相关论文:
-
-
全球能源互联网
第7卷 第3期 2024年05月;页码:256-270
考虑互联协同的分布式能源站低碳多目标选址规划研究
Low-carbon Multi-objective Site Selection Planning for Distributed Energy Stations Considering Interconnection Synergy
- 1.国网电力科学研究院有限公司,江苏省 南京市 211106
- 2.国网电力科学研究院武汉能效测评有限公司,湖北省 武汉市 430074
- 3.国网江苏省电力有限公司,江苏省 南京市 210000
- 4.国网江苏综合能源服务有限公司,江苏省 南京市 210019
- 5.智能电网教育部重点实验室(天津大学),天津市 南开区 300072
- JIANG Cheng1,2, WANG Hao3,4, XU Chenguan1,2, ZHANG Shuaize5, WANG Peiting5, ZHOU Tianshuo5, WANG Dan5* (1. State Grid Electric Power Research Institute Co., Ltd., Nanjing 211106, Jiangsu Province, China
- 2. State Grid Electric Power Research Institute Wuhan Efficiency Evaluation Company Limited, Wuhan 430074, Hubei Province, China
- 3. State Grid Jiangsu Electric Power Co., Ltd., Nanjing 210000, Jiangsu Province, China
- 4. State Grid Jiangsu Integrated Energy Service Co., Ltd., Nanjing 210019, Jiangsu Province, China
- 5. Key Laboratory of the Ministry of Education on Smart Power Grids (Tianjin University, Nankai District, Tianjin 300072, China
关键词
Keywords
摘 要
Abstract
“双碳”目标和能源转型的大背景下,区域综合能源系统内部耦合关系不断丰富,对于碳排放的管理不断严格,考虑互联协同的分布式能源站低碳规划问题亟待解决。为此,首先讨论了互联协同分布式能源站空间性能参数矩阵;然后计及负荷-能源站的管线建设以及环境成本、能源站-能源站的互联管线长度、各个分布式能源站规划容量等关键因素,提出了一种考虑互联协同的分布式能源站低碳多目标选址规划模型;最后,讨论了负荷不确定性对分布式能源站选址规划的影响,并且基于基准负荷确定性场景,在某城市实际算例中验证并讨论了考虑低碳需求前后各个分布式能源站的选址结果对比。
Under the background of the “dual carbon” goal and energy transition, the coupling relationship within the regionally integrated energy system has been continuously enriched, the management of carbon emissions has been increasingly strict,and the low-carbon planning of distributed energy stations considering interconnection and coordination needs to be solved urgently. First, the spatial performance parameter matrix of interconnected and collaborative distributed energy stations is discussed. Then, considering the key factors such as the pipeline construction of load-energy stations, environmental costs, the length of interconnected pipelines of energy stations,and the planning capacity of each distributed energy station,a low-carbon multi-objective site planning model considering interconnected and collaborative distributed energy stations is proposed. Finally, the influence of load uncertainty on the site selection planning of distributed energy stations is discussed,and based on the baseline load deterministic scenario, the comparison of the site selection results of each distributed energy station before and after considering low carbon demand is verified and discussed in the actual calculation case of a city in China.
0 引言
加快建设新型能源体系,是推动能源绿色低碳转型、实现碳达峰碳中和的重要支撑[1-4]。如何应对新型能源体系中清洁能源消费量不断增加所带来的问题与挑战,对合理制定能源发展战略,优化能源利用方式,实现能源体系安全、绿色、高效的高质量发展提出了更高要求[5-10]。
综合能源系统在新型能源体系建设中具有至关重要的作用,而分布式能源站(distributed energy stations,DES)涉及综合能源系统的供应、转换、存储等多个环节,处于综合能源系统的核心地位[11]。因此,开展合理的DES选址规划研究,有助于提高新型能源体系的经济性,促进能源高水平利用。DES的传统选址规划方案通常仅考虑单个能源站与负荷之间的管线成本、设备容量以及站内拓扑等因素,较少从互联协同的角度讨论多个DES的规划问题[12]。单站规划研究方面,文献[13]以㶲效率为目标讨论了能源站的规划问题;文献[14]从提高能源质量的角度研究了能源转换设备扩容的规划模型;随着源荷侧的复杂性增加,单纯的能源站设备选型定容与管网布局规划研究已难以满足当前的供需场景。对于一个具有负荷多样性的区域综合能源系统(regional integrated energy system,RIES)来说,单个DES难以满足用户负荷需求的多样性,因此需要结合区域用能特点,规划建设多个DES进行互联协同供能,通过互补互济改善区域整体用能方式,提升系统经济性[15]。在多站规划研究方面,文献[16]在站-网协同双层规划模型中考虑了不同能源网络耦合和多样化负荷需求,协同规划了网架结构、能源站容量和位置;文献[17]以投资建设和运行成本为目标,建立了能源站和供能管线布局规划模型;文献[18]基于数据中心用能可调特性,对能源站内数据中心和电池容量进行了协同规划;文献[19]以成本为优化目标,提出了考虑电动汽车充电负荷特性的多能源站规划设计方法;文献[20]以总成本最小为目标,提出了一种考虑数据中心用能时空可调的多区域能源站协同规划模型;文献[21]利用p-中位模型构建了能源站及管线规划模型,但未说明p-中位问题优化目标的物理意义。DES的选址直接与RIES的能源利用效率、能源管线投资成本、能量传输损耗和能源站的供能能力密切相关,且现有研究缺少综合考虑成本、能源站之间管线布局以及能源站规划容量的互联协同DES选址规划研究。
综上所述,本文提出一种考虑互联协同的DES低碳多目标选址规划模型。首先,构建互联协同DES空间性能参数矩阵,可计算得到待选能源站-负荷、待选能源站-待选能源站的最短路径;其次,以能源站-负荷的能源管线建设以及环境成本最低、能源站-能源站的互联管线规划布局最优和各个DES规划容量最小为目标函数,建立考虑互联协同的DES低碳多目标选址规划模型;最后,结合某城市算例分析,分别得到考虑低碳需求前后各DES的规划供能容量、供能范围、负荷-能源站之间能源管线和能源站-能源站之间互联管线的建设方案。
1 互联协同DES空间性能参数矩阵
为在恰当位置规划建设DES以满足RIES的供用能需求,需要明晰RIES中拟建能源站与负荷节点、节点与节点之间的距离和路径关系,因此本章建立节点关联矩阵、邻接节点距离矩阵、最短距离矩阵和最优路径矩阵。
1.1 节点关联矩阵
明确RIES网络中各个节点(负荷节点、道路节点和DES待规划节点)的位置以及节点间的连接关系是讨论DES规划的前提。利用节点关联矩阵能够描述区域网络的拓扑结构以及网络拓扑结构中各个节点之间的连接情况,对网络中节点进行统一排序后,具有n个节点的区域网络拓扑可以用n×n阶的方阵来描述,即节点关联矩阵A,表示为

在网络节点序号一定的情况下,节点关联矩阵表示节点之间连接关系可以得到唯一的网络拓扑结构,一个已知网络拓扑结构也可以由节点关联矩阵唯一表示。如图1所示能源网络拓扑,用节点关联矩阵A表示网络拓扑时,其中元素A(i,i)=0,A(1,2)=A(2,1)=0,A(1,7)=A(7,1)=1。

图1 能源网络拓扑结构
Fig. 1 Topology of energy network
1.2 邻接节点距离矩阵
用节点关联矩阵A来描述网络拓扑时,只能有效表示节点与节点之间的连接情况,并不能表示节点之间的地理距离关系。在能源站选址规划时,各个节点之间的地理距离关系会影响到DES的供能范围、负荷-能源站的节点管线长度、能源站-能源站互联管线长度,因此还需要建立综合能源系统中各个节点之间的距离关系矩阵。
由各节点坐标数据,可以得到相邻节点之间的距离,利用距离加权替代节点关联矩阵A中的等值1加权,可进一步得到邻接节点距离矩阵D,其元素可表示为

若已知1.1节网络中各节点之间距离,如图2所示,则用邻接节点距离矩阵D表示时,其中元素D(i,i)=0,D(1,2)=D(2,1)=0,D(1,7)=D(7,1)=9。

图2 邻接节点距离示意图
Fig. 2 Diagram of adjacent nodes
1.3 负荷-待选站点最短距离矩阵和最优路径矩阵
DES选址规划可利用管线长度控制建设成本,本节利用Bellman-Ford算法求取负荷节点与待规划能源站的最短距离和对应路径,即所需建设的管线最小长度以及对应路径,来减少建设的成本[22]。
Bellman-Ford算法的主要步骤为:对所有的边进行n-1轮松弛操作,第1轮得到的是源点最多经过1条边到达其他顶点的最短距离以及对应路径;第2轮得到的是源点最多经过2条边到达其他顶点的最短距离以及对应路径;直到第n-1轮得到的是源点最多经过n-1条边到达其他顶点的最短距离以及对应路径,此时可以得到源点到达所有其他节点的最短距离以及对应路径。
利用Bellman-Ford算法求解负荷与待选能源站之间最短距离时,以不同的能源站待规划节点为源点,以负荷节点为终点,分别求解源点与终点之间的最短距离以及对应路径。以图1所示能源网络拓扑为例,选择节点12为源点,其他负荷节点为终点,使用Bellman-Ford算法,第1轮得到的是能源站节点最多经过1条边到达负荷节点的最短距离以及对应路径,如图3所示。能源站节点仅能到达负荷节点3,能源站节点到达负荷节点3最短距离为16,最优路径为12-3。

图3 Bellman-Ford算法第1轮结果
Fig. 3 First round results of Bellman-Ford algorithm
第2轮得到的是能源站节点最多经过2条边到达负荷节点的最短距离以及对应路径,如图4所示。能源站节点能到达负荷节点1、2、3、4、6,其中,能源站节点到达负荷节点最短距离分别为14、15、16、22、35,最优路径分别为12-7-1、12-7-2、12-3、12-13-4、12-13-6。

图4 Bellman-Ford算法第2轮结果
Fig. 4 Second round results of Bellman-Ford algorithm
最终得到不同能源站待规划节点到负荷节点之间的最短距离以及对应路径,其中,最优路径经过的线路长度和就是所需规划管道的最短距离。求出所有待规划能源站节点与所有负荷节点之间的最短距离和最优路径后,进一步可以得到负荷-待选站点最短距离矩阵De-l和最优路径矩阵G。其中矩阵De-l的元素De-l(i,j)的含义为第i个负荷节点到第j个待选DES的最短距离。
对于上述能源网络拓扑,若选择12号节点为能源站规划节点,则由Bellman-Ford算法得到的负荷与已选能源站节点最短距离规划如图5所示,对应的负荷到能源站的最优路径分别为:1-7-12,2-7-12,3-12,4-13-12,5-9-4-13-12,6-13-12。

图5 Bellman-Ford算法最终结果
Fig. 5 Final results of Bellman-Ford algorithm
2 考虑互联协同的DES低碳多目标选址模型与求解
2.1 目标函数
本节主要从最低负荷与DES的管线建设及环境成本、最短DES之间互联管线建设路由以及最小DES供能容量3个方面考虑DES的选址规划方案。
2.1.1 目标函数1
管线建设成本包括能源管道通道建设、电力线路建设和供热管道建设的成本,环境成本为处理管线传输电、热时能量损耗所产生的CO2折算后的等值碳税成本。能量通道建设需要注意每个负荷只可由1座DES供能,1条道路只可建设1条能源管线通道。该目标函数旨在划分各DES能源供应范围,并规划负荷与DES之间的能源管线布局,使能源管线的建设及环境成本最低。

式中:F1为负荷与拟建能源站之间管线建设及环境成本;Lsum、Le和Lh分别为能源管线通道、电力线路和供热管道的建设总长度;cthro、ce、ch分别为能源管线通道、电力线路和供热管道单位长度建设成本;ω为碳税;λ为CO2排放因子;Eloss、Hloss分别为电力线路和供热管道总能量损耗;ηe为线损率;Pe,i,d(t)、Ph,i,d(t)分别为第d天t时刻第i个负荷节点的电负荷功率和热负荷功率;ηh为供热管道损耗率;lh,i,min为第i个负荷节点供热最短路径。
能源管线通道、电力线路和供热管道的建设总长度Lsum、Le和Lh,具体求解方法如图6所示。

图6 目标函数1求解流程图
Fig. 6 Flowchart for solving objective function 1
1) 输入道路节点坐标信息、负荷节点坐标信息和待规划DES节点坐标信息,形成节点关联矩阵A,得到能源网络拓扑;
2)基于节点坐标数据和节点关联矩阵A,计算相邻节点地理距离,构建邻接节点距离矩阵D;
3)基于Bellman-Ford算法[23]计算各负荷节点到每个DES待规划位置节点的最短距离,得到最短距离矩阵De-1和最优路径矩阵G;
4)利用非支配排序遗传算法(nondominated sorting genetic algorithm II,NSGA-II) [24-28]明确DES的规划位置;
5)由能源站确定位置得到所有负荷到所规划DES的最短距离矩阵和最短路径矩阵;
6)根据矩阵可计算每个负荷到各自对应的DES的最短距离,即可得到电力线路建设长度Le和供热管道长度Lh;
7)筛选出中所有不重复供能线路集合,即为能源管线通道的建设路径,进而可以得到能源管线通道的建设长度Lsum。
2.1.2 目标函数2
为促进多能互补,实现各DES间能量交互传递,以规划方案中各DES之间互联管线建设路由最短为目标函数:

式中:F2为DES之间互联管线建设路由;K为DES待选位置的总数;R为1×K向量,1表示选择在该位置规划建设DES,0代表不规划建设;De-e为各DES间的最短距离矩阵,De-e中能源站-能源站的最短距离求解方法与上节相同。
2.1.3 目标函数3
为降低系统的投资成本,需减小DES站内设备的容量冗余,因此以所规划DES的总供能容量最小为目标函数:

式中:F3为所规划DES的总供能容量;M为规划DES的个数;和
分别为规划第i个DES的供电容量和供热容量,其中供电容量可由负荷功率和电网线损率近似表示。

式中:ni 为规划第i个DES所供应的负荷总数;和
分别为负荷节点j的最大电负荷和最大热负荷功率;
为单位长度电功率损耗;
(j,i)为第i个能源站与其供应的第j个负荷之间的最短距离;
为第i个能源站所供应的第j条热力管道的热功率损耗。
供热过程的损耗计算需考虑热力管道的传输特性,使用稳态传热特性近似描述热力管道的传输特性[29-30],如式(8) 所示:

式中:Tin, j和Tout, j分别为第j条热力管线的入口温度和出口温度;λ为热力管线保温材料的导热系数;lj为第j条热力管道的长度;c为工质水流的比热容;mj为第j条热力管线的热水质量流量。
本文模型适用系统供热半径一般在10 km内,满足λlj≪cmj[17],因此,式 (8) 中指数项的幂接近于零,将指数项进行等价无穷小代换并化简得到结果:

消去分母得到:

式中:左侧即为热网传输过程中第j条热力管道的损耗; 右侧(Tin,j-Ta)为管道内外温差,将其代入式(7)中得到供热容量为

式中:ni为规划第i个DES所供应的负荷总数;为负荷节点 j的最大热负荷功率;
(j,i)为第i个能源站与其供应的第j个负荷之间的最短距离;λ为热力管线保温材料的导热系数;Te为管道内外平均温差。
2.2 约束条件
2.2.1 负荷需求约束
每个负荷的能量需求不能由多个DES供应,均由1个对应的DES供应:

式中:Y为负荷-DES连接向量;ΓN为能源网络内的负荷节点总数。
2.2.2 DES选址约束
为确定能源网络内的DES规划数量M和规划位置,则有:

2.2.3 供能有效性约束
表示负荷所选定的为其供能的DES已经确定规划,以保证负荷的用能需求。

2.2.4 能源管线通道约束
如前所述,能源管线通道沿着道路走向建设,应保证用于铺设电力、热力管线的连通性。同时,能源管线通道中必须存在能源管线,同时经过同一道路有且只能有1条能源管线通道。对所有能源管线各段线路的总和取交集即可满足上述约束:

式中:Rthro为能源管线通道建设矩阵,表示该区域任意2个节点之间是否建设能源管线通道;Re和Rh分别表示电力线路和热力管道的建设矩阵;N表示该区域所有节点数。
综上所述,考虑互联协同的分布式能源站多目标选址模型属于多目标混合整数非线性规划问题,因此,本文采用NSGA-II算法进行求解,具体流程如图7所示。

图7 NSGA-II算法选址流程图
Fig. 7 NSGA-II algorithm site selection flowchart
该模型的求解过程具体步骤如下。
1)确定能源站建设数量以及能源站待选位置,以待规划能源站的安装位置作为染色体,其种群个数为,以此可以确定种群范围;
2) 对种群中所有染色体个体进行非支配排序和拥挤度计算,得到种群中每个染色体的优劣情况;
3) 采用竞标法选择适合繁殖的父代,具体方法为每次随机选择2个个体,优先选择排序等级较高的个体,如果排序等级相同,则优先选择拥挤度较大的个体;
4) 选择的父代染色体进行交叉变异产生子代染色体种群;
5) 合并父代和子代种群,形成新的种群,并重新进行非支配排序和拥挤度计算,对新种群进行快速非支配排序;
6) 采用精英选择策略,从新种群中选择出相应的优先级个体,进入下一循环;
7) 重复上述过程,直到达到最大迭代次数,输出最终的规划方案。
3 算例分析
3.1 算例设置
以面积约为51.28 km2的某城区为例,开展考虑互联协同的DES多目标选址规划,整理该区域道路和节点信息,数学抽象表示该区域的能源网络拓扑及地理位置信息如图8所示,包含308条线路、187个节点(其中包括96个负荷节点、71个未直接连接负荷的道路节点以及20个DES的待选址节点)。

图8 城区俯视模拟图
Fig. 8 Top view simulation diagram of the city
该区域的用能负荷分为居民负荷区(41个居民聚集点)、商业负荷区(22个商业聚集点)和工业负荷区(33个工业聚集点),在过渡季、夏季和冬季的各类负荷区的负荷曲线分别如图9、图10所示。以该区域为例,计划建设3个能源站,现采用第2章所建立的考虑互联协同的DES多目标选址模型,规划该区域的DES建设位置和能源管线的铺设路径,其中管线的铺设路径沿道路(虚线)方向分布。本算例中通道建设成本为0.7万元/m,电力线路建设成本为0.343元/(kW·m),热力管道建设成本为0.478元/ (kW·m)[31],电网线损率取7%[32],碳税价格取0.3元/kg[33]。

图9 各节点电负荷
Fig. 9 Electrical loads at various nodes


图10 各节点热负荷
Fig. 10 Heat loads at various nodes
3.2 负荷不确定性对于DES选址的影响分析
基于该区域的历史典型日风速、光照强度和各类负荷曲线,利用TA-MCRSGOM随机场景生成方法[34]得到基准负荷确定性场景、最小负荷随机场景、最大负荷随机场景和平均负荷随机场景,4种场景下DES选址的最优帕累托曲面如图11所示[35]。

图11 各场景下所得DES选址方案的最优帕累托曲面
Fig. 11 Optimal Pareto surface of the resulting DES site selection scheme for each scenario
由图11可知,各个场景下DES互联管线规划路径情况基本一致。负荷不确定性对能源管线的建设成本影响较小,由于DES和负荷之间需要保持供用能的能量平衡,由式 (6) 和式 (7) 可知,DES规划容量与负荷功率峰值有关,因此负荷不确定性对于DES的规划容量影响较大。负荷不确定性对于能源管线建设成本的影响因素主要集中在电力线路、供热管道的建设。负荷不确定性对于能源管线通道建设成本影响较小,是由于能源管线通道建设难度较大,其在能源管线建设成本中占比较高。
对于该区域的DES选址规划,通过对比可知,负荷不确定性对于DES建设位置基本不存在影响,但对于DES的规划容量影响较大。
3.3 不同DES选址方案分析
首先,不考虑低碳需求对DES选址规划的影响,取碳税ω为零,考虑到负荷不确定性对于DES的选址结果影响可以忽略,本文从基准负荷确定性场景对应的帕累托前沿结果中选取3个具有典型代表性特征的DES选址规划方案:方案一选取能源互联管线最短的方案;方案二选取能源管线和建设成本最小的方案;方案三进行折中处理。选取与所有方案成本和距离平均值最接近的方案,如图12采用红色五角星标记所示。讨论并对比3个方案下RIES中各DES的选址结果、供能容量和范围、负荷-能源站的能源管线以及能源站-能源站的互联管线的建设情况。

图12 代表性DES选址方案选取
Fig. 12 Selection of representative DES site selection scheme
方案一的DES选址规划结果偏向于目标函数2,即实现DES之间的互联管线建设距离最短,如图13所示,DES采用红色五角星标记。规划结果中的3个DES较为聚集,所有的商业用户和大部分工业用户由1号DES供能,部分居民用户由2号DES供能,部分居民用户和少量工业用户由3号DES供能。

图13 方案一DES选址规划结果
Fig. 13 DES site selection results of scheme I
在DES选址位置方面,方案一的3个DES规划建设位置集中,其优势是能够实现能源资源的快速调度和优化配置,促进不同能量之间交互。在供能特性方面,1号DES供能压力较重、规划容量较大,是由于其供应所有商业负荷和大部分工业负荷,而2号和3号DES供能负荷压力小,同时容量也相对较小。在实际运行方面,当工业、商业负荷处于高峰水平时,可通过能源站互联管线调用2号和3号DES为1号DES疏解部分供能压力。在供能范围方面,3个DES的规划选址位置均远离各自的负荷中心,位于各自供能范围的边缘,增加了负荷-能源站的能源管线建设成本和能量传输中的损耗,导致在实际运行中的经济性较差。
方案二倾向目标函数1,其DES选址规划结果如图14所示,即实现负荷-能源站的能源管线建设距离最短,所规划的3个DES选址位置较为分散,均处在各自供能区域内的中心位置,其中所有商业用户和部分工业用户由1号DES供应,部分工业用户和少量居民用户由2号DES供应,大部分居民用户由3号DES供应。

图14 方案二DES选址规划结果
Fig. 14 DES site selection results of scheme II
在DES选址位置方面,方案二优势在于其能源管线建设成本最低,但也导致各个DES选址分布比较分散,互联管线距离较长,会引起资源分布不集中、资源配置不合理等问题,导致资源的浪费。在供能特性方面,每个DES相距较远,各个DES之间进行能量调度时会导致大量能量损失,每个DES主要为所在区域范围供能,所以该方案的互联协同能力较弱。在供能范围方面,3个DES均位于各自供能范围的中心,负荷与DES之间能源管线的建设成本较低,同时降低了DES为负荷供能时的管道损耗,有助于提升系统运行的经济性。
方案三在各个目标函数之间做了折中,其选址规划结果如图15所示,统筹兼顾了负荷-能源站的能源管线建设、能源站-能源站的互联管线建设以及DES的供能容量。3个DES在各自供能范围中心位置的同时,又尽量保持互相靠近,其中所有的商业用户和大部分工业用户由1号DES供应,少部分工业用户由2号DES供应,居民用户均由3号DES供应,导致3个DES供能容量差异较大。

图15 方案三DES选址规划结果
Fig. 15 DES site selection results of scheme III
在DES选址位置方面,3个DES有所偏离各自供能范围的中心,但其能源互联管线也保持了相对较近的距离,是多目标函数博弈折中后的规划方案。在供能特性方面,实际生产运行中由于工业商业负荷和居民区负荷的特点差异较大,导致1号和3号DES之间能量调度交互较多,而2号DES供能区域较小,与其他能源站交互较弱。在供能范围方面,方案三为提高各个DES之间的互联协同能力,导致各DES在供能容量、范围方面具有较大差异,且部分能源管线建设成本增高。
表1表示了3种方案中DES的供能能力,所选3个代表性规划方案各有特点。方案一中负荷与DES之间的能源管线建设成本较高,经济性较差,但是各个DES之间较近的距离提升了系统的互联协同能力。方案二重点考虑的是能源管线的建设成本问题,使得各个DES位于各自供能范围中心,各负荷区域主要由本区域对应的DES供能,导致DES之间互联协同能力相对较弱。方案三折中考虑了3个目标函数,尽量使各个DES位于各自供能范围中心位置,同时保证了DES之间距离不至于过远,兼顾了线路管线的建设经济性,但是各个DES容量明显存在差异,在实际运行过程中会对各个DES之间的互联协同能力造成影响。综上所述,能源规划决策者可根据实际需求,选择实施合适的规划方案。
表1 3个方案中DES的供能能力
Table 1 Energy supply capacity of distributed energy stations in three various schemes

选址方案能源站编号(节点)供电容量/MW供热容量/MW居民负荷点/个商业负荷点/个工业负荷点/个方案一1号(10)33.3976.6002226 2号(12)13.3828.741900 3号(14)19.2334.462207方案二1号(7)16.9840.8502225 2号(15)22.8352.491308 3号(18)26.4647.892800方案三1号(8)33.3976.6002225 2号(14)22.2340.673008 3号(15)10.3822.281100
3.4 不同DES低碳选址方案分析
为得到考虑低碳需求的DES选址规划结果,取ω=0.3元/kg,同样从帕累托前沿结果中选取3个具有典型代表性特征的DES选址规划方案,如图16红色五角星标记所示,讨论并对比3个方案下RIES中各DES的选址结果、供能容量和范围、负荷-能源站的能源管线以及能源站-能源站的互联管线的建设情况。

图16 代表性DES低碳选址方案
Fig. 16 Representative scheme of DES low-carbon site selection
DES低碳选址规划的方案一结果与不考虑低碳需求的DES选址规划结果相同,如图17所示,DES采用红色五角星标记。这是因为在考虑低碳需求时,低碳因素只影响到目标函数1,而方案一为偏向于目标函数2的规划结果,所以考虑低碳需求前后方案一的DES选址规划结果几乎没有影响。

图17 DES低碳选址规划方案一结果
Fig. 17 DES low-carbon site selection results of scheme I
DES低碳选址规划的方案二结果如图18所示。其与原方案二有较大的差别,所规划的3个DES选址位置仍然较为分散,但与原方案二相比,3个DES选址位置都明显向工业负荷区移动,且其中2个能源站选址都在工业负荷区的中间区域,这是因为工业负荷区较居民和商业负荷区最明显的特点是其热负荷在四季一直存在,所以将能源站建设在工业负荷区域能缩短供热管道的长度,从而减少热能传输过程中的损失。此方案中,所有商业用户和绝大部分工业用户由1号DES和2号DES供能,而绝大部分居民用户由3号DES供能。

图18 DES低碳选址规划方案二结果
Fig. 18 DES low-carbon site selection results of scheme II
DES低碳选址规划的方案三同样在各个目标函数之间做了折中,其结果如图19所示。此方案与原方案三同样具有较大差别,最明显特点是其3个能源站都位于工业负荷区。其中所有的商业用户和大部分工业用户由1号DES和2号DES共同供能,少部分工业用户和所有居民用户由3号DES供能,导致3个DES供能容量差异较大。

图19 DES低碳选址规划方案三结果
Fig. 19 DES low-carbon site selection results of scheme III
在DES选址位置方面,3个DES都向工业负荷区靠近,但其能源互联管线保持了一定近的距离。在供能特性方面,实际生产运行中由于工业商业负荷和居民区负荷的特点差异较大,导致2号和3号DES之间能量调度交互较多,而1号DES供能区域较小,与其他能源站交互较弱。
综上所述,考虑低碳需求的DES选址规划方案不仅与能源站-负荷位置有关,还与负荷大小有关,并且由于工业负荷区较商业负荷区和居民负荷区拥有常年较高热负荷的特点,DES低碳选址结果会向工业负荷区趋近。
表2表示了低碳规划的3种方案中DES的供能能力,与不考虑低碳需求的规划方案具有相似特点。方案一中负荷与DES之间的能源管线建设以及环境成本较高,经济性较差,但是各个DES之间较近的距离提升了系统的互联协同能力。方案二重点考虑的是能源管线的建设以及环境成本问题,使得各个DES都向供热管道传输热量损失较严重的工业负荷区靠拢,3个DES供能能力相差不大,DES之间互联协同能力相对较弱。方案三折中考虑了3个目标函数,兼顾了经济性和能源站之间互联能力,但DES容量明显存在差异,在实际运行过程中会对DES之间的互联协同能力造成影响。综上所述,能源规划决策者可根据实际需求,选择实施合适的规划方案。
表2 低碳选址规划中3个方案的DES供能能力
Table 2 Energy supply capacity of distributed energy stations in three various schemes of low-carbon site selection results

选址方案能源站编号(节点)供电容量/MW供热容量/MW居民负荷点/个商业负荷点/个工业负荷点/个方案一1号 (10)34.1678.3702226 2号 (12)12.9622.861900 3号 (14)19.0538.262207方案二1号 (2)16.9840.850915 2号 (8)19.0542.6811313 3号 (17)30.0956.684005方案三1号 (4)12.9029.960711 2号 (7)20.5647.1301514 3号 (13)32.6062.924108
4 结论与展望
本文提出了一种考虑互联协同的DES低碳多目标选址规划模型,并以某城区验证了规划方法的可行性,适用于其他城市类似区域的选址规划。本文所提出的规划方法可以实现道路建设的最优路径规划。主要结论如下:
1) 考虑互联协同DES的空间性能参数,建立了节点关联矩阵、邻接节点距离矩阵、最短距离矩阵和最优路径矩阵。以最小负荷与DES之间管线建设和环境成本、最小能源站互联管线路由以及各个DES最小供能容量为目标函数,建立了考虑互联协同的DES低碳多目标选址规划模型。
2) 不考虑低碳需求对DES选址规划影响的前提下,讨论了负荷不确定性对于DES选址规划的影响,结果表明负荷不确定性对DES的选址结果几乎没有影响,主要影响DES的供能容量,后续可重点开展多重不确定因素下DES选型定容研究。
3) 结合某城区测试算例,分析并对比了考虑低碳需求前后,不同规划方案下各DES的规划结果。算例结果表明DES低碳规划选址不仅与负荷-能源站距离有关,还与负荷的大小有关,由于工业负荷区较商业负荷区和居民负荷区拥有常年较高热负荷的特点,DES低碳选址结果相比于非低碳规划,会向工业负荷区趋近。
基于本文提出的考虑互联协同的DES低碳选址规划,可为后续DES选型定容规划提供参考,同时也可考虑系统源荷的不确定性对规划方案的影响分析。
致谢
本研究是与分布式能源与微网国际联合实验室(UNiLAB-DEM)合作进行的,在此表示衷心的感谢。
参考文献
-
[1]
刘泽洪,周原冰,金晨. 支撑新能源基地电力外送的电源组合优化配置策略研究[J]. 全球能源互联网,2023,6(2):101-112.LIU Zehong, ZHOU Yuanbing, JIN Chen. Optimization strategy study on installation mix of renewable energy power base for supporting outbound delivery[J]. Journal of Global Energy Interconnection, 2023, 6(2): 101-112 (in Chinese). [百度学术]
-
[2]
刘泽洪,周原冰,李隽,等. 中国西北西南电网互联研究[J]. 全球能源互联网,2023,6(4):341-352.LIU Zehong, ZHOU Yuanbing, LI Jun, et al. The study on interconnection of northwest and southwest power grid in China[J]. Journal of Global Energy Interconnection, 2023,6(4): 341-352 (in Chinese). [百度学术]
-
[3]
张玮,白恺,鲁宗相,等. 特大型新能源基地面临挑战及未来形态演化分析[J]. 全球能源互联网,2023,6(1):10-25.ZHANG Wei, BAI Kai, LU Zongxiang, et al. Analysis of the challenges and future morphological evolution of super largescale renewable energy base[J]. Journal of Global Energy Interconnection, 2023, 6(1): 10-25 (in Chinese). [百度学术]
-
[4]
李锦煜,刘锐剑,周朝阳,等. 我国能源安全形势技术分析[J]. 电力工程技术,2023,42(6):249-255.LI Jinyu, LIU Ruijian, ZHOU Chaoyang, et al. Technical analysis of China’s energy security situation[J]. Electric Power Engineering Technology, 2023, 42(6): 249-255 (in Chinese). [百度学术]
-
[5]
汪万发,张彦著. 碳中和趋势下城市参与全球气候治理探析[J]. 全球能源互联网,2022,5(1):97-104.WANG Wanfa, ZHANG Yanzhu. Analysis of cities participating in global climate governance in the trend of carbon neutrality[J]. Journal of Global Energy Interconnection,2022, 5(1): 97-104 (in Chinese). [百度学术]
-
[6]
王晓彬,孟婧,石访,等. 煤电与清洁电源协同演进优化模型及综合评价体系研究[J]. 电力系统保护与控制,2022,50(13):43-52.WANG Xiaobin, MENG Jing, SHI Fang, et al. An optimization model and comprehensive evaluation system for the synergistic evolution of coal-fired power plants and clean power sources[J]. Power System Protection and Control, 2022,50(13): 43-52 (in Chinese). [百度学术]
-
[7]
霍沫霖,陈爱康,刘智超,等. 多约束条件下城市能源规划前期研究方法及案例分析[J]. 全球能源互联网,2022,5(6):574-582.HUO Molin, CHEN Aikang, LIU Zhichao, et al. Methods and case study for preliminary research of urban energy planning under multiple constraints[J]. Journal of Global Energy Interconnection, 2022, 5(6): 574-582 (in Chinese). [百度学术]
-
[8]
魏然,葛向东. 受端电力系统新能源规划配比研究[J]. 山东电力技术,2023,50(9):35-41.WEI Ran, GE Xiangdong. Research on proportion planning of new energy in receive-side power system[J]. Shandong Electric Power, 2023, 50(9): 35-41 (in Chinese). [百度学术]
-
[9]
韩小齐,刘文颖,庞清仑,等. 考虑日前现货市场风险的电力负荷参与系统调峰控制模型[J]. 电力系统保护与控制,2022,50(17):55-67.HAN Xiaoqi, LIU Wenying, PANG Qinglun, et al. Peak shaving control model of power load participation system considering day-ahead spot market risk[J]. Power System Protection and Control, 2022, 50(17): 55-67 (in Chinese). [百度学术]
-
[10]
FU X Q, WU X P, ZHANG C Y, et al. Planning of distributed renewable energy systems under uncertainty based on statistical machine learning[J]. Protection and Control of Modern Power Systems, 2022, 7(4): 1-27. [百度学术]
-
[11]
黄德裕,王丹,贾宏杰,等. 基于区域互联的能源零售市场双边竞价出清策略[J]. 电力系统保护与控制,2022,50(4):1-12.HUANG Deyu, WANG Dan, JIA Hongjie, et al. Energy retail market double auction clearing strategy for interconnected regions[J]. Power System Protection and Control, 2022, 50(4):1-12 (in Chinese). [百度学术]
-
[12]
LEI Y, WANG D, JIA H J, et al. Multi-stage stochastic planning of regional integrated energy system based on scenario tree path optimization under long-term multiple uncertainties[J]. Applied Energy, 2021, 300: 117224. [百度学术]
-
[13]
HU X, ZHANG H, CHEN D W, et al. Multi-objective planning for integrated energy systems considering both exergy efficiency and economy[J]. Energy, 2020, 197: 117155. [百度学术]
-
[14]
ZHOU T S, WANG D, LI J X, et al. Multi-objective planning for integrated energy systems considering both energy quality and renewable energy[C]//2023 IEEE Power & Energy Society General Meeting (PESGM). Orlando, FL, USA. IEEE, 2023:1-5. [百度学术]
-
[15]
朱少杰,刘皓明,唐宇,等. 含多个能源站的区域综合能源系统建模及协同优化运行策略[J]. 电力需求侧管理,2019,21(4):60-66.ZHU Shaojie, LIU Haoming, TANG Yu, et al. Modeling and collaborative optimal operation strategy for multiple energy stations of regional integrated energy system[J]. Power Demand Side Management, 2019, 21(4): 60-66 (in Chinese). [百度学术]
-
[16]
黄伟,柳思岐,叶波,等. 基于电-热-气混合潮流的园区综合能源系统站-网协同规划[J]. 电力建设,2019,40(11):73-86.HUANG Wei, LIU Siqi, YE Bo, et al. Station-network collaborative planning based on power-heat-gas multi-energy flow of RIES[J]. Electric Power Construction, 2019, 40(11):73-86 (in Chinese). [百度学术]
-
[17]
徐成司,董树锋,吴金城,等. 考虑区域综合能源系统拓扑特性的能源站和管线规划[J]. 电力系统自动化,2020,44(3):74-82.XU Chengsi, DONG Shufeng, WU Jincheng, et al. Planning of energy station and pipeline considering topological characteristics of regional integrated energy system[J]. Automation of Electric Power Systems, 2020, 44(3): 74-82 (in Chinese). [百度学术]
-
[18]
GUO C S, LUO F J, CAI Z X, et al. Integrated planning of Internet data centers and battery energy storage systems in smart grids[J]. Applied Energy, 2021, 281: 116093. [百度学术]
-
[19]
姚志力,江斌开,龚春阳,等. 计及电动汽车充电负荷特性的区域多能源站规划设计[J]. 电网技术,2022,46(9):3304-3318.YAO Zhili, JIANG Binkai, GONG Chunyang, et al. Planning and design of regional multi-energy stations considering electric vehicle charging load characteristics[J]. Power System Technology, 2022, 46(9): 3304-3318 (in Chinese). [百度学术]
-
[20]
王丹阳,张沈习,程浩忠,等. 考虑数据中心用能时空可调的多区域能源站协同规划[J]. 电力系统自动化,2023,47(3):77-85.WANG Danyang, ZHANG Shenxi, CHENG Haozhong, et al. Coordinated planning of multi-regional energy stations considering spatio-temporal adjustment of energy consumption in data centers[J]. Automation of Electric Power Systems,2023, 47(3): 77-85 (in Chinese). [百度学术]
-
[21]
陈娟,黄元生,鲁斌. 区域能源互联网“站-网” 布局优化研究[J]. 中国电机工程学报,2018,38(3):675-684.CHEN Juan, HUANG Yuansheng, LU Bin. Research on “stations-pipelines” layout and optimization of regional energy Internet[J]. Proceedings of the CSEE, 2018, 38(3): 675-684 (in Chinese). [百度学术]
-
[22]
叶方彬,孙剑桥,姜驰,等. 双模异构配电场域网多径并发传输动态决策算法[J]. 电力系统保护与控制,2021,49(20):144-151.YE Fangbin, SUN Jianqiao, JIANG Chi, et al. Dynamic decision-making algorithm for multi-path parallel transmission of a dual-mode heterogeneous field network for a power distribution grid[J]. Power System Protection and Control,2021, 49(20): 144-151 (in Chinese). [百度学术]
-
[23]
SULAIMAN O K, SIREGAR A M, NASUTION K, et al.Bellman Ford algorithm - in routing information protocol (RIP)[J]. Journal of Physics: Conference Series, 2018, 1007: 012009. [百度学术]
-
[24]
王茜,张粒子. 采用NSGA-Ⅱ混合智能算法的风电场多目标电网规划[J]. 中国电机工程学报,2011,31(19):17-24.WANG Qian, ZHANG Lizi. Multi-objective transmission planning associated with wind farms applying NSGA-Ⅱhybrid intelligent algorithm[J]. Proceedings of the CSEE, 2011,31(19): 17-24 (in Chinese). [百度学术]
-
[25]
XU Y H, CHEN H W. Layered power scheduling optimization of PV hydrogen production system considering performance attenuation of PEMEL[J]. Global Energy Interconnection,2023, 6(6): 714-725. [百度学术]
-
[26]
LI J G, ZHANG L, ZHANG B, et al. Coordinated planning for flexible interconnection and energy storage system in lowvoltage distribution networks to improve the accommodation capacity of photovoltaic[J]. Global Energy Interconnection,2023, 6(6): 700-713. [百度学术]
-
[27]
丁璨,李江,袁召,等. 基于NSGA-Ⅱ和BP神经网络的杯状纵磁触头结构优化设计[J]. 电工技术学报,2022,37(23):6074-6082.DING Can, LI Jiang, YUAN Zhao, et al. Structural optimization design of cup-shaped longitudinal magnetic contact based on NSGA-Ⅱ and BP neural network[J].Transactions of China Electrotechnical Society, 2022, 37(23):6074-6082 (in Chinese). [百度学术]
-
[28]
李雪,周航,路晓敏,等. 基于改进NSGA-Ⅱ算法的多站融合系统运行优化[J]. 电力需求侧管理,2022,24(5):97-101.LI Xue, ZHOU Hang, LU Xiaomin, et al. Operation optimization of multi-station integration system based on improved non-dominated sorting genetic algorithm-Ⅱ[J].Power Demand Side Management, 2022, 24(5): 97-101 (in Chinese). [百度学术]
-
[29]
顾伟,陆帅,王珺,等. 多区域综合能源系统热网建模及系统运行优化[J]. 中国电机工程学报,2017,37(5):1305-1316.GU Wei, LU Shuai, WANG Jun, et al. Modeling of the heating network for multi-district integrated energy system and its operation optimization[J]. Proceedings of the CSEE, 2017,37(5): 1305-1316 (in Chinese). [百度学术]
-
[30]
JIANG X S, JING Z X, LI Y Z, et al. Modelling and operation optimization of an integrated energy based direct district waterheating system[J]. Energy, 2014, 64: 375-388. [百度学术]
-
[31]
王培汀. 考虑多重不确定性因素的综合能源系统能源站互联协同规划研究[D]. 天津:天津大学,2020.WANG Peiting. Research on integrated energy system energy station interconnection collaborative planning considering multiple uncertain factors[D]. Tianjin: Tianjin University, 2020(in Chinese). [百度学术]
-
[32]
王丹,孟政吉,贾宏杰,等. 考虑多区域互联协同的分布式能源站设备配置及站间管线规划[J]. 电网技术,2020,44(10):3734-3746.WANG Dan, MENG Zhengji, JIA Hongjie, et al. Distributed energy station equipment configuration and interconnected network planning considering multi-regional interconnection and coordination[J]. Power System Technology, 2020, 44(10):3734-3746 (in Chinese). [百度学术]
-
[33]
SHEIKHI A, RANJBAR A M, SAFE F, et al. CHP optimized selection methodology for an energy hub system[C]//2011 10th International Conference on Environment and Electrical Engineering. Rome, Italy. IEEE, 2011: 1-5. [百度学术]
-
[34]
王培汀,王丹,贾宏杰,等. 考虑随机场景生成及优选技术的分布式能源站选型定容规划研究[J]. 电力系统及其自动化学报,2021,33(7):88-100.WANG Peiting, WANG Dan, JIA Hongjie, et al. Research on type and capacity planning for distributed energy station considering random scenes generation and optimization technology[J]. Proceedings of the CSU-EPSA, 2021, 33(7): 88-100 (in Chinese). [百度学术]
-
[35]
LEI Y, WANG D, JIA H J, et al. Multi-objective stochastic expansion planning based on multi-dimensional correlation scenario generation method for regional integrated energy system integrated renewable energy[J]. Applied Energy, 2020,276: 115395. [百度学术]
基金项目
国家电网有限公司科技项目(SGZJ0000 KXJS2100398)。