CN109473976B - 一种冷热电联供型微网能量调度方法及系统 - Google Patents
一种冷热电联供型微网能量调度方法及系统 Download PDFInfo
- Publication number
- CN109473976B CN109473976B CN201811231307.7A CN201811231307A CN109473976B CN 109473976 B CN109473976 B CN 109473976B CN 201811231307 A CN201811231307 A CN 201811231307A CN 109473976 B CN109473976 B CN 109473976B
- Authority
- CN
- China
- Prior art keywords
- power
- waste heat
- load
- soc
- power generation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001816 cooling Methods 0.000 title claims abstract description 21
- 238000010438 heat treatment Methods 0.000 title claims abstract description 21
- 238000010248 power generation Methods 0.000 claims abstract description 129
- 239000002918 waste heat Substances 0.000 claims abstract description 116
- 230000005611 electricity Effects 0.000 claims abstract description 115
- 239000007789 gas Substances 0.000 claims abstract description 68
- 238000004146 energy storage Methods 0.000 claims abstract description 42
- 238000005057 refrigeration Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 27
- 238000002485 combustion reaction Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 8
- 239000002737 fuel gas Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H02J3/382—
-
- H02J3/383—
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例公开了一种冷热电联供型微网能量调度方法及系统,用于优化进行多种能源优化调度和决策。本申请实施例方法包括:获取发电装置的预测数据和负荷装置的预测数据;获取最大需量信息和电价信息;根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;根据所述最优决策数列执行能量调度。因此,引入最大需量这个参数,求解出最优决策数列之后,根据最优决策数列执行能量调度,进行多种能源优化调度和决策,提高经济效益。
Description
技术领域
本申请涉及微电网领域,尤其涉及一种冷热电联供型微网能量调度方法及系统。
背景技术
当今社会发展面临能源短缺的严峻挑战,一方面,随着化石燃料的枯竭,人类需要从其他途径获取新的能源;另一方面,传统的用能方式造成严重的污染,需要寻找更清洁的能源替代传统能源。
在现有技术中,最大需量是指企业在一个月中,每单位时间(我国现执行15分钟)用电平均负荷的功率峰值,需要提前申报定值。若功率峰值不超过所申报的最大需量定值,则基本电费按定值计算;若功率峰值超过所申报的最大需量定值,超出部分双倍付费。
目前已有针对微网系统优化调度提出相应的解决方案,即通过对各发电单元建模进,通过微网系统功率预测以及建立最优经济调度模型,而求出调度策略,然而这些解决方案中并没有将用户的最大需量管理考虑进微网的优化调度方案。
申请内容
本申请实施例提供了一种冷热电联供型微网能量调度方法及系统,用于优化进行多种能源优化调度和决策,提高经济效益。
本申请实施例第一方面提供了一种冷热电联供型微网能量调度方法,包括:
获取发电装置的预测数据和负荷装置的预测数据;
获取最大需量信息和电价信息;
根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;
根据所述最优决策数列执行能量调度。
可选的,所述余热利用装置包括余热回收模块、余热制冷模块和余热发电模块中的一个或多个;
所述发电装置包括风力发电模块、光伏发电、水力发电中的一个或多个;
所述负荷装置包括电负荷、热负荷和冷负荷中的一个或多个。
可选的,所述方法包括:
所述目标函数具体包括:
其中,ΔCD(i)=2×priced(D(i)-Dr(i))
若max Pbuy(k)≤Dr(i),
则D(i)=Dr(i),ΔCD(i)=0;
若max Pbuy(k)>Dr(i),
则D(i)=max Pbuy(k),ΔCD(i)=2×priced(max Pbuy(k)-Dr(i));
约束条件:
电平衡:Psolar(k)+Pwind(k)+Phe(k)+Pgas(k)+Pbuy(k)=Psell(k)+Pload(k)+Pbat(k)+Pq(k)
冷平衡:Qeq(k)+Qhc(k)≥Qload(k)
热平衡:Hgas(k)-Hhq(k)-Hhe(k)≥Hload(k)
电制冷:Qeq=ηeqPq(k)
微燃机:Pgas(k)=ηgeλV(k);Hgas(k)=ηgh(1-ηge)λV(k)
余热制冷:Qhc(k)=ηhqHhq(k)
余热发电:Phe(k)=ηheHhe(k)
电网购售电约束:0≤Pbuy(k)≤θ(k)Pbuymax;0≤Psell(k)≤(1-θ(k))Psell max Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;θ(k)为二值变量,θ(k)=1表示购电,θ(k)=0表示售电;
储能单元充放电模型:储能单元剩余容量为SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;储能单元的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
SOC(k)的状态转移方程为:
若Pbat(k)>0,则SOC(k+1)=SOC(k)+ηc×Pbat(k);若Pbat(k)≤0,则SOC(k+1)=SOC(k)+ηd×Pbat(k);令Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0;令z(k)=δ(k)Pbat(k),则SOC状态转移方程可统一表示为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
上述各公式中,J表示目标函数,SOC(k)为电池剩余容量;SOCmin、SOCmax分别为SOC(k)最小和最大值;Psolar(k)为光伏发电预测功率;Pwind(k)风力发电预测功率;Pload(k)为电负荷预测功率;Hload(k)为热负荷预测功率;Qload(k)为冷负荷预测功率;Pbat(k)为充放电功率;Pbatmin、Pbatmax分别表示充放电功率的最小值及最大值,Pq(k)为电制冷消耗的电功率;Qeq为电制冷产生的冷功率;ηeq为电制冷转化效率;Pgas(k)为燃机发电功率;V(k)为微燃机消耗的燃气速率;λ为燃气热值;ηge为微燃机转换效率;ηgh为余热回收转换效率;Hgas(k)为余热回收热功率;Hhq(k)为余热制冷消耗热功率;ηhq为余热制冷效率;Qhc(k)为余热制冷产生冷功率;Hhe(k)为余热发电消耗热功率;ηhe为余热发电转换效率;Phe(k)为余热发电产生电功率;Qhc(k)为余热制冷功率;Pbuy(k)为电网的购电功率;Psell(k)为售电功率;Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;D0为用户签订的需量;D为当月用户实际使用的最大需量;CD为需量电费;priced为需量电费价格;Δt为调度决策时间间隔;T为决策周期;P(i)为决策周期内每15分钟从电网购电平均最大功率;D(i)为在决策周期计算得到的最大需量;Dr(i)为该决策发生前当月实际最大需量;ΔCD(i)第i个决策周期内增加的需量电费;δ(k)、θ(k)为二值变量;ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
可选的,所述方法还包括:
按照预设时长更新所述最优决策数列。
可选的,在所述根据所述最优决策数列执行能量调度之后,所述方法还包括:
若接收到停止信号,则重新获取所述发电装置的预测数据、所述负荷装置的预测数据、最大需量信息和电价信息,再重新求解并执行最优决策数列。
本申请实施例第二方面提供了一种冷热电联供型微网能量调度系统,包括:
第一获取单元,用于获取发电装置的预测数据和负荷装置的预测数据;
第二获取单元,用于获取最大需量信息和电价信息;
求解单元,用于根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;
执行单元根据所述最优决策数列执行能量调度。
可选的,所述余热利用装置包括余热回收模块、余热制冷模块和余热发电模块中的一个或多个;
所述发电装置包括风力发电模块、光伏发电、水力发电中的一个或多个;
所述负荷装置包括电负荷、热负荷和冷负荷中的一个或多个。
可选的,所述系统包括:
所述目标函数具体包括:
其中,ΔCD(i)=2×priced(D(i)-Dr(i))
若max Pbuy(k)≤Dr(i),
则D(i)=Dr(i),ΔCD(i)=0;
若max Pbuy(k)>Dr(i),
则D(i)=max Pbuy(k),ΔCD(i)=2×priced(max Pbuy(k)-Dr(i));
约束条件:
电平衡:Psolar(k)+Pwind(k)+Phe(k)+Pgas(k)+Pbuy(k)=Psell(k)+Pload(k)+Pbat(k)+Pq(k)
冷平衡:Qeq(k)+Qhc(k)≥Qload(k)
热平衡:Hgas(k)-Hhq(k)-Hhe(k)≥Hload(k)
电制冷:Qeq=ηeqPq(k)
微燃机:Pgas(k)=ηgeλV(k);Hgas(k)=ηgh(1-ηge)λV(k)
余热制冷:Qhc(k)=ηhqHhq(k)
余热发电:Phe(k)=ηheHhe(k)
电网购售电约束:0≤Pbuy(k)≤θ(k)Pbuymax;0≤Psell(k)≤(1-θ(k))Psell max Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;θ(k)为二值变量,θ(k)=1表示购电,θ(k)=0表示售电;
储能单元充放电模型:储能单元剩余容量为SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;储能单元的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
SOC(k)的状态转移方程为:
若Pbat(k)>0,则SOC(k+1)=SOC(k)+ηc×Pbat(k);若Pbat(k)≤0,则SOC(k+1)=SOC(k)+ηd×Pbat(k);令Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0;令z(k)=δ(k)Pbat(k),则SOC状态转移方程可统一表示为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
上述各公式中,J表示目标函数,SOC(k)为电池剩余容量;SOCmin、SOCmax分别为SOC(k)最小和最大值;Psolar(k)为光伏发电预测功率;Pwind(k)风力发电预测功率;Pload(k)为电负荷预测功率;Hload(k)为热负荷预测功率;Qload(k)为冷负荷预测功率;Pbat(k)为充放电功率;Pbatmin、Pbatmax分别表示充放电功率的最小值及最大值,Pq(k)为电制冷消耗的电功率;Qeq为电制冷产生的冷功率;ηeq为电制冷转化效率;Pgas(k)为燃机发电功率;V(k)为微燃机消耗的燃气速率;λ为燃气热值;ηge为微燃机转换效率;ηgh为余热回收转换效率;Hgas(k)为余热回收热功率;Hhq(k)为余热制冷消耗热功率;ηhq为余热制冷效率;Qhc(k)为余热制冷产生冷功率;Hhe(k)为余热发电消耗热功率;ηhe为余热发电转换效率;Phe(k)为余热发电产生电功率;Qhc(k)为余热制冷功率;Pbuy(k)为电网的购电功率;Psell(k)为售电功率;Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;D0为用户签订的需量;D为当月用户实际使用的最大需量;CD为需量电费;priced为需量电费价格;Δt为调度决策时间间隔;T为决策周期;P(i)为决策周期内每15分钟从电网购电平均最大功率;D(i)为在决策周期计算得到的最大需量;Dr(i)为该决策发生前当月实际最大需量;ΔCD(i)第i个决策周期内增加的需量电费;δ(k)、θ(k)为二值变量;ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
可选的,所述系统还包括:
更新单元,用于按照预设时长更新所述最优决策数列。
可选的,所述系统还包括:
求解执行单元,用于当接收到停止信号后,则重新获取所述发电装置的预测数据、所述负荷装置的预测数据、最大需量信息和电价信息,再重新求解并执行最优决策数列。
本申请实施例第三方面提供了一种计算机装置,其特征在于,包括:
处理器、存储器、输入输出设备以及总线;
所述处理器、存储器、输入输出设备分别与所述总线相连;
所述处理器用于执行如前述方法实施例所述的方法。
本申请实施例第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如前述实施例所述方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:本实施例中,获取发电装置的预测数据和负荷装置的预测数据;获取最大需量信息和电价信息;根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;根据所述最优决策数列执行能量调度。因此,引入最大需量这个参数,求解出最优决策数列之后,根据最优决策数列执行能量调度,进行多种能源优化调度和决策,提升经济效益。
附图说明
图1为本申请实施例中一种冷热电联供型微网能量调度方法实施例的一个示意图;
图2为本申请实施例中一种冷热电联供型微网能量调度方法实施例的另一个示意图;
图3为本申请实施例中一种冷热电联供型微网能量调度方法实施例的另一个示意图;
图4为本申请实施例中一种冷热电联供型微网能量调度方法实施例的另一个示意图;
图5为本申请实施例中一种冷热电联供型微网能量调度系统实施例的一个示意图;
图6为本申请实施例中计算机装置实施例的一个示意图。
具体实施方式
本申请实施例提供了一种冷热电联供型微网能量调度方法及系统,用于优化进行多种能源优化调度和决策,提高经济效益。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在现有技术中,最大需量是指企业在一个月中,每单位时间(我国现执行15分钟)用电平均负荷的功率峰值,需要提前申报定值。若功率峰值不超过所申报的最大需量定值,则基本电费按定值计算;若功率峰值超过所申报的最大需量定值,超出部分双倍付费。
目前已有针对微网系统优化调度提出相应的解决方案,即通过对各发电单元建模进,通过微网系统功率预测以及建立最优经济调度模型,而求出调度策略,然而这些解决方案中并没有将用户的最大需量管理考虑进微网的优化调度方案。为此,本申请实施例提出了一种冷热电联供型微网能量调度方法及系统,用于优化进行多种能源优化调度和决策,提高经济效益。
为了便于理解,下面对本申请实施例中的具体流程进行描述,请参阅图1,本申请实施例中一种冷热电联供型微网能量调度方法的一个实施例包括:
101、获取发电装置的预测数据和负荷装置的预测数据;
本实施例中,终端获取发电装置的预测数据和负荷装置的预测数据。具体的,该终端可以为企业能量管理服务器,也可以是台式电脑、笔记本或者是其他的终端,具体此处不做限定。
此外,所述发电装置包括风力发电模块、光伏发电、水力发电中的一个或多个,所述负荷装置包括电负荷、热负荷和冷负荷中的一个或多个。具体的,获取发电装置的预测数据的过程可以为获取光伏发电模块的历史运行数据,风力发电模块的历史运行数据,以及气象历史数据,建立光伏发电功率预测模型,风力发电功率预测模型;获取负荷装置的预测数据的过程可以为根据各类负载的历史耗能数据和时间信息,获得电负荷预测模型、冷负荷预测模型以及热负荷预测模型。
进一步的,可以获取调度时刻的时间值、气象预测信息,根据光伏发电功率预测模型、风力发电功率预测模型、电负荷预测模型、冷负荷预测模型以及热负荷预测模型,获得未来24小时内每隔预设时长(例如15min、10min或者是其他的时长)预测的光伏发电输出功率Psolar(k)、风力发电功率Pwind(k)、电负荷消耗功率Pload(k)、热负荷消耗功率Hload(k)、冷负荷消耗功率Qload(k),其中k代表离散时间,k为自然数且1≤k≤96。
102、获取最大需量信息和电价信息;
本实施例中,终端获取得到最大需量信息和电价信息。
具体的,用户签订的需量为D0,当月用户实际使用的最大需量为D,需量电费为CD=pricedD0+2×priced(D-D0),priced为需量电费价格。
每间隔Δt进行一次调度决策,取Δt=15min,每次决策目标是使得决策周期T内系统经济最优,取T=24h。设在i次进行决策时,经过优化算法计算得到该决策周期T内每15分钟从电网购电平均最大功率为P(i),在该决策周期计算得到的最大需量为D(i),该决策发生前当月实际最大需量为Dr(i)。若P(i)≤Dr(i),则D(i)=Dr(i),若P(i)>Dr(i),则D(i)=P(i)。第i个决策周期内增加的需量电费为:ΔCD(i)=2×priced(D(i)-Dr(i)),其中Dr(1)=D0。
103、根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列;
本实施例中,终端根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策。其中,余热利用装置包括余热回收模块、余热制冷模块和余热发电模块中的一个或多个。
具体的,终端获取当前时刻充电电池模块的电池剩余容量信息SOC(k),结合预测的光伏发电输出功率Psolar(k)、风力发电功率Pwind(k)和电负荷消耗功率Pload(k)、热负荷消耗功率Hload(k)、冷负荷消耗功率Qload(k),以及最大需量信息,电价信息,计算出最优决策序列,包含储能系统充放电功率Pbat(k)、电制冷功率Pq(k)、燃机发电功率Pgas(k)、余热发电功率Phe(k)、余热制冷功率Qhc(k)以及从电网的购电决策Pbuy(k)和售电决策Psell(k)。
其中,目标函数具体包括:
其中,ΔCD(i)=2×priced(D(i)-Dr(i))
若max Pbuy(k)≤Dr(i),
则D(i)=Dr(i),ΔCD(i)=0;
若max Pbuy(k)>Dr(i),
则D(i)=maxPbuy(k),ΔCD(i)=2×priced(maxPbuy(k)-Dr(i));
约束条件:
电平衡:Psolar(k)+Pwind(k)+Phe(k)+Pgas(k)+Pbuy(k)=Psell(k)+Pload(k)+Pbat(k)+Pq(k)
冷平衡:Qeq(k)+Qhc(k)≥Qload(k)
热平衡:Hgas(k)-Hhq(k)-Hhe(k)≥Hload(k)
电制冷:Qeq=ηeqPq(k)
微燃机:Pgas(k)=ηgeλV(k);Hgas(k)=ηgh(1-ηge)λV(k)
余热制冷:Qhc(k)=ηhqHhq(k)
余热发电:Phe(k)=ηheHhe(k)
电网购售电约束:0≤Pbuy(k)≤θ(k)Pbuymax;0≤Psell(k)≤(1-θ(k))Psell max Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;θ(k)为二值变量,θ(k)=1表示购电,θ(k)=0表示售电;
储能单元充放电模型:储能单元剩余容量为SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;储能单元的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
SOC(k)的状态转移方程为:
若Pbat(k)>0,则SOC(k+1)=SOC(k)+ηc×Pbat(k);若Pbat(k)≤0,则SOC(k+1)=SOC(k)+ηd×Pbat(k);令Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0;令z(k)=δ(k)Pbat(k),则SOC状态转移方程可统一表示为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
上述各公式中,J表示目标函数,SOC(k)为电池剩余容量;SOCmin、SOCmax分别为SOC(k)最小和最大值;Psolar(k)为光伏发电预测功率;Pwind(k)风力发电预测功率;Pload(k)为电负荷预测功率;Hload(k)为热负荷预测功率;Qload(k)为冷负荷预测功率;Pbat(k)为充放电功率;Pbatmin、Pbatmax分别表示充放电功率的最小值及最大值,Pq(k)为电制冷消耗的电功率;Qeq为电制冷产生的冷功率;ηeq为电制冷转化效率;Pgas(k)为燃机发电功率;V(k)为微燃机消耗的燃气速率;λ为燃气热值;ηge为微燃机转换效率;ηgh为余热回收转换效率;Hgas(k)为余热回收热功率;Hhq(k)为余热制冷消耗热功率;ηhq为余热制冷效率;Qhc(k)为余热制冷产生冷功率;Hhe(k)为余热发电消耗热功率;ηhe为余热发电转换效率;Phe(k)为余热发电产生电功率;Qhc(k)为余热制冷功率;Pbuy(k)为电网的购电功率;Psell(k)为售电功率;Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;D0为用户签订的需量;D为当月用户实际使用的最大需量;CD为需量电费;priced为需量电费价格;Δt为调度决策时间间隔;T为决策周期;P(i)为决策周期内每15分钟从电网购电平均最大功率;D(i)为在决策周期计算得到的最大需量;Dr(i)为该决策发生前当月实际最大需量;ΔCD(i)第i个决策周期内增加的需量电费;δ(k)、θ(k)为二值变量;ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
本实施例中,求解上述优化问题,使得目标函数J最小。求解该目标函数最优值已有多种解决方法,如粒子群算法,蚁群算法等,关于其具体求解过程可参照各种现有技术文件或专利文件,本发明不再进行详细论述。
具体该求解过程是求得使得目标函数值最小时的未来24h内每间隔15分钟的最优决策序列,包含储能单元决策序列:[Pbat(1),Pbat(2)...Pbat(96)],燃气供应速率决策序列:[V(1),V(2)...V(96)],余热制冷决策序列[Hhq(1),Hhq(2)...Hhq(96)],余热发电决策序列[Hhe(1),Hhe(2)...Hhe(96)],电制冷决策序列[Pq(1),Pq(2)...Pq(96)],购电决策序列[Pbuy(1),Pbuy(2)...Pbuy(96)],售电决策序列[Psell(1),Psell(2)...Psell(96)],
104、根据所述最优决策数列执行能量调度。
本实施中,步骤103获取得到的该数列的第一个值Pbat(1),V(1),Hhq(1),Hhe(1),Pq(1),Pbuy(1),Psell(1)。为当前能量管理单元应该执行的决策,能量管理单元根据该系列决策值来控制储能双向变流器、燃机、余热发电、余热制冷、电制冷和购售电工作状态从而实现整体经济调度。
本实施例中,获取发电装置的预测数据和负荷装置的预测数据;获取最大需量信息和电价信息;根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;根据所述最优决策数列执行能量调度。因此,引入最大需量这个参数,求解出最优决策数列之后,根据最优决策数列执行能量调度,进行多种能源优化调度和决策,提升经济效益。
本申请实施例中,在步骤104根据所述最优决策数列执行能量调度之后,还可以设置自动更新的步骤,具体请参阅图2,基于图1所述实施例,在步骤104之后,本申请实施例中一种冷热电联供型微网能量调度方法的另一个实施例包括:
201、按照预设时长更新所述最优决策数列。
在实际应用中,由于光伏发电输出功率、风力发电功率和负荷消耗功率可能存在误差,因此预测值需要随着最新的天气情况和电、热、冷负荷情况每隔预设时长(例如15分钟、10分钟或者是其他的时长)进行一次更新,重新进行预测,得到新的光伏发电输出功率、风力发电功率和负载消耗功率后,重新求解目标函数的最优值,获得最新决策序列后,能量管理单元再次根据决策值来控制储能双向变流器、燃机、余热发电、余热制冷、电制冷和购售电状态。这样可以始终以最可靠的预测值来获得最优的决策序列。
本申请实施例中,在步骤104根据所述最优决策数列执行能量调度之后,若接收到停止信号,比如上层调度指令或其他人为下发的停止信号后,必须重新求解并执行最优决策数列。具体请参阅图3,基于图1所述实施例,在步骤104之后,本申请实施例中一种冷热电联供型微网能量调度方法的另一个实施例包括:
301、若接收到停止信号,则重新获取所述发电装置的预测数据、所述负荷装置的预测数据、最大需量信息和电价信息,再重新求解并执行最优决策数列。
具体的,若接收到上层调度指令或其他人为下发的停止信号后,则需要获取所述发电装置的预测数据、所述负荷装置的预测数据、最大需量信息和电价信息,再重新求解并执行最优决策数列,即重新执行步骤101至步骤104,以重新求解并执行最优决策数列。
本申请实施例中,在方案的具体实施过程,下面将本申请中各个装置进行模块化示例性地进行说明,请参阅图4,本申请实施例中,一种冷热电联供型微网能量调度方法的另一个实施例包括:
燃机、余热锅炉、余热发电装置、吸收式制冷装置、电制冷装置、储能模块、光伏发电模块、风力发电模块、电网、电负荷、热负荷、冷负荷、能量管理模块(此处不仅仅限于图示中模块,还可以是其它类似的装置,例如发电装置还可以是水力发电、潮汐发电或者是其它的形式,具体此处不做限定),所述电负荷用电可来源于光伏发电模块、风力发电模块、余热发电装置、燃机所发电量,也可来源于电网供电,所述热负荷用热来源于余热锅炉,冷负荷用冷来源于电制冷装置或吸收式制冷装置。光伏发电模块、风力发电模块、余热发电装置、燃机所发多余电量也可卖给电网。储能模块,采用锂电池或铅炭电池或铅酸电池等串并联组成,通过储能双向变流器实现充放电。光伏发电模块采用太阳能电池串联或并联构成。所述风力发电模块通过风电机组可将风能转化为电能。燃机可利用天然气产生电能和热能。所述余热锅炉可回收燃机所产生的热能。余热发电装置可将燃机所产生的热能进一步转化为电能。吸收式制冷装置可利用燃机产生的热能进行制冷。所述电制冷装置可利用电能制冷。本系统可以保护储能单元不处于过充过放状态,延长储能电池的寿命,同时增加系统安全性,还可以根据风电、光伏、负载信息、储能电池单元的具体参数以及最大需量电费进行充放电控制,达到整体经济最优,而且控制效率高、响应速度快、控制准确度高。
此外,本申请具体的实施过程为:能量管理模块根据采集的光伏发电模块的历史运行数据,风力发电模块的历史运行数据,以及各类负载的历史耗能数据,建立功率预测模型,获得光伏发电模块的光伏发电预测信息、风力发电模块的风力发电预测信息、电负荷预测信息、冷负荷预测信息以及热负荷预测信息,结合电池剩余容量信息、最大需量信息、电价信息、燃气价格信息,计算获得接下来的预设时间内,燃机、余热发电装置、吸收式制冷装置、电制冷装置、储能模块最优功率分配决策,进而控制相关设备。本系统可以保护储能单元不处于过充过放状态,延长储能电池的寿命,同时增加系统安全性,还可以根据风电、光伏、负载信息、储能电池单元的具体参数以及最大需量电费进行充放电控制,达到整体经济最优,而且控制效率高、响应速度快、控制准确度高。
上面从方法部分对本申请实施例进行了描述,下面从虚拟装置的角度对本申请实施例进行介绍,请参阅图5,本申请实施例中,一种冷热电联供型微网能量调度系统的一个实施例包括:
第一获取单元501,用于获取发电装置的预测数据和负荷装置的预测数据;
第二获取单元502,用于获取最大需量信息和电价信息;
求解单元503,用于根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;
执行单元504,用于根据所述最优决策数列执行能量调度。
作为一个优选方案,所述余热利用装置包括余热回收模块、余热制冷模块和余热发电模块中的一个或多个;
所述发电装置包括风力发电模块、光伏发电、水力发电中的一个或多个;
所述负荷装置包括电负荷、热负荷和冷负荷中的一个或多个。
可选的,所述系统包括:
所述目标函数具体包括:
其中,ΔCD(i)=2×priced(D(i)-Dr(i))
若max Pbuy(k)≤Dr(i),
则D(i)=Dr(i),ΔCD(i)=0;
若max Pbuy(k)>Dr(i),
则D(i)=max Pbuy(k),ΔCD(i)=2×priced(max Pbuy(k)-Dr(i));
约束条件:
电平衡:Psolar(k)+Pwind(k)+Phe(k)+Pgas(k)+Pbuy(k)=Psell(k)+Pload(k)+Pbat(k)+Pq(k)
冷平衡:Qeq(k)+Qhc(k)≥Qload(k)
热平衡:Hgas(k)-Hhq(k)-Hhe(k)≥Hload(k)
电制冷:Qeq=ηeqPq(k)
微燃机:Pgas(k)=ηgeλV(k);Hgas(k)=ηgh(1-ηge)λV(k)
余热制冷:Qhc(k)=ηhqHhq(k)
余热发电:Phe(k)=ηheHhe(k)
电网购售电约束:0≤Pbuy(k)≤θ(k)Pbuymax;0≤Psell(k)≤(1-θ(k))Psell max Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;θ(k)为二值变量,θ(k)=1表示购电,θ(k)=0表示售电;
储能单元充放电模型:储能单元剩余容量为SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;储能单元的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
SOC(k)的状态转移方程为:
若Pbat(k)>0,则SOC(k+1)=SOC(k)+ηc×Pbat(k);若Pbat(k)≤0,则SOC(k+1)=SOC(k)+ηd×Pbat(k);令Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0;令z(k)=δ(k)Pbat(k),则SOC状态转移方程可统一表示为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
上述各公式中,J表示目标函数,SOC(k)为电池剩余容量;SOCmin、SOCmax分别为SOC(k)最小和最大值;Psolar(k)为光伏发电预测功率;Pwind(k)风力发电预测功率;Pload(k)为电负荷预测功率;Hload(k)为热负荷预测功率;Qload(k)为冷负荷预测功率;Pbat(k)为充放电功率;Pbatmin、Pbatmax分别表示充放电功率的最小值及最大值,Pq(k)为电制冷消耗的电功率;Qeq为电制冷产生的冷功率;ηeq为电制冷转化效率;Pgas(k)为燃机发电功率;V(k)为微燃机消耗的燃气速率;λ为燃气热值;ηge为微燃机转换效率;ηgh为余热回收转换效率;Hgas(k)为余热回收热功率;Hhq(k)为余热制冷消耗热功率;ηhq为余热制冷效率;Qhc(k)为余热制冷产生冷功率;Hhe(k)为余热发电消耗热功率;ηhe为余热发电转换效率;Phe(k)为余热发电产生电功率;Qhc(k)为余热制冷功率;Pbuy(k)为电网的购电功率;Psell(k)为售电功率;Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;D0为用户签订的需量;D为当月用户实际使用的最大需量;CD为需量电费;priced为需量电费价格;Δt为调度决策时间间隔;T为决策周期;P(i)为决策周期内每15分钟从电网购电平均最大功率;D(i)为在决策周期计算得到的最大需量;Dr(i)为该决策发生前当月实际最大需量;ΔCD(i)第i个决策周期内增加的需量电费;δ(k)、θ(k)为二值变量;ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
作为一个优选方案,所述系统还包括:
更新单元504,用于按照预设时长更新所述最优决策数列。
作为一个优选方案,所述系统还包括:
求解执行单元505,用于当接收到停止信号后,则重新获取所述发电装置的预测数据、所述负荷装置的预测数据、最大需量信息和电价信息,再重新求解并执行最优决策数列。
本实施例中,第一获取单元501获取发电装置的预测数据和负荷装置的预测数据;第二获取单元502获取最大需量信息和电价信息;求解单元503根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;执行单元504根据所述最优决策数列执行能量调度。因此,引入最大需量这个参数,求解出最优决策数列之后,根据最优决策数列执行能量调度,进行多种能源优化调度和决策,提升经济效益。
请参阅图6,本申请实施例中计算机装置的一个具体实施例包括:
该装置600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)601(例如,一个或一个以上处理器)和存储器605,该存储器605中存储有一个或一个以上的应用程序或数据。
其中,存储器605可以是易失性存储或持久存储。存储在存储器605的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器601可以设置为与存储器605通信,在智能终端600上执行存储器605中的一系列指令操作。
该装置600还可以包括一个或一个以上电源602,一个或一个以上有线或无线网络接口603,一个或一个以上输入输出接口604,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本实施例中计算机装置600中的中央处理器601所执行的流程与前述实施例中描述方法流程中执行的步骤类似,此处不再赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
可以理解的是,在本申请的各种实施例中,上述各步骤的序号的大小并不意味着执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (6)
1.一种冷热电联供型微网能量调度方法,其特征在于,包括:
获取发电装置的预测数据和负荷装置的预测数据;
获取最大需量信息和电价信息;
根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;所述余热利用装置包括余热回收模块、余热制冷模块和余热发电模块中的一个或多个;所述发电装置包括风力发电模块、光伏发电、水力发电中的一个或多个;所述负荷装置包括电负荷、热负荷和冷负荷中的一个或多个;所述目标函数具体包括:
其中,ΔCD(i)=2×priced(D(i)-Dr(i))
若maxPbuy(k)≤Dr(i),
则D(i)=Dr(i),ΔCD(i)=0;
若maxPbuy(k)>Dr(i),
则D(i)=maxPbuy(k),ΔCD(i)=2×priced(maxPbuy(k)-Dr(i));
约束条件:
电平衡:Psolar(k)+Pwind(k)+Phe(k)+Pgas(k)+Pbuy(k)=Psell(k)+Pload(k)+Pbat(k)+Pq(k)
冷平衡:Qeq(k)+Qhc(k)≥Qload(k)
热平衡:Hgas(k)-Hhq(k)-Hhe(k)≥Hload(k)
电制冷:Qeq=ηeqPq(k)
微燃机:Pgas(k)=ηgeλV(k);Hgas(k)=ηgh(1-ηge)λV(k)
余热制冷:Qhc(k)=ηhqHhq(k)
余热发电:Phe(k)=ηheHhe(k)
电网购售电约束:0≤Pbuy(k)≤θ(k)Pbuymax;0≤Psell(k)≤(1-θ(k))Psellmax,
Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;θ(k)为二值变量,θ(k)=1表示购电,θ(k)=0表示售电;
储能单元充放电模型:储能单元剩余容量为SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;储能单元的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
SOC(k)的状态转移方程为:
若Pbat(k)>0,则SOC(k+1)=SOC(k)+ηc×Pbat(k);若Pbat(k)≤0,则SOC(k+1)=SOC(k)+ηd×Pbat(k);令Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0;令z(k)=δ(k)Pbat(k),则SOC状态转移方程可统一表示为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
上述各公式中,J表示目标函数;SOCmin、SOCmax分别为SOC(k)最小和最大值;Pwind(k)风力发电预测功率;Pload(k)为电负荷预测功率;Hload(k)为热负荷预测功率;Qload(k)为冷负荷预测功率;Pbatmin、Pbatmax分别表示充放电功率的最小值及最大值,Pq(k)为电制冷消耗的电功率;Qeq为电制冷产生的冷功率;ηeq为电制冷转化效率;Pgas(k)为燃机发电功率;V(k)为微燃机消耗的燃气速率;λ为燃气热值;ηge为微燃机转换效率;ηgh为余热回收转换效率;Hgas(k)为余热回收热功率;Hhq(k)为余热制冷消耗热功率;ηhq为余热制冷效率;Qhc(k)为余热制冷产生冷功率;Hhe(k)为余热发电消耗热功率;ηhe为余热发电转换效率;Phe(k)为余热发电产生电功率;Qhc(k)为余热制冷功率;Pbuy(k)为电网的购电功率;Psell(k)为售电功率; CD为需量电费;priced为需量电费价格;Δt为调度决策时间间隔;D(i)为在决策周期计算得到的最大需量;Dr(i)为该决策发生前当月实际最大需量;ΔCD(i)第i个决策周期内增加的需量电费;δ(k)、θ(k)为二值变量;ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率;
根据所述最优决策数列执行能量调度。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照预设时长更新所述最优决策数列。
3.根据权利要求1所述的方法,其特征在于,在所述根据所述最优决策数列执行能量调度之后,所述方法还包括:
若接收到停止信号,则重新获取所述发电装置的预测数据、所述负荷装置的预测数据、最大需量信息和电价信息,再重新求解并执行最优决策数列。
4.一种冷热电联供型微网能量调度系统,其特征在于,包括:
第一获取单元,用于获取发电装置的预测数据和负荷装置的预测数据;
第二获取单元,用于获取最大需量信息和电价信息;
求解单元,用于根据所述发电装置的预测数据、负荷装置的预测数据、最大需量信息和电价信息构建目标函数,求解最优决策数列,所述最优决策数列包括燃机功率、余热利用装置功率、储能装置购售电决策;所述余热利用装置包括余热回收模块、余热制冷模块和余热发电模块中的一个或多个;所述发电装置包括风力发电模块、光伏发电、水力发电中的一个或多个;所述负荷装置包括电负荷、热负荷和冷负荷中的一个或多个;所述目标函数具体包括:
其中,ΔCD(i)=2×priced(D(i)-Dr(i))
若maxPbuy(k)≤Dr(i),
则D(i)=Dr(i),ΔCD(i)=0;
若maxPbuy(k)>Dr(i),
则D(i)=maxPbuy(k),ΔCD(i)=2×priced(maxPbuy(k)-Dr(i));
约束条件:
电平衡:Psolar(k)+Pwind(k)+Phe(k)+Pgas(k)+Pbuy(k)=Psell(k)+Pload(k)+Pbat(k)+Pq(k)
冷平衡:Qeq(k)+Qhc(k)≥Qload(k)
热平衡:Hgas(k)-Hhq(k)-Hhe(k)≥Hload(k)
电制冷:Qeq=ηeqPq(k)
微燃机:Pgas(k)=ηgeλV(k);Hgas(k)=ηgh(1-ηge)λV(k)
余热制冷:Qhc(k)=ηhqHhq(k)
余热发电:Phe(k)=ηheHhe(k)
电网购售电约束:0≤Pbuy(k)≤θ(k)Pbuymax;0≤Psell(k)≤(1-θ(k))Psellmax,Pbuymax和Psellmax分别为向电网的购电和售电的最大功率;θ(k)为二值变量,θ(k)=1表示购电,θ(k)=0表示售电;
储能单元充放电模型:储能单元剩余容量为SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;储能单元的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
SOC(k)的状态转移方程为:
若Pbat(k)>0,则SOC(k+1)=SOC(k)+ηc×Pbat(k);若Pbat(k)≤0,则SOC(k+1)=SOC(k)+ηd×Pbat(k);令Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0;令z(k)=δ(k)Pbat(k),则SOC状态转移方程可统一表示为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
上述各公式中,J表示目标函数;SOCmin、SOCmax分别为SOC(k)最小和最大值;Psolar(k)为光伏发电预测功率;Pwind(k)风力发电预测功率;Pload(k)为电负荷预测功率;Hload(k)为热负荷预测功率;Qload(k)为冷负荷预测功率;Pbatmin、Pbatmax分别表示充放电功率的最小值及最大值,Pq(k)为电制冷消耗的电功率;Qeq为电制冷产生的冷功率;ηeq为电制冷转化效率;Pgas(k)为燃机发电功率;V(k)为微燃机消耗的燃气速率;λ为燃气热值;ηge为微燃机转换效率;ηgh为余热回收转换效率;Hgas(k)为余热回收热功率;Hhq(k)为余热制冷消耗热功率;ηhq为余热制冷效率;Qhc(k)为余热制冷产生冷功率;Hhe(k)为余热发电消耗热功率;ηhe为余热发电转换效率;Phe(k)为余热发电产生电功率;Qhc(k)为余热制冷功率;Pbuy(k)为电网的购电功率;Psell(k)为售电功率; CD为需量电费;priced为需量电费价格;Δt为调度决策时间间隔;D(i)为在决策周期计算得到的最大需量;Dr(i)为该决策发生前当月实际最大需量;ΔCD(i)第i个决策周期内增加的需量电费;δ(k)、θ(k)为二值变量;ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率;
执行单元,用于根据所述最优决策数列执行能量调度。
5.一种计算机装置,其特征在于,包括:
处理器、存储器、输入输出设备以及总线;
所述处理器、存储器、输入输出设备分别与所述总线相连;
所述处理器用于执行如权利要求1至3任一项所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811231307.7A CN109473976B (zh) | 2018-10-22 | 2018-10-22 | 一种冷热电联供型微网能量调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811231307.7A CN109473976B (zh) | 2018-10-22 | 2018-10-22 | 一种冷热电联供型微网能量调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109473976A CN109473976A (zh) | 2019-03-15 |
CN109473976B true CN109473976B (zh) | 2021-07-09 |
Family
ID=65663940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811231307.7A Active CN109473976B (zh) | 2018-10-22 | 2018-10-22 | 一种冷热电联供型微网能量调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109473976B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991783A (zh) * | 2019-04-24 | 2020-04-10 | 库柏(宁波)电气有限公司 | 基于两部制电价的微网调度运行方法 |
CN110209135B (zh) * | 2019-06-12 | 2021-05-25 | 东北大学 | 基于微型热电联产多时间尺度的家庭能源优化调度方法 |
CN110348709B (zh) * | 2019-06-26 | 2021-03-12 | 西安交通大学 | 基于氢能与储能设备的多能源系统的运行优化方法和装置 |
CN110782184A (zh) * | 2019-11-08 | 2020-02-11 | 华润智慧能源有限公司 | 综合能源信息化模型建立方法、装置、设备及存储介质 |
CN111969603B (zh) * | 2020-08-17 | 2022-06-17 | 内蒙古科技大学 | 一种微能源网系统及其协同优化运行控制方法 |
CN115169994B (zh) * | 2022-09-05 | 2023-09-26 | 北京宇乾能源科技有限责任公司 | 一种多种清洁能源互补控制决策处理方法及系统 |
CN115347572A (zh) * | 2022-10-18 | 2022-11-15 | 武汉再来科技有限公司 | 一种智慧园区能源控制方法 |
CN117933667B (zh) * | 2024-03-21 | 2024-08-02 | 广州疆海科技有限公司 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392286B (zh) * | 2014-12-02 | 2017-07-21 | 山东大学 | 考虑冷热电联供和储能运行策略的微电网运行优化方法 |
CN106505634B (zh) * | 2016-12-14 | 2019-03-19 | 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 |
-
2018
- 2018-10-22 CN CN201811231307.7A patent/CN109473976B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109473976A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109473976B (zh) | 一种冷热电联供型微网能量调度方法及系统 | |
CN110188950B (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
CN106651026B (zh) | 多时间尺度微电网能量管理优化调度方法 | |
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 | |
CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
CN103346562A (zh) | 计及需求响应的多时间尺度微网能量控制方法 | |
CN105139147A (zh) | 微电网系统的经济调度方法 | |
CN107039975A (zh) | 一种分布式能源系统能量管理方法 | |
CN111900727A (zh) | 基于pso的光储充换一体化充电站协同优化调度方法和装置 | |
CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
CN103107558B (zh) | 多模态可定制绿色能量集线器及其方法 | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
CN113344249A (zh) | 基于区块链的冷热电联供多微网优化调度方法和系统 | |
CN107134771B (zh) | 一种基于经济效益评估的微网模式切换控制方法 | |
CN116914821A (zh) | 一种基于改进粒子群算法的微电网低碳优化调度方法 | |
CN107425540A (zh) | 一种三电池耦合型综合能源系统及其优化设计方法 | |
CN107834574A (zh) | 一种分布式能源系统与电网交换功率的控制方法 | |
CN112269966B (zh) | 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法 | |
Mohamed et al. | Modelling and environmental/economic power dispatch of microgrid using multiobjective genetic algorithm optimization | |
CN111882452A (zh) | 综合能源系统参与需求侧响应的边际成本计算方法 | |
Charadi et al. | Bi-objective optimal active and reactive power flow management in grid-connected AC/DC hybrid microgrids using metaheuristic–PSO. | |
Pérez et al. | Frequency regulation of a weak microgrid through a distribution management system | |
CN113077111A (zh) | 基于插电混动汽车v2g技术的虚拟电厂优化调度方法 | |
Hu et al. | Research on intelligent peak-cutting and valley-filling charging and swapping mode based on potential game theory | |
Yang et al. | Research on user energy storage optimization system considering a grid-on new energy |
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 |