CN114330827B - 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 - Google Patents

多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 Download PDF

Info

Publication number
CN114330827B
CN114330827B CN202111429229.3A CN202111429229A CN114330827B CN 114330827 B CN114330827 B CN 114330827B CN 202111429229 A CN202111429229 A CN 202111429229A CN 114330827 B CN114330827 B CN 114330827B
Authority
CN
China
Prior art keywords
cost
model
scheduling
energy
heat
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
CN202111429229.3A
Other languages
English (en)
Other versions
CN114330827A (zh
Inventor
于松源
房方
元志伟
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111429229.3A priority Critical patent/CN114330827B/zh
Publication of CN114330827A publication Critical patent/CN114330827A/zh
Application granted granted Critical
Publication of CN114330827B publication Critical patent/CN114330827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] 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

Landscapes

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

Abstract

多能流虚拟电厂分布式鲁棒自调度优化方法及其应用，该方法是基于Wasserstein距离的多能流虚拟电厂分布式鲁棒自调度优化方法，包括如下步骤：建立多能流虚拟电厂自调度模型，确定自调度模型目标函数；建立多能流VPP运行模型;建立电网模型;建立热网模型；建立气网模型；建立HOMIE模型；自调度模型的求解。经过上述方法处理之后，所提出的分布式鲁棒自调度模型就可以通过商业求解器如CPLEX直接进行求解，得到最优的调度方案，实现计及碳捕集的虚拟电厂多能流协同优化调控，提高CHP机组运行效率，实现热电解耦，提高可再生能源消纳，并提升了整个***的运行经济性及灵活性。

Description

多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
技术领域
本发明涉及一种优化方法及其应用，尤其是涉及一种多能流虚拟 电厂分布式鲁棒自调度优化方法及其应用。
背景技术
如今现在能源***结构十分依赖各种能源转换技术。热电联产 (combined heatand power,CHP)机组和热泵(heat pump,HP) 等耦合元件集成到耦合的电力和热力***中，这些***相互依存，相 互影响巨大。在这方面，耦合***的协同调度可以提高能源利用效率 并减少二氧化碳排放。然而，分布式能源(distributed energy resources,DERs)的涌入极大地影响了电力***的安全稳定运行， 例如能量平衡和阻塞管理。此外，CHP机组的传统运行模式导致可再 生能源的大量削减。这些困难给多能流耦合***的集成带来了巨大的 挑战。
解决上述问题的一个前沿的解决方案是借助虚拟电厂(virtual power plant,VPP)的平台，它基于先进的网络通信、实时检测和测 量技术聚集了DERs集群(如：S.Yu,F.Fang,Y.Liu,and J.Liu, “Uncertainties of virtual power plant:Problems andcountermeasures,”Applied Energy,vol.239,pp.454–470, 2019)。VPP不仅用于为异构DERs提供平台，还用于集成可调度负荷 来提高***灵活性。关于VPP的现有文献主要集中在VPP的能源管理和 调度优化方面。为了解决具有不确定性的优化问题，VPP运行策略设计中最基本的优化方法包括随机规划(stochastic programming，SP) 和鲁棒优化(robustoptimization，RO)。SP方法是基于已知的概 率密度[5]应用的，这在实践中很难获得，因此不适合大多数工业应用。 此外，SP方法生成的场景通常会导致沉重的计算负担。同时，以不确 定参数的边界表示RO的方法在选择适当的鲁棒集时总是遇到困难(X. Lu,Z.Liu,L.Ma,L.Wang,K.Zhou,and N.Feng,“A robust optimization approach for optimal loaddispatch of community energy hub,”Applied Energy,vol.259,p.114195,2020)， 且其结果通常是保守的。
近年来，分布式鲁棒优化(distributionally robust optimization，DRO)被广泛应用于解决包含不确定性的优化问题[P. Zhao,C.Gu,Y.Xiang,X.Zhang,Y.Shen,andS.Li,“Reactive power optimization in integrated electricity and gas systems,”IEEE Systems Journal,pp.1–11,2020]。结合SP和RO的优点，基 于DRO的方法在模糊集合中最坏的不确定性概率分布下实现调度策略。 在文献8[X.Han,E.G.Kardakos,and G.Hug,“A distributionally robust bidding strategy for a wind power plant,”ElectricPower Systems Research,vol.177,p.105986, 2019.]中，建立了一个双层DRO模型，以推导聚合风力涡轮机(WT) 的最优投标策略，风力发电输出作为一个不确定参数，其特征是定义 了一系列分布的模糊集。类似地，在文献9[Y.Zhang,J.Le,F.Zheng, Y.Zhang,andK.Liu,“Two-stage distributionally robust ”Renewable Energy,vol.135,pp.122–135, 2019]中提出了一个两阶段的DRO模型，用于研究具有风电不确定性的 多能源耦合***的协调优化调度，以最小化预期运行成本。上述两篇 论文中建立的不确定性集只描述了矩信息，而不限制其特定的概率分 布形式。在文献10[于松源.热电联产虚拟电厂协同优化调度研究[D]. 华北电力大学(北京),2021]中，提出了热电联产虚拟电厂的分布式鲁 棒优化调度策略，但是仅仅是其经济上的优化，并未考虑计及碳捕集 技术的环境相关因素。
尽管VPP优化调度问题在以前的文献中已有报道，但仍有许多挑 战需要妥善解决。首先，在多种异构DERs运行特性的影响下，以及电 网、热网以及气网的耦合和动态特性，为多能流VPP的精准建模带来 难度。第二，在能源领域优化调度中，HP通常是指空调，作为灵活的 电力负荷参与VPP的调度，而大型热泵应被视为一个发热机组，消耗 电能释放热能以满足供热需求。目前鲜有研究针对于大型热泵在多能 流VPP中的应用本发明旨在解决上述问题，提出了一种多能流VPP的自 调度方案。
发明内容
本发明所要解决的问题：
(1)多能流虚拟电厂调度问题中，风光出力负荷功率波动带来的不 确定问题。由于风能和太阳能的间歇性和时变性，仅依照现有技术的 可再生能源预测出力无法获得***最优调度方案，风电出力和光伏出 力的预测误差一般为20-30％。受地域等环境因素的影响，风速具有 较大随机性，从而导致风力发电具有不确定性。同样，光伏发电依赖 于光照强度，会受到天气突变的影响，尤其是云的变化，具有季节和 昼夜两种模式。当可再生能源并网容量增加时，具有周期性和随机性 的发电量会对电网的安全、稳定、经济运行产生一定的影响。因此需 要用合理的方法描述风光出力的不确定性。
(2)可再生能源消纳问题。在传统的“以热定电”的调度模式下， CHP机组的电出力与其热出力呈正相关。因此，在冬季热负荷偏高的 情况下，不得不提高CHP机组的热出力，而相应的电出力也随之提高， 这使得仅仅CHP机组的发电量就可以满足非高峰时段大部分的电力 负荷需求，从而导致可再生能源发电无法被充分利用，产生“弃风弃 光”现象。电、热能源之间的转换和协调，可以有效提高***的经济 性以及可再生能源的消纳能力。VPP提高***灵活性的手段主要包括 增设耦合元件等设备、增设储热等储能装置、建筑热特性、考虑用户 舒适度等。
(3)供热管网动态特性问题。与电能的传递相比，热气在网络中的 传输速度慢、惯性大，由此带来一定的传输迟延问题，但正是热网的 慢动态、高时延的特性，使其被动扮演了储能的角色，协助电力*** 削峰填谷，消纳可再生能源。而天然气网络与热网相比简单很多，但 是其建模太简单，导致得到的规划结果与实际不符；建模太复杂，会 给其优化求解带来困难。因此，多能流虚拟电厂耦合***需要充分考 虑电热气多相流动态特性问题，将原有孤立的电力***与供热***和 供气***聚合，研究其能源互补与协同运行。
(4)双碳目标下的碳排放问题。碳捕集与封存(carbon capture and storage，CCS)技术可以灵活控制CO2捕集力度和能量分配关系，在 减少***CO2排放量的同时，消耗电能，增加热电厂出力实现“热电 解耦”，提高***的调峰能力与新能源消纳能力。因此考虑同时引入 碳捕集装置与多能流虚拟电厂联合运行。
为了解决上述问题，本发明公开一种多能流虚拟电厂分布式鲁棒 自调度优化方法，该方法是基于Wasserstein距离(公知技术，可参 考诸如申请号：CN2019112350507，公开号：CN110797919 A；申请号： CN2019111485032，公开号：CN110929399 A等)的多能流虚拟电厂 分布式鲁棒自调度优化方法，其特征为：该方法包括如下步骤：
步骤1：建立多能流虚拟电厂自调度模型，确定自调度模型目标 函数；
步骤2：建立VPP运行模型；
步骤3：建立电网模型；
步骤4：建立热网模型；
步骤5：建立气网模型；
步骤6：建立HOMIE模型；
步骤7：自调度模型的求解。
本发明还公开一种将上述的多能流虚拟电厂分布式鲁棒自调度 优化方法应用于多能流虚拟电厂调度中。
有益效果
(1)采用分布式鲁棒优化方法。分布式鲁棒优化方法结合了SP 和RO两种方法的优点，避免了SP难以获得不确定因素真实概率分布的 缺点，同时也降低了RO所带来的保守性，提高了***调度的灵活性。
(2)将大型热泵机组、热能储存(thermal energy storage，TES) ***、碳捕集与封存设备和HOMIE模型集成到传统的VPP中，同时考虑 电网、热网、气网的耦合特性，设计了一种新型的多能流VPP自调度 方案。
(3)将Wasserstein度量应用于风力发电和太阳能发电不确定性 的数据驱动模糊集，并将其应用于多能流VPP***中。模糊集的构建 包含不确定性的所有可能实现，并控制鲁棒解的保守性。
(4)为实现响应号召实现“双碳”目标，在多能流虚拟电厂中引 入捕集设备，将碳捕集设备作为可调度负荷，达成虚拟电厂节能减排 与协同优化运行的目的。
具体实施方式
一种多能流虚拟电厂分布式鲁棒自调度优化方法，该方法是基于 Wasserstein距离的多能流虚拟电厂分布式鲁棒自调度优化方法，其 特征为：该方法包括如下步骤：
步骤1：建立多能流虚拟电厂自调度模型，确定自调度模型目标 函数；
步骤2：建立VPP运行模型；
步骤3：建立电网模型；
步骤4：建立热网模型；
步骤5：建立气网模型；
步骤6：建立HOMIE模型；
步骤7：自调度模型的求解。
下面我们对上述步骤1-7每一步骤作出详细陈述。
步骤1：建立多能流虚拟电厂自调度模型，确定自调度模型目标 函数；
分布式能源(即风电、光伏、CHP装置)互连，并采用需求侧 管理，如需求响应资源(demand response，DR)和电储能(battery energy storage，BES)设备来提供电力负载。HP和热储能集成在一 起，与CHP机组一起提供热负荷。在耦合多能流VPP***的经济调度 中，运营商努力在日前市场实现利润最大化，在实时市场实现成本最 小化。因此，所述步骤1进一步包括如下内容：自调度模型目标函数 包含两个阶段，第一阶段利用可再生能源机组出力预测值来确定多能 流VPP的供应策略以及机组组合；在第二阶段，在可再生能源出力最恶劣的情况下，最小化多能流VPP的调整成本。
值得注意的是，多能流VPP应遵守提前一天签署的合同。由于可 再生能源出力的预测值不可避免地产生偏差，多能流VPP***必须调 整多能流VPP内部可控机组的决策。因此，多能流VPP应首先执行自 调度，以减少与主电网的交易，此交易被视为一种惩罚。min-max形 式用于表示在不确定集内可再生能源最坏实现情况下的调节成本。
与电力市场不同的是，热力市场签订的合同只交易一次。因此， 多能流VPP的热量收入仅来自日前市场中的CHP和HP。注意，CHP根 据日前决定执行指令，因为其响应时间较长。而HP作为一种“快速 机器”，可以进行实时调节。HP所消耗的电力可以看作是一种灵活的负载。但是，由于HP是唯一可以实时调节的热源，在满足用户热 舒适性的前提下，HP的容量受到限制。综上所述，所提出的运行方 案目标函数(1)表示为：
Figure BDA0003379611740000081
其中
Figure BDA0003379611740000082
分别表示为日前市场交易量、 CHP机组电出力、CHP机组热出力、吸收CO2量、CHP机组启停变量、 日前市场HP机组启停变量，
Figure BDA0003379611740000083
分别表示实时市场交 易量、HP消耗电量、HP产生的热量、实时的电需求量、实时市场HP 机组启停变量、BES充电、BES放电、TES储热、TES放热、室内温度；
不确定性参数集合中
Figure BDA0003379611740000084
分别表示实时风力发电和 光伏发电；目标函数(1)的第一阶段由五个部分组成，
Figure BDA0003379611740000085
和
Figure BDA0003379611740000086
分别为从电力市场和热力市场获得的日前收入，
Figure BDA0003379611740000087
分别为日前市 场电价和热价，
Figure BDA0003379611740000088
分别为售卖的电功率和热功率；ПCHP，t指CHP 机组的运行成本和启动/关闭成本，
Figure BDA0003379611740000089
是HP机组的预调度成本，ПDB，t是指多能流VPP的环保代价，根据CHP机组在运行过程中产生的污染 量来计算，HCCS，t是指CCS运行总成本；在第二阶段，
Figure BDA00033796117400000810
为实时市场 电价，
Figure BDA00033796117400000811
为实时市场调整电功率，目标是在最坏情况下最小化实时 市场中的监管成本；成本包括惩罚成本
Figure BDA0003379611740000091
HP的启动/关闭成本
Figure BDA0003379611740000092
∏DB，t为环保成本，HCCS，t为碳捕集设备封存成本，DR成本HDR，t和储能成本∏ESS，T，各成本如下表示：
Figure BDA0003379611740000093
Figure BDA0003379611740000094
Figure BDA0003379611740000095
Figure BDA0003379611740000096
Figure BDA0003379611740000097
Figure BDA0003379611740000098
Figure BDA0003379611740000099
其中，χ0，χ1，χ2，χ3，χ4分别为CHP成本系数，
Figure BDA00033796117400000910
和
Figure BDA00033796117400000911
分别指CHP启停 成本，
Figure BDA00033796117400000912
和
Figure BDA00033796117400000913
指HP的启停成本，dz是第z项污染物排放量，rz是第z 项污染物惩罚费用，
Figure BDA00033796117400000914
为CCS设备正在处理的C02的量，rb为封存 成本系数，λRTP，t为参与RTP惩罚费用，AS，BS，CS，DS，ES为BES和TES的 成本系数，
Figure BDA00033796117400000915
为未参与RTP计划时的电负荷。
步骤2：建立VPP运行模型；
1)可再生发电机组：风力发电***和光伏电站被认为是多能流 VPP的主要可再生能源发电。风力发电和光伏发电的功率输出分别受 风速和太阳辐射的影响。可再生能源的间歇性和时变性给调度过程带 来了巨大的困难。第一阶段使用预测的风力发电量和太阳能发电量。 由于预测和实现的可再生能源发电之间存在差异，应建立可再生能源 发电的不确定性集。
2)CHP机组：CHP机组同时发电和供热，在本发明中，考虑的CHP 机组在以下热负荷模式下运行，即根据热需求决定发电量。CHP机组 的运行区域受到以下限制：
Figure BDA0003379611740000101
Figure BDA0003379611740000102
同时，CHP机组向上/下爬坡率限制为：
Figure BDA0003379611740000103
式中：
Figure BDA0003379611740000104
分别为CHP机组最大最小出力，ηmax，ηmin分别为CHP 机组电转热最大最小效率，
Figure BDA0003379611740000105
和
Figure BDA0003379611740000106
分别为CHP机组的上升/下降 容量。
3)储能***：在多能流VPP中，储能***(ESS)包含BES和TES， 用于存储/多余的功率/热量或释放储存的能量。x用于表示储电或储 热，因为它们具有相似的特性。储热/储电装置的荷电状态(SoC)是 描述其运行状态的关键参数，可以表示为：
Figure BDA0003379611740000107
因此，在时间间隔[t，t+1)内x的净功率输出为：
Figure BDA0003379611740000108
SoC容量和充电/放电功率的限制为：
Figure BDA0003379611740000109
Figure BDA00033796117400001010
Figure BDA0003379611740000111
式中SoCX，t+1表征储能装置状态，ΔT表示一个调度周期，
Figure BDA0003379611740000112
分别为储能装置x容量的上下限，
Figure BDA0003379611740000113
分别表示充放电效率，
Figure BDA0003379611740000114
Figure BDA0003379611740000115
和
Figure BDA0003379611740000116
充放电功率上下限。
4)HP：这种清洁的加热装置，将电能转化为热能，已在农村地区 广泛采用。HP的关键指标是性能系数(COP)，可计算为：
Figure BDA0003379611740000117
5)CCS：可捕获CO2，减少CO2排放，其运行能耗
Figure BDA0003379611740000118
为：
Figure BDA0003379611740000119
Figure BDA00033796117400001110
式中
Figure BDA00033796117400001111
为CCS设备固定能耗
Figure BDA00033796117400001112
为处理单位CO2所需的运行能耗，，
Figure BDA00033796117400001113
分别为可捕获CO2的上下限。
6)RTP计划(实时电价计划)：该计划通过将峰值负荷转移到非峰 值负荷，为最终用户提供供电费率选项，并替代热电联产VPP中的 DERs。RTP计划被也是需求响应(DR)的一种形式，用于增强多能流 VPP的灵活性。可调度负荷被整合并提供给多能流VPP运营商，以交 换减少的能源账单。应用RTP后，需求可计算为：
Figure BDA00033796117400001114
其中φDR，i表征RTP计划的基数，
Figure BDA00033796117400001115
分别表示RTP需求增加和减少 量。需求上下限有下式限制：
Figure BDA00033796117400001116
Figure BDA00033796117400001117
其中，
Figure BDA0003379611740000121
分别表示需求增加和减少的二元变量，
Figure BDA0003379611740000122
表示初始需求 量。值得一提的是，每天增加的需求必须等于减少的需求，因此
Figure BDA0003379611740000123
为了防止RTP需求同时增加和减少，必须强制执行：
Figure BDA0003379611740000124
因此，DR输出
Figure BDA0003379611740000125
可以计算为：
Figure BDA0003379611740000126
请注意，RTP计划与市场价格相结合是十分灵活的。在本发明中， RTP价格被假定为日前市场价格，因为它也不断变化。
步骤3：建立电网模型；
1)电网的日前运行约束：在式(1)的第一阶段，最优化电能和 热能出力，确定CHP出力以应对不确定性。在本发明中，采用了直流 功率流，并且必须始终在电网的每个母线上保持总发电量和电力负荷 之间的功率平衡，因此：
Figure BDA0003379611740000127
式中，Bmn为传输线mn之间电纳，δm，δn为母线m，n相角。
2)电网的实时运行约束：第二阶段问题用于补偿实时运行中的可 再生能源预测误差。功率实时再平衡如下所示：
Figure BDA0003379611740000128
式中：
Figure BDA0003379611740000131
和
Figure BDA0003379611740000132
分别表示风力发电和光伏发电预测值。
步骤4：建立热网模型
热网由热源、热传输网络、一级热网上的终端用户和二级热网组 成。这两个网络通过热交换器连接，它们都包括供水管道和回水管道。 热水作为介质，通过每个热交换器将热源产生的热能从一次热网络传 输到二次热网络。本发明采用热网的质量调节模式，因为除了可以保 证液压工况的稳定性外，还便于实际运行中的操作。
1)热网的日前运行约束：
CHP机组和HPs作为电网和热网之间的纽带，是多能流VPP的热 源。热源产生的热量与供应和回流管道的温度相关，如下所示：
Figure BDA0003379611740000133
其中，Shs是与热源相关的管道集合，
Figure BDA0003379611740000134
表示供水管道的质量流量， ζ是转换参数，
Figure BDA0003379611740000135
分别表示供水和回水管道出口温度，C为水 的比热容，对于热网中的每个节点，根据基尔霍夫定律，进入节点的 热水质量流量等于离开节点的质量流量，表示为：
Figure BDA0003379611740000136
Figure BDA0003379611740000137
其中，
Figure BDA0003379611740000138
表示回水管道的质量流量，
Figure BDA0003379611740000139
分别是节点j的起始 管道集合和末端管道集合。考虑热水传输迟延和热能损失，有：
Figure BDA00033796117400001310
其中τ为时间延迟，κ为损耗系数，
Figure BDA00033796117400001311
和
Figure BDA00033796117400001312
分别为供水管道入口和 出口质量流量。根据热力学第一定律，流入节点的热能应等于流出节 点的热能。因此，节点温度融合可以描述为
Figure BDA0003379611740000141
Figure BDA0003379611740000142
式中：
Figure BDA0003379611740000143
和
Figure BDA0003379611740000144
分别表示节点j供回水管道节点温度。
2)热网的实时运行约束：在此阶段，CHP的热输出是固定的，HP 根据***的需要调整其输出。当实际可再生能源产量高于预测产量时， HP开始运行并通过耗电产生热量。这表明：
Figure BDA0003379611740000145
式中，
Figure BDA0003379611740000146
分别为实时供回水管道出口温度。
本发明省略了热网的实时约束，因为它们类似于相应的日前操作 约束。
步骤5：建立气网模型
该部分模型用于描述天然气网络中节点压力和管道流量所满足的 关系。天然气管道r的稳态流量fr可表示为
Figure BDA0003379611740000147
其中，Kr为管道常数；φ为函数符号；
Figure BDA0003379611740000148
定义为管道r的压 力降；sij用于表征天然气流动方向，当pi＞pj时取+1，否则取-1；
天然气网络的流量连续性方程为
Agf＝L (30)
其中，Ag为去掉含压缩机管道的天然气网络的节点-支路关联矩阵；f 为各管道天然气流量；L为各节点流出的流量。
记
Figure BDA0003379611740000151
则天然气管道的压力降向量
Figure BDA0003379611740000152
可表示为
Figure BDA0003379611740000153
步骤6：建立HOMIE模型
HOMIE模型引入了一个详细的热模型，该模型模拟了建筑物内发 生的热流，同时考虑了建筑物和外部温度以及居住者的活动。热负荷 来自建筑物的空间供暖，采用HOMIE模型进行建模。热网通过热管道 持续传输来自热源的热量，以将室内温度保持在设定点。
建筑物的热平衡为：
Figure BDA0003379611740000154
其中cair，ρair和Vair分别是空气的等压热容、密度和体积。Troom，t为t时 刻室内温度，Ttarget，t为目标温度。居住者和电气设备发出的热量以及来 自透明区域(如窗户)的辐射增益被视为建筑物的内部热量增益，即
Qint，t＝ωint，tSref (33)
其中，ωint，t为特定的内部增益，Sref为建筑为面积。此外，通过热辐射 Qirr，t和热对流Qconv，t影响室内温度的两个主要室外因素，表示为：
Qirr，t＝ωirr，tαtrans，tβangle，tSwindows (34)
Qconv，t＝naircairρairVair(Tout，t-Troom，t) (35)
其中，ωirr，t为水平辐照比，nair为换气率，αtrans，t为透射因子，βangle，t为垂 直区域的角度校正。Swindows为窗户面积，Tout，t为室外温度。对流换热 是指空气的交换，而热传导则是室内通过建筑外墙与外界的热交换。 热传导可计算为：
Figure BDA0003379611740000161
其中，Sarea，t为总建筑面积，μi为U值，考虑到人体舒适性，室内温 度可以在设定点附近的一定范围内变化，有：
Tl≤Troom，t≤Tu (37)
其中，Tu和Tl分别表示室内温度上下限。
步骤7：自调度模型的求解
基于DRO的方法是在模糊集下寻找最恶劣情况下实现调度策略， 该模糊集，包含一系列分布，其特征是由数据集生成的未知分布中某 些已知属性决定的。为了构造合适的模糊集，本发明采用了 Wasserstein度量，Wasserstein度量通过利用以经验分布为中心的Wasserstein球来描述不同概率分布的距离。
只要半径设置的合理，那么可以认为真实分布应包含在所构造的 空间球中。进而寻求优化问题在整个球体内效果最差的分布下所能承 受的最低风险，即可以保证优化结果是真实样本分布下的性能下界。 在这方面，我们寻求在Wasserstein球中找到最坏情况下的最优决策。
在多面体Ξ上支持的所有概率分布P的空间N(Ξ)上定义一个 Wasserstein度量，两个分布P1和P2之间的Wasserstein距离定义为：
Figure BDA0003379611740000162
对于所有的分布P1，P2∈N(Ξ)，P1和P2之间的Wasserstein距离可视 为运输计划П从分布P1到P2的成本。Wasserstein距离的目标是寻求 成本最低的最优运输计划。任意范数||ξ1-ξ2||表示运输成本。因此，模 糊集可以定义为：
Figure BDA0003379611740000171
可以看作一个半径为ρ的Wasserstein球，以经验分布
Figure BDA0003379611740000172
为中心。 通过合理设置半径ρ，未知的真实分布则会包含在模糊集
Figure BDA0003379611740000173
中。此 外，半径也影响决策的保守性。更大的Wasserstein球半径导致解决 方案更少地依赖已知数据集的特定特征进行决策，并且对采样错误具 有更好的鲁棒性。因此本发明采用上述方法来描述可再生能源出力的 不确定性，构造风电出力和光伏出力的模糊集。
为方便描述，我们用矩阵形式描述：
Figure RE-GDA0003509745330000021
s.t.Ax≤d，Bx＝e (41a)
Gy+Hξ≤f (41b)
Jx+Ky+Lξ＝g (41c)
x和y分别是第一阶段和第二阶段决策变量，ξ代表不确定变量。 不确定变量的分布包含在模糊集
Figure BDA0003379611740000175
中。约束(41a)来自与第一阶 段的决策变量相关的约束(3)-(5)和(22)-(27)。约束(41b) 来自与第二阶段的决策变量相关的约束(6)-(19)和(28)-(37)。 约束(41c)是指(20)和(21)中的约束。
请注意，我们需要将原始目标函数(1)转换为易于处理的近似 形式。处理(1)中绝对值的另一种方法是引入两个新的非负变量
Figure BDA0003379611740000176
和
Figure BDA0003379611740000177
让
Figure BDA0003379611740000178
然后我们用
Figure BDA0003379611740000179
代替
Figure BDA00033796117400001710
Wasserstein 模糊集上(40)中的内层最恶劣情况的期望问题可以简化为圆锥规划。 假设多面体
Figure BDA0003379611740000181
M是一矩阵，m是一适当维数的向量。 内层问题相当于：
Figure RE-GDA0003509745330000029
其中λo是约束(39)的对偶变量，
Figure BDA0003379611740000183
和
Figure BDA0003379611740000184
是辅助变量，||·||*表示||·||的 二范数。
经过上述方法处理之后，所提出的分布式鲁棒自调度模型就可以 通过商业求解器如CPLEX直接进行求解，得到最优的调度方案，实现 计及碳捕集的虚拟电厂多能流协同优化调控，提高CHP机组运行效率， 实现热电解耦，提高可再生能源消纳，并提升了整个***的运行经济 性及灵活性。
本发明还公开一种将上述的多能流虚拟电厂分布式鲁棒自调度 优化方法应用于多能流虚拟电厂调度中。
以上显示和描述了本发明的基本原理、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 求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求 书及其等同物界定。

Claims (4)

1.一种多能流虚拟电厂分布式鲁棒自调度优化方法，该方法是基于Wasserstein距离的多能流虚拟电厂分布式鲁棒自调度优化方法，其特征为：该方法包括如下步骤：
步骤1：建立多能流虚拟电厂自调度模型，确定自调度模型目标函数；
自调度模型目标函数包含两个阶段，第一阶段利用可再生能源机组出力预测值来确定多能流VPP的供应策略以及机组组合；在第二阶段，在可再生能源出力最恶劣的情况下，最小化多能流VPP的调整成本；目标函数(1)表示为：
Figure FDA0003808502460000011
Figure FDA0003808502460000012
其中：
Figure FDA0003808502460000013
分别表示为日前市场交易量、CHP机组电出力、CHP机组热出力、吸收CO2量、CHP机组启停变量、日前市场HP机组启停变量，
Figure FDA0003808502460000014
其中：
Figure FDA0003808502460000015
Troom分别表示实时市场交易量、HP消耗电量、HP产生的热量、实时的电需求量、实时市场HP机组启停变量、BES充电、BES放电、TES储热、TES放热、室内温度；
目标函数(1)的第一阶段，即日前市场，由六个部分组成，即：
Figure FDA0003808502460000016
和
Figure FDA0003808502460000017
分别为从电力市场和热力市场获得的日前收入、
Figure FDA0003808502460000018
Figure FDA0003808502460000019
分别为日前市场电价和热价、
Figure FDA00038085024600000110
分别为日前市场交易量和热功率、ΠCHP,t指CHP机组的运行成本和启停成本、
Figure FDA00038085024600000111
是HP机组的预调度成本、ΠDB,t是指多能流VPP的环保代价，根据CHP机组在运行过程中产生的污染量来计算,ΠCCS,t是指CCS运行总成本；在第二阶段即为实时市场，
Figure FDA0003808502460000021
为实时市场电价，
Figure FDA0003808502460000022
为实时市场调整电功率，目标是在最坏情况下最小化实时市场中的监管成本；成本包括惩罚成本
Figure FDA0003808502460000023
HP的启动成本
Figure FDA0003808502460000024
ΠDB,t为环保成本，DR成本ΠDR,t和储能成本ΠESS,t，各成本如下表示：
Figure FDA0003808502460000025
Figure FDA0003808502460000026
Figure FDA0003808502460000027
Figure FDA0003808502460000028
Figure FDA0003808502460000029
Figure FDA00038085024600000210
Figure FDA00038085024600000211
其中，χ0,χ1,χ2,χ3,χ4分别为CHP成本系数，
Figure FDA00038085024600000212
和
Figure FDA00038085024600000213
分别指CHP启停成本，
Figure FDA00038085024600000214
和
Figure FDA00038085024600000215
指HP的启停成本，dz是第z项污染物排放量，rz是第z项污染物惩罚费用，
Figure FDA00038085024600000216
为CCS设备正在处理的CO2的量，rb为封存成本系数，λRTP,t为参与RTP惩罚费用，AS,BS,CS,DS,ES为BES和TES的成本系数；
Figure FDA00038085024600000217
为未参与RTP计划时的电负荷；
步骤2：建立VPP运行模型；
步骤3：建立电网模型；
步骤4：建立热网模型；
步骤5：建立气网模型；
步骤6：建立HOMIE模型；
步骤7：自调度模型的求解。
2.根据权利要求1所述的多能流虚拟电厂分布式鲁棒自调度优化方法，其特征为：所述步骤2进一步包括如下内容：多能流VPP模型包括可再生能源发电机组，CHP机组，储能***，HP,CCS,RTP计划。
3.根据权利要求1所述的多能流虚拟电厂分布式鲁棒自调度优化方法，其特征为：所述步骤5进一步包括如下内容：气网模型，该部分模型用于描述天然气网络中节点压力和管道流量所满足的关系。
4.根据权利要求1所述的多能流虚拟电厂分布式鲁棒自调度优化方法，其特征为：所述步骤6进一步包括如下内容：HOMIE模型建立，该模型模拟了建筑物内发生的热流，同时考虑了建筑物和外部温度以及居住者的活动；所述步骤7进一步包括如下内容：首先整理成一般形式，然后对绝对值进行处理，再次简化内层问题，最后采用商业求解器求解。
CN202111429229.3A 2021-11-29 2021-11-29 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 Active CN114330827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111429229.3A CN114330827B (zh) 2021-11-29 2021-11-29 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111429229.3A CN114330827B (zh) 2021-11-29 2021-11-29 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用

Publications (2)

Publication Number Publication Date
CN114330827A CN114330827A (zh) 2022-04-12
CN114330827B true CN114330827B (zh) 2022-10-28

Family

ID=81047446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111429229.3A Active CN114330827B (zh) 2021-11-29 2021-11-29 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用

Country Status (1)

Country Link
CN (1) CN114330827B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130391B (zh) * 2022-08-25 2022-12-06 华北电力大学 一种计及热惯性的电热综合能源***故障恢复方法及***
TWI815666B (zh) * 2022-09-16 2023-09-11 國立成功大學 分散式虛擬電廠整合智慧淨零的混合系統及其方法
CN117691598B (zh) * 2024-02-04 2024-04-12 华北电力大学 一种极端天气下电热能量网络韧性评估方法及***

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127389A (zh) * 2016-06-24 2016-11-16 河海大学 一种虚拟电厂热电联合调度鲁棒优化模型
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
CN112448396B (zh) * 2020-11-17 2023-11-10 海南省电力学校(海南省电力技工学校) 一种虚拟电厂自趋优负荷跟踪控制方法
CN112465208B (zh) * 2020-11-20 2022-09-30 国网江苏省电力有限公司盐城供电分公司 计及区块链技术的虚拟电厂随机自适应鲁棒优化调度方法
AU2021101655A4 (en) * 2021-03-30 2021-05-20 KCG College of Technology A process for designing of cyber physical controller for optimal dispatch of virtual power plant
CN113177323B (zh) * 2021-05-14 2021-12-10 华北电力大学 基于矩不确定分布式鲁棒的电热综合***优化调度方法
CN113379565B (zh) * 2021-06-08 2022-07-29 国网江苏省电力有限公司经济技术研究院 一种基于分布鲁棒优化方法的综合能源***优化调度方法

Also Published As

Publication number Publication date
CN114330827A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
Ma et al. The optimal structure planning and energy management strategies of smart multi energy systems
CN113344736B (zh) 一种园区级综合能源***及其控制方法
CN114330827B (zh) 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
Jiang et al. Optimal integrated demand response scheduling in regional integrated energy system with concentrating solar power
CN109103926A (zh) 基于多辐照特性年气象场景的光伏发电接纳能力计算方法
CN108009693A (zh) 基于两级需求响应的并网微电网双层优化方法
Zhao et al. Stochastic optimal dispatch of integrating concentrating solar power plants with wind farms
CN106372742A (zh) 考虑电转气多源储能型微网日前最优经济调度方法
CN108206543A (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
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN109861302B (zh) 一种基于主从博弈的能源互联网日前优化控制方法
CN104065072A (zh) 一种基于动态电价的微电网运行优化方法
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
An et al. Coordinative optimization of hydro-photovoltaic-wind-battery complementary power stations
CN114595868A (zh) 一种综合能源***源网荷储协同规划方法及***
CN112785065A (zh) 基于混合人工鱼群算法的综合能源***规划方法及***
CN114066204A (zh) 一种综合能源***的一体化优化规划与运行方法及装置
Song et al. A fuzzy‐based multi‐objective robust optimization model for a regional hybrid energy system considering uncertainty
CN107749645A (zh) 一种控制高压大容量储热供暖装置的方法
CN115659651A (zh) 一种考虑多种灵活性资源的综合能源协同优化调度方法
CN107392791B (zh) 多能互补***的分布式光伏与气电混合容量规划方法和***
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
Fang et al. Risk-constrained optimal scheduling with combining heat and power for concentrating solar power plants
Kang et al. Feed-forward active operation optimization for CCHP system considering thermal load forecasting
CN112883630B (zh) 用于风电消纳的多微网***日前优化经济调度方法

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