基于NNC法和DMC算法的CCHP型微電網兩階段調度

01CCHP型微電網架構及能量流動所提CCHP型微電網架構如圖1所示。在微電網系統(tǒng)運行過程中，利用微型燃氣輪機、可再生能源和蓄電池為系統(tǒng)用戶供電，當供電不足時，系統(tǒng)可以向主電網買電以維持電能供需平衡。在供冷方面，系統(tǒng)利用電制冷機和吸收式制冷機滿足冷負荷需求；在供暖方面，燃氣鍋爐是主要的供暖設備，除此之外，還可以利用余熱回收裝置吸收微型燃氣輪機產生的余熱為系統(tǒng)供熱。圖1

CCHP型微電網結構

Fig.1

StructureoftheCCHPmicrogrid1.1

CCHP型微電網各單元數學模型1.1.1

微型燃氣輪機微型燃氣輪機通過燃燒天然氣的方式輸出電能與熱能。將微型燃氣輪機的電能輸出功率擬為單一自變量，得到微型燃氣輪機的天然氣消耗量及其輸出熱功率為式中：φmt、ηmt和δLHV分別為微型燃氣輪機的熱電比、發(fā)電效率和天然氣燃燒熱值；分別為微型燃氣輪機的輸出熱功率和天然氣消耗量；Δt為時間間隔。1.1.2

燃氣鍋爐將燃氣鍋爐的輸出熱功率作為單一變量，數學模型可表示為式中：分別為燃氣鍋爐的天然氣消耗量、輸出熱功率和發(fā)熱效率。1.1.3

余熱回收裝置余熱回收裝置由微型燃氣輪機的廢氣直接驅動，通過吸收余熱補充供熱以滿足用戶熱需求，同時降低污染氣體排放，其數學模型為式中：分別為余熱回收裝置的輸出熱功率和余熱回收效率。1.1.4

吸收式制冷機吸收式制冷機通過吸附熱能并將其輸出為冷能，以滿足用戶的冷負荷需求，其數學模型為式中：分別為吸收式制冷機的吸收熱功率、輸出冷功率和性能系數。1.1.5

電制冷機電制冷機由電能驅動輸出冷能，其數學模型為式中：分別為電制冷機在t時刻的輸出冷功率和消耗電功率；κec為電制冷機的性能系數。1.1.6

蓄電池蓄電池是CCHP型微電網的重要組成單元。通過引入蓄電池可以實現電負荷的峰值負荷轉移，從而提高系統(tǒng)運行的穩(wěn)定性，其數學模型為式中：分別為蓄電池充、放電功率和荷電狀態(tài)（stateofcharge，SOC）；ηloss為蓄電池損耗率；Ebat為蓄電池容量。因為微電網的調度具有周期性要求，所以必須使蓄電池在一個調度周期內的始末時刻荷電狀態(tài)保持一致。1.2

激勵型負荷需求響應本文引入了基于可中斷負荷的激勵型電負荷需求響應策略以提升系統(tǒng)運行穩(wěn)定性。該方法的原理為：用戶在不轉移電負荷的情況下，通過與供電方簽訂協(xié)議的方式來減少用戶的用電量。此時，微電網運營商會向某類用戶提交一個經濟補償階梯表，如圖2所示。每個報價階梯都包含削減負荷量及其相應補償，當報價被接受時，有削減意愿的用戶會被減少當前電負荷需求并獲得經濟補償。圖2

階梯型價格補償機制

Fig.2

Tieredpricecompensationmechanism

根據圖2所展示的階梯型價格補償機制示意，得到激勵型需求響應策略的數學模型為式中：l為階梯數；n為階梯總數；分別為t時刻下的第l級階梯中的負荷削減量、最小削減量與最大削減量；為t時刻的負荷削減量；為二進制變量，表示t時刻下的負荷削減量達到第l級階梯。02日前多目標靜態(tài)離線優(yōu)化本文建立了一個基于峰值負荷轉移的CCHP型微電網日前多目標靜態(tài)離線優(yōu)化模型。離線優(yōu)化過程的時間間隔為1h，優(yōu)化目標分別為運行成本最小和微電網與主電網交互功率峰值最小。對于模型中非線性部分使用分段線性化法處理，并采用NNC法求解多目標規(guī)劃問題，再經熵權-TOPSIS法進行篩選，最大程度消除人為決策的干擾。2.1

目標函數2.1.1

經濟性與環(huán)保性評價函數式中：F1表示目標函數值；為微電網運行的燃料成本；為微電網各單元的運行維護成本；為微電網與主電網的交互成本；為污染治理成本；為實施可中段負荷策略后的用戶補償成本。1）微電網運行的燃料成本為式中：Rgas為天然氣價格。2）微電網各單元的運行維護成本為式中：Rmt、Rb、Rbat、Rh、Rac與Rec分別為燃氣輪機、燃氣鍋爐、蓄電池、熱交換機、吸收式制冷機與電制冷機的單位維護成本；為熱負荷。3）微電網與主電網的交互成本為式中：分別為t時刻微電網向主電網購售電的價格；分別為購售電的功率。4）治理污染成本為式中：N為污染物總類別數；λl為污染物l治理成本轉換系數。5）實施可中段負荷策略的用戶補償成本。如圖2所示可中斷負荷策略的補償價格函數為非線性連續(xù)型分段函數，此時需要借助分段線性化法的求解原理將難以程序化的非線性分段函數轉化為線性模型進行求解，轉化后的數學模型為式中：d表示參與響應的用戶種類編號；m為總用戶種類數；n為階梯價格表的總階梯數；為t時刻下第d類用戶的負荷削減量；為t時刻下第d類用戶在第l級階梯中的負荷削減量；為t時刻下第d類用戶在第l級階梯中對應的補償價格；分別為第d類用戶在t時刻下的第l級階梯中的最小削減量與最大削減量；為二進制變量，表示第d類用戶在t時刻下的負荷削減量達到第l級階梯；則分別為第l級階梯的斜率和縱坐標截距。2.1.2

穩(wěn)定性評價函數本文的第2個目標函數為最小化微電網與主電網的交互功率，其函數表達式為2.2

約束條件2.2.1

微電網供需平衡約束式中：分別為電負荷與冷負荷；和分別為光伏出力和風電出力預測值；Epv和Ewt分別為光伏和風機的裝機容量。2.2.2

蓄電池約束式中：為0–1二進制變量，表示蓄電池的放電狀態(tài)；分別為荷電狀態(tài)的最小值和最大值。2.2.3

微電網其余設備出力約束微電網其余運行設備的出力約束表現為不等式形式，屬于系統(tǒng)常規(guī)約束，在此不再贅述。2.3

多目標優(yōu)化對于多目標優(yōu)化問題，本文采用NNC法求得帕累托最優(yōu)集，并篩選出最終解。首先，選定主要目標函數，將其余目標函數轉換為約束，然后通過多次調整約束求解得到帕累托前沿。最后，利用熵權-TOPSIS法篩選最優(yōu)方案。多目標規(guī)劃模型為式中：x為決策變量；Fi(x)為子目標函數。2.3.1

NNC法求解多目標優(yōu)化問題利用NNC法求解多目標優(yōu)化問題如圖3所示。首先，求解各目標函數的范圍，并以此為坐標在解空間中定義錨點。隨后，選定目標函數F1(x)為主要目標函數，將式（17）的多目標規(guī)劃模型轉化為圖3

NNC法求解多目標優(yōu)化問題

Fig.3

multi-objectiveoptimizationsolvedbyNNC

式中：nf為目標函數個數；α為一個足夠小的常數；si為松弛變量；ri為第i個目標函數的取值范圍；分別為第i個目標函數的上下界；定義錨點之間的連線為烏托邦線，gi為第i個次要目標函數在烏托邦線中劃分的總段數。由式（18）可知，εi隨著k的變化可以不斷地調整烏托邦線中各分段的步長，并記錄下每次求解的值，最終在解空間中得到帕累托前沿，如圖3所示。2.3.2

熵權-TOPSIS法求解多目標模型后，需要決策者篩選出滿意的解，采用熵權-TOPSIS法進行處理，即式中：μi為模糊化后的目標函數值；M為帕累托解集中解的個數；w為目標函數權重；為第j組解的目標函數加權值，當該數值達到最小時即為最優(yōu)解。03日內動態(tài)在線優(yōu)化計及需求側響應的CCHP型微電網模型以日前離線預測數據為輸入，建立多目標優(yōu)化模型執(zhí)行優(yōu)化調度，忽視了可再生能源出力與電負荷的不確定性。因此，在動態(tài)在線優(yōu)化階段，設定控制時域和預測時域為1h，時間間隔為5min，以超短期預測數據為輸入，通過跟蹤離線優(yōu)化結果，并采用基于DMC算法的有限時域優(yōu)化策略執(zhí)行日內和實時調度。3.1

DMC有限時域優(yōu)化模型基于DMC算法的有限時域優(yōu)化策略是一種含有反饋校正環(huán)節(jié)的閉環(huán)調度模式，可以更好地應對不確定性變量的波動情況。微電網的冷、熱負荷具有響應慣性，因此，本文只針對電負荷和風光出力波動執(zhí)行滾動優(yōu)化，基于DMC的有限時域優(yōu)化模型為式中：μ1和μ2為權重系數；和為模型的系數矩陣；xt、Δxt和yt分別為模型的控制變量、調節(jié)變量和不確定性變量，如式（21）所示；分別為跟蹤離線優(yōu)化的荷電狀態(tài)和購售電功率的參考值。式中：k取正整數；Δt為前后2次優(yōu)化的時間間隔。隨著時間的推進，算法將不斷地根據系統(tǒng)實時運行狀態(tài)和精準的日內超短期預測數據去求解優(yōu)化模型，得到控制時域下由控制變量組成的控制序列。首先，輸入預測時域范圍內精度較高的日內超短期預測數據；其次，求解式（20）所示的優(yōu)化模型，得到控制時域范圍內的控制序列；然后，下發(fā)序列第一個值執(zhí)行實時決策，根據實際運行情況再執(zhí)行實時反饋校正，至此，已經完成了一次日內調度外加實時決策；最后，隨著時間的推進，不斷重復以上步驟，該方法總的流程如圖4所示。圖4

基于DMC的有限時域優(yōu)化

Fig.4

FinitetimedomainoptimizationbasedonDMC

圖4中各標注序號含義為：①在t時刻，基于t時刻的實時反饋值求解日內優(yōu)化模型，得到控制變量在t+5min到t+1h時間內的日內調度值，即控制時域范圍內的控制序列，并下發(fā)t+5min時刻的控制變量值；②時間前進至t+5min時刻，在實時決策后執(zhí)行實時反饋校正，更新部分控制變量的值；③在t+5min時刻，基于t+5min時刻的實時反饋值求解日內優(yōu)化模型，得到控制變量在t+10min到t+1h+5min時間內的日內調度值，并下發(fā)t+10min時刻的控制變量值；④隨著時間往前推進，不斷重復執(zhí)行步驟②和③。3.2

實時決策與實時反饋校正3.2.1

實時決策環(huán)節(jié)實時數據與超短期預測數據之間仍存在較小的偏差，因此，當下發(fā)控制序列的第一個值后，需要執(zhí)行實時決策。該環(huán)節(jié)需要符合以下原則。1）電能供應方面，通過微電網與主電網的交互維持CCHP型微電網運行的實時電平衡；2）冷熱能供應方面，通過燃氣鍋爐和電制冷機維持CCHP型微電網運行的實時冷熱平衡。3.2.2

實時反饋校正環(huán)節(jié)以往的開環(huán)滾動優(yōu)化采用日前優(yōu)化結果作為滾動優(yōu)化調度的參考值。然而，這種做法容易放大日前預測偏差的影響，從而降低系統(tǒng)運行的經濟效益。為此，有必要執(zhí)行實時反饋校正環(huán)節(jié)，以應對不確定性因素的實時波動影響，反饋校正模型為式中：Pt,real為t時刻系統(tǒng)的實時運行值；Pt,ref為t時刻用于跟蹤靜態(tài)離線優(yōu)化的參考值；Pt,real為t時刻下機組的實際運行值。3.3

兩階段優(yōu)化調度流程所提CCHP型微電網兩階段優(yōu)化調度流程如圖5所示。首先，根據NNC法原理，選擇經濟性與環(huán)保性評價函數為主要目標函數，建立CCHP型微電網的日前多目標線性規(guī)劃模型，并求得帕累托解集；然后，根據熵權-TOPSIS法篩選最優(yōu)日前調度結果，并將結果輸入下一階段；最后，基于DMC算法，以5min為日內優(yōu)化的時間間隔，建立并求解日內有限時域優(yōu)化模型，并在迭代求解過程中執(zhí)行實時反饋校正。當時間推進至整個調度周期時，代表完成周期內整個微電網調度過程，至此流程結束。圖5

兩階段優(yōu)化調度流程

Fig.5

Two-stageoptimizationschedulingprocess

04算例仿真與分析4.1

基礎數據以華東地區(qū)某CCHP型微電網為研究對象。購電分時電價信息如表1所示，系統(tǒng)相關參數如表2所示。基于可中斷負荷的激勵型電負荷需求響應參數如表3所示，規(guī)定最大可中斷負荷量為60kW·h；典型日的風光出力及負荷需求如圖6所示。通過Matlab調用Yalmip工具箱構建模型，并采用Gurobi求解器求解。表1

購電分時電價信息Table1

Time-of-useelectricitypriceinformation

表2

系統(tǒng)參數與單位運行成本Table2

Systemparametersandunitoperatingcost

表3

激勵型負荷需求響應參數Table3

Incentiveloaddemandresponseparameters圖6

可再生能源出力與負荷需求的預測值

Fig.6

Forecastsofrenewableenergyoutputandload

4.2

激勵型負荷需求響應效益分析圖7為靜態(tài)離線優(yōu)化模型的最優(yōu)決策電平衡示意，可以看出實施需求側響應能有效降低峰荷時刻的電負荷，緩解供電壓力，提高供電可靠性。圖7

離線優(yōu)化模型最優(yōu)決策的電平衡情況

Fig.7

Electricalbalanceundertheoptimaldecisionoftheofflineoptimizationmodel4.3

日前多目標優(yōu)化模型的效益分析4.3.1

NNC法求解多目標問題的效益分析為驗證所提多目標規(guī)劃算法的優(yōu)勢，綜合對比NNC法、NSGA-II算法和多目標粒子群算法的結果。3種多目標規(guī)劃求解算法所形成的帕累托解集如圖8所示。由圖8可以看出，多目標粒子群算法在決策分布和優(yōu)化效果上均不如另外2種算法；NSGA-II算法雖然相比NNC法具有更廣的決策分布，然而其優(yōu)化效果較差。表4為3種算法基于熵權-TOPSIS法篩選后的決策結果。圖8

對比不同多目標規(guī)劃算法的帕累托解集

Fig.8

ComparetheParetosetsofdifferentmulti-objectiveprogrammingalgorithms

表4

對比不同多目標規(guī)劃算法的決策結果Table4

Comparethedecisionresultsofdifferentmulti-objectiveprogrammingalgorithms

由表4可知，雖然NNC法在求解目標函數F1時得到的決策效果相比于其他算法稍顯遜色，但是在穩(wěn)定性上卻呈現出絕對優(yōu)勢。因此，NNC法相比于其他算法更具優(yōu)勢。4.3.2

驗證熵權-TOPSIS法的有效性傳統(tǒng)TOPSIS法及熵權-TOPSIS法篩選的帕累托結果如表5和圖9所示。對于熵權-TOPSIS法，輸入NNC法所求解的帕累托結果至熵權法模型中，計算各評價指標的信息熵值與權重值；隨后以權重值對數據進行加權，并將計算結果輸入TOPSIS法用于分析，得到各決策對象的相對接近度大小，并依次排序。同樣地，對于傳統(tǒng)TOPSIS法，賦予各目標權重為0.5，隨后將結果輸入TOPSIS法用于分析，得到各決策對象的相對接近度大小，并依次排序。如圖9所示，相對接近度越大的評價對象越接近于最優(yōu)方案。最終熵權-TOPSIS法和傳統(tǒng)TOPSIS法各自求得的最大相對接近度分別為0.813和0.701。選取最大相對接近度所對應的決策對象為最優(yōu)方案，則2種最優(yōu)方案下的CCHP型微電網運行效益如表6所示。表5

目標函數權重Table5

Theweightoftheobjectivefunction圖9

篩選最優(yōu)決策結果

Fig.9

Screeningtheoptimaldecision由表6可見，從經濟性來看，經熵權-TOPSIS篩選的最優(yōu)方案雖然降低了3.83%，但在環(huán)保性和穩(wěn)定性上卻分別提升了1.67%和43.45%。整體看，熵權-TOPSIS法由于其篩選機制更加客觀，從而可以更好地兼顧CCHP型微電網的多方面運行性能。表6

2種最優(yōu)方案的效益對比Table6

Thebenefitcomparisonoftwooptimalschemes4.4

動態(tài)在線優(yōu)化模型的效益分析4.4.1

基于DMC算法的在線優(yōu)化效益分析為驗證所提在線優(yōu)化模型的運行效益，對比研究了不同日內預測精度下微電網的3種在線優(yōu)化模型。假設微電網的實時運行數據為日前預測數據的±12%，而3種日內預測精度情景下的日內超短期預測信息分別為日前預測數據的±3%、±6%和±9%，使得3種情景的預測精度逐步提升。3種在線優(yōu)化模型分別為：1）常規(guī)日內調度；2）開環(huán)動態(tài)優(yōu)化；3）基于DMC的閉環(huán)動態(tài)優(yōu)化。其中，模型1）是直接根據日內預測數據進行調度，模型3）為所提在線優(yōu)化模型，3種模型采用的日前靜態(tài)離線優(yōu)化模型一致。其運行效益對比如表7所示。表7

對比不同預測誤差情景下不同在線優(yōu)化模型的效益Table7

Comparethebenefitsofdifferentonlineoptimizingmodelsunderdifferentpredictionscenarios從表7可以看出，同一預測誤差下，所提基于DMC算法的動態(tài)在線優(yōu)化模型在實時運行的經濟性、環(huán)保性和穩(wěn)定性上均優(yōu)于其他模型；此外，隨著日內預測精度的提升，模型3）的優(yōu)勢愈發(fā)明顯，顯著提升了系統(tǒng)運行的穩(wěn)定性。圖10和圖11為在線優(yōu)化模型對離線優(yōu)化指標的跟蹤效果。由圖10和圖11可知，所提在線有限時域優(yōu)化模型可以有效降低蓄電池運行損耗和提高系統(tǒng)運行穩(wěn)定性。隨著預測精度的變化，其優(yōu)化效果的變化幅度較小，優(yōu)化效果更有保障。圖10

不同的在線優(yōu)化模型對穩(wěn)定性的跟蹤效果

Fig.10

Thetrackingeffectofdifferentonline