计及需求响应的微能网综合能源多时空尺度优化调度

图1 多微能网综合能源系统结构

Fig.1 Structure of multi-micro energy grid integrated energy system

当前国内推行的微能网多采用同类产业的集群效应,主要负荷类型决定微能网的负荷曲线^[11-12].工业微能网多分布在城市郊区地带,可有效利用风能、光伏等新能源;同时,工业区负荷种类齐全,用能方式灵活多变,对于电、热、气的消耗及能量的存储、转换等需求较高;工业生产会产生大量余热,无需额外提供热量,可以通过能量交互作为商业和居民微能网的热量来源.商业微能网用能集中在 10:00—22:00,且以餐饮、娱乐、购物等为主,对电和天然气的需求较高,对热的需求较低,因此有电、气存储;新能源发电除直接上网外也可用于电解水制氢,为氢负荷如氢电动汽车提供能量,需求较小,无需储能.居民区微能网多分布在城市中心,安装小型风力机居多,因此配置的新能源电源以光伏为主,风力机为辅;其负荷种类多,对能量需求高,各能源储能装置均存在,且可有效利用其需求响应潜力,进一步提高综合能源系统的优化运行.3个微能网之间可以进行电能、热能、天然气能的能量交互,在减少能量损失的同时也可提高系统运行的经济性及能源协同性.

由以上各类型微能网特性分析得到电、热、天然气、氢气负荷初始值^[13],如图2所示.

图2

图2 微能网各类型负荷

Fig.2 Various types of loads of micro-energy grid

1.2 负荷特性及需求响应

在含多微能网的综合能源系统中,除去配电网侧向微能网进行能量输送和微能网之间的能量交互,需求侧响应对能源设备耦合及能量交互也具有重要影响.根据负荷参与响应的特性,将需求响应负荷分为可替代、可转移和可削减负荷^[6].

(1) 在能源总需求量一定时,根据某一时间段的能源价格选择不同能源达到自身用能需求的负荷称为可替代负荷,例如微能网可以通过热电联产机组或电锅炉供应热负荷.

(2) 根据不同时间段能源价格或电力市场激励措施的不同,改变负荷用能时间,起到削峰填谷作用的负荷称为可转移负荷,例如蓄电池、储热罐等.

(3) 在能源网负荷高峰时段或紧急情况下,可以减少对能源需求量的负荷称为可削减负荷,例如空调等.

基于各省现行的电力市场运行规则及安全校核方案,用户与能源聚合商或售电公司签订合同,未直接参与电力市场的负荷则直接由电力公司代理.本文研究的可替代、可转移和可削减负荷均指符合参与电力市场或需求侧响应的负荷,均可控、可调.假设IEGHES为实时信息系统,即能实时获取电力、热力、天然气、氢气系统的运行状态及价格波动等信息数据,具体的响应机制如图3所示.

图3

图3 需求响应结构

Fig.3 Structure of demand response

能源聚合商通过与配电网、配气网之间进行信息交互,在日前阶段向下一级微能网发出需求调度任务,微能网根据这一调度对己上报的用能计划进行调整,可替代负荷根据调度需求作出调整;日内阶段将日前阶段调整后的可替代负荷作为已知量负荷,可转移负荷积极响应作出调整;实时阶段则是将前两个阶段的需求负荷作为已知量负荷,可削减负荷根据调度需要作出调整.在上、中、下3层协同优化框架下考虑不同种类的需求响应负荷,可以结合负荷特性合理调度其参与响应,降低补偿成本,提高系统运行经济性,实现系统的协同优化运行.

2 多时空尺度下的多微能网优化调度模型

本文建立的多微能网综合能源系统为多维能源供需平衡模型,优化框架如图4所示.上层日前优化时间尺度为1 h,执行时间为24 h,计划提前1 d制定;中层日内优化时间尺度为15 min,执行周期为24 h,响应时长为15 min~1 h;下层实时优化时间尺度为5 min,调整实时阶段不平衡功率,响应时长为5~15 min.

图4

图4 IEGHES多时空尺度优化框架

Fig.4 Multi-space-scale optimization framework of IEGHES

2.1 日前阶段

2.1.1 日前目标函数

日前调度阶段时间尺度为1 h,以整个多微能网综合能源系统的运行成本C^u最小为目标,运行成本包含能源购买成本 $C_{b u y}^{u}$ 、环境保护成本 $C_{e p}^{u}$ 、设备维护成本^[14] $C_{o m}^{u}$ 、可替代需求响应成本 $C_{r e p}^{u}$ 和微能网间能量交互成本 $C_{o c}^{u}$ .

(1)min C^u=

C_{b u y}^{u}

C_{e p}^{u}

C_{o m}^{u}

C_{r e p}^{u}

C_{o c}^{u}

(2)

C_{b u y}^{u}

\overset{3}{\sum_{i = 1}} \overset{T}{\sum_{t = 1}}

(

P_{e}^{t} P_{b, i}^{t}

P_{g}^{t} G_{b, t}^{t}

)

(3)

C_{e p}^{u}

=α

\overset{3}{\sum_{i = 1}} \overset{T}{\sum_{t = 1}}

(β_e

P_{b, i}^{t}

+β_g

G_{b, t}^{t}

)

(4)

C_{o m}^{u}

\overset{3}{\sum_{i = 1}} \overset{T}{\sum_{t = 1}} \sum_{r \in R}

P_om_,r

P_{r, i}^{t}

(5)

C_{r e p}^{u}

\overset{3}{\sum_{i = 1}} \overset{T}{\sum_{t = 1}}

(

p_{c n}^{u} P_{c n, i}^{u, t}

p_{n y}^{u} P_{n y, i}^{u, t}

)

(6)

C_{o c}^{u}

\overset{T}{\sum_{t = 1}} \overset{3}{\sum_{i = 1}} \overset{3}{\sum_{j = 1, j \neq i}}

(

P_{e, o c}^{t} P_{i j}^{t}

P_{h, o c}^{t} H_{i j}^{t}

P_{g, o c}^{t} G_{i j}^{t}

)

式中: $P_{e}^{t}$ 、 $P_{g}^{t}$ 分别为t时刻的电价和天然气价;T为调度时间,取24 h; $P_{b, i}^{t}$ 、 $G_{b, i}^{t}$ 分别为在t时刻微能网i向配网购买的电量和天然气量,其中i=1表示工业微能网,i=2表示商业微能网,i=3表示居民微能网;α为单位CO₂的处理成本,取0.031^[15];β_e、β_g分别为微能网中电网和天然气网的碳排放系数,分别取0.972和0.23;R为微能网i中需要维护的设备集合;P_om_,r、 $P_{r, i}^{t}$ 分别为机组r的维护价格和输出功率; $p_{c n}^{u}$ 、 $p_{n y}^{u}$ 分别为容量补偿价格和能源补偿价格; $p_{c n, i}^{u}$ 、 $P_{n y, i}^{u, t}$ 分别为可削减负荷的预留响应部分和实际响应部分; $P_{e, o c}^{t}$ 、 $P_{h, o c}^{t}$ 、 $P_{g, o c}^{t}$ 分别为t时刻的电、热、天然气销售价格; $P_{i j}^{t}$ 、 $H_{i j}^{t}$ 、 $G_{i j}^{t}$ 分别为微能网i和j之间相互作用的能量.

2.1.2 日前约束条件

(1) CHP机组运行约束.

CHP机组主要包含燃气轮机和锅炉,可为外界提供电和热,数学模型^[11]为

(7)H_chp=

η_{c h p}^{h e}

P_chp

(8)G_chp=

\frac{1}{H_{n g}} \frac{P_{c h p}}{β_{c h p}}

(9)0≤

H_{c h p, i}^{i}

≤H_chp_,i,_max

式中:H_chp为CHP机组的输出热功率; $η_{c h p}^{h e}$ 为CHP机组的热电转化效率,取90%;P_chp为CHP机组的发电量;G_chp为CHP机组消耗天然气的量;β_chp为CHP机组的发电效率,取90%;H_ng为天然气的低热值,取9.7 (kW·h)/m³;H_chp_,i,_max为CHP机组产热量的最大值.

(2) 电锅炉运行约束^[11]:

(10)H_eb=η_ebP_eb

(11)0≤

H_{e b, i}^{t}

≤H_eb_,i,_max, i=1,2,3

式中:H_eb为电锅炉的输出热功率;η_eb为电锅炉的制热效率,取95%;P_eb为电锅炉的电功率;H_eb_,i,_max为电锅炉功率的最大值.

(3) 电解水装置约束.

电解装置是电转气(Power-to-Gas, P2G)的核心组成部分,利用新能源发电进行电解水操作获得氢气,数学模型^[16]为

(12)A_ec=β_ecV_ec

A_{H_{2}}

(13)V_ec=a₀+b₀

\frac{P_{e c, i n}}{P_{e c}}

(14)0≤

A_{e c, i}^{t}

≤A_ec_,i,_max, i=1,2,3

式中:A_ec为电解水装置产生的氢气量;β_ec为电解装置效率,取90%;V_ec为电解装置的额定容量; $A_{H_{2}}$ 表示额定产氢量,取350;β_ec,in为电解装置的输入功率;P_ec为电解装置的额定功率;a₀、b₀为效率函数系数,分别取 0.010 9 和 1.067 6;A_ec_,i,_max为电解水制取得到的氢气功率最大值.

(4) 烷化装置约束.

氢气在烷化装置里经化学反应可得到天然气,数学模型^[17]为

(15)G_ch=

\frac{β_{c h} A_{e c c h} M_{H_{2}} H_{n g}}{κ}

(16)0≤

G_{c h, i}^{t}

≤G_ch_,i,_max, i=1,2,3

式中:G_ch为转化得到的天然气量;β_ch为氢气转换效率,取73%;A_ecch为制天然气所需氢气量; $M_{H_{2}}$ 为氢气转换成天然气的摩尔质量折算系数;κ为天然气管道每立方米对应的气体质量;G_ch_,i,_max为烷化反应后得到的天然气功率最大值.

(5) 能源购买上、下限约束:

(17)

\begin{array}{l} 0 \leq P_{b, i}^{t} \leq P_{b, i, m a x}, 0 \leq \overset{3}{\sum_{i = 1}} P_{b, i}^{t} \leq P_{b, m a x} \\ 0 \leq G_{b, i}^{t} \leq G_{b, i, m a x}, 0 \leq \overset{3}{\sum_{i = 1}} G_{b, i}^{t} \leq G_{b, m a x} \end{array}\}

式中:i=1,2,3;P_b_,i,_max、G_b_,i,_max分别为微能网i的电、气购买上限;P_b_,_max、G_b_,_max分别为多微能网综合能源系统电、气的总上限.

(6) 能量交互约束:

(18)

\begin{array}{l} - P_{i j, m a x} \leq λ_{i j, e}^{t} P_{i j}^{t} \leq P_{i j, m a x} \\ - H_{i j, m a x} \leq λ_{i j, h}^{t} H_{i j}^{t} \leq H_{i j, m a x} \\ - G_{i j, m a x} \leq λ_{i j, g}^{t} G_{i j}^{t} \leq G_{i j, m a x} \end{array}\}

式中:P_ij,_max、H_ij,_max、G_ij,_max分别为微能网i和j之间电、热、天然气能量交互上限值; $λ_{i j, e}^{t}$ 、 $λ_{i j, h}^{t}$ 、 $λ_{i j, g}^{t}$ 分别为电、热、天然气能量交互的方向,取正值表示能量从微能网i流向j,取负值表示能量从微能网j流向i.

(7) 储能设备运行约束.

储能设备在多微能网中的能量管理中起着重要作用,通用模型为

(19)

\begin{array}{l} E_{x}^{t + 1} = \{\begin{array}{l} E_{x}^{t} (1 - δ_{x}) + P_{x, c}^{t} η_{x, c} Δ t \\ E_{x}^{t} (1 - δ_{x}) - P_{x, d}^{t} Δ t / η_{x, d} \end{array} \\ x \in {e s, h s, g s, a s} \end{array}\}

式中:x为储能的种类,分别为电储能(es)、热储能(hs)、天然气储能(gs)和氢气储能(as); $E_{x}^{t}$ 、 $E_{x}^{t + 1}$ 分别为能量充放前、后的能量状态;η_x,_c、η_x,_d和δ_x分别为充能效率、放能效率和能量损失系数; $P_{x, c}^{t}$ 、 $P_{x, d}^{t}$ 分别为t时刻的充、放能功率.

(20)

\begin{array}{l} E_{x, i, m i n} \leq E_{x, i}^{t} \leq E_{x, i, m a x} \\ 0 \leq P_{x, c, i}^{t} \leq λ_{x, c, i} P_{x, c, i, m a x} \\ 0 \leq P_{x, d, i}^{t} \leq λ_{x, d, i} P_{x, d, i, m a x} \\ E_{x, i}^{0} = E_{i, i}^{24}, λ_{x, c, i} + λ_{x, d, i} = 1 \end{array}\}

式中:i=1,2,3;E_x,i,_max、E_x,i,_min分别为储能设备的上、下限值;P_x,_c_,i,_max、P_x,_d_,i,_max分别为充、放能量的最大值;λ_x,_c_,i、λ_x,_d_,i分别为充、放能量的0-1状态量.

(8) 可替代负荷约束.

可替代负荷指用户可以根据自身的用能目的选择不同能源供应方式,而选择多取决于当下价格.以电/天然气可替代负荷为例,微能网可利用燃气锅炉或电锅炉供应热负荷,为了便于研究,提出电/气能源边际替代率,表示在相同时间段里,用户消耗电能与消耗天然气能量之比:

(21)β_eg=

\frac{Δ P_{r e p}}{Δ G_{r e p}}

电能与天然气能的可替代负荷数学模型^[17-18]表示为

(22)P_pl(t)=P_buy₀(t)+β_egG_rep(t)-P_rep(t)

(23)G_pl(t)=G_buy₀(t)+P_rep(t)/β_eg-G_rep(t)

式中:ΔP_rep(t)、ΔG_rep(t)分别为可替代负荷响应前后电能与天然气需求量的变化量;P_buy₀(t)、G_buy₀(t)分别为系统初始购电量与购天然气量;P_rep(t)、G_rep(t)分别为t时刻参与调度的可替代电负荷量与天然气负荷量.各类可替代负荷应满足如下约束条件:

(24)

\begin{array}{l} 0 \leq | P_{r e p, t, i} | \leq P_{r e p, t, i, m a x} \\ 0 \leq | H_{r e p, t, i} | \leq H_{r e p, t, i, m a x} \\ 0 \leq | G_{r e p, t, i} | \leq G_{r e p, t, i, m a x} \\ 0 \leq | A_{r e p, t, i} | \leq A_{r e p, t, i, m a x} \end{array}\}

式中:P_rep_,t,i、H_rep_,t,i、G_rep_,t,i、A_rep_,t,i分别为可替代电、热、天然气、氢气负荷在t时刻的替代量最大值.

(9) 能量平衡约束:

(25)

{\bar{L}}^{u}_{i}

+Δ

{L^{u}}_{i, d r}

=C_in,_i

P_{i n, i}^{u}

+C_de,_i(

{\bar{P}}_{d e, i}^{u}

P_{d e, i}^{u}

)+C_tr,_i

P_{t r, i}^{u}

+C_s,_i

P_{s, i}^{u}

+C_oc,_i

P_{o c, i}^{u}

式中: ${\bar{P}}_{d e, i}^{u}$ 、 ${\bar{L}}^{u}_{i}$ 分别为分布式发电和负荷的预测功率;Δ ${L^{u}}_{i, d r}$ 为需求响应的负荷变化矩阵; $P_{i n}^{u}$ 、 $P_{d e}^{u}$ 、 $P_{t r}^{u}$ 、 $P_{s}^{u}$ 、 $P_{o c}^{u}$ 分别为能量输入、能量生产、能量转换、能量储存和能量相互作用的变量矩阵;C_in、C_de、C_tr、C_s、C_oc分别为各自对应的耦合矩阵.

2.2 日内阶段

2.2.1 日内目标函数

日内优化调度阶段时间尺度为15 min,与日前阶段目标函数一致,以各微能网的运营成本 ${C^{m}}_{i}$ 最小为目标函数,成本包括能源购买成本 $C_{b u y, i}^{m}$ 、环境保护成本 $C_{e p, i}^{m}$ 、设备维护成本 $C_{o m, i}^{m}$ 、可转移需求响应成本 $C_{t r, i}^{m}$ 和能量交互成本 $C_{o c, i}^{m}$ .

(26)min

{C^{m}}_{i}

C_{b u y, i}^{m}

C_{e p, i}^{m}

C_{o m, i}^{m}

C_{t r, i}^{m}

C_{o c, i}^{m}

(27)

C_{t r, i}^{m}

\overset{3}{\sum_{i = 1}} \overset{T}{\sum_{t = 1}}

(

p_{c n}^{m} P_{c n, i}^{m, t}

p_{n y}^{m} P_{n y, i}^{m, t}

)

2.2.2 日内约束条件

日内阶段将日前阶段调整后的可替代负荷作为已知量负荷,在此基础上进行日内优化调度,可转移负荷积极响应需求,其余约束条件相同.

可转移负荷可以根据微能网的用能高峰低谷时段灵活选择负荷使用时间,通过分时电价和政府相应激励措施引导负荷在不同时段的价格变化,用户调整用能行为,数学模型^[19⇓-21]如下:

(28)P_tr(t)=P_extr(t)+

\overset{T}{\sum_{t' = 1, t' \neq t}}

α_t'_,_tΔP_trans(t)

(29)H_tr(t)=H_extr(t)+

\overset{T}{\sum_{t' = 1, t' \neq t}}

α_t'_,_tΔH_trans(t)

(30)G_tr(t)=G_extr(t)+

\overset{T}{\sum_{t' = 1, t' \neq t}}

α_t'_,_tΔG_trans(t)

(31)A_tr(t)=A_extr(t)+

\overset{T}{\sum_{t' = 1, t' \neq t}}

α_t'_,_tΔA_trans(t)

式中:P_extr(t)、H_extr(t)、G_extr(t)、A_extr(t)分别为转移前的电、热、天然气和氢气的负荷量;ΔP_trans(t)、ΔH_trans(t)、ΔG_trans(t)、ΔA_trans(t)分别为用户在t时刻转移的电、热、天然气和氢气负荷量;α_t'_,_t=1为负荷量从t'时刻转入到t时刻,α_t'_,_t=-1为负荷量从t时刻转到t'时刻.各类可转移负荷应满足如下约束条件:

(32)

\begin{array}{l} 0 \leq | Δ P_{t r a n s, t, i} | \leq P_{t r a n s, t, i, m a x} \\ 0 \leq | Δ H_{t r a n s, t, i} | \leq H_{t r a n s, t, i, m a x} \\ 0 \leq | Δ G_{t r a n s, t, i} | \leq G_{t r a n s, t, i, m a x} \\ 0 \leq | Δ A_{t r a n s, t, i} | \leq A_{t r a n s, t, i, m a x} \end{array}\}

式中:P_trans_,t,i,_max、H_trans_,t,i,_max、G_trans_,t,i,_max、A_trans_,t,i,_max为t时刻转移的电、热、天然气、氢气负荷最大值.

2.3 实时阶段

考虑日内阶段风力机、光伏等新能源发电功率、常规负荷日前预测的误差,在该阶段引入风力机、光伏、常规负荷的功率值实际扰动,因此不再考虑弃风弃光现象,对该阶段的目标函数进行优化:

(33)

\begin{array}{l} Δ P_{S - p v} (t) = P_{S - p v} (t) - P_{p v} (t) \\ Δ P_{S - w t} (t) = P_{S - w t} (t) - P_{w t} (t) \\ Δ P_{S - l o a d} (t) = P_{S - l o a d} (t) - P_{l o a d} (t) \end{array}\}

式中:ΔP_S-pv(t)为t时刻预调度阶段模拟光伏功率P_S-pv与日前预测光伏功率P_pv差值;ΔP_S-wt(t)为t时刻预调度阶段模拟风力机功率与P_S-wt日前预测风力机功率P_wt差值;ΔP_S-load(t)为t时刻预调度阶段模拟常规负荷功率P_S-load与日前预测常规负荷功率P_load差值.

2.3.1 实时目标函数

实时优化调度阶段时间尺度为5 min,以实时运行成本 $C_{i}^{l, t}$ 最低为目标,对能源供需不平衡作出修正.成本包含常规运行成本 $C_{i, n o r}^{l, t}$ 和调整成本Δ $C_{i}^{l, t}$ .其中,本阶段在微能网内部进行优化调度,能量交互既可以作为该微能网的电源为其提供能量,又可以作为负荷消耗能量,因此将考虑能量交互的损耗成本.

(34)min

C_{i}^{l, t}

C_{i, n o r}^{l, t}

+Δ

C_{i}^{l, t}

(35)

C_{i, n o r}^{l, t}

C_{b u y, i}^{l, t}

C_{o m, i}^{l, t}

C_{e p, i}^{l, t}

C_{d r, i}^{l, t}

C_{l o s s, i}^{l, t}

(36)

C_{d r, i}^{l, t}

\overset{3}{\sum_{i = 1}} \overset{T}{\sum_{t = 1}}

(

p_{c n}^{l} P_{c n, i}^{l, t}

p_{n y}^{l} P_{n y, i}^{l, t}

)

(37)

C_{l o s s, i}^{l}

\frac{1}{2} \overset{N_{T}}{\sum_{t = t_{s}}} \sum_{j \in 1,2, 3, j \neq i}

(

P_{e}^{t}

γ_e

P_{i j}^{t}

P_{h}^{t}

γ_h

H_{i j}^{t}

P_{g}^{t}

γ_g

G_{i j}^{t}

)

(38)$\begin{aligned} \Delta C_{i}^{l, t}= & \left(\mu_{\mathrm{p}}\left(\Delta P_{\mathrm{b}, i}^{t}\right)+\mu_{\mathrm{g}}\left(\Delta G_{\mathrm{g}, i}^{t}\right)+\right. \\ & \left.\sum_{v \in V} \mu_{v}\left(\Delta P_{v, t}^{t}\right)\right) \Delta t \end{aligned}$

式中: $P_{h}^{t}$ 为热价;t_s为日内优化的开始时间;N_T为日内优化周期总数;γ_e、γ_h、γ_g分别为电、热、天然气的传输损耗系数,分别取6%、8%和3%; μ_p、Δ $P_{b, i}^{t}$ 分别为调整后的电价和调整后的购电量;μ_g、Δ $G_{b, i}^{t}$ 分别为调整后的天然气价和购气量;V为微能网i中处于实时调度阶段的集合;μ_υ、Δ $P_{υ, i}^{t}$ 分别为设备υ的调整价格和调整功率; $C_{d r, i}^{l, t}$ 为可削减需求响应成本;Δt=5 min.

2.3.2 实时约束条件

实时阶段将日前优化后的可替代负荷与日内优化后的可转移负荷作为已知量负荷,可削减负荷参与需求响应,其余约束条件相同.

可削减负荷在电力系统中承担着降低能源需求量的责任,其数学模型^[22⇓-24]如下:

(39)P_xj(t)=P_ex_,_xj(t)-α_tΔP_xj(t)

(40)H_xj(t)=H_ex_,_xj(t)-α_tΔH_xj(t)

(41)G_xj(t)=G_ex_,_xj(t)-α_tΔG_xj(t)

(42)A_xj(t)=A_ex_,_xj(t)-α_tΔA_xj(t)

式中:P_ex_,xj(t)、H_ex_,xj(t)、G_ex_,xj(t)、A_ex_,xj(t)分别为用户在t时刻响应前的电、热、天然气和氢气负荷量;ΔP_xj(t)、ΔH_xj(t)、ΔG_xj(t)、ΔA_xj(t)分别为在t时刻削减的电、热、天然气和氢气负荷量;α_t=1为在t时刻负荷被削减,α_t=0为在t时刻负荷未被削减.各类可削减负荷应满足如下约束条件:

(43)

\begin{array}{l} 0 \leq |Δ P_{x j, t, i} | \leq P_{x j, t, i, m a x} \\ 0 \leq | Δ H_{x j, t, i} | \leq H_{x j, t, i, m a x} \\ 0 \leq | Δ G_{x j, t, i} | \leq G_{x j, t, i, m a x} \\ 0 \leq | Δ A_{x j, t, i} | \leq A_{x j, t, i, m a x} \end{array}\}

式中:P_xj,t,i,_max、H_xj,t,i,_max、G_xj,t,i,_max、A_xj,t,i,_max分别为在t时刻削减的电、热、天然气、氢气负荷的最大值; i=1,2,3.

2.4 模型求解

经上述分析可知,本文目标函数、约束条件均为线性,3个阶段均未涉及0-1变量与连续变量相乘项,按照C^u、 ${C^{m}}_{i}$ 、 $C_{i}^{l, t}$ 的顺序进行求解.商业求解器Cplex综合了分支定界法、割平面法等优化算法的优点,具备快速求解混合整数线性规划问题的能力^[25],因此利用MATLAB中的Yalmip+Cplex进行模型求解.

3 算例分析

3.1 算例数据

基于改进后的实际项目“雄安新区工业园”进行算例分析.工业、商业、居民微能网中均具有1个120 MW容量的光伏场,1个150 MW容量的风电场;各微能网向上层配网购买电能和天然气能的最大值均为400 kW,算例拓扑已在图1中展示.负荷比例如表1所示,各可调度负荷参与需求响应的补偿价格如表2所示,能源价格^[26]如图5所示,其他参数见文献[27].本文仿真环境为Intel(R) Core(TM) i7-10750H CPU @2.60 GHz,利用软件 MATLAB R2014a进行计算,日内阶段调用模型时间为21.3 s,实时阶段调用模型时间为30.8 s,算法求解效率满足调度需求.

表1 用户侧负荷比例

Tab.1 Load ratio at user side

负荷类型	负荷比例
负荷类型	常规负荷	可替代负荷	可转移负荷	可削减负荷
电负荷	0.4	0.2	0.3	0.1
热负荷	0.6	0.1	0.2	0.1
天然气负荷	0.3	0.2	0.4	0.1
氢气负荷	0.6	0.1	0.2	0.1

表2 需求响应补偿价格

Tab.2 Compensation price of demand response

类型		价格/(美元· kW^-1·h^-1)	类型		价格/(美元· kW^-1·h^-1)
电负荷	可替代	0.44	天然气负荷	可替代	0.28
	可转移	0.44		可转移	0.28
	可削减	0.55		可削减	0.35
热负荷	可替代	0.20	氢气负荷	可替代	0.20
	可转移	0.20		可转移	0.20
	可削减	0.25		可削减	0.25

图5

图5 能源价格

Fig.5 Prices of energy

3.2 日前调度分析

以居民微能网为例,图6所示为日前调度阶段电力、热力、氢气和天然气系统的功率优化结果.由图6(a)可知,23:00—9:00是用电低谷时期,电价较低,此时微能网倾向于向配电网购买电能以满足自身的用能需求,缺额部分可依靠WT和CHP满足;电锅炉此时可大功率运行满足用户晚上的热能需求,电解装置消耗电能以满足用户氢气需求,如氢电动汽车在夜晚集中充电;在用电高峰时期如10:00—14:00,PV开始出力,电锅炉减少功率消耗,相比于向配网高价购买电能,微能网更倾向于利用CHP提供能量,电解水装置降低消耗,优先满足电能需求.由图6(b)可知,10:00—21:00为居民热负荷的低谷时期,此时电锅炉主要满足电力系统稳定运行,产热较少,CHP可满足该时段热能需求;在22:00—9:00,除电锅炉大功率运行外,居民微能网还可以通过与另两个微能网的能量交互获得热能.由图6(c)可知,23:00—9:00是用电低谷时期,电解装置可在该时段大功率运行产生氢气为氢负荷供能,如氢燃料电动汽车,也符合晚上集中充电的用能特性,部分氢气在此时可进入烷化装置制取天然气;10:00—22:00 电能优先满足电力系统运行,电解装置产氢量下降.由图6(d)可知,23:00—9:00时段电解装置产生较大量的氢气,经过烷化装置可得到天然气以满足自身天然气需求;10:00—22:00向上层配气网购买能量,弥补天然气空缺;CHP机组满功率运行是因为相比于购能价格,从利益角度出发,系统将优先考虑CHP供电供热,所以天然气消耗量大.

图6

图6 居民微能网日前各系统功率优化结果

Fig.6 Power optimization results of each system of residential micro-energy grid in day-ahead scheduling

由图6中各系统原始负荷与日前调度后负荷曲线对比可知,电负荷曲线在22:00—8:00有所上升,在13:00—15:00、18:00—20:00有所下降;热负荷曲线在23:00—9:00 有所上升,在11:00—15:00、18:00—22:00有所下降;氢气负荷曲线在23:00—9:00有所上升,在13:00—15:00、18:00—21:00有所下降;天然气负荷曲线在22:00—8:00有所上升,在12:00—14:00、19:00—21:00有所下降.这说明日前调度阶段引入可替代负荷后改善了用能特性,起到了削峰填谷的作用.

图7为日前阶段各类型微能网的能量交互调度结果,其中白色表示电能量,浅灰色表示热能交互量,深灰色表示天然气能交互量.

图7

图7 各微能网能量交互调度结果

Fig.7 Energy interactive scheduling results of each micro-energy grid

由图7可知,各微能网的能量交互主要集中在21:00—7:00.24:00—3:00是居民微能网用能低谷时段,商业微能网此时也处于休业状态,因此在满足自身用电需求外可以将电能出售给夜间仍生产的工业微能网以获得收益;21:00—7:00是商业微能网的休业时段,此时对热能的需求不高,因此该时间段商业微能网出售热能给需要供暖的居民微能网和夜间生产的工业微能网;商业微能网和居民微能网在 23:00—5:00 对天然气能的需求少,可出售给对燃气需求量大的工业微能网用于生产,自身也可以有所收益.由以上分析可知,开展能源互动可促进能源供需平衡,实现多维能源的经济灵活运行.

3.3 日内调度分析

以居民微能网为例,图8为日内调度阶段电力、热力、氢气和天然气系统的功率优化结果.

图8

图8 居民微能网日内各系统功率优化结果

Fig.8 Power optimization results of each system of residential micro-energy grid in day-after scheduling

由图8可知,日内阶段通过对15 min时间尺度的多能微网进行优化调度,电能、热能、天然气、氢气这4个系统的能源调度细节更具体,实现了多维能源的供需平衡.但是与日前调度阶段相比仍存在一些差异,如图8(a)中,在12:00—14:00和18:00—20:00 时间段,电锅炉消耗功率较日前阶段减少,向配网购买电能减少或为0,降低了高峰时段的购能成本;在图8(b)中,能量交互较日前阶段提前到了19:00,这是因为电锅炉产热量减少,CHP机组产热无法满足需求,缺额热量来源于另外两个微能网.日内调度阶段在日前阶段基础上继续引入可转移负荷,由图8各系统日前负荷与日内调度后负荷曲线对比可知,引入可转移负荷仍可实现多能源供需平衡的调度,削峰填谷能力加强,也体现了日内阶段协调调度的能力.

3.4 实时调度分析

以居民微能网为例,图9为5 min时间尺度下实时阶段电力、热力、氢气和天然气系统对不平衡功率的调整.实时阶段在日内调度基础上继续引入可削减负荷,旨在修正引入WT、PV和负荷波动时造成的能源供需双方功率不平衡问题.由图9可知,引入可削减负荷对居民微能网内部各具体部分进行协调调度和实时调整,可以有效覆盖微能网内电力、热力、氢气、天然气系统引入的不平衡功率.若在某时刻PV、WT实际值增大或减小,负荷实际值增大或减小,剩余能源设备将调整出力值,需求响应负荷根据需求增加或减少功率,弥补差额,进一步实现多微能网的灵活运行以及在不同时间和空间尺度上的供需平衡.

图9

图9 居民微能网实时各系统不平衡功率调整

Fig.9 Real-time unbalanced power adjustment of each system in residential micro-energy grid

3.5 需求响应分析

以居民微能网为例,图10为各阶段调用不同需求响应负荷之后的电、热、氢气、天然气负荷曲线对比.由图10可知,通过对能源价格和激励信号的综合响应,需求侧能够充分发挥优化潜力,对负荷曲线的影响较为明显,既促进了能源供需平衡,又起到了削峰填谷的作用.日前阶段引入可替代负荷,用户可根据能源价格或用能需求随机选择来达到自身的目的,可以提高系统的可再生能源消纳能力,如在12:00—13:00,天然气负荷曲线较原始曲线减少约15%,电负荷此时无变化,在 13:00—14:00,电负荷较原始曲线减少约18.2%,天然气负荷曲线上升约15%至原始曲线,充分体现了能量的替代性;日内阶段引入可转移负荷,在用能高峰期将负荷转移至低谷期,如在 13:00—14:00,电负荷较日前阶段减少7.68%~10.63%,负荷曲线在该段低于日前曲线,在 22:00—24:00,电负荷较日前阶段增加约4.76%,在该时段高于日前曲线;实时阶段引入可削减负荷,进一步修正负荷曲线,在用能高峰期减少负荷使用,如在11:00—13:00,电负荷较日内阶段减少2.59%~10.7%,负荷曲线在该时段低于日内负荷曲线,降低了用能高峰时期的压力.

图10

图10 居民微能网各阶段调用需求响应负荷曲线对比

Fig.10 Comparison of demand response load curves of residential micro-energy grid in different stages

3.6 成本分析

表3为各微能网在日前、日内和实时阶段的各项成本对比.

表3 微能网在各阶段的成本对比

Tab.3 Cost comparison of micro-energy grid in different stages 元

微能网类型	成本类型	日前	日内	实时
工业	购能	6894.50	6401.70	6405.80
	环境保护	242.60	235.01	226.27
	设备维护	297.42	297.40	297.36
	传输损耗	—	—	30.07
	能量交互	214.54	6.24	—
	补偿	165.57	129.78	61.62
	总和	7814.62	7070.12	7021.11
商业	购能	2623.90	2793.80	3396.70
	环境保护	71.88	69.48	78.67
	设备维护	283.38	293.60	294.98
	传输损耗	—	—	54.39
	能量交互	124.77	30.69	—
	补偿	55.43	55.44	33.47
	总和	3159.37	3243.00	3858.22
居民	购能	5913.90	5766.20	5642.50
	环境保护	209.28	204.38	175.49
	设备维护	297.55	295.68	297.34
	传输损耗	—	—	32.43
	能量交互	137.98	15.49	—
	补偿	133.53	133.61	101.75
	总和	6692.24	6415.36	6249.51

考虑各个微能网中能量交互与传播损耗的重合部分,计算得到日前、日内和实时阶段的总成本分别为 18 531.25、17 401.51和17 380.05元.以居民微能网部分数据为例,日内阶段购能成本较日前阶段减少147.70元,实时阶段较日内阶段减少123.70元,这是由于随着调度的进行,微能网的能源供需平衡能力得到改善,向配网购能有所减少;环境保护成本与购能量相关,因此也从 209.28 元减少到204.38元,再减少到175.49元;不同需求响应负荷的调度成本不同,可削减负荷作为补偿成本较高的类型,在实时阶段起到修正负荷曲线的作用,调用较少,成本最低,为 101.75 元.

为验证本文策略的经济性与可行性,利用传统MPC调度对日内结果进行滚动优化,得到实时阶段的优化成本,如表4所示.

表4 MPC调度下微能网实时阶段成本

Tab.4 Real-time stage cost of micro-energy grid in MPC scheduling 元

能源网类型	购能	环境保护	设备维护	传输损耗	补偿	总和
工业	6488.90	228.86	297.83	31.78	69.93	7117.31
商业	3319.40	85.85	302.30	56.83	55.21	3819.59
居民	5673.70	186.51	300.66	31.38	106.63	6298.89

考虑3个微能网中传输损耗重合的部分,计算得到MPC调度下实时阶段总成本为17398.04元,较日内阶段成本减少 3.47 元,较本文策略的实时调度成本增加 17.99 元,由此可见本文多时空尺度优化运行策略可以提高系统运行的经济性.

4 结语

通过协调多种能量形式、时空尺度和响应参与者,建立一种新的多维能源供需平衡模型,该模型适用于具有多个社区的能量管理,易于扩展.上层对整个多微能网系统进行日前调度,中层对各微能网进行日内调度,下层对网内不平衡功率进行实时调整.3个阶段分别引入可替代、可转移和可削减负荷进行阶梯式需求响应策略,能够进一步修正多能负荷曲线,对能源的供需平衡起到促进作用,实现系统经济性和可靠性运行.在多时空尺度上考虑更全面的目标和约束条件,采取更有效的措施促进多维综合能源的供需平衡;随着时间尺度的减小,调度方案与系统的实际运行偏差逐渐减小,验证了该策略的可行性和有效性.

本文在综合能源中加入氢气网,作为未来能源发展的新兴力量,下一步将更加详细地研究利用电解水制氢、存储、转换(通过内燃机、燃料电池或其他方式转换为电能)等的相关内容.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

周星球, 郑凌蔚, 杨兰, 等.

考虑多重不确定性的综合能源系统日前优化调度

[J]. 电网技术, 2020, 44(7): 2466-2473.

ZHOU

Xingqiu

, ZHENG

Lingwei

, YANG

Lan

, et al.

Day-ahead optimal dispatch of an integrated energy system considering multiple uncertainty

[J]. Power System Technology, 2020, 44(7): 2466-2473.

[2]

张沈习, 王丹阳, 程浩忠, 等.

双碳目标下低碳综合能源系统规划关键技术及挑战

[J]. 电力系统自动化, 2022, 46(8): 189-207.

ZHANG

Shenxi

, WANG

Danyang

, CHENG

Hao-zhong

, et al.

Key technologies and challenges of low-carbon integrated energy system planning for carbon emission peak and carbon neutrality

[J]. Automation of Electric Power Systems, 2022, 46(8): 189-207.

[3]

张忠, 王建学, 曹晓宇.

基于负荷分类调度的孤岛型微网能量管理方法

[J]. 电力系统自动化, 2015, 39(15): 17-23.

ZHANG

Zhong

, WANG

Jianxue

, CAO

Xiaoyu

An energy management method of island microgrid based on load classification and scheduling

[J]. Automation of Electric Power Systems, 2015, 39(15): 17-23.

[4]

艾欣, 陈政琦, 孙英云, 等.

基于需求响应的电-热-气耦合系统综合直接负荷控制协调优化研究

[J]. 电网技术, 2019, 43(4): 1160-1171.

Xin

, CHEN

Zhengqi

, SUN

Yingyun

, et al.

Study on integrated DLC coordination optimization of electric-thermal-gas coupling system considering demand response

[J]. Power System Technology, 2019, 43(4): 1160-1171.

[5]

赵波, 汪湘晋, 张雪松, 等.

考虑需求侧响应及不确定性的微电网双层优化配置方法

[J]. 电工技术学报, 2018, 33(14): 3284-3295.

ZHAO

, WANG

Xiangjin

, ZHANG

Xuesong

, et al.

Two-layer method of microgrid optimal sizing considering demand-side response and uncertainties

[J]. Transactions of China Electrotechnical Society, 2018, 33(14): 3284-3295.

[6]

田丰, 贾燕冰, 任海泉, 等.

考虑碳捕集系统的综合能源系统“源-荷”低碳经济调度

[J]. 电网技术, 2020, 44(9): 3346-3355.

TIAN

Feng

, JIA

Yanbing

, REN

Haiquan

, et al.

“source-load” low-carbon economic dispatch of integrated energy system considering carbon capture system

[J]. Power System Technology, 2020, 44(9): 3346-3355.

[7]

崔杨, 闫石, 仲悟之, 等.

含电转气的区域综合能源系统热电优化调度

[J]. 电网技术, 2020, 44(11): 4254-4264.

CUI

Yang

, YAN

Shi

, ZHONG

Wuzhi

, et al.

Optimal thermoelectric dispatching of regional integrated energy system with power-to-gas

[J]. Power System Technology, 2020, 44(11): 4254-4264.

[8]

郑超铭, 黄博南, 王子心, 等.

计及网络传输损耗的电热综合能源系统多目标优化调度

[J]. 电网技术, 2020, 44(1): 141-154.

ZHENG

Chaoming

, HUANG

Bonan

, WANG

Zixin

, et al.

Multi-objective optimization dispatch for integrated electro-heating systems including network transmission losses

[J]. Power System Technology, 2020, 44(1): 141-154.

[9]

王明军, 穆云飞, 孟宪君, 等.

考虑热能输运动态特性的电-热综合能源系统优化调度方法

[J]. 电网技术, 2020, 44(1): 132-142.

WANG

Mingjun

, MU

Yunfei

, MENG

Xianjun

, et al.

Optimal scheduling method for integrated electro-thermal energy system considering heat transmission dynamic characteristics

[J]. Power System Technology, 2020, 44(1): 132-142.

[10]

谭洪, 颜伟, 王浩.

基于建筑物热能流分析的沼-风-光孤立微能网优化调度模型

[J]. 电网技术, 2020, 44(7): 2483-2492.

TAN

Hong

, YAN

Wei

, WANG

Hao

Optimal dispatch model of biogas-wind-solar isolated multi-energy micro-grid based on thermal energy flow analysis of buildings

[J]. Power System Technology, 2020, 44(7): 2483-2492.

[11]

任海泉, 贾燕冰, 田丰, 等.

含多微能网的城市能源互联网优化调度

[J]. 高电压技术, 2022, 48(2): 554-564.

[本文引用: 3]

REN

Haiquan

, JIA

Yanbing

, TIAN

Feng

, et al.

Urban energy Internet optimal dispatch with multi-micro energy network

[J]. High Voltage Engineering, 2022, 48(2): 554-564.

[本文引用: 3]

[12]

李廷钧, 韩肖清, 杜欣慧.

计及能量互保行为的综合能源园区多时间尺度调度

[J]. 电力系统自动化, 2019, 43(23): 164-172.

Tingjun

, HAN

Xiaoqing

, DU

Xinhui

Multi-time scale dispatching for integrated energy park considering energy transfer behavior

[J]. Automation of Electric Power Systems, 2019, 43(23): 164-172.

DOI:10.1016/j.apenergy.2021.116698 URL [本文引用: 1]

[13]

, WANG

Z X

, WANG

J H

, et al.

A multi-time-space scale optimal operation strategy for a distributed integrated energy system

[J]. Applied Energy, 2021, 289: 116698.

[14]

魏震波, 张海涛, 魏平桉, 等.

考虑动态激励型需求响应的微电网两阶段优化调度

[J]. 电力系统保护与控制, 2021, 49(19): 1-10.

WEI

Zhenbo

, ZHANG

Haitao

, WEI

Ping’an

, et al.

Two-stage optimal dispatching for microgrid considering dynamic incentive-based demand response

[J]. Power System Protection and Control, 2021, 49(19): 1-10.

[15]

PENG

Enabling utility-scale electrical energy storage through underground ydrogen-natural gas co-storage[D]. Waterloo: University of Waterloo, 2013.

[16]

康海鹏, 李长城, 刘经纬, 等.

计及碳捕集-电转气耦合特性的电-气互联系统连锁故障评估

[J]. 电网技术, 2022, 46(9): 3394-3408.

KANG

Haipeng

, LI

Changcheng

, LIU

Jingwei

, et al.

Assessment of cascading failures in integrated electricity and gas system considering coupling characteristics of carbon capture-power to gas

[J]. Power System Technology, 2022, 46(9): 3394-3408.

[17]

熊军华, 焦亚纯, 王梦迪.

计及电转气的区域综合能源系统日前优化调度

[J]. 现代电力, 2022, 39(5): 554-561.

XIONG

Junhua

, JIAO

Yachun

, WANG

Mengdi

A day-ahead optimal scheduling of regional integrated energy system considering power to gas

[J]. Modern Electric Power, 2022, 39(5): 554-561.

[18]

徐筝, 孙宏斌, 郭庆来.

综合需求响应研究综述及展望

[J]. 中国电机工程学报, 2018, 38(24): 7194-7205.

Zheng

, SUN

Hongbin

, GUO

Qinglai

Review and prospect of integrated demand response

[J]. Proceedings of the CSEE, 2018, 38(24): 7194-7205.

DOI:10.1016/j.ijepes.2020.106673 URL [本文引用: 1]

[19]

Z J

, ZHENG

Y P

, MU

C L

, et al.

Optimal trading strategy for integrated energy company based on integrated demand response considering load classifications

[J]. International Journal of Electrical Power & Energy Systems, 2021, 128: 106673.

[20]

, WEI

Z N

, CHEN

, et al.

Integrated demand response for congestion alleviation in coupled power and transportation networks

[J]. Applied Energy, 2021, 283: 116206.

DOI:10.1016/j.apenergy.2020.116206 URL [本文引用: 1]

[21]

徐成司, 董树锋, 张舒鹏, 等.

面向工业园区的集中-分布式综合需求响应方法

[J]. 电网技术, 2021, 45(2): 489-500.

Chengsi

, DONG

Shufeng

, ZHANG

Shupeng

, et al.

Centralized-distributed integrated demand response method for industrial park

[J]. Power System Technology, 2021, 45(2): 489-500.

DOI:10.1002/etep.v27.3 URL [本文引用: 1]

[22]

SAMIMI

, NIKZAD

, MOHAMMADI

Real-time electricity pricing of a comprehensive demand response model in smart grids

[J]. International Transactions on Electrical Energy Systems, 2017, 27(3): e2256.

[23]

NIKZAD

, SAMIMI

Integration of designing price-based demand response models into a stochastic bi-level scheduling of multiple energy carrier microgrids considering energy storage systems

[J]. Applied Energy, 2021, 282: 116163.

DOI:10.1016/j.apenergy.2020.116163 URL [本文引用: 1]

[24]

魏震波, 任小林, 黄宇涵.

考虑综合需求侧响应的区域综合能源系统多目标优化调度

[J]. 电力建设, 2020, 41(7): 92-99.

DOI:10.12204/j.issn.1000-7229.2020.07.012 [本文引用: 1]

为兼顾区域综合能源系统（regional integrated energy system，RIES）中能耗成本、污染排放、风电消纳等多个调度目标，建立了考虑综合需求响应的RIES多目标优化模型。首先，对含电转气、储能系统、热电联产机组等设备的RIES建模，并在区域内引入了具体考虑削减负荷、转移负荷和替代负荷的综合需求响应，旨在削减系统负荷峰谷差。然后，分别建立了以系统用能成本、弃风功率和污染物治理成本最小的目标函数，采用多目标优化方法——以模糊加权规划遍历权值求解帕累托前沿，再根据证据推理决策方法寻找最优调度策略。最后基于典型算例研究，结果表明了所提多目标优化算法能有效在多个调度目标间做出权衡，考虑综合需求响应的RIES在总能耗、环境友好和风电消纳等方面更具优势。

WEI

Zhenbo

, REN

Xiaolin

, HUANG

Yuhan

Multi-objective optimal dispatch for integrated energy system considering integrated demand response

[J]. Electric Power Construction, 2020, 41(7): 92-99.

DOI:10.12204/j.issn.1000-7229.2020.07.012 [本文引用: 1]

In order to reconcile several dispatch objectives such as the cost of energy consumptions， pollutant emissions and wind power accommodation in the integrated energy system， the multi-objective optimal dispatch model of the integrated energy system considering integrated demand response is established in this paper. Firstly， the modeling of the regional integrated energy system including some devices such as power to gas， energy storage， and combined heat and power units is elaborated， and the modeling of the integrated demand response which consists of load shedding， load shifting， and load substituting is also considered in the system to decrease peak-valley difference. Secondly， the objectives that are respectively to minimize the comprehensive cost， wind power curtailment， and cost of pollutant treatment are established. The proposed multi-objective optimization method， which firstly utilizes multi-objective weighted fuzzy programming to obtain the Pareto front， and then pursue the minimum Euclidean distance between all the Pareto non-inferior solution and the ideal solution， is adopted to solve the optimal dispatch strategy. Finally， on the basis of the typical numerical simulations， the results demonstrate that the proposed multi-objective optimization algorithm can effectively balance the multiple dispatch objectives. The integrated energy system would have more advantages in the gross energy consumptions， environment， and the wind power accommodation after considering the integrated demand response.

[25]

谭俊丰, 杨苹, 张凡, 等.

考虑能量-辅助服务下的园区综合能源系统多时间尺度优化模型

[J]. 中国电力, 2022, 55(10): 100-111.

TAN

Junfeng

, YANG

Ping

, ZHANG

Fan

, et al.

Multi-time scale optimization dispatch model of integrated energy system considering energy-auxiliary service

[J]. Electric Power, 2022, 55(10): 100-111.