摘要
冷熱電聯(lián)產(chǎn)（combined cooling, heating and power，CCHP）系統(tǒng)與微電網(wǎng)的結(jié)合有利于促進(jìn)消納可再生能源，為了提升CCHP型微電網(wǎng)的經(jīng)濟(jì)性、環(huán)保性和穩(wěn)定性，提出了兩階段優(yōu)化調(diào)度模型。離線優(yōu)化階段基于需求側(cè)響應(yīng)策略，建立了基于歸一化法向約束法的多目標(biāo)規(guī)劃模型，并用熵權(quán)-TOPSIS法篩選最優(yōu)結(jié)果。在線優(yōu)化階段建立了基于動(dòng)態(tài)矩陣控制算法的有限時(shí)域優(yōu)化模型，對(duì)離線優(yōu)化結(jié)果進(jìn)行跟蹤優(yōu)化和反饋校正，以降低不確定性因素的影響。最后，設(shè)計(jì)對(duì)比方案進(jìn)行分析，驗(yàn)證了所提優(yōu)化模型的有效性。
1 CCHP型微電網(wǎng)架構(gòu)及能量流動(dòng)
所提CCHP型微電網(wǎng)架構(gòu)如圖1所示。在微電網(wǎng)系統(tǒng)運(yùn)行過(guò)程中，利用微型燃?xì)廨啓C(jī)、可再生能源和蓄電池為系統(tǒng)用戶(hù)供電，當(dāng)供電不足時(shí)，系統(tǒng)可以向主電網(wǎng)買(mǎi)電以維持電能供需平衡。在供冷方面，系統(tǒng)利用電制冷機(jī)和吸收式制冷機(jī)滿(mǎn)足冷負(fù)荷需求；在供暖方面，燃?xì)忮仩t是主要的供暖設(shè)備，除此之外，還可以利用余熱回收裝置吸收微型燃?xì)廨啓C(jī)產(chǎn)生的余熱為系統(tǒng)供熱。
1.1 CCHP型微電網(wǎng)各單元數(shù)學(xué)模型
1.1.1 微型燃?xì)廨啓C(jī)
微型燃?xì)廨啓C(jī)通過(guò)燃燒天然氣的方式輸出電能與熱能。將微型燃?xì)廨啓C(jī)的電能輸出功率圖片擬為單一自變量，得到微型燃?xì)廨啓C(jī)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?xì)廨啓C(jī)的熱電比、發(fā)電效率和天然氣燃燒熱值；圖片分別為微型燃?xì)廨啓C(jī)的輸出熱功率和天然氣消耗量；Δt為時(shí)間間隔。
1.1.2 燃?xì)忮仩t
將燃?xì)忮仩t的輸出熱功率作為單一變量，數(shù)學(xué)模型可表示為
式中：圖片分別為燃?xì)忮仩t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?xì)廨啓C(jī)的廢氣直接驅(qū)動(dòng)，通過(guò)吸收余熱補(bǔ)充供熱以滿(mǎn)足用戶(hù)熱需求，同時(shí)降低污染氣體排放，其數(shù)學(xué)模型為
式中：圖片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(jī)
吸收式制冷機(jī)通過(guò)吸附熱能并將其輸出為冷能，以滿(mǎn)足用戶(hù)的冷負(fù)荷需求，其數(shù)學(xué)模型為
式中：圖片分別為吸收式制冷機(jī)的吸收熱功率、輸出冷功率和性能系數(shù)。
1.1.5 電制冷機(jī)
電制冷機(jī)由電能驅(qū)動(dòng)輸出冷能，其數(shù)學(xué)模型為
式中：圖片分別為電制冷機(jī)在t時(shí)刻的輸出冷功率和消耗電功率；κec為電制冷機(jī)的性能系數(shù)。
1.1.6 蓄電池
蓄電池是CCHP型微電網(wǎng)的重要組成單元。通過(guò)引入蓄電池可以實(shí)現(xiàn)電負(fù)荷的峰值負(fù)荷轉(zhuǎn)移，從而提高系統(tǒng)運(yùn)行的穩(wěn)定性，其數(shù)學(xué)模型為
式中：圖片分別為蓄電池充、放電功率和荷電狀態(tài)（state of charge，SOC）；ηloss為蓄電池?fù)p耗率；Ebat為蓄電池容量。
因?yàn)槲㈦娋W(wǎng)的調(diào)度具有周期性要求，所以必須使蓄電池在一個(gè)調(diào)度周期內(nèi)的始末時(shí)刻荷電狀態(tài)保持一致。
1.2 激勵(lì)型負(fù)荷需求響應(yīng)
本文引入了基于可中斷負(fù)荷的激勵(lì)型電負(fù)荷需求響應(yīng)策略以提升系統(tǒng)運(yùn)行穩(wěn)定性。該方法的原理為：用戶(hù)在不轉(zhuǎn)移電負(fù)荷的情況下，通過(guò)與供電方簽訂協(xié)議的方式來(lái)減少用戶(hù)的用電量。此時(shí)，微電網(wǎng)運(yùn)營(yíng)商會(huì)向某類(lèi)用戶(hù)提交一個(gè)經(jīng)濟(jì)補(bǔ)償階梯表，如圖2所示。每個(gè)報(bào)價(jià)階梯都包含削減負(fù)荷量及其相應(yīng)補(bǔ)償，當(dāng)報(bào)價(jià)被接受時(shí)，有削減意愿的用戶(hù)會(huì)被減少當(dāng)前電負(fù)荷需求并獲得經(jīng)濟(jì)補(bǔ)償。
根據(jù)圖2所展示的階梯型價(jià)格補(bǔ)償機(jī)制示意，得到激勵(lì)型需求響應(yīng)策略的數(shù)學(xué)模型為
式中：l為階梯數(shù)；n為階梯總數(shù)；圖片分別為t時(shí)刻下的第l級(jí)階梯中的負(fù)荷削減量、最小削減量與最大削減量；圖片為t時(shí)刻的負(fù)荷削減量；圖片為二進(jìn)制變量，圖片表示t時(shí)刻下的負(fù)荷削減量達(dá)到第l級(jí)階梯。
2 日前多目標(biāo)靜態(tài)離線優(yōu)化
本文建立了一個(gè)基于峰值負(fù)荷轉(zhuǎn)移的CCHP型微電網(wǎng)日前多目標(biāo)靜態(tài)離線優(yōu)化模型。離線優(yōu)化過(guò)程的時(shí)間間隔為1 h，優(yōu)化目標(biāo)分別為運(yùn)行成本最小和微電網(wǎng)與主電網(wǎng)交互功率峰值最小。對(duì)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(biāo)規(guī)劃問(wèn)題，再經(jīng)熵權(quán)-TOPSIS法進(jìn)行篩選，最大程度消除人為決策的干擾。
2.1 目標(biāo)函數(shù)
2.1.1 經(jīng)濟(jì)性與環(huán)保性評(píng)價(jià)函數(shù)
式中：F1表示目標(biāo)函數(shù)值；圖片為微電網(wǎng)運(yùn)行的燃料成本；圖片為微電網(wǎng)各單元的運(yùn)行維護(hù)成本；圖片為微電網(wǎng)與主電網(wǎng)的交互成本；圖片為污染治理成本；圖片為實(shí)施可中段負(fù)荷策略后的用戶(hù)補(bǔ)償成本。
1）微電網(wǎng)運(yùn)行的燃料成本為
式中：Rgas為天然氣價(jià)格。
2）微電網(wǎng)各單元的運(yùn)行維護(hù)成本為
式中：Rmt、Rb、Rbat、Rh、Rac與Rec分別為燃?xì)廨啓C(jī)、燃?xì)忮仩t、蓄電池、熱交換機(jī)、吸收式制冷機(jī)與電制冷機(jī)的單位維護(hù)成本；圖片為熱負(fù)荷。
3）微電網(wǎng)與主電網(wǎng)的交互成本為
4）治理污染成本為
式中：N為污染物總類(lèi)別數(shù)；λl為污染物l治理成本轉(zhuǎn)換系數(shù)。
5）實(shí)施可中段負(fù)荷策略的用戶(hù)補(bǔ)償成本。如圖2所示可中斷負(fù)荷策略的補(bǔ)償價(jià)格函數(shù)為非線性連續(xù)型分段函數(shù)，此時(shí)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(shù)轉(zhuǎn)化為線性模型進(jìn)行求解，轉(zhuǎn)化后的數(shù)學(xué)模型為
式中：d表示參與響應(yīng)的用戶(hù)種類(lèi)編號(hào)；m為總用戶(hù)種類(lèi)數(shù)；n為階梯價(jià)格表的總階梯數(shù)；圖片為t時(shí)刻下第d類(lèi)用戶(hù)的負(fù)荷削減量；圖片為t時(shí)刻下第d類(lèi)用戶(hù)在第l級(jí)階梯中的負(fù)荷削減量；圖片為t時(shí)刻下第d類(lèi)用戶(hù)在第l級(jí)階梯中對(duì)應(yīng)的補(bǔ)償價(jià)格；圖片分別為第d類(lèi)用戶(hù)在t時(shí)刻下的第l級(jí)階梯中的最小削減量與最大削減量；圖片為二進(jìn)制變量，圖片表示第d類(lèi)用戶(hù)在t時(shí)刻下的負(fù)荷削減量達(dá)到第l級(jí)階梯；圖片則分別為第l級(jí)階梯的斜率和縱坐標(biāo)截距。
2.1.2 穩(wěn)定性評(píng)價(jià)函數(shù)
本文的第2個(gè)目標(biāo)函數(shù)為最小化微電網(wǎng)與主電網(wǎng)的交互功率，其函數(shù)表達(dá)式為
2.2 約束條件
2.2.1 微電網(wǎng)供需平衡約束
式中：圖片分別為電負(fù)荷與冷負(fù)荷；圖片和圖片分別為光伏出力和風(fēng)電出力預(yù)測(cè)值；Epv和Ewt分別為光伏和風(fēng)機(jī)的裝機(jī)容量。
2.2.2 蓄電池約束
式中：圖片為0–1二進(jìn)制變量，表示蓄電池的放電狀態(tài)；圖片分別為荷電狀態(tài)的最小值和最大值。
2.2.3 微電網(wǎng)其余設(shè)備出力約束
微電網(wǎng)其余運(yùn)行設(shè)備的出力約束表現(xiàn)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(biāo)優(yōu)化
對(duì)于多目標(biāo)優(yōu)化問(wèn)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(biāo)函數(shù)，將其余目標(biāo)函數(shù)轉(zhuǎn)換為約束，然后通過(guò)多次調(diào)整約束求解得到帕累托前沿。最后，利用熵權(quán)-TOPSIS法篩選最優(yōu)方案。多目標(biāo)規(guī)劃模型為
式中：x為決策變量；Fi(x)為子目標(biāo)函數(shù)。
2.3.1 NNC法求解多目標(biāo)優(yōu)化問(wèn)題
利用NNC法求解多目標(biāo)優(yōu)化問(wèn)題如圖3所示。首先，求解各目標(biāo)函數(shù)的范圍，并以此為坐標(biāo)在解空間中定義錨點(diǎn)。隨后，選定目標(biāo)函數(shù)F1(x)為主要目標(biāo)函數(shù)，將式（17）的多目標(biāo)規(guī)劃模型轉(zhuǎn)化為
式中：nf為目標(biāo)函數(shù)個(gè)數(shù)；α為一個(gè)足夠小的常數(shù)；si為松弛變量；ri為第i個(gè)目標(biāo)函數(shù)的取值范圍；圖片分別為第i個(gè)目標(biāo)函數(shù)的上下界；定義錨點(diǎn)之間的連線為烏托邦線，gi為第i個(gè)次要目標(biāo)函數(shù)在烏托邦線中劃分的總段數(shù)。
由式（18）可知，εi隨著k的變化可以不斷地調(diào)整烏托邦線中各分段的步長(zhǎng)，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(quán)-TOPSIS法
求解多目標(biāo)模型后，需要決策者篩選出滿(mǎn)意的解，采用熵權(quán)-TOPSIS法進(jìn)行處理，即
式中：μi為模糊化后的目標(biāo)函數(shù)值；M為帕累托解集中解的個(gè)數(shù)；w為目標(biāo)函數(shù)權(quán)重；圖片為第j組解的目標(biāo)函數(shù)加權(quán)值，當(dāng)該數(shù)值達(dá)到最小時(shí)即為最優(yōu)解。
3 日內(nèi)動(dòng)態(tài)在線優(yōu)化
計(jì)及需求側(cè)響應(yīng)的CCHP型微電網(wǎng)模型以日前離線預(yù)測(cè)數(shù)據(jù)為輸入，建立多目標(biāo)優(yōu)化模型執(zhí)行優(yōu)化調(diào)度，忽視了可再生能源出力與電負(fù)荷的不確定性。因此，在動(dòng)態(tài)在線優(yōu)化階段，設(shè)定控制時(shí)域和預(yù)測(cè)時(shí)域?yàn)? h，時(shí)間間隔為5 min，以超短期預(yù)測(cè)數(shù)據(jù)為輸入，通過(guò)跟蹤離線優(yōu)化結(jié)果，并采用基于DMC算法的有限時(shí)域優(yōu)化策略執(zhí)行日內(nèi)和實(shí)時(shí)調(diào)度。
3.1 DMC有限時(shí)域優(yōu)化模型
基于DMC算法的有限時(shí)域優(yōu)化策略是一種含有反饋校正環(huán)節(jié)的閉環(huán)調(diào)度模式，可以更好地應(yīng)對(duì)不確定性變量的波動(dòng)情況。微電網(wǎng)的冷、熱負(fù)荷具有響應(yīng)慣性，因此，本文只針對(duì)電負(fù)荷和風(fēng)光出力波動(dòng)執(zhí)行滾動(dòng)優(yōu)化，基于DMC的有限時(shí)域優(yōu)化模型為
式中：k取正整數(shù)；Δt為前后2次優(yōu)化的時(shí)間間隔。
隨著時(shí)間的推進(jìn)，算法將不斷地根據(jù)系統(tǒng)實(shí)時(shí)運(yùn)行狀態(tài)和精準(zhǔn)的日內(nèi)超短期預(yù)測(cè)數(shù)據(jù)去求解優(yōu)化模型，得到控制時(shí)域下由控制變量組成的控制序列。首先，輸入預(yù)測(cè)時(shí)域范圍內(nèi)精度較高的日內(nèi)超短期預(yù)測(cè)數(shù)據(jù)；其次，求解式（20）所示的優(yōu)化模型，得到控制時(shí)域范圍內(nèi)的控制序列；然后，下發(fā)序列第一個(gè)值執(zhí)行實(shí)時(shí)決策，根據(jù)實(shí)際運(yùn)行情況再執(zhí)行實(shí)時(shí)反饋校正，至此，已經(jīng)完成了一次日內(nèi)調(diào)度外加實(shí)時(shí)決策；最后，隨著時(shí)間的推進(jìn)，不斷重復(fù)以上步驟，該方法總的流程如圖4所示。
圖4中各標(biāo)注序號(hào)含義為：①在t時(shí)刻，基于t時(shí)刻的實(shí)時(shí)反饋值求解日內(nèi)優(yōu)化模型，得到控制變量在t+5 min到t+1 h時(shí)間內(nèi)的日內(nèi)調(diào)度值，即控制時(shí)域范圍內(nèi)的控制序列，并下發(fā)t+5 min時(shí)刻的控制變量值；②時(shí)間前進(jìn)至t+5 min時(shí)刻，在實(shí)時(shí)決策后執(zhí)行實(shí)時(shí)反饋校正，更新部分控制變量的值；③在t+5 min時(shí)刻，基于t+5 min時(shí)刻的實(shí)時(shí)反饋值求解日內(nèi)優(yōu)化模型，得到控制變量在t+10 min到t+1 h+5 min時(shí)間內(nèi)的日內(nèi)調(diào)度值，并下發(fā)t+10 min時(shí)刻的控制變量值；④隨著時(shí)間往前推進(jìn)，不斷重復(fù)執(zhí)行步驟②和③。
3.2 實(shí)時(shí)決策與實(shí)時(shí)反饋校正
3.2.1 實(shí)時(shí)決策環(huán)節(jié)
實(shí)時(shí)數(shù)據(jù)與超短期預(yù)測(cè)數(shù)據(jù)之間仍存在較小的偏差，因此，當(dāng)下發(fā)控制序列的第一個(gè)值后，需要執(zhí)行實(shí)時(shí)決策。該環(huán)節(jié)需要符合以下原則。
1）電能供應(yīng)方面，通過(guò)微電網(wǎng)與主電網(wǎng)的交互維持CCHP型微電網(wǎng)運(yùn)行的實(shí)時(shí)電平衡；
2）冷熱能供應(yīng)方面，通過(guò)燃?xì)忮仩t和電制冷機(jī)維持CCHP型微電網(wǎng)運(yùn)行的實(shí)時(shí)冷熱平衡。
3.2.2 實(shí)時(shí)反饋校正環(huán)節(jié)
以往的開(kāi)環(huán)滾動(dòng)優(yōu)化采用日前優(yōu)化結(jié)果作為滾動(dòng)優(yōu)化調(diào)度的參考值。然而，這種做法容易放大日前預(yù)測(cè)偏差的影響，從而降低系統(tǒng)運(yùn)行的經(jīng)濟(jì)效益。為此，有必要執(zhí)行實(shí)時(shí)反饋校正環(huán)節(jié)，以應(yīng)對(duì)不確定性因素的實(shí)時(shí)波動(dòng)影響，反饋校正模型為
式中：Pt,real為t時(shí)刻系統(tǒng)的實(shí)時(shí)運(yùn)行值；Pt,ref為t時(shí)刻用于跟蹤靜態(tài)離線優(yōu)化的參考值；Pt,real為t時(shí)刻下機(jī)組的實(shí)際運(yùn)行值。
3.3 兩階段優(yōu)化調(diào)度流程
所提CCHP型微電網(wǎng)兩階段優(yōu)化調(diào)度流程如圖5所示。首先，根據(jù)NNC法原理，選擇經(jīng)濟(jì)性與環(huán)保性評(píng)價(jià)函數(shù)為主要目標(biāo)函數(shù)，建立CCHP型微電網(wǎng)的日前多目標(biāo)線性規(guī)劃模型，并求得帕累托解集；然后，根據(jù)熵權(quán)-TOPSIS法篩選最優(yōu)日前調(diào)度結(jié)果，并將結(jié)果輸入下一階段；最后，基于DMC算法，以5 min為日內(nèi)優(yōu)化的時(shí)間間隔，建立并求解日內(nèi)有限時(shí)域優(yōu)化模型，并在迭代求解過(guò)程中執(zhí)行實(shí)時(shí)反饋校正。當(dāng)時(shí)間推進(jìn)至整個(gè)調(diào)度周期時(shí)，代表完成周期內(nèi)整個(gè)微電網(wǎng)調(diào)度過(guò)程，至此流程結(jié)束。
4 算例仿真與分析
4.1 基礎(chǔ)數(shù)據(jù)
以華東地區(qū)某CCHP型微電網(wǎng)為研究對(duì)象。購(gòu)電分時(shí)電價(jià)信息如表1所示，系統(tǒng)相關(guān)參數(shù)如表2所示?；诳芍袛嘭?fù)荷的激勵(lì)型電負(fù)荷需求響應(yīng)參數(shù)如表3所示，規(guī)定最大可中斷負(fù)荷量為60 kW·h；典型日的風(fēng)光出力及負(fù)荷需求如圖6所示。通過(guò)Matlab調(diào)用Yalmip工具箱構(gòu)建模型，并采用Gurobi求解器求解。
4.2 激勵(lì)型負(fù)荷需求響應(yīng)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(shí)施需求側(cè)響應(yīng)能有效降低峰荷時(shí)刻的電負(fù)荷，緩解供電壓力，提高供電可靠性。
4.3 日前多目標(biāo)優(yōu)化模型的效益分析
4.3.1 NNC法求解多目標(biāo)問(wèn)題的效益分析
為驗(yàn)證所提多目標(biāo)規(guī)劃算法的優(yōu)勢(shì)，綜合對(duì)比NNC法、NSGA-II算法和多目標(biāo)粒子群算法的結(jié)果。3種多目標(biāo)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(biāo)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(quán)-TOPSIS法篩選后的決策結(jié)果。
由表4可知，雖然NNC法在求解目標(biāo)函數(shù)F1時(shí)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(xiàn)出絕對(duì)優(yōu)勢(shì)。因此，NNC法相比于其他算法更具優(yōu)勢(shì)。
4.3.2 驗(yàn)證熵權(quán)-TOPSIS法的有效性
傳統(tǒng)TOPSIS法及熵權(quán)-TOPSIS法篩選的帕累托結(jié)果如表5和圖9所示。對(duì)于熵權(quán)-TOPSIS法，輸入NNC法所求解的帕累托結(jié)果至熵權(quán)法模型中，計(jì)算各評(píng)價(jià)指標(biāo)的信息熵值與權(quán)重值；隨后以權(quán)重值對(duì)數(shù)據(jù)進(jìn)行加權(quán)，并將計(jì)算結(jié)果輸入TOPSIS法用于分析，得到各決策對(duì)象的相對(duì)接近度大小，并依次排序。同樣地，對(duì)于傳統(tǒng)TOPSIS法，賦予各目標(biāo)權(quán)重為0.5，隨后將結(jié)果輸入TOPSIS法用于分析，得到各決策對(duì)象的相對(duì)接近度大小，并依次排序。如圖9所示，相對(duì)接近度越大的評(píng)價(jià)對(duì)象越接近于最優(yōu)方案。最終熵權(quán)-TOPSIS法和傳統(tǒng)TOPSIS法各自求得的最大相對(duì)接近度分別為0.813和0.701。選取最大相對(duì)接近度所對(duì)應(yīng)的決策對(duì)象為最優(yōu)方案，則2種最優(yōu)方案下的CCHP型微電網(wǎng)運(yùn)行效益如表6所示。
由表6可見(jiàn)，從經(jīng)濟(jì)性來(lái)看，經(jīng)熵權(quán)-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(quán)-TOPSIS法由于其篩選機(jī)制更加客觀，從而可以更好地兼顧C(jī)CHP型微電網(wǎng)的多方面運(yùn)行性能。
4.4 動(dòng)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(yàn)證所提在線優(yōu)化模型的運(yùn)行效益，對(duì)比研究了不同日內(nèi)預(yù)測(cè)精度下微電網(wǎng)的3種在線優(yōu)化模型。假設(shè)微電網(wǎng)的實(shí)時(shí)運(yùn)行數(shù)據(jù)為日前預(yù)測(cè)數(shù)據(jù)的±12%，而3種日內(nèi)預(yù)測(cè)精度情景下的日內(nèi)超短期預(yù)測(cè)信息分別為日前預(yù)測(cè)數(shù)據(jù)的±3%、±6%和±9%，使得3種情景的預(yù)測(cè)精度逐步提升。3種在線優(yōu)化模型分別為：1）常規(guī)日內(nèi)調(diào)度；2）開(kāi)環(huán)動(dòng)態(tài)優(yōu)化；3）基于DMC的閉環(huán)動(dòng)態(tài)優(yōu)化。其中，模型1）是直接根據(jù)日內(nèi)預(yù)測(cè)數(shù)據(jù)進(jìn)行調(diào)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(yùn)行效益對(duì)比如表7所示。
從表7可以看出，同一預(yù)測(cè)誤差下，所提基于DMC算法的動(dòng)態(tài)在線優(yōu)化模型在實(shí)時(shí)運(yùn)行的經(jīng)濟(jì)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(nèi)預(yù)測(cè)精度的提升，模型3）的優(yōu)勢(shì)愈發(fā)明顯，顯著提升了系統(tǒng)運(yùn)行的穩(wěn)定性。
圖10和圖11為在線優(yōu)化模型對(duì)離線優(yōu)化指標(biāo)的跟蹤效果。由圖10和圖11可知，所提在線有限時(shí)域優(yōu)化模型可以有效降低蓄電池運(yùn)行損耗和提高系統(tǒng)運(yùn)行穩(wěn)定性。隨著預(yù)測(cè)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。
4.4.2 基于DMC算法的在線優(yōu)化速度分析
表8對(duì)比了3種動(dòng)態(tài)在線優(yōu)化模型的求解時(shí)間。由表8可知，所提基于DMC算法的動(dòng)態(tài)在線有限時(shí)域優(yōu)化策略在算法求解時(shí)間上均比其他算法用時(shí)短。由于該策略考慮了實(shí)時(shí)運(yùn)行數(shù)據(jù)形成閉環(huán)優(yōu)化，導(dǎo)致該策略的總用時(shí)大于前后2次優(yōu)化的時(shí)間間隔5 min。由表8可知，模型3）的總用時(shí)為5.2 min，若以每次反饋校正為開(kāi)始計(jì)時(shí)的標(biāo)志，則模型3）的總用時(shí)為0.2+2.15=2.35 min，仍比其他模型的總用時(shí)少。因此，所提在線優(yōu)化模型具有求解速度上的優(yōu)勢(shì)。
5 結(jié)語(yǔ)
1）引入激勵(lì)型負(fù)荷需求側(cè)響應(yīng)策略，有效降低了系統(tǒng)在峰值負(fù)荷時(shí)刻的供電壓力。
2）利用NNC法求解多目標(biāo)規(guī)劃問(wèn)題可以有效權(quán)衡優(yōu)化多目標(biāo)函數(shù)的運(yùn)行效益，對(duì)比其他常用多目標(biāo)優(yōu)化算法具有更優(yōu)的分布和精度。
3）利用基于DMC算法的動(dòng)態(tài)在線優(yōu)化策略，其優(yōu)化結(jié)果無(wú)論是在經(jīng)濟(jì)性、環(huán)保性和穩(wěn)定性等方面相比于其他在線優(yōu)化模型具有一定優(yōu)勢(shì)，并實(shí)現(xiàn)對(duì)離線優(yōu)化計(jì)劃的有效跟蹤，權(quán)衡日前全局優(yōu)化和日內(nèi)局部?jī)?yōu)化，滿(mǎn)足了系統(tǒng)的實(shí)時(shí)運(yùn)行需求。
所提兩階段多目標(biāo)優(yōu)化調(diào)度策略可為CCHP型微電網(wǎng)的推廣應(yīng)用提供理論指導(dǎo)。在今后的工作中，將補(bǔ)全所提策略未涉及的環(huán)節(jié)，進(jìn)一步考慮冷能和熱能存在的調(diào)度慣性對(duì)系統(tǒng)運(yùn)行的影響，建立日內(nèi)冷熱電分層有限時(shí)域優(yōu)化模型。
注：本文內(nèi)容呈現(xiàn)略有調(diào)整，如需要請(qǐng)查看原文。
