基于新能源需求響應(yīng)的RIES多能源云儲能規(guī)劃

摘 要：本文研究利用基于新能源需求響應(yīng)的可再生能源集成系統(tǒng)（Renewable Integrated Energy System，RISE）多能源云儲能規(guī)劃，以提高能源系統(tǒng)的效能。構(gòu)建了多能源云儲能模式的基本架構(gòu)，包括在云儲能模式中2個主體交互模型和考慮多能源云儲能的能源集線器結(jié)構(gòu)。在此基礎(chǔ)上，設(shè)計用戶側(cè)充放能優(yōu)化決策模型并提出相應(yīng)的求解算法，以優(yōu)化用戶側(cè)充放能。研究發(fā)現(xiàn)，在實際應(yīng)用中，采用這種基于新能源需求響應(yīng)的多能源云儲能規(guī)劃能夠減少能源浪費，提高能源利用率，同時滿足用戶需求。該研究對推動清潔能源的可持續(xù)發(fā)展、提高能源系統(tǒng)的智能化水平具有重要意義。

關(guān)鍵詞：多能源云儲能模式；新能源出力預(yù)測模型；充放能決策約束條件

中圖分類號：TM 73" " " " " " 文獻標(biāo)志碼：A

傳統(tǒng)的能源管理模式已難以適應(yīng)日益多樣的能源環(huán)境，不能滿足不斷增長的能源需求。多能源云儲存作為一種新興能源管理方式，利用云計算和大數(shù)據(jù)技術(shù)整合多種能源形式，能夠靈活、高效地存儲并調(diào)度能源。基于新能源需求響應(yīng)的規(guī)劃在用戶需求的基礎(chǔ)上利用智能化的決策模型合理分配和利用能源。可再生能源集成系統(tǒng)（Renewable Integrated Energy System，RISE）多能源云儲能規(guī)劃旨在采用先進的技術(shù)構(gòu)建高效的能源管理系統(tǒng)，將新能源應(yīng)用于生活中。

1 多能源云儲能模式基本架構(gòu)

1.1 云儲能模式下2個主體交互模型

多能源云儲能模式的基本架構(gòu)是一個復(fù)雜的系統(tǒng)，其中，云儲能模式的2個主體交互模型起到了重要作用，可以高效儲存和調(diào)度能源。這2個主體分別為新能源出力預(yù)測模型和用戶側(cè)實施的價格型需求響應(yīng)（Demand Response，DR）模型。新能源出力預(yù)測模型是長短時記憶網(wǎng)絡(luò)與貝葉斯神經(jīng)網(wǎng)絡(luò)（Bayesian Neural Network with Long Short-Term Memory，LSTM-BNN）的結(jié)合。LSTM-BNN的優(yōu)點是能夠捕捉時間序列數(shù)據(jù)中的長期依賴關(guān)系，并通過貝葉斯方法對不確定性進行建模[1]。深度學(xué)習(xí)與概率推斷結(jié)合使新能源出力的預(yù)測更準(zhǔn)確、可靠。該模型學(xué)習(xí)歷史新能源出力數(shù)據(jù)并預(yù)測了未來一段時間內(nèi)的新能源產(chǎn)量，為云儲能系統(tǒng)提供基礎(chǔ)信息。

用戶側(cè)實施價格型需求響應(yīng)是云儲能模式中另一個重要的交互模型。該模型在用戶側(cè)引入價格信號，當(dāng)用戶對電能需求較大時，根據(jù)價格信號適當(dāng)轉(zhuǎn)移負(fù)荷，需求響應(yīng)靈活。用戶可以根據(jù)當(dāng)前電價和自身實際用能需求靈活調(diào)整電器使用時間，將負(fù)荷分?jǐn)傊羶r格較低的時間段，從而在不增加整體成本的情況下高效利用能源。當(dāng)實施價格型需求響應(yīng)時，在云儲能系統(tǒng)的支持下，用戶可以獲得詳細(xì)的電價信息以及預(yù)測的新能源產(chǎn)量數(shù)據(jù)，這些信息給用戶提供參考，幫助其做出決策，既可以滿足個體用能需求，又可以保證能源系統(tǒng)平穩(wěn)運行。用戶側(cè)的充放能決策行為模型衡量了價格信號、新能源預(yù)測和用戶需求，進而形成最佳充放能策略，多能源云儲能基本架構(gòu)如圖1所示。

1.2 多能源云儲能的能源集線器結(jié)構(gòu)

1.2.1 能源源頭

能源源頭為各種不同類型的能源供給點，包括太陽能光伏、風(fēng)能、水力能以及生物能等。每種能源源頭都有其獨特的特點和產(chǎn)能，能源集線器需要從這些源頭采集能源數(shù)據(jù)，并進行有效整合。

1.2.2 能源轉(zhuǎn)換設(shè)施

這類設(shè)施轉(zhuǎn)換、儲存并處理不同類型的能源，以便更好地適應(yīng)儲能要求[2]。例如，太陽能利用光伏發(fā)電系統(tǒng)轉(zhuǎn)換為電能，風(fēng)能利用風(fēng)力發(fā)電機轉(zhuǎn)換為電能。

1.2.3 儲能裝置

儲能裝置是能源集線器中的核心組成部分，其作用是存儲和調(diào)度能源。裝置有電池儲能、水泵儲能和壓縮空氣儲能等多種形式，在能源供給和需求之間取得平衡。根據(jù)不同能源的特性和需求，能源集線器選擇合適的儲能裝置，并利用智能控制對能源進行合理儲存和分配。

1.2.4 能源輸送網(wǎng)絡(luò)

能源輸送網(wǎng)絡(luò)是將儲存的能源從集線器輸送至用戶端的關(guān)鍵通道，包括電力線路、管道以及輸電塔等設(shè)施，將儲存的能源有效傳輸至各用戶端，滿足不同用戶的能源需求。

2 多能源云儲能模式下用戶側(cè)充放能優(yōu)化決策模型

2.1 用戶側(cè)新能源出力預(yù)測模型

LSTM是一種適用于處理時序數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的變種。在新能源預(yù)測中，由于新能源的產(chǎn)量通常有明顯的季節(jié)性和周期性變化，因此時間序列數(shù)據(jù)十分重要。LSTM利用記憶單元和門控機制捕捉時間序列中的長期依賴，從而提高模型對未來新能源出力預(yù)測的準(zhǔn)確性。在本文研究中，相關(guān)工作人員在LSTM的基礎(chǔ)上，在新能源出力預(yù)測模型中引入概率推斷方法，其中，BNN發(fā)揮了重要作用，利用權(quán)重的不確定性，模型能夠更合理地預(yù)測未知數(shù)據(jù)。在新能源預(yù)測中，受天氣等因素影響，新能源產(chǎn)量的不確定性通常較高。引入BNN，預(yù)測模型能夠在預(yù)測結(jié)果中進行不確定性估計。基于LSTM-BNN的新能源出力概率分布預(yù)測步驟如圖2所示。

新能源出力預(yù)測模型的建模過程分為以下幾個步驟。

2.1.1 數(shù)據(jù)采集與準(zhǔn)備

收集歷史新能源產(chǎn)量的時序數(shù)據(jù)，包括天氣條件、季節(jié)性變化等，這些數(shù)據(jù)用于訓(xùn)練和驗證預(yù)測模型[3]。在本文研究中，設(shè)計T個時刻，M個氣象因素，xmt為在t時刻m類氣象因素，設(shè)光伏出力為yt，Cxm→y為m類氣象因素與光伏出力之間的直接相關(guān)系數(shù)，計算過程如公式（1）所示。

（1）

式中：bm為偏回歸系數(shù)；T為總時間；t為特定時間；為m類氣象因素的平均值；為待預(yù)測的能源產(chǎn)量均值；yt為特定時間t的預(yù)測能源產(chǎn)量，設(shè)Cxm→xk→y為第m類氣象因素經(jīng)過第k類氣象因素后，光伏出力間接關(guān)系系數(shù)，其計算過程如公式（2）所示、公式（3）所示。

Cxm→xk→y=rxm?xkCxk→y" " " " " " " " " " " " " "（2）

（3）

式中：rxm?xk為該模型對于特定時間段或觀測值中某個特征與模型輸入中的某個特征之間的關(guān)系或映射。xkt為在特定時間t經(jīng)過第k類氣象因素后的參數(shù)；為第k類氣象因素平均值。

2.1.2 LSTM模型設(shè)計

建立LSTM結(jié)構(gòu)的深度學(xué)習(xí)模型，需要根據(jù)具體問題調(diào)整LSTM網(wǎng)絡(luò)的層數(shù)和神經(jīng)元數(shù)量，對時序數(shù)據(jù)進行有效建模。

2.1.3 引入BNN

將BNN引入LSTM結(jié)構(gòu)中，在神經(jīng)網(wǎng)絡(luò)的權(quán)重中引入概率分布進行建模，可以更好地反映模型對未知數(shù)據(jù)的不確定性。本研究將BNN概率層參數(shù)設(shè)為W，混合比例高斯分布如公式（4）所示。

（4）

式中：p（W）為BNN概率層參數(shù)設(shè)為W的比例混合高斯分布函數(shù)；j為參數(shù)項；N為BNN概率層數(shù)量；wj為BNN概率層第j項參數(shù)；Nw為參數(shù)的數(shù)量；π為混合比例；N（wj，0，σ201）為當(dāng)方差為σ201時，wj的概率密度。

2.1.4 模型訓(xùn)練與驗證

使用歷史數(shù)據(jù)訓(xùn)練模型，并利用驗證集驗證模型。在訓(xùn)練過程中，BNN 的貝葉斯推斷方法適用于估計權(quán)重的不確定性。

2.1.5 預(yù)測輸出

經(jīng)過訓(xùn)練的模型可以預(yù)測未來新能源產(chǎn)量，預(yù)測結(jié)果不僅包括點估計，還提供了產(chǎn)量的概率分布，使用戶能夠更好地理解預(yù)測的不確定性。

2.2 用戶側(cè)DR模型

構(gòu)建用戶側(cè)DR模型，旨在通過實施價格型DR和激勵型DR，優(yōu)化能源供需平衡，提高能源利用效率。價格型DR利用電價變化信號，用戶能夠主動調(diào)整用能行為，因此負(fù)荷曲線平滑。實施價格型DR的具體措施包括監(jiān)測電價信號、分析負(fù)荷彈性、計算最佳負(fù)荷分配和激勵用戶行為。利用智能電表或能源管理系統(tǒng)獲取實時電價數(shù)據(jù)，并結(jié)合歷史用電數(shù)據(jù)進行分析，建立負(fù)荷-電價彈性模型，根據(jù)用戶的電能需求、電價變化和系統(tǒng)穩(wěn)定等因素，使用優(yōu)化算法計算最佳負(fù)荷分配方案。采取獎勵措施等方式，鼓勵用戶參與價格型DR[4]。激勵型DR采取激勵補償?shù)恼{(diào)整策略來響應(yīng)能源供應(yīng)。激勵型DR的獎勵措施包括設(shè)定激勵機制、推送激勵信號、監(jiān)測用戶行為和激勵評估與調(diào)整。確定激勵機制并將其與用戶的用能行為進行關(guān)聯(lián)，通過短信、App通知或智能家居設(shè)備向用戶推送激勵信號。采用DR進行負(fù)荷轉(zhuǎn)移后，其模型如公式（5）、公式（6）所示。

PL=P0+?P " " " " " " " " " （5）

（6）

式中：PL為采用DR后的負(fù)荷矩陣；P0為采用DR前的負(fù)荷矩陣；?P為采用DR的負(fù)荷轉(zhuǎn)移矩陣；E為多時段彈性系數(shù)矩陣；e11為第一行第一列參數(shù)；eT1為第T行第一列參數(shù)。

2.3 用戶側(cè)充放能決策目標(biāo)函數(shù)

用戶側(cè)充放能決策目標(biāo)函數(shù)考慮了能源的購買、儲存和釋放成本以及與能源市場交易有統(tǒng)計學(xué)意義的利潤。該目標(biāo)函數(shù)可以基于實時電價信息來制定最佳充放能策略，使能源成本最小化，經(jīng)濟效益最大化。該目標(biāo)函數(shù)考慮了能源的購買、維護成本以及儲存設(shè)備的操作步驟等因素，以減少能源系統(tǒng)的費用支出。該目標(biāo)函數(shù)結(jié)合電價預(yù)測、能源需求預(yù)測和儲能系統(tǒng)效率等信息來確定最佳的充放能策略，最大程度地提高能源使用效率。該函數(shù)以能源利用效果最佳為目標(biāo)，減少不必要的能源浪費。該目標(biāo)函數(shù)考慮了能源的供應(yīng)與需求之間的匹配度，優(yōu)化能源儲存和釋放策略，提高系統(tǒng)的能源利用效率。該目標(biāo)函數(shù)考慮了可再生能源的利用程度和能源存儲系統(tǒng)的規(guī)模和效能，以減少對傳統(tǒng)能源的依賴。

根據(jù)用戶的特定需求和約束，結(jié)合市場運行實際情況和能源系統(tǒng)的性能參數(shù)定制目標(biāo)函數(shù)。利用數(shù)學(xué)方法，例如線性規(guī)劃、非線性規(guī)劃以及動態(tài)規(guī)劃等，精確計算充放能決策策略的最優(yōu)解，以滿足其設(shè)定的目標(biāo)函數(shù)需求。在本文研究中，設(shè)云儲能提供商優(yōu)化決策目標(biāo)為C2，計算過程如公式（7）、公式（8）所示。

C2=kpaCinv+Cpoe+Cfix" " " " " " " " " " " " " " " " " " " "（7）

（8）

式中：kpa為功率適應(yīng)系數(shù)，即系統(tǒng)在不同功率需求下的適應(yīng)程度；cpoe為充電偏差成本，即實際充電量與計劃充電量之間的差異；Cfix為固定運行成本，即系統(tǒng)在不考慮充放能量成本的情況下的基本運行費用；Cinv為云儲存提供商的投入成本；Pe，E s，t為云儲能提供商在電網(wǎng)中的實際功率；Ph，H s，t為云儲能提供商在熱網(wǎng)中獲得的實際功率；Pe，G s，t為云儲能提供商在氣網(wǎng)中獲得的實際功率；λte為電力用戶與電網(wǎng)之間購買單位功率能量價格；λth為電力用戶與熱網(wǎng)之間購買單位功率能量價格；λtg為電力用戶與氣網(wǎng)之間購買單位功率能量價格；θte為電力用戶與電網(wǎng)之間反送單位功率能量價格；θth為電力用戶與熱網(wǎng)之間反送單位功率能量價格；θtg為電力用戶與氣網(wǎng)之間反送單位功率能量價格；χ為熱網(wǎng)換算單位功率的熱值系數(shù)；γ為氣網(wǎng)換算單位功率的熱值系數(shù)；S為成本最小化參數(shù)。

2.4 用戶側(cè)充放能決策約束條件以及算法求解

本文采用拉格朗日乘子法，通過將約束條件引入目標(biāo)函數(shù)，從而將原問題轉(zhuǎn)化為無約束問題[5]。

2.4.1 定義目標(biāo)函數(shù)

假設(shè)用戶側(cè)充放能決策問題的目標(biāo)函數(shù)為J（x），其中（x）為決策變量。將約束條件gi（x）引入目標(biāo)函數(shù)，使用拉格朗日乘子λi來建立新的拉格朗日函數(shù)如公式（9）所示。

（9）

2.4.2 求解梯度為零的點

求拉格朗日函數(shù)的偏導(dǎo)數(shù)，令導(dǎo)數(shù)為0，解得目標(biāo)函數(shù)的臨界點，計算過程如公式（10）所示。

（10）

2.4.3 更新拉格朗日乘子

根據(jù)拉格朗日乘子更新策略，迭代調(diào)整乘子λ直至收斂。更新規(guī)則如公式（11）所示。

λi（k+1）=λi（k）+α（gi（x（k）））" " " "（11）

式中：α為學(xué)習(xí)率；k為迭代步數(shù)。λi（k）為第k次迭代中，與第i個約束相關(guān)聯(lián)的拉格朗日乘子的值；gi為優(yōu)化問題的第i個約束條件；x（k）為第k次迭代中的優(yōu)化問題的決策變量；λi（k+1）為第k+1次迭代中，與第i個約束條件相關(guān)聯(lián)的拉格朗日乘子的值。

2.4.4 檢查最優(yōu)解

在迭代過程中，檢查目標(biāo)函數(shù)是否收斂至最佳值以及拉格朗日乘子是否滿足最佳條件。

3 結(jié)語

在推動新能源需求響應(yīng)的過程中，RIES多能源云儲能規(guī)劃引領(lǐng)了智能化、前瞻性的能源管理潮流。利用新能源的獨特優(yōu)勢和需求進行技術(shù)融合，對能源進行高效調(diào)度和智能化管理。該規(guī)劃為用戶提供了更靈活、更可持續(xù)的能源解決方案，引領(lǐng)能源管理進入新階段。利用先進的云計算技術(shù)，該規(guī)劃對能源進行集中式、智能化管理，不僅保證能源系統(tǒng)的經(jīng)濟性、安全性和環(huán)境友好性，還為新能源需求的不斷增長和完善多樣化需求響應(yīng)機制提供支持。

參考文獻

[1]孫帆，王維慶，南東亮，等.配電網(wǎng)-區(qū)域綜合能源系統(tǒng)的合作博弈模型[J].安徽大學(xué)學(xué)報（自然科學(xué)版），2023，47（5）：44-50.

[2]李玲，曹錦業(yè)，NIKITA T，等.計及電動汽車接入的區(qū)域綜合能源系統(tǒng)雙層日前協(xié)調(diào)優(yōu)化調(diào)度[J].電力建設(shè)，2023，44（5）：23-33.

[3]程杉，陳諾，徐建宇，等.考慮綜合需求響應(yīng)的樓宇綜合能源系統(tǒng)能量管理優(yōu)化[J].電力工程技術(shù)，2023，42（2）：40-47，57.

[4]劉英培，黃寅峰.考慮碳排權(quán)供求關(guān)系的多區(qū)域綜合能源系統(tǒng)聯(lián)合優(yōu)化運行[J].電工技術(shù)學(xué)報，2023，38（13）：3459-3472.

[5]陳紅坤，王雪純，陳磊.考慮靈活性供給約束的區(qū)域綜合能源系統(tǒng)節(jié)點邊際能價分解分析[J].電工技術(shù)學(xué)報，2023，38（13）：3576-3589.