CN113850474B - 一种热电氢多能流综合能源***及其优化调度方法 - Google Patents
一种热电氢多能流综合能源***及其优化调度方法 Download PDFInfo
- Publication number
- CN113850474B CN113850474B CN202110986468.2A CN202110986468A CN113850474B CN 113850474 B CN113850474 B CN 113850474B CN 202110986468 A CN202110986468 A CN 202110986468A CN 113850474 B CN113850474 B CN 113850474B
- Authority
- CN
- China
- Prior art keywords
- energy
- hydrogen
- heat
- electric
- scheduling
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 147
- 239000001257 hydrogen Substances 0.000 title claims abstract description 147
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004146 energy storage Methods 0.000 claims abstract description 79
- 238000010248 power generation Methods 0.000 claims abstract description 72
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000005485 electric heating Methods 0.000 claims abstract description 8
- 238000005096 rolling process Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims description 74
- 239000007789 gas Substances 0.000 claims description 58
- 239000000446 fuel Substances 0.000 claims description 53
- 238000005338 heat storage Methods 0.000 claims description 38
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 22
- 230000008878 coupling Effects 0.000 claims description 16
- 238000010168 coupling process Methods 0.000 claims description 16
- 238000005859 coupling reaction Methods 0.000 claims description 16
- 239000003345 natural gas Substances 0.000 claims description 11
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000005868 electrolysis reaction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 150000002431 hydrogen Chemical class 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Fuel Cell (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种热电氢多能流综合能源***及其优化调度方法,多能流综合能源***采用热‑电‑氢多能流综合能源***,包括步骤:初始化***;基于深度学习进行时序预测获取日内风光发电及电热负荷功率;在第一阶段调度中基于经济性设置目标函数及约束条件,设置调度步长,对多能流综合能源***进行日前调度,得到最优解;通过建立多元时间序列微分方程模型对风光及电热负荷进行超短期预测;在第二阶段调度中将日前调度的最优解作为参考值,基于滚动调度周期,以误差最小为目标对日内各微源出力进行修正,提高优化控制的精度,减小误差对运行成本的影响,增强综合能源***的可靠性及储能***的稳定性。
Description
技术领域
本发明属于综合能源***技术领域,特别是涉及一种热电氢多能流综合能源***及其优化调度方法。
背景技术
能源是现代化社会经济需求的重要来源之一,随着我国能源消费水平不断提高,能源清洁化率、终端电气化率逐渐升高,能源的使用与发电量迅速增长,可持续清洁能源的发电规模一直在扩大。分布式可再生能源由于其清洁、有效的发电形式,在能源供应中起着重要的作用,是解决能源短缺的有效途径。随着可再生能源的开发利用,分布式电源发电成为可再生能源接入***的一种重要方式和实现可持续发展的有效途径。目前,减少化石燃料使用,充分利用可再生能源已引起广泛的关注。随着分布式能源技术的不断发展,以分布式能源为基础的微电网已逐渐演变成为不仅提供可靠电能,且可以保证***电力、热能、出行等多种需求的综合能源***。综合能源***能够提高能源利用率和风光消纳能力,减少环境污染。然而,单一能源的储能***已经无法满足综合能源***日益复杂的需求,含多种能源的储能***得到了广泛的研究。氢能是吸收可再生能源的有效途径之一,也是实现低碳转型的重要途径之一。与传统能源相比,氢能具有零污染、资源丰富、效率高等优点。氢储能具有能量密度高、长期储能能力强的特点。随着可再生能源发电技术的逐步成熟,蓄氢在电力***中的重要性越来越明显。随着氢能的广泛应用,作为热电氢耦合设备的氢能***逐渐成为综合能源***的重要组成部分。加强对综合能源***的研究,对实现能源可持续利用、发展低碳社会具有重要意义,同时,氢能储能有利于促进可再生能源建设的大规模投资和科学发展,对提高我国风力发电和光伏发电的消费率,减少能源环境污染和能源危机具有重要意义。此外,利用可再生能源进行供热是我国合理控制能源消费总量,实现能源结构优化的迫切需要,也是建设清洁低碳社会,实现可持续发展的必然选择。
目前国内外针对综合能源***的建模、规划以及优化调度均有一定研究,其优化调度的复杂性主要体现在:基于经济性的单目标优化难以满足市场需求,目标函数的构成趋于多样性(经济性、节能性、环保性、削峰填谷指标等);多能源***耦合日益加强,对综合能源***的优化调度与协调运行提出了更高的要求,有待进一步研究;现有的研究对燃气轮机、电锅炉等设备以传统的热电联供方式及其优化管理进行了多方面的研究工作,大量研究未考虑燃料电池与电解槽的热电氢耦合特性,以及没有对氢能***进行全面的精细化建模;预测的误差对综合能源***的运行产生了一定影响等。
发明内容
为了解决上述问题,本发明提出了一种热电氢多能流综合能源***及其优化调度方法,考虑了质子交换膜燃料电池和碱式电解槽电氢转换时的余热回收,能够避免氢储能***的热能浪费并进一步提升氢储能***的效率和***的能量利用率;能够满足综合能源***内电、热负荷需求,实现独立运行;能够维持多种储能元件的储能状态平衡,改善***运行的经济性和环保性,具备一定的实时性和通用性。
为达到上述目的,本发明采用的技术方案是:一种热电氢多能流综合能源***的优化调度方法,多能流综合能源***采用热-电-氢多能流综合能源***,包括步骤:
S100,初始化***,设置电储能***荷电状态SOC、储氢罐的储存状态SOHC、蓄热槽的储存状态HOC初始值;
S200,基于深度学习进行时序预测获取日内风光发电及电热负荷功率;
S300,在第一阶段调度中基于经济性设置目标函数及约束条件,设置调度步长,对多能流综合能源***进行日前调度,得到最优解;
S400,通过建立多元时间序列微分方程模型对风光及电热负荷进行超短期预测;
S500,在第二阶段调度中将日前调度的最优解作为参考值,基于滚动调度周期,以误差最小为目标对日内各微源出力进行修正,提高优化控制的精度,减小误差对运行成本的影响,增强综合能源***的可靠性及储能***的稳定性。
进一步的是,所述基于深度学习进行时序预测的方法,包括步骤:加载序列数据;标准化数据;准备预测变量和响应;定义长短期记忆网络架构;训练长短期记忆网络;预测将来时间步;使用观测值更新网络状态。
进一步的是,在第一阶段调度中,设置调度周期为24h,调度时间跨度为1h,根据日前的风机发电出力、光伏发电出力及负荷需求预测,以综合能源***整体运行成本最小为目标,采用参数约束规划方法对多能流综合能源***进行长时间尺度调度,计算出全局最优调度计划值。
进一步的是,所述参数约束规划方法,包括步骤:
S301,获取日内24h光伏发电出力、风机发电出力及电、热负荷功率的长期预测数据;
S302,各微源状态初始化;
S303,对热-电-氢多能流综合能源***的日前调度目标是保证综合能源***运行成本最低,通过对***中供能设备和储能设备进行合理调度,日前调度的目标函数为:
F=min(COM+Cfuel+Cgas);
其中,COM为运行维护成本,Cfuel为燃料成本,Cgas为污染气体治理成本;
S304,所述运行维护成本函数为:
其中,T为调度周期,t为当前时刻,ρwt、ρpv、ρhss、ρbat、ρeb、ρgb、ρtst为风机、光伏、氢储能***、蓄电池、电锅炉、燃气锅炉、蓄热槽单位运维成本,单位为:元/kWh;Pwt(t)、Ppv(t)、Phss(t)、Pbat(t)、Peb(t)分别为当前时刻风机、光伏、氢储能***、蓄电池的电功率,单位为kW;Heb(t)、Hgb(t)、Htst(t)分别为当前时刻电锅炉、燃气锅炉、蓄热槽的热功率,单位为kW;
所述燃料成本函数为:
其中,Rgas为天然气单位价格(元/m3),LH为天然气热值(kWh/m3)。
所述污染气体治理成本函数为:
其中,Dgbi为燃气锅炉产生污染气体i的排放系数,λi为污染气体i的治理成本;
S305,根据目标函数,得到日前全局调度结果,基于日前调度结果,求取***实时优化最优解。
进一步的是,所述求取***实时优化最优解的过程,包括步骤:
S3051,接受来自日前调度的结果,并对***进行初始化;
S3052,获取当前时刻SOC、SOHC、HOC数值;
S3053,获取当前时刻风机发电出力、光伏发电出力及电、热负荷数据,根据历史数据及实测数据,通过建立预测多元时间序列微分方程模型,对风光发电及电热负荷需求功率进行超短期预测;
S3054,使日内功率追踪日前计划,消除日前预测误差造成的功率波动,以减小不确定性带来的经济损失,建立实时优化的目标函数为:
λi∈[λ1,λ2,λ3,λ4,λ5,λ6,λ7];
其中,k为优化初始时刻,λi为权重系数,Pbat(k)、Phy(k)、Peb(k)、Htst(k)为蓄电池、氢能***、电锅炉、蓄热槽在t时刻的实时输出功率,Pbat-ref(k)、Phy-ref(k)、Peb-ref(k)、Ptst-ref(k)为日前调度所得蓄电池、氢能***、电锅炉、蓄热槽的参考功率;SOC(k)、SOHC(k)及HOC(k)分别为当前时刻蓄电池的荷电状态、储氢罐的储存状态、蓄热槽的储存状态;SOC-ref(k)、SOHC-ref(k)、HOC-ref(k)分别为日前调度所得蓄电池荷电状态、储氢罐储存状态、蓄热槽储存状态的参考值;
S3055,使用闭环最优预测控制嵌入混合整数二次最优化算法对综合能源***进行在线优化;
S3056,输出当前时刻实时优化调度结果,更新储能状态数据等状态量并反馈至下一轮的阶段优化;
S3057,判断当前时刻是否为最后时刻,若否,返回步骤S3052,若是,结束本过程;
S3058,输出实时优化调度结果。
进一步的是,所述基于预测多元时间序列微分方程模型的预测方法步骤包括:输入原始数据;判断原始数据是否满足光滑条件,若否,对原始数据进行预处理后返回该步骤,若是,则进行下一步;基于满足光滑条件的数据建立建立微分方程模型;构造预测公式;判断预测精度检验是否合格,若否,对所得数据进行残差修正并调整模型,若是,输出短期预测数据。
进一步的是,所述约束条件包括:综合能源***电、热功率平衡,蓄电池最大充放电功率,燃料电池最大输出功率,电解槽最大输出功率,电锅炉最大输出功率,燃气锅炉最大输出功率,燃料电池、电解槽的热电氢耦合特性,电锅炉的电热耦合特性,燃气锅炉的产热特性,蓄电池SOC上下限,储氢罐SOHC上下限,蓄热槽HOC上下限。
进一步的是,所述热-电-氢多能流综合能源***包括光伏发电***、风力发电***、电储能***、热储能***、氢储能***、电锅炉***、燃气锅炉***、电母线、热母线和氢气管道;所述光伏发电***、风力发电***作为分布式电源为热-电-氢多能流综合能源***提供电能,连接至电母线;所述氢储能***具备热电氢耦合特性包括电解槽***、储氢罐***以及燃料电池***,分别连接电母线和热母线;所述电锅炉***以电能为能源为热-电-氢多能流综合能源***提供热能,分别连接电母线和热母线;所述燃气锅炉***以天然气为能源为热-电-氢多能流综合能源***提供热能,连接热母线;所述蓄热***为热-电-氢多能流综合能源***的热储能***,连接热母线;
电储能***与氢储能***用于吸收上述光伏发电***与风力发电***所发出多余电能,同时在光伏发电***及风力发电***输出不足时补充***的电功率缺额;氢储能***输出或吸收电能的同时产生的热能供给热负荷;蓄热***用于吸收氢储能***、电锅炉***、燃气锅炉***产生的多余热能,同时在热源输出不足时补充额外的热能。
另一方面,本发明还提供了一种热电氢多能流综合能源***,采用热-电-氢多能流综合能源***包括光伏发电***、风力发电***、电储能***、热储能***、氢储能***、电锅炉***、燃气锅炉***、电母线、热母线和氢气管道;所述光伏发电***、风力发电***作为分布式电源为热-电-氢多能流综合能源***提供电能,连接至电母线;所述氢储能***具备热电氢耦合特性包括电解槽***、储氢罐***以及燃料电池***,分别连接电母线和热母线;所述电锅炉***以电能为能源为热-电-氢多能流综合能源***提供热能,分别连接电母线和热母线;所述燃气锅炉***以天然气为能源为热-电-氢多能流综合能源***提供热能,连接热母线;所述蓄热***为热-电-氢多能流综合能源***的热储能***,连接热母线;
电储能***与氢储能***用于吸收上述光伏发电***与风力发电***所发出多余电能,同时在光伏发电***及风力发电***输出不足时补充***的电功率缺额;氢储能***输出或吸收电能的同时产生的热能供给热负荷;蓄热***用于吸收氢储能***、电锅炉***、燃气锅炉***产生的多余热能,同时在热源输出不足时补充额外的热能。
进一步的是,所述风机发电***包括风力发电机及其单向AC/DC变流器,风力发电机通过单向AC/DC变流器连接至电母线;所述光伏发电***包括光伏电池及其单向DC/DC变流器,光伏电池通过单向DC/DC变流器连接至电母线;所述电储能***包括蓄电池及其双向DC/DC变换器,蓄电池通过双向DC/DC变换器连接至电母线;
所述氢储能***包括燃料电池***、电解槽***和储氢罐***,燃料电池***、电解槽***和储氢罐***并列设置在电母线和热母线之间;所述燃料电池***包括燃料电池、单向DC/DC变换器和燃料电池换热器,燃料电池通过单向DC/DC变换器连接电母线,燃料电池通过燃料电池换热器连接至热母线;所述电解槽***包括电解槽、DC/DC变换器和电解槽换热器,电解槽通过DC/DC变换器连接电母线,电解槽通过电解槽换热器连接热母线,电解槽将分解的氢气通向储氢罐,储氢罐的氢气通向燃料电池;
所述电锅炉***包括电锅炉及其变换器,电锅炉通过变换器连接至电母线,且电锅炉的热端直接通向热母线;所述燃气锅炉***包括燃气锅炉,燃气锅炉连接热母线;所述蓄热***包括蓄热槽及其换热器,蓄热槽通过换热器连接热母线。
采用本技术方案的有益效果:
本发明主要由以光伏发电、风力发电为主的分布式电源、储能设备、供能设备及负荷组成。其中储能设备包括电储能***、氢储能***和热储能***。负荷包括电负荷和热负荷。电锅炉为热电耦合元件,燃料电池与电解槽为热电氢耦合元件,燃气锅炉通过消耗天然气为***提供热能。在第一阶段调度中,基于深度学习进行时序预测获取日内的风光发电出力及电热负荷需求功率,以综合能源***整体运行成本最小为目标,采用参数约束规划方法实现日前调度,计算各微源全局最优输出功率参考值及各储能***储能状态参考值;在第二阶段调度中,通过建立预测多元时间序列微分方程模型,对风光发电及电热负荷需求功率进行超短期预测,使用闭环最优预测控制嵌入混合整数二次最优化算法,在日前调度结果的基础上对各微源的出力进行修正,使日内实时优化结果与日前结果误差最小,减小预测误差带来的经济性影响。本发明具有一定的实时性及通用性,考虑了质子交换膜燃料电池和电解槽的热电氢联供特性,避免了氢储能***的热能浪费并进一步提高氢能***的效率,能够实现电、热、氢的协调利用与相互转换,实现***稳定独立运行,改善***的运行经济性与环保性,增强***可靠性及储能***的稳定性。
本发明通过构建以电能***、氢能***以及热能***构成的储能模型为基础的多能流综合能源***,提出一种热-电-氢多能流综合能源***多阶段多时间尺度优化调度模型,包括基于参数约束规划方法的日前经济调度以及以闭环最优预测控制嵌入混合整数二次最优化算法的实时调度优化方法,能够有效减小误差带来的经济性影响,提升新***的可靠性和稳定性。
本发明通过考虑质子交换膜燃料电池和碱式电解槽的热电联供特性,能够提升氢能***的工作效率,同时为电、热负荷提供可靠的能源供应,避免热能的浪费,能够进一步提高综合能源***的能源利用率。
本发明综合考虑了多能流综合能源***中的电氢热耦合,能够实现多种能源间的优势互补和协调运行,能够满足综合能源***内部的负荷需求,完成独立供电;能够在调度优化中兼顾经济性与环保性。
附图说明
图1为本发明的一种热电氢多能流综合能源***及其优化调度方法流程示意图;
图2为本发明实施例中基于深度学习进行时序预测获取日前长期预测的计算流程图;
图3为本发明实施例中热-电-氢多能流综合能源***多阶段多时间尺度优化调度方法的计算流程图;
图4为本发明实施例中建立预测多元时间序列微分方程模型获取日内短期预测结果的计算流程图;
图5为本发明实施例中热-电-氢多能流综合能源***的拓扑结构。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种热电氢多能流综合能源***的优化调度方法,多能流综合能源***采用热-电-氢多能流综合能源***,包括步骤:
S100,初始化***,设置电储能***荷电状态SOC、储氢罐的储存状态SOHC、蓄热槽的储存状态HOC初始值;
S200,基于深度学习进行时序预测获取日内风光发电及电热负荷功率;
S300,在第一阶段调度中基于经济性设置目标函数及约束条件,设置调度步长,可设置为1h,对多能流综合能源***进行日前调度,得到最优解;
S400,通过建立多元时间序列微分方程模型对风光及电热负荷进行超短期预测;
S500,在第二阶段调度中将日前调度的最优解作为参考值,基于滚动调度周期,可设置为15min×4,以误差最小为目标对日内各微源出力进行修正,提高优化控制的精度,减小误差对运行成本的影响,增强综合能源***的可靠性及储能***的稳定性。
为了确定所述多能流综合能源***日前调度的工况,根据历史数据,基于深度学习进行时序预测的方法对日前调度的风机、光伏、负荷等数据进行预测,时间尺度为1h,计算出日内24h的预测数据。
作为上述实施例的优化方案,如图2所示,所述基于深度学习进行时序预测的方法,包括步骤:加载序列数据;标准化数据;准备预测变量和响应;定义长短期记忆网络架构;训练长短期记忆网络;预测将来时间步;使用观测值更新网络状态。
作为上述实施例的优化方案,在第一阶段调度中,设置调度周期为24h,调度时间跨度为1h,根据日前的风机发电出力、光伏发电出力及负荷需求预测,以综合能源***整体运行成本最小为目标,采用参数约束规划方法对多能流综合能源***进行长时间尺度调度,计算出全局最优调度计划值。
如图3所示,所述参数约束规划方法,包括步骤:
S301,获取日内24h光伏发电出力、风机发电出力及电、热负荷功率的长期预测数据;
S302,各微源状态初始化;
S303,对热-电-氢多能流综合能源***的日前调度目标是保证综合能源***运行成本最低,通过对***中供能设备和储能设备进行合理调度,日前调度的目标函数为:
F=min(COM+Cfuel+Cgas);
其中,COM为运行维护成本,Cfuel为燃料成本,Cgas为污染气体治理成本;
S304,所述运行维护成本函数为:
其中,T为调度周期,t为当前时刻,ρwt、ρpv、ρhss、ρbat、ρeb、ρgb、ρtst为风机、光伏、氢储能***、蓄电池、电锅炉、燃气锅炉、蓄热槽单位运维成本,单位为:元/kWh;Pwt(t)、Ppv(t)、Phss(t)、Pbat(t)、Peb(t)分别为当前时刻风机、光伏、氢储能***、蓄电池的电功率,单位为kW;Heb(t)、Hgb(t)、Htst(t)分别为当前时刻电锅炉、燃气锅炉、蓄热槽的热功率,单位为kW;
所述燃料成本函数为:
其中,Rgas为天然气单位价格(元/m3),LH为天然气热值(kWh/m3)。
所述污染气体治理成本函数为:
其中,Dgbi为燃气锅炉产生污染气体i的排放系数,λi为污染气体i的治理成本;
S305,根据目标函数,得到日前全局调度结果,基于日前调度结果,求取***实时优化最优解。
所述求取***实时优化最优解的过程,包括步骤:
S3051,接受来自日前调度的结果,并对***进行初始化;
S3052,获取当前时刻SOC、SOHC、HOC数值;
S3053,获取当前时刻风机发电出力、光伏发电出力及电、热负荷数据,根据历史数据及实测数据,通过建立预测多元时间序列微分方程模型,对风光发电及电热负荷需求功率进行超短期预测,设置预测长度为15min×3,设置滚动周期为15min×4;
S3054,使日内功率追踪日前计划,消除日前预测误差造成的功率波动,以减小不确定性带来的经济损失,建立实时优化的目标函数为:
λi∈[λ1,λ2,λ3,λ4,λ5,λ6,λ7];
其中,k为优化初始时刻,λi为权重系数,Pbat(k)、Phy(k)、Peb(k)、Htst(k)为蓄电池、氢能***、电锅炉、蓄热槽在t时刻的实时输出功率,Pbat-ref(k)、Phy-ref(k)、Peb-ref(k)、Ptst-ref(k)为日前调度所得蓄电池、氢能***、电锅炉、蓄热槽的参考功率;SOC(k)、SOHC(k)及HOC(k)分别为当前时刻蓄电池的荷电状态、储氢罐的储存状态、蓄热槽的储存状态;SOC-ref(k)、SOHC-ref(k)、HOC-ref(k)分别为日前调度所得蓄电池荷电状态、储氢罐储存状态、蓄热槽储存状态的参考值;
S3055,使用闭环最优预测控制嵌入混合整数二次最优化算法对综合能源***进行在线优化;
S3056,输出当前时刻实时优化调度结果,更新储能状态数据等状态量并反馈至下一轮的阶段优化;
S3057,判断当前时刻是否为最后时刻,若否,返回步骤S3052,若是,结束本过程;
S3058,输出实时优化调度结果。
作为上述实施例的优化方案,如图4所示,所述基于预测多元时间序列微分方程模型的预测方法步骤包括:输入原始数据;判断原始数据是否满足光滑条件,若否,对原始数据进行预处理后返回该步骤,若是,则进行下一步;基于满足光滑条件的数据建立建立微分方程模型;构造预测公式;判断预测精度检验是否合格,若否,对所得数据进行残差修正并调整模型,若是,输出短期预测数据。
作为上述实施例的优化方案,所述约束条件包括:综合能源***电、热功率平衡,蓄电池最大充放电功率,燃料电池最大输出功率,电解槽最大输出功率,电锅炉最大输出功率,燃气锅炉最大输出功率,燃料电池、电解槽的热电氢耦合特性,电锅炉的电热耦合特性,燃气锅炉的产热特性,蓄电池SOC上下限,储氢罐SOHC上下限,蓄热槽HOC上下限。
为配合本发明方法的实现,基于相同的发明构思,如图5所示,本发明还提供了一种热电氢多能流综合能源***及其优化调度方法,采用热-电-氢多能流综合能源***包括光伏发电***、风力发电***、电储能***、热储能***、氢储能***、电锅炉***、燃气锅炉***、电母线、热母线和氢气管道;所述光伏发电***、风力发电***作为分布式电源为热-电-氢多能流综合能源***提供电能,连接至电母线;所述氢储能***具备热电氢耦合特性包括电解槽***、储氢罐***以及燃料电池***,分别连接电母线和热母线;所述电锅炉***以电能为能源为热-电-氢多能流综合能源***提供热能,分别连接电母线和热母线;所述燃气锅炉***以天然气为能源为热-电-氢多能流综合能源***提供热能,连接热母线;所述蓄热***为热-电-氢多能流综合能源***的热储能***,连接热母线;
电储能***与氢储能***用于吸收上述光伏发电***与风力发电***所发出多余电能,同时在光伏发电***及风力发电***输出不足时补充***的电功率缺额;氢储能***输出或吸收电能的同时产生的热能供给热负荷;蓄热***用于吸收氢储能***、电锅炉***、燃气锅炉***产生的多余热能,同时在热源输出不足时补充额外的热能。
作为上述实施例的优化方案,所述风机发电***包括风力发电机及其单向AC/DC变流器,风力发电机通过单向AC/DC变流器连接至电母线;所述光伏发电***包括光伏电池及其单向DC/DC变流器,光伏电池通过单向DC/DC变流器连接至电母线;所述电储能***包括蓄电池及其双向DC/DC变换器,蓄电池通过双向DC/DC变换器连接至电母线;
所述氢储能***包括燃料电池***、电解槽***和储氢罐***,燃料电池***、电解槽***和储氢罐***并列设置在电母线和热母线之间;所述燃料电池***包括燃料电池、单向DC/DC变换器和燃料电池换热器,燃料电池通过单向DC/DC变换器连接电母线,燃料电池通过燃料电池换热器连接至热母线;所述电解槽***包括电解槽、DC/DC变换器和电解槽换热器,电解槽通过DC/DC变换器连接电母线,电解槽通过电解槽换热器连接热母线,电解槽将分解的氢气通向储氢罐,储氢罐的氢气通向燃料电池;
所述电锅炉***包括电锅炉及其变换器,电锅炉通过变换器连接至电母线,且电锅炉的热端直接通向热母线;所述燃气锅炉***包括燃气锅炉,燃气锅炉连接热母线;所述蓄热***包括蓄热槽及其换热器,蓄热槽通过换热器连接热母线。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种热电氢多能流综合能源***的优化调度方法,其特征在于,多能流综合能源***采用热-电-氢多能流综合能源***,包括步骤:
S100,初始化***,设置电储能***荷电状态SOC、储氢罐的储存状态SOHC和蓄热槽的储存状态HOC初始值;
S200,基于深度学习进行时序预测获取日内风光发电及电热负荷功率;
S300,在第一阶段调度中基于经济性设置目标函数及约束条件,设置调度步长,对多能流综合能源***进行日前调度,得到最优解;
S400,通过建立多元时间序列微分方程模型对风光及电热负荷进行超短期预测;
S500,在第二阶段调度中将日前调度的最优解作为参考值,基于滚动调度周期,以误差最小为目标对日内各微源出力进行修正;
在第一阶段调度中,设置调度周期为24h,调度时间跨度为1h,根据日前的风机发电出力、光伏发电出力及负荷需求预测,以综合能源***整体运行成本最小为目标,采用参数约束规划方法对多能流综合能源***进行长时间尺度调度,计算出全局最优调度计划值;
所述参数约束规划方法,包括步骤:
S301,获取日内24h光伏发电出力、风机发电出力及电、热负荷功率的长期预测数据;
S302,各微源状态初始化;
S303,对热-电-氢多能流综合能源***的日前调度目标是保证综合能源***运行成本最低,通过对***中供能设备和储能设备进行合理调度,日前调度的目标函数为:
F=min(COM+Cfuel+Cgas);
其中,COM为运行维护成本,Cfuel为燃料成本,Cgas为污染气体治理成本;
S304,所述运行维护成本函数为:
其中,T为调度周期,t为当前时刻,ρwt、ρpv、ρhss、ρbat、ρeb、ρgb、ρtst为风机、光伏、氢储能***、蓄电池、电锅炉、燃气锅炉、蓄热槽单位运维成本,单位为:元/kWh;Pwt(t)、Ppv(t)、Phss(t)、Pbat(t)、Peb(t)分别为当前时刻风机、光伏、氢储能***、蓄电池的电功率,单位为kW;Heb(t)、Hgb(t)、Htst(t)分别为当前时刻电锅炉、燃气锅炉、蓄热槽的热功率,单位为kW;
所述燃料成本函数为:
其中,Rgas为天然气单位价格,单位为元/m3,LH为天然气热值,单位为kWh/m3;
所述污染气体治理成本函数为:
其中,Dgbi为燃气锅炉产生污染气体i的排放系数,λi为污染气体i的治理成本;
S305,根据目标函数,得到日前全局调度结果,基于日前调度结果,求取***实时优化最优解;
所述求取***实时优化最优解的过程,包括步骤:
S3051,接受来自日前调度的结果,并对***进行初始化;
S3052,获取当前时刻SOC、SOHC和HOC数值;
S3053,获取当前时刻风机发电出力、光伏发电出力及电和热负荷数据,根据历史数据及实测数据,通过建立预测多元时间序列微分方程模型,对风光发电及电热负荷需求功率进行超短期预测;
S3054,使日内功率追踪日前计划,建立实时优化的目标函数为:
λi∈[λ1,λ2,λ3,λ4,λ5,λ6,λ7];
其中,k为优化初始时刻,λi为权重系数,Pbat(k)、Phy(k)、Peb(k)、Htst(k)为蓄电池、氢能***、电锅炉、蓄热槽在t时刻的实时输出功率,Pbat-ref(k)、Phy-ref(k)、Peb-ref(k)、Ptst-ref(k)为日前调度所得蓄电池、氢能***、电锅炉、蓄热槽的参考功率;SOC(k)、SOHC(k)及HOC(k)分别为当前时刻蓄电池的荷电状态、储氢罐的储存状态、蓄热槽的储存状态;SOC-ref(k)、SOHC-ref(k)、HOC-ref(k)分别为日前调度所得蓄电池荷电状态、储氢罐储存状态、蓄热槽储存状态的参考值;
S3055,使用闭环最优预测控制嵌入混合整数二次最优化算法对综合能源***进行在线优化;
S3056,输出当前时刻实时优化调度结果,更新储能状态数据状态量并反馈至下一轮的阶段优化;
S3057,判断当前时刻是否为最后时刻,若否,返回步骤S3052,若是,结束本过程;
S3058,输出实时优化调度结果;
基于预测多元时间序列微分方程模型的预测方法步骤包括:输入原始数据;判断原始数据是否满足光滑条件,若否,对原始数据进行预处理后返回该步骤,若是,则进行下一步;基于满足光滑条件的数据建立建立微分方程模型;构造预测公式;判断预测精度检验是否合格,若否,对所得数据进行残差修正并调整模型,若是,输出短期预测数据。
2.根据权利要求1所述的一种热电氢多能流综合能源***的优化调度方法,其特征在于,所述基于深度学习进行时序预测的方法,包括步骤:加载序列数据;标准化数据;准备预测变量和响应;定义长短期记忆网络架构;训练长短期记忆网络;预测将来时间步;使用观测值更新网络状态。
3.根据权利要求1所述的一种热电氢多能流综合能源***的优化调度方法,其特征在于,所述约束条件包括:综合能源***电、热功率平衡,蓄电池最大充放电功率,燃料电池最大输出功率,电解槽最大输出功率,电锅炉最大输出功率,燃气锅炉最大输出功率,燃料电池、电解槽的热电氢耦合特性,电锅炉的电热耦合特性,燃气锅炉的产热特性,蓄电池SOC上下限,储氢罐SOHC上下限,蓄热槽HOC上下限。
4.根据权利要求1所述的一种热电氢多能流综合能源***的优化调度方法,其特征在于,所述热-电-氢多能流综合能源***包括光伏发电***、风力发电***、电储能***、热储能***、氢储能***、电锅炉***、燃气锅炉***、电母线、热母线和氢气管道;所述光伏发电***、风力发电***作为分布式电源为热-电-氢多能流综合能源***提供电能,连接至电母线;所述氢储能***具备热电氢耦合特性包括电解槽***、储氢罐***以及燃料电池***,分别连接电母线和热母线;所述电锅炉***以电能为能源为热-电-氢多能流综合能源***提供热能,分别连接电母线和热母线;所述燃气锅炉***以天然气为能源为热-电-氢多能流综合能源***提供热能,连接热母线;蓄热***为热-电-氢多能流综合能源***的热储能***,连接热母线;
电储能***与氢储能***用于吸收上述光伏发电***与风力发电***所发出多余电能,同时在光伏发电***及风力发电***输出不足时补充***的电功率缺额;氢储能***输出或吸收电能的同时产生的热能供给热负荷;蓄热***用于吸收氢储能***、电锅炉***、燃气锅炉***产生的多余热能,同时在热源输出不足时补充额外的热能。
5.根据权利要求4所述的一种热电氢多能流综合能源***的优化调度方法,其特征在于,所述风力发电***包括风力发电机及其单向AC/DC变流器,风力发电机通过单向AC/DC变流器连接至电母线;所述光伏发电***包括光伏电池及其单向DC/DC变流器,光伏电池通过单向DC/DC变流器连接至电母线;所述电储能***包括蓄电池及其双向DC/DC变换器,蓄电池通过双向DC/DC变换器连接至电母线;
所述氢储能***包括燃料电池***、电解槽***和储氢罐***,燃料电池***、电解槽***和储氢罐***并列设置在电母线和热母线之间;所述燃料电池***包括燃料电池、单向DC/DC变换器和燃料电池换热器,燃料电池通过单向DC/DC变换器连接电母线,燃料电池通过燃料电池换热器连接至热母线;所述电解槽***包括电解槽、DC/DC变换器和电解槽换热器,电解槽通过DC/DC变换器连接电母线,电解槽通过电解槽换热器连接热母线,电解槽将分解的氢气通向储氢罐,储氢罐的氢气通向燃料电池;
所述电锅炉***包括电锅炉及其变换器,电锅炉通过变换器连接至电母线,且电锅炉的热端直接通向热母线;所述燃气锅炉***包括燃气锅炉,燃气锅炉连接热母线;蓄热***包括蓄热槽及其换热器,蓄热槽通过换热器连接热母线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986468.2A CN113850474B (zh) | 2021-08-26 | 2021-08-26 | 一种热电氢多能流综合能源***及其优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986468.2A CN113850474B (zh) | 2021-08-26 | 2021-08-26 | 一种热电氢多能流综合能源***及其优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850474A CN113850474A (zh) | 2021-12-28 |
CN113850474B true CN113850474B (zh) | 2023-04-07 |
Family
ID=78976440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110986468.2A Active CN113850474B (zh) | 2021-08-26 | 2021-08-26 | 一种热电氢多能流综合能源***及其优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850474B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676979B (zh) * | 2022-03-04 | 2022-11-25 | 南方科技大学 | 一种能量调度方法及其装置、计算机设备、存储介质 |
CN114784797B (zh) * | 2022-04-25 | 2024-01-19 | 东南大学溧阳研究院 | 一种计及多重不确定性的住宅综合能源***的热电优化日前调度方法 |
CN115238505B (zh) * | 2022-07-27 | 2024-02-13 | 国网山东省电力公司枣庄供电公司 | 基于风光场站的热电氢联供型***优化配置方法及*** |
CN115307054B (zh) * | 2022-08-22 | 2024-05-03 | 西南交通大学 | 一种基于微网余电制氢的加氢站设备容量优化配置方法 |
CN115882515B (zh) * | 2023-03-01 | 2023-05-26 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 协同多类型电解制氢与储能电池的微电网***及运行方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009152A (zh) * | 2019-04-03 | 2019-07-12 | 东南大学 | 一种考虑电转气和不确定性的区域综合能源***运行鲁棒优化方法 |
CN110544935A (zh) * | 2019-07-29 | 2019-12-06 | 西南交通大学 | 一种电-氢多能互补直流微电网协调调度方法 |
CN110807560A (zh) * | 2019-11-12 | 2020-02-18 | 国网重庆市电力公司电力科学研究院 | 氢混天然气能源***调度方法、装置及可读存储介质 |
WO2020121447A1 (ja) * | 2018-12-12 | 2020-06-18 | 東芝エネルギーシステムズ株式会社 | 水素システムの制御装置、および水素システムの制御方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2920432A2 (en) * | 2012-11-15 | 2015-09-23 | Kevin Lee Friesth | Hybrid trigeneration system based microgrid combined cooling, heat and power providing heating, cooling, electrical generation and energy storage using an integrated automation system for monitor, analysis and control |
-
2021
- 2021-08-26 CN CN202110986468.2A patent/CN113850474B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020121447A1 (ja) * | 2018-12-12 | 2020-06-18 | 東芝エネルギーシステムズ株式会社 | 水素システムの制御装置、および水素システムの制御方法 |
CN110009152A (zh) * | 2019-04-03 | 2019-07-12 | 东南大学 | 一种考虑电转气和不确定性的区域综合能源***运行鲁棒优化方法 |
CN110544935A (zh) * | 2019-07-29 | 2019-12-06 | 西南交通大学 | 一种电-氢多能互补直流微电网协调调度方法 |
CN110807560A (zh) * | 2019-11-12 | 2020-02-18 | 国网重庆市电力公司电力科学研究院 | 氢混天然气能源***调度方法、装置及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Yuchen Pu等.Two-stage scheduling for island CPHH IES considering plateau climate.《CSEE Journal of Power and Energy Systems》.2020,第1-10页. * |
王丹等.基于多能源站协调的区域电力-热力***日前经济调度.《电力***自动化》.2018,第42卷(第13期),第59-67页. * |
魏斌等.融合多场景分析的交直流混合微电网多时间尺度随机优化调度策略.《高电压技术》.2020,第46卷(第07期),第2359-2369页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113850474A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850474B (zh) | 一种热电氢多能流综合能源***及其优化调度方法 | |
CN110544935B (zh) | 一种电-氢多能互补直流微电网协调调度方法 | |
CN108832656B (zh) | 基于电转气和可再生能源利用微能源网多目标规划方法 | |
CN108123492B (zh) | 一种考虑火电电蓄热联合调峰的日前发电计划优化方法 | |
Wang et al. | Synergistic planning of an integrated energy system containing hydrogen storage with the coupled use of electric-thermal energy | |
CN112990523B (zh) | 区域综合能源***分层优化运行方法 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN114243694B (zh) | 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法 | |
CN112821466B (zh) | 一种含光热发电的独立微电网容量配置方法 | |
CN112671040A (zh) | 一种考虑新能源消纳最大的多能互补***日前优化调度方法 | |
CN107749645A (zh) | 一种控制高压大容量储热供暖装置的方法 | |
Zhu et al. | Multi-objective optimization of a hybrid energy system integrated with solar-wind-PEMFC and energy storage | |
CN115186791A (zh) | 一种计及氢气交易的电氢热耦合多能互补微电网优化配置方法 | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源***协调优化运行方法 | |
Liu et al. | Short-and long-duration cooperative energy storage system: Optimizing sizing and comparing rule-based strategies | |
CN114742276A (zh) | 一种考虑㶲效率的含orc的园区综合能源***多目标优化调度方法 | |
CN113822480A (zh) | 一种农村综合能源***多层协同优化方法及*** | |
CN113078684B (zh) | 一种基于双层优化的区域能源社区规划方法 | |
CN117649089A (zh) | 一种集成氢能的综合能源***鲁棒低碳优化调度方法 | |
CN112883630A (zh) | 用于风电消纳的多微网***日前优化经济调度方法 | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢***的运行控制策略 | |
Wang et al. | Capacity Optimization of Island Integrated Energy System Considering Hydrogen Energy Access | |
CN114386256A (zh) | 一种考虑电热设备灵活性约束及热网特性的区域电热***优化调度方法 | |
CN111985844A (zh) | 一种风力及光能综合能源***日前经济调度方法 | |
Chen et al. | Optimization and analysis of microgrid based on different operational strategies |
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 |