CN115204673A - 含有电动汽车的热电联供系统多时间尺度分层调度方法 - Google Patents

含有电动汽车的热电联供系统多时间尺度分层调度方法 Download PDF

Info

Publication number
CN115204673A
CN115204673A CN202210830908.XA CN202210830908A CN115204673A CN 115204673 A CN115204673 A CN 115204673A CN 202210830908 A CN202210830908 A CN 202210830908A CN 115204673 A CN115204673 A CN 115204673A
Authority
CN
China
Prior art keywords
power
time
grid
optimization
max
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
CN202210830908.XA
Other languages
English (en)
Inventor
康小宁
贾士铎
崔金旭
田博文
萧淑文
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210830908.XA priority Critical patent/CN115204673A/zh
Publication of CN115204673A publication Critical patent/CN115204673A/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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • H02J3/007—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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了含有电动汽车的热电联供系统多时间尺度分层调度方法，所述系统包括微型燃气轮机组、吸收式制冷机组、地源热泵机组、风力发电机组、光伏、蓄电池、超级电容和储热装置。所述优化方法含两个时间尺度，在日前阶段，根据系统中风电、光伏日前预测功率值和负荷功率日前预测值进行经济调度，确立目标函数和优化约束条件，其结果作为日内优化的参考。在日内阶段，考虑两层滚动优化模型，建立目标函数和约束，模型预测控制MPC滚动优化层根据实时预测功率信息以及电动汽车EV非计划行为对上级结果进行修正。本发明采用多时间尺度分层优化策略，实时跟踪含电动汽车的热电联供系统的最佳调度策略，实现电动汽车车主与微电网运营商的双赢。

Description

含有电动汽车的热电联供系统多时间尺度分层调度方法
技术领域
本发明涉及热电联供系统领域，特别涉及到考虑电动汽车引入系统的条件以及多时间尺度分层调度优化方法，适用于综合能源园区的能量管理。
背景技术
热电联供系统作为我国大中型城市中重要的能源利用系统，解决了城市集中供热的问题，同时又提高了社会整体能源利用率。城市中热电联供系统的配置在世界范围内收到广泛重视。考虑到热电联供微电网中风电光伏出力以及预测负荷功率值具有随机性和波动性，并且其预测精度随时间尺度减小而提高的特点，现有微电网能量管理多采用日前计划和实时调度相结合的多时间尺度能量管理。
近年来，电动汽车(Electric Vehicle,EV)的销售额在汽车市场的占比越来越多，随之而来的电动汽车并入电网问题日趋严峻，电动汽车的并网可能会引起电网负荷峰值的增长，不利于电力系统的安全稳定运行。
在当前的热电联供微电网的调度研究中，引入电动汽车的充放电管理系统会对系统的经济运行带来额外的变量，对系统的安全运行带来威胁。
现有技术存在的问题如下：
热电联供(Combined heat and power,CHP)微电网中风电光伏出力以及预测负荷功率值具有随机性和波动性，并且其预测精度随时间尺度减小而提高的特点，现有微电网能量管理多采用日前计划和实时调度相结合的多时间尺度能量管理。在日前阶段基于预测数据制定机组组合及运行计划基值，在实时环节基于实时数据将上级遗留的偏差进行修正。在对电动汽车参与的能量管理中大多站在微电网运营商的角度，通过对其充放电优化来提高微电网运行的经济性，但值得注意的是，微电网运营商与EV车主属于不同的利益主体，因此有必要在制定EV充放电计划时考虑EV车主的满意度。此外在对CHP微网进行能量管理时，EV紧急充电和非计划临时出行等行为增加实时调度压力，这种对运行经济性和安全性产生较大威胁的情况应予以考虑。
发明内容
为了克服上述现有技术存在的问题，本发明的目的在于提供一种含有电动汽车的热电联供系统多时间尺度分层调度方法，在对电动汽车充放电管理时既考虑微网运营商的效益又考虑EV车主的满意度，并且通过对EV非计划行为进行有效识别，校正电动汽车车联网等效负荷，从而减少实时调度压力，提高热电联供系统经济性和安全性。
为了达到上述目的，本发明采用如下技术方案：
步骤1、建立热电联供微电网系统；
步骤2、建立热电联供微电网系统中设备的数学模型；
步骤3、确定目标函数和日前经济调度约束条件；
步骤4、建立热电联供微电网多时间尺度优化模型：所述热电联供微电网多时间尺度优化模型包含两个时间尺度；日前：进行热电联供微网的经济优化调度，日内：进行EV充放电管理层和模型预测控制(MPC)滚动优化层联合优化；其中EV充放电管理层考虑到电动汽车的充放电所带来的蓄电池的退化成本，建立了以最小化负荷曲线方差和最小化EV车主参与车联网(V2G)机制不满意度的多目标优化调度模型；当运行在模型预测控制(MPC)滚动优化层时，若非计划EV数量大于阈值，将回到EV充放电管理层重新求解后返回。
作为一种具体实现方式，在步骤1中，所属热电联供微电网系统中的设备包括微型燃气轮机组、吸收式制冷机组、地源热泵机组、风力发电机组、光伏、蓄电池、超级电容和储热装置。
作为一种具体实现方式，在步骤3中，确定目标函数和日前经济调度约束条件的方法为：
S3.1微电网运行的日前经济调度优化成本函数为：
minFday-ahead＝Futility+Fom+Fmt+Fe
式中，Futility表示与主网交换功率成本，Fom表示DG维护成本，Fmt表示燃气轮机运行成本，Fe表示污染气体治理成本，minFday-ahead表示最小化日前经济调度成本；
S3.2确定日前经济调度约束条件，包括功率平衡约束条件、分布式电源输出功率约束条件、微型燃气轮机爬坡约束条件、微电网与主电网交换功率约束条件、主电网购售电状态互斥约束条件、微型燃气轮机启停时间约束条件、蓄电池运行约束条件、储热装置约束条件；
S3.3确定日内两层滚动优化调度目标函数：
电动汽车充放电管理层：
目标函数1：
Figure BDA0003748314160000041
式中，Pload(t)表示t时刻负荷功率值，Mean(Pload)表示所有时刻负荷功率的平均值，T为调度周期，minF1 EV表示最小化总负荷曲线方差；
目标函数2：
Figure BDA0003748314160000042
式中，
Figure BDA0003748314160000043
为t时刻第n辆电动汽车的退化成本，
Figure BDA0003748314160000044
分别为用户签订协议时所接受的最小、最大退化成本，Ncv为电动汽车总数量，T为调度周期，
Figure BDA0003748314160000045
表示最小化用户参与车联网计划的不满意度；
模型预测控制(MPC)滚动优化层：
第一阶段考虑热电联供微电网并网运行时经济效益最高，建立经济优化模型：
Figure BDA0003748314160000046
Figure BDA0003748314160000047
分别表示在第一阶段的与主网交换功率成本、分布式电源维护成本、微型燃气轮机运行成本、污染气体治理成本。
Figure BDA0003748314160000048
和
Figure BDA0003748314160000049
分别为日前优化调度得到的t时刻与主网交换功率和微型燃气轮机功率的参考值。
Figure BDA00037483141600000410
和
Figure BDA00037483141600000411
分别为t时刻第一阶段与主网交换功率和微型燃气轮机功率的计划值，
Figure BDA00037483141600000412
和
Figure BDA00037483141600000413
分别为第一阶段与主网交换功率和微型燃气轮机功率调整惩罚系数，minF1表示最小化第一阶段总运行成本；
第二阶段的优化目标是在第一阶段得到的各单元出力的基础上,平衡功率预测误差带来的影响：
Figure BDA0003748314160000051
其中
Figure BDA0003748314160000052
Fi snd、
Figure BDA0003748314160000053
分别为与主网联络线功率调节成本、第i个分布式电源功率调节成本、超级电容运行维护成本。Nsnd为分布式电源总数量，minF2为最小化第二阶段调节成本；
S3.4日内两层滚动优化约束，电动汽车充放电管理层包括电动汽车充放电功率上下限值、电动汽车在某一时刻的充放电状态变量约束、电动汽车电池容量上下限值；模型预测控制(MPC)滚动优化层满足S3.2中约束条件。
作为一种具体实现方式，在步骤S3.2中，日前经济调度约束条件具体包括：
功率平衡约束：
PBatt(t)+PMT(t)+PPV(t)+PWT(t)+PGrid(t)＝PLoad(t)
QAM(t)+QHP(t)+QCS(t)＝Qload(t)
式中，PBatt(t)、PMT(t)、PPV(t)、PWT(t)、PGrid(t)、PLoad(t)分别为t时刻蓄电池电功率、微型燃气轮机电功率、光伏组件电功率、风力发电机组电功率、与主网交换功率和电负荷功率，QAM(t)、QHP(t)、QCS(t)、Qload(t)分别为t时刻吸收式制冷机输出热功率、地源热泵机组输出热功率、储热装置输出热功率和热负荷功率；
分布式电源输出功率约束
PDG.i.min≤PDG.i≤PDG.i.max
式中，PDG.i、PDG.i.min、PDG.i.max分别为第i个分布式电源的输出功率和第i 个分布式电源输出功率下限值和上限值；
微型燃气轮机爬坡约束
Figure BDA0003748314160000061
式中，Rup、Rdown为燃气轮机输出功率最大上升速率与下降速率。PMT(t)、 PMT(t-1)分别为t时刻和t-1时刻微型燃气轮机输出功率值，Δt为时间步长；
微电网与主电网交换功率约束
|PGrid(t)|≤PGrid.max
式中，|PGrid(t)|为t时刻与主网交换功率的绝对值，PGrid.max为与主网交换功率的上限值；
主电网购售电状态互斥约束
UBuy(t)+USell(t)≤1
式中，UBuy(t)、USell(t)为t时段主网购售电的状态量，取值为0或1；
微型燃气轮机启停时间约束
Figure BDA0003748314160000062
式中，Ut-k+1为燃气轮机在t-k+1时段的启停状态，Tmup、Tmdown分别为燃气轮机的最小启动时间和最小关停时间；
蓄电池运行约束
SOCmin≤SOC(t)≤SOCmax
-Pch.max≤PBatt(t)≤Pdis.max
|SOC(Nt)-SOC(1)|≤ε
UBatt.ch(t)+UBatt.dis(t)≤1
式中，SOCmin和SOCmax分别对应蓄电池在运行中SOC的允许最小值和最大值；Pch.max、Pdis.max为蓄电池允许的充放电最大功率；ε为一个调度周期后蓄电池 SOC变化的最大范围；UBatt.ch(t)、UBatt.dis(t)为t时段蓄电池充放电状态量，取值为 0或1；Nt为调度周期；
储热装置约束
λminSES≤SES(t)≤λmaxSES
-Qch.max＜QCS(t)＜Qdis.max
式中：SES为储热装置的额定容量；λmin、λmax分别为储热装置最小最大容量系数；Qch.max、Qdis.max分别为储热装置最大充放能功率。
作为一种具体实现方式，在步骤S3.4中，电动汽车充放电功率上下限值、电动汽车在某一时刻的充放电状态变量约束、电动汽车电池容量上下限值的约束条件具体包括：
SOCmin≤SOCn(t)≤SOCmax
Figure BDA0003748314160000071
Figure BDA0003748314160000072
式中，
Figure BDA0003748314160000073
表示第n辆电动汽车在时段t的充放电功率，
Figure BDA0003748314160000074
分别表示第n辆电动汽车在时段t的充放电标志。SOCn(t)为t时刻第n辆电动汽车的SOC值，SOCmin、SOCmax分别为电动汽车的SOC下限和上限值。
作为一种具体实现方式，步骤S4的具体流程为：
S4.1在日前阶段：根据获得的风电、光伏出力和负荷功率日前预测值进行经济调度，其结果作为日内滚动优化的参考值；
S4.2 EV充放电管理层根据车主的历史习惯数据，对各个V2G模式下的EV 进行充放电优化，得到叠加电动汽车的负荷数据并传入模型预测控制MPC滚动优化层。
S4.3 MPC滚动优化层的第一阶段是以Tu为时间窗，Δtu为时间步长进行经济调度，其结果作为参考值传入第二阶段S4.4。
S4.4 MPC滚动优化层的第二阶段是以Tl为时间窗，Δtl为时间步长，根据接收到的风电光伏的实时预测数据以及识别紧急充电和非计划出行的EV来更新 V2G负荷信息，从而协调各分布式电源出力，使得与主网连接线功率跟踪上级计划值。
S4.5当第二阶段向前滚动优化并执行了Δtu的时间之后，回到第一阶段将时间窗向前滚动，再重复以上过程。
日内阶段分为两层：第一层为S4.2，EV充放电管理层；第二层为S4.3和S4.4 构成的MPC滚动优化层。
MPC滚动优化层共分为两阶段分别为S4.3和S4.4。S4.3的结果为第S4.4 的控制变量提供参考，S4.4将状态变量的实际值反馈给S4.3，起到了反馈校正的作用。
作为一种具体实现方式，步骤S4中，求解目标函数时采用了求解器CPLEX 和启发式算法联合求解。
本发明的有益效果：
1、对电动汽车的退化成本进行建模，构建了以降低负荷曲线偏差程度和降低EV车主参与V2G不满意度为目标的EV充放电多目标优化调度模型。该模型综合考虑EV车主和微网运营商的利益，实现了双赢。
2、为了降低EV车主临时更改计划，即需要紧急充电和非计划出行对优化调度方案带来的影响，以及进一步降低CHP微电网中预测功率误差带来的影响，本发明在日前调度结果的基础上提出了日内两层滚动优化模型。当运行在MPC滚动优化层时，除了使用更新的预测数据外，还可以检测非计划的EV行为，将EV充放电管理层输出的V2G负荷进行修正，提高了调度的经济性和准确性，并且改善了与主网联络线计划值的跟踪能力。
附图说明
图1是本发明热电联供微电网实施例的结构示意图。
图2是本发明日内两层滚动优化框架示意图。
图3是本发明多时间尺度分层优化调度方法流程图。
图中：1-电网，2-蓄电池和超级电容，3-风力发电机组，4-光伏发电组件， 5-用户电热负荷，6-地源热泵机组，7-储气单元，8-微型燃气轮机组，9-吸收式制冷机组，10-储热装置。
具体实施方式
下面结合具体附图来描述本发明的具体实施例。应当注意的是，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。下述实施例中描述的技术特征或者技术特征组合不应当被认为是孤立的，它们是相互组合达到更好的技术效果。
如图1所示，本发明实施例是一种热电联供微电网系统，包括微型燃气轮机组8、吸收式制冷机组9、地源热泵机组6、风力发电机组3、光伏发电组件4、蓄电池和超级电容2、储热装置10、电网1、用户电热负荷5、储气单元7。
如图3所示，本发明实施例的多时间尺度分层优化调度方法流程图，总体来讲分为四个步骤：
S1、建立热电联供微电网系统；
S2、建立热电联供微电网系统中设备的数学模型；
S3、确定目标函数和日前经济调度约束条件；
S4、建立热电联供微电网多时间尺度优化模型；
作为一个具体实施例，步骤S1中，所述热电联供微电网系统中主要设备有微型燃气轮机组8、吸收式制冷机组9、地源热泵机组6、风力发电机组3、光伏发电组件4、蓄电池和超级电容2、储热装置10。该系统与大电网相连，可以在电价较低时从电网1购电，电价较高时向电网1售电。
作为一个具体实施例，建立各设备主体运行数学模型如下：
1、吸收式制冷机出力模型
吸收式制冷机一般选用溴化锂吸收式制冷机，将微型燃气轮机排出的废热制冷。其模型表示为：
Figure BDA0003748314160000101
Figure BDA0003748314160000102
QAM(t)＝ηrecCAMQMT(t)
式中，PMT为微型燃气轮机输出电功率大小；ηMT为微型燃气轮机的发电效率；QMT(t)、QAM(t)分别为t时刻微型燃气轮机的废热排放量和吸收式制冷机组的制冷功率；ηL为微型燃气轮机的热损失系数；ηrec为吸收式制冷机组的废热回收率；CAM为吸收式制冷机组的制冷系数。
2、地源热泵机组出力模型
地源热泵是一种利用浅层地热资源，既能制热又能制冷的高效节能空调技术，比常规中央空调节能40％以上，在大型公共建筑节能中潜力巨大。其模型为：
QHP(t)＝COP·PHP(t)
式中：QHP(t)、PHP(t)分别为t时刻地源热泵产生的热功率和地源热泵消耗的电功率；COP为地源热泵的制热系数。
3、储能装置模型
储能装置包括电储能和热储能，热储能装置采用水蓄冷设备，与电储能装置具有相似的运行特征，其模型可表示为：
Figure BDA0003748314160000111
式中：EB(t)、EB(t-1)分别为储能装置t和t-1时刻的容量；τ为储能损失系数；PB.ch(t)、PB.dis(t)分别为t时刻储能装置充放能功率大小；ηch、ηdis分别为充放能效率。
4、风力发电机出力模型
风力发电机的输出功率可以用下式表示：
Figure BDA0003748314160000112
式中PWT为风力发电机的输出功率，ρ为空气密度，V为风速，R为风力发电机组的叶片半径，CP为风能利用系数。
风力发电机的出力和风速的关系为：
Figure BDA0003748314160000121
式中，Prated为额定功率，Vrated为额定风速，Vcutin为切入风速，Vcutout为切出风速。
5、光伏发电组件出力模型
光伏电池板的输出功率可以表示如下：
Figure BDA0003748314160000122
式中，PPV为光伏电池板输出功率，PSTC为在标准条件下光伏电池板的输出功率，SPV为实际的太阳辐射强度，SSTC为标准条件下的太阳辐射强度，k为温度系数，TPV和Tref分别为实际环境温度和标准条件下的环境温度，Ar为光伏电池板的面积，ηPV为光伏电池板的效率。
作为一个具体实施例，在步骤S3中，确定日前经济优化目标函数：
考虑热电联供微电网并网运行时经济效益最高，建立微网运行的经济优化模型，主要包括：与主网交换功率成本，光伏、风机、蓄电池和储热装置的维护成本，燃气轮机运行成本，污染气体治理成本，其优化目标函数为：
minFday-ahead＝Futility+Fom+Fmt+Fe
式中包括：
(1)与主网交换功率成本
Figure BDA0003748314160000131
式中Cbuy(t)、Csell(t)为t时刻购电、售电价格，PGrid_buy(t)、PGrid_sell(t)为t 时刻从主网购电、售电功率，Δt为调度时间步长，Nt为调度周期。
(2)分布式电源DG维护成本
Figure BDA0003748314160000132
式中，|Pi(t)|为第i个分布式电源t时刻的输出功率绝对值，Kom.i为第i个分布式电源的运行维护系数，Ni为分布式电源总数量。
(3)燃气轮机运行成本
Figure BDA0003748314160000133
Cmt为燃气轮机燃料成本系数，单位为元/m3，fmt为燃气轮机燃料消耗系数，单位为m3/kWh，S(t)为燃气轮机t时段的启停状态；Cmts为燃气轮机开机成本，单位为元/次。
(4)污染气体治理成本
Figure BDA0003748314160000134
CeSO2、CeCO2、CeNOx为单位污染气体治理成本； EmissionSO2(t)、EmissionCO2(t)、EmissionNOx(t)为t时段污染气体排放量。
作为一个具体实施例，在步骤S3中，确定日前经济调度约束条件过程如下：
日前经济调度约束条件具体包括：
1.功率平衡约束：
PBatt(t)+PMT(t)+PPV(t)+PWT(t)+PGrid(t)＝PLoad(t)
QAM(t)+QHP(t)+QCS(t)＝Qload(t)
2.分布式电源输出功率约束
PDG.i.min≤PDG.i≤PDG.i.max
光伏、风机以及燃气轮机输出功率均应不大于其最大容量。
3.微型燃气轮机爬坡约束
Figure BDA0003748314160000141
4.微电网与主电网交换功率约束
|PGrid(t)|≤PGrid.max
5.主电网购售电状态互斥约束
UBuy(t)+USell(t)≤1
UBuy(t)、USell(t)为t时段主网购售电的状态量，取值为0或1。
6.微型燃气轮机启停时间约束
Figure BDA0003748314160000142
Ut-k+1为燃气轮机在t-k+1时段的启停状态，Tmup、Tmdown分别为燃气轮机的最小启动时间和最小关停时间。
7.蓄电池运行约束
SOCmin≤SOC(t)≤SOCmax
-Pch.max≤PBatt(t)≤Pdis.max
|SOC(Nt)-SOC(1)|≤ε
UBatt.ch(t)+UBatt.dis(t)≤1
SOCmin和SOCmax分别对应蓄电池在运行中SOC的允许范围；Pch.max、Pdis.max为蓄电池允许的充放电最大功率；ε为一个调度周期后蓄电池SOC变化的最大范围； UBatt.ch(t)、UBatt.dis(t)为t时段蓄电池充放电状态量，取值为0或1。
8.储热装置约束
λminSES≤SES(t)≤λmaxSES
-Qch.max＜QES(t)＜Qdis.max
式中：SES为储热装置的额定容量；λmin、λmax分别为储热装置最小最大容量系数；Qch.max、Qdis.max分别为储热装置最大充放能功率。
作为一个具体实施例，在步骤S3中，确定日内两层滚动优化调度目标函数：
1.电动汽车充放电管理层：
根据电动汽车Ni-Cd蓄电池放电深度和可循环次数的关系，蓄电池寿命曲线的最佳拟合曲线公式如下：
LB(DOD)＝a×DOD-b×e-c|DOD
式中，DOD为放电深度，a、b、c为拟合系数。以一次放电事件为例，在一个时间间隔Δt内，蓄电池平均输出功率为PB(t)，则在这个时间间隔的放电深度DOD 可以用下式表示：
Figure BDA0003748314160000151
式中EBA(t)代表在时刻t的蓄电池的实际满容量，根据放电深度的定义和放电深度与可循环次数的关系，可以得到蓄电池的退化成本如下所示：
Figure BDA0003748314160000161
式中，Cre表示蓄电池的替换成本，ηBc、ηBd分别表示蓄电池的充电和放电效率系数。在一个充电放电事件结束后，蓄电池的实际满容量会减少，在t+Δt时刻的蓄电池实际满容量可结合蓄电池的出厂额定容量EB.rated，按照下式进行计算：
Figure BDA0003748314160000162
由于蓄电池在每个时间间隔Δt内的退化成本只有当一个充电事件或放电事件结束后才可以确定，要判断一个完整的充放电事件是否结束就需要定义蓄电池功率流的方向。使用二进制变量g(t)来指示蓄电池的功率流方向是否发生变化， g(t)的定义如下：
Figure BDA0003748314160000163
结合该变量，定义累计功率如下所示：
Ea(t)＝(1-g(t))Ea(t-1)+PB(t)Δt
因此，综上所述，考虑蓄电池退化效应的运行成本表达式如下：
Figure BDA0003748314160000164
在此基础上，提出电动汽车充放电管理层的目标函数。
目标函数1：
Figure BDA0003748314160000165
目标函数2：
Figure BDA0003748314160000171
2.MPC滚动优化层：
第一阶段考虑热电联供微电网并网运行时经济效益最高，建立经济优化模型：
Figure BDA0003748314160000172
第二阶段的优化目标是在第一阶段得到的各单元出力的基础上,平衡功率预测误差带来的影响：
Figure BDA0003748314160000173
其中
Figure BDA0003748314160000174
Fi snd、
Figure BDA0003748314160000175
分别为与主网联络线功率调节成本、第i个分布式电源功率调节成本、超级电容运行维护成本，Nsnd为分布式电源总数量。
1)与主网联络线功率调节成本：
Figure BDA0003748314160000176
式中
Figure BDA0003748314160000177
为第一阶段得到的t时刻与主网交换功率值，
Figure BDA0003748314160000178
为第二阶段t时刻与主网交换功率计划值，
Figure BDA0003748314160000179
为第二阶段与主网交换功率调节惩罚系数。
2)各微源功率调节成本
Figure BDA00037483141600001710
式中，Pi fst(t)第一阶段得到的t时刻第i个微源的功率值，Pi snd(t)为第二阶段t时刻第i个微源的功率值，
Figure BDA00037483141600001711
为第二阶段第i个微源功率值调节惩罚系数。
3)超级电容运行维护成本
Figure BDA0003748314160000181
式中，
Figure BDA0003748314160000182
为第二阶段超级电容t时刻计划出力值，Kom.SC为超级电容的运行维护成本系数。
作为一个具体实施例，在步骤S3中，确定日内两层滚动优化调度约束条件过程如下：
1.电动汽车管理层：
SOCmin≤SOCn(t)≤SOCmax
Figure BDA0003748314160000183
Figure BDA0003748314160000184
式中，
Figure BDA0003748314160000185
表示第n辆电动汽车在时段t的充放电功率，
Figure BDA0003748314160000186
分别表示第n辆电动汽车在时段t的充放电标志。
2.MPC滚动优化层
与日前经济调度约束条件相同。
作为一个具体实施例，在步骤S4中，多时间尺度优化模型框架如下：首先，在日前阶段，根据获得的风电、光伏出力和负荷功率日前预测值进行经济调度，其结果作为日内滚动优化的参考值；其次，如图2所示，日内阶段分为两层：EV 充放电管理层与MPC滚动优化层。EV充放电管理层根据车主的历史习惯数据，对各个V2G模式下的EV进行充放电优化，得到叠加电动汽车的负荷数据并传入MPC 滚动优化层。MPC滚动优化层共分为两阶段，第一阶段是以Tu为时间窗，Δtu为时间步长进行经济调度，其结果作为参考值传入第二阶段；第二阶段是以Tl为时间窗，Δtl为时间步长，根据接收到的风电光伏的实时预测数据以及识别紧急充电和非计划出行的EV来更新V2G负荷信息，从而协调各分布式电源出力，使得与主网连接线功率跟踪上级计划值。当第二阶段向前滚动优化并执行了Δtu的时间之后，回到第一阶段将时间窗向前滚动，再重复以上过程。第一阶段的结果为第二阶段的控制变量提供参考，第二阶段将状态变量的实际值反馈给第一阶段，起到了反馈校正的作用。
本发明提出了日内两层滚动优化模型。当运行在MPC滚动优化层时，除了使用更新的预测数据外，还可以检测非计划的EV行为，将EV充放电管理层输出的 V2G负荷进行修正，提高了调度的经济性和准确性，并且改善了与主网联络线计划值的跟踪能力。
虽然已经给出了本发明的实施例，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是实例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (8)

1.含有电动汽车的热电联供系统多时间尺度分层调度方法，其特征在于：
S1、建立热电联供微电网系统；
S2、建立热电联供微电网系统中设备的数学模型：
S3、确定目标函数和日前经济调度约束条件；
S4、建立热电联供微电网多时间尺度优化模型：所述热电联供微电网多时间尺度优化模型包含两个时间尺度；日前：进行微电网中新能源出力和负荷预测，日内：进行EV充放电管理层和模型预测控制MPC滚动优化层联合优化；其中EV充放电管理层考虑到电动汽车的充放电所带来的蓄电池的退化成本，建立了以最小化负荷曲线方差和最小化EV车主参与车联网V2G机制不满意度的多目标优化调度模型；当运行在模型预测控制MPC滚动优化层时，若非计划EV数量大于阈值，将回到EV充放电管理层重新求解后返回。
2.如权利要求1所述的考虑电动汽车的热电联供系统微电网系统优化调度方法，其特征在于：步骤S1中，所述热电联供微电网系统中的设备包括微型燃气轮机组、吸收式制冷机组、地源热泵机组、风力发电机组、光伏发电组件、蓄电池和超级电容、储热装置。
3.如权利要求1所述的含有电动汽车的热电联供系统多时间尺度分层调度方法，其特征在于：步骤S3具体为：
S3.1微电网运行的日前经济调度优化成本函数为：
minFday-ahead＝Futility+Fom+Fmt+Fe
式中，Futility表示与主电网交换功率成本，Fom表示分布式电源DG维护成本，Fmt表示燃气轮机运行成本，Fe表示污染气体治理成本，minFday-ahead表示最小化日前调度成本；
S3.2确定日前经济调度约束条件，包括功率平衡约束条件、分布式电源输出功率约束条件、微型燃气轮机爬坡约束条件、微电网与主电网交换功率约束条件、主电网购售电状态互斥约束条件、微型燃气轮机启停时间约束条件、蓄电池运行约束条件、储热装置约束条件；
S3.3确定日内两层滚动优化调度目标函数：
电动汽车充放电管理层：
目标函数1：
Figure FDA0003748314150000021
式中，Pload(t)表示t时刻负荷功率值，Mean(Pload)表示所有时刻负荷功率的平均值，T为调度周期，minF1 EV表示最小化总负荷曲线方差；
目标函数2：
Figure FDA0003748314150000022
式中，
Figure FDA0003748314150000023
为t时刻第n辆电动汽车的退化成本，
Figure FDA0003748314150000024
分别为用户签订协议时所接受的最小、最大退化成本，Nev为电动汽车总数量，T为调度周期，
Figure FDA0003748314150000025
表示最小化用户参与车联网计划的不满意度；
模型预测控制MPC滚动优化层：
第一阶段考虑热电联供微电网并网运行时经济效益最高，建立经济优化模型：
Figure FDA0003748314150000031
式中，
Figure FDA0003748314150000032
分别表示在第一阶段的与主网交换功率成本、分布式电源维护成本、微型燃气轮机运行成本、污染气体治理成本。
Figure FDA0003748314150000033
和
Figure FDA0003748314150000034
分别为日前优化调度得到的t时刻与主网交换功率和微型燃气轮机功率的参考值。
Figure FDA0003748314150000035
和
Figure FDA0003748314150000036
分别为t时刻第一阶段与主网交换功率和微型燃气轮机功率的计划值，
Figure FDA0003748314150000037
和
Figure FDA0003748314150000038
分别为第一阶段与主网交换功率和微型燃气轮机功率调整惩罚系数，minF1表示最小化第一阶段总运行成本；
第二阶段的优化目标是在第一阶段得到的各单元出力的基础上,平衡功率预测误差带来的影响：
Figure FDA0003748314150000039
其中
Figure FDA00037483141500000310
Fi snd、
Figure FDA00037483141500000311
分别为与主网联络线功率调节成本、第i个分布式电源功率调节成本、超级电容运行维护成本，Nsnd为分布式电源总数量，minF2表示最小化第二阶段调节成本；
S3.4日内两层滚动优化约束，电动汽车充放电管理层包括电动汽车充放电功率上下限值、电动汽车在某一时刻的充放电状态变量约束、电动汽车电池容量上下限值；模型预测控制MPC滚动优化层满足S3.2中约束条件。
4.如权利要求3所述含有电动汽车的热电联供系统多时间尺度分层调度方法，其特征在于，步骤S3.2中，日前经济调度约束条件具体包括：
功率平衡约束：
PBatt(t)+PMT(t)+PPV(t)+PWT(t)+PGrid(t)＝PLoad(t)
QAM(t)+QHP(t)+QCS(t)＝Qload(t)
式中，PBatt(t)、PMT(t)、PPV(t)、PWT(t)、PGrid(t)、PLoad(t)分别为t时刻蓄电池电功率、微型燃气轮机电功率、光伏组件电功率、风力发电机组电功率、与主网交换功率和电负荷功率，QAM(t)、QHP(t)、QCS(t)、Qload(t)分别为t时刻吸收式制冷机输出热功率、地源热泵机组输出热功率、储热装置输出热功率和热负荷功率；
分布式电源输出功率约束
PDG.i.min≤PDG.i≤PDG.i.max
式中，PDG.i、PDG.i.min、PDG.i.max分别为第i个分布式电源的输出功率和第i个分布式电源输出功率下限值和上限值；
微型燃气轮机爬坡约束
Figure FDA0003748314150000041
式中，Rup、Rdown为燃气轮机输出功率最大上升速率与下降速率。PMT(t)、PMT(t-1)分别为t时刻和t-1时刻微型燃气轮机输出功率值，Δt为时间步长；
微电网与主电网交换功率约束
|PGrid(t)|≤PGrid.max
式中，|PGrid(t)|为t时刻与主网交换功率的绝对值，PGrid.max为与主网交换功率的上限值；
主电网购售电状态互斥约束
UBuy(t)+USell(t)≤1
式中，UBuy(t)、USell(t)为t时段主网购售电的状态量
微型燃气轮机启停时间约束
Figure FDA0003748314150000051
式中，Ut-k+1为燃气轮机在t-k+1时段的启停状态，Tmup、Tmdown分别为燃气轮机的最小启动时间和最小关停时间；
蓄电池运行约束
SOCmin≤SOC(t)≤SOCmax
-Pch.max≤PBatt(t)≤Pdis.max
|SOC(Nt)-SOC(1)|≤ε
UBatt.ch(t)+UBatt.dis(t)≤1
式中，SOCmin和SOCmax分别对应蓄电池在运行中SOC的允许最小值和最大值；Pch.max、Pdis.max为蓄电池允许的充放电最大功率；ε为一个调度周期后蓄电池SOC变化的最大范围；UBatt.ch(t)、UBatt.dis(t)为t时段蓄电池充放电状态量；Nt为调度周期；
储热装置约束
λminSES≤SES(t)≤λmaxSES
-Qch.max＜QCS(t)＜Qdis.max
式中：SES为储热装置的额定容量；λmin、λmax分别为储热装置最小最大容量系数；Qch.max、Qdis.max分别为储热装置最大充放能功率。
5.如权利要求3所述含有电动汽车的热电联供系统多时间尺度分层调度方法，其特征在于，步骤S3.4中，电动汽车充放电功率上下限值、电动汽车在某一时刻的充放电状态变量约束、电动汽车电池容量上下限值的约束条件具体包括：
SOCmin≤SOCn(t)≤SOCmax
Figure FDA0003748314150000061
Figure FDA0003748314150000062
式中，
Figure FDA0003748314150000063
表示第n辆电动汽车在时段t的充放电功率，
Figure FDA0003748314150000064
分别表示第n辆电动汽车在时段t的充放电标志，SOCn(t)为t时刻第n辆电动汽车的SOC值，SOCmin、SOCmax分别为电动汽车的SOC下限和上限值。
6.如权利要求1所述的含有电动汽车的热电联供系统多时间尺度分层调度方法，其特征在于，考虑风电、光伏和负荷预测的不确定性对热电联供微电网系统的影响，采用贝塔分布拟合风电光伏的功率预测误差，能够合理地反映实际情况。
7.如权利要求1所述的含有电动汽车的热电联供系统多时间尺度分层调度方法，其特征在于，步骤S4的具体过程如下：
S4.1在日前阶段：根据获得的风电、光伏出力和负荷功率日前预测值进行经济调度，其结果作为日内滚动优化的参考值；
S4.2 EV充放电管理层根据车主的历史习惯数据，对各个V2G模式下的EV进行充放电优化，得到叠加电动汽车的负荷数据并传入模型预测控制MPC滚动优化层。
S4.3 MPC滚动优化层的第一阶段是以Tu为时间窗，Δtu为时间步长进行经济调度，其结果作为参考值传入第二阶段S4.4。
S4.4 MPC滚动优化层的第二阶段是以Tl为时间窗，Δtl为时间步长，根据接收到的风电光伏的实时预测数据以及识别紧急充电和非计划出行的EV来更新V2G负荷信息，从而协调各分布式电源出力，使得与主网连接线功率跟踪上级计划值。
S4.5当第二阶段向前滚动优化并执行了Δtu的时间之后，回到第一阶段将时间窗向前滚动，再重复以上过程。
8.如权利要求1所述的含有电动汽车的热电联供系统多时间尺度分层调度方法，其特征在于，在步骤S4中，求解热电联供微电网多时间尺度优化模型时采用了求解器CPLEX和启发式算法联合求解。
CN202210830908.XA 2022-07-15 2022-07-15 含有电动汽车的热电联供系统多时间尺度分层调度方法 Pending CN115204673A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210830908.XA CN115204673A (zh) 2022-07-15 2022-07-15 含有电动汽车的热电联供系统多时间尺度分层调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210830908.XA CN115204673A (zh) 2022-07-15 2022-07-15 含有电动汽车的热电联供系统多时间尺度分层调度方法

Publications (1)

Publication Number Publication Date
CN115204673A true CN115204673A (zh) 2022-10-18

Family

ID=83581460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210830908.XA Pending CN115204673A (zh) 2022-07-15 2022-07-15 含有电动汽车的热电联供系统多时间尺度分层调度方法

Country Status (1)

Country Link
CN (1) CN115204673A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115525979A (zh) * 2022-11-04 2022-12-27 山东大学 一种主动配电网可调度能力的多时间尺度评估方法及系统
CN116613750A (zh) * 2023-07-18 2023-08-18 山东大学 一种电力系统一体化调度方法、系统、终端设备及介质
CN117811051A (zh) * 2024-02-27 2024-04-02 华东交通大学 一种基于需求侧响应的微电网弹性控制方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115525979A (zh) * 2022-11-04 2022-12-27 山东大学 一种主动配电网可调度能力的多时间尺度评估方法及系统
CN116613750A (zh) * 2023-07-18 2023-08-18 山东大学 一种电力系统一体化调度方法、系统、终端设备及介质
CN116613750B (zh) * 2023-07-18 2023-10-13 山东大学 一种电力系统一体化调度方法、系统、终端设备及介质
CN117811051A (zh) * 2024-02-27 2024-04-02 华东交通大学 一种基于需求侧响应的微电网弹性控制方法
CN117811051B (zh) * 2024-02-27 2024-05-07 华东交通大学 一种基于需求侧响应的微电网弹性控制方法

Similar Documents

Publication Publication Date Title
Hemmati Technical and economic analysis of home energy management system incorporating small-scale wind turbine and battery energy storage system
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN109617142B (zh) 一种cchp型微电网多时间尺度优化调度方法及系统
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
CN105811409B (zh) 一种含电动汽车混合储能系统的微网多目标运行调度方法
CN109752953B (zh) 一种集成电制冷机的楼宇供能系统模型预测调控方法
CN113344736A (zh) 一种园区级综合能源系统及其控制方法
CN111293691A (zh) 基于模型预测控制的微电网多时间尺度优化调度方法
Guo et al. A new collaborative optimization method for a distributed energy system combining hybrid energy storage
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN105225022A (zh) 一种热电联产型微电网的经济性优化运行方法
CN111293718B (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
Fan et al. Two-layer collaborative optimization for a renewable energy system combining electricity storage, hydrogen storage, and heat storage
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN112366684A (zh) 一种海岛微电网系统
Gao et al. Optimal configuration for regional integrated energy systems with multi-element hybrid energy storage
CN115760206A (zh) 一种基于工业用户用电需求的电力市场电价计算方法
CN115241923A (zh) 一种基于蛇优化算法的微电网多目标优化配置方法
CN116187173A (zh) 一种区域综合能源系统双层优化方法及系统
Wang et al. Research on collaborative operation optimization of multi-energy stations in regional integrated energy system considering joint demand response
Gao et al. Fuzzy decision-based optimal energy dispatch for integrated energy systems with energy storage
CN117134409A (zh) 考虑电-氢-热互补的微网系统及其多目标优化配置方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN116683445A (zh) 基于模型预测控制的园区微电网多时间尺度运行优化方法
CN114172148B (zh) 一种基于合作博弈的黑启动容量配置方法

Legal Events

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