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

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

数据驱动的多能互补能量枢纽负荷优化调度方法和系统

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：

为第t个时刻能量枢纽从主电网的购电价格；

为第t个时刻能量枢纽向主电网的售电价格；

P_t ^buy为第t个时刻能量枢纽从主电网的购电功率；

P_t ^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；

为第t个时刻能量枢纽的天然气购买量；

为第t个时刻能量枢纽的天然气购买价格；

为第t个时刻能量枢纽的氢气购买量；

为第t个时刻能量枢纽的氢气购买价格；

C_DG为能量枢纽的分布式电源的维护成本；

C_EM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：

和

分别为可再生能源、热电联产单元和燃气锅炉的维护成本；

和

分别为热能储能单元、储氢罐、电能储能单元和电解槽的维护成本；且

可再生能源的维护成本为：

P_t ^REN为可再生能源在第t个时刻预测的输出功率；

OM_REN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：

P_t ^ECHP和P_t ^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；

OM_CHP为热电联产单元的维护成本系数；

燃气锅炉的维护成本为：

P_t ^TB为燃气锅炉在第t个时刻的热能输出功率；

OM_B为燃气锅炉的维护成本系数；

热能储能单元的维护成本为：

和

分别为热能储能单元在第t个时刻的储热功率和放热功率；

OM_TES为热能储能单元的维护成本系数；

储氢罐的维护成本为：

和

分别为储氢单元在第t个时刻的储氢速率和放氢速率；

OM_HS为储氢单元的维护成本系数；

电能储能单元的维护成本为：

和

分别为电能储能单元在第t个时刻的充电功率和放电功率；

OM_EES为电能储能单元的维护成本系数；

电解槽的维护成本为：

P_t ^EC为第t个时刻电解槽制氢时吸收的电功率；

OM_EC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，u_grid、u_CHP和u_B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；

C_tre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：

其中，

为第t个时刻的制氢量；

P_t ^EC为第t个时刻电解槽制氢时吸收的电功率；

η_EC为电解槽制氢的效率；

ρ_EC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：

其中，

和

分别为第t个时刻和第t-1个时刻储氢罐的储氢量；

为储氢单元在第t个时刻的储氢速率；

为储氢单元在第t个时刻的放氢速率；

为储氢效率；

为放氢效率；

a3、储氢单元的最小和最大储氢量约束：

其中，

和

分别为储氢单元的最小和最大储氢量；

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：

其中，

为储氢单元的最大储氢速率；

a6、储氢单元的放氢速率约束：

其中，

为储氢单元的最大放氢速率；

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：

其中，

和

分别为热能储能单元在第t个时刻和第t-1个时刻的储热量；

和

分别为热能储能单元在第t个时刻储热功率和放热功率；

和

分别为热能储能单元的储热效率和放热效率；

b2、热能储能单元需满足最大和最小的存储热量限制：

和

分别为热能储能单元最小和最大的储热量。

b3、热能储能单元的储热功率约束：

其中，

为热能储能单元的最大储热功率；

为二进制变量，

为热能储能单元在第t个时刻进行储热，否则

b4、热能储能单元的放热功率约束：

其中，

为热能储能单元的最大放热功率；

为二进制变量，

为热能储能单元在第t个时刻进行放热，否则

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：

其中，

和

为电能储能单元在t时刻和t-1时刻的储电量；

和

为电能储能单元在t时刻的充电功率和放电功率；

和

为电能储能单元在t时刻的充电效率和放电效率；

c2、电能储能单元需满足最大和最小的存储电量限制：

其中，

和

分别为电能储能单元最小和最大储电量；

c3、电能储能单元的充电功率约束：

其中，

为电能储能单元的最大充电功率；

为二进制变量，

为电能储能单元在t时刻充电，否则

c4、电能储能单元的放电功率约束：

其中，

为电能储能单元的最大放电功率；

为二进制变量，

为电能储能单元在t时刻放电，否则

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，P_t ^EL为第t个时刻的电负荷功率；

d2、热功率平衡约束：

其中，P_t ^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：

其中，

为第t个时刻的氢负荷；

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：

其中，

为燃气锅炉在第t个时刻消耗的天然气量；

LHV_G为天然气的低热值，η_B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：

其中，

为热电联产单元在第t个时刻消耗的天然气量；

为热电联产单元生产电能的效率；

e3、热电联产单元在t时刻的热能生产约束：

其中，

分别为热电联产单元生产热能的效率；

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：

为单位时间内热电联产单元的最大天然气消耗量；

f2、内燃气锅炉的单位时间内消耗的天然气约束：

为单位时间内燃气锅炉的最大天然气消耗量；

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：

其中，

为能量枢纽从主电网购电时的最大传输功率；

为能量枢纽向主电网售电时的最大传输功率。

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，P_i＝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：

其中，P_i ^REN和

分别为可再生能源在场景i和j下输出功率的时间序列；

和

分别为第t个时刻可再生能源在场景i和j下输出功率；

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P_kj，记为P_ks，即P_ks＝min{P_kj|1≤j≤m^*,i≠j}；并进行场景合并，更新场景概率：P_i＝P_i+P_j；

S5、更新场景个数m^*＝m^*-m_j，m_j为最小P_ks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，p_k为第k个可再生能源出力场景的概率值；

ΔP_i,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；

c_i,t为第i个分布式电源在第t时刻出力调整惩罚系数；

为可再生能源在第k个出力场景下第t时刻的实际出力大小；

为可再生能源在实时运行下的调整惩罚系数；

Ω为可再生能源出力场景的可行域：

为基于历史数据得到的第k个可再生能源出力场景的初始概率值；

为1-范数约束条件，其中θ₁为1-范数约束条件的概率允许偏差限值；

为∞-范数约束条件，其中θ_∞为∞-范数约束条件的概率允许偏差限值；

{p_k}满足如下的置信度：

令上述两式中的

和

分别为概率分布值的置信度α₁和α_∞，可转换为：

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y_k，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z_k，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OM_REN、热电联产单元的维护成本系数OM_CHP、燃气锅炉的维护成本系数OM_B、热能储能单元的维护成本系数OM_TES、储氢单元的维护成本系数OM_HS、电能储能单元的维护成本系数OM_EES、电解槽的维护成本系数OM_EC、CO₂的单位治理成本C_tre、电解槽制氢的效率η_EC、消耗每度电能够制取的氢气量ρ_EC、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P_t ^EL、热负荷功率P_t ^TL、氢负荷

天然气的低热值LHV_G、燃气锅炉生产热能的效率η_B、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c_i,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：

其中，

为第t个时刻能量枢纽从主电网的购电价格；

为第t个时刻能量枢纽向主电网的售电价格；

P_t ^buy为第t个时刻能量枢纽从主电网的购电功率；

P_t ^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；

为第t个时刻能量枢纽的天然气购买量；

为第t个时刻能量枢纽的天然气购买价格；

为第t个时刻能量枢纽的氢气购买量；

为第t个时刻能量枢纽的氢气购买价格；

C_DG为能量枢纽的分布式电源的维护成本；且计算公式如下：

其中：

和

分别为可再生能源、热电联产单元和燃气锅炉的维护成本；

和

分别为热能储能单元、储氢罐、电能储能单元和电解槽的维护成本；且

可再生能源的维护成本为：

P_t ^REB为可再生能源在第t个时刻预测的输出功率；OM_REN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：

P_t ^ECHP和P_t ^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；OM_CHP为热电联产单元的维护成本系数。

燃气锅炉的维护成本为：

P_t ^TB为燃气锅炉在第t个时刻的热能输出功率；OM_B为燃气锅炉的维护成本系数。

热能储能单元的维护成本为：

和

分别为热能储能单元在第t个时刻的储热功率和放热功率；OM_TES为热能储能单元的维护成本系数。

储氢罐的维护成本为：

和

分别为储氢单元在第t个时刻的储氢速率和放氢速率；OM_HS为储氢单元的维护成本系数。

电能储能单元的维护成本为：

和

分别为电能储能单元在第t个时刻的充电功率和放电功率；OM_EES电能储能单元的维护成本系数。

电解槽的维护成本为：

P_t ^EC为第t个时刻电解槽制氢时吸收的电功率；OM_EC为电解槽的维护成本系数。

C_EM为能量枢纽的CO₂排放治理成本，且具体计算公式如下：

其中，u_grid、u_CHP和u_B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；C_tre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：

其中，

为第t个时刻的制氢量；P_t ^EC为第t个时刻电解槽制氢时吸收的电功率；η_EC为电解槽制氢的效率；ρ_EC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：

其中，

和

分别为第t个时刻和第t-1个时刻储氢罐的储氢量；

为储氢单元在第t个时刻的储氢速率；

为储氢单元在第t个时刻的放氢速率；

为储氢效率；

为放氢效率。

a3、储氢单元的最小和最大储氢量约束：

其中，

和

分别为储氢单元的最小和最大储氢量。

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：

其中，

为储氢单元的最大储氢速率。

a6、储氢单元的放氢速率约束：

其中，

为储氢单元的最大放氢速率。

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：

其中，

和

分别为热能储能单元在第t个时刻和第t-1个时刻的储热量；

和

分别为热能储能单元在第t个时刻储热功率和放热功率；

和

分别为热能储能单元的储热效率和放热效率。

b2、热能储能单元需满足最大和最小的存储热量限制：

和

分别为热能储能单元最小和最大的储热量。

b3、热能储能单元的储热功率约束：

其中，

为热能储能单元的最大储热功率；

为二进制变量，

为热能储能单元在第t个时刻进行储热，否则

b4、热能储能单元的放热功率约束：

其中，

为热能储能单元的最大放热功率；

为二进制变量，

为热能储能单元在第t个时刻进行放热，否则

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：

其中，

和

为电能储能单元在t时刻和t-1时刻的储电量；

和

为电能储能单元在t时刻的充电功率和放电功率；

和

为电能储能单元在t时刻的充电效率和放电效率。

c2、电能储能单元需满足最大和最小的存储电量限制：

其中，

和

分别为电能储能单元最小和最大储电量。

c3、电能储能单元的充电功率约束：

其中，

为电能储能单元的最大充电功率；

为二进制变量，

为电能储能单元在t时刻充电，否则

c4、电能储能单元的放电功率约束：

其中，

为电能储能单元的最大放电功率；

为二进制变量，

为电能储能单元在t时刻放电，否则

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，P_t ^EL为第t个时刻的电负荷功率。

d2、热功率平衡约束：

其中，P_t ^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：

其中，

为第t个时刻的氢负荷。

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：

其中，

为燃气锅炉在第t个时刻消耗的天然气量；LHV_G为天然气的低热值，η_B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：

其中，

为热电联产单元在第t个时刻消耗的天然气量；

为热电联产单元生产电能的效率。

e3、热电联产单元在t时刻的热能生产约束：

其中，

分别为热电联产单元生产热能的效率。

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：

为单位时间内热电联产单元的最大天然气消耗量。

f2、内燃气锅炉的单位时间内消耗的天然气约束：

为单位时间内燃气锅炉的最大天然气消耗量。

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：

其中，

为能量枢纽从主电网购电时的最大传输功率；

为能量枢纽向主电网售电时的最大传输功率。

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，P_i＝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：

其中，P_i ^REN和

分别为可再生能源在场景i和j下输出功率的时间序列；

和

分别为第t个时刻可再生能源在场景i和j下输出功率；

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P_kj，记为P_ks，P_ks＝min{P_kj|1≤j≤m^*,i≠j}；

并进行场景合并，更新场景概率：P_i＝P_i+P_j；

S5、更新场景个数m^*＝m^*-m_j，m_j为最小P_ks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，p_k为第k个可再生能源出力场景的概率值；

ΔP_i,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；

c_i,t为第i个分布式电源在第t时刻出力调整惩罚系数；

为可再生能源在第k个出力场景下第t时刻的实际出力大小；

为可再生能源在实时运行下的调整惩罚系数；

Ω为可再生能源出力场景的可行域：

为基于历史数据得到的第k个可再生能源出力场景的初始概率值；

为1-范数约束条件，其中θ₁为1-范数约束条件的概率允许偏差限值；

为∞-范数约束条件，其中θ_∞为∞-范数约束条件的概率允许偏差限值；

{p_k}满足如下的置信度：

令上述两式中的

和

分别为概率分布值的置信度α₁和α_∞，则上述两式转换为：

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：

由于

为1-范数约束条件，且为绝对值约束，通过引入辅助变量y_k，将1-范数约束转化为如下线性约束条件：

为∞-范数约束条件，且为绝对值约束，通过引入辅助变量z_k，

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OM_REN、热电联产单元的维护成本系数OM_CHP、燃气锅炉的维护成本系数OM_B、热能储能单元的维护成本系数OM_TES、储氢单元的维护成本系数OM_HS、电能储能单元的维护成本系数OM_EES、电解槽的维护成本系数OM_EC、CO₂的单位治理成本C_tre、电解槽制氢的效率η_EC、消耗每度电能够制取的氢气量ρ_EC、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P_t ^EL、热负荷功率P_t ^TL、氢负荷

天然气的低热值LHV_G、燃气锅炉生产热能的效率η_B、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c_i,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，y_k为第k个可再生能源出力场景下的第二阶段决策变量，ξ_k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；

②求解主问题，得到主问题的最优解

同时主问题的目标函数值作为新的下界

③将求得的主问题解

代入子问题的公式中，并对子问题进行求解，得到子问题的目标函数值

和相应的最恶劣可再生能源出力场景概率分布p^m，更新上界

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p^m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：

为第t个时刻能量枢纽从主电网的购电价格；

为第t个时刻能量枢纽向主电网的售电价格；

P_t ^buy为第t个时刻能量枢纽从主电网的购电功率；

P_t ^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；

为第t个时刻能量枢纽的天然气购买量；

λ_t ^G为第t个时刻能量枢纽的天然气购买价格；

为第t个时刻能量枢纽的氢气购买量；

为第t个时刻能量枢纽的氢气购买价格；

C_DG为能量枢纽的分布式电源的维护成本；

C_EM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：

和

分别为可再生能源、热电联产单元和燃气锅炉的维护成本；

和

分别为热能储能单元、储氢罐、电能储能单元和电解槽的维护成本；且

可再生能源的维护成本为：

P_t ^REN为可再生能源在第t个时刻预测的输出功率；

OM_REN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：

P_t ^ECHP和P_t ^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；

OM_CHP为热电联产单元的维护成本系数；

燃气锅炉的维护成本为：

P_t ^TB为燃气锅炉在第t个时刻的热能输出功率；

OM_B为燃气锅炉的维护成本系数；

热能储能单元的维护成本为：

和

分别为热能储能单元在第t个时刻的储热功率和放热功率；

OM_TES为热能储能单元的维护成本系数；

储氢罐的维护成本为：

和

分别为储氢单元在第t个时刻的储氢速率和放氢速率；

OM_HS为储氢单元的维护成本系数；

电能储能单元的维护成本为：

和

分别为电能储能单元在第t个时刻的充电功率和放电功率；

OM_EES为电能储能单元的维护成本系数；

电解槽的维护成本为：

P_t ^EC为第t个时刻电解槽制氢时吸收的电功率；

OM_EC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，u_grid、u_CHP和u_B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；

C_tre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：

其中，

为第t个时刻的制氢量；

P_t ^EC为第t个时刻电解槽制氢时吸收的电功率；

η_EC为电解槽制氢的效率；

ρ_EC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：

其中，

和

分别为第t个时刻和第t-1个时刻储氢罐的储氢量；

为储氢单元在第t个时刻的储氢速率；

为储氢单元在第t个时刻的放氢速率；

为储氢效率；

为放氢效率；

a3、储氢单元的最小和最大储氢量约束：

其中，

和

分别为储氢单元的最小和最大储氢量；

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：

其中，

为储氢单元的最大储氢速率；

a6、储氢单元的放氢速率约束：

其中，

为储氢单元的最大放氢速率；

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：

其中，

和

分别为热能储能单元在第t个时刻和第t-1个时刻的储热量；

和

分别为热能储能单元在第t个时刻储热功率和放热功率；

和

分别为热能储能单元的储热效率和放热效率；

b2、热能储能单元需满足最大和最小的存储热量限制：

和

分别为热能储能单元最小和最大的储热量；

b3、热能储能单元的储热功率约束：

其中，

为热能储能单元的最大储热功率；

为二进制变量，

为热能储能单元在第t个时刻进行储热，否则

b4、热能储能单元的放热功率约束：

其中，

为热能储能单元的最大放热功率；

为二进制变量，

为热能储能单元在第t个时刻进行放热，否则

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：

其中，

和

为电能储能单元在t时刻和t-1时刻的储电量；

和

为电能储能单元在t时刻的充电功率和放电功率；

和

为电能储能单元在t时刻的充电效率和放电效率；

c2、电能储能单元需满足最大和最小的存储电量限制：

其中，

和

分别为电能储能单元最小和最大储电量；

c3、电能储能单元的充电功率约束：

其中，

为电能储能单元的最大充电功率；

为二进制变量，

为电能储能单元在t时刻充电，否则

c4、电能储能单元的放电功率约束：

其中，

为电能储能单元的最大放电功率；

为二进制变量，

为电能储能单元在t时刻放电，否则

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，P_t ^EL为第t个时刻的电负荷功率；

d2、热功率平衡约束：

其中，P_t ^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：

其中，

为第t个时刻的氢负荷；

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：

其中，

为燃气锅炉在第t个时刻消耗的天然气量；

LHV_G为天然气的低热值，η_B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：

其中，

为热电联产单元在第t个时刻消耗的天然气量；

为热电联产单元生产电能的效率；

e3、热电联产单元在t时刻的热能生产约束：

其中，

分别为热电联产单元生产热能的效率；

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：

为单位时间内热电联产单元的最大天然气消耗量；

f2、内燃气锅炉的单位时间内消耗的天然气约束：

为单位时间内燃气锅炉的最大天然气消耗量；

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：

其中，

为能量枢纽从主电网购电时的最大传输功率；

为能量枢纽向主电网售电时的最大传输功率。

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，P_i＝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：

其中，P_i ^REN和

分别为可再生能源在场景i和j下输出功率的时间序列；

和

分别为第t个时刻可再生能源在场景i和j下输出功率；

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P_kj，记为P_ks，即P_ks＝min{P_kj|1≤j≤m^*,i≠j}；并进行场景合并，更新场景概率：P_i＝P_i+P_j；

S5、更新场景个数m^*＝m^*-m_j，m_j为最小P_ks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，p_k为第k个可再生能源出力场景的概率值；

ΔP_i,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；

c_i,t为第i个分布式电源在第t时刻出力调整惩罚系数；

为可再生能源在第k个出力场景下第t时刻的实际出力大小；

为可再生能源在实时运行下的调整惩罚系数；

Ω为可再生能源出力场景的可行域：

为基于历史数据得到的第k个可再生能源出力场景的初始概率值；

为1-范数约束条件，其中θ₁为1-范数约束条件的概率允许偏差限值；

为∞-范数约束条件，其中θ_∞为∞-范数约束条件的概率允许偏差限值；

{p_k}满足如下的置信度：

令上述两式中的

和

分别为概率分布值的置信度α₁和α_∞，可转换为：

则，可得，

6.如权利要求5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y_k，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z_k，将∞-范数约束条件转化为如下线性约束条件：

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OM_REN、热电联产单元的维护成本系数OM_CHP、燃气锅炉的维护成本系数OM_B、热能储能单元的维护成本系数OM_TES、储氢单元的维护成本系数OM_HS、电能储能单元的维护成本系数OM_EES、电解槽的维护成本系数OM_EC、CO₂的单位治理成本C_tre、电解槽制氢的效率η_EC、消耗每度电能够制取的氢气量ρ_EC、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P_t ^EL、热负荷功率P_t ^TL、氢负荷

天然气的低热值LHV_G、燃气锅炉生产热能的效率η_B、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c_i,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。

Images