CN114865631A - 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法 - Google Patents

源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法 Download PDF

Info

Publication number
CN114865631A
CN114865631A CN202210783341.5A CN202210783341A CN114865631A CN 114865631 A CN114865631 A CN 114865631A CN 202210783341 A CN202210783341 A CN 202210783341A CN 114865631 A CN114865631 A CN 114865631A
Authority
CN
China
Prior art keywords
load
robust
carbon
interval
energy system
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
CN202210783341.5A
Other languages
English (en)
Other versions
CN114865631B (zh
Inventor
孙惠娟
吴鹏
彭春华
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.)
Huazhu Technology Group Digital Technology Co.,Ltd.
Original Assignee
East China Jiaotong 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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202210783341.5A priority Critical patent/CN114865631B/zh
Publication of CN114865631A publication Critical patent/CN114865631A/zh
Application granted granted Critical
Publication of CN114865631B publication Critical patent/CN114865631B/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
    • H02J3/007—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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H02J15/00—Systems for storing electric energy
    • H02J15/006—Systems for storing electric energy in the form of pneumatic energy, e.g. compressed air energy storage [CAES]
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of 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
    • 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
    • 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)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于综合能源调度技术领域，公开了一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法，其过程为：构建综合能源系统碳排放模型；在源侧建立源侧联合运行框架；在负荷侧设置价格型综合需求响应机制；构建需求响应模型；综合考虑负荷侧不同种能源利用占比情况，设置用能占比系数，构造满意度评估模型；从而建立基于源荷协同降碳机制下的综合能源系统调度模式；基于非精确概率机会约束的分布鲁棒优化理论，并充分考虑调度方案鲁棒性与经济性之间的制约关系，构建综合能源系统最优分布鲁棒经济调度模型，并求取折中解，以消除常规分布鲁棒优化的主观局限性，最终实现可均衡鲁棒性和经济性的综合能源系统优化调度。

Description

源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法
技术领域
本发明属于综合能源调度技术领域，具体涉及一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法。
背景技术
综合能源系统（IES）作为多种能源结构相互耦合而成的聚合体，其优化调度可以实现不同能源之间的优势互补，有效提高能源利用效率以及减少碳排放，是我国实现低碳承诺和能源高质量利用的重要手段。
目前国内外学者对综合能源系统优化调度展开了大量的研究。然而，现有研究都只是简单地将两种低碳手段分别作用在源荷两侧，且未能将定价策略与机组出力进行协同优化，忽略了对源荷之间互动降碳能力的挖掘。此外，综合能源系统内高比例可再生能源出力存在不确定性且不易控制。因此，针对综合能源系统的调度方案优化还需将其应对不确定性环境的鲁棒能力考虑在内。现有研究通常采用预设或拟合而成的单值概率分布对不确定变量进行表述。然而，在实际工程运用中，往往无法获得足够精确的单值概率分布，导致决策方案的有效性难以保证。为弥补上述研究存在的局限性，有学者开始采用分布鲁棒优化法来处理含不确定量的优化问题。然而，分布鲁棒优化因其鲁棒区间置信水平即鲁棒度需预先人为设定，存在较大的主观局限性。实际上，优化目标值会与鲁棒度紧密关联，甚至会相互制约。故在综合能源系统分布鲁棒优化调度中对关键性的鲁棒度进行主观预设无疑是不可取的，不仅很难保证最终求得的鲁棒方案为最优，而且鲁棒度该预设何值更为恰当这本身就是一个极难抉择的问题。
发明内容
为充分挖掘综合能源系统的降碳能力，本发明提供了一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法。本发明通过对源侧产能体系与负荷侧用能体系实现互动调节，提出了一种综合能源系统源荷协同降碳机制；同时，为了应对系统内风光出力不确定性对优化调度的影响，基于非精确概率理论并充分考虑调度方案分布鲁棒性与经济性之间的制约关系，建立了综合能源系统最优分布鲁棒经济优化调度模型；采用该模型不仅能消除传统分布鲁棒优化中不确定性集合保守度主观设定的局限性，并能实现分布鲁棒水平与经济性均衡的最优分布鲁棒优化调度。
本发明采用的技术方案是：一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法，包括以下步骤：
步骤一、建立基于源荷协同降碳机制下的综合能源系统调度模式：构建综合能源系统碳排放模型；在源侧建立源侧联合运行框架，用于碳捕集电厂、P2G设备、CHP机组、电锅炉的联合运行控制；在负荷侧设置价格型综合需求响应机制，并将每一时段的电价、气价作为变量与源侧可控单元进行协同优化；根据负荷受价格影响的变化情况，将负荷分为固定负荷、可转移负荷、可削减负荷以及可替换负荷；构建需求响应模型；综合考虑负荷侧不同种能源利用占比情况，设置用能占比系数，构造满意度评估模型。本发明通过构造用能方式满意度以及用能费用满意度约束，在确保不损害用户利益的前提下，通过对能源价格进行调控，来改善各时段的负荷结构，使得源侧产能结构与负荷侧用能结构实现互动调节，最大程度挖掘整个综合能源系统降低碳排、消纳风光的能力；
步骤二、构建的机会约束鲁棒区间集合模型：采用基于非精确概率理论的来构造风、光预测误差的累积概率分布函数模糊集，以样本点概率分布区间的形式来替代样本点处的单值概率；利用累积概率分布函数模糊集，找到其中最劣概率分布，然后构建机会约束鲁棒区间集合模型，用于来描述综合能源系统对风、光预测误差所产生扰动的容忍范围；
步骤三、构建并求解最优分布鲁棒经济多目标优化模型得到调度方案。
本发明针对综合能源系统中风光出力的不确定性，本发明先基于非精确概率理论，利用非精确狄利克雷模型(imprecise Dirichlet model，IDM)构造出不确定性变量的累积概率分布函数(cumulative distribution function，CDF)模糊集；然后基于模糊集中最劣累积概率分布，映射出满足置信水平的不确定性容忍区间，以此来确定旋转备用容量。同时，基于机会约束分布鲁棒优化，充分考虑调度方案分布鲁棒性与经济性之间的制约关系，构造出最优分布鲁棒经济调度模型并求取折中解，以消除常规分布鲁棒优化的主观局限性，最终实现可均衡鲁棒性和经济性的综合能源系统优化调度。
进一步优选，所述综合能源系统碳排放模型如下：
Figure 586010DEST_PATH_IMAGE001
Figure 34309DEST_PATH_IMAGE002
式中：
Figure 345205DEST_PATH_IMAGE003
、
Figure 271572DEST_PATH_IMAGE004
、
Figure 882682DEST_PATH_IMAGE005
、
Figure 236303DEST_PATH_IMAGE006
分别为综合能源系统（IES）实际碳排放量、未被 储存及利用的火电机组碳排放量、CHP机组碳排放量、气负荷碳排放量；
Figure 34495DEST_PATH_IMAGE007
为P2G设备 提供天然气产生的虚拟降碳量；
Figure 764554DEST_PATH_IMAGE008
为t时段碳捕集电厂出力；
Figure 964591DEST_PATH_IMAGE009
为t时段P2G设备 消耗的CO2总量；
Figure 489113DEST_PATH_IMAGE010
为t时段CO2封存量；
Figure 774601DEST_PATH_IMAGE011
为t时段CHP机组消耗的天然气体积；
Figure 246033DEST_PATH_IMAGE012
为经需求响应后的气负荷；
Figure 300577DEST_PATH_IMAGE013
为t时段P2G生成天然气的体积；
Figure 261580DEST_PATH_IMAGE014
、
Figure 34364DEST_PATH_IMAGE015
、
Figure 106225DEST_PATH_IMAGE016
分别为 火电机组、CHP机组、气负荷的碳排放系数；T为响应总时间。
进一步优选，所述源侧联合运行框架整体出力及能耗表达式如下所示：
Figure 15275DEST_PATH_IMAGE017
式中：
Figure 147179DEST_PATH_IMAGE018
为t时段碳捕集电厂净出力；
Figure 418978DEST_PATH_IMAGE019
为t时段碳捕集电厂固定能耗；
Figure 28951DEST_PATH_IMAGE020
为t时段碳捕集电厂运行能耗；
Figure 58087DEST_PATH_IMAGE021
为碳捕集电厂处理单位CO2的运行能耗；
Figure 360892DEST_PATH_IMAGE022
为t时段碳捕 集电厂处理的CO2量；
Figure 842689DEST_PATH_IMAGE023
为t时段CHP机组的出力；
Figure 256353DEST_PATH_IMAGE024
为t时段CHP机组的电出力；
Figure 139995DEST_PATH_IMAGE025
为t时段CHP机组的热出力；
Figure 816964DEST_PATH_IMAGE026
为CHP机组电效率；
Figure 786057DEST_PATH_IMAGE027
为CHP机组热效率；
Figure 737833DEST_PATH_IMAGE028
为t时段P2G设备能耗；
Figure 741561DEST_PATH_IMAGE029
为t时段弃风功率、
Figure 386169DEST_PATH_IMAGE030
为t时段弃光功率；
Figure 842558DEST_PATH_IMAGE031
为t时 段电锅炉的热出力；
Figure 598024DEST_PATH_IMAGE032
为t时段电锅炉的能耗；
Figure 190680DEST_PATH_IMAGE033
为电锅炉转换效率；
Figure 271768DEST_PATH_IMAGE034
为t时刻 经P2G设备消纳后的弃风弃光功率。
进一步优选，源侧联合运行框架的源侧CO2与天然气的产出和消耗模型如下所示：
Figure 215453DEST_PATH_IMAGE035
Figure 774611DEST_PATH_IMAGE036
式中：
Figure 487352DEST_PATH_IMAGE037
为生成单位功率天然气时需要CO2的量；
Figure 208183DEST_PATH_IMAGE038
为P2G设备电转气的转 换效率；
Figure 639165DEST_PATH_IMAGE039
为t时段储液罐提供的待处理的CO2量；
Figure 736434DEST_PATH_IMAGE040
为碳捕集效率；
Figure 569260DEST_PATH_IMAGE041
为烟气分流比；
Figure 460993DEST_PATH_IMAGE042
为t时段火电厂CO2总释放量；
Figure 379270DEST_PATH_IMAGE043
为碳排放强度；
Figure 483493DEST_PATH_IMAGE044
为天然气的热值。
进一步优选，对碳捕集机组加装储液罐使其变成灵活碳捕集装置，由此能够实现CO2捕集与发电之间的解耦；源侧联合运行框架的综合能源系统内储罐运行模型如下：
Figure 905247DEST_PATH_IMAGE045
式中：
Figure 233460DEST_PATH_IMAGE046
、
Figure 373454DEST_PATH_IMAGE047
、
Figure 78105DEST_PATH_IMAGE048
分别为t时刻储液罐释放CO2所需的溶液体积、富液罐溶液 量、贫液罐溶液量；
Figure 619945DEST_PATH_IMAGE049
为MEA（乙醇胺）摩尔质量；
Figure 384638DEST_PATH_IMAGE050
为CO2摩尔质量；
Figure 11929DEST_PATH_IMAGE051
为再生塔解析 量；
Figure 254691DEST_PATH_IMAGE052
、
Figure 651038DEST_PATH_IMAGE053
分别为醇胺溶液浓度、醇胺溶液密度；
Figure 524316DEST_PATH_IMAGE054
、
Figure 638902DEST_PATH_IMAGE055
分别为储热罐t时刻和t-1时刻的 储热量；
Figure 419776DEST_PATH_IMAGE056
为储热罐在运行过程中单位时间内的热源损失率；
Figure 732946DEST_PATH_IMAGE057
为储热罐t时刻的热功 率。
进一步优选，所述需求响应模型如下：
Figure 777125DEST_PATH_IMAGE058
式中：
Figure 379008DEST_PATH_IMAGE059
、
Figure 963573DEST_PATH_IMAGE060
分别为需求响应前后的电负荷；
Figure 334512DEST_PATH_IMAGE061
为可转移电负荷变化量；
Figure 346330DEST_PATH_IMAGE062
为削减电负荷的反弹负荷；
Figure 435509DEST_PATH_IMAGE063
为削减电负荷；
Figure 823765DEST_PATH_IMAGE064
、
Figure 49210DEST_PATH_IMAGE065
、
Figure 231929DEST_PATH_IMAGE066
分别为削减电负荷t-1、t-3、t-3时刻的反弹系数；
Figure 808404DEST_PATH_IMAGE067
、
Figure 734772DEST_PATH_IMAGE068
、
Figure 17986DEST_PATH_IMAGE069
分别为t-1、t-3、t-3时刻的削减电负荷；
Figure 637186DEST_PATH_IMAGE070
、
Figure 435378DEST_PATH_IMAGE071
分别为需求响应前后的气负荷；
Figure 165436DEST_PATH_IMAGE072
为可转移气负荷变化量；
Figure 99894DEST_PATH_IMAGE073
削减气负荷的反弹负 荷；
Figure 889996DEST_PATH_IMAGE074
为削减气负荷；
Figure 175484DEST_PATH_IMAGE075
、
Figure 709233DEST_PATH_IMAGE076
、
Figure 763777DEST_PATH_IMAGE077
分别为削减气负荷t-1、t-3、t-3时刻的反弹系数；
Figure 724779DEST_PATH_IMAGE078
、
Figure 231984DEST_PATH_IMAGE079
、
Figure 303845DEST_PATH_IMAGE080
分别为t-1、t-3、t-3时刻的削减气负荷；
Figure 478475DEST_PATH_IMAGE081
为纵向需求响应可替换电 负荷变化量；
Figure 344800DEST_PATH_IMAGE082
为纵向需求响应可替换气负荷变化量。
进一步优选，所述满意度评估模型为：
Figure 604880DEST_PATH_IMAGE083
Figure 418115DEST_PATH_IMAGE084
Figure 447251DEST_PATH_IMAGE085
式中：SEU为用能方式满意度；SEE为用能费用支出满意度；
Figure 484477DEST_PATH_IMAGE086
为电负荷响应前 后变化量；
Figure 231853DEST_PATH_IMAGE087
为响应前的总电负荷量；
Figure 657236DEST_PATH_IMAGE088
为用电费用响应前后变化量；
Figure 540878DEST_PATH_IMAGE089
为响应前 总用电费用；
Figure 14585DEST_PATH_IMAGE090
为参与响应的负荷中电能的利用占比系数；
Figure 983678DEST_PATH_IMAGE091
为响应前电价；
Figure 935453DEST_PATH_IMAGE092
为响应 前气价；
Figure 939181DEST_PATH_IMAGE093
为参与综合需求响应的电负荷量；
Figure 318210DEST_PATH_IMAGE094
为响应前的总气负荷量；
Figure 774599DEST_PATH_IMAGE095
为气负荷响 应前后变化量；
Figure 530066DEST_PATH_IMAGE096
为用气费用响应前后变化量；
Figure 653879DEST_PATH_IMAGE097
为响应前总用气费用；
Figure 469389DEST_PATH_IMAGE098
为参与响应的 负荷中电能的利用占比系数；
Figure 413074DEST_PATH_IMAGE099
为参与综合需求响应的气负荷量；T为响应总时间。
进一步优选，所述步骤二中，采用基于非精确概率理论的来构造风、光预测误差的 累积概率分布函数模糊集，以样本点概率分布区间的形式来替代样本点处的单值概率；样 本点G处置信水平
Figure 706652DEST_PATH_IMAGE100
下的置信累积概率区间可构造如下：
Figure 153814DEST_PATH_IMAGE101
式中，
Figure 140224DEST_PATH_IMAGE102
、
Figure 571206DEST_PATH_IMAGE103
分别为随机变量第j个样本点处累积概率置信区间的上界、下界；V和Q分别为贝塔分布
Figure 668475DEST_PATH_IMAGE104
与贝塔分布
Figure 501301DEST_PATH_IMAGE105
的累积概率分布函数；m j 为满足约束
Figure 658613DEST_PATH_IMAGE106
的随机变量x的样本数；n为随机变量x的样本总数；s为等效样本大小；
求得随机变量x的估计上下界
Figure 576891DEST_PATH_IMAGE107
，最后，基于随机变量累积概率分布函数的 置信区间和估计范围，得出模糊集合
Figure 212271DEST_PATH_IMAGE108
：
Figure 102867DEST_PATH_IMAGE109
式中，
Figure 431080DEST_PATH_IMAGE110
表示估计范围
Figure 571075DEST_PATH_IMAGE111
内所有的累积概率分布函数的集合，P为 随机变量x发生的累积概率，x d为随机变量x的估计下界，x u为随机变量x的估计上界，x j 为随 机变量第j个样本点；
基于分布鲁棒优化原理，利用累积概率分布函数模糊集，找到其中最劣概率分布，然后构建基于非精确概率理论的机会约束鲁棒区间集合模型；
所述机会约束鲁棒区间集合模型如下：
Figure 275725DEST_PATH_IMAGE112
式中，R为鲁棒区间集合，
Figure 817565DEST_PATH_IMAGE113
为t时段不确定性因素i的机会约束鲁棒区间；
Figure 316680DEST_PATH_IMAGE114
为不确定性因素i在t时段预测误差的区间变量；
Figure 943970DEST_PATH_IMAGE115
、
Figure 186733DEST_PATH_IMAGE116
分别为区间变量的上、下界；
Figure 848658DEST_PATH_IMAGE117
和
Figure 518674DEST_PATH_IMAGE118
分别为预测误差鲁棒区间下界和上界所对应的累积概率；Pr为不确定因素i在t时段 发生在鲁棒区间内的概率；
Figure 633260DEST_PATH_IMAGE119
代表不确定性因素在鲁棒区间的置信水平；
Figure 414135DEST_PATH_IMAGE120
定义为t时段鲁棒区间对应的分布鲁棒水平；
Figure 930566DEST_PATH_IMAGE121
和
Figure 974746DEST_PATH_IMAGE122
分别为
Figure 576629DEST_PATH_IMAGE123
小于鲁棒区间下 界和大于鲁棒区间上界时所产生的运行风险期望值；
Figure 161194DEST_PATH_IMAGE124
和
Figure 532132DEST_PATH_IMAGE125
分别为不确定性因素i在t 时段的概率密度函数和累积概率分布函数，
Figure 543950DEST_PATH_IMAGE126
包含在预测误差累积概率分布模糊集
Figure 367550DEST_PATH_IMAGE127
中。
进一步优选，所述最优分布鲁棒经济多目标优化模型包括经济性目标函数、分布鲁棒水平目标函数、约束条件，构建出分布鲁棒水平目标函数，并与经济性目标函数进行协同优化。
进一步优选，所述经济性目标函数为：
Figure 755806DEST_PATH_IMAGE128
式中：
Figure 981251DEST_PATH_IMAGE129
为燃煤机组运行成本；
Figure 163971DEST_PATH_IMAGE130
为CHP机组运行成本；
Figure 6025DEST_PATH_IMAGE131
为电锅炉运行 成本；
Figure 932392DEST_PATH_IMAGE132
为P2G机组运行成本；
Figure 12344DEST_PATH_IMAGE133
为系统购气成本；
Figure 631544DEST_PATH_IMAGE134
为系统弃风/弃光惩罚成 本；
Figure 429736DEST_PATH_IMAGE135
为CO2相关成本；
Figure 894215DEST_PATH_IMAGE136
为削减负荷补偿成本；
Figure 297515DEST_PATH_IMAGE137
为旋转备用成本；
Figure 87616DEST_PATH_IMAGE138
为碳捕集 成本。
进一步优选，所述分布鲁棒水平目标函数为：
Figure 107525DEST_PATH_IMAGE139
式中：
Figure 641274DEST_PATH_IMAGE140
为上旋转备用鲁棒重视系数；
Figure 695818DEST_PATH_IMAGE141
、
Figure 391241DEST_PATH_IMAGE142
分别为弃风弃光惩罚系数和切负 荷惩罚系数。
同时，构造出系统运行风险成本函数
Figure 164025DEST_PATH_IMAGE143
对后续方案备用配置的合理程度进行 评估：
Figure 501466DEST_PATH_IMAGE144
式中：
Figure 410516DEST_PATH_IMAGE145
为由于预测误差和下备用不足导致的弃风弃光功率的期望值；
Figure 542420DEST_PATH_IMAGE146
为预测误差和上备用不足导致的切负荷功率的期望值。
进一步优选，最优分布鲁棒经济多目标优化模型的约束条件包括常规机组约束、功率平衡约束和正、负旋转备用约束。
进一步优选，基于聚类的自适应微分进化算法，并将自适应微分进化算法与帕累托非劣排序操作有机结合后，对最优分布鲁棒经济多目标优化模型进行求解。
本发明针对IES系统，构建了一种基于源荷协同降碳机制的调度方式，实现了IES低碳特性的深度挖掘；同时，对于系统内风光出力的不确定性，提出了一种IES最优分布鲁棒经济调度方法，可为决策者提供兼顾分布鲁棒性及经济性的最优分布鲁棒经济调度实施方案。根据算例分析的计算结果，具有如下优点：
1)基于源荷协同降碳机制的综合能源系统（IES）优化调度，通过实时能价影响用户用能方式，并使之与源侧能源转换框架和低碳技术进行互补调节，实现了能源生产和消费层面的双重低碳，最终系统总成本、弃风弃光量、碳排放较现有调度模型相比明显降低。
2)综合能源系统最优分布鲁棒经济调度在决策中考虑了风光预测误差概率分布不确定性，使得旋转备用的配置更为合理，可有效降低运行风险，能够为实际应用提供可靠性更高的调度方案。
3)将分布鲁棒水平纳入协同优化目标的最优分布鲁棒经济调度，充分考虑了分布鲁棒性与经济性之间的制约关系，可实现分布鲁棒性与经济性协同优化，不仅消除了传统分布鲁棒优化中不确定性集合保守度主观设定的局限性，并能实现分布鲁棒水平与经济性均衡的最优分布鲁棒优化调度。
附图说明
图1为本发明的源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法流程图。
图2为最优分布鲁棒经济多目标优化模型求解流程图。
具体实施方式
下面结合实施例进一步详细阐明本发明。
参照图1，一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法，包括以下步骤：
步骤一、建立基于源荷协同降碳机制下的综合能源系统调度模式：构建综合能源系统碳排放模型；在源侧建立源侧联合运行框架，用于碳捕集电厂、P2G设备、CHP机组、电锅炉的联合运行控制；在负荷侧设置价格型综合需求响应机制，并将每一时段的电价、气价作为变量与源侧可控单元进行协同优化；根据负荷受价格影响的变化情况，将负荷分为固定负荷、可转移负荷、可削减负荷以及可替换负荷；构建需求响应模型；综合考虑负荷侧不同种能源利用占比情况，设置用能占比系数，构造满意度评估模型。本发明通过构造用能方式满意度以及用能费用满意度约束，在确保不损害用户利益的前提下，通过对能源价格进行调控，来改善各时段的负荷结构，使得源侧产能结构与负荷侧用能结构实现互动调节，最大程度挖掘整个综合能源系统降低碳排、消纳风光的能力。
步骤二、构建基于非精确概率理论的机会约束鲁棒区间集合模型：采用基于非精确概率理论的来构造风、光预测误差的累积概率分布函数模糊集，以样本点概率分布区间的形式来替代样本点处的单值概率；利用累积概率分布函数模糊集，找到其中最劣概率分布，然后构建机会约束鲁棒区间集合模型，用于来描述综合能源系统对风、光预测误差所产生扰动的容忍范围。
步骤三、构建并求解最优分布鲁棒经济多目标优化模型得到调度方案。
综合能源系统（IES）内燃煤电厂发电产生的烟气一部分流入灵活碳捕集装置，一部分通过烟气旁路向大气排放。流入灵活碳捕集装置的烟气，经过引风机送到吸收塔；吸收塔对其进行处理，产生富液流入再生塔；再生塔消耗富液，将CO2提取出来送入压缩装置，并产生贫液流回吸收塔；然后压缩装置将CO2压缩后送去封存和作为原料提供给P2G设备合成天然气。
最终，综合能源系统向大气排放CO2来源有：燃煤火电厂未能被储存和利用的CO2、CHP机组运行产生的CO2以及气负荷产生的CO2。
考虑到P2G设备会提供部分天然气，而这部分天然气是通过循环利用综合能源系统内CO2生产的，并非从外界气站中购买，替代了气站开采的天然气，减少了综合能源系统净排放，最终可构建出综合能源系统碳排放模型如下：
Figure 536921DEST_PATH_IMAGE147
Figure 412473DEST_PATH_IMAGE148
式中，，
Figure 441609DEST_PATH_IMAGE003
、
Figure 213256DEST_PATH_IMAGE004
、
Figure 960632DEST_PATH_IMAGE005
、
Figure 374296DEST_PATH_IMAGE006
分别为综合能源系统（IES）实际碳排放量、未被 储存及利用的火电机组碳排放量、CHP机组碳排放量、气负荷碳排放量；
Figure 523517DEST_PATH_IMAGE007
为P2G设备 提供天然气产生的虚拟降碳量；
Figure 731645DEST_PATH_IMAGE008
为t时段碳捕集电厂出力；
Figure 712457DEST_PATH_IMAGE009
为t时段P2G设备 消耗的CO2总量；
Figure 929811DEST_PATH_IMAGE010
为t时段CO2封存量；
Figure 871222DEST_PATH_IMAGE011
为t时段CHP机组消耗的天然气体积；
Figure 515830DEST_PATH_IMAGE012
为经需求响应后的气负荷；
Figure 972220DEST_PATH_IMAGE013
为t时段P2G生成天然气的体积；
Figure 727686DEST_PATH_IMAGE014
、
Figure 851500DEST_PATH_IMAGE015
、
Figure 667009DEST_PATH_IMAGE016
分别为 火电机组、CHP机组、气负荷的碳排放系数；T为响应总时间。
本实施例假设所构建的综合能源系统为完全互通信息系统，即整个综合能源系统的所有可控单元都能够接收到管理者的决策信息。由此，管理者能够实现对源侧可控单元和负荷侧能源价格的协同调控，以此构建协同降碳机制。使得源侧联合降碳运行框架和负荷侧价格型综合需求响应进行有机互补，最大限度挖掘出IES降碳潜力，最终达到降碳后系统向大气排放CO2量最低，获得碳交易收益最大的目的。
本实施例在源侧建立了源侧联合运行框架。通过对传统火电机组加装灵活碳捕集装置，将其改造成碳捕集电厂（CC），设置P2G设备以消纳部分弃风弃光；同时，CHP机组消耗天然气并输出电功率和热功率，电锅炉（EB）消耗电能产出热功率。源侧联合运行框架整体出力及能耗表达式如下所示：
Figure 345115DEST_PATH_IMAGE149
式中：
Figure 904272DEST_PATH_IMAGE018
为t时段碳捕集电厂净出力；
Figure 617013DEST_PATH_IMAGE019
为t时段碳捕集电厂固定能耗；
Figure 603424DEST_PATH_IMAGE020
为t时段碳捕集电厂运行能耗；
Figure 34405DEST_PATH_IMAGE021
为碳捕集电厂处理单位CO2的运行能耗；
Figure 334937DEST_PATH_IMAGE022
为t时段碳捕 集电厂处理的CO2量；
Figure 902184DEST_PATH_IMAGE023
为t时段CHP机组的出力；
Figure 59496DEST_PATH_IMAGE024
为t时段CHP机组的电出力；
Figure 712194DEST_PATH_IMAGE025
为t时段CHP机组的热出力；
Figure 613154DEST_PATH_IMAGE026
为CHP机组电效率；
Figure 566067DEST_PATH_IMAGE027
为CHP机组热效率；
Figure 894280DEST_PATH_IMAGE028
为t时段P2G设备能耗；
Figure 34274DEST_PATH_IMAGE029
为t时段弃风功率、
Figure 473346DEST_PATH_IMAGE030
为t时段弃光功率；
Figure 15186DEST_PATH_IMAGE031
为t时 段电锅炉的热出力；
Figure 717562DEST_PATH_IMAGE032
为t时段电锅炉的能耗；
Figure 344853DEST_PATH_IMAGE033
为电锅炉转换效率；
Figure 587615DEST_PATH_IMAGE034
为t时刻 经P2G设备消纳后的弃风弃光功率。
源侧联合运行框架利用灵活碳捕集装置捕集CO2；然后将捕集后的CO2作为优质原料提供给P2G设备；接着P2G设备将CO2转换成天然气，以供应气负荷和CHP机组，其源侧CO2与天然气的产出和消耗模型如下所示：
Figure 249541DEST_PATH_IMAGE150
Figure 919556DEST_PATH_IMAGE151
式中：
Figure 34143DEST_PATH_IMAGE152
为生成单位功率天然气时需要CO2的量；
Figure 80596DEST_PATH_IMAGE153
为P2G设备电转气的转 换效率；
Figure 597028DEST_PATH_IMAGE154
为t时段储液罐提供的待处理的CO2量；
Figure 437945DEST_PATH_IMAGE155
为碳捕集效率；
Figure 774249DEST_PATH_IMAGE156
为烟气分流比；
Figure 358814DEST_PATH_IMAGE157
为t时段火电厂CO2总释放量；
Figure 933015DEST_PATH_IMAGE158
为碳排放强度；
Figure 944833DEST_PATH_IMAGE159
为天然气的热值，取39MJ/m3。
对传统碳捕集机组加装储液罐使其变成灵活碳捕集装置，由此能够实现CO2捕集与发电之间的解耦。针对综合能源系统中CHP机组存在“以热定电”的运行限制，通过配置储热罐来提高其运行的灵活性，最终提升整个综合能源系统的风光消纳空间。综合能源系统内储罐运行模型如下：
Figure 34012DEST_PATH_IMAGE160
式中：
Figure 156689DEST_PATH_IMAGE046
、
Figure 913292DEST_PATH_IMAGE047
、
Figure 96012DEST_PATH_IMAGE048
分别为t时刻储液罐释放CO2所需的溶液体积、富液罐溶液 量、贫液罐溶液量；
Figure 406907DEST_PATH_IMAGE049
为MEA（乙醇胺）摩尔质量；
Figure 333275DEST_PATH_IMAGE050
为CO2摩尔质量；
Figure 678806DEST_PATH_IMAGE051
为再生塔解析 量；
Figure 32427DEST_PATH_IMAGE052
、
Figure 830618DEST_PATH_IMAGE053
分别为醇胺溶液浓度、醇胺溶液密度；
Figure 763939DEST_PATH_IMAGE054
、
Figure 963977DEST_PATH_IMAGE055
分别为储热罐t时刻和t-1时刻的 储热量；
Figure 488499DEST_PATH_IMAGE056
为储热罐在运行过程中单位时间内的热源损失率；
Figure 39566DEST_PATH_IMAGE057
为储热罐t时刻的热功 率（大于0时放热，小于0时吸热）。
由此，源侧联合运行框架实现了“电-气-热”三种能源间的灵活转换，能够根据用户的用能需求，来制定更为合理的生产计划，以达到有效消纳风光、减少系统碳排放、提高综合能源系统经济性的目的。
为进一步提升综合能源系统调度的灵活性，本实施例在负荷侧采用价格型综合需求响应，通过调控各个时段的能源价格，来改善用户的用能结构，以配合源侧生产计划构成源荷协同降碳机制。
根据负荷受价格影响的变化情况，将其分为固定负荷、可转移负荷、可削减负荷以及可替换负荷。其中，可转移负荷、可削减负荷参与横向需求响应（同种能源根据不同时段的能源价格信号，自发进行转移和削减动作）；可替换负荷参与纵向需求响应（可相互替代的能源在同一时段，通过对比不同能源价格，自发进行能源间的替换动作），其需求响应模型如下：
Figure 573315DEST_PATH_IMAGE161
式中：
Figure 627859DEST_PATH_IMAGE059
、
Figure 323283DEST_PATH_IMAGE060
分别为需求响应前后的电负荷；
Figure 96067DEST_PATH_IMAGE061
为可转移电负荷变化量；
Figure 371190DEST_PATH_IMAGE062
为削减电负荷的反弹负荷；
Figure 280240DEST_PATH_IMAGE063
为削减电负荷；
Figure 412144DEST_PATH_IMAGE064
、
Figure 406645DEST_PATH_IMAGE065
、
Figure 282197DEST_PATH_IMAGE066
分别为削减电负荷t-1、t-3、t-3时刻的反弹系数；
Figure 311333DEST_PATH_IMAGE067
、
Figure 614138DEST_PATH_IMAGE068
、
Figure 95935DEST_PATH_IMAGE069
分别为t-1、t-3、t-3时刻的削减电负荷；
Figure 509599DEST_PATH_IMAGE070
、
Figure 596504DEST_PATH_IMAGE071
分别为需求响应前后的气负荷；
Figure 70211DEST_PATH_IMAGE072
为可转移气负荷变化量；
Figure 39304DEST_PATH_IMAGE073
削减气负荷的反弹负 荷；
Figure 256658DEST_PATH_IMAGE074
为削减气负荷；
Figure 260386DEST_PATH_IMAGE075
、
Figure 904994DEST_PATH_IMAGE076
、
Figure 361383DEST_PATH_IMAGE077
分别为削减气负荷t-1、t-3、t-3时刻的反弹系数；
Figure 116850DEST_PATH_IMAGE078
、
Figure 975084DEST_PATH_IMAGE079
、
Figure 349233DEST_PATH_IMAGE080
分别为t-1、t-3、t-3时刻的削减气负荷；
Figure 496181DEST_PATH_IMAGE081
为纵向需求响应可替换电 负荷变化量；
Figure 55338DEST_PATH_IMAGE082
为纵向需求响应可替换气负荷变化量。同一时段用户会还会根据当时 不同能源价格之间的差异进行纵向需求响应，可计算求得纵向需求响应可替换电负荷变化 量
Figure 768079DEST_PATH_IMAGE162
和纵向需求响应可替换气负荷变化量
Figure 754490DEST_PATH_IMAGE163
。
引入价格型综合需求响应，是以改变用户用能方式为代价的，因此调度方案还应考虑用户用能方式满意度和用能费用满意度约束。本发明综合考虑负荷侧不同种能源利用占比情况，设置用能占比系数，构造出如下满意度评估模型：
Figure 185471DEST_PATH_IMAGE164
Figure 282740DEST_PATH_IMAGE165
Figure 115567DEST_PATH_IMAGE166
式中：SEU为用能方式满意度；SEE为用能费用支出满意度；
Figure 272879DEST_PATH_IMAGE086
为电负荷响应前 后变化量；
Figure 128839DEST_PATH_IMAGE087
为响应前的总电负荷量；
Figure 29799DEST_PATH_IMAGE088
为用电费用响应前后变化量；
Figure 717133DEST_PATH_IMAGE089
为响应前 总用电费用；
Figure 310925DEST_PATH_IMAGE090
为参与响应的负荷中电能的利用占比系数；
Figure 185340DEST_PATH_IMAGE091
为响应前电价；
Figure 889991DEST_PATH_IMAGE092
为响应 前气价；
Figure 431831DEST_PATH_IMAGE093
为参与综合需求响应的电负荷量；
Figure 930945DEST_PATH_IMAGE094
为响应前的总气负荷量；
Figure 558235DEST_PATH_IMAGE095
为气负荷响 应前后变化量；
Figure 4260DEST_PATH_IMAGE096
为用气费用响应前后变化量；
Figure 400607DEST_PATH_IMAGE097
为响应前总用气费用；
Figure 70622DEST_PATH_IMAGE098
为参与响应的 负荷中电能的利用占比系数；
Figure 185209DEST_PATH_IMAGE099
为参与综合需求响应的气负荷量；T为响应总时间。SEU越 小，用户用能方式满意度水平越低；SEE越大，表明用户的用能费用满意度水平越高。
针对系统内存在的风光出力不确定性，本发明采用基于非精确概率理论的机会约束分布鲁棒不确定集合来配置正负旋转备用，通过火电的快速调节能力来弥补预测误差对调度方案实施所产生的影响。
风、光预测误差样本数据存在不准确性且数量有限，单值概率密度函数难以有效 反映其不确定性分布特征。导致基于此概率密度函数，所求调度方案其可行性难以保证。因 此，本发明采用基于非精确概率理论的来构造风、光预测误差的累积概率分布函数模糊集， 以样本点概率分布区间的形式来替代样本点处的单值概率(这样不仅反映了预测误差的不 确定性，还反映了预测误差累积概率分布函数的不确定性)。例如，样本点G处置信水平
Figure 497241DEST_PATH_IMAGE167
下 的置信累积概率区间可构造如下：
Figure 748094DEST_PATH_IMAGE168
式中，
Figure 589011DEST_PATH_IMAGE169
分别为随机变量第j个样本点处累积概率置信区间的上界、下界；V和Q分别为贝塔(Beta)分布
Figure 190894DEST_PATH_IMAGE104
与贝塔分布
Figure 775459DEST_PATH_IMAGE105
的累积概率分 布函数；m j 为满足约束
Figure 349660DEST_PATH_IMAGE106
的随机变量x的样本数；n为随机变量x的样本总数；s为等效 样本大小，决定了概率区间随样本容量收敛的速度，满足
Figure 361478DEST_PATH_IMAGE170
。
同时还根据Devroye-Wise方法求得随机变量
Figure 450657DEST_PATH_IMAGE171
的估计上下界
Figure 838913DEST_PATH_IMAGE172
，最后，基于 随机变量累积概率分布函数（CDF）的置信区间和估计范围，可得出模糊集合
Figure 64358DEST_PATH_IMAGE173
：
Figure 512657DEST_PATH_IMAGE109
式中，
Figure 823552DEST_PATH_IMAGE110
表示估计范围
Figure 749920DEST_PATH_IMAGE111
内所有的累积概率分布函数的集合，P为 随机变量x发生的累积概率，x d为随机变量x的估计下界，x u为随机变量x的估计上界，x j 为随 机变量第j个样本点。
随着置信水平的提升，置信带的宽度也会越宽。这样模糊集内就会包含更多可能的风电或光伏预测误差概率分布，从而能够获得更具鲁棒性的决策结果。
本实施例基于分布鲁棒优化原理，利用累积概率分布函数模糊集，找到其中最劣概率分布，然后构建基于非精确概率理论的机会约束鲁棒区间集合模型，以此来描述综合能源系统对风、光预测误差所产生扰动的容忍范围。鲁棒区间内的预测误差，可通过预先配置旋转备用快速响应（旋转备用特指运行正常的发电机维持额定转速，随时可以并网，或已并网但仅带一部分负荷，随时可以加出力至额定容量的发电机组），消除其对综合能源系统稳定运行的影响；鲁棒区间外的预测误差，综合能源系统无法安全消纳。此时，为了保证综合能源系统安全，会执行弃风弃光和切负荷此类紧急手段。以造成一些经济损失为代价，来消除这部分预测误差带来的运行风险。
本实施例构建的基于非精确概率理论的机会约束鲁棒区间集合模型可以对系统可容忍范围的鲁棒性进行评估，同时可容忍范围外的区域需将其考虑为运行风险。机会约束鲁棒区间集合模型如下：
Figure 298713DEST_PATH_IMAGE174
式中，R为鲁棒区间集合，
Figure 652334DEST_PATH_IMAGE113
为t时段不确定性因素i的机会约束鲁棒区间；
Figure 450526DEST_PATH_IMAGE114
为不确定性因素i在t时段预测误差的区间变量；
Figure 180584DEST_PATH_IMAGE115
、
Figure 646201DEST_PATH_IMAGE116
分别为区间变量的上、下界；
Figure 170723DEST_PATH_IMAGE117
和
Figure 456211DEST_PATH_IMAGE118
分别为预测误差鲁棒区间下界和上界所对应的累积概率；Pr为不确定因素i在t时段 发生在鲁棒区间内的概率；
Figure 724381DEST_PATH_IMAGE119
代表不确定性因素在鲁棒区间的置信水平；
Figure 778925DEST_PATH_IMAGE120
定义为t时段鲁棒区间对应的分布鲁棒水平；
Figure 943190DEST_PATH_IMAGE121
和
Figure 715974DEST_PATH_IMAGE122
分别为
Figure 522256DEST_PATH_IMAGE123
小于鲁棒区间下 界和大于鲁棒区间上界时所产生的运行风险期望值；
Figure 962465DEST_PATH_IMAGE124
和
Figure 828789DEST_PATH_IMAGE125
分别为不确定性因素i在t 时段的概率密度函数和累积概率分布函数，
Figure 88869DEST_PATH_IMAGE126
包含在预测误差累积概率分布模糊集
Figure 698842DEST_PATH_IMAGE127
中。
Figure 727978DEST_PATH_IMAGE175
越小则说明所得调度方案对不确定性的可容忍范围越小，运行风险越大；
Figure 234046DEST_PATH_IMAGE175
越 大则说明所得调度方案对不确定性的可容忍范围越大，运行风险越小。
系统的最劣分布鲁棒水平模型可表示如下：
Figure 715843DEST_PATH_IMAGE176
式中，
Figure 129507DEST_PATH_IMAGE177
为t时段不确定性因素i的累积概率分布函数信带的上界；
Figure 13149DEST_PATH_IMAGE178
为t时段不 确定性因素i的累积概率分布函数置信带的下界。
在所求模糊集内，存在一个最劣累积概率分布。使得设置相同大小旋转备用，所带来的分布鲁棒水平效益最低。
本发明在求最劣分布鲁棒水平的
Figure 345910DEST_PATH_IMAGE179
时，将累积概率分布函数置信带的上 界
Figure 315003DEST_PATH_IMAGE180
作为最劣累积概率分布；在求
Figure 266779DEST_PATH_IMAGE181
时，将累积概率分布函数置信带的下界
Figure 270507DEST_PATH_IMAGE182
作为最劣累积概率分布。因为当
Figure 118377DEST_PATH_IMAGE183
时，总能借助置信带上界
Figure 574766DEST_PATH_IMAGE184
和置信带 下界
Figure 330233DEST_PATH_IMAGE185
，以及一条连接点
Figure 922888DEST_PATH_IMAGE186
Figure 738397DEST_PATH_IMAGE187
的单调递增曲线构造出模糊集 中的最差累积概率分布。
本实施例构建的最优分布鲁棒经济多目标优化模型包括经济性目标函数、分布鲁棒水平目标函数、约束条件。
本发明综合考虑综合能源系统（IES）各项运行成本和CO2相关成本，构建如式(15)所示的经济性目标函数。
Figure 947662DEST_PATH_IMAGE188
式中：
Figure 506819DEST_PATH_IMAGE189
为燃煤机组运行成本；
Figure 219560DEST_PATH_IMAGE190
为CHP机组运行成本；
Figure 940391DEST_PATH_IMAGE191
为电锅炉运行 成本；
Figure 574635DEST_PATH_IMAGE192
为P2G机组运行成本；
Figure 683623DEST_PATH_IMAGE193
为系统购气成本；
Figure 516450DEST_PATH_IMAGE194
为系统弃风/弃光惩罚成 本；
Figure 673761DEST_PATH_IMAGE195
为CO2相关成本；
Figure 592039DEST_PATH_IMAGE196
为削减负荷补偿成本；
Figure 492999DEST_PATH_IMAGE197
为旋转备用成本；
Figure 914753DEST_PATH_IMAGE198
为碳捕 集成本。
每部分具体表达式如下：
燃煤火电机组的运行成本
Figure 242966DEST_PATH_IMAGE199
：
Figure 586223DEST_PATH_IMAGE200
式中：a、b、c分别为火电机组燃料成本–功率特性二次函数近似关系式中关于功率二次方、一次方的系数和常数项。
CHP机组运行成本
Figure 290874DEST_PATH_IMAGE201
：
Figure 832713DEST_PATH_IMAGE202
式中：
Figure 597407DEST_PATH_IMAGE203
、
Figure 224697DEST_PATH_IMAGE204
、
Figure 467460DEST_PATH_IMAGE205
、
Figure 863806DEST_PATH_IMAGE206
、
Figure 737084DEST_PATH_IMAGE207
、
Figure 851671DEST_PATH_IMAGE208
分别为CHP机组燃料成本–功率特性函数近似 关系式中关于功率常数项、电功率一次方系数、热功率一次方系数、电功率二次方系数、热 功率二次方系数、电热联合功率系数。
电锅炉运行成本
Figure 632545DEST_PATH_IMAGE209
：
Figure 148977DEST_PATH_IMAGE210
式中：
Figure 989894DEST_PATH_IMAGE211
为电锅炉运维成本。
P2G运行成本
Figure 591777DEST_PATH_IMAGE212
：
Figure 441921DEST_PATH_IMAGE213
式中：
Figure 812859DEST_PATH_IMAGE214
为电转气设备单位功率转化的运行成本。
系统购气成本
Figure 824678DEST_PATH_IMAGE215
：
Figure 851540DEST_PATH_IMAGE216
式中：
Figure 239796DEST_PATH_IMAGE217
为系统购气价格；
Figure 465241DEST_PATH_IMAGE218
为系统向气站购气量。
弃风/弃光惩罚成本
Figure 647960DEST_PATH_IMAGE219
：
Figure 224435DEST_PATH_IMAGE220
式中：
Figure 416382DEST_PATH_IMAGE221
为弃风弃光惩罚成本系数；
Figure 496334DEST_PATH_IMAGE222
为t时刻经P2G设备消纳后的弃风 弃光功率(受发电机组最小出力和火电负旋转备用约束的限制，使得电能供应大于需求的 情况，从而产生部分弃风弃光)。
二氧化碳相关成本
Figure 115534DEST_PATH_IMAGE223
：二氧化碳的相关成本由碳交易成本和碳封存成本构成。 碳交易机制下，当系统碳排放配额大于实际碳排放时，获得减排技术补贴；当系统碳排放配 额小于实际碳排放时，需购买碳排放权。
对于碳排放配额，一般以监管部门为IES免费发放为主。本发明采用基准线法来确 定碳排放配额，其碳排放额度
Figure 913725DEST_PATH_IMAGE224
为：
Figure 847046DEST_PATH_IMAGE225
式中：
Figure 781504DEST_PATH_IMAGE226
分别为系统供电、CHP机组、气负荷的碳排放配额；
Figure 571606DEST_PATH_IMAGE227
为 IES 碳排放配额；
Figure 857094DEST_PATH_IMAGE228
分别为产生单位电功率、单位热功率以及消耗 单位气负荷的碳排放基准；
Figure 125264DEST_PATH_IMAGE229
为系统
Figure 445387DEST_PATH_IMAGE230
时段风光及火电机组供电量之和；
Figure 406390DEST_PATH_IMAGE231
为发电量折算 成供热量的折算系数。
综上所述，IES参与的碳交易量
Figure 913594DEST_PATH_IMAGE232
为：
Figure 985456DEST_PATH_IMAGE233
式中，
Figure 160085DEST_PATH_IMAGE234
为综合能源系统实际碳排放量。
这部分碳交易量参与碳交易市场后，产生碳交易成本
Figure 26410DEST_PATH_IMAGE235
。由此，本发明的二氧 化碳相关成本构造如下：
Figure 489752DEST_PATH_IMAGE236
Figure 99725DEST_PATH_IMAGE237
式中：
Figure 128861DEST_PATH_IMAGE238
为CO2封存成本；
Figure 431666DEST_PATH_IMAGE239
为碳交易成本。
可削减负荷的削减补偿
Figure 179042DEST_PATH_IMAGE240
：
Figure 592706DEST_PATH_IMAGE241
式中：
Figure 476349DEST_PATH_IMAGE242
为削减的电负荷总量；
Figure 950055DEST_PATH_IMAGE243
为削减的气负荷总量；
Figure 122411DEST_PATH_IMAGE244
、
Figure 74186DEST_PATH_IMAGE245
分别为电、气负 荷补偿系数。
旋转备用成本
Figure 77914DEST_PATH_IMAGE246
：
Figure 456943DEST_PATH_IMAGE247
式中：
Figure 913332DEST_PATH_IMAGE248
为旋转备用成本系数；
Figure 934378DEST_PATH_IMAGE249
、
Figure 792612DEST_PATH_IMAGE250
分别为燃煤火电机组在时刻所提供的正 负旋转备用容量。
碳捕集成本
Figure 608122DEST_PATH_IMAGE251
：
Figure 551807DEST_PATH_IMAGE252
Figure 845385DEST_PATH_IMAGE253
式中：C Z、C S分别为碳捕集电厂日折旧成本和溶剂损耗成本；C FL 、N ZJ分别为不含溶 液存储器的碳捕集设备总成本和折旧年限；r为碳捕集电厂项目贴现率；P RY、V RY、N RY分别为 单位体积的溶液存储器总成本、溶液存储器的体积和折旧年限；K S、
Figure 761388DEST_PATH_IMAGE254
分别为乙醇胺溶剂成 本系数和溶剂运行损耗系数。
为消除人为预先设定分布鲁棒水平（置信水平）的主观性，本发明构建出分布鲁棒水平目标函数，并与经济性目标函数进行协同优化。
考虑到在实际工程中，切负荷的补偿费用大于弃风、弃光惩罚费用，决策者往往趋向于避免发生切负荷，而去设置更多的上旋转备用，结合上述情况重新构造如下改进分布鲁棒水平目标函数：
Figure 747799DEST_PATH_IMAGE255
式中：
Figure 178780DEST_PATH_IMAGE256
为上旋转备用鲁棒重视系数（趋向于避免切负荷）；
Figure 541628DEST_PATH_IMAGE257
、
Figure 108876DEST_PATH_IMAGE258
分别为弃风 弃光惩罚系数和切负荷惩罚系数。在本发明构建的最优分布鲁棒经济模型中，随着改进分 布鲁棒水平
Figure 266188DEST_PATH_IMAGE259
的升高，置信水平增加，预测误差容忍区间增大，使得系统鲁棒性增强。
同时，构造出系统运行风险成本函数
Figure 184465DEST_PATH_IMAGE260
对后续方案备用配置的合理程度进行 评估：
Figure 819846DEST_PATH_IMAGE261
式中：
Figure 710442DEST_PATH_IMAGE262
为由于预测误差和下备用不足导致的弃风弃光功率的期望值；
Figure 38655DEST_PATH_IMAGE263
为预测误差和上备用不足导致的切负荷功率的期望值。
最优分布鲁棒经济多目标优化模型的约束条件包括常规机组约束、功率平衡约束和正、负旋转备用约束。
常规机组约束主要包括火电机组、CHP机组、P2G机组、储热罐、储液罐、电锅炉机组等运行约束。
功率平衡约束表示如下：
Figure 178649DEST_PATH_IMAGE264
Figure 895019DEST_PATH_IMAGE265
式中：
Figure 436858DEST_PATH_IMAGE266
、
Figure 201552DEST_PATH_IMAGE267
分别为t时段风电功率、光伏功率；
Figure 563263DEST_PATH_IMAGE268
、
Figure 540447DEST_PATH_IMAGE269
分别为t时段风电功率、 光伏功率的预测值；
Figure 467951DEST_PATH_IMAGE270
为t时段热负荷；
Figure 137967DEST_PATH_IMAGE271
、
Figure 252554DEST_PATH_IMAGE272
分别为风电预测误差区间的上、 下界；
Figure 33428DEST_PATH_IMAGE273
、
Figure 549860DEST_PATH_IMAGE274
分别为光伏预测误差区间的上、 下界；
Figure 594039DEST_PATH_IMAGE275
为储热罐t时段的热功率（大于 0 时 放热，小于 0 时吸热）。
风光出力和电负荷预测误差的不确定性通过设置旋转备用来解决。其中，正旋转备用是用来满足当按预测值所供电量无法满足电负荷实际值时，需要机组短时增加出力的情况，正旋转备用约束如下：
Figure 195922DEST_PATH_IMAGE276
式中：
Figure 780487DEST_PATH_IMAGE277
为t时刻火电机组可提供的正旋转备用容量；
Figure 151425DEST_PATH_IMAGE278
、
Figure 428823DEST_PATH_IMAGE279
、
Figure 252422DEST_PATH_IMAGE280
分别为t时 刻风电、光伏及负荷预测误差所导致的正旋转备用需求；
Figure 640678DEST_PATH_IMAGE281
为过渡时间；
Figure 866123DEST_PATH_IMAGE282
为上升爬坡 速率；
Figure 48843DEST_PATH_IMAGE283
为火电最大出力。相对风光出力预测来说，电负荷预测较为准确。由此，本发明 负荷备用需求采用固定系数法来获得，
Figure 625318DEST_PATH_IMAGE284
为负荷备用系数。负旋转备用是用来满足当按预 测值所供电量大于电负荷实际需求值时，需要机组在短时间减少出力的情况；其约束构造 方法同理。
最优分布鲁棒经济多目标优化模型的确定性转化。
首先将火电的运行状态分为三种情况，一个是基于预测值
Figure 754948DEST_PATH_IMAGE285
的运行状况
Figure 834899DEST_PATH_IMAGE286
； 另一个是基于风光预测误差鲁棒区间下限的
Figure 454100DEST_PATH_IMAGE287
的运行状况
Figure 252291DEST_PATH_IMAGE288
；还有一个是 基于风光预测误差鲁棒区间上限
Figure 982350DEST_PATH_IMAGE289
的运行状况
Figure 182387DEST_PATH_IMAGE290
。系统需在这三种运行状 况下皆满足功率平衡约束，且火电机组的运行点能在调整时间内完成过渡。则可将其转换 为：
Figure 972489DEST_PATH_IMAGE291
Figure 992397DEST_PATH_IMAGE292
式中，
Figure 729409DEST_PATH_IMAGE293
、
Figure 783953DEST_PATH_IMAGE294
分别为t时刻风电功率上限、下限；
Figure 479376DEST_PATH_IMAGE295
、
Figure 252160DEST_PATH_IMAGE296
分别为t时刻光伏功 率上限、下限；
Figure 589601DEST_PATH_IMAGE297
、
Figure 498651DEST_PATH_IMAGE298
分别为t时刻负荷预测误差所导致的正旋转备用需求和负旋转备 用需求。
式(37)为火电机组满足预测值运行状况与上下限运行状况的过渡约束。
Figure 630555DEST_PATH_IMAGE299
式中，
Figure 625056DEST_PATH_IMAGE300
为基于风光预测误差鲁棒区间均值的运行状况；
Figure 500608DEST_PATH_IMAGE301
为上升爬坡速 率，
Figure 733006DEST_PATH_IMAGE302
为下降爬坡速率。
针对风光实际出力不确定性
Figure 770232DEST_PATH_IMAGE303
范围内的扰动，都能够被火 电机组提供的正负旋转备消除。
由于风、光预测误差同时发生，因此需考虑其联合分布情况。假设风电出力预测误 差
Figure 517608DEST_PATH_IMAGE304
，光伏预测误差
Figure 931272DEST_PATH_IMAGE305
相互独立。定义联合随机变量
Figure 80494DEST_PATH_IMAGE306
，则可通过卷积方式得到
Figure 288621DEST_PATH_IMAGE307
的累积概率分布函数置信带的上界
Figure 257714DEST_PATH_IMAGE308
、累积概率分布函数置信带的下界
Figure 475069DEST_PATH_IMAGE309
。
由此，在联合概率分布下，正负旋转备用对应的累积概率以及弃风/弃光、切负荷的期望值如下：
Figure 213218DEST_PATH_IMAGE310
式中：Kc为联合发电的风电机组与光伏机组容量之和；
Figure 61088DEST_PATH_IMAGE311
、
Figure 517477DEST_PATH_IMAGE312
分别为火电机组旋 转备用所能消除风光联合预测误差扰动区间的上界、下界；
Figure 272943DEST_PATH_IMAGE313
、
Figure 396757DEST_PATH_IMAGE314
分别为t时刻火电机组 可提供的正旋转备用容量和负旋转备用容量；
Figure 212267DEST_PATH_IMAGE315
为t时刻负荷预测误差所导致的负旋转 备用需求；
Figure 890373DEST_PATH_IMAGE316
、
Figure 449530DEST_PATH_IMAGE317
分别为联合预测误差上界、下界；
Figure 162271DEST_PATH_IMAGE318
、
Figure 351944DEST_PATH_IMAGE319
分别为旋转备用所提供误差容 忍区间上、下界对应的累积概率，亦即前述预测误差鲁棒区间上、下界所对应的累积概率。
优化求解最优分布鲁棒经济多目标优化模型得到调度方案。
本发明采用基于聚类的自适应微分进化算法（FCADE），并将其与帕累托非劣排序操作有机结合后，对最优分布鲁棒经济多目标优化模型进行求解。模型求解流程如图2所示，输入IES系统各设备参数和风光历史数据，输入“风-光-荷”预测指；根据置信水平γ和风光历史数据生成置信带，设定算法参数，初始化种群，初始迭代次数为0，计算鲁棒度和系统运行成本，然后进行Pareto非劣排序，通过FCADE算法的都新种群，判断是否达最大迭代次数，为否，迭代次数+1，重新计算鲁棒度和系统运行成本；如为是，得到Pareto最优解集，根据模糊集理论得到最优折中解，即为调度方案。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法，其特征是，包括以下步骤：
步骤一、建立基于源荷协同降碳机制下的综合能源系统调度模式：构建综合能源系统碳排放模型；在源侧建立源侧联合运行框架，用于碳捕集电厂、P2G设备、CHP机组、电锅炉的联合运行控制；在负荷侧设置价格型综合需求响应机制，并将每一时段的电价、气价作为变量与源侧可控单元进行协同优化；根据负荷受价格影响的变化情况，将负荷分为固定负荷、可转移负荷、可削减负荷以及可替换负荷；构建需求响应模型；综合考虑负荷侧不同种能源利用占比情况，设置用能占比系数，构造满意度评估模型；
步骤二、构建基于非精确概率理论的机会约束鲁棒区间集合模型：采用基于非精确概率理论的来构造风、光预测误差的累积概率分布函数模糊集，以样本点概率分布区间的形式来替代样本点处的单值概率；利用累积概率分布函数模糊集，找到其中最劣概率分布，然后构建机会约束鲁棒区间集合模型，用于来描述综合能源系统对风、光预测误差所产生扰动的容忍范围；
步骤三、构建并求解最优分布鲁棒经济多目标优化模型得到调度方案。
2.根据权利要求1所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法,其特征是，所述综合能源系统碳排放模型如下：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
、
Figure DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
、
Figure DEST_PATH_IMAGE006
分别为综合能源系统实际碳排放量、未被储存及 利用的火电机组碳排放量、CHP机组碳排放量、气负荷碳排放量；
Figure DEST_PATH_IMAGE007
为P2G设备提供天然 气产生的虚拟降碳量；
Figure DEST_PATH_IMAGE008
为t时段碳捕集电厂出力；
Figure DEST_PATH_IMAGE009
为t时段P2G设备消耗的CO2总 量；
Figure DEST_PATH_IMAGE010
为t时段CO2封存量；
Figure DEST_PATH_IMAGE011
为t时段CHP机组消耗的天然气体积；
Figure DEST_PATH_IMAGE012
为经过需求响应 后的气负荷；
Figure DEST_PATH_IMAGE013
为t时段P2G生成天然气的体积；
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
分别为火电机组、CHP机 组、气负荷的碳排放系数；T为响应总时间。
3.根据权利要求2所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法,其特征是，所述源侧联合运行框架整体出力及能耗表达式如下所示：
Figure DEST_PATH_IMAGE017
式中：
Figure DEST_PATH_IMAGE018
为t时段碳捕集电厂净出力；
Figure DEST_PATH_IMAGE019
为t时段碳捕集电厂固定能耗；
Figure DEST_PATH_IMAGE020
为t时段 碳捕集电厂运行能耗；
Figure DEST_PATH_IMAGE021
为碳捕集电厂处理单位CO2的运行能耗；
Figure DEST_PATH_IMAGE022
为t时段碳捕集电厂 处理的CO2量；
Figure DEST_PATH_IMAGE023
为t时段CHP机组的出力；
Figure DEST_PATH_IMAGE024
为t时段CHP机组的电出力；
Figure DEST_PATH_IMAGE025
为t时段 CHP机组的热出力；
Figure DEST_PATH_IMAGE026
为CHP机组电效率；
Figure DEST_PATH_IMAGE027
为CHP机组热效率；
Figure DEST_PATH_IMAGE028
为t时段P2G设备 能耗；
Figure DEST_PATH_IMAGE029
为t时段弃风功率、
Figure DEST_PATH_IMAGE030
为t时段弃光功率；
Figure DEST_PATH_IMAGE031
为t时段电锅炉的热出力；
Figure DEST_PATH_IMAGE032
为t 时段电锅炉的能耗；
Figure DEST_PATH_IMAGE033
为电锅炉转换效率；
Figure DEST_PATH_IMAGE034
为t时刻经P2G设备消纳后的弃风弃光功 率。
4.根据权利要求3所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法,其特征是，源侧联合运行框架的源侧CO2与天然气的产出和消耗模型如下所示：
Figure DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE036
式中：
Figure DEST_PATH_IMAGE037
为生成单位功率天然气时需要CO2的量；
Figure DEST_PATH_IMAGE038
为P2G设备电转气的转换效率；
Figure DEST_PATH_IMAGE039
为t时段储液罐提供的待处理的CO2量；
Figure DEST_PATH_IMAGE040
为碳捕集效率；
Figure DEST_PATH_IMAGE041
为烟气分流比；
Figure DEST_PATH_IMAGE042
为t时段 火电厂CO2总释放量；
Figure DEST_PATH_IMAGE043
为碳排放强度；
Figure DEST_PATH_IMAGE044
为天然气的热值。
5.根据权利要求4所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法,其特征是，对碳捕集机组加装储液罐使其变成灵活碳捕集装置，由此能够实现CO2捕集与发电之间的解耦；源侧联合运行框架的综合能源系统内储罐运行模型如下：
Figure DEST_PATH_IMAGE045
式中：
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
、
Figure DEST_PATH_IMAGE048
分别为t时刻储液罐释放CO2所需的溶液体积、富液罐溶液量、贫 液罐溶液量；
Figure DEST_PATH_IMAGE049
为乙醇胺摩尔质量；
Figure DEST_PATH_IMAGE050
为CO2摩尔质量；
Figure DEST_PATH_IMAGE051
为再生塔解析量；
Figure DEST_PATH_IMAGE052
、
Figure DEST_PATH_IMAGE053
分别 为醇胺溶液浓度、醇胺溶液密度；
Figure DEST_PATH_IMAGE054
、
Figure DEST_PATH_IMAGE055
分别为储热罐t时刻和t-1时刻的储热量；
Figure DEST_PATH_IMAGE056
为储 热罐在运行过程中单位时间内的热源损失率；
Figure DEST_PATH_IMAGE057
为储热罐t时刻的热功率。
6.根据权利要求5所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法,其特征是，所述需求响应模型如下：
Figure DEST_PATH_IMAGE058
式中：
Figure DEST_PATH_IMAGE059
、
Figure DEST_PATH_IMAGE060
分别为需求响应前后的电负荷；
Figure DEST_PATH_IMAGE061
为可转移电负荷变化量；
Figure DEST_PATH_IMAGE062
为 削减电负荷的反弹负荷；
Figure DEST_PATH_IMAGE063
为削减电负荷；
Figure DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE065
、
Figure DEST_PATH_IMAGE066
分别为削减电负荷t-1、t-3、t-3 时刻的反弹系数；
Figure DEST_PATH_IMAGE067
、
Figure DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE069
分别为t-1、t-3、t-3时刻的削减电负荷；
Figure DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE071
分别 为需求响应前后的气负荷；
Figure DEST_PATH_IMAGE072
为可转移气负荷变化量；
Figure DEST_PATH_IMAGE073
削减气负荷的反弹负荷；
Figure DEST_PATH_IMAGE074
为 削减气负荷；
Figure DEST_PATH_IMAGE075
、
Figure DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE077
分别为削减气负荷t-1、t-3、t-3时刻的反弹系数；
Figure DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE079
、
Figure DEST_PATH_IMAGE080
分别为t-1、t-3、t-3时刻的削减气负荷；
Figure DEST_PATH_IMAGE081
为纵向需求响应可替换电负荷变化量；
Figure DEST_PATH_IMAGE082
为纵向需求响应可替换气负荷变化量。
7.根据权利要求6所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法,其特征是，所述满意度评估模型为：
Figure DEST_PATH_IMAGE083
Figure DEST_PATH_IMAGE084
Figure DEST_PATH_IMAGE085
式中：SEU为用能方式满意度；SEE为用能费用支出满意度；
Figure DEST_PATH_IMAGE086
为电负荷响应前后变 化量；
Figure DEST_PATH_IMAGE087
为响应前的总电负荷量；
Figure DEST_PATH_IMAGE088
为用电费用响应前后变化量；
Figure DEST_PATH_IMAGE089
为响应前总用 电费用；
Figure DEST_PATH_IMAGE090
为参与响应的负荷中电能的利用占比系数；
Figure DEST_PATH_IMAGE091
为响应前电价；
Figure DEST_PATH_IMAGE092
为响应前气 价；
Figure DEST_PATH_IMAGE093
为参与综合需求响应的电负荷量；
Figure DEST_PATH_IMAGE094
为响应前的总气负荷量；
Figure DEST_PATH_IMAGE095
为气负荷响应前 后变化量；
Figure DEST_PATH_IMAGE096
为用气费用响应前后变化量；
Figure DEST_PATH_IMAGE097
为响应前总用气费用；
Figure DEST_PATH_IMAGE098
为参与响应的 负荷中电能的利用占比系数；
Figure DEST_PATH_IMAGE099
为参与综合需求响应的气负荷量。
8.根据权利要求7所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方 法,其特征是，所述步骤二中，采用基于非精确概率理论的来构造风、光预测误差的累积概 率分布函数模糊集，以样本点概率分布区间的形式来替代样本点处的单值概率；样本点G处 置信水平
Figure DEST_PATH_IMAGE100
下的置信累积概率区间可构造如下：
Figure DEST_PATH_IMAGE101
式中，
Figure DEST_PATH_IMAGE102
、
Figure DEST_PATH_IMAGE103
分别为随机变量第j个样本点处累积概率置信区间的上界、下界；V和Q分 别为贝塔分布
Figure DEST_PATH_IMAGE104
与贝塔分布
Figure DEST_PATH_IMAGE105
的累积概率分布函数；m j 为满 足约束
Figure DEST_PATH_IMAGE106
的随机变量x的样本数；n为随机变量x的样本总数；s为等效样本大小；
求得随机变量的估计上下界
Figure DEST_PATH_IMAGE107
，最后，基于随机变量累积概率分布函数的置信区 间和估计范围，得出模糊集合
Figure DEST_PATH_IMAGE108
：
Figure DEST_PATH_IMAGE109
式中，
Figure DEST_PATH_IMAGE110
表示估计范围
Figure DEST_PATH_IMAGE111
内所有的累积概率分布函数的集合，P为随机变 量x发生的累积概率，x d为随机变量x的估计下界，x u为随机变量x的估计上界，x j 为随机变量 第j个样本点；
基于分布鲁棒优化原理，利用累积概率分布函数模糊集，找到其中最劣概率分布，然后构建基于非精确概率理论的机会约束鲁棒区间集合模型；
所述机会约束鲁棒区间集合模型如下：
Figure DEST_PATH_IMAGE112
式中，R为鲁棒区间集合，
Figure DEST_PATH_IMAGE113
为t时段不确定性因素i的机会约束鲁棒区间；
Figure DEST_PATH_IMAGE114
为不 确定性因素i在t时段预测误差的区间变量；
Figure DEST_PATH_IMAGE115
、
Figure DEST_PATH_IMAGE116
分别为区间变量的上、下界；
Figure DEST_PATH_IMAGE117
和
Figure DEST_PATH_IMAGE118
分别为预测误差鲁棒区间下界和上界所对应的累积概率；Pr为不确定因素i在t时段发 生在鲁棒区间内的概率；
Figure DEST_PATH_IMAGE119
代表不确定性因素在鲁棒区间的置信水平；
Figure DEST_PATH_IMAGE120
定义为t时段鲁棒区间对应的分布鲁棒水平；
Figure DEST_PATH_IMAGE121
和
Figure DEST_PATH_IMAGE122
分别为
Figure DEST_PATH_IMAGE123
小于鲁棒区间下界和 大于鲁棒区间上界时所产生的运行风险期望值；
Figure DEST_PATH_IMAGE124
和
Figure DEST_PATH_IMAGE125
分别为不确定性因素i在t时段 的概率密度函数和累积概率分布函数，
Figure DEST_PATH_IMAGE126
包含在预测误差累积概率分布模糊集
Figure DEST_PATH_IMAGE127
中。
9.根据权利要求1所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法,其特征是，所述最优分布鲁棒经济多目标优化模型包括经济性目标函数、分布鲁棒水平目标函数、约束条件，构建出分布鲁棒水平目标函数，并与经济性目标函数进行协同优化；
所述经济性目标函数为
Figure DEST_PATH_IMAGE128
式中：
Figure DEST_PATH_IMAGE129
为燃煤机组运行成本；
Figure DEST_PATH_IMAGE130
为CHP机组运行成本；
Figure DEST_PATH_IMAGE131
为电锅炉运行成本；
Figure DEST_PATH_IMAGE132
为P2G机组运行成本；
Figure DEST_PATH_IMAGE133
为系统购气成本；
Figure DEST_PATH_IMAGE134
为系统弃风/弃光惩罚成本；
Figure DEST_PATH_IMAGE135
为 CO2相关成本；
Figure DEST_PATH_IMAGE136
为削减负荷补偿成本；
Figure DEST_PATH_IMAGE137
为旋转备用成本；
Figure DEST_PATH_IMAGE138
为碳捕集成本；
所述分布鲁棒水平目标函数为：
Figure DEST_PATH_IMAGE139
式中：
Figure DEST_PATH_IMAGE140
为上旋转备用鲁棒重视系数；
Figure DEST_PATH_IMAGE141
、
Figure DEST_PATH_IMAGE142
分别为弃风弃光惩罚系数和切负荷惩 罚系数；
同时，构造出系统运行风险成本函数
Figure DEST_PATH_IMAGE143
对后续方案备用配置的合理程度进行评估：
Figure DEST_PATH_IMAGE144
式中：
Figure DEST_PATH_IMAGE145
为由于预测误差和下备用不足导致的弃风弃光功率的期望值；
Figure DEST_PATH_IMAGE146
为 预测误差和上备用不足导致的切负荷功率的期望值。
10.根据权利要求9所述的一种源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法，其特征是，基于聚类的自适应微分进化算法，并将自适应微分进化算法与帕累托非劣排序操作有机结合后，对最优分布鲁棒经济多目标优化模型进行求解。
CN202210783341.5A 2022-07-05 2022-07-05 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法 Active CN114865631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210783341.5A CN114865631B (zh) 2022-07-05 2022-07-05 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210783341.5A CN114865631B (zh) 2022-07-05 2022-07-05 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法

Publications (2)

Publication Number Publication Date
CN114865631A true CN114865631A (zh) 2022-08-05
CN114865631B CN114865631B (zh) 2022-09-20

Family

ID=82625748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210783341.5A Active CN114865631B (zh) 2022-07-05 2022-07-05 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法

Country Status (1)

Country Link
CN (1) CN114865631B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859686A (zh) * 2023-02-07 2023-03-28 山东科技大学 考虑扩展碳排放流的综合能源系统低碳调度方法及系统
CN116128262A (zh) * 2023-04-19 2023-05-16 山东科技大学 一种综合能源系统低碳调度方法及系统
CN116436099A (zh) * 2023-06-12 2023-07-14 北京和瑞储能科技有限公司 一种微电网鲁棒优化调度方法和系统
CN116681545A (zh) * 2023-01-30 2023-09-01 兰州理工大学 一种计及生物质-p2g耦合的设施农业园区近零碳实现方法
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767074A (zh) * 2017-11-09 2018-03-06 东南大学 一种计及综合需求响应资源的能源枢纽规划方法
US20200313433A1 (en) * 2018-06-06 2020-10-01 Nanjing Institute Of Technology Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy
CN111754133A (zh) * 2020-06-30 2020-10-09 太原理工大学 一种考虑碳捕集系统的综合能源系统“源-荷”低碳经济调度方法
CN111767506A (zh) * 2020-06-23 2020-10-13 太原理工大学 一种计及用户用能行为及满意度的电-气综合能源优化调度方法
CN113128775A (zh) * 2021-04-26 2021-07-16 山东大学 考虑需求响应和耦合度的综合能源系统调度方法及装置
CN113193600A (zh) * 2021-03-19 2021-07-30 山东大学 计及风电概率分布不确定性的电力系统调度方法及装置
CN113361875A (zh) * 2021-05-24 2021-09-07 三峡大学 计及需求侧响应和共享储能的多微电网综合能源系统优化调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767074A (zh) * 2017-11-09 2018-03-06 东南大学 一种计及综合需求响应资源的能源枢纽规划方法
US20200313433A1 (en) * 2018-06-06 2020-10-01 Nanjing Institute Of Technology Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy
CN111767506A (zh) * 2020-06-23 2020-10-13 太原理工大学 一种计及用户用能行为及满意度的电-气综合能源优化调度方法
CN111754133A (zh) * 2020-06-30 2020-10-09 太原理工大学 一种考虑碳捕集系统的综合能源系统“源-荷”低碳经济调度方法
CN113193600A (zh) * 2021-03-19 2021-07-30 山东大学 计及风电概率分布不确定性的电力系统调度方法及装置
CN113128775A (zh) * 2021-04-26 2021-07-16 山东大学 考虑需求响应和耦合度的综合能源系统调度方法及装置
CN113361875A (zh) * 2021-05-24 2021-09-07 三峡大学 计及需求侧响应和共享储能的多微电网综合能源系统优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙惠娟: "计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度", 《电网技术》 *
张智: "计及运行风险的两阶段鲁棒优化调度模型", 《工程科技II辑》 *
陈海鹏: "计及灵活运行碳捕集电厂捕获能耗的电力系统低碳经济调度", 《电力自动化设备》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681545A (zh) * 2023-01-30 2023-09-01 兰州理工大学 一种计及生物质-p2g耦合的设施农业园区近零碳实现方法
CN115859686A (zh) * 2023-02-07 2023-03-28 山东科技大学 考虑扩展碳排放流的综合能源系统低碳调度方法及系统
CN116128262A (zh) * 2023-04-19 2023-05-16 山东科技大学 一种综合能源系统低碳调度方法及系统
CN116128262B (zh) * 2023-04-19 2023-07-25 山东科技大学 一种综合能源系统低碳调度方法及系统
CN116436099A (zh) * 2023-06-12 2023-07-14 北京和瑞储能科技有限公司 一种微电网鲁棒优化调度方法和系统
CN116436099B (zh) * 2023-06-12 2023-11-10 北京和瑞储能科技有限公司 一种微电网鲁棒优化调度方法和系统
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

Also Published As

Publication number Publication date
CN114865631B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN114865631B (zh) 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN107482688B (zh) 一种碳捕集虚拟电厂调度优化方法
CN112564109B (zh) 一种基于储能系统参与含大规模海上风电的调频优化运行方法
CN111404206A (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
CN113610311A (zh) 双层协同架构下考虑碳减排的综合能源服务商合作运行优化方法
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
Yang et al. Optimal operation of an integrated energy system by considering the multi energy coupling, AC-DC topology and demand responses
CN116911533B (zh) 区域综合能源系统多微网能量共济方法
CN115117940A (zh) 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法
CN115689233A (zh) 计及调峰主动性的风光水火储系统互补协调优化调度方法
CN115860413A (zh) 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网系统经济调度方法
CN117236587A (zh) 一种园区综合能源系统电氢碳协同调度优化方法
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
CN115659651A (zh) 一种考虑多种灵活性资源的综合能源协同优化调度方法
CN117040000A (zh) 一种耦合碳捕集和电制氢的综合能源系统热电优化方法
Zhang et al. Modeling a hydrogen-based sustainable multi-carrier energy system using a multi-objective optimization considering embedded joint chance constraints
Ju et al. Data-driven two-stage robust optimization dispatching model and benefit allocation strategy for a novel virtual power plant considering carbon-green certificate equivalence conversion mechanism
CN112418537B (zh) 一种面向多能源云储能系统的优化调度方法
CN116562062B (zh) 考虑电、氢耦合的生产模拟方法、系统、装置及存储介质
CN117973886A (zh) 含氢能全链路的综合能源系统协同规划运行方法及系统
CN117318031A (zh) 一种基于ddpg的电-氢耦合系统优化调度方法和系统
CN116579115A (zh) 电、氢协同互动的系统规划方法及装置
CN116629553A (zh) 基于非完全区间多目标模糊优化的区域综合能源调度方法
CN116805192A (zh) 考虑最优弃能率的综合能源系统双层规划优化方法及应用

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
TR01 Transfer of patent right

Effective date of registration: 20240522

Address after: 071000 Room 218, Building C, Science and Technology Innovation Center, Rongcheng County, Xiong'an New District, Baoding City, Hebei Province (self declared)

Patentee after: Huazhu Technology Group Digital Technology Co.,Ltd.

Country or region after: China

Address before: No. 808, Shuanggang East Street, Nanchang Economic and Technological Development Zone, Jiangxi Province

Patentee before: East China Jiaotong University

Country or region before: China