許烽，陶遠(yuǎn)超，陸翌，裘鵬，李心宇，孫浩，覃洪培

（1.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院，杭州 310014；2.浙江大學(xué) 電氣工程學(xué)院，杭州 310027）

0 引言

為應(yīng)對(duì)化石燃料枯竭和環(huán)境污染問題，中國提出構(gòu)建以新能源為主體的新型電力系統(tǒng)。截至2021年底，中國風(fēng)電和光伏的裝機(jī)容量分別達(dá)到328 GW和306 GW［1］，高比例可再生能源接入成為影響電力系統(tǒng)靈活安全運(yùn)行的重要因素［2］。區(qū)域電熱綜合能源系統(tǒng)作為能源互聯(lián)網(wǎng)的重要載體，可通過電熱耦合設(shè)備有效利用熱力系統(tǒng)的靈活調(diào)節(jié)特性，實(shí)現(xiàn)電熱系統(tǒng)協(xié)同互補(bǔ)，提高可再生能源消納水平，為能源轉(zhuǎn)型的落地實(shí)施和加速發(fā)展提供有力支持［3-9］。

由于區(qū)域電熱系統(tǒng)中的可再生能源出力和負(fù)荷側(cè)靈活性資源均具有較高的隨機(jī)性和波動(dòng)性［10］，2022年8月，工業(yè)和信息化部等多部門聯(lián)合發(fā)布《加快電力裝備綠色低碳創(chuàng)新發(fā)展行動(dòng)計(jì)劃》，要求推進(jìn)風(fēng)光儲(chǔ)一體化裝備發(fā)展，通過儲(chǔ)能調(diào)節(jié)平抑源荷雙側(cè)的波動(dòng)，明確了儲(chǔ)能在新型電力系統(tǒng)構(gòu)建中的重要作用。因此，如何針對(duì)源荷雙側(cè)不確定性進(jìn)行預(yù)測(cè)，并基于預(yù)測(cè)結(jié)果指導(dǎo)儲(chǔ)能參與區(qū)域電熱系統(tǒng)靈活安全運(yùn)行，成為當(dāng)前重要的研究方向。

極限學(xué)習(xí)機(jī)算法由于在處理非線性問題時(shí)表現(xiàn)出計(jì)算速度快、模型精度高的優(yōu)點(diǎn)，在電力系統(tǒng)源荷預(yù)測(cè)領(lǐng)域得到廣泛的應(yīng)用。文獻(xiàn)［11］和文獻(xiàn)［12］基于極限學(xué)習(xí)機(jī)和重采樣的概率預(yù)測(cè)方法，分別對(duì)風(fēng)電功率和電價(jià)進(jìn)行預(yù)測(cè)；文獻(xiàn)［13］將極限學(xué)習(xí)機(jī)算法與云計(jì)算理論相結(jié)合，實(shí)現(xiàn)對(duì)分布式電力負(fù)荷的預(yù)測(cè)；文獻(xiàn)［14］引入結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論，結(jié)合最小二乘向量機(jī)方法，開展短期電力負(fù)荷預(yù)測(cè)；文獻(xiàn)［15］運(yùn)用改進(jìn)鳥群算法優(yōu)化極限學(xué)習(xí)機(jī)模型參數(shù)，實(shí)現(xiàn)了光伏發(fā)電系統(tǒng)輸出功率預(yù)測(cè)；文獻(xiàn)［16］結(jié)合深度信念網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)算法，以深度信念網(wǎng)絡(luò)開展日前預(yù)測(cè)，運(yùn)用極限學(xué)習(xí)機(jī)算法進(jìn)行超短期優(yōu)化，實(shí)現(xiàn)了電力負(fù)荷的超短期預(yù)測(cè)。然而上述文獻(xiàn)均為針對(duì)單一能源或單一預(yù)測(cè)模型的預(yù)測(cè)方法，沒有針對(duì)多能源荷的不確定性展開進(jìn)一步研究。

儲(chǔ)能作為重要的靈活性資源，被廣泛應(yīng)用于電力系統(tǒng)和電熱耦合系統(tǒng)［17-18］。在電力系統(tǒng)應(yīng)用場(chǎng)景中，蓄電池、飛輪儲(chǔ)能和超級(jí)電容等常被用來調(diào)峰調(diào)頻及作為緊急備用，可大大提高運(yùn)行系統(tǒng)的靈活性［19-20］。目前許多研究將風(fēng)光出力波動(dòng)分解為高頻分量和低頻分量，分別用功率型儲(chǔ)能（如飛輪儲(chǔ)能、超級(jí)電容器）和能量型儲(chǔ)能（如蓄電池）平抑這兩種分量。文獻(xiàn)［21］運(yùn)用蓄電池和超級(jí)電容組成混合儲(chǔ)能系統(tǒng)，可有效平抑風(fēng)電出力波動(dòng)；文獻(xiàn)［22］利用飛輪儲(chǔ)能綠色環(huán)保、運(yùn)行壽命長以及安全可靠等優(yōu)點(diǎn)，在光伏波動(dòng)劇烈的極端場(chǎng)景下有效平抑波動(dòng)信號(hào)分解后的高頻分量，降低并網(wǎng)功率波動(dòng)對(duì)電網(wǎng)調(diào)頻的影響。在電熱耦合系統(tǒng)應(yīng)用場(chǎng)景下，文獻(xiàn)［23］將需求響應(yīng)、電儲(chǔ)能和熱儲(chǔ)能定義為廣義儲(chǔ)能，進(jìn)行統(tǒng)一協(xié)調(diào)調(diào)度；文獻(xiàn)［24］考慮綜合需求響應(yīng)，建立含多能儲(chǔ)能的綜合能源系統(tǒng)優(yōu)化調(diào)度模型，運(yùn)用CVaR（條件風(fēng)險(xiǎn)價(jià)值）方法處理可再生能源不確定性；文獻(xiàn)［25］在智慧園區(qū)能源系統(tǒng)配置負(fù)冷熱儲(chǔ)能，在負(fù)荷預(yù)測(cè)基礎(chǔ)上實(shí)現(xiàn)園區(qū)系統(tǒng)優(yōu)化運(yùn)行；文獻(xiàn)［26］提出一種電熱系統(tǒng)共享儲(chǔ)能動(dòng)態(tài)容量租賃模型，通過共享儲(chǔ)能實(shí)現(xiàn)多微網(wǎng)間能源共享。然而上述文獻(xiàn)在建模過程中均忽略了熱力系統(tǒng)網(wǎng)絡(luò)約束，即忽略了熱網(wǎng)本身具有的熱慣性，無法體現(xiàn)熱能傳輸時(shí)間長、傳輸載體可抽象為虛擬儲(chǔ)能等熱力動(dòng)態(tài)特性；此外，上述文獻(xiàn)未同時(shí)對(duì)源荷雙側(cè)的不確定性進(jìn)行建模，所得策略可能難以運(yùn)用到實(shí)際場(chǎng)景中。

綜上，本文提出一種基于多能源荷預(yù)測(cè)的區(qū)域電熱系統(tǒng)儲(chǔ)能靈活優(yōu)化調(diào)度方法。考慮多能源荷雙側(cè)的不確定性，基于改進(jìn)極限學(xué)習(xí)機(jī)和Kmeans聚類算法分別對(duì)光伏出力、電負(fù)荷和熱負(fù)荷進(jìn)行預(yù)測(cè)，運(yùn)用CVaR考慮光伏出力不確定性帶來的成本提高風(fēng)險(xiǎn)。綜合考慮電熱設(shè)備特性、熱力系統(tǒng)網(wǎng)絡(luò)約束和時(shí)延特性，以系統(tǒng)運(yùn)行成本和CVaR加權(quán)之和最小為目標(biāo)，建立含多能儲(chǔ)能的系統(tǒng)優(yōu)化調(diào)度模型，通過多能儲(chǔ)能優(yōu)化調(diào)度實(shí)現(xiàn)電熱系統(tǒng)靈活運(yùn)行，提高系統(tǒng)可再生能源消納水平。

1 源荷預(yù)測(cè)模型

1.1 改進(jìn)極限學(xué)習(xí)機(jī)模型

相比于計(jì)算速度慢、收斂速度緩慢、易出現(xiàn)過擬合和欠擬合的梯度下降算法，極限學(xué)習(xí)機(jī)算法計(jì)算速度快、結(jié)構(gòu)簡(jiǎn)單，具有很強(qiáng)的非線性擬合能力?？紤]到區(qū)域電熱系統(tǒng)源荷雙側(cè)非線性特征明顯，本文運(yùn)用極限學(xué)習(xí)機(jī)對(duì)區(qū)域電熱系統(tǒng)的電力負(fù)荷和光伏功率進(jìn)行預(yù)測(cè)，其網(wǎng)絡(luò)模型如圖1所示。

圖1 極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型Fig.1 Model of extreme learning machine

設(shè)訓(xùn)練集合{(xi，ti)|xi∈Rn，ti∈Rm，i=1，2，…，N}存在N個(gè)樣本，輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)分別是n、h、m，g(x)為激活函數(shù)。極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)模型為：

式中：bi和βi分別為第i個(gè)隱含層神經(jīng)元的偏置和權(quán)重；ωi=[ωi1，ωi2，…，ωin]T為極限學(xué)習(xí)機(jī)的輸入權(quán)重；oj=[oj1，oj2，…，ojm]T為極限學(xué)習(xí)機(jī)的輸出結(jié)果。

極限學(xué)習(xí)機(jī)的計(jì)算過程無須迭代，隨機(jī)初始化輸入權(quán)重ω和隱含層偏置b，極限學(xué)習(xí)機(jī)的損失函數(shù)設(shè)置為：

式中：θ={ωi，bi，βi}；H為隱含層的輸出矩陣；β為輸出權(quán)重；T為輸出期望矩陣。訓(xùn)練極限學(xué)習(xí)機(jī)的過程可轉(zhuǎn)化為求解以下線性方程［27］：

式中：H-1為矩陣H的Moore-Penrose廣義逆。通過求解該線性方程可以以極高的計(jì)算效率獲得全局最優(yōu)解，避免復(fù)雜梯度計(jì)算和參數(shù)迭代。

由于極限學(xué)習(xí)機(jī)的初始化權(quán)重和閾值對(duì)訓(xùn)練結(jié)果有很大影響，本文引入遺傳算法進(jìn)行改進(jìn)，優(yōu)化初始權(quán)重和閾值。改進(jìn)極限學(xué)習(xí)機(jī)光伏及電力負(fù)荷預(yù)測(cè)的步驟如下：

1）數(shù)據(jù)預(yù)處理，對(duì)源荷歷史數(shù)據(jù)中的異常數(shù)據(jù)進(jìn)行處理與歸一化。

2）設(shè)置隱含層單元個(gè)數(shù)等超參數(shù)，隨機(jī)初始化模型的權(quán)重和閾值，確定極限學(xué)習(xí)機(jī)的基本模型結(jié)構(gòu)。

3）設(shè)置遺傳算法的參數(shù)，包括種群數(shù)、迭代次數(shù)、交叉概率和變異概率。

4）設(shè)置初始種群，進(jìn)行交叉、變異的迭代訓(xùn)練。

5）當(dāng)?shù)螖?shù)達(dá)到上限時(shí)，輸出優(yōu)化后的極限學(xué)習(xí)機(jī)權(quán)值和閾值。

6）依據(jù)優(yōu)化所得的極限學(xué)習(xí)機(jī)初始權(quán)值、閾值，開展源荷預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。

1.2 K-means聚類算法

考慮到區(qū)域電熱系統(tǒng)熱負(fù)荷具有日內(nèi)負(fù)荷曲線波動(dòng)小、與日期季節(jié)等因素相關(guān)性強(qiáng)的特點(diǎn)，極限學(xué)習(xí)機(jī)算法優(yōu)勢(shì)并不明顯。因此，本文引入K-means聚類算法［28］，聚合典型熱負(fù)荷場(chǎng)景，為區(qū)域電熱系統(tǒng)的靈活安全運(yùn)行提供熱負(fù)荷數(shù)據(jù)支持。

K-means聚類算法的步驟為：

1）從樣本集中隨機(jī)選取k個(gè)樣本作為初始的聚類中心，其中k為聚類簇的個(gè)數(shù)。

2）將每個(gè)樣本都分配到最近的聚類中心，形成k個(gè)簇，采用的鄰近度函數(shù)為平方歐幾里得距離。

3）對(duì)每個(gè)簇中的數(shù)據(jù)樣本求取其平均值，得到新的聚類中心。

4）重復(fù)步驟2和步驟3，直到簇的質(zhì)點(diǎn)在設(shè)定的容錯(cuò)范圍之內(nèi)。

2 考慮CVaR的含多能儲(chǔ)能區(qū)域電熱系統(tǒng)優(yōu)化調(diào)度模型

本文區(qū)域電熱系統(tǒng)包括分布式柴油發(fā)電機(jī)、光伏、熱電聯(lián)產(chǎn)機(jī)組、燃?xì)忮仩t等供能設(shè)備及蓄電池、飛輪儲(chǔ)能及蓄熱罐等多能儲(chǔ)能設(shè)備，如圖2所示。

圖2 含多能儲(chǔ)能的區(qū)域電熱系統(tǒng)Fig.2 Schematic diagram of district electricity-thermal system with multi-energy storage

2.1 目標(biāo)函數(shù)

CVaR為在給定置信水平下，損失超過VaR（風(fēng)險(xiǎn)價(jià)值）的條件均值。它可以反映不確定性因素帶來的平均損失水平，在風(fēng)險(xiǎn)管理中是一種比VaR更為合理有效的風(fēng)險(xiǎn)計(jì)量方法［19］。給定置信水平β下CVaR與VaR的關(guān)系如圖3所示，其中，CVaRβ和CCVaRβ分別為置信度β下的VaR和CVaR。

圖3 置信度β下CVaR與VaR的關(guān)系Fig.3 Schematic diagram of CVaR and VaR under confidence β

考慮區(qū)域電熱系統(tǒng)運(yùn)行經(jīng)濟(jì)性成本及光伏出力不確定性帶來的平均損失水平，目標(biāo)函數(shù)可表示為：

式中：Cop為電熱系統(tǒng)運(yùn)行成本；ω1和ω2為權(quán)重系數(shù)，權(quán)重系數(shù)大小反映決策者的風(fēng)險(xiǎn)偏好，滿足ω1+ω2=1。

2.1.1 區(qū)域電熱系統(tǒng)運(yùn)行成本

考慮多能儲(chǔ)能的靈活調(diào)節(jié)作用，區(qū)域電熱系統(tǒng)運(yùn)行成本可表示為：

式中：T為調(diào)度周期；Δt為調(diào)度時(shí)間間隔；Cmt和Cext分別為t時(shí)刻電熱系統(tǒng)運(yùn)行維護(hù)成本和外購能成本。其中，系統(tǒng)運(yùn)行維護(hù)成本Cmt可進(jìn)一步表示為：

式中：CBU，t、CFS，t、CTS，t分別為多能儲(chǔ)能蓄電池、飛輪儲(chǔ)能和蓄熱罐在t時(shí)刻的運(yùn)行維護(hù)成本；mBU、mFS、mTS分別為多能儲(chǔ)能蓄電池、飛輪儲(chǔ)能和蓄熱罐的維修成本系數(shù)；σCHP、σPV、σGB分別為熱電聯(lián)產(chǎn)機(jī)組、光伏和燃?xì)忮仩t的維護(hù)成本系數(shù)；、、、分別為t時(shí)刻第i個(gè)熱電聯(lián)產(chǎn)機(jī)組、分布式柴油發(fā)電機(jī)、光伏的有功功率和燃?xì)忮仩t的熱功率；和分別為t時(shí)刻第i個(gè)蓄電池的充、放電功率；為t時(shí)刻第i個(gè)飛輪儲(chǔ)能功率；和分別為t時(shí)刻第i個(gè)蓄熱罐的充、放熱功率；NCHP、NCGU、NPV、NGB、NBU、NFS、NTS分別為熱電聯(lián)產(chǎn)機(jī)組、分布式柴油發(fā)電機(jī)、光伏、燃?xì)忮仩t、蓄電池、飛輪儲(chǔ)能和蓄熱罐數(shù)量。

t時(shí)刻的系統(tǒng)外購能成本Cext可表示為：

式中：λet和λgas分別為外購電、氣的單價(jià)，其中外購電單價(jià)隨時(shí)間變化；Pex，et和Pex，gast分別為t時(shí)刻系統(tǒng)外購電、氣功率。

2.1.2 CVaR

考慮光伏出力預(yù)測(cè)不確定性對(duì)運(yùn)行成本的影響，CVaR表達(dá)式如下：

式中：E(·)為期望算子；ρ(Cop)為運(yùn)行成本Cop的概率密度函數(shù)。

由于運(yùn)行成本Cop分布為非參數(shù)分布，ρ(Cop)無法參數(shù)化表示，因此需要進(jìn)一步轉(zhuǎn)化為如下便于求解的形式。

式中：(·)+表示非負(fù)算子，當(dāng)運(yùn)行成本高于VaR時(shí)，取兩者差值，反之為0。通過隨機(jī)優(yōu)化方法，求解期望值可進(jìn)一步轉(zhuǎn)化為求解一系列隨機(jī)場(chǎng)景。

2.2 約束條件

約束條件包括多能設(shè)備約束、熱網(wǎng)約束、電網(wǎng)約束。其中，多能儲(chǔ)能設(shè)備約束和熱力系統(tǒng)約束如下，其他設(shè)備約束及電網(wǎng)約束見文獻(xiàn)［29］。

2.2.1 多能儲(chǔ)能設(shè)備約束

1）蓄電池

蓄電池運(yùn)行成本相對(duì)較低，是目前最常用的儲(chǔ)能設(shè)備，模型約束包括功率和SOC（荷電狀態(tài)）及儲(chǔ)能周期性約束，具體如下：

2）飛輪儲(chǔ)能

飛輪儲(chǔ)能具有儲(chǔ)能容量大、效率高、無污染、壽命長及可實(shí)現(xiàn)連續(xù)工作等優(yōu)點(diǎn)，是一種應(yīng)用前景廣闊的新型儲(chǔ)能技術(shù)，可與傳統(tǒng)的電池儲(chǔ)能混合用于分布式發(fā)電系統(tǒng)中，為解決目前廣泛關(guān)注的能源問題提供了新途徑。飛輪儲(chǔ)能依靠飛輪轉(zhuǎn)子的旋轉(zhuǎn)實(shí)現(xiàn)電能和機(jī)械能的轉(zhuǎn)換，具體約束如下：

3）蓄熱罐

運(yùn)用蓄熱罐補(bǔ)償供熱可提高熱電機(jī)組供熱靈活性。通過配置蓄熱罐與熱電機(jī)組協(xié)調(diào)運(yùn)行，不僅可以提高可再生能源并網(wǎng)量，還有利于節(jié)煤降碳，且投資成本低，是促進(jìn)可再生能源消納的重要措施之一。蓄熱罐運(yùn)行約束如下：

2.2.2 熱力系統(tǒng)約束

1）供熱設(shè)備約束

供熱設(shè)備約束包括熱電聯(lián)產(chǎn)機(jī)組約束和燃?xì)忮仩t約束。熱電聯(lián)產(chǎn)機(jī)組運(yùn)行約束如下：

式中：為熱電聯(lián)產(chǎn)機(jī)組i在t時(shí)刻消耗原料的功率；ηCHP為熱電聯(lián)產(chǎn)機(jī)組能量轉(zhuǎn)換效率；和分別為熱電聯(lián)產(chǎn)機(jī)組i在t時(shí)刻的電功率上界和下界；為熱電聯(lián)產(chǎn)機(jī)組i在t時(shí)刻的熱功率；RCHP為熱電聯(lián)產(chǎn)機(jī)組熱電比；rCHP為熱電聯(lián)產(chǎn)機(jī)組爬坡率。

燃?xì)忮仩t約束如下：

式中：為燃?xì)忮仩ti在t時(shí)刻消耗的天然氣功率；和分別為燃?xì)忮仩ti在t時(shí)刻的熱功率上界和下界；rGB為燃?xì)忮仩t爬坡率。

2）熱力管網(wǎng)約束

熱力管網(wǎng)由于其特有的熱慣性，可為電熱運(yùn)行提供靈活調(diào)節(jié)能力。熱力管網(wǎng)換流站能量轉(zhuǎn)換可表示為：

式中：為熱源節(jié)點(diǎn)流入管網(wǎng)的熱量；為熱負(fù)荷節(jié)點(diǎn)流出管網(wǎng)的熱量；為供水管道熱水流入溫度；為回水管道熱水流出溫度；為供水管道熱水流出溫度；為回水管道熱水流入溫度；C為水的比熱容；qn，t為熱水質(zhì)量流量；n為熱力管網(wǎng)節(jié)點(diǎn)編號(hào)。

由于熱水從管道起點(diǎn)到終點(diǎn)需要一定的傳輸時(shí)間，相比電網(wǎng)傳輸，該時(shí)延不可忽略。熱力管網(wǎng)時(shí)延τl可表示為：

式中：ml為管道l的質(zhì)量流量；ρ為熱水密度；dl為管道l的直徑；Ll為管道l的長度；Ml為管道l內(nèi)熱水質(zhì)量。

當(dāng)忽略溫度損失時(shí)，管道出口處的溫度可表示為：

式中：和分別為t-τl和t-τl+1時(shí)刻流入管道l的溫度。

然而，熱水在管道內(nèi)的流動(dòng)過程中不可避免地會(huì)向周圍散熱，計(jì)及熱傳輸損耗的實(shí)際出口溫度可表示為：

式中：Kl為管道l的熱傳導(dǎo)系數(shù)；Tgd為環(huán)境溫度。

當(dāng)熱水從多個(gè)管道流向同一節(jié)點(diǎn)或從同一節(jié)點(diǎn)流向多個(gè)管道時(shí)，其溫度變化必須滿足溫度混合方程：

式中：和分別為節(jié)點(diǎn)流入溫度和管道流出溫度；和分別為管道流入質(zhì)量流量和流出質(zhì)量流量；Ψinn和Ψoutn分別表示與節(jié)點(diǎn)n連接的流入管道和流出管道的集合。

此外，節(jié)點(diǎn)溫度需滿足約束：

3 算例分析

3.1 源荷預(yù)測(cè)結(jié)果

3.1.1 基于改進(jìn)極限學(xué)習(xí)機(jī)的源荷預(yù)測(cè)

選取某地區(qū)真實(shí)電負(fù)荷數(shù)據(jù)進(jìn)行仿真驗(yàn)證，以歷史電力負(fù)荷數(shù)據(jù)、溫度、待預(yù)測(cè)日前一天溫差作為輸入特征，同時(shí)考慮到區(qū)域電熱系統(tǒng)電熱負(fù)荷之間的相關(guān)性，輸入特征進(jìn)一步引入熱負(fù)荷數(shù)據(jù)，提前一天進(jìn)行電力負(fù)荷預(yù)測(cè)。同時(shí)，以某地區(qū)真實(shí)的光伏出力歷史數(shù)據(jù)、溫度數(shù)據(jù)作為輸入，提前15 min開展光伏功率預(yù)測(cè)。遺傳算法的參數(shù)設(shè)置如下：種群大小為30，交叉概率和突變概率分別為0.7和0.01，最大迭代次數(shù)為300。電力負(fù)荷和光伏功率預(yù)測(cè)值和實(shí)際值對(duì)比如圖4所示。

圖4 預(yù)測(cè)結(jié)果Fig.4 Forecasting results

表1給出了電力負(fù)荷和光伏出力預(yù)測(cè)的MAPE（平均絕對(duì)百分比誤差）和歸一化后的RMSE（均方根誤差）兩項(xiàng)預(yù)測(cè)評(píng)價(jià)指標(biāo)的計(jì)算結(jié)果。

表1 電力負(fù)荷預(yù)測(cè)的MAPE和RMSE指標(biāo)Table1 MAPE and RMSE indices of power load forecasting

由圖4和表1可知，電力負(fù)荷和光伏出力的預(yù)測(cè)結(jié)果曲線形態(tài)與真實(shí)值十分相似，MAPE指標(biāo)分別為0.045和0.051，RMSE指標(biāo)分別為0.047和0.027，驗(yàn)證了基于極限學(xué)習(xí)機(jī)的電力負(fù)荷和光伏功率預(yù)測(cè)的準(zhǔn)確性，為后續(xù)區(qū)域電熱系統(tǒng)靈活安全運(yùn)行提供可靠的數(shù)據(jù)支撐。

3.1.2 基于K-means聚類的熱負(fù)荷分析預(yù)測(cè)

選取某地區(qū)11月至次年3月的熱負(fù)荷數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，聚類結(jié)果如圖5所示。

圖5 熱負(fù)荷聚類結(jié)果Fig.5 Clustering results of thermal load

由圖5可知，熱負(fù)荷典型場(chǎng)景可以分為3類，而且各類別與相應(yīng)的月份關(guān)系對(duì)應(yīng)緊密，驗(yàn)證了K-means聚類算法在熱負(fù)荷分析預(yù)測(cè)中的合理性，為區(qū)域電熱系統(tǒng)靈活安全運(yùn)行提供了熱負(fù)荷典型場(chǎng)景。

3.2 多能儲(chǔ)能優(yōu)化調(diào)度結(jié)果

基于光伏出力和電力負(fù)荷預(yù)測(cè)結(jié)果，本文采用IEEE 33節(jié)點(diǎn)配電網(wǎng)與6節(jié)點(diǎn)熱網(wǎng)構(gòu)成的區(qū)域電熱系統(tǒng)進(jìn)行算例分析，在MATLAB R2021a上運(yùn)用YALMIP工具箱建模，調(diào)用CPLEX商業(yè)求解器進(jìn)行求解。如圖6所示，分布式柴油發(fā)電機(jī)、光伏及蓄電池、飛輪儲(chǔ)能組成的發(fā)電-儲(chǔ)能一體化系統(tǒng)分別位于配電網(wǎng)節(jié)點(diǎn)13、18、30處，配電網(wǎng)節(jié)點(diǎn)2與熱網(wǎng)節(jié)點(diǎn)1通過熱電聯(lián)產(chǎn)機(jī)組連接，同時(shí)燃?xì)忮仩t和蓄熱罐也位于熱網(wǎng)節(jié)點(diǎn)1處。設(shè)備及網(wǎng)絡(luò)參數(shù)見文獻(xiàn)［13，24］。

圖6 測(cè)試系統(tǒng)示意圖Fig.6 Schematic diagram of text system

當(dāng)優(yōu)化目標(biāo)僅考慮運(yùn)行成本時(shí)，區(qū)域電熱系統(tǒng)電熱功率平衡及多能儲(chǔ)能優(yōu)化調(diào)度結(jié)果如圖7所示。

圖7 調(diào)度結(jié)果Fig.7 Dispatching results

由于計(jì)及熱量傳輸損耗，調(diào)度時(shí)段內(nèi)熱量總供給大于熱力負(fù)荷需求。考慮熱力網(wǎng)絡(luò)的傳輸時(shí)延特性和儲(chǔ)熱特性，熱量供給可在某些時(shí)刻小于熱量總需求，如調(diào)度時(shí)段3—7和92—96，這體現(xiàn)了熱網(wǎng)熱慣性具有的靈活功率支撐能力。在調(diào)度時(shí)段44—52，由于光伏出力不斷提升，電熱系統(tǒng)通過減小電熱耦合設(shè)備熱電聯(lián)產(chǎn)機(jī)組出力，進(jìn)一步提高光伏消納量，為滿足熱力平衡，蓄熱罐不斷增大放熱功率至最大值，以補(bǔ)足熱電聯(lián)產(chǎn)機(jī)組出力減少帶來的產(chǎn)熱量減少；在調(diào)度時(shí)段73—85，由于光伏出力不斷減少直至為0，熱電聯(lián)產(chǎn)機(jī)組出力不斷提升，蓄熱罐轉(zhuǎn)為蓄熱模式以吸收熱電聯(lián)產(chǎn)機(jī)組產(chǎn)生的多余熱量。此外，飛輪儲(chǔ)能動(dòng)作頻率較高，可平抑光伏高頻波動(dòng)。由圖7可知，多能儲(chǔ)能可有效參與區(qū)域電熱系統(tǒng)靈活調(diào)度。

為分析多能儲(chǔ)能參與電熱系統(tǒng)調(diào)度的經(jīng)濟(jì)性，表2對(duì)含不同類型儲(chǔ)能的電熱系統(tǒng)運(yùn)行成本進(jìn)行對(duì)比。由表2可知，當(dāng)區(qū)域電熱系統(tǒng)儲(chǔ)能僅配置蓄電池時(shí)，運(yùn)行成本為22 526元，棄光量為80.32 MWh；當(dāng)采用蓄電池和飛輪儲(chǔ)能組成混合儲(chǔ)能時(shí)，飛輪儲(chǔ)能可平抑部分光伏高頻波動(dòng)，運(yùn)行成本降低至22 017元，棄光量減少為63.04 MWh；進(jìn)一步引入蓄熱罐后，系統(tǒng)運(yùn)行成本為20 439元，僅有少量棄光，與僅配置電池儲(chǔ)能相比，成本降低9.26%，光伏出力幾乎全部消納。對(duì)比分析表明，通過多能儲(chǔ)能的靈活調(diào)節(jié)可降低系統(tǒng)運(yùn)行成本。

表2 含不同類型儲(chǔ)能的模型運(yùn)行成本對(duì)比Table 2 Comparison of operation cost for models with different kinds of energy storage

當(dāng)優(yōu)化目標(biāo)為運(yùn)行成本和CVaR的加權(quán)之和時(shí)，不同CVaR目標(biāo)的權(quán)值ω2可反映對(duì)風(fēng)險(xiǎn)的不同偏好?；诠夥A(yù)測(cè)結(jié)果生成10個(gè)光伏出力場(chǎng)景［30］，選取置信水平β為95%，得到不同ω1和ω2取值下的運(yùn)行成本和CVaR值，其關(guān)系如表3所示。

表3 不同權(quán)重下運(yùn)行成本及CVaRTable 3 Operation cost and CVaR under different weights

由表3可知，隨著目標(biāo)函數(shù)CVaR項(xiàng)的權(quán)重不斷提升，系統(tǒng)運(yùn)行成本不斷提高，CVaR值不斷降低。實(shí)際應(yīng)用中，可基于對(duì)風(fēng)險(xiǎn)的厭惡程度及可再生能源等的不確定性合理分配優(yōu)化模型中的運(yùn)行成本和CVaR的權(quán)重值。

4 結(jié)語

本文提出一種基于源荷預(yù)測(cè)的含多能儲(chǔ)能區(qū)域電熱系統(tǒng)的靈活優(yōu)化調(diào)度方法，基于光伏和電熱負(fù)荷的預(yù)測(cè)結(jié)果，運(yùn)用CVaR考慮光伏預(yù)測(cè)不確定性對(duì)運(yùn)行成本的影響，以運(yùn)行成本和CVaR加權(quán)之和最小為目標(biāo)建立含多能儲(chǔ)能的區(qū)域電熱系統(tǒng)優(yōu)化調(diào)度模型。算例分析證明了基于極限學(xué)習(xí)機(jī)預(yù)測(cè)的準(zhǔn)確性及多能儲(chǔ)能參與區(qū)域電熱系統(tǒng)靈活運(yùn)行的經(jīng)濟(jì)性，同時(shí)也驗(yàn)證了考慮CVaR對(duì)于區(qū)域電熱系統(tǒng)調(diào)度策略制定的有效性。