CN113949082A - 一种工业园区能源日前调度方法及装置 - Google Patents

Abstract

本发明涉及一种工业园区能源日前调度方法及装置，包括：基于工业园区内电动汽车的历史运行数据，获得工业园区内电动汽车的预测运行数据集；基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减；基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；基于所述能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度；本发明的调度方案将园区内电动汽车负荷的不确定性考虑在内，提高了园区的用能效率，降低了用能成本。

Description

一种工业园区能源日前调度方法及装置

技术领域

本发明涉及综合能源系统调度技术领域，具体一种工业园区能源日前调度方法及装置。

背景技术

综合能源系统通过耦合区域内电、热、气能源网络，通过能源之间灵活转换、互补互济来满足多种能源需求，并且及时消纳新能源，提升能源利用经济性、清洁性。

工业园区耗能在工业用能中占比巨大，且能源需求种类多，是综合能源系统推广应用的“主战场”。明确工业园区中多种负荷的不同特性，与综合能源系统中的联产设备相匹配，建立高效的工业园区综合能源系统能源供应架构与日前调度方法，实现系统合理调控、清洁高效用能、经济运行，是能源领域当前重点问题，也是综合能源系统在工业园区推广应用的关键所在。

然而当前通过引入联产设备来提升综合能源系统运行经济性的调度方法，忽视了对用户侧负荷特性的研究，也忽视了对高效综合能源供能结构的设计，所得出的调度方案难以充分发挥综合能源系统的多能互补、灵活调控、经济高效用能等优势。

发明内容

针对现有技术的不足，本发明的目的是一种工业园区能源日前调度方法及装置，将电动汽车负荷的不确定性考虑在调度方案中，充分发挥工业园区内综合能源系统的多能互补和经济高效用能优势。

本发明的目的是采用下述技术方案实现的：

本发明提供一种工业园区能源日前调度方法，其改进之处在于，包括：

基于工业园区内电动汽车的历史运行数据，获得工业园区内电动汽车的预测运行数据集；

基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；

基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；

基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度。

进一步地，所述日前调度方案，包括：燃气轮机的天然气消耗量、电热泵的输入功率、吸收式制冷机的输出功率、电制冷机的输出功率、蓄电池的充/放电功率、储热罐的储/放热功率、电网向园区的售电功率和园区向电网的售电功率。

进一步地，所述基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集，包括：

获取工业园区内电动汽车的历史运行数据对应的概率密度函数；

基于所述工业园区内电动汽车的历史运行数据对应的概率密度函数，利用蒙特卡洛算法获得所述工业园区内电动汽车的预测运行数据集；

其中，所述运行数据包括：到达工业园区时刻、离开工业园区时刻和到达工业园区时的荷电状态。

进一步地，所述基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，包括：

根据工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离，确定与每个预测运行数据距离最近的另一预测运行数据；

根据每个预测运行数据与其距离最近的另一预测运行数据之间的欧氏距离，计算每个预测运行数据对应的概率距离；

从预测运行数据集中删除概率距离最小值对应的预测运行数据，并利用被删除预测运行数据的发生概率以及与被删除预测运行数据距离最近的另一预测运行数据的发生概率之和更新与被删除预测运行数据距离最近的另一预测运行数据的发生概率；

重复上述步骤，直至预测运行数据集中剩余预测运行数据数量满足预设阈值需求；

其中，按下式确定预测运行数据k对应的概率距离PD_k：

PD_k＝P_kD_k,r

式中，k∈[1,K]，K为工业园区内电动汽车的预测运行数据集中预测运行数据总数，D_k,r为预测运行数据k与其距离最近的另一预测运行数据r的欧式距离，r∈[1,K]且r≠k。

进一步地，所述基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案，包括：

将工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率代入预先建立的日前调度优化模型，求解所述日前调度优化模型，获得所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案。

进一步地，按下式确定所述日前调度优化模型的目标函数：

式中，P_m为第m个剩余预测运行数据对应的发生概率，Δt为时刻间隔，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值，ω_g为天然气单价，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，ω_hp为电热泵单位出力运维费用，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，ω_ac为吸收式制冷机单位出力运维费用，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，ω_er为电制冷机单位出力运维费用，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，ω_es为蓄电池单位出力运维费用，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，ω_hs为储热罐单位运维费用，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，ω_eb,t为电网向用户售电的电价，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，ω_es,t为用户向电网售电的电价，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，ω_ctax为单位碳税值，e_gas为天然气单位产能的碳排放，e_grid为传统电厂单位产能的碳排放，η_grid为电网传输效率，γ_h为温度偏好因子，γ_h∈[0,1]，T_in,m,s,t为第m个剩余预测运行数据对应的园区内第s个建筑物t时刻的室内温度，T_comf,s为园区内第s个建筑物的室内最适温度，s∈[1,S]，S为园区内建筑物总数。

进一步地，所述日前调度优化模型的约束条件包括：建筑物室内温度约束条件、能源梯级供需平衡约束条件、可平移电能负荷约束条件、电动汽车运行负荷约束条件、燃气轮机出力约束条件、蓄电池运行约束条件、储热罐运行约束条件、电热泵运行约束条件、电制冷机运行约束条件和吸收式制冷机运行约束条件。

进一步地，按下式确定所述建筑物室内温度约束条件：

式中，k_wall,s为第s个建筑物的外墙传热系数，S_wall,s为外墙面积，k_win,s为第s个建筑物的外窗传热系数，S_win,s为第s个建筑物的外窗面积，T_out,t为园区t时刻的室外环境温度，T_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻的室内温度，

为园区室内温度的最小值，

为园区室内温度的最大值，G_t为t时刻的太阳辐射强度，S_c,s为园区第s个建筑物的遮阳系数，p_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻室内物体的放热功率，L_air,c,s,t为园区第s个建筑物t时刻室内取暖产生的温控负荷预测值，L_air.h,s,t为园区第s个建筑物t时刻室内制冷产生的温控负荷预测值，T_in,m,s,t+1为第m个剩余预测运行数据对应的园区第s个建筑物t+1时刻的室内温度，ρ为空气密度，C为空气比热容，V_s为第s个建筑物的体积；

按下式确定所述能源梯级供需平衡约束条件：

式中，L_e,t为园区t时刻的电能负荷预测值，L_vc,cha,m,t为第m个剩余预测运行数据对应的园区t时刻充电桩的充电功率之和，p_e,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_e,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输入功率，L_e,mov,m,t为第m个剩余预测运行数据对应的园区t时刻的可平移电能负荷，p_e,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的输出功率，p_e,pv,m,t＝η_e,pvS_pvG_t,d，p_e,pv,m,t为第m个剩余预测运行数据对应的光伏阵列t时刻的出力，η_e,pv为光伏转化效率，S_pv为光伏阵列的光伏板面积，G_t,d为光伏板单位面积的太阳辐射强度，p_{h,gt_mid,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的中品位热能输出功率，p_{h,gt_low,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的低品位热能输出功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的散热功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_{h,steam_low,m,t}＝η_h,steamp_{h,steam_mid,m,t}，p_{h,steam_mid,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的中品位热功率需求，η_h,steam为低品位热回收效率，p_{h,steam_low,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的低品位热回收功率，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻输出的热能，L_h,t为园区t时刻以热水为主的热负荷预测值，L_c,t为园区t时刻以冷水为主的冷负荷预测值，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻输出的冷能，L_air,h,t为园区各建筑物t时刻室内制热产生的温控负荷预测值之和，L_air,c,t为园区各建筑物t时刻室内制冷产生的温控负荷预测值之和，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻输出的冷能，p_h,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机输入的热能；

按下式确定所述可平移电能负荷约束条件：

式中，

为园区可平移电能负荷的最大值，

为园区可平移电能负荷的最小值；

按下式确定所述电动汽车运行负荷约束条件：

式中，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区时的荷电状态预测值，E_vc,i为第i个电动汽车的电池容量，p_vc,charge为充电桩的充电功率，

为第m个剩余预测运行数据对应的第i个电动汽车在第j个充电桩充电的状态，取值为0或1，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区的时刻，

为第m个剩余预测运行数据对应的第i个电动汽车离开工业园区的时刻。

进一步地，所述基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，包括：

按下式确定工业园区的能源日前调度方案：

式中，P_m为工业园区内电动汽车的第m个剩余预测运行数据对应的发生概率，p_g,gt,t为燃气轮机t时刻的天然气消耗量，p_h,hp,t为电热泵t时刻的输入功率，p_c,ac,t为吸收式制冷机t时刻的输出功率，p_c,er,t为电制冷机t时刻的输出功率，p_es,ch,t为蓄电池t时刻的充电功率，p_es,dis,t为蓄电池t时刻的放电功率，p_hs,ch,t为储热罐t时刻的储热功率，p_hs,dis,t为储热罐t时刻的放热功率，p_eb,t为电网t时刻向园区的售电功率，p_es,t为园区t时刻向电网的售电功率，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值。

基于同一发明构思，本发明还提供一种工业园区能源日前调度装置，其改进之处在于，包括：

预测单元，用于基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集；

第一获取单元，用于基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；

第二获取单元，用于基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；

调度单元，用于基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度。

与最接近的现有技术相比，本发明具有的有益效果：

本发明涉及一种工业园区能源日前调度方法及装置，包括：基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集；基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度；本发明的调度方案将园区内电动汽车负荷的不确定性考虑在内，提高了园区的用能效率，降低了用能成本。

其中，在本发明的优化调度模型设置的可平移电能负荷，可依据电能价格信息设置电能负荷平移，模拟用户的弹性用电行为，进一步提升园区能源运行经济性；

在本发明的优化调度模型设置的园区各建筑物的室内温度约束，可以提高园区用户的用能舒适度；

在本发明的优化调度模型设置的能源梯级供需平衡约束，建立能源梯级利用的园区综合能源系统供能结构，可以充分实现能源系统的多能互补，提升园区能源运行的经济性，促进综合能源系统在工业园区的推广应用。

附图说明

图1是本发明工业园区能源日前调度方法流程图；

图2是本发明工业园区能源日前调度装置示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

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它实施例，都属于本发明保护的范围。

实施例1

本发明提供一种工业园区能源日前调度方法，如图1所示，包括：

步骤1.基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集；

步骤2.基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；

步骤3.基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；

步骤4.基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度。

在本发明的实施例中，上述日前调度方案，包括：燃气轮机的天然气消耗量、电热泵的输入功率、吸收式制冷机的输出功率、电制冷机的输出功率、蓄电池的充/放电功率、储热罐的储/放热功率、电网向园区的售电功率和园区向电网的售电功率。

在本发明的实施例中，上述步骤1.基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集，包括：

获取工业园区内电动汽车的历史运行数据对应的概率密度函数；

基于所述工业园区内电动汽车的历史运行数据对应的概率密度函数，利用蒙特卡洛算法获得所述工业园区内电动汽车的预测运行数据集。

其中，上述运行数据包括：到达工业园区时刻、离开工业园区时刻和到达工业园区时的荷电状态。

具体地，电动汽车到达工业园区时刻在[1,24]之间服从正态分布，按下式确定第i辆电动汽车的历史到达工业园区时刻的概率密度函数P(t_i ^start)：

式中，t_i ^start为第i辆电动汽车到达工业园区时刻，μ_i ^start为第i辆电动汽车历史到达工业园区时刻的平均值，σ_i,start为第i辆电动汽车历史到达工业园区时刻的标准差；

电动汽车离开工业园区时刻在[1,24]之间服从正态分布，按下式确定第i辆电动汽车的历史离开工业园区时刻的概率密度函数P(t_i ^end)：

式中，t_i ^end为第i辆电动汽车离开工业园区时刻，

为第i辆电动汽车历史离开工业园区时刻的平均值，σ_i,end为第i辆电动汽车历史离开工业园区时刻的标准差；

电动汽车到达工业园区时的荷电状态在[0.2,0.95]之间服从正态分布，按下式确定第i辆电动汽车的历史到达工业园区时的荷电状态的概率密度函数P(SOC_i ^start)：

式中，SOC_i ^start为第i电动汽车到达工业园区时的荷电状态，μ_i,S为第i电动汽车历史到达工业园区时的荷电状态的平均值，σ_i,S为第i电动汽车历史到达工业园区时的荷电状态的标准差。

得到三个参数的概率密度函数后，基于三个概率密度函数，利用蒙特卡洛模拟区域内足够数量的电动汽车运行参数，构成工业园区电动汽车的预测运行数据集；并基于预设的预测运行数据总数，采用同步回代场景削减法形成电动汽车的预测运行数据，在同步回代场景削减法中，刚开始每个预测运行数据都对应相等的发生概率，通过场景削减，最终削减得到的剩余的运行数据会对应不同的发生概率。

具体为，在本发明的实施例中，上述步骤2基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，包括：

根据工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离，确定与每个预测运行数据距离最近的另一预测运行数据；

根据每个预测运行数据与其距离最近的另一预测运行数据之间的欧氏距离，计算每个预测运行数据对应的概率距离；

从预测运行数据集中删除概率距离最小值对应的预测运行数据，并利用被删除预测运行数据的发生概率以及与被删除预测运行数据距离最近的另一预测运行数据的发生概率之和更新与被删除预测运行数据距离最近的另一预测运行数据的发生概率；

重复上述步骤，直至预测运行数据集中剩余预测运行数据数量满足预设阈值需求。

当第一次执行上述步骤时，按下式获取预测运行数据k对应的发生概率P_k：

式中，K为工业园区内电动汽车的预测运行数据集中预测运行数据总数；

上述步骤中的概率距离的计算方法，包括：

其中，按下式确定预测运行数据k对应的概率距离PD_k：

PD_k＝P_kD_k,r

式中，k∈[1,K]，K为工业园区内电动汽车的预测运行数据集中预测运行数据总数，D_k,r为预测运行数据k与其距离最近的另一预测运行数据r的欧式距离，r∈[1,K]且r≠k。

具体地，上述步骤3基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案，包括：

将工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率代入预先建立的日前调度优化模型，求解所述日前调度优化模型，获得所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案。

进一步地，按下式确定所述日前调度优化模型的目标函数：

式中，P_m为第m个剩余预测运行数据对应的发生概率，Δt为时刻间隔，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值，ω_g为天然气单价，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，ω_hp为电热泵单位出力运维费用，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，ω_ac为吸收式制冷机单位出力运维费用，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，ω_er为电制冷机单位出力运维费用，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，ω_es为蓄电池单位出力运维费用，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，ω_hs为储热罐单位运维费用，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，ω_eb,t为电网向用户售电的电价，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，ω_es,t为用户向电网售电的电价，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，ω_ctax为单位碳税值，e_gas为天然气单位产能的碳排放，e_grid为传统电厂单位产能的碳排放，η_grid为电网传输效率，γ_h为温度偏好因子，γ_h∈[0,1]，T_in,m,s,t为第m个剩余预测运行数据对应的园区内第s个建筑物t时刻的室内温度，T_comf,s为园区内第s个建筑物的室内最适温度，s∈[1,S]，S为园区内建筑物总数。

上述目标函数的输出数据包括：燃气轮机的天然气消耗量、电热泵的输入功率、吸收式制冷机的输出功率、电制冷机的输出功率、蓄电池的充/放电功率、储热罐的储/放热功率、电网向园区的售电功率和园区向电网的售电功率以及建筑物的室内温度。

其中，上述日前调度优化模型的约束条件包括：建筑物室内温度约束条件、能源梯级供需平衡约束条件、可平移电能负荷约束条件、电动汽车运行负荷约束条件、燃气轮机出力约束条件、蓄电池运行约束条件、储热罐运行约束条件、电热泵运行约束条件、电制冷机运行约束条件和吸收式制冷机运行约束条件。

进一步地，按下式确定所述建筑物室内温度约束条件：

式中，k_wall,s为第s个建筑物的外墙传热系数，S_wall,s为外墙面积，k_win,s为第s个建筑物的外窗传热系数，S_win,s为第s个建筑物的外窗面积，T_out,t为园区t时刻的室外环境温度，T_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻的室内温度，

为园区室内温度的最小值，

为园区室内温度的最大值，G_t为t时刻的太阳辐射强度，S_c,s为园区第s个建筑物的遮阳系数，p_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻室内物体的放热功率，L_air,c,s,t为园区第s个建筑物t时刻室内取暖产生的温控负荷预测值，L_air.h,s,t为园区第s个建筑物t时刻室内制冷产生的温控负荷预测值，T_in,m,s,t+1为第m个剩余预测运行数据对应的园区第s个建筑物t+1时刻的室内温度，ρ为空气密度，C为空气比热容，V_s为第s个建筑物的体积；

按下式确定所述能源梯级供需平衡约束条件：

式中，L_e,t为园区t时刻的电能负荷预测值，L_vc,cha,m,t为第m个剩余预测运行数据对应的园区t时刻充电桩的充电功率之和，p_e,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_e,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输入功率，L_e,mov,m,t为第m个剩余预测运行数据对应的园区t时刻的可平移电能负荷，p_e,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的输出功率，p_e,pv,m,t＝η_e,pvS_pvG_t,d，p_e,pv,m,t为第m个剩余预测运行数据对应的光伏阵列t时刻的出力，η_e,pv为光伏转化效率，S_pv为光伏阵列的光伏板面积，G_t,d为光伏板单位面积的太阳辐射强度，p_{h,gt_mid,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的中品位热能输出功率，p_{h,gt_low,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的低品位热能输出功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的散热功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_{h,steam_low,m,t}＝η_h,steamp_{h,steam_mid,m,t}，p_{h,steam_mid,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的中品位热功率需求，η_h,steam为低品位热回收效率，p_{h,steam_low,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的低品位热回收功率，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻输出的热能，L_h,t为园区t时刻以热水为主的热负荷预测值，L_c,t为园区t时刻以冷水为主的冷负荷预测值，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻输出的冷能，L_air,h,t为园区各建筑物t时刻室内制热产生的温控负荷预测值之和，L_air,c,t为园区各建筑物t时刻室内制冷产生的温控负荷预测值之和，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻输出的冷能，p_h,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机输入的热能；

按下式确定所述可平移电能负荷约束条件：

式中，

为园区可平移电能负荷的最大值，

为园区可平移电能负荷的最小值；按下式确定所述电动汽车运行负荷约束条件：

式中，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区时的荷电状态预测值，E_vc,i为第i个电动汽车的电池容量，p_vc,charge为充电桩的充电功率，

为第m个剩余预测运行数据对应的第i个电动汽车在第j个充电桩充电的状态，取值为0或1，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区的时刻，

为第m个剩余预测运行数据对应的第i个电动汽车离开工业园区的时刻。

进一步地，上述步骤4基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，包括：

按下式确定工业园区的能源日前调度方案：

式中，P_m为工业园区内电动汽车的第m个剩余预测运行数据对应的发生概率，p_g,gt,t为燃气轮机t时刻的天然气消耗量，p_h,hp,t为电热泵t时刻的输入功率，p_c,ac,t为吸收式制冷机t时刻的输出功率，p_c,er,t为电制冷机t时刻的输出功率，p_es,ch,t为蓄电池t时刻的充电功率，p_es,dis,t为蓄电池t时刻的放电功率，p_hs,ch,t为储热罐t时刻的储热功率，p_hs,dis,t为储热罐t时刻的放热功率，p_eb,t为电网t时刻向园区的售电功率，p_es,t为园区t时刻向电网的售电功率，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值。

燃气轮机出力约束条件：

式中，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，η_e,gt为，p_e,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的输出功率，

为燃气轮机的输出功率最小值，

为燃气轮机的输出功率最大值，p_{h,gt_mid,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的中品位热能输出功率，η_{h,gt_mid}为中品位热能回收效率，p_{h,gt_low,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的低品位热能输出功率，η_{h,gt_low}为低品位热能回收效率。

蓄电池运行约束条件：

式中，E_es,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的存储电量，E_es,m,t+1为第m个剩余预测运行数据对应的蓄电池t+1时刻存储的电量，σ_es为蓄电池的自放电系数，η_es,ch为蓄电池的充电效率，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,ch,max为蓄电池的充电功率最大值，p_es,ch,min为蓄电池的充电功率最小值，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，η_es,dis为蓄电池的放电效率，E_es,min为蓄电池的存储电量最小值，E_es,max为蓄电池的存储电量最大，x_es,ch(t)为蓄电池t时刻的充电状态，取值为0或1，x_es,dis(t)为蓄电池t时刻的放电状态，取值为0或1；

储热罐运行约束条件：

式中，E_hs,m,t为第m个剩余预测运行数据对应的储热罐t时刻的蓄热量，E_hs,m,t+1为第m个剩余预测运行数据对应的储热罐t+1时刻的蓄热量，σ_hs为储热罐的散热系数，η_hs,ch为储热罐的充能效率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs.ch.min为储热罐的储热功率最小值，p_hs.ch.max为储热罐的储热功率最大值，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的散热功率，p_hs.dis.min为储热罐的散热功率最小值，p_hs.dis.max为储热罐的散热功率最大值，η_hs,dis为储热罐的放能效率，E_hs,min为储热罐的蓄热量最小值，E_hs,max为储热罐的蓄热量最大值，x_hs,ch(t)为储热罐t时刻的储热状态，取值为0或1，x_hs,dis(t)为储热罐t时刻的放热状态，取值为0或1；

电热泵运行约束条件：

式中，η_hp为电热泵转换效率，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输出的热能，p_e,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_e,hp,min为电热泵的输入功率下限值，p_e,hp,max为电热泵的输入功率上限值；

电制冷机运行约束条件：

式中，η_er为电制冷机的转换效率，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻输出的冷能，p_e,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输入功率，p_e,er,min为电制冷机的输入功率下限值，p_e,er,max为电制冷机的输入功率上限值；

吸收式制冷机运行约束条件：

式中，η_ac为吸收式制冷机的转换效率，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻输出的冷能，p_h,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输入功率，p_h,ac,min为吸收式制冷机的输入功率下限值，p_h,ac,max为吸收式制冷机的输入功率上限值。

实施例2

基于同一发明构思，本发明还提供一种工业园区能源日前调度装置，如图2所示，包括：

预测单元，用于基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集；

第一获取单元，用于基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；

第二获取单元，用于基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；

调度单元，用于基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度。

在本发明的实施例中，上述运行数据包括：到达工业园区时刻、离开工业园区时刻和到达工业园区时的荷电状态。

具体地，上述日前调度方案，包括：燃气轮机的天然气消耗量、电热泵的输入功率、吸收式制冷机的输出功率、电制冷机的输出功率、蓄电池的充/放电功率、储热罐的储/放热功率、电网向园区的售电功率和园区向电网的售电功率。

上述预测单元，具体用于：

获取工业园区内电动汽车的历史运行数据对应的概率密度函数；

基于所述工业园区内电动汽车的历史运行数据对应的概率密度函数，利用蒙特卡洛算法获得所述工业园区内电动汽车的预测运行数据集。

具体地，上述基第一获取单元，具体用于：

根据工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离，确定与每个预测运行数据距离最近的另一预测运行数据；

根据每个预测运行数据与其距离最近的另一预测运行数据之间的欧氏距离，计算每个预测运行数据对应的概率距离；

从预测运行数据集中删除概率距离最小值对应的预测运行数据，并利用被删除预测运行数据的发生概率以及与被删除预测运行数据距离最近的另一预测运行数据的发生概率之和更新与被删除预测运行数据距离最近的另一预测运行数据的发生概率；

重复上述步骤，直至预测运行数据集中剩余预测运行数据数量满足预设阈值需求；

其中，按下式确定预测运行数据k对应的概率距离PD_k：

PD_k＝P_kD_k,r

式中，k∈[1,K]，K为工业园区内电动汽车的预测运行数据集中预测运行数据总数，D_k,r为预测运行数据k与其距离最近的另一预测运行数据r的欧式距离，r∈[1,K]且r≠k。

具体地，上述第二获取单元，具体用于：

将工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率代入预先建立的日前调度优化模型，求解所述日前调度优化模型，获得所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案。

进一步地，按下式确定所述日前调度优化模型的目标函数：

式中，P_m为第m个剩余预测运行数据对应的发生概率，Δt为时刻间隔，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值，ω_g为天然气单价，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，ω_hp为电热泵单位出力运维费用，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，ω_ac为吸收式制冷机单位出力运维费用，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，ω_er为电制冷机单位出力运维费用，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，ω_es为蓄电池单位出力运维费用，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，ω_hs为储热罐单位运维费用，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，ω_eb,t为电网向用户售电的电价，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，ω_es,t为用户向电网售电的电价，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，ω_ctax为单位碳税值，e_gas为天然气单位产能的碳排放，e_grid为传统电厂单位产能的碳排放，η_grid为电网传输效率，γ_h为温度偏好因子，γ_h∈[0,1]，T_in,m,s,t为第m个剩余预测运行数据对应的园区内第s个建筑物t时刻的室内温度，T_comf,s为园区内第s个建筑物的室内最适温度，s∈[1,S]，S为园区内建筑物总数。

其中，上述日前调度优化模型的约束条件包括：建筑物室内温度约束条件、能源梯级供需平衡约束条件、可平移电能负荷约束条件、电动汽车运行负荷约束条件、燃气轮机出力约束条件、蓄电池运行约束条件、储热罐运行约束条件、电热泵运行约束条件、电制冷机运行约束条件和吸收式制冷机运行约束条件。

进一步地，按下式确定所述建筑物室内温度约束条件：

式中，k_wall,s为第s个建筑物的外墙传热系数，S_wall,s为外墙面积，k_win,s为第s个建筑物的外窗传热系数，S_win,s为第s个建筑物的外窗面积，T_out,t为园区t时刻的室外环境温度，T_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻的室内温度，

为园区室内温度的最小值，

为园区室内温度的最大值，G_t为t时刻的太阳辐射强度，S_c,s为园区第s个建筑物的遮阳系数，p_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻室内物体的放热功率，L_air,c,s,t为园区第s个建筑物t时刻室内取暖产生的温控负荷预测值，L_air.h,s,t为园区第s个建筑物t时刻室内制冷产生的温控负荷预测值，T_in,m,s,t+1为第m个剩余预测运行数据对应的园区第s个建筑物t+1时刻的室内温度，ρ为空气密度，C为空气比热容，V_s为第s个建筑物的体积；

按下式确定所述能源梯级供需平衡约束条件：

式中，L_e,t为园区t时刻的电能负荷预测值，L_vc,cha,m,t为第m个剩余预测运行数据对应的园区t时刻充电桩的充电功率之和，p_e,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_e,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输入功率，L_e,mov,m,t为第m个剩余预测运行数据对应的园区t时刻的可平移电能负荷，p_e,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的输出功率，p_e,pv,m,t＝η_e,pvS_pvG_t,d，p_e,pv,m,t为第m个剩余预测运行数据对应的光伏阵列t时刻的出力，η_e,pv为光伏转化效率，S_pv为光伏阵列的光伏板面积，G_t,d为光伏板单位面积的太阳辐射强度，p_{h,gt_mid,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的中品位热能输出功率，p_{h,gt_low,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的低品位热能输出功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的散热功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_{h,steam_low,m,t}＝η_h,steamp_{h,steam_mid,m,t}，p_{h,steam_mid,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的中品位热功率需求，η_h,steam为低品位热回收效率，p_{h,steam_low,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的低品位热回收功率，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻输出的热能，L_h,t为园区t时刻以热水为主的热负荷预测值，L_c,t为园区t时刻以冷水为主的冷负荷预测值，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻输出的冷能，L_air,h,t为园区各建筑物t时刻室内制热产生的温控负荷预测值之和，L_air,c,t为园区各建筑物t时刻室内制冷产生的温控负荷预测值之和，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻输出的冷能，p_h,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机输入的热能；

按下式确定所述可平移电能负荷约束条件：

式中，

为园区可平移电能负荷的最大值，

为园区可平移电能负荷的最小值；按下式确定所述电动汽车运行负荷约束条件：

式中，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区时的荷电状态预测值，E_vc,i为第i个电动汽车的电池容量，p_vc,charge为充电桩的充电功率，

为第m个剩余预测运行数据对应的第i个电动汽车在第j个充电桩充电的状态，取值为0或1，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区的时刻，

为第m个剩余预测运行数据对应的第i个电动汽车离开工业园区的时刻。

上述调度单元，具体用于：

按下式确定工业园区的能源日前调度方案：

式中，P_m为工业园区内电动汽车的第m个剩余预测运行数据对应的发生概率，p_g,gt,t为燃气轮机t时刻的天然气消耗量，p_h,hp,t为电热泵t时刻的输入功率，p_c,ac,t为吸收式制冷机t时刻的输出功率，p_c,er,t为电制冷机t时刻的输出功率，p_es,ch,t为蓄电池t时刻的充电功率，p_es,dis,t为蓄电池t时刻的放电功率，p_hs,ch,t为储热罐t时刻的储热功率，p_hs,dis,t为储热罐t时刻的放热功率，p_eb,t为电网t时刻向园区的售电功率，p_es,t为园区t时刻向电网的售电功率，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值。

综上所述，本发明涉及一种工业园区能源日前调度方法及装置，包括：基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集；基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度；本发明的调度方案将园区内电动汽车负荷的不确定性考虑在内，提高了园区的用能效率，降低了用能成本。

其中，在本发明的优化调度模型设置的可平移电能负荷，可依据电能价格信息设置电能负荷平移，模拟用户的弹性用电行为，进一步提升园区能源运行经济性；

在本发明的优化调度模型设置的园区各建筑物的室内温度约束，可以提高园区用户的用能舒适度；

在本发明的优化调度模型设置的能源梯级供需平衡约束，建立能源梯级利用的园区综合能源系统供能结构，可以充分实现能源系统的多能互补，提升园区能源运行的经济性，促进综合能源系统在工业园区的推广应用。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种工业园区能源日前调度方法，其特征在于，包括：

基于工业园区内电动汽车的历史运行数据，获得工业园区内电动汽车的预测运行数据集；

基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；

基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；

基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度。

2.如权利要求1所述的方法，其特征在于，所述日前调度方案，包括：燃气轮机的天然气消耗量、电热泵的输入功率、吸收式制冷机的输出功率、电制冷机的输出功率、蓄电池的充/放电功率、储热罐的储/放热功率、电网向园区的售电功率和园区向电网的售电功率。

3.如权利要求1所述的方法，其特征在于，所述基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集，包括：

获取工业园区内电动汽车的历史运行数据对应的概率密度函数；

基于所述工业园区内电动汽车的历史运行数据对应的概率密度函数，利用蒙特卡洛算法获得所述工业园区内电动汽车的预测运行数据集；

其中，所述运行数据包括：到达工业园区时刻、离开工业园区时刻和到达工业园区时的荷电状态。

4.如权利要求1所述的方法，其特征在于，所述基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，包括：

根据工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离，确定与每个预测运行数据距离最近的另一预测运行数据；

根据每个预测运行数据与其距离最近的另一预测运行数据之间的欧氏距离，计算每个预测运行数据对应的概率距离；

从预测运行数据集中删除概率距离最小值对应的预测运行数据，并利用被删除预测运行数据的发生概率以及与被删除预测运行数据距离最近的另一预测运行数据的发生概率之和更新与被删除预测运行数据距离最近的另一预测运行数据的发生概率；

重复上述步骤，直至预测运行数据集中剩余预测运行数据数量满足预设阈值需求；

其中，按下式确定预测运行数据k对应的概率距离PD_k：

PD_k＝P_kD_k,r

式中，k∈[1,K]，K为工业园区内电动汽车的预测运行数据集中预测运行数据总数，D_k,r为预测运行数据k与其距离最近的另一预测运行数据r的欧式距离，r∈[1,K]且r≠k。

5.如权利要求3所述的方法，其特征在于，所述基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案，包括：

将工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率代入预先建立的日前调度优化模型，求解所述日前调度优化模型，获得所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案。

6.如权利要求5所述的方法，其特征在于，按下式确定所述日前调度优化模型的目标函数：

式中，P_m为第m个剩余预测运行数据对应的发生概率，Δt为时刻间隔，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值，ω_g为天然气单价，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，ω_hp为电热泵单位出力运维费用，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，ω_ac为吸收式制冷机单位出力运维费用，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，ω_er为电制冷机单位出力运维费用，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，ω_es为蓄电池单位出力运维费用，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，ω_hs为储热罐单位运维费用，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，ω_eb,t为电网向用户售电的电价，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，ω_es,t为用户向电网售电的电价，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，ω_ctax为单位碳税值，e_gas为天然气单位产能的碳排放，e_grid为传统电厂单位产能的碳排放，η_grid为电网传输效率，γ_h为温度偏好因子，γ_h∈[0,1]，T_in,m,s,t为第m个剩余预测运行数据对应的园区内第s个建筑物t时刻的室内温度，T_comf,s为园区内第s个建筑物的室内最适温度，s∈[1,S]，S为园区内建筑物总数。

7.如权利要求6所述的方法，其特征在于，所述日前调度优化模型的约束条件包括：建筑物室内温度约束条件、能源梯级供需平衡约束条件、可平移电能负荷约束条件、电动汽车运行负荷约束条件、燃气轮机出力约束条件、蓄电池运行约束条件、储热罐运行约束条件、电热泵运行约束条件、电制冷机运行约束条件和吸收式制冷机运行约束条件。

8.如权利要求7所述的方法，其特征在于，按下式确定所述建筑物室内温度约束条件：

式中，k_wall,s为第s个建筑物的外墙传热系数，S_wall,s为外墙面积，k_win,s为第s个建筑物的外窗传热系数，S_win,s为第s个建筑物的外窗面积，T_out,t为园区t时刻的室外环境温度，T_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻的室内温度，

为园区室内温度的最小值，

为园区室内温度的最大值，G_t为t时刻的太阳辐射强度，S_c,s为园区第s个建筑物的遮阳系数，p_in,m,s,t为第m个剩余预测运行数据对应的园区第s个建筑物t时刻室内物体的放热功率，L_air,c,s,t为园区第s个建筑物t时刻室内取暖产生的温控负荷预测值，L_air.h,s,t为园区第s个建筑物t时刻室内制冷产生的温控负荷预测值，T_in,m,s,t+1为第m个剩余预测运行数据对应的园区第s个建筑物t+1时刻的室内温度，ρ为空气密度，C为空气比热容，V_s为第s个建筑物的体积；

按下式确定所述能源梯级供需平衡约束条件：

式中，L_e,t为园区t时刻的电能负荷预测值，L_vc,cha,m,t为第m个剩余预测运行数据对应的园区t时刻充电桩的充电功率之和，p_e,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_e,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输入功率，L_e,mov,m,t为第m个剩余预测运行数据对应的园区t时刻的可平移电能负荷，p_e,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的输出功率，p_e,pv,m,t＝η_e,pvS_pvG_t,d，p_e,pv,m,t为第m个剩余预测运行数据对应的光伏阵列t时刻的出力，η_e,pv为光伏转化效率，S_pv为光伏阵列的光伏板面积，G_t,d为光伏板单位面积的太阳辐射强度，p_{h,gt_mid,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的中品位热能输出功率，p_{h,gt_low,m,t}为第m个剩余预测运行数据对应的燃气轮机余热锅炉t时刻的低品位热能输出功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的散热功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_{h,steam_low,m,t}＝η_h,steamp_{h,steam_mid,m,t}，p_{h,steam_mid,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的中品位热功率需求，η_h,steam为低品位热回收效率，p_{h,steam_low,m,t}为第m个剩余预测运行数据对应的热蒸汽驱动负荷t时刻的低品位热回收功率，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻输出的热能，L_h,t为园区t时刻以热水为主的热负荷预测值，L_c,t为园区t时刻以冷水为主的冷负荷预测值，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻输出的冷能，L_air,h,t为园区各建筑物t时刻室内制热产生的温控负荷预测值之和，L_air,c,t为园区各建筑物t时刻室内制冷产生的温控负荷预测值之和，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻输出的冷能，p_h,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机输入的热能；

按下式确定所述可平移电能负荷约束条件：

式中，

为园区可平移电能负荷的最大值，

为园区可平移电能负荷的最小值；

按下式确定所述电动汽车运行负荷约束条件：

式中，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区时的荷电状态预测值，E_vc,i为第i个电动汽车的电池容量，p_vc,charge为充电桩的充电功率，

为第m个剩余预测运行数据对应的第i个电动汽车在第j个充电桩充电的状态，取值为0或1，

为第m个剩余预测运行数据对应的第i个电动汽车到达工业园区的时刻，

为第m个剩余预测运行数据对应的第i个电动汽车离开工业园区的时刻。

9.如权利要求2所述的方法，其特征在于，所述基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，包括：

按下式确定工业园区的能源日前调度方案：

式中，P_m为工业园区内电动汽车的第m个剩余预测运行数据对应的发生概率，p_g,gt,t为燃气轮机t时刻的天然气消耗量，p_h,hp,t为电热泵t时刻的输入功率，p_c,ac,t为吸收式制冷机t时刻的输出功率，p_c,er,t为电制冷机t时刻的输出功率，p_es,ch,t为蓄电池t时刻的充电功率，p_es,dis,t为蓄电池t时刻的放电功率，p_hs,ch,t为储热罐t时刻的储热功率，p_hs,dis,t为储热罐t时刻的放热功率，p_eb,t为电网t时刻向园区的售电功率，p_es,t为园区t时刻向电网的售电功率，p_g,gt,m,t为第m个剩余预测运行数据对应的燃气轮机t时刻的天然气消耗量，p_h,hp,m,t为第m个剩余预测运行数据对应的电热泵t时刻的输入功率，p_c,ac,m,t为第m个剩余预测运行数据对应的吸收式制冷机t时刻的输出功率，p_c,er,m,t为第m个剩余预测运行数据对应的电制冷机t时刻的输出功率，p_es,ch,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的充电功率，p_es,dis,m,t为第m个剩余预测运行数据对应的蓄电池t时刻的放电功率，p_hs,ch,m,t为第m个剩余预测运行数据对应的储热罐t时刻的储热功率，p_hs,dis,m,t为第m个剩余预测运行数据对应的储热罐t时刻的放热功率，p_eb,m,t为第m个剩余预测运行数据对应的电网t时刻向园区的售电功率，p_es,m,t为第m个剩余预测运行数据对应的园区t时刻向电网的售电功率，t∈[1,D]，D为时刻总数，m∈[1,M]，M为预设阈值。

10.一种工业园区能源日前调度装置，其特征在于，包括：

预测单元，用于基于工业园区内电动汽车的历史运行数据获得工业园区内电动汽车的预测运行数据集；

第一获取单元，用于基于工业园区内电动汽车的预测运行数据集中每两个预测运行数据之间的欧式距离对工业园区内电动汽车的预测运行数据集进行数据削减，并获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率；

第二获取单元，用于基于工业园区内电动汽车的预测运行数据集中剩余预测运行数据及其对应的发生概率，获得工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案；

调度单元，用于基于所述工业园区内电动汽车的预测运行数据集中剩余预测运行数据对应的能源日前调度方案获取工业园区的能源日前调度方案，并按照工业园区的能源日前调度方案在调度日进行调度。

Images