CN107133840A - 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 - Google Patents
一种面向电供热取暖促进风电就地消纳的多风场竞价方法 Download PDFInfo
- Publication number
- CN107133840A CN107133840A CN201710211189.2A CN201710211189A CN107133840A CN 107133840 A CN107133840 A CN 107133840A CN 201710211189 A CN201710211189 A CN 201710211189A CN 107133840 A CN107133840 A CN 107133840A
- Authority
- CN
- China
- Prior art keywords
- wind
- mrow
- msub
- heat storage
- electric boiler
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000008030 elimination Effects 0.000 title claims abstract description 11
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 11
- 238000005338 heat storage Methods 0.000 claims abstract description 147
- 239000002245 particle Substances 0.000 claims abstract description 64
- 230000002860 competitive effect Effects 0.000 claims description 32
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/10—Energy trading, including energy flowing from end-user application to grid
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Wind Motors (AREA)
Abstract
本发明一种面向电供热取暖促进风电就地消纳的多风场竞价方法,属于电力系统技术领域,该方法以蓄热式电锅炉系统的耗电成本最小为目标,根据蓄热式电锅炉系统的热负荷需求,利用风场提供的弃风功率预测数据和报价图,采用的粒子群算法进行优化,实现了在多风场竞价模式下蓄热式电锅炉系统的最小耗电成本。这种竞价方法可以促进风电场弃风电量的消纳,提高售电收益,有利于风电的就地消纳,同时还能够提高电网公司低谷时段的输电资产利用率、有效降低蓄热式电锅炉系统的购电成本。因此,本发明能够有效促进北方冬季供热地区电供热取暖的推广应用。
Description
技术领域
本发明属于电力系统技术领域,特别是涉及一种面向电供热取暖促进风电就地消纳的多风场竞价方法。
背景技术
我国风能资源丰富,风电行业发展迅速,截止到2016年底,全国的风电装机容量已经达14864万千瓦。在高速发展的同时,由于我国风电主要集中在电网灵活性较差的三北地区,风电外送困难,导致了严重的弃风问题。近年来,我国北方地区冬季供暖带来了严重的环境问题,雾霾污染已经干扰了人们正常的生产和生活,解决雾霾问题刻不容缓。为解决我国北方地区的风电消纳和雾霾污染问题,国家已经出台了一系列措施,明确提出要尝试推广弃风电力供热,促进电负荷向热负荷的转化。
利用蓄热式电锅炉系统消纳弃风电力是相关领域的一个研究热点,针对目前采用的蓄热式电锅炉系统供热消纳弃风的方案进行了研究,建立了电力市场背景下蓄热式电锅炉采暖系统的经济性评估模型,分析了弃风电价对系统经济性的关键作用,现有研究成果表明蓄热式电锅炉系统的购电价格是决定其经济性和推广应用的关键核心因素。目前,我国北方地区蓄热式电锅炉的建设和运行模式比较单一。一方面,火电厂为了深度调峰建设的蓄热式电锅炉系统主要用于改善火电厂的调峰特性;另一方面,用于消纳启风电力的蓄热式电锅炉大多由风电场投资建设。投资主体决定了蓄热式电锅炉的运行模式,现有模式下蓄热式电锅系统炉依附于投资主体,并不具有独立的盈利能力,限制了弃风电力供热的推广应用。
现有蓄热式电锅炉运行模式,风电场弃风发电全部送入电网,蓄热式电锅炉系统向电网公司买电,通过储能装置的调节作用,使得电锅炉的运行能够满足风电的随机性和波动性的要求;最后,蓄热式电锅炉系统将热量输送至供热公司,完成供热需求,如图1所示。现有运行模式下,风电场与蓄热式电锅炉系统的收益是作为一个整体考虑的,该收益包括风电场弃风卖电的费用、蓄热式电锅炉系统向电网购电的费用和其卖热所得的收入,现有模式下蓄热式电锅炉系统依附于投资主体,并不具有独立的盈利能力,限制了弃风电力供热的推广应用,随着新一轮电力市场化改革的持续深入,为了在北方冬季供热地区推广蓄热式电锅炉系统缓解弃风和雾霾污染问题,需要鼓励独立主体投资建设蓄热式电锅炉项目。
因此现有技术当中亟需要一种新的技术方案来解决这一问题。
发明内容
本发明所要解决的技术问题是:提供了一种面向电供热取暖促进风电就地消纳的多风场竞价方法,本发明以蓄热式电锅炉系统的耗电成本最小为目标函数,考虑能量平衡约束、风电场弃风电量约束及蓄热式电锅炉系统供热合约约束约束条件,实现了在多风场竞价下,蓄热式电锅炉系统耗电成本最小的运营模式。
为实现上述目的,本发明提出了一种面向电供热取暖促进风电就地消纳的多风场竞价方法,其特征在于,包括风电场、交易中心和蓄热式电锅炉系统,其中风电场数量为复数个,
具体包括以下步骤:
步骤1、风电场与电网公司建立过网合约,确定弃风电量上网的过网费用,并将其作为过网成本计入报价中;
步骤2、交易中心分别与风电场及蓄热式电锅炉系统建立通信连接,其中风电场向交易中心发送其预测的弃风功率曲线图和报价图,蓄热式电锅炉系统向交易中心发送购电请求;
步骤3、交易中心以蓄热式电锅炉系统购电成本最小为目标,根据目标函数及约束条件,建立多风场竞价模型,采用粒子群算法得到竞价结果;
①基于多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数为
式(1)中,minF表示基于多风场竞价模型的蓄热式电锅炉系统的最小购电成本;Wi t表示t时段风电场i的弃风电量,风电场未参与供电时,其值为0;ci表示风电场i的单位电价报价;m表示参与竞价的风电场个数;T为弃风时段;
②多风场竞价模型的约束条件包括:
a、能量平衡约束
能量平衡约束是指蓄热式电锅炉系统所需的热量与参与供电的风电场发出的电能相等,蓄热式电锅炉系统的热量包括两部分,分别为直接供给用户的基本负荷和储存到蓄热罐中的可移时负荷,
Qx t=QJ+QK t (3)
式(2)表示在t时段,所有风电场i的弃风电量总和与蓄热式电锅炉系统的热负荷需求相平衡,式(2)中,Qx t表示蓄热式电锅炉系统t时段的总负荷,总负荷包括基本负荷和可移时负荷;α表示电转热系数,Wi t表示t时段风电场i的弃风电量,风电场未参与供电时,其值为0;m表示参与竞价的风电场个数;式(3)中,QJ表示蓄热式电锅炉系统的基本负荷;QK t表示蓄热式电锅炉系统的可移时负荷,即在t时段蓄热罐的储热量;
b、风电场弃风电量约束
风电场的约束包含弃风电量约束,如式(4)所示,
式(4)中,Wi SJ表示风电场i在T时段的总弃风电量,Wi t表示t时段风电场i的弃风电量,T为弃风时段;式(4)示出风电场i出售的弃风电量小于或等于总弃风电量;
c、蓄热式电锅炉系统的供热合约约束
蓄热储能能量约束,蓄热罐t时段的储热量满足公式(5)
Qmin≤Qc t≤Qmax (5)
式(5)中,Qmax为蓄热罐最大储热量,Qmin为蓄热罐最小储热量;
电锅炉功率约束,满足公式(6)
式(6)中,Ph t为t时段电锅炉运行总功率,Phmax为电锅炉的最大功率;
蓄热式电锅炉系统的收益函数为
Ct=Ch-minF (7)
式(7)中,Ct表示蓄热式电锅炉系统的净收益,Ch表示蓄热式电锅炉系统的卖热所得总体效益,minF表示基于多风场竞价模型的蓄热式电锅炉系统的最小购电成本,其中:
Ch表示蓄热式电锅炉系统的卖热所得总体效益,ch表示蓄热式电锅炉系统出售给供热公司的单位热价,其单位为元/GJ,cb表示政府对于蓄热式电锅炉系统的节能减排补贴,其单位为元/GJ,α表示电转热系数,Wi t表示t时段风电场i的弃风电量;T为弃风时段;m表示参与竞价的风电场个数;
③利用粒子群算法得到各个风电场的竞价结果
a、将多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数及多风场竞价模型的约束条件输入多风场竞价的粒子群算法模块中,设定初始化条件,初始化条件包括多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数中常量初始值,多风场竞价模型的约束条件中常量的初始值、粒子群算法中的常量初始值,粒子群算法迭代次数及精度,其中粒子群算法中每个粒子表示每个弃风时段内风电场的弃风功率Pi j,且弃风功率Pi j与Wi t满足公式(9)
其中j为弃风时间,单位是min;
b、根据蓄热式电锅炉系统的热负荷需求,确定粒子的适应值即总弃风电量;
c、将粒子引入多风场竞价的粒子群算法模块中进行优化;
多风场竞价的粒子群算法寻优函数为(10)及(11),
Xi+1=Xi+[(k+1)r1-k]Vi+1+10-6r2 (11)
其中,i表示粒子群算法中的迭代次数;Xi表示第i个粒子在n维解空间的位置;Xi+1表示第i+1个粒子在n维解空间的位置;Vi表示第i个粒子在n维解空间的搜索速度,Vi的取值范围为0~0.1,其值大于0.1时取0.1;Vi+1表示第i+1个粒子在n维解空间的搜索速度,Vi+1的取值范围为0~0.1,其值大于0.1时取0.1,r1及r2均表示取值范围为0~1的随机数;c1及c2均为学习因子,c1及c2取值为0.8,表示目标函数最优解对应的粒子的适应值;ω为动力常量,其取值为0.8,其表明控制上一个速度对当前速度的影响程度,k表示调节系数,其值为0.1,其中Xi在多风场竞价模型下为弃风功率Pi j,在粒子群算法模块处理数据中,Xi与Pi j一一对应赋值;
d、获取满足多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数的优选粒子所对应的各个风电场的竞价结果;
步骤4、风电场和蓄热式电锅炉系统之间按照步骤3所述的竞价结果进行交易。
进一步,步骤2所述风电场与交易中心建立通信连接,每天8:00,各个风电场将其在22:00至次日5:00的弃风功率预测数据以及报价图发送给交易中心。
通过上述设计方案,本发明可以带来如下有益效果:通过与现有的蓄热式电锅炉系统的收益情况进行比较,采用本发明提出的多风场竞价方法,在多风场竞价模式下,尽管降低了风电场弃风电量的单位售电价格,但是在很多投资主体进入的情况下,各风电场的弃风率将明显降低,本发明的蓄热式电锅炉系统由独立个体投资建设,通过交易中心向多个风电场购买弃风电力,竞价过程以购电价格最低为优化目标,考虑能量平衡约束、风电场弃风电量约束、蓄热式电锅炉系统供热合约约束,采用粒子群算法进行优化,得到竞价结果,风电场和蓄热式电锅炉系统根据竞价结果进行交易,风电场增发了弃风电量、电网公司提高了低谷时段输电资产利用率、蓄热式电锅炉系统降低了购电成本,能够有效促进电供热取暖的推广应用,有利于风电场的整体经济效益的提高;电网公司提高了低谷时段的输电资产利用率,增加了收益;同时,蓄热式电锅炉系统的购电成本大大降低,有利于独立投资的进入和进一步的推广应用。
综上所述,本发明提出的一种面向电供热取暖促进风电就地消纳的多风场弃风电量竞价方法能够有效降低蓄热式电锅炉系统的购电价格,提高其实际收益,能够有效促进独立个体投资蓄热式电锅炉系统建设,推动我国北方冬季供热地区电供热取暖的发展。
附图说明
下面结合附图说明和具体实施方式对本发明作进一步说明:
图1为现有蓄热式电锅炉系统运行模式结构框图。
图2为基于多风场竞价的蓄热式电锅炉系统结构框图。
图3为多风场竞价的流程图。
图4为本发明采用的粒子群算法流程图。
图5为本发明实施例中风电场1的弃风功率曲线图。
图6为本发明实施例中风电场1的报价图。
图7为本发明实施例中风电场2的弃风功率曲线图。
图8为本发明实施例中风电场2的报价图。
图9为本发明实施例中风电场3的弃风功率曲线图。
图10为本发明实施例中风电场3的报价图。
图11为本发明实施例中风电场4的弃风功率曲线图。
图12为本发明实施例中风电场4的报价图。
图13为各个风电场的竞价结果曲线。
图14为多风场竞价下蓄热式电锅炉的运行负荷。
具体实施方式
如图2到图14所示,本发明提出的一种面向电供热取暖促进风电就地消纳的多风场竞价方法,主要通过多风场弃风电量竞价,实现蓄热式电锅炉系统购电成本最小为目标,
其中,蓄热式电锅炉系统由独立个体投资建设,通过交易中心实现蓄热式电锅炉系统和风电场之间的竞价交易;
风电场向交易中心提供弃风功率的预测数据曲线图和报价图,蓄热式电锅炉系统向交易中心提供购电需求;
风电场与电网公司就过网费进行协定,其报价中包含过网成本,在此基础上,风电场和蓄热式电锅炉系统直接进行市场化交易;
以蓄热式电锅炉系统购电成本最小为目标,考虑能量平衡约束、风电场弃风电量约束、蓄热式电锅炉系统供热合约约束,建立多风场竞价模型;
采用粒子群算法求解最优化问题,得到竞价结果。
本发明采用多风场竞价的模型来降低蓄热式电锅炉系统的购电成本,多风场竞价的蓄热式电锅炉系统如图2所示。
下面详细分析本发明所提出的多风场弃风电量竞价方法,其流程如图3所示。
首先,风电场向交易中心提供预测的弃风功率曲线图和报价图。目前超短期弃风功率预测的准确度可达到85%以上,基于预测值和可靠裕度,可以选取风电场能够以极高概率满足的弃风电量作为报价依据。典型的弃风电量报价图如图5~图12所示,随着出售弃风电量的增加,报价呈阶段性的降低,遵守“售多价低”的原则。
此外,各风电场需要与电网公司通过合约确定弃风电量上网的过网费用,并将其作为成本考虑到报价中,蓄热式电锅炉系统只需要根据报价在交易中心购电即可。为了进一步降低购电成本,将蓄热式电锅炉系统的热负荷需求分解成直接向供热管网供热的基本负荷以及在夜晚弃风时段的可移时负荷两部分。基本负荷和可移时负荷分别进行竞价,因为可移时负荷的时间是可以调节的,所以能够以更低的价格购电。蓄热式电锅炉系统的投资主体向交易中心提供热负荷需求数据,然后交易中心利用风电场的竞价信息和蓄热式电锅炉系统的热负荷需求进行优化计算,得出最优的风电场弃风电量供热消纳方案。
多风场竞价模式下,尽管降低了风电场弃风电量的单位售电价格,但是在很多投资主体进入的情况下,各风电场的弃风率将明显降低,有利于风电场的整体经济效益的提高;另一方面,电网公司提高了低谷时段的输电资产利用率,增加了收益;同时,蓄热式电锅炉系统的购电成本大大降低,有利于独立投资的进入和进一步的推广应用。
具体包括以下步骤:
步骤1、风电场与电网公司建立过网合约,确定弃风电量上网的过网费用,并将其作为过网成本计入报价中;
步骤2、交易中心分别与风电场及蓄热式电锅炉系统建立通信连接,每天8:00,各个风电场将其在22:00至次日5:00的弃风功率的预测数据生成的弃风功率曲线图以及其报价图提交给交易中心,蓄热式电锅炉系统向交易中心发送购电请求;
步骤3、交易中心以蓄热式电锅炉系统购电成本最小为目标,根据目标函数及约束条件,建立多风场竞价模型,采用粒子群算法得到竞价结果;
①基于多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数为
式(1)中,minF表示基于多风场竞价模型的蓄热式电锅炉系统的最小购电成本;Wi t表示t时段风电场i的弃风电量,风电场未参与供电时,其值为0;ci表示风电场i的单位电价报价;m表示参与竞价的风电场个数;T为弃风时段;
②多风场竞价模型的约束条件包括:
a、能量平衡约束
能量平衡约束是指蓄热式电锅炉系统所需的热量与参与供电的风电场发出的电能相等,蓄热式电锅炉系统的热量包括两部分,分别为直接供给用户的基本负荷和储存到蓄热罐中的可移时负荷,
Qx t=QJ+QK t (3)
式(2)表示在t时段,所有风电场i的弃风电量总和与蓄热式电锅炉系统的热负荷需求相平衡,式(2)中,Qx t表示蓄热式电锅炉系统t时段的总负荷,总负荷包括基本负荷和可移时负荷;α表示电转热系数,Wi t表示t时段风电场i的弃风电量,风电场未参与供电时,其值为0;m表示参与竞价的风电场个数;式(3)中,QJ表示蓄热式电锅炉系统的基本负荷;QK t表示蓄热式电锅炉系统的可移时负荷,即在t时段蓄热罐的储热量;
b、风电场弃风电量约束
风电场的约束包含弃风电量约束,如式(4)所示,
式(4)中,Wi SJ表示风电场i在T时段的总弃风电量,Wi t表示t时段风电场i的弃风电量,T为弃风时段,夜间7个小时(22:00至次日05:00)为弃风高发时段;式(4)示出风电场i出售的弃风电量小于或等于总弃风电量;
c、蓄热式电锅炉系统的供热合约约束
蓄热储能能量约束,蓄热罐t时段的储热量满足公式(5)
Qmin≤Qc t≤Qmax (5)
式(5)中,Qmax为蓄热罐最大储热量,Qmin为蓄热罐最小储热量;
电锅炉功率约束,满足公式(6)
式(6)中,Ph t为t时段电锅炉运行总功率,Phmax为电锅炉的最大功率;
蓄热式电锅炉系统的收益函数为
Ct=Ch-minF (7)
式(7)中,Ct表示蓄热式电锅炉系统的净收益,Ch表示蓄热式电锅炉系统的卖热所得总体效益,minF表示基于多风场竞价模型的蓄热式电锅炉系统的最小购电成本,其中:
Ch表示蓄热式电锅炉系统的卖热所得总体效益,ch表示蓄热式电锅炉系统出售给供热公司的单位热价,其单位为元/GJ,cb表示政府对于蓄热式电锅炉系统的节能减排补贴,其单位为元/GJ,α表示电转热系数,Wi t表示t时段风电场i的弃风电量;T为弃风时段;m表示参与竞价的风电场个数;
③本发明采用引导型粒子群算法,对粒子位置更新加以引导,减少算法随机性以提高搜索效率,其原理框图如图4所示,利用粒子群算法得到各个风电场的竞价结果;
a、将多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数及多风场竞价模型的约束条件输入多风场竞价的粒子群算法模块中,设定初始化条件,初始化条件包括多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数中常量初始值,多风场竞价模型的约束条件中常量的初始值、粒子群算法中的常量初始值,粒子群算法的迭代次数及精度,其中粒子群算法中每个粒子表示每个弃风时段内风电场的弃风功率Pi j,且弃风功率Pi j与Wi t满足公式(9)
其中j为弃风时间,单位是min;
b、根据蓄热式电锅炉系统的供热负荷需求,确定粒子的适应值即总弃风电量;
c、将粒子引入多风场竞价的粒子群算法模块中进行优化;
多风场竞价的粒子群算法寻优函数为(10)及(11),
Xi+1=Xi+[(k+1)r1-k]Vi+1+10-6r2 (11)
其中,i表示粒子群算法中的迭代次数;Xi表示第i个粒子在n维解空间的位置;Xi+1表示第i+1个粒子在n维解空间的位置;Vi表示第i个粒子在n维解空间的搜索速度,Vi的取值范围为0~0.1,其值大于0.1时取0.1;Vi+1表示第i+1个粒子在n维解空间的搜索速度,Vi+1的取值范围为0~0.1,其值大于0.1时取0.1,r1及r2均表示取值范围为0~1的随机数;c1及c2均为学习因子,c1及c2取值为0.8,表示目标函数最优解对应的粒子的适应值;ω为动力常量,其取值为0.8,其表明控制上一个速度对当前速度的影响程度,k表示调节系数,取决于粒子距离最优解的距离,其值为0.1,其中Xi在多风场竞价模型下为弃风功率Pi j,在粒子群算法模块处理数据中,Xi与Pi j一一对应赋值;
d、获取满足多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数的最优粒子所对应的各个风电场的竞价结果;
步骤4、风电场和蓄热式电锅炉系统之间按照步骤3所述的竞价结果进行交易。
以四个风电场的弃风电量竞价上网为例进行仿真分析,设定,蓄热式电锅炉系统的装机容量为30MW,其蓄热罐的容量为1000GJ。设定蓄热式电锅炉系统的卖热价为30元/GJ,政府对于大型电采暖的节能减排补贴费用为20元/GJ,电转热系数取为0.98。设定现有模式弃风电量的单价为0.24元/(kW·h),超出弃风电量部分向电网购电的单价为0.42元/(kW·h),蓄热式电锅炉系统的日总热负荷需求为599.795GJ。
从图6、图8、图10及图12可以看出,每个风电场的报价趋势基本一致,售出电量越多,单位电价越低。以风电场1的报价图为例,当风电场售出电量为0至30MW·h时,其风电单位电价为0.43元/(kW·h);以此类推,当风电场售出电量为90M·Wh至174M·Wh时,其风电单位电价为0.11元/(kW·h)。
经竞价计算可得四个风电场的弃风功率曲线如图13所示,表1给出了四个风电厂逐时成交弃风电量,表2给出四个风电场各弃风时段的弃风功率值,所有弃风功率值均输入到多风场竞价的粒子群算法模块中。由图13可以看出,风电场1经竞价后的出售电量最多,约为104.87MW·h,经计算后,该风电场的收益为16779.2元;风电场2竞价失败;风电场3经竞价后的出售电量约为40.14MW·h,该风电场的收益为4014元;风电场4经竞价后的出售电量最少,约为25MW·h,该风电场的收益为9500元。图14给出了蓄热式电锅炉系统的可移时负荷与基本服荷完成情况,已经满足了供热需求,当日蓄热式电锅炉系统售热收益为29987.7元,购电成本为21205.2元,实际收益8782.5元。
现有运行模式下,风电场与蓄热式电锅炉系统的收益是作为一个整体考虑的,该收益包括风电场弃风卖电的费用、蓄热式电锅炉系统向电网购电的费用和其卖热所得的收入。为便于与本发明的方法进行比较,将风电场卖电的费用与蓄热式电锅炉系统买电和卖热的费用分开,整体收益最大的目标函数如下:
式(12)中,Ws t为t时段风电场利用蓄热式电锅炉系统和电化学储能消纳的弃风电量;Qx t为t时段向供热公司提供的热量;Wb t为t时段向电网公司的购电量;c1为风电上网电价,元/(kW·h);c2为热量价格,元/kJ;c3为优惠购电价格,元/(kW·h);cb表示政府对于蓄热式电锅炉系统的节能减排补贴,单位为元/GJ。从式(12)可以看出,总的收益函数由三部分构成,分别为风电场利用合约增加消纳弃风发电的售电收益、蓄热式电锅炉系统向供热公司的售热收益以及蓄热式电锅炉系统向电网公司购电的成本。
与现有模式的蓄热式电锅炉系统进行比较,假设由风电场1投资建设相同的蓄热式电锅炉系统,对式(12)进行求解,可以得到现有模式下风电场弃风电量卖电收益为23016元,蓄热式电锅炉售热收益为29987.7元,向电网购电的成本为31122元,因此风电场和蓄热式电锅炉总收益21881.7元。如果单独考虑蓄热式电锅炉系统除去风电场售电收益,其实际是亏损的。虽然单独计算风电场1的收益增加了,但考虑到其投资蓄热式电锅炉的建设和运行维护成本,实际收益并不高于本发明中提出的多风场竞价模式。单独对比蓄热式电锅炉的购电成本,由31122元降低到21205.2元,减少近1/3,综上表明本发明方法有效降低了蓄热式电锅炉系统的购电价格。
通过对比两种场景下蓄热式电锅炉系统的收益情况,可以看出,本发明提出的一种面向电供热取暖促进风电就地消纳的多风场弃风电量竞价方法能够有效降低蓄热式电锅炉系统的购电价格,提高其实际收益,能够有效促进独立个体投资蓄热式电锅炉系统建设,推动我国北方冬季供热地区电供热取暖的发展。
表1示出四个风电厂逐时成交弃风电量
表2给出四个风电场各弃风时段的弃风功率值
时间 | 风电场1 | 风电场2 | 风电场3 | 风电场4 |
22:00 | 11.6225 | 15.295 | 17.15 | 14.1025 |
22:15 | 11.3575 | 15.56 | 16.885 | 13.175 |
22:30 | 10.96 | 16.355 | 15.9575 | 11.055 |
22:45 | 10.43 | 16.2225 | 15.825 | 9.995 |
23:00 | 15.2 | 14.765 | 14.8975 | 10.525 |
23:15 | 15.0675 | 14.235 | 14.765 | 10.9225 |
23:30 | 14.8025 | 13.44 | 14.3675 | 10.3925 |
23:45 | 13.875 | 12.5125 | 14.1025 | 9.995 |
0:00 | 13.875 | 12.5125 | 0 | 9.2 |
0:15 | 14.0075 | 10.9225 | 0 | 7.61 |
0:30 | 13.875 | 10.26 | 0 | 7.875 |
0:45 | 13.345 | 8.935 | 0 | 6.815 |
1:00 | 13.61 | 9.465 | 3.37 | 7.4775 |
1:15 | 13.2125 | 8.67 | 3.105 | 10.26 |
1:30 | 13.2125 | 8.67 | 3.105 | 11.055 |
1:45 | 13.08 | 7.7425 | 2.84 | 12.115 |
2:00 | 12.9475 | 7.08 | 3.2375 | 12.38 |
2:15 | 13.08 | 7.61 | 3.105 | 11.9825 |
2:30 | 13.2125 | 8.67 | 2.7075 | 11.32 |
2:45 | 13.2125 | 8.2725 | 2.84 | 11.7175 |
3:00 | 13.61 | 9.3325 | 2.7075 | 12.645 |
3:15 | 14.14 | 8.935 | 3.37 | 13.44 |
3:30 | 14.2725 | 8.935 | 4.0325 | 14.1025 |
3:45 | 14.67 | 8.935 | 4.43 | 15.295 |
4:00 | 15.2 | 9.465 | 4.695 | 15.6925 |
4:15 | 15.333 | 9.465 | 5.225 | 15.9575 |
4:30 | 15.8625 | 9.995 | 5.6225 | 16.62 |
4:45 | 16.3925 | 11.055 | 6.55 | 16.885 |
Claims (2)
1.一种面向电供热取暖促进风电就地消纳的多风场竞价方法,其特征在于,包括风电场、交易中心和蓄热式电锅炉系统,其中风电场数量为复数个,
具体包括以下步骤:
步骤1、风电场与电网公司建立过网合约,确定弃风电量上网的过网费用,并将其作为过网成本计入报价中;
步骤2、交易中心分别与风电场及蓄热式电锅炉系统建立通信连接,其中风电场向交易中心发送其预测的弃风功率曲线图和报价图,蓄热式电锅炉系统向交易中心发送购电请求;
步骤3、交易中心以蓄热式电锅炉系统购电成本最小为目标,根据目标函数及约束条件,建立多风场竞价模型,采用粒子群算法得到竞价结果;
①基于多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数为
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>F</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,minF表示基于多风场竞价模型的蓄热式电锅炉系统的最小购电成本;Wi t表示t时段风电场i的弃风电量,风电场未参与供电时,其值为0;ci表示风电场i的单位电价报价;m表示参与竞价的风电场个数;T为弃风时段;
②多风场竞价模型的约束条件包括:
a、能量平衡约束
能量平衡约束是指蓄热式电锅炉系统所需的热量与参与供电的风电场发出的电能相等,蓄热式电锅炉系统的热量包括两部分,分别为直接供给用户的基本负荷和储存到蓄热罐中的可移时负荷,
<mrow>
<msup>
<msub>
<mi>Q</mi>
<mi>x</mi>
</msub>
<mi>t</mi>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&alpha;W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
Qx t=QJ+QK t (3)
式(2)表示在t时段,所有风电场i的弃风电量总和与蓄热式电锅炉系统的热负荷需求相平衡,式(2)中,Qx t表示蓄热式电锅炉系统t时段的总负荷,总负荷包括基本负荷和可移时负荷;α表示电转热系数,Wi t表示t时段风电场i的弃风电量,风电场未参与供电时,其值为0;m表示参与竞价的风电场个数;式(3)中,QJ表示蓄热式电锅炉系统的基本负荷;QK t表示蓄热式电锅炉系统的可移时负荷,即在t时段蓄热罐的储热量;
b、风电场弃风电量约束
风电场的约束包含弃风电量约束,如式(4)所示,
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>T</mi>
</munderover>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mrow>
<mi>S</mi>
<mi>J</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中,Wi SJ表示风电场i在T时段的总弃风电量,Wi t表示t时段风电场i的弃风电量,T为弃风时段;式(4)示出风电场i出售的弃风电量小于或等于总弃风电量;
c、蓄热式电锅炉系统的供热合约约束
蓄热储能能量约束,蓄热罐t时段的储热量满足公式(5)
<mrow>
<msub>
<mi>Q</mi>
<mi>min</mi>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>Q</mi>
<mi>c</mi>
<mi>t</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>Q</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中,Qmax为蓄热罐最大储热量,Qmin为蓄热罐最小储热量;
电锅炉功率约束,满足公式(6)
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mi>h</mi>
<mi>t</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>h</mi>
<mi>max</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式(6)中,Ph t为t时段电锅炉运行总功率,Phmax为电锅炉的最大功率;
蓄热式电锅炉系统的收益函数为
Ct=Ch-minF (7)
式(7)中,Ct表示蓄热式电锅炉系统的净收益,Ch表示蓄热式电锅炉系统的卖热所得总体效益,minF表示基于多风场竞价模型的蓄热式电锅炉系统的最小购电成本,其中:
<mrow>
<msub>
<mi>C</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>h</mi>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
Ch表示蓄热式电锅炉系统的卖热所得总体效益,ch表示蓄热式电锅炉系统出售给供热公司的单位热价,其单位为元/GJ,cb表示政府对于蓄热式电锅炉系统的节能减排补贴,其单位为元/GJ,α表示电转热系数,Wi t表示t时段风电场i的弃风电量;T为弃风时段;m表示参与竞价的风电场个数;
③利用粒子群算法得到各个风电场的竞价结果
a、将多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数及多风场竞价模型的约束条件输入多风场竞价的粒子群算法模块中,设定初始化条件,初始化条件包括多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数中常量初始值,多风场竞价模型的约束条件中常量的初始值、粒子群算法中的常量初始值,粒子群算法迭代次数及精度,其中粒子群算法中每个粒子表示每个弃风时段内风电场的弃风功率Pi j,且弃风功率Pi j与Wi t满足公式(9)
<mrow>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>60</mn>
</munderover>
<msup>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mi>j</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中j为弃风时间,单位是min;
b、根据蓄热式电锅炉系统的热负荷需求,确定粒子的适应值即总弃风电量;
c、将粒子引入多风场竞价的粒子群算法模块中进行优化;
多风场竞价的粒子群算法寻优函数为(10)及(11),
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&omega;V</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<msub>
<mi>best</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<msub>
<mi>best</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
Xi+1=Xi+[(k+1)r1-k]Vi+1+10-6r2 (11)
其中,i表示粒子群算法中的迭代次数;Xi表示第i个粒子在n维解空间的位置;Xi+1表示第i+1个粒子在n维解空间的位置;Vi表示第i个粒子在n维解空间的搜索速度,Vi的取值范围为0~0.1,其值大于0.1时取0.1;Vi+1表示第i+1个粒子在n维解空间的搜索速度,Vi+1的取值范围为0~0.1,其值大于0.1时取0.1,r1及r2均表示取值范围为0~1的随机数;c1及c2均为学习因子,c1及c2取值为0.8,表示目标函数最优解对应的粒子的适应值;ω为动力常量,其取值为0.8,其表明控制上一个速度对当前速度的影响程度,k表示调节系数,其值为0.1,其中Xi在多风场竞价模型下为弃风功率Pi j,在粒子群算法模块处理数据中,Xi与Pi j一一对应赋值;
d、获取满足多风场竞价模型的蓄热式电锅炉系统最小购电成本目标函数的优选粒子所对应的各个风电场的竞价结果;
步骤4、风电场和蓄热式电锅炉系统之间按照步骤3所述的竞价结果进行交易。
2.根据权利要求1所述的一种面向电供热取暖促进风电就地消纳的多风场竞价方法,其特征在于:步骤2所述风电场与交易中心建立通信连接,每天8:00,各个风电场将其在22:00至次日5:00的弃风功率预测数据以及报价图发送给交易中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211189.2A CN107133840B (zh) | 2017-04-01 | 2017-04-01 | 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211189.2A CN107133840B (zh) | 2017-04-01 | 2017-04-01 | 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133840A true CN107133840A (zh) | 2017-09-05 |
CN107133840B CN107133840B (zh) | 2020-05-15 |
Family
ID=59716371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211189.2A Expired - Fee Related CN107133840B (zh) | 2017-04-01 | 2017-04-01 | 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133840B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108808713A (zh) * | 2018-05-04 | 2018-11-13 | 国网内蒙古东部电力有限公司电力科学研究院 | 提升新能源发电消纳能力的工业热负荷控制系统及方法 |
CN109284943A (zh) * | 2018-11-17 | 2019-01-29 | 国网辽宁省电力有限公司阜新供电公司 | 一种提高风电消纳能力的电极式电锅炉配置方法 |
CN109728609A (zh) * | 2017-10-31 | 2019-05-07 | 中国电力科学研究院有限公司 | 一种弃风电的调度方法及系统 |
CN109858764A (zh) * | 2018-12-29 | 2019-06-07 | 清华大学 | 一种利用冰蓄冷系统负荷消纳弃水电量的交易方法及装置 |
CN112116150A (zh) * | 2020-09-17 | 2020-12-22 | 河北工业大学 | 一种负荷聚合商参与蓄热式电采暖电力市场调节方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160092622A1 (en) * | 2013-05-20 | 2016-03-31 | State Grid Corporation Of China | Method for modeling medium and long term wind power output model of medium and long term optimal operationof power system |
CN106327014A (zh) * | 2016-08-24 | 2017-01-11 | 上海电机学院 | 一种含风电场的电力系统调度优化方法 |
-
2017
- 2017-04-01 CN CN201710211189.2A patent/CN107133840B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160092622A1 (en) * | 2013-05-20 | 2016-03-31 | State Grid Corporation Of China | Method for modeling medium and long term wind power output model of medium and long term optimal operationof power system |
CN106327014A (zh) * | 2016-08-24 | 2017-01-11 | 上海电机学院 | 一种含风电场的电力系统调度优化方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109728609A (zh) * | 2017-10-31 | 2019-05-07 | 中国电力科学研究院有限公司 | 一种弃风电的调度方法及系统 |
CN109728609B (zh) * | 2017-10-31 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种弃风电的调度方法及系统 |
CN108808713A (zh) * | 2018-05-04 | 2018-11-13 | 国网内蒙古东部电力有限公司电力科学研究院 | 提升新能源发电消纳能力的工业热负荷控制系统及方法 |
CN109284943A (zh) * | 2018-11-17 | 2019-01-29 | 国网辽宁省电力有限公司阜新供电公司 | 一种提高风电消纳能力的电极式电锅炉配置方法 |
CN109858764A (zh) * | 2018-12-29 | 2019-06-07 | 清华大学 | 一种利用冰蓄冷系统负荷消纳弃水电量的交易方法及装置 |
CN112116150A (zh) * | 2020-09-17 | 2020-12-22 | 河北工业大学 | 一种负荷聚合商参与蓄热式电采暖电力市场调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107133840B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516851B (zh) | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 | |
Zhao et al. | How to stimulate renewable energy power generation effectively?–China's incentive approaches and lessons | |
Shen et al. | Multi-objective capacity configuration optimization of an integrated energy system considering economy and environment with harvest heat | |
CN107133840A (zh) | 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 | |
CN110350523A (zh) | 基于需求响应的多能源互补优化调度方法 | |
CN108206543A (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
CN103839109A (zh) | 一种基于博弈纳什均衡的微网电源规划方法 | |
Huang et al. | A collaborative demand control of nearly zero energy buildings in response to dynamic pricing for performance improvements at cluster level | |
CN113222465A (zh) | 一种计及碳-绿色证书交易机制的综合能源系统优化运行方法 | |
CN106877339B (zh) | 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法 | |
CN113592365B (zh) | 一种考虑碳排放与绿电消纳的能源优化调度方法及系统 | |
CN109741103A (zh) | 一种短期多目标双层优化调度方法 | |
CN110829424A (zh) | 一种考虑风电消纳的区域多微网配电网互动方法 | |
CN114154744A (zh) | 综合能源系统的扩容规划方法、装置及电子设备 | |
Zhang et al. | Implications of the development and evolution of global wind power industry for China—An empirical analysis is based on public policy | |
CN115829142A (zh) | 一种工业企业综合能源系统优化规划方法 | |
CN115689166A (zh) | 一种区域分布式能源资源聚合利用方法及系统 | |
CN115423260A (zh) | 一种电力市场及政策服务新能源利用的量化分析方法 | |
Tan et al. | Optimization and trading of district multi-energy system in university community considering carbon emission | |
CN115358519A (zh) | 一种虚拟电厂优化调度方法及装置 | |
Guan et al. | Chance-constrained optimization of hybrid solar combined cooling, heating and power system considering energetic, economic, environmental, and flexible performances | |
CN107565548A (zh) | 一种基于负荷侧灵活消纳弃风电量市场交易方法 | |
CN109829559A (zh) | 一种促进清洁能源消纳的调峰权交易方法 | |
CN115099473A (zh) | 近零碳区域综合能源系统多目标优化方法 | |
Fu et al. | Non-cooperative Game Optimization Model for Multiple Integrated Energy Systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200515 |