計及前瞻風(fēng)險的綜合能源系統(tǒng)低碳經(jīng)濟(jì)調(diào)度優(yōu)化

收稿日期：2022-01-17

基金項目：四川省科技計劃（22QYCX0170）

通信作者：朱西平（1971—），男，博士、教授，主要從事能源互聯(lián)網(wǎng)與能源區(qū)塊鏈等方面的研究。171372240@qq.com

DOI：10.19912/j.0254-0096.tynxb.2022-0081 文章編號：0254-0096（2023）06-0113-09

摘 要：針對可再生能源波動性給綜合能源系統(tǒng)（IES）穩(wěn)定運行帶來的巨大挑戰(zhàn)，提出一種考慮前瞻風(fēng)險和經(jīng)濟(jì)環(huán)境效益的IES調(diào)度優(yōu)化方法。以系統(tǒng)運行成本、污染排放最小為目標(biāo)，通過蒙特卡洛法生成風(fēng)光及負(fù)荷不確定性概率場景，運用負(fù)荷損失值分析不確定性因素潛在風(fēng)險規(guī)模，基于條件風(fēng)險價值理論控制系統(tǒng)運行風(fēng)險，引入綜合需求響應(yīng)規(guī)劃降低運營成本，通過模糊決策算法獲得最優(yōu)方案。算例分析表明：該方案在完成低碳經(jīng)濟(jì)調(diào)度目標(biāo)下，實現(xiàn)系統(tǒng)可靠運行且兼具靈活性，提升系統(tǒng)經(jīng)濟(jì)環(huán)境效益。

關(guān)鍵詞： 可再生能源；綜合能源系統(tǒng)；不確定性；綜合需求響應(yīng)；低碳經(jīng)濟(jì)

中圖分類號：TM73 文獻(xiàn)標(biāo)志碼：A

0 引 言

在2030年前實現(xiàn)二氧化碳排放達(dá)到峰值為中國推進(jìn)“雙碳”目標(biāo)初步戰(zhàn)略［1］，在“雙碳”目標(biāo)激勵下，提升以太陽能和風(fēng)能為主的可再生能源消納和減少污染排放是當(dāng)前能源系統(tǒng)的重點研究方向［2-3］。而RES在能量供給上具有波動性和間歇性，為傳統(tǒng)電網(wǎng)穩(wěn)定運行帶來諸多困難。因此，通過綜合能源系統(tǒng)（integrated energy system，IES）內(nèi)部能量轉(zhuǎn)換設(shè)備、儲能裝置及輔助結(jié)構(gòu)，實現(xiàn)能源間靈活轉(zhuǎn)換與統(tǒng)一管理，為可再生能源的高效利用提供了全新的研究方向。

在綜合能源系統(tǒng)中，將存在天然波動性的可再生能源與多種能源載體深度融合會顯著改變系統(tǒng)原有的運行狀態(tài)［4-5］，基于此，對系統(tǒng)設(shè)備的選擇和容量配置成為了解決可再生能源波動性的有效手段。文獻(xiàn)［6］提出含有風(fēng)力機和光伏的多能系統(tǒng)，并以投資運行成本和污染排放最少為目標(biāo)構(gòu)建優(yōu)化配置模型。而其中新型儲能系統(tǒng)對于可再生能源消納尤為重要，也是目前研究焦點所在，如鉛酸電池［7］、抽水蓄能［8］、壓縮空氣儲能［9］等。此外，文獻(xiàn)［10］引入P2G設(shè)備，通過多能耦合方式增加消納且補足能源短缺。以上研究僅是從系統(tǒng)內(nèi)部配置調(diào)整提升消納能力，而隨之對可再生能源的高依賴將擴(kuò)大潛在風(fēng)險，影響系統(tǒng)穩(wěn)定運行。另有部分學(xué)者在需求側(cè)管理方面開展研究，文獻(xiàn)［11］為考慮負(fù)荷側(cè)調(diào)節(jié)資源，提出計及需求響應(yīng)的微能源網(wǎng)優(yōu)化調(diào)度方法，引導(dǎo)用戶需求管理，進(jìn)而提升可再生能源消納。

上述文獻(xiàn)研究主要集中在系統(tǒng)內(nèi)部設(shè)備及輔助結(jié)構(gòu)上做出調(diào)整以適應(yīng)不確定性因素波動，未實際考慮其所帶來的影響。文獻(xiàn)［12］基于生成對抗網(wǎng)絡(luò)方法模擬風(fēng)光不確定性場景，研究風(fēng)光波動性對獨立微網(wǎng)運行的影響；文獻(xiàn)［13］采用Frank-Copula函數(shù)建立風(fēng)光出力聯(lián)合分布場景，通過場景分析法對分布式可再生能源進(jìn)行不確定性規(guī)劃，建立雙層優(yōu)化模型實現(xiàn)最優(yōu)方案。但它們未考慮到負(fù)荷需求側(cè)同樣存在不確定性因素。文獻(xiàn)［14-15］利用隨機優(yōu)化方法研究具有需求側(cè)管理的住宅多能源微電網(wǎng)的不確定性，所提風(fēng)險規(guī)避部署方案具有良好的抵御效果，但未涉及到多能源負(fù)荷影響；文獻(xiàn)［16］基于模糊集方法研究多種不確定性的影響，并提出能源樞紐最小化成本優(yōu)化調(diào)度方法，但未考慮到污染排放影響。

針對以上問題，本文提出一種計及前瞻不確定性因素的IES調(diào)度風(fēng)險優(yōu)化策略。首先在系統(tǒng)內(nèi)部引入儲能設(shè)備，提升能源消納空間，在需求側(cè)加入綜合需求響應(yīng)（integrated demand response，IDR）引導(dǎo)負(fù)荷需求調(diào)節(jié)?；诿商乜宸ㄉ刹淮_定性因素概率場景，然后通過負(fù)荷損失值（value of load loss，VOLL）計量方式分析系統(tǒng)運行潛在風(fēng)險規(guī)模，并針對風(fēng)險因素的波動性制定了[CVaRβ]靈活風(fēng)險管理策略，運用模糊決策算法獲得最優(yōu)方案。最后通過算例仿真進(jìn)行3種場景運行對比，驗證系統(tǒng)在完成可再生能源可靠消納的同時，實現(xiàn)經(jīng)濟(jì)、環(huán)境效益最優(yōu)。

1 IES系統(tǒng)架構(gòu)

本文以包含電、熱、氣的典型綜合能源系統(tǒng)為例展開研究，整體能量流如圖1所示。系統(tǒng)輸入端與上級電網(wǎng)和天然氣網(wǎng)相連，輸出端連接園區(qū)需求側(cè)用戶。

IES通過內(nèi)部能量轉(zhuǎn)換設(shè)備（熱電聯(lián)產(chǎn)機組（combined heat and power system，CHP）、燃?xì)忮仩t）將一次輸入能源轉(zhuǎn)換成用戶所需的電能和熱能，并加入風(fēng)、光發(fā)電，提升環(huán)境效益，實現(xiàn)對終端用戶用能需求供給。此外，IES中加入了蓄電池和儲熱罐，一方面可將富余產(chǎn)能進(jìn)行儲存回收節(jié)約能源，另一方面可滿足即時負(fù)荷需求，平抑負(fù)荷波動。同時，針對負(fù)荷需求的不確定性加入IDR管理，削減極端負(fù)荷場景，增加系統(tǒng)運行的經(jīng)濟(jì)性和可靠性。

2 IES低碳經(jīng)濟(jì)調(diào)度模型構(gòu)建

本文將綜合能源系統(tǒng)的低碳經(jīng)濟(jì)運行作為優(yōu)化目標(biāo)。結(jié)合能源樞紐各元件機組運行約束，在滿足能源需求可靠供能的同時，考慮在調(diào)度成本最低情況下實現(xiàn)綜合能源系統(tǒng)的最佳低碳運行。

2.1 目標(biāo)模型

2.1.1 運營成本模型

根據(jù)IES基本架構(gòu)，將第一目標(biāo)函數(shù)設(shè)為：系統(tǒng)綜合運行成本[FC]最低，表達(dá)式為：

[minFC=mintT（Cgrid+Cfuel+Cr+CIDR）] （1）

式中：[Cgrid]——購電成本；[Cfuel]——燃料成本；[Cr]——系統(tǒng)運維成本；[CIDR]——綜合需求響應(yīng)成本。

[Cgrid=?etPgrids，t] （2）

[Cfuel=?gas（Gbos，t+GCHPs，t）] （3）

[Cr=ζpvPpvs，t+ζwindPwinds，t+ζboHbos，t+ζCHP（PCHPs，t+HCHPs，t）+" " " " ζess（Pch，es，t+Pdis，es，t）+ζtss（Hch，ts，t+Hdis，ts，t）] （4）

[CIDR=ψEDRP（Pup，es，t+Pdn，es，t）+ψTDRP（Pup，ts，t+Pdn，ts，t）] （5）

式中：[?et]——實時電價；[Pgrids，t]——向上級電網(wǎng)購電量；下標(biāo)[s、t]——場景[s]下時段[t]；[?gas]——氣價；[Gbos，t]——燃?xì)忮仩t燃?xì)庀牧浚籟GCHPs，t]——CHP燃?xì)庀牧浚籟ζpv]——光伏機組運維成本系數(shù)；[ζwind]——風(fēng)力渦輪機運維成本系數(shù)；[ζbo]——燃?xì)忮仩t運維成本系數(shù)；[Hbos，t、][HCHPs，t、][Hch，ts，t、][Hdis，ts，t]——燃?xì)忮仩t產(chǎn)熱值、CHP產(chǎn)熱值、儲熱值、儲熱罐的儲熱、放熱量；[ζCHP]——CHP運維成本系數(shù)；[ζess]——蓄電池運維成本系數(shù)；[ζtss]——儲熱罐運維成本系數(shù)；[ψEDRP、][ψTDRP]——電、熱負(fù)荷需求響應(yīng)成本系數(shù)。

2.1.2 污染排放模型

將第二目標(biāo)函數(shù)設(shè)為：系統(tǒng)運行總污染排放量[FE]最小，表達(dá)式為：

[minFE=min（Egrid+Ebo+ECHP）] （6）

式中：[Egrid]——電網(wǎng)用能排污量；[Ebo]——燃?xì)忮仩t排污量；[ECHP]——CHP產(chǎn)能排污量。

其中，

[Egrid=t=1TPgrids，tεgridCO2+εgridSO2+εgridNO2Ebo" =t=1TGbos，tεboCO2+εboSO2+εboNO2ECHP=t=1TGCHPs，tεCHPCO2+εCHPSO2+εCHPNO2] （7）

式中：[εgrid/bo/CHPCO2]、[εgrid/bo/CHPSO2]、[εgrid/bo/CHPNO2]——向上級電網(wǎng)購電、燃?xì)忮仩t產(chǎn)熱及CHP供能所對應(yīng)產(chǎn)生的CO2、SO2、NO2氣體污染排放系數(shù)。

2.2 IES各機組模型構(gòu)建及約束

2.2.1 各機組模型構(gòu)建

1）光伏機組模型

光伏機組輸出功率由光伏面積[Apv、]太陽輻照度[Gt]及光伏轉(zhuǎn)換效率[ηpvt]共同決定，表達(dá)式為：

[Ppvt=ηpvtApvGt] （8）

其中，光伏轉(zhuǎn)換效率受環(huán)境因素影響，參照基準(zhǔn)效率計算：

[ηpvt=ηref?pv1-αpTt+GtTnoc-20800-Tref] （9）

式中：[ηref、][Tref]——光伏機組基準(zhǔn)效率及基準(zhǔn)環(huán)境溫度；[?pv]——光伏降額因子，其根據(jù)光伏面板的遮光、接線損耗等物理因素設(shè)定；[αp]——功率溫度系數(shù)；[Tt]——當(dāng)前環(huán)境溫度；[Gt]——當(dāng)前環(huán)境太陽輻照度；[Tnoc]——設(shè)備工作標(biāo)準(zhǔn)溫度。

2）風(fēng)力渦輪機模型

風(fēng)電輸出功率主要與環(huán)境風(fēng)速有關(guān)，風(fēng)速與風(fēng)力渦輪機出力功率間的數(shù)學(xué)模型為：

[Pwindt=0， vt≤vciPNvt-vcivr-vci， vci≤vt≤vr" " " PN， vr≤vt≤vco0， vco≤vt] （10）

式中：[Pwindt]——風(fēng)電機組輸出功率；[vt]——實際風(fēng)速；[vci]——切入風(fēng)速；[PN]——風(fēng)電機組額定輸出功率；[vr]——額定風(fēng)速；[vco]——切斷風(fēng)速。

3）熱電聯(lián)產(chǎn)機組模型

CHP是綜合能源系統(tǒng)中整合電能、熱能和天然氣的重要載體，其供電與供熱功率范圍相互制約，如圖2所示［17］，以式（11）～式（15）進(jìn)行表述。其中，式（11）將CHP供能狀態(tài)限制在AB線以下，式（12）和式（13）保證CHP在開啟狀態(tài)下工作點處于BC、CD線上。此外，CHP產(chǎn)電和產(chǎn)熱功率上下限分別由式（14）和式（15）表示。

[PCHPs，t-PCHPA-PCHPA-PCHPBHCHPA-HCHPB（HCHPs，t-HCHPA）≤0] （11）

[PCHPs，t-PCHPB-PCHPB-PCHPCHCHPB-HCHPC（HCHPs，t-HCHPB）≥-（1-ICHPs，t）M] （12）

[PCHPs，t-PCHPC-PCHPC-PCHPDHCHPC-HCHPD（HCHPs，t-HCHPC）≥-（1-ICHPs，t）M] （13）

[0≤HCHPs，t≤HCHPBICHPs，t] （14）

[PCHPCICHPs，t≤PCHPs，t≤PCHPAICHPs，t] （15）

式中：[PCHPs，t]、[HCHPs，t]——CHP發(fā)電、產(chǎn)熱功率；[PCHPA/B/C/D]和[HCHPA/B/C/D]——CHP在可行域4個端點時發(fā)電、發(fā)熱功率；[ICHPs，t]——CHP工作啟停狀態(tài)，[ICHPs，t∈（0，1）]，其中1表示工作，0表示不工作。

此外，CHP供能成本［17］表達(dá)式為：

[GCHPs，t=a1（PCHPs，t）2+a2PCHPs，t+b1（HCHPs，t）2+" " " " " " "b2HCHPs，t+cPCHPs，tHCHPs，t+dICHPs，t] （16）

式中：[a1]、[a2]、[b1]、[b2]、[c]、[d]——CHP由氣轉(zhuǎn)電/熱的機能系數(shù)。

4）燃?xì)忮仩t模型

燃?xì)忮仩t作為綜合能源系統(tǒng)中主要供熱裝置，運行約束表達(dá)式為：

[Hbos，t=ηboGbos，t] （17）

[0≤Hbos，t≤HbomaxIbos，t] （18）

式中：[Hbos，t]——燃?xì)忮仩t輸出功率；[ηbo]——產(chǎn)熱效率；[Gbos，t]——輸入天然氣功率；[Hbomax]——產(chǎn)熱上限；[Ibos，t]——燃?xì)忮仩t啟停狀態(tài)。

5）儲能模型

為節(jié)約在滿足負(fù)荷需求外的額外產(chǎn)能以及方便能源供需的靈活調(diào)節(jié)，在研究中加入蓄電池和儲熱罐作為儲能裝置。其中儲熱罐儲熱功率表達(dá)式為：

[Cst，ts，t=Cst，ts，t-1+（Hchs，t×ζchh）-（Hdiss，tζdish）-Hlosss，t] （19）

式中：[Cst，ts，t]——儲熱罐熱量值；[Hchs，t]、[Hdiss，t]——儲熱罐儲熱、放熱功率；[ζchh]、[ζdish]——儲熱罐充、放熱效率；[Hlosss，t]——熱能損失功率。

此外，儲熱罐充放熱功率約束模型為：

[αtminCst，tc≤Cst，ts，t≤αtmaxCst，tc] （20）

[αtminCst，tcIch，ts，tζtch≤Hchs，t≤αtmaxCst，tcIch，ts，tζtch] （21）

[αtminCst，tcIdis，ts，tζtdis≤Hdiss，t≤αtmaxCst，tcIdis，ts，tζtdis] （22）

[Hlosss，t=αtloss?Cst，ts，t] （23）

[Ich，ts，t+Idis，ts，t≤1] （24）

式中：[αtmax]、[αtmin]——儲熱上下限；[Cst，tc]——儲熱罐額定值；[αtloss]——熱能損失率；[Itch]、[Itdis]——儲熱罐充、放熱狀態(tài)。

蓄電池儲電功率數(shù)學(xué)模型為：

[Cst，es，t=Cst，es，t-1+（Echs，t?ζche）-（Ediss，tζdise）-Elosss，t] （25）

式中：[Cst，es，t]——蓄電池電量值；[Echs，t]、[Ediss，t]、[Elosss，t]——[t]時刻充電、放電及電能損失功率；[ζche]、[ζdise]——蓄電池充、放電效率。

蓄電池充放電功率表達(dá)式為：

[αeminCst，ec≤Cst，ec≤αemaxCst，ec] （26）

[αeminCst，ecIch，es，tζech≤Pchs，t≤αemaxCst，ecIch，es，tζech] （27）

[αeminCst，ecIdis，es，tζedis≤Pdiss，t≤αemaxCst，ecIdis，es，tζedis] （28）

[Plosss，t=αeloss?Cst，es，t] （29）

[Ich，es，t+Idis，es，t≤1] （30）

式中：[αemax]、[αemin]——儲電上下限；[Cst，ec]——蓄電池額定值；[αeloss]——電能損失率；[Iech]、[Iedis]——蓄電池充、放電狀態(tài)。

2.2.2 電、熱平衡約束

[Delt=Pgridt+Pwindt+Ppvt+PCHPt+Pdist-Pcht] （31）

[Pgridmin≤Pgridt≤Pgridmax] （32）

[Dtlt=Hbot+HCHPt+Hdist-Hcht] （33）

[Ggridt=Gbot+GCHPt] （34）

[Ggridmin≤Ggridt≤Ggridmax] （35）

式中：[Del/tlt]——電/熱負(fù)荷需求量；[Pgridmin/max]、[Ggridmin/max]——從上級能源網(wǎng)中所購電、天然氣的最小值/最大值。

2.2.3 綜合需求響應(yīng)約束

[De，DRt=Delt+Pup，et-Pdn，etDt，DRt=Dtlt+Pup，tt-Pdn，tt] （36）

式中：[De/t，DRt]——[t]時刻電/熱負(fù)荷需求響應(yīng)規(guī)劃量；[Pup，e/tt]、[Pdn，e/tt]——電/熱負(fù)荷可平移增加、削減量。

此外，綜合需求響應(yīng)規(guī)劃滿足約束：

[0≤Pe/t，upt≤Le/t，upDe/tltIe/t，upt0≤Pe/t，dnt≤Le/t，dnDe/tltIe/t，dntIe/t，upt+Ie/t，dnt≤1tTPe/t，upt=tTPe/t，dnt] （37）

式中：[Le/t，up、][Le/t，dn]——最大可平移電/熱負(fù)荷增加、削減系數(shù)；[Ie/t，upt、][Ie/t，dnt]——電/熱負(fù)荷需求增加、削減狀態(tài)。

3 考慮IES前瞻風(fēng)險調(diào)度決策方法

3.1 不確定性場景風(fēng)險模型

綜合能源系統(tǒng)加入了新能源消納，但其中風(fēng)光供能和電/熱負(fù)荷需求存在許多不確定性因素。因此，基于蒙特卡洛模擬生成能源供需不確定性參數(shù)［18］，模擬實際能源供給存在的典型場景。

3.1.1 不確定性模型

由于電/熱力需求存在隨機性，實驗根據(jù)高斯概率密度函數(shù)的正態(tài)性對負(fù)荷需求預(yù)測精度進(jìn)行建模仿真，算例模型為：

[f（Δxt;μx，σ2x）=12πσ2xexp-（Δxt-μx）22σ2x] （38）

式中：[Δxt]——負(fù)荷需求在時間[t]的預(yù)測誤差；[μx]、[σ2x]——實驗數(shù)據(jù)平均值和標(biāo)準(zhǔn)誤差。

針對可再生能源不確定性，實驗利用[β]分布函數(shù)進(jìn)行風(fēng)光預(yù)測的相關(guān)誤差建模仿真，算例模型為：

[f（ΔPG/Wt;λ1，λ2）=ΔPλ1-1G/Wt（1-ΔPG/Wt）λ2-1N] （39）

式中：[ΔPG/Wt]——[t]時刻光伏/風(fēng)力的預(yù)測誤差，滿足約束條件[0≤ΔPG/Wt≤1]；[λ1、λ2]——[β]分布函數(shù)相關(guān)參數(shù)；[N]——標(biāo)準(zhǔn)化因子。

與光伏/風(fēng)力預(yù)測誤差相關(guān)的均值和方差［19］為：

[E（ΔPG/Wt）=λ1λ1+λ2] （40）

[σ2G/Wt=λ1?λ2（λ1+λ2）2（λ1+λ2+1）] （41）

3.1.2 VOLL模型

在調(diào)度成本中，對于未供給電/熱負(fù)荷需求的成本將基于以下?lián)p失負(fù)荷值作為懲罰成本納入總體調(diào)度成本計算。

[PCs=t=1TVel?εet，s+Vtl?εtt，s] （42）

式中：[Vel/tl]——電/熱負(fù)荷需求損失值；[εet，s、][εtt，s]——電、熱供能不足的懲罰成本系數(shù)。

3.1.3 風(fēng)險管理模型

考慮相關(guān)不確定性因素存在，在優(yōu)化調(diào)度問題中應(yīng)將相關(guān)風(fēng)險進(jìn)行度量管理。因此，本文針對日前調(diào)度存在的風(fēng)險因子，加入風(fēng)險衡量方法進(jìn)行風(fēng)險劃分，將能量負(fù)荷中潛在風(fēng)險進(jìn)行量化，使日前調(diào)度方案更具可靠性和靈活性，表達(dá)式為：

[D=（1-β）E（P）-βRVaRα，s（P）] （43）

式中：[D]——能量負(fù)荷需求值；[β]——風(fēng)險系數(shù)（[0≤βlt;1]）；[E（P）]——調(diào)度期望負(fù)荷值；[RVaRα，s]——置信水平[α]下的負(fù)荷損失閾值，即條件風(fēng)險價值（conditional value at risk，CVaR）。決策者可根據(jù)次日潛在風(fēng)險的可能性調(diào)整風(fēng)險因子[β]來進(jìn)行日前調(diào)度規(guī)劃，當(dāng)[β=0]表明次日風(fēng)險可忽略，無需進(jìn)行風(fēng)險應(yīng)對，隨著[β]逐漸增大，表示需對潛在風(fēng)險做好充足準(zhǔn)備，保守應(yīng)對。

參照文獻(xiàn)［20］的處理方法，本文所研究調(diào)度風(fēng)險問題可具體表示為：

[D=（1-β）F-βζ+11-αs∈Ωρs×πs] （44）

[F-ζ≤πsπs≥0] （45）

式中：[F]——總能量負(fù)荷規(guī)劃；[Ω]——能源系統(tǒng)場景集合；[ρs]——第[s]個場景發(fā)生概率；[ζ、][πs]——中間參量，無具體物理意義。

3.2 多目標(biāo)優(yōu)化決策方法

本文規(guī)劃目標(biāo)為實現(xiàn)總規(guī)劃成本最低且污染排放最少。對于多目標(biāo)問題，通過[ε-]約束方法進(jìn)行分析解決。將總規(guī)劃成本作為主要目標(biāo)，而污染排放作為約束條件，將雙目標(biāo)問題轉(zhuǎn)變?yōu)閱文繕?biāo)問題進(jìn)行優(yōu)化解決。

[Fobj=min（fobj1）s.t." " " fobj2≤ε其他等式和不等式約束] （46）

基于[ε-]約束方法獲得帕累托最優(yōu)解集，通過max-min模糊算法從帕累托前沿中得到折中最優(yōu)解。其中模糊隸屬函數(shù)為：

[μni=1， Fni≤FminiFmaxi-FniFmaxi-Fmini， Fmini≤Fni≤Fmaxi0，" Fmaxi≤Fni] （47）

式中：[i]——第[i]個目標(biāo)函數(shù)，[i=1，2]；[n=1，2，…，N，][N]為帕累托前沿解個數(shù)；[Fni]——第[i]個目標(biāo)函數(shù)的第[n]個解；[Fmini]、[Fmaxi]——帕累托解集中目標(biāo)函數(shù)的最小值、最大值。

根據(jù)2個目標(biāo)函數(shù)的隸屬度值，取得最小值，依次計算所有解的隸屬度值并取其最小值：

[μn=min（μn1，μn2）" " " "? n=1，…，N] （48）

然后，再從中選擇最大值，該值所對應(yīng)解方案即為最后折中最優(yōu)解，即：

[μn=max（μ1，…， μN）] （49）

4 算例分析

4.1 參數(shù)配置

本節(jié)以某IES區(qū)域為例進(jìn)行前瞻低碳經(jīng)濟(jì)調(diào)度優(yōu)化運行展開研究，算例中IES整體結(jié)構(gòu)如圖1所示。本仿真案例中基礎(chǔ)元件配置的設(shè)備參數(shù)參考文獻(xiàn)［21］，環(huán)境太陽輻照度和風(fēng)速預(yù)測如圖3所示，圖中陰影部分表示該能源存在的波動性范圍。系統(tǒng)向上級購電價格采用分時電價、電價信息［22］如表1所示，購氣價格為3.45[元/m3]。此外，由于VOLL存在不確定性，其懲罰系數(shù)設(shè)定為實時價格的120%，考慮綜合需求響應(yīng)時，其最大可平移負(fù)荷為預(yù)測負(fù)荷的5%，補償價格為0.1[元/kWh]。該仿真運用Matlab并調(diào)用GUROBI求解器進(jìn)行求解。

4.2 場景設(shè)置

為驗證所提IES模型對系統(tǒng)運行總成本、總排放及系統(tǒng)可靠性的影響，本算例設(shè)置了3種不同運行場景：

場景1：以考慮RES優(yōu)先消納的能源樞紐模型作為基準(zhǔn)模型，根據(jù)日前調(diào)度最優(yōu)結(jié)果實現(xiàn)綜合能源系統(tǒng)的低排放低成本運行。

場景2：在基準(zhǔn)模型中考慮峰值負(fù)荷問題，加入綜合需求響應(yīng)規(guī)劃。

場景3：考慮風(fēng)電、光伏以及負(fù)荷需求的不確定性波動，在場景2中加入[CVaRβ=0.85]（即能源調(diào)度規(guī)劃中期望規(guī)避85%的負(fù)荷損失風(fēng)險），增加系統(tǒng)的可靠性。

4.3 結(jié)果分析

4.3.1 運行結(jié)果對比分析

本文調(diào)度規(guī)劃目標(biāo)為規(guī)劃成本和污染排放量最低的情況下，實現(xiàn)綜合能源系統(tǒng)最優(yōu)配置完成能量負(fù)荷需求供應(yīng)。因此，就上述3種場景根據(jù)日前負(fù)荷需求進(jìn)行求解得到帕累托前沿如圖4所示。

從圖4可看出，3種場景調(diào)度方案中污染排放量與總規(guī)劃成本變化趨勢均呈負(fù)相關(guān)，基于綜合需求響應(yīng)，可以更低地規(guī)劃成本和污染排放實現(xiàn)次日預(yù)測負(fù)荷需求，而考慮次日負(fù)荷與供能的不確定性因素，場景3整體需以較高的污染排放和規(guī)劃成本實現(xiàn)次日負(fù)荷需求的可靠性供給。通過max-min模糊決策方法得到3種場景最優(yōu)配置方案如表2所示，即圖中所標(biāo)注最優(yōu)解。

4.3.2 場景運行分析

1）基礎(chǔ)場景仿真結(jié)果分析

在運行周期內(nèi)，綜合能源系統(tǒng)電負(fù)荷需求由光伏、風(fēng)力機、CHP機組、上級電網(wǎng)和儲能電池提供，系統(tǒng)中電/熱負(fù)荷需求如圖5所示。從供能結(jié)構(gòu)來看，在01：00—04：00時段風(fēng)力能源豐富，而電負(fù)荷需求較低，將富余的電力能源進(jìn)行儲能回收。同時，01：00—06：00和23：00時段內(nèi)電價較低，向上級電網(wǎng)購電進(jìn)行存儲，在峰時電價和用電高負(fù)荷時間段進(jìn)行電能補給。此外，從電負(fù)荷曲線可看出電負(fù)荷需求存在較小波動，對供能調(diào)度規(guī)劃存在一定影響，而在09：00—15：00時段RES供能占有較大比重，隨其供能出力的不確定性，電負(fù)荷供能存在較大風(fēng)險誤差。

熱負(fù)荷需求由燃?xì)忮仩t、CHP和儲熱罐實現(xiàn)。從供熱結(jié)構(gòu)來看，在23：00—05：00時段為供熱負(fù)荷峰值，以燃?xì)忮仩t供熱為主，在11：00—19：00時段處于用電高負(fù)荷，CHP機組在滿足電負(fù)荷需求的同時承擔(dān)主要供熱需求。從熱負(fù)荷曲線可看出，由于供熱形式穩(wěn)定，整體熱負(fù)荷滿足日前預(yù)測負(fù)荷需求，而實際熱負(fù)荷需求存在較小波動可通過儲熱罐進(jìn)行供給調(diào)控，總體熱負(fù)荷供給滿足需求。

2）風(fēng)險管理場景仿真結(jié)果分析

通過對比圖6中需求響應(yīng)規(guī)劃曲線和預(yù)測負(fù)荷需求曲線可看出，基于綜合需求響應(yīng)可有效削減極端負(fù)荷場景，通過削峰填谷使整體負(fù)荷需求較平緩，減小風(fēng)險規(guī)模。而電負(fù)荷平衡中仍存在可再生能源波動干擾，需基于[CVaRβ]做出應(yīng)對策略。在場景3中選擇較保守的規(guī)避策略（[β=0.85]），整體負(fù)荷功率均滿足實際需求負(fù)荷，且熱負(fù)荷供能結(jié)構(gòu)上將更多利用儲熱罐在低負(fù)荷時進(jìn)行儲能實現(xiàn)能量靈活補給。

3）仿真運行可靠性分析

基于風(fēng)險管理場景分析，綜合需求響應(yīng)規(guī)劃能一定程度上減小熱負(fù)荷需求不確定性的影響，因此系統(tǒng)供能可靠性主要從電負(fù)荷角度進(jìn)行對比分析。

從圖7可看出，場景2和3較場景1負(fù)荷功率更平緩，

削減極端負(fù)荷場景從而減少風(fēng)險規(guī)模。場景1、2中較大負(fù)荷損失風(fēng)險集中在01：00—04：00和11：00—18：00時段，說明高比例可再生能源依賴潛藏著較大風(fēng)險。其中凌晨時段用能需求較低，主要供能依靠于可再生能源，因此場景1、2中最大損失負(fù)荷規(guī)模分別為當(dāng)段時間負(fù)荷需求的13.67%、12.66%。而場景1中最大負(fù)荷損失量為11：00的74.07 kW，損失規(guī)模達(dá)8.58%，場景2最大負(fù)荷損失量為13：00的92.83 kW，損失規(guī)模達(dá)10.94%。場景3中選擇了較保守的風(fēng)險規(guī)避策略，整體負(fù)荷功率中并未存在太多負(fù)荷損失誤差，其中最大負(fù)荷損失量為13：00的37.98 kW，損失規(guī)模為4.68%。

實驗數(shù)據(jù)表明，綜合需求響應(yīng)規(guī)劃通過削峰填谷可平抑需求不確定性波動，但并未考慮可再生能源波動性影響，可能存在更大的短時負(fù)荷損失風(fēng)險?；赱CVaRβ]可有效規(guī)避前瞻風(fēng)險影響，而相對保守方案需以經(jīng)濟(jì)效益為成本代價，與綜合需求響應(yīng)計劃協(xié)調(diào)作用，能以相對平緩負(fù)荷場景作風(fēng)險規(guī)避，以更高的經(jīng)濟(jì)效益實現(xiàn)系統(tǒng)穩(wěn)定運行。

4.3.3 運行效益對比分析

各場景綜合能源系統(tǒng)運行效益如表2所示。場景2通過加入綜合需求響應(yīng)，整體日前調(diào)度成本降低了5.89%，[CVOLL]降低了16.62%，總運行成本減少了4.73%，總污染排放減少了3.14%，實驗證明綜合需求響應(yīng)可有效減少系統(tǒng)運行成本和負(fù)荷損失風(fēng)險規(guī)模，并提升環(huán)境效益。場景3通過綜合需求響應(yīng)和[CVaRβ]的協(xié)調(diào)作用，在日前調(diào)度成本上增加了1.59%，但[CVOLL]降低了87.10%，總運行成本降低了5.33%，總污染排放減少了5.30%。此外，場景1中[CVOLL]為日前調(diào)度的11.24%，說明場景1下會因為不確定性因素帶來較大影響，而在場景3中[CVOLL]僅為日前調(diào)度的1.42%，屬于儲能裝置可協(xié)調(diào)波動，系統(tǒng)可穩(wěn)定運行。

通過算例證明，本文所提方法可有效規(guī)避負(fù)荷損失風(fēng)險，且為決策者提供風(fēng)險靈活應(yīng)對方案，提高系統(tǒng)可靠性的同時，提升系統(tǒng)運行的經(jīng)濟(jì)效益和環(huán)境效益。

4.4 [CVaRβ]不同風(fēng)險系數(shù)對比分析

在式（44）中，[β]的取值代表了決策者根據(jù)主觀印象中次日不確定性因素潛在威脅程度所需布局的調(diào)度方案，從而影響系統(tǒng)最終決策結(jié)果。圖8展示了不同風(fēng)險系數(shù)下調(diào)度成本和排放污染間形成的帕累托解集以及在各場景中最優(yōu)解下存在的風(fēng)險規(guī)模情況。

由圖8解集可得，系統(tǒng)調(diào)度成本和污染排放隨[β]的增大而增大，說明根據(jù)決策者抉擇規(guī)避的風(fēng)險規(guī)模，系統(tǒng)整體需在日前進(jìn)行更充足的準(zhǔn)備，且圖中同樣展示了在各場景最優(yōu)解情況下潛藏的損失風(fēng)險帶來的影響。當(dāng)[β=0.2]時，由VOLL帶來的經(jīng)濟(jì)和環(huán)境風(fēng)險規(guī)模達(dá)10.41%，而當(dāng)[β=0.8]時，前瞻風(fēng)險規(guī)模降至2.03%。實驗說明當(dāng)決策者選擇規(guī)避掉80%的風(fēng)險時，本模型以一定成本將風(fēng)險規(guī)模降至可調(diào)控范圍內(nèi)，整體系統(tǒng)運行更穩(wěn)定；而當(dāng)決策者為風(fēng)險偏好型時，較小的風(fēng)險因子可減少經(jīng)濟(jì)和環(huán)境成本。因此，本模型可根據(jù)IES運營商風(fēng)險偏好程度使系統(tǒng)實現(xiàn)最佳經(jīng)濟(jì)和環(huán)境效益，在保證系統(tǒng)可靠運行的同時兼具靈活性。

5 結(jié) 論

本文對“雙碳”目標(biāo)下為實現(xiàn)可再生能源高效利用的IES發(fā)展進(jìn)行了深入研究，分析了能源系統(tǒng)在可再生能源消納上所存在的風(fēng)險，并提出系統(tǒng)不確定性因素潛藏風(fēng)險計量方式，構(gòu)建兼具靈活性和可靠性的運行方案。以系統(tǒng)運行經(jīng)濟(jì)成本和污染排放最小為優(yōu)化調(diào)度目標(biāo)，基于綜合需求響應(yīng)和[CVaRβ]的合理管控，建立IES低碳經(jīng)濟(jì)調(diào)度模型。根據(jù)算例仿真結(jié)果，所得主要結(jié)論如下：

1）可再生能源和負(fù)荷的不確定性風(fēng)險與時間存在一定關(guān)聯(lián)，儲能設(shè)備能錯峰提升可再生能源消納，進(jìn)行富余能源儲存和短缺負(fù)荷補給，有助于IES獲得更大經(jīng)濟(jì)效益。

2）IDR通過錯峰補給可提高經(jīng)濟(jì)效益，基于DR引導(dǎo)還能提升可再生能源消納，且削峰填谷降低負(fù)荷不確定性引起的損失風(fēng)險規(guī)模，但由于可再生能源波動性影響可能短時形成更大的潛在風(fēng)險。

3）基于[CVaRβ]模型在一定成本下可有效規(guī)避VOLL風(fēng)險，而通過與IDR協(xié)調(diào)作用可降低經(jīng)濟(jì)成本，風(fēng)險權(quán)重[β]可為決策者靈活提供更具針對性的調(diào)度優(yōu)化策略。

如何在保障IES穩(wěn)定運行前提下，提升可再生能源消納容量及經(jīng)濟(jì)效益，是進(jìn)一步研究的問題。

［參考文獻(xiàn)］

［1］ 張顯， 史連軍. 中國電力市場未來研究方向及關(guān)鍵技術(shù)［J］. 電力系統(tǒng)自動化， 2020， 44（16）： 1-11.

ZHANG X， SHI L J. Future research areas and key technologies of electricity market in China［J］. Automation of electric power systems， 2020， 44（16）： 1-11.

［2］ XING X T， LIN J， SONG Y H， et al. Modeling and operation" "of" "the" "power-to-gas" "system" "for" "renewables integration： a" "review［J］." CSEE" "journal" "of" power" "and energy systems， 2018， 4（2）： 168-178.

［3］ 王永真， 康利改， 張靖， 等. 綜合能源系統(tǒng)的發(fā)展歷程、典型形態(tài)及未來趨勢［J］. 太陽能學(xué)報， 2021， 42（8）： 84-95.

WANG Y Z， KANG L G， ZHANG J， et al. Development history， typical form and future trend of integrated energy system［J］. Acta energiae solaris sinica， 2021， 42（8）： 84-95.

［4］ 陳國平， 董昱， 梁志峰. 能源轉(zhuǎn)型中的中國特色新能源高質(zhì)量發(fā)展分析與思考［J］. 中國電機工程學(xué)報， 2020， 40（17）： 5493-5506.

CHEN G P， DONG Y， LIANG Z F. Analysis and reflection on high-quality development of new energy with Chinese characteristics in energy transition［J］. Proceedings of the CSEE， 2020， 40（17）： 5493-5506.

［5］ 曾博， 徐富強， 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］. 中國電機工程學(xué)報， 2021， 41（21）： 7212-7225.

ZENG B， XU F Q， LIU Y， 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.

［6］ 陳海鵬， 陳晉冬， 張忠， 等. 計及靈活運行碳捕集電廠捕獲能耗的電力系統(tǒng)低碳經(jīng)濟(jì)調(diào)度［J］. 電力自動化設(shè)備， 2021， 41（9）： 133-139.

CHEN H P， CHEN J D， ZHANG Z， et al. Low-carbon economic dispatching of power system considering capture energy consumption of carbon capture power plants with flexible" operation" "mode［J］." Electric" power" "automation equipment， 2021， 41（9）： 133-139.

［7］ LACH J， WROBEL K， WROBEL J， et al. Applications of carbon in lead-acid batteries： a review［J］. Journal of solid state electrochemistry， 2019， 23： 693-705.

［8］ 肖白， 楊宇， 姜卓， 等. 風(fēng)電-抽水蓄能聯(lián)合系統(tǒng)中抽蓄電站容量的優(yōu)化規(guī)劃［J］. 太陽能學(xué)報， 2020， 41（12）： 270-277.

XIAO B， YANG Y， JIANG Z， et al. Optimal planning of capacity of pumped storage power station in wind power-pumped storage system［J］. Acta energiae solaris sinica， 2020， 41（12）： 270-277.

［9］ ZHOU Q， DU D M， LU C， et al. A review of thermal energy storage in compressed air energy storage system［J］. Energy， 2019， 188： 115993.

［10］ YANG H B， YOU P C， SHANG C. Distributed planning of electricity and natural gas networks and energy hubs［J］. Applied energy， 2021， 282： 116090.

［11］ 孫亮， 孫健， 張程， 等. 計及需求側(cè)響應(yīng)的微能源網(wǎng)日前調(diào)度及定量評估［J］. 太陽能學(xué)報， 2021， 42（9）： 461-469.

SUN L， SUN J， ZHANG C， et al. Day-ahead schedule and quantitation evaluation of micro-energy network considered requirement-side response［J］. Acta energiae solaris sinica， 2021， 42（9）： 461-469.

［12］ 李康平， 張展耀， 王飛， 等. 基于GAN場景模擬與條件風(fēng)險價值的獨立型微網(wǎng)容量隨機優(yōu)化配置模型［J］. 電網(wǎng)技術(shù)， 2019， 43（5）： 1717-1725.

LI K P， ZHANG Z Y， WANG F， et al. Stochastic optimization model of capacity configuration for stand-alone microgrid based on scenario simulation using GAN and conditional value at risk［J］. Power system technology， 2019， 43（5）： 1717-1725.

［13］ 姚志力， 王志新. 計及風(fēng)光不確定性的綜合能源系統(tǒng)兩層級協(xié)同優(yōu)化配置方法［J］. 電網(wǎng)技術(shù)， 2020， 44（12）： 4521-4531.

YAO Z L， WANG Z X. Two-level collaborative optimal allocation method of integrated energy system considering wind and solar uncertainty［J］. Power system technology， 2020， 44（12）： 4521-4531.

［14］ GHOLIZADEH" " "N，" " "VAHID-PAKDEL" " "M" " "J， MOHAMMADI-IVATLOO B. Enhancement of demand supply’s security using power to gas technology in networked" "energy" "hubs［J］." "International" "journal" "of electrical power amp; energy systems， 2019， 109： 83-94.

［15］ LI Z M， XU Y， FENG X， et al. Optimal stochastic deployment of heterogeneous energy storage in a residential" "multienergy" "microgrid" "with" "demand-side management［J］. IEEE transactions on industrial informatics， 2021， 17（2）： 991-1004.

［16］ MOHAMMADI M， NOOROLLAHI Y， MOHAMMADI-IVATLOO B. Fuzzy-based scheduling of wind integrated multi-energy systems" "under" "multiple" "uncertainties［J］." "Sustainable energy technologies and assessments， 2020， 37： 100602.

［17］ MOKAREMIAN E， SHAYEGHI H， SEDAGHATI F， et al. A CVaR-robust-based multi-objective optimization model for energy hub considering uncertainty and E-fuel energy storage in energy and reserve markets［J］. IEEE access， 2021， 9： 109447-109464.

［18］ HEIDARI A， MORTAZAVI S S， BANSAL R C. Stochastic effects of ice storage on improvement of an energy hub optimal operation including demand response and renewable energies［J］. Applied energy， 2020， 261： 114393.

［19］ MANSOURI S A， AHMARINEJAD A， JAVADI M S， et al." "Two-stage" "stochastic" "framework" "for" "energy" "hubs planning" "considering" "demand" "response" "programs［J］. Energy， 2020， 206： 118124.

［20］ JADIDBONAB M， BABAEI E， MOHAMMADI -IVATLOO B. CVaR-constrained scheduling strategy for smart multi carrier energy hub considering demand response an compressed air energy storage［J］. Energy， 2019， 174： 1238-1250.

［21］ MOKARAMIAN E， SHAYEGHI H， SEDAGHATI F， et al. Four-objective optimal scheduling of energy hub using a novel energy storage， considering reliability and risk indices［J］. Journal of energy storage， 2021， 40： 102731.

［22］ 帥挽瀾， 朱自偉， 李雪萌， 等. 考慮風(fēng)電消納的綜合能源系統(tǒng)“源-網(wǎng)-荷-儲”協(xié)同優(yōu)化運行［J］. 電力系統(tǒng)保護(hù)與控制， 2021， 49（19）： 18-26.

SHUAI W L， ZHU Z W， LI X M， et al. “Source-network-load-storage” coordinated optimization operation for an integrated energy system considering wind power consumption［J］." Power" "system" protection" and" control， 2021， 49（19）： 18-26.

LOW-CARBON ECONOMIC DISPATCH OPTIMIZATION OF INTEGRATED ENERGY SYSTEM CONSIDERING FORWARD-LOOKING RISKS

Zhu Xiping，Jiang Qiang，Zhong Yu，Yao Xianyi，Liu Minghang，Luo Huiwen

（School of Electrical Engineering and Information， Southwest Petroleum University， Chengdu 610500， China）

Abstract：In response to the great challenges posed by the volatility of renewable energy resources to the stable operation of integrated energy system （IES）， an IES scheduling optimization method considering forward-looking risks and economic and environmental benefits is proposed. With the objective of minimizing system operation cost and pollution emission， the scenery and load uncertainty probability scenarios are generated by Monte Carlo method， the potential risk scale of uncertainty factors is analyzed based on load loss values， the system operation risk is controlled by applying conditional value-at-risk theory， the operation cost is reduced by introducing integrated demand response planning， and the optimal solution is obtained by fuzzy decision algorithm. The analysis of the algorithm shows that the proposed scheme achieves reliable operation and flexibility of the system under the goal of low-carbon economic dispatch， and improves the economic and environmental benefits of the system.

Keywords：renewable energy； integrated energy systems； uncertainty； integrated demand response； low-carbon economy