CN111144668B - 考虑场景模拟的综合能源***随机优化模型的建立方法 - Google Patents
考虑场景模拟的综合能源***随机优化模型的建立方法 Download PDFInfo
- Publication number
- CN111144668B CN111144668B CN202010062109.3A CN202010062109A CN111144668B CN 111144668 B CN111144668 B CN 111144668B CN 202010062109 A CN202010062109 A CN 202010062109A CN 111144668 B CN111144668 B CN 111144668B
- Authority
- CN
- China
- Prior art keywords
- scene
- power
- energy
- load
- representing
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004088 simulation Methods 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 42
- 239000007789 gas Substances 0.000 claims description 23
- 239000003345 natural gas Substances 0.000 claims description 21
- 238000004146 energy storage Methods 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012946 outsourcing Methods 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000013486 operation strategy Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000005619 thermoelectricity Effects 0.000 description 3
- JPKJQBJPBRLVTM-OSLIGDBKSA-N (2s)-2-amino-n-[(2s,3r)-3-hydroxy-1-[[(2s)-1-[[(2s)-1-[[(2s)-1-[[(2r)-1-(1h-indol-3-yl)-3-oxopropan-2-yl]amino]-1-oxo-3-phenylpropan-2-yl]amino]-1-oxo-3-phenylpropan-2-yl]amino]-1-oxo-3-phenylpropan-2-yl]amino]-1-oxobutan-2-yl]-6-iminohexanamide Chemical compound C([C@H](NC(=O)[C@@H](NC(=O)[C@@H](N)CCCC=N)[C@H](O)C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@H](CC=1C2=CC=CC=C2NC=1)C=O)C1=CC=CC=C1 JPKJQBJPBRLVTM-OSLIGDBKSA-N 0.000 description 2
- 102100031277 Calcineurin B homologous protein 1 Human genes 0.000 description 2
- 102100031272 Calcineurin B homologous protein 2 Human genes 0.000 description 2
- 241001510512 Chlamydia phage 2 Species 0.000 description 2
- 241000839426 Chlamydia virus Chp1 Species 0.000 description 2
- 101000777252 Homo sapiens Calcineurin B homologous protein 1 Proteins 0.000 description 2
- 101000777239 Homo sapiens Calcineurin B homologous protein 2 Proteins 0.000 description 2
- 101000943802 Homo sapiens Cysteine and histidine-rich domain-containing protein 1 Proteins 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑场景模拟的综合能源***随机优化模型的建立方法，包括：利用随机优化中的场景分析技术处理风光电源出力及热电负荷预测的不确定性，根据源荷概率分布进行拉丁超立方抽样，模拟得到不同时段下的多种运行场景，继而利用Kmeans聚类算法对场景进行聚类缩减，从而构造用于***运行优化的典型运行场景集。基于运行场景集，以***运行整体经济性为目标，同时考虑***的整体能效水平及新能源消纳能力，构造分布式综合能源***随机优化模型，将随机优化问题转化为不同运行场景下的确定性优化问题，生成不同优化周期内的运行策略，简化了模型复杂度，保障了***在不确定性因素影响下的经济性与安全稳定性。
Description
技术领域
本发明属于综合能源***技术领域，尤其涉及一种考虑场景模拟的综合能源***随机优化模型建立方法。
背景技术
作为能源互联网的重要载体，综合能源***(IES)综合了包括冷热电联供能源站、可再生能源发电***等在内的多种分布式能源***，对提高能源综合利用率，促进可再生能源的消纳，实现能量的阶梯利用具有重要意义，其发展已受到国际社会的广泛关注。
目前，对于综合能源***的建模及运行优化方面，已经开展了较多的研究。这些优化运行模型与策略的研究多针对确定且单一运行场景下的能源枢纽基础设备，对多能源***深度耦合所带来的复杂运行条件的考虑仍然较为缺乏，难以兼顾到不同场景案例对***安全经济运行的影响，因此其运行优化策略往往存在一定的局限性。
综合能源***的构建为大规模可再生能源的消纳提供了新途径，但多能源***的耦合及可再生能源的接入也将大大增加***运行的复杂性与不确定性，为综合能源***的优化运行带来了更大的挑战。为了提升IES优化运行方案的可靠性与经济性，需要充分考虑IES在不确定性情况下可能的运行场景，使得***在复杂运行条件下仍能保持一定的经济性与安全运行裕度。
发明内容
针对以上问题，本发明提出一种考虑场景模拟的综合能源***优化运行方法，旨在简化模型复杂度，保障***在不确定性因素影响下的经济性与安全稳定性。
为达到上述目的，本发明通过如下的技术方法实现：
一种考虑场景模拟的综合能源***随机优化模型的建立方法，包括如下步骤：
根据风电光伏出力和负荷数据建立综合能源***的基础运行场景集；
根据源荷侧的概率分布对所述基础运行场景集进行随机化处理，得到随机性场景集；
对所述随机性场景集进行缩减处理，得到典型运行场景集；
根据所述典型运行场景集、决策目标函数和约束条件建立随机优化模型。
进一步的，所述基础运行场景集包括：
式中，k，l与n分别代表基础场景中的分布式能源数及热、电负荷类型数；Ssource,k代表第k个分布式能源出力的时序数据集，
代表第l类热负荷需求的时序数据集，
代表第n类电负荷需求的时序数据集。
进一步的，所述概率分布包括光伏***出力概率密度、风速的概率密度、热电负荷的概率密度。
进一步的，所述光伏***出力概率密度的计算方法包括：
式中，f(μ)为辐照度的概率密度函数，μ为辐照度，μ’为辐照强度与统计时段内最大辐照度的比值，umax为统计时间段内的最大辐照度；α为Beta分布的第一个模型参数，β为Beta分布的第二个模型参数；
所述风速的概率密度的计算方法包括：
式中，f(v)为风速的概率密度函数，k为威尔分布的形状参数，c为威尔分布的尺度参数；v为实际风速；PWT为风机输出电功率，Pr为风机额定功率，vi,vr,v0分别代表风机的切入、额定以及切出风速；
所述热电负荷的概率密度的计算方法包括；
式中，f(Pload)为负荷的概率密度函数，Pload代表热/电负荷，
与
分表表示负荷的期望值与标准差。
进一步的，所述随机性场景集包括：
式中，T为场景周期，Sdg,T，Sloade,T，Sloadh,T分别代表为分布式电源、电负荷、热负荷这三类随机变量在第T时刻所模拟出的场景集；初始随机场景S中每一行代表对应时段所包含的所有随机变量在N次抽样后形成的场景矩阵，每一列代表某一随机变量对应的所有时段下的抽样场景。
进一步的，所述决策目标函数包括：
其中，Cm表示机组运行维护成本，T为优化周期，St为t时段下的模拟场景集合，ps为对应模拟场景的概率，K为能量耦合单元内的机组数，Ps,t,k为t时段第s个场景下第k台机组的功率，co,k为机组的单位运行成本，Δt为优化时间间隔；Ce为电网交互成本，ce,t为t时段下的购电价格，Pe,t,s为t时段s场景下***与外部电网的交互功率；Cg为天然气能耗成本，Pg,t,s为t时段s场景下的耗气功率，cg为天然气单位热值价格；Cl为弃风弃光成本，Lpv,s,t与Lwt,s,t分别代表t时段s场景下的弃光与弃风功率，ca与cb代表对应的弃光与弃风单位成本；
为等效经济成本。
进一步的，所述等效经济成本的计算方法包括：
式中，
为等效经济成本，C为模糊折算成本基值，μ(·)表示模糊折算成本对应的隶属度函数，
为***在优化周期T内的综合能效，ps为对应模拟场景的概率；QL、CL、PL分别代表区域内的总热负荷、冷负荷以及电负荷功率；ET为一次侧的耗能量折算值；ECHP(t)与EGB(t)分别代表热电联产机组CHP与燃气锅炉GB在t时刻的天然气消耗量，Pdg,i(t,s)代表IES在t时刻s场景下接入的可再生能源功率；Pbuy,i(t,s)为***t时刻s场景下的外购电功率；τgas与τe对应天然气以及外购电的折煤系数。
进一步的，所述约束条件供能平衡约束、能源枢纽输入输出约束、设备运行约束、弃风弃光约束及储能约束等。
进一步的，所述供能平衡约束如下所示：
式中，
分别代表t时刻、s场景下的电/冷/热负荷需求；
分别代表t时刻、s场景下的电网外购电功率、燃气消耗功率及分布式电源出力；
ηrec，ηgb，ηac以及ηex分别代表燃气轮机的电效率、热效率、热回收效率、燃气锅炉效率以及热交换器效率；υ为天然气输入燃气轮机占天然气总消耗量的比例，α代表吸收式制冷机AC与热交换器EX热分配比，λ代表制冷比，ε代表IES***运行状态；
所述的能源枢纽输入输出约束如下所示：
式中，
与
分别代表与电网交互电功率的上下限；
与
分别表示输入的天然气功率上下限；
为分布式电源的预测值；
分别表示能源枢纽电/冷/热功率输出的上限；
分别表示s场景下t时刻能源枢纽的电/冷/热功率输出；
所述设备运行约束如下所示：
式中，Pk,max与Pk,min分别代表第k台机组运行时出力的上下限；
与
为机组的爬坡率上下限；
与
代表分布式电源机组设备出力的上下限值；Ps,t,k为t时段第s个场景下第k台机组的功率；Pdg,t,s为t时段第s个场景下分布式电源机组的出力；
所述弃风弃光约束如下所示：
式中，a与b分别代表设定的弃光率与弃风率上限值；Lpv,s,t与Lwt,s,t表示t时刻、s场景下的实际弃光弃风量；
与
代表t时刻、s场景下的光伏与风电出力预测量；
所述储能约束如下所示：
式中，St,s分别表示t时刻、s场景下的储能容量；Smax与Smin为对应的储能容量上下限值；
与
分别表示储能装置的充放电功率，
与
为对应的充放电功率上下限，ηc与ηd为充放电效率。
与现有技术相比，本发明所达到的有益效果是：
本发明利用随机优化中的场景分析技术处理风光电源出力及热电负荷预测的不确定性，将随机优化问题转化为不同运行场景下的确定性优化问题，降低了模型复杂度，提高了求解效率；本发明方法兼顾***整体运行经济性与综合能效水平，保障***在复杂场景条件下安全稳定运行的同时，进一步提升新能源消纳水平，与传统运行模式相比，具有明显的优势。
附图说明
图1是本发明优化模型构建及求解流程示意图；
图2是本发明的实施例结构示意图；
图3是本发明在考虑多场景模拟情况下的IES随机优化运行曲线；
图4是本发明在不考虑多场景模拟情况下的IES确定性优化运行曲线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，不能以此来限制本发明的保护范围。
一种考虑场景模拟的综合能源***随机优化模型的建立方法，包括如下步骤：
根据风电光伏出力和负荷数据建立综合能源***的基础运行场景集；
根据源荷侧的概率分布对所述基础运行场景集进行随机化处理，得到随机性场景集；
对所述随机性场景集进行缩减处理，得到典型运行场景集；
根据所述典型运行场景集、决策目标函数和约束条件建立随机优化模型。
如图1所示，本发明所提的优化模型的构建与求解流程步骤可归纳如下：
步骤1：确定综合能源***基本架构，初始化决策变量；
步骤2：获取典型风电、光伏出力以及不同类型的负荷数据，构建***的基础运行场景；
步骤3：确定随机变量，利用拉丁超立方抽样(LHS)对优化周期内各随机变量的基础场景做随机化处理，从而构建随机性场景集，并利用Kmeans算法缩减随机性场景集，构建用于生成优化运行策略的典型运行场景集Sd；
步骤4：基于步骤削减的到的典型场景集，输入机组基本配置参数，以最小化各场景下经济性指标的均值作为决策目标函数，以各机组在优化周期内的出力为决策变量，同时构建包括***能量平衡、弃风弃光约束及各机组设备的运行约束等复杂约束条件，从而建立分布式综合能源***随机优化模型；
步骤5：求解运行优化模型，得到优化周期内的运行策略。
(1)考虑不确定性因素的典型场景模拟
本发明主要针对园区级分布式综合能源***开展典型运行场景的模拟。主要分为基础场景与随机性场景模拟两部分。基础场景主要考虑地理、气候环境、季度/月度/节假日等时空因素，以及区域内各能源子***的运行交互模式、控制方式，负荷侧冷/热电气用能需求的类型与时序分布特点等，从源-荷角度构建分布式综合能源***的确定性基础运行场景集，为实现区域多能流能量运行优化算法提供场景验证。基础运行场景集Sc可表示为如下的矩阵形式：
式中，k，l与n分别代表基础场景中的分布式能源数及热、电负荷类型数；Ssource,k代表第k个分布式能源出力的时序数据集，
代表第l类热负荷需求的时序数据集，
代表第n类电负荷需求的时序数据集。
随机性场景以基础场景为前提，考虑可再生能源(风电/光伏)以及冷/热电负荷的不确定性。本发明采用拉丁超立方等抽样方法依据源荷侧的概率分布抽取场景，随机化处理分布式电源和负荷的不确定性，模拟不同时段下的多种不确定性运行场景。
其中，光伏***出力可视为近似满足Beta分布，其概率密度可表示为：
式中，f(μ)为辐照度的概率密度函数，μ为辐照度，μ’为辐照强度与统计时段内最大辐照度的比值，umax为统计时间段内的最大辐照度；α为Beta分布的第一个模型参数，β为Beta分布的第二个模型参数；
风速的概率分布近似满足Weibull分布，对应的概率密度及风电***的出力可分别表示为：
式中，f(v)为风速的概率密度函数，k为威尔分布的形状参数，c为威尔分布的尺度参数；v为实际风速；PWT为风机输出电功率，Pr为风机额定功率，vi,vr,v0分别代表风机的切入、额定以及切出风速；
对于热电负荷的预测误差，可假设服从正态分布，对应的概率密度函数可表示为：
式中，f(Pload)为负荷的概率密度函数，Pload代表热/电负荷，
与
分表表示负荷的期望值与标准差。
基于源荷侧的不确定性概率分布，结合基础运行场景利用LHS抽样(抽样规模设为500)得到源、荷的随机性场景集S：
式中，T为场景周期，Sdg,T，Sloade,T，Sloadh,T分别代表为分布式电源、电负荷、热负荷这三类随机变量在第T时刻所模拟出的场景集。初始随机场景S中每一行代表对应时段所包含的所有随机变量在N次抽样后形成的场景矩阵，每一列代表某一随机变量对应的所有时段下的抽样场景。
对于生成的多个源、荷场景，场景过多会导致问题求解复杂，场景过少会影响结果的精确性，因此需要结合场景缩减技术处理原始场景集，得到原场景的一个近似子集。本发明利用Kmeans聚类算法对各场景周期内不同随机变量抽样样本进行缩减至K个场景，组合各随机变量得到单位周期内的模拟场景。针对组合场景集进行二次缩减，共得到Q×T组运行场景(Q为随机变量个数)及对应场景的概率，作为用于生成优化运行策略的典型运行场景集Sd。
(2)综合能源***优化运行模型构建
基于所构造的典型运行场景集，以最小化各场景下经济性成本期望之和作为决策目标，以优化周期内IES***内各机组的出力策略为决策变量，同时考虑***的整体能效水平及新能源消纳能力，构造分布式综合能源***随机优化模型，将随机优化问题转化为不同运行场景下的确定性优化问题，生成不同优化周期内各机组设备的优化运行策略，在保障***安全经济运行的同时，尽可能体改新能源消纳能力与***能效水平。
模型的决策目标函数为各典型运行场景下的整体经济成本期望值之和，包括机组运行维护成本Cm、与电网交互成本Ce、天然气能耗成本Cg及弃风弃光成本Cl，此外，***整体能效水平是***运行所需考量的重要指标，因此本发明通过建立综合能效评估指标，并结合隶属度函数将其模糊化后折算为等效经济成本
参与到整体的优化运行中去，提升模型的合理性。
其中，机组运行维护成本Cm可按下式计算：
式中，T为优化周期，St为t时段下的模拟场景集合，ps为对应模拟场景的概率，K为能量耦合单元内的机组数，Ps,t,k为t时段，第s个场景下第k台机组的功率，co,k为机组的单位运行成本，Δt优化时间间隔。
电网交互成本Ce可按下式计算：
式中，ce,t为t时段下的购电价格，Pe,t,s为t时段，s场景下***与外部电网的交互功率。
天然气能耗成本Cg可按下式计算：
式中，Pg,t,s为t时段、s场景下的耗气功率，cg为天然气单位热值价格。
弃风弃光成本Cl可按下式计算，加入此项成本分量的计算有助于***在运行时降低弃风弃光率，进一步提升新能源消纳水平。
式中，Lpv,s,t与Lwt,s,t分别代表t时段s场景下的弃光与弃风功率，ca与cb代表对应的弃光与弃风单位成本。
式中，
为***在优化周期T内的综合能效；ET为一次侧的耗能量折算值；ECHP(t)与EGB(t)分别代表热电联产机组CHP与燃气锅炉GB在t时刻的天然气消耗量，Pdg,i(t,s)代表IES在t时刻s场景下接入的可再生能源功率；Pbuy,i(t,s)为***t时刻s场景下的外购电功率；τgas与τe对应天然气以及外购电的折煤系数；QL、CL、PL分别代表区域内的总热负荷、冷负荷以及电负荷功率。
C为模糊折算成本基值，μ(·)表示模糊折算成本对应的隶属度函数，可表示为：
当***整体能效期望
***能源利用率相对较高，此部分对应的***模糊成本忽略不计；当
***能效水平与能源利用率很低，此时***对应的模糊成本最高；当
需根据实际能效水平大小确定对应的模糊成本。
模型的约束条件包括：供能平衡约束、能源枢纽输入输出约束、设备运行约束、弃风弃光约束及储能约束等。
所述的供能平衡约束如下所示：
式中，
分别代表t时刻、s场景下的电/冷/热负荷需求；
分别代表t时刻、s场景下的电网外购电功率、燃气消耗功率及分布式电源出力。
ηrec，ηgb，ηac以及ηex分别代表燃气轮机的电效率、热效率、热回收效率、燃气锅炉效率以及热交换器效率；υ为天然气输入燃气轮机占天然气总消耗量的比例，α代表吸收式制冷机AC与热交换器EX热分配比，λ代表制冷比。ε代表IES***运行状态，ε取1代表并网运行，取0代表孤岛运行。
所述的能源枢纽输入输出约束如下所示：
式中，
与
分别代表与电网交互电功率的上下限；
与
分别表示输入的天然气功率上下限；
为分布式电源的预测值；
分别表示能源枢纽电/冷/热功率输出的上限；
分别表示s场景下t时刻能源枢纽的电/冷/热功率输出。
所述的设备运行约束如下所示：
式中，Pk,max与Pk,min分别代表第k台机组运行时出力的上下限；
与
为机组的爬坡率上下限；
与
代表分布式电源机组设备出力的上下限值；Pdg,t,s为t时段第s个场景下分布式电源机组的出力。
所述的弃风弃光约束如下所示：
式中，a与b分别代表设定的弃光率与弃风率上限值；Lpv,s,t与Lwt,s,t表示t时刻、s场景下的实际弃光弃风量；
与
代表t时刻、s场景下的光伏与风电出力预测量。
所述的储能约束如下所示：
式中，St,s分别表示t时刻、s场景下的储能容量；Smax与Smin为对应的储能容量上下限值；
与
分别表示储能装置的充放电功率，
与
为对应的充放电功率上下限，ηc与ηd为充放电效率。
下面通过一个实施例对本发明做进一步的说明。
如图2所示为实施例的结构示意图。IES***包含的能量转换枢纽主要由两台CHP机组、两台燃气锅炉、热交换器、吸收式制冷机、电制冷机以及光伏/风电***组成，其中冷负荷可由热/电两种能量形式通过制冷机转换得到，因此考虑将冷负荷按图示转换关系等效为热电负荷。负荷类型包含商用、民用和工业，商用负荷选择冬季商场群，热电日负荷峰值分别取25、40MW，民用负荷选择冬季住宅群，热电日负荷峰值分别取21、15MW，工业负荷选择工业园区，热、电日负荷峰值分别取80、65MW，光伏电站日出力峰值取10MW，风电场日出力峰值取30MW，从而构建冬季典型日下的基础运行场景。
算例优化周期设置为24h，步长1h，基于冬季日基础运行场景曲线数据，按1.2节方法构造考虑光伏/风电、热电负荷随机性的典型运行场景集并列于表1。由表2可知，所模拟得到的典型运行场景共包含24各时段，并按时间顺序排列。每个时段包含20组模拟场景，因此共计480组典型场景。每组场景包含8个随机变量，分别为光伏***发电功率、风电***发电功率、住宅区电/热负荷、商业区热/电负荷以及工业区热/电负荷。
表1典型运行场景数据集
基于表1的典型场景数据集，将其改写为矩阵Sd的形式，方便后续计算。矩阵包含480行、8列，每一行代表1组场景，每一列代表一种随机变量，基本形式以及各元素代表的意义与表2一致。
基于模拟的典型运行场景集Sd，构建并求解随机优化模型，得到优化周期内各机组的优化运行曲线以及对应的指标计算结果。
如图3、图4所示为IES内各机组设备分别在考虑多场景模拟与不考虑多场景模拟下的随机性优化与确定性优化运行曲线。可以看出，考虑多场景模拟与不考虑多场景模拟对应的机组运行曲线存在一定的差异性。在用电高峰时段，***的电力负荷主要由CHP1与CHP2共同承担，而在用电低/平谷时段，主要通过向电网购电的形式来满足用电需求，对于外部电网来说等效实现了削峰填谷，避开用电高峰时段的高电价购入，保障了***运行的整体经济性，体现了优化模型的合理性与有效性。***的热力负荷主要通过CHP1与CHP2共同承担，GB1与GB2的补燃量较少，在***用热低谷时储热装置进行储热，在用热高峰时储热装置放热以补充不足的用热需求。在18:00-21:00时段，考虑多场景模拟时，***产生的多余电能上网出售，而不考虑多场景情况下，在全天时段***均需向电网购电以满足用电需求，经济性相对较差。
为进一步对比验证本发明所提模型的合理性，在考虑不确定性因素的典型运行场景集Sd的基础上，设置Case1\Case2\Case3三种运行方案与本发明优化方案Case4的评估指标结果进行比较。
Case1：考虑不确定性场景模拟，基于传统以热定电模式(FTL)运行，各机组出力优先满足热负荷；
Case2：考虑不确定性场景模拟，基于传统以电定热模式(FEL)运行，各机组出力优先满足电负荷；
Case3：考虑不确定性场景模拟，利用传统经济性优化方法进行机组出力优化，仅考虑了***整体经济性成本，不考虑整体能效水平约束；
Case4：利用本发明所提模型进行机组出力优化，综合考虑了***整体的经济性与能效水平。
表2优化周期内不同优化方案下的IES***运行评估指标
表2给出了不同优化方案下的***各项运行指标计算值。由对比结果可知，Case3未考虑能效水平因素，因此能效指标较本发明模型较低，经济成本与本发明所提模型接近，略有降低。说明本发明所提模型在优化时兼顾了***运行的经济性及整体能效水平，虽然牺牲了部分经济性，但与仅考虑经济性的优化方案相比，经济成本差别较小，且与其他两种传统运行方案相比仍然具有明显的经济性优势。此外，以热定电的运行模式比以电定热的运行模式具有更好的经济性及能效水平，对于其他优化运行方案，这两种运行方案(Case1/Case2)的总成本明显偏高，能效水平也明显低于本发明所提优化方案，从而验证了本发明所提模型的有效性。
以上对本申请进行了详细介绍，本发明中应用了具体个例对本申请的原理及实施方式进行了阐释，以上实施例的说明只是用于帮助理解本申请的方法及核心思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明不应理解为对本申请的限制。
Claims (5)
1.一种考虑场景模拟的综合能源***随机优化模型的建立方法，其特征在于，包括如下步骤：
根据风电光伏出力和负荷数据建立综合能源***的基础运行场景集；
根据源荷侧的概率分布对所述基础运行场景集进行随机化处理，得到随机性场景集；
对所述随机性场景集进行缩减处理，得到典型运行场景集；
根据所述典型运行场景集、决策目标函数和约束条件建立随机优化模型；
所述概率分布包括光伏***出力概率密度、风速的概率密度、热电负荷的概率密度；
所述光伏***出力概率密度的计算方法包括：
式中，f(μ)为辐照度的概率密度函数，μ为辐照度，μ’为辐照强度与统计时段内最大辐照度的比值，umax为统计时间段内的最大辐照度；α为Beta分布的第一个模型参数，β为Beta分布的第二个模型参数；
所述风速的概率密度的计算方法包括：
式中，f(v)为风速的概率密度函数，k为威尔分布的形状参数，c为威尔分布的尺度参数；v为实际风速；PWT为风机输出电功率，Pr为风机额定功率，vi,vr,v0分别代表风机的切入、额定以及切出风速；
所述热电负荷的概率密度的计算方法包括；
式中，f(Pload)为负荷的概率密度函数，Pload代表热/电负荷，
与
分别表示负荷的期望值与标准差；
所述决策目标函数包括：
其中，Cm表示机组运行维护成本，T为优化周期，St为t时段下的模拟场景集合，ps为对应模拟场景的概率，K为能量耦合单元内的机组数，Ps,t,k为t时段第s个场景下第k台机组的功率，co,k为机组的单位运行成本，Δt为优化时间间隔；Ce为电网交互成本，ce,t为t时段下的购电价格，Pe,t,s为t时段s场景下***与外部电网的交互功率；Cg为天然气能耗成本，Pg,t,s为t时段s场景下的耗气功率，cg为天然气单位热值价格；Cl为弃风弃光成本，Lpv,s,t与Lwt,s,t分别代表t时段s场景下的弃光与弃风功率，ca与cb代表对应的弃光与弃风单位成本；
为等效经济成本；
所述等效经济成本的计算方法包括：
式中，
为等效经济成本，C为模糊折算成本基值，μ(·)表示模糊折算成本对应的隶属度函数，
为***在优化周期T内的综合能效，ps为对应模拟场景的概率；QL、CL、PL分别代表区域内的总热负荷、冷负荷以及电负荷功率；ET为一次侧的耗能量折算值；ECHP(t)与EGB(t)分别代表热电联产机组CHP与燃气锅炉GB在t时刻的天然气消耗量，Pdg,i(t,s)代表IES在t时刻s场景下接入的可再生能源功率；Pbuy,i(t,s)为***t时刻s场景下的外购电功率；τgas与τe对应天然气以及外购电的折煤系数。
2.根据权利要求1所述的一种考虑场景模拟的综合能源***随机优化模型的建立方法，其特征在于，所述基础运行场景集包括：
式中，k，l与n分别代表基础场景中的分布式能源数及热、电负荷类型数；Ssource,k代表第k个分布式能源出力的时序数据集，
代表第l类热负荷需求的时序数据集，
代表第n类电负荷需求的时序数据集。
3.根据权利要求1所述的一种考虑场景模拟的综合能源***随机优化模型的建立方法，其特征在于，所述随机性场景集包括：
式中，T为场景周期，Sdg,T，Sloade,T，Sloadh,T分别代表为分布式电源、电负荷、热负荷这三类随机变量在第T时刻所模拟出的场景集；初始随机场景S中每一行代表对应时段所包含的所有随机变量在N次抽样后形成的场景矩阵，每一列代表某一随机变量对应的所有时段下的抽样场景。
4.根据权利要求1所述的一种考虑场景模拟的综合能源***随机优化模型的建立方法，其特征在于，所述约束条件包括供能平衡约束、能源枢纽输入输出约束、设备运行约束、弃风弃光约束及储能约束。
5.根据权利要求4所述的一种考虑场景模拟的综合能源***随机优化模型的建立方法，其特征在于，所述供能平衡约束如下所示：
式中，
分别代表t时刻、s场景下的电/冷/热负荷需求；
分别代表t时刻、s场景下的电网外购电功率、燃气消耗功率及分布式电源出力；
ηrec，ηgb，ηac以及ηex分别代表燃气轮机的电效率、热效率、热回收效率、燃气锅炉效率以及热交换器效率；υ为天然气输入燃气轮机占天然气总消耗量的比例，α代表吸收式制冷机AC与热交换器EX热分配比，λ代表制冷比，ε代表IES***运行状态；
所述的能源枢纽输入输出约束如下所示：
式中，Pe max与Pe min分别代表与电网交互电功率的上下限；Pg max与Pg min分别表示输入的天然气功率上下限；
为分布式电源的预测值；
分别表示能源枢纽电/冷/热功率输出的上限；
分别表示s场景下t时刻能源枢纽的电/冷/热功率输出；
所述设备运行约束如下所示：
式中，Pk,max与Pk,min分别代表第k台机组运行时出力的上下限；
与
为机组的爬坡率上下限；
与
代表分布式电源机组设备出力的上下限值；Ps,t,k为t时段第s个场景下第k台机组的功率；Pdg,t,s为t时段第s个场景下分布式电源机组的出力；
所述弃风弃光约束如下所示：
式中，a与b分别代表设定的弃光率与弃风率上限值；Lpv,s,t与Lwt,s,t表示t时刻、s场景下的实际弃光弃风量；
与
代表t时刻、s场景下的光伏与风电出力预测量；
所述储能约束如下所示：
式中，St,s分别表示t时刻、s场景下的储能容量；Smax与Smin为对应的储能容量上下限值；
与
分别表示储能装置的充放电功率，
与
为对应的充放电功率上下限，ηc与ηd为充放电效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010062109.3A CN111144668B (zh) | 2020-01-19 | 2020-01-19 | 考虑场景模拟的综合能源***随机优化模型的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010062109.3A CN111144668B (zh) | 2020-01-19 | 2020-01-19 | 考虑场景模拟的综合能源***随机优化模型的建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144668A CN111144668A (zh) | 2020-05-12 |
| CN111144668B true CN111144668B (zh) | 2022-08-23 |
Family
ID=70526216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010062109.3A Active CN111144668B (zh) | 2020-01-19 | 2020-01-19 | 考虑场景模拟的综合能源***随机优化模型的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144668B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111463836B (zh) * | 2020-05-13 | 2023-05-26 | 陕西燃气集团新能源发展股份有限公司 | 一种综合能源***优化调度方法 |
| CN111681130B (zh) * | 2020-06-15 | 2024-04-16 | 西安交通大学 | 一种考虑条件风险价值的综合能源***优化调度方法 |
| CN112785027B (zh) * | 2020-06-22 | 2022-07-15 | 国网江苏省电力有限公司经济技术研究院 | 风光储联合发电***置信容量评估方法及*** |
| CN112072640B (zh) * | 2020-08-13 | 2022-01-07 | 国网冀北电力有限公司 | 一种虚拟电厂聚合资源的容量优化方法 |
| CN112564160B (zh) * | 2020-09-23 | 2024-01-19 | 国网山东省电力公司潍坊供电公司 | 一种计及风电不确定性的储能***随机配置方法、终端及存储介质 |
| CN112365034B (zh) * | 2020-10-27 | 2022-03-08 | 燕山大学 | 一种电热综合能源***调度方法及*** |
| CN112580872B (zh) * | 2020-12-18 | 2023-09-26 | 郑州大学 | 基于机会约束规划的水光联合***短期优化调度方法 |
| CN113673738B (zh) * | 2021-02-22 | 2022-11-25 | 华北电力大学（保定） | 基于供需响应与可调场景的综合能源***优化配置方法 |
| CN113052722B (zh) * | 2021-04-16 | 2022-08-02 | 山东大学 | 基于虚拟负荷控制的综合能源***运行优化方法及*** |
| CN113128064B (zh) * | 2021-04-27 | 2023-10-24 | 国网北京市电力公司 | 用于仿真的热电数据聚合方法、***、装置及存储介质 |
| CN113410873A (zh) * | 2021-05-19 | 2021-09-17 | 南京华盾电力信息安全测评有限公司 | 考虑源荷多重不确定性的区域综合能源***配置方法 |
| CN113298164B (zh) * | 2021-05-31 | 2024-04-09 | 东南大学 | 一种基于光伏出力不确定性的楼宇用能优化方法 |
| CN113240205A (zh) * | 2021-06-21 | 2021-08-10 | 云南电网有限责任公司电力科学研究院 | 一种基于多能源综合利用的区域用能***替代优化方法 |
| CN113437752B (zh) * | 2021-06-22 | 2023-04-25 | 东方电气集团东方电机有限公司 | 一种含混合储能的综合能源***运行控制方法 |
| CN113469533A (zh) * | 2021-07-02 | 2021-10-01 | 河海大学 | 一种含综合能源***的配电网运行评价方法 |
| CN113505939B (zh) * | 2021-07-27 | 2023-01-17 | 云南电网有限责任公司电力科学研究院 | 一种考虑不确定性因素的能源***随机规划方法及*** |
| CN113988367A (zh) * | 2021-09-22 | 2022-01-28 | 东南大学 | 一种风光火储耦合碳捕集利用***的随机优化调度方法 |
| CN114239922A (zh) * | 2021-11-24 | 2022-03-25 | 国网天津市电力公司电力科学研究院 | 一种城市多能源协调优化调度方法 |
| CN114256840B (zh) * | 2021-12-23 | 2024-07-12 | 深圳供电局有限公司 | 一种新能源多场景预测结果的整合方法及*** |
| CN114493048A (zh) * | 2022-04-06 | 2022-05-13 | 国网江西省电力有限公司经济技术研究院 | 基于需求响应机制的综合能源***优化调度方法及装置 |
| CN114548956B (zh) * | 2022-04-26 | 2022-09-16 | 国网天津市电力公司电力科学研究院 | 一种基于蜂窝拓扑的综合能源配电***及其运行方法 |
| CN115660187B (zh) * | 2022-11-02 | 2024-04-30 | 国家电网有限公司 | 一种低碳小镇地源热泵容量优化配置方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源***设计方法 |
-
2020
- 2020-01-19 CN CN202010062109.3A patent/CN111144668B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源***设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144668A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144668B (zh) | 考虑场景模拟的综合能源***随机优化模型的建立方法 | |
| CN111463836B (zh) | 一种综合能源***优化调度方法 | |
| CN108197768B (zh) | 一种能源***与管网布局联合优化方法 | |
| CN108206543B (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 | |
| 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 | |
| CN109634119B (zh) | 一种基于日内滚动优化的能源互联网优化控制方法 | |
| CN111445067B (zh) | 一种适用于高铁站综合能源***的多目标规划方法 | |
| CN110689189A (zh) | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 | |
| CN106786509B (zh) | 大规模风电并网下基于多场景模拟的热-电联合调度方法 | |
| CN107358345B (zh) | 计及需求侧管理的分布式冷热电联供***优化运行方法 | |
| Kong et al. | Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm | |
| CN114330827B (zh) | 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 | |
| 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 | |
| CN110994606A (zh) | 一种基于复杂适应***理论的多能源电源容量配置方法 | |
| CN115994615A (zh) | 一种基于多能互补的综合能源运行控制方法及*** | |
| Qin et al. | Multi-timescale hierarchical scheduling of an integrated energy system considering system inertia | |
| CN116432824A (zh) | 基于多目标粒子群的综合能源***优化方法及*** | |
| CN114742276A (zh) | 一种考虑㶲效率的含orc的园区综合能源***多目标优化调度方法 | |
| CN114757388A (zh) | 一种基于改进nsga-iii的区域综合能源***设备容量优化方法 | |
| CN111049179A (zh) | 一种考虑不确定性的新能源发电***多目标优化调度方法 | |
| Hu et al. | Economic and environmental analysis of coupling waste-to-power technology to integrated energy system (IES) using a two-layer optimization method | |
| Souley Agbodjan et al. | Modeling and optimization of a multi-carrier renewable energy system for zero-energy consumption buildings | |
| Li et al. | Planning model of integrated energy system considering P2G and energy storage | |
| CN113158547A (zh) | 计及经济性和可靠性的区域综合能源***优化配置方法 | |
| CN114997460A (zh) | 考虑可再生能源最大消纳的区域型微能源网运行优化方法 |
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 |