智慧能源站能效指标评估体系

徐文林，方腾，徐勇，郭春林，张蒙召

(1.国网湖南省电力有限公司，湖南 长沙 410004；2.华北电力大学 新能源电力系统国家重点实验室，北京 102200；3.国网湖南综合能源服务有限公司，湖南 长沙 410007)

0 引言

电网企业正在探索利用变压器资源等优势，进行变电站、数据中心和能源站合一建设，以形成一个智能化节约能源的智慧能源站[1－2]。利用变电站站址资源，建立分布式储能系统，成为能源输送和转换利用的重要环节，为多能协同提供基础。储能站能有效参与区域电网调节，节省为满足短时最大负荷而所需的建设投资；数据中心站基于模块化装备和综合能效管理平台，可以弥补云的不足，实现云数据中心的分中心功能，能提高单位能效，降低运行成本，提升运营能力。

文献[3] 提出了适用于电网的静态、动态和技术经济分析的综合能效评估方法。文献[4] 从电气设备性能、系统运行状态、建筑结构性能和运行环境因素4 个角度构建变电站能效评估指标体系，文献[5] 对比了光储充电站的交流配电方案和直流配电方案的能效差异。可见，目前，电力领域的能效评估方法主要停留在传统设备层面。对于三站合一的综合电站的能效评估甚少，随着智慧能源站的兴起，智慧能源站能效评估体系的重要性日益凸显。

1 智慧能源站及其能效指标体系

智慧能源站以新建变电站为依托，创新建设模式，实现变电站、储能站、数据中心、电动汽车充换电站、屋顶光伏等分布式新能源集成融合[6]，实现能源流、数据流、业务流合一，来提升电网综合效率效益，满足城市建设对能源、环境的综合要求[7－9]。变电站内除了主变压器、站用变压器等用来传输电能和供给用电，还设有信号控制装置、直流电源、继电保护和绝缘监测等二次设备，以及冷却装置、空调等辅助设备[10－11]，其主要能耗设备为冷却设备和空调等温湿度调节设备。综合能源站包括光伏系统、储能系统和充电桩等设备。利用储能站，实现“削峰填谷” 效应，缓解能源站供电压力，整合变电站常规的二次设备、通信设备蓄电池组和数据中心UPS 电源，为传统二次设备、通信设备提供备用直流电源。其中，铅蓄电池和液流电池的转换效率较低，为70%～85%，锂离子电池的转换效率一般在90%以上，可见转换效率是影响储能设备能效的关键因素。在光伏系统和充电站中，损耗占比最大的便是充电桩和并网变换器损耗，大约在总损耗的70%以上；其次是线路损耗，这是由于充电桩支路数量多，传输线路长，因而损耗比重较大[12]。数据中心的能耗因素主要从5 个方面进行考虑，分别为基站主设备、空调等温湿度调控设备、电源系统、其他辅助设备和机房建设能耗。其中，基站主设备和空调能耗占数据中心总能耗的90%以上[13]。此外由交直流混联网提供直流电源，同时复用储能作为后备电源，可以取消数据中心UPS 电源系统和备用柴油机，可不予考虑电源系统能耗，同时也可达到降耗的目的。

综合考虑上述整个智慧能源站能耗影响因素，从变电站、数据中心、能源站、建筑设备以及照明设备5 个角度进行分析，建立三站合一式的综合能效评估体系，如图1 所示。

图1 智慧能源站层次分析结构图

2 智慧能源站能效指标计算方法

2.1 变电站能效指标

2.1.1 变压器综合损耗率

变压器综合损耗主要包括主变压器和站用变压器的空载损耗、空载电流无功损耗所引起的有功损耗、负载损耗和负载时绕组漏抗漏磁无功损耗所引起的有功损耗四部分组成。若已知无功经济当量KQ，负荷波动系数KT和变压器负载系数β，则变压器的综合损耗可表示为[14]:

式中，P0为变压器空载损耗，Q0为变压器磁化功率损耗，Pk为变压器额定负载功率损耗，Qk为变压器额定负载时绕组漏抗漏磁功率。

则变压器的损耗率为:

式中，SN为变压器额定容量，cosφ为变压器负荷侧的平均功率因数。

2.1.2 主变压器冷却方式

冷却系统的主要作用是为长时间运行的电力设备进行降温冷却，也是重要的耗电设备，电力变压器常用的冷却方式一般分为油浸自冷式、油浸风冷式和强迫油循环三种，强迫油循环又有强油风冷和强油水冷两种方式。强迫油循环由于有油泵机和风扇等设备因而耗能较多，油浸自冷式由于没有特别的冷却设备因而损耗较少，设油浸自冷式、油浸风冷式和强迫油循环消耗的总功率分别为P油自、P油风、P强油，则冷却设备的能效表示为:

式中，a1、a2、a3分别为油浸自冷式、油浸风冷式和强迫油循环的台数与总台数的占比。

2.1.3 空调设备能效

空调系统是非常重要的调温装置，常用来制冷降温，其能耗也占相当大的一部分，现阶段为节省电能，大部分电站已经开始采用自动调节装置，每台空调设备都有标准的能效比，即制冷量和输入功率的比值，故引入空调能效比来衡量整个智慧能源站的空调设备能耗，计算公式如下:

式中，t为空调台数，EERi为第i台空调的能效比，Pout.i为第i台空调的制冷量，Pout.total为所有空调总的额定制冷量。

2.2 数据中心能效指标

2.2.1 主设备能效

数据中心的主设备能耗主要包括载频能耗和机柜基础能耗。机柜基础能耗主要由控制板、风扇等设备组成，大约占主设备能耗的10%左右。载频数是影响主设备能耗的主要因素，主设备能效可由式(5) 进行表示:

式中，PCFi为第i台载频耗电功率；PS为电源总功率；s为载频数。

2.2.2 空调设备能效

空调能效的计算方法同变电站能效指标中的空调能效，此处不再赘述。

2.3 能源站能效指标

上述已经提及综合能源站的主要能耗影响因素为换流器转换效率、储能转换效率和线损率。

2.3.1 换流器转换效率

在能源站中，换流器必不可少，储能设备与交流电网通过交直变换器连接，光伏并网和充电桩等方面同样需要换流器的使用。因此，换流器转换效率C1用式(6) 来表示:

式中，b为换流器总数量；ηi为第i台换流器效率。

2.3.2 储能设备能效

储能设备的能耗主要与电池材料有关，电池性能越好，储能转换效率也就越高，能效可用式(7) 表示:

式中，c为换流器总数量；Ej为第j台储能设备转换效率。

2.3.3 线损率

所谓线损率，是指线路损耗的电能与线路始端输入电能的比值。线路损耗的电能可由最大功率损耗时间法或者经验法求得，则线损率可表示为:

式中，W1为线路始端输入的电能，ΔWz为线路损耗的电能。

2.4 建筑设备能效

智慧能源站中有节能要求的建筑类型主要包括有较多人员流通的主控通信楼和对设备正常运行有热环境需求的二次设备室，从节能角度进行考虑，需要满足冬季的防寒与保温，尽可能多地获得太阳辐射热量并减少热量损失，同时还应兼顾夏季防热，综合考虑以达到节能目的[15]。影响能耗的建筑因素主要有总平面布局、建筑形态和围护结构。

2.4.1 总平面布局

建筑物的总平面布局应尽量为南北朝向，使其能够在冬季得到较多的太阳辐射。因此，对于有热环境需求的设备的建筑，接近或为南北朝向记为1，否则记为0，用南北向的建筑数量之和Ns与有热环境需求的设备建筑总和N的比值来表示平面布局的能效，即:

2.4.2 体型系数

体型系数是指建筑物与室外大气接触的外表面积与其所包围的体积的比值。体型系数应尽量控制在0.3 以内，反映一栋建筑体型的复杂程度和围护结构散热面积的多少，体型系数越大，则体形越复杂，其围护结构散热面积就越大，建筑物围护结构传热、耗热量就越大。因此，建筑体型系数是影响建筑物耗热量指标的重要因素之一，其公式为:

式中，S为建筑体型系数，F0为建筑的外表面积，V0为建筑体积。

2.4.3 窗墙面积比

每个朝向窗墙面积比D3是指每个朝向外墙面上的窗、阳台、门及幕墙的透明部分的总面积S窗与所在朝向建筑的总面积S墙之比。一般普通窗户的保温隔热性能比外墙差很多，窗墙面积比越大，采暖和空调能耗也越大。因此，从降低建筑能耗的角度出发，必须限制窗墙面积比。国标GB50189—2005 规定窗墙面积比均不应大于0.7。窗墙面积比公式为:

2.4.4 传热系数

通常从墙体构造设计和材料选择方面入手，其保温性能主要体现在传热系数上，热量从围护结构一侧传递到另一侧所受阻力称为围护结构传热阻。国标指出，不同地区、不同窗墙面积比有不同的传热系数限定值，实例分析时可根据地区等因素查阅国标相关限定值。研究表明，外墙传热系数的减少将明显的降低建筑能耗[16]，传热系数K为传热阻R0的倒数，即:

2.5 照明设备能耗

智慧能源站内照明灯具使用数量多、分布范围广，使用高效、节能型的灯具能够节省大量的电能，使能效更高。对于同一照明灯具而言，其能效取决于灯具的性质，因此采用节能灯具的总功率与全站照明设备的总功率的比值来衡量照明设备的能效，其表达式如下:

式中，p为节能灯具的数量，q为所有照明设备的数量，Pes，i为节能灯具的总功率，Pj为照明设备的总功率。

3 智慧能源站能效评估方法

3.1 构造层次分析结构

从能耗的定义出发，根据层次分析法(Analytic Hierarchy Process，AHP) 原理分层建立智慧能源站能效评估体系，着眼于以后有节能空间的设备以及能耗较多的设备建立评估体系，层次分析模型主要分为三层[17]。最高目标层即提高智慧能源站总体能效O；中间为准则层:M＝ {变电站能效，数据中心能效，能源站能效，建筑设备能效，照明设备能效}；最底层为方案层N，主要包含各个准则层的一些指标。能效指标体系如图1所示。

3.2 指标数据规范化

用于评估能效的指标分为极大型指标和极小型指标，由于能效越高越好，因此将极小型指标转换为极大型指标，转换方法如下:

式中，ymax为极小型指标的最大值，y为转换前的指标值，y′为转换后的指标值。

设第k个指标的变化区间为[a，b]，则第k个指标yk转化为无量纲值的变换公式为:

式中，n为指标个数。

3.3 权重确定方法

3.3.1 主观权重法

1) 构造判断矩阵

根据建立的指标模型，由专家在每层中两两比较，按相对重要性赋予各个指标相应的权重，构造出判断矩阵，构造的判断矩阵形式见表1。其中，判断矩阵标度含义见表2。

表1 判断矩阵形式

表2 判断矩阵标度含义

2) 一致性检验

一致性检验是用来检验判断矩阵的合理性，引入判断矩阵最大特征根以外的其余特征根的负平均值CI以及平均随机一致性指标RI，作为度量判断矩阵偏离一致性的指标，即:

式中，λmax、n分别为判断矩阵的最大特征值和阶数。随机一致性比率为:

3.3.2 灰色关联度分析

灰色关联分析即研究灰色系统中各因素之间相互关系的方法。在该智慧能源站指标体系中，可以将各影响因素的能效最优值作为母序列，将实际数据作为子序列，计算各子序列与母序列的关联度，关联度愈大，表明子因素与主因素的关系愈紧密，也可说子因素对主因素的影响能力愈大。因此，将关联度作为权重的其中一个有一定的合理性。计算关联度的步骤如下:

1) 选定母序列与子序列

母序列选用各个指标的最优值，对原始数据进行处理后，其值均在0 到1 之间，且值越大越好。从变电站能效子因素母指标为例:M1＝[1，1，1]，其列数为指标个数。

对应于每个母序列的子序列可表示为{Mi(k)}，i ＝1，2...n，k ＝1，2...m。n为时间段个数，m为子因素个数。

2) 计算子序列与母序列的关联度

3) 由关联度向权重的转换

3.3.3 综合权重确定

以上介绍了确定权重的两种办法，分别是主观权重法和关联度分析确定权重法，主观权重法能够充分吸收本领域专家的知识和经验，但其缺点是主观意识太强，完全以主观权重作为评估权重不完全合理。关联度分析法是计算实际数据与理想数据之间的关联度，关联度越大，说明影响程度越大，但在该实例中，使用关联度分析法并不能将能效的易提升程度体现出来。于是可通过将主观权重法和关联度分析法用加权方法结合起来，取长补短，得到一个综合权重，即:

3.4 评估分值计算

通过上述分析，已经求出了各个指标的分值以及权重，则上一层的指标评估分值计算公式如下:

式中，为准则层第i个指标下的第k个指标的权重，为准则层第i个指标下的第k个指标的分值，Ci为准则层第i个指标的分值。

4 仿真分析

以3 个不同的智慧能源站A、B、C 为例，评估3 个能源站的能效，能源站原始数据和极大值标准化后的数据见表3。基于提出的评估方法，首先根据指标的判断矩阵得出主观权重；根据关联度分析法确定客观权重，得到N 层的综合权重，结合3 个智慧能源站处理后的数据，得到M 层的能效分值；然后，依据N 层的权重确定方法，确定M 层的权重，最终计算出O 层的能效分值。M 和N 层指标权重见表4，各能源站O 层和M 层指标分值见表5。

表3 3 个智慧能源站各指标数据

表4 M、N 层指标权重

表5 基于综合权重法的O 层和M 层分值

从表中可看出，3 个能源站，能效最高的是A，能效值为0.731 4；第二是B，能效为0.718 4；最差的是C，能效为0.689 3。分析原始数据，可以看出，B 相对于A 而言，建筑设备能效分值降低，其层面下的4 个指标能效平均下降了0.1～0.2，总的能效分值下降了大约0.01；C 相对于A而言，数据中心、能源站和照明设备能效平均下降0.1～0.2，总能效下降了近0.05 个百分点。同时由权重也可看出，数据中心、能源站等权重占比较高，这是因为在站内有光伏和充电桩等设备，故有大量的换流器和线路，所以，在提高能效时可着重对该方面进行提高，减小损耗。

此外，为验证该权重确定方法的有效性，分别基于主观权重法和关联度分析权重法，对智慧能源站A、B、C 的能效进行了两次分析，得到各智慧能源站的能效，见表6、表7。关联度分析法确定权重得到的结果和主观权重法得到的结果有差异，但基本属于同一等级，可以说明客观权重法的有效性。当专家样本量不够或者专家观点差别较大时，客观权重法的作用可体现出来，将两者结合起来可得到一个准确有效且不失偏颇的方法。

表6 基于主观权重法的O 层和M 层分值

表7 基于关联度分析法的O 层和M 层分值

为研究不同环境条件下，诸如变压器综合损耗率、线损率等动态指标对智慧能源站的能效，以南方某智慧能源站为模型，时期1 为夏季时的运行状态，空调等制冷设备大量长时间运行，用电负荷量较大，高于最佳经济运行负荷，主变冷却耗电量增加；时期2 为冬季时的运行状态，此季度相对夏季气温较低，制冷设备大幅减少。由于不同的评判指标可能具有不同的量纲和数量级，因此需将这些数据进行标准化处理，此外，变压器损耗率、线损率、体型系数、窗墙面积比和传热系数等指标为极小型指标，按照此前所述的转换方法，将其转换为极大型指标，原始数据及处理后的数据见表8。

表8 智慧能源站A 两时期数据

随后，根据以上的求取权重的原理，得出各个层的判断矩阵及权重，经过计算得到O 层和M 层指标的分值，权重和分值见表9[18－21]。根据M 层指标和权重，计算得到智慧能源站能效O 层夏季和冬季能效分别为0.739 6、0.778 8，为准确分析两个季节能效的区别，将M 层指标分值画为散点图，如图2 所示。从图中可以看出两个季节的差别主要在变电站能效方面，变电站能效每降低0.094，智慧能源站能效大约降低0.04。由此可见，使系统运行在经济状态，能够有效提高智慧能源站能效。

表9 M、N 层指标权重和M 层分值

此外，从图2 还可看出，变电站和建筑设备的能效较低，并且变电站能效所占比重大于建筑设备能效的分量。因此，在以后的节能管理中，可着重对变电站内能耗较多的设备进行改善，变压器冷却设备采用更加智能的调节方式。同时，也要兼顾变压器的运行状态。使其运行在最佳经济运行状态；为减少一次建筑设备耗能，建筑外墙设计是节能设计的一个重要组成部分，可从墙体构造设计、材料选择方面着手，提高墙体的热工性能。

图2 准则层各指标能效分值

5 结论

能效评估要考虑的因素很多，原则也各有不同，本文主要从如何减少能耗的方面考虑完成了以下内容:

1) 介绍智慧能源站的具体架构和重要组成设备，分析变电站、数据中心及能源站的能耗影响因素，提取出耗电量较大的主要能耗设备。

2) 对于变电站、数据中心和能源站一体建设的智慧能源站，提出了一种基于“三站合一形式”的能效指标体系。

3) 基于能效指标架构，对层次分析法进行改进，结合关联度分析法确定权重，从而建立智慧能源站能效评估体系。

4) 通过试验计算，得出了智慧能源站能效分值，分析了不同运行状态对能效的影响，并根据数据分析指出下一步需要改进的方向，为智慧能源站节能提供节能方案参考。