CN116316567A - 一种阶梯碳交易机制下综合能源需求响应优化方法 - Google Patents

一种阶梯碳交易机制下综合能源需求响应优化方法 Download PDF

Info

Publication number
CN116316567A
CN116316567A CN202310164260.1A CN202310164260A CN116316567A CN 116316567 A CN116316567 A CN 116316567A CN 202310164260 A CN202310164260 A CN 202310164260A CN 116316567 A CN116316567 A CN 116316567A
Authority
CN
China
Prior art keywords
demand response
comprehensive energy
cost
carbon
model
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
CN202310164260.1A
Other languages
English (en)
Inventor
徐慧慧
田云飞
赵宇洋
彭婧
柴宜
吴鹏
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.)
Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Gansu 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 Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Priority to CN202310164260.1A priority Critical patent/CN116316567A/zh
Publication of CN116316567A publication Critical patent/CN116316567A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种阶梯碳交易机制下综合能源需求响应优化方法，首先建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；其次考虑系统中的实际碳排放，采用基准线法分配系统初始碳排放配额，构建阶梯碳交易模型，实现对系统整体碳排放的有效管控；然后通过模糊机会约束构建考虑源荷不确定性的综合能源系统需求响应优化模型，引入模糊机会约束，实现对风光出力及电负荷不确定性的准确描述，通过三角形模糊参数将模糊变量进行清晰化处理；最后利用改进遗传‑和声搜索算法对模型进行求解。本发明通过加入限制条件，得到阶梯碳交易机制下考虑模糊机会约束的综合能源需求响应优结果，响应后可有效降低系统碳排放，减少系统总成本。

Description

一种阶梯碳交易机制下综合能源需求响应优化方法
技术领域
本发明涉及一种阶梯碳交易机制下综合能源需求响应优化方法，属于电力系统综合能源系统需求响应领域。
背景技术
综合能源系统结合电-气-热多种能源供应形式，满足负荷侧用户在不同时间段的用能需求，在综合能源系统中，打破传统能源系统间的壁垒，实现多种能源间的互补及协同优化，结合系统内部的电-气-热负荷需求来进行各设备的出力调节，能源利用率高，且通过协作后的碳排放总量相对较少，提高能源综合利用效率，促进可再生能源消纳，优化能源结构。
如今，单一的电力系统已不能满足负荷侧日益复杂的能源需求，作为具有多能联供功能的系统，综合能源系统需要复杂的调控与配合。此外，当风电大规模并网时，弃风现象及系统旋转备用容量增加，风电并网的经济性降低，风电的波动性和不确定性给调度决策带来的影响不可忽视。因此，在低碳背景下分析综合能源系统源荷不确定性，对综合能源系统的运行进行管理，实现可在生能源高效利用，对综合能源系统低碳经济运行具有重要意义。
发明内容
本发明提供了一种阶梯碳交易机制下综合能源需求响应优化方法、系统，以用于建立综合能源需求响应优化模型，并获得综合能源需求响应优化结果。
本发明的技术方案是：一种阶梯碳交易机制下综合能源需求响应优化方法，包括：
步骤S1、建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；
步骤S2、依据初始碳排放配额、实际碳排放量，建立阶梯碳交易模型；
步骤S3、考虑源荷两侧不确定及用户满意度，建立以系统购能成本、阶梯碳交易成本、运维成本、弃风弃光成、需求响应成本之和最小的综合能源需求响应优化模型；
步骤S4、求解综合能源需求响应优化模型，获取综合能源需求响应优化结果。
所述步骤S1，包括：
S1.1：基于激励型电热负荷需求响应特性，构建综合能源系统激励型电热负荷需求响应模型；
S1.2：综合能源系统与电动汽车签订激励合同，对接入的电动汽车进行高效管理，电动汽车将充放电的权利赋予综合能源系统，综合能源系统能够对电动汽车进行自由充放电调度，构建电动汽车充放电模型。
所述电动汽车充放电模型为：
Figure BDA0004095354130000021
式中：
Figure BDA0004095354130000022
为第n辆电动汽车总计储存的电量；/>
Figure BDA0004095354130000023
为第n辆电动汽车接入时的剩余电量；tin为接入时刻；/>
Figure BDA0004095354130000024
为t时刻第n辆电动汽车充放电功率；ηc、ηd分别为电动汽车充放电效率；
电动汽车进行放电，系统的补偿费用为：
Figure BDA0004095354130000025
式中：Cevd为系统对电动汽车放电的补偿费用；Nev为电动汽车数量；qevd为电动汽车放电补偿系数。
所述步骤S2，包括：
S2.1：采用基准线法，根据综合能源系统内出力大小分配初始碳排放配额；
S2.2：构建阶梯碳交易模型，若实际碳排放量大于初始碳排放配额，则需购买超额排放的部分，反之，若实际碳排放量小于初始碳排放配额，则可以出售多余的碳排放配额。
所述阶梯碳交易模型为：
Figure BDA0004095354130000026
式中：
Figure BDA0004095354130000027
为综合能源系统碳交易成本；ν为碳交易价格；/>
Figure BDA0004095354130000028
为综合能源系统实际碳排放量；DIES为综合能源系统的初始碳排放配额；d为碳排放区间长度；k为碳交易价格增长幅度。
所述步骤S3，包括：
S3.1、考虑用户满意度，建立阶梯碳交易机制下以系统购能成本、阶梯碳交易成本、运维成本、需求响应成本之和最小的综合能源系统需求响应优化模型；其中，综合能源系统根据电、热价格信号优化系统出力；
S3.2、依据电力系统源荷不确定性及其对综合能源系统需求响应优化模型中功率平衡影响进行分析，并引入模糊机会约束，通过三角形模糊参数将模糊变量进行清晰化处理，求解不确定性问题的模型。
所述综合能源系统需求响应优化模型，包括：以系统购能成本、阶梯碳交易成本、运维成本、需求响应成本之和最小的目标函数及约束条件；其中，约束条件包括功率平衡约束、风电出力约束、光伏出力约束、电热泵设备模型及约束、热电联产机组设备模型及约束、燃气锅炉设备模型及约束、储能运行约束、用户满意度约束、电动汽车充放电约束。
所述的目标函数表达式如下：
Figure BDA0004095354130000031
Figure BDA0004095354130000032
式中：Cbuy为系统购能成本；
Figure BDA0004095354130000033
为综合能源系统碳交易成本；Cpro为系统运行维护成本；Cwv为弃风弃光成本；CDR为需求响应成本；/>
Figure BDA0004095354130000034
为t时刻向大电网购电价格；Pt grid为t时刻向上级电网购电量；qg为购气价格；/>
Figure BDA0004095354130000035
为t时刻购气量；R为系统中的设备集合；R＝{PV,WT,GB,CHP,HP,EES,TES}为综合能源系统中的设备合集，分别为光伏、风电、燃气锅炉、热电联产机组、电热泵、蓄电池、储热罐；/>
Figure BDA0004095354130000036
和pomr分别为设备r的运行功率和运维成本系数；qw、qv分别为弃风惩罚系数、弃光惩罚系数；/>
Figure BDA0004095354130000037
为t时刻风电、光伏预测出力；Pw,t、Pv,t为t时刻风电、光伏实际出力；Δt为调度时间间隔；CP,DR为电负荷需求响应成本；CH,DR为热负荷需求响应成本；Cevd为系统对电动汽车放电的补偿费用。
通过模糊机会约束清晰等价类转换，将功率平衡约束转换为如下：
Figure BDA0004095354130000038
Figure BDA0004095354130000039
式中：α为系统的置信度水平；
Figure BDA00040953541300000310
为电负荷预测三角隶属度函数中的值；
Figure BDA00040953541300000311
为风电实际出力三角隶属度函数中的值；/>
Figure BDA00040953541300000312
为光伏实际出力三角隶属度函数中的值；Pt grid为t时刻向上级电网购电量；Pt CHP分别为t时刻热电联产机组发电功率；Pt HP为t时刻电热泵耗电量；/>
Figure BDA00040953541300000313
为t时刻蓄电池充放电功率；/>
Figure BDA00040953541300000314
为t时刻第n辆电动汽车充放电功率；Nev为电动汽车数量。
一种阶梯碳交易机制下综合能源需求响应优化系统，包括：
第一建立模块，用于建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；
第二建立模块，用于依据初始碳排放配额、实际碳排放量，建立阶梯碳交易模型；
第三建立模块，用于考虑源荷两侧不确定及用户满意度，建立以系统购能成本、阶梯碳交易成本、运维成本、弃风弃光成、需求响应成本之和最小的综合能源需求响应优化模型；
获得模块，用于求解综合能源需求响应优化模型，获取综合能源需求响应优化结果。
本发明的有益效果是：本发明首先建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；；其次考虑系统中的实际碳排放，采用基准线法分配系统初始碳排放配额，构建阶梯碳交易模型，实现对系统整体碳排放的有效管控；然后通过模糊机会约束构建考虑源荷不确定性的综合能源系统需求响应优化模型，引入模糊机会约束，实现对风光出力及电负荷不确定性的准确描述，通过三角形模糊参数将模糊变量进行清晰化处理；最后利用改进遗传-和声搜索算法对模型进行求解。本发明通过加入限制条件，得到阶梯碳交易机制下考虑模糊机会约束的综合能源需求响应优结果，响应后可有效降低系统碳排放，减少系统总成本。
附图说明
图1为本发明的方法的流程图；
图2为阶梯碳交易机制下考虑模糊机会约束的综合能源框架图；
图3为风电、光伏预测曲线；
图4为电热负荷预测曲线；
图5为需求响应前后电负荷曲线；
图6为需求响应前后热负荷曲线；
图7为电能供需平衡图；
图8为热能供需平衡图。
具体实施方式
下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-8所示，根据本发明实施例的一方面，提供了一种阶梯碳交易机制下综合能源需求响应优化方法，包括：
步骤S1、建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；
步骤S2、依据初始碳排放配额、实际碳排放量，建立阶梯碳交易模型；
步骤S3、考虑源荷两侧不确定及用户满意度，建立以系统购能成本、阶梯碳交易成本、运维成本、弃风弃光成、需求响应成本之和最小的综合能源需求响应优化模型；
步骤S4、求解综合能源需求响应优化模型，获取综合能源需求响应优化结果。
进一步地，所述步骤S1，包括：
S1.1：基于激励型电热负荷需求响应特性，构建综合能源系统激励型电热负荷需求响应模型；激励型电负荷主要分为可削减电负荷及可转移电负荷，激励型热负荷主要分为可削减热负荷及可转移热负荷。
可削减负荷在调度周期内，根据供需情况的变化，可以进行部分或全部的削减。可转移负荷可以在调度周期内进行时间上的转移，其在总调度周期内的转入转出功率相等。
Figure BDA0004095354130000051
Figure BDA0004095354130000052
式中：Pt cut、Pt tran分别为t时刻可削减电负荷和可转移电负荷；
Figure BDA0004095354130000053
分别为可削减电负荷、可转移电负荷上限；/>
Figure BDA0004095354130000054
为调度时段内的电负荷转移总量；/>
Figure BDA0004095354130000055
分别为需求响应前后负荷；CP,DR为电负荷需求响应成本；qP,tran为单位电负荷转移补偿成本；qP,cut为单位电负荷削减补偿成本；T为调度时段；
Figure BDA0004095354130000056
Figure BDA0004095354130000057
式中：
Figure BDA0004095354130000058
分别为t时刻可削减热负荷和可转移热负荷；/>
Figure BDA0004095354130000059
分别为可削减热负荷、可转移热负荷上限；/>
Figure BDA00040953541300000510
为调度时段内的热负荷转移总量；/>
Figure BDA00040953541300000511
分别为需求响应前后热负荷；CH,DR为热负荷需求响应成本；qH,tran为单位热负荷转移补偿成本；qH,cut为单位热负荷削减补偿成本。
S1.2：综合能源系统与电动汽车签订激励合同，对接入的电动汽车进行高效管理，电动汽车将充放电的权利赋予综合能源系统，综合能源系统能够对电动汽车进行自由充放电调度，构建电动汽车充放电模型；
假设每辆电动汽车出行终止后就立即接入电网，接入电网时间符合正态分布，采用蒙特卡洛法得到tin表达式为：
Figure BDA0004095354130000061
式中：tin为电动汽车出行终止时间；μ、σ分别是接入时间的期望值、标准差，μ＝17.47，σ＝3.41。
电动汽车日行驶里程同样也符合正态分布，表达式为：
Figure BDA0004095354130000062
式中：S为电动汽车日行驶里程；μd、σd是分别时日行驶里程的期望值、标准差，μd＝3.68，σd＝0.88。
第n辆电动汽车接入时的剩余电量为：
Figure BDA0004095354130000063
式中：
Figure BDA0004095354130000064
为第n辆电动汽车接入时的剩余电量；/>
Figure BDA0004095354130000065
分别为电动汽车最大、最小电池容量；W为电动汽车行驶每公里耗电量。
电动汽车充放电模型为：
Figure BDA0004095354130000066
式中：
Figure BDA0004095354130000067
为第n辆电动汽车总计储存的电量；tin为接入时刻；n为第n辆电动汽车；
Figure BDA0004095354130000068
为t时刻第n辆电动汽车充放电功率；ηc、ηd分别为电动汽车充放电效率。
电动汽车进行放电，系统的补偿费用为：
Figure BDA0004095354130000069
式中：Cevd为系统对电动汽车放电的补偿费用；Nev为电动汽车数量；qevd为电动汽车放电补偿系数。
进一步地，所述步骤S2，包括：
S2.1：采用基准线法，根据综合能源系统内出力大小分配初始碳排放配额；
采用基准线法确定系统的无偿碳排放配额，认为碳排放主要来源于外购电力、热电联产机组以及燃气锅炉，系统的初始碳排放配额为：
DIES＝Dgrid+DCHP+DGB (10)
Figure BDA0004095354130000071
式中：DIES为系统的初始碳排放配额；Dgrid为向上级电网购电碳排放配额；DCHP为热电联产机组碳排放配额；DGB为燃气锅炉碳排放配额；Pt grid为t时刻向上级电网购电量；λe为单位电功率的碳排放配额，取0.798t/(MW·h)；λh为单位热功率的碳排放配额，取0.102t/(MW·h)；εeh为热电联产设备电热转换系数；Pt CHP、
Figure BDA0004095354130000072
分别为t时刻热电联产机组发电功率、产热量；/>
Figure BDA00040953541300000713
为t时刻燃气锅炉产热量。
S2.2：构建阶梯碳交易模型，将二氧化碳排放量分为多个区间，碳排量越多的区间，单位碳排放权交易价格越高，相应区间的购价将越高，系统所需的花费越多。当综合能源系统的实际碳排放高于初始碳配额时，需在市场中购买超出部分的配额，反之则可以出售剩余碳配额获取收益。
综合能源系统的实际碳排放量同样也来源于外购电力、热电联产机组、燃气锅炉，系统的实际碳排放量为：
Figure BDA0004095354130000073
Figure BDA0004095354130000074
式中：
Figure BDA0004095354130000075
为系统实际碳排放量；/>
Figure BDA0004095354130000076
为向上级电网购电实际碳排放量；/>
Figure BDA0004095354130000077
为热电联产机组实际碳排放量；/>
Figure BDA0004095354130000078
为燃气锅炉碳排放配额；/>
Figure BDA0004095354130000079
为单位电功率的碳排放系数，取1.080t/(MW·h)；/>
Figure BDA00040953541300000710
为单位热功率的碳排放系数，取0.065t/(MW·h)。
结合初始碳排放配额及实际碳排放量，可得到IES的阶梯碳交易成本为：
Figure BDA00040953541300000711
式中：
Figure BDA00040953541300000712
为综合能源系统碳交易成本；ν为碳交易价格；d为碳排放区间长度；k为碳交易价格增长幅度。
进一步地，所述步骤S3，包括：
S3.1、考虑用户满意度，建立阶梯碳交易机制下以系统购能成本、阶梯碳交易成本、运维成本、弃风弃光成本、需求响应成本之和最小的综合能源系统需求响应优化模型，综合能源系统根据电、热价格信号优化系统出力；
所述的目标函数表达式如下：
Figure BDA0004095354130000081
Figure BDA0004095354130000082
式中：Cbuy为系统购能成本(可以用于根据电、热价格信号优化系统出力)；Cpro为系统运行维护成本；Cwv为弃风弃光成本；CDR为需求响应成本；
Figure BDA0004095354130000083
为t时刻向大电网购电价格；qg为购气价格；/>
Figure BDA0004095354130000084
为t时刻购气量；R为系统中的设备集合；R＝{PV,WT,GB,CHP,HP,EES,TES}为综合能源系统中的设备合集，分别为光伏、风电、燃气锅炉、热电联产机组、电热泵、蓄电池、储热罐；/>
Figure BDA0004095354130000085
和pomr分别为设备r的运行功率和运维成本系数；qw、qv分别为弃风惩罚系数、弃光惩罚系数；/>
Figure BDA0004095354130000086
为t时刻风电、光伏预测出力；Pw,t、Pv,t为t时刻风电、光伏实际出力；Δt为调度时间间隔。
功率平衡约束：
Figure BDA0004095354130000087
Figure BDA0004095354130000088
Figure BDA0004095354130000089
式中：Pt HP为t时刻电热泵耗电量；
Figure BDA00040953541300000810
为t时刻蓄电池充放电功率；/>
Figure BDA00040953541300000811
为t时刻燃气锅炉产热量；/>
Figure BDA00040953541300000812
为t时刻热电联产机组产热量；/>
Figure BDA00040953541300000813
为t时刻电热泵产热量；
Figure BDA00040953541300000814
分别为储热罐充放热功率；/>
Figure BDA00040953541300000815
为t时刻热电联产机组的耗气量；/>
Figure BDA00040953541300000816
为t时刻燃气锅炉耗气量。
风电出力约束：
Figure BDA00040953541300000915
光伏出力约束：
Figure BDA0004095354130000091
电热泵设备模型及约束：
Figure BDA0004095354130000092
式中：ηHP为电热泵制热效率；
Figure BDA0004095354130000093
分别为电热泵的输入电功率上限、下限。
热电联产机组设备模型及约束：
Figure BDA0004095354130000094
式中：ηCHP,e、ηCHP,h分别为热电联产机组的发电效率、制热效率；
Figure BDA0004095354130000095
分别为热电联产机组的发电功率上限、下限；Lgas为天然气热值，取9.7kWh/m3。
燃气锅炉设备模型及约束：
Figure BDA0004095354130000096
式中：ηGB为产热效率；
Figure BDA0004095354130000097
为燃气锅炉制热功率的上限、下限。
储能运行约束：
Figure BDA0004095354130000098
式中：m为储能装置类型，包括蓄电池、储热罐；
Figure BDA0004095354130000099
分别为t时刻第m种储能装置充放电功率；/>
Figure BDA00040953541300000910
分别为t时刻第m种储能装置充放状态变量，充电(热)状态时为1，放电(热)状态时为0；/>
Figure BDA00040953541300000911
为第m种储能装置最大充电(热)功率；Sm,t、Sm,t-1为t时刻和t-1时刻第m种储能装置的荷电状态；/>
Figure BDA00040953541300000912
分别为第m种储能装置充放电效率；/>
Figure BDA00040953541300000913
为第m种储能装置额定容量；Sm,0为第m种储能装置充初始荷电状态；/>
Figure BDA00040953541300000914
分别为t时刻第m种储能装置荷电状态上下限。
用户满意度约束：
Figure BDA0004095354130000101
式中：β为用户用电方式满意度；βmin为满意度最小值。
电动汽车充放电约束：
Figure BDA0004095354130000102
式中：
Figure BDA0004095354130000103
为第n辆电动汽车在t时刻的充放电状态，电动汽车充电时，/>
Figure BDA0004095354130000104
为1；电动汽车放电时，/>
Figure BDA0004095354130000105
为1；/>
Figure BDA0004095354130000106
分别为电动汽车最大充放电功率。
电动汽车电池功率约束：
Figure BDA0004095354130000107
式中：SOCmax和SOCmin分别为第n辆电动汽车电池荷电状态及上下限值；tin为电动汽车的接入时间；
Figure BDA0004095354130000108
为第n辆电动汽车电池额定容量。
S3.2、电力系统源荷不确定性及其对功率平衡影响进行分析，并引入模糊机会约束，通过三角模糊参数将模糊变量进行清晰化处理，求解不确定性问题的模型。
模糊机会约束规划问题用模糊参数表示系统中的不确定变量，以常规机组出力满足含有模糊参数的不等式作为一个事件，使因预测误差导致的不确定环境下的随机事件发生的概率满足预先设定的置信度水平。
模糊机会约束用于调度问题建模的思路是：允许调度结果在某种程度上不满足约束条件，但是要求调度结果成立的可能性不小于调度决策者提前设定的置信水平。
融入模糊变量的单目标机会规划模型为：
Figure BDA0004095354130000109
式中：x为决策向量；ξ为参数向量；f(x，ξ)为目标函数；g(x，ξ)为约束函数；α为系统的置信度水平。
因地理位置、气候环境等影响，源荷预测具有不确定性，在实际调度中给出的并非准确值，具有不确定性。为获取更加全面的不确定性信息，利用模糊变量在无信息或信息不充分的情况下，得到不确定参数的隶属度函数。在电力系统日前调度模型中，风电出力和负荷功率都是不确定变量，需要引入风光模糊参数和负荷模糊参数，更加合理的表示新能源出力和电负荷预测的不确定性。
通过利用三角模糊函数风光出力或负荷预测的模糊表达式为：
P'＝(P1,P2,P3) (30)
P1＝ω1Pf,t,P2＝ω2Pf,t,P3＝ω3Pf,t (31)
式中：P'为预测模糊表达式；P1、P2、P3分别为对应三角隶属度函数；ω1、ω2、ω3分别为比例系数；Pf,t为t时刻预测值。
(1)风电出力
风电实际出力
Figure BDA0004095354130000111
不大于预测值时，发生弃风现象，隶属度为0；风电实际出力/>
Figure BDA0004095354130000112
大于风电预测值时，隶属度不变。
Figure BDA0004095354130000113
Figure BDA0004095354130000114
式中：P'w,t为风电实际出力模糊值；
Figure BDA0004095354130000115
为风电实际出力的三角隶属度函数；ωW1、ωW2、ωW3为风电模糊参数；/>
Figure BDA0004095354130000116
分别为风电出力预测的三角隶属度函数。
(2)光伏出力
光伏实际出力
Figure BDA0004095354130000117
不大于预测值时，发生弃光现象，隶属度为0；光伏实际出力/>
Figure BDA0004095354130000118
大于光伏预测值时，隶属度不变。
Figure BDA0004095354130000119
Figure BDA00040953541300001110
式中：P'w,t为光伏实际出力模糊值；
Figure BDA00040953541300001111
为光伏实际出力的三角隶属度函数；ωV1、ωV2、ωV3为光伏模糊参数；/>
Figure BDA0004095354130000121
为光伏出力预测的三角隶属度函数。
(3)电负荷
Figure BDA0004095354130000122
式中：P'load,t为电负荷预测的模糊值；
Figure BDA0004095354130000123
为电负荷预测的三角隶属度函数；ωL1、ωL2、ωL3为电负荷模糊参数。
当置信水平α≥0.5时，模糊机会约束的清晰等价类为：
Figure BDA0004095354130000124
式中：rk1、rk2、rk3为三角隶属度函数；
Figure BDA0004095354130000125
为假设的两个函数；h0(x)为函数g(x，ξ)的一部分。
通过模糊机会约束清晰等价类转换，可将功率平衡约束式(17)转换为式(38)，并将式(38)代入优化模型中进行求解：
Figure BDA0004095354130000126
式中：α为系统的置信度水平；
Figure BDA0004095354130000127
为电负荷预测三角隶属度函数中的值；
Figure BDA0004095354130000128
为风电实际出力三角隶属度函数中的值；/>
Figure BDA0004095354130000129
为光伏实际出力三角隶属度函数中的值；Pt grid为t时刻向上级电网购电量；Pt CHP、/>
Figure BDA00040953541300001210
分别为t时刻热电联产机组发电功率、产热量；/>
Figure BDA00040953541300001211
Figure BDA00040953541300001212
为t时刻蓄电池充放电功率；/>
Figure BDA00040953541300001213
为t时刻第n辆电动汽车充放电功率。
进一步地，所述步骤S4，具体为：利用改进遗传-和声搜索算法(GeneticAlgorithm-Harmony Search，GA-HS)对阶梯碳交易机制下考虑模糊机会约束的综合能源需求响应优化模型进行求解。运用遗传的交叉和变异操作对初始种群进行全局寻优获得次优种群，再运用和声搜索机制在次优种群中进行局部强化搜索微调获得较高质量的新种群。
GA-HS算法具体步骤如下：
step1：设置参数。包括种群规模、交叉概率、变异概率、和声搜索相关参数、停止准则等；
step 2：生成初始种群；
step 3：计算个体适应度值，根据适应度值对个体进行升序排列，并对个体逐一编号；
step 4：选择操作。根据线性排序策略选出下一代种群；
step 5：交叉操作。根据交叉概率以及禁忌搜索策略，分别执行循环行交叉和多点列交叉；
step 6：变异操作。根据变异概率选择种群中的个体，并随机选择工序和机器，分别进行重新生成和列表逆转操作；
step 7：和声搜索。对当前种群进行若干次和声搜索操作，用适应度值更高的个体替换种群中的最劣个体；
step 8：判断是否满足算法停止准则，若是则停止，输出结果；否则，转至步骤3。
根据本发明实施例的另一方面，提供了一种阶梯碳交易机制下综合能源需求响应优化系统，包括：第一建立模块，用于建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；第二建立模块，用于依据初始碳排放配额、实际碳排放量，建立阶梯碳交易模型；第三建立模块，用于考虑源荷两侧不确定及用户满意度，建立以系统购能成本、阶梯碳交易成本、运维成本、弃风弃光成、需求响应成本之和最小的综合能源需求响应优化模型；获得模块，用于求解综合能源需求响应优化模型，获取综合能源需求响应优化结果。
为验证阶梯碳交易机制下考虑模糊机会约束的综合能源需求响应优化结果，以某工业园区为例，包含光伏机组、风电机组、电储能、热电联产机组、燃气锅炉、电热泵和储热罐。风电以及光伏出力的预测值如图3所示，弃风弃光惩罚系数为500元/MW。电负荷、热负荷的预测值如图4所示。风电和电负荷的模糊隶属度参数取值如表1所示。系统各设备具体参数如表2所示。碳交易基准价格为252元/t，碳排量区间长度d＝40t，碳价增长系数为0.25，初始碳配额系数为0.75t/(MW·h)。电动汽车数量为100辆，电动汽车相关参数如表3所示，可转移电热负荷、可削减电热负荷合同参数如表4所示。
为分析比较阶梯碳交易机制及源荷不确定性对系统的影响，设置以下5种场景：
场景1：不考虑碳交易及源荷不确定性；
场景2：考虑阶梯型碳交易，不考虑源荷不确定性；
场景3：考虑阶梯型碳交易及风光不确定性，不考虑电负荷不确定性；
场景4：考虑阶梯型碳交易及电负荷的不确定性，不考虑风光不确定性；
场景5：考虑阶梯型碳交易及源荷不确定性。
表1三角形隶属度参数
模糊参数 ω1 ω2 ω3
风电 0.6 1 1.4
光伏 0.5 1 1.5
电负荷 0.9 1 1.1
表2设备参数
设备 转换系数 出力上限/MW 出力下限/MW
CHP 2.8 40 10
GB 0.4 30 7.5
HP 0.9 40 16
表3电动汽车调度相关参数
参数 数值
电池容量Ecap/(kW·h) 57
EV放电补贴系数/(yuan·(MW·h)-1) 40
EV充放电功率最大、最小值/kW 7/0
荷电状态上下限/％ 0.9/0.1
表4可转移、可削减电热负荷激励合同参数
Figure BDA0004095354130000141
分别计算上述4种场景下的综合能源系统的总成及碳排放量，计算结果如表5所示。
表5不同场景下系统的总成本对比
Figure BDA0004095354130000142
由表5可以看出，场景1未考虑碳交易机制时，总成本最高，场景2在场景1的基础上考虑阶梯碳交易机制后，对柔性负荷的调用增加，购能成本减少0.21万元，总成本降幅为22.37％。考虑源荷双重不确定性的场景比确定性场景下系统各项成本均有所增加，总成本增加了18.08％，购能成本从原先的5.17万元增加到5.53万元，增幅为6.96％，碳交易成本从原先的42.96万元增加到49.63万元，增幅为15.52％，由于各场景的热电联产机组、燃气锅炉、电热泵出力相同，因此运维成本一致。其中，场景1未考虑的源荷不确定性，系统以确定性的形式安排调度计划，不存在弃风弃光成本；虽然确定性场景下系统各项成本最低，但该调度计划不具有灵活性，抗干扰性较差，难以应用于实际调度中，调度结果往往具有较低的弃风惩罚悲观值。
场景4仅考虑电负荷波动性，电负荷的波动性增大对系统运行干扰，需调动更多的负荷来减少对系统的影响，其需求响应的成本最高。场景3和场景5考虑风电、光伏出力的不确定性，风电、光伏的波动性与不确定性增大了对系统优化运行的干扰。系统需随风光的波动进行优化调整，新能源消纳能力减弱，系统不能以最优状态运行，导致系统各成本相比于场景1均有所增加，系统对风电的消纳能力大幅下降。但综合能源系统能根据系统需求灵活调配调度电、热网络中的能量，提高了系统的调节能力，增强了系统的抗干扰能力，使得系统能有效地平抑风电、光伏及电负荷不确定性所带来的系统扰动。
图5和图6分别为需求响应前后电、热负荷曲线，结合图3和图4分析可知，可转移负荷从晚间高峰期转移到早间时段，负荷平移缓解了晚高峰用电压力。可削减电、热负荷均在早间和晚间用电高峰期进行削减，充分发挥了削峰作用。
图7和图8分别为场景2至场景5电能供需平衡图和热能供需平衡图，通过图7和图8进一步对源荷不确定对系统运行影响进行分析可知，由于功率限制，综合能源系统系统在00:00—24:00时段内通过向外部电网购电、购热来满足系统内电、热负荷需求。在图7中，除场景2外，其余场景皆调度电动汽车放电，但由于电动汽车数量较小，功率补贴的效果一般。场景3至场景5中，由于00:00—06:00、22:00—24:00时段内，光伏出力比较小，在05:00—17:00时段内，风电出力比较小，系统对部分电负荷进行一定量削减以此来满足系统电能的供需平衡；在14:00—22:00时段，此时电价处于平时段或峰时段，系统通过热电联产机组进行发电，热电联产机组满功率运行，满足电负荷需求，还通过对电储能充电和放电的方式来优化系统的经济性。在图8中，各场景均对热负荷进行转移和削减，但场景5对可削减热负荷的激励调度程度更大。场景5中，系统将9:00-11:00和18:00-19:00时段内的热负荷转移入12:00-15:00时段，增加电热泵的出力，促进新能源消纳，在新能源出力较低的时段，热能主要由热电联产和燃气锅炉提供，减少电热泵的出力。此外，通过对储热罐充热和放热的方式，满足热能需求、优化系统的经济性。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，包括：
步骤S1、建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；
步骤S2、依据初始碳排放配额、实际碳排放量，建立阶梯碳交易模型；
步骤S3、考虑源荷两侧不确定及用户满意度，建立以系统购能成本、阶梯碳交易成本、运维成本、弃风弃光成、需求响应成本之和最小的综合能源需求响应优化模型；
步骤S4、求解综合能源需求响应优化模型，获取综合能源需求响应优化结果。
2.根据权利要求1所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，所述步骤S1，包括：
S1.1：基于激励型电热负荷需求响应特性，构建综合能源系统激励型电热负荷需求响应模型；
S1.2：综合能源系统与电动汽车签订激励合同，对接入的电动汽车进行高效管理，电动汽车将充放电的权利赋予综合能源系统，综合能源系统能够对电动汽车进行自由充放电调度，构建电动汽车充放电模型。
3.根据权利要求1或2所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，所述电动汽车充放电模型为：
Figure FDA0004095354120000011
式中：
Figure FDA0004095354120000012
为第n辆电动汽车总计储存的电量；/>
Figure FDA0004095354120000013
为第n辆电动汽车接入时的剩余电量；tin为接入时刻；/>
Figure FDA0004095354120000014
为t时刻第n辆电动汽车充放电功率；ηc、ηd分别为电动汽车充放电效率；
电动汽车进行放电，系统的补偿费用为：
Figure FDA0004095354120000015
式中：Cevd为系统对电动汽车放电的补偿费用；Nev为电动汽车数量；qevd为电动汽车放电补偿系数。
4.根据权利要求1所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，所述步骤S2，包括：
S2.1：采用基准线法，根据综合能源系统内出力大小分配初始碳排放配额；
S2.2：构建阶梯碳交易模型，若实际碳排放量大于初始碳排放配额，则需购买超额排放的部分，反之，若实际碳排放量小于初始碳排放配额，则可以出售多余的碳排放配额。
5.根据权利要求1或4所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，所述阶梯碳交易模型为：
Figure FDA0004095354120000021
式中：
Figure FDA0004095354120000027
为综合能源系统碳交易成本；ν为碳交易价格；/>
Figure FDA0004095354120000022
为综合能源系统实际碳排放量；DIES为综合能源系统的初始碳排放配额；d为碳排放区间长度；k为碳交易价格增长幅度。
6.根据权利要求1所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，所述步骤S3，包括：
S3.1、考虑用户满意度，建立阶梯碳交易机制下以系统购能成本、阶梯碳交易成本、运维成本、需求响应成本之和最小的综合能源系统需求响应优化模型；其中，综合能源系统根据电、热价格信号优化系统出力；
S3.2、依据电力系统源荷不确定性及其对综合能源系统需求响应优化模型中功率平衡影响进行分析，并引入模糊机会约束，通过三角形模糊参数将模糊变量进行清晰化处理，求解不确定性问题的模型。
7.根据权利要求1或6所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，所述综合能源系统需求响应优化模型，包括：以系统购能成本、阶梯碳交易成本、运维成本、需求响应成本之和最小的目标函数及约束条件；其中，约束条件包括功率平衡约束、风电出力约束、光伏出力约束、电热泵设备模型及约束、热电联产机组设备模型及约束、燃气锅炉设备模型及约束、储能运行约束、用户满意度约束、电动汽车充放电约束。
8.根据权利要求7所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，所述的目标函数表达式如下：
Figure FDA0004095354120000024
Figure FDA0004095354120000023
式中：Cbuy为系统购能成本；
Figure FDA0004095354120000026
为综合能源系统碳交易成本；Cpro为系统运行维护成本；Cwv为弃风弃光成本；CDR为需求响应成本；/>
Figure FDA0004095354120000031
为t时刻向大电网购电价格；Pt grid为t时刻向上级电网购电量；qg为购气价格；/>
Figure FDA0004095354120000032
为t时刻购气量；R为系统中的设备集合；R＝{PV,WT,GB,CHP,HP,EES,TES}为综合能源系统中的设备合集，分别为光伏、风电、燃气锅炉、热电联产机组、电热泵、蓄电池、储热罐；/>
Figure FDA0004095354120000033
和pomr分别为设备r的运行功率和运维成本系数；qw、qv分别为弃风惩罚系数、弃光惩罚系数；/>
Figure FDA0004095354120000034
为t时刻风电、光伏预测出力；Pw,t、Pv,t为t时刻风电、光伏实际出力；Δt为调度时间间隔；CP,DR为电负荷需求响应成本；CH,DR为热负荷需求响应成本；Cevd为系统对电动汽车放电的补偿费用。
9.根据权利要求6所述的阶梯碳交易机制下综合能源需求响应优化方法，其特征在于，通过模糊机会约束清晰等价类转换，将功率平衡约束转换为如下：
Figure FDA0004095354120000035
式中：α为系统的置信度水平；
Figure FDA0004095354120000036
为电负荷预测三角隶属度函数中的值；
Figure FDA0004095354120000037
为风电实际出力三角隶属度函数中的值；/>
Figure FDA0004095354120000038
为光伏实际出力三角隶属度函数中的值；Pt grid为t时刻向上级电网购电量；Pt CHP分别为t时刻热电联产机组发电功率；Pt HP为t时刻电热泵耗电量；/>
Figure FDA0004095354120000039
为t时刻蓄电池充放电功率；/>
Figure FDA00040953541200000310
为t时刻第n辆电动汽车充放电功率；Nev为电动汽车数量。
10.一种阶梯碳交易机制下综合能源需求响应优化系统，其特征在于，包括：
第一建立模块，用于建立综合能源系统激励型电热负荷需求响应模型及电动汽车充放电模型；
第二建立模块，用于依据初始碳排放配额、实际碳排放量，建立阶梯碳交易模型；
第三建立模块，用于考虑源荷两侧不确定及用户满意度，建立以系统购能成本、阶梯碳交易成本、运维成本、弃风弃光成、需求响应成本之和最小的综合能源需求响应优化模型；
获得模块，用于求解综合能源需求响应优化模型，获取综合能源需求响应优化结果。
CN202310164260.1A 2023-02-24 2023-02-24 一种阶梯碳交易机制下综合能源需求响应优化方法 Pending CN116316567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310164260.1A CN116316567A (zh) 2023-02-24 2023-02-24 一种阶梯碳交易机制下综合能源需求响应优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310164260.1A CN116316567A (zh) 2023-02-24 2023-02-24 一种阶梯碳交易机制下综合能源需求响应优化方法

Publications (1)

Publication Number Publication Date
CN116316567A true CN116316567A (zh) 2023-06-23

Family

ID=86835342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310164260.1A Pending CN116316567A (zh) 2023-02-24 2023-02-24 一种阶梯碳交易机制下综合能源需求响应优化方法

Country Status (1)

Country Link
CN (1) CN116316567A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391764A (zh) * 2023-12-12 2024-01-12 国网浙江省电力有限公司电力科学研究院 一种综合能源系统优化调度方法及系统
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391764A (zh) * 2023-12-12 2024-01-12 国网浙江省电力有限公司电力科学研究院 一种综合能源系统优化调度方法及系统
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
Zhang et al. Multi-objective load dispatch for microgrid with electric vehicles using modified gravitational search and particle swarm optimization algorithm
Tushar et al. Distributed real-time electricity allocation mechanism for large residential microgrid
CN116316567A (zh) 一种阶梯碳交易机制下综合能源需求响应优化方法
CN113792953B (zh) 一种虚拟电厂优化调度方法及系统
CN113610311A (zh) 双层协同架构下考虑碳减排的综合能源服务商合作运行优化方法
CN111682529B (zh) 一种基于节点电价信息的移动储能车灵活调度方法
CN115117940A (zh) 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法
CN112668791A (zh) 热电联供系统的优化方法
Diekerhof et al. Distributed optimization for scheduling electrical demand in complex city districts
CN116739158A (zh) 一种基于强化学习的自适应优化储能方法
Tan et al. Joint scheduling optimization of virtual power plants and equitable profit distribution using shapely value theory
Ceccon et al. Intelligent electric power management system for economic maximization in a residential prosumer unit
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN117332989A (zh) 一种区域综合能源系统削峰填谷方法
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. Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging
CN116167578A (zh) 一种商业楼宇的电动汽车充电站协调调控方法及电子设备
CN113098073B (zh) 一种考虑源荷双侧弹性空间的日前调度优化方法
CN115422728A (zh) 基于随机规划的鲁棒优化的虚拟电厂优化控制系统
Owens et al. Can vehicle-to-grid facilitate the transition to low carbon energy systems?
CN114204580A (zh) 一种电动汽车聚合商基于调频的实时调控方法及计算装置
Chang et al. Bi‐level scheduling of large‐scale electric vehicles based on the generation side and the distribution side
CN112101624A (zh) 一种基于arima的电动汽车随机充电需求预测及调度方法
Chang et al. A coordinated charging strategy for PV-Assisted charging station of electric vehicles based on charging service price
CN111932401A (zh) 一种基于区块链的多方信任的业务交互方法

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