CN111160636A - 一种cchp型微电网调度优化方法 - Google Patents
一种cchp型微电网调度优化方法 Download PDFInfo
- Publication number
- CN111160636A CN111160636A CN201911319403.1A CN201911319403A CN111160636A CN 111160636 A CN111160636 A CN 111160636A CN 201911319403 A CN201911319403 A CN 201911319403A CN 111160636 A CN111160636 A CN 111160636A
- Authority
- CN
- China
- Prior art keywords
- power
- micro
- grid
- load
- gas
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 235000005770 birds nest Nutrition 0.000 claims abstract description 77
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 12
- 239000007789 gas Substances 0.000 claims description 64
- 238000002485 combustion reaction Methods 0.000 claims description 47
- 239000002918 waste heat Substances 0.000 claims description 35
- 238000010438 heat treatment Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000011084 recovery Methods 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 11
- 238000004146 energy storage Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000005057 refrigeration Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000010845 search algorithm Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002912 waste gas Substances 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
-
- 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)
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种CCHP型微电网调度优化方法，所述方法包括：S1：构建数据矩阵和变量矩阵；S2：构建目标函数以及约束条件；S3：初始化布谷鸟算法发现概率参数，并随机产生初始鸟巢；计算各鸟巢位置相应的适应度值，记录当前最佳鸟巢位置；S4：更新鸟巢位置，得到新的鸟巢位置，计算搜索步长以及发现概率，计算更新后各鸟巢位置的相应适应度，比较后更新最优鸟巢位置；S5：采用随机数与发现概率比较，保留发现概率较小的鸟巢，随机更新发现概率大的鸟巢位置，得到一组新的更优的鸟巢位置；S6：判断是否满足算法终止条件，若满足则输出结果，否则返回S4。本发明可提高独立微电网承受可再生能源的随机变化性影响的能力。
Description
技术领域
本发明涉及新能源发电技术领域，更具体地，涉及一种CCHP型微电网调度优化方法。
背景技术
微电网冷热电联产技术(microgrid-CCHP)，将微电网和冷热电联产相结合提高可再生能源的利用效率。随着国际能源危机的日渐加剧，风能和太阳能因其储量丰富及绿色无污染的特点，具有巨大的开发价值和潜力。但是由于风能和太阳能的不确定性，会导致大量的弃风弃光的现象产生。因此，在分布式发电领域引入微电网技术可有效地解决分布式发电源分散接入问题，不仅能够充分发挥各分布式发电独特的优势，克服了风力发电和光伏发电等随机波动性产生的不利影响，提高可再生能源的利用效率。由于独立微电网没有大电网的支持，承受可再生能源的随机变化性影响的能力较弱。热电联产微电网由于系统同时进行热电联供，增加系统调度的复杂性。因此，对热电联产微电网进行合理的调度，可降低风能、太阳能发电的波动的影响，增强系统的可靠性、降低微电网成本并实现经济运巧。
微电网技术(microgrid)充分利用微电网技术能够灵活调度接入分布式可再生能源，减轻可再生能源的随机性和波动性对大电网的影响，降低输电损耗，保证系统的稳定性和可靠性，可以有效地提高分布式能源的利用效率，减少弃风弃光弃水的情况；冷热电联产(Combine cooling-heating and power，CCHP)是既产电又产热的先进能源利用形式，能对能源进行梯级利用，将发电后产生的余热进一步利用从而提高能源的综合利用率，可以降低能源消耗，提高空气质量，节约用地，提高供热质量，便于能源综合利用。
CCHP型微网作为一种分布式能源管理形式，由CCHP系统和微电网有效结合而成。提出CCHP系统属于配置在用户侧的分布式能源，其以天然气为主要原料带动燃气轮机等燃气发电设备运行，产生的电能直接供应给用户，发电后的余热通过热回收系统向用户供热、供冷。和大规模集中式供能相比，分布式CCHP系统有两个明显优势通过微电网技术与热电联产技术相结合，可以将传统集中式供能系统30％-45％的利用效率，通过余热回收等技术同时满足热负荷与电负荷的需求，可以将总体能源利用率显著提高至75％-90％及以上；同时是既产电又产热的先进能源利用形式，能对能源进行梯级利用，将发电后产生的余热进一步利用从而提高能源的综合利用率，可以降低能源消耗，提高空气质量，节约用地，提高供热质量，便于能源综合利用。CCHP型微网将发电装置、燃气锅炉、热回收系统、储能装置(蓄电和蓄热)、制冷设备、可再生能源(RES)和主电网整合为一个整体以实现能源的梯级利用，提高能源利用率，同时还可以有效调节天然气、电力的季节性峰谷差，增强电力供应的安全性和可靠性，是能源结构中不可或缺的补充。同时，由于CCHP微网具有整合可再生能源的特点，其相比于独立的CCHP系统，具有新的和更强大的功能。
发明内容
本发明为克服上述现有技术所述的独立微电网承受可再生能源的随机变化性影响的能力较弱的缺陷，采用了热能、冷能、电能的联合供应，构建了光伏机组、风电机组、燃气轮机组、储能模块、燃气锅炉联合互补发电的模型，并利用燃气轮机的废气进行余热利用，对微电网进行供热，针对目前微电网中的可再生能源(RES)的波动性，提出一种基于风光储气互补的微电网优化调度模型平抑RES波动性，优化了各机组出力，提高微电网运行的鲁棒性、经济性和能源利用效率。针对微燃机组频繁停启现象，引起微燃机寿命降低的现象，设计启停成本函数将其纳入目标函数，将能源利用率以及负荷缺电率共同构成多目标函数，针对传统算法容易陷入局部最优，全局搜索能力差，收敛速度慢等问题，提供一种CCHP型微电网调度优化方法。有效平衡了搜索时间和搜索精度之间的矛盾。
所述方法包括：
S1：输入CCHP型微电网原始数据集，并构建数据矩阵和变量矩阵；
S2：构建CCHP型微电网目标函数以及约束条件；
S3：初始化布谷鸟算法发现概率参数，并随机产生初始鸟巢；计算各鸟巢位置相应的适应度值，记录当前最佳鸟巢位置；
S4：根据公式更新鸟巢位置，得到新的鸟巢位置，计算搜索步长以及发现概率，计算更新后各鸟巢位置的相应适应度，比较后更新最优鸟巢位置；
S5：采用随机数与发现概率比较，保留发现概率较小的鸟巢，随机更新发现概率大的鸟巢位置，得到一组新的更优的鸟巢位置；
S6：判断是否满足算法终止条件，若满足则输出结果，否则返回S4。
优选地，S1具体为：构建调度日前的CCHP型微网原始输入数据模型，微电网系统模型包括光伏电池组输出功率模型、风力发电机输出功率模型、燃气发电机输出功率模型、储能蓄电池输出功率模型、燃气锅炉输出功率模型、吸收式制冷机输出功率模型、热回收系统输出功率模型。
再输入原始数据，包括：历史电负荷、热负荷、风速数据、光照时长、实时电费交易价格、储能系统当前状态、预测微电网电负荷、热负荷、冷负荷、风电机组输出功率、光伏机组输出功率、燃气使用量；得到分别为温度、光照强度、风速、预测电负荷、预测热负荷、预测冷负荷的输入矩阵：
其中，XH1、XH2、...、XH6分别表示温度、光照强度、风速、预测电负荷、预测热负荷、预测冷负荷；
将输入矩阵代入模型得到光伏机组、风电机组运行状态矩阵；
将微电网中微燃机发电功率、储能装置运行充放电量、系统与电网交互电量分别作为变量，构建变量矩阵：
其中，X1、X2、X3分别为微燃机发电功率、储能装置运行充放电量、系统与电网交互电量。
优选地，S2中的目标函数为：
(1)以能源利用率为优化目标函数：
ECCHP(t)为系统消耗的电能；HCCHP(t)为系统消耗的热能；CCCHP(t)为系统消耗的冷能；FCCHP(t)为系统消耗的一次能源；T为24；
(2)以微电网自身缺电率为优化目标函数：
其中，PL(t)为为微网电负荷，PPV(t)为光伏输出功率，PWT(t)为为风电机组实时功率，PMT(t)为微燃机输出电功率，PSOC(t)为蓄电池充放电功率；
(3)以运行成本部为优化目标函数：
minf3＝Cinf+Cfuel+Com+Cgrid
Cinf为设备初始投资年等值成本；Cfuel为系统燃料费用；Com为系统运行费用；Cgrid为微电网与电网交换的功率费用；
Cinf＝R(Pcap.MT·CMT+Pcap.WT·CWT+Pcap.PV·CPV+Pcap.inv·Cinv+Pcap.GB·CGB
+Pcap.SOC·CSOC+Pcap.RB·CRB+Pcap.AC·CAC)
式中，CMT为微燃机投资单位容量成本；CWT为风电机组单位容量成本；CPV为光伏机组单位容量成本；Cinv为逆变器单位容量成本；CGB为燃气锅炉单位容量成本；CSOC为蓄电池单位容量成本；CRB为余热锅炉单位容量成本；CAC为吸收式制冷机单位容量成本；下标cap表示设备额定容量；R为资金年回收率；n为设备使用年限；r为折现率，加权平均资本成本；
系统燃料费用：
EMT(t)为微燃机耗气量，EGB(t)为燃气锅炉耗气量；
系统运行费用：
式中，Kom,i为不同系统设备运行维护费用，KMT(t)表示t时刻微燃机的启停状态，微燃机组停机时值为0，运行时为，CMT表示微燃机的启停成本，CGB表示燃气锅炉的启停成本。
系统与大电网交互费用：
式中，Pg为微电网从电网中获取电量的值，大于0时表示微网从电网购电，小于0时表示微网向电网输电能；
和
分别为微电网购电和售电费用；
目标函数
minF＝ρf1+σf2+ζf3
其中，ρ、σ、ζ分别为权重系数。
优选地，S2中的约束条件包括：微源输出功率约束、蓄电池充放电约束、电费结构约束、电能量平衡约束、热能量平衡约束、冷能量平衡约束。
优选地，
(1)微源输出功率约束：
式中，
微燃机切风电机组约束除系数，
微燃机额定功率；
分别为微燃机爬坡下降约束和爬坡上升约束，其值分别为0.35和0.28；
为风电机组的额定功率；
为光伏机组的最大功率；QRB(t)为余热锅炉供热负荷，
为余热锅炉供热功率，
为余热锅炉供冷功率。QGB(t)为燃气锅炉供热负荷，
为燃气锅炉供热功率，
为余热锅炉供冷功率；
(2)蓄电池充放电约束：
-Sinv.SB≤PSB(t)≤Sinv.SB
-SOCmin≤PSOC(t)≤SOCmax
Pg.min≤Pg(t)≤Pg.max
式中，
和
分别为蓄电池最大、最小放电功率，Sinv.SB为整流逆变器的容量，分别SOCmin、SOCmax为电池充放电容量的最小和最大值；Pg.min和Pg.max分别为微网允许与电网交互的最大功率和最小功率；
(3)电费结构约束：
电费费率模型结构如下：
春夏季峰平谷购电价格：
秋冬季峰平谷售电价格：
式中，
和
分别为微电网购电和售电费用；
(4)电能量平衡约束：
式中，Ploss为电能传输损耗；PL(t)为微网电负荷；PPV(t)为光伏输出功率，表达式如下：
PPV(t)＝ksPstcG(t)[1+k(T(t)-Tstc)]/Gstc
T(t)＝Tair(t)+0.014[1+0.03Tair(t)](1-0.04v(t))G(t)
其中，Gstc、Tstc、Pstc分别为标准测试环境下的光照强度、光伏电池温度、最大输出功率，ks为光伏电池温度系数，T(t)为太阳电池表面温度，Tair(t)为环境温度，v(t)为风速，Tmax为日最大温度，Tmin为日最小温度，tp为平均温度；
PWT(t)为风电机组实时功率，表达式如下：
其中，vin为切入风速，vout为切出风速，vnom为额定风速，
为风电机组额定功率；
Psoc(t)为蓄电池充放电功率，蓄电池模型如下：
其中，SOC(t)和SOC(t-1)分别为蓄电池组在t、t-1时刻的剩余容量，σl自放电率，λdl蓄电池转换效率，Psoc(t)充、放电功率，充电时为负、放电时为正，ηcha充电效率，ηdis为放电效率；
PMT(t)微燃机t时刻输出电功率，表达式如下：
PMT(t)＝EMT(t)ηMT(t)
其中，EMT(t)为微燃机消耗燃气量；ηMT(t)为微燃机发电功率，
为微燃机额定功率；
(5)热能量平衡约束：
系统热能由微燃机余热回收系统以及燃气锅炉提供；
其中，QH(t)为系统热负荷，
为燃气锅炉传输至吸收式制冷机吸收的热功率，
为余热锅炉的制热功率，Qloss为传热损耗；
QGB(t)＝ηEBFEB(t)COPHP
其中，QGB(t)燃气锅炉供热负荷，FEB(t)燃气锅炉t时段消耗的天然气量；ηEB燃气锅炉的热转换效率；COPHP为热泵制热性能系数，θ1为制热分配比。
QRB(t)为余热锅炉供热负荷，表达式如下：
式中，ηr为微燃机余热回收系数。
(6)冷能量平衡约束：
系统冷能由微燃机余热回收系统以及燃机锅炉提供；
QAC(t)≥QC(t)+Qloss
其中，QC(t)为系统冷负荷需求；QAC(t)为吸收式制冷机的制冷负荷，表达式如下：
本发明中S3-S6为基于改进布谷鸟搜索算法的求解方法。
布谷鸟搜索算法是一种随机全局搜索算法，同时也是一种优化算法，采用莱维飞行搜索机制求解最优化问题。在理想条件下，布谷鸟位置更新公式如下：
式中，a为搜索步长，L(λ)为莱维飞行搜索函数；
采用Levy flight产生步长具有随机性，缺乏自适应性，无法保证快速收敛。
为解决全局寻优能力和布谷鸟搜索算法精度间的关系，在基本CS(CuckooSearch，布谷鸟搜索算法)算法基础上，根据不同阶段的搜索结果对发现概率Pa以及搜索步长的大小进行自适应动态调整。改进布谷鸟算法的参数更新如下：
式中：θbest表示此时鸟巢位置的最佳状态；ni表示第i个鸟巢的位置；nbest表示最优位置与其他鸟巢的距离。
基于改进布谷鸟搜索算法的求解方法具体为：
步骤1：设定最初的算法参数。设F(X)是目标函数，随机生成初始鸟巢位置。
步骤2：记录当前的最优解，为每个鸟巢计算目标函数值。
步骤3：保留了上一代最优鸟巢的位置并且根据位置更新步长和发现概率；
步骤4：把当前鸟巢位置与上一代相比，如果当前鸟巢位置更好，将此位置作为更新的鸟巢位置。
步骤5：我们设定随机数R∈[0,1]是鸟巢宿主发现外来的蛋的概率，把随机数R和发现概率Pa作比较，保留较小概率被发现的鸟巢位置，并且随机改变较大概率被发现的鸟巢位置，这样就得到一组新的鸟巢位置，将送组鸟巢位置和上一步的鸟巢位置作对比，用较好的鸟巢位置来替换较差的鸟巢位置，得到新的较优的鸟巢位置。
步骤6：找出步骤5中最终得到的鸟巢位置
并计算对应的目标函数值
是否达到所需的精度，如果达到，则输出全局最优值
和相对应的全局最优鸟巢位置
如果达不到所需精度，则返回步骤2继续迭代更新，直到达到所需精度为止。
步骤7：迭代循环结束，输出全局最优值和最佳鸟巢位置。(即最优的调度周期内目标函数最小值以及对应各时段各机组出力)。
与现有技术相比，本发明技术方案的有益效果是：本发明可提高独立微电网承受可再生能源的随机变化性影响的能力，本发明优化了各机组出力，提高微电网运行的鲁棒性、经济性和能源利用效率。有效平衡了搜索时间和搜索精度之间的矛盾。
附图说明
图1为实施例1所述CCHP型微电网调度优化方法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种CCHP型微电网调度优化方法，如图1所示，所述方法包括：
S1：输入CCHP型微电网原始数据集，并构建数据矩阵和变量矩阵；
S2：构建CCHP型微电网目标函数以及约束条件；
S3：初始化布谷鸟算法发现概率参数，并随机产生初始鸟巢；计算各鸟巢位置相应的适应度值，记录当前最佳鸟巢位置；
S4：根据公式更新鸟巢位置，得到新的鸟巢位置，计算搜索步长以及发现概率，计算更新后各鸟巢位置的相应适应度，比较后更新最优鸟巢位置；
S5：采用随机数与发现概率比较，保留发现概率较小的鸟巢，随机更新发现概率大的鸟巢位置，得到一组新的更优的鸟巢位置；
S6：判断是否满足算法终止条件，若满足则输出结果，否则返回S4。
下面结合1所示，对本实施例所述方法具体说明：
S1：构建调度日前的CCHP型微网原始输入数据模型。(包括历史电负荷、热负荷、风速数据、光照时长、实时电费交易价格、储能系统当前状态、预测微电网电负荷、热负荷、冷负荷、风电机组输出功率、光伏机组输出功率、燃气使用量)。
得到分别为温度、光照强度、风速、预测电负荷、预测热负荷、预测冷负荷的输入矩阵。
构建系统模型：
将输入数据矩阵代入模型得到光伏机组、风电机组运行状态矩阵，本专利采用风电光伏功率全实时消纳策略，以光伏、风电预测功率值作为机组实时运行状态值：
将微燃机发电功率、储能装置运行充放电量、系统与电网交互电量分别作为变量，构建变量矩阵：
S2：构建目标函数：
1.以能源利用率为优化目标函数：
ECCHP(t)为系统消耗的电能；HCCHP(t)为系统消耗的热能；CCCHP(t)为系统消耗的冷能；FCCHP(t)为系统消耗的一次能源。T为24；
2.以微电网自身缺电率为优化目标函数：
其中，PL(t)为为微网电负荷，PPV(t)为光伏输出功率，PWT(t)为为风电机组实时功率，PMT(t)为微燃机输出电功率，PSOC(t)为蓄电池充放电功率；
3.以运行成本部为优化目标函数：
minf3＝Cinf+Cfuel+Com+Cgrid
Cinf设备初始投资年等值成本；Cfuel系统燃料费用；Com系统运行费用；Cgrid微电网与电网交换的功率费用。
Cinf＝R(Pcap.MT·CMT+Pcap.WT·CWT+Pcap.PV·CPV+Pcap.inv·Cinv+Pcap.GB·CGB
+Pcap.SOC·CSOC+Pcap.RB·CRB+Pcap.AC·CAC)
式中，CMT为微燃机投资单位容量成本；CWT为风电机组单位容量成本；CPV为光伏机组单位容量成本；Cinv为逆变器单位容量成本；CGB为燃气锅炉单位容量成本；CSOC为蓄电池单位容量成本；CRB为余热锅炉单位容量成本；CAC为吸收式制冷机单位容量成本；下标cap表示设备额定容量；R为资金年回收率；n为设备使用年限；r为折现率，加权平均资本成本。
系统燃料费用：
EMT(t)为微燃机耗气量，EGB(t)为燃气锅炉耗气量；
系统运行费用：
式中，Kom,i为不同系统设备运行维护费用，KMT(t)表示t时刻微燃机的启停状态，微燃机组停机时值为0，运行时为，CMT表示微燃机的启停成本，CGB表示燃气锅炉的启停成本。
系统与大电网交互费用：
式中，Pg为微电网从电网中获取电量的值，大于0时表示微网从电网购电，小于0时表示微网向电网输电能，
和
分别为微电网购电和售电费用。
目标函数
minF＝ρf1+σf2+ζf3
其中，ρ、σ、ζ分别为权重系数。
构建约束条件：
(1)微源输出功率约束：
式中，
微燃机切风电机组约束除系数，
微燃机额定功率；
分别为微燃机爬坡下降约束和爬坡上升约束，其值分别为0.35和0.28；
为风电机组的额定功率；
为光伏机组的最大功率。QRB(t)为余热锅炉供热负荷，
为余热锅炉供热功率，
为余热锅炉供冷功率。QGB(t)为燃气锅炉供热负荷，
为燃气锅炉供热功率，
为余热锅炉供冷功率。
(2)蓄电池充放电约束：
-Sinv.SB≤PSB(t)≤Sinv.SB
-SOCmin≤PSOC(t)≤SOCmax
Pg.min≤Pg(t)≤Pg.max
式中，
和
分别为蓄电池最大、最小放电功率，Sinv.SB为整流逆变器的容量，分别SOCmin、SOCmax为电池充放电容量的最小和最大值；Pg.min和Pg.max分别为微网允许与电网交互的最大功率和最小功率。
(3)电费结构约束：
电费费率模型结构如下：
春夏季峰平谷购电价格：
秋冬季峰平谷售电价格：
式中，
和
分别为微电网购电和售电费用。
(4)电能量平衡约束：
式中，XR1为光伏输出功率PPV(t)，表达式如下：
PPV(t)＝ksPstcG(t)[1+k(T(t)-Tstc)]/Gstc
T(t)＝Tair(t)+0.014[1+0.03Tair(t)](1-0.04v(t))G(t)
其中，Gstc、Tstc、Pstc分别为标准测试环境下的光照强度、光伏电池温度、最大输出功率，ks为光伏电池温度系数，T(t)为太阳电池表面温度，Tair(t)为环境温度，v(t)为风速，Tmax为日最大温度，Tmin为日最小温度，tp为平均温度。
XR2为风电机组实时功率PWT(t)，表达式如下：
其中，vin为切入风速，vout为切出风速，vnom为额定风速，
为风电机组额定功率。
X2为蓄电池充放电功率Psoc(t)，蓄电池模型如下：
其中，SOC(t)和SOC(t-1)分别为蓄电池组在t、t-1时刻的剩余容量，σl自放电率，λdl蓄电池转换效率，Psoc(t)充、放电功率，充电时为负、放电时为正，ηcha充电效率，ηdis为放电效率。
X1为微燃机输出电功率PMT(t)微燃机t时刻输出电功率，表达式如下：
PMT(t)＝EMT(t)ηMT(t)
其中，EMT(t)为微燃机消耗燃气量；ηMT(t)为微燃机发电功率，
为微燃机额定功率。
(5)热能量平衡约束：
系统热能由微燃机余热回收系统以及燃气锅炉提供。
其中，QH(t)为系统热负荷，
为燃气锅炉传输至吸收式制冷机吸收的热功率，
为余热锅炉的制热功率，Qloss为传热损耗。
QGB(t)＝ηEBFEB(t)COPHP
其中，QGB(t)燃气锅炉供热负荷，FEB(t)燃气锅炉t时段消耗的天然气量；ηEB燃气锅炉的热转换效率；COPHP为热泵制热性能系数，θ1为制热分配比，夏秋季节取0.5，春冬季取1。
QRB(t)为余热锅炉供热负荷，表达式如下：
式中，ηr为微燃机余热回收系数。
(6)冷能量平衡约束：
系统冷能由微燃机余热回收系统以及燃机锅炉提供。
QAC(t)≥QC(t)+Qloss
其中，QC(t)为系统冷负荷需求，QAC(t)为吸收式制冷机的制冷负荷，表达式如下：
目标函数求解：
S3：将归一化后的数据代入到布谷鸟算法中，设定初始发现概率参数Pa＝0.7，并随机产生3个鸟巢位置，
计算每组鸟巢位置对应的训练集交叉验证误差，找到当前最优鸟巢
以及对应的最小目标函数值，保留上代最小目标函数值对应的最优鸟巢位置。
S4：计算Levy flight步长大小，由Levy flight对其他鸟巢进行更新，得到一组新的鸟巢位置，并计算它们的预测误差。改进布谷鸟算法的参数更新如下：
式中：θbest表示此时鸟巢位置的最佳状态；ni表示第i个鸟巢的位置；nbest表示最优位置与其他鸟巢的距离。
S5：根据预测误差以及新鸟巢位置与上一代鸟巢位置
进行比较，用较好的鸟巢位置替代较差的鸟巢位置，得到一组较优鸟巢位置
S6：找到中最优的一个鸟巢位置
并判断其最小误差是否满足收敛精度。如果满足，则停止搜索，并输出全局最小函数值以及对应最优鸟巢位置Xbest，否则，返回S4继续寻优。
迭代循环结束，输出全局最优值和最佳鸟巢位置Xbest和Fmin(X)，即为调度周期内的机组最优出力以及目标函数全局最小值。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种CCHP型微电网调度优化方法，其特征在于，所述方法包括：
S1：输入CCHP型微电网原始数据集，并构建数据矩阵和变量矩阵；
S2：构建CCHP型微电网目标函数以及约束条件；
S3：初始化布谷鸟算法发现概率参数，并随机产生初始鸟巢；计算各鸟巢位置相应的适应度值，记录当前最佳鸟巢位置；
S4：更新鸟巢位置，得到新的鸟巢位置，计算搜索步长以及发现概率，计算更新后各鸟巢位置的相应适应度，比较后更新最优鸟巢位置；
S5：采用随机数与发现概率比较，保留发现概率较小的鸟巢，随机更新发现概率大的鸟巢位置，得到一组新的更优的鸟巢位置；
S6：判断是否满足算法终止条件，若满足则输出结果，否则返回S4。
2.根据权利要求1所述的CCHP型微电网调度优化方法，其特征在于，S1具体为：构建调度日前的CCHP型微网原始输入数据模型，并输入原始数据，包括：历史电负荷、热负荷、风速数据、光照时长、实时电费交易价格、储能系统当前状态、预测微电网电负荷、热负荷、冷负荷、风电机组输出功率、光伏机组输出功率、燃气使用量；得到分别为温度、光照强度、风速、预测电负荷、预测热负荷、预测冷负荷的输入矩阵：
其中，XH1、XH2、...、XH6分别表示温度、光照强度、风速、预测电负荷、预测热负荷、预测冷负荷；
将输入矩阵代入模型得到光伏机组、风电机组运行状态矩阵；
将微电网中微燃机发电功率、储能装置运行充放电量、系统与电网交互电量分别作为变量，构建变量矩阵：
其中，X1、X2、X3分别为微燃机发电功率、储能装置运行充放电量、系统与电网交互电量。
3.根据权利要求2所述的CCHP型微电网调度优化方法，其特征在于，S2中的目标函数为：
(1)以能源利用率为优化目标函数：
ECCHP(t)为系统消耗的电能；HCCHP(t)为系统消耗的热能；CCCHP(t)为系统消耗的冷能；FCCHP(t)为系统消耗的一次能源；
(2)以微电网自身缺电率为优化目标函数：
其中，PL(t)为为微网电负荷，PPV(t)为光伏输出功率，PWT(t)为为风电机组实时功率，PMT(t)为微燃机输出电功率，PSOC(t)为蓄电池充放电功率；
(3)以运行成本部为优化目标函数：
min f3＝Cinf+Cfuel+Com+Cgrid
Cinf为设备初始投资年等值成本；Cfuel为系统燃料费用；Com为系统运行费用；Cgrid为微电网与电网交换的功率费用；
Cinf＝R(Pcap.MT·CMT+Pcap.WT·CWT+Pcap.PV·CPV+Pcap.inv·Cinv+Pcap.GB·CGB+Pcap.SOC·CSOC+Pcap.RB·CRB+Pcap.AC·CAC)
式中，CMT为微燃机投资单位容量成本；CWT为风电机组单位容量成本；CPV为光伏机组单位容量成本；Cinv为逆变器单位容量成本；CGB为燃气锅炉单位容量成本；CSOC为蓄电池单位容量成本；CRB为余热锅炉单位容量成本；CAC为吸收式制冷机单位容量成本；下标cap表示设备额定容量；R为资金年回收率；n为设备使用年限；r为折现率，加权平均资本成本；
系统燃料费用：
EMT(t)为微燃机耗气量，EGB(t)为燃气锅炉耗气量；
系统运行费用：
式中，Kom,i为不同系统设备运行维护费用，KMT(t)表示t时刻微燃机的启停状态，微燃机组停机时值为0，运行时为，CMT表示微燃机的启停成本，CGB表示燃气锅炉的启停成本；
系统与大电网交互费用：
式中，Pg为微电网从电网中获取电量的值，大于0时表示微网从电网购电，小于0时表示微网向电网输电能；
和
分别为微电网购电和售电费用；
目标函数：
min F＝ρf1+σf2+ζf3
其中，ρ、σ、ζ分别为权重系数。
4.根据权利要求3所述的CCHP型微电网调度优化方法，其特征在于，S2中的约束条件包括：微源输出功率约束、蓄电池充放电约束、电费结构约束、电能量平衡约束、热能量平衡约束、冷能量平衡约束。
5.根据权利要求4所述的CCHP型微电网调度优化方法，其特征在于，
(1)微源输出功率约束：
式中，
微燃机切风电机组约束除系数，
微燃机额定功率；
分别为微燃机爬坡下降约束和爬坡上升约束；
为风电机组的额定功率；
为光伏机组的最大功率；QRB(t)为余热锅炉供热负荷，
为余热锅炉供热功率，
为余热锅炉供冷功率；QGB(t)为燃气锅炉供热负荷，
为燃气锅炉供热功率，
为余热锅炉供冷功率；
(2)蓄电池充放电约束：
-Sinv.SB≤PSB(t)≤Sinv.SB
-SOCmin≤PSOC(t)≤SOCmax
Pg.min≤Pg(t)≤Pg.max
式中，
和
分别为蓄电池最大、最小放电功率，Sinv.SB为整流逆变器的容量，分别SOCmin、SOCmax为电池充放电容量的最小和最大值；Pg.min和Pg.max分别为微网允许与电网交互的最大功率和最小功率；
(3)电费结构约束：
电费费率模型结构如下：
春夏季峰平谷购电价格：
秋冬季峰平谷售电价格：
式中，
和
分别为微电网购电和售电费用；
(4)电能量平衡约束：
式中，Ploss为电能传输损耗；PL(t)为微网电负荷；PPV(t)为光伏输出功率，表达式如下：
PPV(t)＝ksPstcG(t)[1+k(T(t)-Tstc)]/Gstc
T(t)＝Tair(t)+0.014[1+0.03Tair(t)](1-0.04v(t))G(t)
其中，Gstc、Tstc、Pstc分别为标准测试环境下的光照强度、光伏电池温度、最大输出功率，ks为光伏电池温度系数，T(t)为太阳电池表面温度，Tair(t)为环境温度，v(t)为风速，Tmax为日最大温度，Tmin为日最小温度，tp为平均温度；
PWT(t)为风电机组实时功率，表达式如下：
其中，vin为切入风速，vout为切出风速，vnom为额定风速，
为风电机组额定功率；
Psoc(t)为蓄电池充放电功率，蓄电池模型如下：
其中，SOC(t)和SOC(t-1)分别为蓄电池组在t、t-1时刻的剩余容量，σl自放电率，λdl蓄电池转换效率，Psoc(t)充、放电功率，充电时为负、放电时为正，ηcha充电效率，ηdis为放电效率；
PMT(t)微燃机t时刻输出电功率，表达式如下：
PMT(t)＝EMT(t)ηMT(t)
其中，EMT(t)为微燃机消耗燃气量；ηMT(t)为微燃机发电功率，
为微燃机额定功率；
(5)热能量平衡约束：
系统热能由微燃机余热回收系统以及燃气锅炉提供；
其中，QH(t)为系统热负荷，
为燃气锅炉传输至吸收式制冷机吸收的热功率，
为余热锅炉的制热功率，Qloss为传热损耗；
QGB(t)＝ηEBFEB(t)COPHP
其中，QGB(t)燃气锅炉供热负荷，FEB(t)燃气锅炉t时段消耗的天然气量；ηEB燃气锅炉的热转换效率；COPHP为热泵制热性能系数，θ1为制热分配比；
QRB(t)为余热锅炉供热负荷，表达式如下：
式中，ηr为微燃机余热回收系数；
(6)冷能量平衡约束：
系统冷能由微燃机余热回收系统以及燃机锅炉提供；
QAC(t)≥QC(t)+Qloss
其中，QC(t)为系统冷负荷需求；QAC(t)为吸收式制冷机的制冷负荷，表达式如下：
6.根据权利要求5所述的CCHP型微电网调度优化方法，其特征在于，S4具体为：
采用莱维飞行搜索机制求解最优化问题，在理想条件下，布谷鸟位置更新公式如下：
式中，a为搜索步长，L(λ)为莱维飞行搜索函数；
采用Levy flight产生步长具有随机性，缺乏自适应性，无法保证快速收敛；
在基本CS算法基础上，根据不同阶段的搜索结果对发现概率Pa以及搜索步长的大小进行自适应动态调整，更新最优鸟巢位置；动态调整如下：
式中：θbest表示此时鸟巢位置的最佳状态；ni表示第i个鸟巢的位置；nbest表示最优位置与其他鸟巢的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911319403.1A CN111160636B (zh) | 2019-12-19 | 2019-12-19 | 一种cchp型微电网调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911319403.1A CN111160636B (zh) | 2019-12-19 | 2019-12-19 | 一种cchp型微电网调度优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160636A true CN111160636A (zh) | 2020-05-15 |
| CN111160636B CN111160636B (zh) | 2023-01-17 |
Family
ID=70557424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911319403.1A Active CN111160636B (zh) | 2019-12-19 | 2019-12-19 | 一种cchp型微电网调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160636B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113394817A (zh) * | 2021-06-28 | 2021-09-14 | 国网甘肃省电力公司电力科学研究院 | 一种风光水火储系统的多能容量优化配置方法 |
| CN113962419A (zh) * | 2020-07-20 | 2022-01-21 | 浙江大学 | 基于改进多目标布谷鸟搜索算法的热电联产机组负荷优化分配方法 |
| CN114336619A (zh) * | 2022-01-18 | 2022-04-12 | 上海电机学院 | 一种基于自适应布谷鸟算法的分布式电源优化配置方法 |
| CN115018221A (zh) * | 2022-08-10 | 2022-09-06 | 浙江浩普智能科技有限公司 | 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统 |
| CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527110A (zh) * | 2017-07-07 | 2017-12-29 | 上海电力学院 | 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法 |
| CN108448659A (zh) * | 2018-03-02 | 2018-08-24 | 重庆邮电大学 | 一种基于hacs算法求解电力系统无功优化的方法 |
| CN108491992A (zh) * | 2018-02-05 | 2018-09-04 | 国网天津市电力公司滨海供电分公司 | 一种含光伏和蓄能的冷热电联供系统调峰调蓄优化调度模型 |
| 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 |
| WO2019005412A1 (en) * | 2017-06-30 | 2019-01-03 | Merit Si, Llc | METHOD AND SYSTEM FOR MANAGING MINIRSE ASSETS |
| CN109327042A (zh) * | 2018-09-27 | 2019-02-12 | 南京邮电大学 | 一种微电网多能源联合优化调度方法 |
| CN110504684A (zh) * | 2019-08-21 | 2019-11-26 | 东北大学 | 一种区域多微网系统日前优化调度方法 |
-
2019
- 2019-12-19 CN CN201911319403.1A patent/CN111160636B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019005412A1 (en) * | 2017-06-30 | 2019-01-03 | Merit Si, Llc | METHOD AND SYSTEM FOR MANAGING MINIRSE ASSETS |
| CN107527110A (zh) * | 2017-07-07 | 2017-12-29 | 上海电力学院 | 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法 |
| CN108491992A (zh) * | 2018-02-05 | 2018-09-04 | 国网天津市电力公司滨海供电分公司 | 一种含光伏和蓄能的冷热电联供系统调峰调蓄优化调度模型 |
| CN108448659A (zh) * | 2018-03-02 | 2018-08-24 | 重庆邮电大学 | 一种基于hacs算法求解电力系统无功优化的方法 |
| 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 |
| CN109327042A (zh) * | 2018-09-27 | 2019-02-12 | 南京邮电大学 | 一种微电网多能源联合优化调度方法 |
| CN110504684A (zh) * | 2019-08-21 | 2019-11-26 | 东北大学 | 一种区域多微网系统日前优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 于永进等: "基于改进布谷鸟算法的电力系统最优调度研究", 《智慧电力》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962419A (zh) * | 2020-07-20 | 2022-01-21 | 浙江大学 | 基于改进多目标布谷鸟搜索算法的热电联产机组负荷优化分配方法 |
| CN113962419B (zh) * | 2020-07-20 | 2024-05-31 | 浙江大学 | 基于改进多目标布谷鸟搜索算法的热电联产机组负荷优化分配方法 |
| CN113394817A (zh) * | 2021-06-28 | 2021-09-14 | 国网甘肃省电力公司电力科学研究院 | 一种风光水火储系统的多能容量优化配置方法 |
| CN114336619A (zh) * | 2022-01-18 | 2022-04-12 | 上海电机学院 | 一种基于自适应布谷鸟算法的分布式电源优化配置方法 |
| CN115018221A (zh) * | 2022-08-10 | 2022-09-06 | 浙江浩普智能科技有限公司 | 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统 |
| CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
| CN116667325B (zh) * | 2023-05-29 | 2024-05-24 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160636B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160636B (zh) | 一种cchp型微电网调度优化方法 | |
| CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
| CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
| CN109523092B (zh) | 多能互补冷热电联供系统及其协同调度方法 | |
| CN111463836B (zh) | 一种综合能源系统优化调度方法 | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN112464477A (zh) | 计及需求响应的多能耦合综合能源运行仿真方法 | |
| CN107508328A (zh) | 考虑风电消纳的联合系统能量优化方法 | |
| CN104537443A (zh) | 一种热电联供型微网经济协调优化调度方法 | |
| CN113256045A (zh) | 考虑风光不确定性的园区综合能源系统日前经济调度方法 | |
| CN112580938B (zh) | 面向多重不确定性的综合能源系统优化调度方法及装置 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN105958537A (zh) | 面向能源互联网的能源转换系统及其优化控制方法 | |
| CN113159407A (zh) | 基于区域综合能源系统的多能储存模块容量优化配置方法 | |
| CN115170343A (zh) | 一种区域综合能源系统分布式资源和储能协同规划方法 | |
| CN113255224A (zh) | 一种基于发光萤火虫算法的能源系统配置优化方法 | |
| CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
| 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 | |
| CN115271264A (zh) | 一种工业园区能源系统调配方法及计算设备 | |
| CN116050637A (zh) | 基于分时电价的综合能源虚拟电厂优化调度方法及系统 | |
| CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
| CN111682531A (zh) | 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置 | |
| CN117526451A (zh) | 考虑柔性负荷下的区域综合能源系统配置优化方法 | |
| CN111917137A (zh) | 一种针对区域电网内多种分布式能源的调控方法 | |
| CN117013522A (zh) | 考虑分布式电源和气电协同的综合能源系统调度优化方法 |
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 |