分散式电采暖负荷协同优化运行策略

范 帅, 郏琨琪, 郭炳庆, 蒋利民, 王治华, 何光宇

(1. 电力传输与功率变换控制教育部重点实验室(上海交通大学), 上海市 200240;2. 上海交通大学电子信息与电气工程学院, 上海市 200240; 3. 中国电力科学研究院, 北京市 100192;4. 国网上海市电力公司电力调度控制中心, 上海市 200122)

分散式电采暖负荷协同优化运行策略

范 帅1,2, 郏琨琪1,2, 郭炳庆3, 蒋利民3, 王治华4, 何光宇1,2

(1. 电力传输与功率变换控制教育部重点实验室(上海交通大学), 上海市 200240;2. 上海交通大学电子信息与电气工程学院, 上海市 200240; 3. 中国电力科学研究院, 北京市 100192;4. 国网上海市电力公司电力调度控制中心, 上海市 200122)

分散式的电采暖负荷是一种典型的热储能设备,功率较大,电能产出的热量具有滞后性和存储性,现有运行方式单一且仅针对单个设备,无法实现区域范围内电采暖负荷的协同优化。针对上述问题,文中首先提出了智能电暖网络的概念、架构以及衡量该网络运行效果的优化指标。其次,提出了智能电暖网络的确定性优化运行模型,该模型首先在保证最大功率限制的约束下,求解可达到的最大舒适度;再将最大的舒适度作为约束,寻求使运行电费最小化的运行策略。进而,在等效热参数模型的基础上引入温度波动不确定量,构建了确定性模型对应的鲁棒优化模型。算例分析表明,相比现有的实时温控策略,确定性优化策略可有效控制尖峰负荷,明显提高温度效用,降低运行电费;鲁棒优化策略比确定性优化策略更好地保证了用户舒适度,但运行电费略有升高。所提优化策略充分响应峰谷电价,在实现经济运行的同时,可以间接响应电网削峰填谷。

智能用电; 电采暖; 负荷调度; 需求响应

0 引言

冬季供暖是中国北方居民的基本生活需求,长久以来大多采用以燃煤为原料的集中式供暖。然而,近年来以PM2.5为主的雾霾已严重影响生产生活与人体健康。文献[1]对北京市近5年的统计数据进行分析,结论显示,大量燃烧燃煤进行供暖使PM2.5浓度增加50%以上,根治PM2.5必须从此入手。

电能替代是指用电能代替传统的燃煤等一次能源。电能在消费过程中无任何污染,其产出可依靠各种清洁能源,且可远离消费地,实施电能替代可带来较大的环境效益[2],也是能源互联网战略的重要部分[3]。在冬季采暖问题中,“煤改电”将从根本上减少PM2.5的产生,具有较强的经济性和可行性[4]。其中以碳晶电暖器为代表的分散式非蓄热型取暖器成本低、效率高,使用灵活,安装简易,已经得到大量推广。然而,大量电采暖设备接入,极易造成尖峰负荷,影响用电安全;另一方面,现有的温度控制运行方式缺乏优化,很难最大程度地利用产出的热能,更不能响应峰谷电价,产生高额运行电费,不利于电能替代的推广,电采暖优化运行策略有待研究。

文献[5]提出了负荷需求调度的概念,即建立针对负荷运行计划的优化决策模型,从而实现聚合负荷功率曲线整形、提高负荷运行经济性等目标,负荷调度也是分散式电采暖负荷优化运行的有效途径。电采暖属于典型的热储能型设备,对该类负荷进行需求调度已有一定研究:文献[6]提出了该类型设备的等效热参数 (equivalent thermal parameter,ETP)模型,定量描述了室内温度动态变化过程,并在此基础上研究利用聚合热储能负荷提供负荷平衡服务;文献[7-9]以此为基础,研究了集中式负荷直接控制的流程以及利用热储能负荷提供连续的负荷调节备用的算法;文献[10-12]从平衡微网联络线功率、虚拟电厂等角度对热储能负荷调度加以应用。此类文献重点研究了利用负荷调度实现聚合热储能负荷功率曲线整形。另一方面,文献[13-15]在考虑用户舒适度基础上,研究利用热储能特性响应实时电价,构建了以运行费用为目标的负荷调度模型,实现经济运行。

上述研究从不同角度采用多种方法对热储能负荷开展调度研究,取得了良好的效果。但文献[16]指出,开展需求响应的同时还应该精细化地控制设备运行,实现节能节电,提高能效。现有文献在研究聚合负荷功率曲线整形方面均从电网侧出发,没有考虑负荷运行的经济性;研究热储能负荷经济运行的文献通常针对单台设备,未考虑聚合负荷功率限制。此外,上述研究中采用的ETP模型是确定形式的,而实际中,温度随机波动客观存在。

为此,本文针对一定区域范围内的分散式非蓄热型电采暖设备,基于智能化控制构建智能电暖网络,对电采暖负荷运行进行整体协同优化。构建两阶段的优化决策模型,首先在最大功率约束下求解使用户可能获得的最大舒适程度,再在此基础上优化设备的运行方式,使系统运行费用最小化。整个调度模型实现了以控制负荷尖峰、保障用户舒适度和提高用户经济性为指标的电暖网络优化运行。进而,在确定性的优化模型基础上,在ETP模型中引入了不确定量,得到鲁棒性较强的运行策略集。

1 现有的电采暖运行方式与智能电暖网络架构

1.1 现有的电采暖运行方式

现有的分散式电采暖设备的功率一般不可连续调节,仅有启/停两种状态。与定频空调等设备类似,电采暖设备一般采用实时温度控制策略,依据当前室温与设定温度的关系判断设备的运行状态。当用户需要取暖时,需设置一个理想温度Tset,控制系统将以此温度为中心,以温度限度±ΔT确定用户满意的最高温度Th和最低温度Tl。设备运行过程中,控制系统以一定频率采集室内温度,判断是否超过温度上下限,若超过上限则停机停止加热,若低于下限则开机重新加热;当用户对室温无需求时,如用户需外出活动,则手动关闭设备,系统停止运行。

实时温控运行方式流程简单,基本可以保证室温处于理想温度区间。但实际中,用户无法精确判断开启和关闭设备的时刻,容易导致用户舒适度不佳。该策略仅针对某一独立空间,同区域内各空间无互联,极易出现同时用电情况,产生用电尖峰。此外,实时温控运行方式没有明确的节能目标,不能充分利用热储能特性,无法自动响应电网的峰谷电价。

1.2 智能电暖网络架构

为解决现有实时温控运行方式存在的问题,本文基于智能用电网络[17-18]构建了智能电暖网络。智能电暖网络是利用能效终端、能量信息网关等硬件设备将电采暖设备进行组网互联形成的网络,并实现一定区域内电采暖设备的协同优化运行。该网络分为本地层和调度层,架构如附录A图A1所示。本地层以能效终端为核心,各电采暖设备一对一接入能效终端,终端可采集设备运行参数和环境参数并上传至能量信息网关,也可接收能量信息网关下发的启停机指令;调度层在接收到所辖区域内所有电采暖设备的运行参数和环境参数后,生成优化运行策略,并下发到能量信息网关;能量信息网关是调度层和本地层的通信中心,分别基于Zigbee无线传感和以太网实现与能效终端、智能云端的通信。

智能电暖网络本质是智能用电网络的一种应用,组网简单,适用于各类取暖用户。而本文所研究的协同优化运行策略则主要面向单一利益主体且具有较多采暖设备的用户,同时该用户的采暖需求可在日前设定,学校、医院、集团写字楼等均属这类适用场景。以学校为例,电费均由校方承担;同时,大量电暖设备运行的总功率也会受到一定限制。此外,学校各个房间在次日的取暖计划也可以依据课表事先确定。当面向其他运行场景,例如用户行为随机性很强的居民用户,则需在调度层集成适用于该环境的优化算法。此外,也可将多个这样的智能电暖网络再次组网互联,在此基础上对多个利益主体开展配售电、虚拟电厂等问题的研究。

2 智能电暖网络运行优化指标

在建立优化运行模型前首先需要明确优化的指标。电力用户都希望在确保用电舒适度的同时降低用电成本[19]。智能电暖网络的主要利益相关方是电网和采暖用户。其中电网主要关心尖峰负荷,用户不但关心负荷是否超过变压器等设备的容量限制,还关心取暖舒适度以及运行电费。

2.1 运行电费

电采暖设备功率较大,长时间使用将消耗大量电能,高额的运行费用将阻碍其广泛推广。中国广大地区已实施峰谷电价,其本质即一种基于价格的需求响应削峰填谷措施。利用环境的热储能特性,优化电采暖设备的启停方式,可有效将电采暖设备的用电时段转移到相对低电价的时段,同时不影响用户取暖需求。未来电力市场环境下的实时电价会更好地反映电力供需关系,以最低运行电费方式工作也是间接地参与移峰填谷的有效方法。

下面以一个安装1台电采暖设备的房间为例简要说明不同运行策略产生不同运行费用的机理。在本文第3节中介绍了ETP模型以及在一定温度区间内线性化的方法,该房间的温度动态变化过程及设备的启停如图1所示。假设时段1至3为峰时电价时段,时段4之后为平时电价时段,实时温控策略对应方式1,其温度曲线和功率曲线如绿色曲线所示,室温按照A-B-C-D-F轨迹变化,对应耗电量为3p个单位,且全部集中在高峰电价时段。若运行方式调整为方式2,即对应红色曲线,温度曲线则按照A-B-E-D-F轨迹变化,对应耗电量仍为3p个单位,但其中2p个单位电量从高峰电价时段转移到了平时电价时段,从而明显提升了运行经济性。事实上,将温度曲线从A点出发变化视为一个路径寻找问题,方式1仅为其中一种可行方案,通过优化决策模型计算可以得到经济性更佳的运行方式。

图1 负荷转移示意图Fig.1 Schematic diagram of load shifting

2.2 尖峰负荷

尖峰负荷即整个研究区域在一定时间段内出现的最大负荷。电采暖设备因功率相对较大且使用时间集中,极易造成尖峰负荷。但另一方面,将所有房间进行协同优化,就能有效调节各个房间设备的启停顺序,错峰运行,控制最大功率。以2个房间为例,每个房间各装设有1台设备,其温度动态变化过程如图2所示,该图中2个房间的设备交替启动,虽然两个房间设备总功率为2p,但按图中的运行方式则可确保最大功率不超过p。

图2 负荷交替运行示意图Fig.2 Schematic diagram for alternate operation of loads

与上述以经济性为目标的优化不同的是,控制最大运行功率需要多个房间的设备互联进行协同优化。实际运行中,一定区域内的最大功率限制曲线可调节,在正常运行下即由楼宇的变压器容量、电缆线路最大负载等固有限制决定,在参与需求响应、停电检修等特殊情况下则可根据实际情况设定最大功率限制曲线。

2.3 温度效用

智能电暖网络优化运行应以确保用户舒适度最佳为目标。文献[20]从电力用户的主体地位角度提出构建表征用户在使用电能过程中获得实际效益的用电效用函数。电采暖负荷产生效益由当前室温和用户期望温度决定,且室温偏离期望温度越大,效用值下降越快,本文构造如式(1)所示的温度效用函数。

(1)

式中:Ut(Tt)为某一独立空间在t时段的温度效用值;Tl和Th分别为该房间用户温度设置的下限与上限。实际中,用户一般设置一个期望温度Tset,并取允许的温度偏离值±ΔT以确定温度下限与上限;α为温度效用值下降速率,α∈(0,1]。

为描述该独立空间在整个运行周期内用户的舒适程度,本文引入平均温度效用和最低温度效用,如式(2)所示。

(2)

式中:t∈T*,其中T*为整个优化调度周期内,用户处于室内且对室温有主观需求的时间集合;TΔ为时间集合T*的总时长;Uave为时间集合T*内温度效用的平均值,反映用户舒适程度的平均水平,可用于优化计算;Umin为时间集合T*内温度效用的最低值,反映令用户最不满意的程度,是从用户主体角度出发衡量电能产出效益的重要指标。

3 智能电暖网络优化运行模型

第2节中已明确智能电暖网络优化运行的目标,面向大量电采暖设备,综合考虑上述指标,则需构建智能电暖网络优化运行模型。

3.1 电采暖设备等效模型

如引言所述,ETP模型[6]定量描述了电采暖设备运行过程中温度的变化,同时也给出了ETP模型的简化1阶微分表达形式,如式(3)和式(4)所示。

当电采暖设备停机时,记st=0,有

(3)

当电采暖设备启动时,记st=1,有

(4)

在实际计算中,上述计算模型可统一为式(5)的形式。

(5)

式中:st,i表示第i台电采暖设备在t时段的启停状态;m为该独立空间装设的电采暖设备数量;Qi为第i台电采暖设备的热比率,可由其额定功率乘以热转换效率确定,即ηipi。

本文基于在河北省某小学实际建设的智能电暖网络,利用多日采集的温度数据拟合出环境参数。相关数据如式(6)所示,本文后续计算分析也基于此数据进行。

(6)

对于式(5)可做如下变形:

(7)

(8)

将式(8)代入式(1),则室内任意时刻的温度效用转换为该时刻前所有启停状态变量的函数。将这些启停变量记为集合S,也即运行策略集合。事实上,温度效用和运行功率曲线均由运行策略集合S决定,智能电暖网络的优化运行也就是在日前制定策略集。

(9)

3.2 确定形式优化模型

首先,暂不考虑ETP模型中的温度波动进行优化模型建立和求解。在第2节构建的指标中,尖峰负荷是按照系统需求进行限制,故尖峰负荷大小应作为优化模型的约束条件。由于降低运行电费的前提是保证用户舒适体验,用户舒适度明显优先于运行电费,故优化模型可进行两阶段优化,首先确定可达到的温度效用最大值,再在满足该最大温度效用的可行解中寻求使运行电费最小化的解。

3.2.1 第1阶段

1)目标函数

第1阶段优化目标在于保证用户舒适体验最大化,即智能电暖网络中平均每个独立空间平均温度效用最大化,构建目标函数如式(10)所示。

(10)

式中:j代表该智能电暖网络的房间编号,共计N个房间。

需要注意的是,平均效用函数值是关于温度的分段函数,也即关于启停状态变量st,j的分段函数,如式(1)所示,在优化模型中无法直接求解。为此,本文采用如下变换方法:将效用值Ut,j视为独立的优化变量,并加入一定约束条件以反映效用值与启停状态变量st,j的函数关系,即式(10)可等价转换为式(11)。由于目标函数为平均效用最大化,故式(11)约束条件中的不等式组必在其中一个取得等号。

(11)

式中:j=1,2,…,N;t∈T*。

式(11)虽将分段温度效用函数以多个约束的形式进行了表达,但第1个和第3个约束是控制变量st,j的非线性表达形式,在优化问题求解中仍难以处理。本文采用文献[21]的方法对约束中非线性部分进行分段线性化。第1个和第3个约束表达形式相似,仅以第1个约束部分为例说明。记

f(T)=2-eα(Tl-Tt)

(12)

对函数f(T)进行n段线性化,在一定区间内,均匀取点(T0,f(T0)),(T1,f(T1)),…,(Tn,f(Tn)),每相邻两个点构成一条分段的直线,计算每一个分段的斜率kl1,kl2,…,kln和截距bl1,bl2,…,bln,则第1个约束转换为n个线性形式约束,如式(13)所示。

(13)

此线性化方法的优势及可行性在文献[21]中已有介绍,也有诸多文献采用这样的方法。至此,式(11)第1个约束转换为线性形式,第3个约束亦可做相同形式的转换,不再赘述。

2)约束条件

约束条件方面,第1阶段优化模型应满足系统最大功率限制,即任意时刻楼宇中电采暖负荷的总功率与其他所有负荷功率之和应低于系统允许的最大功率,如式(14)所示。

(14)

(15)

实际计算中该约束表达形式是非显式的,可将其等价变化为式(16),进而参与优化求解。

(16)

至此,第1阶段优化调度结束。第1阶段的作用在于在给定的系统最大容量Xt下,搜索得到此场景下用户可能获取到的最高温度效用Umax。事实上,当系统无严格的削峰需求时,所有用户均可获得平均温度效用为1的运行策略;但当系统有较大削峰需求时,例如参与需求响应、变压器检修等情况,系统无法确保温度全部处于设置区间内,此时第1阶段优化将得到能使用户最满意的运行方式。

3.2.2 第2阶段

1)目标函数

第1阶段的优化运行结果仅保证了用户温度效用的最大化,但由式(1)的形式不难发现,此时仍存在诸多不同的运行策略,第2阶段优化就是在满足第1阶段求解得到的最大温度效用的可行解中寻求使运行电费最小化的运行方式。故第2阶段优化的目标即所有电采暖设备在各个调度周期内运行电费之和最小化,如式(17)所示。

(17)

式中:πt为t时段的电价。

2)约束条件

约束条件方面,记第1阶段目标函数优化结果为Umax,则关于温度效用的约束表示为:

(18)

与式(10)相同,温度效用值是启停状态变量st,j的分段函数,且非线性的等式约束会导致优化问题非凸,无法求解。故首先采用同样的方法将温度效用Ut,j视为优化变量,并将其转换为多组约束形式,如式(19)所示。

(19)

在此基础上,同样利用文献[21]中非线性约束分段线性化方法将第1个和第3个约束做线性化处理,即可满足求解需求。

除此之外,第1阶段中式(14)和式(16)的约束条件在第2阶段优化中同样应当满足,和线性化处理后的式(19)共同组成第2阶段优化问题的可行域。

3.3 考虑温度不确定性的鲁棒优化模型

ETP模型仅从理论计算给出了室内温度变化规律,实际中可能由于各类因素导致室温在一定范围内波动,按照确定形式优化所得结果在实际运行中可能出现室温越界情况,导致温度效用降低,影响用户舒适度。为此,本节在确定形式的基础上进行智能电暖网络鲁棒优化模型研究。

因为式(11)和式(19)均进行了线性化变化,形如式(13),故引入不确定量之后均可记为:

(20)

可变换为:

(21)

即

(22)

为寻求kliξt的最小值,结合式(9)构造拉格朗日函数:

(23)

K-T条件为:

(24)

由线性化过程可知kli≠0,则有

(25)

所以,含不确定量的约束条件可转换为不含不确定量的形式:

(26)

至此,含有不确定量的约束条件即转换为确定形式,可进行求解。

本节建立了智能电暖网络的两阶段优化模型,并对分段函数、非线性函数、启停时间的非显式表达做了相应变化和处理,也对不确定性优化进行了变化。最终,所有模型都转化为目标与约束均为线性的0-1混合整数规划问题,可直接利用Cplex和GUROBI等成熟的求解工具进行求解。

4 算例分析

下面基于某农村小学实际场景构建算例分析,分别采用现有的实时温控策略、确定性的优化策略和鲁棒优化策略进行运行分析,主要从教学楼负荷峰值、温度效用及运行电费对比3种运行策略。

4.1 算例简述

该小学教学楼共计5层,每层6间教室,每天安排8节课程。09:00开始上课至12:10午间休息70 min,13:20继续上课至18:50。该教学楼所有教室均安装3台完全相同的碳晶电暖器,除此之外的电器使用情况如附录B表B1所示,并取β=1.1。

环境参数如式(6)所述,其余相关参数取值如下:

(27)

峰谷电价和室外温度可作为已知条件提前获取,相关数据如附录A图A3所示。为了保证09:00开始上课时室温已经升高到舒适区间,3种温控方式均提前至07:30开始,并假设此时室温与室外温度相等,即初始温度7 ℃;此外,在采用实时温控法时,午休开始时电采暖设备全部关闭,但为了13:20上课时室温已基本加热,根据经验值提前10 min开启设备。

最大允许运行功率方面:该校具有2台变压器,日常运行以每台70 kVA作为最大运行功率,即日常情况下,全校最大功率限制取X=140 kW。停电检修时,可切换由一台变压器带全校负载工作。假设某日12:00至14:00需停电检修一台设备,即在此时段全校最大功率限制降为70 kW。

首先,基于含不确定量的ETP模型,采用实时温控策略模拟运行1 000次,得出每次模拟运行对应的功率曲线、温度效用及运行电费,这里为了使实时温控策略更加精确,取Δt=1 min为控制频率;然后采用确定形式和鲁棒形式的优化模型分别计算出控制策略集S1和S2,再采用运行策略S1和S2分别基于含不确定量的ETP模型模拟运行1 000次,得出各次模拟对应的功率最大值、温度效用及运行电费。此处是为了对各种运行结果进行验证,故全部采用与实际最贴近的含不确定量的未简化的ETP模型。

4.2 算例结果

4.2.1 第1阶段优化结果

在此环境参数下,确定性优化和鲁棒优化第1阶段求解分别得到平均最大效用为0.989和0.981。本文构建的模型中,最大功率约束是一个可调节量,实现了负荷峰值可控。若上述变压器停电检修时间变化,以鲁棒优化为例进行计算可以发现,当停电检修时间为1 h时,仍可保证平均温度效用为1;但随停电检修时间增长,温度效用随之降低,且下降速度增大,变化规律如附录A图A4所示。此关系可用于指导采暖用户最大容量的配置,也可指导电网侧需求响应直接负荷控制量及控制的持续时间。

4.2.2 功率峰值

利用现有实时温控策略模拟1 000次,功率最大值约130.7 kW,也即楼宇内所有电器完全运行出现的负荷尖峰;实时温控策略在遇到因断电检修产生最大功率限制缺口时,只能采取部分教室停止供暖的办法,这里令其中20间教室在12:00—14:00停止供暖。确定性优化和鲁棒优化策略充分发挥电采暖设备的储热特性进行协同优化,对应的最大功率均控制在最大功率限值以内。取第100次模拟的结果,绘制3种不同运行方式对应的整栋教学楼功率曲线,如图3所示,可以看出,优化运行下,系统尖峰负荷得到控制,且功率曲线峰谷差明显缩小。

图3 总功率曲线Fig.3 Total power curve

4.2.3 温度效用

根据3种不同运行方案,基于含有不确定量的ETP模型进行1 000次运行模拟,将每次运行得到的30间教室的温度曲线绘制成温度—时间曲线,共计3万条曲线,形成温度带状区,如图4所示。

图4(a)在12:00后出现2个带状区,这是12:00—14:00为控制负荷峰值,对其中20个房间停止供暖所形成的,这20个房间会在停暖时段出现温度很低的情况。12:10—13:20为学校午休时期,温度均开始下降,但为确保13:20上课时温度已经上升,实时温控策略(未停止供暖的10个房间)需要依据经验值提前开启设备,但若过早开启会浪费电能,过晚开启难以确保温度回升,人工控制很难把握最佳时间,而优化运行策略则无需人工控制。从图4(b)和(c)中可以看出,确定性优化策略和鲁棒优化策略都会出现2个很明显的“尖峰”,如图中A区域和B区域所示。“尖峰”正好对应峰谷电价由低转高的时刻,此时优化策略会使房间尽可能储热,以使高峰电价时期可以少用电,提高经济性。12:00—14:00为最大功率限制缺口时间段,优化运行策略对应温度带明显增宽,这是因为各个设备交替启停,以降低功率峰值。但由于功率缺口时间长达2 h,在图中可以看出,温度带部分超出温度下界。

下面再从用户主体角度出发,以最低温度效用作为衡量指标反映用户取暖效果。每次模拟时,均可计算该策略对应出现的最低温度效用,但需注意07:30—09:00及12:10—13:20为休息期,室内无人,故不属于式(2)中的时间集合T*,此时段不纳入温度效用计算。1 000次模拟下,最低温度效用的累积分布函数(cumulative distribution function,CDF)如附录A图A5所示,实时温控策略、确定性优化策略和鲁棒优化策略对应的最低温度效用均值分别为-0.552,0.882,0.945。由于停电检修时段需停止供暖,实时温控策略最低温度效用值非常低,这意味着用户可能在某一些时段舒适度极差。采用优化策略后,最低温度效用明显提高。由于在12:00—14:00提供了2 h的负荷缺口,此处温度效用不能达到1。确定形式对应的温度效用明显低于鲁棒优化策略对应的温度效用,原因在于其优化过程中未考虑室温随机波动因素。此外,实时温控策略模拟的平均温度效用均值为0.909,而确定性优化与鲁棒优化策略分别为0.982和0.985。模拟运行下,确定性优化策略平均温度效用均低于第1阶段求解结果,而鲁棒优化策略高于第1阶段求解结果,也是由于模拟中温度会出现随机波动。

图4 不同运行策略的温度曲线Fig.4 Temperature curves under different operation strategies

4.2.4 运行电费

根据3种不同运行方案,基于含有不确定量的ETP模型,模拟运行1 000次并统计运行电费,可得到3种不同运行策略下电费的CDF图,如附录A图A6所示。确定性优化策略和鲁棒优化策略运行下对应的运行电费分别为261.5元和271.3元,而现有的实时温控策略电费在288.8～309.4元之间,均值为297.9元。相比现有温控策略,确定性优化和鲁棒优化最高可实现电费节约18.3%和14.1%。以每日节约电费30元估算,供暖期若计120天,则可节省3 600元,1至2个供暖期就可实现投资成本收回,具有较强可行性。

此算例对比了3种不同的运行策略在该算例参数及背景下,尖峰负荷、温度效用以及运行电费的模拟运行结果。3项指标对比显示,未经优化的实时温控结果均较差;确定性优化策略和鲁棒优化策略相比,鲁棒优化具有更佳的温度效用,保证用户舒适度,但运行电费略高于确定性优化结果,即通过牺牲经济性以确保更舒适的运行效果。

4.3 舒适温度区间对运行费用的影响

智能电暖网络进行经济性优化时,充分利用了室内温度舒适区间实现电采暖设备的运行时段转移。舒适温度区间的设置在一定程度上也影响了整体优化时对应出现的运行费用。基于上述算例参数,不考虑变压器检修的情况,分别设置温度区间为[22,24]℃,[22,25]℃,[22,26]℃,[22,27]℃, 采用鲁棒优化模型,得到对应的运行电费分别为275元、268元、265元和264元。可以发现,在相同的最低温度设置下,适当提高最高温度反而能降低运行费用,这主要是因为更大的温度区间可以使采暖设备在低电价时段更多地储备热能,进而减少在高电价时段的用电量。实际使用中,对于某些温度变化不太敏感的用户场景,如水房等,可以适当增大设定温度区间以降低运行费用。

4.4 峰谷电价对运行策略的影响

智能电暖网络的优化运行策略是充分考虑了峰谷电价的。下面同样基于上述算例参数,不计变压器检修情况,采用鲁棒优化模型,分别考虑不计峰谷电价和计及峰谷电价的情况进行计算。此处仅对电量进行分析,故不计峰谷电价的情况下,所有时段均取平时电价。

计算结果表明,在基础电价时段,计及峰谷电价的策略耗电量较不计峰谷电价的策略在基础电价时段更高,而在高峰或尖峰电价时段更低,具体计算结果如附录B表B2所示。这是因为计及峰谷电价的优化策略会充分利用热储能特性,在相对低费率的时段增大用电量,进行热储存,而在高费率时段尽可能减少用电以降低运行电费。

5 结语

本文为解决分散式非蓄热型电采暖设备现有简单运行方式所存在的不足,基于负荷需求调度、智能用电网络的思想,提出构建智能电暖网络,并以控制尖峰负荷、提高用户温度效用、降低运行电费为指标,构建了智能电暖网络的优化运行模型。考虑到温度的随机波动,在现有ETP模型上引入了不确定量,并在确定性优化模型基础上得到鲁棒优化模型。算例结果显示,优化运行策略在尖峰负荷、用户温度效用、运行电费3个指标上都优于现有的温度实时控制法;鲁棒优化策略相比于确定性优化策略具有更佳的温度效用,但运行电费略高于确定性优化结果。本文充分考虑了峰谷电价以及最大功率限制的可调性,为基于电器级别的自动需求响应奠定了基础。

本文的优化运行模型主要针对用电需求较为固定的用户,即用户的用电需求作为了优化模型的已知条件,对于用电需求随机性较大的用户还需重点研究基于用电行为识别与预测的相关算法。其次,研究如何精确估计鲁棒优化中的不确定量相关参数,既能增强优化运行的鲁棒性,也能最大程度控制运行费用。此外,储能型电采暖设备作为电能替代中发展的重点设备,具有更好的热储存特性,研究储能型与非蓄热型电采暖设备的协同优化也将是今后的重点工作。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] LIANG X, ZOU T, GUO B, et al. Assessing Beijing’s PM2.5 pollution: severity, weather impact, APEC and winter heating[J]. Proceedings of the Royal Society A Mathematical Physical and Engineering Sciences, 2015, 471: 31p.

[2] VAN RUIJVEN B J, SCHERS J, VAN VUUREN D P. Model-based scenarios for rural electrification in developing countries[J]. Energy, 2012, 38(1): 386-397.

[3] 姚建国,高志远,杨胜春.能源互联网的认识和展望[J].电力系统自动化,2015,39(23):9-14.DOI:10.7500/AEPS20151101004.

YAO Jianguo, GAO Zhiyuan, YANG Shengchun. Understanding and prospects of Energy Internet[J]. Automation of Electric Power Systems, 2015, 39(23): 9-14. DOI: 10.7500/AEPS20151101004.

[4] 武中,李强,徐红涛.供暖领域电能替代效益分析[J].浙江工业大学学报,2015,43(5):508-511.

WU Zhong, LI Qiang, XU Hongtao. Efficiency evaluation of alternative energy in heat supply system[J]. Journal of Zhejiang University of Technology, 2015, 43(5): 508-511.

[5] BROOKS A, LU E, DAN R, et al. Demand dispatch[J]. IEEE Power & Energy Magazine, 2010, 8(3): 20-29.

[6] LU Ning. An evaluation of the HVAC load potential for providing load balancing service[J]. IEEE Trans on Smart Grid, 2012, 3(3): 1263-1270.

[7] LU N, ZHANG Y. Design considerations of a centralized load controller using thermostatically controlled appliances for continuous regulation reserves[J]. IEEE Trans on Smart Grid, 2013, 4(2): 914-921.

[8] VANOUNI M, LU Ning. Improving the centralized control of thermostatically controlled appliances by obtaining the right information[J]. IEEE Trans on Smart Grid, 2015, 6(2): 946-948.

[9] ZHANG Yu, LU Ning. Parameter selection for a centralized thermostatically controlled appliances load controller used for Intra-Hour load balancing[J]. IEEE Trans on Smart Grid, 2013, 4(4): 2100-2108.

[10] WANG D, JIA H, WANG C, et al. Performance evaluation of controlling thermostatically controlled appliances as virtual generators using comfort-constrained state-queueing models[J]. IET Generation, Transmission & Distribution, 2014, 8(4): 591-599.

[11] 王成山,刘梦璇,陆宁.采用居民温控负荷控制的微网联络线功率波动平滑方法[J].中国电机工程学报,2012,32(25):36-43.

WANG Chengshan, LIU Mengxuan, LU Ning. A tie-line power smoothing method for microgrid using residential thermostatically-controlled loads[J]. Proceedings of the CSEE, 2012, 32(25): 36-43.

[12] 高赐威,李倩玉,李扬.基于DLC的空调负荷双层优化调度和控制策略[J].中国电机工程学报,2014,34(10):1546-1555.

GAO Ciwei, LI Qianyu, LI Yang. Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control[J]. Proceedings of the CSEE, 2014, 34(10): 1546-1555.

[13] PEDRASA M A, SPOONER T D, MACGILL I F. Coordinated scheduling of residential distributed energy resources to optimize smart home energy services[J]. IEEE Trans on Smart Grid, 2010, 1(2): 134-143.

[14] WANG C, ZHOU Y, WANG J, et al. A novel traversal-and-pruning algorithm for household load scheduling[J]. Applied Energy, 2013, 102(2): 1430-1438.

[15] DU Pengwei, LU Ning. Appliance commitment for household load scheduling[J]. IEEE Trans on Smart Grid, 2011, 2(2): 411-419.

[16] 盛万兴,史常凯,孙军平,等.智能用电中自动需求响应的特征及研究框架[J].电力系统自动化,2013,37(23):1-7.

SHENG Wanxing, SHI Changkai, SUN Junping, et al. Characteristics and research framework of automated demand response in smart utilization[J]. Automation of Electric Power Systems, 2013,37(23): 1-7.

[17] 赵雪霖,何光宇,杨文轩,等.智能用电网络的设计与初步实现[J].电工电能新技术,2014,33(10):52-57.

ZHAO Xuelin, HE Guangyu, YANG Wenxuan, et al. Design and initial implementation of smart electric appliance network[J]. Advanced Technology of Electrical Engineering and Energy, 2014, 33(10): 52-57.

[18] 郏琨琪,何光宇.智能用电网络数据采集与通信机制的研究[J].中国电机工程学报,2016,36(6):1544-1551.

JIA Kunqi, HE Guangyu. Research of smart electric appliance network data collection and communication mechanism[J]. Proceedings of the CSEE, 2016, 36(6): 1544-1551.

[19] 何光宇,孙英云,梅生伟,等.多指标自趋优的智能电网[J].电力系统自动化,2009,33(17):1-5.

HE Guangyu, SUN Yingyun, MEI Shengwei, et al. Multi-indices self-approximate-optimal smart grid[J]. Automation of Electric Power Systems, 2009, 33(17): 1-5.

[20] 赵雪霖,何光宇.生活电器用电效用概念及其评估方法[J].电力系统自动化,2016,40(1):53-59.DOI:10.7500/AEPS20150327010.

ZHAO Xuelin, HE Guangyu. Power utility evaluation of residential electrical appliances[J]. Automation of Electric Power Systems, 2016, 40(1): 53-59. DOI: 10.7500/AEPS20150327010.

[21] ZIMMERMAN R D, MURILLO-SANCHEZ C E, THOMAS R J. MATPOWER: steady-state operations, planning, and analysis tools for power systems research and education[J]. IEEE Trans on Power Systems, 2011, 26(1): 12-19.

Collaborative Optimal Operation Strategy for Decentralized Electric Heating Loads

FANShuai1,2,JIAKunqi1,2,GUOBingqing3,JIANGLimin3,WANGZhihua4,HEGuangyu1,2

(1. Key Laboratory of Control of Power Transmission and Conversion (Shanghai Jiao Tong University), Ministry of Education, Shanghai 200240, China; 2. School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;3. China Electric Power Research Institute, Beijing 100192, China;4. Electric Power Dispatching and Control Center of State Grid Shanghai Municipal Electric Power Company, Shanghai 200122, China)

As a typical heat energy storage device, the decentralized electric heating load has a large power and contributes to the hysteresis and storability of electric energy output. But since the existing operation control mode is unitary and available only for single equipment, its impossible to achieve collaborative optimization of electric heaters on a regional scale. For this reason, this paper proposes the concept and framework of a smart electric heating network as well as optimization indexes that could be used to measure the running effect of this network. Then a deterministic operation optimization model for this smart electric heating network is put forward. On the premise of ensuring peak-power limitation, the model is able to calculate the achievable maximum comfort level. By taking the maximum comfort level as a constraint, the minimum operating electricity charges can be calculated. Further, by introducing the uncertainty temperature fluctuation into the equivalent thermal parameter (ETP) model, a robust optimization model for the smart electric heating network is developed. The analysis of examples shows that, compared with the existing temperature control strategies, the deterministic optimization strategy is able to effectively reduce the peak load, significantly improve temperature control effect, and lower operating electricity charges. Compared with the deterministic optimization strategy, the robust optimization strategy can better ensure the comfort level, with its operating power charges slightly higher than those with the deterministic optimization strategy. The proposed optimization strategies can fully respond to the time-of-use price, which realizes load shifting indirectly while enhancing users’ economic benefits.

This work is supported by State Grid Corporation of China.

smart power utilization; electric heating; load dispatch; demand response

2017-02-27;

2017-06-01。

上网日期: 2017-08-08。

国家电网公司科技项目“主动配电系统前瞻技术研究”。

范 帅(1993—),男,硕士研究生,主要研究方向:需求响应与需求侧调度。E-mail： fanshuai@sjtu.edu.cn

郏琨琪(1992—),男,博士研究生,主要研究方向:智能用电网络。E-mail: jiakunqi92815@163.com

郭炳庆(1962—),男,博士,教授级高级工程师,主要研究方向:能效管理和电能替代。E-mail: bq_guo@epri.sgcc.com.cn

何光宇(1973—),男,通信作者,博士,教授,主要研究方向:智能电网、状态估计、智能用电、用户侧能量管理系统。E-mail: gyhe@sjtu.edu.cn

(编辑 蔡静雯)