基于卷積神經網絡的分布式多能源系統能效計算方法研究

鐘建英，張一茗，張友鵬，李澤坤，雷炳銀

（1.平高集團有限公司，河南平頂山 467001；2.華北電力大學，北京 102206）

隨著熱電聯產（Combined Heat and Power，CHP）、電熱泵（Electric Heat Pumps，EHP）等分布式技術的發展，電、氣、熱/冷網絡之間的相互作用日趨復雜[1]。近年來，多能源系統(Multi-Energy Systems，MES)的集成越來越受到重視，尤其是隨著間歇式可再生能源（例如光伏、風力發電等）的快速普及[2]。與原有的能源系統相比，電、燃料、熱和冷卻相互作用的MES 不僅可以利用能源替代的靈活性容納更多的可再生能源或多種類型的儲能系統，還可以提高一次能源（包括可再生能源）的轉換效率和利用率[3-4]。

目前，已有眾多專家學者針對MES 的能效以及如何削弱分布式能源對系統的影響展開研究。文獻[5]針對可再生能源利用及不同能源質量的有效衡量等問題，設計了一種能源質量系數，用于綜合能源效率的評價。文獻[6]提出了一種燃氣-電力綜合配電系統的協調運行策略，基于CCHP 系統的非線性多能量耦合外部特性模型，通過多CCHP 的協調運行，可再生能源的功率波動被傳遞到燃氣分配網絡及制冷或供熱系統。文獻[7]提出了一種基于凸優化的分布式算法，以解決耦合能量分配系統中的多周期最優燃氣-發電效率問題。在氣體分配系統側，通過迭代二階錐規劃（Second-Order Cone Programming，SOCP）程序求解最優氣體流量（OGF）問題，該程序的效率較傳統的非線性方法有顯著提升。

但目前已有的方法存在對潛在MES 配置參數依賴過大，且能效較低等問題。為此，設計了一種基于卷積神經網絡（Convolution Neural Network，CNN）的分布式多能源系統能效計算方法。將MES 分成不同的供能子系統與能源轉化裝置，并設計相應的優化目標和約束條件。利用CNN 求解模型最優解，以得到分布式MES 最大能效的計算方式。

1 分布式多能源系統的能效

電力、燃氣及可再生能源等多個種類的能源，通過分布式MES 轉化為用戶可直接消費的冷量、熱量和電力。雖然能量的轉換技術及設備多種多樣，但現有的基本能量轉換路徑，即分布式MES 的能量流圖如圖1 所示。

圖1 中，系統內的可再生能源，例如風能、光能等，均是系統內部能夠使用的能量，因此，不屬于外部輸入的能量。但是使用可再生能源時，能夠切實將能量供給系統負載，所以將其計入系統能源供給側[8-9]。即MES 的能效ηMES為：

圖1 分布式MES的能量流圖

式中，Pe、Pg、Ph分別表示從外部系統輸入的電能、天然氣、熱能；Se、Sh、Sc依次為儲存電能、熱能、冷能設備的真實儲存能量；De、Dh、Dc依次為儲存電能、熱能、冷能設備的真實輸出能量；λE、λG、λH依次為電能、氣能、熱能的核算因子；λe、λh、λc依次為電負載、熱負載、冷負載的核算因子；We、Wh、Wc表示電、熱、冷的供應量，Eeh、Eec依次為由電能制成熱能、熱量時損失的電能；Ehp,m為能量m在傳動中的耗能；Hhc為由熱能制成冷能時的熱能損失；γe、γh、γc依次為儲存電能、儲存熱能、儲存冷能設備的狀態，其中儲存能量是1，釋放能量是0；ηse、ηsh、ηsc依次為儲存電能、儲存熱能、儲存冷能設備的儲能效率。

其中，供電子系統中的電量輸出We為：

式中，ηt為變壓器的工效；ηl為區域內輸電線路的效率；ECHP為CHP 的輸出電能；Re為區域內可再生能源的輸出能量。

供電子系統中熱能與冷能的輸出Wh、Wc為：

式中，Hgh、Heh依次為天然氣與電能經過電、燃氣鍋爐后輸出的熱量；HCHP為CHP 輸出的熱量；Cec、Chc依次為電能與熱能經過有關能量轉化裝置轉化成的冷能；Rh、Rc依次為可再生能源產生的熱能、冷能；ah、ac依次為熱、冷傳輸管道的能耗量。

2 分布式MES能效計算方法

2.1 優化目標與約束條件

對于MES，能源利用率越大，能源效益越優[10-11]。因此，目標函數為：

式中，T為總運營周期；PPV(t)、PW(t)分別為光伏和風電的發電量。

而能量供需平衡約束計算如下：

式中，γ為系統的自身用電損耗率。

因為風能、電能及光伏輸出存在不穩定性，為了確保其并網后穩定輸出，不影響系統運行，設定的出力約束為[12-13]：

2.2 卷積神經網絡

CNN 結構 如圖2 所示[14-15]。

圖2 CNN結構

由于在分布式MES 領域中，其模型包括大量結構高度復雜的網絡，易增加過度擬合的風險，因此，所提方法采用規模相對較小的一種CNN[16]。其中，卷積層使用一個可學習的卷積核對輸入數據或上一層的輸出進行卷積運算，從而獲得一個特征數據。一個卷積核能夠通過卷積運算得到多個特征數據，則第l卷積層j個特征數據表示為：

式中，Mj為特征數據集，為卷積核，為偏置量，?為卷積運算，f(x)為激活函數。系統采用線性整流激活函數；池化層采用最大池化方法；全連接層通過綜合經卷積和池化后得到的數據，以此得到最優解。

3 實驗結果與分析

以某住宅區為例進行實驗論證，在這一區域中存在冷負載、熱負載和電負載等，選取夏季較為有代表性的時間段進行能效計算。其日負荷需求曲線如圖3 所示。

圖3 夏季日負荷曲線

3.1 儲能配置方案對能效的影響

儲能作為能源供應系統中的關鍵設備，能夠實現削峰填谷，但在儲能和釋放能量的環節中會存在能耗。因此儲能合理的配置可以降低系統運行的成本，從而提高能效。MES 中不同儲能配置方案下的能效對比如表1 所示。

表1 不同儲能配置方案的能效對比

3.2 可再生能源的接入對能效的影響

對比可再生能源加入前后的系統能效，可以直接觀察到可再生能源接入到系統后對其產生的干擾，其中，系統的可再生能源為光伏機組與地熱。而且，系統接入可再生能源后，將傳統冷機組與地熱的總和作為系統的綜合冷機組。實時能效與可再生能源出力占比的對應關系如圖4 所示。

圖4 可再生能源出力占比與實時能效

3.3 與其他方法的對比分析

為了展現所提方法相較于其他能效計算方法的優勢，對比該方法與文獻[5]、文獻[6]、文獻[9]3 種方法能效評估準確率結果，如圖5 所示。

圖5 不同方法的能效對比

從圖5 可以看出，相比于其他方法，文中方法的準確率最高，在不同時刻該方法表現均優于其他方法。由于其采用CNN 求解問題的最優解，因此能夠最大化利用系統內的可再生能源、協調儲能設備的使用，減少外部資源的消耗。

4 結束語

文中提出了一種基于卷積神經網絡的分布式多能源系統能效計算方法。在考慮多能間的互補以及可再生能源利用的基礎上，構建了含儲能裝置的MES 能效的評估模型。并以最大能效為優化目標，利用CNN 對其進行求解，以獲得MES 能效最大的運行方式，且進行能效計算。最終，通過某一住宅區的實例進行分析。結果表明，MES 合理利用可再生能源能夠對能效產生積極的影響；且與其他方法相比，所提方法的能效最為理想，由此論證了該方法的有效性和實用性。