考慮風(fēng)光不確定和階梯式需求響應(yīng)的園區(qū)綜合能源系統(tǒng)博弈優(yōu)化運(yùn)行

徐光晨,薛田良,張 磊,趙雅潔

(三峽大學(xué)電氣與新能源學(xué)院,湖北 宜昌 443002)

0 引言

隨著“雙碳”目標(biāo)的提出,緩解能源供需矛盾,完成能源高效利用,實(shí)現(xiàn)系統(tǒng)經(jīng)濟(jì)低碳運(yùn)行已成為迫切需要解決的問題[1-2]。由于園區(qū)綜合能源系統(tǒng)(park-level integrated energy system,PIES)可以將多種能源進(jìn)行耦合并對能源完成梯級利用,同時可以兼顧系統(tǒng)運(yùn)行的安全性和經(jīng)濟(jì)性,因此PIES已成為目前能源領(lǐng)域的的研究焦點(diǎn)[3]。

對于PIES優(yōu)化調(diào)度研究,國內(nèi)外學(xué)者已經(jīng)做了大量研究。文獻(xiàn)[4]通過建立多目標(biāo)優(yōu)化調(diào)度模型來保證PIES運(yùn)行的經(jīng)濟(jì)性和環(huán)保性;文獻(xiàn)[5]考慮了風(fēng)光出力的相關(guān)性,采用概率模型法對PIES調(diào)度運(yùn)行進(jìn)行兩階段優(yōu)化;文獻(xiàn)[6]通過引入需求響應(yīng)策略和多不確定性對PIES內(nèi)資源進(jìn)行合理分配。

但是,上述研究并未對PIES中不同主體間的利益競爭進(jìn)行描述,因此國內(nèi)外學(xué)者受博弈論的啟發(fā),著手對多主體PIES調(diào)度進(jìn)行研究。文獻(xiàn)[7-8]基于PIES主從博弈優(yōu)化調(diào)度模型綜合考慮階梯型碳交易和階梯型需求響應(yīng),并建立了多主體低碳經(jīng)濟(jì)運(yùn)行交互機(jī)制,實(shí)現(xiàn)了系統(tǒng)運(yùn)行的低碳性和經(jīng)濟(jì)性,但沒有考慮新能源出力的不確定性;文獻(xiàn)[9-10]為實(shí)現(xiàn)新能源消納與多能源耦合應(yīng)用提出了考慮風(fēng)光不確定和碳交易的PIES博弈優(yōu)化調(diào)度策略,但沒有引入用能方柔性負(fù)荷概念;文獻(xiàn)[11-12]在博弈框架下考慮了用戶側(cè)柔性負(fù)荷參與需求響應(yīng),但其中對于用戶的需求響應(yīng)補(bǔ)貼為常規(guī)補(bǔ)貼,用戶參與的積極性不高。

因此,為了解決PIES中新能源出力不確定性問題,使調(diào)度結(jié)果更加貼近實(shí)際;同時提高用戶參與需求響應(yīng)的積極性,使得各主體效益得到提高,本文提出了一種考慮風(fēng)光不確定和階梯式需求響應(yīng)的園區(qū)綜合能源系統(tǒng)博弈優(yōu)化運(yùn)行策略。首先,對于源側(cè)風(fēng)光不確定性問題,采用蒙特卡洛法進(jìn)行隨機(jī)場景生成并利用k-means聚類和同步回代法對場景進(jìn)行縮減;其次,在荷側(cè)考慮用戶階梯式需求響應(yīng)基礎(chǔ)上,以園區(qū)運(yùn)營商和用戶聚合商效益最大化為目標(biāo),建立PIES主從博弈優(yōu)化調(diào)度模型;最后,同時利用遺傳算法和CPLEX求解器在MATLAB中進(jìn)行仿真驗(yàn)證。算例結(jié)果表明所提優(yōu)化策略可以有效提高園區(qū)運(yùn)營商和用戶的效益。

1 PIES框架和設(shè)備模型

1.1 PIES框架

本文所研究的PIES框架如圖1所示。上級能源商由電網(wǎng)和氣網(wǎng)組成;園區(qū)運(yùn)營商由風(fēng)電機(jī)組(wind turbine, WT)、光伏機(jī)組(photovoltaic, PV)、燃?xì)廨啓C(jī)(gas turbine, GT)、燃?xì)忮仩t(gas boiler, GB)、余熱鍋爐(waste heat boiler, WHB)、蓄電池(electric storage, ES)、蓄熱罐(heat storage, HS)組成;用戶聚合商側(cè)的負(fù)荷由電負(fù)荷、熱負(fù)荷組成。

圖1 園區(qū)綜合能源系統(tǒng)框架

1.2 燃?xì)廨啓C(jī)建模

燃?xì)廨啓C(jī)是一種能夠?qū)饽苻D(zhuǎn)化為熱能和電能的熱電聯(lián)產(chǎn)設(shè)備,其模型如式(1)—式(3)所示。

(1)

(2)

(3)

1.3 燃?xì)忮仩t建模

燃?xì)忮仩t通過燃燒天然氣產(chǎn)生熱能對余熱鍋爐不能提供充足熱量時進(jìn)行補(bǔ)償,其模型如式(4)、式(5)所示。

(4)

(5)

1.4 儲能裝置建模

園區(qū)運(yùn)營商中儲能裝置包括ES和HS,其能量儲放過程相似,其模型如式(6)。

(6)

1.5 風(fēng)光不確定性建模

風(fēng)力發(fā)電機(jī)和光伏發(fā)電機(jī)的出力模型如式(7)、式(8)所示。

(7)

(8)

為解決風(fēng)光的不確定性問題,研究表明風(fēng)速服從WeiBull分布[13]、光照強(qiáng)度服從Beta分布[14],風(fēng)光概率模型如式(9)、式(10)所示。

(9)

(10)

式中:cs、ks分別為WeiBull分布的比例參數(shù)與形狀參數(shù);αs、βs分別為Beta分布的形狀參數(shù)。

根據(jù)WT和PV參數(shù)的概率分布,首先利用蒙特卡洛抽樣法生成大量場景;然后利用k-means聚類對場景進(jìn)行縮減得到少量WT和PV典型場景,最后利用同步回代法再次進(jìn)行場景縮減,得到ω個場景及其對應(yīng)概率Pω。

2 階梯式需求響應(yīng)模型

本文將用戶側(cè)負(fù)荷分為固定負(fù)荷和柔性負(fù)荷,固定負(fù)荷靈活性較差只能固定接受供能,而柔性負(fù)荷具有良好的靈活性,其中柔性包括可轉(zhuǎn)移負(fù)荷以及可削減負(fù)荷。電、熱負(fù)荷模型統(tǒng)一如式(11)—式(15)所示。

(11)

(12)

(13)

(14)

(15)

對于可削減負(fù)荷,傳統(tǒng)需求響應(yīng)補(bǔ)貼在調(diào)度周期內(nèi)并沒有劃分多個交易區(qū)間,導(dǎo)致用戶參響應(yīng)的積極性不高。為更好地激發(fā)用戶參與需求響應(yīng)的積極性,構(gòu)建了階梯式需求響應(yīng)模型,如式(16)所示。

(16)

式中:FDR為需求響應(yīng)補(bǔ)貼收益;λdr為PLES的需求響應(yīng)補(bǔ)貼價格;Ls,cl為調(diào)度周期內(nèi)負(fù)荷削減總量;α1為需求響應(yīng)價格增長幅度;l1為負(fù)荷削減區(qū)間長度。

3 PIES主從博弈模型

3.1 主從博弈框架

PIES中園區(qū)運(yùn)營商和用戶聚合商的博弈框架如圖2所示。其中園區(qū)運(yùn)營商作為PIES的調(diào)度中心,主要承擔(dān)著滿足用戶用能需求的責(zé)任。同時,園區(qū)運(yùn)營商向用戶傳遞售能價格,并對用戶實(shí)行階梯式需求響應(yīng)補(bǔ)貼策略,使資源得到高效利用。用戶聚合商則根據(jù)運(yùn)營商公布的價格自行調(diào)整自身用能需求并上報(bào)用能計(jì)劃,運(yùn)營商則根據(jù)用戶用能計(jì)劃合理安排設(shè)備出力。由于園區(qū)運(yùn)營商與負(fù)荷聚合商之間存在利益博弈,而園區(qū)運(yùn)營商具有供能方的優(yōu)先決定權(quán),因此,雙方可以建立以園區(qū)運(yùn)營商為領(lǐng)導(dǎo)者,用戶聚合商為跟隨者的主從博弈模型。在博弈中,當(dāng)任何一方都不能通過調(diào)整決策來提高效益時,博弈達(dá)到均衡。

圖2 主從博弈框架

3.2 園區(qū)運(yùn)營商模型

園區(qū)運(yùn)營商作為領(lǐng)導(dǎo)者在與用戶能源交易過程中以園區(qū)運(yùn)營商日運(yùn)行凈收益最大為優(yōu)化目標(biāo),目標(biāo)函數(shù)為售能收益與購能成本、設(shè)備運(yùn)維成本、需求響應(yīng)補(bǔ)貼成本之差,如式(17)—式(21)所示。

(17)

(18)

(19)

(20)

Cdr(j)=FDR(j)

(21)

3.3 用戶聚合商模型

用戶聚合商作為跟隨者以日用能成本最低為優(yōu)化目標(biāo),目標(biāo)函數(shù)為購能成本、不舒適成本與需求響應(yīng)補(bǔ)貼收益之差,如式(22)—式(24)所示。

(22)

Csale(j)=Fsale(j)

(23)

(24)

3.4 約束條件

在PIES優(yōu)化調(diào)度過程中需滿足設(shè)備運(yùn)行約束、功率平衡約束、購能約束以及內(nèi)部價格約束,如式(25)—式(40)所示。

a.設(shè)備運(yùn)行約束

(25)

(26)

(27)

(28)

(29)

(30)

(31)

(32)

(33)

(34)

(35)

b.功率平衡約束

(36)

(37)

c.購能約束

(38)

(39)

d.內(nèi)部價格約束

(40)

3.5 模型求解方法與流程

本文采用遺傳算法初始化、更新上層園區(qū)運(yùn)營商的售能價格,下層問題利用CPLEX求解器進(jìn)行求解,求解流程如下:

a.初始化園區(qū)運(yùn)營商和用戶聚合商的參數(shù),k=0,設(shè)置種群規(guī)模m為30,迭代次數(shù)為100,種群變異率為5%,交叉概率為80%;

b.利用遺傳算法初始隨機(jī)生成m組園區(qū)運(yùn)營商的售電價、售熱價,并將價格參數(shù)傳至用戶聚合商;

c.令k=k+1;

h.若k>100,則迭代結(jié)束。

4 算例分析

4.1 基礎(chǔ)數(shù)據(jù)

本文以北方某一典型園區(qū)為算例,以一天24 h為調(diào)度周期、步長1 h來驗(yàn)證上述的優(yōu)化調(diào)度策略。PIES中采用的分時電價如表1所示,售熱價格上下限分別取0.5元/kWh和0.2元/kWh,各設(shè)備的參數(shù)如表2所示[15]。圖3為考慮風(fēng)光不確定性的場景削減結(jié)果,概率分別為0.245、0.190、0.125、0.125、0.315。階梯式需求響應(yīng)區(qū)間長度為60 kW,需求響應(yīng)補(bǔ)貼價格增長率為0.3,需求響應(yīng)補(bǔ)貼為0.24元/kWh;用戶電、熱不舒適成本系數(shù)分別為0.008、0.016[16]。

表1 分時電價 單位:元/kWh

表2 設(shè)備參數(shù)

圖3 5種風(fēng)光不確定性場景

4.2 場景對比分析

為了驗(yàn)證考慮風(fēng)光不確定和階梯式需求響應(yīng)對PIES主從博弈優(yōu)化調(diào)度中雙主體效益的影響,本文設(shè)置下列3種場景。

場景1:園區(qū)運(yùn)營商側(cè)不考慮風(fēng)光不確定性,用戶聚合商側(cè)需求響應(yīng)為傳統(tǒng)補(bǔ)貼。

場景2:園區(qū)運(yùn)營商側(cè)不考慮風(fēng)光不確定性,用戶聚合商側(cè)為階梯式需求響應(yīng)補(bǔ)貼。

場景3:園區(qū)運(yùn)營商側(cè)考慮考慮風(fēng)光不確定性,用戶聚合商側(cè)為階梯式需求響應(yīng)補(bǔ)貼。

3種場景下PIES中的園區(qū)運(yùn)營商和用戶聚合商效益迭代計(jì)算過程如圖4—圖6所示,對比結(jié)果如表3所示。

根據(jù)圖4—圖6所示,場景1、場景2和場景3下的園區(qū)運(yùn)營商和用戶聚合商效益曲線都在第52次、第38次和第70次迭代時達(dá)到了收斂,這表明均衡解存在。

圖4 場景1效益迭代圖

圖5 場景2效益迭代圖

圖6 場景3效益迭代圖

比較場景2和場景1可以發(fā)現(xiàn),相較于情景1,考慮階梯式需求響應(yīng)后,園區(qū)運(yùn)營商日運(yùn)行凈收益增加814元,用戶跟據(jù)購能價格積極調(diào)整負(fù)荷需求,成功減少1960元日用能成本,其中,雖然需求響應(yīng)成本增加431元,但補(bǔ)貼獲得的收益增加958元。

比較場景3和場景2,可以發(fā)現(xiàn),相較于情景2,考慮風(fēng)光不確定性后,園區(qū)運(yùn)營商日運(yùn)行凈收益增加834元,用戶購能成本減少1054元,用戶需求響應(yīng)成本增加167元但和需求響應(yīng)收益增加527元。

4.3 PIES優(yōu)化調(diào)度結(jié)果分析

本文以場景2為例進(jìn)行分析,圖7、圖8分別為博弈均衡后園區(qū)運(yùn)營商制定的售能價格以及對應(yīng)相關(guān)信息?？梢钥闯?園區(qū)運(yùn)營商制定的價格波動趨勢與其對應(yīng)的用戶用能趨勢一致,目的是在保證系統(tǒng)運(yùn)行經(jīng)濟(jì)性的前提下,兼顧下級用戶的利益。

圖7 電負(fù)荷優(yōu)化結(jié)果

圖8 熱負(fù)荷優(yōu)化結(jié)果

圖9和圖10為博弈均衡后各設(shè)備的調(diào)度結(jié)果。由于GT設(shè)備的熱電聯(lián)產(chǎn)特性以及天然氣的低成本特性,因此其幾乎全天處于滿負(fù)荷運(yùn)行狀態(tài)。對于電負(fù)荷,運(yùn)營商優(yōu)先采用新能源出力滿足用戶負(fù)荷需求。并且在低電價時段,運(yùn)營商選擇儲電并在高電價時放電從中獲得收益。對于熱負(fù)荷,運(yùn)營商用燃?xì)忮仩t和儲熱罐對燃?xì)廨啓C(jī)不能提供充足熱量時進(jìn)行補(bǔ)充。

圖9 電能調(diào)度

圖10 熱能調(diào)度

5 結(jié)論

本文針對園區(qū)綜合能源系統(tǒng),提出了考慮風(fēng)光不確定性和階梯式需求響應(yīng)的PIES主從博弈優(yōu)化調(diào)度策略,通過算例驗(yàn)證,得到如下結(jié)論。

a.與不考慮風(fēng)光不確定性和考慮常規(guī)需求響應(yīng)的供需博弈模型相比,所搭建的考慮風(fēng)光不確定性和階梯式需求響應(yīng)的主從博弈模型可以提高各主體的運(yùn)行效益,驗(yàn)證了所提模型的有效性。

b.遺傳算法與CPLEX求解器結(jié)合在求解多種價格博弈時,能夠有效確定博弈均衡解,且求解結(jié)果具有較好的收斂性。

在后續(xù)研究中,將進(jìn)一步考慮園區(qū)綜合能源系統(tǒng)在多時間尺度上和多園區(qū)合作博弈時對各主體運(yùn)行的影響。