李国堂，宋福浩，陈杰，刁利，王永利，郭远征，刘桢梁

(1.国核电力规划设计研究院有限公司,北京市 100095;2.华北电力大学经济与管理学院,北京市 102206)

0 引言

随着碳中和目标的提出,构建清洁低碳,安全高效的能源体系日益迫切,发改能源规〔2021〕280 号文提出源网荷储一体化和多能互补发展是提升可再生能源开发消纳水平和非化石能源消费比重的必然选择。 综合能源系统具有纵向源网荷储协调,横向多能互补的优势,是实现我国能源革命及“3060”双碳目标的重要载体[1-2]。

合理的规划及科学的调度策略是综合能源系统降本增效的必要条件。 关于综合能源系统运行优化模型的研究,其中,需求响应手段可充分利用用户特征,通过“源-荷”互动的方式实现降本增效的目的。 文献[3]综合考虑了电-热需求响应,构建以运行成本最低、能效最高的双目标优化模型。 文献[4]在考虑综合需求响应的基础上,构建综合能源系统运营商与用户、上级能源网的交互框架,引入势函数构建了以各主体利益最大化为目标的综合能源系统运行优化模型。 文献[5]利用Charnes-Coope 处理综合能效目标,实现综合能源系统供需双侧协调优化。 在碳交易市场背景下,综合能源系统可通过优化手段降低碳排放量以及碳排放成本,文献[6-8]考虑碳交易机制,优化能源供给侧设备出力及负荷侧需求响应策略,平抑负荷波动,提升可再生能源的消纳率,并控制碳排放总量。

由于综合能源系统的建设成本较大,相比于综合能源系统运行阶段的优化,科学的规划结果能够节约更多的成本。 为解决源-荷双侧不确定性导致的规划准确性下降的问题,文献[9]研究了可再生资源不确定性处理办法,构建了综合能源系统的双目标规划模型;文献[10]基于能源集线器(energy-hub,EH)模型,结合k-means 算法得到典型日负荷曲线,以上下界区间的方式描述负荷不确定性。 在综合能源系统规划方法的研究上,文献[11]构建了三层规划调度模型,包括预测层、规划层和调度层;文献[12]考虑虚拟储能特性构建了区域综合能源系统储能规划模型。 碳交易也逐渐引入综合能源系统规划优化的研究中,文献[13]考虑综合能源系统的低碳性以及建设时序,提出了一种基于阶梯碳交易机制的园区综合能源系统多阶段规划方法;文献[14]建立了一种考虑碳排放惩罚因子的规划模型,并针对碳排放因子进行敏感性分析。

现有文献对综合能源系统的规划模型研究集中在场景特定[15]、设备型号特定的情况下对设备装机容量优化。 因此,针对综合能源系统建设时遇到的能源结构选择、设备型号选择、装机容量优化问题进行建模。 首先,分析实例推理技术的基本流程,提出基于最近邻法(K-nearest-neighbors,KNN)实例推理技术的能源结构优化模型;然后,构建“外层选型,内层定容”的双层优化框架,考虑选型约束条件及容量优化约束条件,利用蚁群-遗传算法相结合的智能求解方式对模型求解;最后,通过算例分析验证模型在解决综合能源系统规划问题上的有效性。

1 协同优化框架

综合能源系统能够极大程度上利用能源耦合互补机理,降低能源消耗成本、提升综合能效、降低碳排放[16]。

综合能源系统园区建设的地理位置、用户类型的差异性等特征导致了能源结构的多样性。 同时,同种类型设备在型号、价格、性能等方面均有不同,这进一步提高了综合能源系统规划的复杂程度。 基于此,本文提出集“能源结构优化-设备选型优化-设备容量优化”为一体的协同规划优化模型,如图1 所示。

图1 协同优化框架示意Fig.1 Illustration of the collaborative optimization framework

2 基于KNN 实例推理技术的能源结构优化模型

实例推理技术(case-based reasoning,CBR)[16-18]是利用已有的经验解决新问题的一种方法,具有动态知识库和增量学习的特点。 本文采用KNN 实例推理技术对综合能源系统规划的能源结构进行优化选择,模型流程如图2 所示。 典型特征因子库见表1。

表1 特征因子Table 1 Characteristic factor

图2 KNN 实例推理技术Fig.2 Case-based reasoning technology based on KNN

设S为实例库中场景集合:

式中:Sk为第k个实例库场景;skm为第k个实例库场景中第m个供能机组类型。

设E为特征因子集合:

式中:Ek为第k个实例库场景的特征因子集合;ekn为第k个实例库场景中第n个特征因子。

拟规划园区与实例库场景之间的全局相似性计算公式为:

式中:σSIM(S0,Si)为S0与Si之间的全局相似度;S0为目标场景;σSIMj(S0,Si)为S0与Si之间特征因子j的局部相似度;λj为特征因子j的权重;ηi为S0与Si的结构相似度。σSIM(S0,Si)越接近1,代表S0和Si的全局相似度越大。

1)标准化处理。

式中:fij为标准化后的特征因子值。

2)局部相似度计算。

步骤1:数值类型的特征因子通过距离计算法确定局部相似度。

式中:max (fij - f0j)2为S0和Si的特征因子j之间的最大差值。

步骤2:符号数据局部相似度计算方法如下:

3)结构相似度。

步骤1:设S0非空特征因子为集合A,Si非空特征因子为集合B。

步骤2:计算I=A∩B和U=A∪B。

步骤3:计算I中所有特征因子权重总和,记为w1;计算U中所有特征因子的权重总和,记为w2。

步骤4:得到ηi=w1/w2。

4)能源规划结构选择。

为了提高能源结构选择效率,以相似度阈值δ为判断标准,δ越大,则代表选择场景与目标场景相似度越高。δ计算方法为:

当σSIM(S0,Si) ＞δ,将Si作为可行规划解。

3 “外层选型,内层定容”双层优化模型

1)外层选型优化。

利用算法编码的方式将设备型号库信息传递至内层定容模型中。

式中:M为设备类型编码矩阵;M1为优化后能源结构第一种设备类型;L为设备类型的个数;mL m为第L种设备的第m个型号。

2)内层定容优化。

内层定容优化以资源容量约束、能源供需平衡约束为约束条件,求解设备最优装机容量。 “外层选型,内层定容”双层优化框架如图3 所示。

图3 “外层选型,内层定容”优化框架Fig.3 Optimization framework of "outer layer selection, inner layer constant volume"

内外两层均以全寿命周期总成本最低为优化目标,内层容量优化模型利用算法每迭代一次后,将其结果记录在外层选型模型中。

3.1 目标函数

本文引入梯级环境交易机制引导综合能源系统减少二氧化碳的排放,目标函数为:

式中:Cin为初始投资的年等值成本;Ceov为系统全寿命周期内一年的碳交易成本;Cop为全寿命周期内年均运行成本;Cmc为系统全寿命周期内一年的运行维护成本。

1)初始投资成本。

初始投资成本主要考虑系统设备的购置费用,并将投资转化为年化投资[19]。

式中:xi,j为定容模型的优化变量,表示第i类设备中j型号的装机台数;Ti,j为设备的单台购置费,元/台,i由实例推理的综合能源规划结构确定,j由外层选型模型传递到内层定容模型中;r为基准折现率;n为寿命周期。

2)碳交易成本。

在碳交易机制的背景下,系统二氧化碳排放超过碳配额(基准碳排放量)的情况下,需要购买碳排放权[20]。

式中:D为基准碳排放量;σ为单位电量的基准二氧化碳排放;β为单位热量基准二氧化碳排放;pl,j(t)为消耗天然气设备l的出力;pg(t)为系统购电量。

式中:D1、D2分别为阶梯二氧化碳排放量限额;κ1、κ2分别为购电和使用燃气产生的二氧化碳;θ为二氧化碳单价;θ1、θ2分别为阶梯环境交易价格。

3)外购燃料成本。

式中:Ctrq为天然气消耗成本;Cdl为购电成本;Cgas为气价;Ol,j(t)为设备的能效值;Rrz为天然气的热值,通常取10 kW/m3;Cele(t)为分时电价;Mele为系统售电量;Cm(t)为售电价。

4)设备维护成本。

式中:Cyx,i为各个设备的运行维护成本;pi,j(t)为第i类设备中j型号设备模拟仿真时的出力。

3.2 约束条件

1)设备匹配约束。

若实例库各场景中均建设A 机组与B 机组,则认为A 机组与B 机组具有匹配关系,并形成匹配关系矩阵Q。

式中:qwe表示第w组匹配关系的e设备。

则优化模型需要满足以下约束:

式中:Ewk表示Q中设备的被选择状态,若选中为1,未被选中为0。

2)设备互斥约束。

现在五芳斋的第一张面孔是“老字号”，它背后是“一味百年心”的美食匠心，第二张面孔则更显生机勃勃，散发着互联网时代的新锐气质。

若实例库各场景中A 机组与B 机组均不能同时共存,则认为A 机组与B 机组具有互斥关系,并形成互斥关系矩阵H。

式中:hrd表示第r组匹配关系的d设备。

3)资源容量约束。 主要针对地源热泵规划时考虑的可换取热量约束[21]。

式中:Pd,c、Pd,h分别为地源热泵的夏季制冷功率与冬季制热功率;De为地埋管深度;Hs、Hw分别为地源热泵夏季排热工况下每延米井深的换热量以及冬季取热工况下每延米井深的换热量;Oc、Oh分别为地缘热泵供冷与供热时的能效值。

4)能量平衡约束。 主要包括冷热电系统的供需平衡[22]。

式中:Pload(t)、Hload(t)、Cload(t)分别为用户的电、热、冷负荷;Pi(t)为设备i的供电出力;Hm(t)为设备m的供热出力;Cn(t)为设备n的供冷出力。

3.3 求解算法

设备型号优化过程类似于路径选择问题,利用蚁群算法进行求解[23],容量优化采用遗传算法[24]。

4 案例分析

4.1 基础数据及仿真结果

以我国西部某商业园区为例进行案例仿真。实例库参数见附表A1、A2。 计算得到场景相似度如附表A3 所示,其场景相似度阈值为0.661,其中,S6与S16两个场景与目标场景的相似度阈值大于0.661。

设实例库中S6为场景1,其能源结构为:风机-光伏-地源热泵-CCHP -燃气锅炉-电制冷-储电;设实例库中场景S16为场景2,其能源结构为:风机-光伏-地源热泵-冰蓄冷-电制冷-电锅炉-蓄热式电锅炉。

仿真设备参数见附表A4。 算法迭代曲线见图4,仿真规划结果见表2—4。 图4(a)、(c)为外层选型算法迭代曲线,由于设备型号组合多样,设置迭代次数为1000 次;图4(b)、(d)为内层定容算法迭代曲线,迭代次数为100 次。

表2 场景1 规划仿真结果Table 2 Planning simulation results of scenario 1

图4 算法迭代曲线Fig.4 Iteration curve of scenarios

场景1 与场景2 的设备初始投资成本分别为18123 万、15474 万元。 仅从初始投资的角度上对比,场景2 要优于场景1。 但在场景2 下,其购电费用比场景1 高36.1%。

场景1 中各个月碳排放量差异性小,标准差为1745 kg,场景2 中各个月碳排放量差异性大,标准差为1933 kg。 主要是由于场景1 配置了热电联产设备,冬季产生的CO2量低于购买火电产生CO2的量。碳排放分析如图5 所示,场景1 的碳排放量为47122 t,场景2 的碳排放量为49557 t。

图5 场景1 与场景2 的碳排放量Fig.5 Carbon emissions of scenario 1 and 2

表3 场景2 规划仿真结果Table 3 Planning simulation results of scenario 2

表4 规划场景1 和2 经济性对比Table 4 Economic comparison of planning scenario 1 and 2

4.2 典型日运行讨论分析

夏季典型日中,2 个场景的能源购置成本曲线如图6 所示。 场景1 与场景2 的购电成本分别为11.95万、18.36 万元。 场景1 为电-气协调的供能系统,在本文的仿真条件下,场景1 能源消耗成本比场景2可降低约17.3%。

图6 能源购置成本分析Fig.6 Analysis of energy purchase cost

通过对比2 种场景的规划配置结果发现,场景1的投资成本高但是运行费用低,场景2 的投资成本低,但运行费用高。

4.3 选型分析

为对比不同设备型号对系统成本的影响,将场景1 中燃气锅炉型号由c 换为b,其余设备型号保持不变,以验证设备型号选择的有效性,将该场景定义为场景3。 场景3 的规划仿真结果及其与场景1 的对比如表5、6 所示。

表5 场景3 规划仿真结果Table 5 Planning simulation results of scenario 3

表6 规划场景1 和3 的经济性对比Table 6 Economic comparison of planning scenario 1 and 3

场景3 中,CCHP 系统和燃气锅炉的装机容量比场景1 小,这导致在运行阶段电制冷与地源热泵的使用率增加,耗电量增加,运行成本变大。年化运行成本总体高于场景1,验证了模型计算的有效性。

5 结论

本文提出的综合能源系统规划结构-型号-容量三级协调优化模型能够解决以下问题:

1)解决综合能源系统建设时规划场景选择问题,在实例库数据量不断丰富的基础上,能够提升实例推理计算结果与实际环境的匹配度。

2)解决设备型号组合优选及容量优化问题,可避免综合能源系统建设选型时造成的容量冗余及设备效率低下的问题。

附录A

表A1 各时段常规机组报价数据Table A1 Initial investment parameters of wind-hydrogen combined system ?

表A2 风氢联合系统初始投资参数Table A2 Quotation parameters of conventional units in each period ?

附录A

注:场景集合中0 代表未建设该设备,1 代表建设该设备。

注:建设类型中,1 代表工业园区,2 代表海岛园区,3 代表商业园区;并网方式中,1 代表并网上网,2 代表并网不上网,3 代表孤岛型。

表A3 场景相似度值Table A3 Scene similarity value ?

表A4 仿真设备参数Table A4 Simulation equipment parameters ?