【精彩论文】考虑光储型电热协同系统灵活性的多代理削峰填谷策略

‍

考虑光储型电热协同系统灵活性的多代理削峰填谷策略

曾爽¹, 梁安琪¹, 王立永¹, 李香龙¹, 马麟¹, 王喆², 王林钰², 刘澜², 赵伟²

（1. 国网北京市电力公司电力科学研究院，北京 100075; 2. 国网（苏州）城市能源研究院有限责任公司，江苏 苏州 215004）

摘要：为解决光储型电热协同系统（electric-thermal system, ETS）协作参与电网削峰填谷问题，并减小负荷预测误差和新能源波动对调节效果的影响，提出一种多代理削峰填谷策略。该策略依托由配网代理、区域代理、ETS/光伏发电（PV）代理和执行单元构成的多代理系统实施，包含集中式能量优化和分布式能量管理环节。在集中式能量优化过程中，配网代理可通过求解以自身运行成本最小为优化目标的模型预测控制（model predictive control，MPC）优化模型，为区域代理及其内部的光伏系统提供日内有功功率上限计划。分布式能量管理过程中，区域代理和ETS/PV代理基于多智能体一致性算法获取供暖设备的有功功率修正值，从而减小实际区域代理有功功率与其计划值间的偏差。仿真结果表明：该策略可使系统协同参与削峰填谷且结果更精确。

引文信息

曾爽, 梁安琪, 王立永, 等. 考虑光储型电热协同系统灵活性的多代理削峰填谷策略[J]. 中国电力, 2023, 56(2): 133-142.

ZENG Shuang, LIANG Anqi, WANG Liyong, et al. Multi-agent peak shaving and valley filling strategy considering the flexibility of electric-thermal system with optical storage[J]. Electric Power, 2023, 56(2): 133-142.

引言构建清洁、低碳、可持续的能源生产及消费体系是缓解环境问题、能源紧缺问题的重要举措。燃煤、燃气型供暖系统在城市中普遍存在^[1-2]，推进热力侧电气化发展是推动中国“双碳”战略落地的重要技术路线。另一方面，随着电动汽车负荷不断向电网渗透，电网负荷峰谷差正持续增加^[3-4]。在上述背景下，具备灵活部署、电-热耦合以及削峰填谷能力的光储型电热协同系统（electric-thermal system，ETS）受到了关注^[5-6]。研究表明，ETS可作为柔性可调资源降低电网的峰谷差。文献[7]构建了ETS功率调节模型，提出了一种本地型削峰填谷策略，减小了电网负荷的峰谷差。文献[8]面向园区型ETS提出了一种考虑多能互补的削峰填谷策略，通过求解以系统运行成本最小以及本地负荷波动最小为目标的多目标优化模型，获得ETS内部储能系统的日前充放电计划，从而促使ETS内部的储能系统主动协助电网削峰填谷。文献[9]考虑了ETS的需求侧响应特性，提出了一种以峰谷电价、日前负荷预测信息为输入的需求侧响应策略，降低了电网负荷高峰期的最大负荷。上述文献仅面向单个ETS且基于峰谷电价实现削峰填谷，然而缺乏对多个ETS协同参与削峰填谷的研究，最终的调控效果可能无法达到最佳状态。一些文献就ETS的灵活性展开了研究。文献[10]提出了一种基于荷-储协同的功率优化方法，通过建立以负荷方差最小为目标的优化模型，使蓄热箱按调度计划进行存热和放热，从而降低新能源波动对电网的影响。类似地，文献[11]通过控制热泵的启停，并利用热泵负荷的灵活性特点，降低了电网负荷的波动幅值。文献[12]基于模糊控制理论对热泵与混合储能系统进行了灵活调控，从而平抑了本地负荷波动。这些研究验证了ETS的灵活性，但研究内容没有考虑负荷预测误差和新能源出力波动的影响。此外，灵活可调资源的一个重要应用是支撑电力辅助服务中的削峰填谷服务、提高电网能量调控的灵活性，这些文献并未对此展开讨论。

为使多个ETS灵活、协同参与削峰填谷服务，降低负荷预测误差和新能源出力波动对调控结果的负面影响，本文提出了一种考虑ETS灵活性的多代理削峰填谷策略。首先，以响应电网侧削峰填谷指令为目标构建了一个由配网代理、区域代理、ETS/光伏发电（PV）代理和执行单元组成的多代理系统，从而使ETS具备灵活参与削峰填谷的能力。为解决多个ETS的协同控制问题，提出了基于模型预测控制（model predictive control，MPC）的集中式能量管理模型。为降低负荷预测误差以及新能源波动对调控结果的负面影响，提出了以区域代理为主智能体、供暖设备为从智能体的主-从式一致性算法。最后，基于IEEE 33节点配网系统，仿真验证了本文所提出策略的有效性。

1  多代理系统的构建1.1  光储型电热协同系统的设计

为实现电对热的支撑并满足电网峰、谷的调节需求，本文选择电供暖设备和电蓄热设备作为电热耦合单元。图1为光储型电热协同系统的典型结构，光伏发电系统由多个光伏阵列及其相连的变流器（PCS）组成；基础电力负荷、供暖设备和蓄热设备运行所需的电能由外部电网和光伏发电系统提供；供暖设备、蓄热设备、热水管网以及热负荷组成了热系统。供暖设备负责把电能转化为热能，而蓄热设备可对热能进行存放。生产出的热能将通过热水管网传递给热负荷，从而满足用户的热需求。

图1  光储型电热协同系统的典型结构

Fig.1  Typical structure of the electric-thermal system with optical storage

1.2  多代理系统的框架构建本文以参与电力运营商的削峰填谷服务为出发点，构建多代理系统。在削峰方面，多代理系统的运行目标是确保其辖区内的总负荷不超过其有功功率阈值 P^TL+(t) ；在填谷方面，系统的运行目标是确保其辖区内的总负荷不低于其有功功率下界值 P^TL−(t) 。 P^TL+(t) 和 P^TL−(t) 统称为削峰填谷指令，本文假定该信息可从电力辅助服务市场获取。

图2为本文提出的面向光储型电热协同系统的多代理系统的框架。该框架包含3个代理：配网代理、区域代理和ETS/PV代理。其中，配网代理归电网运营商所有，其他代理由社会企业扮演。削峰填谷的服务电价由区域代理与ETS/PV代理磋商决定，是一个已知量，并统一由区域代理上报配网代理。此外，不同区域代理上报的服务电价可以不同。各代理的主要功能描述如下。

图2  多代理系统框架

Fig.2  Framework of the multi-agent system

（1）配网代理。该代理位于架构的顶层，负责区域代理间的协作，并保障其所管辖配网系统运行的经济性和安全性。本文中，只有配网代理有权获取电力潮流计算所需的完整信息，例如，辖区对应的电力拓扑及其节点负荷的预测信息。同时，配网代理还可定期获取下层区域代理上送的边界信息和服务电价信息这里，分别为区域代理i内可调资源j有功功率的可调上界和下界的预测值。配网代理将基于上述信息、 P^TL+(t) 以及 P^TL−(t) ，通过求解以配网代理运营成本最低为目标的优化模型，获得区域代理i的有功功率计划值以及区域代理i内非灵活可调资源j的集中式有功功率计划指令本文中的非灵活可调资源为光伏电站，灵活可调资源为ETS。（2）区域代理。配网系统中的可调资源均可接入该级代理。区域代理负责确保其辖区内的总负荷逼近有功功率计划值同时，区域代理也扮演信息路由器的角色，从而支撑配网代理和ETS/PV代理间的信息交互，交互信息包括边界信息有功功率计划指令在电力需求侧响应体系中，一般会存在响应量偏差考核，从而提高用户的服务质量。本文假定配网代理会对区域代理实施偏差考核，如果区域代理的响应合格率低于合格值，那么区域代理将无法获得服务费。为尽量降低负荷预测的不确定性以及光伏出力的间歇性对响应合格率的影响程度，ETS内供暖设备有功功率的调节将通过于主-从式一致性算法实现。区域代理将扮演主导智能体的角色并输出分布式指令 z_i0(t) ；ETS/PV代理接入的供暖设备将作为从智能体响应区域代理i下发的分布式指令。

（3）ETS/PV代理。该代理可实时计算ETS和光伏系统的边界信息，并定期将这些信息汇总上报。此外，还负责为ETS内部的供暖设备提供实时的分布式控制信息为光伏电站定期提供上级代理下发的有功功率计划指令

2  可调资源的有功功率边界评估

可调资源的有功功率评估模块部署在ETS/PV代理内，负责为ETS/PV代理的上级代理提供边界信息考虑到本文的可调资源为光伏电站和ETS，下面将对这2类可调资源的有功功率边界评估进行介绍。

2.1  电热协同系统的有功功率边界评估

目前，供暖设备的种类很多，可分为“以热定电”型和混合型。前者仅支持温度参数的调节，设备会基于用户设定的温度参数自适应调整有功功率的输入；后者既支持“以热定电”模式，还支持有功功率连续调节的“以电定热”模式。为充分挖掘电热协同价值，本文选择混合型供暖设备作为制热设备。混合型供暖设备运行在“以电定热”模式下的有功功率约束为

式中：分别为区域代理i内第j个供暖设备的额定最小和最大有功功率。考虑到相变蓄热水箱具有储热密度大、绿色环保、热能转化效率高等优点，本文选择相变蓄热水箱作为蓄热设备。蓄热水箱采用恒温模式运行，确保采暖供水口的温度满足采暖需求。在稳态条件下，相变蓄热水箱的运行约束可表示为式中： 为区域代理i内第j个供暖设备在时刻t的有功功率；分别为相变蓄热水箱j的存热下限和上限；分别为相变蓄热水箱j可输出的热功率下限、上限；为相变蓄热水箱j的热功率输出值，正值表示放热，负值表示存热；m_ij为相变蓄热水箱j采暖供水口的水流量；c_p为水的比热；ρ为水的密度；为采暖供水口在时刻t的温度；分别为采暖温度下限、上限；Δt为采样时间间隔；η_ij为转化效率。ETS内部的功率平衡约束包括电功率平衡约束和热功率平衡约束，分别表示为式中：为ETS s内的基础负荷；为区域代理i内采暖设备j的制热功率；为热负荷；B_is、C_is分别为区域代理i内ETS s的供暖设备集合和蓄热水箱集合；分别为区域代理i内ETS s的光伏发电和配网关口有功功率。本文中，ETS内部的可调资源为供暖设备的有功功率。则可通过求解以下优化模型获得供暖设备j的有功功率上界即类似地，供暖设备j的有功功率下界可通过以下优化模型求解，即2.2  光伏电站的有功功率边界评估在基于MPC的能量管理体系中，光伏电站的有功功率边界可表示为

式中：为区域代理i内光伏电站j的有功功率预测值；为光伏电站j的最大出力。

3  多代理削峰填谷策略

图3为多代理削峰填谷策略的执行框架。集中式能量管理策略的参与代理包括配网代理、区域代理和PV代理；分布式能量管理策略仅由ETS代理和区域代理参与。多代理削峰填谷策略采用双层架构设计，其运行目标是降低电网的峰谷差。集中式能量管理策略为上层策略，为下层的分布式能量管理策略滚动提供区域代理的有功功率计划值并输出供光伏电站执行的有功功率阈值计划。分布式能量管理策略可实时修正供暖设备的有功功率尽量利用供暖设备的有功功率可调裕度填补区域代理内实际负荷与计划值间的偏差，从而减小负荷预测误差与新能源波动对削峰填谷效果的影响。

图3  策略执行框架示意

Fig.3  Diagram of the strategy implementation framework

3.1  基于MPC的集中式能量管理策略

集中式能量管理采用日内滚动机制，相应模块部署在配网代理中。该模块将基于MPC的集中式能量管理模型滚动求解配网代理辖区内可调资源的有功功率计划。本文中，滚动计算的时间分辨率设定为15 min。下面详细介绍集中式能量管理模型及其求解算法。

3.1.1  优化目标

由于本文中的配网代理归属于电网运营商，为减小电网运营商的费用支出，日内滚动阶段以电网支付费用最小为优化目标，即

式中： Φ_AG 为区域代理集合；ω为峰谷标识，ω=1表示削峰操作，ω=–1表示填谷操作；为接入区域代理i的可调资源总有功功率预测值。3.1.2  配网运行约束因为配网系统一般采用“开环运行的方式”，所以在运行层面可视配网系统为辐射型拓扑网络。配网系统的DistFlow模型可表示为式中：v(j)、u(j)分别为与节电j相连的发电机组和支路集合； P_ij(t) 、 Q_ij(t) 分别为支路ij首端的有功功率和无功功率； P_i(t) 、 Q_i(t) 分别为节点i处时刻t的有功功率和无功功率注入量；r_ij、x_ij分别为支路ij的阻抗和电抗；V_i(t)为节点i时刻t的电压。为保障配网安全运行，配网系统须满足的约束为式中：为ETS s时刻t的配网关口无功功率；分别为配电关口的无功功率的下界和上界；分别为支路ij的电流和电流上界值；分别为节点j的电压下界和上界。3.1.3  区域代理的运行约束从配网代理的角度出发，区域代理i的运行约束包括功率平衡约束、功率边界约束以及ETS一致运行约束，具体可表示为式中：为ETS有功功率的评估值；为区域代理i内光伏系统j的有功功率阈值；分别为区域代理i内光伏电站集合和ETS集合；为区域代理i的统调节系数； α_ij 为区域代理i内供暖设备j的一致调节系数，是一个已知量，取值范围为[0, 1]。3.2  分布式能量管理策略本策略基于主-从式一致性算法实时求解分布式指令 z_i0(t) 以及分布式控制信息本文中，实时计算的分辨率设置为10 s。主-从式一致性算法由主智能体算法和从智能体算法组成。3.2.1  通信网络拓扑的设计主-从式一致性算法需要主网络节点与从网络节点进行高频信息交互才能发挥其效用^[13-15]。本文中，主网络节点和从网络节点分别由区域代理及其内部的供暖设备组成。令 U(Ω_i,β_i) 是区域代理i对应的智能体通信网络的有向图，其中 Ω_i=[0,1,⋯,L] 是区域代理i内的网络节点集，L为节点数量， β_i={(i,j)∈Ω_i×Ω_i} 是网络节点的边集。 (i,j)∈β_i 指网络节点j能收到网络节点i发来的集中式信息或状态信息，即存在网络节点i到网络节点j的信息传递通道。如果把0网络节点当作主网络节点，其他网络节点当作从网络节点，则通信网络 U(Ω_i,β_i) 可用一个二进制矩阵 A_i=[a_ike] 表示^[16]。矩阵 A_i 的元素取值须满足以下规则：如果 (k＞0,e＞0)∈β_i) 或 k=e ，那么a_ike=1 ；否则， a_ike=0 。

实际中，供暖设备可能会因故障而退出运行，为确保主-从式一致性算法在上述情况仍然有效，通信网络的拓扑结构须始终满足序列完备条件，即在通信网络的有向图中始终存在一个全局可达点^[17-18]。本文选择图4所示的通信网络拓扑，可以看出，由于主网络节点0是一个全局可达点，所以从网络节点退出不会影响序列完备性。

图4   通信网络拓扑示意

Fig.4  Communication network topology diagram

3.2.2  主智能体算法的构建

主智能体算法部署在区域代理内，负责实时计算分布式指令 z_i0(t) 可表示为

式中：c为比例系数。3.2.3  从智能体算法的构建在ETS代理收到分布式指令 z_i0(t) 后，ETS代理会激活其内部的从智能体算法，从而获得分布式控制信息从智能体算法可表示为式中： z_ij(t) 为区域代理i内第j个供暖设备的状态变量； λ₁ 是一个不大于1的正常数； d_ike 为中间变量。

式（21）~（26）构成了完整的主-从式智能体算法。在削峰期，如果该算法会主动降低供暖设备的有功功率直到类似地，在填谷期，如果该算法会主动提高供暖设备的有功功率直到为此，主-从式智能体算法可实时修正区域代理i实际有功功率与有功功率计划间的偏差，使更加逼近从而减小负荷预测误差和新能源波动对削峰填谷效果的影响。

4  算例验证4.1  仿真环境

本部分以一个修改的IEEE 33节点配网系统为例，通过仿真模拟的方式验证本文所提出策略的有效性。配网系统的单线图如图5所示。配网系统的基准容量和电压等级分别设定为100 MW和12.66 kV，电源节点的电压幅值固定为1.02 p.u.。

图5  修改的IEEE 33节点配网系统的单线图

Fig.5 Single line diagram of a modified IEEE distribution network system with 33 nodes

配网系统部署了3个ETSs和一个光伏电站。其中ETS 1和光伏电站属于区域代理A，ETS 2和ETS 3属于区域代理B。ETSs的能源配置见表1。光伏电站的额定功率为1 MW。图6为典型日的光伏出力特征曲线，本文所有的光伏出力均以此曲线为基准生成。图7为典型日ETS 1~3的热负荷曲线。图8为配网净负荷及其预测曲线。本文基于CNN-LSTM混合神经网络对负荷进行预测^[19]。

表1  ETS的配置情况

Table 1  Configuration of ETS

图6  典型日PV有功功率特征曲线

Fig.6  Typical characteristic curve of daily PV active power

图7  典型日热负荷曲线

Fig.7  Typical daily heat load curve

图8  典型日净负荷及其预测曲线

Fig.8  Typical daily net load and its prediction curve

供暖设备的有功功率下界设置为其额定有功功率的0.1倍，有功功率上界等于其额定有功功率，一致性调节系数 αij 设置为0.05。比例系数c和 λ1 分别设置为5和0.7。区域代理A和B的服务电价分别设置为1.5元/(kW·h)和1.8元/(kW·h)。ETS代理向区域代理收取的服务费为0.6元/(kW·h)。电网的峰、谷、平电价信息如表2所示。

表2  电网的电价信息

Table 2  Electricity price information of power grids

本部分构建了3个场景用于仿真验证，具体描述如下。场景1：开启多代理削峰填谷策略，开启园区型削峰填谷策略。场景2：开启基于MPC的集中式能量管理策略；关闭分布式能量管理策略；开启园区型削峰填谷。场景3：开启园区型削峰填谷策略。

将文献[8]提出的园区型削峰填谷策略在仿真中作为ETS的默认运行策略，该策略不支持多个ETSs间的协作，调控变量为ETS1~3内采暖设备的有功功率。对于场景1和2，在削峰填谷辅助服务以外的时段，ETS只运行园区型削峰填谷策略。在削峰填谷辅助服务期间，场景1将执行本文提出的多代理削峰填谷策略；场景2只执行本文提出的集中式能量管理策略且供暖设备也按该策略下发的计划调整有功功率；场景3全天只运行园区型削峰填谷策略，并不参与电网的削峰填谷辅助服务。集中式优化模型统一采用Cplex进行求解。区域代理i的响应合格率 Δ_i 为

式中： φ_S 、 φ_V 分别为削峰时段和填谷时段集合。4.2  场景1和3的仿真结果对比

图9为场景1和3下的净负荷对比。与场景3相比，在00:55—06:00、12:15—14:00时段，本文提出的策略提升了负荷谷期的净负荷；在18:00—22:00时段，本文所提策略进一步削减了负荷高峰。结合图10可以看出，本文策略可准确响应削峰填谷指令并进一步挖掘ETS集群的削峰填谷潜能。在09:00—12:00时段，本文提出的策略并没有响应削峰指令，这是因为该时段为峰电价时段，园区型削峰填谷策略已经把区域代理A和B的有功功率减至最小值，导致本文所提策略已无法进一步调节供暖设备的有功功率。

图9  场景1和3下的净负荷对比

Fig.9  Comparison of net load curves under scenarios 1 and 3

图10  场景1和3下的有功功率平衡概况

Fig.10  Active power balance profiles under scenarios 1 and 3

图11为场景1下的热功率平衡概况。可以看出，本文提出的策略会尽量确保本地的热功率平衡。这是因为本文方法中的有功功率边界评估环节考虑了本地热功率平衡问题，见约束式（2）~（6）。

图11  场景1下的热功率平衡概况

Fig.11  Heat power balance profiles under scenario 1

基于以上分析，与不具备协作机制的园区型削峰填谷策略相比，本文提出的策略可在保障本地热功率平衡的基础上进一步挖掘ETS的削峰填谷潜能，使ETS精准响应削峰填谷指令，提高电网运行的经济性和可靠性。4.3  场景1和2的仿真结果对比

图12对比了场景1和2的净负荷曲线。可以看出，场景2在00:55—06:00、12:15—14:00以及18:00—22:00时段的峰谷调控效果均比场景1差，这是因为场景2仅采用了集中式能量管理策略，调控效果受负荷预测误差和光伏出力波动的影响较大；场景1中的分布式能量管理策略能实时修正计划偏差，使得调控效果更加稳定。上述仿真结果表明：分布式能量管理策略在减轻负荷预测误差和光伏出力波动的负面影响方面发挥了重要作用。

图12   场景1和2下的净负荷对比

Fig.12  Comparison of net load curves under scenarios 1 and 2

4.4  各场景下的性能指标对比

本部分选择ETS的总运行成本、峰谷差率、区域代理的收益、区域代理的平均响应合格率和ETS代理的总收益作为策略性能的评估指标。表3为各场景下的性能指标概况。可以看出，场景1的峰谷差率最低，表明本文方法可进一步减小区域电网负荷的峰谷差。与场景2相比，场景1在区域代理平均响应合格率方面更优。这是因为场景1的分布式策略可减小负荷预测不确定性和光伏出力波动对策略实施效果的负面影响，使区域代理的实际有功功率更加逼近计划值。为此，场景1下的区域代理和ETS代理的总收益高于场景2。上述仿真结果再次证明了本文方法的有效性，同时也再次验证了分布式策略的重要性。

表3  各场景的综合性能指标

Table 3  Comprehensive performance index of scenarios

5  结论本文构建了一种由配网代理、区域代理、ETS/PV代理和ETS构成的多代理系统，并在此基础上提出了一种多代理削峰填谷策略。建立了基于MPC的集中式优化模型，用于指导配网代理向区域代理提供最优的区域代理有功功率计划上限。为减小负荷预测误差以及光伏出力波动的负面影响，设计了面向ETS内供暖设备的智能体一致性算法，利用ETS的灵活性确保有功功率计划的精准实施。最后基于IEEE 33节点配网系统对本文方法进行了仿真验证，得出结论如下。（1）提出的多代理削峰填谷策略可进一步降低电网的峰谷差，提高电网运行的经济性。与园区型削峰填谷策略相比，本文策略可准确响应电网的削峰填谷指令，进一步挖掘ETSs的削峰填谷潜能。（2）提出的多代理削峰填谷策略可降低负荷预测不确定性以及光伏出力波动对策略效果的负面影响，提高区域代理的响应合格率以及经济收益。

（责任编辑　许晓艳）

作者介绍

曾爽（1985—），男，硕士，高级工程师，从事综合能源服务业务研究，E-mail：[e-mail];

★

梁安琪（1992—），女，通信作者，硕士，工程师，从事多能互补、能效提升技术研究，E-mail：[e-mail].

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：杨彪审核：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。