基于可再生能源不確定性的多能源微網調度優化模型

孫 昕,劉景延,趙冬雪,齊 清,張 璞,王亞峰

(1.國網北京市電力公司,北京 100037；2.國網北京電力公司經濟技術研究院,北京 100055；3.清華四川能源互聯網研究院,成都 610213；)

綜合利用各種能源、突破各能源之間的界限，可以顯著提高能源的利用率和系統的經濟性[1]。實現配網/用戶端的多能源互聯，可以為多能源系統的建立提供基礎性保障[2]。對于多能源微網調度問題進行深入分析，可以提高綜合能源系統的效能，使區域能源系統的調度管理水平得到提升。

目前針對綜合能源系統的優化已有較多的研究成果。文獻[3-4]對輸電網和微網中的優化問題進行分析，提出了兩階段模型，對機組調度的優化具有較好的求解效果和適用性。文獻[5]建立了園區綜合能源調度優化模型，分析了用戶熱/電響應負荷的互補響應與系統成本之間的關系，但對系統中的可再生能源機組出力和日前系統備用容量考慮較為簡單。文獻[6]考慮了熱慣性對于熱/電解耦作用和系統成本的影響，并針對綜合能源系統建立了日前調度模型，但沒有考慮可再生能源機組和負荷的不確定性，并且建立的系統調度模型適用范圍有限。文獻[7]通過分析熱/電網耦合后的系統經濟性，建立了熱網的暫態特性模型，但缺乏系統調度過程中的確定性分析。文獻[8]基于用戶熱度舒適性，考慮了電-熱分時間尺寸的平衡，建立了日前經濟調度模型，但對調度模型相關性分析較少。文獻[9]根據區間優化理論，建立天然氣和電力耦合系統的調度模型，但僅僅對單階段優化問題進行了研究。

綜上所述，目前對綜合能源系統的調度優化問題的研究考慮的因素較為有限，比如對需求響應、可再生能源的機組出力、負荷不確定性等關鍵要素沒有結合在一起進行分析，其實際的應用場景相對有限。為此，對用戶負荷和可再生能源出力不確定性進行考慮，通過對天然氣和電力系統的線性分析，基于兩階段隨機優化建立了多能源網日前調度優化模型。通過相關的算例仿真，驗證了上述模型的有效性。此外，還分析了天然氣管道約束對系統運行經濟性的影響以及用戶需求響應與系統運行可靠性的關系。

1 基本模型架構

1.1 能源集線器

能源集線器可以實現不同類型能源的協調優化，可以滿足用戶多樣化的用能需求，打破了微網中不同能源的隔離，其基本組成部分包括小型熱電聯產(combined heat and power,CHP)，燃氣鍋爐等能源置換和儲存設備[10]，如圖1所示。

圖1 能源集線器的組成Fig.1 Composition of energy hub

1.2 需求響應模型

假定多能源微網運營商對需求響應資源提供階梯式補償模式，補償價格機制包括容量和電價，如圖2所示，以電負荷需求響應為例，對需求響應資源容量區間和補償價格之間的關系進行說明。

圖2 需求響應補償成本Fig.2 Demand response compensation cost

(1)

(2)

1.3 兩階段隨機日前調度模型架構

多能源微網運營必須根據用戶電/熱負荷和可再生能源出力水平進行能量調節設備的出力和旋轉備用計劃的制訂，同時對用戶需求響應資源進行更改，以改善系統運行的穩定性。但由于可再生能源和用戶負荷水平存在不確定性，因此必須考慮不確定性對決策結果的影響。借助概率場景進行不確定性的相關分析，根據兩階段隨機優化方法，建立多能源微網日前調度模型，其模型基本框架如圖3所示。

圖3 兩階段隨機日前調度模型基本框架Fig.3 Basic framework of two-stage stochastic day-ahead scheduling model

2 兩階段隨機調度模型

2.1 優化目標函數

以多能源微網的日前運行成本期望值最低為目標，建立相應的目標函數為

(3)

2.2 第1階段約束

2.2.1 電力潮流約束

(4)

(5)

(6)

(7)

(8)

(9)

2.2.2 天然氣管網約束

(10)

(11)

(12)

(13)

(14)

(15)

2.2.3 傳統DG運行的約束

(16)

(17)

(18)

(19)

2.2.4 CHP運行約束

(20)

(21)

2.2.5 燃氣鍋爐運行約束

(22)

(23)

(24)

2.2.6 響應負荷容量約束

(25)

(26)

2.3 第2階段約束

在該階段，多能源微網運營商可以基于可再生電源和用戶電/熱負荷的實際需求系統中的備用資源進行調控，具體約束為

(27)

(28)

(29)

2.4 兩階段關聯約束

該關聯約束主要是基于日內實際負荷和可再生能源出力情況，對于第1階段的備用資源進行調整。其相關約束為

(30)

(31)

(32)

(33)

(34)

兩階段關聯約束可以使第2階段的日內調度計劃滿足第1階段的計劃出力和旋轉備用約束。式(30)、式(31)表示傳統DG的日內調度約束；式(32)、式(33)表示燃氣鍋爐的日內調度約束；式(34)表示可響應負荷的日內調度約束。

3 計算仿真及分析

3.1 相關參數設置

基于微網系統和天然氣管道系統建立了多能源微網系統，如圖4所示，通過該多能源微網系統可以完成對所建模型的仿真計算。多能源微網系統的主要參數設置如表1所示。

圖4 多能源微網系統的結構Fig.4 Structure of multi-energy microgrid system

表1 模型主要參數Table 1 Cain parameters of the model

圖5所示為系統電熱負荷曲線，通過實際某智能小區的電熱負荷對多能源微網系統負荷進行修正。圖6所示為日前電價，多能源微網的日前購電價格根據電力運營部門的某一天日前市場電價確定，天然氣價格以2.63元/m3計算。

圖5 系統電熱負荷曲線Fig.5 Electric heating load curve of the system

圖6 日前電價Fig.6 Electricity price before the date

為了便于模型計算，假定不同節點的傳統DG和燃氣鍋爐備用容量費用相同，傳統DG為0.3元/kW，燃氣鍋爐為0.1元/kW；實際調用備用容量的補償價格為0.9元/kW·h。設運營商可根據用戶提供的響應量占其負荷的比重確定需求響應水平和補償價格，表2所示為具體的價格補償情況。

表2 需求響應補償價格Table 2 Demand response compensation price

3.2 不確定性分析

多能源微網運營商制定機組出力和日前備用容量計劃時，其不確定性主要源于用戶電/熱負荷和可再生分布式電源出力?；诟怕蕡鼍皩Σ淮_定性進行分析，假設實際電/熱負荷與預測值之間的偏差波動服從正態分布[12]?；谟脩綦?熱負荷的預測值和波動偏差，可以對其進行隨機抽樣，生成相應的100個電/熱負荷場景。同理，由于風速和光照輻射強度是影響風機和光伏出力波動的主要因素，可基于Weibull和β分布概率密度函數對其進行隨機抽樣，得到相應的100個風速和光照輻射強度場景[13-14]。選取的不確定場景還必須具有代表性，故采用向前選擇算法對單一不確定因素原始場景進行縮減，得到模型場景集Ωω。圖7所示為電/熱負荷場景，圖8所示為風速和輻射強度場景。

圖7 電/負荷場景Fig.7 Electricity/load scenario

圖8 風速和輻射強度場景Fig.8 Scene of wind speed and radiation intensity

由圖8可知，分布式風機的切入風速為3 m/s，額定風速為12 m/s，切出風速為50 m/s；分布式光伏轉換效率為18.7%。根據風速和輻射強度，可以得到在不同風速和輻射強度場景下分布式風機和光伏的出力情況。

3.3 仿真分析

3.3.1 模型優化結果

基于MATLAB仿真軟件對上述優化模型進行了求解，設計了4種場景對模型的有效性進行驗證，對不考慮負荷和出力波動的確定性優化模型和隨機優化模型進行了對比分析。相應的場景設置如表3所示。

表3 場景設置Table 3 Scenario Settings

確定性模型以原模型隨機變量期望值代替隨機值，將兩階段的隨機優化分解為單階段問題，第1階段的決策變量值由隨機變量期望值計算得到，然后將其導入第2階段完成不同隨機場景決策變量值的求解，從而得到模型優化的最終期望值。這種方法雖然可以簡化優化過程，但也會是不確定性場景信息有所丟失。

圖9所示為基于不同場景下多能源微網的日前調度運行期望成本。從圖9中可以看出，當多能源微網進行并網運行時，場景1的運營相對成本最高，場景2的系統成本相對場景1下降了5.54%，表明多能源微網中天然氣和電力系統聯合調度后，能夠有效降低系統的運營成本。

根據場景3和場景4的結果可知，相對于場景2來說，場景3的系統運營成本期望值下降了0.97%，而場景4相應下降了5.06%，表明兩階段隨機優化模型的結果優于確定性模型。同時也可以發現，需求響應資源的介入，使得系統的電負荷和熱負荷非自愿中斷成本有所降低，場景4的系統熱/電備用成本相比場景3有一定的下降。

4 結論

在兩階段隨機優化方法的基礎上，建立了多能源微網的日前調度模型，通過考慮可再生分布式電源和用戶熱/電負荷不確定性這兩個關鍵因素，對多能源微網的能量調度進行了優化處理。為了驗證所建模型的有效性，進行了相關的計算仿真分析。由仿真結果可知，相對于獨立調度模式，電力和天然氣系統的聯合調度方式具有更好的經濟性，可以對CHP恒定。