考虑多种能源耦合载体的综合能源系统建模

李颖毅，郑伟民，孙 可，郑朝明，马骏超，周 丹

(1.国网浙江省电力有限公司，浙江 杭州 310014；2.国网浙江省电力有限公司电力科学研究院，浙江 杭州 310006；3.浙江工业大学 信息工程学院，浙江 杭州 310023)

随着工业化和城市化的快速发展，优质供能网不仅需要为用户稳定供电，而且还需要供热、供冷以及日常生活使用的天然气。然而，传统的能源基础设施，如电和热，依旧是独立的，这使得系统易出现效率低、运行成本高等现象[1]。由此，多能载体(Multiple energy carries，MEC)集成在近年来受到了极大的关注。在应急情况下，不同类型的能源可以相互支持，从而增强系统的可持续性、灵活性和可靠性[2-3]。MEC的耦合被称为综合能源系统(Integrated energy system，IES)。在所有IES中，热电联供(Combine heat and power，CHP)以最小的排放满足了用户的用电和热需求，其与电网的集成得到了快速的发展。此外，IES改进了系统的灵活性，弱化不确定性[4-5]，引入更多的可再生能源(Renewable energy sources，RES)，如风电和光伏(Photovoltaic，PV)，从而有助于减少系统对化石能源的依赖。供热基础设施分为独立供热(Individual heating，IH)和区域供热(District heating，DH)网络。由于环境污染问题，现阶段政府正致力于MEC的集成，嘉兴、上海等地已经开展了有源配电网试点项目，即电、热、燃气一体化的典型示范。目标是到2020年，可再生能源在总消费中所占份额至少为15%，到2030年我国将成为最大的可再生能源投资国[6]。在实现MEC集成的过程中，需求侧响应(Demand response，DR)、储能(Electricity storage，ES)以及热储(Thermal storage，TS)的灵活性则成为能源系统(电和热)较大的影响因素。此外，通过热泵(Heat pump，HP)等技术供暖亦是降低碳排放的有效方法[7]。

MEC的节点能源枢纽有助于整合RES，DR，ES和TS等分布式能源(Distributed energy resources，DER)，从而最小化运营成本[8]。因此，能源枢纽成为实现MEC优化管理的关键所在。文献[9]对冷热电联供系统中的热泵进行了优化配置，从而最大限度地减少电力和供热设施的投资。文献[10]分析了含热泵和热电联产的综合能源系统中热损失最小的方案。文献[11]提出可再生能源热泵优化控制策略，提高能效。文献[12]通过热能储存增加系统的灵活性，提供辅助服务并降低可再生能源不确定性的影响。需求侧响应方面，文献[13]阐述了DR在集成DER中的作用。文献[14]中，RES在利用车同网(Vehicle to grid，V2G)技术开发部门间协同效应的同时，使用EnergyPlan与DR有效集成。文献[15]提出智能调度IES，从而使系统利用更多的RES。然而以往很少有案例研究采用能量规划模型进行分析，且上述子系统基础设施并没有在大型IES模型上进行过完整的分析，因而笔者对IES进行建模，并将可再生能源和储能等考虑在内。其中，可能使发电增量超过输电线路容量，称为临界过剩发电量(Critical excess electricity production，CEEP)，而这种过剩电量通常会被忽视。为了应对这一现象，笔者以我国大规模工业园区为研究对象，构建智慧能源枢纽，通过HP和DR的引入提高系统对RES的利用，从而进一步提高系统灵活性和能源利用效率。

1 智慧能源枢纽模型

能源枢纽是能源供应商、集成商、用户和相应的电力运营商子网之间的接口枢纽，用于生产、转换、存储和分配MEC以满足能源需求。EnergyPlan使智能电网的协调、资源利用及转换成为可能，从而使智慧能源系统以更低的排放获得更高的效率。智慧能源枢纽建模如图1所示。电力需求由可再生能源(水电、风能、太阳能、地热)、核电站(Nuclear power plants，NPP)、火电厂(Thermal power plants，TPP)和CHP来满足。DH需求由热电联产和锅炉满足，而HP和锅炉则用于满足IH需求。整体而言，主要通过实施技术模拟方案，减少一次能源供应(Primary energy supply，PES)或燃料消耗、CO2排放和总成本，并提出了在IH网络中引入更多的RES、用HP替换锅炉、增加TS和DR等多种方案，体现各单元对IES目标功能的影响。

图1 智慧能源枢纽模型

1.1 各单元数学模型

1.1.1 输入与输出

传统发电厂效率较低，主要是由于2/3的能源通常以热的形式损耗，但在用户侧DER是可以有效减少配电和输电损耗，降低能源成本并提高效率的。本研究以受控可再生能源(水电和地热)、可再生能源(风能和太阳能)、核电站和发电厂(使用煤炭或天然气的火力发电厂和热电联产厂)作为输入，以产生所需的电、热输出。总发电量可表示为

(1)

电力和热能需求可表示为

(2)

(3)

供热分为DH和IH，可表示为

(4)

智慧能源中心(Smart energy hub，SEH)产生的电功率可表示为

(5)

NPP和RES产生的功率表达式为

(6)

风力、太阳能、水力和地热等可再生能源的功率表达式为

(7)

风能和太阳能等的功率可以通过容量乘以小时分布来计算。尽管如此，不同的配置可能导致产能的提高或降低。因此，由校正因子C.F来改变分布。其取决于容量因数C，计算式为

(8)

(9)

(10)

(11)

(12)

(13)

(14)

将锅炉产生的总热量分为区域网络供热和单独网络供热，可表示为

(15)

DH和IH的出力计算可分别表示为

(16)

(17)

燃料通过两个转换器进行供电(TPP和CHP)和供热(CHP和锅炉)，引入v来表示转换器的功率，其值为0～1，因而分配因子总和将始终等于1。所建立的输入输出的映射可以用矩阵形式表示为

(18)

1.1.2 转换单元

转换器可以根据输入和输出的数量进行分类。笔者所使用的转换器主要包括3 种类型。

1) 锅炉的供热计算式为

(19)

2) CHP的供电和供热计算式分别为

(20)

(21)

3) 热泵的供热计算式为

(22)

1.1.3 储能单元

能源枢纽可以包括多个储能元件，这些储能元件可以连接到任意输入、输出或能源转换接口处。所提SEH同时采用电储能与热储能，对应的能量充放公式为

(23)

式中：下标x表示笔者研究的电能或热能的类型；δxs表示限制充放过程中的能量损失。

1.1.4 需求响应

需求响应是以负荷转移的形式引入的，假设为总电力需求的10%。它可以通过需求价格弹性来量化，需求价格弹性定义为需求变化与价格变化之比，其表达式为

(24)

1.2 约束条件

能量输入总功率应与输出总功率相等，其表达式为

(25)

其中电和热需求应在其最大和最小限度内，即

(26)

(27)

此外，还包括如下约束条件：

1) 电功率平衡约束为

(28)

2) DH网络平衡约束为

(29)

3) IH网络平衡约束为

(30)

4) 锅炉出力限制为

(31)

5) 热电联产约束为

(32)

(33)

(34)

(35)

7) 储能容量约束，充放能功率限制式为

(36)

(37)

式中x泛指电能和热能。引入二元变量μx，保证充电和放电不同时发生。储能容量约束表达式为

(38)

2 仿真数据

EnergyPlan采用面向对象编程和集成开发环境相结合的Delphi pascal(DP)编程。该软件得到了广泛的应用，包括小型热电联产的实施、探究可再生能源的最佳规模等。

由于人口、经济和许多其他因素的巨大增长，能源需求预测总是很难预测。许多研究人员和组织通过考虑基于不同情景调查的许多假设来预测未来的能源需求。就笔者研究考虑的电力需求而言，按每年1.5%的增长率估算，2014—2030年国际能源署(International energy agency，IEA)也提出了我国全国能源需求率。我国2020年各月、年平均、最大和最小等能量需求[16]如图2所示。

图2 2020年能源需求图

2.1 电力网络

表1 2020年机组参数

2.2 热力网络

供热管网分为DH和IH两类，年热量需求均为1 216.46 TWh/a[17]。

2.2.1 IH网络

参考模型的单独供热需求首先由煤炭和Ngas锅炉来满足。与IH相比，DH在经济和技术上更优，因为IH网络消耗更多的能量，而这些能量主要是由TPP产生的。

2.2.2 DH网络

确定性能源规划工具中的区域供热分为3 组：第1组热需求仅由锅炉满足；第2组为带有锅炉和小型热电厂的DH系统；第3组为包含大型抽汽热电厂的锅炉。其中第3组热电联产既可以单独发电(冷凝模式运行)，也可以发电和供热(背压模式运行)。可见第3组比第2组更具灵活性。此外，也有工业热电联产仅通过废物焚烧和工业产生区域供热。因此，笔者采用第2组锅炉和第3组热电联产机组来满足DH需求。单个产热单元的详细情况如图3和表2所示。

图3 产热单元容量

表2 DH各项参数

3 算例分析

笔者研究分为5 个情境，针对两种不同的模拟策略进行技术分析。多个场景的不同情况如表3所示。表3中的电气单元主要包括TPP、NPP、地热、水电、风电、光伏和CHP。

表3 场景分类

3.1 技术方案

在仿真方案1中，包括热电联产在内的所有产热部件的唯一特点是根据热需求发电。热电联产机组不需要根据RES的波动来运行。所采用的5 个场景目标函数均以此策略进行计算；在仿真方案2中，包括热电联产在内的所有生产部件均可供电和供热。此外，使用热泵可以减少电力过剩现象。因此，通过提高CHP生产装置的发电量，可以将冷凝装置的产量降至最低。

两个方案主要区别就是前者的产热单元采用常规的“以热定电”的运行模式，即联产机组不可响应RES的波动问题以及不确定性问题，后者则通过引入热泵使得热电的供给更为灵活，使得多单元有协同优化的可能。

3.2 场 景 1

该场景为基础参考模型，基于2020年综合能源规划所得的估计数据，计算目标函数(年成本、PES、CO2、CEEP、EEEP等)如图4所示。由图4可知临界和可输出的过剩电力均为零。

图4 基本模型性能展示

3.3 场 景 2

在场景2中提高RES占比如图5所示。由图5可知：年成本数量级均为十亿元人民币(GRMB)，燃料消耗量以TWh/a计，CO2排放以百万吨(Mt)计，RES，CEEP和EEEP均以TWh/a计；与仿真方案1的场景1相比，增加RES占比可将年度成本从1 062 GRMB减少到1 053 GRMB，燃料消耗从36 540 TWh/a减少到35 285 TWh/a，CO2排放从10 542 Mt减少到9 852 Mt。同样，仿真方案2通过将CEEP保持为零，与仿真方案1相比，也略微降低了目标成本。虽然两种目标函数仿真策略的结果差别不大，但仿真方案2对提高EEEP起着至关重要的作用。与仿真方案1相比，其过剩电量增加了2 TWh/a以上，且在其他方案中也将发挥类似的作用。

图5 两种仿真方案的性能对比

3.4 场 景 3

场景3中增加HP，后者的特点是其比化石燃料锅炉更高效、更环保。在此，将Ngas锅炉改为高压锅炉，以观察其对系统参数的影响。其中，用高压锅炉代替所有的燃煤锅炉可以降低燃料消耗和排放。HP的性能是通过输出热量与输入电量之比(Coefficient of performance，COP)确定的。与锅炉效率相比，更高的COP使HP效率更高，每千瓦时产生的排放更少。仿真结果如图6所示，HP的高初始成本与图6所示的场景2(从1 053 GRMB增加到1 054 GRMB)相比，还是增加了总成本。

图6 加入HP后两种仿真方案的性能对比

3.5 场 景 4

场景4中增加热储能。在区域供热系统中，随着锅炉和热电联产的TS集成提高了整个系统的潜在灵活性。当电力生产从火力发电厂转移到热电联产单元时，将对TS进行充电。TS的存在减少了CHP和锅炉消耗，从而比方案3节省更多成本(从1 054 GRMB减少到1 050 GRMB)，并减少了CO2的排放(从9 822 Mt减少到9 779 Mt)，如图7所示。

图7 加入TS后两种仿真方案的性能对比

3.6 场 景 5

场景5中增加需求响应，需求响应有助于解决集成RES带来的挑战，其在提高系统稳定性的同时降低了运行成本。笔者需求响应是以负荷转移的形式引入的，假设为总电力需求的10%。DR的实现需要智能仪表和先进的计量基础设施等仪器。因此，为了弥补其对系统参数的影响，这些设备的成本将计入EnergyPlan的“附加成本”部分。

与场景4相比，需求响应就像是一种额外的储能。其中，RES可将CO2排放量从9 779 Mt大幅减少至9 762 Mt，燃料消耗量从35 029 TWh/a减少至34 998 TWh/a。这不仅减少了对化石燃料来源的依赖，而且使该系统在经济上可行，增加需求响应后的仿真结果如图8所示，其中预测的年度成本与其他场景相比也有所降低(从1 050 GRMB减少到1 048 GRMB)。所有目标函数的减少都表明了DR在IES中作用。

图8 加入DR后两种仿真方案的性能对比

表4，5总结了所有场景的定量比较，体现出综合能源系统有助于使系统低碳、高效。从场景1到场景5，RES占比增加到32%，CO2排放量和燃料消耗量分别减少到7.4%和4.2%，清晰地体现了综合能源的作用。此外，利用储能和需求响应技术还能够降低运行成本。

表4 方案1多场景综合评估

表5 方案2多场景综合评估

综上可知：与场景1相比，场景2中的风能和太阳能渗透率分别增加了220，150 GW，从而将成本、燃料消耗和排放分别减少到9 GRMB，1 255 TWh/a，690 Mt。在场景3中，由于Ngas锅炉被更高效的热泵所取代，燃料消耗和CO2排放量减少。场景4中蓄热的引入分摊了热电联产压力，从而使所有目标函数均小于场景1～3。最后，需求响应的引入有助于最大程度集成RES，使得场景5目标函数达到最优。

此外，由表4，5可知：对于两种仿真方案而言，仿真方案2除基本场景外的各个场景总成本及燃料的消耗均小于仿真方案1，由此使其CO2的排放更少，场景2到场景5分别少了2.48，1.92，1.67，0.79 Mt。且由于仿真方案2较高的灵活性，其除基本场景外的各个场景下的CEEP值均为0，可见热泵的引入对减少电力过剩起到了实质性的作用，与此同时，仿真方案2除基本场景外的EEEP值也均小于仿真方案1。相比仿真方案1，仿真方案2具备更高的经济性和灵活性。

4 结 论

提出了综合能源系统的建模，提高了系统整体效率、可靠性和灵活性。利用能源系统分析工具EnergyPlan对我国2020年不同的IES建模场景进行了研究，通过对5 种不同场景下的2 种仿真方案进行技术分析，找到了SEH中电、区域供热和独立供热元件的最佳组合。未来研究可以扩展到更广泛的MEC模型，该模型还将包括SEH中的冷却和氢需求，这可能会在一定程度上增加系统的复杂性，但在降低运营成本和增强系统灵活性方面起着至关重要的作用。