CN109325621B - 一种园区能源互联网两阶段优化调度控制方法 - Google Patents

一种园区能源互联网两阶段优化调度控制方法 Download PDF

Info

Publication number
CN109325621B
CN109325621B CN201811112724.XA CN201811112724A CN109325621B CN 109325621 B CN109325621 B CN 109325621B CN 201811112724 A CN201811112724 A CN 201811112724A CN 109325621 B CN109325621 B CN 109325621B
Authority
CN
China
Prior art keywords
power
scene
energy
equipment
wind
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.)
Active
Application number
CN201811112724.XA
Other languages
English (en)
Other versions
CN109325621A (zh
Inventor
林晓明
张勇军
周来
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Publication of CN109325621A publication Critical patent/CN109325621A/zh
Application granted granted Critical
Publication of CN109325621B publication Critical patent/CN109325621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • H02J3/386—
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种园区能源互联网两阶段优化调度控制方法，其具体步骤为：建立园区能源互联网能源设备的模型；根据风速的累积分布函数，利用拉丁超立方采样法生成风速场景集；根据风速场景集和风电出力模型，得到风电出力初始场景集R；利用同步回代消除法对风电出力初始场景集R进行缩减，得到风电出力缩减场景集S；建立园区能源互联网的两阶段优化调度模型；利用GAMS软件的CPLEX求解器求解园区能源互联网的两阶段优化调度模型，得到园区能源互联网调度控制方案。本发明方法可以解决园区能源互联网在风电出力不确定环境下的运行调度问题，提高园区能源互联网的运行经济性和风电消纳水平。

Description

一种园区能源互联网两阶段优化调度控制方法
技术领域
本发明涉及不确定环境下园区能源互联网的运行调度技术，特别涉及一种园区能源互联网两阶段优化调度控制方法。
背景技术
在能源危机和环境污染的双重压力下，能源互联网的概念被提出并逐步发展，成为当前能源领域研究的热点。其中，园区能源互联网时靠近用户侧的微型能源互联网，具有体量小，运行方式灵活和可控性强的特点，成为国内外能源互联网工程示范和建设的重点。
园区涉及多种能源形式(如电、热、冷和天然气)和多种能源环节(如能源生产、转换、储存和分配)，既包含易于控制的能源设备(如热电联产设备、燃气锅炉设备等)，也包含出力具有随机性的能源设备(如风电)。对于这样一个复杂的多能源系统，如何协调不同能源设备的运行，是亟待解决的技术难点。然而现有研究中可再生能源的出力均为确定值，在可再生能源出力变化时，难以保障系统运行的安全性、经济性和可靠性。针对以上问题，本发明提供一种园区能源互联网两阶段优化调度控制方法，能够保证系统全面地应对风电出力的不确定性，提高系统运行的经济性，同时促进系统消纳风电。
发明内容
本发明的目的在于解决风电出力不确定环境下园区能源互联网的运行调度问题，以保障风电出力变化时，系统能够安全经济地运行，同时尽可能地消纳风电。为实现上述目的，本发明提出一种园区能源互联网两阶段优化调度控制方法，包括以下步骤：
(1)建立园区能源互联网能源设备的模型；
(2)根据风速的累积分布函数，利用拉丁超立方采样法生成风速场景集；
(3)根据风速场景集和风电出力模型，得到风电出力初始场景集R；
(4)利用同步回代消除法对风电出力初始场景集R进行缩减，得到风电出力缩减场景集S；
(5)建立园区能源互联网的两阶段优化调度模型；
(6)利用GAMS软件的CPLEX求解器求解园区能源互联网的两阶段优化调度模型，得到园区能源互联网调度控制方案。
所述的能源设备的模型包括能源转换设备的模型和能源储存设备的模型；
所述的能源转换设备包括热电联产设备、燃气锅炉设备、电锅炉设备和电转气设备；
所述的能源储存设备包括电储能设备和热储能设备；
所述的能源转换设备的模型为：
Figure BDA0001809587340000021
Figure BDA0001809587340000022
Figure BDA0001809587340000023
Figure BDA0001809587340000024
其中，
Figure BDA0001809587340000025
和
Figure BDA0001809587340000026
分别为t时段热电联产设备的天然气功率、热功率和电功率；
Figure BDA0001809587340000027
和
Figure BDA0001809587340000028
分别为热电联产设备的发电效率和产热效率；
Figure BDA0001809587340000029
和
Figure BDA00018095873400000210
分别为t时段燃气锅炉设备的天然气功率和热功率；ηGB为燃气锅炉设备的产热效率；
Figure BDA00018095873400000211
和
Figure BDA00018095873400000212
分别为t时段电锅炉设备的电功率和热功率；ηEB为电锅炉设备的产热效率；
Figure BDA00018095873400000213
和
Figure BDA00018095873400000214
分别为t时段电转气设备的电功率和天然气功率；ηP2G为电转气设备的产天然气效率；
所述的能源储存设备的模型为：
Figure BDA00018095873400000215
其中，△t为优化时间间隔；
Figure BDA00018095873400000216
和
Figure BDA00018095873400000217
分别为t时段电储能设备的充电功率和放电功率；
Figure BDA00018095873400000218
和
Figure BDA00018095873400000219
分别为t时段热储能设备的充热功率和放热功率；
Figure BDA00018095873400000220
和
Figure BDA00018095873400000221
分别为电储能设备t时段和(t-1)时段储存的能量；
Figure BDA00018095873400000222
和
Figure BDA00018095873400000223
分别为热储能设备t时段和(t-1)时段储存的能量；
Figure BDA00018095873400000224
和
Figure BDA00018095873400000225
分别为电储能设备的充电效率和放电效率；
Figure BDA00018095873400000226
和
Figure BDA00018095873400000227
分别为热储能设备的充热效率和放热效率。
所述的步骤(2)包括：
(2-1)根据风速的累积分布函数，对风速的累积概率区间进行分层；
(2-2)在分层后的每个子区间选取中点作为一个风速样本点；
(2-3)将风速样本点进行随机排序，得到风速场景集。
所述的步骤(3)中的风电出力模型为：
Figure BDA0001809587340000031
其中，vW为风速；v0、v1和v2分别表示风电机组的切入风速、额定风速和切出风速；k1和k2分别为风电出力随风速线性上升段的一次项参数和常数项参数；EWG为风电出力，
Figure BDA0001809587340000032
为风电装机容量。
所述的步骤(4)包括：
(4-1)对于风电出力的初始场景集R，将每个场景发生的概率指定为1/Nr，Nr为风电出力初始场景集R的场景总数；
(4-2)对于风电出力的初始场景集R中的任意一对场景ri和rj，计算二者之间的距离：
D(ri,rj)＝pipj||ri-rj||2
其中，D(ri,rj)为场景ri和rj之间的距离，pi和pj分别为场景ri和rj发生的概率，||·||2为二范数；
(4-3)剔除与其他场景距离之和最小的场景，将被剔除的场景发生的概率计入与其距离最近的场景发生的概率，并将场景总数置为(Nr-1)；
(4-4)重复步骤(4-2)和(4-3)直至剩余场景总数达到Ns，从而得到风电出力缩减场景集S及其中的每个场景发生的概率，Ns为风电出力缩减场景集S的场景总数，满足Ns<Nr。
所述的步骤(5)中的园区能源互联网的两阶段优化调度模型包括目标函数和约束条件；
所述的目标函数为总运行成本期望COP最小：
Figure BDA0001809587340000033
其中，ps为风电出力缩减场景集S中场景s发生的概率，s的取值范围为1～Ns；CQT为启停成本；
Figure BDA0001809587340000034
分别为场景s下消耗燃料和电能的成本、维护成本、碳税成本、弃风惩罚成本；
Figure BDA0001809587340000035
其中，
Figure BDA0001809587340000041
和
Figure BDA0001809587340000042
分别为t时段i类能源转换设备的启机、停机情况，1表示启机，0表示停机；T为优化时段总数，t的取值范围为1～T；I为能源转换设备总数，i的取值范围为1～I；
Figure BDA0001809587340000043
和
Figure BDA0001809587340000044
分别为i类能源转换设备的启机、停机成本；
Figure BDA0001809587340000045
其中，
Figure BDA0001809587340000046
和
Figure BDA0001809587340000047
分别为场景s下t时段园区能源互联网从电网购入的电功率和从天然气网购入的天然气功率；
Figure BDA0001809587340000048
为t时段园区互联网从电网购电的电价；cgas为天然气价格；H为天然气燃烧的高热值；
Figure BDA0001809587340000049
其中，
Figure BDA00018095873400000410
为场景s下t时段i类能源转换设备的输入功率；
Figure BDA00018095873400000411
和
Figure BDA00018095873400000412
分别为场景s下t时段j类能源储存设备的充能和放能功率，J为能源储存设备总数，j的取值范围为1～J；ci和cj分别为i类能源转换设备和j类能源储存设备的维护成本系数；
Figure BDA00018095873400000413
其中，aele和agas分别为电能和天然气的CO2排放系数，cc为单位碳排放成本系数；
Figure BDA00018095873400000414
其中，cwg为弃风惩罚成本系数，
Figure BDA00018095873400000415
和
Figure BDA00018095873400000416
分别为场景s下t时段风电出力和调度值；
所述的约束条件包括第一阶段优化的约束条件和第二阶段优化的约束条件；
所述的第一阶段优化的约束条件为能源转换设备的启停约束：
Figure BDA00018095873400000417
其中，
Figure BDA00018095873400000418
和
Figure BDA00018095873400000419
分别为t时段和(t-1)时段i类能源转换设备的启停状态，1表示启机状态，0表示停机状态；
所述的第二阶段优化的约束条件包括能源功率平衡约束、能源转换设备运行约束、能源储存设备运行约束、能源交互功率约束以及风电调度约束；
所述的能源功率平衡约束为：
Figure BDA0001809587340000051
其中，
Figure BDA0001809587340000052
和
Figure BDA0001809587340000053
分别为场景s下t时段电负荷功率、热负荷功率和天然气负荷功率；
Figure BDA0001809587340000054
和
Figure BDA0001809587340000055
分别为场景s下t时段热电联产设备的天然气功率、热功率和电功率；
Figure BDA0001809587340000056
和
Figure BDA0001809587340000057
分别为场景s下t时段燃气锅炉设备的天然气和热功率；
Figure BDA0001809587340000058
和
Figure BDA0001809587340000059
分别为t时段电锅炉设备的电功率和热功率；
Figure BDA00018095873400000510
和
Figure BDA00018095873400000511
分别为场景s下t时段电转气设备的电功率和天然气功率；
Figure BDA00018095873400000512
和
Figure BDA00018095873400000513
分别为场景s下t时段电储能设备的充电功率和放电功率；
Figure BDA00018095873400000514
和
Figure BDA00018095873400000515
分别为场景s下t时段热储能设备的充热功率和放热功率；
所述的能源转换设备运行约束为：
Figure BDA00018095873400000516
其中，
Figure BDA00018095873400000517
为场景s下(t-1)时段i类能源转换设备的输入功率；
Figure BDA00018095873400000518
为i类能源转换设备的最大输入功率；Ri为i类能源转换设备的最大爬坡速率；
所述的能源储存设备运行约束为：
Figure BDA00018095873400000519
其中，
Figure BDA00018095873400000520
为j类能源储存设备的最大充放能功率；
Figure BDA00018095873400000521
为场景s下t时段j类能源储存设备充能状态的二进制变量，充能时
Figure BDA00018095873400000522
否则
Figure BDA00018095873400000523
Figure BDA00018095873400000524
和
Figure BDA00018095873400000525
分别为场景s下j类能源储存设备t时段、初始时刻和终止时刻储存的能量；
Figure BDA00018095873400000526
和
Figure BDA00018095873400000527
分别为j类能源储存设备储存能量的上限和下限；
所述的能源交互功率约束为：
Figure BDA00018095873400000528
其中，
Figure BDA00018095873400000529
和
Figure BDA00018095873400000530
分别为园区能源互联网从电网购入电功率的上限和下限；
Figure BDA00018095873400000531
和
Figure BDA00018095873400000532
分别为园区能源互联网从天然气网购入天然气功率的上限和下限；
所述的风电调度约束为：
Figure BDA00018095873400000533
与现有技术相比，本发明提供的一种园区能源互联网两阶段优化调度控制方法具有如下显著效果：运行调度计及了风电出力的不确定性，使得园区能源互联网能够全面地应对风电出力的变化，不仅能够提高园区能源互联网运行的经济性，而且能提高园区能源互联网风电的消纳水平，得到的调度控制方法更加符合实际。
附图说明
附图1为一种园区能源互联网两阶段优化调度控制方法的步骤示意图；
附图2为典型的园区能源互联网结构；
附图3为典型日的风电出力和负荷预测曲线图；
具体实施方式
以下结合附图和实例对本发明的具体实施做进一步说明。显然所述的的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1为本发明实施例提供的一种园区能源互联网两阶段优化调度控制方法，包括以下步骤：
(1)建立园区能源互联网能源设备的模型；
(2)根据风速的累积分布函数，利用拉丁超立方采样法生成风速场景集；
(3)根据风速场景集和风电出力模型，得到风电出力初始场景集R；
(4)利用同步回代消除法对风电出力初始场景集R进行缩减，得到风电出力缩减场景集S；
(5)建立园区能源互联网的两阶段优化调度模型；
(6)利用GAMS软件的CPLEX求解器求解园区能源互联网的两阶段优化调度模型，得到园区能源互联网调度控制方案。
所述的能源设备的模型包括能源转换设备的模型和能源储存设备的模型；
所述的能源转换设备包括热电联产设备、燃气锅炉设备、电锅炉设备和电转气设备；
所述的能源储存设备包括电储能设备和热储能设备；
所述的能源转换设备的模型为：
Figure BDA0001809587340000061
Figure BDA0001809587340000071
Figure BDA0001809587340000072
Figure BDA0001809587340000073
其中，
Figure BDA0001809587340000074
和
Figure BDA0001809587340000075
分别为t时段热电联产设备的天然气功率、热功率和电功率；
Figure BDA0001809587340000076
和
Figure BDA0001809587340000077
分别为热电联产设备的发电效率和产热效率；
Figure BDA0001809587340000078
和
Figure BDA0001809587340000079
分别为t时段燃气锅炉设备的天然气功率和热功率；ηGB为燃气锅炉设备的产热效率；
Figure BDA00018095873400000710
和
Figure BDA00018095873400000711
分别为t时段电锅炉设备的电功率和热功率；ηEB为电锅炉设备的产热效率；
Figure BDA00018095873400000712
和
Figure BDA00018095873400000713
分别为t时段电转气设备的电功率和天然气功率；ηP2G为电转气设备的产天然气效率；
所述的能源储存设备的模型为：
Figure BDA00018095873400000714
其中，△t为优化时间间隔；
Figure BDA00018095873400000715
和
Figure BDA00018095873400000716
分别为t时段电储能设备的充电功率和放电功率；
Figure BDA00018095873400000717
和
Figure BDA00018095873400000718
分别为t时段热储能设备的充热功率和放热功率；
Figure BDA00018095873400000719
和
Figure BDA00018095873400000720
分别为电储能设备t时段和(t-1)时段储存的能量；
Figure BDA00018095873400000721
和
Figure BDA00018095873400000722
分别为热储能设备t时段和(t-1)时段储存的能量；
Figure BDA00018095873400000723
和
Figure BDA00018095873400000724
分别为电储能设备的充电效率和放电效率；
Figure BDA00018095873400000725
和
Figure BDA00018095873400000726
分别为热储能设备的充热效率和放热效率。
所述的步骤(2)包括：
(2-1)根据风速的累积分布函数，对风速的累积概率区间进行分层；
(2-2)在分层后的每个子区间选取中点作为一个风速样本点；
(2-3)将风速样本点进行随机排序，得到风速场景集。
所述的步骤(3)中的风电出力模型为：
Figure BDA00018095873400000727
其中，vW为风速；v0、v1和v2分别表示风电机组的切入风速、额定风速和切出风速；k1和k2分别为风电出力随风速线性上升段的一次项参数和常数项参数；EWG为风电出力，
Figure BDA00018095873400000728
为风电装机容量。
所述的步骤(4)包括：
(4-1)对于风电出力的初始场景集R，将每个场景发生的概率指定为1/Nr，Nr为风电出力初始场景集R的场景总数；
(4-2)对于风电出力的初始场景集R中的任意一对场景ri和rj，计算二者之间的距离：
D(ri,rj)＝pipj||ri-rj||2
其中，D(ri,rj)为场景ri和rj之间的距离，pi和pj分别为场景ri和rj发生的概率，||·||2为二范数；
(4-3)剔除与其他场景距离之和最小的场景，将被剔除的场景发生的概率计入与其距离最近的场景发生的概率，并将场景总数置为(Nr-1)；
(4-4)重复步骤(4-2)和(4-3)直至剩余场景总数达到Ns，从而得到风电出力缩减场景集S及其中的每个场景发生的概率，Ns为风电出力缩减场景集S的场景总数，满足Ns<Nr。
所述的步骤(5)中的园区能源互联网的两阶段优化调度模型包括目标函数和约束条件；
所述的目标函数为总运行成本期望COP最小：
Figure BDA0001809587340000081
其中，ps为风电出力缩减场景集S中场景s发生的概率，s的取值范围为1～Ns；CQT为启停成本；
Figure BDA0001809587340000082
分别为场景s下消耗燃料和电能的成本、维护成本、碳税成本、弃风惩罚成本；
Figure BDA0001809587340000083
其中，
Figure BDA0001809587340000084
和
Figure BDA0001809587340000085
分别为t时段i类能源转换设备的启机、停机情况，1表示启机，0表示停机；T为优化时段总数，t的取值范围为1～T；I为能源转换设备总数，i的取值范围为1～I；
Figure BDA0001809587340000086
和
Figure BDA0001809587340000087
分别为i类能源转换设备的启机、停机成本；
Figure BDA0001809587340000088
其中，
Figure BDA0001809587340000089
和
Figure BDA00018095873400000810
分别为场景s下t时段园区能源互联网从电网购入的电功率和从天然气网购入的天然气功率；
Figure BDA00018095873400000811
为t时段园区互联网从电网购电的电价；cgas为天然气价格；H为天然气燃烧的高热值；
Figure BDA0001809587340000091
其中，
Figure BDA0001809587340000092
为场景s下t时段i类能源转换设备的输入功率；
Figure BDA0001809587340000093
和
Figure BDA00018095873400000926
分别为场景s下t时段j类能源储存设备的充能和放能功率，J为能源储存设备总数，j的取值范围为1～J；ci和cj分别为i类能源转换设备和j类能源储存设备的维护成本系数；
Figure BDA0001809587340000094
其中，aele和agas分别为电能和天然气的CO2排放系数，cc为单位碳排放成本系数；
Figure BDA0001809587340000095
其中，cwg为弃风惩罚成本系数，
Figure BDA0001809587340000096
和
Figure BDA0001809587340000097
分别为场景s下t时段风电出力和调度值；
所述的约束条件包括第一阶段优化的约束条件和第二阶段优化的约束条件；
所述的第一阶段优化的约束条件为能源转换设备的启停约束：
Figure BDA0001809587340000098
其中，
Figure BDA0001809587340000099
和
Figure BDA00018095873400000910
分别为t时段和(t-1)时段i类能源转换设备的启停状态，1表示启机状态，0表示停机状态；
所述的第二阶段优化的约束条件包括能源功率平衡约束、能源转换设备运行约束、能源储存设备运行约束、能源交互功率约束以及风电调度约束；
所述的能源功率平衡约束为：
Figure BDA00018095873400000911
其中，
Figure BDA00018095873400000912
和
Figure BDA00018095873400000913
分别为场景s下t时段电负荷功率、热负荷功率和天然气负荷功率；
Figure BDA00018095873400000914
和
Figure BDA00018095873400000915
分别为场景s下t时段热电联产设备的天然气功率、热功率和电功率；
Figure BDA00018095873400000916
和
Figure BDA00018095873400000917
分别为场景s下t时段燃气锅炉设备的天然气和热功率；
Figure BDA00018095873400000918
和
Figure BDA00018095873400000919
分别为t时段电锅炉设备的电功率和热功率；
Figure BDA00018095873400000920
和
Figure BDA00018095873400000921
分别为场景s下t时段电转气设备的电功率和天然气功率；
Figure BDA00018095873400000922
和
Figure BDA00018095873400000923
分别为场景s下t时段电储能设备的充电功率和放电功率；
Figure BDA00018095873400000924
和
Figure BDA00018095873400000925
分别为场景s下t时段热储能设备的充热功率和放热功率；
所述的能源转换设备运行约束为：
Figure BDA0001809587340000101
其中，
Figure BDA0001809587340000102
为场景s下(t-1)时段i类能源转换设备的输入功率；
Figure BDA0001809587340000103
为i类能源转换设备的最大输入功率；Ri为i类能源转换设备的最大爬坡速率；
所述的能源储存设备运行约束为：
Figure BDA0001809587340000104
其中，
Figure BDA0001809587340000105
为j类能源储存设备的最大充放能功率；
Figure BDA0001809587340000106
为场景s下t时段j类能源储存设备充能状态的二进制变量，充能时
Figure BDA0001809587340000107
否则
Figure BDA0001809587340000108
Figure BDA0001809587340000109
和
Figure BDA00018095873400001010
分别为场景s下j类能源储存设备t时段、初始时刻和终止时刻储存的能量；
Figure BDA00018095873400001011
和
Figure BDA00018095873400001012
分别为j类能源储存设备储存能量的上限和下限；
所述的能源交互功率约束为：
Figure BDA00018095873400001013
其中，
Figure BDA00018095873400001014
和
Figure BDA00018095873400001015
分别为园区能源互联网从电网购入电功率的上限和下限；
Figure BDA00018095873400001016
和
Figure BDA00018095873400001017
分别为园区能源互联网从天然气网购入天然气功率的上限和下限；
所述的风电调度约束为：
Figure BDA00018095873400001018
如图2所示，为一个典型的园区能源互联网结构，以为例进行说明。
如图3所示，为典型日的风电出力和负荷预测曲线。
采用峰-谷-平三阶段电价，7～11时和17～21时为峰时段，峰时电价为0.818元/kWh，12～16时和22～24是为平时段，平时电价为0.530元/kWh，1～6时为谷时段，谷时电价为0.200元/kWh。天然气价格为3.15元/m3。天然气和传统电厂的CO2排放系数分别为1.85kg/m3和0.80kg/kWh。能源转换设备的参数如表1所示，能源储存设备的参数如表2所示。
表1能源转换设备参数
Figure BDA00018095873400001019
Figure BDA0001809587340000111
表2能源储存设备参数
Figure BDA0001809587340000112
根据步骤(2)～步骤(3)，生成风电出力初始场景集R，其包含200个风电出力初始场景。根据步骤(4)得到风电出力缩减场景集S，其包含20个风电出力缩减场景，20个风电出力缩减场景发生的概率如表3所示。
表3风电出力缩减场景发生的概率
Figure BDA0001809587340000113
传统优化调度和两阶段优化调度的能源转换设备的启停状态如表4所示。传统优化调度与两阶段优化调度的优化结果如表5所示。
表4能源转换设备的启停状态
Figure BDA0001809587340000114
表5传统优化调度和两阶段优化调度的优化结果
Figure BDA0001809587340000115
由表5可知，两阶段优化调度的总运行成本期望为28214元，小于传统优化调度的总运行成本期望30453元；两阶段优化调度的弃风量期望为332kWh，小于传统优化调度的弃风量期望为2750kWh。由此可见，传统优化调度基于风电出力的预测值的确定性模型，决策能源转换设备的启停状态，所得决策结果对风电出力的不确定性的适应性差；而两阶段优化调度，基于风电出力缩减场景集的两阶段优化调度模型，决策能源转换设备的启停状态，所得决策结果能够全面地适应风电出力的不确定性，不仅能够减小园区能源互联网的总运行成本期望，提高园区能源互联网运行的经济性，而且能够减小弃风量期望，提高风电的消纳水平。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。

Claims (5)

1.一种园区能源互联网两阶段优化调度控制方法，其特征在于，包括以下步骤：
(1)建立园区能源互联网能源设备的模型；
(2)根据风速的累积分布函数，利用拉丁超立方采样法生成风速场景集；
(3)根据风速场景集和风电出力模型，得到风电出力初始场景集R；
(4)利用同步回代消除法对风电出力初始场景集R进行缩减，得到风电出力缩减场景集S；
(5)建立园区能源互联网的两阶段优化调度模型；
(6)利用GAMS软件的CPLEX求解器求解园区能源互联网的两阶段优化调度模型，得到园区能源互联网调度控制方案；
所述的步骤(5)中的园区能源互联网的两阶段优化调度模型包括目标函数和约束条件；
所述的目标函数为总运行成本期望COP最小：
Figure FDA0003463550080000011
其中，ps为风电出力缩减场景集S中场景s发生的概率，s的取值范围为1～Ns；CQT为启停成本；
Figure FDA0003463550080000012
分别为场景s下消耗燃料和电能的成本、维护成本、碳税成本、弃风惩罚成本；
Figure FDA0003463550080000013
其中，
Figure FDA0003463550080000014
和
Figure FDA0003463550080000015
分别为t时段i类能源转换设备的启机、停机情况，1表示启机，0表示停机；T为优化时段总数，t的取值范围为1～T；I为能源转换设备总数，i的取值范围为1～I；
Figure FDA0003463550080000016
和
Figure FDA0003463550080000017
分别为i类能源转换设备的启机、停机成本；
Figure FDA0003463550080000018
其中，
Figure FDA0003463550080000019
和
Figure FDA00034635500800000110
分别为场景s下t时段园区能源互联网从电网购入的电功率和从天然气网购入的天然气功率；
Figure FDA00034635500800000111
为t时段园区互联网从电网购电的电价；cgas为天然气价格；H为天然气燃烧的高热值；
Figure FDA00034635500800000112
其中，
Figure FDA00034635500800000113
为场景s下t时段i类能源转换设备的输入功率；
Figure FDA00034635500800000114
和
Figure FDA00034635500800000115
分别为场景s下t时段j类能源储存设备的充能和放能功率，J为能源储存设备总数，j的取值范围为1～J；ci和cj分别为i类能源转换设备和j类能源储存设备的维护成本系数；
Figure FDA0003463550080000021
其中，aele和agas分别为电能和天然气的CO2排放系数，cc为单位碳排放成本系数；
Figure FDA0003463550080000022
其中，cwg为弃风惩罚成本系数，
Figure FDA0003463550080000023
和
Figure FDA0003463550080000024
分别为场景s下t时段风电出力和调度值；
所述的约束条件包括第一阶段优化的约束条件和第二阶段优化的约束条件；
所述的第一阶段优化的约束条件为能源转换设备的启停约束：
Figure FDA0003463550080000025
其中，
Figure FDA0003463550080000026
和
Figure FDA0003463550080000027
分别为t时段和(t-1)时段i类能源转换设备的启停状态，1表示启机状态，0表示停机状态；
所述的第二阶段优化的约束条件包括能源功率平衡约束、能源转换设备运行约束、能源储存设备运行约束、能源交互功率约束以及风电调度约束；
所述的能源功率平衡约束为：
Figure FDA0003463550080000028
其中，
Figure FDA0003463550080000029
和
Figure FDA00034635500800000210
分别为场景s下t时段电负荷功率、热负荷功率和天然气负荷功率；
Figure FDA00034635500800000211
和
Figure FDA00034635500800000212
分别为场景s下t时段热电联产设备的天然气功率、热功率和电功率；
Figure FDA00034635500800000213
和
Figure FDA00034635500800000214
分别为场景s下t时段燃气锅炉设备的天然气和热功率；
Figure FDA00034635500800000215
和
Figure FDA00034635500800000216
分别为t时段电锅炉设备的电功率和热功率；
Figure FDA00034635500800000217
和
Figure FDA00034635500800000218
分别为场景s下t时段电转气设备的电功率和天然气功率；
Figure FDA00034635500800000219
和
Figure FDA00034635500800000220
分别为场景s下t时段电储能设备的充电功率和放电功率；
Figure FDA00034635500800000221
和
Figure FDA00034635500800000222
分别为场景s下t时段热储能设备的充热功率和放热功率；
所述的能源转换设备运行约束为：
Figure FDA00034635500800000223
其中，
Figure FDA00034635500800000224
为场景s下(t-1)时段i类能源转换设备的输入功率；
Figure FDA00034635500800000225
为i类能源转换设备的最大输入功率；Ri为i类能源转换设备的最大爬坡速率；
所述的能源储存设备运行约束为：
Figure FDA0003463550080000031
其中，
Figure FDA0003463550080000032
为j类能源储存设备的最大充放能功率；
Figure FDA0003463550080000033
为场景s下t时段j类能源储存设备充能状态的二进制变量，充能时
Figure FDA0003463550080000034
否则
Figure FDA0003463550080000035
Figure FDA0003463550080000036
和
Figure FDA0003463550080000037
分别为场景s下j类能源储存设备t时段、初始时刻和终止时刻储存的能量；
Figure FDA0003463550080000038
和
Figure FDA0003463550080000039
分别为j类能源储存设备储存能量的上限和下限；
所述的能源交互功率约束为：
Figure FDA00034635500800000310
其中，
Figure FDA00034635500800000311
和
Figure FDA00034635500800000312
分别为园区能源互联网从电网购入电功率的上限和下限；
Figure FDA00034635500800000313
和
Figure FDA00034635500800000314
分别为园区能源互联网从天然气网购入天然气功率的上限和下限；
所述的风电调度约束为：
Figure FDA00034635500800000315
2.根据权利要求1所述的一种园区能源互联网两阶段优化调度控制方法，其特征在于，所述的能源设备的模型包括能源转换设备的模型和能源储存设备的模型；
所述的能源转换设备包括热电联产设备、燃气锅炉设备、电锅炉设备和电转气设备；
所述的能源储存设备包括电储能设备和热储能设备；
所述的能源转换设备的模型为：
Figure FDA00034635500800000316
Figure FDA00034635500800000317
Figure FDA00034635500800000318
Figure FDA00034635500800000319
其中，
Figure FDA00034635500800000320
和
Figure FDA00034635500800000321
分别为t时段热电联产设备的天然气功率、热功率和电功率；
Figure FDA00034635500800000322
和
Figure FDA00034635500800000323
分别为热电联产设备的发电效率和产热效率；
Figure FDA00034635500800000324
和
Figure FDA00034635500800000325
分别为t时段燃气锅炉设备的天然气功率和热功率；ηGB为燃气锅炉设备的产热效率；
Figure FDA00034635500800000326
和
Figure FDA00034635500800000327
分别为t时段电锅炉设备的电功率和热功率；ηEB为电锅炉设备的产热效率；
Figure FDA00034635500800000328
和
Figure FDA00034635500800000329
分别为t时段电转气设备的电功率和天然气功率；ηP2G为电转气设备的产天然气效率；
所述的能源储存设备的模型为：
Figure FDA0003463550080000041
其中，△t为优化时间间隔；
Figure FDA0003463550080000042
和
Figure FDA0003463550080000043
分别为t时段电储能设备的充电功率和放电功率；
Figure FDA0003463550080000044
和
Figure FDA0003463550080000045
分别为t时段热储能设备的充热功率和放热功率；
Figure FDA0003463550080000046
和
Figure FDA0003463550080000047
分别为电储能设备t时段和(t-1)时段储存的能量；
Figure FDA0003463550080000048
和
Figure FDA0003463550080000049
分别为热储能设备t时段和(t-1)时段储存的能量；
Figure FDA00034635500800000410
和
Figure FDA00034635500800000411
分别为电储能设备的充电效率和放电效率；
Figure FDA00034635500800000412
和
Figure FDA00034635500800000413
分别为热储能设备的充热效率和放热效率。
3.根据权利要求1所述的一种园区能源互联网两阶段优化调度控制方法，其特征在于，所述的步骤(2)包括：
(2-1)根据风速的累积分布函数，对风速的累积概率区间进行分层；
(2-2)在分层后的每个子区间选取中点作为一个风速样本点；
(2-3)将风速样本点进行随机排序，得到风速场景集。
4.根据权利要求1所述的一种园区能源互联网两阶段优化调度控制方法，其特征在于，所述的步骤(3)中的风电出力模型为：
Figure FDA00034635500800000414
其中，vW为风速；v0、v1和v2分别表示风电机组的切入风速、额定风速和切出风速；k1和k2分别为风电出力随风速线性上升段的一次项参数和常数项参数；EWG为风电出力，
Figure FDA00034635500800000415
为风电装机容量。
5.根据权利要求1所述的一种园区能源互联网两阶段优化调度控制方法，其特征在于，所述的步骤(4)包括：
(4-1)对于风电出力的初始场景集R，将每个场景发生的概率指定为1/Nr，Nr为风电出力初始场景集R的场景总数；
(4-2)对于风电出力的初始场景集R中的任意一对场景ri和rj，计算二者之间的距离：
D(ri,rj)＝pipj||ri-rj||2
其中，D(ri,rj)为场景ri和rj之间的距离，pi和pj分别为场景ri和rj发生的概率，||·||2为二范数；
(4-3)剔除与其他场景距离之和最小的场景，将被剔除的场景发生的概率计入与其距离最近的场景发生的概率，并将场景总数置为(Nr-1)；
(4-4)重复步骤(4-2)和(4-3)直至剩余场景总数达到Ns，从而得到风电出力缩减场景集S及其中的每个场景发生的概率，Ns为风电出力缩减场景集S的场景总数，满足Ns<Nr。
CN201811112724.XA 2018-08-29 2018-09-25 一种园区能源互联网两阶段优化调度控制方法 Active CN109325621B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810996320 2018-08-29
CN2018109963205 2018-08-29

Publications (2)

Publication Number Publication Date
CN109325621A CN109325621A (zh) 2019-02-12
CN109325621B true CN109325621B (zh) 2022-04-22

Family

ID=65265657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811112724.XA Active CN109325621B (zh) 2018-08-29 2018-09-25 一种园区能源互联网两阶段优化调度控制方法

Country Status (1)

Country Link
CN (1) CN109325621B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009244B (zh) * 2019-04-12 2021-04-20 西安交通大学 一种考虑抗灾恢复的区域综合能源系统优化调度方法
CN110377973B (zh) * 2019-06-28 2021-08-13 西安交通大学 一种标准线性化综合能源系统模型的构建方法
CN110807554B (zh) * 2019-10-31 2022-11-04 合肥工业大学 基于风电/光伏经典场景集的生成方法及系统
CN113033933B (zh) * 2019-12-24 2023-06-09 中国科学院广州能源研究所 一种基于能源互联网的智能化能源生产调度系统与方法
CN111262242B (zh) * 2020-03-03 2023-10-10 上海电力大学 基于多场景技术的冷热电虚拟电厂运行方法
CN111342451A (zh) * 2020-03-12 2020-06-26 四川大学 促进可再生能源消纳的园区综合能源系统经济配置方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899797A (zh) * 2015-06-29 2015-09-09 广西大学 一种削减多个风电场出力场景的方法
CN106058941A (zh) * 2016-07-29 2016-10-26 武汉大学 一种基于场景分析的风电场随机优化调度方法
CN106058942A (zh) * 2016-08-03 2016-10-26 长沙理工大学 考虑风电不确定性的含电转气和cchp的能量枢纽优化模型
CN106505634A (zh) * 2016-12-14 2017-03-15 东南大学 基于两阶段协调优化与控制的冷热电联供型微网运行方法
CN107294087A (zh) * 2017-06-23 2017-10-24 清华大学 一种含气象能源的综合能源系统典型场景集生成方法
CN107590579A (zh) * 2017-07-18 2018-01-16 燕山大学 一种利用热网储能特性的热‑电系统联合经济调度方法
CN108418212A (zh) * 2018-03-16 2018-08-17 上海交通大学 一种考虑柔性负荷的电力系统两阶段随机优化调度模型

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899797A (zh) * 2015-06-29 2015-09-09 广西大学 一种削减多个风电场出力场景的方法
CN106058941A (zh) * 2016-07-29 2016-10-26 武汉大学 一种基于场景分析的风电场随机优化调度方法
CN106058942A (zh) * 2016-08-03 2016-10-26 长沙理工大学 考虑风电不确定性的含电转气和cchp的能量枢纽优化模型
CN106505634A (zh) * 2016-12-14 2017-03-15 东南大学 基于两阶段协调优化与控制的冷热电联供型微网运行方法
CN107294087A (zh) * 2017-06-23 2017-10-24 清华大学 一种含气象能源的综合能源系统典型场景集生成方法
CN107590579A (zh) * 2017-07-18 2018-01-16 燕山大学 一种利用热网储能特性的热‑电系统联合经济调度方法
CN108418212A (zh) * 2018-03-16 2018-08-17 上海交通大学 一种考虑柔性负荷的电力系统两阶段随机优化调度模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于动态场景集和需求响应的二阶段随机规划调度模型;仉梦林等;《电力系统自动化》;20170610;第41卷(第11期);第68~76页 *
考虑风电机组故障的风电场可靠性模型及其应用;吴林伟等;《电力系统自动化》;20120825;第36卷(第16期);第31~35页 *

Also Published As

Publication number Publication date
CN109325621A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN109325621B (zh) 一种园区能源互联网两阶段优化调度控制方法
CN109659927B (zh) 一种考虑储能参与度的综合能源微网储能容量配置方法
CN110288152B (zh) 考虑电/热柔性负荷的区域综合能源系统储能配置方法
CN108154309B (zh) 计及冷热电多负荷动态响应的能源互联网经济调度方法
CN109919399B (zh) 一种综合能源系统日前经济调度方法及系统
CN107508328A (zh) 考虑风电消纳的联合系统能量优化方法
CN108233430B (zh) 一种计及系统能源波动性的交直流混合微网优化方法
CN111950807B (zh) 计及不确定性与需求响应的综合能源系统优化运行方法
CN106786509B (zh) 大规模风电并网下基于多场景模拟的热-电联合调度方法
CN103414206A (zh) 一种考虑安全约束的水光火联合优化发电计划优化方法
CN110941799B (zh) 一种考虑系统综合不确定性因素的能量枢纽随机规划方法
CN109787227B (zh) 一种多能互补系统多时间尺度优化调度方法
CN104361416A (zh) 一种考虑大规模电动汽车接入的电网双层优化调度方法
CN110991000A (zh) 计及固体氧化物燃料电池和电转气的能量枢纽建模方法
CN112862253B (zh) 考虑风电不确定性的电-气-热储能协同规划方法及系统
CN112990523A (zh) 基于多目标模型预测控制的区域综合能源系统分层优化运行方法
CN113256045A (zh) 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN105244870A (zh) 一种快速计算电网风电场弃风率及机组发电量的方法
Xiao et al. A multi‐energy complementary coordinated dispatch method for integrated system of wind‐photovoltaic‐hydro‐thermal‐energy storage
CN110244568B (zh) 工业企业微网的能源枢纽模型及其多能互补优化控制方法
CN116167483A (zh) 计及阶梯型需求响应的园区综合能源系统鲁棒调度方法
CN116979612A (zh) 一种综合考虑多类型储能特性的优化调度计算方法
CN115051388A (zh) 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法
CN115986833A (zh) 考虑两阶段需求响应的热电联供微网低碳经济调度方法
Li et al. Multi-energy coordinated operation optimization model for wind-solar-hydro-thermal-energy storage system considering the complementary characteristics of different power resources

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