CN116151551A - 一种电热综合能源***的调控方法、装置及调控设备 - Google Patents
一种电热综合能源***的调控方法、装置及调控设备 Download PDFInfo
- Publication number
- CN116151551A CN116151551A CN202211679702.8A CN202211679702A CN116151551A CN 116151551 A CN116151551 A CN 116151551A CN 202211679702 A CN202211679702 A CN 202211679702A CN 116151551 A CN116151551 A CN 116151551A
- Authority
- CN
- China
- Prior art keywords
- model
- regulation
- electric heating
- energy system
- data
- 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
- 230000033228 biological regulation Effects 0.000 title claims abstract description 101
- 238000005485 electric heating Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 65
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 72
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 71
- 230000001105 regulatory effect Effects 0.000 claims abstract description 45
- 230000001276 controlling effect Effects 0.000 claims abstract description 26
- 238000010521 absorption reaction Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 96
- 238000004146 energy storage Methods 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 13
- 238000005265 energy consumption Methods 0.000 claims description 11
- 230000009711 regulatory function Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 241000238631 Hexapoda Species 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 28
- 230000008569 process Effects 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 230000005611 electricity Effects 0.000 description 8
- 238000007599 discharging Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005338 heat storage Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 239000002918 waste heat Substances 0.000 description 3
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 2
- 229910052794 bromium Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 101150115119 tchp gene Proteins 0.000 description 2
- AQWSFUIGRSMCST-UHFFFAOYSA-N 3-pyridin-3-ylsulfonyl-5-(trifluoromethyl)chromen-2-one Chemical compound N1=CC(=CC=C1)S(=O)(=O)C=1C(OC2=CC=CC(=C2C=1)C(F)(F)F)=O AQWSFUIGRSMCST-UHFFFAOYSA-N 0.000 description 1
- 102000016550 Complement Factor H Human genes 0.000 description 1
- 108010053085 Complement Factor H Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/063—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
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)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电热综合能源***的调控方法、装置及调控设备。该方法包括:获取下一时段的预测天气数据;将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据;将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解;所述多目标调控函数的目标包括所述电热综合能源***的运行成本最低、风光消纳率最高和碳排放量最低;基于所述最优解,对所述电热综合能源***进行优化调控。本发明能够提高电热综合能源***的优化调控方***率。
Description
技术领域
本发明涉及电力***技术领域,尤其涉及一种电热综合能源***的调控方法、装置及调控设备。
背景技术
现代能源***向清洁低碳体系转型已成为主流趋势,而以电-热耦合为核心的综合能源***为促进可再生能源消纳和提高能源效率提供了有效途径。随着分布式风电、光伏渗透率的提高,电热综合能源***中的分布式风光、储能、负荷等资源在参与***调控的同时开始承担降低碳排放的职能,而各类资源的接入使得电热综合能源***运行变得更为复杂。因此,如何充分计及电热综合能源***中各类资源的运行控制特性,发挥其优势互补能力,从而制定适应电热综合能源***的优化调控运行方案,对于现代综合能源***低碳化运行具有重要意义。
目前存在一种电热综合能源***的调控方案,在考虑风电、光伏、光热不确定性,负荷不确性和能源价格不确定性的基础上,构建以运行净收益最大为目标的目标函数,将碳排放惩罚成本计入总目标中,进行求解,得到最优方案。但是该方案采用季节性暂估负荷的方式求解目标函数最优解,由于电热综合能源***的负荷不确定性较大,导致该方式确定的电热综合能源***的优化调控方案准确率较低。
发明内容
本发明提供了一种电热综合能源***的调控方法、装置及调控设备,能够提高电热综合能源***的优化调控方***率。
第一方面,本发明提供了一种电热综合能源***的调控方法,包括:获取下一时段的预测天气数据;将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据;所述负荷预测模型为基于所述电热综合能源***所处区域,历史时期内负荷数据和天气数据训练得到的;将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解;所述多目标调控函数的目标包括所述电热综合能源***的运行成本最低、风光消纳率最高和碳排放量最低,所述多目标调控函数以所述电热综合能源***稳定运行为约束条件;基于所述最优解,对所述电热综合能源***进行优化调控。
第二方面,本发明实施例提供了一种电热综合能源***的调控装置,包括:通信模块,用于获取下一时段的预测天气数据;处理模块,用于将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据;所述负荷预测模型为基于所述电热综合能源***所处区域,历史时期内负荷数据和天气数据训练得到的;将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解;所述多目标调控函数的目标包括所述电热综合能源***的运行成本最低、风光消纳率最高和碳排放量最低,所述多目标调控函数以所述电热综合能源***稳定运行为约束条件;基于所述最优解,对所述电热综合能源***进行优化调控。
第三方面,本发明实施例提供了一种调控设备,其特征在于,所述调控设备包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种电热综合能源***的调控***,该调控***包括如上述第三方面所述的调控设备,执行如上述第一方面以及第一方面中任一种可能的实现方式所述调控方法的步骤。
第五方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
本发明提供一种电热综合能源***的调控方法、装置及调控设备,本发明具有如下技术效果。
1、一方面,本发明基于电热综合能源***所处区域历史时期内负荷数据和天气数据训练得到负荷预测模型,并基于负荷预测模型预测得到负荷数据,实现了负荷数据的准确预测。另一方面,本发明将下一时段的预测负荷数据,输入预先构建的多目标调控函数,计算得到的最优解,满足运行成本最低、风光消纳率最高和碳排放量最低的多目标要求。综上,本发明提高了电热综合能源***的多目标优化调控方***度。
2、在电热综合能源***的优化调控过程中,本发明引入了负荷预测及智能算法,提出了一种基于神经网络的负荷预测方法。该方法使用公共天气数据的时间序列来预测电热综合能源***中的电力和热力负荷;首先引入回归模型来优化数据的预处理模型,使用最佳导出的回归模型作为神经网络模型的附加输入来预测电力和热力负荷;然后提出了一种改进的基于ELM的学习算法来训练、测试和验证提出的负荷预测方法,进而实现了更高的负荷预测精度。
3、本发明综合考虑了电热综合能源***中的各类负荷特性、电-热储能设备特性以及供电供热网络模型,便于根据各类资源因类施策,挖掘多元化资源消纳风光及低碳排放的潜力。
4、本发明同时建立了电热综合能源***调控综合模型和碳排放模型,并在混合智能负荷预测的基础上,建立了多目标优化的电热综合能源***调控目标函数,包括经济性目标函数、风光消纳率函数和碳排放量函数。进而,采用多元宇宙优化算法求解多目标优化的调控目标函数,其目标函数解改善了电热综合能源***在经济性、风光消纳率及碳排放方面的效益,在可行域内提供了电热综合能源***优化调控方案;本发明在缓解***能源供需压力的同时,可以实现电热综合能源***经济、风电消纳率高、低碳运行的多目标运行。
5、本发明的电热综合能源***的优化调度方法,将智能负荷预测算法、多负荷特性分析,分布式分光及能量转换设备等值建模,基于改进多元宇宙优化算法的多目标调控分析进行了结合,实现了电热综合能源***经济性好、风电消纳率高、碳排放量低的多目标运行目标实现。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电热综合能源***的调控方法的流程示意图;
图2是本发明实施例提供的一种电热综合能源***的调控装置的结构示意图;
图3是本发明实施例提供的一种调控设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、***、产品或设备没有限定于已列出的步骤或模块,而是可选的还包括其他没有列出的步骤或模块,或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明的附图通过具体实施例来进行说明。
图1为本发明实施例提供的一种电热综合能源***的调控方法的流程示意图。该方法的执行主体为调控装置。该方法包括步骤S101-S104。
S101、获取下一时段的预测天气数据。
在一些实施例中,天气数据包括温度数据、湿度数据和降水数据。
S102、将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据。
本申请实施例中,所述负荷预测模型为基于所述电热综合能源***所处区域,历史时期内负荷数据和天气数据训练得到的。
在一些实施例中,负荷预测模型包括拟合回归模块和神经网络模块。
作为一种可能的实现方式,调控装置可以基于步骤S1021-S1022,确定下一时段的预测负荷数据。
S1021、将所述下一时段的预测天气数据,输入所述负荷预测模型的拟合回归模块,得到目标拟合负荷数据。
S1022、将所述下一时段的预测天气数据和所述目标拟合负荷数据,输入所述负荷预测模型的神经网络模块,得到所述下一时段的预测负荷数据。
S103、将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解。
本申请实施例中,所述多目标调控函数的目标包括所述电热综合能源***的运行成本最低、风光消纳率最高和碳排放量最低。
本申请实施例中,所述多目标调控函数以所述电热综合能源***稳定运行为约束条件。
在一些实施例中,约束条件包括***功率平衡约束、节点电压约束、支路功率传输约束、热电联供机组的余热量约束、热电联供机组的出力上下限和爬坡速率约束、***备用约束和预测负荷平衡约束。
在一些实施例中,最优解为各设备的设置容量。
需要说明的是,调控装置可以将风光消纳率和碳排放量统一转化为运行成本,将多目标调控函数转化为单目标调控函数,求得运行成本最低的最优解。或者,调控装置可以将运行成本和风光消纳率统一转化为碳排放量,将多目标调控函数转化为单目标调控函数,求得碳排放量最低的最优解。或者,调控装置可以将运行成本和碳排放量统一转化为风光消纳率,将多目标调控函数转化为单目标调控函数,求得风光消纳率最高的最优解。
作为一种可能的实现方式,调控装置可以基于步骤S1031-S1036,将风光消纳率和碳排放量统一转化为运行成本,确定多目标调控函数的最优解。
S1031、确定风光消纳量与运行成本之间的第一转化因子。所述第一转化因子用于将风光消纳量转化为运行成本。
S1032、确定碳排放量与运行成本之间的第二转化因子。所述第二转化因子用于将碳排放量转化为运行成本。
S1033、基于所述第一转化因子和所述第二转化因子,将所述多目标调控函数转化为单目标调控函数。
在一些实施例中,所述单目标调控函数以所述运行成本最低为目标。
示例性的,调控装置可以对风光消纳量和碳排放量进行处理定价;对风光消纳量设置价格奖励因子,对碳排放量设置价格处罚因子。
示例性的,对于每个分布式电源和能源转换设备进行价格定价;依据每度电的耗煤量,以及煤耗与碳排放的特性关系,确定风光消纳量的价格奖励因子大小和碳排放量的价格处罚因子大小。
示例性的,利用风光消纳量和碳排放量的处理定价,将多目标规划问题被转化为单目标问题。
最低成本=天然气发电成本+买电成本
+风光消纳量奖励因子H*风光发电量
+碳排放量处罚因子h*碳排放量
S1034、基于所述下一时段的预测负荷数据,和所述单目标调控函数,采用多元宇宙算法进行迭代求解,得到所述最优解。
示例性的,调控装置可以基于多元宇宙算法,通过步骤一至步骤九,实现对单目标调控函数的求解,得到最优解。
步骤一:参数初始化。
将所述单目标函数中待调控设备的数量设定为所述多元宇宙算法的宇宙数量;将所述各待调控设备的设置容量设定为所述多元宇宙算法中决策变量;并设置所述多元宇宙算法的最大迭代次数,虫洞存在概率的最大值和最小值,决策变量的上限和下限。
示例性的,调控装置可以输入各季节典型日的风机、光伏出力及负荷预测数据,分时电价、天然气价格,以及相关设备的效率及费用参数。
步骤二:随机设定初始宇宙种群对应的各待调控设备的容量。
示例性的,调控装置可以根据各设备的容量限制,随机初始化宇宙种群,完成宇宙种群初始化。
步骤三:判断是否满足终止条件,若不满足,则执行步骤四;若满足,则输出各设备的最优选型和最优收益。
其中,所述终止条件包括运行成本小于设定成本且当前迭代次数对应的运行成本与上次迭代时的运行成本之间的误差小于设定误差,或者,迭代次数大于设定次数。
步骤四:将本次迭代的宇宙种群输入所述单目标调控函数,确定当前运行成本。
步骤五:比较当前运行成本是否小于目前最优宇宙种群对应的运行成本;若是,则执行步骤六,若否,则执行步骤七。
步骤六:将本次迭代的宇宙种群,确定为目前最优宇宙种群。
步骤七:利用轮盘赌选择机制产生白洞和黑洞,并随机生成虫洞存在概率。
步骤八:基于所述白洞和黑洞,以及所述虫洞存在概率,更新所述宇宙种群,将更新后的宇宙种群确定为下一次迭代时的宇宙种群。
示例性的,将随机生成的各设备的容量带入下层模型并作为各设备运行的约束条件;将下层不确定模型分解为最优子模型和最劣子模型两个确定模型;调用求解器对最优子模型和最劣子模型进行求解,并得到下层模型运行净收益的区间值;计算运行净收益的平均值及区间;根据上层模型随机生成的各设备的容量计算总的设备投资成本,并计算各宇宙的膨胀率并选出最优的宇宙;用轮盘赌选择机制产生白洞和黑洞,将物体通过白洞/黑洞隧道在不同宇宙之间进行转移,并更新宇宙的位置;将物体通过虫洞隧道由目前最优宇宙向其它宇宙进行转移,并更新宇宙的位置。
步骤九:重复步骤三至步骤九,直至退出迭代过程。
S104、基于所述最优解,对所述电热综合能源***进行优化调控。
本发明提供一种电热综合能源***的调控方法、装置及调控设备,一方面,本发明基于电热综合能源***所处区域历史时期内负荷数据和天气数据训练得到负荷预测模型,并基于负荷预测模型预测得到负荷数据,实现了负荷数据的准确预测。另一方面,本发明将下一时段的预测负荷数据,输入预先构建的多目标调控函数,计算得到的最优解,满足运行成本最低、风光消纳率最高和碳排放量最低的多目标要求。综上,本发明提高了电热综合能源***的多目标优化调控方***度。
可选的,本发明实施例提供的电热综合能源***的调控方法,在步骤S102之前还包括步骤S201-S202。
S201、获取电热综合能源***所处区域,历史时期内的负荷数据和天气数据。
在一些实施例中,所述负荷数据包括电力负荷数据和热力负荷数据,所述天气数据包括温度数据、湿度数据和降水数据。
S202、基于所述历史时期内的负荷数据和天气数据,进行数据拟合和神经网络训练,得到所述负荷预测模型。
在一些实施例中,负荷预测模型包括拟合回归模块和神经网络模块。
作为一种可能的实现方式,调控装置可以基于步骤S2021-S2025。
S2021、以所述历史时期内的天气数据为自变量,以所述历史时期内的负荷数据为因变量,进行数据拟合,得到所述拟合回归模块。
需要说明的是,假设L是一定时期内电力负荷的向量,x是相应时间序列中的天气参数向量,L和x之间的关系可以表示为:L=f(x,β)+ε,其中f(·)为关系函数,β为参数向量,ε是不可避免的随机误差且满足ε∈L(0,δ2),其中,δ为标准差。使用两个常用的回归模型进行分析,包括二次指数和n次多项式回归,n次多项式回归的关系函数表示为:f(x,βpol)=β0pol+β1polx+β2polx2+....+βnpolxn;二次指数回归的关系函数表示为:f(x,βex)=β0ex+β1exexp(β2exx)+β3exexp(β4exx);通常Ntotal天收集的电力负荷和天气参数可以表示为(Lk,xk),k=1,...,Ntotal,用最小二乘法估计最优参数,其计算式表示为:
调控装置可以综合考虑均方根误差RMSE、平均绝对百分比误差MAPE和相关系数R-square,判断和分析一定时期内电力负荷的向量L与温度、湿度、降水之间的回归模型。
示例性的,均方根误差RMSE的计算;RMSE对误差值非常敏感,它可以反映预测的精度,其计算方法为:其中,fk是由回归模型得到的预测值,是应用于每个数据点的权重,RMSE的数值越接近于0,回归预测精度越高,回归模型预测效果越好;
示例性的,平均绝对百分比误差MAPE的计算;MAPE表示回归模型中预测值平均偏离真实值的程度,其不仅考虑了预测值与真实值之间的误差,还考虑了误差与真实值之间的比值;MAPE的计算方法为:MAPE通过计算绝对误差百分比来表达预测的效果,该值越小,模型越好;
示例性的,相关系数R-square的计算;相关系数R-square作为决定系数,它表示了输入变量与输出变量的相关程度,相关系数R-square的计算公式为:式中xav为原始数据的均值,相关系数R-square的取值范围为0到1,越接近1表示回归模型的方差占比越大;
S2022、将所述历史时期内的天气数据,输入所述拟合回归模块,得到拟合负荷数据。
S2023、以所述历史时期内的天气数据和所述拟合负荷数据为输入,以所述历史时期内的负荷数据为输出,生成训练样本。
S2024、基于所述训练样本,进行神经网络训练,得到所述神经网络模块。
示例性的,调控装置可以基于步骤A1-A6,进行神经网络训练。。
A1、本发明神经网络训练基于多层感知器MLP神经网络进行。多层感知器MLP神经网络是由输入层、隐含层和输出层组成的人工神经网络,可以学习输入向量和输出向量之间的复杂关系,将输入向量送入输入层,以前一层神经元的输出作为输入;MLP神经网络输出的数学表达式为:其中,xi(i=1,....,n)为输入值,Y为输出值,ωij(j=1,....,m)为第i个输入神经元到第j个隐层神经元的连接权值,uj为第j个隐层神经元到输出神经元的连接权值,p和bj为对应的输出神经元和第j个隐层神经元的偏置值,F(·)和G(·)分别为输出神经元和隐藏神经元的激活函数。
A2、MLP神经网络捕捉智能电网中各种天气参数对负荷的综合影响;融合MLP神经网络和参数回归模型,用于表征常见天气参数对电力负荷的综合影响;输入层包括Tmax、Tave、Tmin、H和P,以及由它们的回归模型导出相应的日功率负荷,输出为预测的电力负荷L。
A3、组成极限学习机ELM,通过一次随机设置输入层和隐含层参数来减少计算量;隐含层与输出层之间的连接权值通过求解矩阵方程来确定,ELM的数学表达式为:其中H∈Rn×m为隐含层输出矩阵,u=[u1,...,um]T表示输出权重向量;每个隐含层神经元的ωij(i=1,....,n)和bj,j=1,....,m随机确定,ELM算法通过计算u来确定MLP模型中隐含层与输出层之间的连接权值;给定训练集{X,Y},X={x1,...,xn},u可以通过u=H+Y导出,H+是H的Moor-Penrose广义逆,H=(HTH)-1HT。
A4、计算H+时引入了自适应参数μ,定义μ=||Y||δ,δ∈[1,2],并将其代入对角线元素HTH,H+=(HTH+μ)-1HT,进而将MLP模型的完善问题转化为定义为的最小二乘问题:其中δ1,δ2>0;改进的ELM算法以最小化训练误差和输出权重范数为目标,其中μ是平衡两者的参数。
A6、实现f(x,βpol)=β0 pol+β1 polx+β2 polx2+....+βn polxn,n=1,2,3,用于多项式回归分析;执行f(x,βex)=β0 ex+β1 %exexp(β2 exx)+β3 exexp(%β4 exx)进行二次指数回归分析;分析导出的回归模型的拟合优度;通过回归模型得到预测的电力负荷L。
S406:基于极限学习机ELM改进学习算法,对于每个隐层神经元j=1,....,m,随机确定其输入层权值ωij(j=1,....,n)和偏置值bj;利用第1阶段得到的常用气象参数数据和对应的电力负荷L计算隐含层输出矩阵H;定义自调节参数μ=||Y||δ,δ∈[1,2];通过求解问题得到输出权重向量u:u=H+Y,H=(HTH)-1HT,
S2025、基于所述拟合回归模块和所述神经网络模块,确定所述负荷预测模型。
可选的,可选的,本发明实施例提供的电热综合能源***的调控方法,在步骤S103之前还包括步骤S301-S308。
S301、建立所述电热综合能源***中各设备的等值模型;所述各设备的等值模型包括风力发电等值模型、光伏发电等值模型、储能***等值模型、燃油发电机组等值模型、热电联产机组等值模型和电制热设备等值模型。
作为一只可能的实现方式,调控装置基于如下公式,确定风力发电等值模型。
其中,Aeq为等值风力发电机的横扫面积(m2);Cp-eq为功率系数;Vv-eq为等值风速(m/s);Pe-eq为等值风力发电机的机械功率(W),J'eq为等值风力发电机的惯性系数(kg/m2);Wr为等值风力发电机的转子转速(rad/s);H为等值风力发电机的***惯性时间常数(S);PN为等值风力发电机的额定功率(kW)。
需要说明的是,本发明运用发电机转子等值方法确定风力发电等值模型。发电机转子等值方法的核心思想是在不考虑风力发电机型号差异和输入风速变化的情况下,将所有的风力发电机等效为一个简单的模型,加以研究。对现有的发电机转子等值方法进行适用性修正,以便发电机转子等值方法适合于风力发电***。
对于等值风力发电机横扫面积Aeq的计算,所有风力发电机的半径之和即为等值风力发电机的半径;为了最大程度地降低误差和简化计算,功率系数Cp-eq等于所有风力发电机的最优功率系数。
作为一种可能的实现方式,光伏发电技术的核心元件是光生半导体,半导体吸收太阳能,通过其对光的光电效应,转换为电能。在光伏发电***中,光伏电池是最基本的电能产生单元,光伏电池等效电路模型由光生电流源与二极管并联形成。光伏电池的输出功率与环境温度和光照强度有关。调控装置基于如下公式,确定光伏发电等值模型。
其中,GT为光照强度;kc为温度系数;Tc为实际工作温度;GSTC,TSTC,PSTC分别为额定的光照强度,工作温度和输出功率。可得输出功率Ppv与G、T之间的详细关系为,恒温下,在一定范围内,光照强度越大,则输出功率越大。恒光照强度下,在一定范围内,温度升高,最大输出功率反而降低。
作为一种可能的实现方式,电力能源的储存形式一般包括电磁、机械动能、电化学能、水势能等。利用能源的转换技术,将多余的电能转化为可以储存起来的能源形式,就是储能技术。在应用储能技术的过程中,需要注意储能***可以存储能源的容量以及能源的转换效率。储能***是平抑可再生微源出力波动性不可或缺的装置,独立型微电网或运行在孤岛模式下的微电网,储能***和可再生能源联合供电,以提高***可靠性和改善电能质量。交流微电网中的储能***可在元件故障后,负荷形成孤岛的过程中为负荷持续供电,减少负荷停电时间及停电次数。基于储能***运行的三个重要约束因素:充放电循环过程、荷电状态(state of charge,SOC)约束和最大充放电功率约束。调控装置基于如下公式,确定储能***等值模型。储能***等值模型包括充电模型和放电模型。
其中,储能***BESS第t小时的充电功率用Pc BESS(t)来表示,储能***BESS的最大充电功率用PBCmax来表示,储能***BESS第t小时的放电功率用Pd BESS(t)来表示,储能***BESS的最大放电功率用PBDmax来表示,第t小时储能***BESS的SOC表示为Soc(t),第t+1小时储能***BESS的SOC表示为Soc(t+1),运行过程中储能***SOC的最大值为Socmax,运行过程中储能***SOC的最小值为Socmin,Snom表示运行过程中储能***的额定容量。在不同的场景中,BESS充放电功率还与场景中具体的充放电策略有关。
作为一种可能的实现方式,燃油发电机组等值模型一般认为是可调功率输出的小功率发电机,建模中考虑容量上下限约束和爬坡约束等。调控装置基于如下公式,确定燃油发电机组等值模型。
其中,PDGS(t)—第t小时的柴油发电机输出功率(kW);PDmin—柴油发电机的最小输出功率(kW);PDmax—柴油发电机的最大输出功率(kW);Rup—[t-1,t]时段柴油机有功出力可增减最大值(kW)。
作为一种可能的实现方式,作为城市能源架构的电-热网络在能源流动、转换及消耗过程中存在隐含的耦合关系。两种网络的衔接环节主要由热电联产机组与电制热设备组成,二者共同作为能源转换设备。调控装置基于如下公式,确定热电联产机组等值模型。
其中,α、χ、γ为热电联产特征系数;g为热电联产机组编号;M为热电联产机组数;Pg,tCHP为热电联产供电功率;PminCHP、PmaxCHP为热电联产供电最小/最大功率;φg,tCHP为热电联产供热功率;φminCHP、φmaxCHP分别为热电联产供热最小、最大功率;ΔPu、ΔPd分别为热电联产机组上、下爬坡出力;ag、bg、cg为热电联产供电成本系数;σCHP为固定进汽量下抽取单位蒸汽量时电功率的减少值;CCHP为热电联产机组供能成本。
作为一种可能的实现方式,电制热设备可以降低燃煤机组供热负担,通过消耗电能为热用户提供高品位热能,为风光电能消纳提供了一条额外途径。调控装置基于如下公式,确定电制热设备等值模型。
其中,φh,tEB为电制热设备h的供热功率,Ph,tEB为电制热设备h的电功率;PnEB为电制热设备额定功率;εEB为电制热设备电热转换效率;ωEB为电制热设备电能转换成本系数;CEB为电制热设备电能转换成本。
需要说明的是,电热综合能源***的负荷包括制造业可控负荷模型、造纸业可控负荷模型、农副产品加工业负荷模型、冶金业负荷模型。目前电热综合能源***中所广泛使用的储电装置有超级电容和电池储能等,储热装置包括水蓄热、相变蓄热等;电/热储能运行过程中均可动态吸收能量并适时释放,平抑风光出力的波动性,间接扩大了电热综合能源***消纳可再生能源的能力。为满足电负荷需求可增大发电功率和供热功率,对电/热储能响应特性及约束建立统一的模型为:
式中,Ee,tESS为第e种储能设备t时段储能容量;Emax、Emin为储能设备容量上、下限;Pe,tESS,ca、Pe,tESS,da为第e种储能设备t时段充/放能功率;Pe,maxESS,ca、Pe,minESS,ca为储能设备充能功率上、下限;Pe,maxESS,da、Pe,minESS,da为储能设备供能功率上、下限;μe,caESS、μe,daESS为第e种储能设备充/放能效率;δtESS,ca、δtESS,da表示储能充/放能状态,取0时为非工作状态,取1时为工作状态;T为总运行时长;nD为储能数量;CESS为储能设备充/放能调控费用。通过上述所有模型的描述,电热综合能源***中各类负荷和电热储能在***调控下参与运行的成本费用,其调控成本主要来自对负荷生产用电的转移、削减成本,储能成本主要源于***对其充/放能调控成本。
S302、建立所述电热综合能源***中供热模型和供电模型,所述供热模型用于限定热网中管道流量、供水温度和回水温度之间的关系。
示例性的,建立供热模型;供热网络主要由供水网络与回水网络构成,供回水网络中热能依托于热水或热蒸汽进行热源节点与热负荷节点间的转移,建立起热源与热负荷管道流量的一元函数关系,简化后的供热模型为:
其中,,Ts、To分别为节点供水、回水温度;Ta为环境温度;mk为管道k流量,定义n1=m1/mk,n2=m2/mk,…,nk-1=mk-1/mk,nk=1;λk为传热系数;Lk为供热管道k长度;cw为水的比热容;为t时刻节点i热负荷;nH为热网节点总数;在获得热源节点供热出力后,即可在满足节点热负荷需求约束下求解热网中管道流量,获得热网热能流动结果;设置热网各节点回水温度恒定,同一时段供热网络所有负荷节点所需热功率相同。
其中,Pi、Qi分别为节点i注入有功和无功功率;Ui、Uj分别为节点i、j电压幅值;Gij、Bij分别为节点导纳矩阵中节点i、j对应的电导、电纳;θij为节点i、j间的电压相位差;n为电力***节点数。
S303、基于所述各设备的等值模型,以及所述供热模型和供电模型,构建以运行成本最低的第一目标函数。
示例性的,建立电热综合能源***经济性目标函数,以冬季供暖期内电热综合能源***的经济运行成本最低为目标。
C1=CMI+CPM+CFS+CFM+CESS+CLOSS+CCHP+CEB+COM+CINV+Cgrid
其中,CINV为折算到日均的设备投资成本;COM为各类设备运维成本;CLOSS为电热网络损耗成本;Cgrid为购电成本;φLOSS为热网损耗功率;PLOSS为电网损耗功率;zh、zg分别为单位热网、电网网损成本;ΔTk,t为供热管道k在t时段首末端温度差;Rs,i为与节点i相连支路阻抗;v为热电联产机组、电制热设备、分布式电源及电/热储能设备;K为供热支路总数;W为各类设备总数;φvnk为设备v运维成本系数;Pv,tnk为各类设备在t时刻的功率;Yi为第i种设备单位容量建设成本;Bi为第i种设备的建设容量;r为利率;xi为第i种设备的使用寿命。
S304、基于所述各设备的等值模型,以及所述供热模型和供电模型,构建以风光消纳率最高的第二目标函数。
示例性的,建立电热综合能源***风光消纳率目标函数,以电热综合能源***的风光消纳率最高为目标。
式中,pt X为t时段所使用的分布式电源输出功率;pt RE为t时段各分布式电源所发全部功率。
S305、基于所述各设备的等值模型,以及所述供热模型和供电模型,构建碳排放流动拓扑模型。
示例性的,在能量传输和转换过程中,嵌入在各种能源中的碳依附于电热综合能源能量传输进行转移;随着能量形式的转换,碳排放也随之在不同能源***中流动;由于网络中各节点所消耗的能量可以追溯到各个电源,相应的碳排放也可以追溯到各电源,建立相关拓扑模型,直观呈现碳排放从能源产生和转化方累积到需求方的过程;流经每条线路的碳排放量与线路潮流相关,支路碳排放强度与功率流入节点碳排放强度相等。
其中,为节点i碳排放强度;/>为与节点i相连支路的碳排放强度;Pi N为节点i有功功率;/>为支路ij传输功率;/>为节点i碳排放流量;/>为支路碳排放流量,表示由节点i流经节点j的碳排放流量;每个节点的碳排放强度由连接到该节点的输电线路和发电机的有功功率注入量决定。
其中,为电源g输出功率;/>为电源g碳排放强度;nG、nL为连接节点的电源、支路数;***碳排放总量遵循碳排放守恒定律,即源-荷侧碳排放总量相等,支路损耗产生的碳排放不计入节点碳排放量,得碳排放流动拓扑模型。
其中,SNODE为节点碳排放总量;SLOSS为损耗产生的碳排放总量;SCHP、SGRID、SWT、SPT分别为***中热电联产机组、上级电网、风电及光伏电源的碳排放总量;nN为总节点数。
S306、基于所述各设备的等值模型,所述供热模型和供电模型,以及碳排放流动拓扑模型,构建以碳排放量最低的第三目标函数。
示例性的,建立电热综合能源***碳排放量目标函数,以电热综合能源***的碳排放量最低为目标。
其中,ρG为CHP机组供电碳排放系数;ρgrid为上级电网供电碳排放系数;Ptgrid为t时刻区域电网向上级电网购电功率;GEN为***中的电源数。
S307、基于所述各设备的等值模型,所述供热模型和供电模型,构建所述多目标调控函数的约束条件。
在一些实施例中,约束条件包括***功率平衡约束、节点电压约束、支路功率传输约束、热电联供机组的余热量约束、热电联供机组的出力上下限和爬坡速率约束、***备用约束和预测负荷平衡约束。
示例性的,***功率平衡约束可以表示为如下公式:
其中,Pi,tDG为t时刻分布式电源i的输出功率;Ptsystem为t时刻区域电网用电功率;Pe,tBES为t时刻储电设备e的充/放能功率;φe,tTES为t时刻储热设备e的充/放能功率;Pi,tLOSS为首节点为i的电网支路t时刻网损;φk,tLOSS为热网支路k在t时刻网损;nDG、nCHP、nBES、nEB、nTES、nH分别为分布式电源、热电联产机组、电储能、电制热、热储能、热网负荷节点总数。
示例性的,节点电压约束可以表示为如下公式:
Ui,min≤Ui,t≤Ui,max;
其中,Ui,max、Ui,min分别为i节点电压的上、下限。
示例性的,支路功率传输约束可以表示为如下公式。
其中,PSHij,t、PSHij,max、PSHij,min分别为支路ij传输功率及传输功率上限、下限。
示例性的,热电联供机组燃烧天然气进行发电,排出的高温烟气经过溴冷机用于取暖。电联供机组的余热量约束可以表示为如下公式。
示例性的,热电联供机组的出力上下限和爬坡速率约束可以表示为如下公式。
PCHP,min≤PCHP(t)≤PCHP,max
QCHP,min≤QCHP(t)≤QCHP,max
其中,PCHP,max和PCHP,min分别表示热电联产机组供电功率的上下限,QCHP,max和QCHP,min分别表示热电联产机组供热功率的上下限,vCHP,P,max和vCHP,P,min分别表示热电联产机组供电功率的升降速率限制,vCHP,H,max和vCHP,H,min分别表示热电联产机组供热功率的升降速率限制。
示例性的,***备用约束是保证***安全性的必要约束,可以表示为如下公式。
其中,PG,max表示***供电机组最大出力;kr表示***备用容量系数。
示例性的,预测负荷平衡约束;在调度周期内的每个调度时刻,均应满足每个用户的电力及热力负荷供需平衡,基于所述步骤4的基于多层感知器MLP神经网络和极限学***衡约束可以表示为如下公式。
其中,Pload(t)和Qload(t)分别为***在t时刻预测电负荷和预测热负荷。
S308、基于所述第一目标函数,所述第二目标函数,所述第三目标函数,以及所述多目标调控函数的约束条件,构建所述多目标调控函数。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的一种电热综合能源***的调控装置的结构示意图。该调控装置400包括通信模块401和处理模块402。
通信模块401,用于获取下一时段的预测天气数据;
处理模块402,用于将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据;所述负荷预测模型为基于所述电热综合能源***所处区域,历史时期内负荷数据和天气数据训练得到的;将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解;所述多目标调控函数的目标包括所述电热综合能源***的运行成本最低、风光消纳率最高和碳排放量最低,所述多目标调控函数以所述电热综合能源***稳定运行为约束条件;基于所述最优解,对所述电热综合能源***进行优化调控。
在一种可能的实现方式中,通信模块401,还用于获取电热综合能源***所处区域,历史时期内的负荷数据和天气数据;所述负荷数据包括电力负荷数据和热力负荷数据,所述天气数据包括温度数据、湿度数据和降水数据;处理模块402,还用于基于所述历史时期内的负荷数据和天气数据,进行数据拟合和神经网络训练,得到所述负荷预测模型。
在一种可能的实现方式中,所述负荷预测模型包括拟合回归模块和神经网络模块;处理模块402,具体用于以所述历史时期内的天气数据为自变量,以所述历史时期内的负荷数据为因变量,进行数据拟合,得到所述拟合回归模块;将所述历史时期内的天气数据,输入所述拟合回归模块,得到拟合负荷数据;以所述历史时期内的天气数据和所述拟合负荷数据为输入,以所述历史时期内的负荷数据为输出,生成训练样本;基于所述训练样本,进行神经网络训练,得到所述神经网络模块;基于所述拟合回归模块和所述神经网络模块,确定所述负荷预测模型。
在一种可能的实现方式中,处理模块402,具体用于将所述下一时段的预测天气数据,输入所述负荷预测模型的拟合回归模块,得到目标拟合负荷数据;将所述下一时段的预测天气数据和所述目标拟合负荷数据,输入所述负荷预测模型的神经网络模块,得到所述下一时段的预测负荷数据。
在一种可能的实现方式中,处理模块402,还用于建立所述电热综合能源***中各设备的等值模型;所述各设备的等值模型包括风力发电等值模型、光伏发电等值模型、储能***等值模型、燃油发电机组等值模型、热电联产机组等值模型、电制热设备等值模型;建立所述电热综合能源***中供热模型和供电模型,所述供热模型用于限定热网中管道流量、供水温度和回水温度之间的关系;基于所述各设备的等值模型,以及所述供热模型和供电模型,构建以运行成本最低的第一目标函数;基于所述各设备的等值模型,以及所述供热模型和供电模型,构建以风光消纳率最高的第二目标函数;基于所述各设备的等值模型,以及所述供热模型和供电模型,构建碳排放流动拓扑模型;基于所述各设备的等值模型,所述供热模型和供电模型,以及碳排放流动拓扑模型,构建以碳排放量最低的第三目标函数;基于所述各设备的等值模型,所述供热模型和供电模型,构建所述多目标调控函数的约束条件;基于所述第一目标函数,所述第二目标函数,所述第三目标函数,以及所述多目标调控函数的约束条件,构建所述多目标调控函数。
在一种可能的实现方式中,处理模块402,具体用于确定风光消纳量与运行成本之间的第一转化因子;所述第一转化因子用于将风光消纳量转化为运行成本;确定碳排放量与运行成本之间的第二转化因子;所述第二转化因子用于将碳排放量转化为运行成本;基于所述第一转化因子和所述第二转化因子,将所述多目标调控函数转化为单目标调控函数;所述单目标调控函数以所述运行成本最低为目标;基于所述下一时段的预测负荷数据,和所述单目标调控函数,采用多元宇宙算法进行迭代求解,得到所述最优解。
在一种可能的实现方式中,处理模块402,具体用于执行如下步骤:步骤一:参数初始化;将所述单目标函数中待调控设备的数量设定为所述多元宇宙算法的宇宙数量;将所述各待调控设备的设置容量设定为所述多元宇宙算法中决策变量;并设置所述多元宇宙算法的最大迭代次数,虫洞存在概率的最大值和最小值,决策变量的上限和下限;步骤二:随机设定初始宇宙种群对应的各待调控设备的容量;步骤三:判断是否满足终止条件,若不满足,则执行步骤四;若满足,则输出各设备的最优选型和最优收益;所述终止条件包括运行成本小于设定成本且当前迭代次数对应的运行成本与上次迭代时的运行成本之间的误差小于设定误差,或者,迭代次数大于设定次数;步骤四:将本次迭代的宇宙种群输入所述单目标调控函数,确定当前运行成本;步骤五:比较当前运行成本是否小于目前最优宇宙种群对应的运行成本;若是,则执行步骤六,若否,则执行步骤七;步骤六;将本次迭代的宇宙种群,确定为目前最优宇宙种群;步骤七:利用轮盘赌选择机制产生白洞和黑洞,并随机生成虫洞存在概率;步骤八:基于所述白洞和黑洞,以及所述虫洞存在概率,更新所述宇宙种群,将更新后的宇宙种群确定为下一次迭代时的宇宙种群;步骤九:重复步骤三至步骤九,直至退出迭代过程。
图3是本发明实施例提供的一种调控设备的结构示意图。如图3所示,该实施例的调控设备500包括:处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序503。所述处理器501执行所述计算机程序503时实现上述各方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器501执行所述计算机程序503时实现上述各装置实施例中各模块/单元的功能,例如,图2所示通信模块401和处理模块402的功能。
示例性的,所述计算机程序503可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器502中,并由所述处理器501执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序503在所述调控设备500中的执行过程。例如,所述计算机程序503可以被分割成图2所示通信模块401和处理模块402。
所称处理器501可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器502可以是所述调控设备500的内部存储单元,例如调控设备500的硬盘或内存。所述存储器502也可以是所述调控设备500的外部存储设备,例如所述调控设备500上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器502还可以既包括所述调控设备500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电热综合能源***的调控方法,其特征在于,包括:
获取下一时段的预测天气数据;
将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据;所述负荷预测模型为基于所述电热综合能源***所处区域,历史时期内负荷数据和天气数据训练得到的;
将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解;所述多目标调控函数的目标包括所述电热综合能源***的运行成本最低、风光消纳率最高和碳排放量最低,所述多目标调控函数以所述电热综合能源***稳定运行为约束条件;
基于所述最优解,对所述电热综合能源***进行优化调控。
2.根据权利要求1所述的电热综合能源***的调控方法,其特征在于,所述将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据之前,还包括:
获取电热综合能源***所处区域,历史时期内的负荷数据和天气数据;所述负荷数据包括电力负荷数据和热力负荷数据,所述天气数据包括温度数据、湿度数据和降水数据;
基于所述历史时期内的负荷数据和天气数据,进行数据拟合和神经网络训练,得到所述负荷预测模型。
3.根据权利要求2所述的电热综合能源***的调控方法,其特征在于,所述负荷预测模型包括拟合回归模块和神经网络模块;
所述基于所述历史时期内的负荷数据和天气数据,进行数据拟合和神经网络训练,得到所述负荷预测模型,包括:
以所述历史时期内的天气数据为自变量,以所述历史时期内的负荷数据为因变量,进行数据拟合,得到所述拟合回归模块;
将所述历史时期内的天气数据,输入所述拟合回归模块,得到拟合负荷数据;
以所述历史时期内的天气数据和所述拟合负荷数据为输入,以所述历史时期内的负荷数据为输出,生成训练样本;
基于所述训练样本,进行神经网络训练,得到所述神经网络模块;
基于所述拟合回归模块和所述神经网络模块,确定所述负荷预测模型。
4.根据权利要求1所述的电热综合能源***的调控方法,其特征在于,所述将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据,包括:
将所述下一时段的预测天气数据,输入所述负荷预测模型的拟合回归模块,得到目标拟合负荷数据;
将所述下一时段的预测天气数据和所述目标拟合负荷数据,输入所述负荷预测模型的神经网络模块,得到所述下一时段的预测负荷数据。
5.根据权利要求1所述的电热综合能源***的调控方法,其特征在于,所述将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解之前,还包括:
建立所述电热综合能源***中各设备的等值模型;所述各设备的等值模型包括风力发电等值模型、光伏发电等值模型、储能***等值模型、燃油发电机组等值模型、热电联产机组等值模型、电制热设备等值模型;
建立所述电热综合能源***中供热模型和供电模型,所述供热模型用于限定热网中管道流量、供水温度和回水温度之间的关系;
基于所述各设备的等值模型,以及所述供热模型和供电模型,构建以运行成本最低的第一目标函数;
基于所述各设备的等值模型,以及所述供热模型和供电模型,构建以风光消纳率最高的第二目标函数;
基于所述各设备的等值模型,以及所述供热模型和供电模型,构建碳排放流动拓扑模型;
基于所述各设备的等值模型,所述供热模型和供电模型,以及碳排放流动拓扑模型,构建以碳排放量最低的第三目标函数;
基于所述各设备的等值模型,所述供热模型和供电模型,构建所述多目标调控函数的约束条件;
基于所述第一目标函数,所述第二目标函数,所述第三目标函数,以及所述多目标调控函数的约束条件,构建所述多目标调控函数。
6.根据权利要求1所述的电热综合能源***的调控方法,其特征在于,所述将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解,包括:
确定风光消纳量与运行成本之间的第一转化因子;所述第一转化因子用于将风光消纳量转化为运行成本;
确定碳排放量与运行成本之间的第二转化因子;所述第二转化因子用于将碳排放量转化为运行成本;
基于所述第一转化因子和所述第二转化因子,将所述多目标调控函数转化为单目标调控函数;所述单目标调控函数以所述运行成本最低为目标;
基于所述下一时段的预测负荷数据,和所述单目标调控函数,采用多元宇宙算法进行迭代求解,得到所述最优解。
7.根据权利要求6所述的电热综合能源***的调控方法,其特征在于,所述基于所述下一时段的预测负荷数据,和所述单目标调控函数,进行迭代求解,得到所述最优解,包括:
步骤一:参数初始化;将所述单目标函数中待调控设备的数量设定为所述多元宇宙算法的宇宙数量;将所述各待调控设备的设置容量设定为所述多元宇宙算法中决策变量;并设置所述多元宇宙算法的最大迭代次数,虫洞存在概率的最大值和最小值,决策变量的上限和下限;
步骤二:随机设定初始宇宙种群对应的各待调控设备的容量;
步骤三:判断是否满足终止条件,若不满足,则执行步骤四;若满足,则输出各设备的最优选型和最优收益;所述终止条件包括运行成本小于设定成本且当前迭代次数对应的运行成本与上次迭代时的运行成本之间的误差小于设定误差,或者,迭代次数大于设定次数;
步骤四:将本次迭代的宇宙种群输入所述单目标调控函数,确定当前运行成本;
步骤五:比较当前运行成本是否小于目前最优宇宙种群对应的运行成本;若是,则执行步骤六,若否,则执行步骤七;
步骤六;将本次迭代的宇宙种群,确定为目前最优宇宙种群;
步骤七:利用轮盘赌选择机制产生白洞和黑洞,并随机生成虫洞存在概率;
步骤八:基于所述白洞和黑洞,以及所述虫洞存在概率,更新所述宇宙种群,将更新后的宇宙种群确定为下一次迭代时的宇宙种群;
步骤九:重复步骤三至步骤九,直至退出迭代过程。
8.一种电热综合能源***的调控装置,其特征在于,包括:
通信模块,用于获取下一时段的预测天气数据;
处理模块,用于将所述下一时段的预测天气数据,输入预先设置的负荷预测模型,预测得到下一时段的预测负荷数据;所述负荷预测模型为基于所述电热综合能源***所处区域,历史时期内负荷数据和天气数据训练得到的;将所述下一时段的预测负荷数据,输入预先构建的多目标调控函数,进行迭代计算,得到所述多目标调控函数的最优解;所述多目标调控函数的目标包括所述电热综合能源***的运行成本最低、风光消纳率最高和碳排放量最低,所述多目标调控函数以所述电热综合能源***稳定运行为约束条件;基于所述最优解,对所述电热综合能源***进行优化调控。
9.一种电热综合能源***的调控设备,其特征在于,所述调控设备包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至8中任一项所述的方法。
10.一种电热综合能源***的调控***,其特征在于,所述调控***包括如权利要求9所述的调控设备,执行如权利要求1至7中任一项所述的调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679702.8A CN116151551A (zh) | 2022-12-26 | 2022-12-26 | 一种电热综合能源***的调控方法、装置及调控设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679702.8A CN116151551A (zh) | 2022-12-26 | 2022-12-26 | 一种电热综合能源***的调控方法、装置及调控设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151551A true CN116151551A (zh) | 2023-05-23 |
Family
ID=86353568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211679702.8A Pending CN116151551A (zh) | 2022-12-26 | 2022-12-26 | 一种电热综合能源***的调控方法、装置及调控设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151551A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911577A (zh) * | 2023-09-13 | 2023-10-20 | 国网信息通信产业集团有限公司 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
CN117745109A (zh) * | 2024-02-21 | 2024-03-22 | 新奥数能科技有限公司 | 一种基于多能互补的低碳性优化供能方式确定方法及*** |
CN117974365A (zh) * | 2024-03-29 | 2024-05-03 | 中国建筑科学研究院有限公司 | 一种电热综合能源耦合***多目标运行优化方法及*** |
-
2022
- 2022-12-26 CN CN202211679702.8A patent/CN116151551A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911577A (zh) * | 2023-09-13 | 2023-10-20 | 国网信息通信产业集团有限公司 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
CN116911577B (zh) * | 2023-09-13 | 2024-02-09 | 国网信息通信产业集团有限公司 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
CN117745109A (zh) * | 2024-02-21 | 2024-03-22 | 新奥数能科技有限公司 | 一种基于多能互补的低碳性优化供能方式确定方法及*** |
CN117974365A (zh) * | 2024-03-29 | 2024-05-03 | 中国建筑科学研究院有限公司 | 一种电热综合能源耦合***多目标运行优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Low-carbon economic dispatch of integrated energy system containing electric hydrogen production based on VMD-GRU short-term wind power prediction | |
Ju et al. | Multi-objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic-electric vehicles considering uncertainties and demand response | |
Moghaddam et al. | Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source | |
Azmy et al. | Online optimal management of PEMFuel cells using neural networks | |
Wang et al. | Neural networks for power management optimal strategy in hybrid microgrid | |
CN116151551A (zh) | 一种电热综合能源***的调控方法、装置及调控设备 | |
Hemmati et al. | System modeling and optimization for islanded micro-grid using multi-cross learning-based chaotic differential evolution algorithm | |
CN110659830A (zh) | 面向综合能源***的多能源微网规划方法 | |
CN111404153B (zh) | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能***能量协同优化调控方法 | |
Yang et al. | DISTRIBUTED OPTIMAL DISPATCH OF VIRTUAL POWER PLANT BASED ON ELM TRANSFORMATION. | |
Wang et al. | Two-stage stochastic planning for integrated energy systems accounting for carbon trading price uncertainty | |
CN109473976A (zh) | 一种冷热电联供型微网能量调度方法及*** | |
Tan et al. | Fast learning optimiser for real‐time optimal energy management of a grid‐connected microgrid | |
Seyyedeh-Barhagh et al. | Optimal scheduling of hydrogen storage under economic and environmental priorities in the presence of renewable units and demand response | |
CN109767029A (zh) | 局域能源互联网中冷热电三联供***容量配置方法及*** | |
Liu et al. | Research on short-term optimization for integrated hydro-PV power system based on genetic algorithm | |
Semero et al. | Optimal energy management strategy in microgrids with mixed energy resources and energy storage system | |
Xiao et al. | A novel energy management method for networked multi-energy microgrids based on improved DQN | |
Afshari Igder et al. | Bidding strategies of the joint wind, hydro, and pumped‐storage in generation company using novel improved clonal selection optimisation algorithm | |
Tostado-Véliz et al. | Multiobjective home energy management systems in nearly-zero energy buildings under uncertainties considering vehicle-to-home: A novel lexicographic-based stochastic-information gap decision theory approach | |
CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
Dou et al. | Double‐deck optimal schedule of micro‐grid based on demand‐side response | |
Liu et al. | Day‐Ahead Economic Dispatch of Renewable Energy System considering Wind and Photovoltaic Predicted Output | |
TWI639962B (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 |
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 |