CN111416352B - 一种多能源耦合系统的调度方法及计算设备 - Google Patents

一种多能源耦合系统的调度方法及计算设备 Download PDF

Info

Publication number
CN111416352B
CN111416352B CN202010358938.6A CN202010358938A CN111416352B CN 111416352 B CN111416352 B CN 111416352B CN 202010358938 A CN202010358938 A CN 202010358938A CN 111416352 B CN111416352 B CN 111416352B
Authority
CN
China
Prior art keywords
energy
load
price
time
thermal
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
Application number
CN202010358938.6A
Other languages
English (en)
Other versions
CN111416352A (zh
Inventor
曾博
刘裕
朱志伟
龚传正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202010358938.6A priority Critical patent/CN111416352B/zh
Publication of CN111416352A publication Critical patent/CN111416352A/zh
Application granted granted Critical
Publication of CN111416352B publication Critical patent/CN111416352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • G06Q10/06315—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
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (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

本发明公开了一种多能源耦合系统的调度方法，该方法在计算设备中执行，包括步骤：对多能源耦合系统的不确定因素进行建模，以确定各不确定因素的概率密度函数；根据概率密度函数生成多个离散场景，对这多个离散场景进行削减以消除冗余场景；基于削减后的离散场景，在设定的运行约束条件下，确定使多能源耦合系统的运行成本最小的最优调度方案。本发明一并公开了相应的计算设备。

Description

一种多能源耦合系统的调度方法及计算设备
技术领域
本发明涉及多能源系统调度技术领域，尤其涉及一种面向可再生能源与需求响应协同增效的多能源系统的随机规划方法。
背景技术
随着经济的快速发展，气候、环境问题日益突出，促使目前的能源系统逐渐向低碳和可持续的方向发展。基于热电联产(CHP)技术的多能源耦合系统(MES)，可通过CHP在发电过程中回收废热，节省了供热所需的一次能源，提高整体能源使用效率并大大减少温室气体的排放，为实现区域级供能提供了一种重要解决方案。为此，热电联产在许多国家的发电量中所占比例一直在稳步增长。
但是随着风电等不确定性发电资源大规模的接入，CHP以热定电或以电定热的供能方式难以满足新形势下多能耦合系统对可再生能源(RES)消纳的要求，同时使电力系统调峰问题日渐突出。为应对风电出力固有的不确定性和间歇性，电力系统需要预留大量发电备用来满足负荷需求，不仅降低了常规发电机组的发电效率，也不可避免地增加了电力系统调度成本。
通过鼓励用户改变其能耗模式，参与需求响应(DR)，发挥需求侧负荷的主动性和灵活性，可有效补充完善规划多能源耦合系统的运行调度。
需求响应可通过以下两种方式增加系统灵活性：1)调整能源消费时间，峰荷电量向谷荷时段转移；2)切换负荷所需能源形式。利用需求侧的“响应能力”，为多能耦合系统运行商(MESO)提供额外的平衡资源，以应对系统运行的波动性并在热电联产的基础上尽可能消纳可再生能源。目前，关于MES中的DR集成问题已经成为国内外学者关心的重要议题。
因此，需要提供一种多能源耦合系统的调度方案，以通过需求响应来使热电联产的多能源系统能够适应不断增长的可再生能源渗透。
发明内容
为此，本发明提供一种多能源耦合系统的调度方法及计算设备，以力图解决或至少缓解上面存在的问题。
根据本发明的第一个方面，提供一种多能源耦合系统的调度方法，所述多能源耦合系统适于消纳可再生能源，所述多能源包括热能和电能，所述方法在计算设备中执行，包括步骤：对所述多能源耦合系统的不确定因素进行建模，以确定各不确定因素的概率密度函数；根据所述概率密度函数生成多个离散场景，对所述多个离散场景进行削减以消除冗余场景；基于削减后的离散场景，在设定的运行约束条件下，确定使所述多能源耦合系统的运行成本最小的最优调度方案。
根据本发明的第二个方面，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，当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行上述多能源耦合系统的调度方法。
根据本发明的第三个方面，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上述多能源耦合系统的调度方法。
根据本发明的多能源耦合系统的调度方法，对多能源耦合系统的不确定因素进行建模，以确定各不确定因素的概率密度函数；根据概率密度函数生成多个离散场景，对多个离散场景进行削减以消除冗余场景；基于削减后的离散场景，在设定的运行参数的约束条件下，以多能源耦合系统的运行成本最小为优化目标，调整系统的各项调度参数，将使多能源耦合系统的运行成本最小的调度参数组合作为最优调度方案，从而实现了多能源耦合系统的调度优化。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
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的示意图；
图2示出了根据本发明一个实施例的多能源耦合系统的调度方法200的流程图；
图3示出了根据本发明一个实施例的多能源耦合系统的示意图；
图4示出了根据本发明一个实施例的调度规划过程的示意图；
图5示出了根据本发明一个实施例的场景削减过程的示意图；
图6示出了根据本发明一个实施例的多能源耦合系统的拓扑图；
图7示出了根据本发明一个实施例的不同季节的电、热需求的示意图；
图8示出了根据本发明一个实施例的两个案例(C1和C2)的风力输出的示意图。
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。
为便于理解本发明的技术方案，以下对本发明所涉及到的缩写和符号进行说明。
缩写：
AMI：Advanced metering infrastructures高级量测体系
CHP：Combined heat and power热电联产
DLC：Direct load control负荷直控式
DR：Demand response需求响应
MES：Multi-energy system多能源系统
MESO：Multi-energy system Operator多能源系统
NDC：Non-direct control非直控式
PDF：Probability density function概率密度函数
RES：Renewable energy sources可再生能源
RTP：Real-time price实时价格
SP：Stochastic programming随机优化
WTG：Wind turbine generator风机
节点/集合：
i/ΩI 节点符号/集合
w/Ωw RES安装节点/集合
d/Ωd AMI安装节点/集合
s/Ωs 场景/场景集合
参数：
τ 年值化因子
α (％)折现率
θ 一年的天数
ζ (year)运行年限
cc (RMB)设备投资成本
cm (RMB)年维护成本
Nhousehol 负荷点的用户数量
PCHP-r CHP额定出力
PTrans-r 变压器额定出力
σGR (RMB/kWh)电网买电价格
σGS (RMB/m3)天然气站天然气价格
ps 场景概率
η 能源转换效率
V 热电比
HV 天然气热值
Trw (℃)回水温度
Te (℃)环境周围温度
∑R (km·℃/kW)每千米管道周围环境的热阻
lij (m)管道i-j的长度
T(m/s)管道i-j的最大载流量
Sij (m2)管道i-j的截面积
vin/vra/vout (m/s)切入/额定/切出风速
Xi(i＝1,...,n)随机变量之间的相关系数矩阵
κij Xi,Xj变量Xi,Xj之间的Spearman相关系数
变量：
IC (RMB)投资费用
MC (RMB)维护费用
EP (RMB)从外部市场能源交易的费用
RE (RMB)由于DR造成的收益损失
χ AMI的渗透率
PGR (kW)从外界电网的买电量
(m3)从天然气站买的天然气量
n 元件的安装数量
ρe/h (RMB/kWh)提供给用户的电/热价格
D (kW)电/热负荷
PD (kW)电负荷
HD (kW)热负荷
时间可转移负荷的自弹性系数
时间可转移负荷的交叉弹性系数
能量可转换负荷的自弹性系数
能量可转换负荷的交叉弹性系数
Tsw (℃)供水温度
H′ij 管道中传送的可用热量
图1示出了根据本发明一个实施例的计算设备100的示意图。需要说明的是，图1所示的计算设备100仅为一个示例，在实践中，用于实施本发明的多能源耦合系统的调度方法的计算设备可以是任意型号的设备，其硬件配置情况可以与图1所示的计算设备100相同，也可以与图1所示的计算设备100不同。实践中用于实施本发明的多能源耦合系统的调度方法的计算设备可以对图1所示的计算设备100的硬件组件进行增加或删减，本发明对计算设备的具体硬件配置情况不做限制。
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。计算设备中的物理内存通常指的是易失性存储器RAM，磁盘中的数据需要加载至物理内存中才能够被处理器104读取。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由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是Linux、Windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令，应用122例如可以是浏览器、即时通讯软件、软件开发工具(例如集成开发环境IDE、编译器等)等，但不限于此。当应用122被安装到计算设备100中时，可以向操作系统120添加驱动模块。
在计算设备100启动运行时，处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上，利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时，应用122会加载至存储器106中，处理器104从存储器106中读取并执行应用122的程序指令。
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。
在根据本发明的计算设备100中，应用122包括用于执行本发明的多能源耦合系统的调度方法200的指令，该指令可以指示处理器104执行本发明的多能源耦合系统的调度方法200，以确定使多能源耦合系统的运行成本最小的最优调度方案，以实现多能源耦合系统的调度优化。
图2示出了根据本发明一个实施例的多能源耦合系统的调度方法200的流程图。方法200在计算设备(例如前述计算设备100)中执行。如图2所示，方法200始于步骤S210。
在步骤S210中，对多能源耦合系统的不确定因素进行建模，以确定各不确定因素的概率密度函数。
图3示出了根据本发明一个实施例的多能源耦合系统(MES)的示意图。该系统为一个包含电、热的典型园区级能源系统，其由多个热电联产机组组成，这些热电联产机组与当地的电力/燃气电网相连，为终端用户提供电力/供热服务。此外，MESO可根据系统实时需要，通过借助动态价格信号激励用户参与需求响应，以促进RES消纳和系统趋优运行。
在本发明的实施例中，我们假设整个MES是由一个单一的MESO拥有和管理的。MESO的目标是通过整合和有效地利用系统中的资源，在满足负荷侧能源需求的前提下最小化总成本。为了实现这一目标，本文提出一个基于实时价格(RTP)的DR，在RTP模式中，MESO依赖时变定价信号，通过使用双向通信设备和AMIs(即多个AMI)来获取用户的DR。
为MES配备AMI需要额外的投资费用，而且RTP的性能很大程度上取决于用户的“性质”(类型、消费模式、价格敏感性等)——因此，事实证明，从规划层面，在需求侧分析不同的能源管理配置计划(即DR资源规划)，以评估其成本和效益(经济效益)在MES运行时是至关重要的。最优AMI规划的目标是在满足系统各种运行约束的情况下，加强RES的开发，将能源供应的总成本降至最低。该问题可以解耦为两阶段优化模型，如图4所示。
如图4所示，该规划框架被解耦为两个阶段，分别对应规划和运营阶段的决策。第一个阶段涉及RES和DR资源的规划。决策变量包括要安装的RES和AMI的最佳类型、位置和容量。所有的候选规划方案将作为先验转移到第二阶段。MESO将系统数据、天气状况、预测的能源需求以及用户需求响应能力(自弹性和交叉弹性)结合起来，以确定MESO提供给用户的最优定价策略。价格是为了鼓励DR，使MESO的利益最大化，优化MES组件运行。
求解图2中的优化问题。需要准确预测系统的能源需求、用户的价格响应能力以及RES产量。然而，在实践中，由于这些参数大多具有随机性，并且可能存在关联性，因此实现这一点对MESO来说是非常困难的。为了解决这一问题，本研究采用随机规划方法来处理问题中的不确定性。通过引入随机规划和相关处理技术，可以从不确定数据的概率分布中随机采样，生成大量的离散场景。考虑到在一个优化问题中包含所有的场景(具有相关的不确定性)会极大地增加计算负担和复杂性，我们还进一步采用了一种基于最优聚类的综合场景削减方法来消除冗余，使问题在计算量和精度均可接受的情况下变得易于处理。
适当考虑系统中的不确定性是随机优化问题求解的前提。在本发明中，系统中的不确定因素包括可再生能源的输出功率(RES供应)、系统的电/热负荷量(变化的负荷需求)以及用户的需求响应负荷(用户对随机价格的响应能力)。
在步骤S210中，对MES中的不确定因素进行建模，以确定各不确定因素的概率密度函数。
第一种不确定因素是RES发电的不确定性。根据一种实施例，可再生能源包括风能。
风力发电机的输出功率主要取决于风速。在长期规划研究中，风速vt的随机性f(vt)例如可以用以下双参数威布尔分布来描述：
其中，k和c分别为形状参数和尺度参数。
给定某时段的风速vt，根据风力发电的特点，风力发电机组(WTG)的输出功率按照以下公式计算：
其中，PW-r为风力发电机组的额定有功功率，vin、vra、vout分别表示接入风速、额定风速、截止风速。
在本发明的实施例中，假设MES中所有的WTG机组在运行过程中都处于相同的风况下，工作在恒功率因数模式下。
第二种不确定因素是系统中变化的负荷需求。在MES中，能源需求的不确定性可能来自于用户消费的固有波动性，也可能来自于负荷预测的不准确性。根据一种实施例，采用高斯分布来对各时段的能量需求变化进行建模，即系统的热/电负荷量的概率密度函数为下述高斯分布：
其中，和/>分别为t时段负荷需求的统计均值和标准差，Dmin和Dmax分别为热/电负荷为上、下限值。
第三种不确定因素是用户对随机价格的响应能力。在基于RTP的DR项目中，用户根据EH(电/热)运营商提供的实时电/热价格自行调整用能需求，以实现与系统之间的正向互动。从用能性质及可调潜力的角度，EH中的负荷大致可被划分为以下3类：刚性负荷(critical loads，CLs)、时间可转移负荷(time shiftable load，TL)和能量可替代负荷(energy-convertible Load，EL)。鉴于目前国内外尚未出现基于实时定价的热能市场，故本发明仅面向关注基于动态电价的DR项目。下面将就上述各类负荷分别进行建模。
1、刚性负荷(CL)
CL是指用能重要程度较高故对RTP无响应能力的负荷。常见的CL包括照明设施、供暖设施等。其运行模型可表示为：
其中，为用户在需求响应下对刚性负荷类型的电/热负荷，/>表示在无需求响应情况下的刚性负荷类型的电/热负荷。
2、时间可转移负荷(TL)
TL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TL包括热水器、洗衣机、电动汽车等。
在基于RTP的DR项目中，用户根据所得到的动态电价调整自身TL运行时间，该负荷转移过程可用下述价格弹性模型描述：
其中，为用户在需求响应下对时间可转移负荷类型的电/热负荷，/>表示在无需求响应下的时间可转移负荷类型的电/热负荷，/>和/>分别为基准电价及实时价格下时段t对应的电价/热价，/>和/>分别为基准电价及实时价格下时段t’对应的电价/热价，/>和/>分别代表时间可转移负荷类型的价格自弹性系数和交叉弹性系数，用于表示时段t下时间可转移负荷需求对当前时段t及相邻时段t’能源价格变化的敏感性。
3、能量可替代负荷(EL)
EL指用能时间固定但可根据需要灵活选择能源形式的负荷。典型的EL可包括居民厨房设备等。在基于RTP的DR项目中，用户根据各时段不同能源的实时价格选择EL的用能形式，该过程可用微观经济学中的替代效应模型表示：
其中，分别为用户在需求响应下对能量可替代负荷类型的电、热负荷，/>分别表示在无需求响应情况下的能量可替代负荷类型的电、热负荷，分别为基准电价及实时价格下时段t对应的电价，/> 分别为基准电价及实时价格下时段t对应的热价，/>分别为能量可替代负荷类型的价格自弹性系数和交叉弹性系数，用于表示能量可替代负荷用能对于电、热相对价格变化的敏感度；ηEL为能量可替代负荷的电-热转换效率。
对于基于价格的DR计划，与DR过程中消费者的动机和受影响的满意度有关，取决于用户个人的特质，需求方对价格变化的响应能力可能存在很大差异。这样，与DR相关的表征参数(即和/>)对于MESO来说，往往是不确定参数。在不失一般性的前提下，本发明认为MES用户的价格弹性遵循均匀分布，其上下限等于其各自预测值的±10％。相应的PDF可以表示为：
其中，xt代表所有的弹性系数，代表相应的预测值。
随后，在步骤S220中，根据概率密度函数生成多个离散场景，对多个离散场景进行削减以消除冗余场景。
对于随机规划，可在给定PDF模型和不确定数据的相关矩阵的情况下，可以使用一组确定性场景来实现不确定性，这些场景可以基于各种统计模拟方法来生成。
本发明为确保情景集的构建足以反映上述不确定性的性质，发明人通过五年的实际调查，获得了相关参数的统计结果(即每小时风速的平均值和标准差，负荷需求和价格弹性)，并在考虑了概率分布和这些不确定性的相关性之后，采用了蒙特卡洛模拟方法在模型中生成了所需的情景。但是，由于涉及的大规模场景将大大增加解决SP问题的计算负担，因此，基于聚类的场景削减方法也已被引入并应用于本发明中。下述步骤S222～S226提供了有关此方案生成过程的详细说明。
在步骤S222中，建立相关系数矩阵。
Pearson相关系数矩阵可以描述非正态分布的随机变量之间的相关性。随机变量Xi(i＝1，…，n)的Pearson相关系数矩阵可以表示为：
其中，κij是随机变量Xi，Xj之间的相关系数。
随后，在步骤S224中，生成计及相关性的场景。
对于相关非正态分布随机变量没有直接抽样方法，需要将原始随机变量空间映射到相互独立的标准正态空间，再通过逆变换才能生成相关随机变量的样本空间。逆变换就是从符合标准正态分布的变量转换成符合非正态分布的变量。
其中，Φ(Yi)是符合正态分布的变量Yi的边际累积分布函数；是非正态累积分布函数的反函数。
场景生成的详细步骤如下：
1)对相关系数矩阵进行转换，得到符合标准正态分布变量的相关系数矩阵求解方法见文献(Qin,Z.,Li,W.,Xiong,X.,2013.Generation sy stem reliabilityevaluation incorporating correlations of wind speeds with diff erentdistributions.IEEE Trans.Power Syst.https://doi.org/10.1109/TPWRS.2012.220541)，在此不再赘述。
2)由蒙特卡罗抽样生成的独立标准正态分布变量的样本Es,样本的每个向量N的每个元素都是相互独立的。
3)cholesky分解通过Y＝MTN生成相关系数矩阵为/>的标准正态分布的样本。
4)根据等概率转换原则，采用逆变换可进一步获得具有相关性的输入变量的样本。
随后，在步骤S226中，进行场景削减。
场景数量过多会对运算产生影响。经典的场景削减方法主要目标是最小化削减前后的场景集之间的概率距离。但是当不确定性变量之间存在相关性时，场景削减前后的相关性会相应改变，也就是说如果只考虑最小化削减前后的场景集合之间的概率距离，将不能保护原始场景集变量之间的相关性，由此场景削减之后的需要解决的问题的目标函数值将会偏离。
因此本文提出基于聚类的场景削减方法，场景削减的目标是获得一个与初始场景集相似度高，而且尽可能的保护变量之间的相关性(最小化场景削减前后的变量相关性的偏差)的削减后的场景集合。
场景集合Ω1，规模N1(代表场景sτ,及相应概率pτ,节点τ∈Ω1,相关系数矩阵)场景集合/>规模/>(保留的场景/>及相应概率/>节点/>相关系数矩阵/>)
代表聚类子集,在削减时，/>代替初始场景子集/>(意思就是在原始场景进行聚类，通过计算得到一个场景(也就是上面说的节点)代表一个聚类后的场景子集).
目标函数包括概率相似函数和相关性偏差函数。β则为相关性偏差函数的权重系数。
概率相似函数Sim就是计算两个场景之间的相似性，通过计算类似于两个场景矢量的距离。如果这个值越大，表明这两个场景的相似性越大。
其中，ε是可以忽略的小常数，它使分数的分母不为0。
相关性偏差函数Corrloss就是计算场景削减前后相关系数矩阵每个系数差值的平方和。这个值越小，说明场景削减前后，相关系数偏差越小。
/>
其中，κij是随机变量Xi,Xj.之间的相关系数，Δκij是场景削减前后的相关系数差。
实际的场景削减不是一步到位的，每次削减两个场景为一个场景。在每次的削减过程，通过计算，选出两个场景，这两个场景足够相似，而且通过最优重新分布定律(optimal redistribution rule)从两个场景的数据得到的一个新的场景，由此得到的新的场景集合与上次削减结果得到的场景集之间，变量之间的相关性减少的低。
计算流程图如图5所示：首先进行初始化，选择即将削减最优的场景对，将这个场景对融合成一个场景，更新场景集合，如此循环，直到场景削减的数量达到满意。
随后，在步骤S230中，基于削减后的离散场景，在设定的运行约束条件下，确定使多能源耦合系统的运行成本最小的最优调度方案。
在步骤S230中，综合考虑需求侧投资和发电侧RES的优化配置。此外，运营商根据用户在运行过程中的负荷需求，运行热能和电能的集中调度模型。
确定使多能源耦合系统的运行成本最小的最优调度方案的问题是一种目标规划问题。
步骤S230相当于求解最优规划模型，该规划模型的目标函数是最小化年总成本，如下式所示：
其中，IC、MC、EP和RE分别代表风机和AMI的折年化投资成本(IC)，MES中各部件的年度维护成本(MC)，能源采购成本在内的年度运行成本(EP)，以及DR可能造成的收入损失(RE)。其具体计算式如下：
式(17)表示MES组件的投资成本，是资本成本和年度成本因子的函数。
在本发明中，式(18)只考虑与部件的额定输出功率有关的维修费用，该功率为常数，因此优化变量与投资费用相同，可以转移到第一阶段。
式(19)主要是于MES从外部市场采购能源的成本。式(20)等于与常规情况相比，由于参与DR计划而导致MES运营商收入的潜在损失。实际上，与常规情况相比，基于价格的方案可能会给系统带来额外的成本或潜在的收益，因此RE的计算可以是正的，也可以是负的，这取决于MES操作员的决策和提供给用户的能源价格。
根据一种实施例，系统的运行约束条件包括：设备的最大配置容量约束、电价范围约束、系统安全约束和元件自身约束。
1、配置容量约束
要求MES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：
式(21)为风力机配置的最大值和最小值。显然，AMI的普及率受到1的限制，因为一个家庭最多选择一个AMI，如式(22)所示。
2、定价约束
为避免RTP波动过大对用户利益造成的负面影响，应将电价水平控制在一定的范围内：
3、系统安全约束
a)电/热节点实时功率平衡约束
b)电/热潮流平衡约束
式(30)为传统配电系统中广泛使用的线性化潮流方程。对于区域热系统，采用线性热网络能量流模型，如式(31)所示。
式(32)和(33)保证了所有馈线上的节点电压和电流的大小在运行期间保持在允许的范围内。式(34)、(35)对有功/无功潮流的界限有限制。
同时，为了保证热网的效率，必须规定管道中输送的有效热功率必须大于临界值小于管道中输送的最大有效热功率/>
c)MES与外部系统的能量交互约束
4、元件自身特性约束
式(39)-(41)表示热电联产、变压器、风力机的运行约束。
根据一种实施例，模型的优化变量包括：各设备的配置容量、实时价格、系统购电/气量以及各枢纽元件的运行状态。即，步骤S230中经优化得到的最优调度方案包括最优的各设备的配置容量、实时价格、系统购电/气量以及各枢纽元件的运行状态。
以下给出本发明的一个算例。
该算例中的多能源耦合系统为一个31节点的区域热力系统和一个9节点的区域电力系统，其拓扑结构如图6所示。电力系统节点2接入大电网。热网是由三台热电联产机组组成的低温区域供热网络。
如图6所示，MES分为六个部分，每个部分作为一个聚合器，负责集成多个终端用户。
系统需求的平均值见表。春、夏、秋、冬是四个时间间隔，每个时间间隔的能量曲线表现相同。春季、夏季、秋季和冬季的时间持续时间相应地为(93天)、(93天)、(90天)和(89天)。基于表1每小时标幺值的概况如图7所示。
表1.需求平均值
i(r)* ii iii(i) iv(i)* v(r) vi(c)*
Electrical demand 0.2 0 0.7 0.7 0.2 0.4
Heat demand 0.333 0 0.783 1.166 0.359 0.667
*(r)、(c)和(i)分别对应国家住宅、商业和工业需求。
安装WT/AMIS的候选站点为总线-i、iv和vi，在候选住宅和商业总线上，WT的最大允许容量为200千瓦，工业则为600千瓦。WTG的接入风速为3m/s，额定风速为11m/s,WT的截止风速为17m/s，不同季节的小时风速如图7所示。
每小时电价，外部市场四季(四个时段)电价如文献[X]所示，假设燃气固定价格为2.66元/m3。
为了说明所提出技术的有效性，我们对两个案例(C1和C2)进行了建模：在C1中，没有考虑用户能源需求的灵活性。与C1相比，在C2这种情况下，电力需求和热需求是有弹性且和价格相关的。用户的能耗行为会价格而改变。
表2给出了研究的优化结果，并列出了DG和AMI的配置结果。
表2.优化结果
(1)经济效益
很明显，需求响应的灵活性，既缓解了可再生能源供应不足时的电力进口，又在风能过剩时允许更多的绿色能源的使用，从而显著提高了RES的利用率。这无疑会带来好处。
C1和C2的优化结果比较如表2所示。正如所显示的，无论DR是否包括在内，与基准相比，安装风机后，总成本都有显著的降低。与在C1中没有DR的相应情况相比，在C2中实现了经济效益的进一步改进。
只考虑安装WTG，能源采购成本和总成本分别下降5.7％和5.2％。在考虑WT和DR的情况下，C2中所有候选总线的AMIs的渗透率均为100％。与C1和基准值相比，C2的能源采购成本分别降低了3.0％和8.6％。另外，C2的收入每年增加544559元。经济效益的增加为鼓励DR计划提供了理由，并抵消了此类DR计划的投资成本。
(2)RES利用率
为了揭示DR对这些结果的影响，选取一个典型的冬季日，优化后C1和C2的风电出力变化如图8所示。
观察的结果之一是风力削减只发生在非高峰时段。为满足用户恒定的热需求，热电联产机组需继续运行并产生一定的电量，占风力发电比例的一部分。另一个观察结果是，在C2中，可以显著地减轻风力的削减。在非高峰时段，相对较低的电价使得用户将热需求转向电采暖，导致热电联产机组发电量减少，用电需求增加。从而充分利用风能输出。经测算，风电弃风率下降9.4％。也就是说，风电的利用率提高到71.1％，远远高于无DR时的水平。
(3)不确定性因素的影响
表3将C2与忽略DR建模中的不确定性时的结果进行了比较。
表3.不确定因素验证的比较
可见，DR模型的选择直接影响规划方案的评价。当考虑到上述因素时，尤其是不考虑不确定性之间的相关性时，成本会更高。这意味着这些内部属性的存在可能会部分抵消负荷重新分配和实际中弹性分布所带来的好处。尽管两种情况之间的数量差异似乎相对有限，但应该指出，这对其他系统可能具有重要意义。这样，忽略相关的不确定性可能会低估DR的价值，导致次优的规划决策。
(4)计算性能分析
将基于Dr-distance的场景削减方法[19]('Dr-distance')与基于传统相似函数('Hsim')[29]的方法进行对比研究，以说明所提出方法('Sim&corrloss')的有效性。
为了评价本文提出的场景约简方法的质量，我们引入了以下评价标准:OUT(OUT样本稳定性)，它可以测试场景削减在输出空间中的稳定性。将样本稳定性定义为式(42)，OUT可以反映原场景集与缩减后场景之间的目标函数值偏差。越小的OUT值，越小的偏差表明近似解的结果越接近真实解的结果。
其中，F*(x,ξ)是由原场景集得到的随机规划问题输出的目标函数值，是基于削减后场景的随机规划问题输出的目标函数值。
同样，在给定的OUT的情况下(也就是给定目标函数偏差)，我们可以得到一个最大场景削减百分比Red(％)。Red越大，说明场景削减方法越有效。
不同场景削减方法的结果比较如表4所示。在OUT的值分别固定为2,5,10(％)的前提下，采用算法1始终可以在更大程度上减少原场景集的场景数量，计算性能状态比基于距离的场景削减方法更有效。
表4.不同情景减少方法结果的比较
A9、如权利要求1-8中任一项所述的方法，其中，所述运行成本包括：风力发电机组和高级量测体系的折年化投资成本、系统中各部件的年度维护成本、能源采购成本在内的年度运行成本以及用户需求响应造成的收入损失。
A10、如权利要求1-9中任一项所述的方法，其中，所述最优调度方案包括：各设备的配置容量、实时价格、系统购电/气量以及各枢纽元件的运行状态。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的多能源耦合系统的调度方法。
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种多能源耦合系统的调度方法，所述多能源耦合系统适于消纳可再生能源，所述多能源包括热能和电能，所述方法在计算设备中执行，包括步骤：
对所述多能源耦合系统的不确定因素进行建模，以确定各不确定因素的概率密度函数，其中，所述不确定因素包括：可再生能源的输出功率、系统的热/电负荷量以及用户的需求响应负荷；
根据所述概率密度函数生成多个离散场景，对所述多个离散场景进行削减以消除冗余场景；
基于削减后的离散场景，在设定的运行约束条件下，确定使所述多能源耦合系统的运行成本最小的最优调度方案；
其中，用户的需求响应负荷类型包括刚性负荷、时间可转移负荷和能量可替代负荷，
用户在需求响应下对刚性负荷类型的电/热负荷为：
其中，表示在无需求响应情况下的刚性负荷类型的电/热负荷；
用户在需求响应下对时间可转移负荷类型的电/热负荷为：
其中，表示在无需求响应下的时间可转移负荷类型的电/热负荷，/>和/>分别为基准电价及实时价格下时段t对应的电价/热价，/>和/>分别为基准电价及实时价格下时段t’对应的电价/热价，/>和/>分别代表时间可转移负荷类型的价格自弹性系数和交叉弹性系数，用于表示时段t下时间可转移负荷需求对当前时段t及相邻时段t’能源价格变化的敏感性；
用户在需求响应下对能量可替代负荷类型的电、热负荷为：
其中，分别表示在无需求响应情况下的能量可替代负荷类型的电、热负荷，/>分别为基准电价及实时价格下时段t对应的电价，/> 分别为基准电价及实时价格下时段t对应的热价，/>分别为能量可替代负荷类型的价格自弹性系数和交叉弹性系数，用于表示能量可替代负荷用能对于电、热相对价格变化的敏感度；ηEL为能量可替代负荷的电-热转换效率。
2.如权利要求1所述的方法，其中，所述可再生能源为风能。
3.如权利要求2所述的方法，其中，所述可再生能源的输出功率为风力发电机组的输出功率，所述风力发电机组的输出功率按照以下公式计算：
其中，PW-r为风力发电机组的额定有功功率，vin、vra、vout、vt分别表示接入风速、额定风速、截止风速和t时段的风速，t时段的风速符合下述双参数威布尔分布：
其中，k和c分别为形状参数和尺度参数。
4.如权利要求1-3中任一项所述的方法，其中，系统的热/电负荷量Dt0的概率密度函数为下述高斯分布：
其中，和/>分别为t时段负荷需求的统计均值和标准差，Dmin和Dmax分别为热/电负荷为上、下限值。
5.如权利要求1所述的方法，其中，所述运行约束条件包括：设备的最大配置容量约束、电价范围约束、系统安全约束和元件自身约束。
6.如权利要求5所述的方法，其中，
所述系统安全约束包括电/热节点实时功率平衡约束、电/热潮流平衡约束以及与外部系统的能量交互约束，
所述元件自身约束包括热电联产机组、变压器、风力发电机组的运行约束。
7.如权利要求1-3中任一项所述的方法，其中，所述运行成本包括：风力发电机组和高级量测体系的折年化投资成本、系统中各部件的年度维护成本、能源采购成本在内的年度运行成本以及用户需求响应造成的收入损失。
8.如权利要求1-3中任一项所述的方法，其中，所述最优调度方案包括：各设备的配置容量、实时价格、系统购电/气量以及各枢纽元件的运行状态。
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；
当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如权利要求1-8中任一项所述的多能源耦合系统的调度方法。
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1-8中任一项所述的多能源耦合系统的调度方法。
CN202010358938.6A 2020-04-29 2020-04-29 一种多能源耦合系统的调度方法及计算设备 Active CN111416352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010358938.6A CN111416352B (zh) 2020-04-29 2020-04-29 一种多能源耦合系统的调度方法及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010358938.6A CN111416352B (zh) 2020-04-29 2020-04-29 一种多能源耦合系统的调度方法及计算设备

Publications (2)

Publication Number Publication Date
CN111416352A CN111416352A (zh) 2020-07-14
CN111416352B true CN111416352B (zh) 2023-08-15

Family

ID=71493870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010358938.6A Active CN111416352B (zh) 2020-04-29 2020-04-29 一种多能源耦合系统的调度方法及计算设备

Country Status (1)

Country Link
CN (1) CN111416352B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112271731B (zh) * 2020-10-29 2022-08-30 合肥工业大学 一种风电功率多时段时间序列场景的生成及消减方法
CN112365105B (zh) * 2020-12-08 2022-03-25 国网宁夏电力有限公司 一种电力物联网背景下考虑需求响应的负荷预测方法
CN112883560B (zh) * 2021-01-28 2022-12-16 华南理工大学 基于用户侧负荷削减响应的多能耦合供能网络的优化方法
CN113793040A (zh) * 2021-09-17 2021-12-14 云南电网有限责任公司保山供电局 基于多随机变量最优约简模型的输电系统调度约简方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015123942A1 (zh) * 2014-02-20 2015-08-27 中兴通讯股份有限公司 一种实现波束成型的方法及基站
CN109038686A (zh) * 2018-08-28 2018-12-18 国网山东省电力公司聊城供电公司 一种基于风电出力预测误差的滚动优化调度方法
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN109494816A (zh) * 2018-12-28 2019-03-19 清华-伯克利深圳学院筹备办公室 电-热耦合的多能流系统的风险评估方法和装置
CN110571795A (zh) * 2019-08-26 2019-12-13 国网吉林省电力有限公司电力科学研究院 一种储能单元在高风力渗透电力系统中的布置方法
CN110991736A (zh) * 2019-11-29 2020-04-10 国网山西省电力公司经济技术研究院 综合能源系统设备的优化配置方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015123942A1 (zh) * 2014-02-20 2015-08-27 中兴通讯股份有限公司 一种实现波束成型的方法及基站
CN109038686A (zh) * 2018-08-28 2018-12-18 国网山东省电力公司聊城供电公司 一种基于风电出力预测误差的滚动优化调度方法
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN109494816A (zh) * 2018-12-28 2019-03-19 清华-伯克利深圳学院筹备办公室 电-热耦合的多能流系统的风险评估方法和装置
CN110571795A (zh) * 2019-08-26 2019-12-13 国网吉林省电力有限公司电力科学研究院 一种储能单元在高风力渗透电力系统中的布置方法
CN110991736A (zh) * 2019-11-29 2020-04-10 国网山西省电力公司经济技术研究院 综合能源系统设备的优化配置方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于风电离散化概率序列的机会约束规划优化调度方法;夏鹏;刘文颖;蔡万通;汪宁渤;梁琛;;电工技术学报(第21期);第2-9页 *

Also Published As

Publication number Publication date
CN111416352A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
Zhao et al. Two-stage distributionally robust optimization for energy hub systems
CN111416352B (zh) 一种多能源耦合系统的调度方法及计算设备
Schütz et al. Comparison of clustering algorithms for the selection of typical demand days for energy system synthesis
Gabrielli et al. Robust and optimal design of multi-energy systems with seasonal storage through uncertainty analysis
Heendeniya et al. The multi-energy system co-planning of nearly zero-energy districts–Status-quo and future research potential
Fang et al. Optimization of combined heat and power production with heat storage based on sliding time window method
Moser et al. A MILP-based modular energy management system for urban multi-energy systems: Performance and sensitivity analysis
Voll et al. The optimum is not enough: A near-optimal solution paradigm for energy systems synthesis
Jennings et al. Modelling and optimization of retrofitting residential energy systems at the urban scale
Ju et al. Multi-objective electro-thermal coupling scheduling model for a hybrid energy system comprising wind power plant, conventional gas turbine, and regenerative electric boiler, considering uncertainty and demand response
Fabrizio et al. An hourly modelling framework for the assessment of energy sources exploitation and energy converters selection and sizing in buildings
Newton et al. Pathways to decarbonizing the housing sector: a scenario analysis
Malik et al. Effects of smart grid technologies on capacity and energy savings–A case study of Oman
Harb et al. MIP approach for designing heating systems in residential buildings and neighbourhoods
Letellier-Duchesne et al. Balancing demand and supply: Linking neighborhood-level building load calculations with detailed district energy network analysis models
Lu et al. Multi-objective optimization of combined cooling, heating and power system considering the collaboration of thermal energy storage with load uncertainties
Liu et al. Multi-stage stochastic optimal operation of energy-efficient building with combined heat and power system
Xu et al. Look-ahead risk-constrained scheduling for an energy hub integrated with renewable energy
CN109272353B (zh) 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
CN111404153A (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
Gastelu et al. Hierarchical Bayesian model for estimating spatial-temporal photovoltaic potential in residential areas
Hemanth et al. Cost effective energy consumption in a residential building by implementing demand side management in the presence of different classes of power loads
Li et al. Multi-energy flow cooperative dispatch for generation, storage, and demand in integrated energy systems with dynamic correction
Habib et al. Combined heat and power units sizing and energy cost optimization of a residential building by using an artificial bee colony algorithm
Deakin et al. Impacts of heat decarbonization on system adequacy considering increased meteorological sensitivity

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