共享储能下的冷热电多微网双层优化配置实践

做综合能源优化配置这几年储能、微网、多能互补这些词堆在一起的项目我接触了不少但真正让我觉得值得拿出来聊的反而是标题里这个看起来有点绕的“冷热电多微网系统”。因为大多数微网项目做到最后问题都出在同一个地方储能电站到底是给谁用的如果只是给某一个微网内部削峰填谷那它就是个电池仓库但如果让储能电站站在多个微网的公共节点上去服务整个多微网群的冷、热、电三种能量流转那整个问题的复杂度和价值就完全不一样了。这个项目我理解的核心不是“多微网”这个表面概念而是把储能电站当作一个共享服务资源去支撑多个微网之间的冷热电协同。它解决的是单微网各自为政导致的设备重复投资、储能利用率低、冷热出力不匹配这些实际工程问题。适合谁看适合正在做综合能源系统规划、微电网优化配置、储能容量设计的研究生和工程师也适合那些拿到园区多微网项目但不知道怎么下手做配置方案的从业者。这篇文章我不讲教科书理论就按我自己做这类双层优化配置项目的实际思路一步步拆给你看。1. 项目到底在解决什么问题1.1 多微网的“多”不是简单叠加而是互济以前做单微网配置思路很简单给一个园区配光伏、配储能、配燃气轮机满足自己的冷热电负荷就行。但实际园区很少只有一个微网。常见的情况是一个工业园区里面有多个厂区或者一个综合能源服务区域里存在好几个相对独立的微网它们各自的负荷曲线、用能特性、峰谷时段都是错开的。比如A厂区以办公和白天生产为主电负荷高峰在上午9点到下午5点B厂区是连续工艺负荷夜间依然有一个很高的用电平台。如果各自配储能A微网白天高峰需要2MW储能支撑晚上闲着B微网夜间需要1.5MW支撑白天闲着。分开配置就是3.5MW总容量但如果建一个共享的储能电站放在公共母线上两个微网错峰共用2.5MW左右就能覆盖投资直接省下一大截。这就是多微网“互济”的核心价值。储能电站作为共享资源在多个微网之间动态调配能量谁缺给谁谁余就存。这个逻辑听起来简单但落到建模上就不是每个微网单独优化再相加而是必须把多个微网的运行耦合在一起考虑否则“共享”就只是名义上的共享实际还是各自为政。1.2 冷、热、电三条能量链路的耦合关系这个项目比普通电储能微网更复杂的地方在“冷热电”三个字。很多人一看就觉得无非是多加两个平衡方程嘛电平衡、热平衡、冷平衡各写一条就行。真做起来才发现这三条链路根本不是独立的它们通过设备强耦合在一起。最典型的耦合就是冷负荷。同样是一度冷量你可以用电驱动制冷机组来制取也可以利用微型燃气轮机发电后的余热去驱动吸收式制冷机来制取。前者消耗的是电力后者消耗的是燃气轮机排烟余热。这就导致了一个很有意思的博弈在电力紧张的峰段储能放电可以带动电制冷但电制冷本身消耗电量如果这时燃气轮机有余热用吸收式制冷反而更划算因为它不占用电负荷。热负荷也一样燃气轮机余热回收可以供热不够了再用燃气锅炉补燃余热怎么分配、有没有优先保障热负荷直接决定了系统运行的效率。说白了冷热电多微网的核心不是三个方程而是一个“能源路由器”逻辑同一种能源需求存在多种供给路径每一条路径的成本和约束都不一样。储能电站在这个系统里不光是存电它还间接影响了冷负荷的供给路径选择。储能放出的电能不能支撑电制冷、能不能减少燃气轮机启机从而少产生余热这些连锁效应单微网模型根本体现不出来。1.3 为什么必须用双层优化而不是单层这是这个项目最核心的方法论问题。刚开始接触这个题目很多人会想直接建一个大的混合整数线性规划模型把所有设备的容量变量和运行变量一次性优化出来不就行了理论上行但工程上非常痛苦。原因在于配置层和运行层的时间尺度完全不一样。设备容量是“年”级别的决策今天拍板买多大容量的储能、装几台微燃机未来十年都不变而运行调度是“小时”级别的决策每天24小时每个时刻机组怎么出力、储能怎么充放。如果放在一个模型里优化意味着每个容量变量都要乘以8760小时的运行变量维度再加上冷热电三种负荷、多个微网之间的交互变量这个模型规模会膨胀到一个商业求解器都很难消化的程度。更关键的一点是两层决策的目标口径也不一样。配置层关心的是全生命周期总成本比如储能设备投资等年值、年运维费用、年购能费用运行层关心的是具体某一天怎么调度最省钱。这两个目标之间是嵌套关系配置方案决定了运行可行域运行结果反过来决定了配置方案的经济性评价。所以双层优化天然适合这个问题——上层决定“买什么、买多大”下层解决“怎么用、怎么跑”下层把运行结果反馈给上层来评价方案优劣。2. 双层优化配置的整体思路与架构设计2.1 上层配置层到底在优化哪些决策变量上层的任务是解决“设备买多少”的问题。在这个冷热电多微网系统里需要配置的设备不是只有储能电站而是围绕储能电站配套的一整条冷热电供应链。我实际建模型的时候上层决策变量一般包括这么几类第一是储能电站的额定功率和额定容量这是最核心的两个变量决定了电能在时间上的转移能力第二是微燃机的台数和单台容量决定了系统的热电联产基底第三是吸收式制冷机的容量决定余热转冷的规模第四是燃气锅炉的容量作为热负荷的兜底补充如果微网里有光伏或风电还要加上新能源的装机容量。这里有个容易踩的坑储能功率和储能容量是两个独立的决策变量不能混为一谈。功率决定最大充放电速率容量决定最大储存能量两者的比值本质上是“多长时间充满/放完”。如果只优化容量不管功率很可能优化出来一个容量巨大但功率很小的配置结果实际用来调峰调度时根本放不出来那么多电结果就是账面上好看、运行中抓瞎。我一般会在上层约束里加一个容量-功率比的合理区间比如0.5小时到4小时之间把储能时长的物理意义约束进去。上层目标函数通常是系统年等值总成本最小化。包括设备投资的等年值折算、年运行维护费用、年购电购气费用减去年售电售热收益。如果做扩展研究还可以把碳排放作为第二个目标形成双目标优化这里就先不展开了。2.2 下层运行层24小时精细调度怎么设置下层的任务是解决“设备怎么用”的问题。给定上层的容量方案下层需要对一个典型日的冷热电负荷逐时刻做最优调度目标一般是该日的运行成本最小包括从电网购电费用、购气费用、设备启停和运维费用减去向电网售电的收益。运行层的决策变量按时刻展开每个微燃机的出力、启停状态储能电站从电网或者各个微网之间的充放电功率、每个时刻的SOC状态电制冷机组的出力吸收式制冷机的出力燃气锅炉的出力各微网和公共储能之间的交互功率以及各微网从上级电网购电的功率。约束条件就更直观了每个微网每个时刻要满足电功率平衡、热功率平衡、冷功率平衡储能SOC要满足递推方程容量不能超过上下限机组出力要满足上下限和爬坡速率约束启停变量需要引入0-1整数变量微网与微网之间、微网与电网之间的交互功率不能超过线路容量的限制。下层调度层建完以后它就是一个标准的混合整数线性规划问题时间维度是24小时。只要上层给定一组容量参数下层就可以用成熟的求解器在秒级到分钟级求解出来。2.3 两层之间的信息反馈与迭代机制双层优化不是各算各的关键在于两层之间怎么反馈。最简单的机制是迭代式嵌入外层生成一组容量方案传给内层内层在给定容量下求解最优调度然后把调度结果中的年化运行成本和实际能量交换情况反馈给外层外层根据这个反馈来评价当前容量方案的适应度再生成新的容量方案不断循环直到满足收敛条件。我用过的几种耦合方式里工程上最常见的是智能算法套数学规划外层用粒子群算法或遗传算法做容量方案搜索每个粒子就是一组容量配置内层用Gurobi或Cplex求解混合整数线性规划给出该配置下的最小运行成本。外层每评价一个粒子就调用一次内层求解器所以内层模型求解速度直接决定了整个优化流程能不能跑完。这里面有一个信息流的设计细节容易被忽略外层评价一个配置方案不能只看运行成本还必须检查这个方案是不是物理上可行。比如某个储能容量配得太小导致内层调度模型无解或者某个微燃机容量配得过大但年利用小时数极低这些都应该通过反馈机制给外层一个惩罚值而不是简单当作一个可行方案参与比较。3. 关键设备建模与核心参数选取3.1 储能电站建模容量、功率、寿命三个维度储能电站是整个系统的调节枢纽但其建模细节比一个简单的“电池模型”复杂得多。首先明确几个工程参数额定功率、额定容量、充放电效率、SOC允许范围、自放电率、循环寿命、最大充放电倍率。这里每一项都直接影响优化结果的合理性。充放电效率上磷酸铁锂电芯加PCS变流器之后整体效率一般在88%到93%之间我建模时取充放电各自效率为0.95综合效率约0.9。SOC范围通常取10%到90%不是说不能放到0而是深度循环会显著加速寿命衰减。为了在模型里体现寿命成本我习惯用“等效全循环次数”法根据吞吐电量累计值折算成等效的100%深度循环次数当累计等效循环次数达到额定循环寿命时储能就需要更换这笔更换成本按寿命等年值分摊到每一年。不加这个折算优化出来的储能容量通常会偏大因为模型会认为储能是免折旧的免费资源疯狂套利。还有一个容易被忽略的参数是储能自放电率虽然锂电池日自放电率只有1%到2%但在24小时调度尺度上影响不大我之前做过敏感性测试加不加自放电对结果影响很小但放到7天以上的多日调度里就会开始累积偏差所以建模时还是建议保留成本很低。3.2 微型燃气轮机与余热供能路径微燃机是冷热电联供系统的动力源也是余热的来源。建模时除了基本的额定电效率、额定容量、爬坡速率外还需要特别注意热电比这个参数。热电比定义是余热功率与发电功率的比值不同机型的差别很大一般单机在1.0到1.7之间。电效率越高往往热电比越低因为更多燃料能量变成了电而不是热。实际运行中微燃机在非额定工况下运行时电效率和热电比是变化的。满负荷运行时电效率最高部分负荷时电效率下降、热损失占比反而增加。如果模型里不处理部分负荷特性只在额定工况下计算燃料成本会高估微燃机的经济性优化结果就会倾向于配更大容量的微燃机而实际运行中它长期在低负荷低效区运行并不省钱。余热怎么用是连接电、热、冷三条链路的桥梁。夏季余热优先驱动吸收式制冷机供冷冬季优先通过换热器供热过渡季则视负荷情况灵活分配。我实际建模时会给余热分配加一个分配系数余热用于制冷的比例、用于供热的比例、直接排放掉的比例三者之和为1。这个分配系数可以是一个连续变量由下层调度模型在满足冷热负荷的前提下自由选择经验上这比固定分配策略能降低3%到6%的运行成本。3.3 制冷和供热设备的博弈与选型制冷系统在这个模型里像一个“双通路”结构一条通路是电压缩制冷机组COP通常在3.5到5.5之间效率高但消耗电力另一条通路是吸收式制冷机组利用余热驱动电耗几乎为零但热力COP只有0.7到1.3单效溴化锂约0.7双效可以到1.3左右。两条通路的博弈很有意思如果电价高电制冷成本就高系统倾向于让微燃机多发电并使用吸收式制冷如果燃气价格高而电价低则倾向于多从电网购电、用电制冷。这个博弈由下层优化自动求解但作为建模者你得确保模型里两条路径的成本参数给得准否则博弈结果失真。供热系统的建模相对简单一些余热回收换热优先供给热负荷不足部分由燃气锅炉补燃。燃气锅炉效率一般在85%到92%成本低、调节快通常作为热负荷的兜底。不过要注意供热设备的容量不能无限大否则上层优化会为了极少数的极端热负荷日把锅炉容量扩大全年利用率极低。建议在冷热负荷建模时做峰值筛选去掉异常极端日或者对设备年利用小时数施加约束。3.4 典型日负荷与能源价格参数怎么选负荷参数是整个优化结果的地基地基不牢后面全白干。冷热电多微网的负荷不是一个数字而是一组逐时的时序曲线。我处理时至少提取四个典型场景典型夏季工作日、典型冬季工作日、典型过渡季工作日、典型周末或节假日。每个场景统计其冷负荷、热负荷、电负荷的24小时曲线并赋予一个全年占比权重下层调度逐场景求解上层用加权结果评价全年运行成本。能源价格参数主要包括分时电价和天然气价格。分时电价直接影响储能的套利空间峰谷差越大储能能赚到的钱就越多最优配置容量也就越大。天然气价格影响的是冷热电联供机组和电制冷之间的经济博弈气价低微燃机多发划算气价高多从电网买电反而更优。如果项目所在地还有上网电价、需求响应补贴、容量电价等都需要加进去因为每多一项收益渠道上层配置结果可能就不一样。4. 求解实现与工程落地4.1 双层问题求解路线怎么选双层优化在数学上是NP难问题尤其是下层还是混合整数规划的时候不存在一个通用的多项式时间解法。工程上常见的求解路线有三条我分别说下适用场景。第一条是把下层问题用KKT最优性条件替换把双层转化为单层带平衡约束的数学规划再用商业求解器求解。这条路线要求下层是凸问题且KKT转化带来的互补松弛条件需要线性化处理模型复杂度高调试也费劲适合论文理论分析不太适合工程项目快速迭代。第二条是智能算法套精确求解器的迭代式求解也是我实际项目用得最多的方案。外层用粒子群算法或遗传算法搜索容量配置内层用Gurobi直接求MILP最优解。这条路线的好处是灵活下层模型可以做得非常细致而且求解器本身有成熟的数值稳定性保障不会有自己手写线性规划那种精度问题。缺点是要处理好外层算法的收敛性和计算时间。第三条是Benders分解等运筹学分解方法把多微网问题按微网维度或者时间维度分解。这条路线数学上更漂亮但实现成本高适合微网数量特别多、比如超过10个微网的场景。微网数量在2到5个时用迭代式求解的综合效率反而更高。4.2 下层运行调度模型怎么构建下层模型我建议直接用优化建模工具写比如Python调用Gurobi或者用Yalmip加Cplex。核心目标函数可以写成min sum( C_buy(t)·P_buy(t) - C_sell(t)·P_sell(t) C_gas·V_gas(t) C_om·P_unit(t) )其中C_buy(t)是t时刻购电价P_buy(t)是t时刻购电功率C_sell(t)是售电价P_sell(t)是售电功率C_gas是天然气单价V_gas(t)是t时刻燃气耗量C_om是运维成本系数。这个目标函数看起来简单但它包含了储能的充放电机会成本、微燃机的燃料成本、电网交互的峰谷套利空间所有设备调度的经济性都在里面。约束条件里最需要小心的有两条一是储能SOC递推方程SOC(t1) SOC(t)·(1-sigma) P_chg(t)·eta_chg×dt - P_dis(t)/eta_dis×dt这里充电时SOC上升要乘以充电效率放电时SOC下降要除以放电效率方向别搞反我见过不少模型把效率乘除搞反然后结果一团糟二是微燃机启停状态与出力的耦合约束P_unit(t) P_max·u(t)同时P_unit(t) P_min·u(t)还要加上爬坡约束P_unit(t1) - P_unit(t) ramp_up这些约束里的M值要取合适不能太大也不能太小。4.3 上层粒子群配置时的参数陷阱外层用粒子群算法搜索容量时粒子维度对应待配置的设备种类数一般10到20个维度。种群规模我一般取100到200进化代数取200到300这个规模在调参合理的条件下基本能收敛。但有几个参数陷阱我得单独强调。第一是连续变量和离散变量的混合处理。储能容量、微燃机台数这类变量在物理上是离散的我建议把台数变量直接设为整数变量在粒子群中采用取整处理而不是优化出一个73.5台这种结果再四舍五入因为四舍五入之后可能打破内部的耦合约束导致这个粒子代表的方案根本不可行。第二是容量方案的可行性修复。粒子个体之间交叉变异之后可能出现储能容量为负、锅炉容量为0但热负荷无法满足等情况我采取的方式是对每个粒子生成后进行约束修复修复不了就赋予极大的惩罚适应度值让粒子群自己淘汰掉。第三是种群多样性问题。配置优化的目标函数有多个局部最优比如储能偏大靠峰谷套利、微燃机偏大靠余热供能两种方案可能成本接近但配置完全不同。为了避免过早收敛我会在粒子群中加入变异算子迭代后期以一定概率重新初始化部分粒子。实测下来这个操作能让最终结果的总成本再降1%到2%而且配置方案更符合工程直观。5. 算例配置与结果分析思路5.1 一个典型的两微网加共享储能算例我按实际的工业园区结构构造过一个算例场景拿出来分享下配置和数据口径。园区有两个微网微网A以白班生产为主电负荷从8点到18点处于高位峰值为2.8MW冷负荷主要由电制冷满足冬季热负荷不高微网B是连续化工工艺电负荷全天波动在1.5MW到2.2MW之间夜间需求量更大且全年都需要一定工艺热负荷。两个微网通过一条公共10kV母线连接储能电站集中建设在公共母线侧通过双向变流器向两个微网提供充放电服务。基础参数方面磷酸铁锂储能系统单位容量投资按1.0元/Wh到1.2元/Wh做敏感性分析储能循环寿命6000次充放电效率0.95SOC范围10%到90%微燃机单台容量500kW电效率35%热电比1.2单位投资按4500元/kW吸收式制冷机COP取1.0电制冷COP取4.5燃气锅炉效率0.9。分时电价设置为峰段1.1元/kWh8点到11点、18点到21点平段0.7元/kWh谷段0.35元/kWh23点到次日7点。天然气价格按2.8元/立方米折算。这个场景里最关键的观察点就是两个微网的负荷峰谷错位能不能被储能电站吃住。微网A白天负荷高、微网B夜间负荷高储能就可以白天主要给A放电夜间主要给B放电充电时段都放在谷段。模型跑出来的结果共享储能总容量比两个微网各自独立配置的总容量少了大约18%两个微网的峰段购电功率都有明显下降。5.2 对比方案怎么设置才有说服力做优化配置研究最忌讳的就是只有一套结果没有对照。我常用的对比方案设计是三条线并行。方案一是不建共享储能各个微网独立配置自己的储能电站和供能设备各自满足自身负荷微网之间不发生能量交互这是基线方案反映的是“传统各扫门前雪”的做法。方案二是在方案一基础上允许微网之间的功率交互但不建公共储能电站检验单纯的多微网互联能带来多少收益。方案三是本项目的完整方案多微网耦合加共享储能电站用双层优化统一配置。指标对比表上重点看四个维度年等值总成本、储能系统总配置容量、峰段电网购电量和系统综合能源利用率。我跑出来的结果表明方案三相比方案一储能总容量减少的同时年总成本还下降了6%到9%峰段购电量下降15%以上。这说明共享储能不是简单地把储能从一个地方搬到另一个地方而是通过多微网的错峰特性真真切切提升了储能设备的利用效率。5.3 结果验证与敏感性分析怎么做优化结果跑出来之后第一步不是看成本降了多少而是检查结果是否符合工程直觉。比如储能配置的额定功率和容量的比值是否落在合理区间微燃机的年利用小时数是否低于2000小时如果某个设备配置完了一年到头用不了几回说明设备容量配置偏大模型里肯定有参数失真。第二步才是敏感性分析。我重点做三类敏感性储能单位投资价格从1.2元/Wh降到0.8元/Wh时最优容量怎么变分时电价峰谷差拉大后储能容量怎么变天然气涨价后微燃机配置和吸收式制冷配置怎么变。这套分析的价值在于给决策者提供一个合理区间而不是一个孤零零的最优点。比如我那个算例里储能单价降到0.9元/Wh以下时最优储能容量开始明显往上抬说明0.9元/Wh是这个项目配置储能的经济临界点这个信息比给出一组最优解有用得多。6. 常见问题与调参实录6.1 双层迭代不收敛或结果震荡这个问题我碰到过不止一次最典型的现象是外层粒子群迭代到后期最优适应度值还在上下跳动迟迟不平稳。排查后发现原因多半出在下层求解的多解性上同一个运行成本可能存在多个等价的调度方案下层求解器返回的方案在细节上有差异这个差异反馈到上层就表现为适应度噪声。解决办法有两个方向。一是给下层模型加唯一性约束比如储能SOC在一天结束时要回归到初始值或者加一个极小的人工正则项比如在目标函数里加一个0.0001倍的储能充放电电量二次项强制求解器选出一个确定性的方案。二是给外层评价函数加平滑处理用粒子群的历史最优适应度做滑动平均来更新gbest而不是直接用单次求解的原始适应度值。实际用下来两种方法结合之后收敛曲线就好看多了。6.2 储能配置结果过于乐观这是做储能优化最容易出现的“虚假繁荣”问题。模型跑出来储能配置巨大峰谷套利收益漂亮得惊人但拿到实际场景里一算回收期根本达不到。问题基本出在两个地方一是没有计储能循环寿命折旧把储能当成一个永动机二是把峰谷套利空间算得太满实际操作中储能不可能每个峰段都满功率放电因为还要留一部分容量做备用和应对负荷波动。我的修正方式是在储能寿命约束里按累计吞吐量折算更换成本同时在下层调度约束里加一个旋转备用容量约束要求储能SOC时刻保持在一个最低备用水平以上。这样优化结果会“冷静”很多配出来的储能容量基本落在5到8年回收期的合理区间内。6.3 冷负荷供给路径验证不合理冷热电系统的结果里最容易出bug的是供冷路径失衡。有一个典型的错误表现夏季场景优化结果中吸收式制冷机几乎全出力而电制冷机组闲置乍一看很合理因为余热免费嘛。但仔细检查会发现这个结果的代价是微燃机为了产生余热而被迫高负荷运行发出来大量电又卖不掉只能低价卖给电网甚至弃掉。整体算账下来系统总成本并不低只是冷负荷的局部路径看起来“占便宜了”。要避免这个问题最好在下层模型里同时输出各设备的出力矩阵和能量流分布跑完一个场景就检查一次能量流是否闭环。我习惯是在结果里加一个自校验约束每个时刻的燃料输入能量电出力热出力热损失储能损耗差异超过1%就说明建模有bug要回头查。6.4 全年8760小时数据怎么压缩如果直接用全年8760小时的时序数据做下层调度就算双层迭代只跑100代也要求解8760×100次MILP计算量根本扛不住。我一开始也尝试过用大时间窗口直接算结果Gurobi要跑好几个小时才能出一代完全没法用。工程上的正确处理是先做负荷场景聚类。用K-means或层次聚类把全年365天的冷热电负荷曲线降维成5到10个典型场景每个场景附一个权重系数下层调度只对这些场景做精细求解上层目标函数按场景权重加权汇总。我在算例里用K-means把全年数据聚类成6个场景之后计算时间直接从几个小时降到了十几分钟而优化结果的误差控制在2%以内。这个方法强烈建议用起来属于投入产出比最高的工程技巧。6.5 参数口径自查速查表最后整理一张我在交付项目前必查的参数表每个参数都对应对结果的影响程度参数项常见错误口径正确推荐口径影响程度储能充放电效率只算一个综合效率90%充电95%、放电95%分别建模高储能循环寿命按日历寿命10年按等效吞吐量折算循环次数高微燃机电效率固定额定效率部分负荷分段效率曲线中热电比取机型手册单点值按部分负荷率修正中吸收式制冷COP统一取1.0区分单效/双效、冷却水温修正中分时电价峰谷比直接用目录电价加输配电价、政府基金附加高负荷典型日取一天代表全年夏季/冬季/过渡季加权高备用容量不考虑储能SOC备用下限5%-10%中这套参数口径是我踩过好几轮坑之后沉淀下来的。一开始项目拿储能容量配得特别大后来才发现是寿命折算没做后来微燃机配置又偏大排查是部分负荷效率没建模。这类项目模型能跑通从来不是结束参数口径和数据审校才是决定优化结果能不能落地、能不能拿去跟业主谈投资回报的核心工作。做这个项目的过程中我最大的体会就是把物理直觉和数学模型绑在一起每个优化结果都要用工程常识再过一遍不合理的就回去查模型而不是改参数去迎合结果。