CN110298138B - 一种综合能源系统优化方法、装置、设备及可读存储介质 - Google Patents
一种综合能源系统优化方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110298138B CN110298138B CN201910615191.5A CN201910615191A CN110298138B CN 110298138 B CN110298138 B CN 110298138B CN 201910615191 A CN201910615191 A CN 201910615191A CN 110298138 B CN110298138 B CN 110298138B
- Authority
- CN
- China
- Prior art keywords
- optimization
- parameters
- model
- energy system
- planning
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 35
- 238000010276 construction Methods 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000011478 gradient descent method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 28
- 241001123248 Arma Species 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 8
- 230000005611 electricity Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种综合能源系统优化方法,该方法包括以下步骤:获取综合能源系统的系统参数,并利用系统参数构建基于两阶段随机优化的联合优化模型;其中,系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;将联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;利用加速梯度下降算法对目标联合优化模型进行迭代求解,获得系统优化参数;利用系统优化参数对综合能源系统的规划和运行进行优化。该方法能够对综合能源系统进行快速、有效、实时、动态地规划优化和运行优化。本发明还公开了一种综合能源系统优化装置、设备及可读存储介质,具有相应的技术效果。
Description
技术领域
本发明涉及能源技术领域,特别是涉及一种综合能源系统优化方法、装置、设备及可读存储介质。
背景技术
广义的综合能源系统指在规划、建设和运行等过程中,通过对能源的生产、传输与分配(供能网络)、转换、存储、消费等环节进行有机协调与优化后,形成的能源产供销一体化系统,是能源互联网的物理载体,是未来人类社会能源的主要承载形式。它主要由供能网络(如供电、供气、供冷/热等网络)、能源交换环节(如CCHP机组、发电机组、锅炉、空调、热泵等)、能源存储环节(储电、储气、储热、储冷等)、终端综合能源供用单元(如微网)和大量终端用户共同构成。
目前在面向能源系统随机优化模型求解中,诸多学者针对微电网、输配电网提出了相关随机规划研究以及求解算法,其中的关键在于综合能源系统供给-需求样本的构建、随机规划数学模型的建立、基于不确定性的有限场景空间的生成以及模型的求解。
在能源系统的随机优化模型方面,国内外学者做了大量研究,但已有的针对综合能源系统的随机优化建模研究及算法研究相对较少,综合能源系统的规划是一个多目标、多约束、非线性、随机不确定混合整型组合优化问题。一般综合考虑负荷、可再生资源(如风能、太阳能)等间歇性能源等造成的不确定性影响,并在全局与局部优化之间寻求平衡。考虑到综合能源系统规划问题实现的长期性,模型一般在规划问题与运行问题的迭代优化的过程中实现。这使得综合能源系统的规划优化问题可以充分考虑系统在运行阶段所具有的多种不确定性参数(如多能负荷不确定性、新能源发电的不确定性等)。由于综合能源系统本身模型较为复杂,考虑大规模不确定性接入后所构建的优化问题经常面临求解难题。
目前,综合能源系统随机优化模型的求解算法一般采用本德斯分解算法,当某些变量固定,其余的变量所构成的优化问题形式简单,求解容易,可以将原本的一个大规模复杂优化问题简化为许多少量变量的小规模问题的求解。而这些小规模的优化问题以本德斯割集的形式连接在一起,实现信息的互通与相互约束。但在求解本德斯主问题中,在每进行一次子问题计算,都会形成本德斯割,在完成一次本德斯循环后,迭样的割集继续累积直到求得最优解,求解效率低,不能满足快速、有效、实时、动态地进行综合能源系统的规划和运行的优化需求。
综上所述,如何有效地解决综合能源系统的优化效率等问题,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种综合能源系统优化方法、装置、设备及可读存储介质,通过提高综合能源系统的优化模型,以满足综合能源系统的规划和运行的优化需求。
为解决上述技术问题,本发明提供如下技术方案:
一种综合能源系统优化方法,包括:
获取综合能源系统的系统参数,并利用所述系统参数构建基于两阶段随机优化的联合优化模型;其中,所述系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;
将所述联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;
利用加速梯度下降算法对所述目标联合优化模型进行迭代求解,获得系统优化参数;
利用所述系统优化参数对所述综合能源系统的规划和运行进行优化。
优选地,所述获取综合能源系统的系统参数,并利用所述系统参数构建基于两阶段随机优化的联合优化模型,包括:
获取所述综合能源系统的系统参数,利用蒙特卡洛法对所述系统参数构建多场景子模型;
利用构建的多场景子模型,构建所述联合优化模型。
优选地,所述利用蒙特卡洛法对所述系统参数构建多场景子模型,包括:
利用所述设备参数和所述线路参数基于时序预测进行源荷场景建模;
利用所述源荷参数基于新能源出力与电负荷随机性建模。
优选地,所述利用构建的多场景子模型,构建所述联合优化模型,包括:
其中,x为规划变量,y为运行变量,x、y为纵向量;为建设成本向量,/>为运行成本向量;σ为使建设成本和运行成本能够相比较的系数;Ps为概率质量,S为场景总数,s为场景索引;A、B、C、D、H、G、M、N为相应不等式约束和等式约束中的参数矩阵。
优选地,将所述联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型,包括:
利用障碍函数将所述联合优化模型中的不等式约束条件加入目标函数中,将等式约束条件用外点法的形式加入所述目标函数中,获得所述目标联合优化模型;所述目标联合优化模型对应的可行无约束优化问题为:
其中,μ、α分别为所述障碍函数和二次方罚函数的常数系数向量。
优选地,所述利用加速梯度下降算法对所述目标联合优化模型进行迭代求解,获得系统优化参数,包括:
利用Nesterov加速梯度下降法迭代求解所述目标联合优化模型;
其中,所述Nesterov加速梯度下降法的更新规则为:
其中,xk、yk为第k次迭代后的规划变量和运行变量结果;k为迭代次数;mk、nk分别为x、y第k次迭代后的中间值。
优选地,利用所述系统优化参数对所述综合能源系统的规划和运行进行优化,包括:
在规划时,利用所述规划变量对所述综合能源系统进行规划优化;
在运行时,利用所述运行变量对所述综合能源系统进行运行优化。
一种综合能源系统优化装置,包括:
优化模型构建模块,用于获取综合能源系统的系统参数,并利用所述系统参数构建基于两阶段随机优化的联合优化模型;其中,所述系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;
模型转化处理模块,用于将所述联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;
模型求解模块,用于利用加速梯度下降算法对所述目标联合优化模型进行迭代求解,获得系统优化参数;
系统优化模块,用于利用所述系统优化参数对所述综合能源系统的规划和运行进行优化。
一种综合能源系统优化设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述综合能源系统优化方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述综合能源系统优化方法的步骤。
应用本发明实施例所提供的方法,获取综合能源系统的系统参数,并利用系统参数构建基于两阶段随机优化的联合优化模型;其中,系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;将联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;利用加速梯度下降算法对目标联合优化模型进行迭代求解,获得系统优化参数;利用系统优化参数对综合能源系统的规划和运行进行优化。
通常,综合能源系统的随机优化模型包括多个不等式和等式约束条件。为了加速求解,本方法在求解过程中,对联合优化模型中的约束优化问题进行转换,获得无约束优化问题的目标联合优化模型。即,将有约束优化问题转化为无约束优化问题,再利用加速梯度下降算法求解该无约束优化问题,基于加速梯度下降算法所具备的加速收敛特性,可快速获得能够优化综合能源系统的规划和运行的系统优化参数。基于该系统优化参数可实现综合能源系统的随机优化问题的快速求解,能够对综合能源系统进行快速、有效、实时、动态地规划优化和运行优化。
相应地,本发明实施例还提供了与上述综合能源系统优化方法相对应的综合能源系统优化装置、设备和可读存储介质,具有上述技术效果,在此不再赘述。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种综合能源系统优化方法的实施流程图;
图2为本发明实施例中一种综合能源系统优化装置的结构示意图;
图3为本发明实施例中一种综合能源系统优化设备的结构示意图;
图4为本发明实施例中一种综合能源系统优化设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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例,都属于本发明保护的范围。
实施例一:
请参考图1,图1为本发明实施例中一种综合能源系统优化方法的流程图,该方法包括以下步骤:
S101、获取综合能源系统的系统参数,并利用系统参数构建基于两阶段随机优化的联合优化模型。
其中,系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数。
其中,设备参数和线路参数可具体为在规划阶段,建立模型所需的控制变量,可具体为整型变量。设备参数和线路参数包括代表综合能源系统多种机组、设备、馈线等的建设与否,相应的参数主要为系统建设的经济成本。
在运行阶段获取源荷参数,即建立模型所需的控制变量主要为多种不确定性变量,包括源测设备出力、负荷的实时数据等。并且需要针对相应的不确定性变量,引入一定的连续变量与相应参数以建立对应的概率模型。主要需要考虑源荷侧的不确定性,即新能源、冷/热/电/气负荷的波动性与不确定性。即在运行阶段的系统调度运行情况考虑部分。具体的,建立模型所需的控制变量主要为系统多能流的调度情况,如多种机组、设备、馈线的功率/出力等,并可包含一定的整型变量以实现模型的凸松弛。
获得系统参数之后,便可利用系统参数构建基于两阶段随机优化的联合优化模型。其中,两阶段即指规划阶段和运行阶段。对于如何利用系统参数构建联合优化模型,可具体参照现有的联合优化模型的构建过程,在此不再一一赘述。
S102、将联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型。
由于综合能源系统的随机优化模型包括多个不等式和等式约束条件。而求解多个约束条件的模型,计算速度较慢。考虑到加速梯度下降算法对无约束优化问题的求解能够实现快速求解。因而,可先对联合优化模型的中的约束优化问题进行转换(即去约束化),得到无约束优化问题的目标联合优化模型。
在本发明实施例中,将有约束优化问题的模型称为联合优化模型,而将联合优化模型中的约束问题转换为无约束优化问题后,称之为目标联合优化模型。
S103、利用加速梯度下降算法对目标联合优化模型进行迭代求解,获得系统优化参数。
创建好联合优化模型后,可将该联合优化模型进行转化,得到目标联合优化模型。具体的,可利用障碍函数将联合优化模型中的不等式约束条件加入目标函数中,将等式约束条件用外点法的形式加入目标函数中,获得目标联合优化模型;目标联合优化模型对应的可行无约束优化问题为:
其中,μ、α分别为障碍函数和二次方罚函数的常数系数向量;x为规划变量,y为运行变量,x、y为纵向量;为建设成本向量,/>为运行成本向量;σ为使建设成本和运行成本能够相比较的系数;Ps为概率质量,S为场景总数,s为场景索引;A、B、C、D、H、G、M、N为相应不等式约束和等式约束中的参数矩阵。
值得注意的是在目标函数的采用过程中,可以根据系统在能效、经济、环境、安全运行等方面的需求,建立一定的多目标问题或者单目标问题。
完成模型转化之后,便可采用加速梯度下降法对目标联合优化模型进行求解。其中,加速梯度下将算法可具体为诸如重球法(又叫切比雪夫迭代法)的加速算法。对于重球法,其迭代形式为其中α,β为与目标函数性质有关的系数。但在实际建立模型中,考虑到αβ,很难确定,而Nesterov加速梯度下降法则可以避免这个问题(迭代过程中的系数用常数和与迭代次数有关的系数代替/>)。因而在完成模型转化之后,可优选利用Nesterov加速梯度下降法对目标联合优化模型进行求解。具体的,对于一般的无约束优化问题:/>Nesterov加速梯度下降法的更新规则为:其中ε为每次更新迭代的步长,可设置为常数。
在本发明实施例中,利用Nesterov加速梯度下降法迭代求解目标联合优化模型;其中,Nesterov加速梯度下降法的更新规则为:
其中,xk、yk为第k次迭代后的规划变量和运行变量结果;k为迭代次数;mk、nk分别为x、y第k次迭代后的中间值。
S104、利用系统优化参数对综合能源系统的规划和运行进行优化。
其中,系统优化参数可具体包括规划优化参数和运行优化参数。其中规划优化参数可具体包括设备和线路,运行规划参数可具体包括各种源荷系统或设备的运行参数,如节点电压和电路潮流。在综合能源系统的规划阶段,则采用规划参数对系统进行优化;在综合能源系统的运行阶段,则采用运行优化参数进行优化。
具体的,在加速迭代算法达到收敛条件之后,或迭代优化次数达到预设值后,便可基于最后迭代输出的规划变量和运行变量结果实现规划优化和运行优化。具体的,在规划阶段,利用规划变量对综合能源系统进行规划优化;在运行阶段,利用运行变量对综合能源系统进行运行优化。
应用本发明实施例所提供的方法,获取综合能源系统的系统参数,并利用系统参数构建基于两阶段随机优化的联合优化模型;其中,系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;将联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;利用加速梯度下降算法对目标联合优化模型进行迭代求解,获得系统优化参数;利用系统优化参数对综合能源系统的规划和运行进行优化。
通常,综合能源系统的随机优化模型包括多个不等式和等式约束条件。为了加速求解,本方法在求解过程中,对联合优化模型中的约束优化问题进行转换,获得无约束优化问题的目标联合优化模型。即,将有约束优化问题转化为无约束优化问题,再利用加速梯度下降算法求解该无约束优化问题,基于加速梯度下降算法所具备的加速收敛特性,可快速获得能够优化综合能源系统的规划和运行的系统优化参数。基于该系统优化参数可实现综合能源系统的随机优化问题的快速求解,能够对综合能源系统进行快速、有效、实时、动态地规划优化和运行优化。
实施例二:
考虑到目前针对综合能源系统随机优化模型未充分考虑综合能源系统的不确定性,包括源荷侧的电、冷、热、气等多种能源形式与多种制约因素,导致供-需样本构建方法不够完善。基于此,本发明实施例在上述实施例一的基础上对相应不确定性的负荷进行一定的时序预测,构建未来规划时间段的需求侧样本,预测多种能量形式的负荷状态,并在供给侧考虑风、光等新能源出力的随机性、波动性和间歇性等固有特性。然后结合蒙特卡洛等方法,充分考虑不确定性变量的分布情况,并结合一定的聚类分群和场景筛选算法,构建合理样本。
具体的,在本实施例中,上述步骤S101可具体为:
步骤一、获取综合能源系统的系统参数,利用蒙特卡洛法对系统参数构建多场景子模型;
步骤二、利用构建的多场景子模型,构建联合优化模型。
其中,利用蒙特卡洛法对系统参数构建多场景子模型,包括:利用设备参数和线路参数基于时序预测进行源荷场景建模;利用源荷参数基于新能源出力与电负荷随机性建模。
利用构建的多场景子模型,构建联合优化模型,包括:
其中,x为规划变量,y为运行变量,x、y为纵向量;为建设成本向量,/>为运行成本向量;σ为使建设成本和运行成本能够相比较的系数;Ps为概率质量,S为场景总数,s为场景索引;A、B、C、D、H、G、M、N为相应不等式约束和等式约束中的参数矩阵。
为了便于本领域技术人员更好地理解上述改进,下面结合不同的场景构建供-需样本和子模型为例进行说明。
基于时序预测和聚类分群的构建综合能源系统供-需样本,具体为通过时序预测与蒙特卡洛法进行源荷场景建模,在进行蒙特卡洛法生成确定性源荷场景时,需要在需求侧考虑电、冷、热、气等综合能源的不同制约因素等开展分析归类,结合蒙特卡洛等方法,研究利用时序预测等方法构建未来规划时间段的需求侧样本。主要技术路线包括新能源出力随机性的建模,即在供给侧考虑风、光出力具有随机性、波动性和间歇性等固有特性;电/冷/热负荷的随机性建模;随机场景的生成以及随机场景的筛选。
研究利用反映计算周期内数据变化特征的典型曲线作为出力曲线构建供给侧样本方法,实现供给侧和需求侧样本构建研究,提出综合能源系统多能流供给侧场景和负荷需求侧场景构造与场景削减研究方案。
基于时序预测的源荷场景建模。基于时序预测的源荷场景建模方法有较多,其中应用最为广泛的是自回归移动平均法,根据综合能源系统不确定性的具体情况可以选用合适的基于时序预测的源荷场景进行建模分析。对于平稳性时间序列,采用自回归—移动平均模型(Auto Regression Moving Average Model,ARMA)。对于非平稳性时间序列,则应用累积式自回归—移动平均模型(Auto Regression Integrated Moving Average Model,ARIMA)。对于周期性序列,则可利用X-12-ARIMA等模型进行时间序列分解。
其中,ARMA模型在模型中既包含自回归部分也包含移动平均部分。ARMA(p,q)的模型结构如下:
xt=φ0+φ1xt-1+φ2xt-2…+φpxt-p+εt-θ1εt-1-θ2εt-2…-θqεt-q
其中xt代表随机变量;p、q代表模型阶数;φ0为常数项;φ1、φ2…为自回归系数;θ1、θ2…为移动平均系数;εt为随机干扰项。其中φp≠0,θq≠0。φ0=0,该模型称为中心化ARMA(p,q)模型。引进延迟算子B,即:
xt-1=Bx
ARMA(p,q)模型简记为Φp(B)xt=Θq(B)εt,其中,Φp(B)=1-φ1B-φ2B2…-φpBp,为p阶自回归系数多项式;Θq(B)=1-θ1B-θ2B2…-θqBq,为q阶移动平均系数多项式。
其中,ARIMA模型适用于非平稳随机时间序列,Box-Jenkins预测方法认为,对于其次非平稳性序列,只要对其进行一次或多次差分,就可以转换为平稳序列。引入差分算子 其中,/>称为xt的一阶差分。
显然,差分算子与延迟算子之间存在关系:依此类推,记/>为xt的d阶差分:/>其中,/>引入d阶差分,具有如下结构的模型称为累积式自回归—移动平均模型,简记为ARIMA(p,d,q)模型可见,ARIMA实质上就是差分运算与ARMA模型的组合,非平稳序列可以通过适当借此的差分实现平稳化,然后对差分后的序列进行ARMA模型拟合。而ARMA模型的分析方法非常成熟,这意味着对差分平稳序列的分析也将非常简单、非常可靠。
新能源出力与电负荷的随机性建模,具体有以下几种情况:
情况A,光伏与电负荷随机性建模,光伏和电负荷的随机性即预测曲线与实际出力(或负荷)的偏差,这两个量的预测偏差服从正态分布。把一个服从正态分布随机变量X记为X~N(μ,δ2),那么它的概率密度函数f(x)和累积函数F(x)为:
各时间段光伏出力和电负荷出力的预测偏差服从不同的正态分布,负荷概率分布可采用正态分布模拟。负荷概率分布同样可以建立多场景模型,其各区间概率值可通过正态分布的概率累积分布函数计算。随着负荷预测技术的不断提高,负荷不确定性通常远小于间歇式能源不确定性,因此在考虑大规模间歇式能源的电网风险评估中,从简化计算的角度考虑可将负荷视为确定性值。
情况B,风电随机性建模,可按照时间尺度划分,风电预测可以分为中长期预测、短期预测和超短期预测。
超短期预测时间周期为分钟级,主要用于风电机组的控制以及调节机组的实时控制等。短期预测时间周期为几小时或几天,主要用于系统安排风电场并网、机组组合和经济调度等。中长期预测时间周期为数周或数月,主要用于风电场或者系统安排检修维护计划。
对某一时刻来说,当前时刻风电出力一般满足某种分布(正态分布、beta分布等),其出力一般可以落到若干区间内且每个区间概率不同。当风电出力落入某个区间时,系统能否全部消纳这些风电取决于系统调峰能力。当风电大发时,系统内其它机组必须能够降低出力到足够低的水平,以优先保证风电能充分接入电网,如果机组不能把出力压到足够低的水平或由于网络阻塞等原因,将出现弃风,从而造成弃风惩罚费用。当风电不足时,系统内其它机组必须能够提高出力到足够高的水平,以满足系统内负荷需求,如果机组总出力不能满足系统当前负荷需求,则会出现切负荷,从而造成切负荷损失费用。
由于风电机组出力的随机性与间歇性是由风速引起的,因此,掌握和了解风速的变化对于分析风电机组的运行和发电情况非常关键。对风速的大量实测数据表明,一年中的大部分时间里风速的变化比较平缓。研究表明,绝大多数地区的年平均风速概率密度分布都可采用威布尔分布来进行描述:
其中,v为平均风速;c为尺度系数;另一个参数k,它能够反映风速分布的特点,对应着威布尔分布密度函数的形状,取值一般在1.8~2.3之间。不同地区有不同的尺度系数和形状系数。具体的威布尔参数可根据不同地区风速的统计数据,采取最小二乘法、均值和方差估算法、最小误差逼近法、极大似然法等获得。长期来看,可用风电场出力概率密度函数描述风电场出力的随机特性。
情况C,热/冷/气负荷的随机性建模,由于现阶段大多数园区都不会做热/冷/气负荷的日前预测,所以热/冷/气负荷的随机性就是的热/冷/气负荷本身的不确定性。若使用正态分布描述热负荷,在一些情况下会出现不符合实际的情况。这是因为正态分布的随机变量的取值范围为(-∞,+∞),而热负荷自然是有上下限的。如果使用正态分布来描述热负荷的随机性,那在使用95%置信范围(两倍标准差的区间)的时候,这就会出现95%置信区间的上界可能超过园区总热负荷的最大值而下界可能小于零的情况,这种情况会给优化调度、风险评估带来错误的结果,甚至使问题不可解。
为了不出现上述情况,标幺化之后的热负荷服从参数为(A=10,B=n)的Beta分布,故热/冷/气负荷的预期值Phf与n的关系为:
n=10(Pmax/Phf(t)-1),其中Phf为热/冷/气负荷预测值,Pmax为总热/冷/气负荷的最大功率。
在一天之内,热/冷/气负荷在不同时间段也服从不同的分布,为了体现时间特性,t时刻的热/冷/气负荷Phf(t)所服从如下分布:
Ph(t)~Beta(A=10,B=10(Pmax/Phf(t)-1)),由此积分即可得到热/冷/气负荷的累积分布函数Ph。
情况D,随机场景生成,即生成光伏、电负荷、热负荷的随机场景,一个场景包括光伏、各电负荷、各热负荷当前时刻的数值。
使用随机数来生成随机场景需要各随机函数的累积分布函数。各个分布的离散概率分布函数:Fh1,…,Fhn,Fe1,…,Fem,Fpv,其中,m为电负荷的编号,n为热负荷的编号。
生成一个随机场景的步骤如下:
a.生成m+n+1个在[0,1]区间上的均匀分布的随机数x1,…,xm+n+1;
b.得到各分布的反函数
c.将作为一个随机场景。
考虑到光伏、电负荷、热负荷的分布可能不是几个基本的分布,所以可能得不到累积分布函数的解析表达式,所以在项目开发的程序中使用离散化的累积分布函数。
情况E,随机场景筛选,本发明实施例所做的风险评估可在日前及日内应用,在日前中需要调度的时间段有96个(15min一个调度点,共24小时),根据上文,每个时间段的光伏、电负荷、热负荷各自都是离散化的连续分布,所用蒙特卡洛法中的随机空间为3维。若每个分布都使用Q个分位点来描述。那么遍历日前风险评估需要生成的全部场景集合S的场景数为:N=96Q3。显然这个场景数无法逐一进行潮流计算和风险分析。虽然在使用蒙特卡洛法的时候使用的随机场景数远小于总场景数,但是为了保证得到的结果收敛,往往仍然需要大量的场景数。为了提高收敛速度,需要场景削减,找出有代表性的典型场景,这样在场景数不大的情况下,求解结果依然收敛。
用同步回代削减法对场景集合S进行削减,依次剔除场景距离较近的场景,直到剩余的场景数达到要求,剩下的场景称作典型场景,同时得到各场景出现的概率。
由于可再生能源出力及负荷功率的不确定性性,传统的确定性优化方法存在一定的局限性,因此采用基于多场景的随机规划方法来进行建模和求解。用不确定变量的分布方法,生成多个随机场景、优化决策变量使得在所有场景下都能满足系统的运行约束,并选择期望成本最小或综合性能最优的方案作为最终的规划方案。
在建模的过程中,通过两阶段随机规划模型可以实现综合能源系统规划运行的联合优化,并在运行阶段引入不确定性问题与变量。综合能源系统将电、冷、热、气、可再生能源等多种能源有机耦合,因此在规划建模时涉及到多种机组与多种能量形式的建模;在运行部分,关键位综合能源系统的调度方案,需要实现对综合能源系统多种分布式资源进行群管群控,建立多能综合利用平台,整合利用区域内的可再生能源、可控供能机组、冷热电三联供等分布式资源,结合能量的存储及转化技术,实现电、气、冷、热可再生能源等多种能源互补供应、协调运行,提高系统运行效率,降低运行成本。
所建立的可实现综合能源系统规划运行联合优化的两阶段随机优化模型,第一阶段是电网投资建设(即规划阶段),第二阶段是电网的经济运行。其中第一阶段的决策不受不确定性的影响,而是在不确定参数实现之前就确定,而第二阶段的决策是随不确定参数的变化而随之变化,最后得到期望意义下的最优。可见,所建立联合优化模型将综合能源系统的规划与运行结合,考虑综合能源系统在规划时的设备与线路等的选型、定容、选址等规划问题,并在运行的过程中考虑源荷的不确定性,确定多种典型情况下的调度方案,最终建立综合能源系统规划运行的联合优化模型。
在本实施例重点说明了对于模型创建过程还可如何改进,而对于改进后的模型如何求解以及进一步如何基于所得接对综合能源系统进行优化的具体实现过程可参照实施例一以及相关现有技术,在此不再一一赘述。
可见,在本发明实施例中,其相对于现有技术不仅具有上述实施例一所具备的技术效果。还因在需求侧考虑电、冷、热、气等综合能源的不同制约因素等开展分析归类,研究利用时序预测等方法构建未来规划时间段的需求侧样本;在供给侧考虑风、光出力具有随机性、波动性和间歇性等固有特性,研究利用反映计算周期内数据变化特征的典型曲线作为出力曲线构建供给侧样本方法;考虑综合能源系统运行策略、可靠性、全寿命周期成本和收益和能源利用效率等因素,分析面向综合能源系统中长期规划的随机规划实际问题,设计相应控制变量、随机响应变量、约束条件、目标函数,建立融合电、冷、热、气等综合能源系统联合随机规划数学模型;通过重要性采样与特性分析相结合,建立不同条件下的规划有限场景空间,研究结合建立的数学模型(联合优化模型)完善整体模型的约束条件,最终建立融合电、冷、热、气等综合能源系统多场景的随机规划数学模型。目标函数(目标联合优化模型)中考虑综合能源系统运行策略、可靠性、全寿命周期成本和收益和能源利用效率等因素,分析面向综合能源系统中长期规划的随机规划实际问题。
实施例三:
相应于上面的方法实施例,本发明实施例还提供了一种综合能源系统优化装置,下文描述的综合能源系统优化装置与上文描述的综合能源系统优化方法可相互对应参照。
参见图2所示,该装置包括以下模块:
优化模型构建模块101,用于获取综合能源系统的系统参数,并利用系统参数构建基于两阶段随机优化的联合优化模型;其中,系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;
模型转化处理模块102,用于将联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;
模型求解模块103,用于利用加速梯度下降算法对目标联合优化模型进行迭代求解,获得系统优化参数;
系统优化模块104,用于利用系统优化参数对综合能源系统的规划和运行进行优化。
应用本发明实施例所提供的装置,获取综合能源系统的系统参数,并利用系统参数构建基于两阶段随机优化的联合优化模型;其中,系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;将联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;利用加速梯度下降算法对目标联合优化模型进行迭代求解,获得系统优化参数;利用系统优化参数对综合能源系统的规划和运行进行优化。
通常,综合能源系统的随机优化模型包括多个不等式和等式约束条件。为了加速求解,本装置在求解过程中,对联合优化模型中的约束优化问题进行转换,获得无约束优化问题的目标联合优化模型。即,将有约束优化问题转化为无约束优化问题,再利用加速梯度下降算法求解该无约束优化问题,基于加速梯度下降算法所具备的加速收敛特性,可快速获得能够优化综合能源系统的规划和运行的系统优化参数。基于该系统优化参数可实现综合能源系统的随机优化问题的快速求解,能够对综合能源系统进行快速、有效、实时、动态地规划优化和运行优化。
在本发明的一种具体实施方式中,优化模型构建模块101,包括:
子模型构建单元,用于获取综合能源系统的系统参数,利用蒙特卡洛法对系统参数构建多场景子模型;
优化模型构建单元,用于利用构建的多场景子模型,构建联合优化模型。
在本发明的一种具体实施方式中,子模型构建单元,具体用于利用设备参数和线路参数基于时序预测进行源荷场景建模;利用源荷参数基于新能源出力与电负荷随机性建模。
在本发明的一种具体实施方式中,子模型构建单元,具体用于
其中,x为规划变量,y为运行变量,x、y为纵向量;为建设成本向量,/>为运行成本向量;σ为使建设成本和运行成本能够相比较的系数;Ps为概率质量,S为场景总数,s为场景索引;A、B、C、D、H、G、M、N为相应不等式约束和等式约束中的参数矩阵。
在本发明的一种具体实施方式中,模型转化处理模块102,具体用于利用障碍函数将联合优化模型中的不等式约束条件加入目标函数中,将等式约束条件用外点法的形式加入目标函数中,获得目标联合优化模型;目标联合优化模型对应的可行无约束优化问题为:
其中,μ、α分别为障碍函数和二次方罚函数的常数系数向量。
在本发明的一种具体实施方式中,模型求解模块103,具体用于利用Nesterov加速梯度下降法迭代求解目标联合优化模型;
其中,Nesterov加速梯度下降法的更新规则为:
其中,xk、yk为第k次迭代后的规划变量和运行变量结果;k为迭代次数;mk、nk分别为x、y第k次迭代后的中间值。
在本发明的一种具体实施方式中,系统优化模块104,具体用于在规划时,利用规划变量对综合能源系统进行规划优化;在运行时,利用运行变量对综合能源系统进行运行优化。
实施例四:
相应于上面的方法实施例,本发明实施例还提供了一种综合能源系统优化设备,下文描述的一种综合能源系统优化设备与上文描述的一种综合能源系统优化方法可相互对应参照。
参见图3所示,该综合能源系统优化设备包括:
存储器D1,用于存储计算机程序;
处理器D2,用于执行计算机程序时实现上述方法实施例的综合能源系统优化方法的步骤。
具体的,请参考图4,图4为本实施例提供的一种综合能源系统优化设备的具体结构示意图,该综合能源系统优化设备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处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在综合能源系统优化设备301上执行存储介质330中的一系列指令操作。
综合能源系统优化设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341。例如,Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
上文所描述的综合能源系统优化方法中的步骤可以由综合能源系统优化设备的结构实现。
实施例五:
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种综合能源系统优化方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的综合能源系统优化方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (5)
1.一种综合能源系统优化方法,其特征在于,包括:
获取综合能源系统的系统参数,并利用所述系统参数构建基于两阶段随机优化的联合优化模型;其中,所述系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;
将所述联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;
利用加速梯度下降算法对所述目标联合优化模型进行迭代求解,获得系统优化参数;
利用所述系统优化参数对所述综合能源系统的规划和运行进行优化;
其中,所述获取综合能源系统的系统参数,并利用所述系统参数构建基于两阶段随机优化的联合优化模型,包括:
获取所述综合能源系统的系统参数,利用蒙特卡洛法对所述系统参数构建多场景子模型;
利用构建的多场景子模型,构建所述联合优化模型;
所述利用构建的多场景子模型,构建所述联合优化模型,包括:
其中,x为规划变量,y为运行变量;为建设成本向量,/>为运行成本向量;σ为使建设成本和运行成本能够相比较的系数;Ps为概率质量,S为场景总数,s为场景索引;A、B、C、D、H、G、M、N为相应不等式约束和等式约束中的参数矩阵;
将所述联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型,包括:
利用障碍函数将所述联合优化模型中的不等式约束条件加入目标函数中,将等式约束条件用外点法的形式加入所述目标函数中,获得所述目标联合优化模型;所述目标联合优化模型对应的可行无约束优化问题为:
其中,μ、α分别为所述障碍函数和二次方罚函数的常数系数向量,δ为常数;
所述利用蒙特卡洛法对所述系统参数构建多场景子模型,包括:
利用所述设备参数和所述线路参数基于时序预测进行源荷场景建模;
利用所述源荷参数基于新能源出力与电负荷随机性建模;
所述利用加速梯度下降算法对所述目标联合优化模型进行迭代求解,获得系统优化参数,包括:
利用Nesterov加速梯度下降法迭代求解所述目标联合优化模型;
其中,加速梯度下降算法为重球法,其迭代形式为 其中/>ω为与目标函数性质有关的系数;
Nesterov加速梯度下降法的迭代过程中的系数用常数和与迭代次数有关的系数代替对于无约束优化问题:/>Nesterov加速梯度下降法的更新规则为:其中ε为每次更新迭代的步长;/>为x变量的范围;
对于求解所述目标联合优化模型,所述Nesterov加速梯度下降法的更新规则为:
其中,xk、yk为第k次迭代后的规划变量和运行变量结果,xk+1、yk+1为第k+1次迭代后的规划变量和运行变量结果;k为大于等于1的迭代次数;mk、nk分别为x、y第k次迭代后的中间值;ε为每次更新迭代的步长。
2.根据权利要求1所述的综合能源系统优化方法,其特征在于,利用所述系统优化参数对所述综合能源系统的规划和运行进行优化,包括:
在规划时,利用所述规划变量对所述综合能源系统进行规划优化;
在运行时,利用所述运行变量对所述综合能源系统进行运行优化。
3.一种综合能源系统优化装置,其特征在于,包括:
优化模型构建模块,用于获取综合能源系统的系统参数,并利用所述系统参数构建基于两阶段随机优化的联合优化模型;其中,所述系统参数包括:规划时的设备参数和线路参数,运行时的源荷参数;
模型转化处理模块,用于将所述联合优化模型中的约束优化问题进行去约束化,获得无约束优化问题的目标联合优化模型;
模型求解模块,用于利用加速梯度下降算法对所述目标联合优化模型进行迭代求解,获得系统优化参数;
系统优化模块,用于利用所述系统优化参数对所述综合能源系统的规划和运行进行优化;
其中,所述优化模型构建模块,具体用于获取所述综合能源系统的系统参数,利用蒙特卡洛法对所述系统参数构建多场景子模型;利用构建的多场景子模型,构建所述联合优化模型;所述利用构建的多场景子模型,构建所述联合优化模型,包括:
其中,x为规划变量,y为运行变量;为建设成本向量,/>为运行成本向量;σ为使建设成本和运行成本能够相比较的系数;Ps为概率质量,S为场景总数,s为场景索引;A、B、C、D、H、G、M、N为相应不等式约束和等式约束中的参数矩阵;
所述模型转化处理模块,具体用于利用障碍函数将所述联合优化模型中的不等式约束条件加入目标函数中,将等式约束条件用外点法的形式加入所述目标函数中,获得所述目标联合优化模型;所述目标联合优化模型对应的可行无约束优化问题为:
其中,μ、α分别为所述障碍函数和二次方罚函数的常数系数向量,δ为常数;
所述优化模型构建模块,具体用于利用所述设备参数和所述线路参数基于时序预测进行源荷场景建模;利用所述源荷参数基于新能源出力与电负荷随机性建模;
所述模型求解模块,具体用于利用Nesterov加速梯度下降法迭代求解所述目标联合优化模型;
其中,加速梯度下降算法为重球法,其迭代形式为 其中/>ω为与目标函数性质有关的系数;
Nesterov加速梯度下降法的迭代过程中的系数用常数和与迭代次数有关的系数代替对于无约束优化问题:/>Nesterov加速梯度下降法的更新规则为:其中ε为每次更新迭代的步长;/>为x变量的范围;
对于求解所述目标联合优化模型,所述Nesterov加速梯度下降法的更新规则为:
其中,xk、yk为第k次迭代后的规划变量和运行变量结果,xk+1、yk+1为第k+1次迭代后的规划变量和运行变量结果;k为大于等于1的迭代次数;mk、nk分别为x、y第k次迭代后的中间值;ε为每次更新迭代的步长。
4.一种综合能源系统优化设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1或2所述综合能源系统优化方法的步骤。
5.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1或2所述综合能源系统优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615191.5A CN110298138B (zh) | 2019-07-09 | 2019-07-09 | 一种综合能源系统优化方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615191.5A CN110298138B (zh) | 2019-07-09 | 2019-07-09 | 一种综合能源系统优化方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298138A CN110298138A (zh) | 2019-10-01 |
CN110298138B true CN110298138B (zh) | 2024-01-05 |
Family
ID=68030753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910615191.5A Active CN110298138B (zh) | 2019-07-09 | 2019-07-09 | 一种综合能源系统优化方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298138B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222788B (zh) * | 2020-01-06 | 2022-05-24 | 南方电网科学研究院有限责任公司 | 面向综合能源系统多场景的两阶段随机规划方法和装置 |
CN111626558B (zh) * | 2020-04-20 | 2023-04-28 | 浙江大学 | 基于情景分析的综合能源系统模型比较方法和优化系统 |
CN111555367B (zh) * | 2020-05-13 | 2021-10-01 | 广东电网有限责任公司 | 一种智能电网混合优化模型的加速分布式优化方法 |
CN111767682B (zh) * | 2020-06-09 | 2024-02-27 | 上海电力大学 | 基于动态耦合模型的热泵储能系统设计控制共同优化方法 |
CN111953515B (zh) * | 2020-07-07 | 2021-09-21 | 西南大学 | 一种基于Nesterov梯度法和重球法的双加速分布式异步优化方法 |
CN111799847B (zh) * | 2020-07-16 | 2022-11-22 | 国网北京市电力公司 | 计及风险的主动配电网两阶段随机模型的预测控制方法 |
CN112232716B (zh) * | 2020-11-19 | 2024-01-05 | 国网上海市电力公司 | 一种考虑调峰辅助服务的智慧园区优化决策方法 |
CN112508248A (zh) * | 2020-11-26 | 2021-03-16 | 山东大学 | 基于异构迁移学习的综合能源系统日前优化方法及系统 |
CN112686430B (zh) * | 2020-12-16 | 2024-02-23 | 南京富岛信息工程有限公司 | 一种提高炼化企业装置产品收率模型精度的方法 |
CN112907098B (zh) * | 2021-03-08 | 2022-08-05 | 国网江苏省电力有限公司经济技术研究院 | 园区综合能源系统的多阶段容量配置方法及配置系统 |
CN113505939B (zh) * | 2021-07-27 | 2023-01-17 | 云南电网有限责任公司电力科学研究院 | 一种考虑不确定性因素的能源系统随机规划方法及系统 |
CN113935198B (zh) * | 2021-11-16 | 2024-03-22 | 清鸾科技(成都)有限公司 | 多能系统运行优化方法、装置、电子设备及可读存储介质 |
CN114581160B (zh) * | 2022-05-05 | 2022-09-02 | 支付宝(杭州)信息技术有限公司 | 资源分配方法、分布式计算系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063925A (zh) * | 2018-08-16 | 2018-12-21 | 合肥工业大学 | 一种计及负荷聚合商的区域综合能源系统优化运行方法 |
CN109190271A (zh) * | 2018-09-13 | 2019-01-11 | 东北大学 | 一种考虑传输损耗的电热综合能源系统经济优化调度方法 |
CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源系统扩展规划优化方法 |
CN109728605A (zh) * | 2019-03-01 | 2019-05-07 | 西安交通大学 | 基于机会约束igdt的风电场-输电网-储能联合规划方法 |
CN109946977A (zh) * | 2019-04-24 | 2019-06-28 | 华北电力大学 | 含冷热电三联供系统的智慧园区能源优化调度方法 |
CN109978408A (zh) * | 2019-04-09 | 2019-07-05 | 南方电网科学研究院有限责任公司 | 综合能源系统规划运行联合优化方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8983690B2 (en) * | 2013-03-14 | 2015-03-17 | Mitsubishi Electric Research Laboratories, Inc. | System and method for optimizing energy consumption in railway systems with energy storage devices |
US10734811B2 (en) * | 2017-11-27 | 2020-08-04 | Ihi Inc. | System and method for optimal control of energy storage system |
-
2019
- 2019-07-09 CN CN201910615191.5A patent/CN110298138B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063925A (zh) * | 2018-08-16 | 2018-12-21 | 合肥工业大学 | 一种计及负荷聚合商的区域综合能源系统优化运行方法 |
CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源系统扩展规划优化方法 |
CN109190271A (zh) * | 2018-09-13 | 2019-01-11 | 东北大学 | 一种考虑传输损耗的电热综合能源系统经济优化调度方法 |
CN109728605A (zh) * | 2019-03-01 | 2019-05-07 | 西安交通大学 | 基于机会约束igdt的风电场-输电网-储能联合规划方法 |
CN109978408A (zh) * | 2019-04-09 | 2019-07-05 | 南方电网科学研究院有限责任公司 | 综合能源系统规划运行联合优化方法、装置、设备及介质 |
CN109946977A (zh) * | 2019-04-24 | 2019-06-28 | 华北电力大学 | 含冷热电三联供系统的智慧园区能源优化调度方法 |
Non-Patent Citations (3)
Title |
---|
城市给水系统优化调度模型及算法研究;王俊岭;《北京建筑工程学院学报》;20030930(第03期);参见第19页-第22页 * |
基于改进两阶段鲁棒优化的区域综合能源系统经济调度;单福州;李晓露;宋燕敏;周海明;刘超群;;电测与仪表(第23期);110-115 * |
水资源系统优化模型的确定;贾纯刚等;《硅谷》;20110808(第15期);参见第215页-第222页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110298138A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298138B (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
Lin et al. | Deep reinforcement learning for economic dispatch of virtual power plant in internet of energy | |
CN105226643B (zh) | 安全约束下电力系统运行模拟模型快速生成与求解方法 | |
Du et al. | Distributed MPC for coordinated energy efficiency utilization in microgrid systems | |
Sharma et al. | A critical and comparative review of energy management strategies for microgrids | |
Xie et al. | Mixed-stage energy management for decentralized microgrid cluster based on enhanced tube model predictive control | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
Zhao et al. | DeepOPF+: A deep neural network approach for DC optimal power flow for ensuring feasibility | |
CN110912205A (zh) | 基于场景集的含风电电力系统运行备用动态调度优化方法 | |
Tao et al. | A human-machine reinforcement learning method for cooperative energy management | |
Dong et al. | Distributionally robust optimization model of active distribution network considering uncertainties of source and load | |
Shotorbani et al. | Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid | |
Li et al. | Minimum energy storage for power system with high wind power penetration using p-efficient point theory | |
Yan et al. | Operating power reserve quantification through PV generation uncertainty analysis of a microgrid | |
CN115733191A (zh) | 一种源网荷储系统互动协调优化方法、系统及存储介质 | |
CN115775046A (zh) | 一种虚拟电厂优化调度方法、系统、电子设备及存储介质 | |
Sifat et al. | Design, development, and optimization of a conceptual framework of digital twin electric grid using systems engineering approach | |
Abedi et al. | Risk-constrained unit commitment of power system incorporating PV and wind farms | |
Zhou et al. | Distributionally robust unit commitment considering unimodality-skewness information of wind power uncertainty | |
Hua et al. | Digital twin based reinforcement learning for extracting network structures and load patterns in planning and operation of distribution systems | |
CN112101987A (zh) | 一种多微网随机预测控制方法 | |
Ignat-Balaci et al. | Day-Ahead Scheduling, Simulation, and Real-Time Control of an Islanded Microgrid. | |
Shahzad et al. | Optimal planning of distributed energy storage systems in active distribution networks using advanced heuristic optimization techniques | |
CN115115276A (zh) | 考虑不确定性和隐私保护的虚拟电厂调度方法及系统 | |
Dong et al. | Distributed neural network enhanced power generation strategy of large-scale wind power plant for power expansion |
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 |