張也可，羅志坤，曾林俊，周力行，龔 磊，王金鑫

（1.長沙理工大學(xué) 電氣與信息工程學(xué)院，湖南 長沙 410114；2.國網(wǎng)湖南省電力有限公司 政策研究中心，湖南 長沙 410029；3.長沙理工大學(xué) 能源與動力工程學(xué)院，湖南 長沙 410114）

0 引言

隨著全球能源需求日益增長，綜合能源系統(tǒng)（Integrated energy system，IES）成為解決能源問題的一種有效途徑[1]。IES 能促進(jìn)多種能源間互補(bǔ)利用，顯著減少資源浪費(fèi)、降低微網(wǎng)運(yùn)行成本，對解決能源問題具有重大作用[2-4]。

為提高IES的運(yùn)行效率及清潔能源的消納率，已有大量學(xué)者對IES 優(yōu)化了進(jìn)行研究。文獻(xiàn)[5]考慮微網(wǎng)內(nèi)部能源流動、需求側(cè)響應(yīng)，提出了冷熱電聯(lián)供系統(tǒng)（Combined cooling，heat and power，CCHP）的能量優(yōu)化和需求響應(yīng)策略。文獻(xiàn)[6]將配電網(wǎng)和CCHP 系統(tǒng)作為2 個不同利益相關(guān)者，給出了分布式求解模型。文獻(xiàn)[7]研究了不確定性因素對經(jīng)濟(jì)運(yùn)行的影響，利用基于機(jī)會約束規(guī)劃對居民能源集線器經(jīng)濟(jì)調(diào)度進(jìn)行處理。文獻(xiàn)[8-10]針對IES 內(nèi)源-荷的不確定性，建立了2 階段魯棒優(yōu)化模型，在最惡劣的情況下求得了系統(tǒng)最優(yōu)運(yùn)行策略。文獻(xiàn)[11-13]采用隨機(jī)優(yōu)化場景法來降低不確定因素對系統(tǒng)的危害。

雖然現(xiàn)有研究大多考慮了風(fēng)光出力的不確定性，但實(shí)際情況是區(qū)域內(nèi)的風(fēng)電和光伏出力有著較強(qiáng)相關(guān)性[14]。文獻(xiàn)[15]研究了基于風(fēng)光不確定性和相關(guān)性的場景生成方法。文獻(xiàn)[16]在此方法基礎(chǔ)上，對考慮風(fēng)光出力不確定性和相關(guān)性的多能互補(bǔ)微網(wǎng)系統(tǒng)優(yōu)化配置問題進(jìn)行了研究。文獻(xiàn)[17]在冷熱電區(qū)域多微網(wǎng)系統(tǒng)優(yōu)化配置問題研究中，考慮了風(fēng)光出力相關(guān)性的影響。然而，文獻(xiàn)[16,17]在考慮CCHP 等綜合能源微網(wǎng)的優(yōu)化問題時均僅考慮到儲能的充放電情況，并未將儲能的閑置時間充分利用。

對于傳統(tǒng)儲能存在的利用率低和投資成本過高等缺點(diǎn)，相關(guān)研究根據(jù)“共享經(jīng)濟(jì)”提出了共享儲能服務(wù)模式[18,19]。文獻(xiàn)[20]提出了一種考慮供需協(xié)同優(yōu)化的雙層經(jīng)濟(jì)模型，可顯著減少微網(wǎng)運(yùn)營成本，并且能提高儲能電站效益。文獻(xiàn)[21]提出了一種基于共享儲能的微網(wǎng)園區(qū)系統(tǒng)能量協(xié)同優(yōu)化，能夠有效降低費(fèi)用、減少電能浪費(fèi)。文獻(xiàn)[18-21]研究表明，共享儲能服務(wù)模式能夠大大提高儲能資源利用率。

為了提升能源利用率，本文構(gòu)建了一種考慮風(fēng)光出力相關(guān)性與共享儲能的綜合能源微網(wǎng)雙層優(yōu)化模型。首先結(jié)合非參數(shù)核密度估計(jì)法和Copula 理論，擬合生成具有相關(guān)性的風(fēng)光出力場景。然后，構(gòu)建了一種雙層多場景協(xié)同優(yōu)化模型，將共享儲能規(guī)劃和微網(wǎng)用戶運(yùn)行相結(jié)合，從而更加緊密地實(shí)現(xiàn)規(guī)劃與運(yùn)營之間的緊密耦合。

1 基于Copula 函數(shù)的風(fēng)光出力聯(lián)合場景生成

為處理風(fēng)電、光伏等隨機(jī)變量間的相關(guān)性，現(xiàn)有研究較多使用Copula 函數(shù)將隨機(jī)變量的聯(lián)合分布及各自的邊緣分布聯(lián)系起來，以反映變量聯(lián)合分布在相關(guān)性方面的特性。常用的函數(shù)包括橢圓分布族函數(shù)中的Normal-Copula 和t-Copula 函數(shù)，以及根據(jù)相關(guān)性指標(biāo)推導(dǎo)出的阿基米德分布族函數(shù)中的 Frank-Copula、Gumbel-Copula 和Clayton-Copula 函數(shù)[22,23]。值得注意的是，由于t-Copula 函數(shù)對于二維隨機(jī)變量的擬合需要耗費(fèi)大量的時間，而且Gumbel-Copula 函數(shù)形式較為復(fù)雜，因此在處理風(fēng)光出力的相關(guān)性時，本文重點(diǎn)考慮另外3 種函數(shù)。

由于風(fēng)光出力曲線并不滿足標(biāo)準(zhǔn)正態(tài)分布，為篩選最適合擬合風(fēng)光出力特性的Copula 函數(shù)，本文利用Kendall、Spearman 秩相關(guān)系數(shù)以及歐氏距離指標(biāo)進(jìn)行篩選，并計(jì)算出風(fēng)光出力的經(jīng)驗(yàn)Copula函數(shù)[24,25]。所選Copula 函數(shù)與Empirical-Copula函數(shù)的2 個秩相關(guān)系數(shù)相近，且二者之間歐式距離最小，則為最優(yōu)。

某微電網(wǎng)春季風(fēng)光標(biāo)幺化出力數(shù)據(jù)如圖1所示。

圖1 春季CCHP 微網(wǎng)風(fēng)光標(biāo)幺化出力Fig.1 Optimization of the standardized output of CCHP microgrid wind and solar power in spring

對風(fēng)、光出力進(jìn)行函數(shù)擬合，得到不同的擬合函數(shù)，并求出風(fēng)光出力相對應(yīng)的Empirical-Copula函數(shù)。計(jì)算各個擬合函數(shù)與經(jīng)驗(yàn)Copula 函數(shù)的秩相關(guān)系數(shù)與歐式距離，結(jié)果如表1 所示。

表1 秩相關(guān)系數(shù)和歐氏距離Tab.1 Rank-correlation coefficient and Euclidean distance

根據(jù)表1 的結(jié)果可以看出，F(xiàn)rank-Copula 函數(shù)與Empirical-Copula 函數(shù)在秩相關(guān)系數(shù)和歐氏距離方面都具有相似的表現(xiàn)。這表明Frank-Copula函數(shù)能夠較好地描述風(fēng)光場景出力的相關(guān)性，因此選用Frank-Copula 函數(shù)進(jìn)行擬合。

考慮風(fēng)光出力相關(guān)性場景生成步驟如下。

1）以m天風(fēng)、光歷史出力數(shù)據(jù)為基礎(chǔ)，根據(jù)非參數(shù)核密度估計(jì)法，選取高斯函數(shù)擬合風(fēng)、光出力的概率密度函數(shù)。

式中：t=1,2,···,24，為調(diào)度周期；h為帶寬；、分別為風(fēng)、光出力概率密度函數(shù)，xt、yt分別為風(fēng)機(jī)、光伏出力；Xq t，Yqt分別對應(yīng)第q天風(fēng)、光出力；K(·)為高斯核函數(shù)。

2）通過求解累積分布函數(shù)和使用 Frank-Copula 函數(shù)來建立風(fēng)光的聯(lián)合分布函數(shù)，并利用該函數(shù)生成聯(lián)合分布樣本。

λt趨近于零表示u、v兩者獨(dú)立；λt為正數(shù)表示u、v正相關(guān)；λt為負(fù)數(shù)表示u、v負(fù)相關(guān)。

3）利用三次樣條插值法對各時間段的聯(lián)合分布函數(shù)進(jìn)行采樣，求出各時間段對應(yīng)風(fēng)光出力。將累積概率區(qū)間[0,1]分成（n-1）個部分。在上，以樣本點(diǎn)對應(yīng)的累積概率值為自變量，計(jì)算對應(yīng)的風(fēng)、光出力值為因變量。利用三次樣條插值可以得到在整個累積概率區(qū)間上的三次樣條多項(xiàng)式：

式中：n為正整數(shù)。

設(shè)F為采樣總數(shù)量；f為風(fēng)、光出力的累積分布函數(shù)采樣點(diǎn)的個數(shù)，f=1,2,3,···,F。

4）為兼顧計(jì)算速度與精確度，采用K-means聚類法將場景縮減，并估計(jì)每個場景出現(xiàn)的概率，以更好地描述和模擬風(fēng)光場景的變化特征。

2 考慮共享儲能的綜合能源微網(wǎng)結(jié)構(gòu)

通過共享儲能，多個用戶共同使用一套儲能設(shè)備，利用智能化的管理系統(tǒng)實(shí)現(xiàn)對儲能設(shè)備的分時段控制和協(xié)同運(yùn)行，可提高儲能設(shè)備的利用效率和經(jīng)濟(jì)性[26]。

含共享儲能的多微網(wǎng)結(jié)構(gòu)如圖2 所示。圖中共享儲能的實(shí)際發(fā)展可總結(jié)為“1 對N”的市場模式，即一個儲能設(shè)備可以服務(wù)于多個用戶，從而實(shí)現(xiàn)資源共享和利用。

圖2 含共享儲能的多微網(wǎng)結(jié)構(gòu)Fig.2 Multi-microgrid structure with shared energy storage

儲能電站運(yùn)營商投資建設(shè)儲能電站，負(fù)責(zé)電站的運(yùn)營管理，向用戶收取使用儲能電站的服務(wù)費(fèi)[27]?？蛻敉ǔ８鶕?jù)共享儲能充電和放電成本來支付這些費(fèi)用。儲能電站運(yùn)營商的收益主要源自用戶與儲能電站之間的電能交互（以買、賣電能的形式結(jié)算）以及使用電站的服務(wù)費(fèi)用。

文中CCHP 微網(wǎng)主要由可再生能源發(fā)電系統(tǒng)、能源轉(zhuǎn)換裝置和電、冷、熱負(fù)荷組成，結(jié)構(gòu)如圖3 所示。圖中，冷、熱和電通過能量傳遞，并利用共享儲能電站的協(xié)調(diào)，實(shí)現(xiàn)能源的充分利用。熱、冷負(fù)荷采用換熱、制冷機(jī)等設(shè)備進(jìn)行轉(zhuǎn)化；而對于電負(fù)荷，則優(yōu)先考慮可再生能源發(fā)電系統(tǒng)；燃?xì)廨啓C(jī)發(fā)電、共享儲能電站和電網(wǎng)輸出來彌補(bǔ)用戶電能空缺?？紤]到微網(wǎng)用戶相關(guān)技術(shù)不成熟以及政策的不完善，設(shè)定用戶余存的電能只能被共享儲能電站吸收或直接棄電。

圖3 CCHP 微網(wǎng)結(jié)構(gòu)圖Fig.3 Microgrid structure diagram of CCHP

3 綜合能源微網(wǎng)優(yōu)化運(yùn)行模型

CCHP 優(yōu)化模型為雙層模型，上層是共享儲能電站的規(guī)劃模型，下層是求解CCHP 多微網(wǎng)系統(tǒng)優(yōu)化運(yùn)行模型。

雙層優(yōu)化是具有2 個層次系統(tǒng)的優(yōu)化問題。上層系統(tǒng)通常是一個決策者，需要做出決策以最優(yōu)化某個目標(biāo)函數(shù)；而下層系統(tǒng)則是由受影響的實(shí)體組成，需要根據(jù)上層系統(tǒng)的決策來執(zhí)行某些操作。因此，雙層規(guī)劃問題需要同時考慮上層和下層系統(tǒng)的優(yōu)化問題，以找到最佳的整體解決方案。

3.1 上層儲能電站規(guī)劃模型

3.1.1 上層優(yōu)化模型

上層優(yōu)化模型以共享儲能電站運(yùn)行成本最低為目標(biāo)，表達(dá)式如下：

式中：F為共享儲能的運(yùn)行成本；F1為儲能電站計(jì)劃運(yùn)營時間內(nèi)維護(hù)成本和投資成本；F2為儲能電站和多微網(wǎng)系統(tǒng)電能交換成本；F3儲能電站服務(wù)收益。

1）維護(hù)成本和投資成本。

式中：TW為典型日天數(shù)；Ts為儲能設(shè)備壽命；ηp和ηs分別為儲能電站的單位功率基價和容量基價；和分別為儲能電站的最大功率與最大容量；Mess為日維護(hù)成本。

2）與多微網(wǎng)系統(tǒng)電能交互成本。

式中：N為微網(wǎng)的數(shù)量；NT為調(diào)度時段數(shù)；δ(t)和λ(t) 分別為儲能電站購、售電價；Peiss,s(t) 和(t) 分別為每天第i個微網(wǎng)向儲能電站售電、購電功率；Δt為調(diào)度時段。

3）儲能電站計(jì)劃運(yùn)營時間內(nèi)服務(wù)成本。

式中：θ(t)為儲能電站的服務(wù)收益系數(shù)。

3.1.2 上層模型約束

1）儲能電站容量與額定功率約束：

式中：σ是儲能電站容量與額定功率之間的比例系數(shù)。

2）儲能電站荷電狀態(tài)和充放電功率約束：

式中：Eess(t)為儲能電站存儲的能量；ηab和ηre分別為儲能裝置的充、放電效率；和分別為儲能電站充、放電功率；Eess(0)和Eess(24)分別為儲能電站初始和末端能量；Uab(t)和Ure(t)分別為儲能電站充、放電狀態(tài)位的二進(jìn)制變量。

3.2 下層多微網(wǎng)系統(tǒng)優(yōu)化運(yùn)行模型

3.2.1 下層優(yōu)化模型

下層優(yōu)化模型以綜合能源多微網(wǎng)系統(tǒng)運(yùn)行成本最低為目標(biāo)，表達(dá)式為：

式中：C為基于儲能電站服務(wù)的CCHP 多微網(wǎng)系統(tǒng)運(yùn)行成本；C1為從電網(wǎng)購電費(fèi)用；C2為燃?xì)廨啓C(jī)和燃?xì)忮仩t的燃?xì)赓M(fèi)用；C3為多微網(wǎng)系統(tǒng)與儲能電站的電能交互成本；C4為多微網(wǎng)系統(tǒng)向儲能電站支付的服務(wù)成本。

1）從電網(wǎng)購電費(fèi)用。

式中：τ(t)為購電電價；Pgrid,i(t)為第i個微網(wǎng)從電網(wǎng)購電功率。

2）燃料費(fèi)用。

式中：Cgas為單位體積燃?xì)獾膬r格；PGT,i(t)為第i個微網(wǎng)燃?xì)廨啓C(jī)的輸出功率；LNG為燃?xì)鉄嶂?；QGB,i(t)為第i個微網(wǎng)燃?xì)忮仩t輸出熱功率；ηGT為燃?xì)廨啓C(jī)發(fā)電效率；ηGB為燃?xì)忮仩t產(chǎn)熱效率。

3）與儲能電站的電能交互成本。

4）向儲能電站支付的服務(wù)成本。

3.2.2 下層模型約束條件

1）功率平衡約束。

式中：PWT,i(t)為第i個微網(wǎng)的風(fēng)電發(fā)電功率；PPV,i(t)為第i個微網(wǎng)的光伏發(fā)電功率；PEC,i(t)為第i個微網(wǎng)的電制冷機(jī)消耗電功率；Pload,i(t)為第i個微網(wǎng)電負(fù)荷功率值。

2）冷功率平衡約束。

3）熱功率平衡約束。

式中：PHX,i(t)為第i個微網(wǎng)的換熱裝置輸出的制熱功率；Pheat,i(t)為第i個微網(wǎng)熱負(fù)荷功率值。

4）余熱鍋爐余熱平衡約束。

式中：ηHX為換熱裝置的效率；為吸收式制冷機(jī)的能效比；γGT為燃?xì)廨啓C(jī)的熱電比；ηWH為余熱鍋爐的效率。

5）儲能電站電能交互平衡約束。

6）微網(wǎng)設(shè)備出力上下限約束。

7）電網(wǎng)運(yùn)行約束。

8）微網(wǎng)與儲能電站交互電功率約束。

求解細(xì)節(jié)見文獻(xiàn)[28]，求解流程如圖4 所示。

圖4 求解流程示意圖Fig.4 Solution process diagram

4 算例分析

4.1 聯(lián)合場景生成結(jié)果分析

選取某地2022 年春季風(fēng)、光出力數(shù)據(jù)，采用所提出的考慮風(fēng)光不確定性和相關(guān)性的方法生成場景，采樣規(guī)模為10 000。

根據(jù)采樣數(shù)據(jù)得出基于Frank-Copula 函數(shù)生成的風(fēng)光標(biāo)幺化出力二元分布函數(shù)如圖5 所示。

圖5 二元Frank-Copula 分布函數(shù)Fig.5 Binary Frank-Copula distribution function

由圖5 可知，風(fēng)光出力的分布函數(shù)具有明顯的對稱性，因此可以得出該區(qū)域風(fēng)光出力呈現(xiàn)較強(qiáng)的相關(guān)性。

為減輕計(jì)算復(fù)雜程度，將10 000 個風(fēng)光標(biāo)幺化出力值通過K-means 消除法削減為4 個場景，最后反標(biāo)幺化后得到4 個春季風(fēng)光出力場景，結(jié)果如圖6 所示。

圖6 風(fēng)光出力場景生成結(jié)果Fig.6 Generation results of the wind and solar power output scene

由圖6 可以看出，各種不同場景的出力都呈現(xiàn)出明顯的季節(jié)性和時序性；同時，大部分時段的風(fēng)、光出力都呈現(xiàn)相似的變化趨勢，這說明兩者之間存在一定的相關(guān)性。其中，光伏出力主要集中在白天時段，并且在午時達(dá)到峰值，而夜間出力為零；風(fēng)電出力峰值則出現(xiàn)在夜間，并且整體波動性較大。因此考慮風(fēng)光出力的相關(guān)性和不確定性可以更好地模擬不同場景下風(fēng)光出力的變化特征，從而能夠更準(zhǔn)確地評估系統(tǒng)的可靠性和規(guī)劃需求。

4.2 優(yōu)化結(jié)果分析

將多CCHP 微網(wǎng)系統(tǒng)算例中存在的3 個CCHP 型微網(wǎng)分別命名為MG1、MG2 和MG3。這3 個微網(wǎng)用戶直接連接到共享儲能電站。

電網(wǎng)分時電價、微網(wǎng)與儲能電站間購售電電價如圖7 所示。

圖7 電網(wǎng)與儲能電站的分時電價Fig.7 Time-of-use pricing for the grid and energy storage stations

CCHP 內(nèi)各設(shè)備參數(shù)如表2 所示[28]，包括儲能電站容量成本和壽命周期在內(nèi)的儲能電站所需參數(shù)見文獻(xiàn)[29]。

表2 設(shè)備參數(shù)Tab.2 Equipment parameters

各微網(wǎng)春季風(fēng)、光最大預(yù)測出力數(shù)值與各類負(fù)荷預(yù)測數(shù)據(jù)見圖8。春季典型日天數(shù)為90 天。

圖8 冷熱電負(fù)荷預(yù)測及風(fēng)光出力曲線Fig.8 Load prediction cooling,heat and power and curves of wind and solar power output

由圖8 可知，MG1 內(nèi)可再生能源發(fā)電量有很大盈余，MG2 的可再生能源發(fā)電來源只有光伏，MG3 內(nèi)可再生能源發(fā)電來源只有風(fēng)電，而且風(fēng)電功率遠(yuǎn)不能滿足其用戶的負(fù)荷需求。

為驗(yàn)證本文所提優(yōu)化調(diào)度模型的經(jīng)濟(jì)效益，設(shè)置了如下3 種不同的情景進(jìn)行對比分析。

情景1。僅考慮風(fēng)光出力不確定性且不考慮相關(guān)性，多微網(wǎng)用戶參與共享儲能電站服務(wù)。

情景2。采用本文模型考慮風(fēng)光出力相關(guān)性，多微網(wǎng)用戶不參與共享儲能電站服務(wù)，僅使用傳統(tǒng)儲能模式。

情景3。采用本文模型考慮風(fēng)光出力相關(guān)性，多微網(wǎng)用戶參與共享儲能電站服務(wù)。

3 種情景下系統(tǒng)運(yùn)行效益與新能源消納率如表3 所示。

表3 3 種情景下系統(tǒng)運(yùn)行效益與新能源消納率Tab.3 System operational efficiency and new energy consumption rate under 3 scenarios 萬元

4.2.1 風(fēng)光相關(guān)性對系統(tǒng)運(yùn)行的影響分析

對情景1 和情景3 進(jìn)行對比分析。由表3 可知，情景1 相比于情景3 的新能源消納率低，多微網(wǎng)用戶成本多115.94 萬元。原因分析：考慮風(fēng)光出力的相關(guān)性后，因模型更精確地描述了風(fēng)光出力的變化特征，使風(fēng)光單獨(dú)出力的波動性對系統(tǒng)的影響減弱，進(jìn)而提高了系統(tǒng)新能源消納能力，減少了系統(tǒng)內(nèi)設(shè)備產(chǎn)能成本。

4.2.2 共享儲能模式對系統(tǒng)運(yùn)行的影響分析

對情景2 和情景3 進(jìn)行對比分析。兩種情景下多微網(wǎng)系統(tǒng)的春季運(yùn)行成本、共享儲能電站收益如表3 所示；儲能配置優(yōu)化結(jié)果如表4 所示。

表4 情景2 和情景3 的儲能配置結(jié)果Tab.4 Results of energy storage configuration in scenario 2 and scenario 3

由表3 可知，情景2 多微網(wǎng)系統(tǒng)的春季運(yùn)行成本為920.35 萬元。情景3 多微網(wǎng)系統(tǒng)的春季運(yùn)行成本為453.53 萬元，比情景2 多微網(wǎng)系統(tǒng)成本低50.1%。由表4 可知，在情景2 中，多微網(wǎng)系統(tǒng)的總配置功率為5.893 MW，總配置容量為15.403 MW；而在情景3 中，共享儲能電站的配置功率為1.551 MW，配置容量為4.135 MW。相比之下，情景3 的總配置功率降低了73.68%，總配置容量降低了73.15%。

原因分析：多微網(wǎng)用戶可以通過使用共享儲能電站的儲能服務(wù)。多微網(wǎng)的剩余電能和各微網(wǎng)用電行為的差異性和互補(bǔ)性，為電力短缺的微網(wǎng)提供了供電條件，從而降低了各微電網(wǎng)向電網(wǎng)購電或購氣的成本。同時，共享式儲能站可以通過配置容量較小和最大充放電功率較小的儲能設(shè)備，來滿足多個微電網(wǎng)系統(tǒng)的儲能需求。這種共享式儲能站的設(shè)計(jì)方法可以有效減少儲能資源的浪費(fèi)，大大降低儲能投資成本。這也是情景3 比情景2 中多微網(wǎng)用戶成本低的主要原因。

4.2.3 情景3 多微網(wǎng)優(yōu)化調(diào)度分析

情景3 條件下，各個微網(wǎng)電、熱、冷功率運(yùn)行結(jié)果如圖9—11 所示；微網(wǎng)與共享儲能電站之間的電功率交互情況如圖12 所示。圖9—12 中，儲能電站充放電功率為正值，則表示儲能電站充電；若為負(fù)值，則表示儲能電站放電。

圖9 MG1 電、熱、冷功率平衡Fig.9 MG1 electricity,heat and cooling power balance

由圖9 可知，MG1 將大量盈余的風(fēng)光發(fā)電量售賣給共享儲能電站，充分地利用了可再生能源資源并增加了收入。其次，在2:00—8:00 時間段內(nèi)，由于從電網(wǎng)購電電價低于微網(wǎng)向共享儲能電站的購電電價，MG1 會從電網(wǎng)購電售賣給共享儲能電站獲利。在10:00—13:00 時間段內(nèi)，MG1 所需電負(fù)荷可以由風(fēng)光發(fā)電量滿足，同時為規(guī)避燃?xì)廨啓C(jī)出力導(dǎo)致的系統(tǒng)產(chǎn)生過多的碳排放，MG1調(diào)用產(chǎn)熱效率更高的燃?xì)忮仩t滿足熱負(fù)荷需求。此外，每個時刻的冷負(fù)荷與吸收式制冷機(jī)、電制冷機(jī)輸出的冷功率相平衡。

由圖10 可知，在10:00—14:00 時間段內(nèi)，MG2 的電負(fù)荷主要由光伏滿足，除5:00—6:00 和22:00—23:00 這2 個時段從電網(wǎng)購電外，其他時間基本是從共享儲能電站購電。由此可以看出，共享儲能電站可以在需要時提供額外的電力供應(yīng)，從而減輕了上級電網(wǎng)的負(fù)擔(dān)。

圖10 MG2 電、熱、冷功率平衡Fig.10 MG2 electricity,heat and cooling power balance

圖11 MG3 電、熱、冷功率平衡Fig.11 MG1 electricity,heat and cooling power balance

由圖 11 可知，MG3 只在 3:00—4:00、5:00—6:00 和22:00—23:00 時段從上級電網(wǎng)購電；在6:00—22:00，除了風(fēng)電提供的少量電功率外，其余電功率全由共享儲能電站提供，從而減輕了MG3 對上級電網(wǎng)的依賴。同時，在該時間段內(nèi)，熱功率主要由燃?xì)忮仩t提供。由于燃?xì)忮仩t具有更高的發(fā)熱效率，因此能夠更有效地滿足系統(tǒng)的熱負(fù)荷需求。這有助于降低系統(tǒng)的購氣成本，提高能源利用效率。此外，由于電制冷機(jī)具有高效節(jié)能的特點(diǎn)，能夠在滿足冷負(fù)荷需求的同時減少能源消耗，因此MG3 內(nèi)的冷負(fù)荷基本由電制冷機(jī)輸出的冷功率來滿足。電制冷機(jī)具有高效節(jié)能的特點(diǎn)，能夠在滿足冷負(fù)荷需求的同時減少能源消耗。

由圖12 可知，共享儲能電站分別在9:00—10:00 和22:00—23:00 時間段有滿放和滿充行為。MG1 和MG2 中多余的電量可以通過共享儲能電站，以購售電的方式傳遞給MG3。通過這種能量傳遞方式，MG1 和MG2 能夠獲得額外的收入，而MG3 可以通過購買電量滿足自身需求。這一能源交易模式為微網(wǎng)系統(tǒng)帶來了經(jīng)濟(jì)上的靈活性，實(shí)現(xiàn)能量有效利用和經(jīng)濟(jì)效益的雙贏局面。

圖12 各個微網(wǎng)向共享儲能電站購售電功率結(jié)果Fig.12 The result of electrical power interaction between each microgrid and shared energy storage

5 結(jié)論

為提高IES 運(yùn)行的經(jīng)濟(jì)性與穩(wěn)定性，提出了一種考慮風(fēng)光出力相關(guān)性和共享儲能的綜合能源微網(wǎng)雙層優(yōu)化模型。將該模型應(yīng)用于某冷熱電聯(lián)供型多微網(wǎng)系統(tǒng)，通過實(shí)驗(yàn)得到以下結(jié)論：

1）利用所提出的基于歷史數(shù)據(jù)的風(fēng)光出力聯(lián)合情景生成方法，能夠得到更加準(zhǔn)確的風(fēng)光出力曲線，可有效降低風(fēng)光單獨(dú)出力波動性造成的影響，提高可再生能源的消納率。

2）相較于傳統(tǒng)儲能模式，共享儲能電站服務(wù)模式可幫助用戶節(jié)省投資儲能系統(tǒng)的成本，并可明顯減少儲能所需總配置容量和功率。

3）在模型中，共享儲能電站可根據(jù)負(fù)荷需求對儲能設(shè)備進(jìn)行調(diào)度，實(shí)現(xiàn)負(fù)荷間平衡和優(yōu)化，改善用戶用電行為，減輕上級電網(wǎng)運(yùn)行壓力，實(shí)現(xiàn)能量有效利用和經(jīng)濟(jì)效益的雙贏局面。