CN112668791A - 热电联供***的优化方法 - Google Patents
热电联供***的优化方法 Download PDFInfo
- Publication number
- CN112668791A CN112668791A CN202011618568.1A CN202011618568A CN112668791A CN 112668791 A CN112668791 A CN 112668791A CN 202011618568 A CN202011618568 A CN 202011618568A CN 112668791 A CN112668791 A CN 112668791A
- Authority
- CN
- China
- Prior art keywords
- power
- unit
- constraint
- equation
- cost
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004044 response Effects 0.000 claims abstract description 69
- 230000005611 electricity Effects 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 239000002245 particle Substances 0.000 claims abstract description 42
- 238000003462 Bender reaction Methods 0.000 claims abstract description 25
- 238000007599 discharging Methods 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000010248 power generation Methods 0.000 claims abstract description 13
- 238000010438 heat treatment Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000005485 electric heating Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000000670 limiting effect Effects 0.000 claims description 3
- XZXHXSATPCNXJR-ZIADKAODSA-N nintedanib Chemical compound O=C1NC2=CC(C(=O)OC)=CC=C2\C1=C(C=1C=CC=CC=1)\NC(C=C1)=CC=C1N(C)C(=O)CN1CCN(C)CC1 XZXHXSATPCNXJR-ZIADKAODSA-N 0.000 claims description 2
- 238000005338 heat storage Methods 0.000 description 24
- 230000008878 coupling Effects 0.000 description 10
- 238000010168 coupling process Methods 0.000 description 10
- 238000005859 coupling reaction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004146 energy storage Methods 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241001125929 Trisopterus luscus Species 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种热电联供***的优化方法，包括：将各机组逐时的电力输出功率p(i,t)和热电机组逐时的热力输出功率h(i,t)作为优化决策变量；在考虑弃风惩罚费用、需求响应成本、用户热舒适度补偿费用，以及电动汽车电池折旧成本，且忽略风电机组发电成本的基础上，以***发电供热运行成本最经济为目标函数；将约束条件结合所述目标函数构建热电联供***调度模型；基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解。其将考虑用户用热舒适度的柔性热负荷、峰谷分时电价需求响应和电动汽车入网有序充放电负荷共同作为需求侧资源进行热电联供***优化调度，有效提高了热电联供***运行的经济性和新能源风电的利用率。
Description
技术领域
本发明涉及能源利用技术领域，特别涉及一种热电联供***的优化方法。
背景技术
能源危机与环境污染一直是人们关注的重点问题，电动汽车和风电由于其良好的环境和经济效益而得到国家的大力发展，然而高渗透率的电动汽车和风电给电力***调度带来了新的挑战。“三北”地区，其供暖期与风电大发期高度重合，电力***受热电联产机组“以热定电”运行方式制约，使得机组调峰能力不足从而造成大量弃风，同时还需大量的燃煤来供热，造成环境污染。
为解决热电联供***的弃风问题，国内外做了大量研究。通过在发电侧增加储热装置来解耦热和电的刚性耦合关系以增强***调峰能力，进而提高风电消纳水平。目前，有文献提出通过在***中增设电转气装置来增加负荷侧用电负荷消纳多余风电的方案；通过协调电锅炉和抽水蓄能或储热装置的运行来提高热电联产机组的灵活性进而消纳更多的风电的方案；利用现有***存在的热网与建筑物储热来解耦机组电热耦合运行约束以促进风电消纳的方案；基于热网与建筑物储热解耦的调峰能力提升方案，并以吉林省为例估算出所提方案促进风电消纳的潜力；提出从供给侧和需求侧解释夜间电热价格计算的机制及其环境效益，形成了需求侧的电价上限计算模型，还有提出构建考虑需求响应及环保成本的含储热CHP机组与风电联合发电优化调度模型，并通过算例验证该模型可有效促进风电消纳，减少污染物排放。
对于电动汽车协同风电场的优化调度方面，有文献提出一种分级控制策略来合理安排电动汽车的充放电来平滑风电的出力，还有提出一种针对插电式电动汽车聚合器在日前市场中购买能源的自调度方法来为风力发电商提供平衡服务。
对于热电***协调运行模型建立及优化调度问题的求解，有文献提出了考虑区域供热网储能特性的热电协调最优调度模型并采用Benders分解算法对模型进行求解；使用了引力搜索算法来解决热电联产经济调度问题，并测试了所提出算法的有效性；综合考虑了弃风成本、调度成本、储能损耗成本、环境污染成本，来构建区域综合能源***的调度模型并提出基于粒子维度熵的改进混沌粒子群优化算法对模型进行求解，以及提出了包含储热、热电联产机组和需求响应资源的风电消纳日前日内两阶段调度方法，并使用改进ICA算法对调度模型进行求解。
基于以上分析研究，目前为促进供暖期风电在电网中消纳吸收的研究很多是基于配置储能或增加负荷侧用电负荷设施来提升***灵活性，然而目前储能***的投资及运行成本较高，大规模配置储能***将影响风电入网的经济性。为此，也有很多学者研究考虑将需求侧资源融入***调度中来配合风电上网，提升***运行经济性。然而现有的研究大多是基于某一单独需求侧资源来配合风电上网，较少考虑统筹需求侧多种充裕性资源来提高***运行的经济性，影响了资源的利用效率。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种热电联供***的优化方法，将考虑用户用热舒适度的柔性热负荷、峰谷分时电价需求响应和电动汽车入网有序充放电负荷共同作为需求侧资源进行热电联供***优化调度，有效提高了热电联供***运行的经济性和新能源风电的利用率。
为了实现根据本发明的这些目的和其它优点，提供了一种热电联供***的优化方法，包括以下步骤：
S1、将各机组逐时的电力输出功率p(i,t)和热电机组逐时的热力输出功率h(i,t)作为优化决策变量；
S2、在考虑弃风惩罚费用、需求响应成本、用户热舒适度补偿费用，以及电动汽车电池折旧成本，且忽略风电机组发电成本的基础上，以***发电供热运行成本最经济为目标函数，所述目标函数如公式1所示：
其中，
表示常规机组发电成本，
表示CHP机组发电及供热成本，ρWΔpW(i,t)表示弃风电惩罚费用，CDR(t)表示需求响应调度成本，CΔH表示用户供暖舒适度扰动补偿费用，Uev表示EV电池折旧成本；T为1个调度周期的总时段数；Ng为常规机组数；Nchp为CHP机组数；CDR为单位时段需求响应调度成本；ρw为弃风惩罚价格；
S3、将约束条件结合所述目标函数构建热电联供***调度模型；
S4、基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解。
优选的是，所述的热电联供***的优化方法中，弃风电惩罚费用ρWΔpW(i,t)中的ΔpW(i,t)表示同一时刻风电的预测出力和利用功率间的差值，并用公式2进行表示：
其中，pout w(i,t)为t时刻风电的预测出力，pin w(i,t)为t时刻风电的利用功率；
需求响应调度成本CDR(t)用公式3进行表示
其中，
和P0L,t分别为t时刻需求响应实施前的电价和用电量，st和PL,t分别为t时段实施需求响应后的电价和用电量。
优选的是，所述的热电联供***的优化方法中，所述约束条件包括：***约束、机组约束、风电约束、需求响应约束、用户采暖温度舒适度约束，以及电动汽车约束；
其中，所述风电约束由公式4进行表示；用户采暖温度舒适度约束由公式5进行表示：
其中，θy(t)为t时刻建筑物内部温度，
和
为满足用户用热舒适度的温度上下限。
优选的是，所述的热电联供***的优化方法中，所述***约束包括电功率平衡约束和供热平衡约束；
另外，所述电功率平衡约束又包括由公式6表示的未参与需求响应约束和由公式7表示的参与需求响应约束：
其中，P0L(t)和PL(t)分别表示t时刻需求响应前后的电负荷；和分别表示t时刻常规机组和CHP机组的电负荷；表示t时刻EV电池的电负荷；Nw为风电场个数；
所述供热平衡约束由公式8进行表示：
其中，Hload(t)指区域热负荷，并等于区域内所有建筑物的热负荷之和；hchp(i,t)指t时刻第i个CHP机组的热负荷；单个建筑物的热负荷hload(t)由公式9进行表示：
其中，hreq(t)为t时刻用户的热力需求；θin(t)和θin(t-1)分别为t和t-1时刻室内温度；cair为室内空气的比热容；ρair为室内空气的密度；V为建筑物的***体积。
优选的是，所述的热电联供***的优化方法中，所述机组约束包括常规机组约束和热电联产机组约束；
另外，所述常规机组约束又包括由公式10表示的出力上下限约束，和由公式11表示的机组爬坡约束：
其中，
和
分别为常规机组i最小和最大发电功率；
和
分别为常规机组i向下和向上爬坡限值；
所述热电联产机组约束又包括由公式12表示的有功出力上下限约束、由公式13表示的机组热出力约束、由公式14表示的机组电爬坡约束，以及由公式15表示的机组热爬坡约束：
max(Pi,min-cvhchp(i,t),cmhchp(i,t))≤pchp(i,t)≤Pi,max-cvhchp(i,t) 公式12；
0≤hchp(i,t)≤Hi,max 公式13；
其中，Pi,min和Pi,max分别为CHP机组i在纯凝工况下的最小和最大电出力；cv为CHP机组总进汽量不变时多抽取单位供热量下发电功率的减小量；cm为CHP机组背压运行时的电功率和热功率的弹性系数；Hi,max为CHP机组i的最大热功率；
和
为CHP机组i最大向下和向上电功率爬坡速率。
优选的是，所述的热电联供***的优化方法中，所述需求响应约束又包括由公式16表示的用电方式舒适度χt约束，以及由公式17表示的需求响应互动效益
约束：
其中，
和
分别为需求响应下用户用电方式舒适度和互动效益舒适度的最小值；Δqt和Δct分别为需求响应下电力需求的相对增量和需求响应下电费的相对增量。
优选的是，所述的热电联供***的优化方法中，所述电动汽车约束又包括由公式18和公式19表示的EV最大入网放电与充电功率限制、由公式20表示的EV电池最高SOC限制，以及由公式21表示的EV车主充电需求约束：
soci≤socmax 公式20；
Pev＝Pc+Pd 公式21；
其中，socmax为防止电池过充而设置的最大荷电状态；Pev为EV未参与调度前的无序充电总负荷；Pc为EV参与调度后的入网充电总负荷；Pd为EV参与调度后的入网放电总容量。
优选的是，所述的热电联供***的优化方法中，S4中，基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解具体为：基于Benders分解算法将所述热电联供***调度模型的优化求解问题分为电力***子问题和热力***主问题，而后对分解后的各自***采用改进的粒子群优化算法进行寻优，最后电力***子问题和热力***主问题交互各自***最优出力，并将生成的Benders割约束条件反馈回电力***子问题进行迭代直到满足检验。
优选的是，所述的热电联供***的优化方法中，基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解，具体包括以下步骤：
S4-1、初始化：对于每一调度时刻t，设置Benders分解法的迭代次数k＝1，初始热力***变量h1取机组热出力最小值，将其带入电力***进行第一次求解，得出
和此时子问题决策变量的值p1；初始化由热力***得出的目标函数值
为-∞；
S4-2、产生Benders割反馈修正约束条件的拉格朗日乘子，由公式22进行表示：
其中，
为在第k次迭代返回热力***主问题的反馈修正约束条件中的拉格朗日乘子；
S4-3、热力***主问题求解：将由S4-2得到的
和电力***子问题求解得出的pk带入主问题中，再采用改进的粒子群算法求解得出目标函数下边界
和hk+1；
S4-4、电力***子问题求解：将第k+1次热力***求得的最优热出力hk+1带入电力***子问题作为已知量，再采用改进的粒子群优化算法进行电力***子问题求解得出目标函数的上边界
和pk+1；
S4-5、主问题和子问题所得解的可行性检验：将得到的下边界和上边界代入公式23表示的检验条件中进行检验，若满足检验条件，则迭代结束，且
即为原始电热联合***的运行成本最优解，pk+1和hk+1即为***最优电出力和最优热出力；若不满足检验条件，则将迭代次数k在原值上加1，并重复S4-2-S4-5。
本发明至少包括以下有益效果：
本发明所述的热电联供***的优化方法将考虑用户用热舒适度的柔性热负荷、峰谷分时电价需求响应和电动汽车入网有序充放电负荷共同作为需求侧资源进行热电联供***优化调度，通过求解优化调度模型，确定下一调度周期各机组的电热出力情况，通过综合分析每一时段建筑物可储放热的能力、规模化电动汽车充放电负荷可调度量、热电机组可调峰的容量及风电的弃风情况，安排电动汽车与电网交互的能量和建筑物所需储存的热量值或放出的热量值，热负荷在此经济调度中满足用户用热舒适度的条件下进行随动，有效提高了电力***运行的灵活性和经济性。
在风电和电动汽车大规模发展的背景下，为提高电力***运行灵活性和经济性，对需求侧充裕性资源进行分析，并分别对峰谷分时电价需求响应、考虑用户用热舒适度的柔性热负荷和电动汽车有序充电负荷进行建模，提出了将需求侧充裕性资源融入热电联供***中进行供需方资源统一协调优化的调度框架，通过综合考虑热电***约束条件建立热电联供***经济调度模型，以提高***运行经济性和新能源风电的利用率。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的热电联供***的优化方法的框架结构图；
图2为抽气式CHP机组热电出力耦合关系图；
图3为对所述热电联供***调度模型进行优化求解的流程图；
图4为蒙特卡洛仿真EV负荷的计算流程图；
图5为电动汽车无序充电模式下的负荷图；
图6为峰谷平时段负荷的划分结果图；
图7为实施峰谷分时电价响应前后的负荷图；
图8为日前风电预测出力图；
图9为不同情景各时段下风电上网情况图；
图10为各情景下CHP机组电出力图；
图11为各情景下CHP机组热出力图；
图12为各情景下常规机组电出力图；
图13为情景3下建筑物内部蓄热容量及室内温度关系图；
图14为情景4下各机组电出力及EV与电网能量的交互情况图；
图15为情景4下EV与电网电量交互图；
图16为情景4下建筑物内部蓄热容量及室内温度关系图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示，本发明提供一种热电联供***的优化方法，包括以下步骤：
S1、将各机组逐时的电力输出功率p(i,t)和热电机组逐时的热力输出功率h(i,t)作为优化决策变量；
S2、在考虑弃风惩罚费用、需求响应成本、用户热舒适度补偿费用，以及电动汽车电池折旧成本，且忽略风电机组发电成本的基础上，以***发电供热运行成本最经济为目标函数，所述目标函数如公式1所示：
其中，
表示常规机组发电成本，
表示CHP机组发电及供热成本，ρWΔpW(i,t)表示弃风电惩罚费用，CDR(t)表示需求响应调度成本，CΔH表示用户供暖舒适度扰动补偿费用，Uev表示EV电池折旧成本；T为1个调度周期的总时段数；Ng为常规机组数；Nchp为CHP机组数；CDR为单位时段需求响应调度成本；ρw为弃风惩罚价格；
S3、将约束条件结合所述目标函数构建热电联供***调度模型；
S4、基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解。
在上述方案中，热电联产机组(CHP，combined heat andpower)是根据能源梯级利用的原理，在供热期既生产电能又能生产热能的综合生产方式。我国的供热机组大部分为大型抽气式热电联产机组，上述方案即以大型抽气式热电联产机组作为热源进行分析。
CHP机组电输出功率和热输出功率间的耦合关系称为其“电热特性”。其热电工作关系特性如图2所示，为满足供暖的需求，CHP机组通常要工作在“以热定电”的模式下，这限制了热电联产机组的最小热出力，相应地，由于CHP机组的热电耦合特性使机组的电出力调节范围也受到了限制。图中Hf为供暖期间CHP机组的最小强迫热出力，此时CHP机组的电出力的调节范围缩小为PE与PF之间，机组运行区域被限制在EBFE所包围的区域内，机组运行灵活性受到限制。电出力调节范围的减小，致使***在供暖季间对风电消纳能力的降低。通过将考虑用户用热舒适度的柔性热负荷、峰谷分时电价需求响应和电动汽车入网有序充放电负荷共同作为需求侧资源进行热电联供***优化调度，通过求解优化调度模型，确定下一调度周期各机组的电热出力情况，通过综合分析每一时段建筑物可储放热的能力、规模化电动汽车充放电负荷可调度量、热电机组可调峰的容量及风电的弃风情况，安排电动汽车与电网交互的能量和建筑物所需储存的热量值或放出的热量值，热负荷在此经济调度中满足用户用热舒适度的条件下进行随动，有效提高了电力***运行的灵活性和经济性。
其中，所述优化方法为日前调度方案，可以设定调度时段为1h，调度计划每天更新一次。通过求解优化调度模型，确定下一调度周期各机组的电热出力情况，通过综合分析每一时段建筑物可储放热的能力、规模化电动汽车充放电负荷可调度量、热电机组可调峰的容量及风电的弃风情况，安排电动汽车与电网交互的能量和建筑物所需储存的热量值或放出的热量值，热负荷在此经济调度中满足用户用热舒适度的条件下进行随动，且考虑到目前电池充放电效率及电池折旧成本，优先在满足用户充电需求下通过EV有序充电负荷来消纳风电，在仍有弃风时考虑EV的V2G技术实现虚拟储能作用。且在日前调度优化的基础上优先满足用户电动汽车充电负荷需求，并对其进行有序控制以配合风电的消纳，再对区域中处于停驶状态的电动汽车所形成的储能***进行调度，其中，所提及的电动汽车作为需求侧资源是指采用慢速充电的家庭汽车，并假设所述电动汽车每天都会充电，区域内的EV通过EV集中控制器(Aggregator)与电网进行交互，其收集辖区内的电动汽车行驶数据信息，对辖区内的电动汽车充电负荷进行预测，并评估其可调度范围。
一个优选方案中，弃风电惩罚费用ρWΔpW(i,t)中的ΔpW(i,t)表示同一时刻风电的预测出力和利用功率间的差值，并用公式2进行表示：
其中，poutw(i,t)为t时刻风电的预测出力，pin w(i,t)为t时刻风电的利用功率；
需求响应调度成本CDR(t)用公式3进行表示
其中，
和P0L,t分别为t时刻需求响应实施前的电价和用电量，st和PL,t分别为t时段实施需求响应后的电价和用电量。
一个优选方案中，所述约束条件包括：***约束、机组约束、风电约束、需求响应约束、用户采暖温度舒适度约束，以及电动汽车约束；
其中，所述风电约束由公式4进行表示；用户采暖温度舒适度约束由公式5进行表示：
其中，θy(t)为t时刻建筑物内部温度，
和
为满足用户用热舒适度的温度上下限。
一个优选方案中，所述***约束包括电功率平衡约束和供热平衡约束；
另外，所述电功率平衡约束又包括由公式6表示的未参与需求响应约束和由公式7表示的参与需求响应约束：
其中，P0L(t)和PL(t)分别表示t时刻需求响应前后的电负荷；pg(i,t)和pchp(i,t)分别表示t时刻常规机组和CHP机组的电负荷；pev(t)表示t时刻EV电池的电负荷；Nw为风电场个数；
所述供热平衡约束由公式8进行表示：
其中，Hload(t)指区域热负荷，并等于区域内所有建筑物的热负荷之和；hchp(i,t)指t时刻第i个CHP机组的热负荷；单个建筑物的热负荷hload(t)由公式9进行表示：
其中，hreq(t)为t时刻用户的热力需求；θin(t)和θin(t-1)分别为t和t-1时刻室内温度；cair为室内空气的比热容；ρair为室内空气的密度；V为建筑物的***体积。
一个优选方案中，所述机组约束包括常规机组约束和热电联产机组约束；
另外，所述常规机组约束又包括由公式10表示的出力上下限约束，和由公式11表示的机组爬坡约束：
其中，
和
分别为常规机组i最小和最大发电功率；
和
分别为常规机组i向下和向上爬坡限值；
所述热电联产机组约束又包括由公式12表示的有功出力上下限约束、由公式13表示的机组热出力约束、由公式14表示的机组电爬坡约束，以及由公式15表示的机组热爬坡约束：
max(Pi,min-cvhchp(i,t),cmhchp(i,t))≤pchp(i,t)≤Pi,max-cvhchp(i,t) 公式12；
0≤hchp(i,t)≤Hi,max 公式13；
其中，Pi,min和Pi,max分别为CHP机组i在纯凝工况下的最小和最大电出力；cv为CHP机组总进汽量不变时多抽取单位供热量下发电功率的减小量；cm为CHP机组背压运行时的电功率和热功率的弹性系数；Hi,max为CHP机组i的最大热功率；
和
为CHP机组i最大向下和向上电功率爬坡速率。
在上述方案中，公式15中，当CHP机组运行在图2所示点C左边区域cx取值为cv，当CHP机组运行在图2所示点C右边区域cx取值为cm。
一个优选方案中，所述需求响应约束又包括由公式16表示的用电方式舒适度χt约束，以及由公式17表示的需求响应互动效益
约束：
其中，
和
分别为需求响应下用户用电方式舒适度和互动效益舒适度的最小值；Δqt和Δct分别为需求响应下电力需求的相对增量和需求响应下电费的相对增量。
在上述方案中，当峰谷分时电价实施后，电力消费者为了追求经济利益会对用电习惯做出改变，这会使得用户的利益受到损害，因而引入用电用户的舒适度来进行量化，使得在对热电联供***进行经济性优化的基础上，保证用户的用电舒适度。
一个优选方案中，所述电动汽车约束又包括由公式18和公式19表示的EV最大入网放电与充电功率限制、由公式20表示的EV电池最高SOC限制，以及由公式21表示的EV车主充电需求约束：
soci≤socmax 公式20；
Pev＝Pc+Pd 公式21；
其中，socmax为防止电池过充而设置的最大荷电状态；Pev为EV未参与调度前的无序充电总负荷；Pc为EV参与调度后的入网充电总负荷；Pd为EV参与调度后的入网放电总容量。
如图3所示，一个优选方案中，S4中，基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解具体为：基于Benders分解算法将所述热电联供***调度模型的优化求解问题分为电力***子问题和热力***主问题，而后对分解后的各自***采用改进的粒子群优化算法进行寻优，最后电力***子问题和热力***主问题交互各自***最优出力，并将生成的Benders割约束条件反馈回电力***子问题进行迭代直到满足检验。
在上述方案中，考虑到所建立的热电联供***调度模型是一个大规模非线性规划模型，传统优化算法难以有效求解，因而提出基于Benders分解算法思想将整个优化调度问题分为电力***子问题和热力***主问题，对分解后的各自***采用改进的粒子群优化算法进行寻优，两***交互***最优出力和生成Benders割约束反馈回子问题进行迭代直到满足检验，进而便于所述调度模型的优化求解。
一个优选方案中，基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解，具体包括以下步骤：
S4-1、初始化：对于每一调度时刻t，设置Benders分解法的迭代次数k＝1，初始热力***变量h1取机组热出力最小值，将其带入电力***进行第一次求解，得出
和此时子问题决策变量的值p1；初始化由热力***得出的目标函数值
为-∞；
S4-2、产生Benders割反馈修正约束条件的拉格朗日乘子，由公式22进行表示：
其中，
为在第k次迭代返回热力***主问题的反馈修正约束条件中的拉格朗日乘子；
S4-3、热力***主问题求解：将由S4-2得到的
和电力***子问题求解得出的pk带入主问题中，再采用改进的粒子群算法求解得出目标函数下边界
和hk+1；
S4-4、电力***子问题求解：将第k+1次热力***求得的最优热出力hk+1带入电力***子问题作为已知量，再采用改进的粒子群优化算法进行电力***子问题求解得出目标函数的上边界
和pk+1；
S4-5、主问题和子问题所得解的可行性检验：将得到的下边界和上边界代入公式23表示的检验条件中进行检验，若满足检验条件，则迭代结束，且
即为原始电热联合***的运行成本最优解，pk+1和hk+1即为***最优电出力和最优热出力；若不满足检验条件，则将迭代次数k在原值上加1，并重复S4-2-S4-5。
在上述方案中，粒子群优化算法(ParticleSwarmOptimization,PSO算法)是一种基于群体智能的优化算法，它将每个优化问题的解看作搜索空间中的一只没有质量和体积的鸟，并将其延伸到N维空间。粒子i在N维空间里的位置和飞行速度都分别表示为一个矢量，所有的粒子都有一个由被优化的函数决定的适应值。
算法原理如下：
粒子速度和位置的更新：
vi,j(t+1)＝wvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)] 公式23；
xi,j(t+1)＝xi,j(t)+vi,j(t+1),j＝1,2,…,d 公式24；
其中，vi,j(t)和vi,j(t+1)分别为粒子i当前的速度与下一阶段的速度；xi,j(t)和xi,j(t+1)分别为粒子i当前的位置与下一阶段的位置；w为惯性权重；c1和c2为正的学习因子；r1和r2为0至1之间均匀分布的随机数。
而改进的粒子群优化算法通过如下的改进使得粒子群优化算法在解决高维复杂问题时可有效跳出局部最优点，且收敛速度和精度均提高，避免了基本粒子群优化算法早熟收敛和收敛性差的缺点。具体为：
1、惯性的动态惯性权重的引入
惯性因子较大有利于跳出局部极小点，惯性权重较小会对当前搜索区域进行精确局部搜索。本文采用线性的动态惯性权重系数，用以平衡PSO算法的全局搜索和局部细搜的能力。公式如下：
其中，wmax、wmin分别表示w的最大值、最小值，m表示当前迭代步数，mmax表示最大迭代步数。
2、三角函数式学习因子c1和c2的改进
为增强前期粒子的全局搜索能力和后期粒子的局部搜索能力，对c1和c2做下式的改进
其中，m表示当前迭代次数，mmax表示最大迭代次数，通过公式26可保证在搜索前期m≤0.46mmax时，c1≥c2，可使粒子多向个体最优pbest学习，向全体最优少学习；而在后期，m≥0.46mmax时，c1≤c2，可使粒子向社会最优位置gbest的局部靠拢，同时，为使算法收敛效果更佳，优选使得c1+c2≥4。
3、反向学习机制的引入
反向学习是同时考虑当前位置的解及其相反位置的解，从而使算法能够快速的靠近较优的搜索区域，更快的逼近全局最优解，进而提高收敛速度。当粒子最优解未改变次数达到n次，则进行1次反向学习，这样相对于每次求得pbest而进行一次反向学习来说，算法的整体运行速度较其有了较大的提高。对于D维空间一点
其相反的点定义为：
当粒子最优解未改变次数达到n次，对当前种群最优个体按下式进行一次广义学习：
若粒子
的位置超出范围，则按下式更新粒子位置：
其中，
是通过反向学习产生的新解，
与当前最优gbest的适应度值进行择优。
综上，改进的粒子群优化算法通过引入动态惯性权重和三角函数式学习因子，有效克服了粒子群优化算法早熟收敛和收敛性差的缺点，同时通过引入反向学习机制，使得粒子有效跳出局部最优点。
实验数据
为了验证本申请所建调度模型在热电联供***中的优化效果，根据当前我国“三北”地区电网实际电源结构比例，简化取某地区电网电源装机容量。
该地区共有8台发电机组(#1、#2、#3、#4、#5、#6、#7、#8)，其中1-6号机组为大型抽汽式CHP机组，且1-3号、4-6号机组分属热电厂A和B，2个热电厂分别向区域I，II供热，7、8号为大型纯凝式常规机组，且该***中有1个650MW的风电场。区域中机组参数如表1所示。区域I、II的建筑物总***体积为4.96×108m3，建筑物相关参数如表2所示，当该典型日内用户侧温度维持20℃时区域I，II总热需求保持1800MW不变，热感觉平均标度预测指标稍冷稍热处于+1℃与-1℃之间。该区域共有20000辆电动汽车，根据电动汽车运行规律及电池的充放电特性采用蒙特卡洛模拟方法对EV负荷进行预测，EV运行参数概率密度函数及参数取值如表3和表4所示，Uab＝141$/(MW·h)。
表1机组参数
注：αi、βi、γi的单位都为t·MW-2·h-1。
表2建筑物参数
| 建筑物参数 | c<sub>air</sub>(kJ·kg<sup>-1</sup>℃<sup>-1</sup>) | ρ<sub>air</sub>(kg·m<sup>-3</sup>) | p<sub>h</sub>($/(MWh)) |
| 数值 | 1.007 | 1.2 | 20 |
表3 EV运行参数概率密度函数
表4 EV参数
| μ<sub>in</sub> | σ<sub>in</sub> | μ<sub>out</sub> | σ<sub>out</sub> | μ<sub>d</sub> | σ<sub>d</sub> | soc<sub>max</sub> | d<sub>e</sub>/(mile) | E<sub>e</sub>/(kW·h) | η<sub>d</sub> | p<sub>c</sub>＝p<sub>d</sub>/(kW) |
| 19 | 0.5 | 9 | 0.5 | 3.37 | 0.5 | 0.95 | 100 | 40 | 0.9 | 7.68 |
为了减少对电池来回充放电次数以降低电池损耗成本以及满足用户出行需求，对于入网初始SOC>0.4的电动汽车可考虑其对电网进行放电，以充分降低SOC值，提高夜间在弃风时段电池的充电负荷。EV充放电负荷仿真计算流程图如图4所示。
根据用户的行为，工作日时大多数私家车主会到家后很快开始充电，电动汽车无序充电模式下的负荷如图5。
算例中某典型日的电负荷(不包括EV负荷)及日前风功率预测值如图6、图8所示，***与其他电网并无电功率交换。其中，取调度周期为1d，单位调度时长为1h。煤价为180$/t，风电惩罚价格为100$/(MW·h)。
原始平均电价为65$/(MW·h)，实施峰谷分时电价的峰、谷电价分别为原始电价的1.25倍和0.75倍，平时段不变。
各时刻响应量不超过负荷峰值的10％，用户的总用电量不变，自弹性系数和交叉弹性系数分别取-0.2和0.033。实际应用时，弹性系数取值应需调研当地负荷的行为特性。峰谷平时段划分结果如图6，实施峰谷分时电价响应前后日负荷曲线如图7。
为检验本申请所提需求侧充裕性资源对热电联供***运行经济性及风电消纳的影响，设定如表5所示的四种情景，各情景下调度结果如表6所示。
表5各情景设置
| 情景 | 运行方式(需求侧充裕性资源考虑情况) |
| 1 | 传统调度方式(无峰谷分时电价需求响应，不考虑建筑物蓄热特性，无序EV负荷) |
| 2 | 峰谷分时电价需求响应 |
| 3 | 峰谷分时电价需求响应、建筑物蓄热特性 |
| 4 | 本文调度策略(峰谷分时电价需求响应、建筑物蓄热特性、受控EV有序充放电) |
表6各情景优化调度结果
由上表6的调度结果可知，峰谷分时电价需求响应、考虑建筑物蓄热特性时的柔性热负荷和受控EV入网有序充放电均可促进热电联供***风电的消纳，可使***运行更经济。将峰谷分时电价需求响应和考虑建筑物蓄热特性时的柔性热负荷和受控EV有序充放电共同作为需求侧充裕性资源融入热电联供***调度中可使***运行更经济且可更大程度上促进风电的消纳。采用本申请所述的热电联供***的优化方法可使热电热联合***有更优的环境效益，即从调度结果来看相比较传统调度方式凝气发电量约减少1259MW·h，风电消纳量约增加1258MW·h，和更高的经济效益，即相比较传统调度方式***供电供热总成本可减少185632美元，包括弃风惩罚成本，这是因为更多的风电代替了高成本的煤电机组出力，且考虑建筑物蓄热特性时的柔性热负荷在一定程度上解耦了热电机组“以热定电”的热电刚性约束，使热电机组电出力范围变大，热电机组运行在***更经济的出力状态。
下述分别对场景1-4进行分析：
结合图7原始负荷曲线和图8风电预测出力曲线，可知“三北”地区风电出力高峰时段刚好对应电负荷低谷时段，风电出力低谷时段刚好对应电负荷高峰时段，即风电的反调峰特性。由图9可知，传统调度方式即情景1的弃风时段主要发生在夜间电负荷低谷、风电出力高峰时段(22:00、23:00、00:00-07:00)，由图10、图12可知，此时常规机组运行在电出力下限状态、热电机组为满足供热负荷且由于“以热定电”的热电耦合约束的限制而运行在较高的电出力状态。常规机组与CHP机组电出力均无法下调而不得不弃风。
当实施峰谷分时电价需求响应时，即情景2，由图10、图11、图12可知，较情景1而言，23:00、00:00-05:00时段弃风状况有所改善，其原因是峰谷分时电价需求响应改变了负荷特性，使电负荷高峰时段的部分用电量转移至电负荷低谷时段，由图7可知，负荷低谷时段电负荷有所上升，为风电提供了上网空间，此时段常规机组运行在电出力下限状态，热电机组由于“以热定电”的热电耦合约束的限制，其电出力与情景1相同；负荷高峰时段常规机组和热电机组出力均减小是因为峰谷分时电价需求响应的实施使负荷高峰时段的负荷有所下降。此时由于分时电价需求响应量有限，常规机组运行在电出力下限状态，CHP机组由于“以热定电”的热电耦合约束也无法下调电出力，在情景1的基础上增加了风电的消纳量但仍存在弃风。
在情景2的基础上考虑建筑物蓄热特性时的柔性热负荷时，即情景3。较情景2而言，01:00-04:00时段弃风状况有所改善，这是因为(由图9-图13可知)在此时段建筑物放热代替了部分热电机组的热出力，热电机组热出力减少，由于热电耦合特性其电出力也减少，为风电提供了上网空间；在日间电负荷高峰同时也是风电低谷时段，此时段在低成本风电完全上网的情况下，燃煤的常规机组出力减少，CHP机组电出力和热出力较情景2均有提高，在满足用户用热舒适度的基础上，平衡热负荷后而多余的热量存储在建筑物中(08:00-11:00)，用以供给夜间由于CHP机组降低热出力而不足热负荷的部分(01:00-04:00)。图13为情景3调度各时段建筑物内部蓄热容量(正号表示储热、负号表示放热)及室内温度，可见室内温度在19℃-21℃之间波动，且波动时间大部分为夜间睡眠时段，在用户用热舒适度温度范围之内。
需求响应通过优化负荷曲线在一定程度上抑制了风电的反调峰特性，但仍有部分风电在负荷低谷时段由于CHP机组“以热定电”运行方式而不得不弃风(由图9可知)；当实施峰谷分时电价需求响应和考虑建筑物蓄热特性时，即情景3，由于在满足用户用热舒适度的基础上建筑物的蓄热容量有限，在负荷低谷风电高峰时段仍有部分弃风，05:00-07:00。在情景3的基础上考虑EV受控有序充放电，即情景4，图14为情景4下各机组及EV的调度情况。相比情景3，在满足用户出行需求的同时，通过控制EV与电网能量的有序交互可进一步提高风电的消纳量。这是因为在弃风时段，EV入网充电，增大了电负荷低谷时的用电量，在电负荷较高时段，EV入网放电以降低EV电池的荷电状态使EV在电负荷低谷时加大EV的入网充电需求(结合图5、图9、图15)，图15为情景4调度各时段EV与电网能量交互情况(正号表示EV入网充电、负号表示EV入网放电)，图16为情景4调度各时段建筑物内部蓄热容量及室内温度。由图9知在06:00存在37.2MW的弃风量，此时需求侧充裕性资源已最大化利用，但由于需满足用户出行需求及EV在入网充电功率有限而不得不弃风，此时可考虑增加储能设施或投放更多的EV数量以消纳此时段的弃风量。在日前调度尺度上(忽略风电预测误差)，情景4可近乎完全消纳风电出力。
由对场景1-4的分析可知，峰谷分时电价需求响应可优化原始负荷曲线进行削峰填谷，可提高风电消纳量；考虑建筑物的蓄热特性可一定程度上解耦CHP机组热电耦合特性，提高风电消纳量；受控EV有序充放电可提高弃风时段用电量，负荷高峰时段入网放电可进一步提高弃风时段EV充电需求，提高风电消纳量。而当考虑单一需求侧资源，其消纳风电能力有限。统筹需求侧多方面充裕性资源参与***调度可更大程度上提高风电消纳量，提高***运行经济性。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种热电联供***的优化方法，其特征在于，包括以下步骤：
S1、将各机组逐时的电力输出功率p(i,t)和热电机组逐时的热力输出功率h(i,t)作为优化决策变量；
S2、在考虑弃风惩罚费用、需求响应成本、用户热舒适度补偿费用，以及电动汽车电池折旧成本，且忽略风电机组发电成本的基础上，以***发电供热运行成本最经济为目标函数，所述目标函数如公式1所示：
其中，
表示常规机组发电成本，
表示CHP机组发电及供热成本，ρWΔpW(i,t)表示弃风电惩罚费用，CDR(t)表示需求响应调度成本，CΔH表示用户供暖舒适度扰动补偿费用，Uev表示EV电池折旧成本；T为1个调度周期的总时段数；Ng为常规机组数；Nchp为CHP机组数；CDR为单位时段需求响应调度成本；ρw为弃风惩罚价格；
S3、将约束条件结合所述目标函数构建热电联供***调度模型；
S4、基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解。
2.如权利要求1所述的热电联供***的优化方法，其特征在于，弃风电惩罚费用ρWΔpW(i,t)中的ΔpW(i,t)表示同一时刻风电的预测出力和利用功率间的差值，并用公式2进行表示：
其中，poutw(i,t)为t时刻风电的预测出力，pin w(i,t)为t时刻风电的利用功率；
需求响应调度成本CDR(t)用公式3进行表示：
其中，
和P0L,t分别为t时刻需求响应实施前的电价和用电量，st和PL,t分别为t时段实施需求响应后的电价和用电量。
3.如权利要求2所述的热电联供***的优化方法，其特征在于，所述约束条件包括：***约束、机组约束、风电约束、需求响应约束、用户采暖温度舒适度约束，以及电动汽车约束；
其中，所述风电约束由公式4进行表示；用户采暖温度舒适度约束由公式5进行表示：
其中，θy(t)为t时刻建筑物内部温度，
和
为满足用户用热舒适度的温度上下限。
4.如权利要求3所述的热电联供***的优化方法，其特征在于，所述***约束包括电功率平衡约束和供热平衡约束；
另外，所述电功率平衡约束又包括由公式6表示的未参与需求响应约束和由公式7表示的参与需求响应约束：
其中，P0L(t)和PL(t)分别表示t时刻需求响应前后的电负荷；pg(i,t)和pchp(i,t)分别表示t时刻常规机组和CHP机组的电负荷；pev(t)表示t时刻EV电池的电负荷；Nw为风电场个数；
所述供热平衡约束由公式8进行表示：
其中，Hload(t)指区域热负荷，并等于区域内所有建筑物的热负荷之和；hchp(i,t)指t时刻第i个CHP机组的热负荷；单个建筑物的热负荷hload(t)由公式9进行表示：
其中，hreq(t)为t时刻用户的热力需求；θin(t)和θin(t-1)分别为t和t-1时刻室内温度；cair为室内空气的比热容；ρair为室内空气的密度；V为建筑物的***体积。
5.如权利要求3所述的热电联供***的优化方法，其特征在于，所述机组约束包括常规机组约束和热电联产机组约束；
另外，所述常规机组约束又包括由公式10表示的出力上下限约束，和由公式11表示的机组爬坡约束：
其中，
和
分别为常规机组i最小和最大发电功率；
和
分别为常规机组i向下和向上爬坡限值；
所述热电联产机组约束又包括由公式12表示的有功出力上下限约束、由公式13表示的机组热出力约束、由公式14表示的机组电爬坡约束，以及由公式15表示的机组热爬坡约束：
max(Pi,min-cvhchp(i,t),cmhchp(i,t))≤pchp(i,t)≤Pi,max-cvhchp(i,t) 公式12；
0≤hchp(i,t)≤Hi,max 公式13；
其中，Pi,min和Pi,max分别为CHP机组i在纯凝工况下的最小和最大电出力；cv为CHP机组总进汽量不变时多抽取单位供热量下发电功率的减小量；cm为CHP机组背压运行时的电功率和热功率的弹性系数；Hi,max为CHP机组i的最大热功率；
和
为CHP机组i最大向下和向上电功率爬坡速率。
6.如权利要求3所述的热电联供***的优化方法，其特征在于，所述需求响应约束又包括由公式16表示的用电方式舒适度χt约束，以及由公式17表示的需求响应互动效益
约束：
其中，
和
分别为需求响应下用户用电方式舒适度和互动效益舒适度的最小值；Δqt和Δct分别为需求响应下电力需求的相对增量和需求响应下电费的相对增量。
7.如权利要求3所述的热电联供***的优化方法，其特征在于，所述电动汽车约束又包括由公式18和公式19表示的EV最大入网放电与充电功率限制、由公式20表示的EV电池最高SOC限制，以及由公式21表示的EV车主充电需求约束：
soci≤socmax 公式20；
Pev＝Pc+Pd 公式21；
其中，socmax为防止电池过充而设置的最大荷电状态；Pev为EV未参与调度前的无序充电总负荷；Pc为EV参与调度后的入网充电总负荷；Pd为EV参与调度后的入网放电总容量。
8.如权利要求1所述的热电联供***的优化方法，其特征在于，S4中，基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解具体为：基于Benders分解算法将所述热电联供***调度模型的优化求解问题分为电力***子问题和热力***主问题，而后对分解后的各自***采用改进的粒子群优化算法进行寻优，最后电力***子问题和热力***主问题交互各自***最优出力，并将生成的Benders割约束条件反馈回电力***子问题进行迭代直到满足检验。
9.如权利要求8所述的热电联供***的优化方法，其特征在于，基于Benders分解算法，并采用改进的粒子群优化算法对所述热电联供***调度模型进行优化求解，具体包括以下步骤：
S4-1、初始化：对于每一调度时刻t，设置Benders分解法的迭代次数k＝1，初始热力***变量h1取机组热出力最小值，将其带入电力***进行第一次求解，得出
和此时子问题决策变量的值p1；初始化由热力***得出的目标函数值
为-∞；
S4-2、产生Benders割反馈修正约束条件的拉格朗日乘子，由公式22进行表示：
其中，
为在第k次迭代返回热力***主问题的反馈修正约束条件中的拉格朗日乘子；
S4-3、热力***主问题求解：将由S4-2得到的
和电力***子问题求解得出的pk带入主问题中，再采用改进的粒子群算法求解得出目标函数下边界
和hk+1；
S4-4、电力***子问题求解：将第k+1次热力***求得的最优热出力hk+1带入电力***子问题作为已知量，再采用改进的粒子群优化算法进行电力***子问题求解得出目标函数的上边界
和pk+1；
S4-5、主问题和子问题所得解的可行性检验：将得到的下边界和上边界代入公式23表示的检验条件中进行检验，若满足检验条件，则迭代结束，且
即为原始电热联合***的运行成本最优解，pk+1和hk+1即为***最优电出力和最优热出力；若不满足检验条件，则将迭代次数k在原值上加1，并重复S4-2-S4-5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011618568.1A CN112668791A (zh) | 2020-12-30 | 2020-12-30 | 热电联供***的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011618568.1A CN112668791A (zh) | 2020-12-30 | 2020-12-30 | 热电联供***的优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668791A true CN112668791A (zh) | 2021-04-16 |
Family
ID=75411527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011618568.1A Pending CN112668791A (zh) | 2020-12-30 | 2020-12-30 | 热电联供***的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668791A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112096A (zh) * | 2021-05-11 | 2021-07-13 | 东北石油大学 | 石油化工企业余热供暖综合能源***优化调度方法 |
| CN113516306A (zh) * | 2021-07-05 | 2021-10-19 | 内蒙古工业大学 | 飞轮储能***的功率配置方法、装置、介质和电子设备 |
| CN113673754A (zh) * | 2021-08-09 | 2021-11-19 | 上海电力大学 | 一种计及柔性负荷满意度的热电联合***优化运行方法 |
| CN113902040A (zh) * | 2021-11-15 | 2022-01-07 | 中国电力科学研究院有限公司 | 电-热综合能源***协调优化方法、***、设备及存储介质 |
| CN114037354A (zh) * | 2021-12-06 | 2022-02-11 | 河北师范大学 | 一种冷热电联供***容量优化配置的方法 |
| CN117674302A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734350A (zh) * | 2018-05-17 | 2018-11-02 | 燕山大学 | 一种含微电网的配电网独立与联合调度的求解方法 |
| CN110165665A (zh) * | 2019-05-29 | 2019-08-23 | 长沙理工大学 | 一种基于改进多目标粒子群算法的源-荷-储调度方法 |
| CN110347039A (zh) * | 2019-07-09 | 2019-10-18 | 东北大学 | 考虑用户满意度与电锅炉参与调峰的热电联合优化方法 |
| CN110535185A (zh) * | 2019-08-09 | 2019-12-03 | 东北电力大学 | 一种考虑需求响应的含光热电站多源优化运行方法 |
| CN110556822A (zh) * | 2019-08-13 | 2019-12-10 | 常州大学 | 一种含电动汽车消纳大规模风电机组的组合计算方法 |
| CN110796373A (zh) * | 2019-10-30 | 2020-02-14 | 国网辽宁省电力有限公司阜新供电公司 | 面向风电消纳的多阶段场景生成电热***优化调度方法 |
| CN110912120A (zh) * | 2019-11-26 | 2020-03-24 | 东北电力大学 | 考虑可再生能源发电不确定性和用户热舒适性的综合能源***优化调度方法 |
| CN111291942A (zh) * | 2020-03-05 | 2020-06-16 | 燕山大学 | 一种考虑需求响应的综合能源***两阶段调度方法及*** |
| CN111614121A (zh) * | 2020-06-04 | 2020-09-01 | 四川大学 | 考虑需求响应的含电动汽车的多能源园区日前经济调度方法 |
| CN111640044A (zh) * | 2020-06-03 | 2020-09-08 | 国网浙江省电力有限公司湖州供电公司 | 一种考虑虚拟储能的综合能源***dg消纳策略研究方法 |
-
2020
- 2020-12-30 CN CN202011618568.1A patent/CN112668791A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734350A (zh) * | 2018-05-17 | 2018-11-02 | 燕山大学 | 一种含微电网的配电网独立与联合调度的求解方法 |
| CN110165665A (zh) * | 2019-05-29 | 2019-08-23 | 长沙理工大学 | 一种基于改进多目标粒子群算法的源-荷-储调度方法 |
| CN110347039A (zh) * | 2019-07-09 | 2019-10-18 | 东北大学 | 考虑用户满意度与电锅炉参与调峰的热电联合优化方法 |
| CN110535185A (zh) * | 2019-08-09 | 2019-12-03 | 东北电力大学 | 一种考虑需求响应的含光热电站多源优化运行方法 |
| CN110556822A (zh) * | 2019-08-13 | 2019-12-10 | 常州大学 | 一种含电动汽车消纳大规模风电机组的组合计算方法 |
| CN110796373A (zh) * | 2019-10-30 | 2020-02-14 | 国网辽宁省电力有限公司阜新供电公司 | 面向风电消纳的多阶段场景生成电热***优化调度方法 |
| CN110912120A (zh) * | 2019-11-26 | 2020-03-24 | 东北电力大学 | 考虑可再生能源发电不确定性和用户热舒适性的综合能源***优化调度方法 |
| CN111291942A (zh) * | 2020-03-05 | 2020-06-16 | 燕山大学 | 一种考虑需求响应的综合能源***两阶段调度方法及*** |
| CN111640044A (zh) * | 2020-06-03 | 2020-09-08 | 国网浙江省电力有限公司湖州供电公司 | 一种考虑虚拟储能的综合能源***dg消纳策略研究方法 |
| CN111614121A (zh) * | 2020-06-04 | 2020-09-01 | 四川大学 | 考虑需求响应的含电动汽车的多能源园区日前经济调度方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112096A (zh) * | 2021-05-11 | 2021-07-13 | 东北石油大学 | 石油化工企业余热供暖综合能源***优化调度方法 |
| CN113112096B (zh) * | 2021-05-11 | 2023-04-07 | 东北石油大学 | 石油化工企业余热供暖综合能源***优化调度方法 |
| CN113516306A (zh) * | 2021-07-05 | 2021-10-19 | 内蒙古工业大学 | 飞轮储能***的功率配置方法、装置、介质和电子设备 |
| CN113516306B (zh) * | 2021-07-05 | 2023-04-07 | 内蒙古工业大学 | 飞轮储能***的功率配置方法、装置、介质和电子设备 |
| CN113673754A (zh) * | 2021-08-09 | 2021-11-19 | 上海电力大学 | 一种计及柔性负荷满意度的热电联合***优化运行方法 |
| CN113673754B (zh) * | 2021-08-09 | 2024-04-26 | 上海电力大学 | 一种计及柔性负荷满意度的热电联合***优化运行方法 |
| CN113902040A (zh) * | 2021-11-15 | 2022-01-07 | 中国电力科学研究院有限公司 | 电-热综合能源***协调优化方法、***、设备及存储介质 |
| CN114037354A (zh) * | 2021-12-06 | 2022-02-11 | 河北师范大学 | 一种冷热电联供***容量优化配置的方法 |
| CN114037354B (zh) * | 2021-12-06 | 2024-06-04 | 河北师范大学 | 一种冷热电联供***容量优化配置的方法 |
| CN117674302A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
| CN117674302B (zh) * | 2024-02-01 | 2024-05-03 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
| CN107482638B (zh) | 冷热电联供型微电网多目标动态优化调度方法 | |
| CN112668791A (zh) | 热电联供***的优化方法 | |
| Saber et al. | Plug-in vehicles and renewable energy sources for cost and emission reductions | |
| Saber et al. | Efficient utilization of renewable energy sources by gridable vehicles in cyber-physical energy systems | |
| 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 | |
| CN111340274A (zh) | 一种基于虚拟电厂参与的综合能源***优化方法和*** | |
| CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
| CN109523065B (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
| CN112464477A (zh) | 计及需求响应的多能耦合综合能源运行仿真方法 | |
| CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
| CN110705776A (zh) | 能源优化调度方法 | |
| CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
| CN111681130A (zh) | 一种考虑条件风险价值的综合能源***优化调度方法 | |
| CN106786509A (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 | |
| CN112467767B (zh) | 综合能源***环境下的电动汽车并网协同控制方法 | |
| Yu et al. | The impact of charging battery electric vehicles on the load profile in the presence of renewable energy | |
| CN110796279A (zh) | 一种多能互补优化运行方法与*** | |
| Dong et al. | Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm | |
| CN112182915A (zh) | 一种协同促进风电消纳的优化调度方法及*** | |
| CN116167573A (zh) | 一种高铁站综合能源需求响应优化调度方法及相关装置 | |
| CN116468215A (zh) | 计及源荷不确定性的综合能源***调度方法及装置 | |
| CN112883630A (zh) | 用于风电消纳的多微网***日前优化经济调度方法 | |
| CN116502921A (zh) | 一种园区综合能源***优化管理***及其协调调度方法 | |
| Zhang et al. | Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |