含储氢结构的园区综合能源系统优化配置研究

2022-09-28钟鹏元杨晓宏寇建玉

综合智慧能源 2022年9期

钟鹏元，杨晓宏，寇建玉

（1.内蒙古工业大学能源与动力工程学院，呼和浩特 010051；2.内蒙古电力勘测设计院有限责任公司，呼和浩特 010010）

0 引言

园区综合能源系统（Integrated Energy System，IES）是指在园区能源规划和利用过程中，通过对能源各环节进行协调和优化，形成的园区能源一体化控制系统，其具有输配设施投资少、能源利用率高、可再生能源消纳能力强和排污成本低等优点［1-4］。园区IES 的优化配置与系统的高效性、可持续性和经济性密切相关，是园区IES 设计规划需要解决的关键问题［5］。

但随着园区能源种类及需求的增加，除系统需求响应、优化算法和可靠性等多种因素外，园区IES结构的多样化也是影响系统优化配置的重要因素［6-12］。为此，毛志斌等［13］对由风电、光伏和蓄电池组成的IES进行了优化配置研究；Luo等［14］对含有多储能装置的IES 进行了优化配置研究；吴桂联等［15］对结构计及供能网络的大型园区IES 进行了优化配置研究；宋倩倩［16］对生态园区IES 进行了优化配置研究，其系统结构除计及供能网络外，还引入了电转气设备，将电转氢气和电转甲烷技术应用到园区IES中。

由以上研究进展可知，园区IES 的结构日益复杂，关于复杂结构的园区IES 优化配置研究也在不断完善，但在目前园区IES 结构中，涉及储氢的相对较少，大多采用蓄电池储电，关于含储氢结构的园区IES 优化配置的研究更为少见。氢能能量密度高，具有较好的储能能力，对由可再生能源转化的不稳定、过剩的电能而言，是极为合适的储能介质［17-20］。因而针对含储氢结构的园区IES 进行优化配置研究十分有必要。

本文以储氢替代储电的形式构建了含储氢结构的园区IES，建立了相应的优化配置模型，并采用粒子群算法与CPLEX 求解器相结合的双层优化算法进行求解，最后通过园区实例分析验证了本文所提方法的可行性。

1 园区综合能源系统模型

1.1 系统结构

本文讨论的含储氢结构的园区IES 主要由能源输入层、能源转换层、能源存储层和能源需求层4部分组成。能源输入层主要由风电和光伏组成，在风电和光伏供电不足时，通过外部电网购电，以满足用户用能需求。能源转换层利用电锅炉供热，并采用电制冷机和吸收式制冷机供冷，其中吸收式制冷机能有效加强热能与冷能之间的耦合。能源存储层除通过储热罐储热外，还将电解槽、储氢罐和氢燃料电池构成储氢系统，以此替代蓄电池，达到间接储电的目的。能源需求层主要包含用户的冷热电负荷需求，系统整体结构如图1所示。

图1 园区综合能源系统结构Fig.1 Structure of the integrated energy system for the park

1.2 设备模型

1.2.1 光伏发电模型

光伏发电（Photovoltaic，PV）的输出功率主要受辐照度及温度的影响，具体表达式如下［21］

式中：PPV，t为t时段光伏的实际功率，kW；PT，t为t时段光伏的最大输出功率，kW；EN，t为t时段光伏的实际辐照度，W/m2；ET为光伏的标准辐照度，W/m2；f为光伏的功率温度系数，%/K；Tn，t为t时段光伏的实际工作温度，K；Tl为光伏的标准工作温度，K。

1.2.2 风力发电模型

风力发电（Wind Turbine，WT）输出功率主要受风速的影响，具体表达式如下［5］

式中：PWT，t为t时段风机的实际功率，kW；Pe为风机的额定功率，kW；vt为t时段风机的实际风速，m/s；ve为风机的额定风速，m/s；vo为风机的切出风速，m/s；vi为风机的切入风速，m/s。

1.2.3 电解槽模型

电解槽（Electrolyzer，EL）通过电解水的方式制取氢气，其总反应式为2H2O + 电能→2H2+ O2。数学模型可表示为

1.2.6 电锅炉模型

电锅炉（Electric Boiler，EB）主要应用电阻发热或电磁感应原理为用户提供热能，其电热转换过程为

式中：PEB，th，t为t时段电锅炉的产热功率，kW；PEB，t为t时段电锅炉的输入电功率，kW；λEB为电锅炉的电热转换效率。

1.2.7 电制冷机模型

电制冷机（Electric Refrigerator，ER）采用蒸汽压缩式制冷的方式为用户提供冷能，其数学模型为

式中：PER，c，t为t时段电制冷机的输出冷功率，kW；λER为电制冷机的能效系数；PER，t为t时段电制冷机的输入电功率，kW。

1.2.8 吸收式制冷机模型

吸收式制冷机（Absorption Refrigeator，AR）应用汽化吸收热量的原理产生制冷的效果，其数学模型为

式中：PAR，c，t为t时段吸收式制冷机的输出冷功率，kW；λAR为吸收式制冷机的能效系数；PAR，th，t为t时段吸收式制冷机的输入热功率，kW。

2 优化配置模型

本文建立了园区IES 双层优化配置模型，模型结构如图2 所示。上层为容量配置层，下层为优化运行层，首先将各设备容量和全寿命周期等年值等参数初始化，并由上层模型将各设备容量传递给下层模型，下层模型基于该设备容量，在能量平衡和设备出力等约束条件下，以系统年运行成本最小为目标，模拟系统优化运行，得到各设备运行情况，然后将系统运行成本传递给上层模型，上层模型基于该运行成本重新修正系统全寿命周期等年值，并对各设备容量进行重新规划，再传递给下层模型，上下2 层模型反复迭代多次，即可得到各设备容量最优配置结果。

图2 双层优化配置模型结构Fig.2 Structure of the bi-level optimization configuration model

2.1 容量配置模型

2.1.1 目标函数

容量配置模型的决策变量为各设备容量，目标函数为系统全寿命周期等年值，其中系统全寿命周期指系统由规划设计到报废处理的年限。系统全寿命周期等年值主要包括设备购置成本等年值和系统年运行费用2个部分

式中：Call为系统全寿命周期等年值，元；Cir为设备购置成本等年值，元；Cob为系统年运行费用，元。

使用寿命低于系统全寿命周期的设备在寿命到期时应给予置换，因而设备购置成本等年值应包括设备置换成本等年值和设备初始投资等年值2个部分

2.2 优化运行模型

2.2.1 目标函数

优化运行模型的决策变量为各设备的输入、输出功率和系统购电功率，目标函数为系统年运行费用，该费用由系统年购电费用和设备年运维费用2个部分组成，本文假定在系统全寿命周期内系统年购电费用和设备年运维费用不变

2.2.2.4 系统性能约束

（1）综合能源自给率约束。综合能源自给率ηself指可再生能源设备产生并输入到系统中的能量与输入到系统中总能量的比值，其反映了系统的可持续性。

3 求解方法

基于建立的双层优化配置模型，本文采用相应的双层优化算法对模型进行求解。在MATLAB 环境下借助粒子群算法对上层设备容量配置模型进行求解。粒子群算法中每个粒子代表一组设备容量，通过粒子的形式将各设备容量传递给优化运行层，同时在优化迭代的过程中需不断更新粒子的速度和位置，也即更新设备容量，进而得到最优设备容量。粒子速度及位置的更新为

式中：v（d+1）和v（d）分别为粒子更新的速度和原来的速度；x（d+1）和x（d）分别为粒子更新的位置和原来的位置；w为动态惯性权重；wmax为最大惯性权重，本文取0.9；wmin为最小惯性权重，本文取0.4；ca和cb均为学习因子，本文均取1.5；ra（d）和rb（d）均为［0，1］内的随机数；p（d）为当前个体最优值所在位置；g（d）为当前全局最优值所在位置；d为当前迭代次数；D为最大迭代次数。

下层优化运行模型的求解为线性规划问题，基于上层模型所提供的各设备容量，以YALMIP 工具箱为辅助，通过调用CPLEX 求解器求解下层模型，得到系统最优运行情况，并将运行成本传递给上层模型，上下两层模型相互迭代多次，即可得到设备容量最优配置结果。双层优化算法的具体算法流程如图3所示。

图3 算法流程Fig.3 Procedure of the algorithm

4 算例分析

本文选取北方某园区为算例进行优化配置，通过对算例进行分析，进而验证本文所提方法的可行性。

4.1 算例基本情况

该园区采用图1所示系统供能结构。综合能源自给率和综合能源利用率下限均为80%，弃风弃光率上限为8%。设备效率的波动对系统年运行成本影响较小［23］，因此本文将设备效率视为常数。设备的参数均源于当前市场调研，其中储能设备参数见表1，其他设备参数见表2。分时电价见表3，单位调度时长取1h，电锅炉上下爬坡率上限均取电锅炉容量的12%，最大购电功率为100 MW，储热容量上限为180 MW。系统全寿命周期为20 年，除储热罐和蓄电池使用寿命为10 年外，其余设备均为20 年，贴现率取6%。分别在春秋季、夏季和冬季各选取一典型日，以各典型日情况代表当季情况，典型日负荷情况如图4所示。

图4 四季典型日负荷情况Fig.4 System loads in typical days in four seasons

表1 储能设备参数Table 1 Parameters of energy storage equipment

表2 其他设备参数Table 2 Parameters of other equipment

4.2 算例结果及分析

为对算例进行充分分析，本文在算例基础上增设3个场景，进而对多场景下的园区IES进行对比分析，各场景设置如下。

场景1：算例。

场景2：将场景1 中由电解槽、储氢罐和燃料电池组成的储氢系统替换为蓄电池，其余条件不变，构成含储电结构的园区IES。

场景3：将场景1 中分时电价改为固定电价，电价取0.502 5元/（kW·h），其余条件不变。

场景4：将场景2 中分时电价同样改为固定电价，电价也取0.502 5元/（kW·h），其余条件不变。

4.2.1 设备容量及系统运行分析

经优化配置后，各场景对应各设备容量配置情况见表4，场景1 的园区IES 春秋季典型日系统运行情况如图5所示。

表4 设备容量配置情况Table 4 Capacity configuration of the equipment

通过比较场景1 与场景2 的设备容量可知，场景1 中风电容量较小，但配置了较大的光伏容量以弥补风机发电量的不足；2 个场景中储热罐容量配置基本相同，但场景1需配置较大容量的电锅炉，同时燃料电池也提供一部分热能，进而满足其热能需求；两场景均未配置吸收式制冷机，表明电制冷机在两系统中制冷效果更明显。场景3 与场景4 的容量对比情况类似于场景1 和场景2 的对比情况。以上2 组容量对比情况表明，相较于含储电结构的园区IES，将储氢系统应用于园区IES中将改变其各设备容量，进而满足园区能源需求。

由图5a 可知，由于春秋季风光条件较好，光伏和风电发电量充足，出于运行经济性考虑，系统在春秋季典型日内主要依靠风电和光伏供电，并未通过电网购置电能。在风电和光伏供电不足时，储氢罐释放氢能用于燃料电池放电，以填补电能缺口。在电能需求侧，除大部分电能用于满足园区电负荷外，系统内部电锅炉耗电量相对较大，其次是电制冷机，多余电能通过电解槽电解水制氢存储在储氢罐内。另外，在22：00—05：00间，电负荷较小，有少量弃电。

由图5b可知，春秋季典型日内，电锅炉00：00—07：00 内产热较多，除满足用户逐步攀升的热负荷需求外，多余热能由储热罐存储，在09：00—20：00释放，补充系统在该时间段内缺额的热能，燃料电池在产生电能的同时，也产生少量热能，进一步填补系统的热能缺口。由图5c可知，在系统春秋季典型日内，冷能只由电制冷机供应。

综合设备容量和系统运行方式分析可知，本文建立的含储氢结构的园区IES 能充分利用储能设备削峰填谷的功能，并实时有效地满足用户用能需求。

4.2.2 系统性能分析

本文对系统性能分析主要考虑系统高效性、可持续性和弃风弃光率3 方面，其中系统高效性和可持续性分别通过综合能源利用率和综合能源自给率反映。经优化配置后，各场景对应系统性能情况见表5。

表5 系统性能情况Table 5 Performance of the system %

由于各场景中均配置了一定容量的电制冷机，其能效系数为3，而其运行时从空气中吸收的能量并未计入系统输入能量中，且其他设备效率均较高，使得各场景的系统综合能源利用率均大于100%，高于综合能源利用率下限80%。通过场景1与场景2 间的比较可知，两场景的综合能源利用率大致相等，表明两系统具有同等的高效性；另外，两系统的综合能源自给率均为92%左右，高于综合能源自给率下限80%，说明两系统可持续性高且大致相同；两系统弃风弃光率均维持在了约束上限8%左右，验证了优化配置过程种对弃风弃光率约束的必要性，同时也表明两系统弃风弃光率较低且大致等同。场景3 和场景4 的系统性能对比情况与场景1和场景2的对比情况类似。总的来说，在系统综合能源自给率和综合能源利用率均高于80%，且弃风弃光率低于8%的约束条件下，本文建立的含储氢结构的园区IES 与含储电结构的园区IES 性能均较高且大致等同。

4.2.3 系统经济性分析

本文主要通过对比分析系统各项成本情况进而分析系统的经济性。经优化配置后，各场景的各项成本情况如图6所示。

图6 各场景的各项成本情况Fig.6 Various costs under different scenarios

由图6a 可知，相较于场景2，场景1 的系统年运行成本高出了8.84%，其主要原因是购电费用的增加，同时设备种类的增加，即多出了燃料电池和电解槽的运维成本，也使得系统年运行成本较高；但年设备购置成本降低了3.55%，尤其储能设备成本降低了25.26%，其中含储氢结构的园区IES 储能设备成本为电解槽、储氢罐、燃料电池和储热罐的设备总成本，储能设备成本下降的原因在于将储氢应用于园区IES 中降低了储能设备的配置容量，这在一定程度上解决了由电解槽和燃料电池效率低、价格高带来的成本问题，也进一步体现了储氢在园区IES 中良好的经济性和适用性；系统年总成本也即系统全寿命周期等年值降低了约250 万元，表明系统年设备购置成本的降低弥补了其运行成本较高的经济缺陷。由图6b 可知，相较于场景4，场景3 的各项成本变化趋势与场景1 相较于场景2 类似。总体而言，相较于含储电结构的园区IES，本文建立的含储氢结构的园区IES 虽运行成本较高，但其设备成本较低，尤其是储能设备成本较低，这使得系统整体经济效果更明显。