CN116050585A - 基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法 - Google Patents
基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法 Download PDFInfo
- Publication number
- CN116050585A CN116050585A CN202211640242.8A CN202211640242A CN116050585A CN 116050585 A CN116050585 A CN 116050585A CN 202211640242 A CN202211640242 A CN 202211640242A CN 116050585 A CN116050585 A CN 116050585A
- Authority
- CN
- China
- Prior art keywords
- micro
- power
- hydrogen
- grid
- period
- 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
Links
- 239000001257 hydrogen Substances 0.000 title claims abstract description 133
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 133
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000007789 gas Substances 0.000 title claims description 144
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 139
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 130
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 230000003993 interaction Effects 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 239000002737 fuel gas Substances 0.000 claims abstract description 28
- 238000004146 energy storage Methods 0.000 claims abstract description 18
- 230000008901 benefit Effects 0.000 claims abstract description 13
- 238000005265 energy consumption Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 132
- 238000006243 chemical reaction Methods 0.000 claims description 47
- 230000005611 electricity Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 38
- 239000000126 substance Substances 0.000 claims description 27
- 230000009977 dual effect Effects 0.000 claims description 19
- 239000003345 natural gas Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000005868 electrolysis reaction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000005485 electric heating Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 101150030566 CCS1 gene Proteins 0.000 claims description 3
- 101100332461 Coffea arabica DXMT2 gene Proteins 0.000 claims description 3
- 101100341123 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) IRA2 gene Proteins 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 101150104736 ccsB gene Proteins 0.000 claims description 3
- 239000000567 combustion gas Substances 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000009194 climbing Effects 0.000 claims 1
- 238000012946 outsourcing Methods 0.000 abstract description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 54
- 229910002092 carbon dioxide Inorganic materials 0.000 description 27
- 238000010586 diagram Methods 0.000 description 6
- 230000031700 light absorption Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 150000002431 hydrogen Chemical class 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,将燃气掺氢后送入燃气机组,进而建立了含燃气掺氢的氢储能模型,在阶梯型碳交易机制补充了基于外购电功率碳排放的计算方法;通过多微网与配电网的净交互成本计算条件风险价值以衡量多微网的不确定性,利用纳什谈判的方法,对多微网实施两阶段优化,第一阶段最小化多微网总成本,第二阶段分配收益并最大化各微网利益;通过改进交替方向乘子法对两阶段优化模型进行分布式求解。本发明方法在保证多微网总成本最低的前提下可实现各微网的利益最大化,提升新能源消纳水平,减少碳排放量,为不确定环境下综合能源多微网的低碳经济调度提供参考。
Description
技术领域
本发明属于新能源调度技术领域,具体涉及基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法。
背景技术
综合能源***提高了终端能源消费的效率及清洁化水平,是实现清洁能源替代、能源低碳持续发展的重要手段。随着同一配电区域中综合能源微网数量的增加,相邻微网互联耦合,形成综合能源多微网。当微网间进行电能交互时,微网可以将电量出售给其它微网或从其它微网购入电量,以提高自身运行的经济性。然而,各微网均属于不同的利益主体,多个微网间的利益交互以及多能流的复杂耦合使得传统单微网的调度方法难以适用。
现有针对多微网的调度方法鲜有考虑源荷不确定性,碳交易机制侧重于微网自身设备出力所产生的碳排放,并未考虑外购电功率所产生的等效碳排放。在用氢环节中,通常利用氢燃料电池技术进行发电。氢燃料电池发电设备相对简单,功率范围宽,可以很好地应对可再生能源的波动性,但其价格高昂,而且发电效率不高,仅为30%~60%。
发明内容
本发明的目的是提供基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,能够提升新能源消纳水平,减少碳排放量。
本发明所采用的技术方案是,基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,具体按照以下步骤实施:
步骤1、对综合能源多微网进行低碳经济化改进,将燃气掺氢后送入燃气机组,建立含掺氢燃气的综合能源微网模型;
步骤2、通过多微网与配电网的净交互成本计算条件风险价值,运用纳什谈判理论对多微网实施两阶段优化,第一阶段最小化多微网总成本,第二阶段分配收益并最大化各微网利益,构建基于纳什谈判的综合能源多微网两阶段优化调度模型;
步骤3、通过改进交替方向乘子算法对基于纳什谈判的综合能源多微网两阶段优化调度模型进行分布式优化求解,得到的参数即为调度结果。
步骤1中含燃气掺氢的氢储能模型包括综合能源微网设备出力模型、综合能源微网能效提升机制模型、单微网成本模型、约束条件,综合能源微网设备出力模型包括碳捕集电厂模型、含掺氢燃气的氢储能***模型。
碳捕集电厂模型构建过程如下:碳捕集电厂中火电机组在t时段的出力PTU,e,i(t)一部分供给碳捕集设备,另一部分流入电网,供给电负荷;碳捕集设备在t时段输入的电功率PCCS,e,i(t)又分为两部分:自身固定电功率的消耗PCCS,e1,i(t)和处理CO2的电功率消耗PCCS,e2,i(t):
碳捕集设备捕集到的CO2一部分被封存,另一部分供应给电转气设备,碳捕集电厂模型如下:
式中,PTU,e,i(t)为时段t内微网i(i=1,2,3,…)中火电机组输出的电功率,kW;eTU为单位时间内的碳排放强度,m3/(kW·h);VTU,CO2,i(t)为时段t内火电机组排放CO2的体积流量,m3/h;λCCS为碳捕集设备处理单位体积流量CO2的能耗,(kW·h)/m3;μCCS为碳捕集效率;VCCS1,CO2,i(t)为碳捕集设备封存CO2的体积流量;VCCS2,CO2,i(t)为碳捕集供给电转气设备CO2的体积流量,VCCS,CO2,i(t)为碳捕集捕集CO2的体积流量。
含掺氢燃气的氢储能***模型构建过程为:
1)量纲统一的电解槽模型:
电解槽将电能转换为氢能,采用质子交换电解制氢,构建的变效率数学模型如下:
式中,nEL,H2,i(t)为时段t内微网i中电解槽产氢物质的量;nELN为电解槽的额定容量;PEL,e,i(t)为时段t内电解槽输入的电功率;PEL,eN为电解槽输入电功率的额定值;f(PEL,e,i(t))为电解槽效率函数;aEL、bEL、cEL为效率函数系数;
量纲统一的电解槽模型如下:
式中,nEL,H2,i(t)为时段t内微网i中电解槽产氢物质的量,kmol;PEL,e,i(t)为时段t内电解槽输入的电功率,kW;mEL,H2,i(t)为时段t内电解槽产氢的质量,kg;MH2为氢气的摩尔质量;ρH2为氢气的密度;Δt为调度单位时间,PEL,H2,i(t)为时段t内电解槽的产氢功率;
2)量纲统一的甲烷反应器模型
4H2+CO2→CH4+2H2O (5)
由于化学反应方程式通常用分子物质的量进行计算,因此将碳捕集供给电转气设备的CO2体积流量(式(2))转化成物质的量,如下所示:
式中,mCCS2,CO2,i(t)为时段t内微网i中碳捕集供给电转气设备CO2的质量,kg;nCCS2,CO2,i,i(t)为碳捕集供给电转气设备CO2的物质的量,kmol;MCO2为CO2的摩尔质量;VCCS2,CO2,i(t)为碳捕集供给电转气设备CO2的体积流量;ρCO2为CO2的密度;
甲烷反应器生成CH4的量取决于CO2与H2的物质的量大小关系,反应量与生成量可由下式决定:
式中,nMR1,H2,i(t)为时段t内电解槽供给甲烷反应器H2物质的量;nCCS2,CO2,i(t)为碳捕集供给甲烷反应器CO2物质的量;nMR,H2,i(t)为时段t内参与甲烷反应H2物质的量;nMR,CH4,i(t)为时段t内甲烷反应器生成CH4物质的量;
将输入甲烷反应器H2物质的量与甲烷反应器生成CH4物质的量速率进一步转化得到输入H2与生成CH4的功率,如下式:
式中,PMR,H2,i(t)为时段t内输入甲烷反应器的H2功率,kW;PMR,g,i(t)为时段t内甲烷反应器输出的CH4功率;ηMR,g为时段t内甲烷反应器的输出效率;MCH4为CH4的摩尔质量;ρCH4为CH4的密度;
3)储氢罐模型
储氢罐在充放过程产生的氢能损耗用充放效率近似表征,因此模型为:
式中,分别为时段t内微网i中储氢罐的充放氢功率、效率与容量;
4)掺氢燃气机组模型
天然气在一定掺氢比例范围内与式(4)产生的氢气耦合,供给燃气机组,由于燃气机组在10%~20%掺氢比例下对其运行影响较小,因此将燃气机组的电热转化效率设置为常数,掺氢燃气轮机的数学模型如下:
式中,RGT,i(t)为燃气轮机的掺氢比;VGT,H2,i(t)、VGT,g,i(t)分别为时段t内输入燃气轮机的氢气和天然气气体积流量,即单位时间输送管道中流过的气体体积,m3/h;HHVCH4为甲烷的热值;PGT,g,i(t)、PGT,H2,i(t)分别为时段t内输入燃气轮机的天然气和氢功率;PGT,e,i(t)为时段t内燃气轮机输出的电功率;ηGT,e为燃气轮机的电转换效率;PGT,h,i(t)为时段t内微网i燃气轮机输出的热功率,kW;ηGT,h为燃气轮机的热转换效率;
掺氢燃气锅炉的数学模型如下:
PGB,h,i(t)=ηGB,h(PGB,g,i(t)+PGB,H2,i(t)) (14)
式中,RGB,i(t)为燃气锅炉的掺氢比;VGB,H2,i(t)、VGB,g,i(t)分别为时段t内输入燃气轮机的氢气和天然气体积流量;PGB,g,i(t)和PGB,H2,i(t)分别为时段t内输入燃气锅炉的天然气和氢气功率,kW;PGB,h,i(t)为时段t内燃气锅炉输出的热功率,kW;ηGB,h为燃气锅炉的热转换效率。
取调度周期内配电网电量中火电占比为碳交易成本具体计算模型如下:
mL,i=mGT0,i+mGB0,i+mTU0,i (16)
式中,mGT0,i、mGB0,i、mTU0,i、mL,i分别为微网i调度周期内燃气轮机、燃气锅炉、火电机组以及总的碳排放配额;σe为燃气机组单位发电功率的碳排放配额;σh为燃气机组单位供热功率碳排放配额;σp为火电机组的单位发电功率碳排放配额;
式中,mP,i(t)为微网i调度周期内总的实际碳排放量;mGT,i(t)、mGB,i(t)、mTU,i(t)分别为时段t内微网i燃气轮机、燃气锅炉以及火电机组的实际碳排放量;ai、bi、ci(i=1,2,3)分别为燃气机组供电、燃气机组供热以及火电机组供电的碳排放系数;
式中,CCO2,i为微网i的碳交易成本;c为市场上的碳交易单位价格;Υ为每个阶梯型碳交易价格上升范围;ω为碳排放区间长度,ε为碳交易奖励系数。
单微网成本模型构建过程为:
微网i优化运行的目标为总成本Ci最小:
Ci=min(Ca,i+Cbuy,i+CTU,i+CCO2,i+CDR,i+CES,i-Ctrade,i+Cc,i) (20)
其中CCO2,i碳交易成本,其余各项成本计算公式如下:
1)弃风弃光惩罚成本计算公式为:
式中,δa为弃风弃光惩罚系数;PWTI,e,i(t)、PWT,e,i(t)分别为时段t内的微网输入和消纳的风电功率;PPVI,e,i(t)、PPV,e,i(t)为时段t内微网输入和消纳的光伏功率;
2)购能成本计算公式为:
式中,δbuy,e(t)、δsell,e(t)分别为时段t的购售电价;Pbuy,e,i(t)、Psell,e,i(t)分别为时段t内微网i从配电网购电和向配电网售电的功率;δbuy,g(t)为t时段的气价;Pbuy,g,i(t)为时段t内微网的购气功率;
3)火电机组的启停和煤耗成本计算公式为:
式中,PTU,e,i(t)为时段t内微网i中火电机组输出的电功率;a4、b4、c4分别为火电机组的煤耗成本系数;UTU,i(t)为二进制变量,UTU,i(t)=1表示启动,UTU,i(t)=1表示关停;δTU为火电机组的启停成本系数;
4)需求响应成本计算公式为:
式中,δcut,e、δcut,h分别为削减电热负荷补偿成本系数;δtran,e、δtran,h分别为转移电热负荷补偿成本系数;
5)储能运维成本计算公式为:
式中,δES1、δES2分别为电、氢储能设备充放电运维成本系数,元/(kW·h);
6)电能交易成本计算公式为:
式中,Pe,ij(t)为时段t内微网i与微网j之间交互的电功率,Pe,ij(t)>0表示微网i向微网j售电,δe,ij(t)为微网i与微网j之间交互的电价,元/(kW·h);
7)过网费成本计算公式为:
式中,ge为过网费成本系数,元/(kW·h)。
约束条件表示为:
电、热、气、氢平衡约束表示为:
PGT,h,i(t)+PGB,h,i(t)=Pload,h,i(t) (29)
Pbuy,g,i(t)+PMR,g,i(t)=PGT,g,i(t)+PGB,g,i(t) (30)
式中,Pload,e,i(t)、Pload,h,i(t)分别表示微网i的电、热负荷。
风光出力约束表示为:
式中,PWTI,e,i(t)为时段t内的风电输入功率;PWT,e(t)为时段t内微网消纳的风电功率;PPVI,e,i(t)为时段t内微网的风电输入功率;PPV,e,i(t)为时段t内微网消纳的风电功率;
设备运行约束表示为:
式中,分别为设备x的输出功率上下限;分别为设备x的输出功率爬坡上下限。
电能交易约束表示为:
式中,为微网i与其它微网交互电功率上限;
若不考虑传输功率损耗,则时段t内所有微网交互电功率之和为零:
若不考虑传输功率损耗,则时段t内所有微网电能交易成本之和为零:
步骤2具体过程为:
步骤2.1、对于综合能源多微网,存在多种不确定性因素影响其调度结果,采用条件风险价值计算综合能源多微网面临的风险损失,当风电和光伏功率的实际值低于预测值或负荷实际值高于预测值时,电能交易功率不能满足日前规划会造成失负荷损失,多微网将从配网购买缺额电能;而当风电和光伏功率高于预测值或负荷低于预测值时,多微网则将多余电能出售给配网;通过多微网与配电网的净交互成本来表征风险损失函数f(ζ,x),微网i的条件风险价值成本XCVaR,β,i表示为:
式中,N为微网个数,β为置信度,αi为微网i的风险价值成本;
式(37)松弛为:
式中,yi,s为场景s中微网i的条件风险价值成本超出风险价值成本的值;
步骤2.2、对多微网实施两阶段优化,具体为:
在综合能源多微网中,各微网可以看成是相互竞争的谈判单位,采用纳什谈判进行求解,求解数学模型如下:
其中,C0,i为微网i可能的最大成本,C0,i为微网i的成本;
第一阶段,对式(40)变形,模型如下:
式中,C0,i为微网i可能的最大成本,即不考虑电能交互时微网i的成本,ps为第s个典型场景发生的概率;S为典型场景个数;k为风险偏好系数,表示微网投资者对于风险的态度,其取值范围为[0,1],k越小表明微网投资者追求越低成本而面临越高风险,通过求解该模型得到最优解
由于Pe,ij(t)=-Pe,ji(t),电能交易成本在求和过程中会相互抵消,因此各微网电能交易成本之和为0,但过网费成本(式(27))仍然含有电功率交互变量Pe,ij(t),综合能源多微网的目标函数为各微网的运行成本之和以及购售电风险最小:
式中,CI为综合能源多微网的成本;可在模型中求得最优解交互功率过网费以及条件风险价值
第二阶段:求得微网i中除电能交易成本外的最优成本与最优电功率交互变量后,式(42)可进一步转化为:
式(43)以δe,ij,s(t)为优化变量,不等式确保每个微网都能获得收益,对问题二的目标函数转换后得:
以δe,ij,s(t)为优化变量,式中为第一阶段的最优解;
公式(41)-(44)是基于纳什谈判的综合能源多微网两阶段优化调度模型。
步骤3具体过程为:
步骤3.1、利用改进交替方向乘子算法对式(41)进行分布式求解,具体求解方法如下:
1)建立关于微网i的增广拉格朗日函数:
式中,λij,s(t)为第一阶段优化模型的拉格朗日乘子,ρ为惩罚因子;
2)设置最大迭代次数lmax为100,初始场景s中时段t内微网i与微网j之间交互电功率Pe,ij,s(t)=0,Pe,ij,s(t)以及拉格朗日乘子λij,s的迭代过程如下:
3)判断算法是否收敛,计算原始残差、对偶残差:
式中,为第l+1次迭代微网i与微网j电能交易的原始残差;为第l+1次迭代微网i与微网j电能交易的对偶残差;
迭代停止条件为:
式中,εpri、εdual分别为原始残差和对偶残差上限;
4)通过原始残差和对偶残差的数量关系来自动更新惩罚因子,动态惩罚因子表示为:
式中,ν为原始残差和对偶残差的比例系数,θ1、θ2分别为加速收敛系数和减速收敛系数(ν,θ1,θ2>1);
5)输出调度结果各微网的设备出力,最优解交互功率过网费以及条件风险价值
步骤3.2、将步骤3.1求得的最优解与带入基于纳什谈判的综合能源多微网两阶段优化调度模型第二阶段目标函数式(44)中,利用改进交替方向乘子算法对式(44)进行分布式求解,求出的各微网之间交互电量电能交易成本即为调度结果。
本发明的有益效果是:
1)在不确定环境下基于纳什谈判方法建立综合能源多微网两阶段优化调度模型,电转氢过程中产生的氢气中的一部分与燃气掺混后送入燃气机组,建立包含电解槽、甲烷反应器、掺氢机组以及储氢罐的氢储能***,能够降低***成本,减少碳排放,微网间通过电能共享。
2)引入碳交易机制后,多微网***可以实现低碳、经济运行的双重目标,是实现综合能源***低碳运行的一种有效手段。
3)在不确定环境下利用CVaR量化综合能源多微网面临的风险损失,利用源荷日前预测与实时功率存在误差,则会引起多微网与配电网的净交互功率变化这一特点,通过多微网与配电网的净交互成本表征风险损失函数,并选取合适的风险系数,能够较好地衡量不确定环境下多微网的风险性与经济性。
4)采用改进交替方向乘子算法能通过原始残差和对偶残差的数量关系对惩罚因子进行动态修正,削弱了由初始惩罚因子引起的求解随机性,获得更精准有效地多微网优化调度结果。
附图说明
图1是本发明中调度周期内配电网电量火电占比示意图;
图2是本发明实施例中五种场景下微网一、二、三典型日光伏、风电、负荷预测发电曲线变化示意图;
图3是本发明实施例中微网之间电能交易结果示意图;
图4是本发明实施例中微网1电能优化结果示意图;
图5是本发明实施例中微网2电能优化结果示意图;
图6是本发明实施例中微网3电能优化结果示意图;
图7是本发明实施例中微网之间交易电价优化结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明建立的含掺氢燃气的综合能源微网包含电、热、气、氢4类能源,其主要设备包括碳捕集电厂、氢储能***、光伏、风机、蓄电池。各设备运行过程所涉及碳的排放与吸收最终均通过碳交易市场进行交易。
本发明基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,具体按照以下步骤实施:
步骤1、对综合能源多微网进行低碳经济化改进,将燃气掺氢后送入燃气机组,建立含掺氢燃气的综合能源微网模型;
碳捕集电厂模型构建过程如下:碳捕集电厂中火电机组在t时段的出力PTU,e,i(t)一部分供给碳捕集设备,另一部分流入电网,供给电负荷;碳捕集设备在t时段输入的电功率PCCS,e,i(t)又分为两部分:自身固定电功率的消耗PCCS,e1,i(t)和处理CO2的电功率消耗PCCS,e2,i(t):
碳捕集设备捕集到的CO2一部分被封存,另一部分供应给电转气设备,碳捕集电厂模型如下:
式中,PTU,e,i(t)为时段t内微网i(i=1,2,3,…)中火电机组输出的电功率,kW;eTU为单位时间内的碳排放强度,m3/(kW·h);VTU,CO2,i(t)为时段t内火电机组排放CO2的体积流量,m3/h;λCCS为碳捕集设备处理单位体积流量CO2的能耗,(kW·h)/m3;μCCS为碳捕集效率;VCCS1,CO2,i(t)为碳捕集设备封存CO2的体积流量;VCCS2,CO2,i(t)为碳捕集供给电转气设备CO2的体积流量,VCCS,CO2,i(t)为碳捕集捕集的二氧化碳体积。
将电转气细化为电转氢和甲烷化过程并实现量纲统一,建立了包含电解槽、甲烷反应器、掺氢机组以及储氢罐的氢储能***。电解槽利用电解水制氢,通过储氢罐实现储氢,制得的氢一部分在甲烷反应器中与CO2反应转化为甲烷注入天然气***,另一部分与天然气进行一定比例的混合形成掺氢燃气,送入燃气轮机和燃气锅炉中,产生电热能供给负荷,以此实现用氢。基于此,本发明中含掺氢燃气的氢储能***模型构建过程为:
1)量纲统一的电解槽模型:
电解槽将电能转换为氢能,采用质子交换电解制氢,构建的变效率数学模型如下:
式中,nEL,H2,i(t)为时段t内微网i中电解槽产氢物质的量;nELN为电解槽的额定容量;PEL,e,i(t)为时段t内电解槽输入的电功率;PEL,eN为电解槽输入电功率的额定值;f(PEL,e,i(t))为电解槽效率函数;aEL、bEL、cEL为效率函数系数;
根据产氢质量可以分别通过物质的量和摩尔质量、气体体积流量和密度两种途径计算,推导出产氢功率与产氢物质的量的关系,统一使用功率进行成本计算以及约束平衡,实现了量纲统一,得到量纲统一的电解槽模型如下:
式中,nEL,H2,i(t)为时段t内微网i中电解槽产氢物质的量,kmol;PEL,e,i(t)为时段t内电解槽输入的电功率,kW;mEL,H2,i(t)为时段t内电解槽产氢的质量,kg;MH2为氢气的摩尔质量;ρH2为氢气的密度;Δt为调度单位时间,PEL,H2,i(t)为时段t内电解槽的产氢功率;
2)量纲统一的甲烷反应器模型
4H2+CO2→CH4+2H2O (5)
由于化学反应方程式通常用分子物质的量进行计算,因此将碳捕集供给电转气设备的CO2体积流量(式(2))转化成物质的量,如下所示:
式中,mCCS2,CO2,i(t)为时段t内微网i中碳捕集供给电转气设备CO2的质量,kg;nCCS2,CO2,i,i(t)为碳捕集供给电转气设备CO2的物质的量,kmol;MCO2为CO2的摩尔质量;VCCS2,CO2,i(t)为碳捕集供给电转气设备CO2的体积流量;ρCO2为CO2的密度;
甲烷反应器生成CH4的量取决于CO2与H2的物质的量大小关系,反应量与生成量可由下式决定:
式中,nMR1,H2,i(t)为时段t内电解槽供给甲烷反应器H2物质的量;nCCS2,CO2,i(t)为碳捕集供给甲烷反应器CO2物质的量;nMR,H2,i(t)为时段t内参与甲烷反应H2物质的量;nMR,CH4,i(t)为时段t内甲烷反应器生成CH4物质的量;
与式(4)类似,将输入甲烷反应器H2物质的量与甲烷反应器生成CH4物质的量速率进一步转化得到输入H2与生成CH4的功率,如下式:
式中,PMR,H2,i(t)为时段t内输入甲烷反应器的H2功率,kW;PMR,g,i(t)为时段t内甲烷反应器输出的CH4功率;ηMR,g为时段t内甲烷反应器的输出效率;MCH4为CH4的摩尔质量;ρCH4为CH4的密度;
3)储氢罐模型
储氢罐在充放过程产生的氢能损耗用充放效率近似表征,因此模型为:
式中,EES,H2,i(t)分别为时段t内微网i中储氢罐的充放氢功率、效率与容量;
4)掺氢燃气机组模型
天然气在一定掺氢比例范围内与式(4)产生的氢气耦合,供给燃气机组,由于燃气机组在10%~20%掺氢比例下对其运行影响较小,因此将燃气机组的电热转化效率设置为常数,掺氢燃气轮机的数学模型如下:
式中,RGT,i(t)为燃气轮机的掺氢比;VGT,H2,i(t)、VGT,g,i(t)分别为时段t内输入燃气轮机的氢气和天然气气体积流量,即单位时间输送管道中流过的气体体积,m3/h;HHVCH4为甲烷的热值;PGT,g,i(t)、PGT,H2,i(t)分别为时段t内输入燃气轮机的天然气和氢功率;PGT,e,i(t)为时段t内燃气轮机输出的电功率;ηGT,e为燃气轮机的电转换效率;PGT,h,i(t)为时段t内微网i燃气轮机输出的热功率,kW;ηGT,h为燃气轮机的热转换效率;
掺氢燃气锅炉的数学模型如下:
PGB,h,i(t)=ηGB,h(PGB,g,i(t)+PGB,H2,i(t)) (14)
式中,RGB,i(t)为燃气锅炉的掺氢比;VGB,H2,i(t)、VGB,g,i(t)分别为时段t内输入燃气轮机的氢气和天然气体积流量;PGB,g,i(t)和PGB,H2,i(t)分别为时段t内输入燃气锅炉的天然气和氢气功率,kW;PGB,h,i(t)为时段t内燃气锅炉输出的热功率,kW;ηGB,h为燃气锅炉的热转换效率。
引入碳交易机制做为微网能效提升机制,需求响应采用了常规模型;综合能源微网能效提升机制模型构建过程为:
由于外购电可能来源于火电机组,因此通过计算配电网中火电占比,得到购电中等效的火电机组功率,进而得到外购电产生的碳排放量,从而更精细地量化了多微网综合能源***的碳排放。所研究区域配电网电量主要来源于火电、风电、水电,通过查阅该区域装机容量同比数据,得到取调度周期内配电网电量中火电占比为如图1所示,碳交易成本具体计算模型如下:
mL,i=mGT0,i+mGB0,i+mTU0,i (16)
式中,mGT0,i、mGB0,i、mTU0,i、mL,i分别为微网i调度周期内燃气轮机、燃气锅炉、火电机组以及总的碳排放配额;σe为燃气机组单位发电功率的碳排放配额;σh为燃气机组单位供热功率碳排放配额;σp为火电机组的单位发电功率碳排放配额;
式中,mP,i(t)为微网i调度周期内总的实际碳排放量;mGT,i(t)、mGB,i(t)、mTU,i(t)分别为时段t内微网i燃气轮机、燃气锅炉以及火电机组的实际碳排放量;ai、bi、ci(i=1,2,3)分别为燃气机组供电、燃气机组供热以及火电机组供电的碳排放系数;
式中,CCO2,i为微网i的碳交易成本;c为市场上的碳交易单位价格;Υ为每个阶梯型碳交易价格上升范围;ω为碳排放区间长度,ε为碳交易奖励系数。
单微网成本模型构建过程为:
微网i优化运行的目标为总成本Ci最小:
Ci=min(Ca,i+Cbuy,i+CTU,i+CCO2,i+CDR,i+CES,i-Ctrade,i+Cc,i) (20)
其中CCO2,i碳交易成本,其余各项成本计算公式如下:
1)弃风弃光惩罚成本计算公式为:
式中,δa为弃风弃光惩罚系数;PWTI,e,i(t)、PWT,e,i(t)分别为时段t内的微网输入和消纳的风电功率;PPVI,e,i(t)、PPV,e,i(t)为时段t内微网输入和消纳的光伏功率;
2)购能成本计算公式为:
式中,δbuy,e(t)、δsell,e(t)分别为时段t的购售电价;Pbuy,e,i(t)、Psell,e,i(t)分别为时段t内微网i从配电网购电和向配电网售电的功率;δbuy,g(t)为t时段的气价;Pbuy,g,i(t)为时段t内微网的购气功率;
3)火电机组的启停和煤耗成本计算公式为:
式中,PTU,e,i(t)为时段t内微网i中火电机组输出的电功率;a4、b4、c4分别为火电机组的煤耗成本系数;UTU,i(t)为二进制变量,UTU,i(t)=1表示启动,UTU,i(t)=1表示关停;δTU为火电机组的启停成本系数;
4)需求响应成本计算公式为:
式中,δcut,e、δcut,h分别为削减电热负荷补偿成本系数;δtran,e、δtran,h分别为转移电热负荷补偿成本系数;
5)储能运维成本计算公式为:
式中,δES1、δES2分别为电、氢储能设备充放电运维成本系数,元/(kW·h);
6)电能交易成本计算公式为:
式中,Pe,ij(t)为时段t内微网i与微网j之间交互的电功率,Pe,ij(t)>0表示微网i向微网j售电,δe,ij(t)为微网i与微网j之间交互的电价,元/(kW·h);
7)过网费成本计算公式为:
各微网之间通过能源路由器进行电能交互,需向配电网缴纳一定的过网费,模型如下:
式中,ge为过网费成本系数,元/(kW·h)。
约束条件包括电、热、气、氢平衡约束、风光出力约束、设备运行约束、购能上下限、电能交易约束;因此考率了电能交易约束,如下所示:
电、热、气、氢平衡约束表示为:
PGT,h,i(t)+PGB,h,i(t)=Pload,h,i(t) (29)
Pbuy,g,i(t)+PMR,g,i(t)=PGT,g,i(t)+PGB,g,i(t) (30)
式中,Pload,e,i(t)、Pload,h,i(t)分别表示微网i的电、热负荷;
风光出力约束表示为:
式中,PWTI,e,i(t)为时段t内的风电输入功率;PWT,e(t)为时段t内微网消纳的风电功率;PPVI,e,i(t)为时段t内微网的风电输入功率;PPV,e,i(t)为时段t内微网消纳的风电功率;
设备运行约束表示为:
式中,分别为设备x的输出功率上下限;分别为设备x的输出功率爬坡上下限。
电能交易约束表示为:
式中,为微网i与其它微网交互电功率上限;
若不考虑传输功率损耗,则时段t内所有微网交互电功率之和为零:
若不考虑传输功率损耗,则时段t内所有微网电能交易成本之和为零:
步骤2、通过多微网与配电网的净交互成本计算条件风险价值,运用纳什谈判理论对多微网实施两阶段优化,第一阶段最小化多微网总成本,第二阶段分配收益并最大化各微网利益,构建基于纳什谈判的综合能源多微网两阶段优化调度模型;具体过程为:
步骤2.1、在综合能源多微网中,通过各微网电能交互,减少从配电网购电,降低多微网的运行成本,提高可再生能源消纳率,减少碳排放。当风电和光伏功率的实际值低于预测值或负荷实际值高于预测值时,电能交易功率不能满足日前规划会造成失负荷损失,多微网将从配网购买缺额电能;而当风电和光伏功率高于预测值或负荷低于预测值时,多微网则将多余电能出售给配网;通过多微网与配电网的净交互成本来表征风险损失函数f(ζ,x),微网i的条件风险价值成本XCVaR,β,i表示为:
式中,N为微网个数,β为置信度,αi为微网i的风险价值成本;
为便于计算,将式(29)松弛为:
式中,yi,s为场景s中微网i的条件风险价值成本超出风险价值成本的值;
步骤2.2、利用纳什谈判理论建模并将其转化为两个较易求解的子问题,即多微网成本最小化和各微网收益最大化问题,分两阶段进行优化调度。对多微网实施两阶段优化,具体为:
在综合能源多微网中,各微网可以看成是相互竞争的谈判单位,采用纳什谈判进行求解,求解数学模型如下:
其中,C0,i为微网i可能的最大成本,C0,i为微网i的成本;
第一阶段计算模型如下:
式中,C0,i为微网i可能的最大成本,即不考虑电能交互时微网i的成本,ps为第s个典型场景发生的概率;S为典型场景个数;k为风险偏好系数,表示微网投资者对于风险的态度,其取值范围为[0,1],k越小表明微网投资者追求越低成本而面临越高风险,通过求解该模型得到最优解
由于Pe,ij(t)=-Pe,ji(t),电能交易成本在求和过程中会相互抵消,因此各微网电能交易成本之和为0,但过网费成本(式(27))仍然含有电功率交互变量Pe,ij(t),综合能源多微网的目标函数为各微网的运行成本之和以及购售电风险最小:
式中,CI为综合能源多微网的成本;此时第一阶段的目标函数为凸函数的非负加权和,仍为凸函数。可在模型中求得最优解交互功率过网费以及条件风险价值
第二阶段:求得微网i中除电能交易成本外的最优成本与最优电功率交互变量后,式(42)可进一步转化为:
式(43)以δe,ij,s(t)为优化变量,不等式确保每个微网都能获得收益,对问题二的目标函数转换后得:
以δe,ij,s(t)为优化变量,式中为第一阶段的最优解;
公式(41)-(44)是基于纳什谈判的综合能源多微网两阶段优化调度模型。
步骤3、通过改进交替方向乘子算法对基于纳什谈判的综合能源多微网两阶段优化调度模型进行分布式优化求解,得到的参数即为调度结果。具体过程为:
步骤3.1、利用改进交替方向乘子算法对式(44)进行分布式求解,具体求解方法如下:
考虑到多微网成本最小化子问题和各微网收益最大化子问题具有可分离的凸函数和约束条件,因此利用改进交替方向乘子算法对式(44)进行分布式求解,具体求解方法如下:
1)建立关于微网i的增广拉格朗日函数:
式中,λij,s(t)为第一阶段优化模型的拉格朗日乘子,ρ为惩罚因子;
2)设置最大迭代次数lmax为100,初始场景s中时段t内微网i与微网j之间交互电功率Pe,ij,s(t)=0,Pe,ij,s(t)以及拉格朗日乘子λij,s的迭代过程如下:
3)判断算法是否收敛,计算原始残差、对偶残差:
式中,为第l+1次迭代微网i与微网j电能交易的原始残差;为第l+1次迭代微网i与微网j电能交易的对偶残差;
迭代停止条件为:
式中,εpri、εdual分别为原始残差和对偶残差上限;
4)常规ADMM算法中惩罚因子ρ是人为给定的经验常数,若设置不合理,可能影响算法整体的收敛速度。通过原始残差和对偶残差的数量关系来自动更新惩罚因子,动态惩罚因子表示为:
式中,ν为原始残差和对偶残差的比例系数,θ1、θ2分别为加速收敛系数和减速收敛系数(ν,θ1,θ2>1);
5)输出调度结果各微网的设备出力,最优解交互功率过网费以及条件风险价值
步骤3.2、将步骤3.1求得的最优解与带入基于纳什谈判的综合能源多微网两阶段优化调度模型第二阶段目标函数式(44)中,利用改进交替方向乘子算法对式(44)进行分布式求解,求出的各微网之间交互电量电能交易成本即为调度结果。
实施案例
选取某综合能源多微网作为算例测试***,该***包含三个微网MG1、MG2、MG3,微网内各设备参数如表1所示;
表1
各微网典型日的风光功率预测曲线与电热负荷曲线如图2所示;每个微网的购电电价与购气气价见表2、表3;碳排放系数见表4。
表2
表4
假设风电、光伏及负荷的预测误差分别服从均值为0,标准差为0.1,0.08,0.03的正态分布,置信度为0.95,风险系数初步设为0.5。利用第一阶段求解方法得到5组典型场景与相应场景发生概率。算例仿真在MATLABR2018b编译环境下,采用Yalmip优化工具建模,运用求解器Gurobi进行求解。
为了验证本发明所提多微网两阶段优化调度模型的有效性,根据各微网独立运行或合作运行,氢储能***中包含掺氢比为15%的燃气机组或常规燃气机组,设置四种场景进行对比分析,如表5所示:
表5
在本发明提出的模型中,场景1的求解结果即为场景2的谈判破裂点,场景3的求解结果即为场景4的谈判破裂点。基于求解结果,对四种场景中各微网的各项成本及设备出力进行对比,如表6所示:
表6
通过表6的数据结果可得以下结论:
1)通过场景1和2、场景3和4对比可得,场景2中各微网的成本相较于场景1分别降低了3516.18、3584.86、3040.13元,风光消纳率分别提升了11.6%、10.4%和10.8%,多微网总成本降低了10141.17元。场景4中各微网的成本相较于场景3分别降低了4944.49、4652.05、2680.08元,风光消纳率分别提升了11.9%、7.5%和7.2%,多微网总成本降低了12276.62元,可见,考虑不确定性度量、基于纳什谈判的分布式调度模型可通过电能共享可优先消纳新能源,减少火电机组发电和燃气机组出力,因此减少购气和购电,降低各微网运行成本,实现了各微网的互惠多赢。
2)通过场景1和3、场景2和4对比可得,场景3中各微网的成本相较于场景1分别降低了817.15、1298.75、1316.77元,风光消纳率分别提升了1.1%、3.7%和3.8%,多微网总成本降低了3432.67元。场景4中各微网的成本相较于场景2分别降低了2245.46、2365.94、956.72元,风光消纳率分别提升了1.4%、0.8%和0.2%,多微网总成本降低了5568.12元。这是由于考虑燃气掺氢后,弃风弃光优先通过电转氢转换为氢气与天然气送入燃气机组,供给电热负荷,促进风光消纳的同时也实现了氢能的循环利用。由于电转氢的电能来自自身的风光功率,因此减少了从配电网购电,从而节省了微网成本。
3)场景2中各微网的实际碳排放量相较于场景1分别降低了1026.65、1156.56、1305.52kg,多微网总碳排放量降低了3488.73kg。场景4中各微网的实际碳排放量相较于场景3分别降低了1043.65、1197.56、1265.75kg,多微网总碳排放量降低了3506.96kg。这是因为各微网参与电能交易后,通过合理谈判,各微网实时交换电能,优先消纳新能源,减少火电机组发电和燃气机组出力,从而有效降低了碳排放量,促进多微网低碳环保运行。
4)场景3中各微网的实际碳排放量相较于场景1分别降低了811.30、415.33、552.87kg,多微网总碳排放量降低了1779.5kg;场景4中各微网的实际碳排放量相较于场景2分别降低了828.30、456.33、513.10kg,多微网总碳排放量降低了1797.73kg。燃气机组掺氢后,弃风弃光优先通过电转氢转换为氢气与天然气混合送入燃气机组,因此火电机组出力减少,从配电网购电功率减少,等效火电机组碳排放量减少。掺氢后购气增多,由于掺氢比固定导致氢气需求增大,电解槽出力升高,燃气轮机发电功率也相应增大,进而导致燃气轮机的碳排放量增大,但燃气轮机热电比固定导致燃气轮机的产热功率也增大,燃气锅炉的产热功率相应减少,燃气锅炉的碳排放量减少,但由于燃气轮机单位发电功率的碳排放量较低且新能源消纳电量增多,各微网实际碳排放总量仍然减少。
在场景4的基础上,以第一种不确定典型场景为例进行分析,微网之间的电能交易结果如图3所示,各微网内部电能优化结果如图4、图5、图6所示。
结合表6、如图4、图5、图6可知,三个微网均优先消纳新能源,掺氢燃气轮机实现了碳和氢循环,节省了调度成本,而且单位发电功率碳排放量低,因此掺氢燃气轮机出力优先级最高,在调度周期内均有出力。三个微网仅在某些时段从配电网购电,而不向配电网售电,这是由于第一阶段优化中多微网电能交易仅考虑过网费,虽然向配电网售电盈利,但整体来看,与其它微网交互电能比与配电网交互电能成本低,因此微网优先与其它微网进行电能交互,但又需要满足在调度时段内所有微网交互电功率之和为零的约束,所以只有在新能源、燃气轮机以及从其它微网购电之和仍不满足电负荷的调度时段,微网才从配电网购电。
微网之间交易电价如图7所示,通过第二阶段优化制定微网间的电能交易价格,使得在整个调度周期内,某微网向其它微网售电的电价高于向电网售电的电价,从其它微网购电的电价低于从电网购电的电价,因此提高了各微网的经济性。
Claims (9)
1.基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,具体按照以下步骤实施:
步骤1、对综合能源多微网进行低碳经济化改进,将燃气掺氢后送入燃气机组,建立含掺氢燃气的综合能源微网模型;
步骤2、通过多微网与配电网的净交互成本计算条件风险价值,运用纳什谈判理论对多微网实施两阶段优化,第一阶段最小化多微网总成本,第二阶段分配收益并最大化各微网利益,构建基于纳什谈判的综合能源多微网两阶段优化调度模型;
步骤3、通过改进交替方向乘子算法对基于纳什谈判的综合能源多微网两阶段优化调度模型进行分布式优化求解,得到的参数即为调度结果。
2.根据权利要求1所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,步骤1中所述含燃气掺氢的氢储能模型包括综合能源微网设备出力模型、综合能源微网能效提升机制模型、单微网成本模型、约束条件,所述综合能源微网设备出力模型包括碳捕集电厂模型、含掺氢燃气的氢储能***模型。
3.根据权利要求2所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,所述碳捕集电厂模型构建过程如下:碳捕集电厂中火电机组在t时段的出力PTU,e,i(t)一部分供给碳捕集设备,另一部分流入电网,供给电负荷;碳捕集设备在t时段输入的电功率PCCS,e,i(t)又分为两部分:自身固定电功率的消耗PCCS,e1,i(t)和处理CO2的电功率消耗PCCS,e2,i(t):
碳捕集设备捕集到的CO2一部分被封存,另一部分供应给电转气设备,碳捕集电厂模型如下:
式中,PTU,e,i(t)为时段t内微网i(i=1,2,3,…)中火电机组输出的电功率,kW;eTU为单位时间内的碳排放强度,m3/(kW·h);VTU,CO2,i(t)为时段t内火电机组排放CO2的体积流量,m3/h;λCCS为碳捕集设备处理单位体积流量CO2的能耗,(kW·h)/m3;μCCS为碳捕集效率;VCCS1,CO2,i(t)为碳捕集设备封存CO2的体积流量;VCCS2,CO2,i(t)为碳捕集供给电转气设备CO2的体积流量,VCCS,CO2,i(t)为碳捕集捕集CO2的体积流量。
4.根据权利要求2所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,所述含掺氢燃气的氢储能***模型构建过程为:
1)量纲统一的电解槽模型:
电解槽将电能转换为氢能,采用质子交换电解制氢,构建的变效率数学模型如下:
式中,nEL,H2,i(t)为时段t内微网i中电解槽产氢物质的量;nELN为电解槽的额定容量;PEL,e,i(t)为时段t内电解槽输入的电功率;PEL,eN为电解槽输入电功率的额定值;f(PEL,e,i(t))为电解槽效率函数;aEL、bEL、cEL为效率函数系数;
量纲统一的电解槽模型如下:
式中,nEL,H2,i(t)为时段t内微网i中电解槽产氢物质的量,kmol;PEL,e,i(t)为时段t内电解槽输入的电功率,kW;mEL,H2,i(t)为时段t内电解槽产氢的质量,kg;MH2为氢气的摩尔质量;ρH2为氢气的密度;Δt为调度单位时间,PEL,H2,i(t)为时段t内电解槽的产氢功率;
2)量纲统一的甲烷反应器模型
4H2+CO2→CH4+2H2O (5)由于化学反应方程式通常用分子物质的量进行计算,因此将碳捕集供给电转气设备的CO2体积流量(式(2))转化成物质的量,如下所示:
式中,mCCS2,CO2,i(t)为时段t内微网i中碳捕集供给电转气设备CO2的质量,kg;nCCS2,CO2,i,i(t)为碳捕集供给电转气设备CO2的物质的量,kmol;MCO2为CO2的摩尔质量;VCCS2,CO2,i(t)为碳捕集供给电转气设备CO2的体积流量;ρCO2为CO2的密度;
甲烷反应器生成CH4的量取决于CO2与H2的物质的量大小关系,反应量与生成量可由下式决定:
式中,nMR1,H2,i(t)为时段t内电解槽供给甲烷反应器H2物质的量;nCCS2,CO2,i(t)为碳捕集供给甲烷反应器CO2物质的量;nMR,H2,i(t)为时段t内参与甲烷反应H2物质的量;nMR,CH4,i(t)为时段t内甲烷反应器生成CH4物质的量;
将输入甲烷反应器H2物质的量与甲烷反应器生成CH4物质的量速率进一步转化得到输入H2与生成CH4的功率,如下式:
式中,PMR,H2,i(t)为时段t内输入甲烷反应器的H2功率,kW;PMR,g,i(t)为时段t内甲烷反应器输出的CH4功率;ηMR,g为时段t内甲烷反应器的输出效率;MCH4为CH4的摩尔质量;ρCH4为CH4的密度;
3)储氢罐模型
储氢罐在充放过程产生的氢能损耗用充放效率近似表征,因此模型为:
4)掺氢燃气机组模型
天然气在一定掺氢比例范围内与式(4)产生的氢气耦合,供给燃气机组,由于燃气机组在10%~20%掺氢比例下对其运行影响较小,因此将燃气机组的电热转化效率设置为常数,掺氢燃气轮机的数学模型如下:
式中,RGT,i(t)为燃气轮机的掺氢比;VGT,H2,i(t)、VGT,g,i(t)分别为时段t内输入燃气轮机的氢气和天然气气体积流量,即单位时间输送管道中流过的气体体积,m3/h;HHVCH4为甲烷的热值;PGT,g,i(t)、PGT,H2,i(t)分别为时段t内输入燃气轮机的天然气和氢功率;PGT,e,i(t)为时段t内燃气轮机输出的电功率;ηGT,e为燃气轮机的电转换效率;PGT,h,i(t)为时段t内微网i燃气轮机输出的热功率,kW;ηGT,h为燃气轮机的热转换效率;
掺氢燃气锅炉的数学模型如下:
式中,RGB,i(t)为燃气锅炉的掺氢比;VGB,H2,i(t)、VGB,g,i(t)分别为时段t内输入燃气轮机的氢气和天然气体积流量;PGB,g,i(t)和PGB,H2,i(t)分别为时段t内输入燃气锅炉的天然气和氢气功率,kW;PGB,h,i(t)为时段t内燃气锅炉输出的热功率,kW;ηGB,h为燃气锅炉的热转换效率。
5.根据权利要求2所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,所述综合能源微网能效提升机制模型构建过程为:
mL,i=mGT0,i+mGB0,i+mTU0,i (16)
式中,mGT0,i、mGB0,i、mTU0,i、mL,i分别为微网i调度周期内燃气轮机、燃气锅炉、火电机组以及总的碳排放配额;σe为燃气机组单位发电功率的碳排放配额;σh为燃气机组单位供热功率碳排放配额;σp为火电机组的单位发电功率碳排放配额;
式中,mP,i(t)为微网i调度周期内总的实际碳排放量;mGT,i(t)、mGB,i(t)、mTU,i(t)分别为时段t内微网i燃气轮机、燃气锅炉以及火电机组的实际碳排放量;ai、bi、ci(i=1,2,3)分别为燃气机组供电、燃气机组供热以及火电机组供电的碳排放系数;
式中,CCO2,i为微网i的碳交易成本;c为市场上的碳交易单位价格;γ为每个阶梯型碳交易价格上升范围;ω为碳排放区间长度,ε为碳交易奖励系数。
6.根据权利要求2所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,所述单微网成本模型构建过程为:
微网i优化运行的目标为总成本Ci最小:
Ci=min(Ca,i+Cbuy,i+CTU,i+CCO2,i+CDR,i+CES,i-Ctrade,i+Cc,i) (20)
其中CCO2,i碳交易成本,其余各项成本计算公式如下:
1)弃风弃光惩罚成本计算公式为:
式中,δa为弃风弃光惩罚系数;PWTI,e,i(t)、PWT,e,i(t)分别为时段t内的微网输入和消纳的风电功率;PPVI,e,i(t)、PPV,e,i(t)为时段t内微网输入和消纳的光伏功率;
2)购能成本计算公式为:
式中,δbuy,e(t)、δsell,e(t)分别为时段t的购售电价;Pbuy,e,i(t)、Psell,e,i(t)分别为时段t内微网i从配电网购电和向配电网售电的功率;δbuy,g(t)为t时段的气价;Pbuy,g,i(t)为时段t内微网的购气功率;
3)火电机组的启停和煤耗成本计算公式为:
式中,PTU,e,i(t)为时段t内微网i中火电机组输出的电功率;a4、b4、c4分别为火电机组的煤耗成本系数;UTU,i(t)为二进制变量,UTU,i(t)=1表示启动,UTU,i(t)=1表示关停;δTU为火电机组的启停成本系数;
4)需求响应成本计算公式为:
式中,δcut,e、δcut,h分别为削减电热负荷补偿成本系数;δtran,e、δtran,h分别为转移电热负荷补偿成本系数;
5)储能运维成本计算公式为:
式中,δES1、δES2分别为电、氢储能设备充放电运维成本系数,元/(kW·h);
6)电能交易成本计算公式为:
式中,Pe,ij(t)为时段t内微网i与微网j之间交互的电功率,Pe,ij(t)>0表示微网i向微网j售电,δe,ij(t)为微网i与微网j之间交互的电价,元/(kW·h);
7)过网费成本计算公式为:
式中,ge为过网费成本系数,元/(kW·h)。
7.根据权利要求6所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,所述约束条件表示为:
电、热、气、氢平衡约束表示为:
PGT,h,i(t)+PGB,h,i(t)=Pload,h,i(t) (29)
Pbuy,g,i(t)+PMR,g,i(t)=PGT,g,i(t)+PGB,g,i(t) (30)
式中,Pload,e,i(t)、Pload,h,i(t)分别表示微网i的电、热负荷;
风光出力约束表示为:
式中,PWTI,e,i(t)为时段t内的风电输入功率;PWT,e(t)为时段t内微网消纳的风电功率;PPVI,e,i(t)为时段t内微网的风电输入功率;PPV,e,i(t)为时段t内微网消纳的风电功率;
设备运行约束表示为:
电能交易约束表示为:
若不考虑传输功率损耗,则时段t内所有微网交互电功率之和为零:
若不考虑传输功率损耗,则时段t内所有微网电能交易成本之和为零:
8.根据权利要求2所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,步骤2具体过程为:
步骤2.1、对于综合能源多微网,存在多种不确定性因素影响其调度结果,采用条件风险价值计算综合能源多微网面临的风险损失,当风电和光伏功率的实际值低于预测值或负荷实际值高于预测值时,电能交易功率不能满足日前规划会造成失负荷损失,多微网将从配网购买缺额电能;而当风电和光伏功率高于预测值或负荷低于预测值时,多微网则将多余电能出售给配网;通过多微网与配电网的净交互成本来表征风险损失函数f(ζ,x),微网i的条件风险价值成本XCVaR,β,i表示为:
式中,N为微网个数,β为置信度,αi为微网i的风险价值成本;
式(37)松弛为:
式中,yi,s为场景s中微网i的条件风险价值成本超出风险价值成本的值;
步骤2.2、对多微网实施两阶段优化,具体为:
在综合能源多微网中,各微网可以看成是相互竞争的谈判单位,采用纳什谈判进行求解,求解数学模型如下:
其中,C0,i为微网i可能的最大成本,C0,i为微网i的成本;
第一阶段,对式(40)变形,模型如下:
式中,C0,i为微网i可能的最大成本,即不考虑电能交互时微网i的成本,ps为第s个典型场景发生的概率;S为典型场景个数;k为风险偏好系数,表示微网投资者对于风险的态度,其取值范围为[0,1],k越小表明微网投资者追求越低成本而面临越高风险,通过求解该模型得到最优解
由于Pe,ij(t)=-Pe,ji(t),电能交易成本在求和过程中会相互抵消,因此各微网电能交易成本之和为0,但过网费成本(式(27))仍然含有电功率交互变量Pe,ij(t),综合能源多微网的目标函数为各微网的运行成本之和以及购售电风险最小:
第二阶段:求得微网i中除电能交易成本外的最优成本与最优电功率交互变量后,式(42)可进一步转化为:
式(43)以δe,ij,s(t)为优化变量,不等式确保每个微网都能获得收益,对问题二的目标函数转换后得:
公式(41)-(44)是基于纳什谈判的综合能源多微网两阶段优化调度模型。
9.根据权利要求2所述基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法,其特征在于,步骤3具体过程为:
步骤3.1、利用改进交替方向乘子算法对式(41)进行分布式求解,具体求解方法如下:
1)建立关于微网i的增广拉格朗日函数:
式中,λij,s(t)为第一阶段优化模型的拉格朗日乘子,ρ为惩罚因子;
2)设置最大迭代次数lmax为100,初始场景s中时段t内微网i与微网j之间交互电功率Pe,ij,s(t)=0,Pe,ij,s(t)以及拉格朗日乘子λij,s的迭代过程如下:
3)判断算法是否收敛,计算原始残差、对偶残差:
迭代停止条件为:
式中,εpri、εdual分别为原始残差和对偶残差上限;
4)通过原始残差和对偶残差的数量关系来自动更新惩罚因子,动态惩罚因子表示为:
式中,ν为原始残差和对偶残差的比例系数,θ1、θ2分别为加速收敛系数和减速收敛系数(ν,θ1,θ2>1);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640242.8A CN116050585A (zh) | 2022-12-20 | 2022-12-20 | 基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640242.8A CN116050585A (zh) | 2022-12-20 | 2022-12-20 | 基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050585A true CN116050585A (zh) | 2023-05-02 |
Family
ID=86115441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211640242.8A Pending CN116050585A (zh) | 2022-12-20 | 2022-12-20 | 基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050585A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957855A (zh) * | 2023-09-18 | 2023-10-27 | 南京师范大学 | 基于绿证协商交易的综合能源服务商合作运行方法和*** |
CN117217796A (zh) * | 2023-09-13 | 2023-12-12 | 港华能源创科(深圳)有限公司 | 掺氢燃气的成本信息的处理方法及相关产品 |
CN117689179A (zh) * | 2024-01-30 | 2024-03-12 | 山东建筑大学 | 基于多阶段鲁棒的综合能源***运行优化方法及*** |
-
2022
- 2022-12-20 CN CN202211640242.8A patent/CN116050585A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217796A (zh) * | 2023-09-13 | 2023-12-12 | 港华能源创科(深圳)有限公司 | 掺氢燃气的成本信息的处理方法及相关产品 |
CN117217796B (zh) * | 2023-09-13 | 2024-05-03 | 港华能源创科(深圳)有限公司 | 掺氢燃气的成本信息的处理方法及相关产品 |
CN116957855A (zh) * | 2023-09-18 | 2023-10-27 | 南京师范大学 | 基于绿证协商交易的综合能源服务商合作运行方法和*** |
CN116957855B (zh) * | 2023-09-18 | 2023-11-28 | 南京师范大学 | 基于绿证协商交易的综合能源服务商合作运行方法和*** |
CN117689179A (zh) * | 2024-01-30 | 2024-03-12 | 山东建筑大学 | 基于多阶段鲁棒的综合能源***运行优化方法及*** |
CN117689179B (zh) * | 2024-01-30 | 2024-05-03 | 山东建筑大学 | 基于多阶段鲁棒的综合能源***运行优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Coordinated optimal dispatch and market equilibrium of integrated electric power and natural gas networks with P2G embedded | |
CN116050585A (zh) | 基于纳什谈判的含掺氢燃气综合能源多微网优化调度方法 | |
CN106684915A (zh) | 一种风氢耦合发电***的优化方法及装置 | |
CN113779792B (zh) | 一种基于仿射的综合能源***优化配置方法 | |
CN113610311A (zh) | 双层协同架构下考虑碳减排的综合能源服务商合作运行优化方法 | |
CN113890023A (zh) | 一种综合能源微网分布式经济调度优化方法及*** | |
CN109586284A (zh) | 考虑弃能约束的送端电力***随机生产模拟方法及应用 | |
CN110956344A (zh) | 一种计及绿证与碳交易制度的“源-荷”协调优化调度方法 | |
CN110232583A (zh) | 一种考虑碳排放权的电力市场边际价格规划方法 | |
Qin et al. | Robust optimal dispatching of integrated electricity and gas system considering refined power-to-gas model under the dual carbon target | |
Wang et al. | Two-stage stochastic optimal scheduling for multi-microgrid networks with natural gas blending with hydrogen and low carbon incentive under uncertain envinronments | |
Wang et al. | Data‐driven distributionally robust economic dispatch for park integrated energy systems with coordination of carbon capture and storage devices and combined heat and power plants | |
Zhang et al. | Optimal low-carbon operation of regional integrated energy systems: a data-driven hybrid stochastic-distributionally robust optimization approach | |
CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
CN114836776A (zh) | 新能源耦合煤化工多能***、评估方法及计算机可读存储介质 | |
CN114493688A (zh) | 电-气耦合虚拟电厂调度方法、装置及电子设备 | |
CN117973886A (zh) | 含氢能全链路的综合能源***协同规划运行方法及*** | |
CN116579115B (zh) | 电、氢协同互动的***规划方法及装置 | |
Yang et al. | Regional integrated energy system reliability and low carbon joint planning considering multiple uncertainties | |
Yadegari et al. | A sustainable multi-objective optimization model for the design of hybrid power supply networks under uncertainty | |
Yang et al. | A multi-objective dispatching model for a novel virtual power plant considering combined heat and power units, carbon recycling utilization, and flexible load response | |
Sun et al. | Operation Optimization of Integrated Energy System considering Power‐to‐Gas Technology and Carbon Trading | |
Ma et al. | Dispatch for energy efficiency improvement of an integrated energy system considering multiple types of low carbon factors and demand response | |
Li et al. | Energy system and scheduling strategies of electric–gas networks deeply coupled under dual electricity prices | |
Yu et al. | Optimal sizing and pricing of renewable power to ammonia systems considering the limited flexibility of ammonia synthesis |
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 |