张旭,葛磊蛟,高标,张帅
(1.国网浙江综合能源服务有限公司,浙江 杭州 310016;2.天津大学 电气自动化与信息工程学院,天津 300072;3.山东科技大学 电气与自动化工程学院,山东 青岛 266590)
随着城市以及工业的快速发展,煤、石油等化石能源已较难满足人们日益增加的能源需求[1],同时,化石能源的过度利用造成的环境问题也愈加引起人们的关注。为了提升能源利用效率,利用能源互联网并入新能源成为应对此类问题的一个重要手段。但是,由于新能源发电的间断性等特点,当其大量地接入配电网,在一个区域内与水/电/热等多种能源同时供销,形成区域能源互联网(regional energy internet,REI)时,系统运行时的稳定性以及高效性会受到相当大影响。
为了减少新能源波动对能源互联网联合优化带来的负面效果,众多专家学者进行了研究:肖白等[2]从整体布局上阐述了未来配电网规划改造方向与方法,但未考虑规划的灵活性;雷霞等[3]针对区域配电网的综合能源协同规划做了详细的介绍,并提出了双层规划模型;朱文广等[4]针对能源互联网中分布式电源的接入以及系统的优化升级进行了阐述。
本文在上述研究的基础上,结合在不同用户能源需求条件下较难实现能源互联网中的冷热电三联供与新能源发电的整体能效最佳的实际情况,提出一种新的冷热电三联供与分布式光伏联合优化及理想模糊决策方法。首先建立冷热电三联供与分布式光伏联合改造优化模型;通过小生境遗传粒子群算法对构建的模型进行解算;以用户满意度和新能源消纳指标作为优化判别标准;使用理想模糊决策方法对模型求解进行评估;最后,用实际案例验证所提方案的有效性。
近年来,随着PV等新能源发电形式的推广应用,以及对冷热电三联供(CCHP)、集中供暖等原有方式的融合,将已有的智能配电网升级改造为REI已经成为一种趋势[5-6]。
PV系统在发电过程中几乎可以做到完全无污染,且可以大幅减少化石能源的使用,进而减少发电成本[7]。通常的PV结构如图1所示。
图1 光伏系统模型
PV功率输出的特性通常可用式(1)计算:
(2)
式中:Ta(t)为环境温度,℃;TNO通常取42~46 ℃之间的一个常数。
(1)一次能源消耗量最低。改造方案使用的一次能源主要有两部分构成,一部分是燃气轮机以及燃气锅炉使用的天然气,另一部分是电网,其消耗量如式(3)所示:
minPEC=σe.Egrid+σf.Fm,
(3)
式中:Fm与Egrid分别为天然气和CCHP所利用的化石能源总量以及网上购买的所需要的电量总数,kW·h;σe、σf分别为从电网上购买的每千瓦时电力和消耗的每千瓦时燃料所对应的一次能源的转换系数。
(2)改造成本最低。改造成本由新能源发电装置的安装以及运行维护成本组成,即
式中:δre,i为改造设备单位容量初始投资成本;ρre,i为改造设备单位容量的维护成本;εre,i为改造设备单位出力的运行成本;Pre,i为改造设备的设备容量,kW;Pre,out,i为改造设备的运行出力,kW·h;L为改造设备种类,这里主要包括光伏设备。
(3)系统的潮流约束。对于每一个节点,其注入的功率必须与输出的功率相等,也就是功率平衡约束,包括有功功率平衡以及无功功率平衡:
(5)
(6)
式中:Pgi,Pli分别为节点i输入电源的有功功率、有功负荷;Pij为第i个节点的有功功率输出功率;Qgi,Qli分别为每个节点的输入电源的无功功率、无功负荷;Qij为第i个节点的无功功率输出功率。
式(5)~(6)代表能量流动的平衡,对于每一个节点,注入的功率与流出该节点的功率是相等的。
(4)光伏系统安全约束。由于存在新能源出力特性不稳定、促进新能源消纳的相关补偿机制不完善等方面的因素[8],电网消纳新能源的能力受到了限制,出于安全考虑,需对新能源消纳量进行约束,如式(7)所示。
0≤∑PPV≤PPV,max,
(7)
式中:∑PPV为PV总量;PPV,max为新能源最大接纳量。
(5)节点电压约束。系统每一个节点电压约束为
Uimin≤Ui≤Uimax,
(8)
式中:Uimax为节点i的电压幅值的上限;Uimin为节点i的电压幅值的下限。
(6)发电机的出力约束为
Pimin≤Pi≤Pimax,
(9)
式中,Pimax,Pimin分别为发电机每个节点有功出力的上、下限。
分布式光伏与冷热电三联供联合改造方案优选不仅受以上的系统运行约束,而且还需要进一步考虑系统的应用和管理指标。
分布式光伏与冷热电三联供联合改造方案评价指标,是在确定系统的设备选型及容量之后,以评价某项指标的优劣,作为对系统性能提升和优化的评价。
1.3.1 用户满意度指标
由购电满意度和供电满意度组成的用户满意度是用来评估改造方案的重要指标。购电满意度是以及时对客户的用电需求做出响应为第一目标,且用户购买变电站的电量越少,表明购电满意度的指标越高。供电满意度是主要以响应国家节约能源的号召为主提出的概念,对PV进行就地使用,减少在输送过程中线路上的消耗[9]。供电满意度最高表示PV的发电量均由用电客户使用。用户满意度的表达式为
(10)
式中:Suser为用户满意度;Sload为购电满意度;Snew为供电满意度;EPV,all为PV总量;EPV,one为直接使用的PV部分。
1.3.2 新能源消纳率指标
CCHP中有过于庞大的负荷需求量,单一地只靠PV并不能够满足电力用户的用电需求,所以提出新能源的利用率概念作为参考,即
(11)
式中:ηnew为新能源利用率;Edefect为系统自身无法满足的电负荷量。
改造方案从根本上看,是一个多目标函数寻优问题[10]。本文将改造方案评价指标作为约束,应用基于小生境的混合二进制粒子群优化算法进行解算。
1.4.1 小生境机制
在对不止一个目标的函数进行解算时,如果通过传统的粒子群智能算法求解,则经常会有局部Pareto最优收敛情况,与全局最优的解相距甚远。为了避免这一种情况,引入小生境机制提高多目标求解的效率。该机制表现为在同一个小生境内的所有个体共同分享有限资源。由此定义一个共享函数(sharing function)对每个个体的共享度进行区分。该函数实质上是对不同个体间的关系相关性进行说明,该相关性与共享函数之间的共享度成正比,并且其相似性可以通过基因型或表现型来表示[11]。任意个体适应度定义由式(12)~(15)表示。
(12)
(14)
(15)
式中:Nm为小生境内的个体数量;dij为个体Xi与Xj的欧氏距离;f(dij)为个体Xi与Xj的密切程度;Si为个体Xi的共享度;σshare为事先设定的共享距离;Fi为个体Xi的种群适应度。
1.4.2 混合二进制粒子群优化算法
关于改造方案的求解问题都可以看作是二进制编码。其中,粒子群速度的更新规则是不变的,当粒子的速度vid≤0时,粒子位置xid的变化为
(16)
当粒子的速度vid>0时,xid变化为
(17)
二进制粒子群算法中位置的更新类似于遗传算法中的突变,因此,进一步考虑交叉,得到一个多样性的混合更新[12]。利用混沌搜索的遍历性,将惯性权值进行混沌映射,增强全局搜索能力,表示式为
wn+1=μwn(1-wn),0≤w0≤1。
(18)
w0≠{0,0.25,0.5,0.75,1}时,μ=4可获得完整的混乱状态。在所有粒子的更新过程中利用式(12)~(15)计算所有粒子的共享度,选取共享度最小的粒子作为全局最优粒子[13]。迭代完成之后,再利用模糊隶属度和方差权重计算所有粒子的偏好度,选择偏好度最大的粒子作为折衷最优解。
Pareto前沿将会给出众多非劣解集合,当所研究的目标数量较多时,需要利用决策方法在决策过程中加以帮助[14]。由于无法直接对改造优化的各类指标的重要性进行直接表示,所以提出一种模糊理想决策方法,并利用三角模糊数对由模糊理想决策方法针对的目标所获得的结果中关于主观模糊权重的判断表现出来。对应关系如表(1)所示。
表1 目标权重语言变量与三角模糊数的对应
假设有K位学者根据上面三角模糊数的对应关系给出了m个目标相对应的模糊权重,并且将这些专家中第k位给出目标j的模糊权重记作Cjk,进而目标j的平均权重Cav,j由式(22)计算。再次利用式(18)将上面的Cav,j进行统一的归一化处理,从而可以求出系统所需要的目标的主管模糊权重向量C=[C1,C2,…,Cn][5]。
(19)
(20)
本文提出的决策方法是,首先求出所需要的正负理想解,然后将备选方案与理想解比较。设计方案的理想程度表现和正理想值的距离越近越好,且与负理想值的距离越远越好[5]。具体决策步骤如下。
(1)首先准备待选的设计方案,每个待选方案之中都包含有目标函数值,并且这些目标函数值都与相应的方案一一对应,且形成多目标决策矩阵F=(fij)n×m,对F阵的相对优属度进行处理[5]。改造部分的改造成本及一次能源消耗量都是越小越好,则可按照式(21)进行处理:
(2)形成加权规范阵D=(dij)n×m,其中,
(22)
(3)根据加权规范阵计算模糊正理想解D+与模糊负理想解D-[15]:
(23)
利用式(24)对所求出的理想解进行选择,从中选择出与目标函数最近最适合的解:
(24)
(4)对上述建立的所有方案依次求取其到各自的正、负理想解的欧氏距离和相近贴合度,并对它们分别进行排序,按照排序的大小找到最合适的方案[5]。欧式距离的计算公式为
(25)
式中,O(·)为二范数算子。
相对贴近度
(26)
所采用算法的总体流程图如图2所示。
图2 理想模糊决策算法流程图
分布式光伏与冷热电三联供联合改造部分设计方案如图3所示。
选用中国北方某地建筑群的供冷季、供暖季和过渡季的典型日负荷数据验证改造方案,该方案包含分布式光伏和冷热电(CCHP)联供系统。图4为该地区冬季、夏季以及过渡季节的日照状况。图5为该地区冬季、夏季和过渡季典型日的温度曲线。
在分布式光伏与冷热电三联供联合改造部分中,备选的设备信息如表2所示。
图6为PV系统在三个典型日中的出力情况。
图3 改造部分整体方案
图4 典型日的日光照情况
图5 典型日的日温度曲线
表2 设备经济技术参数
根据上述给出的设备的参数和各典型日的情况,将相应的数据作为粒子群算法的初始数据,设定种群数为500,迭代次数为300,用来进行优化方案选择。将目标函数设定为改造成本最小;与正理想解距离最近、负理想解距离最远;以及额定容量最佳。多次运行程序使其产生3个备选的改造方案。备选方案的各个参数以及正、负理想解距离如表3所示。
图6 不同典型日中PV系统出力曲线
表3 3种备选方案对比
根据表3,求得3种方案的正、负理想解,计算各自的相对贴近度分别为0.778,0.687,0.747。对其排序后,按照相对贴近度越大,方案越优的原则,可知第一种方案最优,效果最好。
利用小生境粒子群算法和理想模糊决策方法选择出最优的改造方案后,再与未改造前的原始方案进行对比,证明优选方案具有更高的效益,两种方案对比如下:
(1)优选的改造方案,对原有的CCHP系统进行改造,改造后的相应配置如表3方案1所示。
(2)原始方案,为原有的CCHP联供系统,不进行任何改变,即并未进行PV系统的安装。
分别对两种方案进行仿真分析,其结果对比如表4所示。
表4 两种方案的优化结果
对表4进行分析可以看出,通过对冷热电联供系统进行光伏改造,使得一次能源的消耗量减少了24.5%,用户满意度提高了0.09,对于新能源的利用率也从原来的0增加到了58.2%。同时,光伏发电系统作为新能源发电,在白天负荷高峰时,可以缓解区域能源互联网的供电压力,提高系统的安全性与稳定性。
针对分布式光伏与冷热电三联供联合改造方案中,一次能源消耗量过大以及产能和冷热电负荷不匹配的问题,对原有CCHP系统加以改进,添加了PV系统,在此基础上建立了以改造成本最小以及一次能源消耗量最低的多目标优化管理模型,利用基于小生境的混合二进制粒子群优化算法产生预备方案,并通过理想模糊决策方法进行方案的优选。
算例分析表明,根据优选出的方案进行设计的分布式光伏与冷热电三联供的联供系统,与原有系统相比,能够有效减少一次能源消耗量,减少有害气体的排放量,提高用户满意度,有着良好的经济效益和环保效益。