一種縮小CCHP系統(tǒng)優(yōu)化調(diào)度解空間的方法

收稿日期：2022-08-10

基金項目：中央高校基本科研基金（2018QN097）；山西省高?？萍紕?chuàng)新項目（2021L012）

通信作者：張學軍（1964—），男，碩士、教授，主要從事電力系統(tǒng)運行與控制方面的研究。tyzxj6409@126.com

DOI：10.19912/j.0254-0096.tynxb.2022-1197 文章編號：0254-0096（2023）11-0556-09

摘 要：在冷熱電聯(lián)供（CCHP）系統(tǒng)中以生物質(zhì)作為燃氣發(fā)電的燃料，建立同時考慮光伏、風電消納、儲能電池壽命、CO2排放與電網(wǎng)能量交互及各產(chǎn)能設(shè)備間不同能量形式的轉(zhuǎn)換關(guān)系等因素的CCHP系統(tǒng)多目標日運行調(diào)度模型，針對混合熱電（FHL）運行模式解空間偏大的問題，提出通過剔除明顯不經(jīng)濟、不環(huán)保、不可能的運行工況來縮小每時段解空間的方法，提高了計算效率和獲得全局最優(yōu)解的可能性。在此基礎(chǔ)上，采用改進權(quán)重的變學習因子粒子群算法求出算例系統(tǒng)的調(diào)度方案，結(jié)果表明，該文所提方法不僅縮短了FHL運行模式的求解時間，還能使該運行模式獲得更好的經(jīng)濟和環(huán)境收益。

關(guān)鍵詞：冷熱電聯(lián)供系統(tǒng)；多目標優(yōu)化；能量利用；粒子群算法；調(diào)度優(yōu)化

中圖分類號：TK513.5""nbsp;""""""" """"""""" """"""""文獻標志碼：A

0 引 言

化石能源消耗導致的環(huán)境污染已嚴重威脅到人類的生存，“雙碳”目標的提出指明了綠色低碳的發(fā)展方向。開發(fā)利用綠色能源、構(gòu)建新型供能系統(tǒng)成為當今世界廣泛關(guān)注的熱點問題［1-2］。冷熱電聯(lián)供（combined cooling heating and power，CCHP）系統(tǒng)通過內(nèi)部冷、熱、電間的互換互補，可實現(xiàn)一次能源高效利用、減少污染物排放并提高能源供應(yīng)可靠性，有望成為未來末端供能的一種主要方式［3-5］。

CCHP系統(tǒng)中存在著電、熱、冷的生產(chǎn)、傳輸、存儲和轉(zhuǎn)換環(huán)節(jié)，其運行調(diào)度不僅需考慮冷、熱、電負荷的隨機波動，如果集成風電和光伏，還需考慮它們帶來的間歇性和波動性［6-7］，在市場環(huán)境下還需考慮能源價格隨需求的變動，在“雙碳”目標下還需考慮系統(tǒng)的碳排放約束，使得CCHP系統(tǒng)具有多能源耦合約束和多維度動態(tài)特性［8］，其運行調(diào)度是一個復雜的非線性混合整數(shù)多目標規(guī)劃問題。

現(xiàn)階段，CCHP系統(tǒng)運行調(diào)度問題的求解主要有傳統(tǒng)數(shù)學優(yōu)化算法與現(xiàn)代啟發(fā)式算法兩大類。傳統(tǒng)的數(shù)學優(yōu)化算法常將非線性數(shù)學模型做分段線性化改造，以便能使用CPLEX等軟件進行求解。如文獻［9］先通過抽樣計算和曲線擬合，將非線性函數(shù)轉(zhuǎn)化為[n]段線性函數(shù)，再將每段線性函數(shù)表示為正數(shù)變量和0、1變量的乘積，通過引入臨時變量，加入等式約束和不等式約束將模型進行線性化處理，最后通過CPLEX求解?，F(xiàn)代啟發(fā)式算法簡單易行［10］，對數(shù)學模型無特別的要求，使用得當可獲得較好的收斂性和搜索性，能在可接受的時間內(nèi)得到優(yōu)化問題的近似解，已廣泛應(yīng)用于復雜優(yōu)化問題的求解。如文獻［11］采用混沌多目標遺傳算法優(yōu)化了包含風電、光伏、微型燃氣輪機和儲能的微能源網(wǎng)的容量配置；文獻［12］利用粒子群算法求解冷熱電聯(lián)供微網(wǎng)優(yōu)化調(diào)度問題，并通過自適應(yīng)調(diào)整參數(shù)提高了收斂速度和求解精度。無論數(shù)學優(yōu)化算法還是啟發(fā)式算法都是在解空間內(nèi)搜索問題的最優(yōu)解，其求解效率除與算法本身的特性有關(guān)外，還與解空間的維度和大小有關(guān)。解空間維度越高、范圍越大，搜索最優(yōu)解所需的時間就越長，且越易陷入局部最優(yōu)解。如果能結(jié)合問題的具體實際縮小解空間的維度和搜索范圍無疑是有益的。

在含有熱電聯(lián)產(chǎn)機組的CCHP系統(tǒng)的調(diào)度優(yōu)化中，常設(shè)置熱電聯(lián)產(chǎn)機組運行模式為以電定熱（following electric load，F(xiàn)EL）、以熱定電（following thermal load，F(xiàn)TL）或混合熱電（following the hybrid load，F(xiàn)HL）［13-15］，與FEL、FTL相比，F(xiàn)HL模式運行組合更靈活，有利于獲得更優(yōu)的經(jīng)濟和環(huán)保性，但相應(yīng)的解空間也更大［16］。本文在研究CCHP系統(tǒng)日運行調(diào)度優(yōu)化問題時，采用剔除明顯不經(jīng)濟、不環(huán)保、不可能的解域，縮小每時段FHL模式優(yōu)化運行的解空間的方法，顯著地減小了優(yōu)化的計算時間，提高了獲得全局最優(yōu)解的可能性。以下在簡要介紹優(yōu)化模型的基礎(chǔ)上，重點說明縮小解空間的方法，并進行仿真驗證。

1 CCHP系統(tǒng)優(yōu)化調(diào)度模型

圖1為本文討論的CCHP系統(tǒng)的結(jié)構(gòu)，其組成包括燃氣發(fā)電機、風力發(fā)電機、太陽電池、燃氣鍋爐等產(chǎn)能設(shè)備，吸收制冷機和電制冷機等能量轉(zhuǎn)換設(shè)備，以及儲能電池和儲熱槽等儲能設(shè)備。電負荷由光伏、風電、電網(wǎng)和燃氣發(fā)電機供電，儲能電池起調(diào)節(jié)作用；燃氣發(fā)電機產(chǎn)生的高溫煙氣余熱經(jīng)熱回收系統(tǒng)回收并供給熱負荷，燃氣鍋爐補充供熱，多余的熱能儲存于儲熱槽中；吸收制冷機利用熱回收系統(tǒng)、燃氣鍋爐以及儲熱槽中的熱能制冷與電制冷機配合供冷。系統(tǒng)可與公用電網(wǎng)和氣網(wǎng)互聯(lián)，每一類負荷都有兩種方式提供能源，保證了供能的可靠性。

CCHP系統(tǒng)的日運行調(diào)度就是尋求一種與電網(wǎng)雙向交互，電、熱、冷相互轉(zhuǎn)換，電、熱存儲及釋放的組合方案，以獲得最優(yōu)的經(jīng)濟性和清潔性。

1.1 目標函數(shù)

目標函數(shù)為綜合運行成本最小，表示為：

[minCtotal=CEle"+Cgas+Cb+Cc]" （1）

式中：[Ctotal]——綜合運行成本，元；[CEle"]——購電費用，元；[Cgas]——購氣費用，元；[Cb]——儲能電池組成本，元；[Cc]——CO2排放成本，元。各項成本組成如式（2）～式（9）所示。

1.1.1 購電費用[CEle]

[CEle=t=1TXt×Pgrid，t"]""""" （2）

式中：[T]——時段數(shù)；[Xt]——[t]時段電網(wǎng)電價，元/kWh；[Pgrid，t"]——[t]時段系統(tǒng)與電網(wǎng)的交換功率，正值表示向電網(wǎng)購進功率，負值表示向電網(wǎng)售出功率，kW。

1.1.2 購氣費用[Cgas]

[Cgas=rbio×FBoi+FGt]"""""" （3）

[FBoi=t=1T（QBoi，tΔt/ηbgηBoi，t）]"" （4）

[FGt=t=1Ti=1NGtEGt，i，t/ηbgηGt，t]" （5）

[EGt，i，t=PGt，tΔt]" （6）

式中：[rbio]——生物質(zhì)燃料價格，元/kWh；[FBoi]——燃氣鍋爐消耗生物質(zhì)燃料的能量，kWh；[FGt]——燃氣發(fā)電機消耗生物質(zhì)燃料的能量，kWh；[QBoi，t"]——燃氣鍋爐在[t]時段的輸出功率，kW；[ηbg]——氣化效率；[ηBoi，t]——燃氣鍋爐在[t]時段的蒸汽效率；[NGt]——燃氣發(fā)電機的數(shù)量，個；[EGt，i，t]——燃氣發(fā)電機在[t]時段的發(fā)電量，kWh；[ηGt，t]——燃氣發(fā)電機在[t]時段的發(fā)電效率，其與燃氣發(fā)電機在[t]時段的發(fā)電功率[PGt，t]的關(guān)系為［17］：

[ηGt，t=a（P*Gt，t）3+b（P*Gt，t）2+cP*Gt，t+d] （7）

式中：[a]、[b]、[c]、[d]——系數(shù)；[P*Gt，t]——[PGt，t]的標幺值。

1.1.3 儲能電池組成本[Cb]［18］

[Cb=Ccapr（1+r）n/（1+r）n-1PnombatTa1TPbat，t]"" （8）

式中：[Ccap]——總投資系數(shù)；[r]——折舊率；[n]——儲能裝置的使用壽命，a；[Pnombat]——儲能電池的額定輸出功率，kW；[Ta]——年運行小時數(shù)，h；[Pbat，t]——儲能電池在[t]時段的實際輸出功率，kW。

1.1.4 CO2排放成本[Cc]

[Cc=mKbFb+KeFe]"""""" （9）

式中：[m]——CO2排放價格，元/kg；[Kb]、[Ke]——生物質(zhì)燃料和電網(wǎng)的CO2排放系數(shù)，kg/kWh；[Fb]——總購生物質(zhì)燃料量，kWh；[Fe]——總購電量，kWh。

1.2 約束條件

1.2.1 系統(tǒng)與電網(wǎng)交換功率約束

[-Pnomgrid"≤Pgrid，t"≤Pnomgrid"]"""" （10）

式中：[Pnomgrid"]——系統(tǒng)與電網(wǎng)聯(lián)絡(luò)線的額定功率，kW。

1.2.2 燃氣發(fā)電出力約束

燃氣發(fā)電機通過熱回收系統(tǒng)將熱量回收，熱回收系統(tǒng)在t時段提供的熱功率[QHrs，t]為：

[QHrs，t=t=1NGtFGt，i，t1-ηGt，tηHrs/Δt]nbsp;" （11）

[PminGt≤PGt，t≤PnomGt]" （12）

[0≤QHrs，t"≤Qnom"Hrs]""""" （13）

[QHrs，t"=QTherm"Hrs，t"+QCool"Hrs，t"]"""""" （14）

式中：[ηHrs]——熱回收系統(tǒng)的熱回收效率；[PminGt]、[PnomGt]和[PGt，t]——燃氣發(fā)電機最小輸出功率、額定輸出功率與在[t]時段的發(fā)電功率，kW；[Qnom"Hrs"]、[QHrs，t"]、[QTherm"Hrs，t"]和[QCool"Hrs，t"]——熱回收系統(tǒng)的額定功率、在[t]時段的輸出功率、制熱功率和制冷功率，kW。

1.2.3 風電出力約束

[PWind"，t=Pfor"Wind"，t，Pnom"Wind"gt;Pfor"Wind"，tPnom"Wind"，Pnom"Wind"≤Pfor"Wind"，t]" （15）

[0≤PWind，"t≤Pnom"Wind"] （16）

式中：[Pnom"Wind"]、[PWind"，t]和[Pfor"Wind"，t]——風力發(fā)電機的額定功率、在[t]時段的輸出功率和預測功率，kW。

1.2.4 光伏出力約束

[PPv，t=PforPv，t，PnomPvgt;PforPv，tPnomPv，PnomPv≤PforPv，t] （17）

[0≤PPv，t≤PnomPv]""" （18）

式中：[PnomPv]、[PPv，t]和[PforPv，t]——太陽電池的額定功率、在[t]時段的輸出功率和預測功率，kW。

1.2.5 儲能電池組約束

[Pminbat≤Pbat，t≤Pnombat]"""""" （19）

[eSOC，min≤eSOC，t≤eSOC，max]""""" （20）

[eSOC，t+1=eSOC，t+（ηcbat，t×Pcbat，t-ηdbat，t/Pdbat，t）Δt/Snombat]""""" （21）

[eSOC，initial=eSOC，end]""""" （22）

式中：[Pminbat]——電池最小輸出功率，kW；[eSOC，t]——儲能電池組在[t]時段的荷電狀態(tài)；[eSOC，max、][eSOC，min]——荷電狀態(tài)的上下限值；[ηcbat，t]和[ηdbat，t]——電池在[t]時段的充電效率和放電效率；[Pcbat，t]和[Pdbat，t]——電池在[t]時段的充電功率和放電功率，kW；[Snombat]——電池的額定功率，kW；[eSOC，initial]和[eSOC，end]——儲能電池組日初始和最終荷電狀態(tài)。

1.2.6 電制冷機約束

[0≤QEc，t≤QnomEc]"" （23）

式中：[QnomEc]和[QEc，t]——電制冷機的額定功率和在[t]時段的輸出功率，kW。

1.2.7 吸收制冷機約束

[0≤QAc，t≤Qnom"Ac]" （24）

式中：[Qnom"Ac]和[QAc，t]——吸收制冷機的額定功率和在[t]時段的輸出功率，kW。

1.2.8 燃氣鍋爐出力約束

[0≤QBoi，t"≤Qnom"Boi]""""" （25）

[QBoi，t"=QTherm"Boi，t +QCool"Boi，t"]"""""" （26）

式中：[Qnom"Boi]、[QBoi，t"]、[QTherm"Boi，t ]和[QCool"Boi，t"]——燃氣鍋爐的額定功率、在[t]時段的輸出功率、制熱功率和制冷功率，kW。

1.2.9 電負荷平衡

[Pgrid，t"+PGt，t+PWind"，t+PPv，t+Pbat，t=PEc，t+PD，t]" （27）

式中：[PD，t]——[t]時段系統(tǒng)電負荷的預測值，kW。

1.2.10 熱負荷平衡

[QTherm"Hrs，t"+QThermnbsp;Boi，t"+QTherm"Tank，t"=QTherm"D，t] （28）

式中：[QTherm"Tank，t"]——[t]時段儲熱槽提供的熱功率，kW；[QTherm"D，t]——[t]時段系統(tǒng)熱負荷預測值，kW。

1.2.11 冷負荷平衡

[QAc，t+QEc，t=QCoolD，t]"""" （29）

式中：[QCoolD，t]——[t]時段系統(tǒng)冷負荷預測值，kW。

1.2.12 生物質(zhì)燃料平衡

[Fb=FBoi+FGt]"""" （30）

2 CCHP系統(tǒng)優(yōu)化調(diào)度模型

目前，CCHP系統(tǒng)的運行調(diào)度常預先設(shè)定燃氣發(fā)電機的運行模式為以電定熱（FEL）、以熱定電（FTL）或混合熱電（FHL）。無論FEL還是FTL都通過人為設(shè)置約束來實現(xiàn)，這些模式約束限制了尋優(yōu)空間，有可能將可行的最優(yōu)解排除在外。FHL模式不受人為約束的限制，其能量生產(chǎn)、轉(zhuǎn)換和存儲設(shè)備的出力在滿足物理約束的條件下完全由優(yōu)化模型確定，可獲得更好的經(jīng)濟性和環(huán)保性［15］。但約束的減少使FHL模式的解空間增大，有可能導致優(yōu)化模型求解時間變長和陷入局部最優(yōu)解的風險變大的問題。為此，本文首先基于冷、熱、電負荷的需求，購售電價以及各產(chǎn)、換、儲能設(shè)備的物理特性，剔除明顯不經(jīng)濟、不環(huán)保、不可能的解域，縮小每時段FHL模式優(yōu)化運行的解空間，不僅減少了每次優(yōu)化的計算時間，還提高了獲得全局最優(yōu)解的可能性。

[t]時段購電綜合運行成本[CE，t]和燃氣發(fā)電機發(fā)電綜合運行成本[CF，t]分別為：

[CE，t=Gprice，t+mKe]""" （31）

[CF，t=rbio+mKbηbgηGt，t] （32）

式中：[Gprice，t]——t時段購電價格，元。

將[t]時段從電網(wǎng)購電相比燃氣發(fā)電節(jié)省的綜合運行成本記為[αt]：

[αt=CF，t-CE，t]"""" （33）

[t]時段燃氣鍋爐耗費燃料的綜合運行成本[CBoi，t]為：

[CBoi，t=rbio+mKbηbgηBoi，t]"" （34）

式（5）、式（11）、式（34）聯(lián)立可得，在[t]時段采用熱回收系統(tǒng)供熱，相較于燃氣鍋爐供熱節(jié)省的綜合運行成本記為[βt]：

[βt=（rbio+mKb）（1-ηGt，t）ηHrs，tη2bgηBoi，tηGt，t]"""" （35）

t時段電負荷減去風電、光伏、儲能電池出力以及電制冷機功率后的電負荷[Pd，t]為：

[Pd，t=PD，t-PWind"，t-PPv，t-Pbat，t-PEc，t]"""" （36）

下面分4種情況討論：

1）當[t]時段購電綜合運行成本小于等于燃氣發(fā)電機發(fā)電綜合運行成本，即[CE，t≤CF，t]時：

情況1：[αt≥βt]

此時，由于購電費用較低，電負荷主要由電網(wǎng)提供，如不足，燃氣發(fā)電機進行補充。

[Pd，t=Pgrid，t，" Pnomgridgt;Pd，tPnomgrid+PGt，t， Pnomgrid，t≤Pd，t] （37）

情況2：[αtlt;βt]

情況2.1：如果[QHrs，t≥QThermD，t]，即熱回收系統(tǒng)可滿足[t]時段熱負荷。

令[QHrs′=QThermD，t，]聯(lián)立式（5）、式（6）、式（11）得：

[QHrs′=PGt′ηbgηGt，t（1-ηGt，t）ηHrs，t=QThermD，t]"""""" （38）

式中：[PGt′]——熱回收系統(tǒng)可滿足熱負荷的最小燃氣發(fā)電機發(fā)電功率，kW。

[t]時段向電網(wǎng)售電單位運行成本[CS，t]為：

[CS，t=Sprice，t]""""" （39）

式中：[Sprice，t]——[t]時段售電價格，元/kWh。

令

[γt=CF，t-CS，t]""""" （40）

式中：[γt]——[t]時段的售電虧損，元。

此時，購電費用較低，且熱回收系統(tǒng)可滿足[t]時段熱負荷，電負荷主要由燃氣發(fā)電機提供，如不足，由電網(wǎng)補充，燃氣發(fā)電機功率由熱負荷決定。另外，由于售電綜合運行較低，售電虧損較小時系統(tǒng)售電至電網(wǎng)。

[Pd，t=PGt′-PSgrid，t， γt≤βtPGt，t， γtgt;βt，" PGt′gt;Pd，tPGt′+Pgrid，t， PGt′≤Pd，t]" （41）

式中：[PSgrid，t]——[t]時段向電網(wǎng)售電的售電功率，kW。

情況2.2：如果[QnomHrslt;QThermD，t]，即熱回收系統(tǒng)不能滿足[t]時段熱負荷。

聯(lián)立式（5）、式（6）、式（11）得：

[QnomHrs=PnomGtηGt，t（1-ηGt，t）ηHrs，t/Δtlt;QThermD，t]"" （42）

此時，購電費用較低但熱回收系統(tǒng)無法滿足[t]時段熱負荷，與式（41）不同的是，燃氣發(fā)電機以最大功率運行。

[Pd，t=PnomGt-PSgrid，t， γt≤βtPGt，t， γtgt;βt， PnomGtgt;Pd，tPnomGt+Pgrid，t， PnomGt≤Pd，t] （43）

2）當[t]時段從電網(wǎng)購電的綜合運行成本大于燃氣發(fā)電機發(fā)電的綜合運行成本（[CE，tgt;CF，t]）時：

情況3：如果[CS，tgt;CF，t]即[t]時段購、售電綜合運行成本均大于燃氣發(fā)電機發(fā)電綜合運行成本。

此時，由于購電費用較高，燃氣發(fā)電機以最大功率運行，如有多余電量，售賣至電網(wǎng)，如不足，由電網(wǎng)補充。

[Pd，t=PnomGt-PSgrid，t，PnomGtgt;Pd，tPnomGt+Pgrid，t，PnomGt≤Pd，t]""" （44）

情況4：如果[CS，t≤CF，t]即在[t]時段，售電綜合運行成本小于等于燃氣發(fā)電機發(fā)電綜合運行成本。

情況4.1：如果[QnomHrs≥QThermD，t]

此時，電負荷主要由燃氣發(fā)電機提供，如不足，由電網(wǎng)補充。

[Pd，t=PGt′-PSgrid，t， γt≤βtPGt，t， γtgt;βt， PGt′gt;Pd，tPGt，t， PnomGt≥PD，tPnomGt+Pgrid，t， PnomGtlt;PD，t， PGt′≤Pd，t]"""""" （45）

情況4.2：如果[QnomHrslt;QThermD，t]

此時，與式（43）相同：

[Pd，t=PnomGt-PSgrid，t， γt≤βtPGt，t， γtgt;βt， PnomGtgt;Pd，tPnomGt+Pgrid，t， PnomGt≤Pd，t] （46）

此外，熱回收系統(tǒng)的熱能優(yōu)先供給熱負荷，燃氣鍋爐僅在熱回收系統(tǒng)不能滿足熱負荷或電制冷機不能滿足冷負荷時運行，如熱回收系統(tǒng)可同時滿足冷、熱負荷，則將剩余熱能儲存于儲熱槽中，用于冷、熱負荷不足時補充供能，流程如圖2所示。

3 仿真與分析

3.1 仿真算法

將本文提出的縮減解空間的方法納入CCHP系統(tǒng)FHL模式的日優(yōu)化調(diào)度運行模型中，使得模型的參數(shù)更多，目標函數(shù)和約束條件更復雜。為避免常規(guī)粒子群算法在優(yōu)化多耦合非線性問題時易造成在全局最優(yōu)解附近振蕩的問題，增強粒子的自我學習能力和社會學習能力，本文采用改進權(quán)重的變學習因子粒子群算法做為模型的求解算法。本文取粒子總數(shù)[p=800]；粒子維度q=144，最大迭代次數(shù)[Kmax=1000]。

3.2 原始數(shù)據(jù)

系統(tǒng)折算成本與排放系數(shù)見表1，系統(tǒng)中相關(guān)設(shè)備參數(shù)及取值［17，19-21］見表2。分時購售電價如圖3所示。冷、熱、電負荷參考某區(qū)域的典型日負荷，風電、光伏出力均采用預測值進行計算，如圖4［17］所示。

3.3 結(jié)果與分析

為比較兩種不同方法的優(yōu)化效果，分別將粒子數(shù)從300個增加到800個，每次增加100個粒子，尋優(yōu)1000代，并取5次連續(xù)實驗的平均值，再以迭代次數(shù)為橫坐標，以綜合運行成本為縱坐標作圖，可直觀看出收斂精度和收斂速度的優(yōu)劣。

圖5a為本文FHL運行結(jié)果，圖5b為FHL運行結(jié)果，圖5c為兩種方法運行結(jié)果的平均值。由圖5c可知，F(xiàn)HL模式過早地陷入局部最優(yōu)，不能找到滿意的最優(yōu)解，但本文的FHL模式曲線一直位于FHL模式曲線的下方，表明本文的FHL模式收斂速度更快。

由表3可知，本文的FHL模式可在初始成本中剔除明顯不經(jīng)濟、不環(huán)保、不可能的解域，縮小了解空間，在初始綜合運行成本中下降56.15%，增加了獲得最優(yōu)解的可能性。此外，本文的FHL模式在經(jīng)過不同粒子數(shù)優(yōu)化后，綜合運行成本最小與最大值相差更小，且在粒子數(shù)為600個時結(jié)果已相對穩(wěn)定，平均運行時間為154.4 s，而FHL模式在粒子數(shù)為800個時運行結(jié)果才相對穩(wěn)定，平均運行時間為203.6 s。結(jié)果表明相較于FHL模式，本文的FHL模式運行所需的粒子數(shù)更少，從而大大節(jié)省運行時間。

為檢驗本文的FHL運行模式在CCHP系統(tǒng)中相對于FHL運行模式的提升效果，對CO2排放量、運行費用及設(shè)備運行狀態(tài)進行對比實驗。表4為FHL模式與本文的FHL模式優(yōu)化結(jié)果對比，由表4可知，相較于FHL運行模式，本文的FHL模式運行成本更低，CO2環(huán)境效益成本更少。由此可見，本文的FHL模式可有效提高CCHP系統(tǒng)的經(jīng)濟性和環(huán)保性。

基于粒子群算法的優(yōu)化結(jié)果，圖6和圖7分別為FHL運行模式和本文的FHL模式系統(tǒng)各設(shè)備在典型日的出力情況。

如圖6所示，在FHL模式下，電負荷主要由燃氣發(fā)電機承擔，出力跟隨電負荷波動，同時綜合考慮冷、熱負荷，平均供電比例為80.47%。電網(wǎng)主要用于調(diào)節(jié)供電，平均供電比例為16.82%，12：00—17：00時段售電價格較高，此時段售電比例最高，供電比例最低。儲能電池起到協(xié)調(diào)作用，平均供電比例為0.18%。熱回收系統(tǒng)分配給熱、冷負荷比例較為均勻，平均比例分別為52.64%和47.36%。由于熱負荷相對于冷負荷較高，熱回收系統(tǒng)供熱比例較低，熱回收系統(tǒng)供熱和吸收制冷機供冷平均比例分別為38.93%、52.65%。

如圖7所示，在本文的FHL模式中，燃氣發(fā)電機平均供電比例相較于FHL運行模式升高至111.38%，承擔主要電負荷供能。電網(wǎng)平均購電量比例下降至-8.51%，主要起到增加經(jīng)濟性的作用，同時可調(diào)節(jié)電負荷平衡。在電價較高時，售電量增加，11：00—21：00時段為售電狀態(tài)。儲能電池協(xié)調(diào)電負荷平衡，平均供電比例為0.16%。熱回收系統(tǒng)主要用于供熱，平均供熱比例增加至96.95%，而吸收制冷機平均供冷比例下降至7.65%。由于熱回收系統(tǒng)直接供熱效率高于轉(zhuǎn)化為冷能后由吸收制冷機供冷，所以適當增加熱回收系統(tǒng)供熱比例可減少運行成本。23：00—07：00時段為縮小解空間方法情況2.1中[αtlt;βtlt;γt]情況，此時段內(nèi)，停止購售電較為經(jīng)濟，電負荷主要由燃氣發(fā)電機提供，平均供電比例為95.92%，燃氣鍋爐和電制冷機分別調(diào)節(jié)補充熱、冷負荷。08：00—11：00及18：00—22：00為情況4.1中[γt≤βt]情況，系統(tǒng)轉(zhuǎn)換為FTL模式，即燃氣發(fā)電機出力主要跟隨熱負荷變化，此時段內(nèi)FTL運行模式更加經(jīng)濟。電網(wǎng)通過購售電調(diào)節(jié)電負荷，熱回收系統(tǒng)平均供熱比例提升至99.01%。12：00—17：00時段為情況3，此時售電費用大于燃氣發(fā)電機發(fā)電費用，燃氣發(fā)電機功率提升至額定功率，多余電量向電網(wǎng)售出，可增加經(jīng)濟收益。

本文的FHL模式考慮到冷、熱、電供能設(shè)備的關(guān)聯(lián)關(guān)系，購售電費用對CCHP系統(tǒng)的影響以及CO2環(huán)境效益成本，對每時段費用進行比較，篩選設(shè)備最優(yōu)出力范圍，有利于粒子群算法求解，不僅降低了系統(tǒng)的綜合運行成本，還保持了系統(tǒng)運行和操作的靈活性。

4 結(jié) 論

CCHP系統(tǒng)結(jié)構(gòu)復雜，內(nèi)部存在多種能量的互補互換，外部還受到各種自然和市場因素的限制，只有通過優(yōu)化調(diào)度，充分協(xié)調(diào)各部分各環(huán)節(jié)的運行工況才能獲得期望的經(jīng)濟和環(huán)境效益。

FHL運行模式排除了人為設(shè)置的運行制約，提高了系統(tǒng)內(nèi)優(yōu)化組合的維度，更有利于提高系統(tǒng)的整體效益，但也使系統(tǒng)優(yōu)化模型更加復雜，增加了模型求解的時間、減小獲得最優(yōu)解的可能性。

結(jié)合負荷需求、市場因素和系統(tǒng)各部分的經(jīng)濟及環(huán)境特性等方面，在FHL運行模式的CCHP系統(tǒng)優(yōu)化調(diào)度模型中加入縮小解空間的約束條件，杜絕了算法向不經(jīng)濟、不環(huán)保、不可能的運行工況搜索的可能性，不僅可提高計算效率，還有利于獲得全局最優(yōu)解。

［參考文獻］

［1］"""" GHERSI D E， AMOURA M， LOUBAR K， et al. Multi-objective optimization of CCHP system with hybrid chiller under new electric load following operation strategy［J］. Energy， 2021， 219： 119574.

［2］"""" WU D W， WANG R Z. Combined cooling， heating and power： a review［J］. Progress in energy and combustion science， 2006， 32（5/6）： 459-495.

［3］"""" 薩妮耶·麥合木提， 王海云， 王維慶， 等. 基于可再生能源的CCHP系統(tǒng)綜合性能研究［J］. 太陽能學報， 2020， 41（8）： 129-136.

SANIYE M， WANG H Y， WANG W Q， et al. Comprehensive performance research of re-CCHP system［J］. Acta energiae solaris sinica， 2020， 41（8）： 129-136.

［4］"""" 王帥飛， 王維慶， 王海云， 等. 基于可再生能源的冷熱電聯(lián)供系統(tǒng)優(yōu)化［J］. 太陽能學報， 2021， 42（9）： 26-32.

WANG S F， WANG W Q， WANG H Y， et al. Optimization of cogeneration system based on renewable energy［J］. Acta energiae solaris sinica， 2021， 42（9）： 26-32.

［5］"nbsp;"" 楊曉輝， 張柳芳， 吳龍杰， 等. 含考慮IDR的冷熱電聯(lián)供微網(wǎng)的主動配電網(wǎng)經(jīng)濟優(yōu)化調(diào)度［J］. 電力系統(tǒng)保護與控制， 2022， 50（3）： 19-28.

YANG X H， ZHANG L F， WU L J， et al. Economic optimal dispatch of an active distribution network with combined cooling， heating and power microgrids considering integrated demand response［J］. Power system protection and control， 2022， 50（3）： 19-28.

［6］"""" 王帥飛， 王維慶， 王海云， 等. 計及聯(lián)絡(luò)線功率波動的CCHP容量配置［J］. 太陽能學報， 2021， 42（12）： 381-387.

WANG S F， WANG W Q， WANG H Y， et al. CCHP capacity configuration considering power fluctuation of Tie lines［J］. Acta energiae solaris sinica， 2021， 42（12）： 381-387.

［7］"""" 路小娟， 孫凱， 高云波. PV/PTST-CCHP系統(tǒng)的運行策略分析和優(yōu)化配置［J］. 太陽能學報， 2021， 42（12）： 1-8.

LU X J， SUN K， GAO Y B. Operation strategy analysis and configuration optimization of PV/PTST-CCHP system［J］. Acta energiae solaris sinica， 2021， 42（12）： 1-8.

［8］"""" 贠保記， 白森珂， 張國. 基于混沌自適應(yīng)粒子群算法的冷熱電聯(lián)供系統(tǒng)優(yōu)化［J］. 電力系統(tǒng)保護與控制， 2020， 48（10）： 123-130.

YUN B J， BAI S K， ZHANG G. Optimization of CCHP system based on a chaos adaptive particle swarm optimization" algorithm［J］." Power" system" protection" and control， 2020， 48（10）： 123-130.

［9］"""" 胡振亞. 含地源熱泵精細化建模的綜合能源系統(tǒng)日前優(yōu)化調(diào)度［D］. 北京： 華北電力大學， 2020.

HU Z Y. Optimal scheduling of integrated energy system with" improved" model" of" ground-source"" heat"" pump［D］. Beijing： North China Electric Power University， 2020.

［10］""" 李高潮， 盧懷宇， 孫啟德， 等. 基于可再生能源的冷熱電聯(lián)供系統(tǒng)集成配置與運行優(yōu)化研究進展［J］. 電網(wǎng)與清潔能源， 2021， 37（3）： 106-119.

LI G C， LU H Y， SUN Q D， et al. Research progress in configuration and operation optimization of combined cooling， heating and power （CCHP） systems based on renewable energy［J］. Power system and clean energy， 2021， 37（3）： 106-119.

［11］""" 王瑞琪， 李珂， 張承慧. 基于混沌多目標遺傳算法的微網(wǎng)系統(tǒng)容量優(yōu)化［J］. 電力系統(tǒng)保護與控制， 2011， 39（22）： 16-22.

WANG R Q， LI K， ZHANG C H. Optimization allocation of microgrid capacity based on chaotic multi-objective genetic algorithm［J］. Power system protection and control， 2011， 39（22）： 16-22.

［12］""" 鄧劍波， 馬瑞， 胡振文， 等. 基于改進粒子群算法的冷熱電聯(lián)供微網(wǎng)優(yōu)化調(diào)度［J］. 電力科學與技術(shù)學報， 2018， 33（2）： 35-42.

DENG J B， MA R， HU Z W， et al. Optimal scheduling of micro grid with CCHP systems based on improved particle swarm optimization algorithm［J］. Journal of electric power science and technology， 2018， 33（2）： 35-42.

［13］""" CHICCO G， MANCARELLA P. Matrix modelling of small-scale trigeneration systems and application to operational optimization［J］. Energy， 2009， 34（3）： 261-273.

［14］""" CARDONA E， PIACENTINO A. Cogeneration： a regulatory" framework" toward" growth［J］." Energy" policy， 2005， 33（16）： 2100-2111.

［15］""" LI L X， YU S W， MU H L， et al. Optimization and evaluation of CCHP systems considering incentive policies under" different" operation" strategies［J］." Energy，" 2018， 162： 825-840.

［16］""" 王欣欣， 董瀟健， 沈佳妮， 等. 冷熱電聯(lián)供系統(tǒng)設(shè)計和運行集成優(yōu)化［J］. 化工學報， 2021， 72（10）： 5284-5293.

WANG X X， DONG X J， SHEN J N， et al. Integrated design and operation of combined cooling， heating and power system［J］. CIESC journal， 2021， 72（10）： 5284-5293.

［17］""" 熊焰， 吳杰康， 王強， 等. 風光氣儲互補發(fā)電的冷熱電聯(lián)供優(yōu)化協(xié)調(diào)模型及求解方法［J］. 中國電機工程學報， 2015， 35（14）： 3616-3625.

XIONG Y， WU J K， WANG Q， et al. An optimization coordination model and solution for combined cooling， heating and electric power systems with complimentary generation" of" wind，"" PV，" gas"" and"" energy"" storage［J］. Proceedings of the CSEE， 2015， 35（14）： 3616-3625.

［18］""" 劉燕華， 張楠， 張旭. 考慮儲能運行成本的風光儲微網(wǎng)的經(jīng)濟運行［J］. 現(xiàn)代電力， 2013， 30（5）： 13-18.

LIU Y H， ZHANG N， ZHANG X. Economic operation of wind-PV-ES hybrid microgrid by considering of energy storage operational cost［J］. Modern electric power， 2013， 30（5）： 13-18.

［19］""" 王江江， 楊昆， 劉娟娟. 生物質(zhì)燃氣冷熱電聯(lián)供系統(tǒng)性能分析［J］. 農(nóng)業(yè)機械學報， 2014， 45（3）： 196-205.

WANG J J， YANG K， LIU J J. Performance analysis of a biogas" combined" cooling" heating"" and" power" system［J］. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（3）： 196-205.

［20］""" 郭威， 楊鵬， 孫勝博， 等. 計及生物質(zhì)能的熱電聯(lián)供系統(tǒng)經(jīng)濟運行優(yōu)化策略［J］. 電力系統(tǒng)保護與控制， 2021， 49（11）： 88-96.

GUO W， YANG P， SUN S B， et al. Optimization strategy of a rural combined heat and power system considering biomass energy［J］. Power system protection and control， 2021， 49（11）： 88-96.

［21］""" 方紹鳳， 周任軍， 許福鹿， 等. 考慮電熱多種負荷綜合需求響應(yīng)的園區(qū)微網(wǎng)綜合能源系統(tǒng)優(yōu)化運行［J］. 電力系統(tǒng)及其自動化學報， 2020， 32（1）： 50-57.

FANG S F， ZHOU R J， XU F L， et al. Optimal operation of integrated energy system for park micro-grid considering comprehensive demand response of power and thermal loads［J］. Proceedings of the CSU-EPSA， 2020， 32（1）： 50-57.

AN OPTIMAL SCHEDULING SCHEME OF CCHP SYSTEMS BY

REDUCING SOLUTION SPACE

Zhou Wencao，Zhang Xuejun，Yan Laiqing

（College of Electric Power， Civil Engineering and Architecture， Shanxi University， Taiyuan 030031， China）

Abstract：Based on combined cooling heating and power （CCHP） system that uses biomass as a fuel for gas-fired power generation， an optimal scheduling model for the CCHP system multi-objective daily operation is established， which also deals with factors such as PV， wind power consumption， energy storage battery life， CO2 emissions， energy interaction with the grid and the conversion relationship among different forms of energy of capacity devices. Aiming at the problem of large operating mode solution space of following hybrid load （FHL）， this paper presents a new scheme to reduce the solution space per period by eliminating obviously uneconomic， environmentally unfriendly and impossible operating conditions， and thus the computational efficiency and the possibility of obtaining the globally optimal solution can be improved. On this basis， the scheduling scheme of the arithmetic case system is derived using particle swarm optimization by changing the learning factor with improved weights. The method proposed in this paper not only shortens the solution time of the FHL operation mode， but also leads to better economic and environmental benefits of this operation mode.

Keywords：CCHP； multi-objective optimization； energy utilization； particle swarm optimization； scheduling optimization