計及不確定性和混合儲能設備的綜合能源系統(tǒng)多目標優(yōu)化調度模型

馬艷霞, 周靜涵, 董曉晶, 王華卿, 張瑋琪, 譚忠富, 3

(1.國網(wǎng)寧夏電力有限公司經(jīng)濟技術研究院,寧夏 銀川 75000； 2.華北電力大學經(jīng)濟與管理學院,北京 102206;3.延安大學經(jīng)濟與管理學院，陜西 延安 716000)

隨著全球能源儲量日漸減少，人民生產生活對能源的需求不斷提高、各國可再生能源滲透比例快速增長，如何有效地利用能源、合理使用可再生能源、實現(xiàn)需求側與供給側供需平衡、減少化石能源燃燒造成的環(huán)境污染、提高能源供給系統(tǒng)穩(wěn)定性，已經(jīng)成為亟需解決的問題[1]。截止2022年2月底，中國風電裝機容量約3.3億kW，同比增長17.5%；太陽能發(fā)電裝機容量約3.2億kW，同比增長22.7%。由于可再生能源發(fā)電存在多重不確定性，且發(fā)電量與用電量在時間和空間上存在較強的不匹配性，可再生能源并網(wǎng)后，受電力系統(tǒng)調節(jié)范圍限制，將導致棄風、棄光現(xiàn)象，2021年全國平均棄風率為3.1%，棄光率為2%[2]。因此，在提高可再生能源占比的同時，應積極探索提高可再生能源消納水平的途徑。

綜合能源系統(tǒng)能夠有效地整合區(qū)域內多種資源，充分挖掘各類能源之間的互補潛力，實現(xiàn)能源子系統(tǒng)之間的協(xié)調規(guī)劃和能源之間的相互轉換，滿足多元化用能需求的同時，有效地提升能源利用效率、緩解環(huán)境壓力，是解決能源問題、促進可再生能源消納的有效途徑[3]。因此，考慮可再生能源發(fā)電不確定性，同時利用天然氣網(wǎng)絡的儲能和輸送能力，與氫儲能系統(tǒng)結合形成混合儲能系統(tǒng)，進行綜合能源系統(tǒng)優(yōu)化調度，對準確預測發(fā)電功率、制定精確的調度計劃、提高系統(tǒng)能源利用效率、提高綜合能源系統(tǒng)穩(wěn)定性及經(jīng)濟性具有重要研究價值。

國內外學者已經(jīng)針對綜合能源系統(tǒng)優(yōu)化調度展開了廣泛的研究，主要是考慮可再生能源出力功率不確定性，通過電源之間的互補性提高系統(tǒng)的調控靈活性[4]。文獻[5-6]在考慮可再生能源發(fā)電不確定性的基礎上，引入儲能裝置以增加系統(tǒng)穩(wěn)定性，并基于成本效益分析提出了包含儲能裝置的綜合能源系統(tǒng)規(guī)模設計方案；文獻[7-8]通過引入P2G技術和調峰補償機制，提高了綜合能源系統(tǒng)對多種能源、多類型負荷的互補、整合作用，但未能考慮儲能設備在綜合能源系統(tǒng)中所起到的供能緩沖、能源聚合和增加系統(tǒng)穩(wěn)定性的多重作用；文獻[9]利用區(qū)間線性規(guī)劃方法對模型進行求解，測算P2G裝置轉換效率、相關組件輸出功率以及運營成本，確定可再生能源發(fā)電單元的不確定性水平，實現(xiàn)系統(tǒng)調度優(yōu)化；文獻[10]基于綜合能源系統(tǒng)的不確定性構建了兩階段優(yōu)化調度模型，利用氫轉天然氣和電轉天然氣裝置提高對可再生能源發(fā)電的可容納程度，降低綜合能源系統(tǒng)與主網(wǎng)之間的交互波動；文獻[11]基于源荷雙側不確定性，提出了魯棒優(yōu)化模型，在滿足用戶負荷需求的基礎上，通過協(xié)調能源服務主體，實現(xiàn)社會福利最優(yōu)化；文獻[12]考慮了電源側可再生能源發(fā)電不確定性和需求側負荷波動性，構建多目標魯棒優(yōu)化模型，縮小負荷峰谷差、增大風電消納率、實現(xiàn)系統(tǒng)燃料成本最小化。

以上研究對如何提高綜合能源系統(tǒng)運行經(jīng)濟性及促進可再生能源消納進行了探討，而較少考慮混合儲能設備在能源轉化過程中的能量損失和可再生能源不確定性對系統(tǒng)多目標優(yōu)化結果的作用。因此，本文設計含氫能—天然氣混合儲能的綜合能源系統(tǒng)，構建考慮不確定性的綜合能源系統(tǒng)多目標優(yōu)化調度模型，利用模糊C均值及綜合質量評估方法將風電不確定性出力進行模糊聚類評價，轉化為確定性典型場景，利用改進的粒子群算法搜尋最佳綜合目標優(yōu)化結果。

1 含氫能—天然氣混合儲能的綜合能源系統(tǒng)結構

電—氣互聯(lián)綜合能源系統(tǒng)主要包括小型燃氣輪機、電轉氣裝置、混合儲能設備、可再生能源發(fā)電單元和負荷。利用P2G儲能裝置將可再生能源發(fā)電高峰過剩的清潔電力轉化為天然氣，在可再生能源出力不足而電網(wǎng)負荷高峰期，利用小型燃氣輪機發(fā)電，減少大電網(wǎng)火電機組調峰壓力。傳統(tǒng)電—氣儲能系統(tǒng)雖然實現(xiàn)了電力網(wǎng)和天然氣網(wǎng)的有效耦合，進行富余電力的大規(guī)模、低成本存儲，但由于只考慮電轉天然氣，直接進行天然氣傳輸，而忽略了可再生能源發(fā)電不確定性對天然氣網(wǎng)絡的沖擊影響，且能量轉換效率僅45%～65%，能量轉換損失較大。而氫能—天然氣混合儲能系統(tǒng)(hydrogen-gas energy storage system, HGESS)以電制氫為中間轉換環(huán)節(jié)，起到富余能量從電網(wǎng)流向天然氣網(wǎng)絡的緩沖作用，同時電制氫環(huán)節(jié)能量轉換率達75%～85%，既實現(xiàn)能源的高效利用，又充分發(fā)揮了氫能制作簡單、安全環(huán)保等特點。

HGESS由電制氫(electrolytic hydrogen unit, EHU)、燃料電池(fuel cell unit, FCU)、氫轉天然氣(hydrogen to gas unit, H2GU)及氫能存儲(hydrogen storage unit, HSU)4個單元構成，包括電轉氫和電轉天然氣4個能量轉換階段。第1階段電轉氫過程，當系統(tǒng)內存在富余電能時，利用電能將水分解為H2和O2，H2將存入氫存儲系統(tǒng)或直接供應；第2階段電轉天然氣是當系統(tǒng)內仍存在未能轉換電能時，H2GU將H2和大氣中捕獲的CO2合成CH4，利用天然氣網(wǎng)絡進行傳輸，直接供應系統(tǒng)內常規(guī)氣負荷。當系統(tǒng)內可再生能源出力不足時，燃料電池和小型燃氣輪機進行放電，將H2或CH4中儲存的化學能轉換為電能。與傳統(tǒng)綜合能源系統(tǒng)相比，HGESS系統(tǒng)通過2個階段能量轉換，在時間與空間上實現(xiàn)了可再生能源高效利用及電網(wǎng)與天然氣網(wǎng)絡耦合。同時，HGESS系統(tǒng)可以有效地應對可再生能源出力隨機性及不確定性，當系統(tǒng)剩余可再生能源較少時，能量流通過第1階段高效型能量閉環(huán)流動圈實現(xiàn)能源高效利用；當系統(tǒng)剩余可再生能源較多時，能量流通過第2階段能量型能量閉環(huán)流動圈實現(xiàn)能源規(guī)模利用。含混合儲能的綜合能源系統(tǒng)結構如圖1所示。

圖1 含混合儲能的綜合能源系統(tǒng)Figure 1 Multi-energy system with hybrid energy storage

2 考慮混合儲能的綜合能源系統(tǒng)優(yōu)化調度模型

2.1 電源出力模型

1)微型燃氣輪機出力模型。

(1)

2)風力發(fā)電出力模型。

綜合能源系統(tǒng)中風力、光伏發(fā)電受自然風速、太陽輻射影響，具有較強的不確定性，本文僅考慮風電機組出力不確定性。

自然風速可以通過Weibull函數(shù)描述：

(2)

式中v為風速；φ為形狀參數(shù)；?為尺度參數(shù)。根據(jù)風速分布函數(shù)，可以計算風力發(fā)電功率為

(3)

式中gwpp,t為風電機組在t時刻的發(fā)電功率；vt為t時刻的自然風速；vin、vout分別為切入、切出風速；vr為額定風速；gr為額定輸出功率。

3)氫儲能設備充放電模型。

(4)

(5)

2.2 目標函數(shù)

本文所提的綜合能源系統(tǒng)多目標優(yōu)化調度模型涉及系統(tǒng)運行成本和環(huán)境成本2個部分。系統(tǒng)運行成本包括燃氣機組的燃氣費用、向主網(wǎng)購售電費用以及混合儲能系統(tǒng)在充放電、合成CH4的過程中損耗和注入天然氣網(wǎng)絡的氣收益；環(huán)境成本則包括向外部主網(wǎng)購電，化石燃料燃燒造成的大氣污染治理成本、燃氣機組運行產生的碳排放成本和儲能系統(tǒng)合成CH4時消耗CO2所帶來的環(huán)境效益。

2.2.1 系統(tǒng)運行成本

minf1=fpower+fHGESS

(6)

式中f1為綜合能源系統(tǒng)運行成本；fpower為綜合能源系統(tǒng)發(fā)電單元運行成本；fHGESS為綜合能源系統(tǒng)混合儲能單元運行成本。

1)發(fā)電單元運行成本。綜合能源系統(tǒng)發(fā)電單元包括微型燃氣輪機和風電機組發(fā)電，其運行成本包括燃氣機組的燃氣成本及綜合能源系統(tǒng)供電能力不足時向大電網(wǎng)端的購售電成本，即

(7)

(8)

式中T為調度周期數(shù)；Cgas為天然氣購買價格；NMT為微型燃氣機組個數(shù)；Δt為運行時長。

由于可再生能源機組出力存在不確定性，綜合能源系統(tǒng)需要與大電網(wǎng)端進行能量交互來維持系統(tǒng)內供需平衡，因此，與大電網(wǎng)端進行能量交互的成本收益為

(9)

2)混合儲能系統(tǒng)運行成本。混合儲能系統(tǒng)運行成本主要考慮電—氣能量轉換時系統(tǒng)的能量損失成本以及儲能系統(tǒng)向天然氣網(wǎng)絡注入天然氣的收益。

(10)

(11)

(12)

2.2.2 環(huán)境成本

綜合能源系統(tǒng)環(huán)境成本計算為

minf2=

(13)

2.3 約束條件

2.3.1 電力網(wǎng)絡約束

1)電力功率平衡約束。

(14)

2)節(jié)點電壓約束。

Ui,min≤Ui,t≤Ui,max

(15)

式中Ui,t為節(jié)點i在t時刻的電壓；Ui,max、Ui,min分別為節(jié)點i的電壓上、下限。

3)線路功率約束。

Pl,min≤Pl≤Pl,max

(16)

式中Pl為線路l流過的功率；Pl,max、Pl,min分別為線路l允許經(jīng)過的功率上、下限。

4)微型燃氣輪機出力約束。

(17)

5)微型燃氣輪機爬坡約束。

(18)

(19)

式中RU,i、RD,i分別為第i個燃氣機組爬坡、滑坡上限。

2.3.2 耦合單元約束

P2G和燃氣輪機實現(xiàn)了電網(wǎng)與天然氣網(wǎng)絡之間的能量互通，二者的耦合模型構建如下。

1)P2G耦合單元約束。混合儲能系統(tǒng)將P2G劃分為電解制氫以及氫轉天然氣2個環(huán)節(jié)，氫儲能系統(tǒng)輸出功率與天然氣網(wǎng)絡注入功率耦合關系為

(20)

2)微型燃氣輪機耦合單元約束。微型燃氣輪機在綜合能源系統(tǒng)中既為電源，也是消耗天然氣的氣負荷單元，燃氣機組發(fā)電量與天然氣消耗量關系為

(21)

3 綜合能源系統(tǒng)多目標優(yōu)化調度模型不確定性描述

在可再生能源裝機成本下降以及相關政策驅動影響下，可再生能源接入比例持續(xù)提高。本文構建的綜合能源系統(tǒng)具有較強的多能耦合以及混合儲能靈活性，在充分考慮可再生能源發(fā)電不確定性的條件下，可以通過挖掘綜合能源系統(tǒng)靈活性，利用各單元耦合協(xié)調，補償所接入可再生能源出力單元所帶來的不確定性，減少不確定性風險對綜合能源系統(tǒng)調度運行造成的成本增量，實現(xiàn)供能實時平衡。

基于本文第1章所構建的綜合能源系統(tǒng)優(yōu)化調度模型，為了提高綜合能源系統(tǒng)運行調度的可靠性及經(jīng)濟性，對風電機組出力不確定性進行描述，并利用多目標CVaR方法描述風電出力不確定性對綜合能源系統(tǒng)運行成本和環(huán)境成本造成的風險損失，構建混合儲能綜合能源系統(tǒng)多目標優(yōu)化調度模型。

3.1 風電機組出力不確定性描述

在綜合能源系統(tǒng)各單元出力調度過程中，需要根據(jù)風電機組歷史出力數(shù)據(jù)提前預測機組未來出力水平，而風力發(fā)電受風速影響存在較強的不確定性，為規(guī)避其不確定性造成的綜合能源系統(tǒng)調度運行風險，應用多目標CVaR方法對其風險進行描述，考慮風電機組出力不確定性后的電力網(wǎng)絡約束為

(22)

(23)

風電機組的不確定性會影響綜合能源系統(tǒng)的調度方案，當風電機組出力預測值高于實際值時，為滿足園區(qū)內部負荷需求，將增大燃氣輪機機組出力以及儲能設備能源轉換水平，增加系統(tǒng)運行成本；在預測偏差較大時，受其他出力單元功率約束，將增加園區(qū)系統(tǒng)向主網(wǎng)的購電成本；當風電機組出力預測值低于實際值時，則可能增加園區(qū)內部可再生能源棄能量，導致系統(tǒng)環(huán)境成本增加。因此，為降低風電機組出力不確定性給系統(tǒng)穩(wěn)定運行帶來的風險，需要借助風險分析方法描述不確定性因素對目標函數(shù)的影響程度。

3.2 多目標CVaR方法

當系統(tǒng)內存在多個損失函數(shù)時，可采用多目標CVaR方法，描述確定置信水平下的風險狀況。設存在與決策變量x∈X?Rn相關的n個損失函數(shù)fk(x,ζ)∈Rn·Rm→Rk(k=1,2,…,K)，其均為連續(xù)函數(shù)，ζ為連續(xù)型隨機變量，表示可能會影響損失函數(shù)的不確定性因素，概率密度函數(shù)為p(z)，fk(x,ζ)的分布函數(shù)為

ψk(x,yk)=

(24)

定義損失函數(shù)權重為λi(i=1,2,…，n)，則決策變量x在置信水平α下，基于權重λ的α-CVaR損失值可表示為

y*(x,λ)=

(25)

引入損失函數(shù)為

φk,ak(x,yk)=

(26)

則決策變量x在置信水平α下基于權重λ的α-CVaR損失值為

(27)

式中αi為第i個損失函數(shù)的置信水平。

定義優(yōu)化函數(shù)以尋求可行域下α-CVaR損失值最小，即

(28)

3.3 綜合能源系統(tǒng)多目標CVaR優(yōu)化調度模型

3.3.1 考慮風電機組不確定性的目標函數(shù)構建

在考慮不確定性時，風電機組出力偏差造成的損失將由綜合能源系統(tǒng)中的微型燃氣機組及儲能設備承擔。因此，引入風電出力預測偏差概率，構建考慮風險的系統(tǒng)優(yōu)化調度目標函數(shù)。

1)發(fā)電單元運行成本。

(29)

(30)

(31)

2)混合儲能系統(tǒng)運行成本。

(32)

3)系統(tǒng)運行成本。

minf1=fpower+fHGESS

(33)

4)環(huán)境成本。

minf2=

(34)

式中φH2G為P2G裝置承擔的功率調整系數(shù)。

3.3.2 考慮不確定性的約束條件構建

在考慮不確定性因素時，需要對傳統(tǒng)約束條件進行不確定性轉化，其中，電力功率平衡約束如式(26)、(27)所示。

1)微型燃氣輪機出力約束。

(35)

2)微型燃氣輪機爬坡約束。

(36)

(37)

式中RU、RD分別為微型燃氣輪機爬坡、滑坡上下限。

3)P2G耦合單元約束。

(38)

4)微型燃氣輪機耦合單元約束。

(39)

3.3.3 多目標CVaR優(yōu)化調度模型構建

利用多目標CVaR方法，以考慮不確定性因素目標函數(shù)的α-CVaR值最小為目標，構建損失函數(shù)，即

Fi,αi(T,yi)=yi+(1-αi)-1·

(40)

(41)

s.t.y∈R，x∈X

(42)

式(40～(42)中T為綜合能源系統(tǒng)各出力單元集合；αi為第i個目標函數(shù)的置信水平；yi為第i個目標函數(shù)的α-CVaR值。式(41)等價于對于任意x，如果存在y是式(40)的唯一最優(yōu)解，滿足條件：

(43)

則以下結論成立：

(44)

y=y*(x,λ)

(45)

此時，對于任意給定權值λ，若(x,y)能夠使模型式(41)達到最優(yōu)的同時，式(6)成立，則x能夠使模型(27)達到最優(yōu)。

綜上，構建考慮不確定性的綜合能源系統(tǒng)調度方案α-CVaR值最小的優(yōu)化模型為

(46)

3.3.4 綜合優(yōu)化目標函數(shù)

由于系統(tǒng)運行成本損失值最小與環(huán)境成本損失值最小存在相互對立關系，因此首先采用模糊集理論將目標函數(shù)轉化為隸屬度函數(shù)，再采用加權綜合指標法將多目標函數(shù)轉化為單目標函數(shù)。

優(yōu)化第i個目標函數(shù)的隸屬度函數(shù)為

(47)

因此，綜合目標函數(shù)為

minF=ω1F1+ω2F2

(48)

式中ω1、ω2分別為系統(tǒng)運行成本、環(huán)境成本權重系數(shù)，且ω1+ω2=1。

4 求解算法

針對考慮不確定性的綜合能源系統(tǒng)多目標優(yōu)化調度模型，本文運用模糊C均值及綜合質量評估方法(FCM-CCQ)與改進的粒子群算法相結合進行求解。在單目標優(yōu)化階段，利用模糊C均值及綜合質量評估方法將不確定性問題轉化為確定性問題，通過選取多組風電機組出力歷史數(shù)據(jù)進行聚類分析，將歷史出力數(shù)據(jù)聚類為幾個典型場景數(shù)目，在不同典型場景中尋求單目標函數(shù)最優(yōu)解。在多目標優(yōu)化調度模型求解階段，基于單目標函數(shù)最優(yōu)解結果，初始化粒子適應度，利用改進的粒子群算法(improved particle swarm optimization，IPSO)同時兼顧系統(tǒng)運行成本及環(huán)境成本，在多維解空間中構造所謂的“粒子群”，粒子群中每個粒子通過跟蹤自己和群體發(fā)現(xiàn)最優(yōu)值，不斷修正自己的前進方向和速度，從而找尋最優(yōu)解。算法求解流程如圖2所示。

圖2 多目標調度優(yōu)化模型求解流程Figure 2 Process chart of the multi-objective scheduling optimization model

更新后粒子的速度和位移、權重表示方法為

vi(t+1)=ωvi(t)+

a1R1[Xi-xi(t)]+a2R2[Xg-xi(t)]

(49)

xi(t+1)=xi(t)+vi(t+1)

(50)

ω=μ+θN(0,1)

(51)

μ=μmin+(μmax-μmin)rand(0,1)

(52)

式(49)～(52)中ω為慣性權重因子；θ、μ分別為隨即權重方差和均值；μmax、μmin分別為隨機權重的均值最大、最小值；a1、a2為學習因子；R1、R2為[0,1]之間的隨機數(shù)；xi(t)、vi(t)分別為第i個粒子在t時刻的位置和速度；Xi為第i個粒子目前搜索到的最優(yōu)位置；Xg為所有粒子搜索到的最優(yōu)位置；N(0,1)為標準正態(tài)分布隨機數(shù)；rand(0,1)為0～1之間的隨機數(shù)。

5 算例分析

5.1 基礎數(shù)據(jù)

為驗證模型的有效性，本文選取北方某工業(yè)園區(qū)為背景進行算例分析。天然氣網(wǎng)絡運行約束和儲氣罐的具體參數(shù)見文獻[14-15]。結合該省實際價格并參照國內外成熟供能市場綜合折算[16-17]，園區(qū)內部及外部供能價格如表1所示，園區(qū)系統(tǒng)主要設備參數(shù)如表2所示[18]。

表1 電/氣分時價格Table 1 Time-of-use price of electricity and gas

表2 園區(qū)綜合能源系統(tǒng)設備主要參數(shù)Table 2 Parameters of devices in the park multi-energy systems

系統(tǒng)內部風電機組裝機容量為30 MW、微型燃氣輪機機組裝機容量為6 MW、儲能裝機容量為5 MW。多目標粒子群算法中，粒子種群數(shù)目為200，混沌搜索代數(shù)為100，算法最高迭代次數(shù)為400；微型燃氣輪機發(fā)電模型中，天然氣高熱值為10.8 (kW·h)/m3[13]。參考文獻[18]，設置主網(wǎng)單位發(fā)電量的CO2排放系數(shù)為1.19 kg/(kW·h)，微型燃氣輪機CO2排放系數(shù)為0.68 kg/(kW·h)，H2G裝置單位CO2捕獲系數(shù)為2.2 kg/(kW·h)，單位發(fā)電量單位CO2處置費用為1 203元/t；風電發(fā)電不確定模型中，切入、切出以及額定風速分別為3、26、15 m/s，基于自然條件，結合發(fā)電模型，本文取1 h為時間步長，對園區(qū)一天24 h進行優(yōu)化調度，根據(jù)風電機組歷史出力數(shù)據(jù)和預測數(shù)值，通過設置置信度水平，確定出最佳聚類場景結果為10組典型風電出力場景，如圖3所示。預測園區(qū)典型日電負荷、天然氣負荷、氫負荷需求量如圖4所示。

圖3 典型日風電機組供電量Figure 3 Wind turbine power supply of a typical day

圖4 典型日園區(qū)用戶電—氣—氫負荷需求Figure 4 Electricity-gas-hydrogen load demand of a park user in a typical day

在綜合能源系統(tǒng)實際運行過程中，需要同時考慮系統(tǒng)運行成本和環(huán)境成本，通過調整單個優(yōu)化目標權重來求解綜合目標最優(yōu)解，為量化分析系統(tǒng)內部風電機組出力不確定性對系統(tǒng)成本的影響，通過設置不同置信度水平反映系統(tǒng)對風險的規(guī)避程度。本文基于不同置信度水平設置目標函數(shù)權重，選取6種典型情況進行對比，如表3所示。

表3 情景設定Table 3 Scenario setting

隨著環(huán)境成本權重系數(shù)的增加，系統(tǒng)內部機組將承擔更多的由于風電出力不確定性造成的功率調整，基于目標函數(shù)的權重設定，參考文獻[18]，設置系統(tǒng)各單元所承擔的由于風電出力不確定性造成的功率調整系數(shù)，如表4所示。

表4 功率調整系數(shù)設置Table 4 Setting of power adjustment coefficient

5.2 結果分析

為更好分析風力發(fā)電不確定性對綜合能源系統(tǒng)運行成本、環(huán)境成本2個目標造成的影響以及在考慮目標函權重時混合儲能系統(tǒng)對綜合能源系統(tǒng)協(xié)調優(yōu)化運行的影響，本節(jié)通過設置不考慮不確定性的單目標優(yōu)化和考慮不確定性的綜合目標優(yōu)化情景進行對比分析。

5.2.1 不考慮不確定性的單目標優(yōu)化結果

1)運行成本最小的單目標優(yōu)化結果分析。在不考慮風電出力不確定性的條件下，以系統(tǒng)運行成本最小為目標，各單元出力情況如圖5所示。

圖5 運行成本最小優(yōu)化結果Figure 5 Optimization results with minimum operating cost

在23：00—05：00時段，風電機組處于出力高峰期，在滿足系統(tǒng)電負荷的基礎上，混合儲能系統(tǒng)通過電制氫過程，滿足系統(tǒng)氫負荷需求，并通過氫轉天然氣進一步消納系統(tǒng)風電，在滿足系統(tǒng)氣負荷的基礎上，以天然氣的形式進行能量存儲。同時，由于儲能系統(tǒng)運行成本較高，為實現(xiàn)運行成本最小，儲能系統(tǒng)將無法發(fā)揮最大效用，系統(tǒng)內仍存在大量棄風電量。

在05：00—07：00時段，風電機組出力減小，系統(tǒng)負荷增多，此時外部電價處于谷時段，微型燃氣輪機單位運行成本和儲能發(fā)電成本均高于外購電成本，由于僅考慮系統(tǒng)運行成本，所以剩余負荷均由外網(wǎng)購入。

在07：00—18：00時段，風電機組出力難以滿足系統(tǒng)負荷需求，外部電價處于峰、平時段，系統(tǒng)將優(yōu)先采取微型燃氣輪機發(fā)電，剩余電力由外網(wǎng)購入。受峰時段外部高電價影響，為減少購電成本，系統(tǒng)將進一步啟動燃料電池裝置進行放電。

在18：00—23：00時段，外購電價處于平時段，微型燃氣輪機受爬坡等功率限制，出力減小，剩余電量主要通過外部購電補足。

2)環(huán)境成本最小的單目標優(yōu)化結果分析。以環(huán)境成本最小為目標，各單元出力如圖6所示，棄風電量始終為零。在22：00—05：00時段，存在大量未消納風電，為提高系統(tǒng)環(huán)境效益，混合儲能系統(tǒng)將通過電轉氫和氫轉天然氣兩階段進行高效率的能量轉換。在05：00—23：00時段，由于風電出力難以滿足系統(tǒng)負荷需求，系統(tǒng)優(yōu)先采用燃料電池發(fā)電，不足部分由微型燃氣輪機和外網(wǎng)補足。由于微型燃氣輪機的環(huán)境成本低于外購電，系統(tǒng)將不受外部分時電價影響，優(yōu)先采用微型燃氣輪機發(fā)電，系統(tǒng)負荷量缺額由外購電量補足。

圖6 環(huán)境成本最小優(yōu)化結果Figure 6 Optimization results of minimum environmental cost

3)單目標優(yōu)化結果對比分析。以運行成本最小為目標時，系統(tǒng)受外購分時電價影響，外購電的優(yōu)先級高于微型燃氣輪機發(fā)電；以環(huán)境成本最小為目標時，由于微型燃氣輪機發(fā)電的單位碳排放量低于外部發(fā)電，系統(tǒng)將優(yōu)先采用微型燃氣輪機發(fā)電，因此，以環(huán)境成本最小為優(yōu)化目標的系統(tǒng)氣負荷量將高于以運行成本最小為優(yōu)化目標的氣負荷量，以環(huán)境成本最小為目標的系統(tǒng)日氣負荷量為177 119.0 m3，以運行成本最小為目標的系統(tǒng)日氣負荷量為166 854.4 m3，各時段氣負荷需求如圖7所示。在風電出力高峰期，系統(tǒng)氣負荷主要來源于用戶的用氣需求，微型燃氣輪機處于待機狀態(tài)，2條單目標優(yōu)化曲線基本重合；在05：00以后，受微型燃氣輪機出力影響，2條氣負荷曲線出現(xiàn)波動，但由于微型燃氣輪機裝機容量限制，兩者沒有顯著差異。

圖7 系統(tǒng)天然氣凈負荷單目標優(yōu)化結果Figure 7 Single-target optimization for the system natural gas net load

單目標成本優(yōu)化結果對比如表5所示，當以運行成本最小為優(yōu)化目標時，系統(tǒng)棄風量為36.64 MW·h，一方面，系統(tǒng)采用成本更低的外購低谷電，減少微型燃氣輪機的發(fā)電成本；另一方面，由電轉天然氣合成的CH4減少了天然氣購買成本，系統(tǒng)總運行成本顯著降低。當以環(huán)境成本最小為優(yōu)化目標時，系統(tǒng)出力優(yōu)先級為風電機組最高，然后依次為儲能系統(tǒng)、微型燃氣輪機、外網(wǎng)購電，系統(tǒng)風電均被消納，因此，系統(tǒng)運行成本增加至12.847 8萬元，而環(huán)境成本減小至8.537 0萬元。

表5 單目標優(yōu)化結果對比Table 5 Comparison of single-target optimization results

由于進行單目標優(yōu)化時未考慮風電機組不確定性，系統(tǒng)內部機組出力較為穩(wěn)定，優(yōu)化目標不同時對運行成本的影響僅是各機組之間的出力調控。其中，運行成本及環(huán)境成本主要組成成分如表6所示。

由表6可知，當環(huán)境成本最小時，在風電出力高峰期，系統(tǒng)將通過儲能系統(tǒng)利用風電進行能源的多類型轉化，從而達到風電完全消納的目的；在風力發(fā)電低谷期，系統(tǒng)將充分調動微型燃氣輪機機組和混合儲能設備，以滿足內部負荷需求。因此，相較于以運行成本最小為優(yōu)化目標的情景，以環(huán)境成本最小為優(yōu)化目標時，系統(tǒng)內部燃氣輪機機組及混合儲能運行成本顯著增加，外部購電成本由60 097.92元減少至39 235.82元，且微型燃氣輪機機組的CO2產出成本由72 494.70元增加至93 583.78元，外部購電CO2產出成本由93 452.89元減少至58 279.21元。

表6 單目標優(yōu)化成本主要組成部分Table 6 Main components of single-objective optimization cost

5.2.2 考慮不確定性的綜合目標優(yōu)化結果

根據(jù)優(yōu)化調度模型，選取圖3中風電出力6種典型情景進行優(yōu)化，隨著置信度水平的增加，同一權重水平下綜合目標函數(shù)值趨向更優(yōu)。在同一置信水平下，環(huán)境成本權重的增加將導致綜合目標函數(shù)值增加，結果如表7所示。

表7 多情景優(yōu)化調度結果Table 7 Multi-scenario optimal scheduling results

由于綜合目標優(yōu)化中考慮系統(tǒng)中風電出力不確定性，因此優(yōu)化結果相比于未考慮系統(tǒng)不確定性的單目標優(yōu)化結果，系統(tǒng)運行成本、環(huán)境成本在不同置信度水平下均有不同程度的增加，較明顯地反映了系統(tǒng)不確定性對系統(tǒng)運行經(jīng)濟效益、環(huán)境效益的影響。同時，隨著置信度水平的提高，系統(tǒng)決策者對風險的接納程度增加，系統(tǒng)不確定性增加，風電出力波動性增強，受系統(tǒng)成本目標的限制，系統(tǒng)內部棄風電量增加。

1)同一置信水平優(yōu)化結果分析。對比同一置信度水平下不同目標函數(shù)權重優(yōu)化結果，如圖8～10所示。以情景5、6為主要對象進行分析，當環(huán)境成本權重增加時，系統(tǒng)棄風電量由16.42 MW減少至11.72 MW，微型燃氣輪機出力由65.20 MW增加至75.90 MW，外購電量由81.95 MW減少至56.32 MW。優(yōu)化結果中運行成本由138 145.88元增加至144 121.96元，環(huán)境成本由96 308.34元減少至94 995.77元，同時系統(tǒng)綜合目標函數(shù)值由0.694 3增加至0.740 0。

圖8 置信度85%下不同目標函數(shù)權重優(yōu)化結果Figure 8 Optimization results of different objective function weights at the 85% confidence level

圖9 置信度90%下不同目標函數(shù)權重優(yōu)化結果Figure 9 Optimization results of different objective function weights at the 90% confidence level

圖10 置信度95%下不同目標函數(shù)權重優(yōu)化結果Figure 10 Optimization results of different objective function weights at the 95% confidence level

當環(huán)境成本函數(shù)權重增加時，在風電出力低谷期，系統(tǒng)將增加微型燃氣輪機機組和混合儲能系統(tǒng)出力，減少外部購電量，因此系統(tǒng)內部出力增加將導致運行成本增加；在風電出力高峰期，系統(tǒng)在滿足基礎電負荷需求的基礎上，將增加混合儲能系統(tǒng)出力，混合儲能運行成本增加，混合儲能設備第1階段以電轉氫為主進行能量轉化，可滿足系統(tǒng)氫負荷需求，第2階段以電轉天然氣為主，在滿足系統(tǒng)氣負荷需求的基礎上，能通過從外部捕獲CO2，實現(xiàn)CO2負排放，混合儲能系統(tǒng)能量階梯利用的環(huán)境效益得以發(fā)揮。同時，隨著環(huán)境成本函數(shù)權重增加，系統(tǒng)棄風電量減少，能源利用效率提高。因此，考慮系統(tǒng)不確定性的綜合目標成本函數(shù)較好地協(xié)調了運行成本與環(huán)境成本之間的平衡關系，同時量化了系統(tǒng)不確定性帶來的經(jīng)濟損失，比不考慮不確定性的單目標模型更具有實際應用意義。

2)同一權重系數(shù)優(yōu)化結果分析。對比同一權重系數(shù)下不同置信度水平系統(tǒng)優(yōu)化結果，以情景2、4、6為例，隨著置信度水平的提高，系統(tǒng)將增大儲能出力以提供備用服務，情景2儲能充放電為36.06 MW，綜合目標函數(shù)值為0.933 5；情景4儲能充放電總值為41.33 MW，綜合目標函數(shù)值為0.852 0；情景6儲能充放電總值為52.77 MW，綜合目標函數(shù)值為0.740 0。

因此，兩階段混合儲能能夠有效地提高園區(qū)系統(tǒng)調度的靈活性，減少風電不確定性對園區(qū)各單元出力的影響，使系統(tǒng)優(yōu)化結果趨向更優(yōu)。一方面，由于儲能系統(tǒng)具有較高的運行成本，需要合理確定系統(tǒng)運行成本和環(huán)境成本權重水平，發(fā)揮儲能系統(tǒng)的環(huán)保價值，尋求系統(tǒng)綜合效益最優(yōu)；另一方面，置信水平的增加使得系統(tǒng)優(yōu)化調度結果趨向更優(yōu)，說明在含不確定性電源出力的綜合能源系統(tǒng)優(yōu)化調度中，想要獲得較優(yōu)的優(yōu)化方案，則需要承擔較高的風險。因此，系統(tǒng)決策者需要明確風險厭惡水平，通過設置可接受的置信度水平，求解可接受風險范圍內的優(yōu)化調度方案。

6 結語

為了提高綜合能源系統(tǒng)能源利用效率，分析風電機組出力不確定性為系統(tǒng)調度帶來的風險，本文構建了綜合能源系統(tǒng)運行成本最小和環(huán)境成本最小的多目標優(yōu)化調度模型，并利用系統(tǒng)的天然氣網(wǎng)絡，結合P2G裝置，實現(xiàn)棄風電量的多級利用。研究結果如下。

1)氫能—天然氣混合儲能系統(tǒng)以電為基礎，通過第1階段電—氫轉化和第2階段電—氣轉化，有效地實現(xiàn)了系統(tǒng)內部能源轉化，滿足系統(tǒng)多類型能源需求。隨著環(huán)境成本權重系數(shù)的增加，混合儲能系統(tǒng)通過增大電氣轉化量，能有效增加系統(tǒng)可再生能源消納能力，降低棄風電量，具有較高的環(huán)保價值。

2)系統(tǒng)運行成本最小優(yōu)化目標與環(huán)境成本最小優(yōu)化目標存在對立性，當以運行成本最小為優(yōu)化目標時，由于混合儲能系統(tǒng)的運行成本較高，混合儲能系統(tǒng)工作效率受成本的限制，無法有效消納可再生能源，造成系統(tǒng)存在棄風電量；當以環(huán)境成本最小為優(yōu)化目標時，將更好地發(fā)揮系統(tǒng)中混合儲能系統(tǒng)的作用，通過能源轉化實現(xiàn)系統(tǒng)棄風電量完全消納；在多目標優(yōu)化中，混合儲能系統(tǒng)的運行雖然增加了系統(tǒng)運行成本，但實現(xiàn)了能源多級利用，減少能量損失和棄風電量，進而使得綜合優(yōu)化效果更佳。

3)多目標CVaR優(yōu)化調度模型可以有效地反映風電機組不確定性出力為系統(tǒng)調度帶來的風險水平，利用模糊C均值及綜合質量評估方法與改進的粒子群算法可以簡化模型的復雜程度，將不確定性問題轉化為確定性問題。通過設置不同置信度水平，可以得到系統(tǒng)決策者不同風險態(tài)度下的優(yōu)化調度方案。風險承受能力越強，系統(tǒng)綜合成本越小，調度損失、污染排放越低，優(yōu)化調度結果越優(yōu)。因此，本文所構建的綜合能源系統(tǒng)多目標CVaR優(yōu)化調度模型兼具經(jīng)濟與環(huán)境效益。