CN115563816B - 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 PDFInfo
- Publication number
- CN115563816B CN115563816B CN202211515116.XA CN202211515116A CN115563816B CN 115563816 B CN115563816 B CN 115563816B CN 202211515116 A CN202211515116 A CN 202211515116A CN 115563816 B CN115563816 B CN 115563816B
- Authority
- CN
- China
- Prior art keywords
- power
- carbon
- energy storage
- pies
- ess
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010248 power generation Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 208
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 199
- 235000015108 pies Nutrition 0.000 claims abstract 35
- 241001137251 Corvidae Species 0.000 claims abstract 34
- 239000007789 gas Substances 0.000 claims description 143
- 230000005611 electricity Effects 0.000 claims description 36
- 238000010438 heat treatment Methods 0.000 claims description 36
- 238000013178 mathematical model Methods 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 28
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 19
- 238000007599 discharging Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 238000011144 upstream manufacturing Methods 0.000 claims description 13
- 239000003345 natural gas Substances 0.000 claims description 10
- 238000005338 heat storage Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 13
- 238000002485 combustion reaction Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000035699 permeability Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009919 sequestration Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
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：
其中，在时间间隔
t内，、和分别为PIES的购电、售电和购气的量；和分别为中断的电功率和供热功率；和分别为电价和气价，是碳捕集设备CCE的用电价格；和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：
（2）
其中，是储能系统ESS下行的灵活性PFI，是ESS 上行的PFI，是负载侧灵活性资源LFR上行的PFI，是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
（3）
其中，在时间间隔
t内，和分别为ESS的输出充放电功率；是PIES的电力负荷需求； 是微型燃气轮机的电功率； 是电锅炉的电功率；是CCE的总电耗；是新能源出力的期望值；是可时移的电负荷；是任意时间；
加热系统的约束：
（4）
其中，在时间间隔
t内，和分别为蓄热装置HSD输出的充放电热功率；为PIES热负荷需求；是燃气锅炉的加热功率； 是可中断的热负荷功率； 是可时移的热负荷功率；是电锅炉的加热功率；
天然气供应系统的约束：
（5）
其中，是燃气锅炉的燃气功率，是微型燃气轮机的电功率，微型燃气轮机的备用容量； 是微型燃气轮机的电效率；
电源约束：
（6）
其中，和分别为购气的最高限额和最低限额；、分别为购电的最高限额和最低限额；和分别为电力销售的最高限额和最低限额； 和分别为电力购买和销售状态的二元变量；
ESS 和HSD的约束：
（7）
其中，在时间间隔
t内，是储能系统的容量，是储能系统最大放电功率；是储能系统最大充电功率；是储能系统放电功率，是储能系统初始容量，是储能系统末时刻容量，是储能系统最小容量，是储能系统最大容量，是充电最大次数，是放电最大次数；是t时刻充电状态的二元变量； 是t时刻放电状态的二元变量；是t-1时刻充电状态的二元变量；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：
其中，在时间间隔
t内，、和分别为PIES的购电、售电和购气的量；和分别为中断的电功率和供热功率；和分别为电价和气价，是碳捕集设备CCE的用电价格；和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：
其中，是储能系统ESS下行的灵活性PFI，是ESS 上行的PFI，是负载侧灵活性资源LFR上行的PFI，是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
其中，在时间间隔
t内，和分别为ESS的输出充放电功率；是PIES的电力负荷需求； 是微型燃气轮机的电功率； 是电锅炉的电功率；是CCE的总电耗；是新能源出力的期望值；是可时移的电负荷；是任意时间；
加热系统的约束：
其中，在时间间隔
t内，和分别为蓄热装置HSD输出的充放电热功率；为PIES热负荷需求；是燃气锅炉的加热功率； 是可中断的热负荷功率； 是可时移的热负荷功率；是电锅炉的加热功率；
天然气供应系统的约束：
其中，是燃气锅炉的燃气功率，是微型燃气轮机的电功率，微型燃气轮机的备用容量； 是微型燃气轮机的电效率；
电源约束：
其中，和分别为购气的最高限额和最低限额；、分别为购电的最高限额和最低限额；和分别为电力销售的最高限额和最低限额； 和分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
其中，在时间间隔
t内，是储能系统的容量，是储能系统最大放电功率；是储能系统最大充电功率；是储能系统放电功率，是储能系统初始容量，是储能系统末时刻容量，是储能系统最小容量，是储能系统最大容量，是充电最大次数，是放电最大次数；是t时刻充电状态的二元变量； 是t时刻放电状态的二元变量；是t-1时刻充电状态的二元变量；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：
其中，在时间间隔
t内，、和分别为PIES的购电、售电和购气的量；和分别为中断的电功率和供热功率；和分别为电价和气价，是碳捕集设备CCE的用电价格；和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。
（2）
其中，是储能系统ESS下行的灵活性PFI，是ESS 上行的PFI，是负载侧灵活性资源LFR上行的PFI，是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
（3）
其中，在时间间隔
t内，和分别为ESS的输出充放电功率；是PIES的电力负荷需求； 是微型燃气轮机的电功率； 是电锅炉的电功率；是CCE的总电耗；是新能源出力的期望值；是可时移的电负荷；是任意时间；
加热系统的约束：
（4）
其中，在时间间隔
t内，和分别为蓄热装置HSD输出的充放电热功率；为PIES热负荷需求；是燃气锅炉的加热功率； 是可中断的热负荷功率； 是可时移的热负荷功率；是电锅炉的加热功率；
天然气供应系统的约束：
（5）
其中，是燃气锅炉的燃气功率，是微型燃气轮机的电功率，微型燃气轮机的备用容量； 是微型燃气轮机的电效率；
电源约束：
（6）
其中，和分别为购气的最高限额和最低限额；、分别为购电的最高限额和最低限额；和分别为电力销售的最高限额和最低限额； 和分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
（7）
其中，在时间间隔
t内，是储能系统的容量，是储能系统最大放电功率；是储能系统最大充电功率；是储能系统放电功率，是储能系统初始容量，是储能系统末时刻容量，是储能系统最小容量，是储能系统最大容量，是充电最大次数，是放电最大次数；是t时刻充电状态的二元变量； 是t时刻放电状态的二元变量；是t-1时刻充电状态的二元变量；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：
（8）
其中，
m是灵活性资源的集合，是灵活性资源的功率，和分别为向上灵活性与向下灵活性，和分别为灵活性资源的向上爬升功率和向下爬升功率，是调度时间间隔，是
m的最大功率；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）：
（9）
其中，在时间间隔
t内，、和分别为MT、LFR 和 ESS上行的PFI,和分别为MT、ESS下行的PFI，和分别为MT的最大电动率和最小电功率，和分别为MT和ESS的额定容量，和分别为ESS的最大充电电功率和最大放电电功率，和分别为ESS的最大容量和最小容量， 和是ESS的充电功率和放电效率，是ESS的存储能量, 和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：
（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， 和分别为
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，。
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：
其中，是不完全伽马函数，和是形状因子，和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：
其中，在时间间隔
t内，和分别为微型燃气轮机的电功率和气功率，和分别为电功率的最大极限和最小极限， 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：
其中，在时间间隔t内，和分别为燃气锅炉的加热功率和燃气功率，和分别为电功率的最大极限和最小极限，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：
其中，在时间间隔
t内，和分别为电锅炉的加热功率和电功率，和分别为加热功率的最大极限和最小极限，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：
（15）
其中，ESS 和HSD 均包含在
CN中，是储能系统放电效率；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：
其中，在时间间隔
t内，是CCE的总电耗，其由固定电耗和运行电耗组成；为CCE捕获的CO2的理想值，为理想捕获的电力消耗系数，为系统的总碳排放量，为CCE最终捕获的CO2，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）：
（17）
其中，、和是PIES、MT和GB的碳排放配额，和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：
其中， 为PIES的实际碳排放量，为CCE捕获的碳总量，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，和分别为惩罚系数和奖励系数，是PIES的碳排放配额，是碳交易的成本；
若为正数，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：
其中，在时间间隔
t内，是负荷的中断功率，和是中断负荷的最大限制和最小限制，是负荷是否中断的二元变量，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：
其中，在时间间隔
t内，是可时间转移的负荷，和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：
（23）
其中，在时间间隔
t内，、和分别为PIES的购电、售电和购气的量；和分别为中断的电功率和供热功率；和分别为电价和气价，是碳捕集设备CCE的用电价格；和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。
（24）
其中，是储能系统ESS下行的灵活性PFI，是ESS 上行的PFI，是负载侧灵活性资源LFR上行的PFI，是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
（25）
其中，在时间间隔
t内，和分别为ESS的输出充放电功率；是PIES的电力负荷需求； 是微型燃气轮机的电功率； 是电锅炉的电功率；是CCE的总电耗；是新能源出力的期望值；是可时移的电负荷；是任意时间；
加热系统的约束：
（26）
其中，在时间间隔
t内，和分别为蓄热装置HSD输出的充放电热功率；为PIES热负荷需求；是燃气锅炉的加热功率； 是可中断的热负荷功率； 是可时移的热负荷功率；是电锅炉的加热功率；
天然气供应系统的约束：
（27）
其中，是燃气锅炉的燃气功率，是微型燃气轮机的电功率，微型燃气轮机的备用容量； 是微型燃气轮机的电效率；
电源约束：
（28）
其中，和分别为购气的最高限额和最低限额；、分别为购电的最高限额和最低限额；和分别为电力销售的最高限额和最低限额； 和分别为电力购买和销售状态的二元变量；
ESS 和 HSD的约束：
（29）
其中，在时间间隔
t内，是储能系统的容量，是储能系统最大放电功率；是储能系统最大充电功率；是储能系统放电功率，是储能系统初始容量，是储能系统末时刻容量，是储能系统最小容量，是储能系统最大容量，是充电最大次数，是放电最大次数；是t时刻充电状态的二元变量； 是t时刻放电状态的二元变量；是t-1时刻充电状态的二元变量；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：
（30）
其中，
m是灵活性资源的集合，是灵活性资源的功率，和分别为向上灵活性与向下灵活性，和分别为灵活性资源的向上爬升功率和向下爬升功率，是调度时间间隔，是
m的最大功率；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）：
（31）
其中，在时间间隔
t内，、和分别为MT、LFR 和 ESS上行的PFI,和分别为MT、ESS下行的PFI，和分别为MT的最大电动率和最小电功率，和分别为MT和ESS的额定容量，和分别为ESS的最大充电电功率和最大放电电功率，和分别为ESS的最大容量和最小容量， 和是ESS的充电功率和放电效率，是ESS的存储能量, 和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：
（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， 和分别为
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，。
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：
其中，是不完全伽马函数，和是形状因子，和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：
其中，在时间间隔
t内，和分别为微型燃气轮机的电功率和气功率，和分别为电功率的最大极限和最小极限， 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：
其中，在时间间隔t内，和分别为燃气锅炉的加热功率和燃气功率，和分别为电功率的最大极限和最小极限，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：
其中，在时间间隔
t内，和分别为电锅炉的加热功率和电功率，和分别为加热功率的最大极限和最小极限，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：
其中，ESS 和HSD 均包含在
CN中，是储能系统放电效率；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：
其中，在时间间隔
t内，是CCE的总电耗，其由固定电耗和运行电耗组成；为CCE捕获的CO2的理想值，为理想捕获的电力消耗系数，为系统的总碳排放量，为CCE最终捕获的CO2，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）：
其中，、和是PIES、MT和GB的碳排放配额，和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：
（42）
其中， 为PIES的实际碳排放量，为CCE捕获的碳总量，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，和分别为惩罚系数和奖励系数，是PIES的碳排放配额，是碳交易的成本；
若为正数，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：
其中，在时间间隔
t内，是负荷的中断功率，和是中断负荷的最大限制和最小限制，是负荷是否中断的二元变量，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：
其中，在时间间隔
t内，是可时间转移的负荷，和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：
表1
PIES电力分时电价，见表2：
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：，；中断补偿参数：。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F1：
其中，在时间间隔t内，
和
分别为PIES的购电、售电和购气的量；
和
分别为中断的电功率和供热功率；ωDJ,t和ωQJ,t分别为电价和气价，
是碳捕集设备CCE的用电价格；
和Sre,MT分别为微型燃气轮机MT的启动成本和启动变量，
是CCE的总电耗，
是碳交易的成本；
灵活性目标F2：
其中，FESSdown,t是储能系统ESS下行的灵活性PFI，FESSup,t是ESS上行的PFI，FLFRup,t是负载侧灵活性资源LFR上行的PFI，EMTup,t是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
其中，在时间间隔t内，
为ESS的输出放电功率,
为ESS的输出充电功率；
是PIES的电力负荷需求；
是微型燃气轮机的电功率；
是电锅炉的电功率；
是CCE的总电耗；EVRE,t是新能源出力的期望值；
是可时移的电负荷功率；
是任意时间；
加热系统的约束：
其中，在时间间隔t内，
为蓄热装置HSD输出的放电热功率，
为蓄热装置HSD输出的充电热功率；
为PIES热负荷需求；
是燃气锅炉的加热功率；
是可中断的热负荷功率；
是可时移的热负荷功率；
是电锅炉的加热功率；
天然气供应系统的约束：
其中，
是燃气锅炉的燃气功率，
是微型燃气轮机的电功率，
微型燃气轮机的备用容量；
是微型燃气轮机的电效率；
电源约束：
其中，
和
分别为购气的最高限额和最低限额；
分别为购电的最高限额和最低限额；
和
分别为电力销售的最高限额和最低限额；ubuy,e和usell,e分别为电力购买和销售状态的二元变量；
ESS和HSD的约束：
其中，在时间间隔t内，
是储能系统的容量，
是储能系统最大放电功率；
是储能系统最大充电功率；
是储能系统放电功率，
是储能系统初始容量，
是储能系统末时刻容量，
是储能系统最小容量，
是储能系统最大容量，NCN-c是充电最大次数，NCN-d是放电最大次数；
是t时刻充电状态的二元变量；
是t时刻放电状态的二元变量；
是t-1时刻充电状态的二元变量；
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：
其中，m是灵活性资源的集合，
是灵活性资源的功率，fmup,t和fmdown,t分别为向上灵活性与向下灵活性，
和
分别为灵活性资源的向上爬升功率和向下爬升功率，Δt是调度时间间隔，
是m的最大功率；
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)：
其中，在时间间隔t内，FMTup,t、FLFRup,t和FESSup,t分别为MT、LFR和ESS上行的PFI,FESSdown,t和FMTdown,t分别为MT、ESS下行的PFI，
和
分别为MT的最大电动率和最小电功率，
和ESSN分别为MT和ESS的额定容量，
和
分别为ESS的最大充电电功率和最大放电电功率，
和
分别为ESS的最大容量和最小容量，ηESSch和ηESSdc是ESS的充电功率和放电效率，
是ESS的存储能量,
和
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：
其中，V是风力机组的实际风速，Vci是切入风速，VN是风机的额定风速，PWT和PN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，h＝VN/Vci-1。
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：
其中，Γ是不完全伽马函数，α和β是形状因子，PPV和
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：
其中，在时间间隔t内，
和
分别为微型燃气轮机的电功率和气功率，
和
分别为电功率的最大极限和最小极限，
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：
其中，在时间间隔t内，
和
分别为燃气锅炉的加热功率和燃气功率，
和
分别为电功率的最大极限和最小极限，
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：
其中，在时间间隔t内，
和
分别为电锅炉的加热功率和电功率，
和
分别为加热功率的最大极限和最小极限，
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：
其中，ESS和HSD均包含在CN中，ηCNdc是储能系统放电效率；ηCNch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：
其中，在时间间隔t内，
是CCE的总电耗，其由固定电耗
和运行电耗
组成；
为CCE捕获的CO2的理想值，ζccs为理想捕获的电力消耗系数，
为系统的总碳排放量，
为CCE最终捕获的CO2，μCCS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：
其中，
为PIES的实际碳排放量，
为CCE捕获的碳总量，
为CCE捕获的PIES系统的碳排放量，l为碳交易区间步长，κ为碳排放交易的价格，μ和λ分别为惩罚系数和奖励系数，EPIES是PIES的碳排放配额，
是碳交易的成本；
若
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
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：
其中，EPIES、EMT和EGB是PIES、MT和GB的碳排放配额，ρe和ρh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：
其中，在时间间隔t内，
是负荷的中断功率，
和
是中断负荷的最大限制和最小限制，Ut,cut是负荷是否中断的二元变量，
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：
其中，在时间间隔t内，
是可时间转移的负荷，
和
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F1：
其中，在时间间隔t内，
和
分别为PIES的购电、售电和购气的量；
和
分别为中断的电功率和供热功率；ωDJ,t和ωQJ,t分别为电价和气价，
是碳捕集设备CCE的用电价格；
和Sre,MT分别为微型燃气轮机MT的启动成本和启动变量，
是CCE的总电耗，
是碳交易的成本；
灵活性目标F2：
其中，FESSdown,t是储能系统ESS下行的灵活性PFI，FESSup,t是ESS上行的PFI，FLFRup,t是LFR上行的PFI，FMTup,t是MT上行的PFI；
第二：约束条件
电力供应系统的约束：
其中，在时间间隔t内，
为ESS的输出放电功率,
为ESS的输出充电功率；
是PIES的电力负荷需求；
是微型燃气轮机的电功率；
是电锅炉的电功率；
是CCE的总电耗；EVRE,t是新能源出力的期望值；
是可时移的电负荷功率；
是任意时间；
加热系统的约束：
其中，在时间间隔t内，
为蓄热装置HSD输出的放电热功率，
为蓄热装置HSD输出的充电热功率；
为PIES热负荷需求；
是燃气锅炉的加热功率；
是可中断的热负荷功率；
是可时移的热负荷功率；
是电锅炉的加热功率；
天然气供应系统的约束：
其中，
是燃气锅炉的燃气功率，
是微型燃气轮机的电功率，
微型燃气轮机的备用容量；
是微型燃气轮机的电效率；
电源约束：
其中，
和
分别为购气的最高限额和最低限额；
分别为购电的最高限额和最低限额；
和
分别为电力销售的最高限额和最低限额；ubuy,e和usell,e分别为电力购买和销售状态的二元变量；
ESS和HSD的约束：
其中，在时间间隔t内，
是储能系统的容量，
是储能系统最大放电功率；
是储能系统最大充电功率；
是储能系统放电功率，
是储能系统初始容量，
是储能系统末时刻容量，
是储能系统最小容量，
是储能系统最大容量，NCN-c是充电最大次数，NCN-d是放电最大次数；
是t时刻充电状态的二元变量；
是t时刻放电状态的二元变量；
是t-1时刻充电状态的二元变量；
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：
其中，m是灵活性资源的集合，
是灵活性资源的功率，fmup,t和fmdown,t分别为向上灵活性与向下灵活性，
和
分别为灵活性资源的向上爬升功率和向下爬升功率，Δt是调度时间间隔，
是m的最大功率；
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)：
其中，在时间间隔t内，FMTup,t、FLFRup,t和FESSup,t分别为MT、LFR和ESS上行的PFI,FESSdown,t和FMTdown,t分别为MT、ESS下行的PFI，
和
分别为MT的最大电动率和最小电功率，
和ESSN分别为MT和ESS的额定容量，
和
分别为ESS的最大充电电功率和最大放电电功率，
和
分别为ESS的最大容量和最小容量，ηESSch和ηESSdc是ESS的充电功率和放电效率，
是ESS的存储能量,
和
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：
其中，V是风力机组的实际风速，Vci是切入风速，VN是风机的额定风速，PWT和PN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，h＝VN/Vci-1。
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：
其中，Γ是不完全伽马函数，α和β是形状因子，PPV和
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：
其中，在时间间隔t内，
和
分别为微型燃气轮机的电功率和气功率，
和
分别为电功率的最大极限和最小极限，
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：
其中，在时间间隔t内，
和
分别为燃气锅炉的加热功率和燃气功率，
和
分别为电功率的最大极限和最小极限，
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：
其中，在时间间隔t内，
和
分别为电锅炉的加热功率和电功率，
和
分别为加热功率的最大极限和最小极限，
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：
其中，ESS和HSD均包含在CN中，ηCNdc是储能系统放电效率；ηCNch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：
其中，在时间间隔t内，
是CCE的总电耗，其由固定电耗
和运行电耗
组成；
为CCE捕获的CO2的理想值，ζccs为理想捕获的电力消耗系数，
为系统的总碳排放量，
为CCE最终捕获的CO2，μCCS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：
其中，
为PIES的实际碳排放量，
为CCE捕获的碳总量，
为CCE捕获的PIES系统的碳排放量，l为碳交易区间步长，κ为碳排放交易的价格，μ和λ分别为惩罚系数和奖励系数，EPIES是PIES的碳排放配额，
是碳交易的成本；
若
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
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：
其中，EPIES、EMT和EGB是PIES、MT和GB的碳排放配额，ρe和ρh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：
其中，在时间间隔t内，
是负荷的中断功率，
和
是中断负荷的最大限制和最小限制，Ut,cut是负荷是否中断的二元变量，
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：
其中，在时间间隔t内，
是可时间转移的负荷，
和
分别为中断负荷的最大极限和最小极限。
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 CN115563816A (zh) | 2023-01-03 |
| CN115563816B true 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (8)
| 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 |
| CN114243694B (zh) * | 2021-12-15 | 2023-09-15 | 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 |
| 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 |
-
2022
- 2022-11-30 CN CN202211515116.XA patent/CN115563816B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115563816A (zh) | 2023-01-03 |
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 | |
| CN111008739B (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 | |
| 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 | |
| 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 | |
| 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 | |
| CN111210079B (zh) | 一种分布式能源虚拟电厂运行优化方法及系统 | |
| 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 | |
| Dou et al. | A decentralized multi-energy resources aggregation strategy based on bi-level interactive transactions of virtual energy plant | |
| CN114936720A (zh) | 一种源-荷-储协调的综合能源系统低碳经济调度方法 | |
| CN115423260A (zh) | 一种电力市场及政策服务新能源利用的量化分析方法 | |
| CN115689166A (zh) | 一种区域分布式能源资源聚合利用方法及系统 | |
| CN108446967A (zh) | 虚拟电厂竞价方法 | |
| Rizvi et al. | Optimal scheduling of virtual power plants utilizing wind power and electric vehicles | |
| 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 | |
| CN115936336B (zh) | 一种虚拟电厂容量配置与调控运行优化方法 | |
| CN116914733A (zh) | 一种基于多类型需求响应与储热改造的电力系统低碳经济调度方法 | |
| 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 | |
| Zhang et al. | A Two-Stage Optimization Model of Capacity Allocation and Regulation Operation for Virtual Power Plant | |
| CN114825466A (zh) | 一种天然气和水资源协调发电优化运行方法 | |
| CN114243691A (zh) | 一种电力系统低碳优化调度方法 | |
| Na et al. | Coordination and optimization model of wind power grid integrated system considering demand response | |
| Yang et al. | Two-stage coordinated optimal dispatching model and benefit allocation strategy for rural new energy microgrid | |
| Parastegari et al. | Coordinated scheduling of renewable energy sources in the unit commitment problem: a review of recent literature |
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 |