計及源荷不確定性的綜合能源系統的優化調度方法綜述

袁俊球，史如新，王迪，曹健，張茜穎

（1.國網江蘇省電力有限公司常州供電分公司；2.江蘇省電熱耦合綜合能源系統工程研究中心，常州金壇金能電力有限公司，江蘇 常州 213200）

1 前言

在可再生能源大量接入電力系統的背景下，為了實現系統的安全、可靠和經濟運行，同時也減少棄風棄光現象的發生，必須提高系統的靈活性。綜合能源系統是（integrated energy system, IES）以電力系統為核心，通過其內部設備實現多種異質能源生產、轉換、儲存和消費環節，可以實現各種能源系統的協同優化、交互響應、互補互濟，提高能源利用效率和可再生能源消納水平。因此，IES 的規模化發展為未來高比例的可再生能源滲透電力系統帶來了積極信號。

為了提高運行策略的精確性，考慮不確定性因素的IES優化調度建模及求解方面已成為近年來研究的熱點。模型的精度和計算的復雜程度對于IES 系統來說是一種此消彼長的競爭關系，如何選擇合適的模型和求解方法來兼顧模型精度和計算復雜度尤為關鍵。另外，調度計劃如果能根據實時更新的預測信息進行動態調整，IES運行策略將具有更高的準確性和實時性。

針對上述問題，本文從各種建模方法的特點出發，以可加工性、計算效率、收斂速度和最優性等指標為依據，選擇合適的求解算法，兼顧各階段最佳調度周期，實現IES 的協同運行和在線優化。

2 綜合能源系統優化調度概述

2.1 綜合能源系統

綜合能源系統(integrated energy system, IES)結構如圖1 所示，以電力系統為核心，同時兼顧電、氣等多種能源，通過其內部種類眾多的能源設備生產、轉換、消費以及儲存，以此來實現各種異質能源之間的協調規劃和協同管理。IES 通過傳統燃煤機組和風能、太陽能等可再生能源產生電能；通過二氧化碳捕集與儲存系統（carbon capture and storage, CCS）和電轉氣（power to gas, P2G）技術連接電力網絡和天然氣網絡，即在提供電力的同時生產甲烷、甲醇等各類綠色燃料，以此達到儲能的目的，也提高電能調度的靈活性，支撐高比例可再生能源電力系統穩定運行，實現碳捕集的高效綠色利用。通過熱泵、電鍋爐以及燃料電池等熱電耦合設備實現電與熱之間的轉化，即實現電負荷對于熱負荷的補充。當各類能源的供需不平衡時，多余/不足的能量可以通過綜合能源系統中的各類儲能設備進行儲存/釋放，如圖1 中所示的儲氣裝置、儲電裝置、儲熱裝置，從而達到系統能量的動態平衡。針對IES 多設備、多能流的復雜耦合特性，風、光地熱等可再生能源出力與用電負荷的高度不確定性，以及各類經濟、安全、環保指標的矛盾關系，如何合理地進行容量規劃以及調度配置顯得尤為關鍵，這也是IES 優化運行的重要前提。

圖1 綜合能源結構示意圖

IES 在可再生能源充足的情況下優先使用可再生能源，從能量的源頭上來說具有清潔的特點。在能源生產、傳輸、存儲及消納等其他各個環節中，各類異質形式能源（如電、氣、熱、冷等）相互轉化，實現多能互補利用、協調優化，從而提升能量的利用效。但是，由于多種異質能量在時空上緊密而復雜的耦合、需求不均衡、系統安全、負荷以及可再生能源出力預測等問題，使得綜合能源系統的調度優化問題變得更加復雜。

2.2 基本優化調度模型

綜合能源系統的優化調度模型基本上可以分為以下兩類：一般模型和統一模型。一般模型是分別對綜合能源系統中的電、氣、熱子系統和耦合元件單獨建模。而統一模型的思路則是利用電路系統或能源樞紐等理論對異質能源轉化、存儲、傳輸等關系采用方程描述。

綜合能源系統建模作為IES 規劃設計的基礎，通常以最優運行成本、最大可再省能源利用率等作為目標函數，兼顧各能量平衡約束、設備運行約束、耦合元件約束等，可為考慮系統隨機性、系統靈活性、能流差異性以及設備動態特性的調度模型提供規劃設計參考及理論支撐。這些建模條件可以將復雜的IES 模型簡化為混合整數線性規劃（mixed integer linear programming,MILP）的數學模型。

隨著熱電聯產和冷熱電聯產技術的發展，對各類能源子系統和不同耦合原件或設備單獨建模的研究眾多，且都已經比較成熟。并且已經具備能夠投入實際的工程示范項目的能力，也有部分示范性工程項目已經落地得到實踐。但是，隨之而來的一些問題也很明顯，這些模型中的各異質能流相對分立，沒有形成多能流和各設備耦合統一建的概念。因此，還存在缺陷，急需一種改進的方法來完善。

綜合能源系統各系統和運行模式復雜，設計多學科知識，通常是以工程熱力學、流體力學、傳熱學以及電路網絡等多學科的理論知識，對異質能量傳遞轉換與儲能單元微觀特性進行分析，提取不同類型的能量子網絡的能量傳遞、交互的共同特征，從而構建不同能流和設備耦合的統一模型，其目的是將多種能源耦合形式進行統一表述，突破不同學科間的知識壁壘。

2.3 IES 的不確定性因素

在實際場景中，IES 系統中不確定性因素的來源是多方面的，在IES 的源-網-荷-儲多個能量終端都有不確定性的因素存在，較為典型以及影響較大的不確定性因素則來自源測以及荷測。源測可再生能源出力情況具有隨機性和波動性的特點；荷測的用戶負荷受到人類活動的影響，變化頻繁、峰谷之間差值較大，較大的時間尺度下會產生波動較大的特點。綜上所述，將綜合能源系統簡化為確定性模型對系統總成本的優化由于沒有考慮到不確定性因素的存在，使得優化的結果與實際情況存在或多或少的偏差。

3 不確定性模型求解方法

IES 模型求解的主要困難包括：（1）難以尋找到全局最優解；（2）決策變量復雜，包括整數變量和連續變量；（3）模型求解問題往往是非線性的。針對這些難點，已有的求解算法有解析法、模型降階法、智能優化算法、仿真軟件等。

3.1 解析法

針對非線性問題，為了使模型易于求解，許多研究使用松弛、凸優化、對偶理論、大M 法、ADMM 分布式算法等技術將原優化問題近似為線性規劃問題或混合整數線性規劃問題。Alipour 等將熱電聯產的原非凸可行域分成兩個獨立的凸域，通過加入二元變量和約束實現可行域的凸性。此外，對于極大極小問題，蔣等人利用強、弱對偶理論將原問題轉化為等價的條件或互補約束的對偶優化問題。張等人建立了基于兩階段魯棒優化的IES最優調度模型，并采用算法消除二元變量引起的不收斂現象。

3.2 模型降階法

模型降階法是指用低階模型模擬高階模型，在動態響應等性能上能與高階模型保持基本一致。常用的降階方法可分為以下幾類：于聚合等效類的模型降階方法、基于時間常數的模型降階方法、基于數學理論的模型降階方法。基于聚合等效類模型的降階方法是將大量電氣距離較近的分布式電源根據其動態特性的相似性，轉換成一個或幾個等效模型。基于時間常數分析的簡化建模方法是指通過分析不同設備和負載的時間常數的差異，將時間常數相近的元件組合起來，形成時標的簡化模型。基于數學理論的模型簡化方法包括奇異攝動法、平衡法、Krylov 子空間法等。朱等基于Krylov 子空間的線性系統簡化理論，提出了一種大規模配電網模型簡化方法，可以提高仿真計算的速度和效率。

3.3 智能優化算法

智能算法可以用來解決具有非線性、非凸特性的IES 不確定優化問題，包括模擬退火算法、粒子群算法、遺傳算法等。通常會根據系統的經濟效益、迭代次數和計算時間等指標來比較算法的求解性能。傳統智能算法的主要依賴于初始條件和可控參數，但存在收斂速度慢、無法滿足在線計算要求、無法保證解的穩定性等缺點。隨著人工智能技術的發展，強化學習、深度學習等機器學習方法可以用來表征參數的不確定性。這樣的方法通常需要大量的歷史數據，線下訓練需要大量的時間。目前，機器學習方法在IES 決策中的相關研究還處于起步階段。

3.4 仿真軟件

除了用數學模型處理不確定因素外，實際工程應用也離不開計算機的輔助作用，仿真工具和仿真平臺的應用為我們解決工程計算問題提供了強有力的工具。選擇合適的仿真工具對智能系統的規劃和優化具有重要意義。按照仿真時間尺度主要可以分為：基于秒級的Simulink、TRNSYS、Neplan、Polysun；基于分鐘級操作的MOMER、DER-CAM；基于小時級的EnergyPLAN。

4 結語

本文對IES 優化調度的不確定性問題進行了全面的回顧。簡要描述了IES 系統中所面臨的不確定性因素，并且指出了不確定性因素所帶來的問題。針對IES 系統中的不確定性模型，選擇合適的不確定性求解方法在IES 的優化調度中尤為重要。對于IES 的不確定性模型，我們一般的處理方法是保留模型的關鍵性因素，忽略模型中從次要因素，以此達到減少隨機變量的目的，在使得計算結果的精確度滿足要求的情況下，提高模型的計算速度。