CN112396238A - 一种热电联合系统实时优化调度方法 - Google Patents
一种热电联合系统实时优化调度方法 Download PDFInfo
- Publication number
- CN112396238A CN112396238A CN202011332554.3A CN202011332554A CN112396238A CN 112396238 A CN112396238 A CN 112396238A CN 202011332554 A CN202011332554 A CN 202011332554A CN 112396238 A CN112396238 A CN 112396238A
- Authority
- CN
- China
- Prior art keywords
- time
- heat
- power
- state
- power system
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000005338 heat storage Methods 0.000 claims description 110
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- WWJZWCUNLNYYAU-UHFFFAOYSA-N temephos Chemical compound C1=CC(OP(=S)(OC)OC)=CC=C1SC1=CC=C(OP(=S)(OC)OC)C=C1 WWJZWCUNLNYYAU-UHFFFAOYSA-N 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 5
- 238000004220 aggregation Methods 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
Description
技术领域
本发明属于电气工程领域,更具体地,涉及一种热电联合系统实时优化调度方法。
背景技术
随着煤炭、石油等化石能源的日益减少,风能、光能等可再生能源大力发展。为提高能源利用率,综合能源网受到越来越多的关注。热电联合系统作为综合能源网的一种,近些年来得到了快速的发展。但是随着热电联合系统的不断发展,由于电力系统和热力系统是两种物理性质不同的能源网络,如何发挥热电联合系统中热电协同的作用是我们的关注点,并且在热电联合系统的实时运行时,由于风电、电价、电负荷和热负荷等具有随机性,如何在随机环境下得到最优热电联合系统的最优运行策略,保证热电联合系统的经济性和安全性,是亟需解决的难题。故研究一种热电联合系统实时优化调度方法具有显著的意义。
现有的热电联合系统实时优化调度方法大多采用短视策略和模型预测控制方法求解。短视策略根据热电联合系统当前时刻到来的随机性因素的精确值逐时刻求解,其不能考虑未来时刻随机性因素对系统的影响,所得到的实时优化调度策略经济性和安全性都很差。模型预测控制可利用系统之后时刻短期的预测信息。然而,模型预测控制的优化结果依赖于随机性因素的实时预测精度,并且在很短的预测时段下仍不能考虑整个时段内随机性因素对系统调度的影响,所得到的调度策略仍无法保证全局最优。故现有方法无法快速精确的对热电联合系统进行实时优化调度。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种热电联合系统实时优化调度方法,其目的在于解决现有技术由于随机性因素实时波动而导致的无法快速精确的对热电联合系统进行实时优化调度的技术问题。
为实现上述目的,第一方面,本发明提供了一种热电联合系统实时优化调度方法,包括以下步骤:
S1、根据热电联合系统中各元件的技术参数,建立热电联合系统的日内实时调度模型;
S2、将热电联合系统的日内实时调度模型重构为马尔科夫决策过程Mt=<St,xt,Rt,Ft trans>;St为日内实时调度模型中t时刻热电联合系统的状态变量集合;xt为日内实时调度模型中t时刻热电联合系统的决策变量集合,对应热电联合系统t时刻的决策;Rt为t时刻热电联合系统的随机因素集合;Ft trans为表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程;
S3、构建热电联合系统在St状态下从t时刻到总调度域T时刻的最优运行费用函数基于t时刻热电联合系统的状态变量St,结合t时刻热电联合系统的随机因素,通过最小化最优运行费用函数,求解马尔科夫决策过程,得到热电联合系统t时刻的最优决策并根据最优决策对热电联合系统进行实时优化调度;其中,Ct(St,xt)为t时刻热电联合系统的运行费用;为聚合的决策后的状态变量,具体为 为决策后热电联合系统中电池的荷电状态,为决策后热电联合系统中储热罐的储热状态;为所对应的决策后的近似状态值。
进一步优选地,上述热电联合系统的日内实时调度模型为:
其中,F表示热电联合系统总调度域T时间段的运行费用;Ct(St,xt)为t时刻热电联合系统的运行费用;Ac为热电联合系统中火电机组的集合,lc为火电机组c的成本系数,Pt c为t时刻火电机组c的出力;Achp为热电联合系统中的CHP机组的集合,lchp为热电联合系统中CHP机组chp的成本系数,Pt chp为t时刻CHP机组chp的出力;Agrid为与热电联合系统相连的外电网的集合,pt为t时刻的电价,Pt grid为t时刻热电联合系统与外电网grid之间的交换功率;Ahst为热电联合系统中的储热罐的集合,lhst为热电联合系统中储热罐hst的成本系数,为t时刻储热罐hst的充热功率,为t时刻储热罐的放热功率;Abat为热电联合系统中的电池的集合,lbat为热电联合系统中电池bat的成本系数,ηc为电池的充电效率,为t时刻电池bat的充电功率,为t时刻电池bat的放电功率,ηd为电池的放电效率,CW为弃风惩罚系数,为t时刻的弃风功率,Ce为切负荷惩罚系数,为t时刻的切负荷功率。
进一步优选地,上述热电联合系统的日内实时调度模型的约束包括电力系统约束和热力系统约束;
电力系统约束包括:功率平衡约束,潮流约束,火电机组和CHP机组的爬坡约束,火电机组和CHP机组的出力上下限约束,风电的出力上下限约束,热电联合系统与外电网的交换功率约束,电池充放电功率上下限约束,电池充放电状态约束,电池荷电状态转移约束和电池容量上下限约束;
热力系统约束包括:CHP机组的热输出约束,储热罐的充放热功率上下限约束,储热罐充放热状态约束,储热罐储热状态转移约束,储热罐储热容量约束,水泵消耗的功率与质量流和管道节点的压力差成正比的约束,热网中流入节点的水流的质量流应该等于流出节点的质量流的约束,流入节点和流出节点的质量流的温度相等的约束,管道中水流传输的热损耗约束,管道两个节点之间压力差与管道内的质量流的平方成比例的约束,热网管道节点的温度上下限约束,热交换站约束。
进一步优选地,t时刻热电联合系统的状态变量集合其中,为t-Δt时刻热电联合系统中火电机组c的出力,c∈Ac;为t-Δt时刻热电联合系统中CHP机组chp的出力,chp∈Achp;SOCt为t时刻热电联合系统中电池的荷电状态;OAHt为t时刻热电联合系统中储热罐的储热状态;Pt W,a为t时刻热电联合系统可获得总风电量;为t时刻热电联合系统的电负荷;为t时刻热电联合系统的热负荷。
其中,c∈Ac,chp∈Achp,hst∈Ahst,bat∈Abat,grid∈Agrid,为t时刻电池bat的充电状态,为t时刻电池bat的放电状态,Pt W为风电机组的出力,Pt pump为t时刻热电联合系统中水泵的功率,为t时刻CHP机组的热输出,为t时刻储热罐hst的充热状态,为t时刻储热罐hst的放热状态,为热力系统供热管道节点j处的压力,为热力系统回流管道节点j处的压力,为热力系统供应管道管道p入口处的温度,为热力系统回流管道管道p入口处的温度,为热力系统供应管道管道p出口处的温度,为热力系统回流管道管道p出口处的温度。
其中,Pt F,W为t时刻风电的日前预测值,为t时刻电负荷的日前预测值,为t时刻热负荷的日前预测值,为t时刻电价的日前预测值,为t时刻风电的预测误差,为t时刻电负荷的预测误差,为t时刻热负荷的预测误差,为t时刻电价的预测误差。
进一步优选地,表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程Ft trans为:
St+Δt(idx)=Ft+Δt(idx-4)+Wt+Δt(idx-4),idx=5,6,7,8
其中,idx为索引,用于表示集合中的第几个元素;St(idx)为集合St中的第idx个元素。
进一步优选地,步骤S3中求解马尔科夫决策过程的方法包括:查询预训练好的近似值函数表,得到近似值函数表中t时刻决策后的电池的荷电状态和储热罐的储热状态所对应的决策后的近似状态值并结合t时刻热电联合系统的状态变量求解得到热电联合系统t时刻的最优决策其中,近似值函数表为三维值表,用于将一组电池的荷电状态、储热罐的储热状态和时间信息对应为一个决策后的近似状态值。
进一步优选地,上述近似值函数表的训练方法包括以下步骤:
S31、初始化近似值函数表,离散化电池的荷电状态和储热罐的储热状态,并令n=1;
S32、根据日前的风电、电价、电负荷和热负荷的预测信息,采用蒙特卡洛方法生成一组热电联合系统的随机因素;
S33、令t=Δt;
S34、从离散化后电池的荷电状态和储热罐的储热状态中,选取电池的荷电状态和储热罐的储热状态,作为t时刻决策后的电池的荷电状态和储热罐的储热状态;
S35、根据t时刻决策后的电池的荷电状态和储热罐的储热状态查询近似值函数表得到结合t时刻热电联合系统的随机因素和热电联合系统的状态变量,求解得到第n次迭代下t时刻的热电联合系统t时刻的决策并计算热电联合系统t时刻状态值的采样估计值
S37、根据马尔科夫决策过程中的状态转移方程计算热电联合系统t+Δt时刻的状态St+Δt;
S38、令t=t+Δt,重复步骤S34-S38,直至t=T;T为总的调度域;
S39、令n=n+1,重复步骤S32-S39,直至n=N;N为预设迭代次数。
第二方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的热电联合系统实时优化调度方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明提供了一种热电联合系统实时优化调度方法,根据热电联合系统中各元件的技术参数,建立热电联合系统的日内实时调度模型;并将热电联合系统的日内实时调度模型重构为马尔科夫决策过程;构建热电联合系统在St状态下从t时刻到总调度域T时刻的最优运行费用函数基于t时刻热电联合系统的状态变量St,结合t时刻热电联合系统的随机因素,通过最小化最优运行费用函数,求解马尔科夫决策过程,得到热电联合系统t时刻的最优决策,其中,为聚合的决策后的状态变量;为决策后热电联合系统中电池的荷电状态,为决策后热电联合系统中储热罐的储热状态;为所对应的决策后的近似状态值。本发明采用状态变量聚合的方式大大减少了将状态变量映射为值函数的难度,解决了系统状态空间的维数灾问题,且在实际运行中,系统操作者能够获取未来时刻随机性因素的信息辅助系统决策,进而能够快速精确的对热电联合系统进行实时优化调度。
2、本发明所提供的一种热电联合系统实时优化调度方法充分发挥了热电协同的作用,通过电力系统中电池的荷电状态和热力系统中储热储存的热量来映射近似值函数表,该热电联合系统能够得到近似最优的储能和储热的调度策略来发挥电力系统和热力系统的灵活性。
3、本发明所提供的一种热电联合系统实时优化调度方法,充分考虑了风电、电价、电负荷和热负荷的日前预测误差的影响,通过日前训练得到的性能优良的近似值函数表,能够使热电联合系统仅根据当前时刻到来的随机性因素做出近似最优的全局最优决策,在日内实时运行时保证热电联合系统运行的经济性和安全性。
4、本发明所提供的一种热电联合系统实时优化调度方法考虑了系统预测误差对日内调度产生的影响,同时考虑了热电联合系统的协同运行,经优化后的调度方案能够同时发挥电力系统和供热系统的灵活性,实现多能源网络的协同作用,保证热电联合系统运行的经济性和安全性。
附图说明
图1是本发明实施例1所提供的热电联合系统实时优化调度方法流程图;
图2是本发明实施例1所提供的由6节点电力系统与6节点热力系统组成的热电联合系统示意图;
图3是本发明实施例1所提供的近似值函数表的更新过程示意图;
图4是本发明实施例1所提供的随机性场景示意图;其中,(a)为风电随机性场景示意图,(b)为电价随机性场景示意图,(c)为电荷随机性场景示意图,(d)为热负荷随机性场景示意图;
图5是将采用本发明实施例1所提供的热电联合系统实时优化调度方法和短视算法所得的最优策略分别与全局最优策略相比后的优化误差的概率分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种热电联合系统实时优化调度方法,如图1所示,包括以下步骤:
S1、根据热电联合系统中各元件的技术参数,建立热电联合系统的日内实时调度模型;
具体的,热电联合系统的日内实时调度模型为:
其中,F表示热电联合系统总调度域T时间段的运行费用;Ct(St,xt)为t时刻热电联合系统的运行费用;Ac为热电联合系统中火电机组的集合,lc为火电机组c的成本系数,Pt c为t时刻火电机组c的出力;Achp为热电联合系统中的CHP机组的集合,lchp为热电联合系统中CHP机组chp的成本系数,Pt chp为t时刻CHP机组chp的出力;Agrid为与热电联合系统相连的外电网的集合,pt为t时刻的电价,Pt grid为t时刻热电联合系统与外电网grid之间的交换功率;Ahst为热电联合系统中的储热罐的集合,lhst为热电联合系统中储热罐hst的成本系数,为t时刻储热罐hst的充热功率,为t时刻储热罐的放热功率;Abat为热电联合系统中的电池的集合,lbat为热电联合系统中电池bat的成本系数,ηc为电池的充电效率,为t时刻电池bat的充电功率,为t时刻电池bat的放电功率,ηd为电池的放电效率,CW为弃风惩罚系数,为t时刻的弃风功率,Ce为切负荷惩罚系数,为t时刻的切负荷功率。
热电联合系统的日内实时调度模型的约束包括电力系统约束和热力系统约束;具体的,电力系统约束包括:功率平衡约束,潮流约束,火电机组和CHP机组的爬坡约束,火电机组和CHP机组的出力上下限约束,风电的出力上下限约束,热电联合系统与外电网的交换功率约束,电池充放电功率上下限约束,电池充放电状态约束,电池荷电状态转移约束和电池容量上下限约束;热力系统约束包括:CHP机组的热输出约束,储热罐的充放热功率上下限约束,储热罐充放热状态约束,储热罐储热状态转移约束,储热罐储热容量约束,水泵消耗的功率与质量流和管道节点的压力差成正比的约束,热网中流入节点的水流的质量流应该等于流出节点的质量流的约束,流入节点和流出节点的质量流的温度相等的约束,管道中水流传输的热损耗约束,管道两个节点之间压力差与管道内的质量流的平方成比例的约束,热网管道节点的温度上下限约束,热交换站约束。
S2、将热电联合系统的日内实时调度模型重构为马尔科夫决策过程Mt=<St,xt,Rt,Ft trans>;St为日内实时调度模型中t时刻热电联合系统的状态变量集合;xt为日内实时调度模型中t时刻热电联合系统的决策变量集合,对应热电联合系统t时刻的决策;Rt为t时刻热电联合系统的随机因素集合;Ft trans为表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程;
具体的,t时刻热电联合系统的状态变量集合其中,为t-Δt时刻热电联合系统中火电机组c的出力,c∈Ac;为t-Δt时刻热电联合系统中CHP机组chp的出力,chp∈Achp;SOCt为t时刻热电联合系统中电池的荷电状态;OAHt为t时刻热电联合系统中储热罐的储热状态;Pt W,a为t时刻热电联合系统可获得总风电量;为t时刻热电联合系统的电负荷;为t时刻热电联合系统的热负荷。
t时刻热电联合系统的决策变量集合xt包括电力系统的决策变量集合和热力系统的决策变量集合其中,c∈Ac,chp∈Achp,hst∈Ahst,bat∈Abat,grid∈Agrid,为t时刻电池bat的充电状态,为t时刻电池bat的放电状态,Pt W为风电机组的出力,Pt pump为t时刻热电联合系统中水泵的功率,为t时刻CHP机组的热输出,为t时刻储热罐hst的充热状态,为t时刻储热罐hst的放热状态,为热力系统供热管道节点j处的压力,为热力系统回流管道节点j处的压力,为热力系统供应管道管道p入口处的温度,为热力系统回流管道管道p入口处的温度,为热力系统供应管道管道p出口处的温度,为热力系统回流管道管道p出口处的温度。
其中,Pt F,W为t时刻风电的日前预测值,为t时刻电负荷的日前预测值,为t时刻热负荷的日前预测值,为t时刻电价的日前预测值,为t时刻风电的预测误差,为t时刻电负荷的预测误差,为t时刻热负荷的预测误差,为t时刻电价的预测误差。
表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程Ft trans为:
St+Δt(idx)=Ft+Δt(idx-4)+Wt+Δt(idx-4),idx=5,6,7,8
其中,idx为索引,用于表示集合中的第几个元素;St(idx)为集合St中的第idx个元素。
S3、构建热电联合系统在St状态下从t时刻到总调度域T时刻的最优运行费用函数基于t时刻热电联合系统的状态变量St,结合t时刻热电联合系统的随机因素,通过最小化最优运行费用函数,求解马尔科夫决策过程,得到热电联合系统t时刻的最优决策并根据最优决策对热电联合系统进行实时优化调度;其中,Ct(St,xt)为t时刻热电联合系统的运行费用;为聚合的决策后的状态变量,具体为 为决策后热电联合系统中电池的荷电状态,为决策后热电联合系统中储热罐的储热状态;由电池的荷电状态和储热罐的储热状态构成,使得本发明可以同时考虑到电力系统和供热系统的灵活性;为所对应的决策后的近似状态值。
为了更加清楚的说明本发明所提出的热电联合系统实时优化调度方法,下面结合具体实施例进行详述:
本实施例以由6节点电力系统与6节点热力系统组成的热电联合系统为例进行分析,如图2所示。该系统共有2台火电机组(分别记为c1和c2),1台热电联产CHP机组(记为chp),一个与外电网grid相连的节点,1个电池bat,一个电负荷,1个风电机组,一台水泵,一个储热罐hst,3个热负荷。电力系统的节点6与热力系统的节点1通过水泵和热电联产机组相连。
本实施例首先收集热电联合系统中各元件的技术参数;其中,热电联合系统各元件包含交流电网、联络线、火电机组、热电联产机组、外电网、电池、风电机组、水泵、储热罐和热网。
具体的,各元件的技术参数,具体包括:
1)交流电网节点个数Nb、风电PF,W、电价pF、电负荷DF,e和热负荷DF,h的预测值;
2)交流电网线路条数Nl、线路首末端节点编号、线路电抗标幺值、交流电网节点m与节点n之间传输功率上限和系统基准容量Sb;
7)风电机组所在的节点和电负荷所在的节点。
8)热电联产机组在热网的节点以及热负荷在热网的节点。
本实施例中,系统发电机和储能的参数如表1所示:
表1
本实施例中的热电联合系统实时优化调度方法具体包括以下步骤:
S1、根据所收集的热电联合系统中各元件的技术参数,建立热电联合系统的日内实时调度模型为:
对应的约束包括电力系统约束和热力系统约束,具体的:
(1)电力系统约束:
(1.2)潮流约束:
其中,和分别为线路l的传输容量下限和上限;为灵敏度矩阵,描述线路l有功潮流与节点n注入功率间的关系;G为发电机集合,M为发电机节点关联矩阵,当发电机g与节点n相连时,否则, 为节点n处的电负荷;为节点n处的切负荷功率。
(1.3)火电机组和CHP机组的爬坡约束:
(1.4)风电的出力上下限约束:0≤Pt W≤Pt W,a。
(1.6)电池充电、放电功率上下限约束:
(2)热力系统约束
(2.1)CHP机组的热输出约束:Ht chp=kPt chp,其中k为比例系数。
(2.3)储热罐的充热、放热功率上下限约束:
(2.4)储热罐储热状态转移约束:
(2.5)储热罐储热容量约束:
(2.6)水泵消耗的功率与质量流和管道节点的压力差成正比的约束(CHP机组和储热罐的联合输出用来加热管道中的水流):
(2.7)热网中流入节点的水流的质量流应该等于流出节点的质量流的约束:
(2.8)热网中流入节点和流出节点的质量流的温度相等的约束:
(2.9)管道中水流传输的热损耗约束:
其中,Tt am代表环境温度,λb代表管道的热转化系数,Lb代表管道的长度。
(2.10)管道两个节点之间压力差与管道内的质量流的平方成比例的约束:
(2.11)热网管道节点的温度上下限约束:
(2.12)热交换站约束:
S2、将热电联合系统的日内实时调度模型重构为马尔科夫决策过程Mt=<St,xt,Rt,Ft trans>;St为日内实时调度模型中t时刻热电联合系统的状态变量集合;xt为日内实时调度模型中t时刻热电联合系统的决策变量集合,对应热电联合系统t时刻的决策;Rt为t时刻热电联合系统的随机因素集合;Ft trans为表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程;
在马尔科夫决策过程中,基于根据系统当前的状态所作出的决策,然后系统在下一个时刻的随机性因素到来后转移到下一个状态。马尔科夫决策过程主要包括状态变量、决策变量、随机因素和状态转移方程。
具体的,状态变量反映热电联合系统当前的状态,本实施例中,由于热电联合系统共有2台火电机组(分别记为c1和c2),1台热电联产CHP机组(记为chp),一个与外电网grid相连的节点,1个电池bat,一个电负荷,1个风电机组,一台水泵,一个储热罐hst,故本实施例中,t时刻热电联合系统的状态变量集合t时刻热电联合系统的决策变量集合xt包括电力系统的决策变量集合和热力系统的决策变量集合;具体的,电力系统的决策变量集合和热力系统的决策变量集合随机因素反映热电联合系统的随机性,t时刻热电联合系统的随机因素集合Rt包括日前预测值集合和预测误差集合系统的状态根据系统的决策和随机性因素转移,具体的,状态转移方程Ft trans为:
其中,St(1)为集合St中的第一个元素,其它的类推。
S3、构建热电联合系统在St状态下从t时刻到总调度域T时刻的最优运行费用函数基于t时刻热电联合系统的状态变量St,结合t时刻热电联合系统的随机因素,通过最小化最优运行费用函数,求解马尔科夫决策过程,得到热电联合系统t时刻的最优决策并根据最优决策对热电联合系统进行实时优化调度。
具体的,由于决策后的状态变量,代表已经做过决策但是新的随机性因素还没到来之前的状态。使用决策后状态变量可以避免常用的用于求解马尔科夫决策方程的贝尔曼方程式中复杂的求解期望的过程,从而减少计算的难度,克服系统输出空间的维数灾问题。故本实施例中首先采用决策后状态变量解决系统输出空间的维数灾问题;然后采用状态变量聚合的方式将高维的状态空间聚合为电池的荷电状态和储热罐储存的热量,解决系统状态空间维数灾的问题。故本实施例中构建了热电联合系统在St状态下从t时刻到总调度域T时刻的最优运行费用函数其中,Ct(St,xt)为t时刻热电联合系统的运行费用;为聚合的决策后的状态变量,具体为 为决策后热电联合系统中电池的荷电状态,为决策后热电联合系统中储热罐的储热状态;为所对应的决策后的近似状态值。本实施例采用状态变量聚合的方式大大减少了将状态变量映射为值函数的难度,解决了系统状态空间的维数灾问题。
具体的,步骤S3中求解马尔科夫决策过程的方法包括:查询预训练好的近似值函数表,得到近似值函数表中t时刻决策后的电池的荷电状态和储热罐的储热状态所对应的决策后的近似状态值并结合t时刻热电联合系统的状态变量求解得到热电联合系统t时刻的最优决策需要说明的是,近似值函数表为三维值表,用于将一组电池的荷电状态、储热罐的储热状态和时间信息对应为一个决策后的近似状态值。
进一步地,通过对近似值函数表进行训练得到一个完成的近似值函数表,近似值函数表的更新过程如图3所示,其训练方法包括以下步骤:
S31、初始化近似值函数表,离散化电池的荷电状态和储热罐的储热状态,并令n=1;
S32、根据日前的风电、电价、电负荷和热负荷的预测信息(即日前对日内的风电、电价、电负荷和热负荷的预测信息),采用蒙特卡洛方法生成一组热电联合系统的随机因素;
S33、令t=Δt;
S34、从离散化后电池的荷电状态和储热罐的储热状态中,选取电池的荷电状态和储热罐的储热状态,作为t时刻决策后的电池的荷电状态和储热罐的储热状态;
S35、根据t时刻决策后的电池的荷电状态和储热罐的储热状态查询近似值函数表得到结合t时刻热电联合系统的随机因素和热电联合系统的状态变量,求解得到第n次迭代下t时刻的热电联合系统t时刻的决策并计算热电联合系统t时刻状态值的采样估计值
S37、根据马尔科夫决策过程中的状态转移方程计算热电联合系统t+Δt时刻的状态St+Δt;
S38、令t=t+Δt,重复步骤S34-S38,直至t=T;T为总的调度域;
S39、令n=n+1,重复步骤S32-S39,直至n=N;N为预设迭代次数。
通过上述训练方法不断地对近似值函数表进行训练,得到性能优良的近似值函数表,能够根据系统当前时刻聚合后状态变量的值得到决策后的近似状态值,可以在得到好的电池和储热罐的充放电和充放热策略后,充分发挥电池在电力系统以及储热罐在热力系统中的灵活性,然后辅助系统当前时刻的决策。
为了进一步说明本发明所述提供的热电联合系统实时优化调度方法,在相同的随机性场景下,分别采用本发明所提供的热电联合系统实时优化调度方法(记为MADP)与短视算法(Myopic)对热电联合系统进行优化调度。具体的,随机性场景如图4所示,其中,(a)为风电随机性场景示意图,(b)为电价随机性场景示意图,(c)为电荷随机性场景示意图,(d)为热负荷随机性场景示意图。具体的,风电电价电负荷和热负荷的预测误差都服从正态分布, 将采用本发明所提供的热电联合系统实时优化调度方法和短视算法所得的最优策略分别与全局最优策略相比后的优化误差的概率分布如图5所示,从图5可以看出,采用短视算法所得的最优策略与全局最优策略的平均优化误差为5.59%,而采用本发明所提供的热电联合系统实时优化调度方法所得的最优策略为2.08%,优化误差更小。故本发明所提供的热电联合系统实时优化调度方法效果好于短视算法,在应用到实际算例中时,能够大大提高热电联合系统运行的安全性和经济性。
实施例2、
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的一种热电联合系统实时优化调度方法。相关技术方案同实施例1,这里不做赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种热电联合系统实时优化调度方法,其特征在于,包括以下步骤:
S1、根据热电联合系统中各元件的技术参数,建立热电联合系统的日内实时调度模型;
S2、将所述热电联合系统的日内实时调度模型重构为马尔科夫决策过程Mt=<St,xt,Rt,Ft trans>;St为所述日内实时调度模型中t时刻热电联合系统的状态变量集合;xt为所述日内实时调度模型中t时刻热电联合系统的决策变量集合,对应热电联合系统t时刻的决策;Rt为t时刻热电联合系统的随机因素集合;Ft trans为表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程;
2.根据权利要求1所述的热电联合系统实时优化调度方法,其特征在于,所述热电联合系统的日内实时调度模型为:
其中,F表示热电联合系统总调度域T时间段的运行费用;Ct(St,xt)为t时刻热电联合系统的运行费用;Ac为热电联合系统中火电机组的集合,lc为火电机组c的成本系数,Pt c为t时刻火电机组c的出力;Achp为热电联合系统中的CHP机组的集合,lchp为热电联合系统中CHP机组chp的成本系数,Pt chp为t时刻CHP机组chp的出力;Agrid为与热电联合系统相连的外电网的集合,pt为t时刻的电价,Pt grid为t时刻热电联合系统与外电网grid之间的交换功率;Ahst为热电联合系统中的储热罐的集合,lhst为热电联合系统中储热罐hst的成本系数,为t时刻储热罐hst的充热功率,为t时刻储热罐的放热功率;Abat为热电联合系统中的电池的集合,lbat为热电联合系统中电池bat的成本系数,ηc为电池的充电效率,为t时刻电池bat的充电功率,为t时刻电池bat的放电功率,ηd为电池的放电效率,CW为弃风惩罚系数,为t时刻的弃风功率,Ce为切负荷惩罚系数,为t时刻的切负荷功率。
3.根据权利要求1所述的热电联合系统实时优化调度方法,其特征在于,所述热电联合系统的日内实时调度模型的约束包括电力系统约束和热力系统约束;
所述电力系统约束包括:功率平衡约束,潮流约束,火电机组和CHP机组的爬坡约束,火电机组和CHP机组的出力上下限约束,风电的出力上下限约束,热电联合系统与外电网的交换功率约束,电池充放电功率上下限约束,电池充放电状态约束,电池荷电状态转移约束和电池容量上下限约束;
所述热力系统约束包括:CHP机组的热输出约束,储热罐的充放热功率上下限约束,储热罐充放热状态约束,储热罐储热状态转移约束,储热罐储热容量约束,水泵消耗的功率与质量流和管道节点的压力差成正比的约束,热网中流入节点的水流的质量流应该等于流出节点的质量流的约束,流入节点和流出节点的质量流的温度相等的约束,管道中水流传输的热损耗约束,管道两个节点之间压力差与管道内的质量流的平方成比例的约束,热网管道节点的温度上下限约束,热交换站约束。
9.根据权利要求8所述的热电联合系统实时优化调度方法,其特征在于,所述近似值函数表的训练方法包括以下步骤:
S31、初始化近似值函数表,离散化电池的荷电状态和储热罐的储热状态,并令n=1;
S32、根据日前的风电、电价、电负荷和热负荷的预测信息,采用蒙特卡洛方法生成一组热电联合系统的随机因素;
S33、令t=Δt;
S34、从离散化后电池的荷电状态和储热罐的储热状态中,选取电池的荷电状态和储热罐的储热状态,作为t时刻决策后的电池的荷电状态和储热罐的储热状态;
S35、根据所述t时刻决策后的电池的荷电状态和储热罐的储热状态查询所述近似值函数表得到结合t时刻热电联合系统的随机因素和热电联合系统的状态变量,求解得到第n次迭代下t时刻的热电联合系统t时刻的决策并计算热电联合系统t时刻状态值的采样估计值
S37、根据所述状态转移方程计算热电联合系统t+Δt时刻的状态St+Δt;
S38、令t=t+Δt,重复步骤S34-S38,直至t=T;
S39、令n=n+1,重复步骤S32-S39,直至n=N;N为预设迭代次数。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-9任意一项所述的热电联合系统实时优化调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011332554.3A CN112396238A (zh) | 2020-11-24 | 2020-11-24 | 一种热电联合系统实时优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011332554.3A CN112396238A (zh) | 2020-11-24 | 2020-11-24 | 一种热电联合系统实时优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396238A true CN112396238A (zh) | 2021-02-23 |
Family
ID=74607137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011332554.3A Pending CN112396238A (zh) | 2020-11-24 | 2020-11-24 | 一种热电联合系统实时优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396238A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077166A (zh) * | 2021-04-16 | 2021-07-06 | 国网吉林省电力有限公司 | 一种基于马尔可夫决策过程的社区储能调度方法 |
CN113237075A (zh) * | 2021-04-30 | 2021-08-10 | 西安交通大学 | 烟气余热回收系统的设计优化及调控方法 |
CN114119159A (zh) * | 2021-11-29 | 2022-03-01 | 武汉理工大学 | 一种网约车实时订单匹配和空闲车辆调度方法及系统 |
CN114784797A (zh) * | 2022-04-25 | 2022-07-22 | 东南大学溧阳研究院 | 一种计及多重不确定性的住宅综合能源系统的热电优化日前调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986156A (zh) * | 2014-05-14 | 2014-08-13 | 国家电网公司 | 一种考虑风电接入的动态概率潮流计算方法 |
CN105703369A (zh) * | 2016-02-04 | 2016-06-22 | 马瑞 | 一种多能耦合输配网多目标随机模糊动态最优能量流建模与求解方法 |
CN110929964A (zh) * | 2019-12-18 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于近似动态规划算法的含储能配电网优化调度方法 |
CN111831963A (zh) * | 2020-07-14 | 2020-10-27 | 中国南方电网有限责任公司 | 电力市场背景下的综合能源服务商的可调控能力评估方法 |
-
2020
- 2020-11-24 CN CN202011332554.3A patent/CN112396238A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986156A (zh) * | 2014-05-14 | 2014-08-13 | 国家电网公司 | 一种考虑风电接入的动态概率潮流计算方法 |
CN105703369A (zh) * | 2016-02-04 | 2016-06-22 | 马瑞 | 一种多能耦合输配网多目标随机模糊动态最优能量流建模与求解方法 |
CN110929964A (zh) * | 2019-12-18 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于近似动态规划算法的含储能配电网优化调度方法 |
CN111831963A (zh) * | 2020-07-14 | 2020-10-27 | 中国南方电网有限责任公司 | 电力市场背景下的综合能源服务商的可调控能力评估方法 |
Non-Patent Citations (1)
Title |
---|
帅航等: "需求响应下基于近似动态规划的气电联合系统径济调度", 《电力建设》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077166A (zh) * | 2021-04-16 | 2021-07-06 | 国网吉林省电力有限公司 | 一种基于马尔可夫决策过程的社区储能调度方法 |
CN113237075A (zh) * | 2021-04-30 | 2021-08-10 | 西安交通大学 | 烟气余热回收系统的设计优化及调控方法 |
CN114119159A (zh) * | 2021-11-29 | 2022-03-01 | 武汉理工大学 | 一种网约车实时订单匹配和空闲车辆调度方法及系统 |
CN114119159B (zh) * | 2021-11-29 | 2024-05-28 | 武汉理工大学 | 一种网约车实时订单匹配和空闲车辆调度方法及系统 |
CN114784797A (zh) * | 2022-04-25 | 2022-07-22 | 东南大学溧阳研究院 | 一种计及多重不确定性的住宅综合能源系统的热电优化日前调度方法 |
CN114784797B (zh) * | 2022-04-25 | 2024-01-19 | 东南大学溧阳研究院 | 一种计及多重不确定性的住宅综合能源系统的热电优化日前调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396238A (zh) | 一种热电联合系统实时优化调度方法 | |
CN109858759B (zh) | 一种工业园区综合能源平衡调度方法 | |
Tan et al. | A wind power accommodation capability assessment method for multi-energy microgrids | |
CN113095791B (zh) | 一种综合能源系统运行方法及系统 | |
CN110518583B (zh) | 一种考虑动态特性的综合能源系统可靠性评估方法 | |
CN110350518B (zh) | 一种用于调峰的电网储能容量需求评估方法及系统 | |
CN113850474B (zh) | 一种热电氢多能流综合能源系统及其优化调度方法 | |
CN110930073B (zh) | 计及价格型需求响应的风-光-光热联合发电系统日前调度方法 | |
CN111598289A (zh) | 计及lstm光伏出力预测的综合能源系统分散式优化方法 | |
CN113036819A (zh) | 一种考虑源荷双侧不确定性的电热综合能源系统鲁棒调度方法 | |
CN111555275A (zh) | 一种主动配电网剩余电量的处理方法及系统 | |
CN115169869A (zh) | 多能互补混合储能调度系统及其调度方法 | |
Wang et al. | Optimal modeling and analysis of microgrid lithium iron phosphate battery energy storage system under different power supply states | |
Li et al. | Capacity configuration optimization of a hybrid renewable energy system with hydrogen storage | |
CN116562062B (zh) | 考虑电、氢耦合的生产模拟方法、系统、装置及存储介质 | |
CN113313351B (zh) | 计及多能耦合影响的电-气-热系统灵活性评估方法 | |
CN116341881B (zh) | 计及热网灵活性的电-热系统鲁棒超前调度方法及系统 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN110992206B (zh) | 一种多源电场的优化调度方法及系统 | |
CN110544033B (zh) | 热电厂灵活性改造后的电力系统风电消纳评估方法 | |
CN117252377A (zh) | 一种多区域互联电热综合能源系统可信分布调度方法及系统 | |
CN111899125A (zh) | 一种综合能源系统的优化建模运行方法、装置和介质 | |
CN111598320B (zh) | 一种微能源系统调度方法 | |
CN114943376A (zh) | 用户侧综合能源优化利用区间规划方法及系统 | |
CN115081867A (zh) | 一种综合能源系统储能规划方法、装置和设备 |
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: 20210223 |
|
RJ01 | Rejection of invention patent application after publication |