基于雙層規劃的能源互聯微網系統的能量優化調度模型研究

聶文海，劉 麗，李海濱，謝宏坤，薛璐璐

(1.國網冀北電力有限公司經濟技術研究院，北京 100038； 2.北京博望華科科技有限公司，北京 100045)

能源互聯網注重多種能源的綜合開發利用，然而電能瞬發、瞬供等特點，決定了能源互聯網將以電能為主、其他能源間相互轉化的能源生態系統[1-3]。分布式微網作為能源互聯網的一類區域性自治系統，融合了多種能源類型，可滿足各類用戶需求，同時促進微網系統內部工序平衡，提高系統的安全穩定性[4-5]。

目前，已有眾多專家學者對能源互聯網系統開展了大量的研究工作。文獻[6]出于技術層面考慮，詳細分析了能源互聯網系統的關鍵技術應用及未來發展趨勢。文獻[7]從能源價值維度切入，詳細分析了能源互聯網的基本概念、技術內涵及系統特征等內容。文獻[8]提出了分布式能源互聯網供需側多能源協同優化模型，但只涉及了風—光—儲以及燃氣等能源。文獻[9]構建了一類適用于分布式能源互聯網系統電—氣耦合的協同優化模型。文獻[10]構建了區域能源網系統中電—熱協調調度模型，并詳細分析了該模式下風電并網消納的能力；文獻[11]提出了基于能源互聯網模式下多時間尺度的優化調度模型，促進電能子網和氣能子網之間的能源協調控制過程更加順暢。分布式能源微網系統作為涵蓋多能源類型多決策主體的綜合性能源系統，適用于雙層優化理論建模分析，較全面地反映不同決策主體間博弈關系。文獻[12]針對現有能源系統對多類型供區規劃協調不足以及綜合能源統籌調度不合理等現狀，開展了基于用戶側二層規劃經濟調度策略的研究。文獻[13]建立了基于熱—電聯供的多園區博弈的優化調度模型，并詳細探討了各方主體間的均衡利益。文獻[14]基于園區內電轉氣減小棄風的策略，建立了園區內綜合能源系統的雙層優化調度模型。電力市場不斷深入改革，分布式能源微網系統作為能源業務高度耦合的系統，涵蓋了供氣、供熱、供電等多家決策主體。分布式能源互聯網可作為運營主體進行多方協調互補，各決策主體在運營主體制定的能源協同方案下制定各方主體的運營計劃。

綜上，本文結合雙層規劃原理對園區內分布式能源微網系統開展綜合調度建模研究，該模型重點分析能源互相轉化和各主體能源協同輸出，并以此為控制基礎，利用分層調度實現了分布式能源微網系統各方主體間的協同研究。最后，結合改進人工蜂群算法對本文所提的園區內分布式能源微網系統的雙層調度模型進行求解。

1 分布式能源微網系統

分布式能源微網系統的典型結構如圖1所示。分布式能源微網系統內大致存在冷—熱—電三大模塊的能源平衡。園區內的熱負荷由聯產機組、電鍋爐以及熱儲能協調供應；冷負荷由電制冷機、聯產系統以及冷儲能協調供應；電負荷由電儲能、風—光系統、聯產系統協調供應，并結合分布式能源微網和主網間能源交互進行綜合配合。其中，園區內微網能源不確定性主要受新能源發電和電負荷的影響。冷—熱負荷考慮其慣性較大，其能源不確定性因素較小，本文暫不考慮。

圖1 分布式能源微網系統

1.1 冷—熱—電聯產系統

冷—熱—電聯供(CCHP)系統的核心設備為微燃機。在鍋爐運行中，會產生大量廢熱，將其直接排放造成很大的能量浪費。若將排出的廢熱加以回收利用進行供暖，則會大大提高能源利用效率。忽略外部環境因素對發電燃燒效率的影響，聯產機組冷—熱—電輸出功率的數學模型[9]為：

HMT(t，i)=PMT(t，i)×(1-ηMT-ηL)/ηMT

(1)

HMT(t，i)=QMT(t，i) ×ηH×χH

(2)

式中，HMT(t，i)、PMT(t，i)分別為機組i在時段t釋放的發電余熱和發電功率；ηMT為機組i的發電效率；ηL為機組i的散熱系數。

1.2 電鍋爐/電制冷機

在分布式能源微網系統中，電鍋爐/電制冷機的功率模擬可依據文獻[14]所述的數學模型來表示：

HET(t，i)=PET(t，i) ×ηH×χET

(3)

式中，χET為電鍋爐/電制冷機的能效比；PET(t，i) 、HET(t，i)分別為電鍋爐/電制冷機的消耗功率。

1.3 電儲能系統

儲系統能主要用于吸收/放出能量來實現熱—電能源的發需側功率平衡，從而促進分布式能源微網系統處于經濟、環保的水平下運行。

EB(t，i)=(1-τB) ×EB(t-1，i)+

[γCPBC(t，i)ηC+γDPBD(t，i)ηD]Δt

(4)

式中，EB(t，i)為電儲能設備容量；γC、γD分別為儲能設備充/放電系數。

1.4 冷/熱儲能設備

熱/冷儲能設備和電儲能設備類似，只是儲存的能源形式有所差異。其數學模型可參見文獻[9]。

ET(t，i)=(1-τT) ×ET(t-1，i)+[γAPTA(t，i)ηA+γRPTR(t，i)ηR]Δt

(5)

式中，ET(t，i)為儲能設備容量；γA、γR分別為儲能設備充/放熱系數。

2 綜合能源微網調度模型

分布式能源互聯網可作為運營主體進行多方協調互補，各決策主體在運營主體制定的能源協同方案下制定各方主體的運營計劃。因此，適用于雙層規劃理論進行建模分析。

2.1 上層決策系統

作為分布式能源互聯微網系統的管理中心，其職責是肩負起整個分布式能源系統協調運行，平衡各方利益博弈，促使整個分布式能源微網系統綜合運行成本最小化。另外，上層目標成本會受到下層決策模型的影響，還應計及多能量之間轉化的損耗。分布式能源微網系統作為總決策層需制定整個微網系統的運行總原則，實現對多能源間利益博弈的協調互補，打破多能源之間生產—傳輸—存儲—消費等環節的壁壘，從而促進多能源的優化配置。因此，上層決策者的目標函數并不全完由自身變量決定，而是利用上層決策影響下層決策以達到間接優化上層目標函數[15]。在分布式能源微網系統中，CCHP機組主要承擔氣轉熱的職責，同時充分利用余熱發電。

2.2 下層決策系統

下層系統的決策者包含了電能、熱能、氣能等子網系統，各子網系統決策應根據上層決策者制定的綜合運行決策方案相繼制定各自成本最小化目標。各子網決策成本需要反饋給上層決策者。

2.3 雙層規劃綜合決策架構

本文建立的雙層規劃模型，可協調多類型能源間的轉化關系，起到綜合管控的目的；各能源子網系統決策目標又以自身系統最優化目標制定。充分體現了分步分層的決策特點，適用于雙層規劃理論。依據雙層規劃模型的建模原理[16-18]，繪制出雙層規劃模型原理架構如圖2所示。

圖2 雙層優化調度模型原理架構

3 改進蟻群多目標算法

蟻群算法[19]是一種仿生蟻群搜索行為的智能算法，具有很好的全局搜索和局部搜索能力，在單目標優化方面有很強的優勢。然而，多目標求解問題要復雜得多，求解難度大。為了快速尋出Pareto 最優解，經典做法是利用非支配遺傳算法[20-21]計算擁擠度距離，并在排序后的解集中尋出最優解，從而快速獲得Pareto解域。

經典的NSGA-Ⅱ的非支配排序方法如圖3所示。設定個體將第t代生成新種群與其父代合并成，此時種群數變為2N。隨后可根據支配關系獲得一系列非支配Pareto解。假定非支配解集中的優先級最高，其后逐次降低。如果中所含的非支配解數目小于N，則選取中可支配的解存入種群。種群中剩余解將在其余層內選擇，直至種群數大于N，并找出對應層。因此，需對中的非支配解排序，擁堵程度小的個體進入內。具體操作如下：

圖3 快速非支配排序過程

本文基于指標策略的擁堵距離優化方法結合快速非支配排序的多目標求解流程如圖4所示。

圖4 多目標求解流程

4 算例分析

結合某園區建立的能源互聯微網系統示范工程開展算例分析。可將該園區看作為一個多類型能源耦合的能量樞紐系統。園區冬季工況下、夏季工況下的典型負荷及風電、光伏預測數據如圖5—圖6所示。

圖5 夏季/冬季工況下典型日電負荷和熱負荷

圖6 典型日風機與光伏出力曲線

典型能源互聯微網系統的典型參數見表1，其余參數見文獻[22]。涉及相關的價格見表2。涉及的改進多目標蟻群算法的廚師參數設定如下：初始種群數為200，最大迭代次數設為200，交叉概率初始值 設定為0.9，突變概率初始值設定為0.1。

表1 涉及能源互聯微網系統的典型參數

表2 相關參考價格

4.1 仿真優化結果

以園區冬季運行工況為例，優化仿真后得出各能源子網系統的優化結果，對應如圖7—圖9所示。

圖7 電能子網系統優化調度結果

圖8 熱能子網系統優化調度結果

圖9 熱能子網系統優化調度結果

從圖7可知，在0：00—6：00內，外網系統的分時電價和負荷水平較低，此時園區微網系統的儲能設備將會進入充分充電的狀態，目的是基于外網系統較低的電價基礎上，微網系統大量購買外網系統電量以提高儲能設備的電量水平。在7：00—12：00內，微網系統處在用電高峰期，為了充分保障微網系統負荷供應，一方面微網系統將提高向外網系統的購電比例，另一方面儲能設備充分放電。此時間段外網系統電價較高，從而微網系統可充分利用儲能放電滿足負荷需求，并獲取較好的經濟收益。在13：00—16：00內，光伏系統將處于最高發電水平，而微網系統的負荷需求下降，此時外網系統的分時電價較高，儲能設備進入新一輪的充電過程。在18：00—22：00內，微網系統再次進入負荷用電高峰段，微網系統除充分向外網系統購電外，相應的儲能設備應充分放電。且在微網系統最大負荷時段21時，微網系統直接采取可中斷負荷措施來保證系統的穩定性。在整個運行過程中，電能子網系統充分發揮了系統儲能和分布式能源削峰填谷的優勢，整體上提升了微網系統的收益。

從圖8可知，為了維持室內溫度恒定舒適，熱能子網系統需要向熱負荷輸出熱功率。0：00—9：00，微網系統的熱負荷處于較低水平。因此系統將利用蓄能裝置充分儲熱。在10：00—20：00內，微網系統具有很高的熱負荷需求，除外網系統提供供熱外，微網系統將利用儲能設備充分放熱保障系統熱負荷水平。在21：00—24：00內，微網系統具有較低的熱負荷水平，儲能設備將開展新一輪蓄熱。和電負荷曲線相比，系統熱負荷曲線相對要平穩很多。

從圖9可知，在0：00—8：00內，此時外網系統電價較低，微網系統管理中心可利用電能子網供出的低價電能充分向氣能子網轉化。此階段甲烷機組在電轉氣的狀態下運行，充分讓儲氣罐蓄氣。 在外網系統較低電價的時段11：00—16：00內及時段19：00—22：00內，儲氣罐處在放氣狀態，同時氣能子網系統向外網系統優很大的購氣量需求：①保證燃料電池充分發電；②熱能子網系統需積極應對高峰時段的熱負荷。

4.2 微網系統和各子系統成本分析

為了充分探討本文微網系統總成本和各子系統的成本費用，以夏季工況和冬季工況為例，利用本文雙層優化模型和改進多目標蟻群算法進行求解，所得優化結果見表3。

表3 冬季/夏季典型日中能源互聯微網系統及各能源子網的運行成本

為了充分說明本文能源互聯微網系統的運行優勢，以同樣的負荷水平為例，采用傳統微網系統只有電能供應單一能源形式，其冬季工況下微網系統的運行成本為145 434.4元。夏季工況下起運行成本為157 464.3元，從運行成本上，采用能源互聯微網系統分別可降低18.83 %、21.82%。

4.3 本文改進算法的優勢對比

為論證本文所提的改進多目標蟻群算法可提高求解雙層優化模型的高效性，結合利用粒子群算法、多目標蟻群算法和本文所提的改進多目標蟻群算法分別進行優化求解，對比結果見表4。

表4 算法優勢對比

從表4可知，相較于粒子群算法而言，多目標蟻群算法的求解性能、優化時間更具優勢。但本文采用改進后的多目標蟻群算法在尋優能力及求解時間方面要優于多目標蟻群算法。

5 結論

基于雙層規劃理論，本文建立了能源互聯微網系統的多能源協調優化模型。以多能源之間的轉化樞紐矩陣為上層決策基礎，下層決策充分兼顧各能源子網的生產運行規劃。所建立的雙層優化模型能很好地反映能源互聯微網系統多決策主體環境下分層分步的特點。并以改進多目標蟻群算法對雙層優化模型進行求解。通過仿真結果可知，在同樣負荷需求的基礎上，能源互聯微網系統要比傳統微網系統在冬季工況下、夏季工況下分別節約成本18.83%、21.82%。在算法改進上，基于指標的多目標蟻群算法在成本優化和求解時間方面要優于多目標蟻群算法、粒子群算法的優化效果。