CN112419087A - 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 - Google Patents
一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 Download PDFInfo
- Publication number
- CN112419087A CN112419087A CN202011310416.5A CN202011310416A CN112419087A CN 112419087 A CN112419087 A CN 112419087A CN 202011310416 A CN202011310416 A CN 202011310416A CN 112419087 A CN112419087 A CN 112419087A
- Authority
- CN
- China
- Prior art keywords
- power
- heat
- energy
- population
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000004146 energy storage Methods 0.000 claims description 36
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 34
- 238000005338 heat storage Methods 0.000 claims description 32
- 230000005611 electricity Effects 0.000 claims description 22
- 239000007789 gas Substances 0.000 claims description 17
- 239000003345 natural gas Substances 0.000 claims description 17
- 238000001816 cooling Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004378 air conditioning Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005057 refrigeration Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 6
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000004083 survival effect Effects 0.000 claims description 2
- 239000002918 waste heat Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004044 response 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,考虑冷、热、电负荷和光伏出力等不确定因素,通过引入差分进化算法的交叉‑变异机制的粒子群算法,提高模型求解的速度以及寻优能力。本发明综合考虑了负荷预测误差及分布式能源不确定因素,能够体现综合能源系统多能互补,协调运行的理念,而且提高了优化结果的可行性。
Description
技术领域
本发明属于电力技术领域,为一种聚合综合能源楼宇的虚拟电厂日前优化调度方法。
背景技术
虚拟电厂(Virtual Power Plants,VPP)是实现智能配电网的重要技术之一,它是指通过分布式能源管理系统将配电网中分散安装的清洁能源、可控负荷和储能系统合并作为一个特别的电厂参与电网运行,从而很好地协调智能电网与分布式能源之间的矛盾,充分挖掘分布式能源为电网和用户所带来的价值和效益。
随着经济增长带动生活水平提高,以楼宇型虚拟电厂为代表的终端用户用能比例逐步增加。目前已有研究以建筑运行成本最低为目标函数,建立了综合能源楼宇的日前优化调度模型,考虑了电动汽车集群参与日前调度、楼宇能源运营商定价机制、需求响应补偿价等等因素,但忽略了负荷预测误差及分布式能源不确定因素的重要影响。
发明内容
本发明的目的在于针对上述存在的问题,提出一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,以楼宇型虚拟电厂经济成本为目标,考虑冷、热、电负荷和光伏出力等不确定因素,提出一种日前优化调度模型。
本发明的技术方案为:一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,考虑冷、热、电负荷和光伏出力等不确定因素,以楼宇型虚拟电厂经济成本为目标,提出一种日前优化调度模型,包括以下步骤:
S1、构建楼宇型虚拟电厂模型,包括综合能源楼宇系统、储能系统、电制冷/制热系统和屋顶光伏系统;
S2、考虑虚拟电厂的不确定因素,以总成本最低设定目标函数,总成本包括天然气使用成本、电能购买成本和设备折旧费用;
S3、设置虚拟电厂的设备容量约束、功率平衡约束:
S4、构建粒子群-差分混合算法模型用于优化调度计算,其中基于S函数调整粒子群算法的惯性权重;
S5、在虚拟电厂模型输入综合能源楼宇系统的各项参数;
S6、调用粒子群-差分混合算法优化求解虚拟电厂模型,进行日前优化调度,获得各种类型负荷、设备的优化结果。
本发明提出一种聚合综合能源楼宇的虚拟电厂日前调度方法,与传统虚拟电厂不同,本发明中的虚拟电厂聚合了综合能源楼宇系统,并以冷热电三联供系统实现虚拟电厂中冷-热- 电负荷的优化调度,实现了虚拟电厂内部多能互补、协调调度的友好互动局面,相较于传统的以电能为主的虚拟电厂形式,该模式大大提高了能源利用效率,提高了冷-热-电能量的就地消纳率。此外,针对传统虚拟电厂优化调度模型常采用的基于商业求解器或普通粒子群算法求解的思路,本发明进行了改进,具体为基于S曲线的动态调整和惯性权重策略,在粒子群算法中引入差分进化算法的交叉-变异机制,从而大大提高模型求解的速度以及寻优能力。
附图说明
图1为本发明所述聚合综合能源楼宇的虚拟电厂日前优化调度方法流程图;
图2为本发明所述综合能源楼宇系统结构图;
图3为本发明所述S曲线;
图4为本发明所述粒子群算法计算流程图;
图5为本发明实施例中夏季楼宇负荷;
图6为本发明实施例中电负荷优化结果;
图7为本发明实施例中冷热负荷优化结果;
图8为本发明实施例中储能设备优化结果。
具体实施方式
为使本发明创造的内容更加清楚,下面结合附图,对本发明创造的具体实施方式作进一步详细描述。应当注意,为了清楚的目的,附图和说明中省略了与本发明创造无关的、本领域普通技术人员已知的部件的表示和描述。
本发明一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,其特征是考虑冷、热、电负荷和光伏出力等不确定因素,通过引入差分进化算法的交叉-变异机制的粒子群算法,提高模型求解的速度以及寻优能力。如图1所示,具体包括以下步骤:
S1、构建包括综合能源楼宇系统、储能系统、电制冷/制热系统、屋顶光伏系统的虚拟电厂模型;
S2、以总成本最低构建调度模型的目标函数,总成本包括天然气使用成本、电能购买成本和设备折旧费用;并设置虚拟电厂的设备容量约束、功率平衡约束,同时在调度模型中考虑虚拟电厂的不确定因素;
S3、基于S曲线的惯性权重调整策略,改进粒子群-差分混合算法;
S4、输入综合能源楼宇系统的各项参数;
S5、求解虚拟电厂日前优化调度模型,获得各种类型负荷、设备的优化结果。
以某个综合能源楼宇系统为实施例,对本发明方法的具体实施进行说明。
步骤S1中,构建楼宇型虚拟电厂模型,如图2所示,楼宇型虚拟电厂模型的聚合单元包括综合能源楼宇系统、储能系统、电制冷/制热系统和屋顶光伏系统,综合能源楼宇系统内部聚合单元为微型燃气轮机系统、储电装置以及储热装置,各系统构建如下:
微型燃气轮机的数学模型描述如式(1)-(2)所示:
Pgt(t)=Fgas(t)×ηgt×Lva/Δt (1)
其中,Pgt(t)为微型燃气轮机t时间段的发电功率;Fgas(t)为消耗的天然气量;ηgt为发电效率;Lva为天然气的低热值,取9.97kW·h/m3;Δt为一个优化时段;分别为微型燃气轮机出力的上下限。
采用冷水机组的吸收式制冷机机组,制冷系数设为常数,其数学模型可简化为式(6)至式 (7)所示。
Cab(t)=ηab×Hab(t) (6)
通用的储电模型,数学模型描述如式(8)至(11)所示:
其中,Wbat(t+1)、Wbat(t)为储能电池在t+1和t时间段的储电量,单位kW·h;δbat为储电设备的能量自损失系数;Pch(t)、Pdis(t)为在t时段储能电池的储电/放电功率,单位kW;ηbc、ηbd为储能电池的储电/放电效率;为储能电池的最小/最大荷电状态;为在t时间段储能设备的最大储电/放电功率。
本发明的储热模型的数学模型描述如式(12)至式(15)所示:
其中,Qtes(t+1)、Qtes(t)为储热设备在t+1和t时间段的储热量;δtes为能量自损失系数; Hch(t)、Hdis(t)为在t时间段储热/放热功率;ηtc、ηtd为储热/放热效率;Qtes min、Qtes max为最小/最大储热量;Hch max、Hdis max为最大储热/放热功率。
空调系统消耗电功率与制冷功率关系如式(16)-(17)所示:
Qac(t)=COPac×Pac(t) (17)
屋顶光伏系统的出力大小主要与实时的光伏组件安装的方位角与倾斜角度、太阳辐射强度、室外环境温度、光伏系统本身设计的容量等有关:
Ppv(t)=Spv×R×ηpv×cosθ (18)
其中,Ppv(t)是屋顶光伏系统的输出功率;Spv是光伏阵列的总面积;R是t时段太阳辐射的强度;ηpv是光伏阵列的光-热-电转换效率;θ是光照入射角度。
步骤S2中,以总成本最低构建调度模型的目标函数,总成本包括天然气使用成本、电能购买成本和设备折旧费用;并设置虚拟电厂的设备容量约束、功率平衡约束,同时在调度模型中考虑不确定因素:
虚拟电厂内部不确定因素来源包括两个部分:屋顶光伏系统出力预测误差和冷、热、电负荷预测误差,将屋顶光伏预测误差δpv(t)和负荷预测误差δl(t)按正态分布的概率分布函数处理,其中,根据负荷预测精度差异,设置冷、热负荷预测方差0.02,电负荷预测方差0.015,屋顶光伏系统出力方差设置为0.15。采用随机期望值模型描述虚拟电厂内部的不确定性问题,随机期望模型的一般形式为:
式中:x为决策向量,ξ为随机变量,f(x,ξ)为目标函数,gj(x,ξ)为第j个随机约束j∈[1,p]。
按照此形式,虚拟电厂的调度模型目标函数可表示为:
其中,Cele(t)为t时间段对应的电价;Cg(t)为天然气价格;Pgd(t)为t时间段楼宇从电网购电的电功率;Fg(t)为t时间段天然气量;csen为储能设备设置的折旧损耗费用,Psen(t)为t 时间段电/热储能的实时充放电/热功率,en取1为储能电池,取2为储热设备。
同时,结合式(19)中定义的随机期望值模型的约束条件,可将冷、热、电负荷的不确定性按如下约束式表示:
(1)电功率约束:
(2)热功率约束:
pr{Hgt(t)+Ps2(t)≥Hhx(t)+δlh(t)+Hab(t)}≥α (22)
(3)冷功率约束:
pr{Cab(t)+Cac(t)≥Ploadc(t)+δlc(t)}≥α (23)
式中,Ploade(t)为第t时间段的电负荷;Ploadh(t)为第t时间段的热负荷;Ploadc(t)为t时段的冷负荷;α为置信水平,表示满足用户冷、热、电负荷需求的概率,α∈[0,1],取值越逼近上限,优化结果的可信度越高,Ps1(t)表示电储能实际功率大小,Ps2(t)表示热储能实际功率大小,δpv(t)表示屋顶光伏出力误差,δle(t)表示电负荷预测误差,δlh(t)表热负荷预测误差,δlc(t)表示冷负荷预测误差,Hhx(t)表示热交换器出力,Hgt(t)表示燃气轮机排除余热量, Hab(t)为输入吸收式制冷机的余热,Cac(t)表示空调提供的冷负荷功率,Pac(t)表示空调负荷的电功率。
此外,虚拟电厂的调度模型还需满足变压器容量约束:
步骤S3中,本发明进一步提出一种基于S曲线的改进粒子群-差分混合算法,具体如下:
如图3所示,S曲线,又称Logist曲线,是表现人口增长规律的曲线,整体规律呈现首先指数趋势快速增长然后逐渐饱和,速度减缓。
粒子群算法的速度、位置更新如式(25)至式(26)所示:
vid(t+1)=ωvid(t)+c1rand×(pid-xid(t))+c2rand×(pgd-xid(t)) (25)
xid(t+1)=xid(t)+vid(t) (26)
式中,其中,vid(t)为粒子的速度,ω为惯性权重,xid(t)为粒子的位置,pid为粒子的个体历史最优解,pgd为群体所有粒子中的最优解,又称全局最优解,c1和c2为学习因子,一般设置c1=c2=2.0,也可以设置其他值,一般设置c1=c2∈[0,4];rand为区间[0,1]上的随机数。vid(t+1)、xid(t+1)分别表示下一轮迭代更新后的粒子速度以及粒子位置。
为了保证生长曲线的特性,又不破坏惯性权重的取值范围,本发明基于S曲线改进惯性权重,计算表达式如式(27)所示:
其中,q为当前迭代次数;q/qmax为惯性调整因子;normrnd(0,0.01)为均匀分布且方差取值为0.01随机数。
粒子群-差分混合算法结合了差分进化算法与粒子群优化算法,本发明基于S曲线改进粒子群算法惯性权重,在粒子群算法中引入差分进化算法的交叉-变异机制,如下:
(1)变异
设目前的种群为其中i标记当前种群里的个数,m为种群中总的粒子个数,k标记当前的迭代数目,对种群中的每一个个体,均需从整个种群中随机选择三个个体与之相对应,这些个体之间满足相异的条件,此处以a、b、c三个个体为例,具体说明三者产生的变异算子的计算方式,具体如式(28)所示:
Xik *=Xia+F×(Xib-Xic) (28)
其中,F为缩放因子,Xik *为变异后的算子。
进一步,判断变异后的算子Xik *是否在定义范围,否则对Xik *赋值如式(29)所示:
Xik *=Xmin+rand×(Xmax-Xmin) (29)
其中,Xmax、Xmin为自变量的上下界;,rand表示取0~1之间的一个随机数。
(2)交叉
交叉操作实际上是变异操作的延续,两者不可分割。式(30)为交叉操作的流程:对变异后生成的变量Xik *的每一维变量(共m维)均进行交叉,通过生成的随机数与指定交叉概率 cr的比较,随机确定Xik *第i维的具体值。所述的交叉可以理解为本位对应选择三个变量,经过变异生成的第四个变量与本位间的交叉,维数之间需一一对应。
其中,表示经过交叉操作后的最终种群更新结果,表示当前迭代次数,表示迭代次数更新1次。式(30)表明,交叉操作后的更新思路为:当生成的随机数大于交叉概率cr时,按照种群变异结果作为交叉结果;当生存的随机数小于交叉概率cr时,不进行变异,取原始种群结果Xi,k作为本轮交叉结果。
(3)选择
计算交叉-变异选择的个体与该个体对应的变异-交叉结果,根据两者适应度f做出选择:
式中,Xik为需要确定的下一轮迭代的初始种群,Xik0表示本轮迭代的初始种群,Xik'表本轮经过交叉-变异操作后的新种群,f(Xik0)表示对原始种群的适应度,f(Xik')表示交叉- 变异后的种群的适应度,若交叉-变异后的适应度大于原始种群,则选择操作后的种群作为下一轮更新的初始值,反之,则仍然以本轮迭代的初始种群作为下一轮更新的初值。
采用粒子群-混合差分算法的计算流程图如图4所示。
步骤S5中,综合能源楼宇系统的各项参数包括以下内容:
微型燃气轮机、余热锅炉、吸收式制冷机、屋顶光伏、储热设备、储电设备的配置容量;
溴化锂制冷机的制冷系数COPab,空调制冷/制热系数COPac;储热设备的储热、放热效率ηtcηtd,储能电池组的充电、放电效率ηbcηbd,最大储热、放热功率Hch max Hdis max,最大充电、放电功率电负荷功率Ploade(t),热负荷功率Ploadh(t),冷负荷功率Ploadc(t),屋顶光伏功率 Ppv(t);天然气价Cg(t),商业楼宇分时电价Cele(t);改进粒子群算法参数:交叉概率cr,缩放因子F,学习因子c1,c2,惯性因子最大/最小值ωmax,ωmin,粒子速度最大值vmax,最大迭代次数,种群数量,置信水平。
下面通过一个实施例来说明本发明所述安全调度方法的有效性。
本实施例的综合能源楼宇系统设备容量配置如表1所示。
表1综合能源楼宇系统设备容量配置
溴化锂制冷机的制冷系数COPab取1.2;空调制冷/制热系数COPac取3.0;储热设备的储热、放热效率ηtcηtd分别取0.85和0.9;储能电池组的充电、放电效率ηbcηbd分别取0.85和0.9;最大储热、放热功率Hch max Hdis max 20kW;最大充电、放电功率20kW。
电负荷Ploade(t)热负荷Ploadh(t)冷负荷Ploadc(t)屋顶光伏功率Ppv(t)曲线如图5所示
天然气价为2.68元/立方米。
商业楼宇分时电价Cele(t)如表2
表2商业楼宇分时电价
粒子群算法参数设置:cr=0.8,c1=c2=2.0,ωmax=0.9,ωmin=0.4,vmax=2.0,最大迭代次数设置为200,种群数量设置为100,置信水平设置为0.95。
优化结果如图6-8。由优化结果可见,冷热电三联供系统仅在电价为非谷时间段出力,主要因为天然气价格相比电价在谷段经济性较差,在分时电价峰值时间段经济性最好;除此之外,受电价和气价影响的设备还有储能电池,储能电池在峰值时间段仅作为电源放电,在平段和谷段充放电行为不受电价限制。而储热系统受价格影响较小,仅与冷热负荷需求量大小有关。
因此,本发明提出的考虑不确定因素的虚拟电厂日前优化运行结果能够体现综合能源系统多能互补,协调运行的理念,而且提高了优化结果的可行性。考虑经济性的情况下,冷热电三联供系统仅在商业分时电价与天然气价格间差距较小的时间段出力,经济性较好。从新能源消纳能力来看,聚合综合能源楼宇的虚拟电厂具备较好的新能源消纳能力,合理的光伏配置能够提高系统的低碳环保性。从储能设备的灵活程度来看,储能电池与储热设备灵活性较高,而且能够得到合理利用。
以上仅表达了本发明创造的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明创造专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明创造的保护范围。因此,本发明创造专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,其特征是考虑冷、热、电负荷和光伏出力等不确定因素,以楼宇型虚拟电厂经济成本为目标,提出一种日前优化调度模型,包括以下步骤:
S1、构建楼宇型虚拟电厂模型,包括综合能源楼宇系统、储能系统、电制冷/制热系统和屋顶光伏系统;
S2、以总成本最低构建调度模型的目标函数,总成本包括天然气使用成本、电能购买成本和设备折旧费用,并设置虚拟电厂的设备容量约束、功率平衡约束,同时在调度模型中考虑虚拟电厂的不确定因素:
S3、构建粒子群-差分混合算法模型用于优化调度计算,其中基于S函数调整粒子群算法的惯性权重;
S4、在虚拟电厂模型输入综合能源楼宇系统的各项参数;
S5、调用粒子群-差分混合算法优化求解虚拟电厂模型,进行日前优化调度,获得各种类型负荷、设备的优化结果。
2.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,其特征是构建楼宇型虚拟电厂模型,其聚合单元包括综合能源楼宇系统、储能系统、电制冷/制热系统和屋顶光伏系统,综合能源楼宇系统内部聚合单元包括微型燃气轮机系统、储电装置以及储热装置,各系统构建如下:
微型燃气轮机的数学模型描述如式(1)-(2)所示:
Pgt(t)=Fgas(t)×ηgt×Lva/Δt (1)
其中,Pgt(t)为微型燃气轮机t时间段的发电功率;Fgas(t)为消耗的天然气量;ηgt为发电效率;Lva为天然气的低热值,取9.97kW·h/m3;Δt为优化时段;分别为微型燃气轮机出力的上下限;
采用冷水机组的吸收式制冷机机组,制冷系数设为常数,其数学模型如式(6)至式(7)所示:
Cab(t)=ηab×Hab(t) (6)
储电模型描述如式(8)至(11)所示:
其中,Wbat(t+1)、Wbat(t)为储能电池在t+1和t时间段的储电量,单位kW·h;δbat为储电设备的能量自损失系数;Pch(t)、Pdis(t)为在t时段储能电池的储电、放电功率,单位kW;ηbc、ηbd为储能电池的储电、放电效率;为储能电池的最小、最大荷电状态;为储能设备的最大储电、放电功率;
储热模型描述如式(12)至式(15)所示:
其中,Qtes(t+1)、Qtes(t)为储热设备在t+1和t时间段的储热量;δtes为能量自损失系数;Hch(t)、Hdis(t)为在t时间段储热、放热功率;ηtc、ηtd为储热、放热效率;Qtes min、Qtes max为最小、最大储热量;Hch max、Hdis max为最大储热、放热功率;
空调系统消耗电功率与制冷/制热功率关系如式(16)-(17)所示:
Qac(t)=COPac×Pac(t) (17)
屋顶光伏系统模型描述为:
Ppv(t)=Spv×R×ηpv×cosθ (18)
其中,Ppv(t)是屋顶光伏系统的输出功率;Spv是光伏阵列的总面积;R是t时段太阳辐射的强度;ηpv是光伏阵列的光-热-电转换效率;θ是光照入射角度。
3.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,其特征是S2具体为:
虚拟电厂内部不确定因素来源包括两个部分:屋顶光伏系统出力预测误差和冷、热、电的负荷预测误差,将屋顶光伏预测误差δpv(t)和负荷预测误差δl(t)按正态分布的概率分布函数处理,其中,根据负荷预测精度差异,设置冷、热负荷预测方差为0.02,电负荷预测方差为0.015,屋顶光伏系统出力方差设置为0.15,采用随机期望值模型描述虚拟电厂内部的不确定性问题,随机期望模型的一般形式为:
式中:x为决策向量,ξ为随机变量,f(x,ξ)为目标函数,gj(x,ξ)为第j个随机约束j∈[1,p];
按照此形式,虚拟电厂的调度模型目标函数表示为:
其中,Cele(t)为t时间段对应的电价;Cg(t)为天然气价格;Pgd(t)为t时间段楼宇从电网购电的电功率;Fg(t)为t时间段天然气量;csen为储能设备设置的折旧损耗费用,Psen(t)为t时间段电/热储能的实时充放电/热功率,en取1为储能电池,取2为储热设备;
结合式(19)中定义的随机期望值模型的约束条件,将冷、热、电负荷的不确定性按如下约束式表示:
(1)电功率约束:
(2)热功率约束:
pr{Hgt(t)+Ps2(t)≥Hhx(t)+δlh(t)+Hab(t)}≥α (22)
(3)冷功率约束:
pr{Cab(t)+Cac(t)≥Ploadc(t)+δlc(t)}≥α (23)
式中,Ploade(t)为第t时间段的电负荷;Ploadh(t)为第t时间段的热负荷;Ploadc(t)为t时段的冷负荷;α为置信水平,表示满足用户冷、热、电负荷需求的概率,α∈[0,1],取值越逼近上限,优化结果的可信度越高,Ps1(t)表示电储能实际功率大小,Ps2(t)表示热储能实际功率大小,δpv(t)表示屋顶光伏出力误差,δle(t)表示电负荷预测误差,δlh(t)表热负荷预测误差,δlc(t)表示冷负荷预测误差,Hhx(t)表示热交换器出力,Hgt(t)表示燃气轮机排除余热量,Hab(t)为输入吸收式制冷机的余热,Cac(t)表示空调提供的冷负荷功率,Pac(t)表示空调负荷的电功率;
此外,虚拟电厂的调度模型还需满足变压器容量约束:
4.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,其特征是步骤S3的粒子群-差分混合算法模型基于变异交叉机制,具体如下:
(1)变异
设当前种群为其中i标记当前种群里的个数,m为种群中总的粒子个数,k标记当前的迭代数目,对种群中的每一个个体,均需从整个种群中随机选择三个个体与之相对应,这些个体之间满足相异的条件,以a、b、c三个个体为例,三者产生的变异算子的计算方式如式(28)所示:
Xik *=Xia+F×(Xib-Xic) (28)
其中,F为缩放因子,Xik *为变异后的算子;
进一步判断变异后的算子Xik *是否在定义范围,否则对Xik *赋值如式(29)所示:
Xik *=Xmin+rand×(Xmax-Xmin) (29)
其中,Xmax、Xmin为自变量的上下界;,rand表示取0~1之间的一个随机数;
(2)交叉
对变异后生成的变量Xik *的每一维变量均进行交叉,通过生成的随机数与指定交叉概率cr的比较,随机确定Xik *第i维的具体值:
其中,表示经过交叉操作后的最终种群更新结果,表示当前迭代次数,表示迭代次数更新1次,当生成的随机数大于交叉概率cr时,按照种群变异结果作为交叉结果;当生存的随机数小于交叉概率cr时,不进行变异,取原始种群结果Xi,k作为本轮交叉结果;
(3)选择
计算交叉-变异选择的个体与该个体对应的变异-交叉结果,根据两者适应度f做出选择:
式中,Xik为需要确定的下一轮迭代的初始种群,Xik0表示本轮迭代的初始种群,Xik'表本轮经过交叉-变异操作后的新种群,f(Xik0)表示对原始种群的适应度,f(Xik')表示交叉-变异后的种群的适应度,若交叉-变异后的适应度大于原始种群,则选择操作后的种群作为下一轮更新的初始值,反之,则仍然以本轮迭代的初始种群作为下一轮更新的初值。
5.根据权利要求4所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,其特征是基于S函数调整粒子群算法的惯性权重:
粒子群算法的速度、位置更新如式(25)至式(26)所示:
vid(t+1)=ωvid(t)+c1rand×(pid-xid(t))+c2rand×(pgd-xid(t)) (25)
xid(t+1)=xid(t)+vid(t) (26)
式中,其中,vid(t)为粒子的速度,ω为惯性权重,xid(t)为粒子的位置,pid为粒子的个体历史最优解,pgd为群体所有粒子中的最优解,又称全局最优解,c1和c2为学习因子;rand为区间[0,1]上的随机数,vid(t+1)、xid(t+1)分别表示下一轮迭代更新后的粒子速度以及粒子位置;
惯性权重计算表达式如式(27)所示:
其中,q为当前迭代次数;q/qmax为惯性调整因子;normrnd(0,0.01)为均匀分布且方差取值为0.01随机数。
6.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法,其特征是步骤S5中,综合能源楼宇系统的各项参数包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310416.5A CN112419087B (zh) | 2020-11-20 | 2020-11-20 | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310416.5A CN112419087B (zh) | 2020-11-20 | 2020-11-20 | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419087A true CN112419087A (zh) | 2021-02-26 |
CN112419087B CN112419087B (zh) | 2022-10-04 |
Family
ID=74776961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011310416.5A Active CN112419087B (zh) | 2020-11-20 | 2020-11-20 | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419087B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949093A (zh) * | 2021-04-08 | 2021-06-11 | 湘潭大学 | 面向智能楼宇可调度负荷模型 |
CN113052498A (zh) * | 2021-04-23 | 2021-06-29 | 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 |
CN113222227A (zh) * | 2021-04-27 | 2021-08-06 | 中国能源建设集团天津电力设计院有限公司 | 基于建筑特性和虚拟电厂的建筑综合能源系统调度方法 |
CN113298164A (zh) * | 2021-05-31 | 2021-08-24 | 东南大学 | 一种基于光伏出力不确定性的楼宇用能优化方法 |
CN113887083A (zh) * | 2021-10-29 | 2022-01-04 | 北京明略软件系统有限公司 | 一种空调调度优化方法、系统、计算机设备和存储介质 |
CN117249537A (zh) * | 2023-11-20 | 2023-12-19 | 南京南自华盾数字技术有限公司 | 一种基于中央空调的虚拟电厂调度与控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464008A (zh) * | 2016-06-02 | 2017-12-12 | 南京理工大学 | 一种大型楼宇冷热电联供系统的优化调度方法 |
CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
CN109859071A (zh) * | 2019-01-28 | 2019-06-07 | 上海电力学院 | 虚拟电厂多能互补的源荷储优化配置方法 |
CN111291942A (zh) * | 2020-03-05 | 2020-06-16 | 燕山大学 | 一种考虑需求响应的综合能源系统两阶段调度方法及系统 |
AU2020100983A4 (en) * | 2019-11-14 | 2020-07-16 | Shandong University | Multi-energy complementary system two-stage optimization scheduling method and system considering source-storage-load cooperation |
-
2020
- 2020-11-20 CN CN202011310416.5A patent/CN112419087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464008A (zh) * | 2016-06-02 | 2017-12-12 | 南京理工大学 | 一种大型楼宇冷热电联供系统的优化调度方法 |
CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
CN109859071A (zh) * | 2019-01-28 | 2019-06-07 | 上海电力学院 | 虚拟电厂多能互补的源荷储优化配置方法 |
AU2020100983A4 (en) * | 2019-11-14 | 2020-07-16 | Shandong University | Multi-energy complementary system two-stage optimization scheduling method and system considering source-storage-load cooperation |
CN111291942A (zh) * | 2020-03-05 | 2020-06-16 | 燕山大学 | 一种考虑需求响应的综合能源系统两阶段调度方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘佳星: "多能互补综合能源系统日前经济优化调度", 《资源信息与工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949093A (zh) * | 2021-04-08 | 2021-06-11 | 湘潭大学 | 面向智能楼宇可调度负荷模型 |
CN113052498A (zh) * | 2021-04-23 | 2021-06-29 | 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 |
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 |
CN113222227A (zh) * | 2021-04-27 | 2021-08-06 | 中国能源建设集团天津电力设计院有限公司 | 基于建筑特性和虚拟电厂的建筑综合能源系统调度方法 |
CN113222227B (zh) * | 2021-04-27 | 2022-07-22 | 中国能源建设集团天津电力设计院有限公司 | 基于建筑特性和虚拟电厂的建筑综合能源系统调度方法 |
CN113298164A (zh) * | 2021-05-31 | 2021-08-24 | 东南大学 | 一种基于光伏出力不确定性的楼宇用能优化方法 |
CN113298164B (zh) * | 2021-05-31 | 2024-04-09 | 东南大学 | 一种基于光伏出力不确定性的楼宇用能优化方法 |
CN113887083A (zh) * | 2021-10-29 | 2022-01-04 | 北京明略软件系统有限公司 | 一种空调调度优化方法、系统、计算机设备和存储介质 |
CN117249537A (zh) * | 2023-11-20 | 2023-12-19 | 南京南自华盾数字技术有限公司 | 一种基于中央空调的虚拟电厂调度与控制系统及方法 |
CN117249537B (zh) * | 2023-11-20 | 2024-03-19 | 南京南自华盾数字技术有限公司 | 一种基于中央空调的虚拟电厂调度与控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419087B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419087B (zh) | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 | |
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 | |
CN105337303B (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
CN109859071B (zh) | 虚拟电厂多能互补的源荷储优化配置方法 | |
CN111339689B (zh) | 建筑综合能源调度方法、系统、存储介质及计算机设备 | |
CN108197726B (zh) | 一种基于改进进化算法的家庭能量数据优化方法 | |
CN110110897A (zh) | 一种考虑不同储能运行策略的综合能源系统优化方法 | |
CN113255198B (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
CN110807588A (zh) | 一种多能源耦合综合能源系统的优化调度方法 | |
CN111768032B (zh) | 基于双模式热泵储能协调的综合能源系统双层优化方法 | |
CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
CN110544175A (zh) | 一种面向家庭智能用电的多能源综合优化调度方法 | |
CN105955931A (zh) | 面向高密度分布式光伏消纳的区域能源网络优化调度方法 | |
CN116307077A (zh) | 一种冷热电联供型微网系统运行优化方法 | |
Bai et al. | Flexibility quantification and enhancement of flexible electric energy systems in buildings | |
CN115809568A (zh) | 智能楼宇群电-碳联合分布式交易策略获取方法及装置 | |
Yang et al. | Coordination and optimization of CCHP microgrid group game based on the interaction of electric and thermal energy considering conditional value at risk | |
Luo et al. | A two-stage energy management strategy for CCHP microgrid considering house characteristics | |
Wang et al. | A MILP approach to accommodate more building integrated photovoltaic system in distribution network | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN110594962B (zh) | 一种基于模糊需求响应的分布式能源系统优化配置方法 | |
CN107992695B (zh) | 一种基于互动触摸桌的综合能源展示系统 | |
CN113036751A (zh) | 一种考虑虚拟储能的可再生能源微电网优化调度方法 | |
Zhao et al. | Optimal coordination of EVs and HVAC systems with uncertain renewable supply | |
Shabani et al. | Energy Management of a Smart Home Micro Grid in Presence of Micro-CCHP |
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 |