CN110400090A - 一种基于多目标随机优化的智能园区多能源微网配置方法 - Google Patents

一种基于多目标随机优化的智能园区多能源微网配置方法 Download PDF

Info

Publication number
CN110400090A
CN110400090A CN201910702345.4A CN201910702345A CN110400090A CN 110400090 A CN110400090 A CN 110400090A CN 201910702345 A CN201910702345 A CN 201910702345A CN 110400090 A CN110400090 A CN 110400090A
Authority
CN
China
Prior art keywords
node
investment
heat
capacity
representing
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
CN201910702345.4A
Other languages
English (en)
Other versions
CN110400090B (zh
Inventor
罗金满
封祐钧
尹稚玲
易椿杰
王傲
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.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong 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 Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910702345.4A priority Critical patent/CN110400090B/zh
Publication of CN110400090A publication Critical patent/CN110400090A/zh
Application granted granted Critical
Publication of CN110400090B publication Critical patent/CN110400090B/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
    • G06Q10/04—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种多目标随机优化的智能园区多能源微网配置方法，包括以下步骤：S1、以智能园区内多能源微网配置系统投资和运营的经济性为目标，以热电置换设备、可再生分布式电源以及电储能设备投资决策及投资容量为约束条件，构建基于容量配置导向的多能源微网配置优化模型；S2、以降低模型中非线性目标函数和约束条件的求解难度为目标，优化具有固定容量的热电置换设备、可再生分布式电源以及电储能设备的相应配置决策方案，构建基于元件配置导向的多能源微网配置优化模型，该方法构建的模型具有更好的经济性和减排优势，降低了对传统单一能源供应系统的依赖程度，从而更好、更高效地消纳利用可再生能源，降低系统的整体的碳排放强度。

Description

一种基于多目标随机优化的智能园区多能源微网配置方法
技术领域
本发明实施例涉及多能源互联系统技术领域，尤其涉及一种基于多目标随机优化的智能园区多能源微网配置方法。
背景技术
构建涵盖不同能源类型的多能源互联系统，是提升能源终端利用效率，推动我国能源革命的重要技术手段。园区级多能源微网或者分布式多能源系统是未来实现不同类型能源系统互联互补，满足终端不同类型能源需求的重要抓手和切入点。如何科学合理地制定多能源微网规划及不同类型能量单元在多能源微网中的配置方案是引导多能源微网有序建设，保证多能源微网项目投资经济性的关键。
在未来放松管制的电力/能源市场环境下，多能源微网运营商在制定多能源微网规划和投资方案时，相较于传统微网规划方面，将面临更多的不确定性。一方面，多能源微网运营商作为区域内的综合能源服务商，需要为用户提供除了用电服务之外，用热、用冷甚至用气等其他类型的用能服务，就必须在规划层面上考虑不同类型用能负荷不确定性，适当配置能量转换以及不同类型的储能装置，保证系统内各类型能源供应的可靠性；另一方面，多能源微网运营商作为独立的市场主体，将面临上游能源批发市场以及区域内分布式电源出力的不确定性。
发明内容
为此，本发明实施例提供一种多目标随机优化的智能园区多能源微网配置方法，采用两种不同规划模型构建思路以及不同的外部规划环境建立多能源微网配置优化模型，使得该模型具有更好的经济性和减排优势，降低了对传统单一能源供应系统的依赖程度，也使得系统具有更好的“弹性”，从而更好、更高效地消纳利用可再生能源，降低系统的整体的碳排放强度，以解决现有技术中由于规划层面上考虑不同类型用能负荷的不确定性以及对传统单一能源供应系统的依赖程度较高的问题。
为了实现上述目的，本发明的实施方式提供如下技术方案：
一种多目标随机优化的智能园区多能源微网配置方法，包括以下步骤：
S1、以智能园区内多能源微网配置系统投资和运营的经济性为目标，以热电置换设备、可再生分布式电源以及电储能设备的投资决策及投资容量为约束条件，构建基于容量配置导向的多能源微网配置优化模型；
S2、以降低模型中非线性目标函数和约束条件的求解难度为目标，优化具有固定容量的热电置换设备、可再生分布式电源以及电储能设备的相应配置决策方案，构建基于元件配置导向的多能源微网配置优化模型。
作为本发明的一种优选方案，步骤S1中所述容量配置导向模型通过线性加权的方式构建目标函数，表示如下：
F1(x)＝minCT＝CI+COM，
式中，目标函数F1(x)表示系统总年费成本最小；目标函数F1(x)表示系统碳排放强度最低；CT为系统总年费成本；CI，COM分别表示多能源微网中各元件设备的投资年费成本和运行维护成本；表示系统的碳排放强度；分别表示多能源微网内部能量生产和外部购置能量所包含的碳排放强度。
作为本发明的一种优选方案，所述目标函数通过约束条件构建下层优化模型，然后利用多目标随机优化方法对单目标进行优化处理，所述约束条件包括能量平衡约束、热力管道拓扑结构约束、电储能设备和蓄热设备投资和运行约束、分布式光伏和光热设备投资和运行约束、热泵投资和运行约束、吸收式制冷机投资和运行约束以及燃气锅炉投资和运行约束。
作为本发明的一种优选方案，不同所述约束条件如下所示：
所述能量平衡约束包括不同场景下某节点处的电功率平衡、热功率平衡和冷平衡约束，表达式如下：
其中，公式均分别表示在规划场景ωi下t时段检测到的数据，Nω表示规划场景，表示节点i处分布式光伏出力；分别表示节点i处电储能设备的放电和充电功率；分别表示节点i处的主网输入和向主网供电功率；分别表示节点j向节点i以及节点i向节点j注入的电功率，分别表示节点i处吸收式制冷机充放电功率；O(i)表示与节点i相连接节点的集合；θe表示所在区域的综合线损率。表示节点 i处CHP和光热设备的热功率；分别表示节点i处蓄热设备的放热和蓄热功率；为节点i处热泵的热功率；分别表示节点j向节点i注入功率以及节点i向节点j注入的热功率；分别表示节点i 的电、冷负荷需求；分别表示节点i的热水加热负荷和其他热负荷需求的大小；表示节点i的处热泵的电功率；θth表示单位长度热管道的热损耗；分别表示节点i处热泵和吸收式制冷机的冷功率， 分别表示节点i处吸热功率和冷功率；
所述热力管道拓扑结构约束包括供热节点的约束和热力管道拓扑结构约束，表达式如下：
式中，NI表示供热节点，表示任意两个节点i和j 之间的上游供热点，Oi、Oj分别表示供热节点处的节点度数的数量，分别表示节点j向节点i注入功率以及节点i向节点j注入的热功率，M表示节点系数；
所述设备选择约束表达式为：
式中，分别表示在节点i处投资热泵以及吸收式制冷机的0-1决策变量，Yi st、Yi pv分别表示光热和分布式光伏的占地约束，Yi表示同一用户节点具有安装光热和分布式光伏条件的有限面积；
所述CHP投资和运行约束表达式为：
其中，分别表示单一节点上CHP投资容量的上下限；表示单一节点上CHP投资容量，表示单一节点上的投资决策，分别表示CHP的电转换和热转换效率；分别表示CHP的电出力功率和热出力功率；公式为CHP天然气消耗量约束；
所述电储能设备和蓄热设备投资和运行约束表达式为：
式中，、分别表示单一节点上电储能设备和蓄热设备投资容量；分别表示单一节点上电储能设备和蓄热设备投资容量的上限； 分别表示蓄热设备的储热和放热效率；表示在规划场景ωi下t 时段节点i处的的电储能设备和蓄热设备的蓄电量，分别表示蓄热设备的储热和放热功率，分别表示蓄热设备的储热和放热总功率；
所述分布式风机投资和运行约束表达式：
式中，为0-1变量，表示节点i处是否具有分布式风机安装条件；表示单一节点上分布式风机投资容量上限；为在规划场景ωi下t时段节点 i处的风速；vci，vrat和vco分别表示风机的切入、额定和切出风速；
所述分布式光伏和光热设备投资和运行约束表达式：
式中，表示分布式光伏的设备投资和运行约束；表示光热设备的投资和运行约束；θi pv表示节点i处单位面积光伏装机容量；表示单一节点上分布式光伏的投资容量上限；ri,ω,t表示规划场景ωi下t时段节点i处的光照辐射强度；分别表示分布式光伏以及分布式风热设备额定光照辐射强度；ηpv，ηst分别表示分布式光伏和光热设备发电和制热效率系数；
所述热泵投资和运行约束表达式为：
式中，表示节点i处热泵的投资决策0-1变量；为0-1变量，分别表示规划场景ωi下t时段节点i处热泵是处于制热还是制冷工况； 表示单一节点上热泵的投资容量上下限；为热工况下计算热泵可用容量的辅助变量，为工况指示变量、为热泵投资容量，为热泵制热和制冷功率上下限，分别表示热泵的制热和制冷效率系数；
所述吸收式制冷机投资和运行约束表达式为：
式中，表示节点i处吸收式制冷机的投资决策0-1变量；分别表示单一节点中吸收式制冷机投资容量的上下限；ηch表示吸收式制冷机的效率系数；
所述燃气锅炉投资和运行约束表达式为：
式中，Si bo表示节点i处燃气锅炉的投资决策0-1变量；分别表示单一节点中燃气锅炉投资容量的上下限；ηbo表示燃气锅炉的燃烧工作效率系数。
作为本发明的一种优选方案，步骤S2中所述元件配置导向模型中综合考虑系统总年费成本最小和碳排放强度最低，通过将投资容量设定为由可供选择的设备集决定，构建目标函数，表示如下：
式中，Ωchp∈Πchp，Ωhp∈Πhp，Ωch∈Πch，Ωbo∈Πbo分别表示CHP、热泵、吸收式制冷机以及燃气锅炉可选择设备的指示序数；Πchp，Πhp，Πch，Πbo分别表示CHP、热泵、吸收式制冷机以及燃气锅炉可供选择的设备集；为0-1决策变量，表示节点i处是否选择安装指示序数为Ωchp的CHP； 分别表示对应设备的容分别表示节点i处所选择的设备序数为Ωchp，Ωch，Ωhp，Ωbo的CHP、吸收式制冷机、燃气锅炉和热泵在规划场景ωi下t时段的电出力、耗热量、供热量和耗电量。
作为本发明的一种优选方案，所述目标函数以并网状态下系统总年费成本最小和碳排放强度最低为目标，考虑能量平衡约束、设备选型约束、CHP 投资和运行约束、热泵投资和运行约束、吸收式制冷机投资和运行约束以及燃气锅炉投资和运行约束，构建下层优化模型，然后利用多目标随机优化方法对单目标进行优化处理。
作为本发明的一种优选方案，不同所述约束条件如下所示：
所述能量平衡约束表达式为：
式中， 为节点i处设备序数为Ωchp的CHP在规划场景ωi下t时段的热出力；分别表示节点i处设备序数为Ωhp的热泵在规划场景ωi下t时段的供热量和供冷量；表示节点i处设备序数为Ωch的吸收制冷机在规划场景ωi下t时段的供冷量；
所述设备选型约束表达式为：
式中， 分别表示在某一节点i处CHP和燃气锅炉设备容量总和，表示热泵和吸收式制冷机在同一用户节点容量总和；
所述CHP投资和运行约束表达式为：
式中，表示指示序数为Ωchp的CHP设备容量，为确定值。
所述热泵投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωhp热泵的决策0-1变量；表示序数为Ωhp热泵的容量，为确定值。
所述吸收式制冷机投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωch热泵的决策0-1变量；表示序数为Ωch热泵的容量，为确定值，表示节点i处序数为Ωch热泵的容量，表示节点i处序数为Ωch热泵热功率；
所述燃气锅炉投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωbo燃气锅炉的决策0-1 变量；表示序数为Ωbo热泵的容量，为确定值，表示节点燃气锅炉热功率，表示节点i处是否选择安装指示序数为Ωbo燃气锅炉的决策因影响因子，ηbo表示序数为Ωbo热泵的效率。
本发明的实施方式具有如下优点：
本发明采用两种不同的规划模型构建多能源微网配置方法，使得该多能源微网较传统微网具有更好的经济性和减排优势，尤其是储能和不同类型供热设备的接入能够进一步实现用户的不同类型用能需求之间的互补性，降低对传统单一能源供应系统的依赖程度，也使得系统具有更好的“弹性”，从而更好、更高效地消纳利用可再生能源，降低系统的整体的碳排放强度。
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性的前提下，还可以根据这些附图获得其它的附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施方式中两种模型的基本框架流程图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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。
在本发明的描述中，需要理解的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。当一个组件被认为是“设置在”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中设置的组件。
此外，术语“长”“短”“内”“外”等指示方位或位置关系为基于附图所展示的方位或者位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或原件必须具有此特定的方位、以特定的方位构造进行操作，以此不能理解为本发明的限制。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
如图1所示，本发明提供了一种多目标随机优化的智能园区多能源微网配置方法，主要考虑CHP、热泵、吸收式制冷机、燃气锅炉、等热电置换设备以及传统微电网中可再生分布式电源以及电储能设备的规划投资决策；同时考虑到当前多能源微网或者区域综合能源系统大多数是基于已有传统微电网的基础设施或者基本架构，在实际工程中采用两种规划模型，首先采用“容量配置导向”规划模型准确地确定各个元件的投资容量，为多能源微网运营商提供更准确的决策分析工具，再采用“元件配置导向”规划模型对模型进行线性化处理，降低模型中的非线性目标函数和约束模型的求解难度。
具体地，包括以下步骤：
S1、以智能园区内多能源微网配置系统投资和运营的经济性为目标，以热电置换设备、可再生分布式电源以及电储能设备投资决策及投资容量为约束条件，构建基于容量配置导向的多能源微网配置优化模型；
S2、以降低模型中非线性目标函数和约束条件的求解难度为目标，优化具有固定容量的热电置换设备、可再生分布式电源以及电储能设备的相应配置决策方案，构建基于元件配置导向的多能源微网配置优化模型。
步骤S1中所述容量配置导向模型中综合考虑系统总年费成本最小和碳排放强度最低，通过线性加权的方式构建目标函数，表示如下：
F1(x)＝minCT＝CI+COM
式中，目标函数F1(x)表示系统总年费成本最小；目标函数F1(x)表示系统碳排放强度最低；CT为系统总年费成本；CI，COM分别表示多能源微网中各元件设备的投资年费成本和运行维护成本；表示系统的碳排放强度；分别表示多能源微网内部能量生产和外部购置能量所包含的碳排放强度。
本实施例中，CI，COM，的具体数学表述形式如公式如下：
式中，分别表示CHP、吸收式制冷机、热泵、分布式光伏、分布式风机、燃气锅炉、光热、电储能、蓄热设备以及热力管网设备等值年金的资金回收系数，Ωi表示多能源微网中可选择接入设备的集合；表示多能源微网中可选择接入设备的集合系数，表示CHP固定建设成本，则表示CHP随建设容量变化的变动成本，为CHP投资建设的0-1决策变量，为CHP投资建设容量； 分别表示吸收式制冷机、热泵、分布式光伏、分布式风机、燃气锅炉、电储能和蓄热设备的投资容量；Yi st表示光热建设面积； 分别表示对应元件设备的单位容量/面积的投资成本；表示从节点i到节点j所需铺设的供热管道长度；表示以节点i 为上游供应节点向节点j铺设供热管道的0-1决策变量；
式中，表示规划场景ωi的概率；分别表示规划场景ωi中t时刻的天然气价格和日前电价；分别表示CHP和燃气锅炉在规划场景ωi中t时刻的天然气消费量，则表示多能源微网向主网购入和卖出电量；δchp，δch，δbo，δwt，δhp，δpv，δst，δes，δhs分别表示CHP、吸收式制冷机、燃气锅炉、分布式风机、热泵、分布式光伏、光热、电储能和蓄热设备的单位容量/面积维修成本，其中CHP和分布式风机与其在某时刻实际的电出力相关；燃气锅炉与其在某时刻实际的热出力有关；吸收式制冷机与在某时刻其消耗的热量有关；热泵与其在某时刻实际消耗电量有关；分布式光伏和光热则与其建设规模Yi st有关；电储能和蓄热设备则与其在某时刻实际所存储的电能和热能大小有关；
式中，表示多能源微网内部和外部能量消耗所带来的碳排放强度，fG和fE grid分别表示单位立方米天然气的碳排放强度以及主网所购买的单位千万时电能所包含的碳排放强度。
所述目标函数以并网状态下系统总年费成本最小和碳排放强度最低为目标，考虑能量平衡约束、热力管道拓扑结构约束、电储能设备和蓄热设备投资和运行约束、分布式光伏和光热设备投资和运行约束、热泵投资和运行约束、吸收式制冷机投资和运行约束以及燃气锅炉投资和运行约束，构建下层优化模型，然后利用多目标随机优化方法对单目标进行优化处理。
不同所述约束条件如下所示：
所述能量平衡约束包括不同场景下某节点处的电功率平衡、热功率平衡和冷平衡约束，表达式如下：
其中，公式均分别表示在规划场景ωi下t时段检测到的数据，Nω表示规划场景。表示节点i处分布式光伏出力；分别表示节点i处电储能设备的放电和充电功率；分别表示节点i处的主网输入和向主网供电功率；分别表示节点j向节点i以及节点i向节点j注入的电功率，分别表示节点i处吸收式制冷机充放电功率；O(i)表示与节点i相连接节点的集合；θe表示所在区域的综合线损率。表示节点 i处CHP和光热设备的热功率；分别表示节点i处蓄热设备的放热和蓄热功率；为节点i处热泵的热功率；分别表示节点j向节点i注入功率以及节点i向节点j注入的热功率；分别表示节点i 的电、冷负荷需求；分别表示节点i的热水加热负荷和其他热负荷需求的大小；表示节点i的处热泵的电功率；θth表示单位长度热管道的热损耗；分别表示节点i处热泵和吸收式制冷机的冷功率， 分别表示节点i处吸热功率和冷功率；
本实施例中，根据电功率平衡、热平衡和冷平衡功率表达式建立多能源微网与主网之间的功率交换约束，表达式如下式所示：
使得多能源微网不能在同一时刻既向主网售电又向主网卖电；
根据以上交换公式约定节点之间电功率交换约束条件为：
所述热力管道拓扑结构约束包括供热节点的约束和热力管道拓扑结构约束，表达式如下：
式中，NI表示供热节点，表示任意两个节点i和j 之间的上游供热点，Oi、Oj分别表示供热节点处的节点度数的数量，分别表示节点j向节点i注入功率以及节点i向节点j注入的热功率，M表示节点系数；
本实施例中，根据热力管道所构成的有向图中节点的度数限制，避免了该有向图中存在环路，采用多能源微网热力管道的拓扑结构约束，主要是考虑实际中热力管网基本以树状结构铺设，从而避免热量回流，造成供热系统压力和热量控制困难，式表示热力管道建设对于节点间热量交换的影响约束。
所述设备选择约束表达式为：
式中，分别表示在节点i处投资热泵以及吸收式制冷机的0-1决策变量，Yi st、Yi pv分别表示光热和分布式光伏的占地约束，Yi表示同一用户节点具有安装光热和分布式光伏条件的有限面积；
本实施例中，热泵和吸收式制冷机在同一用户节点只能选择安装一种，主要是考虑到用户室内或者楼宇内可供安装空间限制，同时，由于光热和分布式光伏的占地约束，同一用户节点具有安装光热和分布式光伏条件的面积是有限的，两者投资具有一定的互斥性。
所述CHP投资和运行约束表达式为：
其中，分别表示单一节点上CHP投资容量的上下限；表示单一节点上CHP投资容量，表示单一节点上的投资决策，分别表示CHP的电转换和热转换效率；分别表示CHP的电出力功率和热出力功率；公式为CHP天然气消耗量约束；
所述电储能设备和蓄热设备投资和运行约束表达式为：
式中，、分别表示单一节点上电储能设备和蓄热设备投资容量；分别表示单一节点上电储能设备和蓄热设备投资容量的上限； 分别表示蓄热设备的储热和放热效率；表示在规划场景ωi下t 时段节点i处的的电储能设备和蓄热设备的蓄电量，分别表示蓄热设备的储热和放热功率，分别表示蓄热设备的储热和放热总功率；
所述分布式风机投资和运行约束表达式：
式中，为0-1变量，表示节点i处是否具有分布式风机安装条件；表示单一节点上分布式风机投资容量上限；为在规划场景ωi下t时段节点 i处的风速；vci，vrat和vco分别表示风机的切入、额定和切出风速；
所述分布式光伏和光热设备投资和运行约束表达式：
式中，表示分布式光伏的设备投资和运行约束；表示光热设备的投资和运行约束；表示节点i处单位面积光伏装机容量；表示单一节点上分布式光伏的投资容量上限；ri,ω,t表示规划场景ωi下t时段节点i处的光照辐射强度；分别表示分布式光伏以及分布式风热设备额定光照辐射强度；ηpv，ηst分别表示分布式光伏和光热设备发电和制热效率系数；
所述热泵投资和运行约束表达式为：
式中，表示节点i处热泵的投资决策0-1变量；为0-1变量，分别表示规划场景ωi下t时段节点i处热泵是处于制热还是制冷工况； 表示单一节点上热泵的投资容量上下限；为热工况下计算热泵可用容量的辅助变量，为工况指示变量、为热泵投资容量，为热泵制热和制冷功率上下限，分别表示热泵的制热和制冷效率系数；
所述吸收式制冷机投资和运行约束表达式为：
式中，表示节点i处吸收式制冷机的投资决策0-1变量；分别表示单一节点中吸收式制冷机投资容量的上下限；ηch表示吸收式制冷机的效率系数；
所述燃气锅炉投资和运行约束表达式为：
式中，表示节点i处燃气锅炉的投资决策0-1变量；分别表示单一节点中燃气锅炉投资容量的上下限；ηbo表示燃气锅炉的燃烧工作效率系数。
本实施例中，“元件配置导向”规划模型仍是以系统总年费成本最小和碳排放强度最低为目标，与“容量配置导向”规划模型不同的是，该模型中 CHP、热泵、吸收式制冷机以及燃气锅炉投资容量不再是连续决策变量，而是由可供选择的设备集决定，设备集中的设备投资容量均是确定值，即“元件配置导向”主要是一个投资决策和设备选型问题，基于上述假设，“元件配置导向”规划模型的目标函数构成与“容量配置导向”规划模型基本相同。
步骤S2中所述元件配置导向模型中综合考虑系统总年费成本最小和碳排放强度最低，通过将投资容量设定为由可供选择的设备集决定，构建目标函数，表示如下：
式中，Ωchp∈Πchp，Ωhp∈Πhp，Ωch∈Πch，Ωbo∈Πbo分别表示CHP、热泵、吸收式制冷机以及燃气锅炉可选择设备的指示序数；Πchp，Πhp，Πch，Πbo分别表示CHP、热泵、吸收式制冷机以及燃气锅炉可供选择的设备集；为0-1决策变量，表示节点i处是否选择安装指示序数为Ωchp的CHP； 分别表示对应设备的容分别表示节点i处所选择的设备序数为Ωchp，Ωch，Ωhp，Ωbo的CHP、吸收式制冷机、燃气锅炉和热泵在规划场景ωi下t时段的电出力、耗热量、供热量和耗电量。
所述目标函数以并网状态下系统总年费成本最小和碳排放强度最低为目标，考虑能量平衡约束、设备选型约束、CHP投资和运行约束、热泵投资和运行约束、吸收式制冷机投资和运行约束以及燃气锅炉投资和运行约束，构建下层优化模型，然后利用多目标随机优化方法对单目标进行优化处理。
不同所述约束条件如下所示：
所述能量平衡约束表达式为：
式中， 为节点i处设备序数为Ωchp的CHP在规划场景ωi下t时段的热出力；分别表示节点i处设备序数为Ωhp的热泵在规划场景ωi下t时段的供热量和供冷量；表示节点i处设备序数为Ωch的吸收制冷机在规划场景ωi下t时段的供冷量；
所述设备选型约束表达式为：
式中， 分别表示在某一节点i处CHP和燃气锅炉设备容量总和，表示热泵和吸收式制冷机在同一用户节点容量总和；
本实施例中，热泵和吸收式制冷机在同一用户节点只能选择安装一种，且也只能在可选择的设备类型中选择一种，且对于光热和分布式光伏占用面积的约束仍与容量配置导向模型中相同
所述CHP投资和运行约束表达式为：
式中，表示指示序数为Ωchp的CHP设备容量，为确定值。
本实施例中，热泵投资和运行约束需要对“容量配置导向”规划模型中公式进行调整，因为热泵投资容量在元件配置导向模型中不再是连续变量，变成了确定值，所以不要再设置辅助变量对约束进行线性化处理。
所述热泵投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωhp热泵的决策0-1变量；表示序数为Ωhp热泵的容量，为确定值。
所述吸收式制冷机投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωch热泵的决策0-1变量；表示序数为Ωch热泵的容量，为确定值，表示节点i处序数为Ωch热泵的容量，表示节点i处序数为Ωch热泵热功率；
所述燃气锅炉投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωbo燃气锅炉的决策0-1 变量；表示序数为Ωbo热泵的容量，为确定值，表示节点燃气锅炉热功率，表示节点i处是否选择安装指示序数为Ωbo燃气锅炉的决策因影响因子，ηbo表示序数为Ωbo热泵的效率。
本实施例中，基于某一微网试点项目中用户热/电负荷以及负荷节点分布距离的实际数据，在Matlab2014a软件环境下调用CPLEX求解器对上述智能园区多能源微网配置模型进行求解。
(1)模型参数和随机场景
该微网试点项目共有8个负荷集群，其中负荷集群1-5主要为居民用户负荷，负荷集群6-7为小型商业负荷，而负荷集群8主要为工业负荷，根据该区域政府整体规划方案，考虑各负荷集群之间可用于热力管网建设的用地规模，各个负荷节点之间的间隔距离、多能源微网各元件技术参数以及投资和运维成本分别如下表1、表2和表3所示：
表1各个负荷集群之间的间隔距离单位：公里
表2各元件技术参数表
表3各元件投资和运维成本
其中，本部分假设分布式光伏、分布式风电、CHP、热泵、燃气锅炉、吸收式制冷机、热泵的运营期为20年；电储能和蓄热设备的运营期为15年；热力管网的运营期为30年。
本发明中用该智能小区的历史实际负荷数据作为模型中各类型负荷的原始历史数据；选区澳大利亚能源市场运营商(AEMO)2013-2016年的日前市场电价作为多能源微网日前购电价格的历史数据；多能源微网运营上购置天然气价格为固定值2.63元/m3。
本实施例中，在生成规划模型优化场景的过程中，本发明首先基于上述不确定性因素的原始历史数据，构建用户用电、用热、用冷负荷、上游批发市场价格、分布式风电以及分布式光伏(光热)出力的不确定性原始场景，进而基于HMM相关性抽样模型对原始不确定性场景进行削减[]，考虑到规划模型的求解规模和不确定性场景的概率测度，最终抽样形成规划年中12个典型规划场景，各场景概率参数如表4所示：
表4-1典型规划场景概率参数
表4-2典型规划场景概率参数
综上所述，基于上述模型参数，分别对上述两种类型的规划模型进行求解，从而得出基于上述负荷数据的智能园区多能源微网规划配置方案。
(2)模型求解结果
为了更为全面地分析上述规划模型的适用性，本部分将设置三种不同的规划外部环境对上述两个规划模型进行求解计算，三种外部环境如下
外部环境1：传统规划环境，区域内不考虑CHP、可再生分布式电源、吸收式制冷机设备的配置以及与热力管网的协调规划，认为供热都依靠传统电制冷/电加热技术、燃气锅炉，光热设备可用于满足部分的热水供应负荷；
外部环境2：传统电力微网规划环境，在外部环境1的条件下加入CHP、可再生分布式电源、吸收式制冷机、热泵等设备，仍认为供热都依靠传统电制冷/电加热技术；
外部环境3：多能源微网规划环境，考虑将区域内微电网与热力管网协调规划建设；
基于上述三种外部环境，通过ε约束对上述多目标优化模型进行单目标处理，得出两种不同规划模型的帕略托前沿。
本实施例中，为了方便表述，本部分中“容量配置导向”规划模型为规划模型1，“元件配置导向”规划模型为规划模型2，其中具体规划方案如表 5所示：
表5-1外部环境1条件下规划模型1的规划结果
表5-2外部环境1条件下规划模型2的规划结果
表5-3外部环境2条件下规划模型1的规划结果
表5-4外部环境2条件下不同规划模型的规划结果
表5-5外部环境3条件下规划模型1的规划结果
表5-6外部环境3条件下规划模型2的规划结果
本实施例中，无论是在规划模型1还是在规划模型2中碳排放强度和系统总年费成本是一个互斥目标，系统总年费成本越高往往也就有更低的系统排放强度，通过表5中不同外部环境下系统中各类型元件投资规划结果中也可以发现，碳排放较低的求解结果中，分布式风电、分布式光伏、光热以及热储能、电储能设备的投资容量都较高，虽然通过可再生能源降低了系统整体的碳排放强度，但是系统投资成本也因此上升。
本实施例中，对比算例中三个不同的规划外部环境，显然在外部环境3 下，两种规划模型都具有更好的怕略托前沿，即系统具有更低的投资成本和碳排放强度，外部环境2次之，外部环境1最差，因此，可以得出基本的结论，当进行多能源微网建设时，系统具有更好的经济型和更低的碳排放强度。从外部环境1下两种规划模型的求解结果中可以发现，当系统中缺乏分布式可再生能源以及热点置换设备时，仅仅依靠光热来改变用户侧的供热结构对于降低系统碳排放强度的贡献非常有限；结合表5中各个元件容量配置结果，可以看出，当系统包含更好的可用资源时，系统规划方案更为合理，比如蓄热设备的接入，能够在一定成本上对CHP的热电比进行解耦，使其具有更好地调节裕度，从而能够更好地满足用户用电、用热等不同类型用能需求，也能够为系统提供更多的调节容量，用于区域内可再生能源发电的消纳。
本实施例中，规划模型1较规划模型2具有更好的优化结果，这主要是因为规划模型1较规划模型2是一个更为精确的优化模型，尤其是在优化系统投资成本方面，从两个规划模型的帕略托前沿可以发现，两种规划模型所得出的结果碳排放强度之间差别相对较小，投资成本之间差距相对较大，规划模型2投资成本较规划模型1最多增加了76.4％，但是如本发明中第一部分中所述，由于规划模型1中设置了较多的决策变量，尤其是在对模型中部分约束进行线性化以后，其计算复杂度较规划模型2更大。
本实施例中，通过对比分析两种不同规划模型构建思路以及不同的外部规划环境，可以发现多能源微网较传统微网具有更好的经济性和减排优势，尤其是储能和不同类型供热设备的接入能够进一步实现用户的不同类型用能需求之间的互补性，降低对传统单一能源供应系统的依赖程度，也使得系统具有更好的“弹性”，从而更好、更高效地消纳利用可再生能源，降低系统的整体的碳排放强度。通过对比两种不同思路的规划模型，也可以看出两种规划模型在处理多能源微网规划配置问题中的优劣势，在实际工程应用中，应根据项目投资建设的实际情况，选择合适的规划模型来制定规划方案，也可以考虑先通过“元件配置导向”规划模型提供初步可行解，再进一步利用“容量配置导向”规划模型对配置方案进行二次优化的思路对上述问题进行求解。
在本发明的算例仿真中，在LenovoThinkCentreM910T，CPUI5-75003.4GHZ，内存16GM的平台上进行计算，规划模型1较规划模型 2的CPU计算时间多27％，由于本部分所计算的算例规模有限，当计算节点增大，模型的决策变量数量会有指数型增长，可能会使得规划模型1最终无法求解，出现维数灾难，这也就是为什么说规划模型2具有更好的工程适用性，下阶段应该考虑的是如何提高规划模型2所计算出的规划结果的精确性，以及如何降低规划模型1中的求解难度，可以考虑将两个模型结合使用，先使用规划模型2对设备进行基本的选型和定容，在将所得出的结果带入到规划模型1中对投资容量进行进一步优化，从而在保证模型可求解性的条件下，提高规划结果的优化程度。
至此，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种多目标随机优化的智能园区多能源微网配置方法，其特征在于，包括以下步骤：
S1、以智能园区内多能源微网配置系统投资和运营的经济性为目标，以热电置换设备、可再生分布式电源以及电储能设备的投资决策及投资容量为约束条件，构建基于容量配置导向的多能源微网配置优化模型；
S2、以降低模型中非线性目标函数和约束条件的求解难度为目标，优化具有固定容量的热电置换设备、可再生分布式电源以及电储能设备的相应配置决策方案，构建基于元件配置导向的多能源微网配置优化模型。
2.根据权利要求1所述的一种多目标随机优化的智能园区多能源微网配置方法，其特征在于，步骤S1中所述容量配置导向模型通过线性加权的方式构建目标函数，表示如下：
F1(x)＝min CT＝CI+COM，
式中，目标函数F1(x)表示系统总年费成本最小；目标函数F1(x)表示系统碳排放强度最低；CT为系统总年费成本；CI，COM分别表示多能源微网中各元件设备的投资年费成本和运行维护成本；表示系统的碳排放强度；分别表示多能源微网内部能量生产和外部购置能量所包含的碳排放强度。
3.根据权利要求2所述的一种多目标随机优化的智能园区多能源微网配置方法，其特征在于，所述目标函数通过约束条件构建下层优化模型，然后利用多目标随机优化方法对单目标进行优化处理，所述约束条件包括能量平衡约束、热力管道拓扑结构约束、电储能设备和蓄热设备投资和运行约束、分布式光伏和光热设备投资和运行约束、热泵投资和运行约束、吸收式制冷机投资和运行约束以及燃气锅炉投资和运行约束。
4.根据权利要求3所述的一种多目标随机优化的智能园区多能源微网配置方法，其特征在于，不同所述约束条件如下所示：
所述能量平衡约束包括不同场景下某节点处的电功率平衡、热功率平衡和冷平衡约束，表达式如下：
其中，公式均分别表示在规划场景ωi下t时段检测到的数据，Nω表示规划场景，表示节点i处分布式光伏出力；分别表示节点i处电储能设备的放电和充电功率；分别表示节点i处的主网输入和向主网供电功率；分别表示节点j向节点i以及节点i向节点j注入的电功率，分别表示节点i处吸收式制冷机充放电功率；O(i)表示与节点i相连接节点的集合；θe表示所在区域的综合线损率，表示节点i处CHP和光热设备的热功率；分别表示节点i处蓄热设备的放热和蓄热功率；为节点i处热泵的热功率；分别表示节点j向节点i注入功率以及节点i向节点j注入的热功率；分别表示节点i的电、冷负荷需求；分别表示节点i的热水加热负荷和其他热负荷需求的大小；表示节点i的处热泵的电功率；θth表示单位长度热管道的热损耗；分别表示节点i处热泵和吸收式制冷机的冷功率， 分别表示节点i处吸热功率和冷功率；
所述热力管道拓扑结构约束包括供热节点的约束和热力管道拓扑结构约束，表达式如下：
式中，NI表示供热节点，表示任意两个节点i和j之间的上游供热点，Oi、Oj分别表示供热节点处的节点度数的数量，分别表示节点j向节点i注入功率以及节点i向节点j注入的热功率，M表示节点系数；
所述设备选择约束表达式为：
式中，分别表示在节点i处投资热泵以及吸收式制冷机的0-1决策变量，Yi st、Yi pv分别表示光热和分布式光伏的占地约束，Yi表示同一用户节点具有安装光热和分布式光伏条件的有限面积；
所述CHP投资和运行约束表达式为：
其中，分别表示单一节点上CHP投资容量的上下限；表示单一节点上CHP投资容量，表示单一节点上的投资决策，分别表示CHP的电转换和热转换效率；分别表示CHP的电出力功率和热出力功率；公式为CHP天然气消耗量约束；
所述电储能设备和蓄热设备投资和运行约束表达式为：
式中，、分别表示单一节点上电储能设备和蓄热设备投资容量；分别表示单一节点上电储能设备和蓄热设备投资容量的上限； 分别表示蓄热设备的储热和放热效率；表示在规划场景ωi下t时段节点i处的的电储能设备和蓄热设备的蓄电量，分别表示蓄热设备的储热和放热功率，分别表示蓄热设备的储热和放热总功率；
所述分布式风机投资和运行约束表达式：
式中，为0-1变量，表示节点i处是否具有分布式风机安装条件；表示单一节点上分布式风机投资容量上限；为在规划场景ωi下t时段节点i处的风速；vci，vrat和vco分别表示风机的切入、额定和切出风速；
所述分布式光伏和光热设备投资和运行约束表达式：
式中，表示分布式光伏的设备投资和运行约束；表示光热设备的投资和运行约束；表示节点i处单位面积光伏装机容量；表示单一节点上分布式光伏的投资容量上限；ri,ω,t表示规划场景ωi下t时段节点i处的光照辐射强度；分别表示分布式光伏以及分布式风热设备额定光照辐射强度；ηpv，ηst分别表示分布式光伏和光热设备发电和制热效率系数；
所述热泵投资和运行约束表达式为：
式中，表示节点i处热泵的投资决策0-1变量；为0-1变量，分别表示规划场景ωi下t时段节点i处热泵是处于制热还是制冷工况； 分别表示单一节点上热泵的投资容量上下限；为热工况下计算热泵可用容量的辅助变量，为工况指示变量、为热泵投资容量，为热泵制热和制冷功率上下限，分别表示热泵的制热和制冷效率系数；
所述吸收式制冷机投资和运行约束表达式为：
式中，表示节点i处吸收式制冷机的投资决策0-1变量；分别表示单一节点中吸收式制冷机投资容量的上下限；ηch表示吸收式制冷机的效率系数；
所述燃气锅炉投资和运行约束表达式为：
式中，表示节点i处燃气锅炉的投资决策0-1变量；分别表示单一节点中燃气锅炉投资容量的上下限；ηbo表示燃气锅炉的燃烧工作效率系数。
5.根据权利要求1所述的一种多目标随机优化的智能园区多能源微网配置方法，其特征在于，步骤S2中所述元件配置导向模型中综合考虑系统总年费成本最小和碳排放强度最低，通过将投资容量设定为由可供选择的设备集决定，构建目标函数，表示如下：
式中，Ωchp∈Πchp，Ωhp∈Πhp，Ωch∈Πch，Ωbo∈Πbo分别表示CHP、热泵、吸收式制冷机以及燃气锅炉可选择设备的指示序数；Πchp，Пhp，Пch，Пbo分别表示CHP、热泵、吸收式制冷机以及燃气锅炉可供选择的设备集；为0-1决策变量，表示节点i处是否选择安装指示序数为Ωchp的CHP； 分别表示对应设备的容分别表示节点i处所选择的设备序数为Ωchp，Ωch，Ωhp，Ωbo的CHP、吸收式制冷机、燃气锅炉和热泵在规划场景ωi下t时段的电出力、耗热量、供热量和耗电量。
6.根据权利要求5所述的一种多目标随机优化的智能园区多能源微网配置方法，其特征在于，所述目标函数以并网状态下系统总年费成本最小和碳排放强度最低为目标，考虑能量平衡约束、设备选型约束、CHP投资和运行约束、热泵投资和运行约束、吸收式制冷机投资和运行约束以及燃气锅炉投资和运行约束，构建下层优化模型，然后利用多目标随机优化方法对单目标进行优化处理。
7.根据权利要求6所述的一种多目标随机优化的智能园区多能源微网配置方法，其特征在于，不同所述约束条件如下所示：
所述能量平衡约束表达式为：
，
式中， 为节点i处设备序数为Ωchp的CHP在规划场景ωi下t时段的热出力；分别表示节点i处设备序数为Ωhp的热泵在规划场景ωi下t时段的供热量和供冷量；表示节点i处设备序数为Ωch的吸收制冷机在规划场景ωi下t时段的供冷量；
所述设备选型约束表达式为：
式中，分别表示在某一节点i处CHP和燃气锅炉设备容量总和，表示热泵和吸收式制冷机在同一用户节点容量总和；
所述CHP投资和运行约束表达式为：
式中，表示指示序数为Ωchp的CHP设备容量，为确定值；
所述热泵投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωhp热泵的决策0-1变量；表示序数为Ωhp热泵的容量，为确定值。
所述吸收式制冷机投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωch热泵的决策0-1变量；表示序数为Ωch热泵的容量，为确定值，表示节点i处序数为Ωch热泵的容量，表示节点i处序数为Ωch热泵热功率；
所述燃气锅炉投资和运行约束表达式为：
式中，表示节点i处是否选择安装指示序数为Ωbo燃气锅炉的决策0-1变量；表示序数为Ωbo热泵的容量，为确定值，表示节点燃气锅炉热功率，表示节点i处是否选择安装指示序数为Ωbo燃气锅炉的决策因影响因子，ηbo表示序数为Ωbo热泵的效率。
CN201910702345.4A 2019-07-31 2019-07-31 一种基于多目标随机优化的智能园区多能源微网配置方法 Active CN110400090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910702345.4A CN110400090B (zh) 2019-07-31 2019-07-31 一种基于多目标随机优化的智能园区多能源微网配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910702345.4A CN110400090B (zh) 2019-07-31 2019-07-31 一种基于多目标随机优化的智能园区多能源微网配置方法

Publications (2)

Publication Number Publication Date
CN110400090A true CN110400090A (zh) 2019-11-01
CN110400090B CN110400090B (zh) 2023-09-22

Family

ID=68326906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910702345.4A Active CN110400090B (zh) 2019-07-31 2019-07-31 一种基于多目标随机优化的智能园区多能源微网配置方法

Country Status (1)

Country Link
CN (1) CN110400090B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111108969A (zh) * 2020-01-16 2020-05-08 国网甘肃省电力公司电力科学研究院 一种设施农业温室及多形态储能优化控制方法
CN113629742A (zh) * 2021-07-28 2021-11-09 西南交通大学 电气化铁路地面混合式储能系统容量配置方法
CN114552664A (zh) * 2022-04-24 2022-05-27 南京邮电大学 一种基于双层有向图的多微网优化协调运行控制方法
CN116345549A (zh) * 2023-03-15 2023-06-27 国网北京市电力公司 一种园区微电网优化运行方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808489A (zh) * 2015-03-09 2015-07-29 山东大学 冷热电联供系统的三级协同整体优化方法
CN106022503A (zh) * 2016-03-17 2016-10-12 北京睿新科技有限公司 面向具有耦合型电冷热需求的微电网容量规划方法
CN108960556A (zh) * 2018-03-27 2018-12-07 国网天津市电力公司滨海供电分公司 一种冷热电联供系统多目标优化运行方法
CN109919478A (zh) * 2019-02-28 2019-06-21 天津大学 一种考虑综合供能可靠性的综合能源微网规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808489A (zh) * 2015-03-09 2015-07-29 山东大学 冷热电联供系统的三级协同整体优化方法
CN106022503A (zh) * 2016-03-17 2016-10-12 北京睿新科技有限公司 面向具有耦合型电冷热需求的微电网容量规划方法
CN108960556A (zh) * 2018-03-27 2018-12-07 国网天津市电力公司滨海供电分公司 一种冷热电联供系统多目标优化运行方法
CN109919478A (zh) * 2019-02-28 2019-06-21 天津大学 一种考虑综合供能可靠性的综合能源微网规划方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111108969A (zh) * 2020-01-16 2020-05-08 国网甘肃省电力公司电力科学研究院 一种设施农业温室及多形态储能优化控制方法
CN111108969B (zh) * 2020-01-16 2022-03-08 国网甘肃省电力公司电力科学研究院 一种设施农业温室及多形态储能优化控制方法
CN113629742A (zh) * 2021-07-28 2021-11-09 西南交通大学 电气化铁路地面混合式储能系统容量配置方法
CN113629742B (zh) * 2021-07-28 2023-06-16 西南交通大学 电气化铁路地面混合式储能系统容量配置方法
CN114552664A (zh) * 2022-04-24 2022-05-27 南京邮电大学 一种基于双层有向图的多微网优化协调运行控制方法
CN116345549A (zh) * 2023-03-15 2023-06-27 国网北京市电力公司 一种园区微电网优化运行方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110400090B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Chen et al. Energy trading and market equilibrium in integrated heat-power distribution systems
Liu et al. Optimal coordinated operation of a multi-energy community considering interactions between energy storage and conversion devices
CN110400090A (zh) 一种基于多目标随机优化的智能园区多能源微网配置方法
CN113746144B (zh) 一种源网荷实时交互的电碳控制方法及其智能管理系统
CN109783909A (zh) 考虑多种储能设备的综合能源站设备选型与容量规划方法
Wang et al. Optimal design and operation of CHPs and energy hub with multi objectives for a local energy system
Arandian et al. Effects of environmental emissions on optimal combination and allocation of renewable and non-renewable CHP technologies in heat and electricity distribution networks based on improved particle swarm optimization algorithm
Milborrow Wind power on the grid
CN110110897A (zh) 一种考虑不同储能运行策略的综合能源系统优化方法
CN111476509A (zh) 基于igdt模型的用户侧综合能源系统规划方法及装置
CN113240204A (zh) 考虑可再生能源消纳区域能源站容量优化配置方法及系统
CN112182887A (zh) 一种综合能源系统规划优化仿真方法
Ciabattoni et al. Artificial bee colonies based optimal sizing of microgrid components: A profit maximization approach
Shao et al. Demand response from multiple-energy customers in integrated energy system
CN111667131A (zh) 一种供能端装机设计的多目标优化方法及系统
Saberi et al. Optimal sizing of hybrid PV and wind energy system with backup of redox flow battery to postpone grid expansion investments
Szypowski et al. Optimization of energy-supply structure in residential premises using mixed-integer linear programming
Cannata et al. Multi-objective optimization of urban microgrid energy supply according to economic and environmental criteria
Barala et al. Virtual energy storage systems: challenges and opportunities
Clegg et al. Assessment of the impact of heating on integrated gas and electrical network flexibility
CN115049250A (zh) 面向供需不确定性综合能源系统多目标规划方法及系统
CN114925962A (zh) 基于节点边际电价的有源配电网运行灵活性量化分析方法
Palacios-Garcia et al. Smart community load matching using stochastic demand modeling and historical production data
Zhang et al. A Two‐Stage Optimization Model of Capacity Allocation and Regulation Operation for Virtual Power Plant
Cui et al. ADN multi-objective planning considering collaborative optimization of rdg and GAEP

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