CN109449974A - 一种基于变模式分解和样本熵理论的综合能源***优化调度方法 - Google Patents
一种基于变模式分解和样本熵理论的综合能源***优化调度方法 Download PDFInfo
- Publication number
- CN109449974A CN109449974A CN201811365273.0A CN201811365273A CN109449974A CN 109449974 A CN109449974 A CN 109449974A CN 201811365273 A CN201811365273 A CN 201811365273A CN 109449974 A CN109449974 A CN 109449974A
- Authority
- CN
- China
- Prior art keywords
- unit
- curve
- gas
- sample entropy
- net load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000009194 climbing Effects 0.000 claims abstract description 20
- 239000007789 gas Substances 0.000 claims description 57
- 230000005611 electricity Effects 0.000 claims description 24
- 239000003245 coal Substances 0.000 claims description 18
- 230000006798 recombination Effects 0.000 claims description 9
- 238000005215 recombination Methods 0.000 claims description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000003345 natural gas Substances 0.000 claims description 3
- 238000005338 heat storage Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000000567 combustion gas Substances 0.000 claims 2
- 239000000654 additive Substances 0.000 claims 1
- 230000000996 additive effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000005619 thermoelectricity Effects 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于变模式分解和样本熵理论的综合能源***优化调度方法,属于综合能源***优化调度领域。该方法优先消纳可再生能源,故将***负荷预测曲线与可再生能源预测出力相减,形成净负荷曲线。其次,对净负荷曲线进行变模式分解,形成多个模式曲线。然后计算每个模式的样本熵值,进行复杂度评估,对复杂度相近的模式进行重组,形成典型的净负荷模式曲线。最后针对不同净负荷模式曲线,安排相应的机组进行日前优化调度,给出日前调度计划。本发明能够避免出现弃风问题;将样本熵大于原始曲线的净负荷模式曲线由燃气轮机机组出力承担,将样本熵小于原始曲线的净负荷模式曲线由燃煤火电机组出力承担,能够减小火电机组的爬坡压力、出力频繁波动。
Description
技术领域
本发明属于综合能源***优化调度领域。涉及到变模式分解、样本熵计算及电力***优化调度相关理论,特别涉及到一种基于变模式分解和样本熵理论的综合能源***优化调度方法。
背景技术
综合能源***对提高社会能源利用效率、促进可再生能源规模化开发、提高社会基础设施利用率和能源供应安全,以及实现中国节能减排目标具有重要意义,已成为国际能源领域重要的战略研究方向。随着热电联产机组、燃气轮机和电锅炉、电转气设备在***中的应用,电、热、气三种能源***的耦合应越来越紧密。而且为应对化石能源减少,电力***中可再生能源比例逐年增加。但是可再生能源发电具有波动性和不确定性,而且呈现反调峰特性。尤其在供暖期,由于热电关系的耦合,导致在夜晚时段会出现大量的弃风。而且为应对风电的出力波动,会造成***中的机组出力频繁调整,带来很大的爬坡压力,给***的安全运行造成一定的影响。如何在保证可再生能源全额消纳的前提下,使***调节能力较弱的燃煤火电机组出力平滑,减少大规模的爬坡是需要解决的问题。目前,有学者曾将变模式分解和样本熵理论应用于风电预测,但在综合能源***的优化调度中的应用尚不多见。
发明内容
本发明的目的是提供一种基于变模式分解和样本熵理论的综合能源***优化调度方法。为了保证在综合能源***中,优先消纳可再生能源,故将***负荷预测曲线与可再生能源预测出力相减,形成净负荷曲线。其次,对净负荷曲线进行变模式分解,形成多个模式曲线。然后计算每个模式的样本熵值,进行复杂度评估,对复杂度相近的模式进行重组,形成典型的净负荷模式曲线。最后针对不同净负荷模式曲线,安排相应的机组进行日前优化调度,给出日前调度计划。
为了达到上述目的,本发明采用的技术方案是:
一种基于变模式分解和样本熵理论的综合能源***优化调度方法,包括以下步骤:
步骤1.获取机组及设备参数,针对可再生能源电源进行出力预测以及***的电、热和气负荷进行预测。
步骤2.***预测电负荷与可再生能源电源预测出力相减,形成净负荷曲线,净负荷如式(1)所示:
其中,t为时刻,单位为小时,为***负荷在t时刻的预测值,为风电场i在t时段的预测出力,n_w为风电厂总数,为***净负荷在t时刻的预测值。
步骤3.对净负荷曲线进行变模式分解,形成K个模式曲线。
所述的变模式分解理论介绍和分解求解步骤如下:
变模式分解是一种新的自适应的信号分析方法,将输入信号分解为一定数目的以ωk为中心的模式曲线uk。模式分解实质上是变分问题的求解过程,分为构造和求解两个子过程。变分问题的构造原理:假设每个模态具有中心频率的有限带宽,使各个模态之和等于输入信号的约束条件下,使k个模式曲线uk中每个模式的估计带宽之和最小。
其中,{uk}和{ωk}分别为所有模式及其中心频率的集合,f为待分解信号,k为模式序号,*为卷积运算,δ(t)为狄拉克分布,为梯度运算符号,j为虚部。
以上约束变分问题可以通过一个二次惩罚项和朗格朗日乘子λ处理成无约束优化问题,表述如式(3)所示:
详细求解过程如下:
(1)令n=0,初始化一般为0;
(2)令n=1,对k=1:K,更新
a.对于ω≥0,更新迭代公式为:
b.更新{ωk},迭代公式为:
(3)更新的值,迭代公式为:
(4)令n=n+1,重复上述步骤,直到满足下列条件迭代停止:
其中,K为分解模式数量;和分别为f、uk和λ的频谱;τ为拉格朗日乘数的更新系数;ε为收敛精度;α表示白噪声常数;ω为频率。
步骤4.计算原始净负荷曲线及K个模式曲线的样本熵,并按照重组规则进行重组。具体为:根据综合能源***的电源特点,将样本熵值相近的模式曲线重组为M个典型的模式曲线,M一般为2或3;其中,重组规则如下:将样本熵值小于原始净负荷曲线的模式曲线相加组合为一个新的模式曲线,然后样本熵值高于原始净负荷曲线的模式曲线根据其相互之间的距离进行分类,若两者之间的距离小于某一设定的阈值时将两者归为一组,若高于某一设定的阈值时,不进行重组,各自仍为一个模式;需要注意的是这个阈值并不是固定的,可以根据实际情况进行改变。
所述的原始净负荷曲线及K个模式曲线的样本熵的求解步骤如下:
(1)给定时间序列,{ui}={u(1),u(2),...,u(N)},其中N为样本总数;
(2)将时间序列{ui}进行整理,生成m维子序列U(i)=[u(i),u(i+1),...,u(i+m-1)],其中,i=1,2,...,N-m+1,一般情况m取为2;
(3)定义U(i)与U(j)之间的距离di m(U(i),U(j))为两者对应元素差值最大的一个;对于每一个i值计算U(i)与其余U(j)之间的距离,其中j=1,2,...,N-m+1,j≠i。即:
(4)给定相似容限r(r>0,通常取值为0.1~0.25SD,SD为时间序列的标准差),对应每一个i,统计的个数,并计算其与样本数据距离总数N-m的比值,计作该过程称为子序列U(i)的模板匹配过程,则:
(5)求的平均值为:
(6)增加维数为m+1,重复步骤(1)-(5),得到的平均值Bm+1(r),则样本熵定义为:
当N取有限值时,式(5)所表示的为样本熵估计值,如式(6)所示:
SampEn(r,m,N)=-ln(Bm+1(r)/Bm(r)) (12)
步骤5.建立基于变模式分解和样本熵理论的综合能源***优化调度模型
(1)目标函数
模型以综合能源***的运行成本最小为目标函数,包括***的发电成本和购买天然气的成本,如式(7)所示:
F=F1+F2(13)
其中,F为***的运行成本,F1为燃煤火电机组的发电成本,F2为购买天然气的成本,T是调度时段总数;n_c为可调度燃煤火电机组数,包括燃煤热电联产机组和燃煤纯凝火电机组;n_g为可调度燃气轮机机组数;为燃煤火电机组i在t时刻的有功出力,acoal,i、bcoal,i以及ccoal,i为燃煤火电机组i的煤耗量系数;为燃气轮机机组i在t时刻的有功出力,agas,i、bgas,i以及cgas,i为燃气轮机机组i的气耗量系数;price_coal为煤的单价;price_gas为天然气的单价。
(2)能量平衡等式约束
a.***电能量平衡的等式约束
其中,为重组后的第m个净负荷模式曲线,m为1。
其中,为重组后的第m个净负荷模式曲线,m为2;为电锅炉i在t时刻的功率;为电转气设备i在t时刻的功率;n_b为电锅炉的个数;n_p为电转气设备的个数。
b.***热能量平衡的等式约束如式(18)所示:
其中,n_chp为燃煤热电联产机组的个数;ηeh为燃煤热电联产机组的热电系数;ηboiler为电锅炉的产热效率;和分别为储热罐的充放热功率;为***的热负荷预测值。
c.***天然气流量平衡的等式约束如式(19)所示:
其中,Ep2g为电功率和天然气流量转化常数,单位为MW/km3h-1,为气源在t时刻的出力,为***的气负荷预测值。
(2)设备运行约束
a.发电机组的出力约束
其中,和分别为燃煤火电机组i的最小和最大出力值;和分别为燃气轮机机组i的最小和最大出力值。
b.发电机组的爬坡率约束
其中,UPcoal,i和DNcoal,i分别为燃煤火电机组i爬坡上、下限;UPgas,i和DNgas,i分别为燃气轮机机组i爬坡上、下限。
c.燃煤热电联产机组热出力约束
其中,Hmax,i为燃煤热电联产机组i热出力的最大值,该值主要取决于机组热交换器容量的大小。
d.电锅炉出力约束
其中,为电锅炉i出力的最大值。
e.电转气设备出力约束
其中,为电转气设备i出力的最大值。
f.储热装置运行约束
Smin≤St≤Smax (28)
S0=ST (29)
其中,St为储热装置在t时刻的容量;ηstore和ηrelease分别是储热装置的充放效率;Smin和Smax分别为储热装置的最小容量和最大容量;S0和ST分别为储热装置一个调度周期首末时段的容量;和分别为储热装置的最大充放功率。
则基于变模式分解和样本熵理论的综合能源***优化调度模型如式(33)所示。
步骤6.采用内点法对综合能源***优化调度模型进行求解,得到基于变模式分解和样本熵理论的综合能源***优化调度方案。
本发明的效果和益处是:提出了基于变模式分解和样本熵理论的综合能源***优化调度方法。针对综合能源***中可再生能源并网问题,利用***预测负荷与可再生能源电源预测出力相减,形成净负荷曲线,然后对净负荷曲线进行处理,这样避免出现弃风问题;针对燃煤火电机组出力调整频繁且爬坡缓慢问题,提出利用变模式分解和样本熵理论重组后的净负荷模式曲线。将样本熵大于原始曲线的净负荷模式曲线由燃气轮机机组出力承担。将样本熵小于原始曲线的净负荷模式曲线由燃煤火电机组出力承担,减小了火电机组的爬坡压力并且减小了火电机组的出力频繁波动。
附图说明
图1是基于样本熵的含新能源电力***优化调度方法流程图。
图2是***电、热、气负荷预测曲线,其中(a)为***电负荷预测曲线,(b)为***热负荷预测曲线,(c)为***气负荷预测曲线。
图3是***风电出力预测曲线。
图4净负荷曲线。
图5是净负荷曲线变模式分解结果,其中(a)为模式1,(b)为模式2,(c)为模式3。
图6是原始净负荷曲线的样本熵值及各个分解模式下的样本熵值,其中(a)为原始净负荷曲线的样本熵值,(b)为模式2的样本熵值,(c)为模式2的样本熵值,(d)为模式3的样本熵值。
图7是重组后的净负荷模式曲线,其中(a)为模式1,(b)为模式2。
图8是传统优化调度模型中燃煤热电联产机组出力优化调度方案。
图9是传统优化调度模型中燃煤纯凝机组出力优化调度方案。
图10是传统优化调度模型中燃气轮机机组出力优化调度方案。
图11是考虑变模式分解和样本熵理论后的燃煤热电联产机组出力优化调度方案。
图12是考虑变模式分解和样本熵理论后的燃煤纯凝机组出力优化调度方案。
图13是考虑变模式分解和样本熵理论后的燃气轮机机组出力优化调度方案。
图14是考虑变模式分解和样本熵理论后的电锅炉和电转气设备出力优化调度方案。
图15是考虑变模式分解和样本熵理论后的储热装置出力优化调度方案和容量。
具体实施方式
以下以改进十机组***为例,结合技术方案和附图详细叙述本发明的具体实施方式。***的电、热、气预测负荷曲线如图2所示。燃煤火电机组总容量1850MW,其中,燃煤热电联产机组总容量为850MW,燃煤纯凝机组总容量为1000MW,燃气轮机机组容量为500MW。机组参数如表1、表2所示。风电装机容量900MW的风电厂,预测出力如图3所示。
图1为基于样本熵的含新能源电力***优化调度方法流程图,具体步骤如下:
第一步,获取机组及设备参数和***的电、热、气预测负荷曲线,以及风电出力预测曲线。
第二步,传将***预测的电负荷曲线与风电预测出力曲线相减,得到净负荷曲线,曲线如图4所示。
第三步,对得到的净负荷曲线进行变模式分解,得到3个模式曲线,分解结果如图5所示。
第四步,计算原始净负荷曲线的样本熵值和3个分解模式下的样本熵值,所得值如图6所示,由所得结果可知,原始净负荷曲线的样本熵为0.3509,分解后的3个模式分别为0.2700、0.8899和0.7563,根据重组规则,第一个模式单独为一个模式,后两个模式重组为一个模式,重组后的结果如图7所示。
第五步,建立基于变模式分解和样本熵理论的综合能源***优化调度模型。
表1燃煤火电机组参数
表2燃气轮机机组参数
第六步,采用内点法进行求解,得出优化调度方案。并与传统的优化调度模型下的优化调度方案进行对比。
如图8、图9所示,分别为是传统优化调度模型中燃煤热电联产机组出力优化调度方案和燃煤纯凝机组出力优化调度方案。如图11、图12所示,分别是本文所提出模型下的燃煤热电联产机组出力优化调度方案和燃煤纯凝机组出力优化调度方案。从图中,可以看出在本文提出模型下的燃煤热电联产和纯凝机组的出力更加平滑,出力波动性更小,不存在大量的机组爬坡时段。两种模型下的火电机组爬坡量如表3所示。从表中看出,本文提出的模型下的火电机组爬坡量比传统模型下的少2176.3171MWh,减少78.47%。
表3.两种模型下的火电机组爬坡量
如图10和图13所示,分别为传统优化调度模型和本文所提模型下的燃气轮机机组出力优化调度方案。从两图对比,可以看出,传统优化调度模型下的燃气轮机作为调峰电源,需要在火电机组受出力以及爬坡能力限制时,进行出力。故会频繁启停。而本文所提模型下的燃气轮机出力时段更加集中,减少了机组的启停。
如图14所示,为本文所提模型下的电锅炉和电转气设备的优化调度方案。可以看出,电锅炉和电转气设备都工作在热负荷较大,***易弃风时段。这是由于净负荷曲线这部分为负,需要设备来进行消耗。还可以看出,电锅炉优先出力,剩余电力再由电转气设备消耗。
如图15所示,为本文所提模型下的储热装置的充放能优化调度方案以及容量变化情况。从图中可以看出,储热装置在***热负荷较大、***易弃风时段进行放热。这是因为,这样可以有助于解耦热电关系,从而减少热电联产机组必发的电功率,同时使纯凝机组的出力增加,避免白天时段出力增加的大规模爬坡。而且热电联产机组在白天出力增加,向储热装置进行充热,从而在夜晚时段进行放热,减少了热电机组在夜晚时段的出力,从而使纯凝机组的出力不用大幅度减少,平滑了纯凝机组的出力。
基于变模式分解和样本熵理论的综合能源***优化调度模型,不仅避免了弃风现象,同时平滑了火电机组的出力,增加了火电机组稳定运行的持续时长。所提出的调度方法减少了火电机组出力的频繁波动,提高了***的稳定性。
以上所述实施例仅表达了本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (3)
1.一种基于变模式分解和样本熵理论的综合能源***优化调度方法,其特征在于以下步骤:
步骤1.获取机组及设备参数,针对可再生能源电源进行出力预测以及***的电、热和气负荷进行预测;
步骤2.***预测电负荷与可再生能源电源预测出力相减,形成净负荷曲线,净负荷如式(1)所示:
其中,t为时刻,单位为小时,为***负荷在t时刻的预测值,为风电场i在t时段的预测出力,n_w为风电厂总数,为***净负荷在t时刻的预测值;
步骤3.对净负荷曲线进行变模式分解,形成K个模式曲线;
步骤4.计算原始净负荷曲线及K个模式曲线的样本熵,根据综合能源***的电源特点,将样本熵值相近的模式曲线按照重组规则进行重组,重组为M个典型的模式曲线;重组规则如下:将样本熵值小于原始净负荷曲线的模式曲线相加组合为一个新的模式曲线,将样本熵值高于原始净负荷曲线的模式曲线根据其相互之间的距离进行分类,若两者之间的距离小于某一设定的阈值时将两者归为一组,若高于某一设定的阈值时,不进行重组;所述的阈值根据实际情况确定;
步骤5.建立基于变模式分解和样本熵理论的综合能源***优化调度模型,如式(33)所示:
步骤6.采用内点法对综合能源***优化调度模型进行求解,得到基于变模式分解和样本熵理论的综合能源***优化调度方案。
2.根据权利要求1所述的一种基于变模式分解和样本熵理论的综合能源***优化调度方法,其特征在于,步骤4中,所述的原始净负荷曲线及K个模式曲线的样本熵的求解步骤如下:
(1)给定时间序列,{ui}={u(1),u(2),...,u(N)},其中N为样本总数;
(2)将时间序列{ui}进行整理,生成m维子序列U(i)=[u(i),u(i+1),...,u(i+m-1)],其中,i=1,2,...,N-m+1;
(3)定义U(i)与U(j)之间的距离为两者对应元素差值最大的一个;对于每一个i值计算U(i)与其余U(j)之间的距离,其中j=1,2,...,N-m+1,j≠i;即:
(4)给定相似容限r(r>0,取值为0.1~0.25SD,SD为时间序列的标准差),对应每一个i,统计的个数,并计算其与样本数据距离总数N-m的比值,计作该过程称为子序列U(i)的模板匹配过程,则:
(5)求的平均值为:
(6)增加维数为m+1,重复步骤(1)-(5),得到的平均值Bm+1(r),则样本熵定义为:
当N取有限值时,式(5)所表示的为样本熵估计值,如式(6)所示:
SampEn(r,m,N)=-ln(Bm+1(r)/Bm(r))。 (12)
3.根据权利要求1所述的一种基于变模式分解和样本熵理论的综合能源***优化调度方法,其特征在于,所述的步骤5中建立基于变模式分解和样本熵理论的综合能源***优化调度模型步骤如下:
(1)目标函数
模型以综合能源***的运行成本最小为目标函数,如式(7)所示:
F=F1+F2 (13)
式中,T是调度时段总数;n_c为可调度燃煤火电机组数,包括燃煤热电联产机组和燃煤纯凝火电机组;n_g为可调度燃气轮机机组数;为燃煤火电机组i在t时刻的有功出力,acoal,i、bcoal,i以及ccoal,i为燃煤火电机组i的煤耗量系数;为燃气轮机机组i在t时刻的有功出力,agas,i、bgas,i以及cgas,i为燃气轮机机组i的气耗量系数;price_coal为煤的单价;price_gas为天然气的单价;
(2)能量平衡等式约束
a.***电能量平衡的等式约束
其中,为重组后的第m个净负荷模式曲线,m为1;
其中,为重组后的第m个净负荷模式曲线,m为2;为电锅炉i在t时刻的功率;为电转气设备i在t时刻的功率;n_b为电锅炉的个数;n_p为电转气设备的个数;
b.***热能量平衡的等式约束如式(18)所示:
其中,n_chp为燃煤热电联产机组的个数;ηeh为燃煤热电联产机组的热电系数;ηboiler为电锅炉的产热效率;和分别为储热罐的充放热功率;为***的热负荷预测值;
c.***天然气流量平衡的等式约束如式(19)所示:
其中,Ep2g为电功率和天然气流量转化常数,单位为MW/km3h-1;
(2)设备运行约束
a.发电机组的出力约束
其中,和分别为燃煤火电机组i的最小和最大出力值;和分别为燃气轮机机组i的最小和最大出力值;
b.发电机组的爬坡率约束
其中,UPcoal,i和DNcoal,i分别为燃煤火电机组i爬坡上、下限;UPgas,i和DNgas,i分别为燃气轮机机组i爬坡上、下限;
c.燃煤热电联产机组热出力约束
其中,Hmax,i为燃煤热电联产机组i热出力的最大值,该值主要取决于机组热交换器容量的大小;
d.电锅炉出力约束
其中,为电锅炉i出力的最大值;
e.电转气设备出力约束
其中,为电转气设备i出力的最大值;
f.储热装置运行约束
Smin≤St≤Smax (28)
S0=ST (29)
其中,St为储热装置在t时刻的容量;Smin和Smax分别为储热装置的最小容量和最大容量;ηstore和ηrelease分别是储热装置的充放效率;和分别为储热装置的最大充放功率;
进而得到基于变模式分解和样本熵理论的综合能源***优化调度模型如式(33)所示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365273.0A CN109449974B (zh) | 2018-11-16 | 2018-11-16 | 一种基于变模式分解和样本熵理论的综合能源***优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365273.0A CN109449974B (zh) | 2018-11-16 | 2018-11-16 | 一种基于变模式分解和样本熵理论的综合能源***优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109449974A true CN109449974A (zh) | 2019-03-08 |
CN109449974B CN109449974B (zh) | 2021-06-08 |
Family
ID=65553036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811365273.0A Expired - Fee Related CN109449974B (zh) | 2018-11-16 | 2018-11-16 | 一种基于变模式分解和样本熵理论的综合能源***优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109449974B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114816750A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 大数据数据治理任务运行方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104333036A (zh) * | 2014-10-30 | 2015-02-04 | 国家电网公司 | 一种多源协调控制*** |
CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
CN105978037A (zh) * | 2016-08-03 | 2016-09-28 | 河海大学 | 基于风速预测的多时段电气互联***最优潮流计算方法 |
CN106961104A (zh) * | 2017-04-06 | 2017-07-18 | 新疆大学 | 基于数据分析和组合基函数神经网络的风电功率预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力***负荷预测方法及*** |
-
2018
- 2018-11-16 CN CN201811365273.0A patent/CN109449974B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104333036A (zh) * | 2014-10-30 | 2015-02-04 | 国家电网公司 | 一种多源协调控制*** |
CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
CN105978037A (zh) * | 2016-08-03 | 2016-09-28 | 河海大学 | 基于风速预测的多时段电气互联***最优潮流计算方法 |
CN106961104A (zh) * | 2017-04-06 | 2017-07-18 | 新疆大学 | 基于数据分析和组合基函数神经网络的风电功率预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力***负荷预测方法及*** |
Non-Patent Citations (6)
Title |
---|
KONSTANTIN DRAGOMIRETSKIY,ET AL.: ""Variational Mode Decomposition"", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
ZHANG, YACHAO, ET AL.: ""Deterministic and probabilistic interval prediction for short-term wind power generation based on variational mode decomposition and machine learning methods"", 《ENERGY CONVERSION AND MANAGEMENT》 * |
叶瑞丽 等: ""基于置信区间估计及储能装置优化配置的风电场可靠出力研究"", 《电力自动化设备》 * |
张亚超 等: ""基于聚类经验模态分解-样本熵和优化极限学习机的风电功率多步区间预测"", 《电网技术》 * |
张学清 等: ""基于样本熵和极端学习机的超短期风电功率组合预测模型"", 《中国电机工程学报》 * |
张晓宇 等: ""基于变分模态分解的混合储能***协调控制"", 《中国电力》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114816750A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 大数据数据治理任务运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109449974B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108123492B (zh) | 一种考虑火电电蓄热联合调峰的日前发电计划优化方法 | |
CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
CN109767105B (zh) | 一种基于风光水火储联合***的多能互补协调发电调度方法 | |
CN109193815A (zh) | 一种提高风电消纳的热电联合调度方法 | |
CN112464477A (zh) | 计及需求响应的多能耦合综合能源运行仿真方法 | |
CN109325621B (zh) | 一种园区能源互联网两阶段优化调度控制方法 | |
CN110601260B (zh) | 一种限定联络线上功率波动的光-蓄***容量优化方法 | |
CN112636373A (zh) | 一种电气热综合能源***优化调度方法 | |
CN112633560A (zh) | 一种含燃煤热电联产机组的电站优化调度方法 | |
CN111030094B (zh) | 一种多能互补园区供能可靠性评估方法 | |
CN113256045A (zh) | 考虑风光不确定性的园区综合能源***日前经济调度方法 | |
CN112836882B (zh) | 考虑设备负载率变化的区域综合能源***运行优化方法 | |
CN110729720A (zh) | 一种蓄热罐容量规划方法和电转气参数敏感性分析方法 | |
CN113313305A (zh) | 一种基于非合作博弈的综合能源***优化调度方法 | |
CN111476394B (zh) | 一种适用于电热气等多能源***的鲁棒运行优化方法 | |
CN115860413A (zh) | 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网***经济调度方法 | |
CN116681228A (zh) | 一种考虑场景不确定性和碳排放的综合能源***设备容量优化配置方法 | |
CN117252043B (zh) | 针对区域多能互补能源***的多目标优化调度方法及装置 | |
CN113078684B (zh) | 一种基于双层优化的区域能源社区规划方法 | |
CN104239960A (zh) | 考虑抽水蓄能机组的发电计划优化方法 | |
CN117649089A (zh) | 一种集成氢能的综合能源***鲁棒低碳优化调度方法 | |
CN109449974A (zh) | 一种基于变模式分解和样本熵理论的综合能源***优化调度方法 | |
CN115986833A (zh) | 考虑两阶段需求响应的热电联供微网低碳经济调度方法 | |
CN114676897A (zh) | 一种含chp-p2g-氢能的园区综合能源***优化调度方法 | |
CN114386256A (zh) | 一种考虑电热设备灵活性约束及热网特性的区域电热***优化调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210608 |
|
CF01 | Termination of patent right due to non-payment of annual fee |