CN110391655B - 一种含多能源耦合的微能源网经济优化调度方法及装置 - Google Patents
一种含多能源耦合的微能源网经济优化调度方法及装置 Download PDFInfo
- Publication number
- CN110391655B CN110391655B CN201810360700.XA CN201810360700A CN110391655B CN 110391655 B CN110391655 B CN 110391655B CN 201810360700 A CN201810360700 A CN 201810360700A CN 110391655 B CN110391655 B CN 110391655B
- Authority
- CN
- China
- Prior art keywords
- power
- micro
- energy
- network
- optimal solution
- 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
- 238000010168 coupling process Methods 0.000 title claims abstract description 33
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims description 35
- 238000010248 power generation Methods 0.000 claims abstract description 41
- 230000008878 coupling Effects 0.000 claims abstract description 31
- 239000007789 gas Substances 0.000 claims description 96
- 239000002245 particle Substances 0.000 claims description 92
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 82
- 230000006870 function Effects 0.000 claims description 63
- 210000004027 cell Anatomy 0.000 claims description 46
- 239000003345 natural gas Substances 0.000 claims description 41
- 239000000446 fuel Substances 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 34
- 238000004146 energy storage Methods 0.000 claims description 32
- 238000010521 absorption reaction Methods 0.000 claims description 31
- 230000005611 electricity Effects 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 23
- 239000002283 diesel fuel Substances 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000002918 waste heat Substances 0.000 claims description 10
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 239000003546 flue gas Substances 0.000 claims description 5
- 230000017525 heat dissipation Effects 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- GMTYREVWZXJPLF-AFHUBHILSA-N butorphanol D-tartrate Chemical compound OC(=O)[C@@H](O)[C@H](O)C(O)=O.N1([C@@H]2CC3=CC=C(C=C3[C@@]3([C@]2(CCCC3)O)CC1)O)CC1CCC1 GMTYREVWZXJPLF-AFHUBHILSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—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
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种含多能源耦合的微能源网经济优化调度方法及装置，所述方法包括：获取预先建立的微能源网的网络单元的成本目标函数的最优解；利用所述最优解对含多能源耦合的微能源网进行调度。本发明提供的技术方案，通过提出多能源耦合发电的微能源网经济调度策略，不仅有助于消减用电高峰，缓解了电网压力，并提高电网运行的可靠性和安全性，还有助于在高渗透率光伏及风电大量丢弃的背景下，为有效消纳清洁能源提供了技术支持。
Description
技术领域
本发明涉及微能源网技术领域，具体涉及一种含多能源耦合的微能源网经济优化调度方法及装置。
背景技术
传统能源日渐匮乏一直受到学者们的广泛关注，激励着学者们不断寻找新方法合理利用现有的新型能源。近年来，随着经济的快速发展，很多清洁能源发电技术成为朝阳行业，成为国民经济不可缺少的能量来源。现有清洁能源发电厂包含光伏发电厂、风力发电厂、热电联产发电厂、柴油机及燃料电厂和储能设备等，这些发电厂通过公共母线共同向负荷输送电能。含空气源热泵及可控负荷的用户侧需求响应有助于风光电厂消纳清洁能源，但系统运行成本居高不下，电网调峰能力不足长期以来都是电力企业关注的重点。
对于含多能源耦合发电的微能源网需要一种合理的调度策略，即促进风光消纳发电，又降低电网调峰压力。电力用户需求的冷热及电负荷与人们的生活密切相关，在白天及晚上呈现出较大的峰谷差，在用电高峰时期造成电力供应紧张，在用电低谷时期存在大量的弃风弃光现象，造成能源浪费。这些问题，加剧了电力供应的紧张程度，对于电网的安全可靠运行提出了更高的要求。
发明内容
本发明提供一种含多能源耦合的微能源网经济优化调度方法及装置，其目的是通过提出多能源耦合发电的微能源网经济调度策略，不仅有助于消减用电高峰，缓解了电网压力，并提高电网运行的可靠性和安全性，还有助于在高渗透率光伏及风电大量丢弃的背景下，为有效消纳清洁能源提供了技术支持。
本发明的目的是采用下述技术方案实现的：
一种含多能源耦合的微能源网经济优化调度方法及装置，其改进之处在于，所述方法包括：
获取预先建立的微能源网的网络单元的成本目标函数的最优解；
利用所述最优解对含多能源耦合的微能源网进行调度；
其中，所述预先建立的所述微能源网的网络单元的成本目标函数根据所述微能源网的网络单元的成本建立的。
优选的，所述建立所述微能源网的网络单元的成本目标函数的过程包括：
按下式确定目标函数minfc：
上式中，NT为运行调度总时间，NDC为微能源网的发电设备的总数量，Cm为风力发电机的运行成本，Cv为光伏发电系统的运行成本，CMT为微型燃气轮机的运行成本，Cso为储能装置的运行成本，Cfc为燃料电池的运行成本，CDL为柴油机的运行成本，Cair为空气源热泵的运行成本，Czl为吸收式制冷机的运行成本，t为时间，pgrid,t为微能源网与主网之间在t时段交换功率，Cpp(pgrid,t)为微能源网向电网购电成本，Isp(pgrid,t)为微能源网向电网售电成本，Nr为空气源热泵的总数量，Nz为蒸汽吸收制冷机的总数量，其中，i∈[1,NDC]，j∈[1,Nr]，k∈[1,Nz]，t∈[1,NT]；
其中，热、电功率等式平衡约束条件为：
上式中，pGn,t为第n个分布电源在t时间段的电功率，pL,t为t时段的电功率，Hm,t为第m个微型燃气轮机t时段的热功率，NMT为微型燃气轮机的总数量，NDG为发电设备的总数量，Hss,t为t时段热功率，HD,t为t时段热负荷功率，psu为电网络联络线的功率损耗，Hsu为热网络联络线的热损耗，其中，m∈[1,NMT]，n∈[1,NDG]；
分布式电源功率不等式约束条件为：
上式中，PGn,t为分布式电源的发电功率，
为分布式电源的最小发电功率，
为分布式电源的最大发电功率；
微能源网与电网的交换功率不等式约束条件为：
上式中，Pgrid为微能源网与电网的交换功率，
为微能源网与电网的最小交换功率，
为微能源网与电网的最大交换功率；
储能电量不等式约束条件为：
上式中，Soc,t为储能电量，
为最小储能电量，
为最大储能电量；
储冷量不等式约束条件为：
上式中，TLL,t为储冷量，
为最小储冷量，
为最大储冷量；
冷量输出功率不等式约束条件为：
上式中，FLL,t为储冷功率，
为最小储冷功率，
为最大储冷功率。
进一步的，按下式确定风力发电机的运行成本：
Cm＝pWT(v)·t·η(t)·(h(t))
上式中，Cm为风力发电机的运行成本，Cm的单位为元/kwh；t为时间，η(t)为风力发电机的发电效率取，h(t)为风力发电机的单位发电成本；pWT为风力发电机的输出功率；其中，h(t)＝0.6元/kwh，η(t)＝0.75；
其中，按下式确定风力发电机的输出功率：
上式中，pWT为风力发电机输出功率；vin、von、vout分别为风力发电机的切入风速、额定风速、切出风速；pr为风机额定功率；aWT、bWT、cWT由风力发电机风速-功率特性曲线拟合得到；
按下式确定光伏发电系统的运行成本：
Cv＝ppv(G,T)·t·η(t)·g(t)
上式中，Cv为光伏发电系统的运行成本,Cv的单位为元/kwh；t为时间；η(t)为发电效率，g(t)为单位发电成本，其中，η(t)＝11％，g(t)＝0.9元/kwh；
其中，光照强度概率密度数学表达式为：
上式中，Γ为Gamma函数；G和Gmax为实际光照强度和最大光照强度，Gm＝340W/m2；α、β均为参数，其中，G＝287W/m2，α＝3，β＝2；按下式确定光伏电池的输出功率：
上式中，ppv为光伏电池的输出功率，G为实际光照强度，Gstc为标准条件下的光照强度，Tstc为标准条件下的参考温度，k为功率温度系数，T为光伏电池板表面温度，其中，Tstc＝25℃，Gstc＝236W/m2，T＝25℃，k＝0.8；
按下式确定微型燃气轮机的运行成本：
上式中，CMT为微型燃气轮机运行成本，CMT的单位为元/kwh；Cgas为天然气的价格,Cgas的单位为元/m3；ηMT为微型燃气轮机的总运行效率；pe为微型燃气轮机的输出电功率；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；
其中，微型燃气轮机工作在热电联产模式时的数学表达式为：
上式中，ηe为微型燃气轮机发电效率；η1为微型燃气轮机散热损失系数；QHE为烟气余热制热量；QMT为微型燃气轮机的排气余热量；kHE为制热系数；VMT为消耗的天然气量；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；其中，ηe＝30％，η1＝0.66，kHE＝30％，LHVf＝9.7kw.h/m3；并按下式确定微型燃气轮机的总运行效率ηMT：
上式中，mf为天然气的流量；
按下式确定储能装置的运行成本：
Cso＝Ehat·ka·η(t)+Cr+Cu
上式中，Cso为储能装置的运行成本，Cso的单位为元/kwh；η(t)为效率，ka为折旧系数,Cr为保养费用，Cu为回收费用；其中，ka＝0.3；
按下式确定燃料电池的运行成本：
上式中，Cfc为燃料电池的运行成本，pfc(t)为燃料电池功率；ηfc(t)为燃料电池发电效率，LHVf为天然气低热热值；其中，Cfc的单位为元/kwh，LHVf＝9.7kw.h/m3，ηfc(t)＝45％；
按下式确定柴油机的运行成本：
CDL＝∑coil·vDL(t)
上式中，CDL为柴油机的运行成本，CDL的单位为元/m3；VDL(t)为柴油机燃料的消耗体积，coil为燃料价格，并按下式确定柴油机燃料的消耗体积：
vDL(t)＝aDLpDL(t)2+bDLpDL(t)+cDL
上式中，vDL(t)柴油机燃料的消耗体积，为pDL为输出功率；aDL、bDL、cDL均为常数；其中，aDL＝2、bDL＝2.5、cDL＝4；
按下式确定空气源热泵的运行成本：
Cair＝COM(TLL,t)+Cdp(TLL,t)
上式中，Cair为空气源热泵的运行成本，COM(TLL,t)为空气源热泵维护成本，Cdp(TLL,t)为空气源热泵运行成本，其中，Cdp(TLL,t)的单位为元/kwh，COM(TLL,t)的单位为元/kwh，Cair的单位为元/kwh；
按下式确定吸收式制冷机的运行成本：
Czl＝COM(TKK,t)、+Cdp(TKK,t)
上式中，COM(TKK,t)为吸收式制冷机维护成本；Cdp(TKK,t)为吸收式制冷机的折旧成本；其中，Cdp(TKK,t)的单位为元/kwh，COM(TKK,t)的单位为元/kwh。
优选的，利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解。
进一步的，所述利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解，包括：
a.初始化粒子群，获取每个粒子的初始位置和速度，设迭代次数N＝1；
b.按下式计算每个粒子的适应度值，并选取最小的适应度值作为当前最优解；
c.判断当前迭代次数N是否等于1000，若是，则令所述当前最优解作为所述微能源网的网络单元的成本目标函数的最优解，并输出所述微能源网的网络单元的成本目标函数的最优解，停止算法；若否，则执行步骤d；
d.判断是否陷入局部最优解，若是，则执行步骤e；若否，则执行步骤f；
e.判断当前最优解是否小于迭代次数为N-30的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数N-30的最优解作为当前禁忌最佳候选解；
令所述当前禁忌最佳候选解替代禁忌表中的最优解，并按下式更新粒子的初始位置和速度：
其中，k∈[1,z]，z为粒子的总数，c1和c2均为学习因子，c1＝2,c2＝2，r1,r2为[0,1]之间的随机数，pl为当前最优解，pg为当前禁忌最佳候选解，令N＝N+1，返回步骤b；
f.判断当前最优解是否小于迭代次数为N-1的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数为N-1的最优解作为当前禁忌最佳候选解；
利用选择算子、交叉算子和遗传算子获取下一代粒子群，令N＝N+1，返回步骤b。
进一步的，所述利用选择算子、交叉算子和遗传算子获取下一代粒子群，包括：
设置选择概率
交叉概率pC＝0.4、及变异概率pm＝0.01，根据选择概率p(xs)每次从上一代粒子中随机选择1个个体并复制染色体共做h次，得到新一代粒子群；按照交叉概率pC确定参与交叉个体数量，进行配对交叉，更新所述新一代粒子群，得到新二代粒子群；按照变异概率pm确定参与变异个体数量，更新所述新二代粒子群，得到第N+1一代粒子群；
其中，f(xs)为第s个粒子的适应度值，s∈[1,h]，h为粒子的总数。
进一步的，所述判断是否陷入局部最优解，包括：若连续30次迭代的当前最优解相同，则为陷入局部最优解，否则没有陷入局部最优解。
优选的，所述利用所述最优解对含多能源耦合的微能源网进行调度，包括：
根据所述微能源网的网络单元的成本目标函数的最优解获取网络单元中各机组的出力情况，根据所述网络单元中各机组的出力情况调整多能源系统的运行方式。一种含多能源耦合的微能源网经济优化调度装置，其改进之处在于，所述装置包括：
获取单元，用于获取预先建立的微能源网的网络单元的成本目标函数的最优解；
调度单元，用于利用所述最优解对含多能源耦合的微能源网进行调度；
其中，所述预先建立的所述微能源网的网络单元的成本目标函数根据所述微能源网的网络单元的成本建立的。
优选的，建立所述微能源网的网络单元的成本目标函数的过程包括：
按下式确定目标函数minfc：
上式中，NT为运行调度总时间，NDC为微能源网的发电设备的总数量，Cm为风力发电机的运行成本，Cv为光伏发电系统的运行成本，CMT为微型燃气轮机的运行成本，Cso为储能装置的运行成本，Cfc为燃料电池的运行成本，CDL为柴油机的运行成本，Cair为空气源热泵的运行成本，Czl为吸收式制冷机的运行成本，t为时间，pgrid,t为微能源网与主网之间在t时段交换功率，Cpp(pgrid,t)为微能源网向电网购电成本，Isp(pgrid,t)为微能源网向电网售电成本，Nr为空气源热泵的总数量，Nz为蒸汽吸收制冷机的总数量，其中，i∈[1,NDC]，j∈[1,Nr]，k∈[1,Nz]，t∈[1,NT]；
其中，热、电功率等式平衡约束条件为：
上式中，pGn,t为第n个分布电源在t时间段的电功率，pL,t为t时段的电功率，Hm,t为第m个微型燃气轮机t时段的热功率，NMT为微型燃气轮机的总数量，NDG为发电设备的总数量，Hss,t为t时段热功率，HD,t为t时段热负荷功率，psu为电网络联络线的功率损耗，Hsu为热网络联络线的热损耗，其中，m∈[1,NMT]，n∈[1,NDG]；
分布式电源功率不等式约束条件为：
上式中，PGn,t为分布式电源的发电功率，
为分布式电源的最小发电功率，
为分布式电源的最大发电功率；
微能源网与电网的交换功率不等式约束条件为：
上式中，Pgrid为微能源网与电网的交换功率，
为微能源网与电网的最小交换功率，
为微能源网与电网的最大交换功率；
储能电量不等式约束条件为：
上式中，Soc,t为储能电量，
为最小储能电量，
为最大储能电量；
储冷量不等式约束条件为：
上式中，TLL,t为储冷量，
为最小储冷量，
为最大储冷量；
冷量输出功率不等式约束条件为：
上式中，FLL,t为储冷功率，
为最小储冷功率，
为最大储冷功率。
进一步的，按下式确定风力发电机的运行成本：
Cm＝pWT(v)·t·η(t)·(h(t))
上式中，Cm为风力发电机的运行成本，Cm的单位为元/kwh；t为时间，η(t)为风力发电机的发电效率取，h(t)为风力发电机的单位发电成本；pWT为风力发电机的输出功率；其中，h(t)＝0.6元/kwh，η(t)＝0.75；
其中，按下式确定风力发电机的输出功率：
上式中，pWT为风力发电机输出功率；vin、von、vout分别为风力发电机的切入风速、额定风速、切出风速；pr为风机额定功率；aWT、bWT、cWT由风力发电机风速-功率特性曲线拟合得到；
按下式确定光伏发电系统的运行成本：
Cv＝ppv(G,T)·t·η(t)·g(t)
上式中，Cv为光伏发电系统的运行成本,Cv的单位为元/kwh；t为时间；η(t)为发电效率，g(t)为单位发电成本，其中，η(t)＝11％，g(t)＝0.9元/kwh；
其中，光照强度概率密度数学表达式为：
上式中，Γ为Gamma函数；G和Gmax为实际光照强度和最大光照强度，Gm＝340W/m2；α、β均为参数，其中，G＝287W/m2，α＝3，β＝2；按下式确定光伏电池的输出功率：
上式中，ppv为光伏电池的输出功率，G为实际光照强度，Gstc为标准条件下的光照强度，Tstc为标准条件下的参考温度，k为功率温度系数，T为光伏电池板表面温度，其中，Tstc＝25℃，Gstc＝236W/m2，T＝25℃，k＝0.8；
按下式确定微型燃气轮机的运行成本：
上式中，CMT为微型燃气轮机运行成本，CMT的单位为元/kwh；Cgas为天然气的价格,Cgas的单位为元/m3；ηMT为微型燃气轮机的总运行效率；pe为微型燃气轮机的输出电功率；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；
其中，微型燃气轮机工作在热电联产模式时的数学表达式为：
上式中，ηe为微型燃气轮机发电效率；η1为微型燃气轮机散热损失系数；QHE为烟气余热制热量；QMT为微型燃气轮机的排气余热量；kHE为制热系数；VMT为消耗的天然气量；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；其中，ηe＝30％，η1＝0.66，kHE＝30％，LHVf＝9.7kw.h/m3；并按下式确定微型燃气轮机的总运行效率ηMT：
上式中，mf为天然气的流量；
按下式确定储能装置的运行成本：
Cso＝Ehat·ka·η(t)+Cr+Cu
上式中，Cso为储能装置的运行成本，Cso的单位为元/kwh；η(t)为效率，ka为折旧系数,Cr为保养费用，Cu为回收费用；其中，ka＝0.3；
按下式确定燃料电池的运行成本：
上式中，Cfc为燃料电池的运行成本，pfc(t)为燃料电池功率；ηfc(t)为燃料电池发电效率，LHVf为天然气低热热值；其中，Cfc的单位为元/kwh，LHVf＝9.7kw.h/m3，ηfc(t)＝45％；
按下式确定柴油机的运行成本：
CDL＝∑coil·vDL(t)
上式中，CDL为柴油机的运行成本，CDL的单位为元/m3；VDL(t)为柴油机燃料的消耗体积，coil为燃料价格，并按下式确定柴油机燃料的消耗体积：
vDL(t)＝aDLpDL(t)2+bDLpDL(t)+cDL
上式中，vDL(t)柴油机燃料的消耗体积，为pDL为输出功率；aDL、bDL、cDL均为常数；其中，aDL＝2、bDL＝2.5、cDL＝4；
按下式确定空气源热泵的运行成本：
Cair＝COM(TLL,t)+Cdp(TLL,t)
上式中，Cair为空气源热泵的运行成本，COM(TLL,t)为空气源热泵维护成本，Cdp(TLL,t)为空气源热泵运行成本，其中，Cdp(TLL,t)的单位为元/kwh，COM(TLL,t)的单位为元/kwh，Cair的单位为元/kwh；
按下式确定吸收式制冷机的运行成本：
Czl＝COM(TKK,t)、+Cdp(TKK,t)
上式中，COM(TKK,t)为吸收式制冷机维护成本；Cdp(TKK,t)为吸收式制冷机的折旧成本；其中，Cdp(TKK,t)的单位为元/kwh，COM(TKK,t)的单位为元/kwh。
优选的，利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解。
进一步的，所述利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解，包括：
a.初始化粒子群，获取每个粒子的初始位置和速度，设迭代次数N＝1；
b.按下式计算每个粒子的适应度值，并选取最小的适应度值作为当前最优解；
c.判断当前迭代次数N是否等于1000，若是，则令所述当前最优解作为所述微能源网的网络单元的成本目标函数的最优解，并输出所述微能源网的网络单元的成本目标函数的最优解，停止算法；若否，则执行步骤d；
d.判断是否陷入局部最优解，若是，则执行步骤e；若否，则执行步骤f；
e.判断当前最优解是否小于迭代次数为N-30的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数N-30的最优解作为当前禁忌最佳候选解；
令所述当前禁忌最佳候选解替代禁忌表中的最优解，并按下式更新粒子的初始位置和速度：
其中，k∈[1,z]，z为粒子的总数，c1和c2均为学习因子，c1＝2,c2＝2，r1,r2为[0,1]之间的随机数，pl为当前最优解，pg为当前禁忌最佳候选解，令N＝N+1，返回步骤b；
f.判断当前最优解是否小于迭代次数为N-1的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数为N-1的最优解作为当前禁忌最佳候选解；
利用选择算子、交叉算子和遗传算子获取下一代粒子群，令N＝N+1，返回步骤b。
进一步的，所述利用选择算子、交叉算子和遗传算子获取下一代粒子群，包括：
设置选择概率
交叉概率pC＝0.4、及变异概率pm＝0.01，根据选择概率p(xs)每次从上一代粒子中随机选择1个个体并复制染色体共做h次，得到新一代粒子群；按照交叉概率pC确定参与交叉个体数量，进行配对交叉，更新所述新一代粒子群，得到新二代粒子群；按照变异概率pm确定参与变异个体数量，更新所述新二代粒子群，得到第N+1一代粒子群；
其中，f(xs)为第s个粒子的适应度值，s∈[1,h]，h为粒子的总数。
进一步的，所述判断是否陷入局部最优解，包括：若连续30次迭代的当前最优解相同，则为陷入局部最优解，否则没有陷入局部最优解。
优选的，所述利用所述最优解对含多能源耦合的微能源网进行调度，包括：
根据所述微能源网的网络单元的成本目标函数的最优解获取网络单元中各机组的出力情况，根据所述网络单元中各机组的出力情况调整多能源系统的运行方式。
一种计算机存储介质，其改进之处在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述的一种含多能源耦合的微能源网经济优化调度方法。
本发明的有益效果：
本发明提供的技术方案，通过获取预先建立的微能源网的网络单元的成本目标函数的最优解，并利用所述最优解对含多能源耦合的微能源网进行调度，不仅有助于消减用电高峰，缓解了电网压力，并提高电网运行的可靠性和安全性，还有助于在高渗透率光伏及风电大量丢弃的背景下，为有效消纳清洁能源提供了技术支持，使多种能源出力的运行优化，合理调度各个分布式电源，实现系统成本最低；进一步的，充分利用了现有清洁能源，消纳弃光弃风电量，降低碳排放量，减少对环境的污染；采用含多能源发电的微能源网，考虑储能的源网荷互动的协调优化运行模式，实现经济运行，在满足用户需求的同时，考虑需求侧负荷响应安排，实现源荷双向协调互动。
附图说明
图1是本发明一种含多能源耦合的微能源网经济优化调度方法的流程图；
图2是本发明一种含多能源耦合的微能源网经济优化调度装置的结构示意图；
图3是本发明实施例中微能源网的结构示意图；
图4是本发明实施例中微能源网系统冷、热及电负荷特性示意图；
图5是本发明实施例中微能源网系统中部分机组输出功率的优化结果图；
图6是本发明实施例中微能源网系统中部分机组消耗功率的优化结果图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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它实施例，都属于本发明保护的范围。
多能源耦合的微能源网融合了多种分布式能源和可控负荷，通过含储能的源网荷协同优化运行，实现清洁能源的大规模利用，以促进消纳风光发电为目标，减少煤炭消耗和降低对环境的损坏。同时微能源网作为研究整体，通过公共节点与大电网并网运行，操作运行方式简单灵活，通过内部设备互联通信进行多级调控，以实现系统的经济调度和优化运行，并且可以为系统负荷提供良好的电能和高可靠性的能源质量，充分利用现有的能量供应。
含多能源耦合的微能源网经济优化调度策略是建立在系统优化稳定运行基础上以系统运行成本最低的一项关键技术。由于微能源网中，分布式能源、储能设备和负荷的种类过多、控制方式灵活、运行方式以及运行成本各不相同。因此，含有多能源耦合的微能源网经济运行优化是一种非线性、多维度、多约束条件的时变动态优化调度策略。
针对现有多种能源联合发电缺乏经济调度及含空气源热泵和可控负荷的用户侧需求响应程度低不能充分消纳清洁能源等问题，设计一种含多能源耦合的微能源网建模及经济优化调度策略。这一设计将支撑含有多能源发电的微能源网以最经济的运行方式进行优化调度，为用户节约电费、获得额外补助、提供便利及消纳清洁能源方面，提供了有利技术支持。
本发明提供的一种含多能源耦合的微能源网经济优化调度方法及装置，如图1所示，包括：
101.获取预先建立的微能源网的网络单元的成本目标函数的最优解；
102.利用所述最优解对含多能源耦合的微能源网进行调度；
其中，所述预先建立的所述微能源网的网络单元的成本目标函数根据所述微能源网的网络单元的成本建立的。
例如，所述微能源网的网络单元包括：电网络单元、热网络单元、冷网络单元；
所述电网络单元包括：分布式光伏、风电机组、燃料电池、蓄电池储能、柴油机、微型燃气轮机和变压器；电网络公共线分别与变压器、分布式光伏、风电机组、燃料电池、蓄电池储能、柴油机和微型燃气轮机连接；变压器与配电网连接；
所述热网络单元包括：微型燃气轮机、空气源热泵；热网络公共线分别与微型燃气轮机、空气源热泵连接，空气源热泵还与电网络公共线连接；
所述冷网络单元包括：蒸汽吸收制冷机、空气源热泵；所述蒸汽吸收制冷机与微型燃气轮机连接，冷网络公共线分别与蒸汽吸收制冷机、空气源热泵连接。
具体的，所述建立微能源网的网络单元的成本目标函数的过程包括：
按下式确定目标函数minfc：
上式中，NT为运行调度总时间，NDC为微能源网的发电设备的总数量，Cm为风力发电机的运行成本，Cv为光伏发电系统的运行成本，CMT为微型燃气轮机的运行成本，Cso为储能装置的运行成本，Cfc为燃料电池的运行成本，CDL为柴油机的运行成本，Cair为空气源热泵的运行成本，Czl为吸收式制冷机的运行成本，t为时间，pgrid,t为微能源网与主网之间在t时段交换功率，Cpp(pgrid,t)为微能源网向电网购电成本，Isp(pgrid,t)为微能源网向电网售电成本，Nr为空气源热泵的总数量，Nz为蒸汽吸收制冷机的总数量，其中，i∈[1,NDC]，j∈[1,Nr]，k∈[1,Nz]，t∈[1,NT]；
其中，热、电功率等式平衡约束条件为：
上式中，pGn,t为第n个分布电源在t时间段的电功率，pL,t为t时段的电功率，Hm,t为第m个微型燃气轮机t时段的热功率，NMT为微型燃气轮机的总数量，NDG为发电设备的总数量，Hss,t为t时段热功率，HD,t为t时段热负荷功率，psu为电网络联络线的功率损耗，Hsu为热网络联络线的热损耗，其中，m∈[1,NMT]，n∈[1,NDG]；
分布式电源功率不等式约束条件为：
上式中，PGn,t为分布式电源的发电功率，
为分布式电源的最小发电功率，
为分布式电源的最大发电功率；
微能源网与电网的交换功率不等式约束条件为：
上式中，Pgrid为微能源网与电网的交换功率，
为微能源网与电网的最小交换功率，
为微能源网与电网的最大交换功率；
储能电量不等式约束条件为：
上式中，Soc,t为储能电量，
为最小储能电量，
为最大储能电量；
储冷量不等式约束条件为：
上式中，TLL,t为储冷量，
为最小储冷量，
为最大储冷量；
冷量输出功率不等式约束条件为：
上式中，FLL,t为储冷功率，
为最小储冷功率，
为最大储冷功率。
其中，按下式确定风力发电机的运行成本：
Cm＝pWT(v)·t·η(t)·(h(t))
上式中，Cm为风力发电机的运行成本，Cm的单位为元/kwh；t为时间，η(t)为风力发电机的发电效率取，h(t)为风力发电机的单位发电成本；pWT为风力发电机的输出功率；其中，h(t)＝0.6元/kwh，η(t)＝0.75；
其中，按下式确定风力发电机的输出功率：
上式中，pWT为风力发电机输出功率；vin、von、vout分别为风力发电机的切入风速、额定风速、切出风速；pr为风机额定功率；aWT、bWT、cWT由风力发电机风速-功率特性曲线拟合得到；
按下式确定光伏发电系统的运行成本：
Cv＝ppv(G,T)·t·η(t)·g(t)
上式中，Cv为光伏发电系统的运行成本,Cv的单位为元/kwh；t为时间；η(t)为发电效率，g(t)为单位发电成本，其中，η(t)＝11％，g(t)＝0.9元/kwh；
其中，光照强度概率密度数学表达式为：
上式中，Γ为Gamma函数；G和Gmax为实际光照强度和最大光照强度，Gm＝340W/m2；α、β均为参数，其中，G＝287W/m2，α＝3，β＝2；按下式确定光伏电池的输出功率：
上式中，ppv为光伏电池的输出功率，G为实际光照强度，Gstc为标准条件下的光照强度，Tstc为标准条件下的参考温度，k为功率温度系数，T为光伏电池板表面温度，其中，Tstc＝25℃，Gstc＝236W/m2，T＝25℃，k＝0.8；
按下式确定微型燃气轮机的运行成本：
上式中，CMT为微型燃气轮机运行成本，CMT的单位为元/kwh；Cgas为天然气的价格,Cgas的单位为元/m3；ηMT为微型燃气轮机的总运行效率；pe为微型燃气轮机的输出电功率；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；
其中，微型燃气轮机工作在热电联产模式时的数学表达式为：
上式中，ηe为微型燃气轮机发电效率；η1为微型燃气轮机散热损失系数；QHE为烟气余热制热量；QMT为微型燃气轮机的排气余热量；kHE为制热系数；VMT为消耗的天然气量；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；其中，ηe＝30％，η1＝0.66，kHE＝30％，LHVf＝9.7kw.h/m3；并按下式确定微型燃气轮机的总运行效率ηMT：
上式中，mf为天然气的流量；
按下式确定储能装置的运行成本：
Cso＝Ehat·ka·η(t)+Cr+Cu
上式中，Cso为储能装置的运行成本，Cso的单位为元/kwh；η(t)为效率，ka为折旧系数,Cr为保养费用，Cu为回收费用；其中，ka＝0.3；
按下式确定燃料电池的运行成本：
上式中，Cfc为燃料电池的运行成本，pfc(t)为燃料电池功率；ηfc(t)为燃料电池发电效率，LHVf为天然气低热热值；其中，Cfc的单位为元/kwh，LHVf＝9.7kw.h/m3，ηfc(t)＝45％；
按下式确定柴油机的运行成本：
CDL＝∑coil·vDL(t)
上式中，CDL为柴油机的运行成本，CDL的单位为元/m3；VDL(t)为柴油机燃料的消耗体积，coil为燃料价格，并按下式确定柴油机燃料的消耗体积：
vDL(t)＝aDLpDL(t)2+bDLpDL(t)+cDL
上式中，vDL(t)柴油机燃料的消耗体积，为pDL为输出功率；aDL、bDL、cDL均为常数；其中，aDL＝2、bDL＝2.5、cDL＝4；
按下式确定空气源热泵的运行成本：
Cair＝COM(TLL,t)+Cdp(TLL,t)
上式中，Cair为空气源热泵的运行成本，COM(TLL,t)为空气源热泵维护成本，Cdp(TLL,t)为空气源热泵运行成本，其中，Cdp(TLL,t)的单位为元/kwh，COM(TLL,t)的单位为元/kwh，Cair的单位为元/kwh；
按下式确定吸收式制冷机的运行成本：
Czl＝COM(TKK,t)、+Cdp(TKK,t)
上式中，COM(TKK,t)为吸收式制冷机维护成本；Cdp(TKK,t)为吸收式制冷机的折旧成本；其中，Cdp(TKK,t)的单位为元/kwh，COM(TKK,t)的单位为元/kwh。
粒子群算法搜索范围广、收敛速度快，但易陷入局部最优解，出现“早熟”现象。为了克服粒子群算法的缺陷，将遗传与禁忌表融入到粒子群算法中，在搜索过程中，引入禁忌表用来存放刚刚移动过的“邻居”并在收索过程中循环修改，最优解能容纳较差解，从而跳出局部最优解。遗传算法中的选择和交叉算子实现算法的搜索功能，用以求解全局最优解。变异算子也具有避免局部最优解功能，但不能保留最优解。因此，利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解。
进一步的，所述利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解，包括：
a.初始化粒子群，获取每个粒子的初始位置和速度，设迭代次数N＝1；
b.按下式计算每个粒子的适应度值，并选取最小的适应度值作为当前最优解；
c.判断当前迭代次数N是否等于1000，若是，则令所述当前最优解作为所述微能源网的网络单元的成本目标函数的最优解，并输出所述微能源网的网络单元的成本目标函数的最优解，停止算法；若否，则执行步骤d；
d.判断是否陷入局部最优解，若是，则执行步骤e；若否，则执行步骤f；
e.判断当前最优解是否小于迭代次数为N-30的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数N-30的最优解作为当前禁忌最佳候选解；
令所述当前禁忌最佳候选解替代禁忌表中的最优解，并按下式更新粒子的初始位置和速度：
其中，k∈[1,z]，z为粒子的总数，c1和c2均为学习因子，c1＝2,c2＝2，r1,r2为[0,1]之间的随机数，pl为当前最优解，pg为当前禁忌最佳候选解，令N＝N+1，返回步骤b；
f.判断当前最优解是否小于迭代次数为N-1的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数为N-1的最优解作为当前禁忌最佳候选解；
利用选择算子、交叉算子和遗传算子获取下一代粒子群，令N＝N+1，返回步骤b。
具体的，所述利用选择算子、交叉算子和遗传算子获取下一代粒子群，包括：
设置选择概率
交叉概率pC＝0.4、及变异概率pm＝0.01，根据选择概率p(xs)每次从上一代粒子中随机选择1个个体并复制染色体共做h次，得到新一代粒子群；按照交叉概率pC确定参与交叉个体数量，进行配对交叉，更新所述新一代粒子群，得到新二代粒子群；按照变异概率pm确定参与变异个体数量，更新所述新二代粒子群，得到第N+1一代粒子群；
其中，f(xs)为第s个粒子的适应度值，s∈[1,h]，h为粒子的总数。
具体的，所述判断是否陷入局部最优解，包括：若连续30次迭代的当前最优解相同，则为陷入局部最优解，否则没有陷入局部最优解。
进一步的，在获取预先建立的微能源网的网络单元的成本目标函数的最优解之后，所述步骤102，包括：
根据所述微能源网的网络单元的成本目标函数的最优解获取网络单元中各机组的出力情况，根据所述网络单元中各机组的出力情况调整多能源系统的运行方式。例如，以如图3所示的某地区微能源网为例，通过免疫遗传粒子群优化算法对微能源网进行经济优化调度策略研究。假定天然气价格2.7元/m3；蓄热装置容量3200KW；蓄电池总容量180kw·h，额定充放电功率18KW，初始容量为50％额定总容量；微燃机工作在“以热定电”模式；风速数据服从c＝8、、k＝2.2的Weibull分布模拟得到，切入风速2.5m/s，额定风速12m/s，切出风速25m/s；假设光照强度由Beta分布模拟生成；蓄冷装置容量8000KW；微源网与电网交换电量的协议电价与分时电价相关，出售电价享受政府补贴政策，购入电价与分时电价一致。种群规模为50，迭代次数为400求解算例。表1为各个分布式单元功率参数表，表2为该地区分时电价表。
表1
表2
该微能源网冷、热和电负荷特性如图4所示：在谷电0:00到7:00时间段，微能源网主要供应冷负荷及电负荷，含有少量热负荷；在8:00到12:00及18:00到22:00时间段，系统中冷负荷留存量最高，热负荷较电负荷含量高；在13:00到17:00及23:00到24:00时间段，冷负荷含量最高，电负荷较热负荷含量高；由图可以看出，在0:00到7:00时段，系统冷、电负荷较重，考虑分时电价及燃料费用优先使用风机、电网电量，柴油机、燃料电池及CHP起到辅助发电作用。在8:00到12:00及18:00到22:00时段，此时电价较昂贵，优先考虑光伏、风机、燃料电池、CHP、柴油机设备发电。在13:00到17:00及23:00到24:00时段，保证系统冷负荷、热负荷及电负荷正常前提下，优先考虑光伏、风机发电及电网购电电量，系统剩余电量输送给电网；
如图5所示为微能源网系统优化结果中微燃机输出功率、储能电池输出功率、光伏输出功率、风机输出功率、电网输出功率、燃料电池输出功率和柴油机输出功率。
如图6所示为微能源网系统优化结果中空气源热泵消耗功率和制冷机消耗功率。
本发明还提供一种含多能源耦合的微能源网经济优化调度装置，如图2所示，所述装置包括：
获取单元，用于获取预先建立的微能源网的网络单元的成本目标函数的最优解；
调度单元，用于利用所述最优解对含多能源耦合的微能源网进行调度；
其中，所述预先建立的所述微能源网的网络单元的成本目标函数根据所述微能源网的网络单元的成本建立的。
例如，所述微能源网的网络单元包括：电网络单元、热网络单元、冷网络单元；
所述电网络单元包括：分布式光伏、风电机组、燃料电池、蓄电池储能、柴油机、微型燃气轮机和变压器；电网络公共线分别与变压器、分布式光伏、风电机组、燃料电池、蓄电池储能、柴油机和微型燃气轮机连接；变压器与配电网连接；
所述热网络单元包括：微型燃气轮机、空气源热泵；热网络公共线分别与微型燃气轮机、空气源热泵连接，空气源热泵还与电网络公共线连接；
所述冷网络单元包括：蒸汽吸收制冷机、空气源热泵；所述蒸汽吸收制冷机与微型燃气轮机连接，冷网络公共线分别与蒸汽吸收制冷机、空气源热泵连接。
具体的，所述建立微能源网的网络单元的成本目标函数的过程包括：
按下式确定目标函数minfc：
上式中，NT为运行调度总时间，NDC为微能源网的发电设备的总数量，Cm为风力发电机的运行成本，Cv为光伏发电系统的运行成本，CMT为微型燃气轮机的运行成本，Cso为储能装置的运行成本，Cfc为燃料电池的运行成本，CDL为柴油机的运行成本，Cair为空气源热泵的运行成本，Czl为吸收式制冷机的运行成本，t为时间，pgrid,t为微能源网与主网之间在t时段交换功率，Cpp(pgrid,t)为微能源网向电网购电成本，Isp(pgrid,t)为微能源网向电网售电成本，Nr为空气源热泵的总数量，Nz为蒸汽吸收制冷机的总数量，其中，i∈[1,NDC]，j∈[1,Nr]，k∈[1,Nz]，t∈[1,NT]；
其中，热、电功率等式平衡约束条件为：
上式中，pGn,t为第n个分布电源在t时间段的电功率，pL,t为t时段的电功率，Hm,t为第m个微型燃气轮机t时段的热功率，NMT为微型燃气轮机的总数量，NDG为发电设备的总数量，Hss,t为t时段热功率，HD,t为t时段热负荷功率，psu为电网络联络线的功率损耗，Hsu为热网络联络线的热损耗，其中，m∈[1,NMT]，n∈[1,NDG]；
分布式电源功率不等式约束条件为：
上式中，PGn,t为分布式电源的发电功率，
为分布式电源的最小发电功率，
为分布式电源的最大发电功率；
微能源网与电网的交换功率不等式约束条件为：
上式中，Pgrid为微能源网与电网的交换功率，
为微能源网与电网的最小交换功率，
为微能源网与电网的最大交换功率；
储能电量不等式约束条件为：
上式中，Soc,t为储能电量，
为最小储能电量，
为最大储能电量；
储冷量不等式约束条件为：
上式中，TLL,t为储冷量，
为最小储冷量，
为最大储冷量；
冷量输出功率不等式约束条件为：
上式中，FLL,t为储冷功率，
为最小储冷功率，
为最大储冷功率。
其中，按下式确定风力发电机的运行成本：
Cm＝pWT(v)·t·η(t)·(h(t))
上式中，Cm为风力发电机的运行成本，Cm的单位为元/kwh；t为时间，η(t)为风力发电机的发电效率取，h(t)为风力发电机的单位发电成本；pWT为风力发电机的输出功率；其中，h(t)＝0.6元/kwh，η(t)＝0.75；
其中，按下式确定风力发电机的输出功率：
上式中，pWT为风力发电机输出功率；vin、von、vout分别为风力发电机的切入风速、额定风速、切出风速；pr为风机额定功率；aWT、bWT、cWT由风力发电机风速-功率特性曲线拟合得到；
按下式确定光伏发电系统的运行成本：
Cv＝ppv(G,T)·t·η(t)·g(t)
上式中，Cv为光伏发电系统的运行成本,Cv的单位为元/kwh；t为时间；η(t)为发电效率，g(t)为单位发电成本，其中，η(t)＝11％，g(t)＝0.9元/kwh；
其中，光照强度概率密度数学表达式为：
上式中，Γ为Gamma函数；G和Gmax为实际光照强度和最大光照强度，Gm＝340W/m2；α、β均为参数，其中，G＝287W/m2，α＝3，β＝2；按下式确定光伏电池的输出功率：
上式中，ppv为光伏电池的输出功率，G为实际光照强度，Gstc为标准条件下的光照强度，Tstc为标准条件下的参考温度，k为功率温度系数，T为光伏电池板表面温度，其中，Tstc＝25℃，Gstc＝236W/m2，T＝25℃，k＝0.8；
按下式确定微型燃气轮机的运行成本：
上式中，CMT为微型燃气轮机运行成本，CMT的单位为元/kwh；Cgas为天然气的价格,Cgas的单位为元/m3；ηMT为微型燃气轮机的总运行效率；pe为微型燃气轮机的输出电功率；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；
其中，微型燃气轮机工作在热电联产模式时的数学表达式为：
上式中，ηe为微型燃气轮机发电效率；η1为微型燃气轮机散热损失系数；QHE为烟气余热制热量；QMT为微型燃气轮机的排气余热量；kHE为制热系数；VMT为消耗的天然气量；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；其中，ηe＝30％，η1＝0.66，kHE＝30％，LHVf＝9.7kw.h/m3；并按下式确定微型燃气轮机的总运行效率ηMT：
上式中，mf为天然气的流量；
按下式确定储能装置的运行成本：
Cso＝Ehat·ka·η(t)+Cr+Cu
上式中，Cso为储能装置的运行成本，Cso的单位为元/kwh；η(t)为效率，ka为折旧系数,Cr为保养费用，Cu为回收费用；其中，ka＝0.3；
按下式确定燃料电池的运行成本：
上式中，Cfc为燃料电池的运行成本，pfc(t)为燃料电池功率；ηfc(t)为燃料电池发电效率，LHVf为天然气低热热值；其中，Cfc的单位为元/kwh，LHVf＝9.7kw.h/m3，ηfc(t)＝45％；
按下式确定柴油机的运行成本：
CDL＝∑coil·vDL(t)
上式中，CDL为柴油机的运行成本，CDL的单位为元/m3；VDL(t)为柴油机燃料的消耗体积，coil为燃料价格，并按下式确定柴油机燃料的消耗体积：
vDL(t)＝aDLpDL(t)2+bDLpDL(t)+cDL
上式中，vDL(t)柴油机燃料的消耗体积，为pDL为输出功率；aDL、bDL、cDL均为常数；其中，aDL＝2、bDL＝2.5、cDL＝4；
按下式确定空气源热泵的运行成本：
Cair＝COM(TLL,t)+Cdp(TLL,t)
上式中，Cair为空气源热泵的运行成本，COM(TLL,t)为空气源热泵维护成本，Cdp(TLL,t)为空气源热泵运行成本，其中，Cdp(TLL,t)的单位为元/kwh，COM(TLL,t)的单位为元/kwh，Cair的单位为元/kwh；
按下式确定吸收式制冷机的运行成本：
Czl＝COM(TKK,t)、+Cdp(TKK,t)
上式中，COM(TKK,t)为吸收式制冷机维护成本；Cdp(TKK,t)为吸收式制冷机的折旧成本；其中，Cdp(TKK,t)的单位为元/kwh，COM(TKK,t)的单位为元/kwh。
粒子群算法搜索范围广、收敛速度快，但易陷入局部最优解，出现“早熟”现象。为了克服粒子群算法的缺陷，将遗传与禁忌表融入到粒子群算法中，在搜索过程中，引入禁忌表用来存放刚刚移动过的“邻居”并在收索过程中循环修改，最优解能容纳较差解，从而跳出局部最优解。遗传算法中的选择和交叉算子实现算法的搜索功能，用以求解全局最优解。变异算子也具有避免局部最优解功能，但不能保留最优解。因此，利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解。
进一步的，所述利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解，包括：
a.初始化粒子群，获取每个粒子的初始位置和速度，设迭代次数N＝1；
b.按下式计算每个粒子的适应度值，并选取最小的适应度值作为当前最优解；
c.判断当前迭代次数N是否等于1000，若是，则令所述当前最优解作为所述微能源网的网络单元的成本目标函数的最优解，并输出所述微能源网的网络单元的成本目标函数的最优解，停止算法；若否，则执行步骤d；
d.判断是否陷入局部最优解，若是，则执行步骤e；若否，则执行步骤f；
e.判断当前最优解是否小于迭代次数为N-30的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数N-30的最优解作为当前禁忌最佳候选解；
令所述当前禁忌最佳候选解替代禁忌表中的最优解，并按下式更新粒子的初始位置和速度：
其中，k∈[1,z]，z为粒子的总数，c1和c2均为学习因子，c1＝2,c2＝2，r1,r2为[0,1]之间的随机数，pl为当前最优解，pg为当前禁忌最佳候选解，令N＝N+1，返回步骤b；
f.判断当前最优解是否小于迭代次数为N-1的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数为N-1的最优解作为当前禁忌最佳候选解；
利用选择算子、交叉算子和遗传算子获取下一代粒子群，令N＝N+1，返回步骤b。
具体的，所述利用选择算子、交叉算子和遗传算子获取下一代粒子群，包括：
设置选择概率
交叉概率pC＝0.4、及变异概率pm＝0.01，根据选择概率p(xs)每次从上一代粒子中随机选择1个个体并复制染色体共做h次，得到新一代粒子群；按照交叉概率pC确定参与交叉个体数量，进行配对交叉，更新所述新一代粒子群，得到新二代粒子群；按照变异概率pm确定参与变异个体数量，更新所述新二代粒子群，得到第N+1一代粒子群；
其中，f(xs)为第s个粒子的适应度值，s∈[1,h]，h为粒子的总数。
具体的，所述判断是否陷入局部最优解，包括：若连续30次迭代的当前最优解相同，则为陷入局部最优解，否则没有陷入局部最优解。
进一步的，在获取预先建立的微能源网的网络单元的成本目标函数的最优解之后，所述调度单元，包括：
调度模块，用于根据所述微能源网的网络单元的成本目标函数的最优解获取网络单元中各机组的出力情况，根据所述网络单元中各机组的出力情况调整多能源系统的运行方式。
本发明还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述的一种含多能源耦合的微能源网经济优化调度方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种含多能源耦合的微能源网经济优化调度方法，其特征在于，所述方法包括：
获取预先建立的微能源网的网络单元的成本目标函数的最优解；
利用所述最优解对含多能源耦合的微能源网进行调度；
其中，所述预先建立的所述微能源网的网络单元的成本目标函数根据所述微能源网的网络单元的成本建立的；
建立所述微能源网的网络单元的成本目标函数的过程包括：
按下式确定目标函数min fc：
上式中，NT为运行调度总时间，NDC为微能源网的发电设备的总数量，Cm为风力发电机的运行成本，Cv为光伏发电系统的运行成本，CMT为微型燃气轮机的运行成本，Cso为储能装置的运行成本，Cfc为燃料电池的运行成本，CDL为柴油机的运行成本，Cair为空气源热泵的运行成本，Czl为吸收式制冷机的运行成本，t为时间，pgrid,t为微能源网与主网之间在t时段交换功率，Cpp(pgrid,t)为微能源网向电网购电成本，Isp(pgrid,t)为微能源网向电网售电成本，Nr为空气源热泵的总数量，Nz为蒸汽吸收制冷机的总数量，其中，i∈[1,NDC]，j∈[1,Nr]，k∈[1,Nz]，t∈[1,NT]；
其中，热、电功率等式平衡约束条件为：
上式中，pGn,t为第n个分布电源在t时间段的电功率，pL,t为t时段的电功率，Hm,t为第m个微型燃气轮机t时段的热功率，NMT为微型燃气轮机的总数量，NDG为发电设备的总数量，Hss,t为t时段热功率，HD,t为t时段热负荷功率，psu为电网络联络线的功率损耗，Hsu为热网络联络线的热损耗，其中，m∈[1,NMT]，n∈[1,NDG]；
分布式电源功率不等式约束条件为：
上式中，PGn,t为分布式电源的发电功率，
为分布式电源的最小发电功率，
为分布式电源的最大发电功率；
微能源网与电网的交换功率不等式约束条件为：
上式中，Pgrid为微能源网与电网的交换功率，
为微能源网与电网的最小交换功率，
为微能源网与电网的最大交换功率；
储能电量不等式约束条件为：
上式中，Soc,t为储能电量，
为最小储能电量，
为最大储能电量；
储冷量不等式约束条件为：
上式中，TLL,t为储冷量，
为最小储冷量，
为最大储冷量；
冷量输出功率不等式约束条件为：
上式中，FLL,t为储冷功率，
为最小储冷功率，
为最大储冷功率；
利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解；
所述利用遗传禁忌粒子群优化算法获取所述预先建立的微能源网的网络单元的成本目标函数的最优解，包括：
a.初始化粒子群，获取每个粒子的初始位置和速度，设迭代次数N＝1；
b.按下式计算每个粒子的适应度值，并选取最小的适应度值作为当前最优解；
c.判断当前迭代次数N是否等于1000，若是，则令所述当前最优解作为所述微能源网的网络单元的成本目标函数的最优解，并输出所述微能源网的网络单元的成本目标函数的最优解，停止算法；若否，则执行步骤d；
d.判断是否陷入局部最优解，若是，则执行步骤e；若否，则执行步骤f；
e.判断当前最优解是否小于迭代次数为N-30的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数N-30的最优解作为当前禁忌最佳候选解；
令所述当前禁忌最佳候选解替代禁忌表中的最优解，并按下式更新粒子的初始位置和速度：
其中，k∈[1,z]，z为粒子的总数，c1和c2均为学习因子，c1＝2,c2＝2，r1,r2为[0,1]之间的随机数，pl为当前最优解，pg为当前禁忌最佳候选解，令N＝N+1，返回步骤b；
f.判断当前最优解是否小于迭代次数为N-1的最优解，若是，则令当前最优解作为当前禁忌最佳候选解；若否，则令迭代次数为N-1的最优解作为当前禁忌最佳候选解；
利用选择算子、交叉算子和遗传算子获取下一代粒子群，令N＝N+1，返回步骤b；
所述利用选择算子、交叉算子和遗传算子获取下一代粒子群，包括：
设置选择概率
交叉概率pC＝0.4、及变异概率pm＝0.01，根据选择概率p(xs)每次从上一代粒子中随机选择1个个体并复制染色体共做h次，得到新一代粒子群；按照交叉概率pC确定参与交叉个体数量，进行配对交叉，更新所述新一代粒子群，得到新二代粒子群；按照变异概率pm确定参与变异个体数量，更新所述新二代粒子群，得到第N+1一代粒子群；
其中，f(xs)为第s个粒子的适应度值，s∈[1,h]，h为粒子的总数。
2.如权利要求1所述的方法，其特征在于，按下式确定风力发电机的运行成本：
Cm＝pWT(v)·t·η(t)·(h(t))
上式中，Cm为风力发电机的运行成本，Cm的单位为元/kwh；t为时间，η(t)为风力发电机的发电效率取，h(t)为风力发电机的单位发电成本；pWT为风力发电机的输出功率；其中，h(t)＝0.6元/kwh，η(t)＝0.75；
其中，按下式确定风力发电机的输出功率：
上式中，pWT为风力发电机输出功率；vin、von、vout分别为风力发电机的切入风速、额定风速、切出风速；pr为风机额定功率；aWT、bWT、cWT由风力发电机风速-功率特性曲线拟合得到；
按下式确定光伏发电系统的运行成本：
Cv＝ppv(G,T)·t·η(t)·g(t)
上式中，Cv为光伏发电系统的运行成本,Cv的单位为元/kwh；t为时间；η(t)为发电效率，g(t)为单位发电成本，其中，η(t)＝11％，g(t)＝0.9元/kwh；
其中，光照强度概率密度数学表达式为：
上式中，Γ为Gamma函数；G和Gmax为实际光照强度和最大光照强度，Gm＝340W/m2；α、β均为参数，其中，G＝287W/m2，α＝3，β＝2；按下式确定光伏电池的输出功率：
上式中，ppv为光伏电池的输出功率，G为实际光照强度，Gstc为标准条件下的光照强度，Tstc为标准条件下的参考温度，k为功率温度系数，T为光伏电池板表面温度，其中，Tstc＝25℃，Gstc＝236W/m2，T＝25℃，k＝0.8；
按下式确定微型燃气轮机的运行成本：
上式中，CMT为微型燃气轮机运行成本，CMT的单位为元/kwh；Cgas为天然气的价格,Cgas的单位为元/m3；ηMT为微型燃气轮机的总运行效率；pe为微型燃气轮机的输出电功率；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；
其中，微型燃气轮机工作在热电联产模式时的数学表达式为：
上式中，ηe为微型燃气轮机发电效率；η1为微型燃气轮机散热损失系数；QHE为烟气余热制热量；QMT为微型燃气轮机的排气余热量；kHE为制热系数；VMT为消耗的天然气量；LHVf为天然气低热热值；Δt为微燃气轮机消耗天然气的时间间隔；其中，ηe＝30％，η1＝0.66，kHE＝30％，LHVf＝9.7kw.h/m3；并按下式确定微型燃气轮机的总运行效率ηMT：
上式中，mf为天然气的流量；
按下式确定储能装置的运行成本：
Cso＝Ehat·ka·η(t)+Cr+Cu
上式中，Cso为储能装置的运行成本，Cso的单位为元/kwh；η(t)为效率，ka为折旧系数,Cr为保养费用，Cu为回收费用；其中，ka＝0.3；
按下式确定燃料电池的运行成本：
上式中，Cfc为燃料电池的运行成本，pfc(t)为燃料电池功率；ηfc(t)为燃料电池发电效率，LHVf为天然气低热热值；其中，Cfc的单位为元/kwh，LHVf＝9.7kw.h/m3，ηfc(t)＝45％；
按下式确定柴油机的运行成本：
CDL＝∑coilvDL(t)
上式中，CDL为柴油机的运行成本，CDL的单位为元/m3；VDL(t)为柴油机燃料的消耗体积，coil为燃料价格，并按下式确定柴油机燃料的消耗体积：
vDL(t)＝aDLpDL(t)2+bDLpDL(t)+cDL
上式中，vDL(t)柴油机燃料的消耗体积，为pDL为输出功率；aDL、bDL、cDL均为常数；其中，aDL＝2、bDL＝2.5、cDL＝4；
按下式确定空气源热泵的运行成本：
Cair＝COM(TLL,t)+Cdp(TLL,t)
上式中，Cair为空气源热泵的运行成本，COM(TLL,t)为空气源热泵维护成本，Cdp(TLL,t)为空气源热泵运行成本，其中，Cdp(TLL,t)的单位为元/kwh，COM(TLL,t)的单位为元/kwh，Cair的单位为元/kwh；
按下式确定吸收式制冷机的运行成本：
Czl＝COM(TKK,t)+Cdp(TKK,t)
上式中，COM(TKK,t)为吸收式制冷机维护成本；Cdp(TKK,t)为吸收式制冷机的折旧成本；其中，Cdp(TKK,t)的单位为元/kwh，COM(TKK,t)的单位为元/kwh。
3.如权利要求1所述的方法，其特征在于，所述判断是否陷入局部最优解，包括：若连续30次迭代的当前最优解相同，则为陷入局部最优解，否则没有陷入局部最优解。
4.如权利要求1所述的方法，其特征在于，所述利用所述最优解对含多能源耦合的微能源网进行调度，包括：
根据所述微能源网的网络单元的成本目标函数的最优解获取网络单元中各机组的出力情况，根据所述网络单元中各机组的出力情况调整多能源系统的运行方式。
5.一种含多能源耦合的微能源网经济优化调度装置，用于执行如权利要求1-4任一项所述的方法，其特征在于，所述装置包括：
获取单元，用于获取预先建立的微能源网的网络单元的成本目标函数的最优解；
调度单元，用于利用所述最优解对含多能源耦合的微能源网进行调度；
其中，所述预先建立的所述微能源网的网络单元的成本目标函数根据所述微能源网的网络单元的成本建立的。
6.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至4任一项所述的一种含多能源耦合的微能源网经济优化调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810360700.XA CN110391655B (zh) | 2018-04-20 | 2018-04-20 | 一种含多能源耦合的微能源网经济优化调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810360700.XA CN110391655B (zh) | 2018-04-20 | 2018-04-20 | 一种含多能源耦合的微能源网经济优化调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110391655A CN110391655A (zh) | 2019-10-29 |
| CN110391655B true CN110391655B (zh) | 2023-02-03 |
Family
ID=68283388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810360700.XA Active CN110391655B (zh) | 2018-04-20 | 2018-04-20 | 一种含多能源耦合的微能源网经济优化调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110391655B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101632B (zh) * | 2020-08-21 | 2022-07-05 | 湘潭大学 | 基于分布式估计算法楼宇负荷优化调度方法 |
| CN112200367B (zh) * | 2020-10-09 | 2021-05-28 | 河北工业大学 | 一种支持充放电策略的电动汽车配送路径优化方法 |
| CN112308433B (zh) * | 2020-11-03 | 2023-11-24 | 东北电力大学 | 一种风电电力调度方法及系统 |
| CN113379104A (zh) * | 2021-05-21 | 2021-09-10 | 青海大学 | 微能源网实时调控方法和系统、电子设备及可读存储介质 |
| CN113489004B (zh) * | 2021-07-20 | 2023-04-07 | 中国人民解放军陆军勤务学院 | 一种多能源供电系统经济运行的优化方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103346562B (zh) * | 2013-07-11 | 2015-06-17 | 江苏省电力设计院 | 计及需求响应的多时间尺度微网能量控制方法 |
| CN104135025B (zh) * | 2014-05-30 | 2017-01-18 | 国家电网公司 | 基于模糊粒子群算法的微网并网经济优化方法 |
| US10290064B2 (en) * | 2014-10-21 | 2019-05-14 | Accenture Global Services Limited | System, method and apparatus for capacity determination for micro grid and tangible computer readable medium |
| 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 |
| CN104682405B (zh) * | 2015-03-31 | 2018-01-12 | 福州大学 | 一种基于禁忌粒子群算法的配电网无功优化方法 |
| CN105225022A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种热电联产型微电网的经济性优化运行方法 |
| CN107203136A (zh) * | 2017-06-08 | 2017-09-26 | 国网甘肃省电力公司电力科学研究院 | 一种智慧农业大棚微型能源网的优化调度方法及装置 |
-
2018
- 2018-04-20 CN CN201810360700.XA patent/CN110391655B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110391655A (zh) | 2019-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
| CN110391655B (zh) | 一种含多能源耦合的微能源网经济优化调度方法及装置 | |
| CN109193626B (zh) | 一种分布式能源站选型与定容优化规划统一求解方法 | |
| Lingmin et al. | Energy flow optimization method for multi-energy system oriented to combined cooling, heating and power | |
| 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 | |
| Luo et al. | Design and analysis of a combined desalination and standalone CCHP (combined cooling heating and power) system integrating solar energy based on a bi-level optimization model | |
| Wu et al. | Multi-objective and multi-algorithm operation optimization of integrated energy system considering ground source energy and solar energy | |
| CN109523065B (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
| CN110826815B (zh) | 一种考虑综合需求响应的区域综合能源系统运行优化方法 | |
| CN107807523A (zh) | 考虑分时电价的区域能源互联网多源协调优化运行策略 | |
| CN107358345B (zh) | 计及需求侧管理的分布式冷热电联供系统优化运行方法 | |
| CN102509175B (zh) | 分布式供电系统可靠性优化方法 | |
| CN106022503A (zh) | 面向具有耦合型电冷热需求的微电网容量规划方法 | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN104537443A (zh) | 一种热电联供型微网经济协调优化调度方法 | |
| CN110363353A (zh) | 一种分布式综合能源系统的优化设计和调度方法及系统 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN116307077A (zh) | 一种冷热电联供型微网系统运行优化方法 | |
| CN115170343A (zh) | 一种区域综合能源系统分布式资源和储能协同规划方法 | |
| CN107730032B (zh) | 一种泛能网电冷热三联供优化调度系统及方法 | |
| CN112131712A (zh) | 客户侧多能源系统多目标优化方法和系统 | |
| CN113128868B (zh) | 一种区域综合能源系统调度优化方法及装置 | |
| Zhao et al. | Optimal configuration of grid connected microgrid considering CCHP and analysis of energy saving and emission reduction | |
| CN109255487A (zh) | 一种基于标准化矩阵模型的综合能源系统优化方法 | |
| CN113553718A (zh) | 一种绿色数据中心综合供能系统设备容量的配置方法 |
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 |