CN106097154A - 一种工业园区能源中心的调度方法及系统 - Google Patents

Abstract

本发明公开了一种工业园区能源中心的调度方法及系统，该方法包括：建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型和机会模型；根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法和机会调度方法；通过求解鲁棒模型，获得抵抗热负荷和电负荷波动的鲁棒调度策略；通过求解机会模型，获得有机会得到更优运行成本的机会调度策略，分别为风险规避型决策者和风险偏好型决策者提供参考。

Description

一种工业园区能源中心的调度方法及系统

技术领域

本发明涉及电力系统运行优化领域，特别涉及一种工业园区能源中心的调度方法及系统。

背景技术

在供热方面，推广热电联产和供热电气化，可以大幅度提高能源利用效率，是实现需求侧电能替代的有效途径。热电联产(Combined Heat and Power generation,CHP)是一种根据能源梯级利用原理，利用高、中温蒸汽发电，低温余热向住宅供热的先进能源转化装置。热泵是一种可从空气、水或土壤中获取低位热能，通过电能做功，为居民提供高位热能的新能源技术，并且热泵运行稳定，启停控制方便,制热效率高。CHP和热泵联合运行可作为工业园区能源中心的能源转化装置，为工业园区集中提供热能和电能，来满足工业园区的终端能源需求。

能源中心是一种将能源供应侧和需求侧连接在一起，描述多能源系统中能源供应、负荷需求、网络之间交换、模块间耦合关系的输入-输出端口模型。为研究工业园区中多能源输入输出背景下工业园区供热供电的调度策略，可引入能源中心的概念来描述工业园区能源需求与能源输入之间的耦合关系，即所谓的工业园区能源中心。

工业园区能源中心的热负荷和常规电负荷往往具有较强的随机性和不确定性，而这种不确定性和随机性的特征信息难以准确获得，给能源中心的调度运行带来困难。在不确定变量的处理方面，已经有相当多的研究，这些研究大致都是需要概率密度或隶属度函数的不确定处理方法，如蒙特卡洛模拟，点估计法，可能性法，混合概率-可能性法；该处理方法需要大量历史数据支撑或对不确定变量的概率分布或隶属度函数进行一定的假设。对于工业园区能源中心，一方面热负荷和电负荷的概率分布难以获得；另一方面对资金充裕的能源中心，决策者能够接受相对保守的决策结果；而对资金紧缺的能源中心，决策者更希望获得更优的运行成本，而上述方法难以满足工业园区能源中心运行优化的要求。

发明内容

本发明的目的是提供一种工业园区能源中心的调度方法及系统，均通过求解鲁棒模型，获得抵抗热负荷和电负荷波动的鲁棒调度策略；通过求解机会模型，获得有机会得到更优运行成本的机会调度策略，分别为风险规避型决策者和风险偏好型决策者提供参考。

为解决上述技术问题，本发明提供一种工业园区能源中心的调度方法，包括：

建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；

根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型和机会模型；

根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法和机会调度方法。

其中，所述可控负荷为电动车辆。

其中，所述鲁棒模型为：

max(α+β)

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(p_t{\mathrm{\λ}}_{e,t}+g_{CHP,t}{\mathrm{\λ}}_{g,t})\≤{\mathrm{hF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{r}_{ch,k,t}{p}_{ch,k}+(1+\mathrm{\α})e_t+p_{HP,t}\\ h_{CHP,t}+h_{HP,t}=(1+\mathrm{\β})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，h为决策者可接受的运行成本增加幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

其中，所述机会模型为：

min(α+β)

$s.t.\left\{\begin{array}{c}min\left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\right(p_t{\mathrm{\λ}}_{e,t}+g_{CHP,t}{\mathrm{\λ}}_{g,t}\left)\right)\≤{\mathrm{lF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{r}_{ch,k,t}{p}_{ch,k}+(1-\mathrm{\α})e_t+p_{HP,t}\\ h_{CHP,t}+h_{hp,t}=(1-\mathrm{\β})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，l为决策者希望的运行成本降低幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

其中，还包括：

将鲁棒调度方法和机会调度方法以表格和/或曲线图的形式进行输出。

本发明还提供一种工业园区能源中心的调度系统，包括：

运行模型模块，用于建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；

鲁棒模型模块，用于根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型；

机会模型模块，用于根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的机会模型；

第一解析模块，用于根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法；

第二解析模块，用于根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到机会调度方法。

其中，所述鲁棒模型为：

max(α+β)

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(p_t{\mathrm{\λ}}_{e,t}+g_{CHP,t}{\mathrm{\λ}}_{g,t})\≤{\mathrm{hF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{r}_{ch,k,t}{p}_{ch,k}+(1+\mathrm{\α})e_t+p_{HP,t}\\ h_{CHP,t}+h_{HP,t}=(1+\mathrm{\β})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，h为决策者可接受的运行成本增加幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

其中，所述机会模型为：

min(α+β)

$s.t.\left\{\begin{array}{c}min\left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\right(p_t{\mathrm{\λ}}_{e,t}+g_{CHP,t}{\mathrm{\λ}}_{g,t}\left)\right)\≤{\mathrm{lF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{r}_{ch,k,t}{p}_{ch,k}+(1-\mathrm{\α})e_t+p_{HP,t}\\ h_{CHP,t}+h_{hp,t}=(1-\mathrm{\β})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，l为决策者希望的运行成本降低幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

其中，还包括：

输出模块，用于将鲁棒调度方法和机会调度方法以表格和/或曲线图的形式进行输出。

本发明所提供的工业园区能源中心的调度方法，包括：建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型和机会模型；根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法和机会调度方法；

可见，通过求解鲁棒模型，获得抵抗热负荷和电负荷波动的鲁棒调度策略；通过求解机会模型，获得有机会得到更优运行成本的机会调度策略，分别为风险规避型决策者和风险偏好型决策者提供参考；本发明还提供了一种工业园区能源中心的调度系统，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的工业园区能源中心的调度方法的流程图；

图2为本发明实施例所提供的仅考虑电负荷不确定条件下的能源中心购电功率曲线示意图；

图3为本发明实施例所提供的仅考虑电负荷不确定条件下的电动车辆充电负荷曲线示意图；

图4为本发明实施例所提供的仅考虑热负荷不确定条件下的能源中心购电功率曲线示意图；

图5为本发明实施例所提供的仅考虑热负荷不确定条件下CHP输出的热功率曲线示意图；

图6为本发明实施例所提供的仅考虑热负荷不确定条件下热泵输出的热功率曲线示意图；

图7为本发明实施例所提供的仅考虑热负荷不确定条件下的电动车辆充电负荷曲线示意图；

图8为本发明实施例所提供的工业园区能源中心的调度系统的结构框图。

具体实施方式

本发明的核心是提供一种工业园区能源中心的调度方法及系统，均通过求解鲁棒模型，获得抵抗热负荷和电负荷波动的鲁棒调度策略；通过求解机会模型，获得有机会得到更优运行成本的机会调度策略，分别为风险规避型决策者和风险偏好型决策者提供参考。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例所提供的工业园区能源中心的调度方法的流程图；该方法可以包括：

S100、建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；

其中，首先提出了基于CHP和热泵作为能源转化装置的工业园区能源中心架构；其中，CHP和热泵联合运行为工业园区提供热能，CHP与电力系统联合运行为工业园区提供电能，可控负荷(例如电动车辆集群负荷)参与能源中心优化运行，建立了确定参数下的工业园区能源中心内部优化运行模型。

以电动车辆作为可控负荷为例说明工业园区日常供能情况；工业园区日常的能源需求为电能和热能。在工业园区能源中心中,电网公司通过变压器输送电能到工业园区,一部分电能被用电设备消耗,一部分通过热泵转化为热能；天然气通过CHP中的一系列转化过程为工业园区提供电能和热能。将电动车辆集群负荷作为唯一的可控负荷参与能源中心优化运行。考虑工业园区电动车辆一般下午并网,次日上午离网,并主要集中在夜间充电,因此将调度周期定为中午12:00至次日中午12:00,调度时段以h为单位。则工业园区能源中心内部优化的运行模型为

$min\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(p_t{\mathrm{\λ}}_{e,t}\mathrm{\Δ}T+g_{CHP,t}{\mathrm{\λ}}_{g,t}\mathrm{\Δ}T)$

其中，p_t为t时刻工业园区消耗电网公司的电功率(正值)或出售给电网公司的电功率(负值)；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,_t分别为t时段的电价和气价；ΔT为单位时段长度。在每个时段中，假定各种状态参数保持不变。这样，对于瞬时量就可以用某个时段中的某个时刻的量来描述，例如"时刻t"描述"时段t"中任意时刻。

其中，运动模型的约束条件可以包括：

电功率平衡：

其中，p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态，r_ch,k,t＝1/0时，第k辆电动车辆充电/停止充电；_pch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数。

热功率平衡：h_CHP,t+h_HP,t＝h_t

其中，h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

工业园区变压器限制：

其中，P_max为工业园区配电变压器最大有功功率输出；为避免变压器过热，这里取电力系统向工业园区输送的最大有功功率不能超过工业园区配变最大有功功率输出的σ倍，σ<1。

可控负荷调度约束这里即电动车辆调度约束(以电动车辆为例)，其他情况下这里适应性变化为其它可控负荷的调度条件即可。

1)、蓄电池充电约束：s_k,t＝s_k,t-1+η_ch,kr_ch,k,tp_ch,k,t/B_k

其中，s_k,t为t时刻第k辆电动车辆的荷电状态,η_ch,k和B_k分别为第k辆电动车辆的充电效率和蓄电池容量。

2)、电动车辆蓄电池安全约束：s_k,min≤s_k,t≤s_k,max

其中，s_k,max和s_k,min分别为第k辆电动车辆蓄电池荷电状态的上下限。

3)、电动车辆不可调度时间约束：

其中，t_k,m,s和t_k,m,e分别为第k辆电动车辆的并网时刻和离网时刻。

4)、次日行驶需求约束：

其中，s_k,des为第k辆电动车辆离网时刻需达到的荷电状态。

CHP调度约束：

1)、CHP工作特性：p_CHP,t＝η_eκ_gasg_CHP,t；h_CHP,t＝η_hκ_gasg_CHP,t

其中，η_e和η_h分别为CHP机组的电效率和热效率；κ_gas为天然气热值。

2)、CHP运行约束：P_CHP,min≤p_CHP,t≤P_CHP,max

其中，P_CHP,max和P_CHP,min分别为CHP机组输出电功率的上下限。

热泵调度约束：

1)、热泵工作特性：h_HP,t＝p_HP,tCOP_HP

其中，h_HP,t为t时刻热泵输出的热功率；COP_HP为热泵装置的制热效率。

2)、热泵运行约束：P_HP,min≤p_HP,t≤P_HP,max

其中，P_HP,max和P_HP,min分别为热泵输出电功率的上下限。

S110、根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型和机会模型；

其中，信息间隙决策理论(Information Gap Decision Theory，IGDT)是一种无须大量历史数据或不确定变量概率分布的决策方法。由于决策者可能是风险规避型决策者或风险偏好型决策者，因此他们对决策结果的不同需求，风险规避型决策者要控制运行成本不能过高而风险偏好型决策者追求有机会达到更优运行成本；因此这里的IGDT包含两个模型:鲁棒模型和机会模型；通过求解鲁棒模型可以获得相对保守的决策结果，为风险规避型决策者提供参考；通过求解机会模型可以获得相对投机的决策结果，为风险偏好者提供参考。决策者可以根据子机的实际情况(例如资金情况)进行选择。

即IGDT是一种无需获得优化模型中不确定参数准确信息的决策方法，通过建立鲁棒模型和机会模型来反映决策者的风险偏好，并且不增加求解维度。定义不确定参数实际值与估计值的偏差的绝对值为信息间隙，这里通过盒式不确定集合对不确定参数u建模：

$U(\mathrm{\&alpha;},\tilde{u})=\{u:|\frac{u-\tilde{u}}{\tilde{u}}|\&le;\mathrm{\&alpha;},\mathrm{\&alpha;}\&GreaterEqual;0\}$

其中，u和分别为不确定参数的实际值和估计值，α为信息间隙。

一般地,对优化模型：

$\left\{\begin{array}{c}\min R(q,u)\\ s.t.Aq\&GreaterEqual;b\end{array}\right.$

其中，q为决策变量；A为约束条件的系数矩阵，b为向量。

为获得抵抗不确定参数波动幅度最大时的鲁棒决策结果,引入原优化问题的鲁棒模型：

其中，鲁棒模型的含义为在不确定参数朝着对运行结果不利的方向波动幅度最大时,决策结果仍能获得不算过高的运行成本r_c。

为描述当不确定参数在某一范围内波动时，决策者能够获得某一更优运行成本的机会，引入原优化问题的机会模型：

其中，机会模型的含义为不确定参数朝着对运行结果有利的方向的波动幅度最小时,决策结果仍有机会获得某一较低的运行成本r_w。

工业园区能源中心的电负荷和热负荷均存在一定波动性并且会对能源中心内部运行优化结果产生显著影响。电负荷和热负荷的概率分布和波动范围等信息难以准确获得，并且对资金充裕的能源中心，决策者能够接受相对保守的决策结果，表现为风险保守型决策者；而对资金紧缺的能源中心，决策者更希望获得更优的运行成本，表现为风险偏好型决策者。因此可以应用IGDT对电负荷的不确定性和热负荷的不确定性建模，获得抵抗电负荷和热负荷不确定性的鲁棒调度策略和为获得更优运行成本的机会调度策略。当电负荷和热负荷的朝着高于预测值的方向波动(不利方向)时,能源中心的运行成本恶化；而当电负荷和热负荷的实际值朝着低于预测值的方向波动(有利方向)时,能源中心的运行成本更优。

对于风险保守型能源中心决策者，决策者希望当电力负荷和热负荷朝着不利方向波动时，仍能获得某一不算过高的运行成本，即鲁棒模型：

max(α+β)

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t})\&le;{\mathrm{hF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1+\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{HP,t}=(1+\mathrm{\&beta;})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，h为决策者可接受的运行成本增加幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

其中，只考虑电负荷不确定时，β＝0，只考虑热负荷不确定时，α＝0。

对风险偏好型决策者,决策者希望在电负荷和热负荷朝着有利方向波动时,有机会获得更低的运行成本,即机会模型：

min(α+β)

$s.t.\left\{\begin{array}{c}min\left(\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\right(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t}\left)\right)\&le;{\mathrm{lF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1-\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{hp,t}=(1-\mathrm{\&beta;})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，l为决策者希望的运行成本降低幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

其中，只考虑电负荷不确定时，β＝0，只考虑热负荷不确定时，α＝0。

即上述两个模型不仅可以单独只考虑电负荷或热负荷，还可以都进行考虑，满足决策者的各种需求，适用性更强。

S120、根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法和机会调度方法。

其中，利用CPLEX求解器求解所建立的鲁棒模型和机会模型即工业园区能源中心混合整数线性规划模型。

其中，设备热负荷参数可以包括供热效率，能源利用效率，天然气价格，天然气热值，热泵最大输出热功率，最小输出热功率，制热效率；设备电负荷参数可以包括额定发电功率，发电效率，电价，配电变压器额定容量，功率因素，效率；可控负荷的参数可以包括负荷数量，负荷功率。当可控负荷为电动车辆时，参数可以包括电动车辆数量，电动车辆的电池容量，充电功率，充电效率。

运行成本幅度信息可以包括决策者希望的运行成本降低幅度及决策者可接受的运行成本增加幅度。

为了使得决策者更加生动，便捷的看出各个调度方法的规律，可以将调度方法转化为各种指标的变化曲线图进行显示，方便决策者使用，因此该方法还包括：

将鲁棒调度方法和机会调度方法以表格和/或曲线图的形式进行输出。

当可控负荷为电动车辆时，该方法通过求解鲁棒模型，获得抵抗热负荷和电负荷波动的鲁棒调度策略；通过求解机会模型，获得有机会得到更优运行成本的机会调度策略，分别为风险规避型决策者和风险偏好型决策者提供参考。下面以某工业园区为例说明了所发展模型与方法的基本特征。

以某园区的QSK19GFBA热电联产机组作为某一工业园区备用电站，其额定发电功率为315kW，发电效率为36％，供热效率为48％，能源利用效率为84％；天然气价格为2.7元/m3，天然气热值为9.7kWh/m3；热泵最大输出热功率PCHP,max＝200kW，最小输出热功率PCHP，min＝0，制热效率COPHP＝5，园区内电动车辆数量为348辆，电动车辆的电池容量均为18kWh，充电功率为3kW，充电效率为0.9；电价采用分时电价，晚上22:00到第二天早上7:00，电价为0.388元/kWh，其余时段电价为0.668元/kWh；小区配电变压器额定容量为1250kVA，功率因素为0.85，效率为0.95，即变压器最大有功功率输出为1009kW，σ取0.8。

1)、只考虑电负荷不确定条件下的鲁棒模型优化结果和机会模型优化结果：

只考虑电负荷不确定时,维持热负荷水平不变。在鲁棒/机会模型中,不断增大/减小能源中心的运行成本,得到电负荷信息间隙的最大/小值,如表1所示。

表1电负荷信息间隙与运行成本的关系

在只考虑电负荷不确定的鲁棒模型中，随着决策者可接受的运行成本增大，电负荷信息间隙增大，即允许电负荷朝着不利方向波动的程度增大，实时电负荷被允许高出预测值的幅度增大。由于热负荷不变，即CHP和热泵输出的热功率不变，相应地，CHP输出的电功率也不变。电负荷的波动只影响能源中心从电力系统的购电功率，随着电负荷信息间隙的增大，能源中心的购电功率增大，如图2所示。在机会模型中，随着决策者期望获得运行成本的减小，电负荷信息间隙增大，即朝着有利方向波动的程度越大。同样由于热负荷不变，CHP输出的电功率也不变，电负荷的波动主要影响从电力系统的购电功率和电动车辆的调度。因此，在机会模型中，随着电负荷信息间隙的增大，能源中心从电力系统的购电功率越小，甚至在电负荷减小到一定程度时，能源中心开始向电力系统送电，如图2所示。随着工业园区能源中心决策者的期望成本不断降低,电动车辆充电负荷分布更加均匀，且主要集中在电价低谷时段充电，以减少能源中心运行成本，如图3所示。

2)、只考虑热负荷不确定条件下的鲁棒模型和机会模型

只考虑热负荷不确定时，维持电负荷水平不变。在鲁棒/机会模型中，不断增大/减小能源中心决策者所能接受的运行成本，得到热负荷信息间隙的最大/小值，如表2所示；

表2热负荷信息间隙与运行成本的关系

在只考虑热负荷不确定的鲁棒模型中，热负荷朝着不利方向波动，随着决策者可接受运行成本的增大，热负荷信息间隙增大，即允许热负荷朝着不利方向波动的程度增大，实时热负荷被允许高出预测值的程度增大，CHP和热泵输出的热功率也随之增大，能源中心从电力系统购电的功率减小，由图4所示。由图5和图6可知，在电价谷时段，热泵供热成本相对较低，小区供热主要由热泵提供；在电价较高时段，CHP供热成本相对较低，供热主要由CHP提供。由于受CHP和热泵的容量限制，在热负荷信息间隙增大到一定程度时，即使决策者能够接受的运行成本范围进一步扩大，热负荷预测值与实际值之间的信息间隙也不允许继续增大,而能源中心运行成本的增加反映在电动车辆在电价峰时段充电比例增加，如图7所示。在机会模型中，随着决策者期望获得运行成本的减小，热负荷信息间隙增大，即朝着有利方向波动的程度越大。CHP和热泵输出的热功率也急剧减小，相应地，CHP输出的电动率也急剧减小，能源中心从电力系统购电的功率增大。图2到图7给出了在各种情况下的各种功率与运行成本及运行成本幅度信息之间的关系，即随着运行成本及运行成本幅度信息变化的一个变化趋势。

3)、同时考虑电负荷和热负荷不确定条件下的鲁棒模型和机会模型

同时考虑热负荷和电负荷不确定时,在鲁棒/机会模型中,不断增大/减小能源中心决策者所能接受的运行成本,得到电/热负荷信息间隙的最大值,如表3所示；

表3电/热负荷信息间隙与运行成本的关系

在鲁棒模型中，随着决策者可接受运行成本的增大，实时电负荷和热负荷都被允许高出预测值一定程度，并且由于CHP和热泵输出功率的限制，热负荷增大到一定程度后不允许继续增大。在机会模型中，为获得某一较低的运行成本，只需电负荷实际值低于预测值一定程度即可。对CHP，电动车辆，热泵的调度及电力系统购电功率的分析和上述相同，在此不再赘述。

下面对本发明实施例提供的工业园区能源中心的调度系统进行介绍，下文描述的工业园区能源中心的调度系统与工业园区能源中心的调度方法可相互对应参照。

请参考图8，图8为本发明实施例所提供的工业园区能源中心的调度系统的结构框图；该系统可以包括：

运行模型模块100，用于建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；

鲁棒模型模块200，用于根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型；

机会模型模块300，用于根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的机会模型；

第一解析模块400，用于根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法；

第二解析模块500，用于根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到机会调度方法。

可选的，所述鲁棒模型为：

max(α+β)

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t})\&le;{\mathrm{hF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1+\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{HP,t}=(1+\mathrm{\&beta;})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，h为决策者可接受的运行成本增加幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

可选的，所述机会模型为：

min(α+β)

$s.t.\left\{\begin{array}{c}min\left(\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\right(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t}\left)\right)\&le;{\mathrm{lF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1-\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{hp,t}=(1-\mathrm{\&beta;})h_t\end{array}\right.$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，l为决策者希望的运行成本降低幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

基于上述任意技术方案，该方法还包括：

输出模块，用于将鲁棒调度方法和机会调度方法以表格和/或曲线图的形式进行输出。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的工业园区能源中心的调度方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种工业园区能源中心的调度方法，其特征在于，包括：

建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；

根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型和机会模型；

根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法和机会调度方法。

2.如权利要求1所述的工业园区能源中心的调度方法，其特征在于，所述可控负荷为电动车辆。

3.如权利要求2所述的工业园区能源中心的调度方法，其特征在于，所述鲁棒模型为：

$\begin{array}{c}\max (\mathrm{\&alpha;}+\mathrm{\&beta;})\\ s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t})\&le;{\mathrm{hF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1+\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{HP,t}=(1+\mathrm{\&beta;})h_t\end{array}\right.\end{array}$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，h为决策者可接受的运行成本增加幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

4.如权利要求2所述的工业园区能源中心的调度方法，其特征在于，所述机会模型为：

$\begin{array}{c}\max (\mathrm{\&alpha;}+\mathrm{\&beta;})\\ s.t.\left\{\begin{array}{c}min\left(\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\right(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t}\left)\right)\&le;{\mathrm{lF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1-\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{hp,t}=(1-\mathrm{\&beta;})h_t\end{array}\right.\end{array}$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，l为决策者希望的运行成本降低幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

5.如权利要求3或4所述的工业园区能源中心的调度方法，其特征在于，还包括：

将鲁棒调度方法和机会调度方法以表格和/或曲线图的形式进行输出。

6.一种工业园区能源中心的调度系统，其特征在于，包括：

运行模型模块，用于建立确定性参数下工业园区能源中心内部优化的运行模型，并计算得到运行成本；

鲁棒模型模块，用于根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的鲁棒模型；

机会模型模块，用于根据所述运行模型，利用信息间隙决策理论IGDT，建立热负荷不确定性和电负荷不确定性的机会模型；

第一解析模块，用于根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到鲁棒调度方法；

第二解析模块，用于根据输入的设备热负荷参数，设备电负荷参数，可控负荷的参数，所述运行成本及运行成本幅度信息，利用CPLEX求解器分别求解鲁棒模型和机会模型，得到机会调度方法。

7.如权利要求6所述的工业园区能源中心的调度系统，其特征在于，所述鲁棒模型为：

$\begin{array}{c}\max (\mathrm{\&alpha;}+\mathrm{\&beta;})\\ s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t})\&le;{\mathrm{hF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1+\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{HP,t}=(1+\mathrm{\&beta;})h_t\end{array}\right.\end{array}$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，h为决策者可接受的运行成本增加幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

8.如权利要求6所述的工业园区能源中心的调度系统，其特征在于，所述机会模型为：

$\begin{array}{c}\max (\mathrm{\&alpha;}+\mathrm{\&beta;})\\ s.t.\left\{\begin{array}{c}min\left(\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\right(p_t{\mathrm{\&lambda;}}_{e,t}+g_{CHP,t}{\mathrm{\&lambda;}}_{g,t}\left)\right)\&le;{\mathrm{lF}}_0\\ p_t+p_{CHP,t}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{ch,k,t}{p}_{ch,k}+(1-\mathrm{\&alpha;})e_t+p_{HP,t}\\ h_{CHP,t}+h_{hp,t}=(1-\mathrm{\&beta;})h_t\end{array}\right.\end{array}$

其中，α为电负荷的信息间隙，β为热负荷的信息间隙，F₀为运行模型下的运行成本，l为决策者希望的运行成本降低幅度，p_t为t时刻工业园区的电功率；g_CHP,t为t时刻工业园区消耗天然气的速率；λ_e,t和λ_g,t分别为t时段的电价和气价；p_CHP,t和p_HP,t分别为t时刻CHP机组输出的电动率和热泵消耗的电功率；e_t为t时刻的常规电负荷；r_ch,k,t为工业园区内第k辆电动车辆的充电状态；p_ch,k为工业园区内第k辆电动车辆的额定充电功率；K为工业园区内电动车辆总数；h_CHP,t和h_HP,t分别为t时刻CHP机组和热泵输出的热功率；h_t为t时刻的热负荷。

9.如权利要求7或8所述的工业园区能源中心的调度方法，其特征在于，还包括：

输出模块，用于将鲁棒调度方法和机会调度方法以表格和/或曲线图的形式进行输出。