CN113988435A - 基于服务商引导的综合能源系统源-荷协同优化方法 - Google Patents

基于服务商引导的综合能源系统源-荷协同优化方法 Download PDF

Info

Publication number
CN113988435A
CN113988435A CN202111280707.9A CN202111280707A CN113988435A CN 113988435 A CN113988435 A CN 113988435A CN 202111280707 A CN202111280707 A CN 202111280707A CN 113988435 A CN113988435 A CN 113988435A
Authority
CN
China
Prior art keywords
load
price
natural gas
energy
period
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.)
Granted
Application number
CN202111280707.9A
Other languages
English (en)
Other versions
CN113988435B (zh
Inventor
陈兴鹏
郑银
彭泓华
姚杰
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.)
Chongqing University of Technology
Original Assignee
Chongqing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202111280707.9A priority Critical patent/CN113988435B/zh
Publication of CN113988435A publication Critical patent/CN113988435A/zh
Application granted granted Critical
Publication of CN113988435B publication Critical patent/CN113988435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

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

Abstract

本发明公开了一种基于服务商引导的综合能源系统源‑荷协同优化方法，建立综合能源系统的需求响应模型，采用粒子群结合混合整数线性规划的双层优化算法对需求响应模型进行求解，以能源价格的限值生成能源价格粒子，计算响应后的负荷；先判断响应前后的负荷总量变化是否满足日负荷总量约束和用能满意度约束；再判断是否满足削峰填谷约束和售能满意度约束，将满足的可行解与当前最优可行解进行比较，若优于当前最优可行解，则将此可行解作为当前最优可行解，重复上述步骤，直至达到最大迭代次数。本发明具有能够在保障园区的参与满意度、用能经济性的基础上挖掘其响应潜力，对园区与主网间电交互功率进行“削峰填谷”，提高系统整体经济性等优点。

Description

基于服务商引导的综合能源系统源-荷协同优化方法
技术领域
本发明涉及综合能源系统技术领域，特别的涉及一种基于服务商引导的综合能源系统源-荷协同优化方法。
背景技术
随着国家能源市场逐步开放，传统能源服务已难以适应新环境下用户的多元化需求，更多市场主体把注意力转移到更经济、高效的综合能源系统。作为综合能源系统的终端应用形式，园区型综合能源系统(Community Integrated Energy System,CIES)具有清洁高效、多负荷集中等特性，有利于可再生能源消纳，可通过优化调度策略发挥多能源互补优势与协同效益，具有很大的调度潜力，有关CIES优化运行的研究已成为热点。
目前国内外关于CIES运行优化策略可概括为集中式与分布式两类。其中集中式优化策略大多基于综合需求响应(Integrated Demand Response,IDR)机制引导需求侧调整用能、平缓负荷波动，实现多能协调互补。通过IDR机制虽然能够实现系统经济运行和灵活调度，但仅将CIES作为价格接受者，未能充分挖掘其响应潜力，对上级能源网络与CIES的交互分析不足。而CIES分布式优化对价格机制的应用较少，且多数研究将负荷聚合商考虑为需求侧，尚未考虑用户主体的满意度与响应程度。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够在保障园区的参与满意度、用能经济性的基础上挖掘其响应潜力，对园区与主网间电交互功率进行“削峰填谷”，优化配置系统能源资源，提高系统整体经济性的基于服务商引导的综合能源系统源-荷协同优化方法。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，先建立综合能源系统的需求响应模型，采用粒子群结合混合整数线性规划的双层优化算法对需求响应模型进行求解，具体步骤如下：
S1、以能源价格的限值生成能源价格粒子，将能源价格粒子代入需求响应模型，计算响应后的负荷；
S2、判断响应前的负荷总量和响应后的负荷总量的变化是否满足日负荷总量约束和用能满意度约束；若满足，则进行后续步骤，否则，重复步骤S1；
S3、以设备出力与供需平衡约束和能量母线的供需平衡约束为约束条件，以用户侧的经济成本最低为目标函数进行经济调度，并判断是否满足削峰填谷约束和售能满意度约束，若满足，则进行后续步骤，否则，重复步骤S1；
S4、将满足步骤S1～S3的可行解与当前最优可行解进行比较，若优于当前最优可行解，则将满足步骤S1～S3的可行解作为当前最优可行解，否则重复步骤S1；
S5、重复步骤S1～S4，直至达到最大迭代次数。
作为优化，在所述步骤S4前，将日负荷总量约束、用能满意度约束、削峰填谷约束和售能满意度约束作为惩罚因子加入粒子适应度。
作为优化，在所述步骤S4前，对每个种群中的最优个体粒子引入反向学习策略，生成精英个体反向解。
作为优化，所述步骤S2中，日负荷总量约束为：
Figure BDA0003330435440000021
式中：E∈{P,G}分别表示电能、天然气；
Figure BDA0003330435440000022
与
Figure BDA0003330435440000023
分别为t时段原始条件下以及响应后电、天然气负荷；
Figure BDA0003330435440000024
为总量松弛系数；
用能满意度约束为：
Figure BDA0003330435440000025
式中：E∈{P,G}分别表示电能、天然气；
Figure BDA0003330435440000026
表示t时段电、气负荷的变化量；
Figure BDA0003330435440000027
表示t时段的电、气负荷；SUEmin与SUE分别为最低用能满意度与实际满意度。
作为优化，所述步骤3中，用户侧的经济成本最低为目标函数满足用户侧经济成本约束：
Figure BDA0003330435440000028
式中：
Figure BDA0003330435440000029
为原始情景下用户侧总经济成本，
Figure BDA00033304354400000210
为考虑IESP参与时用户侧总经济成本；
削峰填谷约束为：
Figure BDA00033304354400000211
式中：Pexo与Pexdr分别为原始情景与引导响应后联络线输电功率，mean(Pex)为联络线输电功率的平均值，max(Pex)为联络线输电功率的平均值的最大值，γLP为日平均负载率，
Figure BDA00033304354400000212
为引导响应后的日平均负载率，
Figure BDA00033304354400000213
为原始情景的日平均负载率；
售能满意度约束为：
SPCmin≤SPC
Figure BDA0003330435440000031
SGCmin≤SGC
Figure BDA0003330435440000032
式中：SPCmin与SPC分别为电网公司收益最低满意度与实际满意度；CR为电网需支付给IESP的削峰补偿激励；SGCmin与SGC分别为天然气公司收益最低满意度与实际满意度，
Figure BDA0003330435440000033
为IESP给定的t时段引导电价，
Figure BDA0003330435440000034
为t时段的电价，
Figure BDA0003330435440000035
为供电成本；
Figure BDA0003330435440000036
为IESP给定的t时段引导天然气价，
Figure BDA0003330435440000037
为天然气成本，
Figure BDA0003330435440000038
为t时段的天然气价。
作为优化，综合能源系统的需求响应模型包括电能需求响应模型和天然气需求响应模型，电能需求响应模型为：
Pl dr＝Pl o+ΔPl
式中：Pl o与Pl dr分别为原始条件下以及响应后的用户侧电力负荷需求；ΔPl为电负荷变化量，电负荷变化量与电价的变化量满足下式：
ΔPlN＝MPΔJPN
Figure BDA0003330435440000039
Figure BDA00033304354400000310
Figure BDA00033304354400000311
式中：ΔPlN为电量变化的归一化矩阵，矩阵内元素Pl t与ΔPl t分别为t时段电量及其变化量；ΔJPN为电价变化的归一化矩阵，矩阵内元素
Figure BDA00033304354400000312
与
Figure BDA00033304354400000313
分别t时段的电价及其价格变化量；MP为电能的需求价格弹性矩阵，矩阵内主对角线元素εtt为自弹性系数，表示t时段电量对当前时段价格变化的响应程度；εtj为交叉弹性系数，表示t时段电量对j时段价格变化的响应；
天然气需求响应模型为：
ΔGlN＝MGΔJGN
Figure BDA0003330435440000041
Figure BDA0003330435440000042
Figure BDA0003330435440000043
式中：ΔGlN为天然气用量变化的归一化矩阵，矩阵内元素
Figure BDA0003330435440000044
与
Figure BDA0003330435440000045
分别为t时段天然气用量及其变化量；ΔJGN为天然气价格变化的归一化矩阵，矩阵内元素
Figure BDA0003330435440000046
与
Figure BDA0003330435440000047
分别t时段的天然气价格及其价格变化量；MG为天然气的需求价格弹性矩阵，矩阵内主对角线元素ωtt为自弹性系数，表示t时段天然气用量对当前时段价格变化的响应程度；ωtj为交叉弹性系数，表示t时段天然气用量对j时段价格变化的响应。
作为进一步优化，每时段的电负荷和天然气负荷满足如下约束：
Figure BDA0003330435440000048
式中：E∈{P,G}分别为电能、天然气；
Figure BDA0003330435440000049
表示t时段电、天然气负荷变化量的绝对值；fmove为负荷最大可移动水平；
Figure BDA00033304354400000410
为原始情景下t时段的电、气负荷。
作为优化，所述步骤S1中，能源价格包括电价和天然气价，能源价格的限值包括电能价格范围约束、天然气价格范围约束和峰谷价格比约束，电能价格范围约束为：
Figure BDA00033304354400000411
Figure BDA00033304354400000412
Figure BDA00033304354400000413
式中：JPU与JPL分别表示IESP优化定价时电价的上、下限，
Figure BDA00033304354400000414
为IESP给定的t时段引导电价；fmovemax(Pl o)与fmovemin(Pl o)分别为用电峰时段最大可移出负荷与谷时段最大可移入负荷；
Figure BDA00033304354400000415
为供电成本；εtt为需求价格弹性矩阵内的自弹性系数，为负值；
天然气价格范围约束为：
Figure BDA0003330435440000051
Figure BDA0003330435440000052
Figure BDA0003330435440000053
式中：JGU与JGL分别表示IESP优化定价时天然气价格的上、下限，
Figure BDA0003330435440000054
为IESP给定的t时段引导天然气价格；fmovemax(Gl o)与fmovemin(Gl o)分别为天然气峰时段最大可移出负荷与谷时段最大可移入负荷；
Figure BDA0003330435440000055
为天然气成本；εtt为需求价格弹性矩阵内的自弹性系数，为负值；
峰谷价格比约束为：
K1≤JGp/JGv≤K2
式中：JGp与JGv分别表示天然气峰时、谷时价格；K2与K1分别为最大、最小峰谷价格比值。
综上所述，本发明具有能够在保障园区的参与满意度、用能经济性的基础上挖掘其响应潜力，对园区与主网间电交互功率进行“削峰填谷”，优化配置系统能源资源，提高系统整体经济性等优点。
附图说明
图1为CIES架构图。
图2为IESP引导源-荷交互示意图。
图3为PSO-MILP双层优化求解流程图。
图4为PSO-MILP可行解收敛情况示意图。
图5为IESP价格信号示意图。
图6为IESP引导效果示意图。
图7为电能供需平衡图。
图8为天然气供需平衡图。
图9为CIES室内外温度趋势图。
图10为热能供需平衡图。
图11为冷能供需平衡图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明。
本实施例提出基于综合能源服务商(Integrated Energy Services Provider,IESP)引导的CIES源-荷协同优化运行策略。在供给侧引入IESP以有机整合能源资源，协助上级能源网络引导多能协同灵活交易；综合考虑供能成本、CIES用能需求与需求响应程度等因素以确定电力、天然气价格范围，基于电网与CIES间联络线交互功率变化情况以及响应反馈信息优化电-气联合价格信号。在需求侧，对CIES的可转移电、气负荷以及建筑物虚拟储热特性建立电气热联合的IDR策略；在兼顾CIES用能经济性、满意度以及响应合理性的同时，将响应信息反馈给上层IESP。将上述源荷交互过程划分为“优化定价”与“经济调度”两个层级，引入粒子群-混合整数线性规划的双层优化算法进行分层式优化与迭代，从而实现求解。最后，由算例仿真验证了本实施例所提策略对挖掘CIES调度潜力、提升系统整体经济性等方面的有效性。
1、用户侧园区综合能源系统模型
1.1、CIES建模
以冷热电联产机组、光伏、风机、电制冷及电制热机等设备为基础构建CIES，采用“并网不上网”的运行方式，具体架构如图1所示。
1.1.1、冷热电联产
冷热电联产系统由微型燃气轮机、余热锅炉和吸收式制冷机等设备组成，其数学模型为
Figure BDA0003330435440000061
Figure BDA0003330435440000062
Figure BDA0003330435440000063
Figure BDA0003330435440000064
式中：
Figure BDA0003330435440000065
为微型燃机的耗气量，
Figure BDA0003330435440000066
为机组发电功率，ηmt为发电效率，LHV为天然气低位热值，取9.7kWh/m3；ηrec为余热锅炉热回收效率，γmt为热电比值，
Figure BDA0003330435440000067
为余热锅炉输出热量；
Figure BDA0003330435440000068
与
Figure BDA0003330435440000069
分别为吸收式制冷机和热转换器输入热功率；ηac为吸收制冷率；ηhx热转换器回收效率；
Figure BDA00033304354400000610
与
Figure BDA00033304354400000611
分别为吸收式制冷功率与热转换器制热功率。
1.1.2、电制冷与电制热机
Figure BDA00033304354400000612
Figure BDA0003330435440000071
式中：
Figure BDA0003330435440000072
为电制冷机耗电量，ηec为电制冷率，
Figure BDA0003330435440000073
为电制冷机制冷功率；
Figure BDA0003330435440000074
为电制热机耗电功率，ηeh为电制热率，
Figure BDA0003330435440000075
为电制热机制热功率。
1.1.3、光伏与风机
Figure BDA0003330435440000076
Figure BDA0003330435440000077
式中：
Figure BDA0003330435440000078
与
Figure BDA0003330435440000079
分别表示光伏的实际出力与预测出力；
Figure BDA00033304354400000710
与
Figure BDA00033304354400000711
分别表示风机的实际出力与预测出力；本实施例对风机和光伏出力暂不考虑预测误差及突发气象状况等影响。
1.1.4、燃气锅炉
燃气锅炉消耗天然气以满足用户热能需求，其模型表示为：
Figure BDA00033304354400000712
式中：ηgb为燃气锅炉的气热转换效率，
Figure BDA00033304354400000713
为燃气锅炉制热功率，
Figure BDA00033304354400000714
为锅炉耗气量。
1.2、IDR模型
需求响应机制可引导需求侧改进固有调度计划、实现多能协调、优化负荷曲线。CIES的能源消耗主要为天然气与电力，二者均为现代能源系统的重要资源，具有相似的商品属性，可基于需求弹性策略建立电、气负荷的需求响应模型。此外，为进一步挖掘用户调度潜力，考虑建筑维护结构的虚拟储热特性，对用户热负荷构建热能需求响应模型。
1.2.1、电、气需求响应
以目前应用较广泛的需求价格弹性法描述负荷的需求量与价格之间的关系。以电能为例，其需求响应模型可表示为
Pl dr＝Pl o+ΔPl (10)
式中：Pl o与Pl dr分别为原始条件下以及响应后的用户侧电力负荷需求；ΔPl为电负荷变化量，其与电价的变化量之间存在以下关系：
ΔPlN＝MPΔJPN (11)
Figure BDA00033304354400000715
Figure BDA0003330435440000081
Figure BDA0003330435440000082
式中：ΔPlN为电量变化的归一化矩阵，矩阵内元素Pl t与ΔPl t分别为t时段电量及其变化量；ΔJPN为电价变化的归一化矩阵，矩阵内元素
Figure BDA0003330435440000083
与
Figure BDA0003330435440000084
分别t时段的电价及其价格变化量；MP为电能的需求价格弹性矩阵，矩阵内主对角线元素εtt为自弹性系数，表示t时段电量对当前时段价格变化的响应程度；εtj为交叉弹性系数，表示t时段电量对j时段价格变化的响应。式(10)-(14)为电能需求响应模型。
天然气需求响应模型与之类似，为：
ΔGlN＝MGΔJGN (15)
Figure BDA0003330435440000085
Figure BDA0003330435440000086
Figure BDA0003330435440000087
式中：ΔGlN为天然气用量变化的归一化矩阵，矩阵内元素
Figure BDA0003330435440000088
与
Figure BDA0003330435440000089
分别为t时段天然气用量及其变化量；ΔJGN为天然气价格变化的归一化矩阵，矩阵内元素
Figure BDA00033304354400000810
与
Figure BDA00033304354400000811
分别t时段的天然气价格及其价格变化量；MG为天然气的需求价格弹性矩阵，矩阵内主对角线元素ωtt为自弹性系数，表示t时段天然气用量对当前时段价格变化的响应程度；ωtj为交叉弹性系数，表示t时段天然气用量对j时段价格变化的响应。
考虑需求响应的合理性，对用户参与互动时每时段电、气负荷可响应范围做以下约束
Figure BDA00033304354400000812
式中：E∈{P,G}分别为电能、天然气；
Figure BDA00033304354400000813
表示t时段电、天然气负荷变化量的绝对值；fmove为负荷最大可移动水平；
Figure BDA0003330435440000091
为原始情景下t时段的电、气负荷。
2、IESP引导源-荷协同优化模型
目前有关CIES运行优化研究多是以电网为核心，用户的设备、用能需求与满意度等私密信息均由电网掌握，降低了用户的参与意愿，亦无法充分调用响应资源。为此本实施例引入IESP，使其担任系统源-荷交互的桥梁；考虑由IESP获取用户侧需求与响应满意度等信息，将电力、天然气交易有机结合以充分调动用户响应积极性，通过优化能源价格信号引导能源交互，实现合理、高效的源-荷协同优化，具体框架如图2所示。
整个系统的源荷交互包括“优化定价”与“经济调度”两个层级，二者之间互相影响，通过循环迭代求解。首先，上层的IESP作为源荷交互的载体，为充分调动CIES响应积极性，将电力、天然气交易有机结合；综合考虑供能成本、用户需求信息等因素以确定电力、天然气价格上下限；综合考虑联络线输电功率变化情况与用户响应信息反馈以优化电-气联合价格信号。而下层的CIES将根据价格信号自发转移用能需求，在满足设备出力范围、供需平衡等约束的基础上进行经济调度，并向IESP进行信息反馈。
2.1、决策变量
该源-荷协同优化模型本质上是一个非线性优化问题，问题的决策变量为IESP给定的电力、天然气价格信号以及CIES用能需求。
2.2、约束条件
由于综合能源系统中电-气能源耦合特性，二者负荷需求与价格信号的交互作用较为复杂，为保证源荷交互的合理性，给出相关约束。
2.2.1、源-荷互动约束
(1)价格范围约束：IESP优化电力、天然气价格信号时，为保障供能网络的利益以及CIES需求响应合理性，需综合考虑CIES参与互动时负荷的最大可移动程度，以及电力、天然气的成本。
以电价为例，价格上限可由用电峰时段的负荷及其对应的最大可移出水平结合上文需求响应模型得出。考虑定价合理性，任何时刻能源价格都应该大于其供应成本；确定价格下限时需在考虑谷时段最大移入负荷的基础上兼顾售电利益，取理论下限值与电价成本之间的最大值。
Figure BDA0003330435440000092
Figure BDA0003330435440000093
Figure BDA0003330435440000101
式中：JPU与JPL分别表示IESP优化定价时电价的上、下限，
Figure BDA0003330435440000102
为IESP给定的t时段引导电价；式[fmovemax(Pl o)]与[fmovemin(Pl o)]分别为用电峰时段最大可移出负荷与谷时段最大可移入负荷；
Figure BDA0003330435440000103
为供电成本；εtt为需求价格弹性矩阵内的自弹性系数，为负值；εtt、
Figure BDA0003330435440000104
fmove以及Pl t等均为上述IDR模型相关参数。
气价限值的确定方法与电能类似，此处不再赘述，天然气价格范围约束为：
Figure BDA0003330435440000105
Figure BDA0003330435440000106
Figure BDA0003330435440000107
式中：JGU与JGL分别表示IESP优化定价时天然气价格的上、下限，
Figure BDA0003330435440000108
为IESP给定的t时段引导天然气价格；fmovemax(Gl o)与fmovemin(Gl o)分别为天然气峰时段最大可移出负荷与谷时段最大可移入负荷；
Figure BDA0003330435440000109
为天然气成本；ωtt为需求价格弹性矩阵内的自弹性系数，为负值；
(2)峰谷价格比约束：为防止用户侧参与需求响应程度不足或响应过度以致峰谷倒置，需对天然气的峰谷价格做出约束：
K1≤JGp/JGv≤K2 (26)
式中：JGp与JGv分别表示天然气峰时、谷时价格；K2与K1分别为最大、最小峰谷价格比值。
2.2.2、用户侧约束
(1)设备出力与供需平衡约束：CIES设备需在合理的出力范围内运行
Figure BDA00033304354400001010
式中：n指CIES中第n个设备，
Figure BDA00033304354400001011
和
Figure BDA00033304354400001012
为该设备出力范围。
除设备出力约束之外，须满足用户侧的电、气、冷、热、烟气等能量母线的供需平衡约束：
Figure BDA0003330435440000111
Figure BDA0003330435440000112
Figure BDA0003330435440000113
Figure BDA0003330435440000114
Figure BDA0003330435440000115
式中：
Figure BDA0003330435440000116
为供气管道输气量；
Figure BDA0003330435440000117
为用户所需气负荷；
Figure BDA0003330435440000118
为联络线输电功率；
Figure BDA0003330435440000119
为光伏出力；
Figure BDA00033304354400001110
为风机出力；Pl t为用户所需的电负荷；
Figure BDA00033304354400001111
为用户侧所需冷负荷；
Figure BDA00033304354400001112
为用户侧所需热负荷。
(2)日负荷总量约束：为保证用户侧用能需求，对参与响应前后负荷总量的变化做以下约束：
Figure BDA00033304354400001113
式中：E∈{P,G}分别表示电能、天然气；
Figure BDA00033304354400001114
与
Figure BDA00033304354400001115
分别为t时段原始条件下以及响应后电、天然气负荷；
Figure BDA00033304354400001116
为总量松弛系数，取值越趋近于零表示响应前后负荷总量的波动越小。
(3)用能满意度约束：为保证用户的用能满意度，对电力、天然气用能添加满意度约束：
Figure BDA00033304354400001117
式中：E∈{P,G}分别表示电能、天然气；
Figure BDA00033304354400001118
表示t时段电、气负荷的变化量；
Figure BDA00033304354400001119
表示t时段的电、气负荷；SUEmin与SUE分别为最低用能满意度与实际满意度。
(4)用能成本约束：用户侧需支出的总费用包括满足用能需求所必要的购能成本以及园区内设备的运维成本。
CUP＝CUB+CUM (35)
Figure BDA00033304354400001120
Figure BDA00033304354400001121
式中：CUP为用户侧支出总费用；CUB为用户侧购能成本，包括购电与购气费用；CUM为用户侧设备运维成本；E∈{P,G}分别代表电与天然气，
Figure BDA00033304354400001122
为t时段能源价格，
Figure BDA00033304354400001123
为t时段购能总量；Cn为设备n的单位出力运维成本系数，
Figure BDA0003330435440000121
为设备n的出力。
用户希望参与IESP价格引导时，其总经济支出是低于原始情景下的，所以用户侧经济成本约束为：
Figure BDA0003330435440000122
式中：
Figure BDA0003330435440000123
为原始情景下用户侧总经济成本，
Figure BDA0003330435440000124
为考虑IESP参与时用户侧总经济成本。
2.2.3、供能端需求约束
(1)削峰填谷约束：IESP引导源-荷协同优化的目的是削减联络线输电功率峰谷差、优化配置系统资源。要求IESP引导互动后，电网与用户间的联络线
Figure BDA0003330435440000125
式中：Pex o与Pex dr分别为原始情景与引导响应后联络线输电功率；
(2)售能满意度约束：考虑到供能网络的利益诉求，需对IESP进行价格优化后的电网、气网的售能收益变化进行约束：
Figure BDA0003330435440000126
Figure BDA0003330435440000127
SPCmin≤SPC (42)
SGCmin≤SGC (43)
式中：SPCmin与SPC分别为电网公司收益最低满意度与实际满意度；CR为电网需支付给IESP的削峰补偿激励；SGCmin与SGC分别为天然气公司收益最低满意度与实际满意度。
2.3、目标函数
IESP引导源荷互动，对电网与CIES间联络线输电功率进行“削峰填谷”，其收益来源为电网削峰补偿激励，即目标函数为：
Figure BDA0003330435440000128
式中：CR为削峰填谷补偿收益；
Figure BDA0003330435440000129
为削峰容量，eIR为削峰补偿单价，eLP为日负荷率补偿单价。
3、求解方法
不同于传统经济调度问题，基于IESP引导的源-荷协同优化模型中的优化定价、需求响应、经济调度等问题相互耦合，存在较多双线性项，难以通过常规优化方法解决。为此本实施例提出一种粒子群算法结合混合整数线性规划(Particle swarm optimizationand Mixed integer linear programming,PSO-MILP)的双层优化求解方法，具体的求解流程如图3所示。
IESP的价格信号优化与CIES响应行为组成了一个大规模非线性优化问题，采用粒子群算法以提高可行解搜索能力，降低问题复杂度。内层是以园区的设备出力范围与能源网络供需平衡为约束的，基于经济成本最小化考虑的线性规划问题；粒子群算法中种群数设为100，最大迭代次数为100次，采用惯性权重指数递减策略，权重初值与终值分别设为1与0.5，粒子自学习率与种群学习率均为2。在场景A、B中，能源价格粒子的维度为27维，一天24时段分时电价信号占24维，峰谷平天然气价格信号占3维，其中，原始气价天然气价固定，电价0.7元/时，气价2.5元/时。场景C、D中，价格粒子为48维变量，即：24时段的分时电价信号、分时气价信号。考虑到48维价格粒子产生的可行解范围较大，为提高算法的可行解搜索能力，对每个种群中的最优个体粒子引入反向学习策略，生成精英个体反向解以增加粒子种群多样性。此外，为提高用户满意度，每次迭代过程中将式(32)-(33)及式(38)-(42)等约束条件以罚函数因子写入粒子适应值中。
4、算例分析
文中CIES架构模型及负荷等数据参见表1、表2。电价弹性矩阵的自弹性系数为-0.1，交叉弹性系数为0.01，天然气价弹性矩阵自弹性系数取-0.2，交叉弹性系数取0.01。热能需求响应模型中建筑维护结构参数如表3所示，空气比热容c与空气密度λ分别为1000J/(Kg·℃)和1.2Kg/m3，室内空气体积V为25600m3。CIES负荷的最大可移动水平(fmove)取10％。设供能端售电单位成本为0.4元/(kW·h)，天然气单位成本为1.3元/m3。设IESP削峰补偿单价为6元/(kW·h)，日负荷率每提升1％补偿60元。天然气峰谷分时价格约束中K1取1，K2取3。日负荷总量约束中的松弛系数
Figure BDA0003330435440000131
取0.01。用户侧满意度约束中，用电最低满意度SUPmin与用气最低满意度SUGmin均设为0.95。电网售能收益最低满意度SPCmin与天然气网收益最低满意度SGCmin均设为0.9。为验证所提模型的有效性，给出5个场景以分析源荷交互行为；其中场景O即为原始场景，场景A-D对应于IESP采用四种不同的价格信号与IDR策略，场景具体条件设置见表4。
表1设备出力范围与运行参数
Figure BDA0003330435440000141
表2设备单位出力运维成本
Figure BDA0003330435440000142
表4场景信息
Figure BDA0003330435440000143
4.1、源-荷交互分析
图4为PSO-MILP双层优化在求解该问题时的粒子收敛情况。算法经过约50次迭代后几乎实现收敛，而实际上在第45次迭代时电网与天然气公司的收益已逼近最后的收敛结果，但后续迭代过程中收益曲线又有轻微波动。这是由于源-荷协同优化模型中IESP致力于系统整体经济性的优化，即使某些迭代过程中电网与天然气公司收益相同，但价格信号、输电联络线的日负荷率和削峰容量等也可能不同。电网与天然气公司两大能源供应商的收益曲线也并非完全对应于粒子的收敛趋势。
结合图5-8与表5可见，IESP同时对电价、气价进行优化，在满足园区(CIES)的用能经济性、满意度、响应程度、设备出力情况、供需平衡等条件的基础上，对园区调度计划与用能方式的进行了调整，使联络线电交互功率峰谷差减小，功率曲线更平缓。由表5知，在不考虑IESP参与的原始场景O中，CIES与电网联络线的电交互功率峰负荷与峰谷差均为1448.32kW，而经IESP引导后峰负荷均有所下降。其中，C条件下的峰负荷降低较明显，为1367.23kW；D条件下峰谷差削减程度最大，由1448.32kW削减至1239.15kW；B条件下负荷率最高，由原始的32.51％提升至39.78％。任意情景下的CIES用电满意度SUP与用气满意度SUG、电网收益满意度SPC以及天然气网收益满意度SPC均满足模型所提相关约束；但C条件下CIES的用能满意度最高，分别为0.988和0.978；电网的售能满意度为对照组中最低值，仅0.900；而天然气网售能收益满意度较高，达0.975。
本实施例仅对D条件下的IESP引导互动效果以及CIES调度计划做具体说明，其余场景的价格信号优化与引导互动效果图可见附录A。结合图6与表5可知，原始情景下1-4时段的联络线电交互功率为0，经IESP引导后略有提高。设19-21时段为用电高峰期，考虑由IESP对此时段内电交互功率进行削减，三个时段总削峰容量为189.1kW·h，日负荷率提高了6.77％。届时，用户侧(CIES)总经济成本降低，电网与气网收益均有所下降，IESP从电网侧获取了1487.05元削峰补偿。
表5不同引导方式结果对比
Figure BDA0003330435440000151
总的来说，五种情景下各方收益均有不同，相比于原始情景，考虑IESP参与交易时电网、气网收益均受了一定影响。但是对系统整体而言，经IESP引导后电网与CIES联络线电交互功率曲线更加平缓，实现了“削峰填谷”，IESP以灵活的价格机制深度挖掘了CIES调度潜力，使源荷交互更灵活高效、提高了系统整体经济性。
4.2、CIES经济调度分析
图7～图11为考虑IESP引导时系统的能源母线供需情况。园区供能网络中存在能源转化装置，在满足自身用能需求的前提下将以经济成本最低为目标进行调度，合理调整各个设备的启停与出力。结合图5可知CIES对IESP的价格信号的响应情况，CIES满足自身用能需求的基础上为追求经济性自发转移了部分用能需求。图7结合图5可见，19-20时段电力价格略高于原始情景时，用户削减了部分电负荷，而22时段的电价有明显降低，该时段用电需求得以提升。1-6时段电价较低，用户提高了电负荷并开启电制热装置。
图8结合图5可见，相比于原始情景，12-13时段天然气价格降低，用户将一定量天然气需求转移到该时段上并开启燃气锅炉以补充热能。
图9为CIES的建筑内外环境温度；室外环境温度已知，室内由系统制热设备供给热能，综合考虑建筑维护结构面积与传热系数等因素，可知CIES室内温度约15-17℃。
图10为系统热能供需情况，考虑建筑虚拟储能特性，部分时段热能需求有一定转移。
图11为系统冷能供需情况，CIES的以吸收式制冷与电制冷设备共同供给用冷需求。整个系统供能网络全部满足出力范围与供需平衡约束，CIES通过合理安排设备调度计划实现了经济调度。
综上所述，本实施例提出基于IESP引导的CIES源-荷协同优化模型。在需求侧，基于可转移电、气负荷以及建筑虚拟储热特性建立电气热IDR策略以挖掘CIES调度潜力；在供给侧引入IESP以引导多能协同灵活交易，综合CIES与电网间联络线交互功率变化情况、CIES用能需求以及响应反馈信息以优化电-气联合价格。通过PSO-MILP双层优化算法对模型进行分层优化、循环迭代求解。最后以算例仿真验证所提模型与方法的有效性，可得以下结论：
(1)以IESP作为源荷交互载体并引入电-气联合价格引导机制，可深度激发CIES响应积极性以实现源荷协调交互；在保障CIES参与满意度、用能经济性的基础上充分挖掘其调度潜力，对CIES与主网联络线电交互功率进行“削峰填谷”，提高系统整体经济性。
(2)PSO-MILP双层优化算法可对所提模型中的源荷交互行为进行分层优化，循环迭代求解。PSO的自趋优性与群体性可协助IESP进行价格信号可行解的搜索；经济调度层采用MILP可保证CIES满足供需平衡与设备出力等约束；“优化定价”与“经济调度”两阶段的循环迭代可保证源荷交互合理性，与此同时解决了IESP价格、CIES的需求及IDR等行为中存在的双线性项问题。
以上所述仅为本发明的较佳实施例而已，并不以本发明为限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，先建立综合能源系统的需求响应模型，采用粒子群结合混合整数线性规划的双层优化算法对需求响应模型进行求解，具体步骤如下：
S1、以能源价格的限值生成能源价格粒子，将能源价格粒子代入需求响应模型，计算响应后的负荷；
S2、判断响应前的负荷总量和响应后的负荷总量的变化是否满足日负荷总量约束和用能满意度约束；若满足，则进行后续步骤，否则，重复步骤S1；
S3、以设备出力与供需平衡约束和能量母线的供需平衡约束为约束条件，以用户侧的经济成本最低为目标函数进行经济调度，并判断是否满足削峰填谷约束和售能满意度约束，若满足，则进行后续步骤，否则，重复步骤S1；
S4、将满足步骤S1～S3的可行解与当前最优可行解进行比较，若优于当前最优可行解，则将满足步骤S1～S3的可行解作为当前最优可行解，否则重复步骤S1；
S5、重复步骤S1～S4，直至达到最大迭代次数。
2.如权利要求1所述的基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，在所述步骤S4前，将日负荷总量约束、用能满意度约束、削峰填谷约束和售能满意度约束作为惩罚因子加入粒子适应度。
3.如权利要求1所述的基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，在所述步骤S4前，对每个种群中的最优个体粒子引入反向学习策略，生成精英个体反向解。
4.如权利要求1所述的基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，所述步骤S2中，日负荷总量约束为：
Figure FDA0003330435430000011
式中：E∈{P,G}分别表示电能、天然气；
Figure FDA0003330435430000012
与
Figure FDA0003330435430000013
分别为t时段原始条件下以及响应后电、天然气负荷；
Figure FDA0003330435430000014
为总量松弛系数；
用能满意度约束为：
Figure FDA0003330435430000015
式中：E∈{P,G}分别表示电能、天然气；
Figure FDA0003330435430000016
表示t时段电、气负荷的变化量；
Figure FDA0003330435430000017
表示t时段的电、气负荷；SUEmin与SUE分别为最低用能满意度与实际满意度。
5.如权利要求1所述的基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，所述步骤3中，用户侧的经济成本最低为目标函数满足用户侧经济成本约束：
Figure FDA0003330435430000021
式中：
Figure FDA0003330435430000022
为原始情景下用户侧总经济成本，
Figure FDA0003330435430000023
为考虑IESP参与时用户侧总经济成本；
削峰填谷约束为：
Figure FDA0003330435430000024
式中：Pexo与Pexdr分别为原始情景与引导响应后联络线输电功率，mean(Pex)为联络线输电功率的平均值，max(Pex)为联络线输电功率的平均值的最大值，γLP为日平均负载率，
Figure FDA0003330435430000025
为引导响应后的日平均负载率，
Figure FDA0003330435430000026
为原始情景的日平均负载率；
售能满意度约束为：
SPCmin≤SPC
Figure FDA0003330435430000027
SGCmin≤SGC
Figure FDA0003330435430000028
式中：SPCmin与SPC分别为电网公司收益最低满意度与实际满意度；CR为电网需支付给IESP的削峰补偿激励；SGCmin与SGC分别为天然气公司收益最低满意度与实际满意度，
Figure FDA0003330435430000029
为IESP给定的t时段引导电价，
Figure FDA00033304354300000210
为t时段的电价，
Figure FDA00033304354300000211
为供电成本；
Figure FDA00033304354300000212
为IESP给定的t时段引导天然气价，
Figure FDA00033304354300000213
为天然气成本，
Figure FDA00033304354300000214
为t时段的天然气价。
6.如权利要求1所述的基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，综合能源系统的需求响应模型包括电能需求响应模型和天然气需求响应模型，电能需求响应模型为：
Pl dr＝Pl o+ΔPl
式中：Pl o与Pl dr分别为原始条件下以及响应后的用户侧电力负荷需求；ΔPl为电负荷变化量，电负荷变化量与电价的变化量满足下式：
ΔPlN＝MPΔJPN
Figure FDA00033304354300000215
Figure FDA0003330435430000031
Figure FDA0003330435430000032
式中：ΔPlN为电量变化的归一化矩阵，矩阵内元素Pl t与ΔPl t分别为t时段电量及其变化量；ΔJPN为电价变化的归一化矩阵，矩阵内元素
Figure FDA0003330435430000033
与
Figure FDA0003330435430000034
分别t时段的电价及其价格变化量；MP为电能的需求价格弹性矩阵，矩阵内主对角线元素εtt为自弹性系数，表示t时段电量对当前时段价格变化的响应程度；εtj为交叉弹性系数，表示t时段电量对j时段价格变化的响应；
天然气需求响应模型为：
ΔGlN＝MGΔJGN
Figure FDA0003330435430000035
Figure FDA0003330435430000036
Figure FDA0003330435430000037
式中：ΔGlN为天然气用量变化的归一化矩阵，矩阵内元素
Figure FDA0003330435430000038
与
Figure FDA0003330435430000039
分别为t时段天然气用量及其变化量；ΔJGN为天然气价格变化的归一化矩阵，矩阵内元素
Figure FDA00033304354300000310
与
Figure FDA00033304354300000311
分别t时段的天然气价格及其价格变化量；MG为天然气的需求价格弹性矩阵，矩阵内主对角线元素ωtt为自弹性系数，表示t时段天然气用量对当前时段价格变化的响应程度；ωtj为交叉弹性系数，表示t时段天然气用量对j时段价格变化的响应。
7.如权利要求6所述的基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，每时段的电负荷和天然气负荷满足如下约束：
Figure FDA00033304354300000312
式中：E∈{P,G}分别为电能、天然气；
Figure FDA00033304354300000313
表示t时段电、天然气负荷变化量的绝对值；fmove为负荷最大可移动水平；
Figure FDA0003330435430000041
为原始情景下t时段的电、气负荷。
8.如权利要求1所述的基于服务商引导的综合能源系统源-荷协同优化方法，其特征在于，所述步骤S1中，能源价格包括电价和天然气价，能源价格的限值包括电能价格范围约束、天然气价格范围约束和峰谷价格比约束，电能价格范围约束为：
Figure FDA0003330435430000042
Figure FDA0003330435430000043
Figure FDA0003330435430000044
式中：JPU与JPL分别表示IESP优化定价时电价的上、下限，
Figure FDA0003330435430000045
为IESP给定的t时段引导电价；fmovemax(Pl o)与fmovemin(Pl o)分别为用电峰时段最大可移出负荷与谷时段最大可移入负荷；
Figure FDA0003330435430000046
为供电成本；εtt为需求价格弹性矩阵内的自弹性系数，为负值；
天然气价格范围约束为：
Figure FDA00033304354300000411
Figure FDA0003330435430000047
Figure FDA0003330435430000048
式中：JGU与JGL分别表示IESP优化定价时天然气价格的上、下限，
Figure FDA0003330435430000049
为IESP给定的t时段引导天然气价格；fmovemax(Gl o)与fmovemin(Gl o)分别为天然气峰时段最大可移出负荷与谷时段最大可移入负荷；
Figure FDA00033304354300000410
为天然气成本；εtt为需求价格弹性矩阵内的自弹性系数，为负值；
峰谷价格比约束为：
K1≤JGp/JGv≤K2
式中：JGp与JGv分别表示天然气峰时、谷时价格；K2与K1分别为最大、最小峰谷价格比值。
CN202111280707.9A 2021-10-30 2021-10-30 基于服务商引导的综合能源系统源-荷协同优化方法 Active CN113988435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111280707.9A CN113988435B (zh) 2021-10-30 2021-10-30 基于服务商引导的综合能源系统源-荷协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111280707.9A CN113988435B (zh) 2021-10-30 2021-10-30 基于服务商引导的综合能源系统源-荷协同优化方法

Publications (2)

Publication Number Publication Date
CN113988435A true CN113988435A (zh) 2022-01-28
CN113988435B CN113988435B (zh) 2024-05-24

Family

ID=79745203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111280707.9A Active CN113988435B (zh) 2021-10-30 2021-10-30 基于服务商引导的综合能源系统源-荷协同优化方法

Country Status (1)

Country Link
CN (1) CN113988435B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970937A (zh) * 2022-03-08 2022-08-30 浙江大学 考虑多能负荷互补弹性的电-气耦合系统集中优化方法
CN116934115A (zh) * 2023-07-18 2023-10-24 天津大学 一种考虑时变虚拟储能的实时端对端能量交易方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103441537A (zh) * 2013-06-18 2013-12-11 国家电网公司 配有储能电站的分散式风电场有功优化调控方法
CN103577893A (zh) * 2013-11-05 2014-02-12 国家电网公司 一种新能源与火电双向为高载能负荷供电的节能优化方法
CN109103912A (zh) * 2018-07-18 2018-12-28 合肥工业大学 考虑电网调峰需求的工业园区主动配电系统调度优化方法
AU2020100983A4 (en) * 2019-11-14 2020-07-16 Shandong University Multi-energy complementary system two-stage optimization scheduling method and system considering source-storage-load cooperation
CN113487188A (zh) * 2021-07-08 2021-10-08 重庆理工大学 考虑电气联合价格引导机制的综合能源系统优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103441537A (zh) * 2013-06-18 2013-12-11 国家电网公司 配有储能电站的分散式风电场有功优化调控方法
CN103577893A (zh) * 2013-11-05 2014-02-12 国家电网公司 一种新能源与火电双向为高载能负荷供电的节能优化方法
CN109103912A (zh) * 2018-07-18 2018-12-28 合肥工业大学 考虑电网调峰需求的工业园区主动配电系统调度优化方法
AU2020100983A4 (en) * 2019-11-14 2020-07-16 Shandong University Multi-energy complementary system two-stage optimization scheduling method and system considering source-storage-load cooperation
CN113487188A (zh) * 2021-07-08 2021-10-08 重庆理工大学 考虑电气联合价格引导机制的综合能源系统优化调度方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970937A (zh) * 2022-03-08 2022-08-30 浙江大学 考虑多能负荷互补弹性的电-气耦合系统集中优化方法
CN116934115A (zh) * 2023-07-18 2023-10-24 天津大学 一种考虑时变虚拟储能的实时端对端能量交易方法
CN116934115B (zh) * 2023-07-18 2024-04-09 天津大学 一种考虑时变虚拟储能的实时端对端能量交易方法

Also Published As

Publication number Publication date
CN113988435B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
Li et al. Trading strategy and benefit optimization of load aggregators in integrated energy systems considering integrated demand response: A hierarchical Stackelberg game
CN110417006B (zh) 一种综合能源系统多时间尺度能量调度方法
Liu et al. Hybrid energy sharing for smart building cluster with CHP system and PV prosumers: A coalitional game approach
CN108173282A (zh) 一种考虑电转气运行成本综合能源系统优化调度方法
CN115241931B (zh) 基于时变电碳因子曲线的园区综合能源系统调度方法
CN110889600A (zh) 一种考虑柔性热负荷的区域综合能源系统优化调度方法
Yang et al. Research on heat and electricity coordinated dispatch model for better integration of wind power based on electric boiler with thermal storage
CN112417652A (zh) 一种电-气-热综合能源系统优化调度方法及系统
CN107863773A (zh) 一种多能流供能方法及系统
Ding et al. Bi-level optimal scheduling of virtual energy station based on equal exergy replacement mechanism
Luo et al. Optimal operation strategy of combined heat and power system considering demand response and household thermal inertia
CN113487188A (zh) 考虑电气联合价格引导机制的综合能源系统优化调度方法
CN113988435B (zh) 基于服务商引导的综合能源系统源-荷协同优化方法
Qiu et al. Optimal configuration and sizing of regional energy service company's energy hub with integrated demand response
Chen et al. Stochastic planning of integrated energy system based on correlation scenario generation method via Copula function considering multiple uncertainties in renewable energy sources and demands
CN112926835A (zh) 一种考虑热网动态特性的综合能源系统优化调度方法
Ge et al. Planning method of regional integrated energy system considering demand side uncertainty
CN116957139A (zh) 考虑微网间碳交易的多综合能源微网优化运行方法及系统
CN115758763A (zh) 一种计及源荷不确定性的多能流系统优化配置方法及系统
CN116070754A (zh) 考虑能量共享的多主体综合能源系统优化运行方法及系统
Kraines et al. Integrated Environmental Assessment of Supply‐Side and Demand‐Side Measures for Carbon Dioxide Mitigation in Tokyo, Japan
Wang et al. Capacity and operation joint optimization for integrated energy system based on Nash bargaining game
CN111523792B (zh) 综合能源系统调度参数计算、设备控制方法及相关装置
Huang et al. Coordinated planning method considering flexible resources of active distribution network and soft open point integrated with energy storage system
CN110705804A (zh) 一种考虑多类型热泵的多能微网效率效益评估方法

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