CN111859683B - 基于动态能量集线器的园区综合能源系统优化配置方法 - Google Patents

Abstract

本发明公开了一种基于动态能量集线器的园区综合能源系统优化配置方法，方法包括：构建动态能源集线器模型；并基于该动态能源集线器构建ICES的数学模型，用于反映设备效率随负载率变化关系并保障各时刻的供需平衡；基于所述ICES模型，构建ICES的双层优化配置数学模型，上层以最小化投资成本等年值为目标函数，求解容量配置方案，下层以最小化年运行维护成本为目标函数，求解运行调度方案；采用AIMMS对双层优化配置数学模型进行求解，为ICES提供考虑设备变工况特性的优化配置方案及调度方案；将优化配置方案及调度方案用于实际ICES建设及运行调控中，以实现对园区的合理规划及调度，保障用户用能需求，提升园区供能可靠性。

Description

基于动态能量集线器的园区综合能源系统优化配置方法

技术领域

本发明属于园区综合能源系统优化配置技术领域，尤其涉及一种基于动态能量集线器的园区综合能源系统优化配置方法。

背景技术

随着能源供需关系的日益紧张以及全球环境的不断恶化，改善能源消费结构和能源生产方式的需求日益迫切。近年来，综合能源系统的出现为多能源(电、气、热等)协调优化运行带来机遇，可有效提高能源利用效率与促进可再生能源消纳^[1-3]。其中，园区综合能源系统(integrated community energy system,ICES)因其投资主体单一且能源需求多样，是综合能源系统最理想的落地场景^[4-5]。然而，目前ICES发展良莠不齐，经济效益尚未完全显现。一个主要原因是ICES实际运行经济性与规划阶段不符，而导致投资成本难以回收。如某工业园区，每年有2GWh的多余电力无偿上网且能源存储设备利用率低于40％^[6]；某科技产业园运营公司在2019年负债高达2.98亿，并出售其股权的40％^[7]。

导致ICES经济性低于预期的一个原因是预测的不准确性。可再生能源与负荷增长的不确定性增加了预测难度，进而导致规划及运行方案不准确，使得实际运行成本高于规划阶段的预期运行成本^[8-9]。众多学者对ICES规划运行中的不确定性问题开展了研究^[10-13]。文献^[14]提出了一种基于多场景技术的优化模型。通过建立多个离散场景及其发生概率来刻画负荷的不确定性，从而得到适应负荷不确定性的优化配置方案。文献^[15-16]基于可用风电功率区间，构建可再生能源允许出力区间，并将其引入优化配置模型中，建立了考虑可再生能源不确定性的鲁棒区间优化配置模型。文献^[17-18]通过概率分布函数描述可再生能源及负荷的不确定性，并建立线性随机机会约束规划方法，降低了优化配置模型对预测精度的依赖性。上述研究为解决ICES规划运行中的不确定性提供了可行方案。

ICES的仿真模型准确度也是影响其经济性的一个重要因素^[19]。目前，关于ICES的模型研究已引起国内外相关工作者的关注^[20-21]。能源集线器(energy hub,EH)模型通过一个耦合矩阵描述多能源系统的能量传输、转换、存储关系，为ICES提供了一种通用的模型^[22-23]。在规划层面，文献^[24-26]提出了基于EH的ICES优化配置方法；在运行层面，文献^[27-30]建立了以经济性最优为目标的优化调度方法。为综合考虑ICES规划与运行的相互影响，文献^[31]建立了一种双层优化配置方法。基于该方法，文献^[32]建立了以经济性最优为目标的双层优化配置模型，上层以年总成本最小为目标，求解ICES优化配置方案，下层以年运行维护成本最小为目标，求解ICES调度方案。

在上述研究中，EH模型中耦合矩阵的各元素被视为常数，即能源转换设备效率被简化为常数。但实际上，能源转换设备的效率随运行工况(如负载率及环境参数)变化而变化。一般来说，当能源转换设备实际工况偏离设计工况，其运行效率将会降低。以热电联供(combined heat and power,CHP)机组为例，文献^[33]指出随负载率变化，其效率可降至额定效率的37.5％。因此，将ICES中的能源转换设备效率视为常数是不准确的，并将影响到规划及调度方案的经济性。

参考文献

[1]Kourkoumpas D S,Benekos G,Nikolopoulos N,Karellas S,Grammelis P.Areview of key environmental and energy performance indicators for the case ofrenewable energy systems when integrated with storage solutions.AppliedEnergy,2018,231:380-398.

[2]Long S,Marjanovic O,Parisio A.Generalised control-orientedmodelling frameworkfor multi-energy systems.Applied Energy,2019,235:320–331.

[3]Liu L,Wang D,Hou K,Jia H,Li S.Region model and application ofregional integrated energy system security analysis.Applied Energy,2020,260:114-268.

[4]Li G,Zhang R,Jiang T,Chen H,Bai L,Cui H,Li X,Optimal dispatchstrategy for integrated energy systems with CCHP and wind power.AppliedEnergy,2017,192:408-419,

[5]Lin W,Jin X,Mu Y,Jia H,Xu X,Yu X,Zhao B.A two-stage multi-objective scheduling method for integrated community energy system.AppliedEnergy,2018,216:428-441.

[6]Feng H,Gong X.Investigation and future planning of integratedcommunity energy service projects,2020.http://chuneng.bjx.com.cn/news/20200213/1042980.shtml.

[7]Jonten Certified Public Accountants.Audit report of HaimenOperation Management Co.,LTD.Beijing.2019.

[8]Wei J,Zhang Y,Wang J,Cao X,Khan MA.Multi-period planning of multi-energy microgrid with multi-type uncertainties using chance constrainedinformation gap decision method.Applied Energy,2020,260

[9]Quan H,Srinivasan D,Khambadkone AM,Khosravi A.A computationalframework for uncertainty integration in stochastic unit commitment withintermittent renewable energy sources,Applied Energy,2015,152:71-82.

[10]Khodayar ME,Shahidehpour M,Wu L.Enhancing the dispatch-ability ofvariable wind generation by coordination with pumped-storage hydro units instochastic power systems.IEEE Transaction on Power System,2013,28(3):2808-2818.

[11]Kamalinia S,Wu L,Shahidehpour M.Stochastic midterm coordinationof hydro and natural gas flexibilities for wind energy integration.IEEETransactions on Sustainable Energy,2014,5(4):1070-1079.

[12]Paterakis NG,Erdinc O,Bakirtzis AG,Catalao JPS.Load-followingreserves procurement considering flexible demandside resources under highwind power penetration.IEEE Transaction on Power System,2015,30(3):1-14.

[13]Wu L,Shahidehpour M,Li T.Stochastic security-constrained unitcommitment.IEEE Transaction on Power System,2007,22(2):800-811.

[14]Wang Q,Wang J,Guan Y.Stochastic unit commitment with uncertaindemand response.IEEE Transaction on Power System,2013,28(1):562-563.

[15]Wu W,Chen J,Zhang B,Sun H.A robust wind power optimization methodfor look-ahead power dispatch.IEEE Transactions on Sustainable Energy,2014,5(2):507-515.

[16]Tan J,Wu Q,Hu Q,Wei W,Liu F,Adaptive robust energy and reserveco-optimization of integrated electricity and heating system considering winduncertainty,Applied Energy,2020,260.

[17]Zhou X,Huang G,Zhu H,Chen J,Xu J.Chance-constrained two-stagefractional optimization for planning regional energy systems in BritishColumbia,Canada.Applied Energy,2015,154:663-677.

[18]Wang Q,Guan Y,Wang J.A chance-constrained two-stage stochasticprogram for unit commitment with uncertain wind power output.IEEETransactions on Power System,2012,27(1):206-215.

[19]Wang D,Liu L,Jia H J,Wang W,Zhi Y,Meng Z.Review of key problemsrelated to integrated energy distribution systems.CSEE Journal of Power andEnergy Systems,2018,4(2):130-145.

[20]Ren H,Gao W.A MILP model for integrated plan and evaluation ofdistributed energy systems.Applied Energy,2010,87(3):1001-1014.

[21]Geidl M.Integrated modeling and optimization of multi-carrierenergy systems.Zürich:ETH,2007.

[22]Geidl M,Andersson G.Optimal Power Flow of Multiple EnergyCarriers.IEEE Transactions on Power Systems,2007,22(1):0-155.

[23]Geidl M,Koppel G,Favre-Perrod P,Klokl B,Andersson G,FrohlichK.Energy hubs for the future.IEEE Power and Energy Magazine,2007,5(1):24-30.

[24]Mohammad S,Hassan G,Mohammad A,Vaez-Zadeh S.Optimal planning ofenergy hubs in interconnected energy systems:A case study for natural gas andelectricity.IET Generation,Transmission&Distribution,2015,9(8):695-707.

[25]Fazlollahi S,Mandel P,Becker G,Marechal,F.Methods for multi-objective investment and operating optimization of complex energysystems.Energy,2012,45:12-22

[26]Xu X,Hou K,Jia H,Yu X.A reliability assessment approach for theurban energy system and its application in energy hub planning.2015IEEEPower&energy society general meeting,2015,1-5.

[27]Bozchalui MC,Hashmi SA.Hassen H.,

C,Bhattacharya K.Optimaloperation of residential energy hubs in smart grids,IEEE Transaction on SmartGrid,2012,3:1755-1766.

[28]Yang H,Xiong T,Qiu J,Qiu D,Dong Z.Optimaloperation of DES/CCHPbased regional multi-energy prosumer with demand response.Applied Energy,2015.

[29]Jin X,Mu Y,Jia H,Wu J,Xu X,Yu X.Optimal day-ahead scheduling ofintegrated urban energy systems.Applied Energy,2016,180:1-13.

[30]Zarif M,Khaleghi S,Javidi MH.Assessment of electricity priceuncertainty impact on the operation of multi-carrier energy systems.IETGeneratin,Transmission&Distribution,2015,9:2586-92.

[31]Guo L,Liu W,Cai J,Hong B,Wang C.A two-stage optimal planning anddesign method for combined cooling,heat and power microgrid system.EnergyConversion and Management,2013,74:433-445.

[32]Wang Y,Wang Y,Huang Y.Planning and operation method of theregional integrated energy system considering economy and environment.Energy,2019,171:731-750.

[33]Zhang Q.Study on properties of the composite system of CCHP andriver water source heat pump.Chongqing University,2015.

[34]Deng S,Wu Q,Zhaoxia J,et al.Optimal Capacity Configuration forEnergy Hubs Considering Part-Load Characteristics of GenerationUnits.Energies,2017,10(12):1966-.

[35]Cai R,Hu Z.Off-designed performance calculation of heat recoverysteam generators.Journal of engineering thermo physics,1990(01):17-20.

[36]Jiang F,Sun W,Li Z.Several important field parameters affectinggas turbine performance and ways to improve performance arediscussed.Chemical Engineering&Equipment,2014(08):150-153.

[37]Cai R,Zhang N.Explicit analytical part-load performance solutionof constant speed single shaft gas turbine and its cogeneration.Journal ofengineering thermo physics,1998(02):145-147.

[38]C Haozhong,Xiao H.Review on research of regional integratedenergy system planning.Automation of Electric Power Systems,2019,43(07):2-13.

[39]Zhang N,Cai R.Analytical solutions and typical characteristics ofpart-load performances of single shaft gas turbine and itscogeneration.Energy Conversion&Management,2002,43(9-12):1323-1337.

[40]Li J,Tian L,Cheng L,Guo J.Optimal planning of micro-energy systemconsidering off-design performance part one general model and analysis.2018,42(19):18-26+49+27.

[41]Yang C,Huang Z,Ma X.Study on off-design characteristics ofcombined heat and power based on combined cycle gas turbine units.Proceedingsof the CESS,2017,37(12):3514-3524.

发明内容

本发明提供了一种基于动态能量集线器的园区综合能源系统优化配置方法，本发明建立了可对EH中耦合矩阵元素(能源转换设备效率)进行实时修正的动态EH(DynamicEnergy Hub,DEH)模型，并在该模型基础上建立基于DEH的ICES优化配置方法，以提高模型的准确性，进而提高ICES的优化配置方案和运行方案的合理性与经济性，详见下文描述：

一种基于动态能量集线器的园区综合能源系统优化配置方法，所述方法包括：

构建ICES的数学模型，该模型包括动态能源集线器模型，用于保障各时刻的供需平衡；

基于所述ICES模型，构建ICES的双层优化配置数学模型，上层以最小化投资成本等年值为目标函数，求解容量配置方案，下层以最小化年运行维护成本为目标函数，求解运行调度方案；

采用AIMMS对双层优化配置数学模型进行求解，为ICES提供考虑设备变工况特性的优化配置方案及调度方案；

将优化配置方案及调度方案用于实际ICES建设及运行调控中，以实现对园区的合理规划及调度，保障用户用能需求，提升园区供能可靠性。

其中，所述动态能源集线器模型通过实时修正耦合因子来描述效率与负载率的关系，如下式所示：

式中，ν_αα,t…ν_ωω,t为t时刻的调度因子，表示各能源形式分配比例，η_αα,t…η_ωω,t为t时刻的各能源转换设备效率，

为t时刻的各能源转换设备负载率。

其中，所述方法还包括：

基于所述动态能源集线器模型包含效率修正的动态能量集线器模型，基于该模型对传统EH模型进行修正，以考虑设备负载率对效率影响，实现对设备模型的准确建模。

进一步地，所述包含效率修正的动态能量集线器模型具体为：

在每个时刻，效率修正模型根据实时负载率计算效率，进而替换上一时刻耦合矩阵中的效率值；L_α,t....L_ω,t为能源种类α...ω的输出量；L_t为输出功率向量；c_αα....c_ωω为耦合因子；

为各能源转换设备负载率；C_t为耦合矩阵；P_α,t...P_ω,t为能源种类α...ω的输入量；M_α,t....M_ω,t为能源种类α...ω的储能输入量；P_t为输入功率向量；M_t为储能输入向量。

其中，所述基于该模型对传统EH模型进行修正具体为：

式中：

为CHP负载率；

为GB负载率；

为HP负载率；L_e,t为输出电功率；L_h,t为输出热功率；v_HP,t为输入电功率分配给HP的调度因子；v_CHP,t为输入天然气分配给CHP的调度因子；η_CHP,t为CHP效率；

为CHP负载率；η_HP,t为HP效率；

为HP负载率；α_CHP,t为CHP热电比；η_GB,t为GB效率；

为GB负载率；P_e,t为输入电功率；P_PV,t为光伏输出功率；P_g,t为天然气输入量；P_BAT,C,t为BAT充电量；Q_HWT,C,t为HWT储热量；P_BAT,D,t为BAT放电量；Q_HWT,D,t为HWT放热量。

具体实现时，所述ICES的数学模型还包括：能源转换设备，

其中，CHP，GB，HP的输入输出关系用下式描述：

式中：P_in,i,t，P_out,i,t分别为能源转换设备i的输入、输出；η_i,t为能源转换设备效率，随负载率

变化。

本发明提供的技术方案的有益效果是：

1)ICES配置及调度方案的实用性与模型精确度有关。由于能源转换设备具有变工况特性，将能源转换设备效率视为常数的传统EH模型将影响模型精确度。因此，有必要在EH中考虑能源转换设备效率的变化；

2)DEH模型中通过实时计算考虑能源转换设备效率，考虑了负载率对设备效率的影响，提高了模型的精确度，因此，基于本文所提的DEH模型的优化配置及运行方案的实用性得到了改善；

3)为ICES的优化配置及运行提供了一种考虑能源转换设备效率的方法框架。为ICES提供了合理的优化配置及运行方案以充分保障用户热、电需求，避免出现停热、停电等故障，保障ICES供能可靠性。解决了因设备模型不精确而导致的ICES配置运行方案不符合实际供能需求的问题。

附图说明

图1是本发明中基于DEH的ICES优化配置方法的框架示意图；

图2是本发明中典型ICES结构示意图；

图3是本发明中ICES能源转换设备效率曲线示意图；

图4是本发明中典型日负荷及光照强度(图4a为过渡季负荷及光照强度，图4b为夏季负荷及光照强度，图4c为冬季负荷及光照强度)示意图；

图5是本发明中ICES夏季典型日调度方案(图4a为场景I调度方案，图4b为场景II预期调度方案，图4c为场景II实际运行情况)示意图；

图6是本发明中ICES过渡季季典型日调度方案(图4a为场景I调度方案，图4b为场景II预期调度方案，图4c为场景II实际运行情况)示意图；

图7是本发明中ICES冬季典型日调度方案(图4a为场景I调度方案，图4b为场景II预期调度方案，图4c为场景II实际运行情况)示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

首先，建立了效率修正模型用于计算能源转换设备实际效率。其次，建立包含效率修正模型的动态EH(dynamic energy hub,DEH)模型，对EH中耦合矩阵元素进行实时修正。最后，建立基于DEH的优化配置方法。并通过一个典型ICES算例验证所提方法的准确性。

本实施例提供一种基于动态能量集线器的园区综合能源系统优化配置方法，参见图1，该方法包括：

步骤101：构建ICES的数学模型；

步骤102：基于步骤101所得的ICES模型，构建ICES的双层优化配置数学模型，上层以最小化投资成本等年值为目标函数，求解容量配置方案，下层以最小化年运行维护成本为目标函数，求解运行调度方案；

步骤103：采用AIMMS(高级集成多维建模软件)对步骤102中所建立的双层优化配置问题进行求解，为ICES提供考虑设备变工况特性的优化配置方案及调度方案；

步骤104：将步骤103所得的优化配置方案及调度方案用于实际ICES建设及运行调控中，以实现对园区的合理规划及调度，保障用户用能需求，提升园区供能可靠性。

本发明所提方法能够为ICES提供优化配置方案及调度方案，优化配置及调度结果合理反映了设备变工况特性，提升了设备模型的准确度，为ICES提供了更为合理且经济的配置方案及调度方案。

下面结合计算公式、实例、附图对上述的园区综合能源系统双层优化配置方法进行进一步地介绍，详见下文描述：

步骤201：建立ICES数学模型；

其中，该步骤201具体为：

1、动态能源集线器模型

EH为多能源系统提供了一种通用建模方法^[21–23]。传统EH模型通过式(1)描述不同能源形式间的耦合交互关系：

式中：α,β,…ω代表不同能源种类，如电、气；P_t和L_t分别为t时刻的输入、输出向量；C_t为耦合矩阵；c_αα,t,c_αβ,t等元素称为耦合因子，如式(2)所示，表示为效率与调度因子的乘积；Μ_t为储能输入向量。L_ω,t为t时刻能源种类ω的输出量，P_ω,t为t时刻能源种类ω的输入量，M_ω,t为t时刻能源种类ω的储能输入量。

c_mn,t＝ν_mn,tη_mn m,n∈{α,β,…ω} (2)

式中：η_mn为能源转换设备效率；ν_mn,t为t时刻的调度因子，c_mn,t为t时刻的耦合因子。

典型ICES包含热电联供(combine heat and power,CHP)机组，燃气锅炉(gasboiler,GB)，热泵(heat pump,HP)，光伏(photovoltaic,PV)，蓄热水箱(hot water tank,HWT)及蓄电池(battery,BAT)，其结构如图2虚线框中部分所示。

该ICES基于EH模型的平衡方程如式(3)所示：

式中：L_e,t，L_h,t分别为电负荷、热负荷；P_e,t，P_g,t分别为电、气输入；v_HP,t为电调度因子，描述电网及光伏供电量中热泵所消耗的比例；ν_CHP,t为天然气调度因子；对于气输入，矩阵展开项v_CHP,tη_CHP,tP_g,t中，

ν_CHP,tP_g,t为CHP消耗天然气；矩阵展开项(1-v_CHP,t)η_GB,tP_g,t中的(1-ν_CHP,t)P_g,t为GB消耗天然气；为简化模型，能源转换设备效率视为常数，η_HP,t为HP效率，η_GB,t为GB效率，η_CHP,t为CHP电效率，α_CHP,t为CHP热电比；P_BAT,C,t，P_BAT,D,t分别为BAT充放电功率,；Q_HWT,C,t，Q_HWT,D,t分别为HWT充放热功率；PV输出如式(4)所示：

P_PV,t＝f_PVP_PV,capG_T,t/G_T,STC (4)

式中：P_PV,t为PV输出，f_PV为降额因子，通常设为0.9；P_PV,cap为PV容量；G_T,t为实际光照强度；G_T,STC为实验室光照强度(1kW/m²)。

通常来说，能源转换设备具有变工况特性，其效率随负载率及环境(气温，气压等)变化。常效率模型因忽略变工况特性将设备效率视为常数并不准确。

以CHP为例，温度每升高1℃，效率将会降低0.6％。而ICES园区位置一定，其日内气压变化仅为0.1–0.4kPa，所导致的效率变化最多仅为4％。因此，气温及气压引起的效率波动较小，在研究中可忽略不计。因此，本方法认为能源转换设备效率仅受负载率影响，如式(5)所示。

式中：

为t时刻的能源转换设备负载率，即输出与容量的比值，η_mn,t为t时刻的能源转换设备效率。

耦合因子表示为调度因子与相应能源转换设备效率的乘积，因此DEH模型通过实时修正耦合因子来描述效率与负载率的关系，如式(6)所示：

式中，ν_αα,t…ν_ωω,t为t时刻的各能源形式调度因子，η_αα,t…η_ωω,t为t时刻的各能源转换设备效率，

为t时刻的各能源转换设备负载率。

基于该动态耦合矩阵，本方法提出包含效率修正模型的DEH模型对传统EH模型(公式1)进行修正，以考虑设备负载率对效率影响，实现对设备模型的准确建模。具体表达形式如式(7)。在每个时刻，效率修正模型根据实时负载率计算效率，进而替换上一时刻耦合矩阵中的效率值。

图2为本发明所提供的典型ICES的DEH模型如下：

式中：

为CHP负载率；

为GB负载率；

为HP负载率。

2、能源转换设备模型

能源转换设备包括CHP，GB，HP的输入输出关系可用下式描述：

式中：P_in,i,t，P_out,i,t分别为能源转换设备i的输入、输出；η_i,t为能源转换设备效率，随负载率

变化。

能源转换设备输出受设备容量限制：

0≤P_out,i,t≤P_cap,i (10)

式中：P_cap,i为能源转换设备i的容量。

典型能源转换设备的变工况特性在^[34–38]中得到证明。本方法所建立CHP、GB及HP设备的回归方程仅针对本文算例所选设备。用于拟合的数据可在设备选型时从设计手册获得。

其中，CHP、GB及HP的效率曲线如图3所示。

1)CHP

CHP为典型单输入、多输出设备，消耗天然气，产生电能及热能。其产生热能一般通过热电比α_CHP,t与输出电能的乘积表示。其变工况特性如式(11)–(12)所示^[39]。

2)燃气锅炉

GB效率与负载率呈线性关系^[40]：

3)热泵

HP效率与负载率呈二次多项式关系^[40]：

3、能源存储设备模型

不同能源存储设备充放能机理类似，本方法采用一个通用储能装置模型对蓄热水箱、蓄电池加以描述。

W_ES,i,t+1＝(1-σ_ES,i)W_ES,i,t+(P_ES,C,iη_ES,C,i,t-P_ES,D,i,t/η_ES,D,i,t)Δt (15)

式中：W_ES,i,t，W_ES,i,t+1为能源存储设i经过充放能前后的储能量；Δt为仿真时间步长；σ_ES,i为自放能率；P_ES,C,i,t，P_ES,D,i,t分别为充放能功率；η_ES,C,i,t，η_ES,D,i,t分别为充放能效率。

能源存储设备的充放能功率受到限制如下：

式中：

为能源存储设备i的最大充能功率，表示为容量与最大充能率的乘积；

为能源存储设备i的最小充能功率，表示为容量与最小充能率的乘积。

能源存储设备的储能量受容量限制：

0≤W_ES,i,t≤W_ES,cap,i (18)

式中：W_ES,cap,i为能源存储设备i的容量。

调度周期内，能源存储设备始末时刻储能量应保持一致：

W_ES,i,1＝W_ES,i,8760 (19)

式中：W_ES,i,1，W_ES,i,8760分别表示一年内(8760h)能源存储设备i始末时刻储能量。

步骤202：构建双层优化配置模型

根据本文所提如图1所示的双层模型框架，构建基于DEH的双层优化配置模型如下。

式中：F_c为上层目标函数，G_F为上层约束条件；f_c为下层目标函数，G_f为下层约束条件。

一、构建上层优化配置模型

1、目标函数

上层优化配置模型的目标函数为最小化投资成本等年值与年运维成本，如式(21)所示。

式中：F_c为年总成本；

与分别为投资成本等年值，运行成本与维护成本。

投资成本总年值计算如下：

式中：c_v,i是设备i的单位投资成本；P_cap,i为设备i的容量；r为贴现率；l_i设备寿命。

年运行成本如式(23)所示：

式中：

分别为年购电、购气成本；c_e为电价；P_e,t为t时刻电网购电量；c_g为天然气价格；P_g,t为t时刻购气量。

年维护成本计算如下：

式中：c_M,i为单位维护费用；P_out,i,t为设备i在t时刻的输出功率。

2、约束条件

由于园区大小限制，设备i的最大装设容量限制如下：

式中：P_cap,i为设备i的装设容量；

设备i最大允许装设容量。

二、构建下层优化调度模型

1、目标函数

优化调度模型基于上层优化配置模型所得的设备类型及容量，以最小化年运行维护成本为目标，得到设备调度方案。运行维护成本计算如式(23)–(24)所示：

2、约束条件

1)能量平衡约束

DEH模型保障各时刻ICES的供需平衡，基于DEH的能量平衡约束如式(7)所示。

2)设备模型

设备模型如式(4)，(9)–(19)所示。

3)联络线功率约束

电网与ICES之间的联络线传输最大功率限制如式(27)^[41]所示，其中，功率可双向传输。

|P_e,t|≤P_cap,grid (27)

式中：P_e,t为t时刻与电网交互功率；P_cap,grid为联络线传输功率上限。

步骤203：求解双层优化配置问题

本文所构建基于DEH的双层优化配置模型为典型的非线性优化问题，可使用AIMMS软件进行求解。步骤如下：

1)构建模型：使用AIMMS编写上述基于DEH的双层优化配置模型；

2)数据初始化：输入计算所需数据如ICES典型日负荷及光照强度，设备经济、技术参数等；

3)求解：使用AIMMS进行求解并输出数据。

步骤204：应用方案

将步骤203所得的优化配置方案及调度方案用于实际ICES建设及运行调控中。

以所得优化配置方案中的设备类型和容量为依据，进行ICES建设，并按照调度方案调整设备运行，可充分保障用户热、电需求，避免出现停热、停电等故障，保障ICES供能可靠性及经济效益。

应用例

本应用例选取如图2所示的ICES。选取一年中过渡季、夏季、冬季的三个典型日进行分析。认为过渡季维持183天，夏季及冬季分别有91天。三个典型日负荷及光照强度如图4所示。电负荷在夏季维持在较高水平，热负荷峰值出现在冬季。本方法选取CHP，HP，GB，PV，BAT及HWT为备选设备。BAT最大充放电率为0.3，HWT最大充放能率为0.25。设备参数如表1–2所示。ICES可向电网购电并出售多余电力，联络线约束为2000kW。贴现率为0.08.电价如表3所示。各设备变工况特性拟合参数如表4所示。

表1.设备经济参数

表2.设备技术参数

表3.能源价格

表4.能源转换设备变工况特性拟合系数

为证明方法的有效性，本方法构建如下两种场景进行对比：

1)场景I：采用基于DEH的双层优化配置方法；

2)场景II：采用基于EH的双层优化配置方法。

两种场景下ICES的配置方案如表5所示，其成本如表6所示。因为实际运行中效率随负载率变化，因此场景II的成本仅为预期成本。

两种场景下，因PV运行成本很低，其容量取到允许装设PV容量的最大值。两种场景下都没有装设BAT，因其目前价格较高，不利于园区经济性；然而HWT因其低廉的价格，更适合用于削峰填谷，应对负荷高峰。CHP和GB作为园区主要供能设备，而相比于GB，HP因为成本较高而没有装设。尽管两种场景下所选设备类型相同，但容量却不同。场景II中基础负荷由CHP满足，GB容量较大，却仅用于应对负荷高峰。因此可以推断GB大部分时刻工作在低效率区间。因此场景I中减小GB容量以获得更高效率是合理的。而CHP容量受GB容量影响，因此GB的减小将导致CHP容量增加。

如表6所示，因为CHP容量增加，场景I下的投资成本等年值较高。虽然场景I投资成本等年值为场景II的1.05倍，但年总成本仅较场景II增长了0.9％。场景I中的购电成本为场景II的1.15倍，可见场景I对电网依赖性较强。使用CHP将减少购电成本但是将导致更高的购气费用及维护成本。与场景II的配置方案相比，场景I的配置方案年售电收入更高，投资回收期更短。

表5.ICES优化配置方案

表6.两种场景经济性对比

图5(a)和(b)分别是夏季场景I，II的调度方案，过渡季及冬季调度方案如图6–7。

如图5(a)所示，场景I中因为考虑到设备的变工况特性，供能设备有明显变化。当热负荷比远小于CHP容量时，GB为主要供能设备，因为其在负载率较低时，效率仍处于相对较高水平；随着负荷增长，CHP为主要供能设备；当负荷增长至超过CHP容量时，CHP单独供能不足以满足负荷，而由两种设备分担负荷将会导致设备负载率(效率)低下，GB又作为主要供能设备；当热负荷远大于GB容量时，CHP处于高负载区间，供应基础负荷，GB作为备用热源。HWT储蓄CHP产生的多余热能。场景II中，当效率视为常数时，大部分热负荷均由CHP供应，HWT仅在负荷高峰使用。对于电负荷，两种场景下均由CHP和PV供应部分负荷，其余电负荷向电网购电满足。

由此可见，在考虑设备变工况特性时，与设备特性相同，设备容量及负荷水平也是影响调度方案，进而影响配置方案的重要因素。

为探讨忽略变工况特性的优化配置方案在实际运行中的效果，本方法使用场景II下的优化配置方案，针对统一ICES求解考虑设备变工况特性的优化调度问题，以模拟实际运行情况，验证方案II预计运行维护成本及投资回收期的正确性。负荷损失惩罚定为$1000/(MWh)。仿真所得运行维护成本及投资回收期如表6所示，调度方案如图5–7所示。

如表6所示，场景II下的预计年运行成本误差达到3.7％，且预计投资回收期误差达到18.2％。与场景I相比，虽然忽略设备变工况特性的优化配置方案的投资费用降低0.03M$，但将导致ICES在实际运行阶段每年多花费0.07M$。并且，如7(c)所示，在冬季热负荷高峰，场景II所提供的配置方案将不足以满足热负荷，导致负荷损失，将严重影响ICES供能可靠性。上述结果进一步说明了考虑设备变工况特性的重要性。

基于该典型ICES的优化结果证明了本发明方法的有效性，结论如下：

1)本方法考虑了设备负载率对效率的影响，为ICES提供了更为合理，经济的配置及调度方案。

2)忽略设备变工况特性将影响设备模型的准确度，进而影响调度方案的合理性，从而导致不准确的经济性分析，最终导致ICES配置方案的经济性。

3)CHP的经济性与设备容量及负荷水平有关，并不总优于其它供能设备。考虑到设备效率通常随负载率增长，对于一定水平的负荷，使用容量相匹的单一供能设备将会更经济。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于动态能量集线器的园区综合能源系统优化配置方法，其特征在于，所述方法包括：

构建ICES的数学模型，该模型包括动态能源集线器模型，用于反映设备效率随负载率变化关系并保障各时刻的供需平衡；

基于所述ICES模型，构建ICES的双层优化配置数学模型，上层以最小化投资成本年值为目标函数，求解容量配置方案，下层以最小化年运行维护成本为目标函数，求解运行调度方案；

采用AIMMS对双层优化配置数学模型进行求解，为ICES提供考虑设备变工况特性的优化配置方案及调度方案；

将优化配置方案及调度方案用于实际ICES建设及运行调控中，以实现对园区的合理规划及调度，保障用户用能需求，提升园区供能可靠性。

2.根据权利要求1所述的一种基于动态能量集线器的园区综合能源系统优化配置方法，其特征在于，所述动态能源集线器模型通过实时修正耦合因子来描述效率与负载率的关系，如下式所示：

式中，C_t为耦合矩阵，ν_αα,t…ν_ωω,t为t时刻的调度因子，表示各能源形式分配比例，η_αα,t…η_ωω,t为t时刻的各能源转换设备效率，

为t时刻的各能源转换设备负载率。

3.根据权利要求2所述的一种基于动态能量集线器的园区综合能源系统优化配置方法，其特征在于，所述方法还包括：

基于所述动态能源集线器模型包含效率修正的动态能量集线器模型，基于该模型对传统EH模型进行修正，以考虑设备负载率对效率影响，实现对设备模型的准确建模。

4.根据权利要求3所述的一种基于动态能量集线器的园区综合能源系统优化配置方法，其特征在于，所述包含效率修正的动态能量集线器模型具体为：

在每个时刻，效率修正模型根据实时负载率计算效率，进而替换上一时刻耦合矩阵中的效率值；L_α,t…L_ω,t为能源种类α..ω的输出量；L_t为输出功率向量；c_αα…c_ωω为耦合因子；

为各能源转换设备负载率；C_t为耦合矩阵；P_α,t…P_ω,t为能源种类α..ω的输入量；M_α,t…M_ω,t为能源种类α..ω的储能输入量；P_t为输入功率向量；M_t为储能输入向量。

5.根据权利要求3所述的一种基于动态能量集线器的园区综合能源系统优化配置方法，其特征在于，所述基于该模型对传统EH模型进行修正具体为：

式中：

为热电联供CHP负载率；

为燃气锅炉GB负载率；

为热泵HP负载率；L_e,t为输出电功率；L_h,t为输出热功率；v_HP,t为输入电功率分配给HP的调度因子；v_CHP,t为输入天然气分配给CHP的调度因子；η_CHP,t为CHP效率；

为CHP负载率；η_HP,t为HP效率；

为HP负载率；α_CHP,t为CHP热电比；η_GB,t为GB效率；

为GB负载率；P_e,t为输入电功率；P_PV,t为光伏输出功率；P_g,t为天然气输入量；P_BAT,C,t为蓄电池BAT充电量；Q_HWT,C,t为蓄热水箱HWT储热量；P_BAT,D,t为BAT放电量；Q_HWT,D,t为HWT放热量。

6.根据权利要求1所述的一种基于动态能量集线器的园区综合能源系统优化配置方法，其特征在于，所述ICES的数学模型还包括：能源转换设备，

其中，热电联供CHP，燃气锅炉GB，热泵HP的输入输出关系用下式描述：

式中：P_in,i,t，P_out,i,t分别为能源转换设备i的输入、输出；η_i,t为能源转换设备效率，随负载率

变化。

Images