含CCHP及储能的微网建模及经济运行优化研究

付光杰,曹 旭

(东北石油大学 电气信息工程学院,黑龙江 大庆 163318)

0 引 言

近年来,随着一次能源的逐渐枯竭以及地球生态环境的逐渐恶化,如何使用清洁可再生的能源代替煤炭石油等不可再生能源已成为人们研究的重点。为此,各种分布式电源应运而生,其中含有冷热电联供系统(CCHP:Combined Cooling Heating and Power)的综合能源微网系统(IEM:Integrated Energy Microgrid)是解决这个难题的一种有效方式。如今我国正处于传统电力体制改革的关键时期,所以综合能源微网的建设发展十分迅速,例如作为创建清洁能源示范省的浙江省,正在积极推动包括含有冷热电联供系统在内的利用清洁能源发电的一系列改革措施[1]。

在综合能源微网中能量最显著的特征就是能源之间的相互耦合性,而这也给含有CCHP的综合能源微网的利用带来了极大的困难。在CCHP系统中包含冷、热、电3种能量流动,并且3种能量之间还存在相互转化关系,因此若想做到对各种能量充分利用就显得比较困难。所以,在现阶段的CCHP系统研究中,优化能量流动之间的调度仍是研究人员关注的重中之重[2-3]。

目前,涉及到CCHP系统的研究有很多。王成山等[4]建立了含有燃气轮机、内燃机在内的联供机组以及制冷制热单元在内的CCHP系统,采用母线型分析策略对CCHP系统内复杂的能量耦合进行分析。汪洪涛等[5]、汪洋子等[6]采用年度运行仿真,对冷热电联供系统成本进行优化,系统成本节约效果明显。俞春尧[7]、Liu等[8]以上海某真实项目为例,对CCHP联供系统从投资、运行效率与运行成本等进行了详细的分析,证实CCHP系统可以实现能源充分的梯级利用。荆朝霞等[9]对制冷系统进行分析,给出了详细的性能拟合曲线,为以后对能量之间转化关系的研究提供了理论基础。

笔者选取包含燃气轮机和微型内燃机在内的发电机组,并且在系统中包含其他分布式电源的发电量,包括光伏、风力发电等。而且系统中包含储能设备和余热回收系统,可根据系统所处的环境对冷、热、电负荷的需求做出相应的改变,做到将多余的能量储存或转化为其他当前需要的能量,在合理的科学指导下,CCHP系统中能源的利用率可达70%～90%[10]。

粒子群算法是发展最为快速、全面的算法之一,其原理简单,可操作性强,适应度高,因此被广泛应用于各种系统优化等问题。笔者在已有的研究基础上,首先建立系统模型,充分考虑系统的发电以及产热等约束条件,将系统的经济性和环保性作为目标,建立冷热电联供的数学模型,在现有的粒子群算法基础上进行改进[11],采用改进后的多目标粒子群算法对模型进行优化。最后对所选算例进行仿真,验证系统的可靠性。

1 改进粒子群算法

粒子群算法是智能算法中寻找最优值的热门算法,因其简单通俗易懂的概念和相对数量较少的控制参数而被广泛使用。粒子群算法从最初的标准型经过许多研究改进得到的改进型已经有了很大的变化,其使用范围和寻优能力都得到了大幅提升。由于笔者需要同时考虑污染气体排放以及系统的经济性,实际为多目标优化系统,然而,目前的标准型粒子群算法对多目标优化还存在一些不足,所以需要对粒子群算法进行优化。

1.1 标准型粒子群算法

一般的标准型粒子群算法的速度和位置的更新方式为[12-13]

(1)

xid(t+1)=xid(t)+vid(t+1)

(2)

ω为惯性权重,且有

ω=ωmax-t(ωmax-ωmin)/Tmax

(3)

1.2 改进型粒子群算法

目前的标准粒子群算法是根据初始粒子群算法改进的,已经具备良好的寻优能力,但其在收敛效果和迭代时间上仍然存在一些不足,尤其是应用在本系统时,目标函数为两个,标准粒子群算法很容易陷入局部寻优,从而导致求解结果不是全局最优解。针对此问题,笔者在现有标准粒子群的基础上,增设了一个外部Leader集合,增强寻优能力,适应多目标优化。

增设外部集合,选取非劣解粒子放入外部档案构成Leader集合,并根据计算粒子的适应度公式

F(i)=1/mi

(4)

计算外部集合中粒子的适应度。其中

(5)

其中sh(d(i,j))为粒子i,j之间的适应度共享函数。有

(6)

其中Eshare通常选为常数；α控制sh(d(i,j))的形状,通常为1。

在算法运行过程中,具有全局最佳位置的粒子指导其他粒子按式(1)更新各自的位置和速度。每次迭代后,选取所得粒子中的非劣解加入精英集中,使精英集中的粒子数会因迭代次数的增加而不断增加,从而影响算法的运行速度。在日常生活中,系统中的负荷量随时都发生变化,要求系统必须根据负荷的变化做出快速的响应,所以必须要确保算法的运行速度。因此,需要对精英集的容量进行限制,当精英集中的粒子数超过其最大容量时,根据式(4)计算精英集中各粒子的适应度,删除其中适应度较小的粒子。当算法满足终止迭代条件时,精英集中的粒子即可认为是所求的Pareto最优解。改进后的算法流程图如图1所示。

图1 算法流程图Fig.1 Algorithm flow chat

2 系统模型的构建

目前包括CCHP系统在内的综合能源微网中,由于与配电网相连的热电联产设备以及其余分布式能源设备的性能指标与其负荷之间都息息相关,其输入和输出为非线性关系,因此具有显著的部分负荷特性(PLR:Part Load Ratio)[14],所以在对冷热电联供系统建模时,需根据各个机组的特性进行设备的单独建模。

2.1 联供机组模型

CCHP系统中往往包含发电机组和制热制冷单元,以及储能和余热回收单元,笔者选取的CCHP系统将风机、光伏等其余分布式电源的发电量也考虑在内,系统结构框图如图2所示。

图2 系统模型图Fig.2 Model diagram of co-supply unit

联供机组选用近年来发展速度较快、实用性较强的微型燃气轮机和微型内燃机,单机功率一般在20～300 kW,这种联供机组优势在于使用天然气、沼气等清洁原料,排放污染小,机组噪音小,运行成本低等。因此,近年来的CCHP系统基本都选用此发电机组。

2.2 机组数学模型

1) 燃气轮机

PGTh=PGTηGTh

(7)

PGTe=PGTηGTe

(8)

其中PGT为燃气轮机的耗气功率,PGTh为燃气轮机的产热功率,PGTe为发电功率,ηGTh、ηGTe分别为燃气轮机的产热效率和发电效率。

2) 吸收式制冷机

(9)

QAC=PhsCOPAC

(10)

其中COPAC为吸收式制冷机制冷性能系数,QAC(t)和QACN分别为吸收式制冷机实际出力和额定出力,Kaci(i=0,1,2,3)为吸收式制冷机性能系数特性曲线拟合参数。

3) 电制冷机

(11)

QEC=PECCOPEC

(12)

其中COPEC为电制冷机制冷性能系数,QEC(t)和QECN分别为吸收式制冷机实际出力和额定出力,Kaci(i=0,1,2)为电制冷机性能系数特性曲线拟合参数。

4) 总制冷量

QAll=QAC+QEC

(13)

系统中冷负荷由两部分供给,其中一部分由传统电能控制空调制冷,而另外一部分冷负荷则由余热回收系统中的烟气余热驱动吸收式制冷机,转化为冷负荷提供给用户。

5) 天然气内燃机[12]

PGEh=PGEηGEh

(14)

PGEe=PGEηGEe

(15)

其中PGE为天然气内燃机的耗气功率,PGEh为内燃机的产热功率,PGEe为内燃机的发电功率,ηGEh、ηGEe分别为产热效率、发电效率。

6) 燃气锅炉

PGBh=PGBηGBh

(16)

其中PGB为燃气轮机的耗气功率,ηGBh为产热效率,运算得到热功率PGBh。

7) 余热回收系统

Phs=(PGEh+PGTh)ηhs

(17)

其中ηhs为热回收系统回收效率。

余热回收系统中,主要回收由联供发电机组燃烧天然气发电时所产生的余热烟气。将烟气储存,后续提供给吸收式制冷机以及换热装置,为系统提供冷、热负荷。

8) 换热器

Phr=Phsηhr

(18)

其中ηhr为换热器效率。

换热器将余热回收系统中一部分烟气通过液化降温等方式,将其转化为热水,以热水的形式提供给系统中用户。

9) 蓄电池

(19)

(20)

表1 部分机组参数表Tab.1 Part of unit parameter table

2.3 约束条件

2.3.1 机组上下限约束条件

机组上下限约束条件为

Pi,min≤Pi,t≤Pi,max

(21)

其中Pi,min,Pi,max分别为机组输出功率的上下限。

2.3.2 功率约束条件

功率约束条件[15]为

(22)

其中Pe,i为用户侧用电量,PCOP,i为电制冷机消耗电功率,Pc,i、Pgrid,i、PEC,i分别为CCHP系统发电量、配电网购电量和蓄电池储存电量；Qc,i为用户侧使用总冷负荷,QEC,i,QAC,i分别为电制冷机和吸收式制冷机实际铲除冷负荷；Rg,i为用户侧使用总热量,Sg,i为储热量,RGB,i、Rhr,i分别为燃气锅炉产热和换热器总产热量。

2.4 目标函数

笔者采用多目标优化,以保证系统的经济性为主要目标。在保证系统经济性的同时尽可能降低系统污染物排放,充分考虑污染物排放带来的经济成本,做到系统的最优性[15]。

CCHP系统的成本构成包括机组运行成本以及购买燃料成本,其中机组运行成本包括机器维护、人员费用等,在本文中暂不考虑。笔者主要对购买燃料及配电网购电等费用进行优化,则目标函数为

CA=min(Ceh+Cs)

(23)

(24)

表2 分时电价表Tab.2 Tou tariff meter

3 算例分析

目前CCHP的发展趋势逐渐趋于城市,并应用于大型建筑系统,例如上海浦东国际机场、上海世博B片区总部中心以及北京天然气控制中心大楼等,都是应用CCHP系统非常经典的实例,从中也可以看出,对应CCHP系统中的联供机组的要求也逐渐趋于小型化商业化。

根据图2所示模型,系统是由若干台天然气内燃机及微型燃气轮机组成的联供系统,选择清洁能源天然气作为燃料。制冷部分则由电制冷机、吸收式制冷机组成,为保证系统中能源可实现更加充分的梯级利用,还增设了储能设备。天然气先作为燃料驱动联供机组运转进行发电,满足系统中电负荷的使用量,然后余热回收系统将天然气燃烧产生的烟气进行回收,经过处理得到高温水蒸气。根据系统所处地理位置,将水蒸气作为驱动吸收式制冷机的能源送入吸收式制冷剂或进入建筑的供暖系统。在本文中,因算例选取为我国南方城市的夏季,所以主要用于驱动吸收式制冷机。

3.1 结果分析

笔者算例选取我国南方某城市夏季的办公大楼中负荷使用情况,图3为系统24 h的实际负荷图。

图3 实际负荷图Fig.3 Actual load diagram

由于南方夏季城市24 h中,冷、电负荷远远高于热负荷,因此系统中保证充足的冷、电负荷供应是验证系统是否稳定可靠的重要标准。图4为系统出力和实际负荷对比图,其中柱形表示系统所需的实际负荷,而折线为系统实际出力。通过对比可以看出,8-17时为冷、电负荷的使用高峰。其中个别时间点会出现系统出力不足的情况,但绝大部分的时间点,系统出力都可以覆盖甚至超过系统所需的实际负荷。

图4 功率对比图Fig.4 Power comparison diagram

系统储能图如图5所示,其中正值代表需要从CCHP系统外调配量,负值为储存在系统中能量。图4表示在下午15时,冷功率会出现小幅的系统出力不满足实际所需的情况,此时观察系统储能图(见图5),会发现在15时,系统自动从储能单元调配储存的能量对系统此时的能量缺口进行补充。同样的情况还发生在凌晨4点,只不过此时的系统能量缺口非常小。而从图4还可看出,系统运行非常好,其实际出力全部满足实际所需,未出现能量缺口。因此可知,该系统的稳定性十分良好,从而证明了笔者对算法的优化起到了非常好的效果。

图5 系统储能图Fig.5 System energy storage diagram

3.2 成本分析

以经济最优为目标函数和约束条件,分析系统中的成本优化情况,系统 1 d中的成本情况如表3所示。天然气价格取3.2元/m3,分时电价见表2。

表3 系统成本表Tab.3 System cost sheet

从表3中可以看出,在使用CCHP联供系统时,系统的成本降低约40%,说明系统具有良好的经济效益。

4 结 语

笔者通过增设外部集合的方式对标准型粒子群算法进行改进,使其可以适应多目标优化系统。以系统的经济性为主要目标并充分考虑系统环保性,选择天然气作为燃料驱动联供机组发电,并为其中增设余热回收系统,以确保将产生的烟气充分回收利用进行供热或制冷,保证能源的梯级利用。

选取算例对模型进行验证,通过对比效果图,发现系统中实际所需与实际产出之间相差较小,而当实际产出不能满足所需时,系统及时进行外部补充,可安全有效地保证系统的实际运行。经过模拟充分证实系统模型的选取和算法的改进是有效且实用的,这为今后CCHP系统的研究和探索提供了前期基础。