基于鲁棒模型的多站融合场景下综合能源系统全局低碳策略

2022-06-08汤东升钟伟东慕小斌戴凤娇赵家振诸宇浩

电测与仪表 2022年6期

汤东升，钟伟东，慕小斌，戴凤娇，赵家振，诸宇浩

(1.嘉兴恒创电力设计研究院有限公司，浙江嘉兴 314000； 2.国网嘉兴供电公司，浙江嘉兴 314003；3.全球能源互联网研究院有限公司，北京 102209)

0 引言

作为综合能源系统在电网企业内部的一种特殊模式，多站融合场景下的综合能源系统(Integrated Energy System in Multi Station Fusion，IESIMSF)充分利用了电网企业的制度和技术优势，在电网企业的节能减排工作中发挥了重要作用[1-2]。‘双碳’背景下，低碳运营是IESIMSF的核心建设运营目标，在制定运行策略的过程中，需要综合考虑经济约束、运行特性约束和安全约束，从电网减碳全局角度出发，在满足系统鲁棒性的前提下，最大程度的减少碳排放。

目前，专门针对IESIMSF的低碳运行策略的文献很少，相关研究主要是针对IESIMSF的某一子系统的运行策略或针对传统综合能源系统的运行策略。其中，文献[3]提出储能站自律调峰控制策略，单纯以储能站全寿命周期经济性最优为目标函数，以供电区域“自律”指标为限定条件，建立多站融合供电区域储能站容量优化配置模型；文献[4]考虑各子系统的资源需求，以提升变电站现有闲置场地利用率为目标，提出各子系统的配置原则，而对于运行策略方面，以年度电费最低和储能年投资成本为目标，约束条件中欠缺对各子系统运行特征的考虑。文献[5-6]综合研究电力、热力和天然气模型，以运行经济性和提高新能源接纳能力为目标，提出了适用于区域综合能源系统的运行策略优化方法，具有很大的参考意义；文献[7-9]针对综合能源系统的日间运行策略，采用分布鲁棒优化、场景聚类分析等方法求解以经济运行为目标函数的综合能源系统日间运行方案，其中的模型不适用于IESIMSF，但方法可参考；文献[10]以电-热-气区域系统为研究对象，考虑了储气罐对提高系统经济性的作用、热网管道输送延时特性对系统消纳风电的作用、以及电转气设备对消纳风电的作用，方法更适用于区域综合能源系统，较难应用于多站融合系统；文献[11]采用基于置信间隙决策的决策模型，采用考虑经济性、效率的调度模型，可实现更为合理而准确的不确定性优化调度，其中对于不确定性的处理极具参考价值。

文献[12]提出了一种电-气互联综合能源系统的联合经济运行模型，并引入碳交易机制，以综合能源系统发电能源成本与碳交易成本之和最小为目标函数，更侧重经济性；文献[13]针对如何实现系统低碳经济调度的问题，将阶梯式碳交易引入电-气-热综合能源系统低碳经济调度模型中，综合考虑了系统的低碳性和经济性。文献[14]提出了一种以储碳设备为枢纽连接碳捕集电厂和电转气设备的运行模式，建立了一种基于分时能源价格的综合需求响应机制，并构建了考虑碳捕集系统和综合需求响应的电-气综合能源系统低碳经济调度模型。上述文献的研究成果各有侧重，但均未考虑电网企业自身的优势，难以充分挖掘IESIMSF的减碳潜力。

文中充分研究了IESIMSF的构成、特点和运行特性等因素，着眼电网减碳全局，充分考虑电网企业的运营特点和企业定位，提出了一种满足经济约束、运行特性约束和安全约束的基于鲁棒模型的IESIMSF全局低碳运行策略。该策略能够切合IESIMSF和电网减碳实际工作，能够在众多不确定性因素影响下，精确合理的进行IESIMSF日间低碳运营，达到预设的减碳目标。

1 IESIMSF低碳运营模式

1.1 IESIMSF典型结构

IESIMSF利用变电站的资源，可全部或部分配置数据中心站、5G基站、电动汽车充电站、电池储能、储热设备、储冷设备、电制冷设备和辅助系统等[15]。IESIMSF典型构成如图1所示。

图1 IESIMSF典型构成

图1中，Ee，Eg，Eh分别为系统消耗的电能、天然气和热能(kW·h)；Eg-e′，Eg-h′，Eg-c′分别为燃气三联供系统生产的电能、热能和冷能(kW·h);ηgas为燃气三联供系统效率；EhiL，Eh,sd分别为数据中心消耗的热能和储热装置吸收或释放的热能(kW·h)；EciL，EcfL，Ec,sd分别为数据中心、辅助系统消耗的冷能和储冷装置吸收或释放的冷能(kW·h)；EeiL，Ee,ups，Ee5gL，EefL，EecL，Ee-c，Ee,sd，Ee,r分别为数据中心、UPS系统、5G基站、辅助系统、电动汽车充电站和电制冷设备消耗的电能以及电池储能系统吸收或释放的电能、可再生能源发出的电能(kW·h);ηesd为储能系统效率。

1.2 IESIMSF低碳运营模式

IESIMSF可分为电、气、冷、热四部分。其中，变电站为电力的主要来源，可再生能源发电和燃气三联供发电作为补充，配合电池储能站，为整个系统供电；通过气网为燃气三联供系统提供燃气；热能主要来源于热力网，燃气三联供系统的余热作为补充，如果条件允许，可建设储热装置，提升热能的利用效率；系统内需要的冷能由电制冷设备和燃气三联供系统供给，为了提升冷能的利用效率，充分利用谷电，提升需求侧响应的可调度容量，可以利用消防水池等建设储冷装置。IESIMSF的能源关系可表示为：

Etotle=Ee+Eg+Eh

(1)

(2)

式中Etotle为IESIMSF总能耗，Ehli、Ehlj、Ehlk分别为第i个热负荷的能耗、第j个冷负荷的能耗和第k个电负荷的能耗;ηCCHP为燃气三联供系统能源利用率；n、m、u分别为热负荷、冷负荷和电负荷的数量，其他变量定义同图1。其中，各类储能设备归类为负荷，定义其充能时符号为正，释放能量时，符号为负。

为了发挥IESIMSF在对电网的减碳作用，其低碳运营需从电网全局角度出发。文中定义数据中心站、5G基站、辅助系统、电动汽车充电站为IESIMSF的碳排放源，定义燃气三联供、电池储能站、储冷装置、储热装置、可再生能源发电站等可调度容量为IESIMSF的减碳手段。决策者以碳排放源的等效碳排放为基准，在满足多种约束条件的前提下，发挥电网调度优势，利用可调度容量进行定向的需求侧响应。其中，燃气三联供系统和可再生能源发电站通过部分替代外部供能(电/热)降低IESIMSF总体碳排放，储电/冷/热系统通过削峰填谷和需求侧响应，提升区域电网可再生能源接纳能力，同时，削峰填谷对降低电网网损的贡献也计入IESIMSF低碳运营模式的减碳量。

2 IESIMSF全局低碳策略模型

2.1 目标函数

IESIMSF低碳策略的目标为正常运行条件下全局碳排放比率最低，其运行目标函数如式(3)所示:

(3)

(4)

式中ρE为以火电为基准的度电碳排放均值;Pit(t)、Pac(t) 、Pidc,other(t)分别为数据中心it设备平均功率、平均电制冷负荷功率、其他负荷平均功率；P5G(t)为5G基站平均功率；Pf(t)为辅助系统平均功率；Pc(t)为电动汽车充电站平均功率；ηCCHP、ηf为燃气三联供系统能源利用率和火电能源利用率均值，PCCHP(t)为燃气三联供系统平均功率；η*sd为某储能(储冷、储热、电池储能)系统循环效率;P*sd(t)为平均循环功率；Per(t)为可再生能源平均功率;κi为第i个组成部分的宏观降损系数;Pi(t)为平均功率；t为单位运行时段，取1 h。

2.2 约束条件

2.2.1 经济性约束

IESIMSF的运营需要考虑经济性指标约束，考虑IESIMSF建设规模的差异性，采用年收益率日化值和投资回收周期日化值两个指标作为经济性指标约束，具体如下所述。

(5)

式中ERNa(x)为年投资收益率日化值;ERNa-B为年投资收益率基准值;RP(x)为投资回收周期日化值;RPB为投资回收周期基准值。

经济性指标的日化值和基准值均来源于企业内控系统，考虑到电网企业定位，其经济性约束为相对弱约束。

2.2.2 运行特性约束

(1) 功率平衡约束

IESIMSF需要保证系统内的功率平衡。

(6)

(2) 可控容量约束

IESIMSF的可控容量包括燃气三联供、储冷系统、储热系统和电储能系统的时段内可控容量。

(7)

(3) 可控容量爬坡约束

(8)

(4) 供能系统运行约束

IESIMSF的供能系统包括供电网、供热网、可再生能源发电、燃气三联供系统的供电、供冷、供热部分和电制冷系统，其输出功率需要满足上、下限约束。

(9)

(5) 储能系统相关约束

IESIMSF的储冷系统、储热系统和电储能系统，需要满足相关容量、效率、和充/放约束。

(10)

2.2.3 安全约束

与IESIMSF低碳运行策略相关的安全约束为数据中心UPS的能量约束和机房环境温度约束。

(11)

3 IESIMSF全局低碳策略鲁棒优化

3.1 鲁棒优化模型

IESIMSF低碳策略这类典型的包含随机变量的策略优化问题，通常可表示为[16]：

(12)

式中X为策略变量；y为随机变量；f(X,y)表示目标函数；g、h分别为等式约束集和不等式约束集；hmin和hmax为不等式约束上下限值。

文中将上述优化问题转化为鲁棒优化模型，对目标函数设定在随机变量最恶劣的情况下的可接受的鲁棒区间，保证优化结果不溢出[17]。

(13)

式中Y(y,θ)为随机变量的预测区间；y和θ分别为随机变量的预测值和偏差系数;f0随机变量确定为y时的最优解；fc为引入随机变量后预设的可接受最差目标值;σ为目标容忍系数，σ设置越大，鲁棒性越强，反之亦然。

对于IESIMSF低碳策略优化，目标函数为整个系统的碳排放比率最低，等式约束集、不等式约束集在系统的经济约束、运行特性约束和安全约束中分别体现，随机变量通过挖掘历史数据进行描述。

3.2 随机变量描述

IESIMSF低碳策略鲁棒优化模型涉及的随机变量包括数据中心it负荷和可再生能源出力。事实上，环境温度也是随机变量，文中计算过程中采信电网企业购买的局部天气预报值。

通常，随机变量描述为预测值和偏差系数的函数[18]。

(14)

事实上，上述两个随机变量的不确定量为非对称分布，式(14)可变更为：

(15)

3.3 IESIMSF全局低碳策略鲁棒优化

设定f0为确定条件下的最优解，则由低碳目标公式(3)、约束条件式(5)～式(11)和随机变量描述公式(15)得到下述鲁棒优化模型。

(16)

上述模型求解过程中，可能会生成大量不确定场景，求解困难。

由于IESIMSF中数据中心为最主要的碳排放源，通常数据中心冷负荷约为总负荷的20%～30%，且与数据中心it负荷正相关，而相对电能，冷能、热能和温度的变化具有慢特性，所以，可以认为IESIMSF本身即具备对于随机突变量的鲁棒性。文中充分利用此特性，对随机变量进行平稳化处理，筛选出随机变量的有限场景，并引入可接受概率和最恶劣条件下随机变量和策略变量的关联函数，进行相对确定性转换，降低求解难度，其中关联函数可用逆累积分布函数表达。则上式可优化为：

(17)

式中Fer(δ,t)、Fit(δ,t)分别为可再生能源出力和数据中心it负荷预测误差对应的最劣化逆累积分布函数;δ为可接受概率。

由于Fer(δ,t)、Fit(δ,t)表征的是相关历史数据的分布特征，考虑IESIMSF本身即具备对于随机突变量的鲁棒性，可以采用随机变量对应的历史极值代替Fer(δ,t)、Fit(δ,t)，能够极大的简化模型复杂程度和求解难度，则上式可进一步优化为：

(18)

式中exter(δ,t)、exter(δ,t)为可再生能源出力和数据中心it负荷预测误差对应的历史极值。

3.4 模型求解

求解IESIMSF低碳策略模型的关键在于对于随机变量的不确定场景的筛选和对模型解集的寻优。文中采用经验模态分解方法(Empirical Mode Decomposition, EMD)进行随机变量的场景筛选，得到数据中心it负荷和可再生能源出力的预测曲线，然后，采用粒子群算法对模型进行求解。

EMD把数据序列的突变量或高频震荡看作局部事件，本质上是对一个数据进行平稳化处理, 产生一系列本征模函数分量(Intrinsic Mode Function, IMF)的过程[19]。对于IESIMSF这类对随机变量的突变或高频振荡具有一定鲁棒性的系统，使用EMD进行预测和场景筛选可以极大降低计算难度，且不影响求解的准确度和鲁棒性。

采用EMD进行基于历史数据的预测时，设历史数据序列为Dats(t)，筛选所有极大值点，用三次样条函数对极大值点序列插值，构成Dats(t)的上包络线，同理利用极小值点得到其下包络线。上、下包络线的均值为平均包络线Dats-pv(t)。将原数据序列与平均包络线相减，得到新的数据序列Dats1(t)，通常，需要多次重复上述过程，直到所得到的数据序列是一个本征模函数分量IMFsk1(t)为止。即：

(19)

将原始数据序列减去IMFsk1(t)后，重复上述插值过程，反复迭代后，直到得到不能够再被分解的差值数据序列，此时的序列既可代表预测曲线的均值或范围。

粒子群算法(Particle Swarm Optimization, PSO)是一种搜索范围广，收敛速度快的算法，适用于文中提出的这类包含多种约束条件的模型[20]。

(20)

式中vij、xij分别为第i个变量在第j维方向的搜索速度与位置；c1、c2为加速常数，取值为非负数；Pij为第i个变量在第j维方向的局部最优位置；PGj为全局最优解在第j维方向位置；rand为[0,1]间的随机数。

IESIMSF低碳策略模型求解流程图如图2所示。

图2 IESIMSF低碳策略模型求解流程图

(1)输入IESIMSF相关参数，包括目标函数和约束函数相关的参数和系统参数等，输入数据中心it负荷和可再生能源出力历史数据;

(2)产生其随机不确定场景，采用EMD算法进行场景筛选后得到随机变量预测均值和范围;

(3)设定模型参数σ、δ，在随机变量预测值的基础上设定最优解f0;

(4)输入约束条件，初始化粒子群的速度、位置、个体最优值和群体最优值等参数，设置当前迭代次数开始粒子群迭代，k=0;

(5)计算策略变量适应值，得到策略变量和种群的最优值和最优位置，此处需要注意的是，如果某个策略变量的位置某一维超出了设定的取值范围，需剔除这个位置，可设定这个策略变量对应的适应度为正无穷，经过这样设置之后，这个粒子的位置一定不会成为个体最优位置，因此更不可能成为群体最优位置;

(6)更新策略变量的位置和速度，更新迭代次数k=k+1。策略变量位置和速度的更新可参考策略变量对应的历史值位置;

(7)重复(5)、(6)迭代至满足终止条件。判断迭代终止条件，即目标值是否小于设定阈值且迭代次数达到设定值，若达到终止条件，则迭代终止并输出结果。

4 算例分析

4.1 算例参数

文中算例系统采用某多站融合示范项目，构成如图1所示。其中，数据中心it机柜1 271面，额定供电负荷为9.983 MW，电制冷系统能效比大于6W/W；燃气三联供系统总容量为2.7 MW，电、冷、热比为1.2/1.2/0.3；可再生能源发电(屋顶光伏)额定容量都为1.3 MW，电池储能站为4 MW/8(MW·h)的磷酸铁锂电池组；储冷系统储冷容量为1.8 MW×4 h；未配置电加热设备，储热系统仅存储燃气三联供产出的热能并以生活热水形式消耗；电动汽车充电、5G基站和辅助系统的总负荷为1.3 MW，计算时归类为其他负荷。计算过程中，将冷能按电制冷系统能效比折算为等效电能。其他参数如表1所示。

表1 算例参数

算例所在区域为可再生能源发电示范区，光伏+风电的总渗透率为21.32%，工业用电尖峰段为19:00～21:00，峰段为8:00～11:00、13:00～19:00和21:00～22:00，其他时段为谷段。

4.2 策略求解

选取算例上一年9月历史数据，采用EMD进行数据中心it负荷和光伏发电出力典型日预测，结果如图3和图4所示。

图3 数据中心it负荷预测结果

图4 光伏发电预测结果

由图3、图4可知，数据中心it负荷日内存在波动较大，光伏发电预计为正常发电水平。

根据上述预测均值求解最优解f0=0.815设定模型参数σ=0.05、δ=99%，PSO迭代次数为50，求得fIESIMSF=0.813 6，得到图5所示的日内低碳运行策略优化结果，图中，正值表示能量产出，负值表示能量消耗。

图5 IESIMSF日内低碳运行策略优化结果

由图5可以看出，0:00～6:00时处于该IESIMSF的负荷低谷，同时也是区域电网的负荷低谷，电池储能系统和储冷系统进行定向需求侧响应进行充能，CCHP出力较低；当IESIMSF负荷增加，且电网处于峰段时，CCHP出力逐步增大，电池储能系统和储冷系统根据情况释放能量；中午时，电网处于谷段，此时适当减少CCHP出力，并为电池储能系统和储冷系统充能；电网重新进入峰段，CCHP出力增大，当电网进入尖峰段时，CCHP满发，释放电池储能系统和储冷系统全部可用能量；电网重新进入谷段，IESIMSF负荷减少，逐步减少CCHP出力。

上述日运行策略在减碳的同时，也通过峰谷电价差和需求侧响应等降低了整体的运行成本。

重复上述运算20次，计算结果偏差比分布情况如图6所示。

如图6可以看出，虽然设定的容忍度系数为0.05，但计算结果偏差最大仅为1.67%，说明PSO的迭代次数还有减少的空间，且此时得到的低碳运行策略结果对于诸如负荷波动之类的随机扰动还有鲁棒空间。

图6 计算结果偏差比分布

4.3 不同参数下的运算结果

模型的容忍度系数和可接受概率可直接影响运行策略的求解，分别设定模型参数σ=0.10、0.15、0.2，δ=99%，σ=0.10，δ=95%、90%、85%。六组参数下，PSO迭代次数为50，各计算20次，每组的计算偏差比情况如表2所示。

表2 不同参数下的偏差比

如表2所示，δ=99%的情况下，增大σ会增加结果偏差比的范围，但运算偏差比都比设定的σ小很多，说明低碳运行策略结果还有鲁棒空间；σ不变的情况下，减小δ会使结果偏差比增大，低碳运行策略结果的鲁棒空间减小，表中δ=85%时，甚至出现偏差比大于σ的情况，说明PSO迭代50次后仍未得到可用解，根据PSO原理，增加迭代次数可解决此问题。