CN114529075A - 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 - Google Patents
考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 Download PDFInfo
- Publication number
- CN114529075A CN114529075A CN202210134168.6A CN202210134168A CN114529075A CN 114529075 A CN114529075 A CN 114529075A CN 202210134168 A CN202210134168 A CN 202210134168A CN 114529075 A CN114529075 A CN 114529075A
- Authority
- CN
- China
- Prior art keywords
- power
- wind
- output
- equipment
- total
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 33
- 238000004146 energy storage Methods 0.000 claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 7
- 239000007789 gas Substances 0.000 claims description 88
- 238000003860 storage Methods 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 55
- 238000005057 refrigeration Methods 0.000 claims description 51
- 238000010521 absorption reaction Methods 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 23
- 238000007599 discharging Methods 0.000 claims description 18
- 239000003344 environmental pollutant Substances 0.000 claims description 16
- 231100000719 pollutant Toxicity 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 230000009194 climbing Effects 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000020477 pH reduction Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- RZGZMLICFFEUIQ-UHFFFAOYSA-N 5-[(1-phenylcyclohexyl)amino]pentanoic acid Chemical compound C=1C=CC=CC=1C1(NCCCCC(=O)O)CCCCC1 RZGZMLICFFEUIQ-UHFFFAOYSA-N 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 239000002737 fuel gas Substances 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,获取综合能源系统内部数据与外部环境数据后作为输入,输出风光出力预测数据以及电、冷、热负荷预测数据;构建基于Wasserstein距离的风光预测误差不确定模糊集,建立两阶段分布鲁棒优化下的能量调度模型,求解模型获取能量优化调度结果。本发明构建的不确性模糊集保守度较低,第一阶段以成本、环境、能效为优化目标,设置功率平衡与联络线约束、能量转换与储能设备约束,第二阶段以调整柔性设备出力的成本损失期望为优化目标,设置仿射约束、不确定集约束,最终获得精细化的能量调度方案,能指导综合能源系统进行高效绿色地优化调度,环境适应性强,鲁棒性好。
Description
技术领域
本发明属于电网调度技术领域,尤其涉及一种考虑风光预测误差的综合能源系统分布鲁棒优化调度方法。
背景技术
面对传统化石能源日益枯竭以及环境恶化的问题,我国开始积极推进能源转型、高效利用。综合能源系统(IES)作为一种区域分布式能源形式,融合了冷、热、电、气、风、光等多种能源形式,在生产、传输、转换、存储、消费等环节实现协调互补,对于提升能源综合利用率与系统协调优化水平具有重要意义。
目前国内外对IES的研究主要集中在设计规划、运行、调度等方面,在IES优化调度领域,通常以成本与环境为目标,而能效指标尚未被纳入到多目标优化调度体系中,在环境层面也只考虑碳排放造成的温室效应,忽略了化石能源燃烧导致的粉尘效应与大气酸化效应。通过文献检索发现,现有技术(公开号:CN112636373A)公开了一种电气热综合能源系统优化调度方法,基于电、气、热负荷与风电出力预测,以成本与风电消纳率为优化目标获得最优折衷解,该方法忽视了风光发电功率不确定性对IES安全稳定运行的负面影响,鲁棒性差。现有技术(公开号:CN112952807A)公开了一种考虑风电不确定性与需求响应的多目标优化调度方法,采用随机场景法描述风光不确定性,随机优化需要获取不确定参数准确的概率分布,然而实际很难获取。因此,需要设计一种环境适应性更强、鲁棒性更好的针对综合能源系统的优化调度方法。
发明内容
针对现有技术中存在不足,本发明提供了一种考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,基于分布鲁棒优化算法处理风光预测误差,建立了两阶段能量调度模型,第一阶段以成本、环境、能效为优化目标,第二阶段以为抵消风光预测误差而调整柔性设备出力的成本损失期望为优化目标,所获得的调度方案的精细化程度更高,整体具有较好的鲁棒性,环境适应性较强。
本发明是通过以下技术手段实现上述技术目的的。
考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,包括如下步骤:
步骤1:获取综合能源系统内部数据与外部环境数据后作为输入,应用机器学习算法,对风力和光伏两种新能源的出力数据以及电、冷、热负荷进行预测,日前输出电、冷、热逐时负荷预测数据以及风力和光伏出力预测数据;
步骤2:基于Wasserstein距离构建风光预测误差不确定模糊集;
步骤3:建立考虑风光预测误差的,以经济性、环境性、能效性为目标的综合能源系统两阶段分布鲁棒优化能量调度模型;其中,第一阶段模型为日前规划能量调度模型,第二阶段模型为日内运行能量调度模型;
步骤4:对综合能源系统两阶段分布鲁棒优化调度模型进行转化并求解,获得考虑风电预测误差的优化调度结果。
进一步地,所述步骤2具体过程为:
基于Wasserstein距离表征PN与真实分布函数PR的距离:
其中,Dw(PN,PR)为Wasserstein距离;inf表示求下确界函数;||·||表示两个分布之间的欧式范数;为的第k个元素,与均为不确定性参数,且分别服从PN与PR分布;Π表示PN和PR的联合分布函数;
步骤2.2:将PR限制在Wasserstein球内,定义风光预测误差不确定模糊集为:Ω={PR∈Ψ(Ξ)|Dw(PN,PR)<r(K)};其中,Ω为一个以经验分布PN为中心,以r(K)为半径的Wasserstein球;Ψ(Ξ)表示在Ξ上的全部概率分布;
r(K)由下式确定:
通过求解边界l来求得风光预测误差不确定模糊集,l通过下式结合嵌套二分法求解:
其中,()+表示一种函数,当()中的数值大于0时,取该数值,否则取0;r表示半径;θ表示大于0的对偶参数;τ表示不确定集Ξ的置信度;s.t.表示约束条件;
进一步地,所述第一阶段模型以一天24小时为优化调度周期,首先将步骤1获得的风力和光伏出力预测数据以及冷、热、电逐时负荷预测数据作为确定性输入分别建立经济性、环境性、能效性目标函数,能效性目标函数为冷、热、电负荷与系统各种形式能源输入的比值,具体为:
其中,f3为能效性目标函数;ηsys为能效;分别为t时刻电负荷、热负荷、冷负荷预测;Rgas为燃气热值;Pt char、Pt dis分别为t时刻储电设备的总充电功率、总放电功率;分别为t时刻CHP、燃气锅炉消耗的总燃气量;Pt buy、Pt sale分别为t时刻电网购电、售电功率;Pt wind、Pt pv、Pt dec分别为t时刻风电、光伏、双工况电制冷机的总输出功率。
然后将经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型,并设置第一阶段约束条件;第一阶段约束条件包括功率平衡与联络线约束、能量转换设备约束、储能设备约束,能量转换设备约束包括风力与光伏设备出力约束、热电联产设备约束、燃气锅炉约束、双工况电制冷设备约束、吸收式制冷设备约束,储能设备约束包括储电设备约束、冰蓄冷设备约束。
进一步地,所述经济性目标函数涉及购气成本、购售电成本、日前弃风弃光损失成本、设备运行维护成本,具体为:
其中,f1为经济性目标函数;Costgas为购气成本;Costelec为购售电成本;Costlose为日前弃风弃光损失成本;Costrun为设备运行成本; pricewind,lose、pricepv,lose分别为t时刻购气单价、电网购电单价、售电单价、弃风损失单价、弃光损失单价;Pt wind,pre、Pt pv,pre分别为t时刻风电与光伏预测出力;分别为t时刻CHP、燃气锅炉消耗的总燃气量;priceboil、priceCHP、pricewind、pricepv、pricedec、priceac分别为燃气锅炉、CHP、风电、光伏、双工况电制冷机、吸收式制冷机的单位运行成本;分别为t时刻燃气锅炉输出总热功率、CHP输出总电功率、吸收式制冷机输出总冷功率。
进一步地,所述环境性目标函数考虑大气酸化、温室与粉尘3种效应的影响,具体为:
其中,f2为环境性目标函数;m为污染物的编号,M为污染物种类总数;ω1、ω2、ω3分别为大气酸化效应、温室效应、粉尘效应的环境破坏权重;分别为第m类污染物产生3种效应的效果因子;Em为第m种污染物的排放量; 分别表示燃气锅炉、CHP消耗单位燃气对第m类污染物的排放系数; 分别为t时刻CHP、燃气锅炉消耗的总燃气量。
进一步地,所述功率平衡与联络线约束为:
其中,βt表示电力联络线的运行模式;为t时刻输入燃气总量; 分别为t时刻双工况电制冷机制冷模式下的输出总冷功率、冰蓄冷输出的总冷功率;分别为t时刻吸收式制冷机输入的总热功率、CHP输出的总热功率;分别为电网购、售电功率、市政输入燃气上限值; 分别为t时刻燃气锅炉输出的总热功率、CHP输出的总电功率、吸收式制冷机输出的总冷功率。
进一步地,所述能量转换设备约束具体如下:
风力与光伏设备出力约束为:
其中,i、j分别为光伏和风电设备编号;Pt pv,i,lose、Pt pv,i,pre、Pt pv,i分别为光伏设备i的弃光功率、预测出力、规划出力;Pt wind,j,lose、Pt wind,j,pre、Pt wind,j分别为风电设备j的弃风功率、预测出力、规划出力;Pt wind,lose、Pt pv,lose分别为t时刻弃风总功率与弃光总功率;Pt wind ,pre、Pt pv,pre分别为t时刻风电、光伏预测总出力。
热电联产设备约束为:
其中,a为CHP设备编号;分别为CHP设备a的燃气流量、电功率、热功率;ηturb、ηwh分别为CHP设备a的电效率、热效率; P CHP,a、PCHP ,a,up、PCHP,a,down分别为CHP设备a的电功率的上下限以及功率爬坡的上下限;表示t时刻CHP设备a的启停状态;Pt CHP为t时刻CHP输出的总电功率;为t时刻CHP输出的总热功率;
燃气锅炉约束为:
其中,v为燃气锅炉设备编号;分别为t时刻燃气锅炉v的输出热功率、消耗燃气量;ηboil为燃气锅炉的热效率; H boil,v、Hboil,v,up、Hboil,v,down分别为燃气锅炉v的热功率的上下限以及热功率爬坡的上下限;表示燃气锅炉v的启停状态;为t时刻燃气锅炉消耗的总燃气量;为t时刻燃气锅炉输出的总热功率;
双工况电制冷设备约束为:
其中,b为双工况电制冷机设备编号;δt表示t时刻双工况电制冷机的运行模式;COPdec、COPice分别为制冷、蓄冷效率;Pt dec,b,分别为t时刻双工况制冷设备b的输入功率、制冷模式下的输出冷量、蓄冷模式下的输出冷量; C dec,b,c、 C dec,b,ice、Cdec,b,c,up、Cdec,b,c,down、Cdec,b,ice,up、Cdec,b,ice,down分别为双工况制冷设备b制冷与蓄冷模式下冷功率的上下限与冷功率爬坡的上下限;Pt dec、分别为t时刻双工况电制冷机的总耗电功率、制冷模式下的总冷功率、蓄冷模式下的总冷功率;表示t时刻双工况电制冷机b的启停状态;
吸收式制冷设备约束为:
其中,d为吸收式制冷设备编号;分别为t时刻吸收式制冷机d的冷功率、热功率;COPac为吸收式制冷机的制冷效率; C ac,d、Cac,d,up、Cac,d,down分别为吸收式制冷机d的冷功率的上下限以及功率爬坡的上下限;表示t时刻吸收式制冷机d的运行模式;分别为t时刻吸收式制冷机的总输入热功率、总输出冷功率。
进一步地,所述储能设备约束具体如下:
储电设备约束为:
其中,o为储电设备编号;为t时刻储电设备o的储电量;εbat、ηc、ηd分别为储电设备的自损耗率、充电效率、放电效率;ρt表示t时刻储电设备运行模式;为储电设备o在t时刻的充、放电功率; S bat,o、 P char,o、P dis,o、分别为储电设备o的容量上下限以及充、放电功率的上下限;Pchar,o,up、Pchar ,o,down、Pdis,o,up、Pdis,o,down分别为储电设备o的充、放电状态功率上下限以及爬坡的上下限;表示t时刻储电设备o的启停状态;
冰蓄冷设备约束为:
其中,u为冰蓄冷设备编号;εct分别为t时刻冰蓄冷罐u的蓄冷量、制冷功率、自损耗率;σt表示冰蓄冷罐的运行模式;ηci、ηco分别为制冰效率、释冷效率; S ct,u、 C ct,u、Cct,u,up、Cct,u,down分别为冰蓄冷罐u的蓄冷容量上下限、制冷功率上下限以及冷功率爬坡上下限;为冰蓄冷罐t时刻输出的总冷功率;表示t时刻冰蓄冷罐u的启停状态。
进一步地,所述第二阶段模型为应对风电出力预测误差,通过调整柔性资源出力以维持系统平衡,第二阶段模型只考虑经济性优化,第二阶段模型的成本损失目标函数表示为应对风光预测误差而调整柔性资源的成本损失期望,第二阶段模型建立过程具体如下:
建立第二阶段模型的成本损失目标函数为:其中,sup为求上界函数;y为第二阶段决策变量,为柔性资源的调整出力;Y为第二阶段决策变量的集合;表示为抵消风光预测误差的干扰,调整柔性资源出力的成本;表示求真实分布函数PR的期望函数;
建立如下所示的第二阶段模型的约束条件,采用仿射策略描述柔性资源的调整出力:
其中,分别表示风电、光伏、新能源预测误差; 分别表示风力、光伏、CHP、弃风、弃光、储能充电、储能放电、电网购电、电网售电、电制冷设备的实际总出力;分别表示为中和风光预测误差,CHP、弃风、弃光、储能、电网、电制冷设备的参与度;表示t时刻储电设备的实际运行模式;表示t时刻电力联络线的实际运行模式;Pt wind,pre、Pt pv,pre分别为t时刻风电、光伏预测出力;ρt表示t时刻储能设备运行模式;βt表示电力联络线的运行模式;Pt dec为t时刻双工况电制冷机的总输出功率;Pt CHP为t时刻CHP的总输出功率;Pt wind,lose为t时刻总弃风功率;Pt pv,lose为t时刻总弃光功率;
依据仿射策略对成本损失目标函数进行调整,具体如下:
联立第一阶段模型的目标函数,得到两阶段分布鲁棒优化下的能量调度模型为:
其中,x为第一阶段决策变量;X为第一阶段决策变量的集合。
进一步地,所述步骤4中,两阶段分布鲁棒优化调度模型转化为:
其中,x为第一阶段决策变量,包括能量转换设备的启停状态、储能设备的运行模式、各设备与联络线的出力;X为第一阶段决策变量的集合;y为第二阶段决策变量,为柔性资源的调整出力;Y为第二阶段决策变量的集合;Ax≥g为第一阶段决策变量约束,A表示第一阶段决策变量的系数矩阵;By≥h为第二阶段决策变量约束,B表示第二阶段决策变量的系数矩阵;Cx+Dy≥q为第一阶段与第二阶段决策变量的耦合约束,C、D均表示耦合约束的系数矩阵,g、h、q均为参数向量;第三行为不确定性集约束;aT、bT、cT均为目标函数的系数向量;为经济性目标的权重;表示求真实分布函数PR的期望函数;表示新能源预测误差;s.t.表示约束条件;Ξ表示不确定集;RN为N维实数向量;为样本均值;为样本方差;l为的边界,为中的元素,为不确定性参数的标准化;为的元素。
本发明具有如下有益效果:
本发明充分考虑了风光不确定性,基于Wasserstein构造风光出力不确性模糊集,具有较低的保守度;本发明建立了两阶段分布鲁棒优化下的能量调度模型,第一阶段以成本、环境、能效为优化目标,第二阶段以为抵消风光预测误差而调整柔性设备出力的成本损失期望为优化目标,求解获得的能量调度方案较精细,包括设备状态(运行或停机)、运行模式、输出功率及应对风光预测误差的调整出力,可以指导综合能源系统进行高效绿色地优化调度,经济性好,相对于传统的确定性能源系统,环境适应性更强,具有更好的鲁棒性。
附图说明
图1为本发明所述综合能源系统架构图;
图2为本发明所述综合能源系统分布鲁棒优化调度方法实施流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,本发明所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法中,综合能源系统包含电、气、冷、热多种能源形式,采用光伏、风电、燃气轮机、电储能与市电联合供电,采用余热锅炉、燃气锅炉联合供热,采用吸收式制冷机、双工况电制冷机与蓄冷罐联合供冷。本发明所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法如图2所示,具体包括如下步骤:
步骤1:获取关键数据,即综合能源系统内部数据与外部环境数据,其中,综合能源系统内部数据包括:设备参数数据、历史运行数据,外部环境数据包括:气象参数数据、分时购售电单价与购气单价。
步骤2:对风力和光伏两种新能源的出力数据以及电、冷、热负荷进行预测,应用机器学习算法,以步骤1中获取的各项数据作为输入,日前输出电、冷、热逐时负荷预测数据以及风力和光伏出力预测数据;
步骤3:基于Wasserstein距离构建风光预测误差不确定模糊集,即风光出力模糊不确定集,具体过程如下:
根据经验分布函数PN,基于Wasserstein距离表征PN与真实分布函数PR的距离:
其中,Dw(PN,PR)为Wasserstein距离;inf表示求下确界函数;||·||表示两个分布之间的欧式范数;为中的第k个元素;与均为不确定性参数,且分别服从PN与PR分布;Π表示PN和PR的联合分布函数;
步骤3.2:将真实分布函数PR限制在Wasserstein球内,定义风光预测误差不确定模糊集为:Ω={PR∈Ψ(Ξ)|Dw(PN,PR)<r(K)};其中,Ω为一个以经验分布PN为中心,以r(K)为半径的Wasserstein球;Ψ(Ξ)表示在Ξ上的全部概率分布;
r(K)由下式确定:
通过求解边界l即可求得风光预测误差不确定模糊集,l可通过下式结合嵌套二分法求解:
其中,()+表示一种函数,当()中的数值大于0时,取该数值,否则取0;r表示半径;θ表示大于0的对偶参数;τ表示不确定集Ξ的置信度;s.t.表示约束条件;
步骤4:建立考虑风光预测误差的,以经济性、环境性、能效性为目标的综合能源系统两阶段分布鲁棒优化能量调度模型;其中,第一阶段模型为日前规划能量调度模型,第二阶段模型为日内运行能量调度模型;具体过程如下:
步骤4.1:第一阶段模型为日前规划能量调度模型,以一天24小时为优化调度周期,将步骤2获得的风力和光伏出力预测数据以及冷、热、电逐时负荷预测数据作为确定性输入,分别建立经济性(即成本性)、环境性、能效性目标函数,具体如下:
经济性目标函数涉及购气成本、购售电成本、日前弃风弃光损失成本、设备运行维护成本,具体为:
其中,f1为经济性目标函数;Costgas为购气成本;Costelec为购售电成本;Costlose为日前弃风弃光损失成本;Costrun为设备运行成本,主要针对能量转化设备;pricet gas、pricet buy、pricet sale、pricewind,lose、pricepv,lose分别为t时刻购气单价、电网购电单价、售电单价、弃风损失单价、弃光损失单价;Pt wind,pre、Pt pv,pre分别为t时刻风电、光伏预测出力;分别为t时刻热电联产设备(主要包括燃气轮机与余热锅炉,以下简称CHP)、燃气锅炉消耗的总燃气量;priceboil、priceCHP、pricewind、pricepv、pricedec、priceac分别为燃气锅炉、CHP、风电、光伏、双工况电制冷机、吸收式制冷机的单位运行成本;Pt buy、Pt sale分别为t时刻电网购电、售电功率;Pt CHP、Pt dec、分别为t时刻燃气锅炉、CHP、双工况电制冷机、吸收式制冷机的总输出功率;Pt wind、Pt pv分别为t时刻风电与光伏设备的总规划出力。
建立环境性目标函数时,考虑大气酸化、温室与粉尘3种效应的影响,环境性目标函数如下:
其中,f2为环境性目标函数;m为污染物的编号,M为污染物种类总数,主要考虑导致上述3种效应的污染物,包括SO2、NOX、CH4、CO2、PM2.5;ω1、ω2、ω3分别为大气酸化效应、温室效应、粉尘效应的环境破坏权重;分别为第m类污染物产生3种效应的效果因子;Em为第m种污染物的排放量;分别表示燃气锅炉、CHP消耗单位燃气对第m类污染物的排放系数。
能效性目标函数为冷、热、电负荷与系统各种形式能源输入的比值,具体为:
将建立的经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型,具体如下:
所述第一阶段模型还包括第一阶段约束条件,第一阶段约束条件包括功率平衡与联络线约束、能量转换设备约束、储能设备约束;建立能量转换设备约束与储能设备约束时,细化颗粒度,将燃气联络线的输入、电网的购售电功率、每台设备的启停状态、运行模式、输出功率都纳入到能源优化调度的决策变量中;
功率平衡与联络线约束如下:
其中,第1、2行为电功率平衡约束,第3、4、5行分别为气、冷、热功率平衡约束,第6行为电力联络线与燃气联络线约束。βt表示电力联络线的运行模式,βt为0时表示售电,βt为1时表示购电;为t时刻输入燃气总量;分别为t时刻双工况电制冷机蓄冷模式下的输出总冷功率、冰蓄冷的总输出冷功率;分别为t时刻吸收式制冷机输入的总热功率、CHP设备输出的总热功率;分别为电网购、售电功率、市政输入燃气上限值。
能量转换设备约束包括风力与光伏设备出力约束、热电联产设备约束、燃气锅炉约束、双工况电制冷设备约束、吸收式制冷设备约束,具体如下:
风力与光伏设备出力约束为:
其中,i、j分别为光伏和风电设备编号;Pt pv,i,lose、Pt pv,i,pre、Pt pv,i分别为光伏设备i的弃光功率、预测出力、规划出力;Pt wind,j,lose、Pt wind,j,pre、Pt wind,j分别为风电设备j的弃风功率、预测出力、规划出力。
热电联产设备约束为:
其中,a为CHP设备编号;Pt CHP,a、分别为CHP设备a的燃气流量、电功率、热功率;ηturb、ηwh分别为CHP设备a的电效率、热效率; P CHP,a、PCHP,a,up、PCHP ,a,down分别为CHP设备a的电功率的上下限以及功率爬坡的上下限;表示CHP设备a的启停状态,为0时表示停机,为1时表示运行。
燃气锅炉约束为:
其中,v为燃气锅炉设备编号;分别为t时刻燃气锅炉v输出热功率与消耗的燃气量;ηboil为燃气锅炉的热效率; H boil,vHboil,v,up、Hboil,v,down分别为燃气锅炉v的热功率的上下限以及功率爬坡的上下限;表示燃气锅炉v的启停状态,为0时表示停机,为1时表示运行。
双工况电制冷设备约束为:
其中,b为双工况电制冷机设备编号;δt为布尔变量,表示t时刻双工况电制冷机的运行模式,δt为0时表示蓄冷,δt为1时表示制冷;COPdec、COPice分别为制冷、蓄冷效率;Pt dec,b,Ct dec,b,c,Ct dec,b,ice分别为t时刻双工况制冷设备b的输入功率、制冷模式下的输出冷量、蓄冰模式下的输出冷量; C dec,b,c C dec,b,ice、Cdec,b,c,up、Cdec,b,c,down、Cdec ,b,ice,up、Cdec,b,ice,down分别为双工况制冷设备b制冷与蓄冰模式下冷功率的上下限与冷功率爬坡的上下限;Pt dec、分别为t时刻双工况制冷机总耗电功率、制冷模式下的总冷功率、蓄冷模式下的总冷功率;表示t时刻双工况电制冷机b的启停状态,为0时表示停机,为1时表示运行。
吸收式制冷设备约束为:
其中,d为吸收式制冷设备编号;分别为t时刻吸收式制冷机d的冷功率、热功率;COPac为吸收式制冷机的制冷效率; C ac,d、Cac,d,up、Cac,d,down分别为吸收式制冷机d的冷功率的上下限以及功率爬坡的上下限;表示t时刻吸收式制冷机d的运行模式,为0时表示停机,为1时表示运行。
储能设备约束包括储电设备约束、冰蓄冷设备约束,具体如下:
储电设备约束为:
其中,o为储电设备编号;为t时刻储电设备o的储电量;εbat、ηc、ηd分别为储电设备的自损耗率、充电效率、放电效率;ρt表示t时刻储能设备运行模式,ρt为0时表示放电,ρt为1时表示充电;Pt char,o、Pt dis,o为储能设备o在t时刻的充、放电功率; S bat,o、 P char,o、P dis,o、分别为储能设备o的容量上下限以及充、放电功率的上下限;Pchar,o,up、Pchar,o,down、Pdis,o,up、Pdis,o,down分别为储能设备o的充、放电状态功率上下限以及爬坡的上下限;表示t时刻储能设备o的启停状态,为0时表示停机,为1时表示运行。
冰蓄冷设备约束为:
其中,u为冰蓄冷设备编号;εct分别为t时刻冰蓄冷罐u的蓄冷量、制冷功率、自损耗率;σt表示冰蓄冷罐的运行模式,为0时表示释冷,为1时表示蓄冷;ηci、ηco分别为制冰效率、释冷效率; S ct,u、 C ct,u、Cct,u,up、Cct,u,down分别为冰蓄冷罐u的蓄冷容量上下限、制冷功率上下限以及冷功率爬坡上下限;为冰蓄冷罐t时刻输出的总冷功率;表示t时刻冰蓄冷罐u的启停状态,为0时表示停机,为1时表示运行。
步骤4.2:第二阶段模型为日内运行能量调度模型,为应对风电出力预测误差,通过调整柔性资源出力以维持系统平衡,柔性资源包括购售电功率、CHP设备输出、弃风弃光功率、电制冷机功率;第二阶段模型只考虑经济性优化,第二阶段模型的成本损失目标函数表示为应对风光预测误差而调整柔性资源的成本损失期望;
步骤4.2.1:建立第二阶段模型的成本损失目标函数为:其中,sup为求上界函数;y为第二阶段决策变量,为柔性资源的调整出力;Y为第二阶段决策变量的集合;表示为抵消风光预测误差的干扰,调整柔性资源出力的成本;EPR()为求真实分布函数PR的期望函数。
步骤4.2.2:建立如下所示的第二阶段模型的约束条件,采用仿射策略描述柔性资源的调整出力:
其中,分别表示风电、光伏、新能源预测误差; 分别表示风力、光伏、CHP、弃风、弃光、储能充电、储能放电、电网购电、电网售电、电制冷设备的实际总出力;分别表示为中和风光预测误差,CHP、弃风、弃光、储能、电网、电制冷设备的参与度;表示t时刻储电设备的实际运行模式;表示t时刻电力联络线的实际运行模式;Pt wind,pre、Pt pv,pre分别为t时刻风电、光伏预测出力;ρt表示t时刻储能设备运行模式;βt表示电力联络线的运行模式;Pt dec为t时刻双工况电制冷机的总输出功率;Pt CHP为t时刻CHP的总输出功率;Pt wind,lose为t时刻总弃风功率;Pt pv,lose为t时刻总弃光功率;
步骤4.2.3:依据仿射策略对成本损失目标函数进行调整,具体如下:
联立第一阶段模型的目标函数,得到两阶段分布鲁棒优化下的能量调度模型为:
步骤5:对综合能源系统两阶段分布鲁棒优化调度模型进行转化并求解,获得考虑风电预测误差的优化调度结果,其中,通过步骤4获取的两阶段分布鲁棒优化下的能量调度模型可转化为:
其中,x为第一阶段决策变量,包括能量转换设备的启停状态、储能设备的运行模式、各设备与联络线的出力;X为第一阶段决策变量的集合;aT、bT、cT均为目标函数的系数向量;为经济性目标的权重;Ax≥g为第一阶段决策变量约束,A表示第一阶段决策变量的系数矩阵;By≥h为第二阶段决策变量约束,B表示第二阶段决策变量的系数矩阵;Cx+Dy≥q为第一阶段与第二阶段决策变量的耦合约束,C、D均表示耦合约束的系数矩阵;g、h、q均为参数向量;第三行为不确定性集约束。
通过对上述模型求解,即可获得考虑风光预测误差的综合能源系统精细化能量调度结果,包括能量转换设备的启停状态、储能设备的运行模式、综合能源系统内各设备与联络线的出力、柔性资源的调整出力。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (11)
1.考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,包括如下步骤:
步骤1:获取综合能源系统内部数据与外部环境数据后作为输入,应用机器学习算法,对风力和光伏两种新能源的出力数据以及电、冷、热负荷进行预测,日前输出电、冷、热逐时负荷预测数据以及风力和光伏出力预测数据;
步骤2:基于Wasserstein距离构建风光预测误差不确定模糊集;
步骤3:建立考虑风光预测误差的,以经济性、环境性、能效性为目标的综合能源系统两阶段分布鲁棒优化能量调度模型;其中,第一阶段模型为日前规划能量调度模型,第二阶段模型为日内运行能量调度模型;
步骤4:对综合能源系统两阶段分布鲁棒优化调度模型进行转化并求解,获得考虑风电预测误差的优化调度结果。
2.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,所述步骤2具体过程为:
基于Wasserstein距离表征PN与真实分布函数PR的距离:
其中,Dw(PN,PR)为Wasserstein距离;inf表示求下确界函数;||·||表示两个分布之间的欧式范数;为中的第k个元素,与均为不确定性参数,且分别服从PN与PR分布;Π表示PN和PR的联合分布函数;
步骤2.2:将PR限制在Wasserstein球内,定义风光预测误差不确定模糊集为:Ω={PR∈Ψ(Ξ)|Dw(PN,PR)<r(K)};其中,Ω为一个以经验分布PN为中心,以r(K)为半径的Wasserstein球;Ψ(Ξ)表示在Ξ上的全部概率分布;
r(K)由下式确定:
通过求解边界l来求得风光预测误差不确定模糊集,l通过下式结合嵌套二分法求解:
其中,()+表示一种函数,当()中的数值大于0时,取该数值,否则取0;r表示半径;θ表示大于0的对偶参数;τ表示不确定集Ξ的置信度;s.t.表示约束条件;
3.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,所述步骤3中,第一阶段模型以一天24小时为优化调度周期,首先将步骤1获得的风力和光伏出力预测数据以及冷、热、电逐时负荷预测数据作为确定性输入分别建立经济性、环境性、能效性目标函数,能效性目标函数为冷、热、电负荷与系统各种形式能源输入的比值,具体为:
其中,f3为能效性目标函数;ηsys为能效;分别为t时刻电负荷、热负荷、冷负荷预测;Rgas为燃气热值;Pt char、Pt dis分别为t时刻储电设备的总充电功率、总放电功率;分别为t时刻CHP、燃气锅炉消耗的总燃气量;Pt buy、Pt sale分别为t时刻电网购电、售电功率;Pt wind、Pt pv、Pt dec分别为t时刻风电、光伏、双工况电制冷机的总输出功率。
然后将经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型,并设置第一阶段约束条件;第一阶段约束条件包括功率平衡与联络线约束、能量转换设备约束、储能设备约束,能量转换设备约束包括风力与光伏设备出力约束、热电联产设备约束、燃气锅炉约束、双工况电制冷设备约束、吸收式制冷设备约束,储能设备约束包括储电设备约束、冰蓄冷设备约束。
4.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,所述经济性目标函数涉及购气成本、购售电成本、日前弃风弃光损失成本、设备运行维护成本,具体为:
其中,f1为经济性目标函数;Costgas为购气成本;Costelec为购售电成本;Costlose为日前弃风弃光损失成本;Costrun为设备运行成本; pricewind,lose、pricepv,lose分别为t时刻购气单价、电网购电单价、售电单价、弃风损失单价、弃光损失单价;Pt wind,pre、Pt pv,pre分别为t时刻风电与光伏预测出力;分别为t时刻CHP、燃气锅炉消耗的总燃气量;priceboil、priceCHP、pricewind、pricepv、pricedec、priceac分别为燃气锅炉、CHP、风电、光伏、双工况电制冷机、吸收式制冷机的单位运行成本;Pt CHP、分别为t时刻燃气锅炉的输出总热功率、CHP的输出总电功率、吸收式制冷机的输出总冷功率。
8.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,所述能量转换设备约束具体如下:
风力与光伏设备出力约束为:
其中,i、j分别为光伏和风电设备编号;Pt pv,i,lose、Pt pv,i,pre、Pt pv,i分别为光伏设备i的弃光功率、预测出力、规划出力;Pt wind,j,lose、Pt wind,j,pre、Pt wind,j分别为风电设备j的弃风功率、预测出力、规划出力;Pt wind,lose、Pt pv,lose分别为t时刻弃风总功率与弃光总功率;Pt wind,pre、Pt pv,pre分别为t时刻风电、光伏预测总出力。
热电联产设备约束为:
其中,a为CHP设备编号;Pt CHP,a、分别为CHP设备a的燃气流量、电功率、热功率;ηturb、ηwh分别为CHP设备a的电效率、热效率; P CHP,a、PCHP,a,up、PCHP,a,down分别为CHP设备a的电功率的上下限以及功率爬坡的上下限;表示t时刻CHP设备a的启停状态;Pt CHP为t时刻CHP输出的总电功率;为t时刻CHP输出的总热功率;
燃气锅炉约束为:
其中,v为燃气锅炉设备编号;分别为t时刻燃气锅炉v的输出热功率、消耗燃气量;ηboil为燃气锅炉的热效率; H boil,v、Hboil,v,up、Hboil,v,down分别为燃气锅炉v的热功率的上下限以及热功率爬坡的上下限;表示燃气锅炉v的启停状态;为t时刻燃气锅炉消耗的总燃气量;为t时刻燃气锅炉输出的总热功率;
双工况电制冷设备约束为:
其中,b为双工况电制冷机设备编号;δt表示t时刻双工况电制冷机的运行模式;COPdec、COPice分别为制冷、蓄冷效率;Pt dec,b,分别为t时刻双工况制冷设备b的输入功率、制冷模式下的输出冷量、蓄冷模式下的输出冷量; C dec,b,c、 C dec,b,ice、Cdec,b,w,up、Cdec,b,c,down、Cdec,b,ice,up、Cdec,b,ice,down分别为双工况制冷设备b制冷与蓄冷模式下冷功率的上下限与冷功率爬坡的上下限;Pt dec、分别为t时刻双工况制冷机的总耗电功率、制冷模式下的总冷功率、蓄冷模式下的总冷功率;表示t时刻双工况电制冷机b的启停状态;
吸收式制冷设备约束为:
9.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,所述储能设备约束具体如下:
储电设备约束为:
其中,o为储电设备编号;为t时刻储电设备o的储电量;εbat、ηc、ηd分别为储电设备的自损耗率、充电效率、放电效率;ρt表示t时刻储电设备运行模式;Pt char,o、Pt dis,o为储电设备o在t时刻的充、放电功率; S bat,o、 P char,o、P dis,o、分别为储电设备o的容量上下限以及充、放电功率的上下限;Pchar,o,up、Pchar,o,down、Pdis,o,up、Pdis,o,down分别为储电设备o的充、放电状态功率上下限以及爬坡的上下限;表示t时刻储电设备o的启停状态;
冰蓄冷设备约束为:
10.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,所述步骤3中,第二阶段模型为应对风电出力预测误差,通过调整柔性资源出力以维持系统平衡,第二阶段模型只考虑经济性优化,第二阶段模型的成本损失目标函数表示为应对风光预测误差而调整柔性资源的成本损失期望,具体如下:
建立第二阶段模型的成本损失目标函数为:其中,sup为求上界函数;y为第二阶段决策变量,为柔性资源的调整出力;Y为第二阶段决策变量的集合;表示为抵消风光预测误差的干扰,调整柔性资源出力的成本;表示求真实分布函数PR的期望函数;
建立如下所示的第二阶段模型的约束条件,采用仿射策略描述柔性资源的调整出力:
其中,分别表示风电、光伏、新能源预测误差; 分别表示风力、光伏、CHP、弃风、弃光、储能充电、储能放电、电网购电、电网售电、电制冷设备的实际总出力;分别表示为中和风光预测误差,CHP、弃风、弃光、储能、电网、电制冷设备的参与度;表示t时刻储电设备的实际运行模式;表示t时刻电力联络线的实际运行模式;Pt wind,pre、Pt pv,pre分别为t时刻风电、光伏预测出力;ρt表示t时刻储能设备运行模式;βt表示电力联络线的运行模式;Pt dec为t时刻双工况电制冷机的总输出功率;Pt CHP为t时刻CHP的总输出功率;Pt wind,lose为t时刻总弃风功率;Pt pv,lose为t时刻总弃光功率;
依据仿射策略对成本损失目标函数进行调整,具体如下:
联立第一阶段模型的目标函数,得到两阶段分布鲁棒优化下的能量调度模型为:
其中,x为第一阶段决策变量;X为第一阶段决策变量的集合。
11.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法,其特征在于,所述步骤4中,两阶段分布鲁棒优化调度模型转化为:
其中,x为第一阶段决策变量,包括能量转换设备的启停状态、储能设备的运行模式、各设备与联络线的出力;X为第一阶段决策变量的集合;y为第二阶段决策变量,为柔性资源的调整出力;Y为第二阶段决策变量的集合;sup为求上界函数;Ax≥g为第一阶段决策变量约束,A表示第一阶段决策变量的系数矩阵;By≥h为第二阶段决策变量约束,B表示第二阶段决策变量的系数矩阵;Cx+Dy≥q为第一阶段与第二阶段决策变量的耦合约束,C、D均表示耦合约束的系数矩阵,g、h、q均为参数向量;第三行为不确定性集约束;aT、bT、cT均为目标函数的系数向量;为经济性目标的权重;表示求真实分布函数PR的期望函数;表示新能源预测误差;s.t.表示约束条件;Ξ表示不确定集;RN为N维实数向量;为样本均值;为样本方差;l为的边界,为中的元素,为不确定性参数的标准化;为的元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134168.6A CN114529075A (zh) | 2022-02-14 | 2022-02-14 | 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134168.6A CN114529075A (zh) | 2022-02-14 | 2022-02-14 | 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114529075A true CN114529075A (zh) | 2022-05-24 |
Family
ID=81623380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210134168.6A Pending CN114529075A (zh) | 2022-02-14 | 2022-02-14 | 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529075A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688394A (zh) * | 2022-10-18 | 2023-02-03 | 上海科技大学 | 考虑电网多重不确定性的v2g分布鲁棒优化方法 |
CN116644866A (zh) * | 2023-07-27 | 2023-08-25 | 国网江西省电力有限公司经济技术研究院 | 考虑风光不确定性的综合能源系统鲁棒优化方法及系统 |
CN116992242A (zh) * | 2023-09-26 | 2023-11-03 | 华北电力大学 | 一种火电-储能联合检修优化方法、系统及电子设备 |
CN117252043A (zh) * | 2023-11-17 | 2023-12-19 | 山东大学 | 针对区域多能互补能源系统的多目标优化调度方法及装置 |
CN117494910A (zh) * | 2024-01-02 | 2024-02-02 | 国网山东省电力公司电力科学研究院 | 一种基于碳减排的多能源协调优化控制系统及方法 |
-
2022
- 2022-02-14 CN CN202210134168.6A patent/CN114529075A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688394A (zh) * | 2022-10-18 | 2023-02-03 | 上海科技大学 | 考虑电网多重不确定性的v2g分布鲁棒优化方法 |
CN115688394B (zh) * | 2022-10-18 | 2023-12-26 | 上海科技大学 | 考虑电网多重不确定性的v2g分布鲁棒优化方法 |
CN116644866A (zh) * | 2023-07-27 | 2023-08-25 | 国网江西省电力有限公司经济技术研究院 | 考虑风光不确定性的综合能源系统鲁棒优化方法及系统 |
CN116992242A (zh) * | 2023-09-26 | 2023-11-03 | 华北电力大学 | 一种火电-储能联合检修优化方法、系统及电子设备 |
CN116992242B (zh) * | 2023-09-26 | 2023-12-22 | 华北电力大学 | 一种火电-储能联合检修优化方法、系统及电子设备 |
CN117252043A (zh) * | 2023-11-17 | 2023-12-19 | 山东大学 | 针对区域多能互补能源系统的多目标优化调度方法及装置 |
CN117252043B (zh) * | 2023-11-17 | 2024-04-09 | 山东大学 | 针对区域多能互补能源系统的多目标优化调度方法及装置 |
CN117494910A (zh) * | 2024-01-02 | 2024-02-02 | 国网山东省电力公司电力科学研究院 | 一种基于碳减排的多能源协调优化控制系统及方法 |
CN117494910B (zh) * | 2024-01-02 | 2024-03-22 | 国网山东省电力公司电力科学研究院 | 一种基于碳减排的多能源协调优化控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108206543B (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
CN111463836B (zh) | 一种综合能源系统优化调度方法 | |
CN114529075A (zh) | 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 | |
CN106849190B (zh) | 一种基于Rollout算法的多能互补微网实时调度方法 | |
CN111738502B (zh) | 促进富余风电消纳的多能互补系统需求响应运行优化方法 | |
CN111860937B (zh) | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN109245093A (zh) | 一种冷热电联供分布式能源站协同优化调度方法 | |
CN108229025A (zh) | 一种冷热电联供型多微网主动配电系统经济优化调度方法 | |
CN112464477A (zh) | 计及需求响应的多能耦合综合能源运行仿真方法 | |
CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
CN110555618B (zh) | 基于改进樽海鞘算法的网络化综合能源系统优化调度方法 | |
CN114611772B (zh) | 一种基于多智能体强化学习的多微网系统协同优化方法 | |
CN112418488B (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN112883630B (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN112364556A (zh) | 基于多能互补的智慧能源优化配置方法及终端设备 | |
CN113313305A (zh) | 一种基于非合作博弈的综合能源系统优化调度方法 | |
CN112580897A (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法 | |
CN112131712A (zh) | 客户侧多能源系统多目标优化方法和系统 | |
CN110504684B (zh) | 一种区域多微网系统日前优化调度方法 | |
CN112085263A (zh) | 一种用户侧分布式能源系统混合储能优化配置方法和系统 | |
CN115693793B (zh) | 一种区域微电网能源优化控制方法 | |
CN112734451B (zh) | 一种基于非合作博弈的农业大棚多能源系统和优化方法 |
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 |