CN112418488B - 一种基于两阶段能量优化的综合能源系统调度方法及装置 - Google Patents

一种基于两阶段能量优化的综合能源系统调度方法及装置 Download PDF

Info

Publication number
CN112418488B
CN112418488B CN202011215363.9A CN202011215363A CN112418488B CN 112418488 B CN112418488 B CN 112418488B CN 202011215363 A CN202011215363 A CN 202011215363A CN 112418488 B CN112418488 B CN 112418488B
Authority
CN
China
Prior art keywords
power
period
cost
energy
energy 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.)
Active
Application number
CN202011215363.9A
Other languages
English (en)
Other versions
CN112418488A (zh
Inventor
郭祚刚
雷金勇
徐敏
谈赢杰
袁智勇
周长城
史训涛
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.)
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
China Southern Power Grid 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 CSG Electric Power Research Institute, China Southern Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202011215363.9A priority Critical patent/CN112418488B/zh
Publication of CN112418488A publication Critical patent/CN112418488A/zh
Application granted granted Critical
Publication of CN112418488B publication Critical patent/CN112418488B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本申请公开了一种基于两阶段能量优化的综合能源系统调度方法及装置，方法包括：基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型；采用改进的基于分层次密度聚类算法的BSO算法求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数。本申请能够保证了系统在运行过程中的经济性，并能保证输出结果的全局性和精确性。

Description

一种基于两阶段能量优化的综合能源系统调度方法及装置
技术领域
本申请涉及能源调度技术领域，尤其涉及一种基于两阶段能量优化的综合能源系统调度方法及装置。
背景技术
随着社会经济快速发展，能源需求增长与能源紧张之间的矛盾日益凸显。传统能源系统中，电、热、冷等能源子系统在设计、规划、运行和控制层面往往相互独立，导致能源整体利用率不高，安全性及可靠性降低等。综合能源系统(integrated energy system,IES)能有效地提升能源利用效率，实现按质用能，能源梯级利用，是未来的能源系统形态。
有关电力系统的调度问题研究，目前已形成了成熟的解决方法，如迭代法、线性规划法、牛顿法、智能优化算法等。燃气机组、电热锅炉等能源转化设备的兴起使得电力系统与热力系统、天然气系统等的耦合愈加紧密，传统独立的电力调度和热能调度忽略了多个系统之间的耦合交互影响，导致优化结果过于乐观，因此开展综合能源系统优化调度的研究具有重要的意义。关于综合能源系统的协同优化调度，目前已有一定的研究成果：考虑电热损耗的电热综合能源系统多目标经济优化调度、考虑综合能源系统中可再生能源出力不确定性及负荷不确定性的优化调度、考虑综合能源经济优化目标及环境目标等的多目标优化调度等。
发明内容
本申请实施例提供了一种基于两阶段能量优化的综合能源系统调度方法及装置，使得提升了最优解的搜索速度，提高了搜索效率，避免进入局部最优的僵化状态，保证了结果的全局性和精确性。
有鉴于此，本申请第一方面提供了一种基于两阶段能量优化的综合能源系统调度方法，所述方法包括：
基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型；
采用改进的基于分层次密度聚类算法的BSO算法，求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数。
可选的，所述日前调度优化模型的目标函数为：
Figure BDA0002760196920000021
式中，F表示经济调度成本，Nc表示在综合能源系统中CHP机组的数量，PHk(t)表示CHP机组在时段t内的电出力，QHk(t)表示CHP机组在时段t内的热出力，f(PHk(t),QHk(t))表示CHP机组的运行成本，COMHk(t)表示在t时段内的CHP机组维护成本；v表示综合能源系统内的光伏设备数量，Ppv(t)为t时段内的光伏发电功率，Cpvl(Ppv(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，CBj(t)表示锂电池j在时段t内的寿命运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；Ce(t)、Pgrid(t)分别表示t时刻的购电价格和购电电量，Ch(t)、Qgrid(t)分别表示t时刻的购热价格和购热功率，Δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，PGBi(t)表示燃料电池i在时段t内发出的电功率，CGBi(PGBi(t))表示燃气锅炉i在时段t内的运行成本，COMGBi(PGBi(t)表示燃料电池i在时段t内的维护成本。
可选的，所述日前调度优化模型的约束条件为：
综合能源系统能量平衡约束：
Figure BDA0002760196920000022
式中，PL表示t时刻内的负荷预测功率；m为线路总数，Ploss表示线路功率损耗；QL为t时刻内的热负荷预测值；x为热线路总数，Qloss为线路热损耗；
CHP机组运行约束：
PHmin≤PHi(t)≤PHmax
QHmin≤QHi(t)≤QHmax
式中，PHmin、PHmax分别代表CCHP机组运行的电功率上下限；QHmin、QHmax分别代表CCHP机组运行的热功率上下限；
锂电池的荷电状态约束为：
SOCmin≤SOC(t)≤SOCmax
式中，SOCmin、SOCmax分别代表锂电池运行时荷电状态的上下限限制。
系统从外网购能功率的的上下限约束：
Pgridmin≤Pgrid(t)≤Pgridmax
Qgridmin≤Qgrid(t)≤Qgridmax；
Pgrid(t)表示t时刻的购电电量；Pgridmin、Pgridmax分别表示t时刻系统从外网购电功率的上下限约束；Qgrid(t)表示t时刻的购热功率，Qgridmin、Qgridmax分别表示t时刻系统从外网购热功率的上下限约束。
可选的，所述日内实时优化模型中供能设备修正模型为：
Figure BDA0002760196920000031
式中，
Figure BDA0002760196920000032
分别为CHP系统修正后的功率输出值，
Figure BDA0002760196920000033
为光伏设备修正后的功率输出值，
Figure BDA0002760196920000034
为燃气锅炉修正后的功率输出值；
储能设备修正模型为：
Figure BDA0002760196920000035
式中，
Figure BDA0002760196920000036
为修正后电储能设备的充放电功率，
Figure BDA0002760196920000037
为修正后蓄热装置的输出功率。
可选的，还包括：
对所述供能设备修正模型以及所述储能设备修正模型进行归一化处理，所得优化目标函数如下：
Figure BDA0002760196920000038
其中，ζ1、ζ2为权重系数。
可选的，所述采用改进的基于分层次密度聚类算法的BSO算法求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数，具体为：
S01：输入初始数据，形成可行解数据库，所述初始数据包括运行维护参数；
S02：初始化最大迭代次数Nmax、初始变异产生概率
Figure BDA0002760196920000041
以及初始随机数Pg0；
S03：采用分层次密度聚类算法计算可行解的kdist、kden，并得到密度层次r和簇类数f；
S04：判断当前变异产生概率与所述初始变异产生概率的大小；
S051：若所述当前变异产生概率不大于所述初始变异产生概率，则随机选择1个第一聚类簇作为种群搜索最优解；
S052：产生一个随机数Pg，若Pg≤Pg0，则随机选择第一聚类簇中任意可行解作为初始粒子计算新一代粒子速度，生成新解；否则，选择第一聚类簇中心对象为初始粒子计算新一代粒子速度，生成新解；
S061：若所述当前变异产生概率大于所述初始变异产生概率，则随机选择2个第二聚类簇作为种群搜索最优解；
S061：产生一个随机数Pg，若Pg≤Pg0，则分别从2个第二聚类簇中各随机选择一个任意可行解，并将两个任意可行解进行融合作为初始粒子计算新一代粒子速度，生成新解；否则，选择2个第二聚类簇的中心对象为初始粒子计算新一代粒子速度，生成新解；
S07：若迭代次数N≤Nmax，则返回步骤S04，直到迭代次数达到最大迭代次数时，输出种群最优个体。
可选的，所述初始数据包括：CHP机组的运行维护参数，αk、βk、γk＞0、δk、θk＞0、εk、λe、λh；光伏设备的运维参数：λpv；储能电池的成本参数：Nes(t)、λOMB；燃气锅炉成本参数：CFC、LHVGB、QGBi(t)、ηGB、λGB；外电网购电价格Pgrid(t)和外热网购热价格Qgrid(t)；光伏发电功率Ppv(t)、综合能源系统电负荷预测结果PL及热负荷预测结果QL。
本申请第二方面提供一种基于两阶段能量优化的综合能源系统调度装置，所述装置包括：
第一模型构建单元，用于基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
第二模型构建单元，用于对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型；
求解单元，用于采用改进的基于分层次密度聚类算法的BSO算法，求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数。
可选的，所述日前调度优化模型的目标函数为：
Figure BDA0002760196920000051
式中，F表示经济调度成本，Nc表示在综合能源系统中CHP机组的数量，PHk(t)表示CHP机组在时段t内的电出力，QHk(t)表示CHP机组在时段t内的热出力，f(PHk(t),QHk(t))表示CHP机组的运行成本，COMHk(t)表示在t时段内的CHP机组维护成本；v表示综合能源系统内的光伏设备数量，Ppv(t)为t时段内的光伏发电功率，Cpvl(Ppv(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，CBj(t)表示锂电池j在时段t内的寿命运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；Ce(t)、Pgrid(t)分别表示t时刻的购电价格和购电电量，Ch(t)、Qgrid(t)分别表示t时刻的购热价格和购热功率，Δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，PGBi(t)表示燃料电池i在时段t内发出的电功率，CGBi(PGBi(t))表示燃气锅炉i在时段t内的运行成本，COMGBi(PGBi(t)表示燃料电池i在时段t内的维护成本。
可选的，所述日内实时优化模型中供能设备修正模型为：
Figure BDA0002760196920000052
式中，
Figure BDA0002760196920000053
分别为CHP系统修正后的功率输出值，
Figure BDA0002760196920000054
为光伏设备修正后的功率输出值，
Figure BDA0002760196920000055
为燃气锅炉修正后的功率输出值；
储能设备修正模型为：
Figure BDA0002760196920000061
式中，
Figure BDA0002760196920000062
为修正后电储能设备的充放电功率，
Figure BDA0002760196920000063
为修正后蓄热装置的输出功率。
从以上技术方案可以看出，本申请具有以下优点：
本申请中，提供了一种基于两阶段能量优化的综合能源系统调度方法，方法包括：基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；对供能设备及储能设备按照其出力波动成本最小为目标进行修正，以构建综合能源系统的日内实时优化模型；采用改进的基于分层次密度聚类算法的BSO算法求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数。
本申请在模型层面考虑了日前调度优化和日内实时优化的双阶段经济优化模型，充分保证了系统在运行过程中的经济性；其次在第二阶段优化模型中加入供能设备的最经济性修正方案，以及考虑到储能系统的高投资成本特性，保证了系统运行对设备的安全稳定性。在模型算法方面，采用了改进的头脑风暴优化(BSO)算法，并采用分层次密度聚类算法对初始可行解进行密度聚类，在保持可行解的种群多样化及搜索精细化的基础上，提升了最优解的搜索速度，提高了搜索效率，避免进入局部最优的僵化状态，保证了结果的全局性和精确性。
附图说明
图1为本申请一种基于两阶段能量优化的综合能源系统调度方法的实施例的方法流程图；
图2为本申请采用改进的基于分层次密度聚类算法的BSO算法求解模型最优运行维护参数的方法流程图；
图3为本申请一种基于两阶段能量优化的综合能源系统调度装置的一个实施例的装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请一种基于两阶段能量优化的综合能源系统调度方法的一个实施例的方法流程图，图1中包括：
101、基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型。
需要说明的是，本申请的综合能源系统包括光伏发电装置、热电联产(combinedheat andpower，CHP)机组、储电系统、储热系统、燃气锅炉等供能、储能、用能单元。
在日前调度阶段，通过对综合能源系统内的光伏发电预测结果与园区负荷预测结果，并考虑峰谷电价、能源发电成本等，建立日前阶段非线性调度优化模型。在优化过程中，计及储能电池的寿命损耗、CHP机组的运行成本及维护成本、向大电网购售电成本及各设备单元的运行维护成本。
具体的，对于综合能源系统内的光伏发电预测与园区热电负荷预测，考虑到热电负荷具有较强的规律性和周期性，并且受天气因素影响发生波动，热电负荷之间具有较强的耦合关系，因此利用天气数据进行光伏发电功率预测，并且基于天气数据信息进行园区热电负荷的联合预测。
首先对于区域天气数据进行预测和校准，采用以未来天气预报数据为主，天气预报历史数据和本地区域气象部门实时数据修正为辅的方法，对区域内的天气数据采用未来预测、实时修正、历史数据相结合的方法，进行精准的天气预测，并基于精准天气数据进行光伏功率出力预测。
Figure BDA0002760196920000071
式中，Ppv(t)为t时刻光伏预测出力，Pstc为标况下(太阳辐射强度Istc＝1000W/m2，温度Tstc＝298K))下的光伏板出力，
Figure BDA0002760196920000072
为t时刻根据气象数据预测的太阳辐射强度。
根据对历史数据天气数据和负荷之间的相关性分析，挑选与热电负荷相关性较强的未来天气数据
Figure BDA0002760196920000081
历史天气数据
Figure BDA0002760196920000089
历史负荷数据
Figure BDA0002760196920000082
作为训练样本，输出对应的热电负荷期望样本
Figure BDA0002760196920000083
采用遗传算法优化BP神经网络模型(the GeneticAlgorithm tooptimize BPNeural Network，GA-BP)进行预测。
Figure BDA0002760196920000084
Figure BDA0002760196920000085
Figure BDA0002760196920000086
Figure BDA0002760196920000087
式中，T为天气数据类型，k为所要预测的天气时刻，i为当前时刻；t为选择负荷预测时域；l为历史天气时刻；r为选择历史天气时域，a为负荷数据的类型，电、热两种负荷，c为负荷预测时刻。
具体的，日前调度优化模型的目标函数为：
Figure BDA0002760196920000088
式中，F表示经济调度成本，Nc表示在综合能源系统中CHP机组的数量，PHk(t)表示CHP机组在时段t内的电出力，QHk(t)表示CHP机组在时段t内的热出力，f(PHk(t),QHk(t))表示CHP机组的运行成本，COMHk(t)表示在t时段内的CHP机组维护成本；v表示综合能源系统内的光伏设备数量，Ppv(t)为t时段内的光伏发电功率，Cpvl(Ppv(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，CBj(t)表示锂电池j在时段t内的寿命运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；Ce(t)、Pgrid(t)分别表示t时刻的购电价格和购电电量，Ch(t)、Qgrid(t)分别表示t时刻的购热价格和购热功率，Δt表示单位时间段，取为1h；n表示综合能源系统中燃气锅炉的数量，PGBi(t)表示燃料电池i在时段t内发出的电功率，CGBi(PGBi(t))表示燃气锅炉i在时段t内的运行成本，COMGBi(PGBi(t)表示燃料电池i在时段t内的维护成本。
其中，对于CHP机组的运行成本通常以二次凸函数形式的机组燃料费用描述如下：
Figure BDA0002760196920000091
式中，αk、βk、γk＞0、δk、θk＞0和εk表示CHP机组运行成本参数。
其运营维护成本为：
Figure BDA0002760196920000092
其中，λe、λh表示为CHP机组单位电功率出力和单位热功率出力的维护成本系数。
光伏设备单元的维护成本为：
Cpv(Ppv(t))＝λpvPpv(t)Δt
式中，λpv为光伏出力单元的单位电出力维护成本系数。
储能锂电池的运行成本函数与锂电池的运行寿命、放电深度均有关系。其中放电深度指的是储能锂电池在运行过程中所放出的电量与其额定容量的比例，放电深度越深，锂电池的运行寿命越短，其使用寿命与放电深度之间的关系为：
Rlife(t)＝-3278Nes(t)4-5Nes(t)3+12823Nes(t)2-14122Nes(t)+5112
式中，Rlife(t)表示储能电池的使用寿命，Nes(t)表示放电深度。
因此，储能锂电池的使用寿命成本为：
Figure BDA0002760196920000093
式中，Cinv为锂电池的初始投资成本，
Figure BDA0002760196920000094
表示0-1变量，当锂电池处于充电状态时，
Figure BDA0002760196920000095
取1，Pch(t)表示锂电池在t时间内的充电功率；当锂电池处于放电状态时，
Figure BDA0002760196920000096
取1，Pdis(t)表示锂电池在t时段内的放电功率；ELB表示锂电池的额定容量。
其中，储能锂电池的维护成本函数为：
Figure BDA0002760196920000097
式中，COMB(t)表示t时段内储能锂电池的维护成本，λOMB表示储能锂电池的维护成本系数。
其中，燃气锅炉的成本函数为：
Figure BDA0002760196920000101
式中，CFC为燃气的价格，LHVGB为燃气的低热值，QGBi(t)为燃气锅炉的热输出功率，ηGB为的输出效率。
燃气锅炉的维护成本函数为：
COMGBi(QGBi(t))＝λGBQGBi(t)Δt
式中，λGB为表示燃汽轮机组的维护成本系数。
日前经济优化调度约束条件有，综合能源系统能量平衡约束：
Figure BDA0002760196920000102
式中，PL表示t时刻内的负荷预测功率；m为线路总数，Ploss表示线路功率损耗；；QL为t时刻内的热负荷预测值；x为热线路总数，Qloss为线路热损耗。
CHP机组运行约束：
PHmin≤PHi(t)≤PHmax
QHmin≤QHi(t)≤QHmax
式中，PHmin、PHmax分别代表CCHP机组运行的电功率上下限；QHmin、QHmax分别代表CCHP机组运行的热功率上下限。
储能锂电池在运行时，锂电池内电能的剩余容量与它满充电状态时容量比值的百分数，称为锂电池的荷电状态，表示为：
Figure BDA0002760196920000103
式中，ELB(t)表示t时间内锂电池的剩余容量。
为保证锂电池的运行寿命，锂电池的荷电状态约束为：
SOCmin≤SOC(t)≤SOCmax
式中，SOCmin、SOCmax分别代表锂电池运行时荷电状态的上下限限制。
联络线交互功率约束为，在同一时段t内，综合能源系统处于购电状态或售电状态，因此需要满足约束：
系统从外网购能功率的的上下限约束：
Pgridmin≤Pgrid(t)≤Pgridmax
Qgridmin≤Qgrid(t)≤Qgridmax；
Pgrid(t)表示t时刻的购电电量；Pgridmin、Pgridmax分别表示t时刻系统从外网购电功率的上下限约束；Qgrid(t)表示t时刻的购热功率，Qgridmin、Qgridmax分别表示t时刻系统从外网购热功率的上下限约束。
102、对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型。
需要说明的是，为考虑到日前优化过程中的光伏、负荷等功率预测误差等因素，故采用日内实时调度方案。日内实时调度方案综合结合系统中设备的运行状态、储能充放电情况、预测误差等，对于当前的机组运行情况做出调整，平衡系统的负荷及减少运行费用。对于系统内的各供能设备，按照其运行成本最小进行修正；对于系统内的储能设备，按照其出力波动成本最小为目标进行修正。
具体的，供能设备修正模型为：
Figure BDA0002760196920000111
式中，
Figure BDA0002760196920000112
分别为CHP系统修正后的功率输出值，
Figure BDA0002760196920000113
为光伏设备修正后的功率输出值，
Figure BDA0002760196920000114
为燃气锅炉修正后的功率输出值。
储能设备修正模型为：
Figure BDA0002760196920000115
式中，
Figure BDA0002760196920000116
为修正后电储能设备的充放电功率，
Figure BDA0002760196920000117
为修正后蓄热装置的输出功率。
为综合考虑供能设备和储能设备的不同优化目标，对供能设备修正模型以及储能设备修正模型进行归一化处理，所得优化目标函数如下：
Figure BDA0002760196920000118
其中，ζ1、ζ2为权重系数，决策者可根据实际需求设置不同的偏好程度。
第二阶段优化为经过修正后的各供能设备及储能设备的最优出力，其电能平衡约束、热能平衡约束等与第一阶段类似。
103、采用改进的基于分层次密度聚类算法的BSO算法，求解日前调度优化模型以及日内实时优化模型的最优运行维护参数。
需要说明的是，由于综合能源系统的优化调度问题属于多维空间的非线性、多参数耦合相关的最优解寻优过程，因此，可以采用头脑风暴优化(BSO)算法进行求解。为了解决BSO算法存在着容易陷入局部最优，过度依赖人工设定聚类簇数量等问题，本申请采用利用分层次密度聚类算法对综合能源系统的调度可行解进行分层次聚类，以求取最优可行解。
采用改进的基于分层次密度聚类算法的BSO算法求解日前调度优化模型以及日内实时优化模型，其方法流程图如图2所示，包括：
S01：输入初始数据，形成可行解数据库；初始数据包括CHP机组的运行维护参数，αk、βk、γk＞0、δk、θk＞0、εk、λe、λh；光伏设备的运维参数：λpv；储能电池的成本参数：Nes(t)、λOMB；燃气锅炉成本参数：CFC、LHVGB、QGBi(t)、ηGB、λGB；外电网购电价格Pgrid(t)和外热网购热价格Qgrid(t)；光伏发电功率Ppv(t)、综合能源系统电负荷预测结果PL及热负荷预测结果QL。
S02：初始化最大迭代次数Nmax、初始变异产生概率
Figure BDA0002760196920000122
以及初始随机数Pg0。
需要说明的是，本申请将PSO(粒子群优化算法)算法引入到BSO算法中，分别在同种群内或跨种群进行搜索。PSO算法的搜索过程可通过两个层级进行：首先通过一定的概率方法来确定是否在同一个种群内进行搜索，然后在所选定的一个或多个种群内按照一定的规则或概率方法来进行确定中心对象以产生新解。
为了算法搜索过程中种群的多样性和随机性，生成在同种群或跨种群搜索概率(变异产生概率)Pc的概率分布：
Figure BDA0002760196920000121
式中，gCV(af)表示可行解经过密度聚类后产生的簇af的变异度，a为簇中可行解的数量，gi为可行解xi的适应度函数值，g′为簇中所有可行解的适应度函数均值，f为可行解分类产生的簇的总数。
Pc＝gCV(af)/gCV0
式中，gCV0为可行解变异度适应值的初始阈值。将PSO算法引入BSO中，以gCV(af)和Pc为依据，在同种群内或跨种群进行搜索：
若Pc大于设定的阈值时，以随机选择两个种群为对象开始搜索。这样就可以实现种群间的横向搜索，保证搜索种群的多样性，避免形成局部最优结果；若Pc小于设定的阈值时，随机选择其中一个种群进行搜索。这样可以实现种群内的纵向搜索，以保证搜索的精确度，求得最优结果。
S03：采用分层次密度聚类算法计算可行解的kdist、kden，并得到密度层次r和簇类数f。
需要说明的是，本申请采用分层次密度聚类对综合能源系统的调度可行解进行分层次聚类，以求取最优可行解。分层次密度聚类的步骤包括：
计算可行解之间的距离。对形成的初始可行解集合计算各可行解之间的距离，计算公式如下：
Figure BDA0002760196920000131
式中，d表示可行解之间的距离，xi和xj分别表示第i和第j个可行解。
计算kdist与kden，其中kdist定义为可行解集合中任一可行解xi到第k个最近可行解的距离，kden指k值与kdist之比。其计算公示如下：
Figure BDA0002760196920000132
Figure BDA0002760196920000133
密度层次划分。将生成的初始可行解集合X0按照可行解距离进行划分层次。首先，将任一选取可行解x0作为中心对象，按照其他可行解到x0距离进行排序，并按照给定的k值选取最近的k个可行解作为边界对象，形成包含k+1个可行解的新集合X1；然后分别计算k+1个可行解的kdist与kden，并求解k+1个kden的均值与标准差：
Figure BDA0002760196920000141
Figure BDA0002760196920000142
最后，将新的集合X1的边界对象作为新的中心对象，选取离X1集合边界最近的一个可行解x1，计算kdist(xi,k1)，kden(x1)；若kden(x1)＞3σ，则将新解x1归类入X0；若kden(x1)≤3σ，则将新解x1作为新的中心对象进行求解。
本申请按照上述步骤将可行解集合X0划分成多个层次对综合能源系统的调度可行解进行分层次聚类。
S04：判断当前变异产生概率与初始变异产生概率的大小。
S051：若当前变异产生概率不大于初始的变异产生概率，则随机选择1个第一聚类簇作为种群搜索最优解；
S052：产生一个随机数Pg，若Pg≤Pg0，则随机选择第一聚类簇中任意可行解作为初始粒子计算新一代粒子速度，生成新解；否则，选择第一聚类簇中心对象为初始粒子计算新一代粒子速度，生成新解。
S061：若当前变异产生概率大于初始的变异产生概率，则随机选择2个第二聚类簇作为种群搜索最优解；
S061：产生一个随机数Pg，若Pg≤Pg0，则分别从2个第二聚类簇中各随机选择一个任意可行解，并将两个任意可行解进行融合作为初始粒子计算新一代粒子速度，生成新解；否则，选择2个第二聚类簇的中心对象为初始粒子计算新一代粒子速度，生成新解。
S07：若迭代次数N≤Nmax，则返回步骤S04，直到迭代次数达到最大迭代次数时，输出种群最优个体。
本申请首先在模型层面考虑了日前调度优化和日内实时优化的双阶段经济优化模型，充分保证了系统在运行过程中的经济性；其次在第二阶段优化模型中加入供能设备的最经济性修正方案，既保证了预测误差和负荷波动带来的能量平衡问题，同时也能满足最优经济性条件；考虑到储能系统的高投资成本特性，在第二阶段优化中将储能系统的波动成本最小作为优化目标，保证了系统运行对设备的安全稳定性。在模型算法方面，采用了改进的头脑风暴优化(BSO)算法，并采用分层次密度聚类算法对初始可行解进行密度聚类，在保持可行解的种群多样化及搜索精细化的基础上，提升了最优解的搜索速度，提高了搜索效率，避免进入局部最优的僵化状态，保证了结果的全局性和精确性。
以上是本申请的方法的实施例，本申请还包括一种基于两阶段能量优化的综合能源系统调度装置的一个实施例，如图3所示，图3中包括：
第一模型构建单元201，用于基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
第二模型构建单元202，用于对供能设备及储能设备按照其出力波动成本最小为目标进行修正，以构建综合能源系统的日内实时优化模型；
求解单元203，用于采用改进的基于分层次密度聚类算法的BSO算法求解日前调度优化模型以及日内实时优化模型的最优运行维护参数。
在一种具体的实施方式中，日前调度优化模型的目标函数为：
Figure BDA0002760196920000151
式中，F表示经济调度成本，Nc表示在综合能源系统中CHP机组的数量，PHk(t)表示CHP机组在时段t内的电出力，QHk(t)表示CHP机组在时段t内的热出力，f(PHk(t),QHk(t))表示CHP机组的运行成本，COMHk(t)表示在t时段内的CHP机组维护成本；v表示综合能源系统内的光伏设备数量，Ppv(t)为t时段内的光伏发电功率，Cpvl(Ppv(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，CBj(t)表示锂电池j在时段t内的寿命运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；Ce(t)、Pgrid(t)分别表示t时刻的购电价格和购电电量，Ch(t)、Qgrid(t)分别表示t时刻的购热价格和购热功率，Δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，PGBi(t)表示燃料电池i在时段t内发出的电功率，CGBi(PGBi(t))表示燃气锅炉i在时段t内的运行成本，COMGBi(PGBi(t)表示燃料电池i在时段t内的维护成本。
在一种具体的实施方式中，日内实时优化模型中供能设备修正模型为：
Figure BDA0002760196920000161
式中，
Figure BDA0002760196920000162
分别为CHP系统修正后的功率输出值，
Figure BDA0002760196920000163
为光伏设备修正后的功率输出值，
Figure BDA0002760196920000164
为燃气锅炉修正后的功率输出值；
储能设备修正模型为：
Figure BDA0002760196920000165
式中，
Figure BDA0002760196920000166
为修正后电储能设备的充放电功率，
Figure BDA0002760196920000167
为修正后蓄热装置的输出功率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请中术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (8)

1.一种基于两阶段能量优化的综合能源系统调度方法，其特征在于，包括：
基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型；
采用改进的基于分层次密度聚类算法的BSO算法，求解所述日前调度优化模型以及所述日内实时优化模型的最优运行维护参数；
所述日前调度优化模型的目标函数为：
Figure FDA0004052313340000011
式中，F表示经济调度成本，Nc表示在综合能源系统中CHP机组的数量，PHk(t)表示CHP机组在时段t内的电出力，QHk(t)表示CHP机组在时段t内的热出力，f(PHk(t),QHk(t))表示CHP机组的运行成本，COMHk(t)表示在t时段内的CHP机组维护成本；v表示综合能源系统内的光伏设备数量，Ppv(t)为t时段内的光伏发电功率，Cpvl(Ppv(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，CBj(t)表示锂电池j在时段t内的寿命运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；Ce(t)、Pgrid(t)分别表示t时刻的购电价格和购电电量，Ch(t)、Qgrid(t)分别表示t时刻的购热价格和购热功率，Δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，PGBi(t)表示燃料电池i在时段t内发出的电功率，COMHSj(t)表示蓄热装置在时段t内的维护成本，CGBi(QGBi(t))表示燃气锅炉i在时段t内的运行成本，COMGBi(QGBi(t))表示燃料电池i在时段t内的维护成本。
2.根据权利要求1所述的基于两阶段能量优化的综合能源系统调度方法，其特征在于，所述日前调度优化模型的约束条件为：
综合能源系统能量平衡约束：
Figure FDA0004052313340000021
Figure FDA0004052313340000022
式中，PL表示t时刻内的负荷预测功率；m为线路总数，Ploss表示线路功率损耗；QL为t时刻内的热负荷预测值；x为热线路总数，Qloss为线路热损耗；Ppvl(t)表示在t时段内的光伏发电总功率；
Figure FDA0004052313340000023
表示锂电池处于充电状态时的0-1变量；Pch(t)表示锂电池在t时间内的充电功率；
Figure FDA0004052313340000024
表示锂电池处于放电状态时的0-1变量；Pdis(t)表示锂电池在t时间内的放电功率；QGBi(t)表示燃气锅炉的热输出功率；
CHP机组运行约束：
PHmin≤PHi(t)≤PHmax
QHmin≤QHi(t)≤QHmax
式中，PHmin、PHmax分别代表CHP机组运行的电功率上下限；QHmin、QHmax分别代表CHP机组运行的热功率上下限；PHi(t)表示CHP机组运行的电功率；QHi(t)表示CHP机组运行的热功率；
锂电池的荷电状态约束为：
SOCmin≤SOC(t)≤SOCmax
式中，SOCmin、SOCmax分别代表锂电池运行时荷电状态的上下限限制；
系统从外网购能功率的上下限约束：
Pgridmin≤Pgrid(t)≤Pgridmax
Qgridmin≤Qgrid(t)≤Qgridmax；
Pgrid(t)表示t时刻的购电电量；Pgridmin、Pgridmax分别表示t时刻系统从外网购电功率的上下限约束；Qgrid(t)表示t时刻的购热功率，Qgridmin、Qgridmax分别表示t时刻系统从外网购热功率的上下限约束。
3.根据权利要求1所述的基于两阶段能量优化的综合能源系统调度方法，其特征在于，所述日内实时优化模型中供能设备修正模型为：
Figure FDA0004052313340000025
式中，
Figure FDA0004052313340000031
分别为CHP系统修正后的功率输出值，
Figure FDA0004052313340000032
为光伏设备修正后的功率输出值，
Figure FDA0004052313340000033
为燃气锅炉修正后的功率输出值；
Figure FDA0004052313340000034
表示修正后供能设备出力波动成本最小的目标函数；
储能设备修正模型为：
Figure FDA0004052313340000035
式中，
Figure FDA0004052313340000036
为修正后电储能设备的充放电功率，
Figure FDA0004052313340000037
为修正后蓄热装置的输出功率；
Figure FDA0004052313340000038
表示修正后储能设备出力波动成本最小的目标函数。
4.根据权利要求3所述的基于两阶段能量优化的综合能源系统调度方法，其特征在于，还包括：
对所述供能设备修正模型以及所述储能设备修正模型进行归一化处理，所得优化目标函数如下：
Figure FDA0004052313340000039
其中，ζ1、ζ2为权重系数。
5.根据权利要求1所述的基于两阶段能量优化的综合能源系统调度方法，其特征在于，所述采用改进的基于分层次密度聚类算法的BSO算法，求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数，具体为：
S01：输入初始数据，形成可行解数据库，所述初始数据包括运行维护参数；
S02：初始化最大迭代次数Nmax、初始变异产生概率
Figure FDA00040523133400000310
以及初始随机数Pg0；
S03：采用分层次密度聚类算法计算可行解的kdist、kden，并得到密度层次r和簇类数f；
S04：判断当前变异产生概率与所述初始变异产生概率的大小；
S051：若所述当前变异产生概率不大于所述初始变异产生概率，则随机选择1个第一聚类簇作为种群搜索最优解；
S052：产生一个随机数Pg，若Pg≤Pg0，则随机选择第一聚类簇中任意可行解作为初始粒子计算新一代粒子速度，生成新解；否则，选择第一聚类簇中心对象为初始粒子计算新一代粒子速度，生成新解；
S061：若所述当前变异产生概率大于所述初始变异产生概率，则随机选择2个第二聚类簇作为种群搜索最优解；
S061：产生一个随机数Pg，若Pg≤Pg0，则分别从2个第二聚类簇中各随机选择一个任意可行解，并将两个任意可行解进行融合作为初始粒子计算新一代粒子速度，生成新解；否则，选择2个第二聚类簇的中心对象为初始粒子计算新一代粒子速度，生成新解；
S07：若迭代次数N≤Nmax，则返回步骤S04，直到迭代次数达到最大迭代次数时，输出种群最优个体。
6.根据权利要求5所述的基于两阶段能量优化的综合能源系统调度方法，其特征在于，所述初始数据包括：CHP机组的运行维护参数，αk、βk、γk＞0、δk、θk＞0、εk、λe、λh；光伏设备的运维参数：λpv；储能电池的成本参数：Nes(t)、λOMB；燃气锅炉成本参数：CFC、LHVGB、QGBi(t)、ηGB、λGB；外电网购电价格Pgrid(t)和外热网购热价格Qgrid(t)；光伏发电功率Ppv(t)、综合能源系统电负荷预测结果PL及热负荷预测结果QL。
7.一种基于两阶段能量优化的综合能源系统调度装置，其特征在于，包括：
第一模型构建单元，用于基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
第二模型构建单元，用于对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型；
求解单元，用于采用改进的基于分层次密度聚类算法的BSO算法，求解所述日前调度优化模型以及所述日内实时优化模型的最优运行维护参数；
所述日前调度优化模型的目标函数为：
Figure FDA0004052313340000041
式中，F表示经济调度成本，Nc表示在综合能源系统中CHP机组的数量，PHk(t)表示CHP机组在时段t内的电出力，QHk(t)表示CHP机组在时段t内的热出力，f(PHk(t),QHk(t))表示CHP机组的运行成本，COMHk(t)表示在t时段内的CHP机组维护成本；v表示综合能源系统内的光伏设备数量，Ppv(t)为t时段内的光伏发电功率，Cpvl(Ppv(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，CBj(t)表示锂电池j在时段t内的寿命运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；Ce(t)、Pgrid(t)分别表示t时刻的购电价格和购电电量，Ch(t)、Qgrid(t)分别表示t时刻的购热价格和购热功率，Δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，PGBi(t)表示燃料电池i在时段t内发出的电功率，COMHSj(t)表示蓄热装置在时段t内的维护成本，CGBi(QGBi(t))表示燃气锅炉i在时段t内的运行成本，COMGBi(QGBi(t))表示燃料电池i在时段t内的维护成本。
8.根据权利要求7所述的基于两阶段能量优化的综合能源系统调度装置，其特征在于，所述日内实时优化模型中供能设备修正模型为：
Figure FDA0004052313340000051
式中，
Figure FDA0004052313340000052
分别为CHP系统修正后的功率输出值，
Figure FDA0004052313340000053
为光伏设备修正后的功率输出值，
Figure FDA0004052313340000054
为燃气锅炉修正后的功率输出值；
Figure FDA0004052313340000055
表示修正后供能设备出力波动成本最小的目标函数；
储能设备修正模型为：
Figure FDA0004052313340000056
式中，
Figure FDA0004052313340000057
为修正后电储能设备的充放电功率，
Figure FDA0004052313340000058
为修正后蓄热装置的输出功率；
Figure FDA0004052313340000059
表示修正后储能设备出力波动成本最小的目标函数。
CN202011215363.9A 2020-11-04 2020-11-04 一种基于两阶段能量优化的综合能源系统调度方法及装置 Active CN112418488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011215363.9A CN112418488B (zh) 2020-11-04 2020-11-04 一种基于两阶段能量优化的综合能源系统调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011215363.9A CN112418488B (zh) 2020-11-04 2020-11-04 一种基于两阶段能量优化的综合能源系统调度方法及装置

Publications (2)

Publication Number Publication Date
CN112418488A CN112418488A (zh) 2021-02-26
CN112418488B true CN112418488B (zh) 2023-04-28

Family

ID=74828460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011215363.9A Active CN112418488B (zh) 2020-11-04 2020-11-04 一种基于两阶段能量优化的综合能源系统调度方法及装置

Country Status (1)

Country Link
CN (1) CN112418488B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052498B (zh) * 2021-04-23 2024-04-05 国核电力规划设计研究院有限公司 基于综合能源系统的电转气两阶段转化装置调度方法
CN113256009B (zh) * 2021-05-31 2023-11-28 东南大学 一种基于气热惯性的两阶段多备用配置方法、系统和装置
CN113469412B (zh) * 2021-06-02 2024-04-09 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2344898A1 (en) * 2001-04-23 2002-10-23 Scott Fleming Teletrips
CN106300438A (zh) * 2015-05-15 2017-01-04 中国电力科学研究院 一种配电网日前两阶段优化调度方法
CN110197312A (zh) * 2019-06-28 2019-09-03 东南大学 一种基于多时间尺度的用户级综合能源系统优化调度方法
CN110363363A (zh) * 2019-07-31 2019-10-22 广东电网有限责任公司 一种用于综合能源系统的双阶段调度模型优化方法
CN111695742B (zh) * 2020-06-22 2023-05-23 南方电网科学研究院有限责任公司 一种综合能源系统日前调度区间优化方法、系统及设备

Also Published As

Publication number Publication date
CN112418488A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
Liu et al. Multi-objective optimization of multi-energy complementary integrated energy systems considering load prediction and renewable energy production uncertainties
Yan et al. Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria
CN112418488B (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
Wang et al. PSO-based multi-criteria optimum design of a grid-connected hybrid power system with multiple renewable sources of energy
CN108206543B (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN111463836B (zh) 一种综合能源系统优化调度方法
CN109859071B (zh) 虚拟电厂多能互补的源荷储优化配置方法
CN111445067B (zh) 一种适用于高铁站综合能源系统的多目标规划方法
CN108009693A (zh) 基于两级需求响应的并网微电网双层优化方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN113779783B (zh) 计及多重不确定性的区域综合能源系统规划与运行联合优化方法
Fan et al. Two-layer collaborative optimization for a renewable energy system combining electricity storage, hydrogen storage, and heat storage
CN116187173A (zh) 一种区域综合能源系统双层优化方法及系统
CN117081143A (zh) 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
CN114997715A (zh) 基于改进模糊c均值聚类的冷热电联供系统配置方法
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
Deng et al. Real-coded quantum optimization-based bi-level dispatching strategy of integrated power and heat systems
Ma et al. The optimal configuration of distributed generators for CCHP micro-grid based on double-layer operation strategy and improved NSGA-III algorithm
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
Gupta et al. Design of an autonomous renewable hybrid power system
CN113158547A (zh) 计及经济性和可靠性的区域综合能源系统优化配置方法
CN116468215A (zh) 计及源荷不确定性的综合能源系统调度方法及装置
CN113822572B (zh) 考虑能源共享和多风险的园区综合能源系统优化调度方法
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
Liang et al. Economic Optimal Configuration of Mico-gas turbine and Storage Device in an Integrated Energy System Based on Genetic Algorithm

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