟荷电状态为系统状态评估指标的日前经济调度策略；然后，将虚拟荷电状态融入直流微电网分层控制之中，提出了含虚拟储能的分区协调控制模式，提升系统应对功率扰动时的短期运行安全性；最后，通过算例对比验证所提策略对系统全局优化及源荷储灵活互动的提升作用。
引入虚拟储能后，直流微电网内的可控微源及负荷均采用储能形式参与系统功率调节。系统内包括混合储能系统、虚拟储能系统以及通信链路。其中，混合储能系统包括超级电容器和蓄电池；虚拟储能系统包含多种灵活性可控资源，如具有调节潜力的海水淡化负荷、风电机组及电动汽车。
为高效执行多时间尺度优化调度方案，本文设计了分层互动的双层调度框架，使微电网系统作为一个可控单元接受管理，具体框架模式如图1所示。
图1 基于虚拟储能的双层能量调度框架
Fig.1 A two-layer energy dispatching framework based on virtual energy storage
上层优化：上层能量管理体系建立在控制规则的基础上，主要功能是负责全系统能量优化以及运行方式优化。上层能量管理是基于全局优化算法求解得到最优调度策略，由于求解所需信息量大且求解过程复杂，所以需要长时间尺度下的集中控制。
下层控制：下层协调控制主要功能是在保证系统安全性的前提下协调可控设备做出短时响应。为了消除非计划瞬时功率波动，需要制定完善的分区控制模式来实现实时协调控制方案。
灵活性资源是针对系统出力不确定性与波动性而做出调节响应的设施。将合理调用源荷储侧灵活性资源的过程模拟类似于储能充放电过程，引入虚拟储能系统。本文提出一种融合虚拟储能系统的调度策略，统一以虚拟电容值作为可控设备的调控参数，以虚拟荷电状态为可控设备的功率状态评估指标，有效对虚拟储能设备集中管理并提高集控单元对系统状态的感知能力。由于海水负荷、风机的转子转速响应较快，直接控制电机工作状态实现对其调节特性的管理。电动汽车用电价策略引导用户有选择性地改变能源消费方式，在跨时段转移负荷方面发挥储能特性，体现电动汽车作为虚拟储能的双向调节灵活性。
本文所提虚拟储能的电容值和荷电状态不仅可以用于可控设备的运行状态约束，更为重要的是可将其应用于微电网优化运行之中，通过统一的虚拟储能参数监测，使系统运行整体规划、经济性及安全性评估得以显著简化。
1.2.1 海水淡化可控负荷
海水淡化作为高耗能负荷，适于搭配分布式电源受电，并且具备典型的变频调速性能。以可变频调速的异步电动机模拟海水淡化机组的负荷特性，以电动机转速变化对应的旋转动能改变模拟储能充放电调节能力，建立电动机机械功率与电容充放电功率间的能量关系为
式中，Er为转子存储的旋转动能；Js、ωr、pn分别为电动机的转子转动惯量、电角速度和极对数；Udc为直流母线电压。
为构建虚拟电容模型，引入表示虚拟储能配置容量的参数Cl、虚拟电容能量状态的参数SOCl。
式中，ωrn为异步电机额定电角速度；Ern为额定转速对应的转子动能；ω* r为异步电动机电角速度参考值，ΔUdc为电压二次方的变化量。
1.2.2 变速风力发电机组
以永磁直驱同步发电机为例，建立风机转子转速与风能捕获机械功率间的关系[25]，得到发电机转子旋转动能与超级电容储能间的能量转换为
式中，ωg为发电机的电角速度；Eg为风机转子动能；kopt为机组的最大功率曲线系数，此时机组运行在该风速下的最大功率点上，实现该时刻最大风能的捕获；Pm为捕获的机械功率。
为确保能量管理层面实时观测风机虚拟储能投入容量、检测风机运行状态与安全运行范围，以整体上便于数据采集和合理规划为原则，将分布式能源也作为虚拟储能进行源荷储联合管理。由式（3）可得风机虚拟电容值Cg及其虚拟荷电状态SOCg为
式中，ω* g为风机转子的角速度参考值；ωgn为风机转子的角速度额定值；Egn为额定转速下转子动能。
1.2.3 电动汽车
电动汽车具有负荷和储能的双重特性，是可移动的电力负荷。在电价引导等政策下，电动汽车在满足车主使用习惯前提下对其充放电进行集中控制，但电动汽车控制模式往往局限于投入或切除，无法实现与储能间的动态连续配合，且电动汽车调控参数与储能运行参数有所区别，其能量储备和运行状态无法以储能形态实时观测。以虚拟电容值控制电动汽车参与调节的虚拟储能容量，利于从整体层面制定最优储能配置策略，确保连续性调控优势。
假设每辆电动汽车均以常规慢速方式进行充放电。电动汽车日行驶里程S、电动汽车最后一次出行返程时间tb均近似服从对数正态分布[26]，其概率密度函数分别表示为
（5）
（6）
式中，μs为电动汽车日行驶里程期望，μs=3.2；σs为电动汽车日行驶里程方差，σs=0.88；μb为电动汽车最后一次出行返程时间期望，μb=17.6；σb为电动汽车最后一次出行返程时间方差，σb=3.4。
由式（6）可得电动汽车最后一次返程时刻tb，对比分析第i辆电动汽车出行返程时刻tb(i)与原始负荷早高峰起始时刻Tms、原始负荷晚高峰起始时刻Tns，合理安排电动汽车起始充电时刻Tcs(i)和起始放电时刻Tdcs(i)，即电动汽车充放电起始时刻需满足
（7）
为保证电动汽车剩余电量足够满足用户正常出行且不超过电动汽车电池的最大放电深度，需要根据电动汽车电池使用情况约束其放电持续时间以及放电量。将最大放电持续时间Tdc(i)、最大放电电量Edc(i)表示为
（8）
式中，C为电动汽车动力电池总容量；Pc为电动汽车动力充放电功率；w、r分别为电动汽车每公里耗电量和最大放电深度；
、
为电动汽车电池荷电状态限值；
为电动汽车有序充放电负荷。
依据电动汽车有序充放电调度流程如附图2所示，可求得t时刻电动汽车有序充放电负荷Eev(t)。电动汽车负荷的虚拟电容值Ce(t)、虚拟荷电状态SOCe(t)可表示为
（9）
式中，SOCo为电动汽车初始荷电状态；Pev为电动汽车总充放电功率；ηv为电动汽车电池的充放电效率，取0.8[26]。
日前经济调度模式旨在通过能量管理系统与储能信息的传递和互动，模拟多类型灵活性资源调节过程建立的联合虚拟储能能量管理模型，以实现各主体的供用能设备的优化配置。为响应因生产作息以及昼夜变化而产生的波动幅度大、发展周期长的负荷变化和新能源出力变化，可以在负荷预测和分布式发电预测数据的基础上，依据最优算法求解日内各调度时段负荷功率、混合储能系统出力和虚拟储能系统出力预测数据。综合考虑可控设备技术特性、日前市场电价等信息，以最大化微电网经济性收益为目标得到长时间尺度下的全局优化调度方案。
2.1.1 目标函数
本文日前调度时间段选择为1h，调度周期为24h，调度间隔
。目标函数计及虚拟储能优化和混合储能优化两部分，表示为
（10）
式中，Rl为系统产水收益；Rv为电动汽车充放电收益；Cg为调风成本；Com g和Cbess分别为风机和混合储能设备的运行和维护成本；Cev为支付给电动汽车用户的调峰成本。
1）虚拟储能目标及状态
（11）
式中，pt(t)为t时段微电网与用户交互电价；Pev(t)为t时段参与虚拟储能的电动汽车总充放电功率，购电为正，售电为负；Kl为产水收益部分中每吨淡水单价。虚拟储能收益由电动汽车充放电收益和产水收益两部分构成，式（11）中电动汽车收益部分考虑参与虚拟储能的N辆电动汽车总充放电量。
依据文献[14]，已知海水淡化负荷功率PL(t)，可拟合出t时刻产水流量Q(t)。建立可控负荷收益与虚拟储能间的函数关系，表达式为
（12）
根据式（2），虚拟储能依据能量管理系统下达的储能最优配置指令调节其虚拟电容值，改变异步电机电角速度ωr(t)，使海水淡化负荷表现出类似可变电容的超级电容器能量调节特性。同时观测调节过程中虚拟荷电状态变化，可直接反映海水淡化机组运行状态。
虚拟储能相关成本由风机运行和维护成本、风机虚拟储能调风成本和电动汽车用户参与调峰成本三部分组成。依照最优储能配置策略，风机虚拟储能投入预测电容值实现对风机转速的调控，风机虚拟荷电状态表示风机运行状态的评估指标。以储能形式实现对灵活性资源统一优化管理和状态观测，提高系统管理模式整体性和灵活性。
（13）
式中，Pwo、Pw分别为虚拟储能参与调风前后的风电出力；Kg为调风系数；Kw为风机运行和维护成本系数；Kev为单位放电量的电动汽车上网补贴电价；Pdc ev为参与有序充放电调度的电动汽车总放电量。
2）混合储能目标及状态
混合储能综合成本Cbess由两部分组成：第一项为混合储能运行和维护成本Com bess；第二项为蓄电池寿命折损CB。
（14）
（15）
（16）
式中，Kbess为混合储能单位电量的运行和维护成本；Pc bess、Pdc bess分别为混合储能设备的充、放电功率；EB为蓄电池剩余容量，可表示其寿命折损；EBn为蓄电池的额定容量；Kb为蓄电池总投资成本；A为蓄电池线性老化系数；SOHmin为蓄电池寿命终止时的健康状态值，取值0.8[14]；Pc B、Pdc B分别为蓄电池组的充、放电功率；ηc、ηdc分别为蓄电池组的充、放电效率。
2.1.2 约束条件
1）功率状态约束
（18）
2）储能状态约束
（19）
式中，SOCB(t)为蓄电池荷电状态；SOCC为超级电容荷电状态；SOCe为可控负荷虚拟荷电状态；SOCg为风机虚拟荷电状态。
2.2.1 分区控制模式切换
实时分区运行是针对非计划性短时功率波动而提出的协调控制策略，可以很好地适应微源和负荷出力多变的特点，具有很高的灵活性[27]。当新能源出力与日前能量管理目标不匹配时，采用完善的分区模式切换实现协调控制，兼顾各类储能设备状态观测，以保证微电网安全前提下通过短时响应控制设备运行。下层协调控制根据各储能装置的荷电状态切换控制模式，修正实际运行状态与全局优化控制的理想优化运行状态偏差，实现全局优化运行点邻域内的协调控制。
反复充放电会影响储能电池的使用寿命，而虚拟储能的构成可弥补电池上述不足。综合虚拟储能响应速度、储能电池特性和经济性等方面，通过设置荷电状态临界值制定各类储能元件投入优先级规则，将直流微电网分为六种不同的运行调度模式。独立运行的微电网实时分区运行控制策略流程如图2所示。
图2 分区运行控制模式切换流程
Fig.2 Flow chart of zoning operation control mode switching
（1）经济调度。当母线电压标幺值位于安全范围，即0.95≤ΔUdc≤1.05时，微电网内部负荷由可控型灵活资源和混合储能装置按照优化结果供给。此区域控制模式下，协调控制器将局部实时信息更新至能量管理系统进行存储和监视，基于实时运行信息，并结合各类预测信息，有利于返回上层能量管理模式完成全局优化算法，进一步下发控制指令给协调控制器。
（2）超级电容充放电区。当母线电压不满足安全运行范围条件，且超级电容器的荷电状态位于SOCremin≤SOCCP≤SOCremax区间时，系统优先运行于超级电容充放电区。此时超级电容器功率调节能力充分，保证满足平衡功率波动所需裕量。
（3）可控负荷虚拟储能充放电区。当超级电容器达到其调节限值时，由于异步电机转子响应速度快，优先引入可控海水负荷作为虚拟储能配合超级电容器参与系统功率调节。控制区间内SOCCP达到SOCremax=65%时可控负荷虚拟储能进入虚拟储能充电区，SOCl为100%时退出运行；SOCCP达到SOCremin=35%进入虚拟储能放电区，运行下限对应风机最小转速时的SOCl限值。
（4）电动汽车充放电区。由于异步电机转速有其最优的可调范围，超过此范围引入电动汽车储能参与调节。假定所有电动汽车用户理智用电并对电价敏感，且电动汽车通过智能装置接入微电网时服从调度管理且功率实时可调。设置SOCCP达到SOCset lmax=70%上限或SOCset lmin=30%下限时投入电动汽车分担部分可控负荷调节负担。联合多类虚拟储能参与平衡功率波动，可延长各设备调节裕量，协调多灵活性资源的规划利用。
（5）风机虚拟储能充放电区。若新能源或负荷波动率显著增大，系统灵活性需求激增，为分担电动汽车充放电压力，引入风机虚拟储能控制。控制区间为SOCCP=SOCset emax=75%时进入风机虚拟储能充电区，达到SOCset emin=25%时进入风机虚拟储能放电区。
（6）蓄电池充放电区。兼顾经济型和灵活性需求，最后投入蓄电池充放电。控制区间SOCCP=SOCset gmax=80%时进入蓄电池充电区，下达SOCset gmin=20%时进入放电区，风功率和负荷功率维持极限功率。若达到蓄电池功率调节限区，采取弃风或切负荷措施。
仅以直流电压偏差作为监测信号的微电网传统分层控制，无法充分兼顾新能源间歇性出力与系统功率调控的融合问题。将虚拟荷电状态分区融入已有分层控制后，可以实时监测各类可控设备的荷电状态，实现控制模式间的主动切换，统筹管理各类虚拟储能的调配顺序，以适应实际工况。
2.2.2 含虚拟储能协调控制技术
分区运行模式切换所依据的协调控制策略如图3所示。超级电容器换流器采用下垂控制并入微电网，下垂特性公式见附录式（A1）；风机采用最大功率点跟踪控制捕获最大风功率；蓄电池充放电区内蓄电池动作并采用直流电压下垂控制见附录式（A2）；电动汽车虚拟储能参与调节时，其控制器采用直流电压下垂控制见附录式（A3）；可控负荷虚拟储能充放电区内引入可控负荷虚拟储能协调控制技术；风机虚拟储能充放电区内引入风机虚拟储能控制技术。
图3 协调控制结构图
Fig.3 Coordinated control structure diagram
设定虚拟储能电容值Cvir和超级电容器电容值C存在如下关系：
（20）
式中，kvir为虚拟电容放大倍数。
在容值恒定且忽略内阻影响的条件下，超级电容器的端电压与其荷电状态关系为
（21）
式中，UC为超级电容器端电压；UCmax、UCmin分别为超级电容器工作电压的上、下限值。
假设超级电容器从t0～t1时刻吸收能量为
（22）
式中，UC(t0)、UC(t1)分别为t0和t1时刻超级电容器端电压。依据式（22）可知，在SOCCP越过超级电容器可调节限值SOCres后，若虚拟储能参与调节使
SOCCP重新达到设定值SOCset，需要吸收的能量为
（23）
式中，
为达到设定
值时电容端电压。设置SOCCP在
时刻达到限值，此时超级电容端电压为UC(tres)。引入虚拟储能后，电压与虚拟放大倍数关系表示为
（24）
结合式（2）、式（24）可得可控海水负荷的电角速度参考值为
（25）
式中，
；SOCCres为海水可控负荷投入虚拟储能时的SOCCP限值；
为异步电机的最小电角速度。
结合式（4）、式（24）得风力发电机的电角速度参考值为
（26）
式中，K2=UCCg(UCmax-UCmin)/(kopt
)；SOCCgres为风机投入虚拟储能SOCCP限值；ωgmin为风机的最小电角速度。
针对风机虚拟储能，当系统功率过剩时，电压上升导致虚拟电容值改变，转速参考值降低，风机减速运行。当功率不足导致电压跌落时，风机在最大功率跟踪控制下运行在风速上限，无法进一步提高风功率，因此低风速时风机不启动虚拟储能控制。
通过超级电容器电容值和虚拟电容放大倍数确定虚拟电容值，分别代入式（25）、式（26）式求出ω* r、ω* g参考值，可调节异步电机和风机功率，实现海水负荷和风机虚拟储能平衡功率波动的目的。依据式（2）、式（4）电机电角速度的变化趋势可以直接反映到虚拟荷电状态上，实现对虚拟储能运行状态的评估。
变频异步电动机转子转速在700～1 500r/min时运行于最优运行状态。为量化协调控制时负荷可调范围，设定海水负荷虚拟荷电状态在21.78%～100%时正常参与调控。关于风电机组，当风机转子转速降至额定转速的40%退出虚拟储能控制，即风机最优转速范围为300～750r/min，对应的当风机虚拟荷电状态处于16%～100%参与虚拟储能。
本文仿真算例采取如附图1所示的直流微电网系统拓扑结构，系统主要参数见附表1。设定风机单位电量运行和维护成本为29.6元/(MW·h)[25]，调风系数为350元/(MW·h）[28]，混合储能单位电量的运行和维护成本为9元/(MW·h)[26]，蓄电池线性老化系数为3.1×10-4，单位放电量的电动汽车上网补贴电价为420元/(MW·h)[29]。仿真中用到的日前功率预测曲线[30]和日分时电价[31]分别如图4和图5所示。
当电动汽车参与虚拟储能时，电动汽车服从负荷级调度策略，此时调度对象为电动汽车群。依据用户行驶习惯对电动汽车集中有序管理，在保证电网经济性指标前提下起到对原始负荷“削峰填谷”的作用[32-33]。将经负荷级优化后的微电网负荷引入目标函数，运用粒子群算法对经济模型进行求解，典型日各时段经济优化调度结果如图6所示。
图4 典型工作日功率预测曲线
Fig.4 Forecasted power curves on workdays
图5 分时电价
Fig.5 Time-of-use electricity price
图6 不同场景下的经济优化方案
Fig.6 Economic optimization solutions in different Scenarios
可控设备运行参数不同，导致储能间无法统一调用管理，缺乏对系统状态的整体感知。以图7中各时刻虚拟电容值为统一调控参数、以图8中各储能设备荷电状态为系统状态评估指标，实现源荷储资源灵活互动和协同互补。
图7 虚拟储能电容值
Fig.7 Capacitance value of virtual energy storage
图8 储能荷电状态
Fig.8 State of charge of energy storage
在不考虑虚拟储能场景下，2:00～6:00时刻负荷功率较为平稳，以超级电容器充放电为主，蓄电池小范围内辅助调节，保证满足储能装置平衡功率波动所需裕量；8:00～16:00风能出力减小导致超级电容达到其放电阈值，蓄电池加大出力，补充功率缺额；17:00后负荷功率增幅加大，且电动汽车用户无序充电导致“峰上加峰”，加重系统调节负担，蓄电池频繁放电，电池老化成本大幅增加。实行无虚拟储能场景下的日调度方案后蓄电池荷电状态降至10%以下，对电池健康造成严重危害，同时8:00后超级电容器不再参与调节，无法充分发挥其调节潜力。
考虑虚拟储能参与微电网调度可以有效解决上述问题，优化结果以虚拟储能电容值为预测参考值，调控虚拟储能充放电功率。2:00～6:00依据电价激励策略投入虚拟电容值逐步增大的电动汽车虚拟储能，合理消纳夜间冗余风功率。4:00时海水负荷虚拟荷电状态达上限，海水淡化机组退出虚拟储能控制，风机虚拟储能减小吸收风功率，风机虚拟电容值增加12.66F；8:00～16:00可控负荷以较高虚拟电容值投入，起主要调节作用，同时观测其虚拟荷电状态变化稳定，此时蓄电池荷电状态始终维持在53%，大幅减小电池寿命成本；17:00后闲置电动汽车放电供给负荷，负值虚拟电容值可直接抵消部分蓄电池调节容量。此时段可观测各储能状态始终未超越调节阈值，微电网仍具备虚拟储能协同调控优势。协同虚拟储能的日调度场景下，蓄电池荷电状态仅衰减了24%，且超级电容器始终参与调节，利于储能间的长期配合。
实时协调控制模式中电动汽车服从源荷级调度，调度对象为可参与调度的电动汽车群，此时电动汽车发挥其储能作用，辅助增强微电网安全可靠性。
当风速突变时，采用协调控制策略使微电网各储能系统自动分摊吸纳系统瞬时功率波动，仿真周期为60s。以风速突增，储能系统充电为例，考虑虚拟储能和不考虑虚拟储能出力场景下的源荷储动态响应如图9所示。
图9 不同场景下的储能充电动态响应
Fig.9 Dynamic response of energy storage charging in different scenarios
当不投入虚拟储能时，超级电容可以维持在其工作区间平衡功率波动。但随着风速进一步攀升，27.86s时超级电容达到其调节上限而停止动作，蓄电池承担起维持功率平衡主要任务，大幅增加传统储能配置容量。在虚拟储能分区控制策略下，在8.29s时SOCCP充电至65%，此时可控负荷以10F的虚拟电容值投入虚拟储能，缓冲风功率突增对微电网安全的冲击。19.44s时SOCCP达到70%，电动汽车虚拟储能投入分担可控负荷调节压力。19.73s后可控负荷虚拟储能的荷电状态到达100%，维持其充电功率于极限状态，此时电动汽车其主要调节作用。由于电动汽车对电网放电需要考虑对用户的影响，所以需合理限制充放电功率[29]，设置电动汽车最大充放电功率为3MW，避免电池荷电状态快速达到限值。39.6s后风速逐步降低，但总体上仍处于平均风速之上，仍需储能系统平抑风能余量，55.2s时SOCCP充电至75%，风机以6.7F的虚拟电容值投入，虽使风功率降低0.42MW，但虚拟储能的协调控制投入维持了母线电压的稳定性，有利于提高微电网安全性。
直流母线电压是反映微电网运行安全性的主要指标，协调控制策略对于提高系统安全可靠性有成效，体现在功率突变情况下，若检测到直流母线电压不在其安全范围内，即母线电压变化量ΔUdc≥1.05或ΔUdc≤0.95，虚拟储能按照优先级顺序依次投入维持功率供需平衡，快速响应使电压恢复安全运行范围。以3.3.1节中协调控制下的储能充电仿真场景为例，直流母线电压变化量仿真结果如图10所示。由于超级电容调节能力的限制，在5.42s后无法缓冲风功率突增对系统的冲击，电压超过安全上限，若无虚拟储能参与调节，电压会随着风速的增加而剧烈波动，难以保证系统安全可靠运行。投入虚拟储能后，8.29～19.44s可控负荷虚拟储能发挥明显作用，19.44s后电动汽车与可控负荷协调工作，避免风速进一步升高导致电压越限，虚拟储能的配合控制使电压恢复至安全运行范围，显著减小电压越限时间。
图10 直流母线电压变化量仿真结果
Fig.10 Simulation results of DC bus voltage variation
为验证虚拟储能可带来经济效益，本文对比分析了含虚拟储能和无虚拟储能两种场景下的微电网综合成本和收益。微电网净收益和综合成本对比曲线如图11所示。对比分析得出虚拟储能系统的融入使微电网综合成本降低67.33%，充分补偿了虚拟储能导致的收益差额。引入虚拟储能系统为微电网带来的净收益为不投入虚拟储能的2.8倍。分析表明，尽管有虚拟储能参与的负荷收益会因其配合传统储能充放电而减小，但微电网运行综合成本可大幅降低，所以微电网净收益仍具优势。综上所述，含多灵活性资源的虚拟储能系统的应用综合提升了微电网经济潜力。
图11 微电网净收益和综合成本仿真结果
Fig.11 Simulation results of microgrid net benefits and comprehensive costs
本文为直流微电网内的可控源储荷设计了上层能量优化和下层协调控制的双层管理方法，并提出了基于虚拟储能的多时间尺度源荷储协调控制策略，使供、需两侧资源得以整合，提升了系统调控的互动灵活性。所得结论如下：
1）以虚拟电容形式将具备可控性的负荷、风机和电动汽车构建为虚拟储能系统，使直流微电网能够将虚拟电容值作为统一调控参数，以虚拟荷电状态作为系统运行评估指标，便于整体规划系统内的可控资源储备及安全调用范围。
2）直流微电网在所提双层管理模式下，供需侧各类可控资源的能量储备通过多时间尺度配合，不仅监测更加直观，且资源调度的协调性和灵活性均得到了显著提升。在所提上层控制中，通过虚拟电容值不仅可以评估可控设备的调节潜力，并且便于统一调用能量储备，使优化运行得以简化，显著降低系统运行成本。
3）引入虚拟储能后，直流微电网在电压分层控制基础上，通过监测虚拟荷电状态，可进一步融入所提分区协调控制，短时调用源储荷的能量储备应对非计划性扰动。测试结果表明在所提下层运行控制策略中，依据虚拟储能运行区域划分，源荷储快速控制潜力可以得到充分发挥，不仅有效地避免了电池过度充放电，而且保障了系统运行安全性。
附表1 仿真系统参数
App.Tab.1 Power parameters of the simulation system
元件参数 风力发电单元PN=30MWωrn=750rad/minSOCg: 16%～100% 超级电容器C=103F, UCN=300kV 蓄电池Qrn=104A·h,UbatN=120kVηc=ηdc=0.8SOCB: 20%～80% 海水负荷ωrn=1 500rad/min, ωrmin=700rad/minSOCl: 22%～100% 电动汽车N=500, PC=1.8MW, C=24MWTms=7, Tns=17SOCe: 30%～90% 分区荷电状态(SOCremin,SOCremax)=35%～65%(SOCset lmin,SOCset lmax)=30%～70%(SOCset emin,SOCset emax)=25%～75%(SOCset gmin,SOCset gmax)=20%～80%
附图1 微电网系统拓扑结构图
App.Fig.1 Diagram of the microgrid system
（A1）
式中，Udc_C和Idc_C分别为超级电容换流器直流侧电压和电流；Uref_C为Udc_C的参考值；kC为超级电容换流器下垂系数，kC=0.05/IC_max。
（A2）
式中，Udc_B、Uref_B、Idc_B分别为蓄电池换流器直流侧的电压值、电压参考值及电流值；kB为蓄电池换流器下垂系数，kB=0.05/IB_max。
（A3）
式中，Udc_E、Uref_E、Idc_E分别为电动汽车换流器直流侧的电压值、电压参考值及电流值；
为电动汽车换流器下垂系数，
。
附图2 电动汽车负荷优化流程
App.Fig.2 Flow chart of electric vehicle load optimization
参考文献
[1] 叶畅, 曹侃, 丁凯, 等. 基于广义储能的多能源系统不确定优化调度策略[J]. 电工技术学报, 2021, 36(17): 3753-3764.
Ye Chang, Cao Kan, Ding Kai, et al. Uncertain optimal dispatch strategy based on generalized energy storage for multi-energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3753-3764.
[2] 鲁宗相, 李海波, 乔颖. 高比例可再生能源并网的电力系统灵活性评价与平衡机理[J]. 中国电机工程学报, 2017, 37(1): 9-20.
Lu Zongxiang, Li Haibo, Qiao Ying. Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity[J]. Proceedings of the CSEE, 2017, 37(1): 9-20.
[3] 李海波, 鲁宗相, 乔颖. 源荷储一体化的广义灵活电源双层统筹规划[J]. 电力系统自动化, 2017, 41(21): 46-54, 104.
Li Haibo、Lu Zongxiang、Qiao Ying. Bi-level optimal planning of generation-load-storage integrated generalized flexibility resource[J]. Automation of Electric Power Systems, 2017, 41(21): 46-54, 104.
[4] Hamidpour H, Aghaei J, Pirouzi S, et al. Flexible, reliable, and renewable power system resource expansion planning considering energy storage systems and demand response programs[J]. IET Renewable Power Generation, 2019, 13(11): 1862-1872.
[5] 余晓丹, 徐宪东, 陈硕翼, 等. 综合能源系统与能源互联网简述[J]. 电工技术学报, 2016, 31(1): 1-13.
Yu Xiaodan, Xu Xiandong, Chen Shuoyi, et al. A brief review to integrated energy system and energy Internet[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.
[6] 吴界辰, 艾欣, 胡俊杰. 需求侧资源灵活性刻画及其在日前优化调度中的应用[J]. 电工技术学报, 2020, 35(9): 1973-1984.
Wu Jiechen, Ai Xin, Hu Junjie. Methods for characterizing flexibilities from demand-side resources and their applications in the day-ahead optimal scheduling[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 1973-1984.
[7] Chen Xinyu, Lü Jiajun, McElroy M B, et al. Power system capacity expansion under higher penetration of renewables considering flexibility constraints and low carbon policies[J]. IEEE Transactions on Power Systems, 2018, 33(6): 6240-6253.
[8] 陈保瑞, 刘天琪, 何川, 等. 考虑需求响应的源网荷协调分布鲁棒长期扩展规划[J]. 中国电机工程学报, 2021, 41(20): 6886-6900.
Chen Baorui, Liu Tianqi, He Chuan, et al. Distributionally robust coordinated expansion planning for generation and transmission systems with demand response[J]. Proceedings of the CSEE, 2021, 41(20): 6886-6900.
[9] 姜云鹏, 任洲洋, 李秋燕, 等. 考虑多灵活性资源协调调度的配电网新能源消纳策略[J]. 电工技术学报, 2022, 37(7): 1820-1835.
Jiang Yunpeng, Ren Zhouyang, Li Qiuyan, et al. An accommodation strategy for renewable energy in distribution network considering coordinated dispatching of multi-flexible resources[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 1820-1835.
[10] 王明军, 穆云飞, 孟宪君, 等. 考虑热能输运动态特性的电–热综合能源系统优化调度方法[J]. 电网技术, 2020, 44(1): 132-142.
Wang Mingjun, Mu Yunfei, Meng Xianjun, et al. Optimal scheduling method for integrated electro-thermal energy system considering heat transmission dynamic characteristics[J]. Power System Technology, 2020, 44(1): 132-142.
[11] 张风晓, 靳小龙, 穆云飞, 等. 融合虚拟储能系统的楼宇微电网模型预测调控方法[J]. 中国电机工程学报, 2018, 38(15): 4420-4428, 4642.
Zhang Fengxiao, Jin Xiaolong, Mu Yunfei, et al. Model predictive scheduling method for a building microgrid considering virtual storage system[J]. Proceedings of the CSEE, 2018, 38(15): 4420-4428, 4642.
[12] 王成山, 刘梦璇, 陆宁. 采用居民温控负荷控制的微电网联络线功率波动平滑方法[J]. 中国电机工程学报, 2012, 32(25): 36-43, 8.
Wang Chengshan, Liu Mengxuan, Lu Ning. A Tie-line power smoothing method for microgrid using residential thermostatically-controlled loads[J]. Proceedings of the CSEE, 2012, 32(25): 36-43, 8.
[13] 艾欣, 赵阅群, 周树鹏. 空调负荷直接负荷控制虚拟储能特性研究[J]. 中国电机工程学报, 2016, 36(6): 1596-1603.
Ai Xin, Zhao Yuequn, Zhou Shupeng. Study on virtual energy storage features of air conditioning load direct load control[J]. Proceedings of the CSEE, 2016, 36(6): 1596-1603.
[14] 黄馗. 风储海水淡化联产直流微电网的运行控制研究[D]. 北京: 华北电力大学, 2017.
[15] 杜丽佳, 靳小龙, 何伟, 等. 考虑电动汽车和虚拟储能系统优化调度的楼宇微电网联络线功率平滑控制方法[J]. 电力建设, 2019, 40(8): 26-33.
Du Lijia, Jin Xiaolong, He Wei, et al. A Tie-line power smoothing control method for an office building microgrid by scheduling thermal mass of the building and plug-in electric vehicles[J]. Electric Power Construction, 2019, 40(8): 26-33.
[16] 李建林, 牛萌, 周喜超, 等. 能源互联网中微能源系统储能容量规划及投资效益分析[J]. 电工技术学报, 2020, 35(4): 874-884.
Li Jianlin, Niu Meng, Zhou Xichao, et al. Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection[J]. Transactions of China Electrotechnical Society, 2020, 35(4): 874-884.
[17] 代琼丹, 杨莉, 林振智, 等. 考虑功能区差异性和虚拟储能的综合能源系统多元储能规划[J]. 电力自动化设备, 2021, 41(9): 182-190.
Dai Qiongdan, Yang Li, Lin Zhenzhi, et al. Multi-storage planning of integrated energy system considering functional area difference and virtual storage[J]. Electric Power Automation Equipment, 2021, 41(9): 182-190.
[18] 石庆均, 耿光超, 江全元. 独立运行模式下的微电网实时能量优化调度[J]. 中国电机工程学报, 2012, 32(16): 26-35.
Shi Qingjun, Geng Guangchao, Jiang Quanyuan. Real-time optimal energy dispatch of standalone microgrid[J]. Proceedings of the CSEE, 2012, 32(16): 26-35.
[19] 朱建全, 段翩, 刘明波. 计及风险与源-网-荷双层协调的电力实时平衡调度[J]. 中国电机工程学报, 2015, 35(13): 3239-3247.
Zhu Jianquan, Duan Pian, Liu Mingbo. Electric real-time balance dispatch via Bi-level coordination of source-grid-load of power system with risk[J]. Proceedings of the CSEE, 2015, 35(13): 3239-3247.
[20] 朱洋艳, 王致杰, 王鸿, 等. 基于分层控制的微电网混合储能协调优化策略研究[J]. 太阳能学报, 2021, 42(3): 235-242.
Zhu Yangyan, Wang Zhijie, Wang Hong, et al. Research on hierarchical control of micro power grid hybrid energy storage coordination optimization strategy[J]. Acta Energiae Solaris Sinica, 2021, 42(3): 235-242.
[21] 鲍薇, 胡学浩, 李光辉, 等. 提高负荷功率均分和电能质量的微电网分层控制[J]. 中国电机工程学报, 2013, 33(34): 106-114, 18.
Bao Wei, Hu Xuehao, Li Guanghui, et al. Hierarchical control of microgrid to improve power sharing and power quality[J]. Proceedings of the CSEE, 2013, 33(34): 106-114, 18.
[22] 梁宁, 邓长虹, 谭津, 等. 计及电量电价弹性的主动配电网多时间尺度优化调度[J]. 电力系统自动化, 2018, 42(12): 44-50.
Liang Ning, Deng Changhong, Tan Jin, et al. Optimization scheduling with multiple time scale for active distribution network considering electricity price elasticity[J]. Automation of Electric Power Systems, 2018, 42(12): 44-50.
[23] 靳小龙, 穆云飞, 贾宏杰, 等. 融合需求侧虚拟储能系统的冷热电联供楼宇微电网优化调度方法[J]. 中国电机工程学报, 2017, 37(2): 581-591.
Jin Xiaolong, Mu Yunfei, Jia Hongjie, et al. Optimal scheduling method for a combined cooling, heating and power building microgrid considering virtual storage system at demand side[J]. Proceedings of the CSEE, 2017, 37(2): 581-591.
[24] 汤翔鹰, 胡炎, 耿琪, 等. 考虑多能灵活性的综合能源系统多时间尺度优化调度[J]. 电力系统自动化, 2021, 45(4): 81-90.
Tang Xiangying, Hu Yan, Geng Qi, et al. Multi-time-scale optimal scheduling of integrated energy system considering multi-energy flexibility[J]. Automation of Electric Power Systems, 2021, 45(4): 81-90.
[25] 李悦强, 蔡旭, 贾锋. 大型风电机组最大功率曲线自校正方法[J]. 电网技术, 2017, 41(10): 3269-3276.
Li Yueqiang, Cai Xu, Jia Feng. Self-correction method for maximum power curves of large wind turbines[J]. Power System Technology, 2017, 41(10): 3269-3276.
[26] 田立亭, 史双龙, 贾卓. 电动汽车充电功率需求的统计学建模方法[J]. 电网技术, 2010, 34(11): 126-130.
Tian Liting, Shi Shuanglong, Jia Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.
[27] 刘东, 陈云辉, 黄玉辉, 等. 主动配电网的分层能量管理与协调控制[J]. 中国电机工程学报, 2014, 34(31): 5500-5506.
Liu Dong, Chen Yunhui, Huang Yuhui, et al. Hierarchical energy management and coordination control of active distribution network[J]. Proceedings of the CSEE, 2014, 34(31): 5500-5506.
[28] 赵兴勇, 杨涛, 王灵梅. 基于复合储能的微电网运行方式切换控制策略[J]. 高电压技术, 2015, 41(7): 2142-2147.
Zhao Xingyong, Yang Tao, Wang Lingmei. Control strategy for operation modes transfer of micro-grid based on hybrid energy storage system[J]. High Voltage Engineering, 2015, 41(7): 2142-2147.
[29] 丁明, 张颖媛, 茆美琴, 等. 包含钠硫电池储能的微电网系统经济运行优化[J]. 中国电机工程学报, 2011, 31(4): 7-14.
Ding Ming, Zhang Yingyuan, Mao Meiqin, et al. Economic operation optimization for microgrids including Na/S battery storage[J]. Proceedings of the CSEE, 2011, 31(4): 7-14.
[30] 王萧博, 黄文焘, 邰能灵, 等. 一种源-荷-储协同的电热微网联络线功率平滑策略[J]. 电工技术学报, 2020, 35(13): 2817-2829.
Wang Xiaobo, Huang Wentao, Tai Nengling, et al. A tie-line power smoothing strategy for microgrid with heat and power system using source-load-storage coordination control[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2817-2829.
[31] 张明锐, 谢青青, 李路遥, 等. 考虑电动汽车能量管理的微电网储能容量优化[J]. 中国电机工程学报, 2015, 35(18): 4663-4673.
Zhang Mingrui, Xie Qingqing, Li Luyao, et al. Optimal sizing of energy storage for microgrids considering energy management of electric vehicles[J]. Proceedings of the CSEE, 2015, 35(18): 4663-4673.
[32] 曹一家, 苗轶群, 江全元. 含电动汽车换电站的微电网孤岛运行优化[J]. 电力自动化设备, 2012, 32(5): 1-6.
Cao Yijia, Miao Yiqun, Jiang Quanyuan. Optimal operation of islanded microgrid with battery swap stations[J]. Electric Power Automation Equipment, 2012, 32(5): 1-6.
[33] 郝丽丽, 王国栋, 王辉, 等. 考虑电动汽车入网辅助服务的配电网日前调度策略[J]. 电力系统自动化, 2020, 44(14): 35-43.
Hao Lili, Wang Guodong, Wang Hui, et al. Day-ahead scheduling strategy of distribution network considering electric vehicle-to-grid auxiliary service[J]. Automation of Electric Power Systems, 2020, 44(14): 35-43.
Multi-Time-Scale Energy Optimization and Zone Coordinated Control of DC Microgrid Source-Load-Storage Based on Virtual Energy Storage
Abstract The source-load-storage in the DC microgrid takes the form of virtual energy storage, which is easy to improve the operating performance of the system through multi-time-scale energy optimization and coordinated control. Firstly, the charging and discharging characteristics of capacitor energy storage are simulated by wind power and controllable load, and a virtual energy storage system model with multiple flexible resources is constructed and integrated into the DC microgrid. In the optimal dispatch model, the charging and discharging management of the virtual energy storage system is used to complete the economic regulation of the system. Secondly, to deal with unplanned power fluctuations, a two-layer scheduling framework is introduced. Under the premise of ensuring the upper-level energy optimization of economic operation, a short-time source-load-storage zone coordination control is proposed to enhance the reliability of microgrid operation, which is based on virtual energy storage. Finally, the simulations have verified that virtual energy storage can fully stimulate the coordinated regulation potential of the source-load-storage in the DC microgrid under multi-time-scale, and improve the system operation economy and safety.
keywords：Virtual energy storage, flexible resources, supercapacitors, energy management, coordinated control
DOI:10.19595/j.cnki.1000-6753.tces.220757
中图分类号：TM73
国家自然科学基金项目（52277100）和河北省重点研发计划项目（21312102D）资助。
收稿日期 2022-05-07
改稿日期 2022-08-03
张祥宇 男，1984年生，副教授，博士，研究方向为新能源发电与智能电网。E-mail：zh.xy.sq@163.com
舒一楠 女，1996年生，硕士研究生，研究方向为新能源发电与储能控制技术。E-mail：853639185@qq.com（通信作者）
（编辑 赫蕾）