CN112907030A

CN112907030A - 一种考虑需求侧响应的能源中心配置方法及系统

Info

Publication number: CN112907030A
Application number: CN202110075354.2A
Authority: CN
Inventors: 郑凯; 李明文; 张涛; 高文彬; 耿宝春; 任建欣; 王冠亮; 丁建明; 齐亮; 唐欢; 郝磊; 张曦; 田兴华; 王锐
Original assignee: State Grid Shandong Electric Power Company Shouguang Power Supply Co; State Grid Corp of China SGCC
Current assignee: State Grid Shandong Electric Power Company Shouguang Power Supply Co; State Grid Corp of China SGCC
Priority date: 2021-01-20
Filing date: 2021-01-20
Publication date: 2021-06-04
Anticipated expiration: 2041-01-20
Also published as: CN112907030B

Abstract

本发明公开一种考虑需求侧响应的能源中心配置方法及系统，包括：根据负荷需求和分布式电源发电量构建供电‑供冷‑供热的能源中心场景；以最小化设备总投资成本和能源中心总运行成本为目标函数，以供电‑供冷‑供热的设备最大输出功率、供电‑供冷‑供热的功率平衡以及负荷需求为约束条件，求解目标函数得到在能源中心场景下，满足需求侧响应的供电‑供冷‑供热设备接入类型和容量。考虑一些包含电力、供热和供冷等负荷需求以及可再生能源的发电量的不确定参数，采用蒙特卡罗模拟方法生成相关能源中心场景；在考虑需求响应下，将能源中心配置规划方案划分为两阶段，利用粒子群算法进行能源中心的规划设计以及最优化能源中心的配置。

Description

一种考虑需求侧响应的能源中心配置方法及系统

技术领域

本发明涉及能源技术领域，特别是涉及一种考虑需求侧响应的能源中心配置方法及系统。

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。

近年来，分布式发电(DG)、热电联产(CHP)和电力与天然气网的一体化已成为重要问题。多载波能量系统为传输、转换和储存不同类型的能量提供机会，这种配置被称为能源中心，能源中心系统与单个能源系统相比，能够提高效率，因此，能源中心系统将是同时满足住宅、商业和工业部门电力和供热负荷需求的有效替代方案。

除了电热泵(EHP)、吸收式制冷机以及其他电、热源以外，光伏发电、风力发电机(WTs)、热电联产机组、电力蓄能(EES)系统等分布式发电技术可协同满足能源中心中的电能、供热以及冷负荷需求。因此，能源中心系统的设计和运行将比单个电力和天然气网络更加复杂并且更具有挑战性。

能源中心系统的设计包括设备的最优容量及其互连，能源中心包括电力、供暖和供冷的负荷需求，这些都取决于消费者的消费模式，这为准确预测长期负载需求增加困难，也给能源中心的最优化设计和运行带来严重的不确定性，但是在现有能源中心设计方法中忽略了这些参数的不确定性；其次，风能、太阳能等可再生能源(RESs)已大量渗透到电网和多载波能源系统，将可再生能源加入到能源中心中，将使此类系统的优化设计和运行问题更加复杂；再者，采用蒙特卡罗模拟(MCS)方法生成的相关场景数越多，得到的模型越精确，但是同样造成了更高的计算负担。

发明内容

为了解决上述问题，本发明提出了一种考虑需求侧响应的能源中心配置方法及系统，考虑一些包含电力、供热和供冷等负荷需求以及可再生能源的发电量的不确定参数，采用蒙特卡罗模拟方法生成相关能源中心场景；在考虑需求响应下，将能源中心配置规划方案划分为两阶段，利用粒子群算法进行能源中心的规划设计以及最优化能源中心的配置，降低电力系统容量和总成本。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种考虑需求侧响应的能源中心配置方法，包括：

根据负荷需求和分布式电源发电量构建供电-供冷-供热的能源中心场景；

以最小化设备总投资成本和能源中心总运行成本为目标函数，以供电-供冷-供热的设备最大输出功率、供电-供冷-供热的功率平衡以及负荷需求为约束条件，求解目标函数得到在能源中心场景下，满足需求侧响应的供电-供冷-供热设备接入类型和容量。

第二方面，本发明提供一种考虑需求侧响应的能源中心配置系统，包括：

场景构建模块，被配置为根据负荷需求和分布式电源发电量构建供电-供冷-供热的能源中心场景；

优化配置模块，被配置为以最小化设备总投资成本和能源中心总运行成本为目标函数，以供电-供冷-供热的设备最大输出功率、供电-供冷-供热的功率平衡以及负荷需求为约束条件，求解目标函数得到在能源中心场景下，满足需求侧响应的供电-供冷-供热设备接入类型和容量。

第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。

第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

与现有技术相比，本发明的有益效果为：

本发明旨在考虑一些包含电力、供热和供冷等负荷需求以及可再生能源的发电量的不确定参数，采用蒙特卡罗模拟方法生成相关能源中心场景，解决了每个季节气候变化及其对能源消费模式影响的问题；同时为了解决场景数增多造成的计算负担，采用逆向场景约简技术减少场景数。

本发明是一种考虑需求响应的能源中心规划的两阶段随机模型，利用粒子群算法进行能源中心的规划设计以及最优化能源中心的配置。在第一阶段利用粒子群算法进行能源中心的优化设计，候选设备的容量被认为是连续的，使规划实体能够精确的设计能源中心；在第二阶段引入最优化能源中心操作问题，将其规划为混合整数非线性规划模型，降低能源中心的储能需求，降低电力系统容量和总成本，大大提高能源中心的运行灵活性。

本发明提出一种基于粒子群算法的能源中心优化设计算法，提供设备能力的伪连续建模，利用MINLP模型建立考虑不确定性和DRPs的能源中心优化运行的精确数学模型，考虑每个季节不同的能源电价，对电力、供暖和制冷负荷需求的季节变化进行建模，评估了DRPs对能源中心设备规模的影响，研究了负荷需求的不确定性对能源中心优化设计的影响。

本发明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，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的考虑需求侧响应的能源中心配置方法流程图；

图2为本发明实施例1提供的两阶段能源中心规划和运行的概念模型图；

图3为本发明实施例1提供的CHP单元可行的操作区域图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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，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。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

如图1所示，本实施例提供一种考虑需求侧响应的能源中心配置方法，包括：

S1：根据负荷需求和分布式电源发电量构建供电-供冷-供热的能源中心场景；

S2：以最小化设备总投资成本和能源中心总运行成本为目标函数，以供电-供冷-供热的设备最大输出功率、供电-供冷-供热的功率平衡以及负荷需求为约束条件，求解目标函数得到在能源中心场景下，满足需求侧响应的供电-供冷-供热设备接入类型和容量。

所述步骤S1中，本实施例根据负荷需求、发电量等不确定性参数采用蒙特卡罗模拟方法构建包含电气、供热、供冷和光伏发电的能源中心场景，采用逆向场景约简技术，对供电-供冷-供热的能源中心场景进行场景缩减，得到近似初始生成场景的合理场景，如图2所示。

由于传统的经验方法不能逼近真实的物理过程，很难得到满意的结果，而蒙特卡罗模拟方法能够真实地模拟实际物理过程，所以本实施例采用蒙特卡洛模拟方法生成与实际电气、供热、制冷以及光伏发电非常相符的场景；具体为：

S1-1：对每一组不确定参数，蒙特卡罗模拟产生原始场景数为1000个；

S1-2：根据公式(1)，选取高斯分布函数产生电、冷、热需求场景。

式中，μ_x和

为对应数据集的均值和标准差，Δx_t为各需求集在t时刻的预测误差。

S1-3：为了生成相应的光伏发电场景，本实施例使用Beta分布函数，辐射预测的相关误差由Beta分布函数建模；即：

式中，λ₁、λ₂为Beta分布函数对应的形状参数；N表示归一化因子，

表示t时刻的辐照度预测误差，在本实施例中，归一化因子为正，取值范围为

与辐照度预测误差相关的均值和方差分别为(3)和(4)：

步骤1-4：增加场景的数量会导致模型的精度和计算量的增加，因此，本实施例采用逆向场景约简技术处理场景的数量和模型的复杂性；逆向场景约简是用于场景减少有效的算法，提供了近似初始生成场景的合理场景，将K作为带有关联发生概率的原始场景集，计算出每个场景对应的距离为：

式中，

为场景s的平均值。设S为场景的初始集合，J为要删除的场景集合；

具体包括以下步骤：

步骤1-4-1：计算所有场景对的距离：

d_s,s′＝d(ξ_s-ξ_s′),(s,s′＝1,…,K) (6)

式中，ξ_s表示场景s，ξ_s′表示除场景s以外的其他场景；

步骤1-4-2：对于每一种场景K，所有场景对的距离的最小化为：dt_k(r)＝min d_k,s′；其中，s′,k∈Sand，s′≠k，r是场景的参数，与k一起最小化距离。

步骤1-4-3：计算ρd_k(r)＝ρ_k×dt_k(r),k∈S (7)

式中，ρd_k(r)表示场景k新的距离；ρ_k表示场景k对应的距离系数；

选择距离d：ρd_d＝minρd_k,k∈S (8)

步骤1-4-4：计算S＝S-{d},J＝J+{d}；ρ_r＝ρ_r+ρ_d (9)

步骤1-4-5：重复上述步骤，直到场景数达到所需的数量(R)为止，场景的数量为R，其概率为ρ_r′,r＝1,…,R；

步骤1-4-6：场景约简后，原始能源中心场景模型变为：

所述步骤S2中，本实施例在考虑需求响应下采用两阶段目标函数，以最小化设备总投资成本为第一目标函数，以最小化能源中心总运行成本为第二目标函数，采用引入混沌搜索技术的粒子群算法求解目标函数，在得到第一阶段的决策变量值，即设备类型和容量的情况下，通过求解第二阶段目标函数得到总运行成本，筛选在能源中心场景下，满足需求侧响应的供电-供冷-供热设备接入类型和容量。

设备包括热电联产装置CHP、电力蓄能EES、光伏发电PV机组、加热器Heater、电热泵EHP、锅炉Boiler和吸收式制冷机Chiller，故本实施例的两阶段目标函数定义为：

Min：Z＝TIC+TOC (11)

其中，第一阶段的目标函数为最小化设备总投资成本(TIC)：

式中，F^CHP和F^Chiller是热电联产机组和吸收式冷水机的投资成本函数；F^EES、F^EHP、F^Boiler、F^PV以及F^Heater分别是EES、EHP、锅炉、PV机组和加热器的投资成本，是其容量的线性函数；Cap^CHP、Cap^Chiller、Cap^EES、Cap^EHP、Cap^Boiler、Cap^PV、Cap^Heater分别为各个机组输出有功功率的上限。

设定设备的利率和寿命分别用i和n表示，CRF是提供封闭式管理投资的年度投资成本，特别是在静态规划问题中，由于设备的寿命不同，CRF通过分别消除CHP和EES单位的残值和重置成本的影响，减少静态规划问题的计算负担；CRF的计算方法如下：

第二阶段的目标函数是最小化能源中心的运行成本TOC，以一天的TOC值乘以每个季节的天数得到一年的TOC，即：

其中，SC表示场景序号，表示某一场景；N_SC表示场景的数量；

表示场景SC下的运行成本系数；N_D表示季节的数量；N_τ表示一天的小时数；

表示从地方电网买电的消费金额；

表示向地方电网售电得到的收入。

式中，Δt等于1h；第一项是向电网出售电能的收入减去从公用事业电网购买电能的成本，

和

是场景sc、季节s和时间t中从电网购买和出售的有功功率，即电能出力成本；第二项是能源中心设备的运行成本，即下式(15)-(19)；第三项是未提供的电能的出力成本，

和

分别是没有供应的需求和按照$/kWh的价格。

具体地，下式(15)-(19)分别为热电联产装CHP、锅炉Boiler、吸收式冷水机Chiller、电热泵EHP和加热器Heater的运行成本：

式中，

表示热电联产装置的运行成本；a^CHP、b^CHP、c^CHP、d^CHP表示热电联产装置的系数；

是场景sc、季节s和时间t下热电联产装置的功率；

是场景sc、季节s和时间t下热电联产装置的加热功率；f^CHP表示热电联产装置的初始投资；

表示在场景sc、季节s和时间t下，锅炉的运行成本；

表示天然气价格；

是在场景sc、季节s和时间t下锅炉的加热功率；η^Boiler表示锅炉的效率；

表示在场景sc、季节s和时间t下，吸收式冷水机的运行成本；a^Chiller、b^Chiller表示吸收式冷水机的系数；

表示在场景sc、季节s和时间t下，吸收式冷水机的制冷功率；

表示在场景sc、季节s和时间t下，电热泵的运行成本；a^EHP、b^EHP、c^EHP表示电热泵的系数；

表示在场景sc、季节s和时间t下，电热泵的加热功率；

表示在场景sc、季节s和时间t下，电热泵的制冷功率；

表示在场景sc、季节s和时间t下，加热器的运行成本；a^Heater、b^Heater表示加热器的系数；

表示在场景sc、季节s和时间t下，加热器的加热功率。

在本实施例中，所构建的供电-供冷-供热的能源中心场景模型的优点之一是能源中心设备的连续能力，而候选设备的能力被认为是离散的，本实施例利用该特定可以提高解决方案的精确度和效率。

所述步骤S2中，约束条件具体包括：

S2-1：每种设备允许的运行区间，即设定输出功率最大值的约束条件如式(20)-(26)所示：

0≤Cap^CHP≤CHP^Max (20)

0≤Cap^EHP≤EHP^Max (21)

0≤Cap^EES≤EES^Max (22)

0≤Cap^Chiller≤Chiller^Max (23)

0≤Cap^Boiler≤Boiler^Max (24)

0≤Cap^PV≤PV^Max (25)

0≤Cap^Heater≤Heater^Max (26)

式中，Cap^CHP为CHP机组输出有功功率的上限，其他工作点作为

的百分比；EHP^Max是EHP工作范围的上限，可以是最大热量或最大冷却功率；CHP^Max、EES^Max、Chiller^Max、Boiler^Max、PV^Max、Heater^Max分别是各机组约束的上限值。

值得注意的是，CHP机组的发电和发热是相互依存的，不可能对其进行单独控制；由此，CHP机组的FOR为梯形，如图3所示，下式(27)-(31)的约束条件将其描述为梯形：

式中，

分别表示热电联产装置在图3中A、B、C点的功率；M表示Mw；

分别表示热电联产装置在图3中A、B、C点的加热功率；

表示在场景sc、季节s和时间t下热电联产装置启停的二进制变量，0表示关闭，1表示打开。

其中，约束条件(27)限制CHP单元的操作点要低于线AB；约束条件(28)表明在CHP打开状态时，其操作点必须在BC线以上，由二进制变量

确定热电联产的开/关状态的场景和时间t；约束条件(29)表明在CHP打开状态时，其操作点必须在直线CD以上；约束条件(30)和(31)表明由CHP所产生的最大功率和最大热单元。

S2-2：锅炉、吸收式冷水机组、EHP和加热器的运行约束如(32)-(37)所示：

其中，约束条件(32)为锅炉产生的最大热量

约束条件(33)为吸收式冷水机组产生的最大冷却功率

约束条件(34)为吸收式制冷机产生的冷却功率

约束条件(35)和约束条件(36)分别表示EHP产生的最大冷却功率

和最大制热功率

约束(37)中

为某一加热或冷却模式下EHP的每小时运行限制。

S2-3：EHP的制冷和制热功率可以根据电能消耗及其性能系数(COP)作为约束(38)和(39)来确定：

其中，约束条件(40)将加热器产生的热量限制在其最大容量，而其产生的热量根据加热器(41)的功率和COP确定。

S2-4：EES中根据前一小时的值和t时的充放电功率存储的电能如约束条件(42)所示，η^ESS,Ch和η^ESS,Max分别表示充放电的效率；

如约束条件(43)所示，EES中存储的能量是有限的，E^EES,Max等于Cap^EES；

如约束条件(44)所示，将一天结束时存储在EES中的能量限制为调度初始点的值，以便所需的能量始终可用于未来几天；

充电功率和放电功率的约束分别如式(45)和式(46)所示：

S2-5：约束条件(48)为，在t小时、s季节和情景sc的情况下可从公用事业电网购买的最大功率；

约束条件(49)为，出售给电网的最大功率；

约束条件(50)为，在每小时与公用事业电网的电力交易必须在同一时间处于上述状态之一：

S2-6：电力负荷需求还包括EHP、加热器、EES在充电模式下，出售给公用电网的电力和中心的其他电力负荷需求，电负荷需求的一小部分由

表示，可能不被供应；由此电能平衡约束表示为：

S2-7：能源中心所需的热量，包括吸收式冷水机所需的热量和其他热量需求，由热电联产机、EHP、加热器和锅炉提供；式(52)表示热量平衡约束，冷却负荷需求由冷水机和EHP供冷，相应的冷却功率平衡约束为式(53)：

S2-7：DRPs被解释为负荷参与能源管理并改变其行为以响应市场价格或从系统运营商获得激励，这一过程将导致需求曲线变平；应用使用时间(TOU)收费后，每小时的负荷需求计算如下：

式中，D_sc,s,t和

分别表示在t时刻、s季节、场景sc情况下采用DRP前后的负荷需求；

和

分别表示由于DRP导致的负载需求的增加和减少，

和

不能同时为非零。

S2-8：此外，负荷变化的量必须保证一天的总负荷需求保持不变，如约束条件(55)所示，每个时期的增减量取决于该时期的价格变化和负荷需求弹性。

在约束(56)到(60)中，ε表示负荷需求弹性，Pr_s,t和

表示s季节t时段的电能价格以及非高峰时段的电能价格；然而，需要注意的是，只有有限的一部分负载需求参与到DRP中。

在本实施例中，确定目标函数和约束条件后，采用引入混沌搜索技术的粒子群算法求解目标函数；定义粒子群算法参数，并随机生成初始种群，初始化迭代计数器和粒子数为1，粒子群算法的每一次迭代都根据候选设备的类型和容量确定TIC。

随机生成粒子种群，对种群中的每个成员计算目标函数的值，选择最优成员作为最佳状态；一个交互过程被执行，使解收敛到一个全局解，每个质点的速度和位置分别用x_i和V_i表示，利用质点的位置和速度信息进行位置变化；每个粒子都知道自己的最佳值P_best和相关位置x_i，这相当于每个粒子的经验；此外，每个粒子都知道G_best所表示的组的最佳值。

由式(61)可知，每个粒子的速度随上述信息而变化：

其中，r₁和r₂为区间内[0 1]的随机值，c₁和c₂为加速度系数，w是惯量，每次迭代都通过式(60)更新每个粒子的位置。

本实施例提出了考虑需求响应方案(DRP)的能源中心联合规划与运行的两阶段优化模型，该模型研究了能源中心机组选择的长期评估和在这一阶段处理的相应规模的电气、加热和冷却机组，根据每个季节的不同负荷需求情况确定所选机组的操作点。由于操作问题受到许多具有相当多整数和非线性约束的情形，不同的不确定性对运行条件的影响以及需求响应方案对中心的设计影响的问题，本实施例考虑需求负荷的不确定性以及PV发电水平，同时对优化问题进行分解，还将能源中心的优化运行与设计问题作为MINLP问题进行研究。

本实施例为了评估存在DRP的情况下所提方法的效果，在四个不同的案例研究中对该问题进行验证。结果表明，通过将部分电力负荷从高峰时段转移到非高峰时段，并降低中心的储能需求，可降低电力系统容量和总成本。此外，考虑各种不确定性增加机组的容量，尤其是热源，由于大量电能的不确定性可以通过网络交换进行补偿，因此不确定性对热源最佳容量的影响要大于对电源的影响，同时考虑各种不确定性还增加投资和运营成本。

本实施例的模拟结果表明，部署基于价格的DRP通过减少EES的安装需求降低总成本，EES的容量减少78％。换句话说，基于价格的DRP在EES中具有相同的节能作用，并在另一个时间间隔注入电力，因此，在存在基于价格的DRP时，中心操作员可以有效地管理电力负载平衡约束，因此，热电联产系统和锅炉在运行成本和电力损失方面都有相当大的贡献。由于这些机组利用天然气并为热负荷提供服务，因此在给定的场景下，所研究的能源中心的运行灵活性大大提高。对于优化问题，本实施例提出的两阶段随机优化问题在存在各种不确定性的情况下，为设计阶段和运行阶段提供准确的结果，将联合规划与运行问题的二元决策变量分解为两个不同时间跨度的二元决策变量，即长期和短期二元决策变量，减少复杂优化问题的计算量，提高优化问题的收敛性。

实施例2

本实施例提供一种考虑需求侧响应的能源中心配置系统，包括：

此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。

实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

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

1.一种考虑需求侧响应的能源中心配置方法，其特征在于，包括：

2.如权利要求1所述的一种考虑需求侧响应的能源中心配置方法，其特征在于，采用蒙特卡罗模拟方法构建供电-供冷-供热的能源中心场景，对能源中心场景采用逆向场景约简方法进行场景缩减。

3.如权利要求1所述的一种考虑需求侧响应的能源中心配置方法，其特征在于，根据设备输出有功功率的上限以及投资成本得到设备总投资成本，构建以最小化设备总投资成本的第一目标函数。

4.如权利要求3所述的一种考虑需求侧响应的能源中心配置方法，其特征在于，根据电能出力成本、设备运行成本以及未在供应需求下的出力成本构建以最小化能源中心总运行成本的第二目标函数。

5.如权利要求4所述的一种考虑需求侧响应的能源中心配置方法，其特征在于，采用引入混沌搜索的粒子群算法求解第一目标函数，得到供电-供冷-供热设备类型和容量的候选组合配置，根据候选组合配置下的能源中心总成本，在第二目标函数下筛选最优组合配置，以此控制需求侧响应下的供电-供冷-供热设备接入类型和容量。

6.如权利要求1所述的一种考虑需求侧响应的能源中心配置方法，其特征在于，所述设备包括热电联产装置、电力蓄能装置、分布式发电机组、加热器、电热泵、锅炉和吸收式冷水机组。

7.如权利要求6所述的一种考虑需求侧响应的能源中心配置方法，其特征在于，供电-供冷-供热的设备最大输出功率的约束条件具体包括：热电联产装置最大输出有功功率、锅炉的最大热量、吸收式冷水机组的最大冷却功率、电热泵的最大冷却功率和最大制热功率、电热泵在加热模式或冷却模式下的运行限制功率、电力蓄能装置的充电功率和放电功率。

8.一种考虑需求侧响应的能源中心配置系统，包括：

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。