CN112288222A - 一种基于改进量化热惯性的分布式能源系统经济调度方法 - Google Patents

一种基于改进量化热惯性的分布式能源系统经济调度方法 Download PDF

Info

Publication number
CN112288222A
CN112288222A CN202011008212.6A CN202011008212A CN112288222A CN 112288222 A CN112288222 A CN 112288222A CN 202011008212 A CN202011008212 A CN 202011008212A CN 112288222 A CN112288222 A CN 112288222A
Authority
CN
China
Prior art keywords
temperature
thermal inertia
period
constraints
model
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.)
Pending
Application number
CN202011008212.6A
Other languages
English (en)
Inventor
陈培育
霍现旭
崇志强
李国栋
李树青
于光耀
胡晓辉
李树鹏
马世乾
刘亚丽
王峥
刘云
王天昊
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011008212.6A priority Critical patent/CN112288222A/zh
Publication of CN112288222A publication Critical patent/CN112288222A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Structural Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于改进量化热惯性的分布式能源系统经济调度方法，其技术特点是：通过构建建筑物量化热惯性模型；构建供热管网量化热惯性模型；简化建筑物量化热惯性模型，并将简化后的建筑物量化热惯性模型和供热管网量化热惯性模型组合构建改进的供热系统量化热惯性模型；根据改进的供热系统量化热惯性模型对分布式能源系统进行经济调度。本发明针对供热系统热惯性建立量化模型，进而提出一种基于量化热惯性的分布式能源系统经济调度策略，重点关注系统运行经济性的提升与可再生能源的消纳水平，能够在满足园区用户电负荷、热负荷的前提下，实现园区IESP运行成本的最小化，同时兼顾可再生能源消纳。

Description

一种基于改进量化热惯性的分布式能源系统经济调度方法
技术领域
本发明属于分布式能源系统管理领域，尤其是一种基于改进量化热惯性的分布式能源系统经济调度方法。
背景技术
能源是国民经济的命脉，能源的安全可靠持续供应是人类社会长治久安的必然要求。能源危机和环境污染问题近年来日益凸显，打破各供能系统独立运行的传统模式，构建综合能源系统(Integrated Energy System,IES)已经成为能源革命的重要需求，IES是人类社会能源系统未来30～50年的主要承载形式，是确保能源利用安全、经济、可持续的必由之路。
分布式能源系统是IES的区域级基本单元，可应用于工业园区、商业园区、居民社区等场景。分布式能源系统资产归属相对统一，信息互联完备，采用一体化运营模式，拥有综合能源服务商(Integrated Energy Service Provider,IESP)。分布式能源系统能够打破不同能源系统间行业壁垒，解决不同主体间的利益冲突，在保障能源供应安全可靠的前提下充分发挥多能互补优势。在此背景下，提出适合分布式能源系统的经济调度策略成为综合能源系统建设的重要需求之一。相比于电力环节，供热系统的灵活性对于热惯性研究往往使用系统完整的物理模型，一方面大大增加了模型的复杂度，另一方面不能直观量化分析供热系统的热惯性。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于改进量化热惯性的分布式能源系统经济调度方法，能够在满足园区用户电负荷、热负荷的前提下，实现园区IESP运行成本的最小化，同时兼顾可再生能源消纳。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于，包括以下步骤：
步骤1、构建建筑物量化热惯性模型；
步骤2、构建供热管网量化热惯性模型；
步骤3、简化建筑物量化热惯性模型，并将简化后的建筑物量化热惯性模型和供热管网量化热惯性模型组合构建改进的供热系统量化热惯性模型；
步骤4、根据改进的供热系统量化热惯性模型对分布式能源系统进行经济调度。
而且，所述步骤1构建建筑物量化热惯性模型为：
Tret＝ArsTs+crs
Figure BDA0002696690110000011
Figure BDA0002696690110000012
其中Tret为热负荷平均回水温度；Ts为供水管道平均温度；m为热负荷个数；Nb,i为热负荷i的流量；I为单位矩阵；Ain，i为热负荷i入口温度影响；Nb,i为热负荷i换热系数；ci为初始室温和环境温度的综合影响。
而且，所述步骤2供热管网量化热惯性模型为：
Ts＝AsTsup+cs
Tr＝ArTret+cr
其中，Ts为供水管平均温度；Tr为回水管平均温度；Tret为热负荷平均回水温度；Tsup为热源处供水温度；Cs为供水管温度影响；Cr为回水管温度影响；As为供水管网参数矩阵；Ar为回水管网参数矩阵。
而且，所述步骤3改进的供热系统量化热惯性模型包括热源模型、建筑物模型和管网模型；
热源模型
Qs＝cpm(Tsup-Tr)
建筑物模型
Ql＝cpm(Ts-Tret)
Figure BDA0002696690110000021
管网模型
Ts＝AsTsup+cs
Tr＝ArTret+cr
其中，Qs为热源热功率；cp为水的比热容；m为供热管网总流量；Tsup为热源处供水温度；Tr为回水管平均温度；Ql为热负荷热功率；Ts为供水管平均温度；Tret为热负荷平均回水温度；E l为储能边界下限；
Figure BDA0002696690110000022
为储能边界上限。
而且，所述改进的供热系统量化热惯性模型中变量的约束包括供水温度约束、回水温度约束和回水温度约束；
供水温度约束
Figure BDA0002696690110000023
回水温度约束
Figure BDA0002696690110000024
回水温度约束
-ΔTsup,maxΔt≤Tsup,t-Tsup,t-Δt≤ΔTsup,maxΔt
其中
Figure BDA0002696690110000031
为热源供水温度的上限；T sup为热源供水温度的下限；
Figure BDA0002696690110000032
为热负荷回水温度的上限；T ret为热负荷回水温度的下限；ΔTsup,max为供水温度最大爬坡率。
而且，所述步骤4的进行经济调度的方法包括确立目标函数和约束条件，其中约束条件包括功率平衡约束、量化热惯性模型约束和能源设备约束。
而且，所述确立的目标函数为
min C＝CE+CG+CWT,loss+CPV,loss
Figure BDA0002696690110000033
Figure BDA0002696690110000034
Figure BDA0002696690110000035
Figure BDA0002696690110000036
其中，C为分布式能源系统运行成本；CE为购电费用；CG为购气费用；CWT,loss为弃风惩罚费用；CPV,loss为弃光惩罚费用；kt E为t时段的单位购电价格；Pt in为t时段的购电功率；
Figure BDA0002696690110000037
为t时段的单位购气价格；
Figure BDA0002696690110000038
为t时段的购气功率；
Figure BDA0002696690110000039
为t时段的单位弃风惩罚价格；Pt WT,loss为t时段的弃风功率；
Figure BDA00026966901100000310
为t时段的单位弃光惩罚价格；Pt PV,loss为t时段的弃光功率；Δt为调度阶段时长；N为调度阶段数。
而且，所述功率平衡约束包括
电功率平衡约束
Pt in+Pt CHP+Pt WT+Pt PV＝Pt load+Pt EB
其中Pt CHP为t时段的CHP电功率；Pt WT为t时段的风机电功率；Pt PV为t时段的光伏电功率；Pt load为t时段的园区电负荷；Pt EB为t时段的电锅炉电功率；
热功率平衡约束
Figure BDA00026966901100000311
Figure BDA0002696690110000041
其中
Figure BDA0002696690110000042
为t时段的CHP热功率；
Figure BDA0002696690110000043
为t时段的燃气锅炉热功率；
Figure BDA0002696690110000044
为t时段的电锅炉热功率；
Figure BDA0002696690110000045
为t时段的虚拟充能功率；Qs,t为考虑量化热惯性模型时的热功率；
Figure BDA0002696690110000046
为系统热负荷；
气功率平衡约束
Figure BDA0002696690110000047
其中
Figure BDA0002696690110000048
为t时段的CHP气功率；
Figure BDA0002696690110000049
为t时段的燃气锅炉气功率。
而且，所述量化热惯性模型约束包括，
热源模型约束
Qs＝cpm(Tsup-Tr)
热负荷模型约束
Ql＝cpm(Ts-Tret)
Figure BDA00026966901100000410
供热管网模型约束(30)、(31)、(45)、(46)、(47)
Ts＝AsTsup+cs
Tr＝ArTret+cr
Figure BDA00026966901100000411
Figure BDA00026966901100000412
-ΔTsup,maxΔt≤Tsup,t-Tsup,t-Δt≤ΔTsup,maxΔt
其中，Qs为热源热功率；cp为水的比热容；m为供热管网总流量；Tsup为热源处供水温度；Tr为回水管平均温度；Ql为热负荷热功率；Ts为供水管平均温度；Tret为热负荷平均回水温度；E l为储能边界下限；
Figure BDA00026966901100000413
为储能边界上限；其中
Figure BDA00026966901100000414
为热源供水温度的上限；T sup为热源供水温度的下限；
Figure BDA00026966901100000415
为热负荷回水温度的上限；T ret为热负荷回水温度的下限；ΔTsup,max为供水温度最大爬坡率；Tret为热负荷平均回水温度；Tsup为热源处供水温度；Cs为供水管温度影响；Cr为回水管温度影响；As为供水管网参数矩阵；Ar为回水管网参数矩阵。
而且，所述能源设备约束包括
CHP出力上下线约束
Figure BDA0002696690110000051
CHP爬坡率约束
Figure BDA0002696690110000052
其中，
Figure BDA0002696690110000053
为CHP的出力上限；
Figure BDA0002696690110000054
为CHP的出力下限；
Figure BDA0002696690110000055
为向上的最大爬坡率；
Figure BDA0002696690110000056
为向下的最大爬坡率；
燃气锅炉约束出力上下线约束
Figure BDA0002696690110000057
燃气锅炉爬坡率约束
Figure BDA0002696690110000058
其中，
Figure BDA0002696690110000059
为燃气锅炉出力上限；
Figure BDA00026966901100000510
为燃气锅炉的出力下限；
Figure BDA00026966901100000511
为向上的最大爬坡率；
Figure BDA00026966901100000512
为向下的最大爬坡率；
电锅炉出力上下限约束
Figure BDA00026966901100000513
电锅炉爬坡率约束
Figure BDA00026966901100000514
其中
Figure BDA00026966901100000515
为电锅炉的出力上限；
Figure BDA00026966901100000516
为电锅炉的出力下限；
Figure BDA00026966901100000517
为向上的最大爬坡率；
Figure BDA00026966901100000518
为向下的最大爬坡率；
可再生能源出力约束
0≤Pt WT≤Pt WT,curve
Pt WT+Pt WT,loss＝Pt WT,curve
0≤Pt PV≤Pt PV,curve
Pt PV+Pt PV,loss＝Pt PV,curve
其中，Pt WT为t时段的风机电功率；Pt PV为t时段的光伏电功率；Pt WT,loss为t时段的弃风功率；Pt PV,loss为t时段的弃光功率；Pt WT,curve为t时段风机预测出力曲线；Pt PV,curve为t时段的光伏预测出力曲线。
本发明的优点和积极效果是：
本发明通过构建建筑物量化热惯性模型；构建供热管网量化热惯性模型；简化建筑物量化热惯性模型，并将简化后的建筑物量化热惯性模型和供热管网量化热惯性模型组合构建改进的供热系统量化热惯性模型；根据改进的供热系统量化热惯性模型对分布式能源系统进行经济调度。本发明针对供热系统热惯性建立量化模型，进而提出一种基于量化热惯性的分布式能源系统经济调度策略，重点关注系统运行经济性的提升与可再生能源的消纳水平，能够在满足园区用户电负荷、热负荷的前提下，实现园区IESP运行成本的最小化，同时兼顾可再生能源消纳。
附图说明
图1是本发明量化热惯性模型结构图；
图2是本发明贪心算法流程图；
图3是分布式能源系统结构图；
图4是本发明系统电热负荷及风机光伏出力预测曲线图；
图5是分时电价与环境温度示意图；
图6是本发明场景1电功率平衡和热功率平衡的示意图；
图7是本发明场景2电功率平衡和热功率平衡的示意图；
图8是本发明场景2虚拟充能功率与平均回水温度示意图；
图9是本发明场景3电功率平衡和热功率平衡的示意图；
图10是本发明场景4电功率平衡和热功率平衡的示意图；
图11是本发明场景4虚拟充能功率与平均回水温度示意图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种基于改进量化热惯性的分布式能源系统经济调度方法，包括以下步骤：
步骤1、构建建筑物量化热惯性模型。本步骤的具体实现方法为：
当换热器入口水温发生变化，室内温度相应发生变化，通常变化较为缓慢。假设建筑物内存在舒适度室温区间，则建筑物的热惯性体现在短时间内热网与建筑物交换的热功率和建筑物热负荷的不平衡不会使室温立刻超出该舒适度室温区间。室温变化速率与换热器对室内空间的散热系数、建筑物对外界环境的散热系数有关。将建筑物的热惯性看作虚拟储能，入口水温提高相当于充能阶段，室温缓慢升高；入口水温降低相当于放能阶段，室温缓慢降低。
在直接连接方式中，每一个建筑物都相当于热负荷，直接与热网相连接，各个建筑物的热功率Qb,i为：
Qb,i＝cpmb,i(Tin,i-Tout,i) i＝1,2,…,M
以下对角标i进行省略，散热器的热力模型表示了建筑物入口温度和出口温度之间的关系，热负荷出口温度Tout为：
Tout＝(1-Nb)Tin+NbTb
换热系数Nb为：
Figure BDA0002696690110000071
一阶模型简化为：
cb(Tb,k-Tb,k-1)＝UAb(Tamb,k-Tb,k-1)Δt+Qb
其中cp为水的比热容；mb,i为热负荷i的流量；Tin,i为热负荷i的入口温度；i为热负荷编号；M为热负荷个数；Tout,i为热负荷i的出口温度；Tb为建筑物室内温度；KF为建筑传热系数；cb为建筑物的热容量；k为时段编号；UAb为建筑物室内空气与室外空气的热导；Tamb为室外环境温度；Δt为调度周期；Tb,k为建筑物中存储的能量；
为建立室温与供水温度的联系，并量化建筑物的热惯性，通过上述公式联立得到：
Tb,k＝αbTb,k-1+βbTin,k+γbTamb,k
Figure BDA0002696690110000072
Figure BDA0002696690110000073
Figure BDA0002696690110000074
其中热容cb保持不变时，Tb,k为建筑物中存储了多少能量。定义αb为建筑物热惯性系数，表示Tb,k-1在Tb,k中的占比，体现了建筑物的热惯性；定义βb为热能注入系数，表示供热管网供水温度对室温的影响；定义γb为建筑物散热系数表示环境温度对室温的影响。
使用Tb,k-1替换为αbTb,k-2+βbTin,k-1+γbTamb,k-1，并以此方法递归进行替换得到矩阵形式：
Tb＝AinTin+vbTb,0+AambTamb
Tb＝[Tb,1 … Tb,N]T
Tin＝[Tin,1 … Tin,N]T
Tamb＝[Tamb,1 … Tamb,N]T
vb＝[α1 α2α1 … αNαN-1 …α1]T
Figure BDA0002696690110000081
Figure BDA0002696690110000082
当建筑物初始室温Tb,0与环境温度Tamb通过测量与预测手段已知，定义新变量c＝vbTb,0+AambTamb，该变量能够独立计算，得到：
Tb＝AinTin+c
其中，Tb仅由热负荷入口温度决定，AinTin为入口温度的影响，c为初始室温和环境温度的综合影响。
热负荷的平均Tret回水温度由各个热负荷出口温度取加权平均值求得：
Figure BDA0002696690110000083
Tret＝ArsTs+crs
其中m为热负荷个数；I为单位矩阵；Ts为供水管道平均温度，假设Tin,i＝Ts i＝1,2,…,M，得到
Figure BDA0002696690110000084
Figure BDA0002696690110000085
步骤2、构建供热管网量化热惯性模型。本步骤的具体实现方法为：供热管网的模型应该在不失热惯性特性的前提下进行适当简化，方便进行全局计算。因此忽略管网拓扑结构，将供水管道和回水管道简化为两个热水缓冲区，管道中每个调度时刻中水均匀混合。
供水管网存储能量Ts,k为：
Figure BDA0002696690110000086
回水管网存储能量Tr,k为：
Figure BDA0002696690110000091
其中k为时段编号；Ts,k-1为上一时段供水管道平均温度；Tr,k-1为上一时段回水管道平均温度；Tsup,k为热源处供水温度；Tret,k为热负荷处回水温度；Tamb,k为环境温度；m为供热管网总流量；Ms为供水管网的总容量；Mr为回水管网总容量λx为散热系数；Δt为调度周期；供水管网存储能量Ts,k说明供水管道的平均温度与其上一时段温度、热源处供水温度、环境温度有关，以上三者分别反映供水管道的热惯性、热源的充能作用、热能向外界的散失。
对供水管网存储能量Ts,k和回水管网存储能量Tr,k进行变形：
Ts,k＝αsTs,k-1+βsTsup,k+γsTamb,k
Tr,k＝αrTr,k-1+βrTret,k+γrTamb,k
Ts,k为共水管中存储的能量，Tr,k为回水管网中存储的能量。定义αs为供水管惯性系数，αr为回水管网惯性系数，表示上一时段平均水温在本时段平均水温中的占比，体现了供热管网的热惯性。定义βs为热源到供水管网的热能注入系数，表示热源对供水管网的影响；βr为热负荷到回水管网的热能注入系数，表示热负荷对回水管网的影响。定义γs管网系数，γr为管网系数，表示环境温度对管网水温的影响。因为供水管网与回水管网往往对称建造，所以Ms＝Mr＝Mpipe，
Figure BDA0002696690110000092
Figure BDA0002696690110000093
Figure BDA0002696690110000094
得到矩阵：
Ts＝AsTsup+vsTs,0+AambsTamb
Tr＝ArTret+vrTr,0+AambrTamb
因为供水管网与回水管网的参数相同，所以参数矩阵与参数向量也相同，即：As＝Ar，vs＝vr，Aambs＝Aambr，得到
Ts＝AsTsup+cs
Tr＝ArTret+cr
本部分使用的供热网络模型将供热管网简化为供水管网和回水管网两个整体，不再需要管网详细参数，只需要管网的流量、容量、散热系数。该模型符合能量守恒，能够准确反映热源处的温度与热功率在考虑到供热管网热惯性时的关系。
步骤3、简化建筑物量化热惯性模型，并将简化后的建筑物量化热惯性模型和供热管网量化热惯性模型组合构建改进的供热系统量化热惯性模型。本步骤的具体实现方法为：上述步骤建立了建筑物的量化热惯性模型和供热管网的量化热惯性模型，将两个模型组合，并对建筑物热惯性模型做适当简化计算，生成供热系统量化热惯性模型。该模型计算量小、不需要供热系统详细参数，并且能够反映供热管网和建筑物的热惯性，体现供热系统的储能潜力。
在量化热惯性模型之中，热负荷沿供热管网均匀分布，各个热负荷的入口温度等于供热管网的平均温度，各个热负荷的入口温度Tin为：
Tin,i＝Ts i＝1,2,…,M
热负荷的平均回水温度是各个热负荷出口温度按照各自流量的加权平均值：
Figure BDA0002696690110000101
热源热功率取决于热源处供水温度与回水管道平均温度：
Qs＝cpm(Tsup-Tr)
热负荷热功率取决于热负荷处回水温度与供水管道平均温度：
Ql＝cpm(Ts-Tret)
如图1所示，建筑物模型的全部约束包括热功率约束、入口温度约束、出口温度约束、室温约束，其中入口温度用供水管网平均温度表示，出口温度用热负荷回水温度表示，得到建筑物模型的热功率约束为：Ql＝cpm(Ts-ArsTs-crs)
建筑物模型的入口温度约束为：
Figure BDA0002696690110000102
建筑物模型的出口温度约束为：
Figure BDA0002696690110000103
建筑物模型的室温约束为：
Figure BDA0002696690110000104
其中建筑物模型的入口温度约束和建筑物模型的室温约束属于供热系统的安全性约束，建筑物模型的出口温度约束属于用户的舒适度约束。若调度时段数为N，热负荷数为M，共有2MN+4N个约束，当热负荷数目增多，模型的复杂度会显著提高，因此有必要对该模型进行简化计算。
将建筑物模型的入口温度约束、建筑物模型的出口温度约束和建筑物模型的室温约束替换为建筑我虚拟储能约束得到：
Figure BDA0002696690110000111
其中，S＝(I-Ars)-1 Ars，能体现所有建筑物的综合影响，而且便于计算，约束数量减少至2N，E l和
Figure BDA0002696690110000112
为储能边界；储能边界为：
Figure BDA0002696690110000113
因为S、Ain,i和Ars都是下三角矩阵，调度周期k之后的约束对调度周期k没有影响，即E l,k和
Figure BDA0002696690110000114
独立于E l,j和
Figure BDA0002696690110000115
基于这种特性，应用贪心算法对于每个时间段的储能边界依次计算，使用贪心算法对储能边界进行转化：
min E l,k
Figure BDA0002696690110000116
k＝1，2…N
其约束条件为：
T s,k≤min(Ts,k)
Figure BDA0002696690110000117
T r,k≤min(Ars(k,1:k)Ts,1:k+crs,k)
Figure BDA0002696690110000118
T b,i,k≤min(Ain,i(k,1:k)Ts,1:k+ci,k)
Figure BDA0002696690110000119
Figure BDA00026966901100001110
储能边界的计算需要在满足约束的情况下计算E l,k的最小值和
Figure BDA00026966901100001111
的最大值，约束条件被划分为M+2组约束，每组包括两个约束：f p≤min(fp)和
Figure BDA00026966901100001112
对于每个时段的储能边界计算，首先为储能边界设置初值，然后计算M+2组优化问题(min(fp)和max(fp))，最后利用f p≤min(fp)和
Figure BDA0002696690110000121
分别对E l,k和
Figure BDA0002696690110000122
进行修正。如图2所示。只要满足
Figure BDA0002696690110000123
其余约束都能得到满足。
因此，量化热惯性模型包括热源模型Qs＝cpm(Tsup-Tr)，建筑物模型Ql＝cpm(Ts-Tret)和
Figure BDA0002696690110000124
以及管网模型Ts＝AsTsup+cs和Tr＝ArTret+cr。此外，模型中变量的约束包括供、回水温度约束和温度梯度约束：
供水温度约束为：
Figure BDA0002696690110000125
回水温度约束为：
Figure BDA0002696690110000126
温度梯度约束为：
-ΔTsup,maxΔt≤Tsup,t-Tsup,t-Δt≤ΔTsup,maxΔt
其中
Figure BDA0002696690110000127
为热源供水温度上限，单位为℃，T sup为热源供水温度下限，单位为℃；
Figure BDA0002696690110000128
为热负荷回水温度上限，单位为℃，T ret为热负荷回水温度下限，单位为℃；ΔTsup,max为供水温度最大爬坡率，单位为℃/h。
步骤4、根据改进的供热系统量化热惯性模型对分布式能源系统进行经济调度。本步骤的具体实现的方法为：为验证供热系统热惯性的灵活调度潜力，本发明选择以电-热耦合为主的分布式能源系统为研究对象，分布式能源系统的结构如图3所示。园区IESP通过从上级电网、气网中购电、购气，并调度EH内的能源设备，向园区用户提供供电、供热服务。供热系统量化热惯性模型由供热企业提供给园区IESP，实现对供热系统灵活性的利用。分布式能源系统的能源设备包括风机、光伏、CHP机组、燃气锅炉、电锅炉和电力变压器。其中电负荷由上级电网购电、CHP机组、风机、光伏供给；热负荷由CHP机组、燃气锅炉、电锅炉供给。因此需要确立目标函数并确立约束条件。
其中，基于供热系统量化热惯性模型的分布式能源系统优化调度模型的主要目标是在满足园区用户电负荷、热负荷的前提下，实现园区IESP运行成本的最小化，同时兼顾可再生能源消纳。园区IESP运行成本包括从上级电网购电费用、从上级气网购气费用和弃风弃光的惩罚费用
构建基于供热系统量化热惯性模型的分布式能源系统优化调度策略的目标函数：
min C＝CE+CG+CWT,loss+CPV,loss
Figure BDA0002696690110000129
Figure BDA0002696690110000131
Figure BDA0002696690110000132
Figure BDA0002696690110000133
其中，C为分布式能源系统运行成本，单位为元；CE为购电费用，单位为元；CG为购气费用，单位为元；CWT,loss为弃风惩罚费用，单位为元；CPV,loss为弃光惩罚费用，单位为元；kt E为t时段的单位购电价格，单位为元/(kW·h)；Pt in为t时段的购电功率，单位为kW；kt G为t时段的单位购气价格，单位为元/m3；
Figure BDA0002696690110000134
为t时段的购气功率，单位为m3/h；kt WT,loss为t时段的单位弃风惩罚价格；Pt WT,loss为t时段的弃风功率，单位为kW；kt PV,loss为t时段的单位弃光惩罚价格；Pt PV,loss为t时段的弃光功率，单位为kW；Δt为调度阶段时长；N为调度阶段数。
所述确立的约束条件包括功率平衡约束、量化热惯性模型约束和能源设备约束。
其中功率平衡约束包括：电功率平衡约束、热功率平衡约束和气功率平衡约束，
电功率平衡约束为：
Pt in+Pt CHP+Pt WT+Pt PV＝Pt load+Pt EB
其中Pt CHP为t时段的CHP电功率，单位为kW；Pt WT为t时段的风机电功率，单位为kW；Pt PV为t时段的光伏电功率，单位为kW；Pt load为t时段的园区电负荷，单位为kW；Pt EB为t时段的电锅炉电功率，单位为kW；
热功率平衡约束为：
Figure BDA0002696690110000135
其中
Figure BDA0002696690110000136
为t时段的CHP热功率，单位为kW；
Figure BDA0002696690110000137
为t时段的燃气锅炉热功率，单位为kW；
Figure BDA0002696690110000138
为t时段的电锅炉热功率，单位为kW；Qs,t热源热功率，单位为kW；
当系统工作在“以热定电”的传统模式，热功率平衡约束为：
Figure BDA0002696690110000139
其中
Figure BDA00026966901100001310
为t时段的园区热负荷，单位为kW；
为便于在分布式能源系统的运行优化研究中分析供热系统热惯性提供的灵活调度潜力，定义供热系统t时段的虚拟充能功率Qt charge为：
Figure BDA00026966901100001311
其中Qs,t为考虑量化热惯性模型时的热功率，单位为kW；
Figure BDA0002696690110000141
为系统热负荷，单位为kW；气功率平衡约束为：
Figure BDA0002696690110000142
其中
Figure BDA0002696690110000143
为t时段的CHP气功率；
Figure BDA0002696690110000144
为t时段的燃气锅炉气功率。
其中量化热惯性模型约束包括热源模型约束、热负荷模型约束和供热管网模型约束；
热源模型约束为：
Qs＝cpm(Tsup-Tr)
热负荷模型约束为：
Ql＝cpm(Ts-Tret)
Figure BDA0002696690110000145
供热管网模型约束为：
Ts＝AsTsup+cs
Tr＝ArTret+cr
其中能源设备约束包括CHP约束、燃气锅炉约束、电锅炉约束和可再生能源出力约束；
本发明采用恒定热电比的背压式CHP,CHP的能量转换约束体现了CHP耗气与制热量、发电量的关系：
Figure BDA0002696690110000146
Figure BDA0002696690110000147
Figure BDA0002696690110000148
其中ε为CHP热电比；η为CHP气-热转换效率；ηCHP为CHP效率；bv为天然气燃烧热值；
CHP的出力上下限约束和爬坡率约束分别为：
Figure BDA0002696690110000149
Figure BDA00026966901100001410
其中
Figure BDA00026966901100001411
为CHP的出力上限，单位为kW，
Figure BDA00026966901100001412
为CHP的出力下限，单位为kW；
Figure BDA00026966901100001413
为向上的最大爬坡率，单位为kW/h，
Figure BDA00026966901100001414
为向下的最大爬坡率，单位为kW/h。
燃气锅炉约束为：
Figure BDA00026966901100001415
其中ηGB为燃气锅炉的气-热转换效率；LHANG为天然气低热值，kW·h/m3，
燃气锅炉的能量转换约束体现了燃气锅炉耗气量与制热量的关系：
Figure BDA0002696690110000151
Figure BDA0002696690110000152
其中，
Figure BDA0002696690110000153
为燃气锅炉的出力上限，单位为kW，
Figure BDA0002696690110000154
为燃气锅炉的出力下限，单位为kW；
Figure BDA0002696690110000155
为向上的最大爬坡率，单位为kW/h，
Figure BDA0002696690110000156
为向下的最大爬坡率，单位为kW/h。
电锅炉的能量转换约束体现了电锅炉耗电量与制热量的关系：
Figure BDA0002696690110000157
其中ηEB为电锅炉的电-热转换效率，
电锅炉的出力上下限约束和爬坡率约束分别为：
Figure BDA0002696690110000158
Figure BDA0002696690110000159
其中
Figure BDA00026966901100001510
为燃气锅炉的出力上限，单位为kW，
Figure BDA00026966901100001511
为燃气锅炉的出力下限，单位为kW；
Figure BDA00026966901100001512
为向上的最大爬坡率，单位为kW/h，
Figure BDA00026966901100001513
为向下的最大爬坡率，单位为kW/h；
可再生能源出力受可再生能源预测出力曲线限制，当可再生能源消纳能力不足，会产生弃风、弃光功率，约束写作：
0≤Pt WT≤Pt WT,curve
Pt WT+Pt WT,loss＝Pt WT,curve
0≤Pt PV≤Pt PV,curve
Pt PV+Pt PV,loss＝Pt PV,curve
其中Pt WT,curve为t时段的风机预测出力曲线，Pt PV,curve为t时段的光伏预测出力曲线。
根据上述一种基于改进量化热惯性的分布式能源系统经济调度方法，对本发明进行测试以验证本发明的准确性。
本发明分布式能源系统的EH模型由CHP机组、燃气锅炉、电锅炉、电力变压器、风机、光伏组成，其中CHP机组的最大电出力为12MW，电锅炉最大热出力1.5MW，燃气锅炉最大热出力2MW。
本发明选取调度周期为24h，调度阶段时长Δt为1h。分布式能源系统的系统电负荷、热负荷、风机与光伏的预测出力曲线如图4所示。分时电价与当日气温预测值如图5所示。天然气价格为1.72元/m3，弃风、弃光惩罚费用为0.1元/(kW·h)。供热系统的供水温度的上下限
Figure BDA00026966901100001514
和T sup分别为90℃和60℃，回水温度的上下限
Figure BDA00026966901100001515
和T ret分别为40℃和20℃，建筑物室温的上下限
Figure BDA00026966901100001516
和T b分别为24℃和18℃。
为分析基于供热系统量化热惯性模型的分布式能源系统优化调度方法对于系统运行经济性、可再生能源消纳能力的提升，并与嵌入了完整物理模型的调度方法进行对比，建立供热系统量化热惯性模型，提出一种基于改进量化热惯性的分布式能源系统经济调度策略，利用YALMIP工具箱调用CPLEX求解器对模型求解。
本发明构建了五个调度场景。
场景1：以热定电。系统的负荷曲线与可再生能源出力曲线同图4，以热定电模式下系统的热出力等于热负荷。场景1是分布式能源系统的基础运行场景。
场景2：本发明调度方法。将场景1中的热负荷曲线替换为本发明的量化热惯性模型，场景2与场景1形成对比，分析热惯性对系统经济性的提高。
场景3：以热定电+高比例可再生能源。场景3中风机、光伏预测出力均提高为原来的2倍，系统开始出现弃风、弃光的现象。
场景4：本发明调度方法+高比例可再生能源。将场景3中的热负荷曲线替换为本发明的量化热惯性模型。场景4与场景3形成对比，分析热惯性对系统可再生能源消纳能力的提高。
场景1、场景2中，分布式能源系统的运行成本以及各项费用明细如表1所示。
表1 场景1、2运行成本
Figure BDA0002696690110000161
场景1、场景2无弃风、弃光发生，场景2中园区IESP一天内承担的总运行为157006元，比场景1的169057元节省约7.1％。其中场景2中园区IESP的购电支出为50636，比场景1的63167元节省约19.8％。而两个场景的购气费用基本一致。场景2相比于场景1节省大量购电费用，从而降低系统总运行成本。场景1中园区电功率平衡与热功率平衡如图6所示。场景2中园区功率平衡如图7所示。
场景1、场景2中系统电功率等于图4电负荷。场景1中系统热功率等于图4热负荷，而场景2中供热系统的热惯性打破了以热定电的约束，系统热功率不等于热负荷。两个场景中，电锅炉与燃气锅炉均在0：00-8：00谷时电价时段全功率运行，因为此时电价最低，电锅炉的制热成本较低，而CHP制热带来的强制电出力收益较低，燃气锅炉制热成本保持不变，综上，谷时电价时段燃气锅炉与电锅炉成本均低于CHP。为便于分析供热系统热惯性带来的虚拟储能能力，场景2的虚拟充能功率与平均回水温度如图7所示。
当热出力大于热负荷，虚拟充能功率为正，多余的热量导致管网水温与建筑物室温缓慢上升，相当于多余的能量存储在供热系统中；当热出力小于热负荷，虚拟充能功率为负，热源供热量不足导致管网水温与建筑物室温缓慢下降，相当于供热系统释放自身存储的能量为用户供热。结合图4、图6、图7和图8分析可知，场景2中，在8：00-23：00平时电价与峰时电价时段，虚拟充能功率为正，CHP出力较高，可以在电价较高时减小购电量；在0：00-8：00谷时电价时段，虚拟充能功率为负，CHP出力较低，可以在电价较低时增加购电量。因此，场景2中购电费用相对场景1大幅减少。在分时电价激励下，园区IESP可以利用供热系统的热惯性，对供热系统进行灵活调度，提升分布式能源系统运行经济性。
场景3、场景4中，CIES的运行成本以及各项费用明细如表2所示。
表2 场景3、4运行成本
Figure BDA0002696690110000171
场景3、场景4中风机与光伏预测出力曲线提高到原来的2倍，两个场景均发生弃风、弃光，场景4中园区IESP一天内承担的总运行为114902元，比场景3的126255元节省约9％。其中场景4中购电支出为13606元，比场景3的23492元节省约42％。场景4中园区IESP承担的弃风弃光惩罚费用比场景3少65％。场景4相比于场景3提高了可再生能源消纳，从而节省大量购电费用，降低系统总运行成本。场景3中园区电功率平衡与热功率平衡如图9所示。场景4中园区功率平衡如图10所示。
场景3中，在夜间1：00-6：00电负荷较小且风机出力较大，CHP强制出力加风机全功率出力大于电负荷，因此发生弃风；在中午11：00-12：00，光伏与风机出力较大，CHP强制出力加风机、光伏全功率出力大于电负荷，因此发生弃风、弃光。与场景1相比，除了谷时电价时段以外，场景3中电锅炉和燃气锅炉还在光伏资源最丰富的时段11：00-17：00运行，降低了CHP的强制出力，增加可再生能源消纳空间。当电锅炉与燃气锅炉达到全功率运行，CHP的强制出力仍然导致一部分可再生能源无法消纳，则发生弃风、弃光，这说明场景3仍然受以热定电的约束，该情况在场景4中得到改善。与场景2相比，场景4中的热出力不仅受分时电价激励，而且受可再生能源消纳激励，在两个弃风弃光时段，CHP出力均减小；与场景3相比，场景4中弃风弃光量明显减少，其中1：00-2：00与5：00-6：00两个时段实现了完全消纳。场景4的虚拟充能功率与平均回水温度如图11所示。
结合图6、图7和图8分析可知，场景4中，在发生弃风、弃光的时段中(1:00-6:00、11:00-12:00)，虚拟充能功率均为负，此时热出力小于热负荷，相当于供热系统利用自身存储的热量放能供热。在电价最高且可再生能源消纳空间充足的17:00-23:00时段，虚拟充能功率为正，CHP出力提高，既能节省购电费用，又能为供热系统充能，弥补消纳可再生能源时段释放的能量，实现一个调度周期内的虚拟储能平衡。综上，根据场景4与场景3的对比，在分时电价与可再生能源消纳的激励下，园区IESP可以利用供热系统的热惯性提高调度灵活性，提升CIES运行经济性与可再生能源消纳能力。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (10)

1.一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于，包括以下步骤：
步骤1、构建建筑物量化热惯性模型；
步骤2、构建供热管网量化热惯性模型；
步骤3、简化建筑物量化热惯性模型，并将简化后的建筑物量化热惯性模型和供热管网量化热惯性模型组合构建改进的供热系统量化热惯性模型；
步骤4、根据改进的供热系统量化热惯性模型对分布式能源系统进行经济调度。
2.根据权利要求1所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述步骤1构建建筑物量化热惯性模型为：
Tret＝ArsTs+crs
Figure FDA0002696690100000011
Figure FDA0002696690100000012
其中Tret为热负荷平均回水温度；Ts为供水管道平均温度；m为热负荷个数；Nb,i为热负荷i的流量；I为单位矩阵；Ain，i为热负荷i入口温度影响；Nb,i为热负荷i换热系数；ci为初始室温和环境温度的综合影响。
3.根据权利要求1所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述步骤2供热管网量化热惯性模型为：
Ts＝AsTsup+cs
Tr＝ArTret+cr
其中，Ts为供水管平均温度；Tr为回水管平均温度；Tret为热负荷平均回水温度；Tsup为热源处供水温度；Cs为供水管温度影响；Cr为回水管温度影响；As为供水管网参数矩阵；Ar为回水管网参数矩阵。
4.根据权利要求2所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述步骤3改进的供热系统量化热惯性模型包括热源模型、建筑物模型和管网模型；
热源模型
Qs＝cpm(Tsup-Tr)
建筑物模型
Ql＝cpm(Ts-Tret)
Figure FDA0002696690100000021
管网模型
Ts＝AsTsup+cs
Tr＝ArTret+cr
其中，Qs为热源热功率；cp为水的比热容；m为供热管网总流量；Tsup为热源处供水温度；Tr为回水管平均温度；Ql为热负荷热功率；Ts为供水管平均温度；Tret为热负荷平均回水温度；E l为储能边界下限；
Figure FDA0002696690100000022
为储能边界上限。
5.根据权利要求4所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述改进的供热系统量化热惯性模型中变量的约束包括供水温度约束、回水温度约束和回水温度约束；
供水温度约束
Figure FDA0002696690100000023
回水温度约束
Figure FDA0002696690100000024
回水温度约束
-ΔTsup,maxΔt≤Tsup,t-Tsup,t-Δt≤ΔTsup,maxΔt
其中
Figure FDA0002696690100000025
为热源供水温度的上限；T sup为热源供水温度的下限；
Figure FDA0002696690100000026
为热负荷回水温度的上限；T ret为热负荷回水温度的下限；ΔTsup,max为供水温度最大爬坡率。
6.根据权利要求2所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述步骤4的进行经济调度的方法包括确立目标函数和约束条件，其中约束条件包括功率平衡约束、量化热惯性模型约束和能源设备约束。
7.根据权利要求6所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述确立的目标函数为
min C＝CE+CG+CWT,loss+CPV,loss
Figure FDA0002696690100000027
Figure FDA0002696690100000031
Figure FDA0002696690100000032
Figure FDA0002696690100000033
其中，C为分布式能源系统运行成本；CE为购电费用；CG为购气费用；CWT,loss为弃风惩罚费用；CPV,loss为弃光惩罚费用；kt E为t时段的单位购电价格；Pt in为t时段的购电功率；
Figure FDA00026966901000000315
为t时段的单位购气价格；
Figure FDA0002696690100000034
为t时段的购气功率；kt WT,loss为t时段的单位弃风惩罚价格；Pt WT ,loss为t时段的弃风功率；kt PV,loss为t时段的单位弃光惩罚价格；Pt PV,loss为t时段的弃光功率；Δt为调度阶段时长；N为调度阶段数。
8.根据权利要求6所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述功率平衡约束包括
电功率平衡约束
Pt in+Pt CHP+Pt WT+Pt PV＝Pt load+Pt EB
其中Pt CHP为t时段的CHP电功率；Pt WT为t时段的风机电功率；Pt PV为t时段的光伏电功率；Pt load为t时段的园区电负荷；Pt EB为t时段的电锅炉电功率；
热功率平衡约束
Figure FDA0002696690100000035
Figure FDA0002696690100000036
其中
Figure FDA0002696690100000037
为t时段的CHP热功率；
Figure FDA0002696690100000038
为t时段的燃气锅炉热功率；
Figure FDA0002696690100000039
为t时段的电锅炉热功率；
Figure FDA00026966901000000310
为t时段的虚拟充能功率；Qs,t为考虑量化热惯性模型时的热功率；
Figure FDA00026966901000000311
为系统热负荷；
气功率平衡约束
Figure FDA00026966901000000312
其中
Figure FDA00026966901000000313
为t时段的CHP气功率；
Figure FDA00026966901000000314
为t时段的燃气锅炉气功率。
9.根据权利要求6所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述量化热惯性模型约束包括，
热源模型约束
Qs＝cpm(Tsup-Tr)
热负荷模型约束
Ql＝cpm(Ts-Tret)
Figure FDA0002696690100000041
供热管网模型约束(30)、(31)、(45)、(46)、(47)
Ts＝AsTsup+cs
Tr＝ArTret+cr
Figure FDA0002696690100000042
Figure FDA0002696690100000043
-ΔTsup,maxΔt≤Tsup,t-Tsup,t-Δt≤ΔTsup,maxΔt
其中，Qs为热源热功率；cp为水的比热容；m为供热管网总流量；Tsup为热源处供水温度；Tr为回水管平均温度；Ql为热负荷热功率；Ts为供水管平均温度；Tret为热负荷平均回水温度；E l为储能边界下限；
Figure FDA0002696690100000044
为储能边界上限；其中
Figure FDA0002696690100000045
为热源供水温度的上限；T sup为热源供水温度的下限；
Figure FDA0002696690100000046
为热负荷回水温度的上限；T ret为热负荷回水温度的下限；ΔTsup,max为供水温度最大爬坡率；Tret为热负荷平均回水温度；Tsup为热源处供水温度；Cs为供水管温度影响；Cr为回水管温度影响；As为供水管网参数矩阵；Ar为回水管网参数矩阵。
10.根据权利要求6所述的一种基于改进量化热惯性的分布式能源系统经济调度方法，其特征在于：所述能源设备约束包括
CHP出力上下线约束
Figure FDA0002696690100000047
CHP爬坡率约束
Figure FDA0002696690100000048
其中，
Figure FDA0002696690100000049
为CHP的出力上限；
Figure FDA00026966901000000410
为CHP的出力下限；
Figure FDA00026966901000000411
为向上的最大爬坡率；
Figure FDA0002696690100000051
为向下的最大爬坡率；
燃气锅炉约束出力上下线约束
Figure FDA0002696690100000052
燃气锅炉爬坡率约束
Figure FDA0002696690100000053
其中，
Figure FDA0002696690100000054
为燃气锅炉出力上限；
Figure FDA0002696690100000055
为燃气锅炉的出力下限；
Figure FDA0002696690100000056
为向上的最大爬坡率；
Figure FDA0002696690100000057
为向下的最大爬坡率；
电锅炉出力上下限约束
Figure FDA0002696690100000058
电锅炉爬坡率约束
Figure FDA0002696690100000059
其中
Figure FDA00026966901000000510
为电锅炉的出力上限；
Figure FDA00026966901000000511
为电锅炉的出力下限；
Figure FDA00026966901000000512
为向上的最大爬坡率；
Figure FDA00026966901000000513
为向下的最大爬坡率；
可再生能源出力约束
0≤Pt WT≤Pt WT,curve
Pt WT+Pt WT,loss＝Pt WT,curve
0≤Pt PV≤Pt PV,curve
Pt PV+Pt PV,loss＝Pt PV,curve
其中，Pt WT为t时段的风机电功率；Pt PV为t时段的光伏电功率；Pt WT,loss为t时段的弃风功率；Pt PV,loss为t时段的弃光功率；Pt WT,curve为t时段风机预测出力曲线；Pt PV,curve为t时段的光伏预测出力曲线。
CN202011008212.6A 2020-09-23 2020-09-23 一种基于改进量化热惯性的分布式能源系统经济调度方法 Pending CN112288222A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011008212.6A CN112288222A (zh) 2020-09-23 2020-09-23 一种基于改进量化热惯性的分布式能源系统经济调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011008212.6A CN112288222A (zh) 2020-09-23 2020-09-23 一种基于改进量化热惯性的分布式能源系统经济调度方法

Publications (1)

Publication Number Publication Date
CN112288222A true CN112288222A (zh) 2021-01-29

Family

ID=74421457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011008212.6A Pending CN112288222A (zh) 2020-09-23 2020-09-23 一种基于改进量化热惯性的分布式能源系统经济调度方法

Country Status (1)

Country Link
CN (1) CN112288222A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298396A (zh) * 2021-05-31 2021-08-24 东南大学 一种基于气热惯性的综合能源系统优化方法、系统和装置
CN115795842A (zh) * 2022-11-22 2023-03-14 国网江苏省电力有限公司营销服务中心 一种用于建筑集群热平衡的计算方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298396A (zh) * 2021-05-31 2021-08-24 东南大学 一种基于气热惯性的综合能源系统优化方法、系统和装置
CN115795842A (zh) * 2022-11-22 2023-03-14 国网江苏省电力有限公司营销服务中心 一种用于建筑集群热平衡的计算方法和系统
CN115795842B (zh) * 2022-11-22 2023-12-05 国网江苏省电力有限公司营销服务中心 一种用于建筑集群热平衡的计算方法和系统

Similar Documents

Publication Publication Date Title
CN106845701B (zh) 一种基于热网和房屋热惯性的综合能源系统优化方法
CN108154309B (zh) 计及冷热电多负荷动态响应的能源互联网经济调度方法
Deng et al. How to evaluate performance of net zero energy building–A literature research
CN110826815B (zh) 一种考虑综合需求响应的区域综合能源系统运行优化方法
CN112363395B (zh) 一种负荷密集型城市智慧园区工业用户负荷建模方法
Pu et al. Feasible electricity price calculation and environmental benefits analysis of the regional nighttime wind power utilization in electric heating in Beijing
CN106447529A (zh) 考虑热水管网的分布式能源系统建模和运行优化方法
CN104950720B (zh) 基于气象预报将需求响应和舒适度反馈结合的供能系统
CN108599137A (zh) 一种考虑区域热网暂态传热特性的多能流系统优化运行方法
CN111144707A (zh) 基于能源枢纽的多能源系统协同规划建模方法
CN109447323A (zh) 一种计及节点热价的综合能源系统两阶段容量配置方法
CN109543889A (zh) 一种区域综合能源系统日前协同优化运行方法
CN110797917A (zh) 一种电热联合系统的调度模型
Wang et al. A dynamic interactive optimization model of CCHP system involving demand-side and supply-side impacts of climate change. Part II: Application to a hospital in Shanghai, China
CN112288222A (zh) 一种基于改进量化热惯性的分布式能源系统经济调度方法
CN113642829A (zh) 考虑热电联产多供热模式的综合能源系统优化调度方法
CN117314031A (zh) 电热联合系统源荷两侧灵活性提升策略
CN115470564A (zh) 一种公共建筑能源系统协调控制方法及其控制组件
CN113627720B (zh) 基于电能替代的综合园区风光储系统配置方法
CN109638818A (zh) 一种储热式电采暖系统容量优化配置方法和装置
CN113885367A (zh) 一种楼宇能效管理控制系统及方法
Qi et al. Artificial intelligence control system of heat recovery in thermal power plant
CN114757469B (zh) 考虑多能流设备的区域综合能源系统日前优化调度方法
CN116739239A (zh) 一种含干热岩地热能的区域综合能源系统优化调度方法
CN115641209A (zh) 一种计及碳交易与需求响应的综合能源优化模型构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210129

RJ01 Rejection of invention patent application after publication