考慮風光不確定性的綜合能源系統規劃設計方法

鄭亞鋒， 魏振華*， 劉思渠

(1.國核電力規劃設計研究院有限公司， 北京 100095； 2.華北電力大學控制與計算機工程學院， 北京 102206)

隨著一次能源的過度開發和全球環境問題的日益嚴峻，合理高效利用可再生能源，提高終端能源消耗的效率和清潔化水平至關重要[1]。綜合能源系統以電力系統為核心[2]，統一規劃調度電/氣/冷/熱等多種能源系統[3]，被認為是實現能源低碳排放和高效運行的有效途徑[4]，對國民經濟和社會發展產生極大的促進作用[5]。

已有文獻對綜合能源系統規劃問題進行探討。文獻[6]分析了不同層次規模的綜合能源系統，對電、氣、熱(冷)等模型特征進行了描述。文獻[7]建立園區綜合能源系統優化調度模型，以運行成本作為其優化目標。文獻[8]提出一種基于多主體博弈的電力-天然氣綜合能源系統聯合規劃方法，基于不同的投資主體博弈機理進行分析。文獻[9]提出一種考慮清潔能源利用率的儲能規劃方法。文獻[10]建立了基于全生命周期的園區型綜合能源系統分期協同規劃模型。文獻[11]提出了含儲能裝置的園區型綜合能源系統的三級協同規劃方法，將綜合能源的規劃分成三個階段。但是上述研究均未針對系統不確定性問題進行考慮，可再生能源作為系統的能源支撐，其供能不確定性對系統規劃的影響不能忽視。

針對不確定性問題的研究中，文獻[12]運用條件風險價值理論對系統接入的風電、光伏等可再生能源設備所產生的運行風險進行控制。文獻[13]在規劃模型中引入碳交易機制，構建獎懲階梯型碳交易成本模型，并利用兩階段魯棒優化模型應對不確定性因素的影響。文獻[14]針對負荷和風速的隨機模糊性，以隨機模糊變量來描述其不確定性，建立了配電網的重構模型。文獻[15]提出了一種長時間尺度的園區綜合能源系統規劃方法，考慮風、光、荷的不確定性，給出隨機規劃模型。文獻[16]從能源服務公司的角度出發，建立了計及不確定性的綜合能源系統雙層規劃模型。但上述研究中的涉及的綜合能源系統不確定性規劃通常以經濟性為優化目標，未從其他角度綜合研究系統的其他性能指標。

現考慮風電、光伏出力的不確定性，采用結合序列分布概率的方法來獲得風光典型出力曲線。以綜合能源系統運行成本和系統電網供電率為目標，采用改進的多目標粒子群算法進行優化。對生成的Pareto解集使用分級構成類混合策略博弈方法進行篩選，以滿足工程人員不同的偏好需求。最后通過某個園區綜合能源系統實際案例對方法加以驗證。

1 綜合能源系統模型

1.1 典型綜合能源系統結構

本文中研究的綜合能源系統的結構和能流示意圖如圖1所示。

圖1 綜合能源系統結構和能流示意圖

1.2 綜合能源系統中的數學模型

1.2.1 風電機組

風電機組風速v和輸出功率PWT的關系為

(1)

式(1)中：PWTR、vci、vco、vr分別為風機的額定功率、切入風速、切出風速、額定風速。

1.2.2 光伏電池板

光伏陣列的輸出功率PWT具有強烈的線性，其計算公式為

(2)

式(2)中：PSTC為標準條件下(太陽光入射強度GSTC為1 000 W/m2，環境溫度TSTC為25 ℃)最大功率；GT為電池板受到的輻射量；KC為功度系數；TC為電池板工作溫度。

1.2.3 微型燃氣輪機

微燃機的發電出力PMT和回收煙熱的可利用熱值HMT計算公式分別為

(3)

式(3)中：QMT為輸入的燃料熱值；α和p分別為發電效率和產熱效率；β和q為系數常數。

1.2.4 熱交換器

熱交換器輸入、輸出端熱值之間的換算關系為

QHE,h=ηHEQHE,in

(4)

式(4)中：QHE,h、QHE,in為輸出與輸入端熱值；ηHE為熱交換效率。

1.2.5 吸收式制冷機

吸收式制冷機輸出冷功率和輸入熱功率之間的轉換關系為

CAC=ηACQAC，in

(5)

式(5)中：CAC和QAC,in分別為其輸出冷功率和輸入熱功率；ηAC為冷輸出能效比。

1.2.6 電制冷機

電制冷機通過消耗電能來制冷，其數學模型為

CER=COPERPER

(6)

式(6)中：CER為電制冷機的輸出冷功率；COPER為該設備的能效系數；PER為消耗的功率。

1.2.7 熱泵

熱泵是典型的耦合設備，本文中設計的熱泵為電熱耦合設備，其數學模型為

QEH=ηEPEH

(7)

式(7)中：QEH為熱泵的輸出熱功率；ηE的能效系數；PEH為熱泵消耗的功率。

1.2.8 儲能設備

本文中選用儲能設備是蓄電池。當蓄電池為充電狀態時，蓄電池剩余容量計算公式為

SSOC(t+1)=SSOC(t)+PES,cηcΔt

(8)

當蓄電池為放電狀態時，蓄電池剩余容量計算公式為

SSOC(t+1)=SSOC(t)-PES，dΔt/ηd

(9)

式中：SSOC(t+1)、SSOC(t)分別為對應時段的剩余容量；PES，c和PES，d為Δt時段的充、放電功率；ηc、ηd分別為充、放電效率。

1.3 約束條件

Pe(t)=Pnet(t)+PWT(t)+PPV(t)+

PMT(t)+PES(t)

(10)

式(10)中：Pe(t)是t時刻系統電負荷需求；Pnet(t)為t時刻系統與電網的交換功率；PWT(t)、PPV(t)、PES(t)、PMT(t)分別是t時刻風機、光伏、儲能、微燃機的有功功率。

(11)

式(11)中：QMT(t)為微燃機的熱出力；QHE，in(t)和QAC,in(t)分別是熱交換器和吸收式制冷機的輸入端；QHE,h(t)和QEH(t)分別是熱交換器和熱泵設備的熱出力；QH(t)為系統熱負荷。

CAC(t)+CER(t)≥QC(t)

(12)

式(12)中：CAC(t)是吸收式制冷機冷出力；CER(t)為電制冷機冷出力；QC(t)為系統冷負荷。

2 綜合不確定性因素的多維優化規劃模型

2.1 總體思路

提出一種綜合不確定性、經濟性與可靠性因素的綜合能源系統多維優化規劃模型，如圖2所示。該模型由不確定性因素優化模型和基于分級構成類混合策略博弈的多維協調規劃模型構成。利用不確定性優化模型對風光資源進行優化處理，獲得更合理的可再生能源出力特性，減少可再生能源出力不確定性對系統的影響。采用基于混合策略博弈的多維協調規劃模型依據處理后的數據來進行規劃分析，最終輸出合理的綜合能源系統配置方案。

2.2 不確定性優化模型

可再生能源作為綜合能源系統的重要能源支撐，其出力的不確定性對系統的合理配置產生極大的影響。提出結合序列分布概率的不確定性優化模型來減小不確定性因素對系統規劃的影響。將全年出力分成冬季、夏季和過渡性季節三類典型出力曲線，更準確的描述可再生能源的出力特性，從而減小由于可再生能源出力不確定性帶來的對系統規劃配置的影響。

以風機典型功率曲線為例。采用模糊C均值聚類方法對風速數據進行聚類，得到冬季、夏季和過渡性季節三大類風速數據，基于所得的數據，采用基于序列分布概率的典型功率曲線挖掘算法獲得風速典型曲線，結合式(1)計算出風機典型出力曲線。將獲得的三類典型出力曲線按照季節天數合成為全年出力曲線。具體流程如圖3所示。關于挖掘算法的具體實現過程本文不再詳述，可以參考有關文獻[17]。

圖3 風電典型日曲線挖掘流程圖

2.3 基于混合策略博弈的多維協調優化模型

2.3.1 綜合經濟性與可靠性的多目標優化

從經濟性與可靠性兩個維度出發，構建計及經濟性與可靠性的雙目標函數。

目標1以綜合能源系統在生命周期內所有收支費用按實際利率年均化后的成本Ccom為經濟指標。

(13)

式(13)中：n為系統元件個數；Cjann,cost為第j個元件的年均成本；Cbuy,gas為系統年購氣費用；Cnet電網年購電成本與售電成本之差。

(14)

(15)

式中：cgas、cnet,buy、cnet,sell分別為天然氣售價、電網售電、購電價格；Pgas(t)、Pnet,buy(t)和Pnet,sell(t)分別為t時刻的購氣功率、從電網購電的功率和向電網售電功率。

目標2綜合能源系統運行階段應最大程度地依靠自身系統為負荷提供支撐，盡可能減少負荷對電網的依賴程度，采用電網供電率fnet來表征系統供能的可靠性。

(16)

式(16)中：Pe(t)為t時刻系統的電負荷；Pr(t)、Pc(t)分別為t時刻系統的熱、冷負荷由電網供給時的所需的功率；Pnet,buy(t)為t時刻系統的購電功率。

2.3.2 改進動態慣性的多目標粒子群算法

采用多目標粒子群算法[18]對上述多目標規劃模型進行求解，同時為提高算法的速度和收斂性，本文設計了改進動態慣性權重和學習因子的策略，具體改進如下。

(1)采用動態慣性權重ω，即

(17)

式(17)中：kmax為最大迭代次數，kmax=100。

(2)改進學習因子c1、c2。學習因子采用線性調整策略，即

(18)

2.3.3 基于分級構成類混合策略博弈的決策方法

博弈優化理論能很好地處理多目標優化中各個函數互相爭斗的問題。將經濟性和可靠性指標作為博弈的參與者，Pareto最優解集中的各個解作為博弈參與者的策略集合，使得博弈的結果達到納什均衡。

通過使用分級構成類混合策略博弈來尋求最優解，如表1和圖4所示，采用低、中、高等級對目標函數進行分級，ai、bi作為決策者對劃分后的隸屬度等級的價值評估。

表1 目標函數收益系數表

圖4 隸屬函數

其中低、中、高收益等級的模糊隸屬度計算公式為

(19)

(20)

(21)

Pareto最優解中每個方案的評價指標為

obji=ui(ai,bi)=us,ia1+um,ia2+ub,ia3+us,ib1+um,ib2+ub,ib3

(22)

式中：us,i、um,i、ub,i分別對應目標函數的低、中、高三個收益等級的模糊隸屬度；fi,max、fi,mean、fi,min分別是第i個目標函數的最大值、平均值和最小值。最后obj值最大者表示決策者越滿意，反之則越不滿意。

3 算例分析

3.1 基礎數據

選取某綜合能源系統示范項目進行驗證分析。根據圖1的綜合能源系統結構搭建仿真模型，仿真步長為1 h，全年8 760 h，項目生命周期25 年。電、熱、冷負荷數據如圖5所示。系統規劃的設備參數如表2所示。依據圖2典型日曲線挖掘流程圖，分別獲得3類典型季節下的風機和光伏的典型日功率曲線，如圖6、圖7所示。選擇夏季90 d、冬季111 d、過渡季節164 d組成全年的風電、光伏功率曲線。

圖5 系統負荷月平均功率

圖6 風機典型日功率曲線

圖7 光伏典型日功率曲線

表2 設備基本參數

3.2 優化配置結果分析

基于所提方法進行仿真分析，使用分級構成類混合策略博弈方法通過對目標函數進行分級多權重處理，從目標偏好信息相同、側重經濟收益、側重可靠性三個維度分別獲得最優配置解，結果如表3所示。

表3 不同偏好下的系統配置結果

由表3可知，不同的偏好側重點不同，其系統配置結果也各不相同。相同偏好信息下，電網供電率為0.020 8、系統運行成本為7 891 718 元，在偏好經濟效益時，系統電網供電比例增加，設備配置數量下降，系統運行成本降至7 648 120 元，電網供電率為0.033 4，系統可靠性降低。偏好可靠性時，系統配置設備數量增加，對電網的依賴降低，此時電網供電率降至0.009 4，但系統運行成本增至8 280 041 元。

3.3 不確定性影響分析

為了驗證本文提出的不確定性優化模型的有效性，以偏好信息相同為例，本文進一步開展可再生能源出力不確定性對規劃結果的影響分析。由3.2節仿真結果分析，風電為系統能源主要支撐。選取過渡季節365 d組成風機全年出力曲線，仿真對比結果如表4所示。

由表4可知，相較于本文提出的多典型日組合出力特性方案，單一典型日出力方案下系統多配置一臺微型燃氣輪機，產生更高的運行成本。這是由于采用單一典型日組成的年出力方式，其估計的風機出力小于實際的風機出力，導致系統增加一臺微型燃氣輪機來彌補負荷不足。以上分析可知，在不考慮不確定性的情況下，對風光等資源的估計會產生較大偏差，進而影響整個系統的配置合理性。因此，對可再生能源出力的不確定性分析十分必要。

表4 不同典型日組合下的系統配置結果

3.4 備用度對配置方案的影響

綜合能源系統的備用容量是指在系統理論負荷需求達到供需平衡的前提下，增加一定的備用容量以滿足“源”“荷”兩側的供給需求波動對于系統供需平衡的影響。以電負荷為例，冷、熱負荷同理，備用容量用系統平均電負荷的年增量δ形式描述為

(23)

在偏好信息相同的條件下，將系統電、熱、冷負荷備用度均逐漸遞增至10%來模擬不同時間段出現的負荷變化。從圖8可知，隨著備用度增加，系統的儲能設備容量相應增加。結果表明通過合理增加蓄電池這類可控儲能容量，可以達到提高系統可靠性的目的。

圖8 不同備用度下的綜合能源系統配置結果

系統備用度與電網供電率和系統運行成本的關系如圖9所示。系統備用度與電網供電率成反比，與系統運行成本成正比。系統備用容量的增加伴隨著系統的電網供電率降低以及系統成本的增加。

圖9 系統備用度與電網供電率和系統運行成本的關系

4 結論

在考慮可再生能源充分消納的背景下，提出了一種考慮風光不確定性的綜合能源系統博弈決策多維協同規劃模型。采用基于序列分布的典型曲線挖掘方法，獲得風光的典型出力曲線，組合生成風光出力不確性優化模型，削弱風光不確定性對系統規劃的影響。以系統運行成本最低、系統電網供電率最低為優化目標，采用改進型多目標粒子群算法進行求解，對生成的Pareto解集使用分級構成類混合策略博弈進行篩選，生成滿足決策者的不同偏好需求的規劃配置。通過國內某個園區綜合能源系統實際案例仿真，驗證了方法有效性，并分析了風光不確定性、系統備用度對系統規劃配置的影響。研究結果可為決策者規劃綜合能源系統提供參考。