减少化石燃料使用，充分利用可再生能源已引起广泛的关注^[1-3]. 热电联供型微电网能够提高能源利用率和风光消纳能力，减少环境污染^[4-6]. 加强对热电联供型微电网的研究，对实现能源可持续利用、发展低碳社会具有重要意义.

目前，国内外针对热电联供型微电网的建模、规划以及优化调度均有一定研究^[7-9]，其优化调度的复杂性主要体现在：基于经济性的单目标优化难以满足市场需求，目标函数的构成趋于多样性；多能耦合使能源转化更加困难，有关热电联供型微电网的优化调度较少，有待进一步研究；预测误差对微网的运行产生了一定影响等. 文献[10]提出一种两级分层微网能量管理方法，协调了虚拟存储系统和电动汽车的出力来平滑公共耦合点处的功率交换，优化了运行成本. 文献[11]在热电联供型微电网的多目标优化中实现了系统总运营成本最小化和系统总排放最小化.

但以上研究都是基于预测准确的条件下进行的. 而现有预测技术存在的误差给微电网的优化运行带来严重的挑战^[12-13]. 模型预测控制（model predictive control， MPC）方法能够同时跟踪多个优化目标，有效降低不确定性因素对微电网优化调度的影响. 文献[14]基于MPC理论以日前计划设备出力为参考值，在日内调度中滚动求解出各设备的平滑出力，有效纠正了预测误差产生的结果偏差. 文献[15]提出了一种基于模型预测控制和反馈校正的冷热电联供型微电网实时优化方法，最小化调整并补偿预测误差.

随着氢能的广泛应用，作为热电氢耦合设备的氢能系统逐渐成为微电网的重要组成部分^[16-18]. 文献[16-18]将氢能系统引入微电网，在仅考虑了氢能系统的电能-氢气相互转换，忽略燃料电池和电解槽的热电氢耦合特性的条件下，实现了微电网能量平衡，降低了系统的弃风量，但氢能系统的效率较低. 文献[19]仅在主动配电网和集中供热网络的耦合系统中简单考虑了电解槽制氢时的产热特性，有效提高了电解槽的运行效率，显著降低了系统运行成本. 文献[20]提出以天然气为原料的包含重整器、储氢罐、燃料电池的燃料电池系统，同时考虑天然气重整制氢的产热特性与燃料电池的热电氢耦合特性，有效降低了微电网的排放和成本.

总的来说，大量研究未考虑燃料电池与电解槽的热电氢耦合特性，以及没有对氢能系统进行全面的精细化建模；其次，可再生能源出力具有强波动性、低抗扰性和弱支撑性，给微电网的稳定运行造成一定的威胁，为微电网系统的经济运行和优化调度带来了挑战.

为解决以上问题，本文考虑燃料电池及电解槽的热电氢联供特性，建立燃料电池氢转电、热及电解槽电转氢、热模型，引入蓄热槽储热，分析光伏、风机发电系统、电锅炉、燃气锅炉的运行特性，电储能系统、氢储能系统互补特性，对各元件进行精细化建模，研究热电氢联供型微电网优化调度问题. 在日前优化中，以日运行成本最低为目标，采用混合整数线性规划（mixed integer linear programming, MILP）方法实现最优调度；在日内优化中，将带有超短期预测的MPC方法嵌入混合整数二次规划（mixed integer quadratic programming, MIQP）算法中，减小预测误差，实现实时控制. 与其他现有文献相比，本文提出将氢能系统作为热电氢耦合设备参与到微电网整体调度中，对提高风电消费率和光伏消费率，减少能源环境污染和能源危机，促进经济增长具有重要意义. 盈余的可再生能源出力通过其热电氢耦合特性就地消纳产热，从而降低系统内储能系统的容量需求，进而提高系统的经济性. 同时，综合考虑了氢能系统的热电氢耦合效应与电锅炉的热电耦合效应，提高了供电及供热系统对负荷的调节能力，并引入响应迅速的燃气锅炉，在提高风光消纳能力的同时保证满足热负荷需求.

1.   热电氢联供型微电网系统

1.1   热电氢联供型微电网系统结构

热电氢联供型微电网系统结构如图1所示. 系统主要由以光伏发电、风力发电为主的分布式电源、储能设备、供能设备及负荷组成. 其中，储能设备包括电储能系统、氢储能系统和热储能系统. 负荷包括电负荷和热负荷. 电锅炉为热电耦合元件，燃料电池与电解槽为热电氢耦合元件.

图  1  热电氢联供型微电网系统结构

Figure  1.  Structure of combined heat-power-hydrogen microgrid system

下载: 全尺寸图片 幻灯片

1.2   热电氢联供型微电网系统数学模型

1） 氢储能系统模型

氢能作为一种高效、清洁的二次能源，受到广泛关注. 然而，目前氢能系统的转换效率低下（电转氢效率多为60%～70%，氢转电最高效率约为60%），后者其他能量被辅助设备消耗或转化为热能散失. 因此，余热利用成为提高氢能系统效率的有效手段之一. 对于燃料电池，其氢气直接来源于电解槽. 氢储能系统产生的热能主要来源于燃料电池电堆及电解槽发热. 图2为氢储能系统工作机理，图中：P_{fc_H2}为燃料电池从储氢罐中获取的总功率；P_fc为电功率；H_fc为其余功率；P_{fc_BUS}为燃料电池母线输入功率；P_el为电解槽从直流母线获取的电功率；P_{el_H2}为用于制氢的功率；H_el为电解槽用于产热的功率；P_{el_BUS}为直流母线向电解槽提供的电功率；H_{fc_BUS}为热母线输出的热功率；H_{el_BUS}为电解槽流向热母线的热功率. 本文充分考虑其热电耦合关系，对燃料电池和电解槽进行建模.

图  2  氢储能系统原理

Figure  2.  Schematic of hydrogen energy storage system

下载: 全尺寸图片 幻灯片

质子交换膜燃料电池电堆电压可表示为^[21-22]

式中：E_nerst为热力学电动势；V_act为活化极化过电压；V_ohm为欧姆极化过电压；V_con为浓差极化过电压，单位均为V，具体可表示为

式中：ΔG为吉布斯自由能；F为法拉第常数；T_fc为燃料电池温度，此处考虑为常数；T_b为标准温度；ΔS为标准摩尔熵；P_H2、P_O2分别为输入的氢气、氧气分压；R为气体常数；ξ₁～ξ₄为常数；I_fc为燃料电池电流；R_int为内部电阻等效阻抗，温度不变时为定值；α、β均为常数.

燃料电池效率为

式中：V_cell为燃料电池电压；μ为燃料利用率；H_{HV_H2}为氢气高热值.

P_{fc_H2}、P_fc和H_fc的关系可表示为^[21]

燃料电池传输至直流母线的功率为

式中：n_fc为燃料电池消耗氢气速率；L_{HV_H2}为氢气低热值；$\eta_{{\text{fc\_dc }}}$为燃料电池变换器效率.

燃料电池输出电功率与热能间的关系为

燃料电池产生的热能一部分在空气中耗散，剩余部分传递至热母线. 燃料电池最终向热母线输出的热能可表示为

式中：$\eta_{{\text{fc\_re }}}$为传热效率.

任意温度下，碱式电解槽的U-I特性方程为^[23]

式中：r₁、r₂为电解液欧姆电阻参数；T_el为电解槽温度；A_cell为电解模块面积；I_el为直流电流；s₁～s₆为电极过电压系数；V_rev为电池开路电压.

电解槽效率为

式中：a₁～a₅为法拉第效率系数.

根据文献[22]知：电解槽的工作温度变化不能超过其上限，而本文主要关注电解槽在调度中需要向用户提供热量. 为简化计算，将电解槽工作温度设为定值70 ℃. 则电解槽电热功率关系式为

式中：$\eta_{{\text{el }}}$为电解槽的效率.

电解槽制氢速率为

式中：n_el为电解槽产氢速率； η_{el_dc}为电解槽变换器效率.

最终，电解槽流向热母线的功率为

式中：$\eta_{{\text{el\_re }}}$为传热效率.

储氢罐用于储存氢气，根据范德华实际气体状态方程，罐内的压强P_sto可表示为

式中：R_c为阿伏伽德罗常数，6.02 × 1023/mol；K为开氏温度；V_sto为储氢罐体积；n_sto为储氢罐内氢气的量；a、b为比例系数，分别取a=0.02476 Pa•m⁶/mol，b=2.661 × 10⁻⁵ m⁶/mol；n_re为储氢罐初始储氢量；S_OHC为储氢罐的储存状态；P_N为最大压强；t为时刻.

2） 风力发电系统

风力发电系统在发电时，先将风能转化为机械能，再将机械能转化为电能. 其输出功率P_wt(t)主要受风机轮毂处风速的影响，与风速之间的近似关系^[24]可表示为

式中：v(t)为实时风速；C_wt为风力发电系统额定功率；v_in为切入风速；v_r为额定风速；v_out为切出风速.

3） 光伏发电系统

光伏发电系统发电量除了与其规模容量等参数相关外，还受实际光照强度与外界环境温度的影响. 因此，当参数确定时，光伏电池的输出功率可表示为

式中：C_pv为光伏发电系统额定功率；S(t)为时刻t的光照强度（kW/m²）；S_std为标准光照强度；η_pv为光伏系统DC/DC变换器效率；η_loss为由温度变化造成的损失，可表示为

式中：c为标准温度系数（0.00485 /℃）；T_cell为光伏电池温度，可由环境温度T与标准工作温度T_s （25 ℃）及实时光照强度表示.

4） 电储能系统模型

电储能装置能够抑制风光出力不确定性带来的直流母线电压波动，保证电能的存储、流动和释放. 本文所采用的电储能系统主要包括蓄电池和DC/DC变换器. 蓄电池的数学模型可表示^[3]为

式中：E_bat(t)为蓄电池时刻t储存的电能；P_bat-ch(t)、P_bat-dis(t)分别为蓄电池时刻t充、放电功率；η_bat-dc为蓄电池DC/DC变换器效率；η_bat-ch、η_bat-dis分别为蓄电池充、放电效率；S_OC(t)为蓄电池在时刻t的荷电状态；C_bat为蓄电池额定容量；∆t为调度时间间隔.

5） 热储能系统模型

蓄热槽的作用与蓄电池相似，故其数学模型^[14,20]可表示为

式中：H_tst(t)为蓄热槽时刻t储存的热能；H_tst-ch(t)、H_tst-dis(t)分别为蓄热槽时刻t蓄、放热功率；η_tst-dc为蓄热槽换热器效率；η_tst-ch、η_tst-dis分别为蓄热槽蓄放热效率；H_OC(t)为蓄热槽在时刻t的蓄热状态；C_tst为蓄热槽的额定容量.

6） 电锅炉及燃气锅炉模型

电锅炉是将电能转换为热能的能源耦合设备，其模型与锅炉效率及变换器效率有关^[25]，如式（20）所示.

式中：H_eb(t)为时刻t电锅炉产生的热量；η_eb-dc为电锅炉变流器效率；η_{e_h}为电锅炉电-热转换效率；P_eb(t)为时刻t电锅炉吸收的来自母线功率的大小.

而燃气锅炉出力与其自身输出特性相关^[25]，其数学表达式为

式中：H_gb(t)为时刻t燃气锅炉产生的热量；η_gb为燃气锅炉制热效率；P_eb(t)为时刻t燃气锅炉消耗的燃气量.

2.   基于氢储能的两阶段优化调度模型

本文所采用的优化调度方法分为基于运行成本最优的日前全局调度和考虑预测误差的日内实时调度两部分.

2.1   日前长时间尺度调度

2.1.1   目标函数

日前优化调度的目标是保证微电网系统运行成本最低，通过对系统中供能设备和储能设备进行合理调度，减少微电网运行费用. 热电氢联供型微电网的运行成本包括运行维护成本、污染气体治理成本和燃料成本. 因此，目标函数表示为

式中：C_OM为运行维护成本；C_fuel为燃料成本；C_gas为污染气体治理成本.

1） 运行维护成本

式中：T_d为调度周期；P_hss(t)、P_bat(t)分别为氢储能系统、电储能系统时刻t的充放电功率；ρ_wt、ρ_pv、ρ_hss、ρ_bat、ρ_eb、ρ_gb、ρ_tst分别为风机、光伏、氢储能系统、蓄电池、电锅炉、燃气锅炉、蓄热槽的单位运维成本（元/kW•h）.

2） 燃料成本

式中：R_gas为天然气单位价格（元/m³）；L_H为天然气热值（kWh/m³）.

3） 污染气体治理成本

式中：${D}_{{\text{gbSO}}_{\text{2}}}、{D}_{{\text{gbCO}}_{\text{2}}}、{D}_{{\text{gbNO}}_{\text{2}}}$和${\lambda }_{{\text{SO}}_{\text{2}}}、{\lambda }_{{\text{CO}}_{\text{2}}}、{\lambda }_{{\text{NO}}_{\text{2}}}$分别为燃气锅炉产生污染气体SO₂、CO₂、NO₂的排放系数和治理成本.

2.1.2   约束条件

图1所示优化调度模型的约束条件如下：

1） 功率平衡约束

电功率平衡约束和热功率平衡约束如式（26）.

式中：H_load(t)为时刻t的热负荷.

2） 蓄电池运行约束

蓄电池运行约束见式（27）.

式中：P_{bat min}、P_{bat max}分别为蓄电池充放电功率上、下限；S_{OC min}、S_{OC max}分别为蓄电池荷电状态上、下限.

3） 热储能系统约束

热储能系统约束见式（28）.

式中：H_{tst min}、H_{tst max}分别为蓄热槽蓄放热功率上、下限；H_{OC min}、H_{OC max}分别为蓄热槽蓄热状态上、下限.

4） 氢能系统约束

氢能系统约束见式（29）.

式中：P_{fc min}、P_{fc max}分别为燃料电池功率上、下限；P_{el min}、P_{el max}分别为电解槽功率上、下限；S_{OHC min}和S_{OHC max}分别为储氢状态S_OHC(t)的上、下限；P_hy(t)为氢能系统在时刻t的运行功率；a_fc、a_el分别为燃料电池、蓄电池的工作标志位，其取值为0或1，取0为不工作，取1为工作.

5） 各设备功率约束

各设备功率约束见式（30）.

式中：P_{eb min}、P_{eb max}分别为电锅炉功率上、下限；P_{gb min}、P_{gb max}分别为燃气锅炉功率上、下限.

微电网的调度具有周期性，因此，将各储能系统的始末状态设置为相同.

2.2   日内实时调度

日内实时调度的目标为消除日前预测误差造成的功率波动，使日内功率尽可能追踪日前计划，减小不确定性带来的经济损失. 优化目标如式（31）所示.

式中：k为优化初始时刻；Δk为实时调度的最小时间间隔；$\lambda_1 \text{～} \lambda_7$为权重系数；P_bat(k)、P_hy(k)、P_eb(k)、H_tst(k)分别为蓄电池、氢能系统、电锅炉、蓄热槽在时刻k的实时输出功率；P_{bat_ref}(t)、P_{hy_ref}(t)、P_{eb_ref}(t)、P_{tst_ref}(t)分别为日前调度时刻t所得蓄电池、氢能系统、电锅炉、蓄热槽的参考功率；S_OC(k)（S_{OC_ref}(t)）、S_OHC(k)（S_{OHC_ref}(t)）、H_OC(k)（H_{OC_ref}(t)）分别为蓄电池荷电状态、储氢罐储能状态、蓄热槽蓄热状态在时刻k的实际值（在时刻t的参考值）.

2.3   求解流程

本文所提出的优化调度方法，包括日前全局最优调度与日内实时调度两个阶段，其求解流程如图3所示.

图  3  两阶段优化调度求解流程

Figure  3.  Solution flow of two-stage optimal scheduling

下载: 全尺寸图片 幻灯片

在日前调度阶段，调度周期为24.00 h，调度时间尺度为1.00 h，基于预测光伏出力、风机出力及负荷数据，以式（22）作为目标函数，采用混合整数线性规划算法进行全局优化求解，得到日前最优调度结果. 然而，日前调度以小时为单位，系统不能及时响应更小时间尺度下的波动. 在此基础上，微电网实时接收调度结果，基于超短期预测，进一步采用MPC算法进行日内优化调度. 其中，滚动优化每0.25 h启动一次. 此时，微电网的可控单元在日前调度结果的基础上对各微源的出力进行修正，使日内实时优化结果与日前结果误差最小，提高优化控制的精度，减小误差对运行成本的影响，增强系统可靠性及储能系统的稳定性.

长期预测采用长短期记忆方法^[26]（long short-term memory，LSTM），短期预测采用灰色算法（gray method, GM）^[27]，并以均方根误差（root mean square error, RMSE）为评价指标对两阶段的预测结果进行评估. 图4、5分别为LSTM预测和GM预测的流程图.

图  4  LSTM预测流程

Figure  4.  Flow chart of LSTM forecast

下载: 全尺寸图片 幻灯片

图  5  灰色预测流程

Figure  5.  Flow chart of grey forecast

下载: 全尺寸图片 幻灯片

3.   算例分析

3.1   基础数据

为验证算法的有效性，对图1所示微电网进行优化调度分析，算例使用建模语言YALMIP调用商业求解器Cplex在MATLAB中快速求解. 考虑到温度对热电负荷的影响，分别选取冬、夏及过渡季典型日进行分析，SOC（state of charge）、SOHC（state of hydrogen charge）、HOC（heat of condition）范围设置为0.2～0.8，初始状态设置为0.5；风机、光伏出力及负荷长期预测曲线如附加材料图S1所示；风光出力长期预测值与实际值对比如附加材料图S2所示；风机、光伏出力及负荷短期预测曲线如附加材料图S3～S5所示；不同场景下的调度结果如附加材料图S6所示；日前出力预测RMSE值及日内出力预测RMSE值如附加材料表S1、S2所示；微电网各系统参数设置情况如附加材料表S3所示，环境技术参数如附加材料表S4所示.

3.2   场景设置

为研究电锅炉的热电耦合效应及氢能系统的热电氢耦合效应对调度结果的影响，本文设置了4种不同调度场景进行对比分析.

场景1　基础场景，电负荷由可再生能源、蓄电池及氢能系统满足；热负荷仅由燃气锅炉满足.

场景2　在场景1基础上考虑热电耦合系统，同时考虑蓄热槽供热，但不考虑热电氢耦合系统，热负荷由电锅炉、燃气锅炉及蓄热槽同时满足.

场景3　在场景1基础上考虑热电氢耦合系统，但不考虑热电耦合系统，热负荷由燃气锅炉及氢能系统产热满足.

场景4　在场景1基础上同时考虑热电氢耦合系统和热电耦合系统.

3.3   结果分析

3.3.1   日前优化调度结果

图6为各典型日的日前优化结果.

图  6  日前优化结果

Figure  6.  Day-ahead optimization results

下载: 全尺寸图片 幻灯片

冬季光照较弱，风力资源丰富，此时风力发电系统作为该孤岛微电网的主要能源为系统提供电能. 冬季气温较低，微电网内热负荷需求较高，夜间电锅炉工作时间较夏季及过渡季较长，燃气锅炉则全天工作产热，电锅炉补充产热. 由于燃料电池发电无污染，且初始储氢量充足，因此由燃料电池补充热功率缺额. 夜间，蓄电池作为补充满足电负荷，同时，增加电锅炉的工作时间和功率. 日间，多余风能由蓄电池储存起来或提供给电解槽制氢及产热，提高产氢量，同时满足负荷需求. 在整个调度期间，蓄电池作为主要电能供应器件频繁使用，满足系统要求.

夏季光照强烈，风力资源相对其他季节匮乏. 此时风力发电系统和光伏发电系统同时作为该孤岛微电网的主要能源为系统提供电能. 由于气温较高，电网内热负荷需求较少，电锅炉工作时间大幅缩短，输出功率也大幅降低. 夜间，微电网内电负荷需求相对日间较低，电能优先由风力发电提供，同时燃料电池补充供电；夜间热负荷需求相对日间较高，由燃气锅炉、电锅炉、燃料电池、电解槽、蓄热槽共同满足，其中，燃气锅炉和燃料电池为主要热源. 日间，在满足电负荷需求基础上，多余电能大部分供给电解槽制氢及产热，少量电能存储在蓄电池中，系统所需热量主要由燃气锅炉和电解槽提供，多余热量由热储能系统吸收以便夜间释放.

过渡季风力资源丰富，光照强度一般，风力发电系统作为该孤岛微电网的主要能源为系统提供电能. 0：00—15：00时段，电负荷需求较低，多余电能提供给蓄电池储存或提供给电解槽制氢及产热，其中，2：00、4：00、6：00时多余电能由蓄电池存储，剩余时间多余电能基本全部用于电解槽制氢及产热，在此时间段内，热负荷主要由燃气锅炉满足，电解槽产热作为补充；15：00—22：00时段，电负荷需求较高，风光出力不足，蓄电池作为主要电源，与燃料电池轮流放电，补充电功率缺额，在此期间热负荷主要由燃气锅炉满足，燃料电池、蓄热槽放热作为补充. 与冬、夏两季不同的是，过渡季的电锅炉不工作，热负荷基本由燃气锅炉满足.

综合图6各子图可以看出：在本文优化模型中，热负荷主要由燃气锅炉和电锅炉产热满足需求，氢热耦合元件及热储能系统作为补充；电负荷主要由风机和光伏满足，蓄电池补充放电，在考虑热需求的同时，燃料电池、电锅炉在合适的时段投入工作. 夜间风力资源丰富，热负荷需求相对较大，而电负荷正处于低谷期，此时电锅炉开始工作进行电热转换，配合燃气锅炉为热负荷提供热能. 这既消纳了部分风电，又降低了系统的供热成本. 白天热负荷存在一段低谷期，电负荷相对较高，系统在满足电负荷的同时会有部分热能盈余，此时，蓄热槽将热电联产系统产生的多余热量储存起来以便热负荷高峰时段使用，既避免了热能浪费，又降低了系统的运行成本.

3.3.2   实时优化调度结果

图7为进行模型预测控制实时优化调度后的结果. 对比图6、7，可以看出：日前调度以小时为单位，调度粗放，系统不能及时响应负荷波动. 而日内实时调度结果较为精确. 微电网可控单元通过跟踪日前调度计划值对各自出力进行修正，以减小误差. 误差较小时，各微源对输出功率做微小调整以减小误差；误差较大时，系统不再按照日前优化结果的趋势进行调度，而是根据实际负荷需求进行实时优化调度. 如夏季17：30—19：00，在日前调度中，电负荷完全由风光出力满足，多余电能全部由电解槽制氢和产热，热负荷由燃气锅炉、电解槽、蓄热槽供能；而在实时优化中，电负荷也完全由风光出力满足，但多余电能大部分由电解槽消纳，少部分由蓄电池存储或由电锅炉产热，热能不再由蓄热槽提供，而是由燃气锅炉、电解槽、电锅炉提供. 所提方法在能够及时响应负荷波动，维持系统稳定性，并尽可能减小日前结果与实时调度结果的误差，进而减小对微网运行成本的影响.

图  7  日内优化结果

Figure  7.  Real-time optimization results

下载: 全尺寸图片 幻灯片

由图6、7可以看出：实时优化结果与日前调度结果基本一致. 通过实时调度，热电氢联供型微电网能够按照日前调度进一步地灵活运行，实时优化能够进一步减小日前预测误差的不良影响. 各微源能够实现相互配合以满足电、热需求，储能系统工作正常，且系统储量变化趋势与日前调度结果基本相符，这表明了实时优化调度系统的可行性. 同时，双层调度提升了系统的可靠性与稳定性.

3.3.3   经济成本分析

表1为各典型日的日前调度成本与进行日内实时调度后的优化成本. 由于日前长时间尺度调度难以应对短时间尺度的负荷波动，预测误差的存在使日前全局最优解难以在日内短时间尺度依旧成立，从而对经济性产生影响. 因此，日内调度在短时间尺度进行误差修正以提高系统运行的经济性.

表  1  日前优化成本和日内优化成本

Table  1.  Day-ahead and real-time optimized cost 元

成本项目	冬季典型日			夏季典型日			过渡季典型日
	调度 成本	优化 成本		调度 成本	优化 成本		调度 成本	优化 成本
运维	436.78	435.00		226.02	221.54		317.08	312.65
燃料	623.59	597.28		162.67	164.51		504.94	496.62
污染气体治理	169.67	157.87		44.21	43.58		136.82	133.69
总成本	1230.04	1190.15		432.90	429.63		958.85	942.96

下载: 导出CSV 

| 显示表格

由表1可以看出：运维成本、燃料成本、污染气体治理成本在冬季典型日分别下降了0.41%、4.22%、6.95%，在夏季典型日分别下降了1.98%、−1.13%、1.43%，在过渡季典型日分别下降了1.40%、1.65%、2.29%. 总的来说，夏季典型日的优化总成本比日前调度总成本小0.76%，冬季典型日的优化总成本小3.24%，过渡季典型日的优化总成本比理想成本小1.66%. 各典型日的日前调度总成本均高于日内优化总成本，说明日内实时调度使能够削弱日前预测误差对优化成本的影响，验证了本文所提优化算法的经济性.

3.3.4   能源利用率指标分析

为检验在微网中引入热电氢联供系统的优势，对微网内各能源利用率指标进行分析，电能、热能计算结果为其能量消耗占总能量消耗的比值，总能源利用率通过输出的总能量与输入的总能量占比评估，如表2所示.

表  2  微电网各能量占比

Table  2.  Energy proportion in microgrid %

季节	电能	热能	总能量利用率
冬季	71.97	28.03	89.43
夏季	76.13	23.87	91.16
过渡季	63.87	36.13	93.13

下载: 导出CSV 

| 显示表格

从表2可以看出：夏季气温较高，热能占比较其他季节少；过渡季风光资源丰富，电负荷较冬季小，大量电能用于电解槽制氢及产热，因此，电能占比最低，热能占比最高，各微源开关机次数少，连续在线时间长，总能量利用率最高；而冬季各微源出力次数最多，能量损耗相对较大，故总能量利用率最低. 以往的研究中氢能系统效率低、能量损耗大的原因在于大量热能的浪费. 本文所提出微电网系统由于考虑了氢能系统的热电氢耦合特性，能够保证总能量利用率在全年均处于较高水平，在冬季、夏季、过渡季分别为89.43%、91.16%、93.13%.

3.3.5   不同场景下优化调度结果分析

以夏季典型日为例，通过优化得到不同场景下微电网的最优调度方案. 对场景1～4进行分析，研究得出不同调度模型对微电网调度优化的影响. 场景1～4的优化成本结果如表3所示.

表  3  不同场景下的调度成本

Table  3.  Scheduling cost in different scenarios 元

场景	运维成本	燃料成本	污染气体 治理成本	总成本
1	235.58	214.81	58.53	508.92
2	198.76	200.47	56.14	455.37
3	229.61	160.33	44.83	434.37
4	221.54	164.51	43.58	429.63

下载: 导出CSV 

| 显示表格

由表3可得：相较于场景1，场景2下考虑热电耦合系统，电解槽和燃料电池工作时间与功率有明显降低，电锅炉投入工作. 由于场景1未考虑热电耦合系统和热电氢耦合系统，热能完全由燃气锅炉提供. 场景2下，总成本减少了53.55元，其主要原因在于电锅炉的安装实现了电转热，降低了燃气锅炉的产热功率. 场景3下系统考虑氢热耦合系统，总成本减少了74.55元，主要原因在于对氢能系统的余热进行回收利用，降低了燃气锅炉产热比例. 场景4下同时考虑热电耦合系统与氢热耦合系统，总成本减少了79.29元，3个目标函数值均有所降低且总成本最低.

综上所述，热电耦合系统能够提高微电网系统的经济性，原因在于盈余的光伏发电功率与风机发电功率可以通过电锅炉消纳产热，从而使含有热电耦合系统的微电网的储能系统工作时间缩短，对其工作功率要求降低；同时电锅炉产热，能够减少燃气锅炉的产热比例，系统的运维成本随之降低. 氢热耦合系统能够提高微电网系统的环保性，减少污染气体的排放，原因在于考虑氢能系统的余热利用，能够满足一部分热负荷需求，大幅降低了燃气锅炉的工作功率与工作时间，使其排放的污染气体减少，提高了系统运行的环保性.

相比场景1～3，场景4中调度总成本依次减少15.58%、5.65%、1.18%；污染气体治理成本依次减少24.93%、22.37%、2.79%，表明场景4下的调度总成本最低，污染气体排放量最少. 综合各个场景分析，场景4的调度方案能够实现多种能源的优势互补，在经济性和环保性方面均优于其他场景.

3.3.6   优化调度计算时间分析

本文所提出的优化调度方法的计算时间如表4所示，该方法在3种典型日的日前全局中最优调度和日内实时优化中计算时间接近，冬季典型日、夏季典型日和过渡季典型日下的总计算时间分别为93.36、91.94、93.09 s，其中，日前调度时间分别为5.59、6.38、6.16 s，日内优化的计算时间分别为87.76、85.56、86.92 s. 日内的优化周期为60 min，而滚动优化的启动间隔为15 min，即900 s，因此，在一天内滚动优化共启动96次. 以冬季典型日的日内优化为例，模型预测算法的总运行时间为87.77 s，单次滚动优化的时间为0.91 s，也就是说，900 s的实际优化时长只需要0.91 s的计算时间. 综上所述，本文所提方法的计算速度较快，能够满足系统实时优化的要求. 验证了本文所提方法计算速度快，且不受季节影响，具有一定的实时性和通用性.

表  4  优化调度的计算时间

Table  4.  Calculation time for optimal scheduling s

计算时间	冬季典型日	夏季典型日	过渡季典型日
调度	5.59	6.37	6.15
优化	87.76	85.56	86.92
总时间	93.36	91.93	93.08

下载: 导出CSV 

| 显示表格

3.3.7   不同权重系数下优化调度结果分析

日内实时优化中不同权重系数下的优化调度结果如表5所示，由于篇幅限制，表中仅呈现冬季、夏季、过渡季的5组权重系数的优化结果，$\lambda_1、 \lambda_2 、 \lambda_3$的取值能够限制蓄电池、氢能系统和电锅炉的日内优化中的功率跟随效果，对系统污染气体排放成本的影响较大，$\lambda_4$的取值对燃料成本的影响较大，运维成本受个别权重的单方面影响不明显，$\lambda_5、 \lambda_6 、 \lambda_7$用以限制SOC、SOHC、HOC与日前调度结果的偏离程度. 本文采用第1组权重系数进行日内实时优化，通过第2～5组的各项成本对比可知，在第1组权重系数下，运维成本、燃料成本、污染气体治理成本不一定是最优的，但总成本一定最优，验证了本文采用的权重系数能够保证日内优化结果的正确性.

表  5  不同权重系数下的优化成本

Table  5.  Optimal cost under different weight coefficients

季节	组编号	λ1	λ2	λ3	λ4	λ5	λ6	λ7	运维成本/元	燃料成本/元	污染气体治理成本/元	总成本/元
冬季	1	0.3	0.5	0.1	0.21	0.2	0.3	0.1	435.00	597.28	157.87	1190.15
	2	0.2	0.2	0.2	0.2	0.2	0.2	0.2	438.33	602.02	158.66	1199.00
	3	0.4	0.3	0.2	0.1	0.3	0.2	0.3	439.09	595.60	157.64	1192.33
	4	0.5	0.4	0.3	0.2	0.4	0.5	0.2	438.73	597.92	158.09	1194.74
	5	0.3	0.3	0.1	0.21	0.2	0.2	0.2	438.94	597.63	157.96	1194.53
夏季	1	0.3	0.5	0.1	0.21	0.2	0.3	0.1	221.54	164.51	43.58	429.63
	2	0.2	0.2	0.2	0.2	0.2	0.2	0.2	222.67	165.18	44.28	432.12
	3	0.4	0.3	0.2	0.1	0.3	0.2	0.3	222.31	165.36	44.25	431.92
	4	0.5	0.4	0.3	0.2	0.4	0.5	0.2	222.43	165.26	44.24	431.94
	5	0.3	0.3	0.1	0.21	0.2	0.2	0.2	222.77	164.99	44.45	432.21
过渡季	1	0.3	0.5	0.1	0.21	0.2	0.3	0.1	312.65	496.62	133.69	942.96
	2	0.2	0.2	0.2	0.2	0.2	0.2	0.2	314.01	496.54	134.21	944.76
	3	0.4	0.3	0.2	0.1	0.3	0.2	0.3	313.56	496.02	134.02	943.59
	4	0.5	0.4	0.3	0.2	0.4	0.5	0.2	313.69	496.16	134.07	943.91
	5	0.3	0.3	0.1	0.21	0.2	0.2	0.2	313.58	496.77	134.22	944.57

下载: 导出CSV 

| 显示表格

4.   结　论

本文搭建了以电能系统、氢能系统及热能系统构成的储能模型为基础的微电网系统，提出一种基于氢储能的热电联供型微电网两阶段优化调度模型，包括基于MILP的日前经济调度以及以MPC内嵌MIQP的实时调度两阶段调度方法，采用具体算例，对不同场景下微电网的调度优化进行研究，验证了模型及其求解方法的有效性. 所得结论如下：

1） 本文搭建的系统能够实现多种能源间的优势互补和协调运行，并能满足微网内部的负荷需求，完成独立供电；所提两阶段优化调度方法降低了微电网的运行成本.

2） 考虑到燃料电池与电解槽的热电联供特性，将其作为热电联供设备参与微电网的调度，进一步提高了氢能系统工作效率，能够为电/热负荷提供可靠的能源供应，避免热能的浪费，进一步提高了微电网的能源利用率.

3） 综合考虑电氢热耦合的微电网系统在优化调度中能够兼顾经济性与环保性.

备注：附加材料在中国知网本文的详情页中获取.