基于粒子群算法的区域综合能源优化调度方法

姚 健，刘爱军

（1. 亿嘉和科技股份有限公司，南京 210012；2. 国电南京电力试验研究有限公司，南京 210032）

0 引言

随着社会的发展，化石燃料造成的环境问题已逐步成为各国学者关注的焦点。如何提高清洁能源利用率、增强不同能源之间的互补性成为国内外研究的热点。区域综合能源系统（regional integrated energy system，RIES）以多能互补为基础，在配电网中同时接入热、电、气多种能源，不仅能满足多种负荷供应需求，还能提供能源供给的灵活性和经济性，提升新能源消纳能力［1—6］。然而，受到多种能源之间的交互耦合以及负荷、风光资源的不确定性影响，如何充分计及不同能源的运行特性，实现多种能源的灵活转换，减少能源浪费，提升运行经济性，是实现RIES安全稳定运行的关键［7—8］。

目前，国内外相关学者对RIES的优化调度问题进行了初步的研究。文献［9］—文献［11］以最低能耗、风电消纳、减少污染为多个目标，针对模型多目标、非线性的特点，提出加权线性化方法，得到简化模型后采用模糊优化方法求解。文献［12］针对园区级RIES 系统的日前-实时调度问题，建立了两阶段经济调度优化模型。在此基础上，文献［13］、文献［14］考虑了负荷和电源的不确定性，为解决随机变量导致的求解问题，利用鲁棒优化方法得到确定性模型后求解。文献［15］提出基于置信区间的随机模型处理方法，建立RIES 多目标优化调度方法，提升了模型的鲁棒性。文献［16］通过可转移负荷和可削减负荷，提出RIES 双层优化调度策略，提升了运行灵活性和经济性。文献［17］研究了电热气需求侧响应对于降低运行成本、削峰填谷、提高能源利用率之间的内在关系。文献［18］通过电价和激励需求响应共同协助，提升了RIES的风电消纳能力。文献［19］将RIES调度模型等效为双层模型，并采用相关算法进行求解，但忽略了热系统，且仅适应于电气耦合系统。文献［20］、文献［21］构建了交直流输电网最优规划模型，采用最优混合潮流算法求解，降低RIES的运行成本。

综上所述，现有RIES优化运行方面的研究主要集中在减少运行成本、提升新能源消纳能力等方面。对于RIES 多变量、非线性的特点，通常采用线性化、置信区间或者鲁棒优化理论将模型进行简化，再采用传统数学优化方法求解。本文在现有工作的基础上，提出改进型RIES 优化运行模型，在目标函数中综合考虑日运行费用和能源购买成本，增加了电-热-气等多种设备运行、储能容量及充放电约束、微网负荷波动性等约束，考虑到模型高维非线性的特点，提出基于粒子群的优化算法，实现了RIES 问题的求解，并通过算例进行仿真验证，为实际RIES的调度运行问题求解提供参考。

以日运行费用和能源购买成本为优化目标，综合计及电-热-气等多种设备运行约束、储能容量及充放电约束、微网负荷波动性构建了RIES的调度运行模型，通过粒子群智能算法求解，在优化模型高维非线性的特点上实现了RIES问题的求解，最后通过算例进行仿真验证。

1 区域综合能源系统简介

综合能源系统同时有电、热、气等多种能源接入，并有储能装置，可同时满足不同类型负荷需求，其结构如图1 所示。风机和光伏等新能源发出电能，电、热、气通过电转气装置（power to gas，P2G）、热电联产（combined heating and power，CHP）和电锅炉等耦合连接，电储能、热储能和气储能装置进一步增加了系统运行的灵活性。

图1 RIES结构模型Fig.1 Structural model of RIES

RIES实际运行中，当分布式电源供给大于电负荷需求时，多余能量由P2G、储电设备和电锅炉装置为热负荷和气负荷提供支撑。如不满足热负荷需求，则由天然气的燃气锅炉进行转化或者有初始的储热装置进行提供。当负荷大于发电功率时，优先进行储电装置的释放，储电装置不足的则通过燃气机进行电能支撑，如还不能满足需求，则上网购电。如满足热负荷需求外还有剩余，则热能进行存储处理。

2 RIES协调调度运行模型

2.1 目标函数

（1）运行费用：设备每日的运行成本

系统运行成本主要为各个设备每日的维修成本，因此，目标函数经济指标的表达式为

式中：Cgas为购买天然气价格；Ce为电网购电价格；Cco2为购买的碳配额。

2.2 RIES稳定运行约束条件

2.2.1 燃气锅炉

燃气锅炉主要是利用天然气发出热能，输出功率取决于运行特性，其制热表达式如下

3 求解算法

由上述分析可知，式（1）—式（25）组成了本文提出的电-热-气综合能源系统的协调运行优化模型，包括了不同时间尺度下的运行边界以及各主要设备约束条件，是典型的大规模非线性混合整数优化问题，传统数学优化方法可通过线性化等方法处理后进行求解，但需对模型进行一定程度的简化。人工智能算法可有效处理非线性模型，将多个目标函数等效为寻优目标，并将非线性约束条件作为寻优目标的惩罚项，在保留模型非线性特征的情况下，实现优化求解，虽然计算效率相对于传统数学优化算法有所降低，但适应性较强。

粒子群算法通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法［22］，通过粒子的位置对应其适应度来衡量粒子是否为最优。

粒子群优化算法的流程如图2所示。

图2 粒子群算法求解流程Fig.2 Solution flow of particle swarm optimization

4 算例分析

为验证本文模型和算法的有效性，以某地区的实际综合能源系统为例进行仿真验证，包括风机、光伏、电锅炉、P2G和储能装置等，调度时间隔间Δt为1 h，运行关键参数如表1—表3 所示。粒子群算法相关参数取值为：粒子群规模为40，最大迭代次数为500，c1=0.5、c2=1.5、wmax=1、wmin=0、外部存档集合规模为46、变异概率为10%，仿真软件为Matlab。

表1 设备关键参数Table 1 Equipment’s key parameters

表2 设备运行成本Table 2 Equipment’s operation cost

表3 储能装置参数Table 3 Energy storage devices’parameters

本文采用粒子群算法进行求解，以运行费用最少、能源购买成本最少和两者最优3 种目标进行优化求解，计算结果如表4所示。

表4 不同调度下多能源调度结果Table 4 Multi-energy scheduling results under different dispatching objects元

由表4可知：当以运行费用最少优化目标时，降低了运行成本，但直接购买能源费用增加；当以能源购买费用最少为优化目标时，设备运维、启停成本增加，但直接购买能源费用减少。采用多目标调度需权衡运行成本和能源购买之间的关系，用户可根据需求选择合理的调度方案。

通过粒子群寻优，以其中一种调度方案为例，每日的运行成本为349.2 元，能源消耗的成本为468.2元，这个调度也是每日设备成本以及购买一次能源价格最低的调度，具体结果如图3、图4所示。

图3 区域综合能源系统的日运行情况Fig.3 Daily operation result of RIES

图4 储能系统日运行情况Fig.4 Daily operation result of energy storage system

由图4 可知，1:00—5:00 期间，新能源出力大于负荷需求，电锅炉将剩余电量进行电转热以满足热负荷需求，如电功率仍剩余，多出的电功率则转化为电能、热能和气能进行存储。19:00—22:00 期间为负荷高峰，电能难以满足电负荷，则在消耗新能源和储电的基础上进行上网购电。当电功率只能用于满足电负荷需求，不能转化热来提供热负荷时，应通过燃气锅炉、燃气机以及储热装置的热量释放来满足热负荷需求。天然气的提供来自储气装置以及天然气网供应两方面。

5 结束语

本文研究了含电-热-气子系统的综合能源系统优化调度，在目标函数中综合考虑日运行费用和能源购买成本，增加了电-热-气等多种设备运行、储能容量及充放电约束、微网负荷波动性等约束，并利用粒子群算法求解。仿真结果表明该模型对综合能源优化调度具有一定的参考价值和指导作用。D