CN114781946B - 一种用于供用能系统的聚合方法 - Google Patents

一种用于供用能系统的聚合方法 Download PDF

Info

Publication number
CN114781946B
CN114781946B CN202210702570.XA CN202210702570A CN114781946B CN 114781946 B CN114781946 B CN 114781946B CN 202210702570 A CN202210702570 A CN 202210702570A CN 114781946 B CN114781946 B CN 114781946B
Authority
CN
China
Prior art keywords
energy supply
output
power
time
target
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.)
Active
Application number
CN202210702570.XA
Other languages
English (en)
Other versions
CN114781946A (zh
Inventor
熊俊杰
王振宇
肖楚鹏
曾伟
张妍
支妍力
李昊翔
陈文�
刘波
饶臻
冯澎湃
吴凯槟
饶尧
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.)
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
State Grid Corp of China SGCC
NARI Group Corp
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
State Grid Corp of China SGCC
NARI Group Corp
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
State Grid Electric Power Research Institute
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 Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute, State Grid Corp of China SGCC, NARI Group Corp, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
Priority to CN202210702570.XA priority Critical patent/CN114781946B/zh
Publication of CN114781946A publication Critical patent/CN114781946A/zh
Application granted granted Critical
Publication of CN114781946B publication Critical patent/CN114781946B/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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/38—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
    • H02J2203/20—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
    • H02J2300/40—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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种用于供用能系统的聚合方法，方法包括：对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量；获取供用能系统中各个机组的预测出力大小，并对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围；计算至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与目标可调出力范围相关联的目标调控成本目标调控成本范围；根据供用能系统的负荷可调容量、目标可调出力范围以及与目标可调出力范围对应的目标调控成本目标调控成本范围构建等值模型，等值模型对供用能系统进行优化调度。解决了获得的等值参数与实际调度计划误差较大，不能保证系统运行的经济性和可靠性的问题。

Description

一种用于供用能系统的聚合方法
技术领域
本发明属于综合能源领域的运行控制技术领域，尤其涉及一种用于供用能系统的聚合方法。
背景技术
为充分挖掘海量分布式新能源能量价值，使其参与主网调度、实现多元资源的优化配置，可将分布式资源进行聚合，统一参与电网的调控，因此建立分布式资源的聚合等值模型，明确系统整体对外调节能力，是海量分布式新能源资源参与主网调度的核心问题。
随着分布式新能源渗透率的快速攀升，分布式资源固有的不确定性导致的功率偏差问题需予以考虑，为了充分发挥其灵活性，要求得到的多类型供用能系统等值聚合模型准确可行。因此，为了支持分布式资源的接入，为电网提供更多灵活性资源，实现分布式资源高效有序并网和协调调控，减少其发展对电网的影响，需要对特性各异的分布式资源进行聚合等值的相关技术问题进行研究。
目前对聚合等值模型的研究主要从提高模型的精确性和考虑分布式资源不确定性两方面出发，第一方面，将符合聚合等值模型为一个虚拟的发电机组模型，用功率的上下限约束和爬坡约束等参数来刻画聚合体的外特性，上传至调度中心使其直接调控；第二方面，针对风电和负荷的动态随机性，提出了基于数据驱动的虚拟电厂分布鲁棒优化模型，评估日前虚拟电厂的最大容量以及爬坡能力。虽然通过对聚合等值模型的建立可以得出一个系统整体对外的发电功率可调范围，但是考虑到系统运行在不同时段时发电的不确定以及负荷需求的变化，通过上述方法获得的等值参数与实际调度计划误差较大，不能保证系统运行的经济性和可靠性。
发明内容
本发明提供一种用于供用能系统的聚合方法，用于解决获得的等值参数与实际调度计划误差较大，不能保证系统运行的经济性和可靠性的技术问题。
第一方面，本发明提供一种用于供用能系统的聚合方法，包括：基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量，其中，所述负荷可调容量包括可中断负荷容量以及可转移负荷容量；获取供用能系统中各个机组的预测出力大小，并基于预设的多阶段优化模型对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围，其中，所述目标可调出力范围中包含至少一个目标可调出力大小；计算所述至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与所述目标可调出力范围相关联的目标调控成本目标调控成本范围；根据供用能系统的负荷可调容量、目标可调出力范围以及与所述目标可调出力范围对应的目标调控成本范围构建等值模型，基于所述等值模型对供用能系统进行优化调度。
第二方面，本发明提供一种用于供用能系统的聚合系统，包括：聚合模块，配置为基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量，其中，所述负荷可调容量包括可中断负荷容量以及可转移负荷容量；优化模块，配置为获取供用能系统中各个机组的预测出力大小，并基于预设的多阶段优化模型对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围，其中，所述目标可调出力范围中包含至少一个目标可调出力大小；计算模块，配置为计算所述至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与所述目标可调出力范围相关联的目标调控成本目标调控成本范围；构建模块，配置为根据供用能系统的负荷可调容量、目标可调出力范围以及与所述目标可调出力范围对应的目标调控成本范围构建等值模型，基于所述等值模型对供用能系统进行优化调度。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的用于供用能系统的聚合方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的用于供用能系统的聚合方法的步骤。
本申请的用于供用能系统的聚合方法，在建立聚合模型时同时考虑需求响应和时间尺度，对系统外特性的刻画不仅仅为系统的出力范围、爬坡范围参数，而且还包括系统可控负荷等参数，这样可以在对系统进行优化调度时能更大程度的保证系统内分布式资源的利用。此外，考虑发电机组响应的不确定性，为给系统调度提供的参数具有时效性，建立了日前-日内-实时三阶段优化模型，保证聚合等值模型的精确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种用于供用能系统的聚合方法的流程图；
图2为本发明一实施例提供的一种用于供用能系统的聚合方法的日前—日内—实时三阶段优化求解流程图；
图3为本发明一实施例提供一个具体实施例的供用能系统聚合等值出力范围结果图；
图4为本发明一实施例提供一个具体实施例的供用能系统聚合等值爬坡范围结果图；
图5为本发明一实施例提供一个具体实施例的供用能系统最小成本曲线图；
图6为本发明一实施例提供的一种用于供用能系统的聚合系统的结构框图；
图7是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种用于供用能系统的聚合方法的流程图。
如图1所示，用于供用能系统的聚合方法具体包括以下步骤：
步骤S101，基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量。
在本实施例中，为得到供用能系统负荷可调容量，建立供用能系统的负荷聚合模型，获得用户每时段可中断负荷大小、可平移负荷大小，其中供用能系统中的负荷可为空调负荷、电动汽车等。
具体地，基于预设的负荷聚合模型对获取的至少一个用户的可中断负荷容量进行聚合，得到供用能系统的可中断负荷容量，计算供用能系统的可中断负荷容量的表达式为：
Figure 491788DEST_PATH_IMAGE001
，
式中，
Figure 336247DEST_PATH_IMAGE002
为供能系统在时段t的可中断负荷容量，
Figure 288023DEST_PATH_IMAGE003
为管控区域j在时 段t的可中断负荷容量，
Figure 416385DEST_PATH_IMAGE004
为用户i在时段t的可中断负荷容量，
Figure 795413DEST_PATH_IMAGE005
为各个管控区域的 聚合，
Figure 127169DEST_PATH_IMAGE006
为管控区域j内的用户集合；
基于预设的负荷聚合模型对获取的至少一个用户的可转移负荷容量进行聚合，得到供用能系统的可转移负荷容量，计算供用能系统的可转移负荷容量的表达式为：
Figure 148214DEST_PATH_IMAGE007
，
式中，
Figure 134012DEST_PATH_IMAGE008
为供能系统在时段t的可转移负荷容量，
Figure 949522DEST_PATH_IMAGE009
为管控区域j在时 段t的可转移负荷容量，
Figure 768573DEST_PATH_IMAGE010
为用户i在时段t的可转移负荷容量。
步骤S102，获取供用能系统中各个机组的预测出力大小，并基于预设的多阶段优化模型对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围。
在本实施例中，确定风电和光伏出力的预测误差的不确定性模糊集；获取所述不确定性模糊集，并基于预先构建的机组出力模型获取供用能系统中各个机组的预测出力大小，并以系统整体对外可调范围最大为优化目标对供用能系统中各个机组的预测出力大小进行第一阶段优化；以日前供用能系统的出力范围和爬坡范围最大为优化目标对供用能系统中各个机组的预测出力大小进行第二阶段优化；以供用能系统实际出力与调度计划之间的偏差最小为优化目标对供用能系统中各个机组的预测出力大小进行第三阶段优化，得到供用能系统的目标可调出力范围，目标可调出力范围即为最优可调出力范围，其中最优可调出力范围为在系统内各机组实时运行参数以及日内等值参数约束的条件下，得到的最符合系统的调度计划的系统可调出力范围。
具体地，第一阶段优化的函数表达式为：
Figure 265414DEST_PATH_IMAGE011
，
式中，
Figure 978155DEST_PATH_IMAGE012
为节点i在t时刻输出功率的最大值，
Figure 89199DEST_PATH_IMAGE013
为节点i在t时刻输出 功率的最小值，
Figure 192284DEST_PATH_IMAGE014
为节点i在t时刻向上爬坡最大值，
Figure 289553DEST_PATH_IMAGE015
为节点i在t时刻向上爬 坡最小值；
其中，第一阶段优化的约束条件为：
（1）机组运行约束
Figure 981435DEST_PATH_IMAGE016
，
式中，
Figure 138746DEST_PATH_IMAGE017
为燃气轮机发电功率的上限值，
Figure 932390DEST_PATH_IMAGE018
为t时段燃气轮机的发电功 率，
Figure 567771DEST_PATH_IMAGE019
为燃气轮机发电功率的下限值；
Figure 458366DEST_PATH_IMAGE020
，
式中，
Figure 911213DEST_PATH_IMAGE021
为燃气轮机的爬坡下限值，
Figure 51208DEST_PATH_IMAGE023
为t+1时段燃气轮机的爬坡值，
Figure 896804DEST_PATH_IMAGE024
为燃气轮机的爬坡上限值；
Figure 438644DEST_PATH_IMAGE025
，
式中，
Figure 59462DEST_PATH_IMAGE026
为t时段燃气轮机输出热功率的下限值，
Figure 686753DEST_PATH_IMAGE027
为t 时段燃气轮机 的输出热功率，
Figure 539302DEST_PATH_IMAGE028
为t时段燃气轮机输出热功率的上限值；
Figure 404490DEST_PATH_IMAGE029
，
式中，
Figure 74506DEST_PATH_IMAGE030
为燃气锅炉输出热功率的下限值，
Figure 313726DEST_PATH_IMAGE031
为t时段燃气锅炉的输出 热功率，
Figure 360179DEST_PATH_IMAGE032
为燃气锅炉输出热功率的上限值；
Figure 486398DEST_PATH_IMAGE034
，
式中，
Figure 592895DEST_PATH_IMAGE035
为光伏发电机组发电功率的下限值，
Figure 319411DEST_PATH_IMAGE036
为t时段光伏发电机组 的平均输出功率，
Figure 903976DEST_PATH_IMAGE037
为光伏发电机组发电功率的上限值；
Figure 478177DEST_PATH_IMAGE039
，
式中，
Figure 365362DEST_PATH_IMAGE040
为光伏发电机组的爬坡下限值，
Figure 188961DEST_PATH_IMAGE041
为t+1时段光伏发电机组 的平均输出功率，
Figure 701851DEST_PATH_IMAGE042
为t时段光伏发电机组的平均输出功率，
Figure 192875DEST_PATH_IMAGE043
为光伏发电机组 的爬坡上限值；
Figure 250961DEST_PATH_IMAGE044
，
式中，
Figure 30698DEST_PATH_IMAGE046
为风电机组发电功率的下限值，
Figure 957066DEST_PATH_IMAGE047
为t时段风电机组的输出功 率，
Figure 164581DEST_PATH_IMAGE048
为风电机组发电功率的上限值；
Figure 783781DEST_PATH_IMAGE049
，
式中，
Figure 457339DEST_PATH_IMAGE050
为风电机组的爬坡下限值，
Figure 921818DEST_PATH_IMAGE051
为t+1时段风电机组的输出功 率，
Figure 246489DEST_PATH_IMAGE052
为t时段风电机组的输出功率，
Figure 36591DEST_PATH_IMAGE053
为风电机组的爬坡上限值；
Figure 728603DEST_PATH_IMAGE054
，
式中，
Figure 465615DEST_PATH_IMAGE055
为蓄电池的最小荷电状态，
Figure 644792DEST_PATH_IMAGE056
为第 t 个时段结束时的蓄电池 荷电状态，
Figure 605795DEST_PATH_IMAGE057
为蓄电池的最大荷电状态；
Figure 253945DEST_PATH_IMAGE059
，
式中，
Figure 325807DEST_PATH_IMAGE060
为蓄电池的额定容量，
Figure 359491DEST_PATH_IMAGE061
为蓄电池的充电效率，
Figure 694657DEST_PATH_IMAGE062
为t 时段蓄电池 的功率，
Figure 689158DEST_PATH_IMAGE063
为时间步长，
Figure 440076DEST_PATH_IMAGE064
为蓄电池的放电效率；
（2）能量平衡约束
Figure 734791DEST_PATH_IMAGE065
，
式中，
Figure 893721DEST_PATH_IMAGE018
为t时段燃气轮机的发电功率，
Figure 641098DEST_PATH_IMAGE042
为t时段光伏发电机组的平均 输出功率，
Figure 258024DEST_PATH_IMAGE047
为t时段风电机组的输出功率，
Figure 17032DEST_PATH_IMAGE066
为t时段售电功率，
Figure 225160DEST_PATH_IMAGE067
为t时段 买电功率，
Figure 318887DEST_PATH_IMAGE068
为t时段的电负荷需求；
Figure 801821DEST_PATH_IMAGE069
，
式中，
Figure 415336DEST_PATH_IMAGE027
为t 时段燃气轮机的输出热功率，
Figure 59944DEST_PATH_IMAGE071
为t 时段燃气锅炉的 输出热功率，
Figure 640966DEST_PATH_IMAGE072
为t时段的热负荷需求；
（3）潮流方程约束
Figure 599695DEST_PATH_IMAGE073
，
式中，
Figure 457930DEST_PATH_IMAGE074
为节点i注入的有功功率，
Figure 148805DEST_PATH_IMAGE075
为节点i的电压幅值，
Figure 826911DEST_PATH_IMAGE076
为节点j的电压幅 值，
Figure 776282DEST_PATH_IMAGE077
为节点i、节点j间的电导，
Figure 489023DEST_PATH_IMAGE078
为节点i、节点j之间的相角差，
Figure 350799DEST_PATH_IMAGE079
为节点i、节点j间的 电纳，
Figure 985043DEST_PATH_IMAGE080
为节点i注入的无功功率；
（4）节点电压约束
Figure 82312DEST_PATH_IMAGE081
，
式中，
Figure 777123DEST_PATH_IMAGE082
为节点电压允许最小值，
Figure 934435DEST_PATH_IMAGE083
为节点i在t时刻的电压，
Figure 728079DEST_PATH_IMAGE084
为节点电 压允许最大值；
第二阶段优化的函数表达式为：
Figure 629039DEST_PATH_IMAGE085
，
式中，
Figure 441006DEST_PATH_IMAGE086
为节点总数，
Figure 972481DEST_PATH_IMAGE087
为节点i在t时刻供用能系统有功功率的上限，
Figure 112475DEST_PATH_IMAGE088
为 节点i在t时刻供用能系统有功功率的下限，
Figure 426913DEST_PATH_IMAGE089
为节点i在t时刻向上爬坡率，
Figure 968753DEST_PATH_IMAGE090
为节 点i在t时刻向下爬坡率，
Figure 858081DEST_PATH_IMAGE091
、
Figure 485371DEST_PATH_IMAGE092
、
Figure 603500DEST_PATH_IMAGE093
、
Figure 468687DEST_PATH_IMAGE094
、
Figure 138703DEST_PATH_IMAGE096
、
Figure 112344DEST_PATH_IMAGE097
分别对应为t时刻
Figure 158798DEST_PATH_IMAGE087
的权 重系数、t时刻
Figure 550596DEST_PATH_IMAGE088
的权重系数、t时刻
Figure 657092DEST_PATH_IMAGE089
的权重系数、t时刻
Figure 872958DEST_PATH_IMAGE090
的权重系数、t时刻
Figure 723102DEST_PATH_IMAGE098
的权重系数、t时刻
Figure 969407DEST_PATH_IMAGE099
的权重系数，
Figure 981225DEST_PATH_IMAGE100
为机组运行成本函数；
第三阶段优化的函数表达式为：
Figure 273666DEST_PATH_IMAGE101
，
式中，
Figure 520977DEST_PATH_IMAGE102
为实际调度功率，
Figure 12001DEST_PATH_IMAGE103
为日内阶段t时刻供用能系统有功功率的上 限，
Figure 70087DEST_PATH_IMAGE104
为日内阶段t时刻供用能系统有功功率的下限，
Figure 646562DEST_PATH_IMAGE105
为日内阶段供用能系统有功 功率的上下限集合，
Figure 697563DEST_PATH_IMAGE106
为t时刻供用能系统有功功率的下限，
Figure 43094DEST_PATH_IMAGE107
为t时刻供用能系 统有功功率的上限，
Figure 599977DEST_PATH_IMAGE108
为日内阶段供用能系统有功功率。
需要说明的是，风电和光伏出力的预测误差的不确定性模糊集的表达式为：
Figure 273535DEST_PATH_IMAGE109
，
式中，
Figure 3594DEST_PATH_IMAGE110
为t时刻风电的出力，
Figure 328265DEST_PATH_IMAGE111
为风电出力的预测误差的不确定性集 合，
Figure 118366DEST_PATH_IMAGE112
为t时刻风电出力预测值，
Figure 279220DEST_PATH_IMAGE114
为t时刻风电出力预测允许出现的最 大预测误差，
Figure 812970DEST_PATH_IMAGE115
为预测误差百分比。
具体地，所述机组出力模型包括风力发电机组不确定性出力模型、光伏发电机组不确定性出力模型、燃气锅炉机组出力模型、蓄电池机组出力模型以及燃气轮机机组出力模型；
所述风力发电机组不确定性出力模型的表达式为：
Figure 70776DEST_PATH_IMAGE116
，
式中，
Figure 893763DEST_PATH_IMAGE117
为风机输出功率，
Figure 666547DEST_PATH_IMAGE118
为实际风速，
Figure 613774DEST_PATH_IMAGE119
为切入风速，
Figure 788404DEST_PATH_IMAGE121
为切出风速，
Figure 44942DEST_PATH_IMAGE123
为 额定输出功率，
Figure 39442DEST_PATH_IMAGE124
为额定风速；
所述光伏发电机组不确定性出力模型的表达式为：
Figure 790361DEST_PATH_IMAGE125
，
式中，
Figure 553917DEST_PATH_IMAGE127
为光伏机组的平均输出功率，
Figure 59985DEST_PATH_IMAGE128
为光伏阵列数，
Figure 666416DEST_PATH_IMAGE129
为光照强度最大 值，
Figure 345659DEST_PATH_IMAGE131
为太阳能组件的输出功率，
Figure 104667DEST_PATH_IMAGE133
为关于光照强度的函数，
Figure 578374DEST_PATH_IMAGE134
为实际光照强度，
Figure 672101DEST_PATH_IMAGE135
为标准测试条件下的测试功率，
Figure 889456DEST_PATH_IMAGE136
为温度系数，
Figure 830867DEST_PATH_IMAGE137
为参考温度，
Figure 350841DEST_PATH_IMAGE138
为组件工作额定温 度，
Figure 72809DEST_PATH_IMAGE139
为环境温度，
Figure 949980DEST_PATH_IMAGE141
为标准测试条件下的光照强度；
所述燃气锅炉机组出力模型的表达式为：
Figure 808214DEST_PATH_IMAGE142
，
式中，
Figure 233511DEST_PATH_IMAGE144
为t时段燃气锅炉的输出热功率，
Figure 380458DEST_PATH_IMAGE145
为t时段燃气锅炉的单位 时间天然气消耗量，
Figure 939615DEST_PATH_IMAGE146
为燃气锅炉的效率，
Figure 776990DEST_PATH_IMAGE148
为燃气热值；
所述蓄电池机组出力模型的表达式为：
Figure 28980DEST_PATH_IMAGE149
，
式中，
Figure 69748DEST_PATH_IMAGE150
为第 t 个时段结束时的蓄电池荷电状态，
Figure 167017DEST_PATH_IMAGE152
为第 t-1 个 时段结束时的蓄电池荷电状态，
Figure 124478DEST_PATH_IMAGE153
为t 时段蓄电池的功率，
Figure 281790DEST_PATH_IMAGE154
为时间步长，
Figure 137750DEST_PATH_IMAGE155
为蓄电 池的额定容量，
Figure 914077DEST_PATH_IMAGE156
为蓄电池效率，
Figure 601410DEST_PATH_IMAGE158
为蓄电池的充电效率，
Figure 54257DEST_PATH_IMAGE159
为蓄电池的放电效率；
所述燃气轮机机组出力模型的表达式为：
Figure 459830DEST_PATH_IMAGE160
，
式中，
Figure 774268DEST_PATH_IMAGE162
为t时段燃气轮机的发电功率，
Figure 316108DEST_PATH_IMAGE164
为t时段燃气轮机的单位时 间天然气消耗量，
Figure 18485DEST_PATH_IMAGE165
为燃气热值，
Figure 773339DEST_PATH_IMAGE166
为燃气轮机的发电效率，
Figure 16101DEST_PATH_IMAGE167
为t 时段燃气轮 机的输出热功率，
Figure 287814DEST_PATH_IMAGE168
为燃气轮机的热损失系数。
步骤S103，计算所述至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与所述目标可调出力范围相关联的目标调控成本范围。
在本实施例中，目标调控成本范围为最小调控成本范围，其中最小调控成本范围为在得到的可调出力范围内，每个功率调整值对应的最小调节成本组成了调控成本的范围。根据求得的供用能系统最优可调范围，在系统的功率范围区间内，每间隔0.1取一个值，求解各点的最小运行成本，把求得的点连成曲线，该曲线为供用能系统的最小成本曲线。在每点求解系统的运行成本优化问题，优化目标为：
Figure DEST_PATH_IMAGE169
，
式中，
Figure 879201DEST_PATH_IMAGE170
为节点i处发电机组在t时段的购买成本，
Figure DEST_PATH_IMAGE171
为节点i处发 电机组在t时段的运行成本，
Figure 400312DEST_PATH_IMAGE172
为节点i处发电机组在t时段的功率调整成本，
Figure DEST_PATH_IMAGE173
为节点i处发电机组在t时段的售出成本。
步骤S104，根据供用能系统的负荷可调容量、目标可调出力范围以及与所述目标可调出力范围对应的目标调控成本范围构建等值模型，基于所述等值模型对供用能系统进行优化调度。
在本实施例中，根据供用能系统的负荷可调容量、目标可调出力范围以及目标可调出力范围对应的目标调控成本范围构建等值模型，将聚合的分布式资源的等值模型与电网进行信息交互，结合供用能系统的可调能力和外特性，继而对各资源的综合优化。
综上，本申请的方法，首先建立发电机组的出力数学模型，获得各机组各时刻的功率大小；接着建立供用能系统中负荷的聚合模型，获得供用能系统可转移负荷、可中断负荷等参数；再接着建立供用能系统的三阶段优化模型，第一阶段优化求解系统对外整体的可行调节范围最大，第二阶段优化求解使在最大有功出力和最小有功出力时系统运营成本更小；第三阶段优化求解系统的最优可调范围；然后在得到供用能系统最优可调范围的基础上，求取供用能系统的最小成本曲线，最后将获得的聚合等值模型参数包括可平移负荷、可中断负荷、可控出力范围以及调控成本上传至调度中心。实现了通过聚合等值模型刻画供用能系统整体对外的可控出力和爬坡等外特性，考虑风光出力不确定性和负荷需求响应，可以更加准确的得到供用能系统的聚合等值参数，保证系统运行的经济性和安全性。
在一个具体实施例中，在对系统机组出力数据以及预测数据的获取后，对建立的日前—日中—实时三阶段优化进行求解，图2为三阶段优化求解的流程图，以IEEE33节点配电系统作为测试系统，表1为IEEE 33 节点配电系统的相关参数。该优化模型采用cplex求解器进行求解。
Figure 181186DEST_PATH_IMAGE174
图3为供用能系统聚合等值出力范围结果图，图4为供用能系统聚合等值爬坡范围结果图，图5为供用能系统最小成本曲线图，该曲线描述了功率调整量及其相应的成本，T=10曲线为系统运行一天中的10点对功率进行调控对应的成本，T=19曲线为系统运行一天中的19点对功率进行调控的成本。从图3和图4可以看出在三个阶段负荷和发电机组的出力是时变的，所以供用能系统的功率上下限和爬坡率也是时变的，同时也可以看出修正后的可调度范围相比修正后更小，可行域越紧。通过对比图3、图4中日前和日内阶段的功率范围和爬坡范围，日内阶段优化引入权重系统对系统的出力进行约束，对供用能系统出力很大或很小的场景进行修正，得日内阶段的等值结果比日前阶段的出力范围更小。对比日内和实时阶段的功率范围和爬坡范围，实时阶段优化通过不断减少供用能系统实际出力与调度计划之间的偏差，使得实时阶段相较与日内阶段的出力范围和爬坡范围都有所减少，系统的等值参数也更加精确，保证电力系统调度计划的可行性。通过对比求解的三个阶段的功率范围和爬坡范围，可以发现采用三阶段优化得到的等值参数更加准确。因此，验证了三阶段优化求解方法在求解等值参数的精度上得到了提高。
请参阅图6，其示出了本申请的一种用于供用能系统的聚合系统的结构框图。
如图6所示，聚合系统200，包括聚合模块210、优化模块220、计算模块230以及构建模块240。
其中，聚合模块210，配置为基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量，其中，所述负荷可调容量包括可中断负荷容量以及可转移负荷容量；优化模块220，配置为获取供用能系统中各个机组的预测出力大小，并基于预设的多阶段优化模型对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围，其中，所述目标可调出力范围中包含至少一个目标可调出力大小；计算模块230，配置为计算所述至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与所述目标可调出力范围相关联的目标调控成本目标调控成本范围；构建模块240，配置为根据供用能系统的负荷可调容量、目标可调出力范围以及与所述目标可调出力范围对应的目标调控成本范围构建等值模型，基于所述等值模型对供用能系统进行优化调度。
需要说明的是，所述优化模块220包括第一优化单元、第二优化单元以及第三优化单元。
其中，第一优化单元，配置为以系统整体对外可调范围最大为优化目标对供用能系统中各个机组的预测出力大小进行第一阶段优化；第二优化单元，配置为以日前供用能系统的出力范围和爬坡范围最大为优化目标对供用能系统中各个机组的预测出力大小进行第二阶段优化；第三优化单元，配置为以供用能系统实际出力与调度计划之间的偏差最小为优化目标对供用能系统中各个机组的预测出力大小进行第三阶段优化。
应当理解，图6中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图6中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的用于供用能系统的聚合方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量；
获取供用能系统中各个机组的预测出力大小，并基于预设的多阶段优化模型对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围；
计算所述至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与所述目标可调出力范围相关联的目标调控成本目标调控成本范围；
根据供用能系统的负荷可调容量、目标可调出力范围以及与所述目标可调出力范围对应的目标调控成本范围构建等值模型，基于所述等值模型对供用能系统进行优化调度。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于供用能系统的聚合系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至用于供用能系统的聚合系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图7是本发明实施例提供的电子设备的结构示意图，如图7所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例用于供用能系统的聚合方法。输入装置330可接收输入的数字或字符信息，以及产生与用于供用能系统的聚合系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于用于供用能系统的聚合系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量；
获取供用能系统中各个机组的预测出力大小，并基于预设的多阶段优化模型对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围；
计算所述至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与所述目标可调出力范围相关联的目标调控成本范围；
根据供用能系统的负荷可调容量、目标可调出力范围以及与所述目标可调出力范围对应的目标调控成本范围构建等值模型，基于所述等值模型对供用能系统进行优化调度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种用于供用能系统的聚合方法，其特征在于，包括：
基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量，其中，所述负荷可调容量包括可中断负荷容量以及可转移负荷容量；
获取供用能系统中各个机组的预测出力大小，并基于预设的多阶段优化模型对各个机组的预测出力大小进行优化，得到供用能系统的目标可调出力范围，其中，所述目标可调出力范围中包含至少一个目标可调出力大小，得到供用能系统的目标可调出力范围包括：以系统整体对外输出功率可调范围最大为优化目标对供用能系统中各个机组的预测出力大小进行第一阶段优化；以日前供用能系统的出力范围和爬坡范围最大为优化目标对供用能系统中各个机组的预测出力大小进行第二阶段优化；以供用能系统实际出力与调度计划之间的偏差最小为优化目标对供用能系统中各个机组的预测出力大小进行第三阶段优化；
计算所述至少一个目标可调出力大小对应的供用能系统的至少一个目标调控成本，得到与所述目标可调出力范围相关联的目标调控成本范围；
根据供用能系统的负荷可调容量、目标可调出力范围以及与所述目标可调出力范围对应的目标调控成本范围构建等值模型，基于所述等值模型对供用能系统进行优化调度。
2.根据权利要求1所述的一种用于供用能系统的聚合方法，其特征在于，所述获取供用能系统中各个机组的预测出力大小包括：
确定风电和光伏出力的预测误差的不确定性模糊集；
获取所述不确定性模糊集，并基于预先构建的机组出力模型获取供用能系统中各个机组的预测出力大小。
3.根据权利要求2所述的一种用于供用能系统的聚合方法，其特征在于，其中，风电和光伏出力的预测误差的不确定性模糊集的表达式为：
Figure FDA0003800042030000011
式中，uDN，L(t)为t时刻风电的出力，UDN为风电出力的预测误差的不确定性集合，
Figure FDA0003800042030000012
为t时刻风电出力预测值，
Figure FDA0003800042030000013
为t时刻风电出力预测允许出现的最大预测误差，τ为预测误差百分比。
4.根据权利要求2所述的一种用于供用能系统的聚合方法，其特征在于，其中，所述机组出力模型包括风力发电机组不确定性出力模型、光伏发电机组不确定性出力模型、燃气锅炉机组出力模型、蓄电池机组出力模型以及燃气轮机机组出力模型；
所述风力发电机组不确定性出力模型的表达式为：
Figure FDA0003800042030000021
式中，PWT为风机输出功率，v为实际风速，vci为切入风速，vco为切出风速，
Figure FDA0003800042030000022
为额定输出功率，vN为额定风速；
所述光伏发电机组不确定性出力模型的表达式为：
Figure FDA0003800042030000023
式中，PPV为光伏机组的平均输出功率，Ns为光伏阵列数，Gmax为光照强度最大值，
Figure FDA0003800042030000024
为太阳能组件的输出功率，f(·)为关于光照强度的函数，G为实际光照强度，
Figure FDA0003800042030000025
为标准测试条件下的测试功率，ηT为温度系数，TST为参考温度，TN为组件工作额定温度，T为环境温度，GST为标准测试条件下的光照强度；
所述燃气锅炉机组出力模型的表达式为：
HGB(t)＝VGB(t)LNGηGB，
式中，HGB(t)为t时段燃气锅炉的输出热功率，VGB(t)为t时段燃气锅炉的单位时间天然气消耗量，ηGB为燃气锅炉的效率，LNG为燃气热值；
所述蓄电池机组出力模型的表达式为：
Figure FDA0003800042030000026
式中，SOC(t)为第t个时段结束时的蓄电池荷电状态，SOC(t-1)为第t-1个时段结束时的蓄电池荷电状态，PB(t)为t时段蓄电池的功率，Δt为时间步长，WB为蓄电池的额定容量，ηB为蓄电池效率，ηBC为蓄电池的充电效率，ηBD为蓄电池的放电效率；
所述燃气轮机机组出力模型的表达式为：
Figure FDA0003800042030000031
式中，PGT(t)为t时段燃气轮机的发电功率，VGT(t)为t时段燃气轮机的单位时间天然气消耗量，LNG为燃气热值，ηGT为燃气轮机的发电效率，HGT(t)为t时段燃气轮机的输出热功率，ηGT，l为燃气轮机的热损失系数。
5.根据权利要求1所述的一种用于供用能系统的聚合方法，其特征在于，其中，所述基于预设的负荷聚合模型对获取的至少一个用户的负荷可调容量进行聚合，得到供用能系统的负荷可调容量包括：
基于预设的负荷聚合模型对获取的至少一个用户的可中断负荷容量进行聚合，得到供用能系统的可中断负荷容量，计算供用能系统的可中断负荷容量的表达式为：
Figure FDA0003800042030000032
式中，
Figure FDA0003800042030000033
为供能系统在时段t的可中断负荷容量，
Figure FDA0003800042030000034
为管控区域j在时段t的可中断负荷容量，
Figure FDA0003800042030000035
为用户i在时段t的可中断负荷容量，Em为各个管控区域的聚合，Mj为管控区域j内的用户集合；
基于预设的负荷聚合模型对获取的至少一个用户的可转移负荷容量进行聚合，得到供用能系统的可转移负荷容量，计算供用能系统的可转移负荷容量的表达式为：
Figure FDA0003800042030000036
式中，
Figure FDA0003800042030000041
为供能系统在时段t的可转移负荷容量，
Figure FDA0003800042030000042
为管控区域j在时段t的可转移负荷容量，
Figure FDA0003800042030000043
为用户i在时段t的可转移负荷容量。
6.根据权利要求1所述的一种用于供用能系统的聚合方法，其特征在于，其中，所述第一阶段优化的函数表达式为：
Figure FDA0003800042030000044
式中，
Figure FDA0003800042030000045
为节点i在t时刻输出功率的最大值，
Figure FDA0003800042030000046
为节点i在t时刻输出功率的最小值，
Figure FDA0003800042030000047
为节点i在t时刻向上爬坡最大值，
Figure FDA0003800042030000048
为节点i在t时刻向上爬坡最小值；
所述第二阶段优化的函数表达式为：
Figure FDA0003800042030000049
式中，n为节点总数，
Figure FDA00038000420300000410
为节点i在t时刻供用能系统有功功率的上限，
Figure FDA00038000420300000411
为节点i在t时刻供用能系统有功功率的下限，
Figure FDA00038000420300000412
为节点i在t时刻向上爬坡率，
Figure FDA00038000420300000413
为节点i在t时刻向下爬坡率，
Figure FDA00038000420300000414
Figure FDA00038000420300000415
分别对应为t时刻
Figure FDA00038000420300000416
的权重系数、t时刻
Figure FDA00038000420300000417
的权重系数、t时刻
Figure FDA00038000420300000418
的权重系数、t时刻
Figure FDA00038000420300000419
的权重系数、t时刻
Figure FDA00038000420300000420
的权重系数、t时刻
Figure FDA00038000420300000421
的权重系数，F(·)为机组运行成本函数；
所述第三阶段优化的函数表达式为：
Figure FDA00038000420300000422
式中，
Figure FDA00038000420300000423
为实际调度功率，Pt S，∨为日内阶段t时刻供用能系统有功功率的上限，Pt S，∨为日内阶段t时刻供用能系统有功功率的下限，Ωp为日内阶段供用能系统有功功率的上下限集合，
Figure FDA0003800042030000051
为t时刻供用能系统有功功率的下限，
Figure FDA0003800042030000052
为t时刻供用能系统有功功率的上限，P为日内阶段供用能系统有功功率。
CN202210702570.XA 2022-06-21 2022-06-21 一种用于供用能系统的聚合方法 Active CN114781946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210702570.XA CN114781946B (zh) 2022-06-21 2022-06-21 一种用于供用能系统的聚合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210702570.XA CN114781946B (zh) 2022-06-21 2022-06-21 一种用于供用能系统的聚合方法

Publications (2)

Publication Number Publication Date
CN114781946A CN114781946A (zh) 2022-07-22
CN114781946B true CN114781946B (zh) 2022-11-11

Family

ID=82420524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210702570.XA Active CN114781946B (zh) 2022-06-21 2022-06-21 一种用于供用能系统的聚合方法

Country Status (1)

Country Link
CN (1) CN114781946B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810877A (zh) * 2012-08-21 2012-12-05 湖南大学 一种微网调控一体化的方法
CN109004641A (zh) * 2018-07-19 2018-12-14 南京南瑞继保电气有限公司 一种基于能源优化调度的微网源网荷协调控制方法
CN109327049A (zh) * 2018-09-03 2019-02-12 国网上海市电力公司 一种多元化供用能系统及其多元化供用能方法
CN110209135A (zh) * 2019-06-12 2019-09-06 东北大学 基于微型热电联产多时间尺度的家庭能源优化调度方法
CN110571867A (zh) * 2019-09-18 2019-12-13 东北大学 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
CN111900729A (zh) * 2020-07-15 2020-11-06 国电南瑞科技股份有限公司 一种区域电网源网荷互动日内计划优化调整方法及装置
CN112072672A (zh) * 2020-08-11 2020-12-11 华北电力大学（保定） 含智能负荷的主动配电网优化调度方法
CN112165122A (zh) * 2020-09-02 2021-01-01 中国电力科学研究院有限公司 一种综合能源系统的运行方法及系统
CN112467730A (zh) * 2020-11-19 2021-03-09 国网四川省电力公司经济技术研究院 考虑风光出力预测误差和需求响应灵活性的电力系统优化调度方法
WO2021244000A1 (zh) * 2020-06-03 2021-12-09 国网上海市电力公司 一种区域能源综合体虚拟聚合系统及方法
CN113783193A (zh) * 2021-11-15 2021-12-10 国网江西省电力有限公司电力科学研究院 一种基于边端协同的乡村供用能系统优化调控方法及系统
CN114004476A (zh) * 2021-10-26 2022-02-01 华北电力大学 一种综合能源系统多时间尺度优化调度方法
WO2022077588A1 (zh) * 2020-10-12 2022-04-21 中国电力科学研究院有限公司 可调节负荷参与需求响应的调用方法、系统及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810877A (zh) * 2012-08-21 2012-12-05 湖南大学 一种微网调控一体化的方法
CN109004641A (zh) * 2018-07-19 2018-12-14 南京南瑞继保电气有限公司 一种基于能源优化调度的微网源网荷协调控制方法
CN109327049A (zh) * 2018-09-03 2019-02-12 国网上海市电力公司 一种多元化供用能系统及其多元化供用能方法
CN110209135A (zh) * 2019-06-12 2019-09-06 东北大学 基于微型热电联产多时间尺度的家庭能源优化调度方法
CN110571867A (zh) * 2019-09-18 2019-12-13 东北大学 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
WO2021244000A1 (zh) * 2020-06-03 2021-12-09 国网上海市电力公司 一种区域能源综合体虚拟聚合系统及方法
CN111900729A (zh) * 2020-07-15 2020-11-06 国电南瑞科技股份有限公司 一种区域电网源网荷互动日内计划优化调整方法及装置
CN112072672A (zh) * 2020-08-11 2020-12-11 华北电力大学（保定） 含智能负荷的主动配电网优化调度方法
CN112165122A (zh) * 2020-09-02 2021-01-01 中国电力科学研究院有限公司 一种综合能源系统的运行方法及系统
WO2022077588A1 (zh) * 2020-10-12 2022-04-21 中国电力科学研究院有限公司 可调节负荷参与需求响应的调用方法、系统及装置
CN112467730A (zh) * 2020-11-19 2021-03-09 国网四川省电力公司经济技术研究院 考虑风光出力预测误差和需求响应灵活性的电力系统优化调度方法
CN114004476A (zh) * 2021-10-26 2022-02-01 华北电力大学 一种综合能源系统多时间尺度优化调度方法
CN113783193A (zh) * 2021-11-15 2021-12-10 国网江西省电力有限公司电力科学研究院 一种基于边端协同的乡村供用能系统优化调控方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimizing energy consumption of air conditioning systems with the fuzzy logic controllers in residential buildings Optimizing energy consumption of air-conditioning systems in residential buildi;Sakeena Javaid等;《2018 International Conference on Computing, Mathematics and Engineering Technologies》;20180426;1-9 *
供用能转换促进风电消纳的综合能源系统源荷协调优化调度;崔杨 等;《电网技术》;20220430;1437-1446 *

Also Published As

Publication number Publication date
CN114781946A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN106505634B (zh) 基于两阶段协调优化与控制的冷热电联供型微网运行方法
CN113452020B (zh) 一种考虑柔性氢需求的电氢能源系统调度方法
US10452032B1 (en) Optimizing power contribution of distributed energy resources for real time power demand scheduling
CN109636056B (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
Saez-de-Ibarra et al. Management strategy for market participation of photovoltaic power plants including storage systems
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
Zhang et al. Optimization algorithm for home energy management system based on artificial bee colony in smart grid
CN112163968B (zh) 一种综合能源储能系统优化调度方法
JP6451128B2 (ja) エネルギーマネジメントシステムおよび電力需給計画最適化方法
Pei et al. Industrial multi‐energy and production management scheme in cyber‐physical environments: a case study in a battery manufacturing plant
WO2019158575A1 (en) System and method for operating a combination of heterogeneous energy resources for fast grid services
CN114781946B (zh) 一种用于供用能系统的聚合方法
Liang et al. Optimal energy management for microgrids with cogeneration and renewable energy sources
CN114884101B (zh) 一种基于自适应模型控制预测的抽水蓄能调度方法
US11921482B2 (en) Method of controlling a microgrid, power management system, and energy management system
Kirchsteiger et al. Cost-optimal Control of Photovoltaic Systems with Battery Storage under Variable Electricity Tariffs.
CN107069810B (zh) 应对风电间歇性的火电机组组合模型构建与分析方法
Prajapati et al. Congestion management of power system with integration of renewable resources and energy storage system
Nejad et al. A novel method for demand response by air-conditioning systems in a microgrid with considering wind power generation variation
Vanitha et al. Control of microgrid with enhancement of wind power evacuation
CN112583053A (zh) 一种含分布式风电的微网能量优化调度方法
CN110943487A (zh) 一种园区能源系统能量优化的方法和装置
Bouaicha et al. Economic scheduling of a hybrid microgrid based on weather forecasts
Reynolds et al. District heating energy generation optimisation considering thermal storage
Zheng et al. Operation management of a hybrid renewable energy systems base on multi-objective optimal under uncertainties

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