含可響應資源的綜合能源多目標低碳優化調度

付 嵐，單智習，牟光臣

（1.新鄉職業技術學院，河南 新鄉 453000；2.開封技師學院，河南 開封 475000；3.河南工學院，河南新鄉 453003）

0 引言

可響應負荷作為電力系統智能化的重要內容，不僅可以促進負荷的可控性，還能夠提升系統內多級能源的利用效率[1]。綜合利用互聯網、能源控制等技術，深度融合能源系統與信息通信系統，實現多種能源的相互轉化和優化配置，實現節能降耗、低碳綠色等多目標優化[2]。智慧綜合能源概念涵蓋各類能源的開采、生產、使用、調度、輸配、儲存、銷售各個環節，其中配電網側調度是有效協調各類給類型能源、在配電網電壓等級滿足能源供給側、能源需求側和能源管理者的廣泛參與，綜合實現多種用能目標和理念，從而使能源系統達到最佳狀態的關鍵[3]，[4]。

智慧綜合能源系統中能源形式和種類豐富，既包括發電側各種類型的分布式電源、熱、冷、燃氣等能源，也包括用戶側多種能源形式的需求側響應資源。因此，需要研究發用側各類資源特性和協調優化問題[5]。

首先，從電力系統角度研究分布式電源的文獻已經非常之多，這里不再贅述，而從智慧綜合能源角度研究需求側響應資源的技術和特性問題的文獻不多。文獻[6]分析了需求側綜合能源系統關鍵技術。針對綜合能源中可響應負荷，文獻[7]提出了計及用戶響應不確定性的可中斷負荷儲能機制。文獻[8]提出了智能小區可轉移柔性負荷實時需求響應策略。文獻[9]分析了需求響應的負荷控制對供電可靠性的影響。文獻[10]將用戶對于冷、熱、電多能流的需求納入需求響應范圍內，提出基于多能互補的電/熱綜合需求響應機制。

其次，在優化協調方面，已有文獻考慮不同因素從不同角度進行了探究。在區域電網層面上，文獻[11]提出西北地區源端基地綜合能源系統的技術方案設計。文獻[12]，[13]引入碳排放，提出了一種電-氣互聯綜合能源系統的聯合經濟運行模型，以綜合能源系統發電能源成本與碳交易成本之和最小為目標函數，綜合考慮了天然氣網絡和電力網絡的安全約束。文獻[14]探究了綜合能源系統的優化調度模型和算法。

綜上所述，在目前已有研究中，除了對于綜合能源系統發展框架進行展望研究，更多是在區域電網層面，考慮電-氣-熱形式的能源資源特性，進行單一目標的建模和優化計算研究；但在配電網層面，充分調動發用各類資源，綜合考慮用能經濟性和節能減排目標，發揮綜合能源系統多目標優化特征的研究略顯不足。本文統籌考慮以綜合能源系統成本和排放成本為目標，考慮用戶側失負荷量，以及可延遲負荷與可再生能源出力之間的偏差影響，提出多目標優化聯合調度優化模型，通過算例驗證了模型的有效性。

1 可響應分布式能源系統

可響應資源是配電網絡中最顯著的特色之一，包括可響應分布式電源、可響應負荷，與網絡內傳統資源、網絡構架共同構成可響應分布式能源系統。通過對可響應資源的調配，綜合考慮分布式電源的接入，可以實現包括配電網系統在內的全局電網優化運行。系統的可響應方式主要分為電價機制和激勵機制。針對不同的負荷類型可以根據相應的時間尺度進行動態調整，具體如圖1所示。

圖1 可響應系統與調度的關系Fig.1 Responsive system and dispatch

針對月度計劃、日前調度以及日內調度，可以分別用分時電價、實時電價以及尖峰電價等機制，通過采用負荷的輔助服務、需求競價、緊急響應、可中斷負荷響應、直接負荷控制等方式，實現綜合能源的快速調節。在可響應分布式能源系統中，系統的動態特性一方面體現在響應速度，另一方面體現在響應方式多樣化。由于配電網絡中負荷響應的程度不同，不同分布式電源的調度水平和運行機制也有所差異。針對這種差異，還需要疊加考慮各種不確定因素的影響，包括負荷的動態特性、風電和光伏的不確定性出力等。因此，針對可響應分布式能源開展動態優化建模是關乎到優化全局系統運行的重要內容。

2 可響應負荷不確定性建模

2.1 負荷削減模型

考慮能源運營商與用戶之間雙向互動，從而實現負荷削減與轉移。能源運營商將競標價格信號傳送至用戶，用戶基于此信息對可調節負荷進行調整，實現負荷的轉移與削減。用戶不同時段的調節量有所差異。該削減模型如下：

式（1）用于模擬用戶在需求響應時的負荷削減與轉移，應滿足一定限制，包括響應功率限制、響應時間約束、削減與轉移互斥約束等。

2.2 負荷轉移模型

負荷轉移過程就是用戶將可轉移負荷的使用時間轉移至其他符合需求響應調控、價格較低的時間內，例如洗衣機、甩干機等。實際中，用戶會根據市場電價削減負荷。其模型如下：

式中：PDL（t）為可轉移負荷功率；PDL（t′，t）為時間從t′轉移到t的負荷功率；PDL（t，t′）為時間從t轉移到t′的負荷功率；γE為可轉移負荷二進制變量。

可轉移負荷的使用時間從t轉移到t′，其轉移負荷需滿足上下限約束，用戶的參與度可由式（5），（6）求得。

2.3 EV模型

對于部分負荷，用戶可以通過自發電滿足其需求。電動汽車負荷在滿足放電條件后，可以實現短期自供電的能力。因此，電動汽車用戶可以選擇在市場電價較低時充電。電動汽車用戶充放電行為建模如下：

2.4 不確定性建模

本文考慮多種不確定性因素，并進行建模。為描述電能和電價的不確定性，選用高斯分布函數。其表達式如下：

式中：θ為分布函數參數；μ為均值；σ為標準差。

能量和備用電價預測值設為函數的均值，標準偏差為2%。另外，分布參數考慮隨機分布，利用蒙特卡洛模擬生成不確定參數。

不確定參數在調度時段內的表達如下：

式（13）中每行表示不同的電價參數。本文使用蒙特卡洛模擬生成符合分布函數的隨機變量，高斯分布生成不確定電價信息。

3 配網綜合能源多目標低碳優化模型

3.1 目標函數

本文建立的模型主要是鼓勵可削減負荷參與需求響應，以達到削減成本和排放，從而最大化消費者滿意水平。

3.2 約束條件

①功率平衡約束

從電網購電、DG機組出力、熱電聯產機組出力、風機和光伏機組出力與總的負荷消耗應當保持平衡。

除了電量保持平衡，熱能也需要保持平衡，即熱力網總購熱與鍋爐機組、熱電聯產機組熱力等于總的熱能消耗。

4 模型求解

多目標模型需要在解集空間內搜尋Pareto最優解，即在目標函數空間內的非支配解。Pareto前沿集示意圖如圖2所示。

圖2 Pareto前沿集示意圖Fig.2 Pareto front

本文選用模糊決策法[14]得到非支配解中的最優解，最優解通過解集與理想點的距離確定，其求解步驟如下：首先歸一化目標函數，然后確定每個歸一化后目標函數最小值，選擇理想點和最小空間距離[14]。

本文考慮3個目標函數的權重不等，為體現低碳目標的重要度，將目標函數2的權重定為0.4，目標函數1和3的權重為0.3。

由于本文沒有在算法方面進行改進，因此算法原理部分不再贅述，詳見文獻[15]。

5 算例分析

5.1 系統說明

利用IEEE33節點系統進行仿真分析。本文考慮柴油機組（DG）、光伏太陽能機組（PV）、風機（W）以及電池儲能系統（EV）組成的綜合能源配網系統，其接入點位置如圖3所示。本文考慮電價和熱能價格的不確定性，相應的風電和光伏曲線如圖4～7所示。電動汽車充放電效率均為90%，SOC上、下限分別為100%和10%。可削減負荷位置為6，12，25，可轉移負荷節點為4，7，9，30，EV充放電考慮在固定節點16進行。

圖3 IEEE33節點系統Fig.3 IEEE33 bus feeder system

圖4 能源價格與備用價格Fig.4 Energy price

圖5 風機光伏出力Fig.5 Output of wind and photovoltage

圖6 電力負荷需求Fig.6 Electricity demand

圖7 熱能負荷需求Fig.7 Thermal demand

本文考慮5個場景，具體如表1所示，相應的參數如表2和表3所示。

表1 場景分類Table 1 Scenarios in the simulation

表2 機組運行參數Table 2 Operational parameters of units

表3 機組環境參數Table 3 Environmental parameters of units

5.2 算例分析

①情景1

該情景為基礎情景，不考慮目標函數3，這是由于目標函數3不能在缺少負荷變化的情況下進行優化。因此，考慮運行成本以及污染排放的二維非支配解（圖8）。在該情景中，目標函數的權重均相等，為0.5。經過模糊規劃之后，最大成員函數值為0.107 7，運行成本和污染物排放的最優解分別為455 320.1$和8 762 415.3 kg。在該情景下，含有分布式電源的電網和熱力網出力最大，其運行成本和污染物排放分別為20 717.6$和156 631.5 kg。由于經濟和排放因子值較低，分布式電源以最大出力生產電能和熱能。電網和熱力網在用電用熱高峰時出力最大，此時價格也更高。

圖8 非支配解示意圖Fig.8 Non-dominated solution

機組電能出力、熱能出力分別如圖9和圖10所示。

圖9 情景1機組電能出力Fig.9 Electricity output for scenario 1

圖10 情景1機組熱能出力Fig.10 Thermal output for scenario 1

②情景2

該情景考慮可削減負荷對3個目標函數的影響（圖11）。3個目標函數的權重均相等，最大成員函數值為0.108 1。運行成本、污染物排放值和用戶滿意度分別為443 211.9$，61 224 017.21 kg和77.6%。可削減負荷參與后，運行成本和污染物排放分別減少2.53%和29.67%。相較之前，電能和熱能的需求均有所改變。

圖11 情景2 Pareto前沿Fig.11 Pareto front set in case 2

電熱負荷削減發生在高價格時段，如圖12所示。電能需求在4時段，12-20時的削減最大；熱能負荷在7，8，13時段的削減最大。

圖12 情景2電能和熱能需求Fig.12 Electricity demand and thermal demand for scenario 2

各機組運行出力如圖13和圖14所示。電網和熱力網的成本較情景1減少20.77%和16.23%，說明了可削減負荷的作用。

圖13 情景2機組電能出力Fig.13 Electricity output for scenario 2

圖14 情景2機組熱能出力Fig.14 Thermal output for scenario 2

③情景3

該情景考慮可削減負荷和可轉移負荷的雙重作用。目標函數的權重均相等，成員函數最大值為0.1078，Pareto最優前沿如圖15所示。得到運行成本、污染物排放和用戶滿意度分別為416 141.26$，6 014 401.5 kg和79.2%。在該情景中，相較情景2，成本和污染物排放各削減6.1%和1.76%，用戶滿意度提高了1.4%。

圖15 情景3 Pareto前沿Fig.15 Pareto front set in case 3

圖16，17分別給出了分布式電源、電網、熱力網、電熱削減的出力和數值。由圖可以看出：3，9，10，12時段的電能主要由DG，CHP，風機和光伏提供；電網在1，2時段和4-8時低電價時段也提供一定電能。另一方面，熱能需求在2，3，7，8時段和10-12時由鍋爐機組和CHP機組提供，并且熱能需求在9時相較之前有所增加。可轉移負荷在電價較高的10-20時發生了轉移。在2，7-10時和15時的熱能負荷相較之前有所增加，這是由于市場熱能價格較低，CHP和鍋爐機組的出力能力增加。

圖16 情景3機組電能出力Fig.16 Electricity output for scenario 3

圖17 情景3機組熱能出力Fig.17 Thermal output for scenario 3

④情景4

該情景中，考慮所有目標函數，并計及電動汽車的影響。電動汽車用戶在電價低谷時充電、電價高峰時放電。三目標函數的非支配解集見圖18。運行成本、污染物排放和用戶滿意度的最佳值分別為416 100.36$，5 898 101.25 kg和79.6%。三目標函數的權重相等，且最大成員函數值為0.107 8。相較情景3，運行成本、污染物排放分別削減39.7$和116 539.1 kg，用戶滿意度提高0.2%。

圖18 情景4 Pareto前沿Fig.18 Pareto front set in case 4

對應情景下的機組出力、備用功率如圖19，20所示。相較情景3，電能需求在1，2，5-8時和21-23時有所增加，熱能需求也在熱能價格較低的時段有所增加。

圖19 情景4機組電能出力Fig.19 Electricity output for scenario 4

圖20 情景4機組熱能出力Fig.20 Thermal output for scenario 4

圖21給出了EV的最優調度。在2，5，6，21時段進行充電，3，19，20，24時段進行放電，更有利于車主。這里不是指針對某一輛電動汽車的調度行為，而是針對整個電動汽車集群的行為。

圖21 情景4 EV充放電結果Fig.21 EV charges and discharges result for scenario 4

仿真結果表明，含有可響應分布式電源的綜合能源系統具有較高的靈活性，其中電動汽車的靈活性最高，能夠與電力需求實現匹配和響應。另外，情景5不考慮低碳目標函數，機組電能出力較情景4偏高，因此低碳目標優化調度對于機組的碳排放有著直接影響。

6 結論

本文提出了含有可響應能源的多級能源多目標低碳優化模型，并在IEEE33仿真系統中進行多種情景的算例分析。根據仿真結果，得到以下結論。

①電價和熱能價格的耦合關系會影響系統運行成本、系統備用和電動汽車充放電行為。

②分布式電源、電網、熱力網形成的綜合能源系統是統一的整體，在多目標優化中以不同的權重進行優化，其中電力網與用戶的互動性受需求響應影響更大，體現在電價對用戶負荷的影響指標上更顯著。

③機組出力和機組備用的關系密切，需要結合電價和能源價格進行分析。