CN114971071A - 计及风光接入和电热混合储能的园区综合能源系统时序规划方法 - Google Patents

计及风光接入和电热混合储能的园区综合能源系统时序规划方法 Download PDF

Info

Publication number
CN114971071A
CN114971071A CN202210713532.4A CN202210713532A CN114971071A CN 114971071 A CN114971071 A CN 114971071A CN 202210713532 A CN202210713532 A CN 202210713532A CN 114971071 A CN114971071 A CN 114971071A
Authority
CN
China
Prior art keywords
formula
model
energy storage
power
time sequence
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
CN202210713532.4A
Other languages
English (en)
Inventor
孙磊
晋旭东
丁江
华玉婷
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.)
Hefei University of Technology
Institute of Energy of Hefei Comprehensive National Science Center
Original Assignee
Hefei University of Technology
Institute of Energy of Hefei Comprehensive National Science Center
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 Hefei University of Technology, Institute of Energy of Hefei Comprehensive National Science Center filed Critical Hefei University of Technology
Priority to CN202210713532.4A priority Critical patent/CN114971071A/zh
Publication of CN114971071A publication Critical patent/CN114971071A/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
    • G06Q10/04—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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

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

Abstract

本发明公开了一种计及风光接入和电热混合储能的园区综合能源系统时序规划方法，包括：1建立基于机会约束的风光不确定性模型；2建立含电储能和热储能的混合储能模型；3建立两阶段P2G模型和以用户负荷波动方差与系统碳排放加权和最小为优化目标的园区综合能源系统调度优化模型；4构建计及风光接入和电热混合储能的园区综合能源系统时序规划模型，并在时序规划模型中考虑综合能源系统的运行调度策略，采用改进的遗传算法求解所提出的规划模型，获取园区综合能源系统的最优设备配置和建设时序规划方案。本发明在满足用户需求和考虑可再生能源波动的情况下保证系统安全稳定运行，并在此基础上提供综合能源系统时序规划方案。

Description

计及风光接入和电热混合储能的园区综合能源系统时序规划 方法
技术领域
本发明属于综合能源系统规划领域，特别涉及一种计及风光接入和电热混合储能的园区综合能源系统时序规划方法；
背景技术
随着能源技术进一步的发展，冷热电气等多种能源耦合的综合能源系统(integrated energy system，IES)得到了深入研究和广泛应用，风电光伏的波动性、间歇性和随机性给含可再生能源的综合能源系统运行带来了许多不确定性因素，给系统的安全运行带来了巨大挑战。传统的规划方案在初期就完成系统的投资建设，不能很好地优化资源配置，出现运营前期设备冗余配置，资源浪费，运营后期可能出现设备老化以至不能满足负荷的用能需求等诸多问题。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出了一种计及风光接入和电热混合储能的园区综合能源系统时序规划方法，以期能在适应可再生能源波动的基础上稳定供应负荷和降低碳排放，从而能提高系统运行的安全性和环保性，为满足负荷增长需求、避免园区设备的冗余，在规划建设时充分考虑其建设的时序性。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种计及风光接入和电热混合储能的园区综合能源系统时序规划方法的特点在于，是按如下步骤进行：
步骤一、建立基于机会约束的不确定性风光出力模型：
步骤1.1、利用式(1)定义风光出力约束：
Pr{(Pt WTact+Pt PVact)≥(Pt WT+Pt PV)}≥cu (1)
式(1)中，Pt Wact和Pt PVact分别为t时段风电和光伏的实际发出功率；Pt WT和Pt PV为t时段系统中风电和光伏的调度出力；Pr{·}为某一事件发生的概率；cu为置信度；
步骤1.2、利用式(2)-式(4)拟合风电和光伏的风光出力误差：
Figure BDA0003707863380000011
F(x)＝[1+e-α(x-γ)]-β (3)
Figure BDA0003707863380000012
式(2)-式(4)中，x为风光出力误差；f(x)为x的概率密度函数；F(x)为x的累积分布函数；α、β和γ为VPD分布的形状参数；F-1(cu)为置信度cu下VPD拟合的风光出力误差；
步骤1.3、利用式(5)建立确定性约束：
(Pt WTact+Pt PVact)-(Pt WT+Pt PV)≥F-1(cu) (5)
步骤二、建立电热混合储能模型和两阶段P2G模型：
步骤2.1、利用式(6)-式(11)建立电储能模型：
Figure BDA0003707863380000021
μES,minMES≤St ES≤μES,maxMES (7)
Figure BDA0003707863380000022
Figure BDA0003707863380000023
Figure BDA0003707863380000024
Figure BDA0003707863380000025
式(6)-式(11)中，
Figure BDA0003707863380000026
为t时段电储能剩余电量；μES,loss为电储能自损系数；μES,sto和μES,rel分别为电储能充电效率和放电效率；Pt ES,sto和Pt ES,rel分别为t时段电储能充电功率和放电功率；MES为电储能容量；μES,min和μES,max分别为剩余储电量占总容量的下限比例和上限比例；
Figure BDA0003707863380000027
为电储能初始剩余电量；T为调度周期；
Figure BDA0003707863380000028
和
Figure BDA0003707863380000029
是布尔变量，分别表示电储能处于充电状态和处于放电状态；
步骤2.2、利用式(12)-式(13)建立热储能模型：
Figure BDA00037078633800000210
Figure BDA00037078633800000211
式(12)-式(13)中，
Figure BDA00037078633800000212
为t时段热储能释放或吸收的热量；
Figure BDA00037078633800000213
和
Figure BDA00037078633800000214
分别为单位调度时间内释放热量的上限和吸收热量的上限；
步骤2.3、利用式(14)建立两阶段P2G模型：
Figure BDA00037078633800000215
式(14)中，
Figure BDA00037078633800000216
为t时段电解槽消耗的电量；ηEL为电解槽效率；
Figure BDA00037078633800000217
为电解槽提供氢燃料电池用于发电的氢气能量；
Figure BDA0003707863380000031
为电解槽提供氢燃料电池用于产热的氢气能量；
Figure BDA0003707863380000032
为t时段电解槽提供给甲烷反应器的能量；
步骤三、建立园区综合能源系统的日前调度优化模型，考虑系统设备运行约束，并以用户负荷波动方差与系统碳排放加权和最小为目标函数：
步骤3.1、利用式(15)-式(17)计算运行模型的目标函数：
min Cop＝ω1C1+ω2C2 (15)
Figure BDA0003707863380000033
Figure BDA0003707863380000034
式(15)-式(17)中，Cop为加权和；C1为用户负荷波动方差；C2为向上级能源网络申领电力和天然气产生的碳排放；ω1和ω2为C1和C2的权重；
Figure BDA0003707863380000035
和
Figure BDA0003707863380000036
为t时段用户电负荷需求、热负荷需求和冷负荷需求；βelc为单位电量产生的碳排放；βgas为单位天然气产生的碳排量；
步骤3.2、利用式(18)-式(21)定义能量平衡约束：
Figure BDA0003707863380000037
Figure BDA0003707863380000038
Figure BDA0003707863380000039
Figure BDA00037078633800000310
式(18)-式(21)中，
Figure BDA00037078633800000311
为t时段向上级能源网络申领的电量；ηT为变压器效率；
Figure BDA00037078633800000312
为t时段冷热电联产设备用于发电的天然气能量；ηCCHPelc为冷热电联产设备的发电效率；
Figure BDA00037078633800000313
为t时段电热泵消耗的电量；
Figure BDA00037078633800000314
为t时段空调消耗的电量；ηHFCelc为氢燃料电池的发电效率；
Figure BDA00037078633800000315
为t时段向上级能源网络申领的天然气量；ηMR为甲烷反应器的效率；
Figure BDA00037078633800000316
为t时段冷热电联产设备用于产热的天然气能量；
Figure BDA00037078633800000317
为t时段冷热电联产设备用于产冷的天然气能量；ηCCHPheat为冷热电联产设备的产热效率；ηEHP为电热泵的效率；
Figure BDA00037078633800000318
为氢燃料电池的产热效率；ηCCHPcool为冷热电联产设备的产冷效率；ηAC为空调的制冷效率；
步骤3.3、利用式(22)-式(27)定义设备运行约束：
Figure BDA0003707863380000041
Figure BDA0003707863380000042
Figure BDA0003707863380000043
Figure BDA0003707863380000044
Figure BDA0003707863380000045
Figure BDA0003707863380000046
式(23)-式(24)中，
Figure BDA0003707863380000047
和
Figure BDA0003707863380000048
分别为冷热电联产设备热电比的下限和上限；
Figure BDA0003707863380000049
和
Figure BDA00037078633800000410
为分别冷热电联产设备冷电比的下限和上限；
步骤四、构建计及风光接入和电热混合储能的园区综合能源系统时序规划模型：
步骤4.1、利用式(28)-式(31)构建园区综合能源系统时序规划模型的目标函数：
Figure BDA00037078633800000411
Figure BDA00037078633800000412
Figure BDA00037078633800000413
Figure BDA00037078633800000414
式(28)-式(31)中，ΩY为规划的年集合；ΩD为规划的设备集合；
Figure BDA00037078633800000415
为第d类设备的集合；Cinvest为建设耗材；Cy为第y年的运行耗材；rCR为回收系数；γrate为贴现率；
Figure BDA00037078633800000416
为第y年第d类设备第c种型号的建设耗材；xy,c,d为布尔变量，表示第y年是否选择第d类设备第c种型号；Cop为第y年每日的用户负荷波动方差与系统碳排放的加权和；n为一年的天数；
步骤4.2、利用式(32)定义设备的选型约束：
Figure BDA00037078633800000417
式(32)表示第y年对于任意d类设备，选择的型号不超过1种；
步骤4.3、利用式(33)定义负荷约束：
Figure BDA0003707863380000051
式(33)中，
Figure BDA0003707863380000052
为负荷年增长率；P0为当前年的负荷值；Py为第y年的负荷值；
步骤4.4、定义系统运行相关约束为：在第y年满足如式(1)-式(14)，式(18)-式(27)的系统运行约束；
步骤五、采用改进的遗传算法求解园区综合能源系统时序规划模型：
步骤5.1、输入初始参数，包括：种群个体数量μ，交叉概率Pc，变异概率Pm，最大迭代次数λ；
步骤5.2、生成μ个初始样本并构建群体集合P＝{n1,n2,n3,…nk,…nμ}，其中，nk为第k个个体在ΩY的时序下从ΩD中选择不同设备构成的设备时序规划方案；并有：
Figure BDA0003707863380000053
其中，nyp,dq表示在第y年对第d类型的设备容量选择方案；
根据设备容量时序规划方案，更新第y年的负荷需求，以式(28)所示的目标函数作为个体适应度h(nk)，初始化空集P′；
步骤5.3、生成一个0到1间的随机数r，如果r＞Pc，则转至步骤5.4，否则，从群体集合P中按照适应度大小作为选择概率，抽取个体nx和ny进行交叉运算后得到新的个体nz，并计算nz的适应度h(nz)，然后转至步骤5.5；
步骤5.4、随机选取一个个体nx，并根据变异概率Pm对个体nx进行变异运算后得到新的个体nz，计算nz的适应度h(nz)；
步骤5.5、将新个体nz添加进入集合P′，用P∪P′更新原群体集合P后，计算群体集合P中适应度值最高的个体并作为当前最优个体；
步骤5.6、返回步骤5.3-步骤5.5进行迭代，直到当前迭代运算次数超出λ时为止；从而得到最终最优个体并作为最优时序规划方案。
与现有技术相比，本发明的有益效果在于：
本发明考虑风光不确定性和电热混合储能在可再生能源波动情况下稳定供应系统负荷和降低系统碳排，在考虑建设时序的基础上提供综合能源系统时序规划方案，实现综合能源系统高效运行，增强可再生能源的消纳能力，提高了综合能源系统的安全性和可靠性，具体是说：
1)考虑了风光出力的不确定性，保证了系统的安全可靠运行；
2)分别建立了电热混合储能模型和两阶段P2G模型，通过储能装置平抑可再生能源波动，通过两阶段P2G模型提高了电转气过程的灵活性；
3)建立了园区综合能源系统日前调度优化模型，以最小化用户负荷波动方差与系统碳排放加权和为目标函数，提高了用户系统用户满意度并降低系统碳排放；
4)采用改进的遗传算法求解设备容量时序规划模型，针对每次抽样结果调用园区综合能源系统日前调度优化模型，在规划方案中考虑系统的运行约束，提高了规划方案的准确性并实现高效求解；
附图说明
图1为园区综合能源系统示意图；
图2为本发明方法的流程图。
具体实施方式
本实施例中，如图1所示的一种园区综合能源系统，系统通过向上级能源网络申领电能和天然气，并配有风电场和光伏站消纳可再生能源，天然气通过冷热电联产CCHP设备为系统用户供应冷热电负荷，电能可通过P2G设备转化为天然气，还可通过中央空调供应冷负荷，系统可以通过电热混合储能实时调控。P2G设备可被进一步划分为电解槽，甲烷反应器和氢燃料电池；其中电解槽通过消耗电能电解水产生氢气，一部分氢气进入甲烷反应气制备甲烷作为燃料，剩余氢气供应氢燃料电池。
本实施例中，一种计及风光接入和电热混合储能的园区综合能源系统时序规划方法的主要步骤包括：根据风电光伏的历史数据拟合风光预测误差并将机会约束转坏为确定性约束；建立了电热混合储能和两阶段P2G运行模型；在风光接入和电热混合储能的基础上计及向用户负荷波动方差和系统碳排量作为目标函数建立系统运行模型；在运行模型的基础上以投资和运行耗材和最小并考虑建设时序建立系统时序规划模型；通过改进的遗传算法进行迭代求解，获取园区综合能源系统最优的设备容量时序规划方案；具体的说，是按如下步骤进行：
步骤一、建立基于机会约束的不确定性风光出力模型：
步骤1.1、利用式(1)定义风光出力约束：
Pr{(Pt WTact+Pt PVact)≥(Pt WT+Pt PV)}≥cu (1)
式(1)表示风电和光伏实际发出功率超过系统风电功率和光伏功率的调度出力的概率不小于cu；
式(1)中，Pt Wact和Pt PVact为t时段风电和光伏实际发出功率；Pt WT和Pt PV为t时段系统风电和光伏的调度出力；Pr{·}为某一事件发生的概率；cu为置信度；
步骤1.2、利用式(2)-式(4)拟合风电和光伏的风光出力误差：
Figure BDA0003707863380000071
F(x)＝[1+e-α(x-γ)]-β (3)
Figure BDA0003707863380000072
式(2)为VPD分布的概率密度函数；式(3)为VPD分布的累积分布函数；式(4)为VPD分布累积计分布函数的反函数；
式(2)-式(4)中x为风光出力误差；f(x)为x的概率密度函数；F(x)为x的累积分布函数；α、β和γ为VPD分布的形状参数；F-1(cu)为置信度cu下VPD拟合的风光出力误差；
步骤1.3、利用式(5)将机会约束转化为确定性约束：
(Pt WTact+Pt PVact)-(Pt WT+Pt PV)≥F-1(cu) (5)
式(5)表示风电和光伏实际发出功率超过系统风电功率和光伏功率的调度出力的概率不小于cu；
步骤二、建立电热混合储能模型和两阶段P2G模型：
步骤2.1、利用式(6)-式(11)建立电储能模型：
Figure BDA0003707863380000073
Figure BDA0003707863380000074
Figure BDA0003707863380000075
Figure BDA0003707863380000076
Figure BDA0003707863380000077
Figure BDA0003707863380000078
式(6)表示t时段电储能剩余电量等于t-1时段电储能剩余电量加上t时段的充电量并减去t时段的放电量和自损量；式(7)为电储能的剩余电量约束；式(8)表示经过一个调度周期T电储能剩余电量不变；式(9)为电储能的充电功率上限约束；式(10)为电储能的放电功率上限约束；式(11)表示电储能不能同时进行充电和放电；
式(6)-式(11)中，
Figure BDA0003707863380000081
为t时段电储能剩余电量；μES,loss为电储能自损系数；μES,sto和μES,rel为电储能充电效率和放电效率；Pt ES,sto和Pt ES,rel为t时段电储能充电功率和放电功率；MES为电储能容量；μES,min和μES,max为剩余储电量占总容量的下限比例和上限比例；
Figure BDA0003707863380000082
为电储能初始剩余电量；T为调度周期；
Figure BDA0003707863380000083
和
Figure BDA0003707863380000084
是布尔变量，为处于充电状态和处于放电状态；
步骤2.2、利用式(12)-式(13)建立热储能模型：
Figure BDA0003707863380000085
Figure BDA0003707863380000086
式(12)为热储能的剩余热量约束；式(13)表示经过一个调度周期T热储能剩余电量不变；
式(12)-式(13)中，
Figure BDA0003707863380000087
为t时段热储能释放或吸收的热量；
Figure BDA0003707863380000088
和
Figure BDA0003707863380000089
为单位调度时间内释放热量的上限和吸收热量的上限；
步骤2.3、利用式(14)建立两阶段P2G模型：
Figure BDA00037078633800000810
式(14)表示电解槽产生的氢能用于供氢燃料电池的产电产热和甲烷反应器合成甲烷；
式(14)中，
Figure BDA00037078633800000811
为t时段电解槽消耗的电量；ηEL为电解槽效率；
Figure BDA00037078633800000812
为电解槽提供氢燃料电池用于发电的氢气能量；
Figure BDA00037078633800000813
电解槽提供氢燃料电池用于产热的氢气能量；
Figure BDA00037078633800000814
为t时段电解槽提供给甲烷反应器的能量；
步骤三、建立园区综合能源系统日前调度优化模型，考虑系统设备运行约束，并以用户负荷波动方差与系统碳排放加权和最小为目标函数：
步骤3.1、利用式(15)-式(17)计算运行模型的目标函数：
min C＝ω1C1+ω2C2 (15)
Figure BDA00037078633800000815
Figure BDA00037078633800000816
式(15)为系统运行模型的目标函数；式(16)为系统用户电热冷负荷波动方差；式(17)为系统的碳排放量；
式(15)-式(17)中，Cop为加权和；C1为用户负荷波动方差；C2为向上级能源网络申领电力和天然气产生的碳排放；ω1和ω2为C1和C2的权重；
Figure BDA0003707863380000091
和
Figure BDA0003707863380000092
为t时段用户电负荷需求、热负荷需求和冷负荷需求；βelc为单位电量产生的碳排放；βgas为单位天然气产生的碳排量；
步骤3.2、利用式(18)-式(21)定义能量平衡约束：
Figure BDA0003707863380000093
Figure BDA0003707863380000094
Figure BDA0003707863380000095
Figure BDA0003707863380000096
式(18)为系统的电能平衡约束；式(19)为系统的天然气平衡约束；式(20)为系统的热能平衡约束；式(21)为系统的冷能平衡约束；
式(18)-式(21)中，
Figure BDA0003707863380000097
为t时段向上级能源网络申领的电量；ηT为变压器效率；
Figure BDA0003707863380000098
为t时段冷热电联产设备用于发电的天然气能量；ηCCHPelc为冷热电联产设备的发电效率；
Figure BDA0003707863380000099
为t时段电热泵消耗的电量；
Figure BDA00037078633800000910
为t时段空调消耗的电量；ηHFCelc为氢燃料电池的发电效率；
Figure BDA00037078633800000911
为t时段向上级能源网络申领的天然气量；ηMR为甲烷反应器的效率；
Figure BDA00037078633800000912
为t时段冷热电联产设备用于产热的天然气能量；
Figure BDA00037078633800000913
为t时段冷热电联产设备用于产冷的天然气能量；ηCCHPheat为冷热电联产设备的产热效率；ηEHP为电热泵的效率；
Figure BDA00037078633800000914
为氢燃料电池的产热效率；ηCCHPcool为冷热电联产设备的产冷效率；ηAC为空调的制冷效率；
步骤3.3、利用式(22)-式(27)定义设备运行约束：
Figure BDA00037078633800000915
Figure BDA00037078633800000916
Figure BDA00037078633800000917
Figure BDA00037078633800000918
Figure BDA00037078633800000919
Figure BDA0003707863380000101
式(22)为冷热电联产设备的功率约束；式(23)为冷热电联产设备的产电产热运行约束；式(24)为冷热电联产设备的产电产冷运行约束；
式(23)-式(24)中，
Figure BDA0003707863380000102
和
Figure BDA0003707863380000103
为冷热电联产设备热电比的下限和上限；
Figure BDA0003707863380000104
和
Figure BDA0003707863380000105
为冷热电联产设备冷电比的下限和上限；
步骤四、构建计及风光接入和电热混合储能的园区综合能源系统时序规划模型：
步骤4.1、利用式(28)-式(31)构建园区综合能源系统时序规划模型的目标函数：
Figure BDA0003707863380000106
Figure BDA0003707863380000107
Figure BDA0003707863380000108
Figure BDA0003707863380000109
式(28)为系统规划模型的目标函数；式(29)是计算资本回收系数；式(30)是计算投资费用；式(31)是计算运行模型的目标函数；
式(28)-式(31)中，ΩY为规划的年集合；ΩD为规划的设备集合；
Figure BDA00037078633800001010
为第d类设备的集合；Cinvest为建设耗材；Cy为第y年的运行耗材；rCR为回收系数；γrate为贴现率；
Figure BDA00037078633800001011
为第y年第d类设备第c种型号的建设耗材；xy,c,d为布尔变量，表示第y年是否选择第d类设备第c种型号；Cop为第y年每日的用户负荷波动方差与系统碳排放的加权和；n为一年的天数；
步骤4.2、利用式(32)定义设备的选型类型约束：
Figure BDA00037078633800001012
式(32)表示第y年对于任意d类设备，选择的型号不超过1种；
步骤4.3、利用式(33)定义负荷约束：
Figure BDA00037078633800001013
式(33)为第y年负荷预测值的计算公式，其中
Figure BDA00037078633800001014
为负荷年增长率；P0为当前年的负荷值；Py为第y年的负荷值；
步骤4.4、定义系统运行相关约束：在第y年应满足的系统运行约束同步骤三中的式(1)-式(14)，式(18)-式(27)；
步骤五、采用改进的遗传算法求解园区综合能源系统时序规划模型：
步骤5.1、如图2所示，输入初始参数，包括：种群个体数量μ，交叉概率Pc，变异概率Pm，最大迭代次数λ；
步骤5.2、生成μ个初始样本并构建群体集合P＝{n1,n2,n3,…nk,…nμ}，其中nk为第k个个体在ΩY的时序下从ΩD中选择不同设备构成的时序规划方案，并有：
Figure BDA0003707863380000111
其中，nyp,dq表示在第y年对第d类型的设备容量选择方案；
根据设备容量时序规划方案，更新第y年的负荷需求，以式(28)所示的目标函数作为个体适应度h(nk)，初始化空集P′；
步骤5.3、生成一个0到1间的随机数r，如果r＞Pc，则转至步骤5.4，否则，从群体集合P中按照适应度大小作为选择概率，抽取个体nx和ny进行交叉运算后得到新的个体nz，并计算nz的适应度h(nz)，然后转至步骤5.5；
步骤5.4、随机选取一个个体nx，并根据变异概率Pm对个体nx进行变异运算后得到新的个体nz，计算nz的适应度h(nz)；
步骤5.5、将新个体nz添加进入集合P′，用P∪P′更新原群体集合P后，计算群体集合P中适应度值最高的个体并作为当前最优个体；
步骤5.6、返回步骤5.3-步骤5.5进行迭代，直到当前迭代运算次数超出λ时为止；从而得到最终最优个体并作为最优时序规划方案。

Claims (1)

1.一种计及风光接入和电热混合储能的园区综合能源系统时序规划方法，其特征在于，是按如下步骤进行：
步骤一、建立基于机会约束的不确定性风光出力模型：
步骤1.1、利用式(1)定义风光出力约束：
Pr{(Pt WTact+Pt PVact)≥(Pt WT+Pt PV)}≥cu (1)
式(1)中，Pt Wact和Pt PVact分别为t时段风电和光伏的实际发出功率；Pt WT和Pt PV为t时段系统中风电和光伏的调度出力；Pr{·}为某一事件发生的概率；cu为置信度；
步骤1.2、利用式(2)-式(4)拟合风电和光伏的风光出力误差：
Figure FDA0003707863370000011
F(x)＝[1+e-α(x-γ)]-β (3)
Figure FDA0003707863370000012
式(2)-式(4)中，x为风光出力误差；f(x)为x的概率密度函数；F(x)为x的累积分布函数；α、β和γ为VPD分布的形状参数；F-1(cu)为置信度cu下VPD拟合的风光出力误差；
步骤1.3、利用式(5)建立确定性约束：
(Pt WTact+Pt PVact)-(Pt WT+Pt PV)≥F-1(cu) (5)
步骤二、建立电热混合储能模型和两阶段P2G模型：
步骤2.1、利用式(6)-式(11)建立电储能模型：
Figure FDA0003707863370000013
Figure FDA0003707863370000014
Figure FDA0003707863370000015
Figure FDA0003707863370000016
Figure FDA0003707863370000017
Figure FDA0003707863370000018
式(6)-式(11)中，
Figure FDA0003707863370000019
为t时段电储能剩余电量；μES,loss为电储能自损系数；μES,sto和μES,rel分别为电储能充电效率和放电效率；Pt ES,sto和Pt ES,rel分别为t时段电储能充电功率和放电功率；MES为电储能容量；μES,min和μES,max分别为剩余储电量占总容量的下限比例和上限比例；
Figure FDA0003707863370000021
为电储能初始剩余电量；T为调度周期；
Figure FDA0003707863370000022
和
Figure FDA0003707863370000023
是布尔变量，分别表示电储能处于充电状态和处于放电状态；
步骤2.2、利用式(12)-式(13)建立热储能模型：
Figure FDA0003707863370000024
Figure FDA0003707863370000025
式(12)-式(13)中，
Figure FDA0003707863370000026
为t时段热储能释放或吸收的热量；
Figure FDA0003707863370000027
和
Figure FDA0003707863370000028
分别为单位调度时间内释放热量的上限和吸收热量的上限；
步骤2.3、利用式(14)建立两阶段P2G模型：
Figure FDA0003707863370000029
式(14)中，
Figure FDA00037078633700000210
为t时段电解槽消耗的电量；ηEL为电解槽效率；
Figure FDA00037078633700000211
为电解槽提供氢燃料电池用于发电的氢气能量；
Figure FDA00037078633700000212
为电解槽提供氢燃料电池用于产热的氢气能量；
Figure FDA00037078633700000213
为t时段电解槽提供给甲烷反应器的能量；
步骤三、建立园区综合能源系统的日前调度优化模型，考虑系统设备运行约束，并以用户负荷波动方差与系统碳排放加权和最小为目标函数：
步骤3.1、利用式(15)-式(17)计算运行模型的目标函数：
min Cop＝ω1C1+ω2C2 (15)
Figure FDA00037078633700000214
Figure FDA00037078633700000215
式(15)-式(17)中，Cop为加权和；C1为用户负荷波动方差；C2为向上级能源网络申领电力和天然气产生的碳排放；ω1和ω2为C1和C2的权重；
Figure FDA00037078633700000216
和
Figure FDA00037078633700000217
为t时段用户电负荷需求、热负荷需求和冷负荷需求；βelc为单位电量产生的碳排放；βgas为单位天然气产生的碳排量；
步骤3.2、利用式(18)-式(21)定义能量平衡约束：
Figure FDA0003707863370000031
Figure FDA0003707863370000032
Figure FDA0003707863370000033
Figure FDA0003707863370000034
式(18)-式(21)中，
Figure FDA0003707863370000035
为t时段向上级能源网络申领的电量；ηT为变压器效率；
Figure FDA0003707863370000036
为t时段冷热电联产设备用于发电的天然气能量；ηCCHPelc为冷热电联产设备的发电效率；
Figure FDA0003707863370000037
为t时段电热泵消耗的电量；
Figure FDA0003707863370000038
为t时段空调消耗的电量；ηHFCelc为氢燃料电池的发电效率；
Figure FDA0003707863370000039
为t时段向上级能源网络申领的天然气量；ηMR为甲烷反应器的效率；
Figure FDA00037078633700000310
为t时段冷热电联产设备用于产热的天然气能量；
Figure FDA00037078633700000311
为t时段冷热电联产设备用于产冷的天然气能量；ηCCHPheat为冷热电联产设备的产热效率；ηEHP为电热泵的效率；
Figure FDA00037078633700000312
为氢燃料电池的产热效率；ηCCHPcool为冷热电联产设备的产冷效率；ηAC为空调的制冷效率；
步骤3.3、利用式(22)-式(27)定义设备运行约束：
Figure FDA00037078633700000313
Figure FDA00037078633700000314
Figure FDA00037078633700000315
Figure FDA00037078633700000316
Figure FDA00037078633700000317
Figure FDA00037078633700000318
式(23)-式(24)中，
Figure FDA00037078633700000319
和
Figure FDA00037078633700000320
分别为冷热电联产设备热电比的下限和上限；
Figure FDA00037078633700000321
和
Figure FDA00037078633700000322
为分别冷热电联产设备冷电比的下限和上限；
步骤四、构建计及风光接入和电热混合储能的园区综合能源系统时序规划模型：
步骤4.1、利用式(28)-式(31)构建园区综合能源系统时序规划模型的目标函数：
Figure FDA00037078633700000323
Figure FDA00037078633700000324
Figure FDA0003707863370000041
Figure FDA0003707863370000042
式(28)-式(31)中，ΩY为规划的年集合；ΩD为规划的设备集合；
Figure FDA0003707863370000043
为第d类设备的集合；Cinvest为建设耗材；Cy为第y年的运行耗材；rCR为回收系数；γrate为贴现率；
Figure FDA0003707863370000044
为第y年第d类设备第c种型号的建设耗材；xy,c,d为布尔变量，表示第y年是否选择第d类设备第c种型号；Cop为第y年每日的用户负荷波动方差与系统碳排放的加权和；n为一年的天数；
步骤4.2、利用式(32)定义设备的选型约束：
Figure FDA0003707863370000045
式(32)表示第y年对于任意d类设备，选择的型号不超过1种；
步骤4.3、利用式(33)定义负荷约束：
Figure FDA0003707863370000046
式(33)中，
Figure FDA0003707863370000047
为负荷年增长率；P0为当前年的负荷值；Py为第y年的负荷值；
步骤4.4、定义系统运行相关约束为：在第y年满足如式(1)-式(14)，式(18)-式(27)的系统运行约束；
步骤五、采用改进的遗传算法求解园区综合能源系统时序规划模型：
步骤5.1、输入初始参数，包括：种群个体数量μ，交叉概率Pc，变异概率Pm，最大迭代次数λ；
步骤5.2、生成μ个初始样本并构建群体集合P＝{n1,n2,n3,…nk,…nμ}，其中，nk为第k个个体在ΩY的时序下从ΩD中选择不同设备构成的设备时序规划方案；并有：
Figure FDA0003707863370000048
其中，nyp,dq表示在第y年对第d类型的设备容量选择方案；
根据设备容量时序规划方案，更新第y年的负荷需求，以式(28)所示的目标函数作为个体适应度h(nk)，初始化空集P′；
步骤5.3、生成一个0到1间的随机数r，如果r＞Pc，则转至步骤5.4，否则，从群体集合P中按照适应度大小作为选择概率，抽取个体nx和ny进行交叉运算后得到新的个体nz，并计算nz的适应度h(nz)，然后转至步骤5.5；
步骤5.4、随机选取一个个体nx，并根据变异概率Pm对个体nx进行变异运算后得到新的个体nz，计算nz的适应度h(nz)；
步骤5.5、将新个体nz添加进入集合P′，用P∪P′更新原群体集合P后，计算群体集合P中适应度值最高的个体并作为当前最优个体；
步骤5.6、返回步骤5.3-步骤5.5进行迭代，直到当前迭代运算次数超出λ时为止；从而得到最终最优个体并作为最优时序规划方案。
CN202210713532.4A 2022-06-22 2022-06-22 计及风光接入和电热混合储能的园区综合能源系统时序规划方法 Pending CN114971071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210713532.4A CN114971071A (zh) 2022-06-22 2022-06-22 计及风光接入和电热混合储能的园区综合能源系统时序规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210713532.4A CN114971071A (zh) 2022-06-22 2022-06-22 计及风光接入和电热混合储能的园区综合能源系统时序规划方法

Publications (1)

Publication Number Publication Date
CN114971071A true CN114971071A (zh) 2022-08-30

Family

ID=82965095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210713532.4A Pending CN114971071A (zh) 2022-06-22 2022-06-22 计及风光接入和电热混合储能的园区综合能源系统时序规划方法

Country Status (1)

Country Link
CN (1) CN114971071A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563815A (zh) * 2022-11-11 2023-01-03 国网江苏省电力有限公司电力科学研究院 双高电力系统碳排放流时空演变模拟计算方法及装置
CN118263908A (zh) * 2024-05-31 2024-06-28 内蒙古中电储能技术有限公司 结合能量管理的储能效率提升方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563815A (zh) * 2022-11-11 2023-01-03 国网江苏省电力有限公司电力科学研究院 双高电力系统碳排放流时空演变模拟计算方法及装置
CN115563815B (zh) * 2022-11-11 2023-11-28 国网江苏省电力有限公司电力科学研究院 双高电力系统碳排放流时空演变模拟计算方法及装置
CN118263908A (zh) * 2024-05-31 2024-06-28 内蒙古中电储能技术有限公司 结合能量管理的储能效率提升方法及系统
CN118263908B (zh) * 2024-05-31 2024-08-13 内蒙古中电储能技术有限公司 结合能量管理的储能效率提升方法及系统

Similar Documents

Publication Publication Date Title
CN110009152B (zh) 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法
CN107633333B (zh) 柔性变电站区域电网的源-荷-储调度优化方法及系统
CN108875992B (zh) 一种考虑需求响应的虚拟电厂日前优化调度方法
Maleki et al. Comparative study of artificial intelligence techniques for sizing of a hydrogen-based stand-alone photovoltaic/wind hybrid system
CN114971071A (zh) 计及风光接入和电热混合储能的园区综合能源系统时序规划方法
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN112966444B (zh) 一种建筑多能源系统智慧能量优化方法及装置
CN112886645A (zh) 一种基于氢能超高比例的新能源电力系统运行模拟方法
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
CN115238503A (zh) 一种电-热-气-氢综合能源系统优化调度方法
CN115036914A (zh) 考虑灵活性与新能源消纳的电网储能双层优化方法及系统
CN117578449A (zh) 一种计及可再生能源不确定性的多能微能网优化调度方法
CN117318031A (zh) 一种基于ddpg的电-氢耦合系统优化调度方法和系统
CN112288130A (zh) 一种基于两阶段多目标优化的新能源消纳计算方法
CN116960970A (zh) 场景驱动的含电转气综合能源系统鲁棒优化调控方法
CN116345505A (zh) 一种具备预测供能的柔性供电与制氢电力系统
CN115189409A (zh) 电力系统生产模拟方法、装置、计算机设备及存储介质
Heo et al. Energy resource capacity optimization for zero-energy housing complex
Ma et al. Multi-Point Layout Planning of Multi-Energy Power Supplies Based on Time-series Production Simulation
CN112583053A (zh) 一种含分布式风电的微网能量优化调度方法
Wang et al. Capacity Optimization of Island Integrated Energy System Considering Hydrogen Energy Access
CN115640894B (zh) 一种基于双时间尺度的综合能源系统优化调度方法
Toughzaoui et al. System Sizing and Energy Management Optimization using a Hybrid Model
CN115238505B (zh) 基于风光场站的热电氢联供型系统优化配置方法及系统
Zhu et al. Research on Control Parameters of Hydrogen-Based Composite Microgrid Equipment Operation Based on Bi-level Composite Ant Colony Algorithm Strategy

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