0 引言
多能源系统是由多种形式能源交互形成的复杂系统，如电网、热网、天然气网之间的能量交互与传输，其中多能源耦合和转换特性为多能源系统协调运行提供了较大的优化空间[1-4]。一方面，随着大规模可再生能源并网技术、高效能量转换装置开发利用技术、智能优化技术和信息处理技术的发展，多能源系统在含电热冷气多种能源生产、转换、存储和消费方式上的协调优化效果有所提升；另一方面，多能源系统对新型能源耦合设备具有友好性，能较好地兼容氢能、生物质能等清洁能源的接入。在2019年1月国务院发布的《“无废城市”建设试点工作方案》中，明确指出大力推进城市垃圾源头减量化、利用资源化和处置无害化的绿色城市发展模式。因此，随着城市垃圾能源化利用技术发展，垃圾和废物处理设施的能源产出与消耗将成为能源系统的重要组成部分。
同时，在无废城市背景下，集成了环保型生活垃圾处理设施的无废城市多能源系统中，由于可再生能源出力、垃圾处理发电系统出力以及多种类负荷等源荷的不确定性，也为多能源系统协调运行能力的提升带来巨大挑战。如何提升无废城市多能源系统中的可再生能源利用率、城市固体废物最大化处理以及运行经济性是快速推进生活垃圾处理设施与城市多能源系统高效协调的关键和难点问题之一。
大容量电池储能装置的优化运行是解决在多能源系统中源荷不确定性条件下维持系统稳定性和提升系统调节能力等问题的一种有效手段[5-8]。但储电装置存在价格高、寿命短以及易造成环境污染等自身技术缺陷，因此，国内外学者展开对虚拟储能、广义储能以及多源储能等新型大容量储能或具有能量存储特性储能系统的研究。文献[9]针对风电不确定性，在建筑物的储冷特性研究基础上，提出基于模型预测控制的楼宇电制冷优化控制方法，可有效提升具有储冷特性的楼宇综合能源系统运行的经济性和鲁棒性。文献[10]提出基于建筑物冷热虚拟储能和实际电池储能相结合的居民住宅微网能量管理策略，以提升可再生能源利用率。文献[11]考虑热网蓄热动态特性，提出基于热网虚拟储能的综合能源系统优化调度方法，可提升电能和热能的能源互补协调能力，降低系统运行成本。文献[12]在研究储电、储热、储冷和需求侧资源的多能互补广义储能模型的基础上，提出基于广义储能的区域综合能源系统运行优化方法，可提高系统风电光伏接纳能力。文献[13]针对风电消纳问题，研究多能源系统中能源转换与存储模型及其自治运行策略，提出一种可以替代电池储能的多能源系统及运行优化模型。文献[14]提出了一种考虑电转气技术的电、热、氢多源储能模型，该模型能够较好地应对电网调峰需求，并具有一定的经济性和灵活性。文献[15]考虑能源系统中的能源传输和耦合特性，建立基于自能源的多能源系统模型及参数辨识方法，可有效提升多能源系统运行的经济性和灵活性。
以上研究成果在多能互补耦合特性、多能源系统运行特性以及储能系统充放能特性方面进行了研究，并取得了一定的成果。现有储能系统研究成果多基于配网级多能源系统或微网级多能源系统，城市级多能源系统中基于无废城市废物处理设施的多能源协调储能系统相关研究较少。针对可再生能源比例较高的城市多能源系统，当垃圾处理发电系统接入后，系统中能源种类多，耦合关系复杂，可再生能源消纳和垃圾减量难度大等特性将更加突出。另外，基于垃圾处理设施、可再生能源发电系统、能源存储与转换装置在空间尺度上的分布特征，以及垃圾处理过程的能源供需、可再生能源出力、能源存储与转换在时间尺度上的可调节特性等实现无废城市多能源整体协同优化，能够有效提升无废城市多能源系统整体运行性能和能源供需调节能力。
本文提出一种考虑城市生活垃圾发电设施及电、热、冷、气、氢多种类能源交互的无废城市多能源协调储能模型（Multi-Energy Coordinated Energy Storage Model in Zero-Waste Cities, MECESM-ZWC）及运行优化方法。针对多种能源耦合关系复杂以及源荷不确定性强等特点，提出基于垃圾处理设施能源供需特性及多能源存储和转换装置协调的无废城市多能源协调储能系统模型，及其在源荷不确定性状态感知条件下的优化运行模型。在IEEE-39系统模型和7节点天然气系统模型基础上，建立了无废城市多能源协调储能系统及其运行优化仿真模型。仿真结果表明，本文提出的能够有效兼容垃圾处理设施的无废城市多能源协调储能系统具有较好的运行经济性和电网气网调节能力。
1 无废城市多能源协调储能模型
本文在集成了废物处理设施的多能源系统基础上，进一步提出无废城市多能源协调储能模型（MECESM-ZWC），构建包含可再生能源发电、城市生活垃圾处理设施、电-气-热能量转换、能量存储和能量消费单元的无废城市多能源协调储能模型。无废城市多能源协调储能模型拓扑结构如图1所示。该系统能够协调电、热、冷、天然气、氢气、城市生活垃圾等多种能源形式，并在源荷不确定性状态感知基础上，实现可再生能源和城市生活垃圾最大化利用。
图1 无废城市多能源协调储能模型拓朴结构
Fig.1 The model of MECESM-ZWC
1.1 能量转换模型
1.1.1 城市生活垃圾发电设施
城市垃圾废物处理设施种类较多，包括焚烧、堆肥和热解气化等，本文针对城市生活垃圾发电系统进行建模，其拓扑结构如图2所示。
图2 城市生活垃圾发电设施拓扑结构
Fig.2 Topological structure of municipal solid waste power generation facility
假设城市生活垃圾每小时产生总量为 mkg/h，经分选后，将比例为 βPG可气化城市生活垃圾（塑料、纺织等）投入到热解气化炉产生可燃混合气体，经混合气体炉燃烧，产生的高温烟气为废锅加热，同时，将比例为 βMSWI可焚烧城市生活垃圾送至密封的存放池，由吊抓送入进料斗，在机械炉排炉内依次经历干燥、焚烧和残渣过程，产生的高温烟气为废锅加热，废锅即余热锅炉，将高温烟气转换为高压蒸汽，推动汽轮机发电，相关函数表达式为
式中，βPG为可气化城市生活垃圾比例；βMSWI为可焚烧城市生活垃圾的比例；βSP为存放池排出渗滤液后剩余可燃烧城市生活垃圾的比例，且满足βPG+βMSWI=1；LHVMSW为可燃烧城市生活垃圾低品位热值，取值为 5 000kJ/kg；ηMSWI为焚烧炉效率；ηC TS MSW为厂用电率；LHVPG为可气化城市生活垃圾低品位热值，取值为 14 380kJ/kg；ηPG为热解气化炉效率；ηMGB为混合气体炉热效率；QMSWI,out为城市生活垃圾焚烧产生的高温烟气热量；QPG,out为城市生活垃圾热解气化再燃烧后产生的高温烟气热量；ηWHB为汽轮机发电效率。
1.1.2 其他能量转换设备
1）电锅炉
式中，PEB,out为电锅炉制热功率；ηEB为电锅炉的电、热转换效率；PEB,in为电锅炉输入的电功率。
2）氢电解槽
本文选用质子交换膜电解槽作为电能和氢能之间的耦合单元[16]，制氢功率表达式为
式中，PHC,out为氢电解槽制氢功率；ηHC为氢电解槽效率，假设转换效率为固定值；PHC,in为氢电解槽输入的电功率。
为简化研究，制氢功率折算为氢电解槽的产氢量进行计算。
式中，EHC为单位时间氢电解槽的产氢量；
为氢气的高热值，取值为3.54kW·h/(N·m3)。
3）氢气甲烷化反应器
氢气甲烷化反应器的制天然气功率为
式中，PHM,out为甲烷反应器生成的天然气功率；ηHM为甲烷反应器的运行效率；EHM,in为氢气甲烷化反应器输入的氢量；
为天然气低热值，取值为
为氢气转换为天然气的摩尔质量折算系数，取值为4；
为气网管道单位立方米的气体质量。
4）氢燃料电池
根据氢燃料电池电堆反应原理[14]，氢燃料电池输出电功率为
式中，PHFC,out为氢燃料电池输出电功率；EHFC,in为氢燃料电池输入的氢量；VHFC为氢燃料电池电堆电压；F为法拉第常数；ηHFC为氢燃料电池电效率；
为氢气摩尔质量，取值为2.02。
5）甲烷燃料电池
甲烷燃料电池输出电功率为
式中，PMFC,out为甲烷燃料电池输出电功率；EMFC,in为甲烷燃料电池输入的甲烷量；
为天然气高热值，取值为 11.06kW·h/(N·m3)；VMFC为甲烷燃料电池电堆电压；ηMFC为甲烷燃料电池电效率；
为甲烷摩尔质量，取值为16.04。
6）电制冷机
式中，PEC,out、PEC,in分别为电制冷机输出制冷功率和输入耗电功率；ηEC为电制冷机能源转换效率。
1.2 能量存储模型
1）储热
式中，EHST为储热罐的储热容量；PHST,in和 PHST,out分别为储热和放热功率；
分别为储热和放热效率。
2）储冷
式中，ECST为储冷设备的储冷容量；PCST,in和PCST,out分别为储冷和放冷功率；
分别为储冷和放冷效率。
3）储气
式中，EMST储气罐的储气容量；EMST,in和EMST,out分别为储气和放气量。
4）储氢
式中，EHT储氢罐的储氢容量；EHT,in为储氢罐的输入氢量；EHT,out为储氢罐的输出氢量。
1.3 源荷不确定性状态感知模型
城市生活垃圾发电设施出力PCTSMSW,out、可再生能源出力PRE,out和电、热、冷、气、氢负荷PE,load、
均具有不确定性，其状态的精确和快速感知是无废城市多能源协调储能安全高效运行的前提。
首先，给出源荷不确定性的定量描述。根据可信预测精度的概念[17]，无废城市多能源协调储能源荷不确定性状态置信水平定义为某一时刻源荷预测数据与实际数据之差与该时刻源荷预测数据的比值，具体为
式中，Ri(t)为置信水平；
(t)为源荷节点i在t时刻预测数据；xi(t)为源荷实际数据。源荷置信水平将影响无废城市多能源协调储能对于可再生能源的消纳和城市生活垃圾的处理效果。
然后，对无废城市多能源协调储能状态进行感知。泛在大数据状态感知模型是通过传感器网络对源荷的状态数据采集处理后，获取当前无废城市多源储源荷不确定性状态理解，并对未来状态进行预测。粒子滤波算法能够实现对未知非线性系统状态特征的获取[18]，因此，本文采用粒子滤波算法对源荷的海量数据进行化简及理解预测，得到源荷置信水平的估计值，保证无废城市多能源协调储能状态感知的质量与精度。
无废城市多能源协调储能源荷节点 i在 0～k时刻采集数据集合定义为输入，即
={xp, p=0,…, k}。节点功率定义为输出yk。当p取0时，在[xmin, xmax]内随机采样N次，组成采样序列粒子，{
(j), j=1,…, N}对任意一个采样序列分配权重系数
(j)。
式中，p(yk|
(j))为相似性，定义为
式中，
为时刻k对应的偏差；f(·)为输入输出对应的函数关系。
对带权粒子样本
进行多项式重采样，得到等权粒子样本
进一步获取预测状态估计值
为
根据源荷不确定性状态定义，得到此时源荷不确定性状态置信水平为
由此得到，源荷不确定性状态在 t时刻的置信水平集合{Ri(t), i=1, …, I}，i分别代表城市生活垃圾发电设施出力、可再生能源出力以及电热冷气氢负荷功率，置信水平用以表征 t时刻无废城市多能源协调储能中源荷不确定性状态的量化值。
根据式（17）有
式中，
分别为可再生能源出力和城市生活垃圾发电设施出力在目标置信水平 RRE、RCTSMSW下对应值；
分别为调度周期内总负荷在目标置信水平Rs,load下对应峰、谷值；s分别取E、H、C、G、H2。
2 无废城市多能源协调储能优化模型
无废城市多能源协调储能系统作为一个具有能源产生、转换、存储和消费特性的城市级多能源协调储能系统参与多能源系统运行优化，根据城市生活垃圾发电设施出力、多源负荷以及风光发电功率的状态感知，优化能量存储设备和其他能量转换设备等可控变量，制定无废城市多能源协调储能优化运行策略，具体目标如下：基于无废城市多能源系统中垃圾发电、可再生能源、能源转换存储间的协调运行，实现：①最大化无废城市多能源系统作为整体的电和天然气能量输入输出外特性调节能力，实现城市级电能存储和天然气能存储；②最小化无废城市多能源协调储能的运行和损耗成本，实现能量的最佳协调利用，提升运行效益；③提高可再生能源利用率，同时实现城市生活垃圾的最大化减量处理；④降低城市多能源系统中电、热、冷、气、氢多种类能源负荷峰谷差。
2.1 目标函数
无废城市多能源协调储能总运行成本CMES，包括外部电、气能源交易成本Ctr，能量转换成本CT，能量损耗成本CL，弃可再生能源、弃固废能源成本CSource，以及降低多种类能源负荷峰谷差成本CLoad。以总运行成本最小化为目标，即
式中，PELE为向系统外部电网购电功率，负值表示售电功率；PGAS为系统外部天然气网购气功率，负值表示售气功率；cELE为售电价格；cGAS为售气价格；cFFPP、cCTSMSW、cRE、cEB、cHC、cHM、cHFC、cMFC、cEC分别为纯凝机组、城市生活垃圾发电设施、可再生能源发电、电锅炉、氢电解槽、氢气甲烷化反应器、氢燃料电池、甲烷燃料电池和电制冷机设备的单位时间单位功率运行维护成本；CFFPP,on/off为纯凝机组起停成本；
分别为储热、储冷、储气、储氢设备的能量损失单位成本 cREL、cCTSMSWL分别为弃可再生能源、弃固废能源代价函数；
分别为电、热、冷、气、氢负荷在调度周期内峰谷差调节成本。
2.2 约束条件
约束条件包括无废城市多能源协调储能中能量转换设备约束、能量存储设备约束、能量平衡约束和网络约束。
1）纯凝机组约束
式中
分别为纯凝机组出力的最小值和最大值。
式中，
分别为纯凝机组向下爬坡速率和向上爬坡最大速率。
2）城市生活垃圾发电设施约束
式中，
分别为城市生活垃圾发电设施出力的最小值和最大值。
式中，
分别为向下爬坡速率和向上爬坡最大速率。
3）可再生能源出力约束
式中，
为可再生能源出力上限。
4）电锅炉输入电功率约束
式中，
为电锅炉输入电功率的上限。
5）氢电解槽输入电功率约束
式中，
分别为氢电解槽输入电功率的下限和上限。
6）氢气甲烷化反应器出力约束
式中，
为氢气甲烷化反应器出力上限。
7）氢燃料电池出力约束
式中，
为氢燃料电池出力上限。
8）甲烷燃料电池出力约束
式中，
为甲烷燃料电池出力上限。
9）电制冷机输入电功率约束
式中，
为电制冷机输入电功率的上限。
10）储热约束
式中，
分别为储热装置的储、放热功率的上限；
分别为储热装置容量上、下限。
11）储冷约束
式中，
分别为储冷装置的储、放冷功率的上限；
分别为储冷装置容量上、下限。
12）储气约束
式中，
分别为储气容量上、下限。
13）储氢约束
式中，
分别为储氢容量上、下限。
14）能量平衡约束
式（38）、式（39）、式（40）、式（41）、式（42）分别代表电、热、冷、气、氢的节点功率平衡。
15）电力网络约束
式中，θELE,ij、xELE,ij分别为电力网络支路i-j的相位差和电抗值；
为电力网络支路 i-j的功率流上限值。
16）天然气网络约束
式中，PGAS,p、PGAS,q分别为天然气网络管道p-q的入口与出口的气体功率；
分别为管道p-q的流量上、下限值。
2.3 无废城市多能源协调储能优化策略
无废城市多能源协调储能优化过程，不仅要考虑生活垃圾处理系统与多能源系统的协同关系，还必须考虑提升以整个多能源系统作为城市级电能存储和天然气能存储的对外调节能力，以及系统运行的经济性。无废城市多能源协调储能优化策略能够在感知城市生活垃圾发电系统出力、可再生能源出力和电、热、冷、气、氢负荷不确定性的前提下，进行以无废城市多能源协调储能系统作为基本运行单元的多能源系统运行优化，具体优化策略如图3所示。
2.4 模型求解
本文建立的无废城市多能源协调储能优化模型是包含目标置信水平的随机机会约束规划模型，可采用混沌粒子群算法对优化模型求解[19]，求解流程如图4所示。
图3 无废城市多能源协调储能优化策略
Fig.3 MECESM-ZWC optimization strategy
图4 基于混沌粒子群的模型求解流程
Fig.4 Flow chart based on chaotic particle swarm algorithm
3 算例分析
3.1 仿真数据
本文基于修改的IEEE 39节点电力系统和7节点天然气系统组成的无废城市多能源协调储能进行算例分析[17,20]。算例仿真系统结构如图5所示，其中电力系统节点30与外部电网连接，天然气系统节点 1与外部天然气网连接，运行周期为 24h，步长为1h，算例装置的相关参数见表1。风电、光伏出力、城市生活垃圾发电量和电、热、冷、气、氢负荷预测值如图6所示，其中冷负荷采用夏季典型日负荷值，热负荷考虑工业用户和热水。基于Matlab 2019a仿真平台进行建模和求解。
表1 算例装置的相关参数
Tab.1 Parameters of the device
images/BZ_133_1282_731_1666_784.pngimages/BZ_133_1666_731_1998_784.pngimages/BZ_133_2020_731_2234_781.pngimages/BZ_133_1282_786_1666_1218.pngimages/BZ_133_1688_802_1975_852.png images/BZ_133_2020_802_2234_852.pngimages/BZ_133_1666_786_1998_1218.png images/BZ_133_2020_852_2234_902.png images/BZ_133_2020_902_2234_952.png images/BZ_133_2020_952_2234_1002.png images/BZ_133_2020_1002_2234_1052.png images/BZ_133_2020_1052_2234_1102.png images/BZ_133_2020_1102_2234_1152.png images/BZ_133_2020_1152_2234_1202.pngimages/BZ_133_1282_1220_1666_1272.pngimages/BZ_133_1666_1220_1998_1272.png images/BZ_133_2020_1221_2234_1271.pngimages/BZ_133_1282_1272_1666_1325.pngimages/BZ_133_1666_1272_1998_1325.png images/BZ_133_2020_1274_2234_1324.pngimages/BZ_133_1282_1325_1666_1380.pngimages/BZ_133_1666_1325_1998_1380.png images/BZ_133_2020_1327_2234_1378.pngimages/BZ_133_1282_1380_1666_1433.pngimages/BZ_133_1666_1380_1998_1433.png images/BZ_133_2020_1382_2234_1432.pngimages/BZ_133_1282_1433_1666_1486.pngimages/BZ_133_1666_1433_1998_1486.png images/BZ_133_2020_1433_2234_1483.pngimages/BZ_133_1282_1486_1666_1541.pngimages/BZ_133_1666_1486_1998_1541.png images/BZ_133_2020_1488_2234_1538.png
3.2 算例设置
为对比分析无废城市多能源协调储能相较于传统电池储能的调节效果和协调运行特性以及生活垃圾处理效果，设置如下三种场景：
（1）场景 1。系统中不加装图5虚线连接的能源耦合单元以及城市生活垃圾处理设施，节点 33、35城市生活垃圾发电设施采用常规火电厂代替，节点32、34、39燃料电池采用大规模电池储能代替，天然气系统节点7氢气甲烷化反应器由同等容量气源代替，使得电网和天然气网之间解耦。
图5 仿真系统图
Fig.5 Diagram of simulation system
图6 源荷预测功率曲线
Fig.6 Forecasted curves of source and load
（2）场景 2。系统中不加装图5虚线连接的城市生活垃圾处理设施，节点33、35城市生活垃圾发电设施采用常规火电厂代替，使得城市多能源系统不具备城市生活垃圾处理能力。
（3）场景 3。本文所提无废城市多能源协调储能模型。
3.3 仿真结果
3.3.1 电网、天然气网调节效果及经济性分析
电网、天然气网调节特性体现在峰时段或谷时段无废城市多能源协调储能与外部能源网的能量交互。电网、天然气网根据调峰需求制定动态价格，无废城市多能源协调储能系统根据动态价格调整运行策略，如图7所示。动态价格分别包括购电、购气、售电和售气动态价格，其中，售电和售气价格在低谷时段存在负值，作用是利用市场价格机制减小电网、天然气网在低谷时段调节压力，提升无废城市多能源协调储能系统在整个运行周期内为电网、天然气网提供能量调节的经济性。
图7 电网、天然气网动态价格曲线
Fig.7 Dynamic price curves of power grid and natural gas network
为验证无废城市多能源协调储能对于电网、天然气网的调节效果及经济性，对三种场景进行对比分析。图8为场景1、场景2和场景3中城市多能源系统与外部电网、天然气网的交互功率曲线。通过对比可知，场景1中无废城市多能源协调储能与电网和天然气网之间的电交互功率和气交互功率在低谷时向外售电、售气，高峰时购电、购气，导致外部电网和天然气网峰上加峰，不利于电网和天然气网的调节，其原因主要是城市电网和城市天然气网完全独立，缺少在时间尺度上具有可调节特性的能源转换单元，同时大容量储气、储氢等能源存储单元的运行决策结果也只能根据各自系统运行目标计算得出，无法对城市中多能源系统协同优化。以1:00～5:00电网低谷时段为例，此时城市电网中风电大发，电网出现调峰压力，虽然城市中配有大容量储气、储氢，但电能、天然气能、氢能能量无法协同，导致城市电网在低谷时段只能向外部电网输送电能或弃风，此时由于售电电价为负，同时弃风成本较大，使得整个城市电网经济性下降。场景2和场景3则相反，在低谷时购电、购气，高峰时售电、售气，通过动态价格的设定，参与电网和天然气网的峰谷调节，协调城市多能源系统中具有可调节特性的能源存储与转换设备，优化系统中的决策变量，实现整个系统综合运行成本最小。不同的是，场景2中城市多能源系统对外调节能力小于场景3的调节能力，难以完全响应电网、天然气网的调峰需求，主要原因是常规火电机组的起停及运行成本远高于生活垃圾发电设施运行成本，限制了系统中电源的调节，因此场景2中系统对外调节能力略显不足。
图8 电网、天然气网交互功率结果
Fig.8 Interactive power results for power grid and natural gas network
图9为能源耦合单元出力曲线。图9a为场景1储电的功率曲线，假设储电为正值、放电为负值，图9b和图9c分别为场景2和场景3甲烷燃料电池、氢燃料电池和氢气甲烷化反应器的功率曲线。由图可知，场景1中储电由于自身容量和存储特性的限制，在 23:00～7:00低谷时段充电，高峰时段放电，为维持系统功率平衡，最大限度充、放电能，具有一定的功率调节能力。但由于场景1只具备储电能力，能源形式单一，并且不同并网位置的储电设备充放能特性类似，储电容量的线性增加并不会导致电网调节能力线性增加，电网调节存在瓶颈，另外，储电的建设及运行成本过高，导致系统经济性降低。因此，场景1虽然能够在一定程度提升电网调节能力，但无论在多种类能源综合利用方面，还是系统经济性提升方面，都具有局限性。场景 2和场景 3运行结果类似，燃料电池及氢气甲烷化反应器输出功率都能较好地与负荷曲线匹配，主要原因是，一方面燃料电池运行状态调整的综合运行成本要明显低于火电调节，并且燃料电池调节能力更强；另一方面，燃料电池及氢气甲烷化反应器作为电网和天然气网的能源耦合单元，能够配合大规模储气、储氢设备，使整个多能源系统运行方式更为合理，可有效地对系统进行峰谷调节，是电网、天然气网调峰的一种高效灵活性资源，同时，可为可再生能源接纳提供空间。值得注意的是，场景2的负荷曲线匹配程度要略高于场景 3，原因是由能源转换单元以及储气、储氢等储能设备组成的能源枢纽在为场景3中的系统提供一定多能源备用容量的同时，还需要考虑城市生活垃圾发电系统的能源供需不确定性，但场景2中缺少生活垃圾发电系统，导致城市多能源系统运行成本要高于场景 3，在调节效果类似的情况下，场景3的运行结果综合效益更佳。
图9 能源耦合单元出力
Fig.9 Power of energy coupling unit
根据无废城市多能源协调储能系统的最佳运行方式，即在场景3情况下，储气、储氢、储冷以及储热设备的运行优化结果如图10所示，图中曲线分别代表储气、储氢、储热和储冷设备在一个调度周期内的运行优化结果，定义储能为正，放能为负。从图中可以看出，由于储能设备时间尺度功率调节能力强，同时，电网和天然气网的耦合使储能设备的调节容量增加，因此运行方式更为灵活，各储能设备都能响应电网和天然气网的调节需求，利用低谷电价和气价进行充能，高峰时段进行放能。对于无废城市多能源协调储能而言，在合理运行范围内进行最大化调节能力的提升，是实现整个多能源系统作为城市级储能的重要手段。
图10 能源存储设备出力
Fig.10 Power of energy storage for MECESM-ZWC
表2为三种场景的运行优化结果对比。场景 1由于电网和天然气网的解耦，导致系统购电、购气成本增加，同时储电代替燃料电池，调节成本上升，系统经济性明显下降，对于系统内的可再生能源接纳能力不足。场景2中虽然常规火电机组占比较大，但由于多种能源协同优化，使得系统整体运行成本有所下降，可再生能源弃电量也明显降低。场景 3采用无废城市多能源协调储能运行策略，城市生活垃圾发电系统与多能源系统的高效协调，使运行成本和可再生能源弃电量均为最小，能够在实现垃圾处理能力和可再生能源利用率最大化的同时，提升系统经济性。
表2 优化结果对比
Tab.2 Comparison of optimization results
images/BZ_136_221_2512_365_2642.pngimages/BZ_136_365_2512_635_2642.pngimages/BZ_136_658_2527_896_2577.pngimages/BZ_136_941_2527_1179_2577.pngimages/BZ_136_635_2512_918_2642.pngimages/BZ_136_941_2577_1179_2627.pngimages/BZ_136_221_2644_365_2713.pngimages/BZ_136_365_2644_635_2713.pngimages/BZ_136_635_2644_918_2713.pngimages/BZ_136_941_2644_1179_2709.pngimages/BZ_136_221_2713_365_2781.pngimages/BZ_136_365_2713_635_2781.pngimages/BZ_136_635_2713_918_2781.pngimages/BZ_136_941_2713_1179_2778.pngimages/BZ_136_221_2781_365_2850.pngimages/BZ_136_365_2781_635_2850.pngimages/BZ_136_635_2781_918_2850.pngimages/BZ_136_941_2781_1179_2846.png
3.3.2 城市生活垃圾处理效果分析
为进一步分析城市生活垃圾处理成本对生活垃圾减容效果及可再生能源接纳能力的影响，在场景3中设置不同的城市生活垃圾处理单位时间单位功率运行维护成本 cCTSMSW，与极端情况场景 2中cCTSMSW=0进行对比，结果如图11所示。
图11 生活垃圾处理成本对生活垃圾减容效果及可再生能源接纳能力的影响
Fig.11 Impact of domestic waste disposal costs on domestic garbage capacity reduction and renewable energy acceptance
由图11可知，当不计城市生活垃圾处理成本时，即场景 2，由于城市生活垃圾系统不参与多能源系统的运行，生活垃圾采用传统方法进行处理，因此，城市生活垃圾剩余容量较多，此时生活垃圾不能被及时处理。同时，可再生能源接纳量受到系统运行中常规火电调节能力约束，可再生能源并网容量只为22%。当成本系数由0增加至3时，由于系统中生活垃圾发电系统能够通过对于垃圾的处理，促进垃圾处理过程的能源供需、可再生能源出力、能源存储与转换在时间尺度上的可调节能力的提升，间接提升无废城市多能源协调储能系统的调节能力以及系统对于可再生能源的接纳能力。以cCTSMSW=3为例，垃圾处理量提升了2 910t·h。风电接纳容量提升了152MW·h；但当成本系数进一步增加，由于生活垃圾发电系统对于垃圾处理的效益下降，将降低生活垃圾发电系统出力，由于生活垃圾发电系统的能源供需调节效果趋于饱和，间接导致了生活垃圾难以被处理，同时，可再生能源接纳能力也逐步趋于稳定。因此，无废城市多能源协调储能系统的运行优化是同时解决接纳可再生能源和提升垃圾处理能力的有效手段。
4 结论
本文考虑城市生活垃圾发电设施与多能源系统的能源耦合关系，以提升城市多能源系统经济性、垃圾处理能力、可再生能源利用率和电网气网调节能力，建立了无废城市多能源协调储能模型及其运行优化方法。该模型将无废城市多能源系统等效为一个电能和天然气能的协同储能系统，在实现系统稳定经济运行的同时，能够对外部电网气网提供调节能力支撑。算例仿真结果表明：
1）本文提出的无废城市多能源协调储能系统内的多种能源形式间具有较强的耦合互补特性，电能和气能的协调优化有效地减小了城市电、气负荷峰谷调节压力和能源供给成本，同时也将城市多能源系统的外特性等效为电能和天然气能储能系统，可为外部电、气主干网提供较大的调节能力。
2）无废城市多能源协调储能系统，能够作为兼容城市生活垃圾处理需求的基本多能源运行单元，通过运行优化实现城市垃圾处理及减量与城市多能源系统的高效协调，降低垃圾处理和能源消费成本。
3）源荷不确定性的状态感知，能够有效提高无废城市多能源协调储能优化运行水平，降低系统中源荷不确定性的影响，提升系统优化结果的准确性和鲁棒性。
4）优化结果表明，本文提出的无废城市多能源协调储能对电网的向上调节（填谷）能力为45MW，向下调节（削峰）能力为46MW，对天然气网的向上调节（填谷）能力为16MW，向下调节（削峰）能力为19MW。
[1]韩佶, 苗世洪, 李超, 等.计及相关性的电-气-热综合能源系统概率最优能量流[J].电工技术学报,2019, 34(5): 1055-1067.Han Ji, Miao Shihong, Li Chao, et al.Probabilistic optimal energy flow of electricity-gas-heat integrated energy system considering correlation[J].Transactions of China Electrotechnical Society, 2019, 34(5): 1055-1067.
[2]Huang Wujing, Zhang Ning, Yang Jingwei, et al.Optimal configuration planning of multi-energy systems considering distributed renewable energy[J].IEEE Transactions on Smart Grid, 2017, 10(2): 1452-1464.
[3]余晓丹, 徐宪东, 陈硕翼, 等.综合能源系统与能源互联网简述[J].电工技术学报, 2016, 31(1): 1-13.Yu Xiaodan, Xu Xiandong, Chen Shuoyi, et al.A brief review of integrated energy system and energy internet[J].Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.
[4]滕云, 张铁岩, 陈哲.多能源互联系统优化运行与控制技术研究现状与前景展望[J].可再生能源,2018, 36(3): 467-474.Teng Yun, Zhang Tieyan, Chen Zhe.Research status and prospects of the optimization and operation of multi-energy interconnected systems[J].Renewable Energy, 2018, 36(3): 467-474.
[5]Gu Wei, Wang Jun, Lu Shuai, et al.Optimal operation for integrated energy system considering thermal inertia of district heating network and buildings[J].Applied Energy, 2017, 199: 234-246.
[6]付菊霞, 陈洁, 滕扬新, 等.基于集合经验模态分解的风电混合储能系统能量管理协调控制策略[J].电工技术学报, 2019, 34(10): 2038-2046.Fu Juxia, Chen Jie, Teng Yangxin, et al.Energy management coordination control strategy for wind power hybrid energy storage system based on EEMD[J].Transactions of China Electrotechnical Society, 2019, 34(10): 2038-2046.
[7]叶畅, 苗世洪, 李姚旺, 等.基于改进不确定边界的主动配电网鲁棒优化调度[J].电工技术学报,2019, 34(19): 4084-4095.Ye Chang, Miao Shihong, Li Yaowang, et al.Robust optimal scheduling for active distribution network based on improved uncertain boundary[J].Transactions of China Electrotechnical Society, 2019,34(19): 4084-4095.
[8]周贤正, 陈玮, 郭创新.考虑供能可靠性与风光不确定性的城市多能源系统规划[J].电工技术学报,2019, 34(17): 3672-3686.Zhou Xianzheng, Chen Wei, Guo Chuangxin.An urban multi-energy system planning method incorporating energy supply reliability and windphotovoltaic generators uncertainty[J].Transactions of China Electrotechnical Society, 2019, 34(17):3672-3686.
[9]张风晓, 靳小龙, 穆云飞, 等.融合虚拟储能系统的楼宇微网模型预测调控方法[J].中国电机工程学报, 2018, 38(15): 4420-4428.Zhang Fengxiao, Jin Xiaolong, Mu Yunfei, et al.Model predictive scheduling method for a building microgrid considering virtual storage system[J].Proceedings of the CSEE, 2018, 38(15): 4420-4428.
[10]Cherukuri S H C, Saravanan B.Hybrid energy management strategy for residential consumers using virtual and actual storage systems[J].Journal of Energy Storage, 2019, 25: 100894.
[11]王婉璐, 杨莉, 王蕾, 等.考虑供热网储热特性的电-热综合能源系统优化调度[J].电力系统自动化,2018, 42(21): 45-55.Wang Wanlu, Yang Li, Wang Lei, et al.Optimal dispatch of integrated electricity-heat energy system considering heat storage characteristics of heating network[J].Automation of Electric Power Systems,2018, 42(21): 45-55.
[12]李宏仲, 房宇娇, 肖宝辉.考虑广义储能的区域综合能源系统优化运行研究[J].电网技术, 2019,43(9): 3130-3138.Li Hongzhong, Fang Yujiao, Xiao Baohui.Research on optimized operation of regional integrated energy system considering generalized energy storage[J].Power System Technology, 2019, 43(9): 3130-3138.
[13]滕云, 孙鹏, 罗桓桓, 等.计及电热混合储能的多源微网自治优化运行模型[J].中国电机工程学报,2019, 39(18): 5316-5324.Teng Yun, Sun Peng, Luo Huanhuan.Autonomous optimization operation model for multi-source microgrid considering electrothermal hybrid energy storage[J].Proceedings of the CSEE, 2019, 39(18):5316-5324.
[14]Teng Yun, Wang Zedi, Li Yan, et al.Multi energy storage system model based on electricity heat and hydrogen coordinated optimization for power grid flexibility[J].CSEE Journal of Power and Energy Systems, 2019, 5(2): 266-274.
[15]孙秋野, 胡旌伟, 杨凌霄, 等.基于GAN技术的自能源混合建模与参数辨识方法[J].自动化学报,2018, 44(5): 901-914.Sun Qiuye, Hu Jingwei, Yang Lingxiao, et al.Weenergy hybrid modeling and parameter identification with GAN technology[J].Acta Automatica Sinica,2018, 44(5): 901-914.
[16]朱兰, 王吉, 唐陇军, 等.计及电转气精细化模型的综合能源系统鲁棒随机优化调度[J].电网技术,2019, 43(1): 116-126.Zhu Lan, Wang Ji, Tang Longjun, et al.Robust stochastic optimal dispatching of integrated energy systems considering refined power-to-gas model[J].Power System Technology, 2019, 43(1): 116-126.
[17]葛夏鹏, 刘文颖, 蔡万通, 等.基于风电离散化概率序列的机会约束规划优化调度方法[J].电工技术学报, 2018, 33(21): 5069-5079.Ge Xiapeng, Liu Wenying, Cai Wantong, et al.Optimal scheduling method of chance constrained programming based on discrete wind power probability[J].Transactions of China Electrotechnical Society, 2018, 33(21): 5069-5079.
[18]李天成, 范红旗, 孙树栋.粒子滤波理论、方法及其在多目标跟踪中的应用[J].自动化学报, 2015,41(12): 1981-2002.Li Tiancheng, Fan Hongqi, Sun Shudong.Particle filtering: theory, approach, and application for multitarget tracking[J].Acta Automatica Sinica, 2015,41(12): 1981-2002.
[19]程泽, 董梦男, 杨添剀, 等.基于自适应混沌粒子群算法的光伏电池模型参数辨识[J].电工技术学报, 2014, 29(9): 245-252.Cheng Ze, Dong Mengnan, Yang Tiankai, et al.Extraction of solar cell model parameters based on self-adaptive chaos particle swarm optimization algorithm[J].Transactions of China Electrotechnical Society, 2014, 29(9): 245-252.
[20]罗毅, 邵周策, 张磊, 等.考虑风电不确定性和气网运行约束的鲁棒经济调度和备用配置[J].电工技术学报, 2018, 33(11): 2456-2467.Luo Yi, Shao Zhouce, Zhang Lei, et al.Robust economic dispatch and reserve configuration considering wind uncertainty and gas network constraints[J].Transactions of China Electrotechnical Society, 2018, 33(11): 2456-2467.