CN112671028B - 一种考虑热网动态特性的综合能源***风电消纳方法 - Google Patents

一种考虑热网动态特性的综合能源***风电消纳方法 Download PDF

Info

Publication number
CN112671028B
CN112671028B CN202011360971.9A CN202011360971A CN112671028B CN 112671028 B CN112671028 B CN 112671028B CN 202011360971 A CN202011360971 A CN 202011360971A CN 112671028 B CN112671028 B CN 112671028B
Authority
CN
China
Prior art keywords
heat
unit
model
error rate
prediction error
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
Application number
CN202011360971.9A
Other languages
English (en)
Other versions
CN112671028A (zh
Inventor
王雅宾
田宏哲
罗凯
麻红波
张澈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202011360971.9A priority Critical patent/CN112671028B/zh
Publication of CN112671028A publication Critical patent/CN112671028A/zh
Application granted granted Critical
Publication of CN112671028B publication Critical patent/CN112671028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/17—District heating
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种考虑热网动态特性的综合能源***风电消纳方法，包括构建综合能源***的数学模型；搜集风电机组的历史数据，计算并筛选出具有代表性的场景；构建综合能源***的优化调度模型，以综合能源***的数学模型为约束，利用场景模型，利用蒙特卡洛的方法进行求解，得到了综合能源***风电消纳方案。本发明对区域供热网络进行了动态建模，充分挖掘了其热迟延与热存储的动态特性，提高风电的消纳空间，在调度过程中使用了蒙特卡洛的方法来反应风电机组的发电量，体现了风电机组发电量的不确定性，减少了能源的浪费同时保持了用户的热需求与电需求，在保证电网安全的同时增加了运营者的经济效益。

Description

一种考虑热网动态特性的综合能源***风电消纳方法
技术领域
本发明涉及能源***技术领域，尤其涉及一种考虑区域供热网络动态特性的综合能源***风电消纳方法，以及相应的存储介质。
背景技术
为了解决环境问题，坚持可持续的发展战略，我国近年来大力发展风电。与传统的火电相比，风电不会产生温室气体等有害排放，同时不消耗化石能源储备，符合可持续发展的理念。但风电的发电量具有不确定性，其发电量受到风速等不可控的环境因素的影响，直接将风电接入电网，其不确定性的特点可能威胁到电网的安全稳定运行。
但是风电机组的发电量受环境因素(如风速的变化等)具有不确定性，现有的预测技术无法完成绝对准确的预测，需要可控的发电单元(如火电机组等)与之协调配合，在风电机组的发电量与预测值产生偏差时及时进行调整与补充，使整个综合能源***的功率输出保持平稳，能够稳定的满足***的用户负荷。
我国北方长期存在冬季“以热定电”的热电联产机组运行模式，在此情况下热电联产机组作为综合能源***的一个重要组成部分，其发电量长期被热负荷所制约，进一步挤占了风电在综合能源***中的消纳空间。
因此，如何能够考虑热网动态特性，实现发电单元与热网的协调配合，保持电网运行的平稳，提高对风电的消纳能力成为现有技术亟需解决的技术问题。
发明内容
本发明的目的在于提出一种考虑热网动态特性的综合能源***风电消纳方法，基于综合能源***中热网热迟延和热存储两大动态特性，建立综合能源***的整体模型，通过蒙特卡洛方法进行不确定性调度，给出综合能源***的调度方案，提高综合能源***中风电的消纳能力。
为达此目的，本发明采用以下技术方案：
一种考虑热网动态特性的综合能源***风电消纳方法，其特征在于，包括如下步骤：
综合能源***数学模型建立步骤S110：
基于综合能源***的物理结构，构建综合能源***的数学模型，所述综合能源***的数学模型包括含有热电联产机组模型的发电侧单元模型、电热泵及储热装置的热电转换单元模型和区域供热网络模型，考虑电能与热能的耦合互补关系，采用热电比拟的方法对电热泵及储热装置与区域供热网络进行建模，采用热势、热阻来描述，使其与电能部分的电势、电阻进行统一，反应热网动态特性对综合能源***的影响；
基于风电机组的场景矩阵的生成和筛选步骤S120：
搜集风电机组的历史数据，所述历史数据包括风电发电量的历史预测值和历史测量值，对所述历史数据进行标准化处理，利用处理后的数据计算历史预测误差率，去除历史误差率中的异常样本点，将误差率利用对数变化进行值域变换，利用变换后的均值与方差生成风电发电量误差的概率分布，从概率分布中生成场景，利用场景缩减的方法对风电发电量误差场景进行筛选，选出具有代表性的场景；
综合能源***的优化调度模型构建及求解步骤S130：
构建综合能源***的优化调度模型，所述优化调度模型以能源消耗最低为目标函数，以步骤S110中构建的综合能源***各物理结构部分的数学模型为约束条件，利用步骤S120中筛选出的具有代表性的场景模型，利用蒙特卡洛的方法对所述优化调度模型进行求解，得到了综合能源***风电消纳方案。
可选的，所述步骤S110包括：
综合能源***的发电侧单元模型构建子步骤S111:
所述发电侧单元模型包括普通火电机组模型、抽凝式热电联产机组模型、背压式热电联产机组模型及储电单元模型中的一个或多个，根据机组参数特征建立发电侧单元模型，所述发电侧单元模型依据机组工作原理，包含机组的启停状态约束、机组的爬坡限幅约束、机组的容量大小约束、储电单元的容量约束的储电单元的充放电速率约束中的一个或多个；
电、热转换单元模型构建子步骤S112：
设计一储热装置，所述储热装置设立在热电联产电厂，产生的热量和电热泵产生的热量均先通过内部管道加热储水罐中的热水，再利用该热水加热区域供热***一次管网的冷端回水，通过热电比拟方法利用传热过程两物体之间的温度差值作为势能来源，除以两物体之间的等效热阻，得到两物体传热的热交换功率；
区域供热网络模型构建子步骤S113：
所述区域供热网络模型包含一次管道模型、区域换热站模型、二次管道模型和热用户模型，区域供热网络模型由热介质动量守恒方程、热介质能量守恒方程和热介质质量守恒方程组成，由守恒方程可推导得出区域供热网络的热电比拟模型。
可选的，所述基于风电机组的场景矩阵的生成和筛选步骤S120具体包括：
历史数据收集子步骤S121：获得风电机组的历史预测数据和实时测量数据，对数据进行处理。计算预测误差率，去除异常数据，将误差率进行对数，并在映射后的值域尺度上求取误差率的均值与方差；
预测误差率概率分布函数生成子步骤S122：根据子步骤S121中求取的周前预测误差率的均值与方差，假定其误差率服从正态分布，进行数据拟合得到周前预测误差率的概率分布函数，同理，分别得到日前预测误差率的概率分布函数和小时前预测误差率的概率分布函数；
场景矩阵生成分解子步骤S123：将子步骤S122中得到的概率分布函数分成等概率区间，对任意概率区间随机抽取采样点，利用反函数，求解分布函数的样本值，利用Cholesky分解重新生成顺序，降低场景集矩阵中样本值之间得相关性，得到各场景之间较为独立的日前预测误差率场景集，所述场景集为矩阵形式；
代表性误差率场景集筛选得出子步骤S124：初始化子步骤S123中得到的场景概率，计算场景之间的距离，根据最近距离计算该组场景之间的概率距离,在子步骤S123中生成的场景集中，找出概率距离最近的一组进行合并,保留其中一个场景，对应概率和场景集中场景总数,重复该计算筛选过程，直至剩余期望场景，为具有代表性的误差率场景集。
可选的，所述综合能源***的发电侧单元模型构建子步骤S111具体为:
构建第j台热电联产机组的模型，该热电联产机组为抽凝式热电联产机组，发电过程中从中压缸末级进行抽汽，通过改变抽汽量的大小调整供热比例，根据热电联产机组的运行关键参数，构建如下模型：
Figure BDA0002803896180000041
式中，
Figure BDA0002803896180000042
为热电联产机组运行状态下的最小发电量下限，
Figure BDA0002803896180000043
为热电联产机组运行状态下的最大发电量上限，
Figure BDA0002803896180000044
为热电联产机组的实际发电量，
Figure BDA0002803896180000045
为热电联产机组运行状态的标识位，0表示热电联产机组处于停机状态，1则表示热电联产机组处于开机状态，下角标t标识了该热电联产机组运行或停机于时间区间t，此处为一小时，
Figure BDA0002803896180000051
表示热电联产机组集合，
Figure BDA0002803896180000052
表示调度时间区间，该公式约束限制了热电联产机组运行状态下的发电量上下限；
Figure BDA0002803896180000053
式中，
Figure BDA0002803896180000054
表示热电联产机组实际发电量在相邻的两个小时内的变化量，
Figure BDA0002803896180000055
为热电联产机组在运行状态下的发电量爬坡幅度限制，
Figure BDA0002803896180000056
为热电联产机组从停机状态变为开机状态的发电量变化幅度限制，
Figure BDA0002803896180000057
为热电联产机组的启动标识位，1表示该时刻热电联产机组从停机状态启动，0则反之，该公式构成了热电联产机组的爬坡约束；
Figure BDA0002803896180000058
Figure BDA0002803896180000059
表示热电联产机组在运行状态下的发电量滑坡幅度限制，
Figure BDA00028038961800000510
表示热电联产机组从开机状态变为停机状态的发电量变化幅度限制，
Figure BDA00028038961800000511
表示热电联产机组的关停标识位，该式构成了热电联产机组的滑坡约束，其它符号含义与上式相同，此处不再赘述。
考虑热电联产机组为抽凝式机组，利用中压缸末级抽气进行供热，则热电联产机组的热电关系如下：
Figure BDA00028038961800000512
Figure BDA00028038961800000513
式中，
Figure BDA00028038961800000514
为热电联产机组的发电量，
Figure BDA00028038961800000515
为热电联产机组的产热量，αchp,max为热电联产机组的热电比上限。
储电单元的容量约束、储电单元的充放电速率约束为：
Figure BDA0002803896180000061
Figure BDA0002803896180000062
Figure BDA0002803896180000063
式中，
Figure BDA0002803896180000064
为储电单元的储电量大小，Smax为储电单元的储电量上限，Smin为储电单元的储电量下限，
Figure BDA0002803896180000065
为储电单元的充电速率，
Figure BDA0002803896180000066
为储电单元的最大充电速率，
Figure BDA0002803896180000067
为储电单元的放电速率，
Figure BDA0002803896180000068
为储电单元的最大放电速率。
所述电、热转换单元模型构建子步骤S112具体为：
***中热能来源为两部分，包括抽凝式热电联产机组的产热与电热泵的产热，两者产热均以消耗电能为代价，为了有效的储存能量并实现热量的持续平稳输出，设计一储热装置，所述储热装置设立在热电联产电厂，由一大型储水罐及相关部件组成，抽凝式热电联产机组产生的热量和电热泵产生的热量均先通过内部管道加热储水罐中的热水，再利用该热水加热区域供热***一次管网的冷端回水。通过储水罐的设计，可以缓冲热量的传递过程，使一次管网给水温度输入更加平稳。该部分的热电比拟模型如下：
Figure BDA0002803896180000069
Figure BDA00028038961800000610
Figure BDA00028038961800000611
式中：Mw为储水罐内热水的总质量，cw为储水罐内热水的比热容，Hloss为耗散热量，由储水罐内热水温度Tw和环境温度To的温度差与耗散热阻Ro的比值得到，Tout为低品位热源温度，R为电热泵热阻，DEH为储水罐的整体热容，HHP为由电热泵产生的热能，PHP为电热泵制热所消耗的电功率。
区域供热网络模型构建子步骤S113具体为：
所构建的热电比拟模型具体为：
Figure BDA0002803896180000071
Figure BDA0002803896180000072
Figure BDA0002803896180000073
式中：x为空间坐标，单位为m；t为时间坐标，单位为s；ρ为流体密度，单位为kg/m3；u为沿x方向上的速度，单位为m/s。p为压力，单位为Pa；gx为重力加速度，单位为m/s2；Fw为壁面摩擦力，单位为N。h为流体比焓，单位为kJ/kg；Qw为壁面热流量，单位为W/m2。
可选的，所述基于风电机组的场景矩阵的生成和筛选步骤S120具体为：
所述历史数据收集子步骤S121为：获得风电机组的历史周前预测数据、日前预测数据、小时前预测数据和实时测量数据，对数据进行处理，统一量纲并去除异常点数据，分别计算周前预测误差、日前预测误差与小时前预测误差率，再次进行筛选去除异常的误差率数据，将误差率数据进行对数变换，将其值域由[0,1]映射到[-∞,+∞]，并在映射后的值域尺度上分别求取周前预测误差率、日前预测误差率与小时前预测误差率的均值与方差；
所述预测误差率概率分布函数生成子步骤S122为：根据子步骤S121中求取的周前预测误差率的均值与方差，假定其误差率服从正态分布，进行数据拟合得到周前预测误差率的概率分布函数，同理，分别得到日前预测误差率的概率分布函数和小时前预测误差率的概率分布函数；
所述场景矩阵生成分解子步骤S123：将子步骤S122中得到的日前预测误差率概率分布函数F分成N个等概率区间，对任意一个概率区间随机抽取一个采样点，利用F的反函数，求解的带服从概率区间的日前预测误差率分布函数的样本值，对周前预测误差率概率分布函数和小时前预测误差率概率分布函数同理，利用Cholesky分解的方法对日前预测误差率场景集重新生成顺序，降低场景集矩阵中样本值之间得相关性，得到各场景之间较为独立的日前预测误差率场景集，所述场景集为矩阵形式。
代表性误差率场景集筛选得出子步骤S124：初始化子步骤S123中得到的每一场景概率为相同值，计算任意两个场景Ci与Cj二者之间的欧几里得距离，确定场景Ck与场景Ci之间的欧几里得距离是最近的，根据此最近距离计算该组场景之间的概率距离，该概率距离即所述欧几里得距离与概率的乘积，在子步骤S123中生成的日前预测误差率场景集中，找出概率距离最接近的一组场景，认为该组场景是具有近似的特征进行合并，只保留其中一个场景，并删除其余的场景，并更新保留场景的对应概率和场景集中场景总数，重复上述计算筛选过程，直至剩余期望的k个场景，为具有代表性的k个日前预测误差率场景集，对于周前预测误差率场景集和小时前预测误差率场景集按照同样的方式进行计算筛选。
可选的，在综合能源***的优化调度模型构建及求解步骤S130中：
使用蒙特卡洛法进行优化调度，以能源消耗最少为目标函数，以S110中构建的综合能源***模型为约束条件，以S120中生成的独立风电单元发电量日前预测误差率、周前预测误差率、小时前预测误差率为输入场景集，构建基于场景的不确定性优化调度问题，该问题的目标函数为：
Figure BDA0002803896180000081
式中：κ为步骤S125中生成的场景集，
Figure BDA0002803896180000091
为该机组启动消耗的燃料量，
Figure BDA0002803896180000092
为该机组关闭消耗的燃料量，
Figure BDA0002803896180000093
为机组运行状态下的最小燃料量消耗，Q(y,ξ)为与机组发电量对应的燃料量消耗函数，求解得到综合能源***风电消纳方案。
可选的，所述风电机组的历史数据具体包含：周前预测数据、日前预测数据、小时前预测数据和及其这三者的实时测量数据。
本发明进一步公开了一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行上述的基于主题数据的考虑热网动态特性的综合能源***风电消纳方法。
本发明利用热电比拟的方法构建了能反应区域供热网络热迟延和热存储两大动态特性的模型，利用蒙特卡洛方法对风电误差率的场景进行了分析，提出了一种利用热网动态特性对综合能源***中的风电进行消纳的方法。
本发明在尽量不改变原有综合能源***结构的前提下，对区域供热网络进行了动态建模，充分挖掘了其热迟延与热存储的动态特性，利用该特性在综合能源***调度的过程中可以提高风电的消纳空间，在调度过程中使用了蒙特卡洛的方法来反应风电机组的发电量，体现了风电机组发电量的不确定性，减少了能源的浪费同时保持了用户的热需求与电需求，在保证电网安全的同时增加了运营者的经济效益。
附图说明
图1是根据本发明具体实施例的考虑热网动态特性的综合能源***风电消纳方法的流程图；
图2是根据本发明具体实施例的综合能源***数学模型建立步骤的具体子步骤；
图3是根据本发明具体实施例的基于风电机组的场景矩阵的生成和筛选步骤的具体子步骤。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明在于：为了保持电网运行的稳定，可构建综合能源***，将不可控的风电机组与可控的包括热电联产机组在内火电机组综合成为一个整体的***参与能量调度，同时考虑***中存在的电能和热能两种能量。热能与电能具有不同的能量性质，电能容易传输但不易存储，热能容易存储但不宜传输，利用热能和电能协同互补的特性，可以促进***中风电的消纳，减少弃风等现象的产生。
综合能源***是指一定区域内利用先进的物理信息技术和创新管理模式，整合区域内电能、热能等多种能源，实现多种异质能源子***之间的协调规划、优化运行，协同管理、交互响应和互补互济。在满足***内多元化用能需求的同时，要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源***。
具体的，参见图1，示出了考虑热网动态特性的综合能源***风电消纳方法的流程图，具体包括如下步骤：
综合能源***数学模型建立步骤S110：
基于综合能源***的物理结构，构建综合能源***的数学模型，所述综合能源***的数学模型包括含有热电联产机组模型的发电侧单元模型、电热泵及储热装置的热电转换单元模型和区域供热网络模型，考虑电能与热能的耦合互补关系，采用热电比拟的方法对电热泵及储热装置与区域供热网络进行建模，采用热势、热阻来描述，使其与电能部分的电势、电阻进行统一，反应热网动态特性对综合能源***的影响。
基于风电机组的场景矩阵的生成和筛选步骤S120：
搜集风电机组的历史数据，所述历史数据包括风电发电量的历史预测值和历史测量值，对所述历史数据进行标准化处理，利用处理后的数据计算历史预测误差率，去除历史误差率中的异常样本点，将误差率利用对数变化进行值域变换，利用变换后的均值与方差生成风电发电量误差的概率分布，从概率分布中生成场景，利用场景缩减的方法对风电发电量误差场景进行筛选，选出具有代表性的场景。
综合能源***的优化调度模型构建及求解步骤S130：
构建综合能源***的优化调度模型，所述优化调度模型以能源消耗最低为目标函数，以步骤S110中构建的综合能源***各物理结构部分的数学模型为约束条件，利用步骤S120中筛选出的具有代表性的场景模型，利用蒙特卡洛的方法对所述优化调度模型进行求解，得到了综合能源***风电消纳方案。
在一个具体的实施例中，所述风电机组的历史数据具体包含：周前预测数据、日前预测数据、小时前预测数据和及其这三者的实时测量数据。
具体的，所述步骤S110包括：
综合能源***的发电侧单元模型构建子步骤S111:
所述发电侧单元模型包括普通火电机组模型、抽凝式热电联产机组模型、背压式热电联产机组模型及储电单元模型中的一个或多个，根据机组参数特征建立发电侧单元模型，所述发电侧单元模型依据机组工作原理，包含机组的启停状态约束、机组的爬坡限幅约束、机组的容量大小约束、储电单元的容量约束和储电单元的充放电速率约束中的一个或多个。
电、热转换单元模型构建子步骤S112：
以消耗电能为代价产生热能，为了有效的储存能量并实现热量的持续平稳输出，设计一储热装置，所述储热装置设立在热电联产电厂，由一大型储水罐及相关部件组成,产生的热量和电热泵产生的热量均先通过内部管道加热储水罐中的热水，再利用该热水加热区域供热***一次管网的冷端回水。
通过储水罐的设计，可以缓冲热量的传递过程，使一次管网给水温度输入更加平稳。热电比拟方法利用传热过程两物体之间的温度差值作为势能来源，除以两物体之间的等效热阻，可以得到两物体传热的热交换功率。
区域供热网络模型构建子步骤S113：
所述区域供热网络模型包含一次管道模型、区域换热站模型、二次管道模型和热用户模型，区域供热网络模型由热介质动量守恒方程、热介质能量守恒方程和热介质质量守恒方程组成，由守恒方程可推导得出区域供热网络的热电比拟模型。
在一个具体的实施例中：
所述综合能源***的发电侧单元模型构建子步骤S111具体为:
构建第j台热电联产机组的模型，该热电联产机组为抽凝式热电联产机组，发电过程中从中压缸末级进行抽汽，通过改变抽汽量的大小调整供热比例，根据热电联产机组的运行关键参数，构建如下模型：
Figure BDA0002803896180000121
式中，
Figure BDA0002803896180000122
为热电联产机组运行状态下的最小发电量下限，
Figure BDA0002803896180000123
为热电联产机组运行状态下的最大发电量上限，
Figure BDA0002803896180000124
为热电联产机组的实际发电量，
Figure BDA0002803896180000125
为热电联产机组运行状态的标识位，0表示热电联产机组处于停机状态，1则表示热电联产机组处于开机状态，下角标t标识了该热电联产机组运行或停机于时间区间t，此处为一小时，
Figure BDA0002803896180000126
表示热电联产机组集合，
Figure BDA0002803896180000127
表示调度时间区间该公式约束限制了热电联产机组运行状态下的发电量上下限；
Figure BDA0002803896180000131
式中，
Figure BDA0002803896180000132
表示热电联产机组实际发电量在相邻的两个小时内的变化量，
Figure BDA0002803896180000133
为热电联产机组在运行状态下的发电量爬坡幅度限制，
Figure BDA0002803896180000134
为热电联产机组从停机状态变为开机状态的发电量变化幅度限制，
Figure BDA0002803896180000135
为热电联产机组的启动标识位，1表示该时刻热电联产机组从停机状态启动，0则反之，该公式构成了热电联产机组的爬坡约束；
Figure BDA0002803896180000136
Figure BDA0002803896180000137
表示热电联产机组在运行状态下的发电量滑坡幅度限制，
Figure BDA0002803896180000138
表示热电联产机组从开机状态变为停机状态的发电量变化幅度限制，
Figure BDA0002803896180000139
表示热电联产机组的关停标识位，该式构成了热电联产机组的滑坡约束，其它符号含义与上式相同，此处不再赘述。
考虑热电联产机组为抽凝式机组，利用中压缸末级抽气进行供热，则热电联产机组的热电关系如下：
Figure BDA00028038961800001310
Figure BDA00028038961800001311
式中，
Figure BDA00028038961800001312
为热电联产机组的发电量，
Figure BDA00028038961800001313
为热电联产机组的产热量，αchp,max为热电联产机组的热电比上限。
储电单元的容量约束、储电单元的充放电速率约束为：
Figure BDA0002803896180000141
Figure BDA0002803896180000142
Figure BDA0002803896180000143
式中，
Figure BDA0002803896180000144
为储电单元的储电量大小，Smax为储电单元的储电量上限，Smin为储电单元的储电量下限，
Figure BDA0002803896180000145
为储电单元的充电速率，
Figure BDA0002803896180000146
为储电单元的最大充电速率，
Figure BDA0002803896180000147
为储电单元的放电速率，
Figure BDA0002803896180000148
为储电单元的最大放电速率。
所述电、热转换单元模型构建子步骤S112具体为：
***中热能来源为两部分，包括抽凝式热电联产机组的产热与电热泵的产热，两者产热均以消耗电能为代价，为了有效的储存能量并实现热量的持续平稳输出，设计一储热装置，所述储热装置设立在热电联产电厂，由一大型储水罐及相关部件组成，抽凝式热电联产机组产生的热量和电热泵产生的热量均先通过内部管道加热储水罐中的热水，再利用该热水加热区域供热***一次管网的冷端回水。通过储水罐的设计，可以缓冲热量的传递过程，使一次管网给水温度输入更加平稳。该部分的热电比拟模型如下：
Figure BDA0002803896180000149
Figure BDA00028038961800001410
Figure BDA00028038961800001411
式中：Mw为储水罐内热水的总质量，cw为储水罐内热水的比热容，Hloss为耗散热量，由储水罐内热水温度Tw和环境温度To的温度差与耗散热阻Ro的比值得到，Tout为低品位热源温度，R为电热泵热阻，DEH为储水罐的整体热容，HHP为由电热泵产生的热能，PHP为电热泵制热所消耗的电功率。
区域供热网络模型构建子步骤S113具体为：
所构建的热电比拟模型具体为：
Figure BDA0002803896180000151
Figure BDA0002803896180000152
Figure BDA0002803896180000153
式中：x为空间坐标，单位为m；t为时间坐标，单位为s；ρ为流体密度，单位为kg/m3；u为沿x方向上的速度，单位为m/s。p为压力，单位为Pa；gx为重力加速度，单位为m/s2；Fw为壁面摩擦力，单位为N。h为流体比焓，单位为kJ/kg；Qw为壁面热流量，单位为W/m2。
参见图3，所述基于风电机组的场景矩阵的生成和筛选步骤S120具体包括：
历史数据收集子步骤S121：获得风电机组的历史预测数据和实时测量数据，对数据进行处理。计算预测误差率，去除异常数据，将误差率进行对数，并在映射后的值域尺度上求取误差率的均值与方差。
预测误差率概率分布函数生成子步骤S122：根据子步骤S121中求取的周前预测误差率的均值与方差，假定其误差率服从正态分布，进行数据拟合得到周前预测误差率的概率分布函数，同理，分别得到日前预测误差率的概率分布函数和小时前预测误差率的概率分布函数。
场景矩阵生成分解子步骤S123：将子步骤S122中得到的概率分布函数分成等概率区间，对任意概率区间随机抽取采样点，利用反函数，求解分布函数的样本值，利用Cholesky分解重新生成顺序，降低场景集矩阵中样本值之间得相关性，得到各场景之间较为独立的日前预测误差率场景集，所述场景集为矩阵形式。
代表性误差率场景集筛选得出子步骤S124：初始化子步骤S123中得到的场景概率，计算场景之间的距离，根据最近距离计算该组场景之间的概率距离,在子步骤S123中生成的场景集中，找出概率距离最近的一组进行合并,保留其中一个场景，对应概率和场景集中场景总数,重复该计算筛选过程，直至剩余期望场景，为具有代表性的误差率场景集。
进一步的，所述基于风电机组的场景矩阵的生成和筛选步骤S120具体为：
所述历史数据收集子步骤S121为：获得风电机组的历史周前预测数据、日前预测数据、小时前预测数据和实时测量数据，对数据进行处理，统一量纲并去除异常点数据，分别计算周前预测误差、日前预测误差与小时前预测误差率，再次进行筛选去除异常的误差率数据，将误差率数据进行对数变换，将其值域由[0,1]映射到[-∞,+∞]，并在映射后的值域尺度上分别求取周前预测误差率、日前预测误差率与小时前预测误差率的均值与方差；
所述预测误差率概率分布函数生成子步骤S122为：根据子步骤S121中求取的周前预测误差率的均值与方差，假定其误差率服从正态分布，进行数据拟合得到周前预测误差率的概率分布函数，同理，分别得到日前预测误差率的概率分布函数和小时前预测误差率的概率分布函数；
所述场景矩阵生成分解子步骤S123：将子步骤S122中得到的日前预测误差率概率分布函数F分成N个等概率区间，对任意一个概率区间随机抽取一个采样点，利用F的反函数，求解的带服从概率区间的日前预测误差率分布函数的样本值，对周前预测误差率概率分布函数和小时前预测误差率概率分布函数同理，利用Cholesky分解的方法对日前预测误差率场景集重新生成顺序，降低场景集矩阵中样本值之间得相关性，得到各场景之间较为独立的日前预测误差率场景集，所述场景集为矩阵形式。
代表性误差率场景集筛选得出子步骤S124：初始化子步骤S123中得到的每一场景概率为相同值，计算任意两个场景Ci与Cj二者之间的欧几里得距离，确定场景Ck与场景Ci之间的欧几里得距离是最近的，根据此最近距离计算该组场景之间的概率距离，该概率距离即所述欧几里得距离与概率的乘积，在子步骤S123中生成的日前预测误差率场景集中，找出概率距离最接近的一组场景，认为该组场景是具有近似的特征进行合并，只保留其中一个场景，并删除其余的场景，并更新保留场景的对应概率和场景集中场景总数，重复上述计算筛选过程，直至剩余期望的k个场景，为具有代表性的k个日前预测误差率场景集，对于周前预测误差率场景集和小时前预测误差率场景集按照同样的方式进行计算筛选。
在综合能源***的优化调度模型构建及求解步骤S130中：
使用蒙特卡洛法进行优化调度，以能源消耗最少为目标函数，以S110中构建的综合能源***模型为约束条件，以S120中生成的独立风电单元发电量预测误差率为输入场景集，构建基于场景的不确定性优化调度问题。
具体的，
使用蒙特卡洛法进行优化调度，以能源消耗最少为目标函数，以S110中构建的综合能源***模型为约束条件，以S120中生成的独立风电单元发电量日前预测误差率、周前预测误差率、小时前预测误差率为输入场景集，构建基于场景的不确定性优化调度问题，该问题的目标函数为：
Figure BDA0002803896180000181
式中：κ为步骤S125中生成的场景集，
Figure BDA0002803896180000182
为该机组启动消耗的燃料量，
Figure BDA0002803896180000183
为该机组关闭消耗的燃料量，
Figure BDA0002803896180000184
为机组运行状态下的最小燃料量消耗，Q(y,ξ)为与机组发电量对应的燃料量消耗函数。
本发明中，通过现有的求解工具可对该不确定性优化调度问题进行求解，由于S110中构建的模型反应了热网的动态特性，故该求解结果考虑到了热网热迟延和热存储的动态特性对综合能源***调度过程的影响，利用热网的动态特性，降低了综合能源***的能源消耗量，提高了综合能源***中的风电利用率，带来了环保效益与经济价值。
本发明进一步公开了一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行上述的基于主题数据的考虑热网动态特性的综合能源***风电消纳方法。
因此，本发明利用热电比拟的方法构建了能反应区域供热网络热迟延和热存储两大动态特性的模型，利用蒙特卡洛方法对风电误差率的场景进行了分析，提出了一种利用热网动态特性对综合能源***中的风电进行消纳的方法。
本发明在尽量不改变原有综合能源***结构的前提下，对区域供热网络进行了动态建模，充分挖掘了其热迟延与热存储的动态特性，利用该特性在综合能源***调度的过程中可以提高风电的消纳空间，在调度过程中使用了蒙特卡洛的方法来反应风电机组的发电量，体现了风电机组发电量的不确定性，减少了能源的浪费同时保持了用户的热需求与电需求，在保证电网安全的同时增加了运营者的经济效益。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

Claims (6)

1.一种考虑热网动态特性的综合能源***风电消纳方法，其特征在于，包括如下步骤：
综合能源***数学模型建立步骤S110：
基于综合能源***的物理结构，构建综合能源***的数学模型，所述综合能源***的数学模型包括含有热电联产机组模型的发电侧单元模型、电热泵及储热装置的热电转换单元模型和区域供热网络模型，考虑电能与热能的耦合互补关系，采用热电比拟的方法对电热泵及储热装置与区域供热网络进行建模，采用热势、热阻来描述，使其与电能部分的电势、电阻进行统一，反应热网动态特性对综合能源***的影响；
基于风电机组的场景矩阵的生成和筛选步骤S120：
搜集风电机组的历史数据，所述历史数据包括风电发电量的历史预测值和历史测量值，对所述历史数据进行标准化处理，利用处理后的数据计算历史预测误差率，去除历史预测误差率中的异常样本点，将历史预测误差率利用对数变化进行值域变换，利用变换后的均值与方差生成风电发电量误差的概率分布，从概率分布中生成场景，利用场景缩减的方法对风电发电量误差场景进行筛选，选出具有代表性的场景；
综合能源***的优化调度模型构建及求解步骤S130：
构建综合能源***的优化调度模型，所述优化调度模型以能源消耗最低为目标函数，以步骤S110中构建的综合能源***各物理结构部分的数学模型为约束条件，利用步骤S120中筛选出的具有代表性的场景模型，利用蒙特卡洛的方法对所述优化调度模型进行求解，得到了综合能源***风电消纳方案；
所述步骤S110包括：
综合能源***的发电侧单元模型构建子步骤S111:
所述发电侧单元模型包括普通火电机组模型、抽凝式热电联产机组模型、背压式热电联产机组模型及储电单元模型中的一个或多个，根据机组参数特征建立发电侧单元模型，所述发电侧单元模型依据机组工作原理，包含机组的启停状态约束、机组的爬坡限幅约束、机组的容量大小约束、储电单元的容量约束和储电单元的充放电速率约束中的一个或多个；
电、热转换单元模型构建子步骤S112：
设计一储热装置，所述储热装置设立在热电联产电厂，产生的热量和电热泵产生的热量均先通过内部管道加热储水罐中的热水，再利用该热水加热区域供热***一次管网的冷端回水，通过热电比拟方法利用传热过程两物体之间的温度差值作为势能来源，除以两物体之间的等效热阻，得到两物体传热的热交换功率；
区域供热网络模型构建子步骤S113：
所述区域供热网络模型包含一次管道模型、区域换热站模型、二次管道模型和热用户模型，区域供热网络模型由热介质动量守恒方程、热介质能量守恒方程和热介质质量守恒方程组成，由守恒方程可推导得出区域供热网络的热电比拟模型；
所述综合能源***的发电侧单元模型构建子步骤S111具体为:
构建第j台热电联产机组的模型，该热电联产机组为抽凝式热电联产机组，发电过程中从中压缸末级进行抽汽，通过改变抽汽量的大小调整供热比例，根据热电联产机组的运行关键参数，构建如下模型：
Figure FDA0003872787880000021
式中，
Figure FDA0003872787880000022
为热电联产机组运行状态下的最小发电量下限，
Figure FDA0003872787880000023
为热电联产机组运行状态下的最大发电量上限，
Figure FDA0003872787880000024
为热电联产机组的实际发电量，
Figure FDA0003872787880000025
为热电联产机组运行状态的标识位，0表示热电联产机组处于停机状态，1则表示热电联产机组处于开机状态，下角标t标识了该热电联产机组运行或停机于时间区间t，此处为一小时，Nchp表示热电联产机组集合，T表示调度时间区间，该公式约束限制了热电联产机组运行状态下的发电量上下限；
Figure FDA0003872787880000031
式中，
Figure FDA0003872787880000032
表示热电联产机组实际发电量在相邻的两个小时内的变化量，
Figure FDA0003872787880000033
为热电联产机组在运行状态下的发电量爬坡幅度限制，
Figure FDA0003872787880000034
为热电联产机组从停机状态变为开机状态的发电量变化幅度限制，
Figure FDA0003872787880000035
为热电联产机组的启动标识位，1表示该时刻热电联产机组从停机状态启动，0则反之，该公式构成了热电联产机组的爬坡约束；
Figure FDA0003872787880000036
Figure FDA0003872787880000037
表示热电联产机组在运行状态下的发电量滑坡幅度限制，
Figure FDA0003872787880000038
表示热电联产机组从开机状态变为停机状态的发电量变化幅度限制，
Figure FDA0003872787880000039
表示热电联产机组的关停标识位，该式构成了热电联产机组的滑坡约束；
考虑热电联产机组为抽凝式机组，利用中压缸末级抽气进行供热，则热电联产机组的热电关系如下：
Figure FDA00038727878800000310
Figure FDA00038727878800000311
式中，
Figure FDA00038727878800000312
为热电联产机组的发电量，
Figure FDA00038727878800000313
为热电联产机组的产热量，αchp,max为热电联产机组的热电比上限；
储电单元的容量约束、储电单元的充放电速率约束为：
Figure FDA0003872787880000041
Figure FDA0003872787880000042
Figure FDA0003872787880000043
式中，
Figure FDA0003872787880000044
为储电单元的储电量大小，Smax为储电单元的储电量上限，Smin为储电单元的储电量下限，
Figure FDA0003872787880000045
为储电单元的充电速率，
Figure FDA0003872787880000046
为储电单元的最大充电速率，
Figure FDA0003872787880000047
为储电单元的放电速率，
Figure FDA0003872787880000048
为储电单元的最大放电速率；
所述电、热转换单元模型构建子步骤S112具体为：
***中热能来源为两部分，包括抽凝式热电联产机组的产热与电热泵的产热，两者产热均以消耗电能为代价，为了有效的储存能量并实现热量的持续平稳输出，设计一储热装置，所述储热装置设立在热电联产电厂，由一大型储水罐及相关部件组成，抽凝式热电联产机组产生的热量和电热泵产生的热量均先通过内部管道加热储水罐中的热水，再利用该热水加热区域供热***一次管网的冷端回水；通过储水罐的设计，可以缓冲热量的传递过程，使一次管网给水温度输入更加平稳；该部分的热电比拟模型如下：
Figure FDA0003872787880000049
Figure FDA00038727878800000410
Figure FDA00038727878800000411
式中：Mw为储水罐内热水的总质量，cw为储水罐内热水的比热容，Hloss为耗散热量，由储水罐内热水温度Tw和环境温度To的温度差与耗散热阻Ro的比值得到，Tout为低品位热源温度，R为电热泵热阻，DEH为储水罐的整体热容，HHP为由电热泵产生的热能，PHP为电热泵制热所消耗的电功率；
区域供热网络模型构建子步骤S113具体为：
所构建的热电比拟模型具体为：
Figure FDA0003872787880000051
Figure FDA0003872787880000052
Figure FDA0003872787880000053
式中：x为空间坐标，单位为m；t为时间坐标，单位为s；ρ为流体密度，单位为kg/m3；u为沿x方向上的速度，单位为m/s；p为压力，单位为Pa；gx为重力加速度，单位为m/s2；Fw为壁面摩擦力，单位为N；h为流体比焓，单位为kJ/kg；Qw为壁面热流量，单位为W/m2。
2.根据权利要求1所述的一种考虑热网动态特性的综合能源***风电消纳方法，其特征在于：
所述基于风电机组的场景矩阵的生成和筛选步骤S120具体包括：
历史数据收集子步骤S121：获得风电机组的历史预测数据和实时测量数据，对数据进行处理；计算历史预测误差率，去除异常数据，将历史预测误差率进行对数变换，并在映射后的值域尺度上求取历史预测误差率的均值与方差；
历史预测误差率概率分布函数生成子步骤S122：根据子步骤S121中求取的周前预测误差率的均值与方差，假定其误差率服从正态分布，进行数据拟合得到周前预测误差率的概率分布函数，同理，分别得到日前预测误差率的概率分布函数和小时前预测误差率的概率分布函数；
场景矩阵生成分解子步骤S123：将子步骤S122中得到的概率分布函数分成等概率区间，对任意概率区间随机抽取采样点，利用反函数，求解分布函数的样本值，利用Cholesky分解重新生成顺序，降低场景集矩阵中样本值之间的相关性，得到各场景之间较为独立的日前预测误差率场景集，所述场景集为矩阵形式；
代表性误差率场景集筛选得出子步骤S124：初始化子步骤S123中得到的场景概率，计算场景之间的距离，根据最近距离计算该组场景之间的概率距离,在子步骤S123中生成的场景集中，找出概率距离最近的一组进行合并,保留其中一个场景，对应概率和场景集中场景总数,重复该计算筛选过程，直至剩余期望场景，为具有代表性的误差率场景集。
3.根据权利要求2所述的一种考虑热网动态特性的综合能源***风电消纳方法，其特征在于：
所述基于风电机组的场景矩阵的生成和筛选步骤S120具体为：
所述历史数据收集子步骤S121为：获得风电机组的历史周前预测数据、日前预测数据、小时前预测数据和实时测量数据，对数据进行处理，统一量纲并去除异常点数据，分别计算周前预测误差、日前预测误差与小时前预测误差率，再次进行筛选去除异常的误差率数据，将误差率数据进行对数变换，将其值域由[0,1]映射到[-∞,+∞]，并在映射后的值域尺度上分别求取周前预测误差率、日前预测误差率与小时前预测误差率的均值与方差；
所述预测误差率概率分布函数生成子步骤S122为：根据子步骤S121中求取的周前预测误差率的均值与方差，假定其误差率服从正态分布，进行数据拟合得到周前预测误差率的概率分布函数，同理，分别得到日前预测误差率的概率分布函数和小时前预测误差率的概率分布函数；
所述场景矩阵生成分解子步骤S123：将子步骤S122中得到的日前预测误差率概率分布函数F分成N个等概率区间，对任意一个概率区间随机抽取一个采样点，利用F的反函数，求解的带服从概率区间的日前预测误差率分布函数的样本值，对周前预测误差率概率分布函数和小时前预测误差率概率分布函数同理，利用Cholesky分解的方法对日前预测误差率场景集重新生成顺序，降低场景集矩阵中样本值之间的相关性，得到各场景之间较为独立的日前预测误差率场景集，所述场景集为矩阵形式；
代表性误差率场景集筛选得出子步骤S124：初始化子步骤S123中得到的每一场景概率为相同值，计算任意两个场景Ci与Cj二者之间的欧几里得距离，确定场景Ck与场景Ci之间的欧几里得距离是最近的，根据此最近距离计算该组场景之间的概率距离，该概率距离即所述欧几里得距离与概率的乘积，在子步骤S123中生成的日前预测误差率场景集中，找出概率距离最接近的一组场景，认为该组场景是具有近似的特征进行合并，只保留其中一个场景，并删除其余的场景，并更新保留场景的对应概率和场景集中场景总数，重复上述计算筛选过程，直至剩余期望的k个场景，为具有代表性的k个日前预测误差率场景集，对于周前预测误差率场景集和小时前预测误差率场景集按照同样的方式进行计算筛选。
4.根据权利要求3所述的一种考虑热网动态特性的综合能源***风电消纳方法，其特征在于：
在综合能源***的优化调度模型构建及求解步骤S130中：
使用蒙特卡洛法进行优化调度，以能源消耗最少为目标函数，以S110中构建的综合能源***模型为约束条件，以S120中生成的独立风电单元发电量日前预测误差率、周前预测误差率、小时前预测误差率为输入场景集，构建基于场景的不确定性优化调度问题，该问题的目标函数为：
Figure FDA0003872787880000081
式中：κ为步骤S124中生成的场景集，
Figure FDA0003872787880000082
为该机组启动消耗的燃料量，
Figure FDA0003872787880000083
为该机组关闭消耗的燃料量，
Figure FDA0003872787880000084
为机组运行状态下的最小燃料量消耗，Q(y,ξ)为与机组发电量对应的燃料量消耗函数，求解得到综合能源***风电消纳方案。
5.根据权利要求1-4中任意一项所述的一种考虑热网动态特性的综合能源***风电消纳方法，其特征在于：
所述风电机组的历史数据具体包含：周前预测数据、日前预测数据、小时前预测数据和及其这三者的实时测量数据。
6.一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行权利要求1-5中任意一项所述的一种考虑热网动态特性的综合能源***风电消纳方法。
CN202011360971.9A 2020-11-27 2020-11-27 一种考虑热网动态特性的综合能源***风电消纳方法 Active CN112671028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011360971.9A CN112671028B (zh) 2020-11-27 2020-11-27 一种考虑热网动态特性的综合能源***风电消纳方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011360971.9A CN112671028B (zh) 2020-11-27 2020-11-27 一种考虑热网动态特性的综合能源***风电消纳方法

Publications (2)

Publication Number Publication Date
CN112671028A CN112671028A (zh) 2021-04-16
CN112671028B true CN112671028B (zh) 2022-12-02

Family

ID=75403748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011360971.9A Active CN112671028B (zh) 2020-11-27 2020-11-27 一种考虑热网动态特性的综合能源***风电消纳方法

Country Status (1)

Country Link
CN (1) CN112671028B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283077B (zh) * 2021-05-21 2022-07-01 福州大学 考虑相关性的电-热-氢综合能源***区间能流计算方法
CN114893715B (zh) * 2022-04-02 2023-11-21 安徽宇航派蒙健康科技股份有限公司 加热控制方法及其装置、***、计算机设备和存储介质
CN114970987B (zh) * 2022-05-11 2024-07-12 昆明理工大学 基于热电比拟模型的电热综合能源***优化调度方法、***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106786509B (zh) * 2016-11-29 2019-03-26 国网陕西省电力公司电力科学研究院 大规模风电并网下基于多场景模拟的热-电联合调度方法
CN110571789B (zh) * 2018-06-06 2020-10-20 南京工程学院 数据驱动下基于风电不确定性的电热气网三阶段调度方法
CN108832665B (zh) * 2018-07-04 2021-09-07 四川大学 一种考虑风电不确定性的电热综合***分布式鲁棒协调优化调度建模方法
CN111401755B (zh) * 2020-03-19 2022-04-19 国电南瑞科技股份有限公司 基于马尔科夫链的多新能源出力场景生成方法、装置及***
CN111476407B (zh) * 2020-03-25 2021-06-15 云南电网有限责任公司 联合风电光伏电站的梯级水电站中长期隐随机调度方法

Also Published As

Publication number Publication date
CN112671028A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN112671028B (zh) 一种考虑热网动态特性的综合能源***风电消纳方法
Zhang et al. Optimal operation of integrated electricity and heat system: A review of modeling and solution methods
Pavičević et al. Hourly optimization and sizing of district heating systems considering building refurbishment–Case study for the city of Zagreb
CN111144668B (zh) 考虑场景模拟的综合能源***随机优化模型的建立方法
Zhi et al. Improved butterfly optimization algorithm for CCHP driven by PEMFC
Yan et al. Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria
Das et al. Effect of load following strategies, hardware, and thermal load distribution on stand-alone hybrid CCHP systems
Wang et al. Modelling and optimization of CHP based district heating system with renewable energy production and energy storage
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
Zhao et al. Multi-objective optimization of a hybrid system based on combined heat and compressed air energy storage and electrical boiler for wind power penetration and heat-power decoupling purposes
Liu et al. Operational flexibility and operation optimization of CHP units supplying electricity and two-pressure steam
CN104820363B (zh) 基于生物质气的冷热电联供***及能量优化控制方法
CN112862253B (zh) 考虑风电不确定性的电-气-热储能协同规划方法及***
Zhou et al. Optimization of integrated energy systems considering seasonal thermal energy storage
Chen et al. Interval optimal scheduling of integrated electricity and district heating systems considering dynamic characteristics of heating network
Cappiello et al. Modular cogeneration for hospitals: A novel control strategy and optimal design
CN112862158B (zh) 一种综合能源***日前优化调度方法及***
Taheri et al. A green cogeneration microgrid composed of water-source heat pumps, a gravity energy storage, and a bio-fueled gas turbine: Design and techno-economic optimization
Hu et al. Economic and environmental analysis of coupling waste-to-power technology to integrated energy system (IES) using a two-layer optimization method
Kapitonov et al. Principles regulation of electricity tariffs for the integrated generation of traditional and alternative energy sources
Liu et al. Research on the optimal dispatch of wind power consumption based on combined heat and power with thermal energy storage
Badyda et al. Heat Accumulator in Large District Heating Systems: Simulation and Optimisation
CN112796845A (zh) 基于orc的工业能源梯级利用供电***及方法
Ocłoń et al. Photovoltaic–Thermal Waste Heat Integration with Underground Thermal Energy Storage and Heat Pump Systems
CN115906411B (zh) 考虑全动态的电热综合能源***最优能流建模方法及***

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