CN111737884A - 一种含多种清洁能源微能源网多目标随机规划方法 - Google Patents
一种含多种清洁能源微能源网多目标随机规划方法 Download PDFInfo
- Publication number
- CN111737884A CN111737884A CN202010782142.3A CN202010782142A CN111737884A CN 111737884 A CN111737884 A CN 111737884A CN 202010782142 A CN202010782142 A CN 202010782142A CN 111737884 A CN111737884 A CN 111737884A
- Authority
- CN
- China
- Prior art keywords
- power
- micro
- energy network
- model
- compound
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 19
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 19
- 238000013486 operation strategy Methods 0.000 claims abstract description 12
- 150000001875 compounds Chemical class 0.000 claims description 64
- 238000010248 power generation Methods 0.000 claims description 56
- 239000007789 gas Substances 0.000 claims description 45
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 36
- 239000001257 hydrogen Substances 0.000 claims description 34
- 229910052739 hydrogen Inorganic materials 0.000 claims description 34
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 27
- 238000010438 heat treatment Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 20
- 238000005057 refrigeration Methods 0.000 claims description 20
- 238000004146 energy storage Methods 0.000 claims description 18
- 239000003345 natural gas Substances 0.000 claims description 18
- 238000010521 absorption reaction Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 14
- 238000001816 cooling Methods 0.000 claims description 13
- 238000005485 electric heating Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- IPLONMMJNGTUAI-UHFFFAOYSA-M lithium;bromide;hydrate Chemical compound [Li+].O.[Br-] IPLONMMJNGTUAI-UHFFFAOYSA-M 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种含多种清洁能源微能源网多目标随机规划方法，包括：根据微能源网运行策略构建微能源网的关键设备模型；分析微能源网中的不确定性因素，并构建不确定因素模型；结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约束条件，建立微能源网的多目标随机规划模型；使用NSGA‑II算法对微能源网的多目标随机规划模型进行求解，得到最佳的规划方案。本发明以全生命周期成本最小和碳排放量最小建立了微能源网的多目标随机规划模型，验证结果表明，本发明能够兼顾微能源网运行的经济性与环保性，能够根据不同的规划要求给决策者提供多种规划方案。
Description
技术领域
本发明涉及微能源网、多目标随机规划领域，尤其涉及一种含多种清洁能源微能源网多目标随机规划方法。
背景技术
微能源网位于“能源互联网”的末端，主要面向智能楼宇、居民小区、商业园区、农村社区和孤立海岛等区域，通过能源的综合供应满足多种负荷的用能需求。近年来，在国家能源政策的扶持下，微能源网对清洁能源的利用比例不断攀升，微能源网正由传统的“冷-热-电”联供系统向多种清洁能源利用的高耦合、高能效系统转变。
考虑到分布式发电具有间歇性与波动性的特点，高渗透率的微能源网中通常存在弃风、弃光现象，造成电能的大量浪费。传统的电化学储能方式无法满足清洁能源的发展需求，氢能作为一种清洁高效的新能源，已成为我国能源技术发展的重要战略方向，加强氢能基础设施建设势在必行。微能源网通过利用富余的电能电解水制氢，可有效提高电能的利用率。
微能源网中源荷受到多种不确定因素的影响，忽略不确定性会降低规划的准确性。同时微能源网中各能源相互耦合，系统的运行方式灵活多样，在对微能源网规划的过程中不但要考虑系统的运行方式，而且要考虑经济、能耗、环保等多方面的指标。
在此背景下，有必要提出了一种含多种清洁能源微能源网多目标随机规划的方法。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种含多种清洁能源微能源网多目标随机规划方法。
为实现上述目的，本发明采用的技术方案如下：一种含多种清洁能源微能源网多目标随机规划方法，所述方法包括以下步骤：
步骤1，根据微能源网运行策略构建微能源网的关键设备模型；
步骤2，分析微能源网中的不确定性因素，并构建不确定因素模型；
步骤3，结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约束条件，建立微能源网的多目标随机规划模型；
步骤4，使用NSGA-II算法对微能源网的多目标随机规划模型进行求解，得到最佳的规划方案。
进一步的，在步骤1中，根据微能源网运行策略构建微能源网的关键设备模型，微能源网包括风力发电设备、太阳能发电设备、微型燃气轮机、电储能设备、电转氢设备和制冷制热设备，关键设备模型具体包括：
风力发电设备输出功率的大小与风速有关，其输出功率的模型表示为：
式中，
分别为切入风速、额定风速、切出风速；
为风力发电设备的额定功率；
为风机功率；
为风速；
太阳能发电设备的输出功率只与光照强度和温度有关，其输出功率的模型表示为：
式中，
为太阳能发电设备的发电功率；
为光照强度；
为参考光照强度；
为参考温度；
为参考条件下太阳能发电设备的发电功率；
为温度功率系数, 
为温度；
微型燃气轮机为一个发电设备，能够利用天然气、氢气等燃烧产生的热能发电，其输出功率的模型表示为：
式中，
为微型燃气轮机发电功率，
为发电效率，
为产热效率，
为天然气的消耗速率，
为产热功率；
电储能设备的模型表示为：
式中，
为t时刻储能设备的电量，
分别为充电效率与放电效率，
分别为充电功率与放电功率，
为储能设备的荷电状态，
为额定容量，
为自放电系数；
电转氢设备的模型表示为：
式中，
分别为氢气、氧气的产出速率，
为电转氢设备的电功率，
为转换效率；
微能源网中的制冷制热设备包括地源热泵、吸收式制冷机和燃气锅炉；
地源热泵的模型表示为：
式中，
为制热功率，
为制热模式下的电功率，
为制冷功率，
为制冷模式下的电功率，
为制热能效比，
为制冷能效比；
吸收式制冷机的模型表示为：
式中，
为制冷功率，
为性能系数，
为热耗能；
燃气锅炉的模型表示为：
式中，
为燃气锅炉制热功率，
为燃气锅炉效率，
为天然气的消耗率；
以“以热定电”模式为基础，提出考虑多种清洁能源利用的微能源网运行策略，微能源网在运行时，既通过电制冷和电制热的方式满足冷热负荷的需求，又通过吸收制冷和燃气制热的方式满足冷热负荷的需求，微能源网运行策略取决于两种方式的运行成本，引入电制冷比
和电制热比
作为优化变量，经过优化使微能源网的运行成本达到最优，其中，电制冷比
和电制热比
的模型表示为：
式中，
为总制冷功率；
为总制热功率；
吸收式制冷机与燃气锅炉的模型分别表示为：
式中，
为总制冷功率；
为总制热功率；
为吸收式制冷机制冷功率；
为燃气锅炉制热功率；
在微能源网运行策略下，微能源网运行需满足冷、热、电功率平衡约束， 冷、热、电功率平衡约束的模型表示为：
式中，
为t时刻损失电功率，
为t时刻总的电功率；
进一步的，在步骤2中，分析微能源网中的不确定性因素，并构建不确定因素模型，具体表示为：
风力发电设备的输出功率与风速相关，采用威布尔分布拟合实际风速分布情况，其概率密度函数可表示为：
式中，k为形状参数；c为尺度参数；
太阳能发电设备的输出功率与光照强度相关，采用Beta分布拟合实际光照强度分布情况，其概率密度函数可表示为：
式中，α、β为形状参数，
为最大光照强度，
为伽马函数；
负荷预测表明，一段时间内负荷的大小服从正态分布，同时地域和气候因素影响着正态分布的参数，概率密度可表示为：
式中，
为负荷均值，
为负荷标准差；
根据城市电价与气价的定价规则，考虑到各类负荷的特性不同，这里认为电价服从均匀分布，而天然气与氢气的价格服从三角分布，其概率密度可分别表示为：
式中，a、b分别为分布区间的下限与上限，e为电价，g为气价，c为三角分布的众数。
进一步的，在步骤3中，结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约束条件，建立微能源网的多目标随机规划模型，具体过程可表示为：
确立全生命周期成本和碳排放量两个目标函数，全生命周期成本可以表示为：
式中，
为全生命周期成本；
为投资成本；
为重置成本；
为维护成本；
为能源成本；
为设备残值； j为微能源网中设备的序号，
为设备的单位容量成本，
为设备的配置容量，
为设备的重置次数，
为设备的投入年限，Y为项目的规划年限，
为设备的维护率，
为d日t时刻电网的购电功率，
为电网电价，
为燃气网络的购气功率，
为天然气价格，
为设备的残值率，
为氢气的产出速率，
为氢能源价格；
碳排放量可以表示为：
式中，
为电能的折算系数，
为天然气的折算系数；
以下为约束条件，将风力发电设备、太阳能发电设备、微燃机、地源热泵、蓄电池和电转氢的容量作为优化变量，同时考虑运行中电制冷比
、电制热比
的优化，优化变量需满足：
式中，
分别为设备j的容量规划下限与上限；
设备运行需满足：
式中，
为设备j的运行功率，
为设备j的最大运行功率，
分别为蓄电池荷电状态下限与上限；
在微能源网的规划中包含多种随机变量，在优化的过程中考虑确定性约束和机会约束，微能源网的运行受到多种非确定因素的影响，会出现电能富余的情况，这里定义电能的损失率，并将其表示为机会约束的形式：
式中，
为微能源网中富余的电量，
为风力发电设备与太阳能发电设备的发电量，
为电能的损失率，
为允许损失率的最大值； 
为置信度；
以上模型可以表示为：
式中，x为优化变量，
为随机变量；
为置信度，h与g分别代表等式约束与不等式约束。
进一步的，在步骤4中，使用NSGA-II算法对微能源网的多目标随机规划模型进行求解，得到最佳的规划方案，具体过程可表示为：
将建立的微能源网的多目标随机规划模型使用NSGA-II算法在MATLAB仿真平台上进行求解；
采用模糊优选决策对解集进行处理，将解集中的数据转化为相对优属度，目标i方案j的相对优属度可以表示为：
式中，
为目标i达到最优的方案，
为目标i达到最劣的方案，j为对应的方案；
对方案的数据进行评判并构建评判等级，这里把评判的等级划分为优级、中级和差级，对应的相对优属度标准向量g=[1，0.5，0]，方案j归属于不同等级的相对隶属度为：
式中，
为方案j对应的级别下限，
为级别上限，
为目标i的权重，
为方案j与标准向量g间的广义欧氏距离；
将相对隶属度矩阵U与等级向量L相乘，矩阵H中最小值元素对应的方案即为决策的优选方案，其表示为：
由上述对本发明的描述可知，与现有技术相比，本发明至少具有以下有益效果之一：
1、本发明以全生命周期成本最小和碳排放量最小建立了微能源网的多目标随机规划模型。采用具体的算例，对微能源网的多目标随机规划方法进行验证。结果表明，所提出的微能源网多目标随机规划模型能够兼顾微能源网运行的经济性与环保性，能够根据不同的规划要求给决策者提供多种规划方案。
2、本发明所构建的微能源网多目标随机规划方法相较于传统的确定性规划方法得到的优化结果更为可行、更为有效，同时也适用于其他规划问题的研究。
附图说明
图1为本发明实施例中微能源网架构图；
图2为本发明实施例中考虑多种清洁能源利用的微能源网运行策略的流程框图；
图3为本发明实施例中微能源网的多目标随机规划模型求解步骤的流程框图；
图4为本发明实施例中随机规划结果与确定性规划结果的示意图；
图5为本发明实施例中确定优化结果与随机运行结果对比的示意图；
图6为本发明实施例中不同置信度水平的优化结果的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
参照图1-6所示，本发明的优选实施例，一种含多种清洁能源微能源网多目标随机规划方法，所述方法包括以下步骤：
步骤1、根据微能源网运行策略构建微能源网的关键设备模型
微能源网架构图如图1所示，其中风力发电设备能够将风能直接转换为电能，小型的、分布式的风力发电设备已成为了微能源网电能来源的重要方式。风力发电设备输出功率的大小与风速有关，其输出功率可表示为：
式中，
分别为切入风速、额定风速、切出风速；
为风力发电设备的额定功率。
太阳能是一种储备丰富的清洁能源，随着太阳能利用成本的降低，太阳能在整个能源供应体系中占比不断提高。这里认为太阳能发电设备的输出功率只与光照强度和温度有关。太阳能发电设备的输出功率为：
式中，
为太阳能发电设备的发电功率；
为光照轻度；
为参考光照强度；
为参考温度；
为参考条件下太阳能发电设备的发电功率；
为温度功率系数。
微型燃气轮机本身是一个发电设备，能够利用天然气、氢气等燃烧产生的热能发电。微型燃气轮机的模型为：
式中，
为微型燃气轮机发电功率，
为发电效率，
为产热效率，
为天然气的消耗速率，
为产热功率。
储能是微能源网平衡和调节的重要手段，储能包括电储能、热储能、冷储能等。电储能较热储能、冷储能在微能源网的调控中更加灵活，在保证电力系统正常运行，抑制可再生能源波动方面意义重大。电储能设备的模型为：
式中，
为t时刻储能设备的电量，
分别为充电效率与放电效率，
分别为充电功率与放电功率，
为储能设备的荷电状态，
为额定容量。
碱性电解水制氢是目前最为成熟的电转氢技术，设备正常运行的功率范围较宽，能够应对可再生能源波动性和间歇性。电转氢设备的模型可以表示为：
式中，
分别为氢气、氧气的产出速率，
为电转氢设备的电功率，
为转换效率。
微能源网中制冷制热设备包括地源热泵、吸收式制冷机和燃气锅炉。地热能是一种清洁能源，地源热泵技术在楼宇空调系统中得到了很好的应用。地源热泵的能效比很高，具有很好的发展前景。地源热泵模型可以表示为：
式中，
为制热功率，
为制热模式下的电功率，
为制冷功率，
为制冷模式下的电功率。
吸收式制冷机不依赖电力，可以通过利用低质热能制冷。目前，常见的吸收式制冷机包括氨-水溶液吸收式制冷机和溴化锂-水溶液吸收式制冷机两种。吸收式制冷机模型为：
式中，
为制冷功率，
为性能系数，
为热耗能。
燃气锅炉利用天然气燃烧产生的热能供热，当微能源网中的热能供应不足时，燃气锅炉可作为补充的供热源。燃气锅炉模型为：
式中，
为燃气锅炉制热功率，
为燃气锅炉效率，
为天然气的消耗率。
本发明以“以热定电”模式为基础，提出了考虑多种清洁能源利用的微能源网运行策略如图2所示。微能源网在运行时，既可以通过电制冷和电制热的方式满足冷热负荷的需求，又可以通过吸收制冷和燃气制热的方式满足冷热负荷的需求，这取决于两种方式的运行成本。引入电制冷比 和电制热比 作为优化变量，经过优化使微能源网的运行成本达到最优。
式中，
分别为微能源网中冷热负荷的需求。
吸收式制冷机与燃气锅炉的输出分别为：
在本发明提出的运行策略下，微能源网运行需满足冷、热、电功率平衡约束，这里不考虑功率传输过程中的损耗。当微能源网最优运行仍存在富余电能时，就不可避免的要舍弃这部分电能。
冷、热、电功率平衡约束可分别表示为：
步骤2、分析微能源网中的不确定性因素，并构建不确定因素模型
风力发电设备出力大小与该区域风速大小密切相关，目前普遍认为威布尔分布能够较好的拟合实际风速分布情况，其概率密度函数可表示为：
式中，k为形状参数；c为尺度参数；其值可以根据实测风速历史数据求出，也可以由风速的均值与标准差近似求解。
太阳能发电设备的输出功率与光照强度密切相关，Beta分布能够较好的拟合实际光照强度分布情况，其概率密度函数可表示为：
式中，α、β为形状参数，
为最大光照强度，
为伽马(Gamma)函数。
负荷预测中大量数据表明，一段时间内负荷的大小服从正态分布，同时地域和气候等因素影响着正态分布的参数，概率密度可表示为：
根据城市电价与气价的定价规则，考虑到各类负荷的特性不同，这里认为电价服从均匀分布，而天然气与氢气的价格服从三角分布，其概率密度可分别表示为：
式中，a、b分别为分布区间的下限与上限，e为电价，g为气价，c为三角分布的众数。
步骤3、结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约束条件，建立微能源网的多目标随机规划模型
微能源网的规划需要同时考虑设备的出力特性和设备的固定成本，并在已有的运行模式下优化设备容量。在考虑多种清洁能源利用的微能源网架构下，不但要考虑微能源网的经济效益，还要考虑微能源网的环境效益。因此本发明确立了全生命周期成本和碳排放量两个目标函数，全生命周期成本可以表示为：
式中，j为微能源网中设备的序号，
为设备的单位容量成本，
为设备的配置容量，
为设备的重置次数，
为设备的投入年限，Y为项目的规划年限，
为设备的维护率，
为d日t时刻电网的购电功率，
为电网电价，
为燃气网络的购气功率，
为天然气价格，
为设备的残值率，
为产生氢气的质量，
为单位氢气价格。
碳排放量可以表示为：
式中，
为电能的折算系数，
为天然气的折算系数。
以下为约束条件，本发明将风力发电设备、太阳能发电设备、微燃机、地源热泵、蓄电池和电转氢的容量作为优化变量，同时考虑运行中电制冷比
、电制热比
的优化。优化变量需满足：
设备运行需满足：
在微能源网的规划中包含多种随机变量，在优化的过程中不仅要考虑确定性约束还要考虑机会约束。微能源网的运行受到多种非确定因素的影响，有时会出现电能富余的情况，这里定义电能的损失率，并将其表示为机会约束的形式：
式中，
为微能源网中富余的电量，
为风力发电设备与太阳能发电设备的发电量，
为电能的损失率，
为允许损失率的最大值。
以上模型可以表示为：
式中，x为优化变量，
为随机变量。
步骤4、使用NSGA-II算法对微能源网的多目标随机规划模型进行求解，得到最佳的规划方案
上述所建立的微能源网的多目标随机规划模型可以使用NSGA-II算法在MATLAB仿真平台进行求解。NSGA-II算法使用带精英策略的快速非支配排序，具有很强的寻优性能力，可以提高多目标优化问题的求解速度，并得到Pareto前沿。
Pareto最优解集中每个解都是可行的，在优选决策的过程中，没有一个绝对的界限。模糊优选决策是运用模糊化的手段对解集进行处理，将解集中的数据转化为相对优属度。目标i方案j的相对优属度可以表示为：
式中，
为目标i达到最优的方案，
为目标i达到最劣的方案，j为对应的方案。
为了准确评判数据的优劣，这里把评判的等级划分为优级、中级和差级，对应的相对优属度标准向量g=[1，0.5，0]，方案j归属于不同等级的相对隶属度为：
式中，
为方案j对应的级别下限，
为级别上限，
为目标i的权重，
为方案j与标准向量g间的广义欧氏距离。将相对隶属度矩阵U与等级向量L相乘，矩阵H中最小值元素对应的方案即为决策的优选方案。
综上，微能源网的多目标随机规划模型求解步骤如图3所示。
实施例一：
下面结合实例对运行优化方案进行分析，详见下文描述：
本实施例综合考虑了微能源网对多种清洁能源的利用与转化，其中一次清洁能源包括风能、太阳能和地热能，二次清洁能源为氢能。一次清洁能源的利用可有效降低微能源网的运行成本和碳排放量水平，二次清洁能源的转化可以有效提高微能源网的电能利用率。
在多种清洁能源利用的微能源网构架下，考虑影响微能源网规划的多种不确定因素，将风速、光照强度、负荷大小和能源价格作为随机变量。同时，将风力发电设备、太阳能发电设备、燃气轮机、储能和电转氢的设备容量以及电制冷比和电制热比作为优化变量。运用本发明所提的多目标随机规划方法确定规划的优选配置方案。
为了分析多目标随机规划与多目标确定性规划结果的不同之处，对两种优化得到的Pareto最优解集进行对比分析，仿真结果如图4所示。从两者的帕累托前沿可以看出，确定性规划结果位于随机规划结果的左下方，两个目标函数的结果整体上优于随机规划。将全生命周期成本的权重设为0.4，碳排放量的权重设为0.6，在经过多目标优选决策后，确定两种规划的最终方案如表1所示。
为了进一步分析确定性规划的局限性，将确定性的优化结果带入到随机规划的多个随机运行场景中，结果如图5所示。从仿真结果中可以看出，微能源网的全生命周期成本大部分都超过了原确定性的优化结果，而碳排放量有增有减。全生命周期成本的增加说明了确定性的配置方案并不适用于随机场景中，而碳排放量变化主要与系统中能源的使用情况有关。从表2中可以看出，确定性的规划方案中风力发电设备与太阳能发电设备的配置容量较大，同时燃气轮机的配置容量较小，即使规划方案不适用于随机场景，碳排放量水平却能够降低。因此，考虑不确定性对微能源网进行多目标随机规划是十分必要的。
在微能源网的多目标随机规划中，如要保证重要负荷的供电可靠性，通常对清洁能源发电装置的最大装机容量有所限制。这里对目标函数的置信度取为0.95，同时分别将风力发电设备与太阳能发电设备的装机容量上限依次设为500 和1000 。规划结果如表2所示。
从表2中可以看出，当装机容量限制在500 时，微型燃气轮机的配置容量明显增加，电转氢装置的配置容量明显降低。系统的电制冷比例与电制热比例均下降，即系统更多以燃气的方式进行热电联产。当装机容量限制在1000 时，风力发电设备与太阳能发电设备的发电功率较高，能够在很大程度上支撑微能源网的电负荷。而当装机容量限制在500 时，风力发电设备与太阳能发电设备的发电功率较低，需要燃气轮机发电，不足的电能由电网补充。
蓄电池正向功率为放电，反向功率为充电，蓄电池能够在微能源网的运行中起到调节作用。当装机容量限制在1000 时，微能源网可以利用富余的电功率制氢。当装机容量限制在500 时，富余的电功率较小，可以通过蓄电池与电转氢装置完全消纳。虽然规划方案出现电能损失的情况，但规划周期内电能损失率满足规划的要求。因此，不同规划容量上限会对规划的结果产生影响，需要根据规划的具体要求确定优化变量的取值区间。
在微能源网的多目标随机规划中，对目标函数取不同的置信度水平，得到的Pareto最优解集也各不相同。这里分别对目标函数置信度取值为0.75、0.85、0.95，得到的仿真结果如图6所示。
从仿真结果中可以看出，随着置信度的取值增大，Pareto最优解集整体上会向右上方移动。这是因为当置信度水平较低时，只需在部分运行场景下满足给定的机会约束就可以作为优化的结果。反之，当置信度水平较高时，优化的结果需满足更多的运行场景，从使优化结果整体偏大。因此，要根据规划的具体要求选取合适的置信度水平。
本实例结果表明，本发明提出的微能源网多目标随机规划模型能够兼顾微能源网运行的经济性与环保性，能够根据不同的规划要求给决策者提供多种规划方案。而且本发明所提微能源网的多目标随机规划方法相较于传统的确定性规划方法得到的优化结果更为可行、更为有效，同时也适用于其他规划问题的研究。
在不出现冲突的前提下，本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (5)
1.一种含多种清洁能源微能源网多目标随机规划方法，其特征在于，所述方法包括以下步骤：
步骤1，根据微能源网运行策略构建微能源网的关键设备模型；
步骤2，分析微能源网中的不确定性因素，并构建不确定因素模型；
步骤3，结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约束条件，建立微能源网的多目标随机规划模型；
步骤4，使用NSGA-II算法对微能源网的多目标随机规划模型进行求解，得到最佳的规划方案。
2.根据权利要求1所述的一种含多种清洁能源微能源网多目标随机规划方法，其特征在于，在步骤1中，根据微能源网运行策略构建微能源网的关键设备模型，微能源网包括风力发电设备、太阳能发电设备、微型燃气轮机、电储能设备、电转氢设备和制冷制热设备，关键设备模型具体包括：
风力发电设备输出功率的模型表示为：
式中，
、
、
分别为切入风速、额定风速、切出风速；
为风力发电设备的额定功率；
为风机功率；
为风速；
太阳能发电设备的输出功率的模型表示为：
式中，
为太阳能发电设备的发电功率；
为光照强度；
为参考光照强度；
为参考温度；
为参考条件下太阳能发电设备的发电功率；
为温度功率系数,
为温度；
微型燃气轮机的输出功率的模型表示为：
式中，
为微型燃气轮机发电功率，
为发电效率，
为产热效率，
为天然气的消耗速率，
为产热功率；
电储能设备的模型表示为：
式中，
为t时刻储能设备的电量，
与
分别为充电效率与放电效率，
与
分别为充电功率与放电功率，
为储能设备的荷电状态，
为额定容量，
为自放电系数；
电转氢设备的模型表示为：
式中，
和
分别为氢气、氧气的产出速率，
为电转氢设备的电功率，
为转换效率；
微能源网中的制冷制热设备包括地源热泵、吸收式制冷机和燃气锅炉；
地源热泵的模型表示为：
式中，
为制热功率，
为制热模式下的电功率，
为制冷功率，
为制冷模式下的电功率，
为制热能效比，
为制冷能效比；
吸收式制冷机的模型表示为：
式中，
为制冷功率，
为性能系数，
为热耗能；
燃气锅炉的模型表示为：
式中，
为燃气锅炉制热功率，
为燃气锅炉效率，
为天然气的消耗率；
引入电制冷比
和电制热比
作为优化变量，经过优化使微能源网的运行成本达到最优，其中，电制冷比
和电制热比
的模型表示为：
式中，
为总制冷功率；
为总制热功率；
吸收式制冷机与燃气锅炉的模型分别表示为：
式中，
为总制冷功率；
为总制热功率；
为吸收式制冷机制冷功率；
为燃气锅炉制热功率；
在微能源网运行策略下，微能源网运行需满足冷、热、电功率平衡约束， 冷、热、电功率平衡约束的模型表示为：
式中，
为t时刻损失电功率，
为t时刻总的电功率。
3.根据权利要求1所述的一种含多种清洁能源微能源网多目标随机规划方法，其特征在于，在步骤2中，分析微能源网中的不确定性因素，并构建不确定因素模型，具体表示为：
风力发电设备的输出功率采用威布尔分布拟合实际风速分布情况，其概率密度函数可表示为：
式中，k为形状参数；c为尺度参数；
太阳能发电设备的输出功率采用Beta分布拟合实际光照强度分布情况，其概率密度函数可表示为：
式中，α、β为形状参数，
为最大光照强度，
为伽马函数；
负荷预测表明，一段时间内负荷的大小服从正态分布，同时地域和气候因素影响着正态分布的参数，概率密度可表示为：
式中，
为负荷均值，
为负荷标准差；
根据城市电价与气价的定价规则，考虑到各类负荷的特性不同，这里认为电价服从均匀分布，而天然气与氢气的价格服从三角分布，其概率密度可分别表示为：
式中，a、b分别为分布区间的下限与上限，e为电价，g为气价，c为三角分布的众数。
4.根据权利要求1所述的一种含多种清洁能源微能源网多目标随机规划方法，其特征在于，在步骤3中，结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约束条件，建立微能源网的多目标随机规划模型，具体过程可表示为：
确立全生命周期成本和碳排放量两个目标函数，全生命周期成本可以表示为：
式中，
为全生命周期成本；
为投资成本；
为重置成本；
为维护成本；
为能源成本；
为设备残值； j为微能源网中设备的序号，
为设备的单位容量成本，
为设备的配置容量，
为设备的重置次数，
为设备的投入年限，Y为项目的规划年限，
为设备的维护率，
为d日t时刻电网的购电功率，
为电网电价，
为燃气网络的购气功率，
为天然气价格，
为设备的残值率，
为氢气的产出速率，
为氢能源价格；
碳排放量可以表示为：
式中，
为电能的折算系数，
为天然气的折算系数；
以下为约束条件，将风力发电设备、太阳能发电设备、微燃机、地源热泵、蓄电池和电转氢的容量作为优化变量，同时考虑运行中电制冷比
、电制热比
的优化，优化变量需满足：
式中，
与
分别为设备j的容量规划下限与上限；
设备运行需满足：
式中，
为设备j的运行功率，
为设备j的最大运行功率，
与
分别为蓄电池荷电状态下限与上限；
在微能源网的规划中包含多种随机变量，在优化的过程中考虑确定性约束和机会约束，微能源网的运行受到多种非确定因素的影响，会出现电能富余的情况，这里定义电能富余的情况为电能的损失率，并将其表示为机会约束的形式：
式中，
为微能源网中富余的电量，
为风力发电设备与太阳能发电设备的发电量，
为电能的损失率，
为允许损失率的最大值；
为置信度；
以上模型可以表示为：
式中，x为优化变量，
为随机变量；
与
为置信度，h与g分别代表等式约束与不等式约束。
5.根据权利要求1所述的一种含多种清洁能源微能源网多目标随机规划方法，其特征在于，在步骤4中，使用NSGA-II算法对微能源网的多目标随机规划模型进行求解，得到最佳的规划方案，具体过程可表示为：
将建立的微能源网的多目标随机规划模型使用NSGA-II算法在MATLAB仿真平台上进行求解；
采用模糊优选决策对解集进行处理，将解集中的数据转化为相对优属度，目标i方案j的相对优属度可以表示为：
式中，
为目标i达到最优的方案，
为目标i达到最劣的方案，j为对应的方案；
对方案的数据进行评判并构建评判等级，这里把评判的等级划分为优级、中级和差级，对应的相对优属度标准向量g=[1，0.5，0]，方案j归属于不同等级的相对隶属度为：
式中，
为方案j对应的级别下限，
为级别上限，
为目标i的权重，
为方案j与标准向量g间的广义欧氏距离；
将相对隶属度矩阵U与等级向量L相乘，矩阵H中最小值元素对应的方案即为决策的优选方案，其表示为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010782142.3A CN111737884B (zh) | 2020-08-06 | 2020-08-06 | 一种含多种清洁能源微能源网多目标随机规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010782142.3A CN111737884B (zh) | 2020-08-06 | 2020-08-06 | 一种含多种清洁能源微能源网多目标随机规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111737884A true CN111737884A (zh) | 2020-10-02 |
| CN111737884B CN111737884B (zh) | 2021-01-05 |
Family
ID=72658183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010782142.3A Active CN111737884B (zh) | 2020-08-06 | 2020-08-06 | 一种含多种清洁能源微能源网多目标随机规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111737884B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257198A (zh) * | 2020-10-19 | 2021-01-22 | 大连理工大学 | 一种快速部署的分布式供能系统集成方法 |
| EP3989383A1 (fr) * | 2020-10-23 | 2022-04-27 | Energy Observer Developments | Procédé de caractérisation d'un système énergétique alimenté par au moins une source d'énergie renouvelable |
| CN114548790A (zh) * | 2022-02-25 | 2022-05-27 | 深圳大学 | 一种综合能源系统碳排放分配方法、装置及相关组件 |
| CN115085229A (zh) * | 2022-06-29 | 2022-09-20 | 燕山大学 | 一种含氢储能微电网的能量管理方法 |
| CN117235878A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市宏源建设科技有限公司 | 一种基于bim技术的综合管廊管线避免碰撞的排布方法 |
| CN117494910A (zh) * | 2024-01-02 | 2024-02-02 | 国网山东省电力公司电力科学研究院 | 一种基于碳减排的多能源协调优化控制系统及方法 |
| CN117937486A (zh) * | 2024-03-21 | 2024-04-26 | 中石油深圳新能源研究院有限公司 | 电网管理方法、装置、设备以及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018107065A1 (en) * | 2016-12-11 | 2018-06-14 | Sandeep Agarwal | Smart energy storage system |
| CN108832656A (zh) * | 2018-06-20 | 2018-11-16 | 天津大学 | 基于电转气和可再生能源利用微能源网多目标规划方法 |
| CN111210054A (zh) * | 2019-12-22 | 2020-05-29 | 上海电力大学 | 一种考虑直接负荷控制不确定性的微能源网优化调度方法 |
-
2020
- 2020-08-06 CN CN202010782142.3A patent/CN111737884B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018107065A1 (en) * | 2016-12-11 | 2018-06-14 | Sandeep Agarwal | Smart energy storage system |
| CN108832656A (zh) * | 2018-06-20 | 2018-11-16 | 天津大学 | 基于电转气和可再生能源利用微能源网多目标规划方法 |
| CN111210054A (zh) * | 2019-12-22 | 2020-05-29 | 上海电力大学 | 一种考虑直接负荷控制不确定性的微能源网优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘维康等: "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", 《电力系统自动化》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257198A (zh) * | 2020-10-19 | 2021-01-22 | 大连理工大学 | 一种快速部署的分布式供能系统集成方法 |
| EP3989383A1 (fr) * | 2020-10-23 | 2022-04-27 | Energy Observer Developments | Procédé de caractérisation d'un système énergétique alimenté par au moins une source d'énergie renouvelable |
| FR3115614A1 (fr) * | 2020-10-23 | 2022-04-29 | Energy Observer Developments | Procédé de caractérisation d’un système énergétique alimenté par au moins une source d’énergie renouvelable |
| CN114548790A (zh) * | 2022-02-25 | 2022-05-27 | 深圳大学 | 一种综合能源系统碳排放分配方法、装置及相关组件 |
| CN115085229A (zh) * | 2022-06-29 | 2022-09-20 | 燕山大学 | 一种含氢储能微电网的能量管理方法 |
| CN115085229B (zh) * | 2022-06-29 | 2022-12-30 | 燕山大学 | 一种含氢储能微电网的能量管理方法 |
| CN117235878A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市宏源建设科技有限公司 | 一种基于bim技术的综合管廊管线避免碰撞的排布方法 |
| CN117235878B (zh) * | 2023-11-15 | 2024-03-08 | 深圳市宏源建设科技有限公司 | 一种基于bim技术的综合管廊管线避免碰撞的排布方法 |
| CN117494910A (zh) * | 2024-01-02 | 2024-02-02 | 国网山东省电力公司电力科学研究院 | 一种基于碳减排的多能源协调优化控制系统及方法 |
| CN117494910B (zh) * | 2024-01-02 | 2024-03-22 | 国网山东省电力公司电力科学研究院 | 一种基于碳减排的多能源协调优化控制系统及方法 |
| CN117937486A (zh) * | 2024-03-21 | 2024-04-26 | 中石油深圳新能源研究院有限公司 | 电网管理方法、装置、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111737884B (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN113344736B (zh) | 一种园区级综合能源系统及其控制方法 | |
| CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
| CN109919478B (zh) | 一种考虑综合供能可靠性的综合能源微网规划方法 | |
| CN109004686B (zh) | 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统 | |
| CN109659927B (zh) | 一种考虑储能参与度的综合能源微网储能容量配置方法 | |
| CN109245093A (zh) | 一种冷热电联供分布式能源站协同优化调度方法 | |
| CN106022503A (zh) | 面向具有耦合型电冷热需求的微电网容量规划方法 | |
| CN111463836A (zh) | 一种综合能源系统优化调度方法 | |
| CN109523065A (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
| CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
| CN112365021A (zh) | 一种基于混合储能的区域综合能源系统规划优化方法 | |
| CN111160636B (zh) | 一种cchp型微电网调度优化方法 | |
| CN112600253B (zh) | 基于用能效率最优的园区综合能源协同优化方法及设备 | |
| CN112580938B (zh) | 面向多重不确定性的综合能源系统优化调度方法及装置 | |
| CN113255198B (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
| CN113779783A (zh) | 计及多重不确定性的区域综合能源系统规划与运行联合优化方法 | |
| CN115498668A (zh) | 一种综合能源系统的优化方法 | |
| CN114330827A (zh) | 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 | |
| CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法 | |
| CN115081700A (zh) | 基于综合储能技术的数据中心多能协同优化方法及系统 | |
| CN113807746B (zh) | 一种冷热电联供系统的综合运行优化方法 | |
| CN213783243U (zh) | 一种面向产业园区的综合能源系统运行优化装置 | |
| CN116306194A (zh) | 基于多目标优化理论的综合能源系统能效优化配置方法 | |
| CN110222969A (zh) | 一种考虑运行优化的海水淡化微能源网规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |