CN111563828B - 一种基于需求响应的蒸汽热网调度优化方法 - Google Patents
一种基于需求响应的蒸汽热网调度优化方法 Download PDFInfo
- Publication number
- CN111563828B CN111563828B CN202010290693.8A CN202010290693A CN111563828B CN 111563828 B CN111563828 B CN 111563828B CN 202010290693 A CN202010290693 A CN 202010290693A CN 111563828 B CN111563828 B CN 111563828B
- Authority
- CN
- China
- Prior art keywords
- heat
- load
- scheduling
- steam
- user
- 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
- 230000004044 response Effects 0.000 title claims abstract description 98
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 238000010438 heat treatment Methods 0.000 claims description 37
- 239000002245 particle Substances 0.000 claims description 37
- 230000009467 reduction Effects 0.000 claims description 22
- 230000008901 benefit Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 230000010534 mechanism of action Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于需求响应的蒸汽热网优化调度方法,包括如下步骤:步骤S1,将蒸汽热用户接入由热力公司主导建设的云平台;步骤S2,获取需求响应前各热用户历史负荷变化状况并对其进行态势评估并分类;步骤S3,与不同类别的热用户协定参与需求响应的机制及响应时段和负荷量,并与之签订协议;步骤S4,建立蒸汽热网优化调度模型及其目标函数和约束条件;步骤S5,利用优化算法对蒸汽热网优化调度模型进行求解;步骤S6,将基于激励与基于价格的两种调度机制的最终调度及定价方案发布在调度平台上,由热用户对使用的蒸汽量进行调节。采用本发明方法可有效平缓蒸汽热网的负荷波动,从而降低整体的热能供应成本和运维成本。
Description
技术领域
本发明属于供热***的先进控制领域,具体涉及到一种基于需求响应的蒸汽热网调度优化方法。调整不同热用户的用热行为,平缓蒸汽热网的负荷波动,从而优化蒸汽管网的运行,提高效益,降低成本。
背景技术
随着经济和社会的快速发展,供热的需求日益增长,蒸汽供热***以蒸汽作为热媒,因更容易满足工业用热的要求、对不同的类型的热负荷适应性强和在换热设备中的效率更高等优点,正得到大规模的应用。然而由于目前蒸汽热网的用户侧的负荷波动比较大,增加了管网的运维成本,负荷变化更大时甚至会在回水管路中出现“水击”事故,对工业生产和生活造成十分不利的影响;此外,负荷的波动必然会带来用热高峰期和低谷期,在高峰期时,管网的温度或流速比较高,与平稳用热工况相比,由于输送管路中较高的内外温差和较高的流动速度,会导致更多的热损失和摩擦损失,降低了蒸汽携带的热能以及能输运的距离,而在用热低谷期时,与平稳用热工况相比,由于管网中较低的温度和流速,降低了蒸汽在换热设备中换热效率,带来了一定的热经济损失。因此,如何进行调度优化,使蒸汽管网的用热负荷运行在一个的稳定的工况下,成为了降低蒸汽管网的运维成本,提高效益的重要途经。
基于需求响应的调度优化方法是目前较为适合用于蒸汽管网的调度中的一种方法,根据需求响应的作用机理可将需求响应划分为价格型PBDR(Price-Based DemandResponse)和激励型IBDR(Incentive-Based Demand Response)。PBDR主要是通过制定多元化供热价格,向热用户传达反映热能生产成本的价格信号,并由热用户自行调整其用热负荷需求和用热时段分布,优化其用热行为,从而实现热能资源的优化配置;IBDR主要是通过激励补贴措施刺激热用户响应***调度,调整用热行为,并给予用户事前约定的负荷调整补贴。IBDR通过向热用户释放补贴价格信号,选择与能够接收信号的参与者在事前签订合约完成负荷调整的目标,并按照成交量和补贴价格结算交易费用。IBDR主要由热力公司调度中心直接控制,通过与用户签订事前协议,当发生响应需求时,要求用户按照协议内容执行操作,并给予热用户约定的补偿费用。
本发明考虑不同热用户的用热特点,并利用需求响应的方法调度不同热用户的用热行为,通过对激励型需求响应IBDR机制进行改进,然后将价格型需求响应PBDR与改进后的激励型需求响应IBDR相结合,并将其运用到蒸汽管网的调度中,热力公司与热用户共同在建成的云平台上进行协调调度,可以有效平缓蒸汽热网的负荷波峰与波谷,达到削峰填谷的效果,进而避免蒸汽管网压力的剧烈波动,避免“水击”事件的产生,降低了运维成本,提高了蒸汽管网的运行稳定性、安全性和经济效益。
发明内容
本发明的目的是提供一种基于需求响应的蒸汽热网调度优化方法,利用PBDR和IBDR两种机制调整不同热用户的用热行为,平缓蒸汽热网的负荷波动,从而达到优化蒸汽管网的运行,降低成本和提高效益的目的。
为了达到上述目的,本发明提供了一种基于需求响应的蒸汽热网调度优化方法,包括如下步骤:
步骤S1,将蒸汽热用户接入由热力公司主导建设的云平台以及时接收热力公司发布的蒸汽价格和调度方案;
步骤S2,获取需求响应前各热用户历史负荷变化状况并对其进行态势评估并分类;
步骤S3,与不同类别的热用户协定参与需求响应的机制及响应时段和负荷量,并与之签订相应的协议;
步骤S4,建立蒸汽热网优化调度模型及其目标函数和约束条件;
步骤S5,利用优化算法对蒸汽热网优化调度模型进行求解;
步骤S6,将基于激励与基于价格的两种调度机制的最终调度及定价方案发布在调度平台上,由热用户对使用的蒸汽量进行调节。
上述技术方案中,进一步地,所述的步骤S1中,将蒸汽热用户接入由热力公司主导建设的云平台,该云平台用以发布蒸汽价格和调度方案,热力公司根据后台优化模型的结果将蒸汽价格和调度方案发布在该云平台,热用户可以在移动端及时接收相关信息,据此对蒸汽用量进行调节。
进一步地,所述的步骤S2具体包括以下步骤:
步骤S201,从各热用户安装的测量装置处记录的数据中获得不同用热时段内各热用户的热负荷需求变化状况,并记录蒸汽热网的热价,为之后对各热用户采取需求响应机制做准备;
步骤S202,通过对蒸汽热网中的不同热用户的热负荷需求进行预测,得到未来时段内的热网总热负荷需求量Htotal,t,并对各热用户的用热状况进行态势评估并分类,其中一类为用热负荷用热时段较为固定,用热负荷较为规律和稳定,不易进行较大程度的调度,主要为居民生活用热,和连续型生产的工业负荷(化工、制药)为不可灵活调度负荷;另一类则会呈现出更多的不确定性和波动,如工业用热(间歇式、非连续型),但其用热时段可通过调整生产计划来进行调整,即可以在高峰时段适当地降低工业用热的负荷转而使其在用热低谷期时用热,因此将工业用热(间歇式、非连续型)分为可灵活调度负荷。
更进一步地,所述的步骤S3为:
需求响应的作用机理主要有两种:价格型PBDR(Price-Based Demand Response)和激励型IBDR(Incentive-Based Demand Response)。
根据蒸汽热网负荷分类,对于居民用热负荷这一不可灵活调度负荷,可以通过激励补贴的措施,与一定数量的热用户提前协商决定在用热高峰期时段热力公司会在平台上发布关于热用户减少或增加蒸汽量使用的建议,热用户可以选择配合热力公司执行相关的操作,得到一定的经济补贴,从而在高峰期减轻蒸汽热网的负担,所以IBDR机制可适用于不可灵活调度负荷;对于灵活调度负荷,则可以同时使用PBDR与IBDR,根据PBDR机制首先在用热高峰时段设定较高的热价,在用热低谷时设定较低的热价,鼓励热用户选择在用热低谷时用热,进一步地,与一些热用户在事前达成协议,在某些时段会在平台上发布关于建议热用户减少或增加蒸汽量使用的建议,热用户可以选择配合热力公司执行相关的操作,从而得到一定的经济补贴,PBDR与IBDR二者叠加,进一步达到削峰填谷的效果。
接下来对蒸汽热网基于需求响应的机理进行建模。首先,根据热量平衡原则,可得到第t时段内蒸汽热网的总用热负荷需求:
Htotal,t=H1,t+H2,t (1)
式中,H1,t为在第t个时段内不可灵活调度负荷,其表达式为:
H1,t=H1,IBDR,t (2)
H2,t为第t个时段内可灵活调度负荷,其表达式为:
H2,t=HPBDR,t+HIBDR,t (3)
式中,HPBDR,t与HIBDR,t分别表示价格型需求响应和激励型需求响应下的热用户负荷需求功率,其表达式分别为:
式中,αn,t是进行IBDR需求响应机制后热用户负荷削减因子;zn,t为IBDR标识,是一个区间范围,它是闭区间[0,1]的一个子集,表示第n个热用户在第t个时段内的IBDR响应程度变化范围,“0”表示停止供热,“1”表示正常额定供热,若zn,t=[0.2,0.4]闭区间表示热用户在第t个时段内接受降低热负荷需求至原负荷的0.2倍~0.4倍之间;hn,t为第n个热用户的额定热负荷需求;为价格型需求响应下第m个热用户的热负荷需求,/>为第m个热用户的初始热负荷需求,em,tt与em,st为第m个热用户对热量的需求弹性系数和交叉需求弹性系数,Pt为热网在t时段内采用需求响应机制优化后的热网供热单价,Pt 0为PBDR实施前时刻t的供热价格;N为参与IBDR的热用户数量,M为参与PBDR的热用户数量。
根据经济学需求原理,PBDR对热负荷需求响应的作用机理主要利用需求弹性系数来描述,热负荷需求和供热价格间的弹性关系描述如下:
式中,s和t为时刻,s,t=1,2,…,T;和Pt 0分别为PBDR实施前时刻s的供热负荷和时刻t的供热价格;ΔLs和ΔPt分别为PBDR实施后时刻s的热负荷变动量和时刻t的供热价格变动量。用户参与PBDR后负荷需求变动量计算如下:
为了计算用户参与PBDR后的负荷需求,首先定义用户热能消费价值V(Lt),则用户热能消费净价值为:
π=V(Lt)-LtPt (10)
其次,对式(8)求关于L的一阶导数和二阶导数,并设定导数值为零,可得
再次,若确定原始负荷需求后,对用户电能消费价值V(Lt)进行泰勒展开,可得泰勒展开后的用户电能消费价值:
此时,将式(11)和式(12)代入式(13)中,可得化简后的用户热能消费价值:
对式(14)求关于Lt的一阶导数,结合式(11)可得:
式(15)计算了考虑时刻t自弹性影响后的负荷需求,为了考虑交叉弹性下负荷需求,修正式(15)可得:
最后,结合式(15)和式(16)可以得到最终的PBDR模型,具体见下式:
接下来,与热用户协定参与需求响应的机制及响应时段和负荷量,并与之签订相应的协议。更具体地,热力公司与各热用户协商,告知其激励型需求响应的机制,即在用热高峰时段内,热力公司将在调度平台上发布关于其蒸汽使用量减少或增加的建议,热用户若能按照建议执行相关操作,能能通过事先签订的协议得到相应的经济补偿或热价折扣。热力公司统计热用户参与IBDR的响应时段和响应负荷量,并在相应的时段使用IBDR标识以代表热用户的负荷变化接受区间,若热用户i在t这个时段内的热负荷需求在进行需求响应后可以接受为原来的a~b倍之间,则该用户在这该时段内的IBDR标识为:zi,t=[a,b] (18)
其中0≦a﹤1,0﹤b≦1;若热用户i表示在某一时段t-2内不参与IBDR,则将zi,t-2置为数值“1”,表示热负荷在这一时段内不做变动。
如热用户i在t这个时段内的热负荷需求在进行需求响应后可以接受为原来的60%至100%之间的范围内,则该用户在这该时段内的IBDR标识为:zi,t=[0.6,1]。
更进一步地,所述的步骤S4包括:
步骤S401,以蒸汽热网进行需求响应调度产生的净效益最大为目标函数:
式中,A为可灵活调度负荷的热用户数量;B为不可灵活调度负荷的热用户数量;RPB为一个调度周期内价格型需求响应调度下获得的效益;RIB为一个调度周期内激励型需求响应调度下获得的效益;C1为需求响应调度后的成本,主要包括热量生产成本Cp和运维成本Cm;C2为给予参与IBDR热用户的事后补贴成本,其单价由热力公司与热用户协商决定,事后进行结算;其中
Ren为环境效益,由减排的污染气体构成:
式中,和/>为CO2、SO2与NOx的减排量;/>和/>为CO2、SO2与NOx的减排价值。
式中,co,t与cm,t分别为不同时段内单位热量的生产成本和运维成本。hIBDR,i为第i位热用户参与IBER的负荷调节量,pi为热力公司与热用户协商决定的补贴单价。
步骤S402,根据蒸汽热网的运行特性,对蒸汽热网的稳定运行提出约束条件,包括热负荷供需平衡约束条件、热源运行约束和负荷削减约束。
热负荷供需平衡约束条件:
Hout,t=Htotal,t (25)
式中,Si为蒸汽热网中在t个时段内,第i个热源的供热功率。
热源运行负荷约束:
Si,min≤Si≤Si,max (27)
式中,Si,min与Si,max分别为第i个热源运行时最小和最大的供热功率。
负荷削减约束1,对于PBDR:
该约束针对PBDR机制下热用户的负荷削减量,和/>分别为PBDR调度前和调度后热用户的负荷需求,该式表明为保证热网的稳定运行,对第m个热用户的热负荷削减量存在一个最大值,该最大值为热用户t时段内预测热负荷需求的20%。
负荷削减约束2,对于IBDR:
需满足在任何时段内,负荷削减因子αn,t在与热用户n协商的范围之内:
αn,t∈zn,t (29)
进一步,步骤S5具体包括:
步骤S501,数据初始化,初始化粒子种群的位置和速度,设置种群规模为Q个(视需要优化的问题的规模而定),种群中每一个粒子个体的位置都对应着一个调度周期内的调度方案,一个粒子中的一个时段设置为求解空间的一个维度,第q个粒子为:
式中,P1至PT表示各个时段内蒸汽热网的分时热价,初始时设置为p0至p1中的随机值,Z1至ZT表示第1至第T个时段内所有用户的负荷削减因子向量,每个粒子初始为热用户各自能接受的范围中的随机值:
Zt,q=[random(z1,t),random(z2,t),......,random(zN,t)] (31)
式中,N为参与IBDR的总热用户数量。
初始化粒子q的速度:
步骤S502,将粒子个体输入到蒸汽热网优化调度模型中,并计算每个粒子对应的目标函数值,作为该个体适应度值:
步骤S503,根据粒子q的历史最优值qbest和当前所有粒子群中的历史最优值gbest更新粒子q位置和速度:
式中,w为惯性系数;r1、r2为两个随机函数,取值范围为[0,1],以增加搜索随机性;c1、c2为两个加速度常数,用来调节学习最大步长。
步骤S504,判断是否满足终止条件,取终止条件为粒子群历史最优值的残差小于一定范围,具体的范围可按照具体的模型要求来定,默认取历史最优值的残差小于0.1%为终止条件,若满足结束循环,输出最终的优化调度结果。
进一步,步骤S6,根据IBDR与PBDR的两种调度机制的最终调度及定价方案对蒸汽热网进行协调优化,
根据模型输出最优的调度结果,即:
其中,Pt,op表示第t个时段内蒸汽热网的最佳供热价格;Zt,op为表示第t个时段内参与IBDR调度机制的各热用户的负荷削减因子向量:
Zt,op=[z1,t,z2,t,......,zN,t] (37)
在不同的时段t内,根据模型输出的结果Pt,op设定不同时段内的供热价格,根据Zt,op调整蒸汽热网中参与IBDR调度的热用户的运行状态。
热力公司将优化后的价格信息及调度方案发布在平台上,热用户获取相关信息,对使用的蒸汽量进行调节。
本发明的有益效果是:
本发明提供一种基于需求响应的蒸汽热网调度优化方法,该方法考虑了不同热用户的用热特点,并利用需求响应的方法调度不同热用户的用热行为,从而减低热网的峰值需求,平缓了蒸汽热网的负荷波动;对激励型需求响应IBDR机制进行改进,结合PBDR和改进后的IBDR两种机制并创新性地应用到蒸汽热网的优化调度中,热力公司在后台实时监测当前热网的运行状态并运用模型计算得到优化运行的调度方案,通过云平台发布实时调度信息,热用户根据之前与热力公司协议好的方案调整自己的用热行为,平缓蒸汽热网的负荷波动,从而达到优化蒸汽管网的运行,降低成本和提高效益的目的。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明方法的主要步骤。
图2是信息交互与调度平台的示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
本发明考虑了不同热用户的用热特点,并利用需求响应的方法调度不同热用户的用热行为,从而减低热网的峰值需求,平滑需求概况,削峰填谷,平缓蒸汽热网的负荷波动,避免管网中“水击”现象的出现,从而降低整体的热能供应成本和运维成本。
以下通过实施例1对本模型预测控制方法进行展开说明。
实施例1
结合图1和图2,本发明的基于模型的集中供热***按需精准调控方法,包括以下步骤:
步骤S1,将蒸汽热用户接入由热力公司主导建设的云平台以及时接收热力公司发布的蒸汽价格和调度方案;
步骤S2,获取需求响应前各热用户历史负荷变化状况并对其进行态势评估并分类;
步骤S3,与不同类别的热用户协定参与需求响应的机制及响应时段和负荷量,并与之签订相应的协议;
步骤S4,建立蒸汽热网优化调度模型及其目标函数和约束条件;
步骤S5,利用优化算法对蒸汽热网优化调度模型进行求解;
步骤S6,将基于激励与基于价格的两种调度机制的最终调度及定价方案发布在调度平台上,由热用户对使用的蒸汽量进行调节。
步骤S1,如图2,将蒸汽热用户接入由热力公司主导建设的云平台,该云平台用以发布蒸汽价格和调度方案,热力公司根据后台优化模型的结果将蒸汽价格和调度方案发布在该云平台,热用户可以在移动端及时接收相关信息,据此对蒸汽用量进行调节。
步骤S2,获取需求响应前各热用户历史负荷变化状况并对其进行态势评估并分类。包括:
步骤S201,从各热用户安装的测量装置处记录的数据中获得不同用热时段内各热用户的热负荷需求变化状况,并记录蒸汽热网的热价,为之后对各热用户采取需求响应机制做准备;
步骤S202,通过对蒸汽热网中的不同热用户的热负荷需求进行预测,进行态势评估并分类,,其中一类为用热负荷用热时段较为固定,用热负荷较为规律和稳定,不易进行较大程度的调度,主要为居民生活用热,和连续型生产的工业负荷(化工、制药)为不可灵活调度负荷;另一类则会呈现出更多的不确定性和波动,如工业用热(间歇式、非连续型),但其用热时段可通过调整生产计划来进行调整,即可以在高峰时段适当地降低工业用热的负荷转而使其在用热低谷期时用热,因此将工业用热(间歇式、非连续型)分为可灵活调度负荷。
步骤S3,与不同类别的热用户协定参与需求响应的机制及响应时段和负荷量,并与之签订相应的协议。
需求响应的作用机理主要有两种:价格型PBDR(Price-Based Demand Response)和激励型IBDR(Incentive-Based Demand Response)。
根据蒸汽热网负荷分类,对于居民用热负荷这一不可灵活调度负荷,可以通过激励补贴的措施,与一定数量的热用户提前协商决定在用热高峰期时段热力公司会在平台上发布关于热用户减少或增加蒸汽量使用的建议,热用户可以选择配合热力公司执行相关的操作,得到一定的经济补贴,从而在高峰期减轻蒸汽热网的负担,所以IBDR机制可适用于不可灵活调度负荷;对于灵活调度负荷,则可以同时使用PBDR与IBDR,根据PBDR机制首先在用热高峰时段设定较高的热价,在用热低谷时设定较低的热价,鼓励热用户选择在用热低谷时用热,进一步地,与一些热用户在事前达成协议,在某些时段会在平台上发布关于建议热用户减少或增加蒸汽量使用的建议,热用户可以选择配合热力公司执行相关的操作,从而得到一定的经济补贴,PBDR与IBDR二者叠加,进一步达到削峰填谷的效果。
接下来对蒸汽热网基于需求响应的机理进行建模。首先,根据热量平衡原则,可得到第t时段内蒸汽热网的总用热负荷需求:
Htotal,t=H1,t+H2,t (37)
式中,H1,t为在第t个时段内不可灵活调度负荷,其表达式为:
H1,t=H1,IBDR,t (38)
H2,t为第t个时段内可灵活调度负荷,其表达式为:
H2,t=HPBDR,t+HIBDR,t (39)
式中,HPBDR,t与HIBDR,t分别表示价格型需求响应和激励型需求响应下的热用户负荷需求功率,其表达式分别为:
式中,αn,t是进行IBDR需求响应机制后热用户负荷削减因子;
zn,t为IBDR标识,是一个区间范围,它是闭区间[0,1]的一个子集,表示第n个编号热用户在第t个时段内的IBDR响应程度变化范围,“0”表示停止供热,“1”表示正常额定供热,若zn,t=[0.2,0.4]闭区间表示热用户在第t个时段内接受降低热负荷需求至原负荷的0.2倍~0.4倍之间;hn,t为第n个编号热用户的额定热负荷需求;为价格型需求响应下第m个编号热用户的热负荷需求,/>为第m个热用户的初始热负荷需求,em,tt与em,st为第m个编号热用户对热量的需求弹性系数和交叉需求弹性系数;Pt为热网在t时段内采用需求响应机制优化后的热网供热单价,Pt 0为PBDR实施前时刻t的供热价格,N为参与IBDR的热用户数量,M为参与PBDR的热用户数量。
根据经济学需求原理,PBDR对热负荷需求响应的作用机理主要利用需求弹性系数来描述,热负荷需求和供热价格间的弹性关系描述如下:
式中,s和t为时刻,s,t=1,2,…,T;和Pt 0分别为PBDR实施前时刻s的供热负荷和时刻t的供热价格;ΔLs和ΔPt分别为PBDR实施后时刻s的热负荷变动量和时刻t的供热价格变动量。用户参与PBDR后负荷需求变动量计算如下:
为了计算用户参与PBDR后的负荷需求,首先定义用户热能消费价值V(Lt),则用户热能消费净价值为:
π=V(Lt)-LtPt (46)
其次,对式(8)求关于L的一阶导数和二阶导数,并设定导数值为零,可得
再次,若确定原始负荷需求后,对用户电能消费价值V(Lt)进行泰勒展开,可得泰勒展开后的用户电能消费价值:
此时,将式(11)和式(12)代入式(13)中,可得化简后的用户热能消费价值:
对式(14)求关于Lt的一阶导数,结合式(11)可得:
式(15)计算了考虑时刻t自弹性影响后的负荷需求,为了考虑交叉弹性下负荷需求,修正式(15)可得:
最后,结合式(15)和式(16)可以得到最终的PBDR模型,具体见下式:
接下来,与热用户协定参与需求响应的机制及响应时段和负荷量,并与之签订相应的协议。更具体地,热力公司与各热用户协商,告知其激励型需求响应的机制,即在用热高峰时段内,热力公司将在调度平台上发布关于其蒸汽使用量减少或增加的建议,热用户若能按照建议执行相关操作,能通过事先签订的协议得到相应的经济补偿或热价折扣。热力公司统计热用户参与IBDR的响应时段和响应负荷量,如热用户i在t-1,t,t+1这三个时段内的热负荷需求在进行需求响应后可以接受为原来的[0.4,0.6]、[0.2,0.8]以及[0,1]这三个区间内,则该用户在这三个时段内的IBDR标识为:
zi,t-1=[0.4,0.6],zi,t=[0.2,0.8],zi,t+1=[0,1] (54)
若热用户表示在某一时段t-2内不参与IBDR,则将zi,t-2置为数值“1”,表示在这一时段内不做变动。
步骤S4,建立蒸汽热网优化调度模型及其目标函数和约束条件,包括:
步骤S401,以蒸汽热网进行需求响应调度产生的净效益最大为目标函数:
式中,A为可灵活调度负荷的热用户数量;B为不可灵活调度负荷的热用户数量;RPB为一个调度周期内价格型需求响应调度下获得的效益;RIB为一个调度周期内激励型需求响应调度下获得的效益;C1为需求响应调度后的成本,主要包括热量生产成本Cp和运维成本Cm;C2为给予参与IBDR热用户的事后补贴成本,其中
Ren为环境效益,由减排的污染气体构成:
式中,和/>为CO2、SO2与NOx的减排量;/>和/>为CO2、SO2与NOx的减排价值。
式中,co,t与cm,t分别为不同时段内单位热量的生产成本和运维成本。hIBDR,i为第i位热用户参与IBER的负荷调节量,pi为热力公司与热用户协商决定的补贴单价。
步骤S402,根据蒸汽热网的运行特性,对蒸汽热网的稳定运行提出约束条件,包括热负荷供需平衡约束条件、热源运行约束和负荷削减约束。
热负荷供需平衡约束条件:
Hout,t=Htotal,t (61)
式中,Si为蒸汽热网中在t个时段内,第i个热源的供热功率。
热源运行负荷约束:
Si,min≤Si≤Si,max (63)
式中,Si,min与Si,max分别为第i个热源运行时最小和最大的供热功率。
负荷削减约束1,对于PBDR:
该约束针对PBDR机制下热用户的负荷削减量,和/>分别为PBDR调度前和调度后热用户的负荷需求,该式表明为保证热网的稳定运行,对第m个热用户的热负荷削减量存在一个最大值,默认取该最大值为热用户t时段内预测热负荷需求的20%。
负荷削减约束2,对于IBDR:
需满足在任何时段内,负荷削减因子αn,t在与热用户n协商的范围之内:
αn,t∈zn,t (65)
步骤S5,利用优化算法对蒸汽热网优化调度模型进行求解,,以粒子群算法为例,具体步骤包括:
步骤S501,数据初始化,初始化粒子种群的位置和速度,设置种群规模为Q个(视需要优化的问题的规模而定),种群中每一个粒子个体的位置都对应着一个调度周期内的调度方案,一个粒子中的一个时段设置为求解空间的一个维度,第q个粒子为:
式中,P1至PT表示各个时段内蒸汽热网的分时热价,初始时设置为p0至p1中的随机值,Z1至ZT表示第1至第T个时段内所有用户的负荷削减因子向量,每个粒子初始为热用户各自能接受的范围中的随机值:
Zt,q=[random(z1,t),random(z2,t),......,random(zN,t)] (67)
式中,N为参与IBDR的总热用户数量。
初始化粒子q的速度:
步骤S502,将粒子个体输入到蒸汽热网优化调度模型中,并计算每个粒子对应的目标函数值,作为该个体适应度值:
步骤S503,根据粒子q的历史最优值qbest和当前所有粒子群中的历史最优值gbest更新粒子q位置和速度:
式中,w为惯性系数;r1、r2为两个随机函数,取值范围为[0,1],以增加搜索随机性;c1、c2为两个加速度常数,用来调节学习最大步长。
步骤S504,判断是否满足终止条件,取终止条件为粒子群历史最优值的残差小于一定范围,具体的范围可按照具体的模型要求来定,默认取历史最优值的残差小于0.1%为终止条件,若满足结束循环,输出最终的优化调度结果。
步骤S6,根据IBDR与PBDR的两种调度机制的最终调度及定价方案对蒸汽热网进行协调优化。
根据模型输出最优的调度结果,即:
其中,Pt,op表示第t个时段内蒸汽热网的最佳供热价格;Zt,op为表示第t个时段内参与IBDR调度机制的各热用户的负荷削减因子向量:
Zt,op=[z1,t,z2,t,......,zN,t] (37)
在不同的时段t内,根据模型输出的结果Pt,op设定不同时段内的供热价格,根据Zt,op调整蒸汽热网中参与IBDR调度的热用户的运行状态。
热力公司将优化后的价格信息及调度方案发布在平台上,热用户获取相关信息,对使用的蒸汽量进行调节。
Claims (5)
1.一种基于需求响应的蒸汽热网优化调度方法,其特征在于,包括如下步骤:
步骤S1,将蒸汽热用户接入由热力公司主导建设的云平台以及时接收热力公司发布的蒸汽价格和调度方案;
步骤S2,获取需求响应前各热用户历史负荷变化状况并对其进行态势评估并分类;
步骤S3,与不同类别的热用户协定参与需求响应的机制及响应时段和负荷量,并与之签订相应的协议;
步骤S4,建立蒸汽热网优化调度模型及其目标函数和约束条件;
步骤S5,利用优化算法对蒸汽热网优化调度模型进行求解;
步骤S6,将基于激励与基于价格的两种调度机制的最终调度及定价方案发布在调度平台上,由热用户对使用的蒸汽量进行调节;
所述的步骤S3为:
对于不可灵活调度负荷的热用户,采用激励型IBDR机制,通过激励补贴的措施,与部分热用户提前协商决定在用热高峰期时段,热力公司会在平台上发布关于热用户减少或增加蒸汽量使用的建议,热用户可以选择配合热力公司执行相关的操作,得到一定的经济补贴,从而在高峰期减轻蒸汽热网的负担;
对于灵活调度负荷的热用户,同时采用价格型PBDR与激励型IBDR机制,根据PBDR机制首先在用热高峰时段调高热价,在用热低谷时降低热价,鼓励热用户选择在用热低谷时用热,并与部分热用户在事前达成协议,在某些时段热力公司会在平台上发布关于热用户减少或增加蒸汽量使用的建议,热用户可以选择配合热力公司执行相关的操作,得到一定的经济补贴,通过价格型PBDR与激励型IBDR机制叠加,进一步达到削峰填谷的效果;
热力公司统计热用户参与IBDR的响应时段和响应负荷量,并在相应的时段使用IBDR标识以代表热用户的负荷变化接受区间,若热用户i在t这个时段内的热负荷需求在进行需求响应后可以接受为原来的a~b倍之间,则该用户在该时段内的IBDR标识为:zi,t=[a,b],其中0≦a﹤1,0﹤b≦1;若热用户i表示在某一时段t-2内不参与IBDR,则将zi,t-2置为数值“1”,表示热负荷在这一时段内不做变动;
步骤S4具体包括以下步骤:
步骤S401,以蒸汽热网进行需求响应调度产生的净效益最大为目标函数;
步骤S402,根据蒸汽热网的运行特性,对蒸汽热网的稳定运行提出约束条件,包括热负荷供需平衡约束条件、热源运行约束和负荷削减约束;
所述的步骤S401,以蒸汽热网进行需求响应调度产生的净效益最大为目标函数,具体为:
式中,A为可灵活调度负荷的热用户数量;B为不可灵活调度负荷的热用户数量;RPB为一个调度周期内价格型需求响应调度下获得的效益;RIB为一个调度周期内激励型需求响应调度下获得的效益;Ren为环境效益,由减排的污染气体构成;C1为需求响应调度后的成本,包括热量生产成本Cp和运维成本Cm;C2为给予参与激励型IBDR热用户的事后补贴成本,其单价由热力公司与热用户协商决定,事后进行结算;
式中,HPBDR,t与HIBDR,t分别表示价格型需求响应和激励型需求响应下的热用户负荷需求功率,Pt为热网在t时段内采用需求响应机制优化后的热网供热单价,和/>为CO2、SO2与NOx的减排量;/>和/>为CO2、SO2与NOx的减排价值,
式中,co,t与cm,t分别为不同时段内单位热量的生产成本和运维成本,Htotal,t为第t时段内蒸汽热网的总用热负荷需求;hIBDR,i为第i位热用户参与IBDR的负荷调节量,pi为热力公司与热用户协商决定的补贴单价;
所述的步骤S402中:
热负荷供需平衡约束条件为:
Hout,t=Htotal,t (7)
式中,Si为蒸汽热网中在t个时段内,第i个热源的供热功率;
热源运行负荷约束为:
Si,min≤Si≤Si,max (9)
式中,Si,min与Si,max分别为第i个热源运行时最小和最大的供热功率;
负荷削减约束条件1,对于PBDR:
该约束针对PBDR机制下热用户的负荷削减量,和/>分别为PBDR调度前和调度后热用户的负荷需求,该式表明为保证热网的稳定运行,对第m个热用户的热负荷削减量存在一个最大值,该最大值为热用户t时段内预测热负荷需求的20%;
负荷削减约束条件2,对于IBDR:
需满足在任何时段内,负荷削减因子αn,t在与热用户n协商的范围之内:
αn,t∈zn,t (11)
zn,t是一个区间范围,它是闭区间[0,1]的一个子集,表示热用户n在第t个时段内的IBDR响应程度变化范围,“0”表示停止供热,“1”表示正常额定供热。
2.根据权利要求1所述的一种基于需求响应的蒸汽热网优化调度方法,其特征在于:
所述的步骤S1中,将蒸汽热用户接入由热力公司主导建设的云平台,该云平台用以发布蒸汽价格和调度方案,热力公司根据后台优化模型的结果将蒸汽价格和调度方案发布在该云平台,热用户可以在移动端及时接收相关信息,据此对蒸汽用量进行调节。
3.根据权利要求1所述的一种基于需求响应的蒸汽热网优化调度方法,其特征在于,所述的步骤S2具体包括以下步骤:
步骤S201,从各热用户安装的测量装置处记录的数据中获得不同用热时段内各热用户的热负荷需求变化状况,并记录蒸汽热网的热价,为之后对各热用户采取需求响应机制做准备;
步骤S202,通过对蒸汽热网中的不同热用户的热负荷需求进行预测,得到未来时段内的热网总热负荷需求量Htotal,t,并对各热用户的用热状况进行态势评估并分类,一类为不可灵活调度负荷,另一类为可灵活调度负荷。
4.根据权利要求1所述的一种基于需求响应的蒸汽热网优化调度方法,其特征在于,步骤S5具体为,采用粒子群算法对蒸汽热网优化调度模型进行求解,包含以下步骤:
步骤S501,数据初始化,初始化粒子种群的位置和速度,设置种群规模为Q个,种群中每一个粒子个体的位置都对应着一个调度周期内的调度方案,第q个粒子为:
式中,P1至PT表示各个时段内蒸汽热网的分时热价,初始时设置为p0至p1中的随机值,Z1至ZT表示第1至第T个时段内所有用户的负荷削减因子向量,每个粒子初始为热用户各自能接受的范围中的随机值:
Zt,q=[random(z1,t),random(z2,t),......,random(zN,t)] (13)
式中,N为参与IBDR的总热用户数量;
初始化粒子q的速度:
步骤S502,将粒子个体输入到蒸汽热网优化调度模型中,并计算每个粒子对应的目标函数值,作为该个体适应度值:
步骤S503,根据粒子q的历史最优值和当前所有粒子群中的历史最优值更新粒子q位置和速度;
步骤S504,判断是否满足终止条件,取终止条件为粒子群历史最优值的残差小于一定范围,若满足结束循环,输出最终的优化调度结果。
5.根据权利要求1所述的一种基于需求响应的蒸汽热网优化调度方法,其特征在于,所述的步骤S6具体为
根据模型输出最优的调度结果,即:
其中,Pt,op表示第t个时段内蒸汽热网的最佳供热价格;Zt,op为表示第t个时段内参与IBDR调度机制的各热用户的负荷削减因子向量:
Zt,op=[z1,t,z2,t,......,zN,t] (17)
N为参与IBDR的总热用户数量,在不同的时段t内,根据模型输出的结果Pt,op设定不同时段内的供热价格,根据Zt,op调整蒸汽热网中参与IBDR调度的热用户的运行状态;
将该结果发布在调度平台上,由热用户对使用的蒸汽量进行调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290693.8A CN111563828B (zh) | 2020-04-14 | 2020-04-14 | 一种基于需求响应的蒸汽热网调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290693.8A CN111563828B (zh) | 2020-04-14 | 2020-04-14 | 一种基于需求响应的蒸汽热网调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563828A CN111563828A (zh) | 2020-08-21 |
CN111563828B true CN111563828B (zh) | 2023-08-04 |
Family
ID=72074232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010290693.8A Active CN111563828B (zh) | 2020-04-14 | 2020-04-14 | 一种基于需求响应的蒸汽热网调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563828B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950404B (zh) * | 2021-02-01 | 2023-09-26 | 浙江大学 | 一种基于区块链的分布式热负荷优化及群体热结算方法 |
CN113569366B (zh) * | 2021-07-30 | 2024-02-06 | 河北华热工程设计有限公司 | 基于大数据的供热管网优化设计方法及终端设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012089855A1 (es) * | 2010-12-27 | 2012-07-05 | Fundacion Tecnalia Research & Innovation | Método para la optimización económica de la operación de aparatos microcogeneradores |
CN104216368A (zh) * | 2014-08-28 | 2014-12-17 | 天津大学 | 一种基于需求响应的分布式联供***优化运行控制方法 |
CN105470971A (zh) * | 2016-01-12 | 2016-04-06 | 中国电力科学研究院 | 一种灵活自适应电力负荷控制***及其控制方法 |
CN106779291A (zh) * | 2016-11-15 | 2017-05-31 | 国网浙江省电力公司经济技术研究院 | 智能用电园区需求响应策略 |
EP3413421A1 (en) * | 2017-06-07 | 2018-12-12 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (eldr) optimization |
CN110135761A (zh) * | 2019-05-27 | 2019-08-16 | 国网河北省电力有限公司沧州供电分公司 | 供用电需求侧响应负荷调节交易方法、***及终端设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2010204729A1 (en) * | 2009-01-14 | 2011-09-01 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
US20120310860A1 (en) * | 2011-06-06 | 2012-12-06 | Alcatel-Lucent | Cloud-Based Demand Response |
US20140278687A1 (en) * | 2013-03-15 | 2014-09-18 | Gridglo Llc | System and Method for Optimizing A Demand Response Event |
-
2020
- 2020-04-14 CN CN202010290693.8A patent/CN111563828B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012089855A1 (es) * | 2010-12-27 | 2012-07-05 | Fundacion Tecnalia Research & Innovation | Método para la optimización económica de la operación de aparatos microcogeneradores |
CN104216368A (zh) * | 2014-08-28 | 2014-12-17 | 天津大学 | 一种基于需求响应的分布式联供***优化运行控制方法 |
CN105470971A (zh) * | 2016-01-12 | 2016-04-06 | 中国电力科学研究院 | 一种灵活自适应电力负荷控制***及其控制方法 |
CN106779291A (zh) * | 2016-11-15 | 2017-05-31 | 国网浙江省电力公司经济技术研究院 | 智能用电园区需求响应策略 |
EP3413421A1 (en) * | 2017-06-07 | 2018-12-12 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (eldr) optimization |
CN110135761A (zh) * | 2019-05-27 | 2019-08-16 | 国网河北省电力有限公司沧州供电分公司 | 供用电需求侧响应负荷调节交易方法、***及终端设备 |
Non-Patent Citations (2)
Title |
---|
李楠 等.考虑多能需求响应的电热互联***协同调度优化模型.《数学的实践与认识》.2020,第50卷(第5期),142-154. * |
陈晓波 等.考虑环境效益的多源供热***负荷分配优化模型与方法.《能源工程》.2017,(第3期),8-14. * |
Also Published As
Publication number | Publication date |
---|---|
CN111563828A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109727158B (zh) | 一种基于改进弱鲁棒优化的电热综合能源***调度方法 | |
CN106532769B (zh) | 基于光伏并网不确定性的需求侧分时电价的优化方法 | |
Li et al. | Double-layer energy management system based on energy sharing cloud for virtual residential microgrid | |
CN111563828B (zh) | 一种基于需求响应的蒸汽热网调度优化方法 | |
You | Developing virtual power plant for optimized distributed energy resources operation and integration | |
CN112068436B (zh) | 工业园区的综合能源***分层分布式控制方法及*** | |
CN112116476A (zh) | 计及风电和碳交易机制的综合能源***模拟方法 | |
CN109617133A (zh) | 一种考虑柔性负荷的电力***调度方法 | |
CN113746089B (zh) | 面向多用户的多时间尺度电力套餐与家庭能量优化方法 | |
CN112200348B (zh) | 一种计及综合需求响应的区域综合能源***多目标运行决策方法 | |
CN111404153A (zh) | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 | |
WO2023083235A1 (zh) | 一种分散式预测电网的优化方法及*** | |
CN110649594A (zh) | 一种基于多能协同的工业园区综合需求响应调度方法 | |
CN114662330A (zh) | 计及碳交易机制和需求响应的综合能源***模型构建方法 | |
Kong et al. | Power retailer air-conditioning load aggregation operation control method and demand response | |
Yun et al. | Vehicle-to-manufacturing (V2M) system: A novel approach to improve energy demand flexibility for demand response towards sustainable manufacturing | |
CN113644652B (zh) | 一种基于用户不确定性行为的负荷调控优化*** | |
Barala et al. | Distribution locational marginal price based hierarchical scheduling framework for grid flexibility from virtual energy storage systems | |
Salazar et al. | Dynamic customer demand management: A reinforcement learning model based on real-time pricing and incentives | |
Wang et al. | Incentive strategies for small and medium-sized customers to participate in demand response based on customer directrix load | |
Jiang et al. | Residential power scheduling based on cost-coupling constraint with distributed generation | |
CN110311417B (zh) | 一种计及用户效用的机组组合调度的决策方法 | |
CN113283709A (zh) | 一种面向农村电网的分层分布式负荷协同调度方法 | |
Wu et al. | Distributed energy trading on networked energy hubs under network constraints | |
Liu et al. | Optimal design of a score-based incentive mechanism for promoting demand response participations of residential users |
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 |