CN112418537A - 一种面向多能源云储能系统的优化调度方法 - Google Patents
一种面向多能源云储能系统的优化调度方法 Download PDFInfo
- Publication number
- CN112418537A CN112418537A CN202011366054.1A CN202011366054A CN112418537A CN 112418537 A CN112418537 A CN 112418537A CN 202011366054 A CN202011366054 A CN 202011366054A CN 112418537 A CN112418537 A CN 112418537A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- gas
- storage system
- power
- natural gas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 44
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 170
- 239000003345 natural gas Substances 0.000 claims abstract description 85
- 238000007599 discharging Methods 0.000 claims abstract description 14
- 239000007789 gas Substances 0.000 claims description 90
- 230000014509 gene expression Effects 0.000 claims description 54
- 238000005457 optimization Methods 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 239000008236 heating water Substances 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- RZZGGSCKACYXBQ-UHFFFAOYSA-N 3,5,6,7,8,9-hexahydro-2h-cyclohepta[c]pyridazin-3-ylhydrazine Chemical compound C1CCCCC2=CC(NN)NN=C21 RZZGGSCKACYXBQ-UHFFFAOYSA-N 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 21
- 238000011084 recovery Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种面向多能源云储能系统的优化调度方法，属于多能源系统优化调度领域。该方法首先分别建立由目标函数和约束条件构成的热力系统优化调度模型、电力系统优化调度模型以及天然气优化调度模型，对该三个模型分别求解，将求解的结果代入多能源云储能系统优化调度模型，对多能源云储能系统优化调度模型求解，得到多能源云储能系统优化调度方案。本方法能够优化多能源云储能系统中各储能资源的充放电计划，以最小的成本代价，实现弃风电量的回收和重用，具有很高的应用价值。
Description
技术领域
本发明属于多能源系统优化调度领域，特别涉及一种面向多能源云储能系统的优化调度方法。
背景技术
储能技术是应对大规模可再生能源并网问题的最有效手段之一。为了应对日益严峻的能源危机和减排问题，我国将在未来30年内逐渐步入高比例可再生能源时代，而为了支撑可再生能源的进一步发展，具有灵活调节能力的储能资源将成为未来电力系统中的重要组成环节。然而，受限于高昂的投资成本，储能技术近年来依然是电力系统中的稀缺资源，尚未广泛应用。
近年来，共享经济在全球范围内的广泛应用和成功实施催生出了一种新型的储能商业模式——云储能模式。云储能是一种基于已建成的现有电网的共享储能技术，能够同时向多个用户提供储能服务，云储能模式中的储能服务可由集中式或分布式的储能设施提供。云储能主要依赖于共享资源而达到规模效益，使得用户能够可以更加低价的使用储能。云储能的具体定义和相关概念详见“康重庆，刘静坤，张宁.未来电力系统储能的新形态：云储能[J]，电力系统自动化，2017，41(21)，2-8”。
在现阶段关于云储能技术的研究中，均主要考虑对电力储能装置的共享，包括对集中式电力储能装置的分配使用，以及对大量分布式电力储能装置的聚合使用。实际上，在能源互联网发展浪潮下，多能源系统协调耦合已成为未来能源系统的重要发展趋势之一，而多能源系统又极大的丰富了云储能模式中的储能资源类型，例如：热力系统和燃气系统本身就具有等效储能特性，将其与热电联产机组、燃气轮机和电转气装置进行协调耦合，能够释放出十分可观的等效储电能力。但是，目前尚未见到将多能源系统中非电类储能资源进行聚合并共享使用的研究报道，也未见关于多能源云储能系统优化运行的相关研究。
发明内容
本发明的目的是为克服已有技术的不足之处，提出一种面向多能源云储能系统的优化调度方法。本方法能够优化多能源云储能系统中各储能资源的充放电计划，以最小的成本代价，实现弃风电量的回收和重用，具有很高的应用价值。
本发明提出一种面向多能源云储能系统的优化调度方法，其特征在于，包括以下步骤：
1)建立热力系统优化调度模型，对该模型求解，得到各热电联产机组在各时段下的供热功率和热力系统的运行成本的最优解；具体步骤如下：
1-1)建立热力系统优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
1-1-1)确定热力系统优化调度模型的目标函数，表达式如下：
其中，Γ为调度时间集合；Nh为热电联产机组集合；cCHP,i为热电联产机组i的产热成本；HCHP,i,t是热电联产机组i在时段t下的供热功率；
1-1-2)确定热力系统优化调度模型的约束条件，具体如下：
热电联产机组的热出力范围约束，表达式如下：
其中，H CHP,i和
分别表示热电联产机组i的热出力下限和上限；
热力系统的网络约束，如式(3)-(5)所示：
其中，
和
分别为热力系统中节点k在时段t下的供热水温和回水温度；
和
分别是热力系统中源节点在时段t下的供热水温和回水温度；
是源节点下的供水质量流量；
是流过管道k的质量流量；
和
分别是管道k的热惯性系数和传输延时；τamb是环境温度；
热力系统中供热水温和回水温度的变化范围约束，表达式如下：
其中，
和
分别是供热水温的下限和上限；
和
分别回水温度的下限和上限；
1-2)对步骤1-1)建立的模型求解，得到HCHP,i,t的最优解和
的最优解；
2)建立电力系统优化调度模型，对该模型求解，得到各燃气轮机各时段的出力、各时段弃风情况、各时段最大可消纳风电出力的最优解；具体步骤如下：
2-1)建立电力系统优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
2-1-1)确定电力系统优化调度模型的目标函数，表达式如下：
其中，
和St分别为电力系统在时段t下总燃料耗量成本和机组启停成本；
2-1-2)确定电力系统优化调度模型的约束条件，具体如下：
系统功率平衡约束，表达式如下：
系统备用容量约束，表达式如下：
其中，NG是包含常规机组、燃气机组和热电联产机组的集合；Nw是风电机组集合；PG,i,t是除风电机组以外的其余机组在时段t下出力总和；PW,i,t和
分别表示在时段t下风电的预测出力和弃风情况；PL,t表示在时段t下系统负荷；
和
分别表示时段t下机组能够提供的正向旋转备用量和负向旋转备用量；
和
分别是留作系统正旋转备用的负荷比例和留作系统负旋转备用的负荷比例；
机组出力上下限约束，表达式如下：
机组爬/滑坡速率约束，表达式如下：
|PGt,t-PGt,t-1|≤rGt (11)
机组最小持续运行/停机时间约束，表达式如下：
系统最大能够接受的风电出力增量约束，表达式如下：
其中，PGt,t为在时段t下常规机组或燃气机组的出力；uGt,t为表征在时段t下常规机组或燃气机组的二进制变量；P Gt和
分别为在时段t下机组出力下限和上限；rGt为在时段t下机组的最大爬坡或滑坡速率；
和
分别为在时段t下机组的持续开机和停机时长；
和
分别为在时段t下机组的最小持续开机和停机时长；PCHP,i,t是在时段t下热电联产机组i的电出力；F CHP,i和
分别是热电联产机组i的最小和最大燃料耗量；P CHP,i和
分别是热电联产机组i的最小和最大电出力；
为在时段t下系统能够接受的风电出力增量；
2-2)对步骤2-1)建立的模型求解，得到PTG,i,t的最优解、
的最优解和
的最优解；
3)建立天然气优化调度模型，对该模型求解，得到天然气系统的运行成本和各时段电转气装置耗电量的最优解；具体步骤如下：
3-1)建立天然气优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
3-1-1)确定天然气优化调度模型的目标函数，表达式如下；
其中，Ngw是表示天然气源的集合；Np2g是电转气装置集合；cgw,i是天然气井i的供气成本；Pp2g,t是在时段t下电转气装置的耗电量；et是时段t的电价；
3-1-2)确定天然气优化调度模型的约束条件，具体如下：
气源约束，表达式如下：
其中，qgw,i,t是天然气源i的天然气产气量；
和W gw,i分别是天然气源i的最大产气量和最小产气量；
天然气节点气量平衡约束，表达式如下：
支路的天然气流约束，表达式如下：
天然气节点的气压变化范围约束，表达式如下：
管存气压量约束，表达式如下：
其中，
和
分别表示在时段t下流入和流出管道ij的天然气流量；Lg,i,t是在时段t下节点i的天然气负荷；qGT,u,t是在时段t下燃气轮机u的天然气耗量；N(i)是与节点i相连的全部节点集合；U(i)是与节点i相连的燃气轮机集合；
是在时段t下管道ij的平均天然气流量；pi,t是在时段t下节点i的气压；
和p i分别是节点i的最大和最小气压；
是在时段t下管道ij的管存；kgl,ij是反映天然气流量与气压之间关联关系的系数；klp,ij是反映管存与管道气压间关联关系的系数；
电转气装置的运行约束，表达式如下：
其中，qp2g,i,t是时段t下电转气装置的产气量；
是电转气装置的转化效率；
是天然气的热值；
是电转气装置的最大耗气量；
3-2)对步骤3-1)建立的模型求解，得到
的最优解和Pp2g,t的最优解；
4)建立多能源云储能系统优化调度模型，对该模型求解，得到多能源云储能系统优化调度方案；具体步骤如下：
4-1)建立多能源云储能系统优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
4-1-1)建立多能源云储能系统优化调度模型的目标函数，表达式如下：
其中，
表示多能源云储能系统的总收益；
ΔPgt,t和ΔPCAESd,t分别是热电联产机组、燃气机组和先进绝热压缩空气储能在时段t下的出力提升量；pw,t表示时段t下风电上网电价；
表示在热力系统参与多能源云储能系统协同调度后的运行成本；
为热力系统参与多能源云储能系统调度后前1天运行成本的增加量；
表示在天然气系统参与多能源云储能系统协同调度后的运行成本；ΔS′gt,t表示在多能源云储能系统协调调度过程中在时段t下额外的燃气机组开机成本；
表示先进绝热压缩空气储能参与多能源云储能协调运行后的运行成本提升量；ΔhCAES表示先进绝热压缩空气储能系统参与多能源云储能后增加的运行小时数；
表示先进绝热压缩空气储能系统单位运行小时的运行与维护成本；
4-1-2)确定多能源云储能系统优化调度模型的约束条件，具体如下：
等效最大充电和放电功率约束，分别如式(24)和式(25)所示：
其中，
为热电联产机组的出力减少量；ΔPCAESc,t和ΔPCAESd,t分别为先进绝热压缩空气储能系统的充电功率增加量和放电功率增加量；
为参与多能源云储能的风电场集合；
先进绝热压缩空气储能系统的运行约束表达式如式(26)-(33)所示：
u′CAESc,t+u′CAESg,t≤1 (26)
p′CAES,t＝p′CAES,t-1+kCAEScPC′AESc,t-kCAESgPC′AESg,t (27)
其中，P′CAESc,t和P′CAESd,t分别为先进绝热压缩空气储能系统在参与多能源云储能系统协调运行后时段t下的充电功率和放电功率；PCAESc,t和PCAESd,t分别表示先进绝热压缩空气储能系统时段t下的原始充电功率和放电功率；u′CAESc,t和u′CAESd,t分别为表示先进绝热压缩储能系统时段t下是否处于充电状态和发电状态的二进制变量；p′CAES,t为时段t下储气室内的气压；p CAES和
分别为储气室气压下限和上限；P CAESc和
分别是先进绝热压缩空气储能系统的最小和最大充电功率；P CAESd和
分别是先进绝热压缩空气储能系统的最小和最大放电功率；kCAESc和kCAESg为反映功率和气压间关联关系的系数；ΓCAESc和ΓCAESd分别为在原始先进绝热压缩空气储能系统调度计划中其处于充电工况和放电工况的时段；
和
分别表示先进绝热压缩空气储能系统在参与多能源云储能协调调度前末时段的储气室气压和先进绝热压缩空气储能系统在参与多能源云储能协调调度后末时段的储气室气压；
等效电力储能约束，表达式如下：
其中，E′CHP表示热力系统参与多能源云储能前热电联产机组的总电出力大小，ECHP表示热力系统参与多能源云储能后热电联产机组的总电出力大小；Q′gas表示天然气系统在参与多能源云储能前该系统的总天然气耗量，Qgas表示天然气系统在参与多能源云储能后该系统的总天然气耗量；
该模型的约束条件还包括式(2)-(6)，以及式(15)-(19)及式(22)；
4-2)对步骤4-1)建立的模型求解，得到ΔPCAESc,t、ΔPCAESd,t、
ΔPp2g,t和ΔPgt,t的最优解，即为多能源云储能系统优化调度方案。
本发明的特点及有益效果在于：
1、本发明的多能源云储能系统能够有效整合各类型储能装置，包括电类储能装置和非电类储能装置，并能够将非电类储能作为“等效”电力储能进行协同调控，使其与电力储能装置共同为云储能用户提供等效储能服务，从而极大的丰富了云储能系统中的储能来源，使得云储能系统能够为更多用户提供储能服务。此外，由于多能源云储能能够更充分的利用系统中的各类型储能资源，其能够比用户直接安装和使用电池储能更具经济性。
2、本发明同时考虑了先进绝热压缩空气储能系统、热力系统和燃气系统的协调互动，使得三者能够共同帮助风电场消纳风电，以最小的成本代价，实现弃风电量的回收和重用。
附图说明
图1为本发明提供的多能源云储能系统组成架构和基本运行机理示意图；
图2为本发明提供的多能源云储能系统优化调度模型求解过程流程图；
图3为实施例中多能源云储能系统的结构示意图；
图4为实施例中计算得到的弃风曲线；
具体实施方式
本发明提出一种面向多能源云储能系统的优化调度方法，下面结合附图及具体实施例对本发明进一步详细说明如下。
本发明提出一种面向多能源云储能系统的优化调度方法，所述多能源云储能系统结构如图1所示：本发明的多能源云储能系统共由三个部分构成，包括：多能源云储能运营商、储能供应商和多能源云储能用户。在该多能源云储能系统中，储能供应商主要包括：热力系统、天然气系统和先进绝热压缩空气储能电站。需要指出的是，先进绝热压缩空气储能电站并不属于多能源云储能运营商，而是由其所有者提供给多能源云储能运营商使用的。因此，多能源云储能运营商的调控策略不能够影响到先进绝热压缩空气储能所有者对其的正常使用。在本发明中多能源云储能的用户是风电场。
如图1所示，多能源云储能运营商通过对热力系统、燃气系统和先进绝热压缩空气储能进行合理的调控，为风电场提供等效储能服务，将风电场的弃风量进行存储，并在合适的时间段放电，将所存储的电能以风电上网电价出售。
本发明提出一种面向多能源云储能系统的优化调度方法，整体流程如图2所示，包括以下步骤：
1)建立热力系统优化调度模型，对该模型求解，得到各热电联产机组在各时段下的供热功率(HCHP,i,t)和热力系统的运行成本
的最优解；具体步骤如下：
1-1)建立热力系统优化调度模型，该模型由目标函数和约束条件构成。具体步骤如下：
1-1-1)确定热力系统优化调度模型的目标函数；
热力系统优化调度的目标为最小化热力系统的运行成本。该模型目标函数的表达式如下：
其中，Γ为调度时间集合；Nh为热电联产机组集合；cCHP,i为热电联产机组i的产热成本；HCHP,i,t是热电联产机组i在时段t下的供热功率。
1-1-2)确定热力系统优化调度模型的约束条件，具体如下：
热电联产机组的热出力范围约束，表达式如下：
其中，H CHP,i和
分别表示热电联产机组i的热出力下限和上限。
热力系统的网络约束如式(3)-(5)所示；其中，供热水温计算表达式如式(3)所示，回水温度计算表达式如式(4)所示，供热水温和回水温度间的关系由式(5)表示。
其中，
和
分别为热力系统中节点k在时段t下的供热水温和回水温度；
和
分别是热力系统中源节点在时段t下的供热水温和回水温度；
是源节点下的供水质量流量；
是流过管道k的质量流量；
和
分别是管道k的热惯性系数和传输延时；τamb是环境温度。
热力系统中供热水温和回水温度的变化范围约束，表达式如下：
其中，
和
分别是供热水温的下限和上限；
和
分别回水温度的下限和上限。
1-2)采用商用优化软件IBM ILOG CPLEX对步骤1-1)建立的模型求解，得到各热电联产机组在各时段下的供热功率HCHP,i,t的最优解，以及热力系统的运行成本
的最优解。
2)建立电力系统优化调度模型，对该模型求解，得到各燃气轮机各时段的出力(PTG,i,t)、各时段弃风情况
各时段最大可消纳风电出力
的最优解；具体步骤如下：
2-1)建立电力系统优化调度模型，该模型由目标函数和约束条件构成。具体步骤如下：
2-1-1)确定电力系统优化调度模型的目标函数；
电力系统的优化调度目标为最小化电力系统运行成本。该模型的目标函数表达式如下：
其中，
和St分别为电力系统在时段t下总燃料耗量成本和机组启停成本。
2-1-2)确定电力系统优化调度模型的约束条件，具体如下：
电力系统优化调度模型中的系统约束表达式如式(8)和(9)所示；其中，系统功率平衡约束表达式如式(8)所示，系统备用容量约束表达式如式(9)所示。
其中，NG是包含常规机组、燃气机组和热电联产机组的集合；Nw是风电机组集合；PG,i,t是除了风电机组以外的其余机组在时段t下出力总和；PW,i,t和
分别表示在时段t下风电的预测出力和弃风情况；PL,t表示在时段t下系统负荷；
和
分别表示时段t下机组能够提供的正向和负向旋转备用量；
和
是留作系统正旋转备用和负旋转备用的负荷比例。
常规/燃气机组的约束表达式如式(10)-(13)所示；其中，式(10)为机组出力上下限约束，式(11)为机组爬/滑坡速率约束，式(12)为机组最小持续运行/停机时间约束，系统最大能够接受的风电出力增量计算表达式如(13)所示。
|PGt,t-PGt,t-1|≤rGt (11)
其中，PGt,t为在时段t下常规机组或燃气机组的出力；uGt,t为表征在时段t下常规机组或燃气机组的二进制变量；P Gt和
分别为在时段t下机组出力下限和上限；rGt为在时段t下机组的最大爬坡/滑坡速率；
和
分别为在时段t下机组的持续开机和停机时长；
和
分别为在时段t下机组的最小持续开机和停机时长；PCHP,i,t是在时段t下热电联产机组i的电出力；F CHP,i和
分别是热电联产机组i的最小和最大燃料耗量；P CHP,i和
分别是热电联产机组i的最小和最大电出力；
为在时段t下系统能够接受的风电出力增量。
2-2)采用商用优化软件IBM ILOG CPLEX对步骤2-1)建立的模型求解，得到各燃气轮机各时段的出力PTG,i,t的最优解、各时段弃风情况
的最优解和各时段最大可消纳风电出力
的最优解。
3)建立天然气优化调度模型，对该模型求解，得到天然气系统的运行成本
和各时段电转气装置耗电量(Pp2g,t)的最优解；具体步骤如下：
3-1)建立天然气优化调度模型，该模型由目标函数和约束条件构成。具体步骤如下：
3-1-1)确定天然气优化调度模型的目标函数；
天然气系统的优化调度目标为最小化天然气系统运行成本。该模型的目标函数表达式如下：
其中，Ngw是表示天然气源的集合；Np2g是电转气装置集合；cgw,i是天然气井i的供气成本；Pp2g,t是在时段t下电转气装置的耗电量；et是时段t的电价。
3-1-2)确定天然气优化调度模型的约束条件，具体如下：
气源约束，表达式如下：
其中，qgw,i,t是天然气源i的天然气产气量；
和W gw,i分别是天然气源i的最大和最小产气量。
天然气网络约束表达式如式(16)-(19)所示；其中，天然气节点气量平衡约束如式(16)所示，式(17)用于计算支路的天然气流，天然气节点的气压变化范围约束如式(18)所示，管存气压量可由式(19)计算得到。
其中，
和
分别表示在时段t下流入和流出管道ij的天然气流量；Lg,i,t是在时段t下节点i的天然气负荷；qGT,u,t是在时段t下燃气轮机u的天然气耗量；N(i)是与节点i相连的全部节点集合；U(i)是与节点i相连的燃气轮机集合；
是在时段t下管道ij的平均天然气流量；pi,t是在时段t下节点i的气压；
和p i分别是节点i的最大和最小气压；
是在时段t下管道ij的管存；kgl,ij是反映天然气流量与气压之间关联关系的系数；klp,ij是反映管存与管道气压间关联关系的系数。
kgl,ij和klp,ij的计算表达式如下所示：
其中，Dij表示天然气管道ij的管径；Δxij为管道ij的长度；Fij为管道的摩擦系数；R为理想气体常数；T为气体温度；Z为气体的压缩系数；ρ0为标注状态下的气体密度。
电转气装置的运行约束表达式如式(22)所示。
其中，qp2g,i,t是时段t下电转气装置的产气量；
是电转气装置的转化效率；
是天然气的热值；
是电转气装置的最大耗气量。
3-2)采用商用优化软件IBM ILOG CPLEX对步骤3-1)建立的模型求解，得到天然气系统的运行成本
的最优解和各时段电转气装置耗电量Pp2g,t的最优解。
4)建立多能源云储能系统优化调度模型，对该模型求解，得到多能源云储能系统优化调度方案；具体步骤如下：
4-1)建立多能源云储能系统优化调度模型，该模型由目标函数和约束条件构成。具体步骤如下：
4-1-1)建立多能源云储能系统优化调度模型的目标函数；
多能源云储能系统的优化调度目标为最大化系统的运行收益。该模型的目标函数表达式如下：
其中，
表示多能源云储能系统的总收益；
ΔPgt,t和ΔPCAESd,t分别是热电联产机组、燃气机组和先进绝热压缩空气储能在时段t下的出力提升量；pw,t表示时段t下风电上网电价；
表示在热力系统参与多能源云储能系统协同调度后的运行成本；
表示由1)计算得到的热力系统运行成本；
为热力系统参与多能源云储能系统调度后前1天运行成本的增加量(由于热力系统惯性大，其参加云储能系统调度后，前一天的调度结果实际上也受到了影响，成本也会有增加)；
表示在天然气系统参与多能源云储能系统协同调度后的运行成本；ΔS′gt,t表示在多能源云储能系统协调调度过程中在时段t下额外的燃气机组开机成本；
表示由3)中计算得到的天然气系统运行成本；
表示先进绝热压缩空气储能参与多能源云储能协调运行后的运行成本提升量；ΔhCAES表示先进绝热压缩空气储能系统参与多能源云储能后增加的运行小时数；
表示先进绝热压缩空气储能系统单位运行小时的运行与维护成本。
4-1-2)确定多能源云储能系统优化调度模型的约束条件，具体如下：
等效最大充电和放电功率约束分别如式(24)和式(25)所示。
其中，
为热电联产机组的出力减少量；ΔPCAESc,t和ΔPCAESd,t分别为先进绝热压缩空气储能系统的充电功率增加量和放电功率增加量；
为参与多能源云储能的风电场集合。
先进绝热压缩空气储能系统的运行约束表达式如式(26)-(33)所示；其中，压缩功率和发电功率上下限约束分别如式(26)和(27)所示，运行状态约束如式(28)所示，储气室气压可由式(29)计算，储气室内的气压范围约束如式(30)所示，式(31)-(33)用于避免多能源云储能运营商对先进绝热压缩空气储能的调控影响到其所有者对其的正常使用。
u′CAESc,t+u′CAESg,t≤1 (28)
p′CAES,t＝p′CAES,t-1+kCAEScP′CAESc,t-kCAESgP′CAESg,t (29)
其中，P′CAESc,t和P′CAESd,t分别为先进绝热压缩空气储能系统在参与多能源云储能系统协调运行后时段t下的充电功率和放电功率；PCAESc,t和PCAESd,t分别表示先进绝热压缩空气储能系统时段t下的原始充电功率和放电功率；u′CAESc,t和u′CAESd,t分别为表示先进绝热压缩储能系统时段t下是否处于充电状态和发电状态的二进制变量；p′CAES,t为时段t下储气室内的气压；p CAES和
分别为储气室气压下限和上限；P CAESc和
分别是先进绝热压缩空气储能系统的最小和最大充电功率；P CAESd和
分别是先进绝热压缩空气储能系统的最小和最大放电功率；kCAESc和kCAESg为反映功率和气压间关联关系的系数；ΓCAESc和ΓCAESd分别为在原始先进绝热压缩空气储能系统调度计划中其处于充电工况和放电工况的时段；
和
分别表示先进绝热压缩空气储能系统在参与多能源云储能协调调度前末时段的储气室气压和先进绝热压缩空气储能系统在参与多能源云储能协调调度后末时段的储气室气压；
等效电力储能约束，表达式如下：
其中，E′CHP表示热力系统参与多能源云储能前热电联产机组的总电出力大小，ECHP表示热力系统参与多能源云储能后热电联产机组的总电出力大小；
Q′gas表示天然气系统在参与多能源云储能前该系统的总天然气耗量，Qgas表示天然气系统在参与多能源云储能后该系统的总天然气耗量。
此外，该模型的约束条件还包括式(2)-(6)，以及式(15)-(19)及式(22)。
4-2)采用商用优化软件IBM ILOG CPLEX对步骤4-1)建立的模型求解，得到ΔPCAESc,t、ΔPCAESd,t、
ΔPp2g,t和ΔPgt,t的最优解，即为多能源云储能系统优化调度方案。
实施例：
本发明的实施例主要基于文献“N.Zhang,X.Lu,M.B.Mcelroy,et al.“Reducingcurtailment of wind electricity in China by employing electric boilers forheat and pumped hydro for energy storage.”Applied Energy,vol.184,pp.987-994,2016.”中我国内蒙古西部的电网数据开展算例仿真分析。假设有两座风电场作为多能源云储能的用户，参与到多能源云储能系统的优化运行中；1个6节点热力系统、1个6节点的天然气系统和1座50MW的先进绝热压缩空气储能作为多能源云储能系统中的储能供应商。实施例中的多能源云储能系统结构示意图如图3所示。根据我国风电上网电价的相关政策，实施例中选取风电上网电价为470元/MWh。
热力系统和天然气系统中的参数主要分别来源于文献“S.Lu,W.Gu,K.Meng,etal.“Thermal inertial aggregation model for integrated energy systems.”IEEETransactions on Power Systems,vol.3,no.35,pp.2374-2387,2020.”和文献“C.M.Correa-Posada,P.Sanchez-Martin.“Integrated Power and Natural Gas Modelfor Energy Adequacy in Short-Term Operation.”IEEE Transactions on PowerSystems,vol.30,no.6,pp.3347-3355,2015.”。热电联产机组的最大供热功率和供电功率分别为50MW和75MW；燃气机组的出力范围为10-195MW，单次开机成本为5000元；电转气装置的最大耗电功率为200MW；先进绝热压缩空气储能增加单位小时运行时间所需的运行和维护成本为1085元。
根据本发明中提出的热力系统优化调度模型和电力系统优化调度模型，可以计算得到两个风电场的弃风情况，弃风曲线如图4所示。
根据本发明提出的天然气优化调度模型和多能源云储能系统优化调度模型，可以求得本发明所提出的多能源云储系统收益与弃风回收量明细：
表1系统收益与弃风回收量明细
由表1可以看出，多能源云储能系统依靠回收和重用两座风电场的弃风电量，在一天中一共能够回收和重用236.14MWh的弃风电量，并获得104476.49元的净收益。其中，热力系统、天然气系统和先进绝热压缩空气储能系统分别贡献了总回收电量中的24.53％、53.11％和22.35％。
Claims (1)
1.一种面向多能源云储能系统的优化调度方法，其特征在于，包括以下步骤：
1)建立热力系统优化调度模型，对该模型求解，得到各热电联产机组在各时段下的供热功率和热力系统的运行成本的最优解；具体步骤如下：
1-1)建立热力系统优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
1-1-1)确定热力系统优化调度模型的目标函数，表达式如下：
其中，Γ为调度时间集合；Nh为热电联产机组集合；cCHP,i为热电联产机组i的产热成本；HCHP,i,t是热电联产机组i在时段t下的供热功率；
1-1-2)确定热力系统优化调度模型的约束条件，具体如下：
热电联产机组的热出力范围约束，表达式如下：
其中，H CHP,i和
分别表示热电联产机组i的热出力下限和上限；
热力系统的网络约束，如式(3)-(5)所示：
其中，
和
分别为热力系统中节点k在时段t下的供热水温和回水温度；
和
分别是热力系统中源节点在时段t下的供热水温和回水温度；
是源节点下的供水质量流量；
是流过管道k的质量流量；
和
分别是管道k的热惯性系数和传输延时；τamb是环境温度；
热力系统中供热水温和回水温度的变化范围约束，表达式如下：
其中，
和
分别是供热水温的下限和上限；
和
分别回水温度的下限和上限；
1-2)对步骤1-1)建立的模型求解，得到HCHP,i,t的最优解和
的最优解；
2)建立电力系统优化调度模型，对该模型求解，得到各燃气轮机各时段的出力、各时段弃风情况、各时段最大可消纳风电出力的最优解；具体步骤如下：
2-1)建立电力系统优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
2-1-1)确定电力系统优化调度模型的目标函数，表达式如下：
其中，
和St分别为电力系统在时段t下总燃料耗量成本和机组启停成本；
2-1-2)确定电力系统优化调度模型的约束条件，具体如下：
系统功率平衡约束，表达式如下：
系统备用容量约束，表达式如下：
其中，NG是包含常规机组、燃气机组和热电联产机组的集合；Nw是风电机组集合；PG,i,t是除风电机组以外的其余机组在时段t下出力总和；PW,i,t和
分别表示在时段t下风电的预测出力和弃风情况；PL,t表示在时段t下系统负荷；
和
分别表示时段t下机组能够提供的正向旋转备用量和负向旋转备用量；
和
分别是留作系统正旋转备用的负荷比例和留作系统负旋转备用的负荷比例；
机组出力上下限约束，表达式如下：
机组爬/滑坡速率约束，表达式如下：
|PGt,t-PGt,t-1|≤rGt (11)
机组最小持续运行/停机时间约束，表达式如下：
系统最大能够接受的风电出力增量约束，表达式如下：
其中，PGt,t为在时段t下常规机组或燃气机组的出力；uGt,t为表征在时段t下常规机组或燃气机组的二进制变量；P Gt和
分别为在时段t下机组出力下限和上限；rGt为在时段t下机组的最大爬坡或滑坡速率；
和
分别为在时段t下机组的持续开机和停机时长；
和
分别为在时段t下机组的最小持续开机和停机时长；PCHP,i,t是在时段t下热电联产机组i的电出力；F CHP,i和
分别是热电联产机组i的最小和最大燃料耗量；P CHP,i和
分别是热电联产机组i的最小和最大电出力；
为在时段t下系统能够接受的风电出力增量；
2-2)对步骤2-1)建立的模型求解，得到PTG,i,t的最优解、
的最优解和
的最优解；
3)建立天然气优化调度模型，对该模型求解，得到天然气系统的运行成本和各时段电转气装置耗电量的最优解；具体步骤如下：
3-1)建立天然气优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
3-1-1)确定天然气优化调度模型的目标函数，表达式如下；
其中，Ngw是表示天然气源的集合；Np2g是电转气装置集合；cgw,i是天然气井i的供气成本；Pp2g,t是在时段t下电转气装置的耗电量；et是时段t的电价；
3-1-2)确定天然气优化调度模型的约束条件，具体如下：
气源约束，表达式如下：
其中，qgw,i,t是天然气源i的天然气产气量；
和W gw,i分别是天然气源i的最大产气量和最小产气量；
天然气节点气量平衡约束，表达式如下：
支路的天然气流约束，表达式如下：
天然气节点的气压变化范围约束，表达式如下：
管存气压量约束，表达式如下：
其中，
和
分别表示在时段t下流入和流出管道ij的天然气流量；Lg,i,t是在时段t下节点i的天然气负荷；qGT,u,t是在时段t下燃气轮机u的天然气耗量；N(i)是与节点i相连的全部节点集合；U(i)是与节点i相连的燃气轮机集合；
是在时段t下管道ij的平均天然气流量；pi,t是在时段t下节点i的气压；
和p i分别是节点i的最大和最小气压；
是在时段t下管道ij的管存；kgl,ij是反映天然气流量与气压之间关联关系的系数；klp,ij是反映管存与管道气压间关联关系的系数；
电转气装置的运行约束，表达式如下：
其中，qp2g,i,t是时段t下电转气装置的产气量；
是电转气装置的转化效率；lgas是天然气的热值；
是电转气装置的最大耗气量；
3-2)对步骤3-1)建立的模型求解，得到
的最优解和Pp2g,t的最优解；
4)建立多能源云储能系统优化调度模型，对该模型求解，得到多能源云储能系统优化调度方案；具体步骤如下：
4-1)建立多能源云储能系统优化调度模型，该模型由目标函数和约束条件构成；具体步骤如下：
4-1-1)建立多能源云储能系统优化调度模型的目标函数，表达式如下：
其中，
表示多能源云储能系统的总收益；
ΔPgt,t和ΔPCAESd,t分别是热电联产机组、燃气机组和先进绝热压缩空气储能在时段t下的出力提升量；pw,t表示时段t下风电上网电价；
表示在热力系统参与多能源云储能系统协同调度后的运行成本；
为热力系统参与多能源云储能系统调度后前1天运行成本的增加量；
表示在天然气系统参与多能源云储能系统协同调度后的运行成本；ΔS′gt,t表示在多能源云储能系统协调调度过程中在时段t下额外的燃气机组开机成本；
表示先进绝热压缩空气储能参与多能源云储能协调运行后的运行成本提升量；ΔhCAES表示先进绝热压缩空气储能系统参与多能源云储能后增加的运行小时数；
表示先进绝热压缩空气储能系统单位运行小时的运行与维护成本；
4-1-2)确定多能源云储能系统优化调度模型的约束条件，具体如下：
等效最大充电和放电功率约束，分别如式(24)和式(25)所示：
其中，
为热电联产机组的出力减少量；ΔPCAESc,t和ΔPCAESd,t分别为先进绝热压缩空气储能系统的充电功率增加量和放电功率增加量；
为参与多能源云储能的风电场集合；
先进绝热压缩空气储能系统的运行约束表达式如式(26)-(33)所示：
u′CAESc,t+u′CAESg,t≤1 (26)
p′CAES,t＝p′CAES,t-1+kCAEScP′CAESc,t-kCAESgP′CAESg,t (27)
其中，P′CAESc,t和P′CAESd,t分别为先进绝热压缩空气储能系统在参与多能源云储能系统协调运行后时段t下的充电功率和放电功率；PCAESc,t和PCAESd,t分别表示先进绝热压缩空气储能系统时段t下的原始充电功率和放电功率；u′CAESc,t和u′CAESd,t分别为表示先进绝热压缩储能系统时段t下是否处于充电状态和发电状态的二进制变量；p′CAES,t为时段t下储气室内的气压；p CAES和
分别为储气室气压下限和上限；P CAESc和
分别是先进绝热压缩空气储能系统的最小和最大充电功率；P CAESd和
分别是先进绝热压缩空气储能系统的最小和最大放电功率；kCAESc和kCAESg为反映功率和气压间关联关系的系数；ΓCAESc和ΓCAESd分别为在原始先进绝热压缩空气储能系统调度计划中其处于充电工况和放电工况的时段；
和
分别表示先进绝热压缩空气储能系统在参与多能源云储能协调调度前末时段的储气室气压和先进绝热压缩空气储能系统在参与多能源云储能协调调度后末时段的储气室气压；
等效电力储能约束，表达式如下：
其中，E′CHP表示热力系统参与多能源云储能前热电联产机组的总电出力大小，ECHP表示热力系统参与多能源云储能后热电联产机组的总电出力大小；Q′gas表示天然气系统在参与多能源云储能前该系统的总天然气耗量，Qgas表示天然气系统在参与多能源云储能后该系统的总天然气耗量；
该模型的约束条件还包括式(2)-(6)，以及式(15)-(19)及式(22)；
4-2)对步骤4-1)建立的模型求解，得到ΔPCAESc,t、ΔPCAESd,t、
ΔPp2g,t和ΔPgt,t的最优解，即为多能源云储能系统优化调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011366054.1A CN112418537B (zh) | 2020-11-29 | 2020-11-29 | 一种面向多能源云储能系统的优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011366054.1A CN112418537B (zh) | 2020-11-29 | 2020-11-29 | 一种面向多能源云储能系统的优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112418537A true CN112418537A (zh) | 2021-02-26 |
| CN112418537B CN112418537B (zh) | 2022-12-09 |
Family
ID=74843831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011366054.1A Active CN112418537B (zh) | 2020-11-29 | 2020-11-29 | 一种面向多能源云储能系统的优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418537B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113037837A (zh) * | 2021-03-05 | 2021-06-25 | 东北大学 | 一种面向综合能源系统基于边缘计算的智能终端及其控制方法 |
| CN114865666A (zh) * | 2022-07-07 | 2022-08-05 | 中国长江三峡集团有限公司 | 计及热力系统云储能服务的新能源电站储能容量配置方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107944733A (zh) * | 2017-12-06 | 2018-04-20 | 华中科技大学 | 一种含风电、需求响应和压缩空气储能的电网调度方法 |
| CN109978362A (zh) * | 2019-03-20 | 2019-07-05 | 南京工程学院 | 一种气电网联合多区域综合能源系统建模及系统规划方法 |
-
2020
- 2020-11-29 CN CN202011366054.1A patent/CN112418537B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107944733A (zh) * | 2017-12-06 | 2018-04-20 | 华中科技大学 | 一种含风电、需求响应和压缩空气储能的电网调度方法 |
| CN109978362A (zh) * | 2019-03-20 | 2019-07-05 | 南京工程学院 | 一种气电网联合多区域综合能源系统建模及系统规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周丹等: "考虑供热系统热储能特性的电-热综合系统随机优化调度模型研究", 《可再生能源》 * |
| 张儒峰等: "考虑电转气消纳风电的电气综合能源系统双层优化调度", 《中国电机工程学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113037837A (zh) * | 2021-03-05 | 2021-06-25 | 东北大学 | 一种面向综合能源系统基于边缘计算的智能终端及其控制方法 |
| CN114865666A (zh) * | 2022-07-07 | 2022-08-05 | 中国长江三峡集团有限公司 | 计及热力系统云储能服务的新能源电站储能容量配置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112418537B (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738502B (zh) | 促进富余风电消纳的多能互补系统需求响应运行优化方法 | |
| CN109858711B (zh) | 一种计及价格型需求响应与csp电站参与的风电消纳日前调度方法 | |
| CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
| CN112418537B (zh) | 一种面向多能源云储能系统的优化调度方法 | |
| CN110318877B (zh) | 基于双模态解耦的热电联产系统的风电消纳方法 | |
| CN114330827B (zh) | 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 | |
| CN113792969A (zh) | 考虑气网动态特性和电转气综合能源系统优化调度方法 | |
| Zhang et al. | Stochastic optimal dispatch of combined heat and power integrated AA-CAES power station considering thermal inertia of DHN | |
| CN109038589B (zh) | 一种多省区电网协调运行生产模拟方法 | |
| CN113742944A (zh) | 一种考虑电制氢系统的虚拟电厂建模方法 | |
| CN115659651A (zh) | 一种考虑多种灵活性资源的综合能源协同优化调度方法 | |
| CN109376406B (zh) | 供能系统超结构模型、建模方法、计算机设备和存储介质 | |
| CN114662764A (zh) | 考虑电转气的水-电-气多能源系统协同优化调度方法 | |
| CN107834543B (zh) | 一种基于两阶段混合整数规划的电力系统运行模拟方法 | |
| CN112653137A (zh) | 计及碳交易的光热电站与风电系统、低碳调度方法及系统 | |
| CN115936336B (zh) | 一种虚拟电厂容量配置与调控运行优化方法 | |
| CN113128746A (zh) | 一种基于多代理的综合能源系统多主体联合优化运行方法 | |
| Fang et al. | Optimal operation strategy considering wind power accommodation in heating district | |
| Yang et al. | Coordinated optimal scheduling of multi-energy microgrid considering uncertainties | |
| CN114465226A (zh) | 一种电力系统多级备用获取联合优化模型的建立方法 | |
| CN113794242A (zh) | 一种计及天然气网动态特性的区间优化调度方法 | |
| Li et al. | Method of Market Participation for Wind/Photovoltaic/Energy Storage Based on KKT Condition | |
| Sha et al. | Robust economic dispatching of high renewable energy penetrated system with concentrating solar power providing reserve capacity | |
| Qi et al. | A Distributionally Robust Optimization Scheduling Model for Regional Integrated Energy Systems Considering Hot Dry Rock Co-Generation. | |
| CN114564815B (zh) | 基于布雷斯悖论效应的电力系统可靠性与经济性建模方法 |
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 |