CN114781922B - 一种电热综合能源系统优化调度方法 - Google Patents

Abstract

本发明公开一种电热综合能源系统优化调度方法，涉及综合能源系统优化调度技术领域，包括以下步骤：采集电热综合能源系统的运行数据和系统设备参数；建立太阳能集热系统出力模型；建立电负荷需求侧响应模型；建立系统设备运行模型；设定电负荷、热负荷出力平衡约束、设备出力约束条件和需求侧响应约束；建立综合考虑购电费用、燃料购买费用、弃风惩罚费用、设备运维费用和需求侧响应补偿费用的目标函数；对非线性约束进行线性化变换；建立日前区间电热综合能源系统优化调度模型；基于Pyomo搭建区间最优、劣子模型，调用求解器GLPK进行求解。本发明利用Pyomo‑GLPK的组合对模型进行建模和求解，可以有效的降低系统的运行成本且拥有很好的求解速度。

Description

一种电热综合能源系统优化调度方法

技术领域

本发明涉及综合能源系统优化调度技术领域，具体为一种电热综合能源系统优化调度方法。

背景技术

在我国经济快速发展、能源需求量与日俱增、全球生态环境受损严重的背景下，发展清洁能源产业，推进能源生产和消费革命，构建清洁低碳、安全高效的能源体系，是我国未来能源发展的方向。电热综合能源系统的协调优化可以有效提升我国北方地区冬季取暖期间的用能结构，改善环境污染问题。

在我国北方地区，由于集中供热的区域供热管网系统已经发展较为成熟，只需要学习和利用在欧美已经发展较为成熟的太阳能综合利用技术，在城市郊区安装大规模的太阳能集热场，并把集得的热量通过直接或间接的方式输送到原有的集中供热管网系统中，就可利用太阳能集热量进行市政供热供暖。

在区域综合能源系统内，风电出力及太阳能集热受天气因素的影响，其出力预测具有较强的不确定性；负荷预测也存在预测误差的不确定性。在实际系统决策中，获得精确的概率密度函数往往较困难，然而获得不确定变量的取值范围则相对容易，且所需要的信息也大大减少。

目前对太阳能集热系统的研究大部分为一个独立系统供给热负荷，其并未与其它设备相耦合参与到调度中。GLPK作为一个开源的求解器，被用于能源调度求解的例子较少。

发明内容

本发明针对上述现有技术存在的不足，提供一种电热综合能源系统优化调度方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

一种电热综合能源系统优化调度方法，包括以下步骤：

采集电热综合能源系统的运行数据和系统设备参数；

建立太阳能集热系统出力模型；

建立电负荷需求侧响应模型；

建立系统设备运行模型；

设定电负荷、热负荷出力平衡约束、设备出力约束条件和需求侧响应约束；

建立综合考虑购电费用、燃料购买费用、弃风惩罚费用、设备运维费用和需求侧响应补偿费用的目标函数；

对非线性约束进行线性化变换；

建立日前区间电热综合能源系统优化调度模型；

基于Pyomo搭建区间最优、劣子模型，调用求解器GLPK进行求解。

作为本发明的进一步技术方案为，所述电热综合能源系统包括电力系统和热力系统；所述系统的运行数据包括电负荷、热负荷功率预测，新能源出力的负荷预测，分时电价；所述系统设备参数包括出力设备的额定功率和转换效率，储能设备的放能、储能功率、效率和损耗率；所述电力系统包括风电场、蓄电池、蓄热式电锅炉和地源热泵，蓄热式电锅炉和地源热泵同时属于热力系统；所述热力系统包括蓄热式电锅炉、地源热泵、生物质锅炉和太阳能集热系统。

作为本发明的进一步技术方案为，所述建立太阳能集热系统出力模型：

V＝75L/m²*A_s                             (2)

Q_s,t＝J_tA_sη_d                               (3)

式中：A_s为集热器总面积；Q_s为一天所需的热负荷；V为储热水箱的容积；J_T为当地日平均太阳辐照(MJ/(m2·d))；η_cd为采暖集热器平均集热效率；η_L为管路及储热装置热损失率；f为太阳能保证率；Q_s,t为t时刻太阳能集热系统产热量；J_t为当地t时间段内的平均太阳辐照量；η_d为使用期集热器平均效率；S_s,t和S_s,t+1为t时间段与下一时间段内的蓄热水箱的蓄热存量；η_sr,in和η_sr,out分别为储、放热效率。

作为本发明的进一步技术方案为，所述建立电负荷需求侧响应模型包括可消减负荷模型和可平移负荷模型；其中，

可削减负荷模型为：

式中：

为削减后电负荷；P_per,t用户优化前t时段电负荷；n_t为判断负荷是否发生削减的0-1状态变量；α_t为协议范围内的削减比例；

可平移负荷模型为：

式中：P_shift,t为时段t的可平移负荷功率；P_shift,t为可平移负荷的额定功率。

作为本发明的进一步技术方案为，所述建立设备运行模型包括蓄电池模型、蓄热式锅炉模型、地源热泵模型和生物质锅炉模型；其中，

蓄电池模型为：

式中：P_Battery,t为蓄电池t时间段的出力；

和

分别为蓄电池t时间段的输入、输出功率；S_Battery,t和S_Battery,t+1分别为t时间段与下一时间段内的蓄电量；η_B,in和η_B,out分别为储、放电效率；

蓄热式电锅炉模型为：

Q_REB,t＝η_REBP_REB,t    (9)

式中：Q_REB,t为电锅炉在t时间段的放热量；η_REB为蓄热式电锅炉的转换效率；P_REB,t为其在t时间段的电功率；η_loss1为蓄热部分的热损失系数；

和

分别为蓄热式电锅炉的蓄热体在t时间段的蓄热量和放热量；S_REB,t和S_REB,t+1分别为t时间段和t+1时间段内的蓄热存量；η_r,in和η_r,out分别为储热、放热效率；

地源热泵模型为：

Q_Hp,t＝coph×P_Hp,t  (11)

式中：Q_Hp,t为地源热泵在t时间段的产热功率；coph为地源热泵的制热能效比；P_Hp,t为其在t时间段的用电功率；

生物质锅炉模型为：

Q_Bb,t＝η_Bbβ_BbW_Bb,t  (12)

式中：Q_Bb,t为生物质锅炉在t时间段的产热功率；η_Bb为生物质锅炉的热效率；β_Bb为生物质固化燃料发热值；W_Bb,t为生物质锅炉在t时间段内的使用燃料重量。

作为本发明的进一步技术方案为，所述设定电负荷出力平衡约束、热负荷出力平衡约束、设备出力约束条件和需求侧响应约束：

电负荷出力平衡约束为：

式中：P′_per,t为t时间段用户优化后用电负荷需求；

表示风电在t时刻的出力上、下限；P_REB,t，P_Hp,t为别为蓄热式电锅炉和地源热泵用电量；P_Battery,t为蓄电池出力；

热负荷出力平衡约束为：

式中：

为太阳能集热系统在t时间段的放热量；Q_REB,t为电锅炉在t时间段的放热量；

和

分别为蓄热式电锅炉的蓄热体在t时间段的蓄热量和放热量；Q_Hp,t为地源热泵在t时间段的放热量；Q_per,t为用户在t时间段需求的热负荷；A_in,t，A_out,t分别为表示蓄热式电锅炉蓄热部分蓄热、放热状态的0-1变量；

蓄电池出力约束为：

式中：

与

分别为蓄电池的最大储、放电功率；A_in1,t，A_out1,t分别为表示蓄电池充、放电状态的0-1变量；

蓄电池储能约束为：

S_Battery,t(0)＝S_Battery,t(T)  (17)

式中：

和

为蓄电池的最大、小容量；

蓄热式电锅炉出力约束：

式中：

为蓄热式电锅炉的最大用电功率；

蓄热式电锅炉储能约束：

S_REB,t(0)＝S_REB,t(T)  (21)

式中：

和

分别为蓄热式电锅炉蓄热部分的最大蓄、放热功率；

和

分别为蓄热式电锅炉最大与最小蓄热量；

太阳能集热系统出力约束：

式中：

为太阳能集热系统在t时间内最大放热量；

太阳能集热系统储热约束：

S_s,min≤S_s,t≤S_s,max  (24)

式中：S_s,min和S_s,max为别为蓄热水箱的最小和最大蓄热量；

表示太阳能集热器在t时刻的集热上下限；

地源热泵出力约束：

式中：

为地源热泵在t时间内最大出力；

生物质锅炉出力约束：

式中：

为生物质锅炉在t时间内最大放热量；

需求侧响应约束：

式中：

为可削减负荷的上限值；t_s为可平移负荷的持续时间；m_t为判断负荷是否发生平移的0-1状态变量。

作为本发明的进一步技术方案为，所述对非线性约束进行线性化变换，具体为：对(0，1)变量与正数变量相乘的非线性约束进行线性化变换：

X(t)为(0，1)变量，V(t)为正数变量，先假定X(t)一个较大的上限值设为Xmax，增加两个临时变量Y(t)，Z(t)；线性化的步骤如下：

加入等式约束：

Y(t)＝X(t)-Z(t)  (30)

加入不等式约束：

这样Y(t)完全等价于V(t)X(t)。

作为本发明的进一步技术方案为，所述建立综合考虑购电费用、物质燃料购买费用、弃风惩罚费用、设备运维费用和需求侧响应补偿费用的目标函数：

式中：F为系统的总运行成本；C_ele为购电费用；C_b为购买生物质燃料的费用；C_wind为弃风惩罚费用；C_yw为能源设备的运维成本；C_bc为柔性负荷补偿成本；C_cut为削减负荷补偿费用；C_shift为平移负荷补偿费用；λ_ele为分时电价，P_Buy,t为t时间段系统从电网购买的电量；λ_Bb为购买生物质燃料单位质量价格；λ_wind为风电机组的弃风惩罚系数，

为风电机组在t时间段的预测产电功率；P_wind,t为风电机组在t时间段的实际用电功率；λ_j,yw为能源设备j的单位运维成本；P_j,t为t时间段设备j的出力；T为调度总时间段；

为协议中单位功率电负荷补偿价格；

为单位功率负荷平移的补偿价格。

作为本发明的进一步技术方案为，所述建立日前区间电热综合能源系统优化调度模型，具体为：

区间线性规划模型一般形式：

将构建的模型一般形式分解为最优子模型和最劣子模型，通过两阶段分解法分别求得最优值，从而得到最优值取值区间；其中，两阶段分解法包括下限优化求解和上限优化求解，

所述下限优化求解具体为：

目标函数：

约束条件：

式中：

为目标函数中系数为正的区间变量；

为目标函数中系数为负的区间变量；

求解下限优化模型得到的对应解

表示对应

的下限值；

表示对应

的上限值；

上限优化求解具体为：

目标函数:

约束条件：

同理，求得上限优化模型解

表示对应

的上限值；

表示对应

的下限值；

从而可得最后目标值[f]＝[f^-,f⁺]以及

作为本发明的进一步技术方案为，所述基于Pyomo构建区间最优、劣子模型，调用求解器GLPK进行求解；具体为：

根据Pyomo框架搭建日前区间电热综合能源系统优化调度模型，将系统的运行数据、设备参数代入上述模型使用GLPK进行求解。

本发明的有益效果是：

1、本发明提供一种综合考虑新能源出力不确定性、需求侧响应和储能的日前区间优化调度模型，将太阳能集热系统与系统相耦合进行调度，并利用Pyomo-GLPK的组合对模型进行建模和求解，可以有效的降低系统的运行成本且拥有很好的求解速度。

2、本发明综合考虑需求侧响应和新能源地不确定性，用区间数学进行表示；

3、本发明将太阳能集热系统与其它设备进行耦合对其进行日前调度；

4、本发明模型的搭建和求解使用Pyomo+GLPK的组合，Pyomo一种独立于用于解决问题的底层求解器的建模语言，GLPK是一种开源的线性规划求解器，使得其在工程中应用具有一定的优势。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1是本发明电-热综合能源系统优化调度方法的流程图；

图2是本发明电-热综合能源系统优化调度方法的流程图；

图3是本发明实施例中电-热综合能源系统的结构图；

图4是本发明实施例中电价曲线图；

图5是本发明实施例中电负荷、热负荷、风机发电量和太阳能集热系统集热量预测曲线图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例中，区间线性规划是一种很有效的处理不确定性问题的方法，它是将区间数的理论和方法应用于线性规划中，并且在目标函数或约束条件中含有区间数的一类线性规划。

Pyomo为基于python的开源软件包，用于制定和分析优化模型，GLPK为一个开源的线性规划求解器，二者相组合可以很好的在工程中运行

参见图1，本发明提供一种电热综合能源系统优化调度方法，包括以下步骤：

步骤1：采集电热综合能源系统的运行数据和系统设备参数；

步骤2：建立太阳能集热系统出力模型；

步骤3：建立电负荷需求侧响应模型；

步骤4：建立系统设备运行模型；

步骤5：设定电负荷、热负荷出力平衡约束、设备出力约束条件和需求侧响应约束；

步骤6：建立综合考虑购电费用、燃料购买费用、弃风惩罚费用、设备运维费用和需求侧响应补偿费用的目标函数；

步骤7：对非线性约束进行线性化变换；

步骤8：建立日前区间电热综合能源系统优化调度模型；

步骤9：基于Pyomo搭建区间最优、劣子模型，调用求解器GLPK进行求解。

下面通过具体案例，并结合附图，对本发明详细说明。

选取某地的设计算例数据具体分析，算例结构如图2所示，设备包含风电机组、太阳能集热系统、蓄电池、蓄热式电锅炉、地源热泵。以24小时为一个调度周期，单位调度时间为1h，对最优解与最差解模型分别利用Pyomo-GLPK进行求解。

表1出力设备参数

表2储能设备参数

步骤1，采集综合能源系统的运行数据和系统设备参数；

采集运行数据包括电负荷、热负荷功率预测，新能源出力的负荷预测，分时电价；以及系统设备参数包括出力设备的额定功率和转换效率，储能设备的放能、储能功率、效率和损耗率。

步骤2，建立太阳能集热系统出力模型；

V＝75L m²*A_s  (2)

Q_s,t＝J_tA_sη _d (3)

式中：A_s为集热器总面积，Q_s为一天所需的热负荷；V为储热水箱的容积；J_T为当地日平均太阳辐照(MJ/(m2·d))；η_cd为采暖集热器平均集热效率；ηL为管路及储热装置热损失率；f为太阳能保证率；Q_s,t为t时刻太阳能集热系统产热量；J_t为当地t时间段内的平均太阳辐照量；ηd为使用期集热器平均效率；S_s,t和S_s,t+1为t时间段与下一时间段内的蓄热水箱的蓄热存量；η_sr,in和η_sr,out分别为储、放热效率。

步骤3，建立电负荷需求侧响应模型：

a.可削减负荷模型：

式中：

为削减后电负荷；P_per,t用户优化前t时段电负荷；n_t为判断负荷是否发生削减的0-1状态变量；α_t为协议范围内的削减比例。

b.可平移负荷模型：

式中：P_shift,t为时段t的可平移负荷功率；P_shift,t为可平移负荷的额定功率。

步骤4，建立设备运行模型；

a.蓄电池模型：

式中：P_Battery,t为蓄电池t时间段的出力；

和

分别为蓄电池t时间段的输入、输出功率；S_Battery,t和S_Battery,t+1分别为t时间段与下一时间段内的蓄电量；η_B,in和η_B,out分别为储、放电效率。

b.蓄热式电锅炉模型：

Q_REB,t＝η_REBP_REB,t  (9)

式中：Q_REB,t为电锅炉在t时间段的放热量；η_REB为蓄热式电锅炉的转换效率；P_REB,t为其在t时间段的电功率；η_loss1为蓄热部分的热损失系数；

和

分别为蓄热式电锅炉的蓄热体在t时间段的蓄热量和放热量；S_REB,t和S_REB,t+1分别为t时间段和t+1时间段内的蓄热存量；η_r,in和η_r,out分别为储热、放热效率。

c.地源热泵模型：

Q_Hp,t＝coph×P_Hp,t  (11)

式中：Q_Hp,t为地源热泵在t时间段的产热功率；coph为地源热泵的制热能效比；P_Hp,t为其在t时间段的用电功率。

d.生物质锅炉模型：

Q_Bb,t＝η_Bbβ_BbW_Bb,t  (12)

式中：Q_Bb,t为生物质锅炉在t时间段的产热功率；η_Bb为生物质锅炉的热效率，取0.8；β_Bb为生物质固化燃料发热值，取5.4(kw/kg)；W_Bb,t为生物质锅炉在t时间段内的使用燃料重量，燃料价格0.7元/kg。

步骤5，设定电负荷、热负荷出力平衡约束、设备出力约束条件和需求侧响应约束；

a.电负荷出力平衡约束：

式中：P′_per,t为t时间段用户优化后用电负荷需求；

表示风电在t时刻的出力上、下限；P_REB,t，P_Hp,t为别为蓄热式电锅炉和地源热泵用电量；P_Battery,t为蓄电池出力。

b.热负荷出力平衡约束：

式中：

为太阳能集热系统在t时间段的放热量；Q_REB,t为电锅炉在t时间段的放热量；

和

分别为蓄热式电锅炉的蓄热体在t时间段的蓄热量和放热量；Q_Hp,t为地源热泵在t时间段的放热量；Q_per,t为用户在t时间段需求的热负荷；A_in,t，A_out,t分别为表示蓄热式电锅炉蓄热部分蓄热、放热状态的0-1变量。

c.蓄电池出力约束：

式中：

与

分别为蓄电池的最大储、放电功率；A_in1,t，A_out1,t分别为表示蓄电池充、放电状态的0-1变量。

d.蓄电池储能约束：

S_Battery,t(0)＝S_Battery,t(T)  (17)

式中：

和

为蓄电池的最大、小容量。

e.蓄热式电锅炉出力约束：

式中：

为蓄热式电锅炉的最大用电功率。

f.蓄热式电锅炉储能约束：

S_REB,t(0)＝S_REB,t(T)  (21)

式中：

和

分别为蓄热式电锅炉蓄热部分的最大蓄、放热功率；

和

分别为蓄热式电锅炉最大与最小蓄热量。

g.太阳能集热系统出力约束：

式中：

为太阳能集热系统在t时间内最大放热量。

h.太阳能集热系统储热约束：

S_s,min≤S_s,t≤S_s,max  (24)

式中：S_s,min和S_s,max为别为蓄热水箱的最小和最大蓄热量；

表示太阳能集热器在t时刻的集热上下限。

i.地源热泵出力约束：

式中：

为地源热泵在t时间内最大出力。

j.生物质锅炉出力约束：

式中：

为生物质锅炉在t时间内最大放热量。

k.需求侧响应约束：

式中：

为可削减负荷的上限值，取0.1；t_s为可平移负荷的持续时间，取3h；m_t为判断负荷是否发生平移的0-1状态变量。

优选地，步骤6中，对(0,1)变量与正数变量相乘的非线性约束进行线性化变换；

X(t)为(0，1)变量，V(t)为正数变量，先假定X(t)一个较大的上限值设为Xmax。增加两个临时变量Y(t)，Z(t)。线性化的步骤如下：

加入等式约束：

Y(t)＝X(t)-Z(t)  (30)

加入不等式约束：

这样Y(t)完全等价于V(t)X(t)。

步骤7，建立综合考虑购电费用、物质燃料购买费用、弃风惩罚费用、设备运维费用和需求侧响应补偿费用的目标函数：

式中：F为系统的总运行成本；C_ele为购电费用；C_b为购买生物质燃料的费用；C_wind为弃风惩罚费用；C_yw为能源设备的运维成本；C_bc为柔性负荷补偿成本；C_cut为削减负荷补偿费用；C_shift为平移负荷补偿费用；λ_ele为分时电价，P_Buy,t为t时间段系统从电网购买的电量；λ_Bb为购买生物质燃料单位质量价格；λ_wind为风电机组的弃风惩罚系数，

为风电机组在t时间段的预测产电功率；P_wind,t为风电机组在t时间段的实际用电功率；λ_j,yw为能源设备j的单位运维成本；P_j,t为t时间段设备j的出力；T为调度总时间段；

为协议中单位功率电负荷补偿价格，取0.2元/kW·h；

为单位功率负荷平移的补偿价格，取0.05元/kW·h。参见图3和图4。

优选地，步骤8中，建立日前区间电-热综合能源系统优化调度模型；

区间线性规划模型一般形式：

将构建的模型一般形式分解为最优子模型和最劣子模型，通过两阶段分解法分别求得最优值，从而得到最优值取值区间。

两阶段分解法：

1)下限优化求解

目标函数：

约束条件：

式中：

为目标函数中系数为正的区间变量；

为目标函数中系数为负的区间变量。

求解下限优化模型得到的对应解

表示对应

的下限值；

表示对应

的上限值。

2)上限优化求解

目标函数:

约束条件：

同理，求得上限优化模型解

表示对应

的上限值；

表示对应

的下限值。

从而可得最后目标值[f]＝[f^-,f⁺]以及

优选地，步骤9中，基于Pyomo搭建区间最优、劣子模型，调用求解器GLPK进行求解；

根据Pyomo框架搭建日前区间电-热综合能源系统优化调度模型，将系统的运行数据、设备参数代入上述模型使用GLPK进行求解，将得到的最优调度结果进行分析。

本实施例选取如下三种场景进行对比分析。

场景1：太阳能集热系统与其它设备独立进行供能，考虑风电、太阳能集热的不确定性为5％，运用Pyomo+GLPK进行求解。

场景2：太阳能集热系统与其它设备独立进行供能，考虑风电、太阳能集热的不确定性为5％，运用Yalmip+CPLEX进行求解。

场景3：太阳能集热系统可由地源热泵辅助储热，考虑风电、太阳能集热的不确定性为5％，运用Pyomo+GLPK进行求解。

表3为调度结果分析，由表3对比结果可以看出场景3可以有效的降低成本和提高对风电的消纳能力。而场景1中运维费用较低，原因在于场景3中增加了对地源热泵和太阳能集热系统的使用且风电利用率高，因而设备的运维费用较高。场景3中太阳能集热系统和其它供能设备耦合使用，虽然较少的增加了设备的使用频率，但增加了风电的消纳能力且降低了系统的运行成本。并且场景1和场景2对比可知，本文采用的求解方式Pyomo-GLPK，其求解精度和求解速度和常用的求解器CPLEX相差无几。

本发明实施案例综合考虑新能源的不确定性和需求侧响应进行电-热综合能源系统的建模，将太阳能集热系统与其它供能设备相耦合进行日前调度，通过Pyomo-GLPK进行建模并求解计算，对比分析三种调度结果，得到下面结论：

将太阳能集热系统和其它供能设备相互耦合进行日前调度可以在提高新能源的消纳能力的同时有效降低系统的运行成本，且GLPK的求解精度和求解速度不差于CPLEX的同时GLPK因其为开源求解器，使用相对自由，有利于其在工程上的运用。

综上所述，将太阳能集热系统与其它供能设备相耦合进行日前调度可有效降低系统地运行成本和增加新能源的消纳能力，Pyomo-GLPK的组合使用有较好的求解速度和求解结果，更加适用于工程使用。

表3三种场景下的运行情况

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种电热综合能源系统优化调度方法，其特征在于，包括以下步骤：

采集电热综合能源系统的运行数据和系统设备参数；

建立太阳能集热系统出力模型；

建立电负荷需求侧响应模型；

建立系统设备运行模型；

设定电负荷、热负荷出力平衡约束、设备出力约束条件和需求侧响应约束；

建立综合考虑购电费用、燃料购买费用、弃风惩罚费用、设备运维费用和需求侧响应补偿费用的目标函数；

对非线性约束进行线性化变换；

建立日前区间电热综合能源系统优化调度模型；

基于Pyomo搭建区间最优、劣子模型，调用求解器GLPK进行求解；

所述建立太阳能集热系统出力模型：

V＝75L/m²*A_s        (2)

Q_s,t＝J_tA_sη_d          (3)

式中：A_s为集热器总面积；Q_s为一天所需的热负荷；V为储热水箱的容积；J_T为当地日平均太阳辐照MJ/(m2·d)；η_cd为采暖集热器平均集热效率；η_L为管路及储热装置热损失率；f为太阳能保证率；Q_s,t为t时刻太阳能集热系统产热量；J_t为当地t时间段内的平均太阳辐照量；η_d为使用期集热器平均效率；S_s,t和S_s,t+1为t时间段与下一时间段内的蓄热水箱的蓄热存量；η_sr,in和η_sr,out分别为储、放热效率。

2.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：

所述电热综合能源系统包括电力系统和热力系统；

所述系统的运行数据包括电负荷、热负荷功率预测，新能源出力的负荷预测，分时电价；

所述系统设备参数包括出力设备的额定功率和转换效率，储能设备的放能、储能功率、效率和损耗率；

所述电力系统包括风电场、蓄电池、蓄热式电锅炉和地源热泵，蓄热式电锅炉和地源热泵同时属于热力系统；

所述热力系统包括蓄热式电锅炉、地源热泵、生物质锅炉和太阳能集热系统。

3.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：

所述建立电负荷需求侧响应模型包括可消减负荷模型和可平移负荷模型；其中，

可削减负荷模型为：

式中：为削减后电负荷；P_per,t用户优化前t时段电负荷；n_t为判断负荷是否发生削减的0-1状态变量；α_t为协议范围内的削减比例；

可平移负荷模型为：

式中：P_shift,t为时段t的可平移负荷功率；P_shift,t为可平移负荷的额定功率。

4.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：

所述建立设备运行模型包括蓄电池模型、蓄热式锅炉模型、地源热泵模型和生物质锅炉模型；其中，

蓄电池模型为：

式中：P_Battery,t为蓄电池t时间段的出力；和分别为蓄电池t时间段的输入、输出功率；S_Battery,t和S_Battery,t+1分别为t时间段与下一时间段内的蓄电量；η_B,in和η_B,out分别为储、放电效率；

蓄热式电锅炉模型为：

Q_REB,t＝η_REBP_REB,t       (9)

式中：Q_REB,t为电锅炉在t时间段的放热量；η_REB为蓄热式电锅炉的转换效率；P_REB,t为其在t时间段的电功率；η_loss1为蓄热部分的热损失系数；和分别为蓄热式电锅炉的蓄热体在t时间段的蓄热量和放热量；S_REB,t和S_REB,t+1分别为t时间段和t+1时间段内的蓄热存量；η_r,in和η_r,out分别为储热、放热效率；

地源热泵模型为：

Q_Hp,t＝coph×P_Hp,t        (11)

式中：Q_Hp,t为地源热泵在t时间段的产热功率；coph为地源热泵的制热能效比；P_Hp,t为其在t时间段的用电功率；

生物质锅炉模型为：

Q_Bb,t＝η_Bbβ_BbW_Bb,t      (12)

式中：Q_Bb,t为生物质锅炉在t时间段的产热功率；η_Bb为生物质锅炉的热效率；β_Bb为生物质固化燃料发热值；W_Bb,t为生物质锅炉在t时间段内的使用燃料重量。

5.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：

所述设定电负荷出力平衡约束、热负荷出力平衡约束、设备出力约束条件和需求侧响应约束：

电负荷出力平衡约束为：

式中：P_p'_er,t为t时间段用户优化后用电负荷需求；表示风电在t时刻的出力上、下限；P_REB,t，P_Hp,t为别为蓄热式电锅炉和地源热泵用电量；P_Battery,t为蓄电池出力；

热负荷出力平衡约束为：

式中：为太阳能集热系统在t时间段的放热量；Q_REB,t为电锅炉在t时间段的放热量；和分别为蓄热式电锅炉的蓄热体在t时间段的蓄热量和放热量；Q_Hp,t为地源热泵在t时间段的放热量；Q_per,t为用户在t时间段需求的热负荷；A_in,t，A_out,t分别为表示蓄热式电锅炉蓄热部分蓄热、放热状态的0-1变量；

蓄电池出力约束为：

式中：与分别为蓄电池的最大储、放电功率；A_in1,t，A_out1,t分别为表示蓄电池充、放电状态的0-1变量；

蓄电池储能约束为：

S_Battery,t(0)＝S_Battery,t(T)       (17)

式中：和为蓄电池的最大、小容量；

蓄热式电锅炉出力约束：

式中：为蓄热式电锅炉的最大用电功率；

蓄热式电锅炉储能约束：

S_REB,t(0)＝S_REB,t(T)       (21)

式中：和分别为蓄热式电锅炉蓄热部分的最大蓄、放热功率；和分别为蓄热式电锅炉最大与最小蓄热量；

太阳能集热系统出力约束：

式中：为太阳能集热系统在t时间内最大放热量；

太阳能集热系统储热约束：

S_s,min≤S_s,t≤S_s,max        (24)

式中：S_s,min和S_s,max为别为蓄热水箱的最小和最大蓄热量；表示太阳能集热器在t时刻的集热上下限；

地源热泵出力约束：

式中：为地源热泵在t时间内最大出力；

生物质锅炉出力约束：

式中：为生物质锅炉在t时间内最大放热量；

需求侧响应约束：

式中：为可削减负荷的上限值；t_s为可平移负荷的持续时间；m_t为判断负荷是否发生平移的0-1状态变量。

6.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：

所述对非线性约束进行线性化变换，具体为：对(0，1)变量与正数变量相乘的非线性约束进行线性化变换：

X(t)为(0，1)变量，V(t)为正数变量，先假定X(t)一个较大的上限值设为Xmax，增加两个临时变量Y(t)，Z(t)；线性化的步骤如下：

加入等式约束：

Y(t)＝X(t)-Z(t)(30)

加入不等式约束：

这样Y(t)完全等价于V(t)X(t)。

7.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：

所述建立综合考虑购电费用、物质燃料购买费用、弃风惩罚费用、设备运维费用和需求侧响应补偿费用的目标函数：

式中：F为系统的总运行成本；C_ele为购电费用；C_b为购买生物质燃料的费用；C_wind为弃风惩罚费用；C_yw为能源设备的运维成本；C_bc为柔性负荷补偿成本；C_cut为削减负荷补偿费用；C_shift为平移负荷补偿费用；λ_ele为分时电价，P_Buy,t为t时间段系统从电网购买的电量；λ_Bb为购买生物质燃料单位质量价格；λ_wind为风电机组的弃风惩罚系数，为风电机组在t时间段的预测产电功率；P_wind,t为风电机组在t时间段的实际用电功率；λ_j,yw为能源设备j的单位运维成本；P_j,t为t时间段设备j的出力；T为调度总时间段；为协议中单位功率电负荷补偿价格；为单位功率负荷平移的补偿价格。

8.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：所述建立日前区间电热综合能源系统优化调度模型，具体为：

区间线性规划模型一般形式：

将构建的模型一般形式分解为最优子模型和最劣子模型，通过两阶段分解法分别求得最优值，从而得到最优值取值区间；其中，两阶段分解法包括下限优化求解和上限优化求解，

所述下限优化求解具体为：

目标函数：

约束条件：

式中：为目标函数中系数为正的区间变量；为目标函数中系数为负的区间变量；

求解下限优化模型得到的对应解表示对应的下限值；表示对应的上限值；

上限优化求解具体为：

目标函数:

约束条件：

同理，求得上限优化模型解表示对应的上限值；表示对应的下限值；

从而可得最后目标值[f]＝[f^-,f⁺]以及

9.根据权利要求1所述的一种电热综合能源系统优化调度方法，其特征在于：所述基于Pyomo构建区间最优、劣子模型，调用求解器GLPK进行求解；具体为：

根据Pyomo框架搭建日前区间电热综合能源系统优化调度模型，将系统的运行数据、设备参数代入上述模型使用GLPK进行求解。

Images