-
近年来，化石能源不断消耗引起的能源危机和环境污染引发人们对传统能源利用模式的思考，关于电、气、热等能源综合利用相关的研究开始增多[1-2]。能源互联网概念的提出，促进了多能耦合并提升了能源利用率，能量枢纽(energy hub，EH)在“未来能源网络愿景”项目中被提出[3]，其内部包含热电联产机组（combined heat and power，CHP）、燃气锅炉、电转气等能源转换设备，能够实现多能互补，提高能源利用率并增加供能灵活性。
多能源系统共同为区域负荷供能已是普遍现象。目前，我国对多能源系统的研究处于起步阶段，对于EH的研究大多针对单个EH的运行。文献[4]考虑气网动态过程下电气耦合系统，结合需求侧响应对EH进行调度优化；文献[5]结合电、气、热等多种能源，通过分层的方法，对EH的运行进行规划；文献[6]考虑了不确定性因素的影响，对综合能源系统进行了规划求解。而在多EH的研究中，文献[7]构建了一种含多EH的电气互联综合能源系统，利用机会约束规划对运行进行优化。
基于EH既可为产能者也可为用能者的特性，制定合适的策略参与市场可优化自身收益。文献[8]通过对市场价格进行预测，考虑不确定性因素的影响，制定竞价策略在市场购售获取收益；文献[9]考虑市场主体需求的市场决策模型对问题求解，使竞价策略逐渐达到均衡，实现各方共赢和协调发展；文献[10-11]从发电侧的角度介绍了相关的购能策略，追求利益的最大化；文献[12]提出EH作为价格制定者的最优竞价策略，在多个EH共存的情况下谋取经济最大化；文献[13]考虑分布式发电，存储和价格响应的影响，提出了一种日前市场的最优竞标策略，最大程度地减少了预期净成本。除了通过上级电网获取能源外，EH间也可进行能源调度，文献[14]利用非合作博弈方式实现多EH场景下区域间负荷协调互补，优化了运行成本。在用户方面，通过考虑需求侧响应，能更好实现对负荷的削峰填谷。文献[15]用EH的建模方法对热电联供系统进行建模，达到了降低运行成本的目的，且减小了能源消耗。上述文献考虑了在市场中的购能方式、多能源系统间的交易方式以及售能方和用户间的交易，但只涉及其中一方面，并未将它们结合。
综上所述，本文通过合作的方式，将区域能量枢纽构建为合作联盟，联盟成员制定策略参与日前和实时市场，并在联盟内部进行能源调度，辅以电力需求响应，对EH的运行进行优化。最后在多EH模型上仿真验证所提方法并得出结论。
-
EH是能将电、热、气等能源进行耦合，输出所需能源的能源转换设施。多能源系统中，不同种类能源输入后，经过EH转化，输出满足用户侧需求的能源，因此，EH可增加系统供能灵活性。为满足不同种类的能源需求，不同的EH会配备不同的设备，本文所构建的EH以配电网，天然气网以及可再生能源发电设备供能，包含CHP，燃气锅炉，电热泵等能源转换设备和以蓄电池为首的储能设备。在具体区域中，通常不是单个EH独立运行，而是多个EH共存的状况，所以本文建立了包含N个EH的多能源网络，图1显示了多EH结构图。
图 1 多EH结构
Figure 1. Structure of multi energy hubs
由于EH输入输出的多样性，通过耦合矩阵对输入和输出的关系进行描述，可表示为
$$\left[ {\begin{array}{*{20}{c}} {{L_1}} \\ {{L_2}} \\ \vdots \\ {{L_n}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{c_{11}}}&{{c_{12}}}& \cdots &{{c_{1m}}} \\ {{c_{21}}}&{{c_{22}}}& \cdots &{{c_{2m}}} \\ \vdots & \vdots & \ddots & \vdots \\ {{c_{n1}}}&{{c_{n2}}}& \cdots &{{c_{nm}}} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{P_1}} \\ {{P_2}} \\ \vdots \\ {{P_m}} \end{array}} \right]$$ (1) 简记为
$${\boldsymbol{L}} = {\boldsymbol{CP}}$$ (2) EH的建模不仅只有能源的传输和转化，为考虑储能以及需求响应对EH的影响，引入储能向量M和需求响应向量
$\Delta {\boldsymbol{L}}$ 对模型进行修正。式(2)进一步更改为[16]$${\boldsymbol{L}} + {\boldsymbol{M}} = {\boldsymbol{CP}} + \Delta {\boldsymbol{L}}$$ (3) -
CHP能实现能源间的转换，增加能源调度的灵活性，是EH的核心，其模型为
$$\left\{ \begin{array}{l} P_{{\rm{chp}},i}^t = \eta _{{\rm{chp}}}^{\rm{e}}F_{{\rm{chp}}}^t{\lambda _{{\rm{GV}}}} \\ H_{{\rm{chp}},i}^t = \eta _{{\rm{chp}}}^{\rm{h}}F_{{\rm{chp}}}^t{\lambda _{{\rm{GV}}}} \\ P_{{\rm{chp}},i}^{\min } \leqslant P_{{\rm{chp}},i}^t \leqslant P_{{\rm{chp}},i}^{\max } \end{array} \right.$$ (4) 式中：
$P_{{\rm{chp}},i}^t$ 、$H_{{\rm{chp}},i}^t$ 分别为$t$ 时刻CHP的发电功率和产热功率；$F_{{\rm{chp}}}^t$ 为天然气消耗功率；${\lambda _{{\rm{GV}}}}$ 为其热值；$P_{{\rm{chp}},i}^{\max }$ 和$P_{{\rm{chp}},i}^{\min }$ 为发电功率的上下限。燃气锅炉负责为区域供热，其模型为
$$\left\{ \begin{array}{l} H_{{\rm{GB}},i}^t = \eta _{{\rm{GB}}}^{\rm{h}}F_{{\rm{GB}}}^t{\lambda _{{\rm{GV}}}} \\ H_{{\rm{GB}},i}^{\min } \leqslant H_{{\rm{GB}},i}^t \leqslant H_{{\rm{GB}},i}^{\max } \end{array} \right.$$ (5) 式中：
$H_{{\rm{GB}},i}^t$ 为$t$ 时刻燃气锅炉的产热功率；$F_{{\rm{GB}}}^t$ 为消耗的天然气功率；$H_{{\rm{GB}},i}^{\max }$ 和$H_{{\rm{GB}},i}^{\min }$ 为产热功率的上下限。电热泵能高效地转换电能进行供热，在外界温度变化不大时，其能量转换模型可近似表示为
$$\left\{ \begin{array}{l} H_{{\rm{ehp}},i}^t = {\alpha _{{\rm{cop}}}}P_{{\rm{ehp}},i}^t \\ 0\leqslant H_{{\rm{ehp}},i}^t \leqslant H_{{\rm{ehp}},i}^{\max } \end{array} \right.$$ (6) 式中：
$P_{{\rm{ehp}},i}^t$ 表示$t$ 时刻电热泵的输入功率；$H_{{\rm{ehp}},i}^t$ 为产热功率；${\alpha _{{\rm{cop}}}}$ 为电热泵的能效系数，设置为2.5。 -
储能设备是EH的关键设备之一，负荷低谷时能对能量进行存储，负荷高峰时补偿能量的不足，其储电设备模型构建为
$$\left\{ \begin{array}{l} P_{{\rm{es,}}n}^{t + 1} = P_{{\rm{es}},n}^t + {\eta _{{\rm{es,c}}}}P_{{\rm{es,c}}}^t - P_{{\rm{es,d}}}^t/{\eta _{{\rm{es,d}}}} \\ P_{{\rm{es}}}^{\min } \leqslant P_{{\rm{es}},n}^t \leqslant P_{{\rm{es}}}^{\max } \\ 0 \leqslant P_{{\rm{es,c}}}^t \leqslant P_{{\rm{es,c}}}^{\max }\varphi _{{\rm{es,c}}}^t \\ 0 \leqslant P_{{\rm{es,d}}}^t \leqslant P_{{\rm{es,d}}}^{\max }\varphi _{{\rm{es,d}}}^t \\ 0 \leqslant \varphi _{{\rm{es,c}}}^t + \varphi _{{\rm{es,d}}}^t \leqslant 1 \\ P_{{\rm{es}},n}^{\rm{0}}{\rm{ = }}P_{{\rm{es}},n}^{{\rm{24}}} \end{array} \right.$$ (7) 式中：
$P_{{\rm{es}},n}^t$ 为储电设备$n$ 在$t$ 时刻的储电功率；$P_{{\rm{es,c}}}^t$ 和$P_{{\rm{es,d}}}^t$ 分别表示储电设备在$t$ 时刻的充电功率和放电功率；${\eta _{{\rm{es,c}}}}$ 和${\eta _{{\rm{es,d}}}}$ 表示储电设备的充放电效率；$P_{{\rm{es}}}^{\max }$ 和$P_{{\rm{es}}}^{\min }$ 为储电设备的容量上下限。由于充电和放电这两个过程不能同时进行，以二进制变量$\varphi _{{\rm{es,c}}}^t$ 和$\varphi _{{\rm{es,d}}}^t$ 对其进行约束。运行开始和结束时，存储的能量需相等。 -
由于风光电出力具有随机性，通过对历史数据的拟合并结合所提模型，利用蒙特卡洛方法生成风光出力状况，并进行场景缩减[17]。
1) 光伏出力。
太阳光照强度近似服从Beta分布，其概率密度函数可表示为[18]
$$f(s) = \frac{{\Gamma (\alpha + \beta )}}{{\Gamma (\alpha )\Gamma (\beta )}}{\left(\frac{s}{{{s_{\max }}}}\right)^{\alpha - 1}}{\left(1 - \frac{s}{{{s_{\max }}}}\right)^{\beta - 1}}$$ (8) 式中：
$s$ 、${s_{\max }}$ 分别为一时间段内的实际光强和最大光强；$\alpha $ 和$\,\beta $ 分别为Beta分布的形状参数。光伏输出的供能模型可表示为$$P_{{\rm{pv}}}^t = {\eta _{{\rm{pv}}}}{S_{{\rm{pv}}}}f(s)$$ (9) 式中：
$P_{{\rm{pv}}}^t$ 为$t$ 时段PV的输出功率；${\eta _{{\rm{pv}}}}$ 和${S_{{\rm{pv}}}}$ 分别为太阳能辐射效率和辐射面积。2) 风电出力。
风电出力大小受风速
$v$ 影响，将其构建为$${P_{\rm{w}}} = \left\{ {\begin{array}{*{20}{l}} {0,}&{{v_{\rm{w}}} < v_{\rm{w}}^{{\rm{ci}}},{v_{\rm{w}}} > v_{\rm{w}}^{{\rm{co}}}} \\ {P_{\rm{w}}^{\rm{r}}\dfrac{{{v_{\rm{w}}} - v_{\rm{w}}^{{\rm{ci}}}}}{{v_{\rm{w}}^{\rm{r}} - v_{\rm{w}}^{{\rm{ci}}}}},}&{v_{\rm{w}}^{{\rm{ci}}} \leqslant {v_{\rm{w}}} \leqslant v_{\rm{w}}^{\rm{r}}} \\ {P_{\rm{w}}^{\rm{r}},}&{v_{\rm{w}}^{\rm{r}} < {v_{\rm{w}}} \leqslant v_{\rm{w}}^{{\rm{co}}}} \end{array}} \right.$$ (10) 式中：
$P_{{\rm{w}}}^{{\rm{r}}}$ 为风电设备装机容量；$v_{\rm{w}}^{{\rm{ci}}}$ 、$v_{\rm{w}}^{{\rm{co}}}$ 、$v_{\rm{w}}^{\rm{r}}$ 、${v_{\rm{w}}}$ 为切入风速、切出风速、额定风速和实时风速。 -
合作机制：联盟成员根据内部的能源状况，多能的EH和缺能的EH构成合作关系，合作的参与者数量上限不定。合作成员共同供给区域负荷，根据贡献度进行利益分配。
电力需求响应机制：各EH运营商与用户签订负荷削减合同[19]，以保证在供能不足时削减负荷来减小供能压力，给予用户适当补偿，弥补其用能舒适度的改变。合同中的可削减负荷具有调节速度快的特点，能在实时运行中快速响应。
-
联盟参与市场分为日前和实时2个阶段，在图2进行了描述。在日前阶段，各EH基于历史数据预测日前和实时电价，假设预测结果一致。根据日前收集的内部负荷状况，结合可再生能源的预测出力，对内部设备的运行点进行规划，并将需要购置的能源提交日前市场，各EH以价格接收者的身份在规模范围内出清部分能源。
图 2 EH联盟运行框架
Figure 2. Operation frame of EH alliance
实时运行中，各EH内部机组运行点不作改变。为减小不确定性的影响，得到更准确的可再生能源实际出力状况，EH在实时市场清算前1 h再对可再生能源出力进行预测，由于误差的关系，预测出力和实际出力间会存在偏差，若按日前的运行计划运行，会出现供能不足的情况。为补齐偏差的能量，EH在联盟内部发出合作请求进行能源调度，多能的EH与缺能的EH达成合作关系共同为区域用户供能，按贡献度进行利益分配。当联盟内部能源不足时，比较实时购能和发布需求响应指令的成本，选择成本更低的方案补齐偏差。
EH既可为用能者也可为产能者，为获取额外收益，在联盟内部各EH负荷饱和时，EH可将能源回售电网获取额外收益,但价格通常低于实时电价。
-
EH的优化目标旨在最大化预期收益或最小化运行成本。本文所构建的EH运行成本包含燃料成本、电交易成本、运维成本以及需求响应补偿成本
$$\min \left( {{C_{{\rm{fuel}}}} + {C_{\rm{e}}} + {C_{{\rm{run}}}} + {C_{{\rm{com}}}}} \right)$$ (11) 1)燃料成本。
CHP机组与燃气锅炉运行所需燃料的成本为
$${C_{{\rm{fuel}}}} = {C_{\rm{g}}}\sum\limits_{t{\rm{ = 1}}}^T {(F_{{\rm{chp}}}^t + F_{{\rm{GB}}}^t)} $$ (12) 式中：
${C_{\rm{g}}}$ 为天然气价格。2)电交易成本。
电交易成本包含电网购电成本和售电收益。由于电能具有良好的传递性，能将各EH联系起来，所需成本为
$${C_{\rm{e}}} = \mathop \sum \limits_{t = 1}^{24} \left[ {C_{{\rm{DA}}}^tP_{{\rm{DA}}}^t + C_{{\rm{RT}}}^tP_{{\rm{RT}}}^t{\rm{ + }}C_{{\rm{sell}}}^tP_{{\rm{sell}}}^t} \right]$$ (13) $$P_{\rm{e}}^{\min } \leqslant P_{{\rm{DA}}}^t \leqslant P_{\rm{e}}^{\max }$$ (14) $$P_{\rm{e}}^{\min } \leqslant P_{{\rm{RT}}}^t \leqslant P_{\rm{e}}^{\max }$$ (15) $$P_{\rm{e}}^{\min } \leqslant P_{{\rm{sell}}}^t \leqslant P_{\rm{e}}^{\max }$$ (16) 式中：
$C_{{\rm{DA}}}^t$ 、$C_{{\rm{RT}}}^t$ 、$C_{{\rm{sell}}}^t$ 分别表示上级电网的日前电价、实时电价和售电价；$P_{{\rm{DA}}}^t$ 、$P_{{\rm{RT}}}^t$ 分别表示在日前市场、实时市场购入的电功率；$P_{{\rm{sell}}}^t$ 为向上级电网出售的电功率；$P_{\rm{e}}^{\max }$ 和$P_{\rm{e}}^{\min }$ 为与电网交互功率的上下限。3)运维成本。
$${C_{{\rm{run}}}} = \sum\limits_{t = 1}^T {\left[ \begin{array}{l} P_{{\rm{pv}}}^t{y_{{\rm{pv}}}} + P_{\rm{w}}^t{y_{\rm{w}}} + (P_{{\rm{ch}}}^t + P_{{\rm{dch}}}^t){y_{{\rm{sto}}}} + \\ P_{{\rm{chp}}}^t{y_{{\rm{chp}}}} + H_{{\rm{GB}}}^t{y_{{\rm{gb}}}} + P_{{\rm{ehp}}}^t{y_{{\rm{ehp}}}} \end{array} \right]} $$ (17) 式中：
${y_{{\rm{pv}}}}$ 、${y_{\rm{w}}}$ 、${y_{{\rm{sto}}}}$ 、${y_{{\rm{chp}}}}$ 、${y_{{\rm{gb}}}}$ 、${y_{{\rm{ehp}}}}$ 为相应设备的单位功率运维系数。4)需求响应补偿成本。
为降低运行成本，引入需求响应对负荷进行调节，考虑柔性负荷对EH运行的影响，本文所提柔性负荷具有调节速度快的特点，在需要时能快速削减。EH提前收集用户的柔性负荷信息，并细化需求响应的等级，按递增顺序将削减量分为K个等级，利用阶梯补偿方式对用户进行补偿。
$${C_{{\rm{com}}}} = \sum\limits_{t = 1}^T {\sum\limits_{k = 1}^K {{D_{{\rm{EDR}},k,t}}{y_{{\rm{com}},k,t}}} } $$ (18) 式中：
${y_{{\rm{com}},k,t}}$ 为$t$ 时刻第$k$ 个等级的补偿电价。 -
1)负荷削减约束。
每时刻负荷削减量不得超过当前时刻的最大可削减量
$${D_{{\rm{EDR}},k,t}} \leqslant D_{{\rm{EDR}},k,t}^{\max }$$ (19) 式中：
${D_{{\rm{EDR}},k,t}}$ 表示t时刻第k个等级的负荷削减量。2)功率平衡约束。
保证内部负荷的供给是EH稳定运行的先决条件。每时刻系统内部的电负荷和热负荷都需满足以下条件
$$\begin{split} E_{{\rm{load}}}^t - {D_{{\rm{EDR}},t}} + P_{{\rm{ch}}}^t =& P_{{\rm{DA}}}^t + P_{{\rm{RT}}}^t + P_{{\rm{bet}}}^t + P_{{\rm{GT}}}^t + \\ & P_{{\rm{pv}}}^t + P_{\rm{w}}^t - P_{{\rm{sell}}}^t + P_{{\rm{dch}}}^t \end{split} $$ (20) $$H_{{\rm{load}}}^t = H_{{\rm{chp}}}^t + H_{{\rm{GB}}}^t + H_{{\rm{ehp}}}^t{\rm{ + }}H_{{\rm{bet}}}^t$$ (21) 式中：
$E_{{\rm{load}}}^t$ 、$H_{{\rm{load}}}^t$ 表示$t$ 时刻的电负荷和热负荷；$P_{{\rm{bet}}}^t$ 和$H_{{\rm{bet}}}^t$ 为联盟内部交互的电功率和热功率。 -
1)合作前提。
EH参与合作联盟的目的是降低运行成本，这是先决条件，参与合作后EH的运行成本不能超过单独运行时的成本，且每时刻的交互功率需在一定的范围内，即
$$\sum\limits_{t = 1}^T {{C_{\rm{s}}}} \leqslant \sum\limits_{t = 1}^T {C_{\rm{s}}^{{\rm{non}}}} $$ (22) $$P_{{\rm{bet}}}^{\min } \leqslant P_{{\rm{bet}}}^t \leqslant P_{{\rm{bet}}}^{\max }$$ (23) $$H_{{\rm{bet}}}^{\min } \leqslant H_{{\rm{bet}}}^t \leqslant H_{{\rm{bet}}}^{\max }$$ (24) 2)利益分配。
合作联盟的利益分配需保证公平，沙普利值法根据合作联盟参与者对联盟的贡献大小对其收益进行分配，体现了参与者在联盟中的重要程度[20]。
设联盟的参与人数为
$n$ ，$s$ 为$N$ 中一个联盟$S$ 的参与人数，则成员$k$ 参与合作构成的规模为$s$ 的联盟出现的概率${\phi _k}$ 为$${\phi _k} = \frac{{(s - 1)!(n - s)!}}{{n!}}$$ (25) 其对联盟的贡献
${T_k}$ 可表示为$${T_k} = v(s) - v(s/k)$$ (26) 式中：
$v(s)$ 为联盟$S$ 的收益；$v(s/k)$ 为联盟$s/k$ 不包含成员$k$ 以$s - 1$ 为规模的收益。成员$k$ 可分配得到的收益${V_k}$ 可表示为$${V_k} = \sum\limits_{s \in S/k} {\frac{{(s - 1)!(n - s)!}}{{n!}}(v(s) - v(s/k))} $$ (27) -
为验证所提方法的有效性，以4个规模相近的EH为研究对象，其内部包含的设备如图1所示。设备容量参数及运行参数如表1和表2。
表 1 容量参数
Table 1. Capacity parameters
设备名称 设备容量/kW EH1 EH2 EH3 EH4 光伏设备 3000 2800 3000 3000 风电设备 3600 2000 3600 3600 CHP 1000 1500 1000 1500 电热泵 300 300 450 450 燃气锅炉 1400 1500 1500 1400 储电设备 1000 1000 1000 1000 表 2 运行参数
Table 2. Operating parameters
参数 取值 参数 取值/(元/kW·h) ${\eta _{{\rm{ch}}}}$ 0.95 ${y_{{\rm{pv}}}}$ 0.0096 ${\eta _{{\rm{dch}}}}$ 0.95 ${y_{\rm{w}}}$ 0.0296 $\eta _{{\rm{chp}}}^{\rm{e}}$ 0.4 ${y_{{\rm{sto}}}}$ 0.0254 $\eta _{{\rm{chp}}}^{\rm{h}}$ 0.35 ${y_{{\rm{chp}}}}$ 0.0158 $\eta _{{\rm{GB}}}^{\rm{h}}$ 0.9 ${y_{{\rm{gb}}}}$ 0.0163 所提问题实为混合整数线性规划问题，利用Gurobi求解器对问题进行求解。假设天然气价格为固定值，为2.2元/m3，热值为9.7 kW/m3，日前和实时电价如图3。针对需求响应对用户的电价补偿，设置3个等级分为3个时段，峰时段(09:00—13:00，18:00—22:00)补偿电价为0.5元/kW·h；平时段(06:00—08:00，14：00—15:00)电价为0.3元/kW·h；谷时段（01:00—05:00， 23:00—24:00）电价为0.2元/kW·h，每时刻与电网交互功率的上限为1500 kW，EH间交互功率的上限为1000 kW，负荷削减功率的上限为300 kW，储能初始容量为500 kW。假设4个EH距离较近，能量传输中的损耗不作考虑。各EH运行中机组按预定计划出力。
图 3 预测电价
Figure 3. The forecasted electricity price
以上述方法在系统中进行仿真，调度周期为24 h，时间间隔为1 h，4个EH某日的负荷状况和可再生能源出力状况如图4所示。
图 4 可再生能源出力及负荷状况
Figure 4. Output and Load of renewable energy
CHP机组的运行状况如图5。CHP机组的运行计划在日前进行配置，在01:00—03:00时段，CHP机组都不运行，是因为相比于气供能，通过从电网购电，利用燃气锅炉、电热泵供热的方式更经济。以EH1为例对其他不运行时段进行解释，如10:00—11:00、19:00—24:00时段不运行，是因为预测的可再生能源出力能够满足负荷需求，且内部的热负荷通过燃气锅炉和电热泵供应更为经济，所以这些时段不运行。其他EH的运行情况也类似。
图 5 CHP运行状况
Figure 5. Operating situation of combined heat and power unit
图6描述了整个周期内联盟内部能源的交互状况，图7为调度周期内4个EH的能源调度状况。结合图6和图7，以EH1为例对结果进行分析，其他EH分析类似，不过多赘述。在日前市场清算后，01:00—08:00、13:00—14:00、17:00以及20:00时段，EH1表现为缺电状态，储能设备先选择性地放电，由于放电效率的制约，放电后可能并不满足负荷需求。在内部寻求合作能源，其中02:00－05:00通过合作，刚好补齐偏差，而在13:00和20:00时段，由于联盟内部能源不充裕，获取合作能源后仍不满足负荷需求，而此时通过发布负荷削减指令所需的成本小于电网购能成本，所以选择进行负荷削减。在缺能的其他时段，因为联盟内没有合作能源，08:00和14:00先进行负荷削减，但由于可削减上限的制约，负荷仍不饱和，最后通过实时购能补齐偏差。而在06:00－07:00时段，因为实时购能成本更低，所以直接与电网交易补齐偏差。在10:00－12:00、15:00、18:00－19:00和21:00－24:00时段，EH1表现为多能状态，所以与其他缺能EH合作。而在21:00－23:00时段，合作后EH1能源仍有盈余，为获取额外收益，将剩余能源售给电网。而根据图7的出力状况发现，在11:00时刻，EH1，EH3和EH4都进行了电能的回售，是因为此时可再生能源大发，各EH的负荷都已饱和，并且此时电价较高，通过向电网售电的方式对多余能源进行处理。
图 6 EH间功率交互状况
Figure 6. Power interaction among EHs
图 7 一个调度周期内4个EH的能源调度状况
Figure 7. Energy scheduling situation of four EHs within a dispatching period
图8为热调度状况，根据图4可知各EH的热负荷不高。在不合作的情况下，首先，CHP机组在供电时会产生部分热能，但通常情况下无法满足热负荷需求，其他供热设备开始工作。由于电热泵的效率更高，在低电价时，电热泵会优先工作，但受限于设备容量，在无法满足内部负荷时，由燃气锅炉补足。而在合作后，各机组仍正常运行但由于设备容量的差异，EH3和EH4在满足自身负荷后电热泵的容量仍有剩余，所以与EH1和EH2合作，向其供应低价的热能。
图 8 热调度状况
Figure 8. Thermal dispatching situations
为验证EH间合作后带来的经济效益，与各EH单独运行的成本进行比较，表3列出了其运行结果。
表 3 各EH单独运行成本与合作运行成本对比
Table 3. Comparison of isolated operation cost of each EH and cooperative operation cost of all EHs
单独运行/元 合作运行/元 变化率/% EH1 9608.32 9218.18 4.06 EH2 22734.38 21864.69 3.83 EH3 22055.29 20883.71 5.31 EH4 22660.49 21035.19 7.17 结果显示，应用所提方法后，运行成本都有一定程度的降低，表明通过合作的方式能够对系统的运行有所优化。
-
1）多EH间构成合作联盟，多能的EH与缺能的EH协调供应区域负荷的方式有效降低了运行成本。
2）借助EH相互间的能源调度，减轻了电网供能压力以及回售能源引起的电网波动。
3）通过与用户签订负荷削减合同，以给予用户补偿的方式降低了自身供能压力。
4）EH间合作供能根据贡献度分配收益，确保了分配的公平。
本文所提方法使EH同时参与日前和实时市场，选择更优的方式购能，并使EH的能源可在联盟内部调度也可出售回电网或进行存储，增加了区域能源系统能源调度的灵活性，对未来区域能源系统的运行提供了借鉴方式。
Optimized Operation Mode Considering Cooperation Among Energy Hubs
-
摘要: 区域能源系统中，多个能量枢纽(energy hub，EH)间相互协调合作有利于提高系统的稳定性并降低自身的运行成本。因此，将多个EH构建为合作联盟，以合作的方式进行能源调度，通过沙普利值进行利益分配，制定相关策略，同时参与日前和实时2个市场，通过需求响应对负荷进行削减，进一步优化运行成本；构建多EH模型，对交易模式进行阐述，并考虑不确定性因素的影响，应用随机优化方法，以最小化运行成本为目标，在多个EH间应用该方法进行仿真，结果显示多EH间的合作能实现各个体的成本降低。Abstract: In regional energy system coordination and cooperation of multi energy hubs (abbr. EH) is beneficial to improve system stability and decrease operational costs of EH themselves. Therefore, multi EHs were built to cooperation alliance and the energy dispatching was conducted in the manner of cooperation. By means of Shapley values the benefit was distributed and related strategy was enacted. At the same time the EH participated in two markets, i.e., the day-ahead market and realtime market, and by means of demand response the load was cut down to further optimize the operation cost. A multi EH model was constructed to expound the transaction mode and the influence of uncertain factors was taken into account, and applying stochastic optimization method the minimized operation cost was taken as the object and this method was adopted to carry out the simulation among multi EH. Simulation results show that by means of the cooperation among multi EH the cost reduction of each individual can be implemented.
-
Key words:
- energy hub /
- cooperation /
- shapley value /
- demand response /
- stochastic optimization
-
图 7 一个调度周期内4个EH的能源调度状况
Figure 7. Energy scheduling situation of four EHs within a dispatching period
表 1 容量参数
Table 1. Capacity parameters
设备名称 设备容量/kW EH1 EH2 EH3 EH4 光伏设备 3000 2800 3000 3000 风电设备 3600 2000 3600 3600 CHP 1000 1500 1000 1500 电热泵 300 300 450 450 燃气锅炉 1400 1500 1500 1400 储电设备 1000 1000 1000 1000 
下载: 导出CSV
表 2 运行参数
Table 2. Operating parameters
参数 取值 参数 取值/(元/kW·h) ${\eta _{{\rm{ch}}}}$ 0.95 ${y_{{\rm{pv}}}}$ 0.0096 ${\eta _{{\rm{dch}}}}$ 0.95 ${y_{\rm{w}}}$ 0.0296 $\eta _{{\rm{chp}}}^{\rm{e}}$ 0.4 ${y_{{\rm{sto}}}}$ 0.0254 $\eta _{{\rm{chp}}}^{\rm{h}}$ 0.35 ${y_{{\rm{chp}}}}$ 0.0158 $\eta _{{\rm{GB}}}^{\rm{h}}$ 0.9 ${y_{{\rm{gb}}}}$ 0.0163
下载: 导出CSV
表 3 各EH单独运行成本与合作运行成本对比
Table 3. Comparison of isolated operation cost of each EH and cooperative operation cost of all EHs
单独运行/元 合作运行/元 变化率/% EH1 9608.32 9218.18 4.06 EH2 22734.38 21864.69 3.83 EH3 22055.29 20883.71 5.31 EH4 22660.49 21035.19 7.17
下载: 导出CSV
-
[1] KRAUSE T, ANDERSSON G, FRÖHLICH K, et al. Multiple- energy carriers: modeling of production, delivery, and consumption[J]. Proceedings of the IEEE, 2011, 99(1): 15−27. [2] 贾宏杰, 王丹, 徐宪东, 等. 区域综合能源系统若干问题研究[J]. 电力系统自动化, 2015, 39(7): 198−207. JIA Hongjie, WANG Dan, XU Xiandong, et al. Research on some key problems related to integrated energy systems[J]. Automation of Electric Power Systems, 2015, 39(7): 198−207(in Chinese). [3] 孙秋野, 滕菲, 张化光. 能源互联网及其关键控制问题[J]. 自动化学报, 2017, 43(2): 176−194. SUN Qiuye, TENG Fei, ZHANG Huaguang. Energy internet and its key control issues[J]. Acta Automatica Sinica, 2017, 43(2): 176−194(in Chinese). [4] 杨秀, 杨云蔚, 张美霞, 等. 气网动态潮流下多能源网与能量枢纽的联合调度[J]. 电力自动化设备, 2020, 40(5): 16−25. YANG Xiu, YANG Yunwei, ZHANG Meixia, et al. Coordinated dispatch of multi-energy network and energy hubs considering dynamic natural gas flow[J]. Electric Power Automation Equipment, 2020, 40(5): 16−25(in Chinese). [5] 黄武靖, 张宁, 董瑞彪, 等. 多能源网络与能量枢纽联合规划方法[J]. 中国电机工程学报, 2018, 38(18): 5425−5437. HUANG Wujing, ZHANG Ning, DONG Ruibiao, et al. Coordinated planning of multiple energy networks and energy hubs[J]. Proceedings of the CSEE, 2018, 38(18): 5425−5437(in Chinese). [6] 仇知, 王蓓蓓, 贲树俊, 等. 计及不确定性的区域综合能源系统双层优化配置规划模型[J]. 电力自动化设备, 2019, 39(8): 176−185. QIU Zhi, WANG Beibei, BEN Shujun, et al. Bi-level optimal configuration planning model of regional integrated energy system considering uncertainties[J]. Electric Power Automation Equipment, 2019, 39(8): 176−185(in Chinese). [7] 周晟锐, 刘继春, 张浩禹, 等. 基于机会约束的多能源枢纽电气互联综合能源系统日前经济调度[J]. 现代电力, 2020, 37(2): 197−204. ZHOU Shengrui, LIU Jichun, ZHANG Haoyu, et al. Day-ahead economic dispatch for electricity-gas integrated energy system with multiple energy hubs based on chance constraints[J]. Modern Electric Power, 2020, 37(2): 197−204(in Chinese). [8] DAVATGARAN V, SANIEI M, MORTAZAVI S S. Optimal bidding strategy for an energy hub in energy market[J]. Energy, 2018, 148(APR.1): 482−493. [9] 马天男, 杜英, 苟全峰, 等. 基于Berge-NS均衡的电力市场多主体非合作博弈竞争模型[J]. 电力自动化设备, 2019, 39(6): 192−204. MA Tiannan, DU Ying, GOU Quanfeng, et al. Non-cooperativecompetition game model of multiple subjects in electricitymarket based on Berge-NS equilibrium[J]. Electric Power Automation Equipment, 2019, 39(6): 192−204(in Chinese). [10] ZHAO T, PAN X, YAO S, et al. Strategic bidding of hybrid AC/DC microgrid embedded energy hubs: a two-stage chance constrained stochastic programming approach[J]. IEEE Transactions on Sustainable Energy, 2018: 1−1. [11] DAVATGARAN V, SANIEI M, MORTAZAVI S S. Smart distribution system management considering electrical and thermal demand response of energy hubs[J]. Energy, 2019, 169: 38−49. [12] HEIDARI A, MORTAZAVI S, BANSAL R C. Equilibrium state of a price-maker energy hub in a competitive market with price uncertainties[J]. IET Renewable Power Generation, 2020, 14(6): 976−985. [13] LIU G, XU Y, TOMSOVIC K. Bidding strategy for microgrid in day-ahead market based on hybrid stochastic/robust optimization[J]. IEEE Transactions on Smart Grid, 2017, 7(1): 227−237. [14] 魏春, 徐向志, 王国烽, 等. 基于非合作博弈的多能量枢纽优化运行方法[J]. 电力自动化设备, 2020, 40(11): 48−57. WEI Chun, XU Xiangzhi, WANG Guofeng, et al. Non-cooperative game-based optimal operation method of multiple energy hubs[J]. Electric Power Automation Equipment, 2020, 40(11): 48−57(in Chinese). [15] 高山, 邹子卿, 刘宇. 考虑多类型需求响应负荷的热电联供系统协调优化运行[J]. 电力建设, 2019, 40(10): 9−17. GAO Shan, ZOU Ziqing, LIU Yu. Coordination and optimization of combined heat and power system considering multi-type demand-response load[J]. Electric Power Construction, 2019, 40(10): 9−17(in Chinese). [16] 王毅, 张宁, 康重庆. 能源互联网中能量枢纽的优化规划与运行研究综述及展望[J]. 中国电机工程学报, 2015, 35(22): 5669−5681. WANG Yi, ZHANG Ning, KANG Chongqing. Review and prospect of optimal planning and operation of energy hub in energy internet[J]. Proceedings of the CSEE, 2015, 35(22): 5669−5681(in Chinese). [17] WANG Z, JOCHEM P, FICHTNER W. A scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand[J]. Journal of Cleaner Production, 2020, 254: 119−130. [18] 杨莘博, 谭忠富, 林宏宇, 等. 计及合作联盟的园区综合能源系统随机优化及收益分配模型[J]. 电力系统自动化, 2020, 44(19): 36−46. YANG Shenbo, TAN Zhongfu, LIN Hongyu, et al. Stochastic optimization and income allocation model for park integrated energy system considering cooperation alliance[J]. Automation of Electric Power Systems, 2020, 44(19): 36−46(in Chinese). [19] 崔杨, 闫石, 王铮, 等. 多主体利益制衡的综合能源系统日前-实时出清方法[J]. 电力系统自动化, 2020, 44(24): 68−76. CUI Yang, YAN Shi, WANG Zheng, et al. Day-ahead and real-time clearing method of integrated energy system considering interest balance between multiple entities[J]. Automation of Electric Power Systems, 2020, 44(24): 68−76(in Chinese). [20] 武昭原, 周明, 姚尚润, 等. 基于合作博弈论的风储联合参与现货市场优化运行策略[J]. 电网技术, 2019, 43(8): 2815−2824. WU Zhaoyuan, ZHOU Ming, YAO Shangrun, et al. Optimization operation strategy of wind-storage coalition in spot market based on cooperative game theory[J]. Power System Technology, 2019, 43(8): 2815−2824(in Chinese). -
点击查看大图
图(8) / 表 (3)
计量
- 文章访问数: 492
- HTML全文浏览量: 153
- PDF下载量: 35
- 被引次数: 0
