CN106356902A - 一种适用于能量互联网中多能协同综合能源网络的能量管理方法 - Google Patents

Abstract

本发明公开了一种适用于能量互联网中多能协同综合能源网络的能量管理方法，根据所应用的能源互联网多能协同综合能源网络的多能流能量平衡与设备运行等约束条件，将可再生能源发电设备出力、电热负荷需求、实时能源市场价格波动等预测变量的不确定性采用场景生成技术表达，建立运行总用能成本最低、分布式电源出力全额消纳的随机规划模型，运用模型预测控制原理实现滚动优化，所述管理策略采用一种包含输入层、求解层的两层加速求解结构求解，以确保能量管理具有快速在线求解的能力。

Description

一种适用于能量互联网中多能协同综合能源网络的能量管理 方法

技术领域

本发明涉及能量管理领域，具体涉及一种适用于能量互联网中多能协同综合能源网络的能量管理方法。

背景技术

随着能源领域供给侧结构性改革需求的突出，能源互联网通过构建包含信息通信基础设施的多能协同综合能源网络，提高能源综合利用效率、降低用能成本、促进可再生能源消纳。分布式能源设备、储能设备、相关预测模型、需求响应等技术的发展也为多能协同综合能源网络及其能量管理提供了更广阔的前景。目前相应的能量管理技术多集中于单一能源类型的系统中，针对多能协同网络的能量管理较少；且相关能量管理方法时间尺度单一，或不考虑多种随机性，能量管理还有进一步优化空间，而随机优化、滚动优化带来的计算速度显著下降的问题也直接影响能量管理的实用性能。

发明内容

发明目的：针对上述现有技术，提出一种适用于能量互联网中多能协同综合能源网络的能量管理方法，实现能源互联网中多能协同综合能源网络的运行总用能成本最低以及分布式电源出力全额消纳。

技术方案：一种适用于能量互联网中多能协同综合能源网络的能量管理方法，包括如下步骤：

步骤(1)，在能量管理中心设置包含随机优化与滚动优化的目标函数，所述目标函数以运行总用能成本最低以及分布式电源出力全额消纳为目标，并给出所应用的多能协同综合能源网络的多能流供需平衡以及设备运行约束条件；

步骤(2)，实时监测并上传多能协同综合能源网络数据到能量管理中心，数据包括本地信息、外部信息以及参与需求响应的负荷类型信息；

步骤(3)，将步骤(2)采集的数据输入随机变量的预测模型，具有随机预测模型的输入变量包括可再生能源发电单元出力、电热负荷需求和实时能源市场价格，结合历史数据库，生成各输入变量在滚动优化时域[t,t+N]内对应的场景集，每个场景集包括可能发生场景的预测值及其发生概率；

步骤(4)，执行包含输入层和求解层的两层加速求解策略，首先将步骤(3)中生成随机变量场景同步回代削减，提高描述效率，将获得的最优场景集进行代入步骤(1)中的目标函数内，执行求解层加速策略，应用基于Benders分解策略衍生的快速求解方法，求解得到每个输出变量在时域[t,t+N]内各时刻的控制指令序列；

步骤(5)，将步骤(4)解算到的t时刻的控制指令序列下发各设备执行；

步骤(6)，下一时刻，重复步骤(2)～(5)。

进一步的，所述步骤(1)中的多能流供需平衡约束条件如下：

$\left[\begin{array}{c}{E}_{d,t}\\ H_{d,t}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\η}}_{ce,t}{X}_{c,t}& 0& E_r& -1\\ {\mathrm{\η}}_{ch,t}{X}_{c,t}& {\mathrm{\η}}_l& 0& {\mathrm{\η}}_h\end{array}\right]\left[\begin{array}{c}{G}_{c,t}\\ G_{l,t}\\ {\mathrm{\γ}}_{r,t}\\ E_{h,t}\end{array}\right]+\left[\begin{array}{c}{E}_{ex,t}+E_{b,t}\\ H_{s,t}\end{array}\right]$

式中，E_d,t，H_d,t分别为任意t时刻电热负荷需求；η_ce,t，η_ch,t分别为任意t时刻热电联供系统电转换效率和热转换效率；X_c,t为二元变量，取1时表示热电联供系统工作，取0时表示热电联供系统关停；η_l，η_h分别为燃气锅炉的气-热转换效率和电动热泵的电-热转换效率；γ_r,t为决定任意t时刻可再生分布式电源外部环境参数；G_c,t，G_l,t分别为热任意t时刻电联供系统和燃气锅炉的耗气量；E_h,t为电动热泵耗电量；E_r为可再生能源发电单元的额定容量；E_ex,t，E_b,t，H_s,t分别为任意t时刻外电网输入电量，储电单元充放电量和储热单元充放热量；

所述目标函数为：

$\begin{array}{cc}min& \underset{k=t}{\overset{t+N}{\Σ}}\[{\mathrm{\λ}}_{f,k}{G}_{g,k}{X}_{g,k}+F(X_{g,k-1},X_{g,k})+\underset{r=1}{\overset{N_r}{\Σ}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\Σ}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\Σ}}{p}_{p,k}({\mathrm{\λ}}_{ex,k}{E}_{ex,k}^{r,l,p}+{\mathrm{\λ}}_{f,k}{G}_{l.k}^{r,l,p}+{\mathrm{\λ}}_{c,k}{E}_{c,k}^{r,l,p})\]\end{array}$

式中，k为[t,t+N]时段内的各时刻；N_r，N_l，N_p分别为可再生能源发电单元出力、电热负荷需求、实时能源市场价格可能发生的所有场景集，p_r,k，p_l,k，p_p,k分别为k时刻第r、l、p个场景发生概率；分别为场景对应的综合能源网络整体购买的电量，燃气锅炉用气量和需求响应切除的负荷电量；F为判断热电联供系统启停状态是否发生变化的罚函数；G_g,k为热电联供系统用气量；X_g,k为k时刻热电联供系统的工作状态，0为关闭，1为启动；X_g,k-1为上一时刻热电联供系统的工作状态，0为关闭，1为启动；λ_f,k为k时刻天然气价格；λ_c,k为需求响应切除负荷时给予的用户补贴价格；λ_ex,k为k时刻电价。

进一步的，所述步骤(4)中，应用两层加速求解结构求解得到每个输出变量在时域[t,t+N]内各时刻的控制指令序列；其中，第一层加速为将步骤(3)中生的成随机变量场景同步回代削减，具体步骤为：

a)，设置初始化参数，迭代次数计为m，第m次迭代计算时被删除的场景集记为Ω_m，其中，Ω₀为空集；

b)，令迭代次数m＝1，计算第m次迭代时删除的场景ω_m,k,使得该场景可以满足取得最小值，在保留的场景集中删除该场景，并将该场景计入Ω_m；

c)，判断步骤b)中获得的最小值是否大于削减精度σ，若大于，则返回步骤b)，m＝m+1；若小于等于，则迭代停止，进入下一步骤；

d)，被删除的场景集中的场景将由留下来的场景集中距离最近的场景代替，并相应修正保留场景的概率为两者之和。

第二层加速为基于Benders分解的求解层加速，具体步骤为：

a)，设置初始参数，记迭代次数b＝1，Benders割θ初始赋值0，收敛条件上界UB＝+∞，下界LB＝-∞，，主问题MP、随机场景下的子问题SP_r,l,p表达式如下：

$MP=min\{\underset{k=t}{\overset{t+N}{\Σ}}\[{\mathrm{\λ}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+F(X_{g,k-1},X_{g,k}^{\left(b\right)})\]+\mathrm{\θ}\}$

${\mathrm{SP}}_{r,l,p}=min\{\underset{k=t}{\overset{t+N}{\Σ}}\[{\mathrm{\λ}}_{ex,k}{E}_{ex,k}^{r,l,p,\left(b\right)}+{\mathrm{\λ}}_{f,k}{G}_{l,k}^{r,l,p,\left(b\right)}+{\mathrm{\λ}}_{c,k}{E}_{c,k}^{r,l,p,\left(b\right)}\]\}$

$\mathrm{\θ}\≥\underset{r=1}{\overset{N_r}{\Σ}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\Σ}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\Σ}}{p}_{p,k}\[{\mathrm{SP}}_{r,l,p}-({\mathrm{\λ}}_{ex,k}{E}_{ex,k}^{r,l,p,\left(b\right)}+{\mathrm{\λ}}_{f,k}{G}_{l,k}^{r,l,p,\left(b\right)}+{\mathrm{\λ}}_{c,k}{E}_{c,k}^{r,l,p,\left(b\right)})\]$

式中，分别为第b次迭代时k时刻的CHP用气量和CHP工作状态； 分别为第b次迭代时各场景对应的综合能源网络整体购买的电量，燃气锅炉用气量和需求响应切除的负荷电量；

b)，求解主问题，得第b次迭代时的可行解并更新下域值LB：，

$LB=\underset{k=t}{\overset{t+N}{\Σ}}\[{\mathrm{\λ}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+F(X_{g,k-1},X_{g,k}^{\left(b\right)})\]+\mathrm{\θ}$

c)，将代入每个场景下的子问题，求解第(b+1)次迭代的优化解 并更新上域值UB，即

$UB={\mathrm{\λ}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+S(X_{g,k-1},X_{g,k}^{\left(b\right)})+\underset{r=1}{\overset{N_r}{\Σ}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\Σ}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\Σ}}{p}_{p,k}({\mathrm{\λ}}_{ex,k}{E}_{ex,k}^{r,l,p,(b+1)}+{\mathrm{\λ}}_{f,k}{G}_{l,k}^{r,l,p,(b+1)}+{\mathrm{\λ}}_{c,k}{E}_{c,k}^{r,l,p,(b+1)})$

d)，判断收敛条件：UB-LB≤ξ，ξ为预设的小常数；若收敛条件成立，则得到最优解；否则，迭代次数b加1后返回步骤b)。

有益效果：本发明的一种适用于能量互联网中多能协同综合能源网络的能量管理方法，根据所应用的能源互联网多能协同综合能源网络的多能流能量平衡与设备运行等约束条件，将可再生能源发电设备出力、电热负荷需求、实时能源市场价格波动等预测变量的不确定性采用场景生成技术表达，建立运行总用能成本最低、分布式电源出力全额消纳的随机规划模型，运用模型预测控制原理实现滚动优化，所述管理策略采用一种包含输入层、求解层的两层加速求解结构求解，以确保能量管理具有快速在线求解的能力。

附图说明

图1是本发明方法的流程图；

图2是多能协同综合能源网络的结构示意图；

图3是包含所述能量管理方法的多能协同综合能源网络示意图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

如图2所示，一个包含电、热、气的多能协同综合能源网络由分布于同一区域内的电力子系统、热力子系统、天然气子系统和多能源耦合元件组成。耦合元件实现子系统之间的耦合与作用，通过消耗系统中的一种或多种能源来产生其他能源，典型耦合元件设备包括热电联供系统(CHP)、电动热泵(EHP)、燃气锅炉、可再生能源发电单元(RES)；非耦合元件一般针对单一能源的生产、使用和存储，通过耦合元件对其他系统产生影响，典型非耦合元件包括子系统内部的负荷、储能设备。按照能源互联网的建设要求及相关装置的普及应用，系统具有健全的信息通信基础设施与控制模块。

如图1所示，一种适用于能量互联网中多能协同综合能源网络的能量管理方法，包括如下步骤：

步骤(1)，给出多能协同综合能源网络的多能流供需平衡以及设备运行约束条件。

多能源子系统间供需平衡是多能协同综合能源网络运行的先决条件。为满足任意t时刻用电需求E_d,t与用热需求H_d,t，多能流供需平衡约束条件为：

$\left[\begin{array}{c}{E}_{d,t}\\ H_{d,t}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\η}}_{ce,t}{X}_{c,t}& 0& E_r& -1\\ {\mathrm{\η}}_{ch,t}{X}_{c.t}& {\mathrm{\η}}_l& 0& {\mathrm{\η}}_h\end{array}\right]\left[\begin{array}{c}{G}_{c,t}\\ G_{l,t}\\ {\mathrm{\γ}}_{r,t}\\ E_{h,t}\end{array}\right]+\left[\begin{array}{c}{E}_{ex,t}+E_{b,t}\\ H_{s,t}\end{array}\right]---\left(1\right)$

式中，E_d,t，H_d,t分别为任意t时刻用电需求与用热需求；η_ce,t，η_ch,t分别为任意t时刻热电联供系统电转换效率和热转换效率；X_c,t为二元变量，取1时表示CHP工作，取0时表示CHP关停；η_l，η_h分别为燃气锅炉的气-热转换效率和电动热泵的电-热转换效率；γ_r,t为决定任意t时刻RES外部环境参数；G_c,t，G_l,t分别为热任意t时刻CHP和燃气锅炉的耗气量；E_h,t为电动热泵耗电量；E_r为可再生能源发电单元额定容量；E_ex,t，E_b,t，H_s,t分别为任意t时刻外电网输入电量，储电单元充放电量和储热单元充放热量。

设备运行约束条件如下：

a)CHP常用燃气轮机实现，其效率随负荷过低而降低，控制其避免工作在低功率状态。约束条件为：

$\begin{array}{c}{G}_{c\min }\≤G_{c,t}\≤G_{c\max }\\ {\mathrm{\η}}_c={\mathrm{\η}}_{ce,t}+{\mathrm{\η}}_{ch,t}\end{array}---\left(2\right)$

式中：η_c为CHP工作效率，在要求的工作区间[G_cmin,G_cmax]内，总效率可近似认为保持在给定恒值，G_cmin为这一工作区间内CHP消耗的最小天然气量，G_cmax为这一工作区间内CHP消耗的最大天然气量；

b)燃气锅炉是常用供热设备，以补充CHP供热不足或优化系统供热组成，约束条件为：

0≤H_l,t≤H_lmax (3)

式中：H_l,t为燃气锅炉的供热量；H_lmax为燃气锅炉的最大输出热量。

c)EHP用电驱动热泵空气模块，约束条件为：

E_hmin≤E_h,t≤E_hmax (4)

式中：H_hmin，H_hmax分别为EHP最小和最大功率。

d)可再生能源发电单元以风机为例，约束条件为：

${\mathrm{\&gamma;}}_{r,t}=\left\{\begin{array}{cc}0& 0\&le;v_t\&le;v_{in},v_t>v_{out}\\ (v_t-v_{in})/(v_r-v_{in})& v_{in}<v_t\&le;v_r\\ 1& v_r<v_t\&le;v_{out}\end{array}\right.---\left(5\right)$

式中：v_t为风机安装位置的实际风速；v_in，v_out，v_r分别为切入风速，切出风速与额定风速。

e)储电单元以电池储能系统(BESS)为例，一般看作线性时不变模型，并通过约束蓄电状态(SOE)来延长使用寿命，约束条件为：

$\begin{array}{c}{\mathrm{SOE}}_{b,t}=\left\{\begin{array}{cc}{\mathrm{SOE}}_{b,t-1}{\mathrm{\&eta;}}_b+E_{b,t}{\mathrm{\&eta;}}_{bc}& E_{b,t}\&GreaterEqual;0\\ {\mathrm{SOE}}_{b,t-1}{\mathrm{\&eta;}}_b-E_{d,t}/{\mathrm{\&eta;}}_{bd}& E_{b,t}<0\end{array}\right.\\ {\mathrm{SOE}}_{\min }\&le;{\mathrm{SOE}}_{b,t}\&le;{\mathrm{SOE}}_{\max }\\ E_{d\max }\&le;E_{b,t}\&le;E_{c\max }\end{array}---\left(6\right)$

式中：SOE_b,t，SOE_b,t-1，SOE_min，SOE_max分别为当前蓄电状态，上一时刻蓄电状态，最小蓄电状态和最大蓄电状态；考虑电池的自放电损失，效率记为η_b；η_bc，η_bd分别为充电效率和放电效率；充放电量E_b,t受最大充电功率E_cmax和最大放电功率E_dmax约束，以充电为正方向。

f)储热单元以储热水箱为例，约束条件为：

$\begin{array}{c}{C}_{s,t}=\left\{\begin{array}{cc}{C}_{s,t-1}{\mathrm{\&eta;}}_s+H_{s,t}{\mathrm{\&eta;}}_{sc}& H_{s,t}\&GreaterEqual;0\\ C_{s,t-1}{\mathrm{\&eta;}}_s-H_{s,t}/{\mathrm{\&eta;}}_{sd}& H_{s,t}<0\end{array}\right.\\ C_{\min }\&le;C_{s,t}\&le;C_{\max }\\ H_{d\max }\&le;H_{s,t}\&le;H_{c\max }\end{array}---\left(7\right)$

式中：C_s,t，C_s,t-1分别为当前蓄热状态，前一时刻蓄热状态；水箱的热能耗散效率记为η_s；η_sc，η_sd分别为储热效率和放热效率；充放热量H_s,t受最大蓄热容量H_cmax和最大放热容量H_dmax约束，以蓄热为正方向。C_min为额定最小蓄热量，C_max为额定最大蓄热量。

g)负荷的需求响应。分为可削减负荷E_c,t，如空调、新风系统、冰箱等，以及可时延负荷在滚动优化时域[t,t+N]内的总用能需求E_z,tN，如电动汽车、洗衣机等，约束条件为：

$\begin{array}{c}0\&le;E_{c,t}\&le;E_{c\_\max ,t}\\ E_{z,ctr,t}\&Element;\{0,E_{z,t}\}\\ E_{z,tN}=\underset{t=t}{\overset{t+N}{\&Sigma;}}{E}_{z,ctr,t}\end{array}---\left(8\right)$

式中：为可削减负荷最大切除负荷量；E_z,ctr,t为可时延负荷在单个采样周期内用电量；E_z,t为可时延负荷功率。

包含随机优化的目标函数以滚动优化时域[t,t+N]内总用能成本支出最小、分布式电源全额消纳为目标，兼顾价格调节下的削峰能力，表达式为：

$\begin{array}{cc}min& \underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{f,k}{G}_{g,k}{X}_{g,k}+F(X_{g,k-1},X_{g,k})+\underset{r=1}{\overset{N_r}{\&Sigma;}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\&Sigma;}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\&Sigma;}}{p}_{p,k}({\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p}+{\mathrm{\&lambda;}}_{f,k}{G}_{l.k}^{r,l,p}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p})\&rsqb;\end{array}---\left(9\right)$

式中，k为[t,t+N]时段内的各时刻；N_r，N_l，N_p分别为可再生能源发电单元出力、负荷需求、实时能源市场价格在滚动优化时域[t,t+N]内可能发生的所有场景集，p_r,k，p_l,k，p_p,k分别为第r、l、p个场景发生概率；分别为场景对应的综合能源网络整体购买的电量，燃气锅炉用气量和需求响应切除的负荷电量；F为判断热电联供系统启停状态是否发生变化的罚函数；G_g,k为CHP用气量；X_g,k为k时刻CHP的工作状态，0为处于关停状态，1为处于工作状态；X_g,k-1为上一时刻CHP的工作状态，0为处于关停状态，1为处于工作状态；λ_f,k为k时刻的天然气价格；λ_c,k为需求响应切除负荷时给予的用户补贴价格；λ_ex,k为k时刻电价。目标函数中的输出变量即为G_g,k、X_g,k、G_c,t，G_l,t，E_ex,t，E_b,t，H_s,t，E_h,t，即公式(1)约束条件的可控部分。

步骤(2)，实时监测并上传多能协同综合能源网络数据到能量管理中心，数据包括本地信息、外部信息以及参与需求响应的负荷类型信息。本地信息包括可再生能源安装地点气象数据、可再生能源发电设备工作状态、本地多能耦合设备工作状态、分布式储能单元蓄能状态、电热负荷单元的热电负荷需求及可控信息；外部信息包括外部电、气网络的实时价格、削峰指令；参与需求响应的负荷类型信息包括可削减负荷(如空调等)与可时延负荷(如电动汽车等)。

步骤(3)，将步骤(2)采集的数据输入预先设置的可预测随机变量的预测模型，预测模型的输入变量包括可再生能源发电单元出力、热电负荷需求和实时能源市场价格，结合历史数据库，生成各输入变量在滚动优化时域[t,t+N]内对应的场景集，每个场景集包括可能发生场景的预测值及其概率，其中概率对应为p_r,k，p_l,k，p_p,k。所需预测模型包括风速、光照、电负荷、热负荷和能源市场实时价格。

本实施例以风速v_t为例说明。常见的自回归滑动平均(ARMA)模型表达为：

${\mathrm{\&upsi;}}_t=\underset{p}{\&Sigma;}{\mathrm{\&phi;}}_p\&CenterDot;{\mathrm{\&upsi;}}_{t-p}+{\mathrm{\&epsiv;}}_t+\underset{q}{\&Sigma;}{\mathrm{\&phi;}}_q\&CenterDot;{\mathrm{\&epsiv;}}_{t-q}---\left(10\right)$

式中：p，q分别为模型自回归及滑动平均部分的阶数；{v_t,v_t-1,…v_t-p}为v_t的时间序列；φ_p,φ_q为自回归系数；{ε_t,ε_t-1,…ε_t-q}为误差序列；上述自回归系数、误差序列通过拟合实际历史数据获得。在此基础上，利用蒙特卡洛模拟法对场景采样，获得初始的风速场景集合S_v。

步骤(4)，将输入变量代入步骤(1)中的目标函数内，求解得到每个输出变量在时域[t,t+N]内各时刻的控制指令序列。考虑多种随机变量的场景数是相乘的关系，而滚动优化使得求解规模随着场景数量的增加也会显著增加，计算效率受到显著制约。为提高能量管理的在线求解速度，设计并应用两层加速求解结构。

其中，第一层加速针对求解变量，将步骤(3)中生成随机变量场景同步回代削减，提高描述效率。采用基于最大削减策略的同步回代场景削减技术，在保证覆盖率同时，得到一组与初始场景分布概率相近度符合要求的最优场景集。定义k时刻场景ω_i,k与场景ω_j,_k之间的距离c_k(ω_i,k,ω_j,k)为：

c_k(ω_i,k,ω_j,k)＝||ω_i,k-ω_j,k|| k＝t,t+1,…,t+N (11)

以步骤(3)中生成的初始风速场景集S_v为例描述最大削减策略，其他随机预测模型，如电热负荷、能源市场实时价格等，其场景削减方法与此相同。

最大削减策略要求缩减前后场景集之间的概率距离最小，符合预定义的削减精度σ约束，以Ω表示最终删除的场景集：

$\underset{i\&Element;\mathrm{\&Omega;}}{\&Sigma;}{p}_{i,k}\&CenterDot;\underset{j\&NotElement;\mathrm{\&Omega;}}{min}{c}_k({\mathrm{\&omega;}}_{i,k},{\mathrm{\&omega;}}_{j,k})\&le;\mathrm{\&sigma;}---\left(12\right)$

式中：ω_i,k为初始风速场景集中的任一场景；ω_j,_k为缩减后风速最优场景集中的任一场景p_i,k为第i个风速场景在k时刻的发生概率。

为实现式(11)，采用同步回代场景削减过程，具体步骤如下：

a)，设置初始化参数，迭代次数计为m，第m次迭代计算时被删除的场景集记为Ω_m，其中，Ω₀为空集；

b)，令迭代次数m＝1，计算第1次迭代时删除的场景ω_m,k可以使取得最小值，在保留的场景集中删除该场景，并将该场景计入Ω_m；

c)，判断步骤b)中获得的最小值是否大于削减精度σ，若大于，则返回步骤b)，m＝m+1；若小于等于，则迭代停止，进入下一步骤；

d)，被删除的场景集中的场景将由留下来的场景集中距离最近的场景代替，并相应修正保留场景的概率为两者之和。

第二层加速针对求解方法，应用Benders分解的并行计算能力，加快目标函数的计算速度。将Benders分解方法应用于上述随机优化过程的具体步骤为：

a)，设置初始参数，记迭代次数b＝1，Benders割θ初始赋值0，收敛条件上界UB＝+∞，下界LB＝-∞，，主问题MP、随机场景下的子问题SP_r,l,p表达式如下：

$MP=min\{\underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+F(X_{g,k-1},X_{g,k}^{\left(b\right)})\&rsqb;+\mathrm{\&theta;}\}$

${\mathrm{SP}}_{r,l,p}=min\{\underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{f,k}{G}_{l,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p,\left(b\right)}\&rsqb;\}$

$\mathrm{\&theta;}\&GreaterEqual;\underset{r=1}{\overset{N_r}{\&Sigma;}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\&Sigma;}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\&Sigma;}}{p}_{p,k}\&lsqb;{\mathrm{SP}}_{r,l,p}-({\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{f,k}{G}_{l,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p,\left(b\right)})\&rsqb;$

式中，分别为第b次迭代时k时刻的CHP用气量和CHP工作状态； 分别为第b次迭代时各场景对应的综合能源网络整体购买的电量，燃气锅炉用气量和需求响应切除的负荷电量；

b)，求解主问题，得第b次迭代时的可行解并更新下域值LB：，

$LB=\underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+F(X_{g,k-1},X_{g,k}^{\left(b\right)})\&rsqb;+\mathrm{\&theta;}$

c)，将代入每个场景下的子问题，求解第(b+1)次迭代的优化解 并更新上域值UB，即

$UB={\mathrm{\&lambda;}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+S(X_{g,k-1},X_{g,k}^{\left(b\right)})+\underset{r=1}{\overset{N_r}{\&Sigma;}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\&Sigma;}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\&Sigma;}}{p}_{p,k}({\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p,(b+1)}+{\mathrm{\&lambda;}}_{f,k}{G}_{l,k}^{r,l,p,(b+1)}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p,(b+1)})$

d)，判断收敛条件：UB-LB≤ξ，ξ为预设的小常数；若收敛条件成立，则得到最优解；否则，迭代次数b加1后返回步骤b)。

步骤(5)，下发仅作用于当前t时刻的控制指令。将上述目标函数求解得到的设备出力、储能充放能动作、削减负荷、时延负荷等控制指令下发各设备执行。需注意的是，在滚动优化方法中，求解目标函数得到的是从当前时刻t到滚动优化时t+N内每个时刻的控制指令序列，但仅执行当前时刻的控制指令。

步骤(6)，下一时刻，重复步骤(2)～(5)。

以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种适用于能量互联网中多能协同综合能源网络的能量管理方法，其特征在于，包括如下步骤：

步骤(1)，在能量管理中心设置包含随机优化与滚动优化的目标函数，所述目标函数以运行总用能成本最低以及分布式电源出力全额消纳为目标，并给出所应用的多能协同综合能源网络的多能流供需平衡以及设备运行约束条件；

步骤(2)，实时监测并上传多能协同综合能源网络数据到能量管理中心，数据包括本地信息、外部信息以及参与需求响应的负荷类型信息；

步骤(3)，将步骤(2)采集的数据输入随机变量的预测模型，具有随机预测模型的输入变量包括可再生能源发电单元出力、电热负荷需求和实时能源市场价格，结合历史数据库，生成各输入变量在滚动优化时域[t,t+N]内对应的场景集，每个场景集包括可能发生场景的预测值及其发生概率；

步骤(4)，执行包含输入层和求解层的两层加速求解策略，首先将步骤(3)中生成随机变量场景同步回代削减，提高描述效率，将获得的最优场景集进行代入步骤(1)中的目标函数内，执行求解层加速策略，应用基于Benders分解策略衍生的快速求解方法，求解得到每个输出变量在时域[t,t+N]内各时刻的控制指令序列；

步骤(5)，将步骤(4)解算到的t时刻的控制指令序列下发各设备执行；

步骤(6)，下一时刻，重复步骤(2)～(5)。

2.根据权利要求1所述的适用于能量互联网中多能协同综合能源网络的能量管理方法，其特征在于：所述步骤(1)中的多能流供需平衡约束条件如下：

$\left[\begin{array}{c}{E}_{d,t}\\ H_{d,t}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\&eta;}}_{ce,t}{X}_{c,t}& 0& E_r& -1\\ {\mathrm{\&eta;}}_{ch,t}{X}_{c,t}& {\mathrm{\&eta;}}_l& 0& {\mathrm{\&eta;}}_h\end{array}\right]\left[\begin{array}{c}{G}_{c,t}\\ G_{l,t}\\ {\mathrm{\&gamma;}}_{r,t}\\ E_{h,t}\end{array}\right]+\left[\begin{array}{c}{E}_{ex,t}+E_{b,t}\\ H_{s,t}\end{array}\right]$

式中，E_d,t，H_d,t分别为任意t时刻电热负荷需求；η_ce,t，η_ch,t分别为任意t时刻热电联供系统电转换效率和热转换效率；X_c,t为二元变量，取1时表示热电联供系统工作，取0时表示热电联供系统关停；η_l，η_h分别为燃气锅炉的气-热转换效率和电动热泵的电-热转换效率；γ_r,t为决定任意t时刻可再生分布式电源外部环境参数；G_c,t，G_l,t分别为热任意t时刻电联供系统和燃气锅炉的耗气量；E_h,t为电动热泵耗电量；E_r为可再生能源发电单元的额定容量；E_ex,t，E_b,t，H_s,t分别为任意t时刻外电网输入电量，储电单元充放电量和储热单元充放热量；

所述目标函数为：

$\begin{array}{cc}min& \underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{f,k}{G}_{g,k}{X}_{g,k}+F(X_{g,k-1},X_{g,k})+\underset{r=1}{\overset{N_r}{\&Sigma;}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\&Sigma;}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\&Sigma;}}{p}_{p,k}({\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p}+{\mathrm{\&lambda;}}_{f,k}{G}_{l,k}^{r,l,p}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p})\&rsqb;\end{array}$

式中，k为[t,t+N]时段内的各时刻；N_r，N_l，N_p分别为可再生能源发电单元出力、电热负荷需求、实时能源市场价格可能发生的所有场景集，p_r,k，p_l,k，p_p,k分别为k时刻第r、l、p个场景发生概率；分别为场景对应的综合能源网络整体购买的电量，燃气锅炉用气量和需求响应切除的负荷电量；F为判断热电联供系统启停状态是否发生变化的罚函数；G_g,k为热电联供系统用气量；X_g,k为k时刻热电联供系统的工作状态，0为关闭，1为启动；X_g,k-1为上一时刻热电联供系统的工作状态，0为关闭，1为启动；λ_f,k为k时刻天然气价格；λ_c,k为需求响应切除负荷时给予的用户补贴价格；λ_ex,k为k时刻电价。

3.根据权利要求1所述的适用于能量互联网中多能协同综合能源网络的能量管理方法，其特征在于：所述步骤(4)中，应用两层加速求解结构求解得到每个输出变量在时域[t,t+N]内各时刻的控制指令序列；其中，第一层加速为将步骤(3)中生的成随机变量场景同步回代削减，具体步骤为：

a)，设置初始化参数，迭代次数计为m，第m次迭代计算时被删除的场景集记为Ω_m，其中，Ω₀为空集；

b)，令迭代次数m＝1，计算第m次迭代时删除的场景ω_m,k,使得该场景可以满足取得最小值，在保留的场景集中删除该场景，并将该场景计入Ω_m；

c)，判断步骤b)中获得的最小值是否大于削减精度σ，若大于，则返回步骤b)，m＝m+1；若小于等于，则迭代停止，进入下一步骤；

d)，被删除的场景集中的场景将由留下来的场景集中距离最近的场景代替，并相应修正保留场景的概率为两者之和。

第二层加速为基于Benders分解的求解层加速，具体步骤为：

a)，设置初始参数，记迭代次数b＝1，Benders割θ初始赋值0，收敛条件上界UB＝+∞，下界LB＝-∞，，主问题MP、随机场景下的子问题SP_r,l,p表达式如下：

$MP=min\{\underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+F(X_{g,k-1},X_{g,k}^{\left(b\right)})\&rsqb;+\mathrm{\&theta;}\}$

${\mathrm{SP}}_{r,l,p}=min\{\underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{f,k}{G}_{l,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p,\left(b\right)}\&rsqb;\}$

$\mathrm{\&theta;}\&GreaterEqual;\underset{r=1}{\overset{N_r}{\&Sigma;}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\&Sigma;}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\&Sigma;}}{p}_{p,k}\&lsqb;{\mathrm{SP}}_{r,l,p}-({\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{f,k}{G}_{l,k}^{r,l,p,\left(b\right)}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p,\left(b\right)})\&rsqb;$

式中，分别为第b次迭代时k时刻的CHP用气量和CHP工作状态； 分别为第b次迭代时各场景对应的综合能源网络整体购买的电量，燃气锅炉用气量和需求响应切除的负荷电量；

b)，求解主问题，得第b次迭代时的可行解并更新下域值LB：，

$LB=\underset{k=t}{\overset{t+N}{\&Sigma;}}\&lsqb;{\mathrm{\&lambda;}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+F(X_{g,k-1},X_{g,k}^{\left(b\right)})\&rsqb;+\mathrm{\&theta;}$

c)，将代入每个场景下的子问题，求解第(b+1)次迭代的优化解 并更新上域值UB，即

$UB={\mathrm{\&lambda;}}_{f,k}{G}_{g,k}^{\left(b\right)}{X}_{g,k}^{\left(b\right)}+S(X_{g,k-1},X_{g,k}^{\left(b\right)})+\underset{r=1}{\overset{N_r}{\&Sigma;}}{p}_{r,k}\underset{l=1}{\overset{N_l}{\&Sigma;}}{p}_{l,k}\underset{p=1}{\overset{N_p}{\&Sigma;}}{p}_{p,k}({\mathrm{\&lambda;}}_{ex,k}{E}_{ex,k}^{r,l,p,(b+1)}+{\mathrm{\&lambda;}}_{f,k}{G}_{l,k}^{r,l,p,(b+1)}+{\mathrm{\&lambda;}}_{c,k}{E}_{c,k}^{r,l,p,(b+1)})$

d)，判断收敛条件：UB-LB≤ξ，ξ为预设的小常数；若收敛条件成立，则得到最优解；否则，迭代次数b加1后返回步骤b)。