運(yùn)行與規(guī)劃協(xié)同的電熱氫聯(lián)供系統(tǒng)最優(yōu)容量配置研究

侯 慧，戈翔迪，吳細(xì)秀，趙 波，章雷其，謝長(zhǎng)君，劉 鵬

運(yùn)行與規(guī)劃協(xié)同的電熱氫聯(lián)供系統(tǒng)最優(yōu)容量配置研究

侯 慧1,2，戈翔迪1,2，吳細(xì)秀1,2，趙 波3，章雷其3，謝長(zhǎng)君1,2，劉 鵬1

(1.武漢理工大學(xué)自動(dòng)化學(xué)院，湖北 武漢 430070；2.武漢理工大學(xué)深圳研究院，廣東 深圳 518000；3.國(guó)網(wǎng)浙江省電力有限公司電力科學(xué)研究院，浙江 杭州 310014)

在“雙碳”目標(biāo)下，以氫能等零碳能源為主體的綜合能源系統(tǒng)高速發(fā)展，發(fā)揮其運(yùn)行策略與容量配置的協(xié)同優(yōu)化有利于保障能源供應(yīng)、提高規(guī)劃經(jīng)濟(jì)性。在此背景下，提出一種運(yùn)行與規(guī)劃協(xié)同的電熱氫聯(lián)供系統(tǒng)(electricity heat hydrogen cogeneration system, EHH-CS)最優(yōu)容量配置方法。首先，在構(gòu)建EHH-CS模型的基礎(chǔ)上，通過(guò)拉丁超立方抽樣與改進(jìn)K-均值聚類結(jié)合的方法，建立不確定性變量的典型場(chǎng)景，實(shí)現(xiàn)可再生能源及負(fù)荷不確定性的合理刻畫。其次，建立EHH-CS容量配置雙層聯(lián)合迭代模型。上層為優(yōu)化配置層，以日投資凈收益最大為目標(biāo)進(jìn)行優(yōu)化配置，下層為優(yōu)化運(yùn)行層，以日運(yùn)行收益最大為目標(biāo)進(jìn)行優(yōu)化運(yùn)行。并通過(guò)粒子群算法進(jìn)行循環(huán)迭代求解，以獲得協(xié)同最優(yōu)的運(yùn)行策略及容量配置方案。最后，以某EHH-CS為例進(jìn)行仿真驗(yàn)證。結(jié)果證明，所提方法促進(jìn)了可再生能源的就地消納，有效地均衡了系統(tǒng)的規(guī)劃成本及運(yùn)行費(fèi)用。

電熱氫聯(lián)供系統(tǒng)；協(xié)同優(yōu)化；典型場(chǎng)景；容量配置；雙層模型

0 引言

隨著社會(huì)經(jīng)濟(jì)飛速發(fā)展與“雙碳”目標(biāo)的提出，我國(guó)能源需求逐年增加，能源低碳化壓力也越來(lái)越大。將能源低碳化壓力轉(zhuǎn)化為能源轉(zhuǎn)型驅(qū)動(dòng)力，打破電、熱、氫等供能系統(tǒng)單獨(dú)規(guī)劃及獨(dú)立運(yùn)行的現(xiàn)狀，構(gòu)建多能協(xié)同互補(bǔ)的綜合能源系統(tǒng)(Integrated Energy System, IES)，已成為提高能源利用效率，促進(jìn)可再生能源消納和能源轉(zhuǎn)型的有效途徑[1]。但隨著能源耦合的加深，市場(chǎng)機(jī)制的成熟及設(shè)備種類的增加，IES容量配置成為一個(gè)復(fù)雜又亟待解決的問(wèn)題。

IES作為一個(gè)多輸入多輸出的復(fù)雜能源系統(tǒng)，能夠靈活調(diào)用不同的能源耦合設(shè)備，存在多種配置方案和運(yùn)行策略[2]。在容量配置方面，文獻(xiàn)[3]根據(jù)能源輸入輸出關(guān)系，構(gòu)建了能源樞紐模型，并結(jié)合圖論知識(shí)，對(duì)其供能結(jié)構(gòu)進(jìn)行了分層分析和優(yōu)化配置。文獻(xiàn)[4]以提高系統(tǒng)能量品質(zhì)為目標(biāo)，對(duì)IES設(shè)備容量進(jìn)行了配置，重點(diǎn)分析了IES對(duì)提高能源利用率，實(shí)現(xiàn)能量梯級(jí)利用的作用。文獻(xiàn)[5]提出了一種新的社區(qū)級(jí)IES規(guī)劃模型，并以北京某行政中心為例進(jìn)行了規(guī)劃研究，但該模型結(jié)構(gòu)較為簡(jiǎn)單。文獻(xiàn)[6]在希臘住宅區(qū)能源供應(yīng)系統(tǒng)的最佳容量配置中，考慮了投資、運(yùn)營(yíng)和維護(hù)的最低成本，但未考慮能源供應(yīng)的可靠性。為此，文獻(xiàn)[7]在優(yōu)化系統(tǒng)容量配置時(shí)，基于極限場(chǎng)景法實(shí)現(xiàn)了不確定性場(chǎng)景描述，以量化風(fēng)電、光伏可再生能源出力的不確定性，顯著提高了系統(tǒng)供能的可靠性。文獻(xiàn)[8]綜合考慮了分布式發(fā)電、儲(chǔ)能、電動(dòng)汽車和負(fù)載特性的能源配置策略，構(gòu)建了兩層混合儲(chǔ)能系統(tǒng)，基于粒子群優(yōu)化算法實(shí)現(xiàn)系統(tǒng)最優(yōu)容量配置。文獻(xiàn)[9]考慮了電轉(zhuǎn)氣及碳捕集技術(shù)，建立了一種經(jīng)濟(jì)低碳多目標(biāo)優(yōu)化模型，并對(duì)電轉(zhuǎn)氣設(shè)備容量進(jìn)行了敏感性分析。上述文獻(xiàn)主要從容量配置方面展開研究，但不同的運(yùn)行策略會(huì)產(chǎn)生不同的容量配置結(jié)果，有必要在容量配置時(shí)考慮運(yùn)行策略的影響。

在運(yùn)行策略方面，IES通常分為“以熱定電”和“以電定熱”兩類運(yùn)行模式，并引入多種儲(chǔ)能增加系統(tǒng)的靈活性和可靠性，但由于不同季節(jié)下冷/熱/電負(fù)荷需求存在明顯差別，單一運(yùn)行方式往往效率較低，因此部分學(xué)者提出混合運(yùn)行模式[10]、綜合效益最優(yōu)模式[11]等?？梢?，現(xiàn)有IES優(yōu)化配置研究主要從容量配置和運(yùn)行策略2個(gè)方面單獨(dú)進(jìn)行優(yōu)化。但實(shí)際上二者之間相互影響，因此有必要進(jìn)行協(xié)同優(yōu)化。

同時(shí)，IES在實(shí)際配置和運(yùn)行時(shí)還面臨著風(fēng)速、光照以及負(fù)荷需求等多重不確定性影響。文獻(xiàn)[12]針對(duì)風(fēng)光出力不確定性，基于條件風(fēng)險(xiǎn)價(jià)值理論建立了IES的經(jīng)濟(jì)運(yùn)行模型，分析了IES運(yùn)行成本增加的風(fēng)險(xiǎn)。文獻(xiàn)[13]考慮風(fēng)電的不確定性和不同能源部門的協(xié)同作用，建立兩階段隨機(jī)調(diào)度方案，實(shí)現(xiàn)高效且具有成本效益的儲(chǔ)備調(diào)度。文獻(xiàn)[14-15]通過(guò)區(qū)間數(shù)形式表征系統(tǒng)中的不確定性因素，分別建立了IES區(qū)間運(yùn)行模型及區(qū)間規(guī)劃模型。除了上述方法外，多場(chǎng)景技術(shù)具有原理成熟操作簡(jiǎn)單等優(yōu)點(diǎn)，被廣泛應(yīng)用于不確定性變量的確定化處理中。文獻(xiàn)[16]考慮了新能源出力和電、氣、熱負(fù)荷需求的不確定性，通過(guò)k-means 聚類法得到冬季、夏季和過(guò)渡季3個(gè)典型日運(yùn)行場(chǎng)景，進(jìn)而建立基于典型日模擬的多場(chǎng)景規(guī)劃模型。文獻(xiàn)[17]考慮了風(fēng)電和電動(dòng)汽車充電負(fù)荷的不確定性，對(duì)風(fēng)電出力和電動(dòng)汽車充電負(fù)荷的邊緣概率分布進(jìn)行建模，采用主成分分析方法提取典型運(yùn)行場(chǎng)景集，進(jìn)而實(shí)現(xiàn)IES投運(yùn)組合的最優(yōu)策略。然而，上述研究主要考慮系統(tǒng)內(nèi)單一不確定性，如單一可再生能源的不確定性，而忽略了負(fù)荷需求變化等影響。

綜上所述，針對(duì)現(xiàn)有配置模型較少將容量配置與運(yùn)行策略進(jìn)行協(xié)同優(yōu)化，較少考慮多重不確定性變量影響及較少考慮涵蓋氫能在內(nèi)的聯(lián)供系統(tǒng)等不足，本文以涵蓋氫能的電熱氫聯(lián)供系統(tǒng)(electricity heat hydrogen cogeneration system, EHH-CS)這種IES作為研究對(duì)象，提出一種考慮多重不確定性的容量配置雙層聯(lián)合迭代模型。該模型以系統(tǒng)凈收益最大為目標(biāo)，包括上層配置優(yōu)化和下層運(yùn)行優(yōu)化雙層聯(lián)合迭代模型，其中上層模型將各設(shè)備容量方案?jìng)鬟f給下層，下層模型則將運(yùn)行收益最優(yōu)值反饋回上層模型，實(shí)現(xiàn)上下層模型的循環(huán)迭代。最后，以某具體系統(tǒng)為例進(jìn)行仿真計(jì)算，結(jié)果驗(yàn)證了所提模型的科學(xué)性及有效性，能夠?yàn)镋HH-CS落地建設(shè)提供理論支持。

1 系統(tǒng)結(jié)構(gòu)及典型場(chǎng)景

1.1 EHH-CS結(jié)構(gòu)

本文所提的EHH-CS由能量轉(zhuǎn)化設(shè)備及能量存儲(chǔ)設(shè)備等構(gòu)成。能量轉(zhuǎn)化設(shè)備包括風(fēng)機(jī)、光伏、電解池、燃料電池和電加熱裝置，能量存儲(chǔ)設(shè)備包括蓄電池、儲(chǔ)氫罐和儲(chǔ)熱罐。其結(jié)構(gòu)如圖1所示。

1.2 不確定性變量典型場(chǎng)景

本文采用隨機(jī)優(yōu)化中的多場(chǎng)景技術(shù)處理可再生能源發(fā)電和負(fù)荷需求的不確定性。具體為：首先，利用拉丁超立方抽樣方法對(duì)風(fēng)速、光照等不確定性變量的概率密度函數(shù)進(jìn)行抽樣，得到初始場(chǎng)景；然后，采用改進(jìn)的K-均值聚類方法對(duì)初始場(chǎng)景進(jìn)行聚類。主要分為3個(gè)步驟。

圖1 EHH-CS結(jié)構(gòu)示意圖

1) 由各初始場(chǎng)景間的歐式距離確定初始聚類中心。

Step 4：重復(fù)上述步驟，直至找到個(gè)聚類中心。

2 雙層聯(lián)合迭代模型

本文所提的雙層聯(lián)合迭代模型包括上層優(yōu)化配置模型和下層優(yōu)化運(yùn)行模型兩部分。首先，由上層優(yōu)化配置模型將各設(shè)備的容量方案?jìng)鬟f給下層優(yōu)化運(yùn)行模型，下層優(yōu)化運(yùn)行模型基于上層給定的設(shè)備容量，進(jìn)行系統(tǒng)運(yùn)行優(yōu)化，將運(yùn)行收益最優(yōu)值反饋到上層優(yōu)化配置模型；然后，上層優(yōu)化配置模型根據(jù)下層反饋的收益最優(yōu)值修正系統(tǒng)凈收益，優(yōu)化系統(tǒng)設(shè)備容量配置方案；最后，通過(guò)上層模型和下層模型間的循環(huán)迭代，得出凈收益最大的系統(tǒng)容量配置最優(yōu)方案。

2.1 上層優(yōu)化配置模型

以凈收益最大化作為上層優(yōu)化配置模型的目標(biāo)函數(shù)，凈收益包括系統(tǒng)的投資成本以及運(yùn)行收益。系統(tǒng)凈收益最大化表達(dá)式如式(6)所示，系統(tǒng)投資成本如式(7)所示，約束條件如式(8)所示。

2.2 下層優(yōu)化運(yùn)行模型

以運(yùn)行收益最大化作為下層優(yōu)化運(yùn)行模型的目標(biāo)函數(shù)，運(yùn)行收益包括系統(tǒng)的供能收入、系統(tǒng)與配網(wǎng)的交易成本、系統(tǒng)設(shè)備的運(yùn)行維護(hù)成本及功率波動(dòng)懲罰成本。系統(tǒng)日運(yùn)行收益最大化表達(dá)式為

運(yùn)行模型約束條件包括能量轉(zhuǎn)化設(shè)備功率約束式(14)—式(16)、聯(lián)絡(luò)線功率約束式(17)、電熱氫能量平衡約束式(18)—式(20)以及能量存儲(chǔ)設(shè)備儲(chǔ)能約束式(21)等。由于蓄電池、儲(chǔ)氫罐和儲(chǔ)熱罐等儲(chǔ)能的約束條件基本類似，為節(jié)約篇幅，本文以蓄電池為例給出儲(chǔ)能約束。

2.3 求解方法

對(duì)于不同的容量配置方案，其最優(yōu)運(yùn)行策略互不相同，對(duì)于不同的運(yùn)行策略，其最優(yōu)容量配置方案互不相同，兩層模型之間的結(jié)果相互影響、相互耦合，需要循環(huán)迭代進(jìn)行求解。因此，本文通過(guò)粒子群算法對(duì)所建立的雙層聯(lián)合迭代模型進(jìn)行求解，獲得協(xié)同最優(yōu)的容量配置及運(yùn)行策略，循環(huán)迭代求解流程如圖2所示。

圖2 循環(huán)迭代求解

3 算例分析

3.1 算例參數(shù)

圖3 風(fēng)速典型場(chǎng)景

圖4 光照典型場(chǎng)景

圖5 電負(fù)荷典型場(chǎng)景

圖6 熱負(fù)荷典型場(chǎng)景

圖7 氫負(fù)荷典型場(chǎng)景

表1 典型場(chǎng)景概率值

表2 仿真參數(shù)

3.2 結(jié)果與討論

根據(jù)算例參數(shù)設(shè)置進(jìn)行EHH-CS容量配置求解計(jì)算，系統(tǒng)設(shè)備容量配置結(jié)果如表3所示。

表3 設(shè)備容量配置結(jié)果

系統(tǒng)凈收益最大值為5224美元，其中，系統(tǒng)日投資成本為1529美元，系統(tǒng)日供能收入為8834美元，系統(tǒng)和配電網(wǎng)的交易成本為1538美元，系統(tǒng)設(shè)備運(yùn)行維護(hù)成本為425美元，功率波動(dòng)懲罰成本為118美元。

在系統(tǒng)各設(shè)備容量已知的條件下，分別在溫和季、供冷季、供熱季等不同季節(jié)下對(duì)系統(tǒng)進(jìn)行測(cè)試運(yùn)行，測(cè)試運(yùn)行階段，利用下層優(yōu)化運(yùn)行模型對(duì)系統(tǒng)設(shè)備運(yùn)行功率進(jìn)行優(yōu)化，分析系統(tǒng)設(shè)備運(yùn)行情況及電、熱、氫負(fù)荷供需情況。溫和季、供冷季和供熱季系統(tǒng)的某日運(yùn)行結(jié)果如圖9—圖17所示。

圖9 溫和季某日電負(fù)荷運(yùn)行結(jié)果

圖10 溫和季某日熱負(fù)荷運(yùn)行結(jié)果

圖11 溫和季某日氫負(fù)荷運(yùn)行結(jié)果

由圖9—圖11溫和季系統(tǒng)運(yùn)行結(jié)果可知，通過(guò)系統(tǒng)內(nèi)光伏、風(fēng)機(jī)、電加熱、電解池、燃料電池和蓄電池等設(shè)備的協(xié)調(diào)配合，以及同配電網(wǎng)進(jìn)行功率交易可實(shí)現(xiàn)系統(tǒng)內(nèi)電熱氫供需平衡，保證負(fù)荷的可靠供需。

由圖12—圖14供冷季系統(tǒng)運(yùn)行結(jié)果可知，系統(tǒng)依靠向配電網(wǎng)大量購(gòu)電以維持電能平衡，并且與溫和季節(jié)相比，供冷季熱負(fù)荷需求相對(duì)較小。

圖12 供冷季某日電負(fù)荷運(yùn)行結(jié)果

圖13 供冷季某日熱負(fù)荷運(yùn)行結(jié)果

圖14 供冷季某日氫負(fù)荷運(yùn)行結(jié)果

圖15 供熱季某日電負(fù)荷運(yùn)行結(jié)果

圖16 供熱季某日熱負(fù)荷運(yùn)行結(jié)果

圖17 供熱季某日氫負(fù)荷運(yùn)行結(jié)果

綜合不同季節(jié)下系統(tǒng)設(shè)備運(yùn)行情況及電、熱、氫負(fù)荷供需情況可知，通過(guò)利用本文所提的雙層聯(lián)合迭代模型對(duì)設(shè)備容量進(jìn)行優(yōu)化配置，可實(shí)現(xiàn)系統(tǒng)電、熱、氫負(fù)荷需求的可靠供應(yīng)，并能滿足系統(tǒng)的運(yùn)行需求。風(fēng)光出力冗余時(shí)可以通過(guò)電解池和電加熱裝置進(jìn)行消納利用，平均就地消納率為95%，即通過(guò)對(duì)電熱氫進(jìn)行聯(lián)合優(yōu)化可以有效提升可再生能源的就地消納能力。此外，通過(guò)對(duì)儲(chǔ)能設(shè)備儲(chǔ)/釋功率進(jìn)行優(yōu)化，可將價(jià)格較低時(shí)段的電能進(jìn)行存儲(chǔ)或轉(zhuǎn)換存儲(chǔ)，并在價(jià)格較高時(shí)段釋放，從而降低轉(zhuǎn)換設(shè)備運(yùn)行功率，提高系統(tǒng)經(jīng)濟(jì)性。溫和季、供冷季、供熱季系統(tǒng)的某日成本收入如表4所示。

表4 溫和季、供冷季、供熱季系統(tǒng)的某日成本及收入

由表4可知，不同季節(jié)下，系統(tǒng)凈收益存在較大差異，供熱季凈收益約比供冷季高112%，分析系統(tǒng)的各項(xiàng)成本可知，交易成本是造成系統(tǒng)凈收益差異的主要原因，供冷季的交易成本比供熱季高約3266美元。進(jìn)一步分析可知，風(fēng)機(jī)出力的變化對(duì)系統(tǒng)收益具有直接影響。供冷季風(fēng)機(jī)出力較小，日出力僅為6.83 MWh，系統(tǒng)依靠向配電網(wǎng)大量購(gòu)電以維持電能平衡，造成較大的功率交易成本。與此相反，供熱季風(fēng)機(jī)全天都維持較高的出力水平，日出力為64.78 MWh，電能短缺時(shí)段，系統(tǒng)向配電網(wǎng)購(gòu)電，電能富余時(shí)段系統(tǒng)向配電網(wǎng)售電。因此，風(fēng)光出力的季節(jié)變化對(duì)系統(tǒng)收益具有較大影響，而本文所提的雙層聯(lián)合迭代模型能夠充分考慮這一影響，得出的配置方案更加符合實(shí)際情況。

4 結(jié)論

本文提出了一種EHH-CS容量?jī)?yōu)化配置雙層聯(lián)合迭代模型，通過(guò)將容量配置和運(yùn)行策略進(jìn)行協(xié)同優(yōu)化，可充分考慮在實(shí)際運(yùn)行中源-荷不確定性的影響，實(shí)現(xiàn)了系統(tǒng)凈收益的最大化，并能顯著提高可再生能源出力的就地消納率，對(duì)促進(jìn)能源低碳化以及IES一體化規(guī)劃和運(yùn)行具有重要意義。由結(jié)果分析可以得出如下結(jié)論。

1) 雙層聯(lián)合迭代模型可通過(guò)上層模型和下層模型間的循環(huán)迭代，得到效益最優(yōu)的容量配置方案。其中，上層優(yōu)化配置模型以系統(tǒng)凈收益最大化為目標(biāo)，對(duì)設(shè)備容量進(jìn)行配置；下層優(yōu)化運(yùn)行模型以運(yùn)行收益最大化為目標(biāo)，對(duì)設(shè)備運(yùn)行功率進(jìn)行優(yōu)化。

2) 在不確定性因素處理方面，本文采用拉丁超立方采樣法生成初始場(chǎng)景，并利用改進(jìn)的K-均值聚類方法實(shí)現(xiàn)場(chǎng)景縮減，得到源-荷不確定變量典型場(chǎng)景，為系統(tǒng)容量配置提供數(shù)據(jù)基礎(chǔ)。

3) 可再生能源出力的變化對(duì)系統(tǒng)運(yùn)行策略具有直接影響，通過(guò)在配置階段考慮源-荷不確定性變量的影響，可實(shí)現(xiàn)系統(tǒng)電、熱、氫負(fù)荷需求的可靠供應(yīng)，并滿足系統(tǒng)的運(yùn)行需求。

[1] 鄭國(guó)太, 李昊, 趙寶國(guó), 等. 基于供需能量平衡的用戶側(cè)綜合能源系統(tǒng)電/熱儲(chǔ)能設(shè)備綜合優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(16): 8-18.

ZHENG Goutai, LI Hao, ZHAO Baoguo, et al. Comprehensive optimization of electrical/thermal energy storage equipments for integrated energy system near user side based on energy supply and demand balance[J]. Power System Protection and Control, 2018, 46(16): 8-18.

[2] ZHU M, XU C, DONG S, et al. An integrated multi-energy flow calculation method for electricity-gas-thermal integrated energy systems[J]. Protection and Control of Modern Power Systems, 2021, 6(1): 65-76.

[3] HUANG W, ZHANG N, YANG J, et al. Optimal configuration planning of multi-energy systems considering distributed renewable energy[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1452-1464.

[4] 胡梟, 尚策, 陳東文, 等. 考慮能量品質(zhì)的區(qū)域綜合能源系統(tǒng)多目標(biāo)規(guī)劃方法[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(19): 22-38.

HU Xiao, SHANG Ce, CHEN Dongwen, et al. Multi- objective planning method for regional integrated energy systems considering energy quality[J]. Automation of Electric Power Systems, 2019, 43(19): 22-38.

[5] WANG Y, ZHANG N, ZHUO Z, et al. Mixed-integer linear programming-based optimal configuration planning for energy hub: starting from scratch[J]. Applied Energy, 2018, 210: 1141-1150.

[6] MEHLERI E D, SARIMVEIS H, MARKATOS N C, et al. Optimal design and operation of distributed energy systems: application to Greek residential sector[J]. Renewable Energy, 2013, 51: 331-342.

[7] 侯慧, 劉鵬, 黃亮, 等. 考慮不確定性的電-熱-氫綜合能源系統(tǒng)規(guī)劃[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(增刊1): 133-144.

HOU Hui, LIU Peng, HUANG Liang, et al. Planning of electricity-heat-hydrogen integrated energy system considering uncertainties[J]. Transactions of China Electrotechnical Society, 2021, 36(S1): 133-144.

[8] LIU Z, CHEN Y, ZHUO R, et al. Energy storage capacity optimization for autonomy microgrid considering CHP and EV scheduling[J]. Applied Energy, 2018, 210: 1113-1125.

[9] 張興平, 張又中. 計(jì)及P2G和CCS的園區(qū)級(jí)電-熱-氣綜合能源系統(tǒng)多目標(biāo)優(yōu)化[J]. 電力建設(shè), 2020, 41(12): 90-99.

ZHANG Xingping, ZHANG Youzhong. Multi-objective optimization model for park-level electricity-heat-gas integrated energy system considering P2G and CCS[J]. Electric Power Construction, 2020, 41(12): 90-99.

[10] 趙峰, 張承慧, 孫波, 等. 冷熱電聯(lián)供系統(tǒng)的三級(jí)協(xié)同整體優(yōu)化設(shè)計(jì)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(15): 3785-3793.

ZHAO Feng, ZHANG Chenghui, SUN Bo, et al. Three- stage collaborative global optimization design method of combined cooling heating and power[J]. Proceedings of the CSEE, 2015, 35(15): 3785-3793.

[11] 閆夢(mèng)陽(yáng), 李華強(qiáng), 王俊翔, 等. 計(jì)及綜合需求響應(yīng)不確定性的園區(qū)綜合能源系統(tǒng)優(yōu)化運(yùn)行模型[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(2): 163-175.

YAN Mengyang, LI Huaqiang, WANG Junxiang, et al. Optimal operation model of a park integrated energy system considering uncertainty of integrated demand response[J]. Power System Protection and Control, 2022, 50(2): 163-175.

[12] 贠韞韻, 董海鷹, 馬志程, 等. 考慮需求響應(yīng)與光熱電站參與的多源系統(tǒng)優(yōu)化經(jīng)濟(jì)調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(14): 140-149.

YUN Yunyun, DONG Haiying, MA Zhicheng, et al. Optimization economic dispatch of a multi-source system considering the participation of demand response and concentrating solar power plant[J]. Power System Protection and Control, 2020, 48(14): 140-149.

[13] TURK A, WU M, ZHANG M, et al. Day-ahead stochastic scheduling of integrated multi-energy system for flexibility synergy and uncertainty balancing[J]. Energy, 2020, 196.

[14] 朱曉榮, 謝婉瑩, 鹿國(guó)微. 采用區(qū)間多目標(biāo)線性規(guī)劃法的熱電聯(lián)供型微網(wǎng)日前調(diào)度[J]. 高電壓技術(shù), 2021, 47(8): 2668-2679.

ZHU Xiaorong, XIE Wanying, LU Guowei. Day-ahead scheduling of combined heating and power microgrid with the interval multi-objective linear programming[J]. High Voltage Engineering, 2021, 47(8): 2668-2679.

[15] 曾博, 徐富強(qiáng), 劉裕, 等. 考慮可再生能源與需求響應(yīng)協(xié)同增效的能量樞紐多目標(biāo)區(qū)間優(yōu)化規(guī)劃方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2021, 41(21): 7212-7225.

ZENG Bo, XU Fuqiang, LIU Yu, et al. Multi-objective interval optimization approach for energy hub planning with consideration of renewable energy and demand response synergies[J]. Proceedings of the CSEE, 2021, 41(21): 7212-7225.

[16] 胡源, 薛松, 楊素, 等. 綜合能源背景下的配電網(wǎng)多場(chǎng)景規(guī)劃[J]. 中國(guó)電力, 2021, 54(4): 175-184.

HU Yuan, XUE Song, YANG Su, et al. Multi-scenario planning of distribution network in the context of integrated energy[J]. Electric Power, 2021, 54(4): 175-184.

[17] 陳忠華, 高振宇, 陳嘉敏, 等. 考慮不確定性因素的綜合能源系統(tǒng)協(xié)同規(guī)劃研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(8): 32-40.

CHEN Zhonghua, GAO Zhenyu, CHEN Jiamin, et al. Research on cooperative planning of an integrated energy system considering uncertainty[J]. Power System Protection and Control, 2021, 49(8): 32-40.

[18] 周華嫣然, 周羿宏, 胡俊杰, 等. 人工智能技術(shù)支撐的集群電動(dòng)汽車實(shí)時(shí)優(yōu)化調(diào)度策略[J]. 電網(wǎng)技術(shù), 2021, 45(4): 1446-1459.

ZHOU Huayanran, ZHOU Yihong, HU Junjie, et al. Real- time optimization scheduling strategy for aggregated electric vehicles supported by artificial intelligence technology[J]. Power System Technology, 2021, 45(4): 1446-1459.

[19] TENG Y, WANG Z, LI Y, et al. Multi-energy storage system model based on electricity heat and hydrogen coordinated optimization for power grid flexibility[J]. CSEE Journal of Power and Energy Systems, 2019, 5(2): 266-274.

[20] BUDISCHAK C, SEWELL D, THOMSON H, et al. Cost-minimized combinations of wind power, solar power and electrochemical storage, powering the grid up to 99.9% of time[J]. Journal of Power Sources, 2013, 225: 60-74.

[21] BROWN T, SCHLACHTBERGER D, KIES A, et al. Synergies of sector coupling and transmission reinforcement in a cost-optimised, highly renewable European energy system[J]. Energy, 2018, 160: 720-739.

[22] 劉迪, 吳俊勇, 林凱駿, 等. 基于Kriging模型的綜合能源系統(tǒng)規(guī)劃方法[J]. 電網(wǎng)技術(shù), 2019, 43(1): 185-192.

LIU Di, WU Junyong, LIN Kaijun, et al. A planning method of integrated energy system based on Kriging model[J]. Power System Technology, 2019, 43(1): 185-192.

Optimal capacity allocation of an electricity heat hydrogen cogeneration system based on coordinated operation and planning

HOU Hui1, 2, GE Xiangdi1, 2, WU Xixiu1, 2, ZHAO Bo3, ZHANG Leiqi3, XIE Changjun1, 2, LIU Peng1

(1. School of Automation, Wuhan University of Technology, Wuhan 430070, China; 2. Shenzhen Research Institute, Wuhan University of Technology, Shenzhen 518000, China; 3. State Grid Zhejiang Electric Power Research Institute, Hangzhou 310014, China)

Given the goal of "double carbon", an integrated energy system dominated by zero-carbon energy such as hydrogen is developing at a high speed. Giving full play to the collaborative optimization of its operation strategy and capacity allocation is conducive to ensuring energy supply and improving planning economy. Given this, an optimal capacity allocation method of an electricity-heat-hydrogen cogeneration system (EHH-CS) with coordinated operation and planning is proposed. First, based on the construction of an EHH-CS model, and through the combination of Latin hypercube sampling and improved K-means clustering, typical scenarios of uncertainties are established to realize the reasonable description of renewable energy and load uncertainty. Second, a double-layer joint iterative model of capacity allocation of an EHH-CS is established. The upper layer is the optimal allocation layer, and this takes the maximum daily net investment income as the objective of optimal allocation, and the lower layer is the optimal operation layer, which takes the maximum daily operation income as the objective of optimal operation. A cyclic iterative solution is carried out using the particle swarm optimization algorithm to obtain the coordinated optimal operation strategy and capacity allocation scheme. Finally, an EHH-CS is taken as an example to verify the simulation. The results show that the proposed method promotes the local consumption of renewable energy and effectively balances the planning and operational costs of the system.

electricity heat hydrogen cogeneration system; collaborative optimization; typical scenario; capacity allocation; double-layer model

10.19783/j.cnki.pspc.220314

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目資助(2020YFB1506802)；國(guó)家自然科學(xué)基金項(xiàng)目資助(52177110)；深圳市科技計(jì)劃項(xiàng)目資助(JCYJ20210324131409026)

This work is supported by the National Key Research and Development Program of China (No. 2020YFB1506802).

2022-03-14；

2022-06-11

侯 慧(1981—)，女，博士，副教授，博士生導(dǎo)師，研究方向?yàn)殡娏ο到y(tǒng)風(fēng)險(xiǎn)評(píng)估、能源互聯(lián)網(wǎng)、電動(dòng)汽車與電網(wǎng)互動(dòng)等；E-mail: husthou@126.com

戈翔迪(1998—)，男，通信作者，碩士研究生，研究方向?yàn)榫C合能源系統(tǒng)的規(guī)劃運(yùn)行與微電網(wǎng)控制。E-mail: 320900@ whut.edu.cn

(編輯 許 威)