共享模式下园区用户侧广义储能低碳经济调度策略

田壁源，常喜强，徐海奇，刘博文，张新燕，马 涛

（1.国网乌鲁木齐供电公司，乌鲁木齐 830011；2.国网新疆电力有限公司，乌鲁木齐 830018；3.新疆大学 电气工程学院，乌鲁木齐 830047）

0 引言

电力行业作为助力实现“双碳”目标的关键领域之一，其首要任务是推动能源低碳转型、构建以新能源为主体的新型电力系统［1］。风力发电和光伏发电以其节能、减排、安全、灵活等多重优点在“双碳”布局中得到广泛应用，但因其出力具有较大的随机性与波动性，给电网的可靠运行带来挑战［2］。储能作为一项新兴的电力技术，能够实现发用电在时空上的解耦，缓解新能源发电与负荷用电之间的矛盾，是实现节能低碳的重要载体之一。

园区作为地方经济发展的龙头，具备较好的能源服务发展基础和市场前景，是新能源消纳与节能减排的重要载体。但园区能源需求主体多样，区域内用能负荷总量大且特性复杂，同时园区内风、光出力不确定性较大，增加了园区内电力系统的不稳定性和用户的用电经济性。目前较好的解决方式是通过引入储能系统来实现削峰填谷和不连续性清洁能源的消纳，但因其投资成本高，回报周期长，难以有效吸引投资。相比而言，园区用户侧分布式储能系统具备单体项目小、投资规模小及接近用户自身用能需求的特点，对实现园区能源供需平衡、电力清洁起到基础支撑作用，但用户侧储能资源也呈现出布局分散且可控性差等特性。因此，设计一种简单可控、且易于实践的分布式储能资源运营服务模式，可以降低用户侧储能资源的闲置率，提高用户用能的经济性和低碳性。

当前电力系统中柔性负荷的比例不断提高，其中具有一定调节能力的电力负荷（如空调、制冷、取暖、电动汽车等）聚合形成的虚拟储能功能与实际储能装置相近，但相较于实际储能具有单位成本低、潜力大的优点。因此，本文将储能的概念延伸，把能够改变能量时空分布的装置和措施统称为广义储能（generalized energy storage，GES），包括实际储能的储电、储热、储氢等装置，以及虚拟储能的柔性负荷、电动汽车等需求侧响应与管理。随着广义储能逐步融入电力系统，如何整合用户侧零散分布的虚拟储能资源，实现与实际储能的动态结合，发挥广义储能汇聚作用进行统一控制与调度是目前研究的热点。

在“双碳”目标的驱动下，共享储能作为结合储能技术与共享经济理念的一类新型商业模式，以共享的形式将电源、电网、负荷侧广义储能资源以电网为枢纽进行整合，有潜力在新能源消纳及提供辅助服务等方面发挥重要的作用。文献［3］提出了一种考虑广义储能和园区可再生能量共享的协调控制方案，旨在追求储能资源利用率最大化；文献［4］建立了多用户共享储能的容量配置投资决策模型，以提高共享储能的经济效益。鲜有文献深入探讨用户侧广义储能中虚拟储能与实际储能的响应机制对实现园区用户低能耗、低碳的影响。

综上，本文从促进用户侧广义储能资源开放共享、高效利用，提高清洁能源消纳水平实现“双碳”目标出发，将共享经济概念与储能技术相结合，搭建了园区多用户多类型储能资源共享运营架构。从园区共享用户群用能经济性和低碳效益2个角度出发，建立了园区用户侧广义储能共享与协同调度模型，并根据实际储能与虚拟储能充放电的响应特征，提出了相应的储放控制策略，采用多目标粒子群优化算法求解该优化模型。最后，算例仿真结果验证了所提共享模式及响应策略在园区低碳运行、用户用能经济性及广义储能资源利用率、清洁能源消纳方面凸显优势。

1 园区广义储能共享策略

1.1 园区广义储能运营架构

园区广义储能共享的核心思想在于储能所有权和使用权相分离，通过对时空分散的用户侧各类型储能资源进行分类管理、智能化集中调控和优化调配，实现对用户侧储能资源的集中共享。本文构建的广义储能模型由两部分组成：一部分是由分布式储电、储热装置构成的实际储能；另一部分由灵活性负荷需求响应和电动汽车充放电管理构成的虚拟储能。园区能源系统主要由园区能源代理商（park energy agent，PEA）、园区能源调度中心（park energy dispatching center，PEDC）、各类用户、电动汽车充放电站、电储能（electric energy storage，EES）、电锅炉（electric boilers，EB）、蓄热式电锅（electric boiler heat storage，EBHS）及分布式风电/光伏组成，运营架构如图1所示。

图1 园区广义储能运营架构Fig.1 GES operational architecture

1.2 园区广义储能协同优化框架

本文将广义储能的聚合分成2个阶段。第一阶段：PEA对园区用户申报的各类储能资源进行分类汇总，将日内各时段可参与共享的实际储能及虚拟储能数据上报园区能源调度中心。第二阶段：PEDC利用多类型工、商业用户用电行为的互补性与广义储能系统所产生的聚合效应，进一步扩充虚拟储能可用容量，同时根据清洁能源出力预测数据对PEA上报的负荷响应合同进行调整。园区广义储能协同优化框架如图2所示。

图2 园区广义储能协同优化框架Fig.2 GES collaborative optimization framework of park

本文充分考虑到广义储能中各调节手段的时空特性，在电价峰时段，PEDC以削减园区全体用户的用能成本最大为目标，调度广义储能进行放电，以削减园区峰时段的用电量；在清洁能源过剩及电价平谷时段，PEDC以降低园区用能碳排放为目标，调度广义储能进行充电，以消纳园区清洁能源富余电量，并为后续电价峰时段的负荷削减做准备。

2 广义储能资源模型

2.1 实际储能资源

实际储能包括电储能、热储能等。

2.1.1 电储能模型

式中：SOCt为储能t时段的SOC值；Pch、Pdis、ηch、ηdis分别为储能充、放电功率及效率；Δt为充放电的一个持续时段；SEES,rate为电储能的额定容量。

2.1.2 蓄热式电锅炉蓄热式电锅炉是在电锅炉基础上加装了蓄热罐，打破其常规的“以热定电”模式。模型如下式中：H、P、S分别为热功率、电功率、容量；PEinB,t、HEouBt,t、HEinBHS,t、HEouBtHS,t、SEBHS,t分别为电锅炉t时刻输入电功率、输出热功率及蓄热式电锅炉t时刻输入/输出热功率、热容量；ηEB、νEB,t、αEBHS分别为电锅炉的效率因子、能量分配因子及能量损失因子；Δt为热储能的一个持续时段。

2.2 虚拟储能资源

虚拟储能包含可削减/转移的需求侧灵活性负荷以及电动汽车充放电负荷。

参与需求响应的用户可通过签约响应合同的方式进行负荷转移/削减。因转移负荷而增加或者减少的用电量可视为虚拟储能的充、放电，因削减负荷而减少的用电量可视为虚拟储能的放电。

（1）可转移负荷

式中：PLi,t、Ptiran,t、Priep,t与xitran,t、xirep,t分别为t时刻用户i的负荷功率及可转出/转入负荷功率及可转出/转入负荷比例；titran,sta、titran,end与tirep,sta、tirep,end分别为可转出/转入负荷时段的起始、末尾时刻。

（2）可削减负荷

式中：PLi,t、Pdiim,t分别为t时刻用户i的负荷功率及可削减负荷功率；yidim,t为t时刻用户i的可削减负荷的削减比例；tidim,sta、tidim,end分别为可削减负荷允许削减时段的起始、末尾时刻。

因篇幅限制，关于电动汽车移动储能模型及充放电管理策略详见文献［5］。

3 园区广义储能低碳经济调度模型

3.1 目标函数

本文以园区共享用户群用能成本最小、低碳效益最优为目标实施广义储能资源共享服务，具体目标函数如下。

3.1.1 参与共享用户群用能成本

式中：fuse、fbuy、fEV、fGES分别为参与共享用户群最小净用能成本、购电成本、电动汽车用电成本及PEA运营成本；fE、fEB分别为购电成本与电锅炉用电成本；fDR为参与需求响应收益；fEV,DR为电动汽车参与GES收益；fEbEuSy、SbEuEyS,i,t、CEbuEyS,t分别为PEA在t时刻购买用户i的实际储能使用权支出、容量及价格；Pbiuy,t、Cbiuy,t分别为用户i在t时刻的购电功率及电价；Pdiim,t、Ptiran,t、Priep,t分别为用户i在t时刻参与削减及转入/转出的负荷；δdim、δtran、δrep分别为削减、转移和替代负荷的补偿系数；ftEV,ch、ftEV,dis分别为电动汽车在t时刻的充放电价格；eEV,dist为t时刻电动汽车放电补偿系数；PrEeVd,,tch、PaEdV,t,dis与 freEdV,t,ch、faEd,Vt,dis分别为电动汽车在t时刻的可减少充电量与可增加放电量及响应价格；N为共享用户群组成的集合；i为集合N中的元素，i∈N；T为一个运行日所包含的时段总数。

3.1.2 园区低碳效益

园区低碳效益是指PEDC通过广义储能充电所消纳的清洁能源电量及放电所替代的园区下网电量（假设下网电量均来自火电机组）而获的碳排放配额，其计算公式为

式中：Kcarbon、Icarbon分别为单位电量碳排放配额及周期内PEDC可获得的碳排放配额；EGPVES,ch,t、EGWETS,ch,t和EGdiEs,St分别为t时刻广义储能充电所消纳的清洁能源电量及广义储能放电量；因本文采用充电与放电分别计量叠加计算的方式，故单位电量碳排放配额取正常值一半，Kcarbon=0.364 kg/kWh［6］。

3.1.3 储能等效利用率

储能等效利用率指标是指周期内各类储能资源的实际储放量与总可用储放容量的比值，用以反映储能资源的利用程度，其计算公式为

式中：GESU为储能等效利用率；EGi,cEhS,t、EGi,EdiSs,t分别为t时刻储能i的实际储、放功率；SGES为总可用储放容量；k为周期内储能i的循环利用次数；SGi,cEhS、SGi,dEiSs分别为第k次储能i的可用储放容量。

3.2 约束条件

约束条件包括实际电储能运行约束、蓄热式电锅炉运行约束以及虚拟EV储能充放电约束和可转移/削减负荷约束，因篇幅限制，此处不再赘述。

3.3 模型求解

为权衡用能成本最小与低碳效益最优2个具有矛盾关系的目标，对上述建立的模型设计不同比例权重，将所建立的多目标优化模型转化为单目标优化模型，具体做法如下所述。

（1）以调度周期内用能成本最小为目标函数求解所提模型，得到用能成本最小值δmin和此时的碳排放量值fmax。

（2）以调度周期内低碳效益最优为优化目标，求解所提模型，得到碳排放量最小值fmin和此时的用能成本值δmax。

（3）由于目标函数的优化方向不同，故在进行多目标加权为单目标时，需要进行相应的处理，设定ωδ和ωf分别为园区用户群用能成本最低和最小化碳排放量目标函数的权重系数，则可对目标函数进行加权处理，具体如下

权重系数的取值体现调度中对该目标的重视程度，且满足ωδ+ωf=1，可根据调度需求及系统要求，分配权重系数。因此，当ωδ和ωf被设定后，则园区用户群用能成本和碳排放量能够被获得。

本文采用自适应粒子群算法（adaptive particle swarm algorithm，A-PSO）解决赋权后的单目标优化问题，有关A-PSO的流程与细节参考文献［7］，此处不再赘述。模型求解步骤如下：

（1）读入园区用户负荷参数、各储能的参数、风光发电情况，储能的初始电量以及相关的约束条件，生成园区广义储能共享策略的初始种群；

（2）初始化粒子群，包括粒子数目、位置、迭代次数、权重参数；

（3）计算粒子的适应值并对其进行评价，分别记录粒子个体和群体的最优位置及最佳适应值；

（4）利用粒子群算法对新种群执行优化，选取全局最优粒子，进行种群进化方向的引导；

（5）计算种群的进化因子，判断种群进化状态，自适应调节种群进化所需权重ω及认知系数c1、社会系数c2等重要参数；

（6）求解更新后的粒子个体和群体的最优位置及最佳适应值，并将当前的群体极值与之前最好的群体极值进行比较，如果优于之前最好的群体极值则进行替代更新，并记录此时粒子的位置；

（7）判断迭代结果或者迭代次数是否满足终止条件，若满足条件，迭代终止并输出最优解方案，否则返回步骤（3）。

4 算例分析

4.1 算例条件

本文选取某园区5家不同类型用户（A1—A3、B1、B2）为算例对象，A1为平峰型用户—化工厂；A2为双峰型用户—服装厂；A3为三峰型用户—商业区（含酒店、餐厅）；B1为电动汽车充电站（园区共享储能站）；B2为园区分布式风光发电用户。以冬季某典型日为运行日，日内各用户的电负荷、园区热负荷及风电、光伏出力相对功率曲线如图3所示，其中用户A1、A2、A3及B1的负荷基准值分别为10 MW、4 MW、5 MW、4 MW，热负荷基准值为8 MW，用户B2的风电、光伏出力基准值分别为12 MW、10 MW。假设园区用户拥有的分布式储能使用权均出售给PEA，并由PEDC进行统一调控。为了提高储能利用率，将储能使用权的使用分为0：00—13：00与13：00—24：00两个时段，通过日前交易获得的储能使用权仅可在相对应的时段内使用。购售电价及储能使用权价格均采用分时价格模式，如图4所示。

图3 园区用户相对功率Fig.3 Relative power of park users

图4 价格曲线Fig.4 Price curves

单位实体储能参数如表1所示，各类用户拥有的实体蓄电池、储热罐数量及分布式风电/光伏装机容量如表2所示。园区内各类电动汽车的车辆参数及停驶情况概率分布数据参考文献［7］。设置园区储能共享的优化周期1 d，T=1 h。算例中可削减负荷占比10%，可转移负荷占比30%，电动汽车充电负荷最多可转移50%，负荷响应补偿合同如表3所示，各用户申报的负荷响应合同数量如表4所示。采用Matlab软件编写自适应粒子群算法对优化模型进行求解，种群数量设为60，最大迭代次数取30。

表1 单位实体储能参数Fig.1 Parameters of unit physical storage

表2 园区用户实体储能数量及分布式电源参数Fig.2 Energy storage quantity and distributed generation parameters of users in the park

表3 负荷响应合同Fig.3 Load response contract

表4 园区用户负荷响应合同数量Fig.4 Number of user load response contracts in the park个

4.2 基础运行结果分析

两阶段广义储能聚合结果如图5所示。其中，图5(a)为PEA阶段各用户上报的可参与储能共享的实际/虚拟储能容量及EV储能容量；图5(b)为经过PEDC阶段调整后的各时段广义储能容量。可以看出，调整后的各时段广义储能可用充放电容量更接近园区负荷调整及清洁能源消纳的需求。

图5 广义储能可用容量Fig.5 Generalized available energy storage capacity

计及广义储能调度前后的园区电、热负荷曲线如图6所示。可以看出，基于分时电价机制，利用实际储能固有的能量时间转移特性及经济补贴机制下灵活性资源的“虚拟转移”能力，在园区清洁能源电量富裕及电价谷时段进行广义储能储存能量，而电价峰时段及园区下网负荷较重时进行广义储能释放能量，调整后的园区高峰时段电、热负荷均明显减少，低谷时段电、热负荷明显增加。

图6 考虑广义储能前后的电、热负荷曲线Fig.6 Electric and heat load curves before and after considering generalized energy storage

计及广义储能调度前后下网负荷曲线如图7所示。可以看出，园区下网负荷曲线的峰谷差由24.8 MW降至14.1 MW，且调度后无弃风、弃光情况发生，实现了兼顾低碳经济运行、缩小峰谷差以及提升系统运行稳定性的调度效果。

图7 园区下网负荷曲线Fig.7 Off grid load curves of the park

4.3 广义储能响应策略分析

实际储能与虚拟储能的调度结果如图8所示。可以看出，当广义储能系统进行充电时，一定比例的实际储能首先进行充电响应，由虚拟储能填补剩余储能需求，当某时段虚拟储能响应量不足，出现的功率缺额将由预留的实际储能进行填补。当广义储能系统进行放电时，采用由虚拟储能进行优先响应的放电控制策略，并由实际储能来填补剩余所有储能需求。

图8 广义储能响应情况Fig.8 Generalized energy storage response

不同控制策略下的GES经济收益曲线如图9所示。从图中可以看出，充电时，实际储能优先响应控制策略下GES收益，比虚拟储能优先响应的收益要高；而放电时，受虚拟储能响应不确定性的影响，虚拟储能优先响应控制策略下GES收益高于实际储能优先响应情况。另外，前期虚拟储能所占比例较低时，参与调度的实际容量存在冗余，冗余的容量无法进一步提高GES的经济收益，故该阶段利用虚拟储能容量提高带来的的经济收益走势先升后平。而随着虚拟储能所占比例的继续增大，实际储能响应电量的需求处于不饱和的状态，GES收益受虚拟储能响应不确定性的影响，故走势为缓降。

图9 不同控制策略下的GES收益曲线Fig.9 GES yield curves under different control strategies

综上所述，考虑实际储能具有响应速度快、精度高的特点，而虚拟储能响应电量具有较大的不确定性劣势，在广义储能充电时，利用实际储能为虚拟储能提供辅助服务，可有效降低调度过程中因虚拟储能不确定性而带来的储能充电容量损失，有利于负荷侧资源更好地参与系统运行。在广义储能放电时，采用虚拟储能优先响应的控制策略则可以有效地提高广义储能参与园区负荷调控的响应质量，一定程度上减少了对实际储能的需求。

4.4 储能共享结果分析

为了验证广义储能共享模式及响应策略的优越性，在4.2节基础场景的基础上，设置3种方案进行对比：方案1中系统无储能共享；方案2中仅实际储能参与共享；方案3为本文所提方案。其中方案1与方案2的优化对象为园区用户用能成本。不同方案下的优化运行结果如表5所示。

表5 结果对比Fig.5 Comparison of results

由上表可知，方案2较方案1的储能利用率提高了51.1%，对应的园区总用能成本减少了4.1%，而获得的碳排放配额则增加了5 883kg，说明引入共享理念参与储能具有良好的经济性和低碳性，实现了电能的时间转移与价值提升。因方案3中虚拟储能与实际储能一同参与共享，使得方案3较方案2的储能利用率降低了3.3%，虽然园区总用能成本只降低了1.6%，但获得的碳排放配额大幅增加了14 037kg，说明引入广义储能概念使得园区能源系统运行的经济性和低碳效益进一步提高。

结合以上数据分析可知，虚拟储能的加入辅助实体储能完成系统经济稳定运行的同时，在一定程度上降低了园区用能成本，同时随着风/光电消纳率的提高，使得园区获得了更多的碳排放配额收益。可见，在储能共享模式下，利用广义储能系统的弹性储/放特征，通过对园区源、荷侧资源的统一聚合调控，进一步挖掘了广义储能系统的潜力，使得广义储能相比实际储能获得更优的灵活性、经济性及低碳性优势。

5 结束语

本文从促进园区用户侧广义储能资源开放共享、高效利用出发，借鉴共享经济理念，提出了一种多用户多类型储能资源网络化运营平台架构，整合了碎片化的园区用户侧分布式储能资源，实现用户侧分布式储能资源信息化管控和互联共享。为实现园区广义储能资源优化调控，本文进一步建立了以园区共享用户群用能成本最小及低碳效益最优为目标的优化调度模型，并提出了实际储能与虚拟储能的储放控制策略。算例结果表明：本文所提共享模式及响应策略能够有效提升广义储能资源参与园区负荷调控的响应质量，实现了兼顾园区用能经济低碳、促进清洁能源消纳以及缩小下网负荷峰谷差、提升用户侧储能资源利用率的调度效果。D