面向工业园区的混合储能系统场景自适应分层优化设计框架

《Nature Communications》：Scenario-adaptive hierarchical optimisation framework for design in hybrid energy storage systems

为解决可再生能源并网背景下工业园区能源供需失配、系统灵活性不足的问题，研究人员开展了“混合储能系统（HESS）场景自适应分层优化框架”主题的研究。该研究提出了一种通用的五阶段设计框架（需求分析、储能选择、系统建模、优化设计、性能评估），并开发了一种分层优化方法，通过容量规划与运行调度的迭代反馈，显著提升了系统经济性（能源成本节约率最高达43.7%）与低碳效益（碳减排率最高达69.9%），为工业园区低碳转型提供了可推广的路径。

　　

随着全球能源系统向深度脱碳迈进，提高可再生能源渗透率已成为核心路径。然而，间歇性的可再生能源发电与终端多元化、刚性化的能源需求之间存在显著的结构性失配，这一矛盾在工业园区尤为突出。工业园区作为建筑与工业部门的交汇点，其运行能耗与生产能耗叠加，导致碳排放高度集中。其电、热、冷负荷往往具有强度高、灵活性有限、时间刚性强的特点，不仅使其成为能源消耗大户，也成为了能源系统转型挑战的典型缩影。

为了应对工业园区突出的供需失衡问题，各种策略被广泛探索，其中储能技术的部署因其强大的削峰填谷和功率波动抑制能力而备受关注。然而，面对工业园区复杂多变的用能条件，单一的储能技术难以满足所有运行需求。混合储能系统（Hybrid Energy Storage System, HESS）通过整合电、热、冷等多种储能技术，能够发挥不同储能的互补优势，提升系统的响应速度、经济性和运行灵活性，因而被视为工业园区能源转型的一条充满希望的技术路径。

尽管针对工业园区的HESS研究已取得一定进展，但在设计框架、系统建模和优化方法方面仍存在明显不足。现有规划工具（如HOMER、RETScreen）多侧重于电储能，忽视了电、热、冷储能的协同集成；而许多案例特定的设计程序则缺乏概念清晰度和结构可扩展性，难以跨场景部署。在建模方面，研究往往局限于混合电储能或能量型混合储能，缺乏对功率型储能（如超级电容储能SCES）、能量型电储能（如锂离子电池Li-ion battery）与多种热储能技术的统一建模。在优化方法上，传统的协同优化（Co-optimization）方法模型复杂、计算成本高，而现有的分层优化（Hierarchical Optimization）方法又多为特定应用设计，限制了其在多样化运行环境下的适用性。这些局限不仅阻碍了HESS在工业园区的大规模应用，也制约了其在推动低碳能源转型中发挥更大作用。

为解决上述挑战，发表在《Nature Communications》上的这项研究，提出了一个通用的、场景自适应的HESS设计框架。该研究聚焦于工业园区场景，构建了一个集成分布式光伏（PV）、电网、多种储能设备（如锂离子电池、SCES、冷水储能CWS、高温储热罐HT-HST）以及电-热/冷转换单元（如电锅炉系统EBS、热泵HP、制冷机）的能源系统模型。基于此架构，研究提出了一个场景自适应设计框架，能够根据工业园区的能源资源和需求特性选择合适的储能技术，并利用典型气象年（TMY）数据确定最优容量配置。

为开展此项研究，作者团队采用了几个关键技术方法：首先，基于能源强度和负荷特性对工业园区进行分类（高、中、低能耗），并选取中国不同气候带的代表性城市（如北京、广州、哈尔滨、上海）构建多案例场景。其次，建立了涵盖电、热、冷多种储能设备及能量转换单元的统一数学模型。核心创新在于提出了分层优化方法，该方法将容量配置（采用非支配排序遗传算法II, NSGA-II）与运行调度（采用YALMIP和Gurobi求解器的混合整数线性规划, MILP）解耦，并通过迭代反馈机制（如根据设备利用率调整配置容量）提升优化效果。性能评估则通过一系列量化指标进行，包括能源成本节约率（ECSR）、碳减排率（CERR）、一次能源节约率（PESR）等。此外，还采用了多属性决策方法（如TOPSIS）进行最终方案选择，并利用蒙特卡洛模拟进行不确定性分析以验证系统鲁棒性。

一个通用的工业园区HESS设计框架

该设计框架（图2）提供了一个统一的方法论，系统地将工业园区特定的能源特征转化为最优的储能配置和运行策略。它包含五个核心阶段：需求分析、储能技术选择、系统建模、优化设计和性能评估。该框架旨在解决HESS部署中的三个基本设计挑战：场景适应性与通用性，使其适用于不同气候区、能源结构和系统配置的工业园区；多能流与异质储能协调，实现电、热、冷和可再生能源的集成管理；以及可定制的优化结构，允许用户自定义目标（如成本节约、碳减排或韧性）。

分层优化与协同优化的对比

研究进一步提出了分层优化方法（图4b），并与协同优化方法（图4c）进行了对比。协同优化方法通常将配置与调度紧密耦合，面临模型复杂、计算成本高、难以实现真正协调的挑战。而分层优化则将容量规划和运行调度阶段解耦，为每个阶段定义不同的目标、决策变量和约束，提供了可扩展且易于实施的解决方案。

结果表明，分层优化能够减少高成本设备（如锂离子电池）的冗余配置，同时提高低成本设备（如HT-HST）的利用率。例如，锂离子电池的部署量减少了15.1-44.2 MWh，而HT-HST的容量增加了145.8-250.6%。在系统效益方面，分层优化在PESR、ECSR和CERR上均 consistently 优于协同优化。例如，在广州（案例2），ECSR从协同优化的16.9%提升至分层优化的43.7%，增长超过25%；碳减排率（CERR）也从55.6%提升至66.7%。这证实了分层优化在提升HESS低碳效益方面的优越性。

不同场景下HESS的储能配置

研究探讨了气候特征和能耗水平对不同工业园区HESS储能配置的影响（图3）。SCES的容量在太阳能资源丰富的园区（如北京）较高。锂离子电池的容量分布在不同案例间相对均匀，中位数在103.2 MWh至106.4 MWh之间，表明其可靠地满足短期（2-5小时）需求。HT-HST的部署容量受高温热需求和太阳能资源的强烈影响，在高能耗工业园区（如广州、上海）部署超过210 MWh。中低温储热罐（LT-HST）主要用于满足中低温热需求，在严寒气候区（如哈尔滨）部署最高（74.3 MWh），在温暖气候区（如广州、上海）部署接近零。锂离子电池的部署随气候区和能耗水平而变化，哈尔滨（案例3）部署最高（104.2 MWh）。

气候和需求变化下的系统级效益

HESS的系统级效益在不同气候和需求条件下进行了分析（图3）。广州（案例2）取得了最佳的效益，其中位ECSR为41.8%，高于北京（案例1，37.2%）和哈尔滨（案例3，35.7%）。高能耗工业园区（案例1）表现出最好的成本节约率（中位数：37.2%），而低能耗园区（案例6）的节约有限（22.6%）。广州（案例2）的PESR和CERR的中位数和最大值也均高于其他案例。这些发现表明，HESS的系统化设计能够在不同的气候和负荷条件下提供显著的经济和环境效益。

HESS的运行性能与储能行为

图5展示了各案例的日效益值分布和储能设备的实时运行状态。广州（案例2）的日平均ECSR为42.7%，略高于北京（案例1，41.7%）和哈尔滨（案例3，40.8%），这得益于其光伏发电与能源需求曲线的匹配以及较大的峰谷电价差。高能耗工业园的日平均ECSR（41.7%）高于中、低能耗园区。在碳排放方面，广州的日平均CERR也略高（66.6%）。

储能设备的实时荷电状态（SOC）和等效全循环（EFC）分析揭示了不同设备的功能分工。SCES的SOC平均值接近50%，反映了其在快速响应调节中的作用，其年循环次数远高于其他储能技术（例如案例1中SCES为9001.1次，而锂离子电池仅为248.9次）。锂离子电池和HT-HST则更有效地提供中长期的能量调节。

典型条件下的HESS协调调度

图6展示了北京和上海典型冬夏日下的电负荷平衡、高温热负荷平衡以及SCES、锂离子电池和HT-HST的实时功率输出。结果显示，储能技术之间存在明确的功能分工与协调。SCES作为功率型储能，确保短期平衡和系统稳定；而锂离子电池和HT-HST作为能量型储能，提供日内削峰填谷，降低成本和排放。这种在不同气候下的一致性能，凸显了所提分层优化策略的普适性。

HESS在不确定性下的运行鲁棒性

通过敏感性分析和不确定性分析（图7），系统评估了HESS及其通用设计框架的运行鲁棒性。结果表明，在关键技术、经济和环境参数发生扰动时，HESS仍能保持强大的经济、节能和碳减排效益，表现出高度的适应性和稳定性。即使太阳能辐照度降低50%，北京工业园的ECSR和CERR仍分别保持在7.6%和48.1%。蒙特卡洛模拟显示，在固定配置下，关键性能指标在95%置信区间内变异极小，进一步证实了所提方法和HESS的稳健性能。

综上所述，该研究提出的通用、场景自适应的HESS设计框架及分层优化方法，有效解决了工业园区混合储能系统设计中的关键挑战。通过优化配置不同类型的储能技术，充分发挥其互补优势，该框架显著提升了可再生能源利用率、系统经济性和低碳性能。研究成果为碳密集型行业的低碳转型提供了实用且可推广的路径，对促进工业部门乃至更广泛领域的可持续能源转型具有重要的参考价值。尽管该研究在系统建模的理想化假设、未考虑多阶段实时优化以及缺乏实地验证等方面存在局限，但其为未来研究指明了方向，包括深入研究不同储能技术的耦合特性、扩展框架至运行阶段以及建立实验平台等。这项工作架起了HESS设计理论与复杂实际应用之间的桥梁，将有力推动HESS在工业园区场景中的大规模部署。