多能互補微網系統能量優化策略

吳清濤 李俊杰

國網上海市電力公司市北供電公司

0 前言

本文著重研究多能互補微網系統能量優化，并綜合考慮分布式發電、分布式儲能、冷熱電三聯供系統的配合和使用，在用戶冷熱電負荷均得到滿足的情況下，建立系統運行成本和污染環境排放量最小的多目標優化函數，并采用帶有極值干擾的粒子群算法對所建模型進行求解，驗證優化策略的有效性。

1 多能互補微網系統設備單元分類及負荷分類管理

1.1 設備單元分類

多能互補微網系統多種分布式設備單元中，風力發電和光伏發電由于其出力特性受自然資源影響，屬于不可控型設備單元；燃氣輪機、燃氣鍋爐、電制冷機屬于可控型設備單元；余熱鍋爐、吸收式制冷機受制于前一工段出力狀況，屬于跟進型設備單元；儲冷、儲熱和儲電屬于儲能設備單元。

1）不可控型設備單元

在地理環境、自然條件確定的情況下，可通過模型計算得到最大功率輸出點，風機和光伏發電通常跟蹤該點參與運行。

2）可控型設備單元

基于不同的熱電負荷要求，多能互補微網系統中聯供系統運行模式包括以熱定電、以電定熱【1】。

在以熱定電運行模式中，用戶的熱負荷需求為常規制熱和吸收式制冷機制冷時消耗的熱功率的總和，此時熱電聯供機組、燃氣鍋爐、儲熱設備共同運行，保證總熱負荷需求大致等于余熱鍋爐、燃氣鍋爐、儲熱設備的熱出力總和。

在以電定熱運行模式中，用戶的電負荷需求為常規電力和電制冷機制冷時消耗的電功率的總和，此時冷熱電聯供機組、風力發電、光伏發電、儲電設備單元的出力總和應優先匹配用戶的電負荷，當電能不足時向電網購電，電能超出負荷需求時向電網售電或為儲電設備充電。

1.2 負荷分類管理

在設備單元分類的基礎上對負荷分類，管理策略如下：

1）冷、熱負荷：冷負荷由電制冷機、溴化鋰吸收式制冷機和儲冷設備共同供給，熱負荷由燃氣鍋爐、余熱鍋爐和儲熱設備共同供給。上述設備分屬于可控型、跟進型和儲能型，考慮到實時電價，在每一時段都將對這三種設備的供能成本進行排序，按序調動直到系統冷、熱功率平衡。

考慮到跟進型設備的非獨立性，吸收式制冷機與余熱鍋爐的出力將根據前序工段工作狀態進行調整，防止越限運行。

2）電負荷：電負荷由風、光、主電網、燃氣輪機和儲電設備共同供給。為提高可再生能源的利用率，風、光發電單元將一直處于最大功率點運行[2]，且在每一個時段，都將對設備的供電成本進行排序，并按序位啟停。

2 多能互補微網系統能量優化策略

2.1 優化方法

多能互補微網的優化主要考慮經濟性和環保性兩方面。大多數情況下，經濟性和環保性是互相矛盾的，難以同時達最優，因此只能折中優化。多目標優化問題，1896年法國經濟學家帕累托最早開始研究，之后，諾依曼、庫恩、塔克爾等數學家也進行了探討，但至今未有統一定論，目前求解思路主要有以下幾種：

1）化多為少法：即將多目標化為單目標進行求解，主要有目標法、線性加權法、理想點法等。

2）分層序列法：按重要性對目標進行排序，后序目標的解在前序目標的最優解集中進行求解，直至所有目標的最優解求出。

3）層次分析法，由運籌學家T．L．Saaty提出，是一種定性與定量相結合的層次化分析方法，對缺乏數據且結構復雜的情況較為適用。

多能互補微網系統的優化，根據問題的復雜程度和優化解的方法，采用基于線性加權思想的隨機加權法【3】對雙目標進行單目標化優化處理。

2.2 目標函數

本文多能互補微網能量管理優化策略是在系統配置方案已確定的情況下考慮的，因此主要考慮運行成本和維護成本，設備的固定投資作為沉沒成本不予考慮。在保證冷、熱、電負荷需求的前提下，多能互補微網系統經濟性的目標函數為：

式中：

——多能互補微網系統t時段的成本，元；Dg——可控出力單元；K ti——微電源啟停狀態（0表示停，1表示啟）；Ctnh——微電源能耗成本,元/kW；Pti——微電源輸出功率，kW；Ctwh——微電源運行維護成本，元/kW；Ciqt微電源設備啟停成本，元/次；δPtbat——蓄電池充放電函數；K tB、K tS——微網從電網購、售電的狀態（0表示否，1表示是）；Ptbgrid、Ptsgird——微網與電網之間購、售電功率，kW；M tb、M ts——微網向電網購、售電的價格，元/kW。

2.3 約束條件

多能互補微網系統能量優化的約束條件主要包括：功率平衡約束、設備出力特性約束、設備運行特性約束。其中，功率平衡約束主要是冷、熱、電功率的平衡，設備出力約束則包括各設備單元的功率、儲能約束，設備運行特性約束主要包括設備爬坡率及運行時間的限制。

2.3.1 等式約束

1）電功率平衡約束

式中：

Pgrid——電網交換功率（購電時為正，售電時為負），kW；PMT——燃氣輪機輸出功率，kW；PPV——光伏發電功率，kW；PWT——風力發電功率，kW；PBSE_D——蓄電池放電功率，kW；PEL——電負荷，kW；PEC_in——電制冷機吸收電功率，kW；PBSE_C——蓄電池充電功率，kW。

2）熱功率平衡約束

式中：

——余熱回收裝置輸出的熱功率，kW；QGB_heat——燃氣鍋爐輸出熱功率，kW；QHSE_D——蓄熱裝置輸出熱功率，kW；QHL——系統熱負荷，kW；QHSE_C——蓄熱裝置蓄熱功率，kW。

3）冷功率平衡約束

式中：

——電制冷機輸出冷功率，kW；QISE_C、QISE_D——蓄冷裝置蓄冷、制冷功率，kW；——吸收式制冷機輸出冷功率，kW；QCL——系統冷負荷，kW。

2.3.2 不等式約束

出力/儲能設備功率約束

式中：

——分布式設備單元狀況（1表示運行，0表示停運）；Pmini、Pmaxi——各設備單元功率上下限值，kW；PtDGt——時段設備單元出力功率。

2.4 能量管理優化算法

多能互補微網系統能量管理優化由于涉及變量較多，普通的算法存在計算量大、不易操作、并行計算效率低等問題，而群智能算法具有演化計算能力，可通過一定的搜索規則自動查尋求解問題的最優解，因此在模型優化應用中十分廣泛。

群智能優化算法目前主要有粒子群算法、蟻群算法、模擬退火、遺傳算法、禁忌搜索、神經網絡等【4】，大多是對某種自然過程的模擬。粒子群算法由于不考慮交叉、變異等操作，粒子收斂速度要比遺傳算法快，適用于本文高維度的多目標優化。

2.4.1 粒子群算法

粒子群算法由J．Kennedy和R．C．Eberhart博士于1995年提出，來自對鳥群社會行為研究的啟發，是一種基于迭代的優化算法。在PSO算法中，目標函數的解空間初始化時將隨機出現一組隨機解，每一個解稱為一個粒子，每一個粒子都擁有位置和速度兩個屬性。粒子的每一個位置都對應一個由特別制定的適應度函數確定的適應值。在每一次迭代中，粒子將通過跟蹤兩個關鍵適應值來更新自身的位置和速度，其中一個是粒子本身找到的最優解，稱為個體最優解Pbest，另一個是粒子群全體找到的最優解，稱為群體最優解Gbest。

J．Kennedy和R．C．Eberhart博士最原始版本粒子群公式為：

式中：

c1——為粒子跟蹤Pbest的認知學習系數；c2——粒子跟蹤Gbest的社會學習系數；ξ、η——[0,1]區間內均勻分布的隨機數；——粒子當前與下次的位置相量；——粒子當前和下次的速度相量；——粒子的自身最優解和群體最優解。

該版本又稱為基本粒子群算法，若Pkgd表示所有粒子的最優解，則為全局版本的基本粒子群算法；若Pkgd僅表示該粒子附近的粒子群的最優解，則為局部版本的基本粒子群算法。全局粒子群算法收斂速度要比局部版本快，但陷入局部版本的可能性要大于全局版本。

2.4.2 極值變異的混合型粒子群算法

為了兼顧收斂速度及收斂精度，本文提出了極值變異的混合型粒子群算法，即在搜尋前期采用極值變異的粒子群算法以增大粒子跳出局部最優陷阱的可能，在后期采用全局優化以改善收斂速度。經驗證，該混合算法表現良好。

算法公式為：

式中：

D1、D2——粒子的個體極值和群體極值變異因子；tP、Tp——粒子自身極值停滯次數和停滯次數閾值；tg、Tg——粒子群體極值停滯次數和停滯次數閾值。

算法流程見圖1。

圖1 極值變異的粒子群算法流程圖

3 算例分析

3.1 負荷數據及能源價格

本文以我國某地多能互補系統負荷數據為例進行驗證，詳細的冷熱電負荷需求【5】、實時電價、天然氣表見圖2、圖3、表1。

表1 天然氣價格、熱值表

圖2 典型日冷熱電負荷曲線

圖3 典型日實時電價曲線

3.2 系統設備參數

1）分布式發電設備參數

分布式發電設備包括風機發電和光伏發電兩種，參數見表2。

表2 WT、PV參數

在最大功率跟蹤模式下，選取的風力發電單元和光伏發電單元的典型日發電功率預測見圖4、圖5。

圖4 典型日風力發電功率曲線

圖5 典型日光伏發電功率曲線

2）分布式儲能設備參數

分布式儲能設備包括蓄電池儲電設備、熱水蓄熱器儲熱設備、蓄冰空調儲冷設備三種，儲能設備參數見表3。

表3 分布式儲能設備單元參數

3）CCHP聯供系統設備參數

CCHP聯供系統中，燃氣鍋爐、燃氣輪機的出力由燃料量決定，電制冷機的功率由用電量決定，屬于主動設備。而余熱鍋爐和吸收式制冷機具體出力受到前序工段設備的出力狀況及系統優化需求的影響，屬于從動設備。主動設備和從動設備參數見表4和表5【6】。

表4 聯供系統主動設備主要參數

表5 聯供系統從動設備主要參數

3.3 優化結果

利用3．1和3．2給出的具體數據，對多能互補運行模式下進行了多能互補微網系統能量調度優化求解，結果見圖6、7、8。

圖6 GT、HRB、AC運行計劃

圖7 BSE、ISE、HSE運行計劃

圖8 GRID、EC、GB運行計劃

在多能互補模式下，該系統在一個典型日的優化運行成本為20 880．74元，CO2排放量為15 745．68 kg。

3.4 算法收斂性分析

本文采用了帶有極值變異因子的混合型粒子群算法，粒子群規模選取如下：

粒子數N=400

粒子維數D=216

為了驗證收斂結果的正確性，給定了2 000次的迭代深度，以防止出現粒子提前停止搜索的情況。

經過多次優化運算后，最終結果表明，算法能在迭代次數500次內收斂到優化解，由于粒子的起始位置隨機，個別情況下粒子群的迭代次數在100次以內就能完全收斂，具體收斂情況見圖9。

圖9 適應值收斂趨勢

采用基本粒子群算法、極值變異粒子群算法和極值變異混合型粒子群算法進行優化計算，多次運行后，以平均迭代次數表示收斂速度，以平均運行成本表示收斂精度，最終結果見表6。

表6 不同粒子群算法收斂結果

從表6中可看出，全局版本的基本粒子群算法雖然收斂速度快，但容易陷入局部最優，導致收斂精度差；極值變異的粒子群算法收斂精度最高，但收斂速度最慢;極值變異混合型粒子群算法兼顧了收斂速度和收斂精度，求解效果最好。

4 小結

本文先對多能互補微網系統的設備和負荷進行分類，在此基礎上提出了相應的能量管理策略，再在保證負荷的前提下，對多目標問題給出了目標函數和約束條件，最后提出了極值變異的混合型粒子群算法。