考慮風光不確定和階梯式需求響應的園區綜合能源系統博弈優化運行

徐光晨,薛田良,張 磊,趙雅潔

(三峽大學電氣與新能源學院,湖北 宜昌 443002)

0 引言

隨著“雙碳”目標的提出,緩解能源供需矛盾,完成能源高效利用,實現系統經濟低碳運行已成為迫切需要解決的問題[1-2]。由于園區綜合能源系統(park-level integrated energy system,PIES)可以將多種能源進行耦合并對能源完成梯級利用,同時可以兼顧系統運行的安全性和經濟性,因此PIES已成為目前能源領域的的研究焦點[3]。

對于PIES優化調度研究,國內外學者已經做了大量研究。文獻[4]通過建立多目標優化調度模型來保證PIES運行的經濟性和環保性;文獻[5]考慮了風光出力的相關性,采用概率模型法對PIES調度運行進行兩階段優化;文獻[6]通過引入需求響應策略和多不確定性對PIES內資源進行合理分配。

但是,上述研究并未對PIES中不同主體間的利益競爭進行描述,因此國內外學者受博弈論的啟發,著手對多主體PIES調度進行研究。文獻[7-8]基于PIES主從博弈優化調度模型綜合考慮階梯型碳交易和階梯型需求響應,并建立了多主體低碳經濟運行交互機制,實現了系統運行的低碳性和經濟性,但沒有考慮新能源出力的不確定性;文獻[9-10]為實現新能源消納與多能源耦合應用提出了考慮風光不確定和碳交易的PIES博弈優化調度策略,但沒有引入用能方柔性負荷概念;文獻[11-12]在博弈框架下考慮了用戶側柔性負荷參與需求響應,但其中對于用戶的需求響應補貼為常規補貼,用戶參與的積極性不高。

因此,為了解決PIES中新能源出力不確定性問題,使調度結果更加貼近實際;同時提高用戶參與需求響應的積極性,使得各主體效益得到提高,本文提出了一種考慮風光不確定和階梯式需求響應的園區綜合能源系統博弈優化運行策略。首先,對于源側風光不確定性問題,采用蒙特卡洛法進行隨機場景生成并利用k-means聚類和同步回代法對場景進行縮減;其次,在荷側考慮用戶階梯式需求響應基礎上,以園區運營商和用戶聚合商效益最大化為目標,建立PIES主從博弈優化調度模型;最后,同時利用遺傳算法和CPLEX求解器在MATLAB中進行仿真驗證。算例結果表明所提優化策略可以有效提高園區運營商和用戶的效益。

1 PIES框架和設備模型

1.1 PIES框架

本文所研究的PIES框架如圖1所示。上級能源商由電網和氣網組成;園區運營商由風電機組(wind turbine, WT)、光伏機組(photovoltaic, PV)、燃氣輪機(gas turbine, GT)、燃氣鍋爐(gas boiler, GB)、余熱鍋爐(waste heat boiler, WHB)、蓄電池(electric storage, ES)、蓄熱罐(heat storage, HS)組成;用戶聚合商側的負荷由電負荷、熱負荷組成。

圖1 園區綜合能源系統框架

1.2 燃氣輪機建模

燃氣輪機是一種能夠將氣能轉化為熱能和電能的熱電聯產設備,其模型如式(1)—式(3)所示。

(1)

(2)

(3)

1.3 燃氣鍋爐建模

燃氣鍋爐通過燃燒天然氣產生熱能對余熱鍋爐不能提供充足熱量時進行補償,其模型如式(4)、式(5)所示。

(4)

(5)

1.4 儲能裝置建模

園區運營商中儲能裝置包括ES和HS,其能量儲放過程相似,其模型如式(6)。

(6)

1.5 風光不確定性建模

風力發電機和光伏發電機的出力模型如式(7)、式(8)所示。

(7)

(8)

為解決風光的不確定性問題,研究表明風速服從WeiBull分布[13]、光照強度服從Beta分布[14],風光概率模型如式(9)、式(10)所示。

(9)

(10)

式中:cs、ks分別為WeiBull分布的比例參數與形狀參數;αs、βs分別為Beta分布的形狀參數。

根據WT和PV參數的概率分布,首先利用蒙特卡洛抽樣法生成大量場景;然后利用k-means聚類對場景進行縮減得到少量WT和PV典型場景,最后利用同步回代法再次進行場景縮減,得到ω個場景及其對應概率Pω。

2 階梯式需求響應模型

本文將用戶側負荷分為固定負荷和柔性負荷,固定負荷靈活性較差只能固定接受供能,而柔性負荷具有良好的靈活性,其中柔性包括可轉移負荷以及可削減負荷。電、熱負荷模型統一如式(11)—式(15)所示。

(11)

(12)

(13)

(14)

(15)

對于可削減負荷,傳統需求響應補貼在調度周期內并沒有劃分多個交易區間,導致用戶參響應的積極性不高。為更好地激發用戶參與需求響應的積極性,構建了階梯式需求響應模型,如式(16)所示。

(16)

式中:FDR為需求響應補貼收益;λdr為PLES的需求響應補貼價格;Ls,cl為調度周期內負荷削減總量;α1為需求響應價格增長幅度;l1為負荷削減區間長度。

3 PIES主從博弈模型

3.1 主從博弈框架

PIES中園區運營商和用戶聚合商的博弈框架如圖2所示。其中園區運營商作為PIES的調度中心,主要承擔著滿足用戶用能需求的責任。同時,園區運營商向用戶傳遞售能價格,并對用戶實行階梯式需求響應補貼策略,使資源得到高效利用。用戶聚合商則根據運營商公布的價格自行調整自身用能需求并上報用能計劃,運營商則根據用戶用能計劃合理安排設備出力。由于園區運營商與負荷聚合商之間存在利益博弈,而園區運營商具有供能方的優先決定權,因此,雙方可以建立以園區運營商為領導者,用戶聚合商為跟隨者的主從博弈模型。在博弈中,當任何一方都不能通過調整決策來提高效益時,博弈達到均衡。

圖2 主從博弈框架

3.2 園區運營商模型

園區運營商作為領導者在與用戶能源交易過程中以園區運營商日運行凈收益最大為優化目標,目標函數為售能收益與購能成本、設備運維成本、需求響應補貼成本之差,如式(17)—式(21)所示。

(17)

(18)

(19)

(20)

Cdr(j)=FDR(j)

(21)

3.3 用戶聚合商模型

用戶聚合商作為跟隨者以日用能成本最低為優化目標,目標函數為購能成本、不舒適成本與需求響應補貼收益之差,如式(22)—式(24)所示。

(22)

Csale(j)=Fsale(j)

(23)

(24)

3.4 約束條件

在PIES優化調度過程中需滿足設備運行約束、功率平衡約束、購能約束以及內部價格約束,如式(25)—式(40)所示。

a.設備運行約束

(25)

(26)

(27)

(28)

(29)

(30)

(31)

(32)

(33)

(34)

(35)

b.功率平衡約束

(36)

(37)

c.購能約束

(38)

(39)

d.內部價格約束

(40)

3.5 模型求解方法與流程

本文采用遺傳算法初始化、更新上層園區運營商的售能價格,下層問題利用CPLEX求解器進行求解,求解流程如下:

a.初始化園區運營商和用戶聚合商的參數,k=0,設置種群規模m為30,迭代次數為100,種群變異率為5%,交叉概率為80%;

b.利用遺傳算法初始隨機生成m組園區運營商的售電價、售熱價,并將價格參數傳至用戶聚合商;

c.令k=k+1;

h.若k>100,則迭代結束。

4 算例分析

4.1 基礎數據

本文以北方某一典型園區為算例,以一天24 h為調度周期、步長1 h來驗證上述的優化調度策略。PIES中采用的分時電價如表1所示,售熱價格上下限分別取0.5元/kWh和0.2元/kWh,各設備的參數如表2所示[15]。圖3為考慮風光不確定性的場景削減結果,概率分別為0.245、0.190、0.125、0.125、0.315。階梯式需求響應區間長度為60 kW,需求響應補貼價格增長率為0.3,需求響應補貼為0.24元/kWh;用戶電、熱不舒適成本系數分別為0.008、0.016[16]。

表1 分時電價 單位:元/kWh

表2 設備參數

圖3 5種風光不確定性場景

4.2 場景對比分析

為了驗證考慮風光不確定和階梯式需求響應對PIES主從博弈優化調度中雙主體效益的影響,本文設置下列3種場景。

場景1:園區運營商側不考慮風光不確定性,用戶聚合商側需求響應為傳統補貼。

場景2:園區運營商側不考慮風光不確定性,用戶聚合商側為階梯式需求響應補貼。

場景3:園區運營商側考慮考慮風光不確定性,用戶聚合商側為階梯式需求響應補貼。

3種場景下PIES中的園區運營商和用戶聚合商效益迭代計算過程如圖4—圖6所示,對比結果如表3所示。

根據圖4—圖6所示,場景1、場景2和場景3下的園區運營商和用戶聚合商效益曲線都在第52次、第38次和第70次迭代時達到了收斂,這表明均衡解存在。

圖4 場景1效益迭代圖

圖5 場景2效益迭代圖

圖6 場景3效益迭代圖

比較場景2和場景1可以發現,相較于情景1,考慮階梯式需求響應后,園區運營商日運行凈收益增加814元,用戶跟據購能價格積極調整負荷需求,成功減少1960元日用能成本,其中,雖然需求響應成本增加431元,但補貼獲得的收益增加958元。

比較場景3和場景2,可以發現,相較于情景2,考慮風光不確定性后,園區運營商日運行凈收益增加834元,用戶購能成本減少1054元,用戶需求響應成本增加167元但和需求響應收益增加527元。

4.3 PIES優化調度結果分析

本文以場景2為例進行分析,圖7、圖8分別為博弈均衡后園區運營商制定的售能價格以及對應相關信息。可以看出,園區運營商制定的價格波動趨勢與其對應的用戶用能趨勢一致,目的是在保證系統運行經濟性的前提下,兼顧下級用戶的利益。

圖7 電負荷優化結果

圖8 熱負荷優化結果

圖9和圖10為博弈均衡后各設備的調度結果。由于GT設備的熱電聯產特性以及天然氣的低成本特性,因此其幾乎全天處于滿負荷運行狀態。對于電負荷,運營商優先采用新能源出力滿足用戶負荷需求。并且在低電價時段,運營商選擇儲電并在高電價時放電從中獲得收益。對于熱負荷,運營商用燃氣鍋爐和儲熱罐對燃氣輪機不能提供充足熱量時進行補充。

圖9 電能調度

圖10 熱能調度

5 結論

本文針對園區綜合能源系統,提出了考慮風光不確定性和階梯式需求響應的PIES主從博弈優化調度策略,通過算例驗證,得到如下結論。

a.與不考慮風光不確定性和考慮常規需求響應的供需博弈模型相比,所搭建的考慮風光不確定性和階梯式需求響應的主從博弈模型可以提高各主體的運行效益,驗證了所提模型的有效性。

b.遺傳算法與CPLEX求解器結合在求解多種價格博弈時,能夠有效確定博弈均衡解,且求解結果具有較好的收斂性。

在后續研究中,將進一步考慮園區綜合能源系統在多時間尺度上和多園區合作博弈時對各主體運行的影響。