国网江苏省电力有限公司丰县供电分公司江苏徐州221700
摘要：综合能源系统目的在于整合一定区域内电能、天然气、热能等多种能源，实现多种异质能源子系统之间的协同规划、优化运行、协同管理、交互响应和互补互济。其中，综合能源系统多能流潮流计算即确定各个子系统的能量流分布，是相关领域研究的基础，是探究多能互补特性、协同规划、能量优化调度和协同管理等的重要前提，需要重点分析。基于此本文分析了区域综合能源系统潮流计算。
关键词：区域综合能源系统；潮流计算；网络
1、区域综合能源系统潮流计算的意义
区域综合能源系统(integratedcommunityenergysystem，ICES)是一个集中化、复杂性的综合系统，包含了电/气/热/冷等多种能源形式，涉及不同能源系统的运行模式、运行控制和耦合环节。ICES根据其多种能源的不同特点，对其进行协调互补和集成优化，从而提高能源利用率，改善能源结构，实现能源的阶梯式综合利用，对实现国家节能减排目标具有重要意义。
为此，国内外相关研究学者在智能电网的基础上提出了以整体为对象的宏观综合能源系统，通过将电力、热力、储能等能源整合为整体资源，提高了能源子系统的灵活性、安全性、经济性及自愈能力，并且实现了能源的整体优化和关联系统的协同运行，从而提高了系统的能源利用效率。
包含了ICES的生产、协调运行与应用将推动多能源微网的发展，使微网的经济、环境效益进一步提高，同时也有利于整体的能源结构优化。综合能源系统中的微电网作为分布式发电的有效管理单元和组织形式[3]，同时随着天然气网络和供热网络的耦合，综合能源系统还将承担冷、热供给的任务，进而把传统意义上的“微型电网”发展为更为广义的“区域综合能源网”。随着区域综合能源网的扩展，系统中的能源结构和设备耦合关系也将变的越来越复杂，从而大大增加了ICES的运行和管理的难度。由此可见，ICES的安全稳定运行具有深远的研究意义，因此，对ICES潮流计算的研究极为必要。
2、综合能源系统多能流潮流计算问题
综合能源系统多能流潮流计算问题的一般数学描述为：
式中:Ye是电力系统方程，包括有功功率平衡方程和无功功率平衡方程;Yg是天然气系统方程，包括天然气管道方程和压缩机方程;Yh是热力系统方程，包括流量连续性方程、回路压头方程、热量方程、管道温度降落方程和节点混合温度方程;xe是电力系统的变量，包括电压相角、电压幅值、有功功率、无功功率等;xg是天然气系统的变量，包括节点压力、天然气流量、天然气负荷等;xh是热力系统的变量，包括供热温度、回热温度、热水流量、热负荷等。
与传统电力系统潮流计算问题相比，多能流潮流计算问题具有以下难点:涉及多个系统，每个系统满足不同的物理定律，各个系统的方程差别较大;涉及多种能量流，每种能量流的传输速度不同，传输的形式和所需的介质也不相同;涉及多种类型变量，不同类型变量所表示的物理量存在较大差异。因而，与传统的电力系统潮流问题相比，多能流潮流计算问题包含的变量更多，非线性更强，且涉及到热力系统的延时传输方程，求解将会更加复杂。
3、区域综合能源系统潮流计算
传统处理多目标优化问题的方法是将多个目标函数转化为单一目标就行求解，如加权求合法、ε-约束法以及最小最大法等。采用单目标优化方法对目标权重的选择需要大量的经验判断，此外还存在计算复杂度的增加、鲁棒性变差等问题。
基于遗传算法的多目标优化算法能够给出尽可能多的非劣解，有效避免局部最优情况的出现，目前在解决多目标优化问题上得到了大规模的使用。其中，改进的非劣排序遗传算法(nondominatedsortinggeneticalgorithmII，NSAG-II)在处理多目标优化问题上得到的广泛的应用[27-30]。该算法通过引入了快速非劣排序算法，降低了计算的复杂度；通过引入分层(front)和拥挤距离(crowdingdistance)的概念作为保留优秀个体的标准，使Pareto解的范围得以扩展，同时最优前沿分布更加均匀；通过引入精英策略，使得种群中的优秀个体得以保存，算法的计算效率与鲁棒性得以提高。
为了对ILAES多目标最优混合潮流模型进行有效求解，基于Matlab及OpenDSS平台搭建了计算平台。整个计算平台主要包括3个计算模块：1）配电网三相潮流计算模块；2）燃气管网潮流计算及EC潮流计算分析模块；3）优化计算模块。OpenDSS用来进行配电网三相潮流的计算分析。燃气管网潮流计算分析、EC潮流计算分析以及最优混合潮流数学建模均在Matlab平台实现。EC潮流计算分析模块用于分析计算EC与电/气网络的交换功率大小、边界以及EC内部的功率分配及能量转换。基于组件对象(OpenDSSEngine.DLL)可实现OpenDSS计算程序与Matlab平台其他计算分析模块之间的数据通信。
4、综合能源系统互补
4.1遗传算法
遗传算法的产生是借鉴于自然界中生物体的遗传进化过程，它是通过全面地模拟生物体的自然选择和遗传规则，发展出的以“生成＋检验”为特征的全局搜索算法。遗传算法将原有变量空间转化为编码空间，利用适应度函数来评价参数优劣，通过对每一代全体的子串进行操作实现基因的选择与遗传，以此进行迭代。
遗传算法中的染色体是指是生物遗传物质的载体，表征生物体内一组基因的集合。位串是群体中不同个体的表示形式，对应于生物的染色体。基因是生物体遗传物质的基本单元，控制生物性状。基因型定义遗传特征和表现，对应于遗传算法中的位串。个体是遗传算法求解中的基本对象。表现型是指具有某一基因型生物体的具体表现特征。群体是指个体的集合，每个集合中的个体数量称为群体规模，初始群体称为种群。适应度是指个体对于生存场景的适应程度和生存能力，其表现取决于生物体的遗传特性。进化是指生物在延续过程中，逐渐适应周围的生存环境，使得其基因品质不断得到改良，适应度不断提高的现象。
4.2群体的设计
与其他传统的随机搜索算法相比，遗传算法的一大特征是它的整个解法是基于解的群体进行迭代的，这就使得它在求解时能够实现全局随机的并行性搜索，具有较好的鲁棒性能。因此，在实际应用时，设定合理的群体规模对求解性能骑着重要作用。群体规模与集群中个体表现型的多样性是正相关的，通过扩大群体规模能够有效提高算法求解过程中搜索的质量，能够减小收敛到局部的可能，但同时，由于求解过程中的重要步骤是评价个体的适应度，如果群体规模过大，计算量会相应增大，降低搜索速度，因此应该选择大小合适的群体规模。
总之，为满足区域综合能源系统多维度优化调度及能量管理的需求。做好区域综合能源系统潮流计算非常重要，进一步加强研究非常有必要。
参考文献
[1]谭玉华.个体为本的综合能源系统建模及仿真[D].华南理工大学，2015.
[2]郝然，艾芊，朱宇超，伍恒，梁中熙.基于能源集线器的区域综合能源系统分层优化调度[J].电力自动化设备，2017，37(06):171-178.
[3]别朝红，王旭，胡源.能源互联网规划研究综述及展望[J].中国电机工程学报，2017，37(22):6445-6462+6757.