CN112101756A - 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 - Google Patents
数据驱动的多能互补能量枢纽负荷优化调度方法和系统 Download PDFInfo
- Publication number
- CN112101756A CN112101756A CN202010911359.XA CN202010911359A CN112101756A CN 112101756 A CN112101756 A CN 112101756A CN 202010911359 A CN202010911359 A CN 202010911359A CN 112101756 A CN112101756 A CN 112101756A
- Authority
- CN
- China
- Prior art keywords
- energy
- storage unit
- hydrogen
- power
- moment
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000295 complement effect Effects 0.000 title claims abstract description 20
- 239000001257 hydrogen Substances 0.000 claims abstract description 178
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 178
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 150
- 239000007789 gas Substances 0.000 claims abstract description 49
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004146 energy storage Methods 0.000 claims description 146
- 238000003860 storage Methods 0.000 claims description 104
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 96
- 238000012423 maintenance Methods 0.000 claims description 78
- 239000003345 natural gas Substances 0.000 claims description 54
- 239000000126 substance Substances 0.000 claims description 52
- 208000028659 discharge Diseases 0.000 claims description 36
- 238000004519 manufacturing process Methods 0.000 claims description 35
- 238000005338 heat storage Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 17
- 150000002431 hydrogen Chemical class 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000005868 electrolysis reaction Methods 0.000 claims description 5
- -1 hydrogen Chemical class 0.000 claims description 4
- 101100208381 Caenorhabditis elegans tth-1 gene Proteins 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种数据驱动的多能互补能量枢纽负荷优化调度方法和系统,涉及负荷优化调度技术领域。提出的能量枢纽负荷优化调度的线性优化模型考虑了能量枢纽的运行成本和CO2排放治理成本,有利于能量枢纽污染排放的减少。考虑了电、气、热、氢的多能互补,提高了能源系统运行的灵活性和经济性。并通过数据驱动的方法来处理可再生能源的不确定性,提出的数据驱动的能量枢纽负荷优化调度方法与随机规划方法相比,在处理可再生能源出力不确定性方面具有更好的鲁棒性;而与传统的鲁棒优化方法相比,本发明提出的方法更好地实现了能量枢纽负荷优化调度的经济性,很好地平衡了能源系统经济性和鲁棒性之间的矛盾。
Description
技术领域
本发明涉及负荷优化调度技术领域,具体涉及一种数据驱动的多能互补能量枢纽负荷优化调度方法和系统。
背景技术
能量枢纽可以定义为多载体能源系统,在该系统中,不同的能源资源(电、气、热、氢等)进行生产、传输、转换和储存以满足不同类型的负荷需求。但可再生能源出力的不确定性对能源系统的规划和运行产生了负面影响,当可再生能源的出力高于预测值会导致弃风弃光的现象;而可再生能源的出力低于预测值会导致供给侧电能的不足,引起供需不平衡,影响能量枢纽的正常运行。
现有能源系统负荷优化调度模型进行构建时采用随机规划和鲁棒优化方法来处理可再生能源的不确定性。
但基于场景的随机规划方法需要根据不确定参数的概率密度函数生成大量的场景,这给系统带来巨大的计算负担。同时,对不确定参数的概率分布拟合比较复杂。而对于鲁棒方法,虽然鲁棒方法的解对不确定参量最劣情况具有鲁棒性,但其结果往往过于保守。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种数据驱动的多能互补能量枢纽负荷优化调度方法和系统,解决了现有的方法无法平衡能源系统经济性和鲁棒性之间的矛盾的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种数据驱动的多能互补能量枢纽负荷优化调度方法,该方法包括:
基于能量枢纽与主电网之间的交易成本、天然气购买成本、氢气购买成本、分布式电源的维护成本和CO2排放治理成本构建能量枢纽负荷优化调度模型的目标函数;
基于氢能相关约束、热能储能单元约束、电能储能单元约束、功率平衡约束、生产约束、天然气输入限制、功率传输限制构建的能量枢纽负荷优化调度模型的约束条件;
基于M组可再生能源的出力历史数据,生成K个典型的可再生能源出力场景;
基于能量枢纽负荷优化调度模型和可再生能源出力不确定性构建数据驱动的能量枢纽分布鲁棒优化调度模型;
对数据驱动的能量枢纽分布鲁棒优化调度模型中的非线性约束进行线性化处理,得到能量枢纽负荷优化调度的线性优化模型;
确定相关计算参数,求解能量枢纽负荷优化调度的线性优化模型,确定负荷优化调度结果。
进一步的,所述能量枢纽负荷优化调度模型的目标函数为:
Pt buy为第t个时刻能量枢纽从主电网的购电功率;
Pt sell为第t个时刻能量枢纽向主电网的售电功率;
Δt为单位时段的时长;
CDG为能量枢纽的分布式电源的维护成本;
CEM为能量枢纽的CO2排放治理成本;
且所述能量枢纽的分布式电源的维护成本为:
其中:
可再生能源的维护成本为:
Pt REN为可再生能源在第t个时刻预测的输出功率;
OMREN为可再生能源发电单元的维护成本系数;
热电联产单元的维护成本为:
Pt ECHP和Pt TCHP分别为热电联产单元在第t个时刻的电能和热能输出功率;
OMCHP为热电联产单元的维护成本系数;
燃气锅炉的维护成本为:
Pt TB为燃气锅炉在第t个时刻的热能输出功率;
OMB为燃气锅炉的维护成本系数;
热能储能单元的维护成本为:
OMTES为热能储能单元的维护成本系数;
储氢罐的维护成本为:
OMHS为储氢单元的维护成本系数;
电能储能单元的维护成本为:
OMEES为电能储能单元的维护成本系数;
电解槽的维护成本为:
Pt EC为第t个时刻电解槽制氢时吸收的电功率;
OMEC为电解槽的维护成本系数;
且所述能量枢纽的CO2排放治理成本为:
其中,ugrid、uCHP和uB分别为主电网、热电联产单元和燃气锅炉的CO2污染排放系数;
Ctre为CO2的单位治理成本。
进一步的,所述氢能相关约束包括a1-a6:
a1、电解槽的制氢约束:
Pt EC为第t个时刻电解槽制氢时吸收的电功率;
ηEC为电解槽制氢的效率;
ρEC为消耗每度电能够制取的氢气量,单位是Nm3/4.8kWh;
a2、储氢单元的储氢量平衡约束:
a3、储氢单元的最小和最大储氢量约束:
a4、第t个时刻的储氢量等于第t个时刻的电解制氢量加上购氢量:
a5、储氢单元的储氢速率约束:
a6、储氢单元的放氢速率约束:
所述热能储能单元约束包括b1-b5:
b1、热能储能单元的能量平衡约束:
b2、热能储能单元需满足最大和最小的存储热量限制:
b3、热能储能单元的储热功率约束:
b4、热能储能单元的放热功率约束:
b5、热能储能单元不能同时储热和放热:
所述电能储能单元约束包括c1-c5:
c1、电能储能单元的能量平衡约束:
c2、电能储能单元需满足最大和最小的存储电量限制:
c3、电能储能单元的充电功率约束:
c4、电能储能单元的放电功率约束:
所述功率平衡约束包括d1-d3:
d1、电功率平衡约束:
其中,Pt EL为第t个时刻的电负荷功率;
d2、热功率平衡约束:
其中,Pt TL为第t个时刻的热负荷功率;
d3、第t个时刻的储氢罐放氢量等于氢负荷需求:
所述生产约束包括e1-e3:
e1、燃气锅炉在t时刻的热能的生产约束:
LHVG为天然气的低热值,ηB为燃气锅炉生产热能的效率;e2、热电联产单元在t时刻的电能生产约束:
e3、热电联产单元在t时刻的热能生产约束:
所述天然气输入限制包括f1-f3:
f1、热电联产单元的单位时间内消耗的天然气约束:
f2、内燃气锅炉的单位时间内消耗的天然气约束:
f3、燃气锅炉和热电联产单元在第t个时刻消耗的天然气总量等于第t个时刻能量枢纽的天然气购买量:
所述功率传输限制包括:
进一步的,所述基于M组可再生能源的出力历史数据,生成K个典型的可再生能源出力场景包括:
S1、计算各可再生能源出力场景的初始概率,Pi=1/M;并设定目标场景数为m*=M;
S2、对于其中的任意两个场景i和j(1≤i≤j≤m*),其距离为:
S3、任意选取场景i,搜索与场景i最近的场景j(i≠j),计算场景概率积:
S4、搜索最小Pkj,记为Pks,即Pks=min{Pkj|1≤j≤m*,i≠j};并进行场景合并,更新场景概率:Pi=Pi+Pj;
S5、更新场景个数m*=m*-mj,mj为最小Pks的个数,判断目标场景数m*≤K是否成立,若是,令K=m*,并输出K个典型的可再生能源出力场景,否则,转到步骤S2,重新计算。
进一步的,所述基于能量枢纽负荷优化调度模型和可再生能源出力不确定性构建数据驱动的能量枢纽分布鲁棒优化调度模型,包括:
将所述能量枢纽负荷优化调度模型的目标函数转化为:
其中,pk为第k个可再生能源出力场景的概率值;
ΔPi,t,k为第k个可再生能源出力场景下第i个分布式电源在第t时刻的出力调整量;
ci,t为第i个分布式电源在第t时刻出力调整惩罚系数;
Ω为可再生能源出力场景的可行域:
{pk}满足如下的置信度:
则,可得,
进一步的,所述对数据驱动的能量枢纽分布鲁棒优化调度模型中的非线性约束进行线性化处理,得到能量枢纽负荷优化调度的线性优化模型包括:
引入辅助变量yk,将1-范数约束条件转化为如下线性约束条件:
引入辅助变量zk,将∞-范数约束条件转化为如下线性约束条件:
进一步的,所述确定相关计算参数包括:购电价格售电价格天然气购买价格氢气购买价格可再生能源发电单元的维护成本系数OMREN、热电联产单元的维护成本系数OMCHP、燃气锅炉的维护成本系数OMB、热能储能单元的维护成本系数OMTES、储氢单元的维护成本系数OMHS、电能储能单元的维护成本系数OMEES、电解槽的维护成本系数OMEC、CO2的单位治理成本Ctre、电解槽制氢的效率ηEC、消耗每度电能够制取的氢气量ρEC、储/放氢效率储氢单元的最小/最大储氢量储氢单元的最大储/放氢速率热能储能单元的储热效率/放热效率热能储能单元最小/最大的储热量热能储能单元的最大储/放热功率电能储能单元充电效率/放电效率电能储能单元最小/最大储电量电能储能单元的最大充/放电功率电负荷功率Pt EL、热负荷功率Pt TL、氢负荷天然气的低热值LHVG、燃气锅炉生产热能的效率ηB、热电联产单元生产电能/热能的效率单位时间内热电联产单元/燃气锅炉的最大天然气消耗量能量枢纽从主电网购电时的最大传输功率能量枢纽向主电网售电时的最大传输功率典型的可再生能源出力场景K、第i个分布式电源在第t时刻出力调整惩罚系数ci,t、可再生能源在实时运行下的调整惩罚系数概率分布值的置信度α1和α∞。
进一步的,利用列与约束生成算法求解所述能量枢纽负荷优化调度的线性优化模型。
一种数据驱动的多能互补能量枢纽负荷优化调度系统,所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
(三)有益效果
本发明提供了一种数据驱动的多能互补能量枢纽负荷优化调度方法和系统。与现有技术相比,具备以下有益效果:
本发明提出的能量枢纽负荷优化调度的线性优化模型综合考虑了能量枢纽的运行成本和CO2排放治理成本,这有利于能量枢纽污染排放的减少。
本发明提出了能量枢纽负荷优化调度的线性优化模型考虑了电、气、热、氢的多能互补,提高了能源系统运行的灵活性和经济性。
本发明考虑了可再生能源的不确定性,并通过数据驱动的方法来处理可再生能源的不确定性,本发明提出的数据驱动的能量枢纽负荷优化调度方法与随机规划方法相比,在处理可再生能源出力不确定性方面具有更好的鲁棒性;而与传统的鲁棒优化方法相比,本发明提出的方法更好地实现了能量枢纽负荷优化调度的经济性,很好地平衡了能源系统经济性和鲁棒性之间的矛盾。因此,本发明构建的负荷优化调度方法对于协调多能互补能量枢纽负荷优化调度的经济性和鲁棒性具有重要支撑作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种数据驱动的多能互补能量枢纽负荷优化调度方法和系统,解决了现有的方法无法平衡能源系统经济性和鲁棒性之间的矛盾问题,实现在处理可再生能源出力不确定性方面具有更好的鲁棒性,同时更好地实现了能量枢纽负荷优化调度的经济性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1:
如图1所示,本发明提供了一种数据驱动的多能互补能量枢纽负荷优化调度方法,该方法由计算机执行,该方法包括:
基于能量枢纽与主电网之间的交易成本、天然气购买成本、氢气购买成本、分布式电源的维护成本和CO2排放治理成本构建能量枢纽负荷优化调度模型的目标函数;
基于氢能相关约束、热能储能单元约束、电能储能单元约束、功率平衡约束、生产约束、天然气输入限制、功率传输限制构建的能量枢纽负荷优化调度模型的约束条件;
基于M组可再生能源的出力历史数据,生成K个典型的可再生能源出力场景;
基于能量枢纽负荷优化调度模型和可再生能源出力不确定性构建数据驱动的能量枢纽分布鲁棒优化调度模型;
对数据驱动的能量枢纽分布鲁棒优化调度模型中的非线性约束进行线性化处理,得到能量枢纽负荷优化调度的线性优化模型;
确定相关计算参数,求解能量枢纽负荷优化调度的线性优化模型,确定负荷优化调度结果。
本实施例的有益效果为:
考虑了可再生能源的不确定性,并通过数据驱动的方法来处理可再生能源的不确定性,本发明提出的数据驱动的能量枢纽负荷优化调度方法与随机规划方法相比,在处理可再生能源出力不确定性方面具有更好的鲁棒性;而与传统的鲁棒优化方法相比,本发明提出的方法更好地实现了能量枢纽负荷优化调度的经济性,很好地平衡了能源系统经济性和鲁棒性之间的矛盾。因此,本发明构建的负荷优化调度方法对于协调多能互补能量枢纽负荷优化调度的经济性和鲁棒性具有重要支撑作用。
下面对本发明实施例的实现过程进行详细说明:
步骤1、基于能量枢纽与主电网之间的交易成本、天然气购买成本、氢气购买成本、分布式电源的维护成本和CO2排放治理成本构建能量枢纽负荷优化调度模型的目标函数;
所述能量枢纽负荷优化调度模型的目标函数为:
Pt buy为第t个时刻能量枢纽从主电网的购电功率;
Pt sell为第t个时刻能量枢纽向主电网的售电功率;
Δt为单位时段的时长;
CDG为能量枢纽的分布式电源的维护成本;且计算公式如下:
可再生能源的维护成本为:
Pt REB为可再生能源在第t个时刻预测的输出功率;OMREN为可再生能源发电单元的维护成本系数。
热电联产单元的维护成本为:
Pt ECHP和Pt TCHP分别为热电联产单元在第t个时刻的电能和热能输出功率;OMCHP为热电联产单元的维护成本系数。
燃气锅炉的维护成本为:
Pt TB为燃气锅炉在第t个时刻的热能输出功率;OMB为燃气锅炉的维护成本系数。
热能储能单元的维护成本为:
储氢罐的维护成本为:
电能储能单元的维护成本为:
电解槽的维护成本为:
Pt EC为第t个时刻电解槽制氢时吸收的电功率;OMEC为电解槽的维护成本系数。
CEM为能量枢纽的CO2排放治理成本,且具体计算公式如下:
其中,ugrid、uCHP和uB分别为主电网、热电联产单元和燃气锅炉的CO2污染排放系数;Ctre为CO2的单位治理成本。
步骤2、基于氢能相关约束、热能储能单元约束、电能储能单元约束、功率平衡约束、生产约束、天然气输入限制、功率传输限制构建的能量枢纽负荷优化调度模型的约束条件;
其中,电解槽可以在电价较低时通过电解制氢来满足氢负荷需求,氢能生产和存储的过程中,氢能相关约束为包括:a1-a6;
a1、电解槽的制氢约束:
a2、储氢单元的储氢量平衡约束:
a3、储氢单元的最小和最大储氢量约束:
a4、第t个时刻的储氢量等于第t个时刻的电解制氢量加上购氢量:
a5、储氢单元的储氢速率约束:
a6、储氢单元的放氢速率约束:
热能储能单元需要满足能量平衡、最大与最小储热量约束和最大与最小储放热功率约束,储氢单元的储氢量平衡约束包括:b1-b5;
b1、热能储能单元的能量平衡约束:
b2、热能储能单元需满足最大和最小的存储热量限制:
b3、热能储能单元的储热功率约束:
b4、热能储能单元的放热功率约束:
b5、热能储能单元不能同时储热和放热:
所述电能储能单元约束包括:c1-c5;
c1、电能储能单元的能量平衡约束:
c2、电能储能单元需满足最大和最小的存储电量限制:
c3、电能储能单元的充电功率约束:
c4、电能储能单元的放电功率约束:
c5、电能储能单元不能同时充电和放电:
由于能量枢纽需要保持电能、热能和氢能供给和消耗之间的平衡;所述功率平衡约束包括:d1-d3;
d1、电功率平衡约束:
其中,Pt EL为第t个时刻的电负荷功率。
d2、热功率平衡约束:
其中,Pt TL为第t个时刻的热负荷功率。
d3、第t个时刻的储氢罐放氢量等于氢负荷需求:
燃气锅炉和热电联产单元需要满足相关的生产约束,所述生产约束包括:e1-e3;
e1、燃气锅炉在t时刻的热能的生产约束:
e2、热电联产单元在t时刻的电能生产约束:
e3、热电联产单元在t时刻的热能生产约束:
燃气锅炉和热电联产单元因为物理特性,单位时间内消耗的天然气需要限制在一定的范围内,所述天然气输入限制包括:f1-f3;
f1、热电联产单元的单位时间内消耗的天然气约束:
f2、内燃气锅炉的单位时间内消耗的天然气约束:
f3、燃气锅炉和热电联产单元在第t个时刻消耗的天然气总量等于第t个时刻能量枢纽的天然气购买量:
为了保证电网的安全运行,能量枢纽和主电网之间的传输功率需要限制在一定的范围内;所述功率传输限制包括:
步骤3、基于M组可再生能源的出力历史数据,生成K个典型的可再生能源出力场景,包括S1-S5:
S1、计算各可再生能源出力场景的初始概率,Pi=1/M;并设定目标场景数为m*=M;
S2、对于其中的任意两个场景i和j(1≤i≤j≤m*),其距离为:
S3、任意选取场景i,搜索与场景i最近的场景j(i≠j),计算场景概率积:
S4、搜索最小Pkj,记为Pks,Pks=min{Pkj|1≤j≤m*,i≠j};
并进行场景合并,更新场景概率:Pi=Pi+Pj;
S5、更新场景个数m*=m*-mj,mj为最小Pks的个数,(可能不止一个),判断目标场景数m*≤K是否成立,若是,令K=m*,并输出K个典型的可再生能源出力场景,否则,转到步骤S2,重新计算。
步骤4、基于能量枢纽负荷优化调度模型和可再生能源出力不确定性构建数据驱动的能量枢纽分布鲁棒优化调度模型包括:
考虑了可再生能源出力不确定性后,能量枢纽的总成本将由日前经济调度成本和实时运行下的调整成本之和构成,即
所述能量枢纽负荷优化调度模型的目标函数转化为:
其中,pk为第k个可再生能源出力场景的概率值;
ΔPi,t,k为第k个可再生能源出力场景下第i个分布式电源在第t时刻的出力调整量;
ci,t为第i个分布式电源在第t时刻出力调整惩罚系数;
Ω为可再生能源出力场景的可行域:
{pk}满足如下的置信度:
则可得:
步骤5、对数据驱动的能量枢纽分布鲁棒优化调度模型中的非线性约束进行线性化处理,得到能量枢纽负荷优化调度的线性优化模型,具体步骤如下:
因此,最终得到的能量枢纽负荷优化调度的线性优化模型的目标函数为:
且约束条件为:
除包含能量枢纽负荷优化调度模型的约束条件以外,还包括转化后的可再生能源出力场景的可行域Ω:
能量枢纽负荷优化调度的线性优化模型是一种两阶段的优化调度模型,模型的第一阶段是通过日前决策来安排分布式电源的出力、能量枢纽与主电网交易的电量、购氢量和天然气购买量;模型的第二阶段是根据实际可再生能源的出力来确定分布式电源出力的调整量。
步骤6、确定相关计算参数;求解能量枢纽负荷优化调度的线性优化模型,最终的负荷优化调度结果;
其中,相关计算参数包括:购电价格售电价格天然气购买价格氢气购买价格可再生能源发电单元的维护成本系数OMREN、热电联产单元的维护成本系数OMCHP、燃气锅炉的维护成本系数OMB、热能储能单元的维护成本系数OMTES、储氢单元的维护成本系数OMHS、电能储能单元的维护成本系数OMEES、电解槽的维护成本系数OMEC、CO2的单位治理成本Ctre、电解槽制氢的效率ηEC、消耗每度电能够制取的氢气量ρEC、储/放氢效率储氢单元的最小/最大储氢量储氢单元的最大储/放氢速率热能储能单元的储热效率/放热效率热能储能单元最小/最大的储热量热能储能单元的最大储/放热功率电能储能单元充电效率/放电效率电能储能单元最小/最大储电量电能储能单元的最大充/放电功率电负荷功率Pt EL、热负荷功率Pt TL、氢负荷天然气的低热值LHVG、燃气锅炉生产热能的效率ηB、热电联产单元生产电能/热能的效率单位时间内热电联产单元/燃气锅炉的最大天然气消耗量能量枢纽从主电网购电时的最大传输功率能量枢纽向主电网售电时的最大传输功率典型的可再生能源出力场景K、第i个分布式电源在第t时刻出力调整惩罚系数ci,t、可再生能源在实时运行下的调整惩罚系数概率分布值的置信度α1和α∞;
求解时,可通过现有算法进行求解,例如利用现有的列与约束生成算法将原问题分解为主问题和子问题进行反复迭代求解,从而确定能量枢纽最终的负荷优化调度结果。
其中主问题可以表示为:
上式中x为第一阶段的决策变量,yk为第k个可再生能源出力场景下的第二阶段决策变量,ξk为第k个场景下的可再生能源出力值。
子问题是在主问题求出的决策变量x的情况下,找到可再生能源出力最恶劣的概率分布,并将得到的概率分布提供给主问题为下一次迭代使用,子问题可以表示为:
通过以上转化,提出的能量枢纽负荷优化调度的线性优化模型被转化为上述的主问题和子问题,然后可以用列与约束生成算法进行求解,具体过程如下:
①设定下界LB=-∞,上界UB=+∞,迭代次数m=1;
④给定算法的收敛阈值为ε,若UB-LB≤ε,则停止迭代;否则执行步骤⑤;
⑤返回最恶劣可再生能源出力场景概率分布pm到主问题;令m=m+1,跳转到步骤②,直到算法收敛。
实施例2
本发明还提供了一种数据驱动的多能互补能量枢纽负荷优化调度系统,所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
可理解的是,本发明实施例提供的数据驱动的多能互补能量枢纽负荷优化调度系统与上述数据驱动的多能互补能量枢纽负荷优化调度方法相对应,其有关内容的解释、举例、有益效果等部分可以参考数据驱动的多能互补能量枢纽负荷优化调度方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,本发明具备以下有益效果:
①本发明提出的能量枢纽负荷优化调度的线性优化模型综合考虑了能量枢纽的运行成本和CO2排放治理成本,这有利于能量枢纽污染排放的减少。
②本发明提出了能量枢纽负荷优化调度的线性优化模型考虑了电、气、热、氢的多能互补,提高了能源系统运行的灵活性和经济性。
③本发明考虑了可再生能源的不确定性,并通过数据驱动的方法来处理可再生能源的不确定性,促进了包含可再生能源的能量枢纽运行的稳定性,提出的能量枢纽负荷优化调度的线性优化模型很好地平衡了能源系统经济性和鲁棒性之间的矛盾。
④本发明对调度模型进行了线性化处理,并通过列与约束生成算法对能量枢纽负荷优化调度的线性优化模型进行高效求解。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种数据驱动的多能互补能量枢纽负荷优化调度方法,其特征在于,该方法包括:
基于能量枢纽与主电网之间的交易成本、天然气购买成本、氢气购买成本、分布式电源的维护成本和CO2排放治理成本构建能量枢纽负荷优化调度模型的目标函数;
基于氢能相关约束、热能储能单元约束、电能储能单元约束、功率平衡约束、生产约束、天然气输入限制、功率传输限制构建的能量枢纽负荷优化调度模型的约束条件;
基于M组可再生能源的出力历史数据,生成K个典型的可再生能源出力场景;
基于能量枢纽负荷优化调度模型和可再生能源出力不确定性构建数据驱动的能量枢纽分布鲁棒优化调度模型;
对数据驱动的能量枢纽分布鲁棒优化调度模型中的非线性约束进行线性化处理,得到能量枢纽负荷优化调度的线性优化模型;
确定相关计算参数,求解能量枢纽负荷优化调度的线性优化模型,确定负荷优化调度结果。
2.如权利要求1所述的一种数据驱动的多能互补能量枢纽负荷优化调度方法,其特征在于,所述能量枢纽负荷优化调度模型的目标函数为:
Pt buy为第t个时刻能量枢纽从主电网的购电功率;
Pt sell为第t个时刻能量枢纽向主电网的售电功率;
Δt为单位时段的时长;
λt G为第t个时刻能量枢纽的天然气购买价格;
CDG为能量枢纽的分布式电源的维护成本;
CEM为能量枢纽的CO2排放治理成本;
且所述能量枢纽的分布式电源的维护成本为:
其中:
可再生能源的维护成本为:
Pt REN为可再生能源在第t个时刻预测的输出功率;
OMREN为可再生能源发电单元的维护成本系数;
热电联产单元的维护成本为:
Pt ECHP和Pt TCHP分别为热电联产单元在第t个时刻的电能和热能输出功率;
OMCHP为热电联产单元的维护成本系数;
燃气锅炉的维护成本为:
Pt TB为燃气锅炉在第t个时刻的热能输出功率;
OMB为燃气锅炉的维护成本系数;
热能储能单元的维护成本为:
OMTES为热能储能单元的维护成本系数;
储氢罐的维护成本为:
OMHS为储氢单元的维护成本系数;
电能储能单元的维护成本为:
OMEES为电能储能单元的维护成本系数;
电解槽的维护成本为:
Pt EC为第t个时刻电解槽制氢时吸收的电功率;
OMEC为电解槽的维护成本系数;
且所述能量枢纽的CO2排放治理成本为:
其中,ugrid、uCHP和uB分别为主电网、热电联产单元和燃气锅炉的CO2污染排放系数;
Ctre为CO2的单位治理成本。
3.如权利要求2所述的一种数据驱动的多能互补能量枢纽负荷优化调度方法,其特征在于,所述氢能相关约束包括a1-a6:
a1、电解槽的制氢约束:
Pt EC为第t个时刻电解槽制氢时吸收的电功率;
ηEC为电解槽制氢的效率;
ρEC为消耗每度电能够制取的氢气量,单位是Nm3/4.8kWh;
a2、储氢单元的储氢量平衡约束:
a3、储氢单元的最小和最大储氢量约束:
a4、第t个时刻的储氢量等于第t个时刻的电解制氢量加上购氢量:
a5、储氢单元的储氢速率约束:
a6、储氢单元的放氢速率约束:
所述热能储能单元约束包括b1-b5:
b1、热能储能单元的能量平衡约束:
b2、热能储能单元需满足最大和最小的存储热量限制:
b3、热能储能单元的储热功率约束:
b4、热能储能单元的放热功率约束:
b5、热能储能单元不能同时储热和放热:
所述电能储能单元约束包括c1-c5:
c1、电能储能单元的能量平衡约束:
c2、电能储能单元需满足最大和最小的存储电量限制:
c3、电能储能单元的充电功率约束:
c4、电能储能单元的放电功率约束:
c5、防止电能储能单元在第t时刻同时充电和放电:
所述功率平衡约束包括d1-d3:
d1、电功率平衡约束:
其中,Pt EL为第t个时刻的电负荷功率;
d2、热功率平衡约束:
其中,Pt TL为第t个时刻的热负荷功率;
d3、第t个时刻的储氢罐放氢量等于氢负荷需求:
所述生产约束包括e1-e3:
e1、燃气锅炉在t时刻的热能的生产约束:
LHVG为天然气的低热值,ηB为燃气锅炉生产热能的效率;
e2、热电联产单元在t时刻的电能生产约束:
e3、热电联产单元在t时刻的热能生产约束:
所述天然气输入限制包括f1-f3:
f1、热电联产单元的单位时间内消耗的天然气约束:
f2、内燃气锅炉的单位时间内消耗的天然气约束:
f3、燃气锅炉和热电联产单元在第t个时刻消耗的天然气总量等于第t个时刻能量枢纽的天然气购买量:
所述功率传输限制包括:
4.如权利要求1所述的一种数据驱动的多能互补能量枢纽负荷优化调度方法,其特征在于,所述基于M组可再生能源的出力历史数据,生成K个典型的可再生能源出力场景包括:
S1、计算各可再生能源出力场景的初始概率,Pi=1/M;并设定目标场景数为m*=M;
S2、对于其中的任意两个场景i和j(1≤i≤j≤m*),其距离为:
S3、任意选取场景i,搜索与场景i最近的场景j(i≠j),计算场景概率积:
S4、搜索最小Pkj,记为Pks,即Pks=min{Pkj|1≤j≤m*,i≠j};并进行场景合并,更新场景概率:Pi=Pi+Pj;
S5、更新场景个数m*=m*-mj,mj为最小Pks的个数,判断目标场景数m*≤K是否成立,若是,令K=m*,并输出K个典型的可再生能源出力场景,否则,转到步骤S2,重新计算。
5.如权利要求2所述的一种数据驱动的多能互补能量枢纽负荷优化调度方法,其特征在于,所述基于能量枢纽负荷优化调度模型和可再生能源出力不确定性构建数据驱动的能量枢纽分布鲁棒优化调度模型,包括:
将所述能量枢纽负荷优化调度模型的目标函数转化为:
其中,pk为第k个可再生能源出力场景的概率值;
ΔPi,t,k为第k个可再生能源出力场景下第i个分布式电源在第t时刻的出力调整量;
ci,t为第i个分布式电源在第t时刻出力调整惩罚系数;
Ω为可再生能源出力场景的可行域:
{pk}满足如下的置信度:
则,可得,
7.如权利要求1-6中任一所述的一种数据驱动的多能互补能量枢纽负荷优化调度方法,其特征在于,所述确定相关计算参数包括:购电价格售电价格天然气购买价格氢气购买价格可再生能源发电单元的维护成本系数OMREN、热电联产单元的维护成本系数OMCHP、燃气锅炉的维护成本系数OMB、热能储能单元的维护成本系数OMTES、储氢单元的维护成本系数OMHS、电能储能单元的维护成本系数OMEES、电解槽的维护成本系数OMEC、CO2的单位治理成本Ctre、电解槽制氢的效率ηEC、消耗每度电能够制取的氢气量ρEC、储/放氢效率储氢单元的最小/最大储氢量储氢单元的最大储/放氢速率热能储能单元的储热效率/放热效率热能储能单元最小/最大的储热量热能储能单元的最大储/放热功率电能储能单元充电效率/放电效率电能储能单元最小/最大储电量电能储能单元的最大充/放电功率电负荷功率Pt EL、热负荷功率Pt TL、氢负荷天然气的低热值LHVG、燃气锅炉生产热能的效率ηB、热电联产单元生产电能/热能的效率单位时间内热电联产单元/燃气锅炉的最大天然气消耗量能量枢纽从主电网购电时的最大传输功率能量枢纽向主电网售电时的最大传输功率典型的可再生能源出力场景K、第i个分布式电源在第t时刻出力调整惩罚系数ci,t、可再生能源在实时运行下的调整惩罚系数概率分布值的置信度α1和α∞。
8.如权利要求7所述的一种数据驱动的多能互补能量枢纽负荷优化调度方法,其特征在于,利用列与约束生成算法求解所述能量枢纽负荷优化调度的线性优化模型。
9.一种数据驱动的多能互补能量枢纽负荷优化调度系统,所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911359.XA CN112101756B (zh) | 2020-09-02 | 2020-09-02 | 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911359.XA CN112101756B (zh) | 2020-09-02 | 2020-09-02 | 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101756A true CN112101756A (zh) | 2020-12-18 |
CN112101756B CN112101756B (zh) | 2022-09-30 |
Family
ID=73757612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010911359.XA Active CN112101756B (zh) | 2020-09-02 | 2020-09-02 | 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101756B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113346528A (zh) * | 2021-05-28 | 2021-09-03 | 北京能高自动化技术股份有限公司 | 一种基于氢储能构建的多能联供式调峰站及调峰方法 |
CN114204573A (zh) * | 2021-12-08 | 2022-03-18 | 上海交通大学宁波人工智能研究院 | 一种自洽能源系统控制装置及方法 |
CN114861546A (zh) * | 2022-05-20 | 2022-08-05 | 华北电力大学 | 一种基于燃氢燃气轮机的电热氢多能互补调度方法及系统 |
CN114861546B (zh) * | 2022-05-20 | 2024-05-24 | 华北电力大学 | 一种基于燃氢燃气轮机的电热氢多能互补调度方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622324A (zh) * | 2017-09-01 | 2018-01-23 | 燕山大学 | 一种考虑多微网能量交互的鲁棒环境经济调度方法 |
CN110009152A (zh) * | 2019-04-03 | 2019-07-12 | 东南大学 | 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN110807560A (zh) * | 2019-11-12 | 2020-02-18 | 国网重庆市电力公司电力科学研究院 | 氢混天然气能源系统调度方法、装置及可读存储介质 |
CN111046318A (zh) * | 2019-11-08 | 2020-04-21 | 合肥工业大学 | 多能量枢纽负荷优化调度方法 |
CN111404153A (zh) * | 2020-04-16 | 2020-07-10 | 华北电力大学 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
-
2020
- 2020-09-02 CN CN202010911359.XA patent/CN112101756B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622324A (zh) * | 2017-09-01 | 2018-01-23 | 燕山大学 | 一种考虑多微网能量交互的鲁棒环境经济调度方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN110009152A (zh) * | 2019-04-03 | 2019-07-12 | 东南大学 | 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法 |
CN111046318A (zh) * | 2019-11-08 | 2020-04-21 | 合肥工业大学 | 多能量枢纽负荷优化调度方法 |
CN110807560A (zh) * | 2019-11-12 | 2020-02-18 | 国网重庆市电力公司电力科学研究院 | 氢混天然气能源系统调度方法、装置及可读存储介质 |
CN111404153A (zh) * | 2020-04-16 | 2020-07-10 | 华北电力大学 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
Non-Patent Citations (5)
Title |
---|
CUO ZHANG .ET: "Robust Operation of Microgrids via Two-Stage Coordinated Energy Storage and Direct Load Control", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
SHNWEI LIU .ET: "Day-Ahead Hierarchical Optimal Scheduling for Offshore Integrated Electricity-Gas-Heat Energy System Considering Load Forecasting", 《IECON 2019 - 45TH ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》 * |
张军六等: "计及需求响应的气电互联虚拟电厂多目标调度优化模型", 《电力建设》 * |
张子阳等: "面向可再生能源高比例消纳的综合能源系统优化规划模型研究", 《可再生能源》 * |
贾洋洋: "含储氢装置的分布式能源系统的优化经济调度", 《广东电力》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113346528A (zh) * | 2021-05-28 | 2021-09-03 | 北京能高自动化技术股份有限公司 | 一种基于氢储能构建的多能联供式调峰站及调峰方法 |
CN113346528B (zh) * | 2021-05-28 | 2022-09-30 | 北京能高自动化技术股份有限公司 | 一种基于氢储能构建的多能联供式调峰站及调峰方法 |
CN114204573A (zh) * | 2021-12-08 | 2022-03-18 | 上海交通大学宁波人工智能研究院 | 一种自洽能源系统控制装置及方法 |
CN114861546A (zh) * | 2022-05-20 | 2022-08-05 | 华北电力大学 | 一种基于燃氢燃气轮机的电热氢多能互补调度方法及系统 |
CN114861546B (zh) * | 2022-05-20 | 2024-05-24 | 华北电力大学 | 一种基于燃氢燃气轮机的电热氢多能互补调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112101756B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Constrained multi-objective population extremal optimization based economic-emission dispatch incorporating renewable energy resources | |
Glotić et al. | Short-term combined economic and emission hydrothermal optimization by surrogate differential evolution | |
Ju et al. | Multi-objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic-electric vehicles considering uncertainties and demand response | |
Zeynali et al. | Multi-objective optimal short-term planning of renewable distributed generations and capacitor banks in power system considering different uncertainties including plug-in electric vehicles | |
Ma et al. | Optimal sizing and operations of shared energy storage systems in distribution networks: A bi-level programming approach | |
Hemmati et al. | Market based transmission expansion and reactive power planning with consideration of wind and load uncertainties | |
Li et al. | Coordinated scheduling for improving uncertain wind power adsorption in electric vehicles—Wind integrated power systems by multiobjective optimization approach | |
CN109980636B (zh) | 基于改进Benders分解法的风水火协调优化调度方法 | |
Song et al. | Economic-environmental equilibrium-based bi-level dispatch strategy towards integrated electricity and natural gas systems | |
Rodriguez et al. | Fuzzy logic-based energy management for isolated microgrid using meta-heuristic optimization algorithms | |
CN112101756B (zh) | 数据驱动的多能互补能量枢纽负荷优化调度方法和系统 | |
Mahari et al. | A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA | |
Gjorgiev et al. | A new model for optimal generation scheduling of power system considering generation units availability | |
Amjady et al. | Security constrained unit commitment by a new adaptive hybrid stochastic search technique | |
CN115169916A (zh) | 一种基于安全经济的电热综合能源控制方法 | |
Tang et al. | Multi-stage sizing approach for development of utility-scale BESS considering dynamic growth of distributed photovoltaic connection | |
Afshari Igder et al. | Bidding strategies of the joint wind, hydro, and pumped‐storage in generation company using novel improved clonal selection optimisation algorithm | |
CN112418488A (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
CN115310797A (zh) | 一种园区综合能源系统的鲁棒规划方法 | |
Wen et al. | Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration | |
Lee et al. | Optimal operation strategy for community-based prosumers through cooperative P2P trading | |
Zhang et al. | GPNBI inspired MOSDE for electric power dispatch considering wind energy penetration | |
Zhang et al. | A holistic robust method for optimizing multi-timescale operations of a wind farm with energy storages | |
CN112633675A (zh) | 一种能量调度方法、装置、设备及计算机可读存储介质 | |
Kong et al. | A two-stage distributionally robust optimization model for optimizing water-hydrogen complementary operation under multiple uncertainties |
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 |