陸純瑩， 朱武*， 王世萱， 焦哲晶

(1.上海電力大學電子與信息工程學院, 上海 201306； 2.國網浙江寧波市鄞州區(qū)供電有限公司， 寧波 315153)

近年來，為解決能源短缺及化石燃料污染加重等問題，太陽能、風能、天然氣等清潔能源的利用得到世界各國的高度重視[1-2]。將清潔能源配合冷熱電聯供單元(combined cooling heating and power，CCHP)組成微能源網進行發(fā)電，可以提高能源利用效率，有效減少能源系統(tǒng)的碳排放量和經濟成本[3-5]。隨著中國 “3060雙碳目標”的提出，小容量微能源網的發(fā)展速度必將加快。因此，研究微能源網日前調度模型，對降低其經濟成本和減小碳排放具有重要意義[6]。目前對微能源網優(yōu)化調度的相關研究主要集中在評價指標與評價方法、能量流分析、調度策略的研究和優(yōu)化模型的求解等方面[7-8]，其中調度策略和模型求解是近年來的研究熱點。

在微能源網調度策略方面，國內外學者已經取得了一定進展。文獻[9]通過在系統(tǒng)中加入電轉氣設備提高系統(tǒng)的風電消納水平，減少系統(tǒng)發(fā)電費用；文獻[10]提出一種經濟-實時兩階段調度策略，減小可再生能源出力預測誤差，實現經濟運行；文獻[11]提出一種雙層多場景協同優(yōu)化配置策略，降低微能源網總投資成本；文獻[5,12-13]考慮了需求側管理(demand side management，DSM)，并分析了其對系統(tǒng)靈活性、經濟性和風電消納水平的影響。然而上述文獻大多基于分時電價策略進行調度，容易出現電能過早售出導致后續(xù)時段電能供應不足的問題。若不進行售電，儲能系統(tǒng)的電能又可能剩余過多，出現能源利用不充足的情況。此外，微能源網向大電網購電時會增加煤炭消耗和碳排放量，同時小容量系統(tǒng)的售電收益并不高。因此，亟須提出一種適用于并網型小容量微能源網的調度優(yōu)化策略，降低系統(tǒng)經濟成本和碳排放量，提高系統(tǒng)穩(wěn)定性。

在優(yōu)化模型的求解方面，文獻[14]采用遺傳算法對熱電聯產系統(tǒng)的容量和運行進行優(yōu)化；文獻[15]將遺傳算法與二次規(guī)劃相結合提高算法的尋優(yōu)能力；文獻[16]采用粒子群優(yōu)化(particle swarm optimization，PSO)確定最優(yōu)功率輸出策略；文獻[17]將模擬退火算法與粒子群算法相結合加快算法的收斂速度。由于PSO算法具有求解速度快、魯棒性較好且簡單易操作等優(yōu)點，可將其用于求解微能源網日前調度模型，但該算法容易陷入局部最優(yōu)，所以還需作進一步的優(yōu)化。

現綜合考慮經濟性和環(huán)保性，對小容量微能源網調度優(yōu)化進行研究。首先，建立微能源網運行模型，并對微網中各部分進行分析。其次，提出計及DSM的新型儲能-分時電價協同調度策略，并采用網格搜索法求得儲能系統(tǒng)的最優(yōu)出力參數，改善負荷曲線輪廓，延緩設備投資需求，降低微網的經濟成本和環(huán)境成本。再次，為避免算法陷入局部最優(yōu)，將免疫機制引入PSO算法以提升粒子多樣性和尋優(yōu)能力，求得更優(yōu)的經濟運行方案。最后，用4種場景驗證所提模型和算法的經濟性和環(huán)保性。

1 微能源網模型

1.1 微能源網結構

如圖1所示是一個微能源網模型。系統(tǒng)主要根據冷、熱、電、氣劃分為4個部分，CCHP系統(tǒng)由燃氣輪機、余熱鍋爐和吸收式制冷機組成，通過消耗天然氣對冷熱電3種負荷進行供能；風力發(fā)電機、光伏電池和燃料電池給電負荷供電，同時連接配電網進行電能交換；當CCHP系統(tǒng)供冷不足時，由電制冷機消耗電能給冷負荷供冷；當CCHP系統(tǒng)供熱不足時，由燃氣鍋爐消耗天然氣進行補足。系統(tǒng)中多余的能量均通過儲能系統(tǒng)進行存儲。微能源網各部分數學模型參考文獻[5，10]。

圖1 微能源網結構示意圖Fig.1 Schematic diagram of micro energy grid structure

1.2 目標函數

目標函數為微能源網總運行費用最低?？傔\行費用由經濟成本和環(huán)境成本組成，經濟成本包括燃料費用、設備運行維護費用、電網交互費用和需求側管理費用，環(huán)境成本則將其轉化成污染氣體治理成本。表達式為

(1)

式(1)中：CG為系統(tǒng)總運行成本；Cecmin(t)、Cenmin(t)分別為系統(tǒng)經濟成本和環(huán)境成本；Cfuel(t)、Com(t)、Cgrid(t)、Cdr(t)、Ccar(t)分別為燃料費用、機組運行維護費用、電網交互費用、需求側管理費用、污染氣體治理費用；T為一個調度周期。

1.3 約束條件

1.3.1 功率平衡約束

系統(tǒng)電、熱、冷功率平衡約束分別如下。

PMT+PFC+Pdis+Pgrid+Pstor=Pload+Paus

(2)

Hre+Hb+Hstor=Hload

(3)

QAC+QEC+Qstor=Qload

(4)

式中：PMT、PFC、Pdis、Pgrid、Pstor、Pload、Paus分別為燃氣輪機、燃料電池、分布式電源的輸出電功率、大電網交互功率、蓄電池功率、電負荷功率和輔助設備耗電功率；Hre、Hb、Hstor、Hload分別為余熱鍋爐供熱量、燃氣鍋爐供熱量、儲熱裝置熱功率和熱負荷功率；QAC、QEC、Qstor、Qload分別為吸收式制冷機供冷量、電制冷機供冷量、儲冷裝置功率和冷負荷功率。

1.3.2 設備出力約束

設備出力約束主要為設備運行上下限約束，即

Pimin≤Pi(t)≤Pimax

(5)

式(5)中：Pimin、Pimax分別為第i個設備運行下限和上限。

1.3.3 儲能設備約束

σminSES≤Si(t)≤σmaxSES

(6)

0≤Pin(t)≤Pinmax

(7)

0≤Pout(t)≤Poutmax

(8)

式中：Si(t)為儲能系統(tǒng)t時刻容量；σmin、σmax分別為儲能的最大狀態(tài)和最小狀態(tài)；SES為儲能總容量；Pin(t)、Pout(t)分別為儲能t時刻輸入和輸出功率；Pinmax和Poutmax分別為儲能輸入和輸出上限。

2 調度策略改進

2.1 DSM模型

DSM作為能源管理問題的一種有效方案，以其靈活、方便等優(yōu)點，在大多數研究中都得到了應用[18]。主要考慮可削減負荷和可平移負荷對成本的影響，通過在能源需求高峰期或電價較高的時期降低消耗，或將其平移到另一個時期，以平抑負荷波動，降低運行成本。

冷熱負荷由于其具有冷熱慣性[19]，在短時間內室內溫度不會驟變，因此可以考慮為可削減負荷，其模型為

(9)

式(9)中：Q(t)為實施DSM前冷熱負荷；Q′(t)為實施DSM后冷熱負荷；Qcut(t)為t時刻削減冷熱負荷量；σ1為需求側可削減負荷比例系數。

由于微能源網與大電網相連，其在電能調度方面比冷、熱能更為復雜?？紤]到可削減負荷對用戶實際用電情況影響較大，在電負荷側主要考慮可平移負荷的影響?？善揭曝摵稍谡{度過程中不改變用戶的總用電量，調度費用低，用戶滿意度更高，模型為

(10)

式(10)中：P(t)為實施DSM前電負荷；P′(t)為實施DSM后電負荷；Ptran,in(t)和Ptran,out(t)為t時刻轉入、轉出負荷量；σ2為需求側可平移負荷比例系數；uin、uout為0～1變量。

為進一步優(yōu)化模型，采用文獻[13]的方法控制負荷側削減量和平移量，用飽和度S反映DSM對用戶用電需求滿足程度帶來的影響;用差異度D表示實施DSM前后用戶用電量的差異,公式分別為

(11)

(12)

Pdmin(t)=(1-σ1-σ2)P(t)

(13)

式中：Smin、Dmax為用戶飽和度、差異度的設定值；Pdmin(t)為實施DSM后用戶側負荷的最小值。

2.2 改進儲能-分時電價調度策略

基于“可持續(xù)”發(fā)展思想，提出了適用于并網型小容量微能源網的儲能-分時電價調度策略，將儲能系統(tǒng)結合分時電價策略，對系統(tǒng)進行協同規(guī)劃。所提策略旨在減少小容量系統(tǒng)的購售電情況，盡量做到能源就地消納，在最大化利用能源的同時，又能減少系統(tǒng)的碳排放量。在新的調度策略中，儲能系統(tǒng)的充放電規(guī)則依然遵循分時電價規(guī)律，即電價高時放電，電價低時蓄電。系統(tǒng)購售電情況則不再根據電價，而是以儲能系統(tǒng)當前總量進行調整。提出售電系數k的概念，代表蓄電池在單位調度時間內的售電限制功率，只有在滿足式(14)的情況下系統(tǒng)才進行售電，否則將本該出售的電能存入儲能單元，模型為

(14)

3 模型求解算法

3.1 改進免疫粒子群算法

提出一種改進的人工免疫粒子群算法(immune particle swarm optimization，IMPSO)，通過引入免疫機制中的親和力評估和疫苗接種部分，解決PSO算法容易陷入局部最優(yōu)解的問題。

粒子群算法在迭代后期會與種群最優(yōu)解的差距越來越小，導致種群多樣性下降，進而陷入局部最優(yōu)解。為了解決該問題，在迭代過程中加入親和力評估機制，該機制主要依據粒子的親和力大小進行排序和選擇[20]，其計算公式如下。

(15)

(16)

p(xi)=λf(xi)+(1-λ)d(xi)

(17)

式中：ρ(xi)為種群中第i個粒子與當前群體極值的相似度；d(xi)為第i個粒子的濃度；p(xi)為第i個粒子的親和力；f(xi)為第i個粒子的適應度；M為每個粒子的數據規(guī)模大?。沪藶闄嘀叵禂?。

由式(17)可知，親和力主要與粒子的適應度和濃度有關，按照親和力排序篩選可以使得一些與最種群優(yōu)解相似度不高但是適應度值較好的粒子也能參與迭代，這樣各個層次的粒子都能維持在一定的濃度，種群的多樣性得以提高，能夠避免算法陷入局部最優(yōu)解。

在親和力評估機制的基礎上加入疫苗接種環(huán)節(jié)，可以有效避免種群退化現象。將群體極值作為接種疫苗，采取中間交叉方法[21]進行接種，公式為

p=p+(gbest-μrp)

(18)

式(18)中：p為當前粒子；gbest為群體極值；μ為接種系數；r為[0,1]的隨機數。

3.2 算法流程

將IMPSO算法應用于求解微能源網模型的流程如圖2所示，具體步驟如下。

步驟1輸入負荷數據、風光出力數據、設備運行參數和各時段電價等；設置IMPSO算法的目標函數為微能源網總運行成本最小，變量為燃氣輪機、鍋爐等設備輸出功率、可削減冷熱負荷、可平移電負荷。

步驟2初始化種群大小、位置和速度等參數，在改進策略下生成N個初代粒子，得到各設備原始出力情況；找到初代種群的群體極值gbest和個體極值pbest，更新種群速度和位置。

步驟3在改進策略下重新生成M個粒子，對粒子實施DSM，用飽和度、差異度控制負荷側削減量和平移量，如果實施DSM后粒子的運行成本更優(yōu)則替代原來的粒子，并修改gbest和pbest，否則保留實施DSM前的粒子。

步驟4將全局成本最優(yōu)的粒子作為接種疫苗，由式(15)～式(17)計算出N+M個粒子的親和力，按照親和力大小選取前N個粒子。

步驟5由式(18)對前N/2個粒子的燃氣輪機輸出功率進行疫苗接種操作，并修正其余設備出力，重新計算運行成本，如果接種后粒子的運行成本更優(yōu)則替代原來的粒子，否則保留接種前的粒子。

步驟6將后N/2個粒子與完成疫苗接種的N/2個粒子重新組成新一代群體，更新粒子群速度、位置、群體極值和個體極值。

圖2 IMPSO算法流程圖Fig.2 Flowchart of IMPSO

步驟7判斷是否達到最大迭代次數，若達到則退出循環(huán)，輸出此時輸出最優(yōu)機組出力方案xp、優(yōu)化后的負荷數據xdsm以及對應的系統(tǒng)最佳運行成本yc，若沒有則返回步驟3。

4 算例分析

4.1 基礎數據

選取某含光伏和風力發(fā)電的并網型微能源網為對象進行分析，調度周期為24 h，調度單位時長為1 h，假設微能源網內夏季不制熱且冬季不制冷[5,15]，分別對夏季供冷典型日和冬季供暖典型日進行調度研究。系統(tǒng)內各設備數據[5]如表1所示，燃氣輪機選取Capstone公司的c65型號微燃機，儲能設備數據如表2所示，分時電價數據如表3所示。將電負荷與輔助設備用電功率記為綜合電負荷，設定每一時段的可削減負荷和可平移負荷量不超過原始負荷量的10%，且只有當燃氣輪機滿發(fā)或微能源網供電不足時才進行冷熱負荷削減，可控負荷補貼費用參考文獻[13]。天然氣單價為2.95元/m3，低熱值為 9.73 kWh/m3。為了避免種群早熟收斂，采用線性微分遞減策略調整PSO算法的慣性權值。算例設置4種方案進行對比，以驗證所提策略和方法的優(yōu)越性，如表4所示。

表1 微能源網各設備參數Table 1 Device parameters of micro energy grid

表2 儲能系統(tǒng)參數Table 2 Parameters of energy storage system

表3 分時電價Table 3 Time-of-use price

表4 場景分類Table 4 Classification of case studies

4.2 調度策略對比

方案二和方案三在均有儲能系統(tǒng)但不考慮DSM的情況下進行調度策略的對比。方案二中蓄電池的最大輸入和輸出功率參考文獻[5]設置為相同的數，取30 kW。方案三中蓄電池的最大輸入和輸出功率則和售電系數k一起通過網格搜索法確定，考慮蓄電池壽命，搜索的范圍不超過蓄電池總容量的10%。所提策略最終運行結果見表5，兩種運行方案在夏季和冬季典型日儲能系統(tǒng)狀態(tài)和電網交易情況見圖3和圖4，運行成本見表6。

表5 蓄電池出力最優(yōu)參數Table 5 Optimal parameters of battery output

圖3 夏季典型日調度策略對比Fig.3 Comparison of scheduling strategies in typical summer day

圖4 冬季典型日調度策略對比Fig.4 Comparison of scheduling strategies in typical winter day

表6 微能源網運行成本Table 6 Operation costs of micro energy grid

在一個調度周期內，電負荷一般會在中午和晚上出現兩個用電高峰。由于前期蓄電量充足，方案二在第一個用電高峰會將蓄電池中多余的電能進行出售以換取收益，但也會導致蓄電池電量過早消耗，在第二個用電高峰出現電能不足、購電量增大的情況。方案三加入售電限制條件后，前期售電量明顯減少，在第一個用電高峰過后蓄電池仍有較多的電量用于后續(xù)運行，第二個用電高峰的購電量也相應減少。從表6中也能看到，在環(huán)境成本方面，方案三的成本明顯優(yōu)于方案二，證明了所提策略可以有效減少微能源網的碳排放量。

4.3 成本分析

表6給出了4種方案的運行成本，在方案四下夏季和冬季典型日的最優(yōu)出力情況見圖5～圖8。

從表6中可以看到，對于傳統(tǒng)的方案一，由于沒有考慮儲能系統(tǒng)和DSM，系統(tǒng)經濟成本和環(huán)境成本都偏高。方案二加入了儲能系統(tǒng)，微能源網的調節(jié)能力有一定的提升。方案三由于采用了提出的改進儲能-分時電價調度策略，能夠減少系統(tǒng)和電網交互的電量，使能源就地消納，降低系統(tǒng)的碳排放量，對環(huán)境更加友好。

對比于傳統(tǒng)的方案一和方案二，方案四不論在經濟還是環(huán)境方面都取得了顯著的效益。尤其是環(huán)境成本方面，在夏季和冬季典型日，方案四較方案一下降35.4%和15.2%；較方案二下降了18.4%和13.0%。經濟和環(huán)境成本下降的主要原因在于方案四在方案三的基礎上進一步考慮了DSM，平抑負荷波動，同時采用IMPSO算法對模型進行求解，得到了更優(yōu)的系統(tǒng)運行方案。

圖5 夏季電功率最優(yōu)出力狀況Fig.5 Optimal output of power in summer

圖6 夏季冷功率最優(yōu)出力狀況Fig.6 Optimal output of cooling in summer

圖7 冬季電功率最優(yōu)出力狀況Fig.7 Optimal output of power in winter

圖8 冬季熱功率最優(yōu)出力狀況Fig.8 Optimal output of heating in winter

4.4 算法對比

為保證公平性，在方案四的情況下分別用PSO算法和IMPSO算法進行對比。圖9為兩種算法最優(yōu)解對應的的種群分布情況，可以看出，由于親和力評估機制的融入使得IMPSO算法的種群多樣性更好，分布情況比傳統(tǒng)PSO算法均勻，可以在一定程度上避免算法陷入局部最優(yōu)解。

方案四下夏季、冬季典型日的最優(yōu)運行成本收斂特性曲線如圖10所示。由于采用了線性微分遞減策略和疫苗接種機制避免算法早熟收斂，在前期IMPSO算法收斂速度稍慢與傳統(tǒng)PSO算法；在迭代后期，IMPSO可以更快地收斂至最佳運行成本，且得到的最優(yōu)解更好。

對兩種算法分別獨立運行30次，所得結果均與上述相似。在不同季節(jié)，IMPSO算法均能快速收斂且尋優(yōu)效果更好，證明了所提算法在微能源網優(yōu)化調度方面的可行性和優(yōu)越性。

圖9 種群分布對比Fig.9 Comparison of population distribution

圖10 夏季和冬季最優(yōu)運行成本收斂曲線Fig.10 Convergence curve of optimal operating costs in summer and winter

5 結論

(1)通過分析小容量微能源網運行特性，在考慮需求側管理的同時提出改進的儲能-分時電價調度策略，并通過網格搜索法求得儲能系統(tǒng)最優(yōu)出力配置。運行結果表明，不同類型的負荷需求響應相互配合，可以有效地改善負荷峰谷差，提高系統(tǒng)運行的經濟性。采用所提策略可以有效減少冬夏兩季微能源網的碳排放量和經濟成本。

(2)為了防止PSO算法陷入局部最優(yōu)解，引入免疫機制，運用改進IMPSO算法求解微能源網日前經濟調度模型。結果表明，所提算法比傳統(tǒng)PSO算法收斂更快、更穩(wěn)定，粒子多樣性更好，具有更好的尋優(yōu)能力。