考虑多重区间不确定性的用户侧综合能源系统双层优化配置

2022-04-19卢炳文魏震波魏平桉郭毅胡蓉

中国电力 2022年3期

卢炳文，魏震波，魏平桉，郭毅，胡蓉

(四川大学电气工程学院，四川成都 610065)

0 引言

推动建设以清洁、低碳、安全、高效的现代能源体系是中国和全球大部分国家的共同目标[1]。“十四五”是我国能源转型、清洁能源发展的关键时期，必须转变化石能源为主的发展方式。综合能源系统耦合电、气、热、冷等多种能源，可以实现能源间的互补利用，同时减少系统运行成本、提高能源利用效率和降低碳排放量等[2-3]。在用户侧建设及运行的综合能源系统统称为用户侧综合能源系统（user-side integrated energy system，USIES），为用户提供电热冷负荷需求，常见形式有单楼宇综合能源系统、楼宇群综合能源系统以及区域级综合能源系统等[4]。

目前关于USIES的研究主要集中于能量枢纽的规划和运行。文献[4]考虑系统内各节点间的能源网络连接关系，构建了用户侧冷热电综合能源系统规划运行联合优化的完整模型。文献[5]针对综合能源系统内设备的类型和容量的选择，提出一种通用的容量配置模型，可以得到最优规划方案。文献[6]以能量枢纽为模型基础，提出了多能源网络与能量枢纽联合规划模型。文献[7-8]计及能源利用率、系统可靠性等多种指标，构建了园区能源互联网双层优化配置模型。

事实上，USIES在规划和运行时还面临着负荷、可再生能源出力等多重不确定性。然而在很多情况下，无法获取变量的概率分布和隶属度关系。区间法只需要已知不确定变量的波动区间，而不需要知道其概率分布和隶属度关系，即可求解出目标函数的优化结果区间，同时能够突出不确定参数对系统的影响[9-10]。因此，近年来区间优化方法被越来越多应用到能源系统的不确定性研究中。文献[11]考虑耦合机组转换效率偏差对系统运行成本不确定性的影响；文献[12-13]采用区间数描述不确定性，分别站在USIES自身和能源服务公司的角度，得出系统调度运行的最优区间解。以上文献主要是根据经济性最优得到系统运行的最优区间解，但并未考虑不确定性对系统最优成本波动水平大小的影响。

因此，本文考虑负荷、可再生能源发电和能源价格的不确定性，以设备年投资费用和年运行费用为目标，且考虑了成本的波动水平，采用区间线性规划模型解决运行成本的不确定性，建立了基于粒子群优化-区间线性规划的双层优化配置模型。通过算例仿真验证了所提模型的有效性，并对不确定因素等进行灵敏度分析。

1 USIES的建模

1.1 USIES的结构

本文以一个包含风机(wind turbine, WT)、光伏（photovoltaic，PV）、热电联产(combined heat and power, CHP)、燃气锅炉(gas boiler, GB)、吸收式制冷机(absorbent chiller, AC)、电制冷机(electric chiller, EC)、储电(electricity storage, ES)设备、储热(heat storage, HS)设备和储冷(cold storage, CS)设备以及电热冷负荷并网运行的USIES为研究对象，可将其简单分为能源输入侧、能量耦合部分和能源输出侧3个部分[14]。典型USIES的结构如图1所示。

图1 用户侧综合能源系统结构Fig. 1 User-side integrated energy system structure

1.2 能源设备的类型

2 常规确定性的USIES优化配置模型

2.1 上层规划模型

2.1.1 目标函数

2.1.2 约束条件

2.2 下层运行模型

2.2.1 目标函数

2.2.2 约束条件

3 考虑区间不确定性的USIES双层优化配置模型

3.1 区间线性规划

区间线性规划经常被用于处理不确定性问题，它是将区间数的理论和方法用于线性规划中，并且在目标函数或约束条件中含有区间数的一类线性规划。对于区间线性规划模型，一般采用两阶段分解方法将包含区间量的不确定性模型转化为2个确定性的子模型，从而得到最终目标区间值和决策变量[13]。

3.2 求解算法

上层规划模型中决策变量较少，故上层采用粒子群优化算法进行求解，生成各能源设备的容量并传递到下层；下层运行模型为区间线性规划模型，采用两阶段分解方法将其分解为最优子模型和最劣子模型，再利用Cplex求解器分别求得最优值及最优值取值区间。上层将设备类型及容量优化结果传递给下层的目标函数与约束条件，下层将运行优化结果返回给上层，通过上下层的优化迭代，最终求得全局最优解[18-19]。具体双层模型的流程如图2所示。

图2 基于粒子群优化-区间线性规划的双层优化配置模型流程Fig. 2 Flow chart of two-level optimal configuration model based on particle swarm optimization and interval linear programming

4 算例仿真

4.1 算例介绍

本文选取江苏省某地工业园区为研究对象进行仿真分析，园区结构如图1所示。根据气候特征，该区域一年可划分为夏季（6～8月，共92天）、春秋过渡季（3～5月，9～11月，共183天）和冬季（12～2月，共90天）。为了简化计算，通过K-means聚类选取夏、冬、过渡季3个典型日负荷数据，每种典型日的电热冷负荷曲线如图3所示，典型日风光预测出力曲线如图4所示。

图3 USIES典型日负荷曲线Fig. 3 Typical daily load curve of USIES

图4 可再生能源典型日预测出力曲线Fig. 4 Typical daily forecast output curve of renewable energy

园区电网购电采用谷平峰三阶段分时电价，分时电价见表1，天然气价格为0.35元/(kW·h)。设定规划时间为20年，年利率为6%。考虑到规划年内系统的各类不确定性因素[12-13]，将负荷的波动范围设置为 ± 10%，风、光出力的波动范围设置为 ± 10%，电气能源价格的波动范围设置为±2%。系统内用于规划的各类能源设备的参数见表2。

表1 分时电价表Table 1 Time-of-use price

表2 各类能源设备参数Table 2 Parameters of each energy equipment

4.2 优化配置结果

为了对比分析储能设备和可再生能源发电安装前后对系统不确定性的影响，本文将比较以下4种情形的配置结果。

（1）不考虑不确定因素，考虑储能和可再生能源。

（2）考虑不确定因素，不考虑储能和可再生能源。

（3）考虑不确定因素，不考虑储能，考虑可再生能源。

（4）考虑不确定因素，考虑储能和可再生能源。

不同情形下系统配置的结果及各项费用见表3。

表3 不同情形下USIES的配置结果及各项费用Table 3 Configuration results and costs of USIES under different conditions

比较情形1和情形4，可以发现除了可再生能源设备，其他的设备容量都得到了明显的增加，以储能最为明显。情形4受到不确定性的影响，USIES的运行费用出现了明显的波动，运行费用宽度增加了近440万元，且运行费用均值得到增加。因此在实际规划和运行中有必要考虑系统的不确定因素。

比较情形2和情形3，情形3考虑了可再生能源设备的安装，因此设备的安装费用得到增加。同时由于可再生能源自身的出力波动，情形3的运行费用宽度和波动范围也增加。但是设备的运行费用均值和年总费用期望值却大幅度降低，均值费用和期望值费用较情形2分别减少了23.1%和11%。因此，安装可再生能源尽管可以使系统的不确定性增加，但却可以给系统带来显著的经济性。

比较情形3和情形4，前者考虑了安装可再生能源设备，由于系统夜间负荷较小，而风电此时出力达到最大，会存在小部分的弃风。而后者又考虑了储能设备的安装，能进一步减小弃风，同时实现削峰填谷的作用，因此系统运行费用的宽度较情形3减小了4.72%。在情形4中，虽然多考虑了储能设备，但是由于储能设备的价格较光伏低很多，因此情形4的设备投资费用略小于情形3；而储能设备的维护费用却较高，因此情形4的运行费用均值高于情形3。

综上所述，安装可再生能源设备，虽然会增加投资费用，但系统运行费用下降明显（购能费用减少）。而在系统中考虑安装储能设备，有利于抑制系统运行费用的波动，同时降低系统的年总费用期望值。

4.3 灵敏度分析

4.3.1 负荷不确定性对配置结果的影响

不同负荷波动情况下，USIES的配置结果如图5所示。由图5可知，负荷波动对系统的优化配置有很大的影响，尤其是储能容量的配置。另外，随着负荷波动范围越大，光伏的配置容量在逐渐增大，因为白天负荷较高，负荷波动区间较大，而光伏出力此时最大，系统可以通过能源转换设备与储能的配合，很好地消纳可再生能源，同时平抑负荷的波动，尽量减小不确定性对系统的影响。

图6给出了负荷波动时USIES的各项费用。负荷波动范围越大，系统中设备的投资费用会逐渐增加。尽管系统的年运行费用均值基本不变，这就决定了运行费用的宽度对系统的优化配置起着较大的作用，因此，储能容量会随着负荷波动有着较大的变化，从而来抑制系统运行费用的波动。

4.3.2 能源价格不确定性对配置结果的影响

因为算例中USIES的主要供能来源是天然气，所以本文着重考虑天然气价格对配置结果的影响。不同气价波动范围下，USIES的配置结果及各项费用如图7、图8所示。由图中可知，当气价的波动范围逐渐增大时，USIES的配置结果及运行费用均值变化很小，而运行费用宽度的增幅却很明显。这主要是因为USIES购买天然气的费用在年运行费用中占比较大，因而运行费用宽度与气价波动范围基本成正比例关系。

图7 不同气价波动范围下USIES的配置结果Fig. 7 Configuration results of USIES under different gas price fluctuation ranges

图8 不同气价波动范围下USIES的各项费用Fig. 8 Various costs of USIES under different gas price fluctuation ranges

4.3.3 权重系数 λ对配置结果的影响

因本文着重考虑不确定参数影响下的系统变动水平，故 λ取为较小的数值。不同 λ取值下USIES的配置结果及各项费用见图9、表4。

图9 不同 λ值下USIES的配置结果Fig. 9 Configuration results of USIES under different values of λ

表4 不同 λ值下USIES的各项费用Table 4 Various costs of USIES under different values of λ

当 λ ≥0.4时，系统的配置结果基本变化不大，这是因为此时运行费用均值变化较小，而储能设备的安装和运维费用较高，通过增加储能容量来抑制运行费用的波动显得很不经济。而当0≤λ<0.4时，系统的设备投资费用和年运行费用均值在目标函数中比重较小，为了进一步压缩运行费用宽度，系统会配置更大容量的储能，尤其以储电设备最为明显，这是因为系统的不确定性一部分是由于可再生能源出力的波动性，加上电负荷在整个系统的负荷中占较大的比重。此外，随着 λ 逐渐减小，风电的配置容量在逐渐减小，而光伏的配置容量在逐渐增大，因为光伏的出力主要集中在白天，风机的出力主要集中在夜间，加之夜间负荷较小，不易消纳夜间风电，因此风机出力波动性的影响要大于光伏。

由表4可知，运行费用波动范围会随着 λ减小而减小，表明规划结果越来越趋于保守。与此同时，系统的设备投资费用会逐渐增加，主要是因为储能设备容量的增大。而系统的运行费用均值却得到减小，这是因为储能设备可以实现削峰填谷，减少系统的购能费用。当权重系数 λ ＜0.4时，增大设备投资成本只能在小范围内减小系统运行成本的波动，并不经济。