一种区域多能源系统结构及其产能配置优化方法

技术领域

本发明涉及能源综合优化技术领域，尤其是涉及一种区域多能源系统结构及其产能配置优化方法。

背景技术

为应对全球气候变化和解决温室气体排放的难题，各个国家和地区的能源结构逐步向低碳、高效、可靠、安全、可持续的方向发展，其中，随着能源技术的不断发展，以分布式、多介质为特征的多能源系统(Multi-Energy System，MES)成为当前能源结构转型发展的重要方向。多能源系统是一种跨地域、跨能源介质的分布式能源结构，它打破了传统能源结构中不同能源载体系统各自为政的结构体系，通过不同能源介质之间的转换、存储、传输等活动，实现了不同能源载体系统的交互，将传统的各自独立的能源载体系统集成为一种更加广泛、高效、可靠的多能源系统。多能源系统的研究引起了国内外工业界和学术界的重视，研究领域主要包括结构规划、产能配置、生产调度、运行操作等分析与优化问题。在多能源系统的概念范畴下，出现了微型电网(micro-grid)、虚拟电厂(virtual power plant)、能源枢纽(energy hub)、集成能源系统(integrated energy system)、多源多产能源系统(multi-source multi-product energy system)等一系列能源结构系统。

多能源系统优化是当前能源研究领域的热点问题，按照研究角度，该问题分为多种类型。从所考虑时间范围的长短，分为长时(long-term)和短时(short-term)。长时研究以年为基本时间单位，时间跨度为几年，甚至是多能源系统的整个生命周期；短时一般以小时为基本时间单位，时间范围不超过1年。

按照节约能源、减少排放、降低成本等不同的优化目标，又可分为单目标优化和多目标优化，前者包括最小化能源成本、运行成本、CO

多能源系统的产生伴随着能源技术的革命性突破，特别是最近几十年兴起的可再生能源技术是推动高能耗、高排放的传统能源结构向高效节能、低碳排放的可持续能源结构转型发展的核心动力，该技术是多能源系统的重要组成部分。工业界和学术界都已经形成共识，能源技术的发展轨迹对多能源系统具有直接且显著的影响作用。然而，现有研究在多能源系统优化中，简单地将可再生能源技术固化在技术发展阶段的某一切片上，尚未考虑到可再生能源技术历史及未来发展轨迹对多能源系统规划与运营的影响。

技术发展的全生命周期伴随着技术成本的动态变化，可以说，成本的动态演变直接体现了技术的发展路径。特别是在能源技术发展领域，随着技术创新水平的不断提高和技术市场推广的不断加强，可再生能源技术的成本优势日益显现。当前，学习曲线模型是研究可再生能源技术成本变化的主流方法，学习曲线源于“二战”时期对飞机工业生产数据监测分析的一种观察结果，即产品的单位成本随着产量的增加呈现下降的趋势。学习曲线已经被众多学者引入到能源技术领域中，针对可再生能源技术发展规划及能源政策制定展开了大量的研究工作。学习曲线描述了随着能源技术性能改进和实践经验的积累，技术单位成本会按照一定比例下降的一种实证现象。

现有的能源技术学习曲线模型一般按照影响因素的多少，主要分为单因素(one-factor)、双因素(two-factor)和多因素(multi-factor)三种类型。单因素是应用最为广泛的模型，反映了累计装机容量(累计发电量)对发电单位成本的影响，描述了技术实践经验积累对降低成本的学习效应，称为learning-by-doing；双因素模型在单因素的基础上，考虑了累计R&D投入等技术性能改进的影响作用，增加了learning-by-researching的学习效应。此外，部分学者将知识溢出、资本投入、原材料价格、人力成本等众多因素也融入到学习曲线模型中，形成了多因素模型。

多能源系统优化的重要目的之一是为能源系统的规划建设，特别是能源结构的产能配置优化提供策略方案。而现有的大部分多能源系统优化方法将成本因素作为主要优化目标考虑时，将可再生能源技术成本固化为外部给定值(按照固定价格或固定轨迹变化)，这种设定方式并不能体现出伴随可再生能源技术发展轨迹而产生的成本动态演变过程，导致产能优化配置结果可靠性较差，优化结果脱离技术实际发展水平，无法保证供能系统容量配置与能源技术成本的最优化。

发明内容

本发明的目的就是为了克服上述现有多能源系统优化的缺陷而提供一种区域多能源系统结构及其产能配置优化方法，通过构建一种跨地域、跨能源介质的分布式能源结构，结合多阶段学习曲线，能够全面考虑能源技术成本的动态演变，保证多能源系统产能优化配置结果的可靠性。

本发明的目的可以通过以下技术方案来实现：一种区域多能源系统结构，包括交互连接的能源输配送系统和需求侧供能系统，所述能源输配送系统包括电输配送系统、天然气输配送系统、氢气输配送系统、热能输配送系统和制冷输配送系统，所述需求侧供能系统包括传统能源供能系统、可再生能源供能系统和热电冷联产供能系统，所述传统能源供能系统具体为火力发电厂，所述可再生能源供能系统包括太阳能、生物能、风能、水能、海洋能、地热能、氢能以及核能发电厂，所述热电冷联产供能系统包括热电联产、热电冷联产以及热泵等。

一种区域多能源系统结构的产能配置优化方法，包括以下步骤：

S1、以最小化成本效益作为目标函数，其中，成本效益具体为风力发电成本、光伏发电成本、火力发电成本、热电联产供能用天然气成本以及氢气发电成本之和，减去电、热、冷的上网收益；

S2、根据能量转换、产能约束、能量平衡以及单位成本学习曲线，设定得到约束条件；

S3、基于目标函数和约束条件，共同构建得到产能配置优化模型，通过对该产能配置优化模型进行求解，得到区域多能源系统结构的容量配置方案及对应的成本数据，即为产能配置最优结果。

进一步地，所述目标函数具体为：

其中，C

进一步地，所述能量转换包括风力发电、光伏发电、火力发电、热电联产发电制热、热泵制热制冷、氢燃料电池发电。

进一步地，所述产能约束具体为各个机组的安装容量不能超过可部署的最大安装容量。

进一步地，所述能量平衡包括区域内各个发电厂的电力、热能和制冷的能量平衡。

进一步地，所述单位成本学习曲线包括光伏发电单位成本学习曲线以及风力发电单位成本学习曲线。

进一步地，所述能量转换约束条件具体为：

其中，

进一步地，所述产能约束具体为：

其中，

进一步地，所述能量平衡约束具体为：

风力发电厂能量平衡：

光伏发电厂能量平衡：

火力发电厂能量平衡：

上网电量、热量和制冷量非负：

其中，

进一步地，所述光伏发电单位成本学习曲线具体为：

其中，

所述风力发电单位成本学习曲线具体为：

其中，

与现有技术相比，本发明具有以下优点：

一、本发明提出一种以电、天然气、氢气、热能、制冷多种能源输配送系统为基础设施，集成传统能源、可再生能源、热电冷联产等多项能源技术的区域多能源系统结构，面向需求侧的电、热、冷等终端能源需求，区域多能源系统以分布式能源供应、多载体能源转换为特征，构建了跨地域、跨能源介质的分布式能源结构。该系统通过不同能源介质之间的转换、存储、传输等活动，实现了电、天然气、氢气、热能、制冷多种能源输配送系统之间的交互。该系统具有可扩展性，区域范围可以小至一个园区，大至一个省市，乃至整个国家，在能源供应上，集成了传统能源、可再生能源、热电冷联产等多项能源技术，多种能源技术可以按需部署到该模型框架中，能够同时参与系统优化，从而保证产能配置优化结果的全面性。

二、本发明在构建优化模型时，提出一种多阶段学习曲线模型用于描述区域多能源系统中的可再生能源技术成本的动态演变轨迹，将能源技术全生命周期分为产生、发展、成熟三个阶段，产生阶段的学习率较低，发展阶段的学习率最大，成熟阶段的学习率为0。通过多阶段学习曲线，建立了可再生能源技术成本与产能配置，即机组安装容量的紧耦合关系，使可再生能源技术成本的设定不再是外部给定的外生参数，而是由优化模型决策方案决定的内生参数，从而使产能配置优化模型能够及时捕捉到可再生能源技术成本未来可能的发展轨迹，能够全面考虑到技术成本的动态演变，进而确保产能配置优化结果的可靠性。

附图说明

图1为本发明的区域多能源系统结构示意图；

图2为本发明的方法流程示意图；

图3为本发明提出的多阶段学习曲线示意图；

图4为实施例中区域多能源系统结构实例图；

图5a为实施例中学习曲线设定第一种学习率时各个机组安装容量优化配置结果；

图5b为实施例中学习曲线设定第一种学习率时风电和光伏技术单位成本的变化轨迹；

图6a为实施例中学习曲线设定第二种学习率时各个机组安装容量优化配置结果；

图6b为实施例中学习曲线设定第二种学习率时风电和光伏技术单位成本的变化轨迹。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种区域多能源系统结构，包括交互连接的能源输配送系统和需求侧供能系统，能源输配送系统包括电输配送系统、天然气输配送系统、氢气输配送系统、热能输配送系统和制冷输配送系统，需求侧供能系统包括传统能源供能系统、可再生能源供能系统和热电冷联产供能系统，传统能源供能系统具体为火力发电厂，可再生能源供能系统包括太阳能、生物能、风能、水能、海洋能、地热能、氢能以及核能发电厂，热电冷联产供能系统包括热电联产、热电冷联产以及热泵等。

具体的，本发明针对能源系统向分布式、多能源载体的方向发展，提出了如图1所示的以电、天然气、氢气、热能、制冷多种能源输配送系统为基础设施，集成传统能源、可再生能源、热电冷联产等多项能源技术的区域多能源系统结构——DMES(District Multi-Energy System)。面向需求侧的电、热、冷等终端能源需求，区域多能源系统以分布式能源供应、多载体能源转换为特征，构建了跨地域、跨能源介质的分布式能源结构。该系统通过不同能源介质之间的转换、存储、传输等活动，实现了电、天然气、氢气、热能、制冷多种能源输配送系统之间的交互。该系统具有可扩展性，区域范围可以小至一个园区，大至一个省市，乃至整个国家。在能源供应上，集成了传统能源、可再生能源、热电冷联产等多项能源技术，多种能源技术可以按需部署到该模型框架中，参与系统优化。其中，传统能源主要包括火力发电，可再生能源包括：太阳能、生物能、风能、水能、海洋能、地热能、氢能、核能等，热电冷联产包括：热电联产、热电冷联产以及热泵等。

针对上述区域多能源系统结构，本发明提出如图2所示的产能配置优化方法，包括以下步骤：

S1、以最小化成本效益作为目标函数，其中，成本效益具体为风力发电成本、光伏发电成本、火力发电成本、热电联产供能用天然气成本以及氢气发电成本之和，减去电、热、冷的上网收益；

S2、根据能量转换、产能约束、能量平衡以及单位成本学习曲线，设定得到约束条件；

S3、基于目标函数和约束条件，共同构建得到产能配置优化模型，通过对该产能配置优化模型进行求解，得到区域多能源系统结构的容量配置方案及对应的成本数据，即为产能配置最优结果。

在实际应用中，由于DMES能源结构复杂，能源转换、存储、传输等活动涉及多种能源基础设施和多种能源技术类型，需要针对优化模型制定必要的前提假设，包括：

1、区域多能源系统与外界的交互只限于天然气、煤炭、氢气能源输入以及热、电、冷能量输出。在满足供应侧能源需求下，区域生产的剩余电力、热力、制冷可以通过上网方式向外界输出获得收益。区域内的所有需求侧能源供应由区域内的机组提供，外界不能注入需求侧能源介质。

2、用于各个机组启动与运行的动力消耗在此忽略不计。

3、本地电厂机组的能源产出除了供应本厂其它机组的电力输入(例如，热泵的电力输入由本地的风力发电机组或光伏发电机组提供)以及本地需求侧能源供应，剩余部分可以上网获取收益。

4、在成本计算中，风力发电、光伏发电的能量产出成本主要是机组的资本投入与运维成本，按照技术发电成本计算。火力发电、热电联产、氢燃料电池的能量产出成本主要是煤炭、天然气、氢气能源资源输入的消耗成本。

5、所有能量载体按照电力单位计量，成本及上网收益按照单位电力成本计算。

本发明按照目前能源系统综合优化的主流方法，采用最小化成本效益作为优化目标函数。系统目标的总成本效益包括风力发电成本、光伏发电成本、火力发电成本、热电联产供能用天然气成本、氢气发电成本，减去电、热、冷的上网收益，目标函数如公式(2)所示。

其中，C

约束条件按照各种能源技术类型的能量转换、产能约束以及能量平衡进行设定。能量转换包括风力发电、光伏发电、火力发电、热电联产发电制热、热泵制热制冷、氢燃料电池发电。

其中，

产能约束包括各个机组的安装容量不能超过可部署的最大安装容量。

其中，

能量平衡包括区域内各个发电厂的电力、热能和制冷的能量平衡。

风力发电厂：

光伏发电厂：

火力发电厂：

上网电量、热量和制冷量非负：

其中，

本发明考虑到能源技术学习曲线在技术全生命周期内并不会保持一个固定不变的学习率。在技术产生、发展、更新、成熟、衰退的不同演变阶段，学习效应对技术成本的影响存在明显的差异，因此学习曲线是一个基于不同技术发展阶段的分段曲线，不同发展阶段的学习率存在较大差异。从实证分析结果来看，技术在初始产生阶段，尚处于研发和验证时期，学习率较低；当技术进入应用部署和市场扩散的发展阶段，实践经验的积累对技术成本的影响作用最为显著，此时学习率达到最大值；当技术逐步达到市场饱和的成熟期，面临被新技术替代甚至退出市场的挑战，技术成本难以进一步降低，技术成本基本保持不变。

在DMES中，可再生能源技术属于新兴发展起来的技术类型，仍处在受学习效应作用的发展阶段，技术成本仍有进一步下降的空间，在未来时期具有可与传统火力发电相比的成本优势。在此，本发明提出一种多阶段学习曲线模型用于描述DMES中的可再生能源技术成本的动态演变轨迹，如图3所示。按照技术发展的一般规律，将能源技术全生命周期分为产生、发展、成熟三个阶段，产生阶段的学习率较低，发展阶段的学习率最大，成熟阶段的学习率为0，具体模型表达如公式(30)所示。

式中，c，q，a分别表示技术单位成本、技术累计装机容量、学习弹性系数，学习率表示为1-2

为此，本发明的单位成本学习曲线包括光伏发电单位成本学习曲线以及风力发电单位成本学习曲线，其中，光伏发电已经由研发测试的产生阶段进入实际应用部署与市场扩散的发展阶段，设定其单位成本学习曲线为：

其中，

风力发电比光伏发电较早进入市场扩散阶段，同理，设定其单位成本学习曲线为：

其中，

本实施例应用上述技术方案，实施例的具体DMES结构如图4所示，图中按照跨地域特点，部署了三个分散化的电厂：风力发电厂、光伏发电厂、火力发电厂，同时每个电厂部署了多种能源技术提供需求侧能量，包括热电联产、热泵、氢燃料电池。三个电厂根据需要与电、天然气、氢气、热能、制冷多种能源输配送系统进行交互。例如，风电机组将风能转换成电能，一部分供应自身和本厂的其它种类机组的耗电量以及本地需求侧电能消耗量，剩余部分可以输入电网。天然气输配送系统向热电联产机组输入天然气，经过转换，产出电能和热能，除了供应本地需求侧电能和热能消耗量，剩余部分可以向电能、热能输配送系统进行输送。同理，光伏发电将太阳能转换成电能，一部分用于自身和本厂其它种类机组用电消耗以及本地需求侧电量，剩余部分可以上网。热泵将电能转换成热能和制冷，在满足本地供应需求前提下，可以向输配送系统进行输送。另外，氢燃料电池将氢气转换成电能，供应本地需求或上网。考虑到可再生能源发电的间歇性以及效率较低，DMES的电力供应需要配置以燃煤发电为主的火力发电厂。

具体的参数设置如表1所示：

表1

本实施例分别设定两种学习率情况，第一种学习率情况为风力发电学习率6％、光伏发电学习率10％，第二种学习率情况为风力发电学习率12％、光伏发电学习率16％，采用上述产能配置优化方法，通过对优化模型求解，得出第一种学习率情况下的产能配置优化及对应的单位成本，结果如图5a和图5b所示，得出第二种学习率情况下的产能配置优化结果及对应的单位成本，如图6a和图6b所示，表2给出了两种学习率设置下的风力、光伏和火力发电安装容量的优化配置结果。

从两种学习率情况下的优化配置结果看，在不同学习率设置下，机组安装容量的部署会发生变化，特别是风力、光伏和火力发电的安装容量对学习率比较敏感。

表2

综上可知，本发明从技术不断发展的视角，提出了一种考虑技术成本动态演变的区域多能源系统产能配置优化方法。本发明基于可再生能源技术成本与机组安装容量具有紧耦合关系，技术成本不是外部给定的外生参数(exogenous parameter)，而是由产能配置决策变量，即机组安装容量决定的内生参数(endogenous parameter)。因此，本发明提出的多能源系统的产能配置优化模型能够及时捕捉到可再生能源技术成本未来可能的发展轨迹并以此提出优化策略，从而确保优化方案的可靠性。