CN115481858A - 考虑需求响应的电-气系统最优潮流分散计算方法及系统 - Google Patents
考虑需求响应的电-气系统最优潮流分散计算方法及系统 Download PDFInfo
- Publication number
- CN115481858A CN115481858A CN202210906417.9A CN202210906417A CN115481858A CN 115481858 A CN115481858 A CN 115481858A CN 202210906417 A CN202210906417 A CN 202210906417A CN 115481858 A CN115481858 A CN 115481858A
- Authority
- CN
- China
- Prior art keywords
- gas
- demand response
- power
- flow
- demand
- 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
- 230000004044 response Effects 0.000 title claims abstract description 99
- 238000004364 calculation method Methods 0.000 title claims abstract description 66
- 239000006185 dispersion Substances 0.000 title claims abstract description 24
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 164
- 239000007789 gas Substances 0.000 claims abstract description 111
- 239000003345 natural gas Substances 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于综合能源优化领域,提供了一种考虑需求响应的电‑气系统最优潮流分散计算方法及系统,构建电‑气综合能源系统的需求响应模型,得到需求响应前后电力负荷需求和天然气负荷需求;对电‑气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理;基于需求响应后的电力负荷需求和天然气负荷需求,建立电‑气综合能源系统最优能流模型,确定目标函数;基于ADMM算法将电‑气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,得到电‑气综合能源系统的最优能流分布;本发明实现了对考虑需求响应的电‑气综合能源系统的分散式优化,平抑了负荷曲线,提高了系统对风电的消纳,减轻了每次迭代的计算负担。
Description
技术领域
本发明属于综合能源优化技术领域,具体涉及一种考虑需求响应的电-气综合能源系统最优潮流分散式计算方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
需求响应通过经济利益引导用户改变自身用能习惯从而实现负荷从高峰到低谷的转移,其可以提高风电等可再生能源的消纳、缓解用能高峰时段的供能压力、优化系统运行的经济性。然而,电力系统中的需求响应策略使得用户自身用能曲线偏离,影响到用户用能舒适性,所以挖掘需求侧可调度资源的能力有限。综合能源系统(integrated energysystem,IES)因其能源互补的特性,为用户选择性价比较高的能源类型从而参与需求响应、充分挖掘系统可调度潜力提供了新的途径和方法。用户选择有利于降低自身用能成本的用能方式以响应上级下达的需求响应信号,由于自身用能量并未受到影响,因此不会影响到用户用能的舒适性与满意度。
天然气系统的加入使得IES非线性程度大大增加。电-气耦合系统中含有非线性非凸约束,在优化求解过程中难以保证收敛性与解的最优性。此外,系统优化模型大多采用电力系统直流潮流模型,难以保证求解的精确度。因此如何对系统进行线性化处理同时保证模型的精度与计算效率也是一个难点问题。
对于分散式优化求解,分布一致性算法应用较为广泛,文献《基于ADMM的多智能体系统分布式优化算法研究》将优化问题分成原始问题和对偶问题两类;文献《基于多智能体系统的分布式凸优化算法研究》利用连续时间镜面法求解带约束的凸优化问题,文献《Dualaveraging for distributed optimization:Convergence analysis and networkscaling》所提出的对偶平均法及文献《含分布式光伏与储能配电网时变最优潮流追踪的分布式算法》所用的分布式梯度方法鲁棒性较好,且计算起来较为简单,但收敛性较差,计算精度不高。基于增广拉格朗日函数的交替方向乘子法具有较高的分解收敛精度,且计算速度较快,目前较多应用于电力系统的优化控制。对于天然气系统的线性化处理,文献《Dynamic optimal energy flow in the integrated natural gas and electricalpower systems》对气体流速进行平均化处理,以平均流速代替稳态流量方程的平方非线性项,模型精度较低;而二阶锥松弛、增量线性化等方法、对于天然气管道方程的处理均有较高的精度,计算起来也比较简单。如何对电-气IES实现精度较高的分散式优化求解是一个需要解决的难题。另一方面,系统规模的增大以及需求响应模型的加入使得基于内点法的集中式最优能流计算负担增加,算法难以收敛,且大规模电、气网络之间很难做到信息完全互通。
发明内容
为了解决上述问题,本发明提出了一种考虑需求响应的电-气系统最优潮流分散计算方法及系统,本发明首先建立了适应IES的需求响应数学模型;其次提出了综合能源系统分散式最优能流求解算法;最后,结合算例实现了对考虑需求响应的电-气综合能源系统的分散式优化,减轻了每次迭代的计算负担,同时在计算过程中,电力系统与天然气系统的信息也得到了保护,能够在一定程度上防止各自的隐私信息泄露。
根据一些实施例,本发明的第一方案提供了一种考虑需求响应的电-气系统最优潮流分散计算方法,采用如下技术方案:
考虑需求响应的电-气系统最优潮流分散计算方法,包括:
构建电-气综合能源系统的需求响应模型,得到需求响应前后电力负荷需求和天然气负荷需求;
对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理;
基于需求响应后的电力负荷需求和天然气负荷需求,建立电-气综合能源系统最优能流模型,确定目标函数;
基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,得到电-气综合能源系统的最优能流分布。
进一步地,所述电-气综合能源系统的需求响应模型,具体为:
ΔDA,j,t=-γΔQA,m,t
其中,ΔDA,j,t和ΔQA,m,t分别为需求响应前后电、气负荷变化量;γ为能量转化系数,即单位天然气与电能热值之比;We和Wg分别为电能和天然气热值;ηe和ηg分别为电能和天然气的能源利用率;和分别为参与需求响应电负荷的上下限;和分别为参与需求响应气负荷的上下限。
进一步地,需求响应前后电力负荷需求和天然气负荷需求,具体为:
其中,D表示电力负荷;Q表示天然气负荷;表示需求响应前的电力负荷需求;DA表示需求响应后的电力负荷需求;ΔDA表示需求响应前后的电力负荷需求变化;和分别表示电力负荷需求变化的上下限;表示需求响应前的电力负荷需求。
进一步地,所述对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理,包括:
对于交流潮流方程,结合电压幅值的特点,保留线性项,化简潮流平方项,得到线性化后的无功功率平衡方程以及功率约束方程;
对于天然气系统潮流方程,构造天然气系统潮流方程的线性分段函数,得到线性化后的天然气系统潮流约束。
进一步地,考虑需求响应前后的电力负荷需求和天燃气负荷需求,建立电-气综合能源系统最优能流目标函数,具体为:
min F(xP)+G(zG)
其中,F(xP)是电力系统最优潮流目标函数,G(zG)是天然气系统最优能流目标函数,xP是电力系统决策变量,zG是天然气系统决策变量。目标函数的约束包括电、气系统网络潮流方程及流量方程,压缩机工作特性及容量约束,以及线路和管道容量约束。
进一步地,所述基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,包括:
在电力系统和天然气系统耦合节点处,将电-气综合能源系统划分为两个子系统;
两个子系统之间的燃气机轮、电压缩机以及P2G机组确定两个子系统的边界交互量;
基于ADMM原理和两个子系统的边界交互量,构建电-气综合能源系统拉格朗日函数;
基于电-气综合能源系统拉格朗日函数,得到系统变量迭代公式。
进一步地,基于ADMM对电-气综合能源最优能流计算分解的过程,包括:
获取电力系统和天然气系统的网络参数、边界耦合信息以及最大迭代次数;
根据电-气综合能源系统拉格朗日函数以及系统变量迭代公式进行交替迭代计算,并更新拉格朗日乘子;
根据上述迭代过程进行计算,直到两个子系统的边界变量保持一致时,停止迭代;
利用原始残差和对偶残差作为收敛判据,当达到收敛时的迭代次数小于最大迭代次数,输出电气综合能源系统的节点功率、气流量以及气压,给出边界耦合变量,得到最终的目标函数值;
若达到迭代次数最大值时仍然不满足收敛判据,则跳出循环。
根据一些实施例,本发明的第二方案提供了一种考虑需求响应的电-气系统最优潮流分散计算系统,采用如下技术方案:
考虑需求响应的电-气系统最优潮流分散计算系统,包括:
需求响应构建模块,被配置为构建电-气综合能源系统的需求响应模型,得到需求响应前后电力负荷需求和天然气负荷需求;
线性化处理模块,被配置为对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理;
优化目标函数构建模块,被配置为基于需求响应后的电力负荷需求和天然气负荷需求,建立电-气综合能源系统最优能流模型,确定目标函数;
优化目标函数求解模块,被配置为基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,得到电-气综合能源系统的最优能流分布。
根据一些实施例,本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的考虑需求响应的电-气系统最优潮流分散计算方法中的步骤。
根据一些实施例,本发明的第四方案提供了一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的考虑需求响应的电-气系统最优潮流分散计算方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明首先介绍了适应IES的需求响应策略的特点并建立了其数学模型;其次提出了综合能源系统分散式最优能流求解算法;最后,结合算例实现了对考虑需求响应的电-气综合能源系统的分散式优化,平抑了负荷曲线,提高了系统对风电的消纳,减轻了每次迭代的计算负担,同时在计算过程中,电力系统与天然气系统的信息也得到了保护,能够在一定程度上防止各自的隐私信息泄露。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例所述的一种考虑需求响应的电-气系统最优潮流分散计算方法流程图;
图2是本发明实施例所述的ADMM分解示意图;
图3是本发明实施例所述的ADMM分解算法计算框架;
图4是本发明实施例所述的电-气综合能源系统网络结构示意图;
图5是本发明实施例所述的需求响应前后电负荷折线图;
图6是本发明实施例所述的需求响应前后气负荷折线图;
图7是本发明实施例所述的需求响应前后总负荷折线图;
图8是本发明实施例所述的风电消纳情况示意图;
图9是本发明实施例所述的各燃煤机组出力示意图;
图10是本发明实施例所述的气源出力情况示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示,本实施例提供了一种考虑需求响应的电-气系统最优潮流分散计算方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
构建电-气综合能源系统的需求响应模型,得到需求响应前后电力负荷需求和天然气负荷需求;
对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理;
基于需求响应后的电力负荷需求和天然气负荷需求,建立电-气综合能源系统最优能流模型,确定目标函数;
基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,得到电-气综合能源系统的最优能流分布。
如图1所示,本实施例所述的方法,具体包括:
1需求响应数学模型
与电力系统类似,IES的负荷特性也与时间、空间分布相关,如冷、热负荷属于季节性负荷,其负荷量和负荷变化速率与负荷所处的地域环境、季节时间密切相关。IES需求侧用户可以通过合理选择用能方式以响应上级需求响应信号,有效利用异质能源耦合与负荷峰谷差,从而达到自身用能与IES运行的协调优化。适应IES的需求响应具有以下特点,如表1所示,其主要适用于燃气热泵、电锅炉等负荷;采用纵向能源种类转换的方式进行响应;具有增加风电消纳的效果而不降低用户满意度;响应速度有秒级/分钟级/小时级。
表1适应IES的需求响应特点
IES中的能源耦合设备为需求侧提供了异质能源之间相互转换的能力。IES中的需求响应是利用能量转换实现的,其遵守能量守恒定律。在一个调度时段内,用户可以选择性价比更高的能源来满足用户的热负荷需求,从而达到节约用能成本的目的而不影响自身用能的舒适性。IES中需求响应的数学模型如下所示:
ΔDA,j,t=-γΔQA,m,t (1)
其中,ΔDA,j,t和ΔQA,m,t分别为需求响应前后电、气负荷变化量;γ为能量转化系数,即单位天然气与电能热值之比;We和Wg分别为电能和天然气热值;ηe和ηg分别为电能和天然气的能源利用率;和分别为参与需求响应电负荷的上下限;和分别为参与需求响应气负荷的上下限。
下式可得到需求响应前后电力负荷需求和天然气负荷需求为:
其中,D表示电力负荷;Q表示天然气负荷;表示需求响应前的电力负荷需求;DA表示需求响应后的电力负荷需求;ΔDA表示需求响应前后的电力负荷需求变化;和分别表示电力负荷需求变化的上下限;表示需求响应前的电力负荷需求。
求得需求响应前后电力负荷需求和天然气负荷需求是用于更新负荷值,即进行电-气综合能源系统最优能流计算是用的需求响应后的负荷值。
2Equation Section(Next)ADMM最优潮流分散计算框架与分解处理
(1)线性化处理
由于ADMM算法只能用于求解严格的凸优化问题,需将系统中涉及的非线性非凸约束进行凸处理,系统中的非线性项主要为交流潮流约束及天然气系统潮流方程,下面进行线性化说明:
1)对于交流潮流方程,在正常运行时满足以下条件:
①网络中各个节点的电压幅值与额定电压幅值接近,可近似用标幺值表示为Ui≈1;
②正常运行情况下,电网中线路两端节点电压相角差很小。一般不超过10°,所以可近似认为sinθij≈θij,cosθij≈1。
进一步地,结合电压幅值的特点,最大程度的保留线性项,化简潮流平方项,对潮流方程作如下处理:
B'ij为与节点i相连的所有支路互电纳之和,其他变量含义与前述一致。
Pi为节点i注入有功功率,Ui、Uj为节点电压,Gij为节点电导矩阵,gii、gij为节点i自电导和节点i、j互电导,Bij为节点电纳矩阵,bij为节点i、j的互电纳,θi、θj为节点相角。
同理可得到线性化后的无功功率平衡方程:
若考虑线路中的变压器,功率方程约束则为:
tk为变压器变比。
2)对于天然气系统潮流方程约束,对其做以下处理:
构造其线性分段线性函数:
其中,
δn+1≤ηn≤δn,n=1,2,...,NPL-2 (14)
0≤δn≤1,n=1,2,...,NPL-1 (15)
δn为取值范围为0~1的连续变量,表示在第i个分段区间上的位置;ηn为二进制变量,用以保证分段线性化是必须从左至右连续填满整个分段区间。
综上,系统中涉及的非线性约束已全部完成了线性化过程,可通过调用商业求解器进行优化计算。下面对ADMM的求解框架进行介绍。
(2)计算框架与分解机制
基于ADMM的计算原理与迭代过程,本文构建了分散式电-气IES最优能流求解框架。天然气系统与电力系统各自进行独立优化,每次交替迭代时仅交换少量的信息,保证各子系统的相对独立性,实现对集中式系统的分散优化求解。构造如下优化目标:
min F(xP)+G(zG) (16)
F(xP)是电力系统最优潮流目标函数,G(zG)是天然气系统最优能流目标函数,xP是电力系统决策变量,zG是天然气系统决策变量。
约束主要考虑电、气系统网络潮流方程及流量方程,压缩机工作特性及容量约束,以及线路和管道容量约束。
优化的主要难点在于求解过程中,将目标函数分为电力系统最优潮流和天然气系统最优能流两个子问题(即OPF和OGF)进行解决,对于每个子系统,利用求解器计算即可。两个系统之间通过燃气轮机、电压缩机、P2G机组联系在一起,所以在利用ADMM时,两个子系统的边界交互量为:
根据所述ADMM原理,可构造拉格朗日函数:
yT为拉格朗日常数;ρ为正的二次项惩罚系数。
进而得到系统变量迭代公式为:
其中,k为交替迭代过程中的迭代次数。
结合上述ADMM迭代过程对电-气综合能源系统最优能流计算进行分解,如图2所示。
在耦合节点处将系统一分为二,类似撕裂节点的方式,使两个子系统在优化运行过程中各自保持相对独立并进行计算,交替迭代时仅交换部分边界信息,即耦合节点的气流量,电功率等,当迭代计算所得的边界信息一致,即满足收敛判据时,可得到系统的最优能流分布。计算框架如图3所示:
1)初始化模块。包括电、气子系统的网络参数和各自的决策变量设置,两个子系统边界耦合变量的选取和初始值的设置,另外对惩罚参数进行赋值,并设置最大迭代次数;
2)优化求解。根据式(18)构造拉格朗日函数,按照式(19)及式(20)进行交替迭代计算;
3)更新拉格朗日乘子。按照式(21)更新拉格朗日乘子;
4)进行收敛判断。根据上述迭代过程进行计算,直至两边的边界变量保持一致时,停止迭代,可利用原始残差和对偶残差作为收敛判据,当满足式(22)时,则认为满足收敛条件:
其中,r、s分别为原残差和对偶残差,εpri和εdual为预先设置的二者需满足的精度要求,本文将二者均设置为0.001。
5)输出计算结果。若达到收敛时的迭代次数小于上限,则输出系统节点功率、气流量、气压等数据,给出边界耦合变量相关数据,输出最终的目标函数值,完成计算;若达到迭代次数上限仍然不满足收敛判据,则跳出循环,并提示超过最大迭代次数。
综上,对于利用ADMM进行电-气最优能流求解的全部计算过程已经阐述完全,下面结合算例对此进行验证分析。
3算例分析
3.1算例设置
为了验证算法的有效性,本文采用修改过的IEEE-39电网与Belgium-20气网耦合形成的电-气IES进行仿真测试,计算时对算例部分做了部分改动,具体设置如图4所示。
其中,电力网络将负荷削减五分之一,发电机组部分包括6台常规火力机组、2台燃气机组以及2台风力发电机组。两台燃气机组分别位于电网第32和第36节点处,通过节点12、15与天然气系统相连,风电机组接在电网第30和第38节点,为了能够更好的对风电进行消纳,本文将两台P2G设备分别设置在两台风电机组处,并通过节点13、14与气网中的储气罐C1、C2相连。天然气系统节点1和节点5为气源节点。
3.2需求响应分析
如图5、图6所示,其分别为需求侧响应前后电负荷、气负荷曲线。在电力高峰时段,用户通过价格比较,选择使用性价比更高的天然气,电负荷被气负荷替代,避免了电力系统运行在极限状态下。在电力低谷时段,电力性价比更高,气负荷被电负荷替代。电负荷曲线趋于平稳,而天然气负荷峰谷差则被进一步拉大。
其一,由于用户的用能并没有减少或增加,只是选择了其它类型的能源,因此用户的用能满意度并没有降低。其二,由于夜间电负荷曲线抬高,为消纳夜间盈余的风电提供了新的手段,系统的可再生能源利用率得以提升。其三,风电的发电成本低于火力发电,系统运行的经济性也得以改善。
由于电力负荷曲线的有益变化比天然气负荷的不利变化更为明显,整体来看,需求侧响应后负荷曲线更加平稳,方差和峰谷差均有所减小,负荷高峰时段系统的供能压力得以缓解,如图7所示。
3.3最优能流分析
当惩罚参数设置为1,εpri和εdual均取0.001时,基于上述仿真参数,利用ADMM算法对该系统进行最优能流计算,迭代27次后达到收敛,得出系统用能成本及各机组出力情况,如表2所示:
表2机组出力情况及系统总成本
其中,风电消纳情况如图8所示,可见机组1完全消纳了接入的风电,机组2风电弃风功率为238.707MW,总风电消纳率达到89.18%,说明该算法下得到的优化方案具有较高的风电利用率,风电在总发电量中占比超过50%,很大程度上实现了对新能源的有效利用。
各个燃煤机组及气源出力情况如图9、图10所示,由此可见,对电力系统来说,靠近压缩机位置、负荷比较密集的节点处机组出力较高,负荷稀少的节点处机组出力较低,这也能够减少在电能传输中造成的网络损耗;对于天然气系统,优先从气源4处出气,这一节点用气成本较低,出气量达到满额,其余三个同等气体价格处的气源出力几乎一致。
实施例二
本实施例提供了一种考虑需求响应的电-气系统最优潮流分散计算系统
考虑需求响应的电-气系统最优潮流分散计算系统,包括:
需求响应构建模块,被配置为构建电-气综合能源系统的需求响应模型,得到需求响应前后电力负荷需求和天然气负荷需求;
线性化处理模块,被配置为对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理;
优化目标函数构建模块,被配置为基于需求响应后的电力负荷需求和天然气负荷需求,建立电-气综合能源系统最优能流模型,确定目标函数;
优化目标函数求解模块,被配置为基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,得到电-气综合能源系统的最优能流分布。
上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的考虑需求响应的电-气系统最优潮流分散计算方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的考虑需求响应的电-气系统最优潮流分散计算方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,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,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.考虑需求响应的电-气系统最优潮流分散计算方法,其特征在于,包括:
构建电-气综合能源系统的需求响应模型,得到需求响应前后电力负荷需求和天然气负荷需求;
对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理;
基于需求响应后的电力负荷需求和天然气负荷需求,建立电-气综合能源系统最优能流模型,确定目标函数;
基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,得到电-气综合能源系统的最优能流分布。
4.如权利要求1所述的考虑需求响应的电-气系统最优潮流分散计算方法,其特征在于,所述对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理,包括:
对于交流潮流方程,结合电压幅值的特点,保留线性项,化简潮流平方项,得到线性化后的无功功率平衡方程以及功率约束方程;
对于天然气系统潮流方程,构造天然气系统潮流方程的线性分段函数,得到线性化后的天然气系统潮流约束。
5.如权利要求1所述的考虑需求响应的电-气系统最优潮流分散计算方法,其特征在于,基于需求响应后的电力负荷需求和天然气负荷需求,建立电-气综合能源系统最优能流模型,确定目标函数,具体为:
min F(xP)+G(zG)
其中,F(xP)是电力系统最优潮流目标函数,G(zG)是天然气系统最优能流目标函数,xP是电力系统决策变量,zG是天然气系统决策变量,目标函数的约束包括电、气系统网络潮流方程及流量方程,压缩机工作特性及容量约束,以及线路和管道容量约束。
6.如权利要求1所述的考虑需求响应的电-气系统最优潮流分散计算方法,其特征在于,所述基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,包括:
在电力系统和天然气系统耦合节点处,将电-气综合能源系统划分为两个子系统;
两个子系统之间的燃气机轮、电压缩机以及P2G机组确定两个子系统的边界交互量;
基于ADMM原理和两个子系统的边界交互量,构建电-气综合能源系统拉格朗日函数;
基于电-气综合能源系统拉格朗日函数,得到系统变量迭代公式。
7.如权利要求6所述的考虑需求响应的电-气系统最优潮流分散计算方法,其特征在于,基于ADMM对电-气综合能源最优能流计算分解的过程,包括:
获取电力系统和天然气系统的网络参数、边界耦合信息以及最大迭代次数;
根据电-气综合能源系统拉格朗日函数以及系统变量迭代公式进行交替迭代计算,并更新拉格朗日乘子;
根据上述迭代过程进行计算,直到两个子系统的边界变量保持一致时,停止迭代;
利用原始残差和对偶残差作为收敛判据,当达到收敛时的迭代次数小于最大迭代次数,输出电气综合能源系统的节点功率、气流量以及气压,给出边界耦合变量,得到最终的目标函数值;
若达到迭代次数最大值时仍然不满足收敛判据,则跳出循环。
8.考虑需求响应的电-气系统最优潮流分散计算系统,其特征在于,包括:
需求响应构建模块,被配置为构建电-气综合能源系统的需求响应模型,得到需求响应前后电力负荷需求和天然气负荷需求;
线性化处理模块,被配置为对电-气综合能源系统中交流潮流约束和天然气系统潮流约束进行线性化处理;
优化目标函数构建模块,被配置为基于需求响应后的电力负荷需求和天然气负荷需求,建立电-气综合能源系统最优能流模型,确定目标函数;
优化目标函数求解模块,被配置为基于ADMM算法将电-气综合能源系统最优能流的计算分解为电力系统最优潮流和天然气最优能流两个计算过程,得到电-气综合能源系统的最优能流分布。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的考虑需求响应的电-气系统最优潮流分散计算方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的考虑需求响应的电-气系统最优潮流分散计算方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906417.9A CN115481858A (zh) | 2022-07-29 | 2022-07-29 | 考虑需求响应的电-气系统最优潮流分散计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906417.9A CN115481858A (zh) | 2022-07-29 | 2022-07-29 | 考虑需求响应的电-气系统最优潮流分散计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481858A true CN115481858A (zh) | 2022-12-16 |
Family
ID=84422202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210906417.9A Pending CN115481858A (zh) | 2022-07-29 | 2022-07-29 | 考虑需求响应的电-气系统最优潮流分散计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481858A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187586A (zh) * | 2023-04-24 | 2023-05-30 | 山东大学 | 一种综合能源系统的分布式规划求解方法及系统 |
-
2022
- 2022-07-29 CN CN202210906417.9A patent/CN115481858A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187586A (zh) * | 2023-04-24 | 2023-05-30 | 山东大学 | 一种综合能源系统的分布式规划求解方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245878B (zh) | 智能楼宇群体的分布式综合能源需求响应协同优化方法 | |
Yang et al. | Blockchain-based decentralized energy management platform for residential distributed energy resources in a virtual power plant | |
Zhao et al. | Two-stage distributionally robust optimization for energy hub systems | |
Lin et al. | Deep reinforcement learning for economic dispatch of virtual power plant in internet of energy | |
Bahrami et al. | Deep reinforcement learning for demand response in distribution networks | |
Du et al. | Distributed MPC for coordinated energy efficiency utilization in microgrid systems | |
Tushar et al. | Distributed real-time electricity allocation mechanism for large residential microgrid | |
Sanjari et al. | Application of Hyper-Spherical Search algorithm for optimal energy resources dispatch in residential microgrids | |
CN107706921B (zh) | 基于纳什博弈的微电网电压调节方法和装置 | |
CN111242443A (zh) | 基于深度强化学习的能源互联网中虚拟电厂经济调度方法 | |
CN109193628B (zh) | 一种基于一致性的综合能源系统能量管理方法 | |
Jeddi et al. | Distributed load scheduling in residential neighborhoods for coordinated operation of multiple home energy management systems | |
Yang et al. | Exploring blockchain for the coordination of distributed energy resources | |
Wang et al. | Optimal scheduling for integrated energy system considering scheduling elasticity of electric and thermal loads | |
Cong et al. | Robust coalitional game theoretic optimisation for cooperative energy hubs with correlated wind power | |
CN115481858A (zh) | 考虑需求响应的电-气系统最优潮流分散计算方法及系统 | |
Tightiz et al. | A robust energy management system for Korean green islands project | |
Wang et al. | A distributed and robust optimal scheduling model for an active distribution network with load aggregators | |
Quijano et al. | A price-based strategy to coordinate electric springs for demand side management in microgrids | |
Chen et al. | Multi-objective robust optimal bidding strategy for a data center operator based on bi-level optimization | |
Zhu et al. | Stochastic gradient-based fast distributed multi-energy management for an industrial park with temporally-coupled constraints | |
CN113487188A (zh) | 考虑电气联合价格引导机制的综合能源系统优化调度方法 | |
CN117217496A (zh) | 计及主从博弈的区域综合能源系统控制方法及装置 | |
Zhao et al. | Transactive energy-based joint optimization of energy and flexible reserve for integrated electric-heat systems | |
Alkano et al. | Asynchronous distributed control of biogas supply and multienergy demand |
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 |