CN111008760A - 一种冷热电联供微电网系统的双层优化方法 - Google Patents
一种冷热电联供微电网系统的双层优化方法 Download PDFInfo
- Publication number
- CN111008760A CN111008760A CN201911099128.7A CN201911099128A CN111008760A CN 111008760 A CN111008760 A CN 111008760A CN 201911099128 A CN201911099128 A CN 201911099128A CN 111008760 A CN111008760 A CN 111008760A
- Authority
- CN
- China
- Prior art keywords
- power
- heating
- grid
- layer
- micro
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 92
- 238000001816 cooling Methods 0.000 title claims abstract description 87
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims abstract description 11
- 239000007789 gas Substances 0.000 claims description 54
- 238000004146 energy storage Methods 0.000 claims description 24
- 238000010521 absorption reaction Methods 0.000 claims description 17
- 238000013178 mathematical model Methods 0.000 claims description 16
- 239000002918 waste heat Substances 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 15
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 238000005057 refrigeration Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000002737 fuel gas Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000003208 petroleum Substances 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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种冷热电联供微电网系统的双层优化方法,首先对典型冷热电联供型微网中各种设备进行数学建模;然后分析上层主动配电网层的优化模型;其次分析下层冷热电联供型多微网层的优化模型;最后采用遗传算法和混合整数线性规划求解双层优化模型。本发明提供一种有效、实用、科学的能源优化调度方法,有利于节能的推广应用。
Description
技术领域
本发明属于电力系统技术领域,具体涉及一种冷热电联供微电网系统的双层 优化方法。
背景技术
工业技术的快速发展,对能源供应提出越来越高的要求。传统的石油、煤炭 等化石燃料,总量虽然丰富,但是不可再生。而在我国,化石能源虽然总量大, 但人均占有量远低于世界平均水平,因此提高能源利用效率成为缓解能源危机的 重要方法。冷热电联供系统的供能形式多样,能够通过能量的梯级利用,使一次 能源利用率高达90%,成为国内外关注的重点。
但是现有的冷热电联供型多微网主动配电系统其能源利用率的提升收到了 瓶颈,所以需要一个新的技术方案来解决这个问题。
发明内容
本发明所要解决的技术问题在于:针对背景技术的缺陷,本发明提供一种冷 热电联供微电网系统的双层优化方法,可得出冷热电联供型多微网和主动配电网 的双层优化结果,有效提高能源利用效率,降低系统运行成本。
本发明了解决以上技术问题采用以下技术方案:
本发明提供一种冷热电联供微电网系统的双层优化方法,包括以下步骤:
S1:对冷热电联供型多微网内设备进行数学建模;
S2:建立双层优化模型的上层主动配电网层优化模型;
S3:建立双层优化模型的下层冷热电联供型多微网层优化模型;
S4:采用遗传算法和混合整数线性规划进行求解,得出上层模型和下层模型 的日前优化调度计划。
进一步的,本发明提出的一种冷热电联供微电网系统的双层优化方法,所述 步骤S1中的冷热电联供型多微网内设备包括微型燃气轮机、燃气锅炉、余热锅 炉、吸收式制冷机组、蒸汽换热装置、电制冷机、储能装置及可再生能源发电装 置,所述数学建模的具体步骤如下:
S1-1:建立燃气轮机的数学模型:
ηc=(8.935+33.157β-27.081β2+17.989β3)/100×100%
ηr=(82.869-30.173β+24.644β2-16.371β3)/100×100%
其中,β为机组电负荷率;ηc为燃气轮机发电效率,ηr为燃气轮机热回收效 率,QGT为燃气轮机排气余热量,PGT为燃气轮机发电功率,ηl为燃气轮机散热损 失系数,VGT为运行时间内燃气轮机所消耗的天然气量,LHVNG为天然气热值;t 为运行时间;
S1-2:建立储能装置的数学模型:
其中,E(t)为储能装置在t时段储存的能量,Δt为t时段到t+1时段的时间 间隔,Pabs(t)为t时段储能功率,Prelea(t)为t时段放能功率,μ为储能装置自身向 环境散能损失或自损耗的能量系数,ηabs为储能装置的蓄能效率,ηrelea为储能 装置放能效率;
S1-3:建立燃气锅炉的数学模型:
S1-4:建立换热装置的数学模型:
PHX,out=PWH,heatηHX
其中,PHX,out为蒸汽热水换热装置输出制热功率,PWH,heat为余热锅炉的输出 蒸汽中用于制热的热功率,ηHX为蒸汽热水换热装置的转换效率;
S1-5:建立吸收式制冷机的数学模型:
PAC,out=PWH,coolηAC
其中,PAC,out为蒸汽型吸收式制冷机输出制冷功率,PWH,cool为余热锅炉的输出 蒸汽中用于制冷的输入功率,ηAC为蒸汽型吸收式制冷机的制冷效率;
S1-6:建立电制冷机的数学模型:
PEC,out=PEC,inηEC
其中,PEC,out为电制冷机的输出制冷功率,PEC,in为电制冷机的输入电功率,ηEC为电制冷机的能效比。
进一步的,本发明提出的一种冷热电联供微电网系统的双层优化方法,所述 步骤S2中建立上层主动配电网层的优化模型包括以下步骤:
S2-1:建立上层优化目标函数,即主动配电网层的日运行经济成本最小:
minFDN=FG-Fs
其中,FDN为配电网的总生产成本,FG为配电网中发电机组的发电成本,Fs为主动配电网与各个混合能源系统之间交互电功率的费用,PGi(t)为第i台常规 机组在时段t的出力,ai、bi、ci为对应的成本系数,n表示发电机组的数量, 为时段t主动配电网与冷热电联供型微网j交互的电功率,正值表示电网向 多微网售电,负值表示电网从多微网购电,τj(t)为t时刻电网与微网j的实时交 易电价,m为冷热电联供型微网个数;
S2-2:建立主动配电网的约束条件,具体包括电功率平衡约束、常规机组出 力上下限约束、主动配电网旋转备用约束、联络线传输功率约束:
电功率平衡约束:
常规机组出力上下限约束:
PGi,min≤PGi(t)≤PGi,max
配电网旋转备用约束:
联络线传输功率约束:
其中,为主动配电网在t时段的电负荷预测值,PGi,max和PGi,min为机组i 的有功出力上下限,RDN(t)为主动配电网在t时段的备用需求,和为主动配 电网向各个冷热电联供型微网传输功率的上下限。
进一步的,本发明提出的一种冷热电联供微电网系统的双层优化方法,所述 步骤S3中建立下层冷热电联供型多微网层的优化模型包括以下步骤:
S3-1:冷热电联供型多微网经济优化调度模型中的优化目标函数:
其中,j为冷热电联供型微网的编号,m为冷热电联供型微网的个数,Ffuel,j为 第j个冷热电联供型微网的燃料费用,Fdisnet,j为第j个冷热电联供型微网与主动配 电网交互的功率费用;
S3-2:建立冷热电联供型多微网经济优化调度模型的约束条件,包括功率平 衡约束、设备容量约束、设备运行约束,其中,设备容量及运行约束条件是满足 各个设备的出力功率上下限限制,所述功率平衡约束具体如下:
建立冷功率平衡约束方程:
建立热功率平衡约束方程:
建立电功率平衡约束方程:
其中,为燃气轮机的发电功率,为冷热电联供型微网和主动配电网 的逐时电功率交换值,为风力发电功率,为光伏发电功率,为冷热电 联供型微网电负荷功率,为冷热电联供型微网中电制冷机耗电功率;为 蓄电池放电功率;为蓄电池充电功率;
建立设备出力功率上下限约束:
其中,和为燃气轮机出力功率的最小值和最大值,和为燃 气锅炉出力功率的最小值和最大值,和为换热装置出力功率的最小值和 最大值,和为吸收式制冷机出力功率的最小值和最大值,和为 电制冷机出力功率的最小值和最大值,和为蓄电池充电功率的最小值和 最大值,和为蓄电池放电功率的最小值和最大值。
进一步的,本发明提出的一种冷热电联供微电网系统的双层优化方法,所述 步骤S4具体为:
采用遗传算法与混合整数线性规划软件相结合的方法进行求解,上层采用遗 传算法,对主动配电网的发电机组出力和与各个冷热电联供型微网间购售电功率 进行寻优,下层调用混合整数线性规划软件对调度周期内各个冷热电联供型微网 的设备出力进行计算,并返回各个冷热电联供型微网与主动配电网购售电的功率 值,上层计算适应度值,通过遗传操作寻优,得到设定目标下的最优解。
进一步的,本发明提出的一种冷热电联供微电网系统的双层优化方法,所述 步骤S4中对于双层优化模型的求解算法流程步骤具体如下:
S4-1:读取基本数据;
S4-2:随机生成初始种群数据;
S4-3:调用混合整数线性规划软件求解下层模型冷热电联供型多微网系统的 优化模型;
S4-4:计算上层模型的个体适应度值;
S4-5:判断迭代次数是否大于30;
S4-6:如果判断结果为是,则输出上层和下层的最优解;
S4-7:如果判断结果为否,则重新形成遗传种群,重复步骤S4-2,直到判断 结果为是。
本发明采用以上技术方案,与现有技术相比的有益效果:
本发明与现有技术相比,通过建立双层优化模型,分析主动配电系统和冷热 电联供型多微网系统的经济成本和设备出力等情况,不但具有重要的工程指导意 义,而且能够有效的提高冷热电联供型多微网主动配电系统的能源利用效率,降 低系统运行成本。
附图说明
图1为本发明流程框图。
图2为本发明冷热电联供型多微网主动配电系统结构图。
图3为本发明双层优化模型的求解流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例和说 明书附图对本发明的技术方案进行清楚、完整的描述,显然,此处所描述的具体 实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包 括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相 同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有 与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理 想化或过于正式的含义来解释。
如图1和图2所示,本发明提供一种冷热电联供微电网系统的双层优化方法, 包括以下步骤:
S1:对冷热电联供型微网的设备进行数学建模;
S2:建立双层优化模型的上层主动配电网层优化模型;
S3:建立双层优化模型的下层冷热电联供型多微网层优化模型;
S4:采用遗传算法和混合整数线性规划进行求解,得出上层模型和下层模型 的日前优化调度计划。
本实施例步骤S1中的冷热电联供型多微网内设备包括微型燃气轮机、燃气 锅炉、余热锅炉、吸收式制冷机组、蒸汽换热装置、电制冷机、储能装置及可再 生能源发电装置,数学建模的具体步骤如下:
S1-1:建立燃气轮机的数学模型:
ηc=(8.935+33.157β-27.081β2+17.989β3)/100×100%
ηr=(82.869-30.173β+24.644β2-16.371β3)/100×100%
其中,ηc为燃气轮机发电效率,ηr为燃气轮机热回收效率,QGT为燃气轮机 排气余热量,PGT为燃气轮机发电功率,ηl为燃气轮机散热损失系数,VGT为运行 时间内燃气轮机所消耗的天然气量,LHVNG为天然气热值;
S1-2:建立储能装置的数学模型:
其中,E(t)为储能装置在t时段储存的能量,Δt为t时段到t+1时段的时间 间隔,Pabs(t)为t时段储能功率,Prelea(t)为t时段放能功率,μ为储能装置自身向 环境散能损失或自损耗的能量系数,ηabs为储能装置的蓄能效率,ηrelea为储能 装置放能效率;
S1-3:建立燃气锅炉的数学模型:
S1-4:建立换热装置的数学模型:
PHX,out=PWH,heatηHX
其中,PHX,out为蒸汽热水换热装置输出制热功率,PWH,heat为余热锅炉的输出 蒸汽中用于制热的热功率,ηHX为蒸汽热水换热装置的转换效率;
S1-5:建立吸收式制冷机的数学模型:
PAC,out=PWH,coolηAC
其中,PAC,out为蒸汽型吸收式制冷机输出制冷功率,PWH,cool为余热锅炉的输出 蒸汽中用于制冷的输入功率,ηAC为蒸汽型吸收式制冷机的制冷效率;
S1-6:建立电制冷机的数学模型:
PEC,out=PEC,inηEC
其中,PEC,out为电制冷机的输出制冷功率,PEC,in为电制冷机的输入电功率,ηEC为电制冷机的能效比。
本实施例步骤S2中建立上层主动配电网层的优化模型包括以下步骤:
S2-1:建立上层优化目标函数,即主动配电网层的日运行经济成本最小:
minFDN=FG-Fs
其中,FDN为配电网的总生产成本,FG为配电网中发电机组的发电成本,Fs为主动配电网与各个混合能源系统之间交互电功率的费用,PGi(t)为第i台常规 机组在时段t的出力,ai、bi、ci为对应的成本系数,n表示发电机组的数量, 为时段t主动配电网与冷热电联供型微网j交互的电功率,正值表示电网向 多微网售电,负值表示电网从多微网购电,τj(t)为t时刻电网与微网j的实时交 易电价,m为冷热电联供型微网个数;
S2-2:建立主动配电网的约束条件,具体包括电功率平衡约束、常规机组出 力上下限约束、主动配电网旋转备用约束、联络线传输功率约束:
电功率平衡约束:
常规机组出力上下限约束:
PGi,min≤PGi(t)≤PGi,max
配电网旋转备用约束:
联络线传输功率约束:
其中,为主动配电网在t时段的电负荷预测值,PGi,max和PGi,min为机组i 的有功出力上下限,RDN(t)为主动配电网在t时段的备用需求,和为主动配 电网向各个冷热电联供型微网传输功率的上下限。
本实施例步骤S3中建立下层冷热电联供型多微网层的优化模型包括以下步 骤:
S3-1:冷热电联供型多微网经济优化调度模型中的优化目标函数:
其中,j为冷热电联供型微网的编号,m为冷热电联供型微网的个数,Ffuel,j为 第j个冷热电联供型微网的燃料费用,Fdisnet,j为第j个冷热电联供型微网与主动配 电网交互的功率费用;
S3-2:建立冷热电联供型多微网经济优化调度模型的约束条件,包括功率平 衡约束、设备容量约束、设备运行约束,其中,设备容量及运行约束条件是满足 各个设备的出力功率上下限限制,所述功率平衡约束具体如下:
建立冷功率平衡约束方程:
建立热功率平衡约束方程:
建立电功率平衡约束方程:
建立设备出力功率上下限约束:
其中,和为燃气轮机出力功率的最小值和最大值,和为燃 气锅炉出力功率的最小值和最大值,和为换热装置出力功率的最小值和 最大值,和为吸收式制冷机出力功率的最小值和最大值,和为 电制冷机出力功率的最小值和最大值,和为蓄电池充电功率的最小值和 最大值,和为蓄电池放电功率的最小值和最大值。
本实施例步骤S4具体为:
采用遗传算法(GA)与混合整数线性规划软件(Cplex)相结合的方法进行 求解,上层采用GA算法,对主动配电网的发电机组出力和与各个冷热电联供型 微网间购售电功率进行寻优,下层调用Cplex对调度周期内各个冷热电联供型微 网的设备出力进行计算,并返回各个冷热电联供型微网与主动配电网购售电的功 率值,上层计算适应度值,通过遗传操作寻优,得到设定目标下的最优解。
如图3所示,步骤S4中对于双层优化模型的求解算法流程步骤具体如下:
S4-1:读取基本的设备参数、调度周期、成本系数等基本数据;
S4-2:随机生成初始种群数据;
S4-3:调用混合整数线性规划软件求解下层模型冷热电联供型多微网系统的 优化模型;
S4-4:计算上层模型的个体适应度值;
S4-5:判断迭代次数是否大于30;
S4-6:如果判断结果为是,则输出上层和下层的最优解;
S4-7:如果判断结果为否,则重新形成遗传种群,重复步骤S4-2,直到判断 结果为是;
S4-8:结束。
本实施例采用天津中新生态城的典型冷热电联供型多微网系统算例,分别计 算两种传统运行方式下的多微网系统总成本,并与本发明提出的双层优化调度方 法进行对比,结果如表1所示:
运行方式 | 多微网系统总运行成本(元) |
以热定电 | 39265.3 |
以电定热 | 40894.2 |
双层优化 | 37541.9 |
表1不同运行方式下多微网系统总运行成本
与传统“以热定电”和“以电定热”运行方式相比,本发明提出的双层优化 调度方法可分别降低5.33%和9.58%的总运行成本。通过本发明提出的优化调 度方法,调度冷热电联供型多微网系统中各微网设备出力和各微网与电网、相邻 微网间交互电功率值,可以显著降低多微网系统的总运行成本。
本技术领域技术人员可以理解的是,本发明中已经讨论过的各种操作、方法、 流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本 发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被 交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本发明 中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重 排、分解、组合或删除。
上面结合附图对本发明的实施方式作了详细地说明,但是本发明并不局限于 上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本 发明宗旨的前提下做出各种变化。
Claims (6)
1.一种冷热电联供微电网系统的双层优化方法,其特征在于:包括以下步骤:
S1:对冷热电联供型多微网内设备进行数学建模;
S2:建立双层优化模型的上层主动配电网层优化模型;
S3:建立双层优化模型的下层冷热电联供型多微网层优化模型;
S4:采用遗传算法和混合整数线性规划进行求解,得出上层模型和下层模型的日前优化调度计划。
2.根据权利要求1所述的一种冷热电联供微电网系统的双层优化方法,其特征在于:所述步骤S1中的冷热电联供型多微网内设备包括微型燃气轮机、燃气锅炉、余热锅炉、吸收式制冷机组、蒸汽换热装置、电制冷机、储能装置及可再生能源发电装置,所述数学建模的具体步骤如下:
S1-1:建立燃气轮机的数学模型:
ηc=(8.935+33.157β-27.081β2+17.989β3)/100×100%
ηr=(82.869-30.173β+24.644β2-16.371β3)/100×100%
其中,β为机组电负荷率;ηc为燃气轮机发电效率,ηr为燃气轮机热回收效率,QGT为燃气轮机排气余热量,PGT为燃气轮机发电功率,ηl为燃气轮机散热损失系数,VGT为运行时间内燃气轮机所消耗的天然气量,LHVNG为天然气热值;t为运行时间;
S1-2:建立储能装置的数学模型:
其中,E(t)为储能装置在t时段储存的能量,Δt为t时段到t+1时段的时间间隔,Pabs(t)为t时段储能功率,Prelea(t)为t时段放能功率,μ为储能装置自身向环境散能损失或自损耗的能量系数,ηabs为储能装置的蓄能效率,ηrelea为储能装置放能效率;
S1-3:建立燃气锅炉的数学模型:
S1-4:建立换热装置的数学模型:
PHX,out=PWH,heatηHX
其中,PHX,out为蒸汽热水换热装置输出制热功率,PWH,heat为余热锅炉的输出蒸汽中用于制热的热功率,ηHX为蒸汽热水换热装置的转换效率;
S1-5:建立吸收式制冷机的数学模型:
PAC,out=PWH,coolηAC
其中,PAC,out为蒸汽型吸收式制冷机输出制冷功率,PWH,cool为余热锅炉的输出蒸汽中用于制冷的输入功率,ηAC为蒸汽型吸收式制冷机的制冷效率;
S1-6:建立电制冷机的数学模型:
PEC,out=PEC,inηEC
其中,PEC,out为电制冷机的输出制冷功率,PEC,in为电制冷机的输入电功率,ηEC为电制冷机的能效比。
3.根据权利要求1所述的一种冷热电联供微电网系统的双层优化方法,其特征在于:所述步骤S2中建立上层主动配电网层的优化模型包括以下步骤:
S2-1:建立上层优化目标函数,即主动配电网层的日运行经济成本最小:
min FDN=FG-Fs
其中,FDN为配电网的总生产成本,FG为配电网中发电机组的发电成本,Fs为主动配电网与各个混合能源系统之间交互电功率的费用,PGi(t)为第i台常规机组在时段t的出力,ai、bi、ci为对应的成本系数,n表示发电机组的数量,Pj L(t)为时段t主动配电网与冷热电联供型微网j交互的电功率,正值表示电网向多微网售电,负值表示电网从多微网购电,τj(t)为t时刻电网与微网j的实时交易电价,m为冷热电联供型微网个数;
S2-2:建立主动配电网的约束条件,具体包括电功率平衡约束、常规机组出力上下限约束、主动配电网旋转备用约束、联络线传输功率约束:
电功率平衡约束:
常规机组出力上下限约束:
PGi,min≤PGi(t)≤PGi,max
配电网旋转备用约束:
联络线传输功率约束:
4.根据权利要求1所述的一种冷热电联供微电网系统的双层优化方法,其特征在于:所述步骤S3中建立下层冷热电联供型多微网层的优化模型包括以下步骤:
S3-1:冷热电联供型多微网经济优化调度模型中的优化目标函数:
其中,j为冷热电联供型微网的编号,m为冷热电联供型微网的个数,Ffuel,j为第j个冷热电联供型微网的燃料费用,Fdisnet,j为第j个冷热电联供型微网与主动配电网交互的功率费用;
S3-2:建立冷热电联供型多微网经济优化调度模型的约束条件,包括功率平衡约束、设备容量约束、设备运行约束,其中,设备容量及运行约束条件是满足各个设备的出力功率上下限限制,所述功率平衡约束具体如下:
建立冷功率平衡约束方程:
建立热功率平衡约束方程:
建立电功率平衡约束方程:
其中,为燃气轮机的发电功率,为冷热电联供型微网和主动配电网的逐时电功率交换值,为风力发电功率,为光伏发电功率,为冷热电联供型微网电负荷功率,为冷热电联供型微网中电制冷机耗电功率;为蓄电池放电功率;为蓄电池充电功率;
建立设备出力功率上下限约束:
5.根据权利要求1所述的一种冷热电联供微电网系统的双层优化方法,其特征在于:所述步骤S4具体为:
采用遗传算法与混合整数线性规划软件相结合的方法进行求解,上层采用遗传算法,对主动配电网的发电机组出力和与各个冷热电联供型微网间购售电功率进行寻优,下层调用混合整数线性规划软件对调度周期内各个冷热电联供型微网的设备出力进行计算,并返回各个冷热电联供型微网与主动配电网购售电的功率值,上层计算适应度值,通过遗传操作寻优,得到设定目标下的最优解。
6.根据权利要求5所述的一种冷热电联供微电网系统的双层优化方法,其特征在于:所述步骤S4中对于双层优化模型的求解算法流程步骤具体如下:
S4-1:读取基本数据;
S4-2:随机生成初始种群数据;
S4-3:调用混合整数线性规划软件求解下层模型冷热电联供型多微网系统的优化模型;
S4-4:计算上层模型的个体适应度值;
S4-5:判断迭代次数是否大于30;
S4-6:如果判断结果为是,则输出上层和下层的最优解;
S4-7:如果判断结果为否,则重新形成遗传种群,重复步骤S4-2,直到判断结果为是。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099128.7A CN111008760A (zh) | 2019-11-12 | 2019-11-12 | 一种冷热电联供微电网系统的双层优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099128.7A CN111008760A (zh) | 2019-11-12 | 2019-11-12 | 一种冷热电联供微电网系统的双层优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111008760A true CN111008760A (zh) | 2020-04-14 |
Family
ID=70111870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911099128.7A Pending CN111008760A (zh) | 2019-11-12 | 2019-11-12 | 一种冷热电联供微电网系统的双层优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008760A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445090A (zh) * | 2020-04-21 | 2020-07-24 | 清华大学 | 一种离网型综合能源系统双层规划方法 |
CN113471976A (zh) * | 2021-07-14 | 2021-10-01 | 国网江苏省电力有限公司营销服务中心 | 基于多能互补微电网与主动配电网的优化调度方法 |
US20210376605A1 (en) * | 2020-05-28 | 2021-12-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617460A (zh) * | 2013-12-06 | 2014-03-05 | 天津大学 | 冷热电联供微网系统的双层优化规划设计方法 |
CN108009693A (zh) * | 2018-01-03 | 2018-05-08 | 上海电力学院 | 基于两级需求响应的并网微电网双层优化方法 |
CN108229025A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 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 |
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 |
-
2019
- 2019-11-12 CN CN201911099128.7A patent/CN111008760A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617460A (zh) * | 2013-12-06 | 2014-03-05 | 天津大学 | 冷热电联供微网系统的双层优化规划设计方法 |
CN108009693A (zh) * | 2018-01-03 | 2018-05-08 | 上海电力学院 | 基于两级需求响应的并网微电网双层优化方法 |
CN108229025A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 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 |
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 |
Non-Patent Citations (1)
Title |
---|
徐青山等: "冷热电联供型多微网主动配电系统日前优化经济调度", 《电网技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445090A (zh) * | 2020-04-21 | 2020-07-24 | 清华大学 | 一种离网型综合能源系统双层规划方法 |
CN111445090B (zh) * | 2020-04-21 | 2021-07-30 | 清华大学 | 一种离网型综合能源系统双层规划方法 |
US20210376605A1 (en) * | 2020-05-28 | 2021-12-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
US11862973B2 (en) * | 2020-05-28 | 2024-01-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
CN113471976A (zh) * | 2021-07-14 | 2021-10-01 | 国网江苏省电力有限公司营销服务中心 | 基于多能互补微电网与主动配电网的优化调度方法 |
CN113471976B (zh) * | 2021-07-14 | 2023-11-07 | 国网江苏省电力有限公司营销服务中心 | 基于多能互补微电网与主动配电网的优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohammadi et al. | Energy hub: From a model to a concept–A review | |
CN109919478B (zh) | 一种考虑综合供能可靠性的综合能源微网规划方法 | |
CN108717594B (zh) | 一种冷热电联供型多微网系统经济优化调度方法 | |
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 | |
Yang et al. | Optimal dispatching of an energy system with integrated compressed air energy storage and demand response | |
CN107358345B (zh) | 计及需求侧管理的分布式冷热电联供系统优化运行方法 | |
CN109742800A (zh) | 一种基于天然气、氢气、电力的能源互联网系统及工作方法 | |
CN111008760A (zh) | 一种冷热电联供微电网系统的双层优化方法 | |
CN112182887A (zh) | 一种综合能源系统规划优化仿真方法 | |
CN105955931A (zh) | 面向高密度分布式光伏消纳的区域能源网络优化调度方法 | |
CN112287493B (zh) | 含透平膨胀机的冷热电氢联供型微电网容量优化配置方法 | |
Gao et al. | Joint optimization of planning and operation in multi-region integrated energy systems considering flexible demand response | |
CN109268685A (zh) | 输配网及其控制方法 | |
CN110516863A (zh) | 一种冷热电联供型多微网主动配电系统双层优化方法 | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法 | |
CN112001613A (zh) | 基于多微能源网系统合作博弈决策机制的利益分配策略 | |
Huang et al. | Modeling of distributed energy system with multiple energy complementation | |
CN209358250U (zh) | 一种基于天然气、氢气、电力的能源互联网系统 | |
Rezaei et al. | A Novel Energy Management Scheme for a Microgrid with Renewable Energy Sources Considering Uncertainties and Demand Response | |
Liu et al. | Characteristic of integrated energy system and brief description on typical demonstration project | |
Fan et al. | Research on collaborative optimization model of park-level integrated energy system participating in power peak shaving | |
Zheng et al. | Optimal rural integrated energy system configuration against the background of the rural energy transformation strategy | |
Liu et al. | Expansion planning of community-scale regional integrated energy system considering grid-source coordination: A cooperative game approach | |
Sun et al. | Low carbon scheduling of integrated energy systems considering stepped carbon trading and demand response | |
Li et al. | Optimization strategy for CHP with heat storage participating in deep peak regulation market |
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 |
Application publication date: 20200414 |
|
RJ01 | Rejection of invention patent application after publication |