CN115563816A - 面向低碳的光伏、风力发电并网与储能优化方法及装置 - Google Patents

面向低碳的光伏、风力发电并网与储能优化方法及装置 Download PDF

Info

Publication number
CN115563816A
CN115563816A CN202211515116.XA CN202211515116A CN115563816A CN 115563816 A CN115563816 A CN 115563816A CN 202211515116 A CN202211515116 A CN 202211515116A CN 115563816 A CN115563816 A CN 115563816A
Authority
CN
China
Prior art keywords
power
carbon
energy storage
pies
maximum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211515116.XA
Other languages
English (en)
Other versions
CN115563816B (zh
Inventor
孟庆霖
赵金
葛磊蛟
徐晶
张弛
唐庆华
王瑞
许良
祖国强
李盛伟
范巍
仝新宇
张胜
章凯
肖茂祥
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.)
Tianjin Chengxi Guangyuan Power Engineering Co ltd
Tianjin Ninghe District Ningdong Shengyuan Power Engineering Co ltd
Tianjin Tianyuan Electric Power Engineering Co ltd
State Grid Tianjin Electric Power Co Chengxi Power Supply Branch
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Original Assignee
Tianjin Chengxi Guangyuan Power Engineering Co ltd
Tianjin Ninghe District Ningdong Shengyuan Power Engineering Co ltd
Tianjin Tianyuan Electric Power Engineering Co ltd
State Grid Tianjin Electric Power Co Chengxi Power Supply Branch
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
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 Tianjin Chengxi Guangyuan Power Engineering Co ltd, Tianjin Ninghe District Ningdong Shengyuan Power Engineering Co ltd, Tianjin Tianyuan Electric Power Engineering Co ltd, State Grid Tianjin Electric Power Co Chengxi Power Supply Branch, State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd filed Critical Tianjin Chengxi Guangyuan Power Engineering Co ltd
Priority to CN202211515116.XA priority Critical patent/CN115563816B/zh
Publication of CN115563816A publication Critical patent/CN115563816A/zh
Application granted granted Critical
Publication of CN115563816B publication Critical patent/CN115563816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

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

Abstract

本发明公开了一种面向低碳的光伏、风力发电并网与储能优化方法及装置，所述方法包括如下步骤：步骤一：构建PIES最优并网模型，利用PIES最优并网模型进行发电并网协同优化；所述PIES最优并网模型如下：步骤二：对所述PIES最优并网模型求解，并根据求解结果进行能源的协同调配；本申请构建了PIES最优并网模型，通过设计最优并网策略，有效实现了PIES灵活性、低碳水平和经济性的协同优化。

Description

面向低碳的光伏、风力发电并网与储能优化方法及装置
技术领域
本发明属于新能源发电并网技术领域，尤其涉及一种面向低碳的光伏、风力发电并网与储能优化方法及装置。
背景技术
能源是人类社会赖以生存的重要物质基础。近年来，为了推动经济的发展，导致了化石能源的无节制开发利用，此举不仅造成了资源枯竭，而且引发了日益严重的环境污染，世界范围内正遭受能源短缺和全球变暖的危机。为了应对危机，提升非化石能源在能源体系中的占比，可再生能源受到了广泛的关注。与传统的化石燃料发电相比，可再生能源发电技术以其清洁环保、能源可回收的特点符合新型能源体系的需求。同时，基于多种异质能源协同优化、多能互补的综合能源系统作为可再生能源的有效载体，也备受关注。
园区级综合能源系统（park integrated energy system，PIES）的核心是能源的综合调配、互补共济，从而能够充分促进能源的生产与消纳，提高系统的经济效益。目前，现有技术中公开的关于PIES最优并网问题的部分技术如下：（1）一种天然气流动特性的动态模型，并采用特征线法对天然气模型线性化处理，仿真表明该方法可以有效提升新能源利用率；（2）基于不确定环境下构建了综合能源系统两阶段鲁棒优化模型，降低系统与主电网之间的交互波动，提高综合能源系统适应可再生能源的能力。
当前，在低碳方面，碳捕集技术的发展和碳交易机制的提出为综合能源系统低碳运行提供了解决方案。现有技术已经对综合能源系统低碳运行进行了研究。相关的现有技术如下：（1）一种含碳捕集设备的综合能源系统主从博弈模型，验证了碳捕集设备在降低系统碳排放方面的能力；（2）一种含储液罐的碳捕集电厂运行模型，验证了碳捕集电厂在促进风电消纳、降低碳排放方面的优势；（3）一种考虑阶梯型碳交易的综合能源系统低碳经济模型，算例分析表明，在阶梯型碳交易机制下，系统碳排放量和运行成本显著降低；（4）基于阶梯型碳交易机制，构建奖惩型碳交易成本模型，制约系统碳排放量，仿真验证了奖惩型碳交易机制在制约系统碳排放方面的能力。上述现有技术表明，碳捕集设备和阶梯型碳交易机制均可有效降低系统碳排放量，然而，现有技术对碳捕集设备和阶梯型碳交易机制内在协同运行机理研究较少。
国际能源署等机构给出了系统运行灵活性的概念，现有技术中公开的关于能源系统运行灵活性方面的部分技术如下：（1）一种计及灵活性需求的综合能源系统优化配置方法，有效实现系统规划在运行经济性和安全性之间的平衡；（2）技术推导了灵活性需求的数学表达，建立的气、热网运行灵活性的数学模型，分析表明，通过提高运行灵活性可有效降低系统运行成本；（3）为平抑可再生能源和负荷的不确定性，公开了一种考虑多能灵活性的综合能源系统优化策略，分析表明，所提模型可以通过协调机组出力提升系统运行灵活性，平抑系统功率波动；（4）一种灵活调节资源的联合运行市场机制，分析表明，该方法在提升新能源消纳水平、灵活性方面具有较好的效果。现有技术多数采用可控设备调节系统灵活性，极少考虑引入负荷侧可调度资源对系统灵活性进行调节。此外，现有技术尚未关注在PIES的调度目标中涉及低碳性、经济性与灵活性三者的协同优化。
发明内容
针对上述背景技术中指出的技术问题，本发明的目的是提供一种面向低碳的光伏、风力发电并网与储能优化方法及装置。
为实现本发明的目的，本发明提供的技术方案如下：
第一方面
本发明提供了一种面向低碳的光伏、风力发电并网与储能优化方法，包括如下步骤：
步骤一：构建PIES最优并网模型，利用PIES最优并网模型进行发电并网协同优化；所述PIES最优并网模型如下：
第一：目标函数
经济目标F 1：
Figure 386532DEST_PATH_IMAGE001
其中，在时间间隔t内，
Figure 37205DEST_PATH_IMAGE002
、
Figure 678008DEST_PATH_IMAGE003
和
Figure 297209DEST_PATH_IMAGE004
分别为PIES的购电、售电和购气的量；
Figure 626559DEST_PATH_IMAGE005
和
Figure 91038DEST_PATH_IMAGE006
分别为中断的电功率和供热功率；
Figure 323699DEST_PATH_IMAGE007
和
Figure 113800DEST_PATH_IMAGE008
分别为电价和气价，
Figure 664867DEST_PATH_IMAGE009
是碳捕集设备CCE的用电价格；
Figure 198617DEST_PATH_IMAGE010
和
Figure 253160DEST_PATH_IMAGE011
分别为微型燃气轮机MT的启动成本和启动变量；
灵活性目标F 2：
Figure 479742DEST_PATH_IMAGE012
（2）
其中，
Figure 751061DEST_PATH_IMAGE013
是储能系统ESS下行的灵活性PFI，
Figure 822923DEST_PATH_IMAGE014
是ESS 上行的PFI，
Figure 263131DEST_PATH_IMAGE015
是负载侧灵活性资源LFR上行的PFI，
Figure 395035DEST_PATH_IMAGE016
是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
Figure 389536DEST_PATH_IMAGE017
（3）
其中，在时间间隔t内，
Figure 796247DEST_PATH_IMAGE018
和
Figure 326847DEST_PATH_IMAGE019
分别为ESS的输出充放电功率；
Figure 364074DEST_PATH_IMAGE020
是PIES的电力负荷需求；
Figure 642608DEST_PATH_IMAGE021
是微型燃气轮机的电功率；
Figure 56272DEST_PATH_IMAGE022
是电锅炉的电功率；
Figure 939914DEST_PATH_IMAGE023
是CCE的总电耗；
Figure 679200DEST_PATH_IMAGE024
是新能源出力的期望值；
Figure 146828DEST_PATH_IMAGE025
是可时移的电负荷；
Figure 895342DEST_PATH_IMAGE026
是任意时间；
加热系统的约束：
Figure 633491DEST_PATH_IMAGE027
（4）
其中，在时间间隔t内，
Figure 278098DEST_PATH_IMAGE028
和
Figure 829428DEST_PATH_IMAGE029
分别为蓄热装置HSD输出的充放电热功率；
Figure 584894DEST_PATH_IMAGE030
为PIES热负荷需求；
Figure 974287DEST_PATH_IMAGE031
是燃气锅炉的加热功率；
Figure 789796DEST_PATH_IMAGE032
是可中断的热负荷功率；
Figure 999061DEST_PATH_IMAGE033
是可时移的热负荷功率；
Figure 558218DEST_PATH_IMAGE034
是电锅炉的加热功率；
天然气供应系统的约束：
Figure 781213DEST_PATH_IMAGE035
（5）
其中，
Figure 298782DEST_PATH_IMAGE036
是燃气锅炉的燃气功率，
Figure 729764DEST_PATH_IMAGE037
是微型燃气轮机的电功率，
Figure 827033DEST_PATH_IMAGE038
微型燃气轮机的备用容量；
Figure 925439DEST_PATH_IMAGE039
是微型燃气轮机的电效率；
电源约束：
Figure 82750DEST_PATH_IMAGE040
（6）
其中，
Figure 768072DEST_PATH_IMAGE041
和
Figure 669032DEST_PATH_IMAGE042
分别为购气的最高限额和最低限额；
Figure 887524DEST_PATH_IMAGE043
、
Figure 215737DEST_PATH_IMAGE044
分别为购电的最高限额和最低限额；
Figure 886890DEST_PATH_IMAGE045
和
Figure 824496DEST_PATH_IMAGE046
分别为电力销售的最高限额和最低限额；
Figure 366336DEST_PATH_IMAGE047
和
Figure 396609DEST_PATH_IMAGE048
分别为电力购买和销售状态的二元变量；
ESS 和HSD的约束：
Figure 555058DEST_PATH_IMAGE049
（7）
其中，在时间间隔t内，
Figure 797820DEST_PATH_IMAGE050
是储能系统的容量，
Figure 492369DEST_PATH_IMAGE051
是储能系统最大放电功率；
Figure 162385DEST_PATH_IMAGE052
是储能系统最大充电功率；
Figure 11392DEST_PATH_IMAGE053
是储能系统放电功率，
Figure 589004DEST_PATH_IMAGE054
是储能系统初始容量，
Figure 105436DEST_PATH_IMAGE055
是储能系统末时刻容量，
Figure 477512DEST_PATH_IMAGE056
是储能系统最小容量，
Figure 312350DEST_PATH_IMAGE057
是储能系统最大容量，
Figure 896915DEST_PATH_IMAGE058
是充电最大次数，
Figure 799012DEST_PATH_IMAGE059
是放电最大次数；
Figure 810830DEST_PATH_IMAGE060
是t时刻充电状态的二元变量；
Figure 900009DEST_PATH_IMAGE061
是t时刻放电状态的二元变量；
Figure 553844DEST_PATH_IMAGE062
是t-1时刻充电状态的二元变量；
Figure 546333DEST_PATH_IMAGE063
是t-1时刻放电状态的二元变量；
步骤二：对所述PIES最优并网模型求解，并根据求解结果进行能源的协同调配；
其中，所述PIES为以包含风力机组WT与光伏机组的常规综合能源系统为基础，引入CCE与奖惩阶梯式碳交易机制RPLTCTM组成的系统；所述碳捕集设备耗电与电负荷需求由电网售电、风力机组、光伏机组、MT发电供给；热负荷需求由电锅炉、燃气锅炉GB供给；气网的售气供给于微型燃气轮机和燃气锅炉；ESS与HSD为系统能量缓冲部分；荷侧考虑可转移负载SL、可中断负载IL的综合需求响应IDR。
第二方面
与上述方法相对应地，本发明还提供了一种面向低碳的光伏、风力发电并网与储能优化装置，包括如下单元：PIES最优并网模型构建单元和能源协同调配单元；
所述PIES最优并网模型构建单元用于构建PIES最优并网模型，利用PIES最优并网模型进行发电并网协同优化；所述PIES最优并网模型如下：
第一：目标函数
经济目标F 1：
Figure 729053DEST_PATH_IMAGE064
其中，在时间间隔t内，
Figure 571107DEST_PATH_IMAGE002
、
Figure 497475DEST_PATH_IMAGE003
和
Figure 843006DEST_PATH_IMAGE004
分别为PIES的购电、售电和购气的量；
Figure 727785DEST_PATH_IMAGE005
和
Figure 24512DEST_PATH_IMAGE006
分别为中断的电功率和供热功率；
Figure 285729DEST_PATH_IMAGE007
和
Figure 485766DEST_PATH_IMAGE008
分别为电价和气价，
Figure 10288DEST_PATH_IMAGE009
是碳捕集设备CCE的用电价格；
Figure 826935DEST_PATH_IMAGE010
和
Figure 360684DEST_PATH_IMAGE011
分别为微型燃气轮机MT的启动成本和启动变量；
灵活性目标F 2：
Figure 447851DEST_PATH_IMAGE065
其中，
Figure 143275DEST_PATH_IMAGE013
是储能系统ESS下行的灵活性PFI，
Figure 447217DEST_PATH_IMAGE014
是ESS 上行的PFI，
Figure 519078DEST_PATH_IMAGE015
是负载侧灵活性资源LFR上行的PFI，
Figure 959287DEST_PATH_IMAGE016
是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
Figure 601445DEST_PATH_IMAGE066
其中，在时间间隔t内，
Figure 127104DEST_PATH_IMAGE018
和
Figure 2656DEST_PATH_IMAGE019
分别为ESS的输出充放电功率；
Figure 766213DEST_PATH_IMAGE020
是PIES的电力负荷需求；
Figure 600177DEST_PATH_IMAGE021
是微型燃气轮机的电功率；
Figure 81974DEST_PATH_IMAGE022
是电锅炉的电功率；
Figure 997102DEST_PATH_IMAGE023
是CCE的总电耗；
Figure 411903DEST_PATH_IMAGE024
是新能源出力的期望值；
Figure 885610DEST_PATH_IMAGE025
是可时移的电负荷；
Figure 854703DEST_PATH_IMAGE026
是任意时间；
加热系统的约束：
Figure 603216DEST_PATH_IMAGE067
其中，在时间间隔t内，
Figure 341365DEST_PATH_IMAGE028
和
Figure 15666DEST_PATH_IMAGE029
分别为蓄热装置HSD输出的充放电热功率；
Figure 472055DEST_PATH_IMAGE030
为PIES热负荷需求；
Figure 758680DEST_PATH_IMAGE031
是燃气锅炉的加热功率；
Figure 616915DEST_PATH_IMAGE032
是可中断的热负荷功率；
Figure 698003DEST_PATH_IMAGE033
是可时移的热负荷功率；
Figure 143153DEST_PATH_IMAGE034
是电锅炉的加热功率；
天然气供应系统的约束：
Figure 702311DEST_PATH_IMAGE068
其中，
Figure 946210DEST_PATH_IMAGE036
是燃气锅炉的燃气功率，
Figure 932621DEST_PATH_IMAGE037
是微型燃气轮机的电功率，
Figure 629181DEST_PATH_IMAGE038
微型燃气轮机的备用容量；
Figure 726450DEST_PATH_IMAGE039
是微型燃气轮机的电效率；
电源约束：
Figure 57812DEST_PATH_IMAGE069
其中，
Figure 746283DEST_PATH_IMAGE041
和
Figure 398981DEST_PATH_IMAGE042
分别为购气的最高限额和最低限额；
Figure 299941DEST_PATH_IMAGE043
、
Figure 518433DEST_PATH_IMAGE044
分别为购电的最高限额和最低限额；
Figure 846646DEST_PATH_IMAGE045
和
Figure 19263DEST_PATH_IMAGE046
分别为电力销售的最高限额和最低限额；
Figure 458335DEST_PATH_IMAGE047
和
Figure 175DEST_PATH_IMAGE048
分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
Figure 30448DEST_PATH_IMAGE070
其中，在时间间隔t内，
Figure 657738DEST_PATH_IMAGE050
是储能系统的容量，
Figure 900501DEST_PATH_IMAGE051
是储能系统最大放电功率；
Figure 326540DEST_PATH_IMAGE052
是储能系统最大充电功率；
Figure 996556DEST_PATH_IMAGE053
是储能系统放电功率，
Figure 111143DEST_PATH_IMAGE054
是储能系统初始容量，
Figure 688755DEST_PATH_IMAGE055
是储能系统末时刻容量，
Figure 939607DEST_PATH_IMAGE056
是储能系统最小容量，
Figure 780524DEST_PATH_IMAGE057
是储能系统最大容量，
Figure 415030DEST_PATH_IMAGE058
是充电最大次数，
Figure 999595DEST_PATH_IMAGE059
是放电最大次数；
Figure 901692DEST_PATH_IMAGE060
是t时刻充电状态的二元变量；
Figure 913511DEST_PATH_IMAGE061
是t时刻放电状态的二元变量；
Figure 533848DEST_PATH_IMAGE062
是t-1时刻充电状态的二元变量；
Figure 291412DEST_PATH_IMAGE063
是t-1时刻放电状态的二元变量；
所述能源协同调配单元用于对所述PIES最优并网模型求解，并根据求解结果进行能源的协同调配；
其中，所述PIES为以包含风力机组WT与光伏机组的常规综合能源系统为基础，引入CCE与RPLTCTM组成的系统；所述碳捕集设备耗电与电负荷需求由电网售电、风力机组、光伏机组、MT发电供给；热负荷需求由电锅炉、燃气锅炉GB供给；气网的售气供给于微型燃气轮机和燃气锅炉；ESS与HSD为系统能量缓冲部分；荷侧考虑可转移负载SL、可中断负载IL的综合需求响应IDR。
与现有技术相比，本申请的优势在于：
本申请构建了PIES最优并网模型，通过设计最优并网策略，有效实现了PIES灵活性、低碳水平和经济性的协同优化，具体如下：
（1）本申请提出的RPLTCTM与CCE合作的碳控制策略，与只考虑RPLTCTM相比，可分别减少45%和3%的碳排放和运行成本。同时，通过对设置CCE和碳配额方案的比较，验证了CCE具有良好的低碳运行效果；
（2）本申请建立的PFI可以与并网目标相耦合，并参与到并网过程的分析中。同时，分析了综合负荷侧需求响应对系统灵活性和经济性的影响，发现比较理想的经济性和灵活性出现在25%左右的比例；
（3）通过在不同的可再生能源渗透率下对PIES最优并网模型进行评估可知，在高风能-太阳能渗透率的并网模型中，PIES的运行成本得到有效改善，CCE和RPLTCTM通过与运行机制的配合，可以有效优化碳排放量。
附图说明
图1为本发明实施例提供的方法流程示意图；
图2为PIES测试系统的结构示意图；
图3为风电和光伏发电量以及电力和热力负荷需求示意图；
图4为PIES供电系统设备最优运行策略示意图；
图5为PIES内热设备最优运行策略示意图；
图6为IDR前后PIES电力负荷运行计划的比较示意图；
图7为IDR前后PIES热负荷运行时间表的比较示意图；
图8为PIES最佳碳排放计划示意图；
图9为设备的PIES灵活性指数示意图；
图10为综合需求响应率对PIES的影响示意图；
图11为可再生能源渗透率对PIES运行的影响示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明基于RPLTCTM，引入碳捕集设备挖掘两者协同运行机理，进一步提升系统控碳能力。在灵活性方面，采用功率指标量化系统灵活性，并基于负荷需求响应特性引入负荷侧可调度资源参与提升系统运行灵活性。此外，构建兼顾碳排放成本、运行费用与灵活性供给功率的优化并网模型，得到合理的日前调度计划，实现三者的协同优化。
具体地，如图1所示，本发明实施例提供了一种面向低碳的光伏、风力发电并网与储能优化方法，包括如下步骤：
步骤一：构建PIES最优并网模型，利用PIES最优并网模型进行发电并网协同优化；所述PIES最优并网模型如下：
第一：目标函数
经济目标F 1：
Figure 516857DEST_PATH_IMAGE001
其中，在时间间隔t内，
Figure 965156DEST_PATH_IMAGE071
、
Figure 276052DEST_PATH_IMAGE003
和
Figure 235043DEST_PATH_IMAGE004
分别为PIES的购电、售电和购气的量；
Figure 111732DEST_PATH_IMAGE005
和
Figure 465353DEST_PATH_IMAGE006
分别为中断的电功率和供热功率；
Figure 263545DEST_PATH_IMAGE007
和
Figure 524762DEST_PATH_IMAGE008
分别为电价和气价，
Figure 223334DEST_PATH_IMAGE009
是碳捕集设备CCE的用电价格；
Figure 747856DEST_PATH_IMAGE010
和
Figure 564503DEST_PATH_IMAGE011
分别为微型燃气轮机MT的启动成本和启动变量；
灵活性目标F 2：
随着灵活性资源的不断挖掘，系统的决策者将面对如何充分发挥灵活资源的调节能力，以较小的代价满足灵活性需求，保证功率的实时平衡的困境。本申请通过并网目标中优化灵活性功率，使可控资源留出一定灵活裕度，尽可能满足下一时段的灵活性需求。
Figure 832673DEST_PATH_IMAGE012
（2）
其中，
Figure 887217DEST_PATH_IMAGE013
是储能系统ESS下行的灵活性PFI，
Figure 379378DEST_PATH_IMAGE014
是ESS 上行的PFI，
Figure 653627DEST_PATH_IMAGE015
是负载侧灵活性资源LFR上行的PFI，
Figure 991067DEST_PATH_IMAGE016
是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
Figure 320024DEST_PATH_IMAGE017
（3）
其中，在时间间隔t内，
Figure 717507DEST_PATH_IMAGE018
和
Figure 977587DEST_PATH_IMAGE019
分别为ESS的输出充放电功率；
Figure 587560DEST_PATH_IMAGE020
是PIES的电力负荷需求；
Figure 147854DEST_PATH_IMAGE021
是微型燃气轮机的电功率；
Figure 450660DEST_PATH_IMAGE022
是电锅炉的电功率；
Figure 965080DEST_PATH_IMAGE023
是CCE的总电耗；
Figure 378744DEST_PATH_IMAGE024
是新能源出力的期望值；
Figure 793544DEST_PATH_IMAGE025
是可时移的电负荷；
Figure 267251DEST_PATH_IMAGE026
是任意时间；
加热系统的约束：
Figure 236344DEST_PATH_IMAGE027
（4）
其中，在时间间隔t内，
Figure 217813DEST_PATH_IMAGE028
和
Figure 221541DEST_PATH_IMAGE029
分别为蓄热装置HSD输出的充放电热功率；
Figure 866149DEST_PATH_IMAGE030
为PIES热负荷需求；
Figure 135588DEST_PATH_IMAGE031
是燃气锅炉的加热功率；
Figure 891054DEST_PATH_IMAGE032
是可中断的热负荷功率；
Figure 525122DEST_PATH_IMAGE033
是可时移的热负荷功率；
Figure 340631DEST_PATH_IMAGE034
是电锅炉的加热功率；
天然气供应系统的约束：
Figure 284316DEST_PATH_IMAGE035
（5）
其中，
Figure 374632DEST_PATH_IMAGE036
是燃气锅炉的燃气功率，
Figure 87373DEST_PATH_IMAGE037
是微型燃气轮机的电功率，
Figure 808205DEST_PATH_IMAGE038
微型燃气轮机的备用容量；
Figure 271809DEST_PATH_IMAGE039
是微型燃气轮机的电效率；
电源约束：
Figure 369078DEST_PATH_IMAGE040
（6）
其中，
Figure 733063DEST_PATH_IMAGE041
和
Figure 624796DEST_PATH_IMAGE042
分别为购气的最高限额和最低限额；
Figure 543073DEST_PATH_IMAGE043
、
Figure 286776DEST_PATH_IMAGE044
分别为购电的最高限额和最低限额；
Figure 239689DEST_PATH_IMAGE045
和
Figure 567902DEST_PATH_IMAGE046
分别为电力销售的最高限额和最低限额；
Figure 239055DEST_PATH_IMAGE047
和
Figure 943706DEST_PATH_IMAGE048
分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
Figure 984080DEST_PATH_IMAGE049
（7）
其中，在时间间隔t内，
Figure 14353DEST_PATH_IMAGE050
是储能系统的容量，
Figure 641644DEST_PATH_IMAGE051
是储能系统最大放电功率；
Figure 415565DEST_PATH_IMAGE052
是储能系统最大充电功率；
Figure 811911DEST_PATH_IMAGE053
是储能系统放电功率，
Figure 481927DEST_PATH_IMAGE054
是储能系统初始容量，
Figure 629137DEST_PATH_IMAGE055
是储能系统末时刻容量，
Figure 410011DEST_PATH_IMAGE056
是储能系统最小容量，
Figure 457601DEST_PATH_IMAGE057
是储能系统最大容量，
Figure 298518DEST_PATH_IMAGE058
是充电最大次数，
Figure 900401DEST_PATH_IMAGE059
是放电最大次数；
Figure 514660DEST_PATH_IMAGE060
是t时刻充电状态的二元变量；
Figure 72549DEST_PATH_IMAGE061
是t时刻放电状态的二元变量；
Figure 585832DEST_PATH_IMAGE062
是t-1时刻充电状态的二元变量；
Figure 409432DEST_PATH_IMAGE063
是t-1时刻放电状态的二元变量；
步骤二：对所述PIES最优并网模型求解，并根据求解结果进行能源的协同调配；
需要说明的是，在最优并网模型中将所述灵活性目标通过成本的方式归入经济目标中，其中成本系数选取参考电力市场的备用服务价格；整体模型为一个混合整数线性规划（MILP）模型，可以利用Cplex在线求解器稳定求解。
需要说明的是，所述PIES为以包含风力机组WT与光伏机组的常规综合能源系统为基础，引入CCE与奖惩阶梯式碳交易机制RPLTCTM组成的系统；所述碳捕集设备耗电与电负荷需求由电网售电、风力机组、光伏机组、MT发电供给；热负荷需求由电锅炉、燃气锅炉GB供给；气网的售气供给于微型燃气轮机和燃气锅炉；ESS与HSD为系统能量缓冲部分；荷侧考虑可转移负载SL、可中断负载IL的综合需求响应IDR。
在PIES中，系统的可调节能力主要来自于灵活性资源的可用功率，而不确定性因素主要体现在风光接入功率的难以精确预测。本申请中的灵活性定义如下：在日前调度的时间段内，系统通过合理规划灵活性可控资源，留出灵活性裕度，在风光功率波动的情况下，系统快速适应波动变化的能力，使功率保证实时平衡；
所述灵活性具备方向性，分为向上灵活性与向下灵活性，定义如下：
Figure 328846DEST_PATH_IMAGE072
（8）
其中，m是灵活性资源的集合，
Figure 554291DEST_PATH_IMAGE073
是灵活性资源的功率，
Figure 268169DEST_PATH_IMAGE074
和
Figure 886056DEST_PATH_IMAGE075
分别为向上灵活性与向下灵活性，
Figure 812424DEST_PATH_IMAGE076
和
Figure 892375DEST_PATH_IMAGE077
分别为灵活性资源的向上爬升功率和向下爬升功率，
Figure 42734DEST_PATH_IMAGE078
是调度时间间隔，
Figure 840926DEST_PATH_IMAGE079
是m的最大功率；
Figure 570984DEST_PATH_IMAGE080
是m的最小功率。
为了更具体化分析各个可控资源的灵活性，采用功率型灵活性指标对可控资源的灵活性水平进行评价。功率型灵活指标指的是设备某时刻可输出功率调节的范围与设备额定功率的比值，反应灵活性资源应对功率变化的能力。在PIES中，系统的可调节能力主要来自对MT、ESS和负荷侧灵活性资源等，采用该指标对公式（8）的向上、向下灵活性供给进行评价，具体如下式（9）：
Figure 538066DEST_PATH_IMAGE081
（9）
其中，在时间间隔t内，
Figure 328167DEST_PATH_IMAGE082
、
Figure 144813DEST_PATH_IMAGE083
和
Figure 412984DEST_PATH_IMAGE084
分别为MT、LFR 和 ESS上行的PFI,
Figure 998686DEST_PATH_IMAGE085
和
Figure 959689DEST_PATH_IMAGE086
分别为MT、ESS下行的PFI，
Figure 496587DEST_PATH_IMAGE087
和
Figure 568448DEST_PATH_IMAGE088
分别为MT的最大电动率和最小电功率，
Figure 743077DEST_PATH_IMAGE089
和
Figure 140561DEST_PATH_IMAGE090
分别为MT和ESS的额定容量，
Figure 400641DEST_PATH_IMAGE091
和
Figure 10614DEST_PATH_IMAGE092
分别为ESS的最大充电电功率和最大放电电功率，
Figure 72373DEST_PATH_IMAGE093
和
Figure 640757DEST_PATH_IMAGE094
分别为ESS的最大容量和最小容量，
Figure 388134DEST_PATH_IMAGE095
和
Figure 801797DEST_PATH_IMAGE096
是ESS的充电功率和放电效率，
Figure 216598DEST_PATH_IMAGE097
是ESS的存储能量,
Figure 188840DEST_PATH_IMAGE098
和
Figure 689092DEST_PATH_IMAGE099
分别为中断电负荷的最大值和热负荷的最大值。
需要说明的是，所述风力机组在一定时间内的功率输出服从韦伯分布，有两个参数：
Figure 640867DEST_PATH_IMAGE100
（10）
其中，V是风力机组的实际风速，V ci 是切入风速，V N 是风机的额定风速，
Figure 644595DEST_PATH_IMAGE101
和
Figure 554782DEST_PATH_IMAGE102
分别为WT的输出功率和额定容量，C和K分别为韦伯分布的形状参数和比例参数，
Figure 11171DEST_PATH_IMAGE103
。
需要说明的是，所述光伏机组一天的输出服从双参数β分布：
Figure 268103DEST_PATH_IMAGE104
其中，
Figure 657496DEST_PATH_IMAGE105
是不完全伽马函数，
Figure 473005DEST_PATH_IMAGE106
和
Figure 947849DEST_PATH_IMAGE107
是形状因子，
Figure 241427DEST_PATH_IMAGE108
和
Figure 983861DEST_PATH_IMAGE109
分别为光伏机组的输出电功率及输出电功率最大值。
需要说明的是，所述微型燃气轮机相应的数学模型如下：
Figure 970272DEST_PATH_IMAGE110
其中，在时间间隔t内，
Figure 401253DEST_PATH_IMAGE111
和
Figure 29681DEST_PATH_IMAGE112
分别为微型燃气轮机的电功率和气功率，
Figure 596928DEST_PATH_IMAGE113
和
Figure 754240DEST_PATH_IMAGE114
分别为电功率的最大极限和最小极限，
Figure 705141DEST_PATH_IMAGE115
是微型燃气轮机的电效率。
需要说明的是，燃气锅炉通过燃烧天然气在锅炉中膨胀，产生的热量使锅炉壁吸收并升温，所述燃气锅炉相应的数学模型如下：
Figure 340522DEST_PATH_IMAGE116
其中，在时间间隔t内，
Figure 559013DEST_PATH_IMAGE117
和
Figure 887226DEST_PATH_IMAGE118
分别为燃气锅炉的加热功率和燃气功率，
Figure 558379DEST_PATH_IMAGE119
和
Figure 263030DEST_PATH_IMAGE120
分别为电功率的最大极限和最小极限，
Figure 315124DEST_PATH_IMAGE121
是燃气锅炉的热效率。
需要说明的是，电锅炉通过消耗电能将水加热成高压蒸汽，其特点是污染小、占地面积小、运行效率高，所述电锅炉相应的数学模型如下：
Figure 345397DEST_PATH_IMAGE122
其中，在时间间隔t内，
Figure 972687DEST_PATH_IMAGE123
和
Figure 481029DEST_PATH_IMAGE124
分别为电锅炉的加热功率和电功率，
Figure 142954DEST_PATH_IMAGE125
和
Figure 812970DEST_PATH_IMAGE126
分别为加热功率的最大极限和最小极限，
Figure 960180DEST_PATH_IMAGE127
是电锅炉的热效率。
需要说明的是，基于ESS和HSD相似的建模形式，所述ESS和HSD的建模如下：
Figure 741054DEST_PATH_IMAGE128
（15）
其中，ESS 和HSD 均包含在CN中，
Figure 788644DEST_PATH_IMAGE129
是储能系统放电效率；
Figure 629562DEST_PATH_IMAGE130
是储能系统充电效率。
需要说明的是，灵活负载根据其运行特点可分为可转移负载SL和可中断负载IL。
需要说明的是，碳捕获和封存技术（carbon capture and storage，CCS）是一项目前非常热门低碳技术。CCS是从排放源产生的气体中分离CO 2成分，将其压缩并将其输送到合适的封存地点。其可分为燃烧前捕集、燃烧后捕集和富氧燃烧。文献表明燃烧后捕集只需将捕集设备置于气体排放的下游，不改变原先系统运行流程，原理简单、易与机组配合、技术成熟，得到广泛应用。碳捕集的功耗来自于两方面，即固定功耗与运行功耗。固定功耗与设备运行状态无关，可以视为常数，运行功耗是由于碳捕集设备在捕获CO 2的过程中会进行溶剂再生和压缩，与处理后的CO 2数值成正比，但CO 2的处理量不超过CO 2的总排放量。
其中，所述碳捕集设备的相应数学模型如下：
Figure 231444DEST_PATH_IMAGE131
其中，在时间间隔t内，
Figure 845703DEST_PATH_IMAGE132
是CCE的总电耗，其由固定电耗
Figure 216641DEST_PATH_IMAGE133
和运行电耗
Figure 228460DEST_PATH_IMAGE134
组成；
Figure 583218DEST_PATH_IMAGE135
为CCE捕获的CO2的理想值，
Figure 971474DEST_PATH_IMAGE136
为理想捕获的电力消耗系数，
Figure 728077DEST_PATH_IMAGE137
为系统的总碳排放量，
Figure 412262DEST_PATH_IMAGE138
为CCE最终捕获的CO2，
Figure 644529DEST_PATH_IMAGE139
为CCE的捕获率。
需要说明的是，如果碳排放超过基准，就必须购买配额；否则就会受到经济处罚。如果企业有丰富的排放配额，可以将其出售以获取利润。RPLTCTM为不同的碳排放区间设定不同的价格，这进一步约束了碳排放的数量。
1）理想配额模型
在本申请所考虑的PIES中，碳排放来自GB和MT，而配额是以无偿配额的形式进行的，具体如下式（17）：
Figure 570896DEST_PATH_IMAGE140
（17）
其中，
Figure 149383DEST_PATH_IMAGE141
、
Figure 299742DEST_PATH_IMAGE142
和
Figure 97933DEST_PATH_IMAGE143
是PIES、MT和GB的碳排放配额，
Figure 562413DEST_PATH_IMAGE144
和
Figure 293608DEST_PATH_IMAGE145
分别为电力设备和热力设备的碳配额。
所述奖惩阶梯式碳交易机制RPLTCTM的相应数学模型如下：
Figure 83710DEST_PATH_IMAGE146
Figure 605083DEST_PATH_IMAGE147
Figure 669991DEST_PATH_IMAGE148
其中，
Figure 724535DEST_PATH_IMAGE149
为PIES的实际碳排放量，
Figure 951117DEST_PATH_IMAGE150
为CCE捕获的碳总量，
Figure 723901DEST_PATH_IMAGE151
为CCE捕获的PIES系统的碳排放量，l为碳交易区间步长，k为碳排放交易的价格，
Figure 795762DEST_PATH_IMAGE152
和
Figure 734506DEST_PATH_IMAGE153
分别为惩罚系数和奖励系数，
Figure 866410DEST_PATH_IMAGE154
是PIES的碳排放配额，
Figure 392069DEST_PATH_IMAGE155
是碳交易的成本；
若
Figure 267621DEST_PATH_IMAGE156
为正数，则表明实际碳排放超过了碳配额值，需要购买碳配额；碳排放值越高，交易成本越高；若
Figure 296757DEST_PATH_IMAGE157
为负数，则表明碳配额价值大于实际碳排放，企业能够出售碳配额获利。
需要说明的是，灵活负载根据其运行特点可分为可转移负载SL和可中断负载IL。
1) 可中断负载是指在能源供应短缺或高价格时期，可以中断的负荷，以缓解能源系统运行的压力。可中断负载相应数学模型如下：
Figure 366607DEST_PATH_IMAGE158
其中，在时间间隔t内，
Figure 113983DEST_PATH_IMAGE159
是负荷的中断功率，
Figure 58805DEST_PATH_IMAGE160
和
Figure 942447DEST_PATH_IMAGE161
是中断负荷的最大限制和最小限制，
Figure 681733DEST_PATH_IMAGE162
是负荷是否中断的二元变量，
Figure 650826DEST_PATH_IMAGE163
是调度周期中允许的中断次数。
2）可转移负载意味着设备有一个灵活的启动时间，在安排设备时间时，整体能源使用量保持不变。可转移负载相应数学模型如下：
Figure 378435DEST_PATH_IMAGE164
其中，在时间间隔t内，
Figure 647742DEST_PATH_IMAGE165
是可时间转移的负荷，
Figure 292350DEST_PATH_IMAGE166
和
Figure 968313DEST_PATH_IMAGE167
分别为中断负荷的最大极限和最小极限。
与上述方法相对应地，本发明还提供了一种面向低碳的光伏、风力发电并网与储能优化装置，包括如下单元：PIES最优并网模型构建单元和能源协同调配单元；
所述PIES最优并网模型构建单元用于构建PIES最优并网模型，利用PIES最优并网模型进行发电并网协同优化；所述PIES最优并网模型如下：
第一：目标函数
经济目标F 1：
Figure 723780DEST_PATH_IMAGE168
（23）
其中，在时间间隔t内，
Figure 113173DEST_PATH_IMAGE169
、
Figure 928682DEST_PATH_IMAGE170
和
Figure 105323DEST_PATH_IMAGE171
分别为PIES的购电、售电和购气的量；
Figure 195639DEST_PATH_IMAGE172
和
Figure 908380DEST_PATH_IMAGE173
分别为中断的电功率和供热功率；
Figure 894791DEST_PATH_IMAGE174
和
Figure 388089DEST_PATH_IMAGE175
分别为电价和气价，
Figure 517981DEST_PATH_IMAGE176
是碳捕集设备CCE的用电价格；
Figure 85229DEST_PATH_IMAGE177
和
Figure 773699DEST_PATH_IMAGE178
分别为微型燃气轮机MT的启动成本和启动变量；
灵活性目标F 2：
随着灵活性资源的不断挖掘，系统的决策者将面对如何充分发挥灵活资源的调节能力，以较小的代价满足灵活性需求，保证功率的实时平衡的困境。本申请通过并网目标中优化灵活性功率，使可控资源留出一定灵活裕度，尽可能满足下一时段的灵活性需求。
Figure 426397DEST_PATH_IMAGE179
（24）
其中，
Figure 327357DEST_PATH_IMAGE180
是储能系统ESS下行的灵活性PFI，
Figure 44384DEST_PATH_IMAGE181
是ESS 上行的PFI，
Figure 372597DEST_PATH_IMAGE182
是负载侧灵活性资源LFR上行的PFI，
Figure 43750DEST_PATH_IMAGE183
是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
Figure 482821DEST_PATH_IMAGE184
（25）
其中，在时间间隔t内，
Figure 24661DEST_PATH_IMAGE185
和
Figure 54934DEST_PATH_IMAGE186
分别为ESS的输出充放电功率；
Figure 183689DEST_PATH_IMAGE187
是PIES的电力负荷需求；
Figure 426452DEST_PATH_IMAGE188
是微型燃气轮机的电功率；
Figure 619536DEST_PATH_IMAGE189
是电锅炉的电功率；
Figure 289552DEST_PATH_IMAGE190
是CCE的总电耗；
Figure 669717DEST_PATH_IMAGE191
是新能源出力的期望值；
Figure 716171DEST_PATH_IMAGE192
是可时移的电负荷；
Figure 731138DEST_PATH_IMAGE193
是任意时间；
加热系统的约束：
Figure 103213DEST_PATH_IMAGE194
（26）
其中，在时间间隔t内，
Figure 970675DEST_PATH_IMAGE195
和
Figure 555240DEST_PATH_IMAGE196
分别为蓄热装置HSD输出的充放电热功率；
Figure 457337DEST_PATH_IMAGE197
为PIES热负荷需求；
Figure 970621DEST_PATH_IMAGE198
是燃气锅炉的加热功率；
Figure 590958DEST_PATH_IMAGE199
是可中断的热负荷功率；
Figure 713634DEST_PATH_IMAGE200
是可时移的热负荷功率；
Figure 735817DEST_PATH_IMAGE201
是电锅炉的加热功率；
天然气供应系统的约束：
Figure 918537DEST_PATH_IMAGE202
（27）
其中，
Figure 229432DEST_PATH_IMAGE203
是燃气锅炉的燃气功率，
Figure 197212DEST_PATH_IMAGE204
是微型燃气轮机的电功率，
Figure 542743DEST_PATH_IMAGE205
微型燃气轮机的备用容量；
Figure 896364DEST_PATH_IMAGE206
是微型燃气轮机的电效率；
电源约束：
Figure 225714DEST_PATH_IMAGE207
（28）
其中，
Figure 955773DEST_PATH_IMAGE208
和
Figure 155810DEST_PATH_IMAGE209
分别为购气的最高限额和最低限额；
Figure 712956DEST_PATH_IMAGE210
、
Figure 998443DEST_PATH_IMAGE211
分别为购电的最高限额和最低限额；
Figure 63351DEST_PATH_IMAGE212
和
Figure 117895DEST_PATH_IMAGE213
分别为电力销售的最高限额和最低限额；
Figure 344477DEST_PATH_IMAGE214
和
Figure 615796DEST_PATH_IMAGE215
分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
Figure 687657DEST_PATH_IMAGE216
（29）
其中，在时间间隔t内，
Figure 127866DEST_PATH_IMAGE217
是储能系统的容量，
Figure 790928DEST_PATH_IMAGE218
是储能系统最大放电功率；
Figure 316588DEST_PATH_IMAGE219
是储能系统最大充电功率；
Figure 224763DEST_PATH_IMAGE220
是储能系统放电功率，
Figure 519478DEST_PATH_IMAGE221
是储能系统初始容量，
Figure 822284DEST_PATH_IMAGE222
是储能系统末时刻容量，
Figure 835239DEST_PATH_IMAGE223
是储能系统最小容量，
Figure 248903DEST_PATH_IMAGE224
是储能系统最大容量，
Figure 631080DEST_PATH_IMAGE225
是充电最大次数，
Figure 635945DEST_PATH_IMAGE226
是放电最大次数；
Figure 605038DEST_PATH_IMAGE227
是t时刻充电状态的二元变量；
Figure 353552DEST_PATH_IMAGE228
是t时刻放电状态的二元变量；
Figure 91700DEST_PATH_IMAGE229
是t-1时刻充电状态的二元变量；
Figure 736308DEST_PATH_IMAGE230
是t-1时刻放电状态的二元变量；
所述能源协同调配单元用于对所述PIES最优并网模型求解，并根据求解结果进行能源的协同调配；
需要说明的是，在最优并网模型中将所述灵活性目标通过成本的方式归入经济目标中，其中成本系数选取参考电力市场的备用服务价格；整体模型为一个混合整数线性规划（MILP）模型，可以利用Cplex在线求解器稳定求解。
需要说明的是，所述PIES为以包含风力机组WT与光伏机组的常规综合能源系统为基础，引入CCE与奖惩阶梯式碳交易机制RPLTCTM组成的系统；所述碳捕集设备耗电与电负荷需求由电网售电、风力机组、光伏机组、MT发电供给；热负荷需求由电锅炉、燃气锅炉GB供给；气网的售气供给于微型燃气轮机和燃气锅炉；ESS与HSD为系统能量缓冲部分；荷侧考虑可转移负载SL、可中断负载IL的综合需求响应IDR。
在PIES中，系统的可调节能力主要来自于灵活性资源的可用功率，而不确定性因素主要体现在风光接入功率的难以精确预测。本申请中的灵活性定义如下：在日前调度的时间段内，系统通过合理规划灵活性可控资源，留出灵活性裕度，在风光功率波动的情况下，系统快速适应波动变化的能力，使功率保证实时平衡；
所述灵活性具备方向性，分为向上灵活性与向下灵活性，定义如下：
Figure 225321DEST_PATH_IMAGE231
（30）
其中，m是灵活性资源的集合，
Figure 980787DEST_PATH_IMAGE232
是灵活性资源的功率，
Figure 839022DEST_PATH_IMAGE233
和
Figure 920110DEST_PATH_IMAGE234
分别为向上灵活性与向下灵活性，
Figure 863796DEST_PATH_IMAGE235
和
Figure 452646DEST_PATH_IMAGE236
分别为灵活性资源的向上爬升功率和向下爬升功率，
Figure 165388DEST_PATH_IMAGE237
是调度时间间隔，
Figure 151798DEST_PATH_IMAGE238
是m的最大功率；
Figure 848359DEST_PATH_IMAGE239
是m的最小功率。
为了更具体化分析各个可控资源的灵活性，采用功率型灵活性指标对可控资源的灵活性水平进行评价。功率型灵活指标指的是设备某时刻可输出功率调节的范围与设备额定功率的比值，反应灵活性资源应对功率变化的能力。在PIES中，系统的可调节能力主要来自对MT、ESS和负荷侧灵活性资源等，采用该指标对公式（30）的向上、向下灵活性供给进行评价，具体如下式（31）：
Figure 945628DEST_PATH_IMAGE240
（31）
其中，在时间间隔t内，
Figure 778454DEST_PATH_IMAGE241
、
Figure 968390DEST_PATH_IMAGE242
和
Figure 152246DEST_PATH_IMAGE243
分别为MT、LFR 和 ESS上行的PFI,
Figure 53206DEST_PATH_IMAGE244
和
Figure 271698DEST_PATH_IMAGE245
分别为MT、ESS下行的PFI，
Figure 599911DEST_PATH_IMAGE246
和
Figure 781318DEST_PATH_IMAGE247
分别为MT的最大电动率和最小电功率，
Figure 220389DEST_PATH_IMAGE248
和
Figure 355704DEST_PATH_IMAGE249
分别为MT和ESS的额定容量，
Figure 543234DEST_PATH_IMAGE250
和
Figure 232842DEST_PATH_IMAGE251
分别为ESS的最大充电电功率和最大放电电功率，
Figure 505298DEST_PATH_IMAGE252
和
Figure 901644DEST_PATH_IMAGE253
分别为ESS的最大容量和最小容量，
Figure 102818DEST_PATH_IMAGE254
和
Figure 217405DEST_PATH_IMAGE255
是ESS的充电功率和放电效率，
Figure 263858DEST_PATH_IMAGE256
是ESS的存储能量,
Figure 547334DEST_PATH_IMAGE257
和
Figure 919410DEST_PATH_IMAGE258
分别为中断电负荷的最大值和热负荷的最大值。
需要说明的是，所述风力机组在一定时间内的功率输出服从韦伯分布，有两个参数：
Figure 521293DEST_PATH_IMAGE259
（32）
其中，V是风力机组的实际风速，V ci 是切入风速，V N 是风机的额定风速，
Figure 637016DEST_PATH_IMAGE260
和
Figure 7955DEST_PATH_IMAGE261
分别为WT的输出功率和额定容量，C和K分别为韦伯分布的形状参数和比例参数，
Figure 49466DEST_PATH_IMAGE262
。
需要说明的是，所述光伏机组一天的输出服从双参数β分布：
Figure 138645DEST_PATH_IMAGE263
其中，
Figure 261322DEST_PATH_IMAGE264
是不完全伽马函数，
Figure 17925DEST_PATH_IMAGE265
和
Figure 466224DEST_PATH_IMAGE266
是形状因子，
Figure 308278DEST_PATH_IMAGE267
和
Figure 736111DEST_PATH_IMAGE268
分别为光伏机组的输出电功率及输出电功率最大值。
需要说明的是，所述微型燃气轮机相应的数学模型如下：
Figure 81642DEST_PATH_IMAGE269
其中，在时间间隔t内，
Figure 966421DEST_PATH_IMAGE270
和
Figure 764613DEST_PATH_IMAGE271
分别为微型燃气轮机的电功率和气功率，
Figure 25830DEST_PATH_IMAGE272
和
Figure 225867DEST_PATH_IMAGE273
分别为电功率的最大极限和最小极限，
Figure 780083DEST_PATH_IMAGE274
是微型燃气轮机的电效率。
需要说明的是，燃气锅炉通过燃烧天然气在锅炉中膨胀，产生的热量使锅炉壁吸收并升温，所述燃气锅炉相应的数学模型如下：
Figure 65571DEST_PATH_IMAGE275
其中，在时间间隔t内，
Figure 333741DEST_PATH_IMAGE276
和
Figure 919443DEST_PATH_IMAGE277
分别为燃气锅炉的加热功率和燃气功率，
Figure 880446DEST_PATH_IMAGE278
和
Figure 653230DEST_PATH_IMAGE279
分别为电功率的最大极限和最小极限，
Figure 492135DEST_PATH_IMAGE280
是燃气锅炉的热效率。
需要说明的是，电锅炉通过消耗电能将水加热成高压蒸汽，其特点是污染小、占地面积小、运行效率高，所述电锅炉相应的数学模型如下：
Figure 197923DEST_PATH_IMAGE281
其中，在时间间隔t内，
Figure 64248DEST_PATH_IMAGE282
和
Figure 855486DEST_PATH_IMAGE283
分别为电锅炉的加热功率和电功率，
Figure 465459DEST_PATH_IMAGE284
和
Figure 4849DEST_PATH_IMAGE285
分别为加热功率的最大极限和最小极限，
Figure 838813DEST_PATH_IMAGE286
是电锅炉的热效率。
需要说明的是，基于ESS和HSD相似的建模形式，所述ESS和HSD的建模如下：
Figure 320610DEST_PATH_IMAGE287
其中，ESS 和HSD 均包含在CN中，
Figure 734273DEST_PATH_IMAGE288
是储能系统放电效率；
Figure 149074DEST_PATH_IMAGE289
是储能系统充电效率。
需要说明的是，灵活负载根据其运行特点可分为可转移负载SL和可中断负载IL。
需要说明的是，碳捕获和封存技术（carbon capture and storage，CCS）是一项目前非常热门低碳技术。CCS是从排放源产生的气体中分离CO 2成分，将其压缩并将其输送到合适的封存地点。其可分为燃烧前捕集、燃烧后捕集和富氧燃烧。文献表明燃烧后捕集只需将捕集设备置于气体排放的下游，不改变原先系统运行流程，原理简单、易与机组配合、技术成熟，得到广泛应用。碳捕集的功耗来自于两方面，即固定功耗与运行功耗。固定功耗与设备运行状态无关，可以视为常数，运行功耗是由于碳捕集设备在捕获CO 2的过程中会进行溶剂再生和压缩，与处理后的CO 2数值成正比，但CO 2的处理量不超过CO 2的总排放量。
其中，所述碳捕集设备的相应数学模型如下：
Figure 622781DEST_PATH_IMAGE290
其中，在时间间隔t内，
Figure 624497DEST_PATH_IMAGE132
是CCE的总电耗，其由固定电耗
Figure 576273DEST_PATH_IMAGE133
和运行电耗
Figure 111159DEST_PATH_IMAGE134
组成；
Figure 755767DEST_PATH_IMAGE135
为CCE捕获的CO2的理想值，
Figure 212156DEST_PATH_IMAGE136
为理想捕获的电力消耗系数，
Figure 997316DEST_PATH_IMAGE137
为系统的总碳排放量，
Figure 589972DEST_PATH_IMAGE138
为CCE最终捕获的CO2，
Figure 936639DEST_PATH_IMAGE139
为CCE的捕获率。
需要说明的是，如果碳排放超过基准，就必须购买配额；否则就会受到经济处罚。如果企业有丰富的排放配额，可以将其出售以获取利润。RPLTCTM为不同的碳排放区间设定不同的价格，这进一步约束了碳排放的数量。
1）理想配额模型
在本申请所考虑的PIES中，碳排放来自GB和MT，而配额是以无偿配额的形式进行的，具体如下式（39）：
Figure 880325DEST_PATH_IMAGE291
其中，
Figure 970640DEST_PATH_IMAGE141
、
Figure 683381DEST_PATH_IMAGE142
和
Figure 499153DEST_PATH_IMAGE143
是PIES、MT和GB的碳排放配额，
Figure 461293DEST_PATH_IMAGE144
和
Figure 558562DEST_PATH_IMAGE145
分别为电力设备和热力设备的碳配额。
所述奖惩阶梯式碳交易机制RPLTCTM的相应数学模型如下：
Figure 421082DEST_PATH_IMAGE292
Figure 312815DEST_PATH_IMAGE293
Figure 231092DEST_PATH_IMAGE294
（42）
其中，
Figure 663211DEST_PATH_IMAGE149
为PIES的实际碳排放量，
Figure 84965DEST_PATH_IMAGE150
为CCE捕获的碳总量，
Figure 944336DEST_PATH_IMAGE151
为CCE捕获的PIES系统的碳排放量，l为碳交易区间步长，k为碳排放交易的价格，
Figure 585795DEST_PATH_IMAGE152
和
Figure 290446DEST_PATH_IMAGE153
分别为惩罚系数和奖励系数，
Figure 363445DEST_PATH_IMAGE154
是PIES的碳排放配额，
Figure 862559DEST_PATH_IMAGE155
是碳交易的成本；
若
Figure 21008DEST_PATH_IMAGE156
为正数，则表明实际碳排放超过了碳配额值，需要购买碳配额；碳排放值越高，交易成本越高；若
Figure 263770DEST_PATH_IMAGE157
为负数，则表明碳配额价值大于实际碳排放，企业能够出售碳配额获利。
需要说明的是，灵活负载根据其运行特点可分为可转移负载SL和可中断负载IL。
2) 可中断负载是指在能源供应短缺或高价格时期，可以中断的负荷，以缓解能源系统运行的压力。可中断负载相应数学模型如下：
Figure 689810DEST_PATH_IMAGE295
其中，在时间间隔t内，
Figure 359826DEST_PATH_IMAGE159
是负荷的中断功率，
Figure 5571DEST_PATH_IMAGE160
和
Figure 786445DEST_PATH_IMAGE161
是中断负荷的最大限制和最小限制，
Figure 302877DEST_PATH_IMAGE162
是负荷是否中断的二元变量，
Figure 176417DEST_PATH_IMAGE163
是调度周期中允许的中断次数。
3）可转移负载意味着设备有一个灵活的启动时间，在安排设备时间时，整体能源使用量保持不变。可转移负载相应数学模型如下：
Figure 778300DEST_PATH_IMAGE296
其中，在时间间隔t内，
Figure 894024DEST_PATH_IMAGE165
是可时间转移的负荷，
Figure 796121DEST_PATH_IMAGE166
和
Figure 807939DEST_PATH_IMAGE167
分别为中断负荷的最大极限和最小极限。
算例分析
为了验证本申请所提出的方案的可行性，本申请采用了某些地区的PIES作为测试系统。
（一）参数设置
PIES测试系统是由6个节点的配电网、6个节点的燃气网和4个节点的热网耦合而成。PIES测试系统的结构，如图2所示，其中MT与电网的第4个节点和燃气网的第2个节点相连；GB与燃气网的第3个节点和热网的第3个节点相连；CCE与电网的第3个节点相连；EB与电网的第6个节点和热网的第4个节点相连。
PIES测试系统的设备运行参数，见表1：
Figure 631538DEST_PATH_IMAGE297
表1
PIES电力分时电价，见表2：
Figure 923515DEST_PATH_IMAGE003
表2
灵活的负荷参数：电力和热力负荷同时具有SL和IL特性，占总负荷的15%；阶梯式碳交易参数：碳交易价格取 40$/t，区间长度v=85000t，奖励系数λ=0.2； CCE参数：
Figure 286652DEST_PATH_IMAGE299
，
Figure 469371DEST_PATH_IMAGE300
；中断补偿参数：
Figure 577005DEST_PATH_IMAGE301
。风电和光伏发电量以及电力和热力负荷需求，如图3所示。
（二）最佳运行方案
图4展示了PIES供电系统设备最优运行策略，可以看出，在电网分时电价较高时系统通过增加燃气轮机出力、降低碳捕集功率减少PIES向电网购电量，提高PIES运行经济性。此外，可控负荷变量表示PIES新能源未消纳功率，图4可以看出，调度周期内可控负荷功率始终为0，表示可再生能源被PIES系统100%消纳，没有产生弃风、弃光现象。
图5展示了PIES内热设备最优运行策略，可以看出，作为电能替代设备，电锅炉在1:00-4:00时段承担了大部分热负荷，降低了该时段燃气锅炉的供热功率，减少了PIES对燃气的消耗；而在电价高峰时段，通过燃气锅炉消耗燃气来供给大部分热负荷，降低电锅炉的供热功率，减少对电能的消耗。分析表明，燃气锅炉和电锅炉具有互补特性，在满足PIES热需求的同时，通过提高负荷低谷时段电能的利用率，进一步降低PIES系统的运行成本。
（三）多维需求响应特性分析
图6说明需求响应后的电负荷曲线具有明显的削峰填谷作用。在12:00-15:00时段，可再生能源功率较多，电负荷通过时移特性将其他时段负荷转移到该时段，需求响应后负荷出现尖峰。可中断负荷受补偿价格的影响，在能源发电成本较高时段，通过中断降低负荷需求，进一步提高PIES系统运行经济性。
图7展示了需求响应前后PIES系统热负荷运行计划，可以看出，在需求响应后，热负荷移入中间时段，使热负荷与能源供给特性协调运行。分析可知，电热负荷具有耦合特性，在能源供应时段，热负荷通过移入降低其他时段负荷需求，合理分配能源，同时在能源不足时，热负荷在移出的基础上，通过中断部分热负荷，进一步降低该时段热负荷需求，在保证供需平衡的同时，降低系统购电供热费用。
（四）低碳性分析
图8可看出，在阶梯型碳交易机制约束下，只有在燃气轮机、燃气锅炉出力较高时段，PIES同时在阶梯一和阶梯二产生碳排放，同时，调度周期内PIES在阶梯三的碳排放量始终为0。此外，PIES将碳配额合理的分配在系统碳排放量较高的时段。分析表明，阶梯型碳交易机制有效的限制了PIES碳排放量。
为验证协同控碳策略的低碳性，本节在已构建模型的基础上，设置4种场景，深入分析碳交易机制、碳捕集装置和碳配额机制等因素对PIES运行的影响，具体场景设置如下：
场景一：考虑阶梯型碳交易机制，不考虑碳捕集，不考虑碳配额；
场景二：考虑阶梯型碳交易机制，考虑碳捕集，不考虑碳配额；
场景三：考虑阶梯型碳交易机制，不考虑碳捕集，考虑碳配额；
场景四：考虑阶梯型碳交易机制，考虑碳捕集，考虑碳配额。
表3中可以看出，场景4综合考虑阶梯型碳交易机制、碳捕集和碳配额机制，可以更好的实现PIES低碳经济运行。其中最显著的，对比仅考虑阶梯型碳交易机制的场景1，场景4可以降低PIES碳排放量和运行成本，幅度分别为45%和3%。同时，对比场景2和场景3，可以看出，碳捕集设备可以极大地降低系统碳排放量，幅度为31.8%；
场景I 场景II 场景III 场景IV
运营成本/￥ 5479.63 5444.77 5329.63 5294.77
碳排放/kg 3926.35 2471.82 3626.35 2171.82
表3
（五）灵活性分析
系统灵活性指标是多设备参与调节能力综合作用的结果，图9中可以看出，在11:00-18:00时段，此时电价非高峰期，燃气轮机利用率较高，其灵活性指标为零，负荷侧需求响应能力的存在为系统增加了部分灵活性裕度，增强了系统运行的灵活性。分析表明，多种资源在系统运行灵活性指标方面存在互补特性，相比于传统仅考虑可控机组运行灵活性，多资源参与的系统运行灵活性更强。
作为负荷侧可调度资源，负荷需求响应特性有效改善了系统灵活性指标，同时，对系统经济性均有影响。为了进一步评估综合需求响应程度对PIES运行的影响，进行如图10所示的测试。
图10可以看出，随着综合需求占比的提高，PIES系统运行成本先逐步降低，当占比超过25%后，逐步升高；而需求响应运行灵活性一直逐步增大。就运行成本而言，综合需求响应改变了原始负荷的用电计划，使负荷分配更加符合电源特性，降低了PIES运行成本。但是，随着需求响应的进一步增大，系统可自由分配的负荷变多，最终用电计划不再改变，运行成本不再降低。此外，需求响应占比的增加进一步增强了系统的灵活性，系统优化的同时保持系统灵活性造成的成本使总运行成本增大。
（六）可再生能源渗透率分析
图11展示了可再生能源渗透率对PIES运行成本的影响，可以看出，随着渗
透率的增加，PIES运行成本呈现逐步降低的趋势。原因是随着可再生能源的增加，可控机组的出力逐步降低，碳排放量与购电数额减少，进而PIES运行成本逐步降低。
此外，图中也展示了可再生能源渗透率对PIES碳排放量的影响，可以看出，
随着渗透率的增加，PIES碳排放量呈现波动下降的趋势。这是由于，高比例的可再生能源，降低了燃气轮机的出力，并且给碳捕集设备提供了清洁的供电来源，随着碳交易机制与碳捕集设备的协同配合，碳排放量快速降低。值得一提的是，碳排放量的尖峰是由于电锅炉出力增加，从而满足热负荷需求。
最后应当说明的是：上述实施例只是用于对本发明的举例和说明，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明不局限于上述实施例，根据本发明教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围内。

Claims (28)

1.一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，包括如下步骤：
步骤一：构建PIES最优并网模型，利用PIES最优并网模型进行发电并网协同优化；所述PIES最优并网模型如下：
第一：目标函数
经济目标F 1：
Figure 108746DEST_PATH_IMAGE001
其中，在时间间隔t内，
Figure 6765DEST_PATH_IMAGE001
、
Figure 992574DEST_PATH_IMAGE003
和
Figure 43576DEST_PATH_IMAGE004
分别为PIES的购电、售电和购气的量；
Figure 264472DEST_PATH_IMAGE005
和
Figure 618093DEST_PATH_IMAGE006
分别为中断的电功率和供热功率；
Figure 540919DEST_PATH_IMAGE007
和
Figure 677502DEST_PATH_IMAGE008
分别为电价和气价，
Figure 877539DEST_PATH_IMAGE009
是碳捕集设备CCE的用电价格；
Figure 526695DEST_PATH_IMAGE010
和
Figure 218708DEST_PATH_IMAGE011
分别为微型燃气轮机MT的启动成本和启动变量；
灵活性目标F 2：
Figure 486878DEST_PATH_IMAGE012
（2）
其中，
Figure 197214DEST_PATH_IMAGE013
是储能系统ESS下行的灵活性PFI，
Figure 33583DEST_PATH_IMAGE014
是ESS 上行的PFI，
Figure 806367DEST_PATH_IMAGE015
是负载侧灵活性资源LFR上行的PFI，
Figure 268441DEST_PATH_IMAGE016
是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
Figure 318437DEST_PATH_IMAGE017
（3）
其中，在时间间隔t内，
Figure 840554DEST_PATH_IMAGE018
和
Figure 100634DEST_PATH_IMAGE019
分别为ESS的输出充放电功率；
Figure 585973DEST_PATH_IMAGE020
是PIES的电力负荷需求；
Figure 615109DEST_PATH_IMAGE021
是微型燃气轮机的电功率；
Figure 573707DEST_PATH_IMAGE022
是电锅炉的电功率；
Figure 930870DEST_PATH_IMAGE023
是CCE的总电耗；
Figure 344533DEST_PATH_IMAGE024
是新能源出力的期望值；
Figure 352810DEST_PATH_IMAGE025
是可时移的电负荷；
Figure 233041DEST_PATH_IMAGE026
是任意时间；
加热系统的约束：
Figure 857926DEST_PATH_IMAGE027
（4）
其中，在时间间隔t内，
Figure 216226DEST_PATH_IMAGE028
和
Figure 219954DEST_PATH_IMAGE029
分别为蓄热装置HSD输出的充放电热功率；
Figure 989196DEST_PATH_IMAGE030
为PIES热负荷需求；
Figure 445585DEST_PATH_IMAGE031
是燃气锅炉的加热功率；
Figure 607576DEST_PATH_IMAGE032
是可中断的热负荷功率；
Figure 324866DEST_PATH_IMAGE033
是可时移的热负荷功率；
Figure 140375DEST_PATH_IMAGE034
是电锅炉的加热功率；
天然气供应系统的约束：
Figure 490585DEST_PATH_IMAGE035
（5）
其中，
Figure 186095DEST_PATH_IMAGE036
是燃气锅炉的燃气功率，
Figure 898836DEST_PATH_IMAGE037
是微型燃气轮机的电功率，
Figure 495033DEST_PATH_IMAGE038
微型燃气轮机的备用容量；
Figure 581807DEST_PATH_IMAGE039
是微型燃气轮机的电效率；
电源约束：
Figure 85600DEST_PATH_IMAGE040
（6）
其中，
Figure 918427DEST_PATH_IMAGE041
和
Figure 465952DEST_PATH_IMAGE042
分别为购气的最高限额和最低限额；
Figure 790754DEST_PATH_IMAGE043
、
Figure 816348DEST_PATH_IMAGE044
分别为购电的最高限额和最低限额；
Figure 238102DEST_PATH_IMAGE045
和
Figure 972840DEST_PATH_IMAGE046
分别为电力销售的最高限额和最低限额；
Figure 237468DEST_PATH_IMAGE047
和
Figure 348643DEST_PATH_IMAGE048
分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
Figure 890483DEST_PATH_IMAGE049
（7）
其中，在时间间隔t内，
Figure 45390DEST_PATH_IMAGE050
是储能系统的容量，
Figure 548046DEST_PATH_IMAGE051
是储能系统最大放电功率；
Figure 446601DEST_PATH_IMAGE052
是储能系统最大充电功率；
Figure 436423DEST_PATH_IMAGE053
是储能系统放电功率，
Figure 106439DEST_PATH_IMAGE054
是储能系统初始容量，
Figure 627550DEST_PATH_IMAGE055
是储能系统末时刻容量，
Figure 533058DEST_PATH_IMAGE056
是储能系统最小容量，
Figure 456014DEST_PATH_IMAGE057
是储能系统最大容量，
Figure 296931DEST_PATH_IMAGE058
是充电最大次数，
Figure 23448DEST_PATH_IMAGE059
是放电最大次数；
Figure 14538DEST_PATH_IMAGE060
是t时刻充电状态的二元变量；
Figure 41268DEST_PATH_IMAGE061
是t时刻放电状态的二元变量；
Figure 53087DEST_PATH_IMAGE062
是t-1时刻充电状态的二元变量；
Figure 283211DEST_PATH_IMAGE063
是t-1时刻放电状态的二元变量；
步骤二：对所述PIES最优并网模型求解，并根据求解结果进行能源的协同调配；
其中，所述PIES为以包含风力机组WT与光伏机组的常规综合能源系统为基础，引入CCE与奖惩阶梯式碳交易机制RPLTCTM组成的系统；所述碳捕集设备耗电与电负荷需求由电网售电、风力机组、光伏机组、MT发电供给；热负荷需求由电锅炉、燃气锅炉GB供给；气网的售气供给于微型燃气轮机和燃气锅炉；ESS与HSD为系统能量缓冲部分；荷侧考虑可转移负载SL、可中断负载IL的综合需求响应IDR。
2.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述灵活性定义如下：在日前调度的时间段内，系统通过合理规划灵活性可控资源，留出灵活性裕度，在风光功率波动的情况下，系统快速适应波动变化的能力，使功率保证实时平衡；
所述灵活性具备方向性，分为向上灵活性与向下灵活性，定义如下：
Figure 796101DEST_PATH_IMAGE064
（8）
其中，m是灵活性资源的集合，
Figure 21546DEST_PATH_IMAGE065
是灵活性资源的功率，
Figure 79631DEST_PATH_IMAGE066
和
Figure 311899DEST_PATH_IMAGE067
分别为向上灵活性与向下灵活性，
Figure 238266DEST_PATH_IMAGE068
和
Figure 193584DEST_PATH_IMAGE069
分别为灵活性资源的向上爬升功率和向下爬升功率，
Figure 468576DEST_PATH_IMAGE070
是调度时间间隔，
Figure 266768DEST_PATH_IMAGE071
是m的最大功率；
Figure 872193DEST_PATH_IMAGE072
是m的最小功率。
3.根据权利要求2所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，对向上灵活性与向下灵活性进行评价，如下式（9）：
Figure 446316DEST_PATH_IMAGE003
（9）
其中，在时间间隔t内，
Figure 252545DEST_PATH_IMAGE074
、
Figure 413399DEST_PATH_IMAGE075
和
Figure 681569DEST_PATH_IMAGE076
分别为MT、LFR 和 ESS上行的PFI,
Figure 860746DEST_PATH_IMAGE077
和
Figure 228274DEST_PATH_IMAGE078
分别为MT、ESS下行的PFI，
Figure 735478DEST_PATH_IMAGE079
和
Figure 943692DEST_PATH_IMAGE080
分别为MT的最大电动率和最小电功率，
Figure 118322DEST_PATH_IMAGE081
和
Figure 860013DEST_PATH_IMAGE082
分别为MT和ESS的额定容量，
Figure 775885DEST_PATH_IMAGE083
和
Figure 385858DEST_PATH_IMAGE084
分别为ESS的最大充电电功率和最大放电电功率，
Figure 290360DEST_PATH_IMAGE085
和
Figure 327586DEST_PATH_IMAGE086
分别为ESS的最大容量和最小容量，
Figure 730754DEST_PATH_IMAGE087
和
Figure 19784DEST_PATH_IMAGE088
是ESS的充电功率和放电效率，
Figure 903427DEST_PATH_IMAGE089
是ESS的存储能量,
Figure 564084DEST_PATH_IMAGE090
和
Figure 533177DEST_PATH_IMAGE091
分别为中断电负荷的最大值和热负荷的最大值。
4.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述风力机组在一定时间内的功率输出服从韦伯分布，有两个参数，具体如下：
Figure 634590DEST_PATH_IMAGE005
（10）
其中，V是风力机组的实际风速，V ci 是切入风速，V N 是风机的额定风速，
Figure 613315DEST_PATH_IMAGE093
和
Figure 398868DEST_PATH_IMAGE094
分别为WT的输出功率和额定容量，C和K分别为韦伯分布的形状参数和比例参数，
Figure 979891DEST_PATH_IMAGE095
。
5.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述光伏机组一天的输出服从双参数β分布，具体如下：
Figure 735357DEST_PATH_IMAGE096
其中，
Figure 117DEST_PATH_IMAGE097
是不完全伽马函数，
Figure 940260DEST_PATH_IMAGE098
和
Figure 883945DEST_PATH_IMAGE099
是形状因子，
Figure 52889DEST_PATH_IMAGE100
和
Figure 421422DEST_PATH_IMAGE101
分别为光伏机组的输出电功率及输出电功率最大值。
6.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述微型燃气轮机相应的数学模型如下：
Figure 407833DEST_PATH_IMAGE102
其中，在时间间隔t内，
Figure 714181DEST_PATH_IMAGE103
和
Figure 654192DEST_PATH_IMAGE104
分别为微型燃气轮机的电功率和气功率，
Figure 221440DEST_PATH_IMAGE105
和
Figure 503386DEST_PATH_IMAGE106
分别为电功率的最大极限和最小极限，
Figure 828188DEST_PATH_IMAGE107
是微型燃气轮机的电效率。
7.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述燃气锅炉相应的数学模型如下：
Figure 463568DEST_PATH_IMAGE108
其中，在时间间隔t内，
Figure 275536DEST_PATH_IMAGE109
和
Figure 603749DEST_PATH_IMAGE110
分别为燃气锅炉的加热功率和燃气功率，
Figure 619109DEST_PATH_IMAGE111
和
Figure 979552DEST_PATH_IMAGE112
分别为电功率的最大极限和最小极限，
Figure 521392DEST_PATH_IMAGE113
是燃气锅炉的热效率。
8.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述电锅炉相应的数学模型如下：
Figure 427031DEST_PATH_IMAGE114
其中，在时间间隔t内，
Figure 178955DEST_PATH_IMAGE115
和
Figure 156139DEST_PATH_IMAGE116
分别为电锅炉的加热功率和电功率，
Figure 224589DEST_PATH_IMAGE117
和
Figure 30957DEST_PATH_IMAGE118
分别为加热功率的最大极限和最小极限，
Figure 145544DEST_PATH_IMAGE119
是电锅炉的热效率。
9.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述ESS和HSD的建模如下：
Figure 332942DEST_PATH_IMAGE120
其中，ESS 和HSD 均包含在CN中，
Figure 505167DEST_PATH_IMAGE121
是储能系统放电效率；
Figure 221450DEST_PATH_IMAGE122
是储能系统充电效率。
10.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述碳捕集设备的相应数学模型如下：
Figure 823333DEST_PATH_IMAGE123
其中，在时间间隔t内，
Figure 63690DEST_PATH_IMAGE124
是CCE的总电耗，其由固定电耗
Figure 841153DEST_PATH_IMAGE125
和运行电耗
Figure 977605DEST_PATH_IMAGE126
组成；
Figure 801205DEST_PATH_IMAGE127
为CCE捕获的CO2的理想值，
Figure 595985DEST_PATH_IMAGE128
为理想捕获的电力消耗系数，
Figure 946064DEST_PATH_IMAGE129
为系统的总碳排放量，
Figure 535308DEST_PATH_IMAGE130
为CCE最终捕获的CO2，
Figure 767576DEST_PATH_IMAGE131
为CCE的捕获率。
11.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，所述RPLTCTM的相应数学模型如下：
Figure 693943DEST_PATH_IMAGE132
Figure 649261DEST_PATH_IMAGE133
Figure 900045DEST_PATH_IMAGE007
（19）
其中，
Figure 722445DEST_PATH_IMAGE135
为PIES的实际碳排放量，
Figure 62291DEST_PATH_IMAGE136
为CCE捕获的碳总量，
Figure 262328DEST_PATH_IMAGE137
为CCE捕获的PIES系统的碳排放量，l为碳交易区间步长，k为碳排放交易的价格，
Figure 177063DEST_PATH_IMAGE138
和
Figure 603496DEST_PATH_IMAGE139
分别为惩罚系数和奖励系数，
Figure 137246DEST_PATH_IMAGE140
是PIES的碳排放配额，
Figure 316423DEST_PATH_IMAGE141
是碳交易的成本；
若
Figure 418372DEST_PATH_IMAGE142
为正数，则表明实际碳排放超过了碳配额值，需要购买碳配额；碳排放值越高，交易成本越高；若
Figure 191155DEST_PATH_IMAGE143
为负数，则表明碳配额价值大于实际碳排放，企业能够出售碳配额获利。
12.根据权利要求11所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，碳配额的相应数学模型如下：
Figure 635920DEST_PATH_IMAGE009
（20）
其中，
Figure 703225DEST_PATH_IMAGE145
、
Figure 835129DEST_PATH_IMAGE146
和
Figure 485422DEST_PATH_IMAGE147
是PIES、MT和GB的碳排放配额，
Figure 236341DEST_PATH_IMAGE148
和
Figure 921269DEST_PATH_IMAGE149
分别为电力设备和热力设备的碳配额。
13.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，可中断负载的相应数学模型如下：
Figure 958495DEST_PATH_IMAGE150
其中，在时间间隔t内，
Figure 581237DEST_PATH_IMAGE151
是负荷的中断功率，
Figure 650693DEST_PATH_IMAGE152
和
Figure 940860DEST_PATH_IMAGE153
是中断负荷的最大限制和最小限制，
Figure 148988DEST_PATH_IMAGE154
是负荷是否中断的二元变量，
Figure 242715DEST_PATH_IMAGE155
是调度周期中允许的中断次数。
14.根据权利要求1所述的一种面向低碳的光伏、风力发电并网与储能优化方法，其特征在于，可转移负载的相应数学模型如下：
Figure 866594DEST_PATH_IMAGE156
其中，在时间间隔t内，
Figure 604743DEST_PATH_IMAGE157
是可时间转移的负荷，
Figure 905143DEST_PATH_IMAGE158
和
Figure 236898DEST_PATH_IMAGE159
分别为中断负荷的最大极限和最小极限。
15.一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，包括如下单元：PIES最优并网模型构建单元和能源协同调配单元；
所述PIES最优并网模型构建单元用于构建PIES最优并网模型，利用PIES最优并网模型进行发电并网协同优化；所述PIES最优并网模型如下：
第一：目标函数
经济目标F 1：
Figure 282757DEST_PATH_IMAGE011
（23）
其中，在时间间隔t内，
Figure 975233DEST_PATH_IMAGE002
、
Figure 790743DEST_PATH_IMAGE003
和
Figure 875373DEST_PATH_IMAGE004
分别为PIES的购电、售电和购气的量；
Figure 570883DEST_PATH_IMAGE005
和
Figure 283624DEST_PATH_IMAGE006
分别为中断的电功率和供热功率；
Figure 145401DEST_PATH_IMAGE007
和
Figure 576382DEST_PATH_IMAGE008
分别为电价和气价，
Figure 329443DEST_PATH_IMAGE161
是碳捕集设备CCE的用电价格；
Figure 490166DEST_PATH_IMAGE010
和
Figure 522844DEST_PATH_IMAGE011
分别为微型燃气轮机MT的启动成本和启动变量；
灵活性目标F 2：
Figure 512488DEST_PATH_IMAGE013
（24）
其中，
Figure 732295DEST_PATH_IMAGE013
是储能系统ESS下行的灵活性PFI，
Figure 294994DEST_PATH_IMAGE014
是ESS 上行的PFI，
Figure 623207DEST_PATH_IMAGE015
是负载侧灵活性资源LFR上行的PFI，
Figure 418994DEST_PATH_IMAGE016
是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
Figure 66704DEST_PATH_IMAGE015
（25）
其中，在时间间隔t内，
Figure 275272DEST_PATH_IMAGE018
和
Figure 899020DEST_PATH_IMAGE019
分别为ESS的输出充放电功率；
Figure 932835DEST_PATH_IMAGE020
是PIES的电力负荷需求；
Figure 175597DEST_PATH_IMAGE021
是微型燃气轮机的电功率；
Figure 962157DEST_PATH_IMAGE022
是电锅炉的电功率；
Figure 569856DEST_PATH_IMAGE023
是CCE的总电耗；
Figure 323923DEST_PATH_IMAGE024
是新能源出力的期望值；
Figure 776901DEST_PATH_IMAGE025
是可时移的电负荷；
Figure 417967DEST_PATH_IMAGE026
是任意时间；
加热系统的约束：
Figure 258884DEST_PATH_IMAGE164
其中，在时间间隔t内，
Figure 1712DEST_PATH_IMAGE028
和
Figure 710911DEST_PATH_IMAGE029
分别为蓄热装置HSD输出的充放电热功率；
Figure 488374DEST_PATH_IMAGE030
为PIES热负荷需求；
Figure 500192DEST_PATH_IMAGE031
是燃气锅炉的加热功率；
Figure 714005DEST_PATH_IMAGE032
是可中断的热负荷功率；
Figure 836681DEST_PATH_IMAGE033
是可时移的热负荷功率；
Figure 734230DEST_PATH_IMAGE034
是电锅炉的加热功率；
天然气供应系统的约束：
Figure 41584DEST_PATH_IMAGE165
其中，
Figure 352479DEST_PATH_IMAGE036
是燃气锅炉的燃气功率，
Figure 154213DEST_PATH_IMAGE037
是微型燃气轮机的电功率，
Figure 499744DEST_PATH_IMAGE038
微型燃气轮机的备用容量；
Figure 509157DEST_PATH_IMAGE039
是微型燃气轮机的电效率；
电源约束：
Figure 182715DEST_PATH_IMAGE166
其中，
Figure 912774DEST_PATH_IMAGE041
和
Figure 237445DEST_PATH_IMAGE042
分别为购气的最高限额和最低限额；
Figure 761967DEST_PATH_IMAGE043
、
Figure 652649DEST_PATH_IMAGE044
分别为购电的最高限额和最低限额；
Figure 779874DEST_PATH_IMAGE045
和
Figure 365576DEST_PATH_IMAGE046
分别为电力销售的最高限额和最低限额；
Figure 185633DEST_PATH_IMAGE047
和
Figure 364942DEST_PATH_IMAGE048
分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
Figure 436803DEST_PATH_IMAGE167
其中，在时间间隔t内，
Figure 470487DEST_PATH_IMAGE050
是储能系统的容量，
Figure 8916DEST_PATH_IMAGE051
是储能系统最大放电功率；
Figure 3416DEST_PATH_IMAGE052
是储能系统最大充电功率；
Figure 3602DEST_PATH_IMAGE053
是储能系统放电功率，
Figure 173684DEST_PATH_IMAGE054
是储能系统初始容量，
Figure 476489DEST_PATH_IMAGE055
是储能系统末时刻容量，
Figure 82920DEST_PATH_IMAGE056
是储能系统最小容量，
Figure 496583DEST_PATH_IMAGE057
是储能系统最大容量，
Figure 380226DEST_PATH_IMAGE058
是充电最大次数，
Figure 853932DEST_PATH_IMAGE059
是放电最大次数；
Figure 947659DEST_PATH_IMAGE060
是t时刻充电状态的二元变量；
Figure 571539DEST_PATH_IMAGE061
是t时刻放电状态的二元变量；
Figure 309688DEST_PATH_IMAGE062
是t-1时刻充电状态的二元变量；
Figure 78929DEST_PATH_IMAGE063
是t-1时刻放电状态的二元变量；
所述能源协同调配单元用于对所述PIES最优并网模型求解，并根据求解结果进行能源的协同调配；
其中，所述PIES为以包含风力机组WT与光伏机组的常规综合能源系统为基础，引入CCE与RPLTCTM组成的系统；所述碳捕集设备耗电与电负荷需求由电网售电、风力机组、光伏机组、MT发电供给；热负荷需求由电锅炉、燃气锅炉GB供给；气网的售气供给于微型燃气轮机和燃气锅炉；ESS与HSD为系统能量缓冲部分；荷侧考虑可转移负载SL、可中断负载IL的综合需求响应IDR。
16.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述灵活性定义如下：在日前调度的时间段内，系统通过合理规划灵活性可控资源，留出灵活性裕度，在风光功率波动的情况下，系统快速适应波动变化的能力，使功率保证实时平衡；
所述灵活性具备方向性，分为向上灵活性与向下灵活性，定义如下：
Figure 941843DEST_PATH_IMAGE168
其中，m是灵活性资源的集合，
Figure 697309DEST_PATH_IMAGE065
是灵活性资源的功率，
Figure 680178DEST_PATH_IMAGE066
和
Figure 230108DEST_PATH_IMAGE067
分别为向上灵活性与向下灵活性，
Figure 580318DEST_PATH_IMAGE068
和
Figure 264109DEST_PATH_IMAGE069
分别为灵活性资源的向上爬升功率和向下爬升功率，
Figure 976850DEST_PATH_IMAGE070
是调度时间间隔，
Figure 369785DEST_PATH_IMAGE071
是m的最大功率；
Figure 659821DEST_PATH_IMAGE072
是m的最小功率。
17.根据权利要求16所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，对向上灵活性与向下灵活性进行评价，如下式（31）：
Figure 757090DEST_PATH_IMAGE169
其中，在时间间隔t内，
Figure 996442DEST_PATH_IMAGE074
、
Figure 278387DEST_PATH_IMAGE075
和
Figure 931085DEST_PATH_IMAGE076
分别为MT、LFR 和 ESS上行的PFI,
Figure 238570DEST_PATH_IMAGE077
和
Figure 50537DEST_PATH_IMAGE078
分别为MT、ESS下行的PFI，
Figure 378750DEST_PATH_IMAGE079
和
Figure 925269DEST_PATH_IMAGE080
分别为MT的最大电动率和最小电功率，
Figure 488975DEST_PATH_IMAGE081
和
Figure 30814DEST_PATH_IMAGE082
分别为MT和ESS的额定容量，
Figure 936453DEST_PATH_IMAGE083
和
Figure 512596DEST_PATH_IMAGE084
分别为ESS的最大充电电功率和最大放电电功率，
Figure 755359DEST_PATH_IMAGE085
和
Figure 27071DEST_PATH_IMAGE086
分别为ESS的最大容量和最小容量，
Figure 697087DEST_PATH_IMAGE087
和
Figure 467466DEST_PATH_IMAGE088
是ESS的充电功率和放电效率，
Figure 389286DEST_PATH_IMAGE089
是ESS的存储能量,
Figure 640138DEST_PATH_IMAGE090
和
Figure 605689DEST_PATH_IMAGE091
分别为中断电负荷的最大值和热负荷的最大值。
18.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述风力机组在一定时间内的功率输出服从韦伯分布，有两个参数，具体如下：
Figure 702259DEST_PATH_IMAGE017
（32）
其中，V是风力机组的实际风速，V ci 是切入风速，V N 是风机的额定风速，
Figure 198662DEST_PATH_IMAGE093
和
Figure 694234DEST_PATH_IMAGE094
分别为WT的输出功率和额定容量，C和K分别为韦伯分布的形状参数和比例参数，
Figure 706052DEST_PATH_IMAGE095
。
19.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述光伏机组一天的输出服从双参数β分布，具体如下：
Figure 201756DEST_PATH_IMAGE171
其中，
Figure 449066DEST_PATH_IMAGE097
是不完全伽马函数，
Figure 674511DEST_PATH_IMAGE098
和
Figure 998176DEST_PATH_IMAGE099
是形状因子，
Figure 964864DEST_PATH_IMAGE100
和
Figure 891232DEST_PATH_IMAGE101
分别为光伏机组的输出电功率及输出电功率最大值。
20.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述微型燃气轮机相应的数学模型如下：
Figure 112129DEST_PATH_IMAGE172
其中，在时间间隔t内，
Figure 465750DEST_PATH_IMAGE103
和
Figure 388575DEST_PATH_IMAGE104
分别为微型燃气轮机的电功率和气功率，
Figure 118634DEST_PATH_IMAGE105
和
Figure 725196DEST_PATH_IMAGE106
分别为电功率的最大极限和最小极限，
Figure 374352DEST_PATH_IMAGE107
是微型燃气轮机的电效率。
21.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述燃气锅炉相应的数学模型如下：
Figure 659839DEST_PATH_IMAGE173
其中，在时间间隔t内，
Figure 334534DEST_PATH_IMAGE109
和
Figure 513712DEST_PATH_IMAGE110
分别为燃气锅炉的加热功率和燃气功率，
Figure 192824DEST_PATH_IMAGE111
和
Figure 372132DEST_PATH_IMAGE112
分别为电功率的最大极限和最小极限，
Figure 178414DEST_PATH_IMAGE113
是燃气锅炉的热效率。
22.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述电锅炉相应的数学模型如下：
Figure 8836DEST_PATH_IMAGE174
其中，在时间间隔t内，
Figure 750527DEST_PATH_IMAGE115
和
Figure 10607DEST_PATH_IMAGE116
分别为电锅炉的加热功率和电功率，
Figure 745214DEST_PATH_IMAGE117
和
Figure 180874DEST_PATH_IMAGE118
分别为加热功率的最大极限和最小极限，
Figure 483680DEST_PATH_IMAGE119
是电锅炉的热效率。
23.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述ESS和HSD的建模如下：
Figure 90110DEST_PATH_IMAGE175
其中，ESS 和HSD 均包含在CN中，
Figure 503774DEST_PATH_IMAGE121
是储能系统放电效率；
Figure 262783DEST_PATH_IMAGE122
是储能系统充电效率。
24.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述碳捕集设备的相应数学模型如下：
Figure 392282DEST_PATH_IMAGE176
其中，在时间间隔t内，
Figure 361375DEST_PATH_IMAGE124
是CCE的总电耗，其由固定电耗
Figure 188516DEST_PATH_IMAGE125
和运行电耗
Figure 192244DEST_PATH_IMAGE126
组成；
Figure 492645DEST_PATH_IMAGE127
为CCE捕获的CO2的理想值，
Figure 824400DEST_PATH_IMAGE128
为理想捕获的电力消耗系数，
Figure 247377DEST_PATH_IMAGE129
为系统的总碳排放量，
Figure 840033DEST_PATH_IMAGE130
为CCE最终捕获的CO2，
Figure 530908DEST_PATH_IMAGE131
为CCE的捕获率。
25.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，所述RPLTCTM的相应数学模型如下：
Figure 474593DEST_PATH_IMAGE177
Figure 158385DEST_PATH_IMAGE178
Figure 277650DEST_PATH_IMAGE179
其中，
Figure 998482DEST_PATH_IMAGE135
为PIES的实际碳排放量，
Figure 554097DEST_PATH_IMAGE136
为CCE捕获的碳总量，
Figure 57890DEST_PATH_IMAGE137
为CCE捕获的PIES系统的碳排放量，l为碳交易区间步长，k为碳排放交易的价格，
Figure 890717DEST_PATH_IMAGE138
和
Figure 438242DEST_PATH_IMAGE139
分别为惩罚系数和奖励系数，
Figure 231886DEST_PATH_IMAGE140
是PIES的碳排放配额，
Figure 788638DEST_PATH_IMAGE141
是碳交易的成本；
若
Figure 210392DEST_PATH_IMAGE142
为正数，则表明实际碳排放超过了碳配额值，需要购买碳配额；碳排放值越高，交易成本越高；若
Figure 413971DEST_PATH_IMAGE143
为负数，则表明碳配额价值大于实际碳排放，企业能够出售碳配额获利。
26.根据权利要求25所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，碳配额的相应数学模型如下：
Figure 100922DEST_PATH_IMAGE019
（42）
其中，
Figure 914409DEST_PATH_IMAGE145
、
Figure 862773DEST_PATH_IMAGE146
和
Figure 486521DEST_PATH_IMAGE147
是PIES、MT和GB的碳排放配额，
Figure 113812DEST_PATH_IMAGE148
和
Figure 763099DEST_PATH_IMAGE149
分别为电力设备和热力设备的碳配额。
27.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，可中断负载的相应数学模型如下：
Figure 284079DEST_PATH_IMAGE181
其中，在时间间隔t内，
Figure 954095DEST_PATH_IMAGE151
是负荷的中断功率，
Figure 475206DEST_PATH_IMAGE152
和
Figure 380714DEST_PATH_IMAGE153
是中断负荷的最大限制和最小限制，
Figure 897146DEST_PATH_IMAGE154
是负荷是否中断的二元变量，
Figure 613429DEST_PATH_IMAGE155
是调度周期中允许的中断次数。
28.根据权利要求15所述的一种面向低碳的光伏、风力发电并网与储能优化装置，其特征在于，可转移负载的相应数学模型如下：
Figure 871104DEST_PATH_IMAGE182
其中，在时间间隔t内，
Figure 455669DEST_PATH_IMAGE157
是可时间转移的负荷，
Figure 233132DEST_PATH_IMAGE158
和
Figure 369584DEST_PATH_IMAGE159
分别为中断负荷的最大极限和最小极限。
CN202211515116.XA 2022-11-30 2022-11-30 面向低碳的光伏、风力发电并网与储能优化方法及装置 Active CN115563816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211515116.XA CN115563816B (zh) 2022-11-30 2022-11-30 面向低碳的光伏、风力发电并网与储能优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211515116.XA CN115563816B (zh) 2022-11-30 2022-11-30 面向低碳的光伏、风力发电并网与储能优化方法及装置

Publications (2)

Publication Number Publication Date
CN115563816A true CN115563816A (zh) 2023-01-03
CN115563816B CN115563816B (zh) 2023-04-18

Family

ID=84770852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211515116.XA Active CN115563816B (zh) 2022-11-30 2022-11-30 面向低碳的光伏、风力发电并网与储能优化方法及装置

Country Status (1)

Country Link
CN (1) CN115563816B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222465A (zh) * 2021-06-01 2021-08-06 昆明理工大学 一种计及碳-绿色证书交易机制的综合能源系统优化运行方法
CN113822706A (zh) * 2021-09-07 2021-12-21 昆明理工大学 低碳背景下考虑绿色证书交易的多园区综合能源系统优化运行方法
CN114021911A (zh) * 2021-10-21 2022-02-08 国网山西省电力公司电力科学研究院 含碳捕捉装置的综合能源系统低碳优化调度方法
CN114154907A (zh) * 2021-12-10 2022-03-08 国网上海市电力公司 一种基于实时碳排放控制的电气互联系统低碳调度方法
CN114243694A (zh) * 2021-12-15 2022-03-25 东北电力大学 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法
CN114676886A (zh) * 2022-03-04 2022-06-28 三峡大学 基于综合需求响应和奖惩阶梯碳交易的能源枢纽主从博弈优化调度方法
CN114781756A (zh) * 2022-05-24 2022-07-22 国网山东综合能源服务有限公司 考虑风-光-碳捕集-电转气综合能源系统低碳优化调度
CN114977180A (zh) * 2022-01-21 2022-08-30 宁波市电力设计院有限公司 一种基于负荷侧灵活性资源的微电网低碳优化调度方法
CN115375344A (zh) * 2022-07-13 2022-11-22 太原理工大学 计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法
CN115408808A (zh) * 2022-05-10 2022-11-29 国网河南省电力公司焦作供电公司 一种计及碳排放的能源配网系统多时间尺度优化调度方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222465A (zh) * 2021-06-01 2021-08-06 昆明理工大学 一种计及碳-绿色证书交易机制的综合能源系统优化运行方法
CN113822706A (zh) * 2021-09-07 2021-12-21 昆明理工大学 低碳背景下考虑绿色证书交易的多园区综合能源系统优化运行方法
CN114021911A (zh) * 2021-10-21 2022-02-08 国网山西省电力公司电力科学研究院 含碳捕捉装置的综合能源系统低碳优化调度方法
CN114154907A (zh) * 2021-12-10 2022-03-08 国网上海市电力公司 一种基于实时碳排放控制的电气互联系统低碳调度方法
CN114243694A (zh) * 2021-12-15 2022-03-25 东北电力大学 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法
CN114977180A (zh) * 2022-01-21 2022-08-30 宁波市电力设计院有限公司 一种基于负荷侧灵活性资源的微电网低碳优化调度方法
CN114676886A (zh) * 2022-03-04 2022-06-28 三峡大学 基于综合需求响应和奖惩阶梯碳交易的能源枢纽主从博弈优化调度方法
CN115408808A (zh) * 2022-05-10 2022-11-29 国网河南省电力公司焦作供电公司 一种计及碳排放的能源配网系统多时间尺度优化调度方法
CN114781756A (zh) * 2022-05-24 2022-07-22 国网山东综合能源服务有限公司 考虑风-光-碳捕集-电转气综合能源系统低碳优化调度
CN115375344A (zh) * 2022-07-13 2022-11-22 太原理工大学 计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法

Also Published As

Publication number Publication date
CN115563816B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110188950B (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
Oskouei et al. Techno-economic and environmental assessment of the coordinated operation of regional grid-connected energy hubs considering high penetration of wind power
CN115241931B (zh) 基于时变电碳因子曲线的园区综合能源系统调度方法
CN113610311B (zh) 双层协同架构下考虑碳减排的综合能源服务商合作运行优化方法
Liu et al. Energy management method of integrated energy system based on collaborative optimization of distributed flexible resources
CN109586284B (zh) 考虑弃能约束的送端电力系统随机生产模拟方法及应用
CN114865631B (zh) 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法
CN114154910A (zh) 面向多能分散式资源的虚拟电厂多级聚合方法、装置及存储介质
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
CN111008739A (zh) 一种热电联产虚拟电厂优化调控及收益分配方法及系统
CN113723870B (zh) 一种分布式发电co2减排核算方法、装置、设备及介质
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
Dou et al. A decentralized multi-energy resources aggregation strategy based on bi-level interactive transactions of virtual energy plant
CN107798430A (zh) 计及可再生能源跨区消纳的竞价优化方法
CN115689166A (zh) 一种区域分布式能源资源聚合利用方法及系统
CN110021932B (zh) 双边参与的调峰辅助服务容量选取和经济模型构建方法
CN108446967A (zh) 虚拟电厂竞价方法
CN112398176B (zh) 一种考虑燃煤机组启停调峰的水火风互济系统日前优化调度方法
CN106709611A (zh) 全寿命周期框架下的微电网优化配置方法
Rizvi et al. Optimal scheduling of virtual power plants utilizing wind power and electric vehicles
CN114676878A (zh) 面向多能互补和低碳化的多区域虚拟电厂优化调度方法
CN114243691A (zh) 一种电力系统低碳优化调度方法
Yang et al. Two-stage coordinated optimal dispatching model and benefit allocation strategy for rural new energy microgrid
CN116961008A (zh) 计及电力弹簧与负荷需求响应的微电网容量双层优化方法
CN115563816B (zh) 面向低碳的光伏、风力发电并网与储能优化方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant