计及电转气规划的多能互补园区能源优化配置方法与流程

本发明属于分布式能源规划领域，具体涉及计及电转气规划的多能互补园区能源优化配置方法。

背景技术：

日益增长的用能需求和分布式能源(distributedgeneration,dg)的不断接入，对传统多能互补园区的能源配置产生了一定影响。其综合供能中心的合理配置不仅可以减少能量传输过程中的损耗，消纳更多的dg，而且可以实现电/热/冷多能流协调规划。但是，对于目前多能互补系统的优化配置研究，大多以某一种设备类型为核心或者少数几种确定的设备组成系统结构，并未充分考虑系统设备类型的多样性，并且目标函数过于单一化，一般只是从经济性方面进行相关讨论，并未计及系统的供能效率和dg出力利用率。

技术实现要素：

为了解决上述技术问题，本发明提供了一种计及电转气规划的多能互补园区能源优化配置方法，旨在综合多能互补园区电/热/冷能流差异和电转气(powertogas,p2g)设备的能量转换和时空平移特性，完成能源的优化配置。

为了解决上述技术问题，本发明所述技术方案为：计及电转气规划的多能互补园区能源优化配置方法，其特征在于，其优化配置步骤如下：

(1)构建包含能量生产、转换、传输、储存和利用单元的多能互补园区，所述能量转换单元包含电转气设备；

(2)对于多能互补园区，以年费用最小为上层目标函数，以年运行费用最小、年供能效率最高以及风光出力利用率最优为下层目标函数，根据能量生产、转换、传输、储存和利用单元的约束条件，建立了双层多目标优化配置模型；

(3)对于双层多目标优化配置模型，采用基于模糊隶属度和方差赋权的改进免疫遗传算法对模型进行嵌套求解；根据求解结果确定双层多目标优化配置模型优化配置方案。

进一步的技术方案在于，所述能量生产单元通常包括风电、光伏、微型燃气轮机和燃气锅炉；

所述能量转化单元则含有热泵、空调机、热交换器、电制冷机、吸收式制冷机以及电转气设备；

所述能量存储单元包括电储能装置、热储能装置、蓄冷装置和储气装置；

所述能量利用单元则为园区内电负荷、热负荷和冷负荷。

进一步的技术方案在于，其上层目标函数为

cyear＝cinves+cfuel+cgrid+copera+cenvir(1)

式中：cyear，cinves，cfuel，cgrid，copera，cenvir分别为多能互补园区年费用、设备投资费用、燃料费用、与电网交互成本、运行维护成本以及环境成本；ni为投资设备的种类；分别为设备i的单位容量投资成本、安装容量和安装因子，其中，若安装该设备，否则为0；为设备i的现值系数，ri^equ，lfi^equ分别为设备i的贴现率和全寿命周期；nj为规划周期内总天数；nt为典型日的总时段数；pt^gas，pt^p2g_out，pt^grid，pt^mt，η^gb，分别为典型日内时刻t与天然气网交互的功率、电转气设备输出的天然气功率值、与电网交互的电功率、设备i的输出功率、微型燃气轮机、燃气锅炉的电/热功率值和其效率以及与电网交互功率因子，其中，若pt^grid>0，则反之为0；δt为时间间隔，在这里取为1h；ηgas为天然气网的功率传输效率；cgas，vlhv分别为天然气购买价格和天然气燃烧的低热值；ξp2g，cp2g分别为电转气过程中生产单位天然气所需的co2系数和co2价格；ct,sale，ct,buy分别为时刻t电网分时售电和购电电价；为设备i的单位容量运行维护费用；nu为污染物种类数；ru为污染物u的环境价值；分别为微型燃气轮机、燃气锅炉和与电网交互功率下污染物u的排放强度；ηgrid为电网传输效率；为污染物co2的环境价值；为电转气过程中co2消耗强度。

进一步的技术方案在于，构建包含能量生产、转换、传输、储存和利用单元的多能互补园区，其下层目标函数为：

cyear_opera＝cfuel+cgrid+copera+cenvir(8)

式中：cyear_opera，frel，fdg_uti分别为多能互补园区内年运行费用、年供能效率和风光出力利用率，其中，若某一时刻能量供应值大于负荷值，则此时刻供能效率取为1；pt^wt，pt^pv，pt^ec_in，pt^hp_h，pt^hp_c，pt^air_h，pt^air_c，pt^p2g_in分别为典型日内时刻t的风电和光伏的输出功率、电制冷机制冷、热泵、空调机制热和制冷的输入电功率值以及电转气设备消耗的电功率值；分别为典型日内时刻t的微型燃气轮机经热交换器输出热功率、吸收式制冷机的输入热功率以及热泵和空调机制热的输出热功率值；分别为典型日内时刻t的电制冷机、吸收式制冷机、热泵和空调机制冷的输出冷功率值；pt^es，分别为电制冷机、热储能装置、蓄冷装置的净放能值，和分别为典型日内时刻t的电储能装置、热储能装置、蓄冷装置的充放能速率值；和分别为典型日内时刻t的电储能装置、热储能装置、蓄冷装置的充放能标志位，若放能，为1，反之为0，若充能，为1，反之为0；ηpch，ηhch，ηcch，ηpdis，ηhdis，ηcdis分别为电储能装置、热储能装置、蓄冷装置的充放能效率；pt^wt_pre，pt^pv_pre分别为典型日内时刻t的风电和光伏预测出力值。

进一步的技术方案在于，构建包含能量生产、转换、传输、储存和利用单元的多能互补园区，其约束条件为

式中：式(12)为各时刻电/热/冷/气功率平衡约束；式(13)为设备容量配置约束；式(14)为各能量单元出力限制约束；式(15)为mt爬坡速率约束；式(16)为电网交互功率约束；式(17)和(18)分别为p2g设备各时刻出力和气源点供应流量上下限约束；式(19)和(20)分别为储能装置最大储放能速率和储能容量约束；式(21)为(0,1)变量约束，保证同一时刻储能装置不能既储能又放能；其中，pt^load，为典型日内时刻t多能互补园区内的电/热/冷负荷值；和分别为典型日内时刻t的储气装置充放气速率值和充放气标志位，若放气，反之为0，若充气，反之为0；分别为典型日内时刻t的微型燃气轮机和燃气锅炉的天然气消耗量；分别为设备i的安装容量上下限值；分别为典型日内时刻t能量单元i的出力值和调度因子，其中，若该能量单元被调度，取值为1，反之为0；pt^mt，分别为典型日内时刻t+1,t,t-1的微型燃气轮机出力值；分别为各能量单元出力、微型燃气轮机爬坡速率、电网传输功率、电转气设备各时刻生成天然气功率和各时刻与天然气网交互功率的上下限值；en为储能和储气装置类型，包括电储能装置、热储能装置、蓄冷装置和储气装置；ent，cen，分别为典型日内时刻t的储能装置变化速率、储能装置容量、最大充放能速率、荷能状态上下限值、储能容量值以及储放能标志位；ηgch，ηgdis分别为储气装置的充放气效率。

进一步的技术方案在于，求解过程如下：

1)输入原始数据，编码并初始化上层种群，随机生成n个抗体，并从记忆库中提取m个个体构成初始种群，设此时迭代次数i＝1，最大迭代次数为imax，抗体n＝1,种群规模为nmax；

2)将上层抗体n的容量配置结果作为原始数据输入到下层种群，编码并初始化下层种群，设此时迭代次数i＝1，最大迭代次数为imax，抗体k＝1,种群规模为kmax；

3)依据下层目标函数计算抗体k的抗体适应度值；

4)判断k<kmax是否成立，若成立，k＝k+1，转入步骤3),不成立转入步骤5)；

5)根据式(22)计算下层各抗体各目标函数的隶属度；

式中：gkj为抗体k的第j个目标值；为所有抗体中目标j的最大和最小值；

6)根据式(23)对各目标函数进行方差赋权；

式中，wj为目标j的权重，m为目标函数的个数，n为抗体总数；

7)根据式(24)计算各抗体的优先选择度，选择度最大的抗体即为折衷最优解；

8)更新下层父代种群和记忆库；

9)对下层父代群体进行自适应选择、交叉与变异，形成新种群；

10)判断i<imax是否成立，若成立，i＝i+1，k＝1转入步骤3),不成立转入步骤11)；

11)将最优解对应的抗体和下层目标函数返回上层；

12)计算上层抗体适应度值；

13)判断n<n是否成立，若成立，n＝n+1，转入步骤2)，不成立转入步骤14)；

14)利用式(25)计算上层各抗体的期望繁殖概率；

式中：f为上层抗体适应度值；

15)将初始种群按照期望繁殖率p从大到小依次排列，选择个体最优解，并提取前n个构成父代群体，前m个个体存入记忆库中；

16)对上层父代群体进行自适应选择、交叉与变异操作，并形成新种群；

17)判断i<imax是否成立，若成立，i＝i+1，n＝1，转入步骤2),不成立则迭代过程结束，输出最优配置结果。

本发明采用上述技术方案，具有有益效果：本发明综合电/热/冷多能流差异和p2g设备的能量转换和时空平移特性，结合相关实例，验证了所提优化配置模型的正确性和可行性。通过对比不同供能策略下的优化配置结果，得到了电/热/冷多能流协调互补配置较传统供能模式有利于减小系统供能成本，提高了各类供能指标性能；并且p2g设备的加入使得供能系统各项指标性能均有所改善，实现了供能系统电/热/冷/气多能流的协调互补利用。

说明书附图

图1多能互补园区能量流动图；图中，实线、细虚线、虚点线、粗虚线和箭头分别代表多能互补园区中电/热/冷/气负荷和能量流动方向。

图2基于模糊隶属度和方差赋权的改进免疫遗传算法嵌套求解流程图。

图3典型日下风电/光伏和电/热/冷负荷出力情况；a)为风电/光伏出力曲线；b)为电/热/冷负荷出力曲线。

图4不同供能策略下各时刻dg出力利用率对比图。

图5典型日下各时刻电/热/冷/气功率平衡图；图5a)为电功率；图5b)为热功率；图5c)为冷功率；图5d)为燃气功率。

具体实施例

1、多能互补园区综合供能中心双层多目标优化配置模型构建

1.1多能互补园区能量流动特性分析

多能互补园区作为一个复杂能源系统，涉及电/热/冷多种能源的生产、转移、储存和利用，具有负荷特性复杂，负荷需求量大，供能效率要求高等特点。对于一个典型的多能互补园区，其系统内部通常包含能量生产、转换、传输、储存和利用单元。其中，能量生产单元通常包括风电(windturbine,wt)、光伏(photovoltaic,pv)、微型燃气轮机(micro-turbines,mt)和燃气锅炉(gas-firedboiler,gb)等；能量转化单元则含有热泵(heatpump,hp)、空调机(airconditioner,air)、热交换器(heat-exchanger,he)、电制冷机(electricchiller,ec)、吸收式制冷机(absorptionchiller,ac)以及电转气设备(powertogas,p2g)等；能量存储单元包括电储能装置(electricenergystoragedevice,es)、热储能装置(thermalenergystoragedevice,hs)、蓄冷装置(coldenergystoragedevice,cs)和储气装置(gasenergystoragedevice,gs)等；而能量利用单元则为园区内电负荷(eload)、热负荷(hload)和冷负荷(cload)等。其园区内电/热/冷/气能量流动关系如图1所示；

综合多能互补园区电/热/冷能流差异和p2g设备的能量转换和时空平移特性，考虑供能系统的经济性、环保性和可靠性影响，建立了含多种供能设备在内的多能互补园区综合能源系统双层多目标优化配置模型。上层以年费用最小为目标函数，包括设备安装费、燃料费、运行维护费、与电网交互费和环境成本，决策变量为各类型dg配置容量和配置类型；下层以年运行费用最小、年供能效率最高以及dg出力利用率最优为目标函数，决策变量为各类型dg各时刻调度值、调度因子以及与配网交互功率值等。最后采用改进免疫遗传算法对模型进行嵌套求解。

1.2目标函数

1)上层目标函数

cyear＝cinves+cfuel+cgrid+copera+cenvir(1)

式中：cyear，cinves，cfuel，cgrid，copera，cenvir分别为多能互补园区年费用、设备投资费用、燃料费用、与电网交互成本、运行维护成本以及环境成本；ni为投资设备的种类；分别为设备i的单位容量投资成本、安装容量和安装因子，其中，若安装该设备，否则为0；为设备i的现值系数，ri^equ，lfi^equ分别为设备i的贴现率(一般取为7％)和全寿命周期；nj为规划周期内总天数；nt为典型日的总时段数；pt^gas，pt^p2g_out，pt^grid，pt^mt，η^gb，分别为典型日内时刻t与天然气网交互的功率、电转气设备输出的天然气功率值、与电网交互的电功率、设备i的输出功率、微型燃气轮机、燃气锅炉的电/热功率值和其效率以及与电网交互功率因子，其中，若pt^grid>0，则反之为0；δt为时间间隔，在这里取为1h；ηgas为天然气网的功率传输效率；cgas，vlhv分别为天然气购买价格和天然气燃烧的低热值；ξp2g，cp2g分别为电转气过程中生产单位天然气所需的co2系数和co2价格；ct,sale，ct,buy分别为时刻t电网分时售电和购电电价；为设备i的单位容量运行维护费用；nu为污染物种类数，包括co2,so2,nox等；ru为污染物u的环境价值；分别为微型燃气轮机、燃气锅炉和与电网交互功率下污染物u的排放强度；ηgrid为电网传输效率；为污染物co2的环境价值；为电转气过程中co2消耗强度。

2)下层目标函数

cyear_opera＝cfuel+cgrid+copera+cenvir(8)

多能互补园区的供能效率为供能系统的调度值与功能负荷值的比值，比值小于1，但是比值越大，供能效率越高；供能效率为：

风光出力利用率为供能能系统风电和光伏的实际调度值与预测值的比值，比值小于等于1，比值越大，风光出力利用率越好；风光出力利用率为：

式中：cyear_opera，frel，fdg_uti分别为多能互补园区内年运行费用、年供能效率和风光出力利用率，其中，若某一时刻能量供应值大于负荷值，则此时刻供能效率取为1；pt^wt，pt^pv，pt^ec_in，pt^hp_h，pt^hp_c，pt^air_h，pt^air_c，pt^p2g_in分别为典型日内时刻t的风电和光伏的输出功率、电制冷机制冷、热泵、空调机制热和制冷的输入电功率值以及电转气设备消耗的电功率值；分别为典型日内时刻t的微型燃气轮机经热交换器输出热功率、吸收式制冷机的输入热功率以及热泵和空调机制热的输出热功率值；分别为典型日内时刻t的电制冷机、吸收式制冷机、热泵和空调机制冷的输出冷功率值；pt^es，分别为电制冷机、热储能装置、蓄冷装置的净放能值，和分别为典型日内时刻t的电储能装置、热储能装置、蓄冷装置的充放能速率值；和分别为典型日内时刻t的电储能装置、热储能装置、蓄冷装置的充放能标志位，若放能，为1，反之为0，若充能，为1，反之为0；ηpch，ηhch，ηcch，ηpdis，ηhdis，ηcdis分别为电储能装置、热储能装置、蓄冷装置的充放能效率；pt^wt_pre，pt^pv_pre分别为典型日内时刻t的风电和光伏预测出力值。

1.3约束条件

式中：式(12)为各时刻电/热/冷/气功率平衡约束；式(13)为设备容量配置约束；式(14)为各能量单元出力限制约束；式(15)为mt爬坡速率约束；式(16)为电网交互功率约束；式(17)和(18)分别为p2g设备各时刻出力和气源点供应流量上下限约束；式(19)和(20)分别为储能装置最大储放能速率和储能容量约束；式(21)为(0,1)变量约束，保证同一时刻储能装置不能既储能(气)又放能(气)。其中，pt^load，为典型日内时刻t多能互补园区内的电/热/冷负荷值；和分别为典型日内时刻t的储气装置充放气速率值和充放气标志位，若放气，反之为0，若充气，反之为0；分别为典型日内时刻t的微型燃气轮机和燃气锅炉的天然气消耗量；分别为设备i的安装容量上下限值；分别为典型日内时刻t能量单元i的出力值和调度因子，其中，若该能量单元被调度，取值为1，反之为0；pt^mt，分别为典型日内时刻t+1,t,t-1的微型燃气轮机出力值；分别为各能量单元出力、微型燃气轮机爬坡速率、电网传输功率、电转气设备各时刻生成天然气功率和各时刻与天然气网交互功率的上下限值；en为储能和储气装置类型，包括电储能装置、热储能装置、蓄冷装置和储气装置；ent，cen，分别为典型日内时刻t的储能装置变化速率、储能装置容量、最大充放能(气)速率、荷能状态上下限值、储能(气)容量值以及储放能(气)标志位；ηgch，ηgdis分别为储气装置的充放气效率。

2、模型求解

对于本发明建立的多能互补园区综合供能中心多目标双层优化配置模型，在这里采用基于模糊隶属度和方差赋权的改进免疫遗传算法进行嵌套求解。免疫遗传算法是在改进自适应进化免疫算法的基础上引入遗传算法和浓度调节机制，同时引入模糊隶属度和方差赋权的方法对下层模型中的多目标问题进行处理，其中，模型嵌套求解过程如下：

1)输入原始数据，编码并初始化上层种群，随机生成n个抗体，并从记忆库中提取m个个体构成初始种群，设此时迭代次数i＝1，最大迭代次数为imax，抗体n＝1,种群规模为nmax；

2)将上层抗体n的容量配置结果作为原始数据输入到下层种群，编码并初始化下层种群，设此时迭代次数i＝1，最大迭代次数为imax，抗体k＝1,种群规模为kmax；

3)依据下层目标函数计算抗体k的抗体适应度值；

4)判断k<kmax是否成立，若成立，k＝k+1，转入步骤3),不成立转入步骤5)；

5)根据式(22)计算下层各抗体各目标函数的隶属度；

式中：gkj为抗体k的第j个目标值；为所有抗体中目标j的最大和最小值；

6)根据式(23)对各目标函数进行方差赋权；

式中，wj为目标j的权重，m为目标函数的个数，n为抗体总数；

7)根据式(24)计算各抗体的优先选择度，选择度最大的抗体即为折衷最优解；

8)更新下层父代种群和记忆库；

9)对下层父代群体进行自适应选择、交叉与变异，形成新种群；

10)判断i<imax是否成立，若成立，i＝i+1，k＝1转入步骤3),不成立转入步骤11)；

11)将最优解对应的抗体和下层目标函数返回上层；

12)计算上层抗体适应度值；

13)判断n<n是否成立，若成立，n＝n+1，转入步骤2)，不成立转入步骤14)；

14)利用式(25)计算上层各抗体的期望繁殖概率；

式中：f为上层抗体适应度值；

15)将初始种群按照期望繁殖率p从大到小依次排列，选择个体最优解，并提取前n个构成父代群体，前m个个体存入记忆库中；

16)对上层父代群体进行自适应选择、交叉与变异操作，并形成新种群；

1)17)判断i<imax是否成立，若成立，i＝i+1，n＝1，转入步骤2),不成立则迭代过程结束，输出最优配置结果。

综上，基于模糊隶属度和方差赋权的改进免疫遗传算法嵌套求解流程图2所示；

3、算例分析

3.1算例概况

考虑对其某一分区进行多能互补园区综合供能中心优化配置，该园区规划面积约23万m²，由工业区、商业区、市政区和居民区组成，各区域均有电/热/冷负荷需求。其中，该园区对电/热负荷需求较大，冷负荷需求相对较小。并且，由于园区内部设有综合管廊，其电/热/冷负荷多采用集中供能模式。对于园区内风电/光伏最大安装容量分别为780mw和600mw，电/热/冷年最大负荷分别为1260mw、1140mw和680mw，与电网和天然气网交互最大功率分别为400mw和120mw，各供能设备配置参数见附表3-1，能源分时价格见附表3-2，各设备运行污染物相关参数见附表3-3。微型燃气轮机爬坡速率上下限值均取为30mw/h，散热损失系数取为0.15，最小负荷率取为0.3，其它设备最小负荷率取为0，最大负荷率均取为1；电转气过程中生产单位天然气所需的co2系数和co2价格分别取为0.2和0.36$/mw.h。多能互补园区各供能设备配置信息入表3-1、3-2、3-3所示：

表3-1多能互补园区各供能设备配置参数

表3-2能源分时价格

表3-3各设备运行污染物相关参数

在此，选取园区内某一典型日风/光和电/热/冷负荷曲线如图3所示；

3.2多能互补园区综合供能中心优化配置结果和分析

1)不同供能策略下优化配置结果对比

基于某一典型日下风电/光伏和电/热/冷负荷出力情况，采用所提模型和算法，对以下四种多能互补园区供能策略进行优化配置：

供能策略1：传统供能方式，即配电网供电、gb供热、ec供冷；

供能策略2：电热冷联供方式，即mt同时供电和热、ec和ac共同供冷，配电网、gb和储能设备辅助供电、热和冷；

供能策略3：电热冷联供方式，考虑dg的加入；

供能策略4：电热冷联供方式，考虑dg和p2g设备的加入；

4种不同供能策略下优化配置结果和各类目标函数对比如表4-1和表4-2所示：

表4-1不同供能策略下优化配置结果

表4-2不同供能策略下各类目标函数对比

由表4-1和表4-2可知：

对比供能策略1、2：供能策略2中由于各类供能设备的加入，其设备投资费用较供能策略1明显增大，增加了106.89e⁴$，运行维护费用稍有增加，约为10.56e⁴$；但燃料费用、与电网交互费用和环境成本均下降明显，约为96.65e⁴$、454.31e⁴$和103.38e⁴$，因而供能总成本较供能策略1减少536.89e⁴$，约44.25％。这是由于较传统供能模式，冷热电联供模式中mt通过燃料消耗产生电和热满足了园区内部分电/热负荷需求，使得gb产热需求减少，从而实现了电/热/冷多能流之间的协调互补利用，减少了燃料费用，并且对电网购电需求降低，从而使得由于购电产生的环境成本也随之降低。

对比供能策略2、3：供能策略3中由于dg的加入，其设备投资费用和运行维护成本较供能策略2均有所增加，约为76.50e⁴$和12.15e⁴$；燃料费用、与电网交互费用和环境成本均有不同程度的降低，分别为81.44e⁴$、110.69e⁴$和95.87e⁴$，因而供能总成本较供能策略2减少199.35e⁴$，约29.47％。另外，其年供能效率较供能策略2略有减小。这是由于dg的加入，满足了部分电负荷需求，使得mt电出力略有下降，从而对天然气燃料需求和电网购电需求减少，环保效益提高。另外，考虑到dg出力具有一定的不确定性，其年供能效率降低，但由于储能设备的存在，其年供能效率略有降低。

对比供能策略3、4：供能策略4中由于加入p2g设备，其设备投资费用和运行维护成本较供能策略3增加，分别为86.57e⁴$和9.66e⁴$；燃料费用和与电网交互费用下降明显，分别为74.04e⁴$和68.69e⁴$；环境成本略有降低，为14.32e⁴$。由于其购电减少带来的效益远远大于其燃料等费用增加的成本，因而供能总成本较供能策略3减少60.82e⁷$，约12.75％，并且年供能效率和dg出力利用率较供能策略3均有不同程度提高。这是由于p2g设备的加入，在电负荷低谷期可以消纳多余的风光出力，增大了系统电负荷需求；在电负荷高峰期，通过增加mt和gb出力，减小负荷高峰期净电负荷峰值，通过消耗产生的天然气，减少天燃气燃料和电网购电需求，因而，环境效益增加，供能成本减小，年供能效率和dg出力利用率较供能策略3均有一定程度提高。其中，对比p2g设备加入前后，典型日内各时刻dg出力利用率性如图4所示；

由图4可知：对于各时刻dg出力利用率，在不考虑p2g设备加入的情况下，其dg出力利用率稳定在0.7～0.85之间，会产生一定程度的弃风和弃光；在考虑p2g设备加入的情况下，各时刻对应的dg出力利用率均有一定程度的提高，稳定在0.9～1.0之间。这是由于虽然有储能设备的存在，但无法实现dg的完全消纳；p2g设备的加入进一步平抑了dg出力的不确定性，增大dg各时刻出力，基本实现了其完全消纳，缓解了弃风、弃光问题的产生。

因此，对比四种供能策略，电热冷联供系统的加入，可以实现多能互补园区内电/热/冷多能流协调互补利用，降低系统供能成本，提高系统供能效率；dg的加入，满足了系统部分电负荷需求，供能成本进一步降低，但考虑到dg出力具有一定的置信度，其供能效率略有下降；另外，p2g设备和mt的协调利用，对系统净负荷起到了“削峰填谷”的作用，一定程度上平抑了dg出力的不确定性，各项目标函数特性均有不同程度提高。

2)典型日下优化调度结果分析

基于多能互补园区典型日优化配置结果，各时刻电/热/冷/气功率优化调度情况如图5；

由图5可知：对于典型日各时刻电功率平衡，wt、pv、mt、es与从电网购得电力用于满足园区内电负荷、p2g设备、air、hp以及ec制冷负荷的需求。在夜间电负荷低谷期23：00-5：00，风电出力较大，光伏出力为0，此时为了实现风电的进一步消纳，mt出力相对减小，p2g设备消耗多余风电转化为天然气，es储电；在白天电负荷高峰期10：00-21：00，风电和光伏出力无法满足电负荷需求，mt出力进一步增大，其中在18：00-21：00由于光伏不再出力，mt出力达到最大值，此时不足电负荷需求由电网购电和es放电共同满足。

对于典型日各时刻热/冷负荷平衡，mt、gb、hs、hp和air产热共同满足园区内热负荷和ac冷负荷需求，ec、ac、cs、hp和air共同制冷来满足园区内冷负荷需求。考虑到此园区各类型功能区热/冷负荷差异，其白天热负荷较大，夜间相对较小，整体冷负荷需求相对较小。在夜间热负荷低谷期，由于mt电出力减小，考虑到“以热定电”运行模式，其热出力也相对减小，因而，为了满足夜间热负荷需求，gb出力增加，hs放热；在白天热负荷高峰期，mt电出力增大，通过he得到热出力值随之增大，gb出力相对减小，多余热能储存在hs中。

对于典型日各时刻燃气功率平衡，p2g设备产生天然气、gs以及从天燃气网购得天然气共同满足mt和gb天然气需求。对于夜间1：00-9：00，由于风电出力较大，多余风电通过p2g设备转换为天然气，满足部分mt和gb需求，多余天然气储存；对于10：00-24：00，风电出力先减小后增大，光伏出力先增大后为0，此时由于电负荷增大，p2g设备出力降至为0，mt电出力增大，天然气负荷需求不断增加，其从天燃气网购得天然气不断增大，不足部分则由gs放气来满足，从而实现了典型日内各时刻燃气功率的平衡。

4结论

对于多能互补园区综合供能中心的优化配置，本章节综合电/热/冷多能流差异和p2g设备的能量转换和时空平移特性，提出一种计及p2g设备，兼顾多能互补园区综合能源系统经济性、环保性和可靠性等影响的含多种供能设备在内的双层多目标优化配置模型。结合相关实例，验证了所提优化配置模型的正确性和可行性。通过对比不同供能策略下的优化配置结果，得到了电/热/冷多能流协调互补配置较传统供能模式有利于减小系统供能成本，提高了各类供能指标性能；并且p2g设备的加入使得供能系统各项指标性能均有所改善，实现了供能系统电/热/冷/气多能流的协调互补利用。