CN112862253A - 考虑风电不确定性的电-气-热储能协同规划方法及系统 - Google Patents

考虑风电不确定性的电-气-热储能协同规划方法及系统 Download PDF

Info

Publication number
CN112862253A
CN112862253A CN202110038875.0A CN202110038875A CN112862253A CN 112862253 A CN112862253 A CN 112862253A CN 202110038875 A CN202110038875 A CN 202110038875A CN 112862253 A CN112862253 A CN 112862253A
Authority
CN
China
Prior art keywords
gas
heat
energy storage
wind power
scene
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
Application number
CN202110038875.0A
Other languages
English (en)
Other versions
CN112862253B (zh
Inventor
王成福
李博文
董晓明
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110038875.0A priority Critical patent/CN112862253B/zh
Publication of CN112862253A publication Critical patent/CN112862253A/zh
Application granted granted Critical
Publication of CN112862253B publication Critical patent/CN112862253B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑风电不确定性的电‑气‑热储能协同规划方法及系统，包括：对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合；对于每一个场景，考虑电负荷、气负荷和热负荷的能量转换关系约束，以经济最优为目标，建立电‑气‑热多类型储能的协同规划模型；对所述模型进行求解，得到考虑风场不确定性的最优规划结果。本发明从时间维度，以季节作为场景的区分，采用场景法建立了风电不确定性模型。将一年中的场景分解为不同季节的典型场景。在风电典型场景中，验证了多储能规划方法的经济性和灵活性。

Description

考虑风电不确定性的电-气-热储能协同规划方法及系统
技术领域
本发明涉及综合能源储能优化技术领域，尤其涉及一种考虑风电不确定性的电-气-热储能协同规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
可再生能源迅速发展，风电作为典型可再生能源在改善环境污染方面做出了重大贡献。然而，大规模不确定性风电接入使综合能源系统面临巨大挑战。由于风电具有反调峰特性，系统难以接纳更多的风电。储能作为一种灵活性资源，可以有效提升可再生能源的消纳量，它能缓解高峰时期的用能需求，并在负荷低谷时储存能量。由于电储能在电力系统中成本较高，不利于大规模应用，而天然气储能和热储能相对更为经济，可实现大量且长时间尺度的存储。因此，有必要对综合能源系统中的电、热、气储能装置进行协调规划，以提高多能源系统的灵活性，提升风电消纳能力。
为了缓解风电随机性与波动性所带来的影响，储能技术在风电中的应用研究应运而生。现有技术公开了一系列的储能优化方法，使得储能在提升系统风电消纳能力方面做出了一定的贡献。然而，由于储能技术尚未成熟，电储能的应用通常受限于容量，其大规模的应用也会带来相应的经济性问题。
与电储能相比，热力和天然气更容易存储且更为经济，随着能量转换设备的发展，多能转换为消纳更多可再生能源提供了新的途径。然而，在综合能源系统中，电、热、气的耦合特性通常被忽略了，并且一些研究中未考虑风电不确定性所带来的影响。
到目前为止，很少有研究聚焦于考虑风电和网络约束的电、气、热多储能协同规划；同时，现阶段的研究对不同储能方式间的相互作用也并不全面。
发明内容
有鉴于此，本发明提出了一种考虑风电不确定性的电-气-热储能协同规划方法及系统，考虑风电不确定性的影响及多类型储能协调关系，建立了电-气-热多类型储能的协同规划模型；以经济最优为目标，对模型进行求解，得到考虑风场不确定性的最优规划结果。
在一些实施方式中，采用如下技术方案：
一种考虑风电不确定性的电-气-热储能协同规划方法，包括：
对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合；
对于每一个场景，考虑电负荷、气负荷和热负荷的能量转换关系约束，以经济最优为目标，建立电-气-热多类型储能的协同规划模型；
对所述模型进行求解，得到考虑风场不确定性的最优规划结果。
进一步地，对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合，具体包括：
对风电历史数据按季节性进行分类处理，得到M组S维的初始风电场景集合；
采用非参数拟合方法，对风电概率密度曲线进行拟合；
基于设定时间段的风力发电密度曲线，采用蒙特卡罗方法生成M个随机采样阵，得到对应于四季的M×T随机抽样矩阵；T为每个场景中的周期数；
建立与每个季节相匹配的M个随机等概率初始场景集合；
采用后向削减法对初始场景集合进行削减，得到具有设定概率的有限个典型场景集合。
进一步地，所述电负荷、气负荷和热负荷的能量转换关系约束，具体包括：
Figure BDA0002894755940000031
Figure BDA0002894755940000032
Figure BDA0002894755940000033
Gp,d,h,t＝ηpPp,d,h,t
其中，Pc,d,h,t、Hc,d,h,t、Hf,d,h,t、Gp,d,h,t分别表示热电联产机组电出力、热电联产机组热出力、燃气锅炉热出力和电转气机组产气量；Gc,d,h,t、Gf,d,h,t、Pp,d,h,t分别表示热电联产机组耗气量、燃气锅炉耗气量和电转气机组耗电量；
Figure BDA0002894755940000034
ηp为热电联产机组产电效率和电转气机组产气效率，
Figure BDA0002894755940000035
分别为热电联产机组产热效率和燃气锅炉产热效率。
进一步地，电负荷、气负荷和热负荷的能量相互作用的能量流动方程具体为：
Figure BDA0002894755940000036
Figure BDA0002894755940000037
Figure BDA0002894755940000038
其中，
Figure BDA0002894755940000039
分别为节点电负荷、节点气负荷、节点热负荷；Pb、Pc、Pp分别为节点电供应量、热电联产机组输出电功率和电转气机组消耗电功率；Gb、Gc、Gp、Gf分别为气源供气量、热电联产机组耗气量、电转气机组产气量和燃气锅炉耗气量；
Figure BDA0002894755940000041
分别为热电联产机组产热效率和燃气锅炉产热效率；Hc、Hf分别为热电联产机组产热量和燃气锅炉产热量。
进一步地，以经济最优为目标，建立电-气-热多类型储能的协同规划模型，具体为：
Figure BDA0002894755940000042
其中，
Figure BDA0002894755940000043
为第t年第s个场景下的投资成本；
Figure BDA0002894755940000044
为第t年第s个场景下的运行成本；
Figure BDA0002894755940000045
为第t年第s个场景下的供能不足成本；
Figure BDA0002894755940000046
为第t年第s个场景下弃风成本；KS为第s个场景的概率；λt为第t年的现值系数；γ为资金回收率；T为规划周期。
进一步地，第t年第s个场景下的运行成本具体为：
Figure BDA0002894755940000047
其中，Pi,d,h,t、Pf,d,h,t、Pc,d,h,t、Pp,d,h,t、Pes,d,h,t、Phs,d,h,t、Pgs,d,h,t、Psp,d,h,t分别表示常规机组、燃气锅炉、热电联产机组、电转气机组、电储能、热储能、气储能、气源第t年典型日下各时刻功率；Oi、Of、Oc、Op、Oes、Ohs、Ogs、Osp分别为上述机组的第t年典型日下各时刻运行成本；d为某一季节典型日，t为规划周期内的年份，i、f、c、p、es、hs、gs、sp分别表示常规机组、燃气锅炉、热电联产机组、电转气机组、电储能、热储能、气储能和气源。
进一步地，所述协同规划模型的约束条件还包括：电力系统约束、热力系统约束、气体系统约束和运行状态约束。
在另一些实施方式中，采用如下技术方案：
一种考虑风电不确定性的电-气-热储能协同规划系统，包括：
场景划分模块，用于对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合；
协同规划模块，用于对于每一个场景，考虑电负荷、气负荷和热负荷的能量转换关系约束，以经济最优为目标，建立电-气-热多类型储能的协同规划模型；
规划结果输出模块，用于对所述模型进行求解，得到考虑风场不确定性的最优规划结果。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的考虑风电不确定性的电-气-热储能协同规划方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的考虑风电不确定性的电-气-热储能协同规划方法。
与现有技术相比，本发明的有益效果是：
(1)本发明考虑风电不确定性的电-气-热储能协同规划方法，将电-气-热储能根据其经济性、灵活性、耦合性等特性进行合理配置，以经济最优为目标，建立协同优化模型并进行求解，得到考虑风场不确定性的最优规划结果。
(2)本发明从时间维度，以季节作为场景的区分，采用场景法建立了风电不确定性模型。将一年中的场景分解为不同季节的典型场景。在风电典型场景中，验证了多储能规划方法的经济性和灵活性。
(3)本发明采用能量枢纽概念，将多能源系统抽象为一个多端口网络，表征多能源的输入与输出关系，因此用能源中心约束表征能源间的转换关系，在一定程度上简化了不同能源网络间复杂的源荷交织关系。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中能量中心模型示意图；
图2为本发明实施例中场景生成及削减过程示意图；
图3为本发明实施例中四季风电典型日数据；
图4为本发明实施例中典型场景概率；
图5为本发明实施例中的算例系统示意图；
图6为本发明实施例中的典型日风电及负荷数据；
图7为本发明实施例中典型场景下的规划结果；
图8为本发明实施例中电-气-热储能充放功率；
图9为本发明实施例中不同场景下的热电联产机组电功率；
图10为本发明实施例中燃气锅炉、热电联产机组和储热功率情况；
图11为本发明实施例中电转气机组天然气出力情况。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种考虑风电不确定性的电-气-热储能协同规划方法，建立电-气-热多类型储能的协同规划模型；以经济最优为目标，对模型进行求解，得到考虑风场不确定性的最优规划结果。通过比较不同场景下的总成本和储能配置结果，分析了多能储能间的相互影响。
具体包括如下步骤：
步骤S101：对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合；
具体地，为了保证风电随机性模型的精准性，需要对风电数据进行大量并得到具有一定概率的典型场景。场景法过程如图2所示。本实施例采用场景分析法处理风电的不确定性。
首先，对风电历史数据按季节性进行分类处理，得到M组S维的初始风电场景集合。
其次，采用非参数拟合方法，对风电概率密度曲线进行拟合。基于每小时风力发电密度曲线，采用蒙特卡罗方法生成M个随机采样阵。进而得到了对应于四季的M×T随机抽样矩阵。本实施例中，T取24，表示为每个场景中的周期数。
基于上述方法，建立了与每个季节相匹配的M个随机等概率初始场景集合，其中M为1000。接着，为了保证计算的精度和速度，需要对初始集合进行削减。采用后向削减法，削减后将得到具有一定概率的有限个典型场景集合。图3显示了削减结果中的一个典型场景的四季风电曲线。每个场景的概率结果如图4所示。
步骤S102：对于每一个场景，考虑电负荷、气负荷和热负荷的能量转换关系约束，以经济最优为目标，建立电-气-热多类型储能的协同规划模型；
具体地，首先对多能源储能模型进行说明：
储电模型：约束条件(1)(2)给出了充放电的边界限制；约束条件(3)表示了充放电与储能之间的关系；存储容量的界限是(4)；式(5)保证了储能系统不能同时充放电。
0≤Pdis(t)≤Pdis,max (1)
0≤Pch(t)≤Pch,max (2)
Se(t+1)＝Se(t)+[ηcPch(t)-Pdis(t)/ηd]Δt (3)
Semin≤Se(t)≤Semax (4)
Pdis(t)Pch(t)＝0 (5)
其中，Pdis(t)，Pch(t)分别为电储能充、放电功率；Pdis,max、Pch,max分别为电储能充放电功率的上限；Se(t)为储能剩余容量；ηc、ηd分别为储能充放电效率；Semin、Semax分别为剩余容量的上下限。
储热模型：约束(6)表示储热器的最大容量。从循环开始到结束，同一级别的仓库容量限制为(7)。充放电边界条件如(8)和(9)所示。约束(10)表示每个节点的热平衡。
Figure BDA0002894755940000081
Figure BDA0002894755940000082
Figure BDA0002894755940000091
Figure BDA0002894755940000092
Figure BDA0002894755940000093
其中，
Figure BDA0002894755940000094
为t时刻储热罐的剩余容量；Shmax为储热罐剩余容量上限；
Figure BDA0002894755940000095
分别为0时刻和T周期时储热罐的剩余容量；
Figure BDA0002894755940000096
分别为储热充、放功率上限；
Figure BDA0002894755940000097
为节点供热量；
Figure BDA0002894755940000098
为节点热负荷。
储气模型：储气罐的约束与热能储存相似，包括容量约束、气体膨胀和放气约束(11)-(13)。气体的储存量用每一时刻储存和释放的气体量来表示。而储气罐只能是通货膨胀或通货紧缩的一个条件(14)。此外，为了为下一个周期保留余量，周期结束时的内容必须与开始时相同(15)。
Figure BDA0002894755940000099
0≤Sg,s(t)≤Sg,smax (12)
0≤Sg,re(t)≤Sg,remax (13)
Sg,s(t)Sg,re(t)＝0 (14)
Figure BDA00028947559400000910
其中，Sg为储气罐剩余容量；Sgmax为储气罐剩余容量上限；Sg,s、Sg,re分别为储气罐的充、放功率；Sg,smax、Sg,remax分别为储气罐充、放功率上限；
Figure BDA00028947559400000911
分别为储气罐初始时刻和周期结束时刻的剩余容量。
图1所示为多能量耦合单元的能量中心。它包括能量的转换、传输、储存和分配。能量中心反映了电、气、热系统的能量相互作用。它也表达了多重能量耦合的复杂性。
根据其内部特性，能量流矩阵方程表示如下：
Figure BDA0002894755940000101
其中，Le、Lg、Lh分别为电负荷、气负荷和热负荷；Pb、Gb、Hb分别为节点电供应量、节点气供应量和节点热供应量；Uee、Uge、Ueg、Ugg、Uhg、Ugh、Uhh分别为电、气、热各系统间的耦合系数。
该矩阵反映了多个能量源与负载之间的耦合关系。中间矩阵是指电、气、热三者之间的耦合系数。无论能量损失如何，能量中心内的能量流动方程可用式(17)-(19)表示。
Figure BDA0002894755940000102
Figure BDA0002894755940000103
Figure BDA0002894755940000104
其中，
Figure BDA0002894755940000105
分别代表节点电负荷、节点气负荷、节点热负荷；Pb、Pc、Pp分别为节点电供应量、热电联产机组CHP输出电功率和电转气机组PTG消耗电功率；Gb、Gc、Gp、Gf分别为气源供气量、热电联产机组耗气量、电转气机组产气量和燃气锅炉耗气量；
Figure BDA0002894755940000106
分别为热电联产机组产热效率和燃气锅炉产热效率；Hc、Hf分别为热电联产机组产热量和燃气锅炉产热量。
在多类型风电蓄能条件下，建立规划模型，对不同风电情景下的总成本进行优化，包括投资成本、运营成本、降负荷成本和弃风成本(20)。各部分表示为(21)-(24)：
Figure BDA0002894755940000107
Figure BDA0002894755940000111
Figure BDA0002894755940000112
Figure BDA0002894755940000113
Figure BDA0002894755940000114
其中，
Figure BDA0002894755940000115
为第t年第s个场景下的投资成本；
Figure BDA0002894755940000116
为第t年第s个场景下的运行成本；
Figure BDA0002894755940000117
为第t年第s个场景下的供能不足成本；
Figure BDA0002894755940000118
为第t年第s个场景下弃风成本；KS为第s个场景的概率；λt为第t年的现值系数；γ为资金回收率；T为规划周期，文中取T＝10；ui、ees、hhs、ggs分别为常规机组、电储能、热储能和气储能的单位投资成本；xi,t、xes,t、xhs,t、xgs,t分别为表示上述设备第t年是否投建的0-1变量；Pi max、Pes max、Phs max、Pgs max分别为上述设备投建容量；Pi,d,h,t、Pf,d,h,t、Pc,d,h,t、Pp,d,h,t、Pes,d,h,t、Phs,d,h,t、Pgs,d,h,t、Psp,d,h,t分别表示常规机组、燃气锅炉、热电联产机组、电转气机组、电储能、热储能、气储能、气源第t年典型日下各时刻功率；Oi、Of、Oc、Op、Oes、Ohs、Ogs、Osp分别为上述机组的第t年典型日下各时刻运行成本；Cl为单位供能不足成本；Cw为单位弃风成本；
Figure BDA0002894755940000119
为第s个场景下的供能不足量；
Figure BDA00028947559400001110
为第s个场景下的弃风量。
上述协同规划模型的约束条件具体包括：
(1)能量中心约束：约束(25)-(28)表示能量中心的能量转换关系。热电联产机组中天然气转化为电的系数用(25)表示。同样，天然气与热电联产和加热炉的热量之间的转换如(26)(27)所示。约束(28)是指电转气机组的转换，它将功率转换为气体。约束条件(29)-(31)分别设置热电联产机组、燃气锅炉和电转气机组的容量上限和下限。
Figure BDA0002894755940000121
Figure BDA0002894755940000122
Figure BDA0002894755940000123
Gp,d,h,t＝ηpPp,d,h,t (28)
Figure BDA0002894755940000124
Figure BDA0002894755940000125
Figure BDA0002894755940000126
其中，Pc,d,h,t、Hc,d,h,t、Hf,d,h,t、Gp,d,h,t分别表示热电联产机组电出力、热电联产机组热出力、燃气锅炉热出力和电转气机组产气量；Gc,d,h,t、Gf,d,h,t、Pp,d,h,t分别表示热电联产机组耗气量、燃气锅炉耗气量和电转气机组耗电量；
Figure BDA0002894755940000127
ηp为热电联产机组产电效率和电转气机组产气效率。
(2)电力系统约束：约束(32)表示电力系统的供需平衡。未提供的能量从属于(33)(34)。而约束(35)表示风限功率。输电线路的直流潮流在(36)中建模。
Figure BDA0002894755940000128
Figure BDA0002894755940000131
Figure BDA0002894755940000132
Figure BDA0002894755940000133
Figure BDA0002894755940000134
其中，
Figure BDA0002894755940000135
分别为s场景下热电联产机组电功率、传输线功率、风电出力、节点表示失负荷弃风的变量、储能功率、节点负荷量和电转气机组耗电量；Bl为线路电抗；
Figure BDA0002894755940000136
分别为m和n节点相角。
(3)热力系统约束：约束(37)确保热力系统的节点热功率平衡。
Figure BDA0002894755940000137
其中，Hb,d,h,t、HLhtl,d,h,t、HCc,d,h,t、HFf,d,h,t、HShs,d,h,t分别表示节点热负荷、线路热功率、热电联产机组产热量、燃气锅炉产热量和储热功率。
(4)气体系统约束：方程(38)和(39)分别设定了管道和气源的边界限制。约束(40)建立了考虑能量转换单元的天然气供需平衡方程。
Figure BDA0002894755940000138
Figure BDA0002894755940000139
Figure BDA00028947559400001310
其中，Gb,d,h,t、GFpp,d,h,t、GSsp,d,h,t、GSgs,d,h,t、GCc,d,h,t、GFf,d,h,t、GFpt,d,h,t分别表示第t年典型日下各时刻的节点气负荷、线路气功率、气源出力、储气功率、热电联产机组耗气量、燃气锅炉耗气量和电转气机组产气量。
(5)运行状态约束：候选常规机组i+、电储es+、热储hs+、储气库gs+第t年投入运行，状态由0变为1，以后几年不变(41)。当当前年度少于最低计划年时，设备将不投入运行(42)。
Figure BDA0002894755940000141
Figure BDA0002894755940000142
步骤S103：对所述模型进行求解，得到考虑风场不确定性的最优规划结果。
本实施例用cplex12.8求解器对模型进行求解，得到了不同类型储能投运年限及其他候选设备的规划结果。通过分析，储热可以实现热电关系的解耦。因此，它可以为风电一体化提供空间。天然气储能通过电转气机组吸收多余的风能，与电力相比，天然气更容易长期大量储存。多储能的相互作用可以增加系统的灵活性，提高机组的出力。这种方法也在一定程度上提高了风电的消耗。仿真结果表明，多类型储能合作能有效地提高系统的经济性和能源利用率。并验证了该方法的有效性和正确性。
本实施例基于IEEE14节点电力系统、NGS20节点天然气系统和TS14热力系统建立了算例系统。初始电力系统包括5个常规机组、17条输电线路、4个风电场和3个电转气机组。天然气系统由3个天然气气源、4个热电联产机组、7个燃气锅炉和19条天然气管道组成。热网由13条热力管道组成。此外，多能源系统通过能源枢纽连接，能源枢纽由热电联产、热电联产和燃气锅炉组成。在规划期内，候选设备有6个常规机组、6个储电装置、4个储热罐和5个储气罐。风力发电量以一年中4个季度的典型日风电量表示。电负荷、气负荷和热负荷的年增长率分别为4％、5％和3％。折现率为8％，资本回收率为15％。在本文中，能源供应不足的惩罚成本设定为10000USD/MW。电气热多能源粗能系统的拓扑结构如图5所示。
以中国北方风电为例。图6给出了典型日的风电预测结果和电、气、热负荷曲线。从图中可以看出，风电和负荷具有明显的峰谷特性。它们也存在季节特性。为了缓解峰谷时刻的供需不平衡，需采用电-气-热多能源储能进行削峰填谷，促进能源梯级利用。本实施例中，储电、储气、储热的最大充放功率分别为10MW、100MW和50MW。
本实施例给出了10种典型的风电情景，储能规划结果及总成本如图7所示。
图7显示了每个场景下的储能规划结果。结果显示，每种能源的储能设备数量大体相似，但是其总成本却因为场景概率出现较大的差异。为了缓解成本差异对规划结果造成的影响，需要对总成本结果进行加权处理，以得到合理的规划结果。首先，将某一场景下的规划结果放到其余9个场景中进行成本计算。那么，新成本就是所有场景下计算出的总成本的平均值。最后选取规划结果最小的为最终规划结果。通过以上步骤，精过计算，方案8的结构是最优的规划结果。总成本为1.93×107USD。图8显示了某一典型日下的储电、储热、储气设备的充放功率。
从图8可以看出，电储能在夜间负荷谷、风电高峰时储存电力，以接纳多余的风电和满足负荷高峰。同时，从经济角度考虑，当新配置电储能设备不能满足下经济性要求时，电转气机组作用生成天然气并由储气罐进行存储，出现了夜间储电与储气共同存储的情况。电负荷过多而热负荷较低时，由于热电联产机组出力的影响，导致热出力处于溢出状态，此时储热作用；夜间时储热释放热量，缓解了热电联产机组的热出力并同时为风电接纳提供更大的空间，在一定程度上实现了热电解耦。结果正表明电-气-热多能源储能间特性互补，实现了能源的分级利用，在一定程度上缓和了风电的接纳空间。
为了比较和分析多类型储能对综合能源系统的影响，本实施例考虑了以下三个典型场景。场景1：仅考虑电储能的储能规划。场景2：不考虑气储能的多能源储能协同规划。场景3：考虑电-气-热储能的多能源储能协同规划。
三个场景的规划结果如表1所示。在场景1中，电力系统中有4个储电初始年未投入运行。由于热负荷高于其他两种负荷，且热电联产机组具有“以热定电”特性，当燃气锅炉不能满足当前热负荷时，热电联产机组运行以满足热平衡，已配置的常规机组不能满足当前电负荷需求，所以需要投运新的常规机组。当常规机组与风电基本满足当前电负荷，且热电联产机组仍出力时，系统中电供应量大于负荷需求量，因此，电能储运行以存储多余的电力。与场景1相比，系统中增加了储热装置。由于热-电储能间的相互作用，当储热释放热量时，燃气锅炉和热电联产机组供热量减少，热电联产机组的电出力也随之降低，从而增加了系统风电的接纳量，减少了弃风量，同时降低了常规机组的投运量。在案例3中又加入了储气设备，结果表明储电数量减少，储热投运年限推迟。造成此种现象的原因如下，储能可以在一定的时间尺度上转移负荷，从而降低峰值负荷。当储气设备加入，由于夜间风电较多且热负荷较大，而电负荷处于低谷，电力系统处于供大于需的状态，从经济性角度出发，储能与电转气机组共同作用，电转气机组产生的天然气可存储到储气罐中，当气负荷高峰期时提供天然气，从而减少了电储能配置数量。从总成本和风电惩罚成本来看，多能源储能提高了经济性，并减缓了弃风现象。
表1规划结果
Figure BDA0002894755940000171
从运行的角度来看，图9显示了三种情况下热电联产机组电功率输出。随着储能类型的增加，热电联产机组的电出力储能种类的增加而下降。场景2与场景1对比，由于热储能的加入，减少了燃气供热机组的热出力，进而热电联产机组的热出力减少，电出力也相应减少。场景3与场景2相比较，场景3增加了储气设备，在场景2的基础上，风电的接纳空间提升，仍有多余的风电量不满足新建储电设备的经济性，由于储气设备的增加，电转气机组消耗多余的风电，将其转为天然气进行存储，满足其他时刻的负荷要求，实现了能源在时间上的平移，进而小幅度地降低了热电联产机组的出力。同时，供需失衡问题得到一定程度上的缓解。因此，多储能间的互补特性可以在一定程度上消耗更多的风能，并缓解机组的出力情况。
图10展示了热力系统的结果。储热用于储存系统中过剩的热量。如图所示，在热负荷高峰期，燃气锅炉作为主要供热机组，由于储热释放热量，热电联产机组出力明显减少。当热负荷低谷时，燃气锅炉和储热即可满足当前的热负荷需求。且由于考虑到热储能使用寿命问题，存在最小释放量，导致负荷最低谷时，储热释放量较大。
如图11所示，为了满足场景1的气负荷，电转气机组的输出较高。场景2中，当储热作用时，由于其代了代替了部分供热机组出力，从而减少了天然气的消耗量，总天然气消耗量减少，进一步导致电转气机组天然气出力减少。在场景3中，电转气机组运行时间缩短，当风电多余时可以通过其消耗多余的风电，生产的天然气可以通过储气进行存储，从而电转气机组的出力相较场景2有所增加。因此，电-气-热储能可以有效缓解机组出力情况，促进可再生能源的接纳能力。
实施例二
在一个或多个实施方式中，公开了一种考虑风电不确定性的电-气-热储能协同规划系统，包括：
场景划分模块，用于对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合；
协同规划模块，用于对于每一个场景，考虑电负荷、气负荷和热负荷的能量转换关系约束，以经济最优为目标，建立电-气-热多类型储能的协同规划模型；
规划结果输出模块，用于对所述模型进行求解，得到考虑风场不确定性的最优规划结果。
上述各模块的具体实现方式已经在实施例一中进行说明，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行实施例一中所述的考虑风电不确定性的电-气-热储能协同规划方法。
在另一些实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的考虑风电不确定性的电-气-热储能协同规划方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种考虑风电不确定性的电-气-热储能协同规划方法，其特征在于，包括：
对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合；
对于每一个场景，考虑电负荷、气负荷和热负荷的能量转换关系约束，以经济最优为目标，建立电-气-热多类型储能的协同规划模型；
对所述模型进行求解，得到考虑风场不确定性的最优规划结果。
2.如权利要求1所述的一种考虑风电不确定性的电-气-热储能协同规划方法，其特征在于，对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合，具体包括：
对风电历史数据按季节性进行分类处理，得到M组S维的初始风电场景集合；
采用非参数拟合方法，对风电概率密度曲线进行拟合；
基于设定时间段的风力发电密度曲线，采用蒙特卡罗方法生成M个随机采样阵，得到对应于四季的M×T随机抽样矩阵；T为每个场景中的周期数；
建立与每个季节相匹配的M个随机等概率初始场景集合；
采用后向削减法对初始场景集合进行削减，得到具有设定概率的有限个典型场景集合。
3.如权利要求1所述的一种考虑风电不确定性的电-气-热储能协同规划方法，其特征在于，所述电负荷、气负荷和热负荷的能量转换关系约束，具体包括：
Figure FDA0002894755930000011
Figure FDA0002894755930000012
Figure FDA0002894755930000013
Gp,d,h,t＝ηpPp,d,h,t
其中，Pc,d,h,t、Hc,d,h,t、Hf,d,h,t、Gp,d,h,t分别表示热电联产机组电出力、热电联产机组热出力、燃气锅炉热出力和电转气机组产气量；Gc,d,h,t、Gf,d,h,t、Pp,d,h,t分别表示热电联产机组耗气量、燃气锅炉耗气量和电转气机组耗电量；
Figure FDA0002894755930000021
ηp为热电联产机组产电效率和电转气机组产气效率，
Figure FDA0002894755930000022
分别为热电联产机组产热效率和燃气锅炉产热效率。
4.如权利要求1所述的一种考虑风电不确定性的电-气-热储能协同规划方法，其特征在于，电负荷、气负荷和热负荷的能量相互作用的能量流动方程具体为：
Figure FDA0002894755930000023
Figure FDA0002894755930000024
Figure FDA0002894755930000025
其中，
Figure FDA0002894755930000026
分别为节点电负荷、节点气负荷、节点热负荷；Pb、Pc、Pp分别为节点电供应量、热电联产机组输出电功率和电转气机组消耗电功率；Gb、Gc、Gp、Gf分别为气源供气量、热电联产机组耗气量、电转气机组产气量和燃气锅炉耗气量；
Figure FDA0002894755930000027
分别为热电联产机组产热效率和燃气锅炉产热效率；Hc、Hf分别为热电联产机组产热量和燃气锅炉产热量。
5.如权利要求1所述的一种考虑风电不确定性的电-气-热储能协同规划方法，其特征在于，以经济最优为目标，建立电-气-热多类型储能的协同规划模型，具体为：
Figure FDA0002894755930000028
其中，
Figure FDA0002894755930000029
为第t年第s个场景下的投资成本；
Figure FDA00028947559300000210
为第t年第s个场景下的运行成本；
Figure FDA0002894755930000031
为第t年第s个场景下的供能不足成本；
Figure FDA0002894755930000032
为第t年第s个场景下弃风成本；KS为第s个场景的概率；λt为第t年的现值系数；γ为资金回收率；T为规划周期。
6.如权利要求5所述的一种考虑风电不确定性的电-气-热储能协同规划方法，其特征在于，第t年第s个场景下的运行成本具体为：
Figure FDA0002894755930000033
其中，Pi,d,h,t、Pf,d,h,t、Pc,d,h,t、Pp,d,h,t、Pes,d,h,t、Phs,d,h,t、Pgs,d,h,t、Psp,d,h,t分别表示常规机组、燃气锅炉、热电联产机组、电转气机组、电储能、热储能、气储能、气源第t年典型日下各时刻功率；Oi、Of、Oc、Op、Oes、Ohs、Ogs、Osp分别为上述机组的第t年典型日下各时刻运行成本；d为某一季节典型日，t为规划周期内的年份，i、f、c、p、es、hs、gs、sp分别表示常规机组、燃气锅炉、热电联产机组、电转气机组、电储能、热储能、气储能和气源。
7.如权利要求5所述的一种考虑风电不确定性的电-气-热储能协同规划方法，其特征在于，所述协同规划模型的约束条件还包括：电力系统约束、热力系统约束、气体系统约束和运行状态约束。
8.一种考虑风电不确定性的电-气-热储能协同规划系统，其特征在于，包括：
场景划分模块，用于对风电历史数据按季节性进行分类处理，得到具有设定概率的有限个典型场景集合；
协同规划模块，用于对于每一个场景，考虑电负荷、气负荷和热负荷的能量转换关系约束，以经济最优为目标，建立电-气-热多类型储能的协同规划模型；
规划结果输出模块，用于对所述模型进行求解，得到考虑风场不确定性的最优规划结果。
9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的考虑风电不确定性的电-气-热储能协同规划方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的考虑风电不确定性的电-气-热储能协同规划方法。
CN202110038875.0A 2021-01-12 2021-01-12 考虑风电不确定性的电-气-热储能协同规划方法及系统 Active CN112862253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110038875.0A CN112862253B (zh) 2021-01-12 2021-01-12 考虑风电不确定性的电-气-热储能协同规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110038875.0A CN112862253B (zh) 2021-01-12 2021-01-12 考虑风电不确定性的电-气-热储能协同规划方法及系统

Publications (2)

Publication Number Publication Date
CN112862253A true CN112862253A (zh) 2021-05-28
CN112862253B CN112862253B (zh) 2023-07-14

Family

ID=76003083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110038875.0A Active CN112862253B (zh) 2021-01-12 2021-01-12 考虑风电不确定性的电-气-热储能协同规划方法及系统

Country Status (1)

Country Link
CN (1) CN112862253B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114256884A (zh) * 2021-12-21 2022-03-29 国网山东省电力公司烟台供电公司 考虑光伏不确定性柴油机储能微网车优化配置方法及系统
CN114417625A (zh) * 2022-01-24 2022-04-29 太原理工大学 一种考虑风气互补特性的季节储能解决方法
CN115775054A (zh) * 2023-02-10 2023-03-10 国网山东省电力公司威海供电公司 考虑需求响应的海洋牧场综合能源系统的规划方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255471A (zh) * 2018-08-17 2019-01-22 国网山东省电力公司电力科学研究院 一种含风电的电-气-热综合能源系统扩展规划优化方法
CN112052987A (zh) * 2020-08-18 2020-12-08 国网山东省电力公司潍坊供电公司 一种计及风电的综合能源系统优化规划方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255471A (zh) * 2018-08-17 2019-01-22 国网山东省电力公司电力科学研究院 一种含风电的电-气-热综合能源系统扩展规划优化方法
CN112052987A (zh) * 2020-08-18 2020-12-08 国网山东省电力公司潍坊供电公司 一种计及风电的综合能源系统优化规划方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李哲、王成福等: "计及风电不确定性的电-气-热综合能源系统扩展规划方法", 《电网技术》, vol. 42, no. 11, 30 November 2018 (2018-11-30), pages 3477 - 3485 *
李哲: "考虑风电接入的综合能源系统扩展规划", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李哲: "考虑风电接入的综合能源系统扩展规划", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 September 2019 (2019-09-15), pages 2 - 4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114256884A (zh) * 2021-12-21 2022-03-29 国网山东省电力公司烟台供电公司 考虑光伏不确定性柴油机储能微网车优化配置方法及系统
CN114417625A (zh) * 2022-01-24 2022-04-29 太原理工大学 一种考虑风气互补特性的季节储能解决方法
CN114417625B (zh) * 2022-01-24 2024-03-26 太原理工大学 一种考虑风气互补特性的季节储能解决方法
CN115775054A (zh) * 2023-02-10 2023-03-10 国网山东省电力公司威海供电公司 考虑需求响应的海洋牧场综合能源系统的规划方法及系统
CN115775054B (zh) * 2023-02-10 2023-05-05 国网山东省电力公司威海供电公司 考虑需求响应的海洋牧场综合能源系统的规划方法及系统

Also Published As

Publication number Publication date
CN112862253B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN108154309B (zh) 计及冷热电多负荷动态响应的能源互联网经济调度方法
CN110866627B (zh) 一种考虑阶梯气价的多区域电-气耦合综合能源系统优化调度方法
CN111144620B (zh) 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法
CN112862253B (zh) 考虑风电不确定性的电-气-热储能协同规划方法及系统
CN112907098B (zh) 园区综合能源系统的多阶段容量配置方法及配置系统
CN110555618B (zh) 基于改进樽海鞘算法的网络化综合能源系统优化调度方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN111030094B (zh) 一种多能互补园区供能可靠性评估方法
CN113673738B (zh) 基于供需响应与可调场景的综合能源系统优化配置方法
CN112417651B (zh) 一种基于后悔规避的用户级综合能源系统优化方法
CN113988714B (zh) 计及多重不确定性的园区综合能源系统动态规划方法、设备及介质
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN102904289A (zh) 基于果蝇优化算法的海岛新能源系统最优容量配置方法
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN110994606A (zh) 一种基于复杂适应系统理论的多能源电源容量配置方法
CN115081700A (zh) 基于综合储能技术的数据中心多能协同优化方法及系统
CN113158547B (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
CN112446552B (zh) 一种生物质气化冷热电联供系统的多目标优化方法
CN113078684B (zh) 一种基于双层优化的区域能源社区规划方法
CN112052987B (zh) 一种计及风电的综合能源系统优化规划方法及系统
CN110992206B (zh) 一种多源电场的优化调度方法及系统
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
CN111126675A (zh) 多能互补微网系统优化方法
CN116258335A (zh) 基于改进麻雀算法的低碳综合能源多阶段优化配置方法

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