CN109062151A - 综合能源系统多目标集成设计与优化控制方法 - Google Patents

综合能源系统多目标集成设计与优化控制方法 Download PDF

Info

Publication number
CN109062151A
CN109062151A CN201810789415.XA CN201810789415A CN109062151A CN 109062151 A CN109062151 A CN 109062151A CN 201810789415 A CN201810789415 A CN 201810789415A CN 109062151 A CN109062151 A CN 109062151A
Authority
CN
China
Prior art keywords
energy
compressed
optimization
storage system
air energy
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
Application number
CN201810789415.XA
Other languages
English (en)
Other versions
CN109062151B (zh
Inventor
王超
王瑞琪
孙振海
安树怀
许玮
慕世友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shandong Integrated Energy Services Co Ltd
State Grid Corp of China SGCC
Qingdao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Qingdao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Qingdao Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Publication of CN109062151A publication Critical patent/CN109062151A/zh
Application granted granted Critical
Publication of CN109062151B publication Critical patent/CN109062151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明涉及一种综合能源系统多目标集成设计与优化控制方法，属于新能源发电和储能技术领域。本发明的系统参数优化层以系统电能转换效率最大化和系统熵效率最大化为优化目标，以压缩空气储能系统的输出气体温度和膨胀比作为优化变量；系统容量配置优化层以系统经济成本最小化和污染物排放最小化为优化目标，以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量为优化变量；系统运行控制优化层以系统运行成本最小化、压缩空气储能系统SOC最小化、系统相对能耗最小化为优化目标；三层均采用多目标遗传算法求得Pareto最优解集，通过模糊决策方法得到最优解，提高综合能源系统的能量效率、运行经济性和新能源消纳水平。

Description

综合能源系统多目标集成设计与优化控制方法
技术领域
本发明涉及一种综合能源系统多目标集成设计与优化控制方法，属于新能源发电和储能技术领域。
背景技术
综合能源系统是指一定区域内利用先进的物理信息技术和创新管理模式，整合区域内煤炭、石油、天然气、电能、热能等多种能源，实现多种异质能源子系统之间的协调规划、优化运行，协同管理、交互响应和互补互济。在满足系统内多元化用能需求的同时，要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源系统。
综合能源系统由于复杂的结构、设备种类多运行特性差异大、具有冷热电耦合特性、高渗透率新能源，导致其参数设计、容量配置和优化控制面临巨大技术挑战。目前还没有缺少相关研究和方法应用，只是研究综合能源系统内单个设备的参数优化，或者其中参数设计、容量配置和优化控制其中一个方面，没有考虑综合能源系统的整体效率或者参数设计、容量配置和优化控制三者的递进关系，而且能量效率、运行经济性和新能源消纳水平需要综合考虑，协同优化设计与运行控制。
发明内容
针对现有技术存在的上述缺陷，本发明提出了一种综合能源系统多目标集成设计与优化控制方法，通过考虑综合能源系统的整体效率或者参数设计、容量配置和优化控制三者的递进关系，实现能量效率、运行经济性和新能源消纳水平等的协同优化设计与运行控制。
本发明所述的综合能源系统多目标集成设计与优化控制方法，包括如下步骤：
S1：构建系统最优运行模式：构建系统最优运行模式分为系统参数优化层、系统容量配置优化层、系统运行控制优化层；
S2：构建系统参数优化层：包括如下小步：
S21：参数设计：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S211：优化目标：以系统电能转换效率最大化和系统熵效率最大化为优化目标；
其中，系统电能转换效率最大化表示为：
式中，Ecom表示一个计算周期内压缩空气储能系统吸收的电能；Etur分别表示一个计算周期内压缩空气储能系统释放的电能；
其中，系统熵效率最大化表示为：
maxηEx＝ηEx,th·ηEx,tur (2)
式中，ηEx,th表示压缩空气储能系统节流阀的熵效率；ηEx,tur表示压缩空气储能系统涡轮的熵效率；
S212：优化变量：以压缩空气储能系统的输出气体温度和膨胀比作为优化变量；
S213：约束条件：以压缩空气储能系统的输出气体温度、膨胀比的参数取值范围作为约束条件；
其中，压缩空气储能系统的输出气体温度Tout(t)、膨胀比τ的参数取值范围表示为：
Tmin≤Tout≤Tmax (3)
τmin≤τ≤τmax (4)
式中，Tmin,Tmax是压缩空气储能系统输出气体的最小温度和最大温度，τmin,τmax压缩空气储能系统的最小膨胀比和最大膨胀比，由第三层提供的系统最优运行模式；
S22：求解最优解集：利用多目标遗传算法求得压缩空气储能系统的输出气体温度和膨胀比的Pareto最优解集，通过模糊决策方法得到最优解；
S3：构建系统容量配置优化层：包括如下小步：
S31：容量配置：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S311：优化目标：以系统经济成本最小化和污染物排放最小化为优化目标；
其中，系统经济成本最小化表示为：
式中，i表示综合能源系统内的设备；Caz,i表示设备购置成本；Cop,i表示设备运行成本；Pi,r表示第二层优化的设备配置容量；d表示设备折旧率；L表示设备生命周期；Pi(t)表示第三层优化的设备实际功率输出；
其中，污染物排放最小化表示为：
式中，WT表示风力发电系统；PV表示光伏发电系统；MT表示微型燃气轮机；CAES表示压缩空气储能系统；Ce,WT,Ce,PV,Ce,MT,Ce,CAES表示综合能源系统内的各设备的环境成本；PWT(t),PPV(t),PMT(t),PCAES(t)表示第三层优化的设备实际功率输出；Ce,TPG表示传统火力发电的环境成本；PTPG(t)表示传统火力发电的实际功率输出；
S312：优化变量：以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量作为优化变量；
S313：约束条件：以压缩空气储能系统的运行约束作为约束条件；
其中，压缩空气储能系统的运行约束表示为：
CAES释能约束0≤PCAES(t)≤Ptur (7)
CAES储能约束0≤PCAES(t)≤Pcom (8)
式中，Ptur代表CAES涡轮膨胀运行时的机械功率；Pcom代表CAES涡轮压缩运行时的机械功率；
S32：求解最优解集：采用多目标遗传算法求得微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量Pareto最优解集，通过模糊决策方法得到最优解；
S4：构建系统运行控制优化层：包括如下小步：
S41：优化控制：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S411：优化目标：以系统运行成本最小化、压缩空气储能系统SOC最小化、系统相对能耗最小化为优化目标；
其中，系统运行成本最小化表示为：
式中，Epgrid(t),Epgas(t)代表电价和天然气价格；Epex(t)代表综合能源系统向电网卖电的价格；Egrid(t),Eex(t)代表向电网买电和卖电的电量；Ggas(t)代表消耗的天然气量；
其中，压缩空气储能系统SOC最小化表示为：
式中，SOCCAES(t0)代表压缩空气储能计算周期初始时刻的SOC；SOCCAES(tn)代表压缩空气储能计算周期结束时刻的SOC；
其中，系统相对能耗最小化表示为：
式中，GTPG(t)代表火力发电供能系统的能源消耗；GCCHP(t)代表综合能源系统的能源消耗；
S412：优化变量：以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的功率输出为优化变量；
S413：约束条件：以微型燃气轮机的运行约束为约束条件；
其中，微型燃气轮机的运行约束可以表示为：
αPMT,r≤PMT(t)≤PMT,r (12)
式中，PMT,r代表第二层优化的微型燃气轮机的配置容量；PMT(t)代表第三层优化的微型燃气轮机的实际输出功率；α根据轻载对运行效率的影响而定，一般取α＝0.2；
S42：求解最优解集：采用多目标遗传算法求得微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的功率输出Pareto最优解集，通过模糊决策方法得到最优解；
S5：判断是否达到最优解集的最大代数：如果否，则进入步骤S2进行重新优化；如果是，则作为最终控制方案。
优选地，所述步骤S2、步骤S3和步骤S4为三层协同优化架构。
优选地，所述步骤S21、步骤S31和步骤S41三者为递进关系，综合考虑整体效率的因素还包括能量效率、运行经济性和新能源消纳水平。
优选地，所述步骤S311中的综合能源系统内的设备，包括微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统和储热系统。
优选地，所述步骤S311中的压缩空气储能系统，包括压缩机、储气罐、透平膨胀机、燃气内燃机和制冷机。
优选地，所述步骤S311中的压缩空气储能系统，在用电低谷时，富余电能驱动压缩机机组将空气以高压形式储存于储气罐中，同时压缩机机组的间冷器回收压缩热；在用电高峰时，储气罐内的高压空气经过回热器预热后进入透平膨胀机做功并驱动发电机发电，透平膨胀机出口的乏气进入燃气内燃机中与天然气混合燃烧再次驱动发电机发电，燃气内燃机排放的高温烟气先经过回热器换热，然后与内燃机缸套循环水以及由间冷器加热的水一起进入制冷机，驱动机组供热或者供冷。
本发明的有益效果是：(1)现有技术只是研究综合能源系统内单个设备的优化，没有考虑综合能源系统的整体效率；本方法能够得到综合考虑能量效率、运行经济性和新能源消纳水平的最优解集。
(2)现有技术法只是关注参数设计、容量配置和优化控制其中一个方面，没有考虑综合能源系统的整体效率或者参数设计、容量配置和优化控制三者的关系；本方法采用三层优化架构，通过递进式层层优化，可以得到综合能源系统的参数设计、容量配置和优化控制的集成解决方案。
(3)现有技术一次计算只能求取一个优化目标，本方法采用多目标遗传算法求得Pareto最优解集，通过模糊决策方法得到最优解，采用智能并行算法，计算复杂度更低，计算效率更高。
附图说明
图1是本发明的原理流程框图。
图2是综合能源系统的结构示意图。
图3是压缩空气储能系统的结构示意图。
具体实施方式
为了使本发明目的、技术方案更加清楚明白，下面结合实施例，对本发明作进一步详细说明。
实施例1：
如图1所示，本发明所述的综合能源系统多目标集成设计与优化控制方法，包括如下步骤：
S1：构建系统最优运行模式：构建系统最优运行模式分为系统参数优化层、系统容量配置优化层、系统运行控制优化层；
S2：构建系统参数优化层：包括如下小步：
S21：参数设计：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S211：优化目标：以系统电能转换效率最大化和系统熵效率最大化为优化目标；
其中，系统电能转换效率最大化表示为：
式中，Ecom表示一个计算周期内压缩空气储能系统吸收的电能；Etur分别表示一个计算周期内压缩空气储能系统释放的电能；
其中，系统熵效率最大化表示为：
maxηEx＝ηEx,th·ηEx,tur (2)
式中，ηEx,th表示压缩空气储能系统节流阀的熵效率；ηEx,tur表示压缩空气储能系统涡轮的熵效率；
S212：优化变量：以压缩空气储能系统的输出气体温度和膨胀比作为优化变量；
S213：约束条件：以压缩空气储能系统的输出气体温度、膨胀比的参数取值范围作为约束条件；
其中，压缩空气储能系统的输出气体温度Tout(t)、膨胀比τ的参数取值范围表示为：
Tmin≤Tout≤Tmax (3)
τmin≤τ≤τmax (4)
式中，Tmin,Tmax是压缩空气储能系统输出气体的最小温度和最大温度，τmin,τmax压缩空气储能系统的最小膨胀比和最大膨胀比，由第三层提供的系统最优运行模式；
S22：求解最优解集：利用多目标遗传算法求得压缩空气储能系统的输出气体温度和膨胀比的Pareto最优解集，通过模糊决策方法得到最优解；
S3：构建系统容量配置优化层：包括如下小步：
S31：容量配置：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S311：优化目标：以系统经济成本最小化和污染物排放最小化为优化目标；
其中，系统经济成本最小化表示为：
式中，i表示综合能源系统内的设备；Caz,i表示设备购置成本；Cop,i表示设备运行成本；Pi,r表示第二层优化的设备配置容量；d表示设备折旧率；L表示设备生命周期；Pi(t)表示第三层优化的设备实际功率输出；
其中，污染物排放最小化表示为：
式中，WT表示风力发电系统；PV表示光伏发电系统；MT表示微型燃气轮机；CAES表示压缩空气储能系统；Ce,WT,Ce,PV,Ce,MT,Ce,CAES表示综合能源系统内的各设备的环境成本；PWT(t),PPV(t),PMT(t),PCAES(t)表示第三层优化的设备实际功率输出；Ce,TPG表示传统火力发电的环境成本；PTPG(t)表示传统火力发电的实际功率输出；
S312：优化变量：以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量作为优化变量；
S313：约束条件：以压缩空气储能系统的运行约束作为约束条件；
其中，压缩空气储能系统的运行约束表示为：
CAES释能约束0≤PCAES(t)≤Ptur (7)
CAES储能约束0≤PCAES(t)≤Pcom (8)
式中，Ptur代表CAES涡轮膨胀运行时的机械功率；Pcom代表CAES涡轮压缩运行时的机械功率；
S32：求解最优解集：采用多目标遗传算法求得微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量Pareto最优解集，通过模糊决策方法得到最优解；
S4：构建系统运行控制优化层：包括如下小步：
S41：优化控制：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S411：优化目标：以系统运行成本最小化、压缩空气储能系统SOC最小化、系统相对能耗最小化为优化目标；
其中，系统运行成本最小化表示为：
式中，Epgrid(t),Epgas(t)代表电价和天然气价格；Epex(t)代表综合能源系统向电网卖电的价格；Egrid(t),Eex(t)代表向电网买电和卖电的电量；Ggas(t)代表消耗的天然气量；
其中，压缩空气储能系统SOC最小化表示为：
式中，SOCCAES(t0)代表压缩空气储能计算周期初始时刻的SOC；SOCCAES(tn)代表压缩空气储能计算周期结束时刻的SOC；
其中，系统相对能耗最小化表示为：
式中，GTPG(t)代表火力发电供能系统的能源消耗；GCCHP(t)代表综合能源系统的能源消耗；
S412：优化变量：以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的功率输出为优化变量；
S413：约束条件：以微型燃气轮机的运行约束为约束条件；
其中，微型燃气轮机的运行约束可以表示为：
αPMT,r≤PMT(t)≤PMT,r (12)
式中，PMT,r代表第二层优化的微型燃气轮机的配置容量；PMT(t)代表第三层优化的微型燃气轮机的实际输出功率；α根据轻载对运行效率的影响而定，一般取α＝0.2；
S42：求解最优解集：采用多目标遗传算法求得微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的功率输出Pareto最优解集，通过模糊决策方法得到最优解；
S5：判断是否达到最优解集的最大代数：如果否，则进入步骤S2进行重新优化；如果是，则作为最终控制方案。
所述步骤S2、步骤S3和步骤S4为三层协同优化架构。
所述步骤S21、步骤S31和步骤S41三者为递进关系，综合考虑整体效率的因素还包括能量效率、运行经济性和新能源消纳水平。
现有技术只是研究综合能源系统内单个设备的优化，没有考虑综合能源系统的整体效率；本方法能够得到综合考虑能量效率、运行经济性和新能源消纳水平的最优解集。而且现有技术只是关注参数设计、容量配置和优化控制其中一个方面，没有考虑综合能源系统的整体效率或者参数设计、容量配置和优化控制三者的关系；本方法采用三层优化架构，通过递进式层层优化，可以得到综合能源系统的参数设计、容量配置和优化控制的集成解决方案；本方法采用多目标遗传算法求得Pareto最优解集，通过模糊决策方法得到最优解，采用智能并行算法，计算复杂度更低，计算效率更高。
实施例2：
如图2所示，所述步骤S311中的综合能源系统内的设备，包括微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统和储热系统，能够为用户和负载提供冷热电需求。
其中，光伏发电系统和风力发电系统为用户提供清洁电能。微型燃气轮机和压缩空气储能系统用来平抑新能源输出功率的间歇性和波动性。同时，微型燃气轮机和压缩空气储能系统，充分利用系统产生的余热，为用户提供冷热电需求，提高能源梯次利用效率。
具体地，如图3所示，所述步骤S311中的压缩空气储能系统，包括压缩机、储气罐、透平膨胀机、燃气内燃机和制冷机。所述步骤S311中的压缩空气储能系统，在用电低谷时，富余电能驱动压缩机机组将空气以高压形式储存于储气罐中，同时压缩机机组的间冷器回收压缩热；在用电高峰时，储气罐内的高压空气经过回热器预热后进入透平膨胀机做功并驱动发电机发电，透平膨胀机出口的乏气进入燃气内燃机中与天然气混合燃烧再次驱动发电机发电，燃气内燃机排放的高温烟气先经过回热器换热，然后与内燃机缸套循环水以及由间冷器加热的水一起进入制冷机，驱动机组供热或者供冷。
压缩空气储能系统可利用低谷电、弃风电、弃光电等对空气进行压缩，并将高压空气密封在地下盐穴、地下矿洞、过期油气井或新建储气室中，在电网负荷高峰期释放压缩空气推动透平机(气轮机、涡轮机等)发电。压缩空气储能对地理条件无特殊要求，建造成本和响应速度与抽水蓄能电站相当，使用寿命长，储能容量大，是一种具有推广应用前景的大规模储能技术。
本发明可广泛运用新能源发电和储能场合。
以上所述仅为本发明的较佳实施例而己，并不以本发明为限制，凡在本发明的精神和原则之内所作的均等修改、等同替换和改进等，均应包含在本发明的专利涵盖范围内。

Claims (6)

1.一种综合能源系统多目标集成设计与优化控制方法，其特征在于，包括如下步骤：
S1：构建系统最优运行模式：构建系统最优运行模式分为系统参数优化层、系统容量配置优化层、系统运行控制优化层；
S2：构建系统参数优化层：包括如下小步：
S21：参数设计：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S211：优化目标：以系统电能转换效率最大化和系统熵效率最大化为优化目标；
其中，系统电能转换效率最大化表示为：
式中，Ecom表示一个计算周期内压缩空气储能系统吸收的电能；Etur分别表示一个计算周期内压缩空气储能系统释放的电能；
其中，系统熵效率最大化表示为：
maxηEx＝ηEx,th·ηEx,tur (2)
式中，ηEx,th表示压缩空气储能系统节流阀的熵效率；ηEx,tur表示压缩空气储能系统涡轮的熵效率；
S212：优化变量：以压缩空气储能系统的输出气体温度和膨胀比作为优化变量；
S213：约束条件：以压缩空气储能系统的输出气体温度、膨胀比的参数取值范围作为约束条件；
其中，压缩空气储能系统的输出气体温度Tout(t)、膨胀比τ的参数取值范围表示为：
Tmin≤Tout≤Tmax (3)
τmin≤τ≤τmax (4)
式中，Tmin,Tmax是压缩空气储能系统输出气体的最小温度和最大温度，τmin,τmax压缩空气储能系统的最小膨胀比和最大膨胀比，由第三层提供的系统最优运行模式；
S22：求解最优解集：利用多目标遗传算法求得压缩空气储能系统的输出气体温度和膨胀比的Pareto最优解集，通过模糊决策方法得到最优解；
S3：构建系统容量配置优化层：包括如下小步：
S31：容量配置：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S311：优化目标：以系统经济成本最小化和污染物排放最小化为优化目标；
其中，系统经济成本最小化表示为：
式中，i表示综合能源系统内的设备；Caz,i表示设备购置成本；Cop,i表示设备运行成本；Pi,r表示第二层优化的设备配置容量；d表示设备折旧率；L表示设备生命周期；Pi(t)表示第三层优化的设备实际功率输出；
其中，污染物排放最小化表示为：
式中，WT表示风力发电系统；PV表示光伏发电系统；MT表示微型燃气轮机；CAES表示压缩空气储能系统；Ce,WT,Ce,PV,Ce,MT,Ce,CAES表示综合能源系统内的各设备的环境成本；PWT(t),PPV(t),PMT(t),PCAES(t)表示第三层优化的设备实际功率输出；Ce,TPG表示传统火力发电的环境成本；PTPG(t)表示传统火力发电的实际功率输出；
S312：优化变量：以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量作为优化变量；
S313：约束条件：以压缩空气储能系统的运行约束作为约束条件；
其中，压缩空气储能系统的运行约束表示为：
CAES释能约束 0≤PCAES(t)≤Ptur (7)
CAES储能约束 0≤PCAES(t)≤Pcom (8)
式中，Ptur代表CAES涡轮膨胀运行时的机械功率；Pcom代表CAES涡轮压缩运行时的机械功率；
S32：求解最优解集：采用多目标遗传算法求得微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量Pareto最优解集，通过模糊决策方法得到最优解；
S4：构建系统运行控制优化层：包括如下小步：
S41：优化控制：分为优化目标、优化变量和约束条件三个步骤，具体包括以下分小步：
S411：优化目标：以系统运行成本最小化、压缩空气储能系统SOC最小化、系统相对能耗最小化为优化目标；
其中，系统运行成本最小化表示为：
式中，Epgrid(t),Epgas(t)代表电价和天然气价格；Epex(t)代表综合能源系统向电网卖电的价格；Egrid(t),Eex(t)代表向电网买电和卖电的电量；Ggas(t)代表消耗的天然气量；
其中，压缩空气储能系统SOC最小化表示为：
式中，SOCCAES(t0)代表压缩空气储能计算周期初始时刻的SOC；SOCCAES(tn)代表压缩空气储能计算周期结束时刻的SOC；
其中，系统相对能耗最小化表示为：
式中，GTPG(t)代表火力发电供能系统的能源消耗；GCCHP(t)代表综合能源系统的能源消耗；
S412：优化变量：以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的功率输出为优化变量；
S413：约束条件：以微型燃气轮机的运行约束为约束条件；
其中，微型燃气轮机的运行约束可以表示为：
αPMT,r≤PMT(t)≤PMT,r (12)
式中，PMT,r代表第二层优化的微型燃气轮机的配置容量；PMT(t)代表第三层优化的微型燃气轮机的实际输出功率；α根据轻载对运行效率的影响而定，一般取α＝0.2；
S42：求解最优解集：采用多目标遗传算法求得微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的功率输出Pareto最优解集，通过模糊决策方法得到最优解；
S5：判断是否达到最优解集的最大代数：如果否，则进入步骤S2进行重新优化；如果是，则作为最终控制方案。
2.根据权利要求1所述的综合能源系统多目标集成设计与优化控制方法，其特征在于，所述步骤S2、步骤S3和步骤S4为三层协同优化架构。
3.根据权利要求2所述的综合能源系统多目标集成设计与优化控制方法，其特征在于，所述步骤S21、步骤S31和步骤S41三者为递进关系，综合考虑整体效率的因素还包括能量效率、运行经济性和新能源消纳水平。
4.根据权利要求1所述的综合能源系统多目标集成设计与优化控制方法，其特征在于，所述步骤S311中的综合能源系统内的设备，包括微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统和储热系统。
5.根据权利要求4所述的综合能源系统多目标集成设计与优化控制方法，其特征在于，所述步骤S311中的压缩空气储能系统，包括压缩机、储气罐、透平膨胀机、燃气内燃机和制冷机。
6.根据权利要求5所述的综合能源系统多目标集成设计与优化控制方法，其特征在于，所述步骤S311中的压缩空气储能系统，在用电低谷时，富余电能驱动压缩机机组将空气以高压形式储存于储气罐中，同时压缩机机组的间冷器回收压缩热；在用电高峰时，储气罐内的高压空气经过回热器预热后进入透平膨胀机做功并驱动发电机发电，透平膨胀机出口的乏气进入燃气内燃机中与天然气混合燃烧再次驱动发电机发电，燃气内燃机排放的高温烟气先经过回热器换热，然后与内燃机缸套循环水以及由间冷器加热的水一起进入制冷机，驱动机组供热或者供冷。
CN201810789415.XA 2018-05-08 2018-07-18 综合能源系统多目标集成设计与优化控制方法 Active CN109062151B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810432951 2018-05-08
CN2018104329514 2018-05-08

Publications (2)

Publication Number Publication Date
CN109062151A true CN109062151A (zh) 2018-12-21
CN109062151B CN109062151B (zh) 2019-06-14

Family

ID=64817178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810789415.XA Active CN109062151B (zh) 2018-05-08 2018-07-18 综合能源系统多目标集成设计与优化控制方法

Country Status (1)

Country Link
CN (1) CN109062151B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109494809A (zh) * 2019-01-07 2019-03-19 中国矿业大学(北京) 包含电转气装置的电-气互联系统及运行方法
CN111626487A (zh) * 2020-05-15 2020-09-04 浙江大学 一种综合能源系统多评价指标优化规划技术方法和系统
CN113032992A (zh) * 2021-03-22 2021-06-25 西安热工研究院有限公司 一种与煤电耦合的高压空气储能系统最优冷源的确定方法
CN113153229A (zh) * 2021-04-23 2021-07-23 河北工业大学 一种页岩气绿色开发方案的筛选方法及装置
CN113285445A (zh) * 2021-05-08 2021-08-20 广西大学 一种双层分布式多目标旋转黏菌的多区域经济调度方法
CN113807015A (zh) * 2021-09-17 2021-12-17 南方电网科学研究院有限责任公司 压缩空气储能系统参数优化方法、装置、设备及存储介质
CN115062869A (zh) * 2022-08-04 2022-09-16 国网山东省电力公司东营供电公司 一种考虑碳排放量的综合能源调度方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024014A1 (en) * 2011-07-20 2013-01-24 Nec Laboratories America, Inc. Optimal energy management of a rural microgrid system using multi-objective optimization
CN104239976A (zh) * 2014-09-17 2014-12-24 华北电力大学 一种考虑电力生产外部成本的电网购电优化方法
CN106786603A (zh) * 2017-02-22 2017-05-31 天津大学 一种区域综合能源系统多目标最优混合潮流算法
CN107609693A (zh) * 2017-08-31 2018-01-19 安徽大学 基于Pareto档案粒子群算法的微电网多目标优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024014A1 (en) * 2011-07-20 2013-01-24 Nec Laboratories America, Inc. Optimal energy management of a rural microgrid system using multi-objective optimization
CN104239976A (zh) * 2014-09-17 2014-12-24 华北电力大学 一种考虑电力生产外部成本的电网购电优化方法
CN106786603A (zh) * 2017-02-22 2017-05-31 天津大学 一种区域综合能源系统多目标最优混合潮流算法
CN107609693A (zh) * 2017-08-31 2018-01-19 安徽大学 基于Pareto档案粒子群算法的微电网多目标优化方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109494809A (zh) * 2019-01-07 2019-03-19 中国矿业大学(北京) 包含电转气装置的电-气互联系统及运行方法
CN109494809B (zh) * 2019-01-07 2020-12-29 中国矿业大学(北京) 包含电转气装置的电-气互联系统及运行方法
CN111626487A (zh) * 2020-05-15 2020-09-04 浙江大学 一种综合能源系统多评价指标优化规划技术方法和系统
CN111626487B (zh) * 2020-05-15 2023-05-26 浙江大学 一种综合能源系统多评价指标优化规划技术方法和系统
CN113032992A (zh) * 2021-03-22 2021-06-25 西安热工研究院有限公司 一种与煤电耦合的高压空气储能系统最优冷源的确定方法
CN113032992B (zh) * 2021-03-22 2023-03-28 西安热工研究院有限公司 一种与煤电耦合的高压空气储能系统最优冷源的确定方法
CN113153229A (zh) * 2021-04-23 2021-07-23 河北工业大学 一种页岩气绿色开发方案的筛选方法及装置
CN113285445A (zh) * 2021-05-08 2021-08-20 广西大学 一种双层分布式多目标旋转黏菌的多区域经济调度方法
CN113285445B (zh) * 2021-05-08 2022-10-11 广西大学 一种双层分布式多目标旋转黏菌的多区域经济调度方法
CN113807015A (zh) * 2021-09-17 2021-12-17 南方电网科学研究院有限责任公司 压缩空气储能系统参数优化方法、装置、设备及存储介质
CN113807015B (zh) * 2021-09-17 2023-12-26 南方电网科学研究院有限责任公司 压缩空气储能系统参数优化方法、装置、设备及存储介质
CN115062869A (zh) * 2022-08-04 2022-09-16 国网山东省电力公司东营供电公司 一种考虑碳排放量的综合能源调度方法和系统

Also Published As

Publication number Publication date
CN109062151B (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
CN109062151B (zh) 综合能源系统多目标集成设计与优化控制方法
Wang et al. Multi-objective optimization of a gas turbine-based CCHP combined with solar and compressed air energy storage system
Abbasi et al. Energy, exergy, and economic evaluations of a CCHP system by using the internal combustion engines and gas turbine as prime movers
Wang et al. Off-design performances of gas turbine-based CCHP combined with solar and compressed air energy storage with organic Rankine cycle
Wei et al. Multi-objective optimal operation and energy coupling analysis of combined cooling and heating system
Yang et al. Design and simulation of gas turbine-based CCHP combined with solar and compressed air energy storage in a hotel building
Jabari et al. Designing and optimizing a novel advanced adiabatic compressed air energy storage and air source heat pump based μ-Combined Cooling, heating and power system
Vieira et al. Applications of compressed air energy storage in cogeneration systems
Dib et al. Thermodynamic simulation of a micro advanced adiabatic compressed air energy storage for building application
Jiang et al. Thermodynamic model development and performance analysis of a novel combined cooling, heating and power system integrated with trigenerative compressed air energy storage
Jiang et al. Multi-objective assessment, optimization and application of a grid-connected combined cooling, heating and power system with compressed air energy storage and hybrid refrigeration
MX2014014731A (es) Procedimiento de regulacion de una instalacion que comprende aparatos de cogeneracion y sistemas termodinamicos destinados a la climatizacion y o calefaccion.
Han et al. Collaborative optimization method and operation performances for a novel integrated energy system containing adiabatic compressed air energy storage and organic Rankine cycle
CN111102143A (zh) 一种地热光热复合式连续发电系统
Zhao et al. Multi-objective optimization of a hybrid system based on combined heat and compressed air energy storage and electrical boiler for wind power penetration and heat-power decoupling purposes
Calise et al. A novel smart energy network paradigm integrating combined heat and power, photovoltaic and electric vehicles
Najjar et al. Using novel compressed‐air energy storage systems as a green strategy in sustainable power generation–a review
Thorin et al. Combined heat and power
Ge et al. Optimal configuration and operation analysis of solar-assisted natural gas distributed energy system with energy storage
Khaldi Air bottoming cycle for hybrid solar-gas power plants
Zhao et al. Assessment the hydrogen-electric coupled energy storage system based on hydrogen-fueled CAES and power-to-gas-to-power device considering multiple time-scale effect and actual operation constraints
Taheri et al. A green cogeneration microgrid composed of water-source heat pumps, a gravity energy storage, and a bio-fueled gas turbine: Design and techno-economic optimization
Aruta et al. Optimization of a diabatic compressed air energy storage coupled with photovoltaics for buildings: CO2-eq emissions vs payback time
CN109255487A (zh) 一种基于标准化矩阵模型的综合能源系统优化方法
Chen et al. Compressed air energy storage system

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
TA01 Transfer of patent application right

Effective date of registration: 20190507

Address after: 266000 No. 17 Liu Jiaxia Road, Shinan District, Qingdao City, Shandong Province

Applicant after: Qingdao Power Supply Company, State Grid Shandong Electric Power Company

Applicant after: State Grid Corporation of China

Applicant after: State Grid Shandong Integrated Energy Services Co., Ltd.

Address before: 266000 No. 17 Liu Jiaxia Road, Shinan District, Qingdao City, Shandong Province

Applicant before: Qingdao Power Supply Company, State Grid Shandong Electric Power Company

Applicant before: State Grid Corporation of China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant