基于ADMM-RGS算法的综合能源系统多主体协同优化运行策略研究

杨海柱，代庚辉，张 鹏

（1.河南理工大学电气工程与自动化学院，焦作 454000；2.天津大学电气自动化与信息工程学院，天津 300072）

随着经济快速地发展和全球生态恶化带来的尖锐矛盾，寻求环保、经济、高效的能源市场运营机制，推进综合能源市场化改革，成为近年来能源领域发展关注的焦点[1]。综合能源市场包含多个参与主体，建立合理的能源交易机制，对推动能源市场的发展具有重要意义[2]。但不同主体拥有不同的经营计划和管理方法，因此，既能兼顾各方主体利益，又能制定合理的优化调度策略是当前有待解决的问题[3]。

区域综合能源系统RIES（regional integrated en⁃ergy system）[4]各主体，通过合理的良性竞争，可以有效提高各主体自身收益，增强市场竞争力。目前，国内外学者在多能耦合、多主体参与的综合能源市场方面开展了大量的研究。文献[5]建立了综合能源服务商IESP（integrated energy service provider）和综合能源供应商两级协调优化运营模式，但其忽略了用户侧需求响应带来的经济效益。文献[6-7]建立了电、气网络投资主体的规划收益模型，既从整体上增加了综合能源系统收益，又兼顾了不同市场主体的利益，更加符合市场运营机制。文献[8-9]建立了基于主从博弈的两级互动优化方法，但对于3个及以上市场主体来说并不适用。文献[10]建立了能源集线器模型，考虑了能源集线器参与电、热能源市场的效益策略。以上文献虽然已经提出了多能源主体互动框架，但大多以电能作为主导，未充分考虑电、气、热等负荷及其能源价格对交易互动结果的影响；并且，现有研究大多仅基于综合能源服务商与综合能源用户之间的互动交易，忽略了能源交易市场的互补特性。

交替方向乘子法ADMM（alternating direction method of multipliers）具有形式简单、收敛性好的优点，在解决含有多个主体的综合能源系统优化问题过程中，仅需交互少量信息即可完成优化，保护了参与主体的隐私。文献[11]基于合作博弈理论建立多运营主体微电网日前经济调度模型，并采用AD⁃MM求解，保护了各运营主体的隐私安全；文献[12]对包含多个工厂的RIES进行分布式优化，实现了多能互补与能量梯级利用；文献[13]建立多微网交易互动模型，并采用ADMM求解微网之间能源交易量。此外，综合能源系统多主体协同优化过程中采用的ADMM比较依赖参数的选择，因此，需要应用收敛性更加稳定的ADMM。

综上所述，本文对RIES多市场决策主体分布式调度问题进行了研究。首先，基于合作博弈理论基础构建综合能源市场多个参与主体的分布式经济调度框架，分析综合能源市场的运营机制，并在此基础上建立多主体协同优化模型；然后，利用基于高斯回代的交替方向乘子法ADMM-RGS（alter⁃nating direction method of multipliers based on re⁃verse Gaussian substitution）求解优化问题；最后，通过实例仿真证明了所提模型和算法的可行性，并分析了不同市场策略方案对系统经济性的影响。

1 RIES架构与多主体利益划分

RIES具备运行方式灵活多样的优点，可以突破不同能源网络间无法交互的屏障，实现电、气、热等各类能源的协调供应，是未来能源供给的发展走向。在开放的市场机制下，RIES可划分为综合能源供应商、IESP和综合能源用户3个主体，如图1所示。各主体因为生产经营计划而有不同的利益诉求，且任一主体产能和用能方式的改变，都会影响其他主体。为统筹多主体的利益需求，降低系统运行成本，将对不同主体之间的交易互动进行分析研究[11]。

图1 综合能源市场结构Fig.1 Structure of integrated energy market

由图1可以看出，从能量流分析，IESP从综合能源供应商购买电能、天然气并传输给用户，来满足用户的多元负荷需求。从信息流分析，IESP向综合能源交易市场发送购能策略调整指令和电、气能源价格；IESP作为能量和信息的交互中心，向上承接综合能源供应商，向下与用户进行协调，合理安排系统相关设备的运行并制定购能策略；用户则通过适当的负荷转移带来收益[12]。

RIES结构如图2所示。由图2可知，RIES集综合能源供应商、IESP和综合能源用户于一体，以IESP为纽带，协同电气热网络，实现经济、可靠、高效的综合能源供给方式。其中，IESP中耦合设备主要包括光伏PV（photovoltaic）发电、风机WT（wind turbine）发电、电转气P2G（power to gas）设备、电锅炉EB（electric boiler）、热电联产CHP（combined heat and power）设备、燃气锅炉GB（gas boiler），以及电储能 ES（electricity storage）、气储能 GS（gas stor⁃age）、热储能HS（heat storage）等各类储能设备。

图2 RIES架构Fig.2 Architecture of RIES

2 多主体优化运行模型

由图1可知，综合能源供应商和IESP共同参与综合能源交易市场。首先，综合能源供应商和IESP向综合能源交易市场提交电、气能源竞价策略；其次，交易市场将竞价结果反馈至综合能源供应商和IESP（竞价结果受所有综合能源市场主体参与者的影响）；最后，IESP依据在能源交易市场购买的能源数量，确定与用户之间的零售价格。

2.1 综合能源供应商

2.2 综合能源服务商

2.3 考虑响应特性的综合能源用户效益模型

2.4 约束条件

3 多主体协同优化模型求解算法

对于RIES来说，协同优化运行可以得到整个系统的最优调度方案，基于第2节建立的综合能源供应商、IESP和综合能源用户优化运行模型，利用改进的ADMM实现各参与主体的分布自治与整体协同优化。

3.1 ADMM-RGS算法

3.2 基于ADMM-RGS算法的多主体优化调度方法

4 算例分析

基于我国北方某地一典型RIES，其结构如图2所示。以全天24 h进行日前交易决策，采用YALMIP+GUROBI工具包在MATLAB平台进行仿真。综合能源供应商含有发电机组和天然气站；IESP含有WT、PV、CHP、EB、GB、P2G和各种储能设备，其能源耦合设备参数如表1所示，储能设备单元参数如表2所示，综合能源供应商机组运行成本系数如表3所示；用户需求有电、气、热3种能源负荷。需求侧的电、气、热初始用能曲线及光伏和风力发电预测出力如图3所示[17]。

表1 能源耦合设备参数Tab.1 Parameters of energy coupling equipment

表2 储能设备单元参数Tab.2 Parameters of energy storage equipment unit

表3 综合能源供应商机组运行成本系数Tab.3 Unit operating cost coefficients of integrated energy suppliers

图3 电、气、热负荷及光伏、风机出力预测Fig.3 Load prediction of power,gas and heat,and output prediction of PV and WT

4.1 协调优化运行结果分析

本节使用ADMM-RGS算法对所提模型进行多主体协调优化调度。协调运行过程中，综合能源供应商、IESP的收益和用户需求响应效益收敛情况如图4所示。

图4 协调运行过程中各参与主体收益变化Fig.4 Changes in benefits of participating entities in the process of coordinated operation

由图4可以看出，在协调运行过程中多主体相互影响，因此参与主体需要不断地调整自身调度策略。在协调优化开始时，由于多主体之间未收到信息反馈，综合能源供应商可优化得到最大售能收益；IESP未参与能源交易市场互动，也未与综合能源用户协调，无激发用户需求响应能力，因此初始阶段IESP收益最小；用户未能接收到来自IESP的激励补贴，用户效益为0。此结果无法平衡各参与主体的利益，因此在协调运行初始阶段协调次数在0～10范围内，各参与主体根据反馈信息迅速调整优化策略，收益的变化幅度较大，具体表现为综合能源供应商收益快速降低而后小幅增大；IESP快速增大而后小幅降低；综合能源用户效益快速增大。随着协调次数增加，各参与主体改变自身策略的幅度不断减小；由图4中可以看出，在协调运行40次后，各决策主体收益趋于稳定。最后，综合能源供应商的收益稳定在11 120.9¥，IESP收益稳定在17 823.8¥，综合能源用户效益稳定在3 283.4¥。由此可以说明，ADMM-RGS算法在求解各参与主体的分布自治与整体协调优化问题时，可得到收敛且有效的优化调度结果。

4.2 算法收敛性分析

传统ADMM算法与ADMM-RGS算法收敛性能对比如图5所示。由图5可知，传统ADMM算法原始残差下降缓慢，在迭代96次后才能达到收敛精度5×10-4；对偶残差在达到5×10-4之后的迭代中呈下降趋势，且发生剧烈振荡。而ADMM-RGS算法只需迭代40次，原始残差和对偶残差均能达到收敛精度5×10-4。

图5 2种算法收敛性对比Fig.5 Comparison of convergence between two algorithms

4.3 市场策略分析

为了更好地展示多决策主体协同优化对IESP交易策略的影响，本节设置如下3种市场交易方案进行对比分析[18]。

方案1计及能源交易市场和用户需求响应的零售市场多主体交易策略。

方案2计及能源交易市场的综合能源服务商交易策略，忽略用户侧激励型需求响应，认为负荷是固定的。

方案3仅计及零售市场的综合能源服务商激励补贴的交易策略，认为能源交易市场中电、气能源价格固定。

各方案下IESP的优化结果见表4。由表4可知，方案2的IESP购能成本相较于方案1增加了24.5%，其原因，方案1考虑用户侧需求响应，通过转移用能高峰负荷至用能低谷负荷时段，减少购能成本；而方案2忽略了用户需求响应的影响，其负荷预测量与实际情况相差较大，导致IESP购入过多能源；方案3因其购入能源价格固定，忽略了综合能源交易市场的互补特性，导致其购能成本相较于方案1也增加了3.6%。综上分析，在能源互联和能源市场自由化的大趋势下，方案1既可充分挖掘不同能源市场的互补潜力，又可兼顾用户零售市场，激发用户综合需求响应潜力，制定更全面、更贴合实际的交易策略，从而提高自身收益，促进整个能源市场的长远发展。

表4 不同方案下IESP优化结果Tab.4 IESP optimization results under different schemes ¥

4.4 多主体协调互动下的RIES调度分析

图6为多种能源参与的多主体协调优化得到最优解之后的RIES电、气、热能平衡结果。对于电负荷的供应，IESP将从能源交易市场购电，或者购气通过CHP机组发电供应电负荷；考虑经济性、环保性，辅以光伏、风机进行供电，且光伏工作时间区间为6：00—16：00；风机则全时段出力，且在00：00—7：00与23：00—24：00时段风力资源充足，出力较多，储电设备充能以应对用电高峰时刻，具有削峰填谷的作用。对于热负荷的供应，热负荷主要由CHP和EB供应；在11：00—14：00为用电高峰期，电价较高，考虑电、气互补特性，此时用GB代替EB进行供热；在13：00—15：00时段，热负荷需求量较低，此时HS设备储存热能以应对热负荷高峰时段。对于气负荷的供应，IESP主要从天然气站购气；部分时段通过P2G制气；GS设备在用气低谷时段储存气能以应对气负荷峰值时段。同时，用户需求响应能够减少IESP的购能成本，储能设备的引入有利于系统的灵活调度。

图6 RIES协调优化平衡结果Fig.6 RIES coordinated optimization balance result

5 结论

针对综合能源系统中多主体日前协同优化调度问题，本文提出了一种基于ADMM-RGS算法的RIES多主体协调优化运行方法。采用改进的AD⁃MM算法对模型进行求解，分析了多主体交易互动对RIES运行经济性的影响。最后，通过算例分析，验证了所提模型及运行优化方法的可行性，分析结果表明：

（1）多主体协同优化的RIES运营模式可准确地把握市场价格和用户需求波动，从而调整最佳购能和价格制定策略。其中，不同方案下IESP的优化结果表明，经过协同优化，方案1购能成本相较于方案2、3分别下降了24.5%和3.6%；净收益相较于方案2、3分别增加了159.3%和25.2%；

（2）ADMM-RGS算法在求解多主体协同优化调度具有良好的收敛性；只需迭代40次即可达到收敛精度5×10-4，相对于传统ADMM算法具有更快的收敛速度和更高的稳定性；

（3）IESP引入多种能源转换设备和储能设备，有利于电、气、热能源间的灵活转换，提高能源利用率，实现多能互补和源-储-荷协同优化运行。