陳洪銀，郭 毅，王松岑，芋耀賢，鐘 鳴，賈曉強(qiáng)，劉鎧誠(chéng)，黃 偉

（1.電網(wǎng)安全全國(guó)重點(diǎn)實(shí)驗(yàn)室，北京 100192；2.中國(guó)電力科學(xué)研究院有限公司，北京 100192）

0 引言

隨著社會(huì)經(jīng)濟(jì)的快速進(jìn)步，能源和環(huán)境問題不斷困擾著人類社會(huì)的發(fā)展，化石能源的過度消耗導(dǎo)致能源危機(jī)和環(huán)境污染［1－3］。因此，亟需尋找有效的方法來提高能源利用率，其中一個(gè)重要手段是建立綜合能源系統(tǒng)［4－6］。冷熱電聯(lián)供系統(tǒng)是一種典型的綜合供能系統(tǒng)，它以能源梯級(jí)利用為原理，可以同時(shí)滿足用戶側(cè)的冷熱電需求，相較于傳統(tǒng)的分供系統(tǒng)，冷熱電聯(lián)供系統(tǒng)被認(rèn)為是解決能源需求、供應(yīng)安全和環(huán)境問題的一種有效方案［7－8］?？梢?，冷熱電聯(lián)供系統(tǒng)符合當(dāng)前能源、環(huán)境協(xié)調(diào)發(fā)展的總趨勢(shì)，受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，研究不斷深化［9－10］。

目前，學(xué)界針對(duì)冷熱電聯(lián)供系統(tǒng)的優(yōu)化問題進(jìn)行了廣泛研究。例如，文獻(xiàn)［11］建立了綜合能源優(yōu)化模型，利用了改進(jìn)多目標(biāo)灰狼算法進(jìn)行模型求解，得到了全局最優(yōu)配置，但該方法的迭代次數(shù)過多，效率低下。文獻(xiàn)［12］將熱泵及電轉(zhuǎn)氣裝置納入綜合能源系統(tǒng)，研究了二者對(duì)于消納風(fēng)電的作用，采用了帕累托多目標(biāo)粒子群算法對(duì)模型進(jìn)行了求解。但該算法易陷入局部最優(yōu)，算法性能不穩(wěn)定。文獻(xiàn)［13］提出了一種冷熱聯(lián)動(dòng)系統(tǒng)，采用多目標(biāo)粒子群算法進(jìn)行三目標(biāo)優(yōu)化，利用階偏好技術(shù)從帕累托前沿選擇最優(yōu)解，但該方法需要事先定義一組偏好權(quán)重，客觀性較差。文獻(xiàn)［14］建立了多目標(biāo)、高緯度、非線性、強(qiáng)耦合的冷熱電聯(lián)供系統(tǒng)模型，提出了改進(jìn)的多目標(biāo)飛蛾撲火算法，得出了不同滲透率下各機(jī)組容量配置，但該算法收斂精度差，易陷入局部最優(yōu)。綜上所述，亟需研究一種新的方法，以實(shí)現(xiàn)綜合能源系統(tǒng)多目標(biāo)優(yōu)化問題的高效求解。

非支配排序遺傳算法因其求解多目標(biāo)問題的優(yōu)勢(shì)，走進(jìn)了廣大研究人員的視野。非支配排序遺傳算法是遺傳算法的一種，與傳統(tǒng)遺傳算法的主要區(qū)別在于：該算法在選擇算子執(zhí)行之前根據(jù)個(gè)體之間的支配關(guān)系進(jìn)行了分層，可以使好的個(gè)體有更大的機(jī)會(huì)遺傳到下一代。但其計(jì)算復(fù)雜度較高，需要人為指定共享半徑，主觀性較強(qiáng)［15］。隨著研究的深入，國(guó)外學(xué)者提出了快速非支配排序法，降低了原始算法的求解難度，但是該算法也有明顯缺陷，例如擁擠距離計(jì)算過程復(fù)雜，算法效率低等。針對(duì)上述缺陷，本文提出了增強(qiáng)的NSGA-Ⅱ多目標(biāo)優(yōu)化算法，引入了支配強(qiáng)度和方差因子，進(jìn)一步增強(qiáng)算法計(jì)算效率。

本文主要研究計(jì)及風(fēng)光儲(chǔ)的冷熱電聯(lián)供系統(tǒng)多目標(biāo)優(yōu)化配置問題。首先，建立考慮風(fēng)光儲(chǔ)的冷熱電聯(lián)供系統(tǒng)多目標(biāo)優(yōu)化配置模型，從經(jīng)濟(jì)、環(huán)保兩個(gè)維度構(gòu)建目標(biāo)函數(shù)。然后，提出增強(qiáng)的NSGA-Ⅱ算法，引入支配強(qiáng)度和方差因子，提高算法的收斂速度和精度。最后，利用本文所提方法對(duì)多目標(biāo)問題進(jìn)行求解，結(jié)合遼西某地正在運(yùn)行的冷熱電聯(lián)供系統(tǒng)，驗(yàn)證本文所提多目標(biāo)優(yōu)化調(diào)度方法的有效性。

1 冷熱電聯(lián)供系統(tǒng)（CCHP）建模

本文所研究的冷熱電聯(lián)供系統(tǒng)考慮了風(fēng)光發(fā)電的影響，主要包括冷、熱、電3種負(fù)荷，該系統(tǒng)主要由風(fēng)力發(fā)電系統(tǒng)、光伏發(fā)電系統(tǒng)、儲(chǔ)能設(shè)備、吸收式制冷機(jī)、電制冷機(jī)、燃?xì)獍l(fā)電機(jī)和燃?xì)忮仩t等設(shè)備組成，冷熱電聯(lián)供系統(tǒng)模型的結(jié)構(gòu)如圖1所示。

圖1 冷熱電聯(lián)供系統(tǒng)模型結(jié)構(gòu)示意圖

1.1 風(fēng)力發(fā)電模型

風(fēng)機(jī)的輸出功率模型如下所示：

式中：PWind為風(fēng)機(jī)的實(shí)際輸出功率為風(fēng)機(jī)的額定功率；vWind為風(fēng)機(jī)輪轂所處位置的風(fēng)速；vin、vout分別為風(fēng)機(jī)的切入風(fēng)速和切出風(fēng)速，當(dāng)風(fēng)機(jī)輪轂所處位置的風(fēng)速小于切出風(fēng)速或大于切出風(fēng)速時(shí)，風(fēng)機(jī)停機(jī)；風(fēng)機(jī)輪轂所處位置的風(fēng)速介于切出風(fēng)速和切出風(fēng)速之間時(shí)，風(fēng)機(jī)的實(shí)際電功率為額定電功率。

1.2 光伏發(fā)電模型

本文建立的光伏發(fā)電模型考慮了光照強(qiáng)度溫度的隨機(jī)性，光伏發(fā)電的輸出功率模型如下所示。

式中：Psolar、P0分別為光伏發(fā)電板的實(shí)際輸出功率和額定功率；SA、S0分別為實(shí)際工作時(shí)的光照強(qiáng)度和標(biāo)準(zhǔn)光照強(qiáng)度；Tc、Tr分別為光伏發(fā)電板的實(shí)際工作溫度和參考溫度；k為溫度功率系數(shù)。

1.3 儲(chǔ)電設(shè)備數(shù)學(xué)模型

本文建立的儲(chǔ)能電池模型考慮了上一時(shí)刻電池的充放電量，蓄電池在充放電的過程中的剩余電量模型如下所示。

式中：EBattery（t）和EBattery（t－1）分別為t時(shí)刻和t－1時(shí)刻的蓄電池剩余電量；Echarge（t）和Edischarge（t）分別為t時(shí)刻的蓄電池的儲(chǔ)電量以及放電量；ηe為儲(chǔ)電蓄電池的自放電率。

1.4 儲(chǔ)熱設(shè)備數(shù)學(xué)模型

式中：EHeat（t）和EHeat（t－1）分別為t時(shí)刻和t－1時(shí)刻的儲(chǔ)熱設(shè)備剩余熱量；Ein，h（t）和Eout，h（t）分別為t時(shí)刻的儲(chǔ)熱設(shè)備的儲(chǔ)熱量以及放熱量；ηh為儲(chǔ)熱設(shè)備的熱能自釋放率。

1.5 儲(chǔ)冷設(shè)備數(shù)學(xué)模型

式中：ECold（t）和ECold（t－1）分別為t時(shí)刻和t－1時(shí)刻的儲(chǔ)冷設(shè)備剩余冷量；Ein，c（t）和Eout，c（t）分別為t時(shí)刻的儲(chǔ)冷設(shè)備的儲(chǔ)冷量以及放冷量；ηc為儲(chǔ)冷設(shè)備的冷能自釋放率。

1.6 吸收式制冷機(jī)模型

式中：QAc為吸收式制冷機(jī)的制冷功率；CAc為吸收式制冷機(jī)的能效比；Q1和Q2分別為燃?xì)獍l(fā)電機(jī)和燃?xì)忮仩t提供的冷功率。

1.7 電制冷機(jī)模型

式中：QEc為電制冷機(jī)的制冷功率；CEc為電制冷機(jī)的能效比；PEc為電制冷機(jī)的電功率。

1.8 燃?xì)獍l(fā)電機(jī)

式中：PGT，e和PGT，h分別為燃?xì)獍l(fā)電機(jī)的發(fā)電功率和產(chǎn)熱功率；ηGT，e和ηGT，h分別為燃?xì)獍l(fā)電機(jī)的發(fā)電效率和產(chǎn)熱效率；PGT，g為燃?xì)獍l(fā)電機(jī)的耗氣功率。

1.9 燃?xì)忮仩t

式中：PGB，h和PGB，g分別為燃?xì)忮仩t的產(chǎn)熱功率和耗氣功率；ηGB，h為燃?xì)忮仩t的產(chǎn)熱效率。

2 約束條件與目標(biāo)函數(shù)

2.1 目標(biāo)函數(shù)

本文目標(biāo)函數(shù)是一個(gè)典型的多目標(biāo)優(yōu)化問題，分別以系統(tǒng)經(jīng)濟(jì)性最大和環(huán)境成本最小為目標(biāo)，構(gòu)建綜合能源系統(tǒng)多目標(biāo)優(yōu)化模型。

目標(biāo)函數(shù)1：系統(tǒng)經(jīng)濟(jì)性最大

系統(tǒng)的經(jīng)濟(jì)成本Ccost主要包括：購(gòu)電成本CE、購(gòu)氣成本CG和運(yùn)行設(shè)備的維護(hù)成本Cope。

式中：Ce（t）和Pe（t）分別為t時(shí)刻的購(gòu)電單價(jià)和購(gòu)電量；Cg（t）和Pg（t）分別為t時(shí)刻的購(gòu)氣單價(jià)和購(gòu)氣量；Pi和Cope，i分別為一個(gè)周期內(nèi)設(shè)備i的設(shè)備的總出力和運(yùn)行維護(hù)成本。

目標(biāo)函數(shù)2：環(huán)境成本最小

系統(tǒng)在運(yùn)行過程中，燃?xì)忮仩t和燃?xì)獍l(fā)電機(jī)消耗天然氣會(huì)產(chǎn)生二氧化碳，因此該系統(tǒng)的環(huán)境成本為排放二氧化碳所需要的懲罰成本。

式中：WCO2為排放二氧化碳所需要的懲罰成本；δe和δg分別為購(gòu)電產(chǎn)生的二氧化碳率和消耗天然氣所產(chǎn)生的二氧化碳率。

綜上所述，該系統(tǒng)的整體優(yōu)化函數(shù)CΣ為：

2.2 各種約束條件

本文考慮風(fēng)光儲(chǔ)的冷熱電聯(lián)供系統(tǒng)的功率平衡約束條件為：

式中：Le、Lh、Lc分別為用戶提供的電、熱、冷負(fù)荷；PGrid、PGas分別為購(gòu)電和購(gòu)氣功率。

光伏發(fā)電設(shè)備出力約束條件為：

風(fēng)力發(fā)電設(shè)備出力約束條件為：

吸收式制冷機(jī)出力約束條件為：

電制冷機(jī)出力約束條件為：

燃?xì)獍l(fā)電機(jī)出力約束條件為：

燃?xì)忮仩t出力約束條件為：

3 增強(qiáng)的NSGA-Ⅱ多目標(biāo)優(yōu)化算法

3.1 NSGA-Ⅱ算法

2002年，Deb等提出了NSGA-Ⅱ算法，該算法一經(jīng)面世就得到了學(xué)界的廣泛關(guān)注。該算法在原始NSGA算法的基礎(chǔ)上引入了非支配排序法、精英策略和擁擠度排序，很好地改善了原始算法的缺陷，極大地減少了計(jì)算量，提高了計(jì)算效率。NSGA-Ⅱ算法的計(jì)算步驟為：

步驟1在多目標(biāo)優(yōu)化問題的決策變量空間內(nèi)隨機(jī)生成NP數(shù)量的個(gè)體，構(gòu)成初始種群Pt；

步驟2計(jì)算Pt中每個(gè)個(gè)體在多目標(biāo)上的適應(yīng)度函數(shù)值；

步驟3對(duì)種群Pt進(jìn)行非支配排序和擁擠度排序。

步驟4對(duì)種群Pt進(jìn)行二元錦標(biāo)賽選擇、變異、標(biāo)準(zhǔn)DE算法中的交叉操作生成子代種群Ct。

步驟5合并父代種群Pt和子代種群Ct形成種群Rt，對(duì)其進(jìn)行快速非支配排序和馬氏擁擠密度估計(jì)；

步驟6利用精英選擇策略對(duì)種群Rt進(jìn)行剪切形成新父代種群Pt＋1；

步驟7如果算法進(jìn)化迭代次數(shù)t達(dá)到預(yù)定最大迭代次數(shù)，終止算法，輸出非支配解；否則，跳到步驟2。

3.2 增強(qiáng)的NSGA-Ⅱ算法

NSGA-Ⅱ算法雖然得到了廣泛應(yīng)用，但其通過計(jì)算聚集距離來維持種群分布的方法在高維空間中并不適用，其計(jì)算復(fù)雜度較高，空間搜索能力較差，算法運(yùn)行過程中易陷入局部最優(yōu)［16－17］。為解決上述問題，提高算法性能，本節(jié)對(duì)傳統(tǒng)NSGA-Ⅱ進(jìn)行如下增強(qiáng)。

1）強(qiáng)度快速排序法

針對(duì)步驟3中傳統(tǒng)非支配排序法會(huì)產(chǎn)生較多偽非支配解，進(jìn)而影響解集質(zhì)量的問題，通過引入支配強(qiáng)度λ，提升個(gè)體優(yōu)化效果，提高種群優(yōu)秀個(gè)體留存概率，有效地降低偽非支配解個(gè)數(shù)。支配強(qiáng)度λ計(jì)算公式如下：

式中：λ為支配強(qiáng)度；N為目標(biāo)總數(shù)；和為第i個(gè)目標(biāo)的最大值和最小值。λ值的大小與個(gè)體優(yōu)化效果成反比。本步驟以λ值最小為目標(biāo)，對(duì)非支配排序解集進(jìn)行選擇優(yōu)化。

2）方差擁擠度計(jì)算

針對(duì)步驟3中傳統(tǒng)擁擠度計(jì)算方法，只考慮相鄰個(gè)體距離間距，群體遺傳概率低，解分布不均勻的問題，通過引入方差因子d來優(yōu)化解的分布，提高遺傳概率。方差擁擠度計(jì)算公式如下。

式中：D為擁擠度；fji為排序后第j個(gè)體第i子目標(biāo)的函數(shù)值。增強(qiáng)后NSGA-Ⅱ算法的流程如圖2所示。

圖2 冷熱電聯(lián)供系統(tǒng)模型算法流程

3.3 算法性能驗(yàn)證

為驗(yàn)證本文所提算法性能，利用本文所提算法、傳統(tǒng)NSGA-Ⅱ算法和MOEAD算法，分別求解MOP測(cè)試函數(shù)。仿真環(huán)境為Matlab 2 020a，求解過程均在搭載了AMD-4800H芯片，雙通道內(nèi)存16 GB 3 200 MHz的電腦上進(jìn)行。3種算法參數(shù)均相同，初始種群為300，迭代次數(shù)500，交叉率80%，變異率10%，聚類數(shù)10。仿真計(jì)算結(jié)果如圖3所示。

圖3 MOP標(biāo)準(zhǔn)測(cè)試函數(shù)仿真計(jì)算結(jié)果

由圖3可知，上述3種多目標(biāo)問題求解方法均得到了較好的Pareto前沿，但仔細(xì)對(duì)比可以發(fā)現(xiàn)：本文所提增強(qiáng)方法比另外2種方法更接近MOP測(cè)試函數(shù)的Pareto最優(yōu)解集。以上為定性地對(duì)3種算法的性能進(jìn)行比較，為了更加科學(xué)嚴(yán)謹(jǐn)，下面進(jìn)行定量分析。

采用的評(píng)價(jià)指標(biāo)有均值指標(biāo)、標(biāo)準(zhǔn)差指標(biāo)、IGD均值指標(biāo)和Spacing指標(biāo)。其中均值為各個(gè)解與對(duì)應(yīng)最優(yōu)解距離的平均，反映了算法的準(zhǔn)確性，指標(biāo)越小算法準(zhǔn)確率越高。標(biāo)準(zhǔn)差為各個(gè)解到對(duì)應(yīng)最優(yōu)解距離與均值離差平方的算術(shù)平均數(shù)的平方根，反映了算法性能的穩(wěn)定性，指標(biāo)與穩(wěn)定性成反比。

IGD均值指標(biāo)是每個(gè)解到其最近參考點(diǎn)距離的平均值，其主要反映算法的收斂性和解的多樣性。指標(biāo)越小說明算法的收斂性越好，所得到的解越豐富。其計(jì)算公式為：

式中：P為算法所得的Pareto解集；P*為多目標(biāo)問題最優(yōu)解集；mind（·）為平均值計(jì)算符號(hào)。

Spacing評(píng)價(jià)指標(biāo)反映了算法解集的分布性，指標(biāo)大小與解集的均勻度成反比，其物理意義為每個(gè)解到其余解最小距離的方差，計(jì)算公式如下。

式中：為di的平均值；di為第i個(gè)解到其余解的最短距離。分別對(duì)上述3種方法的性能評(píng)價(jià)指標(biāo)進(jìn)行計(jì)算，計(jì)算結(jié)果如表1所示。

表1 算法性能評(píng)價(jià)指標(biāo)計(jì)算結(jié)果

通過表1可知，在上述4種測(cè)試函數(shù)所代表的多目標(biāo)優(yōu)化問題中，本文所提方法的評(píng)價(jià)指標(biāo)均好于傳統(tǒng)的NSGA-Ⅱ算法和MOEAD算法，平均值指標(biāo)與其他2種算法相比提高了42%和29%，驗(yàn)證了本文所提算法的準(zhǔn)確性；標(biāo)準(zhǔn)差指標(biāo)比另外2種算法分別小0.012和0.000 9，說明本文所提算法性能更穩(wěn)定；IGD指標(biāo)和Spacing指標(biāo)與另外2種算法相比均大約提高了40個(gè)百分點(diǎn)，說明本文算法所得解集的多樣性和均勻性均優(yōu)于傳統(tǒng)NSGA-Ⅱ算法和MOEAD算法。綜上所述，可知本文所提的增強(qiáng)NSGA-Ⅱ算法可對(duì)多目標(biāo)優(yōu)化問題進(jìn)行有效求解。

4 仿真算例分析

為了驗(yàn)證本文所提算法在求解冷熱電聯(lián)供系統(tǒng)多目標(biāo)優(yōu)化問題中的有效性，以遼西某地正在運(yùn)行的冷熱電聯(lián)供系統(tǒng)為例，進(jìn)行仿真分析。該算例負(fù)荷包括白酒生產(chǎn)廠，因行業(yè)的特殊性，該負(fù)荷呈現(xiàn)過渡季電負(fù)荷高于夏冬兩季的情況。本例以1 h為周期對(duì)冷熱電聯(lián)供系統(tǒng)進(jìn)行優(yōu)化調(diào)度。冷熱電聯(lián)供系統(tǒng)具體運(yùn)行參數(shù)見文獻(xiàn)［18－20］。算法參數(shù)設(shè)置如下：初始種群設(shè)為500，迭代次數(shù)1 000，交叉率85%，變異率15%，聚類數(shù)10。

4.1 夏季典型場(chǎng)景

夏季冷熱電負(fù)荷情況、風(fēng)光功率預(yù)測(cè)和分時(shí)電價(jià)、氣價(jià)如圖4所示。

圖4 夏季典型場(chǎng)景預(yù)測(cè)曲線

由圖4可知，22∶00—5∶00時(shí)是電價(jià)低谷時(shí)段，6∶00—7∶00時(shí)和11∶00—17∶00時(shí)是電價(jià)平時(shí)段，8∶00—10∶00時(shí)是電價(jià)高峰時(shí)段，其余時(shí)刻是電價(jià)尖峰時(shí)刻。而國(guó)內(nèi)天然氣價(jià)格未實(shí)行峰谷平氣價(jià)，全天天然氣價(jià)格保持穩(wěn)定。優(yōu)化的目的是增強(qiáng)風(fēng)光等綠色能源的消納，減少外部購(gòu)電購(gòu)氣，減少碳排放，以期實(shí)現(xiàn)園區(qū)零排放。使用本文所提算法對(duì)夏季典型場(chǎng)景進(jìn)行優(yōu)化求解，其結(jié)果如圖5所示。

圖5 夏季典型場(chǎng)景優(yōu)化結(jié)果

由圖5可以看出，優(yōu)化后與優(yōu)化前相比，風(fēng)電光伏出力明顯增加，棄風(fēng)、棄光現(xiàn)象減少，對(duì)外購(gòu)電量減少，系統(tǒng)經(jīng)濟(jì)性提高，具體變化值如表2所示。

表2 系統(tǒng)優(yōu)化前后關(guān)鍵指標(biāo)（夏季）

由表2可以看出，優(yōu)化后系統(tǒng)經(jīng)濟(jì)性提高了近6.5個(gè)百分點(diǎn)。棄風(fēng)、棄光率降低了25%，全天減少碳排放202.04 kg。

4.2 冬季典型場(chǎng)景

冬季冷熱電負(fù)荷情況、風(fēng)光功率預(yù)測(cè)和分時(shí)電價(jià)、氣價(jià)如圖6所示。

圖6 冬季典型場(chǎng)景預(yù)測(cè)曲線

對(duì)比圖4和圖6可知，冬夏電價(jià)、氣價(jià)相同，但風(fēng)光功率預(yù)測(cè)曲線不同。冬季風(fēng)光預(yù)測(cè)出力小于夏季，電負(fù)荷趨勢(shì)類似，但數(shù)值不同，無冷負(fù)荷，熱負(fù)荷趨勢(shì)呈現(xiàn)傍晚最大，上午最小的趨勢(shì)。這與園區(qū)用戶的生活習(xí)慣相關(guān)，熱負(fù)荷巔峰在18時(shí)。冬季典型場(chǎng)景冷熱電聯(lián)產(chǎn)系統(tǒng)能源優(yōu)化調(diào)度結(jié)果如圖7所示。

圖7 冬季典型場(chǎng)景優(yōu)化調(diào)度結(jié)果

由圖7可以看出，進(jìn)行優(yōu)化調(diào)度后，系統(tǒng)對(duì)外購(gòu)電明顯減少，棄風(fēng)棄光現(xiàn)象減少，與夏季優(yōu)化結(jié)果相比，購(gòu)氣量明顯增加。這是因?yàn)槿藗儗?duì)熱負(fù)荷的需求主要來源于燃?xì)忮仩t。優(yōu)化后系統(tǒng)具體經(jīng)濟(jì)和碳排放情況如表3所示。

表3 系統(tǒng)優(yōu)化前后關(guān)鍵指標(biāo)（冬季）

由表3可以看出，優(yōu)化后系統(tǒng)經(jīng)濟(jì)性明顯提升，日節(jié)約購(gòu)電購(gòu)氣費(fèi)用337.216元，棄風(fēng)量降低25個(gè)百分點(diǎn)，棄光量降低23個(gè)百分點(diǎn)，日減少碳排放180.83 kg。綜上所述，進(jìn)一步驗(yàn)證了本文所提優(yōu)化調(diào)度模型和求解方法的有效性。

4.3 儲(chǔ)能裝置對(duì)系統(tǒng)的影響

為了進(jìn)一步探究?jī)?chǔ)能系統(tǒng)對(duì)提高系統(tǒng)經(jīng)濟(jì)性和環(huán)保性的影響，本節(jié)分別對(duì)比過渡季無儲(chǔ)能系統(tǒng)、僅有冷儲(chǔ)、僅有熱儲(chǔ)、僅有電儲(chǔ)和有冷熱電儲(chǔ)5種情況下系統(tǒng)最終的優(yōu)化調(diào)度結(jié)果，過渡季系統(tǒng)對(duì)應(yīng)負(fù)荷的基本情況如圖8所示。本例中儲(chǔ)能系統(tǒng)的充放電策略是每日兩充兩放。最終5種情況的優(yōu)化調(diào)度結(jié)果如圖9所示。

圖8 過渡季典型場(chǎng)景預(yù)測(cè)曲線

圖9 不同儲(chǔ)能配置優(yōu)化效果

由圖9可以看出，儲(chǔ)能種類和儲(chǔ)能容量與系統(tǒng)對(duì)外購(gòu)電購(gòu)氣量成反比，也就是說儲(chǔ)能系統(tǒng)的加入極大地提高了系統(tǒng)的經(jīng)濟(jì)性。但風(fēng)光消納率并沒有因?yàn)閮?chǔ)能系統(tǒng)的增加而發(fā)生變化。這是因?yàn)楸鞠到y(tǒng)配置的風(fēng)光資源較少，經(jīng)過調(diào)度優(yōu)化后，系統(tǒng)負(fù)荷已經(jīng)可以對(duì)其進(jìn)行有效消納，隨著風(fēng)光資源配置的增加，儲(chǔ)能系統(tǒng)提高風(fēng)光資源消納的效果也將顯現(xiàn)。儲(chǔ)能對(duì)系統(tǒng)經(jīng)濟(jì)性的影響如表4所示。

表4 儲(chǔ)能對(duì)經(jīng)濟(jì)的影響元

從表4可知，在進(jìn)行優(yōu)化調(diào)度后，5種情況中冷熱電儲(chǔ)的經(jīng)濟(jì)性最好，其次是電儲(chǔ)和冷儲(chǔ)，熱儲(chǔ)和無儲(chǔ)的經(jīng)濟(jì)性相同，熱儲(chǔ)并沒有表現(xiàn)出明顯優(yōu)勢(shì)。這是因?yàn)闊崮苤饕揽刻烊粴?，而?guó)內(nèi)天然氣價(jià)格恒定，所以熱儲(chǔ)沒有表現(xiàn)出能量轉(zhuǎn)移和經(jīng)濟(jì)套利的優(yōu)勢(shì)，但當(dāng)風(fēng)光裝機(jī)進(jìn)一步增加，熱儲(chǔ)將助力風(fēng)光消納，增加新能源利用率，提高系統(tǒng)經(jīng)濟(jì)性。冷儲(chǔ)與電儲(chǔ)在相同容量的情況下，冷儲(chǔ)成本高于電儲(chǔ)，是由于儲(chǔ)冷主要來源于吸收式制冷設(shè)備和電制冷設(shè)備，過程存在熱—冷和電—冷的能量轉(zhuǎn)化。冷熱電儲(chǔ)的系統(tǒng)運(yùn)行成本低于電儲(chǔ)，是由于算例中冷熱電儲(chǔ)的配置容量增多，成本下降。綜上所述，可知本文所提冷熱電聯(lián)產(chǎn)優(yōu)化調(diào)度模型與增強(qiáng)的NSGA-Ⅱ算法，可以有效對(duì)系統(tǒng)進(jìn)行優(yōu)化調(diào)度，提高系統(tǒng)經(jīng)濟(jì)性，實(shí)現(xiàn)節(jié)能減排。儲(chǔ)能系統(tǒng)可進(jìn)一步提高系統(tǒng)經(jīng)濟(jì)性，并增加新能源消納率。增加儲(chǔ)能系統(tǒng)容量和風(fēng)光裝機(jī)容量，并實(shí)行優(yōu)化調(diào)度，可進(jìn)一步減少冷熱電聯(lián)產(chǎn)系統(tǒng)的碳排放，使零碳園區(qū)的設(shè)想成為可能。

5 結(jié)論

1）構(gòu)造了包含風(fēng)光儲(chǔ)的冷熱電聯(lián)供系統(tǒng)優(yōu)化調(diào)度模型，通過多能流耦合互濟(jì)的方式實(shí)現(xiàn)了節(jié)能減碳。

2）提出了增強(qiáng)的NSGA-Ⅱ算法，引入了支配強(qiáng)度和方差因子，與傳統(tǒng)NSGA-Ⅱ算法和MOEAD算法相比，本文算法具有更好的收斂效果和準(zhǔn)確性，解集的多樣性和均勻性也優(yōu)于傳統(tǒng)算法。

3）利用本文所提算法對(duì)遼西某地正在運(yùn)行的冷熱電聯(lián)供系統(tǒng)進(jìn)行優(yōu)化。在夏季典型場(chǎng)景和冬季典型場(chǎng)景下，優(yōu)化后的經(jīng)濟(jì)成本、棄風(fēng)棄光率以及CO2排放量均有明顯下降；另外，相比于無儲(chǔ)能，在考慮冷熱電儲(chǔ)的情況下，進(jìn)一步降低了園區(qū)的經(jīng)濟(jì)成本，實(shí)現(xiàn)節(jié)能減排，減少了冷熱電聯(lián)供系統(tǒng)的碳排放，理論平均年節(jié)約標(biāo)準(zhǔn)煤137 t，實(shí)現(xiàn)年經(jīng)濟(jì)節(jié)約13萬元。

4）本文所建立的模型還存在一定的局限性，例如對(duì)于系統(tǒng)中的設(shè)備，僅考慮單一機(jī)組容量，未考慮機(jī)組啟停成本，未計(jì)及設(shè)備折舊和凈現(xiàn)值，燃?xì)鈨r(jià)格未隨時(shí)間波動(dòng)，后續(xù)將進(jìn)一步展開研究。