CN112308411B - 基于动态碳交易模型的综合能源站随机规划方法及系统 - Google Patents
基于动态碳交易模型的综合能源站随机规划方法及系统 Download PDFInfo
- Publication number
- CN112308411B CN112308411B CN202011189052.XA CN202011189052A CN112308411B CN 112308411 B CN112308411 B CN 112308411B CN 202011189052 A CN202011189052 A CN 202011189052A CN 112308411 B CN112308411 B CN 112308411B
- Authority
- CN
- China
- Prior art keywords
- annual
- chp
- unit
- constraint
- 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.)
- Active
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于动态碳交易模型的综合能源站随机规划方法及系统,包括分析碳交易收益价格序列的波动聚集特性,利用指数广义自回归条件异方差模型建立碳交易价格预测模型;建立考虑风/光/荷不确定性的综合能源站随机规划模型,建立风/光/荷不确定性随机分布模型,采用机会约束规划处理随机变量,并将随机机会约束规划模型转化为等价的确定性模型;输入供给侧能源类型与年能源需求、设备参数、典型日运行最大功率需求等数据,采用混合整数非线性规划求解器求解,输出规划结果进行分析。本发明可同时得出设备的容量配置方案和年运行时间,在满足园区供能安全的同时,最大限度延长设备使用寿命。
Description
技术领域
本发明涉及综合能源站技术领域,具体涉及一种基于动态碳交易模型的综合能源站随机规划方法及系统。
背景技术
风光等新能源发电机的输出功率具有不确定性,不可避免地会突然出现大幅度的功率波动,另一方面,风光作为清洁的可再生能源,在能源市场中已得到广泛应用。相对于传统电网中的风电并网与消纳,在具有更高灵活性的综合能源站中,如何合理规划使其更高效应对可再生能源的不确定性是其面临的重要挑战之一。另外,随着用户用能形式和途径逐渐多样化,在较长规划时间尺度下,需求侧负荷不确定性对系统规划的影响成为不可忽视的因素之一。综上,有必要进一步在综合能源站的规划中合理、有效考虑风/光/荷的不确定性,以期提升综合能源站规划的合理性和经济性。
近年来,随着中国碳交易市场的兴起,国内减排工作不断深入。然而在现有研究背景下,无论是综合能源站规划还是碳交易定价的研究,都未深入考虑两者之间的影响,特别是碳交易价格的确定方法和波动性对综合能源站规划的影响。碳交易市场中成交价格处于实时变动中,采用固定的碳交易模型参与规划建模易在较长时间尺度下因碳交易市场的波动导致规划方案达不到最优,造成较大经济、环境损失。因此,迫切需要一种可对碳交易价格波动性进行合理分析、预测的模型,并与综合能源站规划结合,提供更具科学性和工程实用性的规划方案。
发明内容
本发明提出的一种基于动态碳交易模型的综合能源站随机规划方法及系统,在碳交易预测模型的基础上考虑风/光/荷不确定性的影响,从而提出一种使设备选型、容量选择和设备年利用时间都更具科学性和工程实用性的综合能源站规划方法。
为实现上述目的,本发明采用了以下技术方案:
一种基于动态碳交易模型的综合能源站随机规划方法,包括以下步骤:
1)根据某时段内碳交易市场日收盘价格序列,采用收盘价格自然对数的一阶差分作为碳交易收益序列,根据收益序列波动率非对称性及杠杆效应,应用指数广义自回归条件异方差模型模拟碳交易收益的波动情况,并通过递推公式建立未来某一时段的碳交易预测模型;
2)根据能源站所在地区的能源供需情况,输入供给侧能源形式,待选设备参数,其中包括:变压器、风机、光伏、CHP机组、燃气锅炉、电制冷机、溴化锂制冷机、电锅炉、蓄电池和蓄热池,输入能源价格、电/冷/热年能量需求、电冷热日最大负荷数据;
3)依据步骤2)输入数据,建立考虑风/光/荷不确定性的综合能源站规划模型,其中包括:以年综合费用最低为目标函数,分别考虑电/冷/热年能量需求约束、系统供能安全约束、变压器容量约束、风机容量约束、光伏容量约束、CHP机组容量约束、燃气锅炉容量约束、电制冷机容量约束、溴化锂制冷机容量约束、电锅炉容量约束、蓄电池容量约束和蓄热池容量约束。
4)依据步骤3)所建立规划模型,分析风/光/荷不确定性,分别建立对应风/光/荷随机分布模型,采用机会约束规划处理模型约束条件和目标函数中存在的随机变量,并引入置信度将上述随机机会约束规划模型转化为等价的确定性模型;
5)依据步骤4)得到的考虑风/光/荷不确定性综合能源站规划模型,并基于步骤1)建立的碳交易预测模型和步骤2)输入的供给侧能源形式、待选设备类型及参数、电价信息、天然气价格和需求侧电/冷/热负荷数据,采用混合整数非线性规划求解器求解;
6)输出步骤5)求解结果,包括设备投建方案、投建设备容量、设备年运行时间和能源站年综合费用。
进一步的,步骤1)所述碳交易预测模型为:
(1)碳排放交易收益模型
rt=lnpCO2,t-lnpCO2,t-1 (1)
式中,rt为碳排放交易收益;PCO2,t为第t日的碳排放权交易受收盘价格。
(2)指数广义自回归条件异方差模型
式中,α0、α1为信息参数;β0、β0为序列的持续性参数;β2为序列的非对称性参数;ω为小于1的常数;εt为t日的扰动项,表示偶发因素的作用;为εt的条件方差;vt服从正态白噪声过程,均值为0,方差为1。
进一步的,步骤3)中所述目标函数包括:
式中,Ctotal、Cinv、Cop、Csal、CCO2分别为能源站年综合费用、年投资成本、年运行成本、残值、年碳交易成本;r为设备贴现率;Y为设备使用寿命。
Cinv=cinv,gbλgbxgbCgb+cinv,pvλpvxpvCpv+cinv,wtλwtxwtCwt+cinv,transλtransxtransCtrans+cinv,hpλhpxhpChp+cinv,acλacxacCac+cinv,chpλchpxchpCchp+cinv,arcλarcxarcCarc+cinv,tsλtsxtsCts+cinv,esλesxesCes (4)
式中,cinv,gb、cinv,pv、cinv,wt、cinv,trans、cinv,hp、cinv,ac、cinv,chp、cinv,arc、cinv,ts、cinv,es分别为燃气轮机、风机、光伏、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的单位投资成本;λgb、λpv、λwt、λtrans、λhp、λac、λchp、λarc、λts、λes分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池的状态变量;xgb、xpv、xwt、xtrans、xhp、xac、xchp、xarc、xts、xes分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池的最小规划单元数量;Cgb、Cpv、Cwt、Ctrans、Chp、Cac、Cchp、Carc、Cts、Ces分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池的最小规划单元容量。
式中,cop,gb、cop,pv、cop,wt、cop,trans、cop,hp、cop,ac、cop,chp、cop,arc、cop,ts、cop,es分别为燃气轮机、风机、光伏、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的单位维护成本;hgb、hpv、hwt、htrans、hhp、hac、hchp、harc、hts、hes分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池年利用小时数;celec、cgas分别为电价和气价;θg-e、θg-h分别为热电联产机组和燃气锅炉能量转换效率;ωpv、ωwt分别为光伏和风机的奖励系数。
Csal=σCinv (6)
式中,σ为设备的回收残值率。
式中,γgb、γtrans、γac、γchp、γhp、γarc、γts、γes分别为燃气轮机、变压器、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的碳排放系数;Kgb、Ktrans、Kac、Kchp、Khp、Karc、Kts、Kes分别为燃气轮机、变压器、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的初始碳排放额度;cCO2为碳交易价格。
进一步的,步骤3)中所述电/冷/热年能量需求约束包括:
(1)电负荷年能量需求约束
式中,λpv、λwt、λtrans、λchp、λes、λac、λhp分别为光伏、风机、变压器、热电联产机组、电储能、电制冷机、电锅炉的0-1状态变量,取0时为不投建,取1使为投建;Cpv、Cwt、Ctrans、Cchp、Ces、Cac、Chp分别为光伏、风机、变压器、热电联产机组、电储能、电制冷机、电锅炉的最小规划单元;xpv、xwt、xtrans、xchp、xes、xac、xhp分别为光伏、风机、变压器、热电联产机组、点储能、电制冷机、电锅炉的最小规划单元投建数量;hpv、hwt、htrans、hchp、hac、hhp分别为光伏、风机、变压器、热电联产机组、电制冷机、电锅炉的年利用小时数;hes,ch、hes,dis分别为蓄电池年充电小时数和年放电小时数;λ为负荷年需求量备用系数;Ee为电负荷年需求量;θh-c、θe-h为电制冷转换系数和电锅炉转换系数。
(2)冷负荷年能量需求约束
式中,λgb、λts、λare分别为燃气轮机、蓄热池、溴化锂制冷机的0-1状态变量;Cgb、Cts、Care分别为燃气轮机、蓄热池、溴化锂制冷机的最小规划单元;xgb、xts、xare分别为燃气轮机、蓄热池、溴化锂制冷机的最小规划单元投建数量;hgb、hare分别燃气轮机、溴化锂制冷机的年利用小时数;hts,ch、hts,dis分别为蓄电池年蓄热小时数和年放热小时数;Eh为热负荷年需求量;θh-e,chp、θh-c分别为热电联产机组热电比和溴化锂制冷机能量转换系数。
(3)热负荷年能量需求约束
λacxacCachac+λarexareCarehare≥(1+λ)Ec (10)式中,Ec为冷负荷年需求量。
步骤3)所述供能安全约束包括:
式中,Pmax,e、Pmax,h、Pmax,c分别为日电/热/冷最大负荷。
进一步的,步骤3)中所述设备容量约束包括:
(1)变压器容量约束
式中,xtrans,max、htrans,max分别为变压器最小规划单元投建数量上限和年利用小时数上限;
(2)CHP机组容量约束
式中,Pchp,gas为热电联产机组耗气功率;θg-e为热电联产机组能量转换效率;xchp,max、hchp,max分别为热电联产机组最小规划单元投建数量上限和年利用小时数上限。
(3)燃气锅炉容量约束
式中,Pgb,gas为燃气锅炉耗气功率;θg-h为燃气锅炉能量转换效率;xgb,max、hgb,max分别为燃气锅炉最小规划单元投建数量上限和年利用小时数上限;
(4)电锅炉容量约束
式中,Php,e为燃气锅炉耗电功率;xhp,max、hhp,max分别为电锅炉最小规划单元投建数量上限和年利用小时数上限;
(5)电制冷机容量约束
式中,Pac,e为燃气锅炉耗电功率;xac,max、hac,max分别为电制冷机最小规划单元投建数量和年利用小时数上限;
(6)风机容量约束
式中,xwt,max、hwt,max分别为风机机组最小规划单元投建数量和年利用小时数上限;
(7)光伏容量约束
式中,xpv,max、hpv,max分别为光伏机组最小规划单元投建数量和年利用小时数上限;
(8)溴化锂制冷机容量约束
式中,Pare,e为溴化锂制冷机耗热功率;xare,max、hare,max分别为溴化锂制冷机最小规划单元投建数量和年利用小时数上限;
(9)蓄电池容量约束
式中,xes,max、hes,max分别为蓄电池最小规划单元投建数量和年利用小时数上限;θes,ch、θes,dis分别为蓄电池充放电效率系数;
(10)蓄热池容量约束
式中,xhs,max、hhs,max分别为蓄热池最小规划单元投建数量和年利用小时数上限;θhs,ch、θhs,dis分别为蓄热池充放电效率系数;
进一步的,步骤4)所述风/光/荷随机分布模型为:
(1)风机年利用小时数
式中,Ewt为风电机组年发电量;c、k分别为威布尔分布的比例参数和形状参数;
(2)光伏年利用小时数
式中,Epv为风电机组年发电量;α、β为贝塔分布的参数;Γ()为伽玛函数;
(3)冷/热/电年需求量
式中,Eave,e、Eave,h、Eave,e分别为电/热/冷负荷年需求量期望值;σe、σh、σc分别为电/热/冷负荷年需求量标准差;
进一步的,步骤4)所述风/光/荷随机机会约束规划模型为:
另一方面,本发明还公开一种基于动态碳交易模型的综合能源站随机规划系统,包括以下单元:
碳交易预测模型构建单元,用于根据某时段内碳交易市场日收盘价格序列,采用收盘价格自然对数的一阶差分作为碳交易收益序列,根据收益序列波动率非对称性及杠杆效应,应用指数广义自回归条件异方差模型模拟碳交易收益的波动情况,并通过递推公式建立未来某一时段的碳交易预测模型;
供给侧能源形式输入单元,用于根据能源站所在地区的能源供需情况,输入供给侧能源形式,待选设备参数,其中包括:变压器、风机、光伏、CHP机组、燃气锅炉、电制冷机、溴化锂制冷机、电锅炉、蓄电池和蓄热池,输入能源价格、电/冷/热年能量需求、电冷热日最大负荷数据;
综合能源站规划模型建立单元,用于依据输入数据,建立考虑风/光/荷不确定性的综合能源站规划模型,其中包括:以年综合费用最低为目标函数,分别考虑电/冷/热年能量需求约束、系统供能安全约束、变压器容量约束、风机容量约束、光伏容量约束、CHP机组容量约束、燃气锅炉容量约束、电制冷机容量约束、溴化锂制冷机容量约束、电锅炉容量约束、蓄电池容量约束和蓄热池容量约束;
对应风/光/荷随机分布模型建立单元,用于依据步所建立规划模型,分析风/光/荷不确定性,分别建立对应风/光/荷随机分布模型,采用机会约束规划处理模型约束条件和目标函数中存在的随机变量,并引入置信度将上述随机机会约束规划模型转化为等价的确定性模型;
求解单元,用于依据得到的考虑风/光/荷不确定性综合能源站规划模型,并基于建立的碳交易预测模型和输入的供给侧能源形式、待选设备类型及参数、电价信息、天然气价格和需求侧电/冷/热负荷数据,采用混合整数非线性规划求解器求解;
结果输出单元,用于输出求解结果,包括设备投建方案、投建设备容量、设备年利用小时数和能源站年综合费用。
由上述技术方案可知,本发明的基于动态碳交易模型的综合能源站随机规划方法及系统,通过分析碳交易收益价格序列的波动聚集特性,利用指数广义自回归条件异方差模型建立碳交易价格预测模型;建立考虑风/光/荷不确定性的综合能源站随机规划模型,包括:以能源站年综合成本最低为目标,考虑电/冷/热能量约束、供能安全约束、风电机组容量约束、光伏机组容量约束、CHP机组容量约束、燃气锅炉容量约束、电锅炉容量约束、电制冷机容量约束、溴化锂制冷机容量约束、储蓄设备容量约束;建立风/光/荷不确定性随机分布模型,采用机会约束规划处理随机变量,并将随机机会约束规划模型转化为等价的确定性模型;输入供给侧能源类型与年能源需求、设备参数、典型日运行最大功率需求等数据,采用混合整数非线性规划求解器求解,输出规划结果进行分析。
与已有技术相比,本发明有益效果体现如下:
1.本发明在碳交易收盘价格序列的基础上建立起碳交易的收益模型,基于碳交易收益波动率的非对称性及杠杆效应,利用指数广义自回归条件异方差模型建立碳排放价格预测模型,并提出综合能源站碳排放量及对应碳交易成本的计算方法。此碳交易预测模型与综合能源站规划结合,一定程度上消除了采用固定碳交易模型的弊端,在较长时间尺度下能为综合能源站提供更具科学性和工程实用性的规划决策方案。
2.本发明在充分考虑风/光/荷随机波动性对综合能源站规划的影响下,将风机、光伏等设备的年运行时间及冷/热/电年需求量作为随机变量参与规划建模,可同时得出设备的容量配置方案和年运行时间,在满足园区供能安全的同时,最大限度延长设备使用寿命。
附图说明
图1是本发明在动态碳交易模型下考虑风/光/荷不确定性的综合能源站随机规划流程图;
图2是碳交易预测模型流程图;
图3是2019年碳交易成交价格曲线图;
图4是综合能源站结构图。
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,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。
如图1所示,本发明的在动态碳交易模型下考虑风/光/荷不确定的综合能源站随机规划方法包括如下步骤:
1)根据某时段内碳交易市场日收盘价格序列(如图3所示),采用收盘价格自然对数的一阶差分作为碳交易收益序列,根据收益序列波动率的非对称性及杠杆效应,应用指数广义自回归条件异方差模型模拟碳交易收益的波动情况,并通过递推公式建立未来某一时段的碳交易预测模型(流程图如图2所示);其中:
(1)碳交易收益模型rt可表示为:
rt=lnpCO2,t-lnpCO2,t-1 (1)
式中,rt为碳排放交易收益;PCO2,t为第t日的碳排放权交易受收盘价格。
(2)指数广义自回归条件异方差预测模型可表示为:
式中,α0、α1为信息参数;β0、β0为序列的持续性参数;β2为序列的非对称性参数;ω为小于1的常数;εt为t日的扰动项,描述独立同分布的白噪声过程,表示偶发因素的作用;为εt的条件方差;vt服从正态白噪声过程,均值为0,方差为1。
2)根据能源站结构图(图4)及所在地区的能源供需情况,输入供给侧能源形式,待选设备参数,其中包括:变压器、风机、光伏、CHP机组、燃气锅炉、电制冷机、溴化锂制冷机、电锅炉、蓄电池和蓄热池,输入能源价格、电/冷/热年能量需求、电冷热日最大负荷;
3)依据步骤2)输入数据,建立考虑风/光/荷不确定性的综合能源站规划模型,其中包括:以年综合费用最低为目标函数,分别考虑电/冷/热年能量需求约束、系统供能安全约束、变压器容量约束、风机容量约束、光伏容量约束、CHP机组容量约束、燃气锅炉容量约束、电制冷机容量约束、溴化锂制冷机容量约束、电锅炉容量约束、蓄电池容量约束和蓄热池容量约束;其中:
(1)所述以年综合费用最低为目标函数Ctotal可表示为:
式中,Ctotal、Cinv、Cop、Csal、CCO2分别为能源站年综合费用、年投资成本、年运行成本、残值、年碳交易成本;r为设备贴现率;Y为设备使用寿命。
Cinv=cinv,gbλgbxgbCgb+cinv,pvλpvxpvCpv+cinv,wtλwtxwtCwt+cinv,transλtransxtransCtrans+cinv,hpλhpxhpChp+cinv,acλacxacCac+cinv,chpλchpxchpCchp+cinv,arcλarcxarcCarc+cinv,tsλtsxtsCts+cinv,esλesxesCes (4)
式中,cinv,gb、cinv,pv、cinv,wt、cinv,trans、cinv,hp、cinv,ac、cinv,chp、cinv,arc、cinv,ts、cinv,es分别为燃气轮机、风机、光伏、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的单位投资成本;λgb、λpv、λwt、λtrans、λhp、λac、λchp、λarc、λts、λes分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池的状态变量;xgb、xpv、xwt、xtrans、xhp、xac、xchp、xarc、xts、xes分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池的最小规划单元数量;Cgb、Cpv、Cwt、Ctrans、Chp、Cac、Cchp、Carc、Cts、Ces分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池的最小规划单元容量。
Cop=cop,gbλgbxgbCgbhgb+cop,pvλpvxpvCpvhpv+cop,wtλwtxwtCwthwt+cop,hpλhpxhpChphhpcop,transλtransxtransCtranshtrans+cop,acλacxacCachac+cop,chpλchpxchpCchphchp+cop,arcλarcxarcCarcharc+cop,tsλtsxtsCtshts+cop,esλesxesCeshes+celecλtransxtransCtranshtrans+cgas(λchpxchpCchphchp/θg-e+λgbxgbCgbhgb/θg-h)-(ωpvλpvxpvCpvhpv+ωwtλwtxwtCwthwt) (5)
式中,cop,gb、cop,pv、cop,wt、cop,trans、cop,hp、cop,ac、cop,chp、cop,arc、cop,ts、cop,es分别为燃气轮机、风机、光伏、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的单位维护成本;hgb、hpv、hwt、htrans、hhp、hac、hchp、harc、hts、hes分别为燃气轮机、光伏、风机、变压器、热电联产机组、电锅炉、电制冷机、溴化锂制冷机、蓄热池、蓄电池年利用小时数;celec、cgas分别为电价和气价;θg-e、θg-h分别为热电联产机组和燃气锅炉能量转换效率;ωpv、ωwt分别为光伏和风机的奖励系数。
Csal=σCinv (6)
式中,σ为设备的回收残值率。
式中,γgb、γtrans、γac、γchp、γhp、γarc、γts、γes分别为燃气轮机、变压器、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的碳排放系数;Kgb、Ktrans、Kac、Kchp、Khp、Karc、Kts、Kes分别为燃气轮机、变压器、电制冷机、热电联供机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的初始碳排放额度;cCO2为碳交易价格。
(2)所述电/冷/热年能量需求约束包括:
(2.1)电负荷年能量需求约束
λpvxpvCpvhpv+λwtxwtCwthwt+λtransxtransCtranshtrans+λchpxchpCchphchp+λesxesCeshes,dis-λacxacCachac/θh-c-λhpxhpChphhp/θe-h-λesxesCeshes,ch≥(1+λ)Ee (8)
式中,λpv、λwt、λtrans、λchp、λes、λac、λhp分别为光伏、风机、变压器、热电联产机组、电储能、电制冷机、电锅炉的0-1状态变量,取0时为不投建,取1使为投建;Cpv、Cwt、Ctrans、Cchp、Ces、Cac、Chp分别为光伏、风机、变压器、热电联产机组、电储能、电制冷机、电锅炉的最小规划单元;xpv、xwt、xtrans、xchp、xes、xac、xhp分别为光伏、风机、变压器、热电联产机组、点储能、电制冷机、电锅炉的最小规划单元投建数量;hpv、hwt、htrans、hchp、hac、hhp分别为光伏、风机、变压器、热电联产机组、电制冷机、电锅炉的年利用小时数;hes,ch、hes,dis分别为蓄电池年充电小时数和年放电小时数;λ为负荷年需求量备用系数;Ee为电负荷年需求量;θh-c、θe-h为电制冷转换系数和电锅炉转换系数。
(2.2)冷负荷年能量需求约束
式中,λgb、λts、λare分别为燃气轮机、蓄热池、溴化锂制冷机的0-1状态变量;Cgb、Cts、Care分别为燃气轮机、蓄热池、溴化锂制冷机的最小规划单元;xgb、xts、xare分别为燃气轮机、蓄热池、溴化锂制冷机的最小规划单元投建数量;hgb、hare分别燃气轮机、溴化锂制冷机的年利用小时数;hts,ch、hts,dis分别为蓄电池年蓄热小时数和年放热小时数;Eh为热负荷年需求量;θh-e,chp、θh-c分别为热电联产机组热电比和溴化锂制冷机能量转换系数。
(2.3)热负荷年能量需求约束
λacxacCachac+λarexareCarehare≥(1+λ)Ec (10)
式中,Ec为冷负荷年需求量。
步骤3)所述供能安全约束包括:
式中,Pmax,e、Pmax,h、Pmax,c分别为日电/热/冷最大负荷。
(4)所述设备容量约束包括:
(4.1)变压器容量约束
式中,xtrans,max、htrans,max分别为变压器最小规划单元投建数量上限和年利用小时数上限。
(4.2)CHP机组容量约束
式中,Pchp,gas为热电联产机组耗气功率;θg-e为热电联产机组能量转换效率;xchp,max、hchp,max分别为热电联产机组最小规划单元投建数量上限和年利用小时数上限。
(4.3)燃气锅炉容量约束
式中,Pgb,gas为燃气锅炉耗气功率;θg-h为燃气锅炉能量转换效率;xgb,max、hgb,max分别为燃气锅炉最小规划单元投建数量上限和年利用小时数上限。
(4.4)电锅炉容量约束
式中,Php,e为燃气锅炉耗电功率;xhp,max、hhp,max分别为电锅炉最小规划单元投建数量上限和年利用小时数上限。
(4.5)电制冷机容量约束
式中,Pac,e为燃气锅炉耗电功率;xac,max、hac,max分别为电制冷机最小规划单元投建数量和年利用小时数上限。
(4.6)风机容量约束
式中,xwt,max、hwt,max分别为风机机组最小规划单元投建数量和年利用小时数上限。
(4.7)光伏容量约束
式中,xpv,max、hpv,max分别为光伏机组最小规划单元投建数量和年利用小时数上限。
(4.8)溴化锂制冷机容量约束
式中,Pare,e为溴化锂制冷机耗热功率;xare,max、hare,max分别为溴化锂制冷机最小规划单元投建数量和年利用小时数上限。
(4.9)蓄电池容量约束
式中,xes,max、hes,max分别为蓄电池最小规划单元投建数量和年利用小时数上限;θes,ch、θes,dis分别为蓄电池充放电效率系数。
(4.10)蓄热池容量约束
式中,xhs,max、hhs,max分别为蓄热池最小规划单元投建数量和年利用小时数上限;θhs,ch、θhs,dis分别为蓄热池充放电效率系数。
4)依据步骤3)所建立规划模型,分析风/光/荷不确定性,分别建立对应的风/光/荷随机分布模型,采用机会约束规划处理模型约束条件和目标函数中存在的随机变量,并引入置信度将上述随机机会约束规划模型转化为等价的确定性模型;其中:
(1)风/光/荷不确定性随机分布建模包括:
(1.1)风机年利用小时数
式中,Ewt为风电机组年发电量;c、k分别为威布尔分布的比例参数和形状参数。
(1.2)光伏年利用小时数
式中,Epv为风电机组年发电量;α、β为贝塔分布的参数;Γ()为伽玛函数。
(1.3)冷/热/电年需求量
式中,Eave,e、Eave,h、Eave,e分别为电/热/冷负荷年需求量期望值;σe、σh、σc分别为电/热/冷负荷年需求量标准差。
(2)综合能源站配置优化机会约束模型包括:
5)依据步骤4)得到的考虑风/光/荷不确定性综合能源站规划模型,并基于步骤1)建立的碳交易预测模型和步骤2)输入的供给侧能源形式、待选设备类型及参数、电价信息、天然气价格、电/冷/热年能量需求和电/冷/热日最大负荷,采用混合整数非线性规划求解器求解;
6)输出步骤5)求解结果,包括设备投建方案、投建设备容量、设备年运行时间和能源站年综合费用。
对于本实施例,首先输入最近某一时段碳交易市场收盘价格序列,计算其碳交易收益曲线,通过指数广义自回归条件异方差预测模型得出未来某一时段的碳交易成交价格曲线;然后,根据规划园区综合能源站结构图及能源需求,输入涉及的能源类型和转换关系、待选设备及参数,包括变压器、风机、光伏、CHP机组、燃气锅炉、电制冷机、溴化锂制冷机、电锅炉、蓄电池和蓄热池作为候选设备,输入能源价格、需求侧电/冷/热年能量需求及日最大运行负荷数据;接着选取某待规划综合能源站为研究对象,考虑风/光/荷不确定性,建立园区综合能源站设备选型、容量配置及年利用小时数随机规划模型。输入场景数据与设备数据,在MATLAB2018b平台通过yalmip调用BMIBNB,进行混合整数非线性规划运算,得到园区综合能源站中不同设备选型、容量配置和年利用小时数,以及相应的年综合成本和电、气消耗量。采取本发明提出的动态碳交易模型下考虑风/光/荷不确定性的综合能源站随机规划方法,可在两种情况下进行对比分析。
情况一:设定规划模型置信度为1,选取4种场景进行对比分析。
(1)设备全部可选,不考虑碳交易机制;
(2)设备全部可选,设定碳交易价格为定值;
(3)设备全部可选,采用阶梯型碳交易模型;
(4)设备全部可选,采用动态预测碳交易模型,在模型中取300个预测值参与计算。
情况二:置信度水平依次取0.8、0.85、0.9、0.95、1,分析对比置信水平的变化对设备选型、容量配置和设备年利用小时数的影响。
执行优化计算的计算机硬件环境为Intel(R)Core(TM)i5-8400 CPU@GHz2.81GHz,主频为2.81GHz,内存为8GB;软件环境为Window 10操作系统。
情况一基于动态碳交易模型的设备容量配置方案如表1所示,不同场景下园区综合能源站各项费用对比如表2所示;情况二下不同置信度水平下各设备容量配置和年利用小时数如表3、表4所示。由表1、表2可以看出,基于动态碳交易模型的规划方案可以直观地选出最优设备容量,相较于其他碳交易模型,能源站的投资、运行和碳交易成本都显著减少;由表3、表4可以看出,随着置信度水平的提升,能源站内设备的容量和年运行时间也在逐步增加,反映了系统受不确定因素的影响越小。本发明的方法可以对不同碳交易模型下有效考虑风/光/荷波动性的园区综合能源站进行规划,对于园区综合能源站的建设具有重要意义。
表1基于动态碳交易模型的设备容量配置方案
表2不同场景下成本对比
表3不同置信度水平下设备容量配置
表4不同置信度水平下设备年利用小时数
另一方面,本发明实施例还公开一种基于动态碳交易模型的综合能源站随机规划系统,包括以下单元:
碳交易预测模型构建单元,用于根据某时段内碳交易市场日收盘价格序列,采用收盘价格自然对数的一阶差分作为碳交易收益序列,根据收益序列波动率非对称性及杠杆效应,应用指数广义自回归条件异方差模型模拟碳交易收益的波动情况,并通过递推公式建立未来某一时段的碳交易预测模型;
供给侧能源形式输入单元,用于根据能源站所在地区的能源供需情况,输入供给侧能源形式,待选设备参数,其中包括:变压器、风机、光伏、CHP机组、燃气锅炉、电制冷机、溴化锂制冷机、电锅炉、蓄电池和蓄热池,输入能源价格、电/冷/热年能量需求、电冷热日最大负荷数据;
综合能源站规划模型建立单元,用于依据输入数据,建立考虑风/光/荷不确定性的综合能源站规划模型,其中包括:以年综合费用最低为目标函数,分别考虑电/冷/热年能量需求约束、系统供能安全约束、变压器容量约束、风机容量约束、光伏容量约束、CHP机组容量约束、燃气锅炉容量约束、电制冷机容量约束、溴化锂制冷机容量约束、电锅炉容量约束、蓄电池容量约束和蓄热池容量约束;
对应风/光/荷随机分布模型建立单元,用于依据步所建立规划模型,分析风/光/荷不确定性,分别建立对应风/光/荷随机分布模型,采用机会约束规划处理模型约束条件和目标函数中存在的随机变量,并引入置信度将上述随机机会约束规划模型转化为等价的确定性模型;
求解单元,用于依据得到的考虑风/光/荷不确定性综合能源站规划模型,并基于建立的碳交易预测模型和输入的供给侧能源形式、待选设备类型及参数、电价信息、天然气价格和需求侧电/冷/热负荷数据,采用混合整数非线性规划求解器求解;
结果输出单元,用于输出求解结果,包括设备投建方案、投建设备容量、设备年利用小时数和能源站年综合费用。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (2)
1.一种基于动态碳交易模型的综合能源站随机规划方法,其特征在于:
包括以下步骤:
1)根据某时段内碳交易市场日收盘价格序列,采用收盘价格自然对数的一阶差分作为碳交易收益序列,根据收益序列波动率非对称性及杠杆效应,应用指数广义自回归条件异方差模型模拟碳交易收益的波动情况,并通过递推公式建立未来某一时段的碳交易预测模型;
2)根据能源站所在地区的能源供需情况,输入供给侧能源形式,待选设备参数,其中包括:变压器、风机、光伏、CHP机组、燃气锅炉、电制冷机、溴化锂制冷机、电锅炉、蓄电池和蓄热池,输入能源价格、电/冷/热年能量需求、电/冷/热日最大负荷数据;
3)依据步骤2)输入数据,建立考虑风/光/荷不确定性的综合能源站规划模型,其中包括:以年综合费用最低为目标函数,分别考虑电/冷/热年能量需求约束、系统供能安全约束、变压器容量约束、风机容量约束、光伏容量约束、CHP机组容量约束、燃气锅炉容量约束、电制冷机容量约束、溴化锂制冷机容量约束、电锅炉容量约束、蓄电池容量约束和蓄热池容量约束;
4)依据步骤3)所建立规划模型,分析风/光/荷不确定性,分别建立对应风/光/荷随机分布模型,采用机会约束规划处理模型约束条件和目标函数中存在的随机变量构建随机机会约束规划模型,并引入置信度将随机机会约束规划模型转化为等价的确定性规划模型;
5)依据步骤4)得到的考虑风/光/荷不确定性综合能源站规划模型,并基于步骤1)建立的碳交易预测模型和步骤2)输入的供给侧能源形式、待选设备类型及参数、电价信息、天然气价格和需求侧电/冷/热负荷数据,采用混合整数非线性规划求解器求解;
6)输出步骤5)求解结果,包括设备投建方案、投建设备容量、设备年利用小时数和能源站年综合费用;
其中,步骤1)中建立碳交易预测模型的步骤包括:
(1)碳排放交易收益模型
rt=lnpCO2,t-lnpCO2,t-1 (1)
式中,rt为t日碳排放交易收益;PCO2,t为第t日的碳排放权交易受收盘价格;
(2)指数广义自回归条件异方差模型
式中,α0、α1为新息参数;β0、β1为序列的持续性参数;β2为序列的非对称性参数;ω为小于1的常数;εt为t期的扰动项,表示偶发因素的作用;为εt的条件方差;vt服从正太白噪声过程,均值为0,方差为1;
步骤3)目标函数为:
式中,cinv,gb、cinv,pv、cinv,wt、cinv,trans、cinv,hp、cinv,ac、cinv,chp、cinv,arc、cinv,ts、cinv,es分别为燃气锅炉、光伏、风机、变压器、电锅炉、电制冷机、CHP机组、溴化锂制冷机、蓄热池、蓄电池的单位投资成本;λgb、λpv、λwt、λtrans、λhp、λac、λchp、λarc、λts、λes分别为燃气锅炉、光伏、风机、变压器、电锅炉、电制冷机、CHP机组、溴化锂制冷机、蓄热池、蓄电池的状态变量;xgb、xpv、xwt、xtrans、xhp、xac、xchp、xarc、xts、xes分别为燃气锅炉、光伏、风机、变压器、电锅炉、电制冷机、CHP机组、溴化锂制冷机、蓄热池、蓄电池的最小规划单元数量;Cgb、Cpv、Cwt、Ctrans、Chp、Cac、Cchp、Carc、Cts、Ces分别为燃气锅炉、光伏、风机、变压器、电锅炉、电制冷机、CHP机组、溴化锂制冷机、蓄热池、蓄电池的最小规划单元容量;
式中,cop,gb、cop,pv、cop,wt、cop,trans、cop,hp、cop,ac、cop,chp、cop,arc、cop,ts、cop,es分别为燃气锅炉、光伏、风机、变压器、电锅炉、电制冷机、CHP机组、溴化锂制冷机、蓄热池、蓄电池的单位维护成本;hgb、hpv、hwt、htrans、hhp、hac、hchp、harc、hts、hes分别为燃气锅炉、光伏、风机、变压器、电锅炉、电制冷机、CHP机组、溴化锂制冷机、蓄热池、蓄电池年利用小时数;celec、cgas分别为电价和气价;θg-e,chp为CHP机组的气转电效率;θg-h,gb燃气锅炉能量转换效率;ωpv、ωwt分别为光伏和风机的奖励系数;
Csal=σCinv (6)
式中,σ为设备的回收残值率;
式中,γgb、γtrans、γac、γchp、γhp、γarc、γts、γes分别为燃气锅炉、变压器、电制冷机、CHP机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的碳排放系数;Kgb、Ktrans、Kac、Kchp、Khp、Karc、Kts、Kes分别为燃气锅炉、变压器、电制冷机、CHP机组、电锅炉、溴化锂制冷机、蓄热池、蓄电池的初始碳排放额度;为碳交易价格;
步骤3)所述电/冷/热年能量需求约束与系统供能安全约束为:
(1)电负荷年能量需求约束
式中,λpv、λwt、λtrans、λchp、λes、λac、λhp分别为光伏、风机、变压器、CHP机组、蓄电池、电制冷机、电锅炉的0-1状态变量,取0时为不投建,取1使为投建;hes,ch、hes,dis分别为蓄电池年充电小时数和年放电小时数;λ为负荷年需求量备用系数;Ee为电负荷年需求量;θe-c,ac为电制冷机的电转冷效率;θe-h,hp电锅炉的电制热转换系数;
(2)热负荷年能量需求约束
式中,hts,ch、hts,dis分别为蓄电池年蓄热小时数和年放热小时数;Eh为热负荷年需求量;θh-e,chp、θh-c,arc分别为CHP机组热转电效率和溴化锂制冷机热制冷转换系数;
(3)冷负荷年能量需求约束
λacxacCachac+λarcxarcCarcharc≥(1+λ)Ec (10)
式中,Ec为冷负荷年需求量;
(4)系统供能安全约束
式中,Pmax,e、Pmax,h、Pmax,c分别为电/热/冷日最大负荷;
步骤3)设备容量约束为:
(1)变压器容量约束
式中,xtrans,max、htrans,max分别为变压器最小规划单元投建数量上限和年利用小时数上限;
(2)CHP机组容量约束
式中,Pchp,gas为CHP机组耗气功率;Pchp,h为CHP机组制热功率;θg-e,chp为CHP机组气转电效率;xchp,max、hchp,max分别为CHP机组最小规划单元投建数量上限和年利用小时数上限;
(3)燃气锅炉容量约束
式中,Pgb,gas为燃气锅炉耗气功率;θg-h,gb为燃气锅炉气转热转换效率;xgb,max、hgb,max分别为燃气锅炉最小规划单元投建数量上限和年利用小时数上限;
(4)电锅炉容量约束
式中,Php,e为电锅炉耗电功率;xhp,max、hhp,max分别为电锅炉最小规划单元投建数量上限和年利用小时数上限;
(5)电制冷机容量约束
式中,Pac,e为电制冷机耗电功率;xac,max、hac,max分别为电制冷机最小规划单元投建数量和年利用小时数上限;
(6)风机容量约束
式中,xwt,max、hwt,max分别为风机机组最小规划单元投建数量和年利用小时数上限;
(7)光伏容量约束
式中,xpv,max、hpv,max分别为光伏机组最小规划单元投建数量和年利用小时数上限;
(8)溴化锂制冷机容量约束
式中,Parc,h为溴化锂制冷机耗热功率;xarc,max、harc,max分别为溴化锂制冷机最小规划单元投建数量和年利用小时数上限;
(9)蓄电池容量约束
式中,xes,max、hes,max分别为蓄电池最小规划单元投建数量和年利用小时数上限;θes,ch、θes,dis分别为蓄电池充放电效率系数;
(10)蓄热池容量约束
式中,xts,max、hts,max分别为蓄热池最小规划单元投建数量和年利用小时数上限;
θts,ch、θts,dis分别为蓄热池充放电效率系数;
步骤4)所述风/光/荷随机分布模型:
(1)风机年利用小时数
式中,Ewt为风电机组年发电量;c、k分别为威布尔分布的比例参数和形状参数;
(2)光伏年利用小时数
式中,Epv为光伏机组年发电量;α、β为贝塔分布的参数;Γ()为伽玛函数;
(3)电/冷/热负荷年用能需求量
式中,Eave,e、Eave,h、Eave,c分别为电/热/冷负荷年需求量期望值;σe、σh、σc分别为电/热/冷负荷年需求量标准差;
步骤4)所述风/光/荷随机机会约束规划模型为:
2.一种基于动态碳交易模型的综合能源站随机规划系统,用于实现权利要求1所述的一种基于动态碳交易模型的综合能源站随机规划方法,其特征在于:
包括以下单元:
碳交易预测模型构建单元,用于根据某时段内碳交易市场日收盘价格序列,采用收盘价格自然对数的一阶差分作为碳交易收益序列,根据收益序列波动率非对称性及杠杆效应,应用指数广义自回归条件异方差模型模拟碳交易收益的波动情况,并通过递推公式建立未来某一时段的碳交易预测模型;
供给侧能源形式输入单元,用于根据能源站所在地区的能源供需情况,输入供给侧能源形式,待选设备参数,其中包括:变压器、风机、光伏、CHP机组、燃气锅炉、电制冷机、溴化锂制冷机、电锅炉、蓄电池和蓄热池,输入能源价格、电/冷/热年能量需求、电/冷/热日最大负荷数据;
综合能源站规划模型建立单元,用于依据输入数据,建立考虑风/光/荷不确定性的综合能源站规划模型,其中包括:以年综合费用最低为目标函数,分别考虑电/冷/热年能量需求约束、系统供能安全约束、变压器容量约束、风机容量约束、光伏容量约束、CHP机组容量约束、燃气锅炉容量约束、电制冷机容量约束、溴化锂制冷机容量约束、电锅炉容量约束、蓄电池容量约束和蓄热池容量约束;
对应风/光/荷随机分布模型建立单元,用于依据综合能源站规划模型建立单元建立的规划模型,分析风/光/荷不确定性,分别建立对应风/光/荷随机分布模型,采用机会约束规划处理模型约束条件和目标函数中存在的随机变量从而构建随机机会约束规划模型,并引入置信度将随机机会约束规划模型转化为等价的确定性规划模型;
求解单元,用于依据得到的考虑风/光/荷不确定性综合能源站规划模型,并基于建立的碳交易预测模型和输入的供给侧能源形式、待选设备类型及参数、电价信息、天然气价格和需求侧电/冷/热负荷数据,采用混合整数非线性规划求解器求解;
结果输出单元,用于输出求解结果,包括设备投建方案、投建设备容量、设备年利用小时数和能源站年综合费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189052.XA CN112308411B (zh) | 2020-10-30 | 2020-10-30 | 基于动态碳交易模型的综合能源站随机规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189052.XA CN112308411B (zh) | 2020-10-30 | 2020-10-30 | 基于动态碳交易模型的综合能源站随机规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308411A CN112308411A (zh) | 2021-02-02 |
CN112308411B true CN112308411B (zh) | 2022-11-15 |
Family
ID=74332604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011189052.XA Active CN112308411B (zh) | 2020-10-30 | 2020-10-30 | 基于动态碳交易模型的综合能源站随机规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308411B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966873B (zh) * | 2021-03-18 | 2023-01-24 | 南方电网科学研究院有限责任公司 | 工业园区综合能源系统优化运行方法、装置、存储介质 |
CN114219170B (zh) * | 2021-12-23 | 2024-07-02 | 国网江苏省电力有限公司经济技术研究院 | 一种考虑可再生能源不确定性的电力系统电源规划方法 |
CN114676967B (zh) * | 2022-02-22 | 2023-10-24 | 四川大学 | 一种考虑碳交易的多能源系统分布式优化调度方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194543A (zh) * | 2017-04-28 | 2017-09-22 | 国网上海市电力公司 | 一种区域能源规划设计阶段的能源站配置方法 |
CN110571789B (zh) * | 2018-06-06 | 2020-10-20 | 南京工程学院 | 数据驱动下基于风电不确定性的电热气网三阶段调度方法 |
CN109524957B (zh) * | 2018-11-07 | 2020-09-01 | 国网浙江省电力有限公司经济技术研究院 | 考虑碳交易机制和柔性负荷的综合能源系统优化调度方法 |
CN109783909A (zh) * | 2018-12-29 | 2019-05-21 | 天津大学 | 考虑多种储能设备的综合能源站设备选型与容量规划方法 |
CN109740955A (zh) * | 2019-01-10 | 2019-05-10 | 燕山大学 | 一种计及改进阶梯式碳交易的电-气综合能源系统规划方法 |
CN109784564A (zh) * | 2019-01-22 | 2019-05-21 | 天津大学 | 考虑可再生能源接入的园区综合能源系统能源站规划方法 |
CN110619425B (zh) * | 2019-08-06 | 2022-03-04 | 国网山东省电力公司经济技术研究院 | 一种考虑源网荷储差异特性的多功能区综合能源系统协同规划方法 |
-
2020
- 2020-10-30 CN CN202011189052.XA patent/CN112308411B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112308411A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Demand response comprehensive incentive mechanism-based multi-time scale optimization scheduling for park integrated energy system | |
Yan et al. | Two-stage adjustable robust optimal dispatching model for multi-energy virtual power plant considering multiple uncertainties and carbon trading | |
Alipour et al. | Stochastic scheduling of renewable and CHP-based microgrids | |
Ju et al. | A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion | |
CN112308411B (zh) | 基于动态碳交易模型的综合能源站随机规划方法及系统 | |
CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
Li et al. | Model-based multi-objective predictive scheduling and real-time optimal control of energy systems in zero/low energy buildings using a game theory approach | |
CN111245024B (zh) | 基于模型预测控制的综合能源系统鲁棒优化运行方法 | |
Tan et al. | Feasibility study on the construction of multi-energy complementary systems in rural areas—Eastern, central, and western parts of China are taken as examples | |
Daneshvar et al. | A transactive energy management framework for regional network of microgrids | |
CN111210079A (zh) | 一种分布式能源虚拟电厂运行优化方法及系统 | |
CN113592133A (zh) | 一种能量枢纽优化配置方法及系统 | |
CN111126675A (zh) | 多能互补微网系统优化方法 | |
Zhang et al. | Multi‐objective economic dispatch of power system with wind farm considering flexible load response | |
Ersoz et al. | A stochastic evaluation of investments in combined cooling, heat, and power systems | |
CN112131712A (zh) | 客户侧多能源系统多目标优化方法和系统 | |
Yu et al. | A hybrid fuzzy-stochastic technique for planning peak electricity management under multiple uncertainties | |
Ren et al. | Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers | |
Hou et al. | An integrated energy system “green-carbon” offset mechanism and optimization method with Stackelberg game | |
CN115758763A (zh) | 一种计及源荷不确定性的多能流系统优化配置方法及系统 | |
Ren et al. | A novel demand response-based distributed multi-energy system optimal operation framework for data centers | |
CN114139830A (zh) | 一种智慧能源站的优化调度方法、装置及电子设备 | |
Zhao et al. | Model building of urban energy system and effect analysis of green low‐carbon transition under the background of carbon peaking and carbon neutrality | |
Wang et al. | Wind‐Thermal‐Energy Storage System Optimization: Evidence from Simulations of the Economical Consumption of Wind Energy | |
CN112116122A (zh) | 一种提升电网灵活性的楼宇热电联产系统运行优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |