CN115879651A - 考虑电动汽车参与的综合能源系统低碳优化方法及装置 - Google Patents

考虑电动汽车参与的综合能源系统低碳优化方法及装置 Download PDF

Info

Publication number
CN115879651A
CN115879651A CN202310138832.9A CN202310138832A CN115879651A CN 115879651 A CN115879651 A CN 115879651A CN 202310138832 A CN202310138832 A CN 202310138832A CN 115879651 A CN115879651 A CN 115879651A
Authority
CN
China
Prior art keywords
power
time
electric
model
output
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
Application number
CN202310138832.9A
Other languages
English (en)
Inventor
孟庆霖
祖国强
靳小龙
药炜
赵金
许良
王瑞
仝新宇
张胜
章凯
孙京生
王一
李盛伟
肖茂祥
孙宝平
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
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
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, 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 CN202310138832.9A priority Critical patent/CN115879651A/zh
Publication of CN115879651A publication Critical patent/CN115879651A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑电动汽车参与的综合能源系统低碳优化方法及装置。包括：建立IES调度优化模型，包括：建立综合能源系统的设备功率模型；建立对碳排放总量分级控制的碳交易模型；根据综合能源系统中的热电联产机组的电功率、分布式电源出力、用户侧负荷、分布式电源出力和用户侧负荷的匹配系数，建立计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型；根据电动汽车数量、参数、充电时间和行驶距离，建立电动汽车充电负荷模型；设置以综合能源系统运行成本最小为目标的目标函数；设置综合能源系统的约束条件；对IES调度优化模型进行求解，根据求解结果进行调度。能够降低IES运行成本，提升风电、光伏上网率，降低EV运行成本。

Description

考虑电动汽车参与的综合能源系统低碳优化方法及装置
技术领域
本发明涉及能源调度技术领域，特别涉及一种考虑电动汽车参与的综合能源系统低碳优化方法及装置。
背景技术
随着人们对于能源需求的日益增长，化石能源日渐短缺。同时，化石能源燃烧所带来的环境污染问题也不容忽视。风电、光伏等清洁能源为解决以上问题提供了可行方向。然而风电、光伏具有很强的随机性及波动性，如何提升风电、光伏的上网空间，并降低化石能源带来的污染成为了当下研究的热点。
目前对综合能源系统（Integrated Energy Systems，IES）低碳调度优化方面的研究，主要集中在碳交易机制方面。例如，采用碳捕集技术在发电机组进行能源转化时，将排放的CO2进行捕集，从能源生产侧降低了IES的碳排放问题。然而，热电联产机组加装碳捕集技术难度大，成本高。又如，在IES的能源转化设备中引入了电转气（P2G）技术，通过将IES产生的CO2转化为天然气来降低IES的碳排放问题。又如，将CCUS技术与P2G技术相结合。或者，将碳捕集技术与P2G技术相结合，从能源转化的角度对CO2利用情况进行分析，验证了二者结合对于降低系统碳排放方面的有效性。然而以上研究大多是考虑了从发电商的角度来激励其提升清洁能源发电占比，或者采用能源转化设备来提升清洁能源上网空间，从而降低IES的碳排放问题，不涉及从负荷侧对IES的低碳调度优化问题进行解决。
电动汽车(EV)具有很强的灵活性，能够根据用户从侧的用电负荷以及风电、光伏的出力时刻来调整其充电负荷，从而辅助IES进行调峰并参与调度。例如，建立EV共享储能电站模型，通过对多园区进行利益分配分析了EV在IES中参与调度对于提升系统中清洁能源出力占比方面的有效性。又如，构建含电动汽车的IES调度优化模型，利用需求响应技术调整EV充电负荷辅助IES提升风电、光伏的消纳水平。或者，从网-荷两个不同的角度进行建模分析，挖掘电网结构侧的风电消纳能力。或者，通过共享储能技术与需求响应技术相结合，挖掘EV参与IES调度的能力。然而以上研究只考虑了电动汽车无序充电所起到的调节作用，风电、光伏的上网空间仍有待进一步提升。
发明内容
为了解决上述问题，发明人做出本发明，通过具体实施方式，提供一种考虑电动汽车参与的综合能源系统低碳优化方法及装置。
第一方面，本发明实施例提供一种考虑电动汽车参与的综合能源系统低碳优化方法，包括以下步骤：
建立IES调度优化模型，包括：建立综合能源系统的设备功率模型；建立对碳排放总量分级控制的碳交易模型；根据综合能源系统中的热电联产机组的电功率、分布式电源出力、用户侧负荷、分布式电源出力和用户侧负荷的匹配系数，建立计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型；根据电动汽车数量、参数 、充电时间和行驶距离，建立电动汽车充电负荷模型；设置以综合能源系统运行成本最小为目标的目标函数；设置综合能源系统的约束条件；对所述IES调度优化模型进行求解，根据求解结果，进行调度。
第二方面，本发明实施例提供一种考虑电动汽车参与的综合能源系统低碳优化装置，包括IES调度优化模型，所述IES调度优化模型包括：模型构建模块，用于建立综合能源系统的设备功率模型；建立对碳排放总量分级控制的碳交易模型；根据综合能源系统中的热电联产机组的电功率、分布式电源出力、用户侧负荷、分布式电源出力和用户侧负荷的匹配系数，建立计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型；根据电动汽车数量、参数 、充电时间和行驶距离，建立电动汽车充电负荷模型；目标函数设置模块，用于设置以综合能源系统运行成本最小为目标的目标函数；约束条件设置模块，用于设置综合能源系统的约束条件；IES调度模块，用于对所述IES调度优化模型进行求解，根据求解结果，进行调度。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的考虑电动汽车参与的综合能源系统低碳优化方法。
本发明实施例提供的上述技术方案的有益效果至少包括：本发明提出的IES调度优化模型更能激励能源发电商提升清洁能源上网空间，有利于风电、光伏并网；提出的IES调度优化模型中，EV有序充电更有利于参与IES调度，通过动态电价调整电动汽车充电负荷，使之适应风电、光伏出力情况，从而提升风电、光伏上网空间；本发明提出的IES调度优化方案，能够明显降低电动汽车运行成本，有利于发挥二者在提升风电、光伏上网空间的优势，从而大幅度降低系统的运行成本并提升风电、光伏上网率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中考虑电动汽车参与的综合能源系统低碳优化方法流程图；
图2为本发明实施例中IES结构示意图；
图3为本发明实施例中电负荷与分布式电源出力匹配系数输出流程图；
图4为本发明实施例中预测数据的电负荷时间曲线图；
图5a为本发明实施例中场景3下IES中各能源转化设备电功率出力情况示意图；
图5b为本发明实施例中场景3下IES中各能源转化设备热功率出力情况示意图；
图6为本发明实施例中动态电价与分时电价曲线图；
图7为本发明实施例中EV无序充电负荷和动态电价引导下EV’充电负荷对比曲线图；
图8a为本发明实施例中场景4下IES中各能源转化设备电功率出力情况示意图；
图8b为本发明实施例中场景4下IES中各能源转化设备热功率出力情况示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。为了解决现有技术中存在的问题，本发明实施例提供一种考虑电动汽车参与的综合能源系统低碳优化方法及装置。
实施例一
本发明实施例一提供一种考虑电动汽车参与的综合能源系统低碳优化方法，其流程如图1所示，包括以下步骤：
步骤S1：建立IES调度优化模型，包括：建立综合能源系统的设备功率模型；建立对碳排放总量分级控制的碳交易模型；根据综合能源系统中的热电联产机组的电功率、分布式电源出力、用户侧负荷、分布式电源出力和用户侧负荷的匹配系数，建立计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型；根据电动汽车数量、参数 、充电时间和行驶距离，建立电动汽车充电负荷模型。
本实施例所构建的综合能源系统结构如图2所示。从图2中可以看出，该综合能源系统结构中，包括了电能、热能、天然气能三种不同性质的能源形式。电网结构中包括了风电、光伏、蓄电池，通过与上级电网交互来满足电负荷的供给。同时，电动汽车集群也是通过上级电网实现电能交互的。热网结构中则包括了由上级电网供能的燃气轮机输出的热功率以及电锅炉输出的热功率来满足用户热负荷的需要。
可选的，建立综合能源系统的设备功率模型，包括以下步骤：分别建立综合能源系统中热电联产机组功率模型、电锅炉功率模型、蓄电池功率模型、储热系统功率模型。热电联产机组（CHP）具有便捷、高效等一系列优点，常用于综合能源系统中的电负荷及热负荷的供给。其主要通过天然气供能将其转化为电能和热能。热电联产机组由燃气轮机、吸收式制冷机等设备组成。天然气输入至燃气轮机可输出电能及热能，由余热回收装置将热能回收，从而进一步输出热能。因为可以同产生电能和热能，所以叫热电联产机组。
可选的，所述热电联产机组功率模型，具体为：
Figure SMS_1
，其中，/>
Figure SMS_6
为燃气轮机t时刻输出的电功率，/>
Figure SMS_7
为天然气功率转化为电功率的转化系数，/>
Figure SMS_3
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure SMS_4
为天然气的低热值，
Figure SMS_8
为燃气轮机t时刻输出的余热功率，/>
Figure SMS_9
为燃气轮机余热损耗系数，/>
Figure SMS_2
为余热回收装置t时刻输出的热功率，/>
Figure SMS_5
为余热回收系数。/>
电锅炉具有高效的热电转化性能，能够将电能直接转化为热能。可选的，所述电锅炉功率模型，具体为：
Figure SMS_10
，式中，/>
Figure SMS_11
为电锅炉t时刻输出的热功率，/>
Figure SMS_12
为电锅炉的电热转化效率，/>
Figure SMS_13
为电锅炉t时刻消耗的电能。
可选的，所述蓄电池功率模型，具体为：
Figure SMS_14
，式中，/>
Figure SMS_15
为t时刻蓄电池中的储电总量，/>
Figure SMS_16
为蓄电池的电能损耗系数，
Figure SMS_17
、/>
Figure SMS_18
分别为蓄电池的储电、放电效率，/>
Figure SMS_19
、/>
Figure SMS_20
分别为t时刻蓄电池储电、放电功率。
可选的，所述储热系统功率模型，具体为：
Figure SMS_23
，式中，/>
Figure SMS_25
为t时刻储热系统中的储热总量，/>
Figure SMS_27
为储热系统的热能损耗系数，
Figure SMS_22
为t-1时刻储热系统中的储热总量，/>
Figure SMS_24
、/>
Figure SMS_26
分别为储热系统的储热效率、放热效率，/>
Figure SMS_28
、/>
Figure SMS_21
分别为t时刻储热系统的储热功率、放热功率。
本实施例所提供的考虑阶梯型碳交易机制及电动汽车有序充电的IES调度优化模型中，主要的碳排放来源为燃气轮机出力以及向上级电网购电。其中，上级电网购电的电能由配电网与电网交互而来，默认为是火电机组出力所得。然而，传统的碳交易模型仅仅是根据碳排放强度与免费碳排放配额之间的关系进行建模，使得能源发电商缺少了对于节能减排动力。阶梯型碳交易机制通过对碳排放总量进行分级控制，能够有效的调动能源发电商关于节能减排方面的积极性。可建立阶梯型碳交易机制模型如下：免费碳排放配额、实际碳排放总量计算、碳交易成本计算。
可选的，建立对碳排放总量分级控制的碳交易模型，采用基准线法则建立免费的碳排放配额，主要包括燃气轮机以及上级电网购电两个部分，包括以下步骤：建立免费碳排放配额模型：
Figure SMS_29
Figure SMS_30
Figure SMS_33
，其中，/>
Figure SMS_36
为综合能源系统总体免费碳排放额，/>
Figure SMS_39
为综合能源系统向上级电网购电碳排放额，/>
Figure SMS_32
为CHP机组免费碳排放额，/>
Figure SMS_35
为购电免费碳排放系数，/>
Figure SMS_38
为t时刻向上级电网购电量，/>
Figure SMS_41
表示时间段，T表示调度周期，/>
Figure SMS_31
为CHP机组免费碳排放系数，
Figure SMS_34
表示CHP机组t时刻输出的余热功率，/>
Figure SMS_37
表示CHP机组t时刻输出的电功率，
Figure SMS_40
为电热转化系数；
建立实际碳排放总量模型：
Figure SMS_43
，其中，/>
Figure SMS_49
为综合能源系统实际碳排放总量，/>
Figure SMS_52
为综合能源系统向上级电网购电实际碳排放总量，/>
Figure SMS_45
为CHP机组实际碳排放总量，/>
Figure SMS_48
、/>
Figure SMS_51
、/>
Figure SMS_54
分别为燃煤机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure SMS_42
为t时刻向上级电网购电量，/>
Figure SMS_46
、/>
Figure SMS_50
、/>
Figure SMS_53
分别为CHP机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure SMS_44
为燃气轮机t时刻输出的电功率，/>
Figure SMS_47
为余热回收装置t时刻输出的热功率。计算IES中实际碳排放总量采用二次函数模型，为便于计算，本实施例采用分段线性化方法将该非线性模型转化为线性模型。
建立碳交易成本模型：
Figure SMS_55
其中，Fcar表示碳排放成本，
Figure SMS_56
为碳交易基准价格系数，/>
Figure SMS_57
为碳排放超额价格增长系数，d为碳排放总量区间长度，/>
Figure SMS_58
为综合能源系统总体免费碳排放额，/>
Figure SMS_59
为综合能源系统实际碳排放总量。为进一步激励能源发电商参与碳交易机制，本实施例对传统的碳交易模型进行调整，采用阶梯型碳交易模型。该模型的原理是：对碳交易成本分段、分阶梯进行计算，当碳排放总量大于当前可排放碳总量时，则采用下一阶段的成本计算模型进行计算。同时，当能源发电商的碳排放尽可能小时，所能够获得的碳交易利润也会随之增加。通过这样一种方式，增强了能源发电商的参与节能减排的积极性。
为有效的调动负荷侧参与风电等可再生能源消纳的能力，电力市场会通过制定电价来引导负荷侧调整用能需要，通常会采用峰谷分时电价以及实时电价等方式来制定指导电价，从而以此带动负荷侧调节的积极性。在不考虑电动汽车参与时，分时电价可以根据负荷需求及风电出力情况，通过设置峰时、平时、谷时三种时刻的电价。这种定价方式的优点是简单方便，分时电价具体的数学模型为：
Figure SMS_61
，其中，/>
Figure SMS_64
为t时刻的分时电价，/>
Figure SMS_66
、
Figure SMS_62
、/>
Figure SMS_63
分别为峰时电价、平时电价、谷时电价，/>
Figure SMS_65
、/>
Figure SMS_67
、/>
Figure SMS_60
分别为峰时区间、平时区间、谷时区间。然而，在考虑电动汽车参与时，由于电动汽车的充电负荷影响了用户侧的负荷情况，从而影响分时电价对负荷的调节效用。因此，为了进一步增强电动汽车参与IES消纳风电的能力，本实施例采用一种考虑风电出力与用户侧用能负荷想匹配的动态定价方法。可选的，所述计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型，具体为：
Figure SMS_68
Figure SMS_69
Figure SMS_70
其中，
Figure SMS_72
为t时刻的分时电价，/>
Figure SMS_77
、/>
Figure SMS_79
、/>
Figure SMS_73
分别为峰时电价、平时电价、谷时电价，/>
Figure SMS_76
、/>
Figure SMS_80
、/>
Figure SMS_82
分别为峰时区间、平时区间、谷时区间，/>
Figure SMS_71
为t时刻的动态电价，/>
Figure SMS_75
为t时刻燃气轮机供电电价，/>
Figure SMS_78
为t时刻的电负荷，/>
Figure SMS_81
为t时刻的分布式电源出力，/>
Figure SMS_74
为燃气轮机t时刻输出的电功率，m为动态电价系数，h为电负荷与分布式电源出力的匹配系数。
可选的，确定电负荷与分布式电源出力的匹配系数h，如图3所示，包括以下步骤：采用纵横交叉算法，对纵横交叉算法参数、电负荷与分布式电源出力的匹配系数h、h对应种群内的粒子X进行初始化；将h传入上层所述IES调度优化模型中，计算运行成本及机组出力；横向交叉，利用初始种群内的粒子X进行横向交叉，计算适应度Shc，与父代适应度值比较，更新X，
Figure SMS_84
，/>
Figure SMS_90
、/>
Figure SMS_94
分别为[0，1]之间的随机数，/>
Figure SMS_86
、/>
Figure SMS_88
分别为[-1，1]之间的随机数，/>
Figure SMS_92
、/>
Figure SMS_96
分别是父代种群中粒子，/>
Figure SMS_83
和/>
Figure SMS_89
的第d维，/>
Figure SMS_93
和/>
Figure SMS_97
为粒子编号，/>
Figure SMS_85
为粒子
Figure SMS_87
的适应度，/>
Figure SMS_91
为粒子/>
Figure SMS_95
的适应度；纵向交叉，假设粒子X的第d1、d2维度元素参与纵向交叉，利用下式计算适应度中间解Svc，此时适应度值计算结束，与X值进行比较，保留最优解，得到联合成本最低时对应的h，
Figure SMS_98
，
Figure SMS_99
是父代种群中粒子/>
Figure SMS_100
的第d1维，/>
Figure SMS_101
是父代种群中粒子/>
Figure SMS_102
的第d2维，r为[0，1]之间的随机数，/>
Figure SMS_103
为粒子/>
Figure SMS_104
的适应度中间解；判断是否满足预设的迭代次数，当不满足预设的迭代次数时，将h传入上层所述IES调度优化模型中，计算运行成本及机组出力，再次进行迭代，当满足预设的迭代次数时，输出h。
区域内电动汽车由于其分布的分散性、充电时间的随机性以及充电行为的不确定性等问题，导致区域内电动汽车群的充电负荷难以预测。区域内电动汽车的用电负荷主要跟以下几个方面有关，即：电动汽车数量、电动汽车参数 、充电时刻以及日常通勤时电动汽车行驶的距离等方面有关。可选的，根据电动汽车数量、参数 、充电时间和行驶距离，建立电动汽车充电负荷模型，包括以下步骤：通过蒙特卡洛模拟算法将区域内每辆电动汽车在每时刻的充电负荷进行叠加：
Figure SMS_105
，式中，/>
Figure SMS_106
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，i为电动汽车编号，N为区域内电动汽车的总数量，/>
Figure SMS_107
为t时刻第i辆电动汽车的充电负荷。通过蒙特卡洛模拟算法将区域内每辆电动汽车在各时刻的充电负荷进行叠加可以得到区域内电动汽车的充电负荷曲线。
根据统计调查数据，电动汽车日常通勤时的出勤时间、返回充电站的时间符合正态分布的规律。电动汽车行驶回家的时间服从期望为
Figure SMS_108
、方差为/>
Figure SMS_109
的正态分布，对应的概率密度函数/>
Figure SMS_110
为：
Figure SMS_111
，t对应电动汽车行驶回家的时间；/>
Figure SMS_112
取值为3.41；/>
Figure SMS_113
取值为17.47；
电动汽车日常通勤所能够行驶的里程，由于与电动汽车的参数有关，电动汽车通勤行驶的里程服从期望为
Figure SMS_119
、方差为/>
Figure SMS_118
的正态分布，对应的正态分布函数：
Figure SMS_128
，s对应电动汽车通勤行驶的里程，/>
Figure SMS_117
取值为3.24，
Figure SMS_124
取值为8.92；根据电动汽车电池的额定参数以及行驶距离，建立电动汽车初始荷电状态模型如下：/>
Figure SMS_116
，式中，i表示电动汽车编号，/>
Figure SMS_126
表示第i辆电动汽车初始荷电状态，/>
Figure SMS_120
表示第i辆电动汽车行驶单位距离所消耗的电能，/>
Figure SMS_129
表示第i辆电动汽车电池的额定容量，/>
Figure SMS_114
为充电系数；根据电动汽车的充电功率以及电池的荷电状态，得到对应的充电时间模型如下：/>
Figure SMS_123
，即
Figure SMS_121
，式中，/>
Figure SMS_127
为第i辆电动汽车的充电时间，/>
Figure SMS_122
表示第i辆电动汽车行驶单位距离所消耗的电能，/>
Figure SMS_125
为充电系数，/>
Figure SMS_115
为电动汽车的充电功率。
步骤S2：设置以综合能源系统运行成本最小为目标的目标函数。
可选的，设置以综合能源系统运行成本最小为目标的目标函数，包括以下步骤：以综合能源系统运行成本最小为调度目标，计及购电成本
Figure SMS_131
、购气成本/>
Figure SMS_134
、碳排放成本/>
Figure SMS_137
、电动汽车参与电网调度成本/>
Figure SMS_133
，目标函数具体为：
Figure SMS_135
，式中，/>
Figure SMS_139
为天然气价格系数，T为调度周期，本实施例为日前调度优化模型，取调度周期为一天24小时，/>
Figure SMS_141
为t时刻的分时电价，/>
Figure SMS_130
为t时刻向上级电网购电量，/>
Figure SMS_136
表示时间段，取1小时或其他时间长度，
Figure SMS_138
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure SMS_140
为t时刻的动态电价，
Figure SMS_132
为t时刻区域内全部电动汽车动态电价引导下的充电负荷。
步骤S3：设置综合能源系统的约束条件。
可选的，设置综合能源系统的约束条件，包括以下步骤：设置电功率平衡约束：
Figure SMS_144
，式中，/>
Figure SMS_147
为t时刻向上级电网购电量，/>
Figure SMS_150
为燃气轮机t时刻输出的电功率，/>
Figure SMS_143
为光伏电站在t时刻的实际出力，/>
Figure SMS_146
为风电机组在t时刻的实际出力，/>
Figure SMS_149
为t时刻蓄电池放电功率，/>
Figure SMS_151
为t时刻的电负荷，/>
Figure SMS_142
为t时刻蓄电池储电功率，/>
Figure SMS_145
为电锅炉t时刻消耗的电能，/>
Figure SMS_148
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷；
设置热功率平衡约束：
Figure SMS_152
，式中，/>
Figure SMS_153
为余热回收装置t时刻输出的热功率，/>
Figure SMS_154
为电锅炉t时刻输出的热功率，/>
Figure SMS_155
为t时刻储热系统的放热功率，/>
Figure SMS_156
为t时刻的热负荷，/>
Figure SMS_157
为t时刻储热系统的储热功率；
设置燃气轮机出力约束：
Figure SMS_158
，式中，/>
Figure SMS_159
为燃气轮机t时刻输出的电功率，/>
Figure SMS_160
、/>
Figure SMS_161
分别为CHP机组输出电功率下限、上限；
设置电锅炉运行约束：
Figure SMS_162
，式中，/>
Figure SMS_163
、
Figure SMS_164
分别为电锅炉输出热功率下限、上限，/>
Figure SMS_165
为电锅炉t时刻消耗的电能；
设置EES运行约束：
Figure SMS_167
，
Figure SMS_170
为t时刻蓄电池储电功率，/>
Figure SMS_172
为蓄电池充电功率上限，/>
Figure SMS_168
为t时刻蓄电池放电功率，/>
Figure SMS_169
为蓄电池放电功率上限，/>
Figure SMS_171
为t时刻蓄电池中的储电总量，/>
Figure SMS_173
为蓄电池荷电状态下限，/>
Figure SMS_166
为蓄电池荷电状态上限；
设置THE运行约束：
Figure SMS_175
，式中，/>
Figure SMS_177
为t时刻储热系统的储热功率，/>
Figure SMS_179
为储热系统充电功率上限，/>
Figure SMS_176
为t时刻储热系统的放热功率，/>
Figure SMS_178
为储热系统放电功率上限，
Figure SMS_180
为t时刻储热系统中的储热总量，/>
Figure SMS_181
、/>
Figure SMS_174
分别为储热系统储热容量上限、下限；
设置分布式电源出力约束：
Figure SMS_183
，式中，/>
Figure SMS_185
为风电机组在t时刻的实际出力，/>
Figure SMS_187
为风电机组预测出力，/>
Figure SMS_184
为光伏电站在t时刻的实际出力，/>
Figure SMS_186
为光伏电站预测出力；电动汽车用户在参与电网调度时，可以根据需要对充电负荷进行调整，然而为满足通勤的需要，电动汽车负荷总量需要保持在一个调度周期内不变。设置电动汽车运行约束：/>
Figure SMS_188
，式中，/>
Figure SMS_189
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，/>
Figure SMS_182
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷。
步骤S4：对所述IES调度优化模型进行求解，根据求解结果，进行调度。
在IES调度优化模型中，为了进一步凸显电动汽车参与调度的灵活性，以及对IES消纳风电、光伏并降低系统碳排放方面的有效性，建立了混合整数线性规划模型。
可选的，对所述IES调度优化模型进行求解，包括以下步骤：采用分段线性化的方法将所述IES调度优化模型中的非线性部分转化为线性，得到混合整数线性规划模型；调用cplex求解器对所述混合整数线性规划模型进行求解。可选的，通过Matlab平台编程调用cplex求解器进行求解。
在一些具体的实施例中，以图4所示IES结构为例进行仿真分析。该IES中包括了一台额定容量为400kW的燃气轮机、一台额定容量为400kW的风电机组、一座额定容量为400kW的光伏电站、一台电锅炉、一台蓄电池、一座储热系统以及数量为400辆的EV集群。蓄电池及储热系统参数见表1；风电、光伏、电负荷、热负荷以及EV预测数据见图4。碳交易价格为0.21$/kg，天然气价格为2.54$/m3，联络线传输容量上限为400kW，燃气轮机电能、热能转化效率分别为0.35、0.4125。
表1 能源存储设备参数
Figure SMS_190
为了验证本实施例所提模型的有效性。下面将对IES是否参与碳交易以及是否考虑电动汽车参与进行场景划分。如表2所示：划分六种场景来验证所提模型的有效性，其中，场景4为考虑阶梯型碳交易机制及EV有序充电的IES低碳调度优化模型，也即本实施例所采用的模型。
表2 不同常见场景划分
Figure SMS_191
如表3所示为四种不同场景下，IES的最优运行成本。从表3中可以看出，基础场景下IES运行总成本为11930.881$，场景2、场景3、场景4与场景1相比，分别降低了5.237%、3.103%、8.561%。从购电成本、购气成本、碳排放成本以及EV参与调度成本几方面来看，场景2费用降低的主要原因是EV用户有序充电以后，提升了风电、光伏的上网空间，从而使得IES向上级电网的购电成本、购气成本均有所降低。与此同时，EV用户有序充电后，在动态电价的引导下，用户参与调度的积极性有所提高，从而使得EV负荷更加适应风电、光伏出力情况，从而大幅度降低了EV参与调度成本。场景3与场景1相比，IES运行成本下降的主要原因是因为阶梯碳交易机制能够更好的鼓励能源发电商参与环保，降低了碳排放成本。
表3 不同场景下IES运行成本
Figure SMS_192
场景4为考虑阶梯碳交易机制与电动汽车有序充电的IES调度优化模型，也即本实施例所采用的IES调度优化模型。从表3中可以看出，EV用户有序充电有利于提升风电、光伏的上网空间，而与阶梯碳交易机制联合作用时，可以进一步发挥二者的优势。从表3中给出的场景4的运行成本可以看出，在二者联合作用下，发挥了二者的互补优势，一方面通过EV有序充电来提升风电、光伏的上网空间，另一方面在阶梯碳交易机制的作用下，激励了能源发电商提高清洁能源上网空间。
场景1、场景2为考虑传统碳交易机制的运行情况，与阶梯碳交易机制相比，阶梯型碳交易机制具有更好的激励作用，能够更好的刺激能源发电商提升清洁能源占比。如图5a、5b所示的场景3下IES中各设备出力情况。场景3下，IES中主要依靠阶梯型碳交易机制激励各能源发电商提升清洁能源占比。在该场景下，IES的最优运行成本为11560.721$。其中，碳排放成本为580.769$,相比于场景1、场景2，IES中的碳排放成本分别降低了39.9%、31.0%。如图6所示为动态电价与分时电价，通过纵横交叉算法得出了使EV充电负荷适用于风电、光伏出力时刻，从而以此来降低IES的运行成本。
如图7所示，动态电价引导下的EV’充电负荷以及EV无序充电负荷。从图7中可以看出，在电价较低时（如0:00-10:00时刻），动态电价引导下的充电负荷EV’曲线比无序充电负荷EV曲线高，能够增加电动汽车的充电需要。而在电价较高时（如19:00-23:00时刻），动态电价引导下的充电负荷EV’曲线比无序充电负荷EV曲线明显降低，表明能够显著减少电动汽车的充电负荷需要。
如图8a和8b所示的场景4下IES中各能源转化设备的出力情况。场景4下IES运行成本最低为10909.429$。分析具体原因可以发现，场景4下，EV充电成本最低为2288.809$，与场景1、场景2、场景3相比，分别降低了8.8%、1.7%、8.8%。究其原因可以发现，EV充电负荷在动态电价的引导下，根据风电、光伏的出力情况进行调整，从而有利于风电、光伏上网。从图8a中可以明显看出，相比图5a所示的场景3下IES中各能源转化设备电功率出力情况，在场景4下，上级购电电量与之前相比明显减少，而风电、光伏出力与之前相比则有所增加。这是因为，动态电价引导下EV有序充电能够使得EV负荷适应风电、光伏的随机性变化，从负荷的角度为风电、光伏增加了一定的上网空间。
本实施例的上述方法中，本发明提出的IES调度优化模型，综合考虑了碳交易机制下，电动汽车参与宗和能源系统运行时所起到的优化效用，更能激励能源发电商提升清洁能源上网空间，有利于风电、光伏并网；本发明提出的IES调度优化模型中，EV有序充电更有利于参与IES调度，通过动态电价调整电动汽车充电负荷，使之适应风电、光伏出力情况，从而提升风电、光伏上网空间；本发明提出的IES调度优化方案，能够明显降低电动汽车运行成本，有利于发挥二者在提升风电、光伏上网空间的优势，从而大幅度降低系统的运行成本并提升风电、光伏上网率。本领域技术人员能够对上述顺序进行变换而并不离开本公开的保护范围。
实施例二
本发明实施例提供一种考虑电动汽车参与的综合能源系统低碳优化装置，包括IES调度优化模型，IES调度优化模型包括：模型构建模块，用于建立综合能源系统的设备功率模型；建立对碳排放总量分级控制的碳交易模型；根据综合能源系统中的热电联产机组的电功率、分布式电源出力、用户侧负荷、分布式电源出力和用户侧负荷的匹配系数，建立计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型；根据电动汽车数量、参数 、充电时间和行驶距离，建立电动汽车充电负荷模型；目标函数设置模块，用于设置以综合能源系统运行成本最小为目标的目标函数；约束条件设置模块，用于设置综合能源系统的约束条件；IES调度模块，用于对所述IES调度优化模型进行求解，根据求解结果，进行调度。
可选的，所述综合能源系统的设备功率模型，包括综合能源系统中热电联产机组功率模型、电锅炉功率模型、蓄电池功率模型、储热系统功率模型。
可选的，所述热电联产机组功率模型，具体为：
Figure SMS_193
，
其中，
Figure SMS_196
为燃气轮机t时刻输出的电功率，/>
Figure SMS_198
为天然气功率转化为电功率的转化系数，/>
Figure SMS_200
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure SMS_195
为天然气的低热值，/>
Figure SMS_197
为燃气轮机t时刻输出的余热功率，/>
Figure SMS_199
为燃气轮机余热损耗系数，/>
Figure SMS_201
为余热回收装置t时刻输出的热功率，/>
Figure SMS_194
为余热回收系数。
可选的，所述电锅炉功率模型，具体为：
Figure SMS_202
，式中，/>
Figure SMS_203
为电锅炉t时刻输出的热功率，/>
Figure SMS_204
为电锅炉的电热转化效率，/>
Figure SMS_205
为电锅炉t时刻消耗的电能。/>
可选的，所述蓄电池功率模型，具体为：
Figure SMS_206
式中，
Figure SMS_207
为t时刻蓄电池中的储电总量，/>
Figure SMS_208
为蓄电池的电能损耗系数，
Figure SMS_209
、/>
Figure SMS_210
分别为蓄电池的储电、放电效率，/>
Figure SMS_211
、/>
Figure SMS_212
分别为t时刻蓄电池储电、放电功率。
可选的，所述储热系统功率模型，具体为：
Figure SMS_213
式中，
Figure SMS_214
为t时刻储热系统中的储热总量，/>
Figure SMS_215
为储热系统的热能损耗系数，/>
Figure SMS_216
为t-1时刻储热系统中的储热总量，/>
Figure SMS_217
、/>
Figure SMS_218
分别为储热系统的储热效率、放热效率，/>
Figure SMS_219
、/>
Figure SMS_220
分别为t时刻储热系统的储热功率、放热功率。
可选的，所述对碳排放总量分级控制的碳交易模型，包括：
免费碳排放配额模型：
Figure SMS_221
Figure SMS_222
Figure SMS_223
其中，
Figure SMS_225
为综合能源系统总体免费碳排放额，/>
Figure SMS_228
为综合能源系统向上级电网购电碳排放额，/>
Figure SMS_231
为CHP机组免费碳排放额，/>
Figure SMS_226
为购电免费碳排放系数，
Figure SMS_229
为t时刻向上级电网购电量，/>
Figure SMS_232
表示时间段，T表示调度周期，/>
Figure SMS_233
为CHP机组免费碳排放系数，/>
Figure SMS_224
表示CHP机组t时刻输出的余热功率，/>
Figure SMS_227
表示CHP机组t时刻输出的电功率，/>
Figure SMS_230
为电热转化系数；
实际碳排放总量模型：
Figure SMS_235
，其中，/>
Figure SMS_238
为综合能源系统实际碳排放总量，/>
Figure SMS_242
为综合能源系统向上级电网购电实际碳排放总量，/>
Figure SMS_237
为CHP机组实际碳排放总量，/>
Figure SMS_240
、/>
Figure SMS_243
、/>
Figure SMS_245
分别为燃煤机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure SMS_234
为t时刻向上级电网购电量，/>
Figure SMS_241
、/>
Figure SMS_244
、/>
Figure SMS_246
分别为CHP机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure SMS_236
为燃气轮机t时刻输出的电功率，/>
Figure SMS_239
为余热回收装置t时刻输出的热功率；
碳交易成本模型：
Figure SMS_247
，其中，Fcar表示碳排放成本，/>
Figure SMS_248
为碳交易基准价格系数，/>
Figure SMS_249
为碳排放超额价格增长系数，d为碳排放总量区间长度，/>
Figure SMS_250
为综合能源系统总体免费碳排放额，/>
Figure SMS_251
为综合能源系统实际碳排放总量。
可选的，所述计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型，具体为：
Figure SMS_252
Figure SMS_253
/>
Figure SMS_254
其中，
Figure SMS_258
为t时刻的分时电价，/>
Figure SMS_261
、/>
Figure SMS_264
、/>
Figure SMS_257
分别为峰时电价、平时电价、谷时电价，/>
Figure SMS_260
、/>
Figure SMS_263
、/>
Figure SMS_266
分别为峰时区间、平时区间、谷时区间，/>
Figure SMS_255
为t时刻的动态电价，/>
Figure SMS_259
为t时刻燃气轮机供电电价，/>
Figure SMS_262
为t时刻的电负荷，/>
Figure SMS_265
为t时刻的分布式电源出力，/>
Figure SMS_256
为燃气轮机t时刻输出的电功率，m为动态电价系数，h为电负荷与分布式电源出力的匹配系数。
可选的，确定电负荷与分布式电源出力的匹配系数h，包括：采用纵横交叉算法，对纵横交叉算法参数、电负荷与分布式电源出力的匹配系数h、h对应种群内的粒子X进行初始化；将h传入上层所述IES调度优化模型中，计算运行成本及机组出力；横向交叉，利用初始种群内的粒子X进行横向交叉，计算适应度Shc，与父代适应度值比较，更新X，
Figure SMS_268
，/>
Figure SMS_271
、/>
Figure SMS_275
分别为[0，1]之间的随机数，/>
Figure SMS_269
、/>
Figure SMS_272
分别为[-1，1]之间的随机数，/>
Figure SMS_276
、/>
Figure SMS_279
分别是父代种群中粒子/>
Figure SMS_267
和/>
Figure SMS_273
的第d维，/>
Figure SMS_277
和/>
Figure SMS_280
为粒子编号，/>
Figure SMS_270
为粒子/>
Figure SMS_274
的适应度，/>
Figure SMS_278
为粒子/>
Figure SMS_281
的适应度；
纵向交叉，假设粒子X的第d1、d2维度元素参与纵向交叉，利用下式计算适应度中间解Svc，此时适应度值计算结束，与X值进行比较，保留最优解，得到联合成本最低时对应的h，
Figure SMS_282
Figure SMS_283
是父代种群中粒子/>
Figure SMS_284
的第d1维，/>
Figure SMS_285
是父代种群中粒子/>
Figure SMS_286
的第d2维，/>
Figure SMS_287
为[0，1]之间的随机数，/>
Figure SMS_288
为粒子/>
Figure SMS_289
的适应度中间解；
判断是否满足预设的迭代次数，当不满足预设的迭代次数时，将h传入上层所述IES调度优化模型中，计算运行成本及机组出力，进行迭代，当满足预设的迭代次数时，输出h。
可选的，所述电动汽车充电负荷模型，具体为：通过蒙特卡洛模拟算法将区域内每辆电动汽车在每时刻的充电负荷进行叠加：
Figure SMS_292
，式中，/>
Figure SMS_294
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，i为电动汽车编号，N为区域内电动汽车的总数量，/>
Figure SMS_297
为t时刻第i辆电动汽车的充电负荷；电动汽车行驶回家的时间服从期望为/>
Figure SMS_290
、方差为/>
Figure SMS_293
的正态分布，对应的概率密度函数/>
Figure SMS_296
为：
Figure SMS_298
，t对应电动汽车行驶回家的时间；电动汽车通勤行驶的里程服从期望为/>
Figure SMS_291
、方差为/>
Figure SMS_295
的正态分布，对应的正态分布函数：
Figure SMS_299
，s对应电动汽车通勤行驶的里程；根据电动汽车电池的额定参数以及行驶距离建立的电动汽车初始荷电状态模型如下：/>
Figure SMS_300
，式中，i表示电动汽车编号，/>
Figure SMS_301
表示第i辆电动汽车初始荷电状态，/>
Figure SMS_302
表示第i辆电动汽车行驶单位距离所消耗的电能，
Figure SMS_303
表示第i辆电动汽车电池的额定容量，/>
Figure SMS_304
为充电系数；
根据电动汽车的充电功率以及电池的荷电状态得到的对应的充电时间模型如下：
Figure SMS_305
，式中，/>
Figure SMS_306
为第i辆电动汽车的充电时间，/>
Figure SMS_307
表示第i辆电动汽车行驶单位距离所消耗的电能，/>
Figure SMS_308
为充电系数，/>
Figure SMS_309
为电动汽车的充电功率。
可选的，所述目标函数设置模块，具体用于：以综合能源系统运行成本最小为调度目标，计及购电成本
Figure SMS_312
、购气成本/>
Figure SMS_316
、碳排放成本/>
Figure SMS_319
、电动汽车参与电网调度成本/>
Figure SMS_311
，目标函数具体为：/>
Figure SMS_314
，式中，/>
Figure SMS_317
为天然气价格系数，T为调度周期，/>
Figure SMS_320
为t时刻的分时电价，/>
Figure SMS_310
为t时刻向上级电网购电量，/>
Figure SMS_315
表示时间段，/>
Figure SMS_318
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure SMS_321
为t时刻的动态电价，/>
Figure SMS_313
为t时刻区域内全部电动汽车动态电价引导下的充电负荷。
可选的，所述约束条件设置模块，具体用于：设置电功率平衡约束：
Figure SMS_324
，式中，/>
Figure SMS_327
为t时刻向上级电网购电量，/>
Figure SMS_330
为燃气轮机t时刻输出的电功率，/>
Figure SMS_323
为光伏电站在t时刻的实际出力，/>
Figure SMS_326
为风电机组在t时刻的实际出力，/>
Figure SMS_329
为t时刻蓄电池放电功率，/>
Figure SMS_331
为t时刻的电负荷，/>
Figure SMS_322
为t时刻蓄电池储电功率，
Figure SMS_325
为电锅炉t时刻消耗的电能，/>
Figure SMS_328
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷；
设置热功率平衡约束：
Figure SMS_332
，式中，/>
Figure SMS_333
为余热回收装置t时刻输出的热功率，/>
Figure SMS_334
为电锅炉t时刻输出的热功率，
Figure SMS_335
为t时刻储热系统的放热功率，/>
Figure SMS_336
为t时刻的热负荷，/>
Figure SMS_337
为t时刻储热系统的储热功率；/>
设置燃气轮机出力约束：
Figure SMS_338
，式中，/>
Figure SMS_339
为燃气轮机t时刻输出的电功率，/>
Figure SMS_340
、/>
Figure SMS_341
分别为CHP机组输出电功率下限、上限；
设置电锅炉运行约束：
Figure SMS_342
，式中，/>
Figure SMS_343
、
Figure SMS_344
分别为电锅炉输出热功率下限、上限，/>
Figure SMS_345
为电锅炉t时刻消耗的电能；
设置EES运行约束：
Figure SMS_347
，
Figure SMS_349
为t时刻蓄电池储电功率，/>
Figure SMS_351
为蓄电池充电功率上限，/>
Figure SMS_348
为t时刻蓄电池放电功率，/>
Figure SMS_350
为蓄电池放电功率上限，/>
Figure SMS_352
为t时刻蓄电池中的储电总量，/>
Figure SMS_353
为蓄电池荷电状态下限，/>
Figure SMS_346
为蓄电池荷电状态上限；
设置THE运行约束：
Figure SMS_356
，式中，
Figure SMS_358
为t时刻储热系统的储热功率，/>
Figure SMS_360
为储热系统充电功率上限，
Figure SMS_355
为t时刻储热系统的放热功率，/>
Figure SMS_357
为储热系统放电功率上限，
Figure SMS_359
为t时刻储热系统中的储热总量，/>
Figure SMS_361
、/>
Figure SMS_354
分别为储热系统储热容量上限、下限；
设置分布式电源出力约束：
Figure SMS_362
，式中，/>
Figure SMS_363
为风电机组在t时刻的实际出力，/>
Figure SMS_364
为风电机组预测出力，/>
Figure SMS_365
为光伏电站在t时刻的实际出力，/>
Figure SMS_366
为光伏电站预测出力；/>
设置电动汽车运行约束：
Figure SMS_367
，式中，/>
Figure SMS_368
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，/>
Figure SMS_369
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷。
可选的，采用分段线性化的系统将所述IES调度优化模型中的非线性部分转化为线性，得到混合整数线性规划模型；调用cplex求解器对所述混合整数线性规划模型进行求解。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例中，本发明提出的IES调度优化模型更能激励能源发电商提升清洁能源上网空间，有利于风电、光伏并网；本发明提出的IES调度优化模型中，EV有序充电更有利于参与IES调度，通过动态电价调整电动汽车充电负荷，使之适应风电、光伏出力情况，从而提升风电、光伏上网空间；本发明提出的IES调度优化方案，能够明显降低电动汽车运行成本，有利于发挥二者在提升风电、光伏上网空间的优势，从而大幅度降低系统的运行成本并提升风电、光伏上网率。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的考虑电动汽车参与的综合能源系统低碳优化方法。
凡在本发明的原则范围内做的任何修改、补充和等同替换等，均应仍归属于本发明的专利涵盖范围内。

Claims (27)

1.考虑电动汽车参与的综合能源系统低碳优化方法，其特征在于，包括以下步骤：
建立IES调度优化模型，包括：建立综合能源系统的设备功率模型；建立对碳排放总量分级控制的碳交易模型；根据综合能源系统中的热电联产机组的电功率、分布式电源出力、用户侧负荷、分布式电源出力和用户侧负荷的匹配系数，建立计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型；根据电动汽车数量、参数、充电时间和行驶距离，建立电动汽车充电负荷模型；
设置以综合能源系统运行成本最小为目标的目标函数；
设置综合能源系统的约束条件；
对所述IES调度优化模型进行求解，根据求解结果，进行调度。
2.如权利要求1所述的方法，其特征在于，建立综合能源系统的设备功率模型，包括以下步骤：
分别建立综合能源系统中热电联产机组功率模型、电锅炉功率模型、蓄电池功率模型、储热系统功率模型。
3.如权利要求2所述的方法，其特征在于，所述热电联产机组功率模型，具体为：
Figure QLYQS_3
;其中，/>
Figure QLYQS_6
为燃气轮机t时刻输出的电功率，
Figure QLYQS_8
为天然气功率转化为电功率的转化系数，/>
Figure QLYQS_2
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure QLYQS_5
为天然气的低热值，/>
Figure QLYQS_7
为燃气轮机t时刻输出的余热功率，
Figure QLYQS_9
为燃气轮机余热损耗系数，/>
Figure QLYQS_1
为余热回收装置t时刻输出的热功率，/>
Figure QLYQS_4
为余热回收系数。
4.如权利要求2所述的方法，其特征在于，所述电锅炉功率模型，具体为：
Figure QLYQS_10
;式中，/>
Figure QLYQS_11
为电锅炉t时刻输出的热功率，/>
Figure QLYQS_12
为电锅炉的电热转化效率，/>
Figure QLYQS_13
为电锅炉t时刻消耗的电能。
5.如权利要求2所述的方法，其特征在于，所述蓄电池功率模型，具体为：
Figure QLYQS_14
;式中，/>
Figure QLYQS_15
为t时刻蓄电池中的储电总量，/>
Figure QLYQS_16
为蓄电池的电能损耗系数，/>
Figure QLYQS_17
、/>
Figure QLYQS_18
分别为蓄电池的储电、放电效率，/>
Figure QLYQS_19
、/>
Figure QLYQS_20
分别为t时刻蓄电池储电、放电功率。
6.如权利要求2所述的方法，其特征在于，所述储热系统功率模型，具体为：
Figure QLYQS_23
;式中，/>
Figure QLYQS_25
为t时刻储热系统中的储热总量，/>
Figure QLYQS_27
为储热系统的热能损耗系数，
Figure QLYQS_22
为t-1时刻储热系统中的储热总量，/>
Figure QLYQS_24
、/>
Figure QLYQS_26
分别为储热系统的储热效率、放热效率，/>
Figure QLYQS_28
、/>
Figure QLYQS_21
分别为t时刻储热系统的储热功率、放热功率。
7.如权利要求1所述的方法，其特征在于，建立对碳排放总量分级控制的碳交易模型，包括以下步骤：
建立免费碳排放配额模型：
Figure QLYQS_31
;/>
Figure QLYQS_35
Figure QLYQS_39
;其中，/>
Figure QLYQS_30
为综合能源系统总体免费碳排放额，/>
Figure QLYQS_34
为综合能源系统向上级电网购电碳排放额，/>
Figure QLYQS_38
为CHP机组免费碳排放额，/>
Figure QLYQS_41
为购电免费碳排放系数，/>
Figure QLYQS_29
为t时刻向上级电网购电量，
Figure QLYQS_33
表示时间段，T表示调度周期，/>
Figure QLYQS_37
为CHP机组免费碳排放系数，/>
Figure QLYQS_40
表示CHP机组t时刻输出的余热功率，/>
Figure QLYQS_32
表示CHP机组t时刻输出的电功率，/>
Figure QLYQS_36
为电热转化系数；
建立实际碳排放总量模型：
Figure QLYQS_44
;其中，/>
Figure QLYQS_49
为综合能源系统实际碳排放总量，/>
Figure QLYQS_52
为综合能源系统向上级电网购电实际碳排放总量，
Figure QLYQS_45
为CHP机组实际碳排放总量，/>
Figure QLYQS_48
、/>
Figure QLYQS_51
、/>
Figure QLYQS_54
分别为燃煤机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure QLYQS_42
为t时刻向上级电网购电量，/>
Figure QLYQS_46
、/>
Figure QLYQS_50
、/>
Figure QLYQS_53
分别为CHP机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure QLYQS_43
为燃气轮机t时刻输出的电功率，/>
Figure QLYQS_47
为余热回收装置t时刻输出的热功率；
建立碳交易成本模型：
Figure QLYQS_55
;其中，Fcar表示碳排放成本，/>
Figure QLYQS_56
为碳交易基准价格系数，/>
Figure QLYQS_57
为碳排放超额价格增长系数，d为碳排放总量区间长度，/>
Figure QLYQS_58
为综合能源系统总体免费碳排放额，/>
Figure QLYQS_59
为综合能源系统实际碳排放总量。
8.如权利要求1所述的方法，其特征在于，所述计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型，具体为：
Figure QLYQS_66
;
Figure QLYQS_68
Figure QLYQS_75
;其中，/>
Figure QLYQS_65
为t时刻的分时电价，/>
Figure QLYQS_74
、/>
Figure QLYQS_64
、/>
Figure QLYQS_69
分别为峰时电价、平时电价、谷时电价，/>
Figure QLYQS_62
、
Figure QLYQS_72
、/>
Figure QLYQS_60
分别为峰时区间、平时区间、谷时区间，/>
Figure QLYQS_70
为t时刻的动态电价，/>
Figure QLYQS_63
为t时刻燃气轮机供电电价，/>
Figure QLYQS_71
为t时刻的电负荷，/>
Figure QLYQS_67
为t时刻的分布式电源出力，
Figure QLYQS_76
为燃气轮机t时刻输出的电功率，/>
Figure QLYQS_61
为动态电价系数，/>
Figure QLYQS_73
为电负荷与分布式电源出力的匹配系数。
9.如权利要求8所述的方法，其特征在于，确定电负荷与分布式电源出力的匹配系数
Figure QLYQS_77
，包括以下步骤：
采用纵横交叉算法，对纵横交叉算法参数、电负荷与分布式电源出力的匹配系数
Figure QLYQS_78
、/>
Figure QLYQS_79
对应种群内的粒子X进行初始化；
将
Figure QLYQS_80
传入上层所述IES调度优化模型中，计算运行成本及机组出力；
横向交叉，利用初始种群内的粒子X进行横向交叉，计算适应度Shc，与父代适应度值比较，更新X，
Figure QLYQS_84
;/>
Figure QLYQS_87
、
Figure QLYQS_91
分别为[0，1]之间的随机数，/>
Figure QLYQS_83
、/>
Figure QLYQS_88
分别为[-1，1]之间的随机数，/>
Figure QLYQS_92
、/>
Figure QLYQS_95
分别是父代种群中粒子/>
Figure QLYQS_81
和/>
Figure QLYQS_85
的第d维，/>
Figure QLYQS_89
和/>
Figure QLYQS_93
为粒子编号，/>
Figure QLYQS_82
为粒子/>
Figure QLYQS_86
的适应度，
Figure QLYQS_90
为粒子/>
Figure QLYQS_94
的适应度；
纵向交叉，假设粒子X的第d1、d2维度元素参与纵向交叉，利用下式计算适应度中间解
Figure QLYQS_96
，此时适应度值计算结束，与X值进行比较，保留最优解，得到联合成本最低时对应的/>
Figure QLYQS_97
，
Figure QLYQS_100
;/>
Figure QLYQS_102
是父代种群中粒子/>
Figure QLYQS_103
的第d1维，/>
Figure QLYQS_99
是父代种群中粒子/>
Figure QLYQS_101
的第d2维，/>
Figure QLYQS_104
为[0，1]之间的随机数，/>
Figure QLYQS_105
为粒子
Figure QLYQS_98
的适应度中间解；
判断是否满足预设的迭代次数，当不满足预设的迭代次数时，将
Figure QLYQS_106
传入上层所述IES调度优化模型中，计算运行成本及机组出力，再次进行迭代，当满足预设的迭代次数时，输出
Figure QLYQS_107
。
10.如权利要求1所述的方法，其特征在于，根据电动汽车数量、参数 、充电时间和行驶距离，建立电动汽车充电负荷模型，包括以下步骤：
通过蒙特卡洛模拟算法将区域内每辆电动汽车在每时刻的充电负荷进行叠加：
Figure QLYQS_108
;式中，/>
Figure QLYQS_109
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，i为电动汽车编号，N为区域内电动汽车的总数量，/>
Figure QLYQS_110
为t时刻第i辆电动汽车的充电负荷；
电动汽车行驶回家的时间服从期望为
Figure QLYQS_111
、方差为/>
Figure QLYQS_112
的正态分布，对应的概率密度函数/>
Figure QLYQS_113
为：
Figure QLYQS_114
;t对应电动汽车行驶回家的时间；
电动汽车通勤行驶的里程服从期望为
Figure QLYQS_115
、方差为/>
Figure QLYQS_116
的正态分布，对应的正态分布函数：
Figure QLYQS_117
;s对应电动汽车通勤行驶的里程；
根据电动汽车电池的额定参数以及行驶距离，建立电动汽车初始荷电状态模型如下：
Figure QLYQS_118
;式中，i表示电动汽车编号，/>
Figure QLYQS_119
表示第i辆电动汽车初始荷电状态，/>
Figure QLYQS_120
表示第i辆电动汽车行驶单位距离所消耗的电能，/>
Figure QLYQS_121
表示第i辆电动汽车电池的额定容量，/>
Figure QLYQS_122
为充电系数；
根据电动汽车的充电功率以及电池的荷电状态，得到对应的充电时间模型如下：
Figure QLYQS_123
;式中，/>
Figure QLYQS_124
为第i辆电动汽车的充电时间，/>
Figure QLYQS_125
表示第i辆电动汽车行驶单位距离所消耗的电能，/>
Figure QLYQS_126
为充电系数，/>
Figure QLYQS_127
为电动汽车的充电功率。
11.如权利要求1所述的方法，其特征在于，设置以综合能源系统运行成本最小为目标的目标函数，包括以下步骤：
以综合能源系统运行成本最小为调度目标，计及购电成本
Figure QLYQS_128
、购气成本/>
Figure QLYQS_129
、碳排放成本/>
Figure QLYQS_130
、电动汽车参与电网调度成本/>
Figure QLYQS_131
，目标函数具体为：
Figure QLYQS_133
;式中，/>
Figure QLYQS_136
为天然气价格系数，T为调度周期，/>
Figure QLYQS_138
为t时刻的分时电价，/>
Figure QLYQS_134
为t时刻向上级电网购电量，/>
Figure QLYQS_135
表示时间段，/>
Figure QLYQS_137
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure QLYQS_139
为t时刻的动态电价，
Figure QLYQS_132
为t时刻区域内全部电动汽车动态电价引导下的充电负荷。
12.如权利要求1所述的方法，其特征在于，设置综合能源系统的约束条件，包括以下步骤：
设置电功率平衡约束：
Figure QLYQS_141
;式中，/>
Figure QLYQS_145
为t时刻向上级电网购电量，/>
Figure QLYQS_147
为燃气轮机t时刻输出的电功率，/>
Figure QLYQS_142
为光伏电站在t时刻的实际出力，/>
Figure QLYQS_143
为风电机组在t时刻的实际出力，/>
Figure QLYQS_146
为t时刻蓄电池放电功率，/>
Figure QLYQS_149
为t时刻的电负荷，/>
Figure QLYQS_140
为t时刻蓄电池储电功率，/>
Figure QLYQS_144
为电锅炉t时刻消耗的电能，/>
Figure QLYQS_148
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷；
设置热功率平衡约束：
Figure QLYQS_150
;式中，/>
Figure QLYQS_151
为余热回收装置t时刻输出的热功率，/>
Figure QLYQS_152
为电锅炉t时刻输出的热功率，/>
Figure QLYQS_153
为t时刻储热系统的放热功率，/>
Figure QLYQS_154
为t时刻的热负荷，/>
Figure QLYQS_155
为t时刻储热系统的储热功率；
设置燃气轮机出力约束：
Figure QLYQS_156
;式中，/>
Figure QLYQS_157
为燃气轮机t时刻输出的电功率，
Figure QLYQS_158
、/>
Figure QLYQS_159
分别为CHP机组输出电功率下限、上限；
设置电锅炉运行约束：
Figure QLYQS_160
;式中，/>
Figure QLYQS_161
、/>
Figure QLYQS_162
分别为电锅炉输出热功率下限、上限，/>
Figure QLYQS_163
为电锅炉t时刻消耗的电能；
设置EES运行约束：
Figure QLYQS_165
Figure QLYQS_169
;/>
Figure QLYQS_171
为t时刻蓄电池储电功率，/>
Figure QLYQS_166
为蓄电池充电功率上限，/>
Figure QLYQS_168
为t时刻蓄电池放电功率，
Figure QLYQS_170
为蓄电池放电功率上限，/>
Figure QLYQS_172
为t时刻蓄电池中的储电总量，
Figure QLYQS_164
为蓄电池荷电状态下限，/>
Figure QLYQS_167
为蓄电池荷电状态上限；
设置THE运行约束：
Figure QLYQS_174
;式中，/>
Figure QLYQS_177
为t时刻储热系统的储热功率，/>
Figure QLYQS_179
为储热系统充电功率上限，/>
Figure QLYQS_175
为t时刻储热系统的放热功率，/>
Figure QLYQS_176
为储热系统放电功率上限，/>
Figure QLYQS_178
为t时刻储热系统中的储热总量，/>
Figure QLYQS_180
、/>
Figure QLYQS_173
分别为储热系统储热容量上限、下限；/>
设置分布式电源出力约束：
Figure QLYQS_181
;式中，/>
Figure QLYQS_182
为风电机组在t时刻的实际出力，/>
Figure QLYQS_183
为风电机组预测出力，/>
Figure QLYQS_184
为光伏电站在t时刻的实际出力，/>
Figure QLYQS_185
为光伏电站预测出力；
设置电动汽车运行约束：
Figure QLYQS_186
;式中，/>
Figure QLYQS_187
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，/>
Figure QLYQS_188
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷。
13.如权利要求1至12任一所述的方法，其特征在于，对所述IES调度优化模型进行求解，包括以下步骤：
采用分段线性化的方法将所述IES调度优化模型中的非线性部分转化为线性，得到混合整数线性规划模型；调用cplex求解器对所述混合整数线性规划模型进行求解。
14.考虑电动汽车参与的综合能源系统低碳优化装置，其特征在于，包括IES调度优化模型，所述IES调度优化模型包括：
模型构建模块，用于建立综合能源系统的设备功率模型；建立对碳排放总量分级控制的碳交易模型；根据综合能源系统中的热电联产机组的电功率、分布式电源出力、用户侧负荷、分布式电源出力和用户侧负荷的匹配系数，建立计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型；根据电动汽车数量、参数 、充电时间和行驶距离，建立电动汽车充电负荷模型；
目标函数设置模块，用于设置以综合能源系统运行成本最小为目标的目标函数；
约束条件设置模块，用于设置综合能源系统的约束条件；
IES调度模块，用于对所述IES调度优化模型进行求解，根据求解结果，进行调度。
15.如权利要求14所述的装置，其特征在于，所述综合能源系统的设备功率模型，包括综合能源系统中热电联产机组功率模型、电锅炉功率模型、蓄电池功率模型、储热系统功率模型。
16.如权利要求15所述的装置，其特征在于，所述热电联产机组功率模型，具体为：
Figure QLYQS_190
;其中，/>
Figure QLYQS_194
为燃气轮机t时刻输出的电功率，/>
Figure QLYQS_196
为天然气功率转化为电功率的转化系数，/>
Figure QLYQS_191
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure QLYQS_193
为天然气的低热值，/>
Figure QLYQS_195
为燃气轮机t时刻输出的余热功率，/>
Figure QLYQS_197
为燃气轮机余热损耗系数，/>
Figure QLYQS_189
为余热回收装置t时刻输出的热功率，/>
Figure QLYQS_192
为余热回收系数。
17.如权利要求15所述的装置，其特征在于，所述电锅炉功率模型，具体为：
Figure QLYQS_198
;式中，/>
Figure QLYQS_199
为电锅炉t时刻输出的热功率，/>
Figure QLYQS_200
为电锅炉的电热转化效率，/>
Figure QLYQS_201
为电锅炉t时刻消耗的电能。
18.如权利要求15所述的装置，其特征在于，所述蓄电池功率模型，具体为：
Figure QLYQS_202
;式中，/>
Figure QLYQS_203
为t时刻蓄电池中的储电总量，/>
Figure QLYQS_204
为蓄电池的电能损耗系数，/>
Figure QLYQS_205
、
Figure QLYQS_206
分别为蓄电池的储电、放电效率，/>
Figure QLYQS_207
、/>
Figure QLYQS_208
分别为t时刻蓄电池储电、放电功率。
19.如权利要求15所述的装置，其特征在于，所述储热系统功率模型，具体为：
Figure QLYQS_210
;式中，/>
Figure QLYQS_212
为t时刻储热系统中的储热总量，/>
Figure QLYQS_214
为储热系统的热能损耗系数，
Figure QLYQS_211
为t-1时刻储热系统中的储热总量，/>
Figure QLYQS_213
、/>
Figure QLYQS_215
分别为储热系统的储热效率、放热效率，/>
Figure QLYQS_216
、/>
Figure QLYQS_209
分别为t时刻储热系统的储热功率、放热功率。
20.如权利要求14所述的装置，其特征在于，所述对碳排放总量分级控制的碳交易模型，包括：
免费碳排放配额模型：
Figure QLYQS_218
;/>
Figure QLYQS_222
Figure QLYQS_226
;其中，/>
Figure QLYQS_219
为综合能源系统总体免费碳排放额，/>
Figure QLYQS_221
为综合能源系统向上级电网购电碳排放额，/>
Figure QLYQS_225
为CHP机组免费碳排放额，/>
Figure QLYQS_228
为购电免费碳排放系数，/>
Figure QLYQS_217
为t时刻向上级电网购电量，/>
Figure QLYQS_224
表示时间段，T表示调度周期，/>
Figure QLYQS_227
为CHP机组免费碳排放系数，/>
Figure QLYQS_229
表示CHP机组t时刻输出的余热功率，/>
Figure QLYQS_220
表示CHP机组t时刻输出的电功率，/>
Figure QLYQS_223
为电热转化系数；
实际碳排放总量模型：
Figure QLYQS_232
;其中，/>
Figure QLYQS_236
为综合能源系统实际碳排放总量，/>
Figure QLYQS_239
为综合能源系统向上级电网购电实际碳排放总量，/>
Figure QLYQS_231
为CHP机组实际碳排放总量，/>
Figure QLYQS_235
、/>
Figure QLYQS_240
、/>
Figure QLYQS_242
分别为燃煤机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure QLYQS_230
为t时刻向上级电网购电量，/>
Figure QLYQS_234
、/>
Figure QLYQS_238
、/>
Figure QLYQS_241
分别为CHP机组实际碳排放常数项、一次项系数及二次项系数，/>
Figure QLYQS_233
为燃气轮机t时刻输出的电功率，/>
Figure QLYQS_237
为余热回收装置t时刻输出的热功率；
碳交易成本模型：
Figure QLYQS_243
;其中，Fcar表示碳排放成本，/>
Figure QLYQS_244
为碳交易基准价格系数，/>
Figure QLYQS_245
为碳排放超额价格增长系数，d为碳排放总量区间长度，/>
Figure QLYQS_246
为综合能源系统总体免费碳排放额，/>
Figure QLYQS_247
为综合能源系统实际碳排放总量。
21.如权利要求14所述的装置，其特征在于，所述计及分布式电源出力与用户侧负荷相匹配的电动汽车有序充电动态定价模型，具体为：
Figure QLYQS_251
;
Figure QLYQS_252
Figure QLYQS_260
;其中，
Figure QLYQS_256
为t时刻的分时电价，/>
Figure QLYQS_263
、/>
Figure QLYQS_254
、/>
Figure QLYQS_262
分别为峰时电价、平时电价、谷时电价，/>
Figure QLYQS_255
、
Figure QLYQS_264
、/>
Figure QLYQS_248
分别为峰时区间、平时区间、谷时区间，/>
Figure QLYQS_258
为t时刻的动态电价，/>
Figure QLYQS_250
为t时刻燃气轮机供电电价，/>
Figure QLYQS_257
为t时刻的电负荷，/>
Figure QLYQS_253
为t时刻的分布式电源出力，
Figure QLYQS_261
为燃气轮机t时刻输出的电功率，/>
Figure QLYQS_249
为动态电价系数，/>
Figure QLYQS_259
为电负荷与分布式电源出力的匹配系数。
22.如权利要求21所述的装置，其特征在于，确定电负荷与分布式电源出力的匹配系数
Figure QLYQS_265
，包括：
采用纵横交叉算法，对纵横交叉算法参数、电负荷与分布式电源出力的匹配系数
Figure QLYQS_266
、/>
Figure QLYQS_267
对应种群内的粒子X进行初始化；
将
Figure QLYQS_268
传入上层所述IES调度优化模型中，计算运行成本及机组出力；
横向交叉，利用初始种群内的粒子X进行横向交叉，计算适应度Shc，与父代适应度值比较，更新X，
Figure QLYQS_271
;/>
Figure QLYQS_275
、
Figure QLYQS_278
分别为[0，1]之间的随机数，/>
Figure QLYQS_272
、/>
Figure QLYQS_276
分别为[-1，1]之间的随机数，/>
Figure QLYQS_280
、/>
Figure QLYQS_283
分别是父代种群中粒子/>
Figure QLYQS_269
和/>
Figure QLYQS_273
的第d维，/>
Figure QLYQS_277
和/>
Figure QLYQS_281
为粒子编号，/>
Figure QLYQS_270
为粒子/>
Figure QLYQS_274
的适应度，/>
Figure QLYQS_279
为粒子/>
Figure QLYQS_282
的适应度；
纵向交叉，假设粒子X的第d1、d2维度元素参与纵向交叉，利用下式计算适应度中间解
Figure QLYQS_284
，此时适应度值计算结束，与X值进行比较，保留最优解，得到联合成本最低时对应的/>
Figure QLYQS_285
，
Figure QLYQS_288
;/>
Figure QLYQS_290
是父代种群中粒子/>
Figure QLYQS_292
的第d1维，/>
Figure QLYQS_287
是父代种群中粒子/>
Figure QLYQS_289
的第d2维，/>
Figure QLYQS_291
为[0，1]之间的随机数，/>
Figure QLYQS_293
为粒子/>
Figure QLYQS_286
的适应度中间解；
判断是否满足预设的迭代次数，当不满足预设的迭代次数时，将
Figure QLYQS_294
传入上层所述IES调度优化模型中，计算运行成本及机组出力，进行迭代，当满足预设的迭代次数时，输出/>
Figure QLYQS_295
。
23.如权利要求14所述的装置，其特征在于，所述电动汽车充电负荷模型，具体为：
通过蒙特卡洛模拟算法将区域内每辆电动汽车在每时刻的充电负荷进行叠加：
Figure QLYQS_296
;式中，/>
Figure QLYQS_297
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，i为电动汽车编号，N为区域内电动汽车的总数量，/>
Figure QLYQS_298
为t时刻第i辆电动汽车的充电负荷；
电动汽车行驶回家的时间服从期望为
Figure QLYQS_299
、方差为/>
Figure QLYQS_300
的正态分布，对应的概率密度函数/>
Figure QLYQS_301
为：
Figure QLYQS_302
;t对应电动汽车行驶回家的时间；
电动汽车通勤行驶的里程服从期望为
Figure QLYQS_303
、方差为/>
Figure QLYQS_304
的正态分布，对应的正态分布函数：
Figure QLYQS_305
;s对应电动汽车通勤行驶的里程；/>
根据电动汽车电池的额定参数以及行驶距离建立的电动汽车初始荷电状态模型如下：
Figure QLYQS_306
;式中，i表示电动汽车编号，/>
Figure QLYQS_307
表示第i辆电动汽车初始荷电状态，/>
Figure QLYQS_308
表示第i辆电动汽车行驶单位距离所消耗的电能，/>
Figure QLYQS_309
表示第i辆电动汽车电池的额定容量，/>
Figure QLYQS_310
为充电系数；
根据电动汽车的充电功率以及电池的荷电状态得到的对应的充电时间模型如下：
Figure QLYQS_311
;式中，/>
Figure QLYQS_312
为第i辆电动汽车的充电时间，/>
Figure QLYQS_313
表示第i辆电动汽车行驶单位距离所消耗的电能，/>
Figure QLYQS_314
为充电系数，/>
Figure QLYQS_315
为电动汽车的充电功率。
24.如权利要求14所述的装置，其特征在于，所述目标函数设置模块，具体用于：
以综合能源系统运行成本最小为调度目标，计及购电成本
Figure QLYQS_316
、购气成本/>
Figure QLYQS_317
、碳排放成本/>
Figure QLYQS_318
、电动汽车参与电网调度成本/>
Figure QLYQS_319
，目标函数具体为：
Figure QLYQS_322
;式中，/>
Figure QLYQS_324
为天然气价格系数，T为调度周期，/>
Figure QLYQS_326
为t时刻的分时电价，/>
Figure QLYQS_321
为t时刻向上级电网购电量，/>
Figure QLYQS_323
表示时间段，/>
Figure QLYQS_325
为上级气网t时刻向CHP机组输送的天然气流量，/>
Figure QLYQS_327
为t时刻的动态电价，/>
Figure QLYQS_320
为t时刻区域内全部电动汽车动态电价引导下的充电负荷。/>
25.如权利要求14所述的装置，其特征在于，所述约束条件设置模块，具体用于：
设置电功率平衡约束：
Figure QLYQS_329
;式中，/>
Figure QLYQS_332
为t时刻向上级电网购电量，/>
Figure QLYQS_335
为燃气轮机t时刻输出的电功率，/>
Figure QLYQS_330
为光伏电站在t时刻的实际出力，/>
Figure QLYQS_331
为风电机组在t时刻的实际出力，/>
Figure QLYQS_334
为t时刻蓄电池放电功率，/>
Figure QLYQS_337
为t时刻的电负荷，/>
Figure QLYQS_328
为t时刻蓄电池储电功率，/>
Figure QLYQS_333
为电锅炉t时刻消耗的电能，/>
Figure QLYQS_336
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷；
设置热功率平衡约束：
Figure QLYQS_338
;式中，/>
Figure QLYQS_339
为余热回收装置t时刻输出的热功率，/>
Figure QLYQS_340
为电锅炉t时刻输出的热功率，/>
Figure QLYQS_341
为t时刻储热系统的放热功率，/>
Figure QLYQS_342
为t时刻的热负荷，/>
Figure QLYQS_343
为t时刻储热系统的储热功率；
设置燃气轮机出力约束：
Figure QLYQS_344
;式中，/>
Figure QLYQS_345
为燃气轮机t时刻输出的电功率，
Figure QLYQS_346
、/>
Figure QLYQS_347
分别为CHP机组输出电功率下限、上限；
设置电锅炉运行约束：
Figure QLYQS_348
;式中，/>
Figure QLYQS_349
、/>
Figure QLYQS_350
分别为电锅炉输出热功率下限、上限，/>
Figure QLYQS_351
为电锅炉t时刻消耗的电能；
设置EES运行约束：
Figure QLYQS_353
;/>
Figure QLYQS_356
为t时刻蓄电池储电功率，/>
Figure QLYQS_358
为蓄电池充电功率上限，/>
Figure QLYQS_354
为t时刻蓄电池放电功率，/>
Figure QLYQS_355
为蓄电池放电功率上限，/>
Figure QLYQS_357
为t时刻蓄电池中的储电总量，/>
Figure QLYQS_359
为蓄电池荷电状态下限，/>
Figure QLYQS_352
为蓄电池荷电状态上限；
设置THE运行约束：
Figure QLYQS_361
;式中，/>
Figure QLYQS_363
为t时刻储热系统的储热功率，/>
Figure QLYQS_365
为储热系统充电功率上限，/>
Figure QLYQS_362
为t时刻储热系统的放热功率，/>
Figure QLYQS_364
为储热系统放电功率上限，/>
Figure QLYQS_366
为t时刻储热系统中的储热总量，/>
Figure QLYQS_367
、/>
Figure QLYQS_360
分别为储热系统储热容量上限、下限；
设置分布式电源出力约束：
Figure QLYQS_368
;式中，/>
Figure QLYQS_369
为风电机组在t时刻的实际出力，
Figure QLYQS_370
为风电机组预测出力，/>
Figure QLYQS_371
为光伏电站在t时刻的实际出力，/>
Figure QLYQS_372
为光伏电站预测出力；
设置电动汽车运行约束：
Figure QLYQS_373
;式中，/>
Figure QLYQS_374
为t时刻区域内全部电动汽车动态电价引导下的充电负荷，/>
Figure QLYQS_375
为t时刻区域内全部电动汽车动态电价引导下的实际用电负荷。
26.如权利要求14至25任一所述的装置，其特征在于，采用分段线性化的系统将所述IES调度优化模型中的非线性部分转化为线性，得到混合整数线性规划模型；调用cplex求解器对所述混合整数线性规划模型进行求解。
27.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现权利要求1-13任一所述的考虑电动汽车参与的综合能源系统低碳优化方法。
CN202310138832.9A 2023-02-21 2023-02-21 考虑电动汽车参与的综合能源系统低碳优化方法及装置 Pending CN115879651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310138832.9A CN115879651A (zh) 2023-02-21 2023-02-21 考虑电动汽车参与的综合能源系统低碳优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310138832.9A CN115879651A (zh) 2023-02-21 2023-02-21 考虑电动汽车参与的综合能源系统低碳优化方法及装置

Publications (1)

Publication Number Publication Date
CN115879651A true CN115879651A (zh) 2023-03-31

Family

ID=85761370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310138832.9A Pending CN115879651A (zh) 2023-02-21 2023-02-21 考虑电动汽车参与的综合能源系统低碳优化方法及装置

Country Status (1)

Country Link
CN (1) CN115879651A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060506A (zh) * 2023-10-12 2023-11-14 国网天津市电力公司培训中心 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置
CN117096874A (zh) * 2023-09-27 2023-11-21 华中科技大学 一种电力系统调度模型的建模方法及应用
CN117436672A (zh) * 2023-12-20 2024-01-23 国网湖北省电力有限公司经济技术研究院 考虑等效循环寿命和温控负荷的综合能源运行方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815025A (zh) * 2020-06-09 2020-10-23 国网山东省电力公司经济技术研究院 考虑风光与负荷不确定性综合能源系统柔性优化调度方法
CN112488525A (zh) * 2020-12-01 2021-03-12 燕山大学 碳交易机制下考虑源荷侧响应的电热滚动调度方法及系统
CN113517690A (zh) * 2021-07-02 2021-10-19 东北电力大学 含电动汽车充电站的社区综合能源系统双层调度方法
CN113708366A (zh) * 2021-08-17 2021-11-26 国网辽宁省电力有限公司经济技术研究院 一种计及新能源和电动汽车的配电网优化调度方法及系统
WO2021244000A1 (zh) * 2020-06-03 2021-12-09 国网上海市电力公司 一种区域能源综合体虚拟聚合系统及方法
CN114004450A (zh) * 2021-09-28 2022-02-01 国网山东省电力公司烟台供电公司 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型
CN115310749A (zh) * 2022-03-10 2022-11-08 国网甘肃省电力公司电力科学研究院 含大规模电动汽车的区域综合能源供需调度方法和系统
CN115471100A (zh) * 2022-09-24 2022-12-13 河南工业大学 一种引导电动汽车有序充电的优化调度方法
CN115564251A (zh) * 2022-10-13 2023-01-03 广西大学 一种考虑时空耦合需求响应的综合能源系统运行优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021244000A1 (zh) * 2020-06-03 2021-12-09 国网上海市电力公司 一种区域能源综合体虚拟聚合系统及方法
CN111815025A (zh) * 2020-06-09 2020-10-23 国网山东省电力公司经济技术研究院 考虑风光与负荷不确定性综合能源系统柔性优化调度方法
CN112488525A (zh) * 2020-12-01 2021-03-12 燕山大学 碳交易机制下考虑源荷侧响应的电热滚动调度方法及系统
CN113517690A (zh) * 2021-07-02 2021-10-19 东北电力大学 含电动汽车充电站的社区综合能源系统双层调度方法
CN113708366A (zh) * 2021-08-17 2021-11-26 国网辽宁省电力有限公司经济技术研究院 一种计及新能源和电动汽车的配电网优化调度方法及系统
CN114004450A (zh) * 2021-09-28 2022-02-01 国网山东省电力公司烟台供电公司 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型
CN115310749A (zh) * 2022-03-10 2022-11-08 国网甘肃省电力公司电力科学研究院 含大规模电动汽车的区域综合能源供需调度方法和系统
CN115471100A (zh) * 2022-09-24 2022-12-13 河南工业大学 一种引导电动汽车有序充电的优化调度方法
CN115564251A (zh) * 2022-10-13 2023-01-03 广西大学 一种考虑时空耦合需求响应的综合能源系统运行优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张程等: ""考虑风光不确定性与电动汽车的综合能源系统低碳经济调度"", 《电力自动化设备》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117096874A (zh) * 2023-09-27 2023-11-21 华中科技大学 一种电力系统调度模型的建模方法及应用
CN117096874B (zh) * 2023-09-27 2024-01-05 华中科技大学 一种电力系统调度模型的建模方法及应用
CN117060506A (zh) * 2023-10-12 2023-11-14 国网天津市电力公司培训中心 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置
CN117060506B (zh) * 2023-10-12 2024-02-13 国网天津市电力公司培训中心 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置
CN117436672A (zh) * 2023-12-20 2024-01-23 国网湖北省电力有限公司经济技术研究院 考虑等效循环寿命和温控负荷的综合能源运行方法及系统
CN117436672B (zh) * 2023-12-20 2024-03-12 国网湖北省电力有限公司经济技术研究院 考虑等效循环寿命和温控负荷的综合能源运行方法及系统

Similar Documents

Publication Publication Date Title
Hou et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load
Lu et al. Multi-objective optimal load dispatch of microgrid with stochastic access of electric vehicles
Leou Optimal charging/discharging control for electric vehicles considering power system constraints and operation costs
Zhu et al. Energy trading in microgrids for synergies among electricity, hydrogen and heat networks
Yang et al. A two-stage optimization model for Park Integrated Energy System operation and benefit allocation considering the effect of Time-Of-Use energy price
CN115879651A (zh) 考虑电动汽车参与的综合能源系统低碳优化方法及装置
CN114091913B (zh) 考虑热网及p2g多园区综合能源系统低碳经济调度方法
Calnan et al. Modelling the impact of EVs on electricity generation, costs and CO2 emissions: Assessing the impact of different charging regimes and future generation profiles for Ireland in 2025
CN115018230A (zh) 考虑减排成本的综合能源系统低碳鲁棒经济优化运行方法
Brandt et al. Road to 2020: IS-supported business models for electric mobility and electrical energy markets
Huang et al. Economic-environmental scheduling of microgrid considering V2G-enabled electric vehicles integration
Khezri et al. Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle
Yang et al. Research on the contribution of regional Energy Internet emission reduction considering time-of-use tariff
Guo et al. Multi-energy collaborative optimization of park integrated energy system considering carbon emission and demand response
Zhou et al. Optimal scheduling of integrated energy system for low carbon considering combined weights
Wu et al. Techno-economic modelling for energy cost optimisation of households with electric vehicles and renewable sources under export limits
Terkes et al. An evaluation of renewable fraction using energy storage for electric vehicle charging station
Wang et al. Low carbon optimal operation of integrated energy system based on concentrating solar power plant and power to hydrogen
Yuan et al. A multi-objective risk-constrained approach for capturing and recycling carbon dioxide in multi-energy combined heat and power microgrids
Secchi et al. Peer-to-peer electricity sharing: Maximising PV self-consumption through BESS control strategies
Fan et al. Benefit analysis and preliminary decision-making of electrical and thermal energy storage in the regional integrated energy system
CN115986833A (zh) 考虑两阶段需求响应的热电联供微网低碳经济调度方法
CN116061742A (zh) 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN112182915A (zh) 一种协同促进风电消纳的优化调度方法及系统
Zhang et al. A Two-Stage Optimization Model of Capacity Allocation and Regulation Operation for Virtual Power Plant

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230331