CN107370167A - 基于静态多目标框架的冷热电联产系统的储能调度方法 - Google Patents
基于静态多目标框架的冷热电联产系统的储能调度方法 Download PDFInfo
- Publication number
- CN107370167A CN107370167A CN201710458741.8A CN201710458741A CN107370167A CN 107370167 A CN107370167 A CN 107370167A CN 201710458741 A CN201710458741 A CN 201710458741A CN 107370167 A CN107370167 A CN 107370167A
- Authority
- CN
- China
- Prior art keywords
- heating system
- cooling heating
- energy storage
- cogeneration cooling
- static
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 85
- 238000001816 cooling Methods 0.000 title claims abstract description 78
- 238000010438 heat treatment Methods 0.000 title claims abstract description 78
- 230000003068 static effect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000131894 Lampyris noctiluca Species 0.000 claims abstract description 17
- 230000001172 regenerating effect Effects 0.000 claims abstract description 13
- 241000254158 Lampyridae Species 0.000 claims description 32
- 230000005611 electricity Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000003724 hair brightness Effects 0.000 claims 1
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 238000003860 storage Methods 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
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
- Y02P80/15—On-site combined power, heat or cool generation or distribution, e.g. combined heat and power [CHP] 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于静态多目标框架的冷热电联产系统的储能调度方法。对于一个包含可再生能源的冷热电联产系统，可采用大容量储能系统平抑可再生能源的出力波动，同时应对不确定的用户负荷量。本发明依据静态多目标框架，并采用萤火虫算法计算出冷热电联产系统的最优储能方案，从而实现冷热电联产系统的最优经济运行，并大大提高了能源利用率。
Description
技术领域
本发明属于冷热电联产系统技术领域，具体涉及一种基于静态多目标框架的冷热电联产系统的储能调度方法。
背景技术
为解决能源危机与生态恶化问题，许多国家、地区大力推广冷热电联产系统，该系统涉及众多成熟的能源综合利用技术，其靠近用户、梯级利用、一次能源利用效率高、环境友好、能源供应安全可靠，并可以合理接入可再生能源，受到广泛的关注与青睐。
冷热电联产系统可以并网运行也可以独立运行，为了减少独立运行期间的容量不足风险，需要设置储能系统，由此需要研究冷热电联产系统的最优储能调度方案。系统的储存能量主要用于满足负载需求，在市场电价低时，进行储能系统充电；在电价高时，储能系统放电，从而实现系统的最小运行成本。实际运行中，高电价期间通常也是尖峰负载期间，出于安全考虑，在储能中应当保存足够的功率进行支持切负荷最小化。此外，还需要考虑一些负载和可再生能源出力的不确定性，以及未受规划调度的独立事件，这些事件的出现时间和持续时间都不可预测。因此，需要在运行成本和削减负荷之间做到最佳权衡，提出一个考虑所有不确定性因素的静态调度方案。
发明内容
本发明所要解决的技术问题在于提供一种基于静态多目标框架的冷热电联产系统的储能调度方法，采用萤火虫算法优化计算出储能系统的最后充放电方案，提高冷热电联产系统的能源利用效率，并减少系统的运行成本。实现发明目的的技术解决方案为：
一种基于静态多目标框架的冷热电联产系统的储能调度方法，采用萤火虫算法优化计算出储能系统的最后充放电方案，包括以下步骤：
步骤1：建立冷热电联产系统的储能系统模型、冷热电联产系统并网和独立运行时的静态调度模型，以及相应运行状态下各元件的运行约束。
步骤2：设置萤火虫算法中萤火虫数量、介质光吸收系数、最大吸引度、迭代次数等。
步骤3：在可行空间中生成初始位置组合；
步骤4：计算不同位置萤火虫的最大吸引度、移动方向，更新位置；
步骤5：判断萤火虫算法是否收敛，如果收敛，则将新位置作为最佳位置；如不满足则返回步骤4；
步骤6：按照步骤4、步骤5，每个萤火虫找到最佳位置，形成最佳位置组合。
步骤7：判断最优策略组合是否满足误差，如果满足，得到的最优策略组合为最优解，否则返回步骤。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的储能系统模型中，储能系统要满足充放电功率约束：
其中，表示储能机组b在t时刻的实时充电\放电功率，是最大充电\ 放电功率。是储能机组的运行指标，储能机组运行时要避免充放电同时出现：
储能机组的容量约束为：
其中，Eb,t储能机组b在t时刻的容量，分别是机组的最小、最大容量。
充放电功率和荷电状态的关系为：
其中，分别表示机组b的充、放电系数；Δt是储能系统运行的时间间隔。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型中，最小化运行成本的优化问题的方程模型如下：
其中，OC表示冷热电联产系统的运行成本；ps表示冷热电联产系统在场景s下的运行概率，NS为总场景数；t,H分别表示调度时段、总时段数；表示可调度机组g出力，NG为总机组数量，表示此时的成本函数；表示可再生能源r的出力，NR为总机组数量，Cr表示其运行成本系数，表示冷热电联产系统与主电网在连接点功率，νt表示t时段市场电价；NB为储能机组的总数量，Cb表示储能机组运行成本系数；SUg,t,SDg,t分别表示可调度机组的开关断成本。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可调度机组的成本函数为：
其中，ag和bg分别表示固定成本和变化成本，Ig,t表示机组运行状态量。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，有功功率平衡约束为：
其中，表示用户l的负荷量，共有NL个用户。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可调度机组的出力约束为：
其中，分别表示可调度机组的最小、最大出力值。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可调度机组的爬坡率约束为为：
其中，URg,DRg分别表示可调度机组的出力上升率、下降率。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可再生能源的功率输出范围为：
其中，表示可再生能源的最大输出功率。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统独立时的静态调度模型中，最小化削减成本的优化问题方程如下：
其中，ECCt负荷削减成本；πτ表示独立运行场景τ的发生概率，共有T个独立运行场景； h表示独立运行的时间段，表示此时的负荷削减量，VOLL表示削减损失系数。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统独立时的静态调度模型，在未规划独立事件中，应可以供应足够的电量给负荷：
其中，表示最大削减负荷量。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统独立时的静态调度模型，最终的电量削减指标成为第二目标函数：
其中，ECE为第二目标函数。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤2 的萤火虫算法中，亮度、吸引度定义如下：
其中，I0表示为最大亮度，即萤火虫自身的亮度，本发明中取值0.9；γ为介质的光吸收系数，本发明中取值0.00000078；是萤火虫i与j之间的笛卡尔距离。这里，亮度也是萤火虫的吸引度，发光亮度相同，则萤火虫各自随机移动。
进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤2的萤火虫算法中，萤火虫i被萤火虫j吸引后，位置更新为：
xi＝xi+β(xj-xi)+ε(δ-0.5)
其中，xi,xj分别表示萤火虫i和萤火虫j的实际位置，即代表模型中所有运行的机组；ε,δ是扰动随机参数，用于加大搜索区域，避免过早陷入局部最优。本发明取值为ε＝0.8，δ服从 [0,1]均匀分布。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1.本发明的方法通过建立静态并网、独立运行调度框架，能够实现冷热电联产系统的最优经济效益；
2.本发明通过萤火虫算法能够快速计算出最优储能调度方案，缩短了优化时间。
3.本发明的方法实现了能源的多级利用，大大提高了能源利用效率，改善了冷热电联产系统的稳定性。
附图说明
图1是萤火虫算法的流程；
图2是修改的IEEE-34节点测试系统；
图3是不同案例下的储能优化调度；
图4是案例1中能量损耗收敛曲线；
图5是优化方案的ECE值分析曲线。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
一种基于静态多目标框架的冷热电联产系统的储能调度方法，如图1所示，包括以下步骤：
步骤1：建立冷热电联产系统的储能系统模型、冷热电联产系统并网和独立运行时的静态调度模型，以及相应运行状态下各元件的运行约束。
储能系统模型中，储能系统要满足充放电功率约束：
其中，表示储能机组b在t时刻的实时充电\放电功率，是最大充电\ 放电功率。是储能机组的运行指标，储能机组运行时要避免充放电同时出现：
储能机组的容量约束为：
其中，Eb,t储能机组b在t时刻的容量，分别是机组的最小、最大容量。
充放电功率和荷电状态的关系为：
其中，分别表示机组b的充、放电系数；Δt是储能系统运行的时间间隔。
冷热电联产系统并网时的静态调度模型中，最小化运行成本的优化问题的方程模型如下：
其中，OC表示冷热电联产系统的运行成本；ps表示冷热电联产系统在场景s下的运行概率，NS为总场景数；t,H分别表示调度时段、总时段数；表示可调度机组g出力，NG为总机组数量，表示此时的成本函数；表示可再生能源r的出力，NR为总机组数量，Cr表示其运行成本系数，表示冷热电联产系统与主电网在连接点功率，νt表示t时段市场电价；NB为储能机组的总数量，Cb表示储能机组运行成本系数；SUg,t,SDg,t分别表示可调度机组的开关断成本。
冷热电联产系统并网时的静态调度模型，可调度机组的成本函数为：
其中，ag和bg分别表示固定成本和变化成本，Ig,t表示机组运行状态量。
冷热电联产系统并网时的静态调度模型，有功功率平衡约束为：
其中，表示用户l的负荷量，共有NL个用户。
冷热电联产系统并网时的静态调度模型，可调度机组的出力约束为：
其中，分别表示可调度机组的最小、最大出力值。
冷热电联产系统并网时的静态调度模型，可调度机组的爬坡率约束为为：
其中，URg,DRg分别表示可调度机组的出力上升率、下降率。
冷热电联产系统并网时的静态调度模型，可再生能源的功率输出范围为：
其中，表示可再生能源的最大输出功率。
冷热电联产系统独立时的静态调度模型中，最小化削减成本的优化问题方程如下：
其中，ECCt负荷削减成本；πτ表示独立运行场景τ的发生概率，共有T个独立运行场景； h表示独立运行的时间段，表示此时的负荷削减量，VOLL表示削减损失系数。
冷热电联产系统独立时的静态调度模型，在未规划独立事件中，应可以供应足够的电量给负荷：
其中，表示最大削减负荷量。
冷热电联产系统独立时的静态调度模型，最终的电量削减指标成为第二目标函数：
其中，ECE为第二目标函数。
步骤2：设置萤火虫算法中萤火虫数量、介质光吸收系数、最大吸引度、迭代次数等。
萤火虫算法中，亮度、吸引度定义如下：
其中，I0表示为最大亮度，即萤火虫自身的亮度，本发明中取值0.9；γ为介质的光吸收系数，本发明中取值0.00000078；是萤火虫i与j之间的笛卡尔距离。这里，亮度也是萤火虫的吸引度，发光亮度相同，则萤火虫各自随机移动。
萤火虫i被萤火虫j吸引后，位置更新为：
xi＝xi+β(xj-xi)+ε(δ-0.5)
其中，xi,xj分别表示萤火虫i和萤火虫j的实际位置，即代表模型中所有运行的机组；ε,δ是扰动随机参数，用于加大搜索区域，避免过早陷入局部最优。本发明取值为ε＝0.8，δ服从 [0,1]均匀分布
步骤3：在可行空间中生成初始位置组合；
步骤4：计算不同位置萤火虫的最大吸引度、移动方向，更新位置；
步骤5：判断萤火虫算法是否收敛，如果收敛，则将新位置作为最佳位置；如不满足则返回步骤4；
步骤6：按照步骤4、步骤5，每个萤火虫找到最佳位置，形成最佳位置组合。
步骤7：判断最优策略组合是否满足误差，如果满足，得到的最优策略组合为最优解，否则返回步骤。
为了验证本发明方法的可用性与稳定性，以及可应用于制定冷热电联产系统能源报价之中，本实施例以下面数据为例说明。本发明所提出的基于双层规划粒子群优化算法将应用于修改IEEE34节点测试系统，并增加了几个分布式能源，如图2所示。本文选取了8月里较为普通的一天进行分析。储能和可调度能源的特性数据如表1和表2所示，不同的微网持续时间的概率如表3所示。本文研究三个典型运行案例：1.微网正常运行状态下运行成本最小化的优化调度；2.电量削减指数最小化的优化调度；3.基于多目标函数的优化调度。
表1储能系统运行参数
表2可调度机组的运行参数
表3独立运行时间概率分布
不同案例下的储能优化调度如图3所示。如案例1中表示的那样，在0-5点，市场电价和微网负荷很低，但风力发电量很高，所以储能系统在这段时间是充电的；在5-16点，尽管市场电价增加了，但是从主电网中吸收电量仍然是较为经济的，此时储能系统并没有进行深度放电；在16点后，储能系统负荷放电到0，在这期间，负荷和市场价格很高，此时依靠大电网供给负荷很不经济，需要储能放电和可调度能源一起满足微网负荷需求。案例1中能量损耗收敛曲线如图4所示。根据引入的算法，整个24小时的损耗初始值为0。运行整个算法之后，能量损耗在迭代中达到0.2MWh，曲线收敛。
如之前描述，0-5点，负荷需求低，分布式发电量在整个孤岛期间足够满足微网负荷，不需要削减负荷，负荷状态初始值的影响在峰值负荷期间更深刻。总体上讲，储能系统的适当调度可以极大地提高微网可靠性。案例2中，在5-24点之间尽量保持较高的负荷状态，以最小化运行可能出现的负荷削减。
OC和ECE指标在求解中有所冲突，因而用多目标优化来解决，优化方案如图5所示，代表两个目标函数指标的联系。本文用萤火虫算法对两个目标函数进行了仿真，两个目标函数以权重系数结合起来，多目标问题就转化为单一目标问题，公式如下：
式中，分别是案例1和案例2中目标函数的最小值。使用不同的权重参数值，结果在表4中显示。
表4不同权重系数下的目标参量
本文考虑ECE作为解决方案的适应值参量，如果一个目标函数满意度值很大，则最终方案的选择重点将放在这个目标函数上。当两个目标函数有相同的重要性时，萤火虫算法找到了更好的方案，ECE值更低。最终方案同时满足两个目标函数指标，相应调度如图3中的案例3 曲线。综合比较显示在微网内储能系统调度中的可行性容量，此方案并有利于电力用户。
本发明建立了冷热电联产系统储能调度的多目标静态模型框架，并设计储能调度问题的多目标优化方案。以冷热电联产系统正常运行模式下运行成本和独立状态下的负荷削减指数作为目标函数，并选用萤火虫算法寻求目标函数最优解。仿真案例比较了不同储能调度策略下的方案，并证实适应于冷热电联产系统并网运行模式下的最小化运行成本和独立运行时的最小化切负荷成本，将大大提高冷热电联产系统的经济效益。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于静态多目标框架的冷热电联产系统的储能调度方法；其特征在于，采用萤火虫算法优化计算出储能系统的最后充放电方案；该方法具体包括以下步骤：
步骤1：建立冷热电联产系统的储能系统模型、冷热电联产系统并网和独立运行时的静态调度模型，以及相应运行状态下各元件的运行约束；
步骤2：设置萤火虫算法中萤火虫数量、介质光吸收系数、最大吸引度、迭代次数；
步骤3：在可行空间中生成初始位置组合；
步骤4：计算不同位置萤火虫的最大吸引度、移动方向，更新位置；
步骤5：判断萤火虫算法是否收敛，如果收敛，则将新位置作为最佳位置；如不满足则返回步骤4；
步骤6：按照步骤4、步骤5，每个萤火虫找到最佳位置，形成最佳位置组合；
步骤7：判断最优策略组合是否满足误差，如果满足，得到的最优策略组合为最优解，否则返回步骤4。
2.依据权利要求1所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤1的储能系统模型中，储能系统要满足充放电功率约束：
其中，表示储能机组b在t时刻的实时充电\放电功率，是最大充电\放电功率。是储能机组的运行指标，储能机组运行时要避免充放电同时出现：
储能机组的容量约束为：
其中，Eb,t储能机组b在t时刻的容量，分别是机组的最小、最大容量；
充放电功率和荷电状态的关系为：
其中，分别表示机组b的充、放电系数；Δt是储能系统运行的时间间隔。
3.依据权利要求1所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤1的冷热电联产系统并网时的静态调度模型中，最小化运行成本的优化问题的方程模型如下：
其中，OC表示冷热电联产系统的运行成本；ps表示冷热电联产系统在场景s下的运行概率，NS为总场景数；t,H分别表示调度时段、总时段数；表示可调度机组g出力，NG为总机组数量，表示此时的成本函数；表示可再生能源r的出力，NR为总机组数量，Cr表示其运行成本系数，表示冷热电联产系统与主电网在连接点功率，νt表示t时段市场电价；NB为储能机组的总数量，Cb表示储能机组运行成本系数；SUg,t,SDg,t分别表示可调度机组的开关断成本；；所述静态调度模型中可调度机组的成本函数为：
其中，ag和bg分别表示固定成本和变化成本，Ig,t表示机组运行状态量；
所述静态调度模型的有功功率平衡约束为：
其中，表示用户l的负荷量，共有NL个用户；
所述静态调度模型中可调度机组的出力约束为：
其中，分别表示可调度机组的最小、最大出力值。
4.依据权利要求3所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤1的冷热电联产系统并网时的静态调度模型，可调度机组的爬坡率约束为为：
其中，URg,DRg分别表示可调度机组的出力上升率、下降率。
5.依据权利要求3所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤1的冷热电联产系统并网时的静态调度模型，可再生能源的功率输出范围为：
其中，表示可再生能源的最大输出功率。
6.依据权利要求1所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤1的冷热电联产系统独立时的静态调度模型中，最小化削减成本的优化问题方程如下：
其中，ECCt负荷削减成本；πτ表示独立运行场景τ的发生概率，共有T个独立运行场景；h表示独立运行的时间段，表示此时的负荷削减量，VOLL表示削减损失系数。
7.依据权利要求6所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤1的冷热电联产系统独立时的静态调度模型，在未规划独立事件中，应可以供应足够的电量给负荷：
其中，表示最大削减负荷量。
8.依据权利要求7所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤1的冷热电联产系统独立时的静态调度模型，最终的电量削减指标成为第二目标函数：
其中，ECE为第二目标函数。
9.依据权利要求1所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤2的萤火虫算法中，亮度、吸引度定义如下：
其中，I0表示为最大亮度，即萤火虫自身的亮度，I0取值0.9；γ为介质的光吸收系数，γ取值0.00000078；是萤火虫i与j之间的笛卡尔距离；这里，亮度也是萤火虫的吸引度，发光亮度相同，则萤火虫各自随机移动。
10.依据权利要求1所述的基于静态多目标框架的冷热电联产系统的储能调度方法，其特征在于，步骤2中，萤火虫i被萤火虫j吸引后，位置更新为：
xi＝xi+β(xj-xi)+ε(δ-0.5)
其中，xi,xj分别表示萤火虫i和萤火虫j的实际位置，即代表模型中所有运行的机组；ε,δ是扰动随机参数，用于加大搜索区域，避免过早陷入局部最优；ε＝0.8，δ服从[0,1]均匀分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458741.8A CN107370167B (zh) | 2017-06-16 | 2017-06-16 | 基于静态多目标框架的冷热电联产系统的储能调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458741.8A CN107370167B (zh) | 2017-06-16 | 2017-06-16 | 基于静态多目标框架的冷热电联产系统的储能调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107370167A true CN107370167A (zh) | 2017-11-21 |
| CN107370167B CN107370167B (zh) | 2020-04-07 |
Family
ID=60305358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710458741.8A Active CN107370167B (zh) | 2017-06-16 | 2017-06-16 | 基于静态多目标框架的冷热电联产系统的储能调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107370167B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109471362A (zh) * | 2018-12-18 | 2019-03-15 | 东北大学 | 一种冷热电联产优化系统及方法 |
| CN112488495A (zh) * | 2020-11-27 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 基于gso和混合整数规划的园区综合能源规划方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729684A (zh) * | 2013-11-22 | 2014-04-16 | 浙江工业大学 | 基于萤火虫优化算法的微网负荷博弈方法 |
| CN105869075A (zh) * | 2016-04-19 | 2016-08-17 | 东南大学 | 一种冷热电联供型微型能源网经济优化调度方法 |
-
2017
- 2017-06-16 CN CN201710458741.8A patent/CN107370167B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729684A (zh) * | 2013-11-22 | 2014-04-16 | 浙江工业大学 | 基于萤火虫优化算法的微网负荷博弈方法 |
| CN105869075A (zh) * | 2016-04-19 | 2016-08-17 | 东南大学 | 一种冷热电联供型微型能源网经济优化调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| NAVIN KUMAR PALIWAL, ET.AL: ""Energy Scheduling of Wind-Battery-Hydro based Hybrid Microgrid System using Heuristic Techniques"", 《2016 IEEE ANNUAL INDIA CONFERENCE (INDICON)》 * |
| XIAOPENG LIN，ET.AL: ""Dynamic Optimal Dispatch of Combined Heating and Power Microgrid Based on Leapfrog Firefly Algorithm"", 《PROCEEDINGS OF 2015 IEEE 12TH INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL》 * |
| 杨永标，等: ""含光伏和蓄能的冷热电联供系统调峰调蓄优化调度"", 《电力系统自动化》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109471362A (zh) * | 2018-12-18 | 2019-03-15 | 东北大学 | 一种冷热电联产优化系统及方法 |
| CN112488495A (zh) * | 2020-11-27 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 基于gso和混合整数规划的园区综合能源规划方法及系统 |
| CN112488495B (zh) * | 2020-11-27 | 2023-04-07 | 国网山东省电力公司电力科学研究院 | 基于gso和混合整数规划的园区综合能源规划方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107370167B (zh) | 2020-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ikeda et al. | Metaheuristic optimization methods for a comprehensive operating schedule of battery, thermal energy storage, and heat source in a building energy system | |
| CN108376999B (zh) | 一种考虑孤岛运行时间不确定性的多微网故障管理方法 | |
| Bayram et al. | A survey on energy trading in smart grid | |
| Moghaddam et al. | Multi-operation management of a typical micro-grids using Particle Swarm Optimization: A comparative study | |
| CN106953316B (zh) | 微电网变时间尺度优化调度方法 | |
| Lu et al. | Quadratic approximation based differential evolution with valuable trade off approach for bi-objective short-term hydrothermal scheduling | |
| CN103914734B (zh) | 基于改进型蚁群算法的微网容量优化布址方法 | |
| Tang et al. | Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques | |
| CN113471976B (zh) | 基于多能互补微电网与主动配电网的优化调度方法 | |
| CN107451670A (zh) | 一种用于主动配电网的日前分层协调调度方法 | |
| Shao et al. | Layered and distributed charge load dispatch of considerable electric vehicles | |
| Zhang et al. | Multiobjective particle swarm optimization for microgrids pareto optimization dispatch | |
| Zhang et al. | Energy optimal management of microgrid with high photovoltaic penetration | |
| Aznavi et al. | Hierarchical droop controlled frequency optimization and energy management of a grid-connected microgrid | |
| CN107370167A (zh) | 基于静态多目标框架的冷热电联产系统的储能调度方法 | |
| CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
| Fatima et al. | A brief review on smart grid residential network schemes | |
| CN104092209A (zh) | 基于实时反馈的互动型微电网能量控制处理方法 | |
| Wang et al. | Multi-timescale risk scheduling for transmission and distribution networks for highly proportional distributed energy access | |
| Mendoza Osorio | A review in bess optimization for power systems | |
| Jadhav et al. | An application of craziness based shuffled frog leaping algorithm for wind-thermal generation dispatch considering emission and economy | |
| CN104616067A (zh) | 考虑上网电价与遗传算法优化的风储发电控制方法及系统 | |
| Doagou-Mojarrad et al. | Probabilistic interactive fuzzy satisfying generation and transmission expansion planning using fuzzy adaptive chaotic binary PSO algorithm | |
| Tan et al. | Real-time coordinated management of PHEVs at residential level via MDPs and game theory | |
| Li et al. | Optimal Regulation of ‘Source-Grid-Load-Storage’Interaction Based on State Based Potential Game |
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 |