CN113864854B - 一种蓄热式电采暖参与风电消纳的多目标优化方法及系统 - Google Patents

一种蓄热式电采暖参与风电消纳的多目标优化方法及系统 Download PDF

Info

Publication number
CN113864854B
CN113864854B CN202111187479.0A CN202111187479A CN113864854B CN 113864854 B CN113864854 B CN 113864854B CN 202111187479 A CN202111187479 A CN 202111187479A CN 113864854 B CN113864854 B CN 113864854B
Authority
CN
China
Prior art keywords
heat
electric heating
type electric
wind power
power
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
CN202111187479.0A
Other languages
English (en)
Other versions
CN113864854A (zh
Inventor
刘自发
丛彪
李成宸
刘炎
赵海岩
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111187479.0A priority Critical patent/CN113864854B/zh
Publication of CN113864854A publication Critical patent/CN113864854A/zh
Application granted granted Critical
Publication of CN113864854B publication Critical patent/CN113864854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D13/00—Electric heating systems
    • F24D13/04—Electric heating systems using electric heating of heat-transfer fluid in separate units of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1096—Arrangement or mounting of control or safety devices for electric heating systems
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/70—Hybrid systems, e.g. uninterruptible or back-up power supplies integrating renewable energies

Abstract

本发明涉及一种蓄热式电采暖参与风电消纳的多目标优化方法及系统，构建蓄热式电采暖参与风电消纳的多目标优化模型，多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数，解决了现有蓄热式电采暖参与风电消纳研究主要集中在效益评估与经济性上，且目标函数具有单一性等问题；利用NSGA‑III算法对蓄热式电采暖参与风电消纳的多目标模型进行求解，在算法方面，当处理高维多目标优化问题时，解决了传统算法存在收敛性及求解效率不足等问题。本发明提高了优化效率和风电消纳的能力，并有效减少碳排放，降低设备运行成本。

Description

一种蓄热式电采暖参与风电消纳的多目标优化方法及系统
技术领域
本发明涉及蓄热式电采暖技术领域，特别是涉及一种蓄热式电采暖参与风电消纳的多目标优化方法及系统。
背景技术
加快发展非化石能源，尤其是风电、太阳能发电等新能源，是推动能源低碳转型的关键。随着新能源接入电网的比例不断增加，由于风电出力具有季节性与随机性，面临风电消纳水平有限等问题，蓄热式电采暖利用储热的工作特性，可将夜晚风电弃风功率转换为电功率，并在白天释放热量，具备可调节负荷参与电网调峰的作用，是解决风电消纳的有效途径。
针对以上情况，国内外学者对蓄热式电采暖参与风电消纳进行了研究，华北电力大学李潇，刘文颖等学者提出了蓄热电锅炉参与受阻风电消纳的源荷优化控制方法，进而有效改善系统在冬季供暖期调峰能力不足的问题，提高风电的消纳水平。东北电力大学王振浩，杨璐等学者提出了考虑风电-电储能-蓄热式电锅炉的联合系统模型，该方式有效提升了系统的调节能力和灵活性，能够有效提高风能利用率并降低运行成本。燕山大学卢志刚，隋玉珊等学者提出了对不同场景下系统的风电消纳情况以及系统的经济成本和碳排放进行了分析，避免了因供热导致的系统强迫出力过高造成的弃风，提高系统整体的经济性和低碳性。清华大学陈磊，徐飞等学者建立了包含储热的调度模型，分析储热位置、储热容量、换热功率、热电联产机组热电比等参数来分析对风电消纳的影响。提升风电消纳的储热电混合储能系统经济优化配置。东北电力大学李军辉，付英男等学者提出了采用电热混合储能系统与电网进行电量交换，从而提高系统对风电消纳能力。武汉大学黎华林，陈红坤等学者提出了以系统总的发电成本最小为目标，构建了蓄热式电采暖负荷参与风电消纳优化运行模型。从电源侧的角度提高了系统的风能消纳水平，从电网侧的角度提升了系统的调峰能力，缓解了风电并网对系统造成的调峰压力。合肥工业大学尚庆晓，孙鸣等学者通过对预测误差区间离散化处理，建立误差较小的风电预测模型，并以弃风率最小为目标函数进行优化调度。对于含蓄热式电采暖参与风电消纳的多目标优化模型，一般通过粒子群算法，遗传算法，NSGA-Ⅱ算法等。燕山大学张晓辉，董兴华等学者提出了以发电成本和碳排放量作为风电场多目标低碳电力系统调度模型的目标函数，并以改进的粒子群算法对模型进行求解。国网电力科学研究院宋杰，张卫国等学者建立了以全系统总煤耗最低为优化目标，采用遗传算法对目标函数进行求解。兰州理工大学张晓英，张艺等学者采用改进的非支配排序遗传算法(NSGA-II)对该优化模型进行求解。
综上所述，在优化模型方面，目前蓄热式电采暖参与风电消纳研究主要集中在效益评估与经济性上，且目标函数具有单一性，国内外学者未综合考虑在风电消纳的同时，忽略了碳排放及设备运行成本等问题。在算法方面，当处理高维多目标优化问题时，传统算法存在收敛性及求解效率不足等问题。
发明内容
本发明的目的是提供一种蓄热式电采暖参与风电消纳的多目标优化方法及系统，以有效减少碳排放，提高风电消纳的能力及降低设备运行成本。
为实现上述目的，本发明提供了如下方案：
一种蓄热式电采暖参与风电消纳的多目标优化方法，所述方法包括：
构建蓄热式电采暖参与风电消纳的多目标优化模型；所述多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数；
确定所述多目标优化模型的约束条件；所述约束条件包括风电出力约束、线路传输容量约束、功率平衡约束和蓄热式电锅炉运行约束；
依据所述约束条件，利用NSGA-III算法对所述多目标优化模型进行求解，获得帕累托解集；所述帕累托解集中的每组解包含最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数中变量的解；
根据所述多目标优化模型和帕累托解集，采用基于联系度改进的TOPSIS 法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
可选的，所述构建蓄热式电采暖参与风电消纳的多目标优化模型，具体包括：
建立最大风电消纳目标函数为
Figure BDA0003299866150000031
其中，F1为风电消纳量，Pg,t为t时刻蓄热式电采暖设备直接加热的电功率，Ph,t为t时刻蓄热式电采暖设备存入蓄热罐内所耗的功率，N为蓄热式电采暖设备的数量；
建立最小蓄热式电采暖运行成本目标函数为
Figure BDA0003299866150000032
其中，F2为运行成本，CG,t为电网t时刻电价，PG,t为t时刻蓄热式电采暖设备的运行功率，C1为蓄热式电采暖设备储热部分的单位功率运行维护成本，C2为蓄热式电采暖设备电热转换部分的单位功率运行维护成本，P1,t为蓄热式电采暖设备的充电功率，P2,t为蓄热电采暖设备的放热功率，Cb,i为第i个蓄热式电采暖设备的补贴价格，fi为第i个蓄热式电采暖设备关于用电总量和政府补贴政策的函数，P3,i为第i个蓄热式电采暖设备的功率输出值；
建立最低系统碳排放量目标函数为
Figure BDA0003299866150000033
其中，F3为碳排放量，
Figure BDA0003299866150000034
为t时刻第j台热电机组产生的发电功率，uj、vj、wj分别为第j台热电机组的碳排放系数，N′为产生碳排放的设备数量，Pe,b为蓄热式电锅炉不同时刻释放的热功率，η1为设备发热效率，λt 为设备供热时碳排放系数，Ppower,i为第i个蓄热式电采暖设备从电网购买的电量，
Figure BDA00032998661500000314
为供电区域碳排放系数基准值。
可选的，确定所述多目标优化模型的约束条件，具体包括：
确定风电出力约束为0≤Pwp,t≤Pwp；其中，Pwp,t为t时刻风电场实时出力，Pwp为t时刻风电场预测功率出力上限；
确定线路传输容量约束为|Pcs,t|≤Pcs,max；其中，Pcs,t为t时刻线路传输功率的实际值，Pcs,max为线路传输功率的最大值；
确定功率平衡约束为
Figure BDA0003299866150000035
和
Figure BDA0003299866150000036
其中，
Figure BDA0003299866150000037
为t时刻弃风功率，
Figure BDA0003299866150000038
为t时刻弃风功率不能满足供热需求时从电网购买电量的电功率，
Figure BDA0003299866150000039
为t时刻储热系统的充电功率，
Figure BDA00032998661500000310
为t时刻电锅炉的运行功率，
Figure BDA00032998661500000311
为t时刻电锅炉产生的热量，
Figure BDA00032998661500000312
为t时刻直接供给供热公司的热量，
Figure BDA00032998661500000313
分别为t时刻系统向蓄热装置储存、释放的热量，
Figure BDA0003299866150000041
为t时刻系统的供热量；
确定蓄热式电锅炉运行约束为
Figure BDA0003299866150000042
其中，Peb,t为t时刻蓄热式电锅炉用电功率，Peb,max为蓄热式电锅炉用电功率上限，Stc,T、Stc,0分别为储热装置的终止容量和初始容量，Stc,t为t时刻蓄热式电锅炉蓄热容量，Stc,min、Stc,max分别为稳定运行条件下的最小和最大容量，Ptc,in,t、Ptc,out,t分别为t时刻电锅炉的吸、放热功率，ηtc,in、ηtc,out分别为t时刻电锅炉的吸、放热效率，Stc,R为储热装置的额定容量。
可选的，根据所述多目标优化模型和帕累托解集，采用基于联系度改进的 TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解，具体包括：
确定所述多目标优化模型中最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数的权重，并获得赋予权重后的多目标优化模型；
根据帕累托解集和赋予权重后的多目标优化模型，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
一种蓄热式电采暖参与风电消纳的多目标优化系统，所述系统包括：
多目标优化模型构建模块，用于构建蓄热式电采暖参与风电消纳的多目标优化模型；所述多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数；
约束条件确定模块，用于确定所述多目标优化模型的约束条件；所述约束条件包括风电出力约束、线路传输容量约束、功率平衡约束和蓄热式电锅炉运行约束；
帕累托解集获得模块，用于依据所述约束条件，利用NSGA-III算法对所述多目标优化模型进行求解，获得帕累托解集；所述帕累托解集中的每组解包含最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数中变量的解；
多目标最优解获得模块，用于根据所述多目标优化模型和帕累托解集，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
可选的，所述多目标优化模型构建模块，具体包括：
最大风电消纳目标函数建立子模块，用于建立最大风电消纳目标函数为
Figure BDA0003299866150000051
其中，F1为风电消纳量，Pg,t为t时刻蓄热式电采暖设备直接加热的电功率，Ph,t为t时刻蓄热式电采暖设备存入蓄热罐内所耗的功率， N为蓄热式电采暖设备的数量；
最小蓄热式电采暖运行成本目标函数建立子模块，用于建立最小蓄热式电采暖运行成本目标函数为
Figure BDA0003299866150000052
其中， F2为运行成本，CG,t为电网t时刻电价，PG,t为t时刻蓄热式电采暖设备的运行功率，C1为蓄热式电采暖设备储热部分的单位功率运行维护成本，C2为蓄热式电采暖设备电热转换部分的单位功率运行维护成本，P1,t为蓄热式电采暖设备的充电功率，P2,t为蓄热电采暖设备的放热功率，Cb,i为第i个蓄热式电采暖设备的补贴价格，fi为第i个蓄热式电采暖设备关于用电总量和政府补贴政策的函数，P3,i为第i个蓄热式电采暖设备的功率输出值；
最低系统碳排放量目标函数建立子模块，用于建立最低系统碳排放量目标函数为
Figure BDA0003299866150000053
其中，F3为碳排放量，
Figure BDA0003299866150000054
为t时刻第j台热电机组产生的发电功率，uj、vj、wj分别为第j台热电机组的碳排放系数，N′为产生碳排放的设备数量，Pe,b为蓄热式电锅炉不同时刻释放的热功率，η1为设备发热效率，λt 为设备供热时碳排放系数，Ppower,i为第i个蓄热式电采暖设备从电网购买的电量，
Figure BDA0003299866150000055
为供电区域碳排放系数基准值。
可选的，所述约束条件确定模块，具体包括：
风电出力约束确定子模块，用于确定风电出力约束为0≤Pwp,t≤Pwp；其中， Pwp,t为t时刻风电场实时出力，Pwp为t时刻风电场预测功率出力上限；
线路传输容量约束确定子模块，用于确定线路传输容量约束为|Pcs,t|≤Pcs,max；其中，Pcs,t为t时刻线路传输功率的实际值，Pcs,max为线路传输功率的最大值；
功率平衡约束确定子模块，用于确定功率平衡约束为
Figure BDA0003299866150000061
和
Figure BDA0003299866150000062
其中，
Figure BDA0003299866150000063
为t时刻弃风功率，
Figure BDA0003299866150000064
为t时刻弃风功率不能满足供热需求时从电网购买电量的电功率，
Figure BDA0003299866150000065
为t时刻储热系统的充电功率，
Figure BDA0003299866150000066
为t时刻电锅炉的运行功率，
Figure BDA0003299866150000067
为t时刻电锅炉产生的热量，
Figure BDA0003299866150000068
为t时刻直接供给供热公司的热量，
Figure BDA0003299866150000069
分别为t时刻系统向蓄热装置储存、释放的热量，
Figure BDA00032998661500000610
为t时刻系统的供热量；
蓄热式电锅炉运行约束确定子模块，用于确定蓄热式电锅炉运行约束为
Figure BDA00032998661500000611
其中，Peb,t为t时刻蓄热式电锅炉用电功率，Peb,max为蓄热式电锅炉用电功率上限，Stc,T、Stc,0分别为储热装置的终止容量和初始容量，Stc,t为t时刻蓄热式电锅炉蓄热容量，Stc,min、Stc,max分别为稳定运行条件下的最小和最大容量，Ptc,in,t、Ptc,out,t分别为t时刻电锅炉的吸、放热功率，ηtc,in、ηtc,out分别为t时刻电锅炉的吸、放热效率，Stc,R为储热装置的额定容量。
可选的，所述多目标最优解获得模块，具体包括：
权重赋予子模块，用于确定所述多目标优化模型中最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数的权重，并获得赋予权重后的多目标优化模型；
多目标最优解确定子模块，用于根据帕累托解集和赋予权重后的多目标优化模型，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种蓄热式电采暖参与风电消纳的多目标优化方法及系统，构建蓄热式电采暖参与风电消纳的多目标优化模型，多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数，解决了现有蓄热式电采暖参与风电消纳研究主要集中在效益评估与经济性上，且目标函数具有单一性等问题；利用NSGA-III算法对蓄热式电采暖参与风电消纳的多目标模型进行求解，在算法方面，当处理高维多目标优化问题时，解决了传统算法存在收敛性及求解效率不足等问题。本发明提高了优化效率和风电消纳的能力，并有效减少碳排放，降低设备运行成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种蓄热式电采暖参与风电消纳的多目标优化方法的流程图；
图2为本发明提供的蓄热电锅炉运行系统图；
图3为本发明提供的蓄热式电采暖参与风电消纳的运行机理；
图4为本发明提供的PMV指标与用户舒适度的关系；
图5为本发明提供的NSGA-III算法求解流程图；
图6为本发明具体实施例提供的热负荷与风电预测功率图；
图7为本发明具体实施例提供的M＝2时算法的收敛曲线；
图8为本发明具体实施例提供的M＝2时pareto的解集示意图；
图9为本发明具体实施例提供的M＝3时算法的收敛曲线；
图10为本发明具体实施例提供的M＝3时pareto的解集示意图；
图11为本发明具体实施例提供的优化调度的三维帕累托解集示意图；
图12为本发明具体实施例提供的考虑热舒适度前后室内温度变化曲线。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种蓄热式电采暖参与风电消纳的多目标优化方法及系统，以有效减少碳排放，提高风电消纳的能力及降低设备运行成本。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的蓄热式电采暖设备主要介绍蓄热式电锅炉，供热系统结构主要包括电锅炉、蓄热水箱、热交换器、循环水泵等设备组成。其中电锅炉采用分量蓄热的工作方式，即次日供热所需的热量在前一天夜晚用电低谷时段由供电系统加热水箱，并将热量储存在蓄热罐内。其主要由锅炉本体、配套的供电系统柜、自控设备、管道阀门等构成。其中锅炉本体还包含了电极加热和辅助加热系统，出口水温可根据外部需要进行调节。其特点主要有：启动迅速、负荷调节方便、在供热的同时还能蓄热，能量利用率高。蓄热水箱主要起到蓄热的作用，因此需有专门的保温和防护措施。保温材料一般选择岩棉或者矿棉，材料铺设厚度应经过经济技术比较后确定。热交换器用于电热交换，通过循环水泵加速冷热水循环。锅炉内部的水通过强制循环或自动循环输送到储热容器中进行加热，将其转换成热水，同时蓄热，并使用蓄热体进行加热。其工作原理如图2所示。
通过调节阀门的开闭状态，可以改变蓄热电锅炉的工作方式。当阀门V2、 V3、V6、V7开启，其余阀门关闭时，电锅炉向蓄热水箱加热，将热量储存在水箱中；当阀门V1、V4、V6、V7开启，其余阀门关闭时，蓄热水箱向用户放热供暖；当阀门V2、V5开启，其余阀门关闭时，由电锅炉直接将热量送往用户，完成供热。
随着新能源发电的逐渐普及，新能源发电的比重不断提高，提高电网对新能源的消纳能力显得尤为重要。传统的电力负荷通常白天较高，晚上较低。虽然风电没有遵循明显的波动规律，但在用电负荷较低的夜间，发电量通常较高。由于风电具有随机性，当功率超过功耗限值时，风电将被禁止并网。当风力发电量高时，增加电力消耗是解决风力减少问题的最佳方法之一。蓄热电锅炉是一种新型蓄热设备，具有高效、安全、无污染的特点，它是增加夜间用电量的有效途径。一方面蓄热电锅炉可以在极大程度上解决电网峰谷平衡问题，在夜间用电低谷时期利用风电对电锅炉加热，并将热量储存，不仅可以解决夜晚用户的供热问题，还能在次日用电高峰时期有热负荷需求时将热量释放，实现用户侧用电的削峰填谷，极大提高了分布式能源的消纳能力，解决了目前大量存在的电力过剩，冬季弃风弃光的现象。另一方面，由于目前电力系统供电负荷普遍存在较大的谷峰差异，这将导致在用电低谷时期需关停掉大部分发电机组，这不仅造成了机组资源的浪费，频繁的启停机组还会造成大量的能源耗费、降低机组的使用寿命等。最后在用户满足用电、温度舒适度情况下，灵活参与电力需求响应，并听从调度安排。蓄热式电采暖参与风电消纳的运行机理如图3 所示。
本发明提供了一种蓄热式电采暖参与风电消纳的多目标优化方法，如图1 所示，方法包括：
步骤101，构建蓄热式电采暖参与风电消纳的多目标优化模型；多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数。
具体包括：
建立最大风电消纳目标函数为
Figure BDA0003299866150000091
其中，F1为风电消纳量，Pg,t为t时刻蓄热式电采暖设备直接加热的电功率，Ph,t为t时刻蓄热式电采暖设备存入蓄热罐内所耗的功率，N为蓄热式电采暖设备的数量；
建立最小蓄热式电采暖运行成本目标函数为
Figure BDA0003299866150000092
其中，F2为运行成本，CG,t为电网t时刻电价，PG,t为t时刻蓄热式电采暖设备的运行功率，C1为蓄热式电采暖设备储热部分的单位功率运行维护成本，C2为蓄热式电采暖设备电热转换部分的单位功率运行维护成本，P1,t为蓄热式电采暖设备的充电功率，P2,t为蓄热电采暖设备的放热功率，Cb,i为第i个蓄热式电采暖设备的补贴价格，fi为第i个蓄热式电采暖设备关于用电总量和政府补贴政策的函数，P3,i为第i个蓄热式电采暖设备的功率输出值；
建立最低系统碳排放量目标函数为
Figure BDA0003299866150000093
其中，F3为碳排放量，
Figure BDA0003299866150000094
为t时刻第j台热电机组产生的发电功率，uj、vj、wj分别为第j台热电机组的碳排放系数，N′为产生碳排放的设备数量，Pe,b为蓄热式电锅炉不同时刻释放的热功率，η1为设备发热效率，λt 为设备供热时碳排放系数，Ppower,i为第i个蓄热式电采暖设备从电网购买的电量，
Figure BDA00032998661500001012
为供电区域碳排放系数基准值。
步骤102，确定多目标优化模型的约束条件；约束条件包括风电出力约束、线路传输容量约束、功率平衡约束和蓄热式电锅炉运行约束。
具体包括：
确定风电出力约束为0≤Pwp,t≤Pwp；其中，Pwp,t为t时刻风电场实时出力，Pwp为t时刻风电场预测功率出力上限；
确定线路传输容量约束为|Pcs,t|≤Pcs,max；其中，Pcs,t为t时刻线路传输功率的实际值，Pcs,max为线路传输功率的最大值；
确定功率平衡约束为
Figure BDA0003299866150000101
和
Figure BDA0003299866150000102
其中，
Figure BDA0003299866150000103
为t时刻弃风功率，
Figure BDA0003299866150000104
为t时刻弃风功率不能满足供热需求时从电网购买电量的电功率，
Figure BDA0003299866150000105
为t时刻储热系统的充电功率，
Figure BDA0003299866150000106
为t时刻电锅炉的运行功率，
Figure BDA0003299866150000107
为t时刻电锅炉产生的热量，
Figure BDA0003299866150000108
为t时刻直接供给供热公司的热量，
Figure BDA0003299866150000109
分别为t时刻系统向蓄热装置储存、释放的热量，
Figure BDA00032998661500001010
为t时刻系统的供热量；
确定蓄热式电锅炉运行约束为
Figure BDA00032998661500001011
其中，Peb,t为t时刻蓄热式电锅炉用电功率，Peb,max为蓄热式电锅炉用电功率上限，Stc,T、Stc,0分别为储热装置的终止容量和初始容量，Stc,t为t时刻蓄热式电锅炉蓄热容量，Stc,min、Stc,max分别为稳定运行条件下的最小和最大容量，Ptc,in,t、Ptc,out,t分别为t时刻电锅炉的吸、放热功率，ηtc,in、ηtc,out分别为t时刻电锅炉的吸、放热效率，Stc,R为储热装置的额定容量。
步骤103，依据约束条件，利用NSGA-III算法对多目标优化模型进行求解，获得帕累托解集；帕累托解集中的每组解包含最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数中变量的解。
步骤104，根据多目标优化模型和帕累托解集，采用基于联系度改进的 TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
具体包括：
确定多目标优化模型中最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数的权重，并获得赋予权重后的多目标优化模型；
根据帕累托解集和赋予权重后的多目标优化模型，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
本发明的具体实现过程如下：
步骤一，构建了蓄热式电采暖参与风电消纳的多目标模型，包括了风电消纳最大、运行成本最小和碳排放量最低的目标函数。
(1)风电消纳最大
当风电超过电网允许接入新能源时的承载容量上限时，系统无法将新能源全部消纳，会造成严重的弃风现象。本发明结合蓄热式电采暖设备的特性，以风电弃风消纳最大为目标，目标函数如下：
Figure BDA0003299866150000111
式中：Pg,t为t时刻蓄热式电采暖设备直接加热的电功率，Ph,t为t时刻蓄热式电采暖设备存入蓄热罐内所耗的功率，N为蓄热式电采暖设备的数量。
(2)运行成本最小
以蓄热式电采暖运行成本最小为本发明的第二个目标函数，运行成本主要包括购电费用、取暖补贴、蓄热式电采暖设备运行维护费用，目标函数如下：
Figure BDA0003299866150000112
式中：CG,t为电网t时刻电价，PG,t为t时刻蓄热式电采暖设备的运行功率，C1为蓄热式电采暖设备储热部分的单位功率运行维护成本，C2为蓄热式电采暖设备电热转换部分的单位功率运行维护成本，P1,t为蓄热式电采暖设备的充电功率， P2,t为蓄热电采暖设备的放热功率，Cb,i为第i个蓄热式电采暖设备的补贴价格， fi为第i个蓄热式电采暖设备关于用电总量和政府补贴政策的函数，P3,i为第i个蓄热式电采暖设备的功率输出值。
(3)碳排放量最低
以碳排放量最低为本发明的第三个目标函数，当蓄热式电采暖未参与时，热电机组与风电等能源会产生碳排放，当蓄热式电采暖参与时，蓄热式电采暖设备工作时产生碳排放，且影响热电机组的出力，同时从公用电网购买电力时也要考虑碳排放。目标函数如下：
Figure BDA0003299866150000121
式中：Pi t为t时刻第i台热电机组产生的发电功率，MW；ui、vi、wi为第i台机组的碳排放系数；N为产生碳排放的设备数量；Pe,b为蓄热式电锅炉不同时刻释放的热功率；η1为设备发热效率；λt 为设备供热时碳排放系数；Ppower为蓄热式电采暖设备从电网购买的电量；
Figure BDA00032998661500001211
为供电区域碳排放系数基准值。
步骤二，蓄热式电采暖参与风电消纳的多目标模型具有多个约束条件
根据式(1)-(3)可以确定蓄热式电采暖参与风电消纳的多目标函数，为了保证系统运行的稳定型，还需满足以下约束条件，具体包括风电出力约束，线路传输容量约束、功率平衡约束、蓄热式电锅炉运行约束及舒适度约束等。
(1)风电出力约束：
0≤Pwp,t≤Pwp (4)
式中：Pwp,t为t时刻风电场实时出力，Pwp为t时刻风电场预测功率出力上限。
(2)线路传输容量约束：
|Pcs,t|≤Pcs,max (5)
式中：Pcs,t为t时刻线路传输功率的实际值，Pcs,max为线路传输功率的最大值。
(3)功率平衡约束：
电功率、热功率平衡约束如下：
Figure BDA0003299866150000122
Figure BDA0003299866150000123
式中：
Figure BDA0003299866150000124
为t时刻弃风功率，
Figure BDA0003299866150000125
为弃风功率不能满足供热需求时从电网购买电量的电功率，
Figure BDA0003299866150000126
为t时刻储热系统的充电功率，
Figure BDA0003299866150000127
为t时刻电锅炉的运行功率，
Figure BDA0003299866150000128
为t时刻电锅炉产生的热量，
Figure BDA0003299866150000129
为t时刻直接供给供热公司的热量，
Figure BDA00032998661500001210
Figure BDA0003299866150000131
分别为t时刻系统向蓄热装置储存、释放的热量。
(4)蓄热式电锅炉运行约束：
电锅炉与储热装置运行约束如下：
Figure BDA0003299866150000132
式中：Peb,t为t时刻蓄热式电锅炉用电功率，Peb,max为蓄热式电锅炉用电功率上限，Stc,T，Stc,0分别为储热装置的终止容量和初始容量，Stc,t为t时刻蓄热式电锅炉蓄热容量，Stc,min、Stc,max分别为稳定运行条件下的最小和最大容量，Ptc,in,t、Ptc,out,t、ηtc,in、ηtc,out分别为t时刻电锅炉的吸放热功率及效率，Stc,R为储热装置的额定容量。
步骤三，利用NSGA-III算法对多目标优化模型进行求解
为了使多目标优化模型的求解同时兼顾精度、效率和科学性等方面，采用 NSGA-III算法对多目标优化模型进行求解。
(1)NSGA-III算法
NSGA-III算法利用非支配排序法可以解决多维目标优化的问题。 NSGA-III算法的选择机制不同于NSGA-II算法。NSGA-II算法通过拥挤距离法对种群进行排序，从而选择个体，所得到的解分散分布于非支配层，不利于种群选择的多样性。NSGA-III算法通过选择参考点的位置，保证了种群的多样性，处理多目标问题时，也具有很高的收敛性。本发明选择NSGA-III算法解决含蓄热式电采暖参与风电消纳的多目标优化问题。
(2)NSGA-III算法求解步骤
NSGA-III算法求解流程图如图5所示，具体求解步骤如下：
1)对种群的总迭代次数、重组率、变异率等参数进行初始化。
2)初始化种群pt，设置迭代次数初始值为0。
3)基于各维度目标函数个数生成分布均匀的参考点，参考点生成方法如下：
①定义目标维度为M，每个目标划分成H份，sij∈S1为外层参考点集合， s′ij∈S2为内层参考点集合；
②令
Figure BDA0003299866150000141
Figure BDA0003299866150000142
对于所有的sij∈S1和xij∈X，可求得外层参考点集合：
Figure BDA0003299866150000143
③基于所求得的外层参考点集合S1，可求得内层参考点：
Figure BDA0003299866150000144
④合并内层与外层参考点集合，得到最终的参考点集合：S＝S1∪S2。
4)计算种群个体的适应度，并根据模型的约束处理规则修复种群中越界个体；
5)利用交叉变异操作生成子代种群Qt，计算每个子代种群中个体的适应度，并根据约束规则修复种群中的越界个体；
6)将种群Pt与子代种群Qt进行合并，合并后的种群规模为2N；
7)将合并后的种群进行快速非支配排序，得到若干非支配层F1,F2,F3,…FL；
8)将优先级较高的非支配层加入下一代种群，直到将第L层的全部个体都选择到下一种群中，若下一代种群规模等于N则执行11)；若下一代种群规模大于N，则执行9)；
9)将前L层的个体进行归一化处理，使其取值在[0,1]之间，目标函数的归一化方法：
①定义M为优化目标的数目，令j∈{1,2,…,m}；
②首先计算本代种群所有目标方向上的最小值，生成理想点
Figure BDA0003299866150000145
③进行目标函数转换，使所有个体的目标值都减去理想点的值，得到
Figure BDA0003299866150000146
④通过
Figure BDA0003299866150000147
求出额外目标向量zi,max。这M个额外向量构成了线性超平面并得出截距ai，i＝1,…,M，则目标函数最终被归一化为
Figure BDA0003299866150000148
10)计算前L层所有个体与参考点的垂直距离，找到与每个个体相关联的参考点，若个体到某个参考点的垂直距离最小，则认为该个体与该参考点相关联。计算第j个参考点的小生境，并基于此从L层中选择K个个体进入下一代种群，使种群规模等于N，同时迭代次数增1，基于参考点的个体选择方法：
①令k＝1，K为需要寻找的最后一个前沿面个体的个数，定义ρj为前L-1层中与第j个参考点相关联的个体的数目；
②最小生境的参考点集合
Figure BDA0003299866150000151
Figure BDA0003299866150000152
为集合中的任意一个取得小生境的参考点；基于该参考点求出与第L层个体相关联的个体集合Ij；
③若第L层没有个体与参考点相关联，即Ij为空集，则该代中不考虑参考点j，否则考虑两种情况：
若前L-1层无个体与第j个参考点关联，而第L层中至少有一个个体与第j 个参考点相关，则将与第j个参考点垂直距离最短的个体选择到下一代中，且第j个参考点相关的小生境数增加1，即ρj＝ρj+1；
若前L-1层至少有一个个体与第j个参考点关联，则随机从L层中选择一个个体添加到下一代中且第j个参考点相关的小生境数增加1，即ρj＝ρj+1；
④令k＝k+1，判断是否k≤K，若是则重复②至④，否则，输出选择操作后的种群。
11)判断是否达到设定的迭代次数，若是则终止迭代；否则重复5)-10)。
步骤四，建立算法性能评价指标
为了验证本发明所提的NSGA-III算法应用在高维度目标函数的有效性，通过对比NSGA-II算法来评估其性能。因此本发明提出了世代距离和反转世代距离指标，其中世代距离指标用来求解非支配解集到pareto前沿的平均最小欧式距离，收敛性是否最优取决于世代距离指标的大小，世代距离指标值越大，收敛性越差，反之。反转世代距离指标用来求解pareto前沿中所有解与非支配解的平均欧式距离，收敛性与多样性是否最优取决于反转世代距离指标的大小，反转世代距离指标值越小，收敛性与多样性则为最优。公式如下所示：
Figure BDA0003299866150000153
Figure BDA0003299866150000161
式中：d(x*,X)为解x*∈P*到X中的最小欧式距离，|P|和|P*|分别为解的个数。
此外，利用NSGA-III算法对多目标优化模型求解得到一组pareto(帕累托)的最优解集，综合考虑各方面因素，从最优解集中寻求最优解以满足优化调度的结果。结合基于联系度改进的TOPSIS，对每个目标函数赋上不同的权重值，最终得到优化目标与理想解的联系向量距离较近，与负理想点联系向量距离就较远的最优解。
本发明还可以进一步考虑用户舒适度的电、热需求响应，在满足用户舒适度前提下充分挖掘电、热需求响应潜力。
首先构建考虑用户舒适度的需求响应模型，包括用电舒适度以及温度舒适度的电力需求响应。
(1)用电舒适度
不同时段的用电量和激励措施与用户舒适度密切相关。一般来说，影响用户用电舒适度的因素分为两种情况。一方面，当用户不参与需求响应时，在电价波动相对平稳的状态下，将以满意度最大的用电方式，制定相应合理的用电计划，此时用户的用电舒适度为最优。另一方面，当用户参与需求响应时，改变了用户原有的用电方式，电力负荷将随着用户参与需求响应而发生变化。本发明根据用户的实际用电曲线与舒适度最大值来构建数学模型，从而计算用户的用电舒适度值，具体如公式11如下。
Figure BDA0003299866150000162
式中：r为用户的用电舒适度，取值范围为[0,1],r＝1时代表用户未参与需求响应，此时用户的用电舒适度最高。r＝0时代表用户可改变用电方式，接受其调度。T为调度总时段，本发明取24h。|ΔPt DR|为不同时段用户参与需求响应电负荷改变量绝对值的和，ΔPt为预测总用电量。
(2)温度舒适度
以往研究大多数只从温度角度衡量用户舒适度，且忽略了用户舒适度对用户实际参与需求响应决策的影响。由于考虑因素维度不全，难以全面反映用户的舒适度感觉，为了更好的采用蓄热式电采暖发挥出削峰填谷的特性，考虑到用户对室内环境温度的感知具有一定的模糊性，本发明采用热感觉平均标度预测指标(PMV)，来分析人体对室内温度的敏感程度，并基于体温调节与热舒适理论提出的舒适度方程，几乎包含了所有影响人体舒适度的因素，PMV公式如下：
Figure BDA0003299866150000171
式中：M为人体新陈代谢率，具有静态特性，取值范围为[58,100]W/m2。W为用户产生的机械功。pa为水蒸气分压力。ta为空气温度，具有动态特性，取值范围为[22,30]℃，fc1为衣着系数。tc1为人体表面温度，
Figure BDA0003299866150000173
为平均辐射温度，具有动态特性，取值范围为[10,40]℃，hc为热传递系数。
PMV舒适度指标是一个综合性指标，是影响人体舒适度的空气温度、湿度，流速、人体着装、活动状态等多维参数共同作用下的综合结果，通过计算将人体舒适度综合量化在[-3,3]的区间内。根据定义，当PMV＝0时用户感觉最舒适，而随着PMV值偏离PMV＝0程度越大，人体的舒适度感觉越低，具体关系如图4所示。
为了体现出用户舒适度指标与温度之间的关系，在满足外界因素在舒适度水平范围内，PMV取值取决于不同时刻的温度，μPMV与温度T的关系如公式 13所示:
Figure BDA0003299866150000172
当室内温度保持在26℃时，μPMV＝0，此时用户温度舒适度最高，表明用户对温度的敏感性较低，用户在采暖期间负荷调节空间最大。且根据ISO7730 推荐的PMV取值范围为[-0.5,0.5]，与之对应的室内温度则在24.8℃和27.3℃范围之内。
其次，建立舒适度约束：
本发明中用户舒适度主要分为用电舒适度和温度舒适度两类，其约束分别为：
1)用电舒适度约束
Figure BDA0003299866150000181
式中：λt为不同时刻可调节负荷的启停状态；M、a、b分别为可调节负荷最小运行时间和可调度时段的取值范围；Pmax为可调节负荷的最大值，且与用户用电舒适度有关。
2)温度舒适度约束
本发明采用PMV指标来体现用户在采暖时可接受的温度范围，从而合理的设置温度值。采暖期间，设定室内温度的舒适范围，电采暖设备释放的热量与室内温度的关系如公式所示：
Figure BDA0003299866150000182
式中：Pt reh为REH运行时释放的热功率；ρ为空气的比热容；R为建筑材料热阻的导数；Tmax、Tmin分别为室内温度取值范围，其值与舒适度的选择有关；
Figure BDA0003299866150000183
分别为PMV指标取值范围。
本发明建立以风电消纳最大、运行成本最小、碳排放量最低为目标的优化模型，并采用NSGA-III算法对模型进行求解，基于某电网的实际数据进行仿真，结果表明有效减少了碳排放，提高了风电消纳的能力及设备运行经济性，验证了所提模型和算法的有效性。
构建蓄热式电采暖参与风电消纳的多目标模型，解决了现有蓄热式电采暖参与风电消纳研究主要集中在效益评估与经济性上，且目标函数具有单一性等问题。
利用NSGA-III算法对蓄热式电采暖参与风电消纳的多目标模型进行求解，在算法方面，当处理高维多目标优化问题时，解决了传统算法存在收敛性及求解效率不足等问题。
下面将结合实际应用案例说明本发明的蓄热式电采暖参与风电消纳的多目标优化方法的有效性。
由于我国各地区新能源的发展情况不同，导致不同风电场弃风原因也存在差异，以某地区风电资源较为丰富的风电场为例，风电场有130台1.5MW风机，额定功率为198MW，供热期为183天，由风电场在2018-2019年供热期风电实测出力与弃风功率可以得出，在供热期内，弃风功率在50MW以下，占全年弃风功率的比重最大，由于风电具有较强的随机性与波动性，无法准确预测其出力，在供热期内存在着大量的弃风现象。因此，本发明选取调度周期为24小时，热电机组为两台，机组信息如表1所示。风电预测功率及热点机组功率如图6所示，选取蓄热式电采暖设备参与风电消纳，热效率为95％-98％，最高蓄热温度为800℃，蓄热时间为23:00到次日8:00的九小时低谷电时段，加热功率为30MW、蓄热量为500GJ的蓄热装置，供电区域碳排放系数
Figure BDA0003299866150000193
为 0.8244kg/kWh，实时电价采用峰谷电价的方式，峰时段8：00-12：00，14：00-21： 00，电价为0.80405元/(kWh)；平时电价为0.5497元/(kWh)；谷时段0：00-5： 00，电价为0.329元/(kWh)。
表1机组信息
Figure BDA0003299866150000191
本发明根据选取DTLZ1，DTLZ2函数作为算法测试函数，分别对NSGA-II 算法和NSGA-III算法进行测试，通过采用NSGA-II算法与所提的NSGA-III 算法的收敛性与多样性指标进行对比分析，得出适应本发明所建立的三目标函数的最优求解算法。参数设置如下：种群规模为N＝100，变异概率为1/D，交叉概率为1.0，分别测试三组实验M＝2,3,5，结果如表2-3所示。
表2多目标算法评价指标世代距离对比表
Figure BDA0003299866150000192
表3多目标算法评价指标反转世代距离对比表
Figure BDA0003299866150000201
从表中可以看出，以DTLZ1，DTLZ2为测试函数，当目标函数M＝2时， NSGA-II算法和NSGA-III算法在收敛性指标与多样性指标结果几乎相同，此时，可任意选择这两种算法进行求解，若目标函数的维度为3时，NSGA-III 算法比NSGA-II算法的收敛性指标与多样性指标结果都小，说明在处理三维指标时，NSGA-III算法比NSGA-II算法有更好的性能，且目标函数的维度大于3时，结果证明NSGA-III算法适合处理高维多目标优化问题。
为了更好的验证NSGA-III算法的性能及可行性，将NSGA-III算法与 NSGA-II算法的收敛性对比分析，以及求解NSGA-III算法与NSGA-II算法的 pareto的解，参数设置：初始种群N＝120，最大迭代次数为280，交叉概率为 1.0，目标函数维度M＝2,3，这两种情景的收敛曲线及pareto解如下所示：
从图7-8中可以看出，当利用NSGA-III算法与NSGA-II算法求解两维度目标函数时，两种算法在指标收敛性以及pareto解集分布均匀程度几乎相同，无实质性差别。从图9中可以看出，当NSGA-III算法与NSGA-II算法求解三目标函数时，NSGA-III算法在迭代至46次时，收敛至最佳适应度为0.841，NSGA-II算法在迭代至49次时才收敛，表明与NSGA-II算法相比，NSGA-III 算法在收敛速度方面较快，从图10中可以看出，在求解测试函数M＝3时，NSGA-III算法有更均匀的帕累托前沿分布，且NSGA-III算法分布范围更广，绝大部分实际解均被包含在内，因此，应用NSGA-III算法求解本发明所构建的目标函数模型，能更好的解决三维度目标函数优化问题。
根据NSGA-III算法的计算流程对本发明所建立的多目标优化模型进行求解，得到包含158个解的优化调度帕累托解集，且风电消纳、设备运行成本、及系统碳排放量这3个目标函数间存在着耦合关系，为同时考虑风电消纳、经济性、以及碳排放量指标，在帕累托前沿中寻找优化目标与理想解的联系向量距离无限接近的解，优化调度后的三维帕累托解集如图11所示，基于联系度改进的TOPSIS计算帕累托前沿解集，对目标函数的权重设置，最终求得最为理想的多目标折中解，具体如表4-5所示。
表4多目标函数的最优权重
Figure BDA0003299866150000211
表5多目标优化调度结果比较
Figure BDA0003299866150000212
通过分析表中的数据结果可以看出，当风电消纳量最大时，设备的运行成本最大，原因在于为了消纳更多的风电，电采暖设备会持续增大加热功率，增加了设备的运行维护成本，且峰时段电价较高，设备需要向电网购买电量，也增大了设备的用电成本。当设备运行成本最小时，风电消纳量最小以及系统总排放量最高，原因在于电采暖设备为了减少购电量以及运行维护成本，会选择在谷时段电价较低时，设备开始运行，未在风电出力较大时段时增加设备的制热功率，影响了风电消纳。且“低频率”的使用电采暖设备，导致热负荷不能满足用户的供热需求，需要从供热公司购买热量，增加了热电机组运行时产生的煤耗，加大了二氧化碳的排放。当碳排放量最低时，主要是由电采暖设备向用户供热，减少了热电机组的出力，且系统寻优求解中热电厂会优先启用碳排放小但煤耗量大的机组，有效减少了碳排放。多目标优化的解，主要是同时兼顾风电消纳、设备运行成本、系统排放量三个指标，电力调度人员可根据工作的需求，综合评价方法，选择其最优的解。
未考虑用户舒适度时，用户室内始终保持常温为26℃，考虑用户舒适度时，由于蓄热式电采暖的工作特性，综合考虑分时电价的影响，通过在不同时段调节蓄热式电采暖设备的加热功率，使热负荷灵活匹配风电的出力，可有效提高风电的消纳量，降低设备的运行成本。且与以往的供热模式相比，由于蓄热式电采暖投入运行时，利用储存的热量向用户供热，减小了热电机组的出力，有效的减少了系统总碳排放量。
如图12所示，0-5时，电价处于谷时段，电采暖设备运行时经济性最优，且该时段新能源出力较大，升高室内温度，增大设备加热功率，可提高风电的消纳量。5-8时，电价由谷段转为平段，随着风电的出力逐步下降，电采暖设备加热功率逐步下降，但为了在峰时段8：00-12：00高电价来临之前，在谷时段增大电采暖设备的加热功率，提前升高室内温度，以降低峰时段设备的用电成本。在8：00-12：00和14：00-21：00时，降低电采暖设备的加热功率，减少其设备的运行成本。12：00-14：00时，风电出力增大，在舒适度范围内增加电锅炉的加热功率，升高室内温度，增加风电的消纳率，同时也为了14： 00-21：00高电价来临之前，提前升高室内温度，以降低峰时段设备的用电成本。21：00-0：00时，电价转为谷时段，此时为了满足用户对舒适度的要求以及风电出力增大，可增加设备的加热功率，提高其新能源消纳量。
为具体分析用户舒适度对多目标优化结果的影响，本发明设定4种情景，情景一：未考虑用户舒适度，情景二：考虑用户舒适度，且μPMV＝0.5，r＝0.92。情景三：考虑用户舒适度，且μPMV＝0.3，r＝0.92，情景四：考虑用户舒适度，且μPMV＝0.5，r＝0.88。对比4种调度结果，具体如表6所示。
表6不同舒适度对蓄热式电采暖参与风电消纳的多目标优化影响分析
Figure BDA0003299866150000221
从表中的数据可以分析出，考虑用户舒适度的电、热负荷需求响应对蓄热式电采暖参与风电消纳的风电消纳、设备运行成本、系统碳排放量指标均产生了积极的影响。首先，情景一与情景四相比，风电消纳量提升了1960kWh，设备运行成本降低约400元，碳排放量减少了2073公斤。其次，当μPMV不变时，用电舒适度越小，和当r不变时，温度舒适度越低，此时，风电消纳能力越强，设备运行经济性最优，且有效降低了系统碳排放量。
本发明还提供了一种蓄热式电采暖参与风电消纳的多目标优化系统，系统包括：
多目标优化模型构建模块，用于构建蓄热式电采暖参与风电消纳的多目标优化模型；多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数；
约束条件确定模块，用于确定多目标优化模型的约束条件；约束条件包括风电出力约束、线路传输容量约束、功率平衡约束和蓄热式电锅炉运行约束；
帕累托解集获得模块，用于依据约束条件，利用NSGA-III算法对多目标优化模型进行求解，获得帕累托解集；帕累托解集中的每组解包含最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数中变量的解；
多目标最优解获得模块，用于根据多目标优化模型和帕累托解集，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
多目标优化模型构建模块，具体包括：
最大风电消纳目标函数建立子模块，用于建立最大风电消纳目标函数为
Figure BDA0003299866150000231
其中，F1为风电消纳量，Pg,t为t时刻蓄热式电采暖设备直接加热的电功率，Ph,t为t时刻蓄热式电采暖设备存入蓄热罐内所耗的功率， N为蓄热式电采暖设备的数量；
最小蓄热式电采暖运行成本目标函数建立子模块，用于建立最小蓄热式电采暖运行成本目标函数为
Figure BDA0003299866150000232
其中， F2为运行成本，CG,t为电网t时刻电价，PG,t为t时刻蓄热式电采暖设备的运行功率，C1为蓄热式电采暖设备储热部分的单位功率运行维护成本，C2为蓄热式电采暖设备电热转换部分的单位功率运行维护成本，P1,t为蓄热式电采暖设备的充电功率，P2,t为蓄热电采暖设备的放热功率，Cb,i为第i个蓄热式电采暖设备的补贴价格，fi为第i个蓄热式电采暖设备关于用电总量和政府补贴政策的函数，P3,i为第i个蓄热式电采暖设备的功率输出值；
最低系统碳排放量目标函数建立子模块，用于建立最低系统碳排放量目标函数为
Figure BDA0003299866150000241
其中，F3为碳排放量，
Figure BDA0003299866150000242
为t时刻第j台热电机组产生的发电功率，uj、vj、wj分别为第j台热电机组的碳排放系数，N′为产生碳排放的设备数量，Pe,b为蓄热式电锅炉不同时刻释放的热功率，η1为设备发热效率，λt 为设备供热时碳排放系数，Ppower,i为第i个蓄热式电采暖设备从电网购买的电量，
Figure BDA00032998661500002414
为供电区域碳排放系数基准值。
约束条件确定模块，具体包括：
风电出力约束确定子模块，用于确定风电出力约束为0≤Pwp,t≤Pwp；其中， Pwp,t为t时刻风电场实时出力，Pwp为t时刻风电场预测功率出力上限；
线路传输容量约束确定子模块，用于确定线路传输容量约束为|Pcs,t|≤Pcs,max；其中，Pcs,t为t时刻线路传输功率的实际值，Pcs,max为线路传输功率的最大值；
功率平衡约束确定子模块，用于确定功率平衡约束为
Figure BDA0003299866150000243
和
Figure BDA0003299866150000244
其中，
Figure BDA0003299866150000245
为t时刻弃风功率，
Figure BDA0003299866150000246
为t时刻弃风功率不能满足供热需求时从电网购买电量的电功率，
Figure BDA0003299866150000247
为t时刻储热系统的充电功率，
Figure BDA0003299866150000248
为t时刻电锅炉的运行功率，
Figure BDA0003299866150000249
为t时刻电锅炉产生的热量，
Figure BDA00032998661500002410
为t时刻直接供给供热公司的热量，
Figure BDA00032998661500002411
分别为t时刻系统向蓄热装置储存、释放的热量，
Figure BDA00032998661500002412
为t时刻系统的供热量；
蓄热式电锅炉运行约束确定子模块，用于确定蓄热式电锅炉运行约束为
Figure BDA00032998661500002413
其中，Peb,t为t时刻蓄热式电锅炉用电功率，Peb,max为蓄热式电锅炉用电功率上限，Stc,T、Stc,0分别为储热装置的终止容量和初始容量，Stc,t为t时刻蓄热式电锅炉蓄热容量，Stc,min、Stc,max分别为稳定运行条件下的最小和最大容量，Ptc,in,t、Ptc,out,t分别为t时刻电锅炉的吸、放热功率，ηtc,in、ηtc,out分别为t时刻电锅炉的吸、放热效率，Stc,R为储热装置的额定容量。
多目标最优解获得模块，具体包括：
权重赋予子模块，用于确定多目标优化模型中最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数的权重，并获得赋予权重后的多目标优化模型；
多目标最优解确定子模块，用于根据帕累托解集和赋予权重后的多目标优化模型，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种蓄热式电采暖参与风电消纳的多目标优化方法，其特征在于，所述方法包括：
构建蓄热式电采暖参与风电消纳的多目标优化模型；所述多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数；
确定所述多目标优化模型的约束条件；所述约束条件包括风电出力约束、线路传输容量约束、功率平衡约束和蓄热式电锅炉运行约束；
依据所述约束条件，利用NSGA-III算法对所述多目标优化模型进行求解，获得帕累托解集；所述帕累托解集中的每组解包含最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数中变量的解；
根据所述多目标优化模型和帕累托解集，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
2.根据权利要求1所述的蓄热式电采暖参与风电消纳的多目标优化方法，其特征在于，所述构建蓄热式电采暖参与风电消纳的多目标优化模型，具体包括：
建立最大风电消纳目标函数为
Figure FDA0003676496740000011
其中，F1为风电消纳量，Pg,t为t时刻蓄热式电采暖设备直接加热的电功率，Ph,t为t时刻蓄热式电采暖设备存入蓄热罐内所耗的功率，N为蓄热式电采暖设备的数量；
建立最小蓄热式电采暖运行成本目标函数为
Figure FDA0003676496740000012
其中，F2为运行成本，CG,t为电网t时刻电价，PG,t为t时刻蓄热式电采暖设备的运行功率，C1为蓄热式电采暖设备储热部分的单位功率运行维护成本，C2为蓄热式电采暖设备电热转换部分的单位功率运行维护成本，P1,t为蓄热式电采暖设备的充电功率，P2,t为蓄热电采暖设备的放热功率，Cb,i为第i个蓄热式电采暖设备的补贴价格，fi为第i个蓄热式电采暖设备关于用电总量和政府补贴政策的函数，P3,i为第i个蓄热式电采暖设备的功率输出值；
建立最低系统碳排放量目标函数为
Figure FDA0003676496740000021
其中，F3为碳排放量，
Figure FDA0003676496740000022
为t时刻第j台热电机组产生的发电功率，uj、vj、wj分别为第j台热电机组的碳排放系数，N′为产生碳排放的设备数量，Pe,b为蓄热式电锅炉不同时刻释放的热功率，η1为设备发热效率，λt为设备供热时碳排放系数，Ppower,i为第i个蓄热式电采暖设备从电网购买的电量，
Figure FDA00036764967400000214
为供电区域碳排放系数基准值。
3.根据权利要求1所述的蓄热式电采暖参与风电消纳的多目标优化方法，其特征在于，确定所述多目标优化模型的约束条件，具体包括：
确定风电出力约束为0≤Pwp,t≤Pwp；其中，Pwp,t为t时刻风电场实时出力，Pwp为t时刻风电场预测功率出力上限；
确定线路传输容量约束为|Pcs,t|≤Pcs,max；其中，Pcs,t为t时刻线路传输功率的实际值，Pcs,max为线路传输功率的最大值；
确定功率平衡约束为
Figure FDA0003676496740000023
和
Figure FDA0003676496740000024
其中，
Figure FDA0003676496740000025
为t时刻弃风功率，
Figure FDA0003676496740000026
为t时刻弃风功率不能满足供热需求时从电网购买电量的电功率，
Figure FDA0003676496740000027
为t时刻储热系统的充电功率，
Figure FDA0003676496740000028
为t时刻电锅炉的运行功率，
Figure FDA0003676496740000029
为t时刻电锅炉产生的热量，
Figure FDA00036764967400000210
为t时刻直接供给供热公司的热量，
Figure FDA00036764967400000211
分别为t时刻系统向蓄热装置储存、释放的热量，
Figure FDA00036764967400000212
为t时刻系统的供热量；
确定蓄热式电锅炉运行约束为
Figure FDA00036764967400000213
其中，Peb,t为t时刻蓄热式电锅炉用电功率，Peb,max为蓄热式电锅炉用电功率上限，Stc,T、Stc,0分别为储热装置的终止容量和初始容量，Stc,t为t时刻蓄热式电锅炉蓄热容量，Stc,min、Stc,max分别为稳定运行条件下的最小和最大容量，Ptc,in,t、Ptc,out,t分别为t时刻电锅炉的吸、放热功率，ηtc,in、ηtc,out分别为t时刻电锅炉的吸、放热效率，Stc,R为储热装置的额定容量。
4.根据权利要求1所述的蓄热式电采暖参与风电消纳的多目标优化方法，其特征在于，根据所述多目标优化模型和帕累托解集，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解，具体包括：
确定所述多目标优化模型中最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数的权重，并获得赋予权重后的多目标优化模型；
根据帕累托解集和赋予权重后的多目标优化模型，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
5.一种蓄热式电采暖参与风电消纳的多目标优化系统，其特征在于，所述系统包括：
多目标优化模型构建模块，用于构建蓄热式电采暖参与风电消纳的多目标优化模型；所述多目标优化模型包括最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数；
约束条件确定模块，用于确定所述多目标优化模型的约束条件；所述约束条件包括风电出力约束、线路传输容量约束、功率平衡约束和蓄热式电锅炉运行约束；
帕累托解集获得模块，用于依据所述约束条件，利用NSGA-III算法对所述多目标优化模型进行求解，获得帕累托解集；所述帕累托解集中的每组解包含最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数中变量的解；
多目标最优解获得模块，用于根据所述多目标优化模型和帕累托解集，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
6.根据权利要求5所述的蓄热式电采暖参与风电消纳的多目标优化系统，其特征在于，所述多目标优化模型构建模块，具体包括：
最大风电消纳目标函数建立子模块，用于建立最大风电消纳目标函数为
Figure FDA0003676496740000041
其中，F1为风电消纳量，Pg,t为t时刻蓄热式电采暖设备直接加热的电功率，Ph,t为t时刻蓄热式电采暖设备存入蓄热罐内所耗的功率，N为蓄热式电采暖设备的数量；
最小蓄热式电采暖运行成本目标函数建立子模块，用于建立最小蓄热式电采暖运行成本目标函数为
Figure FDA0003676496740000042
其中，F2为运行成本，CG,t为电网t时刻电价，PG,t为t时刻蓄热式电采暖设备的运行功率，C1为蓄热式电采暖设备储热部分的单位功率运行维护成本，C2为蓄热式电采暖设备电热转换部分的单位功率运行维护成本，P1,t为蓄热式电采暖设备的充电功率，P2,t为蓄热电采暖设备的放热功率，Cb,i为第i个蓄热式电采暖设备的补贴价格，fi为第i个蓄热式电采暖设备关于用电总量和政府补贴政策的函数，P3,i为第i个蓄热式电采暖设备的功率输出值；
最低系统碳排放量目标函数建立子模块，用于建立最低系统碳排放量目标函数为
Figure FDA0003676496740000043
其中，F3为碳排放量，
Figure FDA0003676496740000044
为t时刻第j台热电机组产生的发电功率，uj、vj、wj分别为第j台热电机组的碳排放系数，N′为产生碳排放的设备数量，Pe,b为蓄热式电锅炉不同时刻释放的热功率，η1为设备发热效率，λt为设备供热时碳排放系数，Ppower,i为第i个蓄热式电采暖设备从电网购买的电量，
Figure FDA0003676496740000045
为供电区域碳排放系数基准值。
7.根据权利要求5所述的蓄热式电采暖参与风电消纳的多目标优化系统，其特征在于，所述约束条件确定模块，具体包括：
风电出力约束确定子模块，用于确定风电出力约束为0≤Pwp,t≤Pwp；其中，Pwp,t为t时刻风电场实时出力，Pwp为t时刻风电场预测功率出力上限；
线路传输容量约束确定子模块，用于确定线路传输容量约束为|Pcs,t|≤Pcs,max；其中，Pcs,t为t时刻线路传输功率的实际值，Pcs,max为线路传输功率的最大值；
功率平衡约束确定子模块，用于确定功率平衡约束为
Figure FDA0003676496740000051
和
Figure FDA0003676496740000052
其中，
Figure FDA0003676496740000053
为t时刻弃风功率，
Figure FDA0003676496740000054
为t时刻弃风功率不能满足供热需求时从电网购买电量的电功率，
Figure FDA0003676496740000055
为t时刻储热系统的充电功率，
Figure FDA0003676496740000056
为t时刻电锅炉的运行功率，
Figure FDA0003676496740000057
为t时刻电锅炉产生的热量，
Figure FDA0003676496740000058
为t时刻直接供给供热公司的热量，
Figure FDA0003676496740000059
分别为t时刻系统向蓄热装置储存、释放的热量，
Figure FDA00036764967400000510
为t时刻系统的供热量；
蓄热式电锅炉运行约束确定子模块，用于确定蓄热式电锅炉运行约束为
Figure FDA00036764967400000511
其中，Peb,t为t时刻蓄热式电锅炉用电功率，Peb,max为蓄热式电锅炉用电功率上限，Stc,T、Stc,0分别为储热装置的终止容量和初始容量，Stc,t为t时刻蓄热式电锅炉蓄热容量，Stc,min、Stc,max分别为稳定运行条件下的最小和最大容量，Ptc,in,t、Ptc,out,t分别为t时刻电锅炉的吸、放热功率，ηtc,in、ηtc,out分别为t时刻电锅炉的吸、放热效率，Stc,R为储热装置的额定容量。
8.根据权利要求5所述的蓄热式电采暖参与风电消纳的多目标优化系统，其特征在于，所述多目标最优解获得模块，具体包括：
权重赋予子模块，用于确定所述多目标优化模型中最大风电消纳目标函数、最小蓄热式电采暖运行成本目标函数和最低系统碳排放量目标函数的权重，并获得赋予权重后的多目标优化模型；
多目标最优解确定子模块，用于根据帕累托解集和赋予权重后的多目标优化模型，采用基于联系度改进的TOPSIS法，获得蓄热式电采暖参与风电消纳时同时兼顾风电消纳、蓄热式电采暖运行成本和系统碳排放量的多目标最优解。
CN202111187479.0A 2021-10-12 2021-10-12 一种蓄热式电采暖参与风电消纳的多目标优化方法及系统 Active CN113864854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111187479.0A CN113864854B (zh) 2021-10-12 2021-10-12 一种蓄热式电采暖参与风电消纳的多目标优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111187479.0A CN113864854B (zh) 2021-10-12 2021-10-12 一种蓄热式电采暖参与风电消纳的多目标优化方法及系统

Publications (2)

Publication Number Publication Date
CN113864854A CN113864854A (zh) 2021-12-31
CN113864854B true CN113864854B (zh) 2022-07-19

Family

ID=78999106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111187479.0A Active CN113864854B (zh) 2021-10-12 2021-10-12 一种蓄热式电采暖参与风电消纳的多目标优化方法及系统

Country Status (1)

Country Link
CN (1) CN113864854B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115823650B (zh) * 2023-02-13 2023-05-09 国网山东省电力公司东营供电公司 基于模型预测控制的室内热舒适及能源调控方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105387627B (zh) * 2015-10-24 2018-04-10 东北电力大学 一种提高风电消纳的蓄热式电采暖优化运行控制方法
US20190129368A1 (en) * 2016-04-29 2019-05-02 Katholieke Universiteit Leuven Cluster control of heterogeneous clusters of thermostatically controlled loads using tracker devices
CN108808659B (zh) * 2018-06-05 2021-03-09 国网吉林省电力有限公司 风电消纳综合能源系统的协调优化控制及经济性评估方法
EP3640869A1 (en) * 2018-10-17 2020-04-22 Deutsches Zentrum für Luft- und Raumfahrt e.V. Method for predicting an energy demand, data processing system and renewable power plant with a storage
CN112332456A (zh) * 2020-09-18 2021-02-05 国电南瑞南京控制系统有限公司 一种蓄热式电采暖负荷参与电网运行的优化控制方法及装置

Also Published As

Publication number Publication date
CN113864854A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN105337303B (zh) 一种含热泵的热电联产型微电网容量优化配置方法
CN108206543B (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN110009122B (zh) 户用多能互补综合能源利用系统能量优化调度方法及系统
CN108229025A (zh) 一种冷热电联供型多微网主动配电系统经济优化调度方法
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN108009693A (zh) 基于两级需求响应的并网微电网双层优化方法
CN108832656A (zh) 基于电转气和可再生能源利用微能源网多目标规划方法
CN112131712B (zh) 客户侧多能源系统多目标优化方法和系统
CN107392366A (zh) 计及用户行为分析的综合能源系统供需双侧综合优化方法
CN111917140B (zh) 一种新能源互补发电系统二层优化调度模型
CN112311019A (zh) 多智能体系统及其能源路由策略
Zhou et al. Optimal combined heat and power system scheduling in smart grid
CN111047097A (zh) 一种综合能源系统日中滚动优化方法
Han et al. Economic evaluation of micro-grid system in commercial parks based on echelon utilization batteries
CN116826752A (zh) 一种台区用能多目标低碳降损优化调度策略方法
Chen et al. Optimal scheduling strategy of a regional integrated energy system considering renewable energy uncertainty and heat network transmission characteristics
CN113864854B (zh) 一种蓄热式电采暖参与风电消纳的多目标优化方法及系统
Yang et al. Optimal dispatch for a combined cooling, heating and power microgrid considering building virtual energy storage
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
CN110991764A (zh) 一种综合能源系统日前滚动优化方法
Deng et al. Real-coded quantum optimization-based bi-level dispatching strategy of integrated power and heat systems
Tang et al. Multi-objective optimal dispatch for integrated energy systems based on a device value tag
CN113255224A (zh) 一种基于发光萤火虫算法的能源系统配置优化方法
Liu et al. Two-stage scheduling strategy for integrated energy systems considering renewable energy consumption
Gao et al. Multi-energy sharing optimization for a building cluster towards net-zero energy system

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