计及广义储能的园区综合能源系统低碳规划

张 晓，陈 胜，卫志农，梁泽宇

（河海大学 能源与电气学院，江苏 南京 211100）

0 引言

随着碳达峰、碳中和目标的提出，我国的能源结构转型迫在眉睫。在能源低碳化转型的进程中，碳排放占比较大的能源行业的节能潜力巨大［1］，其中具有多能互补、能源梯级利用等优势的园区综合能源系统是重要的解决路径［2］。因此，构建清洁、低碳的园区新型能源体系，对于园区用能的深度脱碳、促进产业低碳化转型具有重要的支撑作用。然而，新能源的随机性与间歇性［3］给园区综合能源系统的规划与运行带来了挑战。同时，由于新能源出力具有不确定性，园区的中长期规划方案需考虑系统短期运行的灵活性［4-5］。

在园区综合能源系统规划方面：文献［6］建立了煤电机组退役协同新能源机组与储能机组的规划模型，促进了系统多阶段减碳；文献［7］建立了计及天然气机组多目标（可靠性与成本）协调的电气耦合系统源端容量规划模型，提升了耦合系统的可靠性；文献［8］构建了电-气互联综合能源系统的扩建规划模型，验证了合理的电转气设备与风电场协同扩建对扩建方案、新能源消纳、经济性均具有积极的影响；文献［9］构建了一种计及季节互补特性的电-气协调规划方法，通过季节互补效益促进了新能源消纳，提升了能源供应稳定性；文献［10］提出了计及不确定性的电-气-热综合能源系统两阶段规划模型，采用场景法模拟风电出力的不确定性；文献［11］建立了计及不确定性的风电场储能设备容量配置模型，验证了分布鲁棒方法处理新能源出力不确定性时兼具保守性与经济性。上述规划方法侧重于利用多能协同、不确定性模拟等方式处理新能源出力的不确定性。

在园区综合能源系统运行方面，国内外学者侧重于利用需求响应和储能实现资源的可控性与调度的灵活性。文献［12］建立了计及电-气联合需求响应的配电网优化调度模型，以提升配电网的运行经济性与新能源的消纳能力；文献［13］提出了计及需求响应的有源配电网分层分区精准切负荷方法，在降低成本的同时提升了用户的满意度；文献［14］研究了面向包含电动汽车的社区综合能源系统调度问题，建立了计及需求响应与新能源出力不确定性的双层优化调度模型；文献［15］在考虑了用户需求对能源价格变化的响应的同时，研究了各不确定性（新能源、负荷、需求响应）之间潜在关联的影响；文献［16-17］构建了多种能源与需求侧灵活资源相结合的广义储能模型，提升了可再生能源的消纳能力与系统的经济性；文献［18］建立了计及用户侧虚拟储能优先的广义储能响应模型，聚合商可通过参与此类市场响应获得可观收益；文献［19］构建了多区域综合能源系统的热网蓄热模型，验证了热网蓄热特性在规划中的经济性。

综上所述，目前围绕园区综合能源系统规划开展了一定的研究，但仍存在两方面的不足：①目前关于园区综合能源系统规划的研究对高比例新能源渗透场景考虑不够充分，尤其是应对新能源短期出力波动的园区内多能灵活性的挖掘；②现有规划模型未能充分挖掘园区内各类用能资源（如办公楼宇、数据中心、可控负荷等）的灵活调度潜力，且现有需求响应资源模型呈多样化趋势，尚未有园区内灵活性资源的统一建模方式。

鉴于此，本文提出了计及广义储能的园区综合能源系统低碳规划模型，在考虑多能负荷长期不确定性、光伏出力短期不确定性的同时，挖掘了多元化用能的灵活性，将蓄电池电储能、楼宇热储能、数据中心热储能定义为广义储能资源，建立了各典型日下基于能源枢纽（energy hub，EH）的园区综合能源系统低碳运行模型。首先，建立了园区多类型灵活资源的通用统一模型，为园区规划层面灵活资源聚合与灵活调度提供了支撑；然后，在中长期规划层面考虑了园区内广义储能资源的灵活性挖掘，规避了过高的电储能容量投资，降低了园区内净负荷波动对外部购电量、购气量的影响；最后，以江苏省某工业园区为算例，验证了所提计及广义储能的园区综合能源系统低碳规划模型的有效性。

1 园区综合能源系统的扩展规划模型

本章侧重介绍园区综合能源系统扩展规划层面的模型，以最小化年化扩建成本与规划年运行成本之和为优化目标函数，考虑计及实际扩建限制的投资规划约束、各扩建机组的运行约束以及规划年需满足的碳排放约束。

1.1 规划目标函数

园区综合能源系统的扩建目标为在满足规划年限内负荷需求增长的同时，最小化扩建成本与运行成本之和。本文构建的园区综合能源系统拟扩建光伏机组、蓄电池、冷热电联供（combined cooling heating and power，CCHP）机组及地源热泵（ground source heat pump，GSHP）机组。

园区在投资规划时大多考虑中长期的负荷增长，在规划层面不考虑短时间尺度的用能特性（如分钟级）。本文在规划阶段采用长短期不确定性划分方式，如附录A 图A1所示。规划时计及负荷增长的长期不确定性，选取3 个常规典型日，分别为冬季典型日、夏季典型日、过渡季（春秋）典型日，并为各典型日的用能成本赋予特定权重，权重根据该典型日天数在全年天数中所占比重确定［11］。相似的多场景规划方法也被应用于多种不同类型的综合能源系统规划中［20］。同时，各典型日下计及新能源机组出力的短期不确定性，基于光伏出力历史数据，利用聚类技术筛选光伏出力场景。

园区综合能源系统规划的优化目标为最小化年化扩建成本与规划年运行成本之和，其中扩建成本由各扩建机组的扩建容量与单位容量扩建成本计算得到，运行成本包括上级电网的购电成本以及上级气网的购气成本（具体介绍见第2 章），目标函数可表示为：

1.2 投资规划约束

在园区综合能源系统扩建过程中，各机组存在扩建容量上限，具体约束如下：

1.3 扩建机组运行上限约束

扩建后规划年各机组的实际运行出力应不大于该机组的原始容量与扩建容量之和，即基于EH 的运行模型中，光伏机组、蓄电池、CCHP 机组、GSHP机组的出力上限与各机组的投资变量耦合，需满足如下约束：

1.4 碳排放约束

本文考虑购电、购气造成的间接碳排放量，需满足如下约束：

式中：N为全年总调度天数分别为从配电网购电单位电量造成的间接碳排放量、从配气网购气单位气量造成的间接碳排放量；为该园区在规划年的碳配额。

2 基于EH的运行模型

本章具体介绍第1 章所述规划年EH 在各典型日下的运行模型，包括EH能量平衡约束、EH中各类机组的运行约束、楼宇GSHP 机组的灵活运行模型、数据中心的灵活运行模型。

2.1 EH能量平衡约束

本文所提EH 模型计及了电、气2 种能源输入形式和冷、热、电3 种负荷需求，为典型的多输入-多输出结构。EH 结构如图1 所示，其中多能转换设备包括蓄电池、光伏机组、电锅炉、气锅炉、CCHP 机组、GSHP机组（分为工业GSHP机组和楼宇GSHP机组，其中工业GSHP 机组负责满足工业用能需求，楼宇GSHP 机组负责维持楼宇和数据中心的室内温度）。图中：PLCt、PLHt、PLEt分别为t时段的冷、热、电负荷需求；QCCHP，Ct、QGSHP，Ct分别为t时段CCHP 机组、GSHP 机组的供冷功率；QCCHP，Ht、QGSHP，Ht分别为t时段CCHP 机组、GSHP 机组的供热功率；QGBt、QEBt分别为t时段气锅炉、电锅炉的供热功率；PEBt为t时段电锅炉的耗电功率；PGBt为t时段气锅炉的耗气功率；PBDt为t时段楼宇GSHP 机组的耗电功率；PDCt为t时段数据中心的耗电功率；QCCHP，Et为t时段CCHP机组的电功率。

图1 EH结构Fig.1 Structure of EH

园区EH的冷、热、电、气能源平衡约束分别为：

2.2 各类机组的运行约束

2.2.1 GSHP机组

工业GSHP 机组的能量输入约束、转热约束、转冷约束、运行状态约束分别为：

2.2.2 蓄电池

蓄电池的充电功率约束、放电功率约束、运行状态约束、储电量约束、储电量上下限约束分别为：

2.2.3 CCHP机组、电锅炉、气锅炉

CCHP 机组的多能转化约束如式（24）—（26）所示，变压器、电锅炉、气锅炉的运行约束分别如式（27）—（29）所示。

化效率。

2.3 楼宇GSHP机组的灵活运行模型

楼宇GSHP 机组的耗电功率取决于室内温度的控制策略，常见控制策略包括2 类，一类为控制楼宇温度在指定温度范围之内，另一类为控制楼宇温度恒定不变。前者侧重于降低用能成本，后者侧重于满足用户舒适度。

2.3.1 楼宇GSHP机组的运行约束

楼宇GSHP 机组的运行约束与2.2.1 节中工业GSHP机组的运行约束类似，具体如下：

2.3.2 楼宇传热

楼宇主要通过太阳能辐射和墙壁热传导的方式与外界环境进行能量的输入、输出，传热效率与楼宇各部分的建材、体积等因素相关，其中太阳能辐射量与楼宇的玻璃材质有关，楼宇可分别通过玻璃、墙壁向外传热，t时段通过楼宇釉面的太阳能辐射热量Qint、楼宇向外辐射热量Q可分别表示为：

式中：ϕt为t时段的太阳能辐射热量；σ为太阳能辐射损失率；TEt为t时段园区建筑墙壁的温度；T为t-1 时段园区建筑的室内温度；UA为建筑物外立面的直接传热系数；UE为室内向墙壁的传热系数；Tat为t时段的外界环境温度。

2.3.3 室内温度

楼宇某时段的室内温度取决于该时段GSHP 机组的出力、该时段楼宇的传热量及上一个时段的室内温度，则t时段楼宇的室内温度TBDt可表示为：

式中：T为t-1时段楼宇的室内温度；HPR为楼宇室内空气的比热；T、T分别为室内温度舒适区间的上、下限。

2.3.4 外墙温度

某时段楼宇外墙温度取决于太阳能辐射、外部环境与墙体之间的热传递，t时段的楼宇外墙温度TEt可表示为：

式中：TEt-1为t-1时段的楼宇外墙温度；HPE为楼宇墙壁的热容。

2.4 数据中心的灵活运行模型

数据中心全年具有稳定的冷、热负荷需求，即夏季机房供冷，冬季机房供暖。且数据中心的负荷具有时空可调特性，可作为需求响应主体进行网荷互动，以平抑能源系统的负荷峰谷差，保障数据中心的安全运行。本文模型计及了数据中心在时间维度的可调特性。

2.4.1 数据负载时间灵活性调度

根据延迟容忍度，可将数据负载划分为交互型、批处理型。交互型数据负载到达服务器后需即刻处理；批处理型数据负载具有时间可平移特性，但需在当天完成处理［21］。数据中心的负载存储量模型可表示为：

式中：St、St-1分别为t、t-1 时段批处理型数据负载的存储量；Smax为负载存储量上限；Nk为数据中心服务器的类别总数；dk，γ，t为t时段数据中心第k类服务器需要处理的γ型数据负载量，需处理批处理型数据负载时γ=1，需处理交互型数据负载时γ=0；S为拟于t时段进行计算的批处理型数据负载量；S为当天最后一个时段的数据负载存储量。式（39）为批处理型数据负载的存储量上限约束，式（40）为批处理型数据负载的存储量约束，式（41）为数据负载完成约束。

同时，数据中心的服务质量用平均排队延迟和平均处理延迟指标衡量，具体约束见附录A 式（A1）—（A4）。

2.4.2 基于动态电压频率调整技术的数据中心IT设备功耗

数据中心的用电量主要包括IT 设备功耗、制冷设备功耗、内部其他设备功耗［22］。制冷设备功耗与内部设备功耗的分析见2.4.3 节。基于动态电压频率调节技术，数据中心CPU 的运行电压与其工作频率和需要处理的数据负载量相关，则IT 设备功耗约束见附录A式（A5）—（A10）。

2.4.3 基于热力学第一定律的数据中心热特性

1）数据中心的电能利用效率（power usage effectiveness，PUE）值。数据中心的PUE 值为数据中心所有设备功耗与计算功耗的比值，取值范围一般为1.2～1.8，其计算公式［23］为：

式中：PDCPUE为数据中心的PUE 值；分别为t时段数据中心的IT 设备功耗、制冷设备功耗、内部其他设备功耗。

2）数据中心的室内温度。数据中心室内温度的控制策略与楼宇温度的控制策略分类一致，数据中心室内温度约束如下：

式中：HDC为数据中心的热容；ηc为数据中心制冷设备的效率；Qt为t时段数据中心制冷设备制造的冷量；分别为t时段数据中心的室内温度、外界环境温度；UC为数据中心对外传热系数；分别为数据中心温度 变 化率的上、下限分别为数据中心室内温度的上、下限。式（43）为数据中心的传热约束；式（44）为数据中心制冷设备的出力约束；式（45）和式（46）为数据中心的室内温度约束。

2.5 广义储能模型

基于园区楼宇和数据中心的用能特性及热特性，将蓄电池储电、楼宇储热、数据中心储热定义为广义可调储能资源，并归纳广义储能通用模型的数学形式［24］为：

式中：E为储能设备的容量；SSOC，t、SSOC，t+1分别为t、t+1时段储能设备的等效荷电状态；P为储能设备的充放电功率；η为储能设备的充放电效率。

表1 归纳了该园区规划过程中广义储能的模型，其中园区楼宇、数据中心的储热量由其室内温度与舒适区间上下限之间的温度差决定。表中：PB为蓄电池的充放电功率；PBD、PDC分别为楼宇GSHP 机组、数据中心的耗电功率；分别为数据中心、楼宇的室内温度限额，室内温度限额的选取与实际运行典型日有关，本文中夏季、过渡季典型日的温度限额选取为最高温度，冬季典型日的温度限额选取为最低温度。

表1 广义储能模型归纳Table 1 Generalization of generalized energy storage model

需要注意的是，本文中楼宇、数据中心广义储能属于用户侧热储能，其存储的“热量”为热力学意义上的热量，表现形式为室内温度，以天为单位进行周期性波动，不属于大规模热储能。因此，采用第1 章中所述典型日能刻画日内热储能的荷电状态变化。

3 算例分析

本文以江苏省某工业园区［25］为算例。典型日的选取情况见附录A 表A1，分时用能价格见附录A 表A2，园区内各设备的运行效率见附录A 表A3，各机组运行数据上下限见附录A 表A4，各设备的扩建参数见附录A 表A5，园区楼宇参数见附录A 表A6，园区数据中心参数见附录A 表A7。各典型日的负荷曲线见附录A 图A2。设置天然气、上级电网的碳排放强度分别为0.181、0.6 t／（MW·h）［26］。算例测试在GAMS 优化平台实现，采用GUROBI 求解器求解所提线性整数规划问题。

3.1 扩建结果分析

园区综合能源系统的低碳规划结果见表2。由表可知，光伏机组扩建容量占总扩建容量的58.99 %，扩建成本占总扩建成本的68.63 %，以满足园区的低碳用能需求。为了确保园区内各机组的运行灵活性，降低电负荷低谷时段的弃光率，GSHP 机组、CCHP 机组的扩建容量分别占光伏机组扩建容量的17.8 %、34.5 %，用来转化过剩的电能并存储于建筑物中，实现多能互补。此外，蓄电池扩建容量占光伏机组扩建容量的17.24 %，用于光伏机组配套储能。

表2 园区综合能源系统的低碳规划结果Table 2 Low-carbon planning results of park-level integrated energy system

3.2 典型日调度结果分析

将1 d 分为24 个时段，选取夏季典型日对园区的电能平衡情况进行分析，结果见图2（图中功率为正值表示输入电能母线的功率，为负值表示电能母线输出的功率）。由图可知：在时段1 — 7、23 — 24，由于谷时电价较低，园区通过大量购电以满足用电需求；在光伏出力高峰时段（时段9 — 15），电锅炉、GSHP机组、数据中心的用电功率变化趋势与光伏机组出力的变化趋势匹配，以支撑光伏的消纳，同时蓄电池在光伏机组出力高峰时段充电；而在负荷高峰时段（时段19 — 21），蓄电池放电以降低电价高峰时段上级电网的购电量，从而降低园区综合用能成本。

图2 夏季典型日园区的电能平衡情况Fig.2 Electric energy balance of park on typical summer day

该园区夏季、冬季典型日的广义储能储能量分别如图3 和附录A 图A3 所示。由图可知，时段2 —7、15 — 18 的电价较低，广义储能优先储存能量，即储能功率呈“双峰”特性，其中蓄电池于平谷时段充电，于时段12 — 14、19 — 22 放电，以满足峰时段的负荷需求。在夏季典型日，数据中心、楼宇在新能源出力高峰时段与电价平谷时段进行热储能，于时段18 — 23 释放部分储能。而在冬季典型日，受低温的影响，数据中心和楼宇在外界环境温度相对较高的时段15 — 24 热储能，在时段1 — 6 释放部分储能。由上述结果可知，广义储能利用其灵活充放电特性，实现了园区多元化用能负荷的削峰填谷。

3.3 热储能灵活性对规划与运行结果的影响

本文设置园区楼宇的可调温度区间为20～25 ℃，数据中心的温度可调区间为10～25 ℃。考虑制冷、制热系统的热惯性，用户接受温度在舒适区间内波动。

为了分析本文所提数据中心、楼宇GSHP 机组在不同运行方式下规划结果的经济性与环保性，表3 给出了传统恒定温度运行方式（不考虑广义储能灵活性运行）、可调温度运行方式下的投资成本与总成本（投资成本与运行成本之和）。由表可知，相较于传统恒定温度运行方式，可调温度运行方式下的投资成本略高，但总成本减少了170.7 万元，同时碳排放量降低了150 t，可见数据中心、楼宇GSHP 机组的热储能灵活性提高了园区综合能源系统的运行经济性与环保性。对规划年内各典型日的碳排放量做进一步分析，春秋季典型日的分时碳排放量见图4。由图可知：在2、9、10、13、17 等平谷时段，可调温度运行方式下的建筑主体购电储能，碳排放量略高于传统恒定温度运行方式；在14、19、20 等峰时时段，可调温度运行方式下的建筑主体释放热量，碳排放量显著低于传统恒定温度运行方式，实现了碳排放的削峰填谷。经计算，传统恒定温度、可调温度运行方式下春秋季典型日24 h 的总碳排放量分别为37.695、36.593 t，可调温度运行方式下的日碳排放量减少了2.92 %，减排效果显著。

表3 不同运行方式下的投资成本、总成本与碳排放量Table 3 Investment cost，total cost and carbon emission under different operation modes

图4 春秋季典型日的分时碳排放量Fig.4 Time-of-use carbon emission on typical spring and autumn day

为了进一步挖掘运行方式的内在差异，数据中心、楼宇GSHP 机组在不同运行方式下的用电功率分别见附录A 图A4 和图A5。由图可知，在光伏机组出力的高峰时段与电价平谷时段，可调温度运行方式下数据中心、楼宇GSHP 机组的用电功率较高，电能以热量形式存储于数据中心和楼宇的室内。具体而言，在可调温度运行方式下，可利用建筑物能量的时间转移特性，在平谷时段进行热储能，在峰时段释放能量，实现多种能量的跨时段、高价值利用。

在不同运行方式下夏季典型日数据中心、楼宇室内温度的变化曲线分别如图5 和附录A 图A6 所示。由图可知：在时段10 — 14，光伏机组出力达到高峰，建筑物的室内温度达到低谷以存储过剩的电能；在电价高峰时段（时段19 — 22），建筑物的室内温度达到高峰以降低用电量。

图5 夏季典型日数据中心室内温度的变化曲线Fig.5 Indoor temperature variation curves of data center on typical summer day

3.4 不同用户偏好的调度结果分析

为了简化模型，本文的基础算例基于园区楼宇内所有空间温度偏好均一致的假设，设定日内24 h楼宇内部所有空间的平均温度为22.5 ℃。由于本文模型的规划范围仅在1 个园区内部，区域划分数量、各区域用户的偏好信息相对易获取。为了验证本文模型对具有不同用户偏好的多个区域的适用性，将园区楼宇内部划分为3 片区域（区域1 — 3），区域1 — 3内用户日内24 h的平均温度偏好（用户舒适度偏好）分别为21.5、22.5、23.5 ℃。各区域冬季典型日的室内温度及广义储能储热量分别如图6 和图7 所示。由图6 可知，虽于楼宇内部划分了不同的区域且各区域内用户的偏好不同，但不同区域的室内温度均具有明显的“双峰”特性，在电价谷时段和新能源出力高峰时段，建筑物存储热量并于电价峰时段放出。同时对比图6和图7可知，广义储能的储热量变化趋势与用户舒适度温度的变化趋势密切相关。当用户舒适度偏好为21.5 ℃ 时，广义储能的储热量波动最大，且可调范围也最大。由此可知，牺牲用户舒适度可提升楼宇广义储能的可调潜力，减少园区的运行成本，而园区的净增收益可用于补贴用户，从而实现广义储能通用建模下园区与用户之间的灵活互动。

图6 各区域冬季典型日的室内温度Fig.6 Indoor temperature of each region on typical winter day

图7 各区域冬季典型日的广义储能储热量Fig.7 Storaged heat energy of generalized energy storage of each region on typical winter day

3.5 碳配额对投资结果的影响

为了比较碳配额对该园区扩建容量及成本的影响，表4 对比了不同碳配额下园区内光伏机组的扩建容量及规划年总成本。由表可知：当碳配额由14 000 t 降低至11 000 t 时，光伏机组的扩建容量整体增加了2 739 kW；由于光伏机组扩建容量的增大，规划年总成本整体增加了513.9 万元。不同碳配额下夏季典型日的用能结果见图8。

表4 不同碳配额下园区内光伏机组的扩建容量及规划年总成本Table 4 Expansion capacity of photovoltaic unit and total annual planning cost of park under different carbon quotas

图8 不同碳配额下夏季典型日的用能结果Fig.8 Energy utilization results of typical summer day under different carbon quotas

综合表4和图8的结果可知：由于光伏机组的投资成本高且年利用小时数低，当碳配额为14 000 t时，园区倾向于从上级电网和上级气网购入碳排放强度较高的能源以满足用户的用能需求；随着碳配额降低至13 000 t，为了满足园区的低碳化用能需求，光伏机组的出力占比由35 % 提升至41 %；而当碳配额进一步降低时，受限于与光伏机组配套的电储能和CCHP 机组的扩建容量上限，光伏机组的扩建容量与出力占比呈现小幅上升趋势。

4 结论

针对园区综合能源系统的低碳化转型问题，本文提出了计及多能负荷增长长期不确定性、光伏机组出力短期不确定性的规划模型，并构建了包含蓄电池、楼宇、数据中心的广义储能模型，实现了园区内异质灵活资源的通用化建模，为园区综合能源系统提供了短期运行灵活性。算例结果表明，广义储能可利用其能量时移特性，支撑园区净负荷的削峰填谷，平抑间歇性光伏机组的出力，实现多能源跨时段、高价值利用，提升规划与运行经济性。另外，随着园区用能低碳化转型需求的增大，碳配额会直接影响分布式新能源投资、园区用能成本、用能结构转型。

本文有望为园区高比例新能源规划与灵活运行、能源转型下碳配额政策制定提供技术参考。未来可利用数据驱动方法，结合分布鲁棒、机会约束等方法处理新能源出力的不确定性，并深入探讨计及广义储能分布式共享的园区综合能源系统规划。

附录见本刊网络版（http：//www.epae.cn）。