CN112163968A - 一种综合能源储能系统优化调度方法 - Google Patents

一种综合能源储能系统优化调度方法 Download PDF

Info

Publication number
CN112163968A
CN112163968A CN202011017142.0A CN202011017142A CN112163968A CN 112163968 A CN112163968 A CN 112163968A CN 202011017142 A CN202011017142 A CN 202011017142A CN 112163968 A CN112163968 A CN 112163968A
Authority
CN
China
Prior art keywords
hydrogen
storage tank
energy storage
energy
electric
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011017142.0A
Other languages
English (en)
Other versions
CN112163968B (zh
Inventor
侯慧
刘鹏
张清勇
王建建
黄亮
徐焘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011017142.0A priority Critical patent/CN112163968B/zh
Publication of CN112163968A publication Critical patent/CN112163968A/zh
Application granted granted Critical
Publication of CN112163968B publication Critical patent/CN112163968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • 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
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Fuel Cell (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开了一种综合能源储能系统优化调度方法。首先，研究建立综合能源储能系统结构框架和设备模型。其次，考虑储能购售分时价格的影响，从投资者获利的角度出发，以储能经济效益最大、储能充放能量损失最小以及储能调度参与下微网与主网联络线功率波动最小为目标，建立储能系统多目标优化调度模型。最后采用多目标粒子群算法和模糊隶属度函数对模型进行求解。本发明对未来综合能源储能系统优化调度具有一定的帮助。

Description

一种综合能源储能系统优化调度方法
技术领域
本发明涉及综合能源系统技术领域，具体涉及一种综合能源储能系统优化调度方法。
背景技术
随着可再生能源的大规模开发与应用，储能系统作为一种可调度资源，可以提升电力系统各环节的灵活性和可靠性，是平抑系统功率波动，改善电能质量，优化系统潮流的有效途径之一
本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：
从目前较为成熟的储能技术来看，传统的抽水蓄能电站受地理条件的严格限制，很难大范围进行推广；新型的电池储能电站由于其建设成本、维护成本、使用寿命等问题，同样难以从根本上提升电网灵活性。其次，现有储能系统调度研究缺乏对储能自身经济效益的考虑，随着电网改革的逐步推进，越来越多的企业被允许参与到储能市场中来，如何在使储能投资者获利的同时保证电网的可靠运行成为急需解决的问题之一。
也就是说，现有技术中存在储能调度效果较差的技术问题。
发明内容
有鉴于此，本发明提供了一种综合能源储能系统优化调度方法，用以解决或者至少部分解决现有技术中存在的储能调度效果较差的技术问题。
为了解决上述技术问题，本发明提供了一种综合能源储能系统优化调度方法，包括：
S1：构建综合能源储能系统结构框架，其中，综合能源储能系统结构框架包括电解池、燃料电池、电锅炉、储氢罐、储热罐以及能量输入输出关系；
S2：构建综合能源储能系统优化调度模型，其中，综合能源储能系统优化调度模型包括目标函数以及约束条件，目标函数包括储能经济效益最大、储能充放能量损失最小以及储能调度参与下微网与主网联络线功率波动最小，约束条件包括设备功率约束和能量平衡约束；
S3：基于构建的综合能源储能系统结构框架和优化调度模型，采用多目标粒子群优化算法，求解综合能源储能系统调度方案的非劣解集，并利用模糊隶属度函数从非劣解集中筛选出最终调度方案。
在一种实施方式中，S1构建综合能源储能系统结构框架具体包括：
S1.1：确定电解池能量输入输出关系：
WEC,t＝PEC,tυEC/Hh2 (1)
其中，PEC,t为电解池消耗的电功率，WEC,t为电解池生成的氢气，υEC为电解池的转化效率，Hh2为电能折算为相同能量氢气的单位换算系数；
S1.2：确定燃料电池能量输入输出关系：
PFC,t＝WFC,tυFCHh2 (2)
其中，WFC,t为燃料电池消耗的氢气，PFC,t为燃料电池输出的电功率，υFC为燃料电池的转化效率；
S1.3：确定电锅炉能量输入输出关系：
QEB,t＝PEB,tυEB (3)
其中，PEB,t为电锅炉消耗的电功率，QEB,t为电锅炉输出的热功率，υEB为电锅炉的转化效率；
S1.4：确定储氢罐储氢量计算公式：
Figure BDA0002699439780000021
其中，EHST,t和EHST,t+1分别为t时刻和t+1时刻储氢罐所含的氢气量，
Figure BDA0002699439780000022
和
Figure BDA0002699439780000023
分别为t时刻储氢罐的储氢量和释氢量，
Figure BDA0002699439780000024
和
Figure BDA0002699439780000025
分别为储氢罐的储氢效率和释氢效率；
S1.5：确定储热罐储热量计算公式：
Figure BDA0002699439780000026
其中，ETST,t和ETST,t+1分别为t时刻和t+1时刻储热罐所含的热量，
Figure BDA0002699439780000027
和
Figure BDA0002699439780000028
分别为t时刻储热罐的储热量和释热量，
Figure BDA0002699439780000029
和
Figure BDA00026994397800000210
为储热罐的储热效率和释热效率。
在一种实施方式中，S2具体包括：
S2.1：构建经济效益最大的第一目标函数，经济效益包括储能售能收入，储能购电成本、设备启停成本、设备维护成本，第一目标函数为：
f1＝max{Cdischage-Cchage-Cstart-Cmain} (6)
其中，Cdischage为储能售能收入，Cchage为储能购电成本，Cstart为设备启停成本，Cmain为设备维护成本；
储能售能收入Cdischage的计算公式如下：
Figure BDA0002699439780000031
其中：τt为电解池生成氢气供应氢负荷的比例，cE,t为向电网购售电价格，
Figure BDA00026994397800000311
为售氢价格，cT,t为售热价格，υFC为燃料电池的转化效率，
Figure BDA0002699439780000032
为t时刻储氢罐的释氢量，
Figure BDA0002699439780000033
为t时刻储热罐的释热量；
储能购电成本Cchage的计算公式如下：
Figure BDA0002699439780000034
其中：
Figure BDA0002699439780000035
和cre,t分别为储能向可再生能源发电机组的购电功率和购电电价，
Figure BDA0002699439780000036
为储能向电网的购电功率；
设备启停成本Cstart的计算公式如下：
Figure BDA0002699439780000037
其中：nEC、nEB、nFC、nHST、nTST分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的启停次数，
Figure BDA0002699439780000038
分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的启停成本；
设备维护成本Cmain的计算公式如下：
Figure BDA0002699439780000039
其中：
Figure BDA00026994397800000310
分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的设备维护成本，PEC,t为电解池消耗的电功率，PEB,t为电锅炉消耗的电功率，PFC,t为燃料电池输出的电功率，WHST,t为t时刻储氢罐储/释量，取绝对值，QTST,t为t时刻储热罐储/释量，取绝对值，即由储能固有特性所决定，t时刻储罐仅可处于储能或释能两种状态之一，WHST,t可以为t时刻储氢罐储氢量的绝对值或者t时刻储氢罐释氢量的绝对值，QTST,t可以为t时刻储热罐储热量的绝对值或者t时刻储热罐释热量的绝对值；
S2.2：构建充放能量损失最小的第二目标函数：
Figure BDA0002699439780000041
其中，ω1为电-氢充放损耗系数，ω2为电-氢-电充放损耗系数，ω3为电-热充放损耗系数，T为储能调度周期内的总时段数，T＝24；
S2.3：构建联络线功率波动最小的第三目标函数：
Figure BDA0002699439780000042
其中：PE,t，PT,t和
Figure BDA0002699439780000043
为t时刻微网和主网联络线的电功率、热功率和氢功率，PT,t+1为t+1时刻微网和主网联络线的热功率,
Figure BDA0002699439780000044
为t+1时刻微网和主网联络线的氢功率；
S2.4：构建元件出力约束，设备功率预设和容量约束为不等式约束：
Figure BDA0002699439780000045
Figure BDA0002699439780000046
Figure BDA0002699439780000047
Figure BDA0002699439780000048
Figure BDA0002699439780000049
系统能量平衡约束为等式约束，包括：
PEload,t＝PPV,t+PWT,t-PEC,t-PEB,t+PFC,t+PE,t (18)
Figure BDA00026994397800000410
Figure BDA00026994397800000411
其中：
Figure BDA00026994397800000412
为电解池消耗电功率的上限，
Figure BDA00026994397800000413
为电锅炉消耗电功率的上限，
Figure BDA0002699439780000051
为燃料电池输出电功率的上限，
Figure BDA0002699439780000052
和
Figure BDA0002699439780000053
分别为单位时间内储氢罐储氢和释氢的上限系数，
Figure BDA0002699439780000054
和
Figure BDA0002699439780000055
分别为储氢罐储氢和释氢的的二元状态变量，
Figure BDA0002699439780000056
为储氢罐的容量，
Figure BDA0002699439780000057
和
Figure BDA0002699439780000058
分别为储氢罐存储容量的上下限系数，
Figure BDA0002699439780000059
和
Figure BDA00026994397800000510
分别为单位时间内储热罐储热和释热的上限系数，
Figure BDA00026994397800000511
和
Figure BDA00026994397800000512
分别为储热罐储热和释热的二元状态变量，
Figure BDA00026994397800000513
为储热罐的容量，
Figure BDA00026994397800000514
和
Figure BDA00026994397800000515
分别为储热罐存储容量的上下限系数。
在一种实施方式中，S3包括：
S3.1：初始化粒子群，即初始化多能量系统中各装置额定功率/容量，设置种群大小为NP，迭代次数K，粒子维数D，加速度因子c1和c2，随机数r1和r2以及惯性权重w0；
S3.2：将步骤3的第一目标函数f1，第二目标函数f2以及第三目标函数f3作为多目标粒子群的适应度函数，将步骤3中的约束条件作为多目标粒子群的约束条件；
S3.3：根据多目标粒子群算法求出符合要求非劣解集；
S3.4：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解。
在一种实施方式中，S3.4具体包括：
S3.4.1：对S3.3中所获得的非劣解集中的第k个非劣解xk，其对于第i个子目标函数的满意程度为：
Figure BDA00026994397800000516
式中，fi max为第i个子目标最大函数值，fi min为第i个子目标最小函数值，fi(xk)为第k个非劣解xk所对应的第i个子目标函数值因此，
Figure BDA00026994397800000517
取值范围为(0,1)；
对xk来说，所有子目标的整体满意度可用式表示：
Figure BDA00026994397800000518
其中，M为非劣解个数，L为子目标个数；
对所有的μk，其值越大，解越优，选取其中最大值
Figure BDA0002699439780000061
所对应的非劣解作为最终的最优解。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的一种综合能源储能系统优化调度方法。首先，研究建立综合能源储能系统结构框架和设备模型。其次，考虑储能购售分时价格的影响，从投资者获利的角度出发，以储能经济效益最大、储能充放能量损失最小以及储能调度参与下微网与主网联络线功率波动最小为目标，建立储能系统多目标优化调度模型。最后采用多目标粒子群算法和模糊隶属度函数对模型进行求解。本发明对未来综合能源储能系统优化调度具有一定的帮助，解决了现有技术中存在的调度效果较差的技术问题。
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：本发明综合能源储能系统优化调度方法结构框图；
图2：本发明综合能源储能系统结构图；
图3：本发明储能系统购售分时价格；
图4：本发明风机和光伏预测出力；
图5：本发明电热氢负荷需求；
图6：本发明调度方案帕累托前沿；
具体实施方式
本申请发明人通过大量的研究与实践发现：从目前较为成熟的储能技术来看，传统的抽水蓄能电站受地理条件的严格限制，很难大范围进行推广；新型的电池储能电站由于其建设成本、维护成本、使用寿命等问题，同样难以从根本上提升电网灵活性。其次，现有储能系统调度研究缺乏对储能自身经济效益的考虑，随着电网改革的逐步推进，越来越多的企业被允许参与到储能市场中来，如何在使储能投资者获利的同时保证电网的可靠运行成为急需解决的问题之一。
本发明针对现有研究的不足及优化需求，本发明提出了一种综合能源储能系统优化调度方法，从而达到改善调度效果的目的。
为了达到上述技术效果，本发明的总体发明构思如下：
研究建立综合能源储能系统结构框架和设备模型。其次，考虑储能购售分时价格的影响，从投资者获利的角度出发，以储能经济效益最大、储能充放能量损失最小以及储能调度参与下微网与主网联络线功率波动最小为目标，建立储能系统多目标优化调度模型。最后采用多目标粒子群算法和模糊隶属度函数对模型进行求解。本发明对未来综合能源储能系统优化调度具有一定的帮助。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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做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。
请参见图1～图6，本实施例提供了一种综合能源储能系统优化调度方法，该方法包括：
S1：构建综合能源储能系统结构框架，其中，综合能源储能系统结构框架包括电解池、燃料电池、电锅炉、储氢罐、储热罐以及能量输入输出关系；
S2：构建综合能源储能系统优化调度模型，其中，综合能源储能系统优化调度模型包括目标函数以及约束条件，目标函数包括储能经济效益最大、储能充放能量损失最小以及储能调度参与下微网与主网联络线功率波动最小，约束条件包括设备功率约束和能量平衡约束；
S3：基于构建的综合能源储能系统结构框架和优化调度模型，采用多目标粒子群优化算法，求解综合能源储能系统调度方案的非劣解集，并利用模糊隶属度函数从非劣解集中筛选出最终调度方案。
具体来说，S3是基于提出的优化目标和约束条件，采用多目标粒子群算法对进行求解，从而得到最优的调度方案。
在一种实施方式中，S1构建综合能源储能系统结构框架具体包括：
S1.1：确定电解池能量输入输出关系：
WEC,t＝PEC,tυEC/Hh2 (1)
其中，PEC,t为电解池消耗的电功率，WEC,t为电解池生成的氢气，υEC为电解池的转化效率，Hh2为电能折算为相同能量氢气的单位换算系数；
S1.2：确定燃料电池能量输入输出关系：
PFC,t＝WFC,tυFCHh2 (2)
其中，WFC,t为燃料电池消耗的氢气，PFC,t为燃料电池输出的电功率，υFC为燃料电池的转化效率；
S1.3：确定电锅炉能量输入输出关系：
QEB,t＝PEB,tυEB (3)
其中，PEB,t为电锅炉消耗的电功率，QEB,t为电锅炉输出的热功率，υEB为电锅炉的转化效率；
S1.4：确定储氢罐储氢量计算公式：
Figure BDA0002699439780000081
其中，EHST,t和EHST,t+1分别为t时刻和t+1时刻储氢罐所含的氢气量，
Figure BDA0002699439780000082
和
Figure BDA0002699439780000083
分别为t时刻储氢罐的储氢量和释氢量，
Figure BDA0002699439780000084
和
Figure BDA0002699439780000085
分别为储氢罐的储氢效率和释氢效率；
S1.5：确定储热罐储热量计算公式：
Figure BDA0002699439780000086
其中，ETST,t和ETST,t+1分别为t时刻和t+1时刻储热罐所含的热量，
Figure BDA0002699439780000087
和
Figure BDA0002699439780000088
分别为t时刻储热罐的储热量和释热量，
Figure BDA0002699439780000089
和
Figure BDA00026994397800000810
为储热罐的储热效率和释热效率；
具体来说，S1.1中的各参数可以根据需要和实际情况进行选取或者读取，例如电解池转化效率υEC为0.85，电能折算为相同能量氢气的单位换算系数Hh2为39.65(MWh/kg)，燃料电池转化效率υFC为0.70，电锅炉的转化效率υEB为0.95，储氢罐的储氢效率和释氢效率
Figure BDA00026994397800000811
和
Figure BDA00026994397800000812
均为0.95，储热罐的储热效率和释热效率
Figure BDA00026994397800000813
和
Figure BDA00026994397800000814
均为0.95。
在一种实施方式中，S2具体包括：
S2.1：构建经济效益最大的第一目标函数，经济效益包括储能售能收入，储能购电成本、设备启停成本、设备维护成本，第一目标函数为：
f1＝max{Cdischage-Cchage-Cstart-Cmain} (6)
其中，Cdischage为储能售能收入，Cchage为储能购电成本，Cstart为设备启停成本，Cmain为设备维护成本；
储能售能收入Cdischage的计算公式如下：
Figure BDA0002699439780000091
其中：τt为电解池生成氢气供应氢负荷的比例，cE,t为向电网购售电价格，
Figure BDA0002699439780000092
为售氢价格，cT,t为售热价格，υFC为燃料电池的转化效率，
Figure BDA0002699439780000093
为t时刻储氢罐的释氢量，
Figure BDA0002699439780000094
为t时刻储热罐的释热量；
储能购电成本Cchage的计算公式如下：
Figure BDA0002699439780000095
其中：
Figure BDA0002699439780000096
和cre,t分别为储能向可再生能源发电机组的购电功率和购电电价，
Figure BDA0002699439780000097
为储能向电网的购电功率；
设备启停成本Cstart的计算公式如下：
Figure BDA0002699439780000098
其中：nEC、nEB、nFC、nHST、nTST分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的启停次数，
Figure BDA0002699439780000099
分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的启停成本；
设备维护成本Cmain的计算公式如下：
Figure BDA00026994397800000910
其中：
Figure BDA00026994397800000911
分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的设备维护成本，PEC,t为电解池消耗的电功率，PEB,t为电锅炉消耗的电功率，PFC,t为燃料电池输出的电功率，WHST,t为t时刻储氢罐储/释量，取绝对值，QTST,t为t时刻储热罐储/释量，取绝对值；即由储能固有特性所决定，t时刻储罐仅可处于储能或释能两种状态之一，WHST,t可以为t时刻储氢罐储氢量的绝对值或者t时刻储氢罐释氢量的绝对值，QTST,t可以为t时刻储热罐储热量的绝对值或者t时刻储热罐释热量的绝对值；
S2.2：构建充放能量损失最小的第二目标函数：
Figure BDA0002699439780000101
其中，ω1为电-氢充放损耗系数，ω2为电-氢-电充放损耗系数，ω3为电-热充放损耗系数，T为储能调度周期内的总时段数，T＝24；
S2.3：构建联络线功率波动最小的第三目标函数：
Figure BDA0002699439780000102
其中：PE,t，PT,t和
Figure BDA0002699439780000103
为t时刻微网和主网联络线的电功率、热功率和氢功率，PT,t+1为t+1时刻微网和主网联络线的热功率,
Figure BDA0002699439780000104
为t+1时刻微网和主网联络线的氢功率；
S2.4：构建元件出力约束，设备功率预设和容量约束为不等式约束：
Figure BDA0002699439780000105
Figure BDA0002699439780000106
Figure BDA0002699439780000107
Figure BDA0002699439780000108
Figure BDA0002699439780000109
系统能量平衡约束为等式约束，包括：
PEload,t＝PPV,t+PWT,t-PEC,t-PEB,t+PFC,t+PE,t (18)
Figure BDA00026994397800001010
Figure BDA00026994397800001011
其中：
Figure BDA0002699439780000111
为电解池消耗电功率的上限，
Figure BDA0002699439780000112
为电锅炉消耗电功率的上限，
Figure BDA0002699439780000113
为燃料电池输出电功率的上限，
Figure BDA0002699439780000114
和
Figure BDA0002699439780000115
分别为单位时间内储氢罐储氢和释氢的上限系数，
Figure BDA0002699439780000116
和
Figure BDA0002699439780000117
分别为储氢罐储氢和释氢的的二元状态变量，
Figure BDA0002699439780000118
为储氢罐的容量，
Figure BDA0002699439780000119
和
Figure BDA00026994397800001110
分别为储氢罐存储容量的上下限系数，
Figure BDA00026994397800001111
和
Figure BDA00026994397800001112
分别为单位时间内储热罐储热和释热的上限系数，
Figure BDA00026994397800001113
和
Figure BDA00026994397800001114
分别为储热罐储热和释热的二元状态变量，
Figure BDA00026994397800001115
为储热罐的容量，
Figure BDA00026994397800001116
和
Figure BDA00026994397800001117
分别为储热罐存储容量的上下限系数。
具体来说，各参数可以根据实际情况和需要进行选取，调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的启停成本
Figure BDA00026994397800001118
分别为10$/次、25$/次、10$/次、1$/次、1$/次，调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的设备维护成本
Figure BDA00026994397800001119
分别为5.5$/MW，2.8$/MW，5.6$/MW，4.7$/MW，1.4$/MW，电-氢充放损耗系数ω1为0.2，电-氢-电充放损耗系数ω2为0.5，电-热充放损耗系数ω3为0.16，电解池消耗电功率的上限
Figure BDA00026994397800001120
为1MW；
Figure BDA00026994397800001121
为电锅炉消耗电功率的上限1MW；
Figure BDA00026994397800001122
为燃料电池输出电功率的上限0.6MW；单位时间内储氢罐储氢和释氢的上限系数
Figure BDA00026994397800001123
和
Figure BDA00026994397800001124
分别为0.1/0.1，储氢罐的容量
Figure BDA00026994397800001125
为6MWh，储氢罐存储容量的上下限系数
Figure BDA00026994397800001126
和
Figure BDA00026994397800001127
分别为0.9/0.1，单位时间内储热罐储热和释热的上限系数
Figure BDA00026994397800001128
和
Figure BDA00026994397800001129
分别为0.1/0.1，储热罐的容量
Figure BDA00026994397800001130
为6MWh，储热罐存储容量的上下限系数
Figure BDA00026994397800001131
和
Figure BDA00026994397800001132
分别为0.9/0.1，储能系统购售分时价格见图3。
在一种实施方式中，S3包括：
S3.1：初始化粒子群，即初始化多能量系统中各装置额定功率/容量，设置种群大小为NP，迭代次数K，粒子维数D，加速度因子c1和c2，随机数r1和r2以及惯性权重w0；
S3.2：将步骤3的第一目标函数f1，第二目标函数f2以及第三目标函数f3作为多目标粒子群的适应度函数，将步骤3中的约束条件作为多目标粒子群的约束条件；
S3.3：根据多目标粒子群算法求出符合要求非劣解集；
S3.4：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解。
具体来说，对于多目标优化问题，由于其目标间的矛盾性以及目标间的不可公度性，一般不存在通常意义下的最优解，只能寻求问题的非劣解；
对多目标问题：
Figure BDA0002699439780000121
式中，fi(x)为待优化的目标函数，x为待优化目标函数个数，x为待优化的变量，ub为变量x的上限，lb为变量x的下限，Aeq*x＝beq为变量x的等式约束，A*x≤b为变量x的不等式约束；
假设x*是多目标问题的一个可行解，若不存在其他的可行解x∈X，使所有fi(x)≤fi(x*)(i＝1,2,...,m)，且至少存在一个i0(1≤i0≤m)使
Figure BDA0002699439780000122
成立，则称x*为多目标问题的一个非劣解。
在具体实施过程中，S3.1中设置种群大小为NP，100，迭代次数K，150，粒子维数D，72，加速度因子c1＝0.8和c2＝0.8，随机数r1＝0.5和r2＝0.5以及惯性权重w0＝0.5，图6为调度方案帕累托前沿。
在一种实施方式中，S3.4具体包括：
S3.4.1：对S3.3中所获得的非劣解集中的第k个非劣解xk，其对于第i个子目标函数的满意程度为：
Figure BDA0002699439780000123
式中，fi max为第i个子目标最大函数值，fi min为第i个子目标最小函数值，fi(xk)为第k个非劣解xk所对应的第i个子目标函数值因此，
Figure BDA0002699439780000124
取值范围为(0,1)；
对xk来说，所有子目标的整体满意度可用式表示：
Figure BDA0002699439780000125
其中，M为非劣解个数，L为子目标个数；
对所有的μk，其值越大，解越优，选取其中最大值
Figure BDA0002699439780000131
所对应的非劣解作为最终的最优解；最优解
Figure BDA0002699439780000132
的每个元素
Figure BDA0002699439780000133
即调度周期内各时段储氢罐的储释功率，储热罐的储释功率以及释放氢气直接供应氢负荷的比例。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种综合能源储能系统优化调度方法，其特征在于，包括：
S1：构建综合能源储能系统结构框架，其中，综合能源储能系统结构框架包括电解池、燃料电池、电锅炉、储氢罐、储热罐以及能量输入输出关系；
S2：构建综合能源储能系统优化调度模型，其中，综合能源储能系统优化调度模型包括目标函数以及约束条件，目标函数包括储能经济效益最大、储能充放能量损失最小以及储能调度参与下微网与主网联络线功率波动最小，约束条件包括设备功率约束和能量平衡约束；
S3：基于构建的综合能源储能系统结构框架和优化调度模型，采用多目标粒子群优化算法，求解综合能源储能系统调度方案的非劣解集，并利用模糊隶属度函数从非劣解集中筛选出最终调度方案。
2.如权利要求1所述的方法，其特征在于，S1构建综合能源储能系统结构框架具体包括：
S1.1：确定电解池能量输入输出关系：
WEC,t＝PEC,tυEC/Hh2 (1)
其中，PEC,t为电解池消耗的电功率，WEC,t为电解池生成的氢气，υEC为电解池的转化效率，Hh2为电能折算为相同能量氢气的单位换算系数；
S1.2：确定燃料电池能量输入输出关系：
PFC,t＝WFC,tυFCHh2 (2)
其中，WFC,t为燃料电池消耗的氢气，PFC,t为燃料电池输出的电功率，υFC为燃料电池的转化效率；
S1.3：确定电锅炉能量输入输出关系：
QEB,t＝PEB,tυEB (3)
其中，PEB,t为电锅炉消耗的电功率，QEB,t为电锅炉输出的热功率，υEB为电锅炉的转化效率；
S1.4：确定储氢罐储氢量计算公式：
Figure FDA0002699439770000011
其中，EHST,t和EHST,t+1分别为t时刻和t+1时刻储氢罐所含的氢气量，
Figure FDA0002699439770000012
和
Figure FDA0002699439770000013
分别为t时刻储氢罐的储氢量和释氢量，
Figure FDA0002699439770000014
和
Figure FDA0002699439770000015
分别为储氢罐的储氢效率和释氢效率；
S1.5：确定储热罐储热量计算公式：
Figure FDA0002699439770000021
其中，ETST,t和ETST,t+1分别为t时刻和t+1时刻储热罐所含的热量，
Figure FDA0002699439770000022
和
Figure FDA0002699439770000023
分别为t时刻储热罐的储热量和释热量，
Figure FDA0002699439770000024
和
Figure FDA0002699439770000025
为储热罐的储热效率和释热效率。
3.如权利要求1所述的方法，其特征在于，S2具体包括：
S2.1：构建经济效益最大的第一目标函数，经济效益包括储能售能收入，储能购电成本、设备启停成本、设备维护成本，第一目标函数为：
f1＝max{Cdischage-Cchage-Cstart-Cmain} (6)
其中，Cdischage为储能售能收入，Cchage为储能购电成本，Cstart为设备启停成本，Cmain为设备维护成本；
储能售能收入Cdischage的计算公式如下：
Figure FDA0002699439770000026
其中：τt为电解池生成氢气供应氢负荷的比例，cE,t为向电网购售电价格，
Figure FDA0002699439770000027
为售氢价格，cT,t为售热价格，υFC为燃料电池的转化效率，
Figure FDA0002699439770000028
为t时刻储氢罐的释氢量，
Figure FDA0002699439770000029
为t时刻储热罐的释热量；
储能购电成本Cchage的计算公式如下：
Figure FDA00026994397700000210
其中：
Figure FDA00026994397700000211
和cre,t分别为储能向可再生能源发电机组的购电功率和购电电价，
Figure FDA00026994397700000212
为储能向电网的购电功率；
设备启停成本Cstart的计算公式如下：
Figure FDA00026994397700000213
其中：nEC、nEB、nFC、nHST、nTST分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的启停次数，
Figure FDA00026994397700000214
分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的启停成本；
设备维护成本Cmain的计算公式如下：
Figure FDA0002699439770000031
其中：
Figure FDA0002699439770000032
分别为调度周期内电解池、电锅炉、燃料电池、储氢罐、储热罐的设备维护成本，PEC,t为电解池消耗的电功率，PEB,t为电锅炉消耗的电功率，PFC,t为燃料电池输出的电功率，WHST,t为t时刻储氢罐储/释量，取绝对值，QTST,t为t时刻储热罐储/释量，取绝对值；
S2.2：构建充放能量损失最小的第二目标函数：
Figure FDA0002699439770000033
其中，ω1为电-氢充放损耗系数，ω2为电-氢-电充放损耗系数，ω3为电-热充放损耗系数，T为储能调度周期内的总时段数，T＝24；
S2.3：构建联络线功率波动最小的第三目标函数：
Figure FDA0002699439770000034
其中：PE,t，PT,t和
Figure FDA0002699439770000035
为t时刻微网和主网联络线的电功率、热功率和氢功率，PT,t+1为t+1时刻微网和主网联络线的热功率,
Figure FDA0002699439770000036
为t+1时刻微网和主网联络线的氢功率；
S2.4：构建元件出力约束，设备功率预设和容量约束为不等式约束：
Figure FDA0002699439770000037
Figure FDA0002699439770000038
Figure FDA0002699439770000039
Figure FDA00026994397700000310
Figure FDA00026994397700000311
系统能量平衡约束为等式约束，包括：
PEload,t＝PPV,t+PWT,t-PEC,t-PEB,t+PFC,t+PE,t (18)
Figure FDA0002699439770000041
Figure FDA0002699439770000042
其中：
Figure FDA0002699439770000043
为电解池消耗电功率的上限；
Figure FDA0002699439770000044
为电锅炉消耗电功率的上限；
Figure FDA0002699439770000045
为燃料电池输出电功率的上限；
Figure FDA0002699439770000046
和
Figure FDA0002699439770000047
分别为单位时间内储氢罐储氢和释氢的上限系数；
Figure FDA0002699439770000048
和
Figure FDA0002699439770000049
分别为储氢罐储氢和释氢的的二元状态变量；
Figure FDA00026994397700000410
为储氢罐的容量；
Figure FDA00026994397700000411
和
Figure FDA00026994397700000412
分别为储氢罐存储容量的上下限系数；
Figure FDA00026994397700000413
和
Figure FDA00026994397700000414
分别为单位时间内储热罐储热和释热的上限系数；
Figure FDA00026994397700000415
和
Figure FDA00026994397700000416
分别为储热罐储热和释热的二元状态变量；
Figure FDA00026994397700000417
为储热罐的容量；
Figure FDA00026994397700000418
和
Figure FDA00026994397700000419
分别为储热罐存储容量的上下限系数。
4.如权利要求3所述的方法，其特征在于，S3包括：
S3.1：初始化粒子群，即初始化多能量系统中各装置额定功率/容量，设置种群大小为NP，迭代次数K，粒子维数D，加速度因子c1和c2，随机数r1和r2以及惯性权重w0；
S3.2：将步骤3的第一目标函数f1，第二目标函数f2以及第三目标函数f3作为多目标粒子群的适应度函数，将步骤3中的约束条件作为多目标粒子群的约束条件；
S3.3：根据多目标粒子群算法求出符合要求非劣解集；
S3.4：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解。
5.如权利要求4所述的方法，其特征在于，S3.4具体包括：
S3.4.1：对S3.3中所获得的非劣解集中的第k个非劣解xk，其对于第i个子目标函数的满意程度为：
Figure FDA00026994397700000420
式中，fi max为第i个子目标最大函数值，fi min为第i个子目标最小函数值，fi(xk)为第k个非劣解xk所对应的第i个子目标函数值因此，
Figure FDA00026994397700000421
取值范围为(0,1)；
对xk来说，所有子目标的整体满意度可用式表示：
Figure FDA0002699439770000051
其中，M为非劣解个数，L为子目标个数；
对所有的μk，其值越大，解越优，选取其中最大值
Figure FDA0002699439770000052
所对应的非劣解作为最终的最优解。
CN202011017142.0A 2020-09-24 2020-09-24 一种综合能源储能系统优化调度方法 Active CN112163968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011017142.0A CN112163968B (zh) 2020-09-24 2020-09-24 一种综合能源储能系统优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011017142.0A CN112163968B (zh) 2020-09-24 2020-09-24 一种综合能源储能系统优化调度方法

Publications (2)

Publication Number Publication Date
CN112163968A true CN112163968A (zh) 2021-01-01
CN112163968B CN112163968B (zh) 2022-07-05

Family

ID=73863765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011017142.0A Active CN112163968B (zh) 2020-09-24 2020-09-24 一种综合能源储能系统优化调度方法

Country Status (1)

Country Link
CN (1) CN112163968B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712211A (zh) * 2021-01-14 2021-04-27 首钢京唐钢铁联合有限责任公司 一种基于区块链进行能源调度的方法及装置
CN113036787A (zh) * 2021-03-15 2021-06-25 天津城建大学 一种制氢站能量优化配置方法和系统
CN115307054A (zh) * 2022-08-22 2022-11-08 西南交通大学 一种基于微网余电制氢的加氢站设备容量优化配置方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664423A (zh) * 2012-05-30 2012-09-12 山东大学 基于粒子群算法的风电场储能容量控制方法
CN106058900A (zh) * 2016-07-21 2016-10-26 南京工程学院 一种并网风光发电中混合储能容量优化配置方法
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN109301852A (zh) * 2018-11-23 2019-02-01 武汉理工大学 一种微电网分级多目标联合的经济调度方法
CN109301875A (zh) * 2018-12-04 2019-02-01 清华四川能源互联网研究院 综合能源调度系统
CN109658012A (zh) * 2019-01-22 2019-04-19 武汉理工大学 一种计及需求侧响应的微电网多目标经济调度方法及装置
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
CN111404180A (zh) * 2020-03-17 2020-07-10 华北电力大学 综合能源系统的优化调度方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664423A (zh) * 2012-05-30 2012-09-12 山东大学 基于粒子群算法的风电场储能容量控制方法
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN106058900A (zh) * 2016-07-21 2016-10-26 南京工程学院 一种并网风光发电中混合储能容量优化配置方法
CN109301852A (zh) * 2018-11-23 2019-02-01 武汉理工大学 一种微电网分级多目标联合的经济调度方法
CN109301875A (zh) * 2018-12-04 2019-02-01 清华四川能源互联网研究院 综合能源调度系统
CN109658012A (zh) * 2019-01-22 2019-04-19 武汉理工大学 一种计及需求侧响应的微电网多目标经济调度方法及装置
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
CN111404180A (zh) * 2020-03-17 2020-07-10 华北电力大学 综合能源系统的优化调度方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FANGQIU XU: "A multi-objective optimization model of hybrid energy storage system", 《ENERGY》 *
R. GARMABDARI: "Multi-objective optimisation and planning of grid-connected", 《ENERGY》 *
侯慧: "计及电动汽车充放电的微电网多目标分级经济调度", 《电力系统自动化》 *
郭创新: "综合能源系统优化运行研究现状及展望", 《发电技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712211A (zh) * 2021-01-14 2021-04-27 首钢京唐钢铁联合有限责任公司 一种基于区块链进行能源调度的方法及装置
CN113036787A (zh) * 2021-03-15 2021-06-25 天津城建大学 一种制氢站能量优化配置方法和系统
CN115307054A (zh) * 2022-08-22 2022-11-08 西南交通大学 一种基于微网余电制氢的加氢站设备容量优化配置方法
CN115307054B (zh) * 2022-08-22 2024-05-03 西南交通大学 一种基于微网余电制氢的加氢站设备容量优化配置方法

Also Published As

Publication number Publication date
CN112163968B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN112163968B (zh) 一种综合能源储能系统优化调度方法
CN111882105B (zh) 含共享储能系统的微电网群及其日前经济优化调度方法
Wu et al. A multi-agent-based energy-coordination control system for grid-connected large-scale wind–photovoltaic energy storage power-generation units
CN109636056B (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
Shaterabadi et al. Multi-objective stochastic programming energy management for integrated INVELOX turbines in microgrids: A new type of turbines
CN112529244B (zh) 一种考虑电负荷需求响应的综合能源系统协同优化运行法
CN103346562A (zh) 计及需求响应的多时间尺度微网能量控制方法
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
González‐Rivera et al. Predictive energy management for a wind turbine with hybrid energy storage system
CN114066204A (zh) 一种综合能源系统的一体化优化规划与运行方法及装置
Mohamed et al. Modelling and environmental/economic power dispatch of microgrid using multiobjective genetic algorithm optimization
CN112270096B (zh) 促进新能源消纳的灵活性资源贡献度求解方法
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN116742812A (zh) 一种多能互补发电系统储能容量协调优化配置方法和系统
Kermani et al. Optimal operation of a real power hub based on PV/FC/GenSet/BESS and demand response under uncertainty
CN112862237A (zh) 一种综合能源系统参与区域能源网络的调度方法及系统
CN111668882A (zh) 智慧能环网中微电源出力优化方法及装置
Wang et al. Contribution of distributed energy resources management to peak carbon dioxide emissions and carbon neutralization
Yang et al. Optimal Economic Dispatch of Microgrid With Battery Energy Storage Considering Uncertainty of Renewable Generation
Wang et al. Source-load-storage coordinated optimal scheduling of virtual power plant participating demand response
Li et al. Method of Market Participation for Wind/Photovoltaic/Energy Storage Based on KKT Condition
Mohamed et al. Environmental/Economic Power Dispatch of Micro Grid Using Multiobjective Optimization
CN117748622B (zh) 一种微电网多态协调控制方法及系统
Lin et al. Multi-objective Cooperative Optimal Control Strategy for Virtual Power Plant with Information and Communication Infrastructure
Qiu et al. Optimal Placement and Sizing of Hydrogen Energy Storage Power Station Considering the Uncertainty of Generation and Load

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