計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型

楊子建，趙 璐，王越超，陳思遠，孫廣濤，朱 琪，陳 哲，閆佳佳

（1.北京京能高安屯燃氣熱電有限責任公司，北京100024；2.丹麥奧爾堡大學 能源技術學院，奧爾堡DK-9220；3.沈陽工業大學 電氣工程學院，遼寧 沈陽110870）

0 引言

為推進“碳達峰、碳中和”目標的實現，燃氣電廠正加快資源節約、節能降耗、環境友好的智慧電廠的發展建設[1]～[3]。隨著燃氣電廠內設備種類的增加，多能源負荷用能需求具有的不確定性使廠用電不平衡度不斷提高，不僅影響燃氣電廠的供能質量，還會給電廠的安全穩定運行帶來隱患，同時在電廠相關建設規劃方面也將面臨更多新的問題[4]～[6]。因此，如何實現對廠用電不平衡狀態的準確快速感知，合理配置電、氣、熱多能源儲能設備，有效降低廠用電不平衡給系統造成的危害，實現燃氣機組、負荷、儲能之間的高效協調，提高燃氣電廠的負荷用能質量，降低天然氣資源損耗，減小電廠的碳排放量等目標成為目前智慧電廠發展建設亟需解決的問題。

目前國內外相關學者已針對多能源儲能設備在發電廠中的供能特性、優化配置等方面展開較多研究。文獻[7]考慮發電廠的運行經濟性，在配電網場景下構建了基于Fmincon函數規劃算法的儲能優化配置模型。文獻[8]通過研究儲能系統與火電機組的運行特性，建立了聯合自動發電控制策略，通過優化儲能功率與容量提升火電廠發電控制調頻收益。文獻[9]分析了電廠儲能設備在日前、日內和實時3個階段參與電能調節的響應模型，通過電廠對儲能系統的多階段調度可以有效降低電廠的運行成本，同時提高供能可靠性。文獻[10]為實現發電廠內熱電聯產機組的調節靈活性，提出了一種壓縮空氣儲能系統與發電機組集成方案，能夠分別在強化供熱階段與供電階段提升供熱與供電效率。文獻[11]考慮電廠內火電機組與多能源儲能系統的運行特性和約束條件，采用非線性自適應權重改進了鯨魚優化算法，并在此基礎上構建了適用于電廠規劃建設的多能系統儲能優化配置模型。文獻[12]，[13]建立了與傳統電廠內單一電池儲能具有相同電能調節能力的電、熱、氫、氣多能源儲能系統，能夠根據廠用電峰谷差參數進行協調，提高了電廠的電能調節靈活性與經濟性。文獻[14]基于分布式計算技術，充分考慮儲能系統建設成本與電廠運行收益間的協調性，建立了儲能系統容量與功率規劃模型。以上研究成果對于多能源儲能設備在發電廠中的供能特性、優化配置等方面進行了研究，并取得了一定的成果。但考慮多種類用能需求不確定性，合理配置電、熱、氣多能源儲能設備，實現多種負荷、燃氣機組以及儲能系統之間的高效協調，保障燃氣電廠的供能質量提升，降低天然氣資源損耗，減少電廠的碳排放量，是目前燃氣電廠內多能源儲能系統優化配置須要解決的主要問題之一。

本文提出了一種計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型，首先通過分析燃氣電廠內多種能源負荷用能需求特性，構建廠用電不平衡狀態感知模型；然后考慮投資額度、燃氣機組及多能源儲能運行狀態等約束條件，構建以多能源儲能系統綜合成本最小、碳排放量最小、天然氣利用效率最大為目標的多能源儲能優化配置模型，并求解該模型；最后，通過算例仿真驗證了本文提出的多能源儲能優化配置模型的經濟性和有效性。

1 廠用電不平衡狀態感知模型

燃氣電廠內電、熱、天然氣多種能源負荷用能需求具有不確定性，會引起廠用電不平衡。為解決這一問題，須要構建多能源儲能系統，保障燃氣電廠的廠用電功率平衡，減少天然氣資源浪費，提高電廠的碳減排能力。因此，在多能源負荷用能需求不確定性影響下，能夠準確、快速感知廠用電不平衡狀態是實現燃氣電廠多能源儲能系統安全高效運行的關鍵[15]。

本文基于可信預測精度對多能源負荷不確定性進行定量分析[16]，以多種能源負荷用能的實際值和預測值在t時刻的偏差與負荷預測結果在該時刻的比值定義電廠內負荷需求不確定性，具體可表示為

各類負荷用能需求不確定性對燃氣電廠的廠用電不平衡狀態有一定影響，因此，本文采用粒子濾波算法[17]，通過傳感器網絡對燃氣電廠的多種類負荷用能需求狀態、燃氣機組運行狀態進行數據采集與化簡處理，實現對未來負荷用能需求和燃氣機組運行狀態的預測，計算得到負荷用能需求不確定性的估計值，從而保障廠用電不平衡狀態感知的精度。

式中：e′n為n時刻多種類負荷用能需求對應的偏差；f（·）為輸入輸出對應的函數表達式。

則此時燃氣電廠內多種類負荷需求不確定性狀態置信水平可表示為

本文將負荷i在t時刻的置信水平集合{Kit，i=0，…，I}用于量化燃氣電廠內多種類負荷需求不確定性狀態，則根據式（5）可得：

基于燃氣電廠內電、熱、天然氣多種能源負荷用能需求不確定性狀態估計，廠用電不平衡狀態置信水平可表示為

2 多能源儲能優化配置模型

本文充分考慮燃氣電廠內電、熱、天然氣多種能源負荷用能需求不確定性引起廠用電不平衡問題，為實現燃氣機組、負荷、儲能之間的高效協調，提高燃氣電廠的負荷用能質量，降低天然氣資源損耗與電廠的碳排放量，構建了計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型。

2.1 目標函數

本文綜合考慮投資額度、燃氣機組及多能源儲能運行狀態等約束條件，提出的計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型的目標函數由3部分組成：

①多能源儲能設備的綜合成本F1

多能源儲能設備在周期T內的綜合成本F1主要包括儲電設備、儲熱設備和儲氣設備的投資成本f1、運行成本f2、維護成本f3、處置成本f4：

χH，χg分別為儲電、儲熱、儲氣設備的使用壽命。

②碳排放量F2

③天然氣利用效率F3

2.2 約束條件

①投資額度約束

式中：Cin-max為燃氣電廠內多能源儲能設備的最大總投資額度。

淺談海洋石油鉆井完井機械及工具的國產化發展…………………………………………… 鄢紅江，包昌華（8-141）

②功率平衡約束

③燃氣機組約束

④多能源儲能設備容量約束

式中：ES-E-max，ES-H-max，ES-g-max分別為燃氣電廠內儲電、儲熱、儲氣設備容量的上限。

⑤多能源儲能設備功率約束

⑥充放能功率與儲能剩余容量關聯約束

⑧電網約束

⑨熱網、天然氣網的網絡約束

網絡約束見文獻[19]。

⑩聯絡線的功率約束

2.3 多能源儲能優化配置流程

燃氣電廠多能源儲能優化配置，須要考慮電廠內多種類負荷、燃氣機組與儲能設備之間的協同關系，以及儲能設備建設的經濟性。燃氣電廠多能源儲能優化配置策略能夠在感知廠用電不平衡狀態的基礎上，對電廠內電、氣、熱多能源儲能設備進行合理優化配置，具體優化配置流程見圖1。

圖1 多能源儲能優化配置流程Fig.1 Optimization configuration processfor multienergy storage

2.4 模型求解

本文首先采用適應度偏差排序法計算各子目標權重，在此基礎上構建了聚合函數，然后采用自適應混沌粒子群算法 （Self-Adaptive Chaos Particle Swarm Optimization，SA-CPSO）[20]對本文建立的計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型進行求解。

2.4.1聚合函數G的具體構建模型

式中：φσ為本文建立的多能源儲能優化配置模型中多目標函數的子目標σ的權重系數，子目標總數量為H=3，分別為多能源儲能系統綜合成本最小、碳排放量最小、天然氣利用效率最大；xυ為子目標v的最優解；gσυ，gσσ分別為xυ代入子目標σ的適應系數，以及子目標σ自身的適應系數；eσ，eυ分別為子目標σ，v的偏差值。

2.4.2自適應混沌粒子群算法的具體求解步驟

①輸入燃氣電廠的相關運行數據，如電負荷、熱負荷、天然氣負荷需求，以及電制氣、氣轉熱和燃氣機組等設備的能耗和出力等數據；定義粒子群Z，各粒子Zi由燃氣電廠內多種能源轉換裝置在t時刻的運行功率、設備啟停系數、多能源存儲設備的運行功率、儲能容量、儲放系數等的集合組成；設置SA-CPSO算法的基本參數。

②采用粒子濾波算法實現燃氣電廠內多種類負荷需求不確定性狀態與廠用電不平衡狀態置信水平

③采用Logistic映射方程，即式（25）混沌初始化粒子的位置和速度：

式中：Bφ為第φ個混沌變量，并且0≤B0≤1；γ為控制參量，γ=（0，4]，當γ=4時，系統處于完全混沌狀態，混沌空間為[0，1]。

④計算各粒子的適應值，記錄各粒子自身以及全局最優位置。

⑤更新粒子速度和位置：

式中：w，c1，c2分別為慣性權重和學習因子，c1，c2＞0；wmax，wmin分別為w的上、下限；d為搜索空間維數，取d=3；l為當前迭代次數，最大迭代次數為L；分別為粒子l在第h次迭代中第d維的自身和全局最優位置；η為經驗系數，η=[20，55]。

⑥計算種群適應值，更新粒子和種群的最優位置。

⑦判斷是否滿足最大迭代次數要求，若是則進行步驟⑨，否則進行下一步。

⑧判斷算法是否早熟收斂，若是則根據式（27）更新粒子群位置并進行混沌搜索，并從步驟⑤開始重復，否則進行下一步。

式中：Xmax，Xmin分別為粒子位置遍歷范圍的上、下限。

⑨輸出全局最優值，得到多能源儲能系統最優配置方案。

3 算例仿真

本文以我國某地區燃氣電廠的實際燃氣機組、多種類負荷運行數據為基礎，以如圖2所示的改進的IEEE33節點電力系統、14節點天然氣系統、6節點熱力系統構成的算例仿真系統對本文所提計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型進行仿真驗證。將燃氣電廠全年內燃氣機組及負荷數據在各時段的分布函數歸一化后的燃氣機組日出力曲線、負荷日用能曲線如圖3、圖4所示；燃氣機組、天然氣負荷的碳排放系數分別取值為0.732 kg/（kW·h），1.93 kg/m3；電價、熱價、氣價如圖5所示；燃氣電廠內燃氣機組、多種類負荷的基本參數如表1所示；多能源儲能設備的基本參數如表2所示。為驗證本文提出的計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型的有效性，設置了兩個場景。

圖2 算例仿真系統圖Fig.2 The example simulation system diagram

圖3 燃氣電廠燃氣機組日出力曲線Fig.3 Daily gas-fired units output curve of the gas-fired power plants

圖4 燃氣電廠的日負荷用能曲線Fig.4 Daily load energy curve of the gas-fired power plants

圖5 電價、氣價和熱價Fig.5 Price of electrical，gas and heat

場景一：不考慮燃氣電廠內廠用電不平衡狀態感知的多能源儲能優化配置模型。

場景二：本文建立的考慮廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型。

本文分別對燃氣電廠內多能源儲能系統在場景一、場景二下進行了優化配置，在此基礎上，通過對燃氣電廠在兩種場景下接入儲電、儲氣、儲熱設備后的運行狀態進行了算例仿真對比，兩種場景下的多能源儲能系統優化配置結果和燃氣電廠運行情況分別如表3和表4所示。

表3 兩種場景下多能源儲能系統容量配置結果Table 3 The capacity configuration results of multi-energy energy storage system in two scenarios

表4 兩種場景下燃氣電廠的運行結果Table 4 The operation results of gas-fired power plants in two scenarios

由表4的仿真結果進行對比分析可得，場景二與場景一相比，多能源儲能設備的綜合成本降低了13.97%，碳排放量降低了20.74%，天然氣利用效率提高了13.8%。因此，通過本文建立的考慮廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型能夠提高多能源儲能設備的經濟性，提升天然氣的利用效率，降低電廠的碳排放量。

分別采用自適應混沌粒子群算法（SACPSO）、帶壓縮因子的粒子群算法（YSPSO）對本文提出的計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型進行求解，設置種群初始規模為40；最大迭代次數L=100；慣性權重上下限wmax=0.91，wmin=0.6； 學習因子c1=1.58，c2=1.63。兩種算法的統計結果如表5所示。

表5 兩種算法的求解結果Table 5 The results of the two algorithms

表5中兩種算法的求解結果表明，本文采用的SA-CPSO算法的尋優性能、收斂與求解速度均優于YSPSO算法。

4 結束語

針對燃氣電廠內廠用電不平衡導致的天然氣資源浪費、碳排放量高等問題，本文提出了一種計及廠用電不平衡狀態感知與碳減排的多能源儲能優化配置模型，并以我國某地區燃氣電廠燃氣機組、多種類負荷的實際運行數據為基礎進行算例仿真，綜合燃氣電廠內廠用電不平衡狀態感知模型可知，以多能源儲能系統綜合成本最小、碳排放量最小、天然氣利用效率最大為目標建立的燃氣電廠多能源儲能優化配置模型，能夠減少燃氣浪費，提高多能源儲能建設的經濟性，降低燃氣電廠的碳排放量。