CN114374231A - 离网型多能源系统的配置、控制一体优化方法 - Google Patents

离网型多能源系统的配置、控制一体优化方法 Download PDF

Info

Publication number
CN114374231A
CN114374231A CN202111483350.4A CN202111483350A CN114374231A CN 114374231 A CN114374231 A CN 114374231A CN 202111483350 A CN202111483350 A CN 202111483350A CN 114374231 A CN114374231 A CN 114374231A
Authority
CN
China
Prior art keywords
capacity
configuration
energy system
dynamic
cost
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
CN202111483350.4A
Other languages
English (en)
Other versions
CN114374231B (zh
Inventor
吴啸
郑丙乐
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202111483350.4A priority Critical patent/CN114374231B/zh
Publication of CN114374231A publication Critical patent/CN114374231A/zh
Application granted granted Critical
Publication of CN114374231B publication Critical patent/CN114374231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • 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
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances
    • Y04S20/244—Home appliances the home appliances being or involving heating ventilating and air conditioning [HVAC] units

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种离网型多能源系统的配置、控制一体优化方法，在系统配置阶段充分考虑系统整体经济性能和动态运行性能，能够在对多能源系统的经济性产生较小影响的前提下，增强其动态调节能力。本发明一体优化方法，通过多参数规划方法构建具备设计感知能力的离线预测控制器，在此基础上以系统投资成本、运行成本和闭环动态性能为指标，提出全新的考虑闭环特性的多能源系统优化配置方法。本发明方法在对系统经济性影响较小的前提下，显著提高系统闭环动态性能，增强系统运行灵活性。

Description

离网型多能源系统的配置、控制一体优化方法
技术领域
本发明属于热工控制技术领域，具体来说，涉及一种离网型多能源系统的配置、控制一体优化方法。
背景技术
离网型多能源系统(Multiple Energy System,MES)具有独立性、多能联产、高效和可再生能源就地利用等优势，为能源供应提供了一种有前景的途径，被认为是海岛、边疆、极地等偏远农村地区的关键能源供应技术，即使在城市的工业园区和生活区，离网型多能源系统也得到大力推广。
然而，在没有电网支持的情况下，可再生能源的间歇性和用户负载需求的变化对离网型多能源系统的可靠性提出了重大挑战。需要可调节的设备来为其提供足够的灵活性，以便在长期运行中动态满足多种能源需求。尽管储能技术的快速发展为可再生能源的消纳提供了解决方案，但高投资成本和安全问题阻碍了其大规模部署。因此，通过有限的储能设备部署来提高离网型多能源系统的瞬态性能非常重要。
传统的配置方法只关注系统的稳态配置优化，完全忽略了系统配置对瞬态性能的影响，这种假设适用于电气系统，但在离网型多能源系统中则不然，因为其中涉及大量热力设备，例如燃气轮机、热泵、热交换器等。负载变化可能需要几十秒甚至几分钟的缓慢过渡过程。而且随着间歇性可再生能源渗透比例逐渐提高，动态将取代静态成为多能源系统的运行常态，各能量转换装置将大范围、频繁改变出力以更好消纳可再生能源。传统的稳态配置方法可能无法提供足够的动态性能，降低负载变化期间的能源供应质量，因为系统的动态性能与设备的选择高度相关。而且，一旦配置确定，即使采用先进的控制策略，动态运行优化的空间也很小。
因此，要想获得更加贴近实际且适应未来高可再生能源接入比例的多能源系统的配置方案，开发一种离网型多能源系统的配置、控制一体优化方法很有必要。
发明内容
本发明所要解决的技术问题是：提供一种离网型多能源系统的配置、控制一体优化方法，能够在系统配置阶段充分考虑系统整体经济性能和动态运行性能。
为解决上述技术问题，本发明提供一种离网型多能源系统的配置、控制一体优化方法，包括如下步骤：
步骤10)、选取各设备关键容量配置参数，研究其对系统动态影响；
步骤20)、建立具备设计感知能力的稳态无偏离线预测控制器；
步骤30)、构建整体优化目标函数，以在约束条件下对离网型多能源系统进行配置、控制一体优化；
步骤40)、选取典型日气候和负荷需求条件，通过kmeans算法将所述典型日气候和负荷需求条件缩减为若干代表性场景；
步骤50)、在配置、控制一体优化框架下对系统进行优化，得到最小化的整体优化指标。
进一步的，所述步骤10)中，所述设备容量配置参数包括微燃机的回热器金属质量m、转子转动惯量r和空气源热泵的压缩机容量Vcom，且这些参数与各自设备的容量成相关关系，如下式所示：
Figure BDA0003396343290000021
式中，f1表示回热器金属质量m和微燃机容量
Figure BDA0003396343290000022
的对应线性关系；
f2表示转子转动惯量r和微燃机容量
Figure BDA0003396343290000023
的对应线性关系；
f3表示空气源热泵的压缩机容量Vcom和空气源热泵容量
Figure BDA0003396343290000024
的对应线性关系。
进一步的，所述步骤20)中建立稳态无偏离线预测控制器具体包括：
步骤201)建立状态空间方程：产生辨识数据时，在各个特定容量配置参数下生成相应数据，并将容量配置参数当做可测扰动，然后用matlab辨识工具箱进行辨识产生如下模型：
Figure BDA0003396343290000025
其中Ad,Bd,Cd,Dd和Ed是系统矩阵，xd是状态向量，可测扰动d包含多能源系统的容量配置参数，u和y分别是系统输入和输出矩阵；
步骤202)稳态无偏修正：以所述状态空间模型(2)建立预测模型，以确保设定值的稳态无偏跟踪；
其中预测模型为：
Figure BDA0003396343290000026
其中，A,B,C,D为系统矩阵，xe为系统的扩增状态，Δu(k)＝u(k)-u(k-1)是输入矩阵的增量形式，Δd(k)同理；
步骤203)目标函数和约束条件：考虑如下目标函数：
minH＝(Y-Yr)TQ(Y-Yr)+ΔUTRΔU (4)
其中H表示预测控制指标，输入变量速率约束和幅值约束如下式：
Figure BDA0003396343290000031
Figure BDA0003396343290000032
其中Y＝[y(k+1|k)T,y(k+2|k)T,…,y(k+Np|k)T]T是未来输出量预测矩阵；Yr是未来设定值矩阵；ΔU＝[u(k)T,u(k+1)T,…,u(k+Nc)T]T是未来输入量增量矩阵；Np和Nc分别是预测时域和控制时域；Q和R是相应权重系数；(Δumin,Δumax)，(umin,umax)是输入量的物理限制，分别表示输入变化量和输入量的最小、最大值，设备容量相对应；
步骤204)多参数规划求解离线控制律：
将所述预测模型(3)迭代Np步后，代入所述目标函数(4)，通过多参数规划方法离线求解约束二次规划问题(4)-(6)，得到未来最优控制序列，即离线控制器(7)表达式如下：
Figure BDA0003396343290000033
其中Δu*表示最优控制量增量，θ＝[xe(k),d(k),y(k),ysp,umax,umin,Δumax,Δumin]T是包含扩增状态、可测扰动、当前时刻输出、输出设定值和输入幅值速率约束的参数集；Kn，Rn，Ln，bn代表相应系数；参数集被划分为R个特征域，每个特征域对应相应的离线控制律；CRi表示第i个特征域。
进一步的，在所述步骤30)中，所述整体优化指标包括总经济成本(Ctotal)和离线多能源的动态性能(Θ)；
其中，所述整体优化目标函数为：
Figure BDA0003396343290000034
其中z表示多能源系统中设备的数量，
Figure BDA0003396343290000035
表示系统中设备z的容量，λ和Γ表示经济成本和动态性能的权重系数。
所述总经济成本包括设备年化投资成本(Cinv)和运行维护成本(Com)；其中，所述设备年化投资成本计算如下：
Figure BDA0003396343290000041
其中Cinf,z[$/kW]表示设备z的单位容量投资成本，其中蓄电池最大充放电功率取值为蓄电池额定容量的25％，
Figure BDA0003396343290000042
为资本回收率，h为设备服务年限，f[％]为银行利率。
所述设备运行维护成本计算如下：
Com＝Com,mt+CESS,loss+Com,fuel (10)
其中Com,mt[$]表示多能源系统的维护成本，CESS,loss[$]表示蓄电池的寿命损失成本，Com,fuel[$]表示系统燃料购买成本。
其中，所述多能源系统的维护成本计算如下：
Figure BDA0003396343290000043
其中T表示一年运行天数，Com,z[$/kW]表示设备z的单位功率运行维护成本，
Figure BDA0003396343290000044
为设备z在第j小时的平均运行功率：
其中，设备z在第j小时的平均运行功率
Figure BDA0003396343290000045
包括实际动态运行功率和稳态运行功率；
Figure BDA0003396343290000046
其中Pi,j,z[kW]表示动态调节过程中设备z在第j小时的采样点i处的实际功率，nj表示第j小时的动态仿真采样点个数，设定足够长以覆盖系统动态调节过程，Δt为采样时间；
Figure BDA0003396343290000047
为设备z在第j小时的稳态运行功率，由闭环动态仿真到达稳态后的稳态数据得到。
蓄电池寿命损失成本CESS,loss：
CESS,loss＝Lloss·Cinv,ESS (13)
Figure BDA0003396343290000051
其中Lloss为蓄电池寿命损失系数，由一年内蓄电池充放电量除以其最大吞吐量计算得到，Cinv,ESS[$]为蓄电池年化投资成本；
燃料成本Com,fuel：
Figure BDA0003396343290000052
其中，cfuel[$/m3]表示单位体积燃料成本；
Figure BDA0003396343290000053
为系统在第j小时的平均消耗燃料量，
Figure BDA0003396343290000054
其中mi,j[m3/s]和
Figure BDA0003396343290000055
分别表示动态调节阶段和稳态运行阶段系统在第j小时的采样点i处的实际燃料量。
所述离网型多能源系统的动态性能Θ：
Θ＝(Ω,Φ) (17)
Figure BDA0003396343290000056
其中Ω[℃]表示给水温度与设定值偏差；Φ[kW]表示剩余功率与设定值偏差，n为采样点个数，tfeed,i[℃]为采样点i处给水温度，tfeed,0[℃]为给水温度设定值，Ns,i＝∑Pdev,gen-∑Pdev,con[kW]代表系统在采样点i出的剩余功率，是设备产生能量Pdev,gen和消耗能量Pdev,con的差值，Ns0＝0[kW]是剩余功率设定值。
进一步的，在所述步骤40)中，所述kmeans算法的目标函数如下：
Figure BDA0003396343290000061
其中，G表示聚类个数，xm,g代表聚类g所有pg个点中第m个点，Xg表示聚类g的中心点。
进一步的，所述配置、控制一体优化框架包含在线和离线两部分；
所述离线部分通过多参数规划方法求解基于扩增离散状态空间的约束二次规划问题得到参数集的各个特征域和其对应最优控制律；
所述在线优化部分，优化参数为各设备容量，首先通过优化函数不断迭代给定候选配置方案，即各个设备的容量，根据系统当前时刻状态、输出量、容量配置参数等确定参数集，查表得到所述参数集对应特征域和最优控制律，计算当前时刻最优控制律u(k)＝u(k-1)+Δu(k)之后，将所述当前时刻最优时刻最优控制律作用于多能源系统，以此进行进行闭环动态仿真，由仿真结果根据式(8)-(18)计算整体优化目标函数(8)，候选容量配置方案不断更新以最小化整体优化目标函数(8)，直到满足终止条件，即求解器步长小于给定值。
进一步的，所述配置、控制一体优化框架包括如下流程
步骤一、构建所述离线控制器(7)；
步骤二、初始化/更新所述容量配置参数；
步骤三、更新参数集；
步骤四、根据参数集在线查表；
步骤五、根据所述离线控制器(7)计算控制变量；
步骤六、将天气情况和负荷需求输入多能源系统进行仿真处理；
步骤七、若仿真未完成，重复步骤四；
若仿真完成，输出闭环仿真结果，计算整体优化目标函数(8)；
步骤九、若满足终止条件，即求解器步长小于给定值，结束；若未满足终止条件，重复步骤二。与现有技术相比，本发明的技术方案具有以下有益效果：
本发明实施例提供一种离网型多能源系统的配置、控制一体优化方法，通过多参数规划方法构建具备设计感知能力的离线预测控制器，求解基于扩增离散状态空间的约束二次规划问题，离线得到参数集的各个特征域和其对应最优控制律，在线优化参数为各设备容量，首先通过优化函数不断迭代给定候选配置方案，根据系统当前时刻状态、输出、候选容量配置参数等确定参数集，查表得到对应特征域和最优控制律，计算当前时刻最优控制律u(k)＝u(k-1)+Δu(k)之后将其作用于多能源系统，以此进行闭环动态仿真，由仿真结果根据式(8)-(18)计算目标函数(8)，候选容量配置方案不断更新以最小化目标函数(8)，直到满足终止条件。
本发明方法相比于应用代表燃料消耗、电力/热量产生和污染物排放之间相互关系的稳态模型，优化反映经济和环境绩效等的目标函数的常规稳态配置优化方法，能够在对系统经济性影响较小的前提下，显著提高系统闭环动态性能，增强系统运行灵活性。
附图说明
图1为本发明实施例系统中全回热微燃机的流程示意图；
图2为本发明实施例系统中空气源热泵的流程示意图；
图3为本发明实施例方法中离网型多能源系统的流程示意图；
图4为本发明实施例方法中离网型多能源系统配置、控制一体优化框架示意图；
图5为本发明实施例方法中离网型多能源系统控制结构示意图；
图6为本发明实施例方法中所选取南京某学校冬季典型日电热负荷需求图；
图7为本发明实施例方法中南京冬季典型日太阳辐照强度图；
图8为本发明实施例方法中聚类个数G取不同值时聚类目标函数z值；
图9为本发明实施例方法中kmeans聚类的折线结果图；
图10为本发明实施例方法中kmeans聚类的数据结果图；
图11为本发明实施例方法中离网型多能源系统中各设备单位投资成本和运行维护成本；
图12为本发明实施例方法和常规稳态配置优化方法所得配置结果；
图13为本发明实施例方法和常规稳态配置优化方法所得配置方案各设备运行和维护成本对比图；
图14为本发明实施例方法和常规稳态配置优化方法所得配置方案经济成本对比图；
图15为本发明实施例方法和常规稳态配置优化方法所得配置方案动态偏差对比图；
图16为本发明实施例方法和常规稳态配置优化方法所得配置方案闭环仿真输出量对比图；
图17为本发明实施例方法和常规稳态配置优化方法所得配置方案闭环仿真输入量对比图；
图18为本发明实施例方法中不同光伏装机容量下各代表性场景之间所需微燃机和空气源热泵总出力的变化情况图。
具体实施方式
下面结合附图，对本发明的技术方案进行详细的说明。
本发明实施例提供种离网型多能源系统的配置、控制一体优化方法，系统及其设备示意图如图1、图2和图3所示，包括：
步骤10)选取各设备关键容量配置参数，研究其对系统动态影响；
步骤20)设计具备设计感知能力的稳态无偏离线预测控制器；
步骤30)构建整体优化指标，在约束条件下对离网型多能源系统进行配置、控制一体优化，确定综合考虑经济性能和动态性能下的最佳配置方案；
步骤40)选取典型日气候和负荷需求条件并通过kmeans算法将其缩减为若干代表性场景；
步骤50)在提出的配置、控制一体优化框架下对系统进行优化。
本发明实施例提供一种离网型多能源系统的配置、控制一体优化方法，通过多参数规划方法构建具备设计感知能力的离线预测控制器，求解基于扩增离散状态空间的约束二次规划问题，离线得到参数集的各个特征域和其对应最优控制律，在线优化参数为各设备容量，首先通过优化函数不断迭代给定候选配置方案，根据系统当前时刻状态、输出、候选容量配置参数等确定参数集，查表得到对应特征域和最优控制律，计算当前时刻最优控制律u(k)＝u(k-1)+Δu(k)之后将其作用于多能源系统，以此进行进行闭环动态仿真，由仿真结果根据式(8)-(18)计算目标函数(8)，候选容量配置方案不断更新以最小化目标函数(8)，直到满足终止条件。本发明方法相比于应用代表燃料消耗、电力/热量产生和污染物排放之间相互关系的稳态模型，优化反映经济和环境绩效等的目标函数的常规稳态配置优化方法，能够在对系统经济性影响较小的前提下，显著提高系统闭环动态性能，增强系统运行灵活性。
作为优选例，各设备选取的容量配置参数为微燃机(micro gas turbine,MGT)的回热器金属质量m和转子转动惯量r以及空气源热泵(air source heat pump,ASHP)的压缩机容量Vcom，且其与各自设备的容量成相关关系，如下式所示：
Figure BDA0003396343290000081
作为优选例，系统整体控制结构如图5所示，通过调节微燃机燃料量mf和热泵转速rc来调节系统发电量和给水温度，对用户供热采取定供水温度变流量的调节方式，用户热负荷需求改变时，用户侧的热负荷控制器调节供水阀门开度改变供水流量Dfeed，从而改变热负荷，而供水流速的改变将使回水温度、传热系数等变化，进而改变热泵与微燃机余热烟气换热器的运行工况，对供暖水温度Tfeed与剩余功率Ns造成影响。为表征电的供需实时平衡，剩余功率设定值Ns0＝0kW。依据国家标准，供暖水温度设定值Tfeed0＝75℃。动态调节过程中，蓄电池根据母线电压与设定值的偏差进行充放电切换，起到平稳母线电压的作用，而动态过程结束，电量供需平衡时，电池无需出力，此使，终端用户的用能需求仅由微燃机、光伏和空气源热泵满足。
通过以下步骤构建具备设计感知能力的稳态无偏离线预测控制器：
步骤201)辨识状态空间方程：产生辨识数据时在各个特定容量配置参数下生成相应数据，并将容量配置参数当做可测扰动，然后用matlab辨识工具箱进行辨识产生如下模型：
Figure BDA0003396343290000091
其中Ad,Bd,Cd,Dd和Ed是系统矩阵，xd是状态向量，可测扰动d包含多能源系统的容量配置参数，u和y分别是系统输入和输出矩阵；
步骤202)稳态无偏修正：将状态空间模型(1)扩充为以下增量形式，以确保设定值的稳态无偏跟踪：
Figure BDA0003396343290000092
其中，A,B,C,D为系统矩阵，xe为系统的扩增状态，Δu(k)＝u(k)-u(k-1)是输入矩阵的增量形式，Δd(k)同理；
步骤203)目标函数和约束条件：考虑如下目标函数：
minH＝(Y-Yr)TQ(Y-Yr)+ΔUTRΔU (4)
输入变量速率约束和幅值约束如下式：
Figure BDA0003396343290000093
Figure BDA0003396343290000094
其中Y＝[y(k+1|k)T,y(k+2|k)T,…,y(k+Np|k)T]T是未来输出量预测矩阵；Yr是未来设定值矩阵；ΔU＝[u(k)T,u(k+1)T,…,u(k+Nc)T]T是未来输入量增量矩阵；Np和Nc分别是预测时域和控制时域；Q和R是相应权重系数；(Δumin,Δumax)，(umin,umax)是输入量的物理限制，和设备容量相对应；
步骤204)多参数规划求解离线控制律：将预测模型(3)迭代Np步并代入目标函数(4)，通过多参数规划方法离线求解约束二次规划问题(4)-(6)得到未来最优控制序列如下：
Figure BDA0003396343290000101
其中θ＝[xe(k),d(k),y(k),ysp,umax,umin,Δumax,Δumin]T是包含扩增状态、可测扰动、当前时刻输出、输出设定值和输入幅值速率约束的参数集，参数集被划分为R个特征域，每个特征域对应相应的离线控制律。
作为优选例，本文所用整体优化指标J包含总经济成本(Ctotal)和离线多能源的动态性能(Θ)：
Figure BDA0003396343290000102
其中z表示多能源系统中设备的数量，Pe z[kW]表示系统中设备z的容量，λ和Γ表示经济成本和动态性能的权重系数。
总经济成本包含两部分：设备年化投资成本(Cinf)和运行维护成本(Com)，其中年化投资成本计算如下：
Figure BDA0003396343290000103
其中Cinf,z[$/kW]表示设备z的单位容量投资成本，取值如图11所示，其中蓄电池最大充放电功率取值为蓄电池额定容量的25％，
Figure BDA0003396343290000104
为资本回收率，h为设备服务年限，f[％]为银行利率。
设备运行维护成本计算如下：
Com＝Com,mt+CESS,loss+Com,fuel (10)
其中Com,mt[$]表示多能源系统的维护成本，CESS,loss[$]表示蓄电池的寿命损失成本，Com,fuel[$]表示系统燃料购买成本。
多能源系统的维护成本计算如下：
Figure BDA0003396343290000111
其中T表示一年运行天数，Com,z[$/kW]表示设备z的单位功率运行维护成本，取值如图11所示，
Figure BDA0003396343290000112
为设备z在第j小时的平均运行功率：
Figure BDA0003396343290000113
由动态数据和稳态数据两部分组成。其中Pi,j,z[kW]表示动态调节过程中设备z在第j小时的采样点i处的实际功率，nj表示第j小时的动态仿真采样点个数，设定足够长以覆盖系统动态调节过程，Δt为采样时间。
Figure BDA0003396343290000119
[kW]为设备z在第j小时的稳态运行功率，由闭环动态仿真到达稳态后的稳态数据得到。
蓄电池寿命损失成本可由下式估算：
CESS,loss＝Lloss·Cinv,ESS (13)
Figure BDA0003396343290000114
其中Lloss为蓄电池寿命损失系数，由一年内蓄电池充放电量除以其最大吞吐量计算得到，Cinv,ESS[$]为蓄电池年化投资成本。
燃料成本由式(14)计算：
Figure BDA0003396343290000115
其中，cfuel[$/m3]表示单位体积燃料成本，
Figure BDA0003396343290000116
为系统在第j小时的平均消耗燃料量：
Figure BDA0003396343290000117
同样由稳态和动态两部分数据组成，其中mi,j[m3/s]和
Figure BDA0003396343290000118
分别表示动态调节阶段和稳态运行阶段系统在第j小时的采样点i处的实际燃料量。
系统动态偏差由下式评估：
Θ＝(Ω,Φ) (17)
Figure BDA0003396343290000121
其中Ω[℃]和Φ[kW]分别表示给水温度和剩余功率与设定值偏差，n为采样点个数，tfeed,i[℃]为采样点i处给水温度，tfed,0[℃]为给水温度设定值，Ns,i＝∑Pdev,gen-∑Pdev,con[kW]代表系统在采样点i出的剩余功率，是产生和消耗能量的差值，Ns0＝0[kW]是剩余功率设定值。
作为优选例，本文所用kmeans算法目标函数如下：
Figure BDA0003396343290000122
其中xm,g代表聚类g所有pg个点中第m个点，聚类目的是寻找最佳聚类中心及其个数以使各聚类中的点到其聚类中心的距离之和最小。所选场景为南京某学校，冬季典型日学校电热负荷需求和南京太阳辐照强度如图6,7所示。聚类个数G取不同值时目标函数Z值如图8所示，可以看出，目标函数Z随着聚类数G的增加而得到改善，但是当G大于4时，改进不再显著，因此，选择聚类数为G＝4来权衡优化方法的准确性和复杂性，聚类结果如图9、10所示。
作为优选例，本文配置、控制一体优化框架包含在线和离线两部分，如图4所示，离线通过多参数规划方法求解基于扩增离散状态空间的约束二次规划问题得到参数集的各个特征域和其对应最优控制律，在线优化参数为各设备容量，首先通过优化函数不断迭代给定候选配置方案，根据系统当前时刻状态、输出、候选容量配置参数等确定参数集，查表得到对应特征域和最优控制律，计算当前时刻最优控制律u(k)＝u(k-1)+Δu(k)之后将其作用于多能源系统，以此进行进行闭环动态仿真，由仿真结果根据式(8)-(18)计算目标函数(8)，候选容量配置方案不断更新以最小化目标函数(8)，直到满足终止条件。
下面提供一具体实例，来验证本发明方法的性能。
实施例1
步骤10)选取各设备关键容量配置参数，研究其对系统动态影响。各设备选取的容量配置参数为微燃机(micro gas turbine,MGT)的回热器金属质量m和转子转动惯量r以及空气源热泵(air source heat pump,ASHP)的压缩机容量Vcom，且其与各自设备的容量成相关关系，如下式所示：
Figure BDA0003396343290000131
步骤20)设计具备设计感知能力的稳态无偏离线预测控制器，系统整体控制结构如图5所示，通过调节微燃机燃料量mf和热泵转速rc来调节微燃机和热泵出力，进而调节系统剩余功率和给水温度，对用户供热采取定供水温度变流量的调节方式，用户热负荷需求改变时，用户侧的热负荷控制器调节供水阀门开度改变供水流量Dfeed，从而改变热负荷，而供水流速的改变将使回水温度、传热系数等变化，进而改变热泵与微燃机余热烟气换热器的运行工况，对供暖水温度Tfeed与剩余功率Ns造成影响。为表征电的供需实时平衡，剩余功率设定值Ns0＝0kW。依据国家标准，供暖水温度设定值Tfeed0＝75℃。动态调节过程中，蓄电池根据母线电压与设定值的偏差进行充放电切换，起到平稳母线电压的作用，而动态过程结束，电量供需平衡时，电池无需出力，此使，稳态时终端用户的用能需求仅由微燃机、光伏和空气源热泵满足。
设计具备设计感知能力的稳态无偏离线预测控制器具体步骤如下：
步骤201)辨识状态空间方程：产生辨识数据时在各个特定容量配置参数下生成相应数据，并将容量配置参数当做可测扰动，然后用matlab辨识工具箱进行辨识产生如下模型：
Figure BDA0003396343290000132
其中Ad,Bd,Cd,Dd和Ed是系统矩阵，xd是状态向量，可测扰动d包含多能源系统的容量配置参数，u和y分别是系统输入和输出矩阵；
步骤202)稳态无偏修正：将状态空间模型(1)扩充为以下增量形式，以确保设定值的稳态无偏跟踪：
Figure BDA0003396343290000133
其中，A,B,C,D为系统矩阵，xe为系统的扩增状态，Δu(k)＝u(k)-u(k-1)是输入矩阵的增量形式，Δd(k)同理；
步骤203)目标函数和约束条件：考虑如下目标函数：
minH＝(Y-Yr)TQ(Y-Yr)+ΔUTRΔU (4)
输入变量速率约束和幅值约束如下式：
Figure BDA0003396343290000141
Figure BDA0003396343290000142
其中Y＝[y(k+1|k)T,y(k+2|k)T,…,y(k+Np|k)T]T是未来输出量预测矩阵；Yr是未来设定值矩阵；ΔU＝[u(k)T,u(k+1)T,…,u(k+Nc)T]T是未来输入量增量矩阵；Np＝8和Nc＝1分别是预测时域和控制时域；Q＝[1000,400]和R＝[600,800]是相应权重系数；(Δumin,Δumax)，(umin,umax)是输入量的物理限制，和设备容量相对应，
Figure BDA0003396343290000143
Δmf,max＝0.1*mf,max-0.0001,Δmf,min＝-0.1*mf,max+0.0001,rc,max＝20,rc,min＝2,Δrc,max＝1,Δrc,min＝-1；
步骤204)多参数规划求解离线控制律：将预测模型(3)迭代Np步并代入目标函数(4)，通过多参数规划方法离线求解约束二次规划问题(4)-(6)得到未来最优控制序列如下：
Figure BDA0003396343290000144
其中θ＝[xe(k),d(k),y(k),ysp,umax,umin,Δumax,Δumin]T是包含扩增状态、可测扰动、当前时刻输出、输出设定值和输入幅值速率约束的参数集，参数集被划分为R个特征域，每个特征域对应相应的离线控制律。
步骤30)构建整体优化指标，在约束条件下对离网型多能源系统进行配置、控制一体优化，确定综合考虑经济性能和动态性能下的最佳配置方案。其中整体优化指标J包含总经济成本(Ctotal)和离线多能源的动态性能(Θ)：
Figure BDA0003396343290000151
其中z表示多能源系统中设备的数量，Pe z[kW]表示系统中设备z的容量，λ＝3和Γ＝[1,0.6]表示经济成本和动态性能的权重系数。
总经济成本包含两部分：设备年化投资成本(Cinf)和运行维护成本(Com)，其中年化投资成本计算如下：
Figure BDA0003396343290000152
其中Cinf,z[$/kW]表示设备z的单位容量投资成本，取值如图11所示，其中蓄电池最大充放电功率取值为蓄电池额定容量的25％，
Figure BDA0003396343290000153
为资本回收率，h为设备服务年限，f[％]为银行利率。
设备运行维护成本计算如下：
Com＝Com,mt+CESS,loss+Com,fuel (10)
其中Com,nt[$]表示多能源系统的维护成本，CESS,loss[$]表示蓄电池的寿命损失成本，Com,fuel[$]表示系统燃料购买成本。
多能源系统的维护成本计算如下：
Figure BDA0003396343290000154
其中T表示一年运行天数，Com,z[$/kW]表示设备z的单位功率运行维护成本，取值如图11所示，
Figure BDA0003396343290000155
为设备z在第j小时的平均运行功率：
Figure BDA0003396343290000156
由动态数据和稳态数据两部分组成。其中Pi,j,z[kW]表示动态调节过程中设备z在第j小时的采样点i处的实际功率，nj表示第j小时的动态仿真采样点个数，设定足够长以覆盖系统动态调节过程，Δt＝5s为采样时间。
Figure BDA0003396343290000157
为设备z在第j小时的稳态运行功率，由闭环动态仿真到达稳态后的稳态数据得到。
蓄电池寿命损失成本可由下式估算：
CESS,loss＝Lloss·Cinv,ESS (13)
Figure BDA0003396343290000161
其中Lloss为蓄电池寿命损失系数，由一年内蓄电池充放电量除以其最大吞吐量计算得到，Cinv,ESS[$]为蓄电池年化投资成本。
燃料成本由式(14)计算：
Figure BDA0003396343290000162
其中，cfuel[$/m3]表示单位体积燃料成本，
Figure BDA0003396343290000163
为系统在第j小时的平均消耗燃料量：
Figure BDA0003396343290000164
同样由稳态和动态两部分数据组成，其中mi,j[m3/s]和
Figure BDA0003396343290000165
分别表示动态调节阶段和稳态运行阶段系统在第j小时的采样点i处的实际燃料量。
系统动态偏差由下式评估：
Θ＝(Ω,Φ) (17)
Figure BDA0003396343290000166
其中Ω[℃]和Φ[kW]分别表示给水温度和剩余功率与设定值偏差，n为采样点个数，tfeed,i[℃]为采样点i处给水温度，tfeed,0[℃]为给水温度设定值，Ns,i＝∑Pdev,gen-∑Pdev,con[kW]代表系统在采样点i出的剩余功率，是产生和消耗能量的差值，Ns0＝0[kW]是剩余功率设定值。
步骤40)选取典型日气候和负荷需求条件并通过kmeans算法将其缩减为若干代表性场景。其中kmeans算法目标函数如下：
Figure BDA0003396343290000171
其中xm,g代表聚类g所有pg个点中第m个点，聚类目的是寻找最佳聚类中心及其个数以使各聚类中的点到其聚类中心的距离之和最小。
所选场景为南京某学校，冬季典型日学校电热负荷需求和南京太阳辐照强度如图6,7所示。聚类个数G取不同值时目标函数Z值如图8所示，可以看出，目标函数Z随着聚类数G的增加而得到改善，但是当G大于4时，改进不再显著，因此，选择聚类数为G＝4来权衡优化方法的准确性和复杂性，由图9、10可得出聚类结果。
步骤50)在提出的配置、控制一体优化框架下对系统进行优化。本文配置、控制一体优化框架包含在线和离线两部分；
如图4所示，离线通过多参数规划方法求解基于扩增离散状态空间的约束二次规划问题得到参数集的各个特征域和其对应最优控制律，在线优化参数为各设备容量，上限值如下式：
Figure BDA0003396343290000172
首先通过优化函数不断迭代给定候选配置方案，根据系统当前时刻状态、输出、候选容量配置参数等确定参数集，查表得到对应特征域和最优控制律，计算当前时刻最优控制律u(k)＝u(k-1)+Δu(k)之后将其作用于多能源系统，以此进行进行闭环动态仿真，由仿真结果根据式(8)-(18)计算目标函数(8)，候选容量配置方案不断更新以最小化目标函数(8)，直到满足终止条件。
对比例1
应用代表燃料消耗、电力/热量产生和污染物排放之间相互关系的稳态模型，目标函数为离网型多能源系统的总经济成本包括年化投资成本和系统运行维护成本，通过迭代配置方案以最小化目标函数。
实施例和对比例在如图10所得聚类结果下进行优化仿真，当仿真到达某个时刻时，会采用该时刻所对应的聚类点的电、热负荷而不是其实际负荷。因此只需要对6个动态调节过程(α→β→γ→δ→γ→β→α)进行仿真，由此得到优化结果如图12所示，可以看出，与稳态配置优化相比，本发明实施例优化方法所选择的各设备容量更大。因此，配置的多能源系统的初始投资成本比常规方法高13.31％
如图13所示，图中，实线代表本发明实施例优化方法，虚线代表常规稳态配置优化方法。由于本发明实施例优化方法通过动态仿真充分考虑了多能源系统的实际运行状态，因此实现了较低的运行和维护成本。光伏和蓄电池容量的增加降低了微燃机的运行负荷和相应的燃料成本，使得在本发明实施例优化方法配置下多能源系统的运行和维护成本降低了0.84％。从而如图14所示，图中，横线代表系统年化投资成本，虚线代表系统运行维护成本，与传统稳态方法相比，一体优化配置的总经济成本仅增加了1.88％
如图15所示，设备容量的增加带来了多能源系统动态性能的显著改善，因为微燃机和空气源热泵的运行工况范围增大，调节速度加快。当应用本发明实施例优化配置结果时，动态热偏差和电气偏差分别减少86％和34％
如图16、17所示，图中，实线和虚线分别代表本发明实施例优化方法和稳态配置优化方法所得配置方案在在图6和图7中给出的典型负荷需求和太阳辐照强度下的从8:00到19:00的闭环动态仿真结果。结果表明，在本发明实施例配置方案下，多能源系统显示出更强的调节能力。剩余功率和给水温度可以以更小的波动和更短的调节时间恢复到设定值。常规稳态优化配置方案下系统的动态性能较差，尤其是15:00、17:00和18:00左右，微燃机的功率输出达到上限时，此时空气源热泵不得不限制压缩机转速的增加，以缓解较大的剩余功率偏差，导致供热不足。从图16可以看出，给水温度分别需要900s、1660s和1950s到达稳定，比本发明实施例优化配置方案下的要长得多。
值得注意的是，在本发明实施例优化配置方案下，光伏装机容量也有所增加。除了降低微燃机出力和相关燃料消耗外，光伏容量增加带来的另一个好处是减少了微燃机和空气源热泵的必要工况变化，从而可以缓解大范围负荷跟随面临的挑战。如图18所示，当光伏装机容量配置在100kW左右时，各代表性场景之间所需的微燃机和空气源热泵的总出力变化最小。
综上所述，本发明实施例优化方法，通过多参数规划方法构建具备设计感知能力的离线预测控制器，在此基础上以系统投资成本、运行成本和闭环动态性能为指标，提出全新的考虑闭环特性的多能源系统优化配置方法。打通了多能源系统的配置和动态运行之间的割裂，与常规稳态配置优化方法相比在对系统经济性影响较小的前提下，显著提高离网型多能源系统的动态性能和运行可靠性。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (7)

1.一种离网型多能源系统的配置、控制一体优化方法，其特征在于，包括以下步骤：
步骤10)、选取各设备关键容量配置参数，研究其对系统动态影响；
步骤20)、建立具备设计感知能力的稳态无偏离线预测控制器；
步骤30)、构建整体优化目标函数，以在约束条件下对离网型多能源系统进行配置、控制一体优化；
步骤40)、选取典型日气候和负荷需求条件，通过kmeans算法将所述典型日气候和负荷需求条件缩减为若干代表性场景；
步骤50)、在配置、控制一体优化框架下对系统进行优化，得到最小化的整体优化指标。
2.根据权利要求1所述的离网型多能源系统的配置、控制一体优化方法，其特征在于，所述步骤10)中，所述设备容量配置参数包括微燃机的回热器金属质量m、转子转动惯量r和空气源热泵的压缩机容量Vcom，且这些参数与各自设备的容量成相关关系，如下式所示：
Figure FDA0003396343280000011
式中，f1表示回热器金属质量m和微燃机容量
Figure FDA0003396343280000012
的对应线性关系；
f2表示转子转动惯量r和微燃机容量
Figure FDA0003396343280000013
的对应线性关系；
f3表示空气源热泵的压缩机容量Vcom和空气源热泵容量
Figure FDA0003396343280000014
的对应线性关系。
3.根据权利要求2所述的离网型多能源系统的配置、控制一体优化方法，其特征在于，所述步骤20)中建立稳态无偏离线预测控制器具体包括：
步骤201)建立状态空间方程：产生辨识数据时，在各个特定容量配置参数下生成相应数据，并将容量配置参数当做可测扰动，然后用matlab辨识工具箱进行辨识产生如下模型：
Figure FDA0003396343280000015
其中Ad,Bd,Cd,Dd和Ed是系统矩阵，xd是状态向量，可测扰动d包含多能源系统的容量配置参数，u和y分别是系统输入和输出矩阵；
步骤202)稳态无偏修正：以所述状态空间模型(2)建立预测模型，以确保设定值的稳态无偏跟踪；
其中预测模型为：
Figure FDA0003396343280000021
其中，A,B,C,D为系统矩阵，xe为系统的扩增状态，Δu(k)＝u(k)-u(k-1)是输入矩阵的增量形式，Δd(k)同理；
步骤203)目标函数和约束条件：考虑如下目标函数：
min H＝(Y-Yr)TQ(Y-Yr)+ΔUTRΔU (4)
其中H表示预测控制指标，输入变量速率约束和幅值约束如下式：
Figure FDA0003396343280000022
Figure FDA0003396343280000023
其中Y＝[y(k+1|k)T,y(k+2|k)T,…,y(k+Np|k)T]T是未来输出量预测矩阵；Yr是未来设定值矩阵；ΔU＝[u(k)T,u(k+1)T,…,u(k+Nc)T]T是未来输入量增量矩阵；Np和Nc分别是预测时域和控制时域；Q和R是相应权重系数；(Δumin,Δumax)，(umin,umax)是输入量的物理限制，分别表示输入变化量和输入量的最小、最大值，设备容量相对应；
步骤204)多参数规划求解离线控制律：
将所述预测模型(3)迭代Np步后，代入所述目标函数(4)，通过多参数规划方法离线求解约束二次规划问题(4)-(6)，得到未来最优控制序列，即离线控制器(7)表达式如下：
Figure FDA0003396343280000024
其中Δu*表示最优控制量增量，θ＝[xe(k),d(k),y(k),ysp,umax,umin,Δumax,Δumin]T是包含扩增状态、可测扰动、当前时刻输出、输出设定值和输入幅值速率约束的参数集；Kn，Rn，Ln，bn代表相应系数；参数集被划分为R个特征域，每个特征域对应相应的离线控制律；CRi表示第i个特征域。
4.根据权利要求3所述的离网型多能源系统的配置、控制一体优化方法，其特征在于，在所述步骤30)中，所述整体优化指标包括总经济成本(Ctotal)和离线多能源的动态性能(Θ)；
其中，所述整体优化目标函数为：
Figure FDA0003396343280000031
其中z表示多能源系统中设备的数量，Pe z[kW]表示系统中设备z的容量，λ和Γ表示经济成本和动态性能的权重系数；
所述总经济成本包括设备年化投资成本(Cinv)和运行维护成本(Com)；其中，所述设备年化投资成本计算如下：
Figure FDA0003396343280000032
其中Cinf,z[$/kW]表示设备z的单位容量投资成本，其中蓄电池最大充放电功率取值为蓄电池额定容量的25％，
Figure FDA0003396343280000033
为资本回收率，h为设备服务年限，f[％]为银行利率；
所述设备运行维护成本计算如下：
Com＝Com,mt+CESS,loss+Com,fuel (10)
其中Com,mt[$]表示多能源系统的维护成本，CESS,loss[$]表示蓄电池的寿命损失成本，Com,fuel[$]表示系统燃料购买成本；
其中，所述多能源系统的维护成本计算如下：
Figure FDA0003396343280000034
其中T表示一年运行天数，Com,z[$/kW]表示设备z的单位功率运行维护成本，
Figure FDA0003396343280000035
为设备z在第j小时的平均运行功率：
其中，设备z在第j小时的平均运行功率
Figure FDA0003396343280000036
包括实际动态运行功率和稳态运行功率；
Figure FDA0003396343280000041
其中Pi,j,z[kW]表示动态调节过程中设备z在第j小时的采样点i处的实际功率，nj表示第j小时的动态仿真采样点个数，设定足够长以覆盖系统动态调节过程，Δt为采样时间；
Figure FDA0003396343280000042
为设备z在第j小时的稳态运行功率，由闭环动态仿真到达稳态后的稳态数据得到；
蓄电池寿命损失成本CESS,loss：
CESS,loss＝Lloss·Cinv,ESS (13)
Figure FDA0003396343280000043
其中Lloss为蓄电池寿命损失系数，由一年内蓄电池充放电量除以其最大吞吐量计算得到，Cinv,ESS[$]为蓄电池年化投资成本；
燃料成本Com,fuel：
Figure FDA0003396343280000044
其中，cfuel[$/m3]表示单位体积燃料成本；
Figure FDA0003396343280000045
为系统在第j小时的平均消耗燃料量，
Figure FDA0003396343280000046
其中mi,j[m3/s]和
Figure FDA0003396343280000047
分别表示动态调节阶段和稳态运行阶段系统在第j小时的采样点i处的实际燃料量；
所述离网型多能源系统的动态性能Θ：
Θ＝(Ω,Φ) (17)
Figure FDA0003396343280000051
其中Ω[℃]表示给水温度与设定值偏差；Φ[kW]表示剩余功率与设定值偏差，n为采样点个数，rfeed,i[℃]为采样点i处给水温度，rfeed,0[℃]为给水温度设定值，Ns,i＝∑Pdev,gen-∑Pdev,con[kW]代表系统在采样点i出的剩余功率，是设备产生能量Pdev,gen和消耗能量Pdev,con的差值，Ns0＝0[kW]是剩余功率设定值。
5.根据权利要求4所述的离网型多能源系统的配置、控制一体优化方法，其特征在于：在所述步骤40)中，所述kmeans算法的目标函数如下：
Figure FDA0003396343280000052
其中，G表示聚类个数，xm,g代表聚类g所有pg个点中第m个点，Xg表示聚类g的中心点。
6.根据权利要求5所述的离网型多能源系统的配置、控制一体优化方法，其特征在于：所述配置、控制一体优化框架包含在线和离线两部分；
所述离线部分通过多参数规划方法求解基于扩增离散状态空间的约束二次规划问题得到参数集的各个特征域和其对应最优控制律；
所述在线优化部分，优化参数为各设备容量，首先通过优化函数不断迭代给定候选配置方案，即各个设备的容量，根据系统当前时刻状态、输出量、容量配置参数等确定参数集，查表得到所述参数集对应特征域和最优控制律，计算当前时刻最优控制律u(k)＝u(k-1)+Δu(k)之后，将所述当前时刻最优时刻最优控制律作用于多能源系统，以此进行进行闭环动态仿真，由仿真结果根据式(8)-(18)计算整体优化目标函数(8)，候选容量配置方案不断更新以最小化整体优化目标函数(8)，直到满足终止条件，即求解器步长小于给定值。
7.根据权利要求6所述的离网型多能源系统的配置、控制一体优化方法，其特征在于：所述配置、控制一体优化框架包括如下流程
步骤一、构建离线控制器(7)；
步骤二、初始化/更新所述容量配置参数；
步骤三、更新参数集；
步骤四、根据参数集在线查表；
步骤五、根据所述离线控制器(7)计算控制变量；
步骤六、将天气情况和负荷需求输入多能源系统进行仿真处理；
步骤七、若仿真未完成，重复步骤四；
若仿真完成，输出闭环仿真结果，计算整体优化目标函数(8)；
步骤九、若满足终止条件，即求解器步长小于给定值，结束；若未满足终止条件，重复步骤二。
CN202111483350.4A 2021-12-07 2021-12-07 离网型多能源系统的配置、控制一体优化方法 Active CN114374231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111483350.4A CN114374231B (zh) 2021-12-07 2021-12-07 离网型多能源系统的配置、控制一体优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111483350.4A CN114374231B (zh) 2021-12-07 2021-12-07 离网型多能源系统的配置、控制一体优化方法

Publications (2)

Publication Number Publication Date
CN114374231A true CN114374231A (zh) 2022-04-19
CN114374231B CN114374231B (zh) 2023-10-24

Family

ID=81140775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111483350.4A Active CN114374231B (zh) 2021-12-07 2021-12-07 离网型多能源系统的配置、控制一体优化方法

Country Status (1)

Country Link
CN (1) CN114374231B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542501A (zh) * 2023-07-06 2023-08-04 国网北京市电力公司 多能源系统优化配置方法、装置、设备及介质
CN117375112A (zh) * 2023-11-09 2024-01-09 国能江苏新能源科技开发有限公司 离网型综合能源系统动态配置-需求响应联合优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111200283A (zh) * 2020-01-03 2020-05-26 上海电力大学 一种多微电网系统优化控制方法
CN113159983A (zh) * 2021-03-15 2021-07-23 东南大学 离网型光气热电联产综合能源系统协调控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111200283A (zh) * 2020-01-03 2020-05-26 上海电力大学 一种多微电网系统优化控制方法
CN113159983A (zh) * 2021-03-15 2021-07-23 东南大学 离网型光气热电联产综合能源系统协调控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542501A (zh) * 2023-07-06 2023-08-04 国网北京市电力公司 多能源系统优化配置方法、装置、设备及介质
CN117375112A (zh) * 2023-11-09 2024-01-09 国能江苏新能源科技开发有限公司 离网型综合能源系统动态配置-需求响应联合优化方法

Also Published As

Publication number Publication date
CN114374231B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
Rullo et al. Integration of sizing and energy management based on economic predictive control for standalone hybrid renewable energy systems
Dufo-Lopez et al. Optimization of control strategies for stand-alone renewable energy systems with hydrogen storage
CN109103929B (zh) 基于改进动态克里丝金模型的配电网经济优化调度方法
CN114374231B (zh) 离网型多能源系统的配置、控制一体优化方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
Gbadega et al. Impact of incorporating disturbance prediction on the performance of energy management systems in micro-grid
Venayagamoorthy et al. Energy dispatch controllers for a photovoltaic system
Rouhani et al. A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms
Zheng et al. Integrated capacity configuration and control optimization of off-grid multiple energy system for transient performance improvement
CN111697578A (zh) 多目标含储能区域电网运行控制方法
Badar et al. An autonomous hybrid DC microgrid with ANN-fuzzy and adaptive terminal sliding mode multi-level control structure
CN106786702B (zh) 用于混合储能系统的全状态模型预测能量调度方法
Das et al. Fuel cell and ultracapacitor energy system control using linear quadratic regulator proportional integral controller
CN116979611A (zh) 一种源网荷储分层优化调度方法
CN114938040B (zh) 源-网-荷-储交直流系统综合优化调控方法和装置
CN116468168A (zh) 一种基于改进白鲸优化算法的分布式电源多目标分层规划方法
CN115995832A (zh) 一种计及柔性负荷的户用氢能系统优化运行方法及装置
CN115765054A (zh) 考虑风光无功调节的配电网分布式电源双层规划方法
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
Ghasemi et al. PEM fuel cell system to extend the stack life based on a PID-PSO controller design
Ali et al. Hierarchical control combined with higher order sliding mode control for integrating wind/tidal/battery/hydrogen powered DC offshore microgrid
Ignat et al. Islanded microgrid simulation and cost optimisation
CN117744894B (zh) 一种综合能源系统的主动学习代理优化方法
CN117277400B (zh) 一种目标函数在线优化水-光发电系统的控制方法
CN108418233B (zh) 含高渗透率dg的配电网中储能电池最优配置方法

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