CN114943417A - 基于模型预测控制的多目标能源组合优化调度方法及系统 - Google Patents

基于模型预测控制的多目标能源组合优化调度方法及系统 Download PDF

Info

Publication number
CN114943417A
CN114943417A CN202210420599.9A CN202210420599A CN114943417A CN 114943417 A CN114943417 A CN 114943417A CN 202210420599 A CN202210420599 A CN 202210420599A CN 114943417 A CN114943417 A CN 114943417A
Authority
CN
China
Prior art keywords
energy
scheduling
constraint
output
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210420599.9A
Other languages
English (en)
Inventor
刘帅
李恩杰
周飞龙
王誉杰
杨耀帅
刘龙成
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202210420599.9A priority Critical patent/CN114943417A/zh
Publication of CN114943417A publication Critical patent/CN114943417A/zh
Pending legal-status Critical Current

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于模型预测控制的多目标能源组合优化调度方法，包括：建立电热气组合模型；根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件；基于预测算法对分布式可再生能源的出力调度回报进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的出力调度回报，计算该出力调度回报的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。本发明能够更好地规划出最优的能源组合调度方案，在保证各种能源优化调度收益最大化的同时，保证由调度产生的风险最小化，在保证安全调度的情况下，提高可再生能源的消纳。

Description

基于模型预测控制的多目标能源组合优化调度方法及系统
技术领域
本发明属于综合能源系统优化技术领域，具体涉及一种基于模型预测控制的多目标能源组合优化调度方法及系统。
背景技术
由于可再生能源的输出并不稳定，如风能和光能是间歇性的，调整可再生能源的输出，使其按照特定的负载变化是不容易的，因此，能够灵活的适应间歇性可再生能源的能源供应系统将变得非常重要。
到目前为止，随着多能源发电、转换和存储设备的大力发展，使得电能、热能和气能等多种能源的耦合和相互作用变得越来越紧密，多能源组合优化也得到了快速的发展。但是，目前现有的多能源组合优化方法并不能高效快速的对用户需求和风光电组合能源的变化做出反应，造成大量的能源浪费。
发明内容
为克服上述现有技术的不足，针对光、风等可再生能源和其他形式能源之间的组合优化调度，本发明提供了一种基于模型预测控制的多目标能源组合优化调度方法及系统，能够更好的规划出相应的最优能源组合优化调度方案，在保证各种能源优化调度产生的收益最大化的同时，保证由调度产生的风险最小化，在保证安全调度的情况下，提高可再生能源的消纳。
本公开一方面提供的一种基于模型预测控制的多目标能源组合优化调度方法的技术方案是：
一种基于模型预测控制的多目标能源组合优化调度方法，包括以下步骤：
建立电热气组合模型；
根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件；
基于预测算法对分布式可再生能源的出力调度回报进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的出力调度回报，计算该出力调度回报的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。
进一步的技术方案，所述目标函数包括收益目标函数和风险目标函数；所述收益目标函数为多能源组合模型的能源收益在预测时域终端时刻的期望的最大值；所述风险目标函数为多能源组合模型的能源收益在预测时域终端时刻的方差的最小值。
进一步的技术方案，所述约束条件包括能源组合收益约束、能量供需平衡约束、风力涡轮机约束、太阳能热电联产系统约束、热电联产机组约束、电热锅炉约束、储热约束、储电约束、电转气运行约束。
进一步的技术方案，所述基于预测算法对分布式可再生能源的出力调度回报进行滚动预测是指，根据当前的能源出力情况，基于模型预测控制算法求解预测时域内不同时刻的能源收益情况，具体为：
Figure BDA0003607423840000021
其中，W(k)是当前k时刻的收益，RT(k)是在k时刻的能源出力投资收益回报比，U(k)是在k时刻能源各能源出力投资占比，c是各能源成本比,
Figure BDA0003607423840000031
是能源参与碳排放交易的收益。
进一步的技术方案，所述基于多目标遗传算法求解多能源组合模型的最优调度，具体包括以下步骤：
对于预测范围内的每个时刻，根据均分分布随机生成一组能源出力情况不同的能源组合，将每个能源组合看做个体，根据个体之间的支配关系和拥挤度，选择出父代种群，通过选择操作、交叉操作和变异操作得到子代种群；
将父代种群与所得到的子代种群合并，进行个体之间的快速非支配排序，根据个体之间的支配关系和拥挤度，选取多个个体组成新的父代种群；
若新的父代种群的代数小于设定的最大代数，则通过遗传算法的选择操作、交叉操作和变异操作再次产生新的子代种群，重复上述合并及选取种群的操作；否则，输出该父代种群作为多目标优化问题在下一个预测时域内的帕累托前沿。
进一步的技术方案，所述输出最优调度参考值是指，基于求解的最优调度问题的帕累托前沿，将帕累托前沿的最优点作为最优调度参考值输出。
本公开另一方面提供的一种基于模型预测控制的多目标能源组合优化调度系统的技术方案是：
一种基于模型预测控制的多目标能源组合优化调度系统，包括：
多能源组合模型构建模块，用于建立电热气组合模型；
目标函数和约束条件构建模块，用于根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件；
最优调度求解模块，用于基于预测算法对分布式可再生能源的出力调度回报进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的出力调度回报，计算该出力调度回报的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。
与现有技术相比，本发明所述技术方案存在以下有益效果：
本公开所述方法将各能源的出力情况看作是多能源组合中的资产，不同能源的出力对应有不同的资产回报，在考虑多能源组合优化调度的思想中，将不同能源出力资产回报的期望和方差作为多目标能源组合模型预测控制的目标函数，再加入不同能源出力的约束条件，运用多目标遗传算法来求解多能源优化调度问题，得到下一预测时刻的帕累托前沿，选择帕累托前沿最优点应用于系统，重复操作，滚动优化；
本公开所述基于模型预测控制的多目标能源组合优化调度方法，能够更好的规划出相应的最优能源组合调度方案，在保证各种能源优化调度收益最大化的同时保证由调度产生的风险最小化，在保证安全调度的情况下，提高可再生能源的消纳。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1所述多目标能源组合优化调度方法的流程图；
图2为本发明实施例1所述模型预测控制方法的示意图；
图3为本发明实施例1所述多目标遗传算法的流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
针对现有的能源组合优化调度方法无法对用户需求和风光电组合能源的变化做出高效快速反应而导致大量能源浪费的问题，本发明提出了一种基于模型预测控制的多目标能源组合优化调度方法及系统，将不同的能源网出力情况看作投资学中的资产，不同能源的出力对应有不同的资产回报 (即收益)，考虑包括风力和太阳能的可再生能源发电的电力网、供热网和天然气网，每种形式的能源出力都有特定的成本、收益和风险(收益的波动)，运用组合投资的思想，考虑能源收益的期望和方差，其中加入模型预测控制的思想，在预测时域的终端，最大化期望收益的同时最小化能源收益的风险(收益方差)，最后运用多目标遗传算法求解能源调度问题的帕累托前沿，将帕累托前沿的最优点应用于调度系统，得到最优投资组合调度方案。
其中，模型预测控制(MPC)是一种通过在每个采样时刻上求解有限时间次最优控制问题来逼近无限时间最优控制的控制方法。模型预测控制能够很好的应用于能源组合调度问题中，因为MPC可以很好的处理系统的复杂动态，再考虑不确定性的情况下执行能源组合的调度，并在预测范围内优化预期的收益和风险。而运用多目标的优化是因为能够同时考虑风险的最小化和回报的最大化，并提供包含回报和风险范围内的最佳解决方案的帕累托(Pareto)前沿。
本实施例公开了一种基于模型预测控制的多目标能源组合优化调度方法，如图1所示，包括以下步骤：
建立电热气组合模型；
根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件；
基于预测算法对分布式可再生能源的出力调度回报进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的出力调度回报，计算该出力调度回报的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。
具体的，首先，建立电热气组合模型。
在本实施例中，所述电热气组合包括电力子系统、热力子系统和天然气子系统。在本实施例中，电力子系统包括风力涡轮机、太阳能热电联产机组、热电联产机组和储能系统；热力子系统包括太阳能热电联产机组、热电联产机组、电热锅炉以及储热系统；天然气子系统包括电转气机组。
其次，根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件。
在本实施例中，根据电热气组合模型构建该组合模型相应的目标函数，该目标函数为该多能源组合模型的运营收益和运营风险，主要包括以下决策相关变量：可再生能源的发电功率、热力子系统的出力功率、天然气子系统的出力功率、储能设备的充电功率和放电功率、以及各能源之间相互转化的功率。实际上，本公开是将多能源组合模型中各能源的出力情况看作是多能源组合中的资产，由于不同能源的出力情况对应着不同的出力回报，故将不同的出力回报看作是不同的资产回报，而此处所述的运营收益即是指多能源组合模型的出力回报，所述的运营风险即是指多能源组合模型出力回报的波动。
首先，设置能源组合模型的目标函数，所述目标函数中收益和风险是由预测的交易额和成本决定的，因此，能源组合模型的目标函数为收益和风险在其预测时域最后时刻的预测值，分别为：
Figure BDA0003607423840000061
Figure BDA0003607423840000062
所述收益目标函数为能源组合的能源收益在预测时域终端时刻的期望的最大值。上式中，E[W(k+m)]是能源组合的能源收益在预测时域终端k+m 时刻的期望，具体表示为：
Figure BDA0003607423840000071
其中，W(k)是当前k时刻的收益，RT(k)是在k时刻的能源出力投资收益回报比，U(k)是在k时刻能源各能源出力投资占比，c是各能源成本比,
Figure BDA0003607423840000072
是能源参与碳排放交易的收益，i为常数，表示预测时域中第i个时刻， m为常数，表示预测时域中第m个时刻。
所述风险目标函数为能源组合的能源收益在预测时域终端时刻的方差的最小值。上式中，Var[E[W(k+m)]]是能源组合的能源收益在预测时域终端k+m时刻的方差，代表着投资的风险，具体表示为：
Figure BDA0003607423840000073
其中，UT(k+i)是在k+i时刻的各能源投资出力，
Figure BDA0003607423840000074
是各能源投资出力收益回报的条件协方差，
Figure BDA0003607423840000075
是在k+i时刻的能源出力投资收益回报比，
Figure BDA0003607423840000076
是在k+j时刻的能源出力投资收益回报比。
进一步的，为保证电热气组合系统的安全可靠运行，需要考虑满足上述目标函数的约束条件。对设置目标函数后的能源组合模型设置系统运行约束条件，所述满足目标函数的约束条件包括能源组合收益约束、能量供需平衡约束、风力涡轮机约束、太阳能热电联产系统约束、热电联产机组约束、电热锅炉约束、储热约束、储电约束、电转气运行约束。
(1)所述能源组合收益约束为：
Figure BDA0003607423840000077
(2)所述能量供需平衡约束包括电力平衡约束、热力平衡约束和气网平衡约束，具体为：
PWP(k)+PSP(k)+PCHP(k)＝LE(k)+PBT(k)
QSP(k)+QCHP(k)+QEB(k)＝LQ(k)+QHT(k)
VP2G(k)+VNG(k)＝LV(k)
其中，PWP(k)是风力涡轮机在k时刻的发电出力，PSP(k)是太阳能热电联产机组在k时刻的发电出力，PCHP(k)是热电联产机组在k时刻的发电出力， PBT(k)是储电系统在k时刻的储电效率，QSP(k)是太阳能热电联产机组在k 时刻的热出力，QCHP(k)是热电联产机组在k时刻的热出力，QEB(k)是电热锅炉在k时刻的热出力，QHT(k)是储热系统在k时刻的热出力，VP2G(k)是电转气的天然气供量，VNG(k)是电热网系统在k时刻从公共时刻所购的天然气，LE(k)、LQ(k)、LV(k)是电热气网在k时刻的电、热、气的负载需求。
(3)所述的风力涡轮机约束包括风力涡轮机出力约束、风力涡轮机爬坡约束，风力涡轮机约束为：
PWP,min(k)≤PWP(k)≤PWP,max(k)
KWP(k)ΔPWP,min(k)≤PWP(k)-PWP(k-1)≤KWP(k)ΔPWP,max(k)
其中，PWP,min(k)、PWP,max(k)、ΔPWP,min(k)、ΔPWP,max(k)分别是风力涡轮机运行功率上下限和爬坡功率上下限；KWP(k)是0-1的变量，标志k时刻风力涡轮机的启停状态。
(4)所述的太阳能热电联产约束包括太阳能热电联产系统出力约束、太阳能热电联产系统爬坡约束、太阳能热电联产系统启停约束，太阳能热电联产约束为：
PSP,min(k)≤PSP(k)≤PSP,max(k)
KSP(k)ΔPSP,min(k)≤PSP(k)-PSP(k-1)≤KSP(k)ΔPSP,max(k)
PSP＝HSP·ηSP
QSP＝HSP·(1-ηSP-ηSPloss)
其中:PSP、QSP分别是太阳能热电联产输出电功率和输出热功率；ηSP是太阳能热电联产机组发电效率，ηSPloss是太阳能热电联产机组的能量损耗率， HSP是太阳能热电联产机组的能量输出；PSP,min(k)、PSP,max(k)、、ΔPSP,min(k)、ΔPSP,max(k)分别是太阳能热电联产机组运行功率上下限和爬坡功率上下限； KSP(k)是0-1的变量，标志k时刻太阳能热电联产机组的启停状态。
(5)所述的热电联产机组约束包括热电联产机组出力约束、热电联产机组爬坡约束、热电联产机组启停约束，热电联产机组约束为：
PCHP＝VCHP·HCHP·ηCHP
QCHP＝VCHP·HCHP·(1-ηCHP-ηCHPloss)
其中:PCHP、QCHP分别是热电联产输出电功率和输出热功率；ηCHP是热电联产机组发电效率，ηCHPloss是热电联产机组的能量损耗率，VCHP是热电联产机组的天然气耗量，HCHP是天然气热值。
PCHP,min(k)≤PCHP(k)≤PCHP,max(k)
KCHP(k)ΔPCHP,min(k)≤PCHP(k)-PCHP(k-1)≤KCHP(k)ΔPCHP,max(k)
其中:PCHP,min(k)、PCHP,max(k)、ΔPCHP,min(k)、ΔPCHP,max(k)分别是热电联产机组运行功率上下限和爬坡功率上下限；KCHP(k)是0-1的变量，标志k时刻热电联产机组的启停状态。
(6)所述的电热锅炉约束为：
QEB(k)＝ηEB(1-μloss)PEB(k)
其中：QEB(k)是电热锅炉在k时刻的热功率，PEB(k)是电热锅炉在k时刻消耗的电功率，ηEB是电热锅炉在能源转换功率，μloss表示电热锅炉的热损效率。
PEB,min(k)≤PEB(k)≤PEB,max(k)
KEB(k)ΔPEB,min(k)≤PEB(k)-PEB(k-1)≤KEB(k)ΔPEB,max(k)
其中，PEB,min(k)、PEB,max(k)、ΔPEB,min(k)、ΔPEB,max(k)分别是电热锅炉运行功率上下限和爬坡功率上下限；KEB(k)是0-1的变量，标志k时刻电热锅炉的启停状态。
(7)所述的储热约束为：
QHTc,min(k)≤QHTc(k)≤QBTc,max(k)
QHTdc,min(k)≤QHTdc(k)≤QHTdc,max(k)
QSBT,min(k)≤QSBT(k)≤QSBT,max(k)
其中：QHTc,min(k)、QHTc,max(k)、QHTdc,min(k)、QHTdc,max(k)分别是储热充放功率的下限值和上限值，QSBT,max(k)、QSBT,min(k)分别表示储热系统的容量上下限。
(8)所述的储电约束为：
PBTc,min(k)≤PBTc(k)≤PBTc,max(k)
PBTdc,min(k)≤PBTdc(k)≤PBTdc,max(k)
SBT,min(k)≤SBT(k)≤SBT,max(k)
其中：PBTc,min(k)、PBTc,max(k)、PBTdc,min(k)、PBTdc,max(k)分别是储电充放电功率的下限值和上限值，SBT,max(k)、SBT,min(k)分别表示储电系统的容量上下限。
(9)所述的电转气运行约束为：
Figure BDA0003607423840000101
其中：QP2G是电转气的天然气流量，PP2G是电转气机组消耗的电功率，μP2G是电转气机组的能源转化效率，HHV为天然气低热值。
PP2G,min(k)≤PP2G(k)≤PP2G,max(k)
KP2G(k)ΔPP2G,min(k)≤PP2G(k)-PP2G(k-1)≤KP2G(k)ΔPP2G,max(k)
其中，PP2G,min(k)、PP2G,max(k)、ΔPP2G,min(k)、ΔPP2G,max(k)分别是电转气机组运行功率上下限和爬坡功率上下限；KP2G(k)是0-1的变量，标志k时刻电转气机组的启停状态。
最后，基于预测算法对分布式可再生能源的出力调度回报进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的出力调度回报，计算该出力调度回报的期望和方差，基于多目标遗传算法求解能源组合模型的最优调度，输出最优调度参考值。
如图2所示，获取分布式可再生能源的出力情况，基于预测模型对分布式可再生能源出力和调度产生的出力回报(即收益)进行滚动预测。在本实施例中，根据当前的能源出力情况，基于模型预测控制算法求解预测时域内不同时刻的能源收益情况，具体为：
Figure BDA0003607423840000111
根据利用滚动预测获得的预测时域终端时刻的出力调度回报，即预测时域终端时刻的收益，计算该收益的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。
如图3所示，所述基于多目标遗传算法求解多能源投资组合模型的最优调度，具体包括以下步骤：
对于预测范围内的每个时刻，根据均分分布随机生成一组能源出力情况不同的能源组合，将每个能源组合看做个体，根据个体之间的支配关系和拥挤度，选择出父代种群，通过选择操作、交叉操作和变异操作得到子代种群；
将父代种群与所得到的子代种群合并，进行个体之间的快速非支配排序，根据个体之间的支配关系和拥挤度，选取多个个体组成新的父代种群；
若新的父代种群的代数小于设定的最大代数，则通过遗传算法的选择操作、交叉操作和变异操作再次产生新的子代种群，重复上述合并及选取种群的操作；否则，输出该父代种群，作为多目标优化问题在下一预测时域的帕累托前沿。
上述遗传算法中，所述交叉操作是指随机对两个个体中的两个随机选取的位置点进行基因交换；所述变异操作是指对一个个体中随机选取的两个基因进行交换。
具体的，所述遗传算法采用非支配排序遗传算法，对于预测范围内的每个时刻，根据均分分布随机生成一组能源出力情况的能源组合。
首先，对于每个时刻，随机生成的多个能源组合看做种群，将每个能源组合看做种群中的个体，对随机生成的种群进行非支配排序。如在k时刻，生成k1、k2......kn共n种不同出力情况的能源组合，构成种群。
所述非支配排序是指，根据种群中个体的支配关系，将种群的个体进行分层处理。具体步骤如下：
通过非支配排序算法对规模为n的种群进行分层，具体步骤如下：
(1)设a＝1；
(2)对于所有的b＝1,2.......n，且a≠b，按照以上定义，比较个体ka和个体kb之间的支配与非支配关系；
(3)如果不存在任何一个个体kb优于ka，则ka标记为非支配个体；
(4)使a＝a+1，转到步骤(2)，继续对其他个体进行支配与非支配关系的标记，以此类推，直到找到所有的非支配个体。
通过上述步骤得到的非支配个体集是种群的第一层非支配层，然后，忽略这些已经标记的非支配个体，即这些个体不再进行下一轮比较，再遵循上述步骤(1)～(4)，得到第二层非支配层。依此类推，直到整个种群被分层。
通过上述NSGA-II的非支配排序算法，进一步降低了计算的复杂度。
根据个体之间的支配关系和拥挤距离，选择出包含N个个体的父代种群，N为常数，可根据具体情况自行设定，每个预测时刻均产生一个父代种群，同时，对该父代种群进行选择操作、交叉操作和变异操作得到每个时刻的第一子代种群。
所述根据个体之间的支配关系和拥挤距离，选择出父代种群，具体是指，首先选择非支配层数小(即第一层非支配层)的个体，若该选择的个体不足N个，则选择下一支配层(即第二层非支配层)中拥挤距离大的个体，以此类推，直至选出N个个体作为父代种群。
所述拥挤度的计算公式为：
Figure BDA0003607423840000131
其中，dj是表示种群中第j个个体的拥挤距离，j+1和j-1是表示个体j 沿着j所在的帕累托前沿的两边邻近的两个个体，fk j+1和fk j-1分别是第j+1和第j-1个个体的第k个目标函数值。
然后，从第二代开始，将当前时刻的父代种群和第一子代种群进行合并，之后再一次进行快速非支配排序，同时，对每个非支配层中的个体进行拥挤距离计算。由于对种群进行了合并处理，此时的种群中个体数为原来的两倍，所以需要根据非支配关系以及个体的拥挤距离选取合适的个体组成新的父代种群，此时，选取组成新父代种群的个体的数量与上一代种群中个体的数量相同，而选取的具体过程为，首先选择非支配层数小(即第一层非支配层)的个体，如果非支配层数跨界，则优先选择该非支配层 (即第二层非支配层)中拥挤距离大的个体。
所述非支配层数跨界是指，当种群合并后，可能存在一个非支配层会在选择个体数量的边界上。
通过遗传算法的基本操作产生新的子代种群，以此循环，直至新的父代种群的种群代数不小于设定的最大代数，则输出该父代种群，此时输出的父代种群即是多目标优化问题在下一个预测时域的帕累托前沿，即优化得到的能源优化调度的解集。
在本实施例中，所述输出最优调度参考值是指，基于求解的最优调度问题的帕累托前沿，将帕累托前沿的最优点作为最优调度参考值输出。
其中，同时考虑收益和收益带来的风险，根据实际情况从帕累托前沿中选取符合当前需求的帕累托前沿最优点，作为最优资源调度组合输出。
实施例2
本实施例的目的是提供一种基于模型预测控制的多目标能源组合优化调度系统，包括：
多能源组合模型构建模块，用于建立电热气组合模型；
目标函数和约束条件构建模块，用于根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件；
最优调度求解模块，用于基于预测算法对分布式可再生能源调度结果进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的结果，计算该预测结果的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。
以上实施例2中涉及的各步骤与方法实施例1相对应，具体实施方式可参见实施例1的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于模型预测控制的多目标能源组合优化调度方法，其特征在于，包括以下步骤：
建立电热气组合模型；
根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件；
基于预测算法对分布式可再生能源的出力调度回报进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的出力调度回报，计算该出力调度回报的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。
2.如权利要求1所述的基于模型预测控制的多目标能源组合优化调度方法，其特征在于，所述目标函数包括收益目标函数和风险目标函数；所述收益目标函数为多能源组合模型的能源收益在预测时域终端时刻的期望的最大值；所述风险目标函数为多能源组合模型的能源收益在预测时域终端时刻的方差的最小值。
3.如权利要求1所述的基于模型预测控制的多目标能源组合优化调度方法，其特征在于，所述约束条件包括能源组合收益约束、能量供需平衡约束、风力涡轮机约束、太阳能热电联产系统约束、热电联产机组约束、电热锅炉约束、储热约束、储电约束、电转气运行约束。
4.如权利要求3所述的基于模型预测控制的多目标能源组合优化调度方法，其特征在于，所述能量供需平衡约束包括电力平衡约束、热力平衡约束和气网平衡约束，具体为：
PWP(k)+PSP(k)+PCHP(k)＝LE(k)+PBT(k)
QSP(k)+QCHP(k)+QEB(k)＝LQ(k)+QHT(k)
VP2G(k)+VNG(k)＝LV(k)
其中，PWP(k)是风力涡轮机在k时刻的发电出力，PSP(k)是太阳能热电联产机组在k时刻的发电出力，PCHP(k)是热电联产机组在k时刻的发电出力，PBT(k)是储电系统在k时刻的储电效率，QSP(k)是太阳能热电联产机组在k时刻的热出力，QCHP(k)是热电联产机组在k时刻的热出力，QEB(k)是电热锅炉在k时刻的热出力，QHT(k)是储热系统在k时刻的热出力，VP2G(k)是电转气的天然气供量，VNG(k)是电热网系统在k时刻从公共时刻所购的天然气，LE(k)、LQ(k)、LV(k)是电热气网在k时刻的电、热、气的负载需求。
5.如权利要求1所述的基于模型预测控制的多目标能源组合优化调度方法，其特征在于，所述基于预测算法对分布式可再生能源的出力调度回报进行滚动预测是指，根据当前的能源出力情况，基于模型预测控制算法求解预测时域内不同时刻的能源收益情况，具体为：
Figure FDA0003607423830000021
Figure FDA0003607423830000022
Figure FDA0003607423830000023
其中，W(k)是当前k时刻的收益，RT(k)是在k时刻的能源出力投资收益回报比，U(k)是在k时刻能源各能源出力投资占比，c是各能源成本比,
Figure FDA0003607423830000024
是能源参与碳排放交易的收益。
6.如权利要求1所述的基于模型预测控制的多目标能源组合优化调度方法，其特征在于，所述基于多目标遗传算法求解多能源组合模型的最优调度，具体包括以下步骤：
对于预测范围内的每个时刻，根据均分分布随机生成一组能源出力情况不同的能源组合，将每个能源组合看做个体，根据个体之间的支配关系和拥挤度，选择出父代种群，通过选择操作、交叉操作和变异操作得到子代种群；
将父代种群与所得到的子代种群合并，进行个体之间的快速非支配排序，根据个体之间的支配关系和拥挤度，选取多个个体组成新的父代种群；
若新的父代种群的代数小于设定的最大代数，则通过遗传算法的选择操作、交叉操作和变异操作再次产生新的子代种群，重复上述合并及选取种群的操作；否则，输出该父代种群，作为多目标优化问题在下一预测时域的帕累托前沿。
7.如权利要求1所述的基于模型预测控制的多目标能源组合优化调度方法，其特征在于，所述输出最优调度参考值是指，基于求解的最优调度问题的帕累托前沿，将帕累托前沿的最优点作为最优调度参考值输出。
8.一种基于模型预测控制的多目标能源组合优化调度系统，其特征在于，包括：
多能源组合模型构建模块，用于建立电热气组合模型；
目标函数和约束条件构建模块，用于根据所述的电热气组合模型，构建多能源组合模型的目标函数和约束条件；
最优调度求解模块，用于基于预测算法对分布式可再生能源的出力调度回报进行滚动预测；根据利用滚动预测所获得的预测时域终端时刻的出力调度回报，计算该出力调度回报的期望和方差，基于多目标遗传算法求解多能源组合模型的最优调度，输出最优调度参考值。
9.如权利要求8所述的基于模型预测控制的多目标能源组合优化调度系统，其特征在于，所述目标函数包括收益目标函数和风险目标函数；所述收益目标函数为多能源组合模型的能源收益在预测时域终端时刻的期望的最大值；所述风险目标函数为多能源组合模型的能源收益在预测时域终端时刻的方差的最小值。
10.如权利要求8所述的基于模型预测控制的多目标能源组合优化调度系统，其特征在于，所述约束条件包括能源组合收益约束、能量供需平衡约束、风力涡轮机约束、太阳能热电联产系统约束、热电联产机组约束、电热锅炉约束、储热约束、储电约束、电转气运行约束。
CN202210420599.9A 2022-04-21 2022-04-21 基于模型预测控制的多目标能源组合优化调度方法及系统 Pending CN114943417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210420599.9A CN114943417A (zh) 2022-04-21 2022-04-21 基于模型预测控制的多目标能源组合优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210420599.9A CN114943417A (zh) 2022-04-21 2022-04-21 基于模型预测控制的多目标能源组合优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN114943417A true CN114943417A (zh) 2022-08-26

Family

ID=82906690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210420599.9A Pending CN114943417A (zh) 2022-04-21 2022-04-21 基于模型预测控制的多目标能源组合优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN114943417A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879749A (zh) * 2023-03-01 2023-03-31 中铁建设集团机电安装有限公司 一种能源系统的能源调度方法和系统
CN117151701A (zh) * 2023-10-31 2023-12-01 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117252043A (zh) * 2023-11-17 2023-12-19 山东大学 针对区域多能互补能源系统的多目标优化调度方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879749A (zh) * 2023-03-01 2023-03-31 中铁建设集团机电安装有限公司 一种能源系统的能源调度方法和系统
CN117151701A (zh) * 2023-10-31 2023-12-01 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117151701B (zh) * 2023-10-31 2024-02-09 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117252043A (zh) * 2023-11-17 2023-12-19 山东大学 针对区域多能互补能源系统的多目标优化调度方法及装置
CN117252043B (zh) * 2023-11-17 2024-04-09 山东大学 针对区域多能互补能源系统的多目标优化调度方法及装置

Similar Documents

Publication Publication Date Title
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN108173283B (zh) 一种含风光可再生能源的热电联供系统运行方法
Mandal et al. Optimal energy management of microgrids under environmental constraints using chaos enhanced differential evolution
CN114943417A (zh) 基于模型预测控制的多目标能源组合优化调度方法及系统
Niknam et al. Probabilistic energy management of a renewable microgrid with hydrogen storage using self-adaptive charge search algorithm
CN112508221A (zh) 一种有限储能下考虑源-荷不确定性的日前调度决策方法
KR20200081119A (ko) 다중 목적함수에 기반한 가상발전소 운영 시스템 및 그 운영 방법
CN114204550A (zh) 一种含多类型新能源的电力系统绿色调度方法
Niknam et al. Probabilistic model of polymer exchange fuel cell power plants for hydrogen, thermal and electrical energy management
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN115759610A (zh) 一种电力系统源网荷储协同的多目标规划方法及其应用
CN115954957A (zh) 一种复合发电系统的容量配置方法、装置和电子设备
CN115293457A (zh) 基于分布式协同优化策略的综合能源系统季节性氢储优化配置方法
Niknam et al. Probabilistic multiobjective operation management of microgrids with hydrogen storage and polymer exchange fuel cell power plants
CN113708418A (zh) 微电网优化调度方法
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
Ciupageanu et al. Design of a fuzzy logic controller for a remote power application
CN112052987A (zh) 一种计及风电的综合能源系统优化规划方法及系统
CN111967646A (zh) 一种虚拟电厂可再生能源优化配置方法
Wang et al. Day-ahead scheduling of integrated energy systems considering carbon emissions
Wenyue et al. Optimal scheduling strategy for virtual power plant considering voltage control
Abdulnasser et al. Optimal resource allocation and operation for smart energy hubs considering hydrogen storage systems and electric vehicles
Shekhar et al. Automatic generation control of a hybrid power system in deregulated environment utilizing GA, DE and CA tuned PID controller
CN113054685B (zh) 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination