CN113298164A - 一种基于光伏出力不确定性的楼宇用能优化方法 - Google Patents

一种基于光伏出力不确定性的楼宇用能优化方法 Download PDF

Info

Publication number
CN113298164A
CN113298164A CN202110600785.6A CN202110600785A CN113298164A CN 113298164 A CN113298164 A CN 113298164A CN 202110600785 A CN202110600785 A CN 202110600785A CN 113298164 A CN113298164 A CN 113298164A
Authority
CN
China
Prior art keywords
energy
building
energy storage
power
storage device
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
CN202110600785.6A
Other languages
English (en)
Other versions
CN113298164B (zh
Inventor
秦铭磊
徐青山
陈思捷
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202110600785.6A priority Critical patent/CN113298164B/zh
Publication of CN113298164A publication Critical patent/CN113298164A/zh
Application granted granted Critical
Publication of CN113298164B publication Critical patent/CN113298164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于光伏出力不确定性的楼宇用能优化方法，属于电力系统需求响应技术领域。一种基于光伏出力不确定性的楼宇用能优化方法，包括以下步骤：针对楼宇内部典型综合能源设备进行数学模型建模；考虑光伏出力不确定性特点，使用拉丁超立方方法进行抽样，使用模糊C均值法进行场景削减，得到典型日前光伏出力预测数据；与现有技术相比，本申请的一种基于光伏出力不确定性的楼宇用能优化方法首先建立楼宇内部典型综合能源设备模型，然后使用拉丁超立方方法与模糊C均值法进行光伏场景预测与场景削减，最后使用能量母线式平衡方程式对楼宇侧综合能源系统进行楼宇用能优化。

Description

一种基于光伏出力不确定性的楼宇用能优化方法
技术领域
本发明涉及电力系统需求响应技术领域，具体涉及一种基于光伏出力不确定性的楼宇用能优化方法。
背景技术
近些年来，随着可再生能源利用技术的不断发展，楼宇已成为节能减排的目标，传统的中国北方楼宇供暖的电热分离式模式，能源利用率较低，碳排量较大，且严重制约了热电联产机组的发电可调节区间。电力因其本身的特性无法长期储存，如果能够利用天然气或暖气等可以长期储存的能源形式对电力进行转换储存，弃风弃光等现象将大幅度减少。因此，如何在小规模范围内如楼宇内部实现主要能源，如冷热电负荷的相对平衡，降低总体碳排放，提高楼宇总能效，并能提高清洁能源消纳率，已成为能源工作的重要研究方向。目前主要通过各种分布在楼宇内部的分布式能源系统，以及多种低碳的为楼宇供能所提供的解决方法。
光伏作为综合能源系统系统中重要的分布式可再生能源，因其清洁环保的特点，很多用能系统均将其作为外部能源的来源，但其随机性大等缺点也为优化调度带来了困难。因此，考虑外界新式能源接入的综合能源系统模型建模与优化是目前电气学科研究综合能源系统的热点方向；为此本发明介绍了一种基于光伏出力不确定性的楼宇用能优化方法。
发明内容
针对现有技术的不足，本发明提出了一种基于光伏出力不确定性的楼宇用能优化方法。
本发明的目的可以通过以下技术方案实现：
一种基于光伏出力不确定性的楼宇用能优化方法，包括以下步骤：
步骤1：根据典型楼宇的用能设备构建设备能耗数学模型；
步骤2：通过拉丁超立方抽样法生成日前光伏功率场景，并基于模糊C均值法进行场景削减，对抽样样本进行处理并生成典型日前光伏出力预测数据；
步骤3：基于所述设备能耗数学模型和能量母线平衡方程式构建楼宇综合能源系统模型；
步骤4：基于混合整数线性规划方法和所述典型日前光伏出力预测数据求解所述楼宇综合能源系统模型的日运行最优结果。
进一步地，所述拉丁超立方抽样的日前光伏预测数据区间的上、下界限设为输出期望的±10％，其特征在于，所述拉丁超立方算法在进行样本抽样时，所生成的样本相关性矩阵会随着维数越高，其正定矩阵的数量越来越少，在进行大规模样本数据抽样时，需要对原有样本数据进行相关性矩阵正定改进。此处采用基于谱分解法的拉丁超立方采样法。假设样本的相关性矩阵Preal的特征值为λi，列向量为Vi。可得该相关性矩阵Preal的对角矩阵Λ，对该对角矩阵采用谱分解法可以得到新的对角标度矩阵ΛU，其中εb为极小的正数，然后进行想要变化，可以得到经过谱分解法后的修正函数P'real，具体函数关系式如下：
Λ:
Figure BDA0003092845130000021
ΛU:
Figure BDA0003092845130000022
Figure BDA0003092845130000023
P'real＝BBT
进一步地，所述基于模糊C均值算法进行场景削减，对抽样样本进行处理并生成典型日前光伏出力预测数据，具体包括原有模糊C均值聚类算法在进行使用时，需要人为给定聚类结果目标数量，造成聚类结果主观性过强的结果。本专利采用模糊C均值法，在原有模糊C均值法中，通过定义聚类有效性函数Fc确定聚类结果数量。Fc值越接近1，聚类模糊性越小，聚类效果就越好。计算所有可能的分类数目对应的Fc值，选取Fc最接近于1时的分类数Fc作为原始数据集的聚类数，即为最优聚类数。Fc的函数表达式如下，式中ukj表示第j个样本点属于第k类的程度：
Figure BDA0003092845130000031
进一步地，所述用能设备至少包括燃气轮机、余热锅炉、燃气锅炉、余热回收装置、蒸汽热水换热装置、吸收式制冷机、电制冷机、电化学储能设备、光伏设备。
进一步地，将所述楼宇的典型设备按能量母线分为电气母线、烟气母线、空气母线、蒸汽母线、热水母线，通过将典型设备按照能量介质进行分类，可直观的展示不同介质的能量在不同设备间的能量转换过程，直观表明不同设备间的连接方式。所述能量母线平衡方程式根据母线类型构建
以下母线平衡方程式；
电气母线平衡方程式：Pgrid+PPV+PES.D+PPGU＝LE+PES.C+PEC；
烟气母线平衡方程式：QPGU.smoke＝QWH.somke；
蒸汽母线平衡方程式：QGB.steam+ηWH.smokeQWH.smoke＝QHX.steam；
空气母线平衡方程式一般由冷负荷与热负荷两部分组成，其中空气母线部分仅考虑由电制冷机提供的冷负荷，平衡方程式为：LCA＝COPECPEC；
热水母线平衡方程式：ηHX.steamQHX.steam＝LTW；
式中，Pgrid表示电网的输入电功率，单位为kW；PPV表示光伏的输出电功率，单位为kW；PES.D表示储能设备的放电功率，单位为kW；PPGU表示燃气轮机联供设备的输出电功率，单位为kW；PES.C表示储能设备的充电功率，单位为kW；PEC表示电制冷机的耗电功率，单位为kW；QPGU.smoke表示热电联产机组的输出热功率，单位为kW；QWH.somke表示余热回收的输出热功率，单位为kW；QGB.steam表示燃气锅炉的输出热功率，单位为kW；QHX.steam表示换热装置的输出热功率，单位为kW；LE表示用户的用电负荷，单位为kW；LCA表示用户的用冷负荷，单位为kW；LTW表示用户的用热负荷，单位为kW；COPEC表示电制冷机的能效系数也称能效比(表示为电制冷机制冷量与耗电量的比值)；ηHX.steam为换热装置的效率；ηWH.smoke为余热回收装置的效率。
进一步地，所述楼宇综合能源系统模型包括对所述用能设备和所述楼宇的储能设备的约束；
所述用能设备的约束条件为：
Figure BDA0003092845130000041
式中Pa为第a个设备的电功率；Pa.min为第a个设备的最小输出、输出电功率；Pa.max为第a个设备的最大输出、输出电功率；Qa为第a个设备的热功率；Qa.min为第a个设备的最小输出、输出热功率；Qa.max为第a个设备的最大输出、输出电功率；
所述储能设备同时满足储能充电、储能放电和储能储存能量约束；
所述储能充电约束为：0≤PES.C≤CapγES.C,式中PES.C为储能装置充电功率；Cap为储能装置容量；γES.C为储能装置最大充电倍率；
所述储能放电约束为:0≤PES.D≤CapγES.D,式中PES.D为储能装置放电功率；Cap为储能装置容量；γES.D为储能装置最大放电倍率；
所述储能储存能量约束为:WES.min≤WES≤WES.max,式中WES.min为储能设备的最小储存能量；WES.max为储能设备的最大储存能量；WES为储能设备的储存能量,且WES由上一时刻的WES、储能设备的充放电功率、时间、效率有关，
所述储能设备的储存能量WES公式为：
Figure BDA0003092845130000042
式中
Figure BDA0003092845130000051
为本时段内储能设备的储能能量；
Figure BDA0003092845130000052
为上一时段内储能设备的储能能量；σES为储能设备的自放电率；PES.C为储能设备的充电功率；ηES.C为储能设备的充电效率；PES.D为储能设备的放电功率；ηES.D为储能设备的放电效率；T为时段间隔。
进一步地，所述楼宇综合能源系统模型包括所述楼宇的日运行费用函数；
所述日运行费用函数为：argue＝temp1+temp2，
Figure BDA0003092845130000053
Figure BDA0003092845130000054
式中：argue为所述日运行费用，单位为元；temp1为日运行费用中电网购电费用；temp2为日运行费用中天然气费用，单位为元；T表示日运行时段数；cdj表示为该时段内的单位电价；Pgrid表示该时段内所述楼宇从电网购电总功率；ctr表示该时段内天然气单位热值价格；PPGU为所述楼宇的燃气轮机联供设备该时段内的输出功率；QGB为所述楼宇的燃气锅炉设备该时段内的输出热功率；ηPGU为所述楼宇的燃气轮机联供设备该时段内的效率；ηGB为燃气锅炉该时段内的效率。
进一步地，所述步骤4具体求解过程如下：
采用0-1混合整数线性规划方法根据所述楼宇综合能源系统模型的构建日运行模型，所述日运行模型为：
Figure BDA0003092845130000055
式中：x表示所述楼宇综合能源系统中各设备输入输出、电网的供电量；y表示储能装置的充放电标志位；
以所述能量母线平衡方程式作为所述日运行模型的等式约束，以所述楼宇的设备输入和输出功率为所述日运行模型的不等式约束。
本发明的有益效果：
本发明提供的一种基于光伏出力不确定性的楼宇用能优化方法考虑了光伏设备接入后，其出力的不确定性对于楼宇用能系统的影响。通过拉丁超立方抽样采用，使用模糊C均值聚类法进行场景削减，对于典型楼宇进行混合整数线性规模，得到考虑光伏出力不确定性的楼宇用能优化调度结果，降低了用能成本，扩充了用能种类，对单一能源依赖性降低，清洁能源消纳率显著提高。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本申请的流程图；
图2为本申请的实施例考虑不确定性后的楼宇用能优化后的用电量对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
一种基于光伏出力不确定性的楼宇用能优化方法，包括以下步骤：
步骤1：根据典型楼宇的用能设备构建设备能耗数学模型；
步骤2：通过拉丁超立方抽样法生成日前光伏功率场景，并基于模糊C均值场景削减技术对抽样样本进行处理并生成典型日前光伏出力预测数据；
拉丁超立方通过较少迭代次数的抽样，准确地重建输入分布，但是拉丁超立方采样方法生成了大量的光伏功率初始场景，很好地考虑了光伏出力的不确定性，但若楼宇侧综合能源系统优化调度模型中将其全部考虑在内，势必会耗费大量的计算资源和时间，给优化调度模型的求解带来巨大挑战；采用模糊C均值削减技术合并相似场景，最终保留一定数量的典型场景来解决上述问题；
步骤3：基于所述设备能耗数学模型和能量母线平衡方程式构建楼宇综合能源系统模型；
步骤4：基于混合整数线性规划方法和所述典型日前光伏出力预测数据求解所述楼宇综合能源系统模型的日运行最优结果。
进一步地，所述拉丁超立方抽样的日前光伏预测数据区间的上、下界限设为输出期望的±10％。其特征在于，所述拉丁超立方算法在进行样本抽样时，所生成的样本相关性矩阵会随着维数越高，其正定矩阵的数量越来越少，在进行大规模样本数据抽样时，需要对原有样本数据进行相关性矩阵正定改进。此处采用基于谱分解法的拉丁超立方采样法。假设样本的相关性矩阵Preal的特征值为λi，列向量为Vi。可得该相关性矩阵Preal的对角矩阵Λ，对该对角矩阵采用谱分解法可以得到新的对角标度矩阵ΛU，其中εb为极小的正数，然后进行想要变化，可以得到经过谱分解法后的修正函数P'real，具体函数关系式如下：
Λ:
Figure BDA0003092845130000071
ΛU:
Figure BDA0003092845130000072
Figure BDA0003092845130000073
P'real＝BBT
进一步地，所述基于模糊C均值的场景削减技术对抽样样本进行处理并生成典型日前光伏出力预测数据包括以下步骤具体包括，原有模糊C均值聚类算法在进行使用时，需要人为给定聚类结果目标数量，造成聚类结果主观性过强的结果。本专利采用模糊C均值法，在原有模糊C均值法中，通过定义聚类有效性函数Fc确定聚类结果数量。Fc值越接近1，聚类模糊性越小，聚类效果就越好。计算所有可能的分类数目对应的Fc值，选取Fc最接近于1时的分类数Fc作为原始数据集的聚类数，即为最优聚类数。Fc的函数表达式如下，式中ukj表示第j个样本点属于第k类的程度：
Figure BDA0003092845130000081
进一步地，所述用能设备至少包括燃气轮机、余热锅炉、燃气锅炉、余热回收装置、蒸汽热水换热装置、吸收式制冷机、电制冷机、电化学储能设备、光伏设备。
进一步地，将所述楼宇的典型设备按能量母线分为电气母线、烟气母线、空气母线、蒸汽母线、热水母线，所述能量母线平衡方程式根据母线类型构建以下母线平衡方程式；
电气母线平衡方程式：Pgrid+PPV+PES.D+PPGU＝LE+PES.C+PEC；
烟气母线平衡方程式：QPGU.smoke＝QWH.somke；
蒸汽母线平衡方程式：QGB.steam+ηWH.smokeQWH.smoke＝QHX.steam；
空气母线平衡方程式一般由冷负荷与热负荷两部分组成，其中空气母线部分仅考虑由电制冷机提供的冷负荷，平衡方程式为：LCA＝COPECPEC；
热水母线平衡方程式：ηHX.steamQHX.steam＝LTW；
式中，Pgrid表示电网的输入电功率，单位为kW；PPV表示光伏的输出电功率，单位为kW；PES.D表示储能设备的放电功率，单位为kW；PPGU表示燃气轮机联供设备的输出电功率，单位为kW；PES.C表示储能设备的充电功率，单位为kW；PEC表示电制冷机的耗电功率，单位为kW；QPGU.smoke表示热电联产机组的输出热功率，单位为kW；QWH.somke表示余热回收的输出热功率，单位为kW；QGB.steam表示燃气锅炉的输出热功率，单位为kW；QHX.steam表示换热装置的输出热功率，单位为kW；LE表示用户的用电负荷，单位为kW；LCA表示用户的用冷负荷，单位为kW；LTW表示用户的用热负荷，单位为kW；COPEC表示电制冷机的能效系数也称能效比(表示为电制冷机制冷量与耗电量的比值)；ηHX.steam为换热装置的效率；ηWH.smoke为余热回收装置的效率。
进一步地，所述楼宇综合能源系统模型包括对所述用能设备和所述楼宇的储能设备的约束；
所述用能设备的约束条件为：
Figure BDA0003092845130000091
式中Pa为第a个设备的电功率；Pa.min为第a个设备的最小输出、输出电功率；Pa.max为第a个设备的最大输出、输出电功率；Qa为第a个设备的热功率；Qa.min为第a个设备的最小输出、输出热功率；Qa.max为第a个设备的最大输出、输出电功率；
所述储能设备同时满足储能充电、储能放电和储能储存能量约束；
所述储能充电约束为：0≤PES.C≤CapγES.C,式中PES.C为储能装置充电功率；Cap为储能装置容量；γES.C为储能装置最大充电倍率；
所述储能放电约束为:0≤PES.D≤CapγES.D,式中PES.D为储能装置放电功率；Cap为储能装置容量；γES.D为储能装置最大放电倍率；
所述储能储存能量约束为:WES.min≤WES≤WES.max,式中WES.min为储能设备的最小储存能量；WES.max为储能设备的最大储存能量；WES为储能设备的储存能量,且WES由上一时刻的WES、储能设备的充放电功率、时间、效率有关，
所述储能设备的储存能量WES公式为：
Figure BDA0003092845130000092
式中
Figure BDA0003092845130000093
为本时段内储能设备的储能能量；
Figure BDA0003092845130000094
为上一时段内储能设备的储能能量；σES为储能设备的自放电率；PES.C为储能设备的充电功率；ηES.C为储能设备的充电效率；PES.D为储能设备的放电功率；ηES.D为储能设备的放电效率；T为时段间隔。
进一步地，所述楼宇综合能源系统模型包括所述楼宇的日运行费用函数；
所述日运行费用函数为：argue＝temp1+temp2，
Figure BDA0003092845130000095
Figure BDA0003092845130000101
式中：argue为所述日运行费用，单位为元；temp1为日运行费用中电网购电费用；temp2为日运行费用中天然气费用，单位为元；T表示日运行时段数；cdj表示为该时段内的单位电价；Pgrid表示该时段内所述楼宇从电网购电总功率；ctr表示该时段内天然气单位热值价格；PPGU为所述楼宇的燃气轮机联供设备该时段内的输出功率；QGB为所述楼宇的燃气锅炉设备该时段内的输出热功率；ηPGU为所述楼宇的燃气轮机联供设备该时段内的效率；ηGB为燃气锅炉该时段内的效率。
进一步地，所述步骤4具体求解过程如下：
采用0-1混合整数线性规划方法根据所述楼宇综合能源系统模型的构建日运行模型，所述日运行模型为：
Figure BDA0003092845130000102
式中：x表示所述楼宇的综合能源系统中各设备输入输出、电网的供电量；y表示储能装置的充放电标志位；
以所述能量母线平衡方程式作为所述日运行模型的等式约束，以所述楼宇的设备输入和输出功率为所述日运行模型的不等式约束。
本发明选择某市内某商业大厦进行优化调度验证，该栋建筑面积93772平方米，主体建筑分为地下两层与地上六层，大楼外部安装有楼顶、围栏光伏，装机容量为1000kWp，光伏发电直接并网。内部装有400kWh全天候蓄电池，本建筑冷热源形式分别为地源热泵系统+冷水机组+多联机+分体空调。经过考虑光伏出力不确定性的优化算法，结果如下表所示：
表1进行优化前后楼宇用电量对比
时间(h) 优化前购电量(kW) 优化后购电量(kW)
2 1588 1302
4 1520 1340
6 1380 1204
8 2203 1950
10 2601 1544
12 2185 2011
14 2541 2064
16 2212 2103
18 1952 1456
20 2114 1120
22 1809 1400
24 1602 1540
经过对比可以得出，在考虑了光伏出力不确定性优化算法后，楼宇综合用能电负荷、热负荷、冷负荷均能完全满足，并且用能成本得到降低，用能种类得到扩充，对单一能源依赖性降低，清洁能源消纳率显著提高。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (9)

1.一种基于光伏出力不确定性的楼宇用能优化方法，其特征在于，包括以下步骤：
步骤1：根据典型楼宇的综合能源设备构建设备能耗数学模型；
步骤2：通过拉丁超立方抽样法生成日前光伏功率场景，并基于模糊C均值法进行场景削减，对抽样样本进行处理并生成典型日前光伏出力预测数据；
步骤3：基于所述设备能耗数学模型和能量母线平衡方程式构建楼宇综合能源系统模型；
步骤4：基于混合整数线性规划方法和所述典型日前光伏出力预测数据求解所述楼宇综合能源系统模型的日运行最优结果。
2.根据权利要求1所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述拉丁超立方抽样的日前光伏预测数据区间的上、下界限设为输出期望的±10％。
3.根据权利要求1所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述综合能源系统设备至少包括燃气轮机、余热锅炉、燃气锅炉、余热回收装置、蒸汽热水换热装置、吸收式制冷机、电制冷机、电化学储能设备、光伏设备。
4.根据权利要求1所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述拉丁超立方算法通过谱分解法对样本进行优化，优化公式为：
Figure FDA0003092845120000011
Figure FDA0003092845120000012
Figure FDA0003092845120000013
其中，Preal为样本的相关性矩阵；λi为相关性矩阵的特征值，Vi为相关性矩阵的列向量；Λ为相关性矩阵的对角矩阵；ΛU为对角矩阵的对角标度矩阵；εb为极小的正数；Pr'eal为修正函数。
5.根据权利要求1所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述模糊C均值法通过有效性函数Fc确定聚类结果数量，具体步骤为：计算所有分类数目对应的Fc值，选取Fc最接近于1的分类数Fc作为原始数据集的聚类数；所述Fc的函数表达式为：
Figure FDA0003092845120000021
式中ukj表示第j个样本点属于第k类的程度。
6.根据权利要求1所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述能量母线平衡方程式包括电气母线平衡方程式、烟气母线平衡方程式、空气母线平衡方程式、蒸汽母线平衡方程式、热水母线平衡方程式。
7.根据权利要求5所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述楼宇综合能源系统模型包括对所述用能设备和所述楼宇的储能设备的约束；
所述用能设备的约束条件为：
Figure FDA0003092845120000022
式中Pa为第a个设备的电功率；Pa.min为第a个设备的最小输出、输出电功率；Pa.max为第a个设备的最大输出、输出电功率；Qa为第a个设备的热功率；Qa.min为第a个设备的最小输出、输出热功率；Qa.max为第a个设备的最大输出、输出电功率；
所述储能设备同时满足储能充电、储能放电和储能储存能量约束；
所述储能充电约束为：0≤PES.C≤CapγES.C,式中PES.C为储能装置充电功率；Cap为储能装置容量；γES.C为储能装置最大充电倍率；
所述储能放电约束为:0≤PES.D≤CapγES.D,式中PES.D为储能装置放电功率；Cap为储能装置容量；γES.D为储能装置最大放电倍率；
所述储能储存能量约束为:WES.min≤WES≤WES.max,式中WES.min为储能设备的最小储存能量；WES.max为储能设备的最大储存能量；WES为储能设备的储存能量,且WES由上一时刻的WES、储能设备的充放电功率、时间、效率有关，
所述储能设备的储存能量WES公式为：
Figure FDA0003092845120000031
式中
Figure FDA0003092845120000032
为本时段内储能设备的储能能量；
Figure FDA0003092845120000033
为上一时段内储能设备的储能能量；σES为储能设备的自放电率；PES.C为储能设备的充电功率；ηES.C为储能设备的充电效率；PES.D为储能设备的放电功率；ηES.D为储能设备的放电效率；T为时段间隔。
8.根据权利要求1所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述楼宇综合能源系统模型包括所述楼宇的日运行费用函数；
所述日运行费用函数为：argue＝temp1+temp2，
Figure FDA0003092845120000034
Figure FDA0003092845120000035
式中：argue为所述日运行费用，单位为元；temp1为日运行费用中电网购电费用；temp2为日运行费用中天然气费用，单位为元；T表示日运行时段数；cdj表示为该时段内的单位电价；Pgrid表示该时段内所述楼宇从电网购电总功率；ctr表示该时段内天然气单位热值价格；PPGU为所述楼宇的燃气轮机联供设备该时段内的输出功率；QGB为所述楼宇的燃气锅炉设备该时段内的输出热功率；ηPGU为所述楼宇的燃气轮机联供设备该时段内的效率；ηGB为燃气锅炉该时段内的效率。
9.根据权利要求1所述的基于光伏出力不确定性的楼宇用能优化方法，其特征在于，所述步骤4具体求解过程如下：
采用0-1混合整数线性规划方法根据所述楼宇综合能源系统模型的构建日运行模型，所述日运行模型为：
Figure FDA0003092845120000041
式中：x表示所述楼宇的综合能源系统中各设备输入输出、电网的供电量；y表示储能装置的充放电标志位；
以所述能量母线平衡方程式作为所述日运行模型的等式约束，以所述楼宇的设备输入和输出功率为所述日运行模型的不等式约束。
CN202110600785.6A 2021-05-31 2021-05-31 一种基于光伏出力不确定性的楼宇用能优化方法 Active CN113298164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110600785.6A CN113298164B (zh) 2021-05-31 2021-05-31 一种基于光伏出力不确定性的楼宇用能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110600785.6A CN113298164B (zh) 2021-05-31 2021-05-31 一种基于光伏出力不确定性的楼宇用能优化方法

Publications (2)

Publication Number Publication Date
CN113298164A true CN113298164A (zh) 2021-08-24
CN113298164B CN113298164B (zh) 2024-04-09

Family

ID=77326362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110600785.6A Active CN113298164B (zh) 2021-05-31 2021-05-31 一种基于光伏出力不确定性的楼宇用能优化方法

Country Status (1)

Country Link
CN (1) CN113298164B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565243A (zh) * 2022-02-15 2022-05-31 石河子大学 低碳化综合能源管控方法、装置、设备、及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245878A (zh) * 2019-06-27 2019-09-17 华翔翔能电气股份有限公司 智能楼宇群体的分布式综合能源需求响应协同优化方法
CN111144668A (zh) * 2020-01-19 2020-05-12 河海大学 考虑场景模拟的综合能源系统随机优化模型的建立方法
CN111415030A (zh) * 2019-11-19 2020-07-14 广西电网有限责任公司 计及用能舒适度的楼宇能源系统综合需求响应优化方法
CN112419087A (zh) * 2020-11-20 2021-02-26 国网江苏省电力有限公司南京供电分公司 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245878A (zh) * 2019-06-27 2019-09-17 华翔翔能电气股份有限公司 智能楼宇群体的分布式综合能源需求响应协同优化方法
CN111415030A (zh) * 2019-11-19 2020-07-14 广西电网有限责任公司 计及用能舒适度的楼宇能源系统综合需求响应优化方法
CN111144668A (zh) * 2020-01-19 2020-05-12 河海大学 考虑场景模拟的综合能源系统随机优化模型的建立方法
CN112419087A (zh) * 2020-11-20 2021-02-26 国网江苏省电力有限公司南京供电分公司 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565243A (zh) * 2022-02-15 2022-05-31 石河子大学 低碳化综合能源管控方法、装置、设备、及介质

Also Published As

Publication number Publication date
CN113298164B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Liu et al. Two-phase collaborative optimization and operation strategy for a new distributed energy system that combines multi-energy storage for a nearly zero energy community
Lingmin et al. Energy flow optimization method for multi-energy system oriented to combined cooling, heating and power
CN105337303B (zh) 一种含热泵的热电联产型微电网容量优化配置方法
CN111463836B (zh) 一种综合能源系统优化调度方法
CN111191820B (zh) 一种综合能源系统中储能装置的选址定容优化规划方法
CN111242806A (zh) 一种考虑不确定性的电-热-氢多能量系统的规划方法
Luo et al. Comprehensive energy, economic, environmental assessment of a building integrated photovoltaic-thermoelectric system with battery storage for net zero energy building
CN111860937B (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
Liu et al. Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios
CN111144620A (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
Guo et al. Two-layer co-optimization method for a distributed energy system combining multiple energy storages
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
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
Fan et al. Two-layer collaborative optimization for a renewable energy system combining electricity storage, hydrogen storage, and heat storage
Deng et al. Comparative analysis of optimal operation strategies for district heating and cooling system based on design and actual load
Liu et al. Multi-scenario analysis and collaborative optimization of a novel distributed energy system coupled with hybrid energy storage for a nearly zero-energy community
Zhao et al. Economic dispatch of multi-energy system considering seasonal variation based on hybrid operation strategy
Yuan et al. A control strategy for distributed energy system considering the state of thermal energy storage
CN115994615A (zh) 一种基于多能互补的综合能源运行控制方法及系统
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
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
CN111367171A (zh) 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统
CN111126675A (zh) 多能互补微网系统优化方法
Yuan et al. An advanced multicarrier residential energy hub system based on mixed integer linear programming
CN114757388A (zh) 一种基于改进nsga-iii的区域综合能源系统设备容量优化方法

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