計及經濟性和可靠性因素的區域綜合能源系統雙層協同優化配置

邊曉燕 史越奇 裴傳遜 崔 勇 林順富

計及經濟性和可靠性因素的區域綜合能源系統雙層協同優化配置

邊曉燕1史越奇1裴傳遜2崔 勇3林順富1

（1. 上海電力大學電氣工程學院 上海 200090 2. 國網浙江省電力公司寧波供電公司 寧波 315000 3. 國網上海市電力公司 上海 200122）

現有的區域綜合能源系統優化配置方法在可靠性約束條件下求得經濟性最優，容易產生過度投資或可靠性不足等問題，限制了配置方案的可選擇性和實用性。為了解決上述問題，該文基于區域綜合能源系統狀態轉移時序性模型，以經濟性和可靠性作為優化目標，建立了區域綜合能源系統規劃與運行相結合的雙層多目標優化配置模型。上層規劃模型以系統年凈成本和綜合缺能率最小為目標，采用NSGA-II算法求取配置方案的Pareto最優解集；下層優化運行模型將上層模型確定的配置方案轉換為線性約束條件，以系統切負荷量最低和運行經濟性最優為目標實現系統的優化運行，采用序貫蒙特卡洛法對運行可靠性進行量化，并將運行成本和可靠性量化值反饋至上層模型。通過某區域綜合能源微網系統進行算例驗證，分析了不同配置方案經濟性和可靠性之間的關系，并通過給出最優解集的方式實現了多目標優化方案的可選擇性。

區域綜合能源系統 雙層優化配置 多目標規劃 馬爾可夫過程 可靠性量化 序貫蒙特卡洛方法

0 引言

區域綜合能源系統（Integrated Community Energy System, ICES）位于能源消費的終端環節，其以微網作為主要構成形式，有助于實現多能互補，提高能源利用率[1]。ICES的優化配置是實現其安全、可靠、經濟供能的重要環節，然而現有的優化配置方法對其可靠性的考慮不夠充分和精細化。具體表現為，現有研究大多采用傳統的狀態枚舉法[2-3]或非序貫蒙特卡洛模擬法[4]對供能不足期望值（Expected Energy Not Serve, EENS）指標進行量化，并通過添加相應約束條件的方式[2-4]提升配置方案的可靠性。該方法極易造成配置方案的可靠性不滿足要求，或為了滿足可靠性約束而造成過度投資，不利于對可靠性和經濟性進行協同優化。因此，有必要對ICES優化配置中的可靠性問題進行更深入的研究。

國內外學者在ICES優化配置方面已開展了較多的研究。文獻[5-9]以系統投資成本、運營成本和維護成本最低為優化目標；文獻[10-11]在考慮可再生能源接入的場景下，對系統全壽命周期成本和碳排放量最低進行多目標優化。然而，上述文獻在規劃模型中僅考慮了系統的經濟性和環境效益等方面，均未涉及可靠性問題，從而導致其配置方案缺乏實用性。

目前，針對ICES可靠性方面的研究正處于起步階段。文獻[4]提出了一種基于粒子群-內點混合優化的ICES可靠性評估方法，并分析了可再生能源接入對系統可靠性的影響；文獻[12]提出了反映綜合能源系統薄弱環節的元件“閥級”指標，文獻[13]在此基礎上建立一種基于馬爾可夫過程蒙特卡洛法（Monte Carlo Simulation, MCS）的綜合能源系統可靠性評估方法。在考慮可靠性的ICES規劃研究方面，文獻[2]提出了一種含供能可靠性約束的電-熱能量樞紐線性規劃模型；文獻[3]建立了含能源自給率、利用率和N-1供能缺額期望約束的ICES優化配置模型；文獻[14]提出了一種基于經濟性優化和可靠性校驗循環迭代的ICES優化規劃模型。在上述研究中，所提出的ICES規劃模型加入了可靠性約束，能夠確保產生的規劃方案滿足相應的可靠性要求。然而，僅在約束條件中考慮系統的可靠性容易使規劃方案偏向于保守，從而造成冗余設備的增加和過度投資等問題；另一方面，單目標規劃方法的規劃結果較為單一，無法體現經濟性和可靠性之間的關系，同時也不利于為規劃人員的決策提供參考。

將可靠性作為規劃目標的難點在于采用合適的方法實現可靠性量化，而目前尚沒有文獻在ICES規劃的目標函數中引入可靠性指標。可靠性量化方法主要分為狀態枚舉法和模擬法兩大類。狀態枚舉法的評估狀態數量隨著系統元件的增加而呈指數級增長，因此該方法僅適用于故障元件較少的系統；模擬法又分為非序貫蒙特卡洛法和序貫蒙特卡洛法兩種，其中后者能夠在抽樣的過程中考慮系統在時間序列上的變化，從而可以實現對含有儲能和可再生能源等時序強相關性設備的系統進行可靠性量化。目前，國內外已有較多的研究采用序貫蒙特卡洛法對可靠性進行量化。文獻[15-18]采用該方法對輸電系統的可靠性進行了研究，文獻[19-21]對配電網的可靠性進行了研究。而將序貫蒙特卡洛法應用于ICES可靠性量化方面的研究，目前尚處于起步階段。

本文建立一種考慮經濟性和可靠性目標的ICES規劃與運行相結合的多目標優化配置模型，該模型采用雙層規劃的基本結構。其中，上層為多目標規劃模型，以系統年凈成本和綜合缺能率指標最小為目標函數，通過NSGA-II多目標遺傳算法求解出相應的非支配最優基因序列集，從而求得規劃方案的Pareto最優解集；下層為優化運行模型，其將上層模型確定的配置方案轉換為線性約束條件，以系統切負荷量最低和運行經濟性最優為目標實現系統的優化運行，采用序貫蒙特卡洛法對運行可靠性進行量化，并將運行成本和可靠性量化值反饋至上層模型。通過上、下層模型之間的遞歸迭代，從而實現ICES的多目標優化配置。最后，以某ICES微網系統為例對上述模型進行驗證。

1 區域綜合能源系統時序性建模

區域綜合能源系統以電能和天然氣作為能源輸入，通過多種能量轉換設備之間的相互耦合，實現用戶側的冷、熱、電聯合供應。本文基于能量樞紐（Energy Hub, EH）模型對ICES進行建模，考慮的能量轉換設備包括：熱電聯供系統（Combined Heat and Power, CHP）、燃氣鍋爐（Gas Boiler, GB）、電鍋爐（Electric Boiler, EB）、吸收式制冷機（Electric Cooler, EC）和壓縮式制冷機（Absorption Cooler, AC）。同時，為了實現ICES對可再生能源的消納，在供電子系統中安裝一定數量的分布式光伏（Photovoltaic, PV）和風機（Wind Turbine, WT）；為了提高系統運行的經濟性和靈活性，在ICES中配置了儲能設備，包括蓄電池（Battery, BT）、儲熱設備（Heat Storage Equipment, HSE）和儲冷設備（Ice-thermal Storage Equipment, ISE），從而實現能量在時間維度上的轉移。本文考慮的ICES結構如圖1所示。

圖1 區域綜合能源系統結構示意圖

由于本文的多目標優化配置模型中涉及可靠性的評估，因此除了考慮各設備正常運行狀態之外，還需要對能量轉換設備故障停運的隨機性和規律性建立時序性模型。首先對ICES中各能量轉換設備和儲能設備建立運行狀態下的數學模型；同時，針對系統運行過程中能量轉換設備隨機停運的現象，本節采用兩狀態馬爾可夫過程進行建模，并且對其多時段系統狀態序列的抽樣生成方法進行敘述。

1.1 能量轉換設備模型

能量轉換設備是實現多能互補的關鍵環節。本文參考文獻[22-26]，分別對上述能量轉換設備進行建模。

1.1.1 供熱設備模型

ICES的熱源由CHP機組、GB和EB共同提供。CHP通過消耗天然氣從而產生電能和熱能，其包括燃氣輪機（Gas Turbine，GT）和余熱鍋爐（Heat Recovery Boiler，RB）兩部分，即

當熱負荷的需求大于CHP所能提供的最大熱負荷時，就需要由GB和EB來參與提供熱負荷，兩者的數學模型為

1.1.2 供冷設備模型

ICES的冷源由AC和EC分別從電能和熱能轉換而來，兩者的數學模型為

1.1.3 供電設備模型

電能除了向外部電網購電和由CHP系統提供之外，還可以通過配置PV和WT兩種分布式可再生能源來提供。兩者的具體原理由于篇幅所限，在此不進行詳細介紹。本文將PV和WT等效為一種需求量為負值的可削減負荷，具體數學模型為

1.2 儲能設備模型

ICES中的儲能設備包括BT、HSE和ISE，其能夠實現電能、熱能、冷能在時間序列上的轉移，從而為系統優化運行和可靠性的提升提供更大的靈活性。本文采用一種廣義儲能動態通用模型對上述三種儲能系統進行建模[27-28]。該模型以儲能系統內儲存的能量作為其狀態變量，以儲能系統的充放能功率作為控制變量，通過各時段間的相互遞推從而求得其整個運行過程中的狀態變化。其遞推關系為

1.3 設備狀態轉移時序性模型

圖2 設備狀態變化的馬爾可夫過程

序貫蒙特卡洛模擬法通過抽取系統狀態的隨機序列，從而實現對系統時序性變化的模擬[16, 29]。本文采用的系統狀態序列抽樣方法步驟如下：

2 多目標優化配置模型及其求解算法

本文所提出的ICES多目標雙層優化配置模型分別從經濟性和可靠性兩方面對系統中各能量轉換設備的型號、臺數以及儲能系統的容量進行優化配置。本節將分別從模型的總體思路、上層規劃模型、下層優化運行模型和求解算法方面對該模型進行詳細敘述。

2.1 模型思路

區域綜合能源系統是一個集多種能源形式的儲存、轉換和供應于一體的多輸入多輸出系統。其性能一方面與系統的硬件配置，比如各能量轉換設備和儲能設備的容量和參數有關；另一方面，在相同的硬件配置條件下，系統的運行方式也會對系統性能產生舉足輕重的影響。因此，在ICES的規劃問題中，需要同時考慮系統硬件配置和優化運行兩方面的雙重影響。傳統單層規劃方法難以同時協調系統的規劃和優化運行，容易造成模型的維數過高，難以求解。而雙層規劃方法具有模型層次清晰、便于針對上下層模型分別采用不同的求解算法等特點，目前在配電網規劃中已有廣泛應用[30]。因此，本文基于雙層規劃的基本思想來實現ICES的協調規劃與優化運行。

本文將ICES優化配置問題分為兩個層次：上層模型根據系統的經濟性和可靠性目標進行設備的優化配置，其確定的配置方案作為下層模型的輸入條件；下層模型在上層模型確定的配置方案基礎上，通過優化運行求得系統的最優可靠性和對應的運營成本，為上層模型規劃方案的迭代改進提供依據。該模型的總體結構如圖3所示。

在上層規劃模型中，系統的經濟性和可靠性是兩個相互制約的評價指標，且具有完全不同的量綱。傳統的處理方式是將兩者通過加權平均合并為單一的目標函數，該種方法對優化算法的要求較低，但是較難保證權重系數選擇的合理性。本文的上層模型采用基于Pareto最優原理的多目標規劃方法，其能夠實現兩個不同量綱目標函數之間的協同優化，從而避免了權重系數對規劃結果的干擾。

下層優化運行模型的作用是在給定ICES配置方案的情況下求出系統能夠達到的最優可靠性指標，同時計算該種情況下系統的運營成本。首先，根據1.3節中的系統狀態抽樣方法生成一定時間長度的系統狀態序列樣本，并將該系統狀態序列劃分為若干個運行周期；隨后，分別針對每個運行周期，以可靠性最優為主要目標權重進行運行方式的優化，優化對象是一組時序性變量，包括ICES中各能量轉換設備和儲能設備在各時段內的出力大小和運行方式，以及各時段的負荷控制量；最后，對各運行周期在最優運行方式下的可靠性指標和運營成本進行統計，求出系統最優可靠性與運營成本的數學期望。該種方法能夠充分考慮設備狀態變化在時序性上的關聯性，相比傳統非序貫模擬方法更具真實性；同時，對時序性樣本的多時段聯合優化運行，能夠使儲能系統的運行方式根據能量轉換設備的故障狀態而進行相應的調整，更充分地考慮了儲能在提升可靠性方面的優勢和作用。

圖3 ICES多目標雙層優化配置模型結構示意圖

2.2 上層規劃模型

上層規劃模型是一個多目標非線性最優化問題，其優化變量為各型號設備的安裝臺數，且均為整數變量。

2.2.1 目標函數

考慮到ICES的能量供應涉及電、熱、冷多種能源形式，因此本文基于電力系統可靠性評價中的電能不足期望值指標EENS的基本原理，將其拓展至多種能源形式。本文的可靠性目標為

2.2.2 約束條件

2.3 下層優化運行模型

下層優化運行模型在給定ICES配置和能量轉換設備狀態序列的前提條件下進行系統運行方式的優化，其優化變量包括設備出力、負荷削減量、儲能SOC狀態等連續型變量。通過線性化建模，得到一個含有等式、不等式和上下限約束的線性規劃問題。

2.3.1 目標函數

2.3.2 約束條件

ICES中的多種能源通過各自的供能子系統進行匯集和分配，其在運行過程中需要滿足自身的能量平衡約束。根據圖1所示，各時刻供氣子系統、供電子系統、供熱子系統和供冷子系統的能量平衡約束分別如式（16）～式（19）所示。

不同能源間的轉換關系約束可由式（1）～式（4）來表示。同時，各能量轉換設備還需滿足出力上、下限約束，即

受到外部電網聯絡線和天然氣聯絡管道的傳輸容量限制，各時段ICES向外部電網的購電功率和購氣速率也應滿足

各儲能設備的充放能功率和狀態變量間的等式約束如式（5）所示。同時，儲能設備的存儲容量和充放能功率需滿足上、下限約束，即

因ICES中的能量轉換設備發生故障而無法滿足用戶的綜合能源需求時，需要通過直接負荷控制的方式中斷或削減一定量的負荷，則用戶電、熱、冷負荷的削減量應滿足

2.4 模型求解算法

上層規劃模型是一個非線性整數多目標優化問題，目前對于該類問題尚缺乏有效的數學優化方法。本文采用NSGA-II算法對上層模型進行求解，該算法是一種帶有精英策略的非支配排序遺傳算法，能夠通過有限的迭代次數尋找出一組符合條件的Pareto最優解集。下層優化運行模型需要對整個模擬周期內的運行方式進行優化，是一個高維數的線性規劃問題。為了降低其求解難度，本文根據日前優化調度的思想，以每天為一個運行周期的方式，將整個模擬周期劃分為多個階段，并采用線性規劃算法分別對其進行求解，從而形成包含多個子問題的多階段規劃模型。

模型的求解算法步驟如下：

（2）產生2個初始個體，并對不滿足約束條件的個體進行修正。

（4）采用錦標賽法對種群進行非支配排序，并通過精英保留策略淘汰個非優越個體。

（5）對剩余個體進行遺傳操作，并將子代與父代合并成一個數量為2的新種群。

（6）重復執行步驟（3）～步驟（5）。若算法達到收斂條件，則選取排名最前的非支配集中的所有個體作為Pareto最優解集，輸出規劃結果。

3 算例

為了驗證序貫蒙特卡洛法的有效性及其參數設置的合理性，本文隨機生成了若干種不同的ICES配置方案，并采用序貫蒙特卡洛法對其分別進行模擬。部分方案的收斂過程如圖4所示，其中不同的線型分別對應著不同的隨機配置方案。可以看出，隨著參與模擬的運行周期數不斷增加，可靠性指標和經濟性指標均逐漸收斂于一定范圍內，其結果能夠反映出ICES在不同配置方案下的可靠性和經濟性差異。因此，綜合考慮算法的精度和時間成本，選取運行周期數為6 000天較為合理。

圖4 序貫蒙特卡洛模擬的收斂過程

本文將通過四種不同場景之間對比的方式來驗證本文提出的優化配置方法的有效性與合理性。各場景對比分析結果見表1。其中，場景1與場景2采用的是傳統的單目標優化配置方法，其可靠性約束值分別按高可靠性和低可靠性進行取值，根據ICES中綜合負荷的容量分別取EENS小于2 000kW·h/年和20 000kW·h/年；場景3與場景4采用本文提出的以經濟性和可靠性最優為目標的優化配置方法，并對是否考慮安裝儲能設備情況下的優化配置結果進行了對比。

表1 對比場景分析

Tab.1 Scenes for analysis and comparison

3.1 多目標優化配置與傳統配置對比分析

不同場景下產生的解集分布如圖5所示，圖中的每個點代表一種ICES配置方案。可以看出，傳統單目標優化配置方法只能得到單一的配置方案，而本文的多目標優化配置方法得到的是一組Pareto最優解集。根據Pareto最優原理的非支配特性，每種配置方案之間并不存在孰優孰劣之分，而是在經濟性和可靠性目標之間各有側重。

圖5 ICES配置方案的解集分布圖

通過對比場景1和場景2可以看出，對于傳統優化配置方法，可靠性約束值的選取對優化配置方案的經濟性和可靠性都具有決定性的影響。然而，由于ICES系統的經濟性和可靠性之間存在著一定的矛盾關系，因此對可靠性的提升必然導致在經濟性方面的劣化。若對可靠性的約束過弱，則會使配置方案不滿足可靠性要求；若可靠性約束過強，則會導致配置方案過于保守，經濟性不滿足要求。而在ICES的規劃前期，上述規律是無法量化的，因此就導致規劃人員難以事先給定合適的可靠性約束值以使規劃結果同時滿足經濟性和可靠性的要求。

本文提出的ICES優化配置方法則不需要對該值進行事先給定，僅需輸入設備參數、價格、負荷曲線等算例基礎數據，即可通過多目標優化算法求出Pareto最優解集，從而完全避免了上述問題。此外，通過給出Pareto解集的分布圖，可以實現對經濟性指標和可靠性指標之間關聯性的直觀展示和量化分析，有助于為規劃人員的決策提供依據。

本文的優化配置模型采用序貫蒙特卡洛模擬法進行可靠性量化，其能夠在優化配置過程中實現對儲能等時序強相關性設備的可靠性影響進行模擬。通過對比場景3和場景4可以看出，當規劃模型中考慮了儲能的安裝后，Pareto最優解集的分布發生了一定的變化。場景4的解集分布總體上更接近坐標原點，由Pareto最優的基本原理和特性可知，其相比場景3是更優的。一方面，這是由于場景4允許配置儲能設備，從而為優化配置模型提供了更大的可行方案空間，使得規劃結果在經濟性和可靠性方面相比后者能夠實現更進一步的優化；另一方面，這也說明了本文模型由于采用序貫蒙特卡洛方法對可靠性進行量化，實現了對儲能等時序強相關性設備的協同優化，并在能夠在優化配置結果中加以體現。

3.2 多目標優化配置的典型方案分析

為了驗證本文優化配置模型的求解結果的合理性，基于上述場景3和場景4的Pareto最優解集，本節對其中的若干典型方案進行詳細分析。典型方案的基本信息見表2，其設備配置清單見表3。

表2 選取的典型方案基本信息

Tab.2 Basic informations of typical selected schemes

表3 典型方案的設備配置

Tab.3 Equipment configuration of typical schemes

在表2中，儲能設備包括蓄電池、儲熱和儲冷；供電設備包括燃氣輪機、分布式光伏和分布式風機；供熱設備包括余熱鍋爐、燃氣鍋爐和電鍋爐；供冷設備包括吸收式制冷機和電制冷機。將表2中的成本和可靠性數據分別以柱狀圖和折線圖來表示，如圖6所示。可以看到，方案1和方案2較為側重于可靠性目標，而方案3和方案4側重于經濟性目標。方案1和方案2具有相同的可靠性水平，但由于方案1考慮了儲能的安裝，因此相比方案2更具有經濟性。由圖中各部分成本的分布可知，方案1相比方案2增加了儲能的投資費用，但是得益于儲能的使用，其供熱、供冷設備安裝量和運維費用都顯著降低，從而能夠在更低的綜合成本情況下實現與方案2相同的可靠性水平。方案3與方案4的綜合成本基本一致，但是由于方案3安裝了儲能設備，使得其可靠性水平相較方案4而言有較大的優勢。

圖6 不同典型方案的經濟性和可靠性對比

通過表3可以看出，方案2不考慮安裝儲能設備，但是通過配置更多數量的能量轉換設備增加了面對故障時的設備冗余度，進而達到提升可靠性的目的。同理，通過方案3與方案4之間的對比也可發現類似的現象，只不過由于總投資成本有限，因此通過增加設備冗余度來提升可靠性的作用有限，從而使得方案4的可靠性水平仍不如方案3。

通過以上分析可得，在本文模型所求解出的Pareto最優解集中，對于側重經濟性的配置方案而言，其傾向于安裝更少的設備，尤其是燃氣輪機、蓄電池等較為昂貴的設備；而對于側重可靠性的配置方案而言，其傾向于安裝更大容量的儲能設備，或通過安裝多臺設備形成冗余的方式來提高系統可靠性。因此，本文提出的ICES優化配置模型中對經濟性和可靠性目標的協同優化，最終能夠在ICES的配置方案中有所體現。

3.3 優化配置方案的功率平衡分析

本節基于上述方案1的ICES配置情況，分別對下層模型在正常運行和故障兩種狀態下的功率平衡情況進行分析，從而驗證其有效性。在春季典型場景下通過本文的下層優化運行模型進行求解，結果如圖7所示。

在圖7a中，ICES中各設備的運行狀態滿足綜合效益最優的目標。結合附圖2的電價曲線可知，當電價處于低谷時，ICES消耗的電能主要以向電網購電為主；當電價處于高峰時，系統通過燃氣輪機進行發電，同時將多余的電能出售至電網，從而實現了ICES的經濟運行。同時，蓄電池的運行方式也符合“低充高放”的策略。可以看到，蓄電池在電價低谷時充電，并在電價高峰時輔助燃氣輪機、風機和光伏為各類用電設備供電，從而有利于進一步降低系統的購電成本，提高經濟性。

設備發生故障情況下的ICES電功率平衡曲線如圖7b所示。15時起，燃氣輪機發生故障，且在該運行日內未得到修復。可以看到，故障發生后原來由燃氣輪機提供的電能轉而通過向電網購電獲得，同時電鍋爐的耗電量明顯增加。由于燃氣輪機的作用除了發電之外，還可以通過余熱鍋爐對余熱進行回收利用，從而實現熱電聯供。因此當燃氣輪機故障之后，不僅因為電能的供需平衡被打破而需要向電網購電，而且熱能的供給也出現了缺口，因此需要通過增加電鍋爐的出力來彌補，從而造成電能的需求量進一步上升。

圖7 正常運行和故障情況下的電功率平衡曲線

由此可見，作為雙層優化配置模型中的重要組成部分，本文所提出的下層模型能夠在ICES正常運行和設備停運兩種情況下分別對系統各設備的出力進行求解。通過結合序貫蒙特卡洛法生成的多設備隨機停運狀態序列進行ICES的全周期運行模擬及上、下層模型之間的遞歸迭代，能夠實現將多目標規劃與優化運行相協同，從而使本文模型所求解出的規劃方案更符合實際情況。

4 結論

本文考慮經濟性和可靠性因素，建立了區域綜合能源系統規劃與運行相結合的雙層多目標優化配置模型，并在模型中采用序貫蒙特卡洛法實現對配置方案的可靠性進行定量評價。通過對區域綜合能源系統的優化配置結果進行分析，可以得到如下結論：

1）對于本文所提出的區域綜合能源系統雙層多目標優化配置來說，降低系統綜合缺能量期望值與降低綜合年化成本之間存在著一定的矛盾關系。本文的多目標優化配置方法能夠給出配置方案的Pareto最優解集，相比以往的單目標優化方法能夠為規劃人員提供更加多樣化和精細化的選擇，有助于其根據實際需求進行最終決策。

2）對比在算例中考慮蓄電池、儲熱設備和儲冷設備及不考慮上述設備兩種情況下的優化結果可知，前者的Pareto最優解集在可靠性和經濟性方面都具有一定優勢。

3）通過將下層優化運行模型與序貫蒙特卡洛模擬法進行結合，能夠對區域綜合能源系統中各設備的時序性狀態變化及其運行情況進行模擬，從而在算法迭代過程中實現了對配置方案運行可靠性的量化。

在后續的研究工作中，將對序貫蒙特卡洛模擬方法進行改進，同時在模型中考慮故障恢復策略對可靠性的影響。在規劃層面，除了單個區域綜合能源系統的優化配置之外，還將對多個系統之間的協同規劃問題開展更深入的研究。

附 錄

附表1 ICES設備基本參數

App.Tab.1 Basic parameter of equipments in ICES

設備名稱型號容量上限（下限）投資成本/萬元效率（%） 燃氣輪機Ⅰ型500(5)kW455.6 電：20熱：45 Ⅱ型1 000(10)kW884.6 電：24熱：52 Ⅲ型1 500(15)kW1 239.0電：28熱：54 燃氣鍋爐Ⅰ型800(8)kW200.0 75 Ⅱ型1 000(10)kW210.0 88 電鍋爐Ⅰ型800(8)kW200.0 75 Ⅱ型1 000(10)kW210.0 88 余熱鍋爐Ⅰ型400kW34.0 80 Ⅱ型600kW40.3 86 吸收式制冷機Ⅰ型200kW24.6 141 Ⅱ型400kW38.9 144

（續）

設備名稱型號容量上限（下限）投資成本/萬元效率（%） 電制冷機Ⅰ型200kW33.0 310 Ⅱ型400kW48.0 420 蓄電池Ⅰ型1 000kW1 800(400)kW·h374.0 充能：75放能：75 Ⅱ型2 000kW3 600(800)kW·h673.0 充能：75放能：75 Ⅲ型3 000kW5 400(1 200)kW·h868.0 充能：75放能：75 儲熱設備Ⅰ型2 000kW3 600(800)kW·h40.0充能：90放能：90 Ⅱ型4 000kW7 200(1 600)kW·h72.0充能：90放能：90 儲冷設備Ⅰ型2 000kW3 600(800)kW·h76.0充能：65放能：65 Ⅱ型4 000kW7 200(1 600)kW·h108.0充能：65放能：65 風機—200kW120.0 — 光伏—100kW127.0 — 購電—5 000kW—— 購氣—2 500m3/h——

附表2 ICES設備故障參數

App.Tab.2 Failure parameter of equipments in ICES

設備名稱型號故障率/（次/天）修復時長/天 燃氣輪機Ⅰ型0.005 479 451.5 Ⅱ型 Ⅲ型 燃氣鍋爐Ⅰ型0.011 000 000.5 Ⅱ型 電鍋爐Ⅰ型0.011 000 000.5 Ⅱ型 余熱鍋爐Ⅰ型0.002 739 730.5 Ⅱ型 吸收式制冷機Ⅰ型0.001 369 861 Ⅱ型 電制冷機Ⅰ型0.000 913 241 Ⅱ型

（續）

設備名稱型號故障率/（次/天）修復時長/天 蓄電池Ⅰ型—— Ⅱ型 Ⅲ型 儲熱設備Ⅰ型—— Ⅱ型 儲冷設備Ⅰ型—— Ⅱ型 風機——— 光伏——— 購電—0.003 058 000.5 購氣—0.003 058 000.5

附圖1 典型電-熱-冷負荷曲線

App.Fig.1 Typical electricity, heat & cold demands

附圖2 外部電網購電電價

App.Fig.2 Real time price of electricity in outer grid

附圖3 典型光伏和風機出力曲線

App.Fig.3 Typical PV & WT outputs

[1] 余曉丹, 徐憲東, 陳碩翼, 等. 綜合能源系統與能源互聯網簡述[J]. 電工技術學報, 2016, 31(1): 1-13.

Yu Xiaodan, Xu Xiandong, Chen Shuoyi, et al. A brief review to integrated energy system and energy internet[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.

[2] Shahmohammadi A, Moradi-Dalvand M, Ghasemi H, et al. Optimal design of multicarrier energy systems considering reliability constraints[J]. IEEE Transactions on Power Delivery, 2015, 30(2): 878-886.

[3] 林曉明, 張勇軍, 陳伯達等. 計及多評價指標的園區能源互聯網雙層優化配置[J]. 電力系統自動化, 2019, 43(20): 8-15.

Lin Xiaoming, Zhang Yongjun, Chen Boda, et al. Bi-level optimal configuration of park energy internet considering multiple evaluation indicators[J]. Automation of Electric Power Systems, 2019, 43(20): 8-15.

[4] 張弛, 唐慶華, 嚴瑋, 等. 基于粒子群-內點混合優化算法的區域綜合能源系統可靠性評估[J]. 電力建設, 2017, 38(12): 104-111.

Zhang Chi, Tang Qinghua, Yan Wei, et al. Reliability evaluation of integrated community energy system based on particle-swarm-interior-point hybrid optimization algorithm[J]. Electric Power Construction, 2017, 38(12): 104-111.

[5] 馬溪原, 郭曉斌, 雷金勇, 等. 面向多能互補的分布式光伏與氣電混合容量規劃方法[J]. 電力系統自動化, 2018, 42(4): 55-63.

Ma Xiyuan, Guo Xiaobin, Lei Jinyong. Capacity planning method of distributed PV and P2G in multi-energy coupled system[J]. Automation of Electric Power Systems, 2018, 42(4): 55-63.

[6] 林順富, 劉持濤, 李東東, 等. 考慮電能交互的冷熱電區域多微網系統雙層多場景協同優化配置[J]. 中國電機工程學報, 2020, 40(5): 1409-1421.

Lin Shunfu, Liu Chitao, Li Dongdong, et al. Bi-level multiple scenarios collaborative optimization configuration of CCHP regional multi-microgrid system considering power interaction among microgrids[J]. Proceedings of the CSEE, 2020, 40(5): 1409-1421.

[7] Wang Yi, Zhang Ning, Zhuo Zhenyu, et al. Mixed-integer linear programming-based optimal configuration planning for energy hub: Starting from scratch[J]. Applied Energy, 2018, 210: 1141-1150.

[8] Huang Wujing, Zhang Ning, Yang Jingwei, et al. Optimal configuration planning of multi-energy systems considering distributed renewable energy[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1452-1464.

[9] 周長城, 馬溪原, 郭祚剛, 等. 面向工程應用的用戶級綜合能源系統規劃[J]. 電工技術學報, 2020, 35(13): 2843-2854.

Zhou Changcheng, Ma Xiyuan, Guo Zuogang, et al. User-level integrated energy system planning for engineering applications[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2843-2854.

[10] 劉維康, 王丹, 余曉丹, 等. 考慮電氣轉換儲能和可再生能源集成的微能源網多目標規劃[J]. 電力系統自動化, 2018, 42(16): 11-20.

Liu Weikang, Wang Dan, Yu Xiaodan, et al. Multi-objective planning of micro energy network considering P2G-based storage system and renewable energy integration[J]. Automation of Electric Power Systems, 2018, 42(16): 11-20.

[11] Mavromatidis G, Orehounig K, Carmeliet J. Design of distributed energy systems under uncertainty: a two-stage stochastic programming approach[J]. Applied Energy, 2018, 222: 932-950.

[12] 李更豐, 別朝紅, 王睿豪, 等. 綜合能源系統可靠性評估的研究現狀及展望[J]. 高電壓技術, 2017, 43(1): 114-121.

Li Gengfeng, Bie Zhaohong, Wang Ruihao, et al. Research status and prospects on reliability evaluation of integrated energy system[J]. High Voltage Engineering, 2017, 43(1): 114-121.

[13] 倪偉, 呂林, 向月, 等. 基于馬爾可夫過程蒙特卡洛法的綜合能源系統可靠性評估[J]. 電網技術, 2020, 44(1): 150-158.

Ni Wei, Lü Lin, Xiang Yue, et al. Reliability evaluation of integrated energy system based on Markov process Monte Carlo method[J]. Power System Technology, 2020, 44(1): 150-158.

[14] 孫強, 高松, 謝典, 等. 協調可靠性與經濟性的園區綜合能源系統優化規劃[J]. 電力系統及其自動化學報, 2020, 32(4): 76-82.

Sun Qiang, Gao Song, Xie Dian, et al. Optimum planning for integrated community energy system with coordination of reliability and economy[J]. Proceedings of the CSU-EPSA, 2020, 32(4): 76-82.

[15] 石文輝, 別朝紅, 王錫凡. 大型電力系統可靠性評估中的馬爾可夫鏈蒙特卡洛方法[J]. 中國電機工程學報, 2008, 28(4): 9-15.

Shi Wenhui, Bie Zhaohong, Wang Xifan. Applications of Markov chain Monte Carlo in large-scale system reliability evaluation[J]. Proceedings of the CSEE, 2008, 28(4): 9-15.

[16] Gonzalez-Fernandez R A, Leite Da Silva A M. Reliability assessment of time-dependent systems via sequential cross-entropy Monte Carlo simulation[J]. IEEE Transactions on Power Systems, 2011, 26(4): 2381-2389.

[17] 汪海瑛, 白曉民, 許婧. 考慮風光儲協調運行的可靠性評估[J]. 中國電機工程學報, 2012, 32(13): 13-20.

Wang Haiying, Bai Xiaomin, Xu Jing. Reliability assessment considering the coordination of wind power, solar energy and energy storage[J]. Proceedings of the CSEE, 2012, 32(13): 13-20.

[18] González-Fernández R A, Oviedo-Sanabria R E, Da Silva A M, et al. Generating capacity reliability assessment of the Itaipu hydroelectric plant via sequential Monte Carlo simulation[C]//2014 Power Systems Computation Conference, 2014: 1-7.

[19] 李江, 劉偉波, 李國慶, 等. 基于序貫蒙特卡洛法的直流配電網可靠性評估與預測[J]. 太陽能學報, 2018, 39(1): 154-162.

Li Jiang, Liu Weibo, Li Guoqing, et al. DC distribution networks reliability evaluation and prediction based on sequential Monte Carlo method[J]. Acta Energiae Solaris Sinica, 2018, 39(1): 154-162.

[20] 李振坤, 李一驕, 張代紅, 等. 儲能設備對有源配電網供電可靠性的影響分析及優化配置[J]. 電網技術, 2018, 42(11): 3676-3683.

Li Zhenkun, Li Yijiao, Zhang Daihong, et al. Influence analysis of energy storage device on reliability of distribution network and its optimal allocation[J]. Power System Technology, 2018, 42(11): 3676-3683.

[21] 丁明, 胡迪, 畢銳, 等. 含高滲透率可再生能源的配電網可靠性分析[J]. 太陽能學報, 2020, 41(2): 194-202.

Ding Ming, Hu Di, Bi Rui, et al. Reliability analysis of distribution system containing high penetration renewable energy[J]. Acta Energiae Solaris Sinica, 2020, 41(2): 194-202.

[22] 吳福保, 劉曉峰, 孫誼前, 等. 基于冷熱電聯供的多園區博弈優化策略[J]. 電力系統自動化, 2018, 42(13): 68-74.

Wu Fubao, Liu Xiaofeng, Sun Yiqian, et al. Game optimization strategy for multiple parks based on combined cooling heating and power[J]. Automation of Electric Power Systems, 2018, 42(13): 68-74.

[23] 馬騰飛, 吳俊勇, 郝亮亮, 等. 基于能源集線器的微能源網能量流建模及優化運行分析[J]. 電網技術, 2018, 42(1): 179-186.

Ma Tengfei, Wu Junyong, Hao Liangliang, et al. Energy flow modeling and optimal operation analysis of micro energy grid based on energy hub[J]. Power System Technology, 2018, 42(1): 179-186.

[24] 王祺, 王承民, 謝寧, 等. 混合CVaR-IGDT的區域綜合能源系統擴展規劃模型[J]. 電網技術, 2020, 44(2): 505-513.

Wang Qi, Wang Chengmin, Xie Ning, et al. A hybrid CVaR-IGDT expansion planning model for regional integrated energy system[J]. Power System Technology, 2020, 44(2): 505-513.

[25] 張雨曼, 劉學智, 嚴正, 等. 光伏-儲能-熱電聯產綜合能源系統分解協調優化運行研究[J]. 電工技術學報, 2020, 35(11): 2372-2386.

Zhang Yuman, Liu Xuezhi, Yan Zheng, et al. Decomposition-coordination based optimization for PV-BESS-CHP integrated energy systems[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2372-2386.

[26] 尹斌鑫, 苗世洪, 李姚旺, 等. 先進絕熱壓縮空氣儲能在綜合能源系統中的經濟性分析方法[J]. 電工技術學報, 2020, 35(19): 4062-4075.

Yin Binxin, Miao Shihong, Li Yaowang, et al. Study on the economic analysis method of advanced adiabatic compressed air energy storage in integrated energy system[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4062-4075.

[27] 刁涵彬, 李培強, 王繼飛, 等. 考慮電/熱儲能互補協調的綜合能源系統優化調度[J]. 電工技術學報, 2020, 35(21): 4532-4543.

Diao Hanbin, Li Peiqiang, Wang Jifei, et al. Optimal dispatch of integrated energy system considering complementary coordination of electric/thermal energy storage[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4532-4543.

[28] 刁涵彬, 李培強, 呂小秀, 等. 考慮多元儲能差異性的區域綜合能源系統儲能協同優化配置[J]. 電工技術學報, 2021, 36(1): 151-165.

Diao Hanbin, Li Peiqiang, Lü Xiaoxiu, et al. Coordinated optimal allocation of energy storage in regional integrated energy system considering the diversity of multi-energy storage[J]. Transactions of China Electrotechnical Society, 2021, 36(1): 151-165.

[29] 李謙. 計及極端天氣與風電接入的系統運行風險評估[D]. 濟南: 山東大學, 2015.

[30] 肖白, 郭蓓. 配電網規劃研究綜述與展望[J]. 電力自動化設備, 2018, 28(12): 200-217.

Xiao Bai, Guo Bei. Review and prospect of distribution network planning[J]. Electric Power Automation Equipment, 2018, 28(12): 200-217.

Bi-Level Collaborative Configuration Optimization of Integrated Community Energy System Considering Economy and Reliability

Bian Xiaoyan1Shi Yueqi1Pei Chuanxun2Cui Yong3Lin Shunfu1

（1. Shanghai University of Electric Power Shanghai 200090 China 2. State Grid Zhejiang Province Ningbo Power Supply Company Ningbo 315000 China 3. State Grid Shanghai Municipal Electric Power Company Shanghai 200122 China）

In order to consider the economy and reliability of integrated community energy system (ICES) in planning, in traditional planning approaches, the goal of minimizing the ICES total cost under constraints of load supply reliability was achieved. But the relationship between economy and reliability of ICES was ignored in traditional approaches, which had defects that the selectivity and practicability of configuration schemes were limited, and led to problems such as excessive investment or insufficient reliability. In this paper, a bi-level multi-objective ICES optimal configuration model considering economical and reliable optimization objectives was proposed. Planning and optimal operation of ICES were combined in the model, and time sequence characteristic of equipment states transition was considered. The model was divided into two levels: in the upper level, the minimum comprehensive cost and expected energy not serve (EENS) were obtained, and the NSGA-II algorithm was applied to obtain the Pareto optimal solutions of the configuration scheme; in the lower level, the configuration scheme obtained by the upper level was converted into linear constraints, then the loss of load capacity and operation cost were minimized to achieve the optimal operation of the system. Sequential Monte Carlo simulation method was applied to quantify the reliability, then the operation cost and quantified value of reliability were fed back to the upper level. To verify the proposed ICES planning approach, the configuration optimization of a microgrid-based ICES was investigated, and the relationship between the economics and reliability of different configuration schemes was analyzed. Finally, the selectivity of multi-objective optimization schemes was realized by giving the Pareto optimal solutions.

Integrated community energy system(ICES), bi-level optimization configuration, multi-objective planning, Markov process, reliability quantification, sequential Monte Carlo simulation

10.19595/j.cnki.1000-6753.tces.201214

TM715

國家自然科學基金（51977127）、上海市科學技術委員會（19020500800）和上海市教育發展基金會和上海市教育委員會“曙光計劃”（20SG52）資助項目。

2020-09-15

2021-02-26

邊曉燕 女，1976年生，博士，教授，研究方向為電力系統穩定與控制、風力發電。E-mail：kuliz@163.com（通信作者）

史越奇 男，1996年生，碩士研究生，研究方向為配電網規劃、綜合能源系統規劃與優化運行。E-mail：syqsyq5000@163.com

（編輯 赫蕾）