CN109711080B - 一种冷热电联供系统多时间尺度优化运行方法 - Google Patents

Abstract

本发明公开了一种冷热电联供系统多时间尺度优化运行方法，以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷；并采用粒子群算法对冷热电联供系统电能静态优化模型进行求解，确定冷热电联供系统中各设备出力；以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，考虑到热/冷能量流惯性，建立基于储热的热/冷能动态优化模型；以k为热/冷能流优化周期，采用动态规划方法求解动态优化模型，确定发电机组输出热功率和储热功率。

Description

一种冷热电联供系统多时间尺度优化运行方法

技术领域

本公开属于能源技术领域，具体来说，涉及一种新能源冷热电联供系统多时间尺度动态调度策略及运行方法。

背景技术

冷热电联供系统作为分布式供能形式之一，近些年来发展十分迅速。典型的CCHP系统由发电系统、余热回收系统和辅助系统组成，通过对能量的优化调度，在满足用户冷、热、电多种负荷需求的同时实现能源的梯级利用，有效提高能源利用的效率，达到节能、环保、经济效益的目标。冷热电联供系统本身是一个多种能源耦合(冷、热、电)的复杂系统。近年来，由于可再生能源的快速发展，能源多元化和设备创新进一步加剧了能源系统的耦合。

目前的冷热电联供系统大多对电和热(冷)两种能量在同一时间尺度下进行静态优化，包括日前优化和日内滚动优化均采用同一时间尺度下的静态优化。中国专利CN106505634A公开了一种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，该方法将冷热电微网调度分为两个阶段，第一阶段为日内滚动调度阶段，第二阶段为实时调度阶段，根据实时监测得到的光伏、风电的功率和冷热电负荷实际值，更新历史数据，并基于调度波动惩罚的冷热电联供型微网实时运行成本最小为优化目标对得到的日内滚动调度的优化结果进行修正，确定冷热电联供型微网中各设备的实时出力，向设备发出控制指令。但是同一时间尺度静态优化的缺陷有：由于热电时间尺度差异大，采用同一时间尺度存在较大问题。若根据热能变化速度，采取与之相匹配的慢基准尺度优化，无法对快时间尺度的电能做出恰当、及时的响应；若根据电能变化速度，采取与之相匹配的快基准尺度优化，热能慢时间尺度动态的差分几乎为零，导致有效数字损失严重、产生巨大的误差；若采用中间时间尺度控制器，由于电热快慢时间尺度差距显著，快、慢动态的处理将同时遭遇类似的病态特性。

综上所述，目前对于无法对快时间尺度的电能做出恰当、及时的响应，有效数字损失严重、产生巨大的误差，由于电热快慢时间尺度差距显著，快、慢动态的处理将同时遭遇类似的病态特性的问题，尚缺乏有效的解决方案。

发明内容

为了克服上述现有技术的不足，本公开提供了一种冷热电联供系统多时间尺度优化运行方法，在电能优化时，充分考虑供热区域的舒适度，以舒适度区间为约束条件，以实现多时间尺度热电协同优化。

本公开所采用的技术方案是：

一种冷热电联供系统多时间尺度优化运行方法，其特征是，该方法包括以下步骤：

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷；并采用粒子群算法对冷热电联供系统电能静态优化模型进行求解，确定冷热电联供系统中各设备出力；

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，考虑到热/冷能量流惯性，建立基于储热的热/冷能动态优化模型；以k为热/冷能流优化周期，采用动态规划方法求解动态优化模型，确定发电机组输出热功率和储热功率。

进一步的，所述冷热电联供系统电能静态优化模型的建立方法为：

以冷热电联供系统运行成本、一次能源消耗量、排放量综合最优为目标，构建目标函数；

根据冷热电联供系统实际运行情况，建立冷热电联供系统的能量平衡约束条件和的运行约束条件；

根据供热区域的舒适度指标，建立冷热电联供系统的室内温度约束条件。

进一步的，所述目标函数为：

式中，V为综合优化目标，C_m表示冷热电联供系统运行成本，F_i表示一次能源消耗量，

表示CO₂排放量；ω₁、ω₂、ω₃为冷热电联供系统运行成本、一次能源消耗量、排放量的权重因子。

进一步的，所述冷热电联供系统的能量平衡约束条件为：

P_load(t)＝P_pgu(t)+P_pv(t)-P_hp(t)

式中：P_load为电负荷需求，P_pgu表示发电机组发电功率，P_pv表示可再生能源发电功率，P_hp为热泵消耗的电功率。

进一步的，所述冷热电联供系统的运行约束条件为：

式中：

为冷热电联供系统中各设备在t时刻的电功率；θ为发电机组最低负载率；

分别为冷热电联供系统中各设备功率上限。

进一步的，所述冷热电联供系统的室内温度的约束条件为：

式中：T_in为冷热电联供系统的室内温度；

为供热区域室内温度上限；

为供热区域室内温度下限。

进一步的，所述采用粒子群算法对冷热电联供系统电能静态优化模型求解的步骤包括：

将内燃发电机组发电功及热泵输出功率的集合作为一个粒子；

初始化粒子的位置与速度；

根据冷热电联供系统的运行约束条件修改粒子的位置；

计算粒子适应值，记录粒子最优位置及全局最优位置；

确定压缩因子；

基于压缩因子，利用粒子群算法中速度与位置更新方程更新粒子速度与位置；

计算种群适应值，更新并记录粒子最优位置与种群最优位置；

判断是否达到最优迭代次数，若达到则输出种群最优值及其适应值，即最优的发电机组发电功率和热泵消耗的电功率。

进一步的，所述基于储热的热/冷能动态优化模型为：

式中：Q_s表示储热量，R_s表示储冷量；η_Q为由发电机组、余热回收装置及供热单元组成的供热组的供热效率，η_R为由发电机组、余热回收装置及吸收式制冷机组成的制冷组的制冷效率；

为热泵的供热功率，

为热泵的制冷功率；Q_load为热负荷需求，R_load为冷负荷需求；t_s表示当前时刻，k表示热能或冷能的优化时域长度。

进一步的，所述采用动态规划方法求解动态优化模型的步骤包括：

按照动态优化模型的时间或空间特征，将动态优化模型划分为若干个阶段；

确定状态为当前时刻，状态变量为储热装置或储冷装置的功率，确定决策并建立状态转移方程；

根据动态规划的基本方程以自底向上或自顶向下的记忆方法进行递归计算，得到发电机组及储热装置或储冷装置出力的最优值；

根据发电机组及储热装置或储冷装置出力的最优值，构造动态优化模型的最优解，即发电机组出力、热泵输出功率、储热装置的储热功率、储冷装置的储冷功率。

一种冷热电联供系统多时间尺度优化运行装置，该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷；并采用粒子群算法对冷热电联供系统电能静态优化模型求解，确定冷热电联供系统中各设备出力；

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，考虑到热/冷能量流惯性，建立基于储热的热/冷能动态优化模型；以k为热/冷能流优化周期，采用动态规划方法求解动态优化模型，确定发电机组输出热功率和储热功率。

通过上述的技术方案，本公开的有益效果是：

(1)本公开以冷热电联供系统运行成本、能源利用率、排放综合最优为目标，建立冷热电联供系统电能静态优化模型；在电能优化周期内，预测可再生能源发电出力和电负荷；并采用粒子群算法优化发电机组出力；

(2)本公开以冷热电联供系统运行成本、能源利用率、排放综合最优为目标，考虑到热或冷能量流惯性，建立热或冷能动态优化模型；以热或冷能流优化周期，并采用动态规划方法优化发电机组输出热功率和储热功率；

(3)由于发电机组侧，电热深度耦合，且电能优化周期明显快于热能优化周期，因此本公开在电能优化时，充分考虑供热区域的舒适度，以舒适度区间为约束条件，实现多时间尺度热电协同优化。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是冷热电联供系统的结构图。

图2是冷热电联供系统多时间尺度优化运行方法的流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种或多种实施例提供了一种冷热电联供系统多时间尺度优化运行方法，以系统运行成本、能源利用率、排放综合最优为目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷；并采用粒子群算法优化发电机组出力，以系统运行成本、能源利用率、排放综合最优为目标，考虑到热或冷能量流惯性，建立基于储热的热或冷能动态优化模型；以k为热或冷能流优化周期，并采用动态规划方法优化发电机组输出热功率和储热功率。

如图1所示，所述冷热电联供系统包括CCHP发电机组、余热回收装置、吸收式制冷机、供热单元、光伏组件、热泵、蓄冷装置和蓄热装置，该系统同时接入天然气和光伏能源，系统向建筑提供电、冷、热三种能量需求。

如图2所示，本实施例提出的冷热电联供系统多时间尺度优化运行方法包括以下步骤：

S101，以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷；并采用粒子群算法对冷热电联供系统电能静态优化模型进行求解，优化冷热电联供系统中各设备出力。

所述步骤101中，冷热电联供系统电能静态优化模型的建立方法为：

(1-1)以冷热电联供系统运行成本、一次能源消耗量、排放量综合最优为目标，构建目标函数，冷热电联供系统运行成本、能源利用率、排放综合最优的目标函数为：

式中，V为综合优化目标，C_m表示冷热电联供系统运行成本，F_i表示一次能源消耗量，

表示CO₂排放量；ω₁、ω₂、ω₃为冷热电联供系统运行成本、一次能源消耗量、排放量的权重因子。

(1-2)为维持冷热电联供系统频率稳定，电负荷应时刻平衡。建立冷热电联供系统的能量平衡约束条件为：

P_load(t)＝P_pgu(t)+P_pv(t)-P_hp(t) (2)

式中：P_load为电负荷需求，P_pgu表示发电机组发电功率，P_pv表示可再生能源发电功率，P_hp为热泵消耗的电功率。

(1-3)考虑到冷热电联供系统实际运行情况后，优化中除需满足能量平衡的等式约束外，还应满足运行约束条件，建立冷热电联供系统的运行约束条件为：

式中：

为冷热电联供系统中各设备在t时刻的电功率；θ为发电机组最低负载率；

分别为冷热电联供系统中各设备功率上限。

(1-4)在电能优化时，热负荷无需时刻平衡，只需保证供热区域的室内温度维持在期望的范围内即可。因此充分考虑供热区域的舒适度指标，建立冷热电联供系统的室内温度T_in约束条件为：

式中：

为供热区域室内温度上限，℃；

为供热区域室内温度下限，℃。

所述步骤S101中，考虑到内燃发电机组具有较强的可控性，且内燃发电机组电功率P_pgu(t)对整个系统的运行有重要的影响。另外，相比较于吸收式制冷机，热泵具有较高的COP，且出力可控性强，对热泵的输出功率P_hp(t)进行合理有效的调度可有效提高系统整体的运行性能。

因此，以t为电能优化周期，预测可再生能源发电力和电负荷；结合电负荷曲线及可再生能源发电量的预测值，采用粒子群算法对冷热电联供系统电能静态优化模型中优化变量P_pgu(t)、P_hp(t)进行求解，获得发电机组、吸收式制冷机、供热单元及热泵的出力。

所述离子群算法的具体实现过程为：

(2-1)设定粒子群算法的基本参数；初始化粒子的位置与速度；

(2-2)修改粒子的位置；

(2-3)读取相关参数，计算粒子适应值，记录粒子最优位置及全局最优位置；

(2-4)确定压缩因子；

(2-5)更新粒子速度与位置；

(2-6)计算种群适应值，更新并记录粒子最优位置与种群最优位置；

(2-7)判断是否达到最优迭代次数，若是，则停止，否则返回步骤(2-5)；

(2-8)输出种群最优值及其适应值。

在本实施例中，所述采用粒子群算法对冷热电联供系统电能静态优化模型求解的步骤包括：

S101-1，将内燃发电机组发电功P_pgu(t)及热泵输出功率P_hp(t)的集合作为一个粒子X，如下所示：

X＝[P_pgu(t)，P_hp(t)] (5)

S101-2，初始化粒子X的位置和速度；

S101-3，根据冷热电联供系统的运行约束条件修改粒子X的位置；

S101-4，计算粒子X适应值，记录粒子X最优位置及全局最优位置；

S101-5，确定压缩因子ψ，压缩因子ψ是c₁、c₂的函数，具体定义为：

S101-6，根据粒子群算法中速度与位置更新方程更新粒子X速度与位置；其中，粒子群算法中速度与位置更新方程分别如式(7)、(8)所示:

式中：

为粒子I在第k次迭代中第d维的位置；

为粒子I在第k次迭代中第d维的当前位置；

为粒子I在第k次迭代中第d维的自身最优位置；

为粒子I在第k次迭代中第d维的全局最优位置；w为惯性权重；r为收敛因子；c₁、c₂为学习因子或加速因子，使粒子可自我学习和向优秀个体学习；r_and1、r_and2为[0，1]之间的随机数。

S101-7，计算种群适应值，更新并记录粒子X最优位置与种群最优位置；

S101-8，判断是否达到最优迭代次数，若是，则停止，否则返回步骤S101-6；

S101-9，输出种群最优值及其适应值，即最优的发电机组发电功率P_pgu(t)和热泵消耗的电功率P_hp(t)。

本实施例以系统运行成本、能源利用率、排放综合最优为目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷，并采用粒子群算法优化发电机组出力。

S102，以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，考虑到热/冷能量流惯性，建立基于储热的热/冷能动态优化模型；以k为热/冷能流优化周期，采用动态规划方法求解动态优化模型，确定发电机组输出热功率和储热功率。

所述步骤S102中，考虑到热/冷能量流惯性，确定储热量、储冷量、供热效率和供冷效率，建立基于储热的热/冷能动态优化模型。

所述基于储热的热/冷能动态优化模型为：

式中：Q_s表示储热量，R_s表示储冷量；η_Q为由发电机组、余热回收装置及供热单元组成的供热组的供热效率，η_R为由发电机组、余热回收装置及吸收式制冷机组成的制冷组的制冷效率；

为热泵的供热功率，

为热泵的制冷功率；Q_load为热负荷需求，R_load为冷负荷需求；t_s表示当前时刻，k表示热能或冷能的优化时域长度。

所述步骤S102中，以系统运行成本、一次能源消耗量、排放综合最优为优化目标，采用动态规划方法对动态优化模型进行求解，得到发电机组出力、热泵输出功率、储热装置的储热功率、储冷装置的储冷功率。

所述采用动态规划方法的具体实现过程为：

(3-1)按照问题的时间或空间特征，将本问题划分为若干个阶段；

(3-2)确定状态和状态变量，确定决策并建立状态转移方程；

(3-3)以自底向上或自顶向下的记忆方法计算出最优值；

(3-4)根据步骤(3-3)得到的最优值，构造问题的最优解。

在本实施例中，所述采用动态规划方法对动态优化模型进行求解的步骤包括：

S102-1，按照冷热电联供系统热/冷能流的时间特征，将动态优化模型划分为若干个阶段；

S102-2，确定状态为当前时刻，状态变量为储热装置或储冷装置的功率，确定决策并建立状态转移方程如式(9)所示；

S102-3，根据动态规划的基本方程以自底向上或自顶向下的记忆方法进行递归计算，一般将其改为递推计算；通过计算得到发电机组及储热装置或储冷装置出力的最优值；

S102-4，根据步骤S102-3得到的最优值，构造动态优化模型的最优解，即发电机组出力、热泵输出功率、储热装置的储热功率、储冷装置的储冷功率。

本实施例以系统运行成本、能源利用率、排放综合最优为目标，考虑到热/冷能量流惯性，建立基于储热的热/冷能动态优化模型；以k为热/冷能流优化周期，并采用动态规划方法优化发电机组输出热功率和储热功率。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种冷热电联供系统多时间尺度优化运行方法，其特征是，该方法包括以下步骤：

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷；并采用粒子群算法对冷热电联供系统电能静态优化模型求解，确定冷热电联供系统中各设备出力；

所述采用粒子群算法对冷热电联供系统电能静态优化模型求解的步骤包括：将内燃发电机组发电功及热泵输出功率的集合作为一个粒子；初始化粒子的位置与速度；根据冷热电联供系统的运行约束条件修改粒子的位置；计算粒子适应值，记录粒子最优位置及全局最优位置；确定压缩因子；基于压缩因子，利用粒子群算法中速度与位置更新方程更新粒子速度与位置；计算种群适应值，更新并记录粒子最优位置与种群最优位置；判断是否达到最优迭代次数，若达到则输出种群最优值及其适应值，即最优的发电机组发电功率和热泵消耗的电功率；

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，考虑到热/冷能量流惯性，建立基于储热的热/冷能动态优化模型；以k为热/冷能流优化周期，采用动态规划方法求解动态优化模型，确定发电机组输出热功率和储热功率；电能优化周期快于热能优化周期；所述采用动态规划方法的具体实现过程为：

按照问题的时间或空间特征，将本问题划分为若干个阶段；确定状态和状态变量，确定决策并建立状态转移方程；以自底向上或自顶向下的记忆方法计算出最优值；根据得到的最优值，构造问题的最优解。

2.根据权利要求1所述的冷热电联供系统多时间尺度优化运行方法，其特征是，所述冷热电联供系统电能静态优化模型的建立方法为：

以冷热电联供系统运行成本、一次能源消耗量、排放量综合最优为目标，构建目标函数；

根据冷热电联供系统实际运行情况，建立冷热电联供系统的能量平衡约束条件和运行约束条件；

根据供热区域的舒适度指标，建立冷热电联供系统的室内温度约束条件。

3.根据权利要求2所述的冷热电联供系统多时间尺度优化运行方法，其特征是，所述目标函数为：

式中，V为综合优化目标，C_m表示冷热电联供系统运行成本，F_i表示一次能源消耗量，

表示CO₂排放量；ω₁、ω₂、ω₃为冷热电联供系统运行成本、一次能源消耗量、排放量的权重因子。

4.根据权利要求2所述的冷热电联供系统多时间尺度优化运行方法，其特征是，所述冷热电联供系统的能量平衡约束条件为：

P_load(t)＝P_pgu(t)+P_pv(t)-P_hp(t)

式中：P_load为电负荷需求，P_pgu表示发电机组发电功率，P_pv表示可再生能源发电功率，P_hp为热泵消耗的电功率。

5.根据权利要求2所述的冷热电联供系统多时间尺度优化运行方法，其特征是，所述冷热电联供系统的运行约束条件为：

式中：

为冷热电联供系统中各设备在t电能优化周期段的电功率；θ为发电机组最低负载率；

分别为冷热电联供系统中各设备功率上限。

6.根据权利要求2所述的冷热电联供系统多时间尺度优化运行方法，其特征是，所述冷热电联供系统的室内温度的约束条件为：

式中：T_in为冷热电联供系统的室内温度；

为供热区域室内温度上限；

为供热区域室内温度下限。

7.根据权利要求1所述的冷热电联供系统多时间尺度优化运行方法，其特征是，所述基于储热的热/冷能动态优化模型为：

式中：Q_s表示储热量，R_s表示储冷量；η_Q为由发电机组、余热回收装置及供热单元组成的供热组的供热效率，η_R为由发电机组、余热回收装置及吸收式制冷机组成的制冷组的制冷效率；

为热泵的供热功率，

为热泵的制冷功率；Q_load为热负荷需求，R_load为冷负荷需求；t_s表示当前时刻，k为热/冷能流优化周期。

8.根据权利要求1所述的冷热电联供系统多时间尺度优化运行方法，其特征是，所述采用动态规划方法求解动态优化模型的步骤包括：

按照冷热电联供系统热/冷能流的时间特征，将动态优化模型划分为若干个阶段；

确定状态为当前时刻，状态变量为储热装置或储冷装置的功率，确定决策并建立状态转移方程；

根据动态规划的基本方程以自底向上或自顶向下的记忆方法进行递归计算，得到发电机组及储热装置或储冷装置出力的最优值；

根据发电机组及储热装置或储冷装置出力的最优值，构造动态优化模型的最优解，即发电机组出力、热泵输出功率、储热装置的储热功率、储冷装置的储冷功率。

9.一种冷热电联供系统多时间尺度优化运行装置，其特征是，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，建立冷热电联供系统电能静态优化模型；以t为电能优化周期，预测可再生能源发电出力和电负荷；并采用粒子群算法对冷热电联供系统电能静态优化模型求解，确定冷热电联供系统中各设备出力；

所述采用粒子群算法对冷热电联供系统电能静态优化模型求解的步骤包括：

将内燃发电机组发电功及热泵输出功率的集合作为一个粒子；

初始化粒子的位置与速度；

根据冷热电联供系统的运行约束条件修改粒子的位置；

计算粒子适应值，记录粒子最优位置及全局最优位置；

确定压缩因子；

基于压缩因子，利用粒子群算法中速度与位置更新方程更新粒子速度与位置；

计算种群适应值，更新并记录粒子最优位置与种群最优位置；

判断是否达到最优迭代次数，若达到则输出种群最优值及其适应值，即最优的发电机组发电功率和热泵消耗的电功率；

以冷热电联供系统运行成本、能源利用率、排放综合最优为优化目标，考虑到热/冷能量流惯性，建立基于储热的热/冷能动态优化模型；以k为热/冷能流优化周期，采用动态规划方法求解动态优化模型，确定发电机组输出热功率和储热功率；

所述采用动态规划方法的具体实现过程为：

按照问题的时间或空间特征，将本问题划分为若干个阶段；确定状态和状态变量，确定决策并建立状态转移方程；以自底向上或自顶向下的记忆方法计算出最优值；根据得到的最优值，构造问题的最优解。

Images