CN109634119A - 一种基于日内滚动优化的能源互联网优化控制方法 - Google Patents
一种基于日内滚动优化的能源互联网优化控制方法 Download PDFInfo
- Publication number
- CN109634119A CN109634119A CN201811580066.7A CN201811580066A CN109634119A CN 109634119 A CN109634119 A CN 109634119A CN 201811580066 A CN201811580066 A CN 201811580066A CN 109634119 A CN109634119 A CN 109634119A
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- eln
- elni
- gas turbine
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于日内滚动优化的能源互联网管理方法,构建能源局域网群模型,对***进行初始化并获取初始数据,接着进入日内滚动优化,对实际风光出力,负荷波动与初始预测数据的误差进行修正,以校正净负荷波动偏差为目的,由各ELN子网根据网群控制中心计算出的更新内部电价决策出自身的最优策略,并修正各个变量。修正完成后,当前的优化结果作为实际调度方案,等待下一优化周期的到来,并重复上述日内滚动优化过程。该发明可以有效提高能源互联网对新能源的消纳能力以及故障时的***可靠性,并在一定程度上增加能源互联网的经济利益。
Description
技术领域
本发明涉及一种基于日内滚动的能源互联网优化控制方法。
背景技术
近些年来,人类社会已经认识到传统的化石能源不能长久地为人类文明的快速发展提供能源保障,要追求社会的可持续发展,就必须要提高可再生能源的利用水平,提高它在所有能源消耗中的比重。然而由于新能源利用在大部分场合下具有不稳定性,给发电侧引入了大量的不确定性,对整个***的产出和消纳波动产生了严重的影响,带来了新能源大规模消纳的难题。为此,就需要从能源消费侧着手,通过在消费侧引入分布式能源和分布式储能来提高消费侧的运行灵活性以吸纳发电侧的大量不确定性,与此同时能源消费侧自生也出现了多样化的趋势,给电网的建设带来了新的挑战。为了应对能源安全、分布式能源利用和能源消费多样化的问题,未来电网结构将会像计算机互联网的发展路线一样向着多维度互联的方向发展。由此衍生出的能源互联网现已成为当今学术界与产业界的一项新的研究热点。
能源互联网是深度融合电力、天然气及新能源等综合能源***,将能源的生产、制造、存储及传输等实现互联,最大限度实现资源最优配置。与能源主干网相比,能源互联网更靠近需求侧,可以与冷、热等不适宜长距离传输的能源进行交互,能源消纳的方式也更加灵活。最近的文献常常将配电网看作能源互联网群,即能源互联网的网群集合,通过研究能源互联网群的优化管理从而得出区域配电网运行优化的新方案。但是,随着大规模分布式可再生能源不断接入电网,使得新能源利用在大部分场合下具有不稳定性,负载需求的波动性,实时电价的随机性,给供需侧引入大量不确定,引起功率不平衡。因此,对大量不确定性进行校正管理成为能源互联网解决问题的关键。
综上所述,考虑到能源互联网中各类型能源和储能繁多,可控程度不同且运行模式多样化等因素,在***实际运行过程中,可能会出现实际数据与初始预测数据差别较大的情况。因此,如何减少大量不确定性所带来的误差影响,应是未来针对能源互联网优化管理深入研究的重点方向。
发明内容
为了克服由可再生能源以及负荷预测不确定性所带来的功率波动,本发明引入预测控制技术,建立能源局域网模型,实现能源局域网群的多能源和储能在日内滚动优化中的合理配置,基于模型预测的有限时域滚动优化控制框架,通过有限时域滚动的反馈校正,大幅提高该模型在预测不确定情况下的鲁棒性,有效缓解了预测不确定性所带来的影响,大幅提升了能源利用率和***的稳定性。
为了实现上述目的,本发明的技术方案为:
一种基于日内滚动优化能源互联网优化控制方法,包括以下步骤:
S1:构建能源局域网群模型,对***进行初始化并获取优化所需参数,包括风能、光能与储能的日前预测数据。
S2:进入日内滚动优化阶段,对实际风光出力、负荷波动与预测数据之间的误差进行修正,确保各ELN子网与网群控制中心之间的交互策略与预测数据相符;
S3:以24h为周期,Δt=0.5h为时间间隔对***进行滚动优化,以校正净负荷波动偏差为目的,由网群控制中心计算出此时的内部电价;
S4:各ELN子网根据此时的内部电价决策出对应的最优策略,若误差达到最小,则以此时的优化策略为标准修正各个变量,若否,返回步骤S2依据更新的状态信息重新进行优化;
S5:修正完成后,将当前的优化结果作为实际调度方案,等待下一优化周期的到来,并重复上述日内滚动优化过程。
本发明中,所述能源互联网环境由多个能源局域网个体组成,在每个能源局域网个体内部的供电侧由光伏、风机、燃气轮机、储能以及其他电网组成,需求侧则由基本负荷与电制冷机组成,热负荷由燃气轮机、集热器和燃气锅炉供给,冷负荷由燃气轮机与电制冷机供给,而整体ELN群由各个ELN以及外部电网提供或消耗电能。如图2所示。
进一步,所述步骤S1中,***模型包括以下构成:
S1-1.基本负荷模型:ELN包含三类负荷,即热负荷、冷负荷、电负荷,模型如下:
热负荷:由燃气锅炉、热交换器和集热器提供:
其中,是ELNi中热负荷的总功率;是热交换器对外输出的热功率;是ELNi中燃气锅炉的热功率;
燃气锅炉:输出的热功率与燃料使用量和锅炉的产热效率相关;
其中,是ELNi中燃气锅炉的最大热功率;ηGB是燃气锅炉的产热效率;VGB,i为锅炉在一个时段内的燃气使用量;LNG是天然气的热值,一般为9.7kWh/m3;
由燃气轮机与燃气锅炉的燃料使用量,还能得到***的燃气总消耗量VSUM为:
其中,VGT,i是t时段ELNi燃气轮机的天然气消耗量;
燃气轮机作为ELN***中的可控供能设备,不仅为ELN提供电能,同时其产生的高温烟气携带的热量可由热回收装置回收,并通过热交换器和吸收式制冷装置为热负荷供热和为冷负荷供冷,ELNi的燃气轮机的出力、热量以及燃气消耗的关系如下:
其中,为t时段ELNi燃气轮机的发电功率;为ELNi燃气轮机的最大发电功率;为t时段ELNi燃气轮机的余热回收功率;ηc和ηr为ELNi燃气轮机的发电效率和余热回收效率;是t时段ELNi燃气轮机的天然气消耗量;
此外,燃气轮机的发电效率和余热回收效率受机组负载率影响较大,这两者与机组负载率β的关系如下:
0.25≤β≤1 (10)
式中,为燃气轮机的额定发电效率;为燃气轮机的额定余热回收效率;β为机组负载率;
热交换器:将从燃气轮机回收的余热中用于制热的部分与水进行交换,得到输出的热功率。
式中,是中分配出来用于制热的部分;ηHX为热交换器的换热效率;
冷负荷由吸收式制冷装置和电制冷机提供:
其中,是ELNi中冷负荷的总功率;是吸收式制冷装置对外输出的冷功率;为ELNi的电制冷机制冷功率;
吸收式制冷装置:将余热中用于制冷的部分提供给装置中的换热器,从而使装置转换出冷能;
式中,是中分配出来用于制冷的部分;ηAC为吸收式制冷装置的制冷效率;
电制冷机是用来产生冷负荷的特殊负荷,也可进行调节,在冷负荷已知的情况下属于被确定的一方,第i个ELN的电制冷机出力应满足如下需求:
其中,为ELNi的电制冷机输入功率;ηEC为电制冷机的制冷效率;为ELNi的电制冷机最大输入功率,
电负荷:是所提的这三种之中唯一可以进行调控的,依照是否与其他两类相关,将电负荷主要分为基础负荷与电制冷机两种,基础负荷模型如下:
对于ELNi∈I,其基础负荷如下:
其中,是采用外部电网电价的情况下ELNi的基础负荷;λb代表从外部电网购买的电能价格;λs代表卖给外部电网的电能价格,rb代表ELN群的内部购电价格,rs代表ELN群的内部售电价格,电价应满足以下约束:
λs≤rs<rb≤λb (17)
S1-2.储能***模型
储能***通过充电和放电这两种可控操作来减小单个ELN以及ELN群整体的净负荷,其各个时间段的SoC都与之前时段的充放电状态以及充放电量相关,在t时间段,第i个ELN的储能***工作模型如下:
式中,为t时段ELNi储能***储存的能量;为t时段ELNi储能的剩余容量;QBES,i为ELNi储能***的总容量;为t时段ELNi储能***的充电功率;为t时段ELNi储能***的放电功率;ηch和ηdch为储能***的充电效率和放电效率;
不仅如此,ELN内的储能***还需要对自身的充放电功率以及SoC的状态进行约束,同时满足运行一日前后SoC状态不变的需求:
式中,和分别表示ELNi储能***的充放电功率;和为ELNi储能***的最大充放电功率;与代表ELNi储能***的充放电状态,取0或1,其中0表示不处于充放电状态,1表示处于充放电状态;表示ELNi储能***在t时段的充放电功率;则为ELNi储能***剩余容量的上下限;
S1-3.可再生能源模型,如下:
光伏***:具有最大功率点跟踪功能,能够根据光照强度和环境温度进行调整,跟踪并输出所在时段的最大功率,ELNi的光伏***出力为:
式中,Ppv,i为所有光伏***功率的平均值;
风机***:风机***将风的机械能转化为电能,输出功率随着所在时段当地的平均风速的变化而波动,ELNi的风机***出力为:
式中,PWT,i为所有风机***功率的平均值;
S1-4.ELN功率平衡模型
通过ELN中处于供电侧与需求侧的各个组成部分,得到第i个ELN的电功率平衡模型:
其中,为ELNi与网群的交换功率;为输送线功率约束。
再进一步,所述步骤S2中的日内滚动优化模型的建立如下:
S2-1.单个ELN的收益模型
功率平衡的作用在于降低ELN的净负荷,此处设定为功率平衡与ELN联络线交换功率的平方相关;电能交易的收益是在网群内部交易的收益,需要使用网群控制中心和各ELN子网之间的购电价格与售电价格;此外,当ELN联络线上的交换功率为正时,收益为否则,收益为燃气消耗的收益表示为燃气消耗成本的相反数;
由此,得到ELN的效用函数为:
式中,ρ为功率平衡效用的相关系数,数量级上与相同;rNG为燃气价格;
ELN群网群控制中心的收益模型
由于***中的ELN通过一条母线进行功率交互,并通过该母线与外部电网进行能量交互,从而对于母线自身的功率有一定的约束;
网群控制中心是***中人为设置的机构,作为日内滚动优化模型的领导者,其优化目标是自身利益的最大化,为此设置的网群控制中心收益函数如下:
其中,和为所有在t时段购电和售电的ELN交换功率的总和。
在所述步骤S3中,滚动优化模型的建立包括以下步骤:
在单个ELN中,以自身收益最大化为目标,确保ELN与网群控制中心的交互线功率与日前优化预测结果相符,在目标函数中添加了一定的柔性约束,单个ELN在滚动时域内的优化问题就表示为一个二次规划问题:
式中,Ji为ELNi在滚动时域内的优化目标;τ为该次优化滚动时域的长度;分别为ELNi在日内的网***换功率、储能剩余容量、燃气轮机发电功率、制热用燃气轮机余热、制冷用燃气轮机余热;A、B、C、D分别为ELNi中储能剩余容量、燃气轮机发电功率、制热用燃气轮机余热、制冷用燃气轮机余热的柔性约束系数。
在所述步骤S4中,滚动优化模型的求解过程如下:
网群控制中心对电价变量的滚动优化问题表示为:
式中,JR为网群控制中心在滚动时域内的优化目标;分别为网群控制中心在日内设置的内部购电价格与内部售电价格;和是功率平衡参考电价,分别对应购电ELN与售电ELN净负荷为零时的电价;
此外,式中四个变量的表达形式如下:
其中,为t时段ELNi日内基础负荷的实际值,对于各ELN子网内根据网群控制中心更新的内部价格求解出的对应最优策略,若此时的误差达到最小,则以此时的优化策略为标准修正各个变量,若否,返回步骤S2依据更新的状态信息重新进行优化。
本发明的有益效果是:
1.完成能源局域网群的互联控制,实现能源的合理配置;能源互联网群的积极建设,促进可再生能源消纳,增强电网的可靠性。
2.保障负荷需求,协调ELN子网内多能源和储能的出力计划与内部实时电价的变动,及时跟踪新能源的出力,平缓净负荷波动,平衡ELN群功率,有效提高***运行的稳定性。
3.在滚动时域内反馈校正,解决数据不确定问题;通过随机场景分析,提高能源利用率,增加能源局域网群经济利益,实现网群收益最大化。
4.所提的优化方法在预测数据存在不确定性的情况下有着较强的鲁棒性,可有效缓解***不稳定、不确定性的影响,确保调度计划的有效实行与***的稳定运行。
附图说明
图1是ELN群***结构。
图2是ELN的能量互动示意图。
图3是ELN之间的交互响应示意图。
图4是各不确定性下滚动优化前后净负荷波动率的对比。
图5是各不确定性下滚动优化前后ELN群总成本的对比。
图6是一种基于日内滚动优化能源互联网优化控制方法的流程图。
具体实施方法
下面结合附图对本发明做进一步说明。
参照图1~图6,一种基于日内滚动优化能源互联网优化控制方法,包括以下步骤:
S1:构建能源局域网群模型,对***进行初始化并获取优化所需参数,包括风能、光能与储能的日前预测数据;
S2:进入日内滚动优化阶段,对实际风光出力、负荷波动与预测数据之间的误差进行修正,确保各ELN子网与网群控制中心之间的交互策略与预测数据相符;
S3:以24h为周期,Δt=0.5h为时间间隔对***进行滚动优化,以校正净负荷波动偏差为目的,由网群控制中心计算出此时的内部电价;
S4:各ELN子网根据此时的内部电价决策出对应的最优策略,若误差达到最小,则以此时的优化策略为标准修正各个变量,若否,返回步骤S2依据更新的状态信息重新进行优化;
S5:修正完成后,将当前的优化结果作为实际调度方案,等待下一优化周期的到来,并重复上述日内滚动优化过程。
本发明中,所述能源互联网环境由多个能源局域网个体组成,在每个能源局域网个体内部的供电侧由光伏、风机、燃气轮机、储能以及其他电网组成,需求侧则由基本负荷与电制冷机组成,热负荷由燃气轮机、集热器和燃气锅炉供给,冷负荷由燃气轮机与电制冷机供给,而整体ELN群由各个ELN以及外部电网提供或消耗电能。
进一步,所述步骤S1中,***模型包括以下构成:
S1-1.基本负荷模型:ELN包含三类负荷,即热负荷、冷负荷、电负荷,模型如下:
热负荷:在ELN中,热负荷由燃气锅炉、热交换器和集热器提供:
其中,是ELNi中热负荷的总功率;是热交换器对外输出的热功率;是ELNi中燃气锅炉的热功率;
燃气锅炉输出的热功率与燃料使用量和锅炉的产热效率相关;
其中,是ELNi中燃气锅炉的最大热功率;ηGB是燃气锅炉的产热效率;VGB,i为锅炉在一个时段内的燃气使用量;LNG是天然气的热值,一般为9.7kWh/m3。
由燃气轮机与燃气锅炉的燃料使用量,还能得到***的燃气总消耗量VSUM为:
其中,VGT,i是t时段ELNi燃气轮机的天然气消耗量;
燃气轮机作为本发明ELN***中主要的可控供能设备,不仅为ELN提供电能,同时其产生的高温烟气携带的热量可由热回收装置回收,并通过热交换器和吸收式制冷装置为热负荷供热和为冷负荷供冷,ELNi的燃气轮机的出力、热量以及燃气消耗的关系如下:
其中,为t时段ELNi燃气轮机的发电功率;为ELNi燃气轮机的最大发电功率;为t时段ELNi燃气轮机的余热回收功率;ηc和ηr为ELNi燃气轮机的发电效率和余热回收效率;是t时段ELNi燃气轮机的天然气消耗量;
此外,燃气轮机的发电效率和余热回收效率受机组负载率影响较大,查得这两者与机组负载率β的关系如下:
0.25≤β≤1 (10)
式中,为燃气轮机的额定发电效率;为燃气轮机的额定余热回收效率;β为机组负载率;
热交换器:将从燃气轮机回收的余热中用于制热的部分与水进行交换,得到输出的热功率。
式中,是中分配出来用于制热的部分;ηHX为热交换器的换热效率。
冷负荷由吸收式制冷装置和电制冷机提供:
其中,是ELNi中冷负荷的总功率;是吸收式制冷装置对外输出的冷功率;为ELNi的电制冷机制冷功率。
吸收式制冷装置:吸收式制冷装置将余热中用于制冷的部分提供给装置中的换热器,从而使装置转换出冷能。
式中,是中分配出来用于制冷的部分;ηAC为吸收式制冷装置的制冷效率;
电制冷机是用来产生冷负荷的特殊负荷,也可进行调节,在冷负荷已知的情况下属于被确定的一方,第i个ELN的电制冷机出力应满足如下需求:
其中,为ELNi的电制冷机输入功率;ηEC为电制冷机的制冷效率;为ELNi的电制冷机最大输入功率;
电负荷:是所提的这三种之中唯一可以进行调控的,依照是否与其他两类相关,本发明将电负荷主要分为基础负荷与电制冷机两种。电制冷机模型上面已经介绍,基础负荷模型如下:
对于ELNi∈I,其基础负荷如下:
其中,是采用外部电网电价的情况下ELNi的基础负荷;λb代表从外部电网购买的电能价格;λs代表卖给外部电网的电能价格,rb代表ELN群的内部购电价格,rs代表ELN群的内部售电价格,电价应满足以下约束:
λs≤rs<rb≤λb (17)
S1-2.储能***模型
储能***通过充电和放电这两种可控操作来减小单个ELN以及ELN群整体的净负荷,其各个时间段的SoC都与之前时段的充放电状态以及充放电量相关,在t时间段,第i个ELN的储能***工作模型如下:
式中,为t时段ELNi储能***储存的能量;为t时段ELNi储能的剩余容量;QBES,i为ELNi储能***的总容量;为t时段ELNi储能***的充电功率;为t时段ELNi储能***的放电功率;ηch和ηdch为储能***的充电效率和放电效率;
不仅如此,ELN内的储能***还需要对自身的充放电功率以及SoC的状态进行约束,同时满足运行一日前后SoC状态不变的需求:
式中,和分别表示ELNi储能***的充放电功率;和为ELNi储能***的最大充放电功率;与代表ELNi储能***的充放电状态,取0或1,其中0表示不处于充放电状态,1表示处于充放电状态;表示ELNi储能***在t时段的充放电功率;则为ELNi储能***剩余容量的上下限;
S1-3.可再生能源模型
光伏***:具有最大功率点跟踪功能,能够根据光照强度和环境温度进行调整,跟踪并输出所在时段的最大功率。ELNi的光伏***出力为:
式中,Ppv,i为所有光伏***功率的平均值。
风机***:将风的机械能转化为电能,输出功率随着所在时段当地的平均风速的变化而波动,ELNi的风机***出力为:
式中,PWT,i为所有风机***功率的平均值。
S1-4.ELN功率平衡模型
通过ELN中处于供电侧与需求侧的各个组成部分,可以得到第i个ELN的电功率平衡模型:
其中,为ELNi与网群的交换功率;为输送线功率约束。
再进一步,所述步骤S2中,日内滚动优化模型的建立如下:
S2-1.单个ELN的收益模型
功率平衡的作用在于降低ELN的净负荷,此处设定为功率平衡与ELN联络线交换功率的平方相关;电能交易的收益是在网群内部交易的收益,需要使用网群控制中心和各ELN子网之间的购电价格与售电价格;此外,当ELN联络线上的交换功率为正时,收益为否则,收益为燃气消耗的收益表示为燃气消耗成本的相反数;
由此,得到ELN的效用函数为:
式中,ρ为功率平衡效用的相关系数,数量级上与相同;rNG为燃气价格;
ELN群网群控制中心的收益模型
由于***中的ELN通过一条母线进行功率交互,并通过该母线与外部电网进行能量交互,从而对于母线自身的功率有一定的约束;
网群控制中心是***中人为设置的机构,作为日内滚动优化模型的领导者,其优化目标是自身利益的最大化,为此设置的网群控制中心收益函数如下:
其中,和为所有在t时段购电和售电的ELN交换功率的总和。
在所述步骤S3中,滚动优化模型的建立包括以下步骤:
在单个ELN中,以自身收益最大化为目标,确保ELN与网群控制中心的交互线功率与日前优化预测结果相符,本发明在目标函数中添加了一定的柔性约束,单个ELN在滚动时域内的优化问题就可以表示为一个二次规划问题:
式中,Ji为ELNi在滚动时域内的优化目标;τ为该次优化滚动时域的长度;分别为ELNi在日内的网***换功率、储能剩余容量、燃气轮机发电功率、制热用燃气轮机余热、制冷用燃气轮机余热;A、B、C、D分别为ELNi中储能剩余容量、燃气轮机发电功率、制热用燃气轮机余热、制冷用燃气轮机余热的柔性约束系数;
在所述步骤S4中,滚动优化模型的求解过程如下:
网群控制中心对电价变量的滚动优化问题表示为:
式中,JR为网群控制中心在滚动时域内的优化目标;分别为网群控制中心在日内设置的内部购电价格与内部售电价格;和是功率平衡参考电价,分别对应购电ELN与售电ELN净负荷为零时的电价;
此外,式中四个变量的表达形式如下:
其中,为t时段ELNi日内基础负荷的实际值。对于各ELN子网内根据网群控制中心更新的内部价格求解出的对应最优策略,若此时的误差达到最小,则以此时的优化策略为标准修正各个变量,若否,返回步骤S2依据更新的状态信息重新进行优化。
为使本领域技术人员更好地理解本发明的效益,申请人使用三种运行模式下的ELN群净负荷特性与经济性进行分析与比较。以某地的4个ELN组成的ELN群为例验证所提能量优化管理方法的有效性,其中ELN1包含冷、热负荷;ELN2包含热负荷;ELN3包含冷负荷以及无冷热负荷的ELN4,用以模拟各类ELN结构。各个ELN***的供电侧由光伏、风机、燃气轮机、储能以及其他电网组成,需求侧则由基本负荷与电制冷机组成,热负荷由燃气轮机、集热器和燃气锅炉供给,冷负荷由燃气轮机与电制冷机供给,而整体ELN群由各个ELN以及外部电网提供或消耗电能。
考虑到新能源出力、负荷需求随机的实际情况,采用了随机场景分析方法对风、光出力的波动、间歇性以及负荷需求的波动对优化结果产生的影响进行量化分析。根据目前对风光出力和负荷预测的研究结论,可以设定风光出力与负荷预测应当满足以下模型:
式中,n=1,2,3,分别表示风机、光伏、储能;为t时段的预测数据,为t时段的历史数据;Rn{-1,1}是一个取值为1到-1的随机数;为最大不确定性百分比,可以表示为:
其中,K为不确定度等级,为基础不确定度。
上述参数的取值如表1所示。
表1
本发明在优化前风、光、负荷的初始值上加入上文所述的不确定性,并设置了600个随机场景,日前优化和日内滚动优化在所有场景中的计算结果如图4和图5所示。
结合图4和图5,滚动优化前后ELN群***的净负荷波动率下降,经济性有了一定的提升,而且结果在图中的分布也更为集中,更加接***均值。随着不确定性的增加,滚动优化前后***净负荷波动率均逐渐升高,经济性均逐渐降低,但可以明显地看出,滚动优化后的结果应对不确定性的能力更强,净负荷波动率上升速度与经济性下降速度更慢,这说明滚动优化达到了应有的效果。
面向考虑交互响应的ELN群***,本发明对ELN内涉及多种能源的各类设备进行建模,并模拟其真实运行情况。本发明在这些模型的基础上完成了ELN群日内滚动优化管理方法,以寻找ELN群的最佳经济运行策略。
所用方法协调各个ELN内可控源、荷、储的出力计划以及内部实时电价的变化,并使其能够尽量跟踪新能源的出力,应对新能源利用和符合需求在大部分场合不稳定性,不确定性问题,同时推动ELN群整体更加趋近于功率平衡,显著提高了各ELN及ELN群***的稳定性。所提实时电价***模型与电价不变的***模型相比,能够以稍稍增加调度过程中的损耗和运维费用为代价,较大程度地减少了天然气的消耗成本,从而在总体经济性方面得到了较大的提升。同时凭借更接近实际数据的短期预测数据,结合时域的滚动和***实时运行数据,对ELN群中的各个决策进行反馈校正,并通过随机场景分析,检验了模型预测控制对不确定性的削减作用,提升了***的经济性与稳定性,减小了与外部电网交互功率的波动率。
在本说明书中,对本发明的示意性表述不是必须针对的是相同的实施例或示例,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。此外,本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式,本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种基于日内滚动优化能源互联网优化控制方法,其特征在于,所述方法包括以下步骤:
S1:构建能源局域网群模型,对***进行初始化并获取优化所需参数,包括风能、光能与储能的日前预测数据;
S2:进入日内滚动优化阶段,对实际风光出力、负荷波动与预测数据之间的误差进行修正,确保各ELN子网与网群控制中心之间的交互策略与预测数据相符;
S3:以24h为周期,Δt=0.5h为时间间隔对***进行滚动优化,以校正净负荷波动偏差为目的,由网群控制中心计算出此时的内部电价;
S4:各ELN子网根据此时的内部电价决策出对应的最优策略,若误差达到最小,则以此时的优化策略为标准修正各个变量,若否,返回步骤S2依据更新的状态信息重新进行优化;
S5:修正完成后,将当前的优化结果作为实际调度方案,等待下一优化周期的到来,并重复上述日内滚动优化过程。
2.如权利要求1所述的一种基于日内滚动优化能源互联网优化控制方法,其特征在于,所述步骤S1中,***模型包括以下构成:
S1-1.基本负荷模型:ELN包含三类负荷,即热负荷、冷负荷、电负荷,模型如下:
热负荷:由燃气锅炉、热交换器和集热器提供:
其中,是ELNi中热负荷的总功率;是热交换器对外输出的热功率;是ELNi中燃气锅炉的热功率;
燃气锅炉:输出的热功率与燃料使用量和锅炉的产热效率相关;
其中,是ELNi中燃气锅炉的最大热功率;ηGB是燃气锅炉的产热效率;VGB,i为锅炉在一个时段内的燃气使用量;LNG是天然气的热值,一般为9.7kWh/m3;
由燃气轮机与燃气锅炉的燃料使用量,还能得到***的燃气总消耗量VSUM为:
其中,VGT,i是t时段ELNi燃气轮机的天然气消耗量;
燃气轮机作为ELN***中的可控供能设备,不仅为ELN提供电能,同时其产生的高温烟气携带的热量可由热回收装置回收,并通过热交换器和吸收式制冷装置为热负荷供热和为冷负荷供冷,ELNi的燃气轮机的出力、热量以及燃气消耗的关系如下:
其中,为t时段ELNi燃气轮机的发电功率;为ELNi燃气轮机的最大发电功率;为t时段ELNi燃气轮机的余热回收功率;ηc和ηr为ELNi燃气轮机的发电效率和余热回收效率;是t时段ELNi燃气轮机的天然气消耗量;
此外,燃气轮机的发电效率和余热回收效率受机组负载率影响较大,这两者与机组负载率β的关系如下:
0.25≤β≤1 (10)
式中,为燃气轮机的额定发电效率;为燃气轮机的额定余热回收效率;β为机组负载率;
热交换器:将从燃气轮机回收的余热中用于制热的部分与水进行交换,得到输出的热功率;
式中,是中分配出来用于制热的部分;ηHX为热交换器的换热效率;
冷负荷由吸收式制冷装置和电制冷机提供:
其中,是ELNi中冷负荷的总功率;是吸收式制冷装置对外输出的冷功率;为ELNi的电制冷机制冷功率;
吸收式制冷装置:将余热中用于制冷的部分提供给装置中的换热器,从而使装置转换出冷能;
式中,是中分配出来用于制冷的部分;ηAC为吸收式制冷装置的制冷效率;
电制冷机是用来产生冷负荷的特殊负荷,也可进行调节,在冷负荷已知的情况下属于被确定的一方,第i个ELN的电制冷机出力应满足如下需求:
其中,为ELNi的电制冷机输入功率;ηEC为电制冷机的制冷效率;为ELNi的电制冷机最大输入功率,
电负荷:是所提的这三种之中唯一可以进行调控的,依照是否与其他两类相关,将电负荷主要分为基础负荷与电制冷机两种,基础负荷模型如下:
对于ELNi∈I,其基础负荷如下:
其中,是采用外部电网电价的情况下ELNi的基础负荷;λb代表从外部电网购买的电能价格;λs代表卖给外部电网的电能价格,rb代表ELN群的内部购电价格,rs代表ELN群的内部售电价格,电价应满足以下约束:
λs≤rs<rb≤λb (17)
S1-2.储能***模型
储能***通过充电和放电这两种可控操作来减小单个ELN以及ELN群整体的净负荷,其各个时间段的SoC都与之前时段的充放电状态以及充放电量相关,在t时间段,第i个ELN的储能***工作模型如下:
式中,为t时段ELNi储能***储存的能量;为t时段ELN i储能的剩余容量;QBES,i为ELNi储能***的总容量;为t时段ELN i储能***的充电功率;为t时段ELNi储能***的放电功率;ηch和ηdch为储能***的充电效率和放电效率;
不仅如此,ELN内的储能***还需要对自身的充放电功率以及SoC的状态进行约束,同时满足运行一日前后SoC状态不变的需求:
式中,和分别表示ELNi储能***的充放电功率;和为ELNi储能***的最大充放电功率;与代表ELNi储能***的充放电状态,取0或1,其中0表示不处于充放电状态,1表示处于充放电状态;表示ELNi储能***在t时段的充放电功率;则为ELNi储能***剩余容量的上下限;
S1-3.可再生能源模型,如下:
光伏***:具有最大功率点跟踪功能,能够根据光照强度和环境温度进行调整,跟踪并输出所在时段的最大功率,ELNi的光伏***出力为:
式中,Ppv,i为所有光伏***功率的平均值;
风机***:风机***将风的机械能转化为电能,输出功率随着所在时段当地的平均风速的变化而波动,ELNi的风机***出力为:
式中,PWT,i为所有风机***功率的平均值;
S1-4.ELN功率平衡模型
通过ELN中处于供电侧与需求侧的各个组成部分,得到第i个ELN的电功率平衡模型:
其中,为ELNi与网群的交换功率;为输送线功率约束。
3.如权利要求2所述的一种基于日内滚动优化能源互联网优化控制方法,其特征在于,所述步骤S2中的日内滚动优化模型的建立如下:
S2-1.单个ELN的收益模型
功率平衡的作用在于降低ELN的净负荷,此处设定为功率平衡与ELN联络线交换功率的平方相关;电能交易的收益是在网群内部交易的收益,需要使用网群控制中心和各ELN子网之间的购电价格与售电价格;此外,当ELN联络线上的交换功率为正时,收益为否则,收益为燃气消耗的收益表示为燃气消耗成本的相反数;
由此,得到ELN的效用函数为:
式中,ρ为功率平衡效用的相关系数,数量级上与相同;rNG为燃气价格;
ELN群网群控制中心的收益模型
由于***中的ELN通过一条母线进行功率交互,并通过该母线与外部电网进行能量交互,从而对于母线自身的功率有一定的约束;
网群控制中心是***中人为设置的机构,作为日内滚动优化模型的领导者,其优化目标是自身利益的最大化,为此设置的网群控制中心收益函数如下:
其中,和为所有在t时段购电和售电的ELN交换功率的总和。
4.如权利要求3所述的一种基于日内滚动优化能源互联网优化控制方法,其特征在于,在所述步骤S3中,滚动优化模型的建立包括以下步骤:
在单个ELN中,以自身收益最大化为目标,确保ELN与网群控制中心的交互线功率与日前优化预测结果相符,在目标函数中添加了一定的柔性约束,单个ELN在滚动时域内的优化问题就表示为一个二次规划问题:
式中,Ji为ELNi在滚动时域内的优化目标;τ为该次优化滚动时域的长度;分别为ELNi在日内的网***换功率、储能剩余容量、燃气轮机发电功率、制热用燃气轮机余热、制冷用燃气轮机余热;A、B、C、D分别为ELNi中储能剩余容量、燃气轮机发电功率、制热用燃气轮机余热、制冷用燃气轮机余热的柔性约束系数。
5.如权利要求4所述的一种基于日内滚动优化能源互联网优化控制方法,其特征在于,在所述步骤S4中,滚动优化模型的求解过程如下:
网群控制中心对电价变量的滚动优化问题表示为:
式中,JR为网群控制中心在滚动时域内的优化目标;分别为网群控制中心在日内设置的内部购电价格与内部售电价格;和是功率平衡参考电价,分别对应购电ELN与售电ELN净负荷为零时的电价;
此外,式中四个变量的表达形式如下:
其中,为t时段ELNi日内基础负荷的实际值,对于各ELN子网内根据网群控制中心更新的内部价格求解出的对应最优策略,若此时的误差达到最小,则以此时的优化策略为标准修正各个变量,若否,返回步骤S2依据更新的状态信息重新进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580066.7A CN109634119B (zh) | 2018-12-24 | 2018-12-24 | 一种基于日内滚动优化的能源互联网优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580066.7A CN109634119B (zh) | 2018-12-24 | 2018-12-24 | 一种基于日内滚动优化的能源互联网优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109634119A true CN109634119A (zh) | 2019-04-16 |
CN109634119B CN109634119B (zh) | 2022-04-01 |
Family
ID=66076842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811580066.7A Active CN109634119B (zh) | 2018-12-24 | 2018-12-24 | 一种基于日内滚动优化的能源互联网优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109634119B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110247438A (zh) * | 2019-06-19 | 2019-09-17 | 南昌大学 | 基于天牛须算法的主动配电网资源优化配置 |
CN110288271A (zh) * | 2019-07-11 | 2019-09-27 | 北京全来电科技有限公司 | 一种基于模型预测控制的台区级充电负荷调控策略及方法 |
CN110400059A (zh) * | 2019-07-05 | 2019-11-01 | 中国科学院电工研究所 | 一种综合能源***联络线功率控制方法 |
CN111311436A (zh) * | 2020-03-17 | 2020-06-19 | 上海积成能源科技有限公司 | 一种基于多变量控制的复杂可再生能源综合用能分析管理的***和方法 |
CN111553570A (zh) * | 2020-04-16 | 2020-08-18 | 贵州电网有限责任公司 | 基于预测时段划分的月内滚动调度计划优化调整方法 |
CN112257273A (zh) * | 2020-10-26 | 2021-01-22 | 青岛高测科技股份有限公司 | 一种卷径周期补偿方法 |
CN113394805A (zh) * | 2021-07-26 | 2021-09-14 | 国网江苏省电力有限公司 | 基于自适应动态更新的柔性互联配电网日内滚动优化方法 |
CN113837511A (zh) * | 2020-06-23 | 2021-12-24 | 电力规划总院有限公司 | 能源规划方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105591406A (zh) * | 2015-12-31 | 2016-05-18 | 华南理工大学 | 一种基于非合作博弈的微电网能量管理***的优化算法 |
CN106707778A (zh) * | 2016-12-06 | 2017-05-24 | 长沙理工大学 | 一种基于模型预测控制的家庭综合能源智能优化管理*** |
CN107958300A (zh) * | 2017-08-21 | 2018-04-24 | 浙江工业大学 | 一种考虑互动响应的多微网互联运行协调调度优化方法 |
CN109088442A (zh) * | 2018-10-29 | 2018-12-25 | 国网山东省电力公司日照供电公司 | 多时间尺度下考虑多种储能的微能源网优化调度模型 |
-
2018
- 2018-12-24 CN CN201811580066.7A patent/CN109634119B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105591406A (zh) * | 2015-12-31 | 2016-05-18 | 华南理工大学 | 一种基于非合作博弈的微电网能量管理***的优化算法 |
CN106707778A (zh) * | 2016-12-06 | 2017-05-24 | 长沙理工大学 | 一种基于模型预测控制的家庭综合能源智能优化管理*** |
CN107958300A (zh) * | 2017-08-21 | 2018-04-24 | 浙江工业大学 | 一种考虑互动响应的多微网互联运行协调调度优化方法 |
CN109088442A (zh) * | 2018-10-29 | 2018-12-25 | 国网山东省电力公司日照供电公司 | 多时间尺度下考虑多种储能的微能源网优化调度模型 |
Non-Patent Citations (1)
Title |
---|
张彦等: "基于模型预测控制的能源互联网***分布式优化调度研究", 《中国电机工程学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110247438B (zh) * | 2019-06-19 | 2023-03-24 | 南昌大学 | 基于天牛须算法的主动配电网资源优化配置 |
CN110247438A (zh) * | 2019-06-19 | 2019-09-17 | 南昌大学 | 基于天牛须算法的主动配电网资源优化配置 |
CN110400059B (zh) * | 2019-07-05 | 2021-11-02 | 中国科学院电工研究所 | 一种综合能源***联络线功率控制方法 |
CN110400059A (zh) * | 2019-07-05 | 2019-11-01 | 中国科学院电工研究所 | 一种综合能源***联络线功率控制方法 |
CN110288271A (zh) * | 2019-07-11 | 2019-09-27 | 北京全来电科技有限公司 | 一种基于模型预测控制的台区级充电负荷调控策略及方法 |
CN110288271B (zh) * | 2019-07-11 | 2022-10-11 | 北京全来电科技有限公司 | 一种基于模型预测控制的台区级充电负荷调控策略及方法 |
CN111311436A (zh) * | 2020-03-17 | 2020-06-19 | 上海积成能源科技有限公司 | 一种基于多变量控制的复杂可再生能源综合用能分析管理的***和方法 |
CN111553570B (zh) * | 2020-04-16 | 2022-09-23 | 贵州电网有限责任公司 | 基于预测时段划分的月内滚动调度计划优化调整方法 |
CN111553570A (zh) * | 2020-04-16 | 2020-08-18 | 贵州电网有限责任公司 | 基于预测时段划分的月内滚动调度计划优化调整方法 |
CN113837511A (zh) * | 2020-06-23 | 2021-12-24 | 电力规划总院有限公司 | 能源规划方法及装置 |
CN113837511B (zh) * | 2020-06-23 | 2023-05-16 | 电力规划总院有限公司 | 能源规划方法及装置 |
CN112257273A (zh) * | 2020-10-26 | 2021-01-22 | 青岛高测科技股份有限公司 | 一种卷径周期补偿方法 |
CN113394805A (zh) * | 2021-07-26 | 2021-09-14 | 国网江苏省电力有限公司 | 基于自适应动态更新的柔性互联配电网日内滚动优化方法 |
CN113394805B (zh) * | 2021-07-26 | 2024-03-22 | 国网江苏省电力有限公司 | 基于自适应动态更新的柔性互联配电网日内滚动优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109634119B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109634119A (zh) | 一种基于日内滚动优化的能源互联网优化控制方法 | |
Luo et al. | Multi-objective capacity optimization of a distributed energy system considering economy, environment and energy | |
CN108197768B (zh) | 一种能源***与管网布局联合优化方法 | |
CN111445090B (zh) | 一种离网型综合能源***双层规划方法 | |
Liu et al. | Coordinated operation of multi-integrated energy system based on linear weighted sum and grasshopper optimization algorithm | |
CN111860937B (zh) | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 | |
CN109858759A (zh) | 一种工业园区综合能源平衡调度方法 | |
CN107958300A (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
CN108039736A (zh) | 一种提高风电接纳能力的大容量储热储电协调调度方法 | |
CN111463836A (zh) | 一种综合能源***优化调度方法 | |
CN109861302A (zh) | 一种基于主从博弈的能源互联网日前优化控制方法 | |
CN108206543A (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN105676824A (zh) | 一种可再生能源冷热电联供能量优化调度***与方法 | |
CN107784382A (zh) | 基于能源路由器的用户侧能源互联网规划方法 | |
Zhang et al. | Nested optimization design for combined cooling, heating, and power system coupled with solar and biomass energy | |
CN109543889A (zh) | 一种区域综合能源***日前协同优化运行方法 | |
CN111415045B (zh) | 一种乡村生物质综合能源***两阶段运行优化方法 | |
CN105955931A (zh) | 面向高密度分布式光伏消纳的区域能源网络优化调度方法 | |
Zhang et al. | Energy scheduling optimization of the integrated energy system with ground source heat pumps | |
CN113779783A (zh) | 计及多重不确定性的区域综合能源***规划与运行联合优化方法 | |
CN114519543A (zh) | 一种乡村多能源***边缘自治运行方法及*** | |
Song et al. | A fuzzy‐based multi‐objective robust optimization model for a regional hybrid energy system considering uncertainty | |
CN113255224A (zh) | 一种基于发光萤火虫算法的能源***配置优化方法 | |
Lv et al. | Digital twins for secure thermal energy storage in building |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Guofeng Inventor after: Zhang Youbing Inventor after: Hu Chengpeng Inventor after: Zhao Kangli Inventor after: Lu Junjie Inventor before: Zhang Youbing Inventor before: Wang Guofeng Inventor before: Hu Chengpeng Inventor before: Zhao Kangli Inventor before: Lu Junjie |
|
GR01 | Patent grant | ||
GR01 | Patent grant |