一项针对综合能源系统（Integrated Energy Systems, IES）的优化运行与规划研究，为解决现代能源网络面临的效率、可靠性与环保挑战提供了创新方案。该研究由来自伊朗莫哈格·阿尔达比里大学能源管理研究中心的Farzam Monfaredi和Hossein Shayeghi，以及来自罗马尼亚皮特什蒂大学、国家低温与同位素技术研发院和布加勒斯特理工大学的Nicu Bizon共同完成。其研究成果以论文《在混合电力和天然气网络中开发综合能源系统的最优能源管理》为题，于2022年1月13日在线发表在学术期刊《Journal of Energy Storage》第48卷上。
一、研究背景与目标
本研究植根于多能源系统协同优化这一前沿科学领域。传统的能源系统（如电力、天然气、供热系统）往往独立运行，效率受限且难以应对高比例可再生能源的波动性。随着分布式能源（Distributed Energy Resources, DERs）和热电联供（Combined Heating and Power, CHP）单元的广泛应用，电力、天然气和热能载体之间的互动日益紧密，驱动能源系统向集成化、多载体化方向发展。综合能源系统（IES）通过整合多种能源供应形式、储能系统（Energy Storage Systems, ESSs）和能量转换设备，在网络、负荷和源侧实现不同形式能量的耦合，为提高能源效率、可靠性、供电质量，减少环境污染和增强能源供应灵活性提供了广阔前景。
然而，实现IES优化运行面临核心挑战：如何在不同能源类型之间确定最优的互动方式，以同时满足电、热（冷）负荷需求，从而最大化整体能源利用效率。现有研究多在单一网络或有限设备类型中进行优化，缺乏对大规模、混合电-气网络物理约束下，同时考虑经济运行与环境效益的系统性规划与调度方法的深入探索。因此，本研究旨在填补这一空白，提出一种新颖的IES最优运行与规划方法，核心目标是在满足所有技术约束的前提下，同时最小化系统的总运行成本和净排放量。
二、详细研究流程与方法
本研究构建了一个复杂的仿真与优化框架，其工作流程可分为三个核心阶段：不确定性建模与场景生成、系统建模与集成、以及基于智能算法的多目标优化求解。
第一阶段：不确定性建模与场景生成（基于蒙特卡洛模拟） 研究首先正视了现实能源系统中的不确定性，包括可再生能源（光伏PV和风电WT）出力、电负荷和热负荷的日前预测误差。为此，研究采用了蒙特卡洛模拟（Monte Carlo Simulation）来生成大量可能的情景。具体而言，基于给定的预测值和误差范围（例如，可再生能源出力误差±30%，电负荷误差±5%，热负荷误差±3%），随机生成了3500个场景。这些场景代表了各种不确定变量的可能实现，为后续的鲁棒优化提供了输入基础，确保优化方案能够适应广泛的运行条件，而不仅仅是最优预测情景。
第二阶段：系统建模与集成 此阶段建立了包含混合网络和多种设备的详细数学模型。 1. 综合能源系统（IES）设备建模：研究构建的IES包含光伏（PV）、风机（WT）、冷热电三联供（Combined Cooling, Heating and Power, CCHP）厂、燃料电池（FC）、垃圾焚烧（Rubbish Burning, RB）电厂、厌氧反应器-重整器系统、电池储能系统（Battery Energy Storage System, BESS）、储热系统（Thermal Energy Storage System, TESS）、氢罐（HT）、锅炉，并通过单向天然气交换和双向电力交换分别与上游天然气网络和主电网（Main Power Grid, MPG）相连。论文详细给出了每种设备的出力模型、效率模型、成本模型（包括燃料成本、运维成本和启停成本）以及排放模型。例如，微型燃气轮机（MT）的电/热出力与其天然气消耗量成正比；燃料电池的出力则与甲烷消耗量和重整效率相关；储能系统（BESS, TESS, HT）的模型基于能量守恒，考虑了充/放电效率和自损耗。 2. 混合网络物理约束建模： * 电力网络：采用修改后的IEEE 33节点径向配电系统作为测试平台，并将其划分为四个地理区域（热区）。使用DistFlow（配电潮流）分支方程来描述径向网络中的有功、无功功率流和电压分布，并考虑了节点电压偏差约束。 * 天然气网络：采用一个八节点天然气传输网络模型。建模包括天然气供应商、负荷、管道和压缩机。管道中的气流与两端节点压力的平方差相关（韦茅斯方程），压缩机用于维持管道压力，其消耗的天然气作为传输损耗。模型通过节点平衡方程确保天然气流的守恒，并包含气压、气源出力、压缩机功率比等物理限制。 3. 耦合与交互：电力网络中的燃气设备（如CCHP、锅炉）是电-气网络耦合的关键点，其运行状态同时受到两个网络物理约束的限制。IES内部的能量流则通过电平衡方程和热平衡方程进行耦合，确保在任何时刻电负荷和热负荷都能得到满足。
第三阶段：多目标优化求解（基于自适应粒子群算法） 研究将最优运行规划问题构建为一个多目标优化问题，目标函数为最小化总运行成本，并同时通过约束处理排放量。总运行成本包括各单元的燃料成本、运维成本、启停成本、与主电网的交换成本，并减去售热收入。该优化问题在满足前述所有设备运行约束和网络物理约束的条件下求解。 为高效求解这一大规模、非线性、多约束的复杂优化问题，研究提出采用自适应粒子群优化（Adaptive Particle Swarm Optimization, APSO）算法。APSO是对标准粒子群算法（PSO）的改进，能够根据搜索进程动态调整参数，增强全局搜索能力并避免早熟收敛。研究中，APSO算法被用于确定IES中各组件的最优容量配置（规划）和24小时内的最优调度计划（运行），包括各发电单元的启停与出力、储能的充放电状态、以及与主电网的交换功率。
三、主要研究结果与分析
通过执行上述优化流程，研究得到了详尽的日前最优运行方案，并对比了不同优化算法的性能。
最优运行调度结果：
优化算法性能对比： 研究将提出的APSO算法与标准的粒子群算法（PSO）和遗传算法（Genetic Algorithm, GA）进行了对比。结果以数据清晰表明APSO的优越性：
四、研究结论与价值
本研究的核心结论是，通过所提出的基于APSO算法的优化框架，可以实现大规模综合能源系统在混合电-气网络环境下的高效、经济、环保运行。该方法不仅优化了各能源组件的调度，还通过储能系统的智能管理，增强了系统应对可再生能源波动和利用市场价格信号的能力。仿真结果证明，该方法在确保配电系统安全、满足用户热舒适度、遵守网络运行限制的同时，能够鲁棒地优化运行利润。
研究的科学价值在于：第一，提出并验证了一个全面考虑电、气网络物理约束及多种能源转换与存储设备的IES集成建模与优化框架。第二，证明了将自适应智能优化算法（APSO）应用于此类复杂问题的有效性。第三，明确了电-热-气多能流协同优化在提升整体能源利用效率、降低成本和减少排放方面的巨大潜力。
其应用价值显著：为区域能源系统、工业园区微网或城市能源互联网的规划设计与运行管理提供了可借鉴的技术方案和决策支持工具。通过协调不同能源基础设施，可以提升能源供应的灵活性和韧性，促进更高比例的可再生能源消纳，助力碳中和目标的实现。
五、研究亮点与创新
本研究的亮点与创新主要体现在以下几个方面： 1. 系统性集成：研究不是孤立地优化电力或热力系统，而是首次在一个框架内大规模集成了修改的IEEE 33节点配电系统和一个八节点天然气网络，并考虑了风电、光伏、CCHP、燃料电池、垃圾发电、多种储能（电、热、氢）等十多种分布式能源，建模全面。 2. 双重目标与鲁棒性：研究同时以经济成本最小化和环境排放最小化为目标，并采用蒙特卡洛模拟处理不确定性，使优化方案具备鲁棒性，更能适应实际运行中的波动。 3. 算法创新与应用：采用并验证了自适应粒子群优化（APSO）算法在此复杂问题上的优越性能，相较于传统PSO和GA，在降低成本和减少排放方面取得了可量化的显著提升。 4. 清晰的运行逻辑与策略：研究通过详细的流程图和调度结果分析，清晰地阐述了电、热负荷供应优先级，以及储能系统与主电网、分布式电源之间的互动策略，具有很高的可解释性和工程指导意义。
六、未来展望
作者在结论中指出，本研究仅涉及了氢存储在两个区域的应用，未来可将此扩展至为燃料电池汽车供氢等场景。随着用户负荷需求的持续多样化，IES优化运行的空间将进一步扩大。因此，考虑系统不确定性下的日内在线运行、整合电动汽车和燃料电池汽车（V2G/G2V），将是未来重要的研究方向。这些延伸将进一步考验和丰富综合能源系统的优化管理理论。