计及源荷不确定性的综合能源系统的优化调度方法综述

袁俊球，史如新，王迪，曹健，张茜颖

（1.国网江苏省电力有限公司常州供电分公司；2.江苏省电热耦合综合能源系统工程研究中心，常州金坛金能电力有限公司，江苏 常州 213200）

1 前言

在可再生能源大量接入电力系统的背景下，为了实现系统的安全、可靠和经济运行，同时也减少弃风弃光现象的发生，必须提高系统的灵活性。综合能源系统是（integrated energy system, IES）以电力系统为核心，通过其内部设备实现多种异质能源生产、转换、储存和消费环节，可以实现各种能源系统的协同优化、交互响应、互补互济，提高能源利用效率和可再生能源消纳水平。因此，IES 的规模化发展为未来高比例的可再生能源渗透电力系统带来了积极信号。

为了提高运行策略的精确性，考虑不确定性因素的IES优化调度建模及求解方面已成为近年来研究的热点。模型的精度和计算的复杂程度对于IES 系统来说是一种此消彼长的竞争关系，如何选择合适的模型和求解方法来兼顾模型精度和计算复杂度尤为关键。另外，调度计划如果能根据实时更新的预测信息进行动态调整，IES运行策略将具有更高的准确性和实时性。

针对上述问题，本文从各种建模方法的特点出发，以可加工性、计算效率、收敛速度和最优性等指标为依据，选择合适的求解算法，兼顾各阶段最佳调度周期，实现IES 的协同运行和在线优化。

2 综合能源系统优化调度概述

2.1 综合能源系统

综合能源系统(integrated energy system, IES)结构如图1 所示，以电力系统为核心，同时兼顾电、气等多种能源，通过其内部种类众多的能源设备生产、转换、消费以及储存，以此来实现各种异质能源之间的协调规划和协同管理。IES 通过传统燃煤机组和风能、太阳能等可再生能源产生电能；通过二氧化碳捕集与储存系统（carbon capture and storage, CCS）和电转气（power to gas, P2G）技术连接电力网络和天然气网络，即在提供电力的同时生产甲烷、甲醇等各类绿色燃料，以此达到储能的目的，也提高电能调度的灵活性，支撑高比例可再生能源电力系统稳定运行，实现碳捕集的高效绿色利用。通过热泵、电锅炉以及燃料电池等热电耦合设备实现电与热之间的转化，即实现电负荷对于热负荷的补充。当各类能源的供需不平衡时，多余/不足的能量可以通过综合能源系统中的各类储能设备进行储存/释放，如图1 中所示的储气装置、储电装置、储热装置，从而达到系统能量的动态平衡。针对IES 多设备、多能流的复杂耦合特性，风、光地热等可再生能源出力与用电负荷的高度不确定性，以及各类经济、安全、环保指标的矛盾关系，如何合理地进行容量规划以及调度配置显得尤为关键，这也是IES 优化运行的重要前提。

图1 综合能源结构示意图

IES 在可再生能源充足的情况下优先使用可再生能源，从能量的源头上来说具有清洁的特点。在能源生产、传输、存储及消纳等其他各个环节中，各类异质形式能源（如电、气、热、冷等）相互转化，实现多能互补利用、协调优化，从而提升能量的利用效。但是，由于多种异质能量在时空上紧密而复杂的耦合、需求不均衡、系统安全、负荷以及可再生能源出力预测等问题，使得综合能源系统的调度优化问题变得更加复杂。

2.2 基本优化调度模型

综合能源系统的优化调度模型基本上可以分为以下两类：一般模型和统一模型。一般模型是分别对综合能源系统中的电、气、热子系统和耦合元件单独建模。而统一模型的思路则是利用电路系统或能源枢纽等理论对异质能源转化、存储、传输等关系采用方程描述。

综合能源系统建模作为IES 规划设计的基础，通常以最优运行成本、最大可再省能源利用率等作为目标函数，兼顾各能量平衡约束、设备运行约束、耦合元件约束等，可为考虑系统随机性、系统灵活性、能流差异性以及设备动态特性的调度模型提供规划设计参考及理论支撑。这些建模条件可以将复杂的IES 模型简化为混合整数线性规划（mixed integer linear programming,MILP）的数学模型。

随着热电联产和冷热电联产技术的发展，对各类能源子系统和不同耦合原件或设备单独建模的研究众多，且都已经比较成熟。并且已经具备能够投入实际的工程示范项目的能力，也有部分示范性工程项目已经落地得到实践。但是，随之而来的一些问题也很明显，这些模型中的各异质能流相对分立，没有形成多能流和各设备耦合统一建的概念。因此，还存在缺陷，急需一种改进的方法来完善。

综合能源系统各系统和运行模式复杂，设计多学科知识，通常是以工程热力学、流体力学、传热学以及电路网络等多学科的理论知识，对异质能量传递转换与储能单元微观特性进行分析，提取不同类型的能量子网络的能量传递、交互的共同特征，从而构建不同能流和设备耦合的统一模型，其目的是将多种能源耦合形式进行统一表述，突破不同学科间的知识壁垒。

2.3 IES 的不确定性因素

在实际场景中，IES 系统中不确定性因素的来源是多方面的，在IES 的源-网-荷-储多个能量终端都有不确定性的因素存在，较为典型以及影响较大的不确定性因素则来自源测以及荷测。源测可再生能源出力情况具有随机性和波动性的特点；荷测的用户负荷受到人类活动的影响，变化频繁、峰谷之间差值较大，较大的时间尺度下会产生波动较大的特点。综上所述，将综合能源系统简化为确定性模型对系统总成本的优化由于没有考虑到不确定性因素的存在，使得优化的结果与实际情况存在或多或少的偏差。

3 不确定性模型求解方法

IES 模型求解的主要困难包括：（1）难以寻找到全局最优解；（2）决策变量复杂，包括整数变量和连续变量；（3）模型求解问题往往是非线性的。针对这些难点，已有的求解算法有解析法、模型降阶法、智能优化算法、仿真软件等。

3.1 解析法

针对非线性问题，为了使模型易于求解，许多研究使用松弛、凸优化、对偶理论、大M 法、ADMM 分布式算法等技术将原优化问题近似为线性规划问题或混合整数线性规划问题。Alipour 等将热电联产的原非凸可行域分成两个独立的凸域，通过加入二元变量和约束实现可行域的凸性。此外，对于极大极小问题，蒋等人利用强、弱对偶理论将原问题转化为等价的条件或互补约束的对偶优化问题。张等人建立了基于两阶段鲁棒优化的IES最优调度模型，并采用算法消除二元变量引起的不收敛现象。

3.2 模型降阶法

模型降阶法是指用低阶模型模拟高阶模型，在动态响应等性能上能与高阶模型保持基本一致。常用的降阶方法可分为以下几类：于聚合等效类的模型降阶方法、基于时间常数的模型降阶方法、基于数学理论的模型降阶方法。基于聚合等效类模型的降阶方法是将大量电气距离较近的分布式电源根据其动态特性的相似性，转换成一个或几个等效模型。基于时间常数分析的简化建模方法是指通过分析不同设备和负载的时间常数的差异，将时间常数相近的元件组合起来，形成时标的简化模型。基于数学理论的模型简化方法包括奇异摄动法、平衡法、Krylov 子空间法等。朱等基于Krylov 子空间的线性系统简化理论，提出了一种大规模配电网模型简化方法，可以提高仿真计算的速度和效率。

3.3 智能优化算法

智能算法可以用来解决具有非线性、非凸特性的IES 不确定优化问题，包括模拟退火算法、粒子群算法、遗传算法等。通常会根据系统的经济效益、迭代次数和计算时间等指标来比较算法的求解性能。传统智能算法的主要依赖于初始条件和可控参数，但存在收敛速度慢、无法满足在线计算要求、无法保证解的稳定性等缺点。随着人工智能技术的发展，强化学习、深度学习等机器学习方法可以用来表征参数的不确定性。这样的方法通常需要大量的历史数据，线下训练需要大量的时间。目前，机器学习方法在IES 决策中的相关研究还处于起步阶段。

3.4 仿真软件

除了用数学模型处理不确定因素外，实际工程应用也离不开计算机的辅助作用，仿真工具和仿真平台的应用为我们解决工程计算问题提供了强有力的工具。选择合适的仿真工具对智能系统的规划和优化具有重要意义。按照仿真时间尺度主要可以分为：基于秒级的Simulink、TRNSYS、Neplan、Polysun；基于分钟级操作的MOMER、DER-CAM；基于小时级的EnergyPLAN。

4 结语

本文对IES 优化调度的不确定性问题进行了全面的回顾。简要描述了IES 系统中所面临的不确定性因素，并且指出了不确定性因素所带来的问题。针对IES 系统中的不确定性模型，选择合适的不确定性求解方法在IES 的优化调度中尤为重要。对于IES 的不确定性模型，我们一般的处理方法是保留模型的关键性因素，忽略模型中从次要因素，以此达到减少随机变量的目的，在使得计算结果的精确度满足要求的情况下，提高模型的计算速度。