CN113256045A - 考虑风光不确定性的园区综合能源***日前经济调度方法 - Google Patents

Abstract

本发明公开了一种考虑风光不确定性的园区综合能源***日前经济调度方法，首先以基础场景运行成本最小为目标函数并结合园区***相关设备及运行约束建立了考虑联合热电需求响应的两阶段可调鲁棒优化日前调度模型。由于CCG法在处理鲁棒优化模型上具有更好的计算效率，本发明应用CCG法进行求解。最后应用商业求解器Gurobi进行算例仿真，得到考虑联合热电需求响应的两阶段鲁棒优化调度策略，验证了该方法可以较好的处理***中出现的不确定性，同时可以降低园区运行成本、促进新能源的消纳。

Description

考虑风光不确定性的园区综合能源***日前经济调度方法

技术领域

本发明属于综合能源***优化运行技术领域，特别涉及一种考虑风光不 确定性的园区综合能源***日前经济调度方法。

背景技术

风电实际出力与预测出力方差的大小远大于传统的负荷方差，传统的电 力***运行方式不足以保证***的可靠性。由于电力***的物理限制(如常 规发电机和输电线路容量的爬坡限制)，风电功率削减频繁发生，导致风电 利用率低，从长远来看抑制了风电投资的积极性。当大规模可再生能源接入 电力***，可再生能源的强随机性、间歇性使得其出力难以被精确预测，在 电力***规划调度中，可再生能源出力预测值的误差将造成不可忽略的影响， 换言之，可再生能源发电的随机波动降低了能源***的供应灵活性。因此，传统确定性优化调度方法不能满足要求，须在原有确定性优化调度方法的基 础上考虑可再生能源的不确定性。

随机优化和鲁棒优化是解决含不确定性优化问题的典型方法。与随机优 化相比，鲁棒优化具有获取数据简单、求解速度快，适用于求解大型不确定 性问题的求解等优点，在处理不确定性问题中得到了广泛的应用。目前，已 有许多学者对鲁棒优化在综合能源***中的应用做了研究，但现有文献在利 用鲁棒优化处理综合能源***风光不确定性中未充分考虑***中各类设备的 能源耦合关系和负荷侧需求侧响应对可再生能源不确定性的影响。

较为全面的综合能源***模型可通过各设备间的能量转换关系，自适应 地调整机组出力以适应可再生能源发电量的变化，保证***运行的安全性。 联合热电需求响应可以充分利用各种设备之间的耦合关系，进一步提高*** 应对可再生能源不确定性的能力，减少弃风、弃光，加大可再生能源的渗透 性。因此，在现有研究基础上，进一步考虑联合热电需求响应的园区综合能 源***两阶段可调鲁棒优化模型对综合能源***的优化运行具有重要意义。

发明内容

本发明所要解决的技术问题是提出一种考虑风光不确定性的园区综合 能源***日前经济调度方法，建立一种考虑联合热电需求响应的两阶段可调 鲁棒优化模型来处理园区内风光出力造成的不确定性问题，通过对偶理论将 模型中的双层max-min问题转换为单层max问题，并采用CCG(column and constraint generation)法进行求解，提高求解速度的同时使得调度结果更 加符合实际，进一步促进了新能源的消纳。

为解决上述技术问题，本发明采用的技术方案是：为考虑可再生能源不 确定性，针对园区综合能源***的日前经济调度问题，提出一种考虑风光不 确定性的园区综合能源***日前经济调度方法，建立一种考虑联合热电需求 响应的两阶段可调鲁棒模型。园区综合能源***日前经济调度是针对以风电、 光伏出力值为预测值的基础场景，当运行中出现不确定性时，它可以自适应、 安全地重新分配发电机组、供热机组、P2G设备、储能设备及园区与上级网 络的能量交换。这种优化调度决策完全符合两阶段可调鲁棒模型的思想。换言之，第一阶段在基础场景下决定燃气轮机和热电联产机组的机组启停状态， 第二阶段在不确定性出现时搜索造成***不安全最恶劣的场景。本发明所提 出的两阶段可调鲁棒调度模型假设机组启停状态是第一阶段变量，即当*** 不确定变量在其波动区间内变化时，机组启停状态将保持不变，这是因为大 多数发电机组的物理特性限制了它们在不确定情况下无法快速改变机组启停 状态。

一种考虑风光不确定性的园区综合能源***日前经济调度方法，包括以 下步骤：

(1)确定多能源园区的具体组成，包含引入的新能源形式和具体的设备组成；

(2)建立园区内各能源转换设备模型；

(3)建立需求响应模型；

(4)在满足***安全约束的前提下，以基础场景的运行成本最小为目标函数, 建立考虑联合热电需求响应的两阶段可调鲁棒模型；

(5)得到园区综合能源***日前经济调度的两阶段可调鲁棒优化模型的抽象 表达式；

(6)建立最恶劣场景识别的最大最小子问题；

(7)利用CCG法求解考虑联合热电需求响应的两阶段可调鲁棒模型；

(8)输入园区综合能源***能源接入、新能源出力数据、各设备参数、运行 参数，采用商业求解器Gurobi对考虑风光不确定性的园区综合能源***日前经济 调度两阶段鲁棒优化模型进行求解，得到其调度策略。

进一步的，在步骤(1)所述园区综合能源***的具体组成具体如下：

(1.1)接入园区综合能源***的新能源形式为：风电和光伏发电；

(1.2)引入园区综合能源***的能源转换设备有：电转气设备、电锅炉、燃 气轮机、热电联产机组、储气/储热设备。

步骤(2)所述园区内各能源转换设备模型如下；

(2.1)电转气设备模型

式中：t为调度时间；m为电转气设备索引；

分别为电转气(P2G)设备制气功率、耗电功率和电转气效率，L^HANG为天然气低热值，取 9.7kWh/m³；

为第m台P2G的最小、最大气功率。

(2.2)电锅炉模型

式中：t为调度时间；n为电锅炉索引；

和

分别为第n台电锅炉在t时 段的耗电功率和产热功率；

为第n台电锅炉的电热转换效率，

分 为第n台电锅炉最小、最大制热功率；

为第n台电锅炉在t时段的启停状态(1 代表开机，0代表停机)。

(2.3)燃气轮机模型

式中：t为调度时间；q为燃气轮机索引；

和

分别表示燃气轮机的发电 功率和耗气功率；F(·)表示燃气轮机能耗曲线；

和

分别表示燃气轮机的 开机和关机所需天然气消耗量；a_q、b_q和c_q表示F(·)的燃气系数；L^HANG为天然气低 热值，取9.7kWh/m³；

分为第q台燃气轮机最小、最大发电功率。

表示第q台燃气轮机在t时段的发电功率；

为第q台燃气轮机在t时段的启停状 态(1代表开机，0代表停机)，

为第q台燃气轮机在t时段的启停状态；

为第q台燃气轮机的上爬坡率、下爬坡率，

为第q台燃气轮机在t-1 时段内连续开机、停机时间，

为第q台燃气轮机在时段t内的最小开机、 停机时间。

(2.4)热电联产机组模型

式中：t为调度时间；p为热电联产机组索引；

和

分别表示热电联产 机组(CHP)的产热功率和耗气功率；

为微燃机t时段的发电功率、发电 效率，

为散热损失率，

和

分别为溴冷机的制热系数和烟气回收率；L^HANG为 天然气低热值，取9.7kWh/m³；

分为第p台CHP机组最小、最大发 电功率；

表示第p台热电联产机组在t时段的发电功率；

为第p台CHP机组 在t时段的启停状态(1代表开机，0代表停机)，

为第P台热电联产机组在t 时段的启停状态；

为第p台CHP机组的上爬坡率、下爬坡率；

为第p台CHP机组在t-1时段内连续开机、停机时间，

为第p台 CHP机组在时段t内的最小开机、停机时间。

(2.5)储能设备模型

ESS(t)＝(1-σ^S)·ESS(t-1)+ESⁱⁿ(t)·ηⁱⁿ-ES^out(t)/η^out

式中：t为调度时间；ESS(t)、ESⁱⁿ(t)、ES^out(t)分别为t时段储能设备的储能量、 存储能量功率和释放能量功率；ESS(t-1)表示t-1时段储能设备的储能量；σ^S为储 能***的自耗率；ηⁱⁿ、η^out分别为储能设备储能、放能效率；

为t时段储 气、放气功率，GS^in,max、GS^out,max分别为储气设备的最大储气、放气功率；

为t时 段储气设备的储气量，

为t-1时段储气设备的储气量；C^GS,min、C^GS,max分别为储 气设备的最小、最大储气容量，η^CGS、η^GS,in、η^GS,out为储气设备自耗率、储气效率、 放气效率。

为t时段储热、放热功率，HS^in,max、HS^out,max分别为储热设备 的最大储热、放热功率；

为t时段储热设备的储气量，

为t-1时段储热设备 的储气量；C^HS,min、C^HS,max分别为储热设备的最小、最大储热容量，η_CHS、η_HS,in、η_HS,out为储热设备自耗率、储热效率、放热效率。

步骤(3)所述需求响应模型具体如下：

P_t ^DR＝P_t ^DR，inte+P_t ^DR，shif

式中：t为调度时间；

P_t ^DR、P_t ^DR,inte、P_t ^DR,shif、P_t ^LD,max为t时段电负荷预测 值、需求侧响应电负荷、需求侧转移电负荷、***允许的最大电负荷，P^inte,max为调 度时间内最大可中断电负荷。

为t时段最大可中断和可转出的电负荷 比例。P_t ^DR,shif为正代表转出可平移负荷，反之，代表转入可平移负荷。

式中：t为调度时间；

H_t ^DR、

和

分别为时间段t热负荷 预测值、需求侧响应热负荷、需求侧可响应热负荷比例、***允许的最大热负荷 和考虑需求响应后的电负荷；H^DR,max为调度时间内最大可中断热负荷；N_t为整个 调度时间段。

步骤(4)所述考虑联合热电需求响应的两阶段可调鲁棒模型具体如下：

(4.1)目标函数

式中：t为调度时间；

分别为购电、气费用；

分别为 第p台CHP的开机、关机费用；

为弃风惩罚费用，

为弃光惩罚费用；

为售电收益，C^E,cc为需求侧响应中断电负荷的补偿成本；P_t ⁱⁿ为购电功率，

为 购气功率，

分别为第i台风机、第j组光伏电池在t时段的弃风、弃 光功率；P_t ^out为售电功率，P_t ^DR,inte为需求侧中断电负荷。Δt为调度时间间隔，N_t为 调度时段数。

分别为单位购电、购气、售电价格，φ_t ^WT、φ_t ^PV分别 为单位弃风、弃光的惩罚价格，

为单位需求侧响应中断电负荷的补偿价格。

为第p台CHP在t时段的启停状态(1代表开机，0代表停机)，

分别 为第p台CHP的开机、停机一次的费用。N^WT、N^PV、N^CHP分别为风机、光伏电池、 电锅炉、CHP的数量。

(4.2)约束条件

v_1t,v_2t,v_3t,v_4t≥0

P_t ^u,out≤P^out,min,P_t ^u,out≤P^out,max:(λ_{9_3,t},λ_{9_4,t})

P_t ^u,DR＝P_t ^u,DR,inte+P_t ^u,DR,shif:(λ_{10_6,t})

式中：t为调度时间；(·)^u为在风光出力实时变化下对应的调整后变量；v_1,t和v_2,t为电力平衡约束松弛变量；v_3,t和v_4,t为热量平衡约束松弛变量；Ω^WT、Ω^PV分别为风 电、光伏出力不确定合集；

分别为风电、光伏出力与预测值的偏差，

为风电、光伏出力偏差值与预测值的比例；

为不确定合集中的 0-1变量；Δ_i、Δ_j分别为风电、光伏出力不确定性预算值；

为第p 台CHP机组上爬坡和下爬坡纠错能力；

为第q台燃气轮机机组上爬坡 和下爬坡纠错能力；λ(·)为约束条件对应的对偶变量。

步骤(5)所述园区综合能源***日前经济调度的两阶段可调鲁棒优化模 型的抽象表达式具体如下：

s.t. Ax+By≤b

式中：x代表与CHP、燃气轮机相关的机组启停状态，y、z分别代表基础场 景和根据风光出力变换调整的***其余机组调度出力，u为与风电、光伏出力不确 定性相关的不确定变量，c_b、c_g、A、B、b、f、h、C、D、E、F、G可通 过(4)中的目标函数和约束条件得出。

步骤(6)所述最恶劣场景识别的最大最小子问题具体如下：

s.t. λ_{9_1,t}≤0,λ_{9_2,t}≤0,λ_{9_3,t}≤0,λ_{9_4,t}≤0,λ_{9_5,t}≤0,λ_{9_6,t}≤0,t∈N^T

λ_{6_2,q,t}≤0,λ_{6_3,q,t}≤0,λ_{6_4,q,t}≤0,λ_{6_6,q,t}≤0,λ_{6_7,q,t}≤0,q∈N^GT,t∈N^T

λ_{7_2,p,t}≤0,λ_{7_3,p,t}≤0,λ_{7_4,p,t}≤0,λ_{7_6,p,t}≤0,λ_{7_7,p,t}≤0,p∈N^CHP,t∈N^T

λ_{8_1,t}≤0,λ_{8_2,t}≤0,λ_{8_3,t}≤0,λ_{8_4,t}≤0,t∈N^T

λ_{13_1,t}≤0,λ_{13_2,t}≤0,λ_{13_3,t}≤0,λ_{13_4,t}≤0,t∈N^T

λ_{4_2,m,t}≤0,λ_{4_3,m,t}≤0,t∈N^T,m∈N^P2G,t∈N^T

λ_{5_2,n,t}≤0,λ_{5_3,n,t}≤0,t∈N^T,n∈N^EB,t∈N^T

λ_{10_1,t}≤0,λ_{10_2,t}≤0,λ_{10_3,t}≤0,λ_{10_4,t}≤0,t∈N^T

λ_{11_3,t}≤0,λ_{11_3,t}≤0,λ_{12_1,t}≤0,λ_{12_2,t}≤0,t∈N^T

λ_{10_7}≤0,λ_{10_8}≤0,λ_{11_4}≤0,λ_{11_5}≤0,t∈N^T

s.t. -λ_1,t-λ_{6_1,q,t}·b_q-λ_{6_2,q,t}+λ_{6_3,q,t}-λ_{6_4,q,t+1}+

λ_{6_4,q,t}+λ_{6_5,p,t+1}-λ_{6_5,p,t}-λ_{6_6,q,t}+λ_{6_7,q,t}≤0

-λ_1,t-λ_{9_1,t}+λ_{9_2,t}≤0,t∈N^T

λ_1,t-λ_{9_3,t}+λ_{9_4,t}≤0,t∈N^T

λ_1,t+λ_{10_5,t}≤0,t∈N^T

-λ_{10_1,t}-λ_{10_2,t}+λ_{10_3,t}+λ_{10_5,t}-λ_{10_7}+λ_{10_8}＝0,t∈N^T

-λ_{10_1,t}+λ_{10_4,t}+λ_{10_5,t}+λ_{10_5,t}+λ_{10_6}＝0,t∈N^T

λ_1,t+λ_{12_1,i,t}≤0,t∈N^T,i∈N^WT

λ_1,t+λ_{12_2,j,t}≤0,t∈N^T,j∈N^PV

-λ_2,t+λ_{7_1,p,t}≤0,t∈N^T,p∈N^CHP

-λ_2,t+λ_{6_1,q,t}≤0,t∈N^T,q∈N^GT

-λ_2,t+λ_{4_1,m,t}-λ_{4_2,m,t}+λ_{4_3,m,t}≤0,t∈N^T,m∈N^P2G

λ_2,t-λ_{9_5,t}+λ_{9_6,t}≤0,t∈N^T

λ_2,t+λ_{8_2,t}+λ_{8_5,t}/η^GS,out≤0,t∈N^T

-λ_2,t+λ_{8_1,t}-λ_{8_5,t}·η^GS,in≤0,t∈N^T

-λ_{8_3,t}+λ_{8_4,t}-λ_{8_5,t+1}·η^GS,in+λ_{8_5,t}≤0,t∈N^T-λ_3,t·η^h+λ_{13_2,t}+λ_{13_5,t}/η^HS,out≤0,t∈N^T

λ_3,t·η^h+λ_{13_1,t}-λ_{13_5,t}·η^HS,in≤0,t∈N^T-λ_{13_3,t}+λ_{13_4,t}-λ_{13_5,t+1}·η^HS,in+λ_{13_5,t}≤0,t∈N^T

-λ_3,t·η^h+λ_{5_1,n,t}-λ_{5_2,n,t}+λ_{5_3,n,t}≤0,t∈N^T,n∈N^EB-λ_3,t·η^h+λ_{7_8,n,t}≤0,t∈N^T,n∈N^EB

λ_3,t+λ_{11_1,t}≤0,t∈N^Tλ_{11_1,t}-λ_{11_2,t}+λ_{11_3,t}-λ_{11_4}+λ_{11_5,t}≤0,t∈N^T

-1≤λ_1,t≤1,-1≤λ_3,t≤1,t∈N^T

步骤(7)所述利用CCG法求解考虑联合热电需求响应的两阶段可调鲁棒 模型聚具体如下：

(7.1)主问题

Ax+By≤b

(7.2)子问题

(7.3)CCG求解步骤

步骤1：令迭代计数器s＝0，设置***允许的违反安全规定最大值ε^RO。

步骤2：求解主问题，若有解，得到***机组启停状态x和机组出力安排 y，进行步骤3；反之，停止迭代并输出无解。

步骤3：根据步骤2中求解得到的x和y，求解最大最小子问题，找到导 致最大可能违反安全规定值的最恶劣场景下的风力和光伏出力大小。

步骤4：如果步骤3中求解出的最大可能违反安全规定值小于ε^RO，则x和 y是最终优化方案并停止迭代；反之，令s＝s+1，根据步骤3中求解出来的 最恶劣场景下风电和光伏出力值

向主问题中增加以下所 示的CCG约束，返回步骤2。

f^Tv_s≤ε^RO

步骤(8)所述园区综合能源***数据还包括园区综合能源***的具体组 成、能源价格、各能源转换设备的设备参数及取值、需求响应比例、基础场 景和最恶劣场景下的新能源出力波动情况、最大违反安全规定值和新能源出 力与负荷的预测值。

与现有技术相比，本发明的有益效果是：

(1)采用鲁棒优化解决含不确定性的优化问题，并建立了两阶段可调鲁 棒优化模型，使得园区综合能源***调度过程中只需获取简单数据就能得到 贴近实际的结果，且求解速度快。改进的两阶段可调鲁棒优化模型在考虑综 合能源***风光不确定性的同时充分考虑***中各类设备的能源耦合关系和 负荷侧需求侧响应对可再生能源不确定性的影响。园区综合能源***日前经 济调度是针对以风电、光伏出力值为预测值的基础场景，当运行中出现不确 定性时，它可以自适应、安全地重新分配发电机组、供热机组、P2G设备、储能设备及园区与上级网络的能量交换。两阶段鲁棒优化保证了***在任何情 况下都能满足安全约束，最小化了基础场景运行成本，同时满足***安全性 和经济性要求。

(2)考虑热电联合需求响应后，充分发挥气储能、热储能以及电热负荷 需求响应的作用，联合热电需求响应可以充分利用各种设备之间的耦合关系， 进一步提高***应对可再生能源不确定性的能力，减少弃风、弃光，加大可 再生能源的渗透性。较为全面的综合能源***模型可通过各设备间的能量转 换关系，自适应地调整机组出力以适应可再生能源发电量的变化，保证*** 运行的安全性，促进可再生能源的消纳、提升***的鲁棒性，提高园区的经 济效益。

附图说明

图1是本发明所述方法的步骤流程图；

图2是园区综合能源***的具体组成图；

图3是CCG法求解流程图；

图4是园区多能源综合***冬季典型日的风机、光伏出力、电负荷和热 负荷的预测值。

具体实施方式

为了详尽说明本发明所公开的技术方案，下面结合附图和具体实施例对 本发明作进一步说明。

本发明公开的是一种考虑风光不确定性的园区综合能源***日前经济调 度方法。具体实施步骤流程如图1所示，本发明技术方案包括以下步骤：

步骤1：确定园区综合能源***的具体组成，包含引入的新能源形式和具 体的设备组成。

(1.1)接入园区综合能源***的新能源形式为：风电和光伏发电；

(1.2)引入园区综合能源***的能源转换设备有：电转气设备、电锅炉、 燃气轮机、热电联产机组、储气/储热设备。

步骤2：建立园区内各能源转换设备模型。

(2.1)电转气设备模型P2G技术可实现电能向天然气的转换，天然气通 过天然气管道进行大容量、长时间和远距离传输，为可再生能源消纳提供了 有力的技术支持，能实现风电的大范围、长距离的时空转移，同时P2G响应 迅速，具备较强的应用前景。P2G设备制气功率与耗电功率间的关系和制气功 率限制如下：

式中：t为调度时间；m为电转气设备索引；

分别为电转 气(P2G)设备制气功率、耗电功率和电转气效率，L^HANG为天然气低热值，取9.7kWh/m³；

为第m台P2G的最小、最大气功率。

(2.2)电锅炉模型

电锅炉的引入能打破CHP机组的电热耦合硬性约束，改变传统“以热定 电”调度方式。电锅炉可协调电热负荷的峰谷，其制热量与耗电量之间的关 系和制热量约束如下：

式中：t为调度时间；n为电锅炉索引；

和

分别为第n台电锅炉在t 时段的耗电功率和产热功率；

为第n台电锅炉的电热转换效率，

分为第n台电锅炉最小、最大制热功率；

为第n台电锅炉在t时段的 启停状态(1代表开机，0代表停机)。

(2.3)燃气轮机模型

燃气轮机将天然气中化学能转换为电能，其消耗天然气功率与发电功率 间的关系、发电功率限制、爬坡约束与最小开关机时间约束如下：

式中：t为调度时间；q为燃气轮机索引；

和

分别表示燃气轮机的 发电功率和耗气功率；F(·)表示燃气轮机能耗曲线；

和

分别表示燃气 轮机的开机和关机所需天然气消耗量；a_q、b_q和c_q表示F(·)的燃气系数；L^HANG为天然气低热值，取9.7kWh/m³；

分为第q台燃气轮机最小、最 大发电功率。

表示第q台燃气轮机在t时段的发电功率；

为第q台燃气 轮机在t时段的启停状态(1代表开机，0代表停机)，

为第q台燃气轮机 在t时段的启停状态；

为第q台燃气轮机的上爬坡率、下爬坡率，

为第q台燃气轮机在t-1时段内连续开机、停机时间，

为第q台燃气轮机在时段t内的最小开机、停机时间。

(2.4)热电联产机组模型

忽略外界环境变化对发电、燃料燃烧效率的影响，其热电关系数学、气 电关系、发电功率间的关系、发电功率限制、爬坡约束与最小开关机时间约 束如下：

式中：t为调度时间；p为热电联产机组索引；

和

分别表示热电 联产机组(CHP)的产热功率和耗气功率；

为微燃机t时段的发电 功率、发电效率，

为散热损失率，

和

分别为溴冷机的制热系数和烟气 回收率；L^HANG为天然气低热值，取9.7kWh/m³；

分为第p台CHP 机组最小、最大发电功率；

表示第p台热电联产机组在t时段的发电功率；

为第p台CHP机组在t时段的启停状态(1代表开机，0代表停机)，

为第P台热电联产机组在t时段的启停状态；

为第p台CHP机 组的上爬坡率、下爬坡率；

为第p台CHP机组在t-1时段内连 续开机、停机时间，

为第p台CHP机组在时段t内的最小开机、 停机时间。

(2.5)储能设备模型

储能设备模型、储气、储热设备的储/放气、储/放热功率约束和t时刻储 气、储热设备的储气、储热容量约束以及t时刻储气、储热设备的储气、储热 容量与t-1时刻储气、储热量和t时刻储/放气、储/放热功率之间的关系如下：

ESS(t)＝(1-σ^S)·ESS(t-1)+ESⁱⁿ(t)·ηⁱⁿ-ES^out(t)/η^out

式中：t为调度时间；ESS(t)、ESⁱⁿ(t)、ES^out(t)分别为t时段储能设备的储 能量、存储能量功率和释放能量功率；ESS(t-1)表示t-1时段储能设备的储能 量；σ^S为储能***的自耗率；ηⁱⁿ、η^out分别为储能设备储能、放能效率；

为t时段储气、放气功率，GS^{in ,max}、GS^out,max分别为储气设备的最大储气、 放气功率；

为t时段储气设备的储气量，

为t-1时段储气设备的储气量； C^GS,min、C^GS,max分别为储气设备的最小、最大储气容量，η^CGS、η^GS,in、η^GS,out为储 气设备自耗率、储气效率、放气效率。

为t时段储热、放热功率， HS^in,max、HS^out,max分别为储热设备的最大储热、放热功率；

为t时段储热设 备的储气量，

为t-1时段储热设备的储气量；C^HS,min、C^HS,max分别为储热设 备的最小、最大储热容量，η^CHS、η^HS,in、η^HS,out为储热设备自耗率、储热效率、 放热效率。

步骤3：建立需求响应模型。

将需求侧可响应电负荷分为可平移电负荷和可中断电负荷，对于可中断 负荷考虑其中断成本，需求侧响应电负荷与当前时段电负荷需求之和必须小 于当前时段允许的最大电负荷，电负荷预测值与需求响应后电负荷的关系， 即：

P_t ^DR＝P_t ^DR，inte+P_t ^DR，shif

式中：t为调度时间；

P_t ^DR、P_t ^DR,inte、P_t ^DR,shif、P_t ^LD,max为t时段电负荷预 测值、需求侧响应电负荷、需求侧转移电负荷、***允许的最大电负荷，P^inte,max为调度时间内最大可中断电负荷。

为t时段最大可中断和可转出的 电负荷比例。P_t ^DR,shif为正代表转出可平移负荷，反之，代表转入可平移负荷。

需求侧可响应热负荷约束如下：

式中：t为调度时间；

H_t ^DR、α_t ^HLD、

和

分别为时间段t热 负荷预测值、需求侧响应热负荷、需求侧可响应热负荷比例、***允许的最 大热负荷和考虑需求响应后的电负荷；H^DR,max为调度时间内最大可中断热负 荷；N_t为整个调度时间段。

步骤4：在满足***安全约束的前提下，以基础场景的运行成本最小为目 标函数,建立考虑联合热电需求响应的两阶段可调鲁棒模型。

(4.1)目标函数

本发明所提出的两阶段鲁棒优化模型的目标为在满足***安全约束的前 提下，最小化基础场景的运行成本，由于基础场景下不允许失负荷，因此目 标函数中不含有失负荷相关变量，其目标函数和相关等式约束如下：

式中：t为调度时间；

分别为购电、气费用；

分 别为第p台CHP的开机、关机费用；

为弃风惩罚费用，

为弃光惩 罚费用；

为售电收益，C^E,cc为需求侧响应中断电负荷的补偿成本；

为购 电功率，

为购气功率，

分别为第i台风机、第j组光伏电池在 t时段的弃风、弃光功率；P_t ^out为售电功率，P_t ^DR,inte为需求侧中断电负荷。Δt为 调度时间间隔，N_t为调度时段数。

分别为单位购电、购气、 售电价格，

分别为单位弃风、弃光的惩罚价格，

为单位需求侧响 应中断电负荷的补偿价格。

为第p台CHP在t时段的启停状态(1代表开机， 0代表停机)，

分别为第p台CHP的开机、停机一次的费用。N^WT、 N^PV、N^CHP分别为风机、光伏电池、电锅炉、CHP的数量。

(4.2)约束条件

为保证***安全运行，本节采用一个双层max-min模型识别造成***运 行最不安全即最大违反安全规定值(security violation)的最恶劣场景， 最恶劣场景下***的最大违反安全规定值需小于预先设定值ε^RO，ε^RO值的设 定与预先确定的***安全级别有关，以确保园区综合能源***的安全运行。 在不确定情况下的最恶劣场景造成违反***安全规定的最大值、风力出力和 光伏出力的不确定性集合、***能量平衡约束、松弛变量恒大于零约束、机 组出力约束及可再生能源出力不确定下的机组纠错爬坡约束、储能约束、与上级网络功率交换约束、需求侧响应约束和弃风弃光约束如下：

v_1t,v_2t,v_3t,v_4t≥0

-P_t ^u,in≤-P^in,min,P_t ^u,in≤P^in,max:(λ_{9_1,t},λ_{9_2,t})

P_t ^u,DR＝P_t ^u,DR,inte+P_t ^u,DR,shif:(λ_{10_6,t})

式中：t为调度时间；

P_t ^u,E,out、

分别为弃风、弃光、需求响应后电负荷、P2G消耗电功率、电锅炉消耗电功率、园区售电功率、CHP机组出力、燃气轮机出力根据不同风电出力

和光伏出力

调整后的实时值；(·)^u为在风光出力实时变化下对应的调整后变量；v_1,t和v_2,t为电力 平衡约束松弛变量；v_3,t和v_4,t为热量平衡约束松弛变量；Ω^WT、Ω^PV分别为风电、光 伏出力不确定合集；

分别为风电、光伏出力与预测值的偏差，

为 风电、光伏出力偏差值与预测值的比例；

为不确定合集中的0-1 变量；_Δi、Δj分别为风电、光伏出力不确定性预算值；

为第p台 CHP机组上爬坡和下爬坡纠错能力；

为第q台燃气轮机机组上爬坡和 下爬坡纠错能力；λ(·)为约束条件对应的对偶变量。

步骤5:得到园区综合能源***日前经济调度的两阶段可调鲁棒优化模型的抽 象表达式。

提出的两阶段鲁棒优化模型，涉及电、气、热三个***，涉及的约束较多， 并且含有不确定参数，同时是一个非线性的混合整数规划问题。为便于讨论，本 章所提出的两阶段鲁棒优化调度模型可采用抽象形式的鲁棒优化模型式如下：

s.t. Ax+By≤b

式中：x代表与CHP、燃气轮机相关的机组启停状态，y、z分别代表基础场 景和根据风光出力变换调整的***其余机组调度出力，u为与风电、光伏出力不确 定性相关的不确定变量，c_b、c_g、A、B、b、f、h、C、D、E、F、G可通 过步骤4中的目标函数和约束条件得出。

步骤6:建立最恶劣场景识别的最大最小子问题。

子问题为识别最恶劣场景的问题，通过步骤4所示的双层的max-min问题， 寻找到造成***最大违反安全规定值的场景，即确定最恶劣场景中不确定量的具 体取值，再通过对偶理论将双层max-min问题转化为如下所示的单层双线性的极 大值优化子问题。

ΔD＝ΔD₁+ΔD₂

s.t. λ_{9_1,t}≤0,λ_{9_2,t}≤0,λ_{9_3,t}≤0,λ_{9_4,t}≤0,λ_{9_5,t}≤0,λ_{9_6,t}≤0,t∈N^T

λ_{6_2,q,t}≤0,λ_{6_3,q,t}≤0,λ_{6_4,q,t}≤0,λ_{6_6,q,t}≤0,λ_{6_7,q,t}≤0,q∈N^GT,t∈N^T

λ_{7_2,p,t}≤0,λ_{7_3,p,t}≤0,λ_{7_4,p,t}≤0,λ_{7_6,p,t}≤0,λ_{7_7,p,t}≤0,p∈N^CHP,t∈N^T

λ_{8_1,t}≤0,λ_{8_2,t}≤0,λ_{8_3,t}≤0,λ_{8_4,t}≤0,t∈N^T

λ_{13_1,t}≤0,λ_{13_2,t}≤0,λ_{13_3,t}≤0,λ_{13_4,t}≤0,t∈N^T

λ_{4_2,m,t}≤0,λ_{4_3,m,t}≤0,t∈N^T,m∈N^P2G,t∈N^T

λ_{5_2,n,t}≤0,λ_{5_3,n,t}≤0,t∈N^T,n∈N^EB,t∈N^T

λ_{10_1,t}≤0,λ_{10_2,t}≤0,λ_{10_3,t}≤0,λ_{10_4,t}≤0,t∈N^T

λ_{11_3,t}≤0,λ_{11_3,t}≤0,λ_{12_1,t}≤0,λ_{12_2,t}≤0,t∈N^T

λ_{10_7}≤0,λ_{10_8}≤0,λ_{11_4}≤0,λ_{11_5}≤0,t∈N^T

s.t. -λ_1,t-λ_{6_1,q,t}·b_q-λ_{6_2,q,t}+λ_{6_3,q,t}-λ_{6_4,q,t+1}+

λ_{6_4,q,t}+λ_{6_5,p,t+1}-λ_{6_5,p,t}-λ_{6_6,q,t}+λ_{6_7,q,t}≤0

-λ_1,t-λ_{9_1,t}+λ_{9_2,t}≤0,t∈N^T

λ_1,t-λ_{9_3,t}+λ_{9_4,t}≤0,t∈N^T

λ_1,t+λ_{10_5,t}≤0,t∈N^T

-λ_{10_1,t}-λ_{10_2,t}+λ_{10_3,t}+λ_{10_5,t}-λ_{10_7}+λ_{10_8}＝0,t∈N^T

-λ_{10_1,t}+λ_{10_4,t}+λ_{10_5,t}+λ_{10_5,t}+λ_{10_6}＝0,t∈N^T

λ_1,t+λ_{12_1,i,t}≤0,t∈N^T,i∈N^WT

λ_1,t+λ_{12_2,j,t}≤0,t∈N^T,j∈N^PV

-λ_2,t+λ_{7_1,p,t}≤0,t∈N^T,p∈N^CHP

-λ_2,t+λ_{6_1,q,t}≤0,t∈N^T,q∈N^GT

-λ_2,t+λ_{4_1,m,t}-λ_{4_2,m,t}+λ_{4_3,m,t}≤0,t∈N^T,m∈N^P2G

λ_2,t-λ_{9_5,t}+λ_{9_6,t}≤0,t∈N^T

λ_2,t+λ_{8_2,t}+λ_{8_5,t}/η^GS,out≤0,t∈N^T

-λ_2,t+λ_{8_1,t}-λ_{8_5,t}·η^GS,in≤0,t∈N^T

-λ_{8_3,t}+λ_{8_4,t}-λ_{8_5,t+1}·η^GS,in+λ_{8_5,t}≤0,t∈N^T-λ_3,t·η^h+λ_{13_2,t}+λ_{13_5,t}/η^HS,out≤0,t∈N^T

λ_3,t·η^h+λ_{13_1,t}-λ_{13_5,t}·η^HS,in≤0,t∈N^T-λ_{13_3,t}+λ_{13_4,t}-λ_{13_5,t+1}·η^HS,in+λ_{13_5,t}≤0,t∈N^T

-λ_3,t·η^h+λ_{5_1,n,t}-λ_{5_2,n,t}+λ_{5_3,n,t}≤0,t∈N^T,n∈N^EB-λ_3,t·η^h+λ_{7_8,n,t}≤0,t∈N^T,n∈N^EB

λ_3,t+λ_{11_1,t}≤0,t∈N^Tλ_{11_1,t}-λ_{11_2,t}+λ_{11_3,t}-λ_{11_4}+λ_{11_5,t}≤0,t∈N^T

-1≤λ_1,t≤1,-1≤λ_3,t≤1,t∈N^T

步骤7:利用CCG(column and constraint generation)法求解考虑联合热电 需求响应的两阶段可调鲁棒模型。

(7.1)主问题

Ax+By≤b

(7.2)子问题

(7.3)CCG求解步骤

步骤(7.3.1)：令迭代计数器s＝0，设置***允许的违反安全规定最大 值ε^RO。

步骤(7.3.2)：求解主问题，若有解，得到***机组启停状态x和机组 出力安排y，进行步骤(7.3.3)；反之，停止迭代并输出无解。

步骤(7.3.3)：根据步骤(7.3.2)中求解得到的x和y，求解最大最小 子问题，找到导致最大可能违反安全规定值的最恶劣场景下的风力和光伏出 力大小。

步骤(7.3.4)：如果步骤(7.3.3)中求解出的最大可能违反安全规定 值小于ε^RO，则x和y是最终优化方案并停止迭代；反之，令s＝s+1，根据步 骤(7.3.3)中求解出来的最恶劣场景下风电和光伏出力值

向主问题中增加以下所示的CCG约束，返回步骤(7.3.2)。

f^Tv_s≤ε^RO

步骤8输入园区综合能源***数据还包括园区综合能源***的具体组成、 能源价格、各能源转换设备的设备参数及取值、需求响应比例、基础场景和 最恶劣场景下的新能源出力波动情况、最大违反安全规定值和新能源出力与 负荷的预测值等，采用商业求解器Gurobi对园区综合能源***两阶段可调鲁 棒优化运行模型进行求解，得出鲁棒优化调度结果。

下面通过具体实施例详细说明本发明效果。

(1)算例介绍。

如图2所示为园区综合能源***的具体组成。仿真选取包含风、光、气、 储和考虑电转气、电转热技术的多能互补园区***模型。该***包含燃气轮 机、风力发电机、电锅炉、P2G设备、储热设备、储气设备各一台，CHP两台 和一组光伏电池。溴冷机的制热系数

和烟气回收率

分别为0.9、1.2，燃 气轮机、CHP、电锅炉的一次开机和停机成本分别为：3.5、1.94、2.74元。 假设CHP、燃气轮机初始状态为停运状态，储气设备初始储气量为10m³，储热 设备初始储热量为100kW·h，储气、储热设备自耗率为0.01。园区多能源综 合***冬季典型日的风机、光伏出力、电负荷和热负荷的预测值如图4所示。

(2)实施例场景描述。

为验证提出的考虑热电联合需求响应的两阶段鲁棒可调优化模型的有效 性，设置表1所示7种调度运行方式。

表1 7种调度运行方式

将风力、光伏预测出力调整为原来2倍，与此同时考虑风光出力的不确 定性，得到新的运行方案1-7。违反安全规定值阈值设置为0，即任何场景下 ***都不允许失负荷和过负荷，假设风电出力和光伏出力的不确定预算为24。

将电负荷增加为原来的2.4倍，与此同时考虑风光出力的不确定性，得到 新的运行方案8-14，违反安全规定值设置为0。

(3)实施例结果分析。

表2给出了不同不确定性比例下运行方案1-7的运行成本和违反安全规定 值，从中可以得到：随着风电、光伏出力不确定比例的加大，园区的运行成 本增加，园区可能出现的最大违反安全规定的值也越大。但是随着不断加入 储热设备、P2G及其储气设备等能源转换设备，园区能不断实时调整储能状 态来应对风电光伏出力的实时变化，降低***运行风险，考虑需求响应可以 灵活应对***的不确定性，考虑联合热电需求响应，进一步降低了园区基础 场景下的运行成本。

表2不同不确定性比例下运行方案1-7的运行成本和违反安全规定值

表3给出了不同风电、光伏不确定性预算下运行方案1的迭代次数和违 反安全规定值，从中可以得到：可再生能源不确定性预算值越大，得到满足 ***需求的优化方案所需的迭代次数越少，同时***可能出现的违反安全规 定值也越大。通过调节不确定性预算值能够调节***的鲁棒性。

表3不同风电、光伏不确定性预算下运行方案1的迭代次数和违反安全规定值

表4给出了不同不确定性比例下运行方案8-14的运行成本和违反安全规 定值，从中可以得到：当***负荷需求明显大于可再生能源出力时，可再生 能源出力能被***完全消纳，气转电优于电转气，P2G设备不工作，储能设 备的引入不能提升***的鲁棒性。当可再生能源出力不确定比例为0.2时，对 比方案8-10，可知***含有的设备越全面，***在基础场景下的运行成本越 低，对比方案10-14可知，需求侧响应的引入能进一步降低***的运行成本。 对比方案11-14在不同可再生能源不确定比例的运行成本和违反安全规定值可知，联合热电需求响应可以通过降低热负荷来减少电力负荷损失，极大地 增强了园区综合能源***的鲁棒性、灵活性和经济性。

表4不同不确定性比例下运行方案8-14的运行成本和违反安全规定值

以上所述，仅为本发明的具体实施例，但并不因此限值本发明的专利保 护范围，凡是利用本发明说明书以及附图内容进行等效变化或替换，直接或 间接运用到其他相关技术领域，都应包括在本发明的保护范围之内。

Claims (9)

1.提出一种考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,包括以下步骤:

步骤1：确定园区综合能源***的具体组成，包含引入的新能源形式和具体的设备组成；

步骤2：建立园区内各能源转换设备模型；

步骤3：建立需求响应模型；

步骤4：在满足***安全约束的前提下，以基础场景的运行成本最小为目标函数,建立考虑联合热电需求响应的两阶段可调鲁棒模型；

步骤5:得到园区综合能源***日前经济调度的两阶段可调鲁棒优化模型的抽象表达式；

步骤6:建立最恶劣场景识别的最大最小子问题；

步骤7:利用CCG法求解考虑联合热电需求响应的两阶段可调鲁棒模型；

步骤8：输入园区综合能源***能源接入、新能源出力数据、各设备参数、运行参数，采用商业求解器Gurobi对考虑风光不确定性的园区综合能源***日前经济调度两阶段鲁棒优化模型进行求解，得到其调度策略。

2.根据权利要求1所述的考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,步骤1所述园区综合能源***的具体组成如下：

(1)接入园区综合能源***的新能源形式为：风电和光伏发电；

(2)引入园区综合能源***的能源转换设备有：电转气设备、电锅炉、燃气轮机、热电联产机组、储气/储热设备。

3.根据权利要求1所述的考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,步骤2所述各能源转换设备模型如下；

(1)电转气设备模型

式中：t为调度时间；m为电转气设备索引；

分别为电转气(P2G)设备制气功率、耗电功率和电转气效率，L^HANG为天然气低热值，取9.7kWh/m³；

为第m台P2G的最小、最大气功率。

(2)电锅炉模型

式中：t为调度时间；n为电锅炉索引；

和

分别为第n台电锅炉在t时段的耗电功率和产热功率；

为第n台电锅炉的电热转换效率，

分为第n台电锅炉最小、最大制热功率；

为第n台电锅炉在t时段的启停状态(1代表开机，0代表停机)。

(3)燃气轮机模型

式中：t为调度时间；q为燃气轮机索引；

和

分别表示燃气轮机的发电功率和耗气功率；F(·)表示燃气轮机能耗曲线；

和

分别表示燃气轮机的开机和关机所需天然气消耗量；a_q、b_q和c_q表示F(·)的燃气系数；L^HANG为天然气低热值，取9.7kWh/m³；

分为第q台燃气轮机最小、最大发电功率。

表示第q台燃气轮机在t时段的发电功率；

为第q台燃气轮机在t时段的启停状态(1代表开机，0代表停机)，

为第q台燃气轮机在t时段的启停状态；

为第q台燃气轮机的上爬坡率、下爬坡率，

为第q台燃气轮机在t-1时段内连续开机、停机时间，

为第q台燃气轮机在时段t内的最小开机、停机时间。

(4)热电联产机组模型

式中：t为调度时间；p为热电联产机组索引；

和

分别表示热电联产机组(CHP)的产热功率和耗气功率；

为微燃机t时段的发电功率、发电效率，

为散热损失率，

和

分别为溴冷机的制热系数和烟气回收率；L^HANG为天然气低热值，取9.7kWh/m³；

分为第p台CHP机组最小、最大发电功率；

表示第p台热电联产机组在t时段的发电功率；

为第p台CHP机组在t时段的启停状态(1代表开机，0代表停机)，

为第P台热电联产机组在t时段的启停状态；

为第p台CHP机组的上爬坡率、下爬坡率；

为第p台CHP机组在t-1时段内连续开机、停机时间，

为第p台CHP机组在时段t内的最小开机、停机时间。

(5)储能设备模型

ESS(t)＝(1-σ^S)·ESS(t-1)+ESⁱⁿ(t)·ηⁱⁿ-ES^out(t)/η^out

式中：t为调度时间；ESS(t)、ESⁱⁿ(t)、ES^out(t)分别为t时段储能设备的储能量、存储能量功率和释放能量功率；ESS(t-1)表示t-1时段储能设备的储能量；σ^S为储能***的自耗率；ηⁱⁿ、η^out分别为储能设备储能、放能效率；

为t时段储气、放气功率，GS^in,max、GS^out,max分别为储气设备的最大储气、放气功率；

为t时段储气设备的储气量，

为t-1时段储气设备的储气量；C^GS,min、C^GS,max分别为储气设备的最小、最大储气容量，η^CGS、η^GS,in、η^GS,out为储气设备自耗率、储气效率、放气效率。

为t时段储热、放热功率，HS^in,max、HS^out,max分别为储热设备的最大储热、放热功率；

为t时段储热设备的储气量，

为t-1时段储热设备的储气量；

C^HS,min、C^HS,max分别为储热设备的最小、最大储热容量，η^CHS、η^HS,in、η^HS,out为储热设备自耗率、储热效率、放热效率。

4.根据权利要求1所述的考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,步骤3所述需求响应模型如下：

P_t ^DR＝P_t ^DR,inte+P_t ^DR,shif

式中：t为调度时间；

P_t ^DR、P_t ^DR,inte、P_t ^DR,shif、P_t ^LD,max为t时段电负荷预测值、需求侧响应电负荷、需求侧转移电负荷、***允许的最大电负荷，P^inte,max为调度时间内最大可中断电负荷。

为t时段最大可中断和可转出的电负荷比例。P_t ^DR,shif为正代表转出可平移负荷，反之，代表转入可平移负荷。

式中：t为调度时间；

和

分别为时间段t热负荷预测值、需求侧响应热负荷、需求侧可响应热负荷比例、***允许的最大热负荷和考虑需求响应后的电负荷；H^DR,max为调度时间内最大可中断热负荷；N_t为整个调度时间段。

5.根据权利要求1所述的考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,步骤4所述考虑联合热电需求响应的两阶段可调鲁棒模型如下：

(1)目标函数

式中：t为调度时间；

分别为购电、气费用；

分别为第p台CHP的开机、关机费用；

为弃风惩罚费用，

为弃光惩罚费用；

为售电收益，C^E,cc为需求侧响应中断电负荷的补偿成本；

为购电功率，

为购气功率，

分别为第i台风机、第j组光伏电池在t时段的弃风、弃光功率；P_t ^out为售电功率，P_t ^DR,inte为需求侧中断电负荷。△t为调度时间间隔，N_t为调度时段数。

分别为单位购电、购气、售电价格，

分别为单位弃风、弃光的惩罚价格，

为单位需求侧响应中断电负荷的补偿价格。

为第p台CHP在t时段的启停状态(1代表开机，0代表停机)，

分别为第p台CHP的开机、停机一次的费用。N^WT、N^PV、N^CHP分别为风机、光伏电池、电锅炉、CHP的数量。

(2)约束条件

式中：t为调度时间；(·)^u为在风光出力实时变化下对应的调整后变量；v_1,t和v₂,_t为电力平衡约束松弛变量；v_3,t和v_4,t为热量平衡约束松弛变量；Ω^WT、Ω^PV分别为风电、光伏出力不确定合集；

分别为风电、光伏出力与预测值的偏差，

为风电、光伏出力偏差值与预测值的比例；

为不确定合集中的0-1变量；△_i、△_j分别为风电、光伏出力不确定性预算值；

为第p台CHP机组上爬坡和下爬坡纠错能力；

为第q台燃气轮机机组上爬坡和下爬坡纠错能力；λ(·)为约束条件对应的对偶变量。

6.根据权利要求1所述的考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,步骤5所述园区综合能源***日前经济调度的两阶段可调鲁棒优化模型的抽象表达式如下：

s.t.Ax+By≤b

式中：x代表与CHP、燃气轮机相关的机组启停状态，y、z分别代表基础场景和根据风光出力变换调整的***其余机组调度出力，u为与风电、光伏出力不确定性相关的不确定变量，c_b、c_g、A、B、b、f、h、C、D、E、F、G可通过5.中的目标函数和约束条件得出。

7.根据权利要求1所述的考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,步骤6所述最恶劣场景识别的最大最小子问题如下：

△D＝△D₁+△D₂

式中：t为调度时间；

8.根据权利要求1所述的考虑风光不确定性的园区综合能源***日前经济调度方法,其特征在于,步骤7所述利用CCG法求解考虑联合热电需求响应的两阶段可调鲁棒模型如下：

(1)主问题

Ax+By≤b

(2)子问题

(3)CCG求解步骤

步骤1：令迭代计数器s＝0，设置***允许的违反安全规定最大值ε^RO。

步骤2：求解主问题，若有解，得到***机组启停状态x和机组出力安排y，进行步骤3；反之，停止迭代并输出无解。

步骤3：根据步骤2中求解得到的x和y，求解最大最小子问题，找到导致最大可能违反安全规定值的最恶劣场景下的风力和光伏出力大小。

步骤4：如果步骤3中求解出的最大可能违反安全规定值小于ε^RO，则x和y是最终优化方案并停止迭代；反之，令s＝s+1，根据步骤3中求解出来的最恶劣场景下风电和光伏出力值

向主问题中增加以下所示的CCG约束，返回步骤2。

f^Tv_s≤ε^RO

9.根据权利要求1所述的考虑气电联合需求响应的气电综合能源***配网优化运行方法，其特征在于，步骤8所述园区综合能源***数据还包括园区综合能源***的具体组成、能源价格、各能源转换设备的设备参数及取值、需求响应比例、基础场景和最恶劣场景下的新能源出力波动情况、最大违反安全规定值和新能源出力与负荷的预测值。

Images