CN116307072A - 一种综合能源配电网多目标优化调度方法 - Google Patents
一种综合能源配电网多目标优化调度方法 Download PDFInfo
- Publication number
- CN116307072A CN116307072A CN202310048142.4A CN202310048142A CN116307072A CN 116307072 A CN116307072 A CN 116307072A CN 202310048142 A CN202310048142 A CN 202310048142A CN 116307072 A CN116307072 A CN 116307072A
- Authority
- CN
- China
- Prior art keywords
- energy
- power
- distribution network
- cost
- moment
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004146 energy storage Methods 0.000 claims abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 28
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 54
- 239000007789 gas Substances 0.000 claims description 30
- 230000005611 electricity Effects 0.000 claims description 27
- 239000003345 natural gas Substances 0.000 claims description 27
- 238000007599 discharging Methods 0.000 claims description 15
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000005057 refrigeration Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 238000005338 heat storage Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000002918 waste heat Substances 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明具体涉及本发明一种综合能源配电网多目标优化调度方法,包括以下步骤:建立园区综合能源系统协调调度模型;建立配电网系统多目标优化调度模型;结合粒子群算法对配电网系统多目标优化调度模型求解,得出最优方案;基于ATC法的整体模型求解,本发明对主动配电网中的分布式电源、柔性负荷、储能设备、联络线功率进行优化调度能够有效地提升可再生能源的消纳能力,将园区综合能源系统中多种能源互补耦合,多种设备共同出力能满足系统运行的冷、热、电负荷需求,本发明所提出的园区综合能源系统和主动配电网协调调度模型能够兼顾两个系统的多个优化目标,体现了园区综合能源接入主动配电网的多方面效益。
Description
技术领域
本发明属于电力系统综合能源运行调度技术领域,具体涉及一种综合能源配电网多目标优化调度方法。
背景技术
园区综合能源系统(PIES)是面向园区微能源网的综合能源系统,亦称为微能源网或冷热电联供型微网,园区综合能源系统(PIES)通过多能协同、互补互济的方式提高了能源利用效率,是推动减污降碳协同增效,实现能源转型的重要途径,配电网对并网的分布式电源进行主动管理,与下级微电网进行信息交互是现代配电系统的发展方向,同时配电网作为综合能源系统中电力供应的关键一环,配电网技术的快速发展也为进一步推动多种能源的综合利用提供了手段,如何实现园区综合能源系统与配电网的协调调度和一体化运行是亟须解决的重要问题之一。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种能够将园区综合能源与主动配电网进行良好结合调度的一种综合能源配电网多目标优化调度方法。
本发明的目的是这样实现的,一种综合能源配电网多目标优化调度方法,它包括以下步骤:
步骤1:建立园区综合能源系统协调调度模型;
步骤2:建立配电网系统多目标优化调度模型;
步骤3:结合粒子群算法对配电网系统多目标优化调度模型求解,得出最优方案;
步骤4:基于ATC法的整体模型求解。
所述的步骤1中,园区综合能源系统(PIES)的系统结构为:园区综合能源系统(PIES)由各类能量储存和转化元件、能量传输母线和负荷构成,与上级电网和天然气网进行电能和天然气交互,能量存储和转化设备包含风电、热电联产(CHP)机组、吸收式制冷机、燃气锅炉、蓄热装置、电制冷机和蓄电池,负荷包括电负荷、热负荷和冷负荷,园区综合能源系统各设备的详细模型如下:
式中:ECHP,t和HCHP,t分别为热电联产机组t时刻产生的电能和热能;ηge和ηgh分别为热电联产机组的产电和产热效率;G1,t为t时刻热电联产机组吸收天然气转化成的能量;
2)燃气锅炉吸收天然气产热供给热负荷,其表达式为:
HGB,t=G2,tηh
式中HGB,t为燃气锅炉t时刻产生的热能;ηh为燃气锅炉的产热效率;G2,t为t时刻燃气锅炉吸收天然气转化成的能量;
3)电制冷机吸收电能制冷,其表达式为:
CER,t=E2,tηc
式中:CER,t为电制冷机t时刻产生的冷能;E2,t为吸收的电能;ηc为制冷效率;
4)吸收式制冷机吸收电能制冷,其表达式为:
CAC,t=H2,tηhc
式中:CAC,t为吸收式制冷机t时刻产生的冷能;H2,t为吸收式制冷机t时刻吸收的热能;ηhc为转换效率;
5)蓄电池储能吸收电能或放出电能,存储量约束表达式为:
式中:Wt为蓄电池t时刻存储的电能;Ec,t和Ed,f分别为蓄电池t时刻的充电和放电功率;ηch和ηdis分别为充电和放电效率;σ为能量自损率,Wmax和Wmin分别为蓄电池存储量的上限和下限;W0和WT分别为调度初始时刻和结束时刻T的存储量;
充放电约束为:
式中Ec,max和Ec,min分别为蓄电池充电功率Ec,t的上限和下限;Ed,max和Ed,min分别为蓄电池放电功率Ed,t的上限和下限;Ic,t和Id,t分别为蓄电池t时刻储能充电和放电的状态变量。
园区综合能源系统(PIES)的目标函数和约束条件为:园区综合能源系统是一个集中控制的系统,运营商协调各设备在各时段的出力,使系统处于最优运行状态,达到总成本最小的目的,综合成本CPIES由购电成本Ce,t、购气成本Cgas,t和储能调用成本Css,t组成,具体表达式为:
1)购电成本:
Ce,t=αb,tmax{0,Et}+αs,tmin{0,Et}+E1,tαw,t
式中:Et为t时刻与配电网交互的联络线功率;E1,t为t时刻风电的输出功率;αb,t为从配电网购入的电价;αw,t为风电上网电价;αs,t为向配电网售电的电价;
2)购气成本:
Cgas,t=βGt
式中:Gt为t时刻购入的天然气经热值换算成的功率;β为单位功率的天然气价格;
3)储能调用成本:
Css,t=(Ed,t+Ec,t+Hd,t+Hc,t)αss
式中:Hc,t和Hd,t分别为蓄热装置储热和放热功率;αss为单位功率的调用成本。
所述的步骤2中,可调度资源包括风电、光伏、微型燃气轮机、蓄电池储能、柔性负荷以及园区综合能源的联络线功率,利用可调度资源建立配电网多目标优化调度模型,以调度成本CADN、负荷曲线方差D和可再生能源弃电量R为优化目标;
调度成本CADN由分布式发电购电成本CDG,t、储能设备调用成本CESS,t、柔性负荷补偿成本CDR,t和与园区综合能源交互成本CTR,t组成,CTR,t为正时,配电网从园区综合能源购电,CTR,t为负时,配电网向园区综合能源售电,调度成本表达式为:
CTR,t=λb,tmax{0,P1,t}+λs,tmin{0,P1,t}
式中NDG为分布式电源数量;PDG,d,t为第d台分布式电源在t时刻的输出功率;λDG,d为分布式电源上网电价;NESS为储能设备台数;Pc,m,t和Pd,m,t分别为第m台储能设备在t时刻的充电功率和放电功率;λESS为储能单位功率的调用成本;NDR为柔性负载个数;PDR,h,t和P* DR,h,t分别为第h个柔性负荷在t时刻的实际功率和期望功率;λDR,为柔性负荷单位功率的补偿费用;P1,t为t时刻联络线功率;λb,t和λs,t分别为t时刻的购电价格和售电价格。
所述的步骤3中,多目标优化问题一般可以表示为如下模型:
式中:x为决策变量;Ω为决策变量可行解空间;fm(·)为第m维目标函数,m∈M,其中M为目标函数总维度集合;
对于2个任意决策变量x1和x2,假设当前模型为最小化问题,那么当且仅当满足fm(x1)<fm(x2)时,称x1支配x2,若决策变量xa∈Ω,且xa不被可行解空间的任意解支配,则称xa为该目标优化的非劣解或Pareto最优解,所有Pareto最优解的集合称为Pareto最优解集,Pareto最优解集对应的目标函数向量集合为Pareto前沿;
粒子群算法中,通过搜索空间中多个粒子根据全局最优和个体最优指导速度和位置的更新,共同进化找到问题的最优解,主动配电网优化调度的决策变量为各电源各时刻的有功功率,将一个粒子作为一种调度方案,粒子位置表示各电源的岀力,粒子的速度表示出力的调整量,用ng表示电源个数,各电源各时刻的有功出力组合为ng×T矩阵,作为粒子位置p,设各机组各时刻出力的调整量作为速度v,则粒子群算法的更新公式为:
式中为粒子i在第ta次进化的速度;w为惯性系数;c1和c2为加速常数;r为在区间[0,1]均匀分布的随机数;pi,ta为粒子i在第ta次进化的位置,即一个调度方案;pbest,i为粒子i自身经历的最优调度方案,即个体最优方案;gbest为整个种群进化过程中最优的调度方案,即全局最优方案。
所述的步骤4中,首先确定上下层关系,上层系统为主动配电网,下层系统为园区综合能源系统,上层系统和下层系统间耦合的决策变量为联络线功率,以实现两个系统各自的优化目标,这种层级结构与ATC法的基本思想相一致因此,可将ATC法的思想应用于园区综合能源系统和主动配电网协调调度问题的求解。
本发明的有益效果:本发明一种综合能源配电网多目标优化调度方法,基于ATC法的整体模型求解,本发明对主动配电网中的分布式电源、柔性负荷、储能设备、联络线功率进行优化调度能够有效地提升可再生能源的消纳能力,优化负荷曲线,缩小负荷峰谷差,将园区综合能源系统中多种能源互补耦合,多种设备共同出力能满足系统运行的冷、热、电负荷需求,本发明所提出的园区综合能源系统和主动配电网协调调度模型能够兼顾两个系统的多个优化目标,体现了园区综合能源接入主动配电网的多方面效益。
附图说明
图1为本发明一种综合能源配电网多目标优化调度方法的步骤流程图。
图2为本发明一种综合能源配电网多目标优化调度方法的上层系统与下层系统结构框图。
具体实施方式
一种综合能源配电网多目标优化调度方法,它包括以下步骤:
步骤1:建立园区综合能源系统协调调度模型;
步骤2:建立配电网系统多目标优化调度模型;
步骤3:结合粒子群算法对配电网系统多目标优化调度模型求解,得出最优方案;
步骤4:基于ATC法的整体模型求解。
所述的步骤1中,园区综合能源系统(PIES)的系统结构为:园区综合能源系统(PIES)由各类能量储存和转化元件、能量传输母线和负荷构成,与上级电网和天然气网进行电能和天然气交互,能量存储和转化设备包含风电、热电联产(CHP)机组、吸收式制冷机、燃气锅炉、蓄热装置、电制冷机和蓄电池,负荷包括电负荷、热负荷和冷负荷,园区综合能源系统各设备的详细模型如下:
式中:ECHP,t和HCHP,t分别为热电联产机组t时刻产生的电能和热能;ηge和ηgh分别为热电联产机组的产电和产热效率;G1,t为t时刻热电联产机组吸收天然气转化成的能量;
2)燃气锅炉吸收天然气产热供给热负荷,其表达式为:
HGB,t=G2,tηh
式中HGB,t为燃气锅炉t时刻产生的热能;ηh为燃气锅炉的产热效率;G2,t为t时刻燃气锅炉吸收天然气转化成的能量;
3)电制冷机吸收电能制冷,其表达式为:
CER,t=E2,tηc
式中:CER,t为电制冷机t时刻产生的冷能;E2,t为吸收的电能;ηc为制冷效率;
4)吸收式制冷机吸收电能制冷,其表达式为:
CAC,t=H2,tηhc
式中:CAC,t为吸收式制冷机t时刻产生的冷能;H2,t为吸收式制冷机t时刻吸收的热能;ηhc为转换效率;
5)蓄电池储能吸收电能或放出电能,存储量约束表达式为:
式中:Wt为蓄电池t时刻存储的电能;Ec,t和Ed,f分别为蓄电池t时刻的充电和放电功率;ηch和ηdis分别为充电和放电效率;σ为能量自损率,Wmax和Wmin分别为蓄电池存储量的上限和下限;W0和WT分别为调度初始时刻和结束时刻T的存储量;
充放电约束为:
式中Ec,max和Ec,min分别为蓄电池充电功率Ec,t的上限和下限;Ed,max和Ed,min分别为蓄电池放电功率Ed,t的上限和下限;Ic,t和Id,t分别为蓄电池t时刻储能充电和放电的状态变量。
园区综合能源系统(PIES)的目标函数和约束条件为:园区综合能源系统是一个集中控制的系统,运营商协调各设备在各时段的出力,使系统处于最优运行状态,达到总成本最小的目的,综合成本CPIES由购电成本Ce,t、购气成本Cgas,t和储能调用成本Css,t组成,具体表达式为:
1)购电成本:
Ce,t=αb,tmax{0,Et}+αs,tmin{0,Et}+E1,tαw,t
式中:Et为t时刻与配电网交互的联络线功率;E1,t为t时刻风电的输出功率;αb,t为从配电网购入的电价;αw,t为风电上网电价;αs,t为向配电网售电的电价;
2)购气成本:
Cgas,t=βGt
式中:Gt为t时刻购入的天然气经热值换算成的功率;β为单位功率的天然气价格;
3)储能调用成本:
Css,t=(Ed,t+Ec,t+Hd,t+Hc,t)αss
式中:Hc,t和Hd,t分别为蓄热装置储热和放热功率;αss为单位功率的调用成本。
所述的步骤2中,可调度资源包括风电、光伏、微型燃气轮机、蓄电池储能、柔性负荷以及园区综合能源的联络线功率,利用可调度资源建立配电网多目标优化调度模型,以调度成本CADN、负荷曲线方差D和可再生能源弃电量R为优化目标;
调度成本CADN由分布式发电购电成本CDG,t、储能设备调用成本CESS,t、柔性负荷补偿成本CDR,t和与园区综合能源交互成本CTR,t组成,CTR,t为正时,配电网从园区综合能源购电,CTR,t为负时,配电网向园区综合能源售电,调度成本表达式为:
CTR,t=λb,tmax{0,P1,t}+λs,tmin{0,P1,t}
式中NDG为分布式电源数量;PDG,d,t为第d台分布式电源在t时刻的输出功率;λDG,d为分布式电源上网电价;NESS为储能设备台数;Pc,m,t和Pd,m,t分别为第m台储能设备在t时刻的充电功率和放电功率;λESS为储能单位功率的调用成本;NDR为柔性负载个数;PDR,h,t和P* DR,h,t分别为第h个柔性负荷在t时刻的实际功率和期望功率;λDR,为柔性负荷单位功率的补偿费用;P1,t为t时刻联络线功率;λb,t和λs,t分别为t时刻的购电价格和售电价格。
为充分发挥储能、柔性负荷、联络线功率的削峰填谷作用,设置负荷曲线方差D为目标函数,表示原始负荷曲线经储能、柔性负荷、联络线功率优化后曲线的方差,负荷曲线方差边表达式为:
式中:PL,t为t时刻优化后的负荷功率;Pload,t为t时刻原始负荷功率;
为提高可再生能源消纳能力,设置可再生能源弃电量R为目标函数,表示所有可再生能源机组在一个调度周期内最大预测功率和实际出力的差,可再生能源弃电量的表达式为:
式中:NRE为可再生能源机组的台数;PREmax,y,t和PRE,y,t分别为第y台可再生能源机组在t时刻的最大预测功率和实际功率。
所述的步骤4中,多目标优化问题一般可以表示为如下模型:
式中:x为决策变量;Ω为决策变量可行解空间;fm(·)为第m维目标函数,m∈M,其中M为目标函数总维度集合;
对于2个任意决策变量x1和x2,假设当前模型为最小化问题,那么当且仅当满足fm(x1)<fm(x2)时,称x1支配x2,若决策变量xa∈Ω,且xa不被可行解空间的任意解支配,则称xa为该目标优化的非劣解或Pareto最优解,所有Pareto最优解的集合称为Pareto最优解集,Pareto最优解集对应的目标函数向量集合为Pareto前沿;
粒子群算法中,通过搜索空间中多个粒子根据全局最优和个体最优指导速度和位置的更新,共同进化找到问题的最优解,主动配电网优化调度的决策变量为各电源各时刻的有功功率,将一个粒子作为一种调度方案,粒子位置表示各电源的岀力,粒子的速度表示出力的调整量,用ng表示电源个数,各电源各时刻的有功出力组合为ng×T矩阵,作为粒子位置p,设各机组各时刻出力的调整量作为速度v,则粒子群算法的更新公式为:
式中为粒子i在第ta次进化的速度;w为惯性系数;c1和c2为加速常数;r为在区间[0,1]均匀分布的随机数;pi,ta为粒子i在第ta次进化的位置,即一个调度方案;pbest,i为粒子i自身经历的最优调度方案,即个体最优方案;gbest为整个种群进化过程中最优的调度方案,即全局最优方案。
所述的步骤4中,首先确定上下层关系,上层系统为主动配电网,下层系统为园区综合能源系统,上层系统和下层系统间耦合的决策变量为联络线功率,以实现两个系统各自的优化目标,这种层级结构与ATC法的基本思想相一致因此,可将ATC法的思想应用于园区综合能源系统和主动配电网协调调度问题的求解。具体流程为:
1)输入初始数据,主动配电网初次优化调度完成后,将优化后的联络线功率作为已知参数PADN,t传给园区综合能源系统,在园区综合能源系统的目标函数中加入罚函数,表示决策变量联络线功率P1,t与PADN,t的偏差,则目标函数可表示为:
式中:k为迭代次数;CPIES为原目标函数;ωk,t为t时刻第k次迭代的罚函数乘子;
2)园区综合能源系统优化调度完成后,将联络线功率作为参数PPIES,t上传至主动配电网,若PPIES,t和PADN,t每个时刻的差值大于收敛精度ε,则按照下式修改罚函数乘子:
式中:γk,t为t时刻第k次迭代的一次项乘子;β为迭代乘子,β'∈[2,3];
3)主动配电网根据PPIES,t和PADN,t的偏差修改联络线功率的上下限,在主动配电网调度模型的上下限,在主动配电网调度模型中加入下列约束条件:
主动配电网重新优化调度后再将PADN,t传给园区综合能源系统,重复以上过程,两系统的优化调度以联络线功率为参数迭代交替求解,每次迭代修改罚函数乘子和联络线功率上下限直至每个时刻PPIES,t,和PADN,t的差值小于收敛精度ε为止。
本发明一种综合能源配电网多目标优化调度方法,包括以下步骤:建立园区综合能源系统协调调度模型;建立配电网系统多目标优化调度模型;结合粒子群算法对配电网系统多目标优化调度模型求解,得出最优方案;基于ATC法的整体模型求解,本发明对主动配电网中的分布式电源、柔性负荷、储能设备、联络线功率进行优化调度能够有效地提升可再生能源的消纳能力,优化负荷曲线,缩小负荷峰谷差,将园区综合能源系统中多种能源互补耦合,多种设备共同出力能满足系统运行的冷、热、电负荷需求,本发明所提出的园区综合能源系统和主动配电网协调调度模型能够兼顾两个系统的多个优化目标,体现了园区综合能源接入主动配电网的多方面效益。
本发明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的限定。
Claims (5)
1.一种综合能源配电网多目标优化调度方法,其特征在于,它包括以下步骤:
步骤1:建立园区综合能源系统协调调度模型;
步骤2:建立配电网系统多目标优化调度模型;
步骤3:结合粒子群算法对配电网系统多目标优化调度模型求解,得出最优方案;
步骤4:基于ATC法的整体模型求解。
2.如权利要求1所述的一种综合能源配电网多目标优化调度方法,其特征在于:所述的步骤1中,园区综合能源系统(PIES)的系统结构为:园区综合能源系统(PIES)由各类能量储存和转化元件、能量传输母线和负荷构成,与上级电网和天然气网进行电能和天然气交互,能量存储和转化设备包含风电、热电联产(CHP)机组、吸收式制冷机、燃气锅炉、蓄热装置、电制冷机和蓄电池,负荷包括电负荷、热负荷和冷负荷,园区综合能源系统各设备的详细模型如下:
式中:ECHP,t和HCHP,t分别为热电联产机组t时刻产生的电能和热能;ηge和ηgh分别为热电联产机组的产电和产热效率;G1,t为t时刻热电联产机组吸收天然气转化成的能量;
2)燃气锅炉吸收天然气产热供给热负荷,其表达式为:
HGB,t=G2,tηh
式中HGB,t为燃气锅炉t时刻产生的热能;ηh为燃气锅炉的产热效率;G2,t为t时刻燃气锅炉吸收天然气转化成的能量;
3)电制冷机吸收电能制冷,其表达式为:
CER,t=E2,tηc
式中:CER,t为电制冷机t时刻产生的冷能;E2,t为吸收的电能;ηc为制冷效率;
4)吸收式制冷机吸收电能制冷,其表达式为:
CAC,t=H2,tηhc
式中:CAC,t为吸收式制冷机t时刻产生的冷能;H2,t为吸收式制冷机t时刻吸收的热能;ηhc为转换效率;
5)蓄电池储能吸收电能或放出电能,存储量约束表达式为:
式中:Wt为蓄电池t时刻存储的电能;Ec,t和Ed,f分别为蓄电池t时刻的充电和放电功率;ηch和ηdis分别为充电和放电效率;σ为能量自损率,Wmax和Wmin分别为蓄电池存储量的上限和下限;W0和WT分别为调度初始时刻和结束时刻T的存储量;
充放电约束为:
式中Ec,max和Ec,min分别为蓄电池充电功率Ec,t的上限和下限;Ed,max和Ed,min分别为蓄电池放电功率Ed,t的上限和下限;Ic,t和Id,t分别为蓄电池t时刻储能充电和放电的状态变量。
园区综合能源系统(PIES)的目标函数和约束条件为:园区综合能源系统是一个集中控制的系统,运营商协调各设备在各时段的出力,使系统处于最优运行状态,达到总成本最小的目的,综合成本CPIES由购电成本Ce,t、购气成本Cgas,t和储能调用成本Css,t组成,具体表达式为:
Ce,t=αb,tmax{0,Et}+αs,tmin{0,Et}+E1,tαw,t
式中:Et为t时刻与配电网交互的联络线功率;E1,t为t时刻风电的输出功率;αb,t为从配电网购入的电价;αw,t为风电上网电价;αs,t为向配电网售电的电价;
2)购气成本:
Cgas,t=βGt
式中:Gt为t时刻购入的天然气经热值换算成的功率;β为单位功率的天然气价格;
3)储能调用成本:
Css,t=(Ed,t+Ec,t+Hd,t+Hc,t)αss
式中:Hc,t和Hd,t分别为蓄热装置储热和放热功率;αss为单位功率的调用成本。
3.如权利要求1所述的一种综合能源配电网多目标优化调度方法,其特征在于:所述的步骤2中,可调度资源包括风电、光伏、微型燃气轮机、蓄电池储能、柔性负荷以及园区综合能源的联络线功率,利用可调度资源建立配电网多目标优化调度模型,以调度成本CADN、负荷曲线方差D和可再生能源弃电量R为优化目标;
调度成本CADN由分布式发电购电成本CDG,t、储能设备调用成本CESS,t、柔性负荷补偿成本CDR,t和与园区综合能源交互成本CTR,t组成,CTR,t为正时,配电网从园区综合能源购电,CTR,t为负时,配电网向园区综合能源售电,调度成本表达式为:
CTR,t=λb,tmax{0,P1,t}+λs,tmin{0,P1,t}
式中NDG为分布式电源数量;PDG,d,t为第d台分布式电源在t时刻的输出功率;λDG,d为分布式电源上网电价;NESS为储能设备台数;Pc,m,t和Pd,m,t分别为第m台储能设备在t时刻的充电功率和放电功率;λESS为储能单位功率的调用成本;NDR为柔性负载个数;PDR,h,t和P* DR,h,t分别为第h个柔性负荷在t时刻的实际功率和期望功率;λDR,为柔性负荷单位功率的补偿费用;P1,t为t时刻联络线功率;λb,t和λs,t分别为t时刻的购电价格和售电价格。
4.如权利要求1所述的一种综合能源配电网多目标优化调度方法,其特征在于:所述的步骤3中,多目标优化问题一般可以表示为如下模型:
式中:x为决策变量;Ω为决策变量可行解空间;fm(·)为第m维目标函数,m∈M,其中M为目标函数总维度集合;
对于2个任意决策变量x1和x2,假设当前模型为最小化问题,那么当且仅当满足fm(x1)<fm(x2)时,称x1支配x2,若决策变量xa∈Ω,且xa不被可行解空间的任意解支配,则称xa为该目标优化的非劣解或Pareto最优解,所有Pareto最优解的集合称为Pareto最优解集,Pareto最优解集对应的目标函数向量集合为Pareto前沿;
粒子群算法中,通过搜索空间中多个粒子根据全局最优和个体最优指导速度和位置的更新,共同进化找到问题的最优解,主动配电网优化调度的决策变量为各电源各时刻的有功功率,将一个粒子作为一种调度方案,粒子位置表示各电源的岀力,粒子的速度表示出力的调整量,用ng表示电源个数,各电源各时刻的有功出力组合为ng×T矩阵,作为粒子位置p,设各机组各时刻出力的调整量作为速度v,则粒子群算法的更新公式为:
5.如权利要求1所述的一种综合能源配电网多目标优化调度方法,其特征在于:所述的步骤4中,首先确定上下层关系,上层系统为主动配电网,下层系统为园区综合能源系统,上层系统和下层系统间耦合的决策变量为联络线功率,以实现两个系统各自的优化目标,这种层级结构与ATC法的基本思想相一致因此,可将ATC法的思想应用于园区综合能源系统和主动配电网协调调度问题的求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310048142.4A CN116307072A (zh) | 2023-01-31 | 2023-01-31 | 一种综合能源配电网多目标优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310048142.4A CN116307072A (zh) | 2023-01-31 | 2023-01-31 | 一种综合能源配电网多目标优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307072A true CN116307072A (zh) | 2023-06-23 |
Family
ID=86827694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310048142.4A Withdrawn CN116307072A (zh) | 2023-01-31 | 2023-01-31 | 一种综合能源配电网多目标优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307072A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353395A (zh) * | 2023-12-04 | 2024-01-05 | 国网天津市电力公司东丽供电分公司 | 一种分布式优化调度方法、系统、设备及存储介质 |
CN117559566A (zh) * | 2024-01-11 | 2024-02-13 | 国网吉林省电力有限公司经济技术研究院 | 基于负荷预测不确定性的园区系统接入配电网的优化方法 |
CN117913841A (zh) * | 2024-03-19 | 2024-04-19 | 国网辽宁省电力有限公司技能培训中心 | 园区级灵活调节负荷参与电网互动响应系统 |
-
2023
- 2023-01-31 CN CN202310048142.4A patent/CN116307072A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353395A (zh) * | 2023-12-04 | 2024-01-05 | 国网天津市电力公司东丽供电分公司 | 一种分布式优化调度方法、系统、设备及存储介质 |
CN117353395B (zh) * | 2023-12-04 | 2024-04-02 | 国网天津市电力公司东丽供电分公司 | 一种分布式优化调度方法、系统、设备及存储介质 |
CN117559566A (zh) * | 2024-01-11 | 2024-02-13 | 国网吉林省电力有限公司经济技术研究院 | 基于负荷预测不确定性的园区系统接入配电网的优化方法 |
CN117913841A (zh) * | 2024-03-19 | 2024-04-19 | 国网辽宁省电力有限公司技能培训中心 | 园区级灵活调节负荷参与电网互动响应系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107482638B (zh) | 冷热电联供型微电网多目标动态优化调度方法 | |
CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
CN109327042B (zh) | 一种微电网多能源联合优化调度方法 | |
CN109193626B (zh) | 一种分布式能源站选型与定容优化规划统一求解方法 | |
Jiang et al. | Optimal integrated demand response scheduling in regional integrated energy system with concentrating solar power | |
CN116307072A (zh) | 一种综合能源配电网多目标优化调度方法 | |
CN109523065B (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
CN111860937B (zh) | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 | |
CN112464477A (zh) | 计及需求响应的多能耦合综合能源运行仿真方法 | |
CN106022503A (zh) | 面向具有耦合型电冷热需求的微电网容量规划方法 | |
CN113393126A (zh) | 高耗能园区与电网交替并行协同优化调度方法 | |
CN113159407B (zh) | 基于区域综合能源系统的多能储存模块容量优化配置方法 | |
CN113240166A (zh) | 考虑高比例新能源消纳的微能源网日前经济调度方法 | |
CN112311017A (zh) | 一种虚拟电厂与主网最优协同调度方法 | |
CN115170343A (zh) | 一种区域综合能源系统分布式资源和储能协同规划方法 | |
CN114844124B (zh) | 一种基于目标优化的综合能源系统的运行控制方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法 | |
CN111522238A (zh) | 一种基于舒适度的建筑综合能源系统控制方法及控制系统 | |
CN109768567A (zh) | 一种耦合多能源互补系统的优化调度方法 | |
CN111987729B (zh) | 一种含p2g微网的储电储气容量配置与调度优化方法 | |
CN114240010A (zh) | 应对需求侧不确定性的热电联产燃气轮机组调度方法 | |
Yan et al. | Synergistic optimal operation for a combined cooling, heating and power system with hybrid energy storage | |
Wang et al. | Source-load-storage coordinated optimal scheduling of virtual power plant participating demand response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230623 |