来源：《中国电力》2024年第9期
引文：高明非, 韩中合, 赵斌, 等. 区域综合能源系统多类型储能协同优化与运行策略[J]. 中国电力, 2024, 57(9): 205-216.
随着可再生能源发电量大幅增加以及实现“双碳”目标的迫切需求，综合能源系统（integrated energy system，IES）逐渐受到关注，其通过协调电、热、冷等多种能源形式，为实现能源的高效利用提供了理论基础和技术手段。在IES中应用的储能技术，不仅为系统供需侧的动态平衡提供了支持，还增强了能源分配与利用的效率和灵活性。尽管如此，实现多元异质能源的协同优化对IES的规划和运行带来了挑战。因此，如何整合不同形式的能源以实现稳定供应，并进行包含多种储能技术的运行优化，是IES优化运行中的关键问题。《中国电力》2024年第9期刊发了高明非等撰写的《区域综合能源系统多类型储能协同优化与运行策略》一文。文章提出了一种考虑经济、低碳和能效3个维度属性的IES多储能系统协同优化方法。该方法利用多目标粒子群优化（multi-objective particle swarm optimization，MOPSO）算法进行多目标寻优，并结合逼近理想解排序法（technique for order of preference by similarity to ideal solution，TOPSIS）确定帕累托解集的最优解。通过分析不同类型储能的协同优化结果，探究多能协同与多类型储能在区域综合能源系统中的最优配置与运行参数，研究可促进IES的可持续发展和多类型储能系统的应用。
针对区域综合能源系统中多元异质能源的运行优化问题，提出了一种针对多能源协同供应的多储能系统协同运行优化方法。首先，结合综合能源系统的架构特征和系统的运行需求，建立了基于多目标优化的多储能系统协同运行优化模型。然后，综合考虑经济、环境和能效3个目标，采用改进的多目标粒子群优化算法结合逼近理想解排序法优化系统运行参数。最后，以国内某区域综合能源系统为例进行了案例分析，并探究了不同储能策略对系统的运行性能和协同优化效果的影响。研究发现，实施多储能系统协同优化策略，可以显著提升系统的经济性、环保性和能源效率。所提策略为区域综合能源系统中的多储能系统协同优化和多能源协同供应提供了可行的解决方案。综合能源系统是由多种能源类型组成的多源异质能流耦合的系统，如图1所示。该系统中的供能子系统通过能量耦合子系统与用户的冷、热、电负荷需求相连接，实现多种能源形式间的高效转换与协同。同时，储能子系统作为供能和负荷之间的缓冲单元，通过多类型的储能手段来平衡和调节能量，确保能量供需的动态平衡。
![]()
Fig.1 Typical architecture of a regional integrated energy system
综合能源系统的运行策略需要考虑设备的输入输出特性以及各种负荷需求，从而实现能量的高效梯级利用。由于综合能源系统中同时存在冷、热、电3种负荷，采用优先满足电负荷的运行策略。即首先利用各种能源设备发电来满足电负荷的需求，然后将发电产生的余热通过能量耦合子系统转化为所需的热量和冷量，以满足热、冷负荷的需求，剩余的能量可以通过多种类型的储能系统进行储存备用。本文所构建模型的运行策略如图2所示。
![]()
Fig.2 Integrated energy system operational strategy
在供电方面，系统优先由光伏发电（photovoltaic，PV）满足电力需求，并将多余电力存入储电系统。储能系统的运用不仅是为了弥补可再生能源系统的供电不足，还考虑到峰谷电期间的电价策略，利用储电和储冷系统削峰填谷。在高峰电价时段，系统首先判断燃机是否达到启动条件，继而按先后顺序利用储电系统释放能量，如有必要，再通过电网进行补充。若储电过程中超出上限，则将多余电力送回电网。在供热供冷方面，系统根据所在地区的季节特点，实施相应的调控策略。在供冷季节，系统会优先利用燃机余热提供冷量，并通过吸收式热泵、冰蓄冷装置和电制冷装置进行补充。而在供热季节，系统则利用余热回收（waste heat recovery，WHR）优先供热，同时结合太阳能集热器（solar thermal，ST）、储热装置和燃气锅炉（gas boiler，GB）进行补充。燃机产生的多余热量通过储热装置储存，并在供热不足时首先释能进行供热。吸收式制冷系统（absorption refrigerating system，ARS）供冷不足的部分分别通过储冷装置和电制冷（electric cooling，EC）补充。多类型储能系统的调度策略在保证能源供应的同时，也优化了能源经济性和系统稳定性。
2.1 供能系统
2.1.1 CCHP机组
CCHP机组通过天然气带动燃气发电机组为用户提供电能，并回收燃气发电产生的余热，以满足热负荷的需求，实现能源的梯级利用。
1）燃气轮机负荷率RICE为
式中：EICE为燃气轮机的发电功率；GICE为燃气轮机的额定功率。式中：εg为天然气的热值，取14.18 kW·h/kg。式中：QGB为燃气锅炉供应的热量；ηGB为燃气锅炉的热效率。光伏发电功率与光照强度、阵列面积相关，其模型可简化为式中：PPV为光伏发电输出功率；ηPV为光伏板的转换效率；SPV为光伏板安装面积；I为太阳能辐射强度。太阳能集热器的供热能力与光照强度、有效集热面积和集热器的光热转换效率相关，其模型可简化为式中：QST为太阳能集热器的供热能力；ηST为太阳能集热器的转换效率；AST为集热器的有效面积。式中：ηARS为吸收式制冷机组的能效比；QARS为吸收式制冷机组的输入热功率。电制冷机组作为吸收式制冷机组的补充，与其协调运行，其输出功率CEC为式中：ηEC为电制冷机的能效比；PEC为电制冷机的输入电功率。多类型储能系统能够通过计划的储释能来实现能量在时间序列上的纵向转移和功率响应。通用的多类型储能模型可以表示为式中：下标i为储能类型，包含电、热、冷3种储能方式；![]()
分别为多类型储能t时刻和t+1时刻的储能状态量；ηi,loss为储能i的自耗率；![]()
![]()
分别为t时刻储能i的充、放功率；ηi,ch、ηi,dis分别为储能i的充、放效率；Δt为时段。储能系统在运行过程中自身约束分为功率约束和储能状态约束，即式中：Pi,max、Pi,min分别为储能i的储释能过程的功率上下限；![]()
表示不同储能类型的能量状态；SOC,i,max、SOC,i,min分别为储能状态的限制范围的上下限。
经济性是IES设计与运行优化的核心目标之一。为了全面评估和优化系统经济性，引入年值成本E的定义，包括年净现值CNPV、运维成本COM、购电成本CP、购气成本的综合成本CG，具体表达式为
式中：Civ为IES设备的投资成本；r为贴现率；n为预期使用年限。通过计算IES系统的二氧化碳排放量，可以确定系统的环境性能和碳排放状况。IES系统的二氧化碳排放量R主要由购电产生的碳排放和燃气产生的碳排放构成。具体表示为式中：Egrid为IES系统对外部电网的购电量；μgrid为火电厂每度电产生的二氧化碳排放量；Qgas为系统的用气量，包括燃气轮机和燃气锅炉的耗气量；μgas为单位天然气燃烧产生的二氧化碳排放量。㶲效率用于评价能量梯级利用的“质量”和“数量”，可以评估各类型能量的利用情况。㶲效率ηex可表示为式中：Eout、Ein分别为系统能量输出、输入总量；Ωout、Ωin分别为输出和输入能量的类型集合；![]()
分别为系统的输出类型j和输入类型q所含能量；λj、λq分别为能质系数，具体计算方法参考文献[22]。综合能源系统的协同优化是通过调整设备的出力参数、变量和目标，以提高系统的经济性、环保性和能效性。在优化过程中，变量包括供能侧的燃气轮机额定发电量EIEC、太阳能光伏板数量wp和集热器的安装数量Nc，以及储能侧的电池容量Eest、储热水箱容量Qhst和冰蓄冷储能容量Ccst。此外，还须考虑吸收式制冷机组CARS、电制冷机组CEC和燃气锅炉QGB的容量，作为补充变量，随优化变量的大小进行改变。综合能源系统的约束条件包含能量平衡约束和供能设备功率约束。其中，系统的电、热、冷能量供需平衡约束为式中：Le、Lh、Lc分别为系统的电、热、冷负荷；Pes,dis、Phs,dis、Pcs,dis、Pes,ch、Phs,ch、Pcs,ch分别为储电、储热、储冷系统的释能和储能的功率。式中：![]()
为供能设备l在t时刻的功率；Pl,max为其最大功率限制。多目标优化算法克服了单目标优化的局限性，但多个相互矛盾目标函数的存在，导致难以找到最优解。为了高效获取优化结果，本文采用MOPSO算法。然而，标准的MOPSO算法容易陷入局部最优，且帕累托解集分布性可能不理想。为解决这些问题，采用改进的MOPSO算法，同时使用TOPSIS法进行客观决策。在决策阶段，通过TOPSIS法计算帕累托解集与理想解和非理想解的相对接近度，并排序得到最优解，优化算法流程如图3所示。
![]()
Fig.3 Model solving algorithm process
为了提高算法的搜索效率和准确度，本文在标准MOPSO算法的基础上从以下3方面进行了改进。将交叉变异策略引入粒子位置的更新中，首先，通过计算扰动因子p并根据获得的随机数来决定是否进行变异。其次，根据扰动因子、变异范围和变异位置随机选择新的决策变量，以扩大搜索空间。最后，根据变异后的粒子是否优秀来更新粒子，进而得到更好的解。具体的粒子变异表示为式中：Lc为当前迭代次数；Lcmax为最大迭代次数；u为突变率；Varmax、Varmin分别为决策变量的最大值和最小值；x(i)为粒子的第i个决策变量；d为变异范围；UB、LB分别为变异的上界和下界；unifrnd(⋅)为基于均匀分布生成随机数的函数。在算法的迭代过程中，需要对非劣解集进行更新，并保持帕累托解集的均匀分布。采用基于动态密集距离的方法，对解集中的所有解进行排序，以筛选出最具有代表性和多样性的帕累托最优解。对于本文多目标问题，xi粒子的密集距离I(xi)表示为
式中：xj、xk分别为距离xi最近的2个粒子的位置；fn(xj)为粒子xj的第n个目标函数的值；fnmax为所有粒子的第n个目标函数的最大值。在每次迭代中，通过比较粒子之间的差值和当前最优解的差值计算惯性权重。根据差值的大小，控制粒子的搜索速度，从而提高算法的局部搜索和全局搜索能力。惯性权重w表示为式中：w为当前迭代的惯性权重；wmin、wmax分别为惯性权重的下限和上限。
本文针对北京某地区的园区综合能源系统用能负荷和光伏发电情况进行场景模拟。系统采用如图2所示的以电定热运行策略，多类型储能系统的调度策略在保证能源供应的同时，也优化了能源经济性和系统稳定性。园区综合能源系统中的主要供能设备以及多类型储能设备的参数如表1所示。为展现该地区全年的能源使用特征，本研究选择春、夏、秋、冬4个季节的典型日进行模拟分析。图4展示了这4个典型日的电、热、冷负荷情况。
Table 1 Main equipment parameters![]()
![]()
Fig.4 Cooling, heating and power load of typical days
为了评估储能系统的协同优化效果，本文采用了多目标多储能协同优化配置方法，并设置如下4种不同的储能配置方案进行综合比较。1）所有储能类型的容量上限设为0，即不配置储能系统，评估不配置储能的综合能源系统的效果。2）仅配置电储能系统，其他储能类型容量为0，评估单独使用电储能系统的效果。3）仅配置冷热储能系统，其他储能类型容量为0，评估单独使用冷热储能系统的效果。4）配置多种储能系统，通过比较多元储能配置的综合效果，评估不同储能系统之间的协同作用。图5展示了IES系统多目标协同优化结果的帕累托前沿解集及最优解。其中，蓝色和红色符号分别代表了春季典型日中方案1和方案4的协同优化帕累托前沿解集。TOPSIS法被用于计算解集与理想解的相对接近程度，并得出最优解。从图5可以观察到，优化结果反映了年值成本、系统的碳排放量和能量效率之间的权衡关系。多目标优化无法同时达到各目标的最优值，随着年值成本的增加，系统的碳排放量减少，这表明增加初始投资有助于降低系统的运行成本；然而，随着年值成本的增加，系统的能量效率逐渐下降；同时，能量效率的降低也导致碳排放量逐渐增加。
![]()
Fig.5 Pareto solution set and optimal solution
4种储能配置方案的协同优化结果如表2所示。结果显示，仅配置储电设备的方案2，虽然其年值成本较高，但却实现了最低的碳排放量和最优的系统㶲效率。而配置了多种储能设备的方案4，在保持年值成本小幅增长的同时，实现了相对方案1无储能系统配置下的碳排放量降低和系统㶲效率的提升。Table 2 Comparison of coordinated optimization results![]()
本文将供能分产系统作为参考系统，对比了各储能配置方案的优化性能提升效果，同时对成本结构进行了分析，如图6所示。从图6 a)中可以看出经多储能系统协同优化后，方案4相比参考系统在年值成本节约率、碳减排率和㶲效率提升率分别变化–32.5%、53.6%、133.9%。图6 b) 则展示了各方案在日均总成本中的份额。综合考虑图6 a) 和图6 b)，尽管方案4的年值成本略高于方案1，但由于其在的运行成本和购电购气成本上的优势，使得方案4的日运行成本降低了14.79%，在所有方案中为最低。由此可见，虽然某种程度上年值成本、碳排放量和㶲效率之间存在权衡和取舍，各配置方案均未能实现所有指标的全面最优化，但多储能配置的协同优化能够有效提高综合能源系统的整体性能。
![]()
Fig.6 Comparison of performance optimization parameters
根据前文设定的典型日场景，考虑每小时负荷变化，通过协同优化方法得到了4种系统配置优化的结果，其中，方案1和方案4在春季、夏季和冬季典型日的设备运行结果如图7所示。
![]()
Fig.7 Comparison of optimal operation results
结合表2的结果可以看出，电负荷主要通过光伏发电和燃气轮机发电供应，当供电不足时，由供电网提供支撑。为了减少碳排放和提高能效，方案1和方案3中协同优化模型配置了最大数量的光伏和燃机功率，以满足用户尖峰负荷需求。而在方案2和方案4中增加了储能系统，可以平衡光伏发电的供能时间范围，不再受限于日照条件，从而减少了光伏发电的安装量。引入储能系统可以在电负荷高峰期间减轻电网的压力，并通过利用峰谷电价差提高系统的经济性。如图7 b) 所示，方案4在23:00—06:00电谷时段进行储能充电，并在有多余光伏发电时进行充电。在电力高峰期间，储能系统的放电部分取代了方案1中须由电网供电的部分，降低了对电网的依赖，提高了系统的可靠性。综合能源系统中热负荷的供应情况如图7 c)~d)所示。热负荷主要通过太阳能集热器、燃气轮机余热和燃气锅炉来供应。在冬季典型日的热负荷高峰时，燃气锅炉用来补充燃机余热和太阳能集热器中不足的热量。与方案1和方案4相比，储热装置在非热负荷高峰期间发挥作用，降低了燃气锅炉的配置功率，从而降低了系统的配置成本。在负荷高峰阶段，由于采用以电为主的供热模式，燃气锅炉承担了主要的供热需求。系统的冷量供应情况如图7 e)~f)所示。夏季典型日中，燃气轮机处于稳定的发电状态，因此，吸收式制冷机组所需的热源可以满足供应需求。综合考虑经济性和冷负荷需求，冷负荷主要通过吸收式热泵提供，并在电价低谷时通过电制冷来补充不足的部分。与方案1和方案4相比，储冷设备主要在峰值电价时段内释放能量，并在谷电价时段和系统有多余电量时进行储冷。需要注意的是，储冷装置的充电过程通过利用电价差来获得经济收益，但在当前模型下不能增加配置容量。通过协同优化方法得到的系统配置结果可以满足电负荷、热负荷和冷负荷的需求，在减少碳排放和提高能源利用效率方面取得了良好的效果。为了进一步分析协同优化方法对系统供能结构的影响，对用户负荷的各能源输出端进行了追溯。如图8所示，展示了4种综合能源系统配置在典型日中能源供应协作的情况。方案1的燃气轮机发电量最高，占总发电量的23%。相对而言，采用纯电储能和多储能系统协同优化的方案2和方案4分别降低了9%和4%。结合表2中的主要优化目标，方案1的碳排放量高于另外2种配置储电系统的案例。这一结果表明，引入储电系统有助于降低对燃气轮机的功率需求，进而降低系统的碳排放量。
![]()
Fig.8 Analysis of synergistic energy supply structure
此外，电储能的配置可充分利用低谷电价，并通过对光伏发电的时空调节来减少对燃机发电的需求。同时，方案2和方案4降低了对电网外购电的需求，减少了7%和8%。在储电量方面，方案2在利用新能源发电方面明显优于采用多储能系统的方案4，储电系统能够供应更多电力。然而，方案3在供电方面相比于另外3种模式没有明显的优势。在冷热供应方面，与不采用储热方案相比，无法利用储热装置调节太阳能集热器的供热方案存在热量浪费，供热只能做到有热即供，并且无法满足冬季热负荷的灵活性调节需求。而采用储热的2种方案，太阳能集热器的供热比例均有不同程度的提高，同时减少了热量的浪费。另一方面，储热的引入有效减少了对燃气锅炉的补热依赖，使燃气锅炉的供热占比降至方案3的30%和方案4的48%。同样，在制冷方面，储冷的引入减少了电制冷的供能占比。
本研究针对区域综合能源系统的运行优化问题，提出了一种综合考虑经济性、环保性和能效性目标的综合能源多储能系统协同优化运行策略，主要结论如下。1）构建了基于多目标优化的IES多类型储能协同优化模型，并结合改进的MOPSO算法与TOPSIS法，实现了以北京市某区域综合能源系统为例的性能分析与优化。2）通过采用多储能系统的协同优化策略，虽然难以在年值成本、碳排放量和㶲效率3个方面同时达到最优，但相比无储能系统，该方案已显著降低了14.79%的日运行成本。此外，与分产系统相比，碳减排率和㶲效率分别提高了53.6%和133.9%，显著提升了系统的整体性能。3）协同优化系统在运行特点与供能结构方面表现出优势，可有效利用峰谷电价差，减少4%的燃气轮机发电量及8%的外购电需求，提高了太阳能集热器在供热系统中的占比，并降低了19%的燃气锅炉的依赖，从而改善了能源结构并节约了能耗。未来研究将继续探索和完善该优化策略在多种场景下的适用性，并推进多储能系统协同配置的优化，为综合能源系统的智能运行提供决策支持。
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。
