考慮多場景技術和虛擬儲能的區域綜合能源系統優化調度

上海電力大學電氣工程學院 余 蓓 李曉露

1 考慮不確定性因素的場景生成

可再生能源出力及負荷功率具有較強的不確定性，為了確保IES 運行的安全可靠性，在規劃和運行階段考慮風、光等可再生能源及負荷的隨機性尤為重要。

本文以歷史風、光出力及負荷功率為樣本，基于非參數核密度估計法選用高斯核函數生成一天內每個時段的概率密度函數。對隨機變量為x 的樣本，概率密度函數fh（x）的核密度估計為：

式中：n 為樣本容量；Xi為第i 個樣本；h 為帶寬；K（·）為高斯核函數，即：

根據風機、光伏出力以及負荷功率每個時段的概率密度函數求出其累積分布函數后，采用拉丁超立方抽樣分別對其每個時段的分布函數進行采樣，并且為了提高采樣場景的準確度，采用Cholesky分解降低不同場景之間的相關性[1]。

2 熱網動態模型

典型的熱力系統結構如圖1所示。熱力系統可分為傳輸系統（一次熱網）和分配系統（二次熱網），一次熱網和二次熱網通過換熱站實現能量交換。熱網中熱能的延時和儲能特性主要體現在一次熱網中，因此本文不計二次熱網，僅對一級熱網進行討論。

圖1 熱力系統基本結構

2.1 熱網管道模型

不考慮一次熱網中熱能損耗，管道i 中的熱水從入口到出口所需的時間為τi，有：

式（3）表示不考慮熱損耗時，管道i 中熱媒在t 時段的出口溫度與t-τi時段的入口溫度Tini,t-τi相等。其中，li為管道i 長度；ri為其半徑；ρ 為水的密度；mi,t為t 時段管道i 中熱水流量。

考慮熱網中熱能損耗的影響，有

一般情況下，hli/cwmi,t的值很小，因此上式可以近似為[2]：

式中：Ta,t為環境溫度；Cω為水的比熱容；h為傳熱系數。式（6）描述了熱能傳輸的動態過程。

2.2 一次熱網模型

不同管道的熱水流入相同節點進行溫度混合，即：

式中：Sin和Sout分別為工質流入和流出節點的管道集合。

對于一次熱網中的換熱站，可將負荷與損耗綁定在一起，看成換熱站的計算負荷，本文的換熱站模型為：

式中：Hi,t為t 時段換熱站i 的換熱量；Tspi,t和Trei,t分別為t 時段換熱站i 處的供、回水溫度。

由于不考慮二次熱網，換熱站換熱量與熱負荷之間的關系為：

式中：Qh,i,t為t 時段換熱站i 處的計算熱負荷。

熱網具有延時特性，同一時段流入管道中的熱量與流出熱量未必相等，因此熱網起到了緩沖熱能注入與流出的作用，從而表現出類似于儲能系統的虛擬充放電特性。當熱能供應發生改變導致熱量不平衡時，可通過改變一次熱網供熱量來調節，因此熱網就具有了靈活的虛擬熱能存儲的能力。

3 建筑虛擬儲能系統

基于建筑的蓄熱特性，根據能量守恒定律可得建筑的熱平衡方程[3]：

考慮到影響建筑物內部熱量的主要因素，式（10）可表示為：

式中：Kwall為外墻的傳熱系數，Swall為外墻面積；Tout,t和Tin,t分別為t 時段室內和室外溫度；Kwin為外窗的傳熱系數，Swin為外窗面積；Gt為t時太陽輻射強度，Sc為遮陽系數；Qin,t為室內所需熱功率。

在建筑物中，由于墻壁和其他結構的隔熱作用，室內外的熱交換過程緩慢，室內溫度不會迅速變化。因此室內溫度可以根據溫度舒適度要求在一定范圍內進行調節，實現類似于儲能系統的充放電特性，參與能源系統的優化調度。

因此，同時考慮熱網和建筑物的虛擬儲能系統充放電方程如下：

式中：Qves,t為虛擬儲能系統的充放電功率（放電為正，充電為負）；Qbefore,t為不考慮虛擬儲能的熱功率需求；Qafter,t考慮虛擬儲能時的熱功率需求。

4 考慮虛擬儲能的IES 優化調度模型

本文的電、熱IES 能量供應結構如圖2所示。IES 通過風電、光伏、購電，同時調度能源設備的方式為用戶提供電、熱能供應服務。能源設備主要為熱電聯產機組（combined heat and power，CHP）和電鍋爐，其中CHP 機組以天然氣作為輸入，進行熱能和電力的生產，電鍋爐以一部分電能為輸入，將電能轉化為熱能注入熱網。

圖2 電、熱IES 能量供應結構

文中通過日前調度和實時校正兩階段對IES 進行優化調度。日前階段通過對風電、光伏出力及負荷的不確定性分析，生成多個場景。通過優化設備出力，選擇系統運行成本最低的方案作為最優調度計劃。校正階段通過實時修正可控設備的出力，消除預測誤差同時，盡可能降低系統的運行成本。

4.1 日前優化調度模型

4.1.1 目標函數

日前，調度以每小時為時間間隔，主要目標是滿足區域能源需求和用戶舒適度的基礎上，將運營成本降至最低。因此，目標函數包括兩部分，運行成本和不滿足用戶舒適性需求而帶來的懲罰成本，其中運行成本又包括購能成本和各設備的運行維護成本。

其中，

式中：T 為調度周期；Ns為總場景數；ζs為場景s 發生的概率；Psg,t為場景s 下t 時段購氣量，ωg,t為對應的天然氣價格；Pses,t為場景s 下t 時段購電功率，ωes,t為對應的電價；αomc為各設備的運行維護成本系數；Psi,t為場景s 下第i 臺設備在t時段的出力；γh為用戶敏感度系數；Tsin,t為場景s下t 時段室內溫度；Tset為室內溫度設定值。

4.1.2 約束條件

電功率平衡約束：

式中：Pschp,t為場景s 下CHP 在t 時段的電功率；Pswt,t、Pspv,t分別為場景s 下光伏、風機在t 時段的電功率；Pseb,t為場景s 下電鍋爐在t 時段消耗的電功率；Pse,t為場景s 下t 時段的用電負荷。

熱功率平衡約束：

建筑物熱平衡約束：

式中：Tin,min、Tin,max分別為建筑物室內溫度的上下限。

CHP 機組約束：

式中：kc為CHP 的電熱比；ηchp為CHP 效率；Lbg為天然氣的燃燒熱值。

電鍋爐約束：

電鍋爐消耗的電功率及相應的熱出力滿足：

式中：Cop為電鍋爐的電熱轉換系數。

能源設備出力范圍約束：

式中：Psi,t為場景s 下第i 個能源設備在t 時段的出力；Pimin和Pimax分別為其出力的上、下限。

4.2 實時校正模型

4.2.1 目標函數

以15min 為周期，實時調整設備出力，降低誤差造成的影響，目標函數為：

其中，

式中：Csreg,t為場景s 下的監管成本；w 為取樣時間；Tw為滾動時長；κ1、κ2、κ3、κ4為監管系數；Psd,e,t、Qsd,h,t、Psd,pv,t、Psd,wt,t分別為場景s 下電、熱、風機、光伏的預測誤差。

4.2.2 約束條件

功率平衡約束：

式中：Pw,w+Tw、分別為滾動區間Tw內機組實際和預測出力，Pd,t為t 時段機組誤差。

能源設備出力范圍約束：

式中：Δut,s為機組相對于采樣值的功率變化量；Pmin、Pmax為機組功率上、下限。

5 算例分析

5.1 基礎數據

以某園區為例，建立了考慮虛擬儲能的IES，考慮一天的經濟優化調度。本文中建筑物總容積54000m3，在實際運行功率的基礎上，設定光伏、風機的日前預測誤差在30%以內，實時校正預測誤差在5%內，電、熱負荷的日前預測誤差在20%內，實時矯正誤差在3%以內。利用非參數核密度估計生成每個時段的概率密度函數，通過拉丁超立方采樣和同步回代消除法進行場景生成和削減，抽樣規模取2000，場景閾值取3，則風機、光伏、電、熱負荷分別削減至3個場景，共計34個隨機場景，對應的概率為：

式中：Nwt、Npv、Ne、Nh分別為風機、光伏、電、熱負荷的場景數；ζwt、ζpv、ζe、ζh分別為對應的概率。

以風機為例，場景生成與削減如圖3所示，每個場景出現的概率分別為0.313（紅）、0.358（粉）、0.329（黑）。

圖3 風機樣本空間及縮減場景

5.2 運行結果分析

5.2.1 運行流程

考慮多場景技術和虛擬儲能的IES 優化調度流程圖如圖4所示。

圖4 優化調度流程圖

5.2.2 日前調度優化運行分析

以多場景中的某一場景為例，假設不引入虛擬儲能，建筑物內用戶設定的溫度為22.5℃，優化調度結果如圖5所示。

圖5 不引入虛擬儲能優化調度結果

從圖5中可以看出，在不引入虛擬儲能的情況下，CHP 機組出力基本隨著室外溫度的變化而變化。夜間溫度較低，風電資源豐富，CHP 機組出力會維持在較高的水平，同時需要電鍋爐進行調節，以保證建筑物室內溫度維持在用戶設定點；在8:00后，隨著太陽輻射強度以及室外溫度的上升，CHP 機組出力處于較低水平，電鍋爐基本不會參與調節。在不引入虛擬儲能的情況下，系統的棄風、棄光率為13.89%，總運行成本為23796.36元。

引入虛擬儲能，設用戶可以接受溫度在設定溫度的±2℃的范圍內波動，用戶的敏感度系數設定為0.1，用戶設定溫度為22.5℃，優化調度結果如圖6所示。

圖6 引入虛擬儲能優化調度結果

由圖6可以看出，引入虛擬儲能后，由于熱網的延時特性以及用戶可接受溫度的可調性，CHP 機組出力及室內溫度有明顯不同，出現了較大波動。在23:00～6:00時間段，風電資源豐富且電價較低，適當降低室內溫度以減少CHP 機組的出力，從而為風電提供更多的消納空間。在8:00～11:00以及18:00～22:00時間段，由于天然氣價格恒定而電價較高，通過提高CHP 機組出力適當提高室內溫度，從而減少該時段購電量，降低了系統的運行成本。相比于不引入虛擬儲能的優化調度，系統的棄風、棄光率下降為4.64%，總運行成本下降了5.08%，為22585.21元。從優化結果可以看出，通過熱網特性以及在用戶舒適度范圍內調節室內溫度使得虛擬儲能系統參與到IES 經濟優化調度，可在一定程度上降低系統的運行成本。

圖7給出了引入虛擬儲能前后，系統虛擬儲能優化調度結果。從圖中可以看出虛擬儲能系統的充放電情況，其中高出基準線的部分為放熱，即“放電”，低于基準線的部分為蓄熱，即“充電”。一方面由于天然氣價格固定，在電價較高的時刻，通過增加CHP 機組的出力可以減少購電量，從而表現為制熱需求提升以及虛擬儲能充電；另一方面，由于用戶可接受溫度調節在一定范圍內，當制熱量到達一定值之后，需要虛擬儲能系統進行放電，因此在電價較低的時刻，會適當降低CHP 機組的出力，表現為制熱需求降低以及虛擬儲能放電，從而為下一時刻虛擬儲能充電提供空間。通過這樣的調節方式，在滿足用戶電、熱需求的同時，降低了系統的運行成本。

圖7 虛擬儲能優化調度結果

5.2.3 日內校正運行分析

日前調度階段，對所生成的每個場景進行優化調度，從而得到系統內可控設備的出力計劃，通過分析每個場景出現的概率以及對應的運行成本，選取了綜合效益最佳的運行優化方案；實時校正階段，通過對是否考慮多場景IES 實時校正階段總調整量進行對比分析，從而體現兩階段優化調度的魯棒性優勢，對比分析結果如圖8所示。

圖8 不同模式下實時校正階段總調整量

通過對是否考慮多場景IES 實時校正階段調整量進行比較，可以看出考慮多場景的IES 調整總量明顯降低。當風、光及負荷功率較小時，調整量相對較低，當風、光及負荷功率較大時，則會出現兩種情況，一種是風、光的預測誤差修正了負荷的預測誤差，使系統的總調整量減少，另一種是風、光的預測誤差增大了負荷的預測誤差，使系統的總調整量增大。由圖8可知，不考慮多場景的IES 誤差遠大于考慮多場景的IES，特別當風、光的預測誤差與負荷的誤差成疊加狀況時，對比效果更明顯。所以，考慮多場景技術和虛擬儲能優化調度模型能有效減少實時校正階段的調度量，從而提高了系統運行的魯棒性。

5.2.4 經濟性分析

本文在基于虛擬儲能的基礎上，對是否考慮多場景技術時系統的運行成本就行了對比分析，結果見表1。

表1 不同模式下系統運行成本

由表1可知，相對于不考慮多場景，考慮多場景時系統的實時校正成本大幅降低，這主要是因為在實時校正階段考慮了風、光負荷不確定性造成的監管成本后，進一步降低了風、光及負荷的預測誤差，減少了實時校正階段的調整量。雖然考慮多場景時系統的日前調度成本稍高，但是總運行成本明顯低于不考慮多場景時系統的總運行成本，說明了風、光及負荷的不確定性確實對系統的優化調度有一定的影響，從而驗證了模型的經濟性和必要性。