CN109978408A - 综合能源系统规划运行联合优化方法、装置、设备及介质 - Google Patents

综合能源系统规划运行联合优化方法、装置、设备及介质 Download PDF

Info

Publication number
CN109978408A
CN109978408A CN201910280605.3A CN201910280605A CN109978408A CN 109978408 A CN109978408 A CN 109978408A CN 201910280605 A CN201910280605 A CN 201910280605A CN 109978408 A CN109978408 A CN 109978408A
Authority
CN
China
Prior art keywords
indicate
energy
model
integrated energy
energy system
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
CN201910280605.3A
Other languages
English (en)
Other versions
CN109978408B (zh
Inventor
雷金勇
郭祚刚
李鹏
袁智勇
马溪原
陈柔伊
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.)
China Southern Power Grid Co Ltd
Research Institute of Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
Research Institute of Southern Power Grid 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 China Southern Power Grid Co Ltd, Research Institute of Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN201910280605.3A priority Critical patent/CN109978408B/zh
Publication of CN109978408A publication Critical patent/CN109978408A/zh
Application granted granted Critical
Publication of CN109978408B publication Critical patent/CN109978408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种综合能源系统规划运行联合优化方法、装置、设备及介质，该方法包括：构建与综合能源系统的规划运行相关的两阶段随机优化模型；所述两阶段随机优化模型的目标函数包含投资成本和运营成本，所述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题；所述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型；利用所述两阶段随机优化模型，确定出所述综合能源系统的规划运行联合优化结果。本申请中的技术方案能够有效地提高综合能源系统的规划和运行过程中的经济效益、可靠性和安全性。

Description

综合能源系统规划运行联合优化方法、装置、设备及介质
技术领域
本申请涉及能源技术领域，特别涉及一种综合能源系统规划运行联合优化方法、装置、设备及介质。
背景技术
随着全球化气候变化和能源危机引发的日益关注，世界各国都非常重视通过综合能源系统(如能源枢纽)等进行使用的可再生能源资源。综合能源系统中能量枢纽是进行能量传递、转换和用各种形式进行储存的重要的集中单位。能源枢纽规划模型包括多种综合能源系统，如房屋，工业园区等具有统一的能量转换器和存储设备的模型，因此设备，如热电联产系统，能源存储系统，电锅炉等可以用相同的表达方式在能源枢纽中说明。由于光伏和风力发电机的建设价格持续下降且可再生能源资源持续增加，现有能源系统需要更大的灵活性来应对具有不确定性的可再生能源资源的大范围整合，因此适当的建设和运营策略优化方法得到越来越多的关注。其中，包括电池储能系统和热能储存在内的能源存储系统对于补偿能源枢纽中的可再生能源资源波动和负载需求至关重要。据预测，电池储能系统的投资成本将会跌至与汽油相比具有相对经济性的水平。当前，如何提高能源枢纽等综合能源系统的规划和运行过程中的经济效益、可靠性和安全性是目前非常关注的问题。
发明内容
有鉴于此，本申请的目的在于提供一种综合能源系统规划运行联合优化方法、装置、设备及介质，能够有效提高综合能源系统的规划和运行过程中的经济效益、可靠性和安全性。其具体方案如下：
第一方面，本申请公开了一种综合能源系统规划运行联合优化方法，包括：
构建与综合能源系统的规划运行相关的两阶段随机优化模型；其中，所述两阶段随机优化模型的目标函数包含投资成本数据和运营成本数据，所述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题；所述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型；
利用所述两阶段随机优化模型，确定出所述综合能源系统的规划运行联合优化结果。
可选的，所述构建与综合能源系统的规划运行相关的两阶段随机优化模型，包括：
以成本最小化为目标，构建与综合能源系统的规划运行相关的两阶段随机优化模型的目标函数；
创建电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型，并将所述电池储能系统和热能储存模型、所述综合能源系统模型和所述不确定性模型作为所述目标函数的约束条件。
可选的，所述目标函数为：
其中，z＝[Ig,n,xli]，
式中，CCON表示建设成本数据，COPE表示能源购买过程中的运行成本数据，z表示建设决策变量，y表示运行变量，σ表示使建设成本和运行成本能够相比较的系数，ps表示概率质量，S表示场景总数，s表示场景索引，Cg,n表示已知的所选设备的建设成本数据，Ig,n表示设备的投资决策变量，r表示利率数据，k表示计划周期，G表示设备集合，N表示设备类型集合，g表示设备索引，n表示设备类型索引，fm,t表示价格数据，Pm,t表示能量输入功率，T表示总时间，M表示所有输入节点的节点总数，t表示时间节点索引，m表示能源枢纽的输入节点编号，xli表示线路的建设决策变量，Vi,t表示第t个时间节点对应的第i条线路上的潮流，表示包括电池储能系统和热能储存的能源存储系统的电池能量水平，表示最小能量等级，表示最大能量等级，表示第i条线路上的最大潮流，Lj,t表示能量输出功率。
可选的，所述电池储能系统和热能储存模型，包括：
式中，efc表示能源存储系统的充电效率，efd表示能源存储系统的放电效率，Ωess表示电池储能系统中的设备集合，Ωline表示线路集合，表示第n种设备类型中的第g台设备的电池储能系统的已知最小电池能量水平，表示第n种设备类型中的第g台设备的电池储能系统的已知最大电池能量水平。
可选的，所述综合能源系统模型，包括：
式中，Hi表示能量转换特性矩阵，Ai表示转换器分支入射矩阵，Vi,t表示在时刻t时线路i上的潮流，Um,t表示用于补偿能源枢纽与其输入之间的功率平衡约束的输入矢量，Wj,t表示用于补偿能源枢纽与其输出之间的功率平衡约束的输出矢量，J表示所有输出节点的节点总数，j表示能源枢纽的输出节点编号，表示编号为g并且类型为n的设备的最大额定容量，BigM表示大M法中设置的一个数值极大的常数。
可选的，创建所述综合能源系统的不确定性模型的过程，包括：
通过分析历史新能源发电及多能负荷的历史数据，确定出不确定参数的分布，利用蒙特卡罗法生成针对所述不确定参数的典型场景，以便后续将所述典型场景输入至所述第二阶段问题进行计算。
可选的，所述利用蒙特卡罗法生成针对所述不确定参数的典型场景的过程中，还包括：
基于场景削减方法，剔除冗余场景。
第二方面，本申请公开了一种综合能源系统规划运行联合优化装置，包括：
模型构建模块，用于构建与综合能源系统的规划运行相关的两阶段随机优化模型；其中，所述两阶段随机优化模型的目标函数包含投资成本数据和运营成本数据，所述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题；所述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型；
优化模块，用于利用所述两阶段随机优化模型，确定出所述综合能源系统的规划运行联合优化结果。
第三方面，本申请公开了一种综合能源系统规划运行联合优化设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的综合能源系统规划运行联合优化方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的综合能源系统规划运行联合优化方法。
可见，本申请先构建了与综合能源系统的规划运行相关的两阶段随机优化模型，并且，上述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型。然后利用上述两阶段随机优化模型确定出综合能源系统的规划运行联合优化结果。由此可见，本申请在上述两阶段随机优化模型中考虑了电池储能系统和热能储存模型，这样有利于提高综合能源系统的规划运行过程中的经济效益，并且，本申请在上述两阶段随机优化模型中还考虑了综合能源系统的不确定性模型的影响，这样有利于提高综合能源系统的规划和运行过程中的安全性和可靠性。综上，本申请中的技术方案能够有效地提高综合能源系统的规划和运行过程中的经济效益、可靠性和安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种综合能源系统规划运行联合优化方法流程图；
图2为本申请公开的一种综合能源系统规划运行联合优化方法子流程图；
图3为本申请公开的一种综合能源系统规划运行联合优化装置结构示意图。
具体实施方式
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，都属于本申请保护的范围。
现在，大多数的综合能源系统及能量枢纽规划方法都集中在优化多种能源基础设施，包括电力、供暖、制冷、燃气等，而对多种能源类型储能的灵活性的挖掘较少。然而随着电池储能系统和热能储存越来越频繁地用于能量枢纽，它们提供的灵活性对于补偿能源系统中的不确定性变得愈发重要，致使已无法在能量枢纽中进行规划和运行策略时继续忽视它们。深入挖掘综合能源系统如能量枢纽所具有的多能源类型储能的灵活性，成为了研究综合能源系统灵活备用的关键方向。在已有关于综合能源系统备用优化的研究中，对不确定性进行详细建模、场景生成/筛选的研究较少；另一方面，由于新能源、电动汽车等大规模具有不确定性的设备接入能源系统，新能源发电的不确定性、用户用电行为的不确定性成为了能源系统的关键问题，对综合能源系统备用优化也产生了关键影响。为了建立可靠、安全、经济、高效的综合能源系统规划方案，通过分析不确定性，并建立相应的优化问题，成为现阶段综合能源系统备用研究的关键所在。由于鲁棒优化容易得到过于保守的优化结果，所以本实施例采用随机优化并结合多场景生成/筛选等方法，使得可以通过较少的计算量，得到充分考虑综合系统不确定性的备用优化结果。
具体的，本申请实施例公开了一种综合能源系统规划运行联合优化方法，参见图1所示，该方法包括：
步骤S11：构建与综合能源系统的规划运行相关的两阶段随机优化模型；其中，所述两阶段随机优化模型的目标函数包含投资成本数据和运营成本数据，所述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题；所述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型。
本实施例中，针对综合能源系统的规划和运行过程，构建了两阶段随机优化模型。可以理解的是，上述两阶段随机优化模型包括目标函数和相应的约束条件。其中，上述目标函数包含投资成本和运营成本。另外，上述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题。并且，上述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型。也即，本实施例以电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型作为上述目标函数的约束条件。
可见本申请实施例在上述两阶段随机优化模型中考虑了电池储能系统和热能储存模型，这样有利于提高综合能源系统的规划运行过程中的经济效益，并且，本申请在上述两阶段随机优化模型中还考虑了综合能源系统的不确定性模型的影响，这样有利于提高综合能源系统的规划和运行过程中的安全性和可靠性。
步骤S12：利用所述两阶段随机优化模型，确定出所述综合能源系统的规划运行联合优化结果。
可以理解的是，在通过上述两阶段随机优化模型得到综合能源系统的规划运行联合优化结果之后，便可以根据上述规划运行联合优化结果来规划运行综合能源系统，以提高综合能源系统的经济效益、安全性和可靠性。
可见，本申请实施例先构建了与综合能源系统的规划运行相关的两阶段随机优化模型，并且，上述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型。然后利用上述两阶段随机优化模型确定出综合能源系统的规划运行联合优化结果。由此可见，本申请实施例在上述两阶段随机优化模型中考虑了电池储能系统和热能储存模型，这样有利于提高综合能源系统的规划运行过程中的经济效益，并且，本申请在上述两阶段随机优化模型中还考虑了综合能源系统的不确定性模型的影响，这样有利于提高综合能源系统的规划和运行过程中的安全性和可靠性。综上，本申请实施例中的技术方案能够有效地提高综合能源系统的规划和运行过程中的经济效益、可靠性和安全性。
在前述实施例的基础上，本申请实施例对技术方案进行了进一步的说明和优化。具体如下：
参见图2所示，本实施例中，所述构建与综合能源系统的规划运行相关的两阶段随机优化模型，具体可以包括：
步骤S21：以成本最小化为目标，构建与综合能源系统的规划运行相关的两阶段随机优化模型的目标函数；
步骤S22：创建电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型，并将所述电池储能系统和热能储存模型、所述综合能源系统模型和所述不确定性模型作为所述目标函数的约束条件。
其中，本实施例中的所述目标函数具体为：
本实施例中，假设负载需求和可再生能源资源的不确定性由随机向量ξ来描述，则可以将上述式子(1)转换为以下式子(2)：
另外，基于不确定性模型中的多场景方法，可以计算出受概率质量p1,...,pS影响的有限数量的不确定情景ξ1,...,ξS，由此，可以将上述式子(2)转换为以下式子(3):
其中，z＝[Ig,n,xli]，
前述公式中， 表示太阳能输出，表示负荷需求，Eξ表示多种场景下的期望值，CCON表示建设成本数据，COPE表示能源购买过程中的运行成本数据，z表示建设决策变量，y表示运行变量，σ表示使建设成本和运行成本能够相比较的系数，ps表示概率质量，S表示场景总数，s表示场景索引，Cg,n表示已知的所选设备的建设成本数据，Ig,n表示设备的投资决策变量，它具体是用于决定设备建造计划的二元变量，r表示利率数据，k表示计划周期，G表示设备集合，N表示设备类型集合，g表示设备索引，n表示设备类型索引，fm,t表示价格数据，Pm,t表示能量输入功率，T表示总时间，如具有代表性的一天内的所有时间节点的集合，M表示所有输入节点的节点总数，t表示时间节点索引，m表示能源枢纽的输入节点编号，xli表示线路的建设决策变量，Vi,t表示第t个时间节点对应的第i条线路上的潮流，表示包括电池储能系统和热能储存的能源存储系统的电池能量水平，表示最小能量等级，表示最大能量等级，表示第i条线路上的最大潮流，Lj,t表示能量输出功率。
需要指出的是，在将式子(2)转换为式子(3)之后，便可得到能用商业软件解决的大规模MILP(混合整数线性规划问题)。
本实施例中，所述电池储能系统和热能储存模型，具体包括：
式中，efc表示能源存储系统的充电效率，efd表示能源存储系统的放电效率，Ωess表示电池储能系统中的设备集合，Ωline表示线路集合，表示第n种设备类型中的第g台设备的电池储能系统的已知最小电池能量水平，表示第n种设备类型中的第g台设备的电池储能系统的已知最大电池能量水平。
需要指出的是，上述式子(4)用于表征电池的能量水平，式子(5)用于限制每天开始和结束时电池能量应处于相同水平，提供科学的能源存储系统操作策略，式子(6)和(7)用于解释了能量等级和充电/放电功率的上/下界，式子(8)和(9)用于解决规模问题。
值得注意的是，为了保持模型的凸性，双线性方程约束条件Vi,t·Vi+1,t＝0在模型中松弛。这通常用于保证电池储能系统和热能储存不同时充电和放电。由于这种行为与式子(1)中的目标函数相违背，因此在充电/放电过程中引起的能量损失将损害系统的经济性，这种约束因而不会受到约束。在阐明这一约束条件后，电池储能系统和热能储存仍然不会同时充电和放电。
本实施例中，所述综合能源系统模型，具体可以包括：
式中，Hi表示能量转换特性矩阵，Ai表示转换器分支入射矩阵，Vi,t表示在时刻t时线路i上的潮流，Um,t表示用于补偿能源枢纽与其输入之间的功率平衡约束的输入矢量，Wj,t表示用于补偿能源枢纽与其输出之间的功率平衡约束的输出矢量，J表示所有输出节点的节点总数，j表示能源枢纽的输出节点编号，表示编号为g并且类型为n的设备的最大额定容量，BigM表示大M法中设置的一个数值极大的常数。
本实施例中，综合能源系统(即能源枢纽)模型包括能量转换关系、输入/输出关系、线路容量约束和投资逻辑约束。为了暗示不同设备的选址问题或连接策略，在式子(10)和(11)中使用能量转换特性矩阵Hi和转换器分支入射矩阵Ai来解释能量转换关系，其具有与能源枢纽中的耦合矩阵类似的用法，L＝CP，并且还可以包括功率平衡约束。本实施例重点研究微电网层面的规划和运行问题，因此忽略多网络限制的细节，以使用简单电力平衡约束条件，其中关键是要充分分析不确定性的影响，多能量存储模型等。式子(12)和(13)中的输入/输出入射矢量Um,t、Wj,t用于补偿能源枢纽与其输入/输出之间的功率平衡约束。式子(14)-(16)中的线路容量约束还包括设备/路线的尺寸约束，其关系在式子(17)和(18)中的投资逻辑约束中有详细描述，其中xli、Ig,n是线路、设备的施工决策变量。
本实施例中，创建所述综合能源系统的不确定性模型的过程，具体可以包括：通过分析历史新能源发电及多能负荷的历史数据，确定出不确定参数的分布，利用蒙特卡罗法生成针对所述不确定参数的典型场景，以便后续将所述典型场景输入至所述第二阶段问题进行计算。
进一步的，所述利用蒙特卡罗法生成针对所述不确定参数的典型场景的过程中，还可以包括：基于场景削减方法，剔除冗余场景。
可以理解的是，不确定性广泛存在于综合能源系统的负荷端与电源端，利用大规模新能源及负荷的历史数据进行合理的数据预测、场景生成、场景削减，可以建立综合能源系统不确定性模型。其步骤主要包括：1.分析历史新能源发电及多能负荷的历史数据，并计算出不确定参数的分布；2.运用蒙特卡罗方法生成大量针对不确定参数的典型场景；3.结合计算效率、可靠性及经济性的需求，为了减轻随机优化中的计算负担，可以使用多场景削减的方法来减少场景的数量。然后在所有选定的场景下优化两阶段优化问题，其中，上述优化方法也可以被称为基于多场景的随机优化方法。
具体的，综合能源系统多能源形式负荷的不确定性模型建模方法可结合热/电负荷的历史数据，例如可以在一年的四个季节里，从每个季节中选择3个典型场景，保证负荷的波动形式涵盖该系统的典型波动情况；然后将最终选择的12个场景进行特性拟合，最后在后两阶段优化问题的场景生成过程中，结合不确定性数据的分布，以及所分析得到的平均值及波动范围，可以利用蒙特卡洛发生成大量的场景，并带入随机优化中第二阶段进行计算。需要指出的是，当系统对计算效率与计算量有要求时，本实施例可以适当结合负荷的特性进行场景的削减，减少过多冗余的随机场景，保证随机优化问题可以被高效求解。
本实施例中，在模型中考虑了可再生能源资源的输出/多负荷需求，规模(和选址)问题以及精确的储能经济模型的不确定性。考虑随机优化的不确定性可以建立可靠的规划运行策略，以最低计算负担为代价没有负荷损失；热能储存有相较电池储能系统具体有更低的建设成本，可以减轻电池储能系统在负荷能移中的负担，特别是对于热负荷；考虑寿命因素将影响施工计划，有助于提出更经济的解决方案，特别是在较长的规划运行联合优化中，但它会增加模型的复杂性。除此之外，电池储能系统因其更大的灵活性和更大的调峰能力而更为能量枢纽所偏好，例如，电池储能系统可以为多个负载需求提供能量，并且在变压器之后的位置优于在变压器之前的位置。当目标函数将成本纳入考量时，存储计划的关键是套利成本和建设成本之间的竞争。在求解算法中，使用结合不确定性历史数据的场景生成/削减方法，可以利用随机优化对综合能源系统的新能源及负荷中的不确定性进行建模分析，使得综合能源系统的多类型能源备用规划问题可以被高效、经济、安全、可靠的求解。
本实施例充分考虑了综合能源系统中多类型储能同时作为综合能源系统备用的研究，并详细分析了模型的线性及非线性，最终建立了易于求解的综合能源系统冷储能与热储能的模型，实现多能源类型储能同时做综合能源系统备用的优化规划运行。本实施例充分分析了随机优化等方法在综合能源系统备用建模方面的应用情况，提出了基于新能源及用户等不确定性行为的数据，进行不确定性场景生成/削减的研究及应用方法，使得综合能源系统可以在考虑不确定性的情况下，建立可靠、安全、经济、高效的备用方案。并且本实施例所运用的随机优化及多场景生成/筛选等方法，减少了优化问题的计算量，简化了问题的求解过程，并且可以得到充分考虑综合系统不确定性的备用优化结果。
参见图3所示，本申请实施例还公开了一种综合能源系统规划运行联合优化装置，包括：
模型构建模块11，用于构建与综合能源系统的规划运行相关的两阶段随机优化模型；其中，所述两阶段随机优化模型的目标函数包含投资成本数据和运营成本数据，所述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题；所述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型；
优化模块12，用于利用所述两阶段随机优化模型，确定出所述综合能源系统的规划运行联合优化结果。
可见，本申请实施例先构建了与综合能源系统的规划运行相关的两阶段随机优化模型，并且，上述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型。然后利用上述两阶段随机优化模型确定出综合能源系统的规划运行联合优化结果。由此可见，本申请实施例在上述两阶段随机优化模型中考虑了电池储能系统和热能储存模型，这样有利于提高综合能源系统的规划运行过程中的经济效益，并且，本申请在上述两阶段随机优化模型中还考虑了综合能源系统的不确定性模型的影响，这样有利于提高综合能源系统的规划和运行过程中的安全性和可靠性。综上，本申请实施例中的技术方案能够有效地提高综合能源系统的规划和运行过程中的经济效益、可靠性和安全性。
进一步的，本申请还公开了一种综合能源系统规划运行联合优化设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述实施例公开的综合能源系统规划运行联合优化方法。
进一步的，本申请还公开了一种计算机可读存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述实施例公开的综合能源系统规划运行联合优化方法。
其中，关于上述方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种综合能源系统规划运行联合优化方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种综合能源系统规划运行联合优化方法，其特征在于，包括：
构建与综合能源系统的规划运行相关的两阶段随机优化模型；其中，所述两阶段随机优化模型的目标函数包含投资成本数据和运营成本数据，所述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题；所述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型；
利用所述两阶段随机优化模型，确定出所述综合能源系统的规划运行联合优化结果。
2.根据权利要求1所述的综合能源系统规划运行联合优化方法，其特征在于，所述构建与综合能源系统的规划运行相关的两阶段随机优化模型，包括：
以成本最小化为目标，构建与综合能源系统的规划运行相关的两阶段随机优化模型的目标函数；
创建电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型，并将所述电池储能系统和热能储存模型、所述综合能源系统模型和所述不确定性模型作为所述目标函数的约束条件。
3.根据权利要求2所述的综合能源系统规划运行联合优化方法，其特征在于，所述目标函数为：
其中，z＝[Ig,n,xli]，
式中，CCON表示建设成本数据，COPE表示能源购买过程中的运行成本数据，z表示建设决策变量，y表示运行变量，σ表示使建设成本和运行成本能够相比较的系数，ps表示概率质量，S表示场景总数，s表示场景索引，Cg,n表示已知的所选设备的建设成本数据，Ig,n表示设备的投资决策变量，r表示利率数据，k表示计划周期，G表示设备集合，N表示设备类型集合，g表示设备索引，n表示设备类型索引，fm,t表示价格数据，Pm,t表示能量输入功率，T表示总时间，M表示所有输入节点的节点总数，t表示时间节点索引，m表示能源枢纽的输入节点编号，xli表示线路的建设决策变量，Vi,t表示第t个时间节点对应的第i条线路上的潮流，表示包括电池储能系统和热能储存的能源存储系统的电池能量水平，表示最小能量等级，表示最大能量等级，表示第i条线路上的最大潮流，Lj,t表示能量输出功率。
4.根据权利要求3所述的综合能源系统规划运行联合优化方法，其特征在于，所述电池储能系统和热能储存模型，包括：
式中，efc表示能源存储系统的充电效率，efd表示能源存储系统的放电效率，Ωess表示电池储能系统中的设备集合，Ωline表示线路集合，表示第n种设备类型中的第g台设备的电池储能系统的已知最小电池能量水平，表示第n种设备类型中的第g台设备的电池储能系统的已知最大电池能量水平。
5.根据权利要求4所述的综合能源系统规划运行联合优化方法，其特征在于，所述综合能源系统模型，包括：
式中，Hi表示能量转换特性矩阵，Ai表示转换器分支入射矩阵，Vi,t表示在时刻t时线路i上的潮流，Um,t表示用于补偿能源枢纽与其输入之间的功率平衡约束的输入矢量，Wj,t表示用于补偿能源枢纽与其输出之间的功率平衡约束的输出矢量，J表示所有输出节点的节点总数，j表示能源枢纽的输出节点编号，表示编号为g并且类型为n的设备的最大额定容量，BigM表示大M法中设置的一个数值极大的常数。
6.根据权利要求5所述的综合能源系统规划运行联合优化方法，其特征在于，创建所述综合能源系统的不确定性模型的过程，包括：
通过分析历史新能源发电及多能负荷的历史数据，确定出不确定参数的分布，利用蒙特卡罗法生成针对所述不确定参数的典型场景，以便后续将所述典型场景输入至所述第二阶段问题进行计算。
7.根据权利要求6所述的综合能源系统规划运行联合优化方法，其特征在于，所述利用蒙特卡罗法生成针对所述不确定参数的典型场景的过程中，还包括：
基于场景削减方法，剔除冗余场景。
8.一种综合能源系统规划运行联合优化装置，其特征在于，包括：
模型构建模块，用于构建与综合能源系统的规划运行相关的两阶段随机优化模型；其中，所述两阶段随机优化模型的目标函数包含投资成本数据和运营成本数据，所述两阶段随机优化模型的第一阶段问题为包含建设决策变量的投资计划问题，第二阶段问题为包含不确定性和运行变量的操作策略问题；所述两阶段随机优化模型的约束条件包括电池储能系统和热能储存模型、综合能源系统模型以及所述综合能源系统的不确定性模型；
优化模块，用于利用所述两阶段随机优化模型，确定出所述综合能源系统的规划运行联合优化结果。
9.一种综合能源系统规划运行联合优化设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的综合能源系统规划运行联合优化方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的综合能源系统规划运行联合优化方法。
CN201910280605.3A 2019-04-09 2019-04-09 综合能源系统规划运行联合优化方法、装置、设备及介质 Active CN109978408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910280605.3A CN109978408B (zh) 2019-04-09 2019-04-09 综合能源系统规划运行联合优化方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910280605.3A CN109978408B (zh) 2019-04-09 2019-04-09 综合能源系统规划运行联合优化方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN109978408A true CN109978408A (zh) 2019-07-05
CN109978408B CN109978408B (zh) 2022-09-20

Family

ID=67083696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910280605.3A Active CN109978408B (zh) 2019-04-09 2019-04-09 综合能源系统规划运行联合优化方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN109978408B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298138A (zh) * 2019-07-09 2019-10-01 南方电网科学研究院有限责任公司 一种综合能源系统优化方法、装置、设备及可读存储介质
CN111181201A (zh) * 2020-02-21 2020-05-19 清华大学 基于双层强化学习的多能园区调度方法及系统
CN112491043A (zh) * 2020-11-23 2021-03-12 国网经济技术研究院有限公司 一种新能源富集电网电源规划方法及系统
CN112580994A (zh) * 2020-12-23 2021-03-30 华北电力大学 含分布式能源接入的园区综合能源系统规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140129040A1 (en) * 2012-11-06 2014-05-08 Ali Emadi Adaptive energy management system
CN107301470A (zh) * 2017-05-24 2017-10-27 天津大学 一种配电网扩展规划与光储选址定容的双层优化方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140129040A1 (en) * 2012-11-06 2014-05-08 Ali Emadi Adaptive energy management system
CN107301470A (zh) * 2017-05-24 2017-10-27 天津大学 一种配电网扩展规划与光储选址定容的双层优化方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗艳红等: "计及可靠性的电―气―热能量枢纽配置与运行优化", 《电力系统自动化》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298138A (zh) * 2019-07-09 2019-10-01 南方电网科学研究院有限责任公司 一种综合能源系统优化方法、装置、设备及可读存储介质
CN110298138B (zh) * 2019-07-09 2024-01-05 南方电网科学研究院有限责任公司 一种综合能源系统优化方法、装置、设备及可读存储介质
CN111181201A (zh) * 2020-02-21 2020-05-19 清华大学 基于双层强化学习的多能园区调度方法及系统
CN111181201B (zh) * 2020-02-21 2021-06-11 清华大学 基于双层强化学习的多能园区调度方法及系统
CN112491043A (zh) * 2020-11-23 2021-03-12 国网经济技术研究院有限公司 一种新能源富集电网电源规划方法及系统
CN112491043B (zh) * 2020-11-23 2022-11-01 国网经济技术研究院有限公司 一种新能源富集电网电源规划方法及系统
CN112580994A (zh) * 2020-12-23 2021-03-30 华北电力大学 含分布式能源接入的园区综合能源系统规划方法

Also Published As

Publication number Publication date
CN109978408B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Liu et al. Optimal sizing of a wind-energy storage system considering battery life
Khan et al. Is technological innovation a driver of renewable energy?
Ehsan et al. Scenario-based investment planning of isolated multi-energy microgrids considering electricity, heating and cooling demand
CN107832905B (zh) 一种适应分布式发电和储能站发展的配电网规划方法
CN109978408A (zh) 综合能源系统规划运行联合优化方法、装置、设备及介质
Henning et al. A comprehensive model for the German electricity and heat sector in a future energy system with a dominant contribution from renewable energy technologies—Part I: Methodology
CN110659830A (zh) 面向综合能源系统的多能源微网规划方法
Pandiyan et al. Technological advancements toward smart energy management in smart cities
CN106447122A (zh) 一种区域型能源互联网及其一体化优化规划方法
Denholm et al. The value of CSP with thermal energy storage in the western United States
CN103997062A (zh) 一种微网能量管理控制方法
CN113239512B (zh) 一种考虑韧性的交直流配电网规划方案筛选方法及系统
CN113988384A (zh) 一种提高配电网可靠性的储能容量优化配置方法
Galván et al. Exporting sunshine: Planning South America’s electricity transition with green hydrogen
Petrichenko et al. Modelling the Future of the Baltic Energy Systems: A Green Scenario
Casella et al. Optimal operation of solar tower plants with thermal storage for system design
CN108009745A (zh) 工业园区内多元用户协同能量管理方法
Hanna et al. Unlocking the potential of Energy Systems Integration
Sperstad et al. Cost-benefit analysis of battery energy storage in electric power grids: Research and practices
Miah et al. Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives
Szypowski et al. Optimization of energy-supply structure in residential premises using mixed-integer linear programming
Roldán-Blay et al. Optimal sizing and design of renewable power plants in rural microgrids using multi-objective particle swarm optimization and branch and bound methods
Bucher On operational flexibility in transmission constrained electric power systems
Petrichenko et al. Reserve power estimation according to the Baltic power system 2050 development plan
Sun et al. Seasonal operation planning of hydrogen-enabled multi-energy microgrids through multistage stochastic programming

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