CN110992206A - 一种多源电场的优化调度方法及系统 - Google Patents
一种多源电场的优化调度方法及系统 Download PDFInfo
- Publication number
- CN110992206A CN110992206A CN201911199919.7A CN201911199919A CN110992206A CN 110992206 A CN110992206 A CN 110992206A CN 201911199919 A CN201911199919 A CN 201911199919A CN 110992206 A CN110992206 A CN 110992206A
- Authority
- CN
- China
- Prior art keywords
- power
- microgrid
- heat
- time period
- nth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005684 electric field Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004146 energy storage Methods 0.000 claims abstract description 172
- 238000010438 heat treatment Methods 0.000 claims abstract description 48
- 230000003993 interaction Effects 0.000 claims abstract description 41
- 238000001816 cooling Methods 0.000 claims abstract description 40
- 230000001580 bacterial effect Effects 0.000 claims abstract description 15
- 230000035605 chemotaxis Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 239000007789 gas Substances 0.000 claims description 151
- 238000005338 heat storage Methods 0.000 claims description 103
- 238000007599 discharging Methods 0.000 claims description 62
- 239000000446 fuel Substances 0.000 claims description 50
- 238000004519 manufacturing process Methods 0.000 claims description 47
- 238000010521 absorption reaction Methods 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 38
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 38
- 230000005611 electricity Effects 0.000 claims description 31
- 238000005057 refrigeration Methods 0.000 claims description 29
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 19
- 239000003546 flue gas Substances 0.000 claims description 19
- 239000003345 natural gas Substances 0.000 claims description 19
- 239000002918 waste heat Substances 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 17
- 230000009194 climbing Effects 0.000 claims description 16
- 238000011084 recovery Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000020169 heat generation Effects 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 claims description 6
- 239000002737 fuel gas Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Engine Equipment That Uses Special Cycles (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种多源电场的优化调度方法及系统。所述优化调度方法包括：首先，基于多源电场的云储能结构，建立微网内每个冷热电联供系统的各个设备的机组模型及其约束条件；然后建立以整个多源场的日成交成本最小为目标的优化调度模型及其约束条件；最后根据机组模型的约束条件和优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。本发明基于云储能结构，将储能设置在云端，直接基于机组模型建立整个多源电场的优化调度模型，本发明将储能集中在云端，考虑云端对应的各个微网之间的能量交互实现多源电场的调度优化，提高了多源电场的经济性。
Description
技术领域
本发明涉及多源电场应用技术领域，特别是涉及一种多源电场的优化调度方法及系统。
背景技术
近些年来，风电与光伏发电等可再生能源在全球范围内发展迅速，在各个国家中，风电与光伏所占总发电比例也有显著提升。由于大规模集中式的可再生能源发电出力具有一定间歇性，从而导致系统实时电价大幅度变化，因此需要储能设备来进行平抑，本发明称风电与光伏发电等可再生能源组成的电场为多源电场。
传统的微电网模式成本较高且资源利用率较低，分布式能源的快速发展增加了微网对储能的需求，传统的基于储能的电网调度方案已不能适应微网的发展。云储能(CloudEnergyStorage，CES)是一种基于电网的储能服务，将原本分布在用户侧的储能装置集中到云端统一管理，它使得用户可以随时、随地、按需使用电网级的共享储能资源池中的资源，可以显著地降低提供储能服务的成本。
同时传统的微网优化主要停留在对单个微网进行调度，但随着微网技术的发展，出现了多个微电网邻近存在于同一配电区域的情况，多微网之间的能量交互与耦合现象也越来越不容忽视。
发明内容
本发明的目的是提供一种多源电场的优化调度方法及系统，以通过考虑微网之间的能量交互与耦合的方式，提高多源电场的经济性能。
为实现上述目的，本发明提供了如下方案：
一种多源电场的优化调度方法，所述优化调度方法包括如下步骤：
建立多源电场的云储能结构；
基于所述云储能结构建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型；
确定各个设备的机组模型的约束条件；
基于所述机组模型，根据云储能结构的交易方式，建立包括微网之间交互的以多源电场的各个微网的日成交成本最小为目标的优化调度模型；
确定优化调度模型的约束条件；
根据所述机组模型的约束条件和所述优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。
可选的，所述建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型，具体包括：
建立微型燃气轮机的燃料消耗量模型：
其中，
表示第T个时间段内微型燃气轮机的燃料消耗量，
为第T个时间段内微型燃气轮机输出的电功率；α和β分别为微型燃气轮机的第一燃料系数和第二燃料系数；
为第T个时间段微型燃气轮机的启停状态，
表示停止，
表示运行；
建立吸收式制冷机的制冷量模型：
其中，
表示第T个时间段内吸收式制冷机的制冷量，
表示第T个时间段内微型燃气轮机产生的余热量，
ηMT为第T个时间段内微型燃气轮机的发电效率；ηL为第T个时间段内微型燃气轮机的热损失系数，Cop.c为吸收式制冷机的制冷系数，ηc为吸收式制冷机的烟气回收率；
建立热转换装置的制热量模型：
其中，
表示第T个时间段内热转换装置的制热量，Cop.h为热转换装置的制热系数，ηh为热转换装置的烟气回收率；
建立燃气锅炉的产热量模型：
其中，
为第T个时间段内燃气锅炉的产热量；
为第T个时间段内燃气锅炉的天然气耗费量；ηGB为燃气锅炉的产热效率；
建立电锅炉的输出热模型：
其中，
表示第T个时间段内电锅炉的输出热，
为第T个时间段内电锅炉生热所消耗的电功率，ηEB为电锅炉的制热效率；
建立空调机的输出冷功率模型：
其中，
表示空调机在第T个时间段的冷功率，
为第T个时间段内空调机制冷所消耗的电功率，ηEC为空调机的制冷功率系数；
建立储热装置的容量模型：
其中，
和
分别为第T-1个时间段和第T个时间段内储热装置的容量；γ为储热装置能量自损率；ηtst.dis和ηtst,chr分别为储热装置的放电效率和充电效率；
和
分别为第T个时间段内储热装置的充热功率和放热功率。
可选的，所述确定各个设备的机组模型的约束条件，具体包括：
确定微型燃气轮机的燃料消耗量模型的约束条件：
其中，
与
分别为微型燃气轮机最大输出功率和最小输出功率；
与
分别为微型燃气轮机的最大爬坡速率和最小爬坡速率；
和
为第T-1个时间段和第T个时间段内微型燃气轮机输出的电功率；
确定燃气锅炉的产热量模型的约束：
其中，
和
分别为燃气锅炉的最大产热量和最小产热量；
为第T个时间段内燃气锅炉的产热量；
确定电锅炉的输出热模型的约束：
其中，
表示第T个时间段内电锅炉的输出热，
和
分别表示电锅炉的制热容量的下限和上限；
确定空调机的输出冷功率的约束：
其中，
表示空调机在第T个时间段的冷功率，
和
表示空调节的制冷容量的下限和上限；
确定储热装置的容量模型的约束：
其中，
和
分别为储热装置容量的下限和上限；
和
分别为储热装置充热功率和放热功率下限；
分别为储热装置充热功率和放热功率上限；
和
分别为储热装置充热和放热爬坡速率下限；
和
为储热装置充热和放热爬坡速率上限，
和
分别为第T个时间段内储热装置的充热功率和放热功率，
和
分别为第T-1个时间段内储热装置的充热功率和放热功率。
可选的，所述优化调度模型为：
其中，F为多源电场的日成交成本，n为第n个微网；N表示多源电场的微电网的数量，CNG (n,t)、COM (n,t)、Cserve (n,t)、CCES (n,t)和Cgrid (n,t)分别为多源电场的第n个微网在第t个子时间段的燃料成本、日维护成本、虚拟电池成本、与云储能进行电能交互成本和与第n个微网相邻的微网的能量交互成本；T表示第T个时间段；
COM (n,t)＝KOM,PVPn,PV(t)+KOM,WTPn,WT(t)+KOM,MTPi,MT(t)+KOM,ARPn,AR(t)+
KOM,GBPn,GB(t)+KOM,ACPn,AC(t)+KOM,HXPn,HX(t)+KOM,WHBPn,WHB(t)
KOM,PV、KOM,WT、KOM,MT、KOM,AR、KOM,GB、KOM,AC、KOM,HX和KOM,WHB分别为光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的维护成本；Pn,PV(t)、Pn,WT(t)、Pn,MT(t)、Pn,AR(t)、Pn,GB(t)、Pn,AC(t)、Pn,HX(t)和Pn,WHB(t)分别为第n个微网的光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的在第t个子时间段所消耗的电功率；
ω为购置虚拟电池单位容量收取费用；En cap为第n个微网的虚拟电池容量，
为蓄电池充电调取的服务费用；
为第n个微网在第t个子时间段内从云储能充电电能；
λt为微网从云储能购电电价；θt为微网向云储能售电电价；
为第n个微网在第t个子时间段的放电功率；dn,t为在第t个子时间段第n个微网侧负荷；(·)+和(·)+分别为：
和
x表示括号内的函数；
Cgrid (n,t)＝Sb,nPb,t,n-Ss,nPs,t,n
Sb,n为从第n个微网从与第n个微网相邻的微网购电的费用；Pb,t,n在第t个子时间段第n个微网从与第n个相邻的微网购买电的功率；Ss,n为第n个微网向与第n个微网相邻的微网售电的费用；Ps,t,n为在第t个子时间段第n个微网向与第n个微网相邻的微网售电的功率。
可选的，所述确定优化调度模型的约束条件，具体包括：
确定优化调度模型的电功率平衡约束：
其中，Pn,MT为第n个微网的微型燃气轮机功率；Pn,WT为第n个微网的风电场功率；Pn,PV为第n个微网的光伏发电功率；Pn,C为第n个微网从云储能充电电能，Pn,D为第n个微网的放电功率，Pn,EB为第n微网的电锅炉功率；Pn,EC为第n个微网的电制冷功率，Pb在微网从与所述微网相邻的微网购买电的功率，Ps为微网向与所述微网相邻的微网售电的功率，j为与所述微网相邻的微网的数量，Pn,load为第n个微网的电负荷；
确定优化调度模型的冷功率平衡约束：
Qn,AR+Qn,AC＝Pn,c.load；
其中，Qn,AC为第n个微网的空调机的制冷功率；Qn,AR为第n个微网的吸收式制冷机的制冷功率,Pn,c.load表示第n个微电网的冷负荷；
确定优化调度模型的热功率平衡约束：
Hn,MT+Hn,EB+Hn,GB+Hn,chr＝Hn,dis+Pn,h.load；
其中，Hn,MT为第n个微网的微型燃气轮机热转换装置将烟气余热转换成的热功率；Hn,EB为第n个微网的电锅炉产热功率；Hn,GB为第n个微网的燃气锅炉产热功率；Hn,chr第n个微网的热储能储热功率；Hn,dis为第n个微网的热储能放热功率；Pn,h.load为第n个微网的热负荷；
确定云储能蓄电池充放电约束为：
其中，
为在第t个子时间端第n个微网中云储能充电功率；
为在第t个子时间段第n个微网中云储能放电功率；
为第n个微网的云储能功率容量；
确定云储能电池应运行的荷电状态约束：
其中：En,t为第n个微网在第t个子时间段的储能容量，
为第n个微网的云储能电量容量，
为第n个微网最小储能量；SOCmin为最小云储能荷电状态；En,t-1和En,t为第n个微网在第t-1个子时间段和第t个子时间段的储能容量；
为第n个微网充电效率；
为第n个微网放电效率；
为第n个微网在第t个子时间段内从云储能充电电能，
为第n个微网在第t个子时间段的放电功率，Δt表示子时间段变化量。
一种多源电场的优化调度系统，所述优化调度系统包括：
机组模型建立模块，用于建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型；
第一约束条件确定模块，用于确定各个设备的机组模型的约束条件；
优化调度模型建立模块，用于基于所述机组模型，根据云储能结构的交易方式，建立包括微网之间交互的以多源电场的各个微网的日成交成本最小为目标的优化调度模型；
第一约束条件确定模块，用于确定优化调度模型的约束条件；
优化调度模块，用于根据所述机组模型的约束条件和所述优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。
可选的，所述机组模型建立模块，具体包括：
微型燃气轮机的燃料消耗量模型建立子模块，用于建立微型燃气轮机的燃料消耗量模型：
其中，
表示第T个时间段内微型燃气轮机的燃料消耗量，
为第T个时间段内微型燃气轮机输出的电功率；α和β分别为微型燃气轮机的第一燃料系数和第二燃料系数；
为第T个时间段微型燃气轮机的启停状态，
或1,
表示停止，
表示运行；
吸收式制冷机的制冷量模型建立子模块，用于建立吸收式制冷机的制冷量模型：
其中，
表示第T个时间段内吸收式制冷机的制冷量，
表示第T个时间段内微型燃气轮机产生的余热量，
ηMT为第T个时间段内微型燃气轮机的发电效率；ηL为第T个时间段内微型燃气轮机的热损失系数，Cop.c为吸收式制冷机的制冷系数，ηc为吸收式制冷机的烟气回收率；
换热装置的制热量模型建立子模块，用于建立热转换装置的制热量模型：
其中，
表示第T个时间段内热转换装置的制热量，Cop.h为热转换装置的制热系数，ηh为热转换装置的烟气回收率；
燃气锅炉的产热量模型建立子模块，用于建立燃气锅炉的产热量模型：
其中，
为第T个时间段内燃气锅炉的产热量；
为第T个时间段内燃气锅炉的天然气耗费量；ηGB为燃气锅炉的产热效率；
电锅炉的输出热模型建立子模块，用于建立电锅炉的输出热模型：
其中，
表示第T个时间段内电锅炉的输出热，
为第T个时间段内电锅炉生热所消耗的电功率，ηEB为电锅炉的制热效率；
空调机的输出冷功率模型建立子模块，用于建立空调机的输出冷功率模型：
其中，
表示空调机在第T个时间段的冷功率，
为第T个时间段内空调机制冷所消耗的电功率，ηEC为空调机的制冷功率系数；
储热装置的容量模型建立子模块，用于建立储热装置的容量模型：
其中，
和
分别为第T-1个时间段和第T个时间段内储热装置的容量；γ为储热装置能量自损率；ηtst.dis和ηtst,chr分别为储热装置的放电效率和充电效率；
和
分别为第T个时间段内储热装置的充热功率和放热功率。
可选的，所述第一约束条件确定模块，具体包括：
微型燃气轮机的燃料消耗量模型的约束确定子模块，用于确定微型燃气轮机的燃料消耗量模型的约束条件：
其中，
与
分别为微型燃气轮机最大输出功率和最小输出功率；
与
分别为微型燃气轮机的最大爬坡速率和最小爬坡速率；
和
为第T-1个时间段和第T个时间段内微型燃气轮机输出的电功率；
燃气锅炉的产热量模型的约束确定子模块，用于确定燃气锅炉的产热量模型的约束：
其中，
和
分别为燃气锅炉的最大产热量和最小产热量；
为第T个时间段内燃气锅炉的产热量；
电锅炉的输出热模型的约束确定子模块，用于确定电锅炉的输出热模型的约束：
其中，
表示第T个时间段内电锅炉的输出热，
和
分别表示电锅炉的制热容量的下限和上限；
空调机的输出冷功率的约束确定子模块，用于确定空调机的输出冷功率的约束：
其中，
表示空调机在第T个时间段的冷功率，
和
表示空调节的制冷容量的下限和上限；
储热装置的容量模型的约束确定子模块，用于确定储热装置的容量模型的约束：
其中，
和
分别为储热装置容量的下限和上限；
和
分别为储热装置充热功率和放热功率下限；
分别为储热装置充热功率和放热功率上限；
和
分别为储热装置充热和放热爬坡速率下限；
和
为储热装置充热和放热爬坡速率上限，
和
分别为第T个时间段内储热装置的充热功率和放热功率，
和
分别为第T-1个时间段内储热装置的充热功率和放热功率。
可选的，所述优化调度模型为：
其中，F为多源电场的日成交成本，n为第n个微网；N表示多源电场的微电网的数量，CNG (n,t)、COM (n,t)、Cserve (n,t)、CCES (n,t)和Cgrid (n,t)分别为多源电场的第n个微网在第t个子时间段的燃料成本、日维护成本、虚拟电池成本、与云储能进行电能交互成本和与第n个微网相邻的微网的能量交互成本；T表示第T个时间段；
COM (n,t)＝KOM,PVPn,PV(t)+KOM,WTPn,WT(t)+KOM,MTPn,MT(t)+KOM,ARPn,AR(t)+
KOM,GBPn,GB(t)+KOM,ACPn,AC(t)+KOM,HXPn,HX(t)+KOM,WHBPn,WHB(t)
KOM,PV、KOM,WT、KOM,MT、KOM,AR、KOM,GB、KOM,AC、KOM,HX和KOM,WHB分别为光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的维护成本；Pn,PV(t)、Pn,WT(t)、Pn,MT(t)、Pn,AR(t)、Pn,GB(t)、Pn,AC(t)、Pn,HX(t)和Pn,WHB(t)分别为第n个微网的光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的在第t个子时间段所消耗的电功率；
ω为购置虚拟电池单位容量收取费用；En cap为第n个微网的虚拟电池容量，
为蓄电池充电调取的服务费用；
为第n个微网在第t个子时间段内从云储能充电电能；
λt为微网从云储能购电电价；θt为微网向云储能售电电价；
为第n个微网在第t个子时间段的放电功率；dn,t为在第t个子时间段第n个微网侧负荷；(·)+和(·)+分别为：
和
x表示括号内的函数；
Cgrid (n,t)＝Sb,nPb,t,n-Ss,nPs,t,n
Sb,n为从第n个微网从与第n个微网相邻的微网购电的费用；Pb,t,n在第t个子时间段第n个微网从与第n个相邻的微网购买电的功率；Ss,n为第n个微网向与第n个微网相邻的微网售电的费用；Ps,t,n为在第t个子时间段第n个微网向与第n个微网相邻的微网售电的功率。
可选的，所述第二约束条件确定模块，具体包括：
电功率平衡约束确定子模块，用于确定优化调度模型的电功率平衡约束：
其中，Pn,MT为第n个微网的微型燃气轮机功率；Pn,WT为第n个微网的风电场功率；Pn,PV为第n个微网的光伏发电功率；Pn,C为第n个微网从云储能充电电能，Pn,D为第n个微网的放电功率，Pn,EB为第n微网的电锅炉功率；Pn,EC为第n个微网的电制冷功率，Pb在微网从与所述微网相邻的微网购买电的功率，Ps为微网向与所述微网相邻的微网售电的功率，j为与所述微网相邻的微网的数量，Pn,load为第n个微网的电负荷；
冷功率平衡约束确定子模块，用于确定优化调度模型的冷功率平衡约束：
Qn,AR+Qn,AC＝Pn,c.load；
其中，Qn,AC为第n个微网的空调机的制冷功率；Qn,AR为第n个微网的吸收式制冷机的制冷功率,Pn,c.load表示第n个微电网的冷负荷；
热功率平衡约束确定子模块，用于确定优化调度模型的热功率平衡约束：
Hn,MT+Hn,EB+Hn,GB+Hn,chr＝Hn,dis+Pn,h.load；
其中，Hn,MT为第n个微网的微型燃气轮机热转换装置将烟气余热转换成的热功率；Hn,EB为第n个微网的电锅炉产热功率；Hn,GB为第n个微网的燃气锅炉产热功率；Hn,chr第n个微网的热储能储热功率；Hn,dis为第n个微网的热储能放热功率；Pn,h.load为第n个微网的热负荷；
云储能蓄电池充放电约束确定子模块，用于确定云储能蓄电池充放电约束为：
其中，
为在第t个子时间端第n个微网中云储能充电功率；
为在第t个子时间段第n个微网中云储能放电功率；
为第n个微网的云储能功率容量；
荷电状态约束确定子模块，用于确定云储能电池应运行的荷电状态约束：
其中：En,t为第n个微网在第t个子时间段的储能容量，
为第n个微网的云储能电量容量，
为第n个微网最小储能量；SOCmin为最小云储能荷电状态；En,t-1和En,t为第n个微网在第t-1个子时间段和第t个子时间段的储能容量；
为第n个微网充电效率；
为第n个微网放电效率；
为第n个微网在第t个子时间段内从云储能充电电能，
为第n个微网在第t个子时间段的放电功率，Δt表示子时间段变化量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种多源电场的优化调度方法及系统。所述优化调度方法包括：首先，基于多源电场的云储能结构，建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型及其约束条件；然后建立以多源电场的各个微网的日成交成本最小为目标的优化调度模型及其约束条件；最后根据机组模型的约束条件和优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。本发明基于云储能结构，将储能设置在云端，直接基于机组模型建立整个多源电场的优化调度模型，而不是单独分析每个微网的优化模型，本发明将储能集中在云端，考虑云端对应的各个微网之间的能量交互实现多源电场的调度优化，提高了多源电场的经济性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种多源电场的优化调度方法的流程图；
图2为本发明提供的一种多源电场的优化调度方法的原理图；
图3为本发明提供的分布式储能微网的结构图；
图4为本发明提供的云储能结构微网的结构图；
图5为本发明提供的微网内冷热电联供系统的结构示意图；
图6为本发明提供的云储能结构多微网间电能交互图；
图7为本发明提供的细菌趋药性算法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种多源电场的优化调度方法及系统，以通过考虑微网之间的能量交互与耦合的方式，提高多源电场的经济性能。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了实现上述目的本发明提供一种多源电场的优化调度方法，如图1和2所示，所述优化调度方法包括如下步骤：
步骤101，建立多源电场的云储能结构；
步骤101中，本发明确立了基于云储能的单微网结构，区别于传统分布式储能单微网，云储能结构的微网不建立微网侧分布式储能，而是将储能设备集中于云端能够，有效减少传统微网中用于储能设备上的成本花费，进一步提高微网整体的经济性。
云储能概念的提出充分响应了共享经济，但现有的云储能的概念针对的是用户群，指每家单独用户将储能集中于云端，但是由于人口基数大，居住区密集，单独用户存在的情况在于少数，多为微网或区域综合能源用户，同时考虑到云储能运营商，微网侧和用户为三种不同利益主体，跨过微网利益主体而直接进行云储能运营商与用户的能源交易具有一定复杂性，因此本文将用户群广义化为多微网，将云储能设备运用于微网侧而不是用户侧，由各微网购买集中式储能设备。
其原因在于，如图3所示在传统微网中，分布式储能往往安装在微电网侧，通过帮助负荷曲线移峰填谷或存储微网中可再生能源产生的过剩电能以达到减小成本的作用，但是当前分布式储能的造价与日常维护成本仍然较高，限制了其广泛使用，因此本文在微网结构上进行了创新，放弃建立分布在各微网的分布式储能，将储能集中在云端，引入云储能结构。
如图4所示，本发明的基于云储能结构的微网侧可以根据自身系统内光伏，风电的发电情况或是负荷需求来确定自身的储能设备的容量需求，进而从云储能供应商购买相应容量的储能设备，由于微网侧不存在分布式储能设备，因此微网内所有与储能设备进行能量交互的设备都需要通过线路与云储能供应商进行交互，因此将这部分购买的储能装置称为微网侧虚拟电池，即微网需要向云储能供应商提交一部分费用以获得云端电池的使用权。
如图6所示，其交易方式在于，不同于传统分布式储能设备在地理位置上位于微网侧，并由微网实际控制，云储能实际上是位于云储能供应商侧通过租赁以供各微网使用的分布式储能资源。微网侧需要给虚拟电池充电时会向运营商发出充电指令并向运营商支付充电费用，这部分费用最终由运营商支付给配网，而微网侧需要放电时则不需要支付费用，同理，当微网侧可再生能源电能过剩时可以选择对虚拟电池进行充电或是向配网反馈电能时，配网会将购电费用支付给云储能供应商，最终这部分费用由供应商转交给微网侧。如此一来，能够有效降低因在各微网侧安装储能设备而产生的分散安装成本，同时能够降低因分布式储能设备维护带来的成本花费，进一步提高微网的经济性。
如图5所示，本发明选取含冷热电联供系统的微网，其中的微型燃气轮机以天然气为燃料发电，余热烟气通过余热锅炉收集并分别进入吸收式制冷机与换热装置对微网进行制冷制热，同时引入云储能与蓄热装置进行储能，打破传统“以热定电”和“以电定热”模式。
微网内冷热电联供系统包括能源设备，储能设备，能量转换设备三部分，能源设备由光伏电源(photovoltaic,PV)，风电(windturbine,WT)，微型燃气轮机(micro-gasturbine,MT),燃气锅炉(gasboiler,GB)组成；储能设备由云储能即蓄热装置组成；能量转换设备由余热锅炉(wastheatboiler,WHB)，电锅炉(electricboiler,EB)，吸收式制冷机(absorptionrefrigerator,AR)，热转换设备(heatexchanger,HE)，空调机(airconditioner，AC)组成。
步骤102，建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型。
步骤102所述建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型，具体包括：
建立微型燃气轮机的燃料消耗量模型：
其中，
表示第T个时间段内微型燃气轮机的燃料消耗量，
为第T个时间段内微型燃气轮机输出的电功率；α和β分别为微型燃气轮机的第一燃料系数和第二燃料系数；
为第T个时间段微型燃气轮机的启停状态，
或1,
表示停止，
表示运行；
建立吸收式制冷机的制冷量模型：
其中，
表示第T个时间段内吸收式制冷机的制冷量，
表示第T个时间段内微型燃气轮机产生的余热量，
ηMT为第T个时间段内微型燃气轮机的发电效率；ηL为第T个时间段内微型燃气轮机的热损失系数，Cop.c为吸收式制冷机的制冷系数，ηc为吸收式制冷机的烟气回收率；
建立热转换装置的制热量模型：
其中，
表示第T个时间段内热转换装置的制热量，Cop.h为热转换装置的制热系数，ηh为热转换装置的烟气回收率；
建立燃气锅炉的产热量模型：
其中，
为第T个时间段内燃气锅炉的产热量；
为第T个时间段内燃气锅炉的天然气耗费量；ηGB为燃气锅炉的产热效率；
建立电锅炉的输出热模型：
其中，
表示第T个时间段内电锅炉的输出热，
为第T个时间段内电锅炉生热所消耗的电功率，ηEB为电锅炉的制热效率；
建立空调机的输出冷功率模型：
其中，
表示空调机在第T个时间段的冷功率，
为第T个时间段内空调机制冷所消耗的电功率，ηEC为空调机的制冷功率系数；
建立储热装置的容量模型：
其中，
和
分别为第T-1个时间段和第T个时间段内储热装置的容量；γ为储热装置能量自损率；ηchr和ηtst,chr分别为储热装置的放电效率和充电效率；
和
分别为第T个时间段内储热装置的充热功率和放热功率。
步骤103，确定各个设备的机组模型的约束条件。
步骤103所述确定各个设备的机组模型的约束条件，具体包括：
在微型燃气轮机运行时存在功率上下限约束及爬坡速率约束，确定微型燃气轮机的燃料消耗量模型的约束条件为：
其中，
与
分别为微型燃气轮机最大输出功率和最小输出功率；
与
分别为微型燃气轮机的最大爬坡速率和最小爬坡速率；
和
为第T-1个时间段和第T个时间段内微型燃气轮机输出的电功率；
确定燃气锅炉的产热量模型的约束：
其中，
和
分别为燃气锅炉的最大产热量和最小产热量；
为第T个时间段内燃气锅炉的产热量；
确定电锅炉的输出热模型的约束：
其中，
表示第T个时间段内电锅炉的输出热，
和
分别表示电锅炉的制热容量的下限和上限；
确定空调机的输出冷功率的约束：
其中，
表示空调机在第T个时间段的冷功率，
和
表示空调节的制冷容量的下限和上限；
储热装置能够在热能相对富裕时储存热能，在需要时释放热能，能够在一定程度上缓解传统微网中“以热定电”或是“以电定热”的运行模式，进而提高系统的灵活性及经济性确定储热装置的容量模型的约束及满足充放电爬坡速率：
其中，
和
分别为储热装置容量的下限和上限；
和
分别为储热装置充热功率和放热功率下限；
分别为储热装置充热功率和放热功率上限；
和
分别为储热装置充热和放热爬坡速率下限；
和
为储热装置充热和放热爬坡速率上限，
和
分别为第T个时间段内储热装置的充热功率和放热功率。
步骤104，基于所述机组模型，根据云储能结构的交易方式，建立包括微网之间交互的以多源电场的各个微网的日成交成本最小为目标的优化调度模型。
随着为微网技术的推广，区域系统内逐渐接入越来越多的微网使得各微网之间存在一定联系，而考虑微网内能量交互的相关研究仍然较少，当微网之间存在能量交互时，会对微网的供冷供热系统产生一定的影响，同时微网之间就近的能量消纳能进一步节省成本，因此，本文创新性的提出在云储能结构下，考虑多微网之间的能量交互，以达到成本最小的目的，多微网间的电能流动示意图如图4所示。
目标函数以多微网一天内成本最小为目标函数，包括系统燃料成本，系统日维护成本，微网所购买的虚拟电池及服务成本，与云储能进行电能交互的成本，与各微网之间进行能量交互的成本。
所述优化调度模型为：
其中，F为多源电场的日成交成本，n为第n个微网；N表示多源电场的微电网的数量，CNG (n,t)、COM (n,t)、Cserve (n,t)、CCES (n,t)和Cgrid (n,t)分别为多源电场的第n个微网在第t个子时间段的燃料成本、日维护成本、虚拟电池成本、与云储能进行电能交互成本和与第n个微网相邻的微网的能量交互成本；
COM (n,t)＝KOM,PVPn,PV(t)+KOM,WTPn,WT(t)+KOM,MTPn,MT(t)+KOM,ARPn,AR(t)+
KOM,GBPn,GB(t)+KOM,ACPn,AC(t)+KOM,HXPn,HX(t)+KOM,WHBPn,WHB(t)
KOM,PV、KOM,WT、KOM,MT、KOM,AR、KOM,GB、KOM,AC、KOM,HX和KOM,WHB分别为光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的维护成本；Pn,PV(t)、Pn,WT(t)、Pn,MT(t)、Pn,AR(t)、Pn,GB(t)、Pn,AC(t)、Pn,HX(t)和Pn,WHB(t)分别为第n个微网的光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的在第t个子时间段所消耗的电功率；
ω为购置虚拟电池单位容量收取费用；En cap为第n个微网的虚拟电池容量，
为蓄电池充电调取的服务费用；
为第n个微网在第t个子时间段内从云储能充电电能；
λt为微网从云储能购电电价；θt为微网向云储能售电电价；
为第n个微网在第t个子时间段的放电功率；dn,t为在第t个子时间段第n个微网侧负荷；(·)+和(·)+分别为：
和
x表示括号内的函数；
Cgrid (n,t)＝Sb,nPb,t,n-Ss,nPs,t,n
Sb,n为从第n个微网从与第n个微网相邻的微网购电的费用；Pb,t,n在第t个子时间段第n个微网从与第n个相邻的微网购买电的功率；Ss,n为第n个微网向与第n个微网相邻的微网售电的费用；Ps,t,n为在第t个子时间段第n个微网向与第n个微网相邻的微网售电的功率。
步骤105，确定优化调度模型的约束条件。
步骤105所述确定优化调度模型的约束条件，具体包括：
确定优化调度模型的电功率平衡约束：
其中，Pn,MT为第n个微网的微型燃气轮机功率；Pn,WT为第n个微网的风电场功率；Pn,PV为第n个微网的光伏发电功率；Pn,C为第n个微网从云储能充电电能，
为第n个微网的放电功率，Pn,D，Pn,EB为第n微网的电锅炉功率；Pn,EC为第n个微网的电制冷功率，Pb在微网从与所述微网相邻的微网购买电的功率，Ps为微网向与所述微网相邻的微网售电的功率，j为与所述微网相邻的微网的数量，Pn,load为第n个微网的电负荷；
确定优化调度模型的冷功率平衡约束：
Qn,AR+Qn,AC＝Pn,c.load；
其中，Qn,AC为第n个微网的空调机的制冷功率；Qn,AR为第n个微网的吸收式制冷机的制冷功率,Pn,c.load表示第n个微电网的冷负荷；
确定优化调度模型的热功率平衡约束：
Hn,MT+Hn,EB+Hn,GB+Hn,chr＝Hn,dis+Pn,h.load；
式中，Hn,MT为第n个微网的微型燃气轮机热转换装置将烟气余热转换成的热功率；Hn,EB为第n个微网的电锅炉产热功率；Hn,GB为第n个微网的燃气锅炉产热功率；Hn,chr第n个微网的热储能储热功率；Hn,dis为第n个微网的热储能放热功率；Pn,h.load为第n个微网的热负荷；
确定云储能蓄电池充放电约束为：
其中，
为在第t个子时间端第n个微网中云储能充电功率；
为在第t个子时间段第n个微网中云储能放电功率；
为第n个微网的云储能功率容量；
确定云储能电池应运行的荷电状态约束：
其中：En,t为第n个微网在第t个子时间段的储能容量，
为第n个微网的云储能电量容量，
为第n个微网最小储能量；SOCmin为云储能荷电状态；En,t-1和En,t为第n个微网在第t-1个子时间段和第t个子时间段的储能容量；
为第n个微网充电效率；
为第n个微网放电效率；
为第n个微网在第t个子时间段内从云储能充电电能，
为第n个微网在第t个子时间段的放电功率。
步骤106，根据所述机组模型的约束条件和所述优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。
如图7所示，采用采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率的具体流程如下：
S701、设定算例基本数据；
S702、细菌群体初始化，设定细菌初始位置和速度，确定精度数据；
S703、离散化过程，确定位置1及适应值；
S704、寻优过程，确定位置2及适应值；
S705、比较位置1和位置2，细菌移向较优的位置；
S706、判断是否达到精度要求或收敛，若是，则输出全体最优值作为最优规划方案，否则，定向变异，更新数据，直到获得最优值。
本发明提出的目标函数以微网日内经济成本最小为目标函数，作为极值优化，细菌的运动轨迹是由一系列连续的直线组成,并且由运动方向和移动距离2个参数决定，运动方向与夹角由概率分布决定，由上一步的信息来确定下一步的移动，细菌群会不断寻优，通过局部最优的比较来确定全局最优解，即本发明目标函数的极小值点。
本发明的优化变量为微网中冷热电联供系统各设备出力与目标函数中微网与储能功率交互，各微网间功率交互为优化变量，以各设备出力上下限，爬坡速率，云储能设备相关约束模型等作为目标函数的约束条件，通过细菌群体趋药性算法得出各机组最优出力方案与最小经济成本。
作为一种优选的实施方式，步骤105所述根据所述机组模型的约束条件和所述优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度，之后还包括：确定设备的最优输出功率后对其进行仿真，具体包括：
(1)确定算例及特征参数
本发明的算例选取含微网内冷热电联供(combined cooling,heating andpower,CCHP)型微网，并进行了结构改进后扩充为三个单独的微网，这三个微网属于同一配电区域，并且地理位置相对邻近，组成多微网系统，其中微网1与微网2为包含本发明提出的云储能结构的CCHP微网，微网3则为传统包含光伏电池的光储微网，由于需考虑多微网之间能量交互，不同的微网微源出力会影响调度结果，因此本文将微网1设为其可再生能源出力大于其负荷要求，微网3设为其光伏出力不能满足其负荷要求。
本发明对以下3种场景进行仿真：
场景1，微网1，2采取传统分布式储能结构单微网，并且三个微网之间没有能量的交互。
场景2，微网1，2采用本发明提出的云储能结构，微网侧不在建设单独的储能设备，并且三个微网之间不进行能量交互。
场景3，微网1，2采用本发明提出的云储能结构，微网侧不在建设单独的储能设备，同时考虑三个微网间能量的相互交互。
(2)采用MATLAB软件编写细菌群体趋药性算法程序对算例进行仿真分析。
通过仿真可知，该模型在相比传统分布式储能结构下的微网具有显著的经济性。
本发明还提供一种多源电场的优化调度系统，所述优化调度系统包括：
机组模型建立模块，用于建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型。
所述机组模型建立模块，具体包括：
微型燃气轮机的燃料消耗量模型建立子模块，用于建立微型燃气轮机的燃料消耗量模型：
其中，
表示第T个时间段内微型燃气轮机的燃料消耗量，
为第T个时间段内微型燃气轮机输出的电功率；α和β分别为微型燃气轮机的第一燃料系数和第二燃料系数；
为第T个时间段微型燃气轮机的启停状态，
或1,
表示停止，
表示运行。
吸收式制冷机的制冷量模型建立子模块，用于建立吸收式制冷机的制冷量模型：
其中，
表示第T个时间段内吸收式制冷机的制冷量，
表示第T个时间段内微型燃气轮机产生的余热量，
ηMT为第T个时间段内微型燃气轮机的发电效率；ηL为第T个时间段内微型燃气轮机的热损失系数，Cop.c为吸收式制冷机的制冷系数，ηc为吸收式制冷机的烟气回收率。
换热装置的制热量模型建立子模块，用于建立热转换装置的制热量模型：
其中，
表示第T个时间段内热转换装置的制热量，Cop.h为热转换装置的制热系数，ηh为热转换装置的烟气回收率。
燃气锅炉的产热量模型建立子模块，用于建立燃气锅炉的产热量模型：
其中，
为第T个时间段内燃气锅炉的产热量；
为第T个时间段内燃气锅炉的天然气耗费量；ηGB为燃气锅炉的产热效率。
电锅炉的输出热模型建立子模块，用于建立电锅炉的输出热模型：
其中，
表示第T个时间段内电锅炉的输出热，
为第T个时间段内电锅炉生热所消耗的电功率，ηEB为电锅炉的制热效率。
空调机的输出冷功率模型建立子模块，用于建立空调机的输出冷功率模型：
其中，
表示空调机在第T个时间段的冷功率，
为第T个时间段内空调机制冷所消耗的电功率，ηEC为空调机的制冷功率系数。
储热装置的容量模型建立子模块，用于建立储热装置的容量模型：
其中，
和
分别为第T-1个时间段和第T个时间段内储热装置的容量；γ为储热装置能量自损率；ηtst.dis和ηtst,chr分别为储热装置的放电效率和充电效率；
和
分别为第T个时间段内储热装置的充热功率和放热功率。
第一约束条件确定模块，用于确定各个设备的机组模型的约束条件。
所述第一约束条件确定模块，具体包括：
微型燃气轮机的燃料消耗量模型的约束确定子模块，用于确定微型燃气轮机的燃料消耗量模型的约束条件：
其中，
与
分别为微型燃气轮机最大输出功率和最小输出功率；
与
分别为微型燃气轮机的最大爬坡速率和最小爬坡速率；
和
为第T-1个时间段和第T个时间段内微型燃气轮机输出的电功率。
燃气锅炉的产热量模型的约束确定子模块，用于确定燃气锅炉的产热量模型的约束：
其中，
和
分别为燃气锅炉的最大产热量和最小产热量；
为第T个时间段内燃气锅炉的产热量。
电锅炉的输出热模型的约束确定子模块，用于确定电锅炉的输出热模型的约束：
其中，
表示第T个时间段内电锅炉的输出热，
和
分别表示电锅炉的制热容量的下限和上限。
空调机的输出冷功率的约束确定子模块，用于确定空调机的输出冷功率的约束：
其中，
表示空调机在第T个时间段的冷功率，
和
表示空调节的制冷容量的下限和上限。
储热装置的容量模型的约束确定子模块，用于确定储热装置的容量模型的约束：
其中，
和
分别为储热装置容量的下限和上限；
和
分别为储热装置充热功率和放热功率下限；
分别为储热装置充热功率和放热功率上限；
和
分别为储热装置充热和放热爬坡速率下限；
和
为储热装置充热和放热爬坡速率上限，
和
分别为第T个时间段内储热装置的充热功率和放热功率。
优化调度模型建立模块，用于基于所述机组模型，根据云储能结构的交易方式，建立包括微网之间交互的以多源电场的各个微网的日成交成本最小为目标的优化调度模型。
所述优化调度模型为：
其中，F为多源电场的日成交成本，n为第n个微网；N表示多源电场的微电网的数量，CNG (n,t)、COM (n,t)、Cserve (n,t)、CCES (n,t)和Cgrid (n,t)分别为多源电场的第n个微网在第t个子时间段的燃料成本、日维护成本、虚拟电池成本、与云储能进行电能交互成本和与第n个微网相邻的微网的能量交互成本；
COM (n,t)＝KOM,PVPn,PV(t)+KOM,WTPn,WT(t)+KOM,MTPi,MT(t)+KOM,ARPn,AR(t)+
KOM,GBPn,GB(t)+KOM,ACPn,AC(t)+KOM,HXPn,HX(t)+KOM,WHBPn,WHB(t)
KOM,PV、KOM,WT、KOM,MT、KOM,AR、KOM,GB、KOM,AC、KOM,HX和KOM,WHB分别为光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、、余热锅炉的维护成本；Pn,PV(t)、Pn,WT(t)、Pn,MT(t)、Pn,AR(t)、Pn,GB(t)、Pn,AC(t)、Pn,HX(t)和Pn,WHB(t)分别为第n个微网的光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、、余热锅炉的在第t个子时间段所消耗的电功率；
ω为购置虚拟电池单位容量收取费用；En cap为第n个微网的虚拟电池容量，
为蓄电池充电调取的服务费用；
为第n个微网在第t个子时间段内从云储能充电电能；
λt为微网从云储能购电电价；θt为微网向云储能售电电价；
为第n个微网在第t个子时间段的放电功率；dn,t为在第t个子时间段第n个微网侧负荷；(·)+和(·)+分别为：
和
x表示括号内的函数；
Cgrid (n,t)＝Sb,nPb,t,n-Ss,nPs,t,n
Sb,n为从第n个微网从与第n个微网相邻的微网购电的费用；Pb,t,n在第t个子时间段第n个微网从与第n个相邻的微网购买电的功率；Ss,n为第n个微网向与第n个微网相邻的微网售电的费用；Ps,t,n为在第t个子时间段第n个微网向与第n个微网相邻的微网售电的功率。
第一约束条件确定模块，用于确定优化调度模型的约束条件；
所述第二约束条件确定模块，具体包括：
电功率平衡约束确定子模块，用于确定优化调度模型的电功率平衡约束：
其中，Pn,MT为第n个微网的微型燃气轮机功率；Pn,WT为第n个微网的风电场功率；Pn,PV为第n个微网的光伏发电功率；Pn,C为第n个微网从云储能充电电能，
为第n个微网的放电功率，Pn,D，Pn,EB为第n微网的电锅炉功率；Pn,EC为第n个微网的电制冷功率，Pb在微网从与所述微网相邻的微网购买电的功率，Ps为微网向与所述微网相邻的微网售电的功率，j为与所述微网相邻的微网的数量，Pn,load为第n个微网的电负荷；
冷功率平衡约束确定子模块，用于确定优化调度模型的冷功率平衡约束：
Qn,AR+Qn,AC＝Pn,c.load；
其中，Qn,AC为第n个微网的空调机的制冷功率；Qn,AR为第n个微网的吸收式制冷机的制冷功率,Pn,c.load表示第n个微电网的冷负荷；
热功率平衡约束确定子模块，用于确定优化调度模型的热功率平衡约束：
Hn,MT+Hn,EB+Hn,GB+Hn,chr＝Hn,dis+Pn,h.load；
式中，Hn,MT为第n个微网的微型燃气轮机热转换装置将烟气余热转换成的热功率；Hn,EB为第n个微网的电锅炉产热功率；Hn,GB为第n个微网的燃气锅炉产热功率；Hn,chr第n个微网的热储能储热功率；Hn,dis为第n个微网的热储能放热功率；Pn,h.load为第n个微网的热负荷；
云储能蓄电池充放电约束确定子模块，用于确定云储能蓄电池充放电约束为：
其中，
为在第t个子时间端第n个微网中云储能充电功率；
为在第t个子时间段第n个微网中云储能放电功率；
为第n个微网的云储能功率容量；
荷电状态约束确定子模块，用于确定云储能电池应运行的荷电状态约束：
其中：En,t为第n个微网在第t个子时间段的储能容量，
为第n个微网的云储能电量容量，
为第n个微网最小储能量；SOCmin为云储能荷电状态；En,t-1和En,t为第n个微网在第t-1个子时间段和第n个子时间段的储能容量；
为第n个微网充电效率；
为第n个微网放电效率；
为第n个微网在第t个子时间段内从云储能充电电能，
为第n个微网在第t个子时间段的放电功率。
优化调度模块，用于根据所述机组模型的约束条件和所述优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明的优化变量为微网中冷热电联供系统各设备出力与目标函数中微网与储能功率交互，各微网间功率交互为优化变量，以各设备出力上下限，爬坡速率，云储能设备相关约束模型等作为目标函数的约束条件，通过细菌群体趋药性算法得出各机组最优出力方案与最小经济成本。
本说明书中等效实施例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，等效实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对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，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (10)
1.一种多源电场的优化调度方法，其特征在于，所述优化调度方法包括如下步骤：
建立多源电场的云储能结构；
基于所述云储能结构建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型；
确定各个设备的机组模型的约束条件；
基于所述机组模型，根据云储能结构的交易方式，建立包括微网之间交互的以多源电场的各个微网的日成交成本最小为目标的优化调度模型；
确定优化调度模型的约束条件；
根据所述机组模型的约束条件和所述优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。
2.根据权利要求1所述的多源电场的优化调度方法，其特征在于，所述建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型，具体包括：
建立微型燃气轮机的燃料消耗量模型：
其中，
表示第T个时间段内微型燃气轮机的燃料消耗量，
为第T个时间段内微型燃气轮机输出的电功率；α和β分别为微型燃气轮机的第一燃料系数和第二燃料系数；
为第T个时间段微型燃气轮机的启停状态，
或1,
表示停止，
表示运行；
建立吸收式制冷机的制冷量模型：
其中，
表示第T个时间段内吸收式制冷机的制冷量，
表示第T个时间段内微型燃气轮机产生的余热量，
ηMT为第T个时间段内微型燃气轮机的发电效率；ηL为第T个时间段内微型燃气轮机的热损失系数，Cop.c为吸收式制冷机的制冷系数，ηc为吸收式制冷机的烟气回收率；
建立热转换装置的制热量模型：
其中，
表示第T个时间段内热转换装置的制热量，Cop.h为热转换装置的制热系数，ηh为热转换装置的烟气回收率；
建立燃气锅炉的产热量模型：
其中，
为第T个时间段内燃气锅炉的产热量；
为第T个时间段内燃气锅炉的天然气耗费量；ηGB为燃气锅炉的产热效率；
建立电锅炉的输出热模型：
其中，
表示第T个时间段内电锅炉的输出热，
为第T个时间段内电锅炉生热所消耗的电功率，ηEB为电锅炉的制热效率；
建立空调机的输出冷功率模型：
其中，
表示空调机在第T个时间段的冷功率，
为第T个时间段内空调机制冷所消耗的电功率，ηEC为空调机的制冷功率系数；
建立储热装置的容量模型：
其中，
和
分别为第T-1个时间段和第T个时间段内储热装置的容量；γ为储热装置能量自损率；ηtst.dis和ηtst,chr分别为储热装置的放电效率和充电效率；
和
分别为第T个时间段内储热装置的充热功率和放热功率。
3.根据权利要求2所述的多源电场的优化调度方法，其特征在于，所述确定各个设备的机组模型的约束条件，具体包括：
确定微型燃气轮机的燃料消耗量模型的约束条件：
其中，
与
分别为微型燃气轮机最大输出功率和最小输出功率；
与
分别为微型燃气轮机的最大爬坡速率和最小爬坡速率；
和
为第T-1个时间段和第T个时间段内微型燃气轮机输出的电功率；
确定燃气锅炉的产热量模型的约束：
其中，
和
分别为燃气锅炉的最大产热量和最小产热量；
为第T个时间段内燃气锅炉的产热量；
确定电锅炉的输出热模型的约束：
其中，
表示第T个时间段内电锅炉的输出热，
和
分别表示电锅炉的制热容量的下限和上限；
确定空调机的输出冷功率的约束：
其中，
表示空调机在第T个时间段的冷功率，
和
表示空调节的制冷容量的下限和上限；
确定储热装置的容量模型的约束：
其中，
和
分别为储热装置容量的下限和上限；
和
分别为储热装置充热功率和放热功率下限；
分别为储热装置充热功率和放热功率上限；
和
分别为储热装置充热和放热爬坡速率下限；
和
为储热装置充热和放热爬坡速率上限，
和
分别为第T个时间段内储热装置的充热功率和放热功率，
和
分别为第T-1个时间段内储热装置的充热功率和放热功率。
4.根据权利要求1所述的多源电场的优化调度方法，其特征在于，所述优化调度模型为：
其中，F为多源电场的日成交成本，n为第n个微网；N表示多源电场的微电网的数量，CNG (n,t)、COM (n,t)、Cserve (n,t)、CCES (n,t)和Cgrid (n,t)分别为多源电场的第n个微网在第t个子时间段的燃料成本、日维护成本、虚拟电池成本、与云储能进行电能交互成本和与第n个微网相邻的微网的能量交互成本；T表示第T个时间段；
COM (n,t)＝KOM,PVPn,PV(t)+KOM,WTPn,WT(t)+KOM,MTPn,MT(t)+KOM,ARPn,AR(t)+
KOM,GBPn,GB(t)+KOM,ACPn,AC(t)+KOM,HEPn,HE(t)+KOM,WHBPn,WHB(t)
KOM,PV、KOM,WT、KOM,MT、KOM,AR、KOM,GB、KOM,AC、KOM,HE和KOM,WHB分别为光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的维护成本；Pn,PV(t)、Pn,WT(t)、Pn,MT(t)、Pn,AR(t)、Pn,GB(t)、Pn,AC(t)、Pn,HE(t)和Pn,WHB(t)分别为第n个微网的光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的在第t个子时间段所消耗的电功率；
ω为购置虚拟电池单位容量收取费用；En cap为第n个微网的虚拟电池容量，
为蓄电池充电调取的服务费用；
为第n个微网在第t个子时间段内从云储能充电电能；
λt为微网从云储能购电电价；θt为微网向云储能售电电价；
为第n个微网在第t个子时间段的放电功率；dn,t为在第t个子时间段第n个微网侧负荷；(·)+和(·)+分别为：
和
x表示括号内的函数；
Cgrid (n,t)＝Sb,nPb,t,n-Ss,nPs,t,n
Sb,n为从第n个微网从与第n个微网相邻的微网购电的费用；Pb,t,n在第t个子时间段第n个微网从与第n个相邻的微网购买电的功率；Ss,n为第n个微网向与第n个微网相邻的微网售电的费用；Ps,t,n为在第t个子时间段第n个微网向与第n个微网相邻的微网售电的功率。
5.根据权利要求4所述的多源电场的优化调度方法，其特征在于，所述确定优化调度模型的约束条件，具体包括：
确定优化调度模型的电功率平衡约束：
其中，Pn,MT为第n个微网的微型燃气轮机功率；Pn,WT为第n个微网的风电场功率；Pn,PV为第n个微网的光伏发电功率；Pn,C为第n个微网从云储能充电电能，Pn,D为第n个微网的放电功率，Pn,EB为第n微网的电锅炉功率；Pn,EC为第n个微网的电制冷功率，Pb在微网从与所述微网相邻的微网购买电的功率，Ps为微网向与所述微网相邻的微网售电的功率，j为与所述微网相邻的微网的数量，Pn,load为第n个微网的电负荷；
确定优化调度模型的冷功率平衡约束：
Qn,AR+Qn,AC＝Pn,c.load；
其中，Qn,AC为第n个微网的空调机的制冷功率；Qn,AR为第n个微网的吸收式制冷机的制冷功率,Pn,c.load表示第n个微电网的冷负荷；
确定优化调度模型的热功率平衡约束：
Hn,MT+Hn,EB+Hn,GB+Hn,chr＝Hn,dis+Pn,h.load；
其中，Hn,MT为第n个微网的微型燃气轮机热转换装置将烟气余热转换成的热功率；Hn,EB为第n个微网的电锅炉产热功率；Hn,GB为第n个微网的燃气锅炉产热功率；Hn,chr第n个微网的热储能储热功率；Hn,dis为第n个微网的热储能放热功率；Pn,h.load为第n个微网的热负荷；
确定云储能蓄电池充放电约束为：
其中，
为在第t个子时间端第n个微网中云储能充电功率；
为在第t个子时间段第n个微网中云储能放电功率；
为第n个微网的云储能功率容量；
确定云储能电池应运行的荷电状态约束：
其中：En,t为第n个微网在第t个子时间段的储能容量，
为第n个微网的云储能电量容量，
为第n个微网最小储能量；SOCmin为最小云储能荷电状态；En,t-1和En,t为第n个微网在第t-1个子时间段和第t个子时间段的储能容量；
为第n个微网充电效率；
为第n个微网放电效率；
为第n个微网在第t个子时间段内从云储能充电电能，
为第n个微网在第t个子时间段的放电功率，Δt表示子时间段变化量。
6.一种多源电场的优化调度系统，其特征在于，所述优化调度系统包括：
云储能结构建立模块，用于建立多源电场的云储能结构；
机组模型建立模块，用于基于所述云储能结构建立多源电场的每个微网内的每个冷热电联供系统的各个设备的机组模型；
第一约束条件确定模块，用于确定各个设备的机组模型的约束条件；
优化调度模型建立模块，用于基于所述机组模型，根据云储能结构的交易方式，建立包括微网之间交互的以多源电场的各个微网的日成交成本最小为目标的优化调度模型；
第一约束条件确定模块，用于确定优化调度模型的约束条件；
优化调度模块，用于根据所述机组模型的约束条件和所述优化调度模型的约束条件，采用细菌群体趋药性算法对优化调度模型进行求解，确定每个设备的机组模型的最优输出功率，对多源电场进行调度。
7.根据权利要求6所述的多源电场的优化调度系统，其特征在于，所述机组模型建立模块，具体包括：
微型燃气轮机的燃料消耗量模型建立子模块，用于建立微型燃气轮机的燃料消耗量模型：
其中，
表示第T个时间段内微型燃气轮机的燃料消耗量，
为第T个时间段内微型燃气轮机输出的电功率；α和β分别为微型燃气轮机的第一燃料系数和第二燃料系数；
为第T个时间段微型燃气轮机的启停状态，
或1,
表示停止，
表示运行；
吸收式制冷机的制冷量模型建立子模块，用于建立吸收式制冷机的制冷量模型：
其中，
表示第T个时间段内吸收式制冷机的制冷量，
表示第T个时间段内微型燃气轮机产生的余热量，
ηMT为第T个时间段内微型燃气轮机的发电效率；ηL为第T个时间段内微型燃气轮机的热损失系数，Cop.c为吸收式制冷机的制冷系数，ηc为吸收式制冷机的烟气回收率；
热转换装置的制热量模型建立子模块，用于建立热转换装置的制热量模型：
其中，
表示第T个时间段内热转换装置的制热量，Cop.h为热转换装置的制热系数，ηh为热转换装置的烟气回收率；
燃气锅炉的产热量模型建立子模块，用于建立燃气锅炉的产热量模型：
其中，
为第T个时间段内燃气锅炉的产热量；
为第T个时间段内燃气锅炉的天然气耗费量；ηGB为燃气锅炉的产热效率；
电锅炉的输出热模型建立子模块，用于建立电锅炉的输出热模型：
其中，
表示第T个时间段内电锅炉的输出热，
为第T个时间段内电锅炉生热所消耗的电功率，ηEB为电锅炉的制热效率；
空调机的输出冷功率模型建立子模块，用于建立空调机的输出冷功率模型：
其中，
表示空调机在第T个时间段的冷功率，
为第T个时间段内空调机制冷所消耗的电功率，ηEC为空调机的制冷功率系数；
储热装置的容量模型建立子模块，用于建立储热装置的容量模型：
其中，
和
分别为第T-1个时间段和第T个时间段内储热装置的容量；γ为储热装置能量自损率；ηtst.dis和ηtst,chr分别为储热装置的放电效率和充电效率；
和
分别为第T个时间段内储热装置的充热功率和放热功率。
8.根据权利要求7所述的多源电场的优化调度系统，其特征在于，所述第一约束条件确定模块，具体包括：
微型燃气轮机的燃料消耗量模型的约束确定子模块，用于确定微型燃气轮机的燃料消耗量模型的约束条件：
其中，
与
分别为微型燃气轮机最大输出功率和最小输出功率；
与
分别为微型燃气轮机的最大爬坡速率和最小爬坡速率；
和
为第T-1个时间段和第T个时间段内微型燃气轮机输出的电功率；
燃气锅炉的产热量模型的约束确定子模块，用于确定燃气锅炉的产热量模型的约束：
其中，
和
分别为燃气锅炉的最大产热量和最小产热量；
为第T个时间段内燃气锅炉的产热量；
电锅炉的输出热模型的约束确定子模块，用于确定电锅炉的输出热模型的约束：
其中，
表示第T个时间段内电锅炉的输出热，
和
分别表示电锅炉的制热容量的下限和上限；
空调机的输出冷功率的约束确定子模块，用于确定空调机的输出冷功率的约束：
其中，
表示空调机在第T个时间段的冷功率，
和
表示空调节的制冷容量的下限和上限；
储热装置的容量模型的约束确定子模块，用于确定储热装置的容量模型的约束：
其中，
和
分别为储热装置容量的下限和上限；
和
分别为储热装置充热功率和放热功率下限；
分别为储热装置充热功率和放热功率上限；
和
分别为储热装置充热和放热爬坡速率下限；
和
为储热装置充热和放热爬坡速率上限，
和
分别为第T个时间段内储热装置的充热功率和放热功率，
和
分别为第T-1个时间段内储热装置的充热功率和放热功率。
9.根据权利要求6所述的多源电场的优化调度系统，其特征在于，所述优化调度模型为：
其中，F为多源电场的日成交成本，n为第n个微网；N表示多源电场的微电网的数量，CNG (n,t)、COM (n,t)、Cserve (n,t)、CCES (n,t)和Cgrid (n,t)分别为多源电场的第n个微网在第t个子时间段的燃料成本、日维护成本、虚拟电池成本、与云储能进行电能交互成本和与第n个微网相邻的微网的能量交互成本；T表示第T个时间段；
COM (n,t)＝KOM,PVPn,PV(t)+KOM,WTPn,WT(t)+KOM,MTPn,MT(t)+KOM,ARPn,AR(t)+
KOM,GBPn,GB(t)+KOM,ACPn,AC(t)+KOM,HEPn,HE(t)+KOM,WHBPn,WHB(t)
KOM,PV、KOM,WT、KOM,MT、KOM,AR、KOM,GB、KOM,AC、KOM,HE和KOM,WHB分别为光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的维护成本；Pn,PV(t)、Pn,WT(t)、Pn,MT(t)、Pn,AR(t)、Pn,GB(t)、Pn,AC(t)、Pn,HE(t)和Pn,WHB(t)分别为第n个微网的光伏电源、风电、微型燃气轮机、吸收式制冷机、燃气锅炉、空调机、热转换装置、余热锅炉的在第t个子时间段所消耗的电功率；
ω为购置虚拟电池单位容量收取费用；En cap为第n个微网的虚拟电池容量，
为蓄电池充电调取的服务费用；
为第n个微网在第t个子时间段内从云储能充电电能；
λt为微网从云储能购电电价；θt为微网向云储能售电电价；
为第n个微网在第t个子时间段的放电功率；dn,t为在第t个子时间段第n个微网侧负荷；(·)+和(·)+分别为：
和
x表示括号内的函数；
Cgrid (n,t)＝Sb,nPb,t,n-Ss,nPs,t,n
Sb,n为从第n个微网从与第n个微网相邻的微网购电的费用；Pb,t,n在第t个子时间段第n个微网从与第n个相邻的微网购买电的功率；Ss,n为第n个微网向与第n个微网相邻的微网售电的费用；Ps,t,n为在第t个子时间段第n个微网向与第n个微网相邻的微网售电的功率。
10.根据权利要求9所述的多源电场的优化调度系统，其特征在于，所述第二约束条件确定模块，具体包括：
电功率平衡约束确定子模块，用于确定优化调度模型的电功率平衡约束：
其中，Pn,MT为第n个微网的微型燃气轮机功率；Pn,WT为第n个微网的风电场功率；Pn,PV为第n个微网的光伏发电功率；Pn,C为第n个微网从云储能充电电能，Pn,D为第n个微网的放电功率，Pn,EB为第n微网的电锅炉功率；Pn,EC为第n个微网的电制冷功率，Pb在微网从与所述微网相邻的微网购买电的功率，Ps为微网向与所述微网相邻的微网售电的功率，j为与所述微网相邻的微网的数量，Pn,load为第n个微网的电负荷；
冷功率平衡约束确定子模块，用于确定优化调度模型的冷功率平衡约束：
Qn,AR+Qn,AC＝Pn,c.load；
其中，Qn,AC为第n个微网的空调机的制冷功率；Qn,AR为第n个微网的吸收式制冷机的制冷功率,Pn,c.load表示第n个微电网的冷负荷；
热功率平衡约束确定子模块，用于确定优化调度模型的热功率平衡约束：
Hn,MT+Hn,EB+Hn,GB+Hn,chr＝Hn,dis+Pn,h.load；
其中，Hn,MT为第n个微网的微型燃气轮机热转换装置将烟气余热转换成的热功率；Hn,EB为第n个微网的电锅炉产热功率；Hn,GB为第n个微网的燃气锅炉产热功率；Hn,chr第n个微网的热储能储热功率；Hn,dis为第n个微网的热储能放热功率；Pn,h.load为第n个微网的热负荷；
云储能蓄电池充放电约束确定子模块，用于确定云储能蓄电池充放电约束为：
其中，
为在第t个子时间端第n个微网中云储能充电功率；
为在第t个子时间段第n个微网中云储能放电功率；
为第n个微网的云储能功率容量；
荷电状态约束确定子模块，用于确定云储能电池应运行的荷电状态约束：
其中：En,t为第n个微网在第t个子时间段的储能容量，
为第n个微网的云储能电量容量，
为第n个微网最小储能量；SOCmin为最小云储能荷电状态；En,t-1和En,t为第n个微网在第t-1个子时间段和第t个子时间段的储能容量；
为第n个微网充电效率；
为第n个微网放电效率；
为第n个微网在第t个子时间段内从云储能充电电能，
为第n个微网在第t个子时间段的放电功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911199919.7A CN110992206B (zh) | 2019-11-29 | 2019-11-29 | 一种多源电场的优化调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911199919.7A CN110992206B (zh) | 2019-11-29 | 2019-11-29 | 一种多源电场的优化调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110992206A true CN110992206A (zh) | 2020-04-10 |
| CN110992206B CN110992206B (zh) | 2023-09-26 |
Family
ID=70088329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911199919.7A Active CN110992206B (zh) | 2019-11-29 | 2019-11-29 | 一种多源电场的优化调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992206B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111555275A (zh) * | 2020-05-12 | 2020-08-18 | 全球能源互联网研究院有限公司 | 一种主动配电网剩余电量的处理方法及系统 |
| CN112366697A (zh) * | 2020-10-30 | 2021-02-12 | 杭州意能电力技术有限公司 | 一种多能流配电网日前能量管理模型的管理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717594A (zh) * | 2018-04-16 | 2018-10-30 | 东南大学 | 一种冷热电联供型多微网系统经济优化调度方法 |
| CN109004686A (zh) * | 2018-08-29 | 2018-12-14 | 三峡大学 | 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统 |
-
2019
- 2019-11-29 CN CN201911199919.7A patent/CN110992206B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717594A (zh) * | 2018-04-16 | 2018-10-30 | 东南大学 | 一种冷热电联供型多微网系统经济优化调度方法 |
| CN109004686A (zh) * | 2018-08-29 | 2018-12-14 | 三峡大学 | 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统 |
Non-Patent Citations (4)
| Title |
|---|
| 刘静琨等: "电力系统云储能研究框架与基础模型", 《中国电机工程学报》 * |
| 吴盛军等: "考虑储能电站服务的冷热电多微网系统优化经济调度", 《电力系统自动化》 * |
| 王守相等: "考虑微网间功率交互和微源出力协调的冷热电联供型区域多微网优化调度模型", 《中国电机工程学报》 * |
| 程杉等: "含冰蓄冷空调的冷热电联供型微网多时间尺度优化调度", 《电力系统自动化》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111555275A (zh) * | 2020-05-12 | 2020-08-18 | 全球能源互联网研究院有限公司 | 一种主动配电网剩余电量的处理方法及系统 |
| CN112366697A (zh) * | 2020-10-30 | 2021-02-12 | 杭州意能电力技术有限公司 | 一种多能流配电网日前能量管理模型的管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110992206B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229025B (zh) | 一种冷热电联供型多微网主动配电系统经济优化调度方法 | |
| CN109659927B (zh) | 一种考虑储能参与度的综合能源微网储能容量配置方法 | |
| Ju et al. | A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion | |
| CN107895971A (zh) | 基于随机规划和模型预测控制的区域能源互联网调度方法 | |
| CN109634119B (zh) | 一种基于日内滚动优化的能源互联网优化控制方法 | |
| CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN111681130A (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
| CN109861302B (zh) | 一种基于主从博弈的能源互联网日前优化控制方法 | |
| CN103455729B (zh) | 一种确定光储并网联合发电调度值的方法 | |
| CN114707289B (zh) | 基于机会约束的电热耦合综合能源系统多目标优化方法 | |
| CN109523065A (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
| CN111799822B (zh) | 一种基于虚拟储能的综合能源系统用能协调控制方法 | |
| CN113393126A (zh) | 高耗能园区与电网交替并行协同优化调度方法 | |
| 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 | |
| CN114595868A (zh) | 一种综合能源系统源网荷储协同规划方法及系统 | |
| CN112701687A (zh) | 考虑价格型联合需求响应的气电配网系统鲁棒优化运行方法 | |
| CN105956693B (zh) | 一种基于分布式梯度算法的虚拟电厂经济调度方法 | |
| CN112966869A (zh) | 一种园区综合能源系统优化调度方法和系统 | |
| Yang et al. | Coordination and optimization of CCHP microgrid group game based on the interaction of electric and thermal energy considering conditional value at risk | |
| CN114611772B (zh) | 一种基于多智能体强化学习的多微网系统协同优化方法 | |
| CN110992206A (zh) | 一种多源电场的优化调度方法及系统 | |
| CN116822831A (zh) | 含共享储能系统的微能源网群优化规划方法 | |
| CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
| CN107832873A (zh) | 基于双层母线式结构的综合能源系统优化规划方法及装置 |
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 |