CN111353128B - 一种基于非合作博弈的多能量枢纽优化运行方法 - Google Patents
一种基于非合作博弈的多能量枢纽优化运行方法 Download PDFInfo
- Publication number
- CN111353128B CN111353128B CN202010051387.9A CN202010051387A CN111353128B CN 111353128 B CN111353128 B CN 111353128B CN 202010051387 A CN202010051387 A CN 202010051387A CN 111353128 B CN111353128 B CN 111353128B
- Authority
- CN
- China
- Prior art keywords
- energy
- power
- hub
- energy hub
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004146 energy storage Methods 0.000 claims abstract description 61
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 239000007789 gas Substances 0.000 claims description 76
- 230000005611 electricity Effects 0.000 claims description 58
- 238000001179 sorption measurement Methods 0.000 claims description 34
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 239000002918 waste heat Substances 0.000 claims description 24
- 230000003993 interaction Effects 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 14
- 239000000446 fuel Substances 0.000 claims description 12
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 10
- 239000002737 fuel gas Substances 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000005057 refrigeration Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000011217 control strategy Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于非合作博弈的多能量枢纽优化运行方法,对系统中能源生产、转换及储能设备建模,建立多能协同运行的能量枢纽系统框架;在此基础上,构建基于纳什均衡的多能量枢纽非合作博弈模型,并建立多能量枢纽之间的交易机制,分析各个能量枢纽中设备出力和负荷平衡情况。本发明的优化运行控制策略使多个能量枢纽之间能充分利用区域间负荷互补特性,可使各能量枢纽在优化个体运行成本的同时,提高系统的灵活性。
Description
技术领域
本发明属于多能量枢纽优化运行领域,具体涉及一种基于非合作博弈的多能量枢纽优化运行方法。
背景技术
以能源互联网为核心的第三次工业革命是世界能源发展的必然趋势,是能源使用安全、高效、清洁的必经之路。目前,不同能源子系统之间多不具备联合运行的功能,不同能源之间的耦合性和设备多样性给多能源系统运行管理带来巨大挑战。面对上述问题,能量枢纽(Energy Hub)作为一种未来能源网络愿景被提出,高度抽象地分类能源供应与用能需求,实现多能源的转化、调度与存储。能量枢纽可以促进不同形式的能源载体协同运行,是加快泛在电力物联网关键技术研究的重点。相邻能量枢纽参与能源交易可实现网损、变动成本、固定成本等费用的合理分摊,提高自身运行效益及区域多能源系统的稳定性。多个能量枢纽构成的能源交易市场和购售电决策受不同利益主体的市场行为影响,如何获取系统最优决策成为区域能源市场研究的热点。
目前,我国对多能源系统的研究处于起步阶段,研究内容多集中于系统建模与容量配置,较少的关注能量枢纽之间交易对系统运行造成的影响,且主要集中于研究单个能量枢纽优化运行问题,对于多个能量枢纽联合优化运行考虑较少。不同能源主体之间有较强的隐私保护从而较难形成合理有效的调度中心,采用博弈方法可以解决多个能量枢纽协同运行的相关问题。作为直接利益主体,能量枢纽将会拥有更大的自主权,能量枢纽的智能化将随着信息技术的发展而大幅度增加。但现如今只考虑售电商与用户之间的交易,由于能量枢纽即是售电商又是用户,因此需要重新考虑多个能量枢纽协同优化运行问题。
发明内容
为了克服现有技术的不足,本发明提出了一种基于非合作博弈的多能量枢纽优化运行方法,对系统中能源生产、转换及储能设备建模,建立多能协同运行的能量枢纽系统框架;在此基础上,构建基于纳什均衡的多能量枢纽非合作博弈模型,并建立多能量枢纽之间的交易机制,分析各个能量枢纽中设备出力和负荷平衡情况。
为了实现上述目的,本发明的技术方案为:
一种基于非合作博弈的多能量枢纽优化运行方法,所述方法包括以下步骤:
S1:输入系统信息其中包括:燃气价格、电网购售电价格,读取电、热、冷负荷并进行系统运行相关参数设置;考虑离散时间模型,将全天24h进行离散化处理,均分为T个时段,对于任意第k时间,有k∈{1,2,...,T};
S2:定义多能量枢纽互联系统,能量枢纽为描述多能源系统中能源、负荷和网络之间交换与耦合关系的输入-输出模型;
能量枢纽输入为电力联络线输出电能Pgrid,天然气Pgas和可再生能源输出电能Pres,其输出为用户需求Pr(冷负荷)、Pl(热负荷)和Pe(电负荷);
能量枢纽模型表示为:
Pout+H=CPin (1)
式中:Pout为能量枢纽输出负荷向量;Pin为能量枢纽输入一次能源向量;C为指定能源输出与输入的耦合关系;H为储能修正矩阵,以考虑储能系统对能量枢纽模型的影响;
该多能量枢纽互联系统包括能源输入,能源转换,储能系统三个环节,表述如下:
(1)能源输入:包括天然气、可再生能源(renewable energy source,RES),风机(wind turbine,WT)出力、光伏(photovoltaic,PV)出力和电网供电;
(2)能源转换:包括燃气轮机,燃气锅炉,换热器,电制冷机和吸附式制冷机;
(3)储能系统:主要为储能蓄电池;
S3:建立能量枢纽系统内部能源转换设备运行模型,设定设备运行相关参数,包括燃气轮机、冷负荷供能设备和热负荷供能设备,并建立冷热负荷供需平衡约束;
燃气轮机是能量枢纽的核心设备,它将一次能源转换成电能同时将余热回收进行供热制冷。燃气轮机的电功率和余热回收功率表示如下:
式中:和/>分别为第i个能量枢纽在t时段内燃气轮机的输出功率、燃气轮机的余热回收功率、燃气轮机消耗的燃气量、燃气轮机输出功率的下限和上限;ηc和ηrec分别表示燃气轮机的发电效率和余热回收效率;λgas为天然气热值;
热交换器与吸附式制冷机为能量枢纽的热能回收装置;
当冷负荷需求高于吸附式制冷机的制冷功率时,电制冷机将运行以满足用户冷负荷的需求;
冷负荷供能设备建模如下:
式中:和/>分别为第i个能量枢纽在t时段吸附式制冷机和电制冷机的输出功率;/>为第i个能量枢纽在t时段吸附式制冷机的回收热量;/>为第i个能量枢纽在t时段电制冷机消耗的电功率;/>和/>以及/>和/>分别为吸附式制冷机和电制冷机输出功率的下限和上限;ηar和ηec分别为吸附式制冷机和电制冷机的运行效率;
当热交换器输出热功率不能满足用户热负荷需求时,由燃气锅炉提供剩余热功率;
热负荷供能设备建模如下:
式中:和/>分别为第i个能量枢纽在t时段热交换器和燃气锅炉的输出功率;为第i个能量枢纽在t时段热交换器的回收热量;/>为第i个能量枢纽在t时段燃气锅炉的燃气消耗量;/>和/>以及/>和/>分别为热交换器和燃气锅炉输出功率的下限和上限;ηhe和ηgb分别为热交换器和燃气锅炉的运行效率;
燃气轮机余热首先满足热交换器的余热需求,若燃气轮机余热仍剩余将供给吸附式制冷机使用进行制冷;其中,吸附式制冷机吸收热量、热交换器的回收热量与燃气轮机运行产生余热量之间存在约束关系:
S4:建立多能量枢纽互联系统储能设备模型,假设所有的储能系统都用相同的锂电池组,并且认定其在一段时间内的充放电功率是恒定的;
建立储能系统电池的充放电功率与储能电量之间的关系模型和约束条件如下:
式中:和/>分别为第i个能量枢纽储能系统在t和t+1时段的剩余电能;δ为储能系统的自放电率;/>和/>分别为第i个能量枢纽储能系统在t时段充放电功率;Nbess为储能系统容量;/>和/>分别为储能系统最低放电深度和最高允许电量;/>和/>以及和/>分别为储能系统充放电功率的下限和上限;ηch和ηdch分别为储能系统的充放电效率;
S5:建立多能量枢纽互联系统可再生能源出力模型,包括光伏和风电模型,并计算可再生能源出力;
光伏出力的概率特性在一定时间段内近似服从Beta分布,其概率密度函数为:
式中:rt为t时段太阳辐射度;rmax为最大太阳辐射度;Γ(·)为伽马函数;αt和βt为Beta分布的形状参数;根据式(7)得出光伏输出功率的概率模型为:
式中:为t时段光伏最大输出功率;/>为t时段光伏输出功率;
在上述模型的基础上,首先从历史数据中拟合出每一时间间隔内光伏输出的Beta分布参数,然后利用蒙特卡洛采样方法生成一天光伏的出力情况;
建立风电输出功率与风速v之间的函数关系式,风速概率密度函数为:
式中:k和c分别为随机风能发电模型的形状参数和比例参数;
由此得风能概率密度函数为:
式中:pr表示风力发电总安装容量;vci,vr和vco分别表示切入风速、额定风速和切出风速;
由(9)和(10)得,当0≤pwt≤pr时,风机出力概率密度函数为:
式中:
S6:根据日前多能量枢纽整体净负荷定义内部交易电价,构建多个能量枢纽之间的非合作博弈模型,在满足自身电负荷供需平衡的前提下,每个参与者选取初始化策略以自身效用函数为目标,在满足自身设备运行的约束条件,得到系统设备出力情况和运行信息;
实施过程如下:
S61:基于能量枢纽内部能量补偿需求的基础上,根据参与者整体净负荷定义构建交易电价;
将一天划分为48个时段,各能量枢纽之间以联络线连接,设定能量枢纽之间以电能为交易介质,能量枢纽的运行成本表示为Ctotal,包括燃料费用Cfuel,购(售)电成本Cgrid,运维成本Crun和弃风光损失Cab,表示如下:
Ctotal=Cfuel+Cgrid+Crun+Cab (13)
燃料费用:
式中:Mgas为天然气价格;
购(售)电成本:
式中:为第i个能量枢纽在t时段与电网交易的电功率;/>为第i个能量枢纽从相邻能量枢纽购(售)的电功率;Mgrid为第i个能量枢纽与电网交互电功率的电价;Mprice为能量枢纽与其相邻能量枢纽间交互电功率的内部交易电价;
通过获取设备的运行参数,得知能量枢纽中各设备的运行情况,计算缺额负荷与多余负荷;
根据多能量枢纽整体净负荷定义构建交易电价为:
Pnet,i=Pe,i-(Pwt,i+Ppv,i) (17)
式中:a,b,c为内部交易电价系数,Pnet,i为日前第i个EH未优化时系统净负荷电量,
为第i个能量枢纽在t时段的净负荷,表示如下:
运维成本:
式中:ypv,ywt,ygt,ybess,yhe,yar,yec和ygb分别为光伏、风机、燃气轮机、储能系统、热交换器、吸附式制冷机、电制冷机和燃气锅炉每个时段的单位功率运维系数;
弃风光损失:
式中:为第i个能量枢纽在t时段内弃风光的功率;Mab为单位功率的弃风光损失价格;
能量枢纽内部组成单元的出力受自身和系统内部的约束,在每一时段,能量枢纽都要满足功率平衡约束,表示如下:
S62:能量枢纽之间的功率交互问题本质上是能量枢纽的售电博弈行为,为保证能量枢纽的内部信息安全,构建非合作博弈模型:
表示在参与者、策略和收益上;
参与者:参与者为N+={1,2,...,n},集合N+为能量枢纽功率交易的决策主体,通过电量交易达到能量枢纽运行经济性最优的目的;
策略:每个参与者的策略集合为Ai,策略ai为第i个EH即第i个参与者的系统运行决策变量,表示为
收益:博弈参与者i的收益Ui定义为与其所有电量交易策略相对应的收益的集合,因此参与者i在选择策略ai后的收益函数表示为:
Ui=-Ctotal (23)
所有参与者的目标均为寻求Ui的最大化,参与者i根据其他参与者选择的售电策略a-i,选择适合自身经济型的售电策略ai-1,其中“-i”表示除参与者i外的其余博弈参与者;
策略向量a*是纳什均衡解,需满足策略ai为第i个能量枢纽与其他能量枢纽的交互功率;第i个能量枢纽的策略集合为Ai;Pmax为交互功率最大值,且Ai={0≤ai≤Pmax},为紧凑的凸子集,并且在参与者博弈期间0≤ai≤Pmax;
根据纳什均衡存在性定理,证明得当ai为已知策略集时,Ui为关于ai的线性函数,线性函数必为凹函数,因此基于非合作博弈的区域能量枢纽运行优化模型存在纯策略纳什集合;
S7:参与者获取内部交易电价信息,更新自身策略每个参与者i∈N+获取其他参与者的策略并重新计算自身效用函数Ui;判断自身两次相邻策略是否相等,如果相同则该策略点为纳什均衡点,参与者按照策略向量a*在多能量枢纽交易市场进行能量交易;如果相邻两次策略不同则表明自身策略并未达到最优,重复步骤S3~S6,当已确定获取最佳方案时,终止博弈,得到多能量枢纽优化运行方式。
本发明的有益效果是:
1、本发明技术方案中,基于光伏可再生能源发电的不确定性,从历史数据中拟合出每一时间间隔内光伏输出的Beta分布参数,然后利用蒙特卡洛采样方法生成一天光伏的出力情况,使得可再生能源出力更为精准。
2、提出一种由内部交易电价制定和非合作博弈模型组成的能源交易机制,基于能量枢纽内部能量补偿需求的基础上,根据各参与者净负荷定义构建的交易电价机制,在满足自身需求的同时,提高了新能源的消纳能力,获取自身利益最大化。
3、提出一种多能量枢纽互联系统,对多能源系统内各种能源设备进行建模,控制最小化运行成本,从而保证系统高效稳定运行,减少系统经济成本。
4、引入非合作博弈,保证能量枢纽的内部信息安全,降低运行经济成本,达到经济最优化,提高多能量枢纽互联系统的可靠性和经济性。
附图说明
图1是多个能量枢纽系统互联结构;
图2是博弈求解流程图;
图3是可再生能源与电负荷需求曲线图;
图4是冷热负荷平衡及设备出力曲线图;
图5是能量枢纽之间交互功率曲线图;
图6是能量枢纽与电网交互功率曲线图。
具体实施方式
下面结合附图对本发明作进一步说明。
参照图1~图6,一种基于非合作博弈的多能量枢纽优化运行方法,包括以下步骤:
S1:输入系统信息其中包括:燃气价格、电网购售电价格,读取电、热、冷负荷并进行系统运行相关参数设置;考虑离散时间模型,将全天24h进行离散化处理,均分为T个时段,对于任意第k时间,有k∈{1,2,...,T};
S2:定义多能量枢纽互联系统,能量枢纽为描述多能源系统中能源、负荷和网络之间交换与耦合关系的输入-输出模型;
能量枢纽输入为电力联络线输出电能Pgrid,天然气Pgas和可再生能源输出电能Pres,其输出为用户需求Pr(冷负荷)、Pl(热负荷)和Pe(电负荷);
能量枢纽模型可表示为:
Pout+H=CPin (1)
式中:Pout为能量枢纽输出负荷向量;Pin为能量枢纽输入一次能源向量;C为指定能源输出与输入的耦合关系;H为储能修正矩阵,以考虑储能系统对能量枢纽模型的影响;
该多能量枢纽互联系统包括能源输入,能源转换,储能系统三个环节,表述如下:
(1)能源输入:包括天然气、可再生能源(renewable energy source,RES),风机(wind turbine,WT)出力、光伏(photovoltaic,PV)出力和电网供电;
(2)能源转换:包括燃气轮机,燃气锅炉,换热器,电制冷机和吸附式制冷机;
(3)储能系统:主要为储能蓄电池;
S3:建立能量枢纽系统内部能源转换设备运行模型,设定设备运行相关参数,包括燃气轮机、冷负荷供能设备和热负荷供能设备,并建立冷热负荷供需平衡约束;
燃气轮机是能量枢纽的核心设备,它将一次能源转换成电能同时将余热回收进行供热制冷。燃气轮机的电功率和余热回收功率表示如下:
式中:和/>分别为第i个能量枢纽在t时段内燃气轮机的输出功率、燃气轮机的余热回收功率、燃气轮机消耗的燃气量、燃气轮机输出功率的下限和上限;ηc和ηrec分别表示燃气轮机的发电效率和余热回收效率;λgas为天然气热值;
热交换器与吸附式制冷机为能量枢纽的热能回收装置;
当冷负荷需求高于吸附式制冷机的制冷功率时,电制冷机将运行以满足用户冷负荷的需求;
冷负荷供能设备建模如下:
式中:和/>分别为第i个能量枢纽在t时段吸附式制冷机和电制冷机的输出功率;/>为第i个能量枢纽在t时段吸附式制冷机的回收热量;/>为第i个能量枢纽在t时段电制冷机消耗的电功率;/>和/>以及/>和/>分别为吸附式制冷机和电制冷机输出功率的下限和上限;ηar和ηec分别为吸附式制冷机和电制冷机的运行效率;
当热交换器输出热功率不能满足用户热负荷需求时,由燃气锅炉提供剩余热功率;
热负荷供能设备建模如下:
式中:和/>分别为第i个能量枢纽在t时段热交换器和燃气锅炉的输出功率;为第i个能量枢纽在t时段热交换器的回收热量;/>为第i个能量枢纽在t时段燃气锅炉的燃气消耗量;/>和/>以及/>和/>分别为热交换器和燃气锅炉输出功率的下限和上限;ηhe和ηgb分别为热交换器和燃气锅炉的运行效率;
燃气轮机余热首先满足热交换器的余热需求,若燃气轮机余热仍剩余将供给吸附式制冷机使用进行制冷;其中,吸附式制冷机吸收热量、热交换器的回收热量与燃气轮机运行产生余热量之间存在约束关系:
S4:建立多能量枢纽互联系统储能设备模型,假设所有的储能系统都用相同的锂电池组,并且认定其在一段时间内的充放电功率是恒定的;
建立储能系统电池的充放电功率与储能电量之间的关系模型和约束条件如下:
式中:和/>分别为第i个能量枢纽储能系统在t和t+1时段的剩余电能;δ为储能系统的自放电率;/>和/>分别为第i个能量枢纽储能系统在t时段充放电功率;Nbess为储能系统容量;/>和/>分别为储能系统最低放电深度和最高允许电量;/>和/>以及和/>分别为储能系统充放电功率的下限和上限;ηch和ηdch分别为储能系统的充放电效率;
S5:建立多能量枢纽互联系统可再生能源出力模型,包括光伏和风电模型,并计算可再生能源出力;
光伏出力的概率特性在一定时间段内近似服从Beta分布,其概率密度函数为:
式中:rt为t时段太阳辐射度;rmax为最大太阳辐射度;Γ(·)为伽马函数;αt和βt为Beta分布的形状参数;根据式(7)得出光伏输出功率的概率模型为:
式中:为t时段光伏最大输出功率;/>为t时段光伏输出功率;
在上述模型的基础上,首先从历史数据中拟合出每一时间间隔内光伏输出的Beta分布参数,然后利用蒙特卡洛采样方法生成一天光伏的出力情况;
建立风电输出功率与风速v之间的函数关系式,一般认为风速概率密度函数为:
式中:k和c分别为随机风能发电模型的形状参数和比例参数;
由此可得风能概率密度函数为:
式中:pr表示风力发电总安装容量;vci,vr和vco分别表示切入风速、额定风速和切出风速;
由(9)和(10)可得,当0≤pwt≤pr时,风机出力概率密度函数为:
式中:
S6:根据日前多能量枢纽整体净负荷定义内部交易电价,构建多个能量枢纽之间的非合作博弈模型,在满足自身电负荷供需平衡的前提下,每个参与者选取初始化策略以自身效用函数为目标,在满足自身设备运行的约束条件,得到系统设备出力情况和运行信息;
实施过程如下:
S61:基于能量枢纽内部能量补偿需求的基础上,根据参与者整体净负荷定义构建交易电价;
将一天划分为48个时段,各能量枢纽之间以联络线连接,设定能量枢纽之间以电能为交易介质,能量枢纽的运行成本表示为Ctotal,包括燃料费用Cfuel,购(售)电成本Cgrid,运维成本Crun和弃风光损失Cab,表示如下:
Ctotal=Cfuel+Cgrid+Crun+Cab (13)
燃料费用:
式中:Mgas为天然气价格;
购(售)电成本:
式中:为第i个能量枢纽在t时段与电网交易的电功率;/>为第i个能量枢纽从相邻能量枢纽购(售)的电功率;Mgrid为第i个能量枢纽与电网交互电功率的电价;Mprice为能量枢纽与其相邻能量枢纽间交互电功率的内部交易电价;
通过获取设备的运行参数,得知能量枢纽中各设备的运行情况,计算缺额负荷与多余负荷;
根据多能量枢纽整体净负荷定义构建交易电价为:
Pnet,i=Pe,i-(Pwt,i+Ppv,i) (17)
式中:a,b,c为内部交易电价系数,Pnet,i为日前第i个EH未优化时系统净负荷电量,
为第i个能量枢纽在t时段的净负荷,表示如下:
运维成本:
式中:ypv,ywt,ygt,ybess,yhe,yar,yec和ygb分别为光伏、风机、燃气轮机、储能系统、热交换器、吸附式制冷机、电制冷机和燃气锅炉每个时段的单位功率运维系数;
弃风光损失:
式中:为第i个能量枢纽在t时段内弃风光的功率;Mab为单位功率的弃风光损失价格;
能量枢纽内部组成单元的出力受自身和系统内部的约束,在每一时段,能量枢纽都要满足功率平衡约束,表示如下:
S62:能量枢纽之间的功率交互问题本质上是能量枢纽的售电博弈行为,为保证能量枢纽的内部信息安全,构建非合作博弈模型:
表示在参与者、策略和收益上;
参与者:参与者为N+={1,2,...,n},集合N+为能量枢纽功率交易的决策主体,通过电量交易达到能量枢纽运行经济性最优的目的;
策略:每个参与者的策略集合为Ai,策略ai为第i个EH即第i个参与者的系统运行决策变量,表示为
收益:博弈参与者i的收益Ui定义为与其所有电量交易策略相对应的收益的集合,因此参与者i在选择策略ai后的收益函数表示为:
Ui=-Ctotal (23)
所有参与者的目标均为寻求Ui的最大化,参与者i根据其他参与者选择的售电策略a-i,选择适合自身经济型的售电策略ai-1,其中“-i”表示除参与者i外的其余博弈参与者;
策略向量a*是纳什均衡解,需满足策略ai为第i个能量枢纽与其他能量枢纽的交互功率;第i个能量枢纽的策略集合为Ai;Pmax为交互功率最大值,且Ai={0≤ai≤Pmax},为紧凑的凸子集,并且在参与者博弈期间0≤ai≤Pmax;
根据纳什均衡存在性定理,证明得当ai为已知策略集时,Ui为关于ai的线性函数,线性函数必为凹函数,因此基于非合作博弈的区域能量枢纽运行优化模型存在纯策略纳什集合;
S7:参与者获取内部交易电价信息,更新自身策略ait,每个参与者i∈N+获取其他参与者的策略并重新计算自身效用函数Ui;判断自身两次相邻策略是否相等,如果相同则该策略点为纳什均衡点,参与者按照策略向量a*在多能量枢纽交易市场进行能量交易;如果相邻两次策略不同则表明自身策略并未达到最优,重复步骤S3~S6,当已确定获取最佳方案时,终止博弈,得到多能量枢纽优化运行方式。
优化结果对比分析:
为了能够直观的验证发明所提策略的效果,仿真以下2种模式:
案例1:未进行优化模式,各个能量枢纽之间不进行功率交互。
案例2:本文所提出的基于非合作博弈的多能量枢纽优化运行策略。
场景分析设计以杭州4处具有代表性的工业园区作为研究对象,能量枢纽包含电制冷机、燃气轮机、吸附式制冷机、储能、燃气锅炉、PV、WT等,具体情景分类及容量配置如表1所示。
容量配置/kW | 能量枢纽1 | 能量枢纽2 | 能量枢纽3 | 能量枢纽4 |
光伏 | 3000 | 3300 | 4000 | 3500 |
风机 | 2500 | 3600 | 3900 | 3800 |
燃气轮机机组 | 2000 | 2000 | 1000 | 1000 |
储能最大充放电功率 | 2000 | 2000 | 2000 | 2000 |
吸附式制冷机 | 1500 | 0 | 2000 | 0 |
热交换器 | 2000 | 1800 | 0 | 0 |
电制冷机 | 1000 | 0 | 1000 | 0 |
燃气锅炉 | 1500 | 1500 | 0 | 0 |
表1
能量枢纽之间通过联络线相连接,进行电功率交互,由于能量枢纽之间距离较近,本文不考虑区域能量枢纽联络线的传输功率损失。当能量枢纽中可再生能源的电功率不能满足系统负荷需求或发电量存在剩余时,优先考虑从其他能量枢纽购售电。现选取微网上网电价为标准进行电能交易,能量枢纽在峰时段(8:00-11:00,18:00-23:00)向电网售电电价为0.65元/kW·h,购电电价为0.83元/kW·h;在平时段(7:00-8:00)向电网售电电价为0.38元/kW·h,购电电价为0.49元/kW·h;在谷时段(23:00-7:00)向电网售电电价为0.13元/kW·h,购电电价为0.17元/kW·h。系统的其他参数选择如表2所示。
表2
将时间间隔定为0.5h,一个优化调度周期为24h。典型一日内RES出力曲线和常规用电负荷需求曲线如图3所示,充分考虑了可再生能源出力的不确定性,利用某地区典型季节各个时间光伏电站、光照直接辐射、太阳辐射角度以及风电场风速的实测数据作为预测算法的数据来源。
图4为冷热负荷平衡及设备出力图。
如图4所示,能量枢纽1和能量枢纽3冷负荷平衡由吸附式制冷机和电制冷机两部分协助完成,当吸附式制冷机输出功率不能够满足冷负荷需求时,由电制冷机进行补冷。能量枢纽1和能量枢纽2热负荷由热交换器和燃气锅炉提供,当热交换器输出热功率不能满足热负荷需求时,由燃气锅炉进行补热。能量枢纽1系统进行能源交易后可满足自身电负荷需求,因此燃气轮机出力较少,主要由燃气锅炉维持热负荷平衡;能量枢纽2系统进行能源交易后仍处于缺电状态,燃气轮机输出功率进行补电,因此主要由热交换器维持热负荷平衡。
图5为能量枢纽之间交互功率,图6为能量枢纽与电网交互功率。
图5和图6所示,能量枢纽电功率为正时购电,为负时售电。根据图5和图6,以能量枢纽1为例,在0:00-6:00,13:00-13:30时段内能量枢纽1均处于缺电状态,首先在内部市场寻求交易,同时调用储能满足电负荷需求,特别注意的是在12:00-13:30时段内,由于系统内部交易电价较低,能量枢纽1在内部交易市场购买电能满足自身需求并进行存储。在其余时段内,能量枢纽1均存在多余电功率,在内部市场售卖多余电功率,同时根据交易电价实时调用储能系统买卖电能,从而最大化自身经济效益。其余能量枢纽分析与能量枢纽1类似,不再陈述。
结合图3、图5和图6中可以看出,在10:00-12:30时段内,光伏出力占绝大部分,只有能量枢纽2和能量枢纽4处于缺电状态,首先从能量枢纽1和能量枢纽3进行购电,不足再向电网购电;能量枢纽2和能量枢纽4在满足自身负荷需求后,在其他参与者购买电能时积极进行市场交易。在16:00-24:00时段内,风机出力占绝大部分,能量枢纽1处于多电状态,能量枢纽2、能量枢纽3和能量枢纽4从能源市场和电网购电并调用储能系统维持自身电负荷平衡。
为验证本文所提方法的有效性,对比采取本文所提方法与单独运行时的每个能量枢纽运行成本,结果如表3所示。
表3
分析表3的数据可以得出结论:
各个能量枢纽之间不进行功率交互与采取本文所提优化运行策略相比,能量枢纽1、能量枢纽2、能量枢纽3和能量枢纽4运行费用分别降低了8.4%、2.1%、5.9%和5.8%,因为应用非合作博弈后增强了各能量枢纽之间能量调度协调性,减少了购电费用及设备运行费用,降低了能量枢纽运行成本。
针对多个能量枢纽实时能源管理问题,提出了多个能量枢纽之间非合作博弈模型,通过迭代计算,博弈达到纳什均衡,证明了NE在所述非合作博弈问题的存在性及唯一性。考虑能量枢纽系统现如今存在的不足,提出多能量枢纽优化运行控制策略,对多能量枢纽内多种能源设备进行建模,使能量枢纽之间通过策略合理的进行功率交互。通过案例表明,同一配电网下能量枢纽构成能源交易市场,通过非合作博弈模型形成交易机制,可实现新能源就地消纳并提高系统运行的灵活性与可靠性,有效降低能量枢纽运行经济成本。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。
尽管上面已经展示出和描述了本发明的实施例,可以理解的是,本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (6)
1.一种基于非合作博弈的多能量枢纽优化运行方法,其特征在于,所述方法包括以下步骤:
S1:输入系统信息,其中包括:燃气价格、电网购售电价格,读取电、热、冷负荷并进行系统运行相关参数设置;考虑离散时间模型,将全天24小时进行离散化处理,均分为T个时段,对于任意第k时间,有k∈{1,2,…,T};
S2:定义多能量枢纽互联系统,能量枢纽为描述多能源系统中能源、负荷和网络之间能量交换与系统耦合关系的输入-输出模型;
S3:建立能量枢纽系统内部能源转换设备运行模型,设定设备运行相关参数,包括燃气轮机、冷负荷供能设备和热负荷供能设备,并建立冷热负荷供需平衡约束;
S4:建立能量枢纽系统内部的储能设备模型,假设所有的储能系统都采用相同的锂电池组,并且认定其在一段时间内的充放电功率是恒定的;
S5:建立能量枢纽系统可再生能源出力模型,包括光伏和风机出力模型,并计算可再生能源出力;
S6:根据日前多能量枢纽整体净负荷定义内部交易电价,构建多个能量枢纽之间的非合作博弈模型,在满足自身电负荷供需平衡的前提下,每个参与者选取初始化策略以自身效用函数为目标,在满足自身设备运行的约束条件,得到系统设备出力情况和运行信息;
S7:参与者获取内部交易电价信息,更新自身策略每个参与者i∈N+获取其他参与者的策略并重新计算自身效用函数Ui;判断自身两次相邻策略是否相等,如果相同则该策略点为纳什均衡点,参与者按照策略向量a*在多能量枢纽交易市场进行能量交易;如果相邻两次策略不同则表明自身策略并未达到最优,重复步骤S3~S6,当已确定获取最佳方案时,终止博弈,得到多能量枢纽优化运行方式。
2.如权利要求1所述的一种基于非合作博弈的多能量枢纽优化运行方法,其特征在于,所述步骤S2中,构建多能量枢纽互联系统,能量枢纽输入为电力联络线输出电能Pgrid,天然气Pgas和可再生能源输出电能Pres,其输出为用户需求Pr、Pl和Pe,Pr为冷负荷,Pl为热负荷,Pe为电负荷;
能量枢纽模型表示为:
Pout+H=CPin (1)
式中:Pout为能量枢纽输出负荷向量;Pin为能量枢纽输入一次能源向量;C为指定能源输出与输入的耦合关系;H为储能修正矩阵,以考虑储能系统对能量枢纽模型的影响;
该多能量枢纽互联系统包括能源输入,能源转换,储能系统三个环节,表述如下:
(1)能源输入:包括天然气、可再生能源RES,风机WT出力、光伏PV出力和电网供电;
(2)能源转换:包括燃气轮机,燃气锅炉,换热器,电制冷机和吸附式制冷机;
(3)储能系统:储能蓄电池。
3.如权利要求1或2所述的一种基于非合作博弈的多能量枢纽优化运行方法,其特征在于,所述步骤S3中,燃气轮机是能量枢纽的核心设备,它将一次能源转换成电能同时将余热回收进行供热制冷;燃气轮机的电功率和余热回收功率表示如下:
式中:和/>分别为第i个能量枢纽在t时段内燃气轮机的输出功率、燃气轮机的余热回收功率、燃气轮机消耗的燃气量、燃气轮机输出功率的下限和上限;ηc和ηrec分别表示燃气轮机的发电效率和余热回收效率;λgas为天然气热值;
热交换器与吸附式制冷机为能量枢纽的热能回收装置;
当冷负荷需求高于吸附式制冷机的制冷功率时,电制冷机将运行以满足用户冷负荷的需求;
冷负荷供能设备建模如下:
式中:和/>分别为第i个能量枢纽在t时段吸附式制冷机和电制冷机的输出功率;为第i个能量枢纽在t时段吸附式制冷机的回收热量;/>为第i个能量枢纽在t时段电制冷机消耗的电功率;/>和/>以及/>和/>分别为吸附式制冷机和电制冷机输出功率的下限和上限;ηar和ηec分别为吸附式制冷机和电制冷机的运行效率;
当热交换器输出热功率不能满足用户热负荷需求时,由燃气锅炉提供剩余热功率;
热负荷供能设备建模如下:
式中:和/>分别为第i个能量枢纽在t时段热交换器和燃气锅炉的输出功率;/>为第i个能量枢纽在t时段热交换器的回收热量;/>为第i个能量枢纽在t时段燃气锅炉的燃气消耗量;/>和/>以及/>和/>分别为热交换器和燃气锅炉输出功率的下限和上限;ηhe和ηgb分别为热交换器和燃气锅炉的运行效率;
燃气轮机余热首先满足热交换器的余热需求,若燃气轮机余热仍剩余将供给吸附式制冷机使用进行制冷,其中,吸附式制冷机吸收热量、热交换器的回收热量与燃气轮机运行产生余热量之间存在约束关系:
4.如权利要求1或2所述的一种基于非合作博弈的多能量枢纽优化运行方法,其特征在于,所述步骤S4过程如下:
建立储能系统电池的充放电功率与储能电量之间的关系模型和约束条件如下:
式中:和/>分别为第i个能量枢纽储能系统在t和t+1时段的剩余电能;δ为储能系统的自放电率;/>和/>分别为第i个能量枢纽储能系统在t时段充放电功率;Nbess为储能系统容量;/>和/>分别为储能系统最低放电深度和最高允许电量;/>和/>以及/>和/>分别为储能系统充放电功率的下限和上限;ηch和ηdch分别为储能系统的充放电效率。
5.如权利要求1或2所述的一种基于非合作博弈的多能量枢纽优化运行方法,其特征在于,所述步骤S5过程如下:
光伏出力的概率特性在一定时间段内近似服从Beta分布,其概率密度函数为:
式中:rt为t时段太阳辐射度;rmax为最大太阳辐射度;Γ(·)为伽马函数;αt和βt为Beta分布的形状参数;根据式(8)得出光伏输出功率的概率模型为:
式中:为t时段光伏最大输出功率;/>为t时段光伏输出功率;
在上述模型的基础上,首先从历史数据中拟合出每一时间间隔内光伏输出的Beta分布参数,然后利用蒙特卡洛采样方法生成一天光伏的出力情况;
建立风电输出功率与风速v之间的函数关系式,风速概率密度函数为:
式中:k和c分别为随机风能发电模型的形状参数和比例参数;
由此得风能概率密度函数为:
式中:pr表示风力发电总安装容量;vci,vr和vco分别表示切入风速、额定风速和切出风速;
由(9)和(10)得,当0≤pwt≤pr时,风机出力概率密度函数为:
式中:
6.如权利要求1所述的一种基于非合作博弈的多能量枢纽优化运行方法,其特征在于,所述步骤S6过程如下:
S61:基于能量枢纽内部能量补偿需求的基础上,根据参与者整体净负荷定义构建交易电价;
将一天划分为48个时段,各能量枢纽之间以联络线连接,设定能量枢纽之间以电能为交易介质,能量枢纽的运行成本表示为Ctotal,包括燃料费用Cfuel,购或售电成本Cgrid,运维成本Crun和弃风光损失Cab,表示如下:
Ctotal=Cfuel+Cgrid+Crun+Cab (13)
燃料费用:
式中:Mgas为天然气价格;
购或售电成本:
式中:为第i个能量枢纽在t时段与电网交易的电功率;/>为第i个能量枢纽从相邻能量枢纽购或售的电功率;Mgrid为第i个能量枢纽与电网交互电功率的电价;Mprice为能量枢纽与其相邻能量枢纽间交互电功率的内部交易电价;
通过获取设备的运行参数,得知能量枢纽中各设备的运行情况,计算缺额负荷与多余负荷;
根据多能量枢纽整体净负荷定义构建交易电价为:
Pnet,i=Pe,i-(Pwt,i+Ppv,i) (17)
式中:a,b,c为内部交易电价系数,Pnet,i为日前第i个EH未优化时系统净负荷电量;
为第i个能量枢纽在t时段的净负荷,表示如下:
运维成本:
式中:ypv,ywt,ygt,ybess,yar,yec和ygb分别为光伏、风机、燃气轮机、储能系统、吸附式制冷机、电制冷机和燃气锅炉每个时段的单位功率运维系数;
弃风光损失:
式中:为第i个能量枢纽在t时段内弃风光的功率;Mab为单位功率的弃风光损失价格;
能量枢纽内部组成单元的出力受自身和系统内部的约束,在每一时段,能量枢纽都要满足功率平衡约束,表示如下:
S62:能量枢纽之间的功率交互问题本质上是能量枢纽的售电博弈行为,为保证能量枢纽的内部信息安全,构建非合作博弈模型:
具体表示在参与者、策略和收益上;
参与者:参与者为N+={1,2,,n},集合N+为能量枢纽功率交易的决策主体,通过电量交易达到能量枢纽运行经济性最优的目的;
策略:每个参与者的策略集合为Ai,策略ai为第i个EH即第i个参与者的系统运行决策变量,表示为
收益:博弈参与者i的收益Ui定义为与其所有电量交易策略相对应的收益的集合,因此参与者i在选择策略ai后的收益函数表示为:
Ui=-Ctotal (23)
所有参与者的目标均为寻求Ui的最大化,参与者i根据其他参与者选择的售电策略a-i,选择适合自身经济型的售电策略ai-1,其中“-i”表示除参与者i外的其余博弈参与者;
策略向量a*是纳什均衡解,需满足策略ai为第i个能量枢纽与其他能量枢纽的交互功率;第i个能量枢纽的策略集合为Ai;Pmax为交互功率最大值,且Ai={0≤ai≤Pmax},为紧凑的凸子集,并且在参与者博弈期间0≤ai≤Pmax;
根据纳什均衡存在性定理,证明得当ai为已知策略集时,Ui为关于ai的线性函数,线性函数必为凹函数,因此基于非合作博弈的区域能量枢纽运行优化模型存在纯策略纳什集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010051387.9A CN111353128B (zh) | 2020-01-17 | 2020-01-17 | 一种基于非合作博弈的多能量枢纽优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010051387.9A CN111353128B (zh) | 2020-01-17 | 2020-01-17 | 一种基于非合作博弈的多能量枢纽优化运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353128A CN111353128A (zh) | 2020-06-30 |
CN111353128B true CN111353128B (zh) | 2023-07-25 |
Family
ID=71197000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010051387.9A Active CN111353128B (zh) | 2020-01-17 | 2020-01-17 | 一种基于非合作博弈的多能量枢纽优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353128B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967647A (zh) * | 2020-07-17 | 2020-11-20 | 广西电网有限责任公司电力科学研究院 | 一种基于合作博弈的多主体投资比例优化方法及系统 |
CN111969657B (zh) * | 2020-08-26 | 2022-11-25 | 华北电力大学(保定) | 一种基于谈判博弈的多能源站系统经济优化运行方法 |
CN113283051B (zh) * | 2021-04-14 | 2023-09-05 | 国网江苏省电力有限公司镇江供电分公司 | 基于先进绝热压缩空气储能的能量枢纽及定价决策方法 |
CN114050571B (zh) * | 2021-11-22 | 2024-04-09 | 沈阳工业大学 | 一种考虑碳流的综合能源系统能量枢纽管控方法 |
CN114049029B (zh) * | 2021-11-22 | 2024-06-07 | 天津大学 | 一种基于能量枢纽智能体的多能源协同运行系统及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046773A (zh) * | 2019-05-30 | 2019-07-23 | 东北大学 | 综合能源系统多主体合作优化运行与成本效益分配方法 |
CN110348602A (zh) * | 2019-06-06 | 2019-10-18 | 国网浙江省电力有限公司经济技术研究院 | 计及天然气管网和热力管网特性的综合能源系统优化方法 |
-
2020
- 2020-01-17 CN CN202010051387.9A patent/CN111353128B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046773A (zh) * | 2019-05-30 | 2019-07-23 | 东北大学 | 综合能源系统多主体合作优化运行与成本效益分配方法 |
CN110348602A (zh) * | 2019-06-06 | 2019-10-18 | 国网浙江省电力有限公司经济技术研究院 | 计及天然气管网和热力管网特性的综合能源系统优化方法 |
Non-Patent Citations (4)
Title |
---|
Wei Liu等.《Game Theoretic Non-Cooperative Distributed Coordination Control for Multi-Microgrids》.《IEEE Transactions on Smart Grid》.2018,第9卷(第6期),全文. * |
吴福保;刘晓峰;孙谊媊;陈宁;袁铁江;高丙团.基于冷热电联供的多园区博弈优化策略.电力系统自动化.2018,(第13期),全文. * |
文云峰;瞿小斌;肖友强;袁鹏;赵荣臻.耦合能量枢纽多区域电―气互联能源系统分布式协同优化调度.电力系统自动化.2019,(09),全文. * |
马天男等.《基于Berge-NS均衡的电力市场多主体非合作博弈竞争模型》.《电力自动化设备》.2019,第39卷(第6期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111353128A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353128B (zh) | 一种基于非合作博弈的多能量枢纽优化运行方法 | |
CN111881616B (zh) | 一种基于多主体博弈的综合能源系统的运行优化方法 | |
CN109657946B (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 | |
Shen et al. | Multi-objective capacity configuration optimization of an integrated energy system considering economy and environment with harvest heat | |
CN104065072B (zh) | 一种基于动态电价的微电网运行优化方法 | |
CN108734350A (zh) | 一种含微电网的配电网独立与联合调度的求解方法 | |
CN109245093A (zh) | 一种冷热电联供分布式能源站协同优化调度方法 | |
CN112598224A (zh) | 一种园区综合能源系统群与电网的互动博弈调度方法 | |
CN109861302B (zh) | 一种基于主从博弈的能源互联网日前优化控制方法 | |
CN114662752B (zh) | 基于价格型需求响应模型的综合能源系统运行优化方法 | |
CN109884888B (zh) | 一种基于非合作博弈的多楼宇微网模型预测调控方法 | |
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 | |
CN113344249B (zh) | 基于区块链的冷热电联供多微网优化调度方法和系统 | |
Liu | Energy station and distribution network collaborative planning of integrated energy system based on operation optimization and demand response | |
CN115693779A (zh) | 一种多虚拟电厂与配网协同优化调度方法及设备 | |
CN115204562B (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
Jintao et al. | Optimized operation of multi-energy system in the industrial park based on integrated demand response strategy | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
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 | |
Lamari et al. | Multi‐objective economic/emission optimal energy management system for scheduling micro‐grid integrated virtual power plant | |
CN117829538A (zh) | 一种考虑欺诈博弈和多场景的能源枢纽网系统的优化方法 | |
Peng et al. | Comprehensive energy cooperative optimization model based on energy conversion efficiency considering investment benefit | |
CN115600878A (zh) | 一种基于双层能量管理的并网型多站融合综合能源总系统 | |
CN112270432B (zh) | 一种考虑多主体利益均衡的综合能源系统的能量管理方法 | |
CN115345341A (zh) | 一种基于多元宇宙算法的综合能源系统的优化配置方法 |
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 |