基于不確定性的冷熱電聯(lián)供微網(wǎng)優(yōu)化調(diào)度

劉昊 于洪霞

摘要：在冷熱電聯(lián)供型微網(wǎng)中，風(fēng)力發(fā)電和冷熱電負(fù)荷因其不確定性的特點(diǎn)，為冷熱電聯(lián)供型微網(wǎng)的優(yōu)化調(diào)度帶來(lái)挑戰(zhàn)。本文立了以系統(tǒng)綜合運(yùn)行成本最低的優(yōu)化目標(biāo)函數(shù)?；诖_定性系統(tǒng)調(diào)度模型，引入可再生能源風(fēng)能和冷熱電負(fù)荷的不確定性模型，建立了基于機(jī)會(huì)約束規(guī)劃的冷熱電聯(lián)供微網(wǎng)不確定優(yōu)化調(diào)度模型。通過(guò)改進(jìn)的粒子群算法和隨機(jī)模擬技術(shù)對(duì)模型進(jìn)行求解。算例仿真中針對(duì)冷熱電負(fù)荷在峰谷平時(shí)段波動(dòng)不同，冷熱電負(fù)荷峰谷平時(shí)段設(shè)置了不同的置信水平，對(duì)含風(fēng)電及冷熱電負(fù)荷不確定性的調(diào)度結(jié)果和運(yùn)行成本分析，驗(yàn)證了所提方法的有效性。

關(guān)鍵詞：冷熱電聯(lián)供;粒子群算法;機(jī)會(huì)約束規(guī)劃

中圖分類號(hào)：TP301? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）33-0111-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

熱電聯(lián)產(chǎn)系統(tǒng)比傳統(tǒng)方式供能的效率更高[1]。冷熱電聯(lián)供（combined cooling，heating and power，CCHP）系統(tǒng)是熱電聯(lián)產(chǎn)系統(tǒng)的升級(jí)，增加了制冷的效果。隨著化石能源日益枯竭，冷熱電聯(lián)產(chǎn)微網(wǎng)系統(tǒng)的研究已成為未來(lái)重點(diǎn)方向。

國(guó)內(nèi)外對(duì)于CCHP型微網(wǎng)優(yōu)化調(diào)度模型有一定程度的研究。文獻(xiàn)[2]選取電氣、熱水等母線作為CCHP系統(tǒng)基本結(jié)構(gòu)，建立了CCHP系統(tǒng)日前優(yōu)化經(jīng)濟(jì)調(diào)度通用模型。文獻(xiàn)[3]在CCHP型微網(wǎng)中加入了熱泵和儲(chǔ)能裝置，驗(yàn)證了模型的經(jīng)濟(jì)性和靈活性。上述文獻(xiàn)并未考慮風(fēng)電不確定性對(duì)CCHP型微網(wǎng)優(yōu)化經(jīng)濟(jì)調(diào)度的影響。

風(fēng)電是新型的可清潔能源，但風(fēng)電出力的不確定性給并網(wǎng)帶來(lái)了巨大挑戰(zhàn)。文獻(xiàn)[4]對(duì)風(fēng)電出力采用Beta函數(shù)擬合，通過(guò)改進(jìn)的遺傳算法求解多目標(biāo)模型，但風(fēng)電預(yù)測(cè)模型精度較低。文獻(xiàn)[5]針對(duì)風(fēng)-水-火聯(lián)合運(yùn)行系統(tǒng)，對(duì)風(fēng)電出力進(jìn)行區(qū)間預(yù)測(cè)，雖能處理預(yù)測(cè)偏差造成的極端情況，但并未考慮負(fù)荷的不確定性。

本文考慮風(fēng)電和冷熱電負(fù)荷不確定性，由于冷熱電負(fù)荷的波動(dòng)性受峰谷影響較大，在峰時(shí)段波動(dòng)性大，約束條件的置信水平高于其他時(shí)段。在保證冷、熱、電負(fù)荷平衡的前提下，分析CCHP型微網(wǎng)設(shè)備出力來(lái)驗(yàn)證模型的有效性。

1 冷熱電聯(lián)供型微網(wǎng)結(jié)構(gòu)

為充分利用風(fēng)電可再生清潔能源，建立一個(gè)靈活的冷熱電聯(lián)供微網(wǎng)系統(tǒng)。圖1為冷熱電聯(lián)供系統(tǒng)供能框架。

2 風(fēng)電及負(fù)荷不確定性模型

2.1 風(fēng)電出力不確定分布模型

本文取正態(tài)分布作為風(fēng)電出力模型：

[f（wind）=1σ?2π?exp-Pwind-μ22σ2]? ? ? ? ? ? ? （1）

其中，[σ]為標(biāo)準(zhǔn)差，[μ]為均值，即風(fēng)電發(fā)力預(yù)測(cè)值。

2.2 冷熱電負(fù)荷不確定分布模型

本文主要通過(guò)正態(tài)分布模擬負(fù)荷功率：

[f（load）=1σ?2π?exp-Pload-μ22σ2]? ? ? ? ? ? ? ?（2）

其中，[σ]為標(biāo)準(zhǔn)差，[μ]為均值，即負(fù)荷功率預(yù)測(cè)值。

3 不確定性冷熱電聯(lián)供微網(wǎng)調(diào)度模型

3.1 不確定機(jī)會(huì)約束規(guī)劃

本文針對(duì)不確定性問(wèn)題，設(shè)[x]為決策向量，[ζ]為不確定變量，[fx，ζ]為目標(biāo)函數(shù)，[gjx，ζ]為約束條件函數(shù)，可知，目標(biāo)函數(shù)[fx，ζ]也為不確定變量，因此存在著很多個(gè)可能值[f]，使[Mfx，ζ≤f≥β]。最小化目標(biāo)問(wèn)題的不確定機(jī)會(huì)約束規(guī)劃模型如式（3）所示：

[minfs.t.Mfx，ζ≤f≥βMgjx，ζ≤0≥αj，j=1，2，...，p]? ? ? ? ? ? ? （3）

3.2 目標(biāo)函數(shù)

本文以調(diào)度周期內(nèi)系統(tǒng)運(yùn)行成本最小為優(yōu)化目標(biāo)，包括微燃料購(gòu)置成本、電網(wǎng)交互成本、儲(chǔ)能成本、運(yùn)行維護(hù)成本和棄風(fēng)成本。

[Crf（x，ζ）≤f≥α]? ? ? ? ? ? ? ? ? ? ? ? （4）

[f=Cfu+Cgrid+CHS+CES+Com+CWL]? ? ? ? ? ? ? ? （5）

（1）燃料購(gòu)置成本

[Cfu=tTCCH4?（PFC，tηPFC+PMT，tηPMT）?△tLCH4]? ? ? ? ? ? ? ? ? （6）

其中，[ηPMT]、[ηPFC]為微型燃?xì)廨啓C(jī)與燃料電池的效率;[PMT，t]為[t]時(shí)刻微型燃?xì)廨啓C(jī)的發(fā)電功率;[PFC，t]為[t]時(shí)刻燃料電池的發(fā)電功率;[△t]為時(shí)間步長(zhǎng)，[CCH4]為單位天然氣的價(jià)格，[LCH4]為單位天然氣的低熱值。

（2）儲(chǔ)能成本

[CHS/ES=CHS/ES，cap?BHS/ES/（365n）]? ? ? ? ? ? ? ? ? ?（7）

其中，[CHS/ES.cap]為熱/電儲(chǔ)能容量;[BHS/ES]為單位熱/電儲(chǔ)能購(gòu)置成本。

（3）電網(wǎng)交互成本

[Cgrid=t=1T（λbuygrid，t?Pbuygrid，t-λsellgrid，t?Psellgrid，t）]? ? ? ? ? ? ? ? ?（8）

其中，[λbuygrid，t]、[λsellgrid，t]為[t]時(shí)刻微網(wǎng)向電網(wǎng)購(gòu)售電的價(jià)格。

（4）運(yùn)行維護(hù)成本

[Com=（PMT，t?Rom，MT+PFC，t?Rom，F(xiàn)C+PEC，t?Rom，EC+PEB，t?Rom，EB+HAC，t?Rom，AC）?△t]? ? ? ? ? ? ? ? ? ? ? （9）

其中，[PEC，t]為[t]時(shí)刻電制冷機(jī)的發(fā)電功率;[PEB，t]為[t]時(shí)刻電鍋爐的發(fā)電功率。

（5）棄風(fēng)成本

[CWL=tTλWL?（Pwind，t-Pusedwind，t）?△t]? ? ? ? ? ? ? ? ? ? （10）

其中，[λWL]為單位棄風(fēng)懲罰單價(jià);[Pusedwind]為[t]時(shí)刻風(fēng)電實(shí)際利用功率。

3.3 約束條件

（1）可控機(jī)組

[PminMT≤PMT，t≤PmaxMTPminFC≤PFC，t≤PmaxFCHminAC≤HAC，t≤HmaxACPminEC≤PEC，t≤PmaxECPminEB≤PEB，t≤PmaxEB]? ? ? ? ? ? ? ? ? ? ? ? （11）

其中，[PminMT、PmaxMT]為微型燃?xì)廨啓C(jī)輸出功率上下限;[PminFC、PmaxFC]為燃料電池輸出功率上下限。

（2）儲(chǔ)能設(shè)備

1）儲(chǔ)熱箱運(yùn)行約束

[Utst_chr，tHmintst_chr≤Htst_chr，t≤Utst_chr，tHmaxtst_chrUtst_dis，tHmintst_dis≤Htst_dis，t≤Utst_dis，tHmaxtst_disUtst_chr，t+Utst_dis，t≤1Hmintst≤Htst，t≤HmaxtstHtst（T）=Htst（0）]? ? ? ? ? ? ? （12）

2）蓄電池運(yùn)行約束

[Ubt_chr，tPminbt_chr≤Pbt_chr，t≤Ubt_chr，tPmaxbt_chrUbt_dis，tPminbt_dis≤Pbt_dis，t≤Ubt_dis，tPmaxbt_disUbt_chr，t+Ubt_dis，t≤1Wminbt≤Wbt，t≤WmaxbtWbt（T）=Wbt（0）]? ? ? ? ? ? ? ?（13）

其中，[Htst_chr，t]、[Htst_dis，t]、[Pbt_chr，t]、[Pbt_dis，t]為[t]時(shí)刻儲(chǔ)熱箱和蓄電池充放功率;[Hmintst_chr]、[Hmaxtst_chr]、[Hmintst_dis]、[Hmaxtst_dis]、[Pminbt_chr]、[Pmaxbt_chr]、[Pminbt_dis]、[Pmaxbt_dis]為儲(chǔ)熱箱和蓄電池充放功率上下限;[Utst_chr，t]、[Utst_dis，t]、[Ubt_chr，t]、[Ubt_dis，t]為[t]時(shí)刻儲(chǔ)熱箱和蓄電池充放狀態(tài);[Htst（T）]、[Htst（0）]、[Wbt（T）]、[Wbt（0）]為調(diào)度周期末和初時(shí)儲(chǔ)熱箱和蓄電池的儲(chǔ)量。

（3）機(jī)組轉(zhuǎn)換

[HMT，i=ηtranMT?PMT，tHEB，i=ηtranEB?PEB，tQAC，t=COPAC?HAC，tQEC，t=COPEC?PEC，t]? ? ? ? ? ? ? ? ? ? ? ? （14）

其中，[HMT，t]、[HEB，t]為[t]時(shí)刻微型燃?xì)廨啓C(jī)與電鍋爐輸出功率。

（4）能量平衡約束

1）系統(tǒng)冷熱電功率平衡約束

[CrQAC，t+QEC，t-Qprcload，t=0≥α1]? ? ? ? ? ? ? ? ?（15）

[CrHHE，t+HEB，t+Htst_dis，t-Hprcload，t-Htst_chr，t-HAC，t=0≥α1]? ?（16）

[CrPMT，t+PFC，t+PdisES，t+Pprcwind，t+Pbuygrid，t-Pprcload，t-PchES，t-Psellgrid，t-PEC，t-PEB，t=0≥α1]? （17）

（5）機(jī)組旋轉(zhuǎn)備用容量約束

[CrPprcload，t+PEC，t+PEB，t-PmaxMT，t-PmaxFC，t-Pprcwind，t-R≤0≥α1]? （18）

其中，[Qprcload，t]、[Hprcload，t]、[Pprcload，t]為冷、熱、電負(fù)荷出力預(yù)測(cè)值，[α1]為約束條件置信水平。

4 模型求解

本文采用改進(jìn)粒子群算法和隨機(jī)模擬技術(shù)結(jié)合進(jìn)行求解。粒子群算法的性能會(huì)受參數(shù)的選擇影響。針對(duì)粒子群容易早熟這一現(xiàn)象，初期增大慣性權(quán)重因子，末期減小慣性權(quán)重。求解過(guò)程為：

（1）初始化機(jī)組參數(shù)和粒子群的位置和速度，將微型燃?xì)廨啓C(jī)、燃料電池、蓄電池等出力值作為優(yōu)化變量。

（2）根據(jù)隨機(jī)模擬抽樣調(diào)整種群。具體步驟為：設(shè)某一概率約束條件：[Prgj（x，ξ）≤0，j=1，2，...，p≥β]。首先置[N1=0]，[A=1]。接下來(lái)由概率分布[?ξ]生成隨機(jī)變量[ξ]。如果[gj（x，ξ）≤0]，則[N1++]。重復(fù)上述步驟共[N]次。如果[N1/N≥β]，返回“成立”，否則返回“不成立”。

（3）進(jìn)行冷熱電功率平衡約束。

（4）計(jì)算適應(yīng)度，比較適應(yīng)度函數(shù)尋找個(gè)體最優(yōu)和全局最優(yōu)，更新粒子群速度和位置。

（5）重新進(jìn)行冷熱電負(fù)荷平衡修正。

（6）重新計(jì)算適應(yīng)度并更新個(gè)體最優(yōu)和全局最優(yōu)。

（7）輸出機(jī)組24小時(shí)出力情況和系統(tǒng)最佳運(yùn)行成本。

5 算例仿真

5.1 算例參數(shù)

本文中各個(gè)機(jī)組備參數(shù)如表1所示。

某地區(qū)冬季典型日冷熱電負(fù)荷及風(fēng)電出力預(yù)測(cè)值如圖3所示。

本文以風(fēng)電和冷熱電負(fù)荷預(yù)測(cè)值為均值，0.05倍均值為標(biāo)準(zhǔn)差。天然氣低熱值[LCH4]為9.7kWh/m3，單價(jià)[CCH4]為2.5元/m3;微網(wǎng)運(yùn)行年限[n]為20年;單位儲(chǔ)能購(gòu)置成本[BHS]為420元/kW;[BES]為2000元/kW;微燃機(jī)與燃料電池發(fā)電效率[ηPMT、ηPFC]分別為0.35、0.67;吸收制冷機(jī)與電制冷機(jī)能效系數(shù)[COPAC、COPEC]分別為0.8與3;微燃機(jī)與電鍋爐熱轉(zhuǎn)化率[ηtranMT]、[ηtranEB]分別為0.8與0.85。

5.2 含風(fēng)力及冷熱電負(fù)荷不確定性結(jié)果分析

取約束條件和目標(biāo)函數(shù)的置信水平分別為0.8和0.85，在冷熱電負(fù)荷高峰時(shí)，約束條件的置信水平為0.85。機(jī)組出力如圖3所示。

結(jié)果表明：當(dāng)處于冷熱電負(fù)荷高峰時(shí)段，置信水平會(huì)比其他時(shí)段略高，為了能夠更好地限制負(fù)荷的波動(dòng)性，所以運(yùn)行成本略高于其他時(shí)段，此時(shí)微型燃?xì)廨啓C(jī)、燃料電池、蓄電池和風(fēng)電機(jī)組滿足消耗電量。當(dāng)處于冷熱電平峰和低谷時(shí)段，置信水平低于高峰時(shí)段，同時(shí)運(yùn)行成本也略低，處于低谷時(shí)段，微型燃?xì)廨啓C(jī)、燃料電池和風(fēng)電機(jī)組進(jìn)行發(fā)電。處于平峰時(shí)段，微型燃?xì)廨啓C(jī)、燃料電池、風(fēng)電機(jī)組和向電網(wǎng)購(gòu)電提供電量。

由表2看出：微網(wǎng)系統(tǒng)的約束條件置信水平越高，運(yùn)行成本就越高。置信水平越低，運(yùn)行成本也會(huì)變低。但是，滿足約束的可能性降低，會(huì)導(dǎo)致微網(wǎng)系統(tǒng)運(yùn)行出現(xiàn)風(fēng)險(xiǎn)。在冷熱電聯(lián)供型微網(wǎng)系統(tǒng)中應(yīng)權(quán)衡穩(wěn)定性與成本，從而做出最優(yōu)選擇。

6 結(jié)論

針對(duì)可再生能源和冷熱電負(fù)荷出力不確定性問(wèn)題，建立了基于機(jī)會(huì)約束規(guī)劃的冷熱電聯(lián)供微網(wǎng)優(yōu)化調(diào)度模型。通過(guò)正態(tài)分布模擬可再生能源和冷熱電負(fù)荷的出力。由于冷熱電負(fù)荷在高峰時(shí)受波動(dòng)性影響較大，因此根據(jù)冷熱電峰谷時(shí)段設(shè)立不同的置信水平。在冷熱電負(fù)荷高峰時(shí)，設(shè)立更高的置信水平，減小波動(dòng)型的影響。通過(guò)改進(jìn)的粒子群算法和隨機(jī)模擬技術(shù)對(duì)優(yōu)化模型進(jìn)行求解，結(jié)果分析了機(jī)組24小時(shí)出力圖和不同置信水平下的成本，當(dāng)置信水平越高時(shí)成本也就越高，但安全性增強(qiáng)，可根據(jù)實(shí)際情況，權(quán)衡系統(tǒng)的安全性與經(jīng)濟(jì)性，選擇最優(yōu)策略。

參考文獻(xiàn)：

[1] 姚良忠，朱凌志，周明，等.高比例可再生能源電力系統(tǒng)的協(xié)同優(yōu)化運(yùn)行技術(shù)展望[J].電力系統(tǒng)自動(dòng)化，2017，41（9）：36-43.

[2] 王皓，艾芊，甘霖，等.基于多場(chǎng)景隨機(jī)規(guī)劃和MPC的冷熱電聯(lián)合系統(tǒng)協(xié)同優(yōu)化[J].電力系統(tǒng)自動(dòng)化，2018，42（13）：51-58.

[3] Zhang C，Xu Y，Dong Z Y，et al.Robust coordination of distributed generation and price-based demand response in microgrids[J].IEEE Transactions on Smart Grid，2018，9（5）：4236-4247.

[4] 崔楊，楊志文，嚴(yán)干貴，等.降低火電機(jī)組調(diào)峰成本的光熱電站儲(chǔ)熱容量配置方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2018，38（6）：1605-1611，1896.

[5] Liu G D，Xu Y，Tomsovic K.Bidding strategy for microgrid in day-ahead market based on hybrid stochastic/robust optimization[J].IEEE Transactions on Smart Grid，2016，7（1）：227-237.

【通聯(lián)編輯：梁書(shū)】