|
对多能流的计算是区域综合能源系统分析的基础,能够全面反映各种能源形式的供给与需求情况。通过对电力、热力、天然气等不同能源载体的耦合优化,可以实现能源系统各组成部分的协调联动,提高能源利用效率,降低能耗排放。 |
|
经济调度优化能够合理配置电力资源，提高电力系统的利用效率。通过科学合理地制定出力调度计划、优化发电机组组合，使得电力系统在满足供需平衡的条件下，最大程度地利用电力资源，提高发电效率，减少能源的浪费。 |
 |
稳定性分析是能源工程中的关键问题，旨在确保系统的安全、稳定和可靠运行。该领域涵盖了泛的研究主题，包括稳定性的定义、评估方法、控制策略以及在实际系统中的应用。稳定性通常指系统在遭受扰动，即负荷的突然变化、设备故障、网络拓扑结构的改变后保持稳定运行的能力。 |
 |
随着我国人们生活水平和生活质量的提高，在人们日常的生产生活过程中，能源已经成为了不可或缺的需要，如果能源系统出现问题，直接影响人民生产生活，尤其是对我国经济有重要影响的重工业，更是需要大量的电力能源作为生产的主要动力。 |
多能流计算 能流计算是根据系统中有限的已知参数信息利用能流计算模型求解系统节点未知的状态变量，是IES中重要的分析方法 ○原理分析 多能流计算是一种关键技术，用于确定能源系统中各节点和线路的工作状态。牛顿-拉夫逊算法（牛拉法）作为一种高效的迭代求解方法，通过逐步线性化非线性方程，能够快速收敛到可行解，广泛应用于多能流计算中。 牛顿-拉夫逊算法的几何意义在于，从一个初始点出发，通过在该点处做切线，找到与x轴的交点作为下一次迭代的坐标，这一过程不断重复，直到近似解满足精度要求。下图展示了牛顿-拉夫逊法的几何解释。
牛顿-拉夫逊算法通过迭代求解单变量非线性方程。初始值的选取对算法的收敛性至关重要。算法的每一步迭代包括： • 根据当前近似解计算雅各比矩阵 • 利用雅各比矩阵和函数值更新近似解 • 校验是否满足预设的收敛条件 修正方程
将牛顿-拉夫逊算法从单变量情况推广到多变量情况，涉及到雅各比矩阵和向量的计算。每次迭代需要更新多元函数的雅各比矩阵，并根据矩阵和向量计算新的近似解，直至满足收敛条件。通过迭代求解和几何解释，该算法为处理复杂的非线性方程组提供了一种有效的解决方案。 ○模型构建 在进行电-气-热-冷多能流计算之前，需要首先建立包括配电网、燃气网、供热网和供冷网在内的偏差方程、雅克比矩阵和修正方程。通过应用牛拉法，可以对IES中的模型变量进行分析，明确已知量和未知量，为多能流计算提供基础。以电热为例简要说明
在配电网的能流基本方程中，关键是确保电力网络的有功和无功功率在所有节点上达到平衡。这包括考虑综合能源系统中的耦合设备，它们在电力网络中产生和消耗的功率。通过泰勒公式简化节点功率平衡方程，并忽略高阶项，可以得出电力网络的修正方程。这些方程可以通过分块矩阵形式表达，其中矩阵元素由控制变量对状态变量的偏导数确定。 修正方程
供热网的能流计算基于水力和热工模型，通过节点流量守恒和压力平衡来建立基本方程。这些方程进一步发展为偏差方程，用于描述热功率、压力、供水和回水温度的偏差。雅可比矩阵通过控制变量对状态变量的偏导数来表达这些关系，而修正方程则基于这些矩阵元素来推导得出。 雅可比矩阵及修正方程
○算法流程 分立求解法通过交替迭代的方式分别求解综合能源系统中的各个子网络，简化了计算过程并提高了速度。在系统中，热网和冷网作为纯负载，首先确定其能流需求；电网和气网则在热网之后求解，因为它们在系统中既充当负载也充当能源供应方，需要更复杂的能量交换和状态变量修正。
牛顿-拉夫逊法求解非线性方程组需要适当初始化状态变量：电力网络电压通常设为指定值或1p.u.，天然气网络压力在源节点设为指定值，热力网络温度设为指定值，供热/冷网络质量流从末端支路开始设置并逆向推算。正确的初值设置有助于确保计算的收敛性。 在供热/冷网的多能流计算中，必须监控并校正个别节点的质量流方向，以确保迭代过程中流动方向与预设方向一致。如果质量流方向在迭代中出现反向，需要调整支路-回路矩阵B，以避免计算错误或收敛问题。 ○能流分布 配电网中设定了牛顿-拉夫逊算法的收敛精度为10-6，并通过统一求解法对配电网算例进行了计算，其中节点N1为平衡节点，节点N19为PV节点，其余节点为PQ节点，同时确保所有节点电压维持在0.95至1.05的标幺值范围内。配电网能流分布情况如下
对于燃气网，各管道压缩比设为1，直径设为300mm，摩擦阻力Cg设为105，燃气网能流分布情况如图 供热网中供水温度设为120℃，回水温度设为70℃；各管道传热系数设为0.02，管壁粗糙度设为0.04；节点N62为CCHP节点，供水温度120℃；节点N58为电热锅炉，电力设为20MW，供水温度120℃；管道长度、直径和能流分布如下
对于供冷网，供水温度设为7℃，回水温度设为12℃；节点N64为CCHP节点，供水温度7℃；供冷网能流分布如图 经济优化调度 经济优化调度是一种通过合理分配不同能源的发电量来最小化电力系统运行成本的方法，同时确保满足供电需求和遵守系统约束。 ○模型构建 需求响应模型 在MAIES系统中，能源需求多样化，包括冷、热、电和燃气负荷。电力负荷由热电联产、电网、储能和风电场供应，过剩电力可出售。冷负荷由CCHP和空调满足，热负荷则由热电联产、燃气锅炉和储能提供。燃气负荷直接由天然气管网供应。园区用户可通过价格响应机制调整能源使用行为，包括负荷削减、转移或转换能源来源。
能源负载分为固定和弹性两类。固定负载优先级高，不随价格变化；弹性负载灵活可调，包括可移动负荷（SL）、可消减负荷（CL）和可转换负荷（TL）。 固定负荷：在需求响应中不受影响，具有固定能量需求
可移动负荷（SL）：能在一定时间范围内调整使用时间，具有价格弹性
可消减负荷（CL）：用户可根据电价和需求部分削减或增加负荷，具有价格响应性。
可转换负荷（TL）：用户可在电价和天然气价格之间转换能源来源，具有特定的价格弹性和转换效率。
变工况模型 在综合能源系统（IES）的研究中，传统模型通常将设备的能量转换效率视为常数或简化耦合关系。然而，实际应用中设备的运行效率是动态变化的，与负载特性紧密相关。本文在现有研究基础上，引入了修正的动态效率变化模型来更准确地反映实际运行情况。 热电联产（CHP）系统：发电功率和供热功率存在关联。内燃机的发电效率与功率呈非线性关系，可以通过多项式拟合来描述。
溴化锂机组作为热回收设备，其效率受内燃机排烟温度和烟气流量的影响，这两个参数是热电联供系统的中间产物。
燃气锅炉（GB）机组：在实际运行中，GB的热损失包括多种因素，如燃料排烟热损失、不完全燃烧热损失、散热损失等。这些因素导致在低负荷运行时GB效率降低，GB在部分负荷下的效率可以通过二次多项式进行拟合。
本系统建立了一个多主体综合能源系统经济调度模型，以3个园区、储能电站和风电场的综合利润最大化为目标。具体建模如下：
约束条件如下：
储能电站约束
风电场约束
设备约束
功率平衡 多主体主从博弈模型 本文提出的是一个多智能体系统（MAIES）的双层博弈模型，其核心思想是通过系统运营商和园区内耦合设备的策略决策，以及跟随者的需求响应和充放能策略，实现整个系统的最优运行。 ·模型结构：建立了一个包含领导者和多个跟随者的双层博弈模型。领导者是系统运营商，负责定价和设备出力决策；跟随者包括园区用户、风电场和储能设备，负责需求响应和充放能功率决策。 ·决策层次：存在两个层次的决策，上层是系统运营商的决策，下层是跟随者的决策。这两个层次的决策通过迭代循环相互作用，以实现系统平衡。 ·研究假设： （1）领导者和跟随者都是理性和独立的，他们参与竞争市场，寻求优化目标 （2）博弈是完全信息动态博弈，即所有参与者都完全了解博弈的规则和信息 ·博弈要素： （1）参与者：系统运营商、园区用户、风电场、储能设备 （2）策略：领导者制定电价和热价，跟随者根据这些价格和自身设备情况制定需求响应和充放能策略 （3）收益：上层收益来源于领导者制定的价格和需求响应补贴，下层收益则通过优化能源转化耦合设备、储能电站和风电场的出力来降低成本 ·收益计算： 上层：领导者通过制定能源价格和补贴单价，影响园区用户的需求响应，从而计算购能成本 下层：在固定上层收益的基础上，跟随者通过调整设备出力和充放能策略来优化成本，最终计算出MAIES的日总利润 ·优化过程：通过重复上述步骤，直到找到最优解，认为系统达到均衡状态 ○算法流程 本章介绍了一个多智能体两级优化博弈模型，其中智能体包括领导者和跟随者，各自追求不同的优化目标。领导者面对的是多变量非线性问题，通过粒子群算法简化求解；而跟随者处理的是二次规划问题，利用MATLAB平台的YALMIP和Gurobi求解器。整个模型采用分布式方法，结合粒子群和二次规划进行迭代求解，以实现系统均衡。模型的具体求解过程如下：
○调度结果 电功率平衡：园区电负荷平衡涉及配电网、园区间、储能电站及新能源出力的多方面交互，其中园区2通过灵活运行CHP机组并根据效率变化调整策略以降低成本，而园区3因冷负荷用户多导致缺电量增加，优先从储能和风电场购电，同时园区1的电负荷也大量流向园区3，以实现整体的电力供需平衡和成本优化。
园区1电功率平衡 园区2电功率平衡 园区3电功率平衡 热功率平衡：园区2和园区3的热功率平衡优化结果如下图，热电联产机组采用"以电定热"的运行方式，其与燃气锅炉机组的转换效率在调度周期内呈现动态变化。由于燃气锅炉具有较低的投资成本，其容量设置相对较大，主要用于满足基本热负荷需求，而CHP机组则根据电力需求来调整其热输出，以实现热功率平衡的优化。 园区2热功率平衡 园区3热功率平衡 冷功率平衡：园区3冷功率平衡优化结果见下图，由于CCHP机组的吸收率和制冷率的约束，故出力占比仅为冷负荷需求的小部分。固定冷负荷主要由CCHP制冷提供，缺失部分由空调制冷补给。可控冷负荷在调度周期内变化较大，并且存在午时尖峰和占比大的特点，故可控冷负荷由空调一体承担，这表明园区在冷负荷供应上采取了CCHP与空调系统相结合的方式，以应对不同时间段的冷负荷需求变化。
园区3冷功率平衡 储能电站调度：园区1由于光伏发电出力较大，成为余电园区，其储能电站以低于配电网和风电场的购电单价向园区购电，从而成为储能蓄电的重要来源。相比之下，园区2和园区3的光伏发电出力较低，属于缺电型园区，因此它们主要依赖储能电站的放电来满足电力需求。储能电站通过其调节作用，有效减轻了配电网在高峰时段的供电压力，并防止了传输线路在高峰时段的功率超限问题，确保了电网的安全稳定运行。
储能功率平衡 风电场调度：集中风电场的主要作用是消纳新能源，为园区电负荷提供稳定的功率支撑。通过这种方式，风电场显著降低了系统从配电网购电的费用，进而减少了整个系统的购能成本。在仿真算例中，风电场的售电单价低于配电网的售电单价，因此风电场优先向园区供电。对于未能完全消纳的风电，风电场会将其放电至储能系统，以实现能源的最大化利用和成本效益的优化。
风电场功率平衡 可靠性分析 可靠性评估对于实时监控系统状态、快速定位潜在薄弱环节、预测短期风险并制定预防措施至关重要，以确保系统在多变的内外因素影响下保持稳定和安全。 ○模型构建
马尔可夫多状态模型的状态概率转移矩阵
可靠性建模应涵盖可再生能源的不确定性，这包括其随机性和间歇性带来的多维影响，关键在于精确模拟这些因素对设备状态的影响，以确保系统稳定运行。 （1）分布式光伏可再生能源多状态模型 分布式光伏发电系统的潜在出力特性取决于光照强度、太阳能光伏阵列的温度等因素，其中光照强度是光伏出力的主要因素，只考虑光照强度对光伏出力的影响，光伏发电系统的输出功率可用分段函数近似表示
为提高计算效率，可把光伏出力曲线简化为n个离散功率来表示，每个功率Pi代表光伏的一个出力状态。则光伏出力状态为Pi的概率为：
（2）分布式风电场可再生能源多状态模型 分布式风电厂出力受风速等自然因素影响,风电机组的输出功率与风速之间的表达式可近似表示为
与光伏多状态模型相类似，可把风电场出力简化为由n个离散功率来表示，每个功率代表风电场的一个出力状态，即n个出力状态。则风电场出力状态为Pi的概率为：
○算法流程 考虑到配电网元件与可再生能源如风能和太阳能出力之间的状态不是相互独立的，而是通过状态转移矩阵按“时序”关系从一个状态转移到另一个状态，序贯蒙特卡洛方法利用这一关系进行精确的状态抽样，提供了一种评估结果更为准确且贴近实际的方法，从而使得可靠性分析能够更真实地反映系统的运行情况。
○评估结果 当标准系统中电网和热网均运行于孤岛模式下，电网的可再生能源出力占比为60%的情况下，通过对子系统的N-1进行分析以及耦合元件的N-1进行分析来测试标准系统的静态安全可靠性。 电气热冷的不足时间信息
配电网年平均停电时间 燃气网年平均供气不足时间
供热网年平均供热不足时间 供冷网年平均供冷不足时间 综合指标
结果分析显示，各子系统的平均指标SAIFI为1.8次/(户·年)，SAIDI为4.1747小时/(户·年)，CAIDI为2.687小时/次，平均供能可靠率ASAI高达99.9452%，均符合设计要求，确保了系统的高可靠性 |
团队公众号
多能流计算
能流分布
经济优化调度
模型构建
算法流程
调度结果
可靠性分析
