基于新能源需求響應(yīng)的RIES多能源云儲(chǔ)能規(guī)劃

摘 要：本文研究利用基于新能源需求響應(yīng)的可再生能源集成系統(tǒng)（Renewable Integrated Energy System，RISE）多能源云儲(chǔ)能規(guī)劃，以提高能源系統(tǒng)的效能。構(gòu)建了多能源云儲(chǔ)能模式的基本架構(gòu)，包括在云儲(chǔ)能模式中2個(gè)主體交互模型和考慮多能源云儲(chǔ)能的能源集線器結(jié)構(gòu)。在此基礎(chǔ)上，設(shè)計(jì)用戶側(cè)充放能優(yōu)化決策模型并提出相應(yīng)的求解算法，以優(yōu)化用戶側(cè)充放能。研究發(fā)現(xiàn)，在實(shí)際應(yīng)用中，采用這種基于新能源需求響應(yīng)的多能源云儲(chǔ)能規(guī)劃能夠減少能源浪費(fèi)，提高能源利用率，同時(shí)滿足用戶需求。該研究對(duì)推動(dòng)清潔能源的可持續(xù)發(fā)展、提高能源系統(tǒng)的智能化水平具有重要意義。

關(guān)鍵詞：多能源云儲(chǔ)能模式；新能源出力預(yù)測(cè)模型；充放能決策約束條件

中圖分類號(hào)：TM 73" " " " " " 文獻(xiàn)標(biāo)志碼：A

傳統(tǒng)的能源管理模式已難以適應(yīng)日益多樣的能源環(huán)境，不能滿足不斷增長的能源需求。多能源云儲(chǔ)存作為一種新興能源管理方式，利用云計(jì)算和大數(shù)據(jù)技術(shù)整合多種能源形式，能夠靈活、高效地存儲(chǔ)并調(diào)度能源?；谛履茉葱枨箜憫?yīng)的規(guī)劃在用戶需求的基礎(chǔ)上利用智能化的決策模型合理分配和利用能源?？稍偕茉醇上到y(tǒng)（Renewable Integrated Energy System，RISE）多能源云儲(chǔ)能規(guī)劃旨在采用先進(jìn)的技術(shù)構(gòu)建高效的能源管理系統(tǒng)，將新能源應(yīng)用于生活中。

1 多能源云儲(chǔ)能模式基本架構(gòu)

1.1 云儲(chǔ)能模式下2個(gè)主體交互模型

多能源云儲(chǔ)能模式的基本架構(gòu)是一個(gè)復(fù)雜的系統(tǒng)，其中，云儲(chǔ)能模式的2個(gè)主體交互模型起到了重要作用，可以高效儲(chǔ)存和調(diào)度能源。這2個(gè)主體分別為新能源出力預(yù)測(cè)模型和用戶側(cè)實(shí)施的價(jià)格型需求響應(yīng)（Demand Response，DR）模型。新能源出力預(yù)測(cè)模型是長短時(shí)記憶網(wǎng)絡(luò)與貝葉斯神經(jīng)網(wǎng)絡(luò)（Bayesian Neural Network with Long Short-Term Memory，LSTM-BNN）的結(jié)合。LSTM-BNN的優(yōu)點(diǎn)是能夠捕捉時(shí)間序列數(shù)據(jù)中的長期依賴關(guān)系，并通過貝葉斯方法對(duì)不確定性進(jìn)行建模[1]。深度學(xué)習(xí)與概率推斷結(jié)合使新能源出力的預(yù)測(cè)更準(zhǔn)確、可靠。該模型學(xué)習(xí)歷史新能源出力數(shù)據(jù)并預(yù)測(cè)了未來一段時(shí)間內(nèi)的新能源產(chǎn)量，為云儲(chǔ)能系統(tǒng)提供基礎(chǔ)信息。

用戶側(cè)實(shí)施價(jià)格型需求響應(yīng)是云儲(chǔ)能模式中另一個(gè)重要的交互模型。該模型在用戶側(cè)引入價(jià)格信號(hào)，當(dāng)用戶對(duì)電能需求較大時(shí)，根據(jù)價(jià)格信號(hào)適當(dāng)轉(zhuǎn)移負(fù)荷，需求響應(yīng)靈活。用戶可以根據(jù)當(dāng)前電價(jià)和自身實(shí)際用能需求靈活調(diào)整電器使用時(shí)間，將負(fù)荷分?jǐn)傊羶r(jià)格較低的時(shí)間段，從而在不增加整體成本的情況下高效利用能源。當(dāng)實(shí)施價(jià)格型需求響應(yīng)時(shí)，在云儲(chǔ)能系統(tǒng)的支持下，用戶可以獲得詳細(xì)的電價(jià)信息以及預(yù)測(cè)的新能源產(chǎn)量數(shù)據(jù)，這些信息給用戶提供參考，幫助其做出決策，既可以滿足個(gè)體用能需求，又可以保證能源系統(tǒng)平穩(wěn)運(yùn)行。用戶側(cè)的充放能決策行為模型衡量了價(jià)格信號(hào)、新能源預(yù)測(cè)和用戶需求，進(jìn)而形成最佳充放能策略，多能源云儲(chǔ)能基本架構(gòu)如圖1所示。

1.2 多能源云儲(chǔ)能的能源集線器結(jié)構(gòu)

1.2.1 能源源頭

能源源頭為各種不同類型的能源供給點(diǎn)，包括太陽能光伏、風(fēng)能、水力能以及生物能等。每種能源源頭都有其獨(dú)特的特點(diǎn)和產(chǎn)能，能源集線器需要從這些源頭采集能源數(shù)據(jù)，并進(jìn)行有效整合。

1.2.2 能源轉(zhuǎn)換設(shè)施

這類設(shè)施轉(zhuǎn)換、儲(chǔ)存并處理不同類型的能源，以便更好地適應(yīng)儲(chǔ)能要求[2]。例如，太陽能利用光伏發(fā)電系統(tǒng)轉(zhuǎn)換為電能，風(fēng)能利用風(fēng)力發(fā)電機(jī)轉(zhuǎn)換為電能。

1.2.3 儲(chǔ)能裝置

儲(chǔ)能裝置是能源集線器中的核心組成部分，其作用是存儲(chǔ)和調(diào)度能源。裝置有電池儲(chǔ)能、水泵儲(chǔ)能和壓縮空氣儲(chǔ)能等多種形式，在能源供給和需求之間取得平衡。根據(jù)不同能源的特性和需求，能源集線器選擇合適的儲(chǔ)能裝置，并利用智能控制對(duì)能源進(jìn)行合理儲(chǔ)存和分配。

1.2.4 能源輸送網(wǎng)絡(luò)

能源輸送網(wǎng)絡(luò)是將儲(chǔ)存的能源從集線器輸送至用戶端的關(guān)鍵通道，包括電力線路、管道以及輸電塔等設(shè)施，將儲(chǔ)存的能源有效傳輸至各用戶端，滿足不同用戶的能源需求。

2 多能源云儲(chǔ)能模式下用戶側(cè)充放能優(yōu)化決策模型

2.1 用戶側(cè)新能源出力預(yù)測(cè)模型

LSTM是一種適用于處理時(shí)序數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的變種。在新能源預(yù)測(cè)中，由于新能源的產(chǎn)量通常有明顯的季節(jié)性和周期性變化，因此時(shí)間序列數(shù)據(jù)十分重要。LSTM利用記憶單元和門控機(jī)制捕捉時(shí)間序列中的長期依賴，從而提高模型對(duì)未來新能源出力預(yù)測(cè)的準(zhǔn)確性。在本文研究中，相關(guān)工作人員在LSTM的基礎(chǔ)上，在新能源出力預(yù)測(cè)模型中引入概率推斷方法，其中，BNN發(fā)揮了重要作用，利用權(quán)重的不確定性，模型能夠更合理地預(yù)測(cè)未知數(shù)據(jù)。在新能源預(yù)測(cè)中，受天氣等因素影響，新能源產(chǎn)量的不確定性通常較高。引入BNN，預(yù)測(cè)模型能夠在預(yù)測(cè)結(jié)果中進(jìn)行不確定性估計(jì)?；贚STM-BNN的新能源出力概率分布預(yù)測(cè)步驟如圖2所示。

新能源出力預(yù)測(cè)模型的建模過程分為以下幾個(gè)步驟。

2.1.1 數(shù)據(jù)采集與準(zhǔn)備

收集歷史新能源產(chǎn)量的時(shí)序數(shù)據(jù)，包括天氣條件、季節(jié)性變化等，這些數(shù)據(jù)用于訓(xùn)練和驗(yàn)證預(yù)測(cè)模型[3]。在本文研究中，設(shè)計(jì)T個(gè)時(shí)刻，M個(gè)氣象因素，xmt為在t時(shí)刻m類氣象因素，設(shè)光伏出力為yt，Cxm→y為m類氣象因素與光伏出力之間的直接相關(guān)系數(shù)，計(jì)算過程如公式（1）所示。

（1）

式中：bm為偏回歸系數(shù)；T為總時(shí)間；t為特定時(shí)間；為m類氣象因素的平均值；為待預(yù)測(cè)的能源產(chǎn)量均值；yt為特定時(shí)間t的預(yù)測(cè)能源產(chǎn)量，設(shè)Cxm→xk→y為第m類氣象因素經(jīng)過第k類氣象因素后，光伏出力間接關(guān)系系數(shù)，其計(jì)算過程如公式（2）所示、公式（3）所示。

Cxm→xk→y=rxm?xkCxk→y" " " " " " " " " " " " " "（2）

（3）

式中：rxm?xk為該模型對(duì)于特定時(shí)間段或觀測(cè)值中某個(gè)特征與模型輸入中的某個(gè)特征之間的關(guān)系或映射。xkt為在特定時(shí)間t經(jīng)過第k類氣象因素后的參數(shù)；為第k類氣象因素平均值。

2.1.2 LSTM模型設(shè)計(jì)

建立LSTM結(jié)構(gòu)的深度學(xué)習(xí)模型，需要根據(jù)具體問題調(diào)整LSTM網(wǎng)絡(luò)的層數(shù)和神經(jīng)元數(shù)量，對(duì)時(shí)序數(shù)據(jù)進(jìn)行有效建模。

2.1.3 引入BNN

將BNN引入LSTM結(jié)構(gòu)中，在神經(jīng)網(wǎng)絡(luò)的權(quán)重中引入概率分布進(jìn)行建模，可以更好地反映模型對(duì)未知數(shù)據(jù)的不確定性。本研究將BNN概率層參數(shù)設(shè)為W，混合比例高斯分布如公式（4）所示。

（4）

式中：p（W）為BNN概率層參數(shù)設(shè)為W的比例混合高斯分布函數(shù)；j為參數(shù)項(xiàng)；N為BNN概率層數(shù)量；wj為BNN概率層第j項(xiàng)參數(shù)；Nw為參數(shù)的數(shù)量；π為混合比例；N（wj，0，σ201）為當(dāng)方差為σ201時(shí)，wj的概率密度。

2.1.4 模型訓(xùn)練與驗(yàn)證

使用歷史數(shù)據(jù)訓(xùn)練模型，并利用驗(yàn)證集驗(yàn)證模型。在訓(xùn)練過程中，BNN 的貝葉斯推斷方法適用于估計(jì)權(quán)重的不確定性。

2.1.5 預(yù)測(cè)輸出

經(jīng)過訓(xùn)練的模型可以預(yù)測(cè)未來新能源產(chǎn)量，預(yù)測(cè)結(jié)果不僅包括點(diǎn)估計(jì)，還提供了產(chǎn)量的概率分布，使用戶能夠更好地理解預(yù)測(cè)的不確定性。

2.2 用戶側(cè)DR模型

構(gòu)建用戶側(cè)DR模型，旨在通過實(shí)施價(jià)格型DR和激勵(lì)型DR，優(yōu)化能源供需平衡，提高能源利用效率。價(jià)格型DR利用電價(jià)變化信號(hào)，用戶能夠主動(dòng)調(diào)整用能行為，因此負(fù)荷曲線平滑。實(shí)施價(jià)格型DR的具體措施包括監(jiān)測(cè)電價(jià)信號(hào)、分析負(fù)荷彈性、計(jì)算最佳負(fù)荷分配和激勵(lì)用戶行為。利用智能電表或能源管理系統(tǒng)獲取實(shí)時(shí)電價(jià)數(shù)據(jù)，并結(jié)合歷史用電數(shù)據(jù)進(jìn)行分析，建立負(fù)荷-電價(jià)彈性模型，根據(jù)用戶的電能需求、電價(jià)變化和系統(tǒng)穩(wěn)定等因素，使用優(yōu)化算法計(jì)算最佳負(fù)荷分配方案。采取獎(jiǎng)勵(lì)措施等方式，鼓勵(lì)用戶參與價(jià)格型DR[4]。激勵(lì)型DR采取激勵(lì)補(bǔ)償?shù)恼{(diào)整策略來響應(yīng)能源供應(yīng)。激勵(lì)型DR的獎(jiǎng)勵(lì)措施包括設(shè)定激勵(lì)機(jī)制、推送激勵(lì)信號(hào)、監(jiān)測(cè)用戶行為和激勵(lì)評(píng)估與調(diào)整。確定激勵(lì)機(jī)制并將其與用戶的用能行為進(jìn)行關(guān)聯(lián)，通過短信、App通知或智能家居設(shè)備向用戶推送激勵(lì)信號(hào)。采用DR進(jìn)行負(fù)荷轉(zhuǎn)移后，其模型如公式（5）、公式（6）所示。

PL=P0+?P " " " " " " " " " （5）

（6）

式中：PL為采用DR后的負(fù)荷矩陣；P0為采用DR前的負(fù)荷矩陣；?P為采用DR的負(fù)荷轉(zhuǎn)移矩陣；E為多時(shí)段彈性系數(shù)矩陣；e11為第一行第一列參數(shù)；eT1為第T行第一列參數(shù)。

2.3 用戶側(cè)充放能決策目標(biāo)函數(shù)

用戶側(cè)充放能決策目標(biāo)函數(shù)考慮了能源的購買、儲(chǔ)存和釋放成本以及與能源市場(chǎng)交易有統(tǒng)計(jì)學(xué)意義的利潤。該目標(biāo)函數(shù)可以基于實(shí)時(shí)電價(jià)信息來制定最佳充放能策略，使能源成本最小化，經(jīng)濟(jì)效益最大化。該目標(biāo)函數(shù)考慮了能源的購買、維護(hù)成本以及儲(chǔ)存設(shè)備的操作步驟等因素，以減少能源系統(tǒng)的費(fèi)用支出。該目標(biāo)函數(shù)結(jié)合電價(jià)預(yù)測(cè)、能源需求預(yù)測(cè)和儲(chǔ)能系統(tǒng)效率等信息來確定最佳的充放能策略，最大程度地提高能源使用效率。該函數(shù)以能源利用效果最佳為目標(biāo)，減少不必要的能源浪費(fèi)。該目標(biāo)函數(shù)考慮了能源的供應(yīng)與需求之間的匹配度，優(yōu)化能源儲(chǔ)存和釋放策略，提高系統(tǒng)的能源利用效率。該目標(biāo)函數(shù)考慮了可再生能源的利用程度和能源存儲(chǔ)系統(tǒng)的規(guī)模和效能，以減少對(duì)傳統(tǒng)能源的依賴。

根據(jù)用戶的特定需求和約束，結(jié)合市場(chǎng)運(yùn)行實(shí)際情況和能源系統(tǒng)的性能參數(shù)定制目標(biāo)函數(shù)。利用數(shù)學(xué)方法，例如線性規(guī)劃、非線性規(guī)劃以及動(dòng)態(tài)規(guī)劃等，精確計(jì)算充放能決策策略的最優(yōu)解，以滿足其設(shè)定的目標(biāo)函數(shù)需求。在本文研究中，設(shè)云儲(chǔ)能提供商優(yōu)化決策目標(biāo)為C2，計(jì)算過程如公式（7）、公式（8）所示。

C2=kpaCinv+Cpoe+Cfix" " " " " " " " " " " " " " " " " " " "（7）

（8）

式中：kpa為功率適應(yīng)系數(shù)，即系統(tǒng)在不同功率需求下的適應(yīng)程度；cpoe為充電偏差成本，即實(shí)際充電量與計(jì)劃充電量之間的差異；Cfix為固定運(yùn)行成本，即系統(tǒng)在不考慮充放能量成本的情況下的基本運(yùn)行費(fèi)用；Cinv為云儲(chǔ)存提供商的投入成本；Pe，E s，t為云儲(chǔ)能提供商在電網(wǎng)中的實(shí)際功率；Ph，H s，t為云儲(chǔ)能提供商在熱網(wǎng)中獲得的實(shí)際功率；Pe，G s，t為云儲(chǔ)能提供商在氣網(wǎng)中獲得的實(shí)際功率；λte為電力用戶與電網(wǎng)之間購買單位功率能量價(jià)格；λth為電力用戶與熱網(wǎng)之間購買單位功率能量價(jià)格；λtg為電力用戶與氣網(wǎng)之間購買單位功率能量價(jià)格；θte為電力用戶與電網(wǎng)之間反送單位功率能量價(jià)格；θth為電力用戶與熱網(wǎng)之間反送單位功率能量價(jià)格；θtg為電力用戶與氣網(wǎng)之間反送單位功率能量價(jià)格；χ為熱網(wǎng)換算單位功率的熱值系數(shù)；γ為氣網(wǎng)換算單位功率的熱值系數(shù)；S為成本最小化參數(shù)。

2.4 用戶側(cè)充放能決策約束條件以及算法求解

本文采用拉格朗日乘子法，通過將約束條件引入目標(biāo)函數(shù)，從而將原問題轉(zhuǎn)化為無約束問題[5]。

2.4.1 定義目標(biāo)函數(shù)

假設(shè)用戶側(cè)充放能決策問題的目標(biāo)函數(shù)為J（x），其中（x）為決策變量。將約束條件gi（x）引入目標(biāo)函數(shù)，使用拉格朗日乘子λi來建立新的拉格朗日函數(shù)如公式（9）所示。

（9）

2.4.2 求解梯度為零的點(diǎn)

求拉格朗日函數(shù)的偏導(dǎo)數(shù)，令導(dǎo)數(shù)為0，解得目標(biāo)函數(shù)的臨界點(diǎn)，計(jì)算過程如公式（10）所示。

（10）

2.4.3 更新拉格朗日乘子

根據(jù)拉格朗日乘子更新策略，迭代調(diào)整乘子λ直至收斂。更新規(guī)則如公式（11）所示。

λi（k+1）=λi（k）+α（gi（x（k）））" " " "（11）

式中：α為學(xué)習(xí)率；k為迭代步數(shù)。λi（k）為第k次迭代中，與第i個(gè)約束相關(guān)聯(lián)的拉格朗日乘子的值；gi為優(yōu)化問題的第i個(gè)約束條件；x（k）為第k次迭代中的優(yōu)化問題的決策變量；λi（k+1）為第k+1次迭代中，與第i個(gè)約束條件相關(guān)聯(lián)的拉格朗日乘子的值。

2.4.4 檢查最優(yōu)解

在迭代過程中，檢查目標(biāo)函數(shù)是否收斂至最佳值以及拉格朗日乘子是否滿足最佳條件。

3 結(jié)語

在推動(dòng)新能源需求響應(yīng)的過程中，RIES多能源云儲(chǔ)能規(guī)劃引領(lǐng)了智能化、前瞻性的能源管理潮流。利用新能源的獨(dú)特優(yōu)勢(shì)和需求進(jìn)行技術(shù)融合，對(duì)能源進(jìn)行高效調(diào)度和智能化管理。該規(guī)劃為用戶提供了更靈活、更可持續(xù)的能源解決方案，引領(lǐng)能源管理進(jìn)入新階段。利用先進(jìn)的云計(jì)算技術(shù)，該規(guī)劃對(duì)能源進(jìn)行集中式、智能化管理，不僅保證能源系統(tǒng)的經(jīng)濟(jì)性、安全性和環(huán)境友好性，還為新能源需求的不斷增長和完善多樣化需求響應(yīng)機(jī)制提供支持。

參考文獻(xiàn)

[1]孫帆，王維慶，南東亮，等.配電網(wǎng)-區(qū)域綜合能源系統(tǒng)的合作博弈模型[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（5）：44-50.

[2]李玲，曹錦業(yè)，NIKITA T，等.計(jì)及電動(dòng)汽車接入的區(qū)域綜合能源系統(tǒng)雙層日前協(xié)調(diào)優(yōu)化調(diào)度[J].電力建設(shè)，2023，44（5）：23-33.

[3]程杉，陳諾，徐建宇，等.考慮綜合需求響應(yīng)的樓宇綜合能源系統(tǒng)能量管理優(yōu)化[J].電力工程技術(shù)，2023，42（2）：40-47，57.

[4]劉英培，黃寅峰.考慮碳排權(quán)供求關(guān)系的多區(qū)域綜合能源系統(tǒng)聯(lián)合優(yōu)化運(yùn)行[J].電工技術(shù)學(xué)報(bào)，2023，38（13）：3459-3472.

[5]陳紅坤，王雪純，陳磊.考慮靈活性供給約束的區(qū)域綜合能源系統(tǒng)節(jié)點(diǎn)邊際能價(jià)分解分析[J].電工技術(shù)學(xué)報(bào)，2023，38（13）：3576-3589.