CN113887127A - 一种基于建筑物热惰性的虚拟电厂优化调度方法及系统 - Google Patents
一种基于建筑物热惰性的虚拟电厂优化调度方法及系统 Download PDFInfo
- Publication number
- CN113887127A CN113887127A CN202111080054.XA CN202111080054A CN113887127A CN 113887127 A CN113887127 A CN 113887127A CN 202111080054 A CN202111080054 A CN 202111080054A CN 113887127 A CN113887127 A CN 113887127A
- Authority
- CN
- China
- Prior art keywords
- heat
- building
- load
- power plant
- virtual 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000010438 heat treatment Methods 0.000 claims abstract description 201
- 238000005338 heat storage Methods 0.000 claims abstract description 144
- 238000005485 electric heating Methods 0.000 claims abstract description 132
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 230000000295 complement effect Effects 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 34
- 238000009825 accumulation Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 230000001276 controlling effect Effects 0.000 claims abstract description 21
- 230000001105 regulatory effect Effects 0.000 claims abstract description 18
- 230000033228 biological regulation Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 45
- 230000017525 heat dissipation Effects 0.000 claims description 17
- 238000013486 operation strategy Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000009545 invasion Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000008400 supply water Substances 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
Abstract
本发明为一种基于建筑物热惰性的虚拟电厂优化调度方法及系统，依次在多个热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；依据热用户室内供暖散热器结构及室温环境构建各楼宇建筑物蓄热特性模型后，再结合电制热装置换热、二次网热量传输参数计算蓄热、放热时间，以及结合电制热装置负荷参数建立建筑物室内温度动态响应特性；将多个热力站中的电制热装置聚合成虚拟电厂后，通过协调控制中心依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和其他热电数据建立热电互补优化调度模型；通过热电互补优化调度模型分别对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控。
Description
技术领域
本发明属于智慧供热调峰技术领域，具体涉及一种基于建筑物热惰性的虚拟电厂优化调度方法及系统。
背景技术
供热系统是北方城市的重要基础设施，是城市能源系统的重要子系统。目前，我国城市集中供热系统热源主要为热电厂、燃气尖峰锅炉等，生产过程中会产生SO2、NOX、烟尘等大气污染物。近年来，我国北方地区严重的冬季雾霾问题备受社会舆论关注，供暖与雾霾的相关性备受争议。为提高供热生产的清洁性，我国北方有条件的城市正在积极探索电制热装置等清洁供暖方式。
近年来，随着人民生活水平的提高和电力负荷的快速增长，电网负荷峰谷差逐步增大，与此同时，随机性、波动性、不可调度性的可再生能源大规模并网，导致电网的调峰问题更加突出，也给电力调度造成一系列的困难。电力系统中电源及输配电设备均按照电网高峰负荷规划建设，但电网高峰负荷持续时间较短，导致为满足高峰负荷需求而规划建设的电力设备资产利用率较低。另外，电网运行中频率是重要的指标之一，由于电力系统中发电、输电、配电和用电为同时瞬间完成，因此必须通过各种手段调整电网频率保持在合格范围内，保证电网的发电和用电平衡，维持电力系统中发电设备和用电设备的安全稳定运行。
虚拟电厂是一种通过先进信息通信技术和软件系统，实现分布式电源、储能系统、电动汽车等分布式能源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统，但是虚拟电厂要为电网提供调频调峰等多个尺度的服务，使得虚拟电厂内的设备资源灵活调控存在相关的技术难点。因此如何通过虚拟电厂的技术去统一优化调度热用户室内的电制热装置，保证供热系统和虚拟电厂的热电互补调度优化运行时现在面临的技术难点。
因此，基于上述技术问题需要设计一种新的基于建筑物热惰性的虚拟电厂优化调度方法及系统。
发明内容
本发明的目的是提供一种基于建筑物热惰性的虚拟电厂优化调度方法及系统。
为了解决上述技术问题，本发明提供了一种基于建筑物热惰性的虚拟电厂优化调度方法，包括：
在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；
依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；
根据各热力站中的电制热装置构建虚拟电厂；
获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型；
根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控。
进一步，所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法包括：
构建房屋供暖散热器模型，将散热器均分为内外两层，外侧是室内空气，内侧是热媒，室内空气的散热功率为：
Qin＝KradFradβ(Tav-Tair)；
式中，Qin为散热器进入热用户的散热功率；Krad为散热器的传热系数；Frad为散热器的散热面积；β为散热器组装片数、连接形式和安装形式综合修正系数；Tav为散热器内热媒温度，热媒温度由散热器的进水温度Tin与出水温度Tout之和均分获得；Tair为热用户室内温度；
散热功率与供水温度和室内温度的关系为：
其中，cw为热媒比热容；mw为热媒的质量流量；
对于供暖系统，当用户散热器进出口水温降低时，散热器的散热量减少，室内温度随之降低，进而影响散热器的出水口温度；
构建建筑物蓄热特性模型，建筑物室内温度的热传导方程为：
其中，
为建筑物的围护结构传热耗热功率；
为冷风侵入耗热功率；cair为室内空气的比热容；ρair为室内空气的密度；Vair为室内空气的体积；t为时间变量；Tair，0为零时刻室内空气的温度；
由供水温度和室外环境温度实时确定房间温度的建筑物蓄热特性模型表示为：
式中，α为Qin计算时的不变量系数；α1为
计算时的不变量系数；α2＝cairρairVair；Ti air，ex为室外环境温度；Δt为一段时间；n为常数；
其中，针对每个楼宇建筑物构建单独的蓄热特性模型，将多个小区楼宇建筑物的蓄热特性模型形成总体的建筑物蓄热特性模型，表示为：
i为楼宇建筑物的数量。
进一步，所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法还包括：
蓄热时间Δτ是集中供热系统和虚拟电厂在室外环境温度不变情况下，在固定热源负荷和电负荷下，将热用户室内温度由tn升到tn1所需要的时间，具体计算包括：根据供热整个系统的热量传递过程，Δτ由电制热装置换热时间Δτ1、二次网热量传输时间Δτ2和热用户室内升温时间Δτ3组成，即Δτ＝Δτ1+Δτ2+Δτ3；
当电制热装置负荷变化速率为V，热用户室内温度由tn升到tn1所对应的电制热装置负荷由p1提升到p2时，满足热力站进出口水温要求所需要的时间：Δτ1＝(p2-p1)/V；
当二次网热量传输距离为N，热媒流速为v时，Δτ2＝N/v；
在加热过程dt时间内，根据散热器输入给建筑物热量和建筑物向室外环境的散热量计算
Mj为热网和建筑物热力系统热容量，Qj0为开始加热时的初始热负荷；
放热时间Δτ′是集中供热系统合虚拟电厂在室外环境温度不变情况下，在固定热源负荷和电负荷下，将热用户室内温度由tn1降到tn2所需要的时间，计算放热时间
进一步，所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法还包括：
所述蓄热放热过程建筑物室内温度动态响应特性为：
在电网高峰负荷阶段，提前Δτ时间启动电制热装置向热用户室内多供热ΔQ，将热用户室温由tn升到tn1，热量蓄存在建筑物系统中；
在电网低负荷阶段，降低集中供热系统的供热量及关闭电制热装置Δτ′时间，利用建筑物的蓄热量维持室温到温度tn2。
进一步，所述获取集中供热系统的热力总负荷需求的方法包括：
以目标采暖热用户所处环境的室外气象数据、各楼宇建筑物的物理参数、热用户的目标温度和对应时间段和集中供热系统的运行数据作为输入量，以建筑热负荷需求为输出量；
将各个输入量输入至预先训练完成的神经网络热负荷预测模型中，输出建筑热负荷需求；
通过各个建筑热负荷需求计算获得集中供热系统的热力总负荷需求。
进一步，所述结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求的方法包括：
根据热力总负荷需求对原有集中供热系统和虚拟电厂电制热装置之间的负荷比例进行分配，分配策略满足能量平衡方程：Qb＝Qe,b+Qh,b,b＝[1,2,…,m]；
其中，Qb为供暖总负荷；Qe,b为电加热供暖负荷；Qh,b为原有集中供热系统提供的低温热负荷，b为第b个热力站，m为热力站总数；
通过对二次网的供水温度、回水温度、管道属性、热用户室内温度、目标温度、散热器的供回水温度数据、负荷历史数据进行采集和预处理后，采用已训练学习完成的机器学习算法对处理后的数据进行分析决策后获得二次网温度传输滞后参数；
所述虚拟电厂内设置数据采集模块和负荷预测模块，通过将数据采集模块连接到电网，采集电网的频率、功率、电压、电流、负荷历史数据和外部因素数据后，通过所述负荷预测模块对采集的数据进行归一化处理，输入至构建的神经网络电负荷预测模型获得虚拟电厂的电负荷预测值和电负荷预测曲线；
所述虚拟电厂内还设置调峰调频控制模块，通过所述电负荷预测值、电负荷预测曲线和二次网温度传输滞后参数计算获取电网的当前需求负荷，并与电厂的实时发电量进行比对，根据比对结果生成电厂调峰调频指令，利用分户控制器对电厂内的分户电制热装置的启停进行控制；
其中，若电网处于调峰调频时段或低谷电价时段，对分户电制热装置进行启动和建筑物蓄热操作；否则，对分户电制热装置进行关停和建筑物放热操作。
进一步，所述依据所述热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型，包括：
所述调度目标包括：净收益最大；
所述约束条件包括：电平衡约束、热平衡约束和建筑物蓄热放热系统相关运行约束；
其中，F为一个运行周期内的净收益；k为时间序列；Ise为收益，其包括：向热用户供热的供热收益
和向虚拟电厂电网供电的供电收益
α(k)第k时段虚拟电厂向电网的售电价格；β为虚拟电厂向集中供热系统的售热价格；Ccs为集中供热系统运行时产生的煤耗量；Cpe为虚拟电厂偏离出力计划的惩罚成本；Cdb为虚拟电厂运行环保代价；
电平衡约束为：
其中，Gk为k时段虚拟电厂电负荷需求功率；
为k时段虚拟电厂出力偏差；z为电制热装置eh编号；θ为虚拟电厂内电制热装置集合；
热平衡约束为：
其中，Hk为k时段集中供热系统热负荷需求功率；
为k时段建筑物的蓄热或放热量；
为正时表示放热，为负时表示蓄热；
建筑物蓄热放热系统相关运行约束为：
其中，Sk为建筑物在k时段的蓄热量；Sk-1为建筑物在k-1时段的蓄热量；Smax为建筑物的最大蓄热量；
为建筑物的最大蓄热速率；
为建筑物的最大放热速率；S0为建筑物在周期内开始时刻的蓄热量；SK为建筑物在周期内结束时刻的蓄热量。
进一步，所述根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控的方法包括：
通过自适应遗传算法和热电互补优化调度模型获取虚拟电厂和集中供热系统的运行策略，即：
输入热电互补优化调度模型的原始数据、算法参数；
设定种群规模和遗传代数，并产生初始化种群；
以下一运行周期内的净收益为目标，计算个体的适应度值，即目标成本；
选择群体中目标成本较小的运行策略，作为下一代遗传的父代基因；
根据个体适应度调整交叉变异概率，保留目标成本较小的运行策略，并产生新个体；
若遗传代数达到要求，找出末代群体中的最优个体，作为最终运行策略；
调整交叉概率pc和变异概率pm的值：
其中，f为个体适应度值；f′为被选为交叉互换的双方中较大的适应度值；fmax为群体最大适应度值；
为群体平均适应度值；k1、k2、k3、k4为常数，且均小于等于1；
根据最终运行策略对虚拟电厂进行电功率调控和集中供热系统的水力平衡负荷进行调控。
第二方面，本发明还提供一种上述基于建筑物热惰性的虚拟电厂优化调度方法的热电互补优化调度模型，其特征在于，包括：
其中，F为一个运行周期内的净收益；k为时间序列；Ise为收益，其包括：向热用户供热的供热收益
和向虚拟电厂电网供电的供电收益
α(k)第k时段虚拟电厂向电网的售电价格；β为虚拟电厂向集中供热系统的售热价格；Ccs为集中供热系统运行时产生的煤耗量；Cpe为虚拟电厂偏离出力计划的惩罚成本；Cdb为虚拟电厂运行环保代价；
电平衡约束为：
其中，Gk为k时段虚拟电厂电负荷需求功率；
为k时段虚拟电厂出力偏差；z为电制热装置eh编号；θ为虚拟电厂内电制热装置集合；
热平衡约束为：
其中，Hk为k时段集中供热系统热负荷需求功率；
为k时段建筑物的蓄热或放热量；
为正时表示放热，为负时表示蓄热；
建筑物蓄热放热系统相关运行约束为：
其中，Sk为建筑物在k时段的蓄热量；Sk-1为建筑物在k-1时段的蓄热量；Smax为建筑物的最大蓄热量；
为建筑物的最大蓄热速率；
为建筑物的最大放热速率；S0为建筑物在周期内开始时刻的蓄热量；SK为建筑物在周期内结束时刻的蓄热量。
第三方面，本发明还提供一种采用上述基于建筑物热惰性的虚拟电厂优化调度方法的优化调度系统，其特征在于，包括：
装置设置模块，在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；
建筑物特性模块，依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；
虚拟电厂模块，根据各热力站中的电制热装置构建虚拟电厂；
调度模型建立模块，获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型；
模型求解模块，根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控。
本发明的有益效果是，本发明通过在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；根据各热力站中的电制热装置构建虚拟电厂；获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型；根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控，实现了集中供热系统提供保障性基础负荷，电制热装置提供尖峰负荷，满足居民采暖需求；另外虚拟电厂能够聚合热用户室内的电制热装置，作为一个特殊电厂参与电力市场和电网运行的协调管理系统，为电网提供相应的管理调度服务，将电网调度中心调控指令下发至虚拟电厂的各电制热装置，实现虚拟电厂支撑电网安全高效运行；由于建筑物存在热惰性，在采暖期间，通过构建建筑物蓄热特性模型、计算蓄热时间和放热时间、建立蓄热放热过程建筑物室内温度动态响应特性，使得热网配合电网低谷深度调峰，适当降低热负荷运行，在电网调峰容量紧张情况下利用建筑物蓄热特性减少供热量，进而保证调峰优化的可行性，为虚拟电厂调度进行调峰提供了科学依据，也为供热的节能减排奠定了技术基础；以及在调控过程中统一调度热用户室内的电制热装置，利用分户控制器对电厂内的分户电制热装置的启停进行控制以便响应电网调峰调频的需求，增减调峰调频的负荷，实现电网调峰调频，可以有效降低分户电制热装置的电费消耗，为电网提供最优化的调峰调频服务。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的基于建筑物热惰性的虚拟电厂优化调度方法的流程图；
图2是本发明所涉及的虚拟电厂的示意图；
图3是本发明中电供暖负荷与集中供热系统热负荷随时间变化示意图；
图4是本发明所涉及的优化调度系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例1
图1是本发明所涉及的基于建筑物热惰性的虚拟电厂优化调度方法的流程图；
图2是本发明所涉及的虚拟电厂的示意图。
如图1和图2所示，本实施例1提供了一种基于建筑物热惰性的虚拟电厂优化调度方法，包括：依次在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，再根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；将多个热力站中的电制热装置聚合成虚拟电厂后，再将虚拟电厂和原有的集中供热系统接入协调控制中心；协调控制中心获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和其他热电数据建立热电互补优化调度模型；根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控，实现了集中供热系统提供保障性基础负荷，电制热装置提供尖峰负荷，满足居民采暖需求；另外虚拟电厂能够聚合热用户室内的电制热装置，作为一个特殊电厂参与电力市场和电网运行的协调管理系统，为电网提供相应的管理调度服务，将电网调度中心调控指令下发至虚拟电厂的各电制热装置，实现虚拟电厂支撑电网安全高效运行；由于建筑物存在热惰性，在采暖期间，通过构建建筑物蓄热特性模型、计算蓄热时间和放热时间、建立蓄热放热过程建筑物室内温度动态响应特性，使得热网配合电网低谷深度调峰，适当降低热负荷运行，在电网调峰容量紧张情况下利用建筑物蓄热特性减少供热量，进而保证调峰优化的可行性，为虚拟电厂调度进行调峰提供了科学依据，也为供热的节能减排奠定了技术基础；以及在调控过程中统一调度热用户室内的电制热装置，利用分户控制器对电厂内的分户电制热装置的启停进行控制以便响应电网调峰调频的需求，增减调峰调频的负荷，实现电网调峰调频，可以有效降低分户电制热装置的电费消耗，为电网提供最优化的调峰调频服务。
在本实施例中，所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法包括：构建房屋供暖散热器模型，将散热器均分为内外两层，外侧是室内空气，内侧是热媒，室内空气的散热功率为：
Qin＝KradFradβ(Tav-Tair)；
式中，Qin为散热器进入热用户的散热功率；Krad为散热器的传热系数；Frad为散热器的散热面积；β为散热器组装片数、连接形式和安装形式综合修正系数；Tav为散热器内热媒温度，热媒温度由散热器的进水温度Tin与出水温度Tout之和均分获得；Tair为热用户室内温度；
散热功率与供水温度和室内温度的关系为：
其中，cw为热媒比热容；mw为热媒的质量流量；
对于供暖系统，当用户散热器进出口水温降低时，散热器的散热量减少，室内温度随之降低，进而影响散热器的出水口温度；
构建建筑物蓄热特性模型，建筑物蓄热特性模型在于建立室内温度随供水温度和室外环境温度的变化关系，建筑物室内温度的热传导方程为：
其中，
为建筑物的围护结构传热耗热功率；
为冷风侵入耗热功率；cair为室内空气的比热容；ρair为室内空气的密度；Vair为室内空气的体积；t为时间变量；Tair，0为零时刻室内空气的温度；
由供水温度和室外环境温度实时确定房间温度的建筑物蓄热特性模型表示为：
式中，α为Qin计算时的不变量系数；α1为
计算时的不变量系数；α2＝cairρairVair；Ti air，ex为室外环境温度；Δt为一段时间；n为常数；
其中，针对每个楼宇建筑物构建单独的蓄热特性模型，将多个小区楼宇建筑物的蓄热特性模型形成总体的建筑物蓄热特性模型，表示为：
i为楼宇建筑物的数量。
在实际的应用中，建筑物的蓄热放热特性还与建筑物的类型相关，对于统一栋建筑内的热用户，由于朝向、楼层、位置的不同，室内温度的变化规律有很大差别；同一片住宅小区或者由同一热源供热的热用户，其建筑类型不尽相同，在进行供热调节时，不同类型的建筑室内空气温度的变化规律也各有差异，因此，可以对研究地区的供暖建筑按照建筑类型的不同进行分类，分析不同类型建筑在供热量调节时室内温度的变化规律。并且还可以通过数据辨识建立蓄热特性模型，通过数据辨识建立加热功率与供热室温之间的动态响应特性模型，不局限于散热器自身的结构建模。
在本实施例中，所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法还包括：
蓄热时间Δτ是集中供热系统和虚拟电厂在室外环境温度不变情况下，在固定热源负荷和电负荷下，将热用户室内温度由tn升到tn1所需要的时间，具体计算包括：根据供热整个系统的热量传递过程，Δτ由电制热装置换热时间Δτ1、二次网热量传输时间Δτ2和热用户室内升温时间Δτ3组成，即Δτ＝Δτ1+Δτ2+Δτ3；
当电制热装置负荷变化速率为V，热用户室内温度由tn升到tn1所对应的电制热装置负荷由p1提升到p2时，满足热力站进出口水温要求所需要的时间：Δτ1＝(p2-p1)/V；
当二次网热量传输距离为N，热媒流速为v时，Δτ2＝N/v；
在加热过程dt时间内，根据散热器输入给建筑物热量和建筑物向室外环境的散热量计算
Mj为热网和建筑物热力系统热容量，Qj0为开始加热时的初始热负荷；
放热时间Δτ′是集中供热系统合虚拟电厂在室外环境温度不变情况下，在固定热源负荷和电负荷下，将热用户室内温度由tn1降到tn2所需要的时间，计算放热时间
在实际的应用中，由于二次网到热用户之间存在一定的传输距离，因此会造成温度延时、时间滞后、调控滞后等现象，例如电制热装置启动后开始对供水温度进行加热后，由于滞后参数的影响，导致热用户室内温度不会立即发生变化，也会存在一定的延时，因此在建筑物蓄热放热时需要考虑电制热装置所带来的时间影响。
在本实施例中，所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法还包括：结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性,所述蓄热放热过程建筑物室内温度动态响应特性为：在电网高峰负荷阶段，提前Δτ时间启动电制热装置向热用户室内多供热ΔQ，将热用户室温由tn升到tn1，热量蓄存在建筑物系统中；在电网低负荷阶段，降低集中供热系统的供热量及关闭电制热装置Δτ′时间，利用建筑物的蓄热量维持室温到温度tn2。建筑物室内温度动态响应特性还与室外环境温度相关，在蓄热过程中，室外温度越高，建筑物向室外散热越慢，故蓄热过程室内温度上升越快，相应蓄热时间越短；由于建筑物热惰性的存在，电厂做出调整动作后，过一段时间后建筑物室内温度才开始发生变化，因此应根据需要提前预测未来短时间内电功率，并寻找合适时间点将蓄热开始时间及结束时间提前；在放热过程中，室外温度越高，建筑物向外界散热速度越慢，故放热过程中室内温度下降越慢，相应放热时间越长。综合来看，受建筑物热惰性影响，建筑物室内温度变化缓慢，适当控制蓄放热时间，即可使室内温度在热用户可接收范围内变化，同时也可达到增加调峰深度的目的
在本实施例中，所述获取集中供热系统的热力总负荷需求的方法包括：以目标采暖热用户所处环境的室外气象数据、各楼宇建筑物的物理参数、热用户的目标温度和对应时间段和集中供热系统的运行数据作为输入量，以建筑热负荷需求为输出量；将各个输入量输入至预先训练完成的神经网络热负荷预测模型中，输出建筑热负荷需求；通过各个建筑热负荷需求计算获得集中供热系统的热力总负荷需求。
在本实施例中，所述结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求的方法包括：根据热力总负荷需求对原有集中供热系统和虚拟电厂电制热装置之间的负荷比例进行分配，分配策略满足能量平衡方程：Qb＝Qe,b+Qh,b,b＝[1,2,…,m]；
其中，Qb为供暖总负荷；Qe,b为电加热供暖负荷；Qh,b为原有集中供热系统提供的低温热负荷，b为第b个热力站，m为热力站总数；
通过对二次网的供水温度、回水温度、管道属性、热用户室内温度、目标温度、散热器的供回水温度数据、负荷历史数据进行采集和预处理后，采用已训练学习完成的机器学习算法对处理后的数据进行分析决策后获得二次网温度传输滞后参数；所述虚拟电厂内设置数据采集模块和负荷预测模块，通过将数据采集模块连接到电网，采集电网的频率、功率、电压、电流、负荷历史数据和外部因素数据后，通过所述负荷预测模块对采集的数据进行归一化处理，输入至构建的神经网络电负荷预测模型获得虚拟电厂的电负荷预测值和电负荷预测曲线；所述虚拟电厂内还设置调峰调频控制模块，通过所述电负荷预测值、电负荷预测曲线和二次网温度传输滞后参数计算获取电网的当前需求负荷，并与电厂的实时发电量进行比对，根据比对结果生成电厂调峰调频指令，利用分户控制器对电厂内的分户电制热装置的启停进行控制以便响应电网调峰调频的需求，增减调峰调频的负荷，实现电网调峰调频；其中，若电网处于调峰调频时段或低谷电价时段，对分户电制热装置进行启动和建筑物蓄热操作；否则，对分户电制热装置进行关停和建筑物放热操作。供热系统采用的流动介质是热水，热源侧高温水流动到各热力站时，因为热力站地理位置散落在城市各个角落，同一时刻其温度分布不一致，升温过程时，前端站点流动时长短、升温快、温度高，末端站点流动时间长、升温慢、温度低，造成了传热过程的温度滞后与延迟效应。因此，可以在电制热装置对供水温度进行加热的负荷预测过程、调控过程中考虑滞后影响，提高虚拟电厂参与调峰调频负荷的准确性。
在本实施例中，所述依据所述热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型的方法包括：所述协调控制中心依次获取所述集中供热系统的热力总负荷需求数据、蓄热放热时间、蓄热放热过程建筑物室内温度动态特性参数、虚拟电厂参与调峰调频的负荷需求和集中供热系统运行相关热数据、虚拟电厂运行相关电数据；所述协调控制中心根据预设约束条件、调峰目标建立热电互补优化调度模型；所述调度目标包括：净收益最大；所述约束条件包括：电平衡约束、热平衡约束和建筑物蓄热放热系统相关运行约束；
其中，F为一个运行周期内的净收益，运行周期可以是24h；k为时间序列，，以15min为一个周期，k＝1,2,…，96；Ise为收益，其包括：向热用户供热的供热收益
和向虚拟电厂电网供电的供电收益
α(k)第k时段虚拟电厂向电网的售电价格，可以是固定电价或者分时电价、实时电价；β为虚拟电厂向集中供热系统的售热价格；Ccs为集中供热系统运行时产生的煤耗量；Cpe为虚拟电厂偏离出力计划的惩罚成本；Cdb为虚拟电厂运行环保代价；
电平衡约束为：
其中，Gk为k时段虚拟电厂电负荷需求功率；
为k时段虚拟电厂出力偏差；z为电制热装置eh编号；θ为虚拟电厂内电制热装置集合；
热平衡约束为：
其中，Hk为k时段集中供热系统热负荷需求功率；
为k时段建筑物的蓄热或放热量；
为正时表示放热，为负时表示蓄热；
建筑物蓄热放热系统相关运行约束为：
其中，Sk为建筑物在k时段的蓄热量；Sk-1为建筑物在k-1时段的蓄热量；Smax为建筑物的最大蓄热量；
为建筑物的最大蓄热速率；
为建筑物的最大放热速率；S0为建筑物在周期内开始时刻的蓄热量；SK为建筑物在周期内结束时刻的蓄热量。在实际的应用中，一方面由于建筑物存在着巨大的热惰性，在供暖期间，热网配合电网低谷深度调峰适当降低热负荷运行，在电网调峰容量十分紧张情况下利用建筑物具有蓄热特性适当减少供热量，从而获得更加深度调峰容量空间协助电网的低谷期；另一方面建议协调控制中心可以通过气象资料预测电需求的可调负荷和电网高低峰时间，以此可以提前一定时间蓄热；另外，可以监测热网供水、回水温度情况来保证供热质量。
在本实施例中，所述根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控的方法包括：通过自适应遗传算法和热电互补优化调度模型获取虚拟电厂和集中供热系统的运行策略，即：输入热电互补优化调度模型的原始数据、算法参数；设定种群规模和遗传代数，并产生初始化种群；以下一运行周期内的净收益为目标，计算个体的适应度值，即目标成本；选择群体中目标成本较小的运行策略，作为下一代遗传的父代基因；根据个体适应度调整交叉变异概率，保留目标成本较小的运行策略，并产生新个体；
若遗传代数达到要求，找出末代群体中的最优个体，作为最终运行策略；
调整交叉概率pc和变异概率pm的值：
其中，f为个体适应度值；f′为被选为交叉互换的双方中较大的适应度值；fmax为群体最大适应度值；
为群体平均适应度值；k1、k2、k3、k4为常数，且均小于等于1；
根据最终运行策略对虚拟电厂进行电功率调控和集中供热系统的水力平衡负荷进行调控；在本实施例中不局限于自适应遗传算法对热电互补优化调度模型进行求解，其他同功能类的算法同样适用。
在本实施例中，所述虚拟电厂内的负荷预测模块还可基于气候气象信息、环境信息的多源外部信息，分析分户电制热装置发电和负荷功率的时序轨迹动态特征，提取反映功率时序轨迹动态特征的特征量，并建立历史数据库；通过电网实时信息收集，获取当前分户电制热装置和负荷功率的时序轨迹，结合配电网当前运行状态，通过特征匹配技术，判别当前状态与历史数据的相关性，从而实现负荷功率需求的自感知。
图3本发明所涉及的电供暖负荷与集中供热系统热负荷随时间变化示意图。
如图3所示，多个热力站在0点左右选择提高室内温度，因此出现电加热负荷骤升情况，同时对建筑物进行蓄热；在6点左右选择关闭部分电制热装置，出现电加热负荷下降情况，同时通过建筑物进行放热，保证用户供暖室温正常；而且在0点左右电网处于调峰调频时段或低谷电价时段，因此提前一定时间对电制热装置进行启动和建筑物蓄热操作；在6点左右，对电制热装置进行关停和建筑物放热操作。
实施例2
在实施例1的基础上，本实施例2还提供一种实施例1中基于建筑物热惰性的虚拟电厂优化调度方法的热电互补优化调度模型，其特征在于，包括：
其中，F为一个运行周期内的净收益；k为时间序列；Ise为收益，其包括：向热用户供热的供热收益
和向虚拟电厂电网供电的供电收益
α(k)第k时段虚拟电厂向电网的售电价格；β为虚拟电厂向集中供热系统的售热价格；Ccs为集中供热系统运行时产生的煤耗量；Cpe为虚拟电厂偏离出力计划的惩罚成本；Cdb为虚拟电厂运行环保代价；
电平衡约束为：
其中，Gk为k时段虚拟电厂电负荷需求功率；
为k时段虚拟电厂出力偏差；z为电制热装置eh编号；θ为虚拟电厂内电制热装置集合；
热平衡约束为：
其中，Hk为k时段集中供热系统热负荷需求功率；
为k时段建筑物的蓄热或放热量；
为正时表示放热，为负时表示蓄热；
建筑物蓄热放热系统相关运行约束为：
其中，Sk为建筑物在k时段的蓄热量；Sk-1为建筑物在k-1时段的蓄热量；Smax为建筑物的最大蓄热量；
为建筑物的最大蓄热速率；
为建筑物的最大放热速率；S0为建筑物在周期内开始时刻的蓄热量；SK为建筑物在周期内结束时刻的蓄热量。
实施例3
图4是本发明所涉及的优化调度系统的原理框图。
如图4所示，在实施例1的基础上，本实施例3还提供一种采用实施例1中基于建筑物热惰性的虚拟电厂优化调度方法的优化调度系统，其特征在于，包括：装置设置模块，在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；建筑物特性模块，依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；虚拟电厂模块，根据各热力站中的电制热装置构建虚拟电厂；调度模型建立模块，获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型；模型求解模块，根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控。
在本实施例中，各模块的具体功能在实施例1中已经详细描述在本实施例中不在赘述。
在本实施例中，优化调度系统也可以是集成了上述模块及对应功能的服务器、上位机等，通过该服务器、上位机等对涉及的各设备进行控制。
综上所述，本发明通过在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；根据各热力站中的电制热装置构建虚拟电厂；获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型；根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控，实现了集中供热系统提供保障性基础负荷，电制热装置提供尖峰负荷，满足居民采暖需求；另外虚拟电厂能够聚合热用户室内的电制热装置，作为一个特殊电厂参与电力市场和电网运行的协调管理系统，为电网提供相应的管理调度服务，将电网调度中心调控指令下发至虚拟电厂的各电制热装置，实现虚拟电厂支撑电网安全高效运行；由于建筑物存在热惰性，在采暖期间，通过构建建筑物蓄热特性模型、计算蓄热时间和放热时间、建立蓄热放热过程建筑物室内温度动态响应特性，使得热网配合电网低谷深度调峰，适当降低热负荷运行，在电网调峰容量紧张情况下利用建筑物蓄热特性减少供热量，进而保证调峰优化的可行性，为虚拟电厂调度进行调峰提供了科学依据，也为供热的节能减排奠定了技术基础；以及在调控过程中统一调度热用户室内的电制热装置，利用分户控制器对电厂内的分户电制热装置的启停进行控制以便响应电网调峰调频的需求，增减调峰调频的负荷，实现电网调峰调频，可以有效降低分户电制热装置的电费消耗，为电网提供最优化的调峰调频服务。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，包括：
在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；
依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；
根据各热力站中的电制热装置构建虚拟电厂；
获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型；
根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控。
2.如权利要求1所述的基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，
所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法包括：
构建房屋供暖散热器模型，将散热器均分为内外两层，外侧是室内空气，内侧是热媒，室内空气的散热功率为：
Qin＝KradFradβ(Tav-Tair)；
式中，Qin为散热器进入热用户的散热功率；Krad为散热器的传热系数；Frad为散热器的散热面积；β为散热器组装片数、连接形式和安装形式综合修正系数；Tav为散热器内热媒温度，热媒温度由散热器的进水温度Tin与出水温度Tout之和均分获得；Tair为热用户室内温度；
散热功率与供水温度和室内温度的关系为：
其中，cw为热媒比热容；mw为热媒的质量流量；
对于供暖系统，当用户散热器进出口水温降低时，散热器的散热量减少，室内温度随之降低，进而影响散热器的出水口温度；
构建建筑物蓄热特性模型，建筑物室内温度的热传导方程为：
其中，
为建筑物的围护结构传热耗热功率；
为冷风侵入耗热功率；cair为室内空气的比热容；ρair为室内空气的密度；Vair为室内空气的体积；t为时间变量；Tair,0为零时刻室内空气的温度；
由供水温度和室外环境温度实时确定房间温度的建筑物蓄热特性模型表示为：
式中，α为Qin计算时的不变量系数；α1为
计算时的不变量系数；α2＝cairρairVair；Ti air,ex为室外环境温度；Δt为一段时间；n为常数；
其中，针对每个楼宇建筑物构建单独的蓄热特性模型，将多个小区楼宇建筑物的蓄热特性模型形成总体的建筑物蓄热特性模型，表示为：
i为楼宇建筑物的数量。
3.如权利要求2所述的基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，
所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法还包括：
蓄热时间Δτ是集中供热系统和虚拟电厂在室外环境温度不变情况下，在固定热源负荷和电负荷下，将热用户室内温度由tn升到tn1所需要的时间，具体计算包括：根据供热整个系统的热量传递过程，Δτ由电制热装置换热时间Δτ1、二次网热量传输时间Δτ2和热用户室内升温时间Δτ3组成，即Δτ＝Δτ1+Δτ2+Δτ3；
当电制热装置负荷变化速率为V，热用户室内温度由tn升到tn1所对应的电制热装置负荷由p1提升到p2时，满足热力站进出口水温要求所需要的时间：Δτ1＝(p2-p1)/V；
当二次网热量传输距离为N，热媒流速为v时，Δτ2＝N/v；
在加热过程dt时间内，根据散热器输入给建筑物热量和建筑物向室外环境的散热量计算
Mj为热网和建筑物热力系统热容量，Qj0为开始加热时的初始热负荷；
放热时间Δτ′是集中供热系统合虚拟电厂在室外环境温度不变情况下，在固定热源负荷和电负荷下，将热用户室内温度由tn1降到tn2所需要的时间，计算放热时间
4.如权利要求3所述的基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，
所述依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性的方法还包括：
所述蓄热放热过程建筑物室内温度动态响应特性为：
在电网高峰负荷阶段，提前Δτ时间启动电制热装置向热用户室内多供热ΔQ，将热用户室温由tn升到tn1，热量蓄存在建筑物系统中；
在电网低负荷阶段，降低集中供热系统的供热量及关闭电制热装置Δτ′时间，利用建筑物的蓄热量维持室温到温度tn2。
5.如权利要求4所述的基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，
所述获取集中供热系统的热力总负荷需求的方法包括：
以目标采暖热用户所处环境的室外气象数据、各楼宇建筑物的物理参数、热用户的目标温度和对应时间段和集中供热系统的运行数据作为输入量，以建筑热负荷需求为输出量；
将各个输入量输入至预先训练完成的神经网络热负荷预测模型中，输出建筑热负荷需求；
通过各个建筑热负荷需求计算获得集中供热系统的热力总负荷需求。
6.如权利要求5所述的基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，
所述结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求的方法包括：
根据热力总负荷需求对原有集中供热系统和虚拟电厂电制热装置之间的负荷比例进行分配，分配策略满足能量平衡方程：Qb＝Qe,b+Qh,b,b＝[1,2,…,m]；
其中，Qb为供暖总负荷；Qe,b为电加热供暖负荷；Qh,b为原有集中供热系统提供的低温热负荷，b为第b个热力站，m为热力站总数；
通过对二次网的供水温度、回水温度、管道属性、热用户室内温度、目标温度、散热器的供回水温度数据、负荷历史数据进行采集和预处理后，采用已训练学习完成的机器学习算法对处理后的数据进行分析决策后获得二次网温度传输滞后参数；
所述虚拟电厂内设置数据采集模块和负荷预测模块，通过将数据采集模块连接到电网，采集电网的频率、功率、电压、电流、负荷历史数据和外部因素数据后，通过所述负荷预测模块对采集的数据进行归一化处理，输入至构建的神经网络电负荷预测模型获得虚拟电厂的电负荷预测值和电负荷预测曲线；
所述虚拟电厂内还设置调峰调频控制模块，通过所述电负荷预测值、电负荷预测曲线和二次网温度传输滞后参数计算获取电网的当前需求负荷，并与电厂的实时发电量进行比对，根据比对结果生成电厂调峰调频指令，利用分户控制器对电厂内的分户电制热装置的启停进行控制；
其中，若电网处于调峰调频时段或低谷电价时段，对分户电制热装置进行启动和建筑物蓄热操作；否则，对分户电制热装置进行关停和建筑物放热操作。
7.如权利要求6所述的基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，
所述依据所述热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型，包括：
所述调度目标包括：净收益最大；
所述约束条件包括：电平衡约束、热平衡约束和建筑物蓄热放热系统相关运行约束；
其中，F为一个运行周期内的净收益；k为时间序列；Ise为收益，其包括：向热用户供热的供热收益
和向虚拟电厂电网供电的供电收益
α(k)第k时段虚拟电厂向电网的售电价格；β为虚拟电厂向集中供热系统的售热价格；Ccs为集中供热系统运行时产生的煤耗量；Cpe为虚拟电厂偏离出力计划的惩罚成本；Cdb为虚拟电厂运行环保代价；
电平衡约束为：
其中，Gk为k时段虚拟电厂电负荷需求功率；
为k时段虚拟电厂出力偏差；z为电制热装置eh编号；θ为虚拟电厂内电制热装置集合；
热平衡约束为：
其中，Hk为k时段集中供热系统热负荷需求功率；
为k时段建筑物的蓄热或放热量；
为正时表示放热，为负时表示蓄热；
建筑物蓄热放热系统相关运行约束为：
其中，Sk为建筑物在k时段的蓄热量；Sk-1为建筑物在k-1时段的蓄热量；Smax为建筑物的最大蓄热量；
为建筑物的最大蓄热速率；
为建筑物的最大放热速率；S0为建筑物在周期内开始时刻的蓄热量；SK为建筑物在周期内结束时刻的蓄热量。
8.如权利要求7所述的基于建筑物热惰性的虚拟电厂优化调度方法，其特征在于，
所述根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控的方法包括：
通过自适应遗传算法和热电互补优化调度模型获取虚拟电厂和集中供热系统的运行策略，即：
输入热电互补优化调度模型的原始数据、算法参数；
设定种群规模和遗传代数，并产生初始化种群；
以下一运行周期内的净收益为目标，计算个体的适应度值，即目标成本；
选择群体中目标成本较小的运行策略，作为下一代遗传的父代基因；
根据个体适应度调整交叉变异概率，保留目标成本较小的运行策略，并产生新个体；
若遗传代数达到要求，找出末代群体中的最优个体，作为最终运行策略；
调整交叉概率pc和变异概率pm的值：
其中，f为个体适应度值；f′为被选为交叉互换的双方中较大的适应度值；fmax为群体最大适应度值；
为群体平均适应度值；k1、k2、k3、k4为常数，且均小于等于1；
根据最终运行策略对虚拟电厂进行电功率调控和集中供热系统的水力平衡负荷进行调控。
9.一种如权利要求1-8任一项所述基于建筑物热惰性的虚拟电厂优化调度方法的热电互补优化调度模型，其特征在于，包括：
其中，F为一个运行周期内的净收益；k为时间序列；Ise为收益，其包括：向热用户供热的供热收益
和向虚拟电厂电网供电的供电收益
α(k)第k时段虚拟电厂向电网的售电价格；β为虚拟电厂向集中供热系统的售热价格；Ccs为集中供热系统运行时产生的煤耗量；Cpe为虚拟电厂偏离出力计划的惩罚成本；Cdb为虚拟电厂运行环保代价；
电平衡约束为：
其中，Gk为k时段虚拟电厂电负荷需求功率；
为k时段虚拟电厂出力偏差；z为电制热装置eh编号；θ为虚拟电厂内电制热装置集合；
热平衡约束为：
其中，Hk为k时段集中供热系统热负荷需求功率；
为k时段建筑物的蓄热或放热量；
为正时表示放热，为负时表示蓄热；
建筑物蓄热放热系统相关运行约束为：
其中，Sk为建筑物在k时段的蓄热量；Sk-1为建筑物在k-1时段的蓄热量；Smax为建筑物的最大蓄热量；
为建筑物的最大蓄热速率；
为建筑物的最大放热速率；S0为建筑物在周期内开始时刻的蓄热量；SK为建筑物在周期内结束时刻的蓄热量。
10.一种采用如权利要求1-8任一项所述基于建筑物热惰性的虚拟电厂优化调度方法的优化调度系统，其特征在于，包括：
装置设置模块，在各热力站中设置用于加热二次网循环供水的电制热装置，采用热水和电互补联合供热；
建筑物特性模块，依据热用户室内供暖散热器结构和室温环境构建各楼宇建筑物蓄热特性模型，根据电制热装置换热、二次网热量传输参数获取蓄热时间和放热时间，以及结合电制热装置负荷参数建立蓄热放热过程建筑物室内温度动态响应特性；
虚拟电厂模块，根据各热力站中的电制热装置构建虚拟电厂；
调度模型建立模块，获取集中供热系统的热力总负荷需求，结合二次网温度传输滞后模型获取虚拟电厂参与调峰调频的负荷需求后，依据热力总负荷需求、可调度的蓄热放热负荷、调峰调频的负荷需求和热电数据建立热电互补优化调度模型；
模型求解模块，根据热电互补优化调度模型对虚拟电厂进行电功率调控和对集中供热系统的水力平衡负荷进行调控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111080054.XA CN113887127A (zh) | 2021-09-15 | 2021-09-15 | 一种基于建筑物热惰性的虚拟电厂优化调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111080054.XA CN113887127A (zh) | 2021-09-15 | 2021-09-15 | 一种基于建筑物热惰性的虚拟电厂优化调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887127A true CN113887127A (zh) | 2022-01-04 |
Family
ID=79009373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111080054.XA Pending CN113887127A (zh) | 2021-09-15 | 2021-09-15 | 一种基于建筑物热惰性的虚拟电厂优化调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887127A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187598A (zh) * | 2023-04-28 | 2023-05-30 | 深圳市科中云技术有限公司 | 一种基于楼宇的虚拟电厂负荷预测方法 |
-
2021
- 2021-09-15 CN CN202111080054.XA patent/CN113887127A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187598A (zh) * | 2023-04-28 | 2023-05-30 | 深圳市科中云技术有限公司 | 一种基于楼宇的虚拟电厂负荷预测方法 |
| CN116187598B (zh) * | 2023-04-28 | 2023-07-04 | 深圳市科中云技术有限公司 | 一种基于楼宇的虚拟电厂负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110864414B (zh) | 基于大数据分析的空调用电负荷智能控制调度方法 | |
| Shao et al. | A framework for incorporating demand response of smart buildings into the integrated heat and electricity energy system | |
| CN112072640B (zh) | 一种虚拟电厂聚合资源的容量优化方法 | |
| CN109523052B (zh) | 一种考虑需求响应和碳交易的虚拟电厂优化调度方法 | |
| CN108039710B (zh) | 一种基于阶跃特性的空调负荷参与的电网日前调度方法 | |
| CN110460040B (zh) | 一种考虑智能建筑热平衡特性的微电网运行调度方法 | |
| CN108321793B (zh) | 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法 | |
| CN109376912B (zh) | 基于民用建筑物热惯性的冷热电联供系统运行优化方法 | |
| Li et al. | Net-zero energy building clusters emulator for energy planning and operation evaluation | |
| CN110486793B (zh) | 一种基于热网五级监控的智能分析调度方法及系统 | |
| Tang et al. | Data-driven model predictive control for power demand management and fast demand response of commercial buildings using support vector regression | |
| CN109861302B (zh) | 一种基于主从博弈的能源互联网日前优化控制方法 | |
| Fan et al. | The method of evaluating operation performance of HVAC system based on exergy analysis | |
| Deng et al. | Comparative analysis of optimal operation strategies for district heating and cooling system based on design and actual load | |
| Ma et al. | Two-stage stochastic robust optimization model of microgrid day-ahead dispatching considering controllable air conditioning load | |
| Wang et al. | Event-triggered online energy flow control strategy for regional integrated energy system using Lyapunov optimization | |
| Yang et al. | Strategy of constructing virtual peaking unit by public buildings' central air conditioning loads for day-ahead power dispatching | |
| CN113887127A (zh) | 一种基于建筑物热惰性的虚拟电厂优化调度方法及系统 | |
| CN112560160A (zh) | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 | |
| CN110992206B (zh) | 一种多源电场的优化调度方法及系统 | |
| CN111523697A (zh) | 一种综合能源服务成本分摊与定价计算方法 | |
| CN114819662A (zh) | 一种考虑用户热需求的蓄热电锅炉群电热调度方法及系统 | |
| CN115470564A (zh) | 一种公共建筑能源系统协调控制方法及其控制组件 | |
| Barrett et al. | A dual-heat-pump residential heating system for shaping electric utility load | |
| Corbin | Assessing impact of large-scale distributed residential HVAC control optimization on electricity grid operation and renewable energy integration |
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 | ||
| CB02 | Change of applicant information |
Address after: 310000 rooms 208, 209-1, 209-2, building 2, 88 Longyuan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang Yingji Power Technology Co.,Ltd. Address before: 310000 rooms 208, 209-1, 209-2, building 2, 88 Longyuan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Yingji Power Technology Co.,Ltd. |
|
| CB02 | Change of applicant information |