CN115115277A - 园区综合能源调度方法、装置、计算机设备及存储介质 - Google Patents

园区综合能源调度方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115115277A
CN115115277A CN202211011674.2A CN202211011674A CN115115277A CN 115115277 A CN115115277 A CN 115115277A CN 202211011674 A CN202211011674 A CN 202211011674A CN 115115277 A CN115115277 A CN 115115277A
Authority
CN
China
Prior art keywords
energy
scheduling
strategy
prediction data
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211011674.2A
Other languages
English (en)
Inventor
王俐英
董厚琦
吴云翼
林嘉琳
尹立坤
宋美琴
曾鸣
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
China Three Gorges Corp
Original Assignee
North China Electric Power University
China Three Gorges Corp
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, China Three Gorges Corp filed Critical North China Electric Power University
Priority to CN202211011674.2A priority Critical patent/CN115115277A/zh
Publication of CN115115277A publication Critical patent/CN115115277A/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
    • G06Q10/0631—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
    • G06Q10/04—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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—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
    • H02J3/007—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
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及一种园区综合能源调度方法、装置、计算机设备及存储介质，包括：获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；基于所述目标能源调度策略对园区综合能源进行调度。由此，可以减少园区综合能源系统碳排放量，提高运行利润。

Description

园区综合能源调度方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及综合能源系统优化调度方法应用领域，尤其涉及一种园区综合能源调度方法、装置、计算机设备及存储介质。
背景技术
2020年，提出了二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。据统计，能源行业碳排放占碳排放总量的80%左右，电力行业的碳排放占40%左右，因此，进一步提高可再生能源占比，加快能源低碳转型尤为重要。随着碳电市场的发展，对于运营商来说，在面对多重不确定性下实现综合能源系统的低碳运行非常重要。
现有的关于综合能源系统优化调度较少同时考虑到阶梯式机制和需求响应机制，且有关源侧可再生能源出力和负荷侧电、热、冷多类型负荷的不确定性的处理主要以场景模拟法、随机规划法、风险价值法、鲁棒优化法、机会约束法等，缺乏通过信息间隙决策理论（information gap decision-making theory，IGDT）处理可再生能源出力和多类型负荷的不确定性的多目标优化调度模型的研究。
发明内容
鉴于此，为解决上述技术问题或部分技术问题，本发明实施例提供一种园区综合能源调度方法、装置、计算机设备及存储介质。
第一方面，本发明实施例提供一种园区综合能源调度方法，包括：
获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；
基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；
基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；
基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；
基于所述目标能源调度策略对园区综合能源进行调度。
在一个可能的实施方式中，所述方法还包括：
基于所述各类机组的机组参数、负荷预测数据、出力预测数据构建设能源生产设备模型、能源耦合设备模型和能源存储设备模型。
在一个可能的实施方式中，所述方法还包括：
基于预先分配的碳排放额与实际碳排放量之间的关系，建立阶梯式碳交易机制；
基于所述阶梯式碳交易机制确定碳交易价格制度；
基于所述各类机组的机组参数、负荷预测数据、出力预测数据与碳交易价格制度确定碳交易成本。
在一个可能的实施方式中，所述方法还包括：
获取多类型能源统筹规划和协调调度综合能源系统的当日售能收益、购能成本、设备运维成本、需求响应成本；
基于所述当日售能收益、购能成本、设备运维成本、需求响应成本和碳交易成本确定多类型能源统筹规划和协调调度综合能源系统的日运行利润；
将所述日运行利润作为能源调度模型的期望目标值；
基于所述期望目标值和预先设置的约束条件，构建能源调度模型。
在一个可能的实施方式中，所述方法还包括：
将所述机组参数、负荷预测数据、出力预测数据输入至所述能源调度模型，得到多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略。
在一个可能的实施方式中，所述方法还包括：
基于多类型能源统筹规划和协调调度综合能源系统对机组负荷和出力的敏感程度设置目标偏差因子；
基于所述目标偏差因子、预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集。
在一个可能的实施方式中，所述方法还包括：
对所述帕累托解集进行插值拟合，得到帕累托前沿；
基于TOPSIS方法在所述帕累托前沿上确定目标解；
将所述目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略。
第二方面，本发明实施例提供一种园区综合能源调度装置，包括：
获取模块，用于获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；
确定模块，用于基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；
优化模块，用于基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；
所述确定模块，还用于基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；
调度模块，用于基于所述目标能源调度策略对园区综合能源进行调度。
第三方面，本发明实施例提供一种计算机设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的园区综合能源调度程序，以实现上述第一方面中所述的园区综合能源调度方法。
第四方面，本发明实施例提供一种存储介质，包括：所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面中所述的园区综合能源调度方法。
本发明实施例提供的园区综合能源调度方案，通过获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；基于所述目标能源调度策略对园区综合能源进行调度，相比于现有的关于综合能源系统优化调度较少同时考虑到阶梯式机制和需求响应机制，且有关源侧可再生能源出力和负荷侧电、热、冷多类型负荷的不确定性的处理缺乏通过信息间隙决策理论处理可再生能源出力和多类型负荷的不确定性的多目标优化调度模型的研究，由本方案，可以减少园区综合能源系统碳排放量，并且阶梯式碳交易价格的设置可以降低园区综合能源系统碳排放量，提高运行利润。
附图说明
图1为本发明实施例提供的一种园区综合能源调度方法的流程示意图；
图2为本发明实施例提供的一种多类型能源统筹规划和协调调度综合能源系统的结构示意图；
图3为本发明实施例提供的另一种园区综合能源调度方法的流程示意图；
图4为本发明实施例提供的一种阶梯式碳交易机制示意图；
图5为本发明实施例提供的一种风电、光伏、电负荷、热负荷、冷负荷日前预测曲线；
图6为本发明实施例提供的一种PIESO向用户出售电、热和冷的价格，以及从电网购买电力和从燃气电网购买天然气的价格示意图；
图7为本发明实施例提供的一种常规策略下的电功率平衡图；
图8为本发明实施例提供的一种常规策略下的热功率平衡图；
图9为本发明实施例提供的一种常规策略下的冷功率平衡图；
图10为本发明实施例提供的一种风险规避策略下的Pareto前沿示意图；
图11为本发明实施例提供的一种风险规避策略下的电功率平衡图；
图12为本发明实施例提供的一种风险规避策略下的热功率平衡图；
图13为本发明实施例提供的一种风险规避策略下的冷功率平衡图；
图14为本发明实施例提供的一种风险偏好策略下的Pareto前沿示意图；
图15为本发明实施例提供的一种风险规避策略下的电功率平衡图；
图16为本发明实施例提供的一种风险规避策略下的热功率平衡图；
图17为本发明实施例提供的一种风险规避策略下的冷功率平衡图；
图18为本发明实施例提供的一种不同场景下CHP输出电功率示意图；
图19为本发明实施例提供的一种不同场景下CHP输出热功率示意图；
图20为本发明实施例提供的一种不同场景下需求响应量示意图；
图21为本发明实施例提供的一种不同场景下天然气购买量示意图；
图22为本发明实施例提供的一种不同碳排放机制的影响示意图；
图23为本发明实施例提供的一种碳交易价格与PIESO利润之间的关系示意图；
图24为本发明实施例提供的一种可交易碳排放量比例的变化影响示意图；
图25为本发明实施例提供的一种园区综合能源调度装置的结构示意图；
图26为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种园区综合能源调度方法的流程示意图，如图1所示，该方法具体包括：
本发明在低碳背景下，构建电-气-热-冷等多类型能源统筹规划和协调调度的综合能源系统（Integrated Energy System，IES）已成为提高能源综合利用效率，促进新能源消纳的重要手段。值得注意的是，与传统能源系统相比，综合能源系统更加突出强调电、热、气等异质能间的平等性和“可替代性/互补性”，实现多种能源子系统在能源开发、传输、转化、综合利用等环节的相互协调，以满足多元需求、提高用能效率、降低能量损耗、减少污染排放等。
目前，IES主要基于一种包含多种形式能量转化、传输以及存储的控制单元的能源集线器（Energy Hub，EH）模型实现各类型能源间的转换和协调调度。与此同时，随着电力市场和智能电网的发展，需求响应（Demand Response，DR）的作用日益增大。根据调研，大多数工业用户通过调整生产计划可实现的最大负荷转移和削减潜力大约为20%。因此，在IES调度优化中考虑DR，利用DR进行负荷的转移和削减能够实现保障能源供需平衡和提升用户的用能经济性。由此可知，EH模型和DR模型的应用充分考虑了IES整体的经济性，但鲜有考虑IES的环境问题。为此，碳交易机制被认为是减少碳排放量并兼顾IES运行经济性的有效手段之一，通过将碳交易机制引入IES调度，实现IES的低碳经济运行。
此外，IES中源侧风电光伏出力和需求侧电、热、冷多元负荷的不确定性也是影响系统经济可靠运行的重要影响因素。现阶段，关于不确定性的研究主要包括场景模拟法、随机规划法、风险价值法、鲁棒优化法、机会约束法、信息间隙决策理论（information gapdecision-making theory，IGDT）等。其中，IGDT是一种非概率、非可能性（非模糊）的不确定性风险管理方法，不需要大多数概率方法中使用的不确定参数的概率分布函数，也不需要模糊方法中需要的隶属函数。并且，与其他风险管理工具的不同之处在于，IGDT方法在实现的预测误差落入不确定性变量的最大波动范围内时，保证了目标函数满足预定的目标。因此，是实现IES经济调度运行较为可行的不确定性处理方法。
S11、获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据。
本发明实施例中，结合图2，首先介绍多类型能源统筹规划和协调调度综合能源系统PIES的架构，PIES内部市场主体为能源供应商、园区综合能源系统运营商PIESO和综合能源用户，包含冷、热、电、气等多类能源。在能源供给侧，PIESO向上级电网和气网购买能源，通过优化PIESO内部的能源生产、转换耦合和储存设备的出力以及采用激励补贴机制引导用户参与需求响应来满足用户的用能需求，保障能源供给。在能源需求侧，综合能源用户根据PIESO给出的激励补贴价格，调整自身的用能需求，从而使得自身用能成本降低的同时保障能源供需平衡和系统安全稳定运行。
其中，
Figure 159786DEST_PATH_IMAGE001
和
Figure 375129DEST_PATH_IMAGE002
分别为天然气供给CHP机组和燃气锅炉的分配系数，
Figure 686025DEST_PATH_IMAGE003
；
Figure 612393DEST_PATH_IMAGE004
、
Figure 692344DEST_PATH_IMAGE005
和
Figure 45965DEST_PATH_IMAGE006
分别为生产的电能直接供给电负荷、热泵和电制冷机的分配系数，
Figure 578578DEST_PATH_IMAGE007
；
Figure 43057DEST_PATH_IMAGE008
和
Figure 243094DEST_PATH_IMAGE009
分别为生产的热能直接供给热负荷和吸收式制冷机的分配系数，
Figure 767616DEST_PATH_IMAGE010
。
能源供应侧产生直接电能和热能的EH模型如式1：
Figure 787525DEST_PATH_IMAGE011
（1）
式中，
Figure 813950DEST_PATH_IMAGE012
，
Figure 868494DEST_PATH_IMAGE013
分别为PIEO通过能源生产设备提供的电能和热能；
Figure 95076DEST_PATH_IMAGE014
，
Figure 602281DEST_PATH_IMAGE015
分别为 PIEO向上级电网和气网购买的电能和天然气；
Figure 408563DEST_PATH_IMAGE016
，
Figure 317613DEST_PATH_IMAGE017
分别为风电和光伏出力；
Figure 183938DEST_PATH_IMAGE018
，
Figure 178438DEST_PATH_IMAGE019
分别为CHP机组输出电能和热能的效率；
Figure 788411DEST_PATH_IMAGE020
为燃气锅炉输出热能的效率。
Figure 53433DEST_PATH_IMAGE021
（2）
Figure 356238DEST_PATH_IMAGE022
（3）
Figure 572456DEST_PATH_IMAGE023
（4）
由图2所示的PIES架构，可得到基于EH的供需双侧能量耦合模型如式5所示：
Figure 986120DEST_PATH_IMAGE024
（5）
式中，L为负荷侧需求矩阵，C为耦合关系矩阵，E为能源供给矩阵，
Figure 604183DEST_PATH_IMAGE025
为储能功率 矩阵，具体展开式如式6所示：
Figure 812310DEST_PATH_IMAGE026
（6）
式中，
Figure 781403DEST_PATH_IMAGE027
，
Figure 467600DEST_PATH_IMAGE028
，
Figure 205748DEST_PATH_IMAGE029
分别为用户的电负荷，冷负荷和热负荷需求；
Figure 584777DEST_PATH_IMAGE030
，
Figure 41166DEST_PATH_IMAGE031
分别为电 储能设备的放电功率和充电功率；
Figure 531054DEST_PATH_IMAGE032
，
Figure 356665DEST_PATH_IMAGE033
分别为冷储能设备的放冷功率和蓄冷功率；
Figure 172174DEST_PATH_IMAGE034
，
Figure 850280DEST_PATH_IMAGE035
分别为热储能设备的放热功率和储热功率。
S12、基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略。
本发明实施例中，基于机组参数、负荷预测数据、出力预测数据构建多个数学模型，包括能源生产设备模型、能源耦合设备模型和能源存储设备模型，利用上述数学模型求解常规策略下的PIES优化调度模型，得到基础能源调度策略。具体的构建多个数学模型的过程在图3对应的实施例中进行详细说明，在此先不详述。
S13、基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集。
在常规策略下，求解PIES优化调度模型的日运行利润，并将该日运行利润作为目标期望值，在此基础上，基于预设的风险规避策略和风险偏好策略建立多目标优化调度模型；将原来的多目标优化问题转化为具有各个目标权重系数的单目标问题，选择合适的权重步长，可以通过CPLEX求解器求解单目标问题，得到足够多的帕累托（Pareto）最优解，即帕累托解集。
S14、基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略。
S15、基于所述目标能源调度策略对园区综合能源进行调度。
对所有Pareto最优解进行插值拟合得到Pareto前沿，结合实际工程调度需求，可以采用TOPSIS方法，在Pareto前沿上确定理想解作为原多目标优化问题的最终决策作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略，TOPSIS法是根据有限的评价对象与理想化目标的接近程度进行排序的方法，在现有的对象中进行相对优劣的评价。
进一步的，根据确定的目标能源调度策略对园区综合能源进行调度。
本发明实施例提供的园区综合能源调度方法，通过获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；基于所述目标能源调度策略对园区综合能源进行调度，相比于现有的关于综合能源系统优化调度较少同时考虑到阶梯式机制和需求响应机制，且有关源侧可再生能源出力和负荷侧电、热、冷多类型负荷的不确定性的处理缺乏通过信息间隙决策理论处理可再生能源出力和多类型负荷的不确定性的多目标优化调度模型的研究，由本方法，可以减少园区综合能源系统碳排放量，并且阶梯式碳交易价格的设置可以降低园区综合能源系统碳排放量，提高运行利润。
图3为本发明实施例提供的另一种园区综合能源调度方法的流程示意图，如图3所示，该方法具体包括：
S31、基于所述各类机组的机组参数、负荷预测数据、出力预测数据构建设能源生产设备模型、能源耦合设备模型和能源存储设备模型。
本发明实施例中，基于各类机组的机组参数、负荷预测数据、出力预测数据构建设能源生产设备模型、能源耦合设备模型和能源存储设备模型。
具体的，能源生产设备模型如式7所示：
Figure 143858DEST_PATH_IMAGE036
（7）
式中，
Figure 591020DEST_PATH_IMAGE037
，
Figure 311851DEST_PATH_IMAGE038
分别为CHP机组产生的电能和热能；
Figure 477253DEST_PATH_IMAGE039
，
Figure 308943DEST_PATH_IMAGE040
分别为CHP机组输出 电功率和热功率的效率；
Figure 876191DEST_PATH_IMAGE041
为燃气锅炉机组GB产生的热能，
Figure 767923DEST_PATH_IMAGE042
为GB输出热功率的效率。
能源耦合设备模型如式8所示：
Figure 420622DEST_PATH_IMAGE043
（8）
式中，
Figure 321582DEST_PATH_IMAGE044
为热泵HP输出的热能，
Figure 979221DEST_PATH_IMAGE045
为HP输出热功率的效率；
Figure 41855DEST_PATH_IMAGE046
和
Figure 181850DEST_PATH_IMAGE047
分别为电 制冷机ER和吸收式制冷机AC输出的冷功率；
Figure 620921DEST_PATH_IMAGE048
，
Figure 162761DEST_PATH_IMAGE049
分别为ER和AC输出冷功率的效率。
能源储存设备模型如式9所示：
Figure 396296DEST_PATH_IMAGE050
（9）
式中，
Figure 23587DEST_PATH_IMAGE051
和
Figure 770DEST_PATH_IMAGE052
分别为第t时刻和t-1时刻的储能设备的容量；
Figure 131537DEST_PATH_IMAGE053
，
Figure 535973DEST_PATH_IMAGE054
为储能 设备的充能和放能效率；s表示储能设备类别，包括电储能、热储能和冷储能设备。
S32、基于预先分配的碳排放额与实际碳排放量之间的关系，建立阶梯式碳交易机制。
S33、基于所述阶梯式碳交易机制确定碳交易价格制度。
S34、基于所述各类机组的机组参数、负荷预测数据、出力预测数据与碳交易价格制度确定碳交易成本。
以下对S32~S34进行统一说明：
在碳交易机制下，依据政府分配的碳排放额与实际碳排放量的差异，碳排放量是一种可以进行自由交易的商品，而在电力行业，目前主要采用基准线法确定系统的无偿碳排放配额。对于以提高能源综合利用效率和新能源消纳率为目标的PIES来说，其碳排放来源包括外购电力、热电联产设备和燃气锅炉。为简化模型，本发明实施例中假设各机组碳排放量与其出力成正比，当系统实际碳排放量超过初始分配额时，对超出的碳排放额度按照阶梯式价格购买。碳排放总量如式10所示：
Figure 650560DEST_PATH_IMAGE055
（10）
式中，
Figure 165855DEST_PATH_IMAGE056
为PIES碳排放总量；
Figure 186681DEST_PATH_IMAGE057
，
Figure 762019DEST_PATH_IMAGE058
分别为CHP机组单位发电和发热功率的碳 排放强度；
Figure 98323DEST_PATH_IMAGE059
和
Figure 682888DEST_PATH_IMAGE060
分别为GB机组和配电网单位有功出力的碳排放强度。
碳排放设备的配额同样采用与其机组有功出力成比例的模型，表达式如11所示：
Figure 788247DEST_PATH_IMAGE061
（11）
式中，
Figure 534486DEST_PATH_IMAGE062
为PIES碳排放配额总量；
Figure 358086DEST_PATH_IMAGE063
，
Figure 480762DEST_PATH_IMAGE064
分别为CHP机组单位发电和发热功率 的碳排放配额；
Figure 440628DEST_PATH_IMAGE065
和
Figure 623348DEST_PATH_IMAGE066
分别为GB机组和配电网单位有功出力的碳排放配额。
依据实际碳排放量与无偿分配的碳配额之间的关系，本发明实施例所建立的阶梯式交易机制如图4所示，图中横坐标为实际碳排放量超出无偿分配的碳配额的比例，当超出比例越高，碳交易价格则越高。
进一步的，根据阶梯式碳交易机制，制定碳交易价格制度。当系统实际碳排放量超过/低于初始分配额时，对超出的碳排放额度执行阶梯式价格购买/售出，具体表达式如式12所示。
Figure 934244DEST_PATH_IMAGE067
（12）
式中，
Figure 595032DEST_PATH_IMAGE068
为初始碳交易价格，本发明实施例设置为50元/t；
Figure 910869DEST_PATH_IMAGE069
为可交易碳排放量 超过初始配额的比例，本发明实施例设置为0.1，则碳交易成本可以如式13所示：
Figure 530069DEST_PATH_IMAGE070
（13）
S35、获取多类型能源统筹规划和协调调度综合能源系统的当日售能收益、购能成本、设备运维成本、需求响应成本。
S36、基于所述当日售能收益、购能成本、设备运维成本、需求响应成本和碳交易成本确定多类型能源统筹规划和协调调度综合能源系统的日运行利润。
S37、将所述日运行利润作为能源调度模型的期望目标值。
S38、基于所述期望目标值和预先设置的约束条件，构建能源调度模型。
以下对S35~S38进行统一说明：
PIESO的目标为日运行利润最高，将日运行利润最高作为能源调度模型的期望目标值，主要由售能收益、购能成本、设备运维成本、需求响应成本以及碳交易成本/收益构成。当PIES碳排放量小于碳配额时，系统通过参与碳市场交易获得额外的碳排放权售出收益，当PIES碳排放量大于碳配额时，系统需支付相应的碳排放权购买成本。
Figure 62682DEST_PATH_IMAGE071
（14）
式中，
Figure 527161DEST_PATH_IMAGE072
为售能收益，
Figure 461619DEST_PATH_IMAGE073
为向上级电网和气网购买电力和天然气的购能成本，
Figure 986141DEST_PATH_IMAGE074
为设备运维成本，
Figure 6050DEST_PATH_IMAGE075
为需求响应成本，
Figure 8641DEST_PATH_IMAGE076
为碳交易成本。
Figure 63185DEST_PATH_IMAGE077
（15）
式中，
Figure 758608DEST_PATH_IMAGE078
和
Figure 234DEST_PATH_IMAGE079
分别为向电网和气网购买电力和天然气的价格。
Figure 806516DEST_PATH_IMAGE080
（16）
式中，
Figure 479680DEST_PATH_IMAGE081
，
Figure 80426DEST_PATH_IMAGE082
，
Figure 74927DEST_PATH_IMAGE083
，
Figure 684900DEST_PATH_IMAGE084
，
Figure 448456DEST_PATH_IMAGE085
，
Figure 485682DEST_PATH_IMAGE086
，
Figure 967479DEST_PATH_IMAGE087
，
Figure 115564DEST_PATH_IMAGE088
，
Figure 733627DEST_PATH_IMAGE089
和
Figure 207334DEST_PATH_IMAGE090
分别为GB，CHP，HP，ER，AC， WT，PV，EES，TES和CES的单位出力运维成本。
Figure 910847DEST_PATH_IMAGE091
（17）
式中，
Figure 862623DEST_PATH_IMAGE092
为PIESO向用户提供的需求响应补偿成本，本着节能的原则，仅对转出负 荷和削减负荷进行补贴。
Figure 102237DEST_PATH_IMAGE093
（18）
式中，
Figure 215686DEST_PATH_IMAGE094
，
Figure 672075DEST_PATH_IMAGE095
和
Figure 161963DEST_PATH_IMAGE096
分别为PIESO向用户提供的电价，热价和冷价；
Figure 20197DEST_PATH_IMAGE097
和
Figure 570127DEST_PATH_IMAGE098
分别为用户的需求响应转入负荷和转出负荷。
模型的约束条件主要包括功率平衡约束，设备出力约束和爬坡约束，联络线约束，储能装置约束，需求响应约束等约束条件，具体如式19-式23所示。
Figure 248233DEST_PATH_IMAGE099
（19）
Figure 276232DEST_PATH_IMAGE100
（20）
Figure 988973DEST_PATH_IMAGE101
（21）
Figure 709804DEST_PATH_IMAGE102
（22）
Figure 875207DEST_PATH_IMAGE103
（23）
式中，
Figure 972476DEST_PATH_IMAGE104
为设备m在t时刻的出力（包括GB，CHP，HP，ER，AC，EES，TES，CES等）；
Figure 790257DEST_PATH_IMAGE105
为设备m最大出力，
Figure 681990DEST_PATH_IMAGE106
为设备m最大爬坡功率；
Figure 334688DEST_PATH_IMAGE107
为PIES与配电网的最大交互功率；
Figure 970069DEST_PATH_IMAGE108
和
Figure 391823DEST_PATH_IMAGE109
为储能设备s的充能和放能状态，为0-1变量；
Figure 454457DEST_PATH_IMAGE110
和
Figure 328872DEST_PATH_IMAGE111
为储能设备s的最小 和最大能荷状态；
Figure 33523DEST_PATH_IMAGE112
为储能设备s的最大充/放功率；
Figure 309783DEST_PATH_IMAGE113
和
Figure 808898DEST_PATH_IMAGE114
分别为用户最大可转 移负荷和可削减负荷比例。
基于期望目标值和约束条件，构建能源调度模型。
S39、将所述机组参数、负荷预测数据、出力预测数据输入至所述能源调度模型，得到多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略。
S310、基于多类型能源统筹规划和协调调度综合能源系统对机组负荷和出力的敏感程度设置目标偏差因子。
S311、基于所述目标偏差因子、预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集。
S312、对所述帕累托解集进行插值拟合，得到帕累托前沿。
S313、基于TOPSIS方法在所述帕累托前沿上确定目标解。
S314、将所述目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略。
以下对S39~S314进行统一说明：
对于因缺乏充足的历史数据而使得不确定性参数难以采用传统概率方法进行描述的问题，IGDT方法能够给出具有鲁棒性的决策方案。IGDT通过定义鲁棒函数和机会函数这两种免疫函数来分别处理不确定事件的不利和有利影响，即风险规避策略（risk aversestrategy，RAS）和风险偏好策略（risk seeking strategy，RSS）。当不考虑参数的不确定性时，典型优化模型为：
Figure 170609DEST_PATH_IMAGE115
（24）
式中，C为决策目标，x为决策变量，d为不确定性输入参数。不确定性输入参数的预 测值表示为
Figure 882213DEST_PATH_IMAGE116
，假设不确定性输入参数在一定范围内波动，具体表达式为：
Figure 278559DEST_PATH_IMAGE117
（25）
Figure 450040DEST_PATH_IMAGE118
（26）
式中，
Figure 299047DEST_PATH_IMAGE116
为不确定性参数d的预测值；
Figure 814342DEST_PATH_IMAGE119
为不确定度，表征参数d的波动幅度；
Figure 65195DEST_PATH_IMAGE120
为 不确定性集合。
鲁棒模型：风险规避决策者为了保证目标不高于预设目标值，通常将风电、光伏出力和负荷等不确定参数的消极扰动最大化，具体模型如下：
Figure 906112DEST_PATH_IMAGE121
（27）
鲁棒函数
Figure 255797DEST_PATH_IMAGE122
认为不确定会给目标期望带来消极影响，因此保证目标值在一个负 面的最差目标边界内寻找最大不确定性波动范围。式中，
Figure 371521DEST_PATH_IMAGE123
为引入不确定性后预设的决策 者所能接受的最差目标值，
Figure 8038DEST_PATH_IMAGE124
为确定模型下d取时的目标函数最优值；
Figure 521322DEST_PATH_IMAGE125
为鲁棒模型目标偏 差因子，表示预期目标
Figure 344921DEST_PATH_IMAGE126
的偏差程度，
Figure 733177DEST_PATH_IMAGE127
设置越大，则模型对优化目标变差的容忍度越大， 鲁棒性越强，反之亦然。
机会模型：风险投机决策者偏好冒进追求不确定性可能带来的额外收益，有机会追求更优的目标，最小化不确定参数的消极扰动，具体模型如下：
Figure 958622DEST_PATH_IMAGE128
（28）
式中，
Figure 141342DEST_PATH_IMAGE129
为投机决策者所设置的目标边界值，用于寻求在不确定性风险中寻求可 能获得的最大收益；
Figure 717817DEST_PATH_IMAGE130
为机会模型目标偏差因子，代表预期目标低于
Figure 378605DEST_PATH_IMAGE129
的偏差程度，
Figure 458557DEST_PATH_IMAGE130
越 大，
Figure 812178DEST_PATH_IMAGE129
越小，则风险投机程度越大。
由于IGDT通常以单个不确定量的偏差系数作为目标函数，无法适用于同时处理风电、光伏出力和冷、热、电等多种负荷的不确定性，本发明实施例通过赋予各类偏差系数不同的权重，解决上述问题。同时，系统对各个不确定因素波动的敏感度不同，不同的权重系数会影响单一不确定性因素的不确定半径求解结果，但对系统综合不确定半径的影响不大，因此，调度决策者可根据系统实际情况和历史经验，依据敏感度越高、权重系数越大的原则，为不确定度设置各个权重系数。
鲁棒模型的构建是为了保证优化目标在可接受范围内的情况下，寻求不确定量的 最大不确定度。当不确定性变量增加时，IGDT由单目标模型向多目标模型转变，极大地增加 了求解难度。针对IGDT难以同时精确处理多个不确定因素的问题，本文采用多个不确定变 量。从多目标模型转换IGDT与五种不确定性多目标模型三种不确定性的电力短缺变量
Figure 114764DEST_PATH_IMAGE131
，热负荷变量
Figure 313664DEST_PATH_IMAGE132
和冷负荷变量
Figure 248122DEST_PATH_IMAGE133
同时作用下的风电和光伏输出和负荷需求,通过选择步长 和权重遍历法得到多目标优化的Pareto平面。
Figure 38223DEST_PATH_IMAGE134
(29)
Figure 792553DEST_PATH_IMAGE135
(30)
Figure 60723DEST_PATH_IMAGE137
(31)
式中，
Figure 115267DEST_PATH_IMAGE138
、
Figure 545111DEST_PATH_IMAGE139
和
Figure 52316DEST_PATH_IMAGE140
分别为风险规避策略下电力短缺
Figure 124177DEST_PATH_IMAGE141
，热负荷需求
Figure 767648DEST_PATH_IMAGE142
和冷 负荷需求
Figure 633973DEST_PATH_IMAGE143
的不确定度；
Figure 129938DEST_PATH_IMAGE144
，
Figure 739911DEST_PATH_IMAGE145
和
Figure 503468DEST_PATH_IMAGE146
分别为风险规避策略下
Figure 275115DEST_PATH_IMAGE147
，
Figure 22491DEST_PATH_IMAGE142
和
Figure 170576DEST_PATH_IMAGE143
不确定度的权 重系数，权重参数的确定可以将多目标问题转化为单目标问题进行求解。
Figure 54218DEST_PATH_IMAGE148
(32)
由式(32)可知，目标函数通过遍历所有权值参数，可以得到所有Pareto平面上的最优解集。
机会模型的结构与鲁棒模型相似，此时不确定性程度越小，期望优化目标的实现机会越大，但方案对不确定量的波动越敏感，系统面临的风险越大。
Figure 996766DEST_PATH_IMAGE149
(33)
Figure 700280DEST_PATH_IMAGE150
(34)
Figure 917635DEST_PATH_IMAGE152
(35)
式中，
Figure 390204DEST_PATH_IMAGE153
、
Figure 769233DEST_PATH_IMAGE154
和
Figure 724157DEST_PATH_IMAGE155
分别为风险偏好策略下电力短缺
Figure 214045DEST_PATH_IMAGE156
，热负荷需求
Figure 806700DEST_PATH_IMAGE157
和冷 负荷需求
Figure 356630DEST_PATH_IMAGE158
的不确定度。
模型求解流程：对于最终的PIES优化调度决策方案，本发明实施例采用逼近理想解排序法（TOPSIS）从帕累托前沿得到理想解。TOPSIS方法通过将多目标问题列成矩阵来确定理想解和负理想解。然后，通过计算每个目标与理想解和负理想解的欧几里得距离，以最接近理想解的帕累托解集作为最终决策。具体解决过程如下：
步骤1：考虑阶梯式碳交易机制，建立最优调度模型，使PIESO每日营业利润最大化；
步骤2：输入风电出力、光伏出力、电负荷、热负荷和冷负荷的预测值，通过CPLEX求解器得到确定性场景下的PIESO调度策略，作为IGDT模型的预期目标值；
步骤3：设置目标偏差因子，建立RA-Strategy和RS-Strategy下的多目标优化调度模型；
步骤4：将原来的多目标优化问题转化为具有各个目标权重系数的单目标问题，选择合适的权重步长，通过CPLEX求解器求解单目标问题，得到足够多的帕累托最优解；
步骤5：对所有Pareto最优解进行插值拟合得到Pareto前沿；
步骤6：结合实际工程调度需求，基于TOPSIS方法，在Pareto前沿上确定理想解作为原多目标优化问题的最终决策。
下面进行算例分析说明：
算例条件：本算例选取华北某一典型工业园区的实际工程数据，以一天24 h为调度周期、以1 h为步长进行算例仿真。图5为日前风电和光伏出力预测数据以及冷、热、电多类型负荷需求的预测数据。天然气热值为9.7 kWh/m3。图6为PIESO向用户出售电、热和冷的价格，以及从电网购买电力和从燃气电网购买天然气的价格。PIESO从电网购买的电力上限为1500 kW。表1为储能系统的参数，表2为其他设备的参数。
表1
Figure 34736DEST_PATH_IMAGE159
表2
Figure 328314DEST_PATH_IMAGE160
算例结果：本算例比较了常规策略、风险规避策略和风险偏好策略下各机组的出力计划、PIESO的经济效益和环境效益。
常规策略：在不考虑风电和光伏发电出力不确定性以及各种负荷需求不确定性的常规策略下，PIESO日运行利润为34858.61元。具体设备调度方案如图7-图9所示。
从图可以看出，用电需求主要通过风电机组、光伏机组和CHP机组来满足。其中，用户在1:00-9:00，13:00-15:00等用电低谷时刻增加用电负荷，在10:00-11:00，16:00-18:00等用电低谷时刻减少用电负荷，积极响应了PIESO给予的分时电价和补贴价格等需求响应激励机制，从而在降低自身用能成本的同时达到了削峰填谷的效果。电储能机组（EES）在时段16:00-18:00进行充电，在时段20:00-24:00进行放电，HP机组在时段1:00-11:00和19:00-24:00用电。
用户和AC机组的用热需求主要通过CHP和HP机组进行满足，在用热低谷时段12:00-19:00，CHP机组产生的热功率主要用于满足AC机组的用热需求。用户的用冷需求主要通过ER机组和AC机组进行满足，AC机组主要在用户的热负荷需求较低时段12:00-17:00，将一定的热负荷转换为冷负荷，ER机组主要则在其他时段通过消耗电功率产生相应的冷负荷。因此，通过利用园区用户电、热、冷等各类负荷在时间上的互补特性和PIES中各类能源转换耦合机组来实现能源的梯级利用，从而提高能源的综合利用效率。
风险规避策略：假设风险规避策略和风险偏好策略下的目标偏差因子
Figure 775476DEST_PATH_IMAGE161
和
Figure 496307DEST_PATH_IMAGE162
为 5%，计算PIESO在不同策略下的日运行利润，确定了最优不确定性和相应的PIESO调度计划。 选择步长为0.01，通过插值拟合得到Pareto平面，如图10所示。根据PIES调度运行要求和实 际工程经验，三个目标从高到低优先级为电力短缺变量，以及热负荷和冷负荷需求的不确 定性。通过TOPSIS方法得到的理想解所对应的三个目标的权重分别为0.41、0.32和0.27。基 于IGDT鲁棒模型得到的PIESO的调度利润为32798.47元，电力短缺不确定性
Figure 927289DEST_PATH_IMAGE163
、 热负荷需求不确定性
Figure 758978DEST_PATH_IMAGE164
和冷负荷需求不确定性
Figure 60647DEST_PATH_IMAGE165
，PIES综合不确定性 为0.0384。这表明当电力短缺实际值和热负荷、冷负荷实际需求值相对于预测值分别波动 5.3%、3.1%、2.5%时，PIESO的总调度收益至少大于32798.47元。风险规避策略下各机组的出 力计划如图11-13所示。
可以看出，IGDT鲁棒调度计划相对于初始出力计划更加保守，更多地让具有稳定出力特性的CCHP机组出力以应对不确定性，从而导致调度收益的减少。其中，CHP机组输出的电功率和热功率、EES机组输出的电功率和用户的需求响应量增加，使得PIES碳排放量增加，可交易的碳排放权和相应的碳交易收益减少，并增加了需求响应补贴成本，从而导致PIESO日运行总收益减小。
风险偏好策略：在风险偏好策略下，通过插值拟合得到Pareto前沿如图14所示。使 用TOPSIS法得到的理想解对应的三个目标的权重分别为0.52、0.26和0.22。在风险偏好策 略下，基于IGDT机会模型得到的PIESO的调度利润为36991.96元，电力短缺不确定性为
Figure 217959DEST_PATH_IMAGE166
、热负荷需求不确定性为
Figure 106542DEST_PATH_IMAGE167
和冷负荷需求不确定性为
Figure 741923DEST_PATH_IMAGE168
， PIES综合不确定性为0.0328。这表明当PIES电力短缺、热负荷需求和冷负荷需求在以预测 值为中心的5.1%、1.5%和1.1%范围内波动时，PIESO的总运行调度利润可以提高到36991.96 元。在风险偏好策略下各单元的出力计划如下图15-图17所示。
可以看出，IGDT机会调度计划相对于初始出力计划更加激进，减少CCHP机组的出力，期许不确定因素能朝有利的方向发展，从而提高调度收益，实现目标期望值。其中，碳排放量最大的CHP机组输出的电功率和热功率减少，EES机组输出的电功率和用户的需求响应量减少，使得PIESO拥有更多可交易的碳排放权，增加了碳交易收益，同时减少了需求响应成本，从而导致PIESO日运利润增加，实现目标期望值。
对比分析：通过比较常规策略、RA策略和RS策略下的结果，分析了PIESO风险意识对热电联产机组调度计划、需求响应量和天然气采购量的影响。具体如图18-21所示。
从图16-18可以看出，为了对冲风电和光伏出力不确定性风险，风险规避策略下PIESO更倾向于通过稳定出力的CHP机组来满足用户的用能需求，因此，相应的PIES消耗的天然气量也最多。与此同时，风险规避策略下，PIESO通过调用更多的需求响应负荷来实现能源供需平衡。在风险偏好策略下，PIESO为了寻求更多的收益，减少CHP的出力和需求响应量，从而减少碳排放交易成本和需求响应成本。例如，在10:00-12:00，用户的电负荷需求量达到最大，此时段，常规策略下通过CHP机组满足13.7%的电负荷需求，DR规模占比为9.43%；风险规避策略下通过CHP机组满足16.54%的电负荷需求，DR规模占比为14.19%；风险偏好策略下通过CHP机组14.43%的电负荷需求，DR规模占比为9.68%。三种策略下的PIESO碳交易收益分别为21531.36元，15380.24元和25773.41元。
例如，在10:00到12:00期间，用户的用电负荷需求达到最大值。此时，13.7%的电力负荷需求由常规策略下的CHP机组满足，需求响应规模的比例为9.43%。在风险规避策略中，CHP机组满足16.54%的电力负荷需求，DR规模占14.19%。风险偏好策略下，CHP机组满足14.43%的电力负荷需求，DR规模占比为9.68%。
阶梯式碳交易机制影响分析：由于不同碳交易价格的设置对于各类机组的出力、系统经济性和环保性均有影响。因此，本算例在常规策略下，设置有无阶梯式碳交易、不同阶梯式碳交易初始价格和可交易碳排放量比例三种场景如表3，分析各个场景下的系统碳排放总量和PIESO日运行收益的变化曲线。
表3
Figure 429256DEST_PATH_IMAGE169
在场景1中，分析了传统的碳交易和阶梯式碳交易机制对于PIESO利润和PIES碳排放总量的影响，具体如图22所示。
从图22可以看出，与传统碳交易机制相比，在阶梯式碳交易机制下，PIESO日运行利润相对较高，碳排放总量较低。由此可知，与阶梯式碳排放价格相比，固定不变的单位碳排放价格对于PIES的碳减排起到的激励效果相对较差。因此，在传统碳交易机制下，PIES的碳排放量虽然仍比碳排放配额低，使得PIESO可以将多余的碳排放配额进行交易，但是与采用阶梯式碳交易机制相比，可交易的碳排放额度减少了2.73%，使得PIESO减少了碳排放权交易收入4.87%。
在场景2中，分析了阶梯式碳交易初始价格变动对于PISO利润和PIES碳排放总量的影响，具体如图23所示。
从图23可以看出，当碳交易价格变化从50元/t增加为55元/t时，系统的碳排放总量显著少于碳排放配额，碳交易收益显著增加。当从55元/t增加至65元/t时，系统碳排放总量和碳交易收益的变化幅度显著降低，这是由于系统各机组的容量限制，即使碳交易价格持续增加，对于系统碳减排的激励效果也有限。由此可知，在一定区间内，碳交易价格的提高能够激励PIESO通过需求响应和利用各种能源之间的转换耦合来减少碳排放量，然而，当系统碳排放量趋于极限值时，碳价格的激励作用将显著减小，最终碳交易价格和碳排放量趋于稳定值。因此，制定合理的碳交易价格可以促进系统经济性和低碳性的协同。
在场景3中，分析了可交易碳排放比例的变化对于PIESO利润和PIESO碳排放总量的影响，具体如图24所示。
从图24可以看出，随着可交易的碳排放量超出碳配额比例设置从0.05变化为0.15，PIES碳排放总量相应增加，可交易的碳排放额度减少，从而导致PIESO的碳交易收益以及PIES日运行利润相应减少。然而，当可交易的碳排放量超出碳配额比例设置为0.2和0.25时，PIES碳排放总量和PIESO的日运行利润将不再发生变化。这是由于，PIES内部风电和光伏出力的限制、CHP机组容量以及需求响应规模的限制，导致PIES无法一直减少其碳排放量，碳减排潜力达到了最大值。同时，由于可交易的碳排放量超出碳配额比例设置较高，使得PIESO只能以第一梯度的碳排放价格进行交易，因此无法对PIESO的利润产生进一步的影响。
结论：本算例基于能源集线器架构，通过多个能源之间的耦合和转换以及用户侧的需求响应，并考虑阶梯式碳交易机制，构建了PIESO日运行利润最大化的调度优化模型。在此基础上，为应对源侧可再生能源出力和负荷侧电、热、冷负荷需求的不确定性，分别从风险规避和风险偏好两个角度，建立了基于IGDT的多目标鲁棒模型和机会模型，结果表明PIESO的风险意识对其利润以及调度计划的确定具有一定的影响，因此，PIESO可以考虑自身的风险承受力去选择一种合理的模型应对源侧和负荷侧的不确定性。此外，与传统碳交易机制相比，阶梯式碳交易机制的引入减少了碳排放量2.73%，并且阶梯式碳交易价格的设置对于PIES碳排放量和运行利润也具有显著的影响。因此，如何设置一个合理的阶梯式碳交易价格对于PIES运行经济性和环保性非常重要。
本发明实施例提供的园区综合能源调度方法，通过获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；基于所述目标能源调度策略对园区综合能源进行调度，由本方法，可以减少园区综合能源系统碳排放量，并且阶梯式碳交易价格的设置可以降低园区综合能源系统碳排放量，提高运行利润。
图25示出了本发明实施例的一种园区综合能源调度装置的结构示意图，如图25所示，该装置包括：
获取模块2501，用于获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
确定模块2502，用于基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
优化模块2503，用于基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
所述确定模块2502，还用于基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
调度模块2504，用于基于所述目标能源调度策略对园区综合能源进行调度。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
本发明实施例提供的园区综合能源调度装置，用于执行上述实施例提供的园区综合能源调度方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
图26示出了本发明实施例的一种计算机设备，如图26所示，该计算机设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图26中以通过总线连接为例。
处理器901可以为中央处理器（Central Processing Unit，CPU）。处理器901还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中所提供方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
上述计算机设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种园区综合能源调度方法，其特征在于，包括：
获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；
基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；
基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；
基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；
基于所述目标能源调度策略对园区综合能源进行调度。
2.根据权利要求1所述的方法，其特征在于，所述获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据之后，所述方法还包括：
基于所述各类机组的机组参数、负荷预测数据、出力预测数据构建设能源生产设备模型、能源耦合设备模型和能源存储设备模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于预先分配的碳排放额与实际碳排放量之间的关系，建立阶梯式碳交易机制；
基于所述阶梯式碳交易机制确定碳交易价格制度；
基于所述各类机组的机组参数、负荷预测数据、出力预测数据与碳交易价格制度确定碳交易成本。
4.根据权利要求3所述的方法，其特征在于，所述基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略，包括：
获取多类型能源统筹规划和协调调度综合能源系统的当日售能收益、购能成本、设备运维成本、需求响应成本；
基于所述当日售能收益、购能成本、设备运维成本、需求响应成本和碳交易成本确定多类型能源统筹规划和协调调度综合能源系统的日运行利润；
将所述日运行利润作为能源调度模型的期望目标值；
基于所述期望目标值和预先设置的约束条件，构建能源调度模型。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述机组参数、负荷预测数据、出力预测数据输入至所述能源调度模型，得到多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略。
6.根据权利要求5所述的方法，其特征在于，所述基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集，包括：
基于多类型能源统筹规划和协调调度综合能源系统对机组负荷和出力的敏感程度设置目标偏差因子；
基于所述目标偏差因子、预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集。
7.根据权利要求6所述的方法，其特征在于，所述基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略，包括：
对所述帕累托解集进行插值拟合，得到帕累托前沿；
基于TOPSIS方法在所述帕累托前沿上确定目标解；
将所述目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略。
8.一种园区综合能源调度装置，其特征在于，包括：
获取模块，用于获取多类型能源统筹规划和协调调度综合能源系统中各类机组的机组参数、负荷预测数据、出力预测数据；
确定模块，用于基于所述机组参数、负荷预测数据、出力预测数据确定多类型能源统筹规划和协调调度综合能源系统的基础能源调度策略；
优化模块，用于基于预设的风险规避策略和风险偏好策略对所述基础能源调度策略进行优化，得到帕累托解集；
所述确定模块，还用于基于TOPSIS方法从所述帕累托解集中确定目标解作为多类型能源统筹规划和协调调度综合能源系统的目标能源调度策略；
调度模块，用于基于所述目标能源调度策略对园区综合能源进行调度。
9.一种计算机设备，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的园区综合能源调度程序，以实现权利要求1~7中任一项所述的园区综合能源调度方法。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1~7中任一项所述的园区综合能源调度方法。
CN202211011674.2A 2022-08-23 2022-08-23 园区综合能源调度方法、装置、计算机设备及存储介质 Pending CN115115277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211011674.2A CN115115277A (zh) 2022-08-23 2022-08-23 园区综合能源调度方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211011674.2A CN115115277A (zh) 2022-08-23 2022-08-23 园区综合能源调度方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN115115277A true CN115115277A (zh) 2022-09-27

Family

ID=83335630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211011674.2A Pending CN115115277A (zh) 2022-08-23 2022-08-23 园区综合能源调度方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115115277A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983430A (zh) * 2022-12-02 2023-04-18 成都市迈德物联网技术有限公司 一种综合能源系统管理优化的方法及系统
CN116151594A (zh) * 2023-04-19 2023-05-23 国网浙江省电力有限公司金华供电公司 电气热协同的综合能源系统低碳调度方法
CN116933952A (zh) * 2023-09-19 2023-10-24 北京中电飞华通信有限公司 基于物联网可视化的园区低碳能源调度系统及方法
CN117077368A (zh) * 2023-07-07 2023-11-17 华中科技大学 计及工业综合需求响应的综合能源系统众目标规划方法
CN117314043A (zh) * 2023-08-23 2023-12-29 华北电力大学 一种场景驱动的综合能源互补容量规划方法及系统
CN117371669A (zh) * 2023-12-06 2024-01-09 江苏米特物联网科技有限公司 一种考虑碳交易风险成本的园区综合能源系统运行方法
CN117498348A (zh) * 2023-11-16 2024-02-02 新源聚合能源科技(北京)有限公司 一种综合能源系统运行优化调度方法
CN117494910A (zh) * 2024-01-02 2024-02-02 国网山东省电力公司电力科学研究院 一种基于碳减排的多能源协调优化控制系统及方法
WO2024103450A1 (zh) * 2022-11-15 2024-05-23 云南电网有限责任公司电力科学研究院 多能系统的调度方法、计算机设备和计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110904A (zh) * 2019-04-17 2019-08-09 华北电力大学 考虑经济性、独立性和碳排放的综合能源系统优化方法
CN111882136A (zh) * 2020-08-06 2020-11-03 南方电网科学研究院有限责任公司 一种园区综合能源系统的双目标优化调度方法及装置
CN113191571A (zh) * 2021-05-26 2021-07-30 上海海事大学 基于多目标适应性权重进化算法的航线优化方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110904A (zh) * 2019-04-17 2019-08-09 华北电力大学 考虑经济性、独立性和碳排放的综合能源系统优化方法
CN111882136A (zh) * 2020-08-06 2020-11-03 南方电网科学研究院有限责任公司 一种园区综合能源系统的双目标优化调度方法及装置
CN113191571A (zh) * 2021-05-26 2021-07-30 上海海事大学 基于多目标适应性权重进化算法的航线优化方法
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

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024103450A1 (zh) * 2022-11-15 2024-05-23 云南电网有限责任公司电力科学研究院 多能系统的调度方法、计算机设备和计算机可读存储介质
CN115983430A (zh) * 2022-12-02 2023-04-18 成都市迈德物联网技术有限公司 一种综合能源系统管理优化的方法及系统
CN115983430B (zh) * 2022-12-02 2023-12-29 成都市迈德物联网技术有限公司 一种综合能源系统管理优化的方法及系统
CN116151594A (zh) * 2023-04-19 2023-05-23 国网浙江省电力有限公司金华供电公司 电气热协同的综合能源系统低碳调度方法
CN116151594B (zh) * 2023-04-19 2023-07-07 国网浙江省电力有限公司金华供电公司 电气热协同的综合能源系统低碳调度方法
CN117077368B (zh) * 2023-07-07 2024-02-06 华中科技大学 计及工业综合需求响应的综合能源系统众目标规划方法
CN117077368A (zh) * 2023-07-07 2023-11-17 华中科技大学 计及工业综合需求响应的综合能源系统众目标规划方法
CN117314043A (zh) * 2023-08-23 2023-12-29 华北电力大学 一种场景驱动的综合能源互补容量规划方法及系统
CN116933952A (zh) * 2023-09-19 2023-10-24 北京中电飞华通信有限公司 基于物联网可视化的园区低碳能源调度系统及方法
CN116933952B (zh) * 2023-09-19 2024-02-23 北京中电飞华通信有限公司 基于物联网可视化的园区低碳能源调度系统
CN117498348A (zh) * 2023-11-16 2024-02-02 新源聚合能源科技(北京)有限公司 一种综合能源系统运行优化调度方法
CN117371669B (zh) * 2023-12-06 2024-03-12 江苏米特物联网科技有限公司 一种考虑碳交易风险成本的园区综合能源系统运行方法
CN117371669A (zh) * 2023-12-06 2024-01-09 江苏米特物联网科技有限公司 一种考虑碳交易风险成本的园区综合能源系统运行方法
CN117494910A (zh) * 2024-01-02 2024-02-02 国网山东省电力公司电力科学研究院 一种基于碳减排的多能源协调优化控制系统及方法
CN117494910B (zh) * 2024-01-02 2024-03-22 国网山东省电力公司电力科学研究院 一种基于碳减排的多能源协调优化控制系统及方法

Similar Documents

Publication Publication Date Title
CN115115277A (zh) 园区综合能源调度方法、装置、计算机设备及存储介质
Wang et al. Multi-objective optimal scheduling model with IGDT method of integrated energy system considering ladder-type carbon trading mechanism
Zheng et al. A peer-to-peer energy trading market embedded with residential shared energy storage units
Kamyab et al. Demand response program in smart grid using supply function bidding mechanism
Luo et al. Distributed peer-to-peer energy trading based on game theory in a community microgrid considering ownership complexity of distributed energy resources
Chen et al. Research on day-ahead transactions between multi-microgrid based on cooperative game model
Oprea et al. Edge and fog computing using IoT for direct load optimization and control with flexibility services for citizen energy communities
CN109389327B (zh) 基于风光不确定性的多虚拟电厂时前合作方法
Zhao et al. Peer-to-peer energy sharing with demand-side management for fair revenue distribution and stable grid interaction in the photovoltaic community
Zhao et al. Cooperative energy dispatch of smart building cluster based on smart contracts
CN113746089A (zh) 面向多用户的多时间尺度电力套餐与家庭能量优化方法
Wang et al. Peer-to-peer energy trading for residential prosumers with photovoltaic and battery storage systems
Wang et al. Market power modeling and restraint of aggregated prosumers in peer-to-peer energy trading: A game-theoretic approach
Dai et al. A robust biobjective optimization approach for operating a shared energy storage under price uncertainty
Mei et al. Optimal bidding strategy for virtual power plant participating in combined electricity and ancillary services market considering dynamic demand response price and integrated consumption satisfaction
Boiarkin et al. A novel dynamic pricing model for a microgrid of prosumers with photovoltaic systems
Su et al. Distributed energy sharing algorithm for Micro Grid energy system based on cloud computing
Guo et al. How to realize the power demand side actively matching the supply side?——A virtual real-time electricity prices optimization model based on credit mechanism
CN110556821B (zh) 考虑交互功率控制和双边竞价交易的多微电网双层优化调度方法
Sun et al. Game-theoretic robust optimization for a small-scale integrated power system
Fijani et al. Game theory approach on modeling of residential electricity market by considering the uncertainty due to the battery electric vehicles (bevs)
Oprea et al. A signaling game-optimization algorithm for residential energy communities implemented at the edge-computing side
Chi et al. Collaborative approach for energy cost minimization in smart grid communities
Hosseinalipour et al. Optimal risk-constrained peer-to-peer energy trading strategy for a smart microgrid
De Ridder et al. On a fair distribution of consumer's flexibility between market parties with conflicting interests

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220927