馬 瑞, 王京生

(長沙理工大學(xué)電氣與信息工程學(xué)院, 湖南省長沙市 410114)

0 引言

依托能源互聯(lián)網(wǎng)實(shí)現(xiàn)清潔能源消納比例的提升和冷熱電多能互補(bǔ)高效利用已成能源轉(zhuǎn)型必然途徑[1-3]。智慧社區(qū)多能流系統(tǒng)是能源互聯(lián)網(wǎng)主要形式,而多能流系統(tǒng)調(diào)度計(jì)劃則是系統(tǒng)運(yùn)行中的關(guān)鍵問題[4]。

對分布式風(fēng)電和光伏、負(fù)荷及實(shí)時(shí)電價(jià)等進(jìn)行預(yù)測,并對其不確定性進(jìn)行處理是制定能源計(jì)劃的基礎(chǔ)。目前處理方法可分為2類:一類是在給定預(yù)測值情況下獲取確定性日前計(jì)劃或采用基于標(biāo)準(zhǔn)模型預(yù)測控制(model predictive control,MPC)的在線滾動優(yōu)化方法對預(yù)測偏差進(jìn)行修正[5];另一類是通過蒙特卡洛(Monte Carlo,MC)模擬與場景縮減技術(shù)處理預(yù)測誤差隨機(jī)性,利用隨機(jī)模型預(yù)測控制(stochastic model predictive control, SMPC)方法在線優(yōu)化獲得實(shí)時(shí)計(jì)劃[6-7],該方法在模擬初始場景集時(shí)較為費(fèi)時(shí)。已有研究表明隨機(jī)響應(yīng)面法在采樣點(diǎn)數(shù)與計(jì)算時(shí)間上相對MC模擬方法具有優(yōu)勢[8-9]。同時(shí),冷熱電聯(lián)供(combined cooling,heating and power,CCHP)系統(tǒng)是社區(qū)或園區(qū)多能互補(bǔ)的基本形式。文獻(xiàn)[10]給出了含CCHP微網(wǎng)的通用建模方法。文獻(xiàn)[11]基于MPC建立了含CCHP微網(wǎng)的調(diào)度計(jì)劃模型,并且采用混合整數(shù)線性規(guī)劃法進(jìn)行求解,但未考慮負(fù)荷不確定性,也未計(jì)及環(huán)保因素。文獻(xiàn)[12]基于機(jī)會約束規(guī)劃對含CCHP微網(wǎng)進(jìn)行優(yōu)化建模并采用遺傳算法進(jìn)行求解。

事實(shí)上,智慧社區(qū)多能互補(bǔ)運(yùn)行須兼顧經(jīng)濟(jì)性和環(huán)保性,且應(yīng)綜合考慮分布式風(fēng)電和光伏、CCHP、儲能和電動汽車、家用智能負(fù)載等源荷儲設(shè)備的技術(shù)、經(jīng)濟(jì)和環(huán)保特性,還須計(jì)及多類能源價(jià)格及其不確定性,考慮上述因素,本文提出一種智慧社區(qū)多能流隨機(jī)響應(yīng)面模型預(yù)測控制方法。

1 基于隨機(jī)響應(yīng)面法與場景法的智慧社區(qū)多能流隨機(jī)場景模擬

采用隨機(jī)響應(yīng)面法分析分布式風(fēng)電和光伏出力、負(fù)載及實(shí)時(shí)電價(jià)等預(yù)測誤差的概率密度曲線,并將其離散化,采用輪盤賭算法產(chǎn)生具有相應(yīng)概率的初始場景集并用最近鄰聚類進(jìn)行場景削減。以風(fēng)電出力為例說明如下。

步驟1:對于服從雙參數(shù)Weibull分布的風(fēng)速,采用標(biāo)準(zhǔn)正態(tài)分布將風(fēng)速標(biāo)準(zhǔn)化[9],并選取3階Hermite混沌多項(xiàng)式表示風(fēng)速預(yù)測誤差值,如下式所示。

(1)

式中:y為風(fēng)速預(yù)測誤差;ξ為表示標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)變量;a為系數(shù);n為隨機(jī)變量維數(shù)。

步驟2:采用概率配點(diǎn)法(efficient collocation method,ECM)采樣[9],確定式(1)系數(shù),由風(fēng)速概率密度和高斯求積[13]得到風(fēng)電出力預(yù)測誤差期望與方差。

步驟3:采用隨機(jī)響應(yīng)面法得到預(yù)測誤差概率密度分布曲線,并將其離散化為7個(gè)區(qū)間,各區(qū)間寬度均設(shè)為預(yù)測誤差的標(biāo)準(zhǔn)差,將各區(qū)間概率值標(biāo)準(zhǔn)化[14],使其概率之和為1。

步驟4:采用輪盤賭算法隨機(jī)抽樣產(chǎn)生各時(shí)段的預(yù)測誤差值,并保留其對應(yīng)的概率值,對生成的場景集進(jìn)行標(biāo)準(zhǔn)化處理,使各場景對應(yīng)概率值的總和為1。

步驟5:采用最近鄰聚類法對初始場景集進(jìn)行聚類縮減,使得縮減后的場景集仍具有縮減前的多樣性。

2 智慧社區(qū)多能流多目標(biāo)優(yōu)化調(diào)度模型

2.1 多能流系統(tǒng)模型及運(yùn)行約束

2.1.1多能流系統(tǒng)設(shè)備模型及運(yùn)行約束

1)CCHP系統(tǒng)數(shù)學(xué)模型及約束

CCHP系統(tǒng)的運(yùn)行方式根據(jù)社區(qū)負(fù)荷類型,采用以熱定電的運(yùn)行策略[10,12,15]。所構(gòu)建CCHP系統(tǒng)數(shù)學(xué)模型及約束如下所示。

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

式中:QL_cool和QL_heat分別為冷負(fù)荷和熱負(fù)荷功率值;PEC和PHP分別為電制冷機(jī)與電制熱機(jī)的電功率值;λEC和λHP分別為電制冷機(jī)與電制熱機(jī)的能效比;γCH為CCHP系統(tǒng)制冷(熱)設(shè)備性能參數(shù);QCH_cool和QCH_heat分別為CCHP系統(tǒng)制冷、制熱功率值;QCS和QHS分別為儲冷與儲熱單元功率值;PMT為微燃?xì)廨啓C(jī)輸出功率;ηMT和ηl分別為微燃?xì)廨啓C(jī)效率及損耗率;PEC_min和PEC_max分別為電制冷機(jī)電功率的最小值和最大值;PHP_min和PHP_max分別為電制熱機(jī)電功率的最小值和最大值;QCH_min和QCH_max分別為CCHP系統(tǒng)制熱(冷)功率的最小值和最大值;PMT_min和PMT_max分別為微燃?xì)廨啓C(jī)輸出功率的最小值和最大值;上標(biāo)s表示場景集;k為時(shí)間變量。

2)分布式可控發(fā)電設(shè)備數(shù)學(xué)模型及約束

分布式可控發(fā)電設(shè)備需滿足輸出功率、爬坡率及啟停時(shí)間約束,其數(shù)學(xué)模型如下所示。

(10)

(11)

(12)

(13)

(14)

(15)

3)儲能系統(tǒng)數(shù)學(xué)模型及約束

(16)

(17)

(18)

(19)

(20)

(21)

(22)

(23)

式中:EESS為儲能系統(tǒng)的容量;ηESSc和ηESSd分別為儲能系統(tǒng)的充電效率與放電效率;PESSc和PESSd分別為儲能系統(tǒng)充電功率與放電功率;εESS為儲能系統(tǒng)的自放電率;μESSc和μESSd分別為表示儲能系統(tǒng)充電與放電狀態(tài)的變量,μESSc充電時(shí)為1,放電時(shí)為0,μESSd放電時(shí)為1,充電時(shí)為0;PESSmin和PESSmax分別為儲能系統(tǒng)充放電功率的最小值與最大值;EESSmin和EESSmax分別為儲能設(shè)備充放電容量的最小值和最大值;ZESScd和ZESSdc分別為充電轉(zhuǎn)放電狀態(tài)值和放電轉(zhuǎn)充電狀態(tài)值,用于統(tǒng)計(jì)充放電狀態(tài)轉(zhuǎn)換情況;Δt為單位時(shí)長;Nc為充電轉(zhuǎn)放電狀態(tài)與放電轉(zhuǎn)充電狀態(tài)的最大次數(shù)。

式(21)至式(23)是為避免充放電頻繁轉(zhuǎn)換現(xiàn)象[9]的約束條件。電動汽車并網(wǎng)時(shí),容量與充放電功率關(guān)系類似儲能處理。

4)負(fù)載模型

智慧社區(qū)負(fù)載可分為:關(guān)鍵負(fù)載,如社區(qū)中的照明、通信等;可調(diào)度負(fù)載,如洗衣機(jī)、洗碗機(jī)、吸塵器等;功率可切負(fù)載,當(dāng)電價(jià)高于懲罰系數(shù)時(shí)可通過調(diào)節(jié)功率降低經(jīng)濟(jì)成本,如空調(diào)等[7]。

可調(diào)度負(fù)載在規(guī)定時(shí)間窗口內(nèi)運(yùn)行,其模型如式(24)所示；對一次任務(wù)過程中不可中斷的負(fù)載,約束條件如式(25)所示;為避免切除功率過大帶來不利影響,所采用約束條件如式(26)所示。

(24)

ν∈[Tstart,i,Tend,i]

(25)

(26)

式中:Tstart,i,Tend,i,Tsch,i分別為可調(diào)度負(fù)載i的最早運(yùn)行時(shí)間、最晚結(jié)束時(shí)間和完成一次任務(wù)所需時(shí)間;μLsch,i為可調(diào)度負(fù)載i的狀態(tài)變量；θLc,θLcmin,θLcmax分別為功率可切負(fù)載的切除率、最小值和最大值。

2.1.2多能流系統(tǒng)功率平衡及功率交換約束

1)冷熱電功率平衡約束

電功率平衡約束如式(27)所示。

(27)

式中:Pg,Pw,PPV分別為社區(qū)能源網(wǎng)與電網(wǎng)交互功率、風(fēng)電出力及光伏出力;PEVc和PEVd分別為電動汽車充電與放電功率;PLsch,i為可調(diào)度負(fù)載i的功率;PLk和PLc,j分別為關(guān)鍵負(fù)載與可切負(fù)載j的功率;m和M分別為可調(diào)度負(fù)載與可切負(fù)載數(shù)量。

冷熱功率平衡如式(2)至式(4)所示。

2)不等式約束

社區(qū)能源網(wǎng)與電網(wǎng)交互功率的約束條件如下式所示。

(28)

2.2 目標(biāo)函數(shù)

1)多能流系統(tǒng)運(yùn)行經(jīng)濟(jì)成本

計(jì)及分布式可控發(fā)電設(shè)備維護(hù)成本和啟停成本、儲能和電動汽車充放電成本、電網(wǎng)買電/賣電成本、可調(diào)度負(fù)載及可切負(fù)載調(diào)度懲罰費(fèi)用、CCHP系統(tǒng)燃?xì)獬杀镜鹊亩嗄芰飨到y(tǒng)運(yùn)行成本F1如下式所示。

(29)

將CCHP系統(tǒng)中天然氣價(jià)格轉(zhuǎn)化為熱值價(jià)格計(jì)算[10],C1可表示為:

C1=Cfcfs(k)

(30)

2)多能流系統(tǒng)運(yùn)行環(huán)保成本

考慮分布式可控發(fā)電設(shè)備、電網(wǎng)常規(guī)機(jī)組及CCHP系統(tǒng)等污染氣體排放量與懲罰費(fèi)用的關(guān)系,建立環(huán)保成本目標(biāo)函數(shù)F2如下所示。

(31)

式中:ω為污染氣體的懲罰費(fèi)用;lg,i,lDG,i,lMT,i分別為電網(wǎng)、分布式可控發(fā)電設(shè)備以及微燃?xì)廨啓C(jī)發(fā)電時(shí)第i類氣體排放量;J為氣體類型總數(shù)。

3 智慧社區(qū)多能流隨機(jī)模型預(yù)測控制求解步驟

本文暫未考慮多目標(biāo)問題的帕累托解求取方法,僅將經(jīng)濟(jì)與環(huán)保函數(shù)轉(zhuǎn)化為統(tǒng)一量綱進(jìn)行計(jì)算,通過主觀賦權(quán)法將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題,然后采用隨機(jī)響應(yīng)面法和MPC方法實(shí)現(xiàn)多目標(biāo)模型的在線滾動優(yōu)化。目標(biāo)函數(shù)如式(32)所示。

minF=φ1F1+φ2F2

(32)

式中:φ1和φ2分別為經(jīng)濟(jì)和環(huán)保運(yùn)行指標(biāo)權(quán)重,可據(jù)能源政策確定和調(diào)整。

按48時(shí)段日計(jì)劃,基于隨機(jī)響應(yīng)面法和MPC方法進(jìn)行兼顧經(jīng)濟(jì)性和環(huán)保性的在線滾動優(yōu)化,步驟如下所示。

步驟1:確定影響輸出響應(yīng)變化的輸入變量參數(shù)及其概率分布,根據(jù)ECM采樣原則,由0階和4階Hermite混沌多項(xiàng)式的根作為采樣點(diǎn),確定式(1)混沌多項(xiàng)式各項(xiàng)系數(shù)值及預(yù)測誤差期望與方差值。

步驟2:采用隨機(jī)響應(yīng)面法分析預(yù)測誤差的結(jié)果,利用場景生成與縮減法,確定有限場景集,并在每一采樣時(shí)刻采集當(dāng)前時(shí)段系統(tǒng)運(yùn)行數(shù)據(jù),如實(shí)時(shí)的風(fēng)電出力實(shí)際值、光伏出力實(shí)際值等信息。

步驟3:更新系統(tǒng)模型中相關(guān)預(yù)測值及設(shè)備的運(yùn)行狀態(tài)值,加入使各設(shè)備在不同場景下、下一時(shí)段狀態(tài)量相同的等式約束條件[7],保證在下一時(shí)刻各場景控制指令的一致性,并進(jìn)行在線滾動優(yōu)化。

步驟4:根據(jù)步驟3滾動優(yōu)化結(jié)果,將得到的控制時(shí)域序列的第一個(gè)控制量作用于被控對象,執(zhí)行下一時(shí)刻的控制指令。

步驟5:在每一采樣時(shí)刻,重復(fù)以上步驟,直到整個(gè)仿真時(shí)域結(jié)束。

4 算例仿真及結(jié)果分析

4.1 系統(tǒng)參數(shù)

用于仿真計(jì)算的智慧社區(qū)多能流系統(tǒng)包含CCHP系統(tǒng)單元和智能電網(wǎng)單元,系統(tǒng)結(jié)構(gòu)框圖見附錄A圖A1。 CCHP單元中包括微型燃?xì)廨啓C(jī)2臺,補(bǔ)燃型吸收式冷暖機(jī)裝置1套、電制冷設(shè)備與電制熱設(shè)備各1臺。智能電網(wǎng)單元由多個(gè)可再生能源發(fā)電設(shè)備,如風(fēng)電機(jī)組、光伏發(fā)電設(shè)備、分布式可控發(fā)電設(shè)備(燃油發(fā)電機(jī))、儲能系統(tǒng)、電動汽車、多種智能負(fù)載構(gòu)成,通過能量路由器與電網(wǎng)相連[2,16-17]。考慮CCHP系統(tǒng)中設(shè)備啟停成本較高,設(shè)置其在冷熱負(fù)荷集中時(shí)段啟動,并假定其最小制熱功率為8 kW,最小制冷功率為5 kW。電價(jià)按實(shí)時(shí)價(jià)格計(jì)算,天然氣價(jià)格假定為0.526美元/m3,折合單位熱值價(jià)格為0.052美元/(kW·h),各設(shè)備參數(shù)詳見附錄A表A1。

系統(tǒng)的仿真時(shí)間設(shè)為24 h,采樣時(shí)間間隔為0.5 h。儲能系統(tǒng)與電動汽車的額定容量、充放電功率、充放電效率、自放電率的參數(shù)見附錄A表A2。設(shè)電動汽車離、并網(wǎng)時(shí)間點(diǎn)分別為07:30和18:00,初始容量為額定容量的20%。儲能系統(tǒng)日初始及結(jié)束時(shí)的容量設(shè)為額定容量的60%,為避免頻繁充放電現(xiàn)象,設(shè)1 d內(nèi)儲能系統(tǒng)最大充放電次數(shù)限制為4次,電動汽車的最大充、放電限制次數(shù)為2次。燃油式可控發(fā)電設(shè)備平均每時(shí)段的運(yùn)行維護(hù)費(fèi)用為0.3美元,啟動成本為0.6美元,最小運(yùn)行時(shí)間為1 h,最大爬坡率為200 kW/h,燃油式可控發(fā)電設(shè)備成本函數(shù)中的系數(shù)為a=0.000 637美元/kW2,b=0.285美元/kW,c=0.6美元,儲能系統(tǒng)及電動汽車平均每時(shí)段的運(yùn)行維護(hù)費(fèi)用分別為0.09美元和0.095美元。設(shè)發(fā)電設(shè)備單元及CCHP系統(tǒng)單元運(yùn)行時(shí)產(chǎn)生的污染氣體有CO2,SO2與NOX[18],設(shè)備運(yùn)行氣體排放量及相關(guān)懲罰費(fèi)用系數(shù)見附錄A表A3,暫假設(shè)環(huán)保與經(jīng)濟(jì)目標(biāo)權(quán)重值為0.5。

社區(qū)可切負(fù)載的切除率最大設(shè)為35%,為保障供電可靠性及用戶滿意度,本文懲罰費(fèi)用設(shè)為基本電價(jià)的2倍[6-7]。對于可調(diào)度負(fù)載,根據(jù)用戶設(shè)定的最早與最晚運(yùn)行時(shí)間,將不同用戶在同一時(shí)間窗口內(nèi)運(yùn)行的設(shè)備歸為一類,進(jìn)行統(tǒng)一調(diào)度,且可調(diào)度負(fù)載在優(yōu)化調(diào)度前都按最早開始時(shí)間運(yùn)行,可調(diào)度負(fù)載分為3類,設(shè)備運(yùn)行參數(shù)詳見附錄A表A4。

4.2 結(jié)果分析

本文在Gimit i7 7700K電腦的MATLAB和CPLEX軟件平臺上進(jìn)行仿真求解。

1)基于隨機(jī)響應(yīng)面法和場景法的場景隨機(jī)模擬可行性驗(yàn)證

由隨機(jī)響應(yīng)面法與場景法隨機(jī)模擬生成500個(gè)初始場景,經(jīng)聚類縮減后得到實(shí)時(shí)電價(jià)場景、分布式發(fā)電設(shè)備輸出功率、負(fù)荷功率場景各6個(gè),縮減后的預(yù)測場景集如圖1所示。

圖2為本文采用隨機(jī)響應(yīng)面法與場景生成及縮減技術(shù)后結(jié)合SMPC算法得到的優(yōu)化結(jié)果,與采用MC模擬法產(chǎn)生2 000個(gè)初始場景縮減為同樣場景數(shù)后代入模型求解得到的結(jié)果(詳見附錄B圖B1)進(jìn)行比較,可知,2種方法優(yōu)化后系統(tǒng)中設(shè)備運(yùn)行狀態(tài)基本相同,僅優(yōu)化運(yùn)行成本相差10.71美元,相比各自總成本,占比僅為1%左右;MC模擬方法生成2 000個(gè)初始場景集所需時(shí)間平均為11.23 s,本文所提方法生成500個(gè)初始場景平均僅需3.26 s,與MC模擬方法相比,可有效減少場景生成所耗時(shí)間,利于實(shí)時(shí)滾動優(yōu)化。

圖1 社區(qū)能源網(wǎng)中實(shí)時(shí)電價(jià)、分布式電源及負(fù)荷功率預(yù)測數(shù)據(jù)Fig.1 Forecasting data of spot price, distributed generator and load power in community energy network

圖2 基于隨機(jī)響應(yīng)面法和SMPC算法的優(yōu)化結(jié)果Fig.2 Optimized results based on stochastic response surface method and SMPC method

2)不同方法下系統(tǒng)優(yōu)化結(jié)果分析

本文方法、標(biāo)準(zhǔn)MPC和基于預(yù)測值確定的日前計(jì)劃方法得到的運(yùn)行成本如表1所示。由表1中可知,在預(yù)測值具有不確定的情況下,本文方法運(yùn)行成本最低,且由于預(yù)測誤差造成的經(jīng)濟(jì)運(yùn)行偏差最小,實(shí)時(shí)調(diào)節(jié)費(fèi)用只占總成本的0.739%;在標(biāo)準(zhǔn)MPC方法下,采用了在線滾動求解的方法,但只是基于預(yù)測確定值進(jìn)行的在線優(yōu)化求解,實(shí)時(shí)調(diào)節(jié)成本較高,占總運(yùn)行成本的3.48%,且當(dāng)預(yù)測值出現(xiàn)較大波動時(shí),實(shí)時(shí)調(diào)節(jié)成本將會更高?；谌涨坝?jì)劃方法,由于只基于預(yù)測確定值進(jìn)行優(yōu)化控制,因此實(shí)時(shí)調(diào)節(jié)成本最高,占總運(yùn)行成本的26.212%。

表1 不同方法下的運(yùn)行成本均值Table 1 Mean value of operating costs under different methods

采用本文所提方法(詳細(xì)數(shù)據(jù)見附錄B表B1至表B7),優(yōu)化后可調(diào)度負(fù)載運(yùn)行時(shí)間都有相應(yīng)的延遲,均被調(diào)度到電價(jià)相對較低的時(shí)段。對于功率可切負(fù)載,由于切除時(shí)懲罰費(fèi)用很高,因此在實(shí)時(shí)電價(jià)不高于懲罰費(fèi)用時(shí),切除率為0。若由于設(shè)備功率所限或某一種能源價(jià)格較高時(shí),則系統(tǒng)將采用其他能源進(jìn)行補(bǔ)充。如CCHP系統(tǒng)中若微燃?xì)廨啓C(jī)滿載時(shí)仍不能滿足冷熱負(fù)荷需求或電價(jià)相對較低,則采用電能進(jìn)行制冷或制熱,即實(shí)現(xiàn)多能互補(bǔ)利用。

日前計(jì)劃方法是基于預(yù)測確定值直接由混合整數(shù)二次規(guī)劃法求解所得,若預(yù)測出現(xiàn)偏差,則將導(dǎo)致經(jīng)濟(jì)運(yùn)行方案嚴(yán)重偏離實(shí)際情況。詳細(xì)數(shù)據(jù)見附錄B中圖B2及附錄B中表B1至表B8。與圖2相比,日前計(jì)劃下分布式可控發(fā)電設(shè)備及CCHP系統(tǒng)單元利用率最高,但由于預(yù)測的偏差較大,因此日前最優(yōu)經(jīng)濟(jì)運(yùn)行方案與實(shí)際最優(yōu)運(yùn)行情況偏差較大,從而造成實(shí)時(shí)調(diào)節(jié)成本過高。

由于標(biāo)準(zhǔn)MPC方法(詳細(xì)數(shù)據(jù)見附錄B圖B3及附錄B中表B2至表B8)與本文法都是一種在線滾動優(yōu)化求解方法,因此實(shí)時(shí)調(diào)節(jié)成本相比日前計(jì)劃要低,但標(biāo)準(zhǔn)MPC方法預(yù)測結(jié)果較為單一,未考慮多因素預(yù)測不確定性,當(dāng)預(yù)測值精確度低時(shí),調(diào)節(jié)成本較考慮隨機(jī)性時(shí)成本高。

3)環(huán)保因素對系統(tǒng)經(jīng)濟(jì)運(yùn)行的影響分析

在考慮隨機(jī)性的模型預(yù)測控制方法下,比較分析了不考慮環(huán)保性能時(shí)社區(qū)綜合能源網(wǎng)的經(jīng)濟(jì)運(yùn)行成本、與電網(wǎng)交換功率、分布式可控發(fā)電設(shè)備輸出功率及CCHP系統(tǒng)單元制熱與制冷功率的變化,優(yōu)化運(yùn)行結(jié)果如圖3所示。在不考慮環(huán)保因素時(shí),每天的運(yùn)行成本將減少48.30美元,向電網(wǎng)購電量為1 938.986 kW·h,相比考慮環(huán)保時(shí)減少了346.646 kW·h,賣電量為313.397 kW·h,增加了191.239 kW·h,CCHP系統(tǒng)的制熱量為1 144.0 kW·h,增加了387.679 kW·h,制冷量為559.316 kW·h,增加了168.723 kW·h。分布式可控發(fā)電設(shè)備的運(yùn)行時(shí)長由原來的4.5 h,延長到6 h,發(fā)電量為609.460 kW·h,相比考慮環(huán)保時(shí)其發(fā)電量增加164.648 kW·h。由以上數(shù)據(jù)可知,考慮環(huán)保因素時(shí),可有效限制工作時(shí)會產(chǎn)生污染氣體設(shè)備的運(yùn)行時(shí)間,有效減少污染氣體排放量,提高清潔能源的利用率。

圖3 不同指標(biāo)下設(shè)備運(yùn)行狀態(tài)Fig.3 Operating status of the equipment under different indicators

5 結(jié)論

本文提出了一種基于隨機(jī)響應(yīng)面法模型預(yù)測控制的智慧社區(qū)多能流多目標(biāo)能量滾動優(yōu)化管理方法,得到以下結(jié)論。

1)隨機(jī)響應(yīng)面法和場景法結(jié)合的社區(qū)能源隨機(jī)場景模擬方法,與傳統(tǒng)方法相比,能在保證精度的情況下縮短計(jì)算時(shí)間,利于實(shí)時(shí)滾動優(yōu)化。

2)兼顧經(jīng)濟(jì)性和環(huán)保性的冷熱電多能耦合隨機(jī)模型預(yù)測控制方法,能在適應(yīng)預(yù)測不確定性基礎(chǔ)上通過多能互補(bǔ)實(shí)現(xiàn)社區(qū)多能流經(jīng)濟(jì)環(huán)保利用。

3)文中方法屬理論研究,還未在實(shí)際工程中驗(yàn)證,在實(shí)際應(yīng)用中即使預(yù)測精度很高,實(shí)際運(yùn)行數(shù)據(jù)也會在每個(gè)采樣周期內(nèi)存在相應(yīng)波動,基于本文方法,如何確保各采樣周期內(nèi)調(diào)節(jié)的靈活性、適應(yīng)性等問題將待進(jìn)一步深入研究。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 孫宏斌,潘昭光,郭慶來.多能流能量管理研究:挑戰(zhàn)與展望[J].電力系統(tǒng)自動化,2016,40(15):1-8.DOI:10.7500/AEPS20160522006.

SUN Hongbin, PAN Zhaoguang, GUO Qinglai. Energy management for multi-energy flow: challenges and prospects[J]. Automation of Electric Power Systems, 2016, 40(15): 1-8. DOI: 10.7500/AEPS20160522006.

[2] 李立浧,張勇軍,陳澤興,等.智能電網(wǎng)與能源網(wǎng)融合的模式及其發(fā)展前景[J].電力系統(tǒng)自動化,2016,40(11):1-9.DOI:10.7500/AEPS20150912002.

LI Licheng, ZHANG Yongjun, CHEN Zexing, et al. Merger between smart grid and energy-net: mode and development prospects[J]. Automation of Electric Power Systems, 2016, 40(11): 1-9. DOI: 10.7500/AEPS20150912002.

[3] CAO Yijia, LI Qiang, TAN Yi, et al. A comprehensive review of Energy Internet: basic concept, operation and planning methods, and research prospects[J/OL]. Journal of Modern Power Systems and Clean Energy[2017-06-13]. DOI: 10.1007/s40565-017-0350-8.

[4] 董朝陽,趙俊華,文福拴,等.從智能電網(wǎng)到能源互聯(lián)網(wǎng):基本概念與研究框架[J].電力系統(tǒng)自動化,2014,38(15):1-11.DOI:10.7500/AEPS20140613007.

DONG Zhaoyang, ZHAO Junhua, WEN Fushuan, et al. From smart grid to Energy Internet: basic concept and research framework[J]. Automation of Electric Power Systems, 2014, 38(15): 1-11. DOI: 10.7500/AEPS20140613007.

[5] 張彥,張濤,劉亞杰,等.基于模型預(yù)測控制的家庭能源局域網(wǎng)最優(yōu)能量管理研究[J].中國電機(jī)工程學(xué)報(bào),2015,35(14):3656-3666.

ZHANG Yan, ZHANG Tao, LIU Yajie, et al. Optimal energy management of a residential local energy network based on model predictive control[J]. Proceedings of the CSEE, 2015, 35(14): 3656-3666.

[6] KOU Peng, LIANG Deliang, GAO Lin. Stochastic energy scheduling in microgrids considering the uncertainties in both supply and demand[J/OL]. IEEE Systems Journal [2017-08-22]. DOI: 10.1109/JSYST.2016.2614723.

[7] 張彥,張濤,劉亞杰,等.基于隨機(jī)模型預(yù)測控制的能源局域網(wǎng)優(yōu)化調(diào)度研究[J].中國電機(jī)工程學(xué)報(bào),2016,36(13): 3451-3462.

ZHANG Yan, ZHANG Tao, LIU Yajie, et al. Stochastic model predictive control for energy management optimization of a local network[J]. Proceedings of the CSEE, 2016, 36(13): 3451-3462.

[8] ZHOU Yichen, LI Yonggang, LIU Weidong, et al. The stochastic response surface method for small-signal stability study of power system with probabilistic uncertainties in correlated photovoltaic and loads [J]. IEEE Transactions on Power Systems, 2017, 32(6): 4551-4559.

[9] 鮑海波,韋化.考慮風(fēng)電的電壓穩(wěn)定概率評估的隨機(jī)響應(yīng)面法[J].中國電機(jī)工程學(xué)報(bào),2012,32(13):77-85.

BAO Haibo, WEI Hua. A stochastic response surface method for probabilistic evaluation of the voltage stability considering wind power[J]. Proceedings of the CSEE, 2012, 32(13): 77-85.

[10] 王成山,洪博文,郭力,等.冷熱電聯(lián)供微網(wǎng)優(yōu)化調(diào)度通用建模方法[J].中國電機(jī)工程學(xué)報(bào),2013,33(31):26-33.

WANG Chengshan, HONG Bowen, GUO Li, et al. A general modeling method for optimal dispatch of combined cooling, heating and power microgrid[J]. Proceedings of the CSEE, 2013, 33(31): 26-33.

[11] PARISIO A, WIEZOREK C, KYNTJT, et al. An MPC-based energy management system for multiple residential microgrids[C]// 2015 IEEE International Conference on Automation Science and Engineering (CASE), August 24-28, 2015, Gothenburg, Sweden.

[12] 劉方,楊秀,黃海濤,等.含熱電聯(lián)產(chǎn)熱電解耦運(yùn)行方式下的微網(wǎng)能量綜合優(yōu)化[J].電力系統(tǒng)及其自動化學(xué)報(bào),2016,28(1):51-57.

LIU Fang, YANG Xiu, HUANG Haitao, et al. Energy comprehensive optimization of micro-grid including CHP with thermoelectric decoupling operation mode[J]. Proceedings of the CSU-EPSA, 2016, 28(1): 51-57.

[13] 韓冬,馬進(jìn),賀仁睦,等.基于隨機(jī)響應(yīng)面法的電力系統(tǒng)仿真不確定性分析[J].電力系統(tǒng)自動化,2011,35(24):12-16.

HAN Dong, MA Jin, HE Renmu, et al. Uncertainty analysis based on stochastic response surface method in power system simulation[J]. Automation of Electric Power Systems, 2011, 35(24): 12-16.

[14] 張曉輝,閆柯柯,盧志剛,等.基于場景概率的含風(fēng)電系統(tǒng)多目標(biāo)低碳經(jīng)濟(jì)調(diào)度[J].電網(wǎng)技術(shù),2014,38(7):1835-1841.

ZHANG Xiaohui, YAN Keke, LU Zhigang, et al. Scenario probability based multi-objective optimized low-carbon economic dispatching for power grid integrated with wind farms[J]. Power System Technology, 2014, 38(7): 1835-1841.

[15] 靳小龍,穆云飛,賈宏杰,等.融合需求側(cè)虛擬儲能系統(tǒng)的冷熱電聯(lián)供樓宇微網(wǎng)優(yōu)化調(diào)度方法[J].中國電機(jī)工程學(xué)報(bào),2017,37(2):581-591.

JIN Xiaolong, MU Yunfei, JIA Hongjie, et al. Optimal scheduling method for a combined cooling, heating and power building microgrid considering virtual storage system at demand side[J]. Proceedings of the CSEE, 2017, 37(2): 581-591.

[16] 王守相,王棟,韓亮.考慮不確定性的微網(wǎng)日前經(jīng)濟(jì)優(yōu)化調(diào)度區(qū)間線性規(guī)劃方法[J].電力系統(tǒng)自動化,2014,38(24):5-11.DOI:10.7500/AEPS20131212010.

WANG Shouxiang, WANG Dong, HAN Liang. Interval linear programming method for day-ahead optimal economic dispatching of microgrid considering uncertainty[J]. Automation of Electric Power Systems, 2014, 38(24): 5-11. DOI: 10.7500/AEPS20131212010.

[17] LUO Zhao, GU Wei, WU Zhi, et al. A robust optimization method for energy management of CCHP microgrid[J/OL]. Journal of Modern Power Systems and Clean Energy [2017-06-14]. DOI: 10.1007/s40565-017-0290-3.

[18] 何舜,鄭毅,蔡旭,等.微網(wǎng)能源系統(tǒng)的滾動優(yōu)化管理[J].電網(wǎng)技術(shù),2014,38(9):2349-2355.

HE Shun, ZHENG Yi, CAI Xu, et al. Receding-horizon optimization for microgrid energy management[J]. Power System Technology, 2014, 38(9): 2349-2355.