CN110866641B - 计及源储荷协同的多能互补系统两级优化调度方法及系统 - Google Patents
计及源储荷协同的多能互补系统两级优化调度方法及系统 Download PDFInfo
- Publication number
- CN110866641B CN110866641B CN201911113965.0A CN201911113965A CN110866641B CN 110866641 B CN110866641 B CN 110866641B CN 201911113965 A CN201911113965 A CN 201911113965A CN 110866641 B CN110866641 B CN 110866641B
- Authority
- CN
- China
- Prior art keywords
- load
- optimization
- stage
- power
- energy storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000295 complement effect Effects 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims description 14
- 238000004146 energy storage Methods 0.000 claims abstract description 57
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 11
- 239000007789 gas Substances 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005057 refrigeration Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000013486 operation strategy Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005338 heat storage Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000002918 waste heat Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims 4
- 238000001816 cooling Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种计及源储荷协同的多能互补系统两级优化调度方法及系统，第一级优化：获取负荷数据，以经济性最优化为目标，用户舒适度为约束，利用遗传算法优化得到最佳负荷数据，并将优化后的负荷作为第二级优化的输入；第二级优化：以运行费用最低为目标，基于随机动态规划，优化设备出力及储能状态，并将运行费用输出给第一级优化；第一级优化和第二级优化循环迭代，得到最佳负荷曲线和系统最佳运行调度计划，实现源‑荷最佳匹配；本公开通过双层优化循环迭代，最终求得最佳负荷曲线及系统运行计划，有效地将需求侧响应、储能及随机优化统一于一个优化框架内，有效解决了源‑荷随机问题，实现源‑荷最佳匹配，进一步提高系统的经济性。
Description
技术领域
本公开涉及环保与节能技术领域，特别涉及一种计及源储荷协同的多能互补系统两级优化调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
全球正面临着前所未有的能源和环境危机，大力发展以风光为主的可再生能源分布式供能系统是解决问题的关键途径。多能互补系统由可再生能源发电、供暖/制冷、冷热电联供(CCHP)系统组成，基于能量梯级利用原理，可满足用户电、冷、热多元化用能需求，能够大幅提高能源利用率以及可再生能源消纳率，同时减少污染物排放，极具发展潜力。系统的优化调度是保证其经济高效运行的前提，然而，由于可再生能源发电(风电、光伏等)及用户负荷(电、热、冷)的不确定性导致系统的优化调度极为困难，已经成为制约多能互补系统发展的关键问题。
本公开发明人通过对现有专利进行检索，发现专利“基于两阶段协调优化与控制的冷热电联供型微网运行方法”(专利号CN106505634A)，此专利提出一种基于两阶段协调优化与控制的冷热电联供型微网运行方法，实现了冷热电微网日内、实时两个时间尺度的协调调度，然而该专利的优化方法并未考虑负荷可调度的问题；专利“一种基于新能源消纳的源网荷协调控制方法及系统”(专利号CN 106505634 A)，此专利通过采用多元协调控制技术，对区域内分散的可控负荷进行整体协同调度，实现多种能源和可控负荷之间的特性互补，从而达到源/网/荷的互动，然而该专利仅适用于电力子系统，对多能源(冷、热、电)系统并不适用。
发明内容
为了解决现有技术的不足，本公开提供了一种计及源储荷协同的多能互补系统两级优化调度方法及系统，通过双层优化循环迭代，最终求得最佳负荷曲线及系统运行计划，有效地将需求侧响应、储能及随机优化统一于一个优化框架内，解决了源-荷随机问题，实现源-荷最佳匹配，进一步提高系统的经济性。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种计及源储荷协同的多能互补系统两级优化调度方法。
一种计及源储荷协同的多能互补系统两级优化调度方法，包括：
第一级优化：获取负荷数据，以经济性最优化为目标，用户舒适度为约束，利用遗传算法优化得到最佳负荷数据，并将优化后的负荷作为第二级优化的输入；
第二级优化：以运行费用最低为目标，基于随机动态规划，优化设备出力及储能状态，并将运行费用输出给第一级优化；
第一级优化和第二级优化循环迭代，得到最佳负荷曲线和系统最佳运行调度计划，实现源-荷最佳匹配。
作为可能的一些实现方式，第一级优化的目标函数，具体为：
其中，cost为系统运行花费，是第二层运行优化的目标；γ为罚因子，反映用户对温度舒适度的敏感程度，定义为用户敏感度系数，单位为元/℃；Tin(t)为t时刻室内温度，Tset(t)为t时刻室内最舒适温度。
作为进一步的限定，所述系统运行花费，具体为：
其中，Pgrid为t时刻的电价，分为购电价格和售电价格；Egrid为电网交互功率，购电为正，售电为负；Pgas为燃气价格；ηe,pgu为发电机组的发电效率；N为一个完整的调度周期内的总调度阶段数。
作为可能的一些实现方式，第一级优化的负荷为可调度用电设备的启停状态和室内可控温度。
作为可能的一些实现方式，第二级优化的目标函数，具体为：
其中，f为累积期望运行成本，v为阶段运行成本，每个阶段为1小时，总阶段数N为24；
作为可能的一些实现方式，第二级优化的约束条件为电平衡、冷平衡、热平衡和储能状态约束，第二级优化的变量包括每个阶段发电机组的出力计划和储能设备的储能状态。
作为可能的一些实现方式，利用遗传算法优化负荷，具体为：
(6-1)系统初始化，对系统参数、遗传算法和设备参数进行设置；
(6-2)种群初始化，随机生成N个个体，作为初始种群P0，并对每个个体进行二进制编码；
(6-3)计算当前种群P的适应度；
(6-4)判断当前种群是否满足终止要求，若达到了用户指示的最大迭代数，则执行(6-7)否则，需要继续(6-5)。
(6-5)选择、交叉和变异，形成新种群P3；
(6-6)执行(6-3)；
(6-7)解码，得到负荷优化结果。
作为可能的一些实现方式，利用倒向随机动态规划方法求解随机动态规划的运行优化模型，得到最佳的储能状态；
进一步的，采用可变成本的方式优化发电机组出力计划，阶段转移成本的极值仅与吸收式制冷机制冷功率有关，通过求解阶段转移成本函数在不同定义域下的极值解，利用吸收式制冷机制冷功率与发电机输出功率的关系进一步求得发电机输出功率。
本公开第二方面提供了一种计及源储荷协同的多能互补系统两级优化调度系统。
一种计及源储荷协同的多能互补系统两级优化调度系统，包括：
第一级优化模块，被配置为：获取负荷数据，以经济性最优化为目标，用户舒适度为约束，利用遗传算法优化得到最佳负荷数据，并将优化后的负荷作为第二级优化的输入；
第二级优化模块，被配置为：以运行费用最低为目标，基于随机动态规划，优化设备出力及储能状态，并将运行费用输出给第一级优化；
调度输出模块，被配置为：第一级优化模块和第二级优化模块循环迭代，得到最佳负荷曲线和系统最佳运行调度计划，实现源-荷最佳匹配。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的计及源储荷协同的多能互补系统两级优化调度方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的计及源储荷协同的多能互补系统两级优化调度方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的两级优化调度方法，包括第一级和第二级，其中第一级为需求响应层，以经济性最优为目标，用户舒适度为约束，利用遗传算法优化负荷数据，并将优化后的负荷作为下层优化的输入；第二级为基于随机动态规划的运行优化层，以运行费用最低为目标，优化设备出力及储能状态，并将运行费用输出给上层优化；双层优化循环迭代，最终求得最佳负荷曲线及系统运行计划，有效地将需求侧响应、储能及随机优化统一于一个优化框架内，有效解决了源-荷随机问题，实现源-荷最佳匹配，进一步提高了系统的经济性。
2、本公开所述的内容基于遗传算法的进行第一级优化中的负荷优化求解，第一级优化可以得到可调度电设备的工作时间表，以及室内温度的计划表，从而得到冷、热、电负荷优化曲线，极大的提高了优化模型的求解速率和准确度。
3、本公开利用随机动态规划方法求解最佳的储能状态，利用倒向随机动态规划方法求解随机动态规划的运行优化模型，按照优化后的结果运行，在经济性达到最优的同时，能源利用率与碳排放量较分供系统也有极大改善。
附图说明
图1为本公开实施例1所述的可再生能源CCHP系统结构示意图。
图2为本公开实施例1所述的计及源储荷协同的多能互补系统两级优化调度方法的逻辑关系示意图。
图3为本公开实施例1所述的误差分布离散化曲线。
图4为本公开实施例1所述的基于遗传算法的负荷优化求解流程示意图。
图5为本公开实施例1所述的随机动态规划求解流程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1：
多能互补CCHP系统结构如图1所示，系统由风机、光伏电池、内燃发电机组、吸收式制冷机、热泵、蓄冷装置、蓄热装置、电负荷、冷负荷以及热负荷构成。电负荷由风机、光伏、内燃发电机组及上级电网供给；冷负荷由热泵、吸收式制冷机和蓄冷设备供给；热负荷由热泵、发电机组余热系统和蓄热设备供给；电、冷、热负荷需求响应灵活参与调度。
基于图1所述的结构，本公开实施例1提出了一种计及源储荷协同的多能互补系统两级优化调度方法，如图2所示，第一级为需求响应层，以经济性最优为目标，用户舒适度为约束，利用遗传算法优化负荷数据，并将优化后的负荷作为下层优化的输入；第二级则为基于随机动态规划的运行优化层，以运行费用最低为目标，优化设备出力及储能状态，并将运行费用输出给上层优化。双层优化循环迭代，最终求得最佳负荷曲线及系统运行计划，实现源-荷最佳匹配，进一步提高系统的经济性。
(1)第一级优化模型
第一级为计及用户舒适度的需求响应层，该层以经济性为目标建立负荷优化模型，从而求解电、冷、热最佳负荷数据。
优化目标为计及用户舒适度的经济性最优：
其中，cost为系统运行花费，是第二层运行优化的目标；γ为罚因子，反映用户对温度舒适度的敏感程度，定义为用户敏感度系数，单位为元/℃；Tset(t)为t时刻室内最舒适温度；Tin(t)为t时刻的室内温度，Pgrid为t时刻的电价，分为购电价格和售电价格；Egrid为电网交互功率，购电为正，售电为负；Pgas为燃气价格；ηe,pgu为发电机组的发电效率；N为一个完整的调度周期内的总调度阶段数。
(1-1)可控负荷模型：
①可控电负荷包括可中断负载和不可中断负载，电动汽车等可中断负荷在使用过程中可以任意暂停使用，其他电器如电饭煲、热水器等，启动后不间断使用。在负荷调度方案中，考虑到居民客户的意愿，实现可控电负荷在优化周期(24h)内的平移调度，优化间隔为1h。假定参与需求响应的可控设备运行功率x是固定不变的，使用离散二进制变量y∈{0,1}表示设备的启停状态，1表示运行，0表示关闭。通过优化变量y的值，来达到负荷转移的目的。
Econload为可控电负荷；D表示所有负荷可控设备的集合；xd表示第d个设备的工作功率；yd∈{0,1}表示第d个设备的启停状态，1表示运行，0表示关闭。
②由于建筑物的墙体均具有一定的隔热效果，室内与室外的热交换过程较慢，不同于电负荷，室内的温度呈小时级的变化；因此，根据能源价格，在不破坏温度舒适度的前提下控制室内冷/热负荷。
Cload、Hload分别为可控冷、热负荷；Tin(t)、Tout(t)分别代表室内和室外温度；T、Req分别代表控制周期和建筑物参数，β、α分别为室内用电设备对冷、热负荷的影响系数；
是常数可以被表示为：
Mair、c分别为室内空气质量和空气比热容；Req可以被表示为：
Req＝RwallRwindow/(Rwall+Rwindow)(7)
Rwall、Rwindow分别代表墙壁热量和窗户热量。
优化变量：可调度用电设备的启停状态yd(t)和室内可控温度Tin(t)。
(1-2)约束条件：
①可调度设备：
[Ad,Bd]为设备d的可调度工作区间；Ed表示设备d的总耗电量。
对不可中断负荷设备有：
若yd(t)＝1，则yd(t+1)＝1,…,yd(t+n)＝1，n为设备d的工作时长。
②室内温度：
Tin_min≤Tin(t)≤Tin_max (9)
Tin_min，Tin_min为室内可调温度的上下限，室内温度调节范围越大，控制效果越好，但同时用户的温度舒适度受到的影响也越大。
(2)第二级优化模型
第二级为系统的运行优化层，由于源荷随机性导致预测数据存在误差，该层以运行花费最少为目标建立运行随机优化模型，从而求解各设备的最佳出力计划。
优化目标为最低期望成本：
为应对可再生能源的随机性，系统结构中引入了储能设备，遂使得系统相邻运行阶段前后关联，故第二层运行优化为动态优化问题。
故第二级将目标函数表达为递归形式：
式中，f为累积期望运行成本；v为阶段运行成本，每个阶段为1小时，总阶段数N为24。
(2-1)约束条件：
①电平衡：
Epv(k)+εpv(k)+Ewp(k)+εwp(k)+Epgu(k)+Egrid(k)＝Efixload(k)+Econload(k)+εwp(k)+Ep(k) (12)
Epv、Ewp、Epgu、Egrid分别为光伏发电功率、风机发电功率、发电机组输出功率以及电网交互功率；Efixoad、Econload、Ep分别为固定电负荷、可控电负荷及热泵的输入功率；εpv与εwp分别代表光伏出力与风电出力的随机误差；εe代表电负荷的随机误差。
②冷平衡：
Qab(k)+Qpc(k)+Qs(k)＝Cload(k)+εc(k) (13)
Qab、Qpc分别为吸收式制冷机制冷功率和热泵制冷功率；Qs为蓄冷功率，储能为负，放能为正；Cload为可控冷负荷；εc代表冷负荷的随机误差。
③热平衡：
Qhe(k)+Qph(k)+Qs(k)＝Hload(k)+εh(k) (14)
Qhe、Qph分别为发电机组余热功率和热泵制热功率；Qs为蓄热功率，储能为负，放能为正；Qh为可控热负荷；εh代表热负荷的随机误差。
④储能设备：
Qsta(k+1)＝ηsQsta(k)-Qs(k) (15)
展开：
Qsta为储能设备的储能状态；ηs为储能设备的储能系数；C、H为k阶段冷热生产总量；冷热负荷的随机性在运行中体现在计划储能量与实际储能量之间的偏差。
不等式约束：
Qsta(1)＝Qsta(25) (17)
0≤Qsta(t)≤Qtes,rc (18)
|Qs(t)|≤Qs,max (19)
λEpgu,rc≤Epgu(t)≤Epgu,rcor Epgu(t)＝0 (20)
式中，Qtes,rc为储能设备的额定容量；Qs,max为储能设备的最大充/放能功率；λ为发电机组运行的最低负载率；Epgu,rc为发电机组的额定功率。
可再生能源发电与负荷的随机偏差服从特定的概率分布，为不失一般性，选择了较为传统且常被用来描述光伏与负荷随机性的正态分布。
记预测误差为ε，有如下关系：
ε～N(0,σ2) (21)
εpv、εwp、εe、εh、εc各自对应的标准差记分别为σpv、σwp、σe、σh与σc。将预测偏差的概率分布离散化，如图3所示。假设预测偏差之间相互独立，则可以得到冷热预测偏差的五阶方阵联合概率分布πk。
优化变量：包括每个阶段发电机组的出力计划和储能设备的储能状态{Epgu(1),…,Epgu(N),Qsta(1),…,Qsta(N)}，其他设备的出力计划均可通过此两种设备求得。
(3)求解方法
(3-1)基于遗传算法的负荷优化求解，如图4所示，步骤如下：
步骤1：系统初始化，首先对系统参数、遗传算法和设备参数进行设置。
步骤2：种群初始化，在这一步中，随机生成N个个体，作为初始种群P0，并对每个个体进行二进制编码。
步骤3：计算当前种群P的适应度，分为以下两步：
A：获得运行策略，为了计算第一阶段模型的目标函数值，需要调用第二级模型获得优化运行策略。
B：适应度计算，利用公式(1)计算个体的适应度值。
步骤4：判断当前种群是否满足终止要求，若达到了用户指示的最大迭代数，则执行步骤7，否则，需要继续步骤5。
步骤5：选择、交叉和变异，形成新种群P3。
步骤6：执行步骤3，计算种群P3的适应度。
步骤7：解码，得到负荷优化结果。
上述计算过程在MATLAB中实现。
(3-2)利用倒向随机动态规划方法求解运行优化模型，如图5所示，具体而言：
以储能量{Qsta(1),…,Qsta(N)}为状态变量Sk，每个阶段状态变量有m个状态点
利用倒向随机动态规划方法求解最佳的储能状态
使用vk(Sk,Sk+1)代表从Sk到Sk+1的最低阶段运行成本，fk(Sk,SN+1)代表从阶段Sk到达终点SN+1的最低期望成本，于是倒向随机动态规划方程可表示为：
vk(Sk,Sk+1)的求解为静态优化问题，此处采用可变成本的概念优化发电机组出力计划{Epgu(1),…,Epgu(N)}，阶段转移成本v可分为不变成本vs与可变成本Δv。
v＝vs+Δv (23)
对于给定相邻两阶段状态点
与
由式(16)可知冷热生产量为确定值，假定冷热负荷全部由热泵生产且电负荷由电网提供时，所需成本为不变成本vs，可表示为(夏季为例)：
发电机组的开机带来了成本的变化，称为可变成本Δv，该成本是由新增燃气费用及减少的购电费用组成，可表示为：
其中，COPp为热泵的能效比。
由发电机组模型易可知阶段成本v的极值仅与Qab(0≤Qab≤C)有关，即寻求函数v在不同定义域下的极值解，通过Qab与Epgu的关系可进一步求得Epgu。
结果表明，按照优化结果运行，在经济性达到最优的同时，能源利用率与碳排放量较分供系统也有极大改善。
实施例2：
本公开实施例2提供了一种计及源储荷协同的多能互补系统两级优化调度系统，包括：
第一级优化模块，被配置为：获取负荷数据，以经济性最优化为目标，用户舒适度为约束，利用遗传算法优化负荷，并将优化后的负荷作为第二级优化的输入；
第二级优化模块，被配置为：以运行费用最低为目标，基于随机动态规划，优化设备出力及储能状态，并将运行费用输出给第一级优化；
调度输出模块，被配置为：第一级优化模块和第二级优化模块循环迭代，得到最佳负荷曲线和系统最佳运行调度计划，实现源-荷最佳匹配。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的计及源储荷协同的多能互补系统两级优化调度方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的计及源储荷协同的多能互补系统两级优化调度方法中的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (8)
1.一种计及源储荷协同的多能互补系统两级优化调度方法，其特征在于，包括：
第一级优化：获取负荷数据，以经济性最优化为目标，用户舒适度为约束，利用遗传算法优化得到最佳负荷数据，并将优化后的负荷作为第二级优化的输入；
第一级为计及用户舒适度的需求响应层，该层以经济性为目标建立负荷优化模型，从而求解电、冷、热最佳负荷数据；
(1-1)输入数据：冷热电历史夏/冬/过渡季负荷数据、智能家电的可调度工作区间、室内温度的可调节范围；
(1-2)优化目标：
优化目标为计及用户舒适度的经济性最优：
其中，cost为系统运行花费，是第二层运行优化的目标；γ为罚因子，反映用户对温度舒适度的敏感程度，定义为用户敏感度系数，单位为元/℃；Tset(t)为t时刻室内最舒适温度；Tin(t)为t时刻的室内温度，Pgrid为t时刻的电价，分为购电价格和售电价格；Egrid为电网交互功率，购电为正，售电为负；Pgas为燃气价格；ηe,pgu为发电机组的发电效率；N为一个完整的调度周期内的总调度阶段数；
(1-3)可控负荷模型：
①可控电负荷包括可中断负载和不可中断负载，可中断负载在使用过程中可以任意暂停使用，不可中断负载启动后不间断使用；在负荷调度方案中，考虑到居民客户的意愿，实现可控电负荷在优化周期24h内的平移调度，优化间隔为1h；假定参与需求响应的可控设备运行功率x是固定不变的，使用离散二进制变量y∈{0,1}表示设备的启停状态，1表示运行，0表示关闭；通过优化变量y的值，来达到负荷转移的目的；
Econload为可控电负荷；D表示所有负荷可控设备的集合；xd表示第d个设备的工作功率；yd∈{0,1}表示第d个设备的启停状态，1表示运行，0表示关闭；
②由于建筑物的墙体均具有一定的隔热效果，室内与室外的热交换过程较慢，不同于电负荷，室内的温度呈小时级的变化；因此，根据能源价格，在不破坏温度舒适度的前提下控制室内冷/热负荷；
Cload、Hload分别为可控冷、热负荷；Tin(t)、Tout(t)分别代表室内和室外温度；T、Req分别代表控制周期和建筑物参数，β、α分别为室内用电设备对冷、热负荷的影响系数；
是常数可以被表示为：
Mair、c分别为室内空气质量和空气比热容；Req可以被表示为：
Req＝RwallRwindow/(Rwall+Rwindow)
Rwall、Rwindow分别代表墙壁热量和窗户热量；
优化变量：可调度用电设备的启停状态yd(t)和室内可控温度Tin(t)；
(1-4)优化变量：
优化变量为可调度用电设备的启停状态和室内可控温度；
(1-5)约束条件：
①可调度设备：
[Ad,Bd]为设备d的可调度工作区间；Ed表示设备d的总耗电量；
对不可中断负荷设备有：
若yd(t)＝1，则yd(t+1)＝1,…,yd(t+n)＝1，n为设备d的工作时长；
②室内温度：
Tin_min≤Tin(t)≤Tin_max
Tin_min，Tin_min为室内可调温度的上下限，室内温度调节范围越大，控制效果越好，但同时用户的温度舒适度受到的影响也越大；
(1-6)求解算法：
基于遗传算法的负荷优化求解，步骤如下：
步骤1：系统初始化，首先对系统参数、遗传算法和设备参数进行设置；
步骤2：种群初始化，在这一步中，随机生成N个个体，作为初始种群P0，并对每个个体进行二进制编码；
步骤3：计算当前种群P的适应度，分为以下两步：
A：获得运行策略，为了计算第一阶段模型的目标函数值，需要调用第二级模型获得优化运行策略；
B：适应度计算，利用公式(1)计算个体的适应度值；公式(1)为
步骤4：判断当前种群是否满足终止要求，若达到了用户指示的最大迭代数，则执行步骤7，否则，需要继续步骤5；
步骤5：选择、交叉和变异，形成新种群P3；
步骤6：执行步骤3，计算种群P3的适应度；
步骤7：解码，得到负荷优化结果；第二级优化：以运行费用最低为目标，基于随机动态规划，优化设备出力及储能状态，并将运行费用输出给第一级优化；
第二级为系统的运行优化层，由于源荷随机性导致预测数据存在误差，该层以运行花费最少为目标建立运行随机优化模型，从而求解各设备的最佳出力计划；
(2-1)输入数据：第一级优化后冷、热、电负荷数据，燃气价格、电价、可再生能源发电数据、设备效率参数；
(2-2)优化目标为最低期望成本：
为应对可再生能源的随机性，系统结构中引入了储能设备，遂使得系统相邻运行阶段前后关联，故第二层运行优化为动态优化问题；
故第二级将目标函数表达为递归形式：
式中，f为累积期望运行成本；v为阶段运行成本，每个阶段为1小时，总阶段数N为24；k为阶段数；
(2-3)优化变量为：发电机组的出力计划和储能设备的储能状态；
(2-4)约束条件：
①电平衡：
Epv(k)+εpv(k)+Ewp(k)+εwp(k)+Epgu(k)+Egrid(k)＝Efixload(k)+Econload(k)+εwp(k)+Ep(k)
Epv、Ewp、Epgu、Egrid分别为光伏发电功率、风机发电功率、发电机组输出功率以及电网交互功率；Efixoad、Econload、Ep分别为固定电负荷、可控电负荷及热泵的输入功率；εpv与εwp分别代表光伏出力与风电出力的随机误差；
②冷平衡：
Qab(k)+Qpc(k)+Qs(k)＝Cload(k)+εc(k)
Qab、Qpc分别为吸收式制冷机制冷功率和热泵制冷功率；Qs为蓄冷功率，储能为负，放能为正；Cload为可控冷负荷；εc代表冷负荷的随机误差；
③热平衡：
Qhe(k)+Qph(k)+Qs(k)＝Hload(k)+εh(k)
Qhe、Qph分别为发电机组余热功率和热泵制热功率；Qs为蓄热功率，储能为负，放能为正；εh代表热负荷的随机误差；Hload(k)为热负荷；
④储能设备：
Qsta(k+1)＝ηsQsta(k)-Qs(k)
展开：
Qsta为储能设备的储能状态；ηs为储能设备的储能系数；C、H为k阶段冷热生产总量；冷热负荷的随机性在运行中体现在计划储能量与实际储能量之间的偏差；
不等式约束：
Qsta(1)＝Qsta(25)
0≤Qsta(t)≤Qtes,rc
|Qs(t)|≤Qs,max
λEpgu,rc≤Epgu(t)≤Epgu,rc or Epgu(t)＝0
式中，Qtes,rc为储能设备的额定容量；Qs,max为储能设备的最大充/放能功率；λ为发电机组运行的最低负载率；Epgu,rc为发电机组的额定功率；
(2-5)求解算法：随机动态规划方法；
第一级优化和第二级优化循环迭代，得到最佳负荷曲线和系统最佳运行调度计划，实现源-荷最佳匹配。
2.如权利要求1所述的计及源储荷协同的多能互补系统两级优化调度方法，其特征在于，第一级优化的负荷为可调度用电设备的启停状态和室内可控温度。
3.如权利要求1所述的计及源储荷协同的多能互补系统两级优化调度方法，其特征在于，第二级优化的约束条件为电平衡、冷平衡、热平衡和储能状态约束，第二级优化的变量包括每个阶段发电机组的出力计划和储能设备的储能状态。
4.如权利要求1所述的计及源储荷协同的多能互补系统两级优化调度方法，其特征在于，利用倒向随机动态规划方法求解随机动态规划的运行优化模型，得到最佳的储能状态。
5.如权利要求1所述的计及源储荷协同的多能互补系统两级优化调度方法，其特征在于，采用可变成本的方式优化发电机组出力计划，阶段转移成本的极值仅与吸收式制冷机制冷功率有关，通过求解阶段转移成本函数在不同定义域下的极值解，利用吸收式制冷机制冷功率与发电机输出功率的关系进一步求得发电机输出功率。
6.一种计及源储荷协同的多能互补系统两级优化调度系统，其特征在于，包括：
第一级优化模块，被配置为：获取负荷数据，以经济性最优化为目标，用户舒适度为约束，利用遗传算法优化得到最佳负荷数据，并将优化后的负荷作为第二级优化的输入；
第一级为计及用户舒适度的需求响应层，该层以经济性为目标建立负荷优化模型，从而求解电、冷、热最佳负荷数据；
(1-1)输入数据：冷热电历史夏/冬/过渡季负荷数据、智能家电的可调度工作区间、室内温度的可调节范围；
(1-2)优化目标：
优化目标为计及用户舒适度的经济性最优：
其中，cost为系统运行花费，是第二层运行优化的目标；γ为罚因子，反映用户对温度舒适度的敏感程度，定义为用户敏感度系数，单位为元/℃；Tset(t)为t时刻室内最舒适温度；Tin(t)为t时刻的室内温度，Pgrid为t时刻的电价，分为购电价格和售电价格；Egrid为电网交互功率，购电为正，售电为负；Pgas为燃气价格；ηe,pgu为发电机组的发电效率；N为一个完整的调度周期内的总调度阶段数；
(1-3)可控负荷模型：
①可控电负荷包括可中断负载和不可中断负载，可中断负载在使用过程中可以任意暂停使用，不可中断负载启动后不间断使用；在负荷调度方案中，考虑到居民客户的意愿，实现可控电负荷在优化周期24h内的平移调度，优化间隔为1h；假定参与需求响应的可控设备运行功率x是固定不变的，使用离散二进制变量y∈{0,1}表示设备的启停状态，1表示运行，0表示关闭；通过优化变量y的值，来达到负荷转移的目的；
Econload为可控电负荷；D表示所有负荷可控设备的集合；xd表示第d个设备的工作功率；yd∈{0,1}表示第d个设备的启停状态，1表示运行，0表示关闭；
②由于建筑物的墙体均具有一定的隔热效果，室内与室外的热交换过程较慢，不同于电负荷，室内的温度呈小时级的变化；因此，根据能源价格，在不破坏温度舒适度的前提下控制室内冷/热负荷；
Cload、Hload分别为可控冷、热负荷；Tin(t)、Tout(t)分别代表室内和室外温度；T、Req分别代表控制周期和建筑物参数，β、α分别为室内用电设备对冷、热负荷的影响系数；
是常数可以被表示为：
Mair、c分别为室内空气质量和空气比热容；Req可以被表示为：
Req＝RwallRwindow/(Rwall+Rwindow)
Rwall、Rwindow分别代表墙壁热量和窗户热量；
优化变量：可调度用电设备的启停状态yd(t)和室内可控温度Tin(t)；
(1-4)优化变量：
优化变量为可调度用电设备的启停状态和室内可控温度；
(1-5)约束条件：
①可调度设备：
[Ad,Bd]为设备d的可调度工作区间；Ed表示设备d的总耗电量；
对不可中断负荷设备有：
若yd(t)＝1，则yd(t+1)＝1,…,yd(t+n)＝1，n为设备d的工作时长；
②室内温度：
Tin_min≤Tin(t)≤Tin_max
Tin_min，Tin_min为室内可调温度的上下限，室内温度调节范围越大，控制效果越好，但同时用户的温度舒适度受到的影响也越大；
(1-6)求解算法：
基于遗传算法的负荷优化求解，步骤如下：
步骤1：系统初始化，首先对系统参数、遗传算法和设备参数进行设置；
步骤2：种群初始化，在这一步中，随机生成N个个体，作为初始种群P0，并对每个个体进行二进制编码；
步骤3：计算当前种群P的适应度，分为以下两步：
A：获得运行策略，为了计算第一阶段模型的目标函数值，需要调用第二级模型获得优化运行策略；
B：适应度计算，利用公式(1)计算个体的适应度值；公式(1)为
步骤4：判断当前种群是否满足终止要求，若达到了用户指示的最大迭代数，则执行步骤7，否则，需要继续步骤5；
步骤5：选择、交叉和变异，形成新种群P3；
步骤6：执行步骤3，计算种群P3的适应度；
步骤7：解码，得到负荷优化结果；第二级优化模块，被配置为：以运行费用最低为目标，基于随机动态规划，优化设备出力及储能状态，并将运行费用输出给第一级优化；
第二级为系统的运行优化层，由于源荷随机性导致预测数据存在误差，该层以运行花费最少为目标建立运行随机优化模型，从而求解各设备的最佳出力计划；
(2-1)输入数据：第一级优化后冷、热、电负荷数据，燃气价格、电价、可再生能源发电数据、设备效率参数；
(2-2)优化目标为最低期望成本：
为应对可再生能源的随机性，系统结构中引入了储能设备，遂使得系统相邻运行阶段前后关联，故第二层运行优化为动态优化问题；
故第二级将目标函数表达为递归形式：
式中，f为累积期望运行成本；v为阶段运行成本，每个阶段为1小时，总阶段数N为24；k为阶段数；
(2-3)优化变量为：发电机组的出力计划和储能设备的储能状态；
(2-4)约束条件：
①电平衡：
Epv(k)+εpv(k)+Ewp(k)+εwp(k)+Epgu(k)+Egrid(k)＝Efixload(k)+Econload(k)+εwp(k)+Ep(k)
Epv、Ewp、Epgu、Egrid分别为光伏发电功率、风机发电功率、发电机组输出功率以及电网交互功率；Efixoad、Econload、Ep分别为固定电负荷、可控电负荷及热泵的输入功率；εpv与εwp分别代表光伏出力与风电出力的随机误差；
②冷平衡：
Qab(k)+Qpc(k)+Qs(k)＝Cload(k)+εc(k)
Qab、Qpc分别为吸收式制冷机制冷功率和热泵制冷功率；Qs为蓄冷功率，储能为负，放能为正；Cload为可控冷负荷；εc代表冷负荷的随机误差；
③热平衡：
Qhe(k)+Qph(k)+Qs(k)＝Hload(k)+εh(k)
Qhe、Qph分别为发电机组余热功率和热泵制热功率；Qs为蓄热功率，储能为负，放能为正；εh代表热负荷的随机误差；Hload(k)为热负荷；
④储能设备：
Qsta(k+1)＝ηsQsta(k)-Qs(k)
展开：
Qsta为储能设备的储能状态；ηs为储能设备的储能系数；C、H为k阶段冷热生产总量；冷热负荷的随机性在运行中体现在计划储能量与实际储能量之间的偏差；
不等式约束：
Qsta(1)＝Qsta(25)
0≤Qsta(t)≤Qtes,rc
|Qs(t)|≤Qs,max
λEpgu,rc≤Epgu(t)≤Epgu,rc or Epgu(t)＝0
式中，Qtes,rc为储能设备的额定容量；Qs,max为储能设备的最大充/放能功率；λ为发电机组运行的最低负载率；Epgu,rc为发电机组的额定功率；
(2-5)求解算法：随机动态规划方法；调度输出模块，被配置为：第一级优化模块和第二级优化模块循环迭代，得到最佳负荷曲线和系统最佳运行调度计划，实现源-荷最佳匹配。
7.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的计及源储荷协同的多能互补系统两级优化调度方法中的步骤。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的计及源储荷协同的多能互补系统两级优化调度方法中的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911113965.0A CN110866641B (zh) | 2019-11-14 | 2019-11-14 | 计及源储荷协同的多能互补系统两级优化调度方法及系统 |
| AU2020100983A AU2020100983A4 (en) | 2019-11-14 | 2020-06-11 | Multi-energy complementary system two-stage optimization scheduling method and system considering source-storage-load cooperation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911113965.0A CN110866641B (zh) | 2019-11-14 | 2019-11-14 | 计及源储荷协同的多能互补系统两级优化调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866641A CN110866641A (zh) | 2020-03-06 |
| CN110866641B true CN110866641B (zh) | 2021-07-16 |
Family
ID=69653855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911113965.0A Active CN110866641B (zh) | 2019-11-14 | 2019-11-14 | 计及源储荷协同的多能互补系统两级优化调度方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110866641B (zh) |
| AU (1) | AU2020100983A4 (zh) |
Families Citing this family (52)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461429B (zh) * | 2020-03-31 | 2024-03-15 | 上海能源建设工程设计研究有限公司 | 一种气电协调的多能互补系统优化方法 |
| CN111952965B (zh) * | 2020-08-05 | 2023-03-10 | 山东大学 | 一种基于预测控制与区间规划的cchp系统优化运行方法 |
| CN112084463B (zh) * | 2020-09-04 | 2024-03-15 | 浙江大学 | 一种碳排放下的电力系统分布式光伏配置方法 |
| CN112234604B (zh) * | 2020-09-10 | 2023-04-28 | 西安交通大学 | 一种多能互补电源基地优化配置方法、存储介质及设备 |
| CN112215433B (zh) * | 2020-10-21 | 2024-05-07 | 国网冀北电力有限公司 | 基于市场出清电价不确定性的虚拟电厂日前优化调度方法 |
| CN112366693B (zh) * | 2020-10-29 | 2022-11-01 | 国网山东省电力公司青岛供电公司 | 源网荷储多元协调柔性控制的电力调度方法及系统 |
| CN112561228B (zh) * | 2020-10-30 | 2023-06-27 | 西安交通大学 | 一种多能源水循环系统恒温供水规划方法及规划装置 |
| CN112436560B (zh) * | 2020-11-12 | 2022-11-18 | 内蒙古呼和浩特抽水蓄能发电有限责任公司 | 一种含抽水蓄能机组间相互约束的日前优化调度方法 |
| CN112419087B (zh) * | 2020-11-20 | 2022-10-04 | 国网江苏省电力有限公司南京供电分公司 | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 |
| CN112491087B (zh) * | 2020-11-20 | 2023-02-07 | 西安热工研究院有限公司 | 一种基于需求侧响应的风光储独立微电网经济优化方法 |
| CN112688331B (zh) * | 2020-12-24 | 2023-05-09 | 国网河北省电力有限公司电力科学研究院 | 一种交直流配电网分布式优化调度方法、装置和存储介质 |
| CN112651177B (zh) * | 2020-12-28 | 2024-03-22 | 中国农业大学 | 考虑灵活性服务费用的配电网灵活型资源配置方法及系统 |
| CN112927098B (zh) * | 2021-01-29 | 2023-10-27 | 国网内蒙古东部电力有限公司 | 一种考虑源荷不确定性的电网经济调度综合性评估方法 |
| CN112928751B (zh) * | 2021-02-02 | 2023-08-22 | 山东大学 | 一种基于鲁棒优化的新能源电网并网装备配置方法 |
| CN112952915B (zh) * | 2021-02-24 | 2023-11-03 | 国网山东省电力公司电力科学研究院 | 一种综合能源系统中平抑电网峰谷的优化调度方法 |
| CN113098073B (zh) * | 2021-04-06 | 2022-09-27 | 合肥工业大学 | 一种考虑源荷双侧弹性空间的日前调度优化方法 |
| CN113158450A (zh) * | 2021-04-08 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 一种基于楼宇能量管理系统经济调度方法及系统 |
| CN113270862A (zh) * | 2021-04-14 | 2021-08-17 | 国网河北省电力有限公司电力科学研究院 | 一种多能互补的综合能源系统 |
| CN113128775B (zh) * | 2021-04-26 | 2023-03-31 | 山东大学 | 考虑需求响应和耦合度的综合能源系统调度方法及装置 |
| CN113128786B (zh) * | 2021-05-08 | 2022-08-19 | 河海大学 | 一种基于空间网格搜索的风光水互补容量与选址优化方法 |
| CN113326631B (zh) * | 2021-06-16 | 2024-04-09 | 东南大学 | 考虑可再生能源互补特性的分布式供能系统优化设计方法 |
| CN113270903B (zh) * | 2021-06-25 | 2022-09-27 | 合肥工业大学 | 一种考虑变时步步长的负荷恢复双层优化方法 |
| CN113487072A (zh) * | 2021-06-25 | 2021-10-08 | 南方电网科学研究院有限责任公司 | 储热水罐的优化调度方法、装置、设备及存储介质 |
| CN113467397B (zh) * | 2021-07-06 | 2022-10-04 | 山东大学 | 一种综合能源系统多层递阶控制系统与方法 |
| CN113435659B (zh) * | 2021-07-09 | 2023-01-24 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于场景分析的综合能源系统两阶段优化运行方法及系统 |
| CN113705063B (zh) * | 2021-07-23 | 2023-08-01 | 福州大学 | 动态制氢效率特性下的远海风电制氢系统容量优化方法 |
| CN113822572B (zh) * | 2021-09-22 | 2024-02-13 | 国网内蒙古东部电力有限公司 | 考虑能源共享和多风险的园区综合能源系统优化调度方法 |
| CN113902179B (zh) * | 2021-09-27 | 2024-04-26 | 燕山大学 | 一种基于区域级综合能源系统能量互动的优化调度方法 |
| CN113610330B (zh) * | 2021-10-08 | 2022-01-25 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户体验的用户侧灵活资源用能行为优化方法 |
| CN114123166B (zh) * | 2021-10-21 | 2023-10-20 | 国网浙江省电力有限公司台州供电公司 | 一种新能源耦合背景下的源网荷储协同调度方法 |
| CN113988435B (zh) * | 2021-10-30 | 2024-05-24 | 重庆理工大学 | 基于服务商引导的综合能源系统源-荷协同优化方法 |
| CN113935198B (zh) * | 2021-11-16 | 2024-03-22 | 清鸾科技(成都)有限公司 | 多能系统运行优化方法、装置、电子设备及可读存储介质 |
| CN114069621B (zh) * | 2021-11-16 | 2023-08-22 | 南京邮电大学 | 计及多能源系统稳定性的多目标协同优化安全调度方法 |
| CN114050570B (zh) * | 2021-11-17 | 2024-03-01 | 许继集团有限公司 | 一种源网荷储系统协同调控方法及装置 |
| CN114336591B (zh) * | 2021-11-24 | 2023-08-29 | 华能新能源股份有限公司 | 一种风电场混合储能综合优化配置方法 |
| CN114123335B (zh) * | 2021-11-30 | 2023-09-05 | 国网安徽省电力有限公司 | 一种联合考虑ots与dlr模型的风电消纳方法 |
| CN114221348B (zh) * | 2021-12-20 | 2024-03-29 | 上海电力大学 | 一种兼顾成本与舒适度的家庭能源管理系统优化运行方法 |
| CN114355773A (zh) * | 2021-12-23 | 2022-04-15 | 中科苏州微电子产业技术研究院 | 一种基于基因算法的楼宇能耗控制方法及装置 |
| CN114362168B (zh) * | 2022-01-11 | 2024-02-13 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
| CN114548607A (zh) * | 2022-04-26 | 2022-05-27 | 中国长江三峡集团有限公司 | 基于食肉植物算法的混合储能容量配置优化方法及装置 |
| CN115081902B (zh) * | 2022-06-30 | 2024-04-09 | 国网北京市电力公司 | 基于源网荷储协同的综合规划方法、装置、设备及介质 |
| CN116316647B (zh) * | 2022-09-08 | 2023-11-07 | 东南大学溧阳研究院 | 一种基于模型预测控制的配电网实时碳排放优化控制方法 |
| CN115907072B (zh) * | 2022-09-21 | 2024-03-01 | 东南大学溧阳研究院 | 一种基于免疫克隆的用户侧气热电耦合低碳经济用能方法 |
| CN115693793B (zh) * | 2022-10-11 | 2024-05-17 | 国网浙江省电力有限公司 | 一种区域微电网能源优化控制方法 |
| CN115936195A (zh) * | 2022-11-23 | 2023-04-07 | 合肥工业大学 | 智能小区能源优化方法、系统、电子设备和存储介质 |
| CN115566707B (zh) * | 2022-11-24 | 2023-04-18 | 深圳市前海能源科技发展有限公司 | 区域供冷系统与再生能源的源荷储配置规划方法和装置 |
| CN116150954A (zh) * | 2022-12-01 | 2023-05-23 | 华北电力大学 | 综合能源系统能源配置方案优化方法、装置和终端设备 |
| CN116681545A (zh) * | 2023-01-30 | 2023-09-01 | 兰州理工大学 | 一种计及生物质-p2g耦合的设施农业园区近零碳实现方法 |
| CN116090664B (zh) * | 2023-03-06 | 2023-10-10 | 广州东方电科自动化有限公司 | 一种基于园区储能和风光气电水的多能互补优化系统 |
| CN116526468B (zh) * | 2023-05-09 | 2024-04-26 | 国网湖北省电力有限公司经济技术研究院 | 考虑多类型备用辅助服务的高比例可再生能源电力系统优化调度方法 |
| CN117424204A (zh) * | 2023-09-22 | 2024-01-19 | 河海大学 | 一种计及源-荷不确定性的源-网-荷-储协同规划方法 |
| CN118036833A (zh) * | 2024-04-15 | 2024-05-14 | 山东建筑大学 | 基于多层博弈的区域综合能源系统运行优化方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106505634A (zh) * | 2016-12-14 | 2017-03-15 | 东南大学 | 基于两阶段协调优化与控制的冷热电联供型微网运行方法 |
| CN107482638A (zh) * | 2017-07-21 | 2017-12-15 | 杭州电子科技大学 | 冷热电联供型微电网多目标动态优化调度方法 |
| CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
| CN109523092A (zh) * | 2018-12-13 | 2019-03-26 | 山东大学 | 多能互补冷热电联供系统及其协同调度方法 |
| CN110363363A (zh) * | 2019-07-31 | 2019-10-22 | 广东电网有限责任公司 | 一种用于综合能源系统的双阶段调度模型优化方法 |
-
2019
- 2019-11-14 CN CN201911113965.0A patent/CN110866641B/zh active Active
-
2020
- 2020-06-11 AU AU2020100983A patent/AU2020100983A4/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106505634A (zh) * | 2016-12-14 | 2017-03-15 | 东南大学 | 基于两阶段协调优化与控制的冷热电联供型微网运行方法 |
| CN107482638A (zh) * | 2017-07-21 | 2017-12-15 | 杭州电子科技大学 | 冷热电联供型微电网多目标动态优化调度方法 |
| CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
| CN109523092A (zh) * | 2018-12-13 | 2019-03-26 | 山东大学 | 多能互补冷热电联供系统及其协同调度方法 |
| CN110363363A (zh) * | 2019-07-31 | 2019-10-22 | 广东电网有限责任公司 | 一种用于综合能源系统的双阶段调度模型优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多目标的微电网优化调度研究;邱海伟;《中国优秀硕士学位论文全文数据库》;20140515;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866641A (zh) | 2020-03-06 |
| AU2020100983A4 (en) | 2020-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866641B (zh) | 计及源储荷协同的多能互补系统两级优化调度方法及系统 | |
| Baniasadi et al. | Optimal sizing design and operation of electrical and thermal energy storage systems in smart buildings | |
| US8396572B2 (en) | System and method for energy plant optimization using mixed integer-linear programming | |
| Zachar et al. | Energy management and load shaping for commercial microgrids coupled with flexible building environment control | |
| CN114418249B (zh) | 一种光储柔系统运行控制方法及装置 | |
| CN111244939B (zh) | 一种计及需求侧响应的多能互补系统两级优化设计方法 | |
| Saberi et al. | Data-driven distributionally robust hierarchical coordination for home energy management | |
| GR1010085B (el) | Μεθοδος για βελτιωμενη διαχειριση της ενεργειας ενος σχεδον ενεργειακα αυτοδυναμου κτιριου | |
| Loesch et al. | Demand side management in smart buildings by intelligent scheduling of heat pumps | |
| CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
| Meng et al. | Thermal energy storage air-conditioning demand response control using elman neural network prediction model | |
| CN112165122A (zh) | 一种综合能源系统的运行方法及系统 | |
| Jin et al. | User-preference-driven model predictive control of residential building loads and battery storage for demand response | |
| Zhao et al. | Deep reinforcement learning-based joint load scheduling for household multi-energy system | |
| Anvari-Moghaddam et al. | Load shifting control and management of domestic microgeneration systems for improved energy efficiency and comfort | |
| CN111027747A (zh) | 一种考虑用户舒适度风险偏好的家庭能量控制方法 | |
| Pan et al. | Impacts of optimization interval on home energy scheduling for thermostatically controlled appliances | |
| CN114841409A (zh) | 联合lstm和深度强化学习的家庭能源管理方法及介质 | |
| Ma et al. | Two-stage stochastic robust optimization model of microgrid day-ahead dispatching considering controllable air conditioning load | |
| Molderink et al. | On the effects of MPC on a domestic energy efficiency optimization methodology | |
| CN112131712A (zh) | 客户侧多能源系统多目标优化方法和系统 | |
| Häring et al. | Comparison of the impact of different household occupancies on load matching algorithms | |
| Liang et al. | IoT-based intelligent energy management system for optimal planning of HVAC devices in net-zero emissions PV-battery building considering demand compliance | |
| CN109343461A (zh) | 一种楼宇自动化控制系统的节能控制方法 | |
| CN113131519A (zh) | 一种基于混合整数线性规划的家庭能量管理优化方法 |
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 |