CN113298407B - 一种工业园区电-气综合能源系统优化调度模型建立方法 - Google Patents

一种工业园区电-气综合能源系统优化调度模型建立方法 Download PDF

Info

Publication number
CN113298407B
CN113298407B CN202110635468.8A CN202110635468A CN113298407B CN 113298407 B CN113298407 B CN 113298407B CN 202110635468 A CN202110635468 A CN 202110635468A CN 113298407 B CN113298407 B CN 113298407B
Authority
CN
China
Prior art keywords
gas
fuzzy
model
constraint
wind
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.)
Active
Application number
CN202110635468.8A
Other languages
English (en)
Other versions
CN113298407A (zh
Inventor
邱革非
冯泽华
何超
杨昊天
杨浩宇
李飞菲
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202110635468.8A priority Critical patent/CN113298407B/zh
Publication of CN113298407A publication Critical patent/CN113298407A/zh
Application granted granted Critical
Publication of CN113298407B publication Critical patent/CN113298407B/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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种工业园区电‑气综合能源系统优化调度模型建立方法，属于综合能源系统调度技术领域。本发明首先建立了考虑电转气P2G技术的园区电‑气互联综合能源系统模型，其次从源、荷两侧出发，用模糊隶属度参数来表征新能源及负荷的不确定度，建立了计及风电及电、气负荷不确定性的可信性模糊机会约束模型，最后通过清晰等价类转换求解模糊调度问题，实现对整个系统进行优化调度。本发明提供的方法可以在计及源、荷双重不确定性的情况下，兼顾系统风险与成本，实现了系统优化调度方案的可靠性与经济性，为后续研究能源调度过程中的多重不确定性问题提供了良好的参考。

Description

一种工业园区电-气综合能源系统优化调度模型建立方法
技术领域
本发明涉及一种工业园区电-气综合能源系统优化调度模型建立方法，尤其涉及一种工业园区电-气互联综合能源系统中，基于源、荷不确定的情况下，优化系统调度保证其可靠性与经济性的方法，属于综合能源系统调度技术领域。
背景技术
为有效减缓应用化石燃料带来的环境污染问题，世界各国正在积极推进能源结构优化，大力发展新能源发电技术。电转气(power to gas,P2G)技术的应用可促进新能源就地消纳，降低排放，有效提升能源利用率、改善能源结构，具有良好的发展前景和运用价值。但由于新能源电源和电力负荷都存在不确定性，这给工业园区电-气互联综合能源系统(integrated electrical and natural-gas systems,IENGS)的优化运行带来了新的挑战。
当前已有若干关于含P2G技术的IENGS协同优化以及系统协调运行、消纳新能源的研究成果发表，普遍是基于确定性条件下IENGS的研究，未考虑目前间歇式新能源大量并入综合能源发电系统中增加了IENGS运行的不确定性，导致所建立的模型不准确。或者是使用鲁棒优化，随机优化的方法对IENGS中不确定因素进行研究，但随机优化采样基数大且计算复杂，难以在实际中广泛运用；鲁棒优化则存在决策过于保守的问题，难以兼顾风险与成本。
鉴于此，提出一种基于源、荷不确定的工业园区电-气互联综合能源系统模糊优化调度模型建立的方法，可以在考虑源、荷双重不确定性情况下，有效实现系统优化调度方案的可靠性与经济性。
发明内容
本发明要解决的技术问题是提供一种工业园区电-气综合能源系统优化调度模型建立方法，解决了间歇式新能源大量并入综合能源发电系统中，导致源、荷不确定性引起的电-气互联综合能源系统非经济运行问题。
本发明的技术方案是：一种工业园区电-气综合能源系统优化调度模型建立方法，其特征在于：
Step1：构建IENGS中电-气互联转化模型，并将其作为约束条件加入到工业园区IENGS 模型中。该模型以工业园区IENGS能源利用率最大化和环境效益最大化，即系统运行成本和弃风惩罚成本最小为目标，综合考虑电、气系统约束。
Step2：在工业园区IENGS模型中考虑间歇式新能源出力的不确定性与负荷预测不确定性，加入模糊参数来得到间歇式新能源出力和负荷预测不确定性的表达式。
Step3：根据可信性理论，基于Step2中的间歇式新能源出力和负荷预测不确定性的表达式，建立考虑不确定性的模糊机会优化模型，并采用清晰等价类转换的方法，处理模糊机会优化模型所包含的模糊机会约束，处理后模糊机会优化模型再与Step1所建立的工业园区 IENGS模型结合，最后得出基于源、荷不确定的工业园区电-气互联综合能源系统模糊优化调度模型。
所述Step1中的IENGS中电-气互联转化模型为：
Figure BDA0003105006000000021
式(1)中，
Figure BDA0003105006000000022
为P2G装置m在t时刻转换得到的天然气流量，
Figure BDA0003105006000000023
为P2G装置m 的转化效率，
Figure BDA0003105006000000024
为P2G装置m在t时刻消耗的有功功率，决策变量，GGHV为天然气高热值；
将构建好的模型加入工业园区IENGS模型中，该模型以能源利用率最大化和环境效益最大化，即系统运行成本和弃风惩罚成本最小为目标，工业园区IENGS模型为：
1)目标函数：
f＝f1+f2 (2)
f1为系统运行成本，包括主网购电成本Cb、燃气轮机组废气排放成本Cgt、天然气购买成本Cbg、P2G转换成本CP2G、天然气储存成本Cs。式(2)也为最终的工业园区电-气互联综合能源系统模糊优化调度模型的目标函数。
f1＝min(Cb+Cgt+Cbg+CP2G+Cs) (3)
Figure BDA0003105006000000025
Figure BDA0003105006000000026
Figure BDA0003105006000000027
Figure BDA0003105006000000028
Figure BDA0003105006000000029
式中，T为一个调度周期，CB为t时刻IENGS向主网的购电电价，PB,t为t时刻IENGS向主网的购电量，wk为燃气轮机组的废气排放成本系数，J为气源点数量，βj为气源点j 的天然气价格，Fj,t为气源点j在t时刻的天然气供应流量，M为P2G装置数量，δm为P2G 装置m的运行成本系数，S为储气罐数量，εs、
Figure BDA0003105006000000031
为储气罐s的运行成本系数，Qs,t-1为储气罐s在t-1时刻的储气容量，
Figure BDA0003105006000000032
为储气罐s在t时刻的天然气输出流量和输入流量。
f2为弃风惩罚成本，用弃风惩罚系数与弃风量的乘积表示：
Figure BDA0003105006000000033
式中，λw为弃风惩罚系数，Pw0,t为t时刻风电预测出力，Pw,t为t时刻风电实际出力，Δt 为调度时间间隔。
2)电网络约束：
电网络约束包括功率平衡约束、节点电压约束、线路传输功率约束和P2G装置功率约束。
功率平衡约束：
Figure BDA0003105006000000034
式中，K为燃气轮机数量，PL,t为t时刻的电负荷。
节点电压约束：
Uh,min≤Uh,t≤Uh,max (11)
式中，
Figure BDA0003105006000000035
为节点h的电压上下限值，Uh,t为t时刻节点h的电压。
线路传输功率约束：
Pl,min≤Pl,t≤Pl,max (12)
式中，Pl,max、Pl,min为线路l的传输功率上下限值，Pl,t为t时刻线路l的传输功率。
P2G装置功率约束：
Figure BDA0003105006000000036
式中，
Figure BDA0003105006000000037
为P2G装置m的功率上下限值。
式(11)至式(13)也为最终的工业园区电-气互联综合能源系统模糊优化调度模型的约束条件。
3)气网络约束：
天然气系统主要由天然气管道、连接节点、压缩机、储气罐部件等组成，其主要约束包括流量平衡约束、气源点供应量约束、燃气轮机气流量约束、压缩机压缩比约束、管道流量约束和储气罐约束；
流量平衡约束：
Figure BDA0003105006000000041
式中，FL,t为t时刻的气负荷。
气源点供应量约束：
Fj,min≤Fj,t≤Fj,max (15)
式中，Fj,max、Fj,min为气源点j的天然气流量供应上下限值。
燃气轮机气流量约束：
Figure BDA0003105006000000042
式中，
Figure BDA0003105006000000043
为燃气轮机k的天然气消耗量上下限值。
节点压力约束：
ρe,min≤ρe,t≤ρe,max (17)
式中，ρe,max、ρe,min为节点e的天然气压力上下限值，ρe,t为t时刻节点e的天然气压力。
压缩机压缩比约束：
Figure BDA0003105006000000044
式中，Rd,max、Rd,min为压缩机d压缩比的上、下限。
管道流量约束：
Fp,min≤Fp,t≤Fp,max (19)
式中，Fp,max、Fp,min为管道p的传输流量的上下限值，Fp,t为t时刻管道p的传输流量。
储气罐约束：
Figure BDA0003105006000000045
Figure BDA0003105006000000046
Figure BDA0003105006000000047
式中，Qs,max、Qs,min为储气罐s储存容量的上下限值，
Figure BDA0003105006000000048
为储气罐s天然气注入、输出流量的上限值。
式(15)至式(22)也为最终的工业园区电-气互联综合能源系统模糊优化调度模型的约束条件。
此工业园区IENGS模型优点在于在风电出力高峰期、电负荷低谷期，通过P2G设备将过剩的风电转化为天然气供给气系统，增加系统新能源消纳率。在风电出力低谷期、电负荷高峰期，通过燃气轮机组将天然气转化为电能，增加系统出力，减少主网购电成本，平抑负荷波动。
所述Step2中，加入三角形模糊参数；三角形模糊参数是为了解决不确定环境下的问题，在所需参数前加入比例系数，形成三角隶属度参数，来预测不确定环境下可能发生的情况。模糊参数可以在信息不充分或无信息时借助专家系统得到不确定参数的隶属函数，所以用来表述间歇式新能源出力和负荷预测不确定性更为合理。
间歇式新能源出力和负荷预测的模糊表达式可用三角隶属度参数表示如下：
Figure BDA0003105006000000051
Figure BDA0003105006000000052
式中，
Figure BDA0003105006000000053
为风电、负荷预测的模糊表达式，P1、P2、P3为相应的三角隶属度参数，μ1、μ2、μ3为比例系数，比例系数由风电出力和负荷的历史数据确定，Pf,t为t时刻风电和负荷的预测值。
此时，风电出力及负荷模糊表达式模型为：
当风电调度值
Figure BDA0003105006000000054
小于风电预测出力时，弃掉多余部分风电，即大于风电调度值的隶属度为0，当风电调度值
Figure BDA0003105006000000055
大于风电预测出力时，隶属度参数保持不变。
Figure BDA0003105006000000056
Figure BDA0003105006000000057
式中，
Figure BDA0003105006000000058
为风电实际出力的模糊表达式，
Figure BDA0003105006000000059
为风电实际出力的三角隶属度参数，
Figure BDA00031050060000000510
为风电预测出力的三角隶属度参数。
1)电负荷：
Figure BDA0003105006000000061
式中，
Figure BDA0003105006000000062
为电负荷预测的模糊表达式，
Figure BDA0003105006000000063
为电负荷预测的三角隶属度参数。
2)气负荷：
Figure BDA0003105006000000064
式中，
Figure BDA0003105006000000065
为气负荷预测的模糊表达式，
Figure BDA0003105006000000066
为气负荷预测的三角隶属度参数。
所述Step3中加入可信性理论，从源、荷两侧出发，建立计及风电及电、气负荷不确定性的可信性模糊机会约束模型，模型表示如下：
功率平衡的可信性模糊机会约束表示为：
Figure BDA0003105006000000067
式中，Cr{}为置信度表达式，α为可信性置信水平。
天然气流量平衡的可信性模糊机会约束表示为：
Figure BDA0003105006000000068
将系统弃风成本用一定置信度条件下，大于弃风成本模糊变量
Figure BDA0003105006000000069
的最小弃风成本来表示，即系统弃风成本的悲观值：
Figure BDA00031050060000000610
式中，
Figure BDA00031050060000000611
为系统弃风成本的模糊表达式，
Figure BDA00031050060000000612
为t时刻风电预测出力模糊表达式，finf，2为系统弃风成本悲观值表达式，inf{}为取下界符号，γ为变量，μ为悲观值置信度。
解模糊机会约束规划的关键是如何处理机会约束，得到其确定性形式。主要方法有清晰等价类转换、模糊模拟技术、多种智能算法相结合的混合智能算法等。模糊模拟技术迭代较多，计算慢且最终解不精确；清晰等价类转换，转换后用传统方法求解，可得到原问题的解析解；混合智能算法主要用于无法转化为清晰等价形式的复杂机会规划约束模型。因本文采用三角形模糊参数来描述风电出力及电、气负荷预测值的不确定性，故采用清晰等价类转换来处理本文中提及的模糊机会约束。
因此将所述Step3中将得到的模糊机会约束模型通过清晰等价类转换，转换后的模型通过传统方法求解方程组，得到原问题的解析解，转换后的模型为：
1)系统弃风成本悲观值：
Figure BDA0003105006000000071
2)功率平衡约束：
Figure BDA0003105006000000072
3)功率平衡约束：
Figure BDA0003105006000000073
式(33)至式(34)也为最终的工业园区电-气互联综合能源系统模糊优化调度模型的约束条件。
综上所述，基于源、荷不确定的工业园区电-气互联综合能源系统模糊优化调度模型已建立完成。
本发明的有益效果是：可以在计及源、荷双重不确定性的情况下，兼顾系统风险与成本，实现了系统优化调度方案的可靠性与经济性，为后续研究能源调度过程中的多重不确定性问题提供了良好的参考。
附图说明
图1是本发明的步骤流程图；
图2是本发明实施例中电-气互联综合能源系统示意图；
图3是本方明实施例中风电场预测出力图；
图4是本方明实施例中工业园区典型日电、气负荷预测值；
图5是本方明实施例中不同场景下系统弃风量出力情况；
图6是本方明实施例中不同场景下燃气轮机组出力情况。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示，一种工业园区电-气综合能源系统优化调度模型建立方法，首先构建IENGS中电-气互联转化模型，并将其作为约束条件加入到工业园区IENGS模型中，该模型以工业园区IENGS能源利用率最大化和环境效益最大化，即系统运行成本和弃风惩罚成本最小为目标，综合考虑电、气系统约束；其次将工业园区IENGS模型作为基础，加入模糊参数来表述间歇式新能源出力和负荷预测不确定性，考虑源、荷双重不确定性情况，使得整个工业园区IENGS模型更为精确，接着根据可信性理论，基于上一步的IENGS优化调度模型，建立考虑不确定性的模糊机会优化模型，并根据清晰等价类转换处理模糊机会优化模型提及的模糊机会约束，最后得出基于源、荷不确定的工业园区电-气互联综合能源系统模糊优化调度模型。
以基于修改的IEEE33节点电力系统与比利时20节点天然气系统组成如图2所示的电- 气互联综合能源系统进行算例分析，分别在节点1、7、17、21、25、32、33接入主网馈线。燃气轮机组参数、P2G设备参数、储气罐参数、天然气网络气源点参数等分别见表1～4；天然气高热值取39MJ/m3；节点31、33分别接入装机容量为320MW的风电电源，弃风惩罚成本为5000元/MW；一个调度周期取24小时，调度时间间隔为1小时；可信性置信水平、悲观值置信度取0.9；风电场预测出力见图3；工业园区典型日电、气负荷预测值见图4。
Figure BDA0003105006000000081
表1：燃气轮机组参数
Table 1 Parameters of gas turbine
Figure BDA0003105006000000082
表2：P2G设备参数
Table 2 Parameters of Power to Gas
Figure BDA0003105006000000083
表3：储气罐参数
Table 3 Parameters gas storages
Figure BDA0003105006000000091
表4：天然气网络气源点参数
Table 4 Parameters of Gas productions
为了分析比较风电预测的不确定性和电、气负荷的不确定性对电-气互联园区IES的影响，设置了4个仿真场景：场景1：不考虑风电预测及电、气负荷的不确定性；场景2：考虑风电预测的不确定性，不考虑电、气负荷的不确定性；场景3：考虑电、气负荷的不确定性，不考虑风电预测的不确定性；场景4：同时考虑风电预测及电、气负荷的不确定性。
分别计算上述4种场景，不同场景下电-气互联综合能源系统的各项成本如表5所示，不同场景下系统弃风量、燃气轮机组出力情况如图5、图6所示。
单位：万元
Figure BDA0003105006000000092
表5：不同场景下各成本优化结果
Table5 Optimization results of each cost in different scenarios
由表5可以看出，考虑源、荷双重不确定性的场景，比确定性场景下系统各项成本均有所增加，其中系统总成本增加了11.49％，弃风成本从原先的150.50万元增加到380.86万元，增幅高达153.06％。结合图6可以看出，随着系统不确定性的增加，系统弃风量也不断增加，燃气轮机组的出力及出力波动范围也随之增大。这是因为未考虑电-气互联综合能源系统的源、荷不确定性时，系统均以确定性的形式安排其内部各组件的调度计划，不需要各子系统承担额外的扰动备用；考虑源、荷双重不确定性后，由于风电及电、气负荷的波动性与不确定性，增大了对系统优化运行的干扰，各子系统则需要随着系统扰动来不断调整以平抑系统扰动，各子系统不能以最优状态运行，如燃气轮机组频繁启停、不能按最实惠价格从主网购电和购买天然气等，这就导致系统各成本均有所增加，系统对风电的消纳能力大幅下降。
虽然确定性场景下系统各项成本最低，但这样的调度计划不具有灵活性，抗干扰性较低，难以在实际调度中运用，调度结果往往具有较大的运行成本乐观值与较低的弃风惩罚悲观值。考虑源、荷双重不确定性后，即使系统成本有所增加，但电-气互联综合能源系统通过P2G装置和燃气轮机组间的电-气互相转换，根据系统需求灵活调配调度电、气网络中的能量，提高了系统的调节能力，增强了系统的抗干扰能力，使得系统能够有效地平抑风电不确定性及电、气负荷不确定性带来的系统扰动。
为进一步探究不同置信水平对系统风险与成本的影响，在场景四的基础上，选取不同的可信性置信水平，计算系统成本。不同置信水平下的系统成本如表6所示。
Figure 2
结合图6，由表6可以看出：随着可信性置信水平的降低，系统总成本、弃风成本、系统运行成本均有所下降，这是因为可信性置信水平的高低反映了对系统风险的把握；较低的置信水平，带来较少的系统成本，但同时也意味着系统面临着较高的运行风险。系统弃风成本随可信性置信水平的降低而下降，且下降最为显著，α为0.55时与α为0.9时相比，弃风成本降幅达77.22％，这是因为风电与电、气负荷的不确定性，使得系统难以兼顾稳定运行及新能源消纳，导致系统产生大量弃风现象，因此系统弃风成本受可信性置信水平影响较大。
本发明提及的电-气互联综合能源系统的风险来自风电及电、气负荷的不确定性，不确定性带来的系统波动扰乱了系统的功率平衡约束、天然气流量平衡约束，但可通过选择适当的置信水平，将系统波动带来的不平衡量控制在一定可接受的范围内，以兼顾系统风险与成本。
本发明提出的一种工业园区电-气综合能源系统优化调度模型建立方法，使用该方法建立的考虑源、荷不确定性的工业园区电-气互联综合能源系统模糊优化调度模型与传统的确定性模型相比，其系统各成本均有所提高，但此模糊优化调度模型能够有效提高系统的运行可靠性，增强系统的抗干扰能力。采用可信性模糊隶属度函数处理系统的源、荷不确定性，能够在提高系统积极性的同时保证系统的安全可靠性，减低因系统不确定性带来的运行风险，选择适当的可信性置信水平，可让系统较好地兼顾风险与成本。该模糊优化调度模型能够在计及源、荷双重不确定性的情况下，兼顾系统风险与成本，实现了系统优化调度方案的可靠性与经济性，为后续研究能源调度过程中的多重不确定性问题提供了良好的参考。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种工业园区电-气综合能源系统优化调度模型建立方法，其特征在于：
Step1：构建IENGS中电-气互联转化模型，并将其作为约束条件加入到工业园区IENGS模型中；
Step2：在工业园区IENGS模型中考虑间歇式新能源出力的不确定性与负荷预测不确定性，加入模糊参数来得到间歇式新能源出力和负荷预测不确定性的表达式；
Step3：根据可信性理论，基于Step2中的间歇式新能源出力和负荷预测不确定性的表达式，建立考虑不确定性的模糊机会优化模型，并采用清晰等价类转换的方法，处理模糊机会优化模型所包含的模糊机会约束，处理后模糊机会优化模型再与Step1所建立的工业园区IENGS模型结合，最后得出基于源、荷不确定的工业园区电-气互联综合能源系统模糊优化调度模型；
所述Step2中，加入三角形模糊参数；
间歇式新能源出力和负荷预测的模糊表达式用三角隶属度参数表示如下：
Figure FDA0003486914400000011
Figure FDA0003486914400000012
式中，
Figure FDA0003486914400000013
为风电、负荷预测的模糊表达式，P1、P2、P3为相应的三角隶属度参数，μ1、μ2、μ3为比例系数，比例系数由风电出力和负荷的历史数据确定，Pf,t为t时刻风电和负荷的预测值；
风电出力及负荷模糊表达式模型为：
当风电调度值
Figure FDA0003486914400000014
小于风电预测出力时，弃掉多余部分风电，即大于风电调度值的隶属度为0，当风电调度值
Figure FDA0003486914400000015
大于风电预测出力时，隶属度参数保持不变；
Figure FDA0003486914400000016
Figure FDA0003486914400000017
式中，
Figure FDA0003486914400000018
为风电实际出力的模糊表达式，
Figure FDA0003486914400000019
为风电实际出力的三角隶属度参数，
Figure FDA0003486914400000021
为风电预测出力的三角隶属度参数；
1)电负荷：
Figure FDA0003486914400000022
式中，
Figure FDA0003486914400000023
为电负荷预测的模糊表达式，
Figure FDA0003486914400000024
为电负荷预测的三角隶属度参数；
2)气负荷：
Figure FDA0003486914400000025
式中，
Figure FDA0003486914400000026
为气负荷预测的模糊表达式，
Figure FDA0003486914400000027
为气负荷预测的三角隶属度参数；
根据可信性理论，从源、荷两侧出发，建立计及风电及电、气负荷不确定性的可信性模糊机会约束模型，模型表示如下：
功率平衡的可信性模糊机会约束表示为：
Figure FDA0003486914400000028
式中，Cr{}为置信度表达式，α为可信性置信水平；
天然气流量平衡的可信性模糊机会约束表示为：
Figure FDA0003486914400000029
将系统弃风成本用一定置信度条件下，大于弃风成本模糊变量
Figure FDA00034869144000000210
的最小弃风成本来表示，即系统弃风成本的悲观值：
Figure FDA00034869144000000211
式中，
Figure FDA00034869144000000212
为系统弃风成本的模糊表达式，
Figure FDA00034869144000000213
为t时刻风电预测出力模糊表达式，finf，2为系统弃风成本悲观值表达式，inf{}为取下界符号，γ为变量，μ为悲观值置信度；
所述Step3中将得到的模糊机会约束模型通过清晰等价类转换，转换后的模型通过传统方法求解方程组，得到原问题的解析解，转换后的模型为：
1)系统弃风成本悲观值：
Figure FDA0003486914400000031
2)功率平衡约束：
Figure FDA0003486914400000032
3)功率平衡约束：
Figure FDA0003486914400000033
式(33)至式(34)也为最终的工业园区电-气互联综合能源系统模糊优化调度模型的约束条件。
2.根据权利要求1所述的工业园区电-气综合能源系统优化调度模型建立方法，其特征在于所述Step1中的IENGS中电-气互联转化模型为：
Figure FDA0003486914400000034
式(1)中，
Figure FDA0003486914400000035
为P2G装置m在t时刻转换得到的天然气流量，
Figure FDA0003486914400000036
为P2G装置m的转化效率，
Figure FDA0003486914400000037
为P2G装置m在t时刻消耗的有功功率，决策变量，GGHV为天然气高热值；
将构建好的模型加入工业园区IENGS模型中，该模型以能源利用率最大化和环境效益最大化，即系统运行成本和弃风惩罚成本最小为目标，工业园区IENGS模型为：
1)目标函数：
f＝f1+f2 (2)
f1为系统运行成本，包括主网购电成本Cb、燃气轮机组废气排放成本Cgt、天然气购买成本Cbg、P2G转换成本CP2G、天然气储存成本Cs；
f1＝min(Cb+Cgt+Cbg+CP2G+Cs) (3)
Figure FDA0003486914400000038
Figure FDA0003486914400000041
Figure FDA0003486914400000042
Figure FDA0003486914400000043
Figure FDA0003486914400000044
式中，T为一个调度周期，CB为t时刻IENGS向主网的购电电价，PB,t为t时刻IENGS向主网的购电量，wk为燃气轮机组的废气排放成本系数，J为气源点数量，βj为气源点j的天然气价格，Fj,t为气源点j在t时刻的天然气供应流量，M为P2G装置数量，δm为P2G装置m的运行成本系数，S为储气罐数量，εs、
Figure FDA0003486914400000045
为储气罐s的运行成本系数，Qs,t-1为储气罐s在t-1时刻的储气容量，
Figure FDA0003486914400000046
为储气罐s在t时刻的天然气输出流量和输入流量；
f2为弃风惩罚成本，用弃风惩罚系数与弃风量的乘积表示：
Figure FDA0003486914400000047
式中，λw为弃风惩罚系数，Pw0,t为t时刻风电预测出力，Pw,t为t时刻风电实际出力，Δt为调度时间间隔；
2)电网络约束：
电网络约束包括功率平衡约束、节点电压约束、线路传输功率约束和P2G装置功率约束；
功率平衡约束：
Figure FDA0003486914400000048
式中，K为燃气轮机数量，PL,t为t时刻的电负荷；
节点电压约束：
Uh,min≤Uh,t≤Uh,max (11)
式中，
Figure FDA0003486914400000049
为节点h的电压上下限值，Uh,t为t时刻节点h的电压；
线路传输功率约束：
Pl,min≤Pl,t≤Pl,max (12)
式中，Pl,max、Pl,min为线路l的传输功率上下限值，Pl,t为t时刻线路l的传输功率；
P2G装置功率约束：
Figure FDA0003486914400000051
式中，
Figure FDA0003486914400000052
为P2G装置m的功率上下限值；
3)气网络约束：
气网络约束包括流量平衡约束、气源点供应量约束、燃气轮机气流量约束、压缩机压缩比约束、管道流量约束和储气罐约束；
流量平衡约束：
Figure FDA0003486914400000053
式中，FL,t为t时刻的气负荷；
气源点供应量约束：
Fj,min≤Fj,t≤Fj,max (15)
式中，Fj,max、Fj,min为气源点j的天然气流量供应上下限值；
燃气轮机气流量约束：
Figure FDA0003486914400000054
式中，
Figure FDA0003486914400000055
为燃气轮机k的天然气消耗量上下限值；
节点压力约束：
ρe,min≤ρe,t≤ρe,max (17)
式中，ρe,max、ρe,min为节点e的天然气压力上下限值，ρe,t为t时刻节点e的天然气压力；
压缩机压缩比约束：
Figure FDA0003486914400000056
式中，Rd,max、Rd,min为压缩机d压缩比的上、下限；
管道流量约束：
Fp,min≤Fp,t≤Fp,max (19)
式中，Fp,max、Fp,min为管道p的传输流量的上下限值，Fp,t为t时刻管道p的传输流量；
储气罐约束：
Figure FDA0003486914400000057
Figure FDA0003486914400000061
Figure FDA0003486914400000062
式中，Qs,max、Qs,min为储气罐s储存容量的上下限值，
Figure FDA0003486914400000063
为储气罐s天然气注入、输出流量的上限值。
CN202110635468.8A 2021-06-08 2021-06-08 一种工业园区电-气综合能源系统优化调度模型建立方法 Active CN113298407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110635468.8A CN113298407B (zh) 2021-06-08 2021-06-08 一种工业园区电-气综合能源系统优化调度模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110635468.8A CN113298407B (zh) 2021-06-08 2021-06-08 一种工业园区电-气综合能源系统优化调度模型建立方法

Publications (2)

Publication Number Publication Date
CN113298407A CN113298407A (zh) 2021-08-24
CN113298407B true CN113298407B (zh) 2022-03-18

Family

ID=77327505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110635468.8A Active CN113298407B (zh) 2021-06-08 2021-06-08 一种工业园区电-气综合能源系统优化调度模型建立方法

Country Status (1)

Country Link
CN (1) CN113298407B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169950B (zh) * 2022-07-26 2023-03-24 山东大学 一种基于多参数规划的电-气系统分布式协同方法及系统
CN116914748A (zh) * 2023-09-08 2023-10-20 杭州戈虎达科技有限公司 一种考虑灵活性互济的跨区电网灵活性资源优化调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7127327B1 (en) * 2003-09-11 2006-10-24 Dte Energy Technologies, Inc. System and method for managing energy generation equipment
CN104135025A (zh) * 2014-05-30 2014-11-05 国家电网公司 基于模糊粒子群算法和储能系统的微网经济运行优化方法
CN105633948A (zh) * 2015-12-09 2016-06-01 长沙理工大学 一种分布式风电、光伏发电等不确定能源接入电力系统随机模糊潮流算法
CN110135631A (zh) * 2019-04-26 2019-08-16 燕山大学 基于信息间隙决策理论的电气综合能源系统调度方法
CN112837181A (zh) * 2021-02-23 2021-05-25 国网山东省电力公司经济技术研究院 计及需求响应不确定性的综合能源系统的调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7127327B1 (en) * 2003-09-11 2006-10-24 Dte Energy Technologies, Inc. System and method for managing energy generation equipment
CN104135025A (zh) * 2014-05-30 2014-11-05 国家电网公司 基于模糊粒子群算法和储能系统的微网经济运行优化方法
CN105633948A (zh) * 2015-12-09 2016-06-01 长沙理工大学 一种分布式风电、光伏发电等不确定能源接入电力系统随机模糊潮流算法
CN110135631A (zh) * 2019-04-26 2019-08-16 燕山大学 基于信息间隙决策理论的电气综合能源系统调度方法
CN112837181A (zh) * 2021-02-23 2021-05-25 国网山东省电力公司经济技术研究院 计及需求响应不确定性的综合能源系统的调度方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
含电转气设备的气点互联综合能源系统多目标优化;曾红等;《电测与仪表》;20190307;第56卷(第8期);第99-107页 *
基于源-荷特征信息的区域综合能源系统协同优化技术研究;朱睿;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20200515(第05期);C039-6 *
基于鲁棒优化理论的电力系统机组组合研究;覃岭;《中国优秀博硕士学位论文全文数据库（博士） 工程科技II辑》;20180515(第05期);C042-21 *
考虑新能源消纳及需求响应不...性的配电网主从博弈经济调度;邱革非等;《电力自动化设备》;20210208;第41卷(第6期);第66-72页 *
考虑源荷双重不确定性的多能互补系统两阶段鲁棒优化调度;刘万福等;《电力系统及其自动化学报》;20200220;第32卷(第12期);第69-76页 *

Also Published As

Publication number Publication date
CN113298407A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
Khasanov et al. Optimal distributed generation and battery energy storage units integration in distribution systems considering power generation uncertainty
Jalili et al. Stochastic optimal operation of a microgrid based on energy hub including a solar-powered compressed air energy storage system and an ice storage conditioner
Fan et al. A Bi-level optimization model of integrated energy system considering wind power uncertainty
CN111064229A (zh) 基于q学习的风-光-气-蓄联合动态经济调度优化方法
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
CN106684915A (zh) 一种风氢耦合发电系统的优化方法及装置
Wu et al. An inexact fixed-mix fuzzy-stochastic programming model for heat supply management in wind power heating system under uncertainty
Nasiri et al. Interval optimization‐based scheduling of interlinked power, gas, heat, and hydrogen systems
Daneshvar et al. Short term optimal hydro-thermal scheduling of the transmission system equipped with pumped storage in the competitive environment
CN115117940A (zh) 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法
Yang et al. Distributionally robust optimal dispatch modelling of renewable-dominated power system and implementation path for carbon peak
CN115099590A (zh) 计及光荷不确定性的主动配电网经济优化调度方法及系统
CN111126675A (zh) 多能互补微网系统优化方法
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN117040027B (zh) 一种农村虚拟电厂的协调优化方法和装置
Zhang et al. An evaluation of the economic benefits of rooftop distributed photovoltaic projects in the whole county in China
Wang et al. Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system
Ding et al. Long-term operation rules of a hydro–wind–photovoltaic hybrid system considering forecast information
CN111435787A (zh) 一种基于区间模糊随机的区域电力系统优化方法及系统
Wei et al. Multi‐objective optimal configuration of stand‐alone microgrids based on Benders decomposition considering power supply reliability
Huang et al. Optimal Dispatch of Multi-Energy Integrated Micro-Energy Grid: A Model Predictive Control Method
Kumar et al. Sensitivity Analysis Based Multi-Objective Economic Emission Dispatch in Microgrid
Wang et al. Intraday net load reserve demand assessment based on catboost and kernel density estimation
Zhang et al. Simulation Evaluation Method of Power Grid Operation Considering High Proportion New Energy Grid Connection
Zheng et al. Economic Dispatch of Energy System With Uncertain Renewable Energy Sources

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