基于“端-边-云”架构的园区综合能源系统协调优化调度

李 昊，张 静，刘 畅，李 文

（中国电力科学研究院有限公司，北京 100192）

随着能源和环境问题的日益凸显，综合能源系统成为社会关注的重点[1]。根据统计，国内已经投运或者规划中的低碳园区、生态园区、工业园区、经济开发区等超过2000 个，成为综合能源系统应用的主战场。这些园区内部往往包含多个供能子系统；大多未考虑园区各供能子系统间的关联与耦合，这导致园区系统的能效利用率普遍偏低。将园区的多个供能子系统进行耦合互联，通过智能测量、网络通信、数据处理、智能决策等技术手段实现园区的协同优化调度，以提高园区整体运行的经济性，成为当前亟需解决的重要问题[2-3]。

目前，国内外学者已经开展了多供能子系统协同优化方面的相关研究工作。文献[5]针对环形直流微电网群拓扑结构复杂、控制难度大，文中考虑直流微电网的互联和能量的互补，提出一种以最小网损为目标，具有自适应分配系数的优化策略。文献[6]针对孤岛微电网群能量管理问题，建立了孤岛微电网分层能量管理架构，并构建了相应的微电网层多目标优化能量管理策略和集群层能量分配策略。文献[7]从微电网集群系统运行经济性和可靠性出发，提出了微电网集群的双层优化运行策略，以提高微电网集群的经济效益，降低微电网的运行风险。文献[8]为解决可再生能源预测的不确定性，提出一种基于管模型预测控制的离网微电网群能源管理框架，提高了系统的鲁棒性与经济性。文献[9]提出了一个两级优化模型，用于分布式系统和集群式可再生能源与储能系统间的协调能量管理，采用交互式博弈矩阵来协调多个MGs 之间以及配电网和MGs之间的电力交换。文献[10]建立日前日内两个阶段模型，日前考虑多微网运行经济性，日内构建发电微网和用户微网间的主从博弈模型，以协调微网间的电能交互。文献[11]考虑微网间的电能交互，以最大限度地消纳可再生能源出力，提出了一种先配网后微网的两部动态分层优化调度策略。文献[12]为提高多微网组成的智能配电系统对突发灾害事件的恢复能力，提出了一种分级停电管理方案。文献[13]研究了多微网系统的弹性和能量管理问题，以四个子微网组成的复杂微网为例，在正常运行和故障运行情况下所有子微网均可提高弹性，最小化成本。

上述有关多微网协同优化调度均为集中式优化调度，这给上层计算带来巨大压力；分布式优化方法可有效解决这一问题，为此文献[14]针对微电网群运行的经济性，提出一种计及可转移负荷的微电网优化调度模型。文献[15]为了充分利用多个微电网中的资源，实现整个系统的可靠高效运行，提出了一种三相/单相混合结构的多微电网多时间尺度区域自治控制策略。文献[16]分析了微电网群区域自治能力，并利用鲁棒机会约束将其引入到调度计划中，提出了一种考虑区域自治能力的主动配电网优化调度模型。文献[17]提出了一种微电网群双层优化方法，在上层考虑微电网群的经济性并基于交替乘子法协调各微网间的电能交互，下层协调微电网内各可控源出力，但并未考虑微网与主网之间的能量交互，同时各微网内的设备类型考虑过于单一。

针对上述文献存在的问题，本工作提出一种基于“端-边-云”架构的园区综合能源系统协调优化调度。其中，“云”指上层优化调度中心，“端”指各供能子系统内的区域控制器，“边”连接相邻供能子系统与云端，可实现各供能子系统间的信息传递，供能子系统可与上层电、热、气网进行能量交互，供能子系统间考虑电、热、气综合能源的能量交互，以最大限度提升园区综合能源系统的经济性。

1 “端-边-云”架构

为提高园区系统的运行经济性，本工作考虑园区内相邻供能子系统的互济互补，其典型结构如图1所示。各供能子系统由产能设备、储能设备以及用能负荷组成，其中产能设备主要包括CCHP机组、P2G机组、CCS机组、电锅炉、电制冷机组，储能设备包括热储能、电储能，用能负荷包括可控负荷以及电、热、气等固定负荷，相邻子系统间可通过联络线进行电、气、热等能量的交互。

图1 园区综合能源系统结构图Fig.1 Structure diagram of comprehensive energy system in the park

针对上述园区综合能源系统，本工作提出一种基于“端-边-云”架构的协调优化调度框架，以缓解集中优化带来计算压力，同时保证园区系统运行效益最优。所述“端-边-云”系统架构由云中心、边缘侧以及智能终端三部分组成。其中云中心包括云计算中心和数据交换中心，负责采集各边缘侧的数据信息，生成园区综合能源协同增效优化调度指令，并基于无线通讯技术将指令传输至边缘侧；边缘侧包括边缘计算模块和信息传输模块，各边缘计算模块负责将云中心下达的调度指令及目标进行分解，生成各供子系统的调控目标，并求解优化调控指令，同时将各子系统的调控指令进行传输至智能终端；智能终端包括信息采集单元、信息传输单元和能源设备控制单元，负责采集传输数据以及控制各能源设备。所建立“端-边-云”系统架构见图2。

图2 “端-边-云”系统架构图Fig.2 "End edge cloud"system architecture

2 客户侧园区优化调度模型

2.1 运行成本目标函数

2.2 CCS与P2G耦合模型

本工作利用CCS 机组捕获CCHP 机组中微型燃气轮机发电过程中所产生的CO2，并将捕集到的供应给P2G 机组，P2G 通过电解水生成氢气，氢气与O2反应可生成甲烷，并最终合成天然气，所产生的天然气可提供给微型燃气轮机发电，以减少CO2的排放量,基于文献[18-19]可将上述CCS 和P2G耦合过程描述如下

2.3 CCHP模型

CCHP机组以天然气作为主要燃料，遵循能量梯级利用的原则，可输出冷、热、电能，具有较高的综合用能效率，其工作过程如图3所示。

图3 CCHP机组工作过程Fig.3 Working process of CCHP unit

其冷热电耦合过程可描述如下

其中，式(15)～(18)为微型燃气轮机工作描述，PMT(t)为微型燃气轮机发电功率；Fgas(t)为所消耗的天然气量；LHVNG为天然气热值；ηMT为微型燃气轮机发电效率。在微型燃气轮机发电同时伴有热量产生，HMT(t)为其产热，ηL为散热损失率。式(17)为余热回收系统工作描述，HMTH(t)为回收到的余热；ηHE为余热回收效率。式(18)对吸收式制冷机组工作状态进行描述，CMT(t)为其吸收式制冷量；COPAC为吸收式制冷机的能效比。

2.4 电热锅炉机组模型

为满足园区内的供暖需求，考虑在园区内设置相应的电热锅炉机组，其具有高能效的特点，其工作过程可见式(19)～(21)

2.5 电制冷机组

电制冷系统通过消耗电能进行制冷，其输出制冷功率为

式中，PEC(t)为其所消耗的电功率；COPEC为其能效比；CEC(t)为其电制冷量。

2.6 电储能系统约束

电储能系统具有响应快速的特点，在保证供电可靠性的同时，可通过合理安排充放电时间使得运行目标最优，其模型如下

2.7 热储能系统约束

热储能设备同样具有响应快速的特点，可响应供热电价的变化，以实现运行经济性最优，其模型每部分具体表达式如式(27)～(30)

2.8 约束条件

3 园区系统优化问题分解

考虑到园区系统能源设备的复杂性，直接进行求解会给上层调度中心带来巨大的计算压力，为此本工作决定依据第2节所述“端-边-云”概念将上层园区综合能源系统的优化问题分解为各供能子系统内的优化问题并由边缘控制器进行分布式协调计算。为使分解后的问题与原问题等价，相邻供能子系统求解得到的耦合支路变量必须相等[13]。分布式控制模型见式(46)

式中，fi(xi)表示供能子系统i的目标函数子问题；hi(xi)表示系统i的等式约束；gi(xi)表示系统i的不等式约束；Xi表示系统i与相邻供能子系统间的耦合变量；j、k为与i相邻的供能子系统，供能子系统i的耦合变量集合为Xi={Pij,Qij,Hij,Pik,Qik,Hik}；Pij、Pik为耦合电功率；Qij、Qik为耦合支路天然气量；Hij、Hik为耦合支路热功率。

3.1 同步型ADMM分布式求解

各供能子系统的约束条件可参见式(2)～(45)，各供能子系统的优化问题确定后，各供能子系统内控制器按如下流程进行分布式求解，其具体步骤如下。

（3）更新各自供能子系统内的对偶变量，如式(52)～(53)所示

（4）对算法收敛的判断，当边界残差区域零或迭代次数达到设定值，算法结束。边界残差为相邻区域求得耦合支路状态之差的二范数的平方，如式(54)所示，当满足条件时，跳出迭代。

4 算例分析

以某单一台区下的园区综合能源系统为例，该园区可分为6个供能子系统，因各子系统间传输距离较短故忽略其线路损耗的影响，各供能子系统的耦合关系见图1。园区为响应“碳达峰，碳中和”的要求在MG1、MG2、MG5 三个供能子系统内设置相应的碳捕集装置以减少二氧化碳的排放，同时可提供天然气的供应，各供能子系统内具体设备信息可参见表1。本文基于所提端边云优化架构应用ADMM算法对能源耦合园区进行分布式求解。

表1 供能子系统资源配置Table 1 Resource allocation of energy subsystem

园区各设备模型建立可参见第2节，并基于场景分析法生成各用能子系统日前场景集，其中，图4为各能源子系统内可再生能源出力曲线，图5～7为园区内电、热、气负荷曲线，算例假设各用能子系统与上级电、热、气网交互价格相同，参见表2。

表2 电、热、气价格Table 2 Electricity,heat and gas prices

图4 光伏、风机出力预测值Fig.4 Output prediction of PV and fan

图5 各供能子系统电负荷预测值Fig.5 Electric load prediction value of each energy supply subsystem

图6 各供能子系统内热负荷预测值Fig.6 Predicted value of heat load in each energy supply subsystem

图7 各供能子系统内气负荷预测值Fig.7 Predicted value of gas load in each energy supply subsystem

在分布式优化求解中，基于式(42)～(52)所介绍的同步型ADMM 进行分布式求解，其求解周期为24 h，相邻时间间隔为1 h，各供能子系统相邻耦合联络线交互电功率最大为300 kW；交互热功率上限为100 kW；天然气量上限为100 m³算法中惩罚因子ρ取0.05，最大迭代次数为50 次，收敛参数δ取10-3，其迭代残差敛情况，以及相邻供能子系统间能量交互情况如图8所示。

由图8不难看出各个供能子系统间的误差均为收敛过程，在达到迭代上限50 次时，各供能子系统间的相对误差无限接近于零，从而验证了上层问题分解的有效性，对比集中优化与本文所采用的分布式算法所求得的交互成本见表3，采用分布式算法与集中式算法所求得结果基本相同，通过图8残差收敛过程与表3可得耦合区域变量无限接近，即通过对上层问题的分解可缓解上层集中控制器的计算压力。

表3 集中优化与分布式优化成本对比Table 3 Cost comparison between centralized optimization and distributed optimization

图8 ADMM残差收敛过程Fig.8 Convergence process of ADMM residuals

求得的各供能子系统的耦合变量结果可见图9～11，在考虑各用能系统间能量交互问题上，由于MG2 子系统内不设风电机组，故系统内负荷大于发电量，当相邻子系统可再生能源量大于负荷时，此时若电网电价较高时会向电网售电，相邻供能子系统交互功率增多，当电网电价较低时，相邻系统交互功率减少，如图9 中19:00—22:00 电价较高，系统MG3的电能将输送至MG2，系统MG6因未设置碳捕获等环保性机组，由于微型燃气轮机出力会产生CO2，若关联CCS 和P2G 机组会产生额外费用，故MG6 微燃机工作在最大出力情况，由于MG1 在19:00—22:00 处于负荷峰值时刻，故由MG6 向MG1 输送电能；在考虑热交互上，由于MG2、MG4、MG6 并未设置电热锅炉高效产热设备，故其均接受由相邻系统传输热能，在天然气的交互方面明显要比热网要剧烈得多，由于微型燃气轮机的发电效率较高，各个微网为减少从气网进行购气，同时保证微型燃气轮机工作在最大工况，故相邻子系统交互天然气量存在明显变化。

图9 相邻供能子系统电功率交换Fig.9 Electric power exchange between adjacent energy supply subsystems

图10 相邻供能子系统热功率交换Fig.10 Thermal power exchange between adjacent energy supply subsystems

图11 相邻供能子系统天然气量交换Fig.11 Natural gas exchange between adjacent energy supply subsystems

对比相邻供能子系统间存在能量交互与不存在交互的问题上，当供能子系统间存在电、气、热等能源交互时，可发现MG1和MG3供能子系统运行成本反而升高，这是因为所分解问题考虑全局最优而不是各能源子系统内部局部最优解，对比总运行成本可知，总运行成本较不参与交互减少约7.2%，故考虑供能子系统间的多元能量交互可以大大降低运行成本，为更加直观地分析此优化结果，以MG1供能子系统为例，对其中的耦合设备以及相邻子系统间的交互进行分析。

表4 供能子系统运行成本Table 4 Operation cost of energy subsystem

图12 为MG1 系统内用电设备出力情况，图中电网交互功率与储能电池充放电功率随着电价的变化而变化，当电价较高时，从电网购电减少，储能系统进行放电，如图中13:00—16:00、20:00—22:00 时段处于负荷与电价峰值时刻，从电网购电明显低于相邻时刻购电量；当电网电价较低时，从电网购电增多，储能系统进行充电。微型燃气轮机作为气热耦合设备通过消耗天然气产生电能，因其具有高效性的优点，故均工作在最大出力状态；电锅炉为电热耦合设备，其产热价格同样低廉，同样一直工作在最大出力状态，由于CCS 机组用于捕获微型燃气轮排放的二氧化碳故其功率随微型燃气轮机功率的变化而变化，P2G 设备用于生成天然气，消耗功率与CCS机组所捕获二氧化碳量有关，故其耗电功率随CCS 机组耗电功率变化而变化。系统内产热设备出力情况如图13 所示，由于假设MG1 热能电价均为定值，同时热负荷较少，电热锅炉产热能效较大，故多余热能通过联络线向外输送，储热系统随热负荷变化而变化，如图1:00—3:00时段热负荷较小，热储能储热，在24:00时刻热负荷较大，此时热储能放热，由于微型燃气轮机后装有余热回收系统与吸收式制冷机组，故其动作情况与微型燃气轮机出力情况相同，图14 为MG1耗气量柱状图，不难看出由于微型燃气轮机一直工作在最大出力情况，故其耗气量一直维持在定值；由于微型燃气轮机其高效的产电有赖于大量的天然气，为减少运行成本，各供能子系统间进行天然气的交互在保证各自气负荷的同时使微型燃气轮机最大限度出力。P2G机组天然气产生量与电锅炉和微型燃气轮机相关，由于这两种设备均为高能效设备，经济性较高故均工作在最大出力值，故P2G设备产生天然气量也不发生变化。

图12 MG1电功率柱状图Fig.12 Histogram of MG1 electric power

图13 MG1热功率柱状图Fig.13 Thermal power histogram of MG1

图14 MG1耗气量柱状图Fig.14 MG1 gas volume histogram

5 结 论

本文为提高客户侧园区综合能源系统运行经济性，提出一种考虑相邻供能子系统电、热、气交互的“端-边-云”架构，并在边缘侧将上层园区侧优化模型进行分解，基于同步型ADMM 对其进行分布式求解，通过仿真算例分析，所得结论如下。

（1）考虑相邻供能子系统间的耦合关系，提出一种适用于园区复杂能源耦合系统的“端-边-云”优化求解框架。

（2）在考虑相邻供能子系统间的交互问题上，对比传统单一电能交互，充分考虑电、热、气的交互，相较于考虑能源子系统内单一电能交互可以减少运行成本，相较于无交互型能源子系统，其运行成本减少了7.2%。

（3）在计算方法上，基于“端-边-云”优化计算架构，将上层的优化模型进行分解，进而转化成各能源子系统内部优化模型，可以大大降低上层的运算压力。