基于粒子群算法的冷熱電聯供系統優化調度

余倩，黃亮，2

(1.武漢理工大學，湖北 武漢430070；2.復變時空(武漢)數據科技有限公司，湖北 武漢430070)

0 引 言

近年來，隨著傳統化石能源的大量消耗以及人們對環境問題的密切關注,各類可再生能源被廣泛地研究并投入使用?，F有的能源系統往往都是單獨規劃、單獨運行，導致能源利用率低、污染高。研究如何把各獨立供能系統進行協同優化，并且兼顧經濟性和環保性成為學者們研究的重點[1-2]。冷熱電聯供系統可以提高能源一次利用率，并且減少CO2和污染氣體的排放。冷熱電聯供系統(combined cooling heating and power，CCHP)的能源利用率可達到90%，沒有輸電損耗；因此，研究CCHP對實現多種能源的互補高效利用具有積極的作用。

目前，國內外學者對于利用可再生能源的多能互補的CCHP已有一些研究[3-6]。文獻[7]考慮了儲能技術，解決了可再生能源發電的間歇性和隨機波動性問題。文獻[8]根據費率的結構，在能量管理方面就不能按照滿足負荷來控制，還應當制定隨費率結構改變而調整的協調策略。文獻[9]針對冷熱電聯產系統的投資規劃優化問題，提出了以最小投資成本和最小運行成本為目標基于遺傳算法優化模型，該方法響應速度較快，但局部尋優能力較差，并且沒有考慮環境成本，只以經濟成本為優化目標，沒有兼顧環境效應。

本文以系統經濟成本和環境成本最小建立了目標函數，并構建約束條件，建立了冷熱電聯供系統的優化模型。本模型以天然氣、可再生能源和儲能設備互補進行發電，考慮了費率結構對發電成本的影響，利用粒子群算法對系統進行模型優化求解。最后結合算例，研究系統在多目標下系統的運行結果，為綜合能源的協同優化提供了參考。

1 冷熱電聯供型綜合能源系統

CCHP集冷負荷、熱負荷、電負荷于一體。電負荷由風力發電機、光伏發電機和電網供電，多余或不足的部分有蓄電池組存儲或提供；熱負荷由燃氣發電機組的熱回收系統提供，不足的部分由燃氣鍋爐補充；冷負荷由吸收制冷機供給，不足的部分由電制冷機補足。模型中包含風能和太陽能可再生能源。系統結構如圖1所示。

圖1 冷熱電聯供系統結構

1.1 燃氣發電機模型

燃氣發電機作為CCHP提供電能的主要設備，效率受機組出力影響較大，采用三階模型效率能夠較好地體現機組出力波動對系統產生的影響。

燃氣發電機的數學模型為

式中：FGt—燃氣發電機的燃氣耗量；

ηGt—燃氣發電機的效率系數;

ai，bi，ci，di—第i臺燃氣發電機系數。

1.2 燃氣鍋爐模型

燃氣鍋爐充當冷熱電聯供系統的備用熱源，當冷熱電聯供系統所產生的熱能不滿足需求時，可通過燃氣鍋爐進行熱能補充。燃氣鍋爐出力與自身輸出特性和負荷情況相關。燃氣鍋爐的數學模型為

FBoi=QBoi/ηBoi

(2)

式中：FBoi—燃氣鍋爐的燃氣耗量；

QBoi—燃氣鍋爐的熱功率；

ηBoi—燃氣鍋爐的效率系數。

1.3 電制冷機模型

電制冷機是目前在各類建筑物中最常見的供冷設備，典型代表為壓縮式電制冷機。壓縮式電制冷機通過電力驅動壓縮機做功來完成一系列制冷流程，從而將輸入電能轉換為冷量輸出。電制冷機的數學模型為

QEC=COPECPEC

(3)

式中：QEC—電制冷機輸出功率；

COPEC—電制冷機制冷能效系數；

PEC—電制冷機輸入電功率。

1.4 吸收式制冷機模型

吸收式制冷機將輸入的熱量轉換為冷量輸出。吸收式制冷機的數學模型為

QAC=COPACPAC

(4)

式中:QAC—吸收式制冷機輸出功率；

COPAC—吸收式制冷機制冷能效系數;

PAC—吸收式制冷機輸入電功率。

1.5 熱回收系統模型

熱回收系統將燃氣發電機產生的熱能進行收集，提供的熱能與回收效率有關：

(5)

式中:QHrs—熱回收系統的熱功率;

ηHrs—熱回收系統的熱回收效率;

NGt—燃氣發電機的臺數。

1.6 蓄電池模型

蓄電池作為常用的儲能設備，電量與自放電率、充放電容量有關[10-11]，剩余容量公式：

(6)

μBat—蓄電池組的自放電率；

2 冷熱電聯供能源協同優化模型

2.1 目標函數

以運行成本和環境成本最小為目標，運行成本包含燃氣費用，與主網交互費用，燃氣發電機的運行維護費用。在實際運行中，冷熱聯供系統燃燒天然氣排放的氣體主要是CO2，故只考慮CO2對環境造成的影響。

目標函數為

minCtotal=min(CJ+CH)

(7)

運行成本為

環境成本為

CH=WCO2[εePEC+εl(PGt+QBoi)]

(9)

式中：Ctotal、CJ、CH、CElc、CLng、CM—總成本、運行成本、環境成本、購電費用、購氣費用、運行維護費用；

PElc—正數時，表示聯供系統從大電網購電；負數時，表示發電多余，系統向大電網賣電;

rElc—購電或售電單價；

rLng—天然氣單價；

KOM—燃氣發電機單位電功率的運行維護費用，取0.038元/kW;

εe—單位電功率下CO2的排放系數，取值0.872 kg/(kW·h)；

εl—單位體積天然氣的CO2的排放系數, 取值1.95 kg/m3。

2.2 約束條件

CCHP系統能量優化運行主要考慮功率平衡的約束條件和各設備的運行約束條件[12-14]。

2.2.1 功率約束

2.2.2 功率平衡約束

該系統的電能、熱能、冷能的功率平衡約束關系為

式中：Pe、Qh、Qc—系統需要的預測電功率、熱功率、冷功率。

2.3 粒子群算法原理

粒子群算法就是在D維空間下，隨機生成N個粒子,并對其進行初始化作為所求問題的解集，然后通過所定義的適應度函數進行粒子群迭代尋優，找到粒子群的適應度函數值最小或最大的粒子作為粒子群的全局最優解Gbest，迭代過程中每個粒子的適應度函數值作為個體最優解Pbest，在整個粒子群迭代的過程中，每個粒子通過式(12)和式(13)進行自身位置和速度的更新：

(13)

式中：ω—慣性權重；

c1、c2—兩個學習因子；

r1、r2—迭代過程中的隨機生成數。

范圍為[0,1]，同時為了防止粒子在迭代過程中超出其搜索空間，一般要對粒子的速度和位置進行限制，一般規定為：Vmin

2.3.1 基本粒子群的參數設定

基于標準粒子群算法進行Matlab數學建模仿真，經過多次取值試驗，最終給定粒子群初始化條件：c1，c2取2；ω取0.7；D為空間維度，取8，分別是燃氣輪機功率、燃氣鍋爐功率、電制冷機功率等。

2.3.2 改進慣性因子的粒子群算法

ω,=ωstart(ωstart-ωend)(Tmax-k)/Tmax

(14)

為了更好地平衡算法的全局搜索與局部搜索能力，在基本的粒子群算法中將原有固定值的ω改為線性遞減慣性權重，ωstart為初始慣性權重，取0.9；ωend為迭代至最大次數時的慣性權重，取0.4；k為當前迭代次數。迭代初期較大的慣性權重使算法保持了較強的全局搜索能力，而迭代后期較小的慣性權重有利于算法進行更精確的局部搜索。

3 系統仿真結果及分析

仿真計算選取風力、光伏、儲電、天然氣互補發電的CCHP系統為模型。該系統中包含2臺燃氣發電機，1臺燃氣鍋爐，1組蓄電池組，1臺電制冷機，1臺吸收制冷機。各相關設備的參數及取值見文獻[15]，各設備功率上限見表1。以某一地區夏季的某一天的能量調度為例，計算周期和時間間隔分別為24 h和1 h。采用粒子群算法，參數設定取值如下：種群規模N為100，迭代次數Tmax為1 000代。天然氣屬于消耗性能源，從激勵使用天然氣的層面出發，費率結構的設置一般為使用量越大，價格約低。模型使用的是某天然氣公司的價格費率結構，如圖2所示。在夏季電力供應緊張時將供售電價格分為峰、平、谷3檔，對應的時間段的價格見圖3，實線表示購電價格，虛線表示售電價格。

表1 各設備功率上限

圖2 天然氣價格費率結構

圖3 電費價格費率結構

夏季光照強度大，氣溫較高，所需的電負荷和冷負荷很大，熱負荷則較小，同時用電高峰期的電費高，此時，光伏出力可以在一定程度上減少燃氣發電機及其他設備的出力。本文選擇的場景為夏季，夏季日負荷與風光出力預測見圖4。

圖4 夏季冷、熱、電負荷及風電、光伏出力預測

分別用基本PSO算法和改進慣性權重的PSO算法對冷熱電聯供的能源優化模型仿真求解，結果見圖5。

圖5 適應度值進化情況

由圖5可知，改進PSO的收斂速度好于基本PSO算法。由表2可知基本PSO算法得到的成本為13.64萬元，改進PSO算法的成本為13.54萬元，改進算法得到的總成本比基本PSO算法低1 000元。

表2 不同算法系統優化結果對比

24 h內提供的冷功率設備出力情況見圖6。

圖6 冷功率優化結果

圖7 熱功率優化結果

首先是燃氣輪機提供熱功率，燃氣鍋爐作為補充，燃氣鍋爐在用熱高峰期功率達450 kW，最終產生的熱負荷基本滿足熱負荷要求，由于夏季對熱負荷需求較少，主要是燃氣鍋爐經換熱器提供熱負荷。

由圖8可知，用電高峰時，系統的2臺燃氣發電機均處于工作發電狀態，蓄電池組既可充電，也可進行放電，這樣減少了由于天然氣機組發電和可再生能源出力產生的電負荷帶來的不確定性和負荷波動，當系統用電需求滿足后，儲電設備所存儲的多余電負荷可反向給電網供電，提高系統的經濟性。白天電負荷需求較高，由于是夏季，冷負荷需求也會非常高，所以燃氣發電機一直處于發電強度較高的狀態，10：00左右2臺燃氣發電機功率之和可達1 MW。用電低峰時，系統僅有1臺燃氣輪機處于發電工作狀態，減少系統發電帶來的環境污染。夜晚，電負荷需求隨之降低，燃氣輪機的發電量會減少很多,燃氣發電機1臺出力即可,當電負荷不夠可以從電網購電以滿足電負荷需求。

圖8 燃氣發電機和蓄電池功率

4 結 論

由于可再生能源的隨機性和波動性，在并網運行中進行利用增加了能源協調難度，故本文的互補模型配以適當容量的蓄電池組來解決可再生能源的消納問題。考慮到能源的費率結構是影響運行成本的重要因素，引入了天然氣和電費的三梯度的費率結構。以經濟成本和環境成本最小為目標，利用冷熱電三聯供系統的能源梯級結構，建立了冷熱電聯供的能源優化模型，同時考慮了夏季的風光出力和冷、熱、電負荷，從冷熱電功率平衡和各設備的運行出力的約束下進行研究計算。使用了空間維度為8的粒子群算法，實現了燃氣發電機電功率、燃氣鍋爐熱功率、電制冷機電功率等多個變量的協同優化。通過算例表明，該算法滿足負荷需求，兼顧了經濟性和環保性，對提高能源利用率以及減少環境污染提供了幫助，滿足用戶多樣性優化需求。