CN114742276A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114742276A CN114742276A CN202210259028.1A CN202210259028A CN114742276A CN 114742276 A CN114742276 A CN 114742276A CN 202210259028 A CN202210259028 A CN 202210259028A CN 114742276 A CN114742276 A CN 114742276A
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- output
- orc
- 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.)
- Withdrawn
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010521 absorption reaction Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 84
- 238000004146 energy storage Methods 0.000 claims description 50
- 239000000446 fuel Substances 0.000 claims description 37
- 238000005338 heat storage Methods 0.000 claims description 27
- 229910052739 hydrogen Inorganic materials 0.000 claims description 27
- 239000001257 hydrogen Substances 0.000 claims description 27
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 26
- 238000010248 power generation Methods 0.000 claims description 26
- 239000002918 waste heat Substances 0.000 claims description 25
- 238000013178 mathematical model Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 20
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 239000003345 natural gas Substances 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000020169 heat generation Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 17
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 13
- 230000002457 bidirectional effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
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,包括以下步骤:步骤1、构建园区综合能源***;步骤2、构建多目标优化调度模型;步骤3、针对步骤2的多目标优化调度模型,采用NSGA‑Ⅱ算法进行求解。本发明调度方法实现了电网与热网之间双向耦合,降低了***的经济成本和碳排放量,并有效提高了风电、光伏的消纳能力。
Description
技术领域
背景技术
对化石能源的过度使用造成了全球范围内的能源和环境危机,加速绿色高效和可持续的能源发展已成为全球共识。以风电、光伏为代表的可再生能源可以有效减少环境污染,但弃风弃光问题严峻。多种能源、负荷整合的综合能源***应运而生,通过多能互补和能量梯级利用,是解决环境问题和提高能源利用率的有效途径之一。然而,对于能源利用率的衡量,大多数研究是采用基于热力学第一定律的能源利用效率,该指标只能考虑能源“量”的变化,而对于综合能源***IES来说,通常包含多种不同类型的能源,因此,本发明引入基于热力学第二定律提出的效率,该指标可以同时考虑能源“质”和“量”的变化,更合理的衡量能源效率,促进能量梯级利用。
然而,现有研究中,在衡量能源利用水平时,只考虑了能量数量的变化,未考虑能源质量的差异;对能源的转换考虑也还不够全面,特别是对于从热能到电能的转换还鲜有研究;同时,优化目标通常只考虑了经济性和环保性,而忽略了效率目标。
发明内容
针对以上问题,本发明提出一种考虑效率的含ORC的园区综合能源***多目标优化调度方法,该方法建立一种含ORC的园区IES低碳经济优化调度模型,以经济成本、效率和碳排放量作为优化目标,采用带有精英策略的非支配排序遗传算法(ElitistNondominated Sorting Genetic Algorithm,NSGA-Ⅱ)进行求解。本发明引入效率,来衡量能量“数量”和“质量”的变化,同时从经济性和环境性的角度进行分析,ORC与储热设备的结合可以降低***运行成本,减少碳排放量,实现园区***经济低碳高效运行。
本发明采取的技术方案为:
步骤1、构建园区综合能源***:
所述园区综合能源***的外部能源供应端包含上级电网、上级气网、风电、光伏,内部能量转换部分包含冷热电三联供设备CCHP、燃气锅炉GB、电解槽EL、电制冷机EC、氢燃料电池FC、储能设备,***输出端包含电、冷、热三种负荷;
其中,电负荷由燃料电池、风电、光伏、ORC余热发电、储电设备和燃气轮机供给,不足电能从上级电网购买所得;冷负荷由电制冷机和CCHP设备提供;热负荷由燃气锅炉、燃料电池、CCHP和储热设备供给。电解槽将波动性强的风电光伏电解产生氢气,通过燃料电池热电联产产生电能和热能,ORC余热发电将某些时段的对于热量转化为电能,解耦了CCHP机组通常“以热定电”的模式。
步骤2、构建多目标优化调度模型:
(1)设备模型:
(a)CCHP机组:
PGTe=PGTg·ηGTe
PGTh=PGTg·ηGTh
PACc=PACh·ηAC
PHEh=PGTh·ηHE (1);
其中,PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率;ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率;PACc为CCHP机组中吸收式制冷机的输出功率,PACh为CCHP机组中吸收式制冷机的输入功率,PHEh为CCHP机组中热交换器的输出功率。
(b)燃气锅炉:
燃气锅炉可以通过从上级气网购气将其转化为热能,其数学模型如式(2)所示:
PGBh=PGBg·ηGB (2);
其中,PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率;ηGB为燃气锅炉的产热效率。
(c)电解槽:
电解槽可以通过电解水将电能转化为氢能,其数学模型如式(3)所示:
PEL=PELi·ηEL (3);
其中,PEL和PELi分别为t时段电解槽的输出功率和输入功率;ηEL为电解槽的转化效率。
(d)氢燃料电池:
氢燃料电池可以通过化学反应将氢能转化成电能和热能,实现氢能的高效利用,其外部调度模型如式(4)所示:
PFC=PFCe+PFCh
PFCe=PFCi·ηFCe
PFCh=PFCi·ηFCh (4);
其中,PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率;ηFCe和ηFCh为燃料电池的发电效率和产热效率。
(e)电制冷机:
电制冷机通过消耗电能产生冷能,其数学模型如式(5)所示:
PECc=PECe·ηEC (5);
其中,PECc和PECe分别为t时段电制冷机的输出功率和耗电功率;ηEC为电制冷机的产冷效率。
(f)ORC余热发电:
ORC余热发电可以将弃热转化为电能,降低购能成本同时提高能源利用效率。为简化计算,本发明将其热电转化效率取为常数,其数学模型如式(6)所示:
PORC=ηORC·PORCi (6)
其中,PORC和PORCi分别为t时段ORC的输出功率和输入功率;ηORC为ORC的转换效率。
(g)储能设备:
储能设备包括储电EST、储热HST两种储能设备,其数学模型如式(7)所示:
其中,i∈{EST,HST},为t时段储能所储存的能量;Pt i,c和Pt i,d为t时段储能设备的充、放能功率;μi、αi和βi分别为储能设备的自耗能率、充能效率、放能效率;为(t-1)时刻储能所储存的能量,△t为时刻差值,为初始时刻储能装置的能量,EST为储电设备;HST为储热设备;i∈{EST,HST}。
(2)目标函数:
a)经济性目标:
经济性目标F1如式(8)所示,考虑购能成本f1、运维成本f2和弃风弃光惩罚f3三部分。
F1=f1+f2+f3;
其中,ce和cg分别为单位购电、购气价格;
Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量;
Ki为设备的单位出力运行维护成本,Pi为设备在t时段的出力;
cWT和cPV分别为弃风弃光单位惩罚成本;
PWT和Pwt分别为t时段风电典型日预测值和实际消纳量;
PPV和Ppv分别为t时段光伏典型日预测值和实际消纳量。
b)能源利用率目标:
Eout=λe1(Peload+Pec)+λh1(Phload+Phc)+λcPcload
Ein=λe2(Pbuye+Ped+Ppv+Pwt)+λh2Phd (9);
λe1、λh1、λc、λe2和λh2分别为电负荷、热负荷、冷负荷、电能、热水能源品质系数;
Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷;
Pec和Phc分别为储能设备充电功率和充热功率;
Pbuye、Ped和Phd分别为购电功率、储能设备放电功率和放热功率。
c)环境性目标:
通过二氧化碳排放量来体现所构建的园区IES的环境性,包括天然气CO2排放量和从上级电网购电CO2排放量,如式(10)所示。
其中,egrid、eGT和eGB分别为区域电网基准线排放因子、燃气轮机和燃气锅炉的CO2排放系数,Pbuye为购电电量,PGTe为CCHP机组中燃气轮机的输出电功率,PGBh为燃气锅炉的输出热功率。
(3)约束条件:
a)功率平衡约束:
Pbuuye+Pgte+Ppv+Pwt+Porc+Pfce+Ped=Pec+Peli+Pece+Peload
Pbuyg=Pgbg+Pgtg
Pacc+Pecc=Pcload
Pgbh+Phd+Pfch1+Pheh-Pach=Phc+Phload (11);
其中,PGTe、PGTg分别为t时段燃气轮机的输出电功率、耗气功率,PACc为CCHP机组中吸收式制冷机的输出功率,PACh为CCHP机组中吸收式制冷机的输入功率,PHEh为CCHP机组中热交换器的输出功率,PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率;PELi为t时段电解槽的输入功率,PFCe为t时段燃料电池的输出电功率,PECc和PECe分别为t时段电制冷机的输出功率和耗电功率,PORC为t时段ORC的输出功率,Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量,Pwt分别为t时段风电典型日实际消纳量,Ppv分别为t时段光伏典型日实际消纳量,Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷;Pfch1为燃料电池经热网直接供给热负荷的热功率;
b)设备耦合关系约束:
Pfch=Pfch1+Pfch2
Pgth=Pgth1+Pgth2
Porci=Pgth2+Pfch2
Pel=Pfci (12);
其中,Pfch1和Pgth1分别为燃料电池和燃气轮机经热网直接供给热负荷的热功率;Pfch2和Pgth2分别为ORC余热发电装置热功率的输入;PORCi分别为t时段ORC的输入功率;PFCi为t时段燃料电池的输入功率;PEL为t时段电解槽的输出功率。
c)设备出力上下限约束:
d)储能设备约束:
步骤3、针对步骤2的多目标优化调度模型,采用NSGA-Ⅱ算法进行求解。包括以下步骤:
步骤3.1:初始化种群,输入***基本参数;
步骤3.2:随机生成一个初始父代种群N;
步骤3.3:进行遗传基本操作,得到子代;
步骤3.4:将父代和子代合并后,通过精英保留策略,得到新的父代;
步骤3.5:根据选择、交叉和变异等遗传操作继续产生下一代;
步骤3.6:判断是否达到最大迭代次数,若是,进行步骤3.7,若否,进行步骤3.3;
步骤3.7:输出Pareto前沿解。
2):ORC可以充分利用CCHP冷热电三联供设备和燃料电池热电联产产生的余热,降低购能成本,增加***调度的灵活性。
3):储热设备与ORC的结合可以较大程度地降低弃风弃光,提高风电、光伏的利用率,实现可再生能源的充分消纳。
4):ORC适用于电负荷较高而热负荷需求较低的时段,此时其可以将多余热能转化为电能,减少购电量,不仅降低了经济成本,也减少了碳排放量,实现***的灵活调度;
5):储热设备可以将热能进行存储以供其余时段热负荷使用,适用于热负荷波动较大的时段,提高***的可靠性。
附图说明
图1为本发明所建立园区综合能源***的能量流向图;
图2为本发明所采用的的求解算法流程图;
图3为典型日负荷及风、光预测数据;
图4(1)为场景1电气子***运行出力图;
图4(2)为场景2电气子***运行出力图;
图4(3)为场景3电气子***运行出力图。
图5(1)为场景1冷能子***运行出力图;
图5(2)为场景2冷能子***运行出力图;
图5(3)为场景3冷能子***运行出力图。
图6(1)为场景1热力子***运行出力图;
图6(2)为场景2热力子***运行出力图;
图6(3)为场景3热力子***运行出力图。
具体实施方式
一种考虑效率的含ORC的园区综合能源***多目标优化调度方法,有机朗肯循环(Organic Rankine Cycle,ORC)余热发电可以充分利用设备的发电余热,使得传统热力网络与电力网络之间能量的单向流动转变为双向流动,其与储热***的结合为风电、光伏的消纳提供了新的思路。本发明从经济性、能量利用率、环境性三个角度,提出一种考虑效率的含ORC的园区综合能源***(Integrated energy system,IES)多目标低碳经济优化调度模型。首先,构建包含CCHP设备、氢燃料电池、ORC余热发电等设备的园区IES。其次,以经济成本最小、效率最大和碳排放量最小为目标函数,构建含ORC的园区IES优化调度模型。最后,采用NSGA-Ⅱ多目标优化算法进行求解,并通过归一化求得折中解。算例仿真表明,所建模型实现了电网与热网之间双向耦合,降低了***的经济成本和碳排放量,并有效提高了风电、光伏的消纳能力。包括如下步骤:
(1):构建园区综合能源***:
本发明构建的园区综合能源***的基本结构如图1所示,外部能源供应端包含上级电网、气网和风电、光伏,内部能量转换部分包含冷热电三联供设备CCHP、燃气锅炉GB、电解槽EL、电制冷机EC、氢燃料电池FC、储能设备等,***输出端包含电、冷、热三种负荷,充分满足用户侧负荷种类需求,如图1所示。
(2):构建优化调度模型:
(i)设备模型:
(a)CCHP机组:
PGTe=PGTg·ηGTe
PGTh=PGTg·ηGTh
PACc=PACh·ηAC
PHEh=PGTh·ηHE (1)
其中,PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率;ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率。
(b)燃气锅炉:
燃气锅炉可以通过从上级气网购气将其转化为热能。其数学模型如式(2)所示。
PGBh=PGBg·ηGB (2)
其中,PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率;
ηGB为燃气锅炉的产热效率。
(c)电解槽:
电解槽可以通过电解水将电能转化为氢能。其数学模型如式(3)所示。
PEL=PELi·ηEL (3)
其中,PEL和PELi分别为t时段电解槽的输出功率和输入功率;
ηEL为电解槽的转化效率。
(d)氢燃料电池:
氢燃料电池可以通过化学反应将氢能转化成电能和热能,实现氢能的高效利用。其外部调度模型如式(4)所示。
PFC=PFCe+PFCh
PFCe=PFCi·ηFCe
PFCh=PFCi·ηFCh (4)
其中,PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率;
ηFCe和ηFCh为燃料电池的发电效率和产热效率。
(e)电制冷机:
电制冷机通过消耗电能产生冷能。其数学模型如式(5)所示。
PECc=PECe·ηEC (5)
其中,PECc和PECe分别为t时段电制冷机的输出功率和耗电功率;
ηEC为电制冷机的产冷效率。
(f)ORC余热发电:
ORC余热发电可以将弃热转化为电能,降低购能成本同时提高能源利用效率。为简化计算,本发明将其热电转化效率取为常数。其数学模型如式(6)所示。
PORC=ηORC·PORCi (6)
其中,PORC和PORCi分别为t时段ORC的输出功率和输入功率;
ηORC为ORC的转换效率。
(g)储能设备:
本发明涉及储电(EST)、储热(HST)两种储能设备。其数学模型如式(7)所示。
其中,i∈{EST,HST},Eit为t时段储能所储存的能量;
Pi,ct和Pi,dt为t时段储能设备的充、放能功率;
μi、αi和βi分别为储能设备的自耗能率、充能效率、放能效率。
(ii)目标函数:
(a)经济性目标:
经济性目标F1如式(8)所示,考虑购能成本f1、运维成本f2和弃风弃光惩罚f3三部分。
F1=f1+f2+f3
其中,ce和cg分别为单位购电、购气价格;
Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量;
Ki为设备的单位出力运行维护成本;
Pi为设备在t时段的出力;
cWT和cPV分别为弃风弃光单位惩罚成本;
PWT和Pwt分别为t时段风电典型日预测值和实际消纳量;
PPV和Ppv分别为t时段光伏典型日预测值和实际消纳量。
(b)能源利用率目标:
Eout=λe1(Peload+Pec)+λh1(Phload+Phc)+λcPcload
Ein=λe2(Pbuye+Ped+Ppv+Pwt)+λh2Phd (9)
λe1、λh1、λc、λe2和λh2分别为电负荷、热负荷、冷负荷、电能、热水能源品质系数;
Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷;
Pec和Phc分别为储能设备充电功率和充热功率;
Pbuye、Ped和Phd分别为购电功率、储能设备放电功率和放热功率。
(c)环境性目标:
本发明通过二氧化碳排放量来体现所构建的园区IES的环境性,包括天然气CO2排放量和从上级电网购电CO2排放量,如式(10)所示。
其中,egrid、eGT和eGB分别为区域电网基准线排放因子、燃气轮机和燃气锅炉的CO2排放系数。
(iii)约束条件:
(a)功率平衡约束:
Pbuuye+Pgte+Ppv+Pwt+Porc+Pfce+Ped=Pec+Peli+Pece+Peload
Pbuyg=Pgbg+Pgtg
Pacc+Pecc=Pcload
Pgbh+Phd+Pfch1+Pheh-Pach=Phc+Phload (11)
(b)设备耦合关系约束:
Pfch=Pfch1+Pfch2
Pgth=Pgth1+Pgth2
Porci=Pgth2+Pfch2
Pel=Pfci (12)
其中,Pfch1和Pgth1分别为燃料电池和燃气轮机经热网直接供给热负荷的热功率;
Pfch2和Pgth2分别为ORC余热发电装置热功率的输入。
(c)设备出力上下限约束:
其中,Pj为设备j在t时刻的输出功率;
(d)储能设备约束:
(3)采用NSGA-Ⅱ优化算法进行求解:
针对所提出的多目标优化调度模型,本发明采用NSGA-Ⅱ算法进行求解。该方法是在非支配排序遗传算法(NSGA)的基础上提出的,与之相比,NSGA-Ⅱ将计算复杂度从O(mN^3)降低为O(mN^2),并引入精英策略,可以将种群中优秀的个体保存下来,其次,相比NSGA中共享半径的概念,NSGA-Ⅱ采用拥挤度,降低了主观性对算法结果的影响。NSGA-Ⅱ算法求得的Pareto最优解收敛性和鲁棒性好,具有较好的优化效果。
具体步骤为:
步骤3.1:初始化种群,输入***基本参数;
步骤3.2:随机生成一个初始父代种群N;
步骤3.3:进行遗传基本操作,得到子代;
步骤3.4:将父代和子代合并后,通过精英保留策略,得到新的父代;
步骤3.5:根据选择、交叉和变异等遗传操作继续产生下一代;
步骤3.6:判断是否达到最大迭代次数,若是,去往步骤3.7,若否,去往步骤3.3;
步骤3.7:输出Pareto前沿解。
Lmin为三维空间中各帕累托解到最优理想解的(1,1,1)的距离;x、y、z为各帕累托解在三维空间中的坐标。
(4)在不同场景下进行仿真验证:
本发明设置三种场景,分析ORC和储热设备在经济性、能源利用率和碳排放量上的差异,如表1所示。
表1场景设置
本发明以我国西北地区某工业园区为例。西北地区风能、光能资源充足,政策支持良好。同时选取某典型日源荷预测数据进行算例仿真,并采用NSGA-Ⅱ算法进行求解。该园区典型日相应的负荷曲线和风电、光伏的变化曲线如图3所示。设备的参数如表2所示,从电网购电时的分时电价如表3所示。调度时间为24h,单位调度时间为1h。上级气网购气单价为3元/m3。种群初始规模为100。
表2设备基本参数
表3园区综合能源***分时电价
场景说明:
本发明设置三种场景,分析ORC和储热设备在经济性、能源利用率和碳排放量上的差异,如表1所示。
场景计算:
针对所提出的多目标优化调度模型,本发明采用NSGA-Ⅱ算法进行求解。该方法是在非支配排序遗传算法(NSGA)的基础上提出的,与之相比,NSGA-Ⅱ将计算复杂度从O(mN^3)降低为O(mN^2),并引入精英策略,可以将种群中优秀的个体保存下来,其次,相比NSGA中共享半径的概念,NSGA-Ⅱ采用拥挤度,降低了主观性对算法结果的影响。NSGA-Ⅱ算法求得的Pareto最优解收敛性和鲁棒性好,具有较好的优化效果。
由于上述NSGA-Ⅱ算法求得的是一系列帕累托前沿解,因此本发明采用归一化来选取折中解。首先,将所得到的一系列解映射到归一化的多目标空间中,然后找到使所有解都达到最优的虚拟理想解a,坐标为(1,1,1),接着用公式(15)计算出各个解映射在空间中的位置与a的距离并比较长短,最后选取离a点最近的解为折中解,从而得到本发明三个场景中选取的方案。
结果分析:
表4不同场景经济性、效率、环境性对比
(i)经济性分析:
表4所列经济成本由两部分组成,其一是由购能成本和运维成本组成的运行成本,其二是弃风弃光惩罚成本。由表可知,场景1、3、2的运行成本依次递增,其中场景2运行成本最高,这是由于缺乏ORC,浪费了余热,导致购电量高,场景3运行成本高于场景1主要原因是增添的ORC设备使得其运维成本升高,从而造成运行成本增加。由于场景3中同时具备ORC余热发电和储热设备,使得***灵活性显著增高,消纳风电、光伏能力增加,从而大幅降低弃风弃光惩罚成本,较场景1和2分别降低了70.09%和77.1%。
由表4可知,三种场景下效率相差不大,在65%~67%之间。原因是ORC可将余热转化为电能,能量“质量”虽然有提升,但是在能量的转化过程中会造成一定损耗,能量“数量”有所减少。而储能设备可以循环利用该种能量,能量“质量”没有变化,但在充放能过程中也有一定量的能量损耗,所以只含有ORC的场景2效率最高
(iii)碳排放量分析:
由表4可知,场景3的碳排放量最少,分别较场景1和2降低了8.04%和3.37%。主要原因是由于外购电能基本是来自于火电厂,而场景3中购电量最少,所以碳排放量相对来说最少。
(iv)机组运行出力分析:
根据不同场景中园区IES在典型日的运行情况,可以验证所提模型的可信度,其中,各场景电气、冷能、热力子***运行出力如图4(1)~图4(3)、图5(1)~图5(3)、图6(1)~图6(3)所示。
由图4(1)~图4(3)为电气子***出力情况可得,三种场景均有储电设备,在电价较低时段储能设备多处于充能状态,电价较高时段则多处于放能状态,并考虑用电需求,降低了***成本。其中,场景2和场景3中含有ORC余热发电,ORC在电负荷较高而热负荷较低的时段,如12:00~16:00,处于运行状态。对比分析可得,在场景3中,由于同时包含ORC和储热设备,对于电能的调度更加灵活,所以购电量最少。
由图6(1)~图6(3)热力子***出力情况可得,三种场景均由燃料电池、燃气锅炉、CCHP机组产生热能,其中场景1和2含有储热装置,增加了***可靠性;场景2和3含有ORC余热发电,增加了***的灵活性。4:00~11:00,热负荷较低,碳排放较高的燃气锅炉出力减少,由燃料电池和CCHP机组来满足需求,11:00~18:00,热负荷和电负荷均逐渐升高,此时段产热设备产生的能量用来供给热能需求,多余热能储存在储能设备中以满足负荷波动,无储热设备的场景2则通过ORC余热发电供应增加的电负荷。在18:00之后,热负荷逐渐增高,此时电负荷需求较低,在此时段,含有ORC的场景中ORC几乎无输出功率,在8:00~11:00,热负荷较低,在含有储热设备的场景中储热设备充能功率较高,而场景2则将多余热量通过ORC转化为电能,提高了效率,同时减少了购能成本。
Claims (3)
步骤1、构建园区综合能源***:
所述园区综合能源***的外部能源供应端包含上级电网、上级气网、风电、光伏,内部能量转换部分包含冷热电三联供设备CCHP、燃气锅炉GB、电解槽EL、电制冷机EC、氢燃料电池FC、储能设备,***输出端包含电、冷、热三种负荷;
步骤2、构建多目标优化调度模型:
(1)设备模型:
(a)CCHP机组:
CCHP机组包括燃气轮机、余热回收装置、吸收式制冷机,其数学模型如式(1)所示:
PGTe=PGTg·ηGTe
PGTh=PGTg·ηGTh
PACc=PACh·ηAC
PHEh=PGTh·ηHE (1);
其中,PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率;ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率;PACc为CCHP机组中吸收式制冷机的输出功率,PACh为CCHP机组中吸收式制冷机的输入功率,PHEh为CCHP机组中热交换器的输出功率;
(b)燃气锅炉:
燃气锅炉通过从上级气网购气将其转化为热能,其数学模型如式(2)所示:
PGBh=PGBg·ηGB (2);
其中,PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率;ηGB为燃气锅炉的产热效率;
(c)电解槽:
电解槽通过电解水将电能转化为氢能,其数学模型如式(3)所示:
PEL=PELi·ηEL (3);
其中,PEL和PELi分别为t时段电解槽的输出功率和输入功率;ηEL为电解槽的转化效率;
(d)氢燃料电池:
氢燃料电池通过化学反应将氢能转化成电能和热能,实现氢能的利用,其外部调度模型如式(4)所示:
PFC=PFCe+PFCh
PFCe=PFCi·ηFCe
PFCh=PFCi·ηFCh (4);
其中,PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率;ηFCe和ηFCh为燃料电池的发电效率和产热效率;
(e)电制冷机:
电制冷机通过消耗电能产生冷能,其数学模型如式(5)所示:
PECc=PECe·ηEC (5);
其中,PECc和PECe分别为t时段电制冷机的输出功率和耗电功率;ηEC为电制冷机的产冷效率;
(f)ORC余热发电:
ORC余热发电能够将弃热转化为电能,为简化计算,将其热电转化效率取为常数,其数学模型如式(6)所示:
PORC=ηORC·PORCi (6)
其中,PORC和PORCi分别为t时段ORC的输出功率和输入功率;ηORC为ORC的转换效率;
(g)储能设备:
储能设备包括储电EST、储热HST两种储能设备,其数学模型如式(7)所示:
其中,i∈{EST,HST},为t时段储能所储存的能量;Pt i,c和Pt i,d为t时段储能设备的充、放能功率;μi、αi和βi分别为储能设备的自耗能率、充能效率、放能效率;为(t-1)时刻储能所储存的能量,Δt为时刻差值,为初始时刻储能装置的能量,EST为储电设备;HST为储热设备;i∈{EST,HST};
(2)目标函数:
a)经济性目标:
经济性目标F1如式(8)所示,考虑购能成本f1、运维成本f2和弃风弃光惩罚f3三部分;
F1=f1+f2+f3;
其中,ce和cg分别为单位购电、购气价格;
Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量;
Ki为设备的单位出力运行维护成本,Pi为设备在t时段的出力;
cWT和cPV分别为弃风弃光单位惩罚成本;
PWT和Pwt分别为t时段风电典型日预测值和实际消纳量;
PPV和Ppv分别为t时段光伏典型日预测值和实际消纳量;
b)能源利用率目标:
Eout=λe1(Peload+Pec)+λh1(Phload+Phc)+λcPcload
Ein=λe2(Pbuye+Ped+Ppv+Pwt)+λh2Phd (9);
λe1、λh1、λc、λe2和λh2分别为电负荷、热负荷、冷负荷、电能、热水能源品质系数;
Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷;
Pec和Phc分别为储能设备充电功率和充热功率;
Pbuye、Ped和Phd分别为购电功率、储能设备放电功率和放热功率;
c)环境性目标:
通过二氧化碳排放量来体现所构建的园区IES的环境性,包括天然气CO2排放量和从上级电网购电CO2排放量,如式(10)所示;
其中,egrid、eGT和eGB分别为区域电网基准线排放因子、燃气轮机和燃气锅炉的CO2排放系数,Pbuye为购电电量,PGTe为CCHP机组中燃气轮机的输出电功率,PGBh
为燃气锅炉的输出热功率;
(3)约束条件:
a)功率平衡约束:
Pbuuye+Pgte+Ppv+Pwt+Porc+Pfce+Ped=Pec+Peli+Pece+Peload
Pbuyg=Pgbg+Pgtg
Pacc+Pecc=Pcload
Pgbh+Phd+Pfch1+Pheh-Pach=Phc+Phload (11);
其中,PGTe、PGTg分别为t时段燃气轮机的输出电功率、耗气功率,PACc为CCHP机组中吸收式制冷机的输出功率,PACh为CCHP机组中吸收式制冷机的输入功率,PHEh为CCHP机组中热交换器的输出功率,PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率;PELi为t时段电解槽的输入功率,PFCe为t时段燃料电池的输出电功率,PECc和PECe分别为t时段电制冷机的输出功率和耗电功率,PORC为t时段ORC的输出功率,Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量,Pwt分别为t时段风电典型日实际消纳量,Ppv分别为t时段光伏典型日实际消纳量,Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷;Pfch1为燃料电池经热网直接供给热负荷的热功率;
b)设备耦合关系约束:
Pfch=Pfch1+Pfch2
Pgth=Pgth1+Pgth2
Porci=Pgth2+Pfch2
Pel=Pfci (12);
其中,Pfch1和Pgth1分别为燃料电池和燃气轮机经热网直接供给热负荷的热功率;Pfch2和Pgth2分别为ORC余热发电装置热功率的输入;PORCi分别为t时段ORC的输入功率;PFCi为t时段燃料电池的输入功率;PEL为t时段电解槽的输出功率;
c)设备出力上下限约束:
其中,Pj为设备j在t时刻的输出功率;Pj max和Pj min分别为设备j功率上下限;
d)储能设备约束:
步骤3、针对步骤2的多目标优化调度模型,采用NSGA-Ⅱ算法进行求解。
3.含ORC的园区综合能源***多目标优化调度模型,其特征在于,该模型包括:
(a)CCHP机组:
CCHP机组包括燃气轮机、余热回收装置、吸收式制冷机,其数学模型如式(1)所示:
PGTe=PGTg·ηGTe
PGTh=PGTg·ηGTh
PACc=PACh·ηAC
PHEh=PGTh·ηHE (1);
其中,PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率;
ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率;PACc为CCHP机组中吸收式制冷机的输出功率,PACh
为CCHP机组中吸收式制冷机的输入功率,PHEh为CCHP机组中热交换器的输出功率;
(b)燃气锅炉:
燃气锅炉通过从上级气网购气将其转化为热能,其数学模型如式(2)所示:
PGBh=PGBg·ηGB (2);
其中,PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率;ηGB为燃气锅炉的产热效率;
(c)电解槽:
电解槽通过电解水将电能转化为氢能,其数学模型如式(3)所示:
PEL=PELi·ηEL (3);
其中,PEL和PELi分别为t时段电解槽的输出功率和输入功率;ηEL为电解槽的转化效率;
(d)氢燃料电池:
氢燃料电池通过化学反应将氢能转化成电能和热能,实现氢能的利用,其外部调度模型如式(4)所示:
PFC=PFCe+PFCh
PFCe=PFCi·ηFCe
PFCh=PFCi·ηFCh (4);
其中,PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率;ηFCe和ηFCh为燃料电池的发电效率和产热效率;
(e)电制冷机:
电制冷机通过消耗电能产生冷能,其数学模型如式(5)所示:
PECc=PECe·ηEC (5);
其中,PECc和PECe分别为t时段电制冷机的输出功率和耗电功率;ηEC为电制冷机的产冷效率;
(f)ORC余热发电:
ORC余热发电能够将弃热转化为电能,为简化计算,将其热电转化效率取为常数,其数学模型如式(6)所示:
PORC=ηORC·PORCi (6)
其中,PORC和PORCi分别为t时段ORC的输出功率和输入功率;ηORC为ORC的转换效率;
(g)储能设备:
储能设备包括储电EST、储热HST两种储能设备,其数学模型如式(7)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259028.1A CN114742276A (zh) | 2022-03-16 | 2022-03-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259028.1A CN114742276A (zh) | 2022-03-16 | 2022-03-16 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742276A true CN114742276A (zh) | 2022-07-12 |
Family
ID=82277291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210259028.1A Withdrawn CN114742276A (zh) | 2022-03-16 | 2022-03-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742276A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147007A (zh) * | 2022-08-01 | 2022-10-04 | 东南大学溧阳研究院 | 一种基于电-碳信息和nsga-ii的园区低碳经济用能方法 |
CN115528713A (zh) * | 2022-11-28 | 2022-12-27 | 国网上海能源互联网研究院有限公司 | 用户侧燃料电池综合能源***低碳运行控制方法和装置 |
-
2022
- 2022-03-16 CN CN202210259028.1A patent/CN114742276A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147007A (zh) * | 2022-08-01 | 2022-10-04 | 东南大学溧阳研究院 | 一种基于电-碳信息和nsga-ii的园区低碳经济用能方法 |
CN115528713A (zh) * | 2022-11-28 | 2022-12-27 | 国网上海能源互联网研究院有限公司 | 用户侧燃料电池综合能源***低碳运行控制方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Multi-objective capacity optimization of a distributed energy system considering economy, environment and energy | |
Das et al. | Effect of load following strategies, hardware, and thermal load distribution on stand-alone hybrid CCHP systems | |
CN111463836B (zh) | 一种综合能源***优化调度方法 | |
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 | |
Ren et al. | A review on the integration and optimization of distributed energy systems | |
Ramadhani et al. | Evaluation of solid oxide fuel cell based polygeneration system in residential areas integrating with electric charging and hydrogen fueling stations for vehicles | |
CN108206543B (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 | |
CN111860937B (zh) | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 | |
Wang et al. | Multi-objective capacity programming and operation optimization of an integrated energy system considering hydrogen energy storage for collective energy communities | |
Chen et al. | Multi-objective optimization of an integrated energy system against energy, supply-demand matching and exergo-environmental cost over the whole life-cycle | |
CN110348709A (zh) | 基于氢能与储能设备的多能源***的运行优化方法和装置 | |
Li et al. | Performance evaluation of solar hybrid combined cooling, heating and power systems: A multi-objective arithmetic optimization algorithm | |
Liu et al. | Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios | |
Wang et al. | Synergistic planning of an integrated energy system containing hydrogen storage with the coupled use of electric-thermal energy | |
CN107358345B (zh) | 计及需求侧管理的分布式冷热电联供***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 | |
CN113850474B (zh) | 一种热电氢多能流综合能源***及其优化调度方法 | |
Fan et al. | Two-layer collaborative optimization for a renewable energy system combining electricity storage, hydrogen storage, and heat storage | |
Li et al. | Capacity design of a distributed energy system based on integrated optimization and operation strategy of exergy loss reduction | |
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 | |
CN110555618A (zh) | 基于改进樽海鞘算法的网络化综合能源***优化调度方法 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和*** | |
CN112528501A (zh) | 一种分布式供能***分层优化设计方法 | |
Wang et al. | Co-optimization of configuration and operation for distributed multi-energy system considering different optimization objectives and operation strategies | |
CN116468215A (zh) | 计及源荷不确定性的综合能源***调度方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220712 |