李玉凱，韓佳兵，于春浩，王全，楊蒙，趙鈞

（1. 北京科東電力控制系統(tǒng)有限責任公司， 北京市 海淀區(qū) 100089；2. 華北電力大學控制與計算機工程學院， 北京市 昌平區(qū) 102206）

0 引言

作為解決能源問題的重要方向，綜合能源系統(tǒng)將能源的供給、轉換、存儲和分配進行協(xié)調整合，實現(xiàn)了冷、熱、電、氣多種能源的統(tǒng)一規(guī)劃調度[1]。規(guī)劃調度可解決系統(tǒng)內負荷可調以及能流轉化問題，并可預先規(guī)劃需求側的用能。相對于傳統(tǒng)的電力系統(tǒng)，綜合能源在場景規(guī)劃調度方面受天氣、社會、政策等因素影響變得尤為復雜。針對綜合能源系統(tǒng)的規(guī)劃與調度已展開研究并取得一定成果，文獻[2]考慮日前、日內2 個階段采用隨機規(guī)劃方法構建多場景下的規(guī)劃調度模型；文獻[3]針對綜合能源的負荷以及可再生能源的不確定性，采用粒子群與線性規(guī)劃相結合的方法構建規(guī)劃模型并給出了評價指標；文獻[4]提出了多個系統(tǒng)評價指標并構建了雙層規(guī)劃調度模型，用于求解配置規(guī)劃及調度問題；高陽等[5]在考慮生物質聯(lián)供機組的基礎上建立綜合能源雙層規(guī)劃模型，其中上下層除了考慮常規(guī)變量還將生物質能有關變量考慮在內；黃偉等[6]提出考慮負荷需求響應的雙層模型并利用上下層實現(xiàn)了源-荷互動；文獻[7]建立雙層規(guī)劃模型同時將綜合能源商作為市場主體考慮在內；文獻[8]考慮了不同季節(jié)下的負荷特性，對綜合能源的容量進行了規(guī)劃；文獻[9]考慮耦合因素，對綜合能源中的能量樞紐進行了規(guī)劃，提出了一種雙層模型，求解系統(tǒng)的配置與運行問題。以上研究構建的雙層模型，多數(shù)對設備的類型數(shù)量及出力狀態(tài)進行規(guī)劃調度建模，并采用智能算法或求解器進行求解，在規(guī)劃和調度建模中重點對系統(tǒng)優(yōu)化運行進行分析求解，對負荷預測考慮甚少。對冷、熱、電多元負荷進行預測，可使綜合能源系統(tǒng)在規(guī)劃與調度中實施預先措施調節(jié)設備狀態(tài)，以獲取更高的經(jīng)濟效益?，F(xiàn)階段負荷預測研究中智能預測算法較為廣泛，如采用神經(jīng)網(wǎng)絡、小波變換算法以及集成算法等對用戶電負荷進行預測[10-14]；針對多元負荷預測的研究，Shaomin WANG 等[15]考慮系統(tǒng)能量之間的耦合特性提出了一種基于區(qū)域綜合能源系統(tǒng)（region integrated energy system, RIES）的負荷預測模型；GUO Xifeng 等[16]將卷積神經(jīng)網(wǎng)絡與長短期記憶網(wǎng)絡預測模型結合解決了特征提取不足的問題，提高了預測精度；DING Jia 等[17]將特征選擇作為預測之前的關鍵處理步驟，提出了一種特征相關性的向量機模型；文獻[18-20]分別通過不同的神經(jīng)網(wǎng)絡構建預測模型預測系統(tǒng)冷、熱、電負荷并對比分析預測結果，其中文獻[20]采用Copula 理論進行了相關因素分析，增加了預測的準確性。上述預測研究主要針對短期電負荷以及多元負荷，而針對系統(tǒng)長期規(guī)劃階段預測需構建長期預測模型，文獻[21]考慮了季節(jié)性與隨機性，將N-BEATS 神經(jīng)網(wǎng)絡用于中期預測；文獻[22]將滑動平均值、神經(jīng)網(wǎng)絡和支持向量機混合作為預測模型；智能算法、計量學算法與大數(shù)據(jù)技術等[23-25]也用于構建長期負荷預測模型，但僅針對傳統(tǒng)電力負荷進行預測并未考慮綜合能源規(guī)劃階段需對多種能源負荷進行預測。此外針對負荷不確定對系統(tǒng)規(guī)劃和調度造成的高成本問題上，并未從系統(tǒng)設計運行的角度對預測、規(guī)劃和調度進行聯(lián)合建模分析。

本文根據(jù)綜合能源系統(tǒng)規(guī)劃和調度對冷、熱、電多元負荷長期與短期預測的需求，將多元負荷的長期預測和短期預測結果共同納入到綜合能源系統(tǒng)的規(guī)劃和調度中，提出包含預測層、規(guī)劃層和調度層的基于多元負荷預測的3 層規(guī)劃調度模型。通過不同季節(jié)場景算例仿真，對比分析規(guī)劃調度雙層模型和3 層模型的效果，驗證所構建模型的有效性。

1 綜合能源系統(tǒng)的3 層規(guī)劃調度模型

綜合能源系統(tǒng)包含能源供給模塊、可再生能源模塊、能源轉換模塊和存儲模塊，如圖1 所示。其中能源供給模塊含有外部電網(wǎng)和天然氣網(wǎng)；可再生能源模塊包含風力發(fā)電機和光伏發(fā)電機；能源轉換模塊主要包含冷、熱電聯(lián)產機組、燃氣鍋爐、電鍋爐和電制冷機；能源存儲模塊包含儲電、儲熱和儲冷。

圖1 綜合能源系統(tǒng)框架Fig. 1 Framework of integrated energy system

針對綜合能源系統(tǒng)規(guī)劃和調度，構建包含預測層、規(guī)劃層和調度層的3 層模型。預測層包含長期負荷與短期負荷預測。長期負荷預測數(shù)據(jù)傳遞至規(guī)劃層，滿足規(guī)劃層可靠性、長期性的要求；短期負荷預測數(shù)據(jù)傳遞給調度層，以達到調度的靈活性、實時性的要求。規(guī)劃層將長期負荷預測數(shù)據(jù)作為負荷約束，對綜合能源系統(tǒng)設備的類型數(shù)量和啟停狀態(tài)進行規(guī)劃，將規(guī)劃結果傳遞至調度層，規(guī)劃目標為綜合規(guī)劃調度成本最小。調度層根據(jù)短期負荷預測數(shù)據(jù)與規(guī)劃層設備方案進行聯(lián)合優(yōu)化，以設備的出力狀態(tài)作為優(yōu)化變量，以調度運行成本最低為調度目標，并將調度運行成本反饋給規(guī)劃層，以更新系統(tǒng)綜合規(guī)劃調度成本?；诖藰嫿ňC合能源系統(tǒng)3 層模型如圖2 所示。

圖2 綜合能源系統(tǒng)3 層模型框架Fig. 2 Three layer model framework of integrated energy system

1.1 預測層模型

1.1.1 長期負荷預測模型

綜合能源規(guī)劃階段需要對系統(tǒng)按設備壽命周期以及年維修維護成本做長期規(guī)劃統(tǒng)籌，而冷、熱、電負荷則需要長期預測數(shù)據(jù)，以滿足規(guī)劃階段長期可靠性要求。隨機森林回歸（random forest regression，RFR）算法[26]具有參數(shù)設定少、收斂快等優(yōu)勢，在處理大量數(shù)據(jù)時仍能表現(xiàn)出較強的泛化能力，并且可有效避免過擬合問題，適用于數(shù)據(jù)量大的長期負荷預測場景。算法內部集成多個分類回歸樹（classification and regression tree，CART），模型訓練時可通過遍歷特征及特征值選取最佳切分點和切分特征，然后求取切分后的節(jié)點不純度加權和G(k,v)來衡量切分點的優(yōu)劣以得到準確預測值。本文采用平方平均誤差的不純度函數(shù)進行計算，如式（1）所示。

圖3 基于RFR 的多元負荷長期預測流程Fig. 3 RFR-based multivariate load long-term forecasting process

1.1.2 短期負荷預測模型

綜合能源系統(tǒng)在實際運行時需按照短時負荷對系統(tǒng)做出優(yōu)化調整以獲得更優(yōu)方案以及更經(jīng)濟的系統(tǒng)運行成本，因此負荷預測需針對調度階段進行短期預測。長短期記憶網(wǎng)絡（long short-term memory，LSTM）[27]預測算法在負荷預測過程中，其魯棒性和記憶能力較好，并且可以克服循環(huán)神經(jīng)網(wǎng)絡處理長期記憶能力欠缺以及梯度異常的問題，此外相比其他算法有更精確的預測結果，因此本文采用LSTM 網(wǎng)絡實現(xiàn)短期負荷預測。LSTM預測一般可分為3 個階段：

Stage1：選擇遺忘階段。遺忘門決定丟棄的信息，由sigmoid 單元處理，權重設置為0 和1之間的值。當權重為0 時信息全部舍棄，當權重為1 時信息全部保留，處理后得到ft、mt；

Stage2：選擇更新階段。首先輸入門通過yt?1和xt進行選擇性更新，然后通過tanh 層得到更新狀態(tài)信息u?t，將新形成的u?t添加選擇信息可得新的信息ut；

Stage3：輸出階段。將新的ut與輸入的yt?1和yt通過sigmoid 單元處理得到ot，將得到的信息ot與通過tanh 層的新信息ut相乘得到輸出yt。具體算式如下

基于LSTM 構建短期預測模型，設置隱含網(wǎng)絡層數(shù)為1，設置正則化參數(shù)為0.2，選擇sigmoid函數(shù)作為激活函數(shù)，輸入負荷數(shù)據(jù)與特征數(shù)據(jù)訓練模型并依據(jù)Adam 算法調整網(wǎng)絡參數(shù)，損失函數(shù)取均方誤差(mean square error, MSE) 函數(shù)?；贚STM 多元負荷短期預測流程如圖4 所示。

圖4 基于LSTM 的多元負荷短期預測流程Fig. 4 LSTM-based short-term multivariate load forecasting process

式中：zi、z?i分別為真實值與預測值；EMSE為均方誤差值。

1.2 規(guī)劃層模型

1.2.1 目標函數(shù)

1.2.2 約束條件

規(guī)劃層的約束條件主要考慮設備容量約束、設備安裝數(shù)量約束和初始投資成本約束。

1)設備容量約束。

考慮設備的安全穩(wěn)定與負荷需求

1.3 調度層模型

1.3.1 目標函數(shù)

調度層考慮綜合能源系統(tǒng)的調度運行成本最小以獲取最大收益，即以系統(tǒng)調度運行成本COP最小為目標函數(shù)進行運行優(yōu)化。

1.3.2 約束條件

調度層約束條件主要考慮能源功率平衡約束、儲能設備運行約束和能源轉換設備運行約束。

1）能源功率平衡約束。

2 模型求解

本文構建綜合能源系統(tǒng)3 層模型，預測層應用RFR 與LSTM 預測算法分別預測長期負荷和短期負荷，規(guī)劃層根據(jù)負荷預測數(shù)據(jù)應用CPLEX求解器進行規(guī)劃得出季節(jié)設備配置方案及規(guī)劃初始投資成本，調度層根據(jù)規(guī)劃層的配置方案與預測層的短期負荷預測數(shù)據(jù)，基于改進粒子群算法[29]進行系統(tǒng)的調度運行優(yōu)化得到設備最優(yōu)出力狀態(tài)，并將得到的調度運行成本返回到規(guī)劃層計算系統(tǒng)總體規(guī)劃調度成本，實現(xiàn)系統(tǒng)的最優(yōu)規(guī)劃調度。具體模型求解如圖5 所示。

圖5 綜合能源系統(tǒng)3 層模型求解流程Fig. 5 Solving process of three layer model of integrated energy system

3 實驗結果與分析

本文以典型綜合能源園區(qū)為主要研究對象，園區(qū)的電負荷（電器等）、熱負荷（供暖、熱水等）、冷負荷（空調等）需求通過區(qū)域內歷史數(shù)據(jù)獲得，規(guī)劃期最大初始設備年投資400 萬元，外部電能源和氣能源價格分別取0.5 元/kW·h、0.27 元/kW·h，電能源和氣能源等效污染物排放處理成本分別取0.021 元/kW·h、0.0048 元/kW·h，平均供電60 kW/h,夏季6:00—19:00 平均供電90 kW/h。將園區(qū)2014—2019 年的冷、熱、電負荷數(shù)據(jù)以及相關影響因素進行數(shù)據(jù)處理后作為預測層的原始數(shù)據(jù)；模型的訓練集為2017 年12 月之前的數(shù)據(jù)，驗證集為2018 年12 月之前的數(shù)據(jù)，以2019 年12 月之前的數(shù)據(jù)作為測試集；長期負荷預測將原始數(shù)據(jù)按季節(jié)劃分為過渡季、冬季和夏季(對應天數(shù)分別為180 ，92 ，93 )3 種場景集合，應用RFR 模型（決策樹最大深度80，建立100 棵樹）預測3 個場景下的負荷數(shù)據(jù)；短期預測部分使用LSTM 模型（迭代次數(shù)1000）預測未來48 h 內的負荷數(shù)據(jù)。模型求解流程如圖5 所示，負荷預測曲線如圖6—9 所示。

圖6 給出了不同季節(jié)場景下冷、熱、電的負荷上下限值，由圖中可以看出，在3 個不同場景下，冷、熱、電的負荷需求有較大差別：在過渡季與夏季場景下，對冷、熱、電負荷均有需求，但過渡季熱負荷明顯高于夏季熱負荷，這是由于過渡季對于供暖與熱水等負荷有一定需求；冬季相比于其他2 個季節(jié)場景對冷負荷需求幾乎為零，但熱負荷明顯高于另外2 個場景。同時，圖6 中給出了長時間尺度下的冷、熱、電負荷的閾值，可作為規(guī)劃層求解時的約束得出規(guī)劃層求解結果，進一步得到每個季節(jié)場景下設備啟停狀態(tài)決策方案，為調度層提供參考。

圖6 各季節(jié)場景負荷預測上下限Fig. 6 Top and bottom limitation of load forecasting scenarios in various seasons

圖8 冬季典型日負荷預測與實際負荷相比Fig. 8 Comparison of forecasted load of typical day in winter with actual load

圖9 夏季典型日負荷預測與實際負荷相比Fig. 9 Comparison of forecasted load of typical day in summer with actual load

圖7—9 為每個季節(jié)下選取某個典型日場景下的預測負荷以及實際負荷。可以看出典型日內不同負荷有明顯變動：冷、熱、電負荷晝夜變化明顯，低谷期多集中于01:00—05:00 之間；圖中給出了短期預測的結果與實際數(shù)據(jù)，對比可知短期預測模型可在誤差允許的范圍內擬合原始數(shù)據(jù)，為調度層的削峰填谷與新能源消納提供可靠的參考。

圖7 過渡季典型日負荷預測與實際負荷相比Fig. 7 Comparison of load of typical day in transition season with actual load

規(guī)劃層根據(jù)3 個場景的負荷預測數(shù)據(jù)進行規(guī)劃，得到規(guī)劃期初始年投資成本380.4 萬元，總體設備包括1 臺燃氣輪機、2 臺燃氣鍋爐、2 臺吸收式制冷機、2 臺電動制冷機、2 臺電鍋爐、5組光伏、2 組風機、5 臺電儲能、3 臺蓄熱箱、3臺蓄熱水箱。針對3 個典型場景，規(guī)劃結果如表1 所示，其所對應的設備臺數(shù)即代表該設備的啟動狀態(tài)；優(yōu)化層根據(jù)規(guī)劃配置方案與短期負荷預測數(shù)據(jù)進行調度，調度優(yōu)化結果如表2 所示。

表1 規(guī)劃層在不同場景下的規(guī)劃結果Table 1 Planning results of planning layer in different scenarios

表2 各季節(jié)場景調度優(yōu)化結果Table 2 Scheduling optimization results of scenarios in various seasons

由表1 可知3 個季節(jié)場景下對可再生能源設備、發(fā)電設備與儲電設備的使用率相同，區(qū)別在于能源轉換設備的使用以及冷能與熱能存儲設備的配置。對于過渡季冷能與熱能的需求相對冬季夏季較小但該規(guī)劃期內2 種負荷會并存，因此對制冷與制熱類型設備規(guī)劃相應的規(guī)模；對于冬季對熱能需求相對較高，冷能則處于零負荷狀態(tài)，因此規(guī)劃啟用相應規(guī)模的熱能轉換設備。

由表2 可知調度層成本，可以看出各個季節(jié)場景下設備配置不同會直接影響調度運行的各階段成本；加入預測層的優(yōu)勢在于根據(jù)預測層的預測負荷在規(guī)劃層和調度層做出預先調整，可很大程度上降低系統(tǒng)成本。為進一步說明本文3 層模型結構在降低成本、提高可應用性方面的優(yōu)勢，將未添加預測層的雙層規(guī)劃調度模型與本文3 層規(guī)劃調度模型進行對比，2 者年規(guī)劃調度結果如表3 所示。

表3 2 種模型對比Table 3 Comparison of two models

表3 給出了相同整體設備規(guī)模下2 個模型各階段的成本。由表可知未加預測的雙層模型年投資成本與3 層模型投資成本一致，但3 層模型運行維護成本降低了16.4 萬元、外網(wǎng)購電成本降低了294.5 萬元、外網(wǎng)購氣成本降低了159.2 萬元、污染物處理成本降低了18 萬元、系統(tǒng)總成本降低了488.1 萬元。從結果可以看出成本的降低主要來源于外網(wǎng)購能的減少，這是由于系統(tǒng)預測層加入，規(guī)劃層可利用預測層的預測負荷數(shù)據(jù)預先調整規(guī)劃期內設備啟停狀態(tài)，避免盲目啟停設備造成的維護與購能成本的浪費；調度層可根據(jù)預測層數(shù)據(jù)提前配置系統(tǒng)出力狀態(tài)，細化了不同季節(jié)下設備的出力，使系統(tǒng)達到了削峰填谷并且充分消納光伏風機新能源，有效減少了外部能源的購入，使得系統(tǒng)外部購能成本、設備運行成本和污染物處理成本得到顯著降低。

4 結論

本文所提出的3 層規(guī)劃調度模型可在滿足負荷需求的情況下提高系統(tǒng)效率，降低系統(tǒng)運行成本，增加綜合能源系統(tǒng)園區(qū)的收益，為綜合能源系統(tǒng)在計及負荷不確定時的設計和實際運行提供參考。