陳 芳,王 吉,宋劍朝,候承昊,吳 萌,陳海鵬

(1.國(guó)網(wǎng)山東省電力公司 聊城供電公司,山東 聊城 252000;2.東北電力大學(xué) 電氣工程學(xué)院,吉林 吉林 132012)

為應(yīng)對(duì)全球能源危機(jī),建立以新能源為主導(dǎo)的能源體系已刻不容緩。為此,我國(guó)明確提出了“碳中和、碳達(dá)峰”的能源發(fā)展目標(biāo),新能源裝機(jī)容量屢破新高[1]。然而,新能源的間歇性和隨機(jī)性也給配電網(wǎng)的安全穩(wěn)定運(yùn)行帶來(lái)了挑戰(zhàn)[2]。

作為工業(yè)產(chǎn)業(yè)聚集地,工業(yè)園區(qū)既是我國(guó)經(jīng)濟(jì)發(fā)展的核心,也是重要的用能大戶(hù)。據(jù)統(tǒng)計(jì),我國(guó)工業(yè)園區(qū)的總能耗占全社會(huì)的69%,且保持持續(xù)增長(zhǎng)趨勢(shì)[3]。由于工業(yè)園區(qū)能耗量大、分布集中[4],其中的各類(lèi)工業(yè)負(fù)荷規(guī)律性較強(qiáng),通過(guò)合理的運(yùn)行調(diào)度手段可有效促進(jìn)節(jié)能減排,在有效消納新能源發(fā)電的同時(shí)提高工業(yè)園區(qū)的運(yùn)行經(jīng)濟(jì)性,因此該手段已成為我國(guó)新能源消納的主力[5]。為解決含分布式能源工業(yè)園區(qū)的運(yùn)行經(jīng)濟(jì)性問(wèn)題,文獻(xiàn)[6]提出了一種基于滾動(dòng)優(yōu)化的工業(yè)園區(qū)長(zhǎng)時(shí)間尺度調(diào)度優(yōu)化模型,通過(guò)日前優(yōu)化、日內(nèi)修正實(shí)現(xiàn)工業(yè)園區(qū)的經(jīng)濟(jì)運(yùn)行。文獻(xiàn)[7]構(gòu)建了園區(qū)微網(wǎng)與共享儲(chǔ)能結(jié)合的優(yōu)化調(diào)度模型,通過(guò)調(diào)整分布式能源出力及儲(chǔ)能出力實(shí)現(xiàn)最優(yōu)經(jīng)濟(jì)目標(biāo)下的園區(qū)用能優(yōu)化。文獻(xiàn)[8]以?xún)?chǔ)能和需求側(cè)響應(yīng)為調(diào)節(jié)手段,建立了兼顧設(shè)備配置與運(yùn)行調(diào)度優(yōu)化的雙層規(guī)劃優(yōu)化模型。文獻(xiàn)[9]構(gòu)建了一個(gè)包含冷、熱、天然氣等多種能源的工業(yè)園區(qū)綜合能源系統(tǒng),考慮了供能管網(wǎng)和儲(chǔ)能水罐儲(chǔ)能對(duì)經(jīng)濟(jì)效益的影響。文獻(xiàn)[10]提出一種考慮建筑供冷區(qū)域儲(chǔ)能特性的工業(yè)園區(qū)綜合能源系統(tǒng)的日前優(yōu)化調(diào)度模型,該模型可以有效降低購(gòu)電功率和運(yùn)營(yíng)成本。然而,上述文獻(xiàn)均以經(jīng)濟(jì)性為目標(biāo),未考慮運(yùn)行中的環(huán)保問(wèn)題,為了解決該問(wèn)題,文獻(xiàn)[11-13]在工業(yè)園區(qū)的優(yōu)化調(diào)度中考慮碳交易機(jī)制,通過(guò)碳交易成本的引入實(shí)現(xiàn)綠色調(diào)度。文獻(xiàn)[14-16]進(jìn)一步引入了碳捕集技術(shù),通過(guò)構(gòu)建多能互補(bǔ)的工業(yè)園區(qū)綜合能源模型,在降低碳排放的同時(shí)提高新能源消納和經(jīng)濟(jì)運(yùn)行。

然而,目前針對(duì)工業(yè)園區(qū)的用能優(yōu)化研究中,大多未考慮園區(qū)用戶(hù)的響應(yīng)意愿,默認(rèn)用戶(hù)具有較高的需求響應(yīng)參與比例,難以符合實(shí)際應(yīng)用情況[17]。為此,本文提出一種考慮用戶(hù)用電滿(mǎn)意度的工業(yè)園區(qū)配能優(yōu)化模型,對(duì)用戶(hù)用電行為進(jìn)行分析,結(jié)合聚類(lèi)分析方法,挖掘用戶(hù)參與需求響應(yīng)的潛力及其參與意愿;在園區(qū)配能優(yōu)化模型中,以工業(yè)園區(qū)運(yùn)行的經(jīng)濟(jì)性及用戶(hù)綜合滿(mǎn)意度為綜合目標(biāo),通過(guò)儲(chǔ)能及可調(diào)節(jié)負(fù)荷的轉(zhuǎn)移分配,基于多目標(biāo)遺傳算法實(shí)現(xiàn)工業(yè)園區(qū)運(yùn)行優(yōu)化。采用我國(guó)某地區(qū)工業(yè)園區(qū)的運(yùn)行數(shù)據(jù)進(jìn)行算法的驗(yàn)證,通過(guò)與未經(jīng)優(yōu)化的運(yùn)行情況進(jìn)行對(duì)比,所提方法可在保證用戶(hù)滿(mǎn)意度的同時(shí),實(shí)現(xiàn)工業(yè)園區(qū)的綠色、經(jīng)濟(jì)運(yùn)行,全面提高工業(yè)園區(qū)的運(yùn)行水平。

1 含分布式光伏的智慧工業(yè)園區(qū)

含光伏的智慧工業(yè)園區(qū)能源系統(tǒng)結(jié)構(gòu)如圖1所示。在所構(gòu)建的園區(qū)系統(tǒng)中,包含光伏發(fā)電機(jī)組、儲(chǔ)能系統(tǒng)、燃料電池、電鍋爐及電、熱負(fù)荷。其中,將負(fù)荷進(jìn)一步分為基本負(fù)荷和可轉(zhuǎn)移負(fù)荷,基本負(fù)荷指用戶(hù)負(fù)荷中不可轉(zhuǎn)移的部分,可轉(zhuǎn)移負(fù)荷則是指一定時(shí)間內(nèi),可以進(jìn)行柔性調(diào)度的用戶(hù)負(fù)荷,可以通過(guò)這部分負(fù)荷的轉(zhuǎn)移再分配實(shí)現(xiàn)用能優(yōu)化。燃料電池用以發(fā)電及產(chǎn)生熱能,發(fā)電時(shí)產(chǎn)生的熱能通過(guò)回收后供給用戶(hù),同時(shí)滿(mǎn)足用戶(hù)的用電負(fù)荷和熱負(fù)荷需求,熱負(fù)荷不足部分則通過(guò)電鍋爐進(jìn)行提供。光伏機(jī)組產(chǎn)生的電能直接用于園區(qū),多余部分存儲(chǔ)至儲(chǔ)能系統(tǒng)中。儲(chǔ)能系統(tǒng)作為削峰填谷的分布式靈活性資源,直接參與智慧園區(qū)的優(yōu)化調(diào)度。此外,在智慧工業(yè)園區(qū)中,為每個(gè)用戶(hù)加裝智能電表和管理終端,用于采集、管理用戶(hù)側(cè)信息,實(shí)現(xiàn)需求側(cè)參與的工業(yè)園區(qū)用能優(yōu)化。

圖1 智慧工業(yè)園區(qū)能源系統(tǒng)結(jié)構(gòu)

2 智慧園區(qū)用戶(hù)需求響應(yīng)潛力分析

2.1 用戶(hù)負(fù)荷特征分析

為了分析智慧園區(qū)內(nèi)各用戶(hù)的用電特性,方便用戶(hù)側(cè)可轉(zhuǎn)移負(fù)荷資源的聚合,采用峰期負(fù)荷率、谷期負(fù)荷率、高峰時(shí)段持續(xù)時(shí)間三個(gè)指標(biāo)對(duì)園區(qū)內(nèi)用戶(hù)的可轉(zhuǎn)移負(fù)荷進(jìn)行評(píng)估。

1)峰期負(fù)荷率

峰期負(fù)荷率是指用電峰期時(shí)段內(nèi),負(fù)荷平均值與負(fù)荷最大值的比值,表征了負(fù)荷在峰期的變化程度,如式(1)所示。

(1)

2)谷期負(fù)荷率

谷期負(fù)荷率是指用電低谷時(shí)段內(nèi),負(fù)荷平均值與負(fù)荷最大值的比值,表征了負(fù)荷在低谷時(shí)段的變化程度,如式(2)所示。

(2)

3)高峰時(shí)段持續(xù)時(shí)間

高峰時(shí)段持續(xù)時(shí)間為用戶(hù)在高峰時(shí)段的用電持續(xù)時(shí)間,表征了用戶(hù)的用電習(xí)慣,如式(3)所示。

T=Te-Ts。

(3)

式中,Te為用戶(hù)用電高峰的開(kāi)始時(shí)刻;Ts為用戶(hù)用電高峰的結(jié)束時(shí)刻;T為用戶(hù)用電高峰持續(xù)時(shí)間。

2.2 基于K-means的負(fù)荷聚類(lèi)

K-means聚類(lèi)方法是一種常用的數(shù)據(jù)聚類(lèi)分析方法,因此被廣泛應(yīng)用于負(fù)荷聚類(lèi)領(lǐng)域。K-means聚類(lèi)方法的本質(zhì)是設(shè)置多個(gè)數(shù)據(jù)簇聚類(lèi)中心,根據(jù)數(shù)據(jù)點(diǎn)與聚類(lèi)中心的距離,將數(shù)據(jù)集分為多個(gè)數(shù)據(jù)簇。

在根據(jù)公式(1)～(3)對(duì)智慧工業(yè)園區(qū)內(nèi)的用戶(hù)進(jìn)行用電特征分析后,根據(jù)其特征相似程度,采用K-means聚類(lèi)方法對(duì)用戶(hù)可調(diào)節(jié)負(fù)荷曲線進(jìn)行聚類(lèi),從而構(gòu)建出園區(qū)用戶(hù)可調(diào)節(jié)負(fù)荷模型,為園區(qū)用能優(yōu)化提供理論依據(jù),需要注意的是,為了保證不同維度的負(fù)荷數(shù)據(jù)在同一個(gè)評(píng)價(jià)尺度內(nèi),需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理,如式(4)所示。

(4)

在對(duì)數(shù)據(jù)進(jìn)行歸一化處理后,采用K-means聚類(lèi)分析方法對(duì)負(fù)荷進(jìn)行聚類(lèi),其步驟如下:

1)確定聚類(lèi)數(shù)據(jù)簇?cái)?shù),即聚類(lèi)的類(lèi)別數(shù)m;

2)在數(shù)據(jù)集中抽取m個(gè)數(shù)據(jù)點(diǎn)作為初始的聚類(lèi)中心數(shù)據(jù)點(diǎn),形成聚類(lèi)中心數(shù)據(jù)集Y={y1,y2…ym};

3)遍歷數(shù)據(jù)集中的每個(gè)樣本數(shù)據(jù),分別計(jì)算每個(gè)數(shù)據(jù)與初始聚類(lèi)中心數(shù)據(jù)點(diǎn)的歐式距離,并將其歸類(lèi)到距離最小的數(shù)據(jù)簇內(nèi);

4)根據(jù)公式(5)所示,重新計(jì)算每個(gè)數(shù)據(jù)簇的聚類(lèi)中心點(diǎn):

(5)

式中,Nj為第j類(lèi)的樣本總數(shù)。

5)重復(fù)步驟3)～4),直至兩次迭代得到的聚類(lèi)中心差值小于設(shè)定的閾值;

6)輸出聚類(lèi)結(jié)果。

基于K-means聚類(lèi)方法的工業(yè)園區(qū)用戶(hù)負(fù)荷聚類(lèi)流程如圖2所示。

圖2 基于K-means的工業(yè)園區(qū)負(fù)荷聚類(lèi)流程

2.3 園區(qū)需求響應(yīng)等級(jí)評(píng)價(jià)

為了面向工業(yè)園區(qū)不同需求場(chǎng)景的園區(qū)用能優(yōu)化,首先對(duì)園區(qū)運(yùn)行場(chǎng)景進(jìn)行需求響應(yīng)等級(jí)評(píng)價(jià),采用日峰谷差率指標(biāo)作為評(píng)價(jià)依據(jù),日峰谷差率是指負(fù)荷最大、最小值的差值與最大負(fù)荷值的比率,表征了全天用電負(fù)荷的最大最小值差距,如公式(6)所示。

(6)

式中,ru為日峰谷差率;Pmax、Pmin分別為全天內(nèi)負(fù)荷的最大值和最小值。

基于2.2節(jié)的K-means聚類(lèi)分析方法,將工業(yè)園區(qū)的運(yùn)行場(chǎng)景進(jìn)行特征聚類(lèi),形成具有不同日峰谷差率的工業(yè)園區(qū)典型負(fù)荷曲線,根據(jù)其日峰谷差率大小進(jìn)行園區(qū)需求響應(yīng)等級(jí)評(píng)價(jià)。在本研究中,設(shè)置聚類(lèi)簇?cái)?shù)為3類(lèi),并形成三種需求響應(yīng)等級(jí)情況,如表1所示。

表1 需求響應(yīng)等級(jí)評(píng)價(jià)

2.4 園區(qū)用戶(hù)響應(yīng)潛力評(píng)價(jià)

通過(guò)智慧園區(qū)內(nèi)的負(fù)荷轉(zhuǎn)移再分配,可以有效實(shí)現(xiàn)削峰填谷,提高工業(yè)園區(qū)的用能水平。為了研究園區(qū)工業(yè)用戶(hù)的需求響應(yīng)潛力,在獲取其可調(diào)節(jié)負(fù)荷典型特性后,根據(jù)其負(fù)荷率大小將負(fù)荷曲線類(lèi)型劃分為迎峰型、避峰型與高負(fù)荷率型[18]。其中,迎峰型負(fù)荷曲線的用戶(hù)的響應(yīng)意愿系數(shù)為1,高負(fù)荷率型負(fù)荷曲線的用戶(hù)的響應(yīng)意愿系數(shù)為0.5～0.8,避峰型負(fù)荷曲線的用戶(hù)的響應(yīng)意愿系數(shù)為0[19]。進(jìn)一步結(jié)合公式(7)～(8)計(jì)算用戶(hù)的響應(yīng)潛力:

(7)

(8)

3 計(jì)及用戶(hù)滿(mǎn)意度的工業(yè)園區(qū)用能優(yōu)化

3.1 目標(biāo)函數(shù)

在以往,計(jì)及需求側(cè)響應(yīng)的工業(yè)園區(qū)用能優(yōu)化模型多以最小化園區(qū)運(yùn)行成本為優(yōu)化目標(biāo),忽略了用戶(hù)的用能滿(mǎn)意度及園區(qū)運(yùn)行的環(huán)保性。為此,在所提模型中考慮園區(qū)用戶(hù)綜合滿(mǎn)意度指標(biāo),并在園區(qū)運(yùn)行成本中增加碳排放成本,作為智慧工業(yè)園區(qū)用能優(yōu)化模型的目標(biāo)函數(shù)。

1)最小化園區(qū)運(yùn)行成本

F=min(fop+fst+fgrid+fidr+fec) ,

(9)

式中,fop為園區(qū)內(nèi)各類(lèi)設(shè)備的運(yùn)行維護(hù)成本,包括光伏發(fā)電系統(tǒng)、儲(chǔ)能系統(tǒng)、燃料電池及電鍋爐;fst為設(shè)備啟停成本;fgrid為電網(wǎng)購(gòu)電成本;fidr為需求響應(yīng)成本;fec為碳排放成本。其中:

fop=kpvPpv+kessPess+kfcPfc+kebPeb,

(10)

在園區(qū)的運(yùn)行成本中,Ppv、Pess、Pfc、Peb分別為光伏出力、蓄電池功率、燃料電池功率及電鍋爐功率;kpv、kess、kfc、keb分別為光伏、蓄電池、燃料電池及電鍋爐的單位功率運(yùn)維成本。

fst=fess+ffc+feb,

(11)

在園區(qū)設(shè)備啟停成本中,fess、ffc、feb分別為蓄電池、燃料電池及電鍋爐的啟動(dòng)成本。

(12)

在電網(wǎng)購(gòu)電成本中,cgrid為電網(wǎng)的分時(shí)電價(jià);Pgrid為園區(qū)向電網(wǎng)購(gòu)電的功率。

(13)

(14)

在碳排放成本中,kc為大電網(wǎng)單位出力所產(chǎn)生的碳排放量系數(shù);ec為處理單位碳排放量所需的成本系數(shù)。

2)最大化用戶(hù)滿(mǎn)意度

從用戶(hù)用能舒適度及響應(yīng)經(jīng)濟(jì)性?xún)蓚€(gè)方面衡量用戶(hù)滿(mǎn)意度,形成用戶(hù)綜合滿(mǎn)意度指標(biāo):

R=min(-rs+re) ,

(15)

(16)

(17)

3.2 約束條件

1)電功率平衡約束

Ppv+Pgrid+Pess+Pfc+Pmov=Pload+Peb。

(18)

式(18)中,Ppv為光伏機(jī)組的輸出功率;Pgrid為外部電網(wǎng)的輸入功率;Pess為儲(chǔ)能系統(tǒng)的輸出功率,為正值時(shí)表示儲(chǔ)能系統(tǒng)放電,為負(fù)值時(shí)表明儲(chǔ)能系統(tǒng)充電;Pfc為燃料電池的輸出電功率;Pmov為需求響應(yīng)轉(zhuǎn)移負(fù)荷功率,為正值時(shí)表明負(fù)荷轉(zhuǎn)出到其他時(shí)段,為負(fù)值時(shí)表明負(fù)荷轉(zhuǎn)入到當(dāng)前時(shí)段;Pload為電負(fù)荷功率;Peb為電鍋爐的輸入電功率。

2)熱功率平衡約束

Hfc+Heb=Hload,

(19)

式中,Hfc為燃料電池的輸出熱功率;Heb為電鍋爐的輸出熱功率;Hload為熱負(fù)荷功率。

3)電負(fù)荷轉(zhuǎn)移約束

電負(fù)荷發(fā)生轉(zhuǎn)移時(shí),在整個(gè)時(shí)間尺度內(nèi)其總負(fù)荷功率并無(wú)變化,因此轉(zhuǎn)移功率須滿(mǎn)足響應(yīng)前后總負(fù)荷功率保持不變,且每時(shí)刻的轉(zhuǎn)移功率須滿(mǎn)足轉(zhuǎn)移限值:

(20)

4)儲(chǔ)能運(yùn)行約束

儲(chǔ)能系統(tǒng)的約束包括儲(chǔ)能容量約束和儲(chǔ)能充放電約束:

Eess.min

(21)

(22)

(23)

(24)

5)光伏機(jī)組出力約束

光伏機(jī)組的出力約束如式(25)所示:

(25)

6)電鍋爐運(yùn)行約束

為了保證電鍋爐的安全運(yùn)行,其運(yùn)行功率應(yīng)保持在允許范圍內(nèi),且其電功率與熱功率之間存在效率轉(zhuǎn)換關(guān)系:

(26)

Heb=ηebPeb。

(27)

3.3 基于多目標(biāo)遺傳算法的工業(yè)園區(qū)用能優(yōu)化

由于所構(gòu)建的智慧工業(yè)園區(qū)用能優(yōu)化模型中具有多個(gè)優(yōu)化求解目標(biāo),為了保證算法求解的效率和精度,采用非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm,NSGA-Ⅱ)進(jìn)行模型的求解,該算法可以通過(guò)求解多個(gè)目標(biāo)的適應(yīng)度,實(shí)現(xiàn)最優(yōu)策略的啟發(fā)式求解,具有較高的運(yùn)行效率和收斂性[20]。

NSGA-Ⅱ算法的流程包括:

1)種群初始化

根據(jù)模型生成合適數(shù)量的初始種群,為了保證初始種群在樣本空間內(nèi)的均勻分布,采用拉丁超立方抽樣生成初始種群[21]。

2)適應(yīng)度評(píng)估

根據(jù)3.1節(jié)所設(shè)置的目標(biāo)函數(shù),對(duì)每個(gè)個(gè)體的適應(yīng)度進(jìn)行評(píng)估,在NSGA-Ⅱ中,適應(yīng)度決定了個(gè)體的優(yōu)先級(jí),個(gè)體的適應(yīng)度由擁擠度與非支配排序等級(jí)共同體現(xiàn)。

3)非支配排序

基于非支配排序,根據(jù)個(gè)體的適應(yīng)度信息進(jìn)行個(gè)體的優(yōu)先次序排序,越靠前的個(gè)體受支配的程度越低,從而將個(gè)體劃分為不同的層級(jí),互不支配的個(gè)體放在同一層級(jí)內(nèi)。

4)擁擠度計(jì)算

擁擠度表征了同一層級(jí)內(nèi)個(gè)體的密度,擁擠度越大,表明個(gè)體的適應(yīng)性越強(qiáng),對(duì)于多目標(biāo)優(yōu)化函數(shù)而言,需要對(duì)每個(gè)目標(biāo)函數(shù)下的擁擠度進(jìn)行計(jì)算,并將其累加作為個(gè)體的最終擁擠度。

5)遺傳操作

為了實(shí)現(xiàn)遺傳算法的迭代優(yōu)化,將當(dāng)前種群作為父代種群,通過(guò)隨機(jī)抽取的方式抽取兩個(gè)父代個(gè)體,通過(guò)遺傳算法的交叉、變異操作形成子代個(gè)體。

6)精英策略

為了保證算法的優(yōu)化效果,通過(guò)精英策略實(shí)現(xiàn)種群內(nèi)優(yōu)秀個(gè)體的篩選。將遺傳操作后生成的子代個(gè)體與父代個(gè)體重新組合為新的種群,基于非支配排序及個(gè)體擁擠度對(duì)新種群進(jìn)行篩選,形成精英種群進(jìn)行下一次迭代。

7)迭代優(yōu)化

重復(fù)步驟1)～6),直到算法達(dá)到設(shè)置的收斂條件:算法達(dá)到最大遺傳代數(shù);新種群中最優(yōu)個(gè)體的適應(yīng)度與上一代種群中最優(yōu)個(gè)體的適應(yīng)度差距小于0.1%。

在所提模型中,采用實(shí)數(shù)編碼的方式,以?xún)?chǔ)能系統(tǒng)的充放電功率及每個(gè)用戶(hù)的需求響應(yīng)轉(zhuǎn)移負(fù)荷功率作為NSGA-Ⅱ算法中每個(gè)個(gè)體的遺傳信息,結(jié)合公式(9)～(14)的園區(qū)運(yùn)行成本函數(shù)及用戶(hù)綜合滿(mǎn)意度,遺傳算法通過(guò)步驟1)～7)的迭代執(zhí)行,逐步尋找到滿(mǎn)足用戶(hù)用能意愿且園區(qū)成本最低的最優(yōu)配能策略,基于NSGA-Ⅱ算法的智慧工業(yè)園區(qū)配能優(yōu)化流程如圖3所示。

圖3 基于NSGA-Ⅱ算法的園區(qū)配能優(yōu)化流程

4 實(shí)驗(yàn)結(jié)果與分析

4.1 算例說(shuō)明

以華北某市區(qū)的工業(yè)園區(qū)為例進(jìn)行模型的有效性驗(yàn)證,該工業(yè)園區(qū)中包含1臺(tái)100 kW電鍋爐、1臺(tái)150 kW燃料電池、1套200 kW儲(chǔ)能系統(tǒng)及1個(gè)300 kW的光伏發(fā)電機(jī)組,碳排放量系數(shù)取1.08 kg/kW·h,單位碳排放量所需的成本系數(shù)取0.252元/kg[22]。此外,包含4個(gè)具備需求響應(yīng)潛力的工業(yè)用戶(hù),該地區(qū)電價(jià)如表2所示,園區(qū)設(shè)備參數(shù)如表3所示。

表2 分時(shí)電價(jià)表

表3 設(shè)備參數(shù)

選取調(diào)度周期為24 h,分別考慮三種需求響應(yīng)等級(jí)下的運(yùn)行場(chǎng)景,光伏機(jī)組的預(yù)測(cè)功率、熱負(fù)荷需求及中、高、低三種需求響應(yīng)場(chǎng)景下的電負(fù)荷需求曲線如圖4所示。其中,高、中、低三種需求響應(yīng)場(chǎng)景的日峰谷差率分別為49.51%,17.32%和9.59%。

時(shí)間/h圖4 光伏預(yù)測(cè)功率及負(fù)荷需求

4.2 園區(qū)用戶(hù)需求側(cè)響應(yīng)潛力分析

對(duì)工業(yè)園區(qū)內(nèi)的用戶(hù)負(fù)荷進(jìn)行需求側(cè)響應(yīng)潛力分析,基于公式(1)～(3)計(jì)算用戶(hù)的可調(diào)節(jié)負(fù)荷特性指標(biāo),根據(jù)三個(gè)維度的指標(biāo)對(duì)負(fù)荷曲線進(jìn)行聚類(lèi),得到四個(gè)大工業(yè)用戶(hù)的可調(diào)節(jié)負(fù)荷聚類(lèi)曲線如圖5所示。

時(shí)間/h圖5 需求響應(yīng)用戶(hù)的負(fù)荷聚合曲線

從圖5中可以看出,A用戶(hù)的用電負(fù)荷特性為高負(fù)荷率型,B用戶(hù)的用電負(fù)荷特性為迎峰型,C用戶(hù)的用電負(fù)荷特性處在高負(fù)荷率型與迎峰型之間,D用戶(hù)的用電負(fù)荷特性為迎峰型。得到各用戶(hù)的用電曲線類(lèi)型后,進(jìn)一步根據(jù)公式(7)～(8),計(jì)算獲取四個(gè)工業(yè)用戶(hù)在兩個(gè)高峰時(shí)段的需求響應(yīng)潛力,結(jié)果如表4所示。

表4 各用戶(hù)負(fù)荷需求響應(yīng)潛力

4.3 基于NSGA-Ⅱ的園區(qū)用能優(yōu)化

設(shè)置NSGA-Ⅱ的初始種群數(shù)量為100,迭代次數(shù)為100,交叉概率為1,變異概率為0.05,計(jì)算獲得三種需求響應(yīng)等級(jí)下的優(yōu)化結(jié)果如表5所示。

表5 各用戶(hù)負(fù)荷需求響應(yīng)潛力

時(shí)間/h(a) 需求等級(jí):低

4.4 不同靈活性資源對(duì)于園區(qū)優(yōu)化的影響

為了驗(yàn)證所提模型的優(yōu)化效果,以未經(jīng)過(guò)優(yōu)化的園區(qū)配能情況作為對(duì)比,采用需求響應(yīng)等級(jí)為中的場(chǎng)景,分別計(jì)算工業(yè)園區(qū)的配能優(yōu)化評(píng)估結(jié)果,此外,為了分析工業(yè)園區(qū)內(nèi)各類(lèi)靈活性資源對(duì)于園區(qū)配能及用戶(hù)用能滿(mǎn)意度的影響,增加了儲(chǔ)能/用戶(hù)需求側(cè)響應(yīng)不可調(diào)度的案例進(jìn)行對(duì)比實(shí)驗(yàn)。

案例1:儲(chǔ)能與用戶(hù)需求側(cè)響應(yīng)均不可調(diào)度;

案例2:儲(chǔ)能可調(diào)度,用戶(hù)需求側(cè)響應(yīng)不可調(diào)度;

案例3:儲(chǔ)能不可調(diào)度,用戶(hù)需求側(cè)響應(yīng)可調(diào)度;

案例4:儲(chǔ)能及用戶(hù)需求側(cè)響應(yīng)均可調(diào)度。

對(duì)案例1至案例4的模型分別進(jìn)行求解,計(jì)算獲得各案例下工業(yè)園區(qū)的運(yùn)行指標(biāo)如表6所示。

表6 不同案例下的園區(qū)優(yōu)化結(jié)果

由表6可知,相較于案例1、案例2,本方法在調(diào)度周期內(nèi)的購(gòu)電成本、碳排放成本分別下降了11.99%、44.91%。原因在于引入儲(chǔ)能系統(tǒng)后,儲(chǔ)能系統(tǒng)能夠靈活地改變自身工作狀態(tài),提升了園區(qū)運(yùn)行的靈活性,可以有效地促進(jìn)光伏消納,進(jìn)而大幅降低園區(qū)向大電網(wǎng)的購(gòu)電量以及碳排放量,節(jié)約園區(qū)運(yùn)行成本。

案例3在案例1的基礎(chǔ)上引入電負(fù)荷需求響應(yīng),園區(qū)總運(yùn)行成本下降了2 261.1元,并且用戶(hù)滿(mǎn)意度指標(biāo)明顯上升,驗(yàn)證了需求側(cè)響應(yīng)在配能優(yōu)化方面的有效性。此外,結(jié)合案例2與案例4可以看出,考慮了儲(chǔ)能系統(tǒng)與用戶(hù)需求側(cè)響應(yīng)的案例4取得了最佳的配能結(jié)果,其運(yùn)行成本和用戶(hù)滿(mǎn)意度指標(biāo)為4個(gè)案例中最優(yōu)。原因在于儲(chǔ)能系統(tǒng)和用戶(hù)需求側(cè)響應(yīng)均可以實(shí)現(xiàn)“削峰填谷”,二者的結(jié)合降低了園區(qū)用電高峰期的峰值負(fù)荷,緩解了園區(qū)的調(diào)峰壓力,同時(shí)進(jìn)一步提高了分布式光伏的消納,實(shí)現(xiàn)了園區(qū)配能優(yōu)化。表7給出了四種案例下的光伏消納情況。

表7 不同案例下的光伏消納情況

由表7可知,案例1受限于園區(qū)靈活性資源的響應(yīng)能力導(dǎo)致棄光現(xiàn)象嚴(yán)重,光伏消納率僅為70.0%。而案例4的光伏消納效率達(dá)到最大值,為98.4%,進(jìn)一步驗(yàn)證了儲(chǔ)能系統(tǒng)的能量時(shí)移特性與負(fù)荷側(cè)需求響應(yīng)的“削峰填谷”效應(yīng)對(duì)提高園區(qū)分布式光伏消納能力的積極作用。通過(guò)對(duì)比可知,本文所提方法有效地解決了由工業(yè)園區(qū)用戶(hù)響應(yīng)能力不足導(dǎo)致的用能水平低的問(wèn)題。

5 結(jié) 論

本文針對(duì)智慧工業(yè)園區(qū)難以充分發(fā)揮需求側(cè)用戶(hù)的響應(yīng)能力,導(dǎo)致用能水平低、運(yùn)行經(jīng)濟(jì)差等問(wèn)題,提出了考慮用戶(hù)滿(mǎn)意度的智慧工業(yè)園區(qū)用能優(yōu)化策略。該策略基于K-means算法計(jì)算了園區(qū)用戶(hù)側(cè)需求響應(yīng)資源潛力,通過(guò)用戶(hù)用能舒適度及響應(yīng)經(jīng)濟(jì)性?xún)蓚€(gè)維度定義了用戶(hù)用電滿(mǎn)意度指標(biāo),構(gòu)建了考慮不同負(fù)荷側(cè)需求響應(yīng)等級(jí)的工業(yè)園區(qū)用能優(yōu)化模型,并采用非支配排序遺傳算法進(jìn)行啟發(fā)式求解,在兼顧效率的同時(shí)保證了算法的求解精度。實(shí)驗(yàn)結(jié)果表明,相較于傳統(tǒng)方案,所提工業(yè)園區(qū)配能優(yōu)化方法能夠充分利用用戶(hù)側(cè)需求響應(yīng)資源,在保證用戶(hù)用電滿(mǎn)意度的前提下提高了工業(yè)園區(qū)的用能水平,調(diào)度周期內(nèi)園區(qū)的運(yùn)行成本降低了26.82%,分布式光伏消納率提升了28.20%,顯著改善了園區(qū)的經(jīng)濟(jì)和環(huán)境效益。