CN111404153A - 计及可再生能源与需求响应的能量枢纽规划模型构建方法 - Google Patents
计及可再生能源与需求响应的能量枢纽规划模型构建方法 Download PDFInfo
- Publication number
- CN111404153A CN111404153A CN202010299087.2A CN202010299087A CN111404153A CN 111404153 A CN111404153 A CN 111404153A CN 202010299087 A CN202010299087 A CN 202010299087A CN 111404153 A CN111404153 A CN 111404153A
- Authority
- CN
- China
- Prior art keywords
- energy
- model
- heat
- power
- load
- 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
- 230000004044 response Effects 0.000 title claims abstract description 58
- 238000013439 planning Methods 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 title abstract description 7
- 230000005611 electricity Effects 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 96
- 238000005338 heat storage Methods 0.000 claims description 46
- 238000004146 energy storage Methods 0.000 claims description 43
- 239000007789 gas Substances 0.000 claims description 41
- 238000003860 storage Methods 0.000 claims description 37
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000002330 electrospray ionisation mass spectrometry Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 31
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000036982 action potential Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003696 structure analysis method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及可再生能源与需求响应的能量枢纽规划模型的构建方法,适于在计算设备中执行,方法包括步骤:获取基础参数;利用区间方法建立计及可再生能源和需求响应和的可再生能源与需求响应的能量枢纽规划模型,模型包括所述目标函数和约束条件;将基础参数代入至模型中,并以运营商投资运营成本最小的同时可再生能源利用率最高为目标,采用改进的非支配排序遗传算法对所述模型进行求解,输出能量枢纽中各设备的容量配置数据、出力数据及电价的定价方案。
Description
技术领域
本发明涉及电力系统领域,尤其涉及一种计及可再生能源与需求响应的能量枢纽规划模型的构建方法、装置和计算设备。
s
背景技术
近年来,随着全球生态环境恶化和气候变化问题的日趋突出,积极开发利用各类可再生能源(Renewable Energy Source,简称RES)已变得势在必行。相比于传统单一电能利用方式,综合能源系统(Integrated Energy System,简称IES)基于能量枢纽(EnergyHub,简称EH)实现不同能源之间灵活转化与统一管理,从而为推动RES高效利用提供了全新的解决思路。
在IES中,多种能源载体的深度融合和可再生能源的天然波动性将改变系统原有运行状态。因此,若想实现IES在满足基本技术经济约束的条件下实现对RES的充分利用,需对IES中EH的设备进行科学的选择和容量配置。
目前,已有技术中研究了基于同时计及可再生能源与用户的电力需求响应(即需求响应)配置的EH规划模型,模型从设备配置角度及确定型需求响应两方面考虑,并采用基于概率场景的随机优化或基于最劣场景的鲁棒优化方法对能量枢纽规划进行建模。但是目前的计及可再生能源与需求响应配置的能量枢纽规划模型分析结果准确性及实用性低。
发明内容
为此,本发明提供一种计及可再生能源与需求响应的能量枢纽规划模型的构建方法、装置和计算设备,以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面,提供了一种计及可再生能源与需求响应的能量枢纽规划模型的构建方法,适于在计算设备中执行,模型包括第一模型和第二模型,第一模型为适于经济性的模型,第二模型为适于可再生能源利用性的模型;第一模型对应第一目标函数,第二模型对应第二目标函数;第一目标函数、第二目标函数统称为目标函数;方法包括步骤:
获取基础参数;
利用区间方法建立计及可再生能源和需求响应和的可再生能源与需求响应的能量枢纽规划模型,模型包括目标函数和约束条件;
将基础参数代入至所述模型中,并以运营商投资运营成本最小的同时可再生能源利用率最高为目标,采用改进的非支配排序遗传算法对模型进行求解,输出能量枢纽中各设备的容量配置数据、出力数据及电价的定价方案;
其中,第一目标函数为:maxf1=CInv+COpt+CDR,式中,CInv为运营商对于能量枢纽的年投资成本,COpt为能量枢纽的年运行成本,CDR为需求响应成本;
可选地,第一目标函数包括:
式中,ΩI为能量枢纽待选设备类型集合,r为折现率,yi为设备i的寿命期;为设备i的单位容量投资成本,Mi为设备i的总配置容量,为设备i的年固定维护成本,τ为一年中的天数,为能量枢纽从外部市场购电价格;为能量枢纽从外部市场购气价格,为能量枢纽购电量,为能量枢纽购气量,为时段t的基准电价,为基准电价下系统的电负荷,为时间可转移负荷在能量枢纽总负荷需求中的比例,为能量可替代负荷电负荷占能量枢纽总电负荷的比例,ρh为基准电价对应的售热价格,为能量可替代负荷热负荷占能量枢纽总热负荷的比例,为基准电价下系统的热负荷,为实时价格中时段t对应的电价,为实时价格下时间可转移负荷的电负荷需求,为实时价格下能量可替代负荷的电负荷需求,为实时价格下能量可替代负荷的热负荷需求。
可选地,约束条件包括:配置容量约束、电价定价约束、安全约束和设备运行特性约束中的一种或多种。
可选地,容量配置约束包括:
可选地,电价定价约束包括:
式中,ρe,min为实时价格允许波动范围的下限值,ρe,max为实时价格允许波动范围的上限值。
可选地,安全约束包括:
电、热气实时功率平衡约束:
能量枢纽与外部系统的能量交互约束:
能量枢纽购气量约束:
式中,为热电联产产电功率,为蓄电池放电功率,为实时价格下电负荷,为电锅炉耗电功率,为蓄电池充电功率,为热电联产产热功率,为燃气锅炉产热功率,为电锅炉产热功率,为储热罐放热功率,为实时价格下热负荷,为储热罐充热功率,为热电联产耗气量,为燃气锅炉耗气量,为能量枢纽从上级购电量上限,为能量枢纽从上级气网购气量上限。
可选地,设备运行特性约束约束包括:设备约束和负荷约束;设备约束包括:
热电联产机组约束:
风电机组约束:
光伏发电机组约束:
电锅炉约束:
燃气锅炉约束:
电储能设备约束:
热储能设备约束:
式中,ηe为热电联产产电效率,υgas为天然气热值,kCHP为热电联产容量系数,MCHP为热电联产配置容量,rCHP为热电联产热电比,为风力发电设备载荷因数,MWG为风力发电设备配置容量,为光伏载荷因数,MPV为光伏配置容量,ηEB为电锅炉产热效率,MEB为电锅炉配置容量,ηGB为燃气锅炉产热效率,MGB为燃气锅炉配置容量,为蓄电池储能状态,λES为蓄电池自放电率,为蓄电池充电功率,ηES-ch为蓄电池充电效率,为蓄电池放电功率,ηES-dch为蓄电池放电效率,μES-min为蓄电池最小储能系数,MESE为蓄电池配置容量,μES-max为蓄电池最大储能系数,为蓄电池放电状态0-1变量,MESP为蓄电池配置功率,为蓄电池初始储能状态,为蓄电池终止储能状态,为储热罐储能状态,λTS为储热罐自放热率,为储热罐充热功率,ηTS-ch为储热罐充热效率,为储热罐放热功率,ηTS-dch储热罐放热效率μTS-min为储热罐最小储能系数,MTSE为储热罐配置容量,μTS-max为储热罐最大储能系数,为储热罐充热状态0-1变量,MTSP为储热罐配置功率,为储热罐放热状态0-1变量,为储热罐初始储能状态,为储热罐终止储能状态。
可选地,负荷约束包括:
刚性负荷约束:
时间可转移负荷约束:
能量可替代负荷约束:
式中,为时间可转移负荷价格自弹性系数,为时段t′下时间可转移负荷在系统总电负荷需求中的比例,为基准电价下时段t′的电负荷,为时间可转移负荷价格交叉弹性系数,为实时价格中时段t相邻时段对应的电价,为时段t相邻时段的基准电价,t′为相邻时段,为替代价格弹性系数,为基准电价下能量可替代负荷电负荷占能量枢纽总负荷的比例,ρh为售热价格,σEFL为能量可替代负荷的电-热转换效率。
可选地,方法还包括:
通过确定性方法将模型转化为确定性多目标规划模型。
可选地,通过区间序关系法和可能度法将所模型转换为确定性多目标规划模型;
可选地,基础参数包括:各类设备的技术经济参数、购电价格参数、总用电需求参数、总用热需求参数、负荷分时变化参数、风电机组日前出力预测参数、光伏发电机组日前出力预测参数和需求侧价格弹性参数中的一种或多种。
根据本发明的一个方面,提供了一种计及可再生能源与需求响应的能量枢纽规划模型的构建装置,适于在计算设备中执行,模型包括第一模型和第二模型,第一模型为适于经济性的模型,第二模型为适于可再生能源利用性的模型;第一模型对应第一目标函数,第二模型对应第二目标函数;第一目标函数、第二目标函数统称为目标函数;装置包括:
获取参数模块,适于获取基础参数;
模型构建单元,适于利用区间方法建立计及可再生能源和需求响应和的可再生能源与需求响应的能量枢纽规划模型,模型包括所述目标函数和约束条件;
模型求解单元,适于将基础参数代入至所述模型中,并以运营商投资运营成本最小的同时可再生能源利用率最高为目标,采用改进的非支配排序遗传算法对所述模型进行求解,输出能量枢纽中各设备的容量配置数据、出力数据及电价的定价方案;
其中,第一目标函数为:Maxf1=CInv+COpt+CDR,式中,CInv为运营商对于能量枢纽的年投资成本,COpt为能量枢纽的年运行成本,CDR为需求响应成本;
根据本发明的一个方面,提供一种计算设备,包括:至少一个处理器;和存储有程序指令的存储器,其中,所述程序指令被配置为适于由所述至少一个处理器执行,所述程序指令包括用于执行如上所述方法的指令。
根据本发明的一个方面,提供一种存储有程序指令的可读存储介质,当所述程序指令被计算设备读取并执行时,使得所述计算设备执行如上所述方法。
根据本发明的技术方案,分别以运营商投资运行成本最小及可再生能源利用率最大作为目标,利用区间方法着重计及可再生能源和需求响应两方面的不确定性影响,构建了考虑需求侧响应不确定性下可再生能源高效利用的能量枢纽多目标区间规划模型,相比于传统随机方法或鲁棒优化方法,区间方法只利用变量的上下界信息进行建模,无需获得各个不确定参数的先验概率分布,建模过程相对简单。另外,本发明中通过区间序关系和可能度法将模型的非确定需求响应问题转化为确定性需求响应问题,通过上述操作使得模型易于求解,再采用改进的非支配排序遗传算法对模型进行求解。最后通过算例分析,从各类设备的能量参数、购电价格、用户总用电需求、用户总用热需求、风电机组日前出力、需求侧价格弹性等方面进行分析,验证了模型的有效性和工程实用性。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的结构框图;
图2示出了根据本发明一个实施例的能量枢纽200内部结构示意图;
图3示出了根据本发明一个实施例的计及可再生能源与需求响应的能量枢纽规划模型的构建方法300的流程图;
图4示出了改进的非支配排序遗传算法工作过程示意图;
图5示出了示意图根据本发明一个实施例的计及可再生能源与需求响应的能量枢纽规划模型的构建装置500的结构图;
图6示出了能量枢纽系统购电电价示意图;
图7示出了基准电价下能量枢纽系统电/热负荷需求示意图;
图8示出了风力发电设备预测曲线示意图;
图9示出了光伏发电设备预测曲线示意图;以及
图10示出了Pareto前沿示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明提供一种计及可再生能源与需求响应的能量枢纽规划模型的构建方法,该模型包括适于经济性的第一模型和适于可再生能源利用性的第二模型,以运营商投资运行成本最小及可再生能源利用率最大作为目标。该模型利用区间方法,同时着重计及可再生能源和需求响应两方面的不确定性影响而构建。相比于传统随机方法或鲁棒优化方法,区间方法只利用变量的上下界信息进行建模,无需获得各个不确定参数的先验概率分布,建模过程相对简单。由于同时着重计及可再生能源和需求响应两方面的不确定性影响,使得模型的结果准确性高,且具有更好的工程实用性。另外,本发明中通过区间序关系和可能度法将已构建模型的非确定需求响应问题转化为确定性需求响应问题,通过上述操作使得模型易于求解,再采用改进的非支配排序遗传算法对模型进行求解,进而得到能量枢纽中各设备的安装容量数据、一天中各设备出力方案以及一天中电价定制方案,基于模型输出结果实现运营商投资运行成本最小及可再生能源利用率最大的目标。
本发明提供一种计及可再生能源与需求响应的能量枢纽规划模型的构建方法,适于在计算设备中执行。计算设备100的框图如图1所示,在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上利用程序数据124进行操作。程序数据124包括指令,在根据本发明的计算设备100中,程序数据124包含用于执行有源配电网规划模型的构建方法200的指令。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中,计算设备100被配置为执行根据本发明的一种光-储充电站容量配置与定价模型的构建方法300。
本发明以包含电、热、天然气的典型园区级能量枢纽为例展开研究,能量枢纽基本结构如图2所示。图2中的能量枢纽的输入端分别与外部电网以及天然气网相连,输出端连接需求侧用户。在正常运行时,能量枢纽借助其内部各类能量转换设备将一次输入能源转变为系统所需的电能与热能,并同时配合风能、光能等可再生能源发电,从而实现对终端负荷的供能。此外,为提高能量枢纽的运行效率,假设能量枢纽中还配备了电/热储能设备和终端智能电表(Smart Energy Meter,简称SEM)。运营商可根据能量枢纽的实时需要,通过灵活调整储能设备的工作状态或借助动态价格信号激励用户参与需求响应,以促进可再生能源消纳和系统趋优运行。
能量枢纽是多能源系统的重要组成部分,可容纳多种形式能源的输入和多元化的负荷类型。优化配置能量枢纽的设备类型和容量是保证能量枢纽安全经济运行的基础。能量枢纽的基本组成元件主要分为三部分::能源传导设备、能源转换设备及能源存储设备。能源传导设备:不进行任何能量转化,能够实现能源的直接传输,如电缆、热网管道、气网管道等。能源转换设备:实现不同能源形式之间的转化与耦合,如燃料电池、电动机、蒸汽和燃气轮机、内燃机、电解槽等。能源存储设备:如电池、抽蓄电站、储热装置等。
上述能量枢纽中的能量转换设备包括热电联产(Combined Heat and Power,简称CHP)、燃气锅炉(Gas Boiler,简称GB)、电锅炉(Electrical Boiler,简称EB)、风力发电(Wind Generation,简称WG)及光伏发电(Photovoltaic Generation,简称PV)。
图3示出了根据本发明一个实施例的计及可再生能源与需求响应的能量枢纽规划模型的构建方法300的示意图,该方法适于驻留在图1所示的计算设备100中执行。模型包括第一模型和第二模型,第一模型为适于经济性的模型,第二模型为适于可再生能源利用性的模型。第一模型对应第一目标函数,第二模型对应第二目标函数。第一目标函数、第二目标函数统称为目标函数。
如图3所示,该方法始于步骤S310。在步骤S310中,获取基础参数。基础数据是作为模型的输入数据。基础参数包括:各类设备的技术经济参数、购电价格参数、总用电需求参数、总用热需求参数、负荷分时变化参数、风电机组日前出力预测参数、光伏发电机组日前出力预测参数和需求侧价格弹性参数中的一种或多种。模型输入数据将在算例部分给出示例。例如可包括以下各公式中等式或不等式右边的参数。例如,能量枢纽中各类设备经济技术参数可包求响应括CHP、GB、EB、WG及PV的运行维护成本及使用年限等。
随后,在步骤S320中,利用区间方法建立计及可再生能源和需求响应和的可再生能源与需求响应的能量枢纽规划模型,所述模型包括所述目标函数和约束条件。上述的需求响应(Demand Response,简称DR)即电力需求响应的简称,是指当电力批发市场价格升高或系统可靠性受威胁时,电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知后或者电力价格上升信号后,改变其固有的习惯用电模式,达到减少某时段的用电负荷,从而保障电网稳定,并抑制电价上升的短期行为。本发明主要考虑基于价格的需求响应。
进一步的,上述目标函数包括第一目标函数和第二目标函数。第一目标函数为实现运营商经济最小化的目标函数,第二目标函数为实现可再生能源利用率最大化的目标函数。
第一目标函数为:Maxf1=CInv+COpt+CDR,式中,CInv为运营商对于能量枢纽的年投资成本,COpt为能量枢纽的年运行成本,CDR为需求响应成本。
其中,
进而,第一目标函数转换为如下形式:
式中,ΩI为能量枢纽待选设备类型集合,r为折现率,yi为设备i的寿命期;为设备i的单位容量投资成本,Mi为设备i的总配置容量,为设备i的年固定维护成本,τ为一年中的天数,为能量枢纽从外部市场购电价格;为能量枢纽从外部市场购气价格,为能量枢纽购电量,为能量枢纽购气量,为时段t的基准电价,为基准电价下系统的电负荷,为时间可转移负荷在能量枢纽总负荷需求中的比例,为能量可替代负荷电负荷占能量枢纽总电负荷的比例,ρh为基准电价对应的售热价格,为能量可替代负荷热负荷占能量枢纽总热负荷的比例,为基准电价下系统的热负荷,为实时价格中时段t对应的电价,为实时价格下时间可转移负荷的电负荷需求,为实时价格下能量可替代负荷的电负荷需求,为实时价格下能量可替代负荷的热负荷需求。
根据本发明的一个实施例,约束条件包括:配置容量约束、电价定价约束、安全约束和设备运行特性约束中的一种或多种。
1)配置容量约束要求能量枢纽中各类设备的最大配置容量不能超过一定限度,以满足相关物理空间限制。容量配置约束包括:
2)定价约束,一方面是为避免实时价格波动过大对用户利益造成的负面影响,将电价水平控制在一定的范围内。另一方面为确保需求侧愿意参与需求响应,还需要使用户在实时电价下的预期总用能费用低于其在常规电价模式下的成本支出,以保证需求响应项目的可实施性。电价定价约束包括:
式中,ρe,min为实时价格允许波动范围的下限值,ρe,max为实时价格允许波动范围的上限值。
3)安全约束包括:电、热气实时功率平衡约束、能量枢纽与外部系统的能量交互约束及能量枢纽购气量约束。
3.1)电、热气实时功率平衡约束包括:
3.2)能量枢纽与外部系统的能量交互约束包括:
3.3)能量枢纽购气量约束包括:
式中,为热电联产产电功率,为蓄电池放电功率,为实时价格下电负荷,为电锅炉耗电功率,为蓄电池充电功率,为热电联产产热功率,为燃气锅炉产热功率,为电锅炉产热功率,为储热罐放热功率,为实时价格下热负荷,为储热罐充热功率,为热电联产耗气量,为燃气锅炉耗气量,为能量枢纽从上级购电量上限,为能量枢纽从上级气网购气量上限。
4)设备运行特性约束约束包括:设备约束和负荷约束。其中设备约束包括热电联产机组约束、风电机组约束、光伏发电机组约束、电锅炉约束、燃气锅炉约束、电储能设备约束以及热储能设备约束。
4.1)设备约束包括:
4.1.1)热电联产机组由燃气轮机和余热锅炉构成,通过消耗天然气产生电能和热能。正常运行时,CHP机组的发电功率是其消耗的天然气量的一次函数,并小于其装机容量,如下式中前两个公式所示。此外,CHP产热功率与产电功率之间受到其热电比限制,如下式中第三个公式所示。热电联产机组约束包括:
式中,ηe为热电联产产电效率,υgas为天然气热值,kCHP为热电联产容量系数,MCHP为热电联产配置容量,rCHP为热电联产热电比。
4.1.2)风电机组的输出功率主要受所在位置的风速的影响。在大自然中,由于风速具有随机性和间歇性,因此风力发电设备出力是不确定性变量。为此,本发明定义载荷因数表示在时段t风速下风力发电设备实际发电功率与其额定容量之比。风电机组约束包括:
4.1.3)太阳光照强度和环境温度是影响PV输出功率的关键因素。考虑到自然中温度和光照的不确定性与风电模型类似。光伏发电机组约束包括:
4.1.4)电锅炉以电力作为能源并可将其转化成为热能。其产热功率与耗电之间的关系可用如下第一个公式表示。此外,其最大产热功率还受到安装容量的限制。电锅炉约束包括:
式中,ηEB为电锅炉产热效率,MEB为电锅炉配置容量。
4.1.5)在能量枢纽中,燃气锅炉通过利用天然气产生用户所需的热能,其产热功率与其消耗的天然气量之间的关系如如下第一个公式。此外,其最大热功率不应超过设备安装容量。燃气锅炉约束包括:
式中,ηGB为燃气锅炉产热效率,MGB为燃气锅炉配置容量。
4.1.6)电储能设备约束包括:
电储能设备的荷电状态(state of charge,SOC)随充放电功率的变化关系与约束包括:
SOC约束包括:
电储能充放电功率约束包括:
在一个调度周期内始末SOC约束包括:
式中,为蓄电池储能状态,λES为蓄电池自放电率,为蓄电池充电功率,ηES-ch为蓄电池充电效率,为蓄电池放电功率,ηES-dch为蓄电池放电效率,μES-min为蓄电池最小储能系数,MESE为蓄电池配置容量,μES-max为蓄电池最大储能系数,为蓄电池放电状态0-1变量,MESP为蓄电池配置功率,为蓄电池初始储能状态,为蓄电池终止储能状态。
4.1.7)热储能设备约束包括:
式中,为储热罐储能状态,λTS为储热罐自放热率,为储热罐充热功率,ηTS-ch为储热罐充热效率,为储热罐放热功率,ηTS-dch储热罐放热效率μTS-min为储热罐最小储能系数,MTSE为储热罐配置容量,μTS-max为储热罐最大储能系数,为储热罐充热状态0-1变量,MTSP为储热罐配置功率,为储热罐放热状态0-1变量,为储热罐初始储能状态,为储热罐终止储能状态。
4.2)负荷约束包括:刚性负荷(Inflexible Load,简称IL)约束、时间可转移负荷(Time Shiftable Load,简称TSL)约束及能量可替代负荷(Energy Fungible Load,简称EFL)约束。
4.2.1)IL是指用能重要程度较高故对实时电价无响应能力的负荷。在能量枢纽中,常见的IL包括照明设施、供暖设施等。IL约束包括:
4.2.2)TSL是指在一定时间范围内总用能量固定但用能时间可灵活调整的负荷。常见的时间可转移负荷包括热水器、洗衣机、电动汽车等。在基于实时电价的需求响应项目中,用户根据所得到的动态电价调整自身时间可转移负荷运行时间。TSL约束包括:
式中,为时间可转移负荷价格自弹性系数,为时段t′下时间可转移负荷在系统总电负荷需求中的比例,为基准电价下时段t′的电负荷,为时间可转移负荷价格交叉弹性系数,为实时价格中时段t相邻时段对应的电价,为时段t相邻时段的基准电价,t′为相邻时段。
4.2.3)EFL指用能时间固定但可根据需要灵活选择能源形式的负荷。在能量枢纽中,典型的能量可替代负荷可包括基于电/气混合制冷的空调设备、居民厨房设备等。在基于实时电价的需求响应项目中,用户根据各时段不同能源的实时价格选择能量可替代负荷的用能形式。EFL约束:
由于非确定性多目标优化问题求解本身存在一定难度,为有效对上述模型求解,本发明通过确定性方法对模型中含区间变量的目标函数和约束条件进行处理,将其转换为常规确定性多目标优化问题。
在本发明一个实施例中,通过区间序关系法对模型中含区间变量的目标函数进行处理,通过可能度法对模型中含区间变量约束条件进行处理,进而将模型转换为常规确定性多目标优化问题。但是本发明中将模型转换为常规确定性多目标优化问题并不限于于此,能够满足将模型转换为常规确定性多目标优化问题的方法均适用于本发明。
面向可再生能源及需求响应协同增效的能量枢纽规划需要在满足能量枢纽运行的相关约束下,通过综合考虑设备配置及需求侧管理策略,以同时实现系统经济与环境效益的最大化。此外,由于模型中存在诸多区间形式的不确定性变量,因此本发明的问题属于一个典型的多目标区间优化问题,多目标区间优化的一般表达式如下:
式中,为最小化多目标区间函数,[f1(X,U),f2(X,U)]为由目标函数构成的向量,f1(X,U)为目标函数1,f2(X,U)为目标函数2,hi(X,U)为不等式约束条件,为针对不确定约束i的允许数值区间,l为模型中约束条件的数量,为不确定约束i的允许数值下限,为不确定约束i的允许数值上限,Umin为区间变量下限,Umax为区间变量上限,X和U分别代表由优化变量及区间变量构成的向量空间。
本发明一个实施例中,通过区间序关系法对模型中含区间变量的目标函数进行处理的步骤如下:
在本发明构建的模型中,对于任一目标函数fi(X,U),其在决策变量x处由不确定变量U造成的可能取值,可用区间数表示。其中,fi(X)和分别代表目标函数值波动的下限和上限,可通过区间结构分析计算得到,如下式所示。
本发明一个实施例中,通过可能度法对模型中含区间变量的约束条件进行处理的步骤如下:
针对模型中的约束条件hi(X,U),其在决策变量X处由不确定变量U造成的可能取值,可用区间数表示。本发明采用区间可能度方法对其进行转换处理。相比于区间序关系,区间可能度方法利用定量化的可能度函数来判断相关区间是否满足给定的关系约束,因此其本身的数学含义和客观性更强,故更适用于约束条件转化。其中,hi(X)为不确定约束下限,为不确定约束上限。
根据上述方法,将多目标区间优化的一般表达式中的区间约束条件hi(X,U)可转化为如下确定性形式:
其中,i为不确定约束指针,φ()为区间可能度的度量函数,hi(X)为不确定性约束i在决策变量X处对应的可能区间,λl为可能度水平,l为不确定约束个数。
本发明一个实施例中,通过基于概率分析的区间可能度构造方法来确定φ()。
相比于传统基于模糊集的可能度方法,该方法可有效避免可能度量化过程中因函数形式选择等导致的主观性过大和缺乏数学依据的问题,因此使得所得结果具有更好的可解释性。
通过区间序关系法对模型中含区间变量的目标函数进行处理,以及通过可能度法对模型中含区间变量约束条件进行处理,将模型转换为常规确定性多目标优化问题,进而可利用现有算法对模型求解。
随后,在步骤S330中,将基础参数代入至所述模型中,并以运营商投资运营成本最小的同时可再生能源利用率最高为目标,采用改进的非支配排序遗传算法对模型进行求解,输出能量枢纽中各设备的容量配置数据、出力数据及电价的定价方案。
应当理解的是,存在多种模型的求解方法,本发明不受限于具体的实现方式,所有能够对上述模型进行求解的方法均在本发明的保护范围之内。根据一个实施例,本发明采用改进的非支配排序遗传算法对上述模型进行求解。
通过改进的非支配排序遗传算法对上述模型进行求解的过程如图4所示,包括以下步骤:
1)参数初始化。读取系统输入数据,设置改进的非支配排序遗传算法的相关参数,相关参数包括种群规模、最大进化代数、交叉因子、变异因子等。
2)随机生成种群。通过随机函数产生初始种群。
3)针对各种群个体,采用区间结构分析法计算各目标函数和约束条件的区间上下限。
4)根据标准形式的优化目标函数,计算目标函数的中点值和半径值,以及所有约束的可能度值,从而实现对模型的确定性转换。
5)针对转化后得到的确定性多目标优化问题,计算各种群个体的适应度。
6)判断是否达到收敛条件。本发明中以最大优化代数作为收敛条件。若优化代数达到上述规定值,则输出Pareto最优解集;否则,对父代种群进行选择、交叉和变异操作,形成子代种群个体;然后基于精英保留策略,依据个体适应度形成下一代种群,并返回步骤3)。
图5示出了根据本发明一个实施例的计及可再生能源与需求响应的能量枢纽规划模型的构建装置500的结构框图,该装置500可以驻留在计算设备100中,模型包括第一模型和第二模型,第一模型为适于经济性的模型,第二模型为适于可再生能源利用性的模型;第一模型对应第一目标函数,第二模型对应第二目标函数;第一目标函数、第二目标函数统称为目标函数;装置包括:
如图5所示,装置500包括:获取参数单元510、模型构建单元520和模型求解单元530。
获取参数单元510,适于获取基础参数。
模型构建单元520,适于利用区间方法建立计及可再生能源和需求响应和的可再生能源与需求响应的能量枢纽规划模型,模型包括所述目标函数和约束条件。
模型求解单元530,适于将基础参数代入至所述模型中,并以运营商投资运营成本最小的同时可再生能源利用率最高为目标,采用改进的非支配排序遗传算法对所述模型进行求解,输出能量枢纽中各设备的容量配置数据、出力数据及电价的定价方案。
其中,第一目标函数为:Maxf1=CInv+COpt+CDR,式中,CInv为运营商对于能量枢纽的年投资成本,COpt为能量枢纽的年运行成本,CDR为需求响应成本。
以下将采用具体案例来验证本发明所构建的计及可再生能源及需求响应的能量枢纽规划模型进行数值算例仿真。本发明利用图1所示的能量枢纽系统进行仿真分析。在该能量枢纽系统中,各类待选设备的技术经济参数如表1所示。同时假设CHP、RES、电/热锅炉及储能装置的最大配置容量分别为2000kW、1000kW、1000kW、1000kW、400kW/2000kWh。
表1能量枢纽系统中设备参数
能量枢纽系统从上级电网的购电价格如图6所示。购买天然气的价格设为3.45元/m3,在基准电价下假设能量枢纽系统的售电电价恒为0.8元/kWh,售热价格为0.62元/kWh。用户总用电/用热需求曲线如图7所示,各类负荷在终端需求中的占比分时变化情况如表2所示。
表2不同类型负荷在终端需求中的占比
针对各典型日,风力发电设备的日前出力预测曲线如图8所示,光伏发电设备的日前出力预测曲线如图9所示。根据现有商业气象软件的预测精度,本发明考虑风力发电设备和光伏发电设备出力的预测误差分别为各自预测值的±20%和±15%。此外,关于需求侧EFL/TSL的价格弹性情况如表3,并假设其波动范围均为±15%。
表3 EFL/TSL的价格弹性系数
本发明实施例中,在优化模型中的取折现率为10%,天然气热值为9.73kWh/m3。运行仿真周期取为1d(即24个时段),且t=1h。受配变容量与燃气压力限制,能量枢纽系统与外部系统之间传输的电功率和天然气流量上限分别取为1000kW和300m3/h。此外,设各时段实时价格波动的上、下限值分别为对应基准电价的150%和30%。
基于上述的模型输入数据,得出模型的计算结果,接下来对计算结果进行分析。
经本发明构建的模型计算得到的能量枢纽系统最优规划方案及其Pareto前沿如图10所示。由图10可知,根据本发明构建的模型而得到的Pareto解集分布均匀而广泛,可为能量枢纽规划决策中针对系统投资经济性和可再生能源高效利用两方面冲突目标的科学考量提供丰富的信息。根据上述优化结果,能量枢纽系统的经济成本与可再生能源利用之间存在密切的关联。随着RES利用率的上升,能量枢纽系统投资运行成本也随之增大。具体来说,若决策者优先考虑经济性因素,能量枢纽系统的投资运行成本最低可达731.9万元。但在该方案下可再生能源你的利用率较低,为5052.8MWh。反之,若以可再生能源消纳为优化目标,则将显著增加系统运行成本。
上述内容这说明要实现环境效益的最大化,将不可避免地在能量枢纽系统中增加储能配置或需求响应容量以提高可再生能源出力与用户需求的时间匹配性,这将造成系统投资成本上升。由于两目标存在冲突,需要在二者之间进行权衡,因此本发明采用了原理直观、计算简便、对样本量要求不大逼近理想解排序法评估Pareto前沿中两目标的最优解。针对于侧重目标的不同,对经济性目标和RES利用目标设置3组权重系数,分别为(0.7,0.7)、(0.5,0.5)、(0.7,0.3)。上述3种权重系数设计方案得到的决策结果如表4所示。
表4不同权重下的优化结果
由表可知,决策者的侧重目标不同时,所得的优化目标存在较大差异。因此,在实际应用中,需根据决策者的具体期望要求,综合权衡上述两方面的目标,最终科学确定能量枢纽系统的最优规划方案。
为促进多能耦合环境下RES资源的高效利用,本发明从源荷协同增效的角度,提出了一种计及DR的能量枢纽系统多目标区间规划方法。相比已有模型,本文基于区间方法着重考虑了用户响应行为不确定性的影响,并通过对元件配置与需求侧管理策略进行协同优化,以实现能量枢纽系统经济和环境效益综合最优的目标。以一个园区级电-热-气能量枢纽系统为例,对所提规划方法的有效性进行仿真验证,所得结论如下:
1)能量枢纽系统投资运行成本与RES利用率之间存在着天然的矛盾性,而合理的DR策略不仅有助于RES高效消纳,还能同时提高系统经济性。因此在能量枢纽系统规划中计及DR作用潜力有助于获得更好的综合效益。
2)DR对于能量枢纽系统的贡献受到系统中用户类型、负荷特性及源荷匹配性等多方面因素的影响。在相同条件下,能量枢纽系统中可响应负荷类型愈为多样或源荷相关度越低,实施DR的作用往往越明显。
3)在非直控型DR项目中,用户响应行为的不确定性对DR效益具有重要影响。因此EH规划需对此充分考虑,以保证最终所得方案的有效性。
4)相比于鲁棒优化,区间优化方法可以根据决策者的主观偏好,灵活兼顾EH规划方案的趋优性和鲁棒性,因此具有更好的工程实用价值。
A8如A7所述的方法,其中,所述负荷约束包括:
刚性负荷约束:
时间可转移负荷约束:
能量可替代负荷约束:
Claims (10)
1.一种计及可再生能源与需求响应的能量枢纽规划模型的构建方法,适于在计算设备中执行,所述模型包括第一模型和第二模型,所述第一模型为适于经济性的模型,所述第二模型为适于可再生能源利用性的模型;所述第一模型对应第一目标函数,所述第二模型对应第二目标函数;所述第一目标函数、所述第二目标函数统称为目标函数;所述方法包括步骤:
获取基础参数;
利用区间方法建立计及可再生能源和需求响应和的可再生能源与需求响应的能量枢纽规划模型,所述模型包括所述目标函数和约束条件;
将所述基础参数代入至所述模型中,并以运营商投资运营成本最小的同时可再生能源利用率最高为目标,采用改进的非支配排序遗传算法对所述模型进行求解,输出能量枢纽中各设备的容量配置数据、出力数据及电价的定价方案;
其中,所述第一目标函数为:Maxf1=CInv+COpt+CDR,式中,CInv为运营商对于能量枢纽的年投资成本,COpt为能量枢纽的年运行成本,CDR为需求响应成本;
2.如权利要求1所述的方法,其中,所述第一目标函数包括:
式中,ΩI为能量枢纽待选设备类型集合,r为折现率,yi为设备i的寿命期;为设备i的单位容量投资成本,Mi为设备i的总配置容量,为设备i的年固定维护成本,τ为一年中的天数,为能量枢纽从外部市场购电价格;为能量枢纽从外部市场购气价格,为能量枢纽购电量,为能量枢纽购气量,为时段t的基准电价,为基准电价下系统的电负荷,为时间可转移负荷在能量枢纽总负荷需求中的比例,为能量可替代负荷电负荷占能量枢纽总电负荷的比例,ρh为基准电价对应的售热价格,为能量可替代负荷热负荷占能量枢纽总热负荷的比例,为基准电价下系统的热负荷,为实时价格中时段t对应的电价,为实时价格下时间可转移负荷的电负荷需求,为实时价格下能量可替代负荷的电负荷需求,为实时价格下能量可替代负荷的热负荷需求。
3.如权利要求1或2所述的方法,其中,所述约束条件包括:配置容量约束、电价定价约束、安全约束和设备运行特性约束中的一种或多种。
7.如权利要求3-6中任一项所述的方法,其中,所述设备运行特性约束约束包括:设备约束和负荷约束;所述设备约束包括:
热电联产机组约束:
0≤Pt CHP≤kCHPMCHP
风电机组约束:
光伏发电机组约束:
电锅炉约束:
燃气锅炉约束:
电储能设备约束:
热储能设备约束:
式中,ηe为热电联产产电效率,υgas为天然气热值,kCHP为热电联产容量系数,MCHP为热电联产配置容量,rCHP为热电联产热电比,为风力发电设备载荷因数,MWG为风力发电设备配置容量,为光伏载荷因数,MPV为光伏配置容量,ηEB为电锅炉产热效率,MEB为电锅炉配置容量,ηGB为燃气锅炉产热效率,MGB为燃气锅炉配置容量,为蓄电池储能状态,λES为蓄电池自放电率,为蓄电池充电功率,ηES-ch为蓄电池充电效率,为蓄电池放电功率,ηES-dch为蓄电池放电效率,μES-min为蓄电池最小储能系数,MESE为蓄电池配置容量,μES-max为蓄电池最大储能系数,为蓄电池放电状态0-1变量,MESP为蓄电池配置功率,为蓄电池初始储能状态,为蓄电池终止储能状态,为储热罐储能状态,λTS为储热罐自放热率,为储热罐充热功率,ηTS-ch为储热罐充热效率,为储热罐放热功率,ηTS-dch储热罐放热效率μTS-min为储热罐最小储能系数,MTSE为储热罐配置容量,μTS-max为储热罐最大储能系数,为储热罐充热状态0-1变量,MTSP为储热罐配置功率,为储热罐放热状态0-1变量,为储热罐初始储能状态,为储热罐终止储能状态。
8.一种计及可再生能源与需求响应的能量枢纽模型的构建装置,适于在计算设备中执行,所述模型包括第一模型和第二模型,所述第一模型为适于经济性的模型,所述第二模型为适于可再生能源利用性的模型;所述第一模型对应第一目标函数,所述第二模型对应第二目标函数;所述第一目标函数、所述第二目标函数统称为目标函数;所述装置包括:
获取参数模块,适于获取基础参数;
模型构建单元,适于利用区间方法建立计及可再生能源和需求响应和的可再生能源与需求响应的能量枢纽规划模型,所述模型包括所述目标函数和约束条件;
模型求解单元,适于将所述基础参数代入至所述模型中,并以运营商投资运营成本最小的同时可再生能源利用率最高为目标,采用改进的非支配排序遗传算法对所述模型进行求解,输出能量枢纽中各设备的容量配置数据、出力数据及电价的定价方案;
其中,所述第一目标函数为:Maxf1=CInv+COpt+CDR,式中,CInv为运营商对于能量枢纽的年投资成本,COpt为能量枢纽的年运行成本,CDR为需求响应成本;
9.一种计算设备,包括:
至少一个处理器;和
存储有程序指令的存储器,其中,所述程序指令被配置为适于由所述至少一个处理器执行,所述程序指令包括用于执行如权利要求1-7中任一项所述方法的指令。
10.一种存储有程序指令的可读存储介质,当所述程序指令被计算设备读取并执行时,使得所述计算设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299087.2A CN111404153B (zh) | 2020-04-16 | 2020-04-16 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299087.2A CN111404153B (zh) | 2020-04-16 | 2020-04-16 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111404153A true CN111404153A (zh) | 2020-07-10 |
CN111404153B CN111404153B (zh) | 2023-08-01 |
Family
ID=71436982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010299087.2A Active CN111404153B (zh) | 2020-04-16 | 2020-04-16 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111404153B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101756A (zh) * | 2020-09-02 | 2020-12-18 | 合肥工业大学 | 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 |
CN112467767A (zh) * | 2020-11-02 | 2021-03-09 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 综合能源系统环境下的电动汽车并网协同控制方法 |
CN112531684A (zh) * | 2020-11-20 | 2021-03-19 | 国网天津市电力公司电力科学研究院 | 面向城市配电网的中压-低压双层蜂巢状网络结构 |
CN112950410A (zh) * | 2021-04-30 | 2021-06-11 | 东北大学 | 计及风光相关性与预防维护的能量枢纽系统规划方法 |
CN113240149A (zh) * | 2021-02-18 | 2021-08-10 | 北京国电通网络技术有限公司 | 能源供需的动态配置方法、装置、电子设备及存储介质 |
CN113507119A (zh) * | 2021-07-14 | 2021-10-15 | 华北电力大学 | 基于电-热博弈促进可再生能源消纳的配电系统运行方法 |
CN113722911A (zh) * | 2021-08-31 | 2021-11-30 | 中国地质大学(武汉) | 一种可再生能源枢纽投资组合优化方法和存储介质 |
CN116306050A (zh) * | 2023-05-23 | 2023-06-23 | 广东电网有限责任公司阳江供电局 | 储能配置确定方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786603A (zh) * | 2017-02-22 | 2017-05-31 | 天津大学 | 一种区域综合能源系统多目标最优混合潮流算法 |
CN108565863A (zh) * | 2018-04-13 | 2018-09-21 | 国网浙江省电力有限公司电力科学研究院 | 一种考虑随机性的区域综合能源系统多目标潮流优化方法 |
CN109272353A (zh) * | 2018-09-10 | 2019-01-25 | 华北电力大学 | 计及综合需求响应不确定性的系统动态概率能流分析方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
-
2020
- 2020-04-16 CN CN202010299087.2A patent/CN111404153B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786603A (zh) * | 2017-02-22 | 2017-05-31 | 天津大学 | 一种区域综合能源系统多目标最优混合潮流算法 |
CN108565863A (zh) * | 2018-04-13 | 2018-09-21 | 国网浙江省电力有限公司电力科学研究院 | 一种考虑随机性的区域综合能源系统多目标潮流优化方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN109272353A (zh) * | 2018-09-10 | 2019-01-25 | 华北电力大学 | 计及综合需求响应不确定性的系统动态概率能流分析方法 |
Non-Patent Citations (3)
Title |
---|
别朝红;王旭;胡源;: "能源互联网规划研究综述及展望", 中国电机工程学报 * |
曾鸣;刘英新;周鹏程;王雨晴;侯孟希;: "综合能源系统建模及效益评价体系综述与展望", 电网技术 * |
胡枭;尚策;陈东文;王莉;张峰;程浩忠: "考虑能量品质的区域综合能源系统多目标规划方法", 电力系统自动化 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101756A (zh) * | 2020-09-02 | 2020-12-18 | 合肥工业大学 | 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 |
CN112101756B (zh) * | 2020-09-02 | 2022-09-30 | 合肥工业大学 | 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 |
CN112467767A (zh) * | 2020-11-02 | 2021-03-09 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 综合能源系统环境下的电动汽车并网协同控制方法 |
CN112531684A (zh) * | 2020-11-20 | 2021-03-19 | 国网天津市电力公司电力科学研究院 | 面向城市配电网的中压-低压双层蜂巢状网络结构 |
CN113240149A (zh) * | 2021-02-18 | 2021-08-10 | 北京国电通网络技术有限公司 | 能源供需的动态配置方法、装置、电子设备及存储介质 |
CN112950410B (zh) * | 2021-04-30 | 2023-10-27 | 东北大学 | 计及风光相关性与预防维护的能量枢纽系统规划方法 |
CN112950410A (zh) * | 2021-04-30 | 2021-06-11 | 东北大学 | 计及风光相关性与预防维护的能量枢纽系统规划方法 |
CN113507119A (zh) * | 2021-07-14 | 2021-10-15 | 华北电力大学 | 基于电-热博弈促进可再生能源消纳的配电系统运行方法 |
CN113507119B (zh) * | 2021-07-14 | 2024-05-31 | 华北电力大学 | 基于电-热博弈促进可再生能源消纳的配电系统运行方法 |
CN113722911A (zh) * | 2021-08-31 | 2021-11-30 | 中国地质大学(武汉) | 一种可再生能源枢纽投资组合优化方法和存储介质 |
CN113722911B (zh) * | 2021-08-31 | 2023-10-13 | 中国地质大学(武汉) | 一种可再生能源枢纽投资组合优化方法和存储介质 |
CN116306050B (zh) * | 2023-05-23 | 2023-08-18 | 广东电网有限责任公司阳江供电局 | 储能配置确定方法、装置及电子设备 |
CN116306050A (zh) * | 2023-05-23 | 2023-06-23 | 广东电网有限责任公司阳江供电局 | 储能配置确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111404153B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111404153B (zh) | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 | |
Li et al. | A real-time electricity scheduling for residential home energy management | |
Gu et al. | Bi-level optimal low-carbon economic dispatch for an industrial park with consideration of multi-energy price incentives | |
Merdanoğlu et al. | Finding optimal schedules in a home energy management system | |
Nojavan et al. | Optimal bidding and offering strategies of merchant compressed air energy storage in deregulated electricity market using robust optimization approach | |
Majidi et al. | Optimal stochastic short-term thermal and electrical operation of fuel cell/photovoltaic/battery/grid hybrid energy system in the presence of demand response program | |
Wang et al. | Demand response comprehensive incentive mechanism-based multi-time scale optimization scheduling for park integrated energy system | |
Luo et al. | Distributed peer-to-peer energy trading based on game theory in a community microgrid considering ownership complexity of distributed energy resources | |
Zhu et al. | The case for efficient renewable energy management in smart homes | |
Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
Yang et al. | Optimal sizing of a wind/solar/battery/diesel hybrid microgrid based on typical scenarios considering meteorological variability | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
Bayod-Rújula et al. | Recent developments of photovoltaics integrated with battery storage systems and related feed‐in tariff policies: A review | |
Li et al. | Electricity scheduling optimisation based on energy cloud for residential microgrids | |
Wang et al. | Energy management in integrated energy system using energy–carbon integrated pricing method | |
Lasemi et al. | Stochastic multi-objective scheduling of a wind farm integrated with high-temperature heat and power storage in energy market | |
Phan et al. | Facilitating high levels of wind penetration in a smart grid through the optimal utilization of battery storage in microgrids: An analysis of the trade-offs between economic performance and wind generation facilitation | |
Davoudi et al. | Developing a multi-objective multi-layer model for optimal design of residential complex energy systems | |
Zhang et al. | Affinely adjustable robust energy management system for smart homes | |
Shafiee et al. | A novel stochastic framework based on PEM-DPSO for optimal operation of microgrids with demand response | |
Sun et al. | Operation Optimization of Integrated Energy System considering Power‐to‐Gas Technology and Carbon Trading | |
Qiu et al. | Multi‐objective generation dispatch considering the trade‐off between economy and security | |
Nazar et al. | Optimal planning of self-healing multi-carriers energy systems considering integration of smart buildings and parking lots energy resources | |
Zhou et al. | Game and multi-objective optimization of configurations for multiple distributed energy systems considering building users’ demands and satisfaction degrees | |
Olympios et al. | A holistic framework for the optimal design and operation of electricity, heating, cooling and hydrogen technologies in buildings |
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 |