基于卷积神经网络的分布式多能源系统能效计算方法研究

钟建英，张一茗，张友鹏，李泽坤，雷炳银

（1.平高集团有限公司，河南平顶山 467001；2.华北电力大学，北京 102206）

随着热电联产（Combined Heat and Power，CHP）、电热泵（Electric Heat Pumps，EHP）等分布式技术的发展，电、气、热/冷网络之间的相互作用日趋复杂[1]。近年来，多能源系统(Multi-Energy Systems，MES)的集成越来越受到重视，尤其是随着间歇式可再生能源（例如光伏、风力发电等）的快速普及[2]。与原有的能源系统相比，电、燃料、热和冷却相互作用的MES 不仅可以利用能源替代的灵活性容纳更多的可再生能源或多种类型的储能系统，还可以提高一次能源（包括可再生能源）的转换效率和利用率[3-4]。

目前，已有众多专家学者针对MES 的能效以及如何削弱分布式能源对系统的影响展开研究。文献[5]针对可再生能源利用及不同能源质量的有效衡量等问题，设计了一种能源质量系数，用于综合能源效率的评价。文献[6]提出了一种燃气-电力综合配电系统的协调运行策略，基于CCHP 系统的非线性多能量耦合外部特性模型，通过多CCHP 的协调运行，可再生能源的功率波动被传递到燃气分配网络及制冷或供热系统。文献[7]提出了一种基于凸优化的分布式算法，以解决耦合能量分配系统中的多周期最优燃气-发电效率问题。在气体分配系统侧，通过迭代二阶锥规划（Second-Order Cone Programming，SOCP）程序求解最优气体流量（OGF）问题，该程序的效率较传统的非线性方法有显著提升。

但目前已有的方法存在对潜在MES 配置参数依赖过大，且能效较低等问题。为此，设计了一种基于卷积神经网络（Convolution Neural Network，CNN）的分布式多能源系统能效计算方法。将MES 分成不同的供能子系统与能源转化装置，并设计相应的优化目标和约束条件。利用CNN 求解模型最优解，以得到分布式MES 最大能效的计算方式。

1 分布式多能源系统的能效

电力、燃气及可再生能源等多个种类的能源，通过分布式MES 转化为用户可直接消费的冷量、热量和电力。虽然能量的转换技术及设备多种多样，但现有的基本能量转换路径，即分布式MES 的能量流图如图1 所示。

图1 中，系统内的可再生能源，例如风能、光能等，均是系统内部能够使用的能量，因此，不属于外部输入的能量。但是使用可再生能源时，能够切实将能量供给系统负载，所以将其计入系统能源供给侧[8-9]。即MES 的能效ηMES为：

图1 分布式MES的能量流图

式中，Pe、Pg、Ph分别表示从外部系统输入的电能、天然气、热能；Se、Sh、Sc依次为储存电能、热能、冷能设备的真实储存能量；De、Dh、Dc依次为储存电能、热能、冷能设备的真实输出能量；λE、λG、λH依次为电能、气能、热能的核算因子；λe、λh、λc依次为电负载、热负载、冷负载的核算因子；We、Wh、Wc表示电、热、冷的供应量，Eeh、Eec依次为由电能制成热能、热量时损失的电能；Ehp,m为能量m在传动中的耗能；Hhc为由热能制成冷能时的热能损失；γe、γh、γc依次为储存电能、储存热能、储存冷能设备的状态，其中储存能量是1，释放能量是0；ηse、ηsh、ηsc依次为储存电能、储存热能、储存冷能设备的储能效率。

其中，供电子系统中的电量输出We为：

式中，ηt为变压器的工效；ηl为区域内输电线路的效率；ECHP为CHP 的输出电能；Re为区域内可再生能源的输出能量。

供电子系统中热能与冷能的输出Wh、Wc为：

式中，Hgh、Heh依次为天然气与电能经过电、燃气锅炉后输出的热量；HCHP为CHP 输出的热量；Cec、Chc依次为电能与热能经过有关能量转化装置转化成的冷能；Rh、Rc依次为可再生能源产生的热能、冷能；ah、ac依次为热、冷传输管道的能耗量。

2 分布式MES能效计算方法

2.1 优化目标与约束条件

对于MES，能源利用率越大，能源效益越优[10-11]。因此，目标函数为：

式中，T为总运营周期；PPV(t)、PW(t)分别为光伏和风电的发电量。

而能量供需平衡约束计算如下：

式中，γ为系统的自身用电损耗率。

因为风能、电能及光伏输出存在不稳定性，为了确保其并网后稳定输出，不影响系统运行，设定的出力约束为[12-13]：

2.2 卷积神经网络

CNN 结构 如图2 所示[14-15]。

图2 CNN结构

由于在分布式MES 领域中，其模型包括大量结构高度复杂的网络，易增加过度拟合的风险，因此，所提方法采用规模相对较小的一种CNN[16]。其中，卷积层使用一个可学习的卷积核对输入数据或上一层的输出进行卷积运算，从而获得一个特征数据。一个卷积核能够通过卷积运算得到多个特征数据，则第l卷积层j个特征数据表示为：

式中，Mj为特征数据集，为卷积核，为偏置量，⊗为卷积运算，f(x)为激活函数。系统采用线性整流激活函数；池化层采用最大池化方法；全连接层通过综合经卷积和池化后得到的数据，以此得到最优解。

3 实验结果与分析

以某住宅区为例进行实验论证，在这一区域中存在冷负载、热负载和电负载等，选取夏季较为有代表性的时间段进行能效计算。其日负荷需求曲线如图3 所示。

图3 夏季日负荷曲线

3.1 储能配置方案对能效的影响

储能作为能源供应系统中的关键设备，能够实现削峰填谷，但在储能和释放能量的环节中会存在能耗。因此储能合理的配置可以降低系统运行的成本，从而提高能效。MES 中不同储能配置方案下的能效对比如表1 所示。

表1 不同储能配置方案的能效对比

3.2 可再生能源的接入对能效的影响

对比可再生能源加入前后的系统能效，可以直接观察到可再生能源接入到系统后对其产生的干扰，其中，系统的可再生能源为光伏机组与地热。而且，系统接入可再生能源后，将传统冷机组与地热的总和作为系统的综合冷机组。实时能效与可再生能源出力占比的对应关系如图4 所示。

图4 可再生能源出力占比与实时能效

3.3 与其他方法的对比分析

为了展现所提方法相较于其他能效计算方法的优势，对比该方法与文献[5]、文献[6]、文献[9]3 种方法能效评估准确率结果，如图5 所示。

图5 不同方法的能效对比

从图5 可以看出，相比于其他方法，文中方法的准确率最高，在不同时刻该方法表现均优于其他方法。由于其采用CNN 求解问题的最优解，因此能够最大化利用系统内的可再生能源、协调储能设备的使用，减少外部资源的消耗。

4 结束语

文中提出了一种基于卷积神经网络的分布式多能源系统能效计算方法。在考虑多能间的互补以及可再生能源利用的基础上，构建了含储能装置的MES 能效的评估模型。并以最大能效为优化目标，利用CNN 对其进行求解，以获得MES 能效最大的运行方式，且进行能效计算。最终，通过某一住宅区的实例进行分析。结果表明，MES 合理利用可再生能源能够对能效产生积极的影响；且与其他方法相比，所提方法的能效最为理想，由此论证了该方法的有效性和实用性。