CN116247725A - 计及分类负荷需求响应的含电转气综合能源系统调度方法 - Google Patents
计及分类负荷需求响应的含电转气综合能源系统调度方法 Download PDFInfo
- Publication number
- CN116247725A CN116247725A CN202310113277.4A CN202310113277A CN116247725A CN 116247725 A CN116247725 A CN 116247725A CN 202310113277 A CN202310113277 A CN 202310113277A CN 116247725 A CN116247725 A CN 116247725A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy system
- user
- demand response
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000005611 electricity Effects 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 87
- 238000006243 chemical reaction Methods 0.000 claims abstract description 38
- 238000003064 k means clustering Methods 0.000 claims abstract description 28
- 238000005265 energy consumption Methods 0.000 claims description 19
- 230000008901 benefit Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 47
- 238000004146 energy storage Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005338 heat storage Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 241001137251 Corvidae Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000015108 pies Nutrition 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，该方法包括：获取计及风电出力不确定性的风电功率曲线；通过改进的K‑means聚类方法对用户负荷特征进行聚类，得到不同种类的用户负荷特性；根据不同种类的用户负荷特性，确定分类负荷需求响应；构建考虑分类负荷需求响应的含电转气设备的综合能源系统优化模型；根据计及风电出力不确定性的风电功率曲线、不同种类的用户负荷特性、能源供应商提供的能源报价，对综合能源系统优化模型进行求解，得到综合能源系统的优化运行方案。通过本发明的计及分类负荷需求响应的含电转气综合能源系统调度方法，能有效利用负荷侧灵活性资源，减少园区综合能源系统的运行成本。
Description
技术领域
本发明实施例涉及综合能源系统优化调度领域，尤其涉及一种计及分类负荷需求响应的含电转气综合能源系统调度方法。
背景技术
综合能源系统作为微电网的自然延伸，集成了多类型分布式能源和冷、热、电、气等传统能源，能够实现能量的梯级高效利用，已成为当今能源绿色高效可持续利用的重要手段。园区综合能源系统是以分布式能源产消者为节点，以电、冷、热能源网络为纽带，连接能源生产、输配、储存和使用等诸环节而形成的多元、立体能源网络系统。如今，单一的电力系统交易已不能满足日益复杂的能源需求，园区综合能源系统越来越多地参与到多能市场中，其中的竞争越来越激烈。
作为一种多能联供系统，需要复杂的系统配合与能量调控，因此，园区综合能源系统的运行管理对系统综合效益的实现至关重要。目前，园区综合能源系统运行管理研究的主要目的是在满足系统供能与用户需求相互匹配的前提下，最大化挖掘系统收益和价值，因此需要对能源和需求方面进行综合考虑，实现整体优化。但目前，针对园区综合能源系统运营和市场竞争力，并未充分考虑到综合能源系统调度的运行成本，导致目前综合能源系统调度的运行成本较高。
发明内容
基于上述技术问题，本发明实施例提供一种计及分类负荷需求响应的含电转气综合能源系统调度方法，以减少综合能源系统的运行成本。
本发明实施例提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，所述方法包括：
获取计及风电出力不确定性的风电功率曲线；
通过改进的K-means聚类方法对用户负荷特征进行聚类，得到不同种类的用户负荷特性；
根据所述不同种类的用户负荷特性，确定分类负荷需求响应；
构建考虑所述分类负荷需求响应的含电转气设备的综合能源系统优化模型；
根据所述计及风电出力不确定性的风电功率曲线、所述不同种类的用户负荷特性、能源供应商提供的能源报价，对所述综合能源系统优化模型进行求解，得到所述综合能源系统的优化运行方案。
可选的，所述通过改进的K-means聚类方法对用户负荷特征进行聚类，得到不同种类的用户负荷特性，包括：
采用DTW相似性距离指标代替原始K-means聚类方法中的距离指标，得到所述改进的K-means聚类方法；
通过所述改进的K-means聚类方法对用户负荷特征进行处理，得到用户负荷特征之间的相似性；
根据所述用户负荷特征之间的相似性，进行用户负荷特征的分类，得到用能特性相似的不同种类的用户负荷，确定所述不同种类的用户负荷特性。
可选的，所述根据所述不同种类的用户负荷特性，确定分类负荷需求响应，包括：
根据所述不同种类的用户负荷特性，确定对应的分时能源价格；
根据所述分时能源价格，确定不同种类的用户需求响应参与度；
根据所述不同种类的用户需求响应参与度、价格弹性矩阵以及所述对应的分时能源价格，确定所述分类负荷需求响应。
可选的，所述获取计及风电出力不确定性的风电功率曲线，包括：
通过拉丁超立方抽样方法，生成服从概率分布的风电机组发电功率的原始场景集；
通过基于概率距离的同步回代削减法，对所述原始场景集进行削减，得到精简场景集；
对所述精简场景集中的各场景出现的概率以及对应的风电机组发电功率进行相乘运算，得到乘积结果；
将所述乘积结果确定为所述计及风电出力不确定性的风电功率曲线。
可选的，所述用户负荷特征通过以下步骤得到：
获取典型日用户负荷数据；
采用LSTM自编码器对所述典型日用户负荷数据进行特征提取，得到所述用户负荷特征。
可选的，所述构建考虑所述分类负荷需求响应的含电转气设备的综合能源系统优化模型，包括：
构建以所述能源供应商的收益最大化为目标的能源供应商优化模型；
构建以所述综合能源系统的成本最小化为目标的、考虑所述分类负荷需求响应的含电转气设备的综合能源系统内部优化模型；
根据所述能源供应商优化模型以及所述综合能源系统内部优化模型，构建所述综合能源系统优化模型。
可选的，所述构建以所述能源供应商的收益最大化为目标的能源供应商优化模型，包括：
以所述能源供应商的售能收益最大为第一目标函数，以售能约束、能量交互约束为第一约束条件，构建所述能源供应商优化模型。
可选的，所述构建以所述综合能源系统的成本最小化为目标的、考虑所述分类负荷需求响应的含电转气设备的综合能源系统内部优化模型，包括：
以所述综合能源系统的运行成本最小为第二目标函数，以能量平衡约束、机组约束为第二约束条件，构建所述综合能源系统内部优化模型。
可选的，所述方法还包括：
根据所述分类负荷需求响应，确定用户用能负荷需求；
根据所述用户用能负荷需求以及设备参数，确定所述能量平衡约束；
根据所述计及风电出力不确定性的风电功率曲线，确定所述风电机组的最大发电功率；
根据所述风电机组的最大发电功率以及所述设备参数，确定所述机组约束。
可选的，所述对所述综合能源系统优化模型进行求解，得到所述综合能源系统的优化运行方案，包括：
综合多元宇宙优化算法与混合整数线性规划方法，对所述综合能源系统优化模型进行求解，得到所述优化运行方案，所述优化运行方案至少包括：向所述能源供应商购能的方案、所述不同种类负荷的分时定价方案。
在本发明实施例的方法中，首先，获取计及风电出力不确定性的风电功率曲线；其次，通过改进的K-means聚类方法对用户负荷特征进行聚类，得到不同种类的用户负荷特性；然后，根据不同种类的用户负荷特性，确定分类负荷需求响应；再次，构建考虑分类负荷需求响应的含电转气设备的综合能源系统优化模型；最后，根据计及风电出力不确定性的风电功率曲线、不同种类的用户负荷特性、能源供应商提供的能源报价，对综合能源系统优化模型进行求解，得到综合能源系统的优化运行方案。通过本方法实施例的方法，在对综合能源系统进行调度时考虑了分类符合需求响应以及电转气装置，通过分类负荷需求响应对设备能源利用率进行优化，引导用户优化用能方案，实现削峰填谷，而电转气的加入提高了可再生能源的消纳，减少了弃风现象，能够更好地改进园区综合能源系统运行的经济性，从而有效利用负荷侧灵活性资源，减少了园区综合能源系统的运行成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例示出的一种计及分类负荷需求响应的含电转气综合能源系统调度方法的流程图；
图2是本发明一实施例示出的分类负荷响应后电负荷优化示意图；
图3是本发明一实施例示出的计及风电机组出力不确定性的风电功率曲线图；
图4是本发明一实施例示出的一种考虑分类负荷需求响应的含电转气设备的综合能源系统优化模型的求解流程图。
具体实施方式
下面将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作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。
参照图1，图1是本发明一实施例示出的一种计及分类负荷需求响应的含电转气综合能源系统调度方法的流程图。如图1所示，该方法包括以下步骤：
步骤S11：获取计及风电出力不确定性的风电功率曲线。
本实施例中，可以首先针对园区综合能源系统中风电机组出力的不确定性，根据历史数据，确定出计及风电出力不确定性的风电功率曲线。其中，本实施例的计及风电出力不确定性的风电功率曲线为预测出来的24小时内各时段的风电机组的发电功率曲线。
步骤S12：通过改进的K-means聚类方法对用户负荷特征进行聚类，得到不同种类的用户负荷特性。
本实施例中，可以对传统的原始K-means聚类方法进行改进，并通过改进的K-means聚类方法对提取到的用户负荷特征进行聚类，从而得到不同种类的用户负荷特性，即不同负荷的特性。其中，用户负荷特征为根据历史用户负荷数据所提取出来的负荷特征；本实施例中，不同类型的用能特性都有其一定的负荷形态，因此，用户负荷特性为每类用能用户所特有的负荷特性。
步骤S13：根据所述不同种类的用户负荷特性，确定分类负荷需求响应。
本实施例中，确定出不用种类各自对应的用户负荷特性之后，可以针对每类负荷的用户负荷特性以及其期望的负荷曲线形态，制定相应的分时需求响应策略。其中，分时需求响应策略可以是制定的分时段的能源价格。如此，即可根据每类负荷制定的分时需求响应策略，确定每类负荷的需求响应，从而确定出分类负荷需求响应。其中，本实施例的分类负荷需求响应指的是不同用能特性的用户针对制定后的价格所产生的负荷量需求响应。
步骤S14：构建考虑所述分类负荷需求响应的含电转气设备的综合能源系统优化模型。
本实施例中，可以构建一个考虑分类负荷需求响应以及含电转气设备的综合能源系统优化模型，用以确定综合能源系统所制定的运行方案，以实现对综合能源系统调度的优化。
步骤S15：根据所述计及风电出力不确定性的风电功率曲线、所述不同种类的用户负荷特性、能源供应商提供的能源报价，对所述综合能源系统优化模型进行求解，得到所述综合能源系统的优化运行方案。
本实施例中，综合能源系统优化模型的输入至少可以包括：计及风电出力不确定性的风电功率曲线(即24小时内各时段的风电机组的发电功率)、不同种类的用户负荷特性、能源供应商提供的能源报价；综合能源系统优化模型的输出至少可以包括：综合能源系统的优化运行方案。
也就是说，本实施例可以根据计及风电出力不确定性的风电功率曲线、不同种类的用户负荷特性、能源供应商提供的能源报价，对构建好的、考虑分类负荷需求响应的含电转气设备的综合能源系统优化模型进行求解，从而得到综合能源系统的优化运行方案。
在本实施例中，不仅通过分类负荷需求响应对设备能源利用率进行优化，实现了负荷曲线的削峰填谷，还通过电转气的加入提高了可再生能源的消纳，减少了弃风现象，能够更好地改进园区综合能源系统运行的经济性，从而有效利用负荷侧灵活性资源，提高了综合能源系统的运行灵活性，减少了园区综合能源系统的运行成本。
结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，上述步骤S12具体可以包括步骤S21至步骤S23：
步骤S21：采用DTW相似性距离指标代替原始K-means聚类方法中的距离指标，得到所述改进的K-means聚类方法。
本实施例中，针对用户负荷特征进行聚类时，不再采用传统的原始K-means聚类方法，而是对原始K-means聚类方法中的距离指标进行了改进。在本实施例中，是采用DTW相似性距离指标代替原始K-means聚类方法中的距离指标。具体的，可以通过以下公式(1)至公式(4)确定DTW相似性距离：
DWT'(X',Y')＝L'(n,m) (4)
其中，公式(1)为原负荷序列x，y的趋势序列，可以充分反映各时间段的趋势特征信息；公式(2)为趋势序列的欧式距离；公式(3)为改进弯曲次数后的DTW距离的累积代价矩阵L’，计算序列xi′与yj′的趋势特征。rx、ry和rmax分别表示x序列间距、y序列间距和最大间距。L(i-1,j)表示xi-′1与yj′匹配时的子序列积累距离，即xi-′1与yj′间的相似度，L(i,j-1)表示xi′与yj′-1匹配时的子序列积累距离，L(i-1,j-1)表示xi-′1与yj′-1匹配时的子序列积累距离；公式(4)为改进后的DTW距离，描述序列的趋势特征。
本实施例中，确定出DTW距离后，即可将DTW距离替换掉原始K-means聚类方法中的距离，从而得到改进后的K-means聚类方法。
步骤S22：通过所述改进的K-means聚类方法对用户负荷特征进行处理，得到用户负荷特征之间的相似性。
本实施例中，即可通过改进后的K-means聚类方法对提取到的用户负荷特征进行处理，从而得到用户负荷特征之间的相似性。具体的，可以通过下述公式(5)确定用户负荷特征之间的相似性：
其中，在公式(5)中：D(X,Y)为X符合负荷序列与Y负荷序列之间的相似性，α和λ分别为数值特征权重和趋势特征权重，该距离在应用到序列聚类分析时，既能够对两序列的数值进行比较，又能够很好地体现二者的趋势特征。通过本实施例所提供的改进的K-means聚类方法，能有效兼顾序列的数值特征与趋势特征，对序列的趋势特征细节具有较强的识别能力，同时具有较强的稳定性。
步骤S23：根据所述用户负荷特征之间的相似性，进行用户负荷特征的分类，得到用能特性相似的不同种类的用户负荷，确定所述不同种类的用户负荷特性。
本实施例中，在得到用户负荷特征之间的相似性之后，即可根据用户负荷特征之间的相似性，对提取到的用户负荷特征的分类，得到不同种类的用户负荷，每类用电负荷具有用能特性相似的特点。例如可以得到分属不同种类的电负荷、热负荷的分类结果，如聚类得到用能特性相似的几类用电负荷P1,P2,…,Pn和几类用热负荷H1,H2,…,Hn等等。
如此，本实施例根据得到的不同种类的用户负荷，可以确定出每类用户负荷的用户负荷特征，用户负荷特性可以包括用户用能特性、用户用能心理、用户期望的负荷曲线形态，从而确定出不同种类的用户负荷特征。
在本实施例中，通过DTW相似性距离代替原始K-means聚类方法中的距离，对传统的原始K-means聚类方法进行了改进，从而在进行不同用户负荷聚类分析时，既能够对二者的数值进行比较，又能够很好地体现二者的趋势特征。即。能有效兼顾序列的数值特征与趋势特征，对序列的趋势特征细节具有较强的识别能力，同时具有较强的稳定性。
其中，结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，上述步骤S13具体可以包括步骤S31至步骤S33：
步骤S31：根据所述不同种类的用户负荷特性，确定对应的分时能源价格。
本实施例中，得到不同种类的用户负荷特性之后，可以根据不同种类的用户负荷特性，分别确定对应的分时能源价格。具体的，可以是针对每类负荷的用户负荷特性以及其期望的负荷曲线形态，制定相应的分时能源价格。例如，针对属于电负荷的各类用户负荷，可以制定相应的分时电价；针对属于热负荷的各类用户负荷，可以制定相应的分时热价，从而形成分时电价、分时热价需求响应策略，来引导负荷改变用能计划。
步骤S32：根据所述分时能源价格，确定不同种类的用户需求响应参与度。
本实施例中，可以根据所制定的分时能源价格，确定出不同种类的用户需求响应参与度，该用户需求响应参与度反映了用户需求的参与情况。其中，本实施例考虑到用户用能心理的影响，需求响应的效果具有不确定性，因此，可以根据各类用户所对应的各个时段的分时能源价格，以及各类用户的临界激励能源价格以及饱和激励点能源价格，来确定各类用户的需求响应参与度。下面以电负荷以及电价为例，可以通过公式(6)确定用户需求响应参与度：
其中，公式(6)中：δN为第N类用户的需求响应参与度；
为第N类用户t时段的分时电价；/>
表示第N类用户的临界激励电价；/>
表示第N类用户的饱和激励电价。
需要说明的是，针对热负荷和热价确定用户需求响应参与度的方法，与，针对电负荷和电价确定用户需求响应参与度的方法相同或相似。
步骤S33：根据所述不同种类的用户需求响应参与度、价格弹性矩阵以及所述对应的分时能源价格，确定所述分类负荷需求响应。
本实施例中，可以根据不同种类的用户需求响应参与度、价格弹性矩阵以及不同种类的用电负荷所对应的分时能源价格，确定分类负荷需求响应。其中，分类负荷需求响应反应了用户针对负荷的需求响应的参与情况，例如可以通过考虑了用户需求响应参与度的需求响应模型来确定分类负荷需求响应。
其中，本实施例可以根据不同种类的用户需求响应参与度、价格弹性矩阵以及对应的分时能源价格，进行需求响应模型的建模。例如，采用价格弹性矩阵分别对用户电负荷对电价的响应以及用户热负荷对热价的响应进行建模，下面以用户电负荷对电价的响应建模为例，考虑用户需求响应参的负荷量对价格响应模型如公式(7)所示。需要说明的是，针对用户热负荷和热价的响应建模的建立方法，与，针对电负荷和电价的响应建模的建立方法相同或相似。
公式(7)中：
为t时段第N类用户需求响应的原始负荷量；/>
为第N类用户价格需求响应后调整可控负荷用电状况所得的t时段的负荷变化量；/>
为第N类用户需求响应后t时段的电价变化量；/>
为响应前用户t时段的电价；E为电量电价弹性系数矩阵；δN为第N类用户的需求响应参与度。
如此，根据不同种类的用户需求响应参与度、价格弹性矩阵以及对应的分时能源价格，即可确定不同种类用户负荷的分类负荷需求响应，从而可以根据分类负荷需求响应确定出用户负荷需求，为后续综合能源系统的调度提供基础。
在本实施例中，通过分析每类电力用户特有的负荷特性，对用户负荷进行聚类分化，对不同类别进行分时电价需求响应，能更好地激发负荷需求响应潜力。而针对不同类别能源用户的负荷特性，进行分时能源价格需求响应，通过调整分时能源价格，精确引导用户错峰用能，可更为有效地减少用能高峰期和用能低谷期用能的差距，使负荷曲线变得平坦，有助于提高园区综合能源系统运行经济性。如图2所示，图2是本发明一实施例示出的分类负荷响应后电负荷优化示意图，在图2中，响应后的负荷曲线比原始负荷曲线相比，更为平坦，体现了进行分时电价需求响应，通过调整分时电价，精确引导用户错峰用电，能够有效减少用电高峰期和用电低谷期用电量的差距，有助于提高园区综合能源系统运行经济性。
其中，结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，上述步骤S11具体可以包括步骤S41至步骤S44：
步骤S41：通过拉丁超立方抽样方法，生成服从概率分布的风电机组发电功率的原始场景集。
本实施例中，可以通过拉丁超立方抽样(Latin hypercube sampling，LHS)生成大量服从概率分布的风电机组发电功率(出力)的原始场景集。具体的，可以是根据历史数据得到风电机组的短期预测功率期望值μw，假定风电机组功率误差满足N(0，σ2)的正态分布，既可通过拉丁超立方抽样方法生成大量服从概率分布的风电机组出力的原始场景集。其中，本实施例的一个场景为一天24小时综合能源系统中风电机组出力(发电功率)的情况。
步骤S42：通过基于概率距离的同步回代削减法，对所述原始场景集进行削减，得到精简场景集。
本实施例中，在得到原始场景集后，可以通过基于概率距离的同步回代削减法，对所述原始场景集进行削减，得到精简场景集，以减小计算的复杂度。具体的，可以是通过同步回代削减法从原始场景集中确定出场景出现概率从高到低排列的第一数量的场景以作为精简场景，生成精简场景集，并导出具有相应概率的多个精简场景。其中，第一数量可以根据经验和需求任意设定，例如第一数量可以为10，本实施例对此不作任何具体限制。
步骤S43：对所述精简场景集中的各场景出现的概率以及对应的风电机组发电功率进行相乘运算，得到乘积结果。
本实施例中，确定出精简场景集后，可以确定精简场景集中各场景出现的概率(如获取风电机组出力的10个精简场景集及其相应的概率Pn，其中n＝1,2,…,10)以及各场景对应的风电机组发电功率，从而对精简场景集中各场景出现的概率以及各场景对应的风电机组发电功率相乘求和，得到乘积结果。例如，乘积结果可以为：F＝P1 x p1+P2 x p2…+P10x p10，其中，Pn为各精简场景对应的风电机组发电功率，Pn为各精简场景出现的概率，n＝1,2,…,10。
其中，针对风电机组出力的不确定性，各场景下各时段的风电机组发电功率可能不同，因此各精简场景对应的风电机组发电功率可以为一个1x24的矩阵，该矩阵中的24个值分别对应该精简场景下24小时内各时段的风电机组发电功率，这24个值可以部分相同也可以各不相同。。
步骤S44：将所述乘积结果确定为所述计及风电出力不确定性的风电功率曲线。
本实施例中，得到乘积结果后，即可将该乘积结果确定为计及风电出力不确定性的风电功率曲线。如图3所示，图3是本发明一实施例示出的计及风电机组出力不确定性的风电功率曲线图。
结合以上实施例，在一可选实施例中，本发明还提出一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，所述用户负荷特征是通过以下步骤得到的：
步骤S51：获取典型日用户负荷数据；
步骤S52：采用LSTM自编码器对所述典型日用户负荷数据进行特征提取，得到所述用户负荷特征。
本实施例中，可以获取典型日的用户负荷数据，本实施例的典型日用户负荷数据为历史负荷数据。再采用事先训练好的LSTM自编码器对该典型日用户负荷数据进行特征提取，从而得到LSTM自编码器输出的用户负荷特征。
其中，LSTM自编码器的训练过程可以如下：将用户负荷数据作为模型输入，以均方误差损失函数作为损失函数进行LSTM自编码器的训练，直到均方误差损失函数足够小时结束LSTM自编码器的训练；再将测试集序列输入至训练好的LSTM自编码器，对模型进行测试，将模型的输出作为提取的负荷特征。
例如，使用某地区商业和工业用户的10000条日负荷数据对LSTMAE网络进行训练，在训练好的LSTMAE网络模型的基础上，对该地区共1200个商业和工业用户的负荷数据集进行特征提取和后续的聚类分析，从而在使用LSTMAE对负荷曲线进行特征抽取，得到降维特征序列的基础上，使用改进K-means聚类方法对日用户负荷序列对应的降维特征序列进行聚类，得到不同种类用户负荷的分类结果。
在本实施例中，采用一种深度学习的负荷分类方法对典型日负荷进行特征提取，并将其进行聚类成负荷特性相似的几类负荷，并针对每类负荷的用能特性制定相应的分时需求响应策略。其中，LSTM自编码器能有效提取负荷曲线深层特征，实现高维负荷曲线的降维，具有良好的降维准确性及鲁棒性。
结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，上述步骤S14具体可以包括步骤S61至步骤S63：
步骤S61：构建以所述能源供应商的收益最大化为目标的能源供应商优化模型。
本实施例中，针对综合能源系统优化模型的构建，可以先构建一个以能源供应商的收益最大化为目标的能源供应商优化模型，该能源供应商优化模型的目的是尽可能实现能源供应商的收益最大化。
步骤S62：构建以所述综合能源系统的成本最小化为目标的、考虑所述分类负荷需求响应的含电转气设备的综合能源系统内部优化模型。
本实施例中，除了构建能源供应商优化模型之外，还需要构建以综合能源系统的成本最小化为目标的、考虑分类负荷需求响应的含电转气设备的综合能源系统内部优化模型，该综合能源系统内部优化模型的目的是为了实现综合能源系统的成本最小化。
步骤S63：根据所述能源供应商优化模型以及所述综合能源系统内部优化模型，构建所述综合能源系统优化模型。
本实施例中，在构建能源供应商优化模型以及综合能源系统内部优化模型之后，即可根据能源供应商优化模型以及综合能源系统内部优化模型，构建综合能源系统优化模型，该综合能源系统优化模型的目的是为了在实现综合能源系统的成本最小化的基础上，尽可能实现能源供应商的收益最大化。
在本实施例中，可以根据构建的能源供应商优化模型以及综合能源系统内部优化模型，来构建园区综合能源系统与能源供应商的外部议价模型，也即，综合能源系统优化模型，从而使得园区综合能源系统能够根据电、热价格信号优化运行方案，制定购能方案并提交能源供应商，从而在实现综合能源系统的成本最小化的基础上，尽可能实现能源供应商的收益最大化。
结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，上述步骤S61具体可以包括步骤S71：
步骤S71：以所述能源供应商的售能收益最大为第一目标函数，以售能约束、能量交互约束为第一约束条件，构建所述能源供应商优化模型。
本实施例中，在构建能源供应商优化模型时，可以以能源供应商的售能收益最大为第一目标函数，以售能约束、能量交互约束为第一约束条件，来构建能源供应商优化模型。其中，具体的，第一目标函数的表达式可以如下：
其中，在公式(8)、(9)中：FESN为能源提供商综合收益；T为调度时段；RSEN(t)为能源供应商的收入；
为售电价格、售热价格、售气价格；CSEN(t)为能源供应商的成本；ρcaol为煤炭价格；/>
为能源供应商的煤炭消耗量；aSEN，bSEN，cSEN为能源供应商的生产成本系数；gSEN(t)为售能总量；/>
分别为园区综合能源系统购电量、购热量、购气量。
结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，上述步骤S62具体可以包括步骤S81：
步骤S81：以所述综合能源系统的运行成本最小为第二目标函数，以能量平衡约束、机组约束为第二约束条件，构建所述综合能源系统内部优化模型。
本实施例中，在构建综合能源系统内部优化模型时，可以以综合能源系统的运行成本最小为第二目标函数，并针对不同的类别的负荷制定相应的分时电价需求响应策略，实现负荷曲线的削峰填谷，优化购能计划，并以能量平衡约束、机组约束为第二约束条件，来构建综合能源系统内部优化模型。其中，具体的，第二目标函数的表达式可以如下式公式(10)所示：
公式(10)中：CPIES为园区综合能源系成本；T为调度时段。
公式(11)中；Ωe为设备集合；COM,i(t)为t时段设备i的运维成本；Pi(t)为t时段设备i的运行功率；ci,om为设备i的运行成本系数；WPP为风电机组；GT为燃气轮机；CH为换热器；EHP为电热泵；P2G为电转气装置；HSD为储热罐；ESD为电储能装置；GSD为储气罐。
结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，该方法还可以包括步骤S91至步骤S94：
步骤S91：根据所述分类负荷需求响应，确定用户用能负荷需求。
本实施例在确定出分类负荷需求响应后，可以根据分类负荷响应需求，确定各类用户的用能负荷需求，如用户电负荷需求或用户热负荷需求等。
步骤S92：根据所述用户用能负荷需求，以及设备参数，确定所述能量平衡约束。
本实施例中，可以根据确定出的用户用能负荷需求，园区内的设备参数，确定综合能源系统内部优化模型的能量平衡约束。具体的，园区能量平衡约束可以如下式公式(12)所示：
其中，公式(12)中：QE(t)为用户电负荷需求；Q WWP(t)为风电机组出力；Q GT(t)为燃气轮机发电功率；QESD(t)为电储能装置提供的功率；QH(t)为用户热负荷需求；QEHP(t)为电热泵运行功率；Q CH(t)为换热器功率；QHSD(t)为储热罐的功率；QG(t)为园区系统天然气耗量；QG,P2G(t)为P2G装置(电转气装置)提供的天然气流量；Q E,P2G(t)为P2G装置的运行功率；Q GSD(t)为储气罐装置提供的天然气流量。
步骤S93：根据所述计及风电出力不确定性的风电功率曲线，确定所述风电机组的最大发电功率。
本实施例中，可以根据获取到的计及风电机组出力不确定性的风电功率曲线，确定出风电机组的最大发电功率。
步骤S94：根据所述风电机组的最大发电功率以及所述设备参数，确定所述机组约束。
本实施例中，可以根据确定出的风电机组的最大发电功率即风电机组最大出力，以及设备参数，确定综合能源系统内部优化模型的机组约束。其中，机组约束可以如下式公式(13)-(15)所示：
其中，公式(13)中，
为风电机组最大出力；/>
为燃气轮机最大发电功率；
为换热器最大运行功率；/>
为电热泵最大运行功率。
其中，公式(14)中，
为电转气的转换效率；Hg为天然气热值；/>
为P2G装置的最大运行功率；/>
为P2G装置的最小运行功率。
其中，公式(15)中，Ex(t)为储能装置x的储能状态；Ex,min为储能装置x的最小储能状态；Ex,max为储能装置x的最大储能状态；λx,d(t)、λx,c(t)分别为储能装置x的充、放状态；Qx,d,max、Qx,c,max分别为储能装置x的最大蓄能、释能功率；ESD,HSD,GSD分别为电储能，储热罐，储气罐；Ex(0)为储能装置x 0时刻的储能状态；Ex(24)为储能装置x 24时刻的储能状态。
可以理解的是，机组约束可以至少包括：风电机组约束、燃气轮机约束、换热器约束、电热泵约束、电转气约束和储能装置约束；其中，上述公式(13)中分别表征了风电机组约束、燃气轮机约束、换热器约束和电热泵约束；上述公式(14)表征了电转气约束；上述公式(15)表征了储能装置约束。
结合以上实施例，在一种实施方式中，本发明还提供了一种计及分类负荷需求响应的含电转气综合能源系统调度方法，在该方法中，上述步骤S15中的“对所述综合能源系统优化模型进行求解，得到所述综合能源系统的优化运行方案”具体可以包括步骤S101：
步骤S101：综合多元宇宙优化算法与混合整数线性规划方法，对所述综合能源系统优化模型进行求解，得到所述优化运行方案。
在本实施例中，可以根据计及风电出力不确定性的风电功率曲线、不同种类的用户负荷特性、以及能源供应商提供的能源报价，综合多元宇宙优化算法以及混合整数线性规划方法，对该综合能源系统优化模型进行求解，从而得到园区综合能源系统的优化运行方案。其中，综合能源系统优化模型输出的优化运行方案至少可以包括：所述能源供应商购能的方案、不同种类负荷的分时定价方案。以及，在一种实施例中，综合能源系统优化模型的输入还可以包括：园区各设备的各种参数。
在本实施例中，采用多元宇宙优化算法结合混合整数线性规划方法对园区综合能源系统优化模型进行求解，利用宇宙空间在随机创建过程中高膨胀率的物体随虫洞在空间移动物体的规律，通过对白洞和黑洞间随机传送物体来实现最优搜索，算法具有运算速度快，收敛性强，适用于高维计算等特点。
在一可选的实施方式中，请参考图4，图4是本发明一实施例示出的一种考虑分类负荷需求响应的含电转气设备的综合能源系统优化模型的求解流程图，同时，图4也可以理解为是一种计及分类负荷需求响应的含电转气综合能源系统调度方法的流程图。
如图4所示，流程开始后，首先进行数据初始化，进行第一次迭代，i＝1；然后产生能源供应商报价策略的初始种群；接着能源供应商发送报价策略信息到园区综合能源系统；然后园区综合能源系统优化运行，即通过综合能源系统优化模型进行求解，能源供应商接收到运行结果：下层购能方案。其中，在下层框架中，可以是综合能源系统(综合能源系统优化模型)接收报价策略信息，调用求解器求解综合能源系统(综合能源系统优化模型)的优化结果，将得到的购能方案反馈至能源供应商。
在能源供应商接收到下层购能方案之后，可以根据购能方案计算能源供应商收益，然后确定当前迭代次数是否达到最大迭代次数或是否满足最小误差精度；在否的情况下，执行轮盘赌选择机制，更新WEP和TDR，得到新的报价策略种群，从而进行下一次迭代，使得i＝i+1，从而重复“发送报价策略信息到园区综合能源系统”的步骤，继续执行流程；在是的情况下，综合能源系统直接输出策略信息和运行结果，流程结束。
在一可选的实施方式中，为了验证电转气、园区用户需求响应(分类负荷需求响应)对园区综合能源系统优化运行的影响，设置四个场景进行分析：场景一：不考虑电转气、需求响应；场景二：考虑电转气，不考虑需求响应；场景三：考虑需求响应，不考虑电转气；场景四：考虑需求响应和电转气。
分别来计算上述4种场景下的园区综合能源系统的效用函数。计算结果如表1所示。
表1
分析上述表1可知，通过分类负荷需求响应对设备能源利用率进行优化，引导用户优化用能方案，可以实现削峰填谷；而通过电转气的加入提高了可再生能源的消纳，减少了弃风现象，能够更好地改进园区系统运行的经济性。当园区综合能源系统运行时考虑分类负荷需求响应和电转气时，最大限度地发挥公园内的联动作用，运行总成本为30202.7元，与场景一相比，场景二、三和四下的园区系统运行总成本分别减少924.3元、1267.1元和2039.93元。通过分析每类电力用户特有的负荷特性，对用户负荷进行聚类分化，对不同类别进行分时电价需求响应，如表2和表3所示，更好地激发负荷需求响应潜力。电转气装置使得电气之间的耦合进一步深入，提高了系统的运行灵活性。
表2分类负荷分时电价优化
表3分类负荷分时热价优化
此外需要说明的是，表2和表3也可以是综合能源系统优化模型所输出的不同种类负荷的分时定价方案示例。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种计及分类负荷需求响应的含电转气综合能源系统调度方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述方法包括：
获取计及风电出力不确定性的风电功率曲线；
通过改进的K-means聚类方法对用户负荷特征进行聚类，得到不同种类的用户负荷特性；
根据所述不同种类的用户负荷特性，确定分类负荷需求响应；
构建考虑所述分类负荷需求响应的含电转气设备的综合能源系统优化模型；
根据所述计及风电出力不确定性的风电功率曲线、所述不同种类的用户负荷特性、能源供应商提供的能源报价，对所述综合能源系统优化模型进行求解，得到所述综合能源系统的优化运行方案。
2.根据权利要求1所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述通过改进的K-means聚类方法对用户负荷特征进行聚类，得到不同种类的用户负荷特性，包括：
采用DTW相似性距离指标代替原始K-means聚类方法中的距离指标，得到所述改进的K-means聚类方法；
通过所述改进的K-means聚类方法对用户负荷特征进行处理，得到用户负荷特征之间的相似性；
根据所述用户负荷特征之间的相似性，进行用户负荷特征的分类，得到用能特性相似的不同种类的用户负荷，确定所述不同种类的用户负荷特性。
3.根据权利要求1所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述根据所述不同种类的用户负荷特性，确定分类负荷需求响应，包括：
根据所述不同种类的用户负荷特性，确定对应的分时能源价格；
根据所述分时能源价格，确定不同种类的用户需求响应参与度；
根据所述不同种类的用户需求响应参与度、价格弹性矩阵以及所述对应的分时能源价格，确定所述分类负荷需求响应。
4.根据权利要求1所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述获取计及风电出力不确定性的风电功率曲线，包括：
通过拉丁超立方抽样方法，生成服从概率分布的风电机组发电功率的原始场景集；
通过基于概率距离的同步回代削减法，对所述原始场景集进行削减，得到精简场景集；
对所述精简场景集中的各场景出现的概率以及对应的风电机组发电功率进行相乘运算，得到乘积结果；
将所述乘积结果确定为所述计及风电出力不确定性的风电功率曲线。
5.根据权利要求1所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述用户负荷特征通过以下步骤得到：
获取典型日用户负荷数据；
采用LSTM自编码器对所述典型日用户负荷数据进行特征提取，得到所述用户负荷特征。
6.根据权利要求1所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述构建考虑所述分类负荷需求响应的含电转气设备的综合能源系统优化模型，包括：
构建以所述能源供应商的收益最大化为目标的能源供应商优化模型；
构建以所述综合能源系统的成本最小化为目标的、考虑所述分类负荷需求响应的含电转气设备的综合能源系统内部优化模型；
根据所述能源供应商优化模型以及所述综合能源系统内部优化模型，构建所述综合能源系统优化模型。
7.根据权利要求6所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述构建以所述能源供应商的收益最大化为目标的能源供应商优化模型，包括：
以所述能源供应商的售能收益最大为第一目标函数，以售能约束、能量交互约束为第一约束条件，构建所述能源供应商优化模型。
8.根据权利要求6所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述构建以所述综合能源系统的成本最小化为目标的、考虑所述分类负荷需求响应的含电转气设备的综合能源系统内部优化模型，包括：
以所述综合能源系统的运行成本最小为第二目标函数，以能量平衡约束、机组约束为第二约束条件，构建所述综合能源系统内部优化模型。
9.根据权利要求8所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述方法还包括：
根据所述分类负荷需求响应，确定用户用能负荷需求；
根据所述用户用能负荷需求以及设备参数，确定所述能量平衡约束；
根据所述计及风电出力不确定性的风电功率曲线，确定所述风电机组的最大发电功率；
根据所述风电机组的最大发电功率以及所述设备参数，确定所述机组约束。
10.根据权利要求1所述的计及分类负荷需求响应的含电转气综合能源系统调度方法，其特征在于，所述对所述综合能源系统优化模型进行求解，得到所述综合能源系统的优化运行方案，包括：
综合多元宇宙优化算法与混合整数线性规划方法，对所述综合能源系统优化模型进行求解，得到所述优化运行方案，所述优化运行方案至少包括：向所述能源供应商购能的方案、所述不同种类负荷的分时定价方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310113277.4A CN116247725A (zh) | 2023-02-14 | 2023-02-14 | 计及分类负荷需求响应的含电转气综合能源系统调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310113277.4A CN116247725A (zh) | 2023-02-14 | 2023-02-14 | 计及分类负荷需求响应的含电转气综合能源系统调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116247725A true CN116247725A (zh) | 2023-06-09 |
Family
ID=86630792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310113277.4A Pending CN116247725A (zh) | 2023-02-14 | 2023-02-14 | 计及分类负荷需求响应的含电转气综合能源系统调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116247725A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170103483A1 (en) * | 2015-10-08 | 2017-04-13 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on benefits and costs of participating in PBDR and IBDR programs |
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| CN112488372A (zh) * | 2020-11-23 | 2021-03-12 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 多时间尺度下电采暖负荷双层优化调度方法 |
| CN113362103A (zh) * | 2021-05-24 | 2021-09-07 | 电子科技大学 | 一种通过用户用电行为特征定制电网峰谷分时电价的方法 |
| CN113869587A (zh) * | 2021-09-29 | 2021-12-31 | 国网上海市电力公司 | 一种区域综合能源系统的优化方法及优化系统 |
| CN114462724A (zh) * | 2022-04-12 | 2022-05-10 | 中建安装集团有限公司 | 一种考虑多能源价格激励综合需求响应模型的园区聚合商双层优化调度方法 |
| CN114998052A (zh) * | 2022-06-02 | 2022-09-02 | 西安理工大学 | 考虑需求响应的综合能源系统低碳经济优化运行方法 |
| CN115238503A (zh) * | 2022-07-26 | 2022-10-25 | 河南工业大学 | 一种电-热-气-氢综合能源系统优化调度方法 |
-
2023
- 2023-02-14 CN CN202310113277.4A patent/CN116247725A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170103483A1 (en) * | 2015-10-08 | 2017-04-13 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on benefits and costs of participating in PBDR and IBDR programs |
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| CN112488372A (zh) * | 2020-11-23 | 2021-03-12 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 多时间尺度下电采暖负荷双层优化调度方法 |
| CN113362103A (zh) * | 2021-05-24 | 2021-09-07 | 电子科技大学 | 一种通过用户用电行为特征定制电网峰谷分时电价的方法 |
| CN113869587A (zh) * | 2021-09-29 | 2021-12-31 | 国网上海市电力公司 | 一种区域综合能源系统的优化方法及优化系统 |
| CN114462724A (zh) * | 2022-04-12 | 2022-05-10 | 中建安装集团有限公司 | 一种考虑多能源价格激励综合需求响应模型的园区聚合商双层优化调度方法 |
| CN114998052A (zh) * | 2022-06-02 | 2022-09-02 | 西安理工大学 | 考虑需求响应的综合能源系统低碳经济优化运行方法 |
| CN115238503A (zh) * | 2022-07-26 | 2022-10-25 | 河南工业大学 | 一种电-热-气-氢综合能源系统优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张铁峰;李谦;左丽莉;: "考虑替代能源的居民用户用电优化研究", 电力科学与工程, no. 01, 28 January 2020 (2020-01-28) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Trotter et al. | A multi-criteria, long-term energy planning optimisation model with integrated on-grid and off-grid electrification–The case of Uganda | |
| Pousinho et al. | Self-scheduling for energy and spinning reserve of wind/CSP plants by a MILP approach | |
| Mohammad et al. | Coordination of wind generation and demand response to minimise operation cost in day‐ahead electricity markets using bi‐level optimisation framework | |
| van der Weijde et al. | Locational-based coupling of electricity markets: benefits from coordinating unit commitment and balancing markets | |
| Guo et al. | A novel typical day selection method for the robust planning of stand-alone wind-photovoltaic-diesel-battery microgrid | |
| Ugulu | Barriers and motivations for solar photovoltaic (PV) adoption in urban Nigeria | |
| Wang et al. | Bargaining-based energy trading market for interconnected microgrids | |
| Zhang et al. | Scenario forecasting of residential load profiles | |
| Awopone | Feasibility analysis of off-grid hybrid energy system for rural electrification in Northern Ghana | |
| CN112952807A (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
| Zhan et al. | Distributionally robust chance-constrained flexibility planning for integrated energy system | |
| Li et al. | Optimal design and operation method of integrated energy system based on stochastic scenario iteration and energy storage attribute evaluation | |
| Lüth et al. | Electrolysis as a flexibility resource on energy islands: The case of the North Sea | |
| CN116247725A (zh) | 计及分类负荷需求响应的含电转气综合能源系统调度方法 | |
| Liu et al. | Joint optimisation of generation and storage in the presence of wind | |
| Torbaghan et al. | Impact of wind energy support schemes on the development of an offshore grid in the North Sea | |
| Liu et al. | Wind utilization and carbon emissions equilibrium: Scheduling strategy for wind-thermal generation system | |
| Purohit et al. | CDM potential of SPV lighting systems in India | |
| CN113393033A (zh) | 考虑跨季节储氢的能源转型路径优化方法、系统及装置 | |
| Devi et al. | Multi-attribute based prosumers prioritization for energy trading in Smart Grid | |
| Zhan et al. | Distributionally Robust Chance-Constrained Flexibility Planning for Integrated Energy System | |
| Dashtpeyma et al. | Enablers of management system resilience in wind power plant | |
| Zhang et al. | Optimal Sizing of Behind-the-Meter Battery Storage for Providing Profit-Oriented Stackable Services | |
| Lynch et al. | The role of power-to-gas in the future energy system: how much is needed and who wants to invest? | |
| Wei et al. | Federated Learning Based Privacy-Preserving Renewable Energy Consumption for the Local Community |
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 |