CN112084705A - 一种用于综合能源系统的并网协调规划方法及系统 - Google Patents
一种用于综合能源系统的并网协调规划方法及系统 Download PDFInfo
- Publication number
- CN112084705A CN112084705A CN202010863153.4A CN202010863153A CN112084705A CN 112084705 A CN112084705 A CN 112084705A CN 202010863153 A CN202010863153 A CN 202010863153A CN 112084705 A CN112084705 A CN 112084705A
- Authority
- CN
- China
- Prior art keywords
- ies
- energy
- power
- grid
- node
- 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 98
- 238000009826 distribution Methods 0.000 claims abstract description 97
- 230000005611 electricity Effects 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 35
- 238000004146 energy storage Methods 0.000 claims description 30
- 238000002347 injection Methods 0.000 claims description 23
- 239000007924 injection Substances 0.000 claims description 23
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 18
- 239000007789 gas Substances 0.000 claims description 17
- 238000005057 refrigeration Methods 0.000 claims description 16
- 238000001816 cooling Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 239000003345 natural gas Substances 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000005485 electric heating Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 239000000243 solution Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of 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
- 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
-
- 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]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于综合能源系统的并网协调规划方法，包括：利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；利用该估算模型确定IES相应设备方案所对应的IES并网点电价；以IES年收益最大为总目标，建立IES系统设备双层规划模型；利用改进差分进化算法和求解器对该双层规划模型进行求解，得到IES系统最优设备规划结果。本发明还公开了一种用于综合能源系统的并网协调规划系统。本发明能够根据各自成本和责任的大小合理定价，协调利用配电网和综合能源系统的可靠性能力对综合能源系统进行规划，从而降低了配电网和综合能源系统的总体供能成本，提升了配电网设备资产利用率。
Description
技术领域
本发明属于综合能源系统技术领域，特别涉及一种用于综合能源系统的并网协调规划方法及系统。
背景技术
为促进可再生能源消纳、提高能源利用效率，世界各国都在大力发展综合能源供能系统，旨在通过多种能源的耦合互济和梯级利用，满足用户多类型、多品位能量的需求；同时，在外部电网和气网发生故障情况下，通过内部多能源耦合提高供能可靠性，降低对外部能源网络可靠性的深度依赖，这对保障小概率事件发生下重要用户安全性具有重要意义。
随着综合能源系统应用的日益广泛，末端分布式综合能源系统的供能能力和可靠性价值会逐步提高，在此情况下电网售电量减少，如果对并网点供电可靠性要求不变，将大大降低电网设备利用率，最终导致整体电价的上涨。如何协调利用电网和末端分布式综合能源系统可靠性能力，并以此为基础开展综合能源系统并网协调规划成为亟待解决的问题，关乎于未来能源市场机制的制定以及整个能源系统的安全和经济。
现有综合能源系统研究对象主要有多区域系统、区域系统和末端系统三类。
其中，末端系统因其可以就地满足用户需求，促进分布式可再生能源消纳，提高能源系统的综合能效和运行可靠性、经济性，市场壁垒弱、产品较为成熟，具有广阔的应用前景和推广价值。近几年，针对综合能源系统的规划和设备配置的研究已经取得了初步研究成果。
现有技术中的用于综合能源系统规划方法有以全生命周期成本最低和年CO2排放量最小为优化目标,建立了多目标关键设备容量优化模型，并采用NSGA-Ⅱ算法进行求解；
还有以
效率衡量IES能量利用水平，以经济性和
效率为目标，建立了IES多目标规划模型；
另外也有通过建立投资成本、运行成本、经济收益和环境收益模型，并以经济-环境效益最大化为目标实施了IES系统的设备容量优化配置；
此外，现有技术中的一种冷热电联供系统的三级协同整体优化方法，第一级以年一次能源利用率最高为目标优化设备选型，第二级以年CO2排放量最少为目标优化设备容量，第三级以年运行成本最低为目标优化运行，该优化方法实现了冷热电联供系统的设备选型、容量配置及运行参数的整体优化，同传统的“以热定电”和“以电定热”运行策略设计的CCHP系统相比，该系统具有更高的一次能源利用率、更明显的温室气体减排效果和更显著的经济效益。
鉴于综合能源系统运行的灵活性，现阶段大多数现有技术都采用了运行与规划一体化的建模方法，上层模型为多目标非线性设备优化配置模型，一般采用智能算法，如NSGA-Ⅱ、精英保留策略遗传算法等实现；下层模型为单目标非线性运行优化模型，有些采用智能算法直接求解，也有些把非线性转化为线性，利用数学方法或求解器求解。
还有一些方法进一步考虑了系统的不确定性，将鲁棒、多场景等方法用于综合能源系统规划。
但现有技术中的用于综合能源系统规划的目标上强调多能源利用效率、经济效益、环境效益多目标的协同，而环境和能源品质现阶段则无法通过市场和政策机制转化为经济性，从而削弱了IES运营商对投资回报期待，甚至可能造成投资亏损，不利于系统的可持续发展。
综合能源系统通过能源耦合和梯级利用能够为用户供给多种能源、改善能源利用效率、减少环境污染，同时提高供能可靠性，但前三者(即为用户供给多种能源、改善能源利用效率、减少环境污染)的功效在综合能源系统规划中都可通过目标函数体现出来，虽已有部分对综合能源系统可靠性评估的相关研究，但综合能源系统对供能可靠性的贡献很少涉及，也不能通过其他途径得到回报，既不利于激励运营商投资IES，也使大电网投资效率面临挑战。
发明内容
本发明实施例以未来综合能源系统并网点的可靠性电价为基础，提供一种用于综合能源系统的并网协调规划方法及系统，以至少解决现有技术中的一个技术问题。
第一方面，本发明实施例提供一种用于综合能源系统的并网协调规划方法，该方法包括以下步骤：
利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；
利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；
以IES年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；
利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果。
进一步的，所述计及可靠性的配电网节点电价定价方法是基于长期增量成本法的，包括以下步骤：
根据第y年的适切馈线率和配电网年负荷增长率获得第y+1年的适切馈线率qy+1；
根据第y年、第y+1年的适切馈线率以及负荷节点i在第y年的平均停电时间Ui,y，获得节点i在第y+1年的平均停电时间Ui,y+1；
其中，上述第y+1年的适切馈线率qy+1和节点i在第y+1年的平均停电时间Ui,y+1不应达到系统元件投资条件；
根据达到投资条件的年份yend确定负荷节点i引发投资的年份Ti；
根据所述负荷节点i年成本Ai,y、负荷节点i引发投资的年份Ti获得考虑负荷增长率的等效初始年平均停电时间Ui,Δ；
根据负荷节点i年成本Ai,y、考虑负荷增长率的负荷节点i等效初始年平均停电时间Ui,Δ和节点i在原有负荷基础上注入的单位功率ΔDin获得该节点新增注入单位功率后引发的投资时间Ti,inject；
根据负荷节点i引发投资的年份Ti以及负荷节点i所在配电系统总成本
得到节点i注入单位功率前的投资成本现值CPV,i；
根据节点i新增注入单位功率后引发的投资时间Ti,inject以及负荷节点i所在配电系统总成本
得到节点i新增注入单位功率后的投资成本现值CPV,i,inject；
根据所述节点i新增注入单位功率前的投资成本现值CPV,i和节点i新增注入单位功率后的投资成本现值CPV,i,inject得到配电网节点电价λi。
进一步的，所述并网点电价估算模型是通过以下子步骤获得的：
建立IES并网点可靠性评估模型以确定IES相应设备方案下的IES并网点可靠性水平；
利用所述配电网节点电价λi和单位电能成本δ，计算配电网相应节点的可靠性水平下的配电网节点销售电价；
利用所述IES并网点可靠性水平下的配电网节点销售电价对IES并网点电价pri进行估算，获得所述并网点电价估算模型。
进一步的，所述IES并网点可靠性评估模型是通过以下子步骤建立的：
采用ISODATA聚类方法对IES源荷场景进行聚类，以确定各典型源荷场景及其概率；
根据IES元件两状态模型和IES各故障场景获得IES各故障场景的概率；
根据IES系统的能源耦合供给关系，采用故障模式影响分析法确定各源荷场景与IES故障场景的组合场景的故障后果；
将平均供能可用率和缺供能量期望作为IES的售能可靠性指标；
根据所述IES的售能可靠性指标以及多能用户用能可靠性要求确定IES的购能可靠性指标。
进一步的，所述IES系统设备双层规划模型包括上层容量配置模型和下层运行优化模型；
其中，所述上层容量配置模型以IES运营商的总收益等年值最大为目标，以用户对相应能源的用能可靠性要求为约束条件建立的；
所述下层运行优化模型以IES运营商的单日运营收益最高为目标，以能量转换约束条件、能量平衡约束条件、设备出力约束条件和储能运行约束为约束条件建立的。
进一步的，所述上层容量配置模型的目标函数为：
maxf＝Rprofit-Cinvest
Cinvest＝Cinv+Cop-Cres
式中，f是IES运营商的总收益等年值；Rprofit为IES运营商年运营净收益，Cinvest为IES运营商全寿命周期建设投资年折算成本；Cinv为设备投资成本，Cop为运行维护成本，Cres为设备残值；Ntype为IES系统设备的种类数，共6种待规划设备，z＝1,2,...,6分别表示CCHP(冷热电联产系统)、EC(电制冷设备)、EH(电-热设备)、ES(电储能)、HS(热储能)、CS(冷储能)；Kz为第z类设备的单位容量建设成本；Sz为第z类设备的配置容量；d为贴现率；lIES为IES系统设备的寿命期望值；c表示典型日场景；
为某种典型日的日运营收益；daysc为各典型日天数。
进一步的，所述下层运行优化模型的目标函数为：
maxRprofit＝Rsell-Cbuy
式中，Rprofit为IES运营商单日运营净收益；Rsell为IES系统的售能收入，Cbuy为IES系统的购能成本；Re为IES系统的售电收入，Rh为IES系统的售热收入，Rc为IES系统的售冷收入；γe为IES系统的单位售电价格，γh为IES系统的单位售热价格，γc为IES系统的单位售冷价格；
为t时段电负荷，
为t时段热负荷，
为t时段冷负荷；Cg为IES系统的购气成本，Ce为IES系统的购电成本；λg为单位购气价格；
为t时段IES系统的购气量，
为t时段IES系统的购电量。
进一步的，所述能量转换约束条件为：
式中，
为t时段CCHP输出的电功率，
为t时段CCHP输出的热功率，
为t时段CCHP输出的冷功率，
为t时段CCHP的输入功率；ηeCCHP为CCHP的气转电效率,ηh-cCCHP为CCHP的气转热效率，
为CCHP的制冷系数；
为t时段CCHP天然气消耗量；β为天然气低位热值；Δt为每时段时间长度，取1h；Kh为CCHP的产热调度因子，Kc为CCHP的产冷调度因子；
为t时段EC的输出冷功率，
为t时段EC的输入电功率；ηEC为EC制冷系数，ηEH为EH电转热效率；
为t时段EH的输出热功率，
为t时段EH的输入电功率；X为E(表示电)、H(表示热)或C(表示冷)；Xt为t时段X储能的储能量；
为t时段X储能的充能功率，
为t时段X储能的放能功率；ηchXS为X储能的充能效率，ηdisXS为X储能的放能效率；
所述能量平衡约束条件为：
式中，
为t时段光伏出力，
为t时段风电出力；
所述设备出力约束条件为：
式中，
为CCHP电出力下限，
为从上级配电网购电功率上限，
为EC冷出力下限，
为EH热出力下限；
所述储能运行约束条件为：
X24＝X1,Xmin≤Xt≤SXS
式中，Xmin为X储能的储能量下限，SXS为X储能的储能容量；
为确保X储能在各时段内不同时充放能的0-1变量，1表示充能，0表示放能；PchXS,max为X储能的充能功率上限，PdisXS,max为X储能的放能功率上限。
进一步的，对所述IES系统设备的双层规划模型进行模型求解包括以下子步骤：
S410：收集综合能源系统的各项数据，包括：用户用能可靠性要求指标、风电和光伏出力曲线、用户电热冷负荷曲线、综合能源系统设备信息及综合能源系统设备的可靠性参数；
S420：设置种群数npop；
S430：初始化种群，初始化种群代数It＝1，初始化种群计数变量pop＝1；
S440：利用差分进化算法、种群以及种群计数变量产生上层容量配置方案，根据相应的配置方案，以估算出并网点电价；
S450：根据所述并网点电价并利用YALMIP平台对所述下层运行优化模型进行求解以获得下层优化结果；
S460：将所述下层优化结果输入所述上层容量配置模型，以获得适应度函数值；
S470：迭代更新种群计数变量pop＝pop+1，判断计数变量pop是否小于等于种群数npop，若是，则继续循环重复S440-S460计算，直至所有种群都计算完成；若否，则进一步判断种群代数It是否大于最大代数Itmax；
S480：若种群代数It大于等于最大代数Itmax，则将最优结果输出并进行存储；若不满足终止条件，则更新种群代数计数变量It＝It+1、进行进化种群的操作以获得新一代的种群并初始化种群计数变量pop＝1，并重复执行上述上述S440-S480，直至得到最优结果。
第二方面，本发明实施例提供一种用于综合能源系统的并网协调规划系统，包括：
第一建模模块：利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；
确定模块：利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；
第二建模模块：以IES年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；
规划模块：利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果。
本发明的用于综合能源系统并网协调规划方法和系统通过利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；以IES年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果；该规划方法得到的规划结果可使电网和综合能源系统分摊对用户供能可靠性的责任，两者间的电价包含供电成本和可靠性成本两重因素，能够在根据各自成本和责任的大小合理定价的基础上进行综合能源系统并网协调规划，协调配电网和综合能源系统的可靠性能力，在提升综合能源系统收益和保障配电网效益的同时降低了配电网冗余投资，降低了配电网和综合能源系统的总体供能成本，提升了配电网设备资产利用率，体现了综合能源系统的可靠性价值。
附图说明
图1为本发明实施例提供的一种用于综合能源系统的并网协调规划方法的流程示意图；
图2为本发明实施例提供的一种IES系统结构图；
图3为本发明实施例提供的一种IES系统所并上级配电网结构图；
图4为本发明实施例提供的一种系统元件(设备或能源网)两状态模型示意图；
图5为本发明实施例提供的对IES系统设备的双层规划模型进行模型求解的流程示意图；
图6为本发明实施例提供的一种用于综合能源系统的并网协调规划系统的结构示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
实施例一
图1为本发明实施例提供的一种用于综合能源系统的并网协调规划方法的流程示意图，参见图1，该方法包括以下步骤：
S100：利用计及可靠性的配电网节点电价定价方法和IES(Integrated EnergySystem)可靠性解析计算方法建立IES并网点电价估算模型；
S200：利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；
S300：以IES系统的年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；
S400：利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果。
其中，所述并网点电价估算模型是通过以下子步骤获得的：
建立IES并网点可靠性评估模型以确定IES相应设备方案下的IES并网点可靠性水平；具体的，可以设置多个并网点电能可靠性水平，由可靠性低到可靠性高顺序依次代入IES可靠性评估模型进行IES可靠性评估，当满足用户可靠性要求时，迭代停止，此时并网点可靠性水平为IES并网点可靠性水平，该IES并网点可靠性评估模型可确定某种IES设备方案下IES并网点可靠性水平；
利用基于长期增量成本法的计及可靠性的配电网节点电价定价方法和IES并网点可靠性水平确定并网点所在配电网节点电价λi；
利用所述配电网节点电价λi和单位电能成本δ，计算配电网相应节点的可靠性水平下的配电网节点销售电价；
利用所述IES并网点可靠性水平下的配电网节点销售电价对IES并网点电价pri进行估算，获得所述并网点电价估算模型。
下面将具体说明上述用于综合能源系统的并网协调规划方法的实现过程。
现有技术中的输配电价定价估算方法为综合成本定价法或边际成本定价法，其中，
所述综合成本定价法是基于会计核算成本的一种定价法，该综合成本定价法以成本核算为基础，将核算成本分摊到各类用户中去，例如：邮票法、潮流追踪法、合同路径法等均属于综合成本定价法。综合成本方法的原理较为直观、易于实现、能保证电网收支平衡，但其价格不能反映电网资源的稀缺程度，不利于形成激励性价格信号，无法实现电网资源的优化配置。
所述边际成本定价法是基于微观经济学原理的一种定价法，边际成本定价法主要包括长期边际成本定价法和短期边际成本定价法两种，长期边际成本定价法基于输配电公司提供输配电服务时造成的总输配电成本的边际变化来计算输配电费；短期边际成本定价法基于输配电公司提供输电服务时运行造成的变动成本的边际变化量来计算输电费。但是边际成本定价法仅反映电网运行成本的变化，不能保证电网的收支平衡。
而在电力市场环境下，同网同价模式不仅存在价格歧视，且不能引导潜在市场参与者进行合理的消费，因此节点电价在电力市场机制下应运而生。由于配电网负荷分散程度大、结构复杂、投资不可分等特点，输电网节点电价定价方式给配电网的成本分摊带来了困难，可能无法应用到配电网节点定价中。
本实施例中，所述计及可靠性的配电网节点电价定价方法可以采用长期增量成本定价法，该长期增量成本定价法主要是通过计算节点注入功率的变化对全部元件的投资年限的影响所导致的系统总投资年度增量成本，来获得节点电价。该方法避免了处理配电网负荷分散性大的问题以及分布式电源接入造成的基于潮流的配电网投资成本节点电价计算模型复杂度增加的问题，而且能够通过考虑电网各元件的经济寿命前瞻性成本反映各节点对电网的使用程度，有效回收投资成本。
基于长期增量成本法的计及可靠性的配电网节点电价方法是在量化评估负荷增长对区域供电可靠性及停电损失的影响的基础上，结合用户对供电可靠性的要求以及电网对投资成本有效回收的要求提出的。
其中，负荷增长对节点平均停电时间影响的量化如下：
在多分段多联络配电系统中，对于任一馈线来说，在邻接馈线发生故障时为了能够通过联络开关动作分担故障馈线负荷，该馈线必须具有一定的转供裕度。有效运行率η是判别馈线在邻接馈线发生故障时，能够分担相应区段负荷并有效地进行切换的能力的指标。它等于包含邻接馈线故障时转供的负荷在内的馈线负荷电流与馈线短时间容许电流之比。馈线η≤100％表示其有转供裕度，称为适切馈线。某地区配电系统裕度可用适切馈线率q表示，它等于该地区适切馈线数与总馈线数之比。
随着负荷增长，配电系统裕度会下降，表现为η增大、q减小，从而影响可靠性。假设配电区域负荷和η的值都符合正态分布，则第y+1年的适切馈线率qy+1可根据第y年的适切馈线率qy以及配电网年负荷增长率
求出：
式中，K1为大小取决于配电线路故障率的正常数。
而随着区域配电网适切馈线率q的减小，邻接馈线可倒送电的区段数会减少，负荷节点年平均停电时间U就会增大。负荷增长对U值影响大小与自动化程度有关，即系统自动化水平越高，完成负荷转供的时间与故障点修复所需要的时间相比越小，q对U的影响程度就越大，根据第y年、第y+1年的适切馈线率以及负荷节点i在第y年的平均停电时间Ui,y，获得节点i在第y+1年的平均停电时间Ui,y+1；
Ui,y+1＝Ui,y(1-(qy+1-qy)/qyK2) (2)
式中，K2为大小取决于配电自动化水平的参数。
其中，上述第y+1年的适切馈线率qy+1和节点i在第y+1年的平均停电时间Ui,y+1不应达到系统元件投资条件；
根据达到投资条件的年份yend确定负荷节点i引发投资的年份；Ti＝yend-1；
所述系统元件投资条件包括：负荷节点年平均停运时间Ui,y超过该节点用户可靠性要求Ui'时；节点i第y年期望停电损失EDCi,y超过该节点第y年分摊年成本Ai,y；
为了兼顾电力用户对电能可靠性的要求以及合理保障电网投资成本有效回收，在电价长期增量成本计算过程中，本实施例可采用两种电网投资策略来体现对上述两者的考虑：
(1)当负荷节点i年平均停运时间Ui,y超过该节点用户可靠性要求Ui'时即用户所需供电可靠性得不到保障时，将引发新投资。
(2)当节点i第y年期望停电损失EDCi,y超过该节点第y年分摊年成本Ai,y时，将引发新投资。
负荷节点期望停电损失计算公式为：
EDCi,y＝p·EENSi,y＝p·Di,y·Ui,y (3)
式中，p为单位停电损失；EENSi,y为节点i第y年期望缺供电量；Di,y为节点i第y年平均负荷。
负荷节点年成本Ai,y按负荷比例对电网总投资成本折年值进行分摊。电网总投资成本B由固定成本和可变成本两部分构成，固定成本为配电系统投资建设费用Bfix，可变成本为配电系统运行费用Bop。
式中，Ai,φ为负荷节点i所在配电系统总成本；ηAF为年金因子，是将投资成本分摊到投资年限每一年的系数；n为分摊成本的负荷节点总数；d为贴现率；l为电网元件寿命。
在已知馈线投资成本、初始年份适切馈线率、各节点初始年份负荷和年平均停电时间以及年负荷增长率等信息情况下，本实施例的计及可靠性的配电网节点电价定价方法具体为：
从计算初年开始，依据q0、Ui,0、
利用上述公式(1)、(2)计算y＝1,2,3,……年的Ui,y以及EDCi,y直至满足上述所述的系统元件投资策略，则负荷节点i引发投资的年份为Ti＝yend-1。
从而可利用公式(6)算出考虑负荷增长率的等效初始年平均停电时间Ui,Δ，
根据所述考虑负荷增长率的等效初始年平均停电时间Ui,Δ获得该节点引发的投资年份，参见以下公式(7)：
根据公式(7)，根据负荷节点年成本Ai,y、考虑负荷增长率的等效初始年平均停电时间Ui,Δ和节点i在原有负荷基础上注入单位功率ΔDin获得该节点新增注入单位功率所引发的投资时间Ti,inject，即下面的公式(8)：
根据负荷节点i引发的投资年份Ti以及负荷节点i所在配电系统总成本
得到节点i新增注入单位功率前的投资成本现值CPV,i；根据节点i新增注入单位功率后所引发的投资时间Ti,inject以及负荷节点i所在配电系统总成本
得到节点i新增注入单位功率后的投资成本现值CPV,i,inject；
根据所述节点i新增注入单位功率前的投资成本现值CPV,i和节点i新增注入单位功率后的投资成本现值CPV,i,inject之差可计算年增量投资成本ΔCi，参见下面公式(10)：
ΔCi＝(CPV,i,inject-CPV,i)·ηAF (10)
年增量投资成本与注入功率的比值即为配电网节点电价λi，参见下面的公式(11)：
根据所述配电网节点电价λi与单位电能其他成本δ(包括发电边际成本、边际损耗成本以及输电阻塞成本等)之和为配电网节点销售电价pri,参见公式(12)：
pri＝δ+λi (12)
在已知并网点电能定价方法的基础上，当IES配置一定时，对IES进行可靠性评估，根据IES用户可靠性要求反推并网点电能可靠性需求，继而可求出该配置下的并网点电价pri，据此可在优化配置中计算运行成本。
作为能源管网的末端能源耦合供应系统，IES系统是一种典型的供能负荷需求系统，参见图2，IES系统包括冷热电联供系统CCHP、电制冷机EC、电-热设备EH、储电ES、储热HS、储冷CS、光伏PV、风电WIND等设备以及电E、热H、冷C三种负荷。
可靠性评估方法有模拟法和解析法两类，由于能源的随机性，模拟法在IES可靠性评估中应用较为普遍，具体有序贯和非序贯蒙特卡洛(MC)方法两类。与非序贯MC相比，序贯MC不仅能考虑设备故障和源荷不确定性而且能兼顾源荷时序匹配性，但需要更多的CPU时间和存储空间。MC方法的精度是以效率为代价的，而本实施例所采用的解析法针对确定性、元件较少或元件低失效概率的系统则更为有效。
规划阶段以核算电价为目的的可靠性评估应满足计算效率高和鲁棒性原则。为此，本实施例采用场景法和故障模式影响分析法(FMEA)相结合的解析法对IES系统进行可靠性评估。
首先，基于年时序源、荷特性(光伏-风电-多能负荷)，进行场景聚类，把不确定性转化为多个概率确定型源荷场景；
其次，根据IES设备可靠性参数与IES故障场景确定各IES故障场景概率；
然后，采用场景法和故障模式影响分析法(FMEA)相结合的解析法，对IES不同源荷场景和故障场景组合的组合场景进行故障后果分析；
最后，根据故障后果分析结果统计并计算该IES系统的可靠性指标。
具体方法：
(1)采用ISODATA聚类方法对场景进行聚类，以确定源荷(光伏-风电-电负荷-热负荷-冷负荷)典型场景及其概率；
具体的，为避免现有技术中的k-means方法对初始聚类类簇设定依赖度高的缺点，本实施例采用自适应调整聚类类簇数以提高聚类精度的ISODATA聚类方法，即以各初始场景到聚类中心距离Dave作为总目标函数，将年时序风电、光伏的出力以及多能负荷集合转化为五维坐标轴的点集，各聚类中心对应参数代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得NL个最优典型场景，并计算各场景概率Px(x＝1…NL)。
自适应调整类簇数的策略为：当聚类结果某一类中样本数小于期望得到总类簇数的一半，或类簇标准差大于要求值时，进行类簇分裂，反之则进行类簇合并。
式中，Dave为平均聚类距离；Nc为聚类中心个数；X为Se类簇中元素，Ze为其聚类中心。
(2)基于IES元件状态模型和IES故障场景获得IES各故障场景的概率；
将待评估时间段设置为一年，将IES系统中的各种设备和上级能源网看作IES系统中的元件，各元件可采用如图4所示两状态模型。
假设IES系统共有NG个元件，则共有
个故障场景，第u个故障场景概率Pu可表示为：
式中，Nf,u为第u个状态场景中失效元件数；Pk为IES系统中第k个元件工作概率；Qk为IES系统中第k个元件失效概率；μk为IES系统中第k个元件的修复率；λk为IES系统中第k个元件的故障率；rk为IES中第k个元件的平均修复时间；k＝1表示配电网。
(3)根据IES能源耦合供给关系，采用故障模式影响分析法以确定各源荷场景与IES故障场景的组合场景的故障后果；
以CCHP的故障为例分析，CCHP故障会影响电、热、冷三种能源供应。其中，电负荷可由光伏、风电、上级配电网供应，ES作为备用；热负荷在电负荷有剩余且能满足EH出力约束的情况下由EH供应，HS作为备用；冷负荷在电负荷有剩余且能满足EC出力约束的情况下由EC供应，CS作为备用。根据上述故障后果分析方法，可确定第x个源荷场景第u个IES故障场景下负荷m供应情况Ix,u,m(0表示缺供，1表示供应正常)以及能源缺供量
其中m＝1,2,3分别表示电、热、冷能。
(4)将平均供能可用率和缺供能量期望作为IES的售能可靠性指标，根据所述IES的售能可靠性指标以对IES的供能可靠性指标进行计算。
本实施例可以选取平均供能可用率ASAI和缺供能量期望LOEE作为IES售能可靠性指标，分别从时间和能量的角度评估IES供能可靠性。
式中，ASAIm,demand为IES系统的第m种能源用户对平均供能可用率的要求；
LOEEm,demand为IES系统的第m种能源用户对缺供能量期望指标的要求。
在IES系统的配置一定的前提下，设置多个并网点电能可靠性水平，由大到小依次计算IES系统的售能可靠性指标，直至满足用户可靠性要求，即可确定并网点电能可靠性需求Ui'，从而确定并网点电价。
上述采用ISODATA聚类方法对源荷场景进行聚类离线进行，结合IES可靠性解析计算方法和计及可靠性的配电网节点电价定价方法可内嵌于IES系统设备双层规划模型中在线求解，从而提高了用于综合能源系统的并网协调规划方法的实用性。
在并网点可靠性电价机制和用户需求一定的条件下，成本低是IES取得经济性最优的重要因素，成本包括投资和运行成本。其中，运行成本取决于售能价格和能源消耗两方面因素。若设备配置容量大，则投资成本高，而可靠性收益大、IES购电电价相对较低，从而运行成本低；反之，投资成本低导致运行成本趋高。因此，本实施例所提出的IES系统设备优化配置的双层规划模型是在投资成本与运行成本间寻找综合成本最低点。
进一步的，所述IES系统设备的双层规划模型包括上层容量配置模型和下层运行优化模型；
其中，所述上层容量配置模型是以IES运营商的总收益等年值最大为目标构建的；
所述下层运行优化模型是以IES运营商的单日运营收益最高为目标所构建的。
更近一步的，所述上层容量配置模型是以IES运营商的总收益等年值最大为目标构建的，以进行IES设备容量配置，其决策变量为SCCHP、SEC、SEH、SES、SHS、SCS，分别表示待配置CCHP、EC、EH、ES、HS、CS容量，其中前三者单位为kW，后三者单位为kWh。上层目标函数为：
式中，f是IES运营商的总收益等年值；Rprofit为IES运营商年运营净收益，Cinvest为IES运营商全寿命周期建设投资年折算成本；Cinv为设备投资成本，Cop为运行维护成本，Cres为设备残值；Ntype为IES系统设备的种类数，共6种待规划设备，z＝1,2,...,6分别表示CCHP(冷热电联产系统)、EC(电制冷设备)、EH(电-热设备)、ES(电储能)、HS(热储能)、CS(冷储能)；Kz为第z类设备的单位容量建设成本；Sz为第z类设备的配置容量；d为贴现率；lIES为IES系统设备的寿命期望值；c表示典型日场景；
为某种典型日的日运营收益；daysc为各典型日天数。
进一步的，IES系统设备的配置方案需满足用户用能的可靠性要求，因此所述上层容量配置模型的约束条件为：
式中，ASAIm,demand为IES第m种能源用户对该能源的平均供能可用率指标要求；LOEEm,demand为IES第m种能源用户对该能源的缺供能量期望指标要求。
进一步的，下层运行优化模型以IES运营商单日运营收益最高为目标，通过优化调度IES中各设备(CCHP、EC、EH、ES、HS、CS)在不同时段的出力，满足电、热、冷多能负荷的需求，同时获得从上级配电网购置的电能功率以及单位时间内从燃气网购买的天然气量。决策变量为
运营收益为售能收入Rsell与购能成本的Cbuy差，其计算公式如下：
式中，Rprofit为IES运营商单日运营净收益；Rsell为IES系统的售能收入，Cbuy为IES系统的购能成本；Re为IES系统的售电收入，Rh为IES系统的售热收入，Rc为IES系统的售冷收入；γe为IES系统的单位售电价格，γh为IES系统的单位售热价格，γc为IES系统的单位售冷价格；
为t时段电负荷，
为t时段热负荷，
为t时段冷负荷；Cg为IES系统的购气成本，Ce为IES系统的购电成本；λg为单位购气价格；
为t时段IES系统的购气量，
为t时段IES系统的购电量。
进一步的，所述下层运行优化模型的约束条件包括能量转换约束条件、能量平衡约束条件、设备出力约束条件和储能运行约束；其中，
所述能量转换约束条件为：
式中，
为t时段CCHP输出的电功率，
为t时段CCHP输出的热功率，
为t时段CCHP输出的冷功率，
为t时段CCHP的输入功率；ηeCCHP为CCHP的气转电效率,ηh-cCCHP为CCHP的气转热效率，
为CCHP的制冷系数；
为t时段CCHP天然气消耗量；β为天然气低位热值；Δt为每时段时间长度，取1h；Kh为CCHP的产热调度因子，Kc为CCHP的产冷调度因子；
为t时段EC的输出冷功率，
为t时段EC的输入电功率；ηEC为EC制冷系数，ηEH为EH电转热效率；
为t时段EH的输出热功率，
为t时段EH的输入电功率；X为E(表示电)、H(表示热)或C(表示冷)；Xt为t时段X储能的储能量；
为t时段X储能的充能功率，
为t时段X储能的放能功率；ηchXS为X储能的充能效率，ηdisXS为X储能的放能效率；
所述能量平衡约束条件为：
式中，
为t时段光伏出力，
为t时段风电出力；
所述设备出力约束条件为：
式中，
为t时段CCHP的电出力下限，
为从上级配电网购电功率上限，
为t时段EC的冷出力下限，
为t时段EH的热出力下限；
所述储能运行约束条件为：
储能采用广义储能系统通用模型进行出力建模，其约束条件包括周期始末约束、上下限约束、充放能功率约束等，表达式如下：
式中，Xmin为X储能的储能量下限，SXS为X储能的储能容量；
为确保X储能在各时段内不同时充放能的0-1变量，1表示充能，0表示放能；PchXS,max为X储能的充能功率上限；PdisXS,max为X储能的放能功率上限。
本实施例中，上层容量配置模型解决的是多变量、多约束、单目标非线性规划(NLP)技术问题，下层运行优化模型解决的是混合整数线性规划(MILP)问题，为了实现上下层模型的嵌套，可以利用差分进化算法对所述上层容量配置模型进行求解，利用MATLAB、YALMIP和CPLEX求解器对所述下层运行优化模型进行求解。
为了提高寻优能力、加快收敛速度、克服启发式算法常见的早熟现象，现有技术中一般是从控制参数、差分策略、选择策略、种群重构、混合算法等角度对差分进化算法进行改进。
其中，所述差分进化算法的主要控制参数有种群规模NP、缩放因子F和交叉概率CR。其中，缩放因子F对差分进化算法的全局寻优能力影响最大。
本实施例中，在S400中，对所述IES系统设备的双层规划模型进行模型求解包括以下子步骤：
S410：收集综合能源系统的各项数据，包括：用户用能可靠性要求指标、风电光伏出力曲线、用户电热冷负荷曲线、综合能源系统设备信息及综合能源系统设备的可靠性参数；
S420：设置种群数npop；
S430：初始化种群；例如可以在变量可行域范围内随机生成种群数，种群数即种群中可行方案的数量，每个种群染色体维数即优化变量数；初始化种群代数It＝1，初始化种群计数变量pop＝1；
S440：利用差分进化算法、种群和种群计数变量产生上层容量配置方案，根据相应的配置方案，估算出并网点电价；需要说明的是，每一个种群即为一个配置方案；
S450：根据所述并网点电价并利用YALMIP平台对所述下层运行优化模型进行求解以获得下层优化结果；
S460：将所述下层优化结果输入所述上层容量配置模型，以获得适应度函数值；
S470：迭代种群的计数变量pop(即pop＝pop+1)，判断计数变量pop是否小于等于种群数npop，若是，则重复S440-S460并迭代种群计数变量pop，直至所有种群都计算完成；若否，则进一步判断种群代数It是否大于等于最大代数Itmax；
S480：若种群代数It大于等于最大代数Itmax，则将最优结果输出并进行存储；若不满足终止条件，则进化种群的操作以获得新一代的种群，例如可以通过交叉、变异等操作进化种群获得新一代种群，迭代种群代数It(即It＝It+1)，并初始化种群计数变量pop＝1，再进行S440-S480的循环计算，直至得到最优结果；
上述S450具体包括以下子步骤：
S451：更新IES并网点可靠性指标；
S452：离线(指不必每次迭代都计算，仅计算一次，一直可用)生成源荷概率多场景并确定各场景概率；根据IES故障场景及IES元件模型离线确定IES各故障场景概率；离线对源荷场景和IES故障场景进行场景组合，并获得各组合场景概率；基于所述场景组合及其概率，对故障后果进行分析并统计可靠性指标；
S453：判断统计后的IES供能可靠性指标是否满足用户可靠性要求，若是，则得到IES并网点可靠性指标，根据此IES并网点可靠性指标估算并网点电价；若否，则再次更新IES并网点的可靠性指标，并重复S452-S453，直至得到IES并网点可靠性指标。
上述S480具体包括以下子步骤：
S481：计算聚焦距离变化率；
S482：根据所述聚焦距离变化率得到自适应缩放因子F；
S483：基于所述自适应缩放因子F，并采用进化、交叉和选择操作得到所述新一代的种群，以接近最优解；优选的，本实施例根据不同代的聚焦距离变化率调整自适应缩放因子F；关于采用进化、交叉和选择操作可采用现有技术中的操作即可，此处不再赘述。
参见图5，种群数为npop，即种群大小，每一个种群是一个配置方案，一个配置方案也就是一个染色体，其维数为变量个数。
为了实现对所述IES系统设备的双层规划模型进行求解过程中的收敛精度和速度的平衡，本实施例引入平均聚焦距离MeanDistance和最大聚焦距离MaxDistance以及聚焦距离变化率Ψ，以实现根据种群到最优点的聚集程度自适应调整缩放因子F的目的，具体公式如下：
式中，MeanDistance为平均聚焦距离；MaxDistance为最大聚焦距离；Ψ为聚焦距离变化率；F为缩放因子；h为一个计数变量，g为另一个计数变量；npop为种群数；D为染色体维数；phg为差分进化算法目前搜索到的最优位置；xhg为每个个体目前搜索到的位置；ξ为一个[0,1]间均匀分布的随机数。
实施例二
图5为本发明实施例提供的一种用于综合能源系统的并网协调规划系统，参见图5，该系统包括：
第一建模模块：利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；
确定模块：利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；
第二建模模块：以IES年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；
规划模块：利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果。
进一步的，所述第一建模模块具体执行以下操作以得到配电网节点电价：
根据第y年的适切馈线率和配电网年负荷增长率获得第y+1年的适切馈线率qy+1；
根据第y年、第y+1年的适切馈线率以及负荷节点i在第y年的平均停电时间Ui,y，获得节点i在第y+1年的平均停电时间Ui,y+1；
其中，上述第y+1年的适切馈线率qy+1和节点i在第y+1年的平均停电时间Ui,y+1不应达到系统元件投资条件；
根据达到投资条件的年份yend确定负荷节点i引发投资的年份Ti；
根据所述负荷节点i年成本Ai,y、负荷节点i引发投资的年份Ti获得考虑负荷增长率的等效初始年平均停电时间Ui,Δ；
根据负荷节点i年成本Ai,y、考虑负荷增长率的负荷节点i等效初始年平均停电时间Ui,Δ和节点i在原有负荷基础上注入的单位功率ΔDin获得该节点新增注入单位功率后引发的投资时间Ti,inject；
根据负荷节点i引发投资的年份Ti以及负荷节点i所在配电系统总成本
得到节点i注入单位功率前的投资成本现值CPV,i；
根据节点i新增注入单位功率后引发的投资时间Ti,inject以及负荷节点i所在配电系统总成本
得到节点i新增注入单位功率后的投资成本现值CPV,i,inject；
根据所述节点i新增注入单位功率前的投资成本现值CPV,i和节点i新增注入单位功率后的投资成本现值CPV,i,inject得到配电网节点电价λi。
进一步的，所述第一建模模块还执行以下操作以获得所述并网点电价估算模型：
建立IES并网点可靠性评估模型以确定IES相应设备方案下的IES并网点可靠性水平；
利用所述配电网节点电价λi和单位电能成本δ，计算配电网相应节点的可靠性水平下的配电网节点销售电价；
利用所述IES并网点可靠性水平下的配电网节点销售电价对IES并网点电价pri进行估算，获得所述并网点电价估算模型。
进一步的，所述第一建模模块包括：
聚类模块，用于采用ISODATA聚类方法对源荷场景进行聚类，以确定各典型源荷场景及其概率；
故障场景的概率获取模块，用于根据IES元件两状态模型和IES各故障场景获得IES各故障场景的概率；
第一确定模块，用于根据IES系统的能源耦合供给关系，采用故障模式影响分析法确定各源荷场景与IES故障场景的组合场景的故障后果；
售能可靠性指标获取模块，用于将平均供能可用率和缺供能量期望作为IES的售能可靠性指标；
第二确定模块，用于根据所述IES的售能可靠性指标以及多能用户用能可靠性要求确定IES的购能可靠性指标。
进一步的，所述IES系统设备双层规划模型包括上层容量配置模型和下层运行优化模型；
其中，所述第二建模模块用于执行以下操作：
以IES运营商的总收益等年值最大为目标，以用户对相应能源的用能可靠性要求为约束条件建立所述上层容量配置模型；
以IES运营商单日运营收益最高为目标，以能量转换约束条件、能量平衡约束条件、设备出力约束条件和储能运行约束为约束条件建立所述下层运行优化模型。
进一步的，所述上层容量配置模型的目标函数为：
maxf＝Rprofit-Cinvest
Cinvest＝Cinv+Cop-Cres
式中，f是IES运营商的总收益等年值；Rprofit为IES运营商年运营净收益，Cinvest为IES运营商全寿命周期建设投资年折算成本；Cinv为设备投资成本，Cop为运行维护成本，Cres为设备残值；
Ntype为IES系统设备的种类数，共6种待规划设备，z＝1,2,...,6分别表示CCHP(冷热电联产系统)、EC(电制冷设备)、EH(电-热设备)、ES(电储能)、HS(热储能)、CS(冷储能)；Kz为第z类设备的单位容量建设成本；Sz为第z类设备的配置容量；d为贴现率；lIES为IES系统设备的寿命期望值；c表示典型日场景；
为某种典型日的日运营收益；daysc为各典型日天数。
进一步的，所述下层运行优化模型的目标函数为：
maxRprofit＝Rsell-Cbuy
式中，Rprofit为IES运营商单日运营净收益；Rsell为IES系统的售能收入，Cbuy为IES系统的购能成本；Re为IES系统的售电收入，Rh为IES系统的售热收入，Rc为IES系统的售冷收入；γe为IES系统的单位售电价格，γh为IES系统的单位售热价格，γc为IES系统的单位售冷价格；
为t时段电负荷，
为t时段热负荷，
为t时段冷负荷；Cg为IES系统的购气成本，Ce为IES系统的购电成本；λg为单位购气价格；
为t时段IES系统的购气量，
为t时段IES系统的购电量。
进一步的，所述能量转换约束条件为：
式中，
为t时段CCHP输出的电功率，
为t时段CCHP输出的热功率，
为t时段CCHP输出的冷功率，
为t时段CCHP的输入功率；ηeCCHP为CCHP的气转电效率,ηh-cCCHP为CCHP的气转热效率，
为CCHP的制冷系数；
为t时段CCHP天然气消耗量；β为天然气低位热值；Δt为每时段时间长度，取1h；Kh为CCHP的产热调度因子，Kc为CCHP的产冷调度因子；
为t时段EC的输出冷功率，
为t时段EC的输入电功率；ηEC为EC制冷系数，ηEH为EH电转热效率；
为t时段EH的输出热功率，
为t时段EH的输入电功率；X为E(表示电)、H(表示热)、C(表示冷)；Xt为t时段X储能的储能量；
为t时段X储能的充能功率，
为t时段X储能的放能功率；ηchXS为X储能的充能效率，ηdisXS为X储能的放能效率；
所述能量平衡约束条件为：
式中，
为t时段光伏出力，
为t时段风电出力；
所述设备出力约束条件为：
式中，
为CCHP电出力下限，
为从上级配电网购电功率上限，
为EC冷出力下限，
为EH热出力下限；
所述储能运行约束条件为：
X24＝X1,Xmin≤Xt≤SXS
式中，Xmin为X储能的储能量下限，SXS为X储能的储能容量；
为确保X储能在各时段内不同时充放能的0-1变量，1表示充能，0表示放能；PchXS,max为X储能的充能功率上限，PdisXS,max为X储能的放能功率上限。
进一步的，所述规划模块用于执行以下操作：
(1)收集综合能源系统的各项数据，包括：用户用能可靠性要求指标、风电和光伏出力曲线、用户电热冷负荷曲线、综合能源系统设备信息及综合能源系统设备的可靠性参数；
(2)设置种群数npop；
(3)初始化种群，初始化种群代数It＝1，初始化种群计数变量pop＝1；
(4)利用差分进化算法、种群以及种群计数变量产生上层容量配置方案，根据相应的配置方案，以估算出并网点电价；
(5)根据所述并网点电价并利用YALMIP平台对所述下层运行优化模型进行求解以获得下层优化结果；
(6)将所述下层优化结果输入所述上层容量配置模型，以获得适应度函数值；
(7)迭代更新种群计数变量pop＝pop+1，判断计数变量pop是否小于等于种群数npop，若是，则继续循环重复执行(4)-(6)，直至所有种群都计算完成；若否，则进一步判断种群代数It是否大于最大代数Itmax；
(8)若种群代数It大于等于最大代数Itmax，则将最优结果输出并进行存储；若不满足终止条件，则更新种群代数计数变量It＝It+1、进行进化种群的操作以获得新一代的种群并初始化种群计数变量pop＝1，并重复执行上述(4)-(8)，直至得到最优结果。
本实施例中的并网协调规划系统与上述实施例一的并网协调规划方法的工作过程基本一致，在此不再赘述。
综上所述，本发明具有以下优点：
本发明的用于综合能源系统并网协调规划方法和系统通过利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；以IES年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果；该规划方法得到的规划结果可使电网和综合能源系统分摊对用户供能可靠性的责任，两者间的电价包含供电成本和可靠性成本两重因素，能够在根据各自成本和责任的大小合理定价的基础上进行综合能源系统并网协调规划，协调配电网和综合能源系统的可靠性能力，在提升综合能源系统收益和保障配电网效益的同时降低了配电网冗余投资，降低了配电网和综合能源系统的总体供能成本，提升了配电网设备资产利用率，体现了综合能源系统的可靠性价值。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种用于综合能源系统的并网协调规划方法，该方法包括以下步骤：
利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；
利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；
以IES年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；
利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果。
2.根据权利要求1所述的方法，其特征在于，所述计及可靠性的配电网节点电价定价方法是基于长期增量成本法的，包括以下步骤：
根据第y年的适切馈线率和配电网年负荷增长率获得第y+1年的适切馈线率qy+1；
根据第y年、第y+1年的适切馈线率以及负荷节点i在第y年的平均停电时间Ui,y，获得节点i在第y+1年的平均停电时间Ui,y+1；
其中，上述第y+1年的适切馈线率qy+1和节点i在第y+1年的平均停电时间Ui,y+1不应达到系统元件投资条件；
根据达到投资条件的年份yend确定负荷节点i引发投资的年份Ti；
根据所述负荷节点i年成本Ai,y、负荷节点i引发投资的年份Ti获得考虑负荷增长率的等效初始年平均停电时间Ui,Δ；
根据负荷节点i年成本Ai,y、考虑负荷增长率的负荷节点i等效初始年平均停电时间Ui,Δ和节点i在原有负荷基础上注入的单位功率ΔDin获得该节点新增注入单位功率后引发的投资时间Ti,inject；
根据负荷节点i引发投资的年份Ti以及负荷节点i所在配电系统总成本
得到节点i注入单位功率前的投资成本现值CPV,i；
根据节点i新增注入单位功率后引发的投资时间Ti,inject以及负荷节点i所在配电系统总成本
得到节点i新增注入单位功率后的投资成本现值CPV,i,inject；
根据所述节点i新增注入单位功率前的投资成本现值CPV,i和节点i新增注入单位功率后的投资成本现值CPV,i,inject得到配电网节点电价λi。
3.根据权利要求2所述的方法，其特征在于，所述并网点电价估算模型是通过以下子步骤获得的：
建立IES并网点可靠性评估模型以确定IES相应设备方案下的IES并网点可靠性水平；
利用所述配电网节点电价λi和单位电能成本δ，计算配电网相应节点的可靠性水平下的配电网节点销售电价；
利用所述IES并网点可靠性水平下的配电网节点销售电价对IES并网点电价pri进行估算，获得所述并网点电价估算模型。
4.根据权利要求3所述的方法，其特征在于，所述IES并网点可靠性评估模型是通过以下子步骤建立的：
采用ISODATA聚类方法对源荷场景进行聚类，以确定各典型源荷场景及其概率；
根据IES元件两状态模型和IES各故障场景获得IES各故障场景的概率；
根据IES系统的能源耦合供给关系，采用故障模式影响分析法确定各源荷场景与IES故障场景的组合场景的故障后果；
将平均供能可用率和缺供能量期望作为IES的售能可靠性指标；
根据所述IES的售能可靠性指标以及多能用户用能可靠性要求确定IES的购能可靠性指标。
5.根据权利要求1所述的方法，其特征在于，所述IES系统设备双层规划模型包括上层容量配置模型和下层运行优化模型；
其中，所述上层容量配置模型以IES运营商的总收益等年值最大为目标，以用户对相应能源的用能可靠性要求为约束条件建立的；
所述下层运行优化模型以IES运营商单日运营收益最高为目标，以能量转换约束条件、能量平衡约束条件、设备出力约束条件和储能运行约束为约束条件建立的。
6.根据权利要求5所述的方法，其特征在于，所述上层容量配置模型的目标函数为：
maxf＝Rprofit-Cinvest
Cinvest＝Cinv+Cop-Cres
式中，f是IES运营商的总收益等年值；Rprofit为IES运营商年运营净收益，Cinvest为IES运营商全寿命周期建设投资年折算成本；Cinv为设备投资成本，Cop为运行维护成本，Cres为设备残值；
Ntype为IES系统设备的种类数，共6种待规划设备，z＝1,2,...,6分别表示CCHP(冷热电联产系统)、EC(电制冷设备)、EH(电-热设备)、ES(电储能)、HS(热储能)、CS(冷储能)；Kz为第z类设备的单位容量建设成本；Sz为第z类设备的配置容量；d为贴现率；lIES为IES系统设备的寿命期望值；c表示典型日场景；
为某种典型日的日运营收益；daysc为各典型日天数。
7.根据权利要求5所述的方法，其特征在于，所述下层运行优化模型的目标函数为：
maxRprofit＝Rsell-Cbuy
式中，Rprofit为IES运营商单日运营净收益；Rsell为IES系统的售能收入，Cbuy为IES系统的购能成本；Re为IES系统的售电收入，Rh为IES系统的售热收入，Rc为IES系统的售冷收入；γe为IES系统的单位售电价格，γh为IES系统的单位售热价格，γc为IES系统的单位售冷价格；
为t时段电负荷，
为t时段热负荷，
为t时段冷负荷；Cg为IES系统的购气成本，Ce为IES系统的购电成本；λg为单位购气价格；
为t时段IES系统的购气量，
为t时段IES系统的购电量。
8.根据权利要求5或7所述的方法，其特征在于，
所述能量转换约束条件为：
式中，
为t时段CCHP输出的电功率，
为t时段CCHP输出的热功率，
为t时段CCHP输出的冷功率，
为t时段CCHP的输入功率；ηeCCHP为CCHP的气转电效率,ηh-cCCHP为CCHP的气转热效率，
为CCHP的制冷系数；
为t时段CCHP天然气消耗量；β为天然气低位热值；Δt为每时段时间长度，取1h；Kh为CCHP的产热调度因子，Kc为CCHP的产冷调度因子；
为t时段EC的输出冷功率，
为t时段EC的输入电功率；ηEC为EC制冷系数，ηEH为EH电转热效率；
为t时段EH的输出热功率，
为t时段EH的输入电功率；X为E(表示电)、H(表示热)、C(表示冷)；Xt为t时段X储能的储能量；
为t时段X储能的充能功率，
为t时段X储能的放能功率；ηchXS为X储能的充能效率，ηdisXS为X储能的放能效率；
所述能量平衡约束条件为：
式中，
为t时段光伏出力，
为t时段风电出力；
所述设备出力约束条件为：
式中，
为CCHP电出力下限，
为从上级配电网购电功率上限，
为EC冷出力下限，
为EH热出力下限；
所述储能运行约束条件为：
X24＝X1,Xmin≤Xt≤SXS
式中，Xmin为X储能的储能量下限，SXS为X储能的储能容量；
为确保X储能在各时段内不同时充放能的0-1变量，1表示充能，0表示放能；PchXS,max为X储能的充能功率上限，PdisXS,max为X储能的放能功率上限。
9.根据权利要求5所述的方法，其特征在于，对所述IES系统设备的双层规划模型进行模型求解包括以下子步骤：
S410：收集综合能源系统的各项数据，包括：用户用能可靠性要求指标、风电和光伏出力曲线、用户电热冷负荷曲线、综合能源系统设备信息及综合能源系统设备的可靠性参数；
S420：设置种群数npop；
S430：初始化种群，初始化种群代数It＝1，初始化种群计数变量pop＝1；
S440：利用差分进化算法、种群以及种群计数变量产生上层容量配置方案，根据相应的配置方案，以估算出并网点电价；
S450：根据所述并网点电价并利用YALMIP平台对所述下层运行优化模型进行求解以获得下层优化结果；
S460：将所述下层优化结果输入所述上层容量配置模型，以获得适应度函数值；
S470：迭代更新种群计数变量pop＝pop+1，判断计数变量pop是否小于等于种群数npop，若是，则继续循环重复执行S440-S460，直至所有种群都计算完成；若否，则进一步判断种群代数It是否大于最大代数Itmax；
S480：若种群代数It大于等于最大代数Itmax，则将最优结果输出并进行存储；若不满足终止条件，则更新种群代数计数变量It＝It+1、进行进化种群的操作以获得新一代的种群并初始化种群计数变量pop＝1，并重复执行上述S440-S480，直至得到最优结果。
10.一种用于综合能源系统的并网协调规划系统，包括：
第一建模模块：利用计及可靠性的配电网节点电价定价方法和IES可靠性解析计算方法建立IES并网点电价估算模型；
确定模块：利用所述IES并网点电价估算模型确定IES相应设备方案所对应的IES并网点电价；
第二建模模块：以IES年收益最大为总目标，建立上层设备优化配置和下层系统优化运行的IES系统设备双层规划模型；
规划模块：利用改进差分进化算法和求解器对所述IES系统设备双层规划模型进行求解，得到IES系统最优设备规划结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010863153.4A CN112084705B (zh) | 2020-08-25 | 2020-08-25 | 一种用于综合能源系统的并网协调规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010863153.4A CN112084705B (zh) | 2020-08-25 | 2020-08-25 | 一种用于综合能源系统的并网协调规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112084705A true CN112084705A (zh) | 2020-12-15 |
| CN112084705B CN112084705B (zh) | 2024-05-24 |
Family
ID=73729572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010863153.4A Active CN112084705B (zh) | 2020-08-25 | 2020-08-25 | 一种用于综合能源系统的并网协调规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084705B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381473A (zh) * | 2021-01-14 | 2021-02-19 | 南方电网数字电网研究院有限公司 | 一种区域综合能源系统集群划分及参与日前市场出清方法 |
| CN113221374A (zh) * | 2021-05-28 | 2021-08-06 | 哈尔滨工程大学 | 一种核电设备可靠性分析的样本数据生成方法 |
| CN113780681A (zh) * | 2021-09-28 | 2021-12-10 | 国网湖南省电力有限公司 | 综合能源系统的源-荷-储协同规划方法 |
| CN113807563A (zh) * | 2021-07-28 | 2021-12-17 | 国网能源研究院有限公司 | 一种计及不同功能模块运行特性的多站融合优化方法 |
| CN113887803A (zh) * | 2021-09-30 | 2022-01-04 | 深圳供电局有限公司 | 一种气电互补能源系统的优化方法 |
| CN114362168A (zh) * | 2022-01-11 | 2022-04-15 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
| CN114676886A (zh) * | 2022-03-04 | 2022-06-28 | 三峡大学 | 基于综合需求响应和奖惩阶梯碳交易的能源枢纽主从博弈优化调度方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100122225A1 (en) * | 2008-11-10 | 2010-05-13 | Yu Cao | Pattern selection for lithographic model calibration |
| US20140304025A1 (en) * | 2011-10-28 | 2014-10-09 | Viridity Energy, Inc. | Managing energy assets associated with transport operations |
| CN104376385A (zh) * | 2014-11-27 | 2015-02-25 | 重庆大学 | 一种微电网电价优化方法 |
| CN108537409A (zh) * | 2018-03-15 | 2018-09-14 | 广东电网有限责任公司电网规划研究中心 | 一种考虑多能源耦合特性的工业园区配电网协同规划方法 |
| CN109934399A (zh) * | 2019-03-06 | 2019-06-25 | 华北电力大学 | 一种考虑设备变工况特性的综合能源系统规划方法 |
| CN110414762A (zh) * | 2019-02-26 | 2019-11-05 | 南京工业大学 | 一种综合能源系统的需求响应建模方法 |
| 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 |
| CN111404206A (zh) * | 2020-04-21 | 2020-07-10 | 清华大学 | 考虑投资回报约束的风光储发电系统容量双层规划方法 |
-
2020
- 2020-08-25 CN CN202010863153.4A patent/CN112084705B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100122225A1 (en) * | 2008-11-10 | 2010-05-13 | Yu Cao | Pattern selection for lithographic model calibration |
| US20140304025A1 (en) * | 2011-10-28 | 2014-10-09 | Viridity Energy, Inc. | Managing energy assets associated with transport operations |
| CN104376385A (zh) * | 2014-11-27 | 2015-02-25 | 重庆大学 | 一种微电网电价优化方法 |
| CN108537409A (zh) * | 2018-03-15 | 2018-09-14 | 广东电网有限责任公司电网规划研究中心 | 一种考虑多能源耦合特性的工业园区配电网协同规划方法 |
| CN110414762A (zh) * | 2019-02-26 | 2019-11-05 | 南京工业大学 | 一种综合能源系统的需求响应建模方法 |
| CN109934399A (zh) * | 2019-03-06 | 2019-06-25 | 华北电力大学 | 一种考虑设备变工况特性的综合能源系统规划方法 |
| 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 |
| CN111404206A (zh) * | 2020-04-21 | 2020-07-10 | 清华大学 | 考虑投资回报约束的风光储发电系统容量双层规划方法 |
Non-Patent Citations (5)
| Title |
|---|
| HAO XIAO ETC: "Bi-level planning for integrated energy systems incorporating demand response and energy storage under uncertain environments using novel metamodel", CSEE JOURNAL OF POWER AND ENERGY SYSTEMS, vol. 04, no. 02, 18 June 2018 (2018-06-18), pages 155 - 167 * |
| 周晶晶 等: "计及供电可靠性的配电网节点电价计算方法", 电力系统自动化, vol. 40, no. 07, 10 April 2016 (2016-04-10), pages 42 - 48 * |
| 宋阳阳 等: "计及需求侧响应和热/电耦合的微网能源优化规划", 电网技术, vol. 42, no. 11, 5 November 2018 (2018-11-05), pages 3469 - 3476 * |
| 胡静哲 等: "计及综合能源服务商参与的电力系统低碳经济调度", 电网技术, vol. 44, no. 02, 5 February 2020 (2020-02-05), pages 514 - 522 * |
| 高雪倩 等: "计及可靠性价值的综合能源系统设备优化配置", 电力自动化设备, vol. 42, no. 03, 10 March 2022 (2022-03-10), pages 9 - 17 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381473A (zh) * | 2021-01-14 | 2021-02-19 | 南方电网数字电网研究院有限公司 | 一种区域综合能源系统集群划分及参与日前市场出清方法 |
| CN113221374A (zh) * | 2021-05-28 | 2021-08-06 | 哈尔滨工程大学 | 一种核电设备可靠性分析的样本数据生成方法 |
| CN113807563A (zh) * | 2021-07-28 | 2021-12-17 | 国网能源研究院有限公司 | 一种计及不同功能模块运行特性的多站融合优化方法 |
| CN113780681A (zh) * | 2021-09-28 | 2021-12-10 | 国网湖南省电力有限公司 | 综合能源系统的源-荷-储协同规划方法 |
| CN113780681B (zh) * | 2021-09-28 | 2023-06-06 | 国网湖南省电力有限公司 | 综合能源系统的源-荷-储协同规划方法 |
| CN113887803A (zh) * | 2021-09-30 | 2022-01-04 | 深圳供电局有限公司 | 一种气电互补能源系统的优化方法 |
| CN114362168A (zh) * | 2022-01-11 | 2022-04-15 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
| CN114362168B (zh) * | 2022-01-11 | 2024-02-13 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
| CN114676886A (zh) * | 2022-03-04 | 2022-06-28 | 三峡大学 | 基于综合需求响应和奖惩阶梯碳交易的能源枢纽主从博弈优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112084705B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112084705B (zh) | 一种用于综合能源系统的并网协调规划方法及系统 | |
| Hasankhani et al. | Stochastic energy management of smart microgrid with intermittent renewable energy resources in electricity market | |
| Nojavan et al. | Application of fuel cell and electrolyzer as hydrogen energy storage system in energy management of electricity energy retailer in the presence of the renewable energy sources and plug-in electric vehicles | |
| Wang et al. | Robust distributed optimization for energy dispatch of multi-stakeholder multiple microgrids under uncertainty | |
| Gonzalez et al. | Forecasting power prices using a hybrid fundamental-econometric model | |
| Santos et al. | Impacts of operational variability and uncertainty on distributed generation investment planning: A comprehensive sensitivity analysis | |
| Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
| Jiao et al. | Electricity price driven active distribution network planning considering uncertain wind power and electricity price | |
| Yang et al. | Optimal bidding strategy of renewable-based virtual power plant in the day-ahead market | |
| Wang et al. | Robust energy systems scheduling considering uncertainties and demand side emission impacts | |
| CN113592133A (zh) | 一种能量枢纽优化配置方法及系统 | |
| Chang et al. | Day-ahead bidding strategy of cloud energy storage serving multiple heterogeneous microgrids in the electricity market | |
| Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
| Xiao et al. | Windfall profit-aware stochastic scheduling strategy for industrial virtual power plant with integrated risk-seeking/averse preferences | |
| Peng et al. | Review on bidding strategies for renewable energy power producers participating in electricity spot markets | |
| Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
| Gulotta et al. | Short-term uncertainty in the dispatch of energy resources for VPP: A novel rolling horizon model based on stochastic programming | |
| Zhang et al. | Optimal operation of multi-integrated energy system based on multi-level Nash multi-stage robust | |
| Vincent et al. | Sustainable microgrid design with peer-to-peer energy trading involving government subsidies and uncertainties | |
| Nammouchi et al. | Robust opportunistic optimal energy management of a mixed microgrid under asymmetrical uncertainties | |
| Ghasemi et al. | Combating Uncertainties in Wind and Distributed PV Energy Sources Using Integrated Reinforcement Learning and Time-Series Forecasting | |
| CN114169916A (zh) | 一种适应新型电力系统的市场成员报价策略制定方法 | |
| Li et al. | A novel price-driven energy sharing mechanism for charging station operators | |
| Xu et al. | CVaR‐based method for optimizing the contract bidding strategy of PV power stations | |
| Wang et al. | Two-stage distributionally robust offering and pricing strategy for a price-maker virtual power plant |
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 |