基于能源路由器的智慧小镇能源互联网分区协同规划

程孟增，刘禹彤，商文颖，程 祥

（1.国网辽宁省电力有限公司经济技术研究院，辽宁 沈阳 110065；2.沈阳工业大学 电气工程学院，辽宁沈阳 110870）

0 引言

随着传统化石能源的日益枯竭与环境污染问题的不断显现，为解决能源和环境同时带来的双重挑战，“双碳”目标在我国首次被提出。得益于“双碳”政策和新能源产业繁荣发展的大环境，能源互联网系统势必迎来重大发展。随着能源互联网相关研究的不断深入，其内涵也不断得以丰富和完善。目前，能源互联网主要分为能源局域网、区域能源互联网及全球能源互联网3个层级[1]～[3]。能源局域网可以在一定区域内利用能源转换元件将电/气/热等多种能源紧密耦合；区域能源互联网则是在能源局域网的基础上（每个能源局域网相当于分布式能源节点），实现多个能源局域网间的能源协同互联；全球能源互联网则是以实现全球能源共享为理念。其中区域能源互联网作为一种新兴的供能方式，可以在一定区域内实现能源的“区域自治”，已成为全球能源系统发展的重要方向之一[4]，[5]。

目前，学者们在能源互联网规划方面的研究主要有两类：①集中式多能源协同规划；②多区域协同规划。集中式多能源协同规划是以特定的规划原则考虑系统内多能耦合、多能互补特性，从而确定区域能源互联网规划方案。文献[6]～[9]分别提出电-气耦合、电-热耦合、电-气-热耦合、电-冷-热耦合等多能协同规划，在此基础上，文献[10]～[13]分别提出考虑多能负荷用能不确定性、考虑用户综合响应参与调节、考虑电动汽车充电方式、考虑能源网-交通网融合等优化规划方法。可见，集中式多能源协同规划在“源-网-荷-储”方面均已得到大量研究，但其规划原则是将待规划区域作为一个“整体”考虑，规划结果不适用于具有数量多、容量小、分布广的电/气/热负荷节点的城镇能源规划。而多区域协同规划则是在集中式规划的基础上，考虑多个“整体”经济性最优为规划目标。为此，文献[14]提出建立上、中、下3层多区域规划模型，基于交替方向乘子算法对模型进行分解求解，算例表明该模型具有一定的经济性与实用性。文献[15]提出一种既兼顾规划经济成本又考虑运行问题的多区域两阶段容量优化配置方法，采用非支配排序遗传算法对算例进行求解，验证了所提方法的经济性。由此可见，目前鲜有文献针对智慧小镇能源互联网分区协同规划展开研究，且城镇的区域划分均采用工业区、商业区、居民区等固有划分模式，这在很大程度上限制了多区域的规划结果。

综上所述，本文考虑综合负荷矩对城镇能源互联网规划的影响，提出一种基于能源路由器的城镇能源互联网分区协同规划方法。首先提出能源互联网分区协同系统结构；其次提出基于自组织特征映射神经网络聚类算法对城镇负荷节点进行分区，并将聚类中心作为能源路由器选址位置。在此基础上，从能源供给、能源转换、能源消费、能源传输等方面建立考虑多能源局域网协同的能源路由器模型，针对各能源局域网典型日不同负荷曲线，建立考虑多能源局域网协同互联的规划模型。利用量子遗传算法求解所建立的规划模型，实现多区域协同的能源路由器配置。最后，通过算例验证本文所提方法具有更好的经济性。

1 城镇能源互联网分区协同规划系统结构

城镇中存在众多容量小、分布广的电/气/热负荷节点，如果采用传统集中式能源规划将造成大量的能源损耗。采用合理的分区方法将城镇能源互联网划分为多个能源局域网，各能源局域网以能源路由器为核心，构建互联互通、协调互济的能源网络，有利于城镇电网的稳定及新能源的就地消纳。能源互联网分区协同系统结构如图1所示。

图1 能源互联网分区协同系统结构图Fig.1 Structure of energy internet zoning collaboration system

从图1中可以看出，该系统主要由上级配电网/配气网、能源路由器及电/气/热负荷组成。由于热能传输效率较低，不适合远距离传输，能源互联网外部一般只规划电、气能源网络，因此各能源路由器向上级配电网/配气网购买电/气能源，经能源转换元件转换后优先供给能源局域网内部电/气/热能源用户，在元件出力大于负荷需求时传输给其它能源局域网，在功率不足时优先考虑从其它能源局域网接收能源。与传统集中式规划采用单一调度内部储能元件调节的方式不同，分区协同改善了能源互联网整体的供用能方式，可以提高系统的整体经济性。

2 基于自组织特征映射神经网络的能源互联网分区及能源路由器选址方法

2.1 考虑综合负荷矩的自组织特征映射神经网络聚类算法

自组织特征映射神经网络作为一种仿效大脑神经系统信息处理过程的无监督学习算法，可以快速地计算出原始数据间的类似度，从而将相似的输入数据分为一组，常以欧式距离或余弦法来衡量原始数据间的相似度。自组织特征映射神经网络拓扑结构如图2所示，该网络由输入层与竞争层（输出层）两部分组成，输入层与输出层之间实行前馈连接[16]，[17]。

图2 自组织特征映射神经网络拓扑结构Fig.2 Self organizing feature map neural network topology

电负荷矩可以直接反映电能的传输损耗[18]。基于这一思想，本文以综合负荷矩最小为相似度准则，对能源互联网进行聚类分区。考虑到系统中任意节点i可能同时含有电/气/热多种能源形式，本文引入属性权重的概念，定义任意节点i的能源形式r=1，2，3分别表示电、热、气，以此来表征任意节点i中同时含有电/气/热能源形式的权重。其电/气/热加权综合负荷矩如下所示：

式中：L为综合负荷矩；u为聚类中心；Liu为能源局域网内任意节点i到聚类中心的电/气/热负荷矩；αir为任意节点i含有电/气/热的权重；ηr为电/气/热能源的传输效率；Pir为任意负荷节点i的电/气/热负荷需求。

2.2 考虑综合负荷矩的自组织特征映射神经网络聚类流程

自组织特征映射神经网络对城镇内负荷节点聚类分为两个阶段：①学习阶段，随机选择训练数据，以综合负荷矩为判据确定最优神经元，同时更新权值；②聚类阶段，对样本数据进行相似度计算，然后将同类的数据映射至神经元。主要步骤如下。

①权值初始化。从城镇内负荷节点中选取n个数据作为自组织特征映射神经网络的训练样本X=[x1，x2…，xn]T，并对神经元连接权重矢量mj=[mj1，mj2…，mjm]T赋予随机的权值作为初始权值，选择邻域半径及学习速率。

②获得最优神经元。分别计算样本训练数据X与神经元j的综合负荷矩L，其中综合负荷矩最小的神经元即为最优神经元g。

③调整权值。修正最优神经元及其几何邻域内神经元的权向量。

④更新神经网络拓扑邻域及学习速率。

式中：η（t）为初始神经网络学习速率；t与T分别为当前迭代学习次数与迭代学习总次数。

⑤多次迭代学习。提供新样本数据并重复步骤②～④，直至完成所有样本数据的训练或达到最大迭代学习次数T。

⑥输出最优能源互联网分区及能源路由器选址方法。编号一致的神经元为同一能源局域网内的负荷节点，聚类中心即为能源路由器选址位置。

3 考虑多区域协同的能源互联网规划方法

3.1 考虑多区域协同的能源路由器模型

电能路由器是分布在用户侧的核心控制器件，可以为光伏、储能装置等分布式电源与分布式负荷节点提供即插即用的交直流接口。本文以能源枢纽的矩阵模型为依托，将电能路由器单一电能接口扩展为具有多种能源接口的能源路由器，实现能源互联网背景下能源的供需平衡，其数学模型为

式中：L，T，P分别为能源输出、能源转换及能源输入环节。

考虑城镇能源系统包含多种能源转换环节，为更好地体现能源路由器的能源耦合关系，本文结合算例待规划能源元件类型对能源路由器模型进行扩展。其能源路由器模型为

3.2 分区协同规划目标函数

分区协同规划模型以年费用F最少为目标，包括能源元件的投资成本Cinv、能源元件的年运行维护成本Cope、各能源路由器向外部配电网/配气网的主网能源购买成本Ctrade与等值碳税成本CCO24个部分。

①能源元件投资成本

式中：nequ为待规划能源元件种类；Cm，s，Vm，s分别为能源路由器m中能源元件s的单位容量成本与规划容量；R为能源元件的贴现系数；r为能源元件的年贴现率；Ls为能源元件的寿命。

②能源元件运行维护成本

③主网能源购买成本

④等值碳税成本

式中：ωtax为等值碳税；为传统发电厂产生单位电能时排放的CO2；为能源路由器m的天然气系统产生单位能量时排放的CO2；ηelec为电网的传输效率。

3.3 分区协同规划约束条件

分区协同规划的约束条件包括能源路由器约束与功率平衡约束。

①能源路由器约束

②功率平衡约束

3.4 基于量子遗传算法的分区协同规划模型求解方法

分区协同规划是一个多目标、多约束条件的复杂规划问题，本文针对此问题采用量子遗传算法求解所建立的规划模型。量子遗传算法是在遗传算法的基础上，将量子计算对传统遗传算法的编码方式和更新方式进行改进，具有更高的并行性[19]，[20]。结合本文所建模型，适应度函数是以各能源设备规划容量为因变量，年成本为自变量的非线性函数；采用量子比特与量子逻辑门更新染色体对能源设备规划容量进行编码与更新。基于量子遗传算法的能源互联网分区协同规划求解流程如图3所示，其具体求解方法如下。

图3 基于量子遗传算法的城镇能源互联网分区协同规划求解流程Fig.3 Solution flow of urban energy internet zoning collaborative planning based on quantum genetic algorithm

①输入原始参数。输入包括当前种群进化次数t=0及种群最大迭代次数T，随机生成个体为M的初始种群Q（t0）。

②初始染色体编码。遗传算法常采用二进制编码对染色体进行取值，量子遗传算法则是在此基础上引入了量子编程，采用量子比特概率幅表示染色体的编码，且一个量子比特会同时处于多个幅度和为1的量子叠加态中，增加了染色体取值的变化，如下式所示：

由于本文所建立的规划模型中共有6个待规划能源设备，因此将本文所述待规划能源路由器的染色体结构分为6个子部分，各子部分表示各染色体所构成的个体基因即能源元件的规划容量，因此采用量子比特编码后迭代k次时的第i个基因Qj（k）表示为

③个体评价。测量种群Q（t0）中M个个体，得到确定解P（t0）的二进制编码，求得种群个体适应度值对应的十进制数。

④记录种群中最优个体及对应的适应度值大小，以当前最优个体即当前最优能源设备容量配置结果为进化目标。

⑤量子旋转门操作更新染色体编码。量子遗传算法更新染色体编码方式的本质是改变种群中所有染色体量子比特的量子角度并采取旋转复数幅进行量子态的干涉，从而使得染色体取值趋近于较优染色体，其量子旋转门如下式所示：

⑥生成下一代群体。基于量子旋转门更新染色体编码，进一步得到新的种群Q（t+1）。

⑦多次迭代。重复步骤③～⑥，直至t=T时终止迭代。

⑧输出规划结果。输出最优能源元件容量配置结果及在典型日的调度结果。

4 算例分析

选取北方某工商居混合区小镇作为本文所提城镇能源互联网分区协同规划对象，小镇目前发展定位是“产城融合”的低碳小镇，小镇内现有大量工业负荷及居民生活商业办公一体化电/气/热能源用户。根据小镇的平面设计图，采用（x，y）二维坐标数据确定小镇内负荷的位置，城镇电/气/热负荷见图4，本文拟规划能源元件参数见表1，其中耗气系统CO2排放系数为0.19 kg/（kW·h），传统火电厂CO2排放系数为0.80 kg/（kW·h），等值碳税为0.3元/kg，小镇典型日光伏出力曲线如图5所示，小镇分时电价如图6所示，气价为3元/m3。

表1 能源元件参数Table 1 Energy element parameters

图4 小镇负荷节点Fig.4 Load node diagram of small town

图5 典型日光伏出力曲线Fig.5 Typical solar photovoltaic output curve

图6 小镇分时电价Fig.6 Town time-of-use electricity price

4.1 能源互联网分区与能源路由器配置结果

本文设置初始学习速率与神经元初始邻域宽度分别为0.45与1/3竞争层宽度，小镇能源互联系统内100个负荷节点训练结果如图7所示。此时，聚类中心距团簇内各负荷节点传输损耗小，因此，团簇内聚类中心即为能源路由器的最优选址。此时，每个能源局域网包含多个负荷点，将各团簇内电/气/热负荷点叠加，可得到各局域网典型日的电/气/热负荷曲线，如图8所示。

图7 能源互联网分区及能源路由器选址结果Fig.7 Energy internet zoning and energy router location results

图8 能源局域网典型日负荷曲线Fig.8 Energy LAN typical daily load curve

从图8可以看出，由于各能源局域网内负荷节点的建设受聚集效应影响，使得采用综合负荷矩的分区方式的各区之间用能行为仍存在较大差异。基于能源局域网1～3个典型日负荷曲线，运行matlab编写代码求解，得到的结果如表2所示，对应适应度值为13 939.52。

表2 各能源路由器内容量配置结果Table 2 Capacity configuration results of each energy router

为比较量子遗传算法的有效性及优越性，本文将两种算法的进化代数同时设置为250，种群数设置为50。图9为适应度值随迭代次数变化情况，表3为不同迭代次数下2种算法求得的最优目标函数值。从图9和表3中可以看出，迭代初期量子遗传算法迭代曲线斜率大于遗传算法，量子遗传算法与遗传算法分别于56代、78代左右趋于平稳并收敛，量子遗传算法的收敛速度比遗传算法更快，迭代结束后量子遗传算法得到的适应度值明显低于遗传算法。因此，在求解文中所建规划模型时，量子遗传算法的效率比遗传算法更高，得到的结果也更好。

表3 不同迭代次数下2种算法的求解结果Table 3 Solution results of two algorithms under different iteration times

图9 适应度值随迭代次数变化Fig.9 The fitness value changes with the number of iterations

4.2 分区协同规划效益分析

设置3种不同规划方式对本文所述方法的效益进行对比分析。3种规划方式经济性如表4所示。

表4 3种规划方式经济性对比Table 4 Economic comparison of three planning methods万元

方式1采用集中式规划，即只配置单一能源路由器对能源互联网进行整体规划。方式2采用分区独立规划，即分区后各能源路由器单独规划，仅考虑能源局域网内部能源传输、能源转换、能源负荷供需关系。方式3采用分区协同规划，即分区后各能源路由器在考虑所在能源局域网内部能源传输、能源转换、能源负荷供需关系的同时，还要考虑各能源局域网间供需关系。

由表4可以看出，与集中式规划相比，分区独立规划与分区协同规划均明显降低能源购置成本，这是因为考虑综合负荷矩的城镇能源互联网分区方法在保证传输损耗较小的基础上，各区域负荷特性差异仍较大，可以更好地发挥出燃气轮机的热电效应，虽然在能源设备投资成本及能源设备运行维护成本上有所提高，但能源购置费用与等值碳税成本显著降低。

与分区独立规划相比，分区协同规划在设备投资成本、能源购置成本、等值碳税成本上均有一定减少，这是由于通过能源局域网间能源路由器的协调互联，使得城镇在运行时，可以将不同能源局域网的负荷特性充分发挥起来，进一步改善了城镇能源系统的运行状态。分区协同规划总成本节省约502万元。

4.3 典型日系统调度结果分析

各能源局域网典型日调度结果如图10～12所示。由图10～12可以看出，在00：00-07：00与23：00-24：00时间段电价相对较低，3个区域在此时对储电装置进行充电。从07：00时开始，虽然3个能源局域网用电量呈上升趋势，但光伏出力逐渐增大，当光伏与燃气轮机组出力总量大于其自身负荷及电锅炉耗电时，或燃气轮机出力因热电比受限时，各能源局域网将多余电能传输给其余能源局域网，从而减少城镇整体能源系统的能源购置成本。在午间12：00时左右，由于属性和作用相似的部门分布比较集中，能源局域网3与居民用户用电特点较为接近，呈“凹”状，而能源局域网1与能源局域网2表现出不同的负荷特性，能源局域网3将充足的电能支援给其余两个能源局域网。在13：00-15：00时，光伏出力逐渐降低，此时电价相对较高，储电装置参与调节以保证系统的供能成本；从18：00时开始，光伏出力降为0，能源局域网3电能与热能需求均较大，储能电池与燃气轮机配合充分发挥燃气轮机的供能经济性，将富裕的电能传输给其他区域有助于优化系统整体的用能方式。

图10 能源局域网1电/气/热功率调度结果Fig.10 Energy LAN 1 electric/thermal/pneumatic power dispatching results

图11 能源局域网2电/气/热功率调度结果Fig.11 Energy LAN 2 electric/thermal/pneumatic power dispatching results

图12 能源局域网3电/气/热功率调度结果Fig.12 Energy LAN 3 electric/thermal/pneumatic power dispatching results

5 结束语

针对“双碳”背景下城镇能源系统面临形态调整、可再生能源消纳受限及电力改革进程加快等问题，本文提出了基于能源路由器的城镇能源互联网分区协同规划方法，建立了基于自组织特征映射神经网络的能源互联网分区及能源路由器选址方法、考虑多区域协同的能源路由器模型以及分区协同规划模型，同时采用量子遗传算法求解所建立的规划模型。算例表明，本文提出的基于能源路由器的城镇能源互联网分区协同规划方法可以实现各类能源设备的配置及能源路由器间能源的协同运行。同时，通过对比量子遗传算法与遗传算法，可以看出量子遗传算法运算效率更高，结果更优。对比3种规划方式的成本可以看出，本文提出的规划方法具有更好的经济效益与环境效益，多个能源路由器互补协调规划可以有效地缓解不同负荷峰谷时段不匹配以及负荷热电比与燃气轮机热电比不匹配的问题，为城镇能源互联网规划提供理论参考。