考虑热惯性的综合能源系统运行优化方法

程序，王超，郭泰龙，吕志鹏，杨晓霞，王永利

(1.北京供电公司通州供电分公司，北京101100；2.国网上海能源互联网研究院有限公司，上海 200003；3.华北电力大学，北京102206)

随着我国逐步走入现代化，国民生活水平日渐提高，能源消耗也逐渐增大，电、热、冷、气各种能源间的关联性不断加强。日益增长的能源需求导致了严重的环境污染问题，目前火力发电在我国发电领域占据过半份额，同时传统能源在供热领域也有着较高的占比，由此造成了巨大的环境污染。在此背景下，诞生了综合能源系统(integrated energy system，IES)。IES是指在能源的生产、输送、消费等环节，将电、热、冷、气等多种类能源耦合，从而产生一种新型能源系统，可实现科学调度和使用多种能源之间的能量级联[1-4]。然而，由于各种能源自身所具有的特性，在耦合过程中会出现许多问题，比如时间尺度差大导致的源荷同步不协调等[5]，这给IES的普及带来了巨大挑战。

在热力系统的热惯性和动态物理过程方面，国内外有一定的研究成果。文献[6-7]通过对热网时滞和输送过程损耗的研究，建立了运行热网蓄热与建筑热惯性优化模型。文献[8]考虑热网延时与热衰减特性，引入用户舒适度的概念，提出了电热协调的运行优化方法。文献[9-10]为应对可再生能源接入比例高的挑战，提出一种兼顾能源供应可靠性和风能与太阳能不确定性的城市IES规划模型。文献[11-12]考虑负荷侧资源调控，提出需求响应与博弈相结合的多能源系统优化调度方案。文献[13-14]介绍了电蓄热锅炉装置，建立了基于蓄热和传热负荷热泄漏动态过程的能量流模型，分析热特性对电热联供系统运行的影响。文献[15]为保障用户日益增长的能源消费需求、提高能源利用率，考虑综合需求响应，提出基于聚合商和用户双层博弈的优化运行方法，建立了包括下层用户间非合作博弈和上层聚合商联盟合作博弈的双层博弈优化模型。文献[16]为实现电-气IES的能源高效利用以及协调其多个目标下的矛盾冲突，提出基于交替方向乘子法的多目标最优电-气能量流的分布式计算方法，该算法可协调兼顾互联系统运营商对于经济性、环保性、削峰填谷等多个目标的偏好设置。文献[17]为了促进可再生能源消纳、提高能源利用效率，构建了能源供需双侧同时存在耦合的园区综合能源系统运行架构，以综合能源系统运行成本最小为目标，建立了园区综合能源系统优化运行模型，实现能源供给侧和需求侧的协调优化。文献[18]考虑到IES具有提高能源利用率、消纳不稳定新能源等显著优势，以经济性、环保性和高效性为目标，建立考虑储能的区域IES多目标优化模型。文献[19]为解决低碳背景下负荷需求多元化及能量转换问题，引入光热电站，充当热电联产机组，并结合电转气装置、电加热器、燃气轮机等能量转换设备组成综合能源系统，提出了一种综合能源系统低碳优化运行方法。文献[20]考虑到分布式光伏发电和储能系统的无功调节能力，研究通过协调控制储能系统和光伏发电输出的无功功率或有功功率来实现配电网电压越限调节的方法，提出以配电网电压越限调节为目标的双层储能系统优化配置模型，仿真结果验证了所提优化配置方法在改善配电网电压分布状况方面的效果。文献[21]提出离散概率光伏模型和蓄电池储能模型，以及相关控制策略，采用标准粒子群优化算法研究储能电站在含光伏电源配电网中的优化配置，通过实际案例得到不同光伏电源配置下储能电站的最优选址定容配置方案，并分析不同负荷特性对储能电站接入配置的影响。文献[22]在引入人工智能算法保障风光出力及负荷的预测精度的基础上，采用混合整数区间线性规划的方法，通过区间值的形式将优化结果进行表征，解决了系统中由于多能耦合机组运行效率偏差引起的系统不确定性问题。

当前文献对于热惯性的研究多集中于电、热联合系统[23-25]，缺乏热惯性对IES影响的研究，且大多数只考虑了IES的经济运行与规划，未进一步深入探讨能源惯性的影响。对此，本文考虑系统的热惯性，以热力系统为基础，建立IES的简单拓扑典型架构，并依据该架构对热力系统的相关特性建模，最终构建IES优化运行模型。运用该模型对算例进行仿真，结果表明该模型在保障系统安全性的同时可有效降低系统的运行成本。

1 考虑热惯性的IES

1.1 IES典型架构

图1所示为典型IES架构，包含了可再生能源、用于电-热-气能源的耦合设备﹝如热电联产机组(combined heat and power，CHP)、电转气(power to gas，P2G)﹞、电锅炉(electric boiler，EB)、储热(heat storage，HS)、储气(gas storage，GS)以及多能源负载，它们拥有与外部能源进行交互的能力。

图1 IES典型架构Fig.1 Typical IES structure

IES中的能量转换模型为

L=CP+S.

(1)

式中L为IES的负荷向量，由2部分组成，其中S为储能向量，C为能量转换矩阵，P为输入向量。

(2)

式中：LE为IES内电负荷；LH为IES热负荷；LG为IES气负荷；α1、α2分别为系统中天然气通过气网分配给气负荷和燃气轮机的系数；β1为系统中电能分配给P2G的系数；β2为源侧输入电能分配给电锅炉的系数；PE,ex、PH,ex、PG,ex分别为IES与电网、热网、气网的能量交互；SG、SH分别为系统中储气、储热装置的实时出力；ηP2G、ηEB分别为IES中P2G和电锅炉的能量转化效率；ηCHP,E、ηCHP,H分别为IES中燃气轮机气转电和气转热的能量转换效率；Pwind为风电出力。

另外，考虑风电机组出力不确定性，构建风电机组出力不确定性模型对风电机组出力特性进行描述：

(3)

式中：vci为切入风速；vco为切出风速；vr为额定风速；v为风速预测值；PWT、PWT,r分别为风电机组输出功率和额定输出功率。

1.2 热力系统惯性模型及储能特性

热网的传输惯性表现在2个方面：热水在进行传输时的时间延迟和热水的温度损耗。一方面，由于传输速度较慢，温度变化由进口向出口扩散时较为缓慢，热水管道会将一部分热能存储在其内；另一方面，热水在流动过程中会与周围环境发生热交换，导致热能损失，进而引起温度下降。不计传输热损耗，热力系统的一段管道首末端的热水传输延时

(4)

式中：ρw为热水密度；ltp为传输管道长度；d为管道直径；q为管道流量。

Qk,t,out=([t-τ′k]-t+1+τ′k)Qk,[t-τ′k],in+

(t-τ′k-[t-τ′k])Qk,[t-τ′k]+1,in=

(t-[τ′k]-1-t+1+τ′k)Qk,t-[τ′k]-1,in+

(t-τ′k-t+[τ′k]+1)Qk,t-[τ′k],in=

(τ′k-[τ′k])Qk,t-[τ′k]-1,in+

(τ′k-τ′k+1)Qk,t-[τ′k],in.

(5)

式中：1表示该IES中1个调度的时间间隔；Qk,t,out、Qk,t,in分别为时段t管道k的末端和首端流量。

受制于管网材质，热水在传输过程中出现的损耗

Qk,t,out=(τ′k-[τ′k])Qk,t-[τ′k]-1,ine-aklk+

([τ′k]+1-τ′k)Qk,t-[τ′k],ine-aklk+

(1-e-aklk)Tt,am.

(6)

式中：ak为管道系数；lk为管道长度；Tt,am为环境温度。

2 考虑热惯性的IES运行优化模型

2.1 目标函数

本文的目标是将IES的调度成本降为最低，构建基于热惯性的IES两阶段鲁棒最优调度模型，2个阶段分别为日前调度阶段和实时调度阶段。其中，在日前调度阶段所进行的工作是对当前所存在的可控设备的启停成本进行优化；在实时调度阶段可根据系统的已知出力情况，结合目前系统风能的实际出力，对不同设备的出力情况进行调整，以更好地节约成本，目标函数为：

(7)

式中：C为IES运行成本；f1为设备累计启停成本；f2为IES购能成本与弃风成本之和；x对应各可控设备(CHP、P2G、电锅炉、储热和储气)的启停状态；y对应各设备出力的连续变量；w为系统供热管道目前的热惯性时间。

(8)

式中：Be(t)、Bh(t)、Bg(t)分别为时段t系统从电网购电、热网购热、气网购气的成本；Cp(t)为时段t系统风电无法使用或储存的弃风惩罚成本；Ce、Ch、Cg分别为系统从市政购电、购热和购气的价格；Pe(t)、Ph(t)、Pg(t)分别为时段t系统与电网进行电交换、与热网进行热交换、与气网进行气交换的交换功率；Pw,y(t)为时段t系统风电预测发电功率；Pw,s(t)为时段t系统风电实际发电功率；εp为系统弃风惩罚系数；Cst(t)为时段t系统内设备i的启停成本；Cst,i为系统内设备i的一次启停成本；ST(t)为时段t系统内设备i的启停状态；Ni为设备总数；Nt为系统整个运行周期的总时段数。

2.2 约束条件

a)能量供应平衡约束为

LE(t)=PCHP(t)+Pw,s(t)-PP2G(t)-

PEB(t)+PE,ex(t).

(9)

式中：LE(t)为时段t的电负荷；PCHP(t)为时段t燃气轮机出力；PP2G(t)、PEB(t)分别为时段t的P2G热备和电锅炉出力。

b)热源交换约束为

QCHP(t)+QEB(t)=cwaterm(t)×

[Tpipe,s(t)-Tpipe,b(t)].

(10)

式中：QCHP为系统内热电联产机组的供热出力；QEB为系统内电锅炉的供热出力；Tpipe,s(t)、Tpipe,b(t)分别为系统在热出力源侧的给水温度和回水温度；cwater为水的比热容；m(t)为时段t的水量。

c)设备出力和爬坡约束为

(11)

式中：Pi,min、Pi,max分别为设备i在运行时的最小和最大出力，用作设备约束；Pi(t)为时段t设备i的出力；Ri,down、Ri,up分别为设备i在运行时的滑坡和爬坡出力，一般用以约束该设备的运行情况。

2.3 模型求解

遗传算法是目前常用的启发式算法之一，它通过物竞天择、适者生存的自然规律，寻找最优解。与其他智能算法相比，遗传算法具有较强的全局搜索能力和鲁棒性[26]，因此，本文使用遗传算法，旨在得到模型的最优解，具体流程如图2所示，图中Ngen为种群代数。

图2 遗传算法流程Fig.2 Genetic algorithm flow chart

3 算例仿真

3.1 基础数据

供热网络中，CHP、电锅炉和外部热网均从同一节点接入，考虑到实际系统中热能传输会产生一定的时滞性，以本文所建立的模型进行仿真，以某地区的IES为例，供热网管网参数见表1，各设备参数见表2。图3所示为该地区电、热、气负荷及风电的预测曲线，图4所示为该地区电、热、气价格的折线，图5为该地区系统结构。

表1 供热管网参数Tab.1 Heating pipe network parameters

表2 各设备参数Tab.2 Equipment parameters

图3 风电及多能源负荷预测Fig.3 Wind power and multi-energy load forecasting

图4 电价、气价和热价Fig.4 Electricity price, gas price and heat price

图5 算例系统结构Fig.5 Example system structure

以下2个场景用于分析IES的调度运行：场景1为传统IES不考虑热惯性的调度情况；场景2通过分析热惯性和储热能力，对系统在经济方面的运行效率进行检验。

3.2 仿真结果

场景1各设备的电出力、热出力及气出力如图6—图8所示；场景2各设备的热出力、电出力及气出力如图9—图11所示。

图6 场景1各设备电出力Fig.6 Electricity output of each equipment in scenario 1

图7 场景1各设备热出力Fig.7 Heat output of each equipment in scenario 1

图8 场景1 各设备气出力Fig.8 Gas output of each equipment in scenario 1

图9 场景2各设备热出力Fig.9 Heat output of each equipment in scenario 2

图10 场景2各设备电出力Fig.10 Electric output of each equipment in scenario 2

2种场景下IES的优化结果对比如下：

在时段00∶00—08∶00和20∶00—24∶00，IES中存在富余电量，场景1中，电锅炉和P2G消耗了这部分电力。但同时由于风力发电量大、热负荷高，热电联产受热电制约，发电量仍维持在较高水平，出现大量的弃风现象。场景2将热惯性纳入考虑范围内，所以降低了CHP机组在夜间的出力，弃风量有所减少。

在热网方面，IES的热负荷主要由CHP的热出力产热和电锅炉热出力提供。在夜间热网峰时阶段，场景1受限于蓄热装置的容量，用于降低CHP出力的热量难以被装置释放的热量所满足，而且IES会在热网峰时购入大量热，用以降低弃风量。场景2考虑热惯性后，热电联产机组会选在热网中存储产生的余热，在热负荷处于高峰时段时放出热量，这种做法能够有效释放热电联产在供热方面存在的压力，有助于增加风电并网的空间。

表3为不同场景下的优化结果对比。

表3 不同场景下优化结果对比Tab.3 Comparison of optimization results in different scenarios

由表3可以看出，在考虑热惯性的情况下，系统各方面的成本相对较低，相对于不考虑热惯性的情况，场景2系统运行成本降低8.4%，弃风量降低18.6%，购气成本和购电成本分别降低11.6%和4.6%。上述结果表明，在IES运行中考虑系统热惯性，能够在一定程度上减少弃风量并降低系统购能与运行成本。

4 结束语

由于IES中能源传输特性存在差异，导致出现源-荷不协调的问题，为了解决这一问题，本文基于热力子系统构建IES运行优化模型，并将热惯性纳入考虑范围。最后借助仿真，对模型的有效性和可行性进行验证，结果表明，在降低热电联产强电热耦合方面，热力系统热惯性与储能系统的协调优化能够发挥有效作用。在后续工作中，将更深入地考虑电、热、冷、氢多能源网络的能量传输特性和时空调度尺度，另一方面，进一步考虑电加热和冷却空气的实际能量转换物理模型，研究考虑多能源网络约束的运行优化。