基于粒子群算法的區(qū)域綜合能源優(yōu)化調(diào)度方法

姚 健，劉愛(ài)軍

（1. 億嘉和科技股份有限公司，南京 210012；2. 國(guó)電南京電力試驗(yàn)研究有限公司，南京 210032）

0 引言

隨著社會(huì)的發(fā)展，化石燃料造成的環(huán)境問(wèn)題已逐步成為各國(guó)學(xué)者關(guān)注的焦點(diǎn)。如何提高清潔能源利用率、增強(qiáng)不同能源之間的互補(bǔ)性成為國(guó)內(nèi)外研究的熱點(diǎn)。區(qū)域綜合能源系統(tǒng)（regional integrated energy system，RIES）以多能互補(bǔ)為基礎(chǔ)，在配電網(wǎng)中同時(shí)接入熱、電、氣多種能源，不僅能滿(mǎn)足多種負(fù)荷供應(yīng)需求，還能提供能源供給的靈活性和經(jīng)濟(jì)性，提升新能源消納能力［1—6］。然而，受到多種能源之間的交互耦合以及負(fù)荷、風(fēng)光資源的不確定性影響，如何充分計(jì)及不同能源的運(yùn)行特性，實(shí)現(xiàn)多種能源的靈活轉(zhuǎn)換，減少能源浪費(fèi)，提升運(yùn)行經(jīng)濟(jì)性，是實(shí)現(xiàn)RIES安全穩(wěn)定運(yùn)行的關(guān)鍵［7—8］。

目前，國(guó)內(nèi)外相關(guān)學(xué)者對(duì)RIES的優(yōu)化調(diào)度問(wèn)題進(jìn)行了初步的研究。文獻(xiàn)［9］—文獻(xiàn)［11］以最低能耗、風(fēng)電消納、減少污染為多個(gè)目標(biāo)，針對(duì)模型多目標(biāo)、非線(xiàn)性的特點(diǎn)，提出加權(quán)線(xiàn)性化方法，得到簡(jiǎn)化模型后采用模糊優(yōu)化方法求解。文獻(xiàn)［12］針對(duì)園區(qū)級(jí)RIES 系統(tǒng)的日前-實(shí)時(shí)調(diào)度問(wèn)題，建立了兩階段經(jīng)濟(jì)調(diào)度優(yōu)化模型。在此基礎(chǔ)上，文獻(xiàn)［13］、文獻(xiàn)［14］考慮了負(fù)荷和電源的不確定性，為解決隨機(jī)變量導(dǎo)致的求解問(wèn)題，利用魯棒優(yōu)化方法得到確定性模型后求解。文獻(xiàn)［15］提出基于置信區(qū)間的隨機(jī)模型處理方法，建立RIES 多目標(biāo)優(yōu)化調(diào)度方法，提升了模型的魯棒性。文獻(xiàn)［16］通過(guò)可轉(zhuǎn)移負(fù)荷和可削減負(fù)荷，提出RIES 雙層優(yōu)化調(diào)度策略，提升了運(yùn)行靈活性和經(jīng)濟(jì)性。文獻(xiàn)［17］研究了電熱氣需求側(cè)響應(yīng)對(duì)于降低運(yùn)行成本、削峰填谷、提高能源利用率之間的內(nèi)在關(guān)系。文獻(xiàn)［18］通過(guò)電價(jià)和激勵(lì)需求響應(yīng)共同協(xié)助，提升了RIES的風(fēng)電消納能力。文獻(xiàn)［19］將RIES調(diào)度模型等效為雙層模型，并采用相關(guān)算法進(jìn)行求解，但忽略了熱系統(tǒng)，且僅適應(yīng)于電氣耦合系統(tǒng)。文獻(xiàn)［20］、文獻(xiàn)［21］構(gòu)建了交直流輸電網(wǎng)最優(yōu)規(guī)劃模型，采用最優(yōu)混合潮流算法求解，降低RIES的運(yùn)行成本。

綜上所述，現(xiàn)有RIES優(yōu)化運(yùn)行方面的研究主要集中在減少運(yùn)行成本、提升新能源消納能力等方面。對(duì)于RIES 多變量、非線(xiàn)性的特點(diǎn)，通常采用線(xiàn)性化、置信區(qū)間或者魯棒優(yōu)化理論將模型進(jìn)行簡(jiǎn)化，再采用傳統(tǒng)數(shù)學(xué)優(yōu)化方法求解。本文在現(xiàn)有工作的基礎(chǔ)上，提出改進(jìn)型RIES 優(yōu)化運(yùn)行模型，在目標(biāo)函數(shù)中綜合考慮日運(yùn)行費(fèi)用和能源購(gòu)買(mǎi)成本，增加了電-熱-氣等多種設(shè)備運(yùn)行、儲(chǔ)能容量及充放電約束、微網(wǎng)負(fù)荷波動(dòng)性等約束，考慮到模型高維非線(xiàn)性的特點(diǎn)，提出基于粒子群的優(yōu)化算法，實(shí)現(xiàn)了RIES 問(wèn)題的求解，并通過(guò)算例進(jìn)行仿真驗(yàn)證，為實(shí)際RIES的調(diào)度運(yùn)行問(wèn)題求解提供參考。

以日運(yùn)行費(fèi)用和能源購(gòu)買(mǎi)成本為優(yōu)化目標(biāo)，綜合計(jì)及電-熱-氣等多種設(shè)備運(yùn)行約束、儲(chǔ)能容量及充放電約束、微網(wǎng)負(fù)荷波動(dòng)性構(gòu)建了RIES的調(diào)度運(yùn)行模型，通過(guò)粒子群智能算法求解，在優(yōu)化模型高維非線(xiàn)性的特點(diǎn)上實(shí)現(xiàn)了RIES問(wèn)題的求解，最后通過(guò)算例進(jìn)行仿真驗(yàn)證。

1 區(qū)域綜合能源系統(tǒng)簡(jiǎn)介

綜合能源系統(tǒng)同時(shí)有電、熱、氣等多種能源接入，并有儲(chǔ)能裝置，可同時(shí)滿(mǎn)足不同類(lèi)型負(fù)荷需求，其結(jié)構(gòu)如圖1 所示。風(fēng)機(jī)和光伏等新能源發(fā)出電能，電、熱、氣通過(guò)電轉(zhuǎn)氣裝置（power to gas，P2G）、熱電聯(lián)產(chǎn)（combined heating and power，CHP）和電鍋爐等耦合連接，電儲(chǔ)能、熱儲(chǔ)能和氣儲(chǔ)能裝置進(jìn)一步增加了系統(tǒng)運(yùn)行的靈活性。

圖1 RIES結(jié)構(gòu)模型Fig.1 Structural model of RIES

RIES實(shí)際運(yùn)行中，當(dāng)分布式電源供給大于電負(fù)荷需求時(shí)，多余能量由P2G、儲(chǔ)電設(shè)備和電鍋爐裝置為熱負(fù)荷和氣負(fù)荷提供支撐。如不滿(mǎn)足熱負(fù)荷需求，則由天然氣的燃?xì)忮仩t進(jìn)行轉(zhuǎn)化或者有初始的儲(chǔ)熱裝置進(jìn)行提供。當(dāng)負(fù)荷大于發(fā)電功率時(shí)，優(yōu)先進(jìn)行儲(chǔ)電裝置的釋放，儲(chǔ)電裝置不足的則通過(guò)燃?xì)鈾C(jī)進(jìn)行電能支撐，如還不能滿(mǎn)足需求，則上網(wǎng)購(gòu)電。如滿(mǎn)足熱負(fù)荷需求外還有剩余，則熱能進(jìn)行存儲(chǔ)處理。

2 RIES協(xié)調(diào)調(diào)度運(yùn)行模型

2.1 目標(biāo)函數(shù)

（1）運(yùn)行費(fèi)用：設(shè)備每日的運(yùn)行成本

系統(tǒng)運(yùn)行成本主要為各個(gè)設(shè)備每日的維修成本，因此，目標(biāo)函數(shù)經(jīng)濟(jì)指標(biāo)的表達(dá)式為

式中：Cgas為購(gòu)買(mǎi)天然氣價(jià)格；Ce為電網(wǎng)購(gòu)電價(jià)格；Cco2為購(gòu)買(mǎi)的碳配額。

2.2 RIES穩(wěn)定運(yùn)行約束條件

2.2.1 燃?xì)忮仩t

燃?xì)忮仩t主要是利用天然氣發(fā)出熱能，輸出功率取決于運(yùn)行特性，其制熱表達(dá)式如下

3 求解算法

由上述分析可知，式（1）—式（25）組成了本文提出的電-熱-氣綜合能源系統(tǒng)的協(xié)調(diào)運(yùn)行優(yōu)化模型，包括了不同時(shí)間尺度下的運(yùn)行邊界以及各主要設(shè)備約束條件，是典型的大規(guī)模非線(xiàn)性混合整數(shù)優(yōu)化問(wèn)題，傳統(tǒng)數(shù)學(xué)優(yōu)化方法可通過(guò)線(xiàn)性化等方法處理后進(jìn)行求解，但需對(duì)模型進(jìn)行一定程度的簡(jiǎn)化。人工智能算法可有效處理非線(xiàn)性模型，將多個(gè)目標(biāo)函數(shù)等效為尋優(yōu)目標(biāo)，并將非線(xiàn)性約束條件作為尋優(yōu)目標(biāo)的懲罰項(xiàng)，在保留模型非線(xiàn)性特征的情況下，實(shí)現(xiàn)優(yōu)化求解，雖然計(jì)算效率相對(duì)于傳統(tǒng)數(shù)學(xué)優(yōu)化算法有所降低，但適應(yīng)性較強(qiáng)。

粒子群算法通過(guò)模擬鳥(niǎo)群覓食行為而發(fā)展起來(lái)的一種基于群體協(xié)作的隨機(jī)搜索算法［22］，通過(guò)粒子的位置對(duì)應(yīng)其適應(yīng)度來(lái)衡量粒子是否為最優(yōu)。

粒子群優(yōu)化算法的流程如圖2所示。

圖2 粒子群算法求解流程Fig.2 Solution flow of particle swarm optimization

4 算例分析

為驗(yàn)證本文模型和算法的有效性，以某地區(qū)的實(shí)際綜合能源系統(tǒng)為例進(jìn)行仿真驗(yàn)證，包括風(fēng)機(jī)、光伏、電鍋爐、P2G和儲(chǔ)能裝置等，調(diào)度時(shí)間隔間Δt為1 h，運(yùn)行關(guān)鍵參數(shù)如表1—表3 所示。粒子群算法相關(guān)參數(shù)取值為：粒子群規(guī)模為40，最大迭代次數(shù)為500，c1=0.5、c2=1.5、wmax=1、wmin=0、外部存檔集合規(guī)模為46、變異概率為10%，仿真軟件為Matlab。

表1 設(shè)備關(guān)鍵參數(shù)Table 1 Equipment’s key parameters

表2 設(shè)備運(yùn)行成本Table 2 Equipment’s operation cost

表3 儲(chǔ)能裝置參數(shù)Table 3 Energy storage devices’parameters

本文采用粒子群算法進(jìn)行求解，以運(yùn)行費(fèi)用最少、能源購(gòu)買(mǎi)成本最少和兩者最優(yōu)3 種目標(biāo)進(jìn)行優(yōu)化求解，計(jì)算結(jié)果如表4所示。

表4 不同調(diào)度下多能源調(diào)度結(jié)果Table 4 Multi-energy scheduling results under different dispatching objects元

由表4可知：當(dāng)以運(yùn)行費(fèi)用最少優(yōu)化目標(biāo)時(shí)，降低了運(yùn)行成本，但直接購(gòu)買(mǎi)能源費(fèi)用增加；當(dāng)以能源購(gòu)買(mǎi)費(fèi)用最少為優(yōu)化目標(biāo)時(shí)，設(shè)備運(yùn)維、啟停成本增加，但直接購(gòu)買(mǎi)能源費(fèi)用減少。采用多目標(biāo)調(diào)度需權(quán)衡運(yùn)行成本和能源購(gòu)買(mǎi)之間的關(guān)系，用戶(hù)可根據(jù)需求選擇合理的調(diào)度方案。

通過(guò)粒子群尋優(yōu)，以其中一種調(diào)度方案為例，每日的運(yùn)行成本為349.2 元，能源消耗的成本為468.2元，這個(gè)調(diào)度也是每日設(shè)備成本以及購(gòu)買(mǎi)一次能源價(jià)格最低的調(diào)度，具體結(jié)果如圖3、圖4所示。

圖3 區(qū)域綜合能源系統(tǒng)的日運(yùn)行情況Fig.3 Daily operation result of RIES

圖4 儲(chǔ)能系統(tǒng)日運(yùn)行情況Fig.4 Daily operation result of energy storage system

由圖4 可知，1:00—5:00 期間，新能源出力大于負(fù)荷需求，電鍋爐將剩余電量進(jìn)行電轉(zhuǎn)熱以滿(mǎn)足熱負(fù)荷需求，如電功率仍剩余，多出的電功率則轉(zhuǎn)化為電能、熱能和氣能進(jìn)行存儲(chǔ)。19:00—22:00 期間為負(fù)荷高峰，電能難以滿(mǎn)足電負(fù)荷，則在消耗新能源和儲(chǔ)電的基礎(chǔ)上進(jìn)行上網(wǎng)購(gòu)電。當(dāng)電功率只能用于滿(mǎn)足電負(fù)荷需求，不能轉(zhuǎn)化熱來(lái)提供熱負(fù)荷時(shí)，應(yīng)通過(guò)燃?xì)忮仩t、燃?xì)鈾C(jī)以及儲(chǔ)熱裝置的熱量釋放來(lái)滿(mǎn)足熱負(fù)荷需求。天然氣的提供來(lái)自?xún)?chǔ)氣裝置以及天然氣網(wǎng)供應(yīng)兩方面。

5 結(jié)束語(yǔ)

本文研究了含電-熱-氣子系統(tǒng)的綜合能源系統(tǒng)優(yōu)化調(diào)度，在目標(biāo)函數(shù)中綜合考慮日運(yùn)行費(fèi)用和能源購(gòu)買(mǎi)成本，增加了電-熱-氣等多種設(shè)備運(yùn)行、儲(chǔ)能容量及充放電約束、微網(wǎng)負(fù)荷波動(dòng)性等約束，并利用粒子群算法求解。仿真結(jié)果表明該模型對(duì)綜合能源優(yōu)化調(diào)度具有一定的參考價(jià)值和指導(dǎo)作用。D