CN111523204A - 一种并网型综合能源网电-气储能系统优化配置求解方法 - Google Patents

一种并网型综合能源网电-气储能系统优化配置求解方法 Download PDF

Info

Publication number
CN111523204A
CN111523204A CN202010243809.2A CN202010243809A CN111523204A CN 111523204 A CN111523204 A CN 111523204A CN 202010243809 A CN202010243809 A CN 202010243809A CN 111523204 A CN111523204 A CN 111523204A
Authority
CN
China
Prior art keywords
grid
storage system
power
comprehensive
gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010243809.2A
Other languages
English (en)
Other versions
CN111523204B (zh
Inventor
宛鑫
洪博
叶肖华
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.)
Hangzhou Hongsheng Electric Power Design Consulting Co ltd
Original Assignee
Hangzhou Hongsheng Electric Power Design Consulting Co ltd
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 Hangzhou Hongsheng Electric Power Design Consulting Co ltd filed Critical Hangzhou Hongsheng Electric Power Design Consulting Co ltd
Priority to CN202010243809.2A priority Critical patent/CN111523204B/zh
Publication of CN111523204A publication Critical patent/CN111523204A/zh
Application granted granted Critical
Publication of CN111523204B publication Critical patent/CN111523204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种并网型综合能源网电‑气储能系统优化配置求解方法，涉及综合能源网技术领域，用于解决含有电‑气多能储能系统的并联型综合能源网缺少相应优化配置求解方法的问题，该方法具体包括以下步骤：建立并联型综合能源网的综合总成本模型，综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型；设置并联型综合能源网的约束条件；基于综合总成本模型、约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组；基于最优功率组和综合总成本模型，得到最优综合总成本。本发明还公开一种并网型综合能源网电‑气储能系统优化配置求解装置、电子设备以及计算机可读存储介质。

Description

一种并网型综合能源网电-气储能系统优化配置求解方法
技术领域
本发明涉及综合能源网技术领域，尤其涉及一种并网型综合能源网电-气储能系统优化配置求解方法、装置、电子设备及介质。
背景技术
随着传统化石能源的日渐枯竭和环境问题、全球气候变暖问题的日益严峻，大力发展以风、光为代表的低碳新能源，提高现有电网的可再生能源渗透率成为解决以上问题的重要途径之一。
并联型综合能源网一般包含冷、热、电和气4种能源形式，利用物联网技术和信息技术对区域内的所有供能设备统一整合并实施调度，以达到对区域冷热电负荷进行优化供能，提升能源利用的效率。
但是，由于以风、光为代表的可再生能源具有很强的间歇性和随机波动性，往往会导致弃风、弃光等现象的产生。因此，为了增强并联型综合能源网的灵活性，在并联型综合能源网中引入了电-气多能储能系统。
对于引入了电-气多能储能系统的并联型综合能源网而言，需要调控的参数也相应增多，因此需要针对该并联型综合能源网发明一种优化配置求解方法，以降低成本，并维持整个系统的稳定性。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种并网型综合能源网电-气储能系统优化配置求解方法，以在保证整个系统稳定的基础上，有效降低综合成本。
本发明的目的之一采用如下技术方案实现：
一种并网型综合能源网电-气储能系统优化配置求解方法，包括以下步骤：
建立并联型综合能源网的综合总成本模型，所述综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型；
设置所述并联型综合能源网的约束条件；
基于所述综合总成本模型、所述约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组；
基于所述最优功率组和所述综合总成本模型，得到最优综合总成本。
进一步地，储能系统的投资成本模型为：
Figure BDA0002433424120000021
其中，IC是储能系统的投资成本，kpvf是现值系数，α是蓄电池的单位功率投资系数，β是蓄电池的单位容量投资系数，χ是P2G设备的单位功率投资系数，δ是储气系统的单位容量投资系数，
Figure BDA0002433424120000022
是蓄电池的最大功率，
Figure BDA0002433424120000023
是蓄电池的最大容量，
Figure BDA0002433424120000024
是p2g设备的额定功率，
Figure BDA0002433424120000025
是储气系统的最大容量，kpvf是现值系数且计算公式为：
Figure BDA0002433424120000026
r为年利率，y为使用寿命年。
进一步地，所述并联型综合能源网的运行成本模型为：
Figure BDA0002433424120000027
其中，NT是总的天数，NH是总的小时数，
Figure BDA0002433424120000028
是微网购电电价，
Figure BDA0002433424120000029
是微网购电功率，
Figure BDA00024334241200000210
是微网购气气价，
Figure BDA00024334241200000211
是微网购气功率。
进一步地，所述约束条件包括电功率平衡约束、供热平衡约束、风电出力约束、设备约束以及储能系统约束。
进一步地，所述电功率平衡约束的公式为：
Figure BDA0002433424120000031
其中，NG是总的常规火电火电机组数，Pith是某常规火电机组在某时段内产生的功率，Iith是分布式电源是否工作的状态指数，NL是总的热电联产机组数，Plth是某热电联产机组在某时段内产生的功率，Llth是分布式电源是否工作的状态指数，NR是新能源数量，Prth是新能源产生的功率，PESS是储能系统充电或者放电的功率，Pload,th为该时段负荷所需功率；
所述供热平衡约束的公式为：
Figure BDA0002433424120000032
其中，hlth为热电机组i在该时段的热功率，PGF为燃气锅炉功率，hload,th为系统该时段的热负荷；
所述风电出力约束的公式为：
Figure BDA0002433424120000033
其中，
Figure BDA0002433424120000034
是风力发电机的额定功率，vht是某时段的风速，vCI是风机的切入风速，vCO是风机的切出风速，vR是风机的额定风速。
进一步地，所述设备约束包括燃气锅炉约束和电锅炉约束。
进一步地，所述储能系统约束包括储能电池约束和储气系统约束。
本发明的目的之二在于提供一种并网型综合能源网电-气储能系统优化配置求解装置，以在保证整个系统稳定的基础上，有效降低综合成本。
本发明的目的之二采用如下技术方案实现：一种并网型综合能源网电-气储能系统优化配置求解装置，包括：
建模模块，用于建立并联型综合能源网的综合总成本模型，所述综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型；
条件获取模块，用于设置所述并联型综合能源网的约束条件；
计算模块，用于基于所述综合总成本模型、所述约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组；
处理模块，用于基于所述最优功率组和所述综合总成本模型，得到最优综合总成本。
本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的并网型综合能源网电-气储能系统优化配置求解方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的并网型综合能源网电-气储能系统优化配置求解方法。
相比现有技术，本发明的有益效果在于：在并联型综合能源网中，储能系统的投资成本模型和并联型综合能源网的运行成本模型依靠于并联型综合能源网的功率进行，从而通过迭代算法得到符合约束条件的最优功率组，以保证整个系统的稳定性；该最优功率组还与综合总成本的最小值对应，从而通过该最优功率组和综合总成本模型可以得到想应的最优综合总成本，以实现减小成本，并提高了能源的利用率。
附图说明
图1为实施例一所示方法的流程图；
图2为实施例四为装置的结构框图；
图3为实施例五电子设备的结构框图。
图中：1、建模模块；2、条件获取模块；3、计算模块；4、处理模块；5、电子设备；51、处理器；52、存储器；53、输入装置；54、输出装置。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例一
本实施例提供了一种并网型综合能源网电-气储能系统优化配置求解方法，旨在解决含有电-气多能储能系统的并联型综合能源网缺少相应优化配置求解方法的问题。具体地，该优化配置求解方法包括以下步骤。
步骤S10、建立并联型综合能源网的综合总成本模型，综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型。值得说明的是，该储能系统具有储气系统和储电系统，其中储电系统响应电负荷的速度较快，而储气系统可以将多余的电能存储起来，用来供给热负荷以及用燃气轮机发电，二者性能实现互补。该储能系统投资成本模型与储能系统、储电系统的参数相关，通过该模型可以得到该并联型综合能源网的投资成本；并联型综合能源网运行成本模型与时间、购买价格相关，从而通过该模型可以得到运行成本。
步骤S20、设置并联型综合能源网的约束条件。为了维持并联型综合能源网的稳定运行，因此需要对并联型综合能源网的部分参数进行约束，当得到符合约束条件的功率组时，可以根据该功率组查询与储能系统投资成本模型、并联型综合能源网运行成本模型对应的参数组，然后得到对应的投资成本和运行成本。
步骤S30、基于综合总成本模型、约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组。该迭代算法预设有停止条件，该停止条件可以是运行精度和/或迭代次数，且每进行一次迭代都可能得到一组中间功率组，且该中间功率组符合约束条件，结合中间功率组和综合总成本模型得到对应的综合总成本，然后比较各个综合总成本，将与综合总成本的最小值对应的中间功率组作为最优功率组。
步骤S40、基于最优功率组和综合总成本模型，得到最优综合总成本。值得说明的是，该方法的执行设备上具有数据库，该数据库内存储有综合总成本模型所需的参数组，通过将最优功率组与数据库匹配，得到对应的参数组，然后得到与最优功率组对应的综合总成本，并记为最优综合总成本。
综上所示，通过该并网型综合能源网电-气储能系统优化配置求解方法，以在保证整个系统稳定的基础上，有效降低综合成本，以提高资源的利用率。
值得说明的是，该方法的步骤是基于执行设备完成的。具体地，该执行设备可以为服务器、用户端、处理器等设备，但该执行设备不限于上述类型。
实施例二
本实施例提供一种并网型综合能源网电-气储能系统优化配置求解方法，参照图1所示，本实施例在实施例一的基础上进行的。
储能系统的投资成本模型可以为：
Figure BDA0002433424120000071
其中，IC是储能系统的投资成本，kpvf是现值系数，α是蓄电池的单位功率投资系数，β是蓄电池的单位容量投资系数，χ是P2G设备的单位功率投资系数，δ是储气系统的单位容量投资系数，
Figure BDA0002433424120000072
是蓄电池的最大功率，
Figure BDA0002433424120000073
是蓄电池的最大容量，
Figure BDA0002433424120000074
是p2g设备的额定功率，
Figure BDA0002433424120000075
是储气系统的最大容量，kpvf是现值系数且计算公式为：
Figure BDA0002433424120000076
r为年利率，y为使用寿命年。
值得说明的是，蓄电池的单位功率投资系数α、蓄电池的单位容量投资系数β、P2G设备的单位功率投资系数χ、储气系统的单位容量投资系数δ均可视为常量并根据实际情况可以进行相应的调整，现值系数kpvf尽管与年利率r、使用寿命y相关，但不会被并联型综合能源网的功率所影响，从而也可以视为常量。蓄电池的最大功率
Figure BDA0002433424120000077
蓄电池的最大容量
Figure BDA0002433424120000078
p2g设备的额定功率
Figure BDA0002433424120000079
储气系统的最大容量
Figure BDA00024334241200000710
均为变量并与通过迭代算法得到的中间功率组关联。
通过最优功率组查询对应的蓄电池的最大功率
Figure BDA00024334241200000711
蓄电池的最大容量
Figure BDA00024334241200000712
p2g设备的额定功率
Figure BDA00024334241200000713
储气系统的最大容量
Figure BDA00024334241200000714
然后输入储能系统投资成本模型，并得到对应的最优投资成本。
值得说明的是，储电系统中的蓄电池储能系统包括蓄电池，变流器等设备，所以投资成本分别以功率和容量两种形式结算。储气系统包括P2G设备的转换功率以及储气罐的容量,天然气通过燃气轮机发电或者供热能，因此储气系统的投资成本以P2G转换功率和容量两种形式结算。
进一步地，并联型综合能源网的运行成本模型可以为：
Figure BDA00024334241200000715
其中，OC为并联型综合能源网运行成本，NT是总的天数，NH是总的小时数，
Figure BDA0002433424120000081
是微网购电电价，
Figure BDA0002433424120000082
是微网购电功率，
Figure BDA0002433424120000083
是微网购气气价，
Figure BDA0002433424120000084
是微网购气功率。
其中，微网购电电价
Figure BDA0002433424120000085
微网购气气价
Figure BDA0002433424120000086
均受市场环境所影响，从而可以根据各段时间内的物价进行调整。微网购电功率
Figure BDA0002433424120000087
微网购气功率
Figure BDA0002433424120000088
受购买数量限制，而购买数量与储能系统的投资成本影响，因此其也与中间功率组关联。
由于综合总成本为投资成本与运行成本之和，因此并联型综合能源网的综合总成本模型为C＝IC+OC。
实施例三
本实施例提供一种并网型综合能源网电-气储能系统优化配置求解方法，参照图1所示，本实施例在实施例一或实施例二的基础上进行的。
约束条件优选根据典型日的负荷数据，风电数据，常规火电热电联产机组数据等设置。其中约束条件包括电功率平衡约束、供热平衡约束、风电出力约束、设备约束以及储能系统约束。
电功率平衡约束的公式为：
Figure BDA0002433424120000089
NG是总的常规火电火电机组数，Pith是某常规火电机组在某时段内产生的功率，Iith是分布式电源是否工作的状态指数，NL是总的热电联产机组数，Plth是某热电联产机组在某时段内产生的功率，Llth是分布式电源是否工作的状态指数，NR是新能源数量，Prth是新能源产生的功率，PESS是储能系统充电或者放电的功率，Pload,th为该时段负荷所需功率。其中，Iith和Llth的取值为0或1，具体地，当相应的设备工作时，取值为1；当相应的设备停机时，取值为0。
进一步地，供热平衡约束的公式为：
Figure BDA0002433424120000091
其中，hlth为热电机组i在该时段的热功率，PGF为燃气锅炉功率，hload,th为系统该时段的热负荷。
进一步地，风电出力约束的公式为：
Figure BDA0002433424120000092
其中，
Figure BDA0002433424120000093
是风力发电机的额定功率，vht是某时段的风速，vCI是风机的切入风速，vCO是风机的切出风速，vR是风机的额定风速。
作为可选的技术方案，设备约束包括燃气锅炉约束和电锅炉约束。
燃气锅炉约束的公式为：
0≤PGF≤PGF，max，
Figure BDA0002433424120000094
其中，PGF，max为燃气锅炉的最大热出力，ηGF为燃气锅炉气热转化效率，
Figure BDA0002433424120000095
为输入燃气锅炉气功率。
电锅炉约束的公式为：
0≤PEB≤PEB，max，
Figure BDA0002433424120000096
其中：PEB，max为电锅炉的最大热出力，ηEB为电锅炉电热转化效率，
Figure BDA0002433424120000097
为输入电锅炉电功率。
作为可选的技术方案，储能系统约束包括储能电池约束和储气系统约束。
储能系统约束的公式为：
Figure BDA0002433424120000098
Figure BDA0002433424120000101
Figure BDA0002433424120000102
Figure BDA0002433424120000103
其中，
Figure BDA0002433424120000104
表示储能电池的荷电状态；
Figure BDA0002433424120000105
分别表示储能电池充放电效率；δe表示储能电池自放电效率；
Figure BDA0002433424120000106
为储能电池荷电状态上下限；
Figure BDA0002433424120000107
表示该时段充放电功率，在同一时段不能同时充、放电，二者乘积为0；Δt表示时间间隔，当采用分时电价时，Δt取可以为1小时。
储气系统约束的公式为：
Figure BDA0002433424120000108
Figure BDA0002433424120000109
Figure BDA00024334241200001010
Figure BDA00024334241200001011
Figure BDA00024334241200001012
Figure BDA00024334241200001013
Figure BDA00024334241200001014
其中：
Figure BDA00024334241200001015
表示储气系统的荷能状态；ηg,C、ηg,F分别表示储能电池充放电效率；δg表示储气系统自耗气效率；
Figure BDA00024334241200001016
为储气系统的荷能状态上下限；
Figure BDA00024334241200001017
表示t-1时段结束时刻储气系统的荷能状态；
Figure BDA00024334241200001018
表示该时段储气、耗气功率，值得说明的是，储气和耗气分别通过不同输气管道，所以可以同时进行，而储气功率近似等于P2G设备输出功率，ηP2G为P2G设备电转气效率，
Figure BDA0002433424120000111
为P2G设备输入的电功率。
通过对约束条件的设置，当并联型综合能源网运行时，相应的数据需要对应符合上述的约束条件，才能保证整个系统的稳定运行。
作为可选的技术方案，迭代算法可以采用蒙特卡洛算法或粒子群算法，当然，本实施例的迭代算法不限于上述类型，只要可以得到最优功率组即可。
但在本实施例中，还是优选采用粒子群算法，其具有易实现、精度高、收敛快等优点。其中，对于上述步骤S30中的得到最优功率组包括以下步骤；
结合并联型综合能源网构建粒子种群；
随机初始化粒子群体，得到初始微粒，每个初始微粒均具有位置和速度；
计算每个微粒的适应度，即根据约束条件和综合总成本模型得到中间功率组以及对应的综合总成本，并将当前各个微粒的位置和适应值存储在各微粒的pbest中，将所有pbest中适应值最优个体的位置和适应值存储于gbest中；
更新粒子的位置和速度，得到新的粒子群体；
比较当前所有pbest和gbest的值，更新gbest；
判断是否满足停止条件，若是，则结束计算并输出最优功率组；若否，则继续执行“计算每个微粒的适应度”。
实施例四
本实施例提供了一种并网型综合能源网电-气储能系统优化配置求解装置，旨在解决含有电-气多能储能系统的并联型综合能源网缺少相应优化配置求解方法的问题。具体地，参照图2所示，该调控装置包括建模模块1、条件获取模块2、计算模块3、处理模块4。
建模模块1用于建立并联型综合能源网的综合总成本模型，综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型；条件获取模块2用于设置并联型综合能源网的约束条件；计算模块3用于基于综合总成本模型、约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组；处理模块4用于基于最优功率组和综合总成本模型，得到最优综合总成本。
实施例五
电子设备5可以是台式计算机、笔记本电脑、服务器(实体服务器或云服务器)等，甚至也可以是手机或平板电脑等，
图3为本发明实施例五提供的一种电子设备的结构示意图，如图2和图3所示，该电子设备5包括处理器51、存储器52、输入装置53和输出装置54；计算机设备中处理器51的数量可以是一个或多个，图3中以一个处理器51为例；电子设备5中的处理器51、存储器52、输入装置53和输出装置54可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的并网型综合能源网电-气储能系统优化配置求解方法对应的程序指令/模块，该程序指令/模块为并网型综合能源网电-气储能系统优化配置求解装置中的建模模块1、条件获取模块2、计算模块3、处理模块4。处理器51通过运行存储在存储器52中的软件程序、指令/模块，从而执行电子设备5的各种功能应用以及数据处理，即实现上述实施例一至实施例三的任意实施例或实施例组合的并网型综合能源网电-气储能系统优化配置求解方法。
存储器52可主要包括存储程序区和存储数据区，其中存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。存储器52还可以进一步设置为包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至电子设备5。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
值得说明的是，输入装置53可以用于接收获取的相关数据。输出装置54可以包括文档或显示屏等显示设备。具体地，当输出装置为文档时，可以将对应信息按照特定的格式记录于文档内，在实现数据保存的同时，还实现了数据的整合；当输出装置54为显示屏等显示设备时，直接将对应信息投放于显示屏等设备上，以便于用户实时查看。
实施例六
本发明实施例六还提供一种计算机可读存储介质，其包含计算机可执行指令，计算机可执行指令在由计算机处理器执行时用于执行上述的并网型综合能源网电-气储能系统优化配置求解方法，该方法包括：
建立并联型综合能源网的综合总成本模型，综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型；
设置并联型综合能源网的约束条件；
基于综合总成本模型、约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组；
基于最优功率组和综合总成本模型，得到最优综合总成本。
当然，本发明实施例所提供的一种计算机可读存储介质，其计算机可执行指令不限于如上的方法操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FlASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，个人计算机，服务器，或者网络设备等)执行本发明中实施例一至实施例三任意实施例或实施例组合的并网型综合能源网电-气储能系统优化配置求解方法。
值得注意的是，上述的并网型综合能源网电-气储能系统优化配置求解的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可。另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种并网型综合能源网电-气储能系统优化配置求解方法，其特征在于，包括以下步骤：
建立并联型综合能源网的综合总成本模型，所述综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型；
设置所述并联型综合能源网的约束条件；
基于所述综合总成本模型、所述约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组；
基于所述最优功率组和所述综合总成本模型，得到最优综合总成本。
2.根据权利要求1所述的并网型综合能源网电-气储能系统优化配置求解方法，其特征在于，储能系统的投资成本模型为：
Figure FDA0002433424110000011
其中，IC是储能系统的投资成本，kpvf是现值系数，α是蓄电池的单位功率投资系数，β是蓄电池的单位容量投资系数，χ是P2G设备的单位功率投资系数，δ是储气系统的单位容量投资系数，
Figure FDA0002433424110000012
是蓄电池的最大功率，
Figure FDA0002433424110000013
是蓄电池的最大容量，
Figure FDA0002433424110000014
是p2g设备的额定功率，
Figure FDA0002433424110000015
是储气系统的最大容量，kpvf是现值系数且计算公式为：
Figure FDA0002433424110000016
r为年利率，y为使用寿命年。
3.根据权利要求2所述的并网型综合能源网电-气储能系统优化配置求解方法，其特征在于，所述并联型综合能源网的运行成本模型为：
Figure FDA0002433424110000017
其中，NT是总的天数，NH是总的小时数，
Figure FDA0002433424110000018
是微网购电电价，
Figure FDA0002433424110000019
是微网购电功率，
Figure FDA0002433424110000021
是微网购气气价，
Figure FDA0002433424110000022
是微网购气功率。
4.根据权利要求1至3任意一项所述的并网型综合能源网电-气储能系统优化配置求解方法，其特征在于，所述约束条件包括电功率平衡约束、供热平衡约束、风电出力约束、设备约束以及储能系统约束。
5.根据权利要求4所述的并网型综合能源网电-气储能系统优化配置求解方法，其特征在于，所述电功率平衡约束的公式为：
Figure FDA0002433424110000023
其中，NG是总的常规火电火电机组数，Pith是某常规火电机组在某时段内产生的功率，Iith是分布式电源是否工作的状态指数，NL是总的热电联产机组数，Plth是某热电联产机组在某时段内产生的功率，Llth是分布式电源是否工作的状态指数，NR是新能源数量，Prth是新能源产生的功率，PESS是储能系统充电或者放电的功率，Pload,th为该时段负荷所需功率；
所述供热平衡约束的公式为：
Figure FDA0002433424110000024
其中，hlth为热电机组i在该时段的热功率，PGF为燃气锅炉功率，hload,th为系统该时段的热负荷；
所述风电出力约束的公式为：
Figure FDA0002433424110000025
其中，
Figure FDA0002433424110000026
是风力发电机的额定功率，vht是某时段的风速，vCI是风机的切入风速，vCO是风机的切出风速，vR是风机的额定风速。
6.根据权利要求4所述的并网型综合能源网电-气储能系统优化配置求解方法，其特征在于，所述设备约束包括燃气锅炉约束和电锅炉约束。
7.根据权利要求4所述的并网型综合能源网电-气储能系统优化配置求解方法，其特征在于，所述储能系统约束包括储能电池约束和储气系统约束。
8.一种并网型综合能源网电-气储能系统优化配置求解装置，其特征在于，包括：
建模模块，用于建立并联型综合能源网的综合总成本模型，所述综合总成本模型包括储能系统的投资成本模型和并联型综合能源网的运行成本模型；
条件获取模块，用于设置所述并联型综合能源网的约束条件；
计算模块，用于基于所述综合总成本模型、所述约束条件以及迭代算法，并以综合总成本的最小值为目标，得到对应的最优功率组；
处理模块，用于基于所述最优功率组和所述综合总成本模型，得到最优综合总成本。
9.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任意一项所述的并网型综合能源网电-气储能系统优化配置求解方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任意一项所述的并网型综合能源网电-气储能系统优化配置求解方法。
CN202010243809.2A 2020-03-31 2020-03-31 一种并网型综合能源网电-气储能系统优化配置求解方法 Active CN111523204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010243809.2A CN111523204B (zh) 2020-03-31 2020-03-31 一种并网型综合能源网电-气储能系统优化配置求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010243809.2A CN111523204B (zh) 2020-03-31 2020-03-31 一种并网型综合能源网电-气储能系统优化配置求解方法

Publications (2)

Publication Number Publication Date
CN111523204A true CN111523204A (zh) 2020-08-11
CN111523204B CN111523204B (zh) 2023-09-22

Family

ID=71901071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010243809.2A Active CN111523204B (zh) 2020-03-31 2020-03-31 一种并网型综合能源网电-气储能系统优化配置求解方法

Country Status (1)

Country Link
CN (1) CN111523204B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232983A (zh) * 2020-10-15 2021-01-15 国网上海市电力公司 一种主动配电网储能优化配置方法、电子设备及存储介质
CN112712199A (zh) * 2020-12-25 2021-04-27 杭州鸿晟电力设计咨询有限公司 基于激励的需求响应下综合能源系统元件选址定容方法
CN113156835A (zh) * 2021-04-26 2021-07-23 杭州鸿晟电力设计咨询有限公司 一种用于电-热综合能源系统运行控制的建模仿真方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110282601A1 (en) * 2011-07-25 2011-11-17 Hoff Thomas E Computer-Implemented System And Method For Estimating Power Data For A Photovoltaic Power Generation Fleet
CN103778484A (zh) * 2014-02-18 2014-05-07 国家电网公司 一种并网型微电网优化配置方法和系统
WO2016061741A1 (en) * 2014-10-21 2016-04-28 Accenture Global Services Limited System, method, and apparatus for capacity determination for micro grid, and tangible computer readable medium
CN107134810A (zh) * 2017-06-09 2017-09-05 燕山大学 一种独立型微能源网储能系统优化配置求解方法
CN109327042A (zh) * 2018-09-27 2019-02-12 南京邮电大学 一种微电网多能源联合优化调度方法
CN109599894A (zh) * 2018-12-10 2019-04-09 贵州电网有限责任公司 一种基于改进遗传算法的dg并网优化配置方法
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法
CN110635514A (zh) * 2019-11-13 2019-12-31 燕山大学 一种并网型微网优化配置方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110282601A1 (en) * 2011-07-25 2011-11-17 Hoff Thomas E Computer-Implemented System And Method For Estimating Power Data For A Photovoltaic Power Generation Fleet
CN103778484A (zh) * 2014-02-18 2014-05-07 国家电网公司 一种并网型微电网优化配置方法和系统
WO2016061741A1 (en) * 2014-10-21 2016-04-28 Accenture Global Services Limited System, method, and apparatus for capacity determination for micro grid, and tangible computer readable medium
CN107134810A (zh) * 2017-06-09 2017-09-05 燕山大学 一种独立型微能源网储能系统优化配置求解方法
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法
CN109327042A (zh) * 2018-09-27 2019-02-12 南京邮电大学 一种微电网多能源联合优化调度方法
CN109599894A (zh) * 2018-12-10 2019-04-09 贵州电网有限责任公司 一种基于改进遗传算法的dg并网优化配置方法
CN110635514A (zh) * 2019-11-13 2019-12-31 燕山大学 一种并网型微网优化配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘继春;周春燕;高红均;郭焱林;朱雨薇;: "考虑氢能-天然气混合储能的电-气综合能源微网日前经济调度优化", no. 01 *
孙杰;张炳达;杨俊鹏;: "微网热电储能容量配置优化", no. 02, pages 1 - 2 *
林琳;王永生;孙耀芹;: "电-气联供型综合能源系统容量优化配置", no. 20 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232983A (zh) * 2020-10-15 2021-01-15 国网上海市电力公司 一种主动配电网储能优化配置方法、电子设备及存储介质
CN112712199A (zh) * 2020-12-25 2021-04-27 杭州鸿晟电力设计咨询有限公司 基于激励的需求响应下综合能源系统元件选址定容方法
CN113156835A (zh) * 2021-04-26 2021-07-23 杭州鸿晟电力设计咨询有限公司 一种用于电-热综合能源系统运行控制的建模仿真方法

Also Published As

Publication number Publication date
CN111523204B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Zhou et al. Integrated power and heat dispatch considering available reserve of combined heat and power units
Sanjari et al. Application of Hyper-Spherical Search algorithm for optimal energy resources dispatch in residential microgrids
Gatta et al. Battery energy storage efficiency calculation including auxiliary losses: Technology comparison and operating strategies
Zhang et al. Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach
CN111489020A (zh) 一种独立型综合能源网电-气储能系统优化配置求解方法
CN111523204B (zh) 一种并网型综合能源网电-气储能系统优化配置求解方法
Khawaja et al. Optimal cost-based model for sizing grid-connected PV and battery energy system
CN111199015B (zh) 一种综合能源系统优化方法和装置
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
Dixit et al. Energy management in microgrids with renewable energy sources and demand response
Majić et al. Optimal scheduling of a CHP system with energy storage
Hu et al. Minimizing energy cost for green data center by exploring heterogeneous energy resource
Li et al. Flexible scheduling of microgrid with uncertainties considering expectation and robustness
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
Abul'Wafa Energy storage sizing for rooftop grid-connected PV system
CN113988471A (zh) 一种微电网运行多目标优化方法
CN117094746A (zh) 一种虚拟发电厂优化方法、装置、设备及介质
CN117175555A (zh) 一种考虑微网功率支撑能力的主动配电网经济调度方法
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
CN116882575A (zh) 一种电网调节优化方法、装置及设备
CN110518637A (zh) 复合相变储能微网配置方法
CN113054685B (zh) 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法
Mukhopadhyay et al. Optimum hourly energy scheduling in interconnected renewable microgrids
Palacios-Garcia et al. Smart community load matching using stochastic demand modeling and historical production data
Dong et al. An efficient mixed-variable generation operator for integrated energy system configuration optimization

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