含冷热电联供及储能的区域综合能源系统运行优化

刘涤尘, 马恒瑞, 王 波, 高文忠, 王 骏, 闫秉科

(1. 武汉大学电气工程学院, 湖北省武汉市 430072; 2. 丹佛大学电机工程系, 丹佛 80210, 美国; 3. 国网湖北省电力有限公司电力科学研究院, 湖北省武汉市 430077)

0 引言

近年来,中国建设了大量可再生能源发电系统,以达到调整能源结构的目的[1-2]。提升能源系统中可再生能源所占比例是全球能源领域行业的未来发展方向,也是能源行业发展的重要战略[2]。

中国可再生能源出力区域集中在冬季有着供暖需求的“三北”地区[3-4]。可再生能源具有随机性、间歇性等特点,并且在供暖季节受到“以热定电”政策的限制,导致中国北方地区弃风、弃光现象频发。国家能源局的统计数据显示,仅2016年前3个季度,全国弃风电量达到3.947×1010kW·h,直接经济损失超过2×1010元人民币[5]。

在由电力系统、热力系统和天然气系统组成的供能系统中,各子系统单独设计和运行导致了相互能源利用率低下。为改善该现象,能源行业提出了“能源互联网”这一概念[6-8]。利用各类能源转换设备(如冷热电联供系统(combined cooling,heating and power，CCHP)[9]等)和储能设备(energy storage system,ESS)做到电/热/气网互联运行,达到可再生能源在能源互联网内充分消纳与利用这一目标[10]。能源互联网可以分为能源主干网和综合能源系统(integrated energy system,IES)两部分[11-12]。区域综合能源系统(regional integrated energy system,RIES)位于能源的负荷侧,它是能满足一定区域内能源终端用户的多种用能需求,消纳就地接入可再生能源的IES[13]。

关于RIES的研究,集中于系统建模、规划与经济运行等方面。文献[14]建立了RIES设备模型库,并通过实验和仿真来丰富和改进该模型库;文献[15]以RIES的基本概念和特征为切入点,分析了RIES在中国的发展现状;文献[16]利用牛顿—拉夫逊法设计了在RIES中电力、热力和天然气的能量流计算方法;文献[17]设计了含有电热联合系统的微电网运行优化方案,但是对于成本考虑不充分;文献[18]设计了多RIES的运行优化,将热网纳入了优化方案之内,但文中对于可再生能源的波动性考虑不足,与工程应用中差距较大。

通过对上述文献的分析可以看出,在含CCHP系统的RIES中,对于可再生能源出力的预测结果过于理想化,不利于RIES的实际运行;在利用ESS使RIES脱离“以热定电”这一限制时,ESS模型过于简单,并未充分考虑使用成本等约束;并且在实际运行的含CCHP系统的RIES中,常常是多台燃气轮机(gas turbine,GT)联合运行,因此需要在考虑常规机组组合约束的基础上考虑基于多种源设备、能量转化设备和ESS运行特性的约束条件,而该问题在相关文献中也并没有提及。

针对以上问题,本文建立了含新能源、ESS及CCHP系统的RIES联合调度模型,对其进行仿真后求得了RIES内各个单元最佳出力、不同调度模式下总运行成本和GT的机组组合。本文所提出的模型可以有效反映出可再生能源出力随机性所带来的影响,并且利用ESS解耦热电约束可以降低运行成本,有助于提高系统运行经济性。

1 RIES

1.1 RIES结构

RIES是依托智能电网技术的进步,将分布式发电、CCHP系统、储能技术利用信息和通信技术联系起来的综合能源供应系统;是在考虑到组成传统能源供应系统的电/热/气网之间的相互作用和互补性后利用各类能量转化装置将它们组合在一起的IES。系统内含源设备包括光伏电源(photovoltaic,PV)、风电机组(wind turbine,WT)、GT、燃气锅炉(gas boiler,GB);储能设备包括储电设备(energy storage,ES)、储热设备(heat storage,HS)、储冷设备(cold energy storage,CS);能量转换设备包括余热锅炉(waste heat boiler,WHB)、电制冷机(electric refrigerator,ER)、电锅炉(electric boiler,EB)等单元。

本文建立的含有CCHP系统的RIES结构及能量流示意图如附录A图A1所示。

1.2 CCHP系统

为能够准确描述CCHP系统的构成及其内部各个设备之间的能量流,本文借鉴文献[18]中的表述方式,按照能量传递介质的不同对母线进行分类,分别为电气、空气、烟气、热水和蒸汽母线。附录A图A2为燃气型CCHP系统的母线式结构图。

RIES在并网模式下经济调度策略的目标是保证系统运行费用最小。在制定协调经济调度策略的过程中,需要考虑以下几点。

1)PV和WT作为可再生能源,拟采用最大功率追踪技术来完全利用可再生能源出力。

2)ESS包括ES和HS两部分,其储存或释放能量的指令来自运行调度策略,该策略的主要目的为利用ESS解耦热电联系;需要考虑ESS的运行成本/费用、容量和充电功率等约束,并且满足ES作为重要负荷热备用的需求。

3)在实际运行中,含CCHP系统的RIES中常常是多台GT联合运行,因此优化机组组合过程中不仅需要考虑电负荷、可再生能源出力和不同机组启停特性等常规约束,还需要考虑GT出力状态、热负荷、能量转化设备、ESS特性及日前电价曲线等相关约束条件。

1.3 ESS及其在RIES中的作用

GT的出力热电比一般在1.5左右,因此当负荷的热电比为1.5时可以将系统能源充分利用,但实际运行中并不是所有情况下都能满足此热电比,这就需要系统具有相对灵活的适应性[19]。在系统设计中,若按照冷热电负荷的峰值来确定发电容量,势必会使系统容量过大,系统将全年处于低负荷运行状态,不利于经济性;若按照负荷的平均值来设计容量,必定会出现高峰供热能力不足的问题,而含有ESS的RIES可有效解决这一矛盾。通过ESS可以解耦热电生产之间的出力约束,使负荷的热电比维持在1.5左右,脱离“以热定电”这一限制。同时还可以在时间上解耦能源生产与消耗必须对等的约束条件,实现能量消耗的跨时段转移来解决可再生能源消纳难题。

2 可再生能源出力随机性建模

2.1 可再生能源出力预测

可再生能源出力受天气影响,其实际出力与预测出力不完全一致,直接代入可再生能源预测出力曲线进行计算不能反映真实的系统运行成本,所以需要将预测值的波动考虑在内。本文采用对预测值按其误差分布采样的方法来模拟实际中预测值的波动情况。每次采样结果代表一种可能出现的场景,在完成采样后对数量巨大的初始样本进行场景削减,提炼出能代表绝大多数误差的典型场景,求得计及可再生能源出力预测误差的系统运行成本。这种处理方法可以广泛应用在由于历史数据不完整或者环境突变等原因造成预测值与实际值产生误差的场景和问题中。

本文首先使用场景分析法对可再生能源出力的波动性进行建模并采样,假设可再生能源出力的预测误差可以用时间序列法中的自回归滑动平均模型来描述,然后基于自回归滑动平均模型求得预测数据和预测误差的标准差,得到不同可再生能源出力预测误差概率情况下的可再生能源出力概率模型,预测概率为95.4%时的概率模型见附录A图A3。

2.2 场景生成与削减

拉丁超立方采样(Latin hypercube sampling,LHS)是一种分层采样方法,通过采样和排序两步提取样本点中均匀分布的有效值并完全覆盖随机变量的样本空间来形容其整体分布情况,可以用于描述可再生能源出力的波动性现象。

与传统的蒙特卡洛模拟法(Monte Carlo simulation method，MCSM)随机抽取输入变量相比,LHS可以利用均匀的、较少的采样点来描述输入随机变量的整个分布空间,大幅提升了运算速度。

为了能够准确地反映预测值的波动情况,需要生成尽可能多的初始场景,但是初始场景数量过大会造成场景重复和计算时间过长,因此需要在模型尽可能准确表达可再生能源出力随机性的前提下设置合适数量的初始场景,考虑计算能力和时长,本文初始场景数量设置为2 000。在此基础上通过定义场景距离函数来削减相似场景,提炼出能尽可能准确表达可再生能源出力的典型场景[20]。

在获得初始场景后,对每一个场景指定一个发生的概率Ps(ps>0),且∑ps=1,每个场景发生的概率指定为1/N。ζs为采样矩阵XS中的场景,Ds,s′为场景s和s′的距离,其值为场景s和s′之间的向量范数。集合S为初始的场景,集合R为需消除的场景。然后利用同步回代消除法来消除多余场景。同步回代消除法的基本步骤如下。

步骤1:计算每对场景的距离Ds,s′=D(ζs,ζs′)。

步骤2:对于每个场景k,找出与场景k距离最短的场景r,即Dk(r)=minDks′,k∈S,s′∈S,k≠s′。

步骤3:计算PDk(r)=pkDk(r),k∈S,从k中找出场景索引d,使得Pd=minPk,k∈S。

步骤4:S=S-{d},R=R+{d},且pr=pr+pd。

步骤5:重复步骤2至步骤4直至剩余的场景数满足要求为止。

步骤4中pr=pr+pd是保证剩余的场景发生的概率之和等于消除前场景发生概率之和,消除的场景的概率为0。

采用以上方法将WT出力的预测概率为95.4%的动态概率模型进行场景生成和消除后可以得到如附录A图A4所示的场景树,即提炼出10条具有代表性的WT发电预测曲线描述WT的随机性特性,每一条曲线模拟了该时段风电出力在实际中可能出现的一种偏差,有效反映了该时段的风电出力预测误差的波动情况,提高了预测精度。

3 RIES经济性模型及求解方法

3.1 目标函数

对于并入电网运行的RIES来说,经济调度模型的目标函数为:

C=min(Ce+Cgas+CES+CHS)

(1)

式中:C为系统总运行费用;Ce为购电费用;Cgas为购买天然气费用；CES为ES运行费用;CHS为HS运行费用。

购电费用的表达式为:

(2)

式中:H为调度周期的时段数;Δt为调度时段步长;Pgrid,t为时段t=1,2,…,H时RIES与电网之间的交换功率;cgrid,t为时段t=1,2,…,H交换功率的价格,其值大于0时表示RIES从电网购电,小于0时表示RIES向电网售电以获得收益,用分段函数可表示为式(3)所示的形式。

(3)

式中:cgrid/b,t和cgrid/s,t分别为RIES系统的购电和售电价格,其值与日分时电价相关。

购买天然气费用的表达式为:

式中：：cgas为购买天然气的单位热值价格；PGT,n和QGB,m分别为n 台联供GT的发电功率和m台GB 的产热功率；a，b，c为GY燃料成本系数；；ηGB为GB 的产热效率[21]。

假设ES每次充放电时的使用成本相同，购买成本为Cpurchase，使用次数为Mcycles，则其单次完全充放电成本Cr为：

(5)

在一个调度周期内,其运行成本为:

(6)

式中:CES-cap为ES的容量;PES,C/ES,D,t为时段t=1,2,…,H时ES的充放电功率。

HS运行费用主要是水泵运行的电费,即

(7)

式中:CHS为HS运行费用;QHS,C/HS,D,t为时段t=1,2,…,H时HS的充放热功率。

3.2 约束条件

3.2.1CCHP系统母线平衡方程

1)电气母线平衡约束

Pgrid+PGT+PPV+PWT+PES,D=

LE+PER+PEB+PES,C

(8)

式中:Pgrid为RIES和电网的交换功率;PGT为GT的发电功率;PPV为PV的出力;PWT为WT的出力;PES,D为ES的放电功率;LE为电负荷;PER为ER的功率;PEB为EB的功率;PES,C为ES的充电功率。

2)烟气母线平衡方程

ηGTPGT=QWHB

(9)

式中:ηGT为GT的产热效率;QWHB为WHB的出力。

3)蒸汽母线平衡方程

ηWHBQWHB+QGB+QHS,D=QHX+QHS,C

(10)

式中:ηWHB为WHB的产热效率;QGB为GB的产热功率;QHS,D为HS的储热功率;QHX为换热器的热出力;QHS,C为HS的放热功率。

4)热水母线平衡方程

ηHXQHX=LH

(11)

式中:ηHX为换热器的效率;LH为热负荷。

5)空气母线平衡方程

ηERQER=LC

(12)

式中:ηER为ER的制冷效率,即制冷量与输入电功率的比值;QER为ER的产冷功率;LC为冷负荷。

3.2.2GT运行特性模型

本文根据文献[22]的实测参数,提出按式(13)至式(15)计算并拟合出其相应数值。

(13)

(14)

(15)

式中:ηGT,E为GT的发电效率;Kηi为发电效率特性曲线的拟合参数;PGT(t)和PGTN分别为GT的出力和额定出力;QGT(t)为烟气余热;KQi为烟气余热特性曲线的拟合参数;vGT(t)为GT耗气率;δGT为GT的启停状态,停运为0,运行为1;Kvi为耗气量特性曲线的拟合参数。

3.2.3WHB特性模型

WHB利用GT所释放的烟气余热将水加热为蒸汽,参考文献[22]的WHB特性模型:

(16)

式中:ηWHBN为WHB的额定热效率;QWHBN为WHB的额定出力;KWHBi为热效率特性曲线的拟合参数，i=1,2。

3.2.4各个设备电、热功率出力上下限

(17)

式中:Pi为设备i的电功率;Pimin和Pimax分别为设备i的电功率下限和上限;Qi为设备i的热功率;Qimin和Qimax分别为设备i的热功率下限和上限。

3.2.5ESS需要满足的约束条件

1)ES储存能量约束

(18)

式中:S(T+1)和S(T)分别为ES在时间点T+1和T(即充放电前后)的荷电状态;Smin和Smax分别为ES荷电状态的下限和上限;σES为自放电率;ηES,C和ηES,D分别为充放电效率;IES,C和IES,D分别为ES的充放电状态变量。

2)ES充放电功率约束

(19)

式中:PES,Cmin,PES,Dmin,PES,Cmax,PES,Dmax分别为ES的最小、最大充放电功率。

3)HS储存能量约束

(20)

式中:EHS(T+1)和EHS(T)分别为HS在时间点T+1和T的容量;EHSmin和EHSmax分别为HS容量的下限和上限;σHS为HS热量耗散率;ηHS,C和ηHS,D分别为充放热效率;IHS,C和IHS,D分别为HS的充放热状态变量。

4)HS充放热功率约束

(21)

式中:QHS,Cmin,QHS,Dmin,QHS,Cmax,QHS,Dmax分别为HS的最小、最大充放热功率。

3.2.6GT出力上下限约束

PGT,min≤PGT(k)≤PGT,max

(22)

式中:PGT,max和PGT,min分别为GT出力的上下限。

3.2.7备用约束

考虑任何时段RIES都有可能与主网断开连接,为保证重要负荷的不间断运行,k时段内RIES的最大出力要大于等于重要负荷LIE的需求,即

PGT,max+PES,max+PPV(k)+PWT(k)≥LIE(k)

(23)

同时由于ES有存储能量限制,为保证重要负荷在k时段能够不间断运行一段时间ts,RIES在时段ts内能够提供的最大出力要大于重要负荷在该时段内的电量需求,即

(24)

3.2.8场景约束

为式(1)加入场景约束的目的是考虑到WT和PV的出力具有波动性,其出力与预测值不可能完全相同。当WT和PV的出力出现波动时,就需要调整CCHP系统内ES和GT的出力,以满足系统的功率平衡。

(25)

3.2.9冷电联供约束

当GT与溴化锂双效烟气制冷机构成冷电联供系统时,需要考虑以下冷负荷平衡约束:

(26)

式中:QAIR为电空调产生的制冷量;QER为ER产生的制冷量;VCOPAIR和VCOPER分别为电空调和ER的制冷系数。

3.3 求解方法

作为一个0-1型的混合整数线性规划问题,其求解模型的标准形式为:

(27)

式中:优化变量x包括各类电源的出力、转换设备的输入、储能的输入/输出和购售电量;等式约束为母线能量平衡方程和ESS的储能关系式;不等式约束为各个设备的运行约束;i表示规划问题中受到各个不等式约束的变量,例如HS的充放热功率约束等;j表示规划问题中部分未知数为整数的约束条件,如机组启停机。

针对上述模型,本文将其转化为混合整数线性规划问题(MILP),通过Yalmip工具箱和商业软件Cplex在MATLAB中进行求解。

4 算例分析

4.1 基础数据

本文选取某省含CCHP系统的RIES作为仿真对象,系统内包含PV,WT,GB,ES/HS,以及3台GT等。其中高铁站1号、2号两台GT的最小启动和停止间隔分别为2 h和1 h,医院有一台3号GT的最小启动和停止间隔分别为3 h和2 h,各个设备的容量如附录A表A1所示。调度时段长度为24 h,调度时长Δt为1 h,可再生能源出力预测误差概率为95.4%。

仿真中GT出力的上下限见附录A表A2;ESS的容量、初始能量及存储能量的上下限见附录A表A3;ES采购成本为6 720 000元,充放电循环次数为6 000次。GT以Turbec T1000型为例,主要设备的相关参数见附录A表A4[12,23-24]。RIES的典型电/热/冷负荷预测曲线及购电价格见附录A图A5;购气价格为3.45元/m3,单位热值价格为0.349元/(kW·h)。RIES中重要负荷为5 MW,当系统与电网断开后要能够保证重要负荷至少不间断运行1 h。

4.2 算例分析

MCSM通过大量采样计算,其结果可认为具有较高的精度,但计算时间较长;而采用本文提出的方法所求得的结果与MCSM的结果较接近,并且节省了计算时间。在本文所用算例中,采用MCSM计算时长为60 s以上,而采用本文所用方法的计算时长为(25±5)s,大幅度提高了运算速度。

在将不同可再生能源出力预测误差概率情况下的可再生能源出力概率模型代入计算后,其成本变化如表1所示,可以看出系统运行成本随着可再生能源出力预测概率范围的增大而增大,但其增长率明显低于预测概率的增长率,因此通过选取合适的可再生出力预测误差范围可以在包含尽可能多的预测误差概率情况下,在平抑运行优化过程中对可再生能源出力随机性估计不足带来影响的同时,控制系统运行成本。即在对系统运行总费用的增加量较少的前提下,最大程度地考虑到了可再生能源出力波动性带来的影响,求得更加接近系统实际运行情况的系统运行总费用,提高了优化方案的实用性。

表1 不同可再生能源出力概率模型下的运行成本Table 1 Operation cost of different probability models for renewable energy output

为验证含CCHP系统的RIES优化后的优势,本文选取了以下3种冬季运行方式作为参考。

方式1:采用热电分产的方式运行。热负荷由GB供应;电负荷由GT、可再生能源、能源互联网之间的交换功率及ES满足。

方式2:采用“热电联产”,即以热定电的热电耦合运行方式。热负荷主要由GT供应;电负荷由GT、可再生能源、能源互联网之间的交换功率及ES满足。

方式3:利用ESS解耦“热电联产”中以热定电的耦合关系的运行方式。热负荷由GT,GB,WHB,EB及HS供应;电负荷由GT、可再生能源、能源互联网之间的交换功率及ES满足。

3种运行方式下RIES的运行成本如表2所示。在方式1下,电能和热能独立调度,GT中的余热未能有效利用,并且GB的燃料费用较高,因此在该运行方式下调度成本较高。方式2中系统运行模式类似于常规热电厂。在该运行方式下,GT中的余热能够有效利用,并且售电获利较多,因此运行成本比方式1低。但是由于以热定电这一约束条件,系统内电出力被热出力所限制,与能源主干网之间的电能功率交换受到影响,因此在该运行方式下调度成本较高。方式3中由于HS的引入,系统得以解耦“热电联产”中的以热定电的耦合关系,GT的电出力限制被解除,系统内总调度成本得以优化。将发电成本最低和供热成本最低两个目标函数联系起来,得到满足发电/供热成本最低和系统运行约束的各个单位的最佳调度策略,即实现了电热的联合调度。

表2 3种运行方式下RIES的运行成本Table 2 Operation cost of RIES under three modes

优化结果(即方式3)如图1和图2所示。机组组合结果如表3所示。

图1 RIES的电负荷平衡状态和ES状态变化(方式3)Fig.1 Variations of power load balance condition and ES condition for RIES (mode 3)

图2 RIES的热负荷平衡状态和HS状态变化(方式3)Fig.2 Variations of heat load balance condition and HS condition for RIES (mode 3)

机组24个时段GT的启停状况100000001111111101111111020000001111111111011111103000000111111111111111000

联系电价曲线分析、比较优化结果:图1和图2中,在22:00—07:00电价较低时段,负荷和电价均处于低谷期,可再生能源出力逐步升高,热负荷由GB和EB承担,电负荷由电网承担;在07:00—11:00时段,随着负荷和电价的逐渐上升,GT出力继续增加,ES开始释放能量以降低系统对于电网的依赖,并在07:00时刻电价达到第1个高峰,此时RIES开始向电网倒送功率以套利降低运行成本,多余热能由HS设备储存并且EB关闭;在11:00—17:00时段,负荷和电价开始逐步下降,GT逐步降低出力,提供的热能变少,HS设备开始释放能量;17:00—18:00是电价第2个上升时段,系统工作情况与07:00—11:00时段基本相同;在18:00—23:00时段,负荷和电价均逐步降低,热负荷由GB和EB承担,电负荷由电网承担。

联系负荷曲线分析,ES的运行特征同时受电价曲线、热电负荷比变化影响,需要将负荷进行时空上的平移,解决热电比不稳定导致联合调度难题的基础上,考虑电价变化进行高发低储来有效降低系统运行成本。

由图3可见,含有CCHP系统的RIES通过ESS将系统的热电比稳定在1.5左右,可以充分利用系统能源。

图3 优化前后系统热电比Fig.3 Thermoelectric ratios before/after optimization

为了能够量化评价含有CCHP系统的RIES的能源综合利用效率[25],可以利用一次能源利用效率指标对系统的运行状态进行评估,如式(28)所示。

(28)

在对含有CCHP系统的RIES进行运行优化后,VPER=81.374 9%,大于75%,满足RIES的最低要求。

5 结语

本文基于RIES, 建立了含有可再生电源出力的随机性模型和CCHP的热电联合调度模型。仿真结果表明:含有CCHP系统的RIES可以通过ESS稳定系统的热电负荷比,解耦其热电运行约束,提高能源利用效率。

天然气网络作为能源互联网中的重要组成部分,并且与电力能源和热力能源相比较有着可以规模化中长期储存的优势,但是本文对天然气网络考虑不够充分,因此,天然气系统和电力系统的相互影响,例如天然气价格波动对电力系统的影响, 考虑天然气管道运行约束的机组组合约束等问题将成为下一步的研究方向。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 金红光,隋军.变革性能源利用技术—分布式能源系统[J].分布式能源,2016,1(1):1-5.

JIN Hongguang, SUI Jun. Transformational technology innovation-distributed energy system[J]. Distributed Energy, 2016, 1(1): 1-5.

[2] 鲁宗相,李海波,乔颖.含高比例可再生能源电力系统灵活性规划及挑战[J].电力系统自动化,2016,40(13):147-158.DOI:10.7500/AEPS20151215008.

LU Zongxiang, LI Haibo, QIAO Ying. Power system flexibility planning and challenges considering high proportion of renewable energy[J]. Automation of Electric Power Systems, 2016, 40(13): 147-158. DOI: 10.7500/AEPS20151215008.

[3] 杜尔顺,张宁,康重庆,等.太阳能光热发电并网运行及优化规划研究综述与展望[J].中国电机工程学报,2016,36(21):5765-5775.

DU Ershun, ZHANG Ning, KANG Chongqing, et al. Reviews and prospects of the operation and planning optimization for grid integrated concentrating solar power[J]. Proceedings of the CSEE, 2016, 36(21): 5765-5775.

[4] 曹袖,黄瀚,王雪平,等.软件定义电网:概念,结构与示例[J].电力系统自动化,2016,40(6):1-9.DOI:10.7500/AEPS20150907009.

CAO Xiu, HUANG Han, WANG Xueping, et al. Software defined grid: concept, architecture and samples[J]. Automation of Electric Power Systems, 2016, 40(6): 1-9. DOI: 10.7500/AEPS20150907009.

[5] 栾相科.限制“三北”风电未来发展将转向中东部和南部[J].中国战略新兴产业,2017,25(3):36-37.

LUAN Xiangke. To limite the “three North” wind power, future development will turn to the central and southern China[J]. China Strategic Emerging Industry, 2017, 25(3): 36-37.

[6] 苗新,张东霞,宋璇坤.全球电力能源互联网拓扑的矩阵表述[J].电力系统自动化,2016,40(5):8-16.DOI:10.7500/AEPS20150612003.

MIAO Xin, ZHANG Dongxia, SONG Xuankun. Matrix representation of global power Energy Internet topology[J]. Automation of Electric Power Systems, 2016, 40(5): 8-16. DOI: 10.7500/AEPS20150612003.

[7] 曾鸣,杨雍琦,刘敦楠,等.能源互联网“源-网-荷-储”协调优化运营模式及关键技术[J].电网技术,2016,40(1):114-124.

ZENG Ming, YANG Yongqi, LIU Dunnan, et al. “Generation-grid-load-storage” coordinative optimal operation mode of energy internet and key technologies[J]. Power System Technology, 2016, 40(1): 114-124.

[8] RIFKIN J. The third industrial revolution: how lateral power is transforming energy, the economy, and the world[J]. Survival, 2011, 2(2): 67-68.

[9] LI Y, HU R. Exergy-analysis based comparative study of absorption refrigeration and electric compression refrigeration in CCHP systems[J]. Applied Thermal engineering, 2016, 93: 1228-1237.

[10] 刘伟佳,文福拴,薛禹胜,等.电转气技术的成本特征与运营经济性分析[J].电力系统自动化,2016,40(24):1-11.DOI:10.7500/AEPS20160504013.

LIU Weijia, WEN Fushuan, XUE Yusheng, et al. Cost characteristics and economic analysis of power-to-gas technology[J]. Automation of Electric Power Systems, 2016, 40(24): 1-11. DOI: 10.7500/AEPS20160504013.

[11] LUND H, WERNER S, WILTSHIRE R, et al. 4th generation district heating (4GDH): integrating smart thermal grids into future sustainable energy systems[J]. Energy, 2014, 68(4): 1-11.

[12] 李立浧,张勇军,陈泽兴,等.智能电网与能源网融合的模式及其发展前景[J].电力系统自动化,2016,40(11):1-9.DOI:10.7500/AEPS20150912002.

LI Licheng, ZHANG Yongjun, CHEN Zexing, et al. Merger between smart grid and energy-net: mode and development prospects[J]. Automation of Electric Power Systems, 2016, 40(11): 1-9. DOI: 10.7500/AEPS20150912002.

[13] 贾宏杰,王丹,徐宪东,等.区域综合能源系统若干问题研究[J].电力系统自动化,2015,39(7):198-207.DOI:10.7500/AEPS20141009011.

JIA Hongjie, WANG Dan, XU Xiandong, et al. Research on some key problems related to integrated energy systems[J]. Automation of Electric Power Systems, 2015, 39(7): 198-207. DOI: 10.7500/AEPS20141009011.

[14] 王成山,王守相.分布式发电供能系统若干问题研究[J].电力系统自动化,2008,32(20):1-4.

WANG Chengshan, WANG Shouxiang. Study on some key problems related to distributed generation systems[J]. Automation of Electric Power Systems, 2008, 32(20): 1-4.

[15] 贾宏杰,穆云飞,余晓丹.对我国综合能源系统发展的思考[J].电力建设,2015,36(1):16-25.

JIA Hongjie, MU Yunfei, YU Xiaodan. Thought about the integrated energy system in China[J]. Electric Power Construction, 2015, 36(1): 16-25.

[16] 王英瑞,曾博,郭经,等.电-热-气综合能源系统多能流计算方法[J].电网技术,2016,40(10):2942-2950.

WANG Yingrui, ZENG Bo, GUO Jing, et al. Multi-energy flow calculation method for integrated energy system containing electricity, heat and gas[J]. Power System Technology, 2016, 40(10): 2942-2950.

[17] 李正茂,张峰,梁军,等.含电热联合系统的微电网运行优化[J].中国电机工程学报,2015,35(14):3569-3576.

LI Zhengmao, ZHANG Feng, LIANG Jun, et al. Optimization on microgrid with combined heat and power system[J]. Proceedings of the CSEE, 2015, 35(14): 3569-3576.

[18] 王成山,洪博文,郭力,等.冷热电联供微网优化调度通用建模方法[J].中国电机工程学报,2013,33(31):26-33.

WANG Chengshan, HONG Bowen, GUO Li, et al. A general modeling method for optimal dispatch of combined cooling, heating and power microgrid[J]. Proceedings of the CSEE, 2013, 33(31): 26-33.

[19] 王珺,顾伟,陆帅,等.结合热网模型的多区域综合能源系统协同规划[J].电力系统自动化,2016,40(15):17-24.DOI:10.7500/AEPS20160426010.

WANG Jun, GU Wei, LU Shuai, et al. Multi-regional integrated energy system cooperative planning based on heat-supply network model[J]. Automation of Electric Power Systems, 2016, 40(15): 17-24. DOI: 10.7500/AEPS20160426010.

[20] HUANG N, ZHANG S, CAI G, et al. Power quality disturbances recognition based on a multiresolution generalized S-transform and a PSO-improved decision tree[J]. Energies, 2015, 8(1): 549-572.

[21] 于波.微网与储能系统容量优化规划[D].天津:天津大学,2012.

[22] 荆朝霞,袁灼新,胡荣兴,等.供能设备模型对冷热电联供微网系统经济调度的影响[J].南方电网技术,2016,10(8):32-39.

JING Zhaoxia, YUAN Zhuoxin, HU Rongxin, et al. Effect of component models on economic dispatch of CCHP-type microgrid[J]. Southern Power System Technology, 2016, 10(8): 32-39.

[23] 梁金柁,李洋,肖增弘.弃风在热电厂回热系统中的应用研究[J].沈阳工程学院学报(自然科学版),2016,12(1):28-31.

LIANG Jintuo, LI Yang, XIAO Zenghong. Application of wind curtailment in power plant heat recovery system[J]. Journal of Shenyang Institute of Engineering (Natural Science), 2016, 12(1): 28-31.

[24] 秦朝葵,李伟奇,谢卫华,等.微燃机天然气冷热电三联供系统热力学分析[J].天然气工业,2008,28(1):129-131.

QIN Zhaokui, LI Weiqi, XIE Weihua, et al. The thermodynamic analysis of the natural gas cooling and heating power system for the micro gas turbine[J]. Natural Gas Industry, 2008, 28(1): 129-131.

[25] 郭力,许东,王成山,等.冷电联供分布式供能系统能量优化管理[J].电力系统自动化,2009,33(19):96-100.

GUO Li, XU Dong, WANG Chengshan, et al. Energy optimization and management of combined cooling and power distributed energy supply system[J]. Automation of Electric Power Systems, 2009, 33(19): 96-100.