含光热的微能源网多时间尺度优化调度

赵为光，陈 泽，吴尚阳，于天洋

(黑龙江科技大学 电气与控制工程学院，哈尔滨 150000)

0 引 言

随着能源短缺问题的凸显，作为能源互联网末端的微能源网为解决能源短缺、提高能源利用率提供了有效途径[1]。微能源网系统将不可控的新能源发电系统、储能系统、燃气锅炉等设备和冷、热、电负荷组成一个具备多能源供给的综合能源系统，从而能够满足用户的各类用能需求，并提高系统内的能源利用率[2]。因此，为了使系统在运行时能够源-荷实时匹配，应当及时对系统中设备的出力进行调整，确保输出功率与系统负荷的匹配，进而保证了微能源网系统的效益性与稳定性。

目前研究人员对微能源网系统的优化问题进行了较多的研究。文献[3]通过构建以电网购电消费最低为目标的综合能源系统日前优化模型，采用混合整数非线性规划的方法对其进行了优化求解。文献[4]通过构建燃气轮机、吸收式制冷机、蓄电池的数学模型，建立了考虑微能源网运行成本的经济调度模型。上述文献从不同角度分析研究了微能源网的日前运行优化问题。但是，微能源网中包含有大量易受环境影响的可再生能源发电设备，这些可再生能源发电设备同传统发电设备相比具有很强的随机性和波动性，进而使得微能源网系统日前运行优化结果与设备的实际出力出现了一些偏差。微能源网的实时动态电价、可再生能源发电设施、用户负荷的变化都可能会造成微能源网在实际的运行中与日前的优化策略不一致，导致微能源网中的源荷不能匹配，使得微能源网中用户的舒适度下降,削弱系统的经济效益。

针对可再生能源波动性对系统的影响，目前研究主要采用了逐渐细化的调度策略，来提高系统运行的经济性、稳定性。文献[5]提出了将微网能量管理系统分为经济调度和实时调整两个阶段，用以应对可再生能源的波动性。文献[6]通过使用线性规划对系统内负荷的波动性和可再生能源出力的不确定性进行分析。文献[7]提出采用模型预测控制的冷热电三联供型微网的动态优化调度策略，然后通过算例验证了所提模型和算法的合理性。

针对可再生能源发电设备输出功率的随机性和用户负荷的波动性，提出一种以滚动时域综合运行成本最小为目标，基于模型预测控制框架的日内滚动运行调度模型，以降低可再生能源出力、负荷和电价不确定性对系统造成的影响。

1 含光热的微能源网模型

该文构建的微能源网系统结构如图1所示。此微能源网系统包含光伏发电、风力发电、光热发电系统、燃气锅炉、电制冷机、吸收式制冷机和储能等装置。为了能够详细描述微能源网的构成及各种设备的工作特征，利用能量母线建模架构，根据能量流种类的不同，定义不同的能量母线[4-5]。该文的能量母线分别是电母线、热母线和冷母线。电母线：光伏发电、光热系统、风力发电、外接电网和蓄电池实施对电负荷和电制冷机的供应。热母线：光热系统、燃气锅炉实施对热负荷与吸收式制冷机供应。冷母线：电制冷机与吸收式制冷机实施对冷负荷的供应。

图1 微能源网结构图

1.1 光热发电系统

光热发电系统的内部结构如图2所示，光热电站发电功率为

光热电站发电出力约束条件：

光热电站储热系统：

图2 光热电站内部结构图

1.2 光伏发电

光伏电池输出功率为

1.3 风力发电

风力发电的输出模型可以表示为

1.4 燃气锅炉

燃气锅炉数学模型为

1.5 蓄电池模型

储能装置在抑制新能源波动方面起着重要作用，由于新能源的出力具有不确定性，从而容易对系统造成严重影响，为了减少冲击，应在系统里加入储能设备。其数学模型如下：

Ed(t)=Ed(t-1)+(ηd,cPd,c(t)-ηd,dPd,d(t))Δt

式中:Ed(t)、Ed(t-1)分别是蓄电池在t、t-1时刻的储能状态；Pd,c(t)、Pd,d(t)是蓄电池t时刻的充电和放电功率；ηd,c、ηd,d是蓄电池的充电和放电效率；Δt为时间间隔。

储能设备的充能、放能功率约束：

0≤Ph,c(t)≤C·Ph,c，max

0≤Ph,d(t)≤(1-C)·Ph,d，max

式中：Ph,c，max、Ph,d，max是储能设备的最大充能和放能功率；C是0-1变量，代表储能设备的运行状态。

储能设备中的能量应在整个调度周期保持不变，如下所示：

储能设备应受自身的储能限制约束：

Eh,min≤Eh(t)≤Eh,max

式中：Eh,min、Eh,max分别是储能设备的上、下限约束。

1.6 电制冷机模型

电制冷机数学模型为

1.7 吸收式制冷机模型

吸收式制冷机数学模型为

2 多时间尺度运行优化模型

该文提出的多时间尺度调度优化模型，主要由日前运行优化模型和日内滚动运行优化模型构成。

2.1 日前运行优化模型

该文所构建的微能源网的日前运行优化模型的目标函数为系统的日综合运行成本最小。微能源网的日综合运行成本与向电网购电费用、向天然气公司的购气费用和污染物的排放治理费用息息相关，其具体表达式为

1)电能平衡约束：

2)热能平衡约束：

3)冷能平衡约束：

2.2 基于模型预测控制的日内滚动运行优化

2.2.1 模型预测控制的机理

模型预测控制具体包含模型预测、滚动优化与反馈校正三部分。其在每一个采样周期，将当下的工作状态作为整个系统的初始状态，通过预测模型来预测整个系统未来一段时间的动态行为，依据所设置的目标函数与约束条件持续实施滚动优化，计算得到最优控制序列且执行该控制，且在每一次滚动优化计算中借助实时信息进行持续性的校正，达到对后续动态过程的预测[6]。其结构如图3所示。

图3 模型预测控制结构图

模型预测控制的基本理论如图4所示。由图4分析可得，控制系统根据过去和现在的输入输出数据和控制量的变化值，预测得到未来有限时段内的输出量ym(k+i)，利用反馈校正操作，计算输出数值与预测数值的差值，再将其置于预测输出环节，来校正输出值，从而可以得到经过校正的输出值yp(k+i)，预测值和参考轨迹yr(k+i)在确定的滚动优化函数中对目标性能进行不断的滚动优化计算，不断跟踪修正，最终可以使系统的预测值更加逼近实际的输出值。

图4 模型预测控制滚动时域控制原理图

2.2.2 预测环节

预测环节可以结合系统过去的数据与预期的输入值，对系统将来的输出值进行预测。该环节假设光热、光伏、风机输出功率、负荷和电价的预测值满足以下需要，符合下面的预测模型：

2.2.3 滚动优化环节

日内滚动优化运行的目标函数为

2.2.4 反馈校正环节

可再生能源输出功率和冷热电负荷的预测结果容易受非线性、时变性等因素的影响，从而和实际值不能完全一致，存在一定的偏差。因此，将反馈校正机制与模型预测控制相结合十分有必要，通过对当前系统的测量结果和预测数据进行对比，得到两者之间的差异，并进行相关调整，从而进一步降低因环境、模型等对预测控制造成的影响。反馈校正的目的是为了准确预测系统未来动态的输出，进而增强系统的鲁棒性与控制准确性。

3 算例分析

3.1 基本算例数据

该文的仿真算例以图1所示的微能源网结构为基础，选取某工业园区的微能源网运行数据进行案例分析。根据所在地区的天气特点和园区冷热电负荷数据，计算出微能源网在夏、冬两季节典型日负荷下系统中电、冷、热功率的调度优化结果。微能源网的设备参数如表1所示;污染物的折算系数及治理费用如表2所示；光热系统的相关技术参数如表3所示[8]；蓄电池及其他参数见表4；微能源网的光伏和风机输出功率预测曲线如图5所示；该工业园区的冷热电日负荷曲线如图6所示；该工业园区的实时电价和分时电价如图7所示。

表1 微能源网设备参数

表2 污染物的折算系数及治理费用

表3 光热系统的相关技术参数

表4 蓄电池及其他参数

图5 典型日可再生能源出力值

图6 典型日冷热电负荷数据

图7 实时电价

3.2 算例调度结果分析

该文日前调度以小时为时间尺度，日内滚动优化阶段，滚动时长为24 h，时间间隔为15 min。通过对微能源网的日内滚动优化模型求解得到各个设备的输出功率优化结果,并绘制了微能源网中各个主要供能设备日前和日内滚动优化的输出功率对比曲线图，如图8所示。

图8 光热发电日前和日内滚动优化输出功率结果

由图8可知，在含光热的微能源网中光热发电输出功率作为主要供电设备，其一天中随着光照强度和负荷的变化进行出力增减，在日前和日内滚动优化的输出功率曲线差别不大，在白天阳光充足时，光热发电承担大部分电负荷，在夜间高电价时期光热电站依靠储能系统依然可以进行一定的功率输出，减少此时的电网购电。日内滚动优化由于预测时间缩短能够更精确地调控光热储能，使其只在夜间高电价时期进行电功率输出，从而使系统具有更好的经济性。

微能源网与电网购电功率日前和日内滚动优化输出功率结果如图9所示。由图9可知，微能源网的购电功率在日前和日内滚动优化中结果偏差不大，在电价低谷时期，日内滚动优化功率购电功率有所波动，在电价高峰时期随着系统内可再生能源输出功率的增加电网购电功率减少为0。在傍晚低电价时期，微能源网系统为了增加系统在夜间高电价时期的经济性，减少光热发电的输出功率，增加对电网的购电功率，使系统在夜间高电价时期可以由可再生能源发电系统输出更多的电功率，减少系统的购电功率，降低系统运行的成本。

图9 微能源网与电网购电功率日前和

电制冷机、吸收式制冷机日前和日内滚动优化输出功率结果如图10、图11所示。由图10和图11可知，电制冷机和吸收式制冷机在日前和日内运行优化结果偏差不大，日内滚动优化情况下的输出功率曲线整体上要稍低于日前出力曲线，这是因为系统在实际的运行中，冷负荷的减少所引起。

图10 电制冷机日前和日内滚动优化输出功率结果

图11 吸收式制冷机日前和日内滚动优化输出功率结果

燃气锅炉日前和日内滚动优化输出功率结果如图12所示。由图12可知，燃气锅炉在日内滚动优化情况下的输出功率曲线和日前输出功率曲线总体变化不大，在冬季典型日热负荷的需求增加，燃气锅炉开机运行对系统内的热负荷进行供给。

图12 燃气锅炉日前和日内滚动优化输出功率结果

蓄电池日前和日内滚动优化输出功率结果如图13所示。根据图13，蓄电池在日前、日内运行优化结果变化趋势相类似，受电价和电负荷波动的影响使蓄电池的充放电功率和日前结果相比有一定的波动。蓄电池在低电价时段工作于充电状态，在高峰电价和可再生能源出力不足时为了减少电网购电功率，蓄电池工作于放电状态。

图13 蓄电池日前和日内滚动优化输出功率结果

3.3 运行成本分析

微能源网日前运行优化成本与日内滚动运行优化成本具体情况如表5所示。由表5可得，日内的优化成本相比日前运行成本有所提高。这主要是因为在日内实际运行中，系统中可再生能源设施的随机性和用户负荷变化引起的，微能源网在滚动优化运行时会对设备的输出功率进行一定的调整，从而导致其日内滚动优化的成本会略高于日前运行成本。因此证明了该文所提的模型预测控制的方法，在日内滚动优化中的有效性。

表5 日内滚动优化运行成本和日前运行成本对比

4 结 语

针对可再生能源发电设备输出功率的随机性和用户负荷的波动性，该文主要研究了微能源网的多时间尺度运行优化。在微能源网日前运行优化调度模型的基础上，建立了基于模型预测控制的微能源网的日内滚动运行优化模型。通过算例仿真分析可得，当微能源网进行日内滚动优化时，能够有效地对系统内各个设备的输出功率进行调控管理，从而降低了新能源电源出力随机性和负荷波动性对微能源网系统运行经济性和稳定性的影响。