CN113162125A - 一种冷电联供型微电网优化调度方法及装置 - Google Patents
一种冷电联供型微电网优化调度方法及装置 Download PDFInfo
- Publication number
- CN113162125A CN113162125A CN202110418934.7A CN202110418934A CN113162125A CN 113162125 A CN113162125 A CN 113162125A CN 202110418934 A CN202110418934 A CN 202110418934A CN 113162125 A CN113162125 A CN 113162125A
- Authority
- CN
- China
- Prior art keywords
- ice
- power
- scheduling model
- refrigeration air
- constructing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000005057 refrigeration Methods 0.000 claims abstract description 105
- 238000001816 cooling Methods 0.000 claims abstract description 82
- 238000010248 power generation Methods 0.000 claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 238000004378 air conditioning Methods 0.000 claims description 62
- 238000010276 construction Methods 0.000 claims description 17
- 238000002844 melting Methods 0.000 claims description 15
- 230000008018 melting Effects 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 28
- 238000010586 diagram Methods 0.000 description 10
- 238000009499 grossing Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
- 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]
Abstract
本申请提供一种冷电联供型微电网优化调度方法及装置，其中方法包括构建冷电联供系统；根据冷电联供系统构建第一约束条件和第二约束条件；根据冷电联供系统构建第三约束条件和第四约束条件；根据冷电联供系统构建构建日前调度模型，日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本；根据冷电联供系统构建构建实时调度模型，实时调度模型用于对微电网运行成本进行优化；对日前调度模型和实时调度模型进行线性转换；根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。采用上述方案，避免冷流远距离传输，降低不同冷却系统之间的冷能交换难度和损耗，满足冷能接收侧的制冷需要。
Description
技术领域
本申请涉及能源控制技术领域，尤其涉及一种冷电联供型微电网优化调度方法及装置。
背景技术
随着经济的不断发展，许多国家在减缓气候变化和减少能源供应方面面临严峻挑战。减少温室气体排放和提高能源效率的一个核心解决方案是使用分布式能源系统。其中，冷电联供分布式供能系统适合直接建造在中、小规模的终端用户，并向用户供电、供冷。冷电联供系统具有能源梯级根据效率高、电能供应可靠、经济效益好、环境友好等优点。冷电联供系统的经济运行，不仅与冷负荷和电负荷的大小有关，还与是否允许发电上网、购电价格等因素有关。
目前，一种蓄冰制冷空调被广泛用于制冷并对配电网需求进行局部响应，参见图1，蓄冰制冷空调包括制冷泵101，制冰机102，融冰装置103和储冰罐104。制冷泵向建筑物内提供冷能，制冰机用于在用电低谷期生产冰块，生产的冰块储存在储冰罐中，融冰装置在用电高峰期消耗储存罐中的冰，进而向建筑物内提供冷能，以降低用电高峰期的电力负荷。
对于大规模的建筑群，冷流难以远距离传输，导致冷能损耗严重。在这种情况下，需要安装多个蓄冰制冷空调以满足建筑群的制冷要求。然而，冷却状态下的分子运动减缓，不同冷却系统之间的冷能直接交换难度颇大，损耗较高。因此，即使冷能输出侧多制冷机联合运行，也可能无法满足冷能接收侧的制冷需要。
发明内容
本申请提供一种冷电联供型微电网优化调度方法及装置，可用于解决现有技术中对于大规模的建筑群，冷流难以远距离传输，导致冷能损耗严重，不同冷却系统之间的冷能直接交换难度颇大，损耗较高的问题。
第一方面，本申请提供一种冷电联供型微电网优化调度方法，包括：
构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆；
根据冷电联供系统构建第一约束条件和第二约束条件；
根据冷电联供系统构建第三约束条件和第四约束条件；
根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本；
根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化；
对所述日前调度模型和实时调度模型进行线性转换；
根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。
可选的，所述第一约束条件为：
其中，(1)表示运冰车辆k在时间t只有一个位置；(2)表示运冰车辆路线的一致性，(3)-(4)表示限制运冰车辆从蓄冰制冷空调站i到j的行驶时间；(5)表示初始运冰车辆路线约束；(6)表示运冰车辆k在运冰结束时返回其原始位置；
为二进制变量，表示运冰车辆k在时间t从蓄冰制冷空调站点i到j的行进路线；Tij为运冰车辆由i节点到j节点的行进时间；T表示运冰车辆的调度周期。
可选的，所述第二约束条件为：
其中，(7)表示制冰量的限制；(8)-(10)表示运冰车辆装冰极限；(11)-(13)表示蓄冰制冷空调的蓄冰制冷约束；(15)表示冷却需求；
为t时刻运冰车辆k在蓄冰制冷空调站i的冰块实际装载量；
表示运冰车辆k的额定冰块装载量；ξair为冷能消耗的冰块保持率；
为运冰车辆k在t时刻的实际储冰量；
为额定储冰量；Pt icemaking,i和ηicemaking分别为蓄冰制冷空调站i的制冰功率和制冰效率；Pt melt,i和ηmelt分别蓄冰制冷空调站i为融冰功率和融冰效率；
和
分别为多台蓄冷制冰空调的实际和额定储冰量；Pt chiller,i为t时刻蓄冰制冷空调站i的制冷量；ηchiller为制冷效率，
为蓄冰制冷空调站l在时刻t的冷能需求。
可选的，所述第三约束条件为：
其中，Pt chiller,i为t时刻蓄冰制冷空调站i的制冷量；
为蓄冰制冷空调站i的额定制冷量；Pt icemaking,i为蓄冰制冷空调站i的制冰功率；
为蓄冰制冷空调站i的额定制冰功率；Pt melt,i为蓄冰制冷空调站i为融冰功率；
为蓄冰制冷空调站i为额定融冰功率。
可选的，所述第四约束条件为：
其中，(18)-(19)分别表示蓄冰制冷空调站i的有功和无功注入功率约束；(20)-(21)表示节点注入功率和支路功率之间的关系；(22)-(23)分别表示支路ij的头端和末端的有功和无功限制；(24)-(26)表示节点电压和支线约束；Pt i为蓄冰制冷空调站i在t时刻注入的有功功率；Pt l,t为蓄冰制冷空调站l在t时刻的负载有功功率；Pt WT，i、Pt PV，i、Pt g，i分别是风电机组(WT)发电、光伏(PV)输出和微型燃气轮机(微型燃气轮机)发电的有功功率；
分别为相应的无功功率；
和
为相应的有功功率和无功功率；
为t时刻流过支路ij的电流的平方；rij和xij分别为支路电阻和电抗；
为支路ij的额定电流的平方；
vi和
分别表示蓄冰制冷空调站i在时刻t的电压的平方、最小额定电压平方和最大额定电压平方。
可选的，所述日前调度模型为：
其中，S是情景数；ag,i、bg,i、cg,i均为蓄冰制冷空调站i的微型燃气轮机发电成本参数；
为t时段运冰车辆k从i到j的场景；
为用于描述元件启停状态的变量，启动为1，停止为0；
为快速响应变量；
为微型燃气轮机额定发电功率；pfuel为单位时间的运冰成本系数。
可选的，所述实时调度模型为：
其中，M为预测时间窗口；
和
均为日前决策变量。
可选的，所述对所述日前调度模型和实时调度模型进行线性转换，包括：
根据以下公式，对所述日前调度模型和实时调度模型进行线性转换：
其中，
为t时刻流过支路ij的电流的平方；
为蓄冰制冷空调站i在时刻t的电压的平方；
分别为有功功率和无功功率。
可选的，所述根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型包括：
根据以下公式，计算线性转换后的日前调度模型和实时调度模型：
其中，S是情景数；ag,i、bg,i、cg,i均为蓄冰制冷空调站i的微型燃气轮机发电成本参数;
为t时段运冰车辆k从i到j的场景；
为用于描述元件启停状态的变量，启动为1，停止为0；pfuel为单位时间的运冰成本系数；
为拉格朗日乘子；
为决策变量；
为t时段运冰车辆k从i到的i场景。
第二方面，本申请提供一种冷电联供型微电网优化调度，包括：
第一构建模块，用于构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆；
第二构建模块，用于根据冷电联供系统构建第一约束条件和第二约束条件；
第三构建模块，用于根据冷电联供系统构建第三约束条件和第四约束条件；
第四构建模块，用于根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本；
第五构建模块，用于根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化；
转换模块，用于对所述日前调度模型和实时调度模型进行线性转换；
计算模块，用于根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。
本申请提供一种冷电联供型微电网优化调度方法及装置，其中方法包括构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆；根据冷电联供系统构建第一约束条件和第二约束条件；根据冷电联供系统构建第三约束条件和第四约束条件；根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本；根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化；对所述日前调度模型和实时调度模型进行线性转换；根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。采用上述方案，避免冷流远距离传输，降低不同冷却系统之间的冷能交换难度和损耗，满足冷能接收侧的制冷需要。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为蓄冰制冷空调系统的结构示意图；
图2为本申请实施例提供的一种冷电联供型微电网优化调度方法的流程示意图；
图3为拉格朗日解法的流程图；
图4为本申请实施例提供一种冷电联供型微电网优化调度装置的结构示意图；
图5为本申请实施例提供一种冷电联供系统结构示意图；
图6为可再生能源发电、电力、冷负荷示意图；
图7为本申请实施例中场景1中的冷电联供损耗示意图；
图8为本申请实施例中场景2中的冷电联供损耗示意图；
图9为本申请实施例中场景3中的冷电联供损耗示意图；
图10为本申请实施例中场景1中短时间尺度上的功率平滑示意图；
图11为本申请实施例中场景2中短时间尺度上的功率平滑示意图；
图12为本申请实施例中场景3中短时间尺度上的功率平滑示意图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅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作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。
本申请第一实施例提供一种冷电联供型微电网优化调度方法，参见图2和图5，所述方法包括：
步骤S11，构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆；发电装置包括但不限于风力发电装置I、微型燃气轮机II、光伏发电装置III。
步骤S12，根据冷电联供系统构建第一约束条件和第二约束条件。
本步骤中，第一约束条件为：
其中，(1)表示运冰车辆k在时间t只有一个位置；(2)表示运冰车辆路线的一致性，(3)-(4)表示限制运冰车辆从蓄冰制冷空调站i到j的行驶时间；(5)表示初始运冰车辆路线约束；(6)表示运冰车辆k在运冰结束时返回其原始位置；
为二进制变量，表示运冰车辆k在时间t从蓄冰制冷空调站点i到j的行进路线；Tij为运冰车辆由i节点到j节点的行进时间；T表示运冰车辆的调度周期。
第二约束条件为：
其中，(7)表示制冰量的限制；(8)-(10)表示运冰车辆装冰极限；(11)-(13)表示蓄冰制冷空调的蓄冰制冷约束；(15)表示冷却需求；
为t时刻运冰车辆k在蓄冰制冷空调站i的冰块实际装载量；
表示运冰车辆k的额定冰块装载量；ξair为冷能消耗的冰块保持率；
为运冰车辆k在t时刻的实际储冰量；
为额定储冰量；Pt icemaking,i和ηicemaking分别为蓄冰制冷空调站i的制冰功率和制冰效率；Pt melt,i和ηmelt分别蓄冰制冷空调站i为融冰功率和融冰效率；
和
分别为多台蓄冷制冰空调的实际和额定储冰量；Pt chiller,i为t时刻蓄冰制冷空调站i的制冷量；ηchiller为制冷效率，
为蓄冰制冷空调站l在时刻t的冷能需求。
步骤S13，根据冷电联供系统构建第三约束条件和第四约束条件。
本步骤中，第三约束条件为：
其中，Pt chiller,i为t时刻蓄冰制冷空调站i的制冷量；
为蓄冰制冷空调站i的额定制冷量；Pt icemaking,i为蓄冰制冷空调站i的制冰功率；
为蓄冰制冷空调站i的额定制冰功率；Pt melt,i为蓄冰制冷空调站i为融冰功率；
为蓄冰制冷空调站i为额定融冰功率。
第四约束条件为：
其中，(18)-(19)分别表示蓄冰制冷空调站i的有功和无功注入功率约束；(20)-(21)表示节点注入功率和支路功率之间的关系；(22)-(23)分别表示支路ij的头端和末端的有功和无功限制；(24)-(26)表示节点电压和支线约束；Pt i为蓄冰制冷空调站i在t时刻注入的有功功率；Pt l,t为蓄冰制冷空调站l在t时刻的负载有功功率；Pt WT，i、Pt PV，i、Pt g，i分别是风电机组(WT)发电、光伏(PV)输出和微型燃气轮机(微型燃气轮机)发电的有功功率；
分别为相应的无功功率；
和
为相应的有功功率和无功功率；
为t时刻流过支路ij的电流的平方；rij和xij分别为支路电阻和电抗；
为支路ij的额定电流的平方；
vi和
分别表示蓄冰制冷空调站i在时刻t的电压的平方、最小额定电压平方和最大额定电压平方。
步骤S14，根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本。
本步骤中，日前调度模型为：
其中，S是情景数；ag,i、bg,i、cg,i均为蓄冰制冷空调站i的微型燃气轮机发电成本参数；
为t时段运冰车辆k从i到j的场景；
为用于描述元件启停状态的变量，启动为1，停止为0；
为快速响应变量；
为微型燃气轮机额定发电功率；pfuel为单位时间的运冰成本系数。
步骤S15，根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化。
本步骤中，实时调度模型为：
其中，M为预测时间窗口；
和
均为日前决策变量。
步骤S16，对所述日前调度模型和实时调度模型进行线性转换。
本步骤中，根据以下公式，对所述日前调度模型和实时调度模型进行线性转换：
其中，
为t时刻流过支路ij的电流的平方；
为蓄冰制冷空调站i在时刻t的电压的平方；
分别为有功功率和无功功率。
步骤S17，根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。
本步骤中，根据以下公式，计算线性转换后的日前调度模型和实时调度模型：
其中，S是情景数；ag,i、bg,i、cg,i均为蓄冰制冷空调站i的微型燃气轮机发电成本参数；
为t时段运冰车辆k从i到j的场景；
为用于描述元件启停状态的变量，启动为1，停止为0；pfuel为单位时间的运冰成本系数；
为拉格朗日乘子；
为决策变量；
为t时段运冰车辆k从i到的i场景。
在此基础上，提出了能源调度和冰运调度两个子问题，具体如下：
子问题1：能量调度问题Fd1-，公式如下：
子问题2：冰运调度问题Fd2-，公式如下：
可以看到，子问题1和子问题2通过拉格朗日乘子
联系在一起。参见图3，通过调整，进行迭代求解得到最优解。如果
它的计算公式如下：
求解步骤表示如下：
第一步：初始化参数
满足
最大迭代次数Iterm。
第二步：计算
根据
更新
和
在此基础上，计算出
第三步：计算
根据子问题2中
的决策结果，计算调度问题Fd，结果记为
计算出
第四步：检查停止条件
如果满足iter＞Iterm或者
则迭代将停止。否则，让iter＝iter+1并转到步骤2。
本申请实施例通过步骤S11至步骤S17提供一种冷电联供型微电网优化调度方法，包括构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆；根据冷电联供系统构建第一约束条件和第二约束条件；根据冷电联供系统构建第三约束条件和第四约束条件；根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本；根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化；对所述日前调度模型和实时调度模型进行线性转换；根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。避免冷流远距离传输，降低不同冷却系统之间的冷能交换难度和损耗，满足冷能接收侧的制冷需要。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
参见图4，本申请第二实施例提供一种冷电联供型微电网优化调度装置，包括：
第一构建模块100，用于构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆。
第二构建模块200，用于根据冷电联供系统构建第一约束条件和第二约束条件。
第三构建模块300，用于根据冷电联供系统构建第三约束条件和第四约束条件。
第四构建模块400，用于根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本。
第五构建模块500，用于根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化。
转换模块600，用于对所述日前调度模型和实时调度模型进行线性转换。
计算模块700，用于根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。
如图5所示，图中三台蓄冰制冷空调IV分别位于节点3、7和13上。在节点3和节点9安装了风力发电装置WT和光伏发电装置PV。在节点1和节点2安装了两台微型燃气轮机。
微型燃气轮机MT的发电参数为agi＝0.001805yuan/kw2，bgi＝0.52575yuan/kw，cgi＝9yuan。蓄冰制冷空调IV的额定制冷功率为5MW，制冰功率为2MW，融冰功率为3MW。三种模式的工作效率分别为4.2，2.8和42.5。冰块保留率设定为0.99。微电网分支参数显示在选项卡中。图6中描述了风力发电、电力负荷和冷负荷。微网电压允许在0.93-1.07之间运行。
运冰车辆的进货价格和使用年限分别为200000元和15年。在不损失一般性的前提下，假设蓄冰制冷空调之间的冰分配可以在一小时内完成。每小时冰块配送成本和司机日工资分别设定为200元和300元。
表1微电网的支路参数
为了验证该模型的优越性，对三种案例进行了讨论：
1)场景1：冷能不能在独立空调系统之间直接交换。日前调度目标如下：
2)场景2：采用本文提出的集成一辆运冰车辆的调度模型。
3)场景3：采用本文提出的整合两辆运冰车辆的调度模型。
(2)结果分析
1)长期能源消耗
图7所示场景1中冷电联供系统的能耗。从图中可以看出，微型燃气轮机和蓄冰制冷空调是协调一致的，为维持电力平衡。微型燃气轮机功率在2.4MW到18.9MW之间变化，相应的平均发电成本在800.9元/MWh到815.5元/MWh之间浮动。在调度周期内，微型燃气轮机发电量为264.82MWh，网损为5.4MWh。
表2显示了场景2中的冰供应路线。假设“→”代表运冰车辆行驶方向。从表中可以看出，运冰车辆是用来在蓄冰制冷空调之间运送冰块的。在调度期内，冰的分布顺序为1→2→3→2→1，可以推测在这种情况下实现了多个区域的冷能交换。
表2冰川分布序列
图8显示了基于一辆运冰车辆的冷电联供系统能耗。得益于多个地区之间的冷能交换，蓄冰制冷空调的运行更加灵活，使微型燃气轮机在经济的范围内工作。在调度周期内，微型燃气轮机功率从1.9MW变化到15.5MW，发电成本在800.9元/MWh到811.3元/MWh之间波动。微型燃气轮机发电功率和网损分别减少至245.3MWh和4.4MWh。
表3显示了场景3中的冰分布顺序。从表中可以看出，运冰车辆1和运冰车辆2分别按照行程1→3→1和1→2→1在蓄冰制冷空调之间运输冰。得益于运冰车辆的协调，多个蓄冰制冷空调可以同时交换冷能(例如，在22：00-23：00)。因此，冷电联供电的性能会更好。
表3冰分布序列
图9验证了冷电联供的优势。在两辆运冰车辆的帮助下，进一步释放了冷负荷的能耗弹性。因此，微型燃气轮机功率可以在3.1MW到14.7MW之间运行。在这个范围内，平均发电成本从800.8元/MWh浮动到810.3元/MWh。在调度周期内，微型燃气轮机发电量和网损分别进一步降至231.3MWh和3.9MWh。
根据上述结果可以看出，与场景1相比，场景2和场景3的微型燃气轮机发电成本和网损减少了，说明了所提出的调度策略有节能优势。此外，场景2和场景3的结果差异表明，冷电联供系统可以进一步提高微电网的运行性能。
2)短期内的功率平滑性能
以19：00-20：00的可再生能源为例。作为例子，介绍了冷电联供系统在短时间尺度上的功率平滑性能。研究结果如下：
图10描述了第一种场景下的功率平滑效应。从图中可以看出，蓄冷制冰空调密切跟踪可再生发电的波动。然而，由于运行的限制，蓄冷制冰空调功率变化幅度被限制在0.36MW。因此，同时调节微型燃气轮机以维持功率平衡，从而导致发电成本浮动。在这一小时内，平均发电成本(即灰色区域的上限)为813.7元/MWh。相比之下，在不响应功率波动(即灰色区域的下限)的情况下，名义发电成本仅为812.3元/MWh。结果表明，可再生发电波动会增加微型燃气轮机的实际发电成本。
图11显示了在第二种场景下的功率平滑性能，蓄冰制冷空调可以深入参与可再生能源的平滑。其功率变化范围为6.65MW-7.25MW。在这种情况下，微型燃气轮机的平均发电成本和额定发电成本分别为810.9元/MWh和810.4元/MWh。每兆瓦时0.5元的每小时成本偏差意味着功率波动的影响明显减轻。
图12显示了在第三种场景下短时刻度上的运行功率。蓄冰制冷空调允许在5.85MW到6.49MW之间工作。得益于蓄冰制冷空调的调节作用，微型燃气轮机功率变化幅度减小。微型燃气轮机S的平均发电成本为808.9元/MWh，仅比额定成本高出0.40元/MWh。
综上所述，所提出的调度策略可以在短时间尺度上释放蓄冰制冷空调的调节能力，降低可再生能源波动的影响。
3)经济性分析
表4 MG综合成本
表4显示了三种情况下微电网的综合运行成本。根据微型燃气轮机和燃料的日常成本，我们可以计算出，在案例1中微电网每日运行成本为78077150元，在案例2中为72160500元，在案例3中为67959350元。
根据国内市场信息，司机年薪和货车销售价格分别为100000元和150000元。假设货车使用年限为10年，在场景1中微电网年运行费用为78077150元，在场景2中为72275500元，在场景3中为68189350元。与场景1和场景2相比，场景3的MG费用分别减少9887800元(12.7％)和4086150元(5.7％)。结果表明，提出的调度策略可以显著提高微电网的运行经济性。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种冷电联供型微电网优化调度方法，其特征在于，包括：
构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆；
根据冷电联供系统构建第一约束条件和第二约束条件；
根据冷电联供系统构建第三约束条件和第四约束条件；
根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本；
根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化；
对所述日前调度模型和实时调度模型进行线性转换；
根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。
2.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述第一约束条件为：
其中，(1)表示运冰车辆k在时间t只有一个位置；(2)表示运冰车辆路线的一致性，(3)-(4)表示限制运冰车辆从蓄冰制冷空调站i到j的行驶时间；(5)表示初始运冰车辆路线约束；(6)表示运冰车辆k在运冰结束时返回其原始位置；
为二进制变量，表示运冰车辆k在时间t从蓄冰制冷空调站点i到j的行进路线；Tij为运冰车辆由i节点到j节点的行进时间；T表示运冰车辆的调度周期。
3.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述第二约束条件为：
其中，(7)表示制冰量的限制；(8)-(10)表示运冰车辆装冰极限；(11)-(13)表示蓄冰制冷空调的蓄冰制冷约束；(15)表示冷却需求；
为t时刻运冰车辆k在蓄冰制冷空调站i的冰块实际装载量；
表示运冰车辆k的额定冰块装载量；ξair为冷能消耗的冰块保持率；
为运冰车辆k在t时刻的实际储冰量；
为额定储冰量；Pt icemaking,i和ηicemaking分别为蓄冰制冷空调站i的制冰功率和制冰效率；Pt melt,i和ηmelt分别蓄冰制冷空调站i为融冰功率和融冰效率；
和
分别为多台蓄冷制冰空调的实际和额定储冰量；Pt chiller,i为t时刻蓄冰制冷空调站i的制冷量；ηchiller为制冷效率，
为蓄冰制冷空调站l在时刻t的冷能需求。
4.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述第三约束条件为：
其中，Pt chiller,i为t时刻蓄冰制冷空调站i的制冷量；
为蓄冰制冷空调站i的额定制冷量；Pt icemaking,i为蓄冰制冷空调站i的制冰功率；
为蓄冰制冷空调站i的额定制冰功率；Pt melt,i为蓄冰制冷空调站i为融冰功率；
为蓄冰制冷空调站i为额定融冰功率。
5.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述第四约束条件为：
其中，(18)-(19)分别表示蓄冰制冷空调站i的有功和无功注入功率约束；(20)-(21)表示节点注入功率和支路功率之间的关系；(22)-(23)分别表示支路ij的头端和末端的有功和无功限制；(24)-(26)表示节点电压和支线约束；Pt i为蓄冰制冷空调站i在t时刻注入的有功功率；Pt l,t为蓄冰制冷空调站l在t时刻的负载有功功率；Pt WT，i、Pt PV，i、Pt g，i分别是风电机组(WT)发电、光伏(PV)输出和微型燃气轮机(微型燃气轮机)发电的有功功率；
分别为相应的无功功率；
和
为相应的有功功率和无功功率；
为t时刻流过支路ij的电流的平方；rij和xij分别为支路电阻和电抗；
为支路ij的额定电流的平方；
vi 和
分别表示蓄冰制冷空调站i在时刻t的电压的平方、最小额定电压平方和最大额定电压平方。
6.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述日前调度模型为：
其中，S是情景数；ag,i、bg,i、cg,i均为蓄冰制冷空调站i的微型燃气轮机发电成本参数；
为t时段运冰车辆k从i到j的场景；
为用于描述元件启停状态的变量，启动为1，停止为0；
为快速响应变量；
为微型燃气轮机额定发电功率；pfuel为单位时间的运冰成本系数。
7.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述实时调度模型为：
其中，M为预测时间窗口；
和
均为日前决策变量。
8.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述对所述日前调度模型和实时调度模型进行线性转换，包括：
根据以下公式，对所述日前调度模型和实时调度模型进行线性转换：
其中，
为t时刻流过支路ij的电流的平方；
为蓄冰制冷空调站i在时刻t的电压的平方；Pt ij、
分别为有功功率和无功功率。
9.根据权利要求1所述的冷电联供型微电网优化调度方法，其特征在于，所述根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型包括：
根据以下公式，计算线性转换后的日前调度模型和实时调度模型：
其中，S是情景数；ag,i、bg,i、cg,i均为蓄冰制冷空调站i的微型燃气轮机发电成本参数；
为t时段运冰车辆k从i到j的场景；
为用于描述元件启停状态的变量，启动为1，停止为0；pfuel为单位时间的运冰成本系数；
为拉格朗日乘子；
为决策变量；
为t时段运冰车辆k从i到的i场景。
10.一种冷电联供型微电网优化调度装置，其特征在于，包括：
第一构建模块，用于构建冷电联供系统，所述冷电联供系统包括连接发电装置的多个蓄冰制冷空调以及在多个蓄冰制冷空调间运冰车辆；
第二构建模块，用于根据冷电联供系统构建第一约束条件和第二约束条件；
第三构建模块，用于根据冷电联供系统构建第三约束条件和第四约束条件；
第四构建模块，用于根据冷电联供系统构建构建日前调度模型，所述日前调度模型用于最小化由发电装置发电成本和运冰车辆运输成本组成的运营成本；
第五构建模块，用于根据冷电联供系统构建构建实时调度模型，所述实时调度模型用于对微电网运行成本进行优化；
转换模块，用于对所述日前调度模型和实时调度模型进行线性转换；
计算模块，用于根据拉格朗日解法计算线性转换后的日前调度模型和实时调度模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110418934.7A CN113162125A (zh) | 2021-04-19 | 2021-04-19 | 一种冷电联供型微电网优化调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110418934.7A CN113162125A (zh) | 2021-04-19 | 2021-04-19 | 一种冷电联供型微电网优化调度方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113162125A true CN113162125A (zh) | 2021-07-23 |
Family
ID=76868809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110418934.7A Pending CN113162125A (zh) | 2021-04-19 | 2021-04-19 | 一种冷电联供型微电网优化调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113162125A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320080A (zh) * | 2018-01-05 | 2018-07-24 | 上海电力学院 | 基于两层一致性算法的能源互联网实时动态功率分配方法 |
| CN109004686A (zh) * | 2018-08-29 | 2018-12-14 | 三峡大学 | 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统 |
-
2021
- 2021-04-19 CN CN202110418934.7A patent/CN113162125A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320080A (zh) * | 2018-01-05 | 2018-07-24 | 上海电力学院 | 基于两层一致性算法的能源互联网实时动态功率分配方法 |
| CN109004686A (zh) * | 2018-08-29 | 2018-12-14 | 三峡大学 | 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统 |
Non-Patent Citations (1)
| Title |
|---|
| JUNYU LIANG 等: "Optimal Scheduling of Cooling and Power Combined Supply System for Tropical Renewable Microgrids", 《IEEE ACCESS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109004686B (zh) | 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统 | |
| Buonomano | Building to Vehicle to Building concept: A comprehensive parametric and sensitivity analysis for decision making aims | |
| CN109063992A (zh) | 考虑区域综合能源系统优化运行的配电网扩展规划方法 | |
| CN102509175B (zh) | 分布式供电系统可靠性优化方法 | |
| CN111445067A (zh) | 一种适用于高铁站综合能源系统的多目标规划方法 | |
| Nosratabadi et al. | Eco-environmental planning of various energy storages within multi-energy microgrid by stochastic price-based programming inclusive of demand response paradigm | |
| CN110879547A (zh) | 一种多能互补的园区综合能源供能系统 | |
| CN104950720A (zh) | 基于气象预报将需求响应和舒适度反馈结合的供能系统 | |
| Guo et al. | Co-optimization method research and comprehensive benefits analysis of regional integrated energy system | |
| KR20210094033A (ko) | 에너지 관리 시스템을 동작시키기 위한 방법, 그 방법을 수행하기 위한 전자 컴퓨팅 디바이스, 컴퓨터 프로그램, 및 데이터 캐리어 | |
| Sadeghian et al. | Decentralized demand side management with rooftop PV in residential distribution network | |
| Datta et al. | The strategies of EV charge/discharge management in smart grid vehicle-to-everything (V2X) communication networks | |
| CN111585295A (zh) | 一种基于laes-caes的储能配置方法 | |
| CN112446552B (zh) | 一种生物质气化冷热电联供系统的多目标优化方法 | |
| Li et al. | Role of different energy storage methods in decarbonizing urban distributed energy systems: A case study of thermal and electricity storage | |
| CN113162125A (zh) | 一种冷电联供型微电网优化调度方法及装置 | |
| Zhao et al. | Strategic day-ahead bidding for energy hubs with electric vehicles | |
| JP7436399B2 (ja) | エネルギー管理装置およびエネルギー管理方法 | |
| 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 | |
| CN113902309A (zh) | 绿色港口能源互联系统的优化方法及系统 | |
| CN113962438A (zh) | 一种冷热电混合能源联合优化系统及方法 | |
| Feng et al. | Design and dispatching of all-clean energy producing-consuming system with six-energy coupling | |
| Dadman et al. | The role of electric snowmobiles and rooftop energy production in the arctic: The case of longyearbyen | |
| Niinisto et al. | Simulation of the management of a micro grid with wind, solar and gas generators | |
| Dutta | Design of a coordinated electric vehicle charging system to flatten the duck curve |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |
|
| RJ01 | Rejection of invention patent application after publication |