CN110739710A - 基于优化算法的多种能源类型协调调度方法及装置 - Google Patents

基于优化算法的多种能源类型协调调度方法及装置 Download PDF

Info

Publication number
CN110739710A
CN110739710A CN201810805262.3A CN201810805262A CN110739710A CN 110739710 A CN110739710 A CN 110739710A CN 201810805262 A CN201810805262 A CN 201810805262A CN 110739710 A CN110739710 A CN 110739710A
Authority
CN
China
Prior art keywords
power
air conditioner
scenes
output
scene
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.)
Pending
Application number
CN201810805262.3A
Other languages
English (en)
Inventor
巨云涛
金铭鑫
王安琪
黄依静
陈璨
吴林林
刘辉
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.)
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
China Agricultural University
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
China Agricultural University
Electric Power Research Institute of State Grid Jibei Electric Power 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 State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, China Agricultural University, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810805262.3A priority Critical patent/CN110739710A/zh
Publication of CN110739710A publication Critical patent/CN110739710A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于优化算法的多种能源类型协调调度方法及装置，其中，方法包括以下步骤：建立热电冷联产模块运行模型、储冰空调的功率限制和蓄电池的运行限制；针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值；建立综合优化调度模型，其中，最优目标为使日常运行成本最小，以应用粒子群算法对优化调度模型进行求解。该方法能够在多种能源类型协调调度中充分考虑可再生能源不确定性，并且将制冷和电力具有耦合关系的储冰空调应用于其中，从而实现应用制冷和电力需求有耦合关系的储冰空调的多种能源类型的经济优化。

Description

基于优化算法的多种能源类型协调调度方法及装置
技术领域
本发明涉及能源技术领域，特别涉及一种基于优化算法的多种能源类型协调调度方法及装置。
背景技术
目前一些研究表明，在一些大城市，夏季空调系统的产生的电力负荷占据了夏季用电量的很大一部分，引起巨大峰谷电压差，给主网带来巨大压力。新兴的储冰空调应用于微网中，可以在满足冷却负荷的同时，实现削峰填谷效果，并可以将电力消耗从用电高峰转移到用电低谷时段来降低微网运行成本。
相关技术中提出一种通过调度光伏发电、风力发电、热电冷联产和蓄电池的方法，该方法可以在满足建筑物电力热量需求的同时实现成本最小化。然而，由于可再生能源具有随机性的特征，该方法在风力、光伏等可再生能源的处理上存在较大偏差，且仅考虑电力平衡，将储冰空调应用于微网之中，可以产生更大经济效益。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于优化算法的多种能源类型协调调度方法，该方法实现应用制冷和电力需求有耦合关系的储冰空调的多种能源类型的经济优化。
本发明的另一个目的在于提出一种基于优化算法的多种能源类型协调调度装置。
为达到上述目的，本发明一方面实施例提出了一种基于优化算法的多种能源类型协调调度方法
本发明实施例的基于优化算法的多种能源类型协调调度方法，能够在多种能源类型协调调度中充分考虑可再生能源不确定性，并且将制冷和电力具有耦合关系的储冰空调应用于其中，从而实现应用制冷和电力需求有耦合关系的储冰空调的多种能源类型的经济优化。
另外，根据本发明上述实施例的基于优化算法的多种能源类型协调调度方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述热电冷联产模块运行模型为：
Figure BDA0001738027760000021
其中，T表示一天之中不同时刻，ECCHP(T)为热电冷联产模块的电力输出效率，PCCHP(T)和QCCHP(T)分别为热电冷联产模块的输出电功率和输出冷却功率，F(T)为输出电功率PCCHP(T)时对应的天然气体积消耗量，ICCHP(T)为热电冷联产模块的开关状态，f、g、h为映射，Pmax和Pmin分别为输出电功率的上下限，Qmax和Qmin分别为输出冷却功率的上下限。
进一步地，在本发明的一个实施例中，所述储冰空调的功率限制为：
Figure BDA0001738027760000022
其中，PAC(T)为储冰空调消耗的电功率，QAC(T)为储冰空调产生的冷却功率，IS(T)为储冰空调中存储的冷却能量，IAC(T)为储冰空调的开关状态，f、g为映射，QACmax和QACmin分别为产生冷却功率的上下限，ISmax和ISmin分别为储冰空调存储容量的上下限。
进一步地，在本发明的一个实施例中，所述蓄电池的运行限制为：
Figure BDA0001738027760000023
其中，SOC(T)为电池充电状态，PSB(T)为电池充放电功率，f为映射，PSBmax和PSBmin分别为电池充放电功率的上下限，SOCmax和SOCmin分别为电池充电状态的上下限。
进一步地，在本发明的一个实施例中，所述针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值，进一步包括：
通过双参数Weibull分布模拟风力场景与Beta分布模拟光伏场景，并通过拉丁超立方抽样生成大量受制于概率分布的风力输出和光伏输出场景；
通过场景还原方法，以非常低的概率消除场景，并通过基于概率量度测量场景与场景的距离将紧密相关的场景聚合到群集中；
根据风力和光伏的十个代表场景及相应概率获取各时刻风力和光伏输出预测值，计算公式为：
Figure BDA0001738027760000032
其中，Pwind(T)和PPV(T)分别为风力和光伏输出预期值，s为场景数，ps为场景s对应的概率值，Pwind s(T)和PPV s(T)分别为在s场景下的风力和光伏输出。
进一步地，在本发明的一个实施例中，所述综合优化调度模型为：
Figure BDA0001738027760000033
其中，C为日常运行成本，cGrid(T)和cGas分别为购电价格和天然气价格，PGrid(T)为该微网与主网交换的电功率，Pload(T)、Qload(T)分别为电力负荷和冷却负荷，f、g为映射。
为达到上述目的，本发明另一方面实施例提出了一种基于优化算法的多种能源类型协调调度装置，包括：构建模块，用于建立热电冷联产模块运行模型、储冰空调的功率限制和蓄电池的运行限制；生成模块，用于针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值；优化模块，用于建立综合优化调度模型，其中，最优目标为使日常运行成本最小，以应用粒子群算法对所述优化调度模型进行求解。
本发明实施例的基于优化算法的多种能源类型协调调度装置，能够在多种能源类型协调调度中充分考虑可再生能源不确定性，并且将制冷和电力具有耦合关系的储冰空调应用于其中，从而实现应用制冷和电力需求有耦合关系的储冰空调的多种能源类型的经济优化。
另外，根据本发明上述实施例的基于优化算法的多种能源类型协调调度装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，其中，所述热电冷联产模块运行模型为：
Figure BDA0001738027760000041
其中，T表示一天之中不同时刻，ECCHP(T)为热电冷联产模块的电力输出效率，PCCHP(T)和QCCHP(T)分别为热电冷联产模块的输出电功率和输出冷却功率，F(T)为输出电功率PCCHP(T)时对应的天然气体积消耗量，ICCHP(T)为热电冷联产模块的开关状态，f、g、h为映射，Pmax和Pmin分别为输出电功率的上下限，Qmax和Qmin分别为输出冷却功率的上下限；所述储冰空调的功率限制为：
Figure BDA0001738027760000042
其中，PAC(T)为储冰空调消耗的电功率，QAC(T)为储冰空调产生的冷却功率，IS(T)为储冰空调中存储的冷却能量，IAC(T)为储冰空调的开关状态，f、g为映射，QACmax和QACmin分别为产生冷却功率的上下限，ISmax和ISmin分别为储冰空调存储容量的上下限；所述蓄电池的运行限制为：
Figure BDA0001738027760000043
其中，SOC(T)为电池充电状态，PSB(T)为电池充放电功率，f为映射，PSBmax和PSBmin分别为电池充放电功率的上下限，SOCmax和SOCmin分别为电池充电状态的上下限。
进一步地，在本发明的一个实施例中，所述生成模块包括：生成单元，用于通过双参数Weibull分布模拟风力场景与Beta分布模拟光伏场景，并通过拉丁超立方抽样生成大量受制于概率分布的风力输出和光伏输出场景；聚合单元，用于通过场景还原方法，以非常低的概率消除场景，并通过基于概率量度测量场景与场景的距离将紧密相关的场景聚合到群集中；计算单元，用于根据风力和光伏的十个代表场景及相应概率获取各时刻风力和光伏输出预测值，计算公式为：
Figure BDA0001738027760000051
Figure BDA0001738027760000052
其中，Pwind(T)和PPV(T)分别为风力和光伏输出预期值，s为场景数，ps为场景s对应的概率值，Pwind s(T)和PPV s(T)分别为在s场景下的风力和光伏输出。
进一步地，在本发明的一个实施例中，所述综合优化调度模型为：
其中，C为日常运行成本，cGrid(T)和cGas分别为购电价格和天然气价格，PGrid(T)为该微网与主网交换的电功率，Pload(T)、Qload(T)分别为电力负荷和冷却负荷，f、g为映射。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的基于优化算法的多种能源类型协调调度方法的流程图；
图2为根据本发明一个实施例的基于优化算法的多种能源类型协调调度装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于优化算法的多种能源类型协调调度方法及装置，首先将参照附图描述根据本发明实施例提出的基于优化算法的多种能源类型协调调度方法。
图1是本发明一个实施例的基于优化算法的多种能源类型协调调度方法的流程图。
如图1所示，该基于优化算法的多种能源类型协调调度方法包括以下步骤：
在步骤S101中，建立热电冷联产模块运行模型、储冰空调的功率限制和蓄电池的运行限制。
可以理解的是，首先，本发明实施例分别建立热电冷联产模块运行模型、建立储冰空调的功率限制、建立蓄电池的运行限制。下面将分别进行赘述。
在本发明的一个实施例中，热电冷联产模块运行模型为：
Figure BDA0001738027760000061
其中，T表示一天之中不同时刻，ECCHP(T)为热电冷联产模块的电力输出效率，PCCHP(T)和QCCHP(T)分别为热电冷联产模块的输出电功率和输出冷却功率，F(T)为输出电功率PCCHP(T)时对应的天然气体积消耗量，ICCHP(T)为热电冷联产模块的开关状态，f、g、h为映射，Pmax和Pmin分别为输出电功率的上下限，Qmax和Qmin分别为输出冷却功率的上下限。
进一步地，在本发明的一个实施例中，储冰空调的功率限制为：
Figure BDA0001738027760000062
其中，PAC(T)为储冰空调消耗的电功率，QAC(T)为储冰空调产生的冷却功率，IS(T)为储冰空调中存储的冷却能量，IAC(T)为储冰空调的开关状态，f、g为映射，QACmax和QACmin分别为产生冷却功率的上下限，ISmax和ISmin分别为储冰空调存储容量的上下限。
进一步地，在本发明的一个实施例中，蓄电池的运行限制为：
Figure BDA0001738027760000071
其中，SOC(T)为电池充电状态，PSB(T)为电池充放电功率，f为映射，PSBmax和PSBmin分别为电池充放电功率的上下限，SOCmax和SOCmin分别为电池充电状态的上下限。
在步骤S102中，针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值。
可以理解的是，本发明实施例针对可再生能源不确定性进行场景生成，同时还原得到可再生能源预期值。
本发明的一个实施例中，针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值，进一步包括：通过双参数Weibull分布模拟风力场景与Beta分布模拟光伏场景，并通过拉丁超立方抽样生成大量受制于概率分布的风力输出和光伏输出场景；通过场景还原方法，以非常低的概率消除场景，并通过基于概率量度测量场景与场景的距离将紧密相关的场景聚合到群集中；根据风力和光伏的十个代表场景及相应概率获取各时刻风力和光伏输出预测值，计算公式为：
Figure BDA0001738027760000073
其中，Pwind(T)和PPV(T)分别为风力和光伏输出预期值，s为场景数，ps为场景s对应的概率值，Pwind s(T)和PPV s(T)分别为在s场景下的风力和光伏输出。
具体而言，利用双参数Weibull分布模拟风力场景，Beta分布模拟光伏场景，应用拉丁超立方抽样方法，生成大量受制于概率分布的风力输出和光伏输出场景，通过场景还原方法，以非常低的概率消除场景，并通过基于概率量度测量场景与场景的距离，将紧密相关的场景聚合到群集中。
通过以上方法，分别得到风力和光伏的十个代表场景及相应概率。计算各时刻风力和光伏输出预测值
Figure BDA0001738027760000074
Figure BDA0001738027760000075
其中，Pwind(T)、PPV(T)分别为风力和光伏输出预期值，s为场景数，ps为场景s对应的概率值，Pwind s(T)、PPV s(T)分别为在s场景下的风力和光伏输出。
在步骤S103中，建立综合优化调度模型，其中，最优目标为使日常运行成本最小，以应用粒子群算法对优化调度模型进行求解。
可以理解的是，本发明实施例建立综合优化调度模型，且最优目标是使日常运行成本最小，并且应用粒子群算法对所提出的优化模型进行求解。
进一步地，在本发明的一个实施例中，综合优化调度模型为：
Figure BDA0001738027760000081
其中，C为日常运行成本，cGrid(T)和cGas分别为购电价格和天然气价格，PGrid(T)为该微网与主网交换的电功率，Pload(T)、Qload(T)分别为电力负荷和冷却负荷，f、g为映射。
根据本发明实施例提出的基于优化算法的多种能源类型协调调度方法，能够在多种能源类型协调调度中充分考虑可再生能源不确定性，并且将制冷和电力具有耦合关系的储冰空调应用于其中，从而实现应用制冷和电力需求有耦合关系的储冰空调的多种能源类型的经济优化。
其次参照附图描述根据本发明实施例提出的基于优化算法的多种能源类型协调调度装置。
图2是本发明一个实施例的基于优化算法的多种能源类型协调调度装置的结构示意图。
如图2所示，该基于优化算法的多种能源类型协调调度装置10包括：构建模块100、生成模块200和优化模块300。
其中，构建模块100用于建立热电冷联产模块运行模型、储冰空调的功率限制和蓄电池的运行限制。生成模块200用于针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值。优化模块300用于建立综合优化调度模型，其中，最优目标为使日常运行成本最小，以应用粒子群算法对优化调度模型进行求解。本发明实施例的装置10可以实现应用制冷和电力需求有耦合关系的储冰空调的多种能源类型的经济优化。
进一步地，在本发明的一个实施例中，其中，热电冷联产模块运行模型为：
Figure BDA0001738027760000091
其中，T表示一天之中不同时刻，ECCHP(T)为热电冷联产模块的电力输出效率，PCCHP(T)和QCCHP(T)分别为热电冷联产模块的输出电功率和输出冷却功率，F(T)为输出电功率PCCHP(T)时对应的天然气体积消耗量，ICCHP(T)为热电冷联产模块的开关状态，f、g、h为映射，Pmax和Pmin分别为输出电功率的上下限，Qmax和Qmin分别为输出冷却功率的上下限；储冰空调的功率限制为：
Figure BDA0001738027760000092
其中，PAC(T)为储冰空调消耗的电功率，QAC(T)为储冰空调产生的冷却功率，IS(T)为储冰空调中存储的冷却能量，IAC(T)为储冰空调的开关状态，f、g为映射，QACmax和QACmin分别为产生冷却功率的上下限，ISmax和ISmin分别为储冰空调存储容量的上下限；蓄电池的运行限制为：
其中，SOC(T)为电池充电状态，PSB(T)为电池充放电功率，f为映射，PSBmax和PSBmin分别为电池充放电功率的上下限，SOCmax和SOCmin分别为电池充电状态的上下限。
进一步地，在本发明的一个实施例中，生成模块200包括：，生成单元、聚合单元和计算单元。
其中，生成单元用于通过双参数Weibull分布模拟风力场景与Beta分布模拟光伏场景，并通过拉丁超立方抽样生成大量受制于概率分布的风力输出和光伏输出场景。聚合单元用于通过场景还原方法，以非常低的概率消除场景，并通过基于概率量度测量场景与场景的距离将紧密相关的场景聚合到群集中。计算单元用于根据风力和光伏的十个代表场景及相应概率获取各时刻风力和光伏输出预测值，计算公式为：
Figure BDA0001738027760000101
Figure BDA0001738027760000102
其中，Pwind(T)和PPV(T)分别为风力和光伏输出预期值，s为场景数，ps为场景s对应的概率值，Pwind s(T)和PPV s(T)分别为在s场景下的风力和光伏输出。
进一步地，在本发明的一个实施例中，综合优化调度模型为：
Figure BDA0001738027760000103
其中，C为日常运行成本，cGrid(T)和cGas分别为购电价格和天然气价格，PGrid(T)为该微网与主网交换的电功率，Pload(T)、Qload(T)分别为电力负荷和冷却负荷，f、g为映射。
需要说明的是，前述对基于优化算法的多种能源类型协调调度方法实施例的解释说明也适用于该实施例的基于优化算法的多种能源类型协调调度装置，此处不再赘述。
根据本发明实施例提出的基于优化算法的多种能源类型协调调度装置，能够在多种能源类型协调调度中充分考虑可再生能源不确定性，并且将制冷和电力具有耦合关系的储冰空调应用于其中，从而实现应用制冷和电力需求有耦合关系的储冰空调的多种能源类型的经济优化。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于优化算法的多种能源类型协调调度方法，其特征在于，包括以下步骤：
建立热电冷联产模块运行模型、储冰空调的功率限制和蓄电池的运行限制；
针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值；以及
建立综合优化调度模型，其中，最优目标为使日常运行成本最小，以应用粒子群算法对所述优化调度模型进行求解。
2.根据权利要求1所述的基于优化算法的多种能源类型协调调度方法，其特征在于，所述热电冷联产模块运行模型为：
Figure FDA0001738027750000011
其中，T表示一天之中不同时刻，ECCHP(T)为热电冷联产模块的电力输出效率，PCCHP(T)和QCCHP(T)分别为热电冷联产模块的输出电功率和输出冷却功率，F(T)为输出电功率PCCHP(T)时对应的天然气体积消耗量，ICCHP(T)为热电冷联产模块的开关状态，f、g、h为映射，Pmax和Pmin分别为输出电功率的上下限，Qmax和Qmin分别为输出冷却功率的上下限。
3.根据权利要求1所述的基于优化算法的多种能源类型协调调度方法，其特征在于，所述储冰空调的功率限制为：
Figure FDA0001738027750000012
其中，PAC(T)为储冰空调消耗的电功率，QAC(T)为储冰空调产生的冷却功率，IS(T)为储冰空调中存储的冷却能量，IAC(T)为储冰空调的开关状态，f、g为映射，QACmax和QACmin分别为产生冷却功率的上下限，ISmax和ISmin分别为储冰空调存储容量的上下限。
4.根据权利要求1所述的基于优化算法的多种能源类型协调调度方法，其特征在于，所述蓄电池的运行限制为：
Figure FDA0001738027750000021
其中，SOC(T)为电池充电状态，PSB(T)为电池充放电功率，f为映射，PSBmax和PSBmin分别为电池充放电功率的上下限，SOCmax和SOCmin分别为电池充电状态的上下限。
5.根据权利要求1所述的基于优化算法的多种能源类型协调调度方法，其特征在于，所述针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值，进一步包括：
通过双参数Weibull分布模拟风力场景与Beta分布模拟光伏场景，并通过拉丁超立方抽样生成大量受制于概率分布的风力输出和光伏输出场景；
通过场景还原方法，以非常低的概率消除场景，并通过基于概率量度测量场景与场景的距离将紧密相关的场景聚合到群集中；
根据风力和光伏的十个代表场景及相应概率获取各时刻风力和光伏输出预测值，计算公式为：
Figure FDA0001738027750000022
Figure FDA0001738027750000023
其中，Pwind(T)和PPV(T)分别为风力和光伏输出预期值，s为场景数，ps为场景s对应的概率值，Pwind s(T)和PPV s(T)分别为在s场景下的风力和光伏输出。
6.根据权利要求1所述的基于优化算法的多种能源类型协调调度方法，其特征在于，所述综合优化调度模型为：
Figure FDA0001738027750000024
其中，C为日常运行成本，cGrid(T)和cGas分别为购电价格和天然气价格，PGrid(T)为该微网与主网交换的电功率，Pload(T)、Qload(T)分别为电力负荷和冷却负荷，f、g为映射。
7.一种基于优化算法的多种能源类型协调调度装置，其特征在于，包括：
构建模块，用于建立热电冷联产模块运行模型、储冰空调的功率限制和蓄电池的运行限制；
生成模块，用于针对可再生能源不确定性进行场景生成，并还原得到可再生能源预期值；以及
优化模块，用于建立综合优化调度模型，其中，最优目标为使日常运行成本最小，以应用粒子群算法对所述优化调度模型进行求解。
8.根据权利要求7所述的基于优化算法的多种能源类型协调调度装置，其特征在于，其中，
所述热电冷联产模块运行模型为：
Figure FDA0001738027750000031
其中，T表示一天之中不同时刻，ECCHP(T)为热电冷联产模块的电力输出效率，PCCHP(T)和QCCHP(T)分别为热电冷联产模块的输出电功率和输出冷却功率，F(T)为输出电功率PCCHP(T)时对应的天然气体积消耗量，ICCHP(T)为热电冷联产模块的开关状态，f、g、h为映射，Pmax和Pmin分别为输出电功率的上下限，Qmax和Qmin分别为输出冷却功率的上下限；
所述储冰空调的功率限制为：
Figure FDA0001738027750000032
其中，PAC(T)为储冰空调消耗的电功率，QAC(T)为储冰空调产生的冷却功率，IS(T)为储冰空调中存储的冷却能量，IAC(T)为储冰空调的开关状态，f、g为映射，QACmax和QACmin分别为产生冷却功率的上下限，ISmax和ISmin分别为储冰空调存储容量的上下限；
所述蓄电池的运行限制为：
Figure FDA0001738027750000041
其中，SOC(T)为电池充电状态，PSB(T)为电池充放电功率，f为映射，PSBmax和PSBmin分别为电池充放电功率的上下限，SOCmax和SOCmin分别为电池充电状态的上下限。
9.根据权利要求7所述的基于优化算法的多种能源类型协调调度装置，其特征在于，所述生成模块包括：
生成单元，用于通过双参数Weibull分布模拟风力场景与Beta分布模拟光伏场景，并通过拉丁超立方抽样生成大量受制于概率分布的风力输出和光伏输出场景；
聚合单元，用于通过场景还原方法，以非常低的概率消除场景，并通过基于概率量度测量场景与场景的距离将紧密相关的场景聚合到群集中；
计算单元，用于根据风力和光伏的十个代表场景及相应概率获取各时刻风力和光伏输出预测值，计算公式为：
Figure FDA0001738027750000042
Figure FDA0001738027750000043
其中，Pwind(T)和PPV(T)分别为风力和光伏输出预期值，s为场景数，ps为场景s对应的概率值，Pwind s(T)和PPV s(T)分别为在s场景下的风力和光伏输出。
10.根据权利要求7所述的基于优化算法的多种能源类型协调调度装置，其特征在于，所述综合优化调度模型为：
Figure FDA0001738027750000044
其中，C为日常运行成本，cGrid(T)和cGas分别为购电价格和天然气价格，PGrid(T)为该微网与主网交换的电功率，Pload(T)、Qload(T)分别为电力负荷和冷却负荷，f、g为映射。
CN201810805262.3A 2018-07-20 2018-07-20 基于优化算法的多种能源类型协调调度方法及装置 Pending CN110739710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810805262.3A CN110739710A (zh) 2018-07-20 2018-07-20 基于优化算法的多种能源类型协调调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810805262.3A CN110739710A (zh) 2018-07-20 2018-07-20 基于优化算法的多种能源类型协调调度方法及装置

Publications (1)

Publication Number Publication Date
CN110739710A true CN110739710A (zh) 2020-01-31

Family

ID=69234854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810805262.3A Pending CN110739710A (zh) 2018-07-20 2018-07-20 基于优化算法的多种能源类型协调调度方法及装置

Country Status (1)

Country Link
CN (1) CN110739710A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686397A (zh) * 2020-12-18 2021-04-20 广东机电职业技术学院 空调器故障率计算方法、装置、计算机设备及存储介质
CN113887083A (zh) * 2021-10-29 2022-01-04 北京明略软件系统有限公司 一种空调调度优化方法、系统、计算机设备和存储介质
CN114744608A (zh) * 2021-01-08 2022-07-12 北京国网普瑞特高压输电技术有限公司 一种电力需求响应聚合空调负荷协同控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015021603A1 (en) * 2013-08-13 2015-02-19 Accenture Global Services Limited System, method and apparatus for integrated multi-energy scheduling in a micro-grid and a tangible computer readable medium
CN105631557A (zh) * 2016-03-17 2016-06-01 北京睿新科技有限公司 考虑蓄冰空调并具有电冷耦合特征的微电网优化调度方法
CN105811397A (zh) * 2016-03-11 2016-07-27 国网天津市电力公司 一种基于多时间尺度的多能互补微网调度方法
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
CN107609684A (zh) * 2017-08-24 2018-01-19 浙江万克新能源科技有限公司 一种基于微电网的综合能源系统经济优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015021603A1 (en) * 2013-08-13 2015-02-19 Accenture Global Services Limited System, method and apparatus for integrated multi-energy scheduling in a micro-grid and a tangible computer readable medium
CN105811397A (zh) * 2016-03-11 2016-07-27 国网天津市电力公司 一种基于多时间尺度的多能互补微网调度方法
CN105631557A (zh) * 2016-03-17 2016-06-01 北京睿新科技有限公司 考虑蓄冰空调并具有电冷耦合特征的微电网优化调度方法
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
CN107609684A (zh) * 2017-08-24 2018-01-19 浙江万克新能源科技有限公司 一种基于微电网的综合能源系统经济优化调度方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686397A (zh) * 2020-12-18 2021-04-20 广东机电职业技术学院 空调器故障率计算方法、装置、计算机设备及存储介质
CN112686397B (zh) * 2020-12-18 2024-06-11 广东机电职业技术学院 空调器故障率计算方法、装置、计算机设备及存储介质
CN114744608A (zh) * 2021-01-08 2022-07-12 北京国网普瑞特高压输电技术有限公司 一种电力需求响应聚合空调负荷协同控制方法及系统
CN114744608B (zh) * 2021-01-08 2024-03-26 北京国网普瑞特高压输电技术有限公司 一种电力需求响应聚合空调负荷协同控制方法及系统
CN113887083A (zh) * 2021-10-29 2022-01-04 北京明略软件系统有限公司 一种空调调度优化方法、系统、计算机设备和存储介质

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
WO2018171210A1 (zh) 一种基于Rollout算法的多能互补微网实时调度方法
CN111144620A (zh) 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法
CN113708365A (zh) 一种基于端边云架构的虚拟电厂能源管控优化方法及系统
CN110350518B (zh) 一种用于调峰的电网储能容量需求评估方法及系统
CN110084465B (zh) 基于储能的风力发电系统成本/供电可靠性评估方法
CN111585295B (zh) 一种基于laes-caes的储能配置方法
CN114330827B (zh) 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
CN110739710A (zh) 基于优化算法的多种能源类型协调调度方法及装置
CN116822831A (zh) 含共享储能系统的微能源网群优化规划方法
CN108182487A (zh) 基于粒子群优化和本德尔分解的家庭能量数据优化方法
CN111211569A (zh) 一种柔性负荷参与电网调峰的优化配置方法
CN108736518B (zh) 一种城市综合体及大型公共建筑群的综合供能系统及方法
CN113131513A (zh) 考虑碳排放的电、热、气转换优化运行配置方法和存储介质
CN111463773A (zh) 一种区域型综合能源系统能量管理优化方法和装置
CN116316888A (zh) 氢电耦合系统的优化调度方法、系统及装置
CN113313329B (zh) 一种含综合能源系统的配电网优化调度方法
CN113393173A (zh) 一种区域综合能源系统优化调度方法、装置及终端设备
CN110929908B (zh) 多微网系统容量配置与经济调度的协同优化方法及系统
CN113298164A (zh) 一种基于光伏出力不确定性的楼宇用能优化方法
Ihara et al. A simulation study of electric power leveling using V2G infrastructure
CN111668882A (zh) 智慧能环网中微电源出力优化方法及装置
CN111695740B (zh) 一种基于参数控制的主动储能运行方法及系统
Zhou et al. Research on Modeling Method of Comprehensive Energy User Load in Load-intensive City Smart Park
Chen et al. Research on the Method of Controllable Load Participating in Power Grid Regulation in Ubiquitous Power Internet of Things

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