CN115063003B - 基于多元负荷时序分析的综合能源系统分时段调度方法 - Google Patents

基于多元负荷时序分析的综合能源系统分时段调度方法 Download PDF

Info

Publication number
CN115063003B
CN115063003B CN202210762780.8A CN202210762780A CN115063003B CN 115063003 B CN115063003 B CN 115063003B CN 202210762780 A CN202210762780 A CN 202210762780A CN 115063003 B CN115063003 B CN 115063003B
Authority
CN
China
Prior art keywords
energy
time
scheduling
time sequence
phase space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210762780.8A
Other languages
English (en)
Other versions
CN115063003A (zh
Inventor
李鹏
王加浩
潘有朋
王子轩
殷云星
文淼
王刚
姜磊
侯赟艺
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202210762780.8A priority Critical patent/CN115063003B/zh
Publication of CN115063003A publication Critical patent/CN115063003A/zh
Application granted granted Critical
Publication of CN115063003B publication Critical patent/CN115063003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Primary Health Care (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)

Abstract

一种基于多元负荷时序分析的综合能源系统分时段调度方法：对综合能源系统的多元负荷出力规律进行分析；建立综合能源系统分时段优化调度模型，对所述综合能源系统分时段优化调度模型进行求解得到综合能源系统优化调度方案；所述的综合能源系统分时段优化调度模型，包括：以经济性为目标，建立综合能源系统分时段优化调度模型的目标函数；建立综合能源系统分时段优化调度模型的约束条件，所述约束条件包括能量平衡约束、设备运行约束、外网购能约束、调度模式约束。本发明可以充分考虑多类型能源设备的差异化响应速度和可调节次数限制，能够兼顾多元负荷特性与各能源设备调节性能，更有效的利用综合能源系统中的各类型能源设备。

Description

基于多元负荷时序分析的综合能源系统分时段调度方法
技术领域
本发明涉及一种综合能源系统调度方法。特别是涉及一种基于多元负荷时序分析的综合能源系统分时段调度方法。
背景技术
能源是人类生存和文明发展的重要物质基础。综合能源系统可充分发挥多类异质能源互补互济的综合优势，发展综合能源系统对建设清洁低碳、安全高效的现代能源体系有着重大意义。根据地理因素与能源发/输/配/用特性的不同，综合能源系统可分为跨区级、区域级、用户级(园区级)。其中，园区综合能源系统作为能源互联的“终端”，可通过协调各类能源设备，为园区内的用户提供可靠、经济的能源供应。
园区综合能源系统供需双侧的复杂不确定性要求能量转换设备具备波动性功率的响应能力。考虑到多类型能量设备的差异化响应速度和可调节次数限制，需要在优化调度模型中增加相应的约束限制。当前研究并未将各能源设备的调节性能与综合能源系统的多元负荷特性进行关联，在极端场景下可能导致设备的调节能力不足，或过量的备用造成资源的浪费。鉴于此，亟需设计一种考虑多元负荷特性与各能源设备调节性能的综合能源系统分时段优化调度方法。
发明内容
本发明所要解决的技术问题是，为了克服现有技术的不足，提供一种能够兼顾多元负荷特性与各能源设备调节性能的基于多元负荷时序分析的综合能源系统分时段调度方法。
本发明所采用的技术方案是：一种基于多元负荷时序分析的综合能源系统分时段调度方法，包括如下步骤：
1)对综合能源系统的多元负荷出力规律进行分析；包括
(1.1)提取多元负荷时间序列的子序列；
(1.2)计算多元负荷时间序列的子序列的模糊熵；
(1.3)利用模糊熵获取多元负荷时间序列的复杂性判断矩阵；
(1.4)根据多元负荷时间序列的复杂性判断矩阵划分调度时段，并给出不同调度时段的调度方式；
2)建立综合能源系统分时段优化调度模型，对所述综合能源系统分时段优化调度模型进行求解得到综合能源系统优化调度方案；所述的综合能源系统分时段优化调度模型包括：
(2.1)以经济性为目标，建立综合能源系统分时段优化调度模型的目标函数：
minfC＝Cpe+Com
其中，fC为综合能源系统的运行成本，Cpe为购能成本，Com为设备运维成本；
(2.2)建立综合能源系统分时段优化调度模型的约束条件，所述约束条件包括能量平衡约束、设备运行约束、外网购能约束、调度模式约束。
步骤1)第(1.1)步中所述的多元负荷时间序列为：
{Li,NL(t)}＝{Li,TR(t)}+{Wi,in(t)}-{Wi,out(t)},i∈{C,H,E,G}
其中，{Li,NL(t)}为多元负荷时间序列；{Li,TR(t)}为综合能源系统常规负荷时间序列；{Wi,in(t)}为微源出力时间序列；{Wi,out(t)}为微源能耗时间序列；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气。
步骤1)第(1.1)步中所述的提取多元负荷时间序列的子序列方式为：
将多元负荷时间序列离散化，并将离散后的冷、热、电、气各类能源负荷时间序列分别均匀划分为T个时间序列片段，得到每一类能源负荷时间序列的子序列；该子序列公式如下：
Figure BDA0003724631670000021
其中，
Figure BDA0003724631670000022
为第i类能源第s个子序列；
Figure BDA0003724631670000023
为第i类能源第s个子序列中第N个元素；N为子序列元素个数；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气。
步骤1)第(1.2)步中所述的计算多元负荷时间序列的子序列的模糊熵，包括：
(1.2.1)对多元负荷时间序列的子序列进行相空间重构，重构公式如下：
Figure BDA0003724631670000024
其中，
Figure BDA0003724631670000025
为第i类能源第s个子序列重构后的第k个相空间；
Figure BDA0003724631670000026
为第i类能源第s个子序列重构后的第k个相空间中第1个元素；
Figure BDA0003724631670000027
为第i类能源第s个子序列重构后的第k个相空间中第2个元素；
Figure BDA0003724631670000028
为第i类能源第s个子序列重构后的第k个相空间中第m个元素；m为相空间维数；N为子序列元素个数；
Figure BDA0003724631670000029
为第i类能源第s个子序列重构后的第k个相空间的基准值，计算公式如下：
Figure BDA00037246316700000210
其中，
Figure BDA00037246316700000211
为第i类能源第s个子序列重构后的第k个相空间中第j+1个元素；
(1.2.2)计算重构后相空间之间的复杂度测度，计算公式如下：
Figure BDA00037246316700000212
其中，
Figure BDA00037246316700000213
是相空间维数为m时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的复杂度测度；r为相似容忍度，取值为第s个子序列数据的标准差；
Figure BDA00037246316700000214
是相空间维数为m时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的最大绝对距离，计算公式如下：
Figure BDA00037246316700000215
其中，
Figure BDA00037246316700000216
为第i类能源第s个子序列重构后的第p个相空间；
Figure BDA00037246316700000217
为第i类能源第s个子序列重构后的第q个相空间；
Figure BDA00037246316700000218
分别为第i类能源第s个子序列重构后的第p个相空间中第j个元素和第q个相空间中第j个元素；
Figure BDA00037246316700000219
分别为第i类能源第s个子序列重构后的第p个相空间的基准值和第q个相空间的基准值；
(1.2.3)计算多元负荷时间序列的子序列的模糊熵，公式如下：
Figure BDA0003724631670000031
其中，
Figure BDA0003724631670000032
为第i类能源负荷时间序列的第s个子序列的模糊熵；
Figure BDA0003724631670000033
是相空间维数为m+1时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的复杂度测度。
步骤1)第(1.3)步中所述的多元负荷时间序列的复杂性判断矩阵为：
Figure BDA0003724631670000034
其中，Oi,NL为第i类能源负荷时间序列的复杂性判断矩阵；T为时间序列片段个数；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气；
Figure BDA0003724631670000035
为第i类能源负荷时间序列的复杂性判断矩阵中第s个子序列对应的复杂性判断元素，计算公式如下：
Figure BDA0003724631670000036
其中，
Figure BDA0003724631670000037
为第i类能源负荷时间序列的第s个子序列的模糊熵；N为子序列元素个数；r为相似容忍度，取值为第s个子序列数据的标准差；TH为复杂性判断阈值。
步骤1)第(1.4)步中，
所述的根据多元负荷时间序列的复杂性判断矩阵划分调度时段的方法为：
将多元负荷时间序列的复杂性判断矩阵中复杂性判断元素
Figure BDA0003724631670000038
等于1的部分对应的调度时段划分至快速调度模式；将多元负荷时间序列的复杂性判断矩阵中复杂性判断元素
Figure BDA0003724631670000039
等于0的部分对应的调度时段划分至稳定调度模式；
所述的不同调度时段的调度方式为：
若调度时段被划分至快速调度模式，该调度时段内采用调峰能力弱但功率输出稳定的能源保证负荷基本需求，采用功率输出调节方便迅速的能源进行调峰来响应负荷波动；
若调度时段被划分至稳定调度模式，该调度时段内采用调峰能力弱但功率输出稳定的能源和功率输出调节方便迅速的能源协作调度，共同响应负荷需求。
步骤2)第(2.1)步中所述的目标函数中的购能成本为：
Figure BDA00037246316700000310
其中，Cpe为购能成本；T为时间序列片段个数，即调度时段个数；
Figure BDA00037246316700000311
为第i类能源t时段从配网的购能量；
Figure BDA00037246316700000312
为第i类能源t时段配网的购能单价；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气。
步骤2)第(2.1)步中所述的目标函数中的设备运维成本为：
Figure BDA00037246316700000313
其中，Com为设备运维成本；T为时间序列片段个数，即调度时段个数；U为设备总数；
Figure BDA0003724631670000041
为t时段第u个设备的出力值；Su为第u个设备的运维单价。
步骤2)第(2.2)步中所述的约束条件具体为：
(2.2.1)能量平衡约束：
Figure BDA0003724631670000042
其中，
Figure BDA0003724631670000043
为第i类能源t时段从配网的购能量；U为设备总数；
Figure BDA0003724631670000044
为第u个设备t时段第i类能源的出力值；
Figure BDA0003724631670000045
为第u个设备t时段第i类能源的能耗值；Li,t为第i类能源t时段的负荷量；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气；
(2.2.2)设备运行约束：
Figure BDA0003724631670000046
其中，
Figure BDA0003724631670000047
为第u个设备t时段的出力值；
Figure BDA0003724631670000048
为第u个设备t时段的能耗值；ηu为第u个设备的能量转换效率；
Figure BDA0003724631670000049
为第u个设备t+1时段的出力值；Ru为第u个设备的爬坡速率；
Figure BDA00037246316700000410
分别为第u个设备的出力上限和出力下限；
若第u个设备为储能设备，还需增加以下约束：
Figure BDA00037246316700000411
其中，
Figure BDA00037246316700000412
为第u个设备t时段所存储的能量值；
Figure BDA00037246316700000413
为第u个设备t+1时段所存储的能量值；σu为第u个设备的自损耗率；
Figure BDA00037246316700000414
分别为第u个设备的储能上限和储能下限；Θ为储能设备集合；
(2.2.3)外网购能约束：
Figure BDA00037246316700000415
其中，
Figure BDA00037246316700000416
分别为第i类能源从配网购能的能量上限和能量下限。
(2.2.4)调度模式约束：
Figure BDA00037246316700000417
其中，Oi,NL为第i类能源负荷时间序列的复杂性判断矩阵；Oi,NL(t)为第i类能源负荷时间序列的复杂性判断矩阵的第t个元素；Ω为响应速度慢的能源设备集合。
本发明的基于多元负荷时序分析的综合能源系统分时段调度方法，能够兼顾多元负荷特性与各能源设备调节性能。具有如下优点：
1、本发明利用模糊熵获取多元负荷时间序列的复杂性判断矩阵，可以有效评估多元负荷时间序列的复杂程度，进而分析多元负荷的出力规律；
2、本发明根据多元负荷时间序列的复杂程度和设备的响应速度对调度时段进行划分，可以充分考虑多类型能源设备的差异化响应速度和可调节次数限制，更有效的利用综合能源系统中的各类型能源设备；
3、本发明的分时段优化调度方法能够兼顾多元负荷特性与各能源设备调节性能，在轻微增加优化运行总成本的前提下，有效减少响应速度慢的能源设备的大幅度频繁调节。
附图说明
图1是本发明实例雄安某智慧小镇园区综合能源系统结构示意图；
图2是本发明实例不同场景下吸收式制冷机出力变化情况；
图3是本发明实例不同场景下燃气锅炉出力变化情况。
具体实施方式
下面结合实施例和附图对本发明的基于多元负荷时序分析的综合能源系统分时段调度方法做出详细说明。
本发明的基于多元负荷时序分析的综合能源系统分时段调度方法，包括如下步骤：
1)对综合能源系统的多元负荷出力规律进行分析；包括
(1.1)提取多元负荷时间序列的子序列；其中，
所述的多元负荷时间序列为：
{Li,NL(t)}＝{Li,TR(t)}+{Wi,in(t)}-{Wi,out(t)},i∈{C,H,E,G}
其中，{Li,NL(t)}为多元负荷时间序列；{Li,TR(t)}为综合能源系统常规负荷时间序列；{Wi,in(t)}为微源出力时间序列；{Wi,out(t)}为微源能耗时间序列；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气。
所述的提取多元负荷时间序列的子序列方式为：
将多元负荷时间序列离散化，并将离散后的冷、热、电、气各类能源负荷时间序列分别均匀划分为T个时间序列片段，得到每一类能源负荷时间序列的子序列；该子序列公式如下：
Figure BDA0003724631670000051
其中，
Figure BDA0003724631670000052
为第i类能源第s个子序列；
Figure BDA0003724631670000053
为第i类能源第s个子序列中第N个元素；N为子序列元素个数；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气。
(1.2)计算多元负荷时间序列的子序列的模糊熵；包括：
(1.2.1)对多元负荷时间序列的子序列进行相空间重构，重构公式如下：
Figure BDA0003724631670000054
其中，
Figure BDA0003724631670000055
为第i类能源第s个子序列重构后的第k个相空间；
Figure BDA0003724631670000056
为第i类能源第s个子序列重构后的第k个相空间中第1个元素(为方便公式表述，此处用k指代第k个相空间中第1个元素)；
Figure BDA0003724631670000057
为第i类能源第s个子序列重构后的第k个相空间中第2个元素；
Figure BDA0003724631670000058
为第i类能源第s个子序列重构后的第k个相空间中第m个元素；m为相空间维数；N为子序列元素个数；
Figure BDA0003724631670000059
为第i类能源第s个子序列重构后的第k个相空间的基准值，计算公式如下：
Figure BDA00037246316700000510
其中，
Figure BDA0003724631670000061
为第i类能源第s个子序列重构后的第k个相空间中第j+1个元素；
(1.2.2)计算重构后相空间之间的复杂度测度，计算公式如下：
Figure BDA0003724631670000062
其中，
Figure BDA0003724631670000063
是相空间维数为m时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的复杂度测度；r为相似容忍度，取值为第s个子序列数据的标准差；
Figure BDA0003724631670000064
是相空间维数为m时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的最大绝对距离，计算公式如下：
Figure BDA0003724631670000065
其中，
Figure BDA0003724631670000066
为第i类能源第s个子序列重构后的第p个相空间；
Figure BDA0003724631670000067
为第i类能源第s个子序列重构后的第q个相空间；
Figure BDA0003724631670000068
分别为第i类能源第s个子序列重构后的第p个相空间中第j个元素和第q个相空间中第j个元素；
Figure BDA0003724631670000069
分别为第i类能源第s个子序列重构后的第p个相空间的基准值和第q个相空间的基准值；
(1.2.3)计算多元负荷时间序列的子序列的模糊熵，公式如下：
Figure BDA00037246316700000610
其中，
Figure BDA00037246316700000611
为第i类能源负荷时间序列的第s个子序列的模糊熵；
Figure BDA00037246316700000612
是相空间维数为m+1时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的复杂度测度。
(1.3)利用模糊熵获取多元负荷时间序列的复杂性判断矩阵；所述的多元负荷时间序列的复杂性判断矩阵为：
Figure BDA00037246316700000613
其中，Oi,NL为第i类能源负荷时间序列的复杂性判断矩阵；T为时间序列片段个数；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气；
Figure BDA00037246316700000614
为第i类能源负荷时间序列的复杂性判断矩阵中第s个子序列对应的复杂性判断元素，计算公式如下：
Figure BDA00037246316700000615
其中，
Figure BDA00037246316700000616
为第i类能源负荷时间序列的第s个子序列的模糊熵；N为子序列元素个数；r为相似容忍度，取值为第s个子序列数据的标准差；TH为复杂性判断阈值。
(1.4)根据多元负荷时间序列的复杂性判断矩阵划分调度时段，并给出不同调度时段的调度方式；其中，
所述的根据多元负荷时间序列的复杂性判断矩阵划分调度时段的方法为：
将多元负荷时间序列的复杂性判断矩阵中复杂性判断元素
Figure BDA00037246316700000617
等于1的部分对应的调度时段划分至快速调度模式；将多元负荷时间序列的复杂性判断矩阵中复杂性判断元素
Figure BDA00037246316700000618
等于0的部分对应的调度时段划分至稳定调度模式；
所述的不同调度时段的调度方式为：
若调度时段被划分至快速调度模式，该调度时段内采用调峰能力弱但功率输出稳定的能源保证负荷基本需求，采用功率输出调节方便迅速的能源进行调峰来响应负荷波动；
若调度时段被划分至稳定调度模式，该调度时段内采用调峰能力弱但功率输出稳定的能源和功率输出调节方便迅速的能源协作调度，共同响应负荷需求。
2)建立综合能源系统分时段优化调度模型，对所述综合能源系统分时段优化调度模型进行求解得到综合能源系统优化调度方案；所述的综合能源系统分时段优化调度模型包括：
(2.1)以经济性为目标，建立综合能源系统分时段优化调度模型的目标函数：
minfC＝Cpe+Com
其中，fC为综合能源系统的运行成本，Cpe为购能成本，Com为设备运维成本；
所述的目标函数中的购能成本为：
Figure BDA0003724631670000071
其中，Cpe为购能成本；T为时间序列片段个数，即调度时段个数；
Figure BDA0003724631670000072
为第i类能源t时段从配网的购能量；
Figure BDA0003724631670000073
为第i类能源t时段配网的购能单价；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气。
所述的目标函数中的设备运维成本为：
Figure BDA0003724631670000074
其中，Com为设备运维成本；T为时间序列片段个数，即调度时段个数；U为设备总数；
Figure BDA0003724631670000075
为t时段第u个设备的出力值；Su为第u个设备的运维单价。
(2.2)建立综合能源系统分时段优化调度模型的约束条件，所述约束条件包括能量平衡约束、设备运行约束、外网购能约束、调度模式约束；所述的约束条件具体为：
(2.2.1)能量平衡约束：
Figure BDA0003724631670000076
其中，
Figure BDA0003724631670000077
为第i类能源t时段从配网的购能量；U为设备总数；
Figure BDA0003724631670000078
为第u个设备t时段第i类能源的出力值；
Figure BDA0003724631670000079
为第u个设备t时段第i类能源的能耗值；Li,t为第i类能源t时段的负荷量；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气；
(2.2.2)设备运行约束：
Figure BDA00037246316700000710
其中，
Figure BDA00037246316700000711
为第u个设备t时段的出力值；
Figure BDA00037246316700000712
为第u个设备t时段的能耗值；ηu为第u个设备的能量转换效率；
Figure BDA00037246316700000713
为第u个设备t+1时段的出力值；Ru为第u个设备的爬坡速率；
Figure BDA0003724631670000081
分别为第u个设备的出力上限和出力下限；
若第u个设备为储能设备，还需增加以下约束：
Figure BDA0003724631670000082
其中，
Figure BDA0003724631670000083
为第u个设备t时段所存储的能量值；
Figure BDA0003724631670000084
为第u个设备t+1时段所存储的能量值；σu为第u个设备的自损耗率；
Figure BDA0003724631670000085
分别为第u个设备的储能上限和储能下限；Θ为储能设备集合；
(2.2.3)外网购能约束：
Figure BDA0003724631670000086
其中，
Figure BDA0003724631670000087
分别为第i类能源从配网购能的能量上限和能量下限。
(2.2.4)调度模式约束：
Figure BDA0003724631670000088
其中，Oi,NL为第i类能源负荷时间序列的复杂性判断矩阵；Oi,NL(t)为第i类能源负荷时间序列的复杂性判断矩阵的第t个元素；Ω为响应速度慢的能源设备集合。
下面给出实例：
以雄安某智慧小镇为例，其园区综合能源系统结构示意图如图1所示。设计2种场景进行仿真模拟和对比分析。场景细节如下：
场景1：传统日前小时级优化调度；
场景2：本发明提出的日前分时段优化调度。
表1为不同场景仿真结果的运行成本及设备调节次数比较。
表1
Figure BDA0003724631670000089
根据表1中的数据，可以明显的反应出本发明所提方法的效果：
对比场景1和场景2，可以看出采用分时段优化调度能够有效利用各类型能量设备的调节性能，充分发挥电能替代优势，显著降低非电能设备的调节次数。其中，吸收式制冷机日调节次数降低29％，燃气锅炉日调节次数降低60％。带来的不利影响是运行总成本轻微增加(成本增加约0.4％)。产生这种现象的原因是分时段优化调度考虑了设备的不同响应速度，根据负荷的波动趋势制定了各调度时段的设备运行模式，而非对各个时刻进行最优调度，因此园区综合能源系统成本有一点提高。结合图2和图3可以更清晰的看出，本发明的基于多元负荷时序分析的综合能源系统分时段调度方法，能够有效减少响应速度慢的能源设备的大幅度频繁调节。

Claims (3)

1.一种基于多元负荷时序分析的综合能源系统分时段调度方法，其特征在于，包括如下步骤：
1)对综合能源系统的多元负荷出力规律进行分析；包括
(1.1)提取多元负荷时间序列的子序列；
所述的多元负荷时间序列为：
{Li,NL(t)}＝{Li,TR(t)}+{Wi,in(t)}-{Wi,out(t)},i∈{C,H,E,G}
其中，{Li,NL(t)}为多元负荷时间序列；{Li,TR(t)}为综合能源系统常规负荷时间序列；{Wi,in(t)}为微源出力时间序列；{Wi,out(t)}为微源能耗时间序列；
所述的提取多元负荷时间序列的子序列方式为：
将多元负荷时间序列离散化，并将离散后的冷、热、电、气各类能源负荷时间序列分别均匀划分为T个时间序列片段，得到每一类能源负荷时间序列的子序列；该子序列公式如下：
Figure FDA0003965086070000011
其中，
Figure FDA0003965086070000012
为第i类能源第s个子序列；
Figure FDA0003965086070000013
为第i类能源第s个子序列中第N个元素；N为子序列元素个数；
(1.2)计算多元负荷时间序列的子序列的模糊熵；包括：
(1.2.1)对多元负荷时间序列的子序列进行相空间重构，重构公式如下：
Figure FDA0003965086070000014
其中，
Figure FDA0003965086070000015
为第i类能源第s个子序列重构后的第k个相空间；
Figure FDA0003965086070000016
为第i类能源第s个子序列重构后的第k个相空间中第1个元素；
Figure FDA0003965086070000017
为第i类能源第s个子序列重构后的第k个相空间中第2个元素；
Figure FDA0003965086070000018
为第i类能源第s个子序列重构后的第k个相空间中第m个元素；m为相空间维数；N为子序列元素个数；
Figure FDA0003965086070000019
为第i类能源第s个子序列重构后的第k个相空间的基准值，计算公式如下：
Figure FDA00039650860700000110
其中，
Figure FDA00039650860700000111
为第i类能源第s个子序列重构后的第k个相空间中第j+1个元素；
(1.2.2)计算重构后相空间之间的复杂度测度，计算公式如下：
Figure FDA00039650860700000112
其中，
Figure FDA00039650860700000113
是相空间维数为m时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的复杂度测度；r为相似容忍度，取值为第s个子序列数据的标准差；
Figure FDA00039650860700000114
是相空间维数为m时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的最大绝对距离，计算公式如下：
Figure FDA00039650860700000115
其中，
Figure FDA00039650860700000116
为第i类能源第s个子序列重构后的第p个相空间；
Figure FDA00039650860700000117
为第i类能源第s个子序列重构后的第q个相空间；
Figure FDA0003965086070000021
分别为第i类能源第s个子序列重构后的第p个相空间中第j个元素和第q个相空间中第j个元素；
Figure FDA0003965086070000022
分别为第i类能源第s个子序列重构后的第p个相空间的基准值和第q个相空间的基准值；
(1.2.3)计算多元负荷时间序列的子序列的模糊熵，公式如下：
Figure FDA0003965086070000023
其中，
Figure FDA0003965086070000024
为第i类能源负荷时间序列的第s个子序列的模糊熵；
Figure FDA0003965086070000025
是相空间维数为m+1时第i类能源第s个子序列重构后的第p个相空间和第q个相空间之间的复杂度测度；
(1.3)利用模糊熵获取多元负荷时间序列的复杂性判断矩阵；
所述的多元负荷时间序列的复杂性判断矩阵为：
Figure FDA0003965086070000026
其中，Oi,NL为第i类能源负荷时间序列的复杂性判断矩阵；T为时间序列片段个数；i代表综合能源系统冷、热、电、气类中的一类能源，用C表示冷，用H表示热，用E表示电，用G表示气；
Figure FDA0003965086070000027
为第i类能源负荷时间序列的复杂性判断矩阵中第s个子序列对应的复杂性判断元素，计算公式如下：
Figure FDA0003965086070000028
其中，
Figure FDA0003965086070000029
为第i类能源负荷时间序列的第s个子序列的模糊熵；N为子序列元素个数；r为相似容忍度，取值为第s个子序列数据的标准差；TH为复杂性判断阈值；
(1.4)根据多元负荷时间序列的复杂性判断矩阵划分调度时段，并给出不同调度时段的调度方式；其中，
所述的根据多元负荷时间序列的复杂性判断矩阵划分调度时段的方法为：
将多元负荷时间序列的复杂性判断矩阵中复杂性判断元素
Figure FDA00039650860700000210
等于1的部分对应的调度时段划分至快速调度模式；将多元负荷时间序列的复杂性判断矩阵中复杂性判断元素
Figure FDA00039650860700000211
等于0的部分对应的调度时段划分至稳定调度模式；
所述的不同调度时段的调度方式为：
若调度时段被划分至快速调度模式，该调度时段内采用调峰能力弱但功率输出稳定的能源保证负荷基本需求，采用功率输出调节方便迅速的能源进行调峰来响应负荷波动；
若调度时段被划分至稳定调度模式，该调度时段内采用调峰能力弱但功率输出稳定的能源和功率输出调节方便迅速的能源协作调度，共同响应负荷需求；
2)建立综合能源系统分时段优化调度模型，对所述综合能源系统分时段优化调度模型进行求解得到综合能源系统优化调度方案；所述的综合能源系统分时段优化调度模型包括：
(2.1)以经济性为目标，建立综合能源系统分时段优化调度模型的目标函数：
minfC＝Cpe+Com
其中，fC为综合能源系统的运行成本，Cpe为购能成本，Com为设备运维成本；
(2.2)建立综合能源系统分时段优化调度模型的约束条件，所述约束条件包括能量平衡约束、设备运行约束、外网购能约束、调度模式约束；所述的约束条件具体为：
(2.2.1)能量平衡约束：
Figure FDA0003965086070000031
其中，
Figure FDA0003965086070000032
为第i类能源t时段从配网购能的量；U为设备总数；
Figure FDA0003965086070000033
为第u个设备t时段第i类能源的出力值；
Figure FDA0003965086070000034
为第u个设备t时段第i类能源的能耗值；Li,t为第i类能源t时段的负荷量；
(2.2.2)设备运行约束：
Figure FDA0003965086070000035
其中，
Figure FDA0003965086070000036
为第u个设备t时段的出力值；
Figure FDA0003965086070000037
为第u个设备t时段的能耗值；ηu为第u个设备的能量转换效率；
Figure FDA0003965086070000038
为第u个设备t+1时段的出力值；Ru为第u个设备的爬坡速率；
Figure FDA0003965086070000039
分别为第u个设备的出力上限和出力下限；
若第u个设备为储能设备，还需增加以下约束：
Figure FDA00039650860700000310
其中，
Figure FDA00039650860700000311
为第u个设备t时段所存储的能量值；
Figure FDA00039650860700000312
为第u个设备t+1时段所存储的能量值；σu为第u个设备的自损耗率；
Figure FDA00039650860700000313
分别为第u个设备的储能上限和储能下限；Θ为储能设备集合；
(2.2.3)外网购能约束：
Figure FDA00039650860700000314
其中，
Figure FDA00039650860700000315
分别为第i类能源从配网购能的能量上限和能量下限；
(2.2.4)调度模式约束：
Figure FDA00039650860700000316
其中，Oi,NL为第i类能源负荷时间序列的复杂性判断矩阵；Oi,NL(t)为第i类能源负荷时间序列的复杂性判断矩阵的第t个元素；Ω为响应速度慢的能源设备集合。
2.根据权利要求1所述的基于多元负荷时序分析的综合能源系统分时段调度方法，其特征在于，步骤2)第(2.1)步中所述的目标函数中的购能成本为：
Figure FDA00039650860700000317
其中，Cpe为购能成本；T为时间序列片段个数，即调度时段个数；
Figure FDA0003965086070000041
为第i类能源t时段从配网购能的量；
Figure FDA0003965086070000042
为第i类能源t时段配网的购能单价。
3.根据权利要求1所述的基于多元负荷时序分析的综合能源系统分时段调度方法，其特征在于，步骤2)第(2.1)步中所述的目标函数中的设备运维成本为：
Figure FDA0003965086070000043
其中，Com为设备运维成本；T为时间序列片段个数，即调度时段个数；U为设备总数；
Figure FDA0003965086070000044
为t时段第u个设备的出力值；Su为第u个设备的运维单价。
CN202210762780.8A 2022-06-30 2022-06-30 基于多元负荷时序分析的综合能源系统分时段调度方法 Active CN115063003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210762780.8A CN115063003B (zh) 2022-06-30 2022-06-30 基于多元负荷时序分析的综合能源系统分时段调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210762780.8A CN115063003B (zh) 2022-06-30 2022-06-30 基于多元负荷时序分析的综合能源系统分时段调度方法

Publications (2)

Publication Number Publication Date
CN115063003A CN115063003A (zh) 2022-09-16
CN115063003B true CN115063003B (zh) 2023-01-24

Family

ID=83204282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210762780.8A Active CN115063003B (zh) 2022-06-30 2022-06-30 基于多元负荷时序分析的综合能源系统分时段调度方法

Country Status (1)

Country Link
CN (1) CN115063003B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911577B (zh) * 2023-09-13 2024-02-09 国网信息通信产业集团有限公司 综合能源调度方法、装置、电子设备和计算机可读介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705776A (zh) * 2019-09-27 2020-01-17 中冶赛迪电气技术有限公司 能源优化调度方法
CN111950808A (zh) * 2020-08-26 2020-11-17 华北电力大学（保定） 基于综合需求响应的综合能源系统随机鲁棒优化运行方法
CN113673738A (zh) * 2021-02-22 2021-11-19 华北电力大学（保定） 基于供需响应与可调场景的综合能源系统优化配置方法
CN113673739A (zh) * 2021-02-22 2021-11-19 华北电力大学（保定） 分布式综合能源系统的多时空尺度协同优化运行方法
CN114037337A (zh) * 2021-11-23 2022-02-11 广东电网有限责任公司广州供电局 一种基于模型预测控制的微能源网优化调度方法及系统
CN114336762A (zh) * 2022-01-10 2022-04-12 南通大学 风光发电及电网负荷波动日前调度储能配置优化方法
CN114662330A (zh) * 2022-03-31 2022-06-24 华北电力大学 计及碳交易机制和需求响应的综合能源系统模型构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7917338B2 (en) * 2007-01-08 2011-03-29 International Business Machines Corporation Determining a window size for outlier detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705776A (zh) * 2019-09-27 2020-01-17 中冶赛迪电气技术有限公司 能源优化调度方法
CN111950808A (zh) * 2020-08-26 2020-11-17 华北电力大学（保定） 基于综合需求响应的综合能源系统随机鲁棒优化运行方法
CN113673738A (zh) * 2021-02-22 2021-11-19 华北电力大学（保定） 基于供需响应与可调场景的综合能源系统优化配置方法
CN113673739A (zh) * 2021-02-22 2021-11-19 华北电力大学（保定） 分布式综合能源系统的多时空尺度协同优化运行方法
CN114037337A (zh) * 2021-11-23 2022-02-11 广东电网有限责任公司广州供电局 一种基于模型预测控制的微能源网优化调度方法及系统
CN114336762A (zh) * 2022-01-10 2022-04-12 南通大学 风光发电及电网负荷波动日前调度储能配置优化方法
CN114662330A (zh) * 2022-03-31 2022-06-24 华北电力大学 计及碳交易机制和需求响应的综合能源系统模型构建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Comprehensive benefit evaluation method of energy Internet platform based on cloud model;Anbang Xie;《2021 2nd International Conference on Big Data & Artificial Intelligence & Software Engineering (ICBASE)》;20210203;736-742 *
Intraday multi-objective hierarchical coordinated operation of a multi-energy system;Peng Li;《Energy》;20210416;1-17 *
Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria;Rujing Yan;《Energy Conversion and Management》;20210223;1-15 *
基于综合需求响应和主从博弈的多微网综合能源系统优化调度策略;李鹏;《中国电机工程学报》;20201208;1307-1321 *
计及功率预测误差的交直流混合微电网多时间尺度优化运行方法;华浩瑞;《电力建设》;20161231;40-47 *

Also Published As

Publication number Publication date
CN115063003A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
Xuan et al. A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems
Hu et al. A hybrid model based on CNN and Bi-LSTM for urban water demand prediction
Su et al. An MPC-based dual-solver optimization method for DC microgrids with simultaneous consideration of operation cost and power loss
CN107766990A (zh) 一种光伏电站发电功率的预测方法
CN103065202B (zh) 一种基于组合核函数的风电场超短期风速预测方法
CN111754037B (zh) 区域终端集成供能系统长期负荷混合预测方法
CN111753431B (zh) 综合能源系统中最优配置的计算方法和计算设备
CN115063003B (zh) 基于多元负荷时序分析的综合能源系统分时段调度方法
CN115081902B (zh) 基于源网荷储协同的综合规划方法、装置、设备及介质
CN112862253B (zh) 考虑风电不确定性的电-气-热储能协同规划方法及系统
CN112994115A (zh) 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法
Zhu et al. Design optimization and two-stage control strategy on combined cooling, heating and power system
CN114004427B (zh) 一种电源与季节性储能规划方法及装置
Li et al. A novel short-term multi-energy load forecasting method for integrated energy system based on feature separation-fusion technology and improved CNN
Wang et al. Multi-task learning based multi-energy load prediction in integrated energy system
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
Qi et al. A short term load forecasting of integrated energy system based on CNN-LSTM
CN116780649B (zh) 一种多能互补利用的分布式鲁棒优化运行方法
Yin et al. Correlational broad learning for optimal scheduling of integrated energy systems considering distributed ground source heat pump heat storage systems
Narayanan Annual evaluation of a model predictive controller in an integrated thermal-electrical renewable energy system using clustering technique
CN114662922B (zh) 考虑光伏不确定性的居民需求响应潜力评估方法及系统
CN113610658A (zh) 一种基于信息间隙决策模型的配网运行调度方法及系统
Zhang et al. Deep Learning Network for Energy Storage Scheduling in Power Market Environment Short-Term Load Forecasting Model
Dash et al. Cost Optimization of Pumped Hydro Storage and PV Plant for Hybrid Mode of Operation using FPA
Li et al. Long‐term scenario generation of renewable energy generation using attention‐based conditional generative adversarial networks

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