CN115409336A - 高比例光伏场景下含氢-热联储的配电网扩展规划方法 - Google Patents
高比例光伏场景下含氢-热联储的配电网扩展规划方法 Download PDFInfo
- Publication number
- CN115409336A CN115409336A CN202210978284.6A CN202210978284A CN115409336A CN 115409336 A CN115409336 A CN 115409336A CN 202210978284 A CN202210978284 A CN 202210978284A CN 115409336 A CN115409336 A CN 115409336A
- Authority
- CN
- China
- Prior art keywords
- scene
- power
- heat
- photovoltaic
- hydrogen
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008878 coupling Effects 0.000 claims abstract description 55
- 238000010168 coupling process Methods 0.000 claims abstract description 55
- 238000005859 coupling reaction Methods 0.000 claims abstract description 55
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 48
- 229910052739 hydrogen Inorganic materials 0.000 claims description 48
- 239000001257 hydrogen Substances 0.000 claims description 48
- 239000000446 fuel Substances 0.000 claims description 33
- 238000005338 heat storage Methods 0.000 claims description 33
- 230000005611 electricity Effects 0.000 claims description 32
- 239000007787 solid Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 18
- 238000010521 absorption reaction Methods 0.000 claims description 15
- 238000004146 energy storage Methods 0.000 claims description 15
- 239000007789 gas Substances 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000005251 gamma ray Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005485 electric heating Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 101150067055 minC gene Proteins 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000010438 heat treatment Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了高比例光伏场景下含氢‑热联储的配电网扩展规划方法。为有效刻画光伏发电与多元负荷用能不确定性,建立了基于供暖季节划分的双层耦合气象聚类模型,基于各气象簇构建了辐照‑负荷‑温度多网格联合场景生成模型。为解决高比例光伏发电场景下传统光伏出力模型精度不足以及高PV出力场景下电力需求不足导致光伏出力难以消纳问题,构建了精细化分布式光伏系统物理模型链。考虑分布式氢‑热联储多能耦合提高了能源利用效率,并且平衡系统典型场景运行经济性、小概率高负荷场景供电可靠性与高PV出力场景光伏消纳三者间的矛盾冲突,得到配电网扩展规划结果能够很好地解决高比例光伏场景对配电网规划运行带来的经济性、可靠性与环保性问题。
Description
技术领域
本发明属于配电网扩展规划技术领域,具体涉及高比例光伏场景下含氢-热联储的配电网扩展规划方法。
背景技术
“双碳”目标下中国的新能源渗透率不断提高,高比例可再生能源出力带来的随机性与波动性导致源-荷不确定性加剧,如何准确刻画源-荷不确定性场景,并构建经济、可靠、低碳的规划模型,以满足多能耦合用能需求,是在现有配电网下规划分布式氢-热联储系统设备容量及扩展线路、变压器容量亟需解决的关键问题。
现有的场景生成方法可以分为概率模型、经典场景和深度学习生成方法。基于统计经验或概率分布,概率模型方法结合马尔科夫链采样方法生成风光或负荷场景。为了减少或优化大规模历史场景并生成一组代表整个待解决区域的经典场景,经典场景生成方法同时使用数据挖掘和场景缩减技术。深度学习生成方法基于深度学习框架,可以对数据进行深度挖掘,用于分析数据内部的统计规律,实现场景的无监督生成。但现有场景生成方法未考虑如何刻画多节点分布式光伏发电不确定性以及配电网多节点多元负荷用能不确定性。
高效准确的光伏电源出力建模在高比例光伏场景下的配电网规划及运行中发挥着重要作用。目前采用的配电网规划方法在其特定场景下表现出良好的效果,然而在高比例分布式屋顶光伏场景下的光伏出力会受到诸多因素的负面影响,如阴雨天气、光伏电池温度、覆雪及着污等气象因素都会使实际光伏出力低于传统光伏模型出力,带来强烈的随机性与不确定性。针对上述问题,需要考虑多场景多气象因素对光伏电源出力的影响,亟需更精细化的辐照转化光伏出力模型。
由于分布式光伏电源出力的波动性与不确定性,当高比例分布式光伏系统接入配电网时,配电网电压越界、运行稳定性、光伏消纳问题愈发突出。受到多元气象因素随机性的影响,典型场景下的综合能源规划模型难以支撑异常气象下配电网的多种用能需求及供电可靠性要求,但是现有配电网规划研究未充分考虑小概率高负荷用能场景的配电网供电可靠性问题。
发明内容
本发明的目的是提供高比例光伏场景下含氢-热联储的配电网扩展规划方法。首先,为有效刻画光伏发电与多元负荷用能不确定性,建立了基于供暖季节划分的双层耦合气象聚类模型,基于各气象簇构建了辐照-负荷-温度多网格联合场景生成模型。然后,为解决高比例光伏发电场景下传统光伏出力模型精度不足以及高PV出力场景下电力需求不足导致光伏出力难以消纳问题,构建了精细化分布式光伏系统物理模型链。最后,考虑分布式氢-热联储多能耦合提高了能源利用效率,并且平衡系统典型场景运行经济性、小概率高负荷场景供电可靠性与高PV出力场景光伏消纳三者间的矛盾冲突,得到的配电网扩展规划结果能够很好地解决高比例光伏场景对配电网规划运行带来的经济性、可靠性与环保性问题。
本发明所采用的技术方案是:高比例光伏场景下含氢-热联储系统的配电网扩展规划方法,具体按照以下步骤实施:
步骤1、根据历史气象、辐照、温度、负荷数据,生成多源荷-多气象-多网格联合场景;
步骤2、基于入射角模型、阵列平面辐照度转换模型、PVsystem光伏电池温度模型、PVWatts损失模型及光伏系统模型,构建考虑多元功率损耗的分布式光伏系统物理模型链,结合多源荷-多气象-多网格联合场景生成的各场景集辐照数据转化为光伏出力数据;
步骤3、基于电热泵、蓄热罐、碱性电解槽、储氢罐、固体氧化物燃料电池、电制冷机、溴化锂制冷机设备能源耦合数学模型,构建分布式氢-热联储系统多能耦合模型;
步骤4、引入时序电压灵敏度对分布式氢-热联储系统多能耦合模型进行优化选址,基于高比例光伏场景下配电网规划经济性、小概率高负荷场景运行可靠性及高PV出力场景弃光参数构建配电网多目标双层扩展规划模型,将多源荷-多气象-多网格联合场景、光伏出力数据输入多目标双层扩展规划模型,得到配电网扩展规划结果。
本发明的特点还在于:
步骤1具体过程为:将历史气象、辐照、温度、负荷输入ACWGAN-GP模型,构建多源荷多气象-多节点联合场景生成模型。
ACWGAN-GP中的生成器和鉴别器的损失函数为:
式中,λ1=10,λ2=1;cx是与数据x相关的真实标签;数据x包括真实数据和生成数据;Pr和PG分别代表真实和生成数据的概率分布。
ACWGAN-GP中的生成器和鉴别器之间存在博弈价值函数V(G,D),表示为:
步骤2具体过程为:
入射角AOI指的是太阳入射角,定义为光束辐照与光伏阵列表面法线之间的角度:
AOI=arccos(sinZcos(γ-γs)sinβs+cosZcosβs) (4)
式中,γ为太阳方位角;Z为太阳天顶角;γs为光伏板表面方位角;βs为光伏板表面倾斜角;
标称POA辐照度I是光束POA辐照度、天空漫射POA辐照度和地面反射POA辐照度之和,表示为:
I=Ib+Id+Ir (5)
式中,Ib为光束POA辐照度;Id为天空漫射POA辐照度;Ir为地面反射POA辐照度;
光束POA辐照度Ib是从太阳以直线到达光伏阵列表面的太阳能:
Ib=EbcosAOI (6)
式中,Eb为光束辐照度;
天空漫射POA辐照度Id是在到达子阵列表面之前已经被地球大气中的分子和粒子散射的太阳能,表示为:
式中,Ed为漫射辐照度;
地面反射POA辐照度Ir是从地面反射后到达阵列表面的太阳能,地面反射辐照度是漫射辐照度,是光束法线辐照度和太阳天顶角、天空漫射辐照度和地面反射率的函数,表示为:
式中,ρ为反照率;
计及经验热损失因子的光伏电池温度及光伏出力可建模为:
式中,Tcell为光伏电池模块温度;α为吸收系数;I为总入射辐照度(W/m2);Ta为环境干球温度(℃);WS为在确定风损系数下同一高度处测量的风速(m/s);Uc为综合热损失因子系数;Uv为受风影响的综合热损失系数;ηm为模块外部效率;
光伏系统总损失不是单个损失的总和,通过乘以每种损失Li(%)导致的减少量来计算,计算公式为:
式中,Li表示为第i种损失对系统功率输出减少的百分比(%);
PVWatts DC功率模型表示为:
式中,I为传输到光伏电池的辐照度(W/m2);Pdc0为光伏电池模块在1000W/m2和参考温度下的功率(W);γpdc为功率温度系数,Tref为电池参考温度;
PVWatts逆变器模型表示为:
Pac=min(ηPdc,Pac0) (12)
ζ=Pdc/Pdcl0 (14)
Pdcl0=Pac0/ηnom (15)
式中,Pdc为光伏电池DC输出功率;Pdcl0为逆变器的直流输入限制;ηnom为标称逆变器效率;ηref为参考逆变器效率,PVWatts将其定义为0.9637;Pac0为逆变器额定输出AC功率;
将公式(4)-(15)作为考虑多元功率损耗的分布式光伏系统物理模型链;
将多源荷-多气象-多网格联合场景输入考虑多元功率损耗的分布式光伏系统物理模型链获得各场景集辐照数据转化为光伏出力数据。
步骤3具体过程为:
分布式氢-热联储系统多能源输入输出平衡关系表示为:
式中,Lel、Lcl、Lhl分别为电、冷、热负荷;Pgrid为电网输电功率;PPV为PV输出功率;PSOFC为固体氧化物燃料电池输出的电功率;PEHP、PAE、PER分别为电热泵、碱性电解槽、电制冷机的用电负荷;CER、CLBR分别为电制冷机、溴化锂制冷机输出的冷功率;HHST,out为蓄热罐输出的热功率;
分布式氢-热联储系统各能源耦合设备数学模型为:
式中,HEHP、HSOFC分别为电热泵和固体氧化物燃料电池输出的热功率;HTST,in为蓄热罐吸收的热功率;MAE为碱性电解槽在△t时间内产生的氢气质量;MHST为储氢罐在△t时间内输出的氢气质量;L为氢气的低位热值;HSOFC为固体氧化物燃料电池输出的热功率;α、θ分别为固体氧化物燃料电池的输出热电比与热回收系数;ηx为设备能源转换效率;λx为热传递换热系数。
步骤4中配电网多目标双层扩展规划模型包括上次规划模型和下层规划模型和约束条件;
上层规划模型以各分布式氢-热联储系统多能耦合模型待规划设备电热泵、蓄热罐、碱性电解槽、储氢罐、固体氧化物燃料电池、电制冷机、溴化锂制冷机的容量作为决策变量,以最小化系统年综合成本作为目标函数,表示为:
minCupper=Ceco+Cre+Capv (18)
式中,Ceco为系统年经济性成本;Cre为供电可靠性成本;Capv为弃光惩罚成本;
下层规划模型以分布式氢-热联储系统多能耦合模型中各设备优化出力为决策变量,以分布式氢-热联储系统多能耦合模型各典型场景日运行成本最小为目标函数,表示为:
上层规划模型中,则有:
1)系统年化经济性成本表示为:
Ceco=Cinv+Cmain+Cope (19)
式中,Cinv为系统年化投资成本;Cmain为设备总年维护成本;Cope为系统年运行成本;
年化投资成本考虑设备资本回收因子CRF计算公式为:
式中,r为利率;L为设备使用寿命;
系统年设备维护成本考虑分布式氢-热联储系统多能耦合模型各设备及变压器年维护成本,即:
系统年运行成本为分布式氢-热联储系统多能耦合模型一年内多场景日运行成本总和;
2)小概率高负荷场景供电可靠性成本
系统限电量指标能够综合反映配电网各节点停电时间和负荷缺额量,将系统限电量指标折算成限电成本,作为配电网年供电可靠性成本,建立供电可靠性目标Cre表示为:
当线路潮流大于线路容量时,考虑小概率高负荷场景下配电网线路潮流过载功率来描述线路供电可靠性,即:
3)高PV出力场景弃光惩罚成本
引入弃光惩罚因子,建立高PV出力场景弃光成本目标函数Capv,表示为:
式中,ca为单位弃光电量的惩罚成本;为高PV出力场景下由于分布式氢-热联储系统多能耦合模型调节能力不足导致的弃光功率;为高PV出力场景下线路容量不足导致的弃光功率;为系统仅由光伏供电时线路l由光伏节点流向负荷节点的有功功率。
约束条件为:
1)分布式氢-热联储系统多能耦合模型设备容量约束
待规划分布式氢-热联储系统多能耦合模型设备额定容量应满足以下约束:
2)能量平衡约束
分布式氢-热联储系统多能耦合模型应满足各节点多能源供需平衡,故规划模型应考虑公式(17)所示的能量平衡约束;
3)储氢罐储能约束
储氢罐应满足氢气质量平衡:
在t时刻的氢储质量应小于或等于储氢罐的额定容量;
在t时刻储氢罐的充放气速率应小于或等于储氢罐的额定充放气速率;
4)蓄热罐储能约束
蓄热罐应满足公式(40)所示的热量平衡,并且在t时刻的蓄热量应小于或等于蓄热罐的额定容量;
5)固体氧化物燃料电池输出功率约束
燃料电池在t时刻输出的电功率应小于或等于燃料电池的额定容量,表示为:
PSOFC(t)≤PSOFC,e (41)
式中,PSOFC,e为固体氧化物燃料电池额定容量;
6)输电线路容量约束
式中,Pij,max、Qij,max为ij节点间线路最大有功、无功功率;Se,ij为ij节点间线路额定容量;
7)节点电压约束
配电网各节点电压应满足以下约束:
Ui,min≤Ui≤Ui,max (43)
式中,Ui为配电网第i节点电压;Ui,min、Ui,max分别为第i节点电压下限、上限。
本发明的有益效果是:
(1)提出的多源荷-多气象-多网格联合场景生成方法,有助于分析配电网日常运行的实际概率分布,生成的场景与历史场景更加吻合。
(2)采用考虑多元功率损耗的分布式光伏系统物理模型链,考虑光伏实际运行场景下辐照、温度、风速以及多元功率损耗对光伏电源出力的影响,满足光伏电源高渗透率场景下的氢-热联储多能耦合配电网规划需求。
(3)提出的分布式氢-热联储多能耦合的配电网多目标双层扩展规划模型,考虑分布式氢-热联储多能耦合提高了能源利用效率,并且平衡系统典型场景运行经济性、小概率高负荷场景供电可靠性与高PV出力场景光伏消纳三者间的矛盾冲突,得到的配电网扩展规划结果能够很好地解决高比例光伏场景对配电网规划运行带来的经济性、可靠性与环保性问题。
附图说明
图1是本发明高比例光伏场景下含氢-热联储的配电网扩展规划方法流程图
图2是模型链结构图;
图3是DHTSS结构及输入输出图;
图4是不同方法的场景生成结果PDF对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明高比例光伏场景下含氢-热联储的配电网扩展规划方法,如图1所示,具体按照以下步骤实施:
步骤1、根据历史气象、辐照、温度、负荷数据,生成多源荷-多气象-多网格联合场景;具体过程为:将历史气象、辐照、温度、负荷输入ACWGAN-GP模型,构建多源荷多气象-多节点联合场景生成模型。
ACWGAN-GP中的生成器和鉴别器的损失函数为:
式中,λ1=10,λ2=1;cx是与数据x相关的真实标签;数据x包括真实数据和生成数据;Pr和PG分别代表真实和生成数据的概率分布。
ACWGAN-GP构造了一个博弈价值函数V(G,D)来构建生成器G和判别器D之间的博弈模型,以便它们可以同时训练,生成器和鉴别器之间存在博弈价值函数V(G,D),表示为:
步骤2、基于入射角模型、阵列平面辐照度转换模型、PVsystem光伏电池温度模型、PVWatts损失模型及光伏系统模型,构建考虑多元功率损耗的分布式光伏系统物理模型链,结构如图2所示,结合多源荷-多气象-多网格联合场景生成的各场景集辐照数据转化为光伏出力数据;具体过程为:
入射角AOI指的是太阳入射角,定义为光束辐照与光伏阵列表面法线之间的角度:
AOI=arccos(sinZcos(γ-γs)sinβs+cosZcosβs) (4)
式中,γ为太阳方位角;Z为太阳天顶角;γs为光伏板表面方位角;βs为光伏板表面倾斜角;
标称POA辐照度I是光束POA辐照度、天空漫射POA辐照度和地面反射POA辐照度之和,表示为:
I=Ib+Id+Ir (5)
式中,Ib为光束POA辐照度;Id为天空漫射POA辐照度;Ir为地面反射POA辐照度;
光束POA辐照度Ib是从太阳以直线到达光伏阵列表面的太阳能:
Ib=EbcosAOI (6)
式中,Eb为光束辐照度;
天空漫射POA辐照度Id是在到达子阵列表面之前已经被地球大气中的分子和粒子散射的太阳能,表示为:
式中,Ed为漫射辐照度;
地面反射POA辐照度Ir是从地面反射后到达阵列表面的太阳能,地面反射辐照度是漫射辐照度,是光束法线辐照度和太阳天顶角、天空漫射辐照度和地面反射率的函数,表示为:
式中,ρ为反照率;
计及经验热损失因子的光伏电池温度及光伏出力可建模为:
式中,Tcell为光伏电池模块温度;α为吸收系数;I为总入射辐照度(W/m2);Ta为环境干球温度(℃);WS为在确定风损系数下同一高度处测量的风速(m/s);Uc为综合热损失因子系数;Uv为受风影响的综合热损失系数;ηm为模块外部效率;
光伏系统总损失不是单个损失的总和,通过乘以每种损失Li(%)导致的减少量来计算,默认的系统总损耗设置为14%,计算公式为:
式中,Li表示为第i种损失对系统功率输出减少的百分比(%);
PVWatts DC功率模型表示为:
式中,I为传输到光伏电池的辐照度(W/m2);Pdc0为光伏电池模块在1000W/m2和参考温度下的功率(W);γpdc为功率温度系数,通常每摄氏度取-0.002到-0.005(1/℃);Tref为电池参考温度,PVWatts将其定义为25℃。
PVWatts逆变器模型表示为:
Pac=min(ηPdc,Pac0) (12)
ζ=Pdc/Pdcl0 (14)
Pdcl0=Pac0/ηnom (15)
式中,Pdc为光伏电池DC输出功率;Pdcl0为逆变器的直流输入限制;ηnom为标称逆变器效率,默认取0.96;ηref为参考逆变器效率,PVWatts将其定义为0.9637;Pac0为逆变器额定输出AC功率;
将公式(4)-(15)作为考虑多元功率损耗的分布式光伏系统物理模型链;
将多源荷-多气象-多网格联合场景输入考虑多元功率损耗的分布式光伏系统物理模型链获得各场景集辐照数据转化为光伏出力数据。
步骤3、基于电热泵、蓄热罐、碱性电解槽、储氢罐、固体氧化物燃料电池、电制冷机、溴化锂制冷机设备能源耦合数学模型,如图3所示,构建分布式氢-热联储系统多能耦合模型;具体过程为:
分布式氢-热联储系统多能源输入输出平衡关系表示为:
式中,Lel、Lcl、Lhl分别为电、冷、热负荷;Pgrid为电网输电功率;PPV为PV输出功率;PSOFC为固体氧化物燃料电池输出的电功率;PEHP、PAE、PER分别为电热泵、碱性电解槽、电制冷机的用电负荷;CER、CLBR分别为电制冷机、溴化锂制冷机输出的冷功率;HHST,out为蓄热罐输出的热功率;
分布式氢-热联储系统各能源耦合设备数学模型为:
式中,HEHP、HSOFC分别为电热泵和固体氧化物燃料电池输出的热功率;HTST,in为蓄热罐吸收的热功率;MAE为碱性电解槽在△t时间内产生的氢气质量;MHST为储氢罐在△t时间内输出的氢气质量;L为氢气的低位热值;HSOFC为固体氧化物燃料电池输出的热功率;α、θ分别为固体氧化物燃料电池的输出热电比与热回收系数;ηx为设备能源转换效率;λx为热传递换热系数。
步骤4、引入时序电压灵敏度对分布式氢-热联储系统多能耦合模型进行优化选址,基于高比例光伏场景下配电网规划经济性、小概率高负荷场景运行可靠性及高PV出力场景弃光参数构建配电网多目标双层扩展规划模型,将多源荷-多气象-多网格联合场景、光伏出力数据输入多目标双层扩展规划模型,得到配电网扩展规划结果。
配电网多目标双层扩展规划模型包括上次规划模型和下层规划模型和约束条件;
上层规划模型
针对高比例光伏场景下配电网规划经济性、小概率高负荷场景运行可靠性及高PV出力场景弃光问题,构建上层规划模型,以各分布式氢-热联储系统多能耦合模型待规划设备电热泵、蓄热罐、碱性电解槽、储氢罐、固体氧化物燃料电池、电制冷机、溴化锂制冷机的容量作为决策变量,以最小化系统年综合成本作为目标函数,表示为:
minCupper=Ceco+Cre+Capv (18)
式中,Ceco为系统年经济性成本;Cre为供电可靠性成本;Capv为弃光惩罚成本;
下层规划模型
下层规划模型以分布式氢-热联储系统多能耦合模型中各设备优化出力为决策变量,以分布式氢-热联储系统多能耦合模型各典型场景日运行成本最小为目标函数,表示为:
上层规划模型中,则有:
1)系统年化经济性成本表示为:
Ceco=Cinv+Cmain+Cope (19)
式中,Cinv为系统年化投资成本;Cmain为设备总年维护成本;Cope为系统年运行成本;
年化投资成本考虑设备资本回收因子CRF计算公式为:
式中,r为利率;L为设备使用寿命;
系统年设备维护成本考虑分布式氢-热联储系统多能耦合模型各设备及变压器年维护成本,即:
系统年运行成本为分布式氢-热联储系统多能耦合模型一年内多场景日运行成本总和;
2)小概率高负荷场景供电可靠性成本
系统限电量指标能够综合反映配电网各节点停电时间和负荷缺额量,将系统限电量指标折算成限电成本,作为配电网年供电可靠性成本,建立供电可靠性目标Cre表示为:
当线路潮流大于线路容量时,考虑小概率高负荷场景下配电网线路潮流过载功率来描述线路供电可靠性,即:
3)高PV出力场景弃光惩罚成本
引入弃光惩罚因子,建立高PV出力场景弃光成本目标函数Capv,表示为:
式中,ca为单位弃光电量的惩罚成本;为高PV出力场景下由于分布式氢-热联储系统多能耦合模型调节能力不足导致的弃光功率;为高PV出力场景下线路容量不足导致的弃光功率;为系统仅由光伏供电时线路l由光伏节点流向负荷节点的有功功率。
约束条件为:
1)分布式氢-热联储系统多能耦合模型设备容量约束
待规划分布式氢-热联储系统多能耦合模型设备额定容量应满足以下约束:
2)能量平衡约束
分布式氢-热联储系统多能耦合模型应满足各节点多能源供需平衡,故规划模型应考虑公式(17)所示的能量平衡约束;
3)储氢罐储能约束
储氢罐应满足氢气质量平衡:
在t时刻的氢储质量应小于或等于储氢罐的额定容量;
在t时刻储氢罐的充放气速率应小于或等于储氢罐的额定充放气速率;
4)蓄热罐储能约束
蓄热罐应满足公式(40)所示的热量平衡,并且在t时刻的蓄热量应小于或等于蓄热罐的额定容量;
5)固体氧化物燃料电池输出功率约束
燃料电池在t时刻输出的电功率应小于或等于燃料电池的额定容量,表示为:
PSOFC(t)≤PSOFC,e (41)
式中,PSOFC,e为固体氧化物燃料电池额定容量;
6)输电线路容量约束
式中,Pij,max、Qij,max为ij节点间线路最大有功、无功功率;Se,ij为ij节点间线路额定容量;
7)节点电压约束
配电网各节点电压应满足以下约束:
Ui,min≤Ui≤Ui,max (43)
式中,Ui为配电网第i节点电压;Ui,min、Ui,max分别为第i节点电压下限、上限。
1)多源荷-多气象-多网格联合场景生成
图4通过将ACWGAN-GP生成场景的随机特征PDF与原始数据(Raw Data,RD)和模块化降噪变分自编码器(Modular Denoising Variational Autoencoder,MDVAE)方法进行比较,证明了本发明采用ACWGAN-GP方法的有效性。结果表明,与MDVAE方法相比,本发明方法生成的场景在概率密度函数(PDF)上与RD方法相比具有更高的相似度。
2)配电网规划模型多目标规划结果
为验证本发明提出的氢-热联储系统多目标双层扩展规划模型在高比例分布式光伏电源接入场景下的适用性与优越性,设置5个案例进行对比分析:(1)不考虑源-荷不确定性场景生成及冷热电多能耦合,按政策要求下限(光伏装机容量的10%)在光伏安装位置配置分布式储能系统的配电网扩展规划;(2)不考虑源-荷不确定性场景生成及冷热电多能耦合,计及分布式电池储能容量优化配置的配电网扩展规划;(3)考虑氢-热联储系统优化配置,但不考虑小概率高负荷场景可靠性目标的配电网扩展规划;(4)考虑氢-热联储系统优化配置,但不考虑光伏消纳目标的配电网扩展规划;(5)考虑氢-热联储系统优化配置,考虑多目标配电网扩展规划。
案例1与案例2在2030最大源-荷场景下进行配电网络的确定性规划计算。案例2在分布式电池储能配置的成本远高于案例1,如表1所示。
表1
案例3、案例4与案例5基于多源荷多气象-多网格场景生成结果,进行DHTSS各设备的储能容量优化配置及线路、变压器容量规划。案例3在典型日场景下规划配电网络线路及变压器,案例4在案例3的基础上考虑小概率高负荷场景下配电网线路潮流分布对线路及变压器进行扩展规划,案例5在案例4的基础上考虑由于线路容量限制对光伏消纳的影响对线路及变压器进行扩展规划。案例3-5投资经济性如表2所示。
表2
3)氢-热联储系统优化运行结果
氢热联储系统购售电分时电价如表3所示,单位热值价格为0.223元/kWh。
表3
表4
根据表4-6中案例1-5各评价指标,针对典型场景系统投资运行经济性、小概率高负荷场景供电可靠性以及高PV出力场景系统光伏消纳率进行对比分析。
①典型场景经济性对比。如表4所示,案例1及案例2的分布式电池储能系统由于仅消纳各自节点的光伏电源剩余出力,因此年购电成本为0。由于案例1仅按政策要求下限配置储能容量,对剩余光伏出力消纳能力有限,因此年售能收益比案例2低了79.44%。相较于案例1-2,案例3-5虽然分别增加了3042.92万元、3031.69万元及3066.47万元的年购电成本,但是由于多元化售能以及较低的储能系统年化投资成本,其年综合收益相较于案例2分别增加了65.5%、63.05%、53.79%。与案例3相比,案例4考虑了小概率高负荷场景供电可靠性目标,因此增加了线路及变压器投资成本,年综合收益小于案例3。相对于案例4,由于案例5考虑高PV出力场景光伏消纳目标而增加了DHTSS设备配置容量及光伏节点至负荷节点线路的容量,因此案例5的年化投资成本最高,年综合收益小于案例3与案例4。由于案例5耦合了配电网与热网,其运行灵活性更好,再者增加了光伏节点至负荷节点线路的容量,能够减少远景年配电网线路扩展规划成本。
表5
②小概率高负荷场景供电可靠性方面,由表5可知,由于案例1与案例2在2030最大负荷场景下进行配电网络的确定性规划,因此在小概率高负荷场景下没有限电现象。而案例3由于仅考虑典型场景系统经济性,上级电网源测线路容量没有升级扩容,因此在小概率高负荷场景下的限电量最大。而案例4与案例5考虑可靠性目标以后,对上级电网源测线路容量进行了合理扩容,因此在小概率高负荷场景下具有良好的运行可靠性,抵御配电网安全稳定运行风险的能力更强。
表6
③高PV出力场景光伏消纳方面,由表6可知,案例1仅按政策要求下限配置分布式电池储能,对典型场景下的光伏出力消纳能力尚且有限,在高PV出力场景下的光伏消纳率仅为50.31%。案例2基于典型场景进行分布式储能系统优化配置,因此在典型场景下光伏出力完全消纳,在高PV出力场景仍有很大的弃光功率。案例3与案例4未考虑高PV出力场景光伏消纳目标,由于某些线路容量限制,在典型场景下的光伏消纳率未达到100%,由于DHTSS容量限制,在高PV出力场景下的光伏消纳率仅有79.39%及80.26%。案例5考虑光伏消纳目标后,增大了DHTSS各设备配置容量,在高PV出力场景下的调节能力更强,并且对光伏节点至负荷节点线路容量进行了合理扩容,具有良好的光伏消纳效果。
综合考虑,本发明所研究的案例5在典型场景下系统年综合经济性、小概率高负荷场景下供电可靠性及高PV出力场景下光伏消纳方面均具有良好的效果。
Claims (9)
1.高比例光伏场景下含氢-热联储的配电网扩展规划方法,其特征在于,具体按照以下步骤实施:
步骤1、根据历史气象、辐照、温度、负荷数据,生成多源荷-多气象-多网格联合场景;
步骤2、基于入射角模型、阵列平面辐照度转换模型、PVsystem光伏电池温度模型、PVWatts损失模型及光伏系统模型,构建考虑多元功率损耗的分布式光伏系统物理模型链,结合多源荷-多气象-多网格联合场景生成的各场景集辐照数据转化为光伏出力数据;
步骤3、基于电热泵、蓄热罐、碱性电解槽、储氢罐、固体氧化物燃料电池、电制冷机、溴化锂制冷机设备能源耦合数学模型,构建分布式氢-热联储系统多能耦合模型;
步骤4、引入时序电压灵敏度对分布式氢-热联储系统多能耦合模型进行优化选址,基于高比例光伏场景下配电网规划经济性、小概率高负荷场景运行可靠性及高PV出力场景弃光参数构建配电网多目标双层扩展规划模型,将多源荷-多气象-多网格联合场景、光伏出力数据输入多目标双层扩展规划模型,得到配电网扩展规划结果。
2.根据权利要求1所述高比例光伏场景下含氢-热联储的配电网扩展规划方法,其特征在于,步骤1具体过程为:将历史气象、辐照、温度、负荷输入ACWGAN-GP模型,构建多源荷多气象-多节点联合场景生成模型。
5.根据权利要求1所述高比例光伏场景下含氢-热联储的配电网扩展规划方法,其特征在于,步骤2具体过程为:
入射角AOI指的是太阳入射角,定义为光束辐照与光伏阵列表面法线之间的角度:
AOI=arccos(sinZcos(γ-γs)sinβs+cosZcosβs) (4)
式中,γ为太阳方位角;Z为太阳天顶角;γs为光伏板表面方位角;βs为光伏板表面倾斜角;
标称POA辐照度I是光束POA辐照度、天空漫射POA辐照度和地面反射POA辐照度之和,表示为:
I=Ib+Id+Ir (5)
式中,Ib为光束POA辐照度;Id为天空漫射POA辐照度;Ir为地面反射POA辐照度;
光束POA辐照度Ib是从太阳以直线到达光伏阵列表面的太阳能:
Ib=EbcosAOI (6)
式中,Eb为光束辐照度;
天空漫射POA辐照度Id是在到达子阵列表面之前已经被地球大气中的分子和粒子散射的太阳能,表示为:
式中,Ed为漫射辐照度;
地面反射POA辐照度Ir是从地面反射后到达阵列表面的太阳能,地面反射辐照度是漫射辐照度,是光束法线辐照度和太阳天顶角、天空漫射辐照度和地面反射率的函数,表示为:
式中,ρ为反照率;
计及经验热损失因子的光伏电池温度及光伏出力可建模为:
式中,Tcell为光伏电池模块温度;α为吸收系数;I为总入射辐照度(W/m2);Ta为环境干球温度(℃);WS为在确定风损系数下同一高度处测量的风速(m/s);Uc为综合热损失因子系数;Uv为受风影响的综合热损失系数;ηm为模块外部效率;
光伏系统总损失不是单个损失的总和,通过乘以每种损失Li(%)导致的减少量来计算,计算公式为:
式中,Li表示为第i种损失对系统功率输出减少的百分比(%);
PVWatts DC功率模型表示为:
式中,I为传输到光伏电池的辐照度(W/m2);Pdc0为光伏电池模块在1000W/m2和参考温度下的功率(W);γpdc为功率温度系数,Tref为电池参考温度;
PVWatts逆变器模型表示为:
Pac=min(ηPdc,Pac0) (12)
ζ=Pdc/Pdcl0 (14)
Pdcl0=Pac0/ηnom (15)
式中,Pdc为光伏电池DC输出功率;Pdcl0为逆变器的直流输入限制;ηnom为标称逆变器效率;ηref为参考逆变器效率,PVWatts将其定义为0.9637;Pac0为逆变器额定输出AC功率;
将公式(4)-(15)作为考虑多元功率损耗的分布式光伏系统物理模型链;
将多源荷-多气象-多网格联合场景输入考虑多元功率损耗的分布式光伏系统物理模型链获得各场景集辐照数据转化为光伏出力数据。
6.根据权利要求1所述高比例光伏场景下含氢-热联储的配电网扩展规划方法,其特征在于,步骤3具体过程为:
分布式氢-热联储系统多能源输入输出平衡关系表示为:
式中,Lel、Lcl、Lhl分别为电、冷、热负荷;Pgrid为电网输电功率;PPV为PV输出功率;PSOFC为固体氧化物燃料电池输出的电功率;PEHP、PAE、PER分别为电热泵、碱性电解槽、电制冷机的用电负荷;CER、CLBR分别为电制冷机、溴化锂制冷机输出的冷功率;HHST,out为蓄热罐输出的热功率;
分布式氢-热联储系统各能源耦合设备数学模型为:
式中,HEHP、HSOFC分别为电热泵和固体氧化物燃料电池输出的热功率;HTST,in为蓄热罐吸收的热功率;MAE为碱性电解槽在△t时间内产生的氢气质量;MHST为储氢罐在△t时间内输出的氢气质量;L为氢气的低位热值;HSOFC为固体氧化物燃料电池输出的热功率;α、θ分别为固体氧化物燃料电池的输出热电比与热回收系数;ηx为设备能源转换效率;λx为热传递换热系数。
7.根据权利要求1所述高比例光伏场景下含氢-热联储的配电网扩展规划方法,其特征在于,步骤4中所述配电网多目标双层扩展规划模型包括上次规划模型和下层规划模型和约束条件;
所述上层规划模型以各分布式氢-热联储系统多能耦合模型待规划设备电热泵、蓄热罐、碱性电解槽、储氢罐、固体氧化物燃料电池、电制冷机、溴化锂制冷机的容量作为决策变量,以最小化系统年综合成本作为目标函数,表示为:
minCupper=Ceco+Cre+Capv (18)
式中,Ceco为系统年经济性成本;Cre为供电可靠性成本;Capv为弃光惩罚成本;
所述下层规划模型以分布式氢-热联储系统多能耦合模型中各设备优化出力为决策变量,以分布式氢-热联储系统多能耦合模型各典型场景日运行成本最小为目标函数,表示为:
8.根据权利要求7所述高比例光伏场景下含氢-热联储的配电网扩展规划方法,其特征在于,所述上层规划模型中,则有:
1)系统年化经济性成本表示为:
Ceco=Cinv+Cmain+Cope (19)
式中,Cinv为系统年化投资成本;Cmain为设备总年维护成本;Cope为系统年运行成本;
年化投资成本考虑设备资本回收因子CRF计算公式为:
式中,r为利率;L为设备使用寿命;
系统年设备维护成本考虑分布式氢-热联储系统多能耦合模型各设备及变压器年维护成本,即:
系统年运行成本为分布式氢-热联储系统多能耦合模型一年内多场景日运行成本总和;
2)小概率高负荷场景供电可靠性成本
系统限电量指标能够综合反映配电网各节点停电时间和负荷缺额量,将系统限电量指标折算成限电成本,作为配电网年供电可靠性成本,建立供电可靠性目标Cre表示为:
当线路潮流大于线路容量时,考虑小概率高负荷场景下配电网线路潮流过载功率来描述线路供电可靠性,即:
3)高PV出力场景弃光惩罚成本
引入弃光惩罚因子,建立高PV出力场景弃光成本目标函数Capv,表示为:
9.根据权利要求7所述高比例光伏场景下含氢-热联储的配电网扩展规划方法,其特征在于,所述约束条件为:
1)分布式氢-热联储系统多能耦合模型设备容量约束
待规划分布式氢-热联储系统多能耦合模型设备额定容量应满足以下约束:
2)能量平衡约束
分布式氢-热联储系统多能耦合模型应满足各节点多能源供需平衡,故规划模型应考虑公式(17)所示的能量平衡约束;
3)储氢罐储能约束
储氢罐应满足氢气质量平衡:
在t时刻的氢储质量应小于或等于储氢罐的额定容量;
在t时刻储氢罐的充放气速率应小于或等于储氢罐的额定充放气速率;
4)蓄热罐储能约束
蓄热罐应满足公式(40)所示的热量平衡,并且在t时刻的蓄热量应小于或等于蓄热罐的额定容量;
5)固体氧化物燃料电池输出功率约束
燃料电池在t时刻输出的电功率应小于或等于燃料电池的额定容量,表示为:
PSOFC(t)≤PSOFC,e (41)
式中,PSOFC,e为固体氧化物燃料电池额定容量;
6)输电线路容量约束
式中,Pij,max、Qij,max为ij节点间线路最大有功、无功功率;Se,ij为ij节点间线路额定容量;
7)节点电压约束
配电网各节点电压应满足以下约束:
Ui,min≤Ui≤Ui,max (43)
式中,Ui为配电网第i节点电压;Ui,min、Ui,max分别为第i节点电压下限、上限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978284.6A CN115409336A (zh) | 2022-08-16 | 2022-08-16 | 高比例光伏场景下含氢-热联储的配电网扩展规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978284.6A CN115409336A (zh) | 2022-08-16 | 2022-08-16 | 高比例光伏场景下含氢-热联储的配电网扩展规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409336A true CN115409336A (zh) | 2022-11-29 |
Family
ID=84158532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210978284.6A Pending CN115409336A (zh) | 2022-08-16 | 2022-08-16 | 高比例光伏场景下含氢-热联储的配电网扩展规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409336A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116526589A (zh) * | 2023-05-25 | 2023-08-01 | 国网江苏省电力有限公司电力科学研究院 | 考虑源荷多时序联合场景的无功配置方法、设备及介质 |
CN117674375A (zh) * | 2023-11-15 | 2024-03-08 | 燕山大学 | 一种新能源多能互补制氢系统能量管理方法 |
CN118194489A (zh) * | 2024-05-15 | 2024-06-14 | 湖北华中电力科技开发有限责任公司 | 一种基于强化学习的输电网扩展规划方法及系统 |
-
2022
- 2022-08-16 CN CN202210978284.6A patent/CN115409336A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116526589A (zh) * | 2023-05-25 | 2023-08-01 | 国网江苏省电力有限公司电力科学研究院 | 考虑源荷多时序联合场景的无功配置方法、设备及介质 |
CN116526589B (zh) * | 2023-05-25 | 2023-12-05 | 国网江苏省电力有限公司电力科学研究院 | 考虑源荷多时序联合场景的无功配置方法、设备及介质 |
CN117674375A (zh) * | 2023-11-15 | 2024-03-08 | 燕山大学 | 一种新能源多能互补制氢系统能量管理方法 |
CN117674375B (zh) * | 2023-11-15 | 2024-06-07 | 燕山大学 | 一种新能源多能互补制氢系统能量管理方法 |
CN118194489A (zh) * | 2024-05-15 | 2024-06-14 | 湖北华中电力科技开发有限责任公司 | 一种基于强化学习的输电网扩展规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
Ma et al. | The optimal structure planning and energy management strategies of smart multi energy systems | |
Sharma | Stochastic techniques used for optimization in solar systems: A review | |
CN115409336A (zh) | 高比例光伏场景下含氢-热联储的配电网扩展规划方法 | |
Wang et al. | Synergistic planning of an integrated energy system containing hydrogen storage with the coupled use of electric-thermal energy | |
Kong et al. | Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm | |
Jahanbani et al. | Optimum design of a hybrid renewable energy system | |
CN112734098A (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
CN110311371A (zh) | 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法 | |
CN112418488B (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
Song et al. | A fuzzy‐based multi‐objective robust optimization model for a regional hybrid energy system considering uncertainty | |
CN115062930A (zh) | 一种配电网源网荷储协调规划方法 | |
CN113937825A (zh) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 | |
Han et al. | Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs | |
Yang et al. | Multi-criteria optimization of multi-energy complementary systems considering reliability, economic and environmental effects | |
CN114218808A (zh) | 一种综合能源系统能耗优化方法 | |
Zhang et al. | A novel coordinated control for NZEB clusters to minimize their connected grid overvoltage risks | |
CN113298164B (zh) | 一种基于光伏出力不确定性的楼宇用能优化方法 | |
Zhao et al. | Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System | |
CN114188942A (zh) | 一种包含大规模新能源基地的电网调度方法 | |
CN111340267A (zh) | 基于块数据的区域综合能源系统的优化控制方法和设备 | |
Jinglin et al. | Multi-objective Collaborative Planning Method for Micro-energy Systems Considering Thermoelectric Coupling Clusters | |
Xing et al. | An Optimization Capacity Design Method of Wind/Photovoltaic/Hydrogen Storage Power System Based on PSO-NSGA-II | |
Jahangiri et al. | Techno–Econo–Enviro Energy Analysis, Ranking and Optimization of Various Building-Integrated Photovoltaic (BIPV) Types in Different Climatic Regions of Iran. Energies. 2023; 16 (1): 546 | |
Wang et al. | Medium-term and long-term optimal scheduling for community integrated energy system with high proportion of renewable energy and multi-type energy storage |
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 |