湯東升，鐘偉東，慕小斌，戴鳳嬌，趙家振，諸宇浩

(1.嘉興恒創(chuàng)電力設計研究院有限公司，浙江 嘉興 314000； 2.國網嘉興供電公司，浙江 嘉興 314003；3.全球能源互聯網研究院有限公司，北京 102209)

0 引 言

作為綜合能源系統在電網企業(yè)內部的一種特殊模式，多站融合場景下的綜合能源系統(Integrated Energy System in Multi Station Fusion，IESIMSF)充分利用了電網企業(yè)的制度和技術優(yōu)勢，在電網企業(yè)的節(jié)能減排工作中發(fā)揮了重要作用[1-2]?！p碳’背景下，低碳運營是IESIMSF的核心建設運營目標，在制定運行策略的過程中，需要綜合考慮經濟約束、運行特性約束和安全約束，從電網減碳全局角度出發(fā)，在滿足系統魯棒性的前提下，最大程度的減少碳排放。

目前，專門針對IESIMSF的低碳運行策略的文獻很少，相關研究主要是針對IESIMSF的某一子系統的運行策略或針對傳統綜合能源系統的運行策略。其中，文獻[3]提出儲能站自律調峰控制策略，單純以儲能站全壽命周期經濟性最優(yōu)為目標函數，以供電區(qū)域“自律”指標為限定條件，建立多站融合供電區(qū)域儲能站容量優(yōu)化配置模型；文獻[4]考慮各子系統的資源需求，以提升變電站現有閑置場地利用率為目標，提出各子系統的配置原則，而對于運行策略方面，以年度電費最低和儲能年投資成本為目標，約束條件中欠缺對各子系統運行特征的考慮。文獻[5-6]綜合研究電力、熱力和天然氣模型，以運行經濟性和提高新能源接納能力為目標，提出了適用于區(qū)域綜合能源系統的運行策略優(yōu)化方法，具有很大的參考意義；文獻[7-9]針對綜合能源系統的日間運行策略，采用分布魯棒優(yōu)化、場景聚類分析等方法求解以經濟運行為目標函數的綜合能源系統日間運行方案，其中的模型不適用于IESIMSF，但方法可參考；文獻[10]以電-熱-氣區(qū)域系統為研究對象，考慮了儲氣罐對提高系統經濟性的作用、熱網管道輸送延時特性對系統消納風電的作用、以及電轉氣設備對消納風電的作用，方法更適用于區(qū)域綜合能源系統，較難應用于多站融合系統；文獻[11]采用基于置信間隙決策的決策模型，采用考慮經濟性、效率的調度模型，可實現更為合理而準確的不確定性優(yōu)化調度，其中對于不確定性的處理極具參考價值。

文獻[12]提出了一種電-氣互聯綜合能源系統的聯合經濟運行模型，并引入碳交易機制，以綜合能源系統發(fā)電能源成本與碳交易成本之和最小為目標函數，更側重經濟性；文獻[13]針對如何實現系統低碳經濟調度的問題，將階梯式碳交易引入電-氣-熱綜合能源系統低碳經濟調度模型中，綜合考慮了系統的低碳性和經濟性。文獻[14]提出了一種以儲碳設備為樞紐連接碳捕集電廠和電轉氣設備的運行模式，建立了一種基于分時能源價格的綜合需求響應機制，并構建了考慮碳捕集系統和綜合需求響應的電-氣綜合能源系統低碳經濟調度模型。上述文獻的研究成果各有側重，但均未考慮電網企業(yè)自身的優(yōu)勢，難以充分挖掘IESIMSF的減碳潛力。

文中充分研究了IESIMSF的構成、特點和運行特性等因素，著眼電網減碳全局，充分考慮電網企業(yè)的運營特點和企業(yè)定位，提出了一種滿足經濟約束、運行特性約束和安全約束的基于魯棒模型的IESIMSF全局低碳運行策略。該策略能夠切合IESIMSF和電網減碳實際工作，能夠在眾多不確定性因素影響下，精確合理的進行IESIMSF日間低碳運營，達到預設的減碳目標。

1 IESIMSF低碳運營模式

1.1 IESIMSF典型結構

IESIMSF利用變電站的資源，可全部或部分配置數據中心站、5G基站、電動汽車充電站、電池儲能、儲熱設備、儲冷設備、電制冷設備和輔助系統等[15]。IESIMSF典型構成如圖1所示。

圖1 IESIMSF典型構成

圖1中，Ee，Eg，Eh分別為系統消耗的電能、天然氣和熱能(kW·h)；Eg-e′，Eg-h′，Eg-c′分別為燃氣三聯供系統生產的電能、熱能和冷能(kW·h);ηgas為燃氣三聯供系統效率；EhiL，Eh,sd分別為數據中心消耗的熱能和儲熱裝置吸收或釋放的熱能(kW·h)；EciL，EcfL，Ec,sd分別為數據中心、輔助系統消耗的冷能和儲冷裝置吸收或釋放的冷能(kW·h)；EeiL，Ee,ups，Ee5gL，EefL，EecL，Ee-c，Ee,sd，Ee,r分別為數據中心、UPS系統、5G基站、輔助系統、電動汽車充電站和電制冷設備消耗的電能以及電池儲能系統吸收或釋放的電能、可再生能源發(fā)出的電能(kW·h);ηesd為儲能系統效率。

1.2 IESIMSF低碳運營模式

IESIMSF可分為電、氣、冷、熱四部分。其中，變電站為電力的主要來源，可再生能源發(fā)電和燃氣三聯供發(fā)電作為補充，配合電池儲能站，為整個系統供電；通過氣網為燃氣三聯供系統提供燃氣；熱能主要來源于熱力網，燃氣三聯供系統的余熱作為補充，如果條件允許，可建設儲熱裝置，提升熱能的利用效率；系統內需要的冷能由電制冷設備和燃氣三聯供系統供給，為了提升冷能的利用效率，充分利用谷電，提升需求側響應的可調度容量，可以利用消防水池等建設儲冷裝置。IESIMSF的能源關系可表示為：

Etotle=Ee+Eg+Eh

(1)

(2)

式中Etotle為IESIMSF總能耗，Ehli、Ehlj、Ehlk分別為第i個熱負荷的能耗、第j個冷負荷的能耗和第k個電負荷的能耗;ηCCHP為燃氣三聯供系統能源利用率；n、m、u分別為熱負荷、冷負荷和電負荷的數量，其他變量定義同圖1。其中，各類儲能設備歸類為負荷，定義其充能時符號為正，釋放能量時，符號為負。

為了發(fā)揮IESIMSF在對電網的減碳作用，其低碳運營需從電網全局角度出發(fā)。文中定義數據中心站、5G基站、輔助系統、電動汽車充電站為IESIMSF的碳排放源，定義燃氣三聯供、電池儲能站、儲冷裝置、儲熱裝置、可再生能源發(fā)電站等可調度容量為IESIMSF的減碳手段。決策者以碳排放源的等效碳排放為基準，在滿足多種約束條件的前提下，發(fā)揮電網調度優(yōu)勢，利用可調度容量進行定向的需求側響應。其中，燃氣三聯供系統和可再生能源發(fā)電站通過部分替代外部供能(電/熱)降低IESIMSF總體碳排放，儲電/冷/熱系統通過削峰填谷和需求側響應，提升區(qū)域電網可再生能源接納能力，同時，削峰填谷對降低電網網損的貢獻也計入IESIMSF低碳運營模式的減碳量。

2 IESIMSF全局低碳策略模型

2.1 目標函數

IESIMSF低碳策略的目標為正常運行條件下全局碳排放比率最低，其運行目標函數如式(3)所示:

(3)

(4)

式中ρE為以火電為基準的度電碳排放均值;Pit(t)、Pac(t) 、Pidc,other(t)分別為數據中心it設備平均功率、平均電制冷負荷功率、其他負荷平均功率；P5G(t)為5G基站平均功率；Pf(t)為輔助系統平均功率；Pc(t)為電動汽車充電站平均功率；ηCCHP、ηf為燃氣三聯供系統能源利用率和火電能源利用率均值，PCCHP(t)為燃氣三聯供系統平均功率；η*sd為某儲能(儲冷、儲熱、電池儲能)系統循環(huán)效率;P*sd(t)為平均循環(huán)功率；Per(t)為可再生能源平均功率;κi為第i個組成部分的宏觀降損系數;Pi(t)為平均功率；t為單位運行時段，取1 h。

2.2 約束條件

2.2.1 經濟性約束

IESIMSF的運營需要考慮經濟性指標約束，考慮IESIMSF建設規(guī)模的差異性，采用年收益率日化值和投資回收周期日化值兩個指標作為經濟性指標約束，具體如下所述。

(5)

式中ERNa(x)為年投資收益率日化值;ERNa-B為年投資收益率基準值;RP(x)為投資回收周期日化值;RPB為投資回收周期基準值。

經濟性指標的日化值和基準值均來源于企業(yè)內控系統，考慮到電網企業(yè)定位，其經濟性約束為相對弱約束。

2.2.2 運行特性約束

(1) 功率平衡約束

IESIMSF需要保證系統內的功率平衡。

(6)

(2) 可控容量約束

IESIMSF的可控容量包括燃氣三聯供、儲冷系統、儲熱系統和電儲能系統的時段內可控容量。

(7)

(3) 可控容量爬坡約束

(8)

(4) 供能系統運行約束

IESIMSF的供能系統包括供電網、供熱網、可再生能源發(fā)電、燃氣三聯供系統的供電、供冷、供熱部分和電制冷系統，其輸出功率需要滿足上、下限約束。

(9)

(5) 儲能系統相關約束

IESIMSF的儲冷系統、儲熱系統和電儲能系統，需要滿足相關容量、效率、和充/放約束。

(10)

2.2.3 安全約束

與IESIMSF低碳運行策略相關的安全約束為數據中心UPS的能量約束和機房環(huán)境溫度約束。

(11)

3 IESIMSF全局低碳策略魯棒優(yōu)化

3.1 魯棒優(yōu)化模型

IESIMSF低碳策略這類典型的包含隨機變量的策略優(yōu)化問題，通?？杀硎緸閇16]：

(12)

式中X為策略變量；y為隨機變量；f(X,y)表示目標函數；g、h分別為等式約束集和不等式約束集；hmin和hmax為不等式約束上下限值。

文中將上述優(yōu)化問題轉化為魯棒優(yōu)化模型，對目標函數設定在隨機變量最惡劣的情況下的可接受的魯棒區(qū)間，保證優(yōu)化結果不溢出[17]。

(13)

式中Y(y,θ)為隨機變量的預測區(qū)間；y和θ分別為隨機變量的預測值和偏差系數;f0隨機變量確定為y時的最優(yōu)解；fc為引入隨機變量后預設的可接受最差目標值;σ為目標容忍系數，σ設置越大，魯棒性越強，反之亦然。

對于IESIMSF低碳策略優(yōu)化，目標函數為整個系統的碳排放比率最低，等式約束集、不等式約束集在系統的經濟約束、運行特性約束和安全約束中分別體現，隨機變量通過挖掘歷史數據進行描述。

3.2 隨機變量描述

IESIMSF低碳策略魯棒優(yōu)化模型涉及的隨機變量包括數據中心it負荷和可再生能源出力。事實上，環(huán)境溫度也是隨機變量，文中計算過程中采信電網企業(yè)購買的局部天氣預報值。

通常，隨機變量描述為預測值和偏差系數的函數[18]。

(14)

事實上，上述兩個隨機變量的不確定量為非對稱分布，式(14)可變更為：

(15)

3.3 IESIMSF全局低碳策略魯棒優(yōu)化

設定f0為確定條件下的最優(yōu)解，則由低碳目標公式(3)、約束條件式(5)～式(11)和隨機變量描述公式(15)得到下述魯棒優(yōu)化模型。

(16)

上述模型求解過程中，可能會生成大量不確定場景，求解困難。

由于IESIMSF中數據中心為最主要的碳排放源，通常數據中心冷負荷約為總負荷的20%～30%，且與數據中心it負荷正相關，而相對電能，冷能、熱能和溫度的變化具有慢特性，所以，可以認為IESIMSF本身即具備對于隨機突變量的魯棒性。文中充分利用此特性，對隨機變量進行平穩(wěn)化處理，篩選出隨機變量的有限場景，并引入可接受概率和最惡劣條件下隨機變量和策略變量的關聯函數，進行相對確定性轉換，降低求解難度，其中關聯函數可用逆累積分布函數表達。則上式可優(yōu)化為：

(17)

式中Fer(δ,t)、Fit(δ,t)分別為可再生能源出力和數據中心it負荷預測誤差對應的最劣化逆累積分布函數;δ為可接受概率。

由于Fer(δ,t)、Fit(δ,t)表征的是相關歷史數據的分布特征，考慮IESIMSF本身即具備對于隨機突變量的魯棒性，可以采用隨機變量對應的歷史極值代替Fer(δ,t)、Fit(δ,t)，能夠極大的簡化模型復雜程度和求解難度，則上式可進一步優(yōu)化為：

(18)

式中exter(δ,t)、exter(δ,t)為可再生能源出力和數據中心it負荷預測誤差對應的歷史極值。

3.4 模型求解

求解IESIMSF低碳策略模型的關鍵在于對于隨機變量的不確定場景的篩選和對模型解集的尋優(yōu)。文中采用經驗模態(tài)分解方法(Empirical Mode Decomposition, EMD)進行隨機變量的場景篩選，得到數據中心it負荷和可再生能源出力的預測曲線，然后，采用粒子群算法對模型進行求解。

EMD把數據序列的突變量或高頻震蕩看作局部事件，本質上是對一個數據進行平穩(wěn)化處理, 產生一系列本征模函數分量(Intrinsic Mode Function, IMF)的過程[19]。對于IESIMSF這類對隨機變量的突變或高頻振蕩具有一定魯棒性的系統，使用EMD進行預測和場景篩選可以極大降低計算難度，且不影響求解的準確度和魯棒性。

采用EMD進行基于歷史數據的預測時，設歷史數據序列為Dats(t)，篩選所有極大值點，用三次樣條函數對極大值點序列插值，構成Dats(t)的上包絡線，同理利用極小值點得到其下包絡線。上、下包絡線的均值為平均包絡線Dats-pv(t)。將原數據序列與平均包絡線相減，得到新的數據序列Dats1(t)，通常，需要多次重復上述過程，直到所得到的數據序列是一個本征模函數分量IMFsk1(t)為止。即：

(19)

將原始數據序列減去IMFsk1(t)后，重復上述插值過程，反復迭代后，直到得到不能夠再被分解的差值數據序列，此時的序列既可代表預測曲線的均值或范圍。

粒子群算法(Particle Swarm Optimization, PSO)是一種搜索范圍廣，收斂速度快的算法，適用于文中提出的這類包含多種約束條件的模型[20]。

(20)

式中vij、xij分別為第i個變量在第j維方向的搜索速度與位置；c1、c2為加速常數，取值為非負數；Pij為第i個變量在第j維方向的局部最優(yōu)位置；PGj為全局最優(yōu)解在第j維方向位置；rand為[0,1]間的隨機數。

IESIMSF低碳策略模型求解流程圖如圖2所示。

圖2 IESIMSF低碳策略模型求解流程圖

(1)輸入IESIMSF相關參數，包括目標函數和約束函數相關的參數和系統參數等，輸入數據中心it負荷和可再生能源出力歷史數據;

(2)產生其隨機不確定場景，采用EMD算法進行場景篩選后得到隨機變量預測均值和范圍;

(3)設定模型參數σ、δ，在隨機變量預測值的基礎上設定最優(yōu)解f0;

(4)輸入約束條件，初始化粒子群的速度、位置、個體最優(yōu)值和群體最優(yōu)值等參數，設置當前迭代次數開始粒子群迭代，k=0;

(5)計算策略變量適應值，得到策略變量和種群的最優(yōu)值和最優(yōu)位置，此處需要注意的是，如果某個策略變量的位置某一維超出了設定的取值范圍，需剔除這個位置，可設定這個策略變量對應的適應度為正無窮，經過這樣設置之后，這個粒子的位置一定不會成為個體最優(yōu)位置，因此更不可能成為群體最優(yōu)位置;

(6)更新策略變量的位置和速度，更新迭代次數k=k+1。策略變量位置和速度的更新可參考策略變量對應的歷史值位置;

(7)重復(5)、(6)迭代至滿足終止條件。判斷迭代終止條件，即目標值是否小于設定閾值且迭代次數達到設定值，若達到終止條件，則迭代終止并輸出結果。

4 算例分析

4.1 算例參數

文中算例系統采用某多站融合示范項目，構成如圖1所示。其中，數據中心it機柜1 271面，額定供電負荷為9.983 MW，電制冷系統能效比大于6W/W；燃氣三聯供系統總容量為2.7 MW，電、冷、熱比為1.2/1.2/0.3；可再生能源發(fā)電(屋頂光伏)額定容量都為1.3 MW，電池儲能站為4 MW/8(MW·h)的磷酸鐵鋰電池組；儲冷系統儲冷容量為1.8 MW×4 h；未配置電加熱設備，儲熱系統僅存儲燃氣三聯供產出的熱能并以生活熱水形式消耗；電動汽車充電、5G基站和輔助系統的總負荷為1.3 MW，計算時歸類為其他負荷。計算過程中，將冷能按電制冷系統能效比折算為等效電能。其他參數如表1所示。

表1 算例參數

算例所在區(qū)域為可再生能源發(fā)電示范區(qū)，光伏+風電的總滲透率為21.32%，工業(yè)用電尖峰段為19:00～21:00，峰段為8:00～11:00、13:00～19:00和21:00～22:00，其他時段為谷段。

4.2 策略求解

選取算例上一年9月歷史數據，采用EMD進行數據中心it負荷和光伏發(fā)電出力典型日預測，結果如圖3和圖4所示。

圖3 數據中心it負荷預測結果

圖4 光伏發(fā)電預測結果

由圖3、圖4可知，數據中心it負荷日內存在波動較大，光伏發(fā)電預計為正常發(fā)電水平。

根據上述預測均值求解最優(yōu)解f0=0.815設定模型參數σ=0.05、δ=99%，PSO迭代次數為50，求得fIESIMSF=0.813 6，得到圖5所示的日內低碳運行策略優(yōu)化結果，圖中，正值表示能量產出，負值表示能量消耗。

圖5 IESIMSF日內低碳運行策略優(yōu)化結果

由圖5可以看出，0:00～6:00時處于該IESIMSF的負荷低谷，同時也是區(qū)域電網的負荷低谷，電池儲能系統和儲冷系統進行定向需求側響應進行充能，CCHP出力較低；當IESIMSF負荷增加，且電網處于峰段時，CCHP出力逐步增大，電池儲能系統和儲冷系統根據情況釋放能量；中午時，電網處于谷段，此時適當減少CCHP出力，并為電池儲能系統和儲冷系統充能；電網重新進入峰段，CCHP出力增大，當電網進入尖峰段時，CCHP滿發(fā)，釋放電池儲能系統和儲冷系統全部可用能量；電網重新進入谷段，IESIMSF負荷減少，逐步減少CCHP出力。

上述日運行策略在減碳的同時，也通過峰谷電價差和需求側響應等降低了整體的運行成本。

重復上述運算20次，計算結果偏差比分布情況如圖6所示。

如圖6可以看出，雖然設定的容忍度系數為0.05，但計算結果偏差最大僅為1.67%，說明PSO的迭代次數還有減少的空間，且此時得到的低碳運行策略結果對于諸如負荷波動之類的隨機擾動還有魯棒空間。

圖6 計算結果偏差比分布

4.3 不同參數下的運算結果

模型的容忍度系數和可接受概率可直接影響運行策略的求解，分別設定模型參數σ=0.10、0.15、0.2，δ=99%，σ=0.10，δ=95%、90%、85%。六組參數下，PSO迭代次數為50，各計算20次，每組的計算偏差比情況如表2所示。

表2 不同參數下的偏差比

如表2所示，δ=99%的情況下，增大σ會增加結果偏差比的范圍，但運算偏差比都比設定的σ小很多，說明低碳運行策略結果還有魯棒空間；σ不變的情況下，減小δ會使結果偏差比增大，低碳運行策略結果的魯棒空間減小，表中δ=85%時，甚至出現偏差比大于σ的情況，說明PSO迭代50次后仍未得到可用解，根據PSO原理，增加迭代次數可解決此問題。

5 結束語

文中從電網減碳全局角度出發(fā)，提出了基于魯棒模型的IESIMSF全局低碳運行策略，采用EMD算法進行隨機變量場景篩選，并采用粒子群算法高效的求解。

(1)文中定義的IESIMSF全局低碳運營模式和低碳策略模型著眼電網減碳的全局目標，能夠充分反映電網企業(yè)的企業(yè)定位和特點，在滿足多種約束條件的前提下，發(fā)揮IESIMSF運營的靈活性特征，最大程度的減少碳排放;

(2)文中提出的IESIMSF全局低碳策略魯棒優(yōu)化模型充分利用IESIMSF冷負荷比例高、且溫度變化具有慢特性的特點，通過對歷史數據的平穩(wěn)化處理，對隨機變量的不確定場景進行篩選，對不確定性進行相對確定性轉換，在不影響優(yōu)化結果的準確性和魯棒性的前提下，降低求解難度，避免優(yōu)化模型不收斂;

(3)文中使用EMD算法進行預測和場景篩選，可以極大降低場景數量和計算難度，且不影響求解的準確度和魯棒性，采用PSO對模型進行求解，求解速度快、求解精度高，所得日內低碳運行策略優(yōu)化結果合理，根據參數設置不同具有不同的魯棒性;

(4)文中提出的基于魯棒模型的IESIMSF全局低碳運行策略為電網減碳工作提供了新的思路，隨著IESIMSF的進一步推廣，本策略進一步迭代調整，可應用于區(qū)域電網對IESIMSF群的低碳運行策略優(yōu)化。