CN110991736A - 综合能源系统设备的优化配置方法及系统 - Google Patents
综合能源系统设备的优化配置方法及系统 Download PDFInfo
- Publication number
- CN110991736A CN110991736A CN201911200325.3A CN201911200325A CN110991736A CN 110991736 A CN110991736 A CN 110991736A CN 201911200325 A CN201911200325 A CN 201911200325A CN 110991736 A CN110991736 A CN 110991736A
- Authority
- CN
- China
- Prior art keywords
- planning model
- electricity price
- optimal configuration
- ies
- uncertainty
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005611 electricity Effects 0.000 claims abstract description 82
- 230000004044 response Effects 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000013486 operation strategy Methods 0.000 claims abstract description 11
- 230000001149 cognitive effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 50
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 20
- 238000009826 distribution Methods 0.000 description 10
- 239000003345 natural gas Substances 0.000 description 10
- 150000001875 compounds Chemical class 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 239000003344 environmental pollutant Substances 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005612 types of electricity 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
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种综合能源系统设备的优化配置方法及系统，优化配置方法综合考虑价格方案和综合需求响应的不确定性，提出计及IDR不确定性的IES协同规划模型以实现综合能源系统设备的优化配置，包括：步骤S1：制定电价方案，并根据电价计算计及不确定性的IDR，然后通过证据理论得到IDR的信任区间，进而基于可信水平约束拟合负荷曲线；步骤S2：在所述电价方案和所述负荷曲线的基础上建立兼顾设备优化配置和IES运行策略的双层协同规划模型；步骤S3：通过双层协同规划模型比较不同电价方案下IES的总成本，获得最优电价方案和IES优化配置结果。
Description
技术领域
本发明属于综合能源系统领域，特别涉及一种计及综合需求响应不确定性的综合能源系统设备优化配置方法。
背景技术
发展综合能源系统(integrated energy system,IES)，实现各类能源生产、转换、存储和消费环节的有机协调与优化，已成为促进能源转型、建设清洁低碳、安全高效的现代能源体系的重要手段。IES优化规划是完成这一目标的基础，而随着能源耦合、存储、转换以及替代设备种类的增加，市场机制的成熟和用户参与程度的提升，IES优化配置成为一个复杂又亟待解决的问题。
目前，对IES规划的研究基本上可以分为两类：一种是在一定系统结构下仅优化IES内各类设备的容量和类型；另一种则是在优化设备配置的同时规划系统网架。在第一类规划中，IES作为一个多输入多输出、多级能量流和信息流的复杂能源系统，能够灵活使用不同种类的能源和多元化的耦合设备，因此存在多种配置方式和运行策略。IES中待规划的设备主要包括生产设备、转换设备和存储设备，在优化配置时，按照IES中是否含有新能源，目标函数一般可分为“环境型”和“经济型”两种。运行策略方面，通常采用“以热定电”、“以电定热”等，但是由于不同季节下冷热电负荷特性具有明显差别，采用单一运行方式会降低系统整体效益，因此部分学者提出混合运行策略、数学优化运行策略等。第二类规划按照能源网络模型还可分为区域IES规划问题和跨区域的IES规划问题。这类规划问题不仅要优化系统设备配置，还需要规划系统内部结构，建立热网、电网和天然气网等网络模型，研究跨区域规划时，还需要考虑多个系统之间的网络连接，问题规模较大。
现有研究中，终端负荷多数被视为恒定，但在IES系统中冷、热、电负荷具有柔性特征，有较好的可调性，通过实施需求响应机制，可有效缩小峰谷差，降低系统运行和投资成本。另一方面，综合需求响应(Integrated demand response,IDR)与电价密切相关，不同价格方案下的实施IDR的效果明显不同，进而将导致系统的优化配置结果有所不同。因此，综合考虑价格方案和IDR不确定性的协同规划，对未来市场机制和综合能源系统的建设更有意义。
发明内容
本发明所要解决的技术问题在于提供一种综合能源系统设备的优化配置方法，其中，综合考虑价格方案和综合需求响应的不确定性，提出计及IDR不确定性的IES协同规划模型以实现综合能源系统设备的优化配置，优化配置方法包括：
步骤S1：制定电价方案，并根据电价计算计及不确定性的IDR，然后通过证据理论得到IDR的信任区间，进而基于可信水平约束拟合负荷曲线；
步骤S2：在所述电价方案和所述负荷曲线的基础上建立兼顾设备优化配置和IES运行策略的双层协同规划模型；
步骤S3：通过双层协同规划模型比较不同电价方案下IES的总成本，获得最优电价方案和IES优化配置结果。
上述的优化配置方法，其中，于所述步骤S1中包括：
步骤S11：采用分时电价引入峰谷拉开比获得多个不同的所述电价方案；
步骤S12：构建计及随机与认知不确定性的综合需求响应模型；
步骤S13：通过证据理论计算考虑不确定性的IDR的响应边界，根据所述响应边界获得信任区间；
步骤S14：根据信任区间基于可信水平约束拟合获得负荷曲线。
上述的优化配置方法，其中，于所述步骤S2中构建所述双层协同规划模型，并将所述负荷曲线设置为所述双层协同规划模型初始条件。
上述的优化配置方法，其中，于所述步骤S3中包括：
步骤S31：通过所述双层协同规划模型获得适应度函数值；
步骤S32：对所述适应度函数值进行判断，当所述适应度函数值满足预设条件时进行存储并进行下一步。
步骤S33：对所述峰谷拉开比进行判断，当所述峰谷拉开比到达上限时则进行下一步，否则返回步骤S11；
步骤S34：比较所述适应度函数值，获得最优电价方案和IES优化配置结果。
上述的优化配置方法，其中，所述双层协同规划模型包括：
上层规划模型，以实现运营商建设IES的总规划成本最低为目标函数优化各种设备的型号和数量；
下层规划模型，以日运行成本最低为目标函数优化各种设备出力；
其中，所述下层模型在上层决策结果的基础上优化设备出力，得到对应最低运行成本，上层规划模型根据下层规划模型得到的运行成本获得所述适应度函数值。
本发明还提供一种综合能源系统设备的优化配置系统，其中，综合考虑价格方案和综合需求响应的不确定性，提出计及IDR不确定性的IES协同规划模型以实现综合能源系统设备的优化配置，优化配置方法包括：
负荷曲线获得单元，制定电价方案，并根据电价计算计及不确定性的IDR，然后通过证据理论得到IDR的信任区间，进而基于可信水平约束拟合负荷曲线；
双层协同规划模型构建单元，在所述电价方案和所述负荷曲线的基础上建立兼顾设备优化配置和IES运行策略的双层协同规划模型；
结果获得单元，通过双层协同规划模型比较不同电价方案下IES的总成本，获得最优电价方案和IES优化配置结果。
上述的优化配置系统，其中，所述负荷曲线获得单元包括：
电价方案设置模块：采用分时电价引入峰谷拉开比获得多个不同的所述电价方案；
综合需求响应模型构建模块：构建计及随机与认知不确定性的综合需求响应模型；
信任区间获得模块：通过证据理论计算考虑不确定性的IDR的响应边界，，根据所述响应边界获得信任区间；
拟合模块：根据信任区间基于可信水平约束拟合获得负荷曲线。
上述的优化配置系统，其中，通过所述双层协同规划模型构建单元构建所述双层协同规划模型，并将所述负荷曲线设置为所述双层协同规划模型初始条件。
上述的优化配置系统，其中，所述结果获得单元包括：
计算单元，通过所述双层协同规划模型获得适应度函数值；
第一判断单元，对所述适应度函数值进行判断，当所述适应度函数值满足预设条件时进行存储并进行下一步；
第二判断单元，对所述峰谷拉开比进行判断；
结果输出单元，比较所述适应度函数值，获得最优电价方案和IES优化配置结果。
上述的优化配置系统，其中，所述双层协同规划模型包括：
上层规划模型，上以实现运营商建设IES的经济性最优为目标函数优化各种的型号和数量；
下层规划模型，以日运行成本最低为目标函数优化各种设备出力；
其中，所述下层模型在上层决策结果的基础上优化设备出力，得到对应最低运行成本，上层规划模型根据下层规划模型得到的运行成本获得所述适应度函数值。
本发明针对于现有技术其功效在于：
1)构建综合能源系统通过能源的梯级利用能够有效提高能源的利用效率，虽然投资成本较分供系统有所增加，但是运行成本大大减少，整体经济性更优。在此基础上，实施IDR能够有效实现削峰填谷，减少负荷总量，从而减少系统装机容量和运行成本，进一步提高系统经济性。
2)在IDR模型中计及不确定性，根据系统所能承受的风险和经济性要求，制定合适的可信水平，基于此选取优化负荷，能够帮助运营商更加准确地评价IDR的真实贡献，且能在一定程度上平衡系统的经济性和可靠性，具有实际工程意义。
附图说明
图1为本发明优化配置方法的流程图；
图2为图1中步骤S1的分步骤流程图；
图3为图1中步骤S3的分步骤流程图；
图4为综合能源系统能量流图；
图5为不确定性描述示意图；
图6为综合能源系统协同规划图；
图7为本发明优化配置方法的实施流程图；
图8为本发明优化配置系统的结构示意图。
其中，附图标记：
负荷曲线获得单元：11
电价方案设置模块：111
综合需求响应模型构建模块：112
信任区间获得模块：113
拟合模块：114
双层协同规划模型构建单元：12
结果获得单元：13
计算单元：131
第一判断单元：132
第二判断单元：133
结果输出单元：134
具体实施方式
兹有关本发明的详细内容及技术说明，现以一较佳实施例来作进一步说明，但不应被解释为对本发明实施的限制。
为了实现综合能源系统设备配置优化(配置策略)，本发明对设备配置优化提出如下要求：
1)设备配置优化需要考虑综合需求响应的不确定性；
2)设备配置优化需要考虑电价对负荷曲线的影响；
3)设备配置优化需要以降低系统投资和运行成本为目标，确保不同电价场景下系统的运行成本最小。
4)设备配置优化需要考虑不同季节不同负荷特性场景下各种设备的最优出力配置。
请参照图1-图3，图1为本发明优化配置方法的流程图；图2为图1中步骤S1的分步骤流程图；图3为图1中步骤S3的分步骤流程图。如图1-图3所示，本发明的综合能源系统设备的优化配置方法，综合考虑价格方案和综合需求响应的不确定性，提出计及IDR不确定性的IES协同规划模型以实现综合能源系统设备的优化配置，优化配置方法包括：
步骤S1：制定电价方案，并根据电价计算计及不确定性的IDR，然后通过证据理论得到IDR的信任区间，进而基于可信水平约束拟合负荷曲线。
其中，于步骤S1中包括：
步骤S11：采用分时电价引入峰谷拉开比获得多个不同的电价方案。
具体地说，不同电价下的IDR不同，直接导致负荷曲线不同，基于不同负荷的优化配置结果也必然不同。电价直接影响运行成本，间接影响设备投资成本，要兼顾两者找到整体成本最低的方案，必须在规划过程中考虑电价。本方法采用分时电价，引入峰谷拉开比△的概念，在固定平时段电价和峰谷电价比的条件下，通过改变拉开比，可得到多种不同的电价方案，进而可优化得到使IES总成本最低的电价方案。考虑用户和运营商的综合利益，拉开比△需满足：
WV/WP≤Δ≤1 (24)
式中，Wp和WV分别表示峰和谷时段负荷总量；拉开比△为峰平电价差与平谷电价差的比值。
步骤S12：构建计及随机与认知不确定性的综合需求响应模型。
步骤S13：通过证据理论计算考虑不确定性的IDR的响应边界，根据所述响应边界获得信任区间。
具体地说，在IDR项目中，根据负荷优先级和是否具有参与需求响应的能力，将负荷分为刚性负荷和柔性负荷两种。
刚性负荷：
刚性负荷是指具有较高优先级或者不可随意中断减少的负荷，通常与价格信息无关。
式中，k＝1,2,3，表示电、热、冷三种负荷类型；
表示在t时刻的k类刚性用能需求；
为基准电价下的用能基准值。
柔性负荷：
柔性负荷通常具有较大的时间弹性和用量弹性，按照参与IDR的方式分为可削减负荷、可转移负荷和可替代负荷三种：
1)可削减负荷
可削减负荷是指用户根据价格信号和自身需求可部分中断或者增加的负荷，其价格响应特性为[15]：
式中，
为动态电价下用户在t时刻的第k种可削减负荷量；
为在t时刻用户的购电电价；
和
分别为t时刻基准电价及其对应的k类可削减负荷量。此外，
为价格弹性系数，用于反映在t时刻用户参与IDR对价格变化的敏感程度。通常情况下，价格越低，用户的响应意愿越强烈，因此，价格弹性系数通常为负数，表示负相关关系。
2)可转移负荷
可转移负荷是指在一定优化时间范围内，总用能量近似不变，但可进行时间上的平移和调节的负荷，可表示为：
式中，
为用户的k类可转移负荷在时段t的价格弹性系数；
及
分别表示t时刻动态电价和基准电价下k类可转移负荷大小。用户根据价格信号将电价峰时段的负荷进行转移，但是随着时间的增长，用户用能的满意度将大幅度降低，因此设定负荷转移到相邻时段，并在最大持续时间内成线线性递减，可表示为：
式中，
为可转移负荷由时段t转移到时段t’的负荷值；TR为可转移负荷转移的最大持续时间；此外，
为负荷转移量的衰减系数，用于表征负荷弹回过程随时间的衰退效应。
3)可替代负荷
可替代负荷指可以通过改变用能种类参与需求响应的负荷，是IDR区别于传统DR的主要负荷类型。由于规划中设备存在一定冗余，冷/热/电能源之间相互替代已体现在IES的结构中，该负荷类型主要考虑电/气混合的热水器、空调等。用户根据电价信号与天然气价格进行比较，并结合自身意愿决定参与IDR的大小，可表示为：
式中，
为用户侧可替代负荷在时段t的价格弹性系数；
及
分别表示t时刻动态电价和基准电价下k类可替代负荷的大小；λ表示电-气转换效率；
表示t时刻电价下可替代负荷转成气负荷的功率大小。
基于D—S证据理论处理不确定性。
不确定性按照性质可以分为随机不确定性和认知不确定性。D-S证据理论能够基于多领域专家判断及概率密度分布对随机和认知不确定性进行统一量化，不仅能够强调事物的客观性，还强调人类对事物认知的主观性。
证据理论处理双重不确定性的基本方法
2.1.1证据理论基本概念
(1)基本概率分配
识别框架Θ是证据理论分析不确定性的基础，其子集涵盖了不确定事件发生的所有可能性，表征为幂集2Θ。假设事件A为幂集2Θ的任一子集，定义质量函数m(A)为2Θ到[0,1]的映射，且满足以下条件[21]：
式中，m(A)为事件A的基本概率分配值，表示对事件A的信任程度。当m(A)＞0时，A称为焦元。对于两种不确定性变量的基本概率分配原则如下：
①对于认知不确定性变量，其证据来源是对历史数据的分析，或是专家基于经验对变量的估计。为了提高概率分配的可信度，通常利用合成规则整合来源不同的多种证据信息。合成规则如下：
式中，对于
m1,m2,…,mn表示识别框架上的n个质量函数，它们来自不同的证据源，对应焦元为A1,A2,…An；K为归一化因子，表示不同证据之间的冲突程度。
②对于随机不确定性变量，为与认知不确定性变量的表征方式一致，需要将其概率密度函数进行分割离散，以具有基本概率分配的区间形式来表达。如，假设xA服从N(μ,σ2)的正态分布，考虑到概率密度函数的对称性，将其以μ为中心，选取σ的γ倍截断成区间[a,b]，即[a,b]＝[μ-γσ,μ+γσ]，再将截断区间离散成w个子区间，每个区间
的基本概率定义为：
式中，f(x)是xA的概率密度函数。可见，每个区间的基本概率分配即为概率密度函数在这个区间内所覆盖的面积。
(2)信任函数和似然函数
证据理论中，假设事件B为识别框架下的一个子集，对事件B成立的信任程度可用信任区间来表示，其信任度的下限由信任函数Bel(B)确定，表示对命题B为“真”的信任程度；上限由似然函数Pl(B)确定，表示对命题B“不为假”的信任程度，记为[Bel(B),Pl(B)]，具体定义为：
2.1.2基于证据理论处理不确定性的方法
不失一般性地，假设实际工程中的数学模型可描述为：
Y＝f(X) (19)
式中，Y表示系统的响应量；X＝[x1,x2,…,xn]T为n维不确定变量，且假设各变量之间独立。基于证据理论处理不确定性的主要步骤如下：
(1)根据合成规则整合多种数据来源，将两类不确定性变量分别量化成带有基本概率分布的区间形式，可表示为(xi,Θi,mi)，其中Θi为：
式中，
表示变量xi的焦元；Ni为焦元个数。
(2)对各独立变量的概率区间进行笛卡尔积运算形成联合概率区间，具体计算公式如下：
式中，Aj表示联合概率区间的第j个焦元，为超多面体；N为焦元总个数。
(3)计算联合概率区间中每个焦元的响应边界，常用的计算方法有抽样方法、区间运算方法和优化方法等，最终得到响应量的基本概率分配为：
(4)根据式(19)合成响应量Y的信任函数和似然函数，即可确定信任区间。
在当前确定电价方案下，根据2.2.2的步骤处理不确定性。首先，对IDR模型中的不确定变量分配基本概率，对于具有随机不确定性的负荷基准值，即式(6)-(8)及式(11)中的
和
本方法假设其服从以负荷预测值为期望，方差为0.1倍预测值的正态分布，例如，
对于具有认知不确定性的价格弹性系数的概率分配由专家给出。然后，利用笛卡尔运算得到联合概率区间并计算IDR的响应边界。由于本方法所建立的IDR模型中响应量与不确定变量之间具备显示关系，因此可根据函数关系直接计算响应边界。最后，合成IDR的似然函数和信任函数，形成信任区间。
步骤S14：根据信任区间基于可信水平约束拟合获得负荷曲线。
具体地说，在获得IDR的信任区间后，引入可信约束，要求优化后的负荷能满足用户负荷需求信任度不低于某一可信水平，可表示为：
Bel(C)≥α (25)
式中，事件C表示优化负荷不低于实际负荷需求，α为可信水平。最终的负荷曲线由刚性负荷和柔性负荷叠加得到，作为双层规划模型的初始条件。
步骤S2：在所述电价方案和所述负荷曲线的基础上建立兼顾设备优化配置和IES运行策略的双层协同规划模型。
其中，于步骤S2中构建双层协同规划模型，并将负荷曲线设置为双层协同规划模型初始条件。双层协同规划模型包括：
上层规划模型，以实现运营商建设IES的总规划成本最低为目标函数优化各种设备的型号和数量；
下层规划模型，以日运行成本最低为目标函数优化各种设备出力；
其中，所述下层模型在上层决策结果的基础上优化设备出力，得到对应最低运行成本，上层规划模型根据下层规划模型得到的运行成本获得所述适应度函数值。
具体地说，上层规划模型包括：
(1)目标函数
在既定电价和负荷曲线的条件下，上层规划的目标是实现运营商建设IES的经济性最优，主要考虑系统投资和运行成本，可表示为：
minf＝Cinv+Co (26)
式中，Cinv为设备投资年等值费用，Co为综合能源系统年运行成本。
①投资成本。主要包括设备的初始投资成本、设备运行维护费用以及设备残值，可表示为：
式中，i表示IES中的设备类型，分别表示CHP系统、燃气锅炉、吸收式制冷机以及电制冷机，N＝4；Ωi表示设备i的备选类型集合；Cfij表示设备i的备选类型j的初始投资费用；Crij为设备的残值，取初始投资的5％；Cmij为设备的运行维护费用，一般包括人工费和维修费，取初始投资的3％；aij表示设备j安装台数；σij表示设备的安装状态，是一个0-1变量，0表示未被采用，1表示选择到IES中参与运行；Rij为设备的资本回收系数，可表示为：
式中，r表示贴现率，本方法取6.7％；lij表示设备j的寿命期望值。
②运行成本。由于不同季节负荷特性不同，本方法选取春秋、夏、冬三个典型日优化运行：
式中，
表示某种典型日的日运行成本，由下层优化运行得到；dsea为各典型日的天数。
(2)约束条件
由于IES能够从上级电网直接购电来满足电力需求，而冷、热负荷必须通过耦合设备来供应，因此设备容量需满足最大冷、热负荷，可表示为：
式中，Xij表示j型号设备的安装容量；
和
分别表示冷、热负荷中的最大值。
下层规划模型包括：
(1)目标函数
下层优化以日运行成本最低为目标函数优化各种设备出力。需要说明的是在无特殊标注下，下列公式中各类设备的输出功率均为该类所有型号设备的输出功率之和，具体数学模型为：
minCop＝Cg+Ce+Cen (32)
式中，Cg表示天然气购买成本，Ce表示与大电网交互成本，Cen表示环境处理成本。
①天然气购买成本。由CHP系统和燃气锅炉消耗的天然气，以及可替代负荷转换成气负荷后直接消耗的天然气三部分组成，可表示为：
式中，ρg表示天然气的购买价格。
②与大电网交互成本。IES与大电网交互的净成本为购电成本与售电收益的差值，可表示为：
式中，
和
分别表示IES在t时刻从大电网购电和向电网售电的单位收益；
和
分别表示t时刻从电网购买和出售给电网的电量。
③环境处理成本。由使用天然气产生的污染物处理成本和使用从电网处购得的电能所产生的污染物治理成本两部分构成，可表示为：
式中，ξ表示污染物单位处理成本；μpc表示使用电能时污染物的排放系数；μgc表示使用天然气时污染物的排放系数；
表示t时刻天然气的消耗量。
(2)约束条件
①母线功率平衡约束
式中，
和
分别表示t时刻用户侧的电、冷和热负荷需求；
和
分别表示从电网处购买的电量和出售给电网的电量。式(37)特别规定从电网购电和向电网卖电两种行为不能同时进行。
②设备出力约束
式中，
表示设备i的备选类型j的输出功率，
和
分别表示输出功率的最小和最大值。此外，由于本方法冷、热负荷中可参与IDR的部分均按照电价响应，因此需要由电-热耦合设备和电-冷耦合设备出力满足这部分负荷需求，可表示为：
步骤S3：通过双层协同规划模型比较不同电价方案下IES的总成本，获得最优电价方案和IES优化配置结果。
其中，于步骤S3中包括：
步骤S31：通过所述双层协同规划模型获得适应度函数值；
步骤S32：对所述适应度函数值进行判断，当所述适应度函数值满足预设条件时进行存储并进行下一步。
步骤S33：对所述峰谷拉开比进行判断，当所述峰谷拉开比到达上限时则进行下一步，否则返回步骤S11；
步骤S34：比较所述适应度函数值，获得最优电价方案和IES优化配置结果。
以下请参照图4-图7；图4为综合能源系统能量流图；图5为不确定性描述示意图；图6为综合能源系统协同规划图；图7为本发明优化配置方法的实施流程图。如图4-图7所示，对本发明的本发明优化配置方法的实施流程进行具体说明如下：
1、读取系统参数、设置峰谷电价比、拉开比初值和信任水平；
2、基于证据理论计算IDR联合概率区间，合成信任函数和似然函数；
3、基于信任水平拟合优化负荷；
4、判断拉开比是否满足约束条件，若满足，则继续；若不满足，则按步长增加拉开比后返回第2步；
5、初始化种群；
6、差分进化算法上层规划；
7、利用YALMIP平台求解下层运行优化模型；
8、下层优化结果返回上层计算适应度函数值；
9、判断是否满足终止条件。若满足，则输出最优结果并储存记录；若不满足，则进行变异、交叉和选择操作，后返回第6步；
10、判断拉开比是否达到上限。若达到上限，则比较所有电价方案下的最优值并输出最终电价方案及优化结果；若未达上限，则按步长增加拉开比后返回第2步。
请参照图8，图8为本发明优化配置系统的结构示意图。如图8所示，本发明的综合能源系统设备的优化配置系统综合考虑价格方案和综合需求响应的不确定性，提出计及IDR不确定性的IES协同规划模型以实现综合能源系统设备的优化配置，优化配置系统包括：
负荷曲线获得单元11，制定电价方案，并根据电价计算计及不确定性的IDR，然后通过证据理论得到IDR的信任区间，进而基于可信水平约束拟合负荷曲线；
双层协同规划模型构建单元12，在所述电价方案和所述负荷曲线的基础上建立兼顾设备优化配置和IES运行策略的双层协同规划模型；
结果获得单元13，通过双层协同规划模型比较不同电价方案下IES的总成本，获得最优电价方案和IES优化配置结果。
其中，所述负荷曲线获得单元包括：
电价方案设置模块111采用分时电价引入峰谷拉开比获得多个不同的所述电价方案；
综合需求响应模型构建模块112构建计及随机与认知不确定性的综合需求响应模型；
信任区间获得模块113通过证据理论计算考虑不确定性的IDR的响应边界，，根据所述响应边界获得信任区间；
拟合模块114根据信任区间基于可信水平约束拟合获得负荷曲线。
进一步地，通过所述双层协同规划模型构建单元12构建所述双层协同规划模型，并将所述负荷曲线设置为所述双层协同规划模型初始条件。
再进一步地，所述结果获得单元13包括：
计算单元131通过所述双层协同规划模型获得适应度函数值；
第一判断单元132对所述适应度函数值进行判断，当所述适应度函数值满足预设条件时进行存储；
第二判断单元133对所述峰谷拉开比进行判断；
结果输出单元134比较所述适应度函数值，获得最优电价方案和IES优化配置结果。
更进一步地，所述双层协同规划模型包括：
上层规划模型，上以实现运营商建设IES的经济性最优为目标函数优化各种的型号和数量；
下层规划模型，以日运行成本最低为目标函数优化各种设备出力；
其中，所述下层模型在上层决策结果的基础上优化设备出力，得到对应最低运行成本，上层规划模型根据下层规划模型得到的运行成本获得所述适应度函数值。
综上所述，本发明具有以下效果：
1)构建综合能源系统通过能源的梯级利用能够有效提高能源的利用效率，虽然投资成本较分供系统有所增加，但是运行成本大大减少，整体经济性更优。在此基础上，实施IDR能够有效实现削峰填谷，减少负荷总量，从而减少系统装机容量和运行成本，进一步提高系统经济性。
2)在IDR模型中计及不确定性，根据系统所能承受的风险和经济性要求，制定合适的可信水平，基于此选取优化负荷，能够帮助运营商更加准确地评价IDR的真实贡献，且能在一定程度上平衡系统的经济性和可靠性，具有实际工程意义。
3)在实现系统效益最大化的同时，通过电价机制引导，充分挖掘与利用用户参与IDR的能力，以提升能源资产利用率，为实际工程提供参考。
上述仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种综合能源系统设备的优化配置方法，其特征在于，综合考虑价格方案和综合需求响应的不确定性，提出计及IDR不确定性的IES协同规划模型以实现综合能源系统设备的优化配置，优化配置方法包括：
步骤S1：制定电价方案，并根据电价计算计及不确定性的IDR，然后通过证据理论得到IDR的信任区间，进而基于可信水平约束拟合负荷曲线；
步骤S2：在所述电价方案和所述负荷曲线的基础上建立兼顾设备优化配置和IES运行策略的双层协同规划模型；
步骤S3：通过双层协同规划模型比较不同电价方案下IES的总成本，获得最优电价方案和IES优化配置结果。
2.如权利要求1所述的优化配置方法，其特征在于，于所述步骤S1中包括：
步骤S11：采用分时电价引入峰谷拉开比获得多个不同的所述电价方案；
步骤S12：构建计及随机与认知不确定性的综合需求响应模型；
步骤S13：通过证据理论计算考虑不确定性的IDR的响应边界，根据所述响应边界获得信任区间；
步骤S14：根据信任区间基于可信水平约束拟合获得负荷曲线。
3.如权利要求2所述的优化配置方法，其特征在于，于所述步骤S2中构建所述双层协同规划模型，并将所述负荷曲线设置为所述双层协同规划模型初始条件。
4.如权利要求3所述的优化配置方法，其特征在于，于所述步骤S3中包括：
步骤S31：通过所述双层协同规划模型获得适应度函数值；
步骤S32：对所述适应度函数值进行判断，当所述适应度函数值满足预设条件时进行存储并进行下一步；
步骤S33：对所述峰谷拉开比进行判断，当所述峰谷拉开比到达上限时则进行下一步，否则返回步骤S11；
步骤S34：比较所述适应度函数值，获得最优电价方案和IES优化配置结果。
5.如权利要求4所述的优化配置方法，其特征在于，所述双层协同规划模型包括：
上层规划模型，以实现运营商建设IES的总规划成本最低为目标函数优化各种设备的型号和数量；
下层规划模型，以日运行成本最低为目标函数优化各种设备出力；
其中，所述下层模型在上层决策结果的基础上优化设备出力，得到对应最低运行成本，上层规划模型根据下层规划模型得到的运行成本获得所述适应度函数值。
6.一种综合能源系统设备的优化配置系统，其特征在于，综合考虑价格方案和综合需求响应的不确定性，提出计及IDR不确定性的IES协同规划模型以实现综合能源系统设备的优化配置，优化配置方法包括：
负荷曲线获得单元，制定电价方案，并根据电价计算计及不确定性的IDR，然后通过证据理论得到IDR的信任区间，进而基于可信水平约束拟合负荷曲线；
双层协同规划模型构建单元，在所述电价方案和所述负荷曲线的基础上建立兼顾设备优化配置和IES运行策略的双层协同规划模型；
结果获得单元，通过双层协同规划模型比较不同电价方案下IES的总成本，获得最优电价方案和IES优化配置结果。
7.如权利要求1所述的优化配置系统，其特征在于，所述负荷曲线获得单元包括：
电价方案设置模块：采用分时电价引入峰谷拉开比获得多个不同的所述电价方案；
综合需求响应模型构建模块：构建计及随机与认知不确定性的综合需求响应模型；
信任区间获得模块：通过证据理论计算考虑不确定性的IDR的响应边界，，根据所述响应边界获得信任区间；
拟合模块：根据信任区间基于可信水平约束拟合获得负荷曲线。
8.如权利要求7所述的优化配置系统，其特征在于，通过所述双层协同规划模型构建单元构建所述双层协同规划模型，并将所述负荷曲线设置为所述双层协同规划模型初始条件。
9.如权利要求8所述的优化配置系统，其特征在于，所述结果获得单元包括：
计算单元，通过所述双层协同规划模型获得适应度函数值；
第一判断单元，对所述适应度函数值进行判断，当所述适应度函数值满足预设条件时进行存储并进行下一步；
第二判断单元，对所述峰谷拉开比进行判断；
结果输出单元，比较所述适应度函数值，获得最优电价方案和IES优化配置结果。
10.如权利要求9所述的优化配置系统，其特征在于，所述双层协同规划模型包括：
上层规划模型，上以实现运营商建设IES的经济性最优为目标函数优化各种的型号和数量；
下层规划模型，以日运行成本最低为目标函数优化各种设备出力；
其中，所述下层模型在上层决策结果的基础上优化设备出力，得到对应最低运行成本，上层规划模型根据下层规划模型得到的运行成本获得所述适应度函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911200325.3A CN110991736A (zh) | 2019-11-29 | 2019-11-29 | 综合能源系统设备的优化配置方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911200325.3A CN110991736A (zh) | 2019-11-29 | 2019-11-29 | 综合能源系统设备的优化配置方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991736A true CN110991736A (zh) | 2020-04-10 |
Family
ID=70088384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911200325.3A Pending CN110991736A (zh) | 2019-11-29 | 2019-11-29 | 综合能源系统设备的优化配置方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991736A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111416352A (zh) * | 2020-04-29 | 2020-07-14 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
| CN111768032A (zh) * | 2020-06-24 | 2020-10-13 | 上海电力大学 | 基于双模式热泵储能协调的综合能源系统双层优化方法 |
| CN111950808A (zh) * | 2020-08-26 | 2020-11-17 | 华北电力大学（保定） | 基于综合需求响应的综合能源系统随机鲁棒优化运行方法 |
| CN112084705A (zh) * | 2020-08-25 | 2020-12-15 | 华北电力大学 | 一种用于综合能源系统的并网协调规划方法及系统 |
| CN114612017A (zh) * | 2022-05-11 | 2022-06-10 | 南京师范大学 | 一种基于区块链的分布式能源的资源置换方法 |
-
2019
- 2019-11-29 CN CN201911200325.3A patent/CN110991736A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111416352A (zh) * | 2020-04-29 | 2020-07-14 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
| CN111416352B (zh) * | 2020-04-29 | 2023-08-15 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
| CN111768032A (zh) * | 2020-06-24 | 2020-10-13 | 上海电力大学 | 基于双模式热泵储能协调的综合能源系统双层优化方法 |
| CN111768032B (zh) * | 2020-06-24 | 2022-08-05 | 上海电力大学 | 基于双模式热泵储能协调的综合能源系统双层优化方法 |
| CN112084705A (zh) * | 2020-08-25 | 2020-12-15 | 华北电力大学 | 一种用于综合能源系统的并网协调规划方法及系统 |
| CN112084705B (zh) * | 2020-08-25 | 2024-05-24 | 华北电力大学 | 一种用于综合能源系统的并网协调规划方法及系统 |
| CN111950808A (zh) * | 2020-08-26 | 2020-11-17 | 华北电力大学（保定） | 基于综合需求响应的综合能源系统随机鲁棒优化运行方法 |
| CN111950808B (zh) * | 2020-08-26 | 2022-03-25 | 华北电力大学（保定） | 基于综合需求响应的综合能源系统随机鲁棒优化运行方法 |
| CN114612017A (zh) * | 2022-05-11 | 2022-06-10 | 南京师范大学 | 一种基于区块链的分布式能源的资源置换方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991736A (zh) | 综合能源系统设备的优化配置方法及系统 | |
| CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
| CN107169599B (zh) | 一种基于钢铁企业能源系统的多目标优化调度方法 | |
| Rudnick et al. | Economically adapted transmission systems in open access schemes-application of genetic algorithms | |
| CN109657946A (zh) | 基于博弈论的区域能源互联网规划的数学模型和规划方法 | |
| Wang et al. | Two-stage stochastic planning for integrated energy systems accounting for carbon trading price uncertainty | |
| Yang et al. | Optimal bidding strategy of renewable-based virtual power plant in the day-ahead market | |
| CN107545369A (zh) | 计及用户参与度的电动汽车集群实时有序调度方法 | |
| CN109767080A (zh) | 一种社区综合能源系统的需求侧响应评估方法 | |
| Kong et al. | Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants | |
| Li et al. | Distributionally robust chance-constrained planning for regional integrated electricity–heat systems with data centers considering wind power uncertainty | |
| CN118171788B (zh) | 可调度柔性资源与电网规划布局的协同优化方法 | |
| CN114066315A (zh) | 一种适应多元源荷接入的配电网规划系统 | |
| CN113592133A (zh) | 一种能量枢纽优化配置方法及系统 | |
| Lu et al. | Optimal operation scheduling of household energy hub: A multi-objective optimization model considering integrated demand response | |
| CN116523683A (zh) | 一种基于智能园区虚拟电厂的碳交易方法 | |
| Ali | Development and Improvement of Renewable Energy Integrated with Energy Trading Schemes based on Advanced Optimization Approaches | |
| Dalimi-Asl et al. | Optimal stochastic-probability management of resources and energy storage in energy hub considering demand response programs and uncertainties | |
| Zeng et al. | Optimal configuration planning of vehicle sharing station-based electro-hydrogen micro-energy systems for transportation decarbonization | |
| Tavakoli et al. | Linearized stochastic optimization framework for day-ahead scheduling of a biogas-based energy hub under uncertainty | |
| Wang et al. | RETRACTED: Multi-level charging stations for electric vehicles by considering ancillary generating and storage units | |
| Ding et al. | Long-term operation rules of a hydro–wind–photovoltaic hybrid system considering forecast information | |
| CN115099550A (zh) | 考虑综合能源系统灵活性的市场互动收益模型计算装置 | |
| CN113821008A (zh) | 一种大型工业企业的能源管理控制方法及能源管理中心 | |
| Hao | Deep reinforcement learning for the optimization of building energy control and management |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |