考虑电热联合需求响应的区域综合能源系统多目标双层优化调度

2021-08-18王子驰雷炳银杨灵艺苏雨晴孙炜哲

电力系统及其自动化学报 2021年7期

王子驰，雷炳银，杨灵艺，苏雨晴，孙炜哲

（平高集团有限公司，平顶山 467000）

区域综合能源系统RIES（regional integrated energy system）可以通过多种能源间互补耦合有效提升系统整体能源利用效率和运行经济性[1]。一方面，可以利用电热联合需求响应，为RIES的多目标优化调度提供更丰富手段[2]；另一方面，可以通过日前-日内双层调度实现RIES精准优化运行。考虑电热联合需求响应的RIES的多目标精准调度成为关键问题[3]。

针对考虑需求响应的RIES 调度问题，文献[4]建立了考虑用户电负荷需求响应的日前经济调度模型，表明用户侧电力需求响应可以提升综合能源系统运行经济性。文献[5]建立了考虑配电网联络开关状态和电热综合需求响应的安全经济调度模型，表明电热综合需求响应可以提升系统运行安全性。文献[6]基于详细设备模型提出了考虑多种能源互补和电热综合需求响应的园区微能源网优化调度模型，表明电热综合需求响应可以提升新能源消纳能力、降低总运行成本和提高用能效率。文献[7]提出了商业建筑的微能源网的优化运行方法，表明电热系统协同优化可以提升微能源网的运行经济性。文献[8]建立了包括新能源发电设备、电热冷三联供设备、储热蓄电设备等多种设备模型，提出了考虑电热冷耦合和需求响应补偿的楼宇建筑综合能源优化调度模型，表明热电耦合设备结合电力需求响应可以提升综合能源调度经济性。文献[9]建立了涵盖新能源发电设备、储能设备、多能耦合设备、综合能源负荷等的虚拟电场模型，分别考虑了电价型和激励型需求响应，提出以虚拟电厂经济性为目标的优化调度方法，表明两种电力需求响应下的虚拟电厂优化调度可以有效提升整体运行经济性。文献[10]建立了日前、日内、实时3个时间尺度的激励型需求响应模型，提出了微电网能量优化调度方法，表明多时间尺度调度可有效消除电力系统调度误差。文献[11]提出了考虑价格型需求响应的综合能源系统滚动优化的多时间尺度优化调度方法，表明可以通过多时间尺度调度解决多种能源响应时间尺度不一致的问题。

上述已有研究，一方面多以单一指标作为RIES的调度目标，而RIES 调度应兼顾经济性和能源利用效率。另一方面，电热联合需求响应资源作为RIES的重要调控手段，有利于RIES 能源优化配置和调度。此外，RIES 的综合负荷波动量大，基于日前负荷预测值的日前优化调度难以满足日内实时负荷平衡要求，需要在时序上滚动修正日前调度计划。

因此，本文首先确立典型能源用户的电热联合需求响应函数。其次，构建RIES 的经济和能效多目标双层优化调度模型。第1 层为日前全局优化调度模型，用以优化调度计划；第2 层为日内滚动优化调度模型，用以修正日前调度计划的偏差。最后通过改进的带精英策略的非支配排序遗传算法

NSGA-Ⅱ（elitist non-dominated sorting genetic algo⁃rithm）求解上述模型。通过算例来验证了本文所提模型对于RIES的能效水平和经济性的提升作用。

1 电热联合需求响应

能源系统的电热联合需求响应包含电力需求响应和热力需求响应，通常分为价格型响应和激励型响应两大类[12-13]。

1.1 电力需求响应

1.2 热力需求响应

由于在保证舒适度的前提下室内温度在一定的区间内波动，因此在负荷高峰时期，可以降低室内温度进而减少热负荷；在负荷低谷时期，可以适当提升室内温度起到蓄热作用。优化设定室内温度对于提升整个综合能源系统经济性具有重要意义。基于建筑物的热路模型，用户的室内温度模型可表示为

2 RIES 调度模型

典型集中式RIES 如图1 所示，包含电力系统、热力系统及综合负荷用户。电力系统包括燃煤发电机组、热电联产机组等电源；热力系统包括燃煤供热机组、热电联产机组等热源；综合负荷用户的负荷包括电力负荷和热力负荷，利用电力负荷与热力负荷的需求响应，通过电源和热源的优化调度，可实现区域综合能源系统经济高效运行。

图1 RIES 运行结构Fig.1 Operation structure of RIES

2.1 日前全局优化调度模型

日前优化调度模型以24 h 为周期、以1 h 为步长，以各机组的各时段供电、供热出力大小以及激励型需求响应量的大小和持续时间为优化变量，以各机组的出力上下限、爬坡速率、备用约束和各时段的电、热功率平衡为约束条件，构建以经济性和能效为目标函数的优化求解模型。

2.1.1 日前调度目标函数

经济性目标为RIES的运行成本，涵盖调度周期内燃煤供热机组、热电联产机组、燃煤发电机组运行费用及需求响应成本。经济性目标函数可表示为

式中：νCP,min、νCB,min、νCHP,P,min、νCHP,H,min分别为燃煤发电机组、燃煤供热机组、热电联产机组发电、热电联产机组制热降功率速率限制，νCP,max、νCB,max、νCHP,P,max、νCHP,H,max分别为燃煤发电机组、燃煤供热机组、热电联产机组发电、热电联产机组制热升功率速率限制。

5）备用约束

在调度周期内的每个调度时刻，均应满足每个用户的电力以及热力负荷供需平衡。

2.2 日内滚动优化调度模型

由于用户电负荷和室外温度具有随机性，因此本文提出日内滚动优化调度模型用以修正日前调度计划的误差。基于模型预测控制思想，按4 h 为周期、15 min为步长，以日前调度计划为基线，进一步优化燃煤发电机组出力、燃煤供热机组出力和热电联产机组出力，跟随用户综合负荷的波动。

2.2.1 日内调度目标函数

日内滚动优化调度目标包括经济性和能源利用效率。日内调度的经济性目标函数，相比于日前调度的经济性目标函数，增加了温度偏差罚函数，用于补偿用户因降低热负荷所引起的舒适度降低，其表达式为

2.2.3 模型预测控制方法

模型预测控制是基于对受控对象进行预测的进阶过程控制方法，其核心思想是滚动时域策略[17]。本文提出的日内滚动修正调度方法步骤如下。

步骤4 在第t+Δt时刻，更新系统状态，重复上述步骤，实现滚动优化。

2.3 求解算法

带精英策略的NSGA-Ⅱ可用于求解多目标优化问题。但本文所提出的优化模型约束条件多，带来不可行解数量大、收敛速度慢的问题，因此对上述算法进行如下改进以提升优化求解效果。

（1）定义约束违反值来定量描述解对约束的违反程度，即其与可行解的差距。多目标优化调度模型的等式约束和不等式约束可表示为

（3）采用带约束的支配关系，改变非支配排序方式。支配关系由个体约束违反值来决定，约束违反值小的个体支配约束违反值大的个体。如果个体的约束违反值相等，再通过原始的帕累托（Pare⁃to）支配关系对其进行判定。通过带约束的支配关系可以保证更接近满足约束条件的个体优先保留，从而保证最终的迭代结果尽可能接近可行解。

3 算例分析

3.1 算例场景与数据

为了验证本文所提模型的有效性，选取我国北方某地RIES，以1 d为调度周期。RIES供电和供热设备性能指标和经济参数见表1。本算例中设置了居民型、商业型、工业型3 类用户，每类包含2 个用户，6个用户的电负荷日前预测曲线如图2所示。

表1 RIES 相关设备参数Tab.1 Parameters of RIES equipment

图2 各类型用户的电负荷预测曲线Fig.2 Power load prediction curves of users

经调研可得，3 类用户的需求响应时段和协议响应量见表2。虽然工业用户负荷总量大，但多为生产性负荷，协议响应量占总负荷的比例不高。相反，居民用户负荷总量不大，但负荷重要性不高，协议响应量占总负荷的比例较大。需求响应成本函数二次项系数设置为20，一次项系数设置为500。

表2 各类用户需求响应时段与响应量Tab.2 Demand response periods and quantities of users

图3 为室外温度的日前预测值，其用于室内热负荷建模以及热负荷需求响应量的计算。建筑物等效热阻R设置为0.2 ℃/MW，其散热时间常数设置为2 h。

图3 室外温度预测曲线Fig.3 Outdoor temperature prediction curve

3.2 优化结果与分析

3.2.1 日前全局优化调度

为了验证所提出的日前优化调度模型，算例中设置两种运行场景。场景1 为在不考虑电热联合需求响应的情况下进行优化调度；场景2为在考虑电热联合需求响应的情况下进行优化调度。应用本文提出的改进NSGA-Ⅱ算法对上述两种场景进行求解。改进NSGA-Ⅱ算法的初始种群数量设为200，迭代次数设为1 000代。

两种场景下，Pareto 最优解前沿如图4 所示。比较两种运行场景下的Pareto 最优解前沿可以看出，考虑电热联合需求响应的场景2的最优解范围更广，整体上的解更优。特别是当能效高于42.5%时，场景2的Pareto最优解明显全面优于场景1。

图4 两种场景下Pareto 最优解前沿对比Fig.4 Comparison of Pareto optimal solution frontier in two scenarios

分别选取两种场景下的单指标最优解进行对比，如表3 所示。场景1 经济性最优解和能效最优解分别为1.69×106¥和44%，而场景2 经济性最优解和能效最优解分别为1.67×106¥和44.78%，可见场景2 的经济性和能效目标的最优解均好于场景1。表明本文提出的考虑需求响应多目标优化调度扩展了Pareto前沿解的空间，可以得到更优的解。

表3 两种场景下单指标最优解Tab.3 Optimal solutions of single indicator in two scenarios

在经济性或能效指标接近的情况下，选取两种场景下优化结果进行对比，如表4 所示。场景1 的最优经济性指标为1.692×106¥，此时场景1的能效指标为41.369%；选取场景2 在相近经济性指标下的Pareto 最优解，可知能效为41.204%。相似经济性指标条件下，场景2 与场景1 的能效指标相差较小。场景1的最优能效指标为43.999%，此时场景1的经济性指标为2.075×106¥；选取场景2在相近能效指标下的Pareto最优解，可得经济性指标为1.96×106¥。相似能效指标条件下，场景2 的经济性指标比场景1的经济性指标提升了5.5%。可见，考虑电热联合需求响应的多目标优化调度可以提高调度方案的整体优化性能。

表4 两种场景下的指标对比Tab.4 Comparison of indicators in two scenarios

3.2.2 日内滚动优化调度

日内滚动优化调度以日前全局优化调度结果为基础，通过各供能设备的出力调整来平衡波动的负荷。选取能效指标不低于43%条件下经济性指标最优的Pareto 最优解作为日前调度计划，进行日内滚动优化调度。以上午07：00—11：00 为例，每隔15 min 进行一次日内优化调度，共需16 次滚动优化调度。

首先，应用本文第2.2节所提出方法得到07：00—11：00时段的日内优化调度的Pareto最优解前沿如图5所示。经济指标和能效指标最优解及Pareto最优解序列的中位解如表5所示。仅将中位解第1个时段（07：00—07：15）的调度计划作为该时段的日内优化调度执行方案。

表5 日内优化调度单指标最优解和中位解Tab.5 Optimal and median solutions of single indicator of intraday optimal scheduling

图5 日内调度Pareto 最优解前沿Fig.5 Pareto optimal solution frontier of intraday scheduling

其次，通过滚动优化可以依次求解得到07：00—11：00 所有时段的日内优化调度计划，如图6～9 所示。从图中可以看出，日内调度计划与日前调度计划基本趋势一致。由于区域综合负荷和用户电热联合需求响应量的实际值与日前预测值存在误差，因此在日内调度中对燃煤发电机组、热电联产机组和燃煤供热机组的出力进行了修正。可见，本文所提出的日内滚动优化调度方法可以对日前优化调度计划进行修正，实现负荷平衡。