4、算例分析
4.1 基础数据
上海某商业园区所用储能装置为锂电池，表1为上海市分时电价，园区内典型日光伏出力及负荷特征曲线见图 2，具体数据见表2。园区中各组件参数如表3所示。
4.2 仿真与分析
在 Matlab平台上利用 MOPSO算法对优化模型进行求解，设定种群数量50，最大迭代次数100，惯性权重动态调整上下限为0.9和0.1。得到典型日光伏出力下3个目标函数的Pareto前沿见图4中黑色图例标示部分。考虑到光伏出力变化的影响，图 4还加入了晴天和阴天场景下的仿真结果对比，相应场景下的配置方案和指标变化如表 4 所示。
图 4 中： 1)由优化算法得到的 Pareto 前沿是一系列互不支配的非劣解集合，不存在使所有目标均达到最优的解，决策者可根据实际规划和侧重选择合适的配置结果。本文采用 3.7 节中所述的通过模糊隶属度函数求取 Pareto 最优解集中每个解的满意度的方法，选择综合满意度值最大的解作为最优解。 2)不同场景下的储能系统多目标优化配置得出的 pareto 解集各不相同，结合表 4 可知，晴天光伏辐照充足，出力较大，园区内净负荷(实际负荷与光伏出力的差值)减小，所需配置的储能功率和储能容量较典型日有所降低， 3 个优化目标数值也相应减小。阴天光伏板接收的辐射减少，出力较小，储能配置容量及各项指标均有增加。可见不同的光伏出力情况会影响储能的充放电功率和容量配置。
下面以光伏典型日工况为例展开进一步分析。优化前园区未配置储能电池 ，净购电费用为4.3844*104元，电厂环境损失费用为1.5521*103元;配置后锂电池额定功率 1.327*103 kW，额定容量8.03*103 kW×h，此时园区经济成本(目标函数2)为3.843 6*104 元，电厂环境损失费用(目标函数3)为178.8 元，比原系统均有降低，能效指标即目标函数 1的结果为 3.517*106 kW。
图 5—7 为典型日光伏出力下优化调度后冰蓄冷空调运行状态。
由上图看出，蓄冰槽在电价低谷时段匀速蓄冷，对冷负荷侧起到填谷作用的同时保证制冷机组功率的稳定;在电价非谷时段释冷，与制冷机组共同承担冷负荷需求从而减小对电网的依赖程度。图7中的蓄冰槽储冷状态表示实时蓄冷量与蓄冰槽额定容量的比值，在优化调度过程中实时蓄冷量始终保持在允许范围内(与额定容量比值处于0.1—0.9之间)。
由园区内能量平衡约束式(21)和图 8—10 可知，联络线功率的波动量与储能功率和制冷机组功率波动量之和保持一致。储能系统采用在负荷较低的电价谷时段恒功率充电，在负荷集中的峰平时段放电的运行策略，联合制冷机组最大限度降低了联络线在负荷高峰时段的购电需求从而减少园区侧购电成本，提高了园区的经济效益，充放电过程中储能电池的荷电状态SSOC在限定范围0.1—0.9内变化。
4.3 储能配置的敏感性分析
在4.2仿真与分析中可知光伏电站的出力特性对储能配置结果有较大影响，光伏出力越大，新能源发电对园区的贡献度越高，园区内净负荷(实际负荷与光伏出力的差值)越小，可以减少储能需配容量;此外，设备造价也是影响储能容量的重要因素，目前储能造价仍偏高，尚未达到规模化投入阶段，随着相应政策的扶持和储能技术的提升，储能成本将大幅下降，可以配置更多的储能容量。
5、结论
分析典型商业园区多类型负荷特征和人员作息规律，考虑源/储/荷协同运行策略，在峰平谷分时电价下根据约束条件建立基于能效、经济、环境的多目标储能优化配置模型，分别实现蓄能装置的循环电量和循环冷量最小(减少能量传递过程中的损耗)、储能系统成本及购电费用之和最少和环境污染成本最小。模型以优化日内制冷机组和园区与电网联络线功率波动量为决策变量，采用基于动态惯性权重的非支配多目标粒子群算法进行求解，对生成的Pareto解集使用模糊隶属度法筛选得到最优解。通过上海某商业园区算例验证了所提方法的有效性和实用可行性。
结果显示： 1)由多目标粒子群算法得到的非支配三维 Pareto 前沿可为折中选取能效最大化、经济最优化、环境污染最小化这组目标提供丰富的信息。 2)与单一类型的常规电负荷相比，园区中冷热电联供的能源系统增加了储能合理配置的复杂度，通过对冷负荷侧的蓄能装置进行优化调度降低了电网在电价高峰期的冷负荷供电压力;储能可实现园区能量的再分配，给园区带来显著的经济效益，同时兼顾企业社会责任最大限度减轻电厂供给侧产生的环境污染。考虑到光伏发电和负荷全年的特性的变化会对储能配置产生影响，下一步研究工作将对此进行后续深入研究。
(杨锡运 张璜 修晓青 付果 李建林)
