CN113779783B - 计及多重不确定性的区域综合能源系统规划与运行联合优化方法 - Google Patents

Abstract

计及多重不确定性的区域综合能源系统规划与运行联合优化方法，属电网领域、其构建基于能量枢纽的区域综合能源系统结构；建立各个设备的数学模型；建立区域综合能源系统规划与运行联合优化模型；提出计及多重不确定性的区域综合能源系统规划与运行联合优化方法，以获得不确定性环境下区域综合能源系统最优容量配置和运行计划；验证所提计及多重不确定性的区域综合能源系统规划与运行联合优化模型及策略的合理性和有效性。可得到区域综合能源系统的最优容量配置方案和运行策略，以保障系统在供需不确定性条件下规划与运行的经济性及可靠性，更加全面的反映不确定性因素对系统规划策略及经济运行计划的影响。可用于供电系规划运行与优化领域。

Description

计及多重不确定性的区域综合能源系统规划与运行联合优化方法

技术领域

本发明属于供电电网的多能互补系统规划运行优化领域，更具体地，涉及一种计及多重不确定性的区域综合能源系统规划与运行联合优化方法。

背景技术

面对能源危机和环境污染问题，节能和能效提升成为能源战略的首要任务。基于分布式可再生能源的区域综合能源系统集能源生产、转化和存储设备与一体，能够最大限度地提高能源利用率，减少环境污染，有利于经济、高效、可持续的能源供应。系统规划可为运行优化提供合理的运行边界，运行优化可为系统设备提供经济调度计划，两者紧密联系。因此，为实现综合能源系统规划与运行的整体效益最大化，需要对系统的规划与运行进行联合优化研究。同时，可再生能源发电的随机性、间歇性和负荷的波动性等不确定性，会直接影响系统规划策略和运行计划的准确制定。因此，开展不确定性环境下的综合能源系统规划与运行联合优化研究具有重要意义。

目前，对系统规划与运行优化进行联合考虑的研究主要分为两类。第一类是将问题描述为两阶段或多个子问题，第二类是将规划与运行问题整合为一个优化过程而不是几个阶段或子问题。前者多采用如GA，PSO等智能算法来解决第一阶段的规划问题，可能不能保证全局最优的解决方案。现有研究表明，第二类方法是解决区域系统最优规划和运行问题的适合方法，但对源荷侧的多重不确定性考虑不足。

在考虑系统中的不确定性因素时，若只考虑源荷单一侧的不确定性或仅采用同一种方法处理其多重不确定性，忽略系统中可再生能源发电和负荷预测误差等不确定性各自的特征，会使结果存在一定的片面性。实际上，可再生能源发电的不确定性主要与自身特点有关，其概率分布函数较为确定，而要获得精确的负荷概率密度函数往往比较困难，由此可见针对供需侧具有不同数学特征和分布规律的不确定性因素，应采取不同的处理方法。

发明内容

本发明所要解决的技术问题是提供一种计及多重不确定性的区域综合能源系统规划与运行联合优化方法。其针对已有技术的不足，构建计及多重不确定性的区域综合能源系统规划与运行联合优化模型，并提出相应的优化控制方法。对不同的不确定性单元采用不同的处理方法，更加全面的反映不确定性因素对系统规划策略及经济运行计划的影响。

本发明的技术方案是：提供一种计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是包括如下步骤：

步骤1：为满足系统电热冷多种负荷需求，分析各能源之间复杂的耦合关系，构建基于能量枢纽的区域综合能源系统结构；

步骤2：基于各待选设备运行特性，建立各个设备的数学模型；

步骤3：以系统建设成本和运行成本构成的日前总成本最低为优化目标，并考虑设备规划约束、运行约束、功率平衡约束及电、气网络交互约束，建立区域综合能源系统规划与运行联合优化模型；

步骤4：基于传统区间线性规划和模糊机会约束规划，分别用模糊变量、区间数描述系统中可再生能源发电、负荷预测的不确定性，提出计及多重不确定性的区域综合能源系统规划与运行联合优化方法，以获得不确定性环境下区域综合能源系统最优容量配置和运行计划；

步骤5：设置算例场景，验证所提计及多重不确定性的区域综合能源系统规划与运行联合优化模型及策略的合理性和有效性。

具体的，在步骤1中，所述的基于能量枢纽的区域综合能源系统结构涉及电热冷气四种能源形式，共分为电母线、热母线、冷母线和燃料母线四条母线。

进一步的，在步骤1中，可再生能源风电机组WT和光伏机组PV接入电母线，同时电母线涵盖的待选设备为燃气轮机GT、电制冷机EC和蓄电装置ES。

进一步的，在步骤1中，所述的冷/热母线涵盖的待选设备为燃气锅炉GB、吸收式制冷AC、蓄冷CS和蓄热装置TS。

具体的，在步骤1中，系统电负荷EL由光伏机组PV、可再生能源风电机组WT和燃气轮机GT联合供给，电量剩余时可向电网售电，电量不足时可向电网购电；热负荷HL由燃气锅炉GB和燃气轮机GT联合供给；冷负荷CL由吸收式制冷AC和电制冷机EC联合供给；电、热、冷储装置进行辅助供能；系统不产生或存储燃气，所需天然气由燃气网络供给。

进一步的，是在步骤2中，系统待选设备含燃气轮机、燃气锅炉、电制冷机、吸收式制冷机及电热冷储装置；基于区间线性规划理论，统一用符号[]来表示区间数或区间变量，其各个设备的数学模型的公式描述如下：

1)GT的数学模型为：

[P_GT(t)]＝η_GT,e[F_GT(t)]

[Q_GT(t)]＝σ_GT[P_GT(t)]

式中，P_GT(t)为t时刻GT产电功率；η_GT,e为GT产电效率；F_GT(t)为t时刻GT消耗天然气量；Q_GT(t)表示t时刻GT产热功率；σ_GT为GT热电比；

2)GB的数学模型为：

[Q_GB(t)]＝η_GB,h[F_GB(t)]

式中，Q_GB(t)为t时刻GB产热功率；η_GB,h为GB产热效率；F_GB(t)为t时刻GB消耗天然气量；

3)EC的数学模型为：

[C_EC(t)]＝λ_EC[P_EC(t)]

式中，C_EC(t)为t时刻EC的制冷功率；λ_EC为EC制冷系数；P_EC(t)为t时刻EC制冷所耗电量；

4)AC的数学模型为：

[C_AC(t)]＝λ_AC[Q_AC(t)]

式中，C_AC(t)为t时刻AC制冷功率；λ_AC为AC制冷系数；Q_AC(t)为t时刻AC制冷所耗热量；

5)储能装置的数学模型为：

式中，Ω^j为储能j的集合；C_j(t)为t时刻储能j的容量；ζ_j为储能j的自损耗系数；η_j,c、η_j,d分别为储能j的充、放能效率；P_j,c(t)、P_j,d(t)分别为储能j的充、放能功率(kW)。

进一步的，在步骤3中，所述目标函数为：

式中，f为日前运行总成本；f_con为初始建设成本；f_ope为设备的固定日运行维护费用；f_buy为净购/售电费用；

表示环境成本，主要包括通过电网购电和燃气燃烧供能所产生的排放物治理成本；

系统初始建设成本[f_con]表示为：

式中，Ω^k为待选设备k类型集合；

为k的单位容量初始安装成本，元/(kW·h)；C_k为设备k的安装容量；N_k为待选设备k的第i类设备类型数；

为k的第i类设备安装容量；

为0/1变量，表示待选k的第i类设备的安装状态，0表示该设备未被用于能量枢纽中，1表示该设备参与能量枢纽构成；R_k为设备k的等年值因子(资金回收率)，r为年利率，y_k为设备k的使用年限；

系统运行维护成本[f_ope]表示为：

式中，

为待选设备k单位输出功率的运行维护成本，元/(kW·h)；P_k(t)为t时刻待选设备k的实际输出功率；

系统净购/售电费用[f_buy]表示为：

式中，β_b(t)为t时刻购电电价，元/(kW·h)；β_s(t)为t时刻售电价格，元/(kW·h)；P_e(t)为电网与能量枢纽的交互功率，P_e(t)>0代表向电网购电，P_e(t)＜0表示向电网售电；0/1变量ρ表示能量枢纽购/售电状态，0表示向电网购电，1表示向电网售电；β_g(t)为t时刻燃气单位热值价格，元/(kW·h)；F_g(t)表示t时刻购气量；

系统环境成本

表示为：

式中，γ为碳税(碳排放价格)，元/吨；α为向电网购/售电的碳排放强度，kg/(kW·h)；δ为燃气燃烧的碳排放强度，kg/(kW·h)。

进一步的，在步骤3中，所述区域综合能源系统规划与运行联合优化模型，涉及系统规划、设备运行约束、电网络购/售电约束、天然气网络约束、系统功率平衡约束：

1)为了使待选设备k选到某一类型i，应满足设备类型选择的约束：

2)GT运行约束：

式中，C_GT,e为GT安装容量；

分别为GT运行时输出功率的最小、最大百分比；

3)GB运行约束：

式中，C_GB为GB安装容量；

分别为GB产热功率的最小、最大百分比；

4)EC运行约束：

式中，C_EC为EC的安装容量；

分别为制冷功率最小、最大百分比；

5)AC运行约束：

式中，C_AC为AC的安装容量；

分别为制冷功率最小、最大百分比；

6)电、热、冷储运行约束：

[P_j,d(t)]×[P_j,c(t)]＝0

[C_j(1)]＝[C_j(T)]

式中，C_j为储能j的安装容量；

分别为储能j容量的最大、最小百分比；

分别为储能j放能功率的上、下限；

分别为储能j充能功率的上、下限；C_j(1)、C_j(T)分别为储能j优化控制开始、结束时刻的容量；

7)电网络购/售电约束：

式中，

为系统向电网购/售电时联络线的最大传输功率；

8)天然气网络约束：

式中，

为天然气管道的最大传输功率。

具体的，在步骤4中，分别基于模糊机会约束规划、区间线性规划处理可再生能源、负荷预测的不确定性，即电功率平衡约束引入光伏、风电预测误差模糊变量和电负荷区间数，热功率平衡约束中引入热负荷区间数，冷功率平衡约束中引入热负荷区间数：

电母线功率平衡约束：

[P_EL(t)]＝P_EL(t)[1-α_e,1+α_e]，α_e∈[0,1]

式中，

为t时刻风电发电预测模糊变量；

为t时刻光伏发电预测模糊变量；P_EL(t)为t时刻电负荷预测值；α_e为电负荷预测相对误差；

热母线功率平衡约束：

[Q_GT(t)]+[Q_GB(t)]+[P_TS,d(t)]＝[Q_AC(t)]+[P_HL(t)]+[P_TS,c(t)]

[P_HL(t)]＝P_HL(t)[1-α_h,1+α_h]，α_h∈[0,1]

式中，P_HL(t)为t时刻热负荷预测值；α_h为热负荷预测相对误差；

冷母线功率平衡约束：

[C_EC(t)]+[C_AC(t)]+[P_CS,d(t)]＝[P_CL(t)]+[P_CS,c(t)]

[P_CL(t)]＝P_CL(t)[1-α_c,1+α_c]，α_c∈[0,1]

式中，P_CL(t)为t时刻冷负荷预测值；α_c为冷负荷预测相对误差；

燃料母线功率平衡约束：

[F_g(t)]＝[F_GT(t)]+[F_GB(t)]。

进一步的，在步骤4中，求解基于区间线性模糊机会约束规划模型时，首先将模型分解为两个子模型，再将子模型中的机会约束条件转化为确定等价条件，用转化后的最优子模型和最劣子模型代替原模型，分别求得各子模型最优值，从而得到目标函数及决策变量的最优值取值区间。

与现有技术比较，本发明的优点是：

1.本发明基于源荷侧不确定性单元的不同特征分析，分别采用不同的方法处理系统的不确定性，更加全面的揭示了多重不确定性对系统决策过程的影响。

2.本发明基于模糊机会约束规划处理供应侧不确定性，用模糊变量描述系统中可再生能源发电预测的不确定性，并将变量的模糊性转移到约束上，通过构造合适的模糊机会约束，实现系统备用容量的合理规划，无需进行备用容量单独设计的同时，增大了系统应对可再生能源出力波动的能力。

3.本发明基于区间线性规划处理需求侧不确定性，用区间数描述负荷预测的不确定性，使得最终的优化结果呈现一定的区间变化，通过最优区间值体现出区域综合能源系统对多样化负荷预测波动的动态响应。

4.本发明构建了计及多重不确定性的区域综合能源规划与运行联合优化模型，并提出相应的优化控制方法。同时考虑系统建设成本和运行成本，将规划与运行整合为一个优化问题，避免了求解两阶段或多个子问题时不能保证全局最优的问题，实现了区域综合能源系统不确定性环境下的整体效益最大化。

5.同时，本发明可以扩展应用到其他更多类似的多能互补系统。

附图说明

图1是本发明基于能源枢纽的区域综合能源系统结构示意图。

图2是本发明所提计及多重不确定性的规划与运行联合优化模型示意图。

图3是本发明的区间线性模糊机会约束规划求解流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

为了针对现有技术的不足，构建计及多重不确定性的区域综合能源系统规划与运行联合优化模型，并提出相应的优化控制方法，对不同的不确定性单元采用不同的处理方法，更加全面的反映不确定性因素对系统规划策略及经济运行计划的影响，本发明采用如下的解决上述技术问题的思路：

1)基于模糊机会约束规划的供应侧不确定性研究，采用模糊变量表征供应侧不确定性，具体步骤如下：

由于可再生能源发电的概率分布函数较确定，因此适合用随机法来处理，采用随机法中的模糊机会约束规划，将系统中光伏、风电预测功率表示为模糊变量，再将变量的模糊性转移到约束上，通过构造合适的机会约束，实现区域综合能源系统供应侧不确定性的表征。

2)基于区间线性规划的需求侧不确定性研究，采用区间数表征需求侧不确定性，具体步骤如下：

依据获取负荷的概率密度函数较困难，但确定其不确定性变量的取值范围则相对容易的特性，以区间线性规划为理论基础，将系统的多种负荷预测值表示为区间数，通过最优区间解表征区域综合能源系统需求侧不确定性。

3)建立混合整数线性规划模型，实现不确定性环境下区域综合能源系统规划与运行的联合优化，所述步骤如下：

考虑系统设备类型选择及容量配置以最小化建设成本，并将系统规划变量作为运行优化的合理边界，在满足系统电热冷等多种能源需求的同时寻找最优的经济调度计划。通过将规划与运行问题整合为一个混合整数线性优化过程，并结合区间线性规划与模糊机会约束规划进行求解，保证系统规划策略与运行计划的全局最优，实现系统不确定性环境下整体效益最大化。

实施例：

本实例中提供了一种计及多重不确定性的区域综合能源系统规划与运行联合优化模型及其优化控制方法，结合图1、图2和图3，本发明所述方法的具体步骤如下：

步骤1：构建基于能量枢纽的区域综合能源系统结构：

参见图1所示，在步骤1中，基于能量枢纽的区域综合能源系统规划与运行仿真系统结构组成，包括能源输入侧、输出侧及中间能量生产、转换与存储环节三部分。为更好的对系统结构进行阐述，根据能源形式对系统结构进行划分，基于能量母线概念共分为电母线、热母线、冷母线和燃料母线四条母线。可再生能源风电机组(wind turbine,WT)和光伏机组(photovoltaic generation,PV)接入电母线，同时电母线涵盖的待选设备为燃气轮机(gas turbine,GT)、电制冷机(electrical cooling,EC)和蓄电装置(electricalstorage,ES)；冷/热母线涵盖的待选设备为燃气锅炉(gas boiler,GB)、吸收式制冷机(absorption cooling,AC)、蓄冷(cool storage,CS)和蓄热装置(thermal storage,TS)。系统电负荷(electrical load,EL)由PV、WT和GT联合供给，电量剩余时可向电网售电，电量不足时可向电网购电；热负荷(heat load,HL)由GB和GT联合供给；冷负荷(cool load,CL)由AC和EC联合供给；电、热、冷储装置进行辅助供能。系统不产生或存储燃气，所需天然气由燃气网络供给。

步骤2：能量枢纽设备数学模型：

系统待选设备含燃气轮机、燃气锅炉、电制冷机、吸收式制冷机及电热冷储装置；基于区间线性规划理论，统一用符号[]来表示区间数或区间变量。

其中，GT数学模型用如下公式来表示：

[P_GT(t)]＝η_GT,e[F_GT(t)]  (1)

[Q_GT(t)]＝σ_GT[P_GT(t)]  (2)

式中，P_GT(t)为t时刻GT产电功率；η_GT,e为GT产电效率；F_GT(t)为t时刻GT消耗天然气量；Q_GT(t)表示t时刻GT产热功率；σ_GT为GT热电比。

GB数学模型用如下公式来表示：

[Q_GB(t)]＝η_GB,h[F_GB(t)]  (3)

式中，Q_GB(t)为t时刻GB产热功率；η_GB,h为GB产热效率；F_GB(t)为t时刻GB消耗天然气量。

EC数学模型用如下公式来表示：

[C_EC(t)]＝λ_EC[P_EC(t)]  (4)

式中，C_EC(t)为t时刻EC的制冷功率；λ_EC为EC制冷系数；P_EC(t)为t时刻EC制冷所耗电量。

AC数学模型用如下公式来表示：

[C_AC(t)]＝λ_AC[Q_AC(t)]  (5)

式中，C_AC(t)为t时刻AC制冷功率；λ_AC为AC制冷系数；Q_AC(t)为t时刻AC制冷所耗热量。

在所述步骤2中，侧重研究综合能源系统规划与运行联合优化，对电储、热储和冷储均采用广义储能建模，不计及电池的精细化模型。

储能装置的数学模型用如下公式来表示：

式中，Ω^j为储能j的集合；C_j(t)为t时刻储能j的容量；ζ_j为储能j的自损耗系数；η_j,c、η_j,d分别为储能j的充、放能效率；P_j,c(t)、P_j,d(t)分别为储能j的充、放能功率(kW)。

步骤3：构建区域综合能源系统规划与运行联合优化模型：

参见图2所示，在步骤3中，建立以系统投资建设成本、运行维护成本、净购电/购气成本和环境成本构成的日前总成本最低为优化目标，考虑设备规划约束、运行约束、功率平衡约束及电、气网络交互约束的规划与运行联合优化模型。

其目标函数表示为：

式中，f为日前运行总成本；f_con为初始建设成本；f_ope为设备的固定日运行维护费用；f_buy为净购/售电费用；

表示环境成本，主要包括通过电网购电和燃气燃烧供能所产生的排放物治理成本。

系统初始建设成本[f_con]可表示为：

式中，Ω^k为待选设备k类型集合；

为k的单位容量初始安装成本，元/(kW·h)；C_k为设备k的安装容量；N_k为待选设备k的第i类设备类型数；

为k的第i类设备安装容量；

为0/1变量，表示待选k的第i类设备的安装状态，0表示该设备未被用于能量枢纽中，1表示该设备参与能量枢纽构成；R_k为设备k的等年值因子(资金回收率)，r为年利率，y_k为设备k的使用年限。

系统运行维护成本[f_ope]可表示为：

式中，

为待选设备k单位输出功率的运行维护成本，元/(kW·h)；P_k(t)为t时刻待选设备k的实际输出功率。

系统净购/售电费用[f_buy]可表示为：

式中，β_b(t)为t时刻购电电价，元/(kW·h)；β_s(t)为t时刻售电价格，元/(kW·h)；P_e(t)为电网与能量枢纽的交互功率，P_e(t)>0代表向电网购电，P_e(t)＜0表示向电网售电；0/1变量ρ表示能量枢纽购/售电状态，0表示向电网购电，1表示向电网售电；β_g(t)为t时刻燃气单位热值价格，元/(kW·h)；F_g(t)表示t时刻购气量。

系统环境成本

可表示为：

式中，γ为碳税(碳排放价格)，元/吨；α为向电网购/售电的碳排放强度，kg/(kW·h)；δ为燃气燃烧的碳排放强度，kg/(kW·h)。

具体的，在步骤3中，实现区域综合能源系统规划与运行联合优化时，涉及系统规划及运行两方面的约束条件。

为了使待选设备k选到某一类型i，应满足设备类型选择的约束：

在步骤3中，系统运行约束包含设备运行约束、电网络购/售电约束、天然气网络约束、系统功率平衡约束。

(1)GT运行约束：

式中，C_GT,e为GT安装容量；

分别为GT运行时输出功率的最小、最大百分比。

(2)GB运行约束：

式中，C_GB为GB安装容量；

分别为GB产热功率的最小、最大百分比。

(3)EC运行约束：

式中，C_EC为EC的安装容量；

分别为制冷功率最小、最大百分比。

(4)AC运行约束：

式中，C_AC为AC的安装容量；

分别为制冷功率最小、最大百分比。

(5)电、热、冷储运行约束：

式中，C_j为储能j的安装容量；

分别为储能j容量的最大、最小百分比；

分别为储能j放能功率的上、下限；

分别为储能j充能功率的上、下限。

储能装置无法同时进入充、放能状态，因此储能j的充、放能功率应满足互斥条件：

[P_j,d(t)]×[P_j,c(t)]＝0  (22)

为保证储能的下一周期留有足够调节余量，应使储能j优化控制开始、结束时刻的储能量相等：

[C_j(1)]＝[C_j(T)]  (23)

式中，C_j(1)、C_j(T)分别为储能j优化控制开始、结束时刻的容量。

(6)电网络购/售电约束：

式中，

为系统向电网购/售电时联络线的最大传输功率；

(7)天然气网络约束：

式中，

为天然气管道的最大传输功率。

进一步的，在步骤3中，母线功率平衡约束包括电、热、冷及燃料母线，其中电功率平衡约束引入光伏、风电预测误差模糊变量和电负荷区间数，热功率平衡约束中引入热负荷区间数，冷功率平衡约束中引入热负荷区间数。

(8)电母线功率平衡约束：

[P_EL(t)]＝P_EL(t)[1-α_e,1+α_e]，α_e∈[0,1]  (27)

式中，

为t时刻风电发电预测模糊变量；

为t时刻光伏发电预测模糊变量；P_EL(t)为t时刻电负荷预测值；α_e为电负荷预测相对误差。

(9)热母线功率平衡约束：

[Q_GT(t)]+[Q_GB(t)]+[P_TS,d(t)]＝[Q_AC(t)]+[P_HL(t)]+[P_TS,c(t)]  (28)

[P_HL(t)]＝P_HL(t)[1-α_h,1+α_h]，α_h∈[0,1]  (29)

式中，P_HL(t)为t时刻热负荷预测值；α_h为热负荷预测相对误差。

(10)冷母线功率平衡约束：

[C_EC(t)]+[C_AC(t)]+[P_CS,d(t)]＝[P_CL(t)]+[P_CS,c(t)]  (30)

[P_CL(t)]＝P_CL(t)[1-α_c,1+α_c]，α_c∈[0,1]  (31)

式中，P_CL(t)为t时刻冷负荷预测值；α_c为冷负荷预测相对误差。

(11)燃料母线功率平衡约束：

[F_g(t)]＝[F_GT(t)]+[F_GB(t)]  (32)

步骤4：求解区间线性模糊机会约束规划模型：

参见图3中所示，在步骤4中，求解时，首先将模型分解为两个子模型，再将子模型中的机会约束条件转化为确定等价条件，用转化后的最优子模型和最劣子模型代替原模型，分别求得各子模型最优值，从而得到目标函数及决策变量的最优值取值区间。

在步骤4中，求解模糊机会约束时，首先构造合理的可信性约束，再转化为对应的清晰等价类。

其中，电母线功率平衡的可信性约束为：

式中，α₁为满足电功率平衡约束的置信水平。

将电母线的可信性约束转化为对应的清晰等价类进行求解：

式中，

为风电预测值的隶属度参数；

为光伏预测值的隶属度参数。

在步骤4中，基于区间线性规划的两阶段分解算法，并结合模糊机会约束规划，将两个子模型中的机会约束转化后，分别进行求解。此优化过程能够直接反映供需侧不确定性对区域综合能源系统总成本、规划策略及运行计划的影响。

步骤5：设置算例场景，验证所提计及多重不确定性的区域综合能源系统规划与运行联合优化模型及策略的合理性和有效性：

本发明的技术方案，区别于将规划与运行联合优化过程描述为两阶段或多个子问题的方法，从将两方面整合为一个优化问题的角度出发，统一求解规划策略及运行计划；另一方面，本发明的技术方案，针对不同的不确定性单元采用不同的处理方法，将更加全面地反映系统多重不确定性对决策过程的影响。因此，利用算例验证所提模型及策略的有效性时，应该至少包含以下几个基础场景：

场景1：只考虑光伏、发电或负荷的单一侧不确定性，采用本文所述规划与运行联合优化模型。

场景2：考虑光伏、发电及负荷的不确定性，使用模糊机会约束规划方法处理供需侧不确定性。

场景3：考虑光伏、发电及负荷的不确定性，采用规划与运行优化两阶段模型。

场景4：考虑光伏、发电及负荷的不确定性，采用本文所述规划与运行联合优化模型。

与现有技术相比，本发明的技术方案，更加全面的揭示了多重不确定性对系统决策过程的影响，通过构造合适的模糊机会约束，实现系统备用容量的合理规划，无需进行备用容量单独设计的同时，增大了系统应对可再生能源出力波动的能力；用区间数描述负荷预测的不确定性，使得最终的优化结果呈现一定的区间变化，通过最优区间值体现出区域综合能源系统对多样化负荷预测波动的动态响应；其构建了计及多重不确定性的区域综合能源规划与运行联合优化模型，并提出相应的优化控制方法；同时考虑系统建设成本和运行成本，将规划与运行整合为一个优化问题，避免了求解两阶段或多个子问题时不能保证全局最优的问题，实现了区域综合能源系统不确定性环境下的整体效益最大化。

本发明可广泛用于供电系统的规划运行与优化领域。

Claims (10)

1.一种计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是包括如下步骤：

步骤1：为满足系统电热冷多种负荷需求，分析各能源之间复杂的耦合关系，构建基于能量枢纽的区域综合能源系统结构；

步骤2：基于各待选设备运行特性，建立各个设备的数学模型；

步骤3：以系统建设成本和运行成本构成的日前总成本最低为优化目标，并考虑设备规划约束、运行约束、功率平衡约束及电、气网络交互约束，建立区域综合能源系统规划与运行联合优化模型；

步骤4：基于传统区间线性规划和模糊机会约束规划，分别用模糊变量、区间数描述系统中可再生能源发电、负荷预测的不确定性，提出计及多重不确定性的区域综合能源系统规划与运行联合优化方法，以获得不确定性环境下区域综合能源系统最优容量配置和运行计划；

步骤5：设置算例场景，验证所提计及多重不确定性的区域综合能源系统规划与运行联合优化模型及策略的合理性和有效性。

2.按照权利要求1所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤1中，所述的基于能量枢纽的区域综合能源系统结构涉及电热冷气四种能源形式，共分为电母线、热母线、冷母线和燃料母线四条母线。

3.按照权利要求2所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤1中，可再生能源风电机组WT和光伏机组PV接入电母线，同时电母线涵盖的待选设备为燃气轮机GT、电制冷机EC和蓄电装置ES。

4.按照权利要求2所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤1中，所述的冷/热母线涵盖的待选设备为燃气锅炉GB、吸收式制冷AC、蓄冷CS和蓄热装置TS。

5.按照权利要求2所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤1中，系统电负荷EL由光伏机组PV、可再生能源风电机组WT和燃气轮机GT联合供给，电量剩余时可向电网售电，电量不足时可向电网购电；热负荷HL由燃气锅炉GB和燃气轮机GT联合供给；冷负荷CL由吸收式制冷AC和电制冷机EC联合供给；电、热、冷储装置进行辅助供能；系统不产生或存储燃气，所需天然气由燃气网络供给。

6.按照权利要求1所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤2中，系统待选设备含燃气轮机、燃气锅炉、电制冷机、吸收式制冷机及电热冷储装置；基于区间线性规划理论，统一用符号[]来表示区间数或区间变量，其各个设备的数学模型的公式描述如下：

1)GT的数学模型为：

[P_GT(t)]＝η_GT,e[F_GT(t)]

[Q_GT(t)]＝σ_GT[P_GT(t)]

式中，P_GT(t)为t时刻GT产电功率；η_GT,e为GT产电效率；F_GT(t)为t时刻GT消耗天然气量；Q_GT(t)表示t时刻GT产热功率；σ_GT为GT热电比；

2)GB的数学模型为：

[Q_GB(t)]＝η_GB,h[F_GB(t)]

式中，Q_GB(t)为t时刻GB产热功率；η_GB,h为GB产热效率；F_GB(t)为t时刻GB消耗天然气量；

3)EC的数学模型为：

[C_EC(t)]＝λ_EC[P_EC(t)]

式中，C_EC(t)为t时刻EC的制冷功率；λ_EC为EC制冷系数；P_EC(t)为t时刻EC制冷所耗电量；

4)AC的数学模型为：

[C_AC(t)]＝λ_AC[Q_AC(t)]

式中，C_AC(t)为t时刻AC制冷功率；λ_AC为AC制冷系数；Q_AC(t)为t时刻AC制冷所耗热量；

5)储能装置的数学模型为：

式中，Ω^j为储能j的集合；C_j(t)为t时刻储能j的容量；ζ_j为储能j的自损耗系数；η_j,c、η_j,d分别为储能j的充、放能效率；P_j,c(t)、P_j,d(t)分别为储能j的充、放能功率(kW)。

7.按照权利要求1所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤3中，所述目标函数为：

式中，f为日前运行总成本；f_con为初始建设成本；f_ope为设备的固定日运行维护费用；f_buy为净购/售电费用；

表示环境成本，主要包括通过电网购电和燃气燃烧供能所产生的排放物治理成本；

系统初始建设成本[f_con]表示为：

式中，Ω^k为待选设备k类型集合；

为k的单位容量初始安装成本，元/(kW·h)；C_k为设备k的安装容量；N_k为待选设备k的第i类设备类型数；

为k的第i类设备安装容量；

为0/1变量，表示待选k的第i类设备的安装状态，0表示该设备未被用于能量枢纽中，1表示该设备参与能量枢纽构成；R_k为设备k的等年值因子(资金回收率)，r为年利率，y_k为设备k的使用年限；

系统运行维护成本[f_ope]表示为：

式中，

为待选设备k单位输出功率的运行维护成本，元/(kW·h)；P_k(t)为t时刻待选设备k的实际输出功率；

系统净购/售电费用[f_buy]表示为：

式中，β_b(t)为t时刻购电电价，元/(kW·h)；β_s(t)为t时刻售电价格，元/(kW·h)；P_e(t)为电网与能量枢纽的交互功率，P_e(t)>0代表向电网购电，P_e(t)＜0表示向电网售电；0/1变量ρ表示能量枢纽购/售电状态，0表示向电网购电，1表示向电网售电；β_g(t)为t时刻燃气单位热值价格，元/(kW·h)；F_g(t)表示t时刻购气量；

系统环境成本

表示为：

式中，γ为碳税(碳排放价格)，元/吨；α为向电网购/售电的碳排放强度，kg/(kW·h)；δ为燃气燃烧的碳排放强度，kg/(kW·h)。

8.按照权利要求1所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤3中，所述区域综合能源系统规划与运行联合优化模型，涉及系统规划、设备运行约束、电网络购/售电约束、天然气网络约束、系统功率平衡约束：

1)为了使待选设备k选到某一类型i，应满足设备类型选择的约束：

2)GT运行约束：

式中，C_GT,e为GT安装容量；

分别为GT运行时输出功率的最小、最大百分比；

3)GB运行约束：

式中，C_GB为GB安装容量；

分别为GB产热功率的最小、最大百分比；

4)EC运行约束：

式中，C_EC为EC的安装容量；

分别为制冷功率最小、最大百分比；

5)AC运行约束：

式中，C_AC为AC的安装容量；

分别为制冷功率最小、最大百分比；

6)电、热、冷储运行约束：

[P_j,d(t)]×[P_j,c(t)]＝0

[C_j(1)]＝[C_j(T)]

式中，C_j为储能j的安装容量；

分别为储能j容量的最大、最小百分比；

分别为储能j放能功率的上、下限；

分别为储能j充能功率的上、下限；C_j(1)、C_j(T)分别为储能j优化控制开始、结束时刻的容量；

7)电网络购/售电约束：

式中，

为系统向电网购/售电时联络线的最大传输功率；

8)天然气网络约束：

式中，

为天然气管道的最大传输功率。

9.按照权利要求1所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤4中，分别基于模糊机会约束规划、区间线性规划处理可再生能源、负荷预测的不确定性，即电功率平衡约束引入光伏、风电预测误差模糊变量和电负荷区间数，热功率平衡约束中引入热负荷区间数，冷功率平衡约束中引入热负荷区间数：

电母线功率平衡约束：

[P_EL(t)]＝P_EL(t)[1-α_e,1+α_e]，α_e∈[0,1]

式中，

为t时刻风电发电预测模糊变量；

为t时刻光伏发电预测模糊变量；P_EL(t)为t时刻电负荷预测值；α_e为电负荷预测相对误差；

热母线功率平衡约束：

[Q_GT(t)]+[Q_GB(t)]+[P_TS,d(t)]＝[Q_AC(t)]+[P_HL(t)]+[P_TS,c(t)]

[P_HL(t)]＝P_HL(t)[1-α_h,1+α_h]，α_h∈[0,1]

式中，P_HL(t)为t时刻热负荷预测值；α_h为热负荷预测相对误差；

冷母线功率平衡约束：

[C_EC(t)]+[C_AC(t)]+[P_CS,d(t)]＝[P_CL(t)]+[P_CS,c(t)]

[P_CL(t)]＝P_CL(t)[1-α_c,1+α_c]，α_c∈[0,1]

式中，P_CL(t)为t时刻冷负荷预测值；α_c为冷负荷预测相对误差；

燃料母线功率平衡约束：

[F_g(t)]＝[F_GT(t)]+[F_GB(t)]。

10.按照权利要求1所述的计及多重不确定性的区域综合能源系统规划与运行联合优化方法，其特征是在步骤4中，求解基于区间线性模糊机会约束规划模型时，首先将模型分解为两个子模型，再将子模型中的机会约束条件转化为确定等价条件，用转化后的最优子模型和最劣子模型代替原模型，分别求得各子模型最优值，从而得到目标函数及决策变量的最优值取值区间。

Images