CN116345564A - 综合能源系统多时间尺度分布式协同优化调度方法及系统 - Google Patents
综合能源系统多时间尺度分布式协同优化调度方法及系统 Download PDFInfo
- Publication number
- CN116345564A CN116345564A CN202310143218.1A CN202310143218A CN116345564A CN 116345564 A CN116345564 A CN 116345564A CN 202310143218 A CN202310143218 A CN 202310143218A CN 116345564 A CN116345564 A CN 116345564A
- Authority
- CN
- China
- Prior art keywords
- energy
- time scale
- time
- scheduling
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005096 rolling process Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000003190 augmentative effect Effects 0.000 claims abstract description 18
- 230000001351 cycling effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 48
- 238000004146 energy storage Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000020169 heat generation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005057 refrigeration Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012946 outsourcing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 239000007789 gas Substances 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005485 electric heating Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect 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
- H02J3/46—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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B29/00—Combined heating and refrigeration systems, e.g. operating alternately or simultaneously
- F25B29/006—Combined heating and refrigeration systems, e.g. operating alternately or simultaneously of the sorption type system
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于综合能源系统技术领域，提供了一种综合能源系统多时间尺度分布式协同优化调度方法及系统。该方法包括，基于目标函数和分布式算法，构造增广拉格朗日函数；在约束条件的限定下，求解增广拉格朗日函数，各园区交互必要信息迭代求解，直到满足收敛条件，得到日前全局能量最优调度结果；基于日内风电光伏负荷预测数据和日前全局能量最优调度结果，更新长时间尺度控制层的优化结果，根据长时间尺度控制层及日前全局能量最优调度结果进行短时间尺度控制层的优化调度，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，如此往复循环，直到完成优化调度计划。
Description
技术领域
本发明属于综合能源系统技术领域，尤其涉及一种综合能源系统多时间尺度分布式协同优化调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来随着化石能源的不断枯竭以及各国政府对于能源高效利用的愈发重视，综合能源系统(integrated energy system,IES)的相关研究蓬勃兴起。同时能源集线器(Energy Hub，EH)对于IES的研究起到了很大的帮助。EH可以通过耦合矩阵的形式描述IES内部能量的耦合情况，降低模型复杂度，便于后续的研究。而现在的系统中往往存在不止一个EH而是多个EH，因此对于多EH优化调度问题的求解就成为了研究重点。求解这种多主体综合能源系统优化问题的方法可分为集中式优化和分布式优化两类。分布式优化算法相比于集中式优化算法具有灵活性强、隐私性好、可扩展性强的特点。
同时根据不同应用场景，目前的系统调度从时间尺度上可分为日前及日内的滚动优化调度，其中大多数研究都集中于前者。然而日前优化调度方案难以反映源荷不确定性对系统运行的影响，日内的滚动优化可以更好地解决此类问题，因此对于日内的滚动优化的研究十分重要。
同时因为不同的能源根据各自特性有着时间尺度的差异性，如何在日内滚动优化时根据不同的能量考虑不同的时间尺度，也是目前亟需解决的问题。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种综合能源系统多时间尺度分布式协同优化调度方法及系统，其在多EH优化调度问题方面，将多EH优化调度问题转化为分布式问题并使用ADMM算法进行求解；在日内的优化调度方面，采用考虑不同能源特性的多时间尺度的模型预测控制进行日内的优化调度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种综合能源系统多时间尺度分布式协同优化调度方法。
一种综合能源系统多时间尺度分布式协同优化调度方法，包括：
基于能源集线器模型构建综合能源系统的模型，构造目标函数和约束条件；
基于目标函数和分布式算法，构造增广拉格朗日函数；在约束条件的限定下，求解增广拉格朗日函数，直到满足收敛条件，得到日前全局能量最优调度结果，完成多能源集线器的优化调度；
基于日内风电光伏负荷预测数据和日前全局能量最优调度结果，更新长时间尺度控制层的优化结果，根据长时间尺度控制层及日前全局能量最优调度结果进行短时间尺度控制层的优化调度，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，如此往复循环，直到完成优化调度计划，完成日内的优化调度。
进一步地，所述目标函数为：
式中，FEHN为多EH综合能源系统的总运行费用，N为EH的个数，
为第i个EH的购电成本，/>
为第i个EH的购气成本。
进一步地，所述约束条件包括设备出力约束、能量平衡约束和联络线传输功率约束；其中，能量平衡约束为：
式中，
和/>
分别为第i个EH的t时刻的电、热、冷负荷；/>
和/>
分别为第i个EH的对应能量转换装置t时刻的能量转换效率；
分别为第i个EH的外购电力和对应能量转换装置t时刻的输入功率；/>
和/>
分别为第i个EH向第j个EH在t时刻输送的电能和热能，/>
和/>
分别为第j个EH向第i个EH在t时刻输送的电能和热能。
更进一步地，所述设备出力约束包括燃气轮机产电和产热功率约束、燃气锅炉产热功率约束、电制冷机制冷功率约束、吸收式制冷机制冷功率约束、储能装置约束，其中，储能装置约束为；
式中，x为能量的种类即电能和热能。
为第i个EH的储能装置t时刻储存的能量，
为其的能量自损失率，/>
和/>
分别为第i个EH的储能装置的储能和释能效率，/>
和/>
分别为第i个EH的储能装置t时刻的储能和释能功率，/>
和/>
分别为第i个EH的储能装置的最大储能和释能功率，ux是为了保证储能和释能不能同时进行而引进的0-1变量，
和/>
分别为第i个EH的储能装置的最大存储容量和最小存储容量。
更进一步地，所述联络线传输功率约束包括与上级网络传输功率约束和EH之间传输功率约束。
进一步地，所述增广拉格朗日函数为：
式中，x∈Rnand z∈Rm是优化变量；矩阵A∈Rp×n，B∈Rp×m，c∈Rp为耦合线性约束矩阵；函数f(x)、g(z)分别是关于变量x、z的凸函数，λ为对偶变量，ρ＞0为惩罚因子。
进一步地，在所述日内的优化调度的过程中，进行模型预测控制，包括，
预测模型根据被控对象的控制量变化和历史信息预测对象未来一定预测时域内每个采样点的输出量大小；
滚动优化在每个采样时刻根据有限时域内优化指标计算最优控制序列，伴随时域的更新重复此过程；
反馈校正根据预测误差对模型预测值进行补偿或对预测模型进行修正，形成闭环控制，然后再进行新的优化。
本发明的第二个方面提供一种综合能源系统多时间尺度分布式协同优化调度系统。
一种综合能源系统多时间尺度分布式协同优化调度系统，包括：
构造模块，其被配置为：基于能源集线器模型构建综合能源系统的模型，构造目标函数和约束条件；
多能源集线器的优化调度模块，其被配置为：基于目标函数和分布式算法，构造增广拉格朗日函数；在约束条件的限定下，求解增广拉格朗日函数，直到满足收敛条件，得到日前全局能量最优调度结果；
日内的优化调度模块，其被配置为：基于日内风电光伏负荷预测数据和日前全局能量最优调度结果，更新长时间尺度控制层的优化结果，根据长时间尺度控制层及日前全局能量最优调度结果进行短时间尺度控制层的优化调度，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，如此往复循环，直到完成优化调度计划。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的综合能源系统多时间尺度分布式协同优化调度方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的综合能源系统多时间尺度分布式协同优化调度方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明通过完全分布式交替方向乘子法(Alternating Direction Method ofMultipliers,ADMM)，在保护主体隐私情况下得到日前全局能量最优调度结果，兼顾能量经济管理和环境保护要求；基于模型预测控制(Model Predictive Control,MPC)思想，计及不同能源的调度时间差异性，通过各个园区间的分布式协同实现冷热能-电能的双层日内功率修正调整，改善源荷的不确定性对系统造成的影响，提升系统运行稳定性。
本发明将各能源集线器作为独立的主体，对各园区的耦合约束进行解耦，通过分布式ADMM方法进行综合能源系统的优化调度，各主体仅需交互其联络线上的电热交互量信息，保护了各个参与主体的隐私，兼顾了各主体的利益诉求。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，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不当限定。
图1是本发明示出的能源集线器典型结构图；
图2是本发明示出的综合能源系统典型结构图；
图3是本发明示出的滚动优化示意图；
图4是本发明示出的多时间尺度优化控制策略流程图；
图5是本发明示出的综合能源系统多时间尺度分布式协同优化调度方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图5所示，本实施例提供了一种综合能源系统多时间尺度分布式协同优化调度方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
基于能源集线器模型构建综合能源系统的模型，构造目标函数和约束条件；
基于目标函数和分布式算法，构造增广拉格朗日函数；在约束条件的限定下，求解增广拉格朗日函数，直到满足收敛条件，得到日前全局能量最优调度结果，完成多能源集线器的优化调度；
基于日内风电光伏负荷预测数据和日前全局能量最优调度结果，更新长时间尺度控制层的优化结果，根据长时间尺度控制层及日前全局能量最优调度结果进行短时间尺度控制层的优化调度，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，如此往复循环，直到完成优化调度计划，完成日内的优化调度。
本实例公开了一种综合能源系统多时间尺度分布式协同优化调度方法，其中能源集线器包括风机、光伏、燃气轮机、燃气锅炉、电蓄能装置、热蓄能装置、电制冷机和吸收式制冷机，如图1所示；而所述综合能源系统则是由能源集线器EH1、EH2以及EHN等多个能源集线器组成，多个能源集线器之间可互相交换电、热功率，如图2所示。通过本实施例所述的方法可以在保护主体隐私情况下得到日前全局能量最优调度结果，兼顾能量经济管理和环境保护要求并且改善源荷的不确定性对系统造成的影响，提升系统运行稳定性。
1、多能源集线器互联的综合能源系统模型
1.1目标函数
本实施例的目标函数为各园区的综合运行成本总和最低，其表达式如下：
式中，FEHN为多EH综合能源系统的总运行费用，N为EH的个数，
为第i个EH的购电成本，/>
为第i个EH的购气成本。
1.2约束条件
(1)设备出力约束：
(a)燃气轮机
式中，
和/>
分别为第i个EH的燃气轮机t时刻的产电功率和产热功率，/>
和
分别为第i个EH的燃气轮机产电的最小和最大功率；/>
和/>
分别为第i个EH的燃气轮机产热的最小和最大功率。
(b)燃气锅炉
式中，
为第i个EH的燃气锅炉t时刻的产热功率；/>
和/>
分别为第i个EH的最大和最小产热功率。
(c)电制冷机
式中，
为第i个EH的电制冷机t时刻的制冷功率；/>
和/>
分别为第i个EH的电制冷机的最小和最大制冷功率。
(d)吸收式制冷机
式中，
为第i个EH的吸收式制冷机t时刻的制冷功率，/>
和/>
分别为第i个EH的吸收式制冷机的最小和最大制冷功率。
(e)储能装置
式中，x为能量的种类即电能和热能。
为第i个EH的储能装置t时刻储存的能量，
为其的能量自损失率，/>
和/>
分别为第i个EH的储能装置的储能和释能效率，/>
和/>
分别为第i个EH的储能装置t时刻的储能和释能功率，/>
和/>
分别为第i个EH的储能装置的最大储能和释能功率，ux是为了保证储能和释能不能同时进行而引进的0-1变量，
和/>
分别为第i个EH的储能装置的最大存储容量和最小存储容量，为便于储能装置的调度管理，最后一项保证在调度周期前后的储存的能量相同。
(2)能量平衡约束：
式中，
和/>
分别为第i个EH的t时刻的电、热、冷负荷；/>
和/>
分别为第i个EH的对应能量转换装置t时刻的能量转换效率；
分别为第i个EH的外购电力和对应能量转换装置t时刻的输入功率；/>
和/>
分别为第i个EH向第j个EH在t时刻输送的电能和热能，/>
和/>
分别为第j个EH向第i个EH在t时刻输送的电能和热能。
(3)联络线传输功率约束
(a)与上级网络传输功率约束
式中，
和/>
为第i个EH的电力联络线和天然气联络线的最大传输功率，/>
和/>
分别为第i个EH的电力联络线和天然气联络线的在t时刻的传输功率。此约束用于保证联络线传输的功率不超过其限制。
(b)EH之间传输功率约束
式中，
为第i个EH和第j个EH之间电能联络线的最大传输功率约束，/>
和/>
分别表示第i个EH和第j个EH之间电能的传输方向，/>
为1时表示电能由i向j传输，/>
为1时表示电能由j向i传输。
式中，
为第i个EH和第j个EH之间热能联络线的最大传输功率约束，/>
和/>
分别表示第i个EH和第j个EH之间热能的传输方向，/>
为1时表示热能由i向j传输，/>
为1时表示热能由j向i传输。
2、多能源集线器多能协同分布式优化调度方法
当综合能源系统内存在多个EH的时候，各EH之间存在一定的信息屏障以及信任问题，多数情况下各EH是对自身系统运行信息并非是全公开的，在此背景下，集中式算法不再适用于求解多EH综合能源系统优化调度问题。分布式算法可以得到与集中式算法相同的结果，但是可以额外实现各区域自治决策，保护系统隐私，降低通信要求。而在分布式算法当中ADMM算法拥有着比较好实施的分布式计算框架。ADMM算法相比于辅助问题原则、拉格朗日松弛等分布式算法，ADMM算法采用分解-协同的形式，通过求解局部子问题的解来找到全局问题的解，具有收敛性好、鲁棒性强、形式简单的特点，在解决含有多个主体的综合能源系统优化问题过程中，仅需交互少量信息即可完成优化，保护了参与主体的隐私。
标准的ADMM问题形式为：
minf(x)+g(Z)
s.t.Ax+Bz＝c
其中x∈Rnand z∈Rm是优化变量；矩阵A∈Rp×n，B∈Rp×m，c∈Rp为耦合线性约束矩阵；函数f(x)、g(z)分别是关于变量x、z的凸函数。
对原问题构造增广拉格朗日函数，使目标函数不需要严格凸和值域有限的情况下也能保证收敛，其表达式为：
其中，λ为对偶变量，ρ＞0为惩罚因子。在问题求解时，两个优化变量交替进行求解，其具体迭代过程为：
在问题求解过程中，采用原始残差和对偶残差作为收敛标准。原始残差反映了复制变量与原始变量的一致性程度，对偶残差则反映迭代过程变量的收敛程度，当两者均满足一定的标准时认为问题取到最优解，其表达式如下：
rk+1＝||xk+1-zk+1||2
sk+1＝||ρ(zk+1-zk)||2
收敛条件表达式如下：
式中，n为优化变量的维度，εabs为收敛精度，取值为2×10-4。
基于ADMM算法的基本原理和系统的优化调度模型，将算法扩展到多个子问题的形式，各子问题依次进行求解，直到满足收敛要求。
由于电热能源交互量为耦合约束，求解时需满足Pij＝-Pji和Hij＝-Hji，可构造增广拉格朗日函数为：
迭代计算步骤如下所示：
通过对上式的所述迭代形式，不断对目标函数进行求解，直到满足其收敛条件，完成问题的求解。
3、基于模型预测控制的多时间尺度日内协同优化方法
根据可再生能源出力和负荷需求的预测精度随时间尺度减小而不断提高的特点并结合模型预测控制方法中可通过预测模型、滚动优化和反馈校正这三个基本环节来应对误差与不确定性的特性，将模型预测控制与多时间尺度优化模型预测控制应用于综合能源系统的优化调度与控制中。
3.1模型预测控制
模型预测控制(MPC)方法的基本思路主要由三部分组成，即预测模型、滚动优化和反馈校正。预测模型根据被控对象的控制量变化和历史信息预测对象未来一定预测时域内每个采样点的输出量大小；滚动优化是MPC的核心部分，预测控制最大的特点就是滚动优化、滚动实施；反馈校正根据预测误差对模型预测值进行补偿或对预测模型进行修正，形成闭环控制，然后再进行新的优化。
(1)预测模型
预测模型提供一个表达式，用来根据历史信息预测系统未来输出，然后通过优化控制使最终输出尽可能接近参考值。由于预测模型的重点在于系统输入和输出，而不关注模型的具体形式，故状态空间模型、卷积、神经网络等表达式均可作为系统的预测模型，目前MPC已在多个领域广泛应用。
预测测时域的大小代表系统在线预测范围的宽度，随着预测范围的增大，系统每次优化时包含的信息更多，更具有全局性。但预测范围的增大同时也会增加系统预测模型的长度，从而加大系统在线求解的复杂性。控制时域的大小代表系统控制范围的宽度，随着控制时域的增大，系统调节的范围更广，整体控制性能也将更优，但也会增加在线计算难度。因此，需要根据实际系统条件选择合适的预测域和控制域，避免时域过短系统优化效果不佳以及时域过长降低系统工作效率的情况。
(2)滚动优化
MPC采用滚动向前地优化控制策略，即在每个采样时刻根据有限时域内优化指标计算最优控制序列，伴随时域的更新重复此过程。这种滚动优化形式能够考虑到实际系统中环境干扰等产生的误差影响，在下一时刻对可测干扰进行修正。因此，MPC方式下系统的优化过程更为有效，与实际情况也更为贴切。本实施例的滚动优化示意图如图3所示。
(3)反馈校正
经滚动优化可得到控制时域的最优序列，计及可测误差的干扰，为保证系统状态不会大幅度偏离安全正常范围，仅执行下一时刻的控制计划，并在下一时刻重新计算实际测量值，进而在下一次的优化过程中对最新误差弥补。通过上述过程构成了一个闭环反馈系统，使系统优化控制策略更加有效。
3.2多时间尺度优化
综合能源系统中各能源网络动态特性差异较大，各设备对系统的响应情况也有所差别。其中，电力传输速度较快，对系统功率波动的响应速率迅速，可认为电能传输瞬时完成，一般在调度中不需要考虑电力传输的暂态过程；天然气通过管道进行传输，受管道长度、半径等因素的影响，传输速度相对较慢，在IES优化调度中需考虑暂态过程的影响；热能及冷能传输过程本质上与天然气的传输过程相似，传输速度也相对较慢。因此在日内的滚动优化过程中，根据异质能源时间尺度快慢特性将日内优化调度分为长时间尺度控制层和短时间尺度控制层。其中长时间尺度控制层用于优化慢动态特性的冷热气系统，短时间尺度控制层用于优化快动态特性的电系统。长时间尺度控制层基于预测域的光伏出力数据、风电处理数据、冷热电负荷数据获得预测域和控制域内系统调度计划，然后将其发送至短时间尺度控制层，等待其调度结束指令。短时间尺度控制层调度时间窗口较短，经多个时间窗动态滚动优化后，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，进入长时间尺度控制层的下一个时间窗重复调度和执行。
3.3长短时间尺度控制层周期选择
日内滚动优化是对上一阶段出力计划的调整，考虑到电热冷能不同的能量特性，长时间尺度控制层中冷热能以1h为周期，短时间尺度控制层中电能的调整周期为15min为周期进行优化调节。
3.4多时间尺度优化控制策略
多时间尺度优化控制策略即先根据日前的风电光伏负荷预测结果生成日前的调度结果。然后进入到日内优化调度部分，根据最新的日内风电光伏负荷预测数据以及日前优化调度结果先更新长时间尺度控制层的优化结果，之后再根据长时间尺度控制层及日前优化调度结果进行短时间尺度控制层的优化调度，如此往复循环进行日内优化调度的部分直到完成优化调度计划即可结束，具体流程图如图4所示。
下式本实施例采用的长时间尺度控制层中冷热能的状态空间表达式以及短时间尺度控制层中电能的状态空间表达式。
日内1h冷热能优化调度-状态空间表达式：
日内15min电能优化调度-状态空间表达式：
4、多能源集线器综合能源系统多时间尺度分布式协同优化调度方法
随着系统规模逐渐增大，结构逐渐复杂，集中式控制方式的弊端更加明显，计算复杂、可靠性不高、不易拓展等因素使得系统无法达到最优控制。在预测控制的发展过程中，针对集中式控制方式的不足，分散式MPC被提出。其核心思想是把单一复杂优化问题转换为多个子系统的求解，结构简单且容易实现。然而分散式MPC未考虑子系统间的耦合，无法体现各子系统间的交互影响，故对于强耦合系统的控制效果不佳。将所提ADMM方法应用于多园区多时间尺度优化的研究，加强了子系统间通信网络的要求考虑系统耦合效应，既降低了集中式控制的求解难度，又充分计及了系统的相互联系，在多领域中得到广泛应用。
实施例二
本实施例提供了一种综合能源系统多时间尺度分布式协同优化调度系统。
一种综合能源系统多时间尺度分布式协同优化调度系统，包括：
构造模块，其被配置为：基于能源集线器模型构建综合能源系统的模型，构造目标函数和约束条件；
多能源集线器的优化调度模块，其被配置为：基于目标函数和分布式算法，构造增广拉格朗日函数；在约束条件的限定下，求解增广拉格朗日函数，直到满足收敛条件，得到日前全局能量最优调度结果；
日内的优化调度模块，其被配置为：基于日内风电光伏负荷预测数据和日前全局能量最优调度结果，更新长时间尺度控制层的优化结果，根据长时间尺度控制层及日前全局能量最优调度结果进行短时间尺度控制层的优化调度，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，如此往复循环，直到完成优化调度计划。
此处需要说明的是，上述构造模块、多能源集线器的优化调度模块和日内的优化调度模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的综合能源系统多时间尺度分布式协同优化调度方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的综合能源系统多时间尺度分布式协同优化调度方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种综合能源系统多时间尺度分布式协同优化调度方法，其特征在于，包括：
基于能源集线器模型构建综合能源系统的模型，构造目标函数和约束条件；
基于目标函数和分布式算法，构造增广拉格朗日函数；在约束条件的限定下，求解增广拉格朗日函数，直到满足收敛条件，得到日前全局能量最优调度结果，完成多能源集线器的优化调度；
基于日内风电光伏负荷预测数据和日前全局能量最优调度结果，更新长时间尺度控制层的优化结果，根据长时间尺度控制层及日前全局能量最优调度结果进行短时间尺度控制层的优化调度，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，如此往复循环，直到完成优化调度计划，完成日内的优化调度。
2.根据权利要求1所述的综合能源系统多时间尺度分布式协同优化调度方法，其特征在于，所述目标函数为：
式中，FEHN为多EH综合能源系统的总运行费用，N为EH的个数，
为第i个EH的购电成本，/>
为第i个EH的购气成本。
3.根据权利要求1所述的综合能源系统多时间尺度分布式协同优化调度方法，其特征在于，所述约束条件包括设备出力约束、能量平衡约束和联络线传输功率约束；其中，能量平衡约束为：
式中，
和/>
分别为第i个EH的t时刻的电、热、冷负荷；/>
和/>
分别为第i个EH的对应能量转换装置t时刻的能量转换效率；
分别为第i个EH的外购电力和对应能量转换装置t时刻的输入功率；/>
和/>
分别为第i个EH向第j个EH在t时刻输送的电能和热能，/>
和/>
分别为第j个EH向第i个EH在t时刻输送的电能和热能。
4.根据权利要求3所述的综合能源系统多时间尺度分布式协同优化调度方法，其特征在于，所述设备出力约束包括燃气轮机产电和产热功率约束、燃气锅炉产热功率约束、电制冷机制冷功率约束、吸收式制冷机制冷功率约束、储能装置约束，其中，储能装置约束为；
式中，x为能量的种类即电能和热能。
为第i个EH的储能装置t时刻储存的能量，/>
为其的能量自损失率，/>
和/>
分别为第i个EH的储能装置的储能和释能效率，/>
和/>
分别为第i个EH的储能装置t时刻的储能和释能功率，/>
和/>
分别为第i个EH的储能装置的最大储能和释能功率，ux是为了保证储能和释能不能同时进行而引进的0-1变量，/>
和
分别为第i个EH的储能装置的最大存储容量和最小存储容量。
5.根据权利要求3所述的综合能源系统多时间尺度分布式协同优化调度方法，其特征在于，所述联络线传输功率约束包括与上级网络传输功率约束和EH之间传输功率约束。
6.根据权利要求1所述的综合能源系统多时间尺度分布式协同优化调度方法，其特征在于，所述增广拉格朗日函数为：
式中，x∈Rnand z∈Rm是优化变量；矩阵A∈Rp×n，B∈Rp×m，c∈Rp为耦合线性约束矩阵；函数f(x)、g(z)分别是关于变量x、z的凸函数，λ为对偶变量，ρ＞0为惩罚因子。
7.根据权利要求1所述的综合能源系统多时间尺度分布式协同优化调度方法，其特征在于，在所述日内的优化调度的过程中，进行模型预测控制，包括，
预测模型根据被控对象的控制量变化和历史信息预测对象未来一定预测时域内每个采样点的输出量大小；
滚动优化在每个采样时刻根据有限时域内优化指标计算最优控制序列，伴随时域的更新重复此过程；
反馈校正根据预测误差对模型预测值进行补偿或对预测模型进行修正，形成闭环控制，然后再进行新的优化。
8.一种综合能源系统多时间尺度分布式协同优化调度系统，其特征在于，包括：
构造模块，其被配置为：基于能源集线器模型构建综合能源系统的模型，构造目标函数和约束条件；
多能源集线器的优化调度模块，其被配置为：基于目标函数和分布式算法，构造增广拉格朗日函数；在约束条件的限定下，求解增广拉格朗日函数，直到满足收敛条件，得到日前全局能量最优调度结果；
日内的优化调度模块，其被配置为：基于日内风电光伏负荷预测数据和日前全局能量最优调度结果，更新长时间尺度控制层的优化结果，根据长时间尺度控制层及日前全局能量最优调度结果进行短时间尺度控制层的优化调度，当短时间尺度控制层调度时间窗口与长时间尺度控制层时间窗口结束时间重叠后，则停止滚动优化，并向长时间尺度控制层发送调度结束指令，如此往复循环，直到完成优化调度计划。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的综合能源系统多时间尺度分布式协同优化调度方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的综合能源系统多时间尺度分布式协同优化调度方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310143218.1A CN116345564A (zh) | 2023-02-17 | 2023-02-17 | 综合能源系统多时间尺度分布式协同优化调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310143218.1A CN116345564A (zh) | 2023-02-17 | 2023-02-17 | 综合能源系统多时间尺度分布式协同优化调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116345564A true CN116345564A (zh) | 2023-06-27 |
Family
ID=86893864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310143218.1A Pending CN116345564A (zh) | 2023-02-17 | 2023-02-17 | 综合能源系统多时间尺度分布式协同优化调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116345564A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116613821A (zh) * | 2023-07-13 | 2023-08-18 | 国网浙江省电力有限公司宁波供电公司 | 一种多能协同运行方法、运行平台、设备及存储介质 |
| CN117060592A (zh) * | 2023-08-30 | 2023-11-14 | 国网山东省电力公司德州供电公司 | 基于多域协同的电网数据同步校准方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109149567A (zh) * | 2018-09-10 | 2019-01-04 | 华南理工大学 | 含混合储能的独立型微电网的多时间尺度协调控制方法 |
| CN109711601A (zh) * | 2018-11-28 | 2019-05-03 | 国网浙江省电力有限公司电力科学研究院 | 电-气-热综合能源系统分布式优化调度方法和装置 |
| CN109885009A (zh) * | 2019-03-19 | 2019-06-14 | 广东电网有限责任公司电网规划研究中心 | 计及电转气规划的多能互补园区能源优化配置方法 |
| CN110245878A (zh) * | 2019-06-27 | 2019-09-17 | 华翔翔能电气股份有限公司 | 智能楼宇群体的分布式综合能源需求响应协同优化方法 |
| CN111313445A (zh) * | 2020-03-19 | 2020-06-19 | 象山电力实业有限公司 | 一种基于模型预测控制的储能设备优化配置方法 |
| US20200313433A1 (en) * | 2018-06-06 | 2020-10-01 | Nanjing Institute Of Technology | Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy |
| CN114048908A (zh) * | 2021-11-15 | 2022-02-15 | 东北大学 | 统一电网-分布式热网系统多时间尺度加强区间优化方法 |
-
2023
- 2023-02-17 CN CN202310143218.1A patent/CN116345564A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200313433A1 (en) * | 2018-06-06 | 2020-10-01 | Nanjing Institute Of Technology | Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy |
| CN109149567A (zh) * | 2018-09-10 | 2019-01-04 | 华南理工大学 | 含混合储能的独立型微电网的多时间尺度协调控制方法 |
| CN109711601A (zh) * | 2018-11-28 | 2019-05-03 | 国网浙江省电力有限公司电力科学研究院 | 电-气-热综合能源系统分布式优化调度方法和装置 |
| CN109885009A (zh) * | 2019-03-19 | 2019-06-14 | 广东电网有限责任公司电网规划研究中心 | 计及电转气规划的多能互补园区能源优化配置方法 |
| CN110245878A (zh) * | 2019-06-27 | 2019-09-17 | 华翔翔能电气股份有限公司 | 智能楼宇群体的分布式综合能源需求响应协同优化方法 |
| CN111313445A (zh) * | 2020-03-19 | 2020-06-19 | 象山电力实业有限公司 | 一种基于模型预测控制的储能设备优化配置方法 |
| CN114048908A (zh) * | 2021-11-15 | 2022-02-15 | 东北大学 | 统一电网-分布式热网系统多时间尺度加强区间优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙志浩: "考虑碳交易的综合能源系统优化调度策略研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 18 - 29 * |
| 张书怡: "考虑不确定性的综合能源系统优化调度研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 63 - 70 * |
| 陈剑飞: "多园区综合能源系统分布式优化调度方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 38 - 40 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116613821A (zh) * | 2023-07-13 | 2023-08-18 | 国网浙江省电力有限公司宁波供电公司 | 一种多能协同运行方法、运行平台、设备及存储介质 |
| CN116613821B (zh) * | 2023-07-13 | 2023-10-24 | 国网浙江省电力有限公司宁波供电公司 | 一种多能协同运行方法、运行平台、设备及存储介质 |
| CN117060592A (zh) * | 2023-08-30 | 2023-11-14 | 国网山东省电力公司德州供电公司 | 基于多域协同的电网数据同步校准方法及系统 |
| CN117060592B (zh) * | 2023-08-30 | 2024-02-23 | 国网山东省电力公司德州供电公司 | 基于多域协同的电网数据同步校准方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Optimal operation of integrated electricity and heat system: A review of modeling and solution methods | |
| Xu et al. | Reactive power optimization of a distribution network with high-penetration of wind and solar renewable energy and electric vehicles | |
| Ikeda et al. | Metaheuristic optimization methods for a comprehensive operating schedule of battery, thermal energy storage, and heat source in a building energy system | |
| Zhong et al. | ADMM-based distributed auction mechanism for energy hub scheduling in smart buildings | |
| CN116345564A (zh) | 综合能源系统多时间尺度分布式协同优化调度方法及系统 | |
| CN110298138A (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
| CN109063992A (zh) | 考虑区域综合能源系统优化运行的配电网扩展规划方法 | |
| Yang et al. | Research on heat and electricity coordinated dispatch model for better integration of wind power based on electric boiler with thermal storage | |
| CN102170170A (zh) | 消纳风电接入的大电网调度滚动计划方法 | |
| Bosman et al. | Planning the production of a fleet of domestic combined heat and power generators | |
| Ruan et al. | Operation strategy optimization of combined cooling, heating, and power systems with energy storage and renewable energy based on deep reinforcement learning | |
| Dhamanda et al. | A traditional approach to solve economic load dispatch problem of thermal generating unit using MATLAB programming | |
| Zhao et al. | Day-ahead robust optimal dispatch of integrated energy station considering battery exchange service | |
| CN115099007B (zh) | 基于综合成本-能耗曲线的综合能源系统优化运行方法 | |
| Kermani et al. | Energy management system for smart grid in the presence of energy storage and photovoltaic systems | |
| CN115080907B (zh) | 综合能源系统的控制方法、装置及设备 | |
| Chen et al. | Stochastic planning of integrated energy system based on correlation scenario generation method via Copula function considering multiple uncertainties in renewable energy sources and demands | |
| Chen et al. | Distributed robust operation of integrated energy system considering gas inertia and biogas–wind renewables | |
| Yu et al. | Flexible operation of a CHP‐VPP considering the coordination of supply and demand based on a strengthened distributionally robust optimization | |
| Chen et al. | Flexible dispatching method for park‐level integrated energy systems considering energy cascade utilization | |
| Bao et al. | A collaborative training approach for multi energy systems in low‐carbon parks accounting for response characteristics | |
| Wang et al. | Coordinated scheduling of integrated energy microgrid with multi-energy hubs based on MADDPG and two-layer game | |
| Wu et al. | Distributed energy trading on networked energy hubs under network constraints | |
| Huang et al. | A discrete optimal control model for the distributed energy system considering multiple disturbance inputs | |
| CN115758763A (zh) | 一种计及源荷不确定性的多能流系统优化配置方法及系统 |
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 |