CN109088442A - 多时间尺度下考虑多种储能的微能源网优化调度模型 - Google Patents

Abstract

本发明公开了一种多时间尺度下考虑多种储能的微能源网优化调度模型，涉及能源互联网优化运行领域，微能源网包含电、热、气三种能量形式，包括P2G设备、热电联供型微燃机、电锅炉、燃气锅炉、蓄电池、蓄热槽、储气罐；多时间尺度考虑日前1小时与日内15分钟两种时间尺度，所述微能源网优化调度模型的建立过程包括以下步骤：步骤1，确定微能源网元件参数与网络参数；步骤2，建立微能源网日前1小时级优化调度模型；步骤3，建立微能源网日内15分钟级优化调度模型。本发明在保证各储能设备日运行能量平衡的前提下有效应对可再生能源功率波动与负荷预测误差，提高了微能源网对风电、光伏的消纳能力。

Description

多时间尺度下考虑多种储能的微能源网优化调度模型

技术领域

本发明涉及能源互联网优化运行领域，尤其涉及一种多时间尺度下考虑多种储能的微能源网优化调度模型。

背景技术

在能源互联网理念不断深入的背景下，多能互补、集成优化成为解决分布式可再生能源就地消纳问题、提高能源综合利用效率的有效途径。而微能源网作为能源互联网的重要组成部分，将代替微电网在区域综合能源系统中发挥重要作用。在微能源网中，储能的方式将更加丰富。除了在微电网中广泛应用的蓄电池储能外，还可包括储气罐、蓄热槽、冰蓄冷机组等气、热、冷多种能源形式的储能设备，结合能源转换技术可实现多种储能模式的协同调控，从而提高微能源网运行的经济性与灵活性。

然而在微能源网中，由于风、光等可再生能源功率以及负荷功率不稳定，在日前预测时会产生较大误差，导致微能源网对风、光等可再生能源的利用率不高。

因此，本领域的技术人员致力于开发一种在保证各储能设备日运行能量平衡的前提下有效应对可再生能源功率波动与负荷预测误差的微能源网优化调度模型，提高微能源网对风能、光能的消纳能力。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是在微能源网中，由于风、光等可再生能源功率以及负荷功率在日前预测时会产生较大误差，对风、光等可再生能源的利用率不高。

为实现上述目的，本发明提供了一种多时间尺度下考虑多种储能的微能源网优化调度模型，微能源网包含电、热、气三种能量形式，包括P2G设备、热电联供型微燃机、电锅炉、燃气锅炉、蓄电池、蓄热槽、储气罐；多时间尺度考虑日前1小时与日内15分钟两种时间尺度，所述微能源网优化调度模型的建立包括以下步骤：

步骤1：确定所述微能源网元件参数与网络参数；

步骤2：建立所述微能源网日前1小时级优化调度模型；

步骤3：建立所述微能源网日内15分钟级优化调度模型。

进一步地，所述微能源网元件参数包括所述蓄电池的额定充放能功率、额定容量及储能状态上下限，所述蓄热槽的额定充放能功率、额定容量及储能状态上下限，所述储气罐的额定充放能功率、额定容量及储能状态上下限，所述蓄电池的自放电率，所述蓄热槽的自散热率，所述P2G设备的综合能量转化效率和额定转化功率，所述热电联供型微燃机的额定进气功率、电转换效率、热转换效率和爬坡功率上下限，所述电锅炉、所述燃气锅炉的额定输入功率、产热效率和爬坡功率上下限；所述网络参数包括所述微能源网与外部电网、天然气网的联络线传输功率上下限和电能、天然气价格。

进一步地，所述微能源网日前1小时级优化调度模型考虑优化目标函数、决策变量和约束条件；所述优化目标函数为所述微能源网日运行成本最低；所述决策变量为所述微能源网从外网的购入功率、所述蓄电池工作状态、所述蓄热槽工作状态、所述储气罐工作状态、可再生能源计划功率、所述P2G设备转换功率、所述热电联供型微燃机功率、所述电锅炉功率、所述燃气锅炉功率；所述约束条件为所述微能源网的网络约束和内部元件约束。

进一步地，所述微能源网日运行成本包括从外部电网与从外部天然气网购入的能源成本。

进一步地，所述微能源网日内15分钟级优化调度模型采用模型预测控制的方法，分为参数预测、滚动优化和反馈校正三个步骤；

所述参数预测是根据短期预测模型得到可再生能源可用功率以及电、热、气负荷不确定因素在对应滚动时域内的预测值，并传递给滚动优化模型；

所述滚动优化是指滚动时域随时间不断向前推移，到下一调度时段时仅执行上一次优化中控制时域的优化结果，并利用更新后的数据重新开始下一轮优化；

所述反馈校正是将实时更新的系统状态和新的预测结果反馈给所述滚动优化模型，不断对优化参数进行校正，从而提高控制的精度。

进一步地，所述滚动优化考虑优化目标函数、决策变量和约束条件；

所述优化目标函数是将跟踪变量日内跟踪效果好、可控机组功率调节平滑、可再生能源利用率高三种目标经归一化处理后按照一定权重组合而成，表示为：

其中，y_t为跟踪变量，包括归一化处理后所述微能源网从电网、天然气网的购入功率；为跟踪变量的参考值，由日前调度结果给出；u_t为调节增量，包括所有归一化后的所述蓄电池充放功率增量、所述蓄热槽充放功率增量、所述储气罐充放功率增量、所述P2G转换功率增量、所述热电联供型微燃机增量、所述电锅炉增量和所述燃气锅炉的功率增量；P_ren,t、分别代表归一化后的可再生能源发电的决策功率和预测可用功率；W₁、W₂、W₃表示相应变量的权重，根据实际运行要求调整；

所述决策变量为所述微能源网实时购入功率、所述蓄电池工作状态、所述蓄热槽工作状态、所述储气罐工作状态、可再生能源实际功率、所述P2G设备转换功率以及所述热电联供型微燃机、所述电锅炉、所述燃气锅炉实时功率；

所述约束条件为所述微能源网的网络约束、所述内部元件约束和可控设备出力的时间耦合约束。

进一步地，所述可控设备出力的时间耦合约束为：

P(k+1)＝P(k)+u(k) (25)

其中，P(k)为k时刻所述蓄电池充放功率、所述蓄热槽充放功率、所述储气罐充放功率、所述P2G设备转换功率、所述热电联供型微燃机功率、所述电锅炉功率和所述燃气锅炉功率的总和。

进一步地，所述微能源网的网络约束包括电、热、气三种能源形式的功率平衡约束和所述微能源网与外网交互功率约束，所述内部元件约束包括所述蓄电池、所述蓄热槽、所述储气罐、所述P2G设备、所述热电联供型微燃机、所述电锅炉、所述燃气锅炉的运行约束以及可再生能源功率约束。

进一步地，所述微能源网日前1小时级优化调度模型的功率平衡约束和可再生能源功率约束采用日前预测值；所述微能源网日内15分钟级优化调度模型的功率平衡约束和可再生能源功率约束采用所述参数预测值。

进一步地，所述参数预测采用人工神经网络法。

本发明在保证各储能设备日运行能量平衡的前提下有效应对可再生能源功率波动与负荷预测误差，提高了微能源网对风电、光伏的消纳能力。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明微能源网优化调度模型建立流程图；

图2是本发明提供的模型预测控制滚动优化示意图；

图3是本发明实施例中微能源网结构示意图；

图4是本发明实施例中微能源网内电、热、气负荷日前预测值；

图5是本发明实施例中可再生能源预测值与实际功率情况；

图6是本发明实施例中微能源网的实测负荷功率；

图7是本发明实施例中各储能设备储能状态的日内跟踪优化效果；

图8是本发明实施例中微能源网与外网交互功率的日内跟踪优化效果。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

微能源网包含电、热、气三种能量形式，包括P2G设备、热电联供型微燃机、电锅炉、燃气锅炉、蓄电池、蓄热槽、储气罐。如图1所示，本发明公开的一种多时间尺度下考虑多种储能的微能源网优化调度模型采取的技术方案如下：

步骤1：确定微能源网元件参数与网络参数；

微能源网元件参数包括蓄电池、蓄热槽和储气罐三种储能设备的额定充放能功率、额定容量及储能状态上下限，蓄电池的自放电率与蓄热槽的自散热率，P2G(power togas电转天然气)设备的综合能量转化效率和额定转化功率，热电联供型微燃机的额定进气功率、电转换效率、热转换效率和爬坡功率上下限，电锅炉、燃气锅炉的额定输入功率、产热效率和爬坡功率上下限；网络参数包括微能源网与外部电网、天然气网的联络线传输功率上下限及电能、天然气价格。

步骤2：建立微能源网日前1小时级优化调度模型；

微能源网日前优化调度模型主要考虑优化目标函数、决策变量及相关约束条件；这里选取微能源网日运行成本最低为优化目标函数：

其中，分别为t时段微能源网从电网和天然气网购入的功率；Δt为间隔时长，这里取1h；C_e(t)为t时段单位电价；C_g(t)为t时段天然气单位功率成本，与天然气单位体积价格和体积发热量有关；

决策变量主要为微能源网从外网的购入功率蓄电池工作状态 蓄热槽工作状态储气罐工作状态可再生能源计划功率P_wind,t、P_pv,t，P2G设备转换功率P2G设备转换功率热电联供型微燃机电/燃气锅炉输入功率

约束条件包括微能源网的网络约束和内部元件约束，其中，微能源网的网络约束包括电、热、气三种能源形式的功率平衡约束和微能源网与外网交互功率约束，内部元件约束包括蓄电池、蓄热槽、储气罐、P2G设备、热电联供型微燃机、电锅炉、燃气锅炉的运行约束以及可再生能源功率约束；

电、热、气三种能源形式的功率平衡约束可分别表示为：

其中，下角标e、h、g分别代表电、热、气三种能源形式，上角标EB、GB分别代表电锅炉和燃气锅炉，L_e,t、L_h,t、L_g,t分别为系统的电、热、气负荷(包含网络损耗)；

微能源网与外网交互功率约束表达式为：

其中，分别为微能源网与外部电网的联络线传输功率上下限；分别为微能源网从外部天然气网购入功率的最大值与最小值；

蓄电池运行约束可表示为：

S_e(0)＝S_e(24)(8)

其中，代表蓄电池充电状态，为0-1变量；分别为蓄电池的额定充放电功率和额定容量；分别为蓄电池的充、放电效率；S_e(t)表示t时段初蓄电池的荷电状态；σ_e为自放电率；分别为蓄电池荷电状态的上下限；公式(8)用来保证蓄电池在一个调度周期中的充放电量平衡，便于持续工作。

蓄热槽运行约束可表示为：

S_h(0)＝S_h(24) (11)

其中，σ_h为蓄热槽的自散热率；

储气罐运行约束与蓄电池、蓄热槽运行约束类似，不同的是储气罐的自身能量损耗相较于蓄电池和蓄热槽来讲可忽略不计，即：

S_g(0)＝S_g(24) (14)

P2G设备运行约束为：

式中：分别为t时段P2G过程消耗的电功率和转化的天然气功率；η_P2G为电转天然气的综合能量转化效率；为P2G设备的额定转化功率；

热电联供型微燃机运行约束表达式如下：

其中，分别为热电联供型微燃机的电、热转换效率；分别为热电联供型微燃机爬坡功率的上下限，正值代表功率增大，负值代表功率减小；

电/燃气锅炉的运行约束表达式为：

其中，分别为电/燃气锅炉的输入、输出功率；η_B为锅炉的产热效率；ΔP_Bmax、ΔP_Bmin分别为电/燃气锅炉的爬坡功率上下限；

可再生能源发电约束表达式如下：

其中，分别为风电和光伏的预测可用功率。

步骤3：建立微能源网日内15分钟级优化调度模型；

微能源网日内优化调度基于模型预测控制的方法，分为参数预测、滚动优化和反馈校正三个步骤进行；

参数预测是根据短期预测模型得到风、光等可再生能源可用功率以及电、热、气负荷等不确定因素在当前时刻对应滚动时域内的预测值，并传递给滚动优化模型，可采用人工神经网络的方法；

滚动优化是指滚动时域随时间不断向前推移，到下一调度时段时仅执行上一次优化中控制时域(滚动时域内的前15分钟)的优化结果，并利用更新后的数据重新开始下一轮优化，图2是模型预测控制滚动优化示意图；

日内滚动优化模型需要考虑优化目标函数、决策变量及约束条件；这里优化目标函数是将跟踪变量日内跟踪效果最好、可控机组功率调节最平滑、可再生能源利用率最高三种目标经归一化处理后按照一定权重组合而成，可表示为：

其中，y_t为跟踪变量，包括归一化处理后微能源网从电网、天然气网的购入功率，跟踪变量角标“*”表示变量归一化处理后的值；为跟踪变量的参考值，由日前调度结果给出；u_t为调节增量，包括所有归一化后的蓄电池充放功率增量、蓄热槽充放功率增量、储气罐充放功率增量、P2G转换功率增量、热电联供型微燃机增量、电锅炉增量和燃气锅炉的功率增量；P_ren,t、分别代表归一化后的可再生能源发电的决策功率和预测可用功率；W₁、W₂、W₃表示相应变量的权重，根据实际运行要求调整；

决策变量主要为微能源网实时购入功率、蓄电池工作状态、蓄热槽工作状态、储气罐工作状态、可再生能源实际功率、P2G设备转换功率以及热电联供型微燃机、电锅炉、燃气锅炉实时功率；

约束条件除了包括微能源网的网络约束、内部元件约束外，相较于日前优化调度模型还新增了可控设备出力的时间耦合约束：

P(k+1)＝P(k)+u(k) (25)

其中，P(k)为k时刻蓄电池充放功率、蓄热槽充放功率、储气罐充放功率、P2G设备转换功率、热电联供型微燃机功率、电锅炉功率和燃气锅炉功率的总和。

反馈校正将实时更新的系统状态和最新的预测结果反馈给滚动优化模型，不断对优化参数进行校正，从而提高控制的精度。

在本发明的一个具体实施例中，微能源网结构如图3所示，微能源网优化调度模型的建立过程如下：

步骤1：确定微能源网元件参数与网络参数。其中，电、热、气负荷日前预测值如图4所示，风、光可用功率日前预测值如图5所示。表1、表2分别给出了电、热、气三种储能设备和其余网络与元件的配置参数。购电价格按表3所示的分时电价进行计算，天然气价格取2.5元/m³，天然气热值为10.8kWh/m³。

表1

参数	蓄电池	蓄热槽	储气罐
				充放能效率	0.9	0.8	0.9
自损耗率	0.02	0.05	0
				储能状态上限	0.9	0.9	0.9
储能状态下限	0.2	0.1	0.1
				额定功率/kW	500	300	300
额定容量	2000	1000	1000

表2

表3

类型	时段	电价(元/kWh)
			峰时	8:00-11:00，18:00-21:00	1.076
平时	6:00-8:00，11:00-18:00，21:00-22:00	0.648
			谷时	0:00-6:00，22:00-24:00	0.31

步骤2：建立微能源网日前1小时级优化调度模型。在日前优化调度模型中，选取间隔时长为1h，暂且不考虑可再生能源功率与负荷预测误差对调度结果的的影响。本实施例中日前优化调度模型的决策变量为微能源网从外网的购入功率、蓄电池、蓄热槽和储气罐三种储能设备工作状态、可再生能源计划功率、P2G设备转换功率以及热电联供型微燃机、电锅炉、燃气锅炉功率；考虑的约束条件包括微能源网的网络约束和内部元件约束。

本实施例中，由于选取的蓄热槽自散热率较高，且充放能效率较低，故在日前决策中蓄热槽不工作。考虑到天然气价格全天保持不变，但电价具有峰谷差异，且电负荷相较于热负荷与气负荷的波动更大，故优化结果中储气罐选择在凌晨3:00-6:00储气，并于晚上19:00-23:00的电负荷高峰期释能，缓解微能源网的用能压力，同时得到微能源网的日前优化运行成本为12745元。

步骤3：建立微能源网日内15分钟级优化调度模型。在日内滚动优化过程中，模型预测控制采用的滚动时长为2h，控制时长为15min。本实施例中，日内优化调度模型目标函数中的跟踪变量的参考值包括微能源网从外部电网和天然气网的购入功率及蓄电池、储气罐储能状态的日前调度结果。

本实施例中，日内实时滚动优化中测得的微能源网电、热、气各时刻实际负荷值见图6，可再生能源的日前预测功率、实测可用功率与实时调度中的实际功率对比见图5。从图5可以看出，该日可再生能源的实测可用功率较日前预测值波动更大，在尖峰时段尤为明显。但由于在日内滚动优化中不断更新可再生能源的功率预测值，并在目标函数中考虑了弃风、弃光项，故实际调度中风电和光伏的利用率分别达到了93.8％、98.4％。

图7、图8分别给出了日内滚动优化阶段各储能设备储能状态及微能源网与外网交互功率的实时跟踪情况。容易看出，储气罐的储能状态基本跟踪了日前优化调度得到的参考值，只是在参考值的基础上有小幅度波动；蓄电池储能在中午12时左右和晚上20时左右的实际荷电状态相较于日前参考值的偏差略大，主要受日前预测误差的影响。另一方面，微能源网从天然气网的购入功率一直维持在较高水平，且日内调度结果与日前调度策略吻合度较高；18:00-21:00时微能源网的实际购电量明显高于日前决策值，说明负荷高峰期时的预测误差对该时段从外网购入电量的跟踪效果影响较大。

此外，由调度结果还可以发现，日前调度阶段考虑到P2G的整体能源转换效率较低，P2G设备无工作计划，但受可再生能源功率和负荷功率随机性的影响，为保证与外网联络功率的跟踪效果，P2G在日内约一半时间处于工作状态，且在4:00、6:00、14:00、23:00附近以最大功率运行。此外，热电联供型微燃机、电锅炉和燃气锅炉的日内与日前决策功率均出现了明显不同，燃气锅炉的差异最大，而三种可控元件实时功率变化均较日前优化结果更为平缓，这是由日前与日内优化调度目标不同所致。在经济性方面，考虑到日内滚动优化是在日前经济调度的基础上利用不确定因素的短期精确预测得到微能源网的短期调控指标，并尽可能避免可控元件功率的大幅度波动，其实际运行成本必定高于日前优化结果。在该算例中，微能源网的实际运行成本为13988元，比日前优化结果高1243元。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种多时间尺度下考虑多种储能的微能源网优化调度模型，其特征在于，微能源网包含电、热、气三种能量形式，包括P2G设备、热电联供型微燃机、电锅炉、燃气锅炉、蓄电池、蓄热槽、储气罐；多时间尺度考虑日前1小时与日内15分钟两种时间尺度，所述微能源网优化调度模型的建立包括以下步骤：

步骤1：确定所述微能源网元件参数与网络参数；

步骤2：建立所述微能源网日前1小时级优化调度模型；

步骤3：建立所述微能源网日内15分钟级优化调度模型。

2.如权利要求1所述的多时间尺度下考虑多种储能的微能源网优化调度模型，其特征在于，所述微能源网元件参数包括所述蓄电池的额定充放能功率、额定容量及储能状态上下限，所述蓄热槽的额定充放能功率、额定容量及储能状态上下限，所述储气罐的额定充放能功率、额定容量及储能状态上下限，所述蓄电池的自放电率，所述蓄热槽的自散热率，所述P2G设备的综合能量转化效率和额定转化功率，所述热电联供型微燃机的额定进气功率、电转换效率、热转换效率和爬坡功率上下限，所述电锅炉、所述燃气锅炉的额定输入功率、产热效率和爬坡功率上下限；所述网络参数包括所述微能源网与外部电网、天然气网的联络线传输功率上下限和电能、天然气价格。

3.如权利要求1所述的多时间尺度下考虑多种储能的微能源网优化调度模型，其特征在于，所述微能源网日前1小时级优化调度模型考虑优化目标函数、决策变量和约束条件；所述优化目标函数为所述微能源网日运行成本最低；所述决策变量为所述微能源网从外网的购入功率、所述蓄电池工作状态、所述蓄热槽工作状态、所述储气罐工作状态、可再生能源计划功率、所述P2G设备转换功率、所述热电联供型微燃机功率、所述电锅炉功率、所述燃气锅炉功率；所述约束条件为所述微能源网的网络约束和内部元件约束。

4.如权利要求3所述的微能源网日前1小时级优化调度模型，其特征在于，所述微能源网日运行成本包括从外部电网与从外部天然气网购入的能源成本。

5.如权利要求1所述的多时间尺度下考虑多种储能的微能源网优化调度模型，其特征在于，所述微能源网日内15分钟级优化调度模型采用模型预测控制的方法，分为参数预测、滚动优化和反馈校正三个步骤；

所述参数预测是根据短期预测模型得到可再生能源可用功率以及电、热、气负荷不确定因素在对应滚动时域内的预测值，并传递给滚动优化模型；

所述滚动优化是指滚动时域随时间不断向前推移，到下一调度时段时仅执行上一次优化中控制时域的优化结果，并利用更新后的数据重新开始下一轮优化；

所述反馈校正是将实时更新的系统状态和新的预测结果反馈给所述滚动优化模型，不断对优化参数进行校正，从而提高控制的精度。

6.如权利要求5所述的微能源网日内15分钟级优化调度模型，其特征在于，所述滚动优化考虑优化目标函数、决策变量和约束条件；

所述优化目标函数是将跟踪变量日内跟踪效果好、可控机组功率调节平滑、可再生能源利用率高三种目标经归一化处理后按照一定权重组合而成，表示为：

其中，y_t为跟踪变量，包括归一化处理后所述微能源网从电网、天然气网的购入功率；为跟踪变量的参考值，由日前调度结果给出；u_t为调节增量，包括所有归一化后的所述蓄电池充放功率增量、所述蓄热槽充放功率增量、所述储气罐充放功率增量、所述P2G转换功率增量、所述热电联供型微燃机增量、所述电锅炉增量和所述燃气锅炉的功率增量；P_ren,t、分别代表归一化后的可再生能源发电的决策功率和预测可用功率；W₁、W₂、W₃表示相应变量的权重，根据实际运行要求调整；

所述决策变量为所述微能源网实时购入功率、所述蓄电池工作状态、所述蓄热槽工作状态、所述储气罐工作状态、可再生能源实际功率、所述P2G设备转换功率以及所述热电联供型微燃机、所述电锅炉、所述燃气锅炉实时功率；

所述约束条件为所述微能源网的网络约束、所述内部元件约束和可控设备出力的时间耦合约束。

7.如权利要求5所述的微能源网日内15分钟级优化调度模型，其特征在于，所述可控设备出力的时间耦合约束为：

P(k+1)＝P(k)+u(k) (25)

其中，P(k)为k时刻所述蓄电池充放功率、所述蓄热槽充放功率、所述储气罐充放功率、所述P2G设备转换功率、所述热电联供型微燃机功率、所述电锅炉功率和所述燃气锅炉功率的总和。

8.如权利要求3或6所述的多时间尺度下考虑多种储能的微能源网优化调度模型，其特征在于，所述微能源网的网络约束包括电、热、气三种能源形式的功率平衡约束和所述微能源网与外网交互功率约束，所述内部元件约束包括所述蓄电池、所述蓄热槽、所述储气罐、所述P2G设备、所述热电联供型微燃机、所述电锅炉、所述燃气锅炉的运行约束以及可再生能源功率约束。

9.如权利要求8所述的多时间尺度下考虑多种储能的微能源网优化调度模型，其特征在于，所述微能源网日前1小时级优化调度模型的功率平衡约束和可再生能源功率约束采用日前预测值；所述微能源网日内15分钟级优化调度模型的功率平衡约束和可再生能源功率约束采用所述参数预测值。

10.如权利要求5所述的多时间尺度下考虑多种储能的微能源网优化调度模型，其特征在于，所述参数预测采用人工神经网络法。