摘 要 ：针对采用 P2G 机组和含燃料电池、储冷罐、储热罐的冷热电联产 (CCHP) 系统，以年最大净收益为目标进行调度优化。考虑了西北某地区夏季和冬季典型日的环境和负荷，分时电价、热价和分布式电源的出力特性以及储能系统的特性，采用改进粒子群算法，对所提方案的机组进行调度优化，通过将成本收益数据对比分析，验证了提高机组效率的系统构建方式。
关键词 ：P2G 机组 ;冷热电联产 (CCHP) ;储能设备 ;调度优化
0 引言
随着全球能源日益匮乏、污染严重等问题不断加剧，调整现有产能方式并寻求更有效的节能方法是十分有必要的 [1]。冷热电联产 (CCHP) 系统是依靠水能、太阳能、风能等多类型能源作为一次能源，输出以电、热、冷等相结合的一种供能方式。合理的优化调度策略是实现 C C H P 系统高效、低碳运行的重要保障 [2]。参考文献 [3] 提出了一种含多类型储能设备的能量优化模型，有效平衡了光伏出力波动性并降低了能耗及运行费用。参考文献 [4] 在 P2G 技术和电、热储能设备的基础上，提出了系统多目标优化模型。参考文献 [5] 考虑 P2G、CCHP 联供机组、电制冷机等设备，设计了综合能源系统协同优化运行结构。参考文献 [6] 将地源热泵和储能装置引入 CCHP 系统，构建了联供型微网模型。
基于此，结合 P2G 机组、储能设备，以系统年净收益最大为目标，建立了 CCHP系统优化调度模型，利用改进粒子群算法优化求解系统。最后结合算例进行分析，证明了加入储能设备可以提高能源利用率并降低用能成本，为综合能源系统发展提供参考。
1 CCHP系统调度优化模型
1.1 设备数学模型
1)P2G 系统
P2G 使得电网和天然气网络之间的能量传输变成双向，即水在电解时产生的氢和氧。
2 模型求解算法
2.1 改进粒子群算法
粒子群算法是基于鸟类或蜂群在搜索空间中的随机运动，以达到一个共同的目的地。每个粒子都使用自身对目标函数的最佳评估和群体的最佳评估，通过改变其在每次迭代中的速度来达到最优解。
假设每个搜索空间有一组粒子，粒子的每个位置都是发电机组单元调度值。每一次迭代中，粒子的速度都会发生变化，通过对个体极值P best 和群体极值G best 更新位置追踪，使个体极值不断趋近最佳位置。
2.2 算法步骤
此处对粒子群算法的参数设置如下 ：种群规模值为 30，迭代次数值为 300，粒子维度值为 8，加速常数值为 2，惯性权重值为 0.6，速度范围为 [-1， 1][7-8]。确定每个设备的机组参数、燃气和电力价格以及每小时的负荷后，搜索每个设备的单位时间最佳机组出力，其步骤如下 ：
(1) 输入参数的确定。(2) 随机生成初始种群的速度和位置。(3) 评估每个个体的适应度，如果目标函数达到最优，则输出最优值P best ;否则，继续下一步。(4) 选择适应度高的个体进行对比，适应度低的个体被淘汰。(5) 通过更新个体速度、位置，根据式 (17)、(18) 创造新的个体。(6) 由新个体构成一个新种群，并返回步骤 (3)。
3 案例分析
文中选取西北某个 CCHP 系统，包括电、热、冷、气负荷。由于北方地区春、秋季节供用电变化较夏、冬相对不明显，因此仿真数据选取夏、冬两个季度的典型日数据，多次演算取平均值，其中对每个典型日数据，采用分时采样，数据绘图周期均为 1 h，最后算出成本。
由于电力、供暖、制冷负荷随时间不断变化，存在高峰和低谷价格，因此 C C H P 系统价格应不断调整以满足实时需求，具体数据如表 1 所示。
图 1 为典型日的电、热、冷负荷及风机、光伏出力情况，除夏季光伏出力加大，冬季相对减少外，风机出力情况并无太大变化。
本文采取了两种方案来研究有无储能设备 (IST、HST、SOFC) 对含 P2G 机组的 CCHP 系统的机组效能影响。
方案 1 ：C C H P 系统能量转换利用 P2G，夏季供冷负荷使用电制冷机 ( E C )、A C，冬季供热负荷使用电锅炉 (EB)、燃气锅炉 (GB)。
方案 2 ：CCHP 系统能量转换利用 P2G 和 SOFC，夏季供冷负荷使用 E C、A C 和 I S T ;冬季供热负荷使用 EB、GB 和 HST。
相关期刊推荐：《电工电气》(月刊)创刊于1981年，由苏州电器科学研究所有限公司主办。办刊宗旨及业务范围为：追踪行业热点，报道前沿技术，传递市场信息，搭建行业技术交流和推广应用平台，推动电工电气技术发展，为电工电气行业服务。主要刊登电工电气、高低压电器及成套设备和控制设备、无功补偿、节能技术、计算机在电工电气领域的应用等方面的科研、设计、标准、检测及新技术、新工艺、新材料等的论文、技术报告和信息与技术交流方面的文章。本刊不收版面费，并支付稿费。欢迎广大作者踊跃投稿，对有价值、水平高的论文将优先刊用。
3.1 夏季机组出力
图2为CCHP系统夏季典型日机组运行出力结果。
其中图 2 a)、图 2 b) 分别为方案 1 的供用电机组出力结果、供冷机组出力结果 ;图 2 c)、图 2 d) 相应为方案 2 的结果。
方案 1 的机组出力情况 ：黑色曲线表示用户实际用电负荷曲线，各个机组发电出力相加后与实际用电负荷量存在偏差，最大偏差出现在当日用电峰值前后，造成电能浪费 ;灰色曲线表示用户端实际用冷负荷曲线，各个机组供冷出力相加后与用户实际用冷负荷存在偏差。其中供电机组出力最多的是风光发电机组，图 2 a)中 0刻度线以下存在 GT出力，此时 G T 出力产生的热能提供给 A C，满足部分供冷负荷需求，所以与图 2 b) 中 AC 出力起伏趋势一致。在 6 至 23 点期间，P2G 机组出力，在加入 P2G 机组的时刻接近用户用电负荷曲线，最大偏差减少量发生在 12 点。图 2 b) 中跟随冷负荷运行时，GB 出力较少，在 P2G 机组出力的时间段接近用户用冷负荷曲线，最大偏差减少量发生在 10 点。所以加入 P2G 机组可以增大可再生能源利用率，减少偏差，降低能源浪费情况，但仅加入 P2G 机组，对于整个 CCHP 机组来说，整体还存在偏差和能源浪费情况。
方案 2 的机组出力情况 ：加入 SOFC、IST 储能设备后，方案 2 机组的实际供冷出力之和与用户端用冷负荷曲线之间的差值在最小，此时可再生能源利用率最高，机组供冷负荷损失量最小。
3.2 冬季机组出力
图3为CCHP系统冬季典型日机组运行出力结果。
其中图 3 a)、图 3 b) 分别为方案 1 的供用电机组出力结果、机组供热出力结果 ;图 3 c)、图 3 d) 相应为方案 2 的结果。
方案 1 的机组出力情况 ：主要为风光联合出力和 GT 出力。图 3 中，黑色曲线表示用户实际用电负荷曲线，各个机组发电出力相加后与用户端用电负荷存在偏差，最大偏差出现在 12 点左右，此时是当日用电高峰，造成电能浪费 ;灰色曲线表示预测的风光联合出力，实际风光联合出力与其预测值之间也存在较大偏差，造成能源浪费 ;虚线表示实际用热负荷，各个机组供热出力相加后与用户端用热负荷存在偏差，最大偏差出现在 12 点左右。图 3 a) 中 0 刻度线以下存在 GT 出力，此时 GT 出力产生的热能由余热回收机组回收，满足部分冬季供热负荷需求，所以与图 3 b ) 中 G T 出力成正比。在 7 至 15、17、19 至 21 点 P2G 机组出力，各机组实际供电出力最大偏差减少量发生在 13 点。图 3 b ) 中跟随热负荷运行时，GB 出力较少，但仅加入 P2G 机组，对于整个 C C H P 机组来说，整体还存在偏差和能源浪费。
方案 2 的机组出力情况 ：实际供冷出力之和与用冷负荷曲线之间的差值最小，此时可再生能源利用率最高，机组供冷负荷损失量最小，机组性能也最好。
3.3 成本收益分析文中将选取的西北地区夏、冬季节代表日机组出力数据代入成本收益模型，得到 2 种方案的成本 - 收益模型运行结果数据如表 2 所示。
对比方案 1，方案 2 的总成本减少 2.896 万元，总 收 益 增 加 15.868 万 元， 年 最 大 净 收 益 增 加 18.762 万元。方案 2 的总成本较方案 1 低是因为加入储能设备后提供了一些电和气，因此总成本也就降低。方案 1 的总收益较方案 2 低的主要原因是方案 1 的环境收益和电负荷收益较低，其没有采用储能系统去消纳多余的风电、光电，因此电负荷收益低于方案 2，且方案 2 的环境收益较方案 1 增加，因此方案 2 的总收益比方案 1 高。
综上所述，在 C C H P 系统并网模式运行时，同时采用 P2G 机组和储能机组效果最佳。既能使可再生能源年利用率得以提高，又能在满足用户冷热电负荷需求的同时，减小能量损耗，降低成本，并获得年最大净收益和环境收益。
4 结语
文中提出了以 CCHP 系统年最大净收益为目标，对采用 P2G 机组发电的 C C H P 系统采用加入 I S T、 HST、SOFC 等储能设备进行调度优化，通过粒子群算法求解，结合西北某地区夏季和冬季典型日的环境和负荷，分时电价、热价，C C H P 系统机组出力以及 P2G 机组和储能设备特性等数据，设计两种方案对比分析机组发电、供热、供冷出力，结果表明 P2G 系统和储能设备在机组调度优化中可以降低 C C H P 系统能量损失，提高能源的梯级利用，增加可再生能源的消纳。通过成本收益运算结果表明 CCHP 系统采用 P2G 机组和储能装置 (IST、HST、 S O F C )，能在获得年最大净收益的同时，实现环境收益最高。——论文作者：马明，纳春宁，余双，潘欢
参考文献
[1] 袁智勇，赵懿祺，郭祚刚，等 . 面向能源互联网的综合能源系统规划研究综述 [J]. 南方电网技术， 2019，13(7) ：1-9.
[2] 王世萱，朱武 . 含冰蓄冷空调的 CCHP 微电网优化调度 [J]. 上海电力大学学报，2021，37(1) ：37-43.
[3] 林舜江，杨智斌，卢苑，等 . 含光伏的天然气冷热电联供园区微网能量优化调度 [ J ] . 华南理工大学学报 ( 自然科学版 )，2019，47(3) ：9-19.
[4] 施泉生，丁建勇，刘坤，等 . 含电、气、热 3 种储能的微网综合能源系统经济优化运行 [ J ] . 电力自动化设备，2019，39(8) ：269-276.
[5] 吴静，德格吉日夫，谭忠富，等 . 计及 P2G 与 CCHP 技术的综合能源系统多目标协同优化模型 [ J ] . 电测与仪表，2021，58(5) ：20-30.
[6] 杨志鹏，张峰，梁军，等 . 含热泵和储能的冷热电联供型微网经济运行 [J]. 电网技术，2018，42(6)： 1735-1743.
[7] 张梦晨 . 考虑 P2G 和 S O F C - M G T 联合发电系统的微网容量配置 [D]. 燕山 ：燕山大学，2020.
[8] LIU Z, CHEN Y, ZHUO R, et al.Energy storage capacity optimization for autonomy microgrid considering CHP and EV scheduling[J].Applied Energy，2018，210(15) ：1113-1125.
转载请注明来自：http://www.lunwencheng.com/lunwen/dzi/21196.html
