CN111539572A - 光沼微能源网的优化规划方法 - Google Patents

光沼微能源网的优化规划方法 Download PDF

Info

Publication number
CN111539572A
CN111539572A CN202010339427.XA CN202010339427A CN111539572A CN 111539572 A CN111539572 A CN 111539572A CN 202010339427 A CN202010339427 A CN 202010339427A CN 111539572 A CN111539572 A CN 111539572A
Authority
CN
China
Prior art keywords
energy
representing
biogas
micro
heat
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
CN202010339427.XA
Other languages
English (en)
Other versions
CN111539572B (zh
Inventor
任万鑫
汪鑫
张娜
杨函煜
邵海雄
黎灿兵
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.)
Hunan Dayun New Power Technology Co ltd
Original Assignee
Hunan Dayun New Power Technology 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 Hunan Dayun New Power Technology Co ltd filed Critical Hunan Dayun New Power Technology Co ltd
Priority to CN202010339427.XA priority Critical patent/CN111539572B/zh
Publication of CN111539572A publication Critical patent/CN111539572A/zh
Application granted granted Critical
Publication of CN111539572B publication Critical patent/CN111539572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种光沼微能源网的优化规划方法，光沼微能源网包括多个能量转换设备和多个储能设备，多个能量转换设备包括厌氧发酵池、热电联产机组、太阳能光伏板、太阳能集热器，多个储能设备包括储气设备、储电设备和储热设备，方法包括：对光沼微能源网中的各设备和各不确定性变量分别建模，得到各设备的模型和各不确定性变量的模型；基于各设备的模型和各不确定性变量的模型，建立光沼微能源网系统优化规划模型；对光沼微能源网系统优化规划模型进行线性化处理，得到混合线性整数规划模型；利用奔德斯分解方法对混合线性整数规划模型进行求解，得到优化规划结果。该方法能够对光沼微能源网中各组成部分进行最优配置，有利于提高经济效益。

Description

光沼微能源网的优化规划方法
技术领域
本发明涉及新能源技术领域，尤其涉及一种光沼微能源网的优化规划方法。
背景技术
微能源网是通过冷、电、热、气、储能等不同形式能源在生产、传输、消费等多个环节进行协同优化以实现优势互补的微型多能源互联系统，其能够降低能源供应成本，提高综合能源利用率，广泛适用于缺乏常规电源和供能基础设施建设落后的山区、丘陵、海岛等地区。考虑多种能源互补协调的能源优化规划是提高微能源网综合能源利用率的基础，综合考虑经济、环保、节能，构建微能源网优化配置模型，从而求解确定系统中主要设备的最佳容量以及总的系统运行成本，为微能源网的实际运行提供参考与决策支持。
为此，相关技术中提出了一种光伏温室微能网系统多形态储能配置方法及系统，该技术虽然能实现全年各类气象场景与温室作业场景下光伏发电的高比例就地消纳，但其仅把沼气池作为平抑光伏波动性的储能设备之一，并没有利用热电联产机组将气、电、热耦合，不适用于光沼微能源网的优化规划。相关技术中还提出了一种含风电的电-气-热综合能源系统扩展规划优化方法，该技术虽然对电、气、热三种能源进行耦合规划，在规划时也结合了当地的风电接入容量、负荷水平，但其并没有考虑到沼气发酵环节的精确建模以及太阳能对沼气发酵环节的作用。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种光沼微能源网的优化规划方法，与对光沼微能源网中各组成部分进行最优配置，合理选用设备容量。
为实现上述目的，本发明实施例提出了一种光沼微能源网的优化规划方法，所述光沼微能源网包括多个能量转换设备和多个储能设备，所述多个能量转换设备包括厌氧发酵池、热电联产机组、太阳能光伏板、太阳能集热器，所述多个储能设备包括储气设备、储电设备和储热设备，所述方法包括以下步骤：对所述光沼微能源网中的各设备和各不确定性变量分别建模，得到各设备的模型和各不确定性变量的模型；基于所述各设备的模型和所述各不确定性变量的模型，建立光沼微能源网系统优化规划模型；对所述光沼微能源网系统优化规划模型进行线性化处理，得到混合线性整数规划模型；利用奔德斯分解方法对所述混合线性整数规划模型进行求解，得到所述光沼微能源网的优化规划结果。
根据本发明实施例的光沼微能源网的优化规划方法，在光沼微能源网优化规划模型中引入沼气发酵池的热力学模型，并将混合整数非线性规划问题转换为了混合整数线性规划问题，并采用奔德斯分解方法进行求解，由此，能够对光沼微能源网中各组成部分进行最优配置，合理选用设备容量，且可以客观地为实际生产过程中做出指导，提高经济效益。
另外，本发明实施例的光沼微能源网的优化规划方法还可以具有如下附加的技术特征：
具体地，所述厌氧发酵池的模型通过下式表示：
Figure BDA0002467831910000021
其中，Td表示所述厌氧发酵池内的温度，Hheat表示输送到所述厌氧发酵池的总热量，Hsur表示所述厌氧发酵池表面的热损失量，cm表示发酵原料的热容量，ρm表示发酵原料的密度，VAD表示所述厌氧发酵池的容积，X(τ,s)表示变量X在τ时刻在第s个场景下的值。
其中，所述输送到所述厌氧发酵池的总热量通过下式表示：
Figure BDA0002467831910000022
其中，
Figure BDA0002467831910000023
表示所述热电联产机组输送至所述厌氧发酵池的热量，
Figure BDA0002467831910000024
表示所述太阳能集热器输送至所述厌氧发酵池的热量，ηloss表示平均传热效率；
所述厌氧发酵池表面的热损失量通过下式表示：
Figure BDA0002467831910000025
其中，ni表示第i个表面的导热系数，Ai表示第i个的厌氧发酵池表面面积，Td表示所述厌氧发酵池内的温度，Tsoil表示所述厌氧发酵池接触介质的温度；
在所述厌氧发酵池的模型中，投入原料的质量对沼气产量的约束条件为：
ηbiombio(τ,s)≥Gbio(τ,s)，
其中，mbio表示每小时投料的质量，ηbio表示从生物质到沼气的最大转化效率，Gbio表示每小时沼气的生产率。
可选地，在20℃至60℃的温度范围内，所述厌氧发酵池的沼气产量预测模型通过下式表示：
Figure BDA0002467831910000026
其中，
Figure BDA0002467831910000031
参数α11,α12,α21,α22,β11,β12,β13均为常数，K表示与厌氧发酵过程速率和稳定性有关的参数，μd表示微生物的最大日生长速率，S0表示进水的挥发性固体浓度，B0表示生物化学甲烷势，HRT表示水力停留时间常数。
具体地，采用随机场景生成方法基于历史数据对所述各不确定性变量进行概率建模，得到所述各不确定性变量的模型，其中，所述不确定性变量包括负荷需求、太阳能辐射值和土壤温度，所述负荷需求包括电需求、热需求和燃气需求，每个不确定性变量由三个离散状态表示。
具体地，所述光沼微能源网系统优化规划模型的目标函数通过下式表示：
min(TIC+TOC)，
其中，TIC＝fN*IC，表示投资成本，
Figure BDA0002467831910000032
表示运营和维护成本，fN＝(NSWH,NPV,NCHP,NBSS,NBES,NTES)T表示决策向量，所述决策向量中的各元素分别表示所述太阳能集热器、所述太阳能光伏板、所述热电联产机组、所述储电设备、所述储气设备、所述储热设备的容量，投资成本向量IC和维护成本向量MC中的各个元素分别对应每个设备的投资和维护成本，p(s)表示场景概率，Cbio表示制沼原料的单位质量成本，
Figure BDA0002467831910000033
向量
Figure BDA0002467831910000034
中的各元素分别表示各个设备的容量上限。
具体地，所述光沼微能源网系统优化规划模型的约束条件包括：
供能可靠性约束：
Figure BDA0002467831910000035
其中，
Figure BDA0002467831910000036
j∈{e,th,g}表示能源形式，分别对应表示电能、热能、沼气能，L′j、Lj分别表示不同形式的负荷需求预测值和可提供值，λj表示最大能源断供可能性，zj为逻辑变量，zj(L′j-Lj)为非线性项；
能量供需平衡约束：
Figure BDA0002467831910000037
Figure BDA0002467831910000038
Figure BDA0002467831910000041
其中，Le、Lth、Lg分别表示电、热、气负荷，ECHP表示所述热电联产机组的发电量，EPV表示所述太阳能光伏板的发电量，
Figure BDA0002467831910000042
和
Figure BDA0002467831910000043
分别表示所述储电设备的充、放电量，
Figure BDA0002467831910000044
和
Figure BDA0002467831910000045
分别表示由所述太阳能集热器和所述热电联产机组向所述储热设备传输的热量，
Figure BDA0002467831910000046
和
Figure BDA0002467831910000047
分别表示所述储热设备释放和吸收的热量，
Figure BDA00024678319100000417
表示沼气的热值，
Figure BDA0002467831910000048
表示由所述储气装置输送出的沼气量，GCHP表示所述热电联产机组发电消耗的沼气量；
所述太阳能光伏板的发电量约束：
Figure BDA0002467831910000049
其中，fPV表示损耗系数，P0表示每平方所述太阳能光伏板的额定输出功率，JSTC表示标准测试条件下所述太阳能光伏板的太阳辐射，Tair表示所述太阳能光伏板表面的空气温度，TSTC表示标准测试条件下所述太阳能光伏板的温度，NPV表示所述太阳能光伏板的容量；
所述太阳能集热器的热量约束：
Figure BDA00024678319100000410
其中，ηSWH表示所述太阳能集热器的能量转换效率，ηloss表示传热管路平均热耗率，
Figure BDA00024678319100000411
表示由所述太阳能集热器向所述厌氧发酵池传输的热量，NSWH表示所述太阳能集热器的容量；
所述热电联产机组的电能和热量约束：
Figure BDA00024678319100000412
Figure BDA00024678319100000413
ECHP(τ,s)+HCHP(τ,s)≤NCHP，
其中，
Figure BDA00024678319100000414
表示由所述热电联产机组向所述厌氧发酵池传输的热量，GCHP表示输入至所述热电联产机组的沼气量，
Figure BDA00024678319100000415
分别表示所述热电联产机组最小、最大能量转换效率，NCHP表示所述热电联产机组的容量；
所述储电设备的约束：
Figure BDA00024678319100000416
其中，
Figure BDA0002467831910000051
和
Figure BDA0002467831910000052
分别表示所述储电设备的充放电效率，0≤EBSS(t,s)≤NBSS，
Figure BDA0002467831910000053
NBSS表示所述储电设备的容量，
Figure BDA0002467831910000054
表示所述储电设备的最大充放电量系数，EBSS(t＝1,s)≤EBSS(t＝24,s)，表示一天结束时的储电量不小于初始储电量；
所述储气设备的约束：
Figure BDA0002467831910000055
和
Figure BDA0002467831910000056
其中，
Figure BDA0002467831910000057
和
Figure BDA0002467831910000058
分别表示所述储气设备存储和释放沼气的效率，
Figure BDA0002467831910000059
NBES表示所述储气装置的容量，
Figure BDA00024678319100000510
和
Figure BDA00024678319100000511
表示所述储气设备的最小和最大储气系数，
Figure BDA00024678319100000512
表示所述储气设备的最大存放沼气量系数，GBES(t＝1,s)≤GBES(t＝24,s)表示一天结束时的储气量不小于初始储气量；
所述储热设备的约束：
Figure BDA00024678319100000513
其中，
Figure BDA00024678319100000514
和
Figure BDA00024678319100000515
分别表示所述储热设备存储和释放热量的效率，
Figure BDA00024678319100000516
NTES表示所述储热设备的容量，
Figure BDA00024678319100000517
表示所述储热设备的最大存放热量系数。
具体地，所述对所述光沼微能源网系统优化规划模型进行线性化处理，包括：通过添加m个断点b1,b2,…,bm对所述沼气产量预测模型进行分段线性处理，以及引入因子辅助连续变量rj＝zj*Lj，并采用大M法对所述供能可靠性约束进行线性处理。
其中，所述沼气产量预测模型经分段线性处理后得到：
Figure BDA00024678319100000518
其中，
Figure BDA00024678319100000519
km≤qm-1+qm(m＝1,2...m-1),km≤qm-1，
Figure BDA00024678319100000520
Gbio(b1),Gbio(b2),…,Gbio(bm)分别表示各断点的线性关系，k1,k2,…,km表示m个非负决策变量和q1,q2,…,qm-1表示m-1个二元整数决策变量；
所述供能可靠性约束经线性处理后得到：
Figure BDA0002467831910000061
其中，
Figure BDA0002467831910000062
Figure BDA0002467831910000063
具体地，所述利用奔德斯分解方法对所述混合线性整数规划模型进行求解，包括：利用奔德斯分解方法将所述混合线性整数规划模型分解为投资决策主问题和两组运行子问题，并经奔德斯割交替迭代求解，直至满足收敛条件，其中，所述两组运行子问题包括可行子问题和优化子问题。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明实施例的光沼微能源网的优化规划方法的流程图；
图2是本发明实施例的光沼微能源网的结构示意图；
图3是本发明一个示例的利用奔德斯分解方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的光沼微能源网的优化规划方法。
实施例1
图1是本发明实施例的光沼微能源网的优化规划方法的流程图。
在该实施例中，光沼微能源网包括多个能量转换设备和多个储能设备，多个能量转换设备包括厌氧发酵池(Anaerobic Digesters，AD)、热电联产机组(Combined Heat andPower，CHP)、太阳能光伏板(Solar PhotoVoltaic，PV)、太阳能集热器(Solar WaterHeater，SWH)，多个储能设备包括储气设备(Biogas Energy Storage，BES)、储电设备(Battery Storage System，BSS)和储热设备(Thermal Energy Storage，TES)，光沼微能源网的结构如图2所示。
其中，光沼微能源网充分利用偏远地区生物质能丰富的特点，将生产生活过程中的有机废料通过在厌氧发酵池内发酵，产生的沼气在保障用户日常用气需求的同时，还可利用热电联产机组为用户供热、供电。白天光照充足，主要利用太阳能电池板与太阳能集热器分别将太阳能转化为电能和热能，对于多余的电能、热能和沼气可以分别利用对应的储能设备暂时储存起来。考虑到太阳辐射强度的日随机特性和厌氧发酵过程对温度的敏感特性，如图2所示，构建的光沼微能源网结构中设置有热反馈回路，用于将太阳能集热器和热电联产机组产生的多余热量送入厌氧发酵池以提高发酵温度，从而获得更多沼气。夜间所需的电能和热能将由热电联产机组利用储气设备中存储的沼气发电提供。
上述光沼微能源网的能量流矩阵方程如式(1)所示：
Figure BDA0002467831910000071
其中，Esolar表示整个光沼微能源网输入的太阳能，Ebio表示整个光沼微能源网输入的生物质能Ebio，Le、Lth、Lg分别表示输出的电能、热能、沼气能，向量L、E分别表示输出和输入的能量向量，向量C表示输入与输出能量流之间的转换耦合矩阵，向量C中的各元素cij表示耦合矩阵系数，向量S中的各元素表示各储能设备的存储与释放能量之差，E+表示储存的能量，E-表示释放的能量。式(1)中抽象的能量转换矩阵，结合步骤S1建立的模型作为后述优化规划模型中的约束条件。
如图1所示，光沼微能源网的优化规划方法包括以下步骤：
S1，对光沼微能源网中的各设备和各不确定性变量分别建模，得到各设备的模型和各不确定性变量的模型。
具体地，对于太阳能电池板、太阳能集热器、热电联产机组的模型建立，已在相关技术中公开，在此不再赘述。本发明对于沼气厌氧发酵池的建模进行详细阐述，建立的沼气厌氧发酵的热力学模型，以模拟累积的热效应对沼气产量的影响。
具体而言，沼气厌氧发酵的热力学模型如式(2)-(8)所示：
Figure BDA0002467831910000072
其中，式(2)表示一种场景下随沼气厌氧发酵池内温度变化的热平衡方程，Td表示厌氧发酵池内的温度，Hheat表示输送到厌氧发酵池的总热量，Hsur表示厌氧发酵池表面的热损失量，cm表示发酵原料的热容量，ρm表示发酵原料的密度，VAD表示厌氧发酵池的容积，X(τ,s)表示变量X在τ时刻在第s个场景下的值。
Figure BDA0002467831910000073
其中，式(3)表示输送到厌氧发酵池的总热量，
Figure BDA0002467831910000074
表示热电联产机组输送至厌氧发酵池的热量，
Figure BDA0002467831910000081
表示太阳能集热器输送至厌氧发酵池的热量，ηloss表示平均传热效率。
Figure BDA0002467831910000082
其中，式(4)表示厌氧发酵池表面的热损失量，ni表示第i个表面的导热系数，Ai表示第i个的厌氧发酵池表面面积，Td表示厌氧发酵池内的温度，Tsoil表示厌氧发酵池接触介质的温度。
在厌氧发酵池的模型中，投入原料的质量对沼气产量的约束条件为式(5)：
ηbiombio(τ,s)≥Gbio(τ,s) (5)
其中，mbio表示每小时投料的质量，ηbio表示从生物质到沼气的最大转化效率，Gbio表示每小时沼气的生产率。需要说明的是，为了维持系统每天的不间断运行，需要每小时向厌氧发酵池内投入制沼原料。
作为一个示例，在20℃至60℃的温度范围内，厌氧发酵池的沼气产量预测模型通过下式(6)-(8)表示：
Figure BDA0002467831910000083
Figure BDA0002467831910000084
Figure BDA0002467831910000085
其中，参数α11,α12,α21,α22,β11,β12,β13均为常数，K表示与厌氧发酵过程速率和稳定性有关的参数，μd表示微生物的最大日生长速率，S0表示进水的挥发性固体浓度，B0表示生物化学甲烷势，HRT表示水力停留时间常数。
作为一个示例，可采用随机场景生成方法基于历史数据对各不确定性变量进行概率建模，得到各不确定性变量的模型，其中，不确定性变量包括负荷需求、太阳能辐射值和土壤温度，负荷需求包括电需求、热需求和燃气需求，每个不确定性变量由三个离散状态表示，根据历史数据获得每小时的平均值。通过将历史数据分为四个季节来考虑季节性的影响，通过排列组合可得到35＝243种季节性场景，进而可利用GAMS软件中SCENRED程序的正演/反推算法进行场景筛选，得到获得最终需要的场景。
S2，基于各设备的模型和各不确定性变量的模型，建立光沼微能源网系统优化规划模型。
具体地，光沼微能源网系统优化规划模型的目标函数通过下式(9)表示，包括投资成本TIC以及运营和维护成本TOC：
min(TIC+TOC) (9)
其中，
TIC＝fN*IC (10)
Figure BDA0002467831910000091
上式(9)-(11)中，fN＝(NSWH,NPV,NCHP,NBSS,NBES,NTES)T表示决策向量，决策向量中的各元素分别表示太阳能集热器、太阳能光伏板、热电联产机组、储电设备、储气设备、储热设备的容量，投资成本向量IC和维护成本向量MC中的各个元素分别对应每个设备的投资和维护成本，p(s)表示场景概率，Cbio表示制沼原料的单位质量成本。
决策变量的可行域如式(12)所示：
Figure BDA0002467831910000092
其中，向量
Figure BDA0002467831910000093
中的各元素分别表示各个设备的容量上限。
然后，建立光沼微能源网系统优化规划模型的约束条件，系统运行约束如式(13)-(38)所示：
Figure BDA0002467831910000094
Figure BDA0002467831910000095
式(13)-(14)表示供能可靠性约束。其中，j∈{e,th,g}表示能源形式，分别对应表示电能、热能、沼气能，L′j、Lj分别表示不同形式的负荷需求预测值和可提供值，λj表示最大能源断供可能性，zj为逻辑变量，zj(L′j-Lj)为非线性项。
能量供需平衡约束：
Figure BDA0002467831910000096
Figure BDA0002467831910000097
Figure BDA0002467831910000098
式(15)-(17)表示能量供需平衡约束。其中，Le、Lth、Lg分别表示电、热、气负荷，ECHP表示热电联产机组的发电量，EPV表示太阳能光伏板的发电量，
Figure BDA0002467831910000099
和
Figure BDA00024678319100000910
分别表示储电设备的充、放电量，
Figure BDA00024678319100000911
和
Figure BDA00024678319100000912
分别表示由太阳能集热器和热电联产机组向储热设备传输的热量，
Figure BDA0002467831910000101
和
Figure BDA0002467831910000102
分别表示储热设备释放和吸收的热量，
Figure BDA0002467831910000103
表示沼气的热值，
Figure BDA0002467831910000104
表示由储气设备输送出的沼气量，GCHP表示热电联产机组发电消耗的沼气量。
Figure BDA0002467831910000105
式(18)表示太阳能光伏板的发电量约束，即太阳能光伏板的发电量EPV由其容量NPV和太阳辐射J决定。其中，fPV表示损耗系数，P0表示每平方太阳能光伏板的额定输出功率，JSTC表示标准测试条件下太阳能光伏板的太阳辐射，Tair表示太阳能光伏板表面的空气温度，TSTC表示标准测试条件下太阳能光伏板的温度。
Figure BDA0002467831910000106
Figure BDA0002467831910000107
式(19)-(20)表示太阳能集热器的热量约束，具体为式(19)表示太阳能集热器转化的热量HSWH由其容量NSWH和太阳辐射J决定，式(20)表示太阳能集热器产生的热量HSWH流向厌氧发酵池和储热设备。其中，ηSWH表示太阳能集热器的能量转换效率，ηloss表示传热管路平均热耗率，
Figure BDA0002467831910000108
表示由太阳能集热器向厌氧发酵池传输的热量。
Figure BDA0002467831910000109
Figure BDA00024678319100001010
ECHP(τ,s)+HCHP(τ,s)≤NCHP (23)
式(21)-(23)表示热电联产机组的电能和热量约束，具体为式(21)表示热电联产机组产生的热量HCHP流向厌氧发酵池和储热设备，式(22)、(23)表示热电联产机组输出的电能ECHP和热量HCHP约束，其产生取决于输入的沼气量GCHP。其中，
Figure BDA00024678319100001011
表示由热电联产机组向厌氧发酵池传输的热量，GCHP表示输入至热电联产机组的沼气量，
Figure BDA00024678319100001012
分别表示热电联产机组最小、最大能量转换效率，NCHP表示热电联产机组的容量。
Figure BDA00024678319100001013
0≤EBSS(t,s)≤NBSS (25)
Figure BDA00024678319100001014
Figure BDA0002467831910000111
EBSS(t＝1,s)≤EBSS(t＝24,s) (28)
式(24)-(28)表示储电设备的约束，具体为式(24)表示储电设备每小时的电量变化，式(25)-(27)分别表示对于储电设备的电能存储极限和充放电量的约束，式(28)表示一天结束时的储电量不小于初始储电量，以确保系统可以连续运行。其中，
Figure BDA0002467831910000112
和
Figure BDA0002467831910000113
分别表示储电设备的充放电效率，NBSS表示储电设备的容量，
Figure BDA0002467831910000114
表示储电设备的最大充放电量系数。
Figure BDA0002467831910000115
Figure BDA0002467831910000116
Figure BDA0002467831910000117
Figure BDA0002467831910000118
Figure BDA0002467831910000119
Figure BDA00024678319100001110
式(29)-(34)为储气设备的约束，具体为式(29)表示存入储气设备的沼气量
Figure BDA00024678319100001111
等于厌氧发酵池产生的沼气量Gbio，式(30)表示储气设备每小时的沼气量变化，式(31)-(33)分别表示对于储气设备的沼气存储极限和充放沼气量的约束，式(34)表示一天结束时的储气量不小于初始储气量，以确保系统可以连续运行。其中，
Figure BDA00024678319100001112
和
Figure BDA00024678319100001113
分别表示储气设备存储和释放沼气的效率，NBES表示BES的容量，
Figure BDA00024678319100001114
和
Figure BDA00024678319100001115
表示储气设备的最小和最大储气系数，
Figure BDA00024678319100001116
表示储气设备的最大存放沼气量系数。
Figure BDA00024678319100001117
Figure BDA00024678319100001118
Figure BDA00024678319100001119
Figure BDA00024678319100001120
式(35)-(38)表示储热设备的约束，具体为式(35)表示储热设备每小时的热量变化，式(36)-(38)分别表示对于储热设备的热能存储极限和充放热量的约束。其中，
Figure BDA0002467831910000121
和
Figure BDA0002467831910000122
分别表示储热设备存储和释放热量的效率，NTES表示储热设备的容量，
Figure BDA0002467831910000123
表示储热设备的最大存放热量系数。
从而建立得到的光沼微能源网系统优化规划模型可表述如下：
min(TIC+TOC)
s.t.(2)-(8),(12)-(38)
由于式(6)-(8)描述的厌氧发酵温度Td与沼气产率Gbio(Td)的非线性关系，以及式(13)-(14)描述的供能可靠性约束中含有离散变量和非线性项，建立的优化规划模型是混合整数非线性规划模型，可以直接利用成熟的商业软件进行非线性规划求解，得到最经济的规划结果。考虑到求解效率，以及兼顾精确性，本发明将模型进一步进行线性化。
S3，对光沼微能源网系统优化规划模型进行线性化处理，得到混合线性整数规划模型。
具体地，对光沼微能源网系统优化规划模型进行线性化处理，包括：通过添加m个断点b1,b2,…,bm对沼气产量预测模型进行分段线性处理，以及引入因子辅助连续变量rj＝zj*Lj，并采用大M法对供能可靠性约束进行线性处理。
具体而言，对于非线性约束(6)-(8)，通过添加m个断点b1,b2,…,bm，利用分段线性曲线来代替，分段越多模型越精确，每段线性关系分别表示为Gbio(b1),Gbio(b2),…,Gbio(bm)。定义m个非负决策变量k1,k2,…,km和m-1个二元整数决策变量q1,q2,…,qm-1。将约束(6)-(8)在区间[b0，bm]中近似线性化重新形成约束，简化得到式(39)-(43)。
Figure BDA0002467831910000124
Figure BDA0002467831910000125
km≤qm-1+qm(m＝1,2...m-1),km≤qm-1 (41)
Figure BDA0002467831910000126
Figure BDA0002467831910000127
对于约束(13)-(14)，引入因子辅助连续变量rj＝zj*Lj，利用大M法将原约束放宽为(44)-(48)，其中M是足够大的正数。
Figure BDA0002467831910000128
Figure BDA0002467831910000129
Figure BDA0002467831910000131
Figure BDA0002467831910000132
Figure BDA0002467831910000133
最终得到光沼微能源网系统的规划问题最终形式，即混合线性整数规划模型，该混合线性整数规划模型可表述如下：
min(TIC+TOC)
s.t.(2)-(5),(15)-(48)
S4，利用奔德斯分解方法对混合线性整数规划模型进行求解，得到光沼微能源网的优化规划结果。
具体地，利用奔德斯分解方法对混合线性整数规划模型进行求解，包括：利用奔德斯分解方法将混合线性整数规划模型分解为投资决策主问题和两组运行子问题，并经奔德斯割交替迭代求解，直至满足收敛条件，其中，两组运行子问题包括可行子问题和优化子问题。
需要说明的是，若直接利用成熟的商业软件直接求解，则求解代价大。为了简化计算量，本发明利用奔德斯分解方法将含有大规模场境的规划问题分解为投资决策主问题和两组子问题，以提高计算效率。为了方便说明将步骤S3最终得到的混合线性整数规划模型重新表述如下：
Figure BDA0002467831910000134
其中，向量x表示投资阶段的决策向量fN，向量ys由运行阶段内的连续变量组成，向量zs由操作阶段内的离散变量组成，s表示场景，P(s)是场景期望值，Ax≥b表示投资约束(12)，Ex+Fys+Gzs≥h表示所有运行约束(2)-(5)和(15)-(48)。
利用奔德斯分解方法将优化规划模型(49)分解为投资决策主问题和两组运行子问题；两组运行子问题分别为可行子问题和优化子问题，主问题和子问题间经奔德斯割交替迭代求解，通过反复迭代过程，修改系统的上、下限，当二者之差满足收敛条件时停止迭代得到最优解。
投资决策主问题为：
Figure BDA0002467831910000135
其中，其中θ是运行阶段追索成本的近似值。在每次迭代过程中，将求解主问题(50)得到的最优解x*作为下界LB。
可行子问题用于检验从主问题中获得的投资决策在运行阶段时是否可行，利用求得的主问题最优解x*，放宽每种场景下可行子问题。由于原始的可行子问题是非凸的，不能直接来为主问题提供奔德斯割集。故而先利用问题(51)求得离散变量zs*，并将其值固定后，重新构造后的可行子问题如(52)所示，其中向量w是非负松弛变量向量。
Figure BDA0002467831910000141
Figure BDA0002467831910000142
如果在y＝ys*处可行子问题的最优值不等于零，则生成可行割(53)并将其添加到主问题中，其中υs*是可行子问题(52)的最优对偶解。
Figure BDA0002467831910000143
如果(52)的最优值等于零，则优化子问题表示为(54)。
Figure BDA0002467831910000144
由于(54)是非凸的，因此采用与解决可行子问题相同的方法来求解并获得的最优原始解
Figure BDA0002467831910000145
和最优对偶解
Figure BDA0002467831910000146
从而更新上限UB如式(55)所示。
Figure BDA0002467831910000147
如果第n次迭代完成时，收敛条件|UBn-LBn|<ε无法满足，将在下一次迭代中生成如式(56)所示的最优割并将其添加到主问题(50)内；若满足收敛条件则迭代终止，获得规划问题(49)的最优解。
Figure BDA0002467831910000148
上述利用奔德斯分解方法求解优化规划问题(49)过程对应的流程图如图3所示。
根据最终得到的优化结果，可确定光沼微能源网内各个设备的最佳容量。
本发明实施例的光沼微能源网的优化规划方法，能够对光沼微能源网中各组成部分进行最优配置，合理选用设备容量，且考虑到沼气发酵过程中的热力学模型和多能流的耦合特性，可以客观地为实际生产过程中做出指导，提高经济效益。
实施例2
进一步地，本发明还提出了一种计算机可读存储介质。
在本发明的实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的光沼微能源网的优化规划方法。
本发明实施例的计算机可读存储介质，在其上存储的与上述光沼微能源网的优化规划方法对应的计算机程序被处理器执行时，能够对光沼微能源网中各组成部分进行最优配置，合理选用设备容量，且考虑到沼气发酵过程中的热力学模型和多能流的耦合特性，可以客观地为实际生产过程中做出指导，提高经济效益。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种光沼微能源网的优化规划方法，其特征在于，所述光沼微能源网包括多个能量转换设备和多个储能设备，所述多个能量转换设备包括厌氧发酵池、热电联产机组、太阳能光伏板、太阳能集热器，所述多个储能设备包括储气设备、储电设备和储热设备，所述方法包括以下步骤：
对所述光沼微能源网中的各设备和各不确定性变量分别建模，得到各设备的模型和各不确定性变量的模型；
基于所述各设备的模型和所述各不确定性变量的模型，建立光沼微能源网系统优化规划模型；
对所述光沼微能源网系统优化规划模型进行线性化处理，得到混合线性整数规划模型；
利用奔德斯分解方法对所述混合线性整数规划模型进行求解，得到所述光沼微能源网的优化规划结果。
2.如权利要求1所述的光沼微能源网的优化规划方法，其特征在于，所述厌氧发酵池的模型通过下式表示：
Figure FDA0002467831900000011
其中，Td表示所述厌氧发酵池内的温度，Hheat表示输送到所述厌氧发酵池的总热量，Hsur表示所述厌氧发酵池表面的热损失量，cm表示发酵原料的热容量，ρm表示发酵原料的密度，VAD表示所述厌氧发酵池的容积，X(τ,s)表示变量X在τ时刻在第s个场景下的值。
3.如权利要求2所述的光沼微能源网的优化规划方法，其特征在于，
所述输送到所述厌氧发酵池的总热量通过下式表示：
Figure FDA0002467831900000012
其中，
Figure FDA0002467831900000013
表示所述热电联产机组输送至所述厌氧发酵池的热量，
Figure FDA0002467831900000014
表示所述太阳能集热器输送至所述厌氧发酵池的热量，ηloss表示平均传热效率；
所述厌氧发酵池表面的热损失量通过下式表示：
Figure FDA0002467831900000015
其中，ni表示第i个表面的导热系数，Ai表示第i个的厌氧发酵池表面面积，Td表示所述厌氧发酵池内的温度，Tsoil表示所述厌氧发酵池接触介质的温度；
在所述厌氧发酵池的模型中，投入原料的质量对沼气产量的约束条件为：
ηbiombio(τ,s)≥Gbio(τ,s)，
其中，mbio表示每小时投料的质量，ηbio表示从生物质到沼气的最大转化效率，Gbio表示每小时沼气的生产率。
4.如权利要求3所述的光沼微能源网的优化规划方法，其特征在于，在20℃至60℃的温度范围内，所述厌氧发酵池的沼气产量预测模型通过下式表示：
Figure FDA0002467831900000021
其中，
Figure FDA0002467831900000022
参数α11,α12,α21,α22,β11,β12,β13均为常数，K表示与厌氧发酵过程速率和稳定性有关的参数，μd表示微生物的最大日生长速率，S0表示进水的挥发性固体浓度，B0表示生物化学甲烷势，HRT表示水力停留时间常数。
5.如权利要求1所述的光沼微能源网的优化规划方法，其特征在于，采用随机场景生成方法基于历史数据对所述各不确定性变量进行概率建模，得到所述各不确定性变量的模型，其中，所述不确定性变量包括负荷需求、太阳能辐射值和土壤温度，所述负荷需求包括电需求、热需求和燃气需求，每个不确定性变量由三个离散状态表示。
6.如权利要求1所述的光沼微能源网的优化规划方法，其特征在于，所述光沼微能源网系统优化规划模型的目标函数通过下式表示：
min(TIC+TOC)，
其中，TIC＝fN*IC，表示投资成本，
Figure FDA0002467831900000023
表示运营和维护成本，fN＝(NSWH,NPV,NCHP,NBSS,NBES,NTES)T表示决策向量，所述决策向量中的各元素分别表示所述太阳能集热器、所述太阳能光伏板、所述热电联产机组、所述储电设备、所述储气设备、所述储热设备的容量，投资成本向量IC和维护成本向量MC中的各个元素分别对应每个设备的投资和维护成本，p(s)表示场景概率，Cbio表示制沼原料的单位质量成本，
Figure FDA0002467831900000024
向量
Figure FDA0002467831900000025
中的各元素分别表示各个设备的容量上限。
7.如权利要求4所述的光沼微能源网的优化规划方法，其特征在于，所述光沼微能源网系统优化规划模型的约束条件包括：
供能可靠性约束：
Figure FDA0002467831900000026
其中，
Figure FDA0002467831900000031
j∈{e,th,g}表示能源形式，分别对应表示电能、热能、沼气能，L′j、Lj分别表示不同形式的负荷需求预测值和可提供值，λj表示最大能源断供可能性，zj为逻辑变量，zj(L′j-Lj)为非线性项；
能量供需平衡约束：
Figure FDA0002467831900000032
Figure FDA0002467831900000033
Figure FDA0002467831900000034
其中，Le、Lth、Lg分别表示电、热、气负荷，ECHP表示所述热电联产机组的发电量，EPV表示所述太阳能光伏板的发电量，
Figure FDA0002467831900000035
和
Figure FDA0002467831900000036
分别表示所述储电设备的充、放电量，
Figure FDA0002467831900000037
和
Figure FDA0002467831900000038
分别表示由所述太阳能集热器和所述热电联产机组向所述储热设备传输的热量，
Figure FDA0002467831900000039
和
Figure FDA00024678319000000310
分别表示所述储热设备释放和吸收的热量，
Figure FDA00024678319000000311
表示沼气的热值，
Figure FDA00024678319000000312
表示由所述储气设备输送出的沼气量，GCHP表示所述热电联产机组发电消耗的沼气量；
所述太阳能光伏板的发电量约束：
Figure FDA00024678319000000313
其中，fPV表示损耗系数，P0表示每平方所述太阳能光伏板的额定输出功率，JSTC表示标准测试条件下所述太阳能光伏板的太阳辐射，Tair表示所述太阳能光伏板表面的空气温度，TSTC表示标准测试条件下所述太阳能光伏板的温度，NPV表示所述太阳能光伏板的容量；
所述太阳能集热器的热量约束：
Figure FDA00024678319000000314
和
Figure FDA00024678319000000315
其中，ηSWH表示所述太阳能集热器的能量转换效率，ηloss表示传热管路平均热耗率，
Figure FDA00024678319000000316
表示由所述太阳能集热器向所述厌氧发酵池传输的热量，NSWH表示所述太阳能集热器的容量；
所述热电联产机组的电能和热量约束：
Figure FDA00024678319000000317
Figure FDA0002467831900000041
ECHP(τ,s)+HCHP(τ,s)≤NCHP，
其中，
Figure FDA0002467831900000042
表示由所述热电联产机组向所述厌氧发酵池传输的热量，GCHP表示输入至所述热电联产机组的沼气量，
Figure FDA0002467831900000043
分别表示所述热电联产机组最小、最大能量转换效率，NCHP表示所述热电联产机组的容量；
所述储电设备的约束：
Figure FDA0002467831900000044
其中，
Figure FDA0002467831900000045
和
Figure FDA0002467831900000046
分别表示所述储电设备的充放电效率，0≤EBSS(t,s)≤NBSS，
Figure FDA0002467831900000047
NBSS表示所述储电设备的容量，
Figure FDA0002467831900000048
表示所述储电设备的最大充放电量系数，EBSS(t＝1,s)≤EBSS(t＝24,s)，表示一天结束时的储电量不小于初始储电量；
所述储气设备的约束：
Figure FDA0002467831900000049
和
Figure FDA00024678319000000410
其中，
Figure FDA00024678319000000411
和
Figure FDA00024678319000000412
分别表示所述储气设备存储和释放沼气的效率，
Figure FDA00024678319000000413
NBES表示所述储气设备的容量，
Figure FDA00024678319000000414
和
Figure FDA00024678319000000415
表示所述储气设备的最小和最大储气系数，
Figure FDA00024678319000000416
表示所述储气设备的最大存放沼气量系数，GBES(t＝1,s)≤GBES(t＝24,s)表示一天结束时的储气量不小于初始储气量；
所述储热设备的约束：
Figure FDA00024678319000000417
其中，
Figure FDA00024678319000000418
和
Figure FDA00024678319000000419
分别表示所述储热设备存储和释放热量的效率，
Figure FDA00024678319000000420
NTES表示所述储热设备的容量，
Figure FDA00024678319000000421
表示所述储热设备的最大存放热量系数。
8.如权利要求7所述的光沼微能源网的优化规划方法，其特征在于，所述对所述光沼微能源网系统优化规划模型进行线性化处理，包括：
通过添加m个断点b1,b2,…,bm对所述沼气产量预测模型进行分段线性处理，以及引入因子辅助连续变量rj＝zj*Lj，并采用大M法对所述供能可靠性约束进行线性处理。
9.如权利要求8所述的光沼微能源网的优化规划方法，其特征在于，其中，
所述沼气产量预测模型经分段线性处理后得到：
Figure FDA0002467831900000051
其中，
Figure FDA0002467831900000052
km≤qm-1+qm(m＝1,2...m-1),km≤qm-1，
Figure FDA0002467831900000053
Gbio(b1),Gbio(b2),…,Gbio(bm)分别表示各断点的线性关系，k1,k2,…,km表示m个非负决策变量和q1,q2,…,qm-1表示m-1个二元整数决策变量；
所述供能可靠性约束经线性处理后得到：
Figure FDA0002467831900000054
其中，
Figure FDA0002467831900000055
Figure FDA0002467831900000056
10.如权利要求1所述的光沼微能源网的优化规划方法，其特征在于，所述利用奔德斯分解方法对所述混合线性整数规划模型进行求解，包括：
利用奔德斯分解方法将所述混合线性整数规划模型分解为投资决策主问题和两组运行子问题，并经奔德斯割交替迭代求解，直至满足收敛条件，其中，所述两组运行子问题包括可行子问题和优化子问题。
CN202010339427.XA 2020-04-26 2020-04-26 光沼微能源网的优化规划方法 Active CN111539572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010339427.XA CN111539572B (zh) 2020-04-26 2020-04-26 光沼微能源网的优化规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010339427.XA CN111539572B (zh) 2020-04-26 2020-04-26 光沼微能源网的优化规划方法

Publications (2)

Publication Number Publication Date
CN111539572A true CN111539572A (zh) 2020-08-14
CN111539572B CN111539572B (zh) 2023-07-18

Family

ID=71978951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010339427.XA Active CN111539572B (zh) 2020-04-26 2020-04-26 光沼微能源网的优化规划方法

Country Status (1)

Country Link
CN (1) CN111539572B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313416A (zh) * 2021-06-22 2021-08-27 上海交通大学 计及沼气发电与新能源消纳机制的配网电力资源优化分配方法
CN113570203A (zh) * 2021-07-05 2021-10-29 西安交通大学 光伏发电储能储热一体化系统及其规划方法
CN113807884A (zh) * 2021-08-20 2021-12-17 国网浙江省电力有限公司经济技术研究院 一种园区综合能源系统电网接入容量确定方法及装置
CN114744624A (zh) * 2022-06-10 2022-07-12 国网湖北省电力有限公司经济技术研究院 一种生物质-太阳能分布式电源规划优化方法
CN116260166A (zh) * 2023-03-15 2023-06-13 中国矿业大学 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
CN116664087A (zh) * 2023-08-02 2023-08-29 山东赛马力发电设备有限公司 一种能源综合管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024014A1 (en) * 2011-07-20 2013-01-24 Nec Laboratories America, Inc. Optimal energy management of a rural microgrid system using multi-objective optimization
CN107967537A (zh) * 2017-11-27 2018-04-27 湖南大学 一种风光沼微能源网的能量管理方法及装置
CN108564242A (zh) * 2018-01-09 2018-09-21 湖南大学 微能源网系统、微能源网配置方法及装置
CN109919478A (zh) * 2019-02-28 2019-06-21 天津大学 一种考虑综合供能可靠性的综合能源微网规划方法
CN110555595A (zh) * 2019-08-09 2019-12-10 四川大学 一种基于能量枢纽的沼-风-光全可再生能源系统及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024014A1 (en) * 2011-07-20 2013-01-24 Nec Laboratories America, Inc. Optimal energy management of a rural microgrid system using multi-objective optimization
CN107967537A (zh) * 2017-11-27 2018-04-27 湖南大学 一种风光沼微能源网的能量管理方法及装置
CN108564242A (zh) * 2018-01-09 2018-09-21 湖南大学 微能源网系统、微能源网配置方法及装置
CN109919478A (zh) * 2019-02-28 2019-06-21 天津大学 一种考虑综合供能可靠性的综合能源微网规划方法
CN110555595A (zh) * 2019-08-09 2019-12-10 四川大学 一种基于能量枢纽的沼-风-光全可再生能源系统及其方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘维康;王丹;余晓丹;马莉;薛松;武泽辰;: "考虑电气转换储能和可再生能源集成的微能源网多目标规划" *
马艺玮;杨苹;郭红霞;吴捷;: "风-光-沼可再生能源分布式发电系统电源规划" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313416A (zh) * 2021-06-22 2021-08-27 上海交通大学 计及沼气发电与新能源消纳机制的配网电力资源优化分配方法
CN113570203A (zh) * 2021-07-05 2021-10-29 西安交通大学 光伏发电储能储热一体化系统及其规划方法
CN113570203B (zh) * 2021-07-05 2023-11-14 西安交通大学 光伏发电储能储热一体化系统及其规划方法
CN113807884A (zh) * 2021-08-20 2021-12-17 国网浙江省电力有限公司经济技术研究院 一种园区综合能源系统电网接入容量确定方法及装置
CN113807884B (zh) * 2021-08-20 2024-05-14 国网浙江省电力有限公司经济技术研究院 一种园区综合能源系统电网接入容量确定方法及装置
CN114744624A (zh) * 2022-06-10 2022-07-12 国网湖北省电力有限公司经济技术研究院 一种生物质-太阳能分布式电源规划优化方法
CN116260166A (zh) * 2023-03-15 2023-06-13 中国矿业大学 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
CN116260166B (zh) * 2023-03-15 2024-02-09 中国矿业大学 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
CN116664087A (zh) * 2023-08-02 2023-08-29 山东赛马力发电设备有限公司 一种能源综合管理系统
CN116664087B (zh) * 2023-08-02 2023-10-10 山东赛马力发电设备有限公司 一种能源综合管理系统

Also Published As

Publication number Publication date
CN111539572B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN111539572A (zh) 光沼微能源网的优化规划方法
Li et al. Optimal planning of islanded integrated energy system with solar-biogas energy supply
Arsad et al. Hydrogen energy storage integrated hybrid renewable energy systems: A review analysis for future research directions
Maleki et al. Harmony search optimization for optimum sizing of hybrid solar schemes based on battery storage unit
Darras et al. Sizing of photovoltaic system coupled with hydrogen/oxygen storage based on the ORIENTE model
Li et al. Multi-objective capacity optimization of a hybrid energy system in two-stage stochastic programming framework
Sun et al. Multi-objective robust optimization of multi-energy microgrid with waste treatment
Azad et al. Design and optimization of an entirely hybrid renewable energy system (WT/PV/BW/HS/TES/EVPL) to supply electrical and thermal loads with considering uncertainties in generation and consumption
Ju et al. Robust Multi-objective optimal dispatching model for a novel island micro energy grid incorporating biomass waste energy conversion system, desalination and power-to-hydrogen devices
CN113313416A (zh) 计及沼气发电与新能源消纳机制的配网电力资源优化分配方法
CN116260166B (zh) 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
Wang et al. Simulation of a solar‐biogas hybrid energy system for heating, fuel supply, and power generation
CN115906456A (zh) 考虑需求侧响应不确定性的含氢储能ies调度优化模型
Xu et al. A two-layer multi-energy management system for microgrids with solar, wind, and geothermal renewable energy
CN114519456A (zh) 一种绿色农业零碳供能系统及其智能配置分层优化算法
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
Ouhammou et al. Modeling of a bio-methane solar system driven by solar energy and heat pump
Udousoro et al. Cost analysis of hydrogen production for transport application
Shad et al. A Feasible Solution To Unelectrified Bauphal Area Using PV/Biogas/HFC Hybrid Power System Based On Real load Data
Singh et al. Intermittency reduction techniques in hybrid renewable energy systems: a review
CN116415740B (zh) 一种基于鞍论不确定性的虚拟电厂两阶段鲁棒优化方法
Wang et al. Role of Biomass toward 100%-Renewable Regional Energy System
Zhang et al. Bi-level Optimal Design of Integrated Energy System with Synergy of Renewables, Conversion, Storage and Demand
Loboichenko et al. Study of the use of biogas as an energy vector for microgrids
Blevins et al. Integrated Renewable Energy Systems for EV Charging Stations: Optimization of PV Generated Electricity Integrated with Green Hydrogen Energy in Kentucky

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