CN110766224B - 一种光伏-蓄热装置容量的优化配置方法和装置 - Google Patents

一种光伏-蓄热装置容量的优化配置方法和装置 Download PDF

Info

Publication number
CN110766224B
CN110766224B CN201911012593.2A CN201911012593A CN110766224B CN 110766224 B CN110766224 B CN 110766224B CN 201911012593 A CN201911012593 A CN 201911012593A CN 110766224 B CN110766224 B CN 110766224B
Authority
CN
China
Prior art keywords
photovoltaic
power
heat storage
storage device
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.)
Active
Application number
CN201911012593.2A
Other languages
English (en)
Other versions
CN110766224A (zh
Inventor
张长久
赵铁军
谢小英
牛益国
贾清泉
王珺
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
Qinhuangdao Power Supply Co of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Qinhuangdao Power Supply Co 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, Qinhuangdao Power Supply Co of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911012593.2A priority Critical patent/CN110766224B/zh
Publication of CN110766224A publication Critical patent/CN110766224A/zh
Application granted granted Critical
Publication of CN110766224B publication Critical patent/CN110766224B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种光伏‑蓄热装置容量的优化配置方法和装置，该方法和装置应用于配电网，具体为基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；根据配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；根据目标函数、热功率平衡等式和能量平衡等式约束，利用粒子群算法对各控制变量的工作状态进行优化求解，求解出典型日场景下的光伏最优容量和蓄热装置最优电功率。由于最终得到的光伏最优容量和蓄热装置最优电功率满足基于总费用最少的目标函数，因此按该配置方案能够实现投资建设成本的最低。

Description

一种光伏-蓄热装置容量的优化配置方法和装置
技术领域
本申请涉及电力技术领域，更具体地说，涉及一种光伏-蓄热装置容量的优化配置方法和装置。
背景技术
随着能源短缺和环境问题的急剧恶化，我国加强对新能源的开发利用。其中光伏发电快速发展，其“自发自用，余电上网”的模式，能合理利用光伏能源。为打赢“蓝天保卫战”，2016年国家能源局发布《关于推进电能替代的指导意见》，推动“煤改电”工程发展，促使电采暖逐步替代煤采暖，从而提高空气质量。
将光伏发电与“煤改电”工程相结合，是解决北方地区环境污染问题的一种有效途径。如何优化配置农村地区光伏和蓄热装置容量，实现投资建设成本最小，是一个亟待解决的问题。
发明内容
有鉴于此，本申请提供一种光伏-蓄热装置容量的优化配置方法和装置，用于得到客观的光伏-蓄热装置容量的配置方案，以降低投资建设成本。
为了实现上述目的，现提出的方案如下：
一种光伏-蓄热装置容量的优化配置方法，应用于配电网，所述优化配置方法包括：
基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；
根据所述配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；
根据所述目标函数、所述热功率平衡等式和所述能量平衡等式约束，利用粒子群算法对各所述控制变量的工作状态进行优化求解，求解出所述典型日场景下的光伏最优容量和蓄热装置最优电功率。
可选的，还包括：
以用户热负荷需求功率、光伏输出有功功率在一定时间的积累量为场景特征量，构成典型日场景描述；
计算光伏输出的有功功率；
计算用户热负荷需求功率；
根据太阳辐射照度、环境温度和/或用户建筑物结构对场景进行筛选，得到上述典型日场景。
可选的，所述目标函数如式如下：
式中，f1为光伏和蓄热装置投资建设等日值费用，f2(t)为t时段光伏和蓄热装置运行费用，TPV为光伏在一天中发电总时长；
其中，
其中，
式中，EPV为光伏额定容量，PRH0为蓄热装置额定电功率，CPV为单位容量的光伏投资成本，CRH为单位功率的蓄热装置投资成本，rPV为光伏等年值成本系数，rRH为蓄热装置等年值成本系数，rd为贴现率，NPV为光伏寿命期望值，NRH为蓄热装置寿命期望值；
式中，PRH(t)为t时段蓄热装置电功率，PPV(t)为t时段光伏发电功率，△T为每个时段时长，CB为向电网购电的电价，CS为向电网售电的电价；
光伏额定容量EPV与t时段光伏发电功率PPV(t)的关系为
式中，ηPV为光伏转换效率；
蓄热装置额定电功率PRH0与t时段蓄热装置电功率PRH(t)的关系为：
一种光伏-蓄热装置容量的优化配置装置，应用于配电网，所述优化配置装置包括：
函数构建模块，用于基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；
约束构建模块，用于根据所述配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；
优化计算模块，用于根据所述目标函数、所述热功率平衡等式和所述能量平衡等式约束，利用粒子群算法对各所述控制变量的工作状态进行优化求解，求解出所述典型日场景下的光伏最优容量和蓄热装置最优电功率。
可选的，还包括：
场景描述模块，用于以用户热负荷需求功率、光伏输出有功功率在一定时间的积累量为场景特征量，构成典型日场景描述；
第一计算模块，用于计算光伏输出的有功功率；
第二计算模块，用于计算用户热负荷需求功率；
场景筛选模块，用于根据太阳辐射照度、环境温度和/或用户建筑物结构对场景进行筛选，得到上述典型日场景。
可选的，所述目标函数如式如下：
式中，f1为光伏和蓄热装置投资建设等日值费用，f2(t)为t时段光伏和蓄热装置运行费用，TPV为光伏在一天中发电总时长；
其中，
其中，
式中，EPV为光伏额定容量，PRH0为蓄热装置额定电功率，CPV为单位容量的光伏投资成本，CRH为单位功率的蓄热装置投资成本，rPV为光伏等年值成本系数，rRH为蓄热装置等年值成本系数，rd为贴现率，NPV为光伏寿命期望值，NRH为蓄热装置寿命期望值；
式中，PRH(t)为t时段蓄热装置电功率，PPV(t)为t时段光伏发电功率，△T为每个时段时长，CB为向电网购电的电价，CS为向电网售电的电价；
光伏额定容量EPV与t时段光伏发电功率PPV(t)的关系为
式中，ηPV为光伏转换效率；
蓄热装置额定电功率PRH0与t时段蓄热装置电功率PRH(t)的关系为：
从上述的技术方案可以看出，本申请公开了一种光伏-蓄热装置容量的优化配置方法和装置，该方法和装置应用于配电网，具体为基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；根据配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；根据目标函数、热功率平衡等式和能量平衡等式约束，利用粒子群算法对各控制变量的工作状态进行优化求解，求解出典型日场景下的光伏最优容量和蓄热装置最优电功率。由于最终得到的光伏最优容量和蓄热装置最优电功率满足基于总费用最少的目标函数，因此按该配置方案能够实现投资建设成本的最低。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例的一种光伏-蓄热装置容量的优化配置方法的流程图；
图2为本申请实施例的一种构建典型日场景的流程图；
图3为本申请实施例的一种光伏-蓄热装置容量的优化配置装置的框图；
图4为本申请实施例的另一种光伏-蓄热装置容量的优化配置装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
图1为本申请实施例的一种光伏-蓄热装置容量的优化配置方法的流程图。
如图1所示，本实施例提供的优化配置方法应用于配电网，用于在配电网配置有光伏装置和蓄热装置的情况下，对两者的功率配置进行优化计算，得到最优的功率配比，该优化配置方法包括如下步骤：
S1、基于预先构建的典型日场景建立目标函数。
该目标函数是指基于预先构建的典型日场景，使光伏装置和蓄热装置的投资建设运行的日总费用最少的目标函数。该目标函数如式(1)所示：
式中，f1为光伏和蓄热装置投资建设等日值费用，f2(t)为t时段光伏和蓄热装置运行费用，TPV为光伏在一天中发电总时长，f1如式(2)所示，f2(t)如式(3)所示。
其中
式中，EPV为光伏额定容量，PRH0为蓄热装置额定电功率，CPV为单位容量的光伏投资成本，CRH为单位功率的蓄热装置投资成本，rPV为光伏等年值成本系数，rRH为蓄热装置等年值成本系数，rd为贴现率，NPV为光伏寿命期望值，NRH为蓄热装置寿命期望值。
式中，PRH(t)为t时段蓄热装置电功率，PPV(t)为t时段光伏发电功率，△T为每个时段时长，CB为向电网购电的电价，CS为向电网售电的电价。
光伏额定容量EPV与t时段光伏发电功率PPV(t)的关系为
式中，ηPV为光伏转换效率。
蓄热装置额定电功率PRH0与t时段蓄热装置电功率PRH(t)的关系为
S2、建立热功率热平衡等式约束和能量平衡等式约束。
具体而言，是配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束。
热功率平衡约束：
热负荷功率需求由蓄热装置提供，满足等式约束如下式：
式中，ηRH为蓄热装置制热效率。
热能量平衡约束：
用户热负荷能量总需求由蓄热装置提供，满足等式约束如下式
S3、计算典型日场景下的光伏最优容量和蓄热装置最优电功率。
根据所建立的目标函数、热功率热平衡等式约束和能量平衡等式约束，利用粒子群算法对各控制变量的工作状态进行优化求解，求解出典型日场景下的光伏最优容量、蓄热装置最优电功率。
粒子群算法(Particle Swarm optimization，PSO)又称为粒子群优化算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能(Swarm intelligence,SI)的一种。它可以被纳入多主体优化系统(Multiagent Optimization System,MAOS).粒子群优化算法是由Eberhart博士和kennedy博士发明。
PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻离食物最近的鸟的周围区域。
PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。
从上述技术方案可以看出，本实施例提供了一种光伏-蓄热装置容量的优化配置方法，该方法应用于配电网，具体为基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；根据配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；根据目标函数、热功率平衡等式和能量平衡等式约束，利用粒子群算法对各控制变量的工作状态进行优化求解，求解出典型日场景下的光伏最优容量和蓄热装置最优电功率。由于最终得到的光伏最优容量和蓄热装置最优电功率满足基于总费用最少的目标函数，因此按该配置方案能够实现投资建设成本的最低。
另外，本申请中通过如下方案得到该典型日场景，如图2所示：
S101、描述典型日场景。
以用户热负荷需求功率、光伏输出有功功率在一定时间的积累量为场景特征量，构成典型日场景描述。
热负荷需求功率构成的场景特征量为
式中，Hi(t)为t时段第i个用户热负荷需求功率，△T为每个时段时长，NLD为用户数量。
光伏输出有功功率构成的场景特征量为：
式中，PPV(t)为t时段光伏输出有功功率，△T为每个时段时长，TPV为光伏在一天中发电总时长。
根据式(6)、(7)得到用户热负荷需求功率和光伏输出有功功率构成的日场景的特征向量为
Sr＝[Sr1 Sr2] (8)
S102、计算光伏输出的有功功率。
光伏输出功率与太阳辐射照度、环境温度以及光伏在标准额定条件下的输出功率有关，如式(9)所示：
式中：PSTC为标准额定条件下光伏输出功率，GSTC为标准额定条件下太阳辐射照度，值为1000W/m2，TSTC为标准额定条件下光伏电池板温度，值为25℃，k为功率温度系数，GS(t)为t时段光伏工作点太阳辐射照度，Tc(t)为t时段光伏工作点温度。光伏工作点温度较难获得，可通过测量环境温度，由式(10)估算得到：
式中，TE(t)为t时段环境温度。
S103、计算用户热负荷需求功率。
用户热负荷需求功率与太阳辐射照度、环境温度、蓄热装置供热量、建筑物结构有关。
建筑物室内温度变化与传热量的关系为
式中，△Tin为建筑物室内温度的变化量，Qh(t)为t时段建筑物需要蓄热装置向室内提供的热量，Qs(t)为t时段阳光辐射向室内提供的能量，Qc(t)为t时段室内空气通过建筑围护结构向室外传导的能量；Qv(t)为t时段室内外空气交换导致室内损失的能量；Cair为建筑物中空气的总热容。
其中，Qh(t)＝Hi(t)△t (12)
式中，Hi(t)为第i个用户t时段热负荷需求功率。
Qs(t)＝GS(t)Swεw△t (13)
式中，GS(t)为t时段太阳辐射照度，Sw为建筑物内门窗总面积，εw为阳光辐射强度折减系数。
Qc(t)＝(KlSl+KrSr+KgSg+KwSw)(Tin(t)-Tout(t))△t (14)
式中，Kl、Kr、Kg、Kw分别为建筑物内墙体、屋顶、地面、门窗对室外的传热系数，Sl、Sr、Sg、Sw分别为建筑物内墙体、屋顶、地面、门窗的总面积，Tin(t)、Tout(t)分别为t时段室内气温、室外气温。
Qv(t)＝cairρairVv(Tin(t)-Tout(t))△t (15)
式中，Vv为室内外空气交换体积，cair为建筑物内空气的比热容，ρair为建筑物内空气的密度。
为维持室内温度不变，由式(11)根据能量守恒可得
Qh(t)+Qs(t)-Qc(t)-Qv(t)＝0 (16)
由式(12)、(16)可得第i个用户热负荷需求功率为：
S104、通过场景筛选得到典型日场景。
根据太阳辐射照度、环境温度、用户建筑物结构等参数，由式(9)、(17)分别得到光伏输出有功功率和用户热负荷需求功率。从一年中不同季节、不同天气以及不同时间段抽取一定数量的日运行场景，多个日运行场景构成一个日场景集。设日运行场景共有M个，根据不同日场景下的光伏输出有功功率、用户热负荷需求功率按式(6)、(7)建立日场景特征向量，则构成的日场景集表示为：
采用欧式距离确定典型日场景，典型日场景应在各场景分布的中心，对日场景集中任意两个日场景Si和Sj可确定欧式距离dij为：
欧式距离越小，表明日场景Si和Sj越接近。计算日场景集中每个日场景对其他日场景的欧式距离之和：
Di最小者对应场景为典型日场景，可用选定的典型日场景进行优化配置。
实施例二
图3为本申请实施例的一种光伏-蓄热装置容量的优化配置装置的框图。
如图3所示，本实施例提供的优化装置方法应用于配电网，用于在配电网配置有光伏装置和蓄热装置的情况下，对两者的功率配置进行优化计算，得到最优的功率配比，该优化配置装置包括函数构建模块10、约束构建模块20和优化计算模块30。
函数构建模块用于基于预先构建的典型日场景建立目标函数。
该目标函数是指基于预先构建的典型日场景，使光伏装置和蓄热装置的投资建设运行的日总费用最少的目标函数。该目标函数如式(1)所示：
式中，f1为光伏和蓄热装置投资建设等日值费用，f2(t)为t时段光伏和蓄热装置运行费用，TPV为光伏在一天中发电总时长，f1如式(2)所示，f2(t)如式(3)所示。
其中
式中，EPV为光伏额定容量，PRH0为蓄热装置额定电功率，CPV为单位容量的光伏投资成本，CRH为单位功率的蓄热装置投资成本，rPV为光伏等年值成本系数，rRH为蓄热装置等年值成本系数，rd为贴现率，NPV为光伏寿命期望值，NRH为蓄热装置寿命期望值。
式中，PRH(t)为t时段蓄热装置电功率，PPV(t)为t时段光伏发电功率，△T为每个时段时长，CB为向电网购电的电价，CS为向电网售电的电价。
光伏额定容量EPV与t时段光伏发电功率PPV(t)的关系为
式中，ηPV为光伏转换效率。
蓄热装置额定电功率PRH0与t时段蓄热装置电功率PRH(t)的关系为
约束构建模块用于建立热功率热平衡等式约束和能量平衡等式约束。
具体而言，是配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束。
热功率平衡约束：
热负荷功率需求由蓄热装置提供，满足等式约束如下式：
式中，ηRH为蓄热装置制热效率。
热能量平衡约束：
用户热负荷能量总需求由蓄热装置提供，满足等式约束如下式
优化计算模块用于计算典型日场景下的光伏最优容量和蓄热装置最优电功率。
根据所建立的目标函数、热功率热平衡等式约束和能量平衡等式约束，利用粒子群算法对各控制变量的工作状态进行优化求解，求解出典型日场景下的光伏最优容量、蓄热装置最优电功率。
粒子群算法(Particle Swarm optimization，PSO)又称为粒子群优化算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能(Swarm intelligence,SI)的一种。它可以被纳入多主体优化系统(Multiagent Optimization System,MAOS).粒子群优化算法是由Eberhart博士和kennedy博士发明。
PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻离食物最近的鸟的周围区域。
PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。
从上述技术方案可以看出，本实施例提供了一种光伏-蓄热装置容量的优化配置装置，该装置应用于配电网，具体为基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；根据配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；根据目标函数、热功率平衡等式和能量平衡等式约束，利用粒子群算法对各控制变量的工作状态进行优化求解，求解出典型日场景下的光伏最优容量和蓄热装置最优电功率。由于最终得到的光伏最优容量和蓄热装置最优电功率满足基于总费用最少的目标函数，因此按该配置方案能够实现投资建设成本的最低。
另外，本申请中还包括场景描述模块40、第一计算模块50、第二计算模块60和场景筛选模块70，如图4所示，用于得到该典型日场景。
场景描述模块用于描述典型日场景。
以用户热负荷需求功率、光伏输出有功功率在一定时间的积累量为场景特征量，构成典型日场景描述。
热负荷需求功率构成的场景特征量为
式中，Hi(t)为t时段第i个用户热负荷需求功率，△T为每个时段时长，NLD为用户数量。
光伏输出有功功率构成的场景特征量为：
式中，PPV(t)为t时段光伏输出有功功率，△T为每个时段时长，TPV为光伏在一天中发电总时长。
根据式(6)、(7)得到用户热负荷需求功率和光伏输出有功功率构成的日场景的特征向量为
Sr＝[Sr1 Sr2] (8)
第一计算模块用于计算光伏光伏输出的有功功率。
光伏输出功率与太阳辐射照度、环境温度以及光伏在标准额定条件下的输出功率有关，如式(9)所示：
式中：PSTC为标准额定条件下光伏输出功率，GSTC为标准额定条件下太阳辐射照度，值为1000W/m2，TSTC为标准额定条件下光伏电池板温度，值为25℃，k为功率温度系数，GS(t)为t时段光伏工作点太阳辐射照度，Tc(t)为t时段光伏工作点温度。光伏工作点温度较难获得，可通过测量环境温度，由式(10)估算得到：
式中，TE(t)为t时段环境温度。
第二计算模块用于计算用户热负荷需求功率。
用户热负荷需求功率与太阳辐射照度、环境温度、蓄热装置供热量、建筑物结构有关。
建筑物室内温度变化与传热量的关系为
式中，△Tin为建筑物室内温度的变化量，Qh(t)为t时段建筑物需要蓄热装置向室内提供的热量，Qs(t)为t时段阳光辐射向室内提供的能量，Qc(t)为t时段室内空气通过建筑围护结构向室外传导的能量；Qv(t)为t时段室内外空气交换导致室内损失的能量；Cair为建筑物中空气的总热容。
其中，Qh(t)＝Hi(t)△t (12)
式中，Hi(t)为第i个用户t时段热负荷需求功率。
Qs(t)＝GS(t)Swεw△t (13)
式中，GS(t)为t时段太阳辐射照度，Sw为建筑物内门窗总面积，εw为阳光辐射强度折减系数。
Qc(t)＝(KlSl+KrSr+KgSg+KwSw)(Tin(t)-Tout(t))△t (14)
式中，Kl、Kr、Kg、Kw分别为建筑物内墙体、屋顶、地面、门窗对室外的传热系数，Sl、Sr、Sg、Sw分别为建筑物内墙体、屋顶、地面、门窗的总面积，Tin(t)、Tout(t)分别为t时段室内气温、室外气温。
Qv(t)＝cairρairVv(Tin(t)-Tout(t))△t (15)
式中，Vv为室内外空气交换体积，cair为建筑物内空气的比热容，ρair为建筑物内空气的密度。
为维持室内温度不变，由式(11)根据能量守恒可得
Qh(t)+Qs(t)-Qc(t)-Qv(t)＝0 (16)
由式(12)、(16)可得第i个用户热负荷需求功率为：
场景筛选模块用于通过场景筛选得到典型日场景。
根据太阳辐射照度、环境温度、用户建筑物结构等参数，由式(9)、(17)分别得到光伏输出有功功率和用户热负荷需求功率。从一年中不同季节、不同天气以及不同时间段抽取一定数量的日运行场景，多个日运行场景构成一个日场景集。设日运行场景共有M个，根据不同日场景下的光伏输出有功功率、用户热负荷需求功率按式(6)、(7)建立日场景特征向量，则构成的日场景集表示为：
采用欧式距离确定典型日场景，典型日场景应在各场景分布的中心，对日场景集中任意两个日场景Si和Sj可确定欧式距离dij为：
欧式距离越小，表明日场景Si和Sj越接近。计算日场景集中每个日场景对其他日场景的欧式距离之和：
Di最小者对应场景为典型日场景，可用选定的典型日场景进行优化配置。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种光伏-蓄热装置容量的优化配置方法，应用于配电网，其特征在于，所述优化配置方法包括：
基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；
根据所述配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；
根据所述目标函数、所述热功率平衡等式和所述能量平衡等式约束，利用粒子群算法对各所述控制变量的工作状态进行优化求解，求解出所述典型日场景下的光伏最优容量和蓄热装置最优电功率；
所述目标函数包括：
式中，f1为光伏和蓄热装置投资建设等日值费用，f2(t)为t时段光伏和蓄热装置运行费用，TPV为光伏在一天中发电总时长；
其中，
其中，
式中，EPV为光伏额定容量，PRH0为蓄热装置额定电功率，CPV为单位容量的光伏投资成本，CRH为单位功率的蓄热装置投资成本，rPV为光伏等年值成本系数，rRH为蓄热装置等年值成本系数，rd为贴现率，NPV为光伏寿命期望值，NRH为蓄热装置寿命期望值；
式中，PRH(t)为t时段蓄热装置电功率，PPV(t)为t时段光伏发电功率，ΔT为每个时段时长，CB为向电网购电的电价，CS为向电网售电的电价；
光伏额定容量EPV与t时段光伏发电功率PPV(t)的关系为
式中，ηPV为光伏转换效率；
蓄热装置额定电功率PRH0与t时段蓄热装置电功率PRH(t)的关系为：
所述方法，还包括：
以用户热负荷需求功率、光伏输出有功功率在一定时间的积累量为场景特征量，构成典型日场景描述；
计算光伏输出的有功功率；
计算用户热负荷需求功率；
根据太阳辐射照度、环境温度和用户建筑物结构对日场景进行筛选，并根据所述日场景对应的欧式距离确定所述典型日场景，所述欧式距离根据所述用户热负荷需求功率构成的场景特征量，以及所述光伏输出有功功率构成的场景特征量确定。
2.一种光伏-蓄热装置容量的优化配置装置，应用于配电网，其特征在于，所述优化配置装置包括：
函数构建模块，用于基于预先构建的典型日场景，建立使光伏和蓄热装置投资建设和运行的总费用最少的目标函数；
约束构建模块，用于根据所述配电网中用户热负荷需求，以光伏容量和蓄热装置电功率为控制变量，建立热功率平衡等式约束和能量平衡等式约束；
优化计算模块，用于根据所述目标函数、所述热功率平衡等式和所述能量平衡等式约束，利用粒子群算法对各所述控制变量的工作状态进行优化求解，求解出所述典型日场景下的光伏最优容量和蓄热装置最优电功率；
所述目标函数包括：
式中，f1为光伏和蓄热装置投资建设等日值费用，f2(t)为t时段光伏和蓄热装置运行费用，TPV为光伏在一天中发电总时长；
其中，
其中，
式中，EPV为光伏额定容量，PRH0为蓄热装置额定电功率，CPV为单位容量的光伏投资成本，CRH为单位功率的蓄热装置投资成本，rPV为光伏等年值成本系数，rRH为蓄热装置等年值成本系数，rd为贴现率，NPV为光伏寿命期望值，NRH为蓄热装置寿命期望值；
式中，PRH(t)为t时段蓄热装置电功率，PPV(t)为t时段光伏发电功率，ΔT为每个时段时长，CB为向电网购电的电价，CS为向电网售电的电价；
光伏额定容量EPV与t时段光伏发电功率PPV(t)的关系为
式中，ηPV为光伏转换效率；
蓄热装置额定电功率PRH0与t时段蓄热装置电功率PRH(t)的关系为：
场景描述模块，用于以用户热负荷需求功率、光伏输出有功功率在一定时间的积累量为场景特征量，构成典型日场景描述；
第一计算模块，用于计算光伏输出的有功功率；
第二计算模块，用于计算用户热负荷需求功率；
场景筛选模块，用于根据太阳辐射照度、环境温度和用户建筑物结构对日场景进行筛选，并根据所述日场景对应的欧式距离确定所述典型日场景，所述欧式距离根据所述用户热负荷需求功率构成的场景特征量，以及所述光伏输出有功功率构成的场景特征量确定。
CN201911012593.2A 2019-10-23 2019-10-23 一种光伏-蓄热装置容量的优化配置方法和装置 Active CN110766224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911012593.2A CN110766224B (zh) 2019-10-23 2019-10-23 一种光伏-蓄热装置容量的优化配置方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911012593.2A CN110766224B (zh) 2019-10-23 2019-10-23 一种光伏-蓄热装置容量的优化配置方法和装置

Publications (2)

Publication Number Publication Date
CN110766224A CN110766224A (zh) 2020-02-07
CN110766224B true CN110766224B (zh) 2023-11-10

Family

ID=69333853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911012593.2A Active CN110766224B (zh) 2019-10-23 2019-10-23 一种光伏-蓄热装置容量的优化配置方法和装置

Country Status (1)

Country Link
CN (1) CN110766224B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757456A (zh) * 2022-06-15 2022-07-15 国网江西省电力有限公司电力科学研究院 一种农网供能范围与用户负荷的调控协同优化方法及系统
CN115049149A (zh) * 2022-07-08 2022-09-13 天津泰达滨海清洁能源集团有限公司 一种综合能源系统容量优化配置与优化调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016113925A1 (ja) * 2015-01-16 2016-07-21 三菱電機株式会社 電力管理装置
CN106485358A (zh) * 2016-10-12 2017-03-08 国网上海市电力公司 结合序列运算和粒子群算法的独立微电网优化配置方法
CN107221925A (zh) * 2017-05-10 2017-09-29 中国农业大学 优化分布式电源配置方法及装置
WO2018130231A1 (zh) * 2017-01-11 2018-07-19 东南大学 一种基于热网和房屋热惯性的综合能源系统优化方法
CN108565902A (zh) * 2018-04-27 2018-09-21 武汉大学 一种基于光储协调优化的户用型能量调度方法
CN109299829A (zh) * 2018-10-11 2019-02-01 国网甘肃省电力公司电力科学研究院 光伏温室微能网系统多形态储能配置方法及系统
CN109472394A (zh) * 2018-09-30 2019-03-15 中国电力科学研究院有限公司 一种储能成本和收益的经济优化方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10324483B2 (en) * 2017-01-12 2019-06-18 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
EP3457513A1 (en) * 2017-09-13 2019-03-20 Johnson Controls Technology Company Building energy system with load balancing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016113925A1 (ja) * 2015-01-16 2016-07-21 三菱電機株式会社 電力管理装置
CN106485358A (zh) * 2016-10-12 2017-03-08 国网上海市电力公司 结合序列运算和粒子群算法的独立微电网优化配置方法
WO2018130231A1 (zh) * 2017-01-11 2018-07-19 东南大学 一种基于热网和房屋热惯性的综合能源系统优化方法
CN107221925A (zh) * 2017-05-10 2017-09-29 中国农业大学 优化分布式电源配置方法及装置
CN108565902A (zh) * 2018-04-27 2018-09-21 武汉大学 一种基于光储协调优化的户用型能量调度方法
CN109472394A (zh) * 2018-09-30 2019-03-15 中国电力科学研究院有限公司 一种储能成本和收益的经济优化方法及系统
CN109299829A (zh) * 2018-10-11 2019-02-01 国网甘肃省电力公司电力科学研究院 光伏温室微能网系统多形态储能配置方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于分时电价的光伏储能系统容量优化配置;吴杰;电工电能新技术;第37卷(第1期);25-30 *
用户光伏发电储能优化配置研究;吴峰;智慧电力;第46卷(第7期);1-6 *

Also Published As

Publication number Publication date
CN110766224A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
Luo et al. A multistage home energy management system with residential photovoltaic penetration
Zhao et al. Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm
Masa-Bote et al. Improving photovoltaics grid integration through short time forecasting and self-consumption
Calero et al. Duck-curve mitigation in power grids with high penetration of PV generation
Moazeni et al. Dynamic economic dispatch of islanded water-energy microgrids with smart building thermal energy management system
Sossan et al. Scheduling of domestic water heater power demand for maximizing PV self-consumption using model predictive control
US20160370814A1 (en) Systems and methods of home efficiency modeling
Zhang et al. Optimization algorithm for home energy management system based on artificial bee colony in smart grid
CN108808743A (zh) 基于通信网络的多能源微电网能量预测和优化调度方法
CN109888840B (zh) 风光-垃圾发电能源综合利用系统的调度优化方法及装置
CN110766224B (zh) 一种光伏-蓄热装置容量的优化配置方法和装置
CN113572157A (zh) 一种基于近端策略优化的用户实时自治能量管理优化方法
Chellaswamy et al. A framework for building energy management system with residence mounted photovoltaic
CN110603703A (zh) 用于能量系统的能量管理方法和能量系统
Jiang et al. A weather-condition prediction algorithm for solar-powered wireless sensor nodes
Lin et al. A hybrid short-term load forecasting approach for individual residential customer
Oprea et al. Mind the gap between PV generation and residential load curves: Maximizing the roof-top PV usage for prosumers with an IoT-based adaptive optimization and control module
Rossi et al. Real-time optimization of the battery banks lifetime in hybrid residential electrical systems
Georgiou et al. Implementing artificial neural networks in energy building applications—A review
Prauzek et al. Optimizing of q-learning day/night energy strategy for solar harvesting environmental wireless sensor networks nodes
Saadawi et al. IoT-based Optimal Energy Management in Smart Homes using Harmony Search Optimization Technique
CN109343461A (zh) 一种楼宇自动化控制系统的节能控制方法
CN111682539B (zh) 基于简化综合场景的含分布式电源电网的分区方法及系统
CN116488223A (zh) 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质
CN116341855A (zh) 一种分布式储能规划方法、装置、设备及介质

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