考虑储能充放电效益的孤岛微电网经济优化模型凌婵惠1，郑常宝1,2，胡存刚1,2，芮涛11. 安徽大学 电气工程与自动化学院，安徽 合肥 230601；2. 安徽大学 工业节电与电能质量控制协同创新中心，安徽 合肥 230601摘 要针对孤岛模式下的微电网经济调度问题，提出了一种考虑储能充放电效益的优化调度模型。该模型充分考虑了储能单元在过去时段的电能购置成本与未来时段运行效益，以确定储能单元当前时段参与微电网经济优化的方式；在此基础上，微电网中的各单元代理点通过与相邻代理点交换期望的交易电量与电价实现自身运行效益的最大化。该模型采用交替方向乘子法对各代理点之间的最优交易电量与电价进行求解。最后，在3种不同的天气场景下，分析了孤岛微电网分布式经济优化调度的运行结果，验证了所提模型及求解方法的有效性。关键词孤岛微电网；经济优化；储能；充放电效益；交替方向乘子法；分布式优化中图分类号 TM73 文献标志码 A DOI 10.11930/j.issn.1004-9649.2019030730 引言微电网作为分布式电源的一种管理方式，因其灵活、高效和可靠的优点近年来得到了广泛应用[1-2]。可再生能源的发电受环境因素的影响具有随机性，会影响微电网的供电可靠性与运行效益[3]。因此，研究如何协调微电网中各类分布式电源的功率输出以保证系统内部功率平衡，实现最优经济调度具有重要的意义。目前针对微电网经济优化调度问题的研究主要分为集中式优化与分布式优化两种。文献[4]考虑到微电网运行的经济性，提出了基于改进的粒子群优化算法的微电网成本集中式优化模型。文献[5]利用改进的遗传算法对微电网成本进行最小化优化求解。文献[6]为了降低微电网中的运行成本，根据分布式电源出力特性的不同分别建立了相应的数学模型，采用混合杂草蝙蝠算法对模型进行集中式优化求解。但上述文献中的集中式优化方法对网络通信的要求较高，同时存在被调度者隐私泄露等问题[7]。为解决上述问题，越来越多的学者致力于分布式优化方法研究，分布式优化方法具有保护隐私，分摊计算和通信共担等优点[8]。文献[9]针对孤岛微电网系统，提出了基于次梯度成本最小化算法的分布式凸优化模型。但在算法迭代过程中，交互信息涉及成本信息，导致部分关键信息泄露，对隐私的保护有限。文献[10-11]建立了以孤岛微电网系统总成本最小为目标函数的基于交替方向乘子法（ADMM）的分散式经济调度模型，模型中仅需交换功率信息就能得到最优调度结果，避免了关键隐私泄露。然而，文献[12]指出微电网的经济调度的目的是使系统总发电成本最低，同时保证微电网的收益最大。文献[9-11]的目标函数中未考虑微电网的运行收益，不利于对其运行的经济性进行有效评估。此外，上述文献的经济建模均在长时间尺度上展开，而间歇性的可再生能源的预测精度随着时间增大而降低，导致调度结果不理想。文献[13]基于一致性算法建立了孤岛微电网实时经济优化模型，该模型在系统运行成本达到最小的同时微电网收益实现最大，即实现孤岛微电网效益最大化。但文献[13]未考虑储能单元参与经济调度的情况下，可能存在供电不足、光伏弃光等问题。一方面，由于储能资源具有时间转移特性，对其直接进行实时的效益建模较为复杂；另一方面，储能系统可以有效地改善系统中电能供需不平衡和弃风弃光问题，是微电网维持其稳定运行的关键环节。因收稿日期2019−03−26； 修回日期2019−05−22。基金项目国家重点研发计划资助项目2016YFB0900400。第 52 卷 第 6 期中国电力Vol. 52, No. 62019 年 6 月ELECTRIC POWER Jun. 2019111此，有必要对含有储能系统的微电网实时经济调度问题进行研究和分析。基于上述考虑，提出了一种孤岛微电网实时经济调度的分布式优化方法，建立了适合于微电网实时经济调度的储能（ESS）效益模型。该模型中充分考虑了在过去时段的电能购置成本与未来时段运行效益，以确定储能单元当前时段参与微电网经济优化的方式。然后再利用ADMM算法，在每次迭代中通过相邻单元间期望的电价与功率信息传递，实现自身运行效益的最大化。1 孤岛微电网系统结构本文将孤岛微电网中每个参与单元建模为一个代理（Agent），每个Agent可以与相邻的Agent进行通信。该孤岛微电网共由6个参与单元组成1个ESS单元，2个传统发电机（CG）单元，1个新能源发电机（RG）单元和2个负荷单元。在多代理系统（MAS）框架下，CG和ESS被认为是可调度的单元。因风能、太阳能等可再生能源通常是随机的、间歇性的，则RG被认为是不可调度的单元。其MAS的孤岛微电网拓扑如图1所示。2 系统数学模型2.1 微电网实时经济模型孤岛微电网的实时优化模型需要在任何时刻都保持功率的供需平衡，同时在满足可调度单元的容量限制条件下，微电网系统以实时最大效益运行。孤岛微电网中的实时经济调度问题的数学表达式为maxxi;tn∑i1fi;t maxn∑i1Ii;t Ci;t（1）{ Ci;t aiPi;t2biPi;t ciIi;t i;t Pi;t（2）st Pd;t Ps;t（3）fi;t Ii;tCi;ti;t式中为第i单元时刻t的效益；为第i单元时刻t的收益；为第i单元时刻t的成本，对于不同分布式发电装置的发电成本一般形式都可以表示为功率输出的二次函数[14]；Pi,t为第i单元时刻t的功率；为第i单元时刻t的电价；Pd,t为时刻t系统的总需求功率；Ps,t为时刻t系统的总供应功率。2.2 RG单元实时效益模型本文中RG单元在任意时刻的有功出力都被认为是不可调控的。且假定可再生发电的成本为零[15]。则RG单元时刻t的效益函数可表示为fR;t IR;tPR;t; R;t（4）{IR;tPR;t; R;t R;t PR;tIR;t≥ R（5）IR;t PR;tR;tR式中为RG单元时刻t的实时收益；为RG单元时刻t的有功出力；为RG单元时刻t的实时电价；为RG单元维护装置保养所需的最低收益。2.3 CG单元实时效益模型CG单元时刻t的效益函数可表示为fC;t IC;tPC;t; CG;tCC;tPC;t（6）IC;tPC;t; C;t C;t PC;t（7）CC;tPC;t aCPC2;t bCPC;t cC（8）其约束为IC;t≥ C（9）PminC≤PC;t≤PmaxC（10）RG ESSLoad1Load2Agent1CG2CG1通信层Agent6Agent2 Agent3Agent4Agent5电力层图 1 基于MAS的孤岛微电网拓扑结构Fig. 1 Topological structure of MAS-based islandmicrogrid中国电力第 52 卷112IC;t CC;tC;tCPmaxC PminC式中为CG单元时刻t的实时收益；为CG单元时刻t的实时发电成本；PC,t为CG单元时刻t的有功出力；为CG单元时刻t的实时电价；为CG单元维护装置保养所需的最低收益；aC、bC、cC分别为CG单元的发电成本系数；、分别CG单元有功出力的上、下限。2.4 用户单元实时效益模型若用户在消耗更多功率的情况下可以完成更多任务，则可以合理地假设用户侧的收益函数是非递减的。用户收益函数通常表示为二次函数[16]。用户侧的成本即为购电成本。那么用户侧在时刻t的收益函数Il,t和成本函数Cl,t为Il;tPl;t 12alPl2;t blPl;t（11）Cl;tPl;t; l;t l;t Pl;t（12）l;t式中al、bl为用户侧的收益系数；Pl,t为用户侧时刻t的用电功率；为用户侧时刻t的实时电价。用户单元在时刻t的效益函数为fl;t Il;tPl;t Cl;tPl;t; l;t（13）其约束为Cl;t≤ l（14）Pminl;t≤Pl;t≤Pmaxl;t（15）l Pmaxl;t Pminl;tPl;t式中为用户侧的最高购电成本；、分别为用户侧时刻t的用电负荷需要满足的上下限约束；为用户侧时刻t的实际用电负荷。2.5 ESS单元实时经济模型ESS能源的时间耦合特性，对其进行实时的效益结算存在一定的困难，因此如何构建储能单元的实时效益模型成为本文要解决的关键问题，其构造具体过程如下。首先给定过去T（小时）的市场电价向量为T;t [ t ∆T; t 2∆T; ; t T]（16）那么ESS单元在时刻t基于过去T（小时）的平均电价为E;mean;t T∆T∑a1t a∆TT（17） E;tfutureE;t futureE;t＞ E;t若ESS在时刻t处于充电状态，此时ESS以的实时价格购电，可以假设在未来某时刻以（）的价格卖出以获得收益。为了futureE;t T;tE;mean;tIE;ch;t CE;ch;t方便计算，可以认为是电价向量中所有大于电价的平均电价。ESS充电时需考虑电池折旧和装置运行维护所需的成本。则ESS充电时的收益函数和成本函数可表示为8IE;ch;tPE;ch;t; E;t futureE;t E;t PE;ch;tfutureE;t n∑i1iT;tn（18）CE;ch;t Pch;t; E;t aEP2E;ch;t cE（19）E;t futureE;tiT;t T;tE;mean;t T;t E;mean;tCE;ch;t式中为ESS单元时刻t的实时价格；为在未来某时刻卖出的电价；PE,ch,t为ESS单元时刻t的充电功率；为电价向量中第i个大于的电价；n为向量中大于的个数；为ESS单元时刻t电池折旧和装置运行维护所需成本，ESS装置的充放电成本函数应与充放电状态无关；aE、cE为ESS装置的充放电成本系数。E;tpastE;t E;t＞ pastE;tIE;dis;tCE;dis;t若ESS在时刻t处于放电状态，此时ESS以的实时价格放电，但收益函数需考虑所放功率的电能购置成本（）。同样ESS放电成本也需考虑电池折旧和装置运行维护所需的成本，则ESS放电的收益函数和成本函数可表示为8IE;dis;t PE;dis;t; E;t E;t pastE;t PE;dis;tpastE;t t∑it0E;i PE;ch;it∑it0PE;ch;i（20）CE;dis;t PE;dis;t; E;t aEP2E;dis;t cE（21）pastE;tCE;dis;tE;ii 2 t0;t式中PE,dis,t为ESS单元时刻t的放电功率；为ESS单元时刻t放电时所放功率的电能购置成本价；为ESS单元时刻t电池折旧和装置运行维护所需成本；t0为调度时间周期的起始时间；调度周期内时刻i的实时电价，其中；PE,ch,i为调度周期内时刻i的充电功率。结合ESS的充放电收益与成本函数，则ESS单元在时刻t的效益函数为fE;t IE;t PE;ch;t;PE;dis;t; E;t CE;t PE;ch;t;PE;dis;t（22）第 6 期 凌婵惠等考虑储能充放电效益的孤岛微电网经济优化模型113IE;t PE;ch;t;PE;dis;t; E;t futureE;t E;t PE;ch;t E;t pastE;t PE;dis;t（23）CE;tPE;ch;t;PE;dis;t aEP2E;ch;t aEP2E;dis;t cE（24）储能单元主要约束为Ich;t;Idis;t≥ E（25）Ddis;t Dch;t≤1（26）0≤PE;dis;t≤Ddis;t PmaxE;dis（27）0≤PE;ch;t≤Dch;t PmaxE;ch（28）20EmaxSOC≤ESOC;t≤90EmaxSOC（29）ESOC;t PE;ch;t ch∆T PE;dis;t dis∆T ESOC;t1（30）E＞0Ddis;t Dch;tESOC;tPmaxE;ch PmaxE;disch disEmaxSOC式中为ESS为了维持装置的日常保养和维修费用的最低效益；、分别为ESS充放电状态，为0-1变量；为ESS在时刻t的储存电量；、为ESS充、放电时的功率上限；为ESS的充电效率；为ESS的放电效率；为ESS的容量上限。E;tfutureE;tpastE;t由上述知，为了满足自身的经济利益，ESS在充电时，其在时刻t的实时充电电价应小于未来某时刻的卖电电价；ESS在放电时，其在时刻t的实时放电电价应大于所放功率的电能购置成本价。因此，ESS可以根据比较在过去、现在及未来的电能价格判断其充放电方式。假设过去T（小时）的价格趋势与需要调度的未来时间内价格趋势相同[17]，故只要知道过去T小时的电价就可以判断未来需要调度的时间段内的充放电规律。为了方便判断，以过去T（小时）的平均电价作为判据，在实时价格低于平均电价时ESS进行充电，在实时电价高于平均电价时ESS进行放电。这不仅使ESS自身的经济利益需求得到满足，还可以缓解负荷高峰的用电压力。3 分布式优化方法3.1 分布式建模在本模型中，以孤岛微电网系统的实时总效益最大化为目标，为了满足ADMM算法对目标函数的要求，需要对式（1）中的目标函数作最小化变换。由于系统效益最大化就是最大化收益与成本之间的差值，同时也可理解为最小化成本与收益的差值，则最小化的目标函数为maxxi;tn∑i1fi;t minxi;tn∑i1Ci;t Ii;t（31）st Pl;t PE;ch;t PC;t PR;t PE;dis;t（32）xi;t [ Pi;ti;t]（33）i;t式中fi,t（xi,t）为第i单元时刻t的效益函数；xi,t为第i单元时刻t的决策变量；pi,t是第i单元时刻t的有功出力，为第i单元时刻t的电价。各区域相互交互的信息仅为交易功率和电价，由ADMM的基本原理[18]可知本模型的迭代过程为xk1i;t argminxifi;t xi;td 2xij_ i;t xkij_ j;tukij;t222xkvi_ v;t xvi_ i;t ukvi;t22（34）uk1ij;t ukij;t xk1ij_ i;t xk1ij_ j;t（35）Pi;t pvi_ i;t pij_ i;t（36）其中xij_ i;t [ pij_ i;ti;t]（37）xij_ j;t [ pij_ j;tj;t]（38）式中v，j分别为与单元i相邻的两个单元；设pij, t为代理点i与代理点j之间在时刻t的交易功率，为了进行功率解耦，将pij,t复制到代理点i、j，分别将其命名为pij_i,t、pij_j,t。3.2 算法流程0i;t在本文中，微电网各单元的目标函数均为非凸函数，但文献[19]证明了在存在非凸目标函数的情况下，选取的惩罚系数p足够大时仍可以保证收敛性。ADMM是求解分布式优化问题的有效方法，在所提出的算法中，所有代理点在每个时刻根据交换的信息适当地调整它们的变量直到满足收敛条件，分布式优化算法的流程如图2所示。具体步骤为（1）初始化Pi，t0、pij_i, t0和；确定ESS在需要调度的未来时间段内的充放电状态；（2）令k1；（3）令t1；（4）各代理点依次根据式（34）更新使增广拉格朗日函数中国电力第 52 卷114L ixi;t;xkj;t;uij;tkxk1i;txk1ij_ i;tuij;tk1x i;T x ij_ i;T u ij;T最小的本区域的决策变量、；（5）根据式（35）依次更新本区域的拉格朗日乘子；（6）令tt1；循环步骤（4）（6），若t＞T，则执行步骤（7）；（7）判断边界残差是否满足条件；若是，则迭代结束，输出最优值向量、和；若否，则令kk1；跳到步骤（3）；直到边界残差满足条件，迭代结束。4 仿真结果4.1 基础数据本文以图1所示的孤岛微电网为例分别在3种场景下进行仿真分析，其中场景1为晴天，场景2为多云，场景3为雨天，并将3种场景下的最优调度进行了比较。调度时间尺度为全天24 h，调度周期为1 h。系统中共有2个CGs、1台ESS系统、1个光伏和2个负荷。ESS装置充放电效率设为95，充放电最大功率为200 kW，容量上限为2 MWh。各单元的系数仿真参数如表1所示，光伏与负荷的功率曲线如图3所示。本文仿真是在matlab2016a-yalmip平台上进行的，求解器调用CPLEX[20]。4.2 ESS单元的充放电状态判断以某省过去24 h实时电价曲线为例，判断出需要调度的未来24 h内ESS充放电状态见表2。4.3 场景一优化调度结果分析场景1设定为晴天，采用ADMM算法优化的孤岛微电网收敛后各单元实时电价如图4所示，可以看出各代理点提出的电价全部收敛于同一值，即为出清电价。图5为场景1系统各单元总效益的实时曲线，图6为场景1系统子效益的实时曲线。图7a）、图7b）分别为场景1系统各单元的实时功率曲线和耦合功率曲线。可以看出在电价较低且没有光伏或光伏很小的时段（01000900、23002400），其功率主要由CGs供给，在此时间段内电价较低，故ESS在这一时间段虽然处于充电状态，但充电的功率很小；而在18002200这一时段光伏虽然也很小甚至为零，但在此时间段内电价较高，ESS的功率曲线表 1 系统仿真参数Table 1 System simulation parametersAgent a b cCG1 0.001 5 0.015 0 0.020 0RG 0.001 0 –0.090 0.600 0Load1 0.001 2 5.000 ESS 0.001 0 0.000 3CG2 0.001 5 0.017 0.030 0Load2 0.001 6 4.000 开始k1t1k1tt1t Tkk1结束NYNY载入给定数据ρ、ε、k和T; 初始化xij_i、xij_j; 确定Ddis, t和Dch, t根据式 34 依次更新各代理点的、xi, t、xij_i, tk1 k1根据式 35 依次更新各代理点的对偶变量uij, t22k1 k1xij_i − xij_j≤ ε图 2 基于ADMM的分布式优化算法流程Fig. 2 Flow chart of ADMM-based distributedoptimization algorithm功率/kW0100 0500 1000 1500 24000100200300400500场景1光伏场景2光伏场景3光伏Load2Load1时刻2000图 3 光伏与负荷数据曲线Fig. 3 Data curve of PV and load第 6 期 凌婵惠等考虑储能充放电效益的孤岛微电网经济优化模型115表明此时段系统功率主要由ESS提供；在光伏的发电量还不足以完全满足用户用电的需求（10001200）时，此时的功率缺额基本由ESS和2个发电机提供。当光伏出力很大（13001700），且远远大于负荷需求时，为避免光伏弃光，ESS在此时处于充电状态，将多余的光伏储存起来，避免能源的浪费；这样既保证了功率供需的平衡，达到使整个孤岛微电网稳定运行的目的，又表 2 ESS充放电状态Table 2 ESS charge and discharge state时段Dch Ddis时段Dch Ddis1 1 0 13 1 02 1 0 14 1 03 1 0 15 1 04 1 0 16 1 05 1 0 17 1 06 1 0 18 0 17 1 0 19 0 18 1 0 20 0 19 1 0 21 0 110 0 1 22 0 111 0 1 23 1 012 0 1 24 1 00500 1000 1500 240000.20.40.60.81.01.2 CG1；RG；Load1；ESS；CG2；Load2时刻电价/元kWh−10200 03000.4870.4880.4890.4900.4910.49204000100 2000图 4 场景1各单元电价曲线Fig. 4 Electricity price curve of each unit in case 10100 0500 1000时刻05001 0001 5002 000总效益；总收益；总成本系统效益/元240020001500图 5 场景1系统总经济效益曲线Fig. 5 Total economic benefit curve of system in case 10100 0500 1500 2000 2400时刻02004006008001 000 OBJ1；OBJ2；OBJ3；OBJ4；OBJ5；OBJ6子系统利润/元1000图 6 场景1各单元效益曲线Fig. 6 Benefit curve of each unit in case 10100 1000 1500 2000 2400时刻0100200300400500 CG1；RG；Load1；ESSch；ESSdis；CG2；Load2功率/kW0500a 各单元功率曲线0100 0500 1000 1500 2000 2400时刻−300−200−1000100200300400p23p12 p34p45p56p61功率/kWb 耦合功率曲线 图 7 场景1系统最优功率调度曲线Fig. 7 Optimal power scheduling curve of system incase 1中国电力第 52 卷116避免了功率缺额现象所带来的经济损失。为了校验所提储能充放电效益模型，给出图8所示的储能单元最优调度结果图，由电价和充放电曲线可知，当储能处于放电状态时电价较高，储能处于充电状态时电价较低，这一现象与本文中储能充放电状态判定原则一致。并且由储能单元的效益函数可知只要储能的充/放电功率不为零时，储能单元就会实时盈利。故仿真结果表明了储能充放电效益模型的正确性及合理性。4.4 三种场景优化调度结果对比分析3种场景下的各单元效益对比如图913所示，其中场景1为晴天，场景2为多云，场景3为雨天。由于光伏单元的效益受自身出力影响较大，在此不做详细分析。图9为3种场景的电价对比，结合图3中的光伏曲线可以看出，在光伏没有出力且负荷需求较少的时段（01000800），3种场景下的电价基本相同。但在光伏出力较大时段，由于雨天光伏出力很小，不能满足负荷的需求，此时的功率缺额需要由其他发电单元（CG、ESS）来弥补，故场景3在此时段中的电价最高。图11为3种场景的用户侧效益曲线，在雨天，光伏出力较少不能满足用户侧的用电需求，其用电功率主要由CG或ESS提供，故在此场景下用户侧所获得的效益最少；在晴天，光伏出力较大，优先为用户供电，此场景下用户侧所获得的效益最多。在2000左右，此时3种场景下光伏皆没有出力，由图5中的负荷功率曲线可以看出，此时的用电需求较大，只能靠ESS和CG来弥补功率的缺额，但在雨天或者多云的场景下，ESS没有过多的功率进行存储，导致ESS的剩余可用容量较少，那么在这两种场景下此时的功率需求完全由CG供给，则在2000左右这两者场景下用户侧效益较少。图11为3种场景的发电机效益对比，光伏作为不可调度单元，优先为负荷供电，当其不能满0100 0500 1500 20000204060801001201401601802000.450.500.550.600.650.700.750.800.850.900.95ESSch；ESS 效益电 价 ；ESSdis；电价/元kWh−1时刻1000 2400功率/kW，效益/元图 8 储能单元最优调度结果Fig. 8 Optimal scheduling results of energystorage system01000.40.50.60.70.80.91.01.1场景1；场景2；场景3时刻电价/元kWh−124002000150010000500图 9 3种场景电价对比曲线Fig. 9 Electricity price comparison curve in three cases0100 0500 1000 1500 2000 2400600650700750800850效益/元场景1；场景2；场景3时刻a Load1场景1；场景2；场景3150200250300350400效益/元时刻0100 0500 1000 1500 2000 2400b Load2 图 10 3种场景下用户侧效益对比曲线Fig. 10 User-side profit comparison curve in three cases第 6 期 凌婵惠等考虑储能充放电效益的孤岛微电网经济优化模型117足负荷用电需求时，才需要CG发电保持功率的供需平衡，晴天CG出力小所以效益较少，而在雨天光伏完全不能满足负荷的用电需求，且ESS在此场景下充电功率很小，其基本由CG供电，雨天CG单元效益最多。图12为ESS单元的效益曲线，ESS在充电时相当于负荷，在放电时相当于发电机。在10001200时间段内ESS处于放电状态，故场景3的效益最大；在13001700时间段内储能处于充电状态，故场景1效益最大。在18002000时间段内储能虽然处于放电状态，但结合图13中的ESS剩余容量图可知，场景2和场景3在这一时段储能所剩容量接近下限值，此时ESS没有多余的功率可以放电去满足负荷的需求，所以此时这两场景下ESS盈利很低。5 结论本文提出一种孤岛模式下微电网的经济调度优化方法，该方法充分考虑了储能单元的实时充放电效益。储能单元根据过去时段的电能购置成本与未来时段运行效益建立实时效益模型。然后采用ADMM算法，通过各单元代理点之间共享期望交换电量与电价，实现自身运行效益的最大化。最后通过实验的仿真结果证明所提模型及方法的有效性。本文仅考虑了孤岛模式下的微电网实时经济调度，后续可针对微网并网的情况进行深入研究。本文在研究中对储能在调度周期内的充/放电状态判断是作了假设的，如何尽可能地准确获取储能在一个调度内的充/放电状态，可以作为该课题进一步研究方向。参考文献杨新法, 苏剑, 吕志鹏, 等. 微电网技术综述[J]. 中国电机工程学报, 2014, 341 57–70.[1]0100 1000 2400020406080100120140160场景1；场景2；场景3时刻效益/元0500 1500 2000a CG12000 2400050100150场景1；场景2；场景3时刻效益/元1500100005000100b CG2 图 11 3种场景下CG单元效益对比曲线Fig. 11 Profit comparison curve of CG unitin three cases020406080100场景1；场景2；场景3时刻效益/元0100 0500 1000 1500 2000 2400图 12 3种场景下ESS单元效益对比曲线Fig. 12 Profit comparison curve of ESS unitin three cases010002004006008001 0001 200时刻场景1；场景2；场景3ESS 剩余容量/kWh0500 1000 1500 2000 2400图 13 3种场景下ESS单元的剩余容量曲线Fig. 13 Residual capacity curve of ESS unitin three cases中国电力第 52 卷118YANG Xinfa, SU Jian, YU Zhipeng, et al. Summary of microgridtechnology[J]. Proceedings of the CSEE, 2014, 341 57–70.刘文, 杨慧霞, 祝斌. 微电网关键技术研究综述[J]. 电力系统保护与控制, 2012, 4014 152–155.LIU Wen, YANG Huixia ZHU Bin. Survey on key technologies ofmicrogrid[J]. Power System Protection and Control, 2012, 4014152–155.[2]王冠, 李鹏, 焦扬, 等. 计及风光不确定性的虚拟电厂多目标随机调度优化模型[J]. 中国电力, 2017, 505 107–113.WANG Guan, LI Peng, JIAO Yang, et al. Multi-objective stochasticscheduling optimization model for virtual power plant consideringuncertainty of wind and photovoltaic power[J]. Electric Power, 2017,505 107–113.[3]祖其武, 牛玉刚, 陈蓓. 基于改进粒子群算法的微网多目标经济运行策略研究[J]. 电力系统保护与控制, 2017, 4514 57–63.ZU Qiwu, NIU Yugang, CHEN Bei. Study on multi-objectiveeconomic operating strategy of microgrid based on improved particleswarm optimization algorithm[J]. Power System Protection andControl, 2017, 4514 57–63.[4]王璟, 王利利, 郭勇, 等. 计及电动汽车的微电网经济调度方法[J].电力系统保护与控制, 2016, 4417 111–117.WANG Jing, WANG Lili, GUO Yong, et al. Microgrid economicdispatch considering electric vehicles[J]. Power SystemProtection and Control, 2016, 4417 111–117.[5]李刚, 李峰, 孔亮, 等. 不同电价下含储能系统的微电网经济调度[J]. 中国电力, 2018, 512 125–132.LI Gang, LI Feng, KONG Liang, et al. Economic dispatch ofmicrogrid with energy storage under different price policies[J].Electric Power, 2018, 512 125–132.[6]阮博, 俞德华, 李斯吾. 基于一致性的微网分布式能量管理调度策略[J]. 电力系统保护与控制, 2018, 4615 23–28.RUAN Bo, YU Dehua, LI Siwu. Consensus algorithm baseddistributed energy management strategy of microgrids[J]. PowerSystem Protection and Control, 2018, 4615 23–28.[7]DASGUPTA S, MOHAN S N, SAHOO S K, et al. A plug and playoperational approach for implementation of an autonomous-micro-grid system[J]. IEEE Transactions on Industrial Inatics, 2012,83 615–629.[8]FATHI M, BEVRANI H. Statistical cooperative power dispatching ininterconnected microgrids[J]. IEEE Transactions on SustainableEnergy, 2013, 43 586–593.[9]WANG Shiqiang, XING Jianchun, JIANG Ziyan, et al. Decentralized[10]economic dispatch of an isolated distributed generator network[J].International Journal of Electrical Power 2. Anhui Provincial Collaborative InnovationCenter of Industrial Energy Saving and Power Quality Control, Anhui University, Hefei 230601, ChinaAbstract Aiming at the economic dispatching problem of island, this peper proposed an optimal scheduling model considering theenery storage charge and discharge eddiciency, which fully considers the cost of energy acquisition in the past period and theoperation benefit in the future period, so as to determine the mode of energy storage unit participating in the economic optimizationof microgrid in the current period. On this basis, each agent in the microgrid can maximize its own operating efficiency throughexchanging expected transaction power and electricity price with its neighboring agents. In this model, the alternating directionmultiplier is used to solve the optimal transaction volume and price between agents. Finally, under three different weatherscenarios, the operation results of distributed economic optimal dispatch of islanded microgrid are analyzed, and the validity of theproposed model and solution is verified.This work is supported by National Key R economic optimization; energy storag