考慮熱慣性的綜合能源系統運行優化方法

程序，王超，郭泰龍，呂志鵬，楊曉霞，王永利

(1.北京供電公司通州供電分公司，北京101100；2.國網上海能源互聯網研究院有限公司，上海 200003；3.華北電力大學，北京102206)

隨著我國逐步走入現代化，國民生活水平日漸提高，能源消耗也逐漸增大，電、熱、冷、氣各種能源間的關聯性不斷加強。日益增長的能源需求導致了嚴重的環境污染問題，目前火力發電在我國發電領域占據過半份額，同時傳統能源在供熱領域也有著較高的占比，由此造成了巨大的環境污染。在此背景下，誕生了綜合能源系統(integrated energy system，IES)。IES是指在能源的生產、輸送、消費等環節，將電、熱、冷、氣等多種類能源耦合，從而產生一種新型能源系統，可實現科學調度和使用多種能源之間的能量級聯[1-4]。然而，由于各種能源自身所具有的特性，在耦合過程中會出現許多問題，比如時間尺度差大導致的源荷同步不協調等[5]，這給IES的普及帶來了巨大挑戰。

在熱力系統的熱慣性和動態物理過程方面，國內外有一定的研究成果。文獻[6-7]通過對熱網時滯和輸送過程損耗的研究，建立了運行熱網蓄熱與建筑熱慣性優化模型。文獻[8]考慮熱網延時與熱衰減特性，引入用戶舒適度的概念，提出了電熱協調的運行優化方法。文獻[9-10]為應對可再生能源接入比例高的挑戰，提出一種兼顧能源供應可靠性和風能與太陽能不確定性的城市IES規劃模型。文獻[11-12]考慮負荷側資源調控，提出需求響應與博弈相結合的多能源系統優化調度方案。文獻[13-14]介紹了電蓄熱鍋爐裝置，建立了基于蓄熱和傳熱負荷熱泄漏動態過程的能量流模型，分析熱特性對電熱聯供系統運行的影響。文獻[15]為保障用戶日益增長的能源消費需求、提高能源利用率，考慮綜合需求響應，提出基于聚合商和用戶雙層博弈的優化運行方法，建立了包括下層用戶間非合作博弈和上層聚合商聯盟合作博弈的雙層博弈優化模型。文獻[16]為實現電-氣IES的能源高效利用以及協調其多個目標下的矛盾沖突，提出基于交替方向乘子法的多目標最優電-氣能量流的分布式計算方法，該算法可協調兼顧互聯系統運營商對于經濟性、環保性、削峰填谷等多個目標的偏好設置。文獻[17]為了促進可再生能源消納、提高能源利用效率，構建了能源供需雙側同時存在耦合的園區綜合能源系統運行架構，以綜合能源系統運行成本最小為目標，建立了園區綜合能源系統優化運行模型，實現能源供給側和需求側的協調優化。文獻[18]考慮到IES具有提高能源利用率、消納不穩定新能源等顯著優勢，以經濟性、環保性和高效性為目標，建立考慮儲能的區域IES多目標優化模型。文獻[19]為解決低碳背景下負荷需求多元化及能量轉換問題，引入光熱電站，充當熱電聯產機組，并結合電轉氣裝置、電加熱器、燃氣輪機等能量轉換設備組成綜合能源系統，提出了一種綜合能源系統低碳優化運行方法。文獻[20]考慮到分布式光伏發電和儲能系統的無功調節能力，研究通過協調控制儲能系統和光伏發電輸出的無功功率或有功功率來實現配電網電壓越限調節的方法，提出以配電網電壓越限調節為目標的雙層儲能系統優化配置模型，仿真結果驗證了所提優化配置方法在改善配電網電壓分布狀況方面的效果。文獻[21]提出離散概率光伏模型和蓄電池儲能模型，以及相關控制策略，采用標準粒子群優化算法研究儲能電站在含光伏電源配電網中的優化配置，通過實際案例得到不同光伏電源配置下儲能電站的最優選址定容配置方案，并分析不同負荷特性對儲能電站接入配置的影響。文獻[22]在引入人工智能算法保障風光出力及負荷的預測精度的基礎上，采用混合整數區間線性規劃的方法，通過區間值的形式將優化結果進行表征，解決了系統中由于多能耦合機組運行效率偏差引起的系統不確定性問題。

當前文獻對于熱慣性的研究多集中于電、熱聯合系統[23-25]，缺乏熱慣性對IES影響的研究，且大多數只考慮了IES的經濟運行與規劃，未進一步深入探討能源慣性的影響。對此，本文考慮系統的熱慣性，以熱力系統為基礎，建立IES的簡單拓撲典型架構，并依據該架構對熱力系統的相關特性建模，最終構建IES優化運行模型。運用該模型對算例進行仿真，結果表明該模型在保障系統安全性的同時可有效降低系統的運行成本。

1 考慮熱慣性的IES

1.1 IES典型架構

圖1所示為典型IES架構，包含了可再生能源、用于電-熱-氣能源的耦合設備﹝如熱電聯產機組(combined heat and power，CHP)、電轉氣(power to gas，P2G)﹞、電鍋爐(electric boiler，EB)、儲熱(heat storage，HS)、儲氣(gas storage，GS)以及多能源負載，它們擁有與外部能源進行交互的能力。

圖1 IES典型架構Fig.1 Typical IES structure

IES中的能量轉換模型為

L=CP+S.

(1)

式中L為IES的負荷向量，由2部分組成，其中S為儲能向量，C為能量轉換矩陣，P為輸入向量。

(2)

式中：LE為IES內電負荷；LH為IES熱負荷；LG為IES氣負荷；α1、α2分別為系統中天然氣通過氣網分配給氣負荷和燃氣輪機的系數；β1為系統中電能分配給P2G的系數；β2為源側輸入電能分配給電鍋爐的系數；PE,ex、PH,ex、PG,ex分別為IES與電網、熱網、氣網的能量交互；SG、SH分別為系統中儲氣、儲熱裝置的實時出力；ηP2G、ηEB分別為IES中P2G和電鍋爐的能量轉化效率；ηCHP,E、ηCHP,H分別為IES中燃氣輪機氣轉電和氣轉熱的能量轉換效率；Pwind為風電出力。

另外，考慮風電機組出力不確定性，構建風電機組出力不確定性模型對風電機組出力特性進行描述：

(3)

式中：vci為切入風速；vco為切出風速；vr為額定風速；v為風速預測值；PWT、PWT,r分別為風電機組輸出功率和額定輸出功率。

1.2 熱力系統慣性模型及儲能特性

熱網的傳輸慣性表現在2個方面：熱水在進行傳輸時的時間延遲和熱水的溫度損耗。一方面，由于傳輸速度較慢，溫度變化由進口向出口擴散時較為緩慢，熱水管道會將一部分熱能存儲在其內；另一方面，熱水在流動過程中會與周圍環境發生熱交換，導致熱能損失，進而引起溫度下降。不計傳輸熱損耗，熱力系統的一段管道首末端的熱水傳輸延時

(4)

式中：ρw為熱水密度；ltp為傳輸管道長度；d為管道直徑；q為管道流量。

Qk,t,out=([t-τ′k]-t+1+τ′k)Qk,[t-τ′k],in+

(t-τ′k-[t-τ′k])Qk,[t-τ′k]+1,in=

(t-[τ′k]-1-t+1+τ′k)Qk,t-[τ′k]-1,in+

(t-τ′k-t+[τ′k]+1)Qk,t-[τ′k],in=

(τ′k-[τ′k])Qk,t-[τ′k]-1,in+

(τ′k-τ′k+1)Qk,t-[τ′k],in.

(5)

式中：1表示該IES中1個調度的時間間隔；Qk,t,out、Qk,t,in分別為時段t管道k的末端和首端流量。

受制于管網材質，熱水在傳輸過程中出現的損耗

Qk,t,out=(τ′k-[τ′k])Qk,t-[τ′k]-1,ine-aklk+

([τ′k]+1-τ′k)Qk,t-[τ′k],ine-aklk+

(1-e-aklk)Tt,am.

(6)

式中：ak為管道系數；lk為管道長度；Tt,am為環境溫度。

2 考慮熱慣性的IES運行優化模型

2.1 目標函數

本文的目標是將IES的調度成本降為最低，構建基于熱慣性的IES兩階段魯棒最優調度模型，2個階段分別為日前調度階段和實時調度階段。其中，在日前調度階段所進行的工作是對當前所存在的可控設備的啟停成本進行優化；在實時調度階段可根據系統的已知出力情況，結合目前系統風能的實際出力，對不同設備的出力情況進行調整，以更好地節約成本，目標函數為：

(7)

式中：C為IES運行成本；f1為設備累計啟停成本；f2為IES購能成本與棄風成本之和；x對應各可控設備(CHP、P2G、電鍋爐、儲熱和儲氣)的啟停狀態；y對應各設備出力的連續變量；w為系統供熱管道目前的熱慣性時間。

(8)

式中：Be(t)、Bh(t)、Bg(t)分別為時段t系統從電網購電、熱網購熱、氣網購氣的成本；Cp(t)為時段t系統風電無法使用或儲存的棄風懲罰成本；Ce、Ch、Cg分別為系統從市政購電、購熱和購氣的價格；Pe(t)、Ph(t)、Pg(t)分別為時段t系統與電網進行電交換、與熱網進行熱交換、與氣網進行氣交換的交換功率；Pw,y(t)為時段t系統風電預測發電功率；Pw,s(t)為時段t系統風電實際發電功率；εp為系統棄風懲罰系數；Cst(t)為時段t系統內設備i的啟停成本；Cst,i為系統內設備i的一次啟停成本；ST(t)為時段t系統內設備i的啟停狀態；Ni為設備總數；Nt為系統整個運行周期的總時段數。

2.2 約束條件

a)能量供應平衡約束為

LE(t)=PCHP(t)+Pw,s(t)-PP2G(t)-

PEB(t)+PE,ex(t).

(9)

式中：LE(t)為時段t的電負荷；PCHP(t)為時段t燃氣輪機出力；PP2G(t)、PEB(t)分別為時段t的P2G熱備和電鍋爐出力。

b)熱源交換約束為

QCHP(t)+QEB(t)=cwaterm(t)×

[Tpipe,s(t)-Tpipe,b(t)].

(10)

式中：QCHP為系統內熱電聯產機組的供熱出力；QEB為系統內電鍋爐的供熱出力；Tpipe,s(t)、Tpipe,b(t)分別為系統在熱出力源側的給水溫度和回水溫度；cwater為水的比熱容；m(t)為時段t的水量。

c)設備出力和爬坡約束為

(11)

式中：Pi,min、Pi,max分別為設備i在運行時的最小和最大出力，用作設備約束；Pi(t)為時段t設備i的出力；Ri,down、Ri,up分別為設備i在運行時的滑坡和爬坡出力，一般用以約束該設備的運行情況。

2.3 模型求解

遺傳算法是目前常用的啟發式算法之一，它通過物競天擇、適者生存的自然規律，尋找最優解。與其他智能算法相比，遺傳算法具有較強的全局搜索能力和魯棒性[26]，因此，本文使用遺傳算法，旨在得到模型的最優解，具體流程如圖2所示，圖中Ngen為種群代數。

圖2 遺傳算法流程Fig.2 Genetic algorithm flow chart

3 算例仿真

3.1 基礎數據

供熱網絡中，CHP、電鍋爐和外部熱網均從同一節點接入，考慮到實際系統中熱能傳輸會產生一定的時滯性，以本文所建立的模型進行仿真，以某地區的IES為例，供熱網管網參數見表1，各設備參數見表2。圖3所示為該地區電、熱、氣負荷及風電的預測曲線，圖4所示為該地區電、熱、氣價格的折線，圖5為該地區系統結構。

表1 供熱管網參數Tab.1 Heating pipe network parameters

表2 各設備參數Tab.2 Equipment parameters

圖3 風電及多能源負荷預測Fig.3 Wind power and multi-energy load forecasting

圖4 電價、氣價和熱價Fig.4 Electricity price, gas price and heat price

圖5 算例系統結構Fig.5 Example system structure

以下2個場景用于分析IES的調度運行：場景1為傳統IES不考慮熱慣性的調度情況；場景2通過分析熱慣性和儲熱能力，對系統在經濟方面的運行效率進行檢驗。

3.2 仿真結果

場景1各設備的電出力、熱出力及氣出力如圖6—圖8所示；場景2各設備的熱出力、電出力及氣出力如圖9—圖11所示。

圖6 場景1各設備電出力Fig.6 Electricity output of each equipment in scenario 1

圖7 場景1各設備熱出力Fig.7 Heat output of each equipment in scenario 1

圖8 場景1 各設備氣出力Fig.8 Gas output of each equipment in scenario 1

圖9 場景2各設備熱出力Fig.9 Heat output of each equipment in scenario 2

圖10 場景2各設備電出力Fig.10 Electric output of each equipment in scenario 2

2種場景下IES的優化結果對比如下：

在時段00∶00—08∶00和20∶00—24∶00，IES中存在富余電量，場景1中，電鍋爐和P2G消耗了這部分電力。但同時由于風力發電量大、熱負荷高，熱電聯產受熱電制約，發電量仍維持在較高水平，出現大量的棄風現象。場景2將熱慣性納入考慮范圍內，所以降低了CHP機組在夜間的出力，棄風量有所減少。

在熱網方面，IES的熱負荷主要由CHP的熱出力產熱和電鍋爐熱出力提供。在夜間熱網峰時階段，場景1受限于蓄熱裝置的容量，用于降低CHP出力的熱量難以被裝置釋放的熱量所滿足，而且IES會在熱網峰時購入大量熱，用以降低棄風量。場景2考慮熱慣性后，熱電聯產機組會選在熱網中存儲產生的余熱，在熱負荷處于高峰時段時放出熱量，這種做法能夠有效釋放熱電聯產在供熱方面存在的壓力，有助于增加風電并網的空間。

表3為不同場景下的優化結果對比。

表3 不同場景下優化結果對比Tab.3 Comparison of optimization results in different scenarios

由表3可以看出，在考慮熱慣性的情況下，系統各方面的成本相對較低，相對于不考慮熱慣性的情況，場景2系統運行成本降低8.4%，棄風量降低18.6%，購氣成本和購電成本分別降低11.6%和4.6%。上述結果表明，在IES運行中考慮系統熱慣性，能夠在一定程度上減少棄風量并降低系統購能與運行成本。

4 結束語

由于IES中能源傳輸特性存在差異，導致出現源-荷不協調的問題，為了解決這一問題，本文基于熱力子系統構建IES運行優化模型，并將熱慣性納入考慮范圍。最后借助仿真，對模型的有效性和可行性進行驗證，結果表明，在降低熱電聯產強電熱耦合方面，熱力系統熱慣性與儲能系統的協調優化能夠發揮有效作用。在后續工作中，將更深入地考慮電、熱、冷、氫多能源網絡的能量傳輸特性和時空調度尺度，另一方面，進一步考慮電加熱和冷卻空氣的實際能量轉換物理模型，研究考慮多能源網絡約束的運行優化。