基于批量标准化算法的园区综合能源调度方法

唐冬来，朱海萍，何鹏，刘玉民，陈瑞

(1.四川中电启明星信息技术有限公司, 四川 成都 610041; 2.重庆邮电大学 通信与信息工程学院, 重庆400065; 3.国网信息通信产业集团有限公司，北京 102211)

随着我国社会经济的快速发展，能源需求总量急剧增加，各能源运营商协同供给能力不足，能源供需矛盾日益凸显，严重影响了我国能源综合利用与低碳经济发展[1-3]。为解决能源综合利用的问题，我国于2016年正式启动了以智能电网为核心的“互联网+”智慧能源革命[4-5]，采用电力电子、信息、智能管控等新型技术，将水、电、气、热等各类分布式供应装置、储存装置与各种类型负载连接在一起，形成能源互联网，以实现各类能源的多向流动与能量交换[6-7]。

能源综合调度作为园区综合能源运行中经济和技术优化的重要组成部分[8]，旨在满足水、电、气、热等多种能源单元运行约束的前提下，通过优化分配多种能源的负载需求，并合理安排多能互补供应使得系统运行总成本最小[9]。然而，在能源综合调度中，热电联产机组、热泵、电热等耦合元件的能源损耗会随着水温、耦合元件运行状态等因素影响发生变化，在极端情况下可超过20%，影响了多种能源互补的综合利用的调优[10-11]。

国内外大量学者对园区综合能源调度开展了研究。文献[12]基于综合能源系统安全稳定运行，提出一种参与双重市场的区域综合能源系统日前优化调度方法。该方法综合考虑当天各时段的需求与供应量、负荷波动和资源备用等情况，以负荷波动引起的调度成本最优为目标，计算次日的综合能源调度运行方案。文献[13]针对电子、物流、医疗等不同类型工业园区差异化的供能需求，提出一种日前调度与实时调度相结合的园区综合能源调度策略，该方法以运营商利润和用户评价为目标，确定园区次日用能安排，并针对当日的用能偏差进行能量互保控制。文献[14]基于区域间能量交换，提出一种多区域综合能源系统协调经济调度模型，可实现独立区域内的能量平衡和不同区域间的能量互补。文献[15]考虑供给侧、负载侧双向不确定性，提出跨区能源调度方法，通过随机约束规划进行能源调度优化。文献[16]针对电热综合能源的传输损耗问题，提出以最优经济为目标的优化调度模型，实现电热能源之间的协调与优化调度。由此可见，园区综合能源调度方法多样且已取得一定的成果，但上述研究基于供应商市场、园区差异化、网络传输损耗等因素进行综合能源调度，缺少对水温、气温、耦合器件运行状态等影响因素与多能源耦合损耗变化影响的关联分析。要实现更经济的多时间尺度综合能源调度，需要考虑源荷双侧随机波动、多种能源之间耦合转换损耗变化和调度策略动态调优的问题。

针对当前研究中源荷双侧随机波动估计不足，未考虑多能源耦合损耗变化影响的问题，采用深度学习技术，提出了一种基于批量标准化算法的园区综合能源调度方法。该方法对历史调度策略执行时，水温、气温、耦合器件运行状态等影响因素与多能源耦合器件损耗变化关系样本进行深度学习，并将其作为综合能源调度修正因子参与园区能源最优调度策略计算，从而达到综合能源调度策略最优的目的。最后，通过算例和实际应用结果对所提技术方案进行验证。

1 园区综合能源调度架构

1.1 园区综合能源系统能量流框架

园区的综合能源系统[17]是指在园区多种能源运行的过程中，对水、电、气、热、冷等多种能源的产生、传输、转换(耦合)、消费等环节进行综合协调、优化控制后所形成的综合能源产销供一体化系统[18]。园区综合能源系统由社会化的能源供给网络[19]，园区内的能源分配网络、耦合元件、负荷元件和储能元件构成[20]，其园区综合能效利用效率反映了以上环节中各能源元件的传输损耗和耦合损耗水平[21]。园区内各能源元件的能量流如图1所示。

图1 园区多能源能量流Fig.1 Schematic diagram of multi-energy energy flow in the park

由图1可见，园区的综合能源系统分外部能源网络和内部能源网络两部分。外部能源网包括接入的配电网、燃气网、供热网、供冷网和供水网，向园区内部能源网络供给电、气、热、冷和水能。在内部能源网络中，综合能源系统有机协调并调配内、外部能源和储能设施，通过分配网络将能源提供给终端负荷；其中，在内部的能源生产方面，园区可利用太阳能、风力和其他可再生能源等资源，向园区内部负荷提供能量。此类能源属于园区投资的资源，不计入外部能源服务商供给范围，在综合能源系统调度时，可优先使用此类能源，以达到节约综合能源运营成本的目的。在能源传输方面，通过电、气、热、冷和水网，向终端负荷提供能源，由于在传输过程中存在损耗，在综合能源调度时，也会考虑其传输损耗成本[22]。在能源耦合方面，通过消耗某一种类型的能源，产生园区所需要的另外一种或几种能源，受耦合元件的类型和制作商等因素影响，耦合元件的转换效率不尽相同，在综合能源调度时，需重点考虑耦合转换损耗。在能源消费方面，则考虑终端设备的功耗、性能、外部环境和时间等进行能源有机调度。在能源存储方面，由于电能、热能、冷能的实时性高，在闲时利用蓄电池、储热、储冷装置等能源存储装置存储能源[23]，在能源使用高峰时段，释放存储能量，消除园区能源负荷尖峰时段对内、外部能源网络的影响。

1.2 园区综合能源调度模型架构

本文在构建园区综合能源调度框架时，考虑了园区的源、网、荷、储设备互动与调度决策算法的目标、损耗、约束与控制，以实现园区综合能源的最优控制，如图2所示。

图2 园区综合能源调度模型架构Fig.2 Comprehensive energy scheduling model of the park

由图2可见，园区综合能源的源方面由能源供应商提供的水、电、气、热，和光伏发电等能源生产设备构成[24-25]；网方面由起控制作用的断路器等设备构成；负荷方面由电负荷、热负荷、冷负荷、水负荷、气负荷等用能需求构成[26]；储能方面由蓄电池、冰蓄冷等能源存储设备构成。根据上述园区源、网、荷、储设备，园区综合能源调度模型在园区的耦合、传输损耗、约束条件等情况下，通过对耦合器件等设备进行有序控制，实现多能源互补的最佳能量流供给，降低园区综合能源运行成本，提高能效利用水平。

2 园区综合能源调度模型

基于批量标准化的园区综合能源调度方法是综合考虑了多能源耦合损耗因素的智能优化算法，可用于多时间尺度下的园区综合能源调度策略求解，可增强新能源的消纳能力，大幅提高综合能效，降低园区的用能成本。本文以园区冷热电联供系统为例，进行综合能源调度模型介绍。

2.1 多能量流监测

园区多能量流监测是为园区综合能源调度模型决策的基础数据来源，提供园区源、网、荷、储设备的运行信息与设备控制的约束条件。

2.1.1 多能源监测

在园区多能源监测中，采用智能终端，通过电力载波、微功率无线、光纤等方式实现对分布式的园区源、网、荷、储设备信息进行数据特征感知，为后续多能源调度决策控制提供基础数据支撑。

2.1.2 多能源故障保护

针对综合能源故障发生概率，采用故障损失分析来评估多能源的联合动作保护方案，以实现综合能源系统中故障损失Lj最小。

设园区的能源元件数量为ms，耦合元件数量为ns，元件J有正常Js和异常Jb这2种状态，Jk为元件J的故障概率，故障发生的经济损失为Lc，多能源故障保护后，最小故障损失

(1)

2.1.3 多能源损耗计算

在园区的综合能源系统运行中，涉及到能源生产、传输、耦合转换中的损耗。设输入的能源为Ωm，能源生产损耗为Rea，传输损耗为Reb，耦合转换损耗为Rec，则输出能源

Ωn=Ωm-Rea-Reb-Rec.

(2)

2.1.3.1 综合能源转换损耗评估

综合能源转换损耗评估采用能源损耗率来评估，设Res为园区内的电、热、冷能源输出总量，t为综合能源耦合转换的时段总数，各参数符号用下标i表示不同转换时段的参数，综合耦合损耗率

(3)

2.1.3.2 综合能效评估

结合园区综合能源的利用方式，园区综合能效评估采用综合能源利用效率评估，包括：园区多种能源在耦合转换过程中的损耗与能源在释放能量过程中的损耗。设多种能源在生产、传输和耦合转换过程中，有ml种设备，输出和输入的比值为λlz，存储能源在释放过程中，有nl种设备，输出与输入的比值为λls；园区能源输入总量为Cin，储能释放的能量为Cina，设能源输入设备序号为p，储能释放设备序号为o，综合能源利用效率

(4)

2.1.3.3 多能流综合计算

本文采用最小二乘法[27]进行综合能源状态估计，设∂为多能源的量测值，测量的维度为ma，量测函数集合

U(xa)={U1(xa),U2(xa),…,Uma(xa)}.

(5)

设量测时段总数为ta，各参数符号用下标ρ表示不同量测时段的参数，多能源估计状态F(x)为

(6)

2.1.3.4 多能源调度风险评估

在园区综合能源调度的过程中，需评估开关正常情况下的负荷损失、设备重过载问题，以及开关失效下的关联故障问题。

设当前调度中，园区内有n个可供调控的开关，开关发生故障的概率为γ，故障修复率为，故障概率修正因子为σ，取值范围根据某地区园区综合能源的参考值确定，见表1，则多能源调度风险

(7)

2.2 多能源调度决策控制模型

2.2.1 目标函数

在传统园区综合能源调度过程中，调度决策控制模型对压缩机、三联供等多能耦合元件进行能量转换控制，以实现综合能源利用最优的目的。但传统调度中对环境因素造成的多能耦合器件、线路及管道造成的损耗分析不足[28]，导致能量流控制缺少损耗参数分析。因此，亟需采用机器学习技术对历史的园区综合能源运行数据进行分析，掌握不同环境因素下多能耦合器件、线路及管道传输的损耗参数，并将该损耗参数作为园区综合能源调度的影响因素，从而提高原因综合能源调度经济性。

表1 故障概率修正因子Tab.1 Fault probability correction factors

批量标准化算法又称批量归一化[29]，在传统深度神经网络训练时，批量标准化算法对中间层输入进行标准化处理，以解决传统神经网络在模型更新中存在的差异问题，进而实现更精准的损耗参数设置。在园区综合能源调度中，本文模型结合损耗参数修正因子，实现更精准的调度策略优化，在园区耦合器件利用率高的场景有较好的适用性。

设输入历史的调度策略执行时，水温、气温、耦合器件运行状态等影响因素与多能源耦合器件损耗变化关系为β，设历史控制次数为mt，执行历史的控制策略时，影响因素与多能源耦合器件损耗变化关系序列β={β1，β2，…，βmt}，深度学习的全局统计均值

(8)

全局统计方差

(9)

基于批量标准化算法的卷积神经网络，生成园区各类能源耦合器件的修正因子

(10)

设园区的综合能源使用时段总数为tz，园区内部新能源消纳成本为Cnp，园区的外部能源消纳成本为Cp，多能源耦合损耗成本为Clc，多能源传输损耗为Cle，园区的储能运行成本为Cs，园区综合能源系统中总体的运行成本为Ct，可调整的能量流为Δf，基于批量标准化算法的园区综合能源调度模型的目标函数具体可以描述为

CleiΔfi+CsiΔfi)Δhi.

(11)

园区内部新能源消纳成本Cnp由光伏发电消纳成本Cnpa、生物能发电成本Cnpb和风力发电成本Cnpc构成，运行时段总数为tx。具体表示如下：

Cnp=Cnpa+Cnpb+Cnpc=

(12)

园区外部能源消纳成本Cp由向电网公司的购电成本Cpa、向燃气公司的购气成本Cpb、向供热公司的购热成本Cpc、向供冷公司的制冷成本Cpd和向水务公司的购水成本Cpe构成，运行时段总数为tc，具体表示如下：

Cp=Cpa+Cpb+Cpc+Cpd+Cpe=

(13)

多能源耦合损耗成本Clc由电转换热损耗成本Clca、电转换冷损耗成本Clcb、燃气转换电损耗成本Clcc、燃气转换热损耗成本Clcd和燃气转换冷损耗成本Clce构成，运行时段总数为td，具体表示如下：

Clc=Clca+Clcb+Clcc+Clcd+Clce=

(14)

多能源的传输损耗Cle由电能传输损耗Clea、气能传输损耗Cleb、热能传输损耗Clec、冷能传输损耗Cled、水能传输损耗Clee构成，运行时段总数为te，具体表示如下：

Cle=Clea+Cleb+Clec+Cled+Clee=

(15)

园区的储能运行成本Cs由蓄电池运行成本Csa、储热装置运行成本Csc和储冷装置运行成本Csd构成，运行时段总数为ty，具体表示如下：

(16)

2.2.2 约束条件

首先，多能源调度决策控制场景必须满足电、气、热、冷等多能源功率平衡的约束，设园区内部新能源生产的能量流为Pnp，用Pnpa、Pnpb、Pnpc分别代表光伏发电、其他可再生能源发电和风力发电的能量流；设向外部能源公司购入的能量流为Pp，用Ppa、Ppb、Ppc、Ppd、Ppe分别代表外部的电网公司、燃气公司、供热公司、供冷公司和水务公司的能量流；设多能源耦合损耗能量流为Plc，用Plca、Plcb、Plcc、Plcd、Plce分别代表电转换热、电转换冷、燃气转换电、燃气转换热和燃气转换冷损耗的能量流，损耗率分别为mlca、mlcb、mlcc、mlcd、mlce；多能源传输损耗能量为Ple，用Plea、Pleb、Plec、Pled、Plee分别代表电能、气能、热能、冷能和水能传输损耗的能量流；设储能的能量流为Ps，用Psa、Psc、Psd分别代表蓄电池、储热装置、储冷装置的能量流；τ为耦合元件老化安全阈值。园区能量消费负载Pm满足约束条件

Pm=Pnp+Pp+Ps-Plc-Ple-τ.

(17)

园区消费负载电能Pa、气能Pb、热能Pc、冷能Pd和水能Pe分别满足以下约束条件：

Pa=Pnpa+Pnpb+Pnpc+Ppa+Psa+

(Plcc/mlcc-Plcc)-Plca/mlca-

Plcb/mlcb-Plea-τ.

(18)

Pb=Ppb-Plcc/mlcc-Plcd/mlcd-

Plce/mlce-Pleb-τ.

(19)

Pc=Ppc+(Plca/mlca-Plca)+

(Plcd/mlcd-Plcd)+Psc-Plec-τ.

(20)

Pd=Ppd+(Plcb/mlcb-Plcb)+

(Plce/mlce-Plce)+Psd-Pled-τ.

(21)

Pe=Ppe-Plee-τ.

(22)

其次，满足园区新能源机组发电功率的上下限，设Pnpa,max、Pnpa,min分别为光伏发电功率的上下限，Pnpb,max、Pnpb,min分别为其他可再生能源发电功率的上下限，Pnpc,max、Pnpc,min分别为风力发电功率的上下限，ΔPna、ΔPnb、ΔPnc分别为光伏发电、其他可再生能源发电、风力发电的可调整负荷，运行约束分别为：

Pnpa,min≤Pnpa+ΔPna≤Pnpa,max.

(23)

Pnpb,min≤Pnpb+ΔPnb≤Pnpb,max.

(24)

Pnpc,min≤Pnpc+ΔPnc≤Pnpc,max.

(25)

再次，满足园区储能设备容量的上下限，设Psa,max、Psa,min分别为蓄电池容量的上下限，Psc,max、Psc,min分别为储热装置容量的上下限，Psd,max、Psd,min分别为储冷装置容量的上下限，ΔPsa、ΔPsc、ΔPsd分别为蓄电池、储热装置、储冷装置的可调整存储容量，运行约束分别为：

Psa,min≤Psa+ΔPsa≤Psa,max.

(26)

Psc,min≤Psc+ΔPsc≤Psc,max.

(27)

Psd,min≤Psd+ΔPsd≤Psd,max.

(28)

第四，满足园区冷热电三联供燃气机组的转换功率上下限，Plccc,max、Plccc,min分别为燃气转换电的功率上下限,Plcdd,max、Plcdd,min分别为燃气转换热的功率上下限,Plcce,max、Plcce,min分别为燃气转换冷的功率上下限,ΔPlccc、ΔPlcdd、ΔPlcee分别冷热电三联供燃气机组的燃气转换电、燃气转换热、燃气转换冷调整容量，运行约束分别为：

Plccc,min≤(Plcc/mlcc-Plcc)+ΔPlccc≤Plccc,max.

(29)

Plcdd,min≤(Plcd/mlcd-Plcd)+ΔPlcdd≤Plcdd,max.

(30)

Plcee,min≤(Plce/mlce-Plce)+ΔPlcee≤Plcee,max.

(31)

最后，对于电网公司、燃气公司、供热公司、供冷公司和水务公司提供的能量流Ppa、Ppb、Ppc、Ppd、Ppe，输送上限分别为Ppa,max、Ppb,max、Ppc,max、Ppd,max、Ppe,max，则约束条件分别为：

(32)

3 综合能源调度推演仿真流程

综上所述，基于批量标准化算法的园区综合能源调度方法可概括如下，流程如图3所示。

具体流程描述如下：

步骤1，针对园区多能源设备的量测数据进行分析，判断多能源设备是否有能量流越限、失效等情况，当设备出现异常故障时，跳转至综合能源调度控制模块，进行故障保护控制，减少故障设备对园区综合能源运行的影响。

步骤2，对园区的电转换热、电转换冷、燃气转换电、燃气转换热和燃气转换冷5类耦合损耗进行分析，为园区综合能源调控提供影响因素分析数据。

步骤3，根据园区的综合能源系统中电、气、热、冷和水的子系统时间尺度不同的特点，在考虑园区内能量流耦合损耗的情况下，采用最小二乘法进行综合能源状态估计，为园区综合能源调控提供基础分析数据。

步骤4，综合考虑多能源调度开关切换的正常和失效2种状态，结合多能源的运行风险，计算出多能源总体调度风险，为园区综合能源调控提供支撑。

图3 基于多能源损耗动态博弈的园区综合能源调度流程Fig.3 Flow chart of comprehensive energy scheduling in the park based on multi-energy loss dynamic game

步骤5，通过对园区内外部多能量流、能源耦合损耗、传输损耗、储能、负载等因素进行动态博弈，在结合综合能源调度修正因子，考虑调度风险情况，对综合最优能效调度方案进行求解，获得多能源互补的最佳能量流供给，降低园区综合能源运行成本。

4 算例分析

采用本文所提方法对四川省某综合能源示范区进行基于批量标准化算法的综合能源调度分析，分析数据日期为2019年12月5日。涉及系统包括配电系统和燃气系统，因四川省2019年冬季温度较高，所以未使用独立的供热系统，仅使用电制热和气制热系统。其中园区内部的能源包括配电系统的光伏发电等可再生能源发电，能源储存装置包括蓄电池组、储热装置。

4.1 能源消耗成本分析

能源消耗成本是衡量园区综合能源调度模型的经济性关键指标，为验证文中所提方法降低能源消耗成本的有效性，对比所提方法与区间线性规划调度算法当日最优的经济运行成本，对比结果见表2。

表2 能源消耗成本Tab.2 Energy consumption costs

由表2可见，本文所提方法较区间线性规划调度算法所得的能源消耗成本低5.93%。

4.2 批量标准化算法学习时间对调度影响

为验证样本数据时间与园区综合能源调控能源消耗成本的影响，选择2019年1—12月数据，对比文中所提方法与区间线性规划调度算法的成本降低比例，对比结果见表3。

表3 深度学习时间与节约成本影响Tab.3 Deep learning time and cost saving impact

由表3可见，在不同样本数量下，本文所提方法在能源消耗成本降低比例方面均优于区间线性规划调度算法。

4.3 外购电能对比

通过本文所提方法可先控制新能源发电机组出力，提高新能源发电消纳比例，减少外购电能。为验证该方法在减少外购电能方面的有效性，选择2019年12月5日的数据，对比所提方法与区间线性规划调度算法的外购电能金额，对比结果如图4所示。

图4 外购电能对比Fig.4 Comparisons of purchased electric energy

由图4可见，在总电能消耗相当的情况下，本文所提方法与区间线性规划调度算法相比，提高了新能源的消纳比例，降低了外购电力成本。

4.4 燃气消耗对比

为验证本文所提方法在降低燃气消耗方面的有效性，选择2019年12月5日数据进行对比，对比结果如图5所示。

图5 燃气消耗对比Fig.5 Comparisons of gas consumption

由图5可见，文中所提方法计算得到的园区燃气消耗比采用区间线性规划调度算法的结果低。

4.5 小结

综上分析，在园区总体能耗使用相当的情况下，采用文中所提方法可有效协调园区内外部的可控资源，实现多能源互补的最佳能量流供给，降低园区综合能源运行成本，其总体用能成本较区间线性规划调度算法用能成本更低。

5 结束语

为研究深度学习对综合能源调度经济性的影响，本文提出基于批量标准化算法的园区综合能源调度方法，涉及了基于批量标准算法的园区综合能源调度模型，综合考虑园区内外部多能量流、能源耦合损耗、传输损耗、储能等因素，在结合综合能源调度修正因子的情况下，以求解最优的园区能效利用方式，实现了光伏等可再生能源等新能源的最大化消纳和多能源互补的最佳能量流供给。该算法不仅能够有效减少园区综合能源调度的计算量，并能快速收敛，还针对综合能源调控风险提供应急预案，以实现对多能源综合供给安全问题的预警和调度方案的调整。四川某工业园区的实际应用结果表明，所提算法能够有效降低园区综合能源使用成本，实现系统综合调度经济性最优的目标。

本文所述的园区综合能源调度方法，未考虑园区各类能源负荷预测的问题，还需要结合深度学习技术，对园区各类能源负荷预测情况下的调度方法开展进一步研究。