基于新能源需求响应的RIES多能源云储能规划.pdf

中国新技术新产品2024 NO.4（下）-19-高 新 技 术传统的能源管理模式已难以适应日益多样的能源环境，不能满足不断增长的能源需求。多能源云储存作为一种新兴能源管理方式，利用云计算和大数据技术整合多种能源形式，能够灵活、高效地存储并调度能源。基于新能源需求响应的规划在用户需求的基础上利用智能化的决策模型合理分配和利用能源。可再生能源集成系统（Renewable Integrated Energy System，RISE）多能源云储能规划旨在采用先进的技术构建高效的能源管理系统，将新能源应用于生活中。1 多能源云储能模式基本架构1.1 云储能模式下2个主体交互模型多能源云储能模式的基本架构是一个复杂的系统，其中，云储能模式的 2 个主体交互模型起到了重要作用，可以高效储存和调度能源。这2个主体分别为新能源出力预测模型和用户侧实施的价格型需求响应（Demand Response，DR）模型。新能源出力预测模型是长短时记忆网络与贝叶斯神经网络（Bayesian Neural Network with Long Short-Term Memory，LSTM-BNN）的结合。LSTM-BNN 的优点是能够捕捉时间序列数据中的长期依赖关系，并通过贝叶斯方法对不确定性进行建模1。深度学习与概率推断结合使新能源出力的预测更准确、可靠。该模型学习历史新能源出力数据并预测了未来一段时间内的新能源产量，为云储能系统提供基础信息。用户侧实施价格型需求响应是云储能模式中另一个重要的交互模型。该模型在用户侧引入价格信号，当用户对电能需求较大时，根据价格信号适当转移负荷，需求响应灵活。用户可以根据当前电价和自身实际用能需求灵活调整电器使用时间，将负荷分摊至价格较低的时间段，从而在不增加整体成本的情况下高效利用能源。当实施价格型需求响应时，在云储能系统的支持下，用户可以获得详细的电价信息以及预测的新能源产量数据，这些信息给用户提供参考，帮助其做出决策，既可以满足个体用能需求，又可以保证能源系统平稳运行。用户侧的充放能决策行为模型衡量了价格信号、新能源预测和用户需求，进而形成最佳充放能策略，多能源云储能基本架构如图 1 所示。1.2 多能源云储能的能源集线器结构1.2.1 能源源头能源源头为各种不同类型的能源供给点，包括太阳能光伏、风能、水力能以及生物能等。每种能源源头都有其独特的特点和产能，能源集线器需要从这些源头采集能源数据，并进行有效整合。1.2.2 能源转换设施这类设施转换、储存并处理不同类型的能源，以便更好地适应储能要求2。例如，太阳能利用光伏发电系统转换为电能，风能利用风力发电机转换为电能。1.2.3 储能装置储能装置是能源集线器中的核心组成部分，其作用是存储和调度能源。装置有电池储能、水泵储能和压缩空气储能等多种形式，在能源供给和需求之间取得平衡。根据不同能源的特性和需求，能源集线器选择合适的储能装置，并利用智能控制对能源进行合理储存和分配。1.2.4 能源输送网络能源输送网络是将储存的能源从集线器输送至用户端的关键通道，包括电力线路、管道以及输电塔等设施，将储存的能源有效传输至各用户端，满足不同用户的能源需求。基于新能源需求响应的RIES多能源云储能规划周楚坤（东北电力大学，吉林 吉林 132000）摘 要：本文研究利用基于新能源需求响应的可再生能源集成系统（Renewable Integrated Energy System，RISE）多能源云储能规划，以提高能源系统的效能。构建了多能源云储能模式的基本架构，包括在云储能模式中2个主体交互模型和考虑多能源云储能的能源集线器结构。在此基础上，设计用户侧充放能优化决策模型并提出相应的求解算法，以优化用户侧充放能。研究发现，在实际应用中，采用这种基于新能源需求响应的多能源云储能规划能够减少能源浪费，提高能源利用率，同时满足用户需求。该研究对推动清洁能源的可持续发展、提高能源系统的智能化水平具有重要意义。关键词：多能源云储能模式；新能源出力预测模型；充放能决策约束条件中图分类号：TM73文献标志码：A图 1 多能源云储能基本架构能源 网络实体储能新能源机组云储能提供商储能需求负荷云端中国新技术新产品2024 NO.4（下）-20-高 新 技 术2 多能源云储能模式下用户侧充放能优化决策模型2.1 用户侧新能源出力预测模型LSTM 是一种适用于处理时序数据的循环神经网络（Recurrent Neural Network，RNN）的变种。在新能源预测中，由于新能源的产量通常有明显的季节性和周期性变化，因此时间序列数据十分重要。LSTM 利用记忆单元和门控机制捕捉时间序列中的长期依赖，从而提高模型对未来新能源出力预测的准确性。在本文研究中，相关工作人员在LSTM 的基础上，在新能源出力预测模型中引入概率推断方法，其中，BNN 发挥了重要作用，利用权重的不确定性，模型能够更合理地预测未知数据。在新能源预测中，受天气等因素影响，新能源产量的不确定性通常较高。引入 BNN，预测模型能够在预测结果中进行不确定性估计。基于 LSTM-BNN 的新能源出力概率分布预测步骤如图 2 所示。新能源出力预测模型的建模过程分为以下几个步骤。2.1.1 数据采集与准备收集历史新能源产量的时序数据，包括天气条件、季节性变化等，这些数据用于训练和验证预测模型3。在本文研究中，设计 T 个时刻，M 个气象因素，xmt为在 t 时刻 m 类气象因素，设光伏出力为 yt，Cxmy 为 m 类气象因素与光伏出力之间的直接相关系数，计算过程如公式（1）所示。()()11/mTTmxymmttttCbxxyy=（1）式中：bm为偏回归系数；T 为总时间；t 为特定时间；Xm为m 类气象因素的平均值；y 为待预测的能源产量均值；yt为特定时间 t 的预测能源产量，设 Cxm xk y为第 m 类气象因素经过第 k 类气象因素后，光伏出力间接关系系数，其计算过程如公式（2）所示、公式（3）所示。Cxm xk y=rxmxkCxk y （2）()()()()12211mkTmkmtkttxxTTmmttttxxxxrxxyy=（3）式中：rxmxk为该模型对于特定时间段或观测值中某个特征与模型输入中的某个特征之间的关系或映射。xkt为在特定时间 t 经过第 k 类气象因素后的参数；xk为第 k 类气象因素平均值。2.1.2 LSTM 模型设计建立 LSTM 结构的深度学习模型，需要根据具体问题调整LSTM 网络的层数和神经元数量，对时序数据进行有效建模。2.1.3 引入 BNN将 BNN 引入 LSTM 结构中，在神经网络的权重中引入概率分布进行建模，可以更好地反映模型对未知数据的不确定性。本研究将 BNN 概率层参数设为 W，混合比例高斯分布如公式（4）所示。p WN wN wjjjNw?,0100120221 （4）式中：p（W）为 BNN 概率层参数设为 W 的比例混合高斯分布函数；j 为参数项；N 为 BNN 概率层数量；wj为 BNN 概率层第 j 项参数；Nw为参数的数量；为混合比例；N（wj，0，201）为当方差为 201时，wj的概率密度。2.1.4 模型训练与验证使用历史数据训练模型，并利用验证集验证模型。在训练过程中，BNN 的贝叶斯推断方法适用于估计权重的不确定性。2.1.5 预测输出经过训练的模型可以预测未来新能源产量，预测结果不仅包括点估计，还提供了产量的概率分布，使用户能够更好地理解预测的不确定性。2.2 用户侧 DR 模型构建用户侧 DR 模型，旨在通过实施价格型 DR 和激励型 DR，优化能源供需平衡，提高能源利用效率。价格型 DR利用电价变化信号，用户能够主动调整用能行为，因此负荷曲线平滑。实施价格型 DR 的具体措施包括监测电价信号、分析负荷弹性、计算最佳负荷分配和激励用户行为。利用智能电表或能源管理系统获取实时电价数据，并结合历史用电数据进行分析，建立负荷-电价弹性模型，根据用户的电能需求、电价变化和系统稳定等因素，使用优化算法计算最佳负荷分配方案。采取奖励措施等方式，鼓励用户参与价格型DR4。激励型DR采取激励补偿的调整策略来响应能源供应。激励型 DR 的奖励措施包括设定激励机制、推送激励信号、监测用户行为和激励评估与调整。确定激励机制并将其与用户的用能行为进行关联，通过短信、App 通知或智能家居设备向用户推送激励信号。采用 DR 进行负荷转移后，其模型如公式（5）、公式（6）所示。PL=P0+P （5）图 2 基于 LSTM-BNN 的新能源出力概率分布预测步骤输入特征LSTMLSTMLSTM长短期记忆神经网络贝叶斯神经网络输入特征历史特征向量新能源出力采样值输入特征中国新技术新产品2024 NO.4（下）-21-高 新 技 术111212122212TTTTTTeeeeeeEeee=E （6）式中：PL为采用 DR 后的负荷矩阵；P0为采用 DR 前的负荷矩阵；P 为采用 DR 的负荷转移矩阵；E 为多时段弹性系数矩阵；e11为第一行第一列参数；eT1为第 T 行第一列参数。2.3 用户侧充放能决策目标函数用户侧充放能决策目标函数考虑了能源的购买、储存和释放成本以及与能源市场交易有统计学意义的利润。该目标函数可以基于实时电价信息来制定最佳充放能策略，使能源成本最小化，经济效益最大化。该目标函数考虑了能源的购买、维护成本以及储存设备的操作步骤等因素，以减少能源系统的费用支出。该目标函数结合电价预测、能源需求预测和储能系统效率等信息来确定最佳的充放能策略，最大程度地提高能源使用效率。该函数以能源利用效果最佳为目标，减少不必要的能源浪费。该目标函数考虑了能源的供应与需求之间的匹配度，优化能源储存和释放策略，提高系统的能源利用效率。该目标函数考虑了可再生能源的利用程度和能源存储系统的规模和效能，以减少对传统能源的依赖。根据用户的特定需求和约束，结合市场运行实际情况和能源系统的性能参数定制目标函数。利用数学方法，例如线性规划、非线性规划以及动态规划等，精确计算充放能决策策略的最优解，以满足其设定的目标函数需求。在本文研究中，设云储能提供商优化决策目标为 C2，计算过程如公式（7）、公式（8）所示。C2=kpaCinv+Cpoe+Cfix （7）()()()()()(),G,inv11,H,G,hgee Eh Hettsts ts ts tSThgstee Eeettts ts ts tdPPPCPPP=+=+（8）式中：kpa为功率适应系数，即系统在不同功率需求下的适应程度；cpoe为充电偏差成本，即实际充电量与计划充电量之间的差异；Cfix为固定运行成本，即系统在不考虑充放能量成本的情况下的基本运行费用；Cinv为云储存提供商的投入成本；Pe，E s，t为云储能提供商在电网中的实际功率；Ph，H s，t为云储能提供商在热网中获得的实际功率；Pe，G s，t为云储能提供商在气网中获得的实际功率；te为电力用户与电网之间购买单位功率能量价格；th为电力用户与热网之间购买单位功率能量价格；tg为电力用户与气网之间购买单位功率能量价格；te为电力用户与电网之间反送单位功率能量价格；th为电力用户与热网之间反送单位功率能量价格；tg为电力用户与气网之间反送单位功率能量价格；为热网换算单位功率的热值系数；为气网换算单位功率的热值系数；S 为成本最小化参数。2.4 用户侧充放能决策约束条件以及算法求解本文采用拉格朗日乘子法，通过将约束条件引入目标函数，从而将原问题转化为无约束问题5。2.4.1 定义目标函数假设用户侧充放能决策问题的目标函数为 J（x），其中（x）为决策变量。将约束条件 gi（x）引入目标函数，使用拉格朗日乘子 i来建立新的拉格朗日函数如公式（9）所示。L xJ xgxiini,?1 （9）2.4.2 求解梯度为零的点求拉格朗日函数的偏导数，令导数为 0，解得目标函数的临界点，计算过程如公式（10）所示。0,0jiLLx=（10）2.4.3 更新拉格朗日乘子根据拉格朗日乘子更新策略，迭代调整乘子 直至收敛。更新规则如公式（11）所示。i（k+1）=i（k）+（gi（x（k）（11）式中：为学习率；k 为迭代步数。i（k）为第 k 次迭代中，与第 i 个约束相关联的拉格朗日乘子的值；gi为优化问题的第i 个约束条件；x（k）为第 k 次迭代中的优化问题的决策变量；i（k+1）为第 k+1 次迭代中，与第 i 个约束条件相关联的拉格朗日乘子的值。2.4.4 检查最优解在迭代过程中，检查目标函数是否收敛至最佳值以及拉格朗日乘子是否满足最佳条件。3 结语在推动新能源需求响应的过程中，RIES 多能源云储能规划引领了智能化、前瞻性的能源管理潮流。利用新能源的独特优势和需求进行技术融合，对能源进行高效调度和智能化管理。该规划为用户提供了更灵活、更可持续的能源解决方案，引领能源管理进入新阶段。利用先进的云计算技术，该规划对能源进行集中式、智能化管理，不仅保证能源系统的经济性、安全性和环境友好性，还为新能源需求的不断增长和完善多样化需求响应机制提供支持。参考文献1 孙帆，王维庆，南东亮，等.配电网-区域综合能源系统的合作博弈模型 J.安徽大学学报（自然科学版），2023，47（5）：44-50.2 李玲，曹锦业，NIKITA T，等.计及电动汽车接入的区域综合能源系统双层日前协调优化调度 J.电力建设，2023，44（5）：23-33.3 程杉，陈诺，徐建宇，等.考虑综合需求响应的楼宇综合能源系统能量管理优化 J.电力工程技术，2023，42（2）：40-47，57.4 刘英培，黄寅峰.考虑碳排权供求关系的多区域综合能源系统联合优化运行J.电工技术学报，2023，38（13）：3459-3472.5 陈红坤，王雪纯，陈磊.考虑灵活性供给约束的区域综合能源系统节点边际能价分解分析 J.电工技术学报，2023，38（13）：3576-3589.