基于服務商引導的綜合能源系統源-荷協同優化方法

廖宗毅，萬文略，陳曦，陳嵐

(重慶理工大學電氣與電子工程學院，重慶市 400054)

0 引 言

隨著國家能源市場逐步開放，傳統能源服務已難以適應新環境下用戶的多元化需求，更多市場主體把注意力轉移到更經濟、高效的綜合能源系統[1]。作為綜合能源系統的終端應用形式，園區型綜合能源系統(community integrated energy system，CIES)具有清潔高效、多負荷集中等特性，有利于可再生能源消納，可通過優化調度策略發揮多能源互補優勢與協同效益，具有很大的調度潛力，有關CIES優化運行的研究已成為熱點[2-3]。

目前國內外關于CIES運行優化策略可概括為集中式與分布式兩類。其中集中式優化策略大多基于綜合需求響應(integrated demand response，IDR)機制引導需求側調整用能、平緩負荷波動，實現多能協調互補。文獻[4]考慮峰谷分時電價、天然氣價格信號以及供熱管網熱慣性建立電氣熱IDR策略，提高了CIES的風、光消納能力和能源利用率。文獻[5]考慮CIES中多能流耦合特性和用戶側靈活負荷的響應潛力建立電氣冷IDR策略，綜合考慮供需兩側經濟效益、負荷峰谷比以及碳排放等目標進行優化調度。文獻[6]將分時熱價、電價融入IDR策略中以提高CIES的清潔能源消納能力與經濟性。文獻[7]引入電-氣-熱多能IDR策略，兼顧CIES經濟成本、碳排放以及能效利用率建立多目標優化調度策略，提高了系統整體經濟性。文獻[8]以激勵型IDR策略平衡多能流之間的需求并引入條件風險價值以兼顧CIES的經濟性與安全性。以上研究通過IDR機制實現了系統經濟運行、靈活調度，但僅將CIES作為價格接受者，未能充分挖掘其響應潛力，對上級能源網絡與CIES的交互分析不足。

對于CIES的分布式優化，部分學者通過引入市場因素來實現。文獻[9]提出了以綜合能源銷售商為領導者的主從博弈模型，對電、熱價格進行聯合優化從而引導各方能量交互，實現多主體分布式協同優化。文獻[10]基于主從博弈方法構建區域綜合能源系統服務商運行策略，以日前-日內兩階段價格信號激勵，減小用戶側支出與負荷波動，提高服務商運行利潤。文獻[11]考慮能源供應商和用戶的主動性，提出與供需雙側博弈互動下的園區運營商引導能源交互模型，在平衡三方主體需求與利益的基礎上實現了CIES優化運行。文獻[12]在工業用戶、園區能量管理系統和上級電網之間構建集中-分布式IDR模型，在保護用戶信息私密性的同時提高了系統整體經濟性。在能源市場化背景下，上述研究對CIES源荷交互和多市場主體參與能源交易提供了重要的理論基礎，但對價格機制的應用較少，且多數研究將負荷聚合商考慮為需求側，尚未考慮用戶主體的滿意度與響應程度。

針對上述不足，本文提出基于綜合能源服務商(integrated energy services provider,IESP)引導的CIES源-荷協同優化運行策略。在供給側引入IESP以有機整合能源資源，協助上級能源網絡引導多能協同靈活交易；綜合考慮供能成本、CIES用能需求與需求響應程度等因素以確定電力、天然氣價格范圍，基于電網與CIES間聯絡線交互功率變化情況以及響應反饋信息優化電-氣聯合價格信號。在需求側，對CIES的可轉移電、氣負荷以及建筑物虛擬儲熱特性建立電氣熱聯合的IDR策略；在兼顧CIES用能經濟性、滿意度以及響應合理性的同時，將響應信息反饋給上層IESP。將上述源荷交互過程劃分為“優化定價”與“經濟調度”2個層級，引入粒子群-混合整數線性規劃的雙層優化算法進行分層式優化與迭代，從而實現求解。最后，由算例仿真驗證所提策略對挖掘CIES調度潛力、提升系統整體經濟性等方面的有效性。

1 用戶側園區綜合能源系統模型

1.1 CIES建模

以冷熱電聯產機組、光伏、風機、電制冷及電制熱機等設備為基礎構建CIES，采用“并網不上網”運行方式，具體架構如圖1所示。

圖1 CIES架構Fig.1 Architecture of CIES

1.1.1 冷熱電聯產

冷熱電聯產系統由微型燃氣輪機、余熱鍋爐和吸收式制冷機等設備組成，其數學模型為：

(1)

(2)

(3)

(4)

1.1.2 電制冷與電制熱機

(5)

(6)

1.1.3 光伏與風機

(7)

(8)

本文對風機和光伏出力暫不考慮預測誤差及突發氣象狀況等影響。

1.1.4 燃氣鍋爐

燃氣鍋爐消耗天然氣以滿足用戶熱能需求，其模型表示為：

(9)

1.2 IDR模型

需求響應機制可引導需求側改進固有調度計劃、實現多能協調、優化負荷曲線。CIES的能源消耗主要為天然氣與電力，二者均為現代能源系統的重要資源，具有相似的商品屬性，可基于需求彈性策略建立電、氣負荷的需求響應模型[13]。此外，為進一步挖掘用戶調度潛力，考慮建筑維護結構的虛擬儲熱特性，對用戶熱負荷構建熱能需求響應模型。

1.2.1 電、氣需求響應

以目前應用較廣泛的需求價格彈性法描述負荷的需求量與價格之間的關系。以電能為例，其需求響應模型可表示為：

Pload,dr=Pload,o+ΔPload

(10)

式中：Pload,o、Pload,dr分別為原始條件下以及響應后的用戶側電力負荷需求；ΔPload為電負荷變化量，其與電價的變化量之間存在以下關系。

ΔPload,N=MPΔJPN

(11)

(12)

(13)

(14)

考慮需求響應的合理性，對用戶參與互動時每時段電、氣負荷可響應范圍做以下約束：

(15)

1.2.2 熱能需求響應

不同于電能、天然氣，熱能的消耗在時間尺度上具有一定慣性，其本質是建筑物維護結構對熱能的儲存性。根據文獻[15]可得室內環境熱平衡方程為：

(16)

式中：ΔQ為室內熱量的變化量；k=cλ，其中c為空氣比熱容，λ為空氣密度；V為室內空氣體積；Tin為室內溫度；τ表示熱能平衡方程的時間步長，為便于熱能供需平衡的計算，本文取為1 h。

忽略太陽輻射熱功率的影響，影響建筑內部熱量的主要因素為室內外溫差與制熱設備的輸出熱功率。考慮系統制熱的情況下，式(16)可寫為：

(17)

式中：kwl為建筑墻體維護結構的傳熱系數；fwl為建筑的外墻面積；kwn、fwn分別為建筑外窗的傳熱系數與面積；Tout為室外溫度；QH為系統中供暖設備的制熱功率。熱能需求響應模型具體內容參考文獻[16-17]。

2 IESP引導源-荷協同優化模型

目前有關CIES運行優化研究多以電網為核心，用戶的設備、用能需求與滿意度等私密信息均由電網掌握，降低了用戶的參與意愿，亦無法充分調用響應資源。為此本文引入IESP，使其擔任系統源-荷交互的橋梁；考慮由IESP獲取用戶側需求與響應滿意度等信息，將電力、天然氣交易有機結合以充分調動用戶響應積極性，通過優化能源價格信號引導能源交互，實現合理、高效的源-荷協同優化，具體框架如圖2所示。

圖2 IESP引導源-荷交互Fig.2 IESP guidance of source-load interaction

整個系統的源荷交互包括“優化定價”與“經濟調度”2個層級，二者之間互相影響，通過循環迭代求解。首先，上層的IESP作為源荷交互的載體，為充分調動CIES響應積極性，將電力、天然氣交易有機結合；綜合考慮供能成本、用戶需求信息等因素以確定電力、天然氣價格上下限；綜合考慮聯絡線輸電功率變化情況與用戶響應信息反饋以優化電-氣聯合價格信號。而下層的CIES將根據價格信號自發轉移用能需求，在滿足設備出力范圍、供需平衡等約束的基礎上進行經濟調度，并向IESP進行信息反饋。

2.1 決策變量

該源-荷協同優化模型本質上是一個非線性優化問題，問題的決策變量為IESP給定的電力、天然氣價格信號以及CIES用能需求。

2.2 約束條件

由于綜合能源系統中電-氣能源耦合特性，二者負荷需求與價格信號的交互作用較為復雜，為保證源荷交互的合理性，給出相關約束。

2.2.1 源-荷互動約束

1)價格范圍約束：IESP優化電力、天然氣價格信號時，為保障供能網絡的利益以及CIES需求響應合理性，須綜合考慮CIES參與互動時負荷的最大可移動程度，以及電力、天然氣的成本。

以電價為例，價格上限可由用電峰時段的負荷及其對應的最大可移出水平結合上文需求響應模型得出。考慮定價合理性，任何時刻能源價格都應該大于其供應成本；確定價格下限時須在考慮谷時段最大移入負荷的基礎上兼顧售電利益，取理論下限值與電價成本之間的最大值。

(18)

(19)

(20)

2)峰谷價格比約束：為防止用戶側參與需求響應程度不足或響應過度以致峰谷倒置，須對天然氣的峰谷價格做出約束。

K1≤JGp/JGv≤K2

(21)

式中：JGp、JGv分別表示天然氣峰時、谷時價格；K2、K1分別為最大、最小峰谷價格比值。

2.2.2 用戶側約束

1)設備出力與供需平衡約束。CIES設備須在合理的出力范圍內運行。

(22)

除設備出力約束之外，須滿足用戶側的電、氣、冷、熱、煙氣等能量母線的供需平衡約束。

(23)

(24)

(25)

(26)

(27)

2)日負荷總量約束。為保證用戶側用能需求，對參與響應前后負荷總量的變化做以下約束：

(28)

3)用能滿意度約束。為保證用戶的用能滿意度，對電力、天然氣用能添加滿意度約束[14]：

(29)

4)用能成本約束。用戶側須支出的總費用包括滿足用能需求所必要的購能成本以及園區內設備的運維成本。

CUP=CUB+CUM

(30)

(31)

(32)

用戶希望參與IESP價格引導時，其總經濟支出是低于原始情景下的，所以用戶側經濟成本約束為：

(33)

2.3 供能端需求約束

1)削峰填谷約束。IESP引導源-荷協同優化的目的是削減聯絡線輸電功率峰谷差、優化配置系統資源，要求IESP引導互動后，電網與用戶間的聯絡線輸電功率峰谷差減小，日負荷率提高。

(34)

2)售能滿意度約束。考慮到供能網絡的利益訴求，須對IESP進行價格優化后電網、氣網的售能收益變化進行約束。

(35)

(36)

SPCmin≤SPC

(37)

SGCmin≤SGC

(38)

2.4 目標函數

IESP引導源荷互動，對電網與CIES間聯絡線輸電功率進行“削峰填谷”，其收益來源為電網削峰補償激勵，即目標函數為：

(39)

3 求解方法

不同于傳統經濟調度問題，基于IESP引導的源-荷協同優化模型中的優化定價、需求響應、經濟調度等問題相互耦合，存在較多雙線性項，難以通過常規優化方法解決。為此本文提出一種粒子群算法結合混合整數線性規劃(particle swarm optimization and mixed integer linear programming,PSO-MILP)的雙層優化求解方法，具體的求解流程如圖3所示。

IESP的價格信號優化與CIES響應行為組成了一個大規模非線性優化問題，采用粒子群算法可以提高可行解搜索能力，降低問題復雜度。內層是以園區的設備出力范圍與能源網絡供需平衡為約束的，基于經濟成本最小化考慮的線性規劃問題；將內層CIES經濟調度的結果放入外層進行檢驗計算，以簡化內層的MILP問題復雜程度。在此基礎上，將CIES用能成本、用能滿意度以及供能端“削峰填谷”等約束以罰函數的形式嵌入粒子的適應度中進行計算，可一定程度上改進算法的求解性能。粒子群算法中種群數設為100，最大迭代次數為100次，采用文獻[18]的慣性權重指數遞減策略，權重初值與終值分別設為1.0與0.5，粒子自學習率與種群學習率均為2。在場景A、B中，能源價格粒子的維度為27維，一天24個時段分時電價信號占24維，峰谷平天然氣價格信號占3維，天然氣價的峰谷時段劃分參考文獻[7]。場景C、D中，價格粒子為48維變量，即24時段的分時電價信號、分時氣價信號。考慮到48維價格粒子產生的可行解范圍較大，為提高算法的可行解搜索能力，對每個種群中的最優個體粒子引入反向學習策略[19]，生成精英個體反向解以增加粒子種群多樣性。此外，為提高用戶滿意度，每次迭代過程中將式(28)、(29)及式(34)—(38)等約束條件以罰函數因子寫入粒子適應值中。

圖3 PSO-MILP雙層優化求解流程Fig.3 Solution flow of PSO-MILP bi-level optimization

4 算例分析

本文CIES架構模型及負荷等數據參考了文獻[4,7,20]，設備具體參數見表1、表2。內層MILP的Gap設為1×10-5，迭代計算所得結果中未出現違反模型以及表1中所提等式/不等式約束的情況。電價彈性矩陣的自彈性系數為-0.10，交叉彈性系數為0.01，天然氣價彈性矩陣自彈性系數取-0.20，交叉彈性系數取0.01[11,21]。熱能需求響應模型中建筑維護結構參數如表3所示，空氣比熱容c與空氣密度λ分別為1 000 J/(kg·℃)和1.2 kg/m3，室內空氣體積V為25 600 m3。CIES負荷的最大可移動水平fmove取10%[14]。設供能端售電單位成本為0.4元/(kW·h)，天然氣單位成本為1.3元/m3。設IESP削峰補償單價為6元/(kW·h)，日負荷率每提升1%補償60元。天然氣峰谷分時價格約束中K1取1，K2取3。日負荷總量約束中的松弛系數φ取0.01[22]。用戶側滿意度約束中[14]，用電最低滿意度SUPmin與用氣最低滿意度SUGmin均設為0.95。電網售能收益最低滿意度SPCmin與天然氣網收益最低滿意度SGCmin均設為0.90。為驗證所提模型的有效性，給出5個場景以分析源荷交互行為；其中場景O即為原始場景，場景A—D對應于IESP采用4種不同的價格信號與IDR策略，場景具體條件設置見表4。

表1 設備出力范圍與運行參數Table 1 Equipment output and operation parameters

表2 設備單位出力運維成本Table 2 Operation and maintenance cost per unit output of equipment

表3 建筑維護結構參數Table 3 Structural parameters of building maintenance

表4 場景信息Table 4 Scene information

4.1 源-荷交互分析

圖4為PSO-MILP雙層優化在求解該問題時的粒子收斂情況。算法經過約50次迭代后幾乎實現收斂，而實際上在第45次迭代時，電網與天然氣公司的收益已逼近最后的收斂結果，但后續迭代過程中收益曲線又有輕微波動。這是由于源-荷協同優化模型中IESP致力于系統整體經濟性的優化，即使某些迭代過程中電網與天然氣公司收益相同，但價格信號、輸電聯絡線的日負荷率和削峰容量等也可能不同。此外，需要注意的是，粒子的適應度是在IESP削峰補償收益值的基礎上加入了用戶側經濟性、供能端收益以及“削峰填谷”等各方經濟訴求所構成的懲罰因子值，所以適應度本身并不等于IESP的收益，電網與天然氣公司兩大能源供應商的收益曲線也并非完全對應于粒子的收斂趨勢。

圖4 PSO-MILP可行解收斂情況Fig.4 Convergence of PSO-MILP feasible solution

IESP同時對電價、氣價進行優化，在滿足CIES用能經濟性、滿意度、響應程度、設備出力情況、供需平衡等條件的基礎上，對園區調度計劃與用能方式進行了調整，使聯絡線電交互功率峰谷差減小，功率曲線更平緩。不同場景下的結果對比如表5所示。

由表5知，在不考慮IESP參與的原始場景O中，CIES與電網聯絡線的電交互功率峰負荷與峰谷差均為1 448.32 kW，而經IESP引導后峰負荷均有所下降。其中，場景C下的峰負荷降低較明顯，為1 367.23 kW；場景D下峰谷差削減程度最大，由1 448.32 kW削減至1 239.15 kW；場景B下負荷率最高，由原始的32.51%提升至39.78%。任意情景下的CIES用電滿意度SUP與用氣滿意度SUG、電網收益滿意度SPC以及天然氣網收益滿意度SPC均滿足模型所提相關約束。但場景C下CIES的用能滿意度最高，分別為0.988和0.978；電網的售能滿意度為對照組中最低值，僅0.900；而天然氣網售能收益滿意度較高，達0.975。實際上，由于解空間搜索范圍以及DR靈活性的不同，在有限次迭代中求解出的各場景下能量交互策略與調度結果呈現一定差異。但結合表4、5進行分析不難發現，場景D中的48維價格信號與3種DR策略所對應的粒子群搜索空間最廣，屆時IESP在同樣量級的迭代計算中找到的可行解獲利1 487.05元，高于其余所有場景，實現了其自身利益的最大化；而相較于場景D，采用與之相同DR策略、不同價格信號維度的場景B中，IESP的收益則略有下滑，電網、天然氣公司的滿意度也降低；這是由于可行解的搜索空間縮小，有限次迭代得出的交互結果在整體上變差；此外，縱觀場景B、D下CIES的支出也能發現，由于場景D的可行解搜索范圍更大，IESP在兼顧自身以及供能網絡利益的基礎上壓縮CIES的經濟支出；即使該模型中的式(33)已向CIES保證其參與互動后的經濟性，但IESP仍在約束范圍內企圖讓CIES支出更多以追求自身以及供能網絡等上層主體的利益。

此外，若考慮不同DR策略的靈活性，可見場景A、C下均未考慮熱能DR，可知場景A的價格信號空間搜索范圍以及DR策略都是最差、最有限的，屆時在同樣規模的迭代計算中，IESP找到的解所對應的收益也更低。而相比于場景D，場景C雖然價格信號同型但未計及熱能DR，在同樣的價格信號搜索空間內取得了較高的收益，甚至通過價格激勵使其削峰容量達到最高，但其對輸電聯絡線負載功率的平緩效果并不如場景D，究其根本是DR靈活性的不足使其解空間“隱性”的縮小了。

由于篇幅限制，下文僅對場景D下的IESP引導互動效果以及CIES調度計劃做具體說明，其余場景的價格信號優化與引導互動見附圖A1—A4。場景D下的優化結果如圖5、6所示。結合圖6與表5可知，原始情景下01：00—04：00時段的聯絡線電交互功率為0，經IESP引導后略有提高。設19：00—21：00時段為用電高峰期，考慮由IESP對此時段內電交互功率進行削減，3個時段總削峰容量為189.1 kW·h，日負荷率提高了6.77%。屆時，用戶側CIES總經濟成本降低，電網與氣網收益均有所下降，IESP從電網側獲取了1 487.05元削峰補償。

表5 不同引導方式結果對比Table 5 Comparison of the results of different guidance modes

圖5 場景D下IESP價格信號Fig.5 IESP price signal in scenario D

圖6 場景D下IESP引導效果Fig.6 IESP guidance effect in scenario D

總的來說，5種情景下各方收益均有不同，相比于原始情景，考慮IESP參與交易時電網、氣網收益均受了一定影響。但是對系統整體而言，經IESP引導后電網與CIES聯絡線電交互功率曲線更加平緩，實現了“削峰填谷”，IESP以靈活的價格機制深度挖掘了CIES調度潛力，使源荷交互更靈活高效，提高了系統整體經濟性。

4.2 CIES經濟調度分析

圖7—10為考慮IESP引導時系統的能源母線供需情況。園區供能網絡中存在能源轉化裝置，在滿足自身用能需求的前提下將以經濟成本最低為目標進行調度，合理調整各個設備的啟停與出力。結合圖5可知，CIES對IESP的價格信號的響應情況，CIES滿足自身用能需求的基礎上為追求經濟性自發轉移了部分用能需求。由圖7結合圖5可見，19：00—20：00時段電力價格略高于原始情景時，用戶削減了部分電負荷，而22:00時段的電價有明顯降低，該時段用電需求得以提升。01：00—06：00時段電價較低，用戶提高了電負荷并開啟電制熱裝置。

圖7 電能供需平衡Fig.7 Balance of power supply and demand

由圖8，結合圖5可見，相比于原始情景，12：00—13：00時段天然氣價格降低，用戶將一定量天然氣需求轉移到該時段上并開啟燃氣鍋爐以補充熱能。

圖9為系統熱能供需情況，考慮建筑虛擬儲能特性，部分時段熱能需求有一定轉移。圖10為系統冷能供需情況，CIES以吸收式制冷與電制冷設備共同供給用冷需求。整個系統供能網絡全部滿足出力范圍與供需平衡約束，CIES通過合理安排設備調度計劃實現了經濟調度。

圖11為CIES的建筑內外環境溫度。室外環境溫度已知，室內由系統制熱設備供給熱能，綜合考慮建筑維護結構面積與傳熱系數等因素，可知CIES室內溫度為15～17 ℃。

圖8 天然氣供需平衡Fig.8 Balance of natural gas supply and demand

圖9 熱能供需平衡Fig.9 Heat energy supply and demand balance

圖10 冷能供需平衡 Fig.10 Cooling energy supply and demand balance

圖11 CIES室內外溫度Fig.11 Indoor and outdoor temperature in CIES

5 結 論

本文提出基于IESP引導的CIES源-荷協同優化模型。在需求側，基于可轉移電、氣負荷以及建筑虛擬儲熱特性建立電氣熱IDR策略以挖掘CIES調度潛力；在供給側引入IESP以引導多能協同靈活交易，綜合CIES與電網間聯絡線交互功率變化情況、CIES用能需求以及響應反饋信息以優化電-氣聯合價格。通過PSO-MILP雙層優化算法對模型進行分層優化、循環迭代求解。最后以算例仿真驗證了所提模型與方法的有效性，得到以下結論：

1)以IESP作為源荷交互載體并引入電-氣聯合價格引導機制，可深度激發CIES響應積極性以實現源荷協調交互；在保障CIES參與滿意度、用能經濟性的基礎上充分挖掘其調度潛力，對CIES與主網聯絡線電交互功率進行“削峰填谷”，提高系統整體經濟性。

2)PSO-MILP雙層優化算法可對所提模型中的源荷交互行為進行分層優化，循環迭代求解。PSO的自趨優性與群體性可協助IESP進行價格信號可行解的搜索；經濟調度層采用MILP可保證CIES滿足供需平衡與設備出力等約束；“優化定價”與“經濟調度”兩階段的循環迭代可保證源荷交互合理性，與此同時解決了IESP價格、CIES的需求及IDR等行為中存在的雙線性項問題。

本文所提模型基于CIES多能源IDR策略及IESP價格機制對源荷交互行為進行刻畫，對園區調度潛力進行了挖掘，改善了系統整體經濟性。但所用求解算法中粒子的適應度包含著用戶、供能端的各種滿意度約束的懲罰因子，此為智能優化算法的固有問題，即解的隨機性與弱可解釋性；智能優化算法雖然在實際工程與各類文獻中廣泛應用，為大量高維度的非凸、非多項式問題提供了解決辦法，但其對罰函數的處理以及固有的隨機搜索特性使求解的穩定性與可解釋性有限。此外，所提模型對CIES的儲能以及向上層電網售電等情況考慮不足，下一階段將圍繞以上問題進行改進。