劉靜，史夢鴿，胡永鋒

（1.中國華電科工集團有限公司，北京 100070；2.南方科技大學(xué)電子與電氣工程系，廣東深圳 518055）

0 引言

為實現(xiàn)“雙碳”戰(zhàn)略目標(biāo)，需“構(gòu)建以新能源為主體的新型電力系統(tǒng)”、實現(xiàn)能源網(wǎng)絡(luò)的脫碳和去中心化［1］。作為一座現(xiàn)代化城市的重要組成部分，智能樓宇憑借其智能化、信息化、可視化、人性化以及高度集成化等特點，日益成為智慧城市發(fā)展的強大驅(qū)動力［2］。在這一趨勢下，智能樓宇系統(tǒng)作為一個能夠?qū)崿F(xiàn)自我控制、保護以及管理的自治系統(tǒng)，可以實現(xiàn)對分布式電源的管理，為應(yīng)對電力系統(tǒng)中高比例可再生能源的隨機性、波動性以及間歇性提供了一種極具前景的能源優(yōu)化調(diào)度方案［3-4］。

智能樓宇系統(tǒng)中的分布式電源包括可調(diào)度的本地機組以及不可調(diào)度的可再生能源（如風(fēng)電、光伏等）。智能樓宇系統(tǒng)運行模式靈活，可以實現(xiàn)聯(lián)網(wǎng)運行模式和離網(wǎng)運行模式的無擾切換［5］。與傳統(tǒng)電網(wǎng)相比可再生能源的不確定性使智能樓宇的能量管理變得更為復(fù)雜。在傳統(tǒng)電網(wǎng)中，通過對負荷進行預(yù)測，可提前對可調(diào)度的本地發(fā)電機組的啟停進行安排。由于在可再生能源高滲透率場景下的智能樓宇系統(tǒng)規(guī)模相對小，因此依賴于預(yù)測精度較高的日前調(diào)度策略已不滿足智能樓宇運行的要求［6］。為了在滿足可再生能源出力與負荷需求時變性的前提下，實現(xiàn)智能樓宇系統(tǒng)的安全、可靠、經(jīng)濟運行，需要設(shè)計適合智能樓宇系統(tǒng)的能量調(diào)度策略來協(xié)調(diào)內(nèi)部能源，并且通過與主網(wǎng)進行電能交互，最終使得系統(tǒng)總運行成本最小化［7］。

通過已有的文獻可以看出，含可再生能源系統(tǒng)的能量管理策略通常包含以下3類。（1）直接應(yīng)用提前設(shè)計的確定性框架［8-9］，這與傳統(tǒng)大規(guī)模電網(wǎng)的優(yōu)化調(diào)度類似。這類方法對可再生能源和負荷需求的預(yù)測過于理想，得到的解可能會偏離實際，不具可行性。（2）采用概率方法來處理電網(wǎng)中普遍存在的不確定性問題。在這類策略中，可再生能源出力是由一系列隨機情況或概率區(qū)間表示，優(yōu)化問題的求解通常采用隨機規(guī)劃［10-12］、魯棒優(yōu)化［13-17］和模糊邏輯［18］等方法?；趫鼍暗碾S機框架依賴于足夠多有代表性的場景來反映可能存在的狀態(tài)，隨著系統(tǒng)規(guī)模的擴大以及隨機變量的不斷增加，求解過程所需要的計算量會越來越大。對于基于魯棒優(yōu)化的方法，通常將不確定性變量限制在一定的集合范圍內(nèi)，通過該集合得到的解一般可以反映最壞的情況。需要指出的是，隨機優(yōu)化方法和魯棒優(yōu)化方法都需要對不確定性有一定的先驗知識。因此，最終的調(diào)度性能在很大程度上取決于預(yù)測精度。（3）采用在線優(yōu)化的方法在較短的時間內(nèi)實現(xiàn)實時能量調(diào)度［19-21］。這類方法在所指定的時間窗口（即從當(dāng)前到未來的某一時段）內(nèi)對不確定性進行管理。常見的在線能量調(diào)度采用模型預(yù)測控制法［22-23］，它不僅可以解決含不確定性的優(yōu)化調(diào)度問題，還具有較好的魯棒性以及抗干擾性。許多魯棒模型預(yù)測方法都是基于最壞情況的擾動假設(shè)得到最優(yōu)解，這往往導(dǎo)致最優(yōu)解過于保守，降低了模型預(yù)測的經(jīng)濟性能。在本研究中，日前階段和日內(nèi)階段分別采用最小-最大（min-max）魯棒優(yōu)化和加權(quán)模型預(yù)測控制方法，使調(diào)度策略對不確定性具有較好的魯棒性，并在日內(nèi)階段可以根據(jù)實際信息和預(yù)測信息之間的差異調(diào)整其調(diào)度計劃，以適應(yīng)源-荷實時波動。

1 智能樓宇系統(tǒng)結(jié)構(gòu)

本文所研究的智能樓宇系統(tǒng)結(jié)構(gòu)如圖1 所示，主要由以下成分構(gòu)成：（1）可再生能源；（2）柴油發(fā)電機組；（3）不可控負荷，如自動扶梯、電表、服務(wù)水泵等；（4）可控負荷，如暖通空調(diào)系統(tǒng)（Heating Ventilation and Air Conditioning，HVAC）、照明負荷等；（5）電池儲能系統(tǒng)（Battery Energy Storage System，BESS）；（6）電動汽車。為了求解智能樓宇系統(tǒng)的能量管理問題，安裝了本地智能樓宇能量管理系統(tǒng)，該系統(tǒng)由必要的傳感器和執(zhí)行器組成。

圖1 智能樓宇系統(tǒng)結(jié)構(gòu)Fig.1 Energy flow of a smart building system

1.1 可再生能源和系統(tǒng)凈負荷

電力負荷和可再生能源在t時刻的出力分別記作Pe(t)和Pre（t）。系統(tǒng)凈負荷定義為

1.2 柴油發(fā)電機

柴油發(fā)電機組的運行成本CG(t)表示為與輸出功率PG(t)相關(guān)的二次形式［24］

式中：a，b和c為發(fā)電機組運行成本的參數(shù)。

在運行過程中，需要滿足以下約束條件。

（1）機組出力上下限約束。

一般情況下，為滿足可再生能源出力和負荷需求的時變性并且保證發(fā)電機組在實時調(diào)度過程中能及時響應(yīng)，它們通常有較大的向上/向下爬坡率。

1.3 HVAC

HVAC是智能樓宇系統(tǒng)的用能的核心單元［25-27］。HVAC 應(yīng)該保持一個可接受的舒適水平，室內(nèi)溫度通常是一個典型的舒適度指標(biāo)。

HVAC 機組的功率PHVAC(t)與建筑內(nèi)外溫度有關(guān)，

1.4 BESS

本文中，BESS的運行成本主要考慮以下因素一次投資成本以及運行維護成本。BESS在t時段內(nèi)的運行成本為

式中：Pch(t)和Pdis(t)分別表示儲能系統(tǒng)的充/放電功率；ηch和ηdis分別為儲能系統(tǒng)的充/放電效率；Ks為折算后的儲能系統(tǒng)充放電單位成本。

一般來說，BESS 在運行過程中需滿足的約束包括

1.5 電動汽車

電動汽車為智能樓宇中可調(diào)控的柔性負載。電動汽車負荷聚合體（Electric Vehicle Aggregator，EVA）負責(zé)整合智能樓宇的電動汽車個體能源需求，以實現(xiàn)智能樓宇的整體能量管理。建筑內(nèi)的EVA可以收集具體的電動汽車信息，如充電需求、到達和離開時間、最大充電功率、司機偏好等。

首先，EVA 在每個時段評估新到達電動汽車的調(diào)度能力，根據(jù)每輛車最大充電功率計算充電需求所需的時間

2 日前階段能量管理策略

本文中的智能樓宇系統(tǒng)與主網(wǎng)相連，當(dāng)智能樓宇內(nèi)部無法滿足功率平衡時，可通過與主網(wǎng)進行購售電而達到功率平衡。具體而言，當(dāng)智能樓宇內(nèi)各發(fā)電單元無法滿足負荷需求時，需要從主網(wǎng)購電；反之，智能樓宇可將富余的電出售給主網(wǎng)，獲得收益。智能樓宇系統(tǒng)的運行需要滿足功率平衡約束，

3 日內(nèi)階段能量管理策略

經(jīng)典的模型預(yù)測控制（Model Predictive Control，MPC）算法可用于求解電力系統(tǒng)的日內(nèi)滾動優(yōu)化問題。該算法的基本原理是：將整個調(diào)度層按時間順序劃分為若干耦合的部分，在時間段t中，在一個預(yù)設(shè)的時間范圍H內(nèi)利用未來的預(yù)測信息求解日內(nèi)調(diào)度問題，從而得到一個最優(yōu)決策，但僅執(zhí)行當(dāng)前時刻的調(diào)度命令；然后將水平窗口向前滾動，在下一個時間周期t+1 中，利用新的狀態(tài)數(shù)據(jù)和預(yù)測信息重復(fù)優(yōu)化過程。

顯然，γRe(t)的取值不僅可以確定可再生能源出力的可行域，而且可以控制能量管理策略的魯棒性和收益之間的權(quán)衡。當(dāng)γRe(t)為0時，表示只考慮可再生能源出力的預(yù)測值，而不考慮可再生能源出力的不確定性，此時能量管理策略的魯棒性較差。隨著γRe(t)的增大，即預(yù)測誤差允許范圍擴大，會使得能量管理策略更加保守。由于本文所建立的能量管理模型是關(guān)于Pre(t)的凸優(yōu)化模型，且可再生能源出力對于目標(biāo)函數(shù)而言是一個非遞增的函數(shù)，所以最優(yōu)解必須達到不確定性集（32）的邊界。因此約束（2）和約束（3）可以用柔性魯棒公式（33）所替代，

4 算例分析

4.1 算例模型

本節(jié)研究了一個典型的智能樓宇系統(tǒng)，包含可再生能源（風(fēng)電、光伏）、柴油發(fā)電機組、HVAC機組、電池儲能系統(tǒng)以及電動汽車。柴油發(fā)電機組的參數(shù)見表1，HVAC 機組的參數(shù)見表2，BESS 的參數(shù)見表3。

表1 柴油發(fā)電機組參數(shù)Table 1 Parameters of the generator

表2 HVAC機組參數(shù)Table 2 Parameters of the HVAC unit

表3 電池儲能系統(tǒng)參數(shù)Table 3 Parameters of the BESS

算例中采用的峰谷分時電價如圖2 所示，可再生能源出力的預(yù)測值和真實值如圖3 所示（選取自美國PJM 公司的真實數(shù)據(jù)，每個時段為15 min，1 d為96 個時段），圖4 為智能樓宇室外的溫度為2021年4 月11 日美國亞拉巴馬州塞爾馬市的真實數(shù)據(jù)，圖5 為電動汽車到達時間及SOC，I（每個時段為15 min）。算例仿真過程是在Matlab2021a 上使用Yalmip［28］以及Gurobi求解器完成的。

圖2 峰谷分時電價Fig.2 Time-of-use price

圖3 可再生能源出力預(yù)測值與真實值的對比Fig.3 Predicted and measured values of renewable energy resources

圖4 室外溫度曲線Fig.4 Outdoor temperature curve

圖5 電動汽車到達時間及初始SOCFig.5 EV's arrival time and initial SOC

4.2 不同場景下仿真結(jié)果分析

對2 種可再生能源出力場景（場景1 為風(fēng)電；場景2 為光伏）下的含儲能系統(tǒng)的智能樓宇的多階段能量管理策略進行研究。圖6為在有、風(fēng)電、光伏出力的情況下，柴油發(fā)電機組的出力。圖7 為2 種場景下的系統(tǒng)與主網(wǎng)的交互功率。從圖2 和圖7 可以看出，系統(tǒng)與電網(wǎng)的交互功率與電價的變化有關(guān)，智能樓宇系統(tǒng)在低電價時（如0～6 h，21～24 h）從電網(wǎng)購電，在電價較高時向電網(wǎng)售電，以達到更優(yōu)的經(jīng)濟性。

圖6 發(fā)電機組出力Fig.6 Output power of then generator

圖7 與主網(wǎng)的交互功率Fig.7 Interactive power with the power grid

圖8 表示2 種場景下，電動汽車充電、儲能充放電以及HVAC 機組的功率情況（每個時段為15 min）。圖8 中電池儲能功率為正值時表示充電，為負值時表示放電，當(dāng)可再生能源出力有富余時，將多余的電量儲存到電池儲能系統(tǒng)中；反之，即當(dāng)可再生能源無法滿足負荷需求時，將電池儲能系統(tǒng)中儲存的電量釋放出來，若仍無法滿足負荷需求，再從電網(wǎng)購電。從圖8 可以看出，電池儲能系統(tǒng)優(yōu)先選擇在高電價時放電，從而降低系統(tǒng)的運行成本。

圖8a 中，電動汽車充電時間主要集中于0～40時段以及85～96 時段，一方面是因為在這2 個時段電價相對較低，另一方面是因為在夜間風(fēng)電出力較高，降低了系統(tǒng)從主網(wǎng)購電的成本。對于場景2，電動汽車充電時間主要集中在光伏出力較高的時段（如44～64 時段）以及電價較低的時段（如85～96時段）。

圖8 能量調(diào)度結(jié)果Fig.8 Energy management results

為了進一步說明BESS 對智能樓宇系統(tǒng)運行成本以及與電網(wǎng)交互功率的影響，對比了在不同場景下包含和不包BESS的系統(tǒng)運行成本，見表4。

由表4 可知，對于場景1，BESS 使得系統(tǒng)運行成本降低2.23%，使系統(tǒng)與主網(wǎng)的交互功率降低6.00%；對于場景2，BESS 使得系統(tǒng)運行成本降低3.14%，使系統(tǒng)與主網(wǎng)的交互功率降低3.82%。無論是采用風(fēng)電還是光伏，BESS都可以通過在可再生能源出力富裕時儲電，在負荷需求較大且成本較高時放電，一定程度上降低系統(tǒng)的運行成本。

表4 不同場景下系統(tǒng)的運行成本Table 4 Operation cost under different scenarios

4.3 不同策略下仿真結(jié)果分析

為了進一步說明本文所提出來調(diào)度策略的性能，將本文所提出的調(diào)度策略與傳統(tǒng)的魯棒優(yōu)化策略在相同的場景下進行對比，2 個場景中使用不同調(diào)度策略的系統(tǒng)運行成本見表5。其中，“理想調(diào)度”是指當(dāng)所有不確定信息均為已知的情況下產(chǎn)生的結(jié)果。在實際情況中由于預(yù)測信息有偏差，因此“理想調(diào)度”是不存在的。本節(jié)將“理想調(diào)度”作為參考量，2 種場景下與“理想調(diào)度”的偏差分別為13.77%與8.65%，傳統(tǒng)魯棒優(yōu)化策略在2 種場景下與理想調(diào)度的偏差分別為27.56%與16.08%。傳統(tǒng)魯棒優(yōu)化策略是基于最壞的場景對系統(tǒng)運行內(nèi)部進行調(diào)度安排以及與外部進行購售電，因此在經(jīng)濟性上與“理想調(diào)度”之間存在較大的偏差。本文所提的兩階段策略在很大程度上可以削弱源荷波動性對系統(tǒng)運行成本產(chǎn)生的影響。

表5 不同策略下系統(tǒng)的運行成本Table 6 Operation cost under different strategies

表6為本文所提出的多階段能量管理策略與單一日前階段能量管理策略下的系統(tǒng)運行成本以及交互功率的對比。

表6 不同調(diào)度策略下系統(tǒng)的運行成本Table 6 Operation cost under different dispatch strategies

可以看出，2 個場景下多階段能量管理策略運行成本以及交互功率均優(yōu)于單一日前階段的能量管理策略。本文所提出的多階段能量管理策略，在日內(nèi)階段所采用加權(quán)模型預(yù)測控制，通過短期的預(yù)測信息對機組以及儲能體統(tǒng)的調(diào)度安排進行修正，能夠更好地應(yīng)對、削弱不確定性信息的隨機性與波動性。

5 結(jié)論

本文提出了含BESS 和充電場站的智能樓宇多階段能量管理方法，包含日前階段和日內(nèi)滾動優(yōu)化階段。本文的能量管理策略采用min-max魯棒優(yōu)化和加權(quán)模型預(yù)測控制方法，使調(diào)度方案對不確定性具有較好的魯棒性，并在日內(nèi)階段根據(jù)實際信息對調(diào)度策略進行調(diào)整以適應(yīng)源荷實時波動性。仿真結(jié)果表明，本文所提出的含電池儲能系統(tǒng)的智能樓宇多階段能量管理方法在不同場景中在一定程度上可以降低智能樓宇的運行成本以及與主網(wǎng)的聯(lián)絡(luò)線功率，為智能樓宇的穩(wěn)定、可靠、經(jīng)濟運行提供支撐。