基于能源路由器的智慧小鎮能源互聯網分區協同規劃

程孟增，劉禹彤，商文穎，程 祥

（1.國網遼寧省電力有限公司經濟技術研究院，遼寧 沈陽 110065；2.沈陽工業大學 電氣工程學院，遼寧沈陽 110870）

0 引言

隨著傳統化石能源的日益枯竭與環境污染問題的不斷顯現，為解決能源和環境同時帶來的雙重挑戰，“雙碳”目標在我國首次被提出。得益于“雙碳”政策和新能源產業繁榮發展的大環境，能源互聯網系統勢必迎來重大發展。隨著能源互聯網相關研究的不斷深入，其內涵也不斷得以豐富和完善。目前，能源互聯網主要分為能源局域網、區域能源互聯網及全球能源互聯網3個層級[1]～[3]。能源局域網可以在一定區域內利用能源轉換元件將電/氣/熱等多種能源緊密耦合；區域能源互聯網則是在能源局域網的基礎上（每個能源局域網相當于分布式能源節點），實現多個能源局域網間的能源協同互聯；全球能源互聯網則是以實現全球能源共享為理念。其中區域能源互聯網作為一種新興的供能方式，可以在一定區域內實現能源的“區域自治”，已成為全球能源系統發展的重要方向之一[4]，[5]。

目前，學者們在能源互聯網規劃方面的研究主要有兩類：①集中式多能源協同規劃；②多區域協同規劃。集中式多能源協同規劃是以特定的規劃原則考慮系統內多能耦合、多能互補特性，從而確定區域能源互聯網規劃方案。文獻[6]～[9]分別提出電-氣耦合、電-熱耦合、電-氣-熱耦合、電-冷-熱耦合等多能協同規劃，在此基礎上，文獻[10]～[13]分別提出考慮多能負荷用能不確定性、考慮用戶綜合響應參與調節、考慮電動汽車充電方式、考慮能源網-交通網融合等優化規劃方法。可見，集中式多能源協同規劃在“源-網-荷-儲”方面均已得到大量研究，但其規劃原則是將待規劃區域作為一個“整體”考慮，規劃結果不適用于具有數量多、容量小、分布廣的電/氣/熱負荷節點的城鎮能源規劃。而多區域協同規劃則是在集中式規劃的基礎上，考慮多個“整體”經濟性最優為規劃目標。為此，文獻[14]提出建立上、中、下3層多區域規劃模型，基于交替方向乘子算法對模型進行分解求解，算例表明該模型具有一定的經濟性與實用性。文獻[15]提出一種既兼顧規劃經濟成本又考慮運行問題的多區域兩階段容量優化配置方法，采用非支配排序遺傳算法對算例進行求解，驗證了所提方法的經濟性。由此可見，目前鮮有文獻針對智慧小鎮能源互聯網分區協同規劃展開研究，且城鎮的區域劃分均采用工業區、商業區、居民區等固有劃分模式，這在很大程度上限制了多區域的規劃結果。

綜上所述，本文考慮綜合負荷矩對城鎮能源互聯網規劃的影響，提出一種基于能源路由器的城鎮能源互聯網分區協同規劃方法。首先提出能源互聯網分區協同系統結構；其次提出基于自組織特征映射神經網絡聚類算法對城鎮負荷節點進行分區，并將聚類中心作為能源路由器選址位置。在此基礎上，從能源供給、能源轉換、能源消費、能源傳輸等方面建立考慮多能源局域網協同的能源路由器模型，針對各能源局域網典型日不同負荷曲線，建立考慮多能源局域網協同互聯的規劃模型。利用量子遺傳算法求解所建立的規劃模型，實現多區域協同的能源路由器配置。最后，通過算例驗證本文所提方法具有更好的經濟性。

1 城鎮能源互聯網分區協同規劃系統結構

城鎮中存在眾多容量小、分布廣的電/氣/熱負荷節點，如果采用傳統集中式能源規劃將造成大量的能源損耗。采用合理的分區方法將城鎮能源互聯網劃分為多個能源局域網，各能源局域網以能源路由器為核心，構建互聯互通、協調互濟的能源網絡，有利于城鎮電網的穩定及新能源的就地消納。能源互聯網分區協同系統結構如圖1所示。

圖1 能源互聯網分區協同系統結構圖Fig.1 Structure of energy internet zoning collaboration system

從圖1中可以看出，該系統主要由上級配電網/配氣網、能源路由器及電/氣/熱負荷組成。由于熱能傳輸效率較低，不適合遠距離傳輸，能源互聯網外部一般只規劃電、氣能源網絡，因此各能源路由器向上級配電網/配氣網購買電/氣能源，經能源轉換元件轉換后優先供給能源局域網內部電/氣/熱能源用戶，在元件出力大于負荷需求時傳輸給其它能源局域網，在功率不足時優先考慮從其它能源局域網接收能源。與傳統集中式規劃采用單一調度內部儲能元件調節的方式不同，分區協同改善了能源互聯網整體的供用能方式，可以提高系統的整體經濟性。

2 基于自組織特征映射神經網絡的能源互聯網分區及能源路由器選址方法

2.1 考慮綜合負荷矩的自組織特征映射神經網絡聚類算法

自組織特征映射神經網絡作為一種仿效大腦神經系統信息處理過程的無監督學習算法，可以快速地計算出原始數據間的類似度，從而將相似的輸入數據分為一組，常以歐式距離或余弦法來衡量原始數據間的相似度。自組織特征映射神經網絡拓撲結構如圖2所示，該網絡由輸入層與競爭層（輸出層）兩部分組成，輸入層與輸出層之間實行前饋連接[16]，[17]。

圖2 自組織特征映射神經網絡拓撲結構Fig.2 Self organizing feature map neural network topology

電負荷矩可以直接反映電能的傳輸損耗[18]。基于這一思想，本文以綜合負荷矩最小為相似度準則，對能源互聯網進行聚類分區。考慮到系統中任意節點i可能同時含有電/氣/熱多種能源形式，本文引入屬性權重的概念，定義任意節點i的能源形式r=1，2，3分別表示電、熱、氣，以此來表征任意節點i中同時含有電/氣/熱能源形式的權重。其電/氣/熱加權綜合負荷矩如下所示：

式中：L為綜合負荷矩；u為聚類中心；Liu為能源局域網內任意節點i到聚類中心的電/氣/熱負荷矩；αir為任意節點i含有電/氣/熱的權重；ηr為電/氣/熱能源的傳輸效率；Pir為任意負荷節點i的電/氣/熱負荷需求。

2.2 考慮綜合負荷矩的自組織特征映射神經網絡聚類流程

自組織特征映射神經網絡對城鎮內負荷節點聚類分為兩個階段：①學習階段，隨機選擇訓練數據，以綜合負荷矩為判據確定最優神經元，同時更新權值；②聚類階段，對樣本數據進行相似度計算，然后將同類的數據映射至神經元。主要步驟如下。

①權值初始化。從城鎮內負荷節點中選取n個數據作為自組織特征映射神經網絡的訓練樣本X=[x1，x2…，xn]T，并對神經元連接權重矢量mj=[mj1，mj2…，mjm]T賦予隨機的權值作為初始權值，選擇鄰域半徑及學習速率。

②獲得最優神經元。分別計算樣本訓練數據X與神經元j的綜合負荷矩L，其中綜合負荷矩最小的神經元即為最優神經元g。

③調整權值。修正最優神經元及其幾何鄰域內神經元的權向量。

④更新神經網絡拓撲鄰域及學習速率。

式中：η（t）為初始神經網絡學習速率；t與T分別為當前迭代學習次數與迭代學習總次數。

⑤多次迭代學習。提供新樣本數據并重復步驟②～④，直至完成所有樣本數據的訓練或達到最大迭代學習次數T。

⑥輸出最優能源互聯網分區及能源路由器選址方法。編號一致的神經元為同一能源局域網內的負荷節點，聚類中心即為能源路由器選址位置。

3 考慮多區域協同的能源互聯網規劃方法

3.1 考慮多區域協同的能源路由器模型

電能路由器是分布在用戶側的核心控制器件，可以為光伏、儲能裝置等分布式電源與分布式負荷節點提供即插即用的交直流接口。本文以能源樞紐的矩陣模型為依托，將電能路由器單一電能接口擴展為具有多種能源接口的能源路由器，實現能源互聯網背景下能源的供需平衡，其數學模型為

式中：L，T，P分別為能源輸出、能源轉換及能源輸入環節。

考慮城鎮能源系統包含多種能源轉換環節，為更好地體現能源路由器的能源耦合關系，本文結合算例待規劃能源元件類型對能源路由器模型進行擴展。其能源路由器模型為

3.2 分區協同規劃目標函數

分區協同規劃模型以年費用F最少為目標，包括能源元件的投資成本Cinv、能源元件的年運行維護成本Cope、各能源路由器向外部配電網/配氣網的主網能源購買成本Ctrade與等值碳稅成本CCO24個部分。

①能源元件投資成本

式中：nequ為待規劃能源元件種類；Cm，s，Vm，s分別為能源路由器m中能源元件s的單位容量成本與規劃容量；R為能源元件的貼現系數；r為能源元件的年貼現率；Ls為能源元件的壽命。

②能源元件運行維護成本

③主網能源購買成本

④等值碳稅成本

式中：ωtax為等值碳稅；為傳統發電廠產生單位電能時排放的CO2；為能源路由器m的天然氣系統產生單位能量時排放的CO2；ηelec為電網的傳輸效率。

3.3 分區協同規劃約束條件

分區協同規劃的約束條件包括能源路由器約束與功率平衡約束。

①能源路由器約束

②功率平衡約束

3.4 基于量子遺傳算法的分區協同規劃模型求解方法

分區協同規劃是一個多目標、多約束條件的復雜規劃問題，本文針對此問題采用量子遺傳算法求解所建立的規劃模型。量子遺傳算法是在遺傳算法的基礎上，將量子計算對傳統遺傳算法的編碼方式和更新方式進行改進，具有更高的并行性[19]，[20]。結合本文所建模型，適應度函數是以各能源設備規劃容量為因變量，年成本為自變量的非線性函數；采用量子比特與量子邏輯門更新染色體對能源設備規劃容量進行編碼與更新。基于量子遺傳算法的能源互聯網分區協同規劃求解流程如圖3所示，其具體求解方法如下。

圖3 基于量子遺傳算法的城鎮能源互聯網分區協同規劃求解流程Fig.3 Solution flow of urban energy internet zoning collaborative planning based on quantum genetic algorithm

①輸入原始參數。輸入包括當前種群進化次數t=0及種群最大迭代次數T，隨機生成個體為M的初始種群Q（t0）。

②初始染色體編碼。遺傳算法常采用二進制編碼對染色體進行取值，量子遺傳算法則是在此基礎上引入了量子編程，采用量子比特概率幅表示染色體的編碼，且一個量子比特會同時處于多個幅度和為1的量子疊加態中，增加了染色體取值的變化，如下式所示：

由于本文所建立的規劃模型中共有6個待規劃能源設備，因此將本文所述待規劃能源路由器的染色體結構分為6個子部分，各子部分表示各染色體所構成的個體基因即能源元件的規劃容量，因此采用量子比特編碼后迭代k次時的第i個基因Qj（k）表示為

③個體評價。測量種群Q（t0）中M個個體，得到確定解P（t0）的二進制編碼，求得種群個體適應度值對應的十進制數。

④記錄種群中最優個體及對應的適應度值大小，以當前最優個體即當前最優能源設備容量配置結果為進化目標。

⑤量子旋轉門操作更新染色體編碼。量子遺傳算法更新染色體編碼方式的本質是改變種群中所有染色體量子比特的量子角度并采取旋轉復數幅進行量子態的干涉，從而使得染色體取值趨近于較優染色體，其量子旋轉門如下式所示：

⑥生成下一代群體。基于量子旋轉門更新染色體編碼，進一步得到新的種群Q（t+1）。

⑦多次迭代。重復步驟③～⑥，直至t=T時終止迭代。

⑧輸出規劃結果。輸出最優能源元件容量配置結果及在典型日的調度結果。

4 算例分析

選取北方某工商居混合區小鎮作為本文所提城鎮能源互聯網分區協同規劃對象，小鎮目前發展定位是“產城融合”的低碳小鎮，小鎮內現有大量工業負荷及居民生活商業辦公一體化電/氣/熱能源用戶。根據小鎮的平面設計圖，采用（x，y）二維坐標數據確定小鎮內負荷的位置，城鎮電/氣/熱負荷見圖4，本文擬規劃能源元件參數見表1，其中耗氣系統CO2排放系數為0.19 kg/（kW·h），傳統火電廠CO2排放系數為0.80 kg/（kW·h），等值碳稅為0.3元/kg，小鎮典型日光伏出力曲線如圖5所示，小鎮分時電價如圖6所示，氣價為3元/m3。

表1 能源元件參數Table 1 Energy element parameters

圖4 小鎮負荷節點Fig.4 Load node diagram of small town

圖5 典型日光伏出力曲線Fig.5 Typical solar photovoltaic output curve

圖6 小鎮分時電價Fig.6 Town time-of-use electricity price

4.1 能源互聯網分區與能源路由器配置結果

本文設置初始學習速率與神經元初始鄰域寬度分別為0.45與1/3競爭層寬度，小鎮能源互聯系統內100個負荷節點訓練結果如圖7所示。此時，聚類中心距團簇內各負荷節點傳輸損耗小，因此，團簇內聚類中心即為能源路由器的最優選址。此時，每個能源局域網包含多個負荷點，將各團簇內電/氣/熱負荷點疊加，可得到各局域網典型日的電/氣/熱負荷曲線，如圖8所示。

圖7 能源互聯網分區及能源路由器選址結果Fig.7 Energy internet zoning and energy router location results

圖8 能源局域網典型日負荷曲線Fig.8 Energy LAN typical daily load curve

從圖8可以看出，由于各能源局域網內負荷節點的建設受聚集效應影響，使得采用綜合負荷矩的分區方式的各區之間用能行為仍存在較大差異。基于能源局域網1～3個典型日負荷曲線，運行matlab編寫代碼求解，得到的結果如表2所示，對應適應度值為13 939.52。

表2 各能源路由器內容量配置結果Table 2 Capacity configuration results of each energy router

為比較量子遺傳算法的有效性及優越性，本文將兩種算法的進化代數同時設置為250，種群數設置為50。圖9為適應度值隨迭代次數變化情況，表3為不同迭代次數下2種算法求得的最優目標函數值。從圖9和表3中可以看出，迭代初期量子遺傳算法迭代曲線斜率大于遺傳算法，量子遺傳算法與遺傳算法分別于56代、78代左右趨于平穩并收斂，量子遺傳算法的收斂速度比遺傳算法更快，迭代結束后量子遺傳算法得到的適應度值明顯低于遺傳算法。因此，在求解文中所建規劃模型時，量子遺傳算法的效率比遺傳算法更高，得到的結果也更好。

表3 不同迭代次數下2種算法的求解結果Table 3 Solution results of two algorithms under different iteration times

圖9 適應度值隨迭代次數變化Fig.9 The fitness value changes with the number of iterations

4.2 分區協同規劃效益分析

設置3種不同規劃方式對本文所述方法的效益進行對比分析。3種規劃方式經濟性如表4所示。

表4 3種規劃方式經濟性對比Table 4 Economic comparison of three planning methods萬元

方式1采用集中式規劃，即只配置單一能源路由器對能源互聯網進行整體規劃。方式2采用分區獨立規劃，即分區后各能源路由器單獨規劃，僅考慮能源局域網內部能源傳輸、能源轉換、能源負荷供需關系。方式3采用分區協同規劃，即分區后各能源路由器在考慮所在能源局域網內部能源傳輸、能源轉換、能源負荷供需關系的同時，還要考慮各能源局域網間供需關系。

由表4可以看出，與集中式規劃相比，分區獨立規劃與分區協同規劃均明顯降低能源購置成本，這是因為考慮綜合負荷矩的城鎮能源互聯網分區方法在保證傳輸損耗較小的基礎上，各區域負荷特性差異仍較大，可以更好地發揮出燃氣輪機的熱電效應，雖然在能源設備投資成本及能源設備運行維護成本上有所提高，但能源購置費用與等值碳稅成本顯著降低。

與分區獨立規劃相比，分區協同規劃在設備投資成本、能源購置成本、等值碳稅成本上均有一定減少，這是由于通過能源局域網間能源路由器的協調互聯，使得城鎮在運行時，可以將不同能源局域網的負荷特性充分發揮起來，進一步改善了城鎮能源系統的運行狀態。分區協同規劃總成本節省約502萬元。

4.3 典型日系統調度結果分析

各能源局域網典型日調度結果如圖10～12所示。由圖10～12可以看出，在00：00-07：00與23：00-24：00時間段電價相對較低，3個區域在此時對儲電裝置進行充電。從07：00時開始，雖然3個能源局域網用電量呈上升趨勢，但光伏出力逐漸增大，當光伏與燃氣輪機組出力總量大于其自身負荷及電鍋爐耗電時，或燃氣輪機出力因熱電比受限時，各能源局域網將多余電能傳輸給其余能源局域網，從而減少城鎮整體能源系統的能源購置成本。在午間12：00時左右，由于屬性和作用相似的部門分布比較集中，能源局域網3與居民用戶用電特點較為接近，呈“凹”狀，而能源局域網1與能源局域網2表現出不同的負荷特性，能源局域網3將充足的電能支援給其余兩個能源局域網。在13：00-15：00時，光伏出力逐漸降低，此時電價相對較高，儲電裝置參與調節以保證系統的供能成本；從18：00時開始，光伏出力降為0，能源局域網3電能與熱能需求均較大，儲能電池與燃氣輪機配合充分發揮燃氣輪機的供能經濟性，將富裕的電能傳輸給其他區域有助于優化系統整體的用能方式。

圖10 能源局域網1電/氣/熱功率調度結果Fig.10 Energy LAN 1 electric/thermal/pneumatic power dispatching results

圖11 能源局域網2電/氣/熱功率調度結果Fig.11 Energy LAN 2 electric/thermal/pneumatic power dispatching results

圖12 能源局域網3電/氣/熱功率調度結果Fig.12 Energy LAN 3 electric/thermal/pneumatic power dispatching results

5 結束語

針對“雙碳”背景下城鎮能源系統面臨形態調整、可再生能源消納受限及電力改革進程加快等問題，本文提出了基于能源路由器的城鎮能源互聯網分區協同規劃方法，建立了基于自組織特征映射神經網絡的能源互聯網分區及能源路由器選址方法、考慮多區域協同的能源路由器模型以及分區協同規劃模型，同時采用量子遺傳算法求解所建立的規劃模型。算例表明，本文提出的基于能源路由器的城鎮能源互聯網分區協同規劃方法可以實現各類能源設備的配置及能源路由器間能源的協同運行。同時，通過對比量子遺傳算法與遺傳算法，可以看出量子遺傳算法運算效率更高，結果更優。對比3種規劃方式的成本可以看出，本文提出的規劃方法具有更好的經濟效益與環境效益，多個能源路由器互補協調規劃可以有效地緩解不同負荷峰谷時段不匹配以及負荷熱電比與燃氣輪機熱電比不匹配的問題，為城鎮能源互聯網規劃提供理論參考。