CN114547955A - 一种多站融合***低碳运行方法 - Google Patents

一种多站融合***低碳运行方法 Download PDF

Info

Publication number
CN114547955A
CN114547955A CN202111500008.0A CN202111500008A CN114547955A CN 114547955 A CN114547955 A CN 114547955A CN 202111500008 A CN202111500008 A CN 202111500008A CN 114547955 A CN114547955 A CN 114547955A
Authority
CN
China
Prior art keywords
carbon
station
fusion system
low
station fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111500008.0A
Other languages
English (en)
Inventor
刘欣
赵家振
诸宇浩
朱晔
汤东升
钟伟东
王法
钱伟杰
陆爽
徐伟明
戴凤娇
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.)
Jiaxing Hengchuang Electric Power Design And Research Institute Co ltd
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiaxing Hengchuang Electric Power Design And Research Institute Co ltd
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power 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 Jiaxing Hengchuang Electric Power Design And Research Institute Co ltd, Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiaxing Hengchuang Electric Power Design And Research Institute Co ltd
Priority to CN202111500008.0A priority Critical patent/CN114547955A/zh
Publication of CN114547955A publication Critical patent/CN114547955A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/25Design optimisation, verification or simulation using particle-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/04Constraint-based CAD
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/08Probabilistic or stochastic CAD
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06Power analysis or power optimisation
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种多站融合***低碳运行方法,克服了现有技术中多站融合***低碳运行方法未充分考虑多站融合***的运行特点和运营主体定位的问题,包括以下步骤:S1:对多站融合***各个组成元素进行分类;S2:设定多站融合低碳运行目标;S3:采集汇总多站融合***的运行数据和其他相关数据,滚动积累历史数据库;S4:设定多站融合***低碳运行约束条件函数,并利用相关数据将约束条件数据化,形成约束域;S5:根据对历史数据库进行挖掘分析,得到对应的负荷预测曲线和新能源发电量预测曲线;S6:构建多站融合***低碳运行策略模型;S7:对模型进行优化求解,得到优化的低碳运行日间策略。能从全局角度进行多站融合***的低碳运行策略的制定。

Description

一种多站融合***低碳运行方法
技术领域
本发明涉及综合能源***运行技术领域,特别涉及了一种多站融合***低碳运行方法。
背景技术
随着国家节能减排工作的快速推进,“碳达峰、碳中和”工作已成为当前与未来中国绿色低碳发展工作的核心内容,多站融合综合能源***是为了节能增效探索的一种新型综合能源建设和运营模式。将多站融合与综合能源***有机结合,一方面可以极大的提升综合能源服务***的节能效益;另一方面可有效推动5G商用以及智能制造、智能家居等数字产品和服务市场的开发;同时,通过分布式新能源发电站、电动汽车充换电站和储能站的建设,可降低弃风弃光率,促进新能源消纳,实现绿色低碳发展。
低碳运营是多站融合***的核心建设运营目标,在制定运行策略的过程中,需要综合考虑经济约束、运行特性约束和安全约束,从电网减碳全局角度出发,在满足***鲁棒性的前提下,最大程度的减少碳排放。由于多站融合***中,组成元素众多,且各种能源与气候、园区生产行为、民俗习惯等多元因素深度耦合。多站融合的综合能源***需要最优的调度多种能源,在满足园区生产生活需求的前提下,最大程度的发挥综合能源***中各个组成元素自身的性能,使综合能源***的能源利用效率最优。因此,如何对制定多站融合***的低碳运行策略并进行优化,是多站融合***是否能达到最优减碳作用的根本因素。
目前,专门针对多站融合***的低碳运行策略的研究很少,相关研究主要是针对多站融合***的某一子***的运行策略或针对传统综合能源***的运行策略。大多是针对运行经济性、***稳定性等单一角度去制定相关的运行策略,运行方法也没有充分考虑多站融合***的运行特点和运营主体定位,而部分考虑多指标优化的运行策略制定和优化方法,由于耦合变量不易获取,实施难度较大。实际多站融合***的运行,多将各个子***独立考虑,分别运行,难以达到最好的效果。如中国专利局2021年3月21日公开了一种名称为一种基于Q学习的园区综合能源***低碳运行方法的发明,其公开号为CN 112580867A,该方法包括:基于能量枢纽的概念建立园区综合能源***的模型PIES;计及PIES二氧化碳排放量的治理费用,以PIES的日运行费用最小为目标,建立PIES低碳经济运行策略的数学优化模型;建立与上述优化模型相对应的马尔科夫决策过程MDP,并相应定义MDP问题的状态空间、动作空间和奖励函数;采用改进的Q学习算法对所述的MDP问题进行求解,利用奖励函数对Q值表进行初始化的改进。该发明能够实现园区综合能源***的低碳运行。但该发明仅针对传统综合能源***的运行策略,不适用于多站融合***。
发明内容
本发明的目的是克服现有技术中存在的问题,提供了一种多站融合***低碳运行方法,从全局角度进行多站融合***的低碳运行策略的制定,充分考虑多站融合***的自身特点,使运行策略能够在兼顾约束条件时,最大程度的减少整个***的碳排放。
为了实现上述目的,本发明采用以下技术方案:一种多站融合***低碳运行方法,其特征在于,它包括下列步骤:
S1:对多站融合***各个组成元素进行分类,分为碳排放源和减碳手段两类;
S2:设定多站融合低碳运行目标;
S3:采集汇总多站融合***的运行数据和其他相关数据,滚动积累历史数据库;
S4:设定多站融合***低碳运行约束条件函数,并利用相关数据将约束条件数据化,形成约束域;
S5:根据对历史数据库进行挖掘分析,对负荷、可再生能源发电量进行预测,得到对应的负荷预测曲线和新能源发电量预测曲线;
S6:构建多站融合***低碳运行策略模型;
S7:根据步骤S2、S3、S4、S5得到的多站融合***低碳运行目标、相关数据、约束函数以及预测曲线对步骤S6的模型进行优化求解,得到优化的低碳运行日间策略。
本发明从区域电网的角度出发,在满足多站融合***的运行安全性、稳定性、经济性的角度出发,将多站融合***分为碳排放源和减碳手段两个部分,设定减碳目标函数和约束函数,采取预测与鲁棒优化结合的方法制定最终的多站融合***低碳运行策略。
作为优选,所述的步骤S1中,所述碳排放源为包括数据中心站、5g基站、站用电、电制热***、电制冷***以及电动汽车充电站在内的负荷类设备;所述减碳手段为包括燃气三联供、电池储能站、储冷装置、储热装置以及可再生能源发电站在内的可调节资源。
能够很大程度的发挥多站融合***各个组成元素的减碳作用,从全局角度进行多站融合***的低碳运行策略的制定。
作为优选,所述的步骤S2中,设定多站融合低碳运行目标:
S2.1:根据步骤S1所述的碳排放源的能源消耗情况计算其等效的碳排放量,作为碳排放基准值;
S2.2:利用步骤S1中的减碳手段减少多站融合***的碳排放量,将减碳量与碳排放基准值的比值不低于设定值设为多站融合***低碳运营目标。
所述的碳排放量根据国际通用的碳排放量计算公式及系数计算得出。
作为优选,所述的步骤S3中,采集汇总的多站融合***的运行数据包括但不限于:数据中心各个节点的用能监测数据、5g基站用电数据、电制热***运行数据、电制冷***运行数据、负荷的用能监测数据、燃气三联供***的运行数据、电池储能站的运行数据、储冷装置的运行数据、储热装置运行数据以及可再生能源发电站的发电数据;其他数据包括但不限于风力、温度以及光照数据。
数据中心各个节点的用能监测数据包括各类能源,负荷的用能监测数据包括电动汽车充电站的用能监测数据,燃气三联供***的运行数据包括燃气监测数据、发电数据和制冷制热数据,电池储能站的运行数据包括电池状态等状态监测数据和相关运行数据,储冷装置的运行数据包括储冷媒介状态等状态监测数据和相关运行数据、储热装置包括储热媒介状态等状态监测数据和相关运行数据。
作为优选,所述的步骤S4中的约束条件包括经济约束、功率约束、减碳能力约束和***安全稳定约束。
经济约束是根据多站融合***的既定的运行经济指标设定的低碳运行的成本收益关系;功率平衡约束是要求多站融合的低碳运营策略需要遵循能量守恒定律的约束;减碳能力约束是要求多站融合***的低碳运行策略需要在其减碳能力约束下制定;***安全稳定约束是要求多站融合的低碳运行策略必须在整个***安全稳定运行的前提下进行。
作为优选,所述的经济约束表示为:
Figure BDA0003402341950000051
式中,PRF(x)为变量x下对应的运营收益,PRFa-thr为多站融合***运营收益的指标阈值,COS(x)为变量x下对应的运行费用,COSa-thr为多站融合***运行费用的指标阈值,x为变量;
所述的功率约束表示为:
∑Pin&p(x)(t)-∑Pout&c(x)(t)-∑Pl(x)(t)=0
式中,Pin&p(x)(t)为某一时刻在变量x下的输入功率与可再生能源发电功率的总和、∑Pout&c(x)(t)为某一时刻在变量x下的输出功率与消耗功率的总和,Pl(x)(t)为某一时刻在变量x下的功率损失;
所述的减碳能力约束表示为:
Figure BDA0003402341950000052
Figure BDA0003402341950000053
式中,
Figure BDA0003402341950000054
分别为第i个可控***在时段t的可控系数和功率,
Figure BDA0003402341950000055
分别为第i个可控***容量上、下限,
Figure BDA0003402341950000056
Figure BDA0003402341950000061
分别为第i个可控***的上、下爬坡速率;
所述的***安全稳定约束表示为:
Figure BDA0003402341950000062
式中,
Figure BDA0003402341950000063
为数据中心ups所需备用电池能量的最小值,
Figure BDA0003402341950000064
为储能电池最小荷电状态下的可用能量,Tidc、Tidc,B、ΔT分别为数据中心机房任意时刻的温度、基准温度和允许区间量,P(xrisk)为某类风险的发生概率值,Pthr(xrisk)为某类风险发生的概率阈值。
要求多站融合***的低碳运行的运行费用必须低于既定指标阈值、运营收益必须高于既定指标阈值,多站融合***运行费用的指标阈值的设定根据对象的不同客观设定。在减碳能力约束中,对于燃气三联供***,电、冷、热的可控容量和爬坡速率都需要单独描述。
作为优选,所述的步骤S5中,对负荷、可再生能源发电量进行预测:采用改进的经验模态分解方法对负荷、可再生能源发电量进行预测,具体为:
Figure BDA0003402341950000065
式中,Dats(t)为t时段历史数据序列,Dats-pv(t)为t时段的上、下极值点的均值序列,将原数据序列与平均包络线相减,得到新的数据序列Dats1(t),通常,需要多次重复上述过程,直到所得到的数据序列是一个本征模函数分量IMFsk1(t)为止;
将原始数据序列减去IMFsk1(t)后,重复上述插值过程,反复迭代后,直到得到不能够再被分解的差值数据序列,此时的序列即可代表预测曲线的均值或范围。
本发明所进行的预测工作是在不断积累的历史数据库的基础上,由于负荷和新能源发电量都是连续变化的数据,所以,采用改进的经验模态分解方法进行预测。通过改进的经验模态分解方法进行预测和场景筛选,可以极大降低场景数量和计算难度,且不影响求解的准确度和鲁棒性。
作为优选,所述的步骤S6中,构建的多站融合***低碳运行策略模型是将约束条件、运行目标、预测结果结合起来的数学模型,并通过鲁棒优化的方法将其变得易于求解,具体为:
Figure BDA0003402341950000071
鲁棒优化后为:
Figure BDA0003402341950000072
式中,Fer(δ,t)、Fit(δ,t)分别为可再生能源出力和负荷预测误差对应的最劣化逆累积分布函数,δ为可接受概率,α为可接受的范围,fIESIMSF为优化计算的结果。
采取预测+鲁棒优化结合的方法制定最终的多站融合***低碳运行策略,满足多站融合***的运行安全性、稳定性、经济性。
作为优选,所述的步骤S7中,策略求解方法采用粒子群算法,具体为:
Figure BDA0003402341950000081
式中,vij、xij分别为第i个变量在第j维方向的搜索速度与位置;c1、c2为加速常数,取值为非负数;Pij为第i个变量在第j维方向的局部最优位置;PGj为全局最优解在第j维方向位置;rand为[0,1]间的随机数。
采用粒子群算法对模型进行求解,求解速度快、求解精度高,所得日内低碳运行策略优化结果合理,根据参数设置不同具有不同的鲁棒性。
作为优选,所述的步骤S7中,具体的求解流程为:
S7.1:输入多站融合***相关参数,包括目标函数和约束函数相关的参数和***参数,输入负荷和可再生能源出力预测曲线;
S7.2:设定模型参数σ、δ,在随机变量预测值的基础上设定最优解f_0;
S7.3:输入约束条件,初始化粒子群的包括速度、位置、个体最优值和群体最优值在内的参数,设置当前迭代次数开始粒子群迭代,k=0,k表示迭代次数;
S7.4:计算策略变量适应值,得到策略变量和种群的最优值和最优位置;
S7.5:更新策略变量的位置和速度,更新迭代次数k=k+1;
S7.6:重复S7.4、S7.5,迭代至满足迭代终止条件。
S7.4中,需要注意,如果某个策略变量的位置某一维超出了设定的取值范围,需剔除这个位置,可设定这个策略变量对应的适应度为正无穷,经过这样设置之后,这个粒子的位置一定不会成为个体最优位置,因此更不可能成为群体最优位置。S7.5中,策略变量位置和速度的更新可参考策略变量对应的历史值位置。S7.6中,迭代终止条件为目标值是否小于设定阈值且迭代次数达到设定值,若达到终止条件,则迭代终止并输出结果。
因此,本发明具有如下有益效果:1、能够很大程度的发挥多站融合***各个组成元素的减碳作用,能够从全局角度进行多站融合***的低碳运行策略的制定;2、充分考虑了多站融合***的自身特点,使运行策略能够在兼顾经济约束、功率约束、减碳能力约束和安全稳定约束等条件下,最大程度的减少整个***的碳排放;3、通过经验模态分解方法进行预测和场景筛选,可以极大降低场景数量和计算难度,且不影响求解的准确度和鲁棒性;4、采用粒子群算法对模型进行求解,求解速度快、求解精度高,所得日内低碳运行策略优化结果合理,根据参数设置不同具有不同的鲁棒性。
附图说明
图1为本发明方法的具体操作流程图;
图2为本发明的低碳策略模型求解流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1所示的实施例中,可以看到一种多站融合***低碳运行方法,其操作流程为:步骤一,对多站融合***各个组成元素进行分类,分为碳排放源和减碳手段两类;步骤二,设定多站融合低碳运行目标;步骤三,采集汇总多站融合***的运行数据和其他相关数据,滚动积累历史数据库;步骤四,设定多站融合***低碳运行约束条件函数,并利用相关数据将约束条件数据化,形成约束域;步骤五,根据对历史数据库进行挖掘分析,对负荷、可再生能源发电量进行预测,得到对应的负荷预测曲线和新能源发电量预测曲线;步骤六,构建多站融合***低碳运行策略模型;步骤七,对步骤六的模型进行优化求解,得到优化的低碳运行日间策略。本发明从区域电网的角度出发,在满足多站融合***的运行安全性、稳定性、经济性的角度出发,将多站融合***分为碳排放源和减碳手段两个部分,设定减碳目标函数和约束函数,采取预测与鲁棒优化结合的方法制定最终的多站融合***低碳运行策略。
下面继续通过具体的例子,进一步说明本发明的技术方案和技术效果,以下实例是对本发明的解释而本发明并不局限于以下实例。
第一步:对多站融合***各个组成元素进行分类
将多站融合***的各个组成元素分为碳排放源和减碳手段两大类,根据多站融合***的建设情况,将数据中心站、5g基站站用电、电制热***、电制冷***、电动汽车充电站等负荷类的设备归类为多站融合***的碳排放源;将燃气三联供、电池储能站、储冷装置、储热装置、可再生能源发电站等可调节资源作为多站融合***的减碳手段。
第二步:设定多站融合低碳运行目标
根据第一步的碳排放源能源消耗情况计算其等效的碳排放量,作为碳排放基准值,所述的碳排放量根据国际通用的碳排放量计算公式及系数计算得出。
采取适宜的运营策略,充分利用第一步所述的各类减碳手段,减少多站融合***的碳排放量,将多站融合***低碳运营目标设为:减碳量与碳排放基准值的比值不低于设定值。
第三步:采集汇总多站融合***的运行数据和其他相关数据,滚动积累历史数据库
本申请采集汇总的数据包括多站融合***所有运行数据和其他相关数据,包括但不仅限于:数据中心各个节点的用能监测数据,包括各类能源;5g基站用电数据、电制热***运行数据、电制冷***运行数据以及电动汽车充电站等负荷的用能监测数据等;还包括:燃气三联供***的运行数据,包括燃气监测数据、发电数据和制冷制热数据等;电池储能站的运行数据,包括电池状态等状态监测数据和相关运行数据;储冷装置的运行数据,包括储冷媒介状态等状态监测数据和相关运行数据;储热装置,包括储热媒介状态等状态监测数据和相关运行数据;可再生能源发电站的发电数据;还包括风力、温度、光照等气象数据。
第四步:设定多站融合***低碳运行约束条件函数,并利用相关数据将约束条件数据化,形成约束域
本申请设定经济约束、功率约束、减碳能力约束和***安全稳定约束。
其中,经济约束是根据多站融合***的既定的运行经济指标设定的低碳运行的成本收益关系,要求多站融合***的低碳运行的运行费用必须低于既定指标阈值、运营收益必须高于既定指标阈值。具体如下:
Figure BDA0003402341950000111
式中,PRF(x)为变量x下对应的运营收益,PRFa-thr为多站融合***运营收益的指标阈值,COS(x)为变量x下对应的运行费用,COSa-thr为多站融合***运行费用的指标阈值,x为变量。阈值的设定根据对象的不同客观设定。
其中,功率平衡约束是要求多站融合的低碳运营策略需要遵循能量守恒定律的约束。具体为:
∑Pin&p(x)(t)-∑Pout&c(x)(t)-∑Pl(x)(t)=0
式中,Pin&p(x)(t)为某一时刻在变量x下的输入功率与可再生能源发电功率的总和、∑Pout&c(x)(t)为某一时刻在变量x下的输出功率与消耗功率的总和,Pl(x)(t)为某一时刻在变量x下的功率损失。
其中,减碳能力约束是要求多站融合***的低碳运行策略需要在其减碳能力约束下制定。具体为:
Figure BDA0003402341950000121
Figure BDA0003402341950000122
式中,
Figure BDA0003402341950000123
分别为第i个可控***在时段t的可控系数和功率,
Figure BDA0003402341950000124
分别为第i个可控***容量上、下限,
Figure BDA0003402341950000125
Figure BDA0003402341950000126
分别为第i个可控***的上、下爬坡速率;对于燃气三联供***,电、冷、热的可控容量和爬坡速率都需要单独描述。
其中,***安全稳定约束是要求多站融合的低碳运行策略必须在整个***安全稳定运行的前提下进行。具体如下:
Figure BDA0003402341950000131
式中,
Figure BDA0003402341950000132
为数据中心ups所需备用电池能量的最小值,
Figure BDA0003402341950000133
为储能电池最小荷电状态下的可用能量,Tidc、Tidc,B、ΔT分别为数据中心机房任意时刻的温度、基准温度和允许区间量,P(xrisk)为某类风险的发生概率值,Pthr(xrisk)为某类风险发生的概率阈值。
第五步:根据对历史数据库进行挖掘分析,对负荷、可再生能源发电量进行预测,得到对应的负荷预测曲线和新能源发电量预测曲线
本申请所进行的预测工作是在不断积累的历史数据库的基础上,由于负荷和新能源发电量都是连续变化的数据,所以,可以采用改进的经验模态分解方法进行预测。具体为:
Figure BDA0003402341950000134
式中,Dats(t)为t时段历史数据序列,Dats-pv(t)为t时段的上、下极值点的均值序列,将原数据序列与平均包络线相减,得到新的数据序列Dats1(t),通常,需要多次重复上述过程,直到所得到的数据序列是一个本征模函数分量IMFsk1(t)为止;
将原始数据序列减去IMFsk1(t)后,重复上述插值过程,反复迭代后,直到得到不能够再被分解的差值数据序列,此时的序列即可代表预测曲线的均值或范围。
第六步:构建多站融合***低碳运行策略模型
本申请构建的多站融合***低碳运行策略模型是将约束条件、运行目标、预测结果结合起来的数学模型,并通过鲁棒优化的方法将其变得易于求解。具体为:
Figure BDA0003402341950000141
鲁棒优化后为:
Figure BDA0003402341950000142
式中,Fer(δ,t)、Fit(δ,t)分别为可再生能源出力和负荷预测误差对应的最劣化逆累积分布函数,δ为可接受概率,α为可接受的范围,fIESIMSF为优化计算的结果。
第七步:对第六步的模型进行优化求解,得到优化的低碳运行日间策略
根据第二步得到的多站融合***低碳运行目标,第三步得到的多站融合***的相关数据,第四步得到的约束函数以及第五步得到的预测曲线等对步第六步得到的模型进行优化求解,得到优化的低碳运行日间策略。
本申请的策略求解方法采用粒子群算法,具体为:
Figure BDA0003402341950000151
式中,vij、xij分别为第i个变量在第j维方向的搜索速度与位置;c1、c2为加速常数,取值为非负数;Pij为第i个变量在第j维方向的局部最优位置;PGj为全局最优解在第j维方向位置;rand为[0,1]间的随机数。
具体求解流程如图2所示:
1)输入多站融合***相关参数,包括目标函数和约束函数相关的参数和***参数等,输入负荷和可再生能源出力预测曲线。
2)设定模型目标容忍系数σ、可接受概率δ,并在随机变量预测值的基础上设定最优解f0
3)输入约束条件,初始化粒子群的速度、位置、个体最优值和群体最优值等参数,设置当前迭代次数k=0,开始粒子群迭代,k表示迭代次数。
4)判断迭代次数是否小于设定值,若不是,则结束迭代并输出结果,若是,则继续执行后续步骤。
5)产生优化配置初始化种群,计算各策略变量适应值,得到策略变量、种群的最优值以及最优位置fIESIMSF,此处需要注意的是,如果某个策略变量的位置某一维超出了设定的取值范围,需剔除这个位置,可设定这个策略变量对应的适应度为正无穷,经过这样设置之后,这个粒子的位置一定不会成为个体最优位置,因此更不可能成为群体最优位置。
6)更新策略变量的位置和速度,更新迭代次数k=k+1。策略变量位置和速度的更新可参考策略变量对应的历史值位置。
7)判断迭代终止条件,即目标值fIESIMSF是否小于等于设定阈值fIESIMSF max,若是,则迭代终止并输出结果,若不是,则互道4),重复步骤4)-7)。
本发明能够很大程度的发挥多站融合***各个组成元素的减碳作用,能够从全局角度进行多站融合***的低碳运行策略的制定,充分考虑了多站融合***的自身特点,使运行策略能够在兼顾经济约束、功率约束、减碳能力约束和安全稳定约束等条件下,最大程度的减少整个***的碳排放。通过改进的经验模态分解方法进行预测和场景筛选,可以极大降低场景数量和计算难度,且不影响求解的准确度和鲁棒性,采用粒子群算法对模型进行求解,求解速度快、求解精度高,所得日内低碳运行策略优化结果合理,根据参数设置不同具有不同的鲁棒性。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (10)

1.一种多站融合***低碳运行方法,其特征在于,它包括下列步骤:
S1:对多站融合***各个组成元素进行分类,分为碳排放源和减碳手段两类;
S2:设定多站融合低碳运行目标;
S3:采集汇总多站融合***的运行数据和其他相关数据,滚动积累历史数据库;
S4:设定多站融合***低碳运行约束条件函数,并利用相关数据将约束条件数据化,形成约束域;
S5:根据对历史数据库进行挖掘分析,对负荷、可再生能源发电量进行预测,得到对应的负荷预测曲线和新能源发电量预测曲线;
S6:构建多站融合***低碳运行策略模型;
S7:根据步骤S2、S3、S4、S5得到的多站融合***低碳运行目标、相关数据、约束函数以及预测曲线对步骤S6的模型进行优化求解,得到优化的低碳运行日间策略。
2.根据权利要求1所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S1中,所述碳排放源为包括数据中心站、5g基站、站用电、电制热***、电制冷***以及电动汽车充电站在内的负荷类设备;所述减碳手段为包括燃气三联供、电池储能站、储冷装置、储热装置以及可再生能源发电站在内的可调节资源。
3.根据权利要求1或2所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S2中,设定多站融合低碳运行目标:
S2.1:根据步骤S1所述的碳排放源的能源消耗情况计算其等效的碳排放量,作为碳排放基准值;
S2.2:利用步骤S1中的减碳手段减少多站融合***的碳排放量,将减碳量与碳排放基准值的比值不低于设定值设为多站融合***低碳运营目标。
4.根据权利要求1所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S3中,采集汇总的多站融合***的运行数据包括但不限于:数据中心各个节点的用能监测数据、5g基站用电数据、电制热***运行数据、电制冷***运行数据、负荷的用能监测数据、燃气三联供***的运行数据、电池储能站的运行数据、储冷装置的运行数据、储热装置运行数据以及可再生能源发电站的发电数据;其他数据包括但不限于风力、温度以及光照数据。
5.根据权利要求1或4所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S4中的约束条件包括经济约束、功率约束、减碳能力约束和***安全稳定约束。
6.根据权利要求5所述的一种多站融合***低碳运行方法,其特征在于,所述的经济约束表示为:
Figure FDA0003402341940000021
式中,PRF(x)为变量x下对应的运营收益,PRFa-thr为多站融合***运营收益的指标阈值,COS(x)为变量x下对应的运行费用,COSa-thr为多站融合***运行费用的指标阈值,x为变量;
所述的功率约束表示为:
∑Pin&p(x)(t)-∑Pout&c(x)(t)-∑Pl(x)(t)=0
式中,Pin&p(x)(t)为某一时刻在变量x下的输入功率与可再生能源发电功率的总和、∑Pout&c(x)(t)为某一时刻在变量x下的输出功率与消耗功率的总和,Pl(x)(t)为某一时刻在变量x下的功率损失;
所述的减碳能力约束表示为:
Figure FDA0003402341940000031
Figure FDA0003402341940000032
式中,
Figure FDA0003402341940000033
分别为第i个可控***在时段t的可控系数和功率,
Figure FDA0003402341940000034
分别为第i个可控***容量上、下限,
Figure FDA0003402341940000035
分别为第i个可控***的上、下爬坡速率;
所述的***安全稳定约束表示为:
Figure FDA0003402341940000036
式中,
Figure FDA0003402341940000037
为数据中心ups所需备用电池能量的最小值,
Figure FDA0003402341940000038
为储能电池最小荷电状态下的可用能量,Tidc、Tidc,B、ΔT分别为数据中心机房任意时刻的温度、基准温度和允许区间量,P(xrisk)为某类风险的发生概率值,Pthr(xrisk)为某类风险发生的概率阈值。
7.根据权利要求1或2所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S5中,对负荷、可再生能源发电量进行预测:采用改进的经验模态分解方法对负荷、可再生能源发电量进行预测,具体为:
Figure FDA0003402341940000041
式中,Dats(t)为t时段历史数据序列,Dats-pv(t)为t时段的上、下极值点的均值序列,将原数据序列与平均包络线相减,得到新的数据序列Dats1(t),通常,需要多次重复上述过程,直到所得到的数据序列是一个本征模函数分量IMFsk1(t)为止;
将原始数据序列减去IMFsk1(t)后,重复上述插值过程,反复迭代后,直到得到不能够再被分解的差值数据序列,此时的序列即可代表预测曲线的均值或范围。
8.根据权利要求1所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S6中,构建的多站融合***低碳运行策略模型是将约束条件、运行目标、预测结果结合起来的数学模型,并通过鲁棒优化的方法将其变得易于求解,具体为:
Figure FDA0003402341940000042
鲁棒优化后为:
Figure FDA0003402341940000043
式中,Fer(δ,t)、Fit(δ,t)分别为可再生能源出力和负荷预测误差对应的最劣化逆累积分布函数,δ为可接受概率,α为可接受的范围,f_IESIMSF为优化计算的结果。
9.根据权利要求1所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S7中,策略求解方法采用粒子群算法,具体为:
Figure FDA0003402341940000051
式中,vij、xij分别为第i个变量在第j维方向的搜索速度与位置;c1、c2为加速常数,取值为非负数;Pij为第i个变量在第j维方向的局部最优位置;PGj为全局最优解在第j维方向位置;rand为[0,1]间的随机数。
10.根据权利要求1或9所述的一种多站融合***低碳运行方法,其特征在于,所述的步骤S7中,具体的求解流程为:
S7.1:输入多站融合***相关参数,包括目标函数和约束函数相关的参数和***参数,输入负荷和可再生能源出力预测曲线;
S7.2:设定模型目标容忍系数σ、可接受概率δ,在随机变量预测值的基础上设定最优解f0
S7.3:输入约束条件,初始化粒子群的包括速度、位置、个体最优值和群体最优值在内的参数,设置当前迭代次数开始粒子群迭代,k=0,k表示迭代次数;
S7.4:计算策略变量适应值,得到策略变量、种群的最优值和最优位置;
S7.5:更新策略变量的位置和速度,更新迭代次数k=k+1;
S7.6:重复S7.4、S7.5,迭代至满足迭代终止条件。
CN202111500008.0A 2021-12-09 2021-12-09 一种多站融合***低碳运行方法 Pending CN114547955A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111500008.0A CN114547955A (zh) 2021-12-09 2021-12-09 一种多站融合***低碳运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111500008.0A CN114547955A (zh) 2021-12-09 2021-12-09 一种多站融合***低碳运行方法

Publications (1)

Publication Number Publication Date
CN114547955A true CN114547955A (zh) 2022-05-27

Family

ID=81670649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111500008.0A Pending CN114547955A (zh) 2021-12-09 2021-12-09 一种多站融合***低碳运行方法

Country Status (1)

Country Link
CN (1) CN114547955A (zh)

Similar Documents

Publication Publication Date Title
CN109599856B (zh) 一种微网多楼宇中电动汽车充放电管理优化方法及装置
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
CN111244988B (zh) 考虑分布式电源的电动汽车和储能优化调度方法
CN112952820B (zh) 考虑退役电池的智能社区微网超多目标能量管理方法
CN108493959B (zh) 基于Markov模型的电动汽车参与电网调频控制与分析方法
CN111064214A (zh) 基于电动汽车两阶段滚动式策略的配电网优化调度方法
CN111313480B (zh) 一种基于多目标寻优的多能互补***的设计方法
CN111626527A (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN110796373A (zh) 面向风电消纳的多阶段场景生成电热***优化调度方法
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
CN107122599B (zh) 一种蓄热电锅炉实时消纳弃风弃光电量能力的评估方法
CN114285086B (zh) 基于改进蚁群算法的电化学储能电站能量调度方法及***
CN114547955A (zh) 一种多站融合***低碳运行方法
CN115375032A (zh) 一种含分布式储能的区域电网多时间尺度优化调度方法
CN112668764B (zh) 一种基于云模型和fcm算法的海上风电场储能***优化配置方法
CN114498690A (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
CN111082446B (zh) 一种考虑电池自消耗的储能优化配置方法
CN114819251A (zh) 一种基于配电网网格的多元负荷弹性预测方法
CN108183498B (zh) 一种含风光储配电网背景下的车储混合配置方法
Zhang et al. Research on Joint Operation of Wind and Solar Storage System Based on Genetic Algorithm
CN113078659B (zh) 一种储能辅助火电机组agc调频装置的容量选择方法
CN113783213B (zh) 一种集中式储能电站选址定容两阶段优化方法
CN117713176B (zh) 源网荷储低碳运行方法、装置、电子设备及存储介质
CN116706949A (zh) 新能源***储能优化配置方法、***、设备及介质
CN117293877A (zh) 一种基于边缘计算的电力资源虚拟储能控制方法

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