【精彩论文】计及需求响应的区域综合能源系统双层优化调度策略

计及需求响应的区域综合能源系统双层优化调度策略

张海静¹,  杨雍琦²,  赵昕²,  徐楠²,  李晨辉²,  薛万磊²

（1. 国网山东省电力公司, 山东 济南 250000; 2. 国网山东省电力公司经济技术研究院, 山东 济南 250000）

摘要：需求响应聚合商通过需求响应聚合用户的可转移负荷和可削减负荷，提高区域综合能源系统运行的灵活性和经济性。考虑综合能源系统运营商和需求响应聚合商之间的交互博弈关系，建立了计及需求响应的区域综合能源系统双层优化调度模型。上下层分别以区域综合能源系统运营商和需求响应聚合商经济收益最大为目标，利用KKT条件和线性化方法将双层模型转化为单层混合整数线性优化模型进行求解。结果显示，通过分时电价和需求响应补偿价格引导用户调整用能计划，可在提高综合能源系统运营商和需求响应聚合商的利润的同时实现削峰填谷，减少对电网安全稳定运行造成的影响。

引文信息

张海静, 杨雍琦, 赵昕, 等. 计及需求响应的区域综合能源系统双层优化调度策略[J]. 中国电力, 2021, 54(4): 141-150.

ZHANG Haijing, YANG Yongqi, ZHAO Xin, et al. Two-level optimal dispatching strategy for regional integrated energy system considering demand response[J]. Electric Power, 2021, 54(4): 141-150.

引言

随着化石燃料的日益枯竭和环境问题的凸显，构建整合区域内煤炭、天然气等多种能源资源，实现横向多能源互补，纵向源-网-荷-储协调互动的区域综合能源系统（regional integrated energy system，RIES）已成为推动能源转型，促进能源革命的客观要求与必然选择^[1-2]。此外，能源行业供给侧的改革使得需求响应（demand response，DR）资源成为与供给侧对等甚至更优先的调度资源，通过需求响应能够提高用能效率、降低峰谷差、促进新能源消纳。目前，国内外学者对于RIES的优化调度问题进行了较为深入的研究。文献[3-5]针对区域综合能源系统中能耗成本、污染排放、风电消纳等多个调度目标，建立了考虑综合需求响应的RIES多目标优化模型、双层多目标模糊优化模型和线性加权双目标优化模型，运用多目标优化方法寻找最优策略。文献[6]为减少碳排放、提高能源利用效率，构建了联合供电、供热、供冷的区域综合能源系统经济调度模型，将碳交易相关问题考虑进模型中，运用布谷鸟搜索算法进行求解，有效降低了碳排放。文献[7]通过构建面向园区级区域综合能源系统的日前-实时两阶段经济性调度优化模型，有效提高了可再生能源的利用率，降低了系统的运行成本。文献[8-9] 针对配网级RIES，考虑负荷及各机组出力的不确定性，建立电-气-热能源系统的网络模型和日前调度的两阶段鲁棒优化模型，使用列约束生成算法进行迭代求解，提升了系统鲁棒性、风电消纳能力和抵御实时电价波动风险的能力，同时也提高了RIES在不确定运行过程中的经济性。文献[10]针对实际园区综合能源系统冬季运行优化调度问题，建立包含滚动优化环节和动态调整环节的两阶段多时间尺度模型预测控制调度策略，在协调多种设备互补运行的同时，有效降低运行成本，经济可靠地满足系统用能需求。文献[11-12]针对含区域供热网络的社区综合能源系统，充分考虑负荷的耦合转换特性，以系统灵活性和RIES运行经济性最大化为目标，分别提出了一种基于模型预测控制的鲁棒调度策略和多目标日前优化调度模型。文献[13]提出了新的基于鲁棒驱动的置信间隙决策理论，构建了基于置信间隙决策的综合能源系统多目标鲁棒优化调度模型，使用自适应谐波混叠多目标复合微分进化算法进行高效求解。针对计及需求响应的RIES、多能源系统或者微网的优化调度问题，文献[14-15]通过两阶段优化模型和园区综合能源微网日前动态优化调度模型分别分析了微网日前-日内优化调度问题。文献[16]针对微电网中风电和负荷不确定性，提出一种基于价格型需求响应的日前负荷调度和基于激励型需求响应的实时负荷调度的两阶段优化调度模型。文献[17]考虑电力和天然气的综合利用，建立了综合能源系统两阶段随机优化调度模型。文献[18]建立了基于激励型需求响应的微电网负荷削减策略，通过奖励机制引导了用户参与微电网的负荷削减，改善微电网的可靠性。文献[19]考虑电、热综合需求响应，提出了一种基于主从博弈的社区综合能源系统分布式协同优化运行策略，将综合能源销售商作为领导者，新能源冷热电联供运营商和负荷聚合商作为跟随者，求解各方在追求目标最优时的交互策略。文献[20]基于中长期电力市场、日前日内短期电力市场和实时市场，考虑风电、负荷和需求响应资源的不确定性建立了综合能源系统两阶段随机优化调度模型。综上所述，现有研究主要集中于将需求响应资源作为直接可调度的资源引入到优化调度中，较少考虑到需求响应资源的可交易性。因此，本文将需求响应聚合商（demand response aggregator，DRA）引入日前市场中，以区域综合能源系统运营商（RIESO）作为领导者，DRA作为跟随者，建立日前双层优化调度模型。最后通过实际算例验证所提模型的可行性和有效性。

1  区域综合能源系统主体架构

1.1  RIES概述

本研究中区域综合能源系统以风电、光伏等可再生能源以及冷热电联供系统（combined cooling heating and power，CCHP）为基础，协同互联电力网络，采用“并网上网”的运行模式，实现综合能效的提升和用能经济性的提高，具体架构如图1所示。

图1  RIES架构

Fig.1  RIES architecture

CCHP系统基于能量梯级利用的原则，同时满足用户冷热电等多种用能需求。本文假设内燃发电机在发电的同时，通过余热锅炉回收利用缸套水和烟气中携带的热量，并与燃气锅炉产生的热量一起，在冬季满足用户的用热需求，在夏季通过吸收式制冷机转化为冷量满足用户的用冷需求。

1.2  RIES主体构成

本文所述RIES由RIESO、DRA和综合能源用户构成，各主体在系统运行中权责如下。（1）区域综合能源系统运营商。RIESO在保证RIES安全、稳定、高效运行的同时，通过向区域内综合能源用户售能获取收益。为提高自身收益，RIESO可通过与DRA交互，利用区域内综合能源用户可提供的需求响应资源，执行使各主体收益最高的调度策略^[21]。（2）需求响应聚合商。DRA作为RIESO和用户之间的桥梁，通过适当的激励措施来聚合综合能源用户分散的需求响应资源，并出售给RIESO，从而在满足用户综合用能需求、为用户节省用能成本的同时，实现自身收益的最大化^[22]。（3）综合能源用户。区域内的综合能源用户是指同时具有热电负荷需求，且负荷需求存在耦合特性的用户，是RIES的典型用户。用户可根据DRA提供的激励价格信号，调整用能需求。

2  计及需求响应的优化调度模型

本文在考虑RIESO与DRA互动的基础上，建立了计及需求响应的综合能源系统日前双层优化调度模型。上、下层优化决策变量间的传递关系如图2所示。RIESO作为上层领导者，目标为实现其利润的最大化，并将预调度的DR资源信息传递给下层。DRA作为下层跟随者，通过与RIESO和用户的互动参与需求响应市场实现其利润的最大化，并将可提供的DR资源信息反馈给上层模型。

图2  双层模型框架

Fig.2  Two-level model frame

2.1  上层模型

2.1.1  目标函数

上层模型的目标函数为综合能源系统运营商的日净利润最大化，净利润可以定义为运营商售能收益减去购买DR资源的支出、电网购电成本、燃料成本以及运维成本。决策变量为DR资源购买量、电网购电量以及各机组的最优出力。上层模型的数学模型为式中：为时刻t售能收益；为时刻t购买需求响应资源支出（即DR资源的购买成本）；为时刻t与电网的交互成本（即购电量）；为时刻t购热成本；为时刻t综合能源系统燃料成本；为时刻t设备运维成本。其中：式中：为时刻t用户参与需求响应之后电负荷；为时刻t用户热负荷；分别为时刻t出售给用户的电、热能价格。式中：分别为时刻t电负荷需求响应转出量和削减量；分别为时刻t电负荷转移和削减补偿价格。其中，负荷转出量、负荷转入量和削减量为分段线性函数，本文假设所采用的分段函数分为A（ a∈A ）、B（ b∈B ）、C（ c∈C ）段，每段对应于需求响应政策给定的补偿价格，即和 表示时刻t第a段的电负荷转出量；为相应的电负荷转移补偿价格；为时刻t第c段的电负荷削减量；为相应的电负荷削减补偿价格。式中：分别为RIESO在时刻t向电网购电、售电价格；分别为RIESO在时刻t的购、售热价格；分别为RIESO时刻t的购电和购热量。式中：a_e 、 b_e 、 c_e 和 a_h 、 b_h 、 c_h 分别为内燃发电机和燃气锅炉的成本系数；和分别为时刻t内燃发电机和燃气锅炉输出的功率。式中：c_WT 、 c_PV 、 c_ICE 、 c_RE 和 c_GB 分别为风电、光伏、内燃发电机、余热锅炉和燃气锅炉的单位运维成本；和分别为时刻t风电和光伏的输出电功率，可根据历史数据进行日前预测得到；为时刻t余热锅炉的输出功率。式中：为时刻t用户的原始电负荷；为b段时刻t的电负荷转入量，式（8）表示时刻t用户参与需求响应之后的实际用电量。式中：分别为时刻t综合能源系统总电、热输出功率；η_RE 、 η_GB 分别为余热锅炉和燃气锅炉的热输出效率；η_ICE 为内燃发电机的电效率；η_EX 为余热锅炉余热回收效率。

2.1.2  约束条件

RIES在运行过程中需要满足电热功率平衡约束、机组的出力约束以及爬坡约束等。（1）功率平衡约束是指系统输出的电功率与向电网购买的电能需要满足用户的用电需求，系统输出的热功率与向热网购买的热能共同满足用户的用热需求，即（2）机组出力上、下限约束。内燃机发电机和锅炉时刻t的出力需满足机组装机容量上限约束，设分别为内燃机发电机和锅炉的额定容量，则有（3）机组爬坡约束为式中：Δt 为时间间隔（本文取1 h）； 分别为内燃发电机和燃气锅炉的上升和下降爬坡速率。

2.2  下层模型

2.2.1  目标函数

DRA作为用户与IESO之间的中介，通过聚合可转移负荷与可削减负荷等需求响应资源并向RIESO出售来实现收益最大化。因此，下层的决策变量为需求响应转移量和削减量，其中需求响应转移量包括负荷转出量和负荷转入量。式中：为时刻t DRA向用户购买DR资源的成本；分别为时刻t向用户购买单位负荷转移量和负荷削减量的补偿成本。

2.2.2  约束条件

（1）负荷转移约束包括负荷转出约束和转入约束，表示第a段和第b段的负荷转出和转入量不能超过其上、下限，即式中：分别为时刻t第a段电负荷转出量的上、下限；α_a,t 为时刻t第a段电负荷转出的状态变量，为0-1变量；分别为时刻t第b段电负荷转入量的上、下限；β_b,t 为时刻t第b段电负荷转入的状态变量，为0-1变量；分别为相应约束的拉格朗日乘子。根据式（24）和式（25），在时刻t只能选择一个区间段的负荷转移量，且负荷转入总量等于负荷转出总量。（2）负荷削减约束表示第t时刻第c段的负荷削减量不能超过其上、下限，即式中：分别为相应约束的拉格朗日乘子；分别为时刻t第c段负荷削减量的上下限；χ_c,t 为时刻t第c段负荷削减的状态变量，为0-1变量。

3  双层模型求解

3.1  双层模型单层化

双层模型的求解可通过优化理论转化为单层问题，然后针对单层问题进行求解。本节通过KKT条件将下层优化问题等价转化，进而将原双层模型转化为单层非线性优化问题^[23]。下层模型KKT条件的推导如下。通过上述推导，用式（29）~（38）代替原下层问题，可以得出双层优化的对等单层形式。

3.2  单层问题线性化

约束式（32）~（38）为互补松弛条件，为非线性表达式，用经典算法无法得到精确解，因此，本文引入大M法^[24]将其线性化，通过引入布尔变量和大M，可将非线性约束转化为线性约束，具体可表达为式中：为引入的辅助布尔变量，用于线性化表达式。通过上述变换，下层优化问题被转化为一系列线性约束条件，将其引入上层优化问题之后，双层优化问题被转化为单层优化问题。目标函数为式（1）。约束条件为式（12）~（19）、式（25）、式（27）及式（39）~（45）。

4  算例分析

4.1  基础数据

算例选取北方某工业园区冬季典型日的实际数据，时间尺度为1 h，图3为典型日电、热负荷和风电、光伏出力曲线。为了充分利用可再生能源，减少弃风弃光现象，本文假设风电和光伏发电全部消纳。RIES向用户售电的价格采取分时电价，各能源购售价格具体如表1所示，负荷转移和负荷削减量上、下限和补偿分段价格如表2和表3所示^[25]，各设备具体参数如表4所示。为保证电网安全，RIESO向电网购电与售电的上限和下限功率均为1000 kW。内燃发电机和锅炉的成本系数和各设备单位运维成本等经济参数如表5所示。

图3  典型日电热负荷和新能源出力

Fig.3  Curve of electric power, heat load and new energy output power in a typical day

表1  价格参数

Table 1  Energy price

表2  负荷转出量分段价格

Table 2  Load transfer volume price list

表3  负荷削减量分段价格

Table 3  Load reduction price list

表4  各设备主要参数

Table 4 Main parameters of various equipment

表5  各设备主要经济参数

Table 5 Main economic parameters of various equipment

4.2  结果分析

根据上述基础数据，在MATLAB环境下调用CPLEX求解，得到RIESO的日净利润为5172.44元，DRA的日收益为2724.13元。各主体每小时的利润收益如图4所示，各机组出力优化结果如图5所示。

图4  RIESO和DRA的日收益利润

Fig.4  RIESO and DRA daily profit

图5  需求响应前后的负荷曲线

Fig. 5  Load curves before and after demand response

由图4可以看出，RIESO和DRA的预期日运行利润分别为5172.44元和2724.13元，其中DRA利润主要来自用电高峰时段的负荷削减和转出收益。这是因为在用电高峰时段，用电需求量大，RIESO从电网购买电力的价格较高，所以倾向于从DRA购买更多的负荷转出量和负荷削减量等DR资源。

由图5可知，与DRA进行交互之后，在满足用户的用电与用热需求的基础上，达到削峰填谷的作用。最大的负荷削减和转出量发生在08:00—11:00和16:00，最大的负荷转入量主要发生在12:00—15:00。从图6可以看出，RIES主要通过风电、光伏和内燃发电机满足用户的用电需求，在用电高峰时段，当RIESO当自身发电量不够时，通过向电网购电满足用户用电需求；在用电低谷阶段，RIESO为追求更高的收益，依然出力较多，总体供给大于需求，此时通过将多余的电能销售给电网的方式实现经济收益。从图7可以看出，RIES主要通过余热锅炉利用内燃发电机的余热和燃气锅炉输出的热功率满足用户的热需求，在用热高峰时段，当RIES输出的热功率无法满足用户的热需求时，RIESO通过向热网购买热能来满足用户的用热需求。

图6  电功率平衡曲线

Fig.6  Electric power balance curve

图7  热功率平衡曲线

Fig.7  Thermal power balance curve

4.3  场景对比分析

为明确需求响应对RIESO利润和电网安全稳定运行的影响，图8和图9中比较了有、无DR项目的RIESO日净利润和与电网交互的电量。

图8  需求响应前后RIESO的利润

Fig.8  RIESO profit before and after demand response

图9  需求响应前后的RIESO购电量

Fig.9  RIESO power purchase before and after demand response

当无需求响应时，RIESO的预期日运行利润为4472.08元，比有需求响应时的利润少700.36元。从图8可以看出，在08:00—11:00，考虑需求响应之后的RIESO利润要小于无需求响应时的利润，主要原因在于RIESO通过负荷削减和负荷转出两种方式进行削峰，减少了从电网购买的电量，但增加了需求响应的成本，导致利润减少；在16:00—20:00，考虑需求响应时的RIESO利润要高于无需求响应时的RIESO利润，主要原因在于部分负荷的转入使用电负荷增加，导致RIESO的售电收益增多。从图9可以看出，当不考虑需求响应时，RIESO向电网购电或售电量增加，一方面会增加RIESO的购电成本；另一方面会对电网的安全稳定运行造成影响。上述对比表明了需求响应对RIES调度优化的重要性。

5  结论

本文考虑综合能源系统运营商与需求响应聚合商的交互关系，提出了一种计及需求响应的综合能源系统调度双层优化模型，分别以利润或收益最大化为双主体的优化目标，利用KKT条件和线性化方法，将问题转化为混合整数线性规划模型进行求解，最后通过实际算例验证了模型的有效性。主要得到以下结论。

（1）双层模型可以有效地模拟RIESO和DRA之间的博弈决策关系，保障综合能源系统调度的经济最优；

（2）算例结果表明，引入需求响应能够通过分时电价以及需求响应补偿价格引导用户调整用能计划，提高RIESO和DRA利润的同时，能够实现削峰填谷、平抑负荷波动，减少对电网的安全稳定运行造成的影响。

（责任编辑　张重实）

作者介绍

张海静(1980—)，女，高级工程师，从事电力需求侧管理、综合能源服务等研究，E-mail：[e-mail];

★

杨雍琦(1990—)，男，博士，从事综合能源服务、综合能源系统等研究，E-mail：[e-mail].

 往期回顾 

编辑：杨彪

校对：蒋东方

审核：方彤

声明

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。