基于大数据的分布式多能源系统最优运行策略研究

张 伟，李家斌，张 渊，姚雨晨，卢 伟

（1.国网常州供电公司，江苏常州 213000；2.天津天大求实电力新技术股份有限公司，天津 300000）

随着国民生活质量的不断提升，能源需求也呈现上升趋势。虽然我国的煤炭等一次能源资源较为丰富，但人均能源占比与其他国家相比仍存在较大差距，且一次能源还会对生态环境造成巨大污染。基于此，可再生能源在碳中和背景下迎来了发展机遇[1-4]。

同时，大数据技术的蓬勃发展也有利于促进可再生能源的消纳。在此背景下，通过利用非可再生能源和开发可再生能源实现多种能源耦合体，进而为电、热、冷负荷提供电力保障。分布式多能源系统充分利用可再生能源与一次能源的互补，提高了可再生能源的利用率[5-8]。21 世纪初，美国与欧洲等国首先对综合能源系统进行了研究，并展开了示范项目，从而推动了全球的多能互补综合能源发展。而我国在分布式多能源系统方面的发展则较为滞后，且在推广该能源系统时，还需确保并网的稳定性以及居民生活用电不受影响。因此，我国正在建立智慧能源示范项目工程[9-10]。对于综合能源系统建模是当前的研究热点，有学者将能源系统的输入与输出进行简化，进而建立了可反映能源输入及输出的集线器模型。例如文献[11]通过细化集线器建模，对模型加以改进并提供考虑储能装置的多能源集线器模型。在分布式多能源系统运行策略方面，众多研究将系统的输入与输出关系简化为线性关系。然而在设备的实际运行工况中，其性能也会影响功率输出，给分布式多能源系统造成不利的影响。而在能效利用效率方面，对冷-热-电联产系统的研究则较多。通常将三联供系统的能源消耗、节约作为评价指标，来反映该系统的节能效果[12-14]。在此大数据背景下，考虑分布式可再生能源对传统电网的影响，建立一套适用于智能电网的节能减排能效评估方法，并计算出能效量化数值，有利于多能源系统的经济运行[15-16]。

综上所述，文中研究了基于大数据的分布式多能源系统最优运行策略，并进行了分布式能源系统建模。在详细分析分布式多能源系统的基本机构与功能的基础上，设计系统的功能结构，并针对各设备工况特性，建立了分布式多能源系统优化模型；同时充分考虑了非可再生能源利用、可再生能源消纳以及能效转换状况，提出能效评估体系；最后，通过实际算例验证了所述方法的有效性与科学性。

1 大数据下的分布式多能源系统建模

1.1 分布式多能源系统结构

通常，分布式多能源系统包括可再生能源发电、热电联产机组与储能等主要组成部分。光伏、风力、太阳能和热电联产机组是可再生能源发电的关键，而储能则主要通过蓄电池储存用电低谷期的电能，并于用电高峰期释放。其中，冷-热-电联产机组是能源供给的主力；可再生能源发电则同时具有调节电力不足的作用；储能装置负责在发电与负荷间进行协调；而对于燃气机组，主要通过利用余热推动气缸内的机组，从而平衡冷热负荷。

1.2 分布式多能源系统设备模型

分布式多能源系统最典型的设备为燃气内燃机，其具有响应快、效率高及热工转换能力强等特点，并能充分回收利用余热。该设备工作原理是利用燃烧的燃料推动气缸运动，从而将机械能转换为电能，且还可与光伏发电协作。对于燃气机组，其发出的电能与燃料间的关系可表示为：

式中，PGE表示内燃机的输出功率，ηGE表示内燃机的电能转换效率，mgas表示消耗天然气流量，HL为天然气低位热值。其中，负荷特性均会影响发电效率、燃气排放流量以及烟气温度的值。

在分布式多能源系统中，冷温水机具有回收排烟余热的功能，故可通过回收余热提高能源利用效率。但针对不同类型的冷温水机，其能源利用效率也有所不同。根据机组输入热量与输出能量间的关系，其计算公式如下：

式中，QAC为折合制冷/热量，KQ1、KQ2、KQ3表示排烟流量二次系数、一次系数、常数项，F为排烟流量。

此外，光伏发电也是多能源系统的重要组成部分，其是将太阳能转化为电能的装置，且在碳中和背景下发挥着关键作用。单一的太阳能电池板难以形成规模化的应用场景，因此通常将各个单一的太阳能电池板进行排列，以形成光伏阵列，再根据太阳辐照的强度变化感知外界环境的改变。其光伏特性可表示为：

式中，T表示太阳能的实际温度，Tr表示周围正常的环境温度，K为温度系数，GAC表示太阳辐射强度。

在实际应用场景中，光伏装置的输出功率为：

其中，PPV表示光伏装置的输出功率，PSTC表示测试条件下的功率，ρ表示光能转换系数，GSTC表示太阳光照强度。

在分布式多能源系统中，还应配置适当的储能装置抵御发电的波动性，以提高供电可靠性。目前储能装置中使用最多的为蓄电池，其可利用化学反应实现化学能与电能的转换，进而促进可再生能源的消纳。

蓄电池的剩余容量表征如下：

式中，QES(t+1)、QES(t)分别表示t+1、t时刻蓄电池剩余电量，δe表示蓄电损失率，PES表示蓄电池的充放电功率，λES表示蓄电池充放电转换系数，Δt表示时间间隔。

2 分布式多能源系统运行策略与评价

2.1 分布式多能源系统模型

分布式多能源系统模型仅从能源利用率角度来衡量较为片面，故需采用多种运行策略形成完整的能效评估方案。对于传统的分布式多能源系统，光伏、天然气与风能等均为输入的一次能源，经转换后再以电能、热能的形式输出。因此，建立分布式综合能源系统模型，还需满足运行成本最小化：

式中，pi,t表示机组的发电出力，、分别表示火电机组、风电场机组与其他设备的运行成本。

2.2 多能源系统协调运行

在分布式多能源系统协调运行模型中，决策变量为火电机组、风电场、天然气机组的发电出力以及储能机组的出力。目标函数为分布式多能源系统的总运行成本最小，约束条件为：

2.3 多能源系统能效评价

由于当前还未形成统一的能效评价标准，而现阶段流行的三联供系统指标评价也并不适用于分布式能源系统。分布式能源系统需建立多维度的综合评价体系，以克服指标的局限性。为了从多方面体现分布式能源系统的优越性，基于热力学定律，在可再生能源的基础上建立数量与质量守恒关系，促进可再生能源的消纳。

基于大数据的分布式多能源系统通过利用各种能源来提升能源消的纳能力，为充分反映非可再生能源的利用情况，需要精确统计非可再生能源消纳量，采用的计算公式如下：

式中，Qi表示非可再生能源消耗值，Mgas为分布式多能源系统的天然气消耗量，Qep表示分布式多能源系统向外界吸收的电量。

基于大数据分布式多能源系统的可再生能源消纳率等于其消纳量与发电量之间的比值，即：

式中，Qre和Qre,i分别表示可再生能源的吸收电量和发电量。

2.4 多场景能效评估

对于基于大数据分布式多能源系统的能效评估，可根据其所在系统的周围环境，考虑负荷大小、温度与光照等因素进行综合评价，并采用多场景分析法预测综合能效近似值。在进行能效评估时，不确定因素可由系统加以设定。在满足全年负荷需求的情况下，采用聚类分析法(Cluster Analysis)得到典型日场景集{S1,S2,…,Sn}，同时生产天数场景集为{D1,D2,…,Dn}。由于分布式系统的能源利用率与其工作状态密切相关，当发电设备的运行策略发生变化时，会造成较大影响。因此在建立典型场景时，需综合考虑该能源系统的运行策略。

基于多次典型场景的模拟，得到分布式多能源系统输入与输出量之间的关系，以及能效指标的定义，进而可以获得典型场景下评价指标的具体数值；再根据平均加权，便可以估算全年能效近似值。具体的能效评估流程如图1 所示。

图1 分布式多能源系统能效评估流程

3 算例分析

文中以某地区的分布式多能源系统为算例进行数值实验测试，该系统主要考虑燃气机组、分布式光伏发电机组、储能装置与空气源热泵等发电设备，各设备参数如表1-2 所示。该系统与外界通过母线连接，利用母线传输功率，并与大电网之间进行能量交换。由于光伏发电机组属于可再生能源，因此优先消纳分布式光伏发电能源。

表1 各设备容量

表2 储能设备基本参数

此分布式多能源系统包含商业、居民与工业等用户的基本用电负荷，因此具有冷热电负荷的需求。采用当地典型日负荷曲线进行测算，分布式多能源系统均能满足附近用电需求，且其能源利用效率取决于系统的运行策略以及能源转换关系。系统中，热电联产机组由内燃机与冷水机构成。电热能之间存在耦合关系，采用冷热电联产策略，充分结合当地季节气候的变化情况，优先满足电负荷与冷/热负荷。分别对比不同运行策略下的能源消耗量，具体如表3 所示。从表中可知，当以非可再生能源消耗量最小为优化目标时，购气量增加、购电量减少，可再生能源消耗量更低。

表3 不同运行策略下能源消耗量

文中采用UCI（University of California,Irvine）大学公开的大数据样本集对典型场景进行运行模拟，获得了各场景下的设备输入与输出量、结合能效评价体系，所得到的能效评估具体数值如表4 所示。

表4 能效指标统计

通过分析在各场景下设备的运行情况可知，在场景1 中其光照时间较为充足，可再生能源消纳率为94.2%，效率为98.2%，效率最高。而在场景5 中分布式多能源系统内无冷热需求，因此内燃机的热量损失，则其能源利用率低于其他场景。

4 结束语

在大数据环境下，分布式多能源系统应用愈加广泛，而对该背景下的相关能源系统进行运行策略研究，可以为多能源系统经济运行提供理论依据。文中建立了分布式多能源系统输入、输出能量转换模型，通过分析该多能源系统的供能结构及功能设备，建立了分布式多能源系统模型，提出了能效评估体系；在对实际案例进行分析后，对比不同场景下能效指标的变化值，得到最优的运行策略以满足能效数值最高，从而为分布式多能源系统的高效运行提供了理论依据。但此次在分析分布式多能源系统的最优运行策略时，仅考虑了其的经济性。因此，未来研究将综合考虑该系统的经济性与可靠性，以期实现多目标优化运行。