計及用戶滿意度的智慧工業園區配能優化策略

陳 芳,王 吉,宋劍朝,候承昊,吳 萌,陳海鵬

(1.國網山東省電力公司 聊城供電公司,山東 聊城 252000;2.東北電力大學 電氣工程學院,吉林 吉林 132012)

為應對全球能源危機,建立以新能源為主導的能源體系已刻不容緩。為此,我國明確提出了“碳中和、碳達峰”的能源發展目標,新能源裝機容量屢破新高[1]。然而,新能源的間歇性和隨機性也給配電網的安全穩定運行帶來了挑戰[2]。

作為工業產業聚集地,工業園區既是我國經濟發展的核心,也是重要的用能大戶。據統計,我國工業園區的總能耗占全社會的69%,且保持持續增長趨勢[3]。由于工業園區能耗量大、分布集中[4],其中的各類工業負荷規律性較強,通過合理的運行調度手段可有效促進節能減排,在有效消納新能源發電的同時提高工業園區的運行經濟性,因此該手段已成為我國新能源消納的主力[5]。為解決含分布式能源工業園區的運行經濟性問題,文獻[6]提出了一種基于滾動優化的工業園區長時間尺度調度優化模型,通過日前優化、日內修正實現工業園區的經濟運行。文獻[7]構建了園區微網與共享儲能結合的優化調度模型,通過調整分布式能源出力及儲能出力實現最優經濟目標下的園區用能優化。文獻[8]以儲能和需求側響應為調節手段,建立了兼顧設備配置與運行調度優化的雙層規劃優化模型。文獻[9]構建了一個包含冷、熱、天然氣等多種能源的工業園區綜合能源系統,考慮了供能管網和儲能水罐儲能對經濟效益的影響。文獻[10]提出一種考慮建筑供冷區域儲能特性的工業園區綜合能源系統的日前優化調度模型,該模型可以有效降低購電功率和運營成本。然而,上述文獻均以經濟性為目標,未考慮運行中的環保問題,為了解決該問題,文獻[11-13]在工業園區的優化調度中考慮碳交易機制,通過碳交易成本的引入實現綠色調度。文獻[14-16]進一步引入了碳捕集技術,通過構建多能互補的工業園區綜合能源模型,在降低碳排放的同時提高新能源消納和經濟運行。

然而,目前針對工業園區的用能優化研究中,大多未考慮園區用戶的響應意愿,默認用戶具有較高的需求響應參與比例,難以符合實際應用情況[17]。為此,本文提出一種考慮用戶用電滿意度的工業園區配能優化模型,對用戶用電行為進行分析,結合聚類分析方法,挖掘用戶參與需求響應的潛力及其參與意愿;在園區配能優化模型中,以工業園區運行的經濟性及用戶綜合滿意度為綜合目標,通過儲能及可調節負荷的轉移分配,基于多目標遺傳算法實現工業園區運行優化。采用我國某地區工業園區的運行數據進行算法的驗證,通過與未經優化的運行情況進行對比,所提方法可在保證用戶滿意度的同時,實現工業園區的綠色、經濟運行,全面提高工業園區的運行水平。

1 含分布式光伏的智慧工業園區

含光伏的智慧工業園區能源系統結構如圖1所示。在所構建的園區系統中,包含光伏發電機組、儲能系統、燃料電池、電鍋爐及電、熱負荷。其中,將負荷進一步分為基本負荷和可轉移負荷,基本負荷指用戶負荷中不可轉移的部分,可轉移負荷則是指一定時間內,可以進行柔性調度的用戶負荷,可以通過這部分負荷的轉移再分配實現用能優化。燃料電池用以發電及產生熱能,發電時產生的熱能通過回收后供給用戶,同時滿足用戶的用電負荷和熱負荷需求,熱負荷不足部分則通過電鍋爐進行提供。光伏機組產生的電能直接用于園區,多余部分存儲至儲能系統中。儲能系統作為削峰填谷的分布式靈活性資源,直接參與智慧園區的優化調度。此外,在智慧工業園區中,為每個用戶加裝智能電表和管理終端,用于采集、管理用戶側信息,實現需求側參與的工業園區用能優化。

圖1 智慧工業園區能源系統結構

2 智慧園區用戶需求響應潛力分析

2.1 用戶負荷特征分析

為了分析智慧園區內各用戶的用電特性,方便用戶側可轉移負荷資源的聚合,采用峰期負荷率、谷期負荷率、高峰時段持續時間三個指標對園區內用戶的可轉移負荷進行評估。

1)峰期負荷率

峰期負荷率是指用電峰期時段內,負荷平均值與負荷最大值的比值,表征了負荷在峰期的變化程度,如式(1)所示。

(1)

2)谷期負荷率

谷期負荷率是指用電低谷時段內,負荷平均值與負荷最大值的比值,表征了負荷在低谷時段的變化程度,如式(2)所示。

(2)

3)高峰時段持續時間

高峰時段持續時間為用戶在高峰時段的用電持續時間,表征了用戶的用電習慣,如式(3)所示。

T=Te-Ts。

(3)

式中,Te為用戶用電高峰的開始時刻;Ts為用戶用電高峰的結束時刻;T為用戶用電高峰持續時間。

2.2 基于K-means的負荷聚類

K-means聚類方法是一種常用的數據聚類分析方法,因此被廣泛應用于負荷聚類領域。K-means聚類方法的本質是設置多個數據簇聚類中心,根據數據點與聚類中心的距離,將數據集分為多個數據簇。

在根據公式(1)～(3)對智慧工業園區內的用戶進行用電特征分析后,根據其特征相似程度,采用K-means聚類方法對用戶可調節負荷曲線進行聚類,從而構建出園區用戶可調節負荷模型,為園區用能優化提供理論依據,需要注意的是,為了保證不同維度的負荷數據在同一個評價尺度內,需要對數據進行歸一化處理,如式(4)所示。

(4)

在對數據進行歸一化處理后,采用K-means聚類分析方法對負荷進行聚類,其步驟如下:

1)確定聚類數據簇數,即聚類的類別數m;

2)在數據集中抽取m個數據點作為初始的聚類中心數據點,形成聚類中心數據集Y={y1,y2…ym};

3)遍歷數據集中的每個樣本數據,分別計算每個數據與初始聚類中心數據點的歐式距離,并將其歸類到距離最小的數據簇內;

4)根據公式(5)所示,重新計算每個數據簇的聚類中心點:

(5)

式中,Nj為第j類的樣本總數。

5)重復步驟3)～4),直至兩次迭代得到的聚類中心差值小于設定的閾值;

6)輸出聚類結果。

基于K-means聚類方法的工業園區用戶負荷聚類流程如圖2所示。

圖2 基于K-means的工業園區負荷聚類流程

2.3 園區需求響應等級評價

為了面向工業園區不同需求場景的園區用能優化,首先對園區運行場景進行需求響應等級評價,采用日峰谷差率指標作為評價依據,日峰谷差率是指負荷最大、最小值的差值與最大負荷值的比率,表征了全天用電負荷的最大最小值差距,如公式(6)所示。

(6)

式中,ru為日峰谷差率;Pmax、Pmin分別為全天內負荷的最大值和最小值。

基于2.2節的K-means聚類分析方法,將工業園區的運行場景進行特征聚類,形成具有不同日峰谷差率的工業園區典型負荷曲線,根據其日峰谷差率大小進行園區需求響應等級評價。在本研究中,設置聚類簇數為3類,并形成三種需求響應等級情況,如表1所示。

表1 需求響應等級評價

2.4 園區用戶響應潛力評價

通過智慧園區內的負荷轉移再分配,可以有效實現削峰填谷,提高工業園區的用能水平。為了研究園區工業用戶的需求響應潛力,在獲取其可調節負荷典型特性后,根據其負荷率大小將負荷曲線類型劃分為迎峰型、避峰型與高負荷率型[18]。其中,迎峰型負荷曲線的用戶的響應意愿系數為1,高負荷率型負荷曲線的用戶的響應意愿系數為0.5～0.8,避峰型負荷曲線的用戶的響應意愿系數為0[19]。進一步結合公式(7)～(8)計算用戶的響應潛力:

(7)

(8)

3 計及用戶滿意度的工業園區用能優化

3.1 目標函數

在以往,計及需求側響應的工業園區用能優化模型多以最小化園區運行成本為優化目標,忽略了用戶的用能滿意度及園區運行的環保性。為此,在所提模型中考慮園區用戶綜合滿意度指標,并在園區運行成本中增加碳排放成本,作為智慧工業園區用能優化模型的目標函數。

1)最小化園區運行成本

F=min(fop+fst+fgrid+fidr+fec) ,

(9)

式中,fop為園區內各類設備的運行維護成本,包括光伏發電系統、儲能系統、燃料電池及電鍋爐;fst為設備啟停成本;fgrid為電網購電成本;fidr為需求響應成本;fec為碳排放成本。其中:

fop=kpvPpv+kessPess+kfcPfc+kebPeb,

(10)

在園區的運行成本中,Ppv、Pess、Pfc、Peb分別為光伏出力、蓄電池功率、燃料電池功率及電鍋爐功率;kpv、kess、kfc、keb分別為光伏、蓄電池、燃料電池及電鍋爐的單位功率運維成本。

fst=fess+ffc+feb,

(11)

在園區設備啟停成本中,fess、ffc、feb分別為蓄電池、燃料電池及電鍋爐的啟動成本。

(12)

在電網購電成本中,cgrid為電網的分時電價;Pgrid為園區向電網購電的功率。

(13)

(14)

在碳排放成本中,kc為大電網單位出力所產生的碳排放量系數;ec為處理單位碳排放量所需的成本系數。

2)最大化用戶滿意度

從用戶用能舒適度及響應經濟性兩個方面衡量用戶滿意度,形成用戶綜合滿意度指標:

R=min(-rs+re) ,

(15)

(16)

(17)

3.2 約束條件

1)電功率平衡約束

Ppv+Pgrid+Pess+Pfc+Pmov=Pload+Peb。

(18)

式(18)中,Ppv為光伏機組的輸出功率;Pgrid為外部電網的輸入功率;Pess為儲能系統的輸出功率,為正值時表示儲能系統放電,為負值時表明儲能系統充電;Pfc為燃料電池的輸出電功率;Pmov為需求響應轉移負荷功率,為正值時表明負荷轉出到其他時段,為負值時表明負荷轉入到當前時段;Pload為電負荷功率;Peb為電鍋爐的輸入電功率。

2)熱功率平衡約束

Hfc+Heb=Hload,

(19)

式中,Hfc為燃料電池的輸出熱功率;Heb為電鍋爐的輸出熱功率;Hload為熱負荷功率。

3)電負荷轉移約束

電負荷發生轉移時,在整個時間尺度內其總負荷功率并無變化,因此轉移功率須滿足響應前后總負荷功率保持不變,且每時刻的轉移功率須滿足轉移限值:

(20)

4)儲能運行約束

儲能系統的約束包括儲能容量約束和儲能充放電約束:

Eess.min

(21)

(22)

(23)

(24)

5)光伏機組出力約束

光伏機組的出力約束如式(25)所示:

(25)

6)電鍋爐運行約束

為了保證電鍋爐的安全運行,其運行功率應保持在允許范圍內,且其電功率與熱功率之間存在效率轉換關系:

(26)

Heb=ηebPeb。

(27)

3.3 基于多目標遺傳算法的工業園區用能優化

由于所構建的智慧工業園區用能優化模型中具有多個優化求解目標,為了保證算法求解的效率和精度,采用非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm,NSGA-Ⅱ)進行模型的求解,該算法可以通過求解多個目標的適應度,實現最優策略的啟發式求解,具有較高的運行效率和收斂性[20]。

NSGA-Ⅱ算法的流程包括:

1)種群初始化

根據模型生成合適數量的初始種群,為了保證初始種群在樣本空間內的均勻分布,采用拉丁超立方抽樣生成初始種群[21]。

2)適應度評估

根據3.1節所設置的目標函數,對每個個體的適應度進行評估,在NSGA-Ⅱ中,適應度決定了個體的優先級,個體的適應度由擁擠度與非支配排序等級共同體現。

3)非支配排序

基于非支配排序,根據個體的適應度信息進行個體的優先次序排序,越靠前的個體受支配的程度越低,從而將個體劃分為不同的層級,互不支配的個體放在同一層級內。

4)擁擠度計算

擁擠度表征了同一層級內個體的密度,擁擠度越大,表明個體的適應性越強,對于多目標優化函數而言,需要對每個目標函數下的擁擠度進行計算,并將其累加作為個體的最終擁擠度。

5)遺傳操作

為了實現遺傳算法的迭代優化,將當前種群作為父代種群,通過隨機抽取的方式抽取兩個父代個體,通過遺傳算法的交叉、變異操作形成子代個體。

6)精英策略

為了保證算法的優化效果,通過精英策略實現種群內優秀個體的篩選。將遺傳操作后生成的子代個體與父代個體重新組合為新的種群,基于非支配排序及個體擁擠度對新種群進行篩選,形成精英種群進行下一次迭代。

7)迭代優化

重復步驟1)～6),直到算法達到設置的收斂條件:算法達到最大遺傳代數;新種群中最優個體的適應度與上一代種群中最優個體的適應度差距小于0.1%。

在所提模型中,采用實數編碼的方式,以儲能系統的充放電功率及每個用戶的需求響應轉移負荷功率作為NSGA-Ⅱ算法中每個個體的遺傳信息,結合公式(9)～(14)的園區運行成本函數及用戶綜合滿意度,遺傳算法通過步驟1)～7)的迭代執行,逐步尋找到滿足用戶用能意愿且園區成本最低的最優配能策略,基于NSGA-Ⅱ算法的智慧工業園區配能優化流程如圖3所示。

圖3 基于NSGA-Ⅱ算法的園區配能優化流程

4 實驗結果與分析

4.1 算例說明

以華北某市區的工業園區為例進行模型的有效性驗證,該工業園區中包含1臺100 kW電鍋爐、1臺150 kW燃料電池、1套200 kW儲能系統及1個300 kW的光伏發電機組,碳排放量系數取1.08 kg/kW·h,單位碳排放量所需的成本系數取0.252元/kg[22]。此外,包含4個具備需求響應潛力的工業用戶,該地區電價如表2所示,園區設備參數如表3所示。

表2 分時電價表

表3 設備參數

選取調度周期為24 h,分別考慮三種需求響應等級下的運行場景,光伏機組的預測功率、熱負荷需求及中、高、低三種需求響應場景下的電負荷需求曲線如圖4所示。其中,高、中、低三種需求響應場景的日峰谷差率分別為49.51%,17.32%和9.59%。

時間/h圖4 光伏預測功率及負荷需求

4.2 園區用戶需求側響應潛力分析

對工業園區內的用戶負荷進行需求側響應潛力分析,基于公式(1)～(3)計算用戶的可調節負荷特性指標,根據三個維度的指標對負荷曲線進行聚類,得到四個大工業用戶的可調節負荷聚類曲線如圖5所示。

時間/h圖5 需求響應用戶的負荷聚合曲線

從圖5中可以看出,A用戶的用電負荷特性為高負荷率型,B用戶的用電負荷特性為迎峰型,C用戶的用電負荷特性處在高負荷率型與迎峰型之間,D用戶的用電負荷特性為迎峰型。得到各用戶的用電曲線類型后,進一步根據公式(7)～(8),計算獲取四個工業用戶在兩個高峰時段的需求響應潛力,結果如表4所示。

表4 各用戶負荷需求響應潛力

4.3 基于NSGA-Ⅱ的園區用能優化

設置NSGA-Ⅱ的初始種群數量為100,迭代次數為100,交叉概率為1,變異概率為0.05,計算獲得三種需求響應等級下的優化結果如表5所示。

表5 各用戶負荷需求響應潛力

時間/h(a) 需求等級:低

4.4 不同靈活性資源對于園區優化的影響

為了驗證所提模型的優化效果,以未經過優化的園區配能情況作為對比,采用需求響應等級為中的場景,分別計算工業園區的配能優化評估結果,此外,為了分析工業園區內各類靈活性資源對于園區配能及用戶用能滿意度的影響,增加了儲能/用戶需求側響應不可調度的案例進行對比實驗。

案例1:儲能與用戶需求側響應均不可調度;

案例2:儲能可調度,用戶需求側響應不可調度;

案例3:儲能不可調度,用戶需求側響應可調度;

案例4:儲能及用戶需求側響應均可調度。

對案例1至案例4的模型分別進行求解,計算獲得各案例下工業園區的運行指標如表6所示。

表6 不同案例下的園區優化結果

由表6可知,相較于案例1、案例2,本方法在調度周期內的購電成本、碳排放成本分別下降了11.99%、44.91%。原因在于引入儲能系統后,儲能系統能夠靈活地改變自身工作狀態,提升了園區運行的靈活性,可以有效地促進光伏消納,進而大幅降低園區向大電網的購電量以及碳排放量,節約園區運行成本。

案例3在案例1的基礎上引入電負荷需求響應,園區總運行成本下降了2 261.1元,并且用戶滿意度指標明顯上升,驗證了需求側響應在配能優化方面的有效性。此外,結合案例2與案例4可以看出,考慮了儲能系統與用戶需求側響應的案例4取得了最佳的配能結果,其運行成本和用戶滿意度指標為4個案例中最優。原因在于儲能系統和用戶需求側響應均可以實現“削峰填谷”,二者的結合降低了園區用電高峰期的峰值負荷,緩解了園區的調峰壓力,同時進一步提高了分布式光伏的消納,實現了園區配能優化。表7給出了四種案例下的光伏消納情況。

表7 不同案例下的光伏消納情況

由表7可知,案例1受限于園區靈活性資源的響應能力導致棄光現象嚴重,光伏消納率僅為70.0%。而案例4的光伏消納效率達到最大值,為98.4%,進一步驗證了儲能系統的能量時移特性與負荷側需求響應的“削峰填谷”效應對提高園區分布式光伏消納能力的積極作用。通過對比可知,本文所提方法有效地解決了由工業園區用戶響應能力不足導致的用能水平低的問題。

5 結 論

本文針對智慧工業園區難以充分發揮需求側用戶的響應能力,導致用能水平低、運行經濟差等問題,提出了考慮用戶滿意度的智慧工業園區用能優化策略。該策略基于K-means算法計算了園區用戶側需求響應資源潛力,通過用戶用能舒適度及響應經濟性兩個維度定義了用戶用電滿意度指標,構建了考慮不同負荷側需求響應等級的工業園區用能優化模型,并采用非支配排序遺傳算法進行啟發式求解,在兼顧效率的同時保證了算法的求解精度。實驗結果表明,相較于傳統方案,所提工業園區配能優化方法能夠充分利用用戶側需求響應資源,在保證用戶用電滿意度的前提下提高了工業園區的用能水平,調度周期內園區的運行成本降低了26.82%,分布式光伏消納率提升了28.20%,顯著改善了園區的經濟和環境效益。