(广东省绿色能源技术重点实验室,华南理工大学电力学院,广州市 510640) 摘 要:电、热、冷、气等能源供应网络耦合的综合能源系统通过多种能源优势互补,能够促进可再生能源就地消纳,实现资源的优化利用,提高综合能源利用率。针对区域内由电、热、冷、气多种能源耦合形成的综合能源系统,文章基于不同季节典型日光伏出力和负荷特性曲线,考虑典型日系统经济运行,建立计及投资成本与收益的经济-环境效益最大化的区域综合能源系统容量配置优化模型,并基于改进的自适应粒子群优化(particle swarm optimization,PSO)算法进行优化求解。最后,以深圳市某园区为实例,验证本模型和方法的有效性,实现综合能源系统的科学容量配置,为综合能源系统的规划设计提供理论依据和技术支撑。 关键词:综合能源系统;容量配置;典型日;经济运行;自适应粒子群 0 引 言传统能源的枯竭推动着可再生能源的规模化发展,然而,其间歇性和不稳定性给传统能源网络的稳定性造成一定的干扰和影响[1]。电、热(冷)、气等能源供应网络耦合形成的综合能源系统通过发挥多种能源优势互补的潜力,能够促进太阳能、风能等可再生能源的就地消纳,实现资源的优化利用,提高综合能源利用率[2-3]。综合能源系统符合能源综合梯级利用的发展趋势,因此,近年来针对综合能源系统的建模分析、统筹规划、协调运行、运营机制、性能评估等课题成为国内外研究热点[4-11]。 目前,国内外在含多种能源的综合能源系统的规划设计方面已经取得一定成果。文献[5]将传统能源与可再生能源结合,针对企业用能的特点和结构,研究分布式能源各子系统的耦合特性,建立多目标规划模型,引入储能策略,最后用LINGO规划软件进行求解。文献[12]探讨了含多种分布式电源微电网组网时的多能互补电源容量配置问题,进一步研究按计划离网进行容量规划对保证综合负荷供电的作用。然而上述研究主要侧重可再生能源规划问题,对天然气系统、热力系统的耦合特性未做研究。 随着电转气、储氢技术的发展,实现大范围、长时间尺度的高效储能成为可能。文献[13]提出以氢储能为技术支撑,建立以系统设备投资最小为目标,以风电全额消纳与稳定运行为约束的多能耦合系统设备投资规划数学模型,进而采用遗传算法求解。文献[14]考虑天然气和电力网络的物理限制和环境问题,提出包括热电联产、锅炉、吸收式制冷机、压缩制冷机、储电和储热的多能系统机组以及容量配置问题,另外该模型还考虑了激励政策来安装分布式光伏发电。但是上述研究对能源系统的规划目标较为单一,未能综合考虑经济性、环保性、可靠性。文献[15]综合电网络、热力学、流体网络等多门基础学科理论,提出普遍适用于线、管中能量传输的能量网络理论和相关定律,然而该研究仅限于数学建模,未涉及规划研究,且过于抽象,在实际工程应用中存在较大困难。综上所述,目前对综合能源系统的研究仍未取得系统性的研究成果,而且上述研究中部分仅局限于热电联产系统、供热系统,部分则仅针对电力系统,缺乏一种融合可再生能源与传统能源、多种分布式能源转换与储存技术相结合的综合能源系统容量配置优化方法。 本文针对区域内由电、气、热、冷多种能源耦合形成的综合能源系统,基于不同季节典型日光伏出力和负荷特性曲线,考虑典型日系统经济运行,建立计及投资成本与收益的经济-环境效益最大化的区域综合能源系统容量配置优化模型,并基于改进的自适应粒子群优化(particle swarm optimization,PSO)算法进行优化求解,实现综合能源系统的科学容量配置。 1 综合能源系统特征分析综合能源系统由数量繁多、性质各异的能源基础元件组成,从横向看,由电、气、热(冷)等能源子系统组成;从纵向看,包括跨区域能源系统、区域能源系统和微能源系统3个具体层次。电能具有传输、变换的优势,而天然气便于储存、损耗率低,同时电力系统在运行、稳定及电能质量方面具有较高要求,是能源系统规划和控制的重点。因此,未来能源系统将是以电力系统为核心,其他多种形式能源相互融合的综合能源系统,以实现可再生能源就地消纳,提高能源综合利用率[11]。 综合能源系统通过多样化的能量变换或能量转移装置实现耦合互联,图1所示为常见的综合能源系统耦合形式及装置。近年来随着电转气(power to gas,P2G)、电转氢(power to hydrogen,P2H)技术的兴起,也为能源系统引入新的耦合方式。考虑到能源转换装置及方式的多样化,进行综合能源系统规划前,需综合考虑成本、能效及多能互补效益,因地制宜优选高效、经济的耦合装置和变换环节,进而分析各子系统间的耦合和协同互济关系,形成综合能源系统规划模型。 图1 综合能源系统耦合关系 2 综合能源系统容量优化配置模型综合能源系统中光伏出力和负荷功率都具有一定的随机性和波动性,受季节、气候影响较为明显。本文基于不同季节光伏出力和负荷典型日特性曲线,考虑系统典型日经济运行,实现综合能源系统容量配置。 典型日在传统电力系统负荷特性研究中应用广泛。目前典型日的选取一般分为两类:通过对历史曲线数据进行分类,提取最大功率、平均功率等特征数据,从简单实用的角度选取某一日作为典型日,或基于简单的加权平均进行选取;基于聚类分析算法等数据挖掘和人工智能技术进行高维度数据的统计分析,进而优化典型日可再生能源出力曲线和负荷曲线的选取。本文参照文献[16]基于统计学习的多元分类方法提取典型日光伏出力曲线和冷、热、电负荷曲线。 本文建立包含光伏(photovoltaic,PV)、储能系统(energy storage system, ESS)、冷热电联产系统(combined cooling, heating and power, CCHP)以及燃气锅炉(gas boiler, GB)、电制冷机(electric compress chiller, EC)等辅助供能设备的区域综合能源系统模型,如图2所示。其中,CCHP采用以燃气轮机(gas turbine, GT)为发电设备,以余热锅炉(heat recovery boiler, HRB)、吸收式制冷机(absorption chiller, AC)为辅助设备的组合方式;从使用性能和投资成本等方面综合考虑,选用铅炭电池作为储能系统蓄电池。 图2 综合能源系统模型 图中:Pgrid为区域多能协同系统与电网联络线功率,定义购电为正,售电为负;PPV为光伏发电系统输出功率;PESS为储能系统充放电功率,放电为正,充电为负;PGT为燃气轮机发电功率;EGT为CCHP输入燃料的单位热值;HGT为排放余热热值;QHRB为余热锅炉制热功率;QAC为吸收式制冷机制冷功率;QEC为电制冷机的输出冷功率;PEC为电制冷机的输入电功率;QGB为燃气锅炉的输出热功率,EGB为燃气锅炉输入的单位热值。 为平抑冷、热、电负荷和分布式新能源发电的随机性和波动性,满足终端负荷需求,同时最大程度上消纳可再生能源,提高能源利用率以及系统经济效益,需要对系统设备进行合理的规划和容量配置。 JP 综合能源系统容量优化配置问题具体表述为在特定区域内,在满足用户侧冷、热、电等负荷需求的条件下,确定区域内多种分布式能源资源的生产、转换、传输装置的容量配置。为简化综合能源协同系统定容配置优化数学模型,做出以下假设作为前提:参数具有确定性,包括规划期内的负荷需求和燃料价格、备选元件的相关技术参数等;区域电力计量总关口即联络线唯一,电量上网和电网购电两种状态在统一时刻不共存。 2.1 目标函数 区域综合能源系统容量优化配置模型的目标函数为综合考虑投资运营成本、CO2减排收益的系统经济性和环保性最大化,即一年内系统的各项成本之和减去收益之和的最小化,包括投资成本、运行维护成本与能耗成本、发电上网收益、储能移峰填谷收益、CO2减排收益,目标函数为 (1) 式中:Cinf为系统投资总成本;Copex为系统运维成本;Ccon为能耗成本;Rupgrid为系统发电上网收益;Rp2v为储能系统移峰填谷收益;RCO2为CO2减排量收益,计算方法分别如式(2)—(14)所示。 (1)系统投资总成本。因为光伏发电系统、蓄电池储能系统、燃气轮机、余热锅炉、吸收式制冷机、电制冷机、燃气锅炉等共计7类分布式能源设备的寿命周期各不相同,在进行容量配置优化时采用净年值法将系统初期投资费用转换成等年值,从而规避了不同设备寿命周期差异性对投资方案的影响。系统投资总成本数学表达式为 (2) 式中:k为系统中设备类型序号;K为系统中设备类型总数;Rk为第k类设备的投资回收系数;Ck为第k类设备的初期投资成本,具体计算模型详述于后。其中,投资回收系数Rk为 Rk= (3) 式中:r为贴现率,取6.7%;Nk为第k类设备的使用寿命。 根据光伏系统市场投资价格浮动区间,综合考虑光伏组件、逆变器、安装施工成本,取光伏单位成本系数cPV为6元/W,即 CPV=cPVPrPV (4) 式中PrPV为光伏发电系统额定容量。 目前主流的铅炭电池单位容量成本约为800元/(kW·h),储能变流器成本和人工安装调试成本一般为蓄电池投资的20%,因此储能系统初期投资成本为 CESS=1.2×cESSEESS (5) 式中cESS为铅炭电池单位容量成本。 燃气轮机的单位成本与设备额定容量相关。燃气轮机的单位成本随设备额定功率PrGT的增加而下降,通过分析分布式燃气轮机的造价拟合得到成本函数[5]为 (6) CCHP系统中回收供能设备及其他补偿供能单位容量造价如表1所示[17]。 表1 热电冷联产系统及其他供能设备造价 根据上表可分别计算余热锅炉、吸收式制冷机、电制冷机和燃气锅炉的初期投资成本CHB、CAC、CEC和CGB。 (2)系统运维成本。系统年运维成本是由设备损耗、维修、人工巡检造成的费用,与设备选型、容量、使用频率和运行方式有关,具体计算公式如下: (7) 式中λ为系统设备年运维费用占初期投资成本的比例,本文取0.03。 (3)能耗成本。系统年能耗成本包括燃气轮机、燃气锅炉消耗的天然气费用以及系统通过联络线从电网购电供给电负荷、电制冷机、储能系统的费用,即 (8) 式中:s为表示系统运行的三类典型日,分别是夏季、过渡季和冬季典型日;Ts是第s个典型日的天数;是天然气价格;是由市场力决定的电力交易购电价格;和分别是燃气轮机、燃气锅炉每小时消耗的天然气量以及整个区域多能协同系统联络线每小时购电电量;σdown为购电变量,为0-1,当系统联络线从电网购电时σdown为1,否则为0。 (4)发电上网收益: (9) 式中为整个区域多能协同系统联络线每小时售电电量;σup为售电变量,为0-1,当系统从联络线发电上网时σup为1,否则为0。 (5)移峰填谷收益。储能系统利用峰谷分时电价机制的价差进行移峰填谷,计算公式如下: (10) 式中:Ep2v为移峰填谷总电度;Δsp2v为峰谷价差。 (6)CO2减排收益。区域综合能源系统与传统的以单一形式供应的分供系统相比,最大的优势就在于环保性,通过充分发挥多能源之间优势互补的协同效益,推动可再生能源规模化发展,减少CO2排放,本文将环保性指标转化为经济性指标,从需求侧减少CO2的排放,CO2年减排收益计算公式为 RCO2=rCO2ΔC (11) 式中:RCO2为综合能源系统CO2年减排收益;rCO2为CO2减排单位收益;ΔC为CO2年减排量,用传统、单一供能形式的CO2年排放量减去多能协同系统的CO2年排放量,即 ΔC=Ctran-Cmul (12) 式中:Ctran为传统、单一分供系统CO2年排放量;Cmul为综合能源系统CO2年排放量。 综合能源系统的CO2排放量包括天然气燃料和从电网净购电量所对应的CO2排放量: (13) 式中λgas和λpower分别为天然气和电力的CO2排放因子,分别取值l.994 kg/m3,和0.749 6 kg/(kW·h)。 传统、单一供能形式的CO2排放量核算方式为:由电负荷需求折算为对应的CO2排放量;由冷负荷需求计及电制冷损耗折算为对应的CO2排放量;由热负荷需求折算成集中供热系统耗能所需标准煤对应的CO2排放量。因此,计算公式为 (14) 式中分别为电、冷、热负荷每小时平均功率;ηEC为传统电制冷比例系数;λcoal为电力的CO2排放因子,为2.771 6 kg/kg;ζcoal为标准煤集中供热系统耗能热当量,为29.31 MJ/kg。 目前我国已成立8个碳交易试点,2017年底碳排放权交易市场将全面启动。核证自愿减排量(Chinese certified emission reduction,CCER)交易是碳交易市场的主要组成部分,CCER交易是通过建设可减少CO2排放的项目,通过能耗审计部门审核后,获得了一定数量的CCER,可在碳配额二级交易市场进行交易[18]。目前我国试点市场的CCER交易均价为21元/t左右,因此rCO2为0.021元/kg。 2.2 约束条件 综合能源系统容量配置需满足3种不同形式的负荷需求,保证系统可靠性,因此优化模型约束条件包括电、热、冷3种不同形式的功率平衡约束以及系统各设备运行特性和设备效率约束。 2.2.1 电力平衡约束 区域综合能源系统内从电网购售电的联络线功率、光伏发电功率、储能充放电功率与燃气轮机发电功率之和等于电负荷功率需求与电制冷机输入电功率之和,即 (15) 2.2.2 热(冷)力平衡约束 余热锅炉和燃气锅炉的输出热功率之和应大于或等于实时热负荷功率,吸收式制冷机和电制冷机的输出冷功率之和应大于或等于实时冷负荷功率,即 (16) 2.2.3 设备运行特性约束 储能系统充放电约束: (17) 式中:PESSch、PESSdis为储能系统最大充、放电功率;S为储能荷电状态(state of charge,SOC),Smax、Smin分别为SOC上下限,取0.9和0.2。 电网联络线功率约束: (18) 式中为最大购电功率;为最大售电功率。 燃气轮机出力约束: (19) 式中和分别为最大、最小技术出力。 2.2.4 设备效率约束 综合能源系统中各耦合环节的重要设备存在能源变换损耗,因此受设备转换效率约束,具体形式如下: (20) 式中为燃气轮机发电效率;为燃气轮机内部热损耗系数;ηHRB为余热锅炉的转换效率;δH为热分配系数;ηAC为吸收式制冷机制冷性能系数;δC为冷分配系数;ηEC为电制冷机制冷系数;ηGB为燃气锅炉制热效率。 2.3 求解方法 综合能源系统容量配置优化是一个多约束、多变量的混合整数非线性规划问题,本文采用PSO对模型进行求解。传统PSO算法由于初始化速度和位置的差异,在寻优过程中容易陷入局部最优,造成早熟。本文基于传统的粒子群算法进行改进,通过调整惯性权重ω来协调搜索精度和速度,增强全局寻优能力。当ω过大时,全局搜索能力较强,收敛性能较差,易错过全局最优解;当ω较小,粒子仅在某个局部解附近移动,易陷入局部最优。本文采用自适应惯性权重的方法,通过设置起始惯性权重和终止惯性权重使惯性权重ω随迭代过程线性减少,迭代公式如下: ω=ωmax-×i (21) 式中:ωmax为起始惯性权重;ωmin为终止惯性权重;imax为设置的迭代次数;i为目前迭代次数。 另外,为防止粒子超出搜索边界,或在边界附近陷入局部最优,对超过边界的粒子进行变异操作: 当粒子超出上边界时,变异公式为 xi,d=xmax-cr(xmax-xmin) (22) 当粒子超出下边界时,变异公式为 xi,d=xmin+cr(xmax-xmin) (23) 式中:xi,d表示第i个粒子在第d维的位置;xmax、xmin分别表示粒子位置的上、下边界;变异因子c取0.25;r为[0,1]上的随机数。 通过上述变异过程,避免了粒子聚集在边界附近,改善算法全局寻优性能。 3 算例分析3.1 算例描述 以深圳市某工业园区为研究对象进行分析,该园区占地面积60.41万m2,总建筑面积约187万m2,主要用于产业用房、商业、办公、公寓等,属于中型工商业园区。所在地区属于太阳能资源三类地区,年均日照小时数约1 800 h,平均气温较高。根据气候特征,该区域一年可划分为夏季、冬季和春秋过渡季,分布月份分别为5—10月、12—2月和3、4、11月,则3种季节典型日的天数分别为184,90和91天。 图3所示为深圳市附近某光伏电站典型日发电曲线,其中,夏季光伏出力持续时间长,近12 h,光伏出力峰值大,最大出力可达装机容量的73%;冬季光伏出力持续时间约10 h,最大出力约为装机容量的48%。 图3 深圳市某光伏电站典型日出力特性曲线 图4所示为本文选取区域夏季、过渡季、冬季各个典型日的冷、热、电负荷特性曲线。由负荷需求曲线分析可知,该区域电负荷受季节影响变化不明显,由于园区内工业电负荷占比较大,且大多属于食品制造和加工行业,电负荷高峰普遍在白天,且持续时间较长,夜晚电负荷低谷时段主要负荷类型是居民用电,负荷曲线在日内整体呈现明显的峰谷差。由于区域内食品行业生产加工的工厂较多,冷热负荷需求主要在于原料和成品存储,热负荷和冷负荷的日内曲线基本平稳;但是受季节影响明显,夏季是冷负荷需求高峰,而冬季典型日热负荷则高于冷负荷。 为方便分析,本文选取区域夏季、过渡季和冬季各1个典型日的热电冷负荷进行多能协同系统的容量配置优化,系统各设备性能参数如表2所示。 表2 区域综合能源系统各设备参数 图4 区域典型日冷、热、电负荷特性曲线 电力交易购电价格以及储能进行移峰填谷的计算峰谷价差采用由峰谷分时电价机制执行的购电价格,峰平谷电价分别为1.095 5元/(kW·h)、0.743 0元/(kW·h)和0.299 0元/(kW·h),天然气价格取3.45元/m3。本文所研究分布式能源设备的寿命周期取值如表3所示。 3.2 仿真结果 本算例在满足热、电、冷3种不同负荷需求的前提下,对分布式能源设备容量配置进行优化,以达到区域综合能源系统全寿命周期内经济性最优,容量配置优化结果如表4所示。 表3 分布式能源设备寿命周期 表4 区域综合能源系统容量配置优化结果 区域所在地理位置拟合出装机容量为2 615 kW的光伏发电系统典型日预测出力曲线如图5所示,年光伏发电量约为3 963 MW·h。 图5 光伏发电系统典型日预测出力曲线 蓄电池储能系统按每天一充一放的调度原则进行可再生能源就地消纳和削峰填谷,考虑充放电效率和放电深度,装机容量为1 896 kW·h的储能系统的有效能量约为1 440 kW·h。由于各典型日电负荷需求趋势相同,储能系统在不同季节典型日运行特性相似,日均削峰填谷收益约为1 144.8元,年总计收益约41.79万元。 根据热电冷负荷特性,夏季和过渡季热负荷需求处于低谷时期,采用以热定电的运行方式确定燃气轮机运行曲线,燃气锅炉停机,热负荷需求由余热锅炉供应,冷负荷补偿需求由电制冷机满足;冬季冷负荷需求处于低谷,采用以冷定电的运行方式确定燃气轮机运行曲线,冷负荷需求由吸收式制冷机单独供应,热负荷补偿需求由燃气锅炉提供。 基于区域多能协同系统定容配置优化结果,本文分别针对3个典型日负荷需求进行系统运行优化,运行结果如图6所示。 图6 典型日经济运行曲线 另外,3类典型日的购售电和消耗天然气情况如图7、8所示。 图7 3类典型日购售电曲线 图8 3类典型日消耗天然气曲线 由购售电曲线图可知,为达到经济性最优,通过储能系统充放电调度、热电冷联产系统运行优化,3个典型日在用电高峰时段普遍采取发电上网的运营模式,在用电低谷时购入电量供储能充电和供能设备消耗,具备明显的经济性。另外,冬季典型日由于负荷特性,日均购售电量之和为负,即冬季典型日系统每天都向电网发电1.7万kW·h。区域综合能源系统年购电量低至456.35万kW·h。夏季和过渡季是天然气消耗旺季,年总消耗天然气量为1.02×107m3。 3.3 对比分析 将本文所提区域多能协同系统定容配置优化和典型日运行结果与传统、单一形式的分供系统进行经济性、环保性方面的对比,容量配置对比见表4、5。传统分供式系统不具备分布式可再生能源发电、储能系统以及热电冷联产系统,电负荷需求全部通过区域联络线向电网购电,冷负荷由电制冷机消耗电能提供,热负荷通过燃煤锅炉消耗煤炭提供。 根据上文各典型日负荷曲线可计算电、热、冷负荷的年总需求量,其中年电负荷总需求量为4 442万kW·h,年热负荷总需求量为1 416万kW·h,年冷负荷总需求量为2 056万kW·h。因此,传统分供式系统中的总能源消耗量分别为:电力5 127万kW·h,煤炭2.31×106kg。如表5所示,2种系统在能源消耗的形式、数量和比例方面具有明显差异,由此造成CO2排放量的差异。 表5 综合能源系统与传统分供式系统年能耗对比 注:CO2排放因子为标煤2.771 6 kg/kg,天然气1.994 0 kg/m3,电力0.749 6 kg/(kW·h)。 由表4可知区域多能协同系统比传统分供系统每年减少CO2排放量2.1×107kg,对应目前我国碳交易试点市场的CCER交易均价21元/t左右,每年可通过碳减排获得44.1万元的减排收益。 4 结 论本文考虑系统典型日经济运行,建立计及投资成本与收益的经济-环境效益最大化的区域综合能源系统容量配置优化模型,并基于改进的自适应PSO算法求解,最后通过典型区域综合能源系统算例验证了所提模型和方法为综合能源系统在节约电、气等一次能源消耗量、降低CO2排放、促进可再生能源就地消纳、提高系统移峰填谷效益等方面的有效性。 本文的研究对分布式能源设备的数学模型进行简化和线性化,忽略了部分设备的变工况特性。另外,本文所提模型和方法对光伏预测出力误差、负荷需求变化、电和气价格波动的敏感性和稳定性是后续研究工作的重点。 5 参考文献 [1] 刘振亚. 全球能源互联网[M]. 中国电力出版社, 2015. [2] 余晓丹, 徐宪东, 陈硕翼,等. 综合能源系统与能源互联网简述[J]. 电工技术学报, 2016, 31(1):1-13. YU Xiaodan, XU Xiandong, CHEN Shuoyi, et al. A brief review to integrated energy system and energy internet[J]. Transactions of China Electrotechnical Society, 2016, 31(1):1-13. [3] 贾宏杰, 穆云飞, 余晓丹. 对我国综合能源系统发展的思考[J]. 电力建设, 2015, 36(1):16-25. JIA Hongjie, MU Yunfei, YU Xiaodan. Thought about the integrated energy system in China[J]. Electric Power Construction, 2015, 36(1):16-25. [4] 李洋, 吴鸣, 周海明,等. 基于全能流模型的区域多能源系统若干问题探讨[J]. 电网技术, 2015, 39(8):2230-2237. LI Yang, WU Ming, ZHOU Haiming, et al. Study on some key problems related to regional multi energy system based on universal flow model[J]. Power System Technology, 2015, 39(8):2230-2237. [5] 张旭. 基于区域供能的多能源系统模型研究分析[D]. 上海: 上海交通大学, 2015. ZHANG Xu.Model research and evaluation analysis on region-based multi-energy system[D]. Shanghai: Shanghai Jiao Tong University, 2015. [6] ZHANG X, SHAHIDEHPOUR M, ALABDULWAHAB A, et al. Optimal expansion planning of energy hub with multiple energy infrastructures[J]. IEEE Transactions on Smart Grid, 2017, 6(5):2302-2311. [7] 刘沁哲, 陈启鑫, 卢恩,等. 考虑液化天然气供应风险的气电联合系统运行分析[J]. 电网技术, 2016, 40(9):2831-2837. LIU Qinzhe, CHEN Qixin, LU En, et al. Operation analysis for combined gas and electricity system considering the risk of LNG supply[J]. Power System Technology, 2016, 40(9):2831-2837. [8] 徐宪东, 贾宏杰, 靳小龙,等. 区域综合能源系统电/气/热混合潮流算法研究[J]. 中国电机工程学报, 2015, 35(14):3634-3642. XU Xiandong, JIA Hongjie,JIN Xiaolong, et al. Study on hybrid heat-gas-power flow algorithm for integrated community energy system[J]. Proceedings of the CSEE, 2015, 35(14):3634-3642. [9] ALABDULWANHAB A, ABUSORRAH A, ZHANG X, et al. Coordination of interdependent natural gas and electricity infrastructures for firming the variability of wind energy in stochastic day-ahead scheduling[J]. IEEE Transactions on Sustainable Energy, 2015, 6(2):606-615. [10] FAVRE-PERROD P. A vision of future energy networks[C]//Power Engineering Society Inaugural Conference and Exposition in Africa. IEEE Xplore, 2005:13-17. [11] 邵成成, 王锡凡, 王秀丽,等. 多能源系统分析规划初探[J]. 中国电机工程学报, 2016, 36(14):3817-3828. SHAO Chengcheng, WANG Xifan, WANG Xiuli, et al. Probe into analysis and planning of multi-energy systems[J]. Proceedings of the CSEE, 2016, 36(14):3817-3828. [12] 丁伯剑, 郑秀玉, 周逢权,等. 微电网多能互补电源容量配置方法研究[J]. 电力系统保护与控制, 2013,41(16):144-148. DING Bojian, ZHENG Xiuyu, ZHOU Fengquan, et al. Research on method of capacity configuration for hybrid power in microgrid[J]. Power System Protection and Control, 2013,41(16):144-148. [13] 袁铁江, 李国军, 张增强,等. 风电—氢储能与煤化工多能耦合系统设备投资规划优化建模[J]. 电工技术学报, 2016, 31(14):21-30. YUAN Tiejiang, LI Guojun, ZHANG Zengqiang, et al.Optimal modeling on equipment investment planning of wind power-hydrogen energy storage and coal chemical pluripotent coupling system[J]. Transactions of China Electrotechnical Society, 2016, 31(14):21-30. [14] SALIMI M, GHASEMI H, ADELPOUR M, et al. Optimal planning of energy hubs in interconnected energy systems: A case study for natural gas and electricity[J]. Iet Generation Transmission & Distribution, 2015, 9(8):695-707. [15] 陈皓勇, 文俊中, 王增煜,等. 能量网络的传递规律与网络方程[J]. 西安交通大学学报, 2014, 48(10):66-76. CHEN Haoyong, WEN Junzhong, WANG Zengyu, et al. Transfer laws and equations of energy networks[J]. Journal of Xi’an Jiaotong University, 2014, 48(10):66-76. [16] 孟令奎, 段红伟, 黄长青,等. 一种基于语义聚类的典型日负荷曲线选取方法[J]. 华北电力大学学报(自然科学版), 2013, 40(1):43-48. MENG Lingkui, DUAN Hongwei, HUANG Changqing, et al. A semantic clustering method for selecting the typical day load curve[J]. Journal of North China Electric Power University, 2013, 40(1):43-48. [17] 唐沂媛. 冷热电联供/综合能源系统的规划研究[D]. 南京:东南大学, 2016. TANG Yiyuan. Study on planning of combined cooling, heating and power system/integrated energy system[D]. Southeast University, 2016. [18] 厉亚敏. 广东省碳排放权交易制度研究[D]. 广州:华南农业大学, 2016. LI Yamin. Research on carbon emissions trading system of Guangdong Province[D]. Guangzhou: South China Agricultural University, 2016. 收稿日期:2017-08-28 作者简介:刘泽健(1994),男,硕士研究生,通信作者,主要从事微电网、综合能源系统规划与运行方面的研究工作; 杨苹(1967),女,博士,教授,博士生导师,主要从事可再生能源并网、微电网方面的研究工作; 许志荣(1989),男,博士研究生,主要从事微电网和分布式能源并网方面的研究工作。 (编辑 刘文莹) Capacity Allocation of Integrated Energy System ConsideringTypical Day Economic OperationLIU Zejian, YANG Ping, XU Zhirong |
|