考虑需求响应的电/热/气云储能优化配置策略

2022-03-18丁曦姜威郭创新奚增辉高洁

电力建设 2022年3期

丁曦，姜威，郭创新，奚增辉，高洁

(1.浙江大学电气工程学院，杭州市 310027；2.国网上海市电力公司，上海市 200122)

0 引言

随着能源资源的枯竭和环境的恶化，人们对以可再生能源为主体的绿色能源的需求逐渐增加。在此背景下，对电/热/气耦合的综合能源系统(integrated energy system，IES)[1-3]的规划运行展开研究具有重要意义。分布式电源(distributed generation，DG)是综合能源系统的一个重要组成部分，光伏、风机等新能源机组出力具有随机性、不确定性等特点，而高渗透率下的新能源并网技术仍不成熟，弃风、弃光现象较为严重，剩余能量的合理存储是解决上述问题的关键。

随着近年来我国电力市场改革，需求响应(demand response,DR)通过合理定价，应用市场化的价格机制引导用户改变用电行为，调动各类需求侧资源，在一定程度上缓解了电网的供需压力[4-6]。同时，用户的消费行为习惯也随开放的市场发生了转换，用户的身份从单纯的能源消费者向能源产消者逐步过渡[7]。许多用户倾向于自建储能，在新能源出力过剩时存储能量，并在电价高峰时期使用存储的能量满足自身负荷需要，实现供需平衡，提高分布式发电资源的利用率。文献[8]结合分布式储能的产业和技术特点介绍了分布式储能技术的发展现状。文献[9]结合中国智能电网未来的建设规划，对分布式储能的容量配置、选点布局以及协调控制进行了重点介绍。文献[10]从分布式电源投资者的立场出发，研究了分布式储能在高光伏渗透率配电网中的优化配置方法。文献[11]基于复杂系统理论，提出了一种适用于分布式储能的大规模电池网络优化管理方法。

但是自建分布式储能投建、运维成本较高，限制了其在中小型用户中的普及应用。因此，许多专家学者对云储能(cloud energy storage，CES)[12]这一商业模式展开研究。与传统的用户自建储能相比，云储能模式通过云储能提供商集中投建、调度、维护储能，用户共享储能，实现储能规模化管理，通过规模效应、信息优势和用户用能行为的互补性实现整体成本的降低。云储能成为现阶段电力市场商业模式探索的一个新方向。文献[13]提出了云储能的研究框架，并分析了基于云储能的运行机制和商业模式以及在云储能研究中的科学问题和关键技术。文献[14]联合对比不同放电深度下储能系统的投资成本，以投资运行成本最小化为目标，研究出一种在共享储能模式下的储能系统调度策略。文献[15]引入虚拟电厂这一能源共享路径，基于stackelberg博弈理论，设计了一种能源共享运营机制，并建立了一种虚拟电厂运营商领导，能源产消者跟随的非合作博弈模型。文献[16]提出了一种在发电侧共享储能的机制，在该机制的基础上建立基于合作博弈的共享储能规划模型。文献[17]设计了一种功率分配策略，并在该基础上构建了一个由风电场自建储能同时租赁云储能容量的最优配置模型。文献[18]将云储能商业模式应用于含电/热储能的综合能源系统，用于解决区域综合能源系统的优化配置问题，验证了云储能模式下进行电/热储能的综合优化配置能够有效节约储能资源，减小成本。

但以上研究均未考虑需求响应对云储能模式下实体储能配置的积极影响，且没有研究云储能商业模式在电/热/气综合能源系统中的应用。将云储能商业模式应用于考虑需求响应的电/热/气耦合综合能源系统中，研究电/热/气云储能优化配置策略，对用户侧资源的共享利用、过剩能源的合理消纳、实现成本的降低具有重要意义。同时，在云储能模式下，由于用户负荷、电价、热价、气价和新能源出力直接影响着用户的充放能决策，进一步又影响了云储能提供商的容量配置。因此，上述因素数据的准确性，对于提供商容量配置优化具有重要意义。在云储能规划建设阶段，提供商难以获取用户的负荷、新能源出力等数据，因此需要根据历史数据进行预测。在云储能模式下，新能源出力不仅取决于气象因素，还取决于用户用电、充放能决策等行为导致的弃风弃光，因此新能源出力预测应充分考虑其不确定性。

为此，本文提出一种考虑需求响应的电/热/气云储能优化配置模型。首先，对云储能商业模式的基础架构进行分析，建立电/热/气耦合的云储能能源集线器(energy hub,EH)结构。然后，针对云储能模式下新能源的高度不确定性，提出基于长短期记忆和贝叶斯神经网络的新能源出力概率预测方法，以刻画新能源出力的不确定性。之后，考虑需求响应，分别对云储能用户及云储能提供商在需求响应下的充放能策略进行分析。以两主体的全周期总成本最低作为目标，形成云储能双层规划决策模型，并将其应用到电/热/气综合能源系统中。通过大M法对模型目标以及约束中的非线性部分进行松弛线性化，将其转化为混合整数线性规划模型。本文分别选取春、夏、秋、冬4个典型日负荷进行分析，通过Matlab中的YALMIP工具箱调用CPLEX优化求解器对不同场景下的模型进行求解，联合对比在4种不同场景下的整体成本与收益。最后通过算例分析验证该方法的有效性。

1 云储能概念与能源集线器结构

1.1 云储能商业模式

共享经济与电力系统的深度融合成为了电力系统发展的新形态，云储能商业模式便是共享经济在储能资源配置中的典型应用[19]。云储能的基本架构如图1所示。

图1 云储能基本架构Fig.1 Basic architecture of cloud energy storage

云储能系统主要由云储能提供商和云储能用户两部分组成。两者通过实时信息交互实现双向通信，通过能源网络实现物理连接和能量传递。云储能提供商根据用户实际情况，投建集中式储能设施或租赁分布式储能资源，为用户提供云端虚拟储能服务。云储能用户可以购买一定功率容量和一定能量容量的云端虚拟储能，并像拥有实体储能一样，根据电网的价格信号对购买的云端虚拟储能进行充放电。云储能提供商收到同一时段不同用户的充放能需求后，进行统一决策，并根据决策的结果合理控制实体储能装置进行充放电。

在云储能模式下，云储能提供商充分发挥规模效应，由于不同用户用能行为在时间尺度上存在差异性，使得云储能提供商投建的储能实际功率容量和能量容量小于用户总需求，节约了投资成本，从而获得盈利。对于云储能用户，使用云储能避免了用户投建维护实体储能的麻烦，提高了中小型用户对于储能的参与度。对于电网，更多的用户主动参与电网调峰调频，有利于平滑负荷曲线，降低电网供电压力。同时，云储能也在一定程度上提高了新能源利用率，优化了热、气负荷曲线，延缓了管道老化，有助于热网、气网进一步运行管理。

1.2 考虑云储能的能源集线器结构

本文在电/热/气综合能源系统中研究云储能模式的优势。能源集线器是描述综合能源系统中不同能源、负荷、网络结构、输入-输出关系的多能源载体接口。使用能源集线器建模不仅可以很好地表征IES中不同能源间的耦合关系和能量流动的方向，而且可以为后续的数学建模提供方便。为便于分析，本文建立了电/热/气耦合的云储能能源集线器结构，如图2所示。

图2 电/热/气耦合云储能能源集线器结构Fig.2 Structure of an electric-heat-gas coupling CES energy hub

能源集线器的主要结构和能量流动路线如下：

2)用户自身电、热、气负荷分别为Pe、Ph、Pg。

3)用户根据能源的价格选择向从提供商处购买的储能设备充放能，电网、热网、气网的充放能功率分别为Pe,C、Ph,C、Pg,C、Pe,D、Ph,D、Pg,D。

4)新能源出力主要包括自建光伏出力PPV和区域内已建成的风力发电机出力PWP，其中，风力发电机出力的一部分直接供给电负荷，剩余电力通过能量转换装置转换为气或热供气负荷或热负荷使用，w、v分别表示风机和P2G的分流系数。

5)能量转换装置包括电转气(power to gas，P2G)设备和燃气锅炉(gas fired boiler，GB)，其效率分别为ηP2G、ηGB。

6)云储能提供商配置的锂电池、蓄热罐、储气罐3种储能设备。提供商通过云平台中的数据及信息进行充放能决策，控制三者进行实际充放能。

7)能量沿电、热、气传输线路流动，其方向如图2中箭头所示，单箭头线路只可从始端流向尾端，双箭头线路可以实现能量的双向流动。用户充放能信号通过控制线路传输。

1.3 云储能模式下两主体充放能基础模型

云储能模式的参与者主要有云储能用户和云储能提供商两大主体，本文根据两主体的相对关系进行分层优化，其决策模型如图3所示。

图3 两主体充放能基础模型Fig.3 Basic model of two-subject charging and discharging

用户根据自己的实际用能需求决策所要购买云储能的容量和功率，同时，在云储能用户端实施价格型电力需求响应，用户根据电力价格信号以及自己的用电需求适当转移负荷，并决策自己在当前时段的充放能行为。云储能提供商根据所有用户的充放能行为，优化决策集中式储能设备的投建功率及容量，在保证供需平衡的基础上减小电网功率波动，提高新能源利用率，实现各方收益最大化。

2 云储能模式下用户侧充放能优化决策模型

2.1 电力需求响应

随着近年来需求侧管理技术日趋成熟，越来越多的电力用户通过需求响应积极参与到电力市场改革中来。需求响应是指用户依据接收到的电价变化信号或补偿激励信号主动调整用电行为、改变用电习惯来响应电力供应。根据所响应信号的不同，需求响应被分为价格型需求响应和激励型需求响应。本文主要根据价格型需求响应调整用户的用电行为。电量电价弹性是由于电价的波动引起电能需求的相对改变。数学上通常用弹性系数矩阵表示。一般地，用户对多个时段的电价进行响应，根据不同时段的电价差异，来调整自己的用电行为。多时段弹性系数矩阵包含自弹性系数和互弹性系数，其分别表示该用户对当前时段电价以及对其他时段电价的响应。

用户实施需求响应后的负荷转移行为建模如下：

(1)

(2)

(3)

(4)

2.2 用户侧新能源出力预测

面向云储能模式，本文提出的新能源出力预测分为三步：首先，使用通径分析法分析气象因素对光伏、风电出力的影响，获取气象特征；然后使用长短期记忆网络，通过历史典型日新能源出力数据提取时序特征；最后综合气象和时序特征，使用贝叶斯神经网络预测新能源出力的概率分布并进行采样。由于对于不同用户、不同典型日的预测方法类似，因此本节只针对单个用户单个典型日内新能源出力预测的方法进行阐述。

2.2.1 气象因素分析

首先，对光伏和风电出力影响的气象因素进行相关性分析和特征筛选。设共有T个时刻的共M类气象因素数据，第t个时刻的第m类气象因素数据为xmt，新能源出力数据为yt。计算第m类气象因素xm与光伏出力y之间的直接相关系数Cxm→y为：

(5)

(6)

第m类气象因素经过第k类气象因素，与光伏出力之间的间接相关系数Cxm→xk→y为：

Cxm→xk→y=rxm↔xkCxk→y

(7)

(8)

式中：rxm↔xk为第m类与第k类数值气象数据之间的相关系数。

第m类气象因素与光伏出力之间的相关系数rxm→y为：

(9)

2.2.2 长短期记忆网络时序特征提取

(10)

式中：concat(·)表示拼接操作。

遍历l=1,2,…,L，计算第l个长短期记忆网络输入门ilt、遗忘门flt、输出门olt和各单元状态clt、hlt。定义c0t=0，h0t=0，则计算公式为：

(11)

(12)

(13)

(14)

hlt=olttanh(clt)

(15)

式中：Wi、Wf、Wo、Wc分别为输入门、遗忘门、输出门、可学习单元状态的权重矩阵；bi、bf、bo、bc分别为输入门、遗忘门、输出门、可学习单元状态的偏置常数；σ(·)为sigmoid激活函数。

2.2.3 贝叶斯神经网络新能源出力概率预测

最后，使用贝叶斯神经网络预测对新能源出力进行概率预测，以获取新能源出力采样值。记W为贝叶斯神经网络概率层的参数，将先验分布设为比例混合高斯分布，即

(16)

(17)

将输入的特征向量视作随机变量X，新能源出力视作随机变量Y。记概率层参数W的后验概率为p(W|X,Y)，引入该分布的近似分布q(W;θ)，其中θ为可学习参数。假设q(W;θ)为均值为0且各分量相互独立的高斯分布，则

(18)

(19)

(20)

式中：f(Xt;WiS)表示以WiS为贝叶斯神经网络参数，以Xt为输入的前向传播。

2.3 用户充放能行为分析

对于电负荷用户，其新能源出力主要包括自建光伏出力PPV和区域内已建成的风力发电机出力的一部分；对于热负荷用户，其新能源出力为燃气锅炉风电转热出力；对于气负荷用户，其新能源出力为P2G风电转气出力的一部分。因此，在第s个季节、第t个时段，提供给用户i电、热、气负荷的新能源出力如下：

(21)

(22)

(23)

定义运算(·)+、(·)-如下：

(24)

在没有储能设备时，用户i分别从电、热、气网购买功率，当新能源出力过剩时，用户i分别将过剩功率反送回电、热、气网，用户i购买和反送的功率分别为：

(25)

(26)

(27)

(28)

(29)

考虑我国热力市场和天然气市场的具体情况，热、气的价格是固定的，因此单一热用户在自身新能源出力大于用热需求时，控制蓄热罐蓄热，新能源出力不足以满足负荷用热需求时，控制蓄热罐放热。t时段，用户i的充放热行为表示为：

(30)

单一气用户在自身新能源出力大于用气需求时，控制储气罐储气，新能源出力不足以满足负荷用气需求时，控制储气罐放气。t时段用户i的充放气行为表示为：

(31)

引入储能的目的是为了减少弃风弃光，更好地消纳新能源，从而降低成本，因此用户i优先使用新能源充能。单个用户i充电、充热、充气功率中的新能源充能部分为：

(32)

结合以上用户用能行为描述，单个用户i从电、热、气网购买或返送的实际功率为：

(33)

2.4 用户决策模型

云储能用户根据自身负荷需要，向云储能提供商购买一定功率一定容量的云端储能使用权，因此，单个用户的总成本包含该用户从云储能提供商处购买云储能服务的投资成本以及在实际运行过程中，在新能源出力及云储能容量不足时，从电、热、气网购能所产生的运行成本。

2.4.1 目标函数

由于云储能提供商集中管理实体储能，用户省去了运维实体储能的固定成本。以用户总成本C1最小为目标，构建目标函数如下：

minC1=kpaIc1+Oc1

(34)

(35)

(36)

(37)

2.4.2 约束条件

用户侧约束条件包含式(1)—(4)、式(21)—(37)，同时，锂电池、储热罐、储气罐均应满足剩余容量约束：

(38)

式中：δω(ω=e,h,g)为储能的自放能率。

2.5 求解方法

待求解的目标函数中存在形如(x)+、(x)-的分段函数，由于(x)+=max{x,0}、(x)-=min{x,0}，引入辅助变量m、n与等式约束式(39)、(40)，然后使用大M法对其进行线性化。

m=max{x,0}

(39)

n=min{x,0}

(40)

首先对约束式(39)进行线性化处理，该约束可等价为：

m≥max{x,0}

(41)

m≤max{x,0}

(42)

其中，约束式(41)显然等价于：

m≥x

(43)

m≥0

(44)

约束式(42)可用式(45)—(48)进行等价替代，其中M为较大常数。

m≤x+M(1-u1)

(45)

m≤M(1-u2)

(46)

u1+u2≥1

(47)

u1,u2∈{0,1}

(48)

式中：u1、u2为0-1变量。式(45)、(46)在u1=u2=1时分别等价为m≤x，m≤0，在u1=0或u2=0时被松弛。进一步添加约束式(47)、(48)，保证u1、u2必有一个为1。

式(40)的线性化方法同上，引入约束式(49)—(54)对其进行松弛线性化。

n≤x

(49)

n≤0

(50)

n≥x+M(1-u3)

(51)

n≥-M(1-u4)

(52)

u3+u4≥1

(53)

u3,u4∈{0,1}

(54)

式中：u3、u4为0-1变量。

将其转化为可以直接求解的混合整数线性规划问题，在MATLAB 2020a中调用商业求解器CPLEX和YALMIP工具箱对其进行求解。

3 云储能模式下云储能提供商充放能优化决策模型

3.1 云储能提供商充放能行为分析

云储能提供商能够综合所有用户的充放能信息，并根据各方需求集中优化决策实体储能的充放电行为。

(55)

式中：ΩCES为参与CES的用户集合。

(56)

(57)

3.2 云储能提供商决策模型

在用户发出充放能请求后，云储能提供商并不会立即响应，而是统筹所有用户的充放能需求，合理安排实体储能进行充放能，以达到整体成本最小的目标。

3.2.1 目标函数

云储能提供商优化决策的目标函数C2为：

minC2=kpaIc2+Oc2+Fc2

(58)

(59)

(60)

3.2.2 约束条件

(61)

云储能系统的储能设备剩余容量不能超出其最大容量上限并且不能低于其最小容量下限，具体约束为：

(62)

(63)

(64)

储能各时段的剩余容量与该时段的充放能情况以及上一时段剩余容量有关。因此各储能设备剩余容量约束为：

(65)

式中：ηω,C、ηω,D分别为云储能提供商投建的锂电池、蓄热罐、储气罐的充、放能效率。

3.3 求解方法及配置流程

求解方法同2.4节。考虑需求响应的电/热/气云储能优化配置流程如图4所示。首先，基于长短期记忆和贝叶斯神经网络的概率预测方法，对新能源出力进行预测，并导入负荷、电价等相关数据；之后，在用户侧建立考虑需求响应的单个用户充放能决策模型，并决策单个用户最优充放能行为与该用户购买云储能的容量与功率；之后，将用户的决策信息传给云储能提供商，由云储能提供商统一决策实体储能的投建规模与充放能行为。

图4 考虑需求响应的电/热/气云储能优化配置流程Fig.4 Flow chart of optimal configuration of electric-thermal-gas CES considering demand response

4 算例分析

首先分析不同新能源出力概率预测方法对预测结果的影响。然后根据上文提出的两主体双层优化配置模型，建立以下场景：

场景1：电/热/气用户自建储能，使用新能源出力确定性预测方法。

场景2：电/热/气用户使用云储能，使用新能源出力确定性预测方法。

场景3：考虑需求响应后电/热/气用户使用云储能，使用新能源出力确定性预测方法。

场景4：考虑需求响应后电/热/气用户使用云储能，使用新能源出力概率预测方法。

分析不同场景下储能设备的配置功率、容量及成本，研究考虑需求响应的云储能综合能源系统的优势。

4.1 算例场景与参数

算例选取美国某地区50个负荷春、夏、秋、冬4个季节的典型日负荷、新能源出力和气象数据，每个季节91天，每个典型日的调度时间为24 h，如附图A1—A5所示。由于云储能用户一般不需要在极短时间内快速响应，本文中的调度间隔时间均取1 h。新能源预测的间隔选取15 min。选用该地区分时电价政策下的峰、平、谷电价，其价格以及时段划分如表1所示。调研得到该地区使用热计量按GJ收费，居民供暖计量热价为46元/GJ，热值系数取0.003 6 kW/GJ；天然气网统一定价为2.8元/m3，热值系数取9.7 kW/m3。具体换算方法如表2所示，算例参数如附表A1所示。

表A1 算例参数Table A1 Example parameters

图A1 电负荷曲线Fig.A1 Electric load curve

表1 分时电价及时段划分Table 1 Time-of-use electricity price and time division

表2 热-气功率换算Table 2 Heat-gas power conversion

4.2 算例结果与分析

4.2.1 新能源出力概率预测

图5为某用户秋季典型日09:00光伏出力概率分布的预测结果。将本文所提方法与正态分布法(normal distribution,ND)、核密度估计法(kernel density estimation,KDE)进行对比。由图5可知，本文所提方法的峰值相较于另外2种方法，更接近于该时刻光伏出力的实际值；同时，本文所提方法的概率密度分布更为集中，方差更小，更好地描述了光伏出力在实际值附近的分布，而另外2种方法的概率密度分布较宽，对于不确定性的刻画较为模糊，无法支撑云储能提供商容量配置优化。

图5 光伏出力概率分布预测结果Fig.5 Forecast results of probability distribution of photovoltaic generation power

4.2.2 算例结果

图6为实施需求响应前后不同季节典型日的电负荷曲线对比，图7为云储能商业模式下不同季节所有用户云储能总充放电、热、气功率曲线，图8为云储能商业模式下不同季节云储能提供商优化出的总充放电、热、气功率曲线。

由图6分析需求响应对负荷的影响，在考虑需求响应前后，4个季节的负荷量均有明显变化。在15:00—21:00的用电高峰时段，电负荷有所下降，而在00:00—07:00的低谷时段，电负荷有所上升，可以看出需求响应平滑了负荷曲线，起到了削峰填谷的作用。结合图7、图8可以看出，在实施需求响应前后，不论是用户还是提供商，其在不同季节的充放能功率都有所下降，这说明实施需求响应机制会对云储能的容量和功率配置产生正向刺激，两者结合符合现阶段电力市场特点且有利于投资成本的降低。

图6 需求响应前后负荷对比Fig.6 Load comparison before and after demand response

图7 云储能用户总充放能功率Fig.7 Total charge and discharge power of CES users

图8 云储能提供商充放能功率Fig.8 Charge and discharge power of CES provider

4.2.3 经济性分析

云储能提供商通过规模效益获得收益，其年收益包括用户支付的云储能服务费以及由于规模效益减少的购能成本，具体表示为：

Gk=Ic1+ε(Oc2,1-Oc2,k),k=2,3,4

(66)

式中：Gk为场景k下的年收益；Oc2,k为场景k下，云储能提供商的运行成本；ε为用户参与云储能所带来的年运营成本减少量分摊给云储能提供商的比例，本算例取30%。

(67)

(68)

4种不同场景下优化出的算例结果如附表A2所示。不同场景下云储能提供商投建实体储能的功率和容量配置如图9和图10所示。不同场景下的最优配置方案成本对比如图11所示。

表A2 各参数优化结果Table A2 Optimization results of each parameter

图9 不同场景下储能功率配置Fig.9 Energy storage power configuration in different scenarios

图10 不同场景下储能容量配置Fig.10 Energy storage capacity allocation in different scenarios

图11 不同场景下云储能提供商成本对比Fig.11 Cost comparison of CES providers in different scenarios

由场景1与场景2的优化结果对比可分析用户使用云储能的优越性。用户在选择云储能模式以使用虚拟储能时，储能设备配置的功率和容量有所减少，投资成本与运行成本较使用自建储能也有明显降低。

通过场景2与场景3的优化结果对比，验证了考虑需求响应使需配置3种储能设备的功率和容量、提供商的投资和运行成本分别进一步降低，证明了在云储能模式下考虑需求响应的优越性。

场景3和场景4对比了新能源出力确定性和概率预测方法对云储能提供商容量配置结果的影响。在使用新能源概率预测结果进行配置时，无论是储能设备配置的功率和容量，还是提供商投资和运行的成本都有所降低。这是因为新能源出力的确定性预测结果接近新能源实际出力的期望值，无法感知不确定性，结果偏保守。而通过概率预测得到的新能源出力采样值，可模拟新能源出力的波动。而在波动场景下，由于云储能的规模效应和用能互补，配置的容量和成本可进一步降低，且仍能满足用户的用能需求。

总体对比场景2、3、4，云储能提供商的年收益随场景递进有所降低，这是由于规模效应与用能互补导致用户对于储能需求有所降低，但是其投资回收期明显缩短。同时，用户的投运成本也会因之降低。因此，从整体社会效益上看，场景4具有更高的优越性。