丁曦，姜威，郭創(chuàng)新，奚增輝，高潔

(1.浙江大學(xué)電氣工程學(xué)院，杭州市 310027；2.國網(wǎng)上海市電力公司，上海市 200122)

0 引 言

隨著能源資源的枯竭和環(huán)境的惡化，人們對以可再生能源為主體的綠色能源的需求逐漸增加。在此背景下，對電/熱/氣耦合的綜合能源系統(tǒng)(integrated energy system，IES)[1-3]的規(guī)劃運行展開研究具有重要意義。分布式電源(distributed generation，DG)是綜合能源系統(tǒng)的一個重要組成部分，光伏、風(fēng)機等新能源機組出力具有隨機性、不確定性等特點，而高滲透率下的新能源并網(wǎng)技術(shù)仍不成熟，棄風(fēng)、棄光現(xiàn)象較為嚴(yán)重，剩余能量的合理存儲是解決上述問題的關(guān)鍵。

隨著近年來我國電力市場改革，需求響應(yīng)(demand response,DR)通過合理定價，應(yīng)用市場化的價格機制引導(dǎo)用戶改變用電行為，調(diào)動各類需求側(cè)資源，在一定程度上緩解了電網(wǎng)的供需壓力[4-6]。同時，用戶的消費行為習(xí)慣也隨開放的市場發(fā)生了轉(zhuǎn)換，用戶的身份從單純的能源消費者向能源產(chǎn)消者逐步過渡[7]。許多用戶傾向于自建儲能，在新能源出力過剩時存儲能量，并在電價高峰時期使用存儲的能量滿足自身負(fù)荷需要，實現(xiàn)供需平衡，提高分布式發(fā)電資源的利用率。文獻[8]結(jié)合分布式儲能的產(chǎn)業(yè)和技術(shù)特點介紹了分布式儲能技術(shù)的發(fā)展現(xiàn)狀。文獻[9]結(jié)合中國智能電網(wǎng)未來的建設(shè)規(guī)劃，對分布式儲能的容量配置、選點布局以及協(xié)調(diào)控制進行了重點介紹。文獻[10]從分布式電源投資者的立場出發(fā)，研究了分布式儲能在高光伏滲透率配電網(wǎng)中的優(yōu)化配置方法。文獻[11]基于復(fù)雜系統(tǒng)理論，提出了一種適用于分布式儲能的大規(guī)模電池網(wǎng)絡(luò)優(yōu)化管理方法。

但是自建分布式儲能投建、運維成本較高，限制了其在中小型用戶中的普及應(yīng)用。因此，許多專家學(xué)者對云儲能(cloud energy storage，CES)[12]這一商業(yè)模式展開研究。與傳統(tǒng)的用戶自建儲能相比，云儲能模式通過云儲能提供商集中投建、調(diào)度、維護儲能，用戶共享儲能，實現(xiàn)儲能規(guī)模化管理，通過規(guī)模效應(yīng)、信息優(yōu)勢和用戶用能行為的互補性實現(xiàn)整體成本的降低。云儲能成為現(xiàn)階段電力市場商業(yè)模式探索的一個新方向。文獻[13]提出了云儲能的研究框架，并分析了基于云儲能的運行機制和商業(yè)模式以及在云儲能研究中的科學(xué)問題和關(guān)鍵技術(shù)。文獻[14]聯(lián)合對比不同放電深度下儲能系統(tǒng)的投資成本，以投資運行成本最小化為目標(biāo)，研究出一種在共享儲能模式下的儲能系統(tǒng)調(diào)度策略。文獻[15]引入虛擬電廠這一能源共享路徑，基于stackelberg博弈理論，設(shè)計了一種能源共享運營機制，并建立了一種虛擬電廠運營商領(lǐng)導(dǎo)，能源產(chǎn)消者跟隨的非合作博弈模型。文獻[16]提出了一種在發(fā)電側(cè)共享儲能的機制，在該機制的基礎(chǔ)上建立基于合作博弈的共享儲能規(guī)劃模型。文獻[17]設(shè)計了一種功率分配策略，并在該基礎(chǔ)上構(gòu)建了一個由風(fēng)電場自建儲能同時租賃云儲能容量的最優(yōu)配置模型。文獻[18]將云儲能商業(yè)模式應(yīng)用于含電/熱儲能的綜合能源系統(tǒng)，用于解決區(qū)域綜合能源系統(tǒng)的優(yōu)化配置問題，驗證了云儲能模式下進行電/熱儲能的綜合優(yōu)化配置能夠有效節(jié)約儲能資源，減小成本。

但以上研究均未考慮需求響應(yīng)對云儲能模式下實體儲能配置的積極影響，且沒有研究云儲能商業(yè)模式在電/熱/氣綜合能源系統(tǒng)中的應(yīng)用。將云儲能商業(yè)模式應(yīng)用于考慮需求響應(yīng)的電/熱/氣耦合綜合能源系統(tǒng)中，研究電/熱/氣云儲能優(yōu)化配置策略，對用戶側(cè)資源的共享利用、過剩能源的合理消納、實現(xiàn)成本的降低具有重要意義。同時，在云儲能模式下，由于用戶負(fù)荷、電價、熱價、氣價和新能源出力直接影響著用戶的充放能決策，進一步又影響了云儲能提供商的容量配置。因此，上述因素數(shù)據(jù)的準(zhǔn)確性，對于提供商容量配置優(yōu)化具有重要意義。在云儲能規(guī)劃建設(shè)階段，提供商難以獲取用戶的負(fù)荷、新能源出力等數(shù)據(jù)，因此需要根據(jù)歷史數(shù)據(jù)進行預(yù)測。在云儲能模式下，新能源出力不僅取決于氣象因素，還取決于用戶用電、充放能決策等行為導(dǎo)致的棄風(fēng)棄光，因此新能源出力預(yù)測應(yīng)充分考慮其不確定性。

為此，本文提出一種考慮需求響應(yīng)的電/熱/氣云儲能優(yōu)化配置模型。首先，對云儲能商業(yè)模式的基礎(chǔ)架構(gòu)進行分析，建立電/熱/氣耦合的云儲能能源集線器(energy hub,EH)結(jié)構(gòu)。然后，針對云儲能模式下新能源的高度不確定性，提出基于長短期記憶和貝葉斯神經(jīng)網(wǎng)絡(luò)的新能源出力概率預(yù)測方法，以刻畫新能源出力的不確定性。之后，考慮需求響應(yīng)，分別對云儲能用戶及云儲能提供商在需求響應(yīng)下的充放能策略進行分析。以兩主體的全周期總成本最低作為目標(biāo)，形成云儲能雙層規(guī)劃決策模型，并將其應(yīng)用到電/熱/氣綜合能源系統(tǒng)中。通過大M法對模型目標(biāo)以及約束中的非線性部分進行松弛線性化，將其轉(zhuǎn)化為混合整數(shù)線性規(guī)劃模型。本文分別選取春、夏、秋、冬4個典型日負(fù)荷進行分析，通過Matlab中的YALMIP工具箱調(diào)用CPLEX優(yōu)化求解器對不同場景下的模型進行求解，聯(lián)合對比在4種不同場景下的整體成本與收益。最后通過算例分析驗證該方法的有效性。

1 云儲能概念與能源集線器結(jié)構(gòu)

1.1 云儲能商業(yè)模式

共享經(jīng)濟與電力系統(tǒng)的深度融合成為了電力系統(tǒng)發(fā)展的新形態(tài)，云儲能商業(yè)模式便是共享經(jīng)濟在儲能資源配置中的典型應(yīng)用[19]。云儲能的基本架構(gòu)如圖1所示。

圖1 云儲能基本架構(gòu)Fig.1 Basic architecture of cloud energy storage

云儲能系統(tǒng)主要由云儲能提供商和云儲能用戶兩部分組成。兩者通過實時信息交互實現(xiàn)雙向通信，通過能源網(wǎng)絡(luò)實現(xiàn)物理連接和能量傳遞。云儲能提供商根據(jù)用戶實際情況，投建集中式儲能設(shè)施或租賃分布式儲能資源，為用戶提供云端虛擬儲能服務(wù)。云儲能用戶可以購買一定功率容量和一定能量容量的云端虛擬儲能，并像擁有實體儲能一樣，根據(jù)電網(wǎng)的價格信號對購買的云端虛擬儲能進行充放電。云儲能提供商收到同一時段不同用戶的充放能需求后，進行統(tǒng)一決策，并根據(jù)決策的結(jié)果合理控制實體儲能裝置進行充放電。

在云儲能模式下，云儲能提供商充分發(fā)揮規(guī)模效應(yīng)，由于不同用戶用能行為在時間尺度上存在差異性，使得云儲能提供商投建的儲能實際功率容量和能量容量小于用戶總需求，節(jié)約了投資成本，從而獲得盈利。對于云儲能用戶，使用云儲能避免了用戶投建維護實體儲能的麻煩，提高了中小型用戶對于儲能的參與度。對于電網(wǎng)，更多的用戶主動參與電網(wǎng)調(diào)峰調(diào)頻，有利于平滑負(fù)荷曲線，降低電網(wǎng)供電壓力。同時，云儲能也在一定程度上提高了新能源利用率，優(yōu)化了熱、氣負(fù)荷曲線，延緩了管道老化，有助于熱網(wǎng)、氣網(wǎng)進一步運行管理。

1.2 考慮云儲能的能源集線器結(jié)構(gòu)

本文在電/熱/氣綜合能源系統(tǒng)中研究云儲能模式的優(yōu)勢。能源集線器是描述綜合能源系統(tǒng)中不同能源、負(fù)荷、網(wǎng)絡(luò)結(jié)構(gòu)、輸入-輸出關(guān)系的多能源載體接口。使用能源集線器建模不僅可以很好地表征IES中不同能源間的耦合關(guān)系和能量流動的方向，而且可以為后續(xù)的數(shù)學(xué)建模提供方便。為便于分析，本文建立了電/熱/氣耦合的云儲能能源集線器結(jié)構(gòu)，如圖2所示。

圖2 電/熱/氣耦合云儲能能源集線器結(jié)構(gòu)Fig.2 Structure of an electric-heat-gas coupling CES energy hub

能源集線器的主要結(jié)構(gòu)和能量流動路線如下：

2)用戶自身電、熱、氣負(fù)荷分別為Pe、Ph、Pg。

3)用戶根據(jù)能源的價格選擇向從提供商處購買的儲能設(shè)備充放能，電網(wǎng)、熱網(wǎng)、氣網(wǎng)的充放能功率分別為Pe,C、Ph,C、Pg,C、Pe,D、Ph,D、Pg,D。

4)新能源出力主要包括自建光伏出力PPV和區(qū)域內(nèi)已建成的風(fēng)力發(fā)電機出力PWP，其中，風(fēng)力發(fā)電機出力的一部分直接供給電負(fù)荷，剩余電力通過能量轉(zhuǎn)換裝置轉(zhuǎn)換為氣或熱供氣負(fù)荷或熱負(fù)荷使用，w、v分別表示風(fēng)機和P2G的分流系數(shù)。

5)能量轉(zhuǎn)換裝置包括電轉(zhuǎn)氣(power to gas，P2G)設(shè)備和燃?xì)忮仩t(gas fired boiler，GB)，其效率分別為ηP2G、ηGB。

6)云儲能提供商配置的鋰電池、蓄熱罐、儲氣罐3種儲能設(shè)備。提供商通過云平臺中的數(shù)據(jù)及信息進行充放能決策，控制三者進行實際充放能。

7)能量沿電、熱、氣傳輸線路流動，其方向如圖2中箭頭所示，單箭頭線路只可從始端流向尾端，雙箭頭線路可以實現(xiàn)能量的雙向流動。用戶充放能信號通過控制線路傳輸。

1.3 云儲能模式下兩主體充放能基礎(chǔ)模型

云儲能模式的參與者主要有云儲能用戶和云儲能提供商兩大主體，本文根據(jù)兩主體的相對關(guān)系進行分層優(yōu)化，其決策模型如圖3所示。

圖3 兩主體充放能基礎(chǔ)模型Fig.3 Basic model of two-subject charging and discharging

用戶根據(jù)自己的實際用能需求決策所要購買云儲能的容量和功率，同時，在云儲能用戶端實施價格型電力需求響應(yīng)，用戶根據(jù)電力價格信號以及自己的用電需求適當(dāng)轉(zhuǎn)移負(fù)荷，并決策自己在當(dāng)前時段的充放能行為。云儲能提供商根據(jù)所有用戶的充放能行為，優(yōu)化決策集中式儲能設(shè)備的投建功率及容量，在保證供需平衡的基礎(chǔ)上減小電網(wǎng)功率波動，提高新能源利用率，實現(xiàn)各方收益最大化。

2 云儲能模式下用戶側(cè)充放能優(yōu)化決策模型

2.1 電力需求響應(yīng)

隨著近年來需求側(cè)管理技術(shù)日趨成熟，越來越多的電力用戶通過需求響應(yīng)積極參與到電力市場改革中來。需求響應(yīng)是指用戶依據(jù)接收到的電價變化信號或補償激勵信號主動調(diào)整用電行為、改變用電習(xí)慣來響應(yīng)電力供應(yīng)。根據(jù)所響應(yīng)信號的不同，需求響應(yīng)被分為價格型需求響應(yīng)和激勵型需求響應(yīng)。本文主要根據(jù)價格型需求響應(yīng)調(diào)整用戶的用電行為。電量電價彈性是由于電價的波動引起電能需求的相對改變。數(shù)學(xué)上通常用彈性系數(shù)矩陣表示。一般地，用戶對多個時段的電價進行響應(yīng)，根據(jù)不同時段的電價差異，來調(diào)整自己的用電行為。多時段彈性系數(shù)矩陣包含自彈性系數(shù)和互彈性系數(shù)，其分別表示該用戶對當(dāng)前時段電價以及對其他時段電價的響應(yīng)。

用戶實施需求響應(yīng)后的負(fù)荷轉(zhuǎn)移行為建模如下：

(1)

(2)

(3)

(4)

2.2 用戶側(cè)新能源出力預(yù)測

面向云儲能模式，本文提出的新能源出力預(yù)測分為三步：首先，使用通徑分析法分析氣象因素對光伏、風(fēng)電出力的影響，獲取氣象特征；然后使用長短期記憶網(wǎng)絡(luò)，通過歷史典型日新能源出力數(shù)據(jù)提取時序特征；最后綜合氣象和時序特征，使用貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測新能源出力的概率分布并進行采樣。由于對于不同用戶、不同典型日的預(yù)測方法類似，因此本節(jié)只針對單個用戶單個典型日內(nèi)新能源出力預(yù)測的方法進行闡述。

2.2.1 氣象因素分析

首先，對光伏和風(fēng)電出力影響的氣象因素進行相關(guān)性分析和特征篩選。設(shè)共有T個時刻的共M類氣象因素數(shù)據(jù)，第t個時刻的第m類氣象因素數(shù)據(jù)為xmt，新能源出力數(shù)據(jù)為yt。計算第m類氣象因素xm與光伏出力y之間的直接相關(guān)系數(shù)Cxm→y為：

(5)

(6)

第m類氣象因素經(jīng)過第k類氣象因素，與光伏出力之間的間接相關(guān)系數(shù)Cxm→xk→y為：

Cxm→xk→y=rxm?xkCxk→y

(7)

(8)

式中：rxm?xk為第m類與第k類數(shù)值氣象數(shù)據(jù)之間的相關(guān)系數(shù)。

第m類氣象因素與光伏出力之間的相關(guān)系數(shù)rxm→y為：

(9)

2.2.2 長短期記憶網(wǎng)絡(luò)時序特征提取

(10)

式中：concat(·)表示拼接操作。

遍歷l=1,2,…,L，計算第l個長短期記憶網(wǎng)絡(luò)輸入門ilt、遺忘門flt、輸出門olt和各單元狀態(tài)clt、hlt。定義c0t=0，h0t=0，則計算公式為：

(11)

(12)

(13)

(14)

hlt=olttanh(clt)

(15)

式中：Wi、Wf、Wo、Wc分別為輸入門、遺忘門、輸出門、可學(xué)習(xí)單元狀態(tài)的權(quán)重矩陣；bi、bf、bo、bc分別為輸入門、遺忘門、輸出門、可學(xué)習(xí)單元狀態(tài)的偏置常數(shù)；σ(·)為sigmoid激活函數(shù)。

2.2.3 貝葉斯神經(jīng)網(wǎng)絡(luò)新能源出力概率預(yù)測

最后，使用貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測對新能源出力進行概率預(yù)測，以獲取新能源出力采樣值。記W為貝葉斯神經(jīng)網(wǎng)絡(luò)概率層的參數(shù)，將先驗分布設(shè)為比例混合高斯分布，即

(16)

(17)

將輸入的特征向量視作隨機變量X，新能源出力視作隨機變量Y。記概率層參數(shù)W的后驗概率為p(W|X,Y)，引入該分布的近似分布q(W;θ)，其中θ為可學(xué)習(xí)參數(shù)。假設(shè)q(W;θ)為均值為0且各分量相互獨立的高斯分布，則

(18)

(19)

(20)

式中：f(Xt;WiS)表示以WiS為貝葉斯神經(jīng)網(wǎng)絡(luò)參數(shù)，以Xt為輸入的前向傳播。

2.3 用戶充放能行為分析

對于電負(fù)荷用戶，其新能源出力主要包括自建光伏出力PPV和區(qū)域內(nèi)已建成的風(fēng)力發(fā)電機出力的一部分；對于熱負(fù)荷用戶，其新能源出力為燃?xì)忮仩t風(fēng)電轉(zhuǎn)熱出力；對于氣負(fù)荷用戶，其新能源出力為P2G風(fēng)電轉(zhuǎn)氣出力的一部分。因此，在第s個季節(jié)、第t個時段，提供給用戶i電、熱、氣負(fù)荷的新能源出力如下：

(21)

(22)

(23)

定義運算(·)+、(·)-如下：

(24)

在沒有儲能設(shè)備時，用戶i分別從電、熱、氣網(wǎng)購買功率，當(dāng)新能源出力過剩時，用戶i分別將過剩功率反送回電、熱、氣網(wǎng)，用戶i購買和反送的功率分別為：

(25)

(26)

(27)

(28)

(29)

考慮我國熱力市場和天然氣市場的具體情況，熱、氣的價格是固定的，因此單一熱用戶在自身新能源出力大于用熱需求時，控制蓄熱罐蓄熱，新能源出力不足以滿足負(fù)荷用熱需求時，控制蓄熱罐放熱。t時段，用戶i的充放熱行為表示為：

(30)

單一氣用戶在自身新能源出力大于用氣需求時，控制儲氣罐儲氣，新能源出力不足以滿足負(fù)荷用氣需求時，控制儲氣罐放氣。t時段用戶i的充放氣行為表示為：

(31)

引入儲能的目的是為了減少棄風(fēng)棄光，更好地消納新能源，從而降低成本，因此用戶i優(yōu)先使用新能源充能。單個用戶i充電、充熱、充氣功率中的新能源充能部分為：

(32)

結(jié)合以上用戶用能行為描述，單個用戶i從電、熱、氣網(wǎng)購買或返送的實際功率為：

(33)

2.4 用戶決策模型

云儲能用戶根據(jù)自身負(fù)荷需要，向云儲能提供商購買一定功率一定容量的云端儲能使用權(quán)，因此，單個用戶的總成本包含該用戶從云儲能提供商處購買云儲能服務(wù)的投資成本以及在實際運行過程中，在新能源出力及云儲能容量不足時，從電、熱、氣網(wǎng)購能所產(chǎn)生的運行成本。

2.4.1 目標(biāo)函數(shù)

由于云儲能提供商集中管理實體儲能，用戶省去了運維實體儲能的固定成本。以用戶總成本C1最小為目標(biāo)，構(gòu)建目標(biāo)函數(shù)如下：

minC1=kpaIc1+Oc1

(34)

(35)

(36)

(37)

2.4.2 約束條件

用戶側(cè)約束條件包含式(1)—(4)、式(21)—(37)，同時，鋰電池、儲熱罐、儲氣罐均應(yīng)滿足剩余容量約束：

(38)

式中：δω(ω=e,h,g)為儲能的自放能率。

2.5 求解方法

待求解的目標(biāo)函數(shù)中存在形如(x)+、(x)-的分段函數(shù)，由于(x)+=max{x,0}、(x)-=min{x,0}，引入輔助變量m、n與等式約束式(39)、(40)，然后使用大M法對其進行線性化。

m=max{x,0}

(39)

n=min{x,0}

(40)

首先對約束式(39)進行線性化處理，該約束可等價為：

m≥max{x,0}

(41)

m≤max{x,0}

(42)

其中，約束式(41)顯然等價于：

m≥x

(43)

m≥0

(44)

約束式(42)可用式(45)—(48)進行等價替代，其中M為較大常數(shù)。

m≤x+M(1-u1)

(45)

m≤M(1-u2)

(46)

u1+u2≥1

(47)

u1,u2∈{0,1}

(48)

式中：u1、u2為0-1變量。式(45)、(46)在u1=u2=1時分別等價為m≤x，m≤0，在u1=0或u2=0時被松弛。進一步添加約束式(47)、(48)，保證u1、u2必有一個為1。

式(40)的線性化方法同上，引入約束式(49)—(54)對其進行松弛線性化。

n≤x

(49)

n≤0

(50)

n≥x+M(1-u3)

(51)

n≥-M(1-u4)

(52)

u3+u4≥1

(53)

u3,u4∈{0,1}

(54)

式中：u3、u4為0-1變量。

將其轉(zhuǎn)化為可以直接求解的混合整數(shù)線性規(guī)劃問題，在MATLAB 2020a中調(diào)用商業(yè)求解器CPLEX和YALMIP工具箱對其進行求解。

3 云儲能模式下云儲能提供商充放能優(yōu)化決策模型

3.1 云儲能提供商充放能行為分析

云儲能提供商能夠綜合所有用戶的充放能信息，并根據(jù)各方需求集中優(yōu)化決策實體儲能的充放電行為。

(55)

式中：ΩCES為參與CES的用戶集合。

(56)

(57)

3.2 云儲能提供商決策模型

在用戶發(fā)出充放能請求后，云儲能提供商并不會立即響應(yīng)，而是統(tǒng)籌所有用戶的充放能需求，合理安排實體儲能進行充放能，以達到整體成本最小的目標(biāo)。

3.2.1 目標(biāo)函數(shù)

云儲能提供商優(yōu)化決策的目標(biāo)函數(shù)C2為：

minC2=kpaIc2+Oc2+Fc2

(58)

(59)

(60)

3.2.2 約束條件

(61)

云儲能系統(tǒng)的儲能設(shè)備剩余容量不能超出其最大容量上限并且不能低于其最小容量下限，具體約束為：

(62)

(63)

(64)

儲能各時段的剩余容量與該時段的充放能情況以及上一時段剩余容量有關(guān)。因此各儲能設(shè)備剩余容量約束為：

(65)

式中：ηω,C、ηω,D分別為云儲能提供商投建的鋰電池、蓄熱罐、儲氣罐的充、放能效率。

3.3 求解方法及配置流程

求解方法同2.4節(jié)?？紤]需求響應(yīng)的電/熱/氣云儲能優(yōu)化配置流程如圖4所示。首先，基于長短期記憶和貝葉斯神經(jīng)網(wǎng)絡(luò)的概率預(yù)測方法，對新能源出力進行預(yù)測，并導(dǎo)入負(fù)荷、電價等相關(guān)數(shù)據(jù)；之后，在用戶側(cè)建立考慮需求響應(yīng)的單個用戶充放能決策模型，并決策單個用戶最優(yōu)充放能行為與該用戶購買云儲能的容量與功率；之后，將用戶的決策信息傳給云儲能提供商，由云儲能提供商統(tǒng)一決策實體儲能的投建規(guī)模與充放能行為。

圖4 考慮需求響應(yīng)的電/熱/氣云儲能優(yōu)化配置流程Fig.4 Flow chart of optimal configuration of electric-thermal-gas CES considering demand response

4 算例分析

首先分析不同新能源出力概率預(yù)測方法對預(yù)測結(jié)果的影響。然后根據(jù)上文提出的兩主體雙層優(yōu)化配置模型，建立以下場景：

場景1：電/熱/氣用戶自建儲能，使用新能源出力確定性預(yù)測方法。

場景2：電/熱/氣用戶使用云儲能，使用新能源出力確定性預(yù)測方法。

場景3：考慮需求響應(yīng)后電/熱/氣用戶使用云儲能，使用新能源出力確定性預(yù)測方法。

場景4：考慮需求響應(yīng)后電/熱/氣用戶使用云儲能，使用新能源出力概率預(yù)測方法。

分析不同場景下儲能設(shè)備的配置功率、容量及成本，研究考慮需求響應(yīng)的云儲能綜合能源系統(tǒng)的優(yōu)勢。

4.1 算例場景與參數(shù)

算例選取美國某地區(qū)50個負(fù)荷春、夏、秋、冬4個季節(jié)的典型日負(fù)荷、新能源出力和氣象數(shù)據(jù)，每個季節(jié)91天，每個典型日的調(diào)度時間為24 h，如附圖A1—A5所示。由于云儲能用戶一般不需要在極短時間內(nèi)快速響應(yīng)，本文中的調(diào)度間隔時間均取1 h。新能源預(yù)測的間隔選取15 min。選用該地區(qū)分時電價政策下的峰、平、谷電價，其價格以及時段劃分如表1所示。調(diào)研得到該地區(qū)使用熱計量按GJ收費，居民供暖計量熱價為46元/GJ，熱值系數(shù)取0.003 6 kW/GJ；天然氣網(wǎng)統(tǒng)一定價為2.8元/m3，熱值系數(shù)取9.7 kW/m3。具體換算方法如表2所示，算例參數(shù)如附表A1所示。

表A1 算例參數(shù)Table A1 Example parameters

圖A1 電負(fù)荷曲線Fig.A1 Electric load curve

表1 分時電價及時段劃分Table 1 Time-of-use electricity price and time division

表2 熱-氣功率換算Table 2 Heat-gas power conversion

4.2 算例結(jié)果與分析

4.2.1 新能源出力概率預(yù)測

圖5為某用戶秋季典型日09:00光伏出力概率分布的預(yù)測結(jié)果。將本文所提方法與正態(tài)分布法(normal distribution,ND)、核密度估計法(kernel density estimation,KDE)進行對比。由圖5可知，本文所提方法的峰值相較于另外2種方法，更接近于該時刻光伏出力的實際值；同時，本文所提方法的概率密度分布更為集中，方差更小，更好地描述了光伏出力在實際值附近的分布，而另外2種方法的概率密度分布較寬，對于不確定性的刻畫較為模糊，無法支撐云儲能提供商容量配置優(yōu)化。

圖5 光伏出力概率分布預(yù)測結(jié)果Fig.5 Forecast results of probability distribution of photovoltaic generation power

4.2.2 算例結(jié)果

圖6為實施需求響應(yīng)前后不同季節(jié)典型日的電負(fù)荷曲線對比，圖7為云儲能商業(yè)模式下不同季節(jié)所有用戶云儲能總充放電、熱、氣功率曲線，圖8為云儲能商業(yè)模式下不同季節(jié)云儲能提供商優(yōu)化出的總充放電、熱、氣功率曲線。

由圖6分析需求響應(yīng)對負(fù)荷的影響，在考慮需求響應(yīng)前后，4個季節(jié)的負(fù)荷量均有明顯變化。在15:00—21:00的用電高峰時段，電負(fù)荷有所下降，而在00:00—07:00的低谷時段，電負(fù)荷有所上升，可以看出需求響應(yīng)平滑了負(fù)荷曲線，起到了削峰填谷的作用。結(jié)合圖7、圖8可以看出，在實施需求響應(yīng)前后，不論是用戶還是提供商，其在不同季節(jié)的充放能功率都有所下降，這說明實施需求響應(yīng)機制會對云儲能的容量和功率配置產(chǎn)生正向刺激，兩者結(jié)合符合現(xiàn)階段電力市場特點且有利于投資成本的降低。

圖6 需求響應(yīng)前后負(fù)荷對比Fig.6 Load comparison before and after demand response

圖7 云儲能用戶總充放能功率Fig.7 Total charge and discharge power of CES users

圖8 云儲能提供商充放能功率Fig.8 Charge and discharge power of CES provider

4.2.3 經(jīng)濟性分析

云儲能提供商通過規(guī)模效益獲得收益，其年收益包括用戶支付的云儲能服務(wù)費以及由于規(guī)模效益減少的購能成本，具體表示為：

Gk=Ic1+ε(Oc2,1-Oc2,k),k=2,3,4

(66)

式中：Gk為場景k下的年收益；Oc2,k為場景k下，云儲能提供商的運行成本；ε為用戶參與云儲能所帶來的年運營成本減少量分?jǐn)偨o云儲能提供商的比例，本算例取30%。

(67)

(68)

4種不同場景下優(yōu)化出的算例結(jié)果如附表A2所示。不同場景下云儲能提供商投建實體儲能的功率和容量配置如圖9和圖10所示。不同場景下的最優(yōu)配置方案成本對比如圖11所示。

表A2 各參數(shù)優(yōu)化結(jié)果Table A2 Optimization results of each parameter

圖9 不同場景下儲能功率配置Fig.9 Energy storage power configuration in different scenarios

圖10 不同場景下儲能容量配置Fig.10 Energy storage capacity allocation in different scenarios

圖11 不同場景下云儲能提供商成本對比Fig.11 Cost comparison of CES providers in different scenarios

由場景1與場景2的優(yōu)化結(jié)果對比可分析用戶使用云儲能的優(yōu)越性。用戶在選擇云儲能模式以使用虛擬儲能時，儲能設(shè)備配置的功率和容量有所減少，投資成本與運行成本較使用自建儲能也有明顯降低。

通過場景2與場景3的優(yōu)化結(jié)果對比，驗證了考慮需求響應(yīng)使需配置3種儲能設(shè)備的功率和容量、提供商的投資和運行成本分別進一步降低，證明了在云儲能模式下考慮需求響應(yīng)的優(yōu)越性。

場景3和場景4對比了新能源出力確定性和概率預(yù)測方法對云儲能提供商容量配置結(jié)果的影響。在使用新能源概率預(yù)測結(jié)果進行配置時，無論是儲能設(shè)備配置的功率和容量，還是提供商投資和運行的成本都有所降低。這是因為新能源出力的確定性預(yù)測結(jié)果接近新能源實際出力的期望值，無法感知不確定性，結(jié)果偏保守。而通過概率預(yù)測得到的新能源出力采樣值，可模擬新能源出力的波動。而在波動場景下，由于云儲能的規(guī)模效應(yīng)和用能互補，配置的容量和成本可進一步降低，且仍能滿足用戶的用能需求。

總體對比場景2、3、4，云儲能提供商的年收益隨場景遞進有所降低，這是由于規(guī)模效應(yīng)與用能互補導(dǎo)致用戶對于儲能需求有所降低，但是其投資回收期明顯縮短。同時，用戶的投運成本也會因之降低。因此，從整體社會效益上看，場景4具有更高的優(yōu)越性。

5 結(jié) 論

本文構(gòu)建了一個考慮需求響應(yīng)的電、熱、氣綜合能源系統(tǒng)模型，將云儲能商業(yè)模式應(yīng)用于該模型，分析用戶與云儲能提供商的兩主體決策動態(tài)過程，搭建兩主體雙層優(yōu)化模型。通過算例分析得出以下結(jié)論：

1)相較于傳統(tǒng)的買賣模式，本文中云儲能商業(yè)模式有效降低了用戶側(cè)儲能的投建規(guī)模，相應(yīng)降低了用戶自建儲能的投建成本與運維實體儲能的時間成本。

2)云儲能商業(yè)模式中的云儲能提供商可以在云儲能模式全周期運營中通過規(guī)模效應(yīng)獲得收益，由于新主體的加入，系統(tǒng)運行的可靠性和經(jīng)濟性大為提高。

3)云儲能提供商在使用新能源概率預(yù)測結(jié)果進行容量配置優(yōu)化時，在滿足用戶用能需求的前提下，可有效降低配置的容量和成本。

4)考慮需求響應(yīng)后，該系統(tǒng)的配置規(guī)模進一步減小，成本也隨之降低，驗證了在更為開放的電力市場環(huán)境下，云儲能商業(yè)模式具有良好的經(jīng)濟性和適應(yīng)性。