考虑运行风险的含储能综合能源系统优化调度

2020-03-04施云辉郭创新

发电技术 2020年1期

施云辉，郭创新

施云辉，郭创新

（浙江大学电气工程学院，浙江省杭州市 310027）

为解决综合能源系统(integrated energy system，IES)中供需双侧不确定因素对运行调度带来的风险问题，提出了一种考虑运行风险的含储能IES优化调度模型。在目标函数中，用设备调整费用、失负荷惩罚费用和弃风弃光惩罚费用来量化系统运行风险。在约束条件中，区分了电能和热能的时间尺度差异，并计及储能的时间耦合性，建立了储能多时段耦合约束。然后提出了一种基于Benders分解的算法进行求解。最后通过算例分析了置信水平、储能功率及容量对IES运行费用及运行风险的影响。

综合能源系统(IES)；储能；不确定性；风险成本；优化调度；

0 引言

能源是社会和经济发展的动力和基础。由于传统化石能源日益枯竭，提高能源利用效率、开发新能源、加强可再生能源的综合利用成为解决社会经济发展过程中的能源需求增长与能源紧缺之间矛盾的必然选择。近年来，许多国家将综合能源系统(integrated energy system，IES)作为未来的发展战略。IES打破了原有的冷/热/电供能系统独立设计、规划、运行和控制的模式，能够利用多能互补的优势，为运行人员的调度提供更多的灵活性与经济性。

能源枢纽的概念最早由苏黎世联邦理工学院的Martin Geidl等[1]提出，作为可以满足多种能源需求的能源转换单元，可同时为不同能源的输入输出提供接口。由于能源枢纽为含电、气、热、冷等多种能源的传输、转换和储存提供了统一的数学模型，成为研究IES的重要手段，被广泛用于IES的建模分析当中。

IES的优化调度是IES研究的热点问题，一般以经济性最优为目标，通过制定合理的用能计划，使得系统在一段时间内的运行成本最小。然而，在IES中可再生能源的渗透率较高，由于可再生能源出力依赖于天气条件，其出力具有较大的间歇性与波动性，此外由于预测误差，负荷与电价也具有一定随机性[2-5]。这些不确定因素使得IES的调度过程中面临风险。不确定性因素对于电力网络的影响及分析方法已有较多研究，相比而言，不确定性因素对IES的影响分析的研究则刚刚起步。文献[6]运用解析-仿真的混合算法对含有间歇性可再生能源微电网进行了可靠性评估。文献[7]利用区间线性规划的方法，建立了含参数的日前调度模型，结果表明负荷波动大小会对区域综合能源系统总盈利产生直接的影响。文献[8]采用蒙特卡罗模拟法求解IES概率能量流，结果表明不同能量流的不确定性之间存在相关性。以上文献侧重于分析IES运行过程中不确定性因素带来的影响，但未能将这种影响量化为风险指标，并应用到IES的优化调度中。文献[9]基于态势感知，将微电网的运行风险量化为高估费用与低估费用，并在目标函数中综合考虑。文献[10]基于CVaR理论，进一步细分了供电和供热风险。然而，以上文献均未能考虑储能等带有时间耦合性的设备，也未能区分不同形式能源时间尺度的差异。

鉴于以上问题，本文首先基于能源枢纽的概念，对含有储能的IES进行建模。接着利用概率统计方法，对IES源侧和荷侧的关键不确定因素进行刻画。然后提出了基于多场景的IES优化调度模型，建立了考虑风险费用的目标函数，在约束条件中区分了电能和热能的时间尺度差异，并建立了储能多时段耦合约束。针对该模型规模较大的问题，提出了一种基于Benders分解的算法进行求解，最后通过算例分析了置信水平、储能功率及容量对IES运行费用及运行风险的影响。

1 IES建模

1.1 能源枢纽结构

能源枢纽作为满足多种能源需求的能源转换单元，可同时为不同能源形式的输入输出提供接口。根据输入输出定义的不同，能源枢纽有多种数学形式[11-13]，本文采用文献[13]提出的线性形式的能源枢纽，避免了耦合矩阵中的分配因子，有利于优化模型的求解。

一个通用的能源枢纽结构如图1所示。能源枢纽由转换器与储能2部分构成，其输入为种能量载体，输出为种负荷需求。其中转换器将一次能源转换为电、热等二次能源(如热电联产机组)，或者将一种形式的二次能源转化为另一种形式(如吸收式制冷机)。储能将能量进行可控的存储与释放，具备削峰填谷、降低可再生能源出力波动性与提高供能可靠性等多种作用。不失一般性，本文假定储能只对负荷需要的能源形式进行存储，而不考虑储气、储氢等形式的储能，因此储能的种类数等于负荷的种类数。

图1 能源枢纽结构

1.2 能源枢纽状态模型

假设能源枢纽工作在稳态，且不考虑线路上的损耗，则能源枢纽的状态模型为：

1.3 能源枢纽运行约束

能源枢纽在运行过程中需满足以下约束。

1）转换器功率上下限约束。

2）转换器爬坡约束。

3）储能状态上下限约束。

4）储能功率上下限约束。

5）储能充放能不相容约束。

式(8)表示储能不能同时工作在充放能状态。

2 IES不确定因素分析

2.1 供能侧不确定性

光伏发电功率由光照强度决定，一段时间内太阳的光照强度可近似看成Beta分布[10]：

在IES运行过程中，供能设备可能发生故障，单一设备故障的概率为

2.2 用能侧不确定性

大量文献表明，对于不同时期的同一时间段，IES电、热负荷大致呈正态分布。然而实际中的电、热负荷存在边界，因此，应当采用去尾的正态分布模型来描述电、热负荷不确定性[14]。

对于热负荷的处理类似，故不再赘述。

3 考虑风险成本的IES优化调度模型

3.1 目标函数

IES中的不确定因素影响着IES运行的经济性，如当风电出力高于预期或者低于预期时，短时间内能量平衡被破坏，机组需要调整有功功率来维持电功率平衡。由于热电联产机组存在电热耦合，这样的调整又会导致热功率发生变化，导致锅炉或者储热设备需要做出相应的调整，来维持热量的平衡，这样的调整操作会增加设备的维护成本。进一步的，当IES的调节能力不足时，会导致系统失负荷，或者产生弃风弃光，因而产生相应的惩罚费用。考虑以上风险成本的IES优化调度目标函数主要分为4部分：用能预期费用、设备调整费用、失负荷惩罚费用、弃风弃光惩罚费用。

3.1.1 用能预期费用

用能预期费用指不论不确定事件是否发生，IES运行中必然产生的费用，其表达式为

3.1.2 设备调整费用

设备调整费用指当负荷或可再生能源出力与预测不符，设备做出相应调整时产生的费用，其表达式为

3.1.3 失负荷惩罚费用

当IES的调节能力不足以补充功率缺额时，会导致系统失负荷。在IES中，电能与热能的特性不同，电能需要实时地平衡，短时间内的电能供应不足就会导致生产上的损失，而热能则具有时延以及较大的惯性，短时间的热能超额、缺额并不会导致经济损失，只要一段时间内的热能总量满足负荷需求即可。电能缺额和热能缺额的惩罚费用分别为：

3.1.4 弃风弃光惩罚费用

当IES的调节能力不足以消纳风电和光伏时，需要降低风机和光伏的出力，以维持功率平衡，由此产生的弃风弃光惩罚费用：

3.1.5 总目标函数

IES优化调度的目标函数应当是以上分析的各项成本的综合，考虑到决策者的风险偏好存在差异，本文采用基于条件风险价值(CVaR)的目标函数：

3.2 约束条件

除了能源枢纽运行约束式(3)—(8)外，IES还需满足各个场景下的相应的约束。

3.2.1 能量平衡约束

3.2.2 功率上下限约束

3.2.3 储能多时段耦合约束

储能设备的特点在于一天内的充放能需要平衡，故储能功率的调整量不能只考虑单个时间断面，还需考虑多时段的耦合，其表达式为：

4 求解算法

由目标函数(22)，约束条件(3)—(8)、(23)— (31)构成的IES优化调度模型是一个混合整数线性优化问题，由于场景数目较多，直接求解是不现实的。因此本文使用Benders分解算法的思想求解上述模型。Benders分解是求解大规模线性规划问题的常用算法，其主要思想为：将单层的大规模规划问题分解为双层的较小规模规划问题，然后在确定内层解/外层解的情况下求解相应的外层解/内层解，并循环迭代，其中在由固定内层解求解外层解的过程中，根据内层解的性质加入最优割或可行割，由此得到收敛的最优解。

利用Benders分解求解本模型的具体步骤如下：

5 算例分析

5.1 参数设置

本文以某工业园区为研究对象进行分析。工业园区中各设备的相关参数、调整费用与故障率如表1所示，天然气价格为3.45元/m3，折合成单位热值价格为0.349元/(kW·h)。假设光伏和风机的功率预测误差分别服从=10%和=20%的正态分布，电负荷和热负荷的功率预测误差服从=5%的正态分布。

设单位电负荷缺额以及热负荷缺额的补偿费用分别为0.9元/(kW·h)和0.4元/(kW·h)，单位弃风弃光的惩罚费用均为0.2元/(kW·h)，与电网电量合约的违约成本为0.6元/(kW·h)。调度周期为=96min，时间间隔为15min；基于Benders分解的算法在Python+DOcplex环境中进行实现，并调用CPLEX 12.6.3求解器进行求解。

表1 设备参数

5.2 场景削减

含有随机出力的风机、光伏、电负荷和热负荷分别经蒙特卡罗采样抽样，得到的不确定场景数为5 000，如图2(a)所示。分别经K-means聚类后，得到的最终场景数s=100，如图2(b)所示。

5.3 置信水平对调度结果的影响分析

图2 风电、光伏、电负荷、热负荷场景削减

图3 不同置信水平下系统的风险值与运行成本

5.4 电储能功率对调度结果的影响分析

图4 不同储能最大功率下系统风险值与运行成本

Fig. 4 Risk value and expected operation cost of IES under different electric storage maximum power

图5 不同储能容量下系统风险值与运行成本

6 结论

研究了考虑运行风险的含储能IES优化调度问题，通过设备调整费用、失负荷惩罚费用、弃风弃光惩罚费用量化IES运行风险，并通过引入储能多时段耦合约束，使得储能在参与实时功率调节的过程中依然满足能量日平衡约束。算例分析表明，置信水平反映了决策者的风险偏好，提高置信水平有助于降低IES运行风险，但会使得决策更为保守，从而损失IES运行的经济性。提高储能容量以及最大充放电功率均有助于降低IES的运行费用。相较于提高储能容量，提高最大充放电功率对于降低IES运行风险的作用更为显著。

[1] Geidl M，Koeppel G，Favreperrod P，et al．Energy hubs for the future[J]．Power & Energy Magazine IEEE， 2007，5(1)：24-30．

[2] 周晓倩，余志文，艾芊，等．含冷热电联供的微网优化调度策略综述[J]．电力自动化设备，2017，37(6)：26-33．

[3] 李宏仲，付国，范明天，等．非水可再生能源发电量消纳及指标分配的分析与探讨[J]．分布式能源，2019，4(5)：50-57．

[4] 曹明浩，于继来．基于分级定价与梯级考核机制的风电场日发电计划优化申报方法[J]．分布式能源，2019，4(5)：17-28．

[5] 张俊，贺旭，陆春良，等．基于数值天气预报的光伏功率短期预测分类组合算法[J]．广东电力，2019，32(6)：55-60．

[6] Ansari O A，Safari N，Chung C Y．Reliability assessment of microgrid with renewable generation and prioritized loads[C]//2016 IEEE Green Energy and Systems Conference (IGSEC)．Long Beach，CA， USA：IEEE，2016．

[7] 白牧可，王越，唐巍，等．基于区间线性规划的区域综合能源系统日前优化调度[J]．电网技术，2017(12)：3963-3970．

[8] 陈胜，卫志农，孙国强，等．电–气混联综合能源系统概率能量流分析[J]．中国电机工程学报，2015(24)：6331-6340．

[9] 王成山，郑海峰，谢莹华，等．计及分布式发电的配电系统随机潮流计算[J]．电力系统自动化，2005(24)：39-44．

[10] 杨胜春等，基于态势感知的电网自动智能调度架构及关键技术[J]．电网技术，2014，38(1)：33-39．

[11] 王毅，张宁，康重庆．能源互联网中能量枢纽的优化规划与运行研究综述及展望[J]．中国电机工程学报，2015(22)：5669-5681．

[12] 刘方泽，牟龙华，张涛，等．微能源网多能源耦合枢纽的模型搭建与优化[J]．电力系统自动化，2018，42(14)：97-104．

[13] Parisio A，Del Vecchio C，Vaccaro A．A robust optimization approach to energy hub management [J]．International Journal of Electrical Power & Energy Systems，2012，42(1)：98-104．

[14] Wang J H，Shahidehpour M，Li Z．Security-constrained unit commitment with volatile wind power generation[J]．IEEE Transactions on Power Systems，2008，23(3)：1319-1327．

[15] Rockafellar，R T，Uryasev S．Optimization of conditional value-at-risk[J]．Journal of Risk，2000，2(3)：21-42．

Optimal Dispatch of Integrated Energy System Considering Operational Risks in the Presence of Energy Storage

SHI Yunhui, GUO Chuangxin

(College of Electrical Engineering, Zhejiang University, Hangzhou 310027, Zhejiang Province, China)

In order to solve the risk problem brought by uncertainties of supply and demand in integrated energy system (IES), an optimal dispatch model of IES with energy storage considering operational risk was proposed. In the objective function, the cost of equipment adjustment, penalty for loss of load and penalty for curtailment of wind and solar power was used to quantify the operational risk of the IES. In the constraints, the time-scale differences between electric energy and thermal energy were distinguished, and the multi-period coupling constraints of energy storage were established considering the time coupling of energy storage. Then an algorithm based on Benders decomposition was proposed to solve the problem. Finally, an example was given to analyze the influence of confidence level, energy storage power and capacity on IES operation cost and operational risk.

integrated energy system (IES); energy storage; uncertainty; risk cost; optimal dispatch

10.12096/j.2096-4528.pgt.19142

TM 715

2019-09-21。

国家自然科学基金项目(51877190)。

Project Supported by National Natural Science Foundation of China(51877190).

施云辉(1994)，男，博士研究生，研究方向为综合能源系统优化运行，11610016@zju.edu.cn；