考虑源网荷储聚合交易的区域电热综合能源系统优化调度

杨冬梅，王俊，杜炜

(1.南瑞集团有限公司(国网电力科学研究院有限公司)，南京市 211106；2.国电南瑞科技股份有限公司，南京市 211106)

0 引 言

国家发展改革委、国家能源局组织编制印发的《能源技术革命创新行动计划(2016—2030年)》指出源网荷储互动市场的清洁能源消纳工程是清洁能源利用、智慧能源建设的一个重要落脚点[1]。在源网荷储建设过程中，电采暖(electric heating，EH)、热电联产(combined heat and power，CHP)、热泵(heat pump，HP)等耦合设备使得电力系统与热力系统间的耦合程度不断加深，协调优化电热能源的生产、传输、分配、转换、存储、消费等环节的区域电热综合能源系统(regional integrated electric and heating system，RIEHS)成为研究热点[2]。但受清洁能源出力波动、商业模式不健全等因素影响，用户侧资源利用不充分，能源供应呈现出整体富裕但局部短缺的不平衡现象[3]，亟需在RIEHS的优化调度过程中，通过源网荷储互动交易，消纳可能受限的清洁能源，提高运行效率。

目前，在RIEHS的优化调度方面，针对终端电热系统，文献[4-6]基于经典热电联产经济调度优化模型，提出了CHP的多目标优化调度方法和CHP随机多目标优化调度方法；文献[7-8]考虑集中供热系统的蓄热特性和响应特性，建立了热电联产机组的多时间尺度协调调度模型；文献[9-11]基于不同场景的电储能、热储能、电动汽车等资源以及CHP补燃装置，建立了RIEHS双层优化调度模型。针对包含电力和热力网络的RIEHS，目前研究侧重于不同能源在生产、传输、消费环节的耦合关系，文献[12]建立了RIEHS的稳态混合潮流模型，提出了统一计算和顺序计算2种混合潮流的计算方法；文献[13-15]计及电热传输损耗，考虑用户互补聚合响应，建立了RIEHS优化调度模型，分析了不同运行方式对风电消纳的影响；文献[16]考虑区域热网管道及建筑的热惯性，提出了RIEHS的经济运行策略，提高了可再生能源消纳能力。

在源网荷储交易优化方面，现有研究往往以微网、虚拟电厂(virtual power plant，VPP)为对象，进行可交易资源的优化。在微网方面，文献[17-18]基于多代理技术提出了微电网与发电商、微网的竞价策略；文献[19]基于博弈论研究了微网与配电侧市场的竞价机制；文献[20]建立了微网群内的余电余热交易机制，开展了微网间的电热资源交易研究。在VPP方面，文献[21]分析了VPP聚合优化“源-网-荷-储”清洁能源发展的控制技术和互动商业模式；在此基础上，文献[22]在分散式资源交易准入和调度安全要求下，通过VPP的实时动态组合来整合多种资源参与电力市场交易运行；文献[23]考虑VPP对内对外的双侧互动特性，进而优化源荷资源的竞价策略。总的来说，目前涉及到源网荷储交易的对象、机制主要围绕微网和VPP展开，微网往往存在于配网末端节点内，交易执行过程一般不考虑网络约束，VPP涉及到分布于配网不同节点的资源聚合，交易执行过程需要考虑网络约束。但目前大多数的源网荷储交易都为电力资源的交易，较少考虑电采暖等设备以及电网与热网的耦合特征，在RIEHS优化调度上的应用较少。

综上所述，现有的RIEHS优化调度主要是针对能源的生产、传输、转换、消费环节进行优化，较少通过交易手段聚合源网荷储资源参与优化调度，因此有必要从RIEHS源网荷储资源分布出发，利用VPP对分散在系统区域内不同节点位置的资源进行聚合，并通过交易与调度组织流程参与到RIEHS的优化调度中，提高清洁能源的就地消纳和系统运行经济性。

本文提出一种考虑源网荷储聚合交易的RIEHS优化调度方法，首先基于RIEHS的基本结构，构建RIEHS的调度框架，设计考虑源网荷储交易的RIEHS调度组织流程；其次建立考虑源网荷储聚合交易的RIEHS两阶段优化调度模型，包括VPP聚合交易优化模型和RIEHS优化调度模型；最后基于改进的IEEE 33节点配电系统和32节点巴厘岛配热系统，构建包含3个VPP的RIEHS进行算例分析，验证所提方法的有效性。

1 基本假设

1.1 RIEHS调度框架

本文构建的RIEHS调度框架如图1所示。RIEHS基于CHP和HP耦合了配电网(electric distribution network，EDN)和配热网(heat distribution network，HDN)。分散于不同节点的源网荷储资源包括风电(wind power，WT)、光伏(photovoltaic，PV)、分布式电源(distribution generation，DG)、EH、可控负荷(controllable load，CL)和储能(energy storage，ES)。VPP聚合RIEHS中不同类型、不同位置的源网荷储资源，以零售的方式与区域内的热、电负荷用户进行交易，暂不考虑零售价格对用户扩散和负荷曲线的影响。基于交易结果，各VPP对所属的源网荷储资源进行功率分配的自优化，确定好各VPP的功率后，由RIEHS协同各VPP的调度计划进行整个区域的潮流优化，完成整个区域内的能量供给，实现经济调度。

图1 考虑源网荷储聚合交易的RIEHS调度框架Fig.1 RIEHS dispatching framework considering aggregation and transaction of generation-grid-load-storage

1.2 考虑源网荷储聚合交易的RIEHS调度组织流程

在不考虑交易资源响应率和响应时延的情况下，本文暂忽略交易与调度的偏差，结合现有的交易与调度规则，构建了图2所示的考虑源网荷储聚合交易的RIEHS调度组织流程。假设调度时刻为t，在45 min前，各VPP完成对源网荷储资源的聚合及交易信息申报；在30 min前，各VPP完成所辖区域内源网荷储资源与用户间的热电交易；在15 min前，各VPP基于其与用户的交易信息，考虑源网荷储资源的边际成本完成功率分配的优化；在t时刻，系统基于各VPP对源网荷储资源的功率分配，对整个RIEHS区域进行潮流优化，完成整个配网区域内的能量供给，实现经济调度。

图2 考虑源网荷储聚合交易的RIEHS调度组织流程Fig.2 RIEHS dispatching organization process considering aggregation and transaction of generation-grid-load-storage

2 RIEHS两阶段优化调度模型

2.1 VPP聚合交易优化模型

2.1.1目标函数

以RIEHS内各个区域的VPP运营收益最大为目标建立目标函数，具体如下：

maxFk=Sk-Ck

(1)

(2)

(3)

式中：Fk、Sk、Ck分别为第k个VPP的运营收益、售能收益和运行成本；ρre,k,t、ρrh,k,t分别为t时段第k个VPP向用户的零售电价和零售热价；PDG,i,t为t时段节点i上DG的有功功率；PECL,i,t、PHCL,i,t分别为t时段节点i上的可控电负荷(electric controllable load，ECL)和可控热负荷(heat controllable load，HCL)功率；Pdis,i,t为t时段节点i上储能系统的放电功率；QEH,i,t为t时段节点i上EH的制热功率；CDG,i,t、CECL,i,t、CHCL,i,t、CEH,i,t、CES,i,t分别为t时段节点i上的DG运行成本、ECL调用成本、HCL调用成本、EH维护成本和ES维护成本，具体如式(4)—(8)所示[22,24]。

CDG,i,t=aDG,iPDG,i,t

(4)

CECL,i,t=aECL,iPECL,i,t

(5)

CHCL,i,t=aHCL,iPHCL,i,t

(6)

CEH,i,t=aEH,iPEH,i,t

(7)

(8)

式中：aDG,i为节点i上DG燃料成本系数；aECL,i、aHCL,i分别为节点i上ECL和HCL的补偿费率；aEH,i为节点i上的EH维护成本系数；IES,i、EESR,i、LCN,i、Δt分别为节点i上储能系统的投入成本、额定容量、生命周期和时间间隔；PEH,i,t为t时刻节点i上的EH用电功率；Pch,i,t、EES,i,t分别为t时段节点i上储能系统的充电功率和剩余容量。

2.1.2约束条件

1)供需平衡约束。

对于VPPk，需要满足其所辖区域内的供需平衡，具体为：

(9)

(10)

式中：PEL,i,t、PHL,i,t分别为t时段节点i处的用户电负荷和热负荷；PEU,k,t、PHU,k,t分别为t时段第k个VPP与所辖范围内用户未成交的电负荷和热负荷，即VPPk与所辖范围内用户交易后，VPPk未能供给的负荷部分；PPV,i,t、PWT,i,t分别为t时段节点i处PV和WT通过VPP参与交易的功率。

2)VPP的售能约束。

为保证RIEHS区域内的市场价格稳定性与公平性，借鉴国外零售市场模式[25]和国内应用情况[22,24]，本文在RIEHS内采用统一的全天平均零售电价和热价，即：各VPP对所辖区域内用户的零售价格在不同时段有高低差异，但在全天的平均值相同。

(11)

(12)

ρEGmin≤ρEG,k,t≤ρEGmax

(13)

ρEHmin≤ρEH,k,t≤ρEHmax

(14)

式中：ρEG,k,t、ρEH,k,t分别为t时段第k个VPP对所辖区域内用户的零售电价和零售热价;T为总时段数；ρEGavg、ρHGavg分别为RIEHS与所辖区域内用户提前协定好的全天平均售电价格和售热价格；ρEGmax、ρEGmin分别为零售电价的上、下限；ρEHmax、ρEHmin分别为零售热价的上、下限。

3)DG的运行与交易约束。

PDG,i,omin≤PDG,i,t≤PDG,i,omax

(15)

-RDG,i,min≤PDG,i,t-PDG,i,t-1≤RDG,i,max

(16)

QDG,i,t=PDG,i,ttanφDG

(17)

PDG,i,tmin≤PDG,i,t≤PDG,i,tmax

(18)

式中：PDG,i,omax、PDG,i,omin分别为节点i上DG有功功率上、下限；RDG,i,max、RDG,i,min分别为节点i上DG爬坡上、下限；QDG,i,t为节点i上t时段的DG无功功率；φDG为DG的功率因数角；PDG,i,tmax、PDG,i,tmin分别为节点i上满足安全校核的DG出力交易上、下限，其具体数值根据调度约束范围提前计算得到，下文中满足安全校核的交易约束同理。

4)CL的运行与交易约束。

本文的CL主要分为ECL和HCL，其运行约束可表示为：

PECL,i,omin≤PECL,i,t≤PECL,i,omax

(19)

PHCL,i,omin≤PHCL,i,t≤PHCL,i,omax

(20)

QECL,i,t≤PECL,i,ttanφECL

(21)

PECL,i,tmin≤PECL,i,t≤PECL,i,tmax

(22)

PHCL,i,tmin≤PHCL,i,t≤PHCL,i,tmax

(23)

式中：PECL,i,omax、PHCL,i,omax分别为节点i上ECL和HCL运行功率上限；PECL,i,omin、PHCL,i,omin分别为节点i上ECL和HCL运行功率下限；QECL,i,t为节点i上ECL的无功功率；φECL为ECL的功率因数角；PECL,i,tmax、PHCL,i,tmax分别为节点i上ECL和HCL功率满足安全校核的交易上限；PECL,i,tmin、PHCL,i,tmin分别为节点i上ECL和HCL功率满足安全校核的交易下限。

5)EH的运行约束。

QEH,i,t=ηEHPEH,i,t

(24)

PEH,i,omin≤PEH,i,t≤PEH,i,omax

(25)

QEH,i,tmin≤QEH,i,t≤QEH,i,tmax

(26)

式中：ηEH为EH的热效率；PEH,i,omax、PEH,i,omin分别为EH用电功率的上、下限；QEH,i,tmax、QEH,i,tmin分别为EH制热功率满足安全校核的交易上、下限。

6)ES的运行约束。

(27)

0.2EESR,i≤EES,i,t≤0.8EESR,i

(28)

EES,i,1=EES,i,T

(29)

0≤Pch,i,t≤Pch,i,omax

(30)

0≤Pdis,i,t≤Pdis,i,omax

(31)

Pch,i,tmin≤Pch,i,t≤Pch,i,tmax

(32)

Pdis,i,tmin≤Pdis,i,t≤Pdis,i,tmax

(33)

式中：ηch和ηdis分别为储能系统的充、放电效率；Pch,i,omax、Pdis,i,omax分别为节点i上储能系统运行的充、放电功率上限；Pch,i,tmax、Pdis,i,tmax分别为节点i上储能系统满足安全校核的充、放电功率交易上限；Pch,i,tmin和Pdis,i,tmin分别为节点i上储能系统满足安全校核的充、放电功率交易下限。

2.2 RIEHS优化调度模型

2.2.1目标函数

基于对源网荷储资源的聚合交易优化结果，以RIEHS运行成本COF最小为目标建立目标函数，具体为：

(34)

式中：PG,i,t和PN,i,t分别为t时段节点i上从主网购买的电功率和天然气流量；ρG,t和ρN,t分别为t时段从主网的购电价格和购气价格。

2.2.2约束条件

1)CHP运行约束。

(35)

(36)

Qhe,i,t=QCHP,i,tCophe

(37)

PCHP,i,min≤PCHP,i,t≤PCHP,i,max

(38)

PN,i,min≤PN,i,t≤PN,i,max

(39)

式中：PCHP,i,t为节点i上CHP在t时段的输出电功率；ηCHP为CHP的发电效率；Hvng为天然气热值；QCHP,i,t为节点i上CHP在t时段的排气余热量；ηL为CHP散热损失率；Qhe,i,t为节点i上t时段烟气余热提供的制热量；Cophe为制热系数；PCHP,i,max、PCHP,i,min分别为节点i上CHP输出电功率的上、下限；PN,i,max、PN,i,min分别为节点i从主网购买天然气的流量上、下限。

2)HP运行约束。

QHP,i,t=ηHPPHP,i,t

(40)

PHP,i,min≤PHP,i,t≤PHP,i,max

(41)

式中：QHP,i,t、PHP,i,t分别为t时段节点i上HP的制热功率和用电功率；ηHP为HP的供热效率；PHP,i,max、PHP,i,min分别为节点i上HP用电功率的上、下限。

3)静态无功补偿装置(static var compensator，SVC)约束。

QSVC,i,min≤QSVC,i,t≤QSVC,i,max

(42)

式中：QSVC,i,t为节点i在t时段的SVC补偿无功功率；QSVC,i,max、QSVC,i,min分别为节点i上SVC功率的上、下限。

4)配电潮流约束。

根据文献[24]，采用DistFlow等式表示EDN支路潮流：

(43)

(44)

Pi,t=PEL,i,t-PECL,i,t+PEH,i,t+PHP,i,t+Pch,i,t-

Pdis,i,t-PG,i,t-PCHP,i,t-PPV,i,t-PWT,i,t

(45)

Qi,t=QEL,i,t-QECL,i,t-QDG,i,t-QG,i,t-QSVC,i,t

(46)

(47)

(48)

Vi,min≤Vi,t≤Vi,max

(49)

Iij,min≤Iij,t≤Iij,max

(50)

Pij,min≤Pij,t≤Pij,max

(51)

Qij,min≤Qij,t≤Qij,max

(52)

PG,i,min≤PG,i,t≤PG,i,max

(53)

QG,i,min≤QG,i,t≤QG,i,max

(54)

式中：Pij,t、Qij,t为EDN支路ij在t时段的有功功率和无功功率；Iij,t为支路ij的线路电流幅值；Pj,t、Qj,t分别为节点j处的有功功率和无功功率净注入值；QEL,i,t、QG,i,t分别为节点i在t时段的负荷无功功率和主网无功功率；Vi,t、Vj,t分别为节点i和j处的电压幅值；k(j,k)表示以节点j为首节点的末端节点集合；rij和xij分别为支路ij的电阻和电抗；Vi,max、Vi,min分别为节点i处的电压幅值上下限；Iij,max、Iij,min分别为支路ij的电流幅值上、下限；Pij,max、Pij,min分别为支路ij的有功功率上、下限；Qij,max、Qij,min分别为支路ij的无功功率上、下限；PG,i,max、PG,i,min分别为节点i处从主网购电的有功功率上、下限；QG,i,max、QG,i,min分别为节点i处从主网购电的无功功率上、下限。

5)配热潮流约束。

根据文献[26-27]，HDN的模型要考虑水力和热力两方面，水力模型如下：

Am=mq

(55)

Bhf=0

(56)

hf=Km|m|

(57)

式中：A为网络关联矩阵；B为回路关联矩阵；m为热网管道水流流量；K为管道阻力系数；mq为流入负荷节点或流出热源节点的水流流量；hf为由摩擦损失引起的管道压降。

热力模型如下：

Φ-Φih=Cpmq(Ts-To)

(58)

Tend=(Tstart-Ta)e-λL/Cpm+Ta

(59)

(∑mout)Tout=∑(minTin)

(60)

式中：Φ为热负荷；Φih为HCL功率对应的矩阵表达；Cp为水比热容；Ts为节点供水温度矩阵；To为节点回水温度矩阵；Tstart为管道首端温度；Tend为管道末端温度；Ta为环境温度；λ为传热系数；min是流入节点的管道流量；mout是流出节点的管道流量；Tin是输入管道末端的温度；Tout是节点混合温度。其他不等式约束本文不再赘述。

3 求解流程

本文的求解流程如图3所示。首先，对VPPk进行聚合交易模型的求解，以DG功率、ECL功率、ES充放电功率、EH功率、HCL功率、零售电价和零售热价为决策变量，优化VPP的运营收益至最大，完成所有VPP的聚合交易后，形成各VPP内资源的功率分配方案。然后，将各类资源的运行方案作为参数纳入到RIEHS的调度中，以系统向主网的购电功率和购气流量、CHP出力、HP出力、电力潮流、热力潮流为决策变量，优化RIEHS的运行成本至最小。最后，输出RIEHS调度周期T内每个时段t的VPP能源零售价格、源网荷储资源的运行方案、RIEHS的调度方案。

图3 求解流程Fig.3 Solution process

4 算例分析

4.1 基本数据

为了验证本文所提RIEHS调度方法的有效性，基于MATLAB和GAMS平台，在win10操作系统，i7CPU，2.20 GHz处理器环境下进行了仿真与优化分析。在本文所提RIEHS调度框架基础上，基于改进的IEEE 33节点的EDN和32节点巴厘岛HDN，构建了图4所示的测试算例系统，算例中的RIEHS由1台2 MW的CHP和2台1.5 MW的HP实现EDN和HDN的耦合联结。EDN为辐射状，运行电压等级为12.66 kV，总有功负荷为3 635 kW，总无功负荷为2 265 kV·A。在HDN中，管道允许最大质量流量为10 kg/s，供水温度上、下限分别为70 ℃和60 ℃，回水温度上、下限分别为30 ℃和20 ℃。外界温度取10 ℃。算例系统中相同颜色的虚框为聚合形成的同一VPP，可见该范围内的配网共包含3个VPP，其中源网荷储资源的具体参数如表1所示。

表1 源网荷储资源参数Table 1 Parameters of the resource of generation-grid-load-storage

图4 RIEHS测试算例Fig.4 RIEHS test case

DG发电成本设定为0.1美元/(kW·h)，CL补偿费率设定为0.13美元/(kW·h)，ES充放电效率均设为90%，EH运行维护成本设定为0.017美元/(kW·h)，ES的运行维护成本设定为0.007美元/(kW·h)。Hvng、ηCHP，ηL、Cophe分别取9.7 kW·h/m3、0.32、0.08、0.9。本文所提考虑源网荷储聚合交易的区域RIEHS优化调度方法在时间尺度上属于日前时间尺度，因此采用日前预测值作为模型中的负荷以及风光出力参数。不同节点的电/热负荷以及风光出力预测值不同，但时序分布采用图5所示的归一化曲线[28-29]。主网电价和天然气价格如图6所示[30]。零售电价和零售热价提前约定的均值分别为0.13、0.14美元/(kW·h)。

图5 多能负荷、风电和光伏出力的归一化值Fig.5 Normalized value of multi-energy load and output of WT and PV

图6 主网电价和天然气价格Fig.6 Electricity and natural gas prices on the main network

4.2 结果有效性分析

为了验证本文所提方法的有效性，设置表2所示的6个场景进行对比分析。

表2 不同的源网荷储资源聚合场景Table 2 Different aggregation scenarios of the resource of generation-grid-load-storage

6种场景下的调度结果如表3所示。场景1仅有WT和PV参与到交易中，聚合成本为0，VPP的总交易收益为1 080.68美元。用户侧资源的低利用率导致配网的调度成本增加，需要从主网购买更多的电或者气来供给区域内的多能负荷，运行成本达到11 229.73美元。场景2中，DG参与了交易，向用户提供了一部分可控的电能服务，因此，相比场景1，VPP的交易收益增加了267.65美元，系统需要供给的负荷减少，运行成本降低了774.88美元。场景3中，在场景2的基础上，EH参与了交易，电能消耗替代了部分热能消耗，电热负荷曲线的时间分布得到了改善，相比场景2，VPP的交易收益增加了346.24美元，系统运行成本降低了352.04美元。场景4中，在场景3的基础上，CL参与了交易，包括ECL和HCL，用户侧的资源被进一步挖掘，通过交易参与到调度中，相比场景3，VPP交易收益增加了143.63美元，系统运行成本降低了546.41美元。场景5中，在场景4的基础上，增加了储能参与交易，储能起到了一定的能量时移作用，相比场景4，VPP的交易收益增加了67.88美元，系统运行成本降低了231.87美元。场景6中，场景包含的资源不再通过VPP聚合参与交易，而是直接受RIEHS调度，相比场景5，系统运行成本增加了1 862.35美元。

表3 6种场景的调度结果对比Table 3 Comparison of dispatching results in six scenarios 美元

总体来说，方案5聚合源网荷储多种资源进行交易，通过交易手段挖掘用户侧资源的响应潜力，缓解调度压力，相比仅有清洁能源的接入，区域促成的交易收益提高了76.38%，系统运行成本降低了16.97%，相比不考虑聚合交易的一般调度方法，系统运行成本降低了16.65%。可见考虑源网荷储聚合交易的电热综合能源系统优化调度方法有利于提高系统的经济性。

4.3 交易与调度优化结果分析

4.3.1VPP零售价格分析

各VPP的零售价格如图7所示，为了最大化VPP的交易收益，零售价格在全时段上呈两级阶梯分布，其趋势与负荷曲线的峰谷基本一致，阶梯中个别出现的中间点是为了满足式(11)—(14)中约定的平均售价而导致的。售电价格基本上是在07:00—18:00时段处于高峰，其余时段为低谷，售热价格基本上是在11:00—14:00和18:00—22:00时段处于高峰，其余时段为低谷，在此基础上各VPP零售价格阶梯有些许差异，主要是由VPP聚合资源的差异性导致的。

图7 各VPP的零售价格Fig.7 Retail price of each VPP

系统内对源网荷储聚合交易的成交结果如图8、9所示。图8中ETV1、ETV2、ETV3分别对应3个VPP的电交易量。图9中HTV1、HTV2、HTV3分别对应3个VPP的热交易量。根据图8，区域内总的电交易量达到16 841.00 kW·h，3个VPP的电交易量分别为5 229.80、7 881.30、3 729.90 kW·h。整体而言，在07:00—18:00时段，交易维持在较高水平，一方面是因为该时段WT和PV的出力较高，可交易的可再生能源较多。另一方面是因为该时段电负荷曲线和外部市场电价处于尖峰，VPP的大量出力有利于减少系统对主网的购电功率，从而起到降低运行成本的作用。所有VPP中，VPP1和VPP2的交易量在01:00—04:00时段不断上升，之后的时段则较为平稳，VPP3的交易量最少，并且集中在07:00—19:00时段，主要是因为VPP1的资源构成包括WT和DG，VPP2的资源构成包括WT、PV、DG、ES，可控DG使得交易量在全时段上的分布比较平缓，VPP3的资源构成包括PV、ECL、ES，一方面PV出力的时段分布集中，仅在白天出力，使得可交易资源的在全时段上呈现集中分布特点，另一方面，ECL和ES交易量有限，使得可交易量相对VPP1和VPP2较少，仅在需求大的时段(06:00—18:00)开展交易。

图8 电交易结果Fig.8 Electricity transaction results

图9 热交易结果Fig.9 Heat transaction results

根据图9，区域内总的热交易量达到4 032.60 kW·h，3个VPP的热交易量分别为1 628.70、1 259.00、1 144.90 kW·h。整体而言，热交易在各时段的分布相对平稳，在基础腰线上出现局部的交易峰值，主要因为热资源种类仅有EH和HCL，EH在全时段上平稳运行参与交易，HCL则分布发生在各个时段，受零售热价的阶梯分布影响，HCL的交易造成的热交易峰值分布与零售热价峰值分布一致。

4.3.2系统运行情况分析

源网荷储交易后，经过RIEHS的优化运行，系统从主网的购电和购气情况如图10所示。其中购电总量为75 415.32 kW·h，购气总量为4 790.52 m3。相比仅考虑WT和PV的交易，购电量降低了6 439.72 kW·h，购气量降低了1 933.93 m3。可见通过源网荷储的聚合交易，有效促进了需求侧资源的就地消纳，减少了RIEHS从主网的购能成本。

图10 购电和购气结果Fig.10 Purchase results of electricity and natural gas

各个VPP交易后的源荷资源供用能情况如图11—13所示。其中，EH在VPP供用电功率图中表示用电功率，在VPP供热功率图中表示供热功率。

图11 VPP1的运行情况Fig.11 Operation of VPP1

由图11—13可知，WT和PV的出力全部消纳，DG主要工作在06:00—23:00时段，ECL主要工作在零售电价高峰时段，HCL主要工作在零售热价高峰时段，EH在全时段上以较高功率工作，可以看出，同一种资源，尽管在不同的VPP，不同的位置，但是运行方式却是基本一致的，这也有利于对多种资源的运行优化与管理。

图12 VPP2的运行情况Fig.12 Operation of VPP2

图13 VPP3的运行情况Fig.13 Operation of VPP3

储能的运行情况如图14所示。VPP2和VPP3的储能除了容量大小差异外，充放电的模式基本一致，为一天两充两放型，05:00—06:00和24：00时段充电，01:00—03:00和07:00—12:00时段放电，符合区域内负荷高峰时段发电，低谷时段充电的经济原理。

图14 储能运行情况Fig.14 Operation of ES

5 结 论

本文针对RIEHS对源网荷储资源的聚合交易与调度问题，提出了考虑源网荷储聚合交易的区域电热综合能源系统优化调度方法。设计了考虑源网荷储交易的RIEHS调度组织流程，进而建立考虑源网荷储聚合交易的RIEHS两阶段优化调度模型，分别优化VPP对源网荷储资源的聚合交易和RIEHS的调度计划。通过本文的算例，得到如下结论：

1)考虑源网荷储聚合交易的RIEHS优化调度方法能够通过交易手段挖掘用户侧资源的响应潜力，相比不考虑聚合交易的一般调度方法，调度成本降低了16.65%，有利于缓解系统调度压力，提高系统运行经济性。

2)在VPP聚合热资源进行交易时，EH的交易在全时段上分布平稳，HCL则分布发生在各个时段，受零售热价的阶梯分布影响，HCL交易造成的热交易峰值分布与零售热价峰值分布一致。二者叠加后的热交易量在各时段的分布相对平稳，但在热交易量基础腰线上出现局部的交易峰值。

3)通过源网荷储的聚合交易，相比仅考虑新能源的交易，系统购电量降低了7.87%，购气量降低了28.76%，有效促进了需求侧资源的就地消纳利用。

4)本文RIEHS调度针对的是日前调度，采用风光预测数据作为基本参数，后续将在此基础上，进一步深入研究风光随机特性对日内交易与调度的影响。