CN115130391A - 一种计及热惯性的电热综合能源系统故障恢复方法及系统 - Google Patents

一种计及热惯性的电热综合能源系统故障恢复方法及系统 Download PDF

Info

Publication number
CN115130391A
CN115130391A CN202211022187.6A CN202211022187A CN115130391A CN 115130391 A CN115130391 A CN 115130391A CN 202211022187 A CN202211022187 A CN 202211022187A CN 115130391 A CN115130391 A CN 115130391A
Authority
CN
China
Prior art keywords
heat
power
heat supply
electric
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211022187.6A
Other languages
English (en)
Other versions
CN115130391B (zh
Inventor
于松源
房方
元志伟
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 CN202211022187.6A priority Critical patent/CN115130391B/zh
Publication of CN115130391A publication Critical patent/CN115130391A/zh
Application granted granted Critical
Publication of CN115130391B publication Critical patent/CN115130391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明提供一种计及热惯性的电热综合能源系统故障恢复方法及系统，属于综合能源领域，电热综合能源系统故障恢复方法包括：根据热电联产机组的启停状态确定第一阶段约束条件，基于第一阶段约束条件，以热电联产机组的启停成本最小为目标建立第一阶段模型；根据极端天气信息确定线路损坏概率并建立电力线路故障的模糊集；确定供热管道的出口温度及供热量；根据各机组的出力上下界确定第二阶段约束条件；基于第二阶段约束条件及电力线路故障的模糊集，以运行成本以及失负荷惩罚最小为目标建立第二阶段模型；采用列与约束生成算法对两阶段模型求解，确定各机组的启停状态、出力及电力线路的加固方案。提高了综合能源系统的故障恢复效率。

Description

一种计及热惯性的电热综合能源系统故障恢复方法及系统
技术领域
本发明涉及电热综合能源领域，特别是涉及一种计及热惯性的电热综合能源系统故障恢复方法及系统。
背景技术
综合能源系统通过协调多种形式的能源，配以多种能源转化设备，大大促进了可再生能源消纳，提升了整个系统的经济性、安全性和灵活性。近年来，针对综合能源系统的研究围绕规划设计、优化调度、市场交易、可靠性评估等方面进行，然而随着电力系统逐步发展，配电网发生故障后对人类生活的影响越来越大。各类“小概率高损失”的极端天气灾害会对电力系统安全稳定运行造成严重影响。事实上，极端天气给综合能源系统带来更为复杂、严重的影响，由于综合能源系统多种能源耦合，一旦发生故障可通过耦合元件引起网络间连锁反应，扩大受影响范围，传统电力系统研究仅考虑配电网N-K安全准则，不能使得综合能源系统面对极端天气下时快速恢复供能。
目前对于极端天气下综合能源系统的恢复力问题研究较少，现有技术中，一般采用双层优化模型建立电气耦合综合能源恢复模型，上层模型为故障恢复指标，下层为经济型目标，上下层相互传递得到最优恢复方案。但现有的方案仅考虑了储能装置作为响应资源支撑供应端故障时重要负荷的用能需求，然而储能装置在故障恢复作用有限，并没有发挥热力系统中动态特性所带来的弹性提升作用。
发明内容
本发明的目的是提供一种计及热惯性的电热综合能源系统故障恢复方法及系统，可提高电热综合能源系统的故障恢复效率，使电热综合能源系统在极端天气事件下安全稳定运行。
为实现上述目的，本发明提供了如下方案：
一种计及热惯性的电热综合能源系统故障恢复方法，所述电热综合能源系统包括电力线路、供热管道、热电联产机组、电热泵、碳捕集装置及储能装置，所述计及热惯性的电热综合能源系统故障恢复方法包括：
根据热电联产机组在相邻两时刻的启停状态及最小启停时间，确定第一阶段约束条件；
基于所述第一阶段约束条件，以热电联产机组的启停成本最小为目标，建立第一阶段模型；
获取极端天气信息，并根据所述极端天气信息，确定电热综合能源系统的线路损坏概率；
根据所述线路损坏概率，建立电力线路故障的模糊集；
针对任一供热管道，根据所述供热管道的长度、所述供热管道的进口温度、所述供热管道内的热媒质量流量及周围环境温度，确定所述供热管道的出口温度；
根据所述供热管道的出口温度、室内温度、建筑物内面积、窗户面积及室外温度，确定所述供热管道的供热量；
根据热电联产机组的电出力上下界、热电联产机组的热出力上界、电热泵的最大消耗电能、储能装置的最大容量、储能装置的最小容量、储能装置的充放能上下界、电热综合能源系统与电网交互的最大功率、各电力线路的传输功率上下界、各供热管道的出口温度及供热量、切电负荷最大值、切热负荷最大值，确定第二阶段约束条件；
基于所述第二阶段约束条件及所述电力线路故障的模糊集，以热电联产机组、电热泵、碳捕集装置和储能装置的运行成本以及失负荷惩罚最小为目标，建立第二阶段模型；
采用列与约束生成算法对所述第一阶段模型及所述第二阶段模型求解，确定热电联产机组的启停状态、电热泵的启停状态、碳捕集装置的启停状态、储能装置的启停状态、热电联产机组的出力、电热泵的出力、碳捕集装置的出力、储能装置的出力及电力线路的加固方案。
为实现上述目的，本发明还提供了如下方案：
一种计及热惯性的电热综合能源系统故障恢复系统，包括：
第一约束确定单元，用于根据热电联产机组在相邻两时刻的启停状态及最小启停时间，确定第一阶段约束条件；
第一阶段模型确定单元，与所述第一约束确定单元及热电联产机组连接，用于基于所述第一阶段约束条件，以热电联产机组的启停成本最小为目标，建立第一阶段模型；
线路损坏概率确定单元，用于获取极端天气信息，并根据所述极端天气信息，确定电热综合能源系统的线路损坏概率；
模糊集确定单元，与所述线路损坏概率确定单元连接，用于根据所述线路损坏概率，建立电力线路故障的模糊集；
管道出口温度确定单元，与供热管道连接，用于针对任一供热管道，根据所述供热管道的长度、所述供热管道的进口温度、所述供热管道内的热媒质量流量及周围环境温度，确定所述供热管道的出口温度；
供热量确定单元，与所述管道出口温度确定单元及所述供热管道连接，用于根据所述供热管道的出口温度、室内温度、建筑物内面积、窗户面积及室外温度，确定所述供热管道的供热量；
第二约束确定单元，与所述管道出口温度确定单元及所述供热量确定单元连接，用于根据热电联产机组的电出力上下界、热电联产机组的热出力上界、电热泵的最大消耗电能、储能装置的最大容量、储能装置的最小容量、储能装置的充放能上下界、电热综合能源系统与电网交互的最大功率、各电力线路的传输功率上下界、各供热管道的出口温度及供热量、切电负荷最大值、切热负荷最大值，确定第二阶段约束条件；
第二阶段模型确定单元，与所述模糊集确定单元及所述第二约束确定单元连接，用于基于所述第二阶段约束条件及所述电力线路故障的模糊集，以热电联产机组、电热泵、碳捕集装置和储能装置的运行成本以及失负荷惩罚最小为目标，建立第二阶段模型；
求解单元，分别与所述第一阶段模型确定单元及所述第二阶段模型确定单元连接，用于采用列与约束生成算法对所述第一阶段模型及所述第二阶段模型求解，确定热电联产机组的启停状态、电热泵的启停状态、碳捕集装置的启停状态、储能装置的启停状态、热电联产机组的出力、电热泵的出力、碳捕集装置的出力、储能装置的出力及电力线路的加固方案。
根据本发明提供的具体实施例，本发明公开了以下技术效果：根据热电联产机组在相邻两时刻的启停状态及最小启停时间，确定第一阶段约束条件，基于第一阶段约束条件，以热电联产机组的启停成本最小为目标，建立第一阶段模型，根据极端天气信息确定线路损坏概率并建立电力线路故障的模糊集；确定供热管道的出口温度及供热量；根据各机组的出力上下界确定第二阶段约束条件；基于第二阶段约束条件及电力线路故障的模糊集，以运行成本以及失负荷惩罚最小为目标建立第二阶段模型；采用列与约束生成算法对两阶段模型求解，确定各机组的启停状态、出力及电力线路的加固方案。两阶段模型中考虑了热力系统的热惯性，提高了电热综合能源系统的故障恢复效率，减少了电热综合能源系统的恢复成本，并提高了电热综合能源系统的弹性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明计及热惯性的电热综合能源系统故障恢复方法的流程图；
图2为电热综合能源系统故障恢复的整体流程示意图；
图3为电热综合能源系统的结构示意图；
图4为IEEE33节点+32节点电热综合能源系统的拓扑图；
图5为本发明计及热惯性的电热综合能源系统故障恢复系统的示意图。
符号说明：
101：第一约束确定单元；102：第一阶段模型确定单元；103：线路损坏概率确定单元；104：模糊集确定单元；105：管道出口温度确定单元；106：供热量确定单元；107：第二约束确定单元；108：第二阶段模型确定单元；109：求解单元；
1-1、1-2、1-3、1-4、1-5、1-6、1-7、1-8、1-9、1-10、1-11、1-12、1-13、1-14、1-15、1-16、1-17、1-18、1-19、1-20、1-21、1-22、1-23、1-24、1-25、1-26、1-27、1-28、1-29、1-30、1-31、1-32、1-33：电力节点；
2-1、2-2、2-3、2-4、2-5、2-6、2-7、2-8、2-9、2-10、2-11、2-12、2-13、2-14、2-15、2-16、2-17、2-18、2-19、2-20、2-21、2-22、2-23、2-24、2-25、2-26、2-27、2-28、2-29、2-30、2-31、2-32：热力节点。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种计及热惯性的电热综合能源系统故障恢复方法及系统，通过在两阶段模型中考虑热力系统的热惯性，提高电热综合能源系统的故障恢复效率，减少电热综合能源系统的恢复成本，并提高电热综合能源系统的弹性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
电热综合能源系统包括电力线路、供热管道、热电联产机组、电热泵、碳捕集装置及储能装置，其中，储能装置包括蓄电池、储热槽及碳存储装置。
如图1所示，本发明计及热惯性的电热综合能源系统故障恢复方法包括：
S1：根据热电联产机组在相邻两时刻的启停状态及最小启停时间，确定第一阶段约束条件。
具体地，所述第一阶段约束条件为：
Figure 502834DEST_PATH_IMAGE001
；
Figure 626779DEST_PATH_IMAGE002
；
Figure 395890DEST_PATH_IMAGE003
；
其中，t为时刻，
Figure 820049DEST_PATH_IMAGE004
代表热电联产机组，
Figure 281992DEST_PATH_IMAGE005
为热电联产机组
Figure 424391DEST_PATH_IMAGE004
在t时刻的运行状态，即热电联产机组
Figure 997193DEST_PATH_IMAGE004
在t时刻处于开启/关闭状态，
Figure 275859DEST_PATH_IMAGE006
为热电联产机组
Figure 502178DEST_PATH_IMAGE004
在t时刻是否启动，
Figure 803978DEST_PATH_IMAGE007
为热电联产机组
Figure 242787DEST_PATH_IMAGE004
在t时刻是否关闭，
Figure 641539DEST_PATH_IMAGE008
为t时刻前的任一时刻，
Figure 445284DEST_PATH_IMAGE009
为最小启动时间，
Figure 296697DEST_PATH_IMAGE010
为最小停止时间，
Figure 211301DEST_PATH_IMAGE006
、
Figure 995717DEST_PATH_IMAGE007
、
Figure 704785DEST_PATH_IMAGE005
均为二级制变量。
S2：基于所述第一阶段约束条件，以热电联产机组的启停成本最小为目标，建立第一阶段模型。
具体地，所述第一阶段模型的目标函数为：
Figure 620657DEST_PATH_IMAGE011
；
其中，x为第一阶段决策变量，
Figure 574838DEST_PATH_IMAGE012
，T为调度周期，
Figure 446717DEST_PATH_IMAGE013
为热电联产机组集合，
Figure 31413DEST_PATH_IMAGE014
为热电联产机组
Figure 621532DEST_PATH_IMAGE015
的启动成本系数，
Figure 644983DEST_PATH_IMAGE016
为热电联产机组
Figure 105789DEST_PATH_IMAGE017
的关闭成本系数，
Figure 189283DEST_PATH_IMAGE018
为热电联产机组
Figure 618031DEST_PATH_IMAGE019
的空载成本系数。
S3：获取极端天气信息，并根据所述极端天气信息，确定电热综合能源系统的线路损坏概率。
S4：根据所述线路损坏概率，建立电力线路故障的模糊集。
S5：针对任一供热管道，根据所述供热管道的长度、所述供热管道的进口温度、所述供热管道内的热媒质量流量及周围环境温度，确定所述供热管道的出口温度。在本实施例中，供热管道包括供水管道和回水管道。
电力系统传输快、不易存储，热力系统传输消耗大、可有效存储，这两种能源可有效互补。研究证明，从热源到用户中供热管道和采暖建筑热惯性特点使得热网具有天然储热特性，无需额外投资，便可改变负荷在时空维度的分布。对热能输运动态过程的建模是体现热网热惯性的关键，便于发掘热网参与综合能源优化运行的储热潜力，同时为电热综合能源系统面临极端天气时提供热量供给。在热介质传输过程中，供热管网的热惯性对热媒各处温度有直接影响，主要表现为热延迟和热损耗。采暖建筑温度在一定范围内波动不影响用户舒适度，因此可作为一种可调负荷参与综合能源优化调度。
热水传输存在时滞，即供热管道末端处热媒温度变化相对于首端具有一定的滞后效应。同时，热媒在供热管道中流动，由于流动时与外界冷质热接触导致温度下降，因此，采用以下公式，确定t时刻供热管道j的出口温度：
Figure 382856DEST_PATH_IMAGE020
；
其中，
Figure 229327DEST_PATH_IMAGE021
为t时刻供热管道j的出口温度，
Figure 952564DEST_PATH_IMAGE022
为温损系数，
Figure 330324DEST_PATH_IMAGE023
，
Figure 928534DEST_PATH_IMAGE024
，
Figure 130976DEST_PATH_IMAGE025
为供热管道j的损耗系数，k j 为供热管道j的热损失系数，q j 为供热管道j内热媒质量流量，c为热媒比热容，
Figure 212064DEST_PATH_IMAGE026
为
Figure 998493DEST_PATH_IMAGE027
时刻供热管道j的进口温度，
Figure 213442DEST_PATH_IMAGE028
为供热管道j的周围环境温度，
Figure 191762DEST_PATH_IMAGE029
为供热管道j的热延迟时间，k dy 为热延迟系数，L j 为供热管道j的长度，v j 为供热管道j内的热媒流速。
S6：根据所述供热管道的出口温度、室内温度、建筑物内面积、窗户面积及室外温度，确定所述供热管道的供热量。
具体地，建筑物温度变化由供热量和热损耗共同构成，采用以下公式，确定供热管道的供热量，即建筑物温度变化和供热量之间的关系：
Figure 256801DEST_PATH_IMAGE030
；
其中，Q L 为供热管道的供热量，c air 为空气的等压热容，
Figure 530526DEST_PATH_IMAGE031
为空气的密度，V air 为空气的体积，T out 为供热管道的出口温度，T room 为室内温度，Q loss 为热损耗，
Figure 768740DEST_PATH_IMAGE032
为内部增益系数，S room 为建筑物内面积，
Figure 178731DEST_PATH_IMAGE033
为水平辐照比，
Figure 680250DEST_PATH_IMAGE034
为透射因子，
Figure 441271DEST_PATH_IMAGE035
为垂直区域的角度校正因子，S windows 为窗户面积，
Figure 155280DEST_PATH_IMAGE036
为换气率，T out 为室外平均温度。热损耗Q loss 考虑了建筑物内热辐射损失、热对流损失及热传导损失。
室内温度在一定范围内波动时不影响用户舒适度，约束为：
Figure 685356DEST_PATH_IMAGE037
；
其中，T min为室内温度下界，T max为室内温度上界。
S7：根据热电联产机组的电出力上下界、热电联产机组的热出力上界、电热泵的最大消耗电能、储能装置的最大容量、储能装置的最小容量、储能装置的充放能上下界、电热综合能源系统与电网交互的最大功率、各电力线路的传输功率上下界、各供热管道的出口温度及供热量、切电负荷最大值、切热负荷最大值，确定第二阶段约束条件。
S8：基于所述第二阶段约束条件及所述电力线路故障的模糊集，以热电联产机组、电热泵、碳捕集装置和储能装置的运行成本以及失负荷惩罚最小为目标，建立第二阶段模型。
S9：采用列与约束生成算法对所述第一阶段模型及所述第二阶段模型求解，确定热电联产机组的启停状态、电热泵的启停状态、碳捕集装置的启停状态、储能装置的启停状态、热电联产机组的出力、电热泵的出力、碳捕集装置的出力、储能装置的出力及电力线路的加固方案。
本发明建立的两阶段模型中，集成了储电、储热、储碳三种储能装置，充分利用多源储能间的互补，同时考虑了热力系统的热惯性，减少系统恢复成本，提升了电热综合能源系统弹性。
在本实施例中，步骤S3中的极端天气信息为飓风风速。首先获取飓风天气下的初始水平风速及环境参数。其中环境参数包括空气密度及大气压强。然后根据所述初始水平风速及所述环境参数，基于预先建立的飓风模型，得到飓风风速。最后根据所述飓风风速及最大风速阈值，确定电热综合能源系统的线路损坏概率。
面向灾害风险评估的台风风场模型主要分为3类：全经验、半数值半经验、全数值。为方便模型的描述，本发明做以下假设：（1）由于飓风影响时间长，当某一支路损坏后，其在之后的调度周期内保持中断状态。（2）由于抢修时间和成本有限，加固线路时所加固线路数量有限。本发明采用半数值半经验的飓风模型，由非线性偏微分方程组描述，飓风模型的公式为：
Figure 29881DEST_PATH_IMAGE038
；
其中，
Figure 747039DEST_PATH_IMAGE039
为边界层垂直平均的水平风速矢量，f为科里奥利力系数，K为垂直方向上的单位矢量，^表示固定坐标系，
Figure 592635DEST_PATH_IMAGE040
为空气密度，P air 为大气压强，
Figure 711639DEST_PATH_IMAGE041
表示二维微分算子，K H 为水平涡旋粘滞系数，C D 为阻力系数，h为行星边界层深度。
假设动量的垂直平流比水平平流小，可以忽略，剪切应力在边界层顶部消失。引入两个关系式：
Figure 476332DEST_PATH_IMAGE042
；
其中，p c 表示飓风非轴对称压力场，假设随飓风水平移动，
Figure 447830DEST_PATH_IMAGE043
表示与恒定地转流有关的大尺度压力场，
Figure 2177DEST_PATH_IMAGE044
表示地球自转风速。
将飓风模型的公式转化为：
Figure DEST_PATH_IMAGE045
；
令
Figure 273890DEST_PATH_IMAGE046
，将上式转化原点固连于台风中心的笛卡尔坐标系：
Figure 521069DEST_PATH_IMAGE047
；
其中，V表示相对于台风中心的水平风速，即飓风风速，V c 表示台风中心的移动风速。输入初始的水平风速及相关环境参数，采用有限差分法对飓风模型进行求解，可得到飓风风速V。
假设在飓风天气下，热力系统由于管道铺设在地下不受飓风影响，电力线路架设在空中容易被极强风力破环。针对飓风运行工况下的支路中断概率模型为：当飓风风速V小于等于线路最大风速阈值V max时，中断概率为0，当飓风风速V大于等于2V max时，中断概率为1，其余情况下中断概率依指数增长，其表达式为：
Figure DEST_PATH_IMAGE048
；
其中，P f 为线路损坏概率，V为飓风风速，V max为最大风速阈值。
当飓风来临前，维修人员可在前一天短期内加固一定数量线路，以免受第二天飓风破坏。假设当线路加固后，加固线路损坏概率为0，配电网线路状态模型为：
a l =1-(1-h l )(1-u l )；
Figure 150503DEST_PATH_IMAGE049
；
Figure DEST_PATH_IMAGE050
；
其中，a l 、h l 、u l 均为二进制变量。a l 表示线路状态，a l =1时表示线路闭合，a l =0时表示线路断开，该线路上传输功率为0；h l 表示线路是否被加固，h l =1时表示线路加固，h l =0时表示未加固；u l 表示是否受到极端天气（飓风天气）影响，u l =1时表示该线路处于极端天气（飓风）影响范围内，u l =0时表示不在极端天气（飓风）影响范围内；
Figure 56011DEST_PATH_IMAGE051
为电力线路集合，N l 为电力线路总数，N h 为最大加固数，k max为线路最大损坏数。
根据上述的配电网线路状态模型可知，只有当线路处于飓风影响范围内且该线路未得到加固，该线路才处于断路状态。
进一步地，步骤S4具体包括：
根据所述线路损坏概率，确定故障概率最大值及故障概率最小值。
具体地，假设真实的线路损坏概率在已求出的线路损坏概率P f 上下波动，令
Figure 916650DEST_PATH_IMAGE052
，
Figure 358169DEST_PATH_IMAGE053
。其中，
Figure 100997DEST_PATH_IMAGE054
为故障概率最小值，
Figure 262726DEST_PATH_IMAGE055
为故障概率最大值，
Figure 977872DEST_PATH_IMAGE056
为一常数，用来控制波动范围。
根据所述故障概率最大值及所述故障概率最小值，采用以下公式，确定电力线路故障的模糊集：
Figure 255269DEST_PATH_IMAGE057
；
其中，F为电力线路故障的模糊集，P为真实的线路故障概率分布，P指的是u l 的概率分布，用P E 来估计P，
Figure 656033DEST_PATH_IMAGE058
为线路故障概率分布集合，
Figure 185234DEST_PATH_IMAGE059
为故障概率最小值，
Figure 987843DEST_PATH_IMAGE055
为故障概率最大值，E P ()表示求期望，u l 为电力线路l是否受极端天气影响，u l =1表示电力线路l受极端天气影响，u l =0表示电力线路l未受极端天气影响，
Figure DEST_PATH_IMAGE060
为电力线路集合，N l 为电力线路总数，k ave 为电力线路损坏数的期望值，P E 为经验的线路故障概率分布，d w (P,P E )为真实的线路故障概率分布P与经验的线路故障概率分布P E 之间的Wasserstein距离，
Figure 560775DEST_PATH_IMAGE061
为Wasserstein半径，用来表示P和P E 之间的距离。
Figure 215879DEST_PATH_IMAGE062
和P E 之间的Wasserstein距离d w (P,P E )为：
Figure 984989DEST_PATH_IMAGE063
；
其中，
Figure 940307DEST_PATH_IMAGE064
表示P和P E 的联合概率分布，
Figure 825086DEST_PATH_IMAGE065
表示u l 的估计值。
在本实施例中，电力线路故障的模糊集实际是关于u l 的不确定集合，而线路最终状态a l 受到u l 和h l 的共同影响，h l 是决定是否加固的决策变量，u l 是是否受到飓风影响，不可事先确定，通过u l 所建立的模糊集结合加固决策变量h l 才能最终确定线路的状态a l 。
本发明构建了基于矩信息和Wasserstein距离的线路故障模糊集。采用飓风模型和支路中断概率模型得到线路损坏概率，结合矩信息和Wasserstein距离的优点，提升了对线路故障不确定性的描述能力，可直接嵌入两阶段的故障恢复模型中。
进一步地，第二阶段约束条件包括：热电联产机组运行约束、电热泵运行约束、储能装置运行约束、电网交互约束、潮流约束及切负荷约束。
步骤S7具体包括：
S71：根据热电联产机组的电出力上下界及热出力上界，确定热电联产机组运行约束。
热电联产机组采取“以热定电”方式运行，其运行约束为：
Figure 200442DEST_PATH_IMAGE066
；
其中，
Figure 540287DEST_PATH_IMAGE067
为热电联产机组
Figure 989592DEST_PATH_IMAGE068
在t时刻的热出力，h max为热出力上界，p min电出力下界，p max电出力上界，c m 和c v 为直线斜率，h med 为常数，
Figure 123901DEST_PATH_IMAGE069
为热电联产机组
Figure 783291DEST_PATH_IMAGE070
在t时刻的电出力。
S72：根据电热泵的最大消耗电能，确定电热泵运行约束：
Figure 395669DEST_PATH_IMAGE071
；
Figure 715792DEST_PATH_IMAGE072
；
其中，
Figure 988379DEST_PATH_IMAGE073
为电热泵b在t时刻的热出力，
Figure 636529DEST_PATH_IMAGE074
为电热泵将电能转化为热能的效率，
Figure 551133DEST_PATH_IMAGE075
为电热泵b在t时刻消耗的电能，
Figure 742074DEST_PATH_IMAGE076
为电热泵的最大消耗电能。
S73：根据储能装置的最大容量、最小容量及充放能上下界，确定储能装置运行约束：
Figure 873978DEST_PATH_IMAGE077
；
Figure 242380DEST_PATH_IMAGE078
；
Figure 727720DEST_PATH_IMAGE079
；
Figure 334019DEST_PATH_IMAGE080
；
其中，储能装置包括蓄电池、储热槽以及碳储存装置，因储能装置模型相似，故用X表示三种装置。SoC用来表征储能装置容量限制。SoC X,t+1 为储能装置X在t+1时刻的容量，
Figure 387557DEST_PATH_IMAGE081
为储能装置X的充能效率，
Figure 977676DEST_PATH_IMAGE082
为储能装置X的放能效率，
Figure 266706DEST_PATH_IMAGE083
为储能装置X在t时刻的充能量，
Figure 993091DEST_PATH_IMAGE084
为储能装置X在t时刻的放能量，
Figure 279847DEST_PATH_IMAGE085
为储能装置X在t时刻的最小容量，
Figure 514520DEST_PATH_IMAGE086
为储能装置X在t时刻的最大容量，
Figure 309038DEST_PATH_IMAGE087
为储能装置X在t时刻的最小充能量，
Figure 188132DEST_PATH_IMAGE088
为储能装置X在t时刻的最大充能量，
Figure 245841DEST_PATH_IMAGE089
为储能装置X在t时刻的最小放能量，
Figure 718542DEST_PATH_IMAGE090
为储能装置X在t时刻的最大放能量。
S74：根据电热综合能源系统与电网交互的最大功率，确定电网交互约束：
Figure 316751DEST_PATH_IMAGE091
；
其中，
Figure 519194DEST_PATH_IMAGE092
为向电网购买的电功率，
Figure 911867DEST_PATH_IMAGE093
为电热综合能源系统与电网交互的最大功率，因故障发生后不能无限制与电网进行交互，因此须限制在一定范围内。
S75：根据各电力线路的传输功率上下界、各供热管道的出口温度及供热量，确定潮流约束。潮流约束包括电网潮流约束及热网潮流约束。
电网潮流约束基于Distflow最优潮流建立：
Figure 465339DEST_PATH_IMAGE094
；
Figure 24496DEST_PATH_IMAGE095
；
Figure 48822DEST_PATH_IMAGE096
；
Figure 300812DEST_PATH_IMAGE097
；
其中，
Figure 13684DEST_PATH_IMAGE098
表示与节点i相连的热电联产机组集合，
Figure 642111DEST_PATH_IMAGE099
为热电联产机组
Figure 989785DEST_PATH_IMAGE100
在t时刻的电出力，
Figure 756884DEST_PATH_IMAGE101
表示与节点i相连的电热泵集合，
Figure 675161DEST_PATH_IMAGE102
为电热泵b在t时刻消耗的电能，
Figure 684443DEST_PATH_IMAGE103
为电力线路i在t时刻的切电负荷量，
Figure 653667DEST_PATH_IMAGE104
为t时刻向电网购买的电功率，
Figure 778618DEST_PATH_IMAGE105
为t时刻的风电出力，
Figure 699039DEST_PATH_IMAGE106
为t时刻的光伏出力，
Figure 669269DEST_PATH_IMAGE107
为t时刻的弃风功率，
Figure 961841DEST_PATH_IMAGE108
为t时刻的弃光功率，
Figure 303698DEST_PATH_IMAGE109
为t时刻的电负荷，
Figure 275196DEST_PATH_IMAGE110
为碳捕集装置k在t时刻的运行能耗，
Figure 783538DEST_PATH_IMAGE111
为t时刻蓄电池的充电功率，
Figure 491469DEST_PATH_IMAGE112
为t时刻蓄电池的放电功率，
Figure 36851DEST_PATH_IMAGE113
表示与节点i相连的电力线路集合，P ij,t 为t时刻电力线路ij上的传输功率，
Figure 151437DEST_PATH_IMAGE114
为t时刻电力线路ij上的最小传输功率，
Figure 978317DEST_PATH_IMAGE115
为t时刻电力线路ij上的最大传输功率，a ij,t 表示t时刻线路ij的通断状态，
Figure 291486DEST_PATH_IMAGE116
为t时刻节点i的相角，
Figure 617557DEST_PATH_IMAGE117
为t时刻节点j的相角，
Figure 62182DEST_PATH_IMAGE118
为t时刻节点i的最小相角，
Figure 725376DEST_PATH_IMAGE119
为t时刻节点i的最大相角，X ij 为线路ij之间的线路阻抗。
热网潮流约束为：
Figure 735795DEST_PATH_IMAGE120
；
Figure 482034DEST_PATH_IMAGE121
；
Figure 118683DEST_PATH_IMAGE122
；
Figure 772518DEST_PATH_IMAGE123
；
Figure 637444DEST_PATH_IMAGE124
；
其中，
Figure 305317DEST_PATH_IMAGE125
表示与节点j相连的电热泵机组集合，
Figure 990114DEST_PATH_IMAGE126
为电热泵b在t时刻的热出力，
Figure 916481DEST_PATH_IMAGE127
为t时刻的切热负荷量，Q L 为供热管道的供热量，
Figure 402957DEST_PATH_IMAGE128
为t时刻储热槽的充热功率，
Figure 5846DEST_PATH_IMAGE129
为t时刻储热槽的放热功率，
Figure 679404DEST_PATH_IMAGE130
表示与节点j相连的供热管道集合，q j 表示热媒（水）的质量流量，C表示热媒（水）的比热容，
Figure 409462DEST_PATH_IMAGE131
为t时刻供水管道出口温度，
Figure 389926DEST_PATH_IMAGE132
为t时刻回水管道出口温度；
Figure 993076DEST_PATH_IMAGE133
代表与节点j相连的供水管道集合，
Figure 606460DEST_PATH_IMAGE134
代表与节点j相连的回水管道集合，
Figure 412915DEST_PATH_IMAGE135
为t时刻供水管道j内热媒（水）的质量流量，
Figure 342825DEST_PATH_IMAGE136
为t时刻回水管道j内热媒（水）的质量流量，
Figure 569407DEST_PATH_IMAGE137
为t时刻供水管道节点融合温度，
Figure 122617DEST_PATH_IMAGE138
为t时刻回水管道节点融合温度。
S76：根据切电负荷最大值及切热负荷最大值，确定切负荷约束：
Figure 725636DEST_PATH_IMAGE139
；
Figure 650998DEST_PATH_IMAGE140
；
其中，
Figure 314061DEST_PATH_IMAGE141
为t时刻的切电负荷最大值，
Figure 354567DEST_PATH_IMAGE142
为t时刻的切热负荷最大值。
更进一步地，步骤S8中第二阶段模型的目标函数为：
Figure 964540DEST_PATH_IMAGE143
；
其中，F为电力线路故障的模糊集，sup表示取最小上界，
Figure 603463DEST_PATH_IMAGE144
为第二阶段的运行成本期望值，y为第二阶段决策变量，
Figure 155536DEST_PATH_IMAGE145
为热电联产机组集合，
Figure 434070DEST_PATH_IMAGE146
为电热泵集合，
Figure 723100DEST_PATH_IMAGE147
为碳捕集装置集合，
Figure DEST_PATH_IMAGE148
为储能装置集合（包括蓄电池、储热槽及弹出村装置），
Figure 262535DEST_PATH_IMAGE149
为电力线路集合，
Figure 736241DEST_PATH_IMAGE150
为供热管道集合，
Figure 282498DEST_PATH_IMAGE151
为热电联产机组
Figure 47323DEST_PATH_IMAGE152
在t时刻的运行成本，
Figure 316630DEST_PATH_IMAGE153
为热电联产机组
Figure 69560DEST_PATH_IMAGE152
在t时刻排放氮氧化合物的成本，
Figure 73420DEST_PATH_IMAGE154
为电热泵b在t时刻的运行成本，
Figure 563307DEST_PATH_IMAGE155
为碳捕集装置k在t时刻的运行成本，
Figure 201967DEST_PATH_IMAGE156
为储能装置s在t时刻的储能成本（包括储电、储热、储碳成本），
Figure 283056DEST_PATH_IMAGE157
为电力线路i在t时刻的切电负荷成本，
Figure 774211DEST_PATH_IMAGE158
为供热线路j在t时刻的切热负荷成本，
Figure 707270DEST_PATH_IMAGE159
为t时刻的弃风成本，
Figure 420011DEST_PATH_IMAGE160
为t时刻的弃光成本，
Figure 281788DEST_PATH_IMAGE161
为t时刻与电网交互的成本，
Figure 430878DEST_PATH_IMAGE162
为t时刻参与碳排放市场的成本，
Figure 856043DEST_PATH_IMAGE163
为t时刻的售热收益。
具体地，（1）热电联产机组
Figure 174023DEST_PATH_IMAGE164
在t时刻的运行成本为：
Figure 439657DEST_PATH_IMAGE165
；
其中，a 1为电出力成本系数，a 2为热出力成本系数，
Figure 967722DEST_PATH_IMAGE166
为热电联产机组
Figure 868682DEST_PATH_IMAGE167
在t时刻的电出力，
Figure 867599DEST_PATH_IMAGE168
为热电联产机组
Figure 930233DEST_PATH_IMAGE167
在t时刻的热出力。
（2）热电联产机组
Figure 617698DEST_PATH_IMAGE164
在t时刻排放氮氧化合物的成本为：
Figure 322349DEST_PATH_IMAGE169
；
考虑SO2，NO2，CO等氮氧化物污染物，对污染物排放惩罚以减少对环境的污染，式中Z为污染物集合，d z 是第z项污染物排放量，r z 是第z项污染物惩罚费用。
（3）电热泵b在t时刻的运行成本为：
Figure 503669DEST_PATH_IMAGE170
；
其中，a 3为消耗电能成本系数，
Figure 487937DEST_PATH_IMAGE171
为电热泵b在t时刻消耗的电能。
（4）碳捕集装置k在t时刻的运行成本为：
Figure 957970DEST_PATH_IMAGE172
；
Figure 76099DEST_PATH_IMAGE173
；
其中，a 4为碳捕集装置的成本系数，
Figure DEST_PATH_IMAGE174
为碳捕集装置k在t时刻的运行能耗，P B 为固定能耗，m 1为碳捕集装置处理单位CO2所消耗的电功率，
Figure 643084DEST_PATH_IMAGE175
为碳捕集装置k在t时刻所处理CO2的质量。
（5）储能装置s在t时刻的储能成本为：
Figure 657308DEST_PATH_IMAGE176
；
其中，a 5为蓄电池的成本系数，a 6为储热槽的成本系数，a 7为碳储存装置的成本系数，
Figure 349058DEST_PATH_IMAGE177
为t时刻蓄电池的充电功率，
Figure 411823DEST_PATH_IMAGE178
为t时刻蓄电池的放电功率，
Figure 263277DEST_PATH_IMAGE179
为t时刻储热槽的充热功率，
Figure 635352DEST_PATH_IMAGE180
为t时刻储热槽的放热功率，
Figure 784705DEST_PATH_IMAGE181
为t时刻碳储存装置充碳功率，
Figure 946434DEST_PATH_IMAGE182
为t时刻碳储存装置的放碳功率。
（6）t时刻的切电负荷成本为：
Figure 114110DEST_PATH_IMAGE183
；
其中，a 8为切电负荷惩罚系数，
Figure 142240DEST_PATH_IMAGE184
为t时刻的切电负荷量。
（7）t时刻的切热负荷成本为：
Figure 559315DEST_PATH_IMAGE185
；
其中，a 9为切热负荷惩罚系数，
Figure 619675DEST_PATH_IMAGE186
为t时刻的切热负荷量。
（8）t时刻的弃风成本为：
Figure 625546DEST_PATH_IMAGE187
；
其中，a 10为单位弃风成本，
Figure 683632DEST_PATH_IMAGE188
为t时刻的弃风功率。
（9）t时刻的弃光成本为：
Figure 197789DEST_PATH_IMAGE189
；
其中，a 11为单位弃光成本，
Figure 655316DEST_PATH_IMAGE190
为t时刻的弃光功率。
（10）t时刻与电网交互的成本为：
Figure 109168DEST_PATH_IMAGE191
；
其中，a 12为向电网购买电功率单价，
Figure 10260DEST_PATH_IMAGE192
为t时刻向电网购买的电功率。
（11）本发明采取阶梯式碳排放，当系统碳排放量小于免费碳排放额时，碳排放成本为0，否则按照碳排放梯级增加而增加，首先按照系统产热量计算免费碳排放额E c ：
Figure 542872DEST_PATH_IMAGE193
；
其中，
Figure 646832DEST_PATH_IMAGE194
为热电联产机组电出力转化为免费碳排放额系数，
Figure 394339DEST_PATH_IMAGE195
为热电联产机组热出力转化为免费碳排放额系数。根据免费碳排放额与发电单位排放CO2大小关系，分阶段参与碳市场交易。t时刻参与碳排放市场的成本
Figure 918862DEST_PATH_IMAGE196
为：
Figure 719196DEST_PATH_IMAGE197
；
其中，a 13、a 14、a 15为阶梯式碳排放单位成本系数，
Figure 315263DEST_PATH_IMAGE198
，
Figure 120539DEST_PATH_IMAGE199
为电热综合能源系统排放的CO2量，
Figure 658705DEST_PATH_IMAGE200
为碳排放量区间长度。
（12）t时刻的售热收益为：
Figure 759385DEST_PATH_IMAGE201
；
其中，r el 为单位热价，Q L 为供热管道的供热量，
Figure 581979DEST_PATH_IMAGE202
为t时刻的切热负荷量。
本发明以飓风天气为例，首先建立飓风模型和支路中断概率模型，基于矩信息和Wasserstein距离生成故障概率模糊集，将其嵌入到传统的两阶段调度模型中。两阶段调度模型中的第一阶段制定机组启停计划及线路加固方案传递到第二阶段，第二阶段识别致使系统失负荷“最恶劣”场景后，制定各机组出力及其他紧急性资源调控策略。本发明充分考虑不同能源形式、不同应用场景下多源储能间的互补，利用热力系统的热惯性，提高综合能源系统弹性，实现其在极端天气事件下的安全稳定低碳运行。
本发明建立的两阶段模型为：
Figure DEST_PATH_IMAGE203
。
本发明采用C&CG算法对两阶段模型进行求解，C&CG将模型分为上下两层，上层为主问题（第一阶段模型），决定各机组的启停，目标函数为启停成本最小，作为飓风前一天的预防措施；下层为子问题（第二阶段模型），决定各个机组出力以及失负荷大小，目标函数为运行成本和失负荷惩罚最小，上层将所求得变量传给下层，同时更新下界，下层接受变量之后再进行求解子问题，增加相应变量和约束传递给上层，更新上界，反复迭代直至上下界满足条件。当飓风天气真正来临时，系统重新调度以最大程度恢复系统性能，如图2所示为整体故障恢复的流程图。同时本发明还考虑了碳排放因素，在模型中加入了碳捕集装置和碳储存装置，旨在响应双碳目标，减少环境碳排放量。
为了更好的理解本发明的方案，下面综合介绍电热综合能源系统的组成部分。如图3所示，电热综合能源系统包括以下部分：
供给侧：
1）热电联产CHP机组：同时产生电能和热能，采取“以热定电”方式运行，是整个电热综合能源系统的核心。
2）电热泵：消耗电能产生热能，增强整个系统的灵活性。
3）风力发电机组：采取预测值参与调度。
4）光伏发电机组：采取预测值参与调度。
储能装置：
1）蓄电池：缓解电负荷高峰压力，同时在故障发生时，起到一定的紧急功能作用。
2）储热槽：缓解热负荷高峰压力，增加系统调节灵活性。
3）碳储存装置：由于采用阶梯式收费方法，可将碳排放量在时间上平移，减少成本。
网络侧：
1）电网拓扑：故障发生时，电网拓扑结构发生变化，系统识别线路断点，重新制定调度策略以进行故障恢复。
2）热网拓扑：故障发生时，由于耦合装置的作用，将辅助电力系统进行恢复。
负荷侧：
1）电负荷：故障发生时最小化弃负荷。
2）热负荷：考虑热惯性进行建模，无需额外增加设备，为故障恢复提供了一定的快速反应手段。
市场侧：
1）电力市场：故障发生时，由于线路约束只能进行有限量的购电。
2）热力市场：只参与售热市场，即不可从热力市场买热。
3）碳市场：采取阶梯式碳收费方式以达到各系统节能减排目的。
本发明的电热综合能源系统同时参与电力市场、热力市场与碳市场，在提升电热综合能源系统故障恢复经济性的同时，兼顾了其环保性，实现了其极端天气下安全低碳经济运行。
为验证本发明两阶段模型进行电热综合能源故障系统恢复的有效性，本发明设置四种策略进行对比实验。
策略1：事先加固线路编号，同时考虑热惯性。策略2：事先实现加固线路编号，不考虑热惯性。策略3：不固线路编号，考虑热惯性。策略4：不固线路编号，不考虑热惯性。
实验基于IEEE33节点+32节点电热综合能源系统进行仿真。如图4所示为IEEE33节点+32节点电热综合能源系统拓扑图，其中电力节点1-1与热力节点2-31相连，电力节点1-33和热力节点2-5相连，电力节点1-18和热力节点2-1相连。三台CHP机组分别连接在电力1-1、1-33、1-5节点。以下为四种策略的弃负荷成本及总成本情况，其中加固线路最大值设置为4。
策略1：弃电负荷成本/元：255492；弃热负荷成本/元：200172；总成本/元：436542。
策略2：弃电负荷成本/元：278940；弃热负荷成本/元：213548；总成本/元：524760。
策略3：弃电负荷成本/元：293418；弃热负荷成本/元：204235；总成本/元：532176。
策略4：弃电负荷成本/元：312240；弃热负荷成本/元：242645；总成本/元：553247。
可知，当事先加固线路、同时考虑热惯性时可以明显降低弃负荷成本，这是因为当识别出线路故障采取加固措施，及时准确的保证了线路通路，避免了线路传输功率中断导致的弃电负荷；同时考虑热惯性时，热力管网中会及时释放一部分储能，并利用室内温度可调节特性进一步降低弃热负荷，最终两种措施相结合，使得总成本降低。
如图5所示，本发明计及热惯性的电热综合能源系统故障恢复系统包括：第一约束确定单元101、第一阶段模型确定单元102、线路损坏概率确定单元103、模糊集确定单元104、管道出口温度确定单元105、供热量确定单元106、第二约束确定单元107、第二阶段模型确定单元108及求解单元109。
其中，第一约束确定单元101用于根据热电联产机组在相邻两时刻的启停状态及最小启停时间，确定第一阶段约束条件。
第一阶段模型确定单元102与所述第一约束确定单元101及热电联产机组连接，第一阶段模型确定单元102用于基于所述第一阶段约束条件，以热电联产机组的启停成本最小为目标，建立第一阶段模型。
线路损坏概率确定单元103用于获取极端天气信息，并根据所述极端天气信息，确定电热综合能源系统的线路损坏概率。
模糊集确定单元104与所述线路损坏概率确定单元103连接，模糊集确定单元104用于根据所述线路损坏概率，建立电力线路故障的模糊集。
管道出口温度确定单元105与供热管道连接，管道出口温度确定单元105用于针对任一供热管道，根据所述供热管道的长度、所述供热管道的进口温度、所述供热管道内的热媒质量流量及周围环境温度，确定所述供热管道的出口温度。
供热量确定单元106与所述管道出口温度确定单元105及所述供热管道连接，供热量确定单元106用于根据所述供热管道的出口温度、室内温度、建筑物内面积、窗户面积及室外温度，确定所述供热管道的供热量。
第二约束确定单元107与所述管道出口温度确定单元105及所述供热量确定单元106连接，第二约束确定单元107用于根据热电联产机组的电出力上下界、热电联产机组的热出力上界、电热泵的最大消耗电能、储能装置的最大容量、储能装置的最小容量、储能装置的充放能上下界、电热综合能源系统与电网交互的最大功率、各电力线路的传输功率上下界、各供热管道的出口温度及供热量、切电负荷最大值、切热负荷最大值，确定第二阶段约束条件。
第二阶段模型确定单元108与所述模糊集确定单元104及所述第二约束确定单元107连接，第二阶段模型确定单元108用于基于所述第二阶段约束条件及所述电力线路故障的模糊集，以热电联产机组、电热泵、碳捕集装置和储能装置的运行成本以及失负荷惩罚最小为目标，建立第二阶段模型。
求解单元109分别与所述第一阶段模型确定单元102及所述第二阶段模型确定单元108连接，求解单元109用于采用列与约束生成算法对所述第一阶段模型及所述第二阶段模型求解，确定热电联产机组的启停状态、电热泵的启停状态、碳捕集装置的启停状态、储能装置的启停状态、热电联产机组的出力、电热泵的出力、碳捕集装置的出力、储能装置的出力及电力线路的加固方案。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种计及热惯性的电热综合能源系统故障恢复方法，所述电热综合能源系统包括电力线路、供热管道、热电联产机组、电热泵、碳捕集装置及储能装置，其特征在于，所述计及热惯性的电热综合能源系统故障恢复方法包括：
根据热电联产机组在相邻两时刻的启停状态及最小启停时间，确定第一阶段约束条件；
基于所述第一阶段约束条件，以热电联产机组的启停成本最小为目标，建立第一阶段模型；
获取极端天气信息，并根据所述极端天气信息，确定电热综合能源系统的线路损坏概率；
根据所述线路损坏概率，建立电力线路故障的模糊集；
针对任一供热管道，根据所述供热管道的长度、所述供热管道的进口温度、所述供热管道内的热媒质量流量及周围环境温度，确定所述供热管道的出口温度；
根据所述供热管道的出口温度、室内温度、建筑物内面积、窗户面积及室外温度，确定所述供热管道的供热量；
根据热电联产机组的电出力上下界、热电联产机组的热出力上界、电热泵的最大消耗电能、储能装置的最大容量、储能装置的最小容量、储能装置的充放能上下界、电热综合能源系统与电网交互的最大功率、各电力线路的传输功率上下界、各供热管道的出口温度及供热量、切电负荷最大值、切热负荷最大值，确定第二阶段约束条件；
基于所述第二阶段约束条件及所述电力线路故障的模糊集，以热电联产机组、电热泵、碳捕集装置和储能装置的运行成本以及失负荷惩罚最小为目标，建立第二阶段模型；
采用列与约束生成算法对所述第一阶段模型及所述第二阶段模型求解，确定热电联产机组的启停状态、电热泵的启停状态、碳捕集装置的启停状态、储能装置的启停状态、热电联产机组的出力、电热泵的出力、碳捕集装置的出力、储能装置的出力及电力线路的加固方案。
2.根据权利要求1所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，所述第一阶段约束条件为：
Figure 282620DEST_PATH_IMAGE001
；
Figure 714607DEST_PATH_IMAGE002
；
Figure 353399DEST_PATH_IMAGE003
；
其中，t为时刻，
Figure 764920DEST_PATH_IMAGE004
代表热电联产机组，
Figure 907188DEST_PATH_IMAGE005
为热电联产机组
Figure 369131DEST_PATH_IMAGE004
在t时刻的运行状态，
Figure 449214DEST_PATH_IMAGE006
为热电联产机组
Figure 179272DEST_PATH_IMAGE004
在t时刻是否启动，
Figure 956473DEST_PATH_IMAGE007
为热电联产机组
Figure 746575DEST_PATH_IMAGE004
在t时刻是否关闭，
Figure 579532DEST_PATH_IMAGE008
为t时刻前的任一时刻，
Figure 847703DEST_PATH_IMAGE009
为最小启动时间，
Figure 417093DEST_PATH_IMAGE010
为最小停止时间；
所述第一阶段模型的目标函数为：
Figure 174834DEST_PATH_IMAGE011
；
其中，x为第一阶段决策变量，
Figure 963929DEST_PATH_IMAGE012
，T为调度周期，
Figure 832528DEST_PATH_IMAGE013
为热电联产机组集合，
Figure 53163DEST_PATH_IMAGE014
为热电联产机组
Figure 653908DEST_PATH_IMAGE004
的启动成本系数，
Figure 992617DEST_PATH_IMAGE015
为热电联产机组
Figure 133748DEST_PATH_IMAGE004
的关闭成本系数，
Figure 943310DEST_PATH_IMAGE016
为热电联产机组
Figure 183799DEST_PATH_IMAGE004
的空载成本系数。
3.根据权利要求1所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，所述极端天气信息为飓风风速；
所述获取极端天气信息，并根据所述极端天气信息，确定电热综合能源系统的线路损坏概率，具体包括：
获取飓风天气下的初始水平风速及环境参数；所述环境参数包括空气密度及大气压强；
根据所述初始水平风速及所述环境参数，基于预先建立的飓风模型，得到飓风风速；
根据所述飓风风速及最大风速阈值，确定电热综合能源系统的线路损坏概率。
4.根据权利要求3所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，采用以下公式，确定线路损坏概率：
Figure 931175DEST_PATH_IMAGE017
；
其中，P f 为线路损坏概率，V为飓风风速，V max为最大风速阈值。
5.根据权利要求1所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，所述根据所述线路损坏概率，建立电力线路故障的模糊集，具体包括：
根据所述线路损坏概率，确定故障概率最大值及故障概率最小值；
根据所述故障概率最大值及所述故障概率最小值，采用以下公式，确定电力线路故障的模糊集：
Figure 626729DEST_PATH_IMAGE018
；
其中，F为电力线路故障的模糊集，P为真实的线路故障概率分布，
Figure 884273DEST_PATH_IMAGE019
为线路故障概率分布集合，
Figure 561242DEST_PATH_IMAGE020
为故障概率最小值，
Figure 795914DEST_PATH_IMAGE021
为故障概率最大值，E P ()表示求期望，u l 为电力线路l是否受极端天气影响，u l =1表示电力线路l受极端天气影响，u l =0表示电力线路l未受极端天气影响，
Figure 826319DEST_PATH_IMAGE022
为电力线路集合，N l 为电力线路总数，k ave 为电力线路损坏数的期望值，P E 为经验的线路故障概率分布，d w (P,P E )为真实的线路故障概率分布P与经验的线路故障概率分布P E 之间的Wasserstein距离，
Figure 95626DEST_PATH_IMAGE023
为Wasserstein半径。
6.根据权利要求1所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，采用以下公式，确定t时刻供热管道j的出口温度：
Figure 943496DEST_PATH_IMAGE024
；
其中，
Figure 711470DEST_PATH_IMAGE025
为t时刻供热管道j的出口温度，
Figure 732515DEST_PATH_IMAGE026
为温损系数，
Figure 872641DEST_PATH_IMAGE027
为
Figure 625833DEST_PATH_IMAGE028
时刻供热管道j的进口温度，
Figure 835098DEST_PATH_IMAGE029
为供热管道j的周围环境温度，
Figure 971419DEST_PATH_IMAGE030
为供热管道j的热延迟时间，k dy 为热延迟系数，L j 为供热管道j的长度，v j 为供热管道j内的热媒流速。
7.根据权利要求1所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，采用以下公式，确定供热管道的供热量：
Figure 621843DEST_PATH_IMAGE031
；
其中，Q L 为供热管道的供热量，c air 为空气的等压热容，
Figure 608253DEST_PATH_IMAGE032
为空气的密度，V air 为空气的体积，T out 为供热管道的出口温度，T room 为室内温度，Q loss 为热损耗，
Figure 117863DEST_PATH_IMAGE033
为内部增益系数，S room 为建筑物内面积，
Figure 949553DEST_PATH_IMAGE034
为水平辐照比，
Figure 93964DEST_PATH_IMAGE035
为透射因子，
Figure 188959DEST_PATH_IMAGE036
为垂直区域的角度校正因子，S windows 为窗户面积，
Figure 372816DEST_PATH_IMAGE037
为换气率，T out 为室外平均温度。
8.根据权利要求1所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，所述第二阶段约束条件包括：热电联产机组运行约束、电热泵运行约束、储能装置运行约束、电网交互约束、潮流约束及切负荷约束；
所述根据热电联产机组的电出力上下界、热电联产机组的热出力上界、电热泵的最大消耗电能、储能装置的最大容量、储能装置的最小容量、储能装置的充放能上下界、电热综合能源系统与电网交互的最大功率、各电力线路的传输功率上下界、各供热管道的出口温度及供热量、切电负荷最大值、切热负荷最大值，确定第二阶段约束条件，具体包括：
根据热电联产机组的电出力上下界及热出力上界，确定热电联产机组运行约束；
根据电热泵的最大消耗电能，确定电热泵运行约束；
根据储能装置的最大容量、最小容量及充放能上下界，确定储能装置运行约束；
根据电热综合能源系统与电网交互的最大功率，确定电网交互约束；
根据各电力线路的传输功率上下界、各供热管道的出口温度及供热量，确定潮流约束；
根据切电负荷最大值及切热负荷最大值，确定切负荷约束。
9.根据权利要求1所述的计及热惯性的电热综合能源系统故障恢复方法，其特征在于，所述第二阶段模型的目标函数为：
Figure 86825DEST_PATH_IMAGE038
；
其中，F为电力线路故障的模糊集，sup表示取最小上界，
Figure 711842DEST_PATH_IMAGE039
为第二阶段的运行成本期望值，y为第二阶段决策变量，
Figure 102372DEST_PATH_IMAGE040
为热电联产机组集合，
Figure 757213DEST_PATH_IMAGE041
为电热泵集合，
Figure 665126DEST_PATH_IMAGE042
为碳捕集装置集合，
Figure 472545DEST_PATH_IMAGE043
为储能装置集合，
Figure 784709DEST_PATH_IMAGE044
为电力线路集合，
Figure 208737DEST_PATH_IMAGE045
为供热管道集合，
Figure 435188DEST_PATH_IMAGE046
为热电联产机组
Figure 159430DEST_PATH_IMAGE047
在t时刻的运行成本，
Figure 845757DEST_PATH_IMAGE048
为热电联产机组
Figure 163606DEST_PATH_IMAGE049
在t时刻排放氮氧化合物的成本，
Figure 475639DEST_PATH_IMAGE050
为电热泵b在t时刻的运行成本，
Figure 506918DEST_PATH_IMAGE051
为碳捕集装置k在t时刻的运行成本，
Figure 410152DEST_PATH_IMAGE052
为储能装置s在t时刻的储能成本，
Figure 215297DEST_PATH_IMAGE053
为电力线路i在t时刻的切电负荷成本，
Figure 612911DEST_PATH_IMAGE054
为供热管道j在t时刻的切热负荷成本，
Figure 983849DEST_PATH_IMAGE055
为t时刻的弃风成本，
Figure 776094DEST_PATH_IMAGE056
为t时刻的弃光成本，
Figure 865273DEST_PATH_IMAGE057
为t时刻与电网交互的成本，
Figure 800999DEST_PATH_IMAGE058
为t时刻参与碳排放市场的成本，
Figure 292023DEST_PATH_IMAGE059
为t时刻的售热收益，T为调度周期，P为真实的线路故障概率分布。
10.一种计及热惯性的电热综合能源系统故障恢复系统，所述电热综合能源系统包括电力线路、供热管道、热电联产机组、电热泵、碳捕集装置及储能装置，其特征在于，所述计及热惯性的电热综合能源系统故障恢复系统包括：
第一约束确定单元，用于根据热电联产机组在相邻两时刻的启停状态及最小启停时间，确定第一阶段约束条件；
第一阶段模型确定单元，与所述第一约束确定单元及热电联产机组连接，用于基于所述第一阶段约束条件，以热电联产机组的启停成本最小为目标，建立第一阶段模型；
线路损坏概率确定单元，用于获取极端天气信息，并根据所述极端天气信息，确定电热综合能源系统的线路损坏概率；
模糊集确定单元，与所述线路损坏概率确定单元连接，用于根据所述线路损坏概率，建立电力线路故障的模糊集；
管道出口温度确定单元，与供热管道连接，用于针对任一供热管道，根据所述供热管道的长度、所述供热管道的进口温度、所述供热管道内的热媒质量流量及周围环境温度，确定所述供热管道的出口温度；
供热量确定单元，与所述管道出口温度确定单元及所述供热管道连接，用于根据所述供热管道的出口温度、室内温度、建筑物内面积、窗户面积及室外温度，确定所述供热管道的供热量；
第二约束确定单元，与所述管道出口温度确定单元及所述供热量确定单元连接，用于根据热电联产机组的电出力上下界、热电联产机组的热出力上界、电热泵的最大消耗电能、储能装置的最大容量、储能装置的最小容量、储能装置的充放能上下界、电热综合能源系统与电网交互的最大功率、各电力线路的传输功率上下界、各供热管道的出口温度及供热量、切电负荷最大值、切热负荷最大值，确定第二阶段约束条件；
第二阶段模型确定单元，与所述模糊集确定单元及所述第二约束确定单元连接，用于基于所述第二阶段约束条件及所述电力线路故障的模糊集，以热电联产机组、电热泵、碳捕集装置和储能装置的运行成本以及失负荷惩罚最小为目标，建立第二阶段模型；
求解单元，分别与所述第一阶段模型确定单元及所述第二阶段模型确定单元连接，用于采用列与约束生成算法对所述第一阶段模型及所述第二阶段模型求解，确定热电联产机组的启停状态、电热泵的启停状态、碳捕集装置的启停状态、储能装置的启停状态、热电联产机组的出力、电热泵的出力、碳捕集装置的出力、储能装置的出力及电力线路的加固方案。
CN202211022187.6A 2022-08-25 2022-08-25 一种计及热惯性的电热综合能源系统故障恢复方法及系统 Active CN115130391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211022187.6A CN115130391B (zh) 2022-08-25 2022-08-25 一种计及热惯性的电热综合能源系统故障恢复方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211022187.6A CN115130391B (zh) 2022-08-25 2022-08-25 一种计及热惯性的电热综合能源系统故障恢复方法及系统

Publications (2)

Publication Number Publication Date
CN115130391A true CN115130391A (zh) 2022-09-30
CN115130391B CN115130391B (zh) 2022-12-06

Family

ID=83387807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211022187.6A Active CN115130391B (zh) 2022-08-25 2022-08-25 一种计及热惯性的电热综合能源系统故障恢复方法及系统

Country Status (1)

Country Link
CN (1) CN115130391B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117691598A (zh) * 2024-02-04 2024-03-12 华北电力大学 一种极端天气下电热能量网络韧性评估方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177323A (zh) * 2021-05-14 2021-07-27 华北电力大学 基于矩不确定分布式鲁棒的电热综合系统优化调度方法
CN113313613A (zh) * 2021-07-06 2021-08-27 华北电力大学 一种电力配网模块化可移动电池储能mmbes优化配置方法
WO2022022101A1 (zh) * 2020-07-30 2022-02-03 国网甘肃省电力公司电力科学研究院 一种送端电网故障状态下紧急源网协调调峰控制方法
CN114021787A (zh) * 2021-10-25 2022-02-08 国网河北省电力有限公司 一种考虑需求响应的配电网两阶段风险控制方法及系统
US20220074620A1 (en) * 2020-09-04 2022-03-10 North China Electric Power University Optimized regulating and controlling method and system for integrated electricity and heat system with heat pumps
WO2022048127A1 (zh) * 2020-09-04 2022-03-10 华北电力大学 一种电热泵-热电联合系统的优化调控方法及系统
CN114330827A (zh) * 2021-11-29 2022-04-12 华北电力大学 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022022101A1 (zh) * 2020-07-30 2022-02-03 国网甘肃省电力公司电力科学研究院 一种送端电网故障状态下紧急源网协调调峰控制方法
US20220074620A1 (en) * 2020-09-04 2022-03-10 North China Electric Power University Optimized regulating and controlling method and system for integrated electricity and heat system with heat pumps
WO2022048127A1 (zh) * 2020-09-04 2022-03-10 华北电力大学 一种电热泵-热电联合系统的优化调控方法及系统
CN113177323A (zh) * 2021-05-14 2021-07-27 华北电力大学 基于矩不确定分布式鲁棒的电热综合系统优化调度方法
CN113313613A (zh) * 2021-07-06 2021-08-27 华北电力大学 一种电力配网模块化可移动电池储能mmbes优化配置方法
CN114021787A (zh) * 2021-10-25 2022-02-08 国网河北省电力有限公司 一种考虑需求响应的配电网两阶段风险控制方法及系统
CN114330827A (zh) * 2021-11-29 2022-04-12 华北电力大学 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘吉臻等: "新能源电力消纳与燃煤电厂弹性运行控制策略", 《中国电机工程学报》 *
袁桂丽等: "虚拟电厂源荷双侧热电联合随机优化调度", 《电网技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117691598A (zh) * 2024-02-04 2024-03-12 华北电力大学 一种极端天气下电热能量网络韧性评估方法及系统
CN117691598B (zh) * 2024-02-04 2024-04-12 华北电力大学 一种极端天气下电热能量网络韧性评估方法及系统

Also Published As

Publication number Publication date
CN115130391B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
WO2023134254A1 (zh) 一种能源互联系统的设备选型方法
Endo et al. Simulation of design and operation of hydrogen energy utilization system for a zero emission building
CN102184475B (zh) 基于多时间尺度协调的微网经济运行优化调度方法
Shen et al. Multi-objective capacity configuration optimization of an integrated energy system considering economy and environment with harvest heat
CN109919399B (zh) 一种综合能源系统日前经济调度方法及系统
CN109063992A (zh) 考虑区域综合能源系统优化运行的配电网扩展规划方法
CN113344736A (zh) 一种园区级综合能源系统及其控制方法
CN109298634B (zh) 一种综合能源系统两阶段鲁棒优化调度方法
Liu et al. Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios
Yuan et al. Performance analysis of thermal energy storage in distributed energy system under different load profiles
Daneshvar et al. A novel transactive energy trading model for modernizing energy hubs in the coupled heat and electricity network
Rouhani et al. A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms
CN112836882B (zh) 考虑设备负载率变化的区域综合能源系统运行优化方法
CN115423161A (zh) 基于数字孪生的多能耦合优化调度方法及系统
Liu et al. Multi-scenario analysis and collaborative optimization of a novel distributed energy system coupled with hybrid energy storage for a nearly zero-energy community
CN115130391B (zh) 一种计及热惯性的电热综合能源系统故障恢复方法及系统
Kang et al. Feed-forward active operation optimization for CCHP system considering thermal load forecasting
CN115204673A (zh) 含有电动汽车的热电联供系统多时间尺度分层调度方法
Wang et al. Study on the multitime scale rolling optimization operation of a near-zero energy building energy supply system
CN115659651A (zh) 一种考虑多种灵活性资源的综合能源协同优化调度方法
Zhang et al. Modeling a hydrogen-based sustainable multi-carrier energy system using a multi-objective optimization considering embedded joint chance constraints
Liu et al. Negative carbon optimal scheduling of integrated energy system using a non-dominant sorting genetic algorithm
Yuan et al. An advanced multicarrier residential energy hub system based on mixed integer linear programming
Yang et al. Multi-criteria optimization of multi-energy complementary systems considering reliability, economic and environmental effects
Yang et al. Optimal scheduling of CCHP with distributed energy resources based on water cycle algorithm

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