CN115310797A - 一种园区综合能源系统的鲁棒规划方法 - Google Patents
一种园区综合能源系统的鲁棒规划方法 Download PDFInfo
- Publication number
- CN115310797A CN115310797A CN202210908543.8A CN202210908543A CN115310797A CN 115310797 A CN115310797 A CN 115310797A CN 202210908543 A CN202210908543 A CN 202210908543A CN 115310797 A CN115310797 A CN 115310797A
- Authority
- CN
- China
- Prior art keywords
- planning
- pies
- model
- equipment
- stage
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 142
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 138
- 238000004146 energy storage Methods 0.000 claims abstract description 63
- 238000006243 chemical reaction Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 235000015108 pies Nutrition 0.000 claims abstract 62
- 241001137251 Corvidae Species 0.000 claims abstract 61
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 92
- 239000007789 gas Substances 0.000 claims description 56
- 239000003345 natural gas Substances 0.000 claims description 46
- 230000005611 electricity Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012946 outsourcing Methods 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 12
- 239000002356 single layer Substances 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005338 heat storage Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 241000711969 Chandipura virus Species 0.000 claims 25
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 8
- 238000010835 comparative analysis Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/0637—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种园区综合能源系统的鲁棒规划方法,其包括步骤:构建考虑PIES建设时序性的多阶段规划模型并基于对PIES的典型物理架构建模确定PIES中能量生产、能量转换以及能量储存设备的设备数字模型;在PIES中引入阶梯碳交易并确定PIES的无偿碳排放额并构建阶梯碳交易费用的计算模型;采用盒式不确定集描述PIES的源荷不确定性并在所述多阶段规划模型基础上建立考虑阶梯碳交易与源荷不确定性的PIES鲁棒多阶段规划模型;对所述PIES鲁棒多阶段规划模型进行对偶和线性化处理得到混合整数线性规划模型,并对混合整数线性规划模型进行求解获取PIES的鲁棒规划方案。考虑PIES建设时序的规划问题和源荷不确定性因素,可充分发挥PIES的优势。
Description
技术领域
本发明涉及园区综合能源系统规划领域,特别涉及一种园区综合能源系统的鲁棒规划方法。
背景技术
随着全球碳交易市场的逐步扩大,为了促进能源行业在节能减排方面发挥主力军作用,在IES(Integrated Energy System,综合能源系统)和PIES(Park-level IntegratedEnergy System,园区综合能源系统)的应用中引入碳交易机制,已经成为建设绿色低碳能源系统的重要方式。IES是一种涵盖电、热、气等多种能源的输入和输出,结合热电联产(Combined Heat and Power,CHP)、电转气(Power to Gas,P2G)、储能等技术,实现不同能源在同一系统中的相互转换和统一调度,在满足能源需求的同时提升能效的能源产供销一体化系统。而PIES是一种面向大厦、社区、工业园区或城镇等终端能源用户的微型综合能源系统。PIES作为一种终端用户侧多种能源形式的耦合对象与供应对象,可提升光伏(Photovoltaic,PV)、风能等可再生能源的消纳以及能源的利用效率,是未来新型能源体系中终端用户侧能源消耗的主要承载形式。碳交易为碳排放权交易,以控制碳排放总量为目的将包括二氧化碳在内的温室气体排放权赋予商品属性。
目前,以PIES为基础引入碳交易机制时,由于园区内的各类负荷随着园区的招商引资计划而逐渐增加,如果仅根据园区建设完成后预测的最大负荷对PIES进行一次性的规划投建,会出现运营初期超前投资进而造成资源浪费、运营后期增长的多元负荷需求不能得以满足等不利情况。此外,可再生能源发电和园区的多元负荷存在较强的不确定性,当实际的可再生能源出力和负荷偏离规划时考虑的预测值较远时,不仅极大影响PIES规划方案的可行性,严重时PIES的运行稳定性也会受到影响。
因此,如何在对PIES进行规划的过程中充分发挥PIES的优势,同时以科学合理规划为前提,保障PIES的经济低碳运行是亟待解决的问题。
发明内容
本发明实施例提供一种园区综合能源系统的鲁棒规划方法及设备,能够考虑PIES中源荷的不确定性因素,充分发挥PIES的优势的同时,对引入碳交易机制过程中考虑PIES建设时序的规划问题。
本发明实施例提供了一种园区综合能源系统的鲁棒规划方法,其特征在于,其包括步骤:
构建考虑PIES建设时序性的多阶段规划模型并基于对PIES的典型物理架构建模确定PIES中能量生产、能量转换以及能量储存设备的设备数字模型,其中,所述多阶段规划模型用于根据所述设备数字模型以及阶段与阶段之间的关联性决策出各个规划阶段的候选设备配置;
在PIES中引入阶梯碳交易并确定PIES的无偿碳排放额并构建阶梯碳交易费用的计算模型;
采用盒式不确定集描述PIES的源荷不确定性并在所述多阶段规划模型基础上建立考虑阶梯碳交易与源荷不确定性的PIES鲁棒多阶段规划模型;
对所述PIES鲁棒多阶段规划模型进行对偶和线性化处理得到混合整数线性规划模型,并对混合整数线性规划模型进行求解获取PIES的鲁棒规划方案。
本发明提供的技术方案带来的有益效果包括:
本发明实施例提供了一种园区综合能源系统的鲁棒规划方法,在PIES的规划问题中计及PIES的建设时序以及PIES中源荷的不确定性因素,考虑PIES的建设与园区的开发进程同步实施,对提升PIES规划方案的经济性具有重要意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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为本发明实施例提供的园区综合能源系统的鲁棒规划方法的流程示意图;
图2为本发明实施例提供的园区综合能源系统的物理架构示意图;
图3为本发明实施例提供的多阶段规划模型示意图;
图4为本发明实施例提供的阶梯碳交易机制示意图;
图5为本发明实施例提供的源荷不确定性变量的盒式不确定集的示意图;
图6为本发明实施例提供的基于C&CG算法的求解流程图;
图7为本发明实施例提供的典型日下的负荷、光伏出力的实验数据曲线
图8为本发明实施例提供的过渡季典型日下源荷模拟实际取值示意图;
图9为本发明实施例提供的C&CG算法的收敛结果图;
图10为本发明实施例提供的在不同不确定调节参数取值下的全寿命周期成本示意图;
图11为本发明实施例提供的在不同不确定调节参数取值下的优化结果示意图。
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的一部分实施例,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的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。
如图1所示,本发明实施例提供了一种园区综合能源系统的鲁棒规划方法,其包括步骤:
S100:构建考虑PIES建设时序性的多阶段规划模型并基于对PIES的典型物理架构建模确定PIES中能量生产、能量转换以及能量储存设备的设备数字模型,其中,所述多阶段规划模型用于根据所述设备数字模型以及阶段与阶段之间的关联性决策出各个规划阶段的候选设备配置;
S200:在PIES中引入阶梯碳交易并确定PIES的无偿碳排放额并构建阶梯碳交易费用的计算模型;
S300:采用盒式不确定集描述PIES的源荷不确定性并在所述多阶段规划模型基础上建立考虑阶梯碳交易与源荷不确定性的PIES鲁棒多阶段规划模型;
S400:对所述PIES鲁棒多阶段规划模型进行对偶和线性化处理得到混合整数线性规划模型,并对混合整数线性规划模型进行求解获取PIES的鲁棒规划方案。
需要说明的是,源荷不确定性包括源不确定性与荷不确定性,源不确定性可包括光伏(Photovoltaic,PV)设备的出力,荷不确定性可包括:电、热、气负荷。
本发明实施例在PIES的规划问题中计及PIES的建设时序以及PIES中源荷的不确定性因素,考虑PIES的建设与园区的开发进程同步实施,对提升PIES规划方案的经济性具有重要意义。
一些实施例中,S100中构建考虑PIES建设时序性的多阶段规划模型,包括步骤:
S110:将待配置设备的最短寿命年限作为所述多阶段规划模型的规划周期的取值;
S120:根据规划周期内最大负荷水平的变化情况决定所述多阶段规划模型的规划阶段数目;
S130:设置约束条件使前面规划阶段的方案与后续规划阶段相关联且当前规划阶段的决策结果与前面所有规划阶段相关;
S140:以全寿命周期成本最小为目标并结合所述约束条件决策出各个规划阶段的候选设备配置。
需要说明的是,所述全寿命周期成本包括全寿命周期的投资成本和运维成本。
针对PIES的建设时序性,本发明实施例采用多阶段规划的方法,如图3所示,P将规划周期N取值为待配置设备的最短寿命年限,多阶段规划模型的规划阶段数目K由规划周期内最大负荷水平的变化情况而决定;规划模型充分考虑阶段与阶段之间的关联性,前面阶段的规划方案通过多阶段约束建立与后续规划阶段的联系,当前规划阶段的决策结果与前面所有阶段相关;并以全寿命周期成本最小为目标决策出各个规划阶段的候选设备配置情况,其中全寿命周期成本包括投资初期的投资成本和运维成本。
可优选地,当前阶段的规划方案集合以满足当前阶段的负荷增长需求为前提,基于之前所有阶段的设备投资建设情况对当前阶段的候选设备进行配置,直至决策出所有规划阶段的设备配置情况;
如图2所示,一些实施例中,S100中基于对PIES的典型物理架构建模确定PIES中能量生产、能量转换以及能量储存设备的设备数字模型,包括步骤:
S101:基于能量枢纽EH模型将PIES等效为一个涵盖多种能源形式输入和输出的双端口网络;
S102:确定PIES的能量生产、能量转换以及能量储存设备,其中,能量生产设备为光伏PV设备,能量转换设备包括电转气P2G设备、电锅炉EB设备、热电联产CHP设备以及燃气锅炉GB设备,能量储存设备包括电储ES设备、热储TS设备、气储GS设备;其中,光伏PV设备后面可简称PV设备,电转气P2G(Power to Gas)设备后面简称为P2G设备,电锅炉EB(ElectricBoiler)设备后面简称为EB设备,热电联产CHP(Combined Heat and Power)设备后面简称为CHP设备、燃气锅炉GB(Gas Boiler)设备后面简称为GB设备,电储ES(ElectricityStorage)设备后简称ES设备、热储TS(Thermal Storage)设备后简称TS设备、气储GS(GasStorage)设备后简称GS设备;
S103:对PIES的能量生产、能量转换以及能量储存设备进行数字建模并获取各设备的数字模型,且各设备的数字模型包括:
PV设备的数学模型,其表示为:
PPV(t)≤PPV,
P2G设备的数学模型,其表示为:
其中,GP2G(t)、gP2G(t)分别表示t时刻P2G设备输出的天然气功率、输出的天然气流量,ηP2G表示P2G设备的能量转换效率,PP2G(t)表示t时刻输入P2G设备的电功率;Q表示天然气低热值,可取值为9.97kWh/m3,表示输入P2G设备的电功率上限,由设备的额定容量确定;
EB设备的数学模型,其表示为:
CHP设备的数学模型,其表示为:
其中,HCHP(t)、ηCHP,h分别表示CHP设备t时刻输出的热功率以及设备的热转换效率,PCHP(t)、ηCHP,e分别表示CHP设备t时刻输出的电功率以及设备的电转换效率,GCHP(t)表示t时刻输入CHP设备的天然气功率,其取值单位与电功率的取值单位一致,根据天然气低热值Q进行转化,表示输入CHP设备的天然气功率上限,由设备的额定容量确定,ΔGCHP、分别表示CHP设备的最大、最小爬坡率;
GB设备的数学模型,其表示为:
其中,HGB(t)表示GB设备t时刻输出的热功率;ηGB表示GB设备的能量转换效率,GGB(t)表示t时刻输入GB设备的天然气功率,其取值单位与电功率的取值单位一致,根据天然气低热值Q进行转化,表示输入GB设备的天然气功率上限,由GB设备的额定容量确定,ΔGGB、分别表示GB设备的最大、最小爬坡率;
所述ES、TS以及HS设备的数学模型,其表示为:
其中,s∈Ω,Ω={ES,TS,GS}表示ES、TS、GS三类储能设备的集合,Ps cha(t)、分别表示第s类储能设备在t时刻的充能功率大小以及充能功率上限,Ps dis(t)、分别表示第s类储能设备在t时刻的放能功率大小以及放能功率上限,为0-1变量,当取值为1时表示t时刻第s类储能进行充能,取值为0时表示t时刻第s类储能进行放能,Ds(t)表示t时刻第s类储能设备的荷能状态,分别表示第s类储能设备的充、放能效率,Δt为运行步长,取值为1h,Ds分别表示第s类储能设备最大、最小荷能值,Ds(t0)、Ds(tT)分别表示第s类储能设备在调度周期初和调度周期末的荷能状态。
一些实施例中,S200包括步骤:
S210:针对PIES的碳排放源采用基准线法确定PIES的初始无偿碳排放额,所述PIES的碳排放源包括PIES外购电力、CHP设备和GB设备,且所述初始无偿碳排放额为:
其中,E*表示PIES的无偿碳排放配额,和分别表示PIES外购电力、CHP设备和GB设备所对应的无偿碳排放配额,T表示碳交易费用的结算周期(碳交易费用的结算周期为一年),且T=8760,表示单位购电量的无偿碳排放配额,PPN(t)表示t时刻PIES向上级电网的购电功率,表示单位热量的无偿碳排放额,表示CHP设备发电量向供热量的折算系数;
S220:确定PIES的实际碳排放量,且所述实际碳排放量表示为:
其中,E表示PIES的实际碳排放总量,EPN、ECHP和EGB分别表示PIES外购电力、CHP设备、GB设备对应的实际碳排放量,EP2G表示P2G设备的CO2消耗量,βg表示碳消耗系数,其表示P2G设备实现单位电力转换所需的CO2量;
需要说明的是,其中EPN、ECHP和EGB三者的计算方式与步骤S210中计算无偿碳排放配额(和)对应的方式基本一致,区别在于外购电力对应的碳排放系数βe、热力对应的碳排放系数βh与免费配额系数的取值不同。
S230:构建阶梯碳交易费用的计算模型,所述阶梯碳交易费用的计算模型表示为:
其中,如图4所示,Cco表示PIES的阶梯碳交易费用,c表示碳交易基准价格,α表示价格增长系数,d表示价格区间长度,价格区间数目与Cco的分段数相对应。
如图5所示,一些实施例中,S300中采用盒式不确定集描述PIES的源荷不确定性,包括步骤:
S310:采用盒式不确定集描述PIES的源不确定性以及荷不确定性,且表示为:
其中,U表示不确定集,u表示规划周期内的不确定变量集合,由每年各个时刻的PV实际出力PPV,n(t)、实际电负荷PL,n(t)、实际热负荷HL,n(t)以及实际气负荷GL,n(t)组成,上标^表示预测值,Δu表示规划周期内各不确定变量允许的最大误差波动范围,δPV、δPL、δGL、δGL分别表示PV出力、电负荷、热负荷、气负荷允许的波动偏差系数;
S320:将不确定集U的不确定调节参数Γ定义为:
其中,ΓPV、ΓPL、ΓHL、ΓGL分别表示PV出力、电负荷、热负荷、气负荷的不确定调节参数,分别表征规划周期内允许PV出力、电负荷、热负荷、气负荷实际取值偏离预测值的最大年数;且
针对PV出力,若zPV,n=0,则表示规划周期第n年所有时刻的实际PV出力取值为预测值,zPV,n=1表示规划周期第n年实际PV出力取值偏离预测值;
针对电负荷,若zPL,n=0,则表示规划周期第n年所有时刻的实际电负荷取值为预测值,zPL,n=1,则表示规划周期第n年实际电负荷取值偏离预测值;
针对热负荷,若zHL,n=0,则表示规划周期第n年所有时刻的实际热负荷取值为预测值,zHL,n=1,则表示规划周期第n年实际热负荷取值偏离预测值;
针对气负荷,若zGL,n=0,则表示规划周期第n年所有时刻的实际气负荷取值为预测值,zGL,n=1,则表示规划周期第n年实际气负荷取值偏离预测值。
一些实施例中,S300中在所述多阶段规划模型基础上建立考虑阶梯碳交易与源荷不确定性的PIES鲁棒多阶段规划模型,包括步骤:
S330:将所述多阶段规划模型划分为第一阶段问题模型和第二阶段问题模型,且所述第一阶段问题模型用于决策设备的投资情况,所述第二阶段问题模型用于决策设备的运行情况;
S340:分别针对第一阶段问题模型与第二阶段问题模型设置目标函数,且目标函数考虑全寿命周期成本最小,且全寿命周期成本由投资费用、设备残值、运行费用、维护费用组成,所述目标函数可表示为:
其中,f1(·)表示第一阶段问题模型的目标函数,由投资费用Cinv,k、设备残值CR组成,f2(·)表示第二阶段问题模型的目标函数,由运行费用Cope,n、维护费用Cmain,n、碳交易费用Cco,n组成,x、y分别表示第一阶段问题模型、第二阶段问题模型的优化变量集合,Ξ(x,u)表示决策x和u之后y的可行域,K表示规划阶段数,k表示第k个规划阶段,N表示规划周期年数,n表示规划周期的第n年,nk表示第k个规划阶段的第一年为规划周期的第nk年,γ表示贴现率;
所述投资费用Cinv,k的计算方式为:
其中,cPV表示PV的单位容量投建成本,WPV,k表示PV设备在第k个规划阶段的容量配置,Π={P2G,EB,CHP,GB}、Ω={ES,TS,GS}分别表示能量转换设备和储能设备的集合,ci、cs分别表示第i类能量转换设备、第s类储能设备的单位容量投建成本,Wi,k、Ws,k分别表示第i类能量转换设备、第s类储能设备在第k个规划阶段的容量配置;
所述设备残值CR的计算方式为:
其中,cdep,j表示第j类规划周期末使用寿命还未结束的设备的年平均折旧费用,Cinv,j表示第j类设备在所有阶段的投资费用之和,δj表示第j类设备的净残值率,Yj表示第j类设备的寿命,Nj表示第j类设备自投建到规划周期末的使用年数;
所述运行费用Cope,n的计算方式为:
其中,ce(t)、cg(t)分别表示t时刻的电价、气价;PPN,n(t)表示第n年t时刻PIES向上级电网的购电功率,GGN,n(t)表示第n年t时刻PIES向上级气网的购气功率;
所述维护费用Cmain,n的计算方式为:
其中,O表示各类设备的单位维护费用矩阵,Pn(t)表示第n年t时刻各类设备的输出功率矩阵,Pn T(t)表示矩阵Pn(t)的转置,PPV,n(t)表示第n年t时刻PV设备输出的电功率,分别表示第n年t时刻气储装置的充能功率和放能功率;
其中,所述碳交易费用CCO,n的计算方式与所述阶梯碳交易费用Cco的计算方式相同;
S350:针对第一阶段问题模型设置投资层面的约束,且所述投资层面的约束表示为:
S360:针对第二阶段问题模型设置运行层面的约束,且所述运行层面的约束包括设备运行约束、电热气平衡约束、PIES与上级电力网络和天然气网络交换功率约束以及碳交易约束,其中,
所述设备运行约束包括PIES中能量生产、能量转换以及能量储存设备的设备数字模型以及多阶段约束条件,所述多阶段约束条件为:
其中,PPV,n(t)表示第n年t时刻PV设备输出的电功率,∑WPV表示当前k个规划阶段PV设备的累计投资容量,n∈k表示规划周期的第n年属于第k个规划阶段,Pi,n(t)表示第n年t时刻输入第i类能量转换设备的功率,∑Wi表示当前k个规划阶段第i类能量转换设备的累计投资容量,表示第n年第s类储能设备的允许最大荷能状态,∑Ws表示当前k个规划阶段第s类储能设备的累计投资容量;
所述电热气平衡约束包括电功率平衡约束、热功率平衡以及热功率平衡,且
所述电功率平衡约束表示为:
所述热功率平衡表示为:
所述气功率平衡表示为:
其中,PCHP,n(t)表示第n年t时刻CHP设备输出的电功率,PP2G,n(t)表示第n年t时刻输入P2G设备的电功率,PEB,n(t)表示第n年t时刻输入EB设备的电功率,PL,n(t)、HL,n(t)和GL,n(t)分别表示第n年t时刻PIES的电、热、气负荷功率, 和分别表示第n年t时刻ES、TS、GS设备的充能功率,和分别表示第n年t时刻ES、TS、GS设备的放能功率;HEB,n(t)、HCHP,n(t)和HGB,n(t)分别表示第n年t时刻EB、CHP、GB设备输出的热功率,GP2G,n(t)表示第n年t时刻P2G设备输出的天然气功率,GCHP,n(t)、GGB,n(t)分别表示第n年t时刻输入CHP、GB设备的天然气功率;
所述PIES与上级电力网络和天然气网络交换功率约束表示为:
可以理解的是,S300中所述的PIES鲁棒多阶段规划模型由第一阶段问题模型和第二阶段问题模型构成,且基于所述目标函数、所述投资层面的约束以及运行层面的约束确定。
一些实施例中,S400中对PIES鲁棒多阶段规划模型进行对偶和线性化处理得到混合整数线性规划模型,包括步骤:
其中,M为大于预设阈值的正实数,预设阈值可设为105。
S420:针对分段线性函数(即阶梯碳交易费用的计算模型)中m个端点处碳交易量取值a1,a2,…,am以及阶梯碳交易费用取值b1,b2,…,bm,引入m-1个辅助变量(0-1变量)x1,x2,…,xm-1和m个辅助连续变量y1,y2,…,ym,并满足第二约束条件,所述第二约束条件为:
且对于任意的碳交易量a∈[a1,am],将其碳交易费用b表示为:
S430:基于所述第一约束条件和第二约束条件将所述PIES鲁棒多阶段规划模型表示为:
其中,
x为第一阶段问题模型的决策变量,其由每个规划阶段的候选设备投建容量:光伏WPV,k、各类能量转换设备Wi,k、各类储能设备Ws,k、每年储能设备在各个时刻的充放能状态变量以及每年碳交易费用分段函数辅助变量组成,WPV,k、Wi,k、Ws,k为整型变量,取值1时表示第n年第s类储能在t时刻充电,取值0则表示放电,为向量矩阵,其包含m-1个辅助变量,且其中取值1时表示第n年的碳交易量位于区间[am-1,am],取值0时表示碳交易量位于区间[a1,am-1),
y为第二阶段问题模型的决策变量,其由每年各个时刻外购电力PPN,n(t)、外购天然气GGN,n(t)、PV实际出力PPV,n(t)、各类能量转换设备的输入功率Pi,n(t)、各类储能设备的充放能功率各类储能设备的荷能状态Ds,n(t)、电热气实际负荷PL,n(t)、HL,n(t)、GL,n(t)以及每年碳交易费用分段函数辅助变量组成且各个变量均为连续变量,A、B、C、D、E、F、G、H、I、c、d、e、f均表示系数矩阵且与决策变量无关。
S440:将所述PIES鲁棒多阶段规划模型中的第二阶段问题模型进行对偶,且对偶过程包括:
S441:设置第一阶段问题模型变量x*,使x*对于所述PIES鲁棒多阶段规划模型的第二阶段问题模型的max-min问题为常量,并将所述max-min问题表示为:
其中,λ1、λ2、π表示与所述max-min问题的约束条件(上式s.t.部分)对应的对偶变量集合,λ1、λ2、π均为连续变量;
S442:通过利用强对偶理论将内层min问题对偶为max问题,将所述max-min问题转换为单层max问题,所述单层max问题表示为:
S443:针对所述单层max问题中的双线性项uTπ,改变不确定集U,并将改变后的不确定集U表示为:
其中,Δu·X表示点乘,X由0-1变量组成,可表示为:
其中,xPV,n、xPL,n、xHL,n、xGL,n均为0-1变量,其取值为1时分别表示PV实际出力在规划周期第n年的所有时刻取值为波动范围的下边界、实际电、热、气负荷在规划周期第n年的所有时刻取值为波动范围的上边界;
可以理解的是,当xPV,n、xPL,n、xHL,n、xGL,n这些0-1变量取值为0时,分别表示PV实际出力与实际电、热、气负荷在规划周期第n年的所有时刻取值为其预测值,不发生波动。
S444:基于Big-M法对双线性项X·π进行线性化处理,且所述线性化处理过程包括:
引入辅助变量βu,将所述单层max问题中的X·π全部用βu替换掉,并将所述单层max问题等效为:
其中,Γ表示不确定调节参数集合。
可以理解的是,S400中最终将等效后的所述单层max问题确定的第二阶段问题模型作为所述混合整数线性规划模型。
一些实施例中,S400中采用C&CG算法并调用商业求解器对混合整数线性规划模型进行求解获取PIES的鲁棒规划方案,如图6所示,C&CG算法的求解流程为:
S01:初始化C&CG算法的参数,包括使迭代次数κ=0、产生最优割的迭代次数集合(如果第κ次迭代求解子问题之后需要产生最优割,则Θ=Θ∪{κ+1},否则Θ不变)、上界UB=+∞,下界LB=-∞,允许误差系数ε=0.001,给定一组不确定变量的初始取值X*,确定
S02:根据u*求解主问题并更新决策结果:x*=x*{κ}、y*=y*{κ},以及更新下界LB=ATx*{κ}+η*{κ},且所述主问题表示为:
其中,η表示子问题辅助变量,y{·}表示由割集引入的新的二阶段变量;x*{·}为S02步骤中求解主问题之后得到的解的集合,并非新变量。
S03:根据x*求解子问题(此时为经过了线性化与对偶处理之后的第二阶段问题),令θ(x*)表示子问题目标函数的最优解,并判断在当前x*下的子问题是否有可行解,若无可行解则令θ(x*)=+∞,且u*不改变;若有可行解,则更新决策结果:X*=X*{κ}、u*=u*{κ}、π*=π*{κ};并在做完判断后更新上界为:UB=min{UB,ATx*+θ(x*)};
S04:若上界、下界满足收敛条件|UB-LB|/LB≤ε则求解结果x*、y*、u*并退出C&CG算法循环,否则生成一组新的第二阶段问题模型的决策变量y{κ+1}并生成可行割FCs、最优割OCs,表示为:
S05:如果步骤S03中子问题无可行解,则令κ=κ+1,且只将可行割FCs反馈给所述主问题,并将可行割FCs添加到所述主问题的约束条件中后返回步骤S02;如果步骤S03中的子问题有可行解,则令Θ=Θ∪{κ+1},κ=κ+1,再将可行割FCs和最优割OCs反馈给所述主问题,并将可行割FCs和最优割OCs添加到所述主问题的约束条件中后返回步骤S02。
可以理解的是,C&CG算法将原问题分解为主问题和子问题,主问题对应第一阶段问题,子问题对应第二阶段问题。
一些实施例中,在获取PIES的鲁棒规划方案之后,评估PIES中新能源、多元储能的协同优化效果,具体包括:
建立PIES的综合能效评估模型,所述综合能效评估模型表示为:
其中,ηPIES表示PIES的综合能效,PL、HL、GL分别表示PIES电、热、气负荷,分别表示ES设备、TS设备、GS设备的充能功率, 分别表示ES设备、TS设备、GS设备的充能效率,分别表示ES设备、TS设备、GS设备的放能功率,PPN、GGN分别表示PIES购电功率、购气功率;
基于所述综合能效评估模型评估新能源、多元储能的协同优化效果。
如图7、8所示,一个具体的实施例中,源、荷不确定调节参数均为5,描述不确定集波动范围的波动系数分别为0.2、0.1、0.1、0.1;各规划候选设备的投资参数和运行参数见表1;各类设备中ES设备的使用寿命年限最短,为15年,因而将其确定为多阶段规划的规划周期数,15年的规划周期被划分为3个规划阶段,各阶段的设备投资建设分别于第1年初、第4年初和第9年初进行,各个规划阶段的最大负荷水平见表2;分时电价、天然气价、折现率、设备净残值率等经济参数见表3;碳交易机制的相关参数见表4。
表1各类候选设备的参数
表2各规划阶段的负荷最大值
表3规划经济参数
表4碳交易参数
为了验证本发明实施例中在Matlab环境下调用Gurobi求解器进行求解的有效性,选取以下四种情形进行对比分析:
情形Z1:考虑阶梯碳交易机制,PV出力、电/热/气负荷的不确定调节参数分别为0、0、0、0,即不考虑不确定性,考虑园区综合能源系统的建设时序性,按照预测值进行多阶段规划;
情形Z2:考虑阶梯碳交易机制,考虑源荷不确定性,不考虑园区建设时序性,进行鲁棒单阶段规划;
情形Z3:考虑传统碳交易机制,考虑源荷不确定性,考虑园区建设时序性,进行鲁棒多阶段规划;
情形Z4:考虑阶梯碳交易机制,考虑源荷不确定性,考虑园区建设时序性,进行鲁棒多阶段规划。
情形Z4下C&CG算法的收敛过程如图9所示。
由图9中所示结果可知,算法在迭代到第4代之后收敛,此时上下界的相对误差|UB-LB|/LB为0.00096,满足算法的收敛条件|UB-LB|/LB≤0.001,其收敛速度较快,C&CG算法用于求解所构建的鲁棒多阶段规划模型的有效性可以得以验证。
四种情形的规划方案见表5,四种情形的优化结果见表6。整体来看,四种情形均未规划P2G设备和GS设备,各情形的对比分析如下:
表5各情形的规划方案(单位:kW)
表6各情形的优化结果
(1)情形Z1与情形Z4的对比分析
情形Z1与情形Z4均采用阶梯碳交易机制和多阶段规划方法,区别在于情形Z1为确定性规划,情形Z4为鲁棒规划。在规划方案上,情形Z1和情形Z4对EB、TS、GB、CHP的配置相差不大,但是情形Z4对ES和PV的配置高于情形Z1,因而情形Z4的投资费用和设备残值也相应比情形Z1高。同时,考虑源荷不确定性的情形Z4在最恶劣场景下为了应对PV出力的减少和负荷的增加,势必会外购更多的电力和天然气,从而情形Z4的运行费用、碳排放量、碳交易费用也会相应高于情形Z1。
(2)情形Z2与情形Z4的对比分析
情形Z2与情形Z4均考虑阶梯碳交易机制和鲁棒规划,区别在于情形Z2为单阶段规划,情形Z4为多阶段规划。在规划方案上,情形Z2对EB、ES、TS的配置略高于情形Z4,情形Z2与情形Z4在对GB、CHP、PV的配置上差别较大,整体来看情形Z4的容量配置高于情形Z2,因此情形Z4的投资费用、设备残值和设备维护会相应较高。但是,情形Z2的全寿命周期成本比情形Z4高86.66万元,增幅为2.37%,并且情形Z2的碳排放量也比情形Z4多出3621.17吨,增幅为9.08%。可见,多阶段的规划方案不仅具有更优的经济性,其低碳性也相对较好。
(3)情形Z3与情形Z4的对比分析
情形Z3与情形Z4均为鲁棒多阶段模型,区别在于情形Z3采用交易价格固定的传统碳交易机制,情形Z4采用阶梯碳交易机制。在规划方案上,两种情形对EB和TS的配置接近,情形Z3对ES和GB的配置高于情形Z4,对CHP和PV的配置较低。由于情形Z4配置了更高容量的CHP和PV,因此其投资费用和全寿命周期成本均高于情形Z3,全寿命周期成本的增幅为0.42%,但是情形Z3的碳交易费用和碳排放量分别比情形Z4高16.32万元和2041.57吨,增幅分别为19.95%和5.12%,均大于全寿命周期成本的增幅,由此可见阶梯碳交易机制相对传统碳交易机制在兼顾经济性与低碳性方面的优势。
情形Z4求解得到的最恶劣场景为:PV出力在规划周期的第4、5、6、9、10年取值波动范围的下边界,电负荷在规划周期的第4、5、6、9、10年取值波动范围的上边界,热负荷在规划周期的第1、4、5、9、10年取值波动范围的上边界,气负荷在规划周期的第4、5、6、7、9年取值波动范围的上边界。为了探讨最恶劣场景的有效性,本发明考虑阶梯碳交易机制和多阶段规划方法,进一步设置以下情形,按照以下情形进行确定性规划:
Case1:随机选取PV出力取值为下边界的规划年数,三类负荷取值与最恶劣场景一致;
Case2:随机选取电负荷取值为上边界的规划年数,PV出力、热/气负荷取值与最恶劣场景一致;
Case3:随机选取热负荷取值为上边界的规划年数,PV出力、电/气负荷取值与最恶劣场景一致;
Case4:随机选取气负荷取值为上边界的规划年数,PV出力、电/热负荷取值与最恶劣场景一致。
各情形的优化结果见表7,Case1–Case4下的全寿命周期成本和碳交易费用、碳交易量均低于情形Z4,该优化结果可以验证鲁棒规划模型寻得的最恶劣场景的有效性。
表7各情形的优化结果
此外,针对情形Z1和情形Z4,根据表7中所示的优化结果,虽然采用确定性规划的情形Z1的全寿命周期成本和碳排放量均低于采用鲁棒规划的情形Z4,但是这样的结果并不意味着情形Z1的规划方案一定优于情形Z4的规划方案。实际运行时,如果PV出力发生波动低于预测值,电/热/气负荷发生波动高于预测值,此时情形Z1下的PIES无法按照确定性的计划方案运行,需通过增加外购电力和天然气,严重时需弃掉负荷以保障系统的稳定运行,从这个层面来讲,鲁棒的规划方案具有更好的鲁棒性和应对波动的能力。
为此,本发明进一步针对情形Z1和情形Z4的规划方案,对其进行模拟运行分析。以规划周期第9年过渡季典型日为例,按照如图8所示的5组实际PV出力和实际电/热/气负荷,模拟确定规划方案和鲁棒规划方案下的系统运行情况,各组模拟实际数据下的运行对比情况见表8。
表8基于过渡季典型日的模拟运行对比(费用未折现)
根据表6和表7,采用鲁棒规划的情形Z4的全寿命周期成本、投资费用、运行费用和碳排放量均高于采用确定性规划的情形Z1。但是根据表8,模拟PIES的实际运行时,情形Z4的运行费用和碳排放量均低于情形Z1,这是因为鲁棒规划方案可应对PV出力和电/热/气负荷的最恶劣场景,实际的PV出力和电/热/气负荷一定比最恶劣场景好,此时系统的外购电力和外购天然气必定会相应减少,进而运行费用和碳排放量也会较低。而确定性规划方案对应PV出力和电/热/气负荷的预测值,对PV的容量配置也低于鲁棒规划方案,当实际取值波动偏离预测值时,确定规划方案下的系统无法按照预测值应对波动,只能相对鲁棒规划方案外购更多的电力和外购天然气,因而情形Z1的运行费用和碳排放量均会高于情形Z4。此外,上述针对模拟运行的分析未考虑弃光、切负荷成本以及售电收益,在实际运行中,考虑到确定性规划方案下的弃光和切负荷的附加惩罚费用,以及鲁棒规划方案下的售电收益,两类规划方案下的运行费用会相差更大。由此可知,鲁棒规划方案具有更强的鲁棒性和更强的抵御不确定变量波动的能力。
不确定调节参数决定了PV出力和电/热/气负荷可能发生波动的最大年数,其取值越大,源荷不确定变量波动的情况越恶劣,得到的规划方案越保守。本发明进一步探讨了不确定调节参数对PIES规划方案的影响,不同不确定调节参数下的全寿命周期成本如图10所示,其中ΓPV为PV出力的不确定调节参数,Γload为负荷不确定调节参数,如图10所示结果基于电/热/气三类负荷的不确定调节参数取值一致。
由图10可知,系统的全寿命周期随着不确定调节参数的增大而升高,这是因为不确定调节参数增大意味着允许规划周期内PV出力取值下边界、电/热/气负荷取值上边界的年数增加,最恶劣场景可取范围变大,为了应对更加恶劣的场景,需要增加PIES的容量配置,系统运行时也需要外购更多的电力和天然气,进而全寿命周期成本也相应升高。
此外,针对同时考虑源荷不确定性,单独考虑源、荷不确定性,本发明进一步对不同不确定因素的影响进行了探讨:
不确定调节参数取值方案0:ΓPV=0,Γload=0;
不确定调节参数取值方案1:ΓPV=5,Γload=0;
不确定调节参数取值方案2:ΓPV=0,Γload=5;
不确定调节参数取值方案3:ΓPV=5,Γload=5。
不同源荷不确定调节参数取值方案下的规划方案和优化结果分别见表9和图11。由表9和图11可知,单独考虑PV出力不确定性的方案1与不考虑不确定性的方案0相比,方案1比方案0多规划了PV,对其余设备的配置一致,方案1的全寿命周期成本和碳排放量分别比方案0高出了1.35%和0.51%;单独考虑PV不确定性的方案1与同时考虑源荷不确定性的方案3相比,方案3的规划方案偏向于多规划ES、PV、CHP,少规划GB,其余设备的配置两种方案下接近,因而方案3下的投资费用高于取值方案1,同时,由于取值方案3多考虑了负荷的不确定性,其为了应对负荷的波动会外购更多的电力和天然气,因而其运行费用、碳交易费用和碳排放量也相对较高,方案3的全寿命周期成本和碳排放量分别比方案1高出了4.16%和2.78%。
表9不同不确定调节参数下的规划方案
单独考虑负荷不确定性的方案2与不考虑不确定性的方案0相比,方案2除了对CHP的配置低于方案0,方案2对其余设备的配置均高于方案0,因此其投资费用也会相应较高,同时为了应对负荷波动,方案2会外购更多的电力和天然气导致运行费用和碳排放量也相应较高,方案2的全寿命周期成本和碳排放量分别比方案0高出了3.96%和1.62%;对于单独考虑负荷不确定性的方案2与同时考虑源荷不确定性的方案3,两者在规划方案的区别表现为:方案2对EB、TS、GB的配置高于方案3,对其余设备的配置均低于方案3,两者在各类费用和碳排放量方面的差别也小于方案1与方案3的差别,方案3的全寿命周期成本和碳排放量分别只比方案2高出了1.55%和1.65%。
本发明进一步对PIES的综合能效、全寿命周期成本进行对比分析,以评估新能源、多元储能的协同优化效果。不同PV设备、储能设备配置情况下的全寿命周期成本、规划周期第15年过渡季典型日一天的综合能效对比见表10。
表10不同设备配置下全寿命周期成本、综合能效对比
由表10可知,相较于不考虑PV、储能参与规划,只考虑PV参与规划时的全寿命周期成本降低、综合能效提升;只考虑储能参与规划时的全寿命周期成本虽然有所降低,但是其综合能效并未被提升,这是因为储能的充放能效率小于100%;而当同时考虑PV、储能参与规划时,经济性和能效均得到了提升,并且储能装置可有效缓解供能压力,由此可以说明可再生能源发电设备与储能设备参与规划的协同优化在提升规划方案经济性与能效方面的有效性。
对上述结果进一步分析:
(1)阶梯碳交易机制相对传统碳交易机制具有更好的控碳效果,多阶段的规划方法相对单阶段的规划方法同时具有更好的经济性和低碳性;
(2)采用C&CG算法对所提两阶段鲁棒规划模型进行求解,算法在迭代4次之后收敛,收敛速度较快,通过对模型进行求解,所得最恶劣场景被验证有效,PIES规划方案能应对不确定性的最恶劣场景;
(3)鲁棒规划方案虽然相对确定规划方案具有较高的全寿命周期成本,但在模拟PIES实际运行时,确定规划方案下的实际运行费用和实际碳排放量均高于鲁棒规划方案,鲁棒规划方案具备更强的鲁棒性和应对波动的能力;
(4)不确定调节参数取值越大,所得PIES规划方案的全寿命周期成本越大,规划方案通过牺牲经济性增强了保守性,通过调节不确定调节参数的取值,可实现对规划方案保守性的灵活调整;
(5)通过对比PIES的综合能效和全寿命周期成本,可说明新能源、多元储能的协同优化效果。
需要说明的是,在本发明中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种园区综合能源系统的鲁棒规划方法,其特征在于,其包括步骤:
构建考虑PIES建设时序性的多阶段规划模型并基于对PIES的典型物理架构建模确定PIES中能量生产、能量转换以及能量储存设备的设备数字模型,其中,所述多阶段规划模型用于根据所述设备数字模型以及阶段与阶段之间的关联性决策出各个规划阶段的候选设备配置;
在PIES中引入阶梯碳交易并确定PIES的无偿碳排放额并构建阶梯碳交易费用的计算模型;
采用盒式不确定集描述PIES的源荷不确定性并在所述多阶段规划模型基础上建立考虑阶梯碳交易与源荷不确定性的PIES鲁棒多阶段规划模型;
对所述PIES鲁棒多阶段规划模型进行对偶和线性化处理得到混合整数线性规划模型,并对混合整数线性规划模型进行求解获取PIES的鲁棒规划方案。
2.如权利要求1所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述构建考虑PIES建设时序性的多阶段规划模型,包括步骤:
将待配置设备的最短寿命年限作为所述多阶段规划模型的规划周期的取值;
根据规划周期内最大负荷水平的变化情况决定所述多阶段规划模型的规划阶段数目;
设置约束条件使前面规划阶段的方案与后续规划阶段相关联且当前规划阶段的决策结果与前面所有规划阶段相关;
以全寿命周期成本最小为目标并结合所述约束条件决策出各个规划阶段的候选设备配置。
3.如权利要求2所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述以全寿命周期成本最小为目标并结合所述约束条件决策出各个规划阶段的候选设备配置,包括步骤:
使当前规划阶段的方案满足当前规划阶段的负荷增长需求;
基于之前所有规划阶段的设备投资建设情况对当前规划阶段的候选设备进行配置直至决策出所有规划阶段的候选设备配置。
4.如权利要求3所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述基于对PIES的典型物理架构建模确定PIES中能量生产、能量转换以及能量储存设备的设备数字模型,包括步骤:
基于能量枢纽EH模型将PIES等效为一个涵盖多种能源形式输入和输出的双端口网络;
确定PIES的能量生产、能量转换以及能量储存设备,其中,能量生产设备为光伏PV设备,能量转换设备包括电转气P2G设备、电锅炉EB设备、热电联产CHP设备以及燃气锅炉GB设备,能量储存设备包括电储ES设备、热储TS设备、气储GS设备;
对PIES的能量生产、能量转换以及能量储存设备进行数字建模并获取各设备的数字模型,且所述各设备的数字模型包括:
PV设备的数学模型,其表示为:
P2G设备的数学模型,其表示为:
其中,GP2G(t)、gP2G(t)分别表示t时刻P2G设备输出的天然气功率、输出的天然气流量,ηP2G表示P2G设备的能量转换效率,PP2G(t)表示t时刻输入P2G设备的电功率;Q表示天然气低热值,表示输入P2G设备的电功率上限,由设备的额定容量确定;
EB设备的数学模型,其表示为:
CHP设备的数学模型,其表示为:
其中,HCHP(t)、ηCHP,h分别表示CHP设备t时刻输出的热功率以及设备的热转换效率,PCHP(t)、ηCHP,e分别表示CHP设备t时刻输出的电功率以及设备的电转换效率,GCHP(t)表示t时刻输入CHP设备的天然气功率,其取值单位与电功率的取值单位一致,根据天然气低热值Q进行转化,表示输入CHP设备的天然气功率上限,由设备的额定容量确定,ΔG CHP、分别表示CHP设备的最大、最小爬坡率;
GB设备的数学模型,其表示为:
其中,HGB(t)表示GB设备t时刻输出的热功率;ηGB表示GB设备的能量转换效率,GGB(t)表示t时刻输入GB设备的天然气功率,其取值单位与电功率的取值单位一致,根据天然气低热值Q进行转化,表示输入GB设备的天然气功率上限,由GB设备的额定容量确定,ΔG GB、分别表示GB设备的最大、最小爬坡率;
所述ES、TS以及HS设备的数学模型,其表示为:
5.如权利要求4所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述在PIES中引入阶梯碳交易并确定PIES的无偿碳排放额并构建阶梯碳交易费用的计算模型,包括步骤:
针对PIES的碳排放源采用基准线法确定PIES的初始无偿碳排放额,所述PIES的碳排放源包括PIES外购电力、CHP设备和GB设备,且所述初始无偿碳排放额为:
其中,E*表示PIES的无偿碳排放配额,和分别表示PIES外购电力、CHP设备和GB设备所对应的无偿碳排放配额,T表示碳交易费用的结算周期,且T=8760,表示单位购电量的无偿碳排放配额,PPN(t)表示t时刻PIES向上级电网的购电功率,表示单位热量的无偿碳排放额,表示CHP设备发电量向供热量的折算系数;
确定PIES的实际碳排放量,且所述实际碳排放量表示为:
其中,E表示PIES的实际碳排放总量,EPN、ECHP和EGB分别表示PIES外购电力、CHP设备、GB设备对应的实际碳排放量,EP2G表示P2G设备的CO2消耗量,βg表示碳消耗系数;
构建阶梯碳交易费用的计算模型,所述阶梯碳交易费用的计算模型表示为:
其中,Cco表示PIES的阶梯碳交易费用,c表示碳交易基准价格,α表示价格增长系数,d表示价格区间长度,价格区间数目与Cco的分段数相对应。
6.如权利要求5所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述采用盒式不确定集描述PIES的源荷不确定性,包括步骤:
采用盒式不确定集描述PIES的源不确定性以及荷不确定性,且表示为:
其中,U表示不确定集,u表示规划周期内的不确定变量集合,由每年各个时刻的PV实际出力PPV,n(t)、实际电负荷PL,n(t)、实际热负荷HL,n(t)以及实际气负荷GL,n(t)组成,上标^表示预测值,Δu表示规划周期内各不确定变量允许的最大误差波动范围,δPV、δPL、δGL、δGL分别表示PV出力、电负荷、热负荷、气负荷允许的波动偏差系数;
将不确定集U的不确定调节参数Γ定义为:
其中,ΓPV、ΓPL、ΓHL、ΓGL分别表示PV出力、电负荷、热负荷、气负荷的不确定调节参数,分别表征规划周期内允许PV出力、电负荷、热负荷、气负荷实际取值偏离预测值的最大年数。
7.如权利要求6所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述在所述多阶段规划模型基础上建立考虑阶梯碳交易与源荷不确定性的PIES鲁棒多阶段规划模型,包括步骤:
将所述多阶段规划模型划分为第一阶段问题模型和第二阶段问题模型,且所述第一阶段问题模型用于决策设备的投资情况,所述第二阶段问题模型用于决策设备的运行情况;
分别针对第一阶段问题模型与第二阶段问题模型设置目标函数,所述目标函数表示为:
其中,f1(·)表示第一阶段问题模型的目标函数,由投资费用Cinv,k、设备残值CR组成,f2(·)表示第二阶段问题模型的目标函数,由运行费用Cope,n、维护费用Cmain,n、碳交易费用Cco,n组成,x、y分别表示第一阶段问题模型、第二阶段问题模型的优化变量集合,Ξ(x,u)表示决策x和u之后y的可行域,K表示规划阶段数,k表示第k个规划阶段,N表示规划周期年数,n表示规划周期的第n年,nk表示第k个规划阶段的第一年为规划周期的第nk年,γ表示贴现率;
所述投资费用Cinv,k的计算方式为:
其中,cPV表示PV的单位容量投建成本,WPV,k表示PV设备在第k个规划阶段的容量配置,Π={P2G,EB,CHP,GB}、Ω={ES,TS,GS}分别表示能量转换设备和储能设备的集合,ci、cs分别表示第i类能量转换设备、第s类储能设备的单位容量投建成本,Wi,k、Ws,k分别表示第i类能量转换设备、第s类储能设备在第k个规划阶段的容量配置;
所述设备残值CR的计算方式为:
其中,cdep,j表示第j类规划周期末使用寿命还未结束的设备的年平均折旧费用,Cinv,j表示第j类设备在所有阶段的投资费用之和,δj表示第j类设备的净残值率,Yj表示第j类设备的寿命,Nj表示第j类设备自投建到规划周期末的使用年数;
所述运行费用Cope,n的计算方式为:
其中,ce(t)、cg(t)分别表示t时刻的电价、气价;PPN,n(t)表示第n年t时刻PIES向上级电网的购电功率,GGN,n(t)表示第n年t时刻PIES向上级气网的购气功率;
所述维护费用Cmain,n的计算方式为:
其中,O表示各类设备的单位维护费用矩阵,Pn(t)表示第n年t时刻各类设备的输出功率矩阵,Pn T(t)表示矩阵Pn(t)的转置,PPV,n(t)表示第n年t时刻PV设备输出的电功率,分别表示第n年t时刻气储装置的充能功率和放能功率;
其中,所述碳交易费用CCO,n的计算方式与所述阶梯碳交易费用Cco的计算方式相同;
针对第一阶段问题模型设置投资层面的约束,且所述投资层面的约束表示为:
针对第二阶段问题模型设置运行层面的约束,且所述运行层面的约束包括设备运行约束、电热气平衡约束、PIES与上级电力网络和天然气网络交换功率约束以及碳交易约束,其中,
所述设备运行约束包括PIES中能量生产、能量转换以及能量储存设备的设备数字模型以及多阶段约束条件,所述多阶段约束条件为:
其中,PPV,n(t)表示第n年t时刻PV设备输出的电功率,∑WPV表示当前k个规划阶段PV设备的累计投资容量,n∈k表示规划周期的第n年属于第k个规划阶段,Pi,n(t)表示第n年t时刻输入第i类能量转换设备的功率,∑Wi表示当前k个规划阶段第i类能量转换设备的累计投资容量,Ws,n表示第n年第s类储能设备的允许最大荷能状态,∑Ws表示当前k个规划阶段第s类储能设备的累计投资容量;
所述电热气平衡约束包括电功率平衡约束、热功率平衡以及热功率平衡,且
所述电功率平衡约束表示为:
所述热功率平衡表示为:
所述气功率平衡表示为:
其中,PCHP,n(t)表示第n年t时刻CHP设备输出的电功率,PP2G,n(t)表示第n年t时刻输入P2G设备的电功率,PEB,n(t)表示第n年t时刻输入EB设备的电功率,PL,n(t)、HL,n(t)和GL,n(t)分别表示第n年t时刻PIES的电、热、气负荷功率,和分别表示第n年t时刻ES、TS、GS设备的充能功率,和分别表示第n年t时刻ES、TS、GS设备的放能功率;HEB,n(t)、HCHP,n(t)和HGB,n(t)分别表示第n年t时刻EB、CHP、GB设备输出的热功率,GP2G,n(t)表示第n年t时刻P2G设备输出的天然气功率,GCHP,n(t)、GGB,n(t)分别表示第n年t时刻输入CHP、GB设备的天然气功率;
所述PIES与上级电力网络和天然气网络交换功率约束表示为:
所述PIES鲁棒多阶段规划模型由第一阶段问题模型和第二阶段问题模型构成,且基于所述目标函数、所述投资层面的约束以及运行层面的约束确定。
8.如权利要求7所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述对所述PIES鲁棒多阶段规划模型进行对偶和线性化处理得到混合整数线性规划模型,包括步骤:
其中,M为大于预设阈值的正实数;
针对所述阶梯碳交易费用的计算模型中m个端点处碳交易量取值a1,a2,…,am以及阶梯碳交易费用取值b1,b2,…,bm,引入m-1个辅助变量x1,x2,…,xm-1和m个辅助连续变量y1,y2,…,ym,并满足第二约束条件,所述第二约束条件为:
且对于任意的碳交易量a∈[a1,am],将其碳交易费用b表示为:
基于所述第一约束条件和第二约束条件将所述PIES鲁棒多阶段规划模型表示为:
其中,
x为第一阶段问题模型的决策变量,其由每个规划阶段的候选设备投建容量:光伏WPV,k、各类能量转换设备Wi,k、各类储能设备Ws,k、每年储能设备在各个时刻的充放能状态变量以及每年碳交易费用分段函数辅助变量组成,WPV,k、Wi,k、Ws,k为整型变量,取值1时表示第n年第s类储能在t时刻充电,取值0则表示放电,为向量矩阵,其包含m-1个辅助变量,且其中取值1时表示第n年的碳交易量位于区间[am-1,am],取值0时表示碳交易量位于区间[a1,am-1),
y为第二阶段问题模型的决策变量,其由每年各个时刻外购电力PPN,n(t)、外购天然气GGN,n(t)、PV实际出力PPV,n(t)、各类能量转换设备的输入功率Pi,n(t)、各类储能设备的充放能功率各类储能设备的荷能状态Ds,n(t)、电热气实际负荷PL,n(t)、HL,n(t)、GL,n(t)以及每年碳交易费用分段函数辅助变量组成,A、B、C、D、E、F、G、H、I、c、d、e、f均表示系数矩阵;
将所述PIES鲁棒多阶段规划模型中的第二阶段问题模型进行对偶,且对偶过程包括:
设置第一阶段问题模型变量x*,使x*对于所述PIES鲁棒多阶段规划模型的第二阶段问题模型的max-min问题为常量;
将所述max-min问题表示为:
其中,λ1、λ2、π表示与所述max-min问题的约束条件对应的对偶变量集合,λ1、λ2、π均为连续变量;
将所述max-min问题转换为单层max问题,所述单层max问题表示为:
针对所述单层max问题中的双线性项uTπ,改变不确定集U,并将改变后的不确定集U表示为:
其中,Δu·X表示点乘,X表示为:
其中,xPV,n、xPL,n、xHL,n、xGL,n均为0-1变量,其取值为1时分别表示PV实际出力在规划周期第n年的所有时刻取值为波动范围的下边界、实际电、热、气负荷在规划周期第n年的所有时刻取值为波动范围的上边界;
对双线性项X·π进行线性化处理,且所述线性化处理过程包括:
引入辅助变量βu,将所述单层max问题中的X·π全部用βu替换掉,并将所述单层max问题等效为:
其中,Γ表示不确定调节参数集合;
将等效后的所述单层max问题确定的第二阶段问题模型作为所述混合整数线性规划模型。
9.如权利要求8所述的一种园区综合能源系统的鲁棒规划方法,其特征在于,所述对混合整数线性规划模型进行求解获取PIES的鲁棒规划方案,包括步骤:
S02:根据u*求解第一阶段问题并更新决策结果:x*=x*{κ}、y*=y*{κ},以及更新下界LB=ATx*{κ}+η*{κ},且将所述第一阶段问题表示为:
其中,η表示第二阶段问题的辅助变量,y{·}表示由割集引入第二阶段问题模型的新的变量;
S03:根据x*求解第二阶段问题,令θ(x*)表示第二阶段问题模型的目标函数的最优解,并判断在当前x*下的第二阶段问题模型是否有可行解,若无可行解则令θ(x*)=+∞,且u*不改变;若有可行解,则更新决策结果:X*=X*{κ}、u*=u*{κ}、π*=π*{κ};并在做完判断后更新上界为:UB=min{UB,ATx*+θ(x*)};
S04:若上界、下界满足收敛条件|UB-LB|/LB≤ε则求解结果x*、y*、u*并退出C&CG算法循环,否则生成一组新的第二阶段问题模型的决策变量y{κ+1}并生成可行割FCs、最优割OCs,表示为:
S05:如果步骤S03中第二阶段问题无可行解,则令κ=κ+1,且只将可行割FCs反馈给所述第一阶段问题,并将可行割FCs添加到所述第一阶段问题模型的约束条件中后返回步骤S02;如果步骤S03中的第二阶段问题有可行解,则令Θ=Θ∪{κ+1},κ=κ+1,再将可行割FCs和最优割OCs反馈给所述第一阶段问题,并将可行割FCs和最优割OCs添加到所述第一阶段问题模型的约束条件中后返回步骤S02。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908543.8A CN115310797A (zh) | 2022-07-29 | 2022-07-29 | 一种园区综合能源系统的鲁棒规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908543.8A CN115310797A (zh) | 2022-07-29 | 2022-07-29 | 一种园区综合能源系统的鲁棒规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310797A true CN115310797A (zh) | 2022-11-08 |
Family
ID=83859623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210908543.8A Pending CN115310797A (zh) | 2022-07-29 | 2022-07-29 | 一种园区综合能源系统的鲁棒规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310797A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995747A (zh) * | 2023-09-28 | 2023-11-03 | 国网江苏省电力有限公司苏州供电分公司 | 基于鲁棒碳交易的园区级综合能源系统运行方法及系统 |
CN117350747A (zh) * | 2023-09-15 | 2024-01-05 | 国网浙江省电力有限公司综合服务分公司 | 基于阶梯碳交易和最优建设时序的能源设备规划方法及系统 |
CN117424204A (zh) * | 2023-09-22 | 2024-01-19 | 河海大学 | 一种计及源-荷不确定性的源-网-荷-储协同规划方法 |
CN118071111A (zh) * | 2024-04-17 | 2024-05-24 | 国网湖北省电力有限公司电力科学研究院 | 一种含综合能源站的农村配电网多阶段鲁棒规划方法 |
-
2022
- 2022-07-29 CN CN202210908543.8A patent/CN115310797A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350747A (zh) * | 2023-09-15 | 2024-01-05 | 国网浙江省电力有限公司综合服务分公司 | 基于阶梯碳交易和最优建设时序的能源设备规划方法及系统 |
CN117424204A (zh) * | 2023-09-22 | 2024-01-19 | 河海大学 | 一种计及源-荷不确定性的源-网-荷-储协同规划方法 |
CN116995747A (zh) * | 2023-09-28 | 2023-11-03 | 国网江苏省电力有限公司苏州供电分公司 | 基于鲁棒碳交易的园区级综合能源系统运行方法及系统 |
CN116995747B (zh) * | 2023-09-28 | 2024-01-30 | 国网江苏省电力有限公司苏州供电分公司 | 基于鲁棒碳交易的园区级综合能源系统运行方法及系统 |
CN118071111A (zh) * | 2024-04-17 | 2024-05-24 | 国网湖北省电力有限公司电力科学研究院 | 一种含综合能源站的农村配电网多阶段鲁棒规划方法 |
CN118071111B (zh) * | 2024-04-17 | 2024-08-02 | 国网湖北省电力有限公司电力科学研究院 | 一种含综合能源站的农村配电网多阶段鲁棒规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115310797A (zh) | 一种园区综合能源系统的鲁棒规划方法 | |
Oskouei et al. | Techno-economic and environmental assessment of the coordinated operation of regional grid-connected energy hubs considering high penetration of wind power | |
Silvente et al. | A rolling horizon approach for optimal management of microgrids under stochastic uncertainty | |
Chen et al. | A robust optimization framework for energy management of CCHP users with integrated demand response in electricity market | |
Pousinho et al. | Robust optimisation for self-scheduling and bidding strategies of hybrid CSP–fossil power plants | |
Jain et al. | A generalized approach for DG planning and viability analysis under market scenario | |
Cao et al. | An efficient and economical storage and energy sharing model for multiple multi-energy microgrids | |
Jin et al. | Game theoretical analysis on capacity configuration for microgrid based on multi-agent system | |
CN110163450A (zh) | 一种基于运行受限的配电网规划双层优化模型构建方法 | |
CN107392395A (zh) | 一种基于价格激励机制的配电网和微电网协调优化方法 | |
CN107979111A (zh) | 一种基于两阶段鲁棒优化的微电网能量管理方法 | |
CN109523060A (zh) | 高比例可再生能源在输配电网协同接入下的配比优化方法 | |
Pollitt et al. | Competition in markets for ancillary services? The implications of rising distributed generation | |
Polimeni et al. | Development and experimental validation of hierarchical energy management system based on stochastic model predictive control for Off-grid Microgrids | |
Cheng et al. | Stochastic short-term scheduling of a wind-solar-hydro complementary system considering both the day-ahead market bidding and bilateral contracts decomposition | |
Shotorbani et al. | Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid | |
Li et al. | Optimal design for component capacity of integrated energy system based on the active dispatch mode of multiple energy storages | |
Alobaidi et al. | Stochastic expansion planning of battery energy storage for the interconnected distribution and data networks | |
Zhao et al. | Day-ahead robust optimal dispatch of integrated energy station considering battery exchange service | |
Elkazaz et al. | Microgrid energy management using a two stage rolling horizon technique for controlling an energy storage system | |
Nasiri et al. | A robust bi-level optimization framework for participation of multi-energy service providers in integrated power and natural gas markets | |
Davoudi et al. | Developing a multi-objective multi-layer model for optimal design of residential complex energy systems | |
Ali | Development and Improvement of Renewable Energy Integrated with Energy Trading Schemes based on Advanced Optimization Approaches | |
CN115423260A (zh) | 一种电力市场及政策服务新能源利用的量化分析方法 | |
Nikpour et al. | Stochastic-risk based approach for Microgrid participation in joint active, reactive, and ancillary services markets considering demand response |
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 |