CN116468215A - 计及源荷不确定性的综合能源系统调度方法及装置 - Google Patents

计及源荷不确定性的综合能源系统调度方法及装置 Download PDF

Info

Publication number
CN116468215A
CN116468215A CN202310231526.XA CN202310231526A CN116468215A CN 116468215 A CN116468215 A CN 116468215A CN 202310231526 A CN202310231526 A CN 202310231526A CN 116468215 A CN116468215 A CN 116468215A
Authority
CN
China
Prior art keywords
energy
power
model
energy system
gas
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
CN202310231526.XA
Other languages
English (en)
Inventor
朱永清
李庆生
李震
董树锋
葛明阳
张兆丰
杨婕睿
王斌
罗晨
杨东俊明
钟天璇
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.)
Zhejiang University ZJU
Guizhou Power Grid Co Ltd
Original Assignee
Zhejiang University ZJU
Guizhou Power Grid 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 Zhejiang University ZJU, Guizhou Power Grid Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202310231526.XA priority Critical patent/CN116468215A/zh
Publication of CN116468215A publication Critical patent/CN116468215A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2101/00—Supply or distribution of decentralised, dispersed or local electric power generation
    • H02J2101/20—Dispersed power generation using renewable energy sources
    • H02J2101/22—Solar energy
    • H02J2101/24—Photovoltaics
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种计及源荷不确定性的综合能源系统调度方法及装置，方法包括：基于含电气热冷的综合能源系统中的设备铭牌参数，对综合能源系统关键设备建模，得到设备模型；基于新能源与负荷的历史统计数据，对综合能源系统源荷不确定性建模，得到日前不确定性模型及日内不确定性模型；在所述设备模型与不确定性模型的基础上，建立综合能源系统多目标优化调度模型；求解综合能源系统多目标优化调度模型，实现综合能源系统调度；本发明能够较好地降低日内计划和日前计划的差异性，提升了调度精度和运行水平，在充分计及不确定性的同时降低了计算复杂度；在优化调度中充分考虑了经济性、环保性、能效水平等因素，得到了多目标均衡的优化方案。

Description

计及源荷不确定性的综合能源系统调度方法及装置
技术领域
本发明涉及的技术领域是综合能源系统优化调度技术领域，尤其涉及一种计及源荷不确定性的综合能源系统调度方法及装置。
背景技术
能源危机和环境问题的日益严峻，调整能源结构、提高能源的综合利用效率、增加新能源比重，成为促进经济社会和环境实现可持续发展的重要手段。综合能源系统的构建，能够将电、气、热、冷各类能源进行统一规划和调度，支撑源网荷储多方互联互济和能源电力高效低碳转型。
然而，综合能源系统中多种能源之间存在耦合、新能源发电具有随机性，导致多能负荷和新能源预测存在误差，使得预先制定的综合能源系统调度策略难以与用能场景相协调。因此，为了实现系统运行的经济性、环保型和综合能效，学界与工业界针对计及不确定性的新能源电力系统和综合能源系统的优化问题展开研究。
目前，现有研究在考虑源荷不确定性的综合能源系统优化调度领域已取得一定成果，但还存在以下问题：综合能源系统优化调度研究大多集中于日前长时间尺度，未协调日内调度与日前计划的不一致性；在综合能源系统日前-日内优化调度中，未根据短期或超短期预测的不同精度选择差异化的不确定性描述方法；现有研究以经济调度或低碳经济调度为主，较少关注综合能源系统的能源利用效率，且效率指标多具有非线性特征，常规求解方法较难处理。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：综合能源系统中多种能源之间存在耦合、新能源发电具有随机性，导致多能负荷和新能源预测存在误差，使得预先制定的综合能源系统调度策略难以与用能场景相协调。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种计及源荷不确定性的综合能源系统调度方法，包括：
基于含电气热冷的综合能源系统中的设备铭牌参数，对综合能源系统关键设备建模，得到设备模型；
基于新能源与负荷的历史统计数据，对综合能源系统源荷不确定性建模，得到日前不确定性模型及日内不确定性模型；
在所述设备模型与不确定性模型的基础上，建立综合能源系统多目标优化调度模型，所述综合能源系统多目标优化调度模型包括日前多场景随机优化模型及日内模糊机会约束模型；
求解综合能源系统多目标优化调度模型，实现综合能源系统调度。
作为计及源荷不确定性的综合能源系统调度方法的一种优选方案，其中：
所述对综合能源系统关键设备建模包括：对能源转换设备及储能设备建模：
能源转换设备中，含余热锅炉的燃气轮机建模如下：
其中，为燃气轮机产电功率；ηGT,E为燃气轮机产电效率；LGAS为天然气低位热值；为天然气消耗速率；为从燃气轮机回收产生的热功率；为0-1变量，表示t时段燃气轮机的运行状态；和分别为产电功率的上下限；为最大爬坡率；Ton和Toff分别为最小运行时间与最小停机时间；
能源转换设备中，能源转换设备燃气锅炉建模如下：
其中，为燃气锅炉产热功率；ηGB为燃气锅炉产热效率；为天然气消耗速率；为0-1变量，表示t时段燃气锅炉的运行状态；和分别为产热功率的上下限；为最大爬坡率；
能源转换设备中，吸收式制冷机建模如下：
其中，和分别为吸收式制冷机的制冷功率和耗热功率；为吸收式制冷机的能效比；和分别为制冷功率的上下限；
能源转换设备中，电制冷机建模如下：
其中，和分别为电制冷机的制冷功率和耗电功率；为电制冷机的能效比；和分别为制冷功率的上下限；
能源转换设备中，电制氢系统建模如下：
其中，和分别为电制氢系统制氢功率和耗电功率；ηEL为制氢效率；为0-1变量，表示t时段电制氢系统的运行状态；和分别为制氢功率的上下限；为最大爬坡率；
能源转换设备中，燃料电池建模如下：
其中，和分别为燃料电池产电功率和耗氢功率；ηFC为产电效率；和分别为产电功率的上下限；
储能设备建模如下：
储能设备的荷能容量为：
其中，和分别表示储能设备在t和t-1时段结束时的剩余能量；σx为储能设备的自损耗系数；ηx,c和ηx,d分别为充能效率和放能效率；Px,c和Px,d分别为储能设备的充放能功率，其中x分别表示储能电池ESS、储热设备HSS和储氢罐TSS；t为调度时段编号；Δt为单位调度时间；
储能设备在运行中需要满足约束：
其中，和为0-1变量，分别表示t时段储能设备的充放能状态； 分别为充放能功率的上下限，一般设最大充放能功率相等，最小充放能功率为0；和为储能设备的最大荷能容量和最小荷能容量；和分别为调度开始和结束时的储能容量，设每日调度开始和结束时刻的储能电池荷电量均为最小荷能容量；T为调度周期。
作为计及源荷不确定性的综合能源系统调度方法的一种优选方案，其中：
所述日前不确定性模型包括：首先进行场景生成，对负荷需求和光伏出力进行参数建模，将实际值表示为点预测值与随机预测误差之和：
其中，和分别表示电、气、热、冷负荷和光伏出力的实际值、预测值和预测误差；i分别表示E、G、H、C和PV，和分别表示电、气、热、冷负荷和光伏出力的实际值；和分别表示电、气、热、冷负荷和光伏出力的预测值；和分别表示电、气、热、冷负荷和光伏出力的预测误差；
设多能负荷日前预测误差都服从均值为0的正态分布，光伏出力日前预测误差服从TLS分布，TLS分布表达式为：
其中，ν、σ、μ分别为TLS分布的形状参数、尺度参数和位置参数；Γ为伽马函数；
采用拉丁超立方采样生成负荷和光伏出力场景，采样随机变量的采样值为：
进行场景削减，所述场景削减包括：通过最大距离法选择聚类初值，通过层次K-means聚类算法得到最佳聚类中心，并得到计算削减后光伏出力各场景的出现概率及聚类中心，具体步骤如下：
设共获取了有效天数为M的数据，光伏出力的原始场景集为P＝[P1,P2,…,PM]，任一场景功率数据向量为Pi＝[pi,1,pi,2,…,pi,T]，设定初始聚类个数K1；
基于最大距离法选择K1个初始聚类中心：选取场景集中距离最大的两个场景作为初始聚类中心，场景距离d的计算式为
在剩余M-2个场景中，选取到前面两个初始场景距离乘积最大的场景作为第三个聚类中心；以此得到K1个初始聚类中心；
进行K-means聚类，将所有场景归到最近的聚类中心，令迭代次数l＝1，并计算第l次聚类测度函数值J(l)，聚类测度函数计算式为：
其中，Mi为第i个类中的场景数，Pi j为第i个类中第j个数据向量；Ci为第i个类的聚类中心；
进行第二层次聚类：选取所有聚类中半径最大的类，类半径计算式为
ri＝max||Pj-Ci‖，j＝1,2,...,Mi
在半径最大的类中选择距离最大的两个场景作为新的聚类中心，根据聚类中心重新进行K-means聚类，令l＝l+1，并计算第l+1次聚类测度函数值J(l+1)；
定义ε＝(J(l)–J(l+1))/J(l)，如果ε>ε0，则返回第二层次聚类继续迭代，其中ε0为给定阈值，根据聚类测度函数值变化曲线设定；否则算法结束，输出聚类中心数和聚类结果。
作为计及源荷不确定性的综合能源系统调度方法的一种优选方案，其中：
所述日内不确定性模型包括：将点预测形式的负荷需求和光伏出力使用三角模糊变量(r1,r2,r3)表示，隶属函数为：
其中，μ(x)为隶属函数；r1、r2、r3为隶属度参数，满足r1<r2<r3，r2表示变量出现可能性最大的数值；
日内负荷和光伏的三角模糊数为：
其中，和分别为正向和负向的预测比例系数，满足通过历史预测数据确定；i分别表示各类负荷及光伏，和分别为电负荷正向和负向的预测比例系数；和分别为用气负荷正向和负向的预测比例系数；和分别为热负荷正向和负向的预测比例系数；和分别为冷负荷正向和负向的预测比例系数；和分别为光伏正向和负向的预测比例系数。
作为计及源荷不确定性的综合能源系统调度方法的一种优选方案，其中：
所述日前多场景随机优化模型包括：目标函数定义为各场景下综合能源系统日运行成本与碳排放成本最低和综合能效最高；针对所述目标函数，建立综合能源系统日运行成本部分：
综合能源系统日运行成本表达式为：
其中，F1为园区运行成本；K为场景数；πs为场景s出现的概率； 和分别为场景s下用能成本、设备运维成本和机组启停成本；
用能成本表达式为：
其中，和分别为电能和天然气成本；cPV为光伏发电补贴价格；和cGAS分别为电价和天然气价格；和分别为场景s下t时段的购电功率和购气功率，LGAS为天然气低位热值，为天然气消耗速率；T为24；
运维成本表达式为：
其中，i表示设备种类，包括各种能源转换设备和储能设备；cM,i为设备i输出单位功率的运维费用；为设备i的输出功率；
启停成本表达式为：
其中，cSS,i表示设备i的开停机费用，包括燃气轮机、燃气锅炉和电制氢系统；为0-1变量，表示为设备i的运行状态，1为开机，0为停机；
针对所述目标函数，建立碳排放成本部分：
基于碳排放价格，将碳排放量转化为碳排放成本，系统碳排放成本表达式为：
其中，F2为碳排放成本；和分别为购电和购气产生的等效碳排放成本；为综合能源系统内部燃气机组的碳排放成本；其中，
其中，βGRID和βGAS分别表示从公共电网购买单位电能和天然气产生的碳排放；cre为碳排放价格；βGT为燃气轮机的碳排放强度，δGT为其单位供电功率的碳排放配额；βGB为燃气锅炉的碳排放强度，δGT为其单位供热功率的碳排放配额；
针对所述目标函数，建立综合能效部分：
采用效率表示综合能效，表达式为：
其中，F3为综合能效；为考虑能源品质的负荷功率；和分别为考虑能源品质的储能充放能功率；为考虑能源品质的购能功率；其中，
其中，λE、λH、λC和λG分别为电、热、冷、气的能质系数；电能的能质系数为1，其他能源的能质系数根据工作温度进行折算；
所述日前多场景随机优化模型的约束条件包括各种设备的运行约束以及功率平衡约束，功率平衡约束如下：
作为计及源荷不确定性的综合能源系统调度方法的一种优选方案，其中：
所述日内模糊机会约束模型包括：目标函数定义为未来4h综合能源系统运行成本、碳排放成本和调整成本最低；其中，调整成本描述如下：
调度时段总成本表达式为：
其中，F为日内调度时段总成本；t0为起始调度时段；为购能计划调整成本；为机组出力计划调整成本；
购能计划调整成本表达式为：
其中，和分别为日内和日前计划的购电功率；和分别为日内和日前计划的购气功率；和为购电、购气调整系数，设定为0.06元/kWh，为0.033元/kWh；Δt为15min；
机组出力计划调整成本表达式为：
其中，ki为设备i的出力调整系数，设定能源转换设备出力调整系数为0.03元/kWh，储能设备出力调整系数为0.01元/kWh，实现优先调用储能满足调整出力的需求；和分别为日内和日前调度中设备i的出力；
所述日内模糊机会约束模型还包括：约束条件包括各种设备的运行约束以及可信性模糊机会约束，可信性模糊机会约束描述如下：
其中，Cr{·}为事件的可信性测度；α表示负荷需求小于供能水平的置信水平。
作为计及源荷不确定性的综合能源系统调度方法的一种优选方案，其中：
所述求解综合能源系统多目标优化调度模型包括：在日前多目标优化中采用主目标函数法求解Pareto最优解，选取综合能效最高为目标，将成本转化为约束条件进行优化，通过变步长地改变成本上限约束，遍历求解获得Pareto最优前沿。
第二方面，本发明实施例提供了一种计及源荷不确定性的综合能源系统调度系统，其特征在于，包括：
关键设备建模模块，用于基于含电气热冷的综合能源系统中的设备铭牌参数，对综合能源系统关键设备建模，得到设备模型；
源荷不确定性建模模块，用于基于新能源与负荷的历史统计数据，对综合能源系统源荷不确定性建模，得到日前不确定性模型及日内不确定性模型；
调度模型建模模块，用于在所述设备模型与不确定性模型的基础上，建立综合能源系统多目标优化调度模型，所述综合能源系统多目标优化调度模型包括日前多场景随机优化模型及日内模糊机会约束模型；
调度模块，用于求解综合能源系统多目标优化调度模型，实现综合能源系统调度。
第三方面，本发明实施例提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的计及源荷不确定性的综合能源系统调度方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述的计及源荷不确定性的综合能源系统调度方法。
本发明的有益效果：本发明建立的日前-日内多目标优化调度模型，综合考虑了园区运行不确定性带来的风险和回报，能够较好地降低日内计划和日前计划的差异性，提升了调度精度和运行水平；针对电、热、冷、气负荷和光伏出力的预测不确定性，在日前调度中通过多场景技术构建了多种确定性场景，在日内调度中通过模糊数学方法将不确定性优化转化为不同置信水平下的确定性优化问题，充分计及不确定性的同时降低了计算复杂度；在优化调度中充分考虑了经济性、环保性、能效水平等因素，利用主目标函数法建立了多目标优化模型，通过求解Pareto前沿得到了多目标均衡的优化方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
图1是本发明第一个实施例所述的计及源荷不确定性的综合能源系统调度方法的整体流程图；
图2是本发明第二个实施例所述的计及源荷不确定性的综合能源系统调度方法的仿真实例中的综合能源系统工业园区功能结构示意图；
图3是本发明第二个实施例所述的计及源荷不确定性的综合能源系统调度方法的仿真实例中的典型场景集示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种计及源荷不确定性的综合能源系统调度方法，包括：
S1：基于含电气热冷的综合能源系统中的设备铭牌参数，对综合能源系统关键设备建模，得到设备模型；
具体的，对能源转换设备及储能设备建模：
能源转换设备中，含余热锅炉的燃气轮机建模如下：
其中，为燃气轮机产电功率；ηGT,E为燃气轮机产电效率；LGAS为天然气低位热值；为天然气消耗速率；为从燃气轮机回收产生的热功率；为0-1变量，表示t时段燃气轮机的运行状态；和分别为产电功率的上下限；为最大爬坡率；Ton和Toff分别为最小运行时间与最小停机时间；
能源转换设备中，能源转换设备燃气锅炉建模如下：
其中，为燃气锅炉产热功率；ηGB为燃气锅炉产热效率；为天然气消耗速率；为0-1变量，表示t时段燃气锅炉的运行状态；和分别为产热功率的上下限；为最大爬坡率；
能源转换设备中，吸收式制冷机建模如下：
其中，和分别为吸收式制冷机的制冷功率和耗热功率；为吸收式制冷机的能效比；和分别为制冷功率的上下限；
能源转换设备中，电制冷机建模如下：
其中，和分别为电制冷机的制冷功率和耗电功率；为电制冷机的能效比；和分别为制冷功率的上下限；
能源转换设备中，电制氢系统建模如下：
其中，和分别为电制氢系统制氢功率和耗电功率；ηEL为制氢效率；为0-1变量，表示t时段电制氢系统的运行状态；和分别为制氢功率的上下限；为最大爬坡率；
能源转换设备中，燃料电池建模如下：
其中，和分别为燃料电池产电功率和耗氢功率；ηFC为产电效率；和分别为产电功率的上下限；
储能设备建模如下：
储能设备的荷能容量为：
其中，和分别表示储能设备在t和t-1时段结束时的剩余能量；σx为储能设备的自损耗系数；ηx,c和ηx,d分别为充能效率和放能效率；Px,c和Px,d分别为储能设备的充放能功率，其中x分别表示储能电池ESS、储热设备HSS和储氢罐TSS；t为调度时段编号；Δt为单位调度时间；
储能设备在运行中需要满足约束：
其中，和为0-1变量，分别表示t时段储能设备的充放能状态； 分别为充放能功率的上下限，一般设最大充放能功率相等，最小充放能功率为0；和为储能设备的最大荷能容量和最小荷能容量；和分别为调度开始和结束时的储能容量，设每日调度开始和结束时刻的储能电池荷电量均为最小荷能容量；T为调度周期。
S2：基于新能源与负荷的历史统计数据，对综合能源系统源荷不确定性建模，得到日前不确定性模型及日内不确定性模型；
具体的，所述日前不确定性模型包括：首先进行场景生成，对负荷需求和光伏出力进行参数建模，将实际值表示为点预测值与随机预测误差之和：
其中，和分别表示电、气、热、冷负荷和光伏出力的实际值、预测值和预测误差；i分别表示E、G、H、C和PV，和分别表示电、气、热、冷负荷和光伏出力的实际值；和分别表示电、气、热、冷负荷和光伏出力的预测值；和分别表示电、气、热、冷负荷和光伏出力的预测误差；
设多能负荷日前预测误差都服从均值为0的正态分布，光伏出力日前预测误差服从TLS分布，TLS分布表达式为：
其中，ν、σ、μ分别为TLS分布的形状参数、尺度参数和位置参数；Γ为伽马函数；
应说明的是，基于源荷不确定参数模型，通过采样生成确定性场景来模拟其随机性。本发明采用拉丁超立方采样(latin hypercube sampling，LHS)生成负荷和光伏出力场景，和蒙特卡洛模拟相比，LHS通过分层采样能够保证所有的采样区域都能被采样点覆盖。
具体的，采用拉丁超立方采样生成负荷和光伏出力场景，采样随机变量的采样值为：
应说明的是，针对场景生成所得到的确定性优化问题，进行场景削减，减少LHS生成的大量原始场景。通过最大距离法选择聚类初值，通过层次K-means聚类算法得到最佳聚类中心，并得到计算削减后光伏出力各场景的出现概率及聚类中心。
具体的，进行场景削减，所述场景削减包括：通过最大距离法选择聚类初值，通过层次K-means聚类算法得到最佳聚类中心，并得到计算削减后光伏出力各场景的出现概率及聚类中心，具体步骤如下：
S2.1：设共获取了有效天数为M的数据，光伏出力的原始场景集为P＝[P1,P2,…,PM]，任一场景功率数据向量为Pi＝[pi,1,pi,2,…,pi,T]，设定初始聚类个数K1；
S2.2：基于最大距离法选择K1个初始聚类中心：选取场景集中距离最大的两个场景作为初始聚类中心，场景距离d的计算式为
在剩余M-2个场景中，选取到前面两个初始场景距离乘积最大的场景作为第三个聚类中心；以此得到K1个初始聚类中心；
S2.3：进行K-means聚类，将所有场景归到最近的聚类中心，令迭代次数l＝1，并计算第l次聚类测度函数值J(l)，聚类测度函数计算式为：
其中，Mi为第i个类中的场景数，Pi j为第i个类中第j个数据向量；Ci为第i个类的聚类中心；
S2.4：进行下一层次聚类：选取所有聚类中半径最大的类，类半径计算式为
ri＝max||Pj-Ci||，j＝1,2,...,Mi
在半径最大的类中选择距离最大的两个场景作为新的聚类中心，根据聚类中心重新进行K-means聚类，令l＝l+1，并计算第l+1次聚类测度函数值J(l+1)；
S2.5：定义ε＝(J(l)–J(l+1))/J(l)，如果ε>ε0，则返回S2.4继续迭代，其中ε0为给定阈值，根据聚类测度函数值变化曲线设定；否则算法结束，输出聚类中心数和聚类结果。
更进一步的，所述日内不确定性模型包括：将点预测形式的负荷需求和光伏出力使用三角模糊变量(r1,r2,r3)表示，隶属函数为：
其中，μ(x)为隶属函数；r1、r2、r3为隶属度参数，满足r1<r2<r3，r2表示变量出现可能性最大的数值；
日内负荷和光伏的三角模糊数为：
其中，和分别为正向和负向的预测比例系数，满足通过历史预测数据确定；i分别表示各类负荷及光伏，和分别为电负荷正向和负向的预测比例系数；和分别为用气负荷正向和负向的预测比例系数；和分别为热负荷正向和负向的预测比例系数；和分别为冷负荷正向和负向的预测比例系数；和分别为光伏正向和负向的预测比例系数。
S3：在所述设备模型与不确定性模型的基础上，建立综合能源系统多目标优化调度模型，所述综合能源系统多目标优化调度模型包括日前多场景随机优化模型及日内模糊机会约束模型；
具体的，所述日前多场景随机优化模型包括：目标函数定义为各场景下综合能源系统日运行成本与碳排放成本最低和综合能效最高；针对所述目标函数，建立综合能源系统日运行成本部分：
综合能源系统日运行成本表达式为：
其中，F1为园区运行成本；K为场景数；πs为场景s出现的概率； 和分别为场景s下用能成本、设备运维成本和机组启停成本；
用能成本表达式为：
其中，和分别为电能和天然气成本；cPV为光伏发电补贴价格；和cGAS分别为电价和天然气价格；和分别为场景s下t时段的购电功率和购气功率，LGAS为天然气低位热值，为天然气消耗速率；T为24；
运维成本表达式为：
其中，i表示设备种类，包括各种能源转换设备和储能设备；cM,i为设备i输出单位功率的运维费用；为设备i的输出功率；
启停成本表达式为：
其中，cSS,i表示设备i的开停机费用，包括燃气轮机、燃气锅炉和电制氢系统；为0-1变量，表示为设备i的运行状态，1为开机，0为停机；
针对所述目标函数，建立碳排放成本部分：
基于碳排放价格，将碳排放量转化为碳排放成本，系统碳排放成本表达式为：
其中，F2为碳排放成本；和分别为购电和购气产生的等效碳排放成本；为综合能源系统内部燃气机组的碳排放成本；其中，
其中，βGRID和βGAS分别表示从公共电网购买单位电能和天然气产生的碳排放；cre为碳排放价格；βGT为燃气轮机的碳排放强度，δGT为其单位供电功率的碳排放配额；βGB为燃气锅炉的碳排放强度，δGT为其单位供热功率的碳排放配额；
针对所述目标函数，建立综合能效部分：
采用效率表示综合能效，表达式为：
其中，F3为综合能效；为考虑能源品质的负荷功率；和分别为考虑能源品质的储能充放能功率；为考虑能源品质的购能功率；其中，
其中，λE、λH、λC和λG分别为电、热、冷、气的能质系数；电能的能质系数为1，其他能源的能质系数根据工作温度进行折算；
应说明的是，上述提出的综合能效部分目标函数为分式规划问题，利用Charnes-Cooper变换将其转化成线性规划问题，分式规划问题的基本形式为：
其中，p和q分别为分子和分母的决策变量系数矩阵；u和v为常数项；x为决策变量，x1为运行变量，δ和分别为区间变量和二进制变量。
引入辅助变量τ，令y＝x1τ，决策变量转化为则原问题等效为
其中，τmax和τmin分别为τ的最大值和最小值；区间变量和二进制变量的约束不变。
所述日前多场景随机优化模型的约束条件包括各种设备的运行约束以及功率平衡约束，功率平衡约束如下：
所述日内模糊机会约束模型包括：目标函数定义为未来4h综合能源系统运行成本、碳排放成本和调整成本最低；其中，调整成本描述如下：
调度时段总成本表达式为：
其中，F为日内调度时段总成本；t0为起始调度时段；为购能计划调整成本；为机组出力计划调整成本；
购能计划调整成本表达式为：
其中，和分别为日内和日前计划的购电功率；和分别为日内和日前计划的购气功率；和为购电、购气调整系数，设定为0.06元/kWh，为0.033元/kWh；Δt为15min；
机组出力计划调整成本表达式为：
其中，ki为设备i的出力调整系数，设定能源转换设备出力调整系数为0.03元/kWh，储能设备出力调整系数为0.01元/kWh，实现优先调用储能满足调整出力的需求；和分别为日内和日前调度中设备i的出力；
所述日内模糊机会约束模型还包括：约束条件包括各种设备的运行约束以及可信性模糊机会约束，可信性模糊机会约束描述如下：
其中，Cr{·}为事件的可信性测度；α表示负荷需求小于供能水平的置信水平。
S4：求解综合能源系统多目标优化调度模型，实现综合能源系统调度。
具体的，所述求解综合能源系统多目标优化调度模型包括：在日前多目标优化中采用主目标函数法求解Pareto最优解，选取综合能效最高为目标，将成本转化为约束条件进行优化，通过变步长地改变成本上限约束，遍历求解获得Pareto最优前沿。
应说明的是，本发明建立的综合能源系统多目标优化调度模型在数学本质上为线性优化问题。在日前多目标优化中采用主目标函数法求解Pareto最优解，选取综合能效最高为目标，将成本转化为约束条件进行优化，通过变步长地改变成本上限约束，遍历求解获得Pareto最优前沿。
实施例2
参照图2-3，为本发明的一个实施例，提供了一种计及源荷不确定性的综合能源系统调度方法，为了验证本发明的有益效果，通过仿真实验进行科学论证。
如图2所示为某10KV电压等级综合能源系统工业园区功能结构，其能源系统中主要包括：①能源供给设备，包括上级电网、天然气网及自身光伏设备等；②能源转换设备，包括燃气轮机(含余热锅炉)、燃气锅炉、吸收式制冷机、电制冷机、电制氢系统和燃料电池等；③储能设备，包括储能电池、储热设备和储氢罐等；④负荷设备，包括电负荷、热负荷、冷负荷和用气负荷等；
以本发明所建立的优化模型为基础，考虑某实际综合能源系统工业园区的场景，其分时电价参数如表1所示，碳排放参数如表2所示。
表1分时电价
表2碳排放参数
参数 燃气轮机 燃气锅炉 电厂 天然气厂
碳排放强度/(kg/kWh) 0.724 0.254 0.482 0.024
碳排放配额/(kg/kWh) 0.531 0.212 / /
利用本发明所述方法，以1h为间隔进行日前预测，通过场景生成及场景削减，得到9种典型场景集如图3所示；以15min为间隔进行日内预测，设置负荷和光伏的模糊隶属度函数如表3所示。
表3隶属度函数
将各参数带入本发明，使用MATLAB进行优化求解，得到日前优化结果如表4所示
表4日前优化结果
总成本/元 运行成本/元 碳排放成本/元 综合能效
398138 350208 47930 0.8775
基于该日前计划，日内调度采用模糊机会约束优化模型。置信水平α依次从0.1开始增加至0.9。得到表5为不同置信水平下的日内优化结果。
表5不同置信水平下的日内优化结果
综上所述，本发明所述方法具有如下特点：
1、所建立的日前-日内多目标优化调度模型，综合考虑了园区运行不确定性带来的风险和回报，能够较好降低日内计划和日前计划的差异性，提升了调度精度和运行水平。
2、针对电、热、冷、气负荷和光伏出力的预测不确定性，在日前调度中通过多场景技术构建了多种确定性场景，在日内调度中通过模糊数学方法将不确定性优化转化为不同置信水平下的确定性优化问题，充分计及不确定性的同时降低了计算复杂度。
3、在优化调度中充分考虑了经济性、环保性、能效水平等因素，利用主目标函数法建立了多目标优化模型，通过求解Pareto前沿得到了多目标均衡的优化方案。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种计及源荷不确定性的综合能源系统调度方法，其特征在于，包括：
基于含电气热冷的综合能源系统中的设备铭牌参数，对综合能源系统关键设备建模，得到设备模型；
基于新能源与负荷的历史统计数据，对综合能源系统源荷不确定性建模，得到日前不确定性模型及日内不确定性模型；
在所述设备模型与不确定性模型的基础上，建立综合能源系统多目标优化调度模型，所述综合能源系统多目标优化调度模型包括日前多场景随机优化模型及日内模糊机会约束模型；
求解综合能源系统多目标优化调度模型，实现综合能源系统调度。
2.如权利要求1所述的计及源荷不确定性的综合能源系统调度方法，其特征在于，所述对综合能源系统关键设备建模包括：对能源转换设备及储能设备建模：
能源转换设备中，含余热锅炉的燃气轮机建模如下：
其中，为燃气轮机产电功率；ηGT,E为燃气轮机产电效率；LGAS为天然气低位热值；为天然气消耗速率；为从燃气轮机回收产生的热功率；为0-1变量，表示t时段燃气轮机的运行状态；和分别为产电功率的上下限；为最大爬坡率；Ton和Toff分别为最小运行时间与最小停机时间；
能源转换设备中，能源转换设备燃气锅炉建模如下：
其中，为燃气锅炉产热功率；ηGB为燃气锅炉产热效率；为天然气消耗速率；为0-1变量，表示t时段燃气锅炉的运行状态；和分别为产热功率的上下限；为最大爬坡率；
能源转换设备中，吸收式制冷机建模如下：
其中，和分别为吸收式制冷机的制冷功率和耗热功率；为吸收式制冷机的能效比；和分别为制冷功率的上下限；
能源转换设备中，电制冷机建模如下：
其中，和分别为电制冷机的制冷功率和耗电功率；为电制冷机的能效比；和分别为制冷功率的上下限；
能源转换设备中，电制氢系统建模如下：
其中，和分别为电制氢系统制氢功率和耗电功率；ηEL为制氢效率；为0-1变量，表示t时段电制氢系统的运行状态；和分别为制氢功率的上下限；为最大爬坡率；
能源转换设备中，燃料电池建模如下：
其中，和分别为燃料电池产电功率和耗氢功率；ηFC为产电效率；和分别为产电功率的上下限；
储能设备建模如下：
储能设备的荷能容量为：
其中，和分别表示储能设备在t和t-1时段结束时的剩余能量；σx为储能设备的自损耗系数；ηx,c和ηx,d分别为充能效率和放能效率；Px,c和Px,d分别为储能设备的充放能功率，其中x分别表示储能电池ESS、储热设备HSS和储氢罐TSS；t为调度时段编号；Δt为单位调度时间；
储能设备在运行中需要满足约束：
其中，和为0-1变量，分别表示t时段储能设备的充放能状态； 分别为充放能功率的上下限，一般设最大充放能功率相等，最小充放能功率为0；和为储能设备的最大荷能容量和最小荷能容量；和分别为调度开始和结束时的储能容量，设每日调度开始和结束时刻的储能电池荷电量均为最小荷能容量；T为调度周期。
3.如权利要求1或2所述的计及源荷不确定性的综合能源系统调度方法，其特征在于，所述日前不确定性模型包括：首先进行场景生成，对负荷需求和光伏出力进行参数建模，将实际值表示为点预测值与随机预测误差之和：
其中，和分别表示电、气、热、冷负荷和光伏出力的实际值、预测值和预测误差；i分别表示E、G、H、C和PV，和分别表示电、气、热、冷负荷和光伏出力的实际值；和分别表示电、气、热、冷负荷和光伏出力的预测值；和分别表示电、气、热、冷负荷和光伏出力的预测误差；
设多能负荷日前预测误差都服从均值为0的正态分布，光伏出力日前预测误差服从TLS分布，TLS分布表达式为：
其中，ν、σ、μ分别为TLS分布的形状参数、尺度参数和位置参数；Γ为伽马函数；
采用拉丁超立方采样生成负荷和光伏出力场景，采样随机变量的采样值为：
进行场景削减，所述场景削减包括：通过最大距离法选择聚类初值，通过层次K-means聚类算法得到最佳聚类中心，并得到计算削减后光伏出力各场景的出现概率及聚类中心，具体步骤如下：
设共获取了有效天数为M的数据，光伏出力的原始场景集为P＝[P1,P2,…,PM]，任一场景功率数据向量为Pi＝[pi,1,pi,2,…,pi,T]，设定初始聚类个数K1；
基于最大距离法选择K1个初始聚类中心：选取场景集中距离最大的两个场景作为初始聚类中心，场景距离d的计算式为
在剩余M-2个场景中，选取到前面两个初始场景距离乘积最大的场景作为第三个聚类中心；以此得到K1个初始聚类中心；
进行K-means聚类，将所有场景归到最近的聚类中心，令迭代次数l＝1，并计算第l次聚类测度函数值J(l)，聚类测度函数计算式为：
其中，Mi为第i个类中的场景数，Pi j为第i个类中第j个数据向量；Ci为第i个类的聚类中心；
进行第二层次聚类：选取所有聚类中半径最大的类，类半径计算式为
ri＝max||Pj-Ci||，j＝1,2,...,Mi
在半径最大的类中选择距离最大的两个场景作为新的聚类中心，根据聚类中心重新进行K-means聚类，令l＝l+1，并计算第l+1次聚类测度函数值J(l+1)；
定义ε＝(J(l)–J(l+1))/J(l)，如果ε>ε0，则返回第二层次聚类继续迭代，其中ε0为给定阈值，根据聚类测度函数值变化曲线设定；否则算法结束，输出聚类中心数和聚类结果。
4.如权利要求3所述的计及源荷不确定性的综合能源系统调度方法，其特征在于，所述日内不确定性模型包括：将点预测形式的负荷需求和光伏出力使用三角模糊变量(r1,r2,r3)表示，隶属函数为：
其中，μ(x)为隶属函数；r1、r2、r3为隶属度参数，满足r1<r2<r3，r2表示变量出现可能性最大的数值；
日内负荷和光伏的三角模糊数为：
其中，和分别为正向和负向的预测比例系数，满足通过历史预测数据确定；i分别表示各类负荷及光伏，和分别为电负荷正向和负向的预测比例系数；和分别为用气负荷正向和负向的预测比例系数；和分别为热负荷正向和负向的预测比例系数；和分别为冷负荷正向和负向的预测比例系数；和分别为光伏正向和负向的预测比例系数。
5.如权利要求1或4所述的计及源荷不确定性的综合能源系统调度方法，其特征在于，所述日前多场景随机优化模型包括：目标函数定义为各场景下综合能源系统日运行成本与碳排放成本最低和综合能效最高；针对所述目标函数，建立综合能源系统日运行成本部分：
综合能源系统日运行成本表达式为：
其中，F1为园区运行成本；K为场景数；πs为场景s出现的概率； 和分别为场景s下用能成本、设备运维成本和机组启停成本；
用能成本表达式为：
其中，和分别为电能和天然气成本；cPV为光伏发电补贴价格；和cGAS分别为电价和天然气价格；和分别为场景s下t时段的购电功率和购气功率，LGAS为天然气低位热值，为天然气消耗速率；T为24；
运维成本表达式为：
其中，i表示设备种类，包括各种能源转换设备和储能设备；cM,i为设备i输出单位功率的运维费用；为设备i的输出功率；
启停成本表达式为：
其中，cSS,i表示设备i的开停机费用，包括燃气轮机、燃气锅炉和电制氢系统；为0-1变量，表示为设备i的运行状态，1为开机，0为停机；
针对所述目标函数，建立碳排放成本部分：
基于碳排放价格，将碳排放量转化为碳排放成本，系统碳排放成本表达式为：
其中，F2为碳排放成本；和分别为购电和购气产生的等效碳排放成本；为综合能源系统内部燃气机组的碳排放成本；其中，
其中，βGRID和βGAS分别表示从公共电网购买单位电能和天然气产生的碳排放；cre为碳排放价格；βGT为燃气轮机的碳排放强度，δGT为其单位供电功率的碳排放配额；βGB为燃气锅炉的碳排放强度，δGT为其单位供热功率的碳排放配额；
针对所述目标函数，建立综合能效部分：
采用效率表示综合能效，表达式为：
其中，F3为综合能效；为考虑能源品质的负荷功率；和分别为考虑能源品质的储能充放能功率；为考虑能源品质的购能功率；其中，
其中，λE、λH、λC和λG分别为电、热、冷、气的能质系数；电能的能质系数为1，其他能源的能质系数根据工作温度进行折算；
所述日前多场景随机优化模型的约束条件包括各种设备的运行约束以及功率平衡约束，功率平衡约束如下：
6.如权利要求5所述的计及源荷不确定性的综合能源系统调度方法，其特征在于，所述日内模糊机会约束模型包括：目标函数定义为未来4h综合能源系统运行成本、碳排放成本和调整成本最低；其中，调整成本描述如下：
调度时段总成本表达式为：
其中，F为日内调度时段总成本；t0为起始调度时段；为购能计划调整成本；为机组出力计划调整成本；
购能计划调整成本表达式为：
其中，和分别为日内和日前计划的购电功率；和分别为日内和日前计划的购气功率；和为购电、购气调整系数，设定为0.06元/kWh，为0.033元/kWh；Δt为15min；
机组出力计划调整成本表达式为：
其中，ki为设备i的出力调整系数，设定能源转换设备出力调整系数为0.03元/kWh，储能设备出力调整系数为0.01元/kWh，实现优先调用储能满足调整出力的需求；和分别为日内和日前调度中设备i的出力；
所述日内模糊机会约束模型还包括：约束条件包括各种设备的运行约束以及可信性模糊机会约束，可信性模糊机会约束描述如下：
其中，Cr{·}为事件的可信性测度；α表示负荷需求小于供能水平的置信水平。
7.如权利要求6所述的计及源荷不确定性的综合能源系统调度方法，其特征在于，所述求解综合能源系统多目标优化调度模型包括：在日前多目标优化中采用主目标函数法求解Pareto最优解，选取综合能效最高为目标，将成本转化为约束条件进行优化，通过变步长地改变成本上限约束，遍历求解获得Pareto最优前沿。
8.一种计及源荷不确定性的综合能源系统调度系统，其特征在于，包括：
关键设备建模模块，用于基于含电气热冷的综合能源系统中的设备铭牌参数，对综合能源系统关键设备建模，得到设备模型；
源荷不确定性建模模块，用于基于新能源与负荷的历史统计数据，对综合能源系统源荷不确定性建模，得到日前不确定性模型及日内不确定性模型；
调度模型建模模块，用于在所述设备模型与不确定性模型的基础上，建立综合能源系统多目标优化调度模型，所述综合能源系统多目标优化调度模型包括日前多场景随机优化模型及日内模糊机会约束模型；
调度模块，用于求解综合能源系统多目标优化调度模型，实现综合能源系统调度。
9.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述计及源荷不确定性的综合能源系统调度方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述计及源荷不确定性的综合能源系统调度方法的步骤。
CN202310231526.XA 2023-03-10 2023-03-10 计及源荷不确定性的综合能源系统调度方法及装置 Pending CN116468215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310231526.XA CN116468215A (zh) 2023-03-10 2023-03-10 计及源荷不确定性的综合能源系统调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310231526.XA CN116468215A (zh) 2023-03-10 2023-03-10 计及源荷不确定性的综合能源系统调度方法及装置

Publications (1)

Publication Number Publication Date
CN116468215A true CN116468215A (zh) 2023-07-21

Family

ID=87176115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310231526.XA Pending CN116468215A (zh) 2023-03-10 2023-03-10 计及源荷不确定性的综合能源系统调度方法及装置

Country Status (1)

Country Link
CN (1) CN116468215A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236625A (zh) * 2023-09-25 2023-12-15 国网北京市电力公司 零碳综合能源系统及零碳综合能源系统的优化方法
CN117474301A (zh) * 2023-12-28 2024-01-30 南昌大学 基于职业进阶的综合能源系统多目标优化调度方法及装置
CN117833234A (zh) * 2024-01-07 2024-04-05 国网江西省电力有限公司九江供电分公司 计及不确定性的光储直柔智慧园区负荷优化运行方法和系统
CN119231497A (zh) * 2024-09-14 2024-12-31 国网经济技术研究院有限公司 一种基于多元储能协同的分布式能源系统运行调控方法
CN119671110A (zh) * 2024-11-18 2025-03-21 三峡大学 基于日前与日内双层优化调度的综合能源系统管理方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236625A (zh) * 2023-09-25 2023-12-15 国网北京市电力公司 零碳综合能源系统及零碳综合能源系统的优化方法
CN117474301A (zh) * 2023-12-28 2024-01-30 南昌大学 基于职业进阶的综合能源系统多目标优化调度方法及装置
CN117474301B (zh) * 2023-12-28 2024-03-22 南昌大学 基于职业进阶的综合能源系统多目标优化调度方法及装置
CN117833234A (zh) * 2024-01-07 2024-04-05 国网江西省电力有限公司九江供电分公司 计及不确定性的光储直柔智慧园区负荷优化运行方法和系统
CN119231497A (zh) * 2024-09-14 2024-12-31 国网经济技术研究院有限公司 一种基于多元储能协同的分布式能源系统运行调控方法
CN119231497B (zh) * 2024-09-14 2025-09-23 国网经济技术研究院有限公司 一种基于多元储能协同的分布式能源系统运行调控方法
CN119671110A (zh) * 2024-11-18 2025-03-21 三峡大学 基于日前与日内双层优化调度的综合能源系统管理方法

Similar Documents

Publication Publication Date Title
CN112700094B (zh) 一种基于mpc及loddlc的综合能源系统多时间尺度优化调度方法
CN111950807B (zh) 计及不确定性与需求响应的综合能源系统优化运行方法
CN116468215A (zh) 计及源荷不确定性的综合能源系统调度方法及装置
Zhang et al. Day-ahead optimal scheduling of a standalone solar-wind-gas based integrated energy system with and without considering thermal inertia and user comfort
CN113779783B (zh) 计及多重不确定性的区域综合能源系统规划与运行联合优化方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN111445107B (zh) 冷热电联供型微电网多目标优化配置方法
CN102509175B (zh) 分布式供电系统可靠性优化方法
CN107482638A (zh) 冷热电联供型微电网多目标动态优化调度方法
CN105337303A (zh) 一种含热泵的热电联产型微电网容量优化配置方法
CN109861302B (zh) 一种基于主从博弈的能源互联网日前优化控制方法
CN112418488B (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
CN113592365A (zh) 一种考虑碳排放与绿电消纳的能源优化调度方法及系统
CN112671040A (zh) 一种考虑新能源消纳最大的多能互补系统日前优化调度方法
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN116681171A (zh) 一种多场景综合能源系统分布鲁棒优化调度方法和系统
CN110163767A (zh) 一种含多利益主体的区域综合能源系统分散式规划方法
CN115313512A (zh) 一种微电网两阶段管理方法及装置
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
CN116432824A (zh) 基于多目标粒子群的综合能源系统优化方法及系统
Xue et al. Design optimization of community energy systems based on dual uncertainties of meteorology and load for robustness improvement
CN111585279A (zh) 一种基于新能源消纳的微电网优化调度方法
CN112883630B (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN116306194A (zh) 基于多目标优化理论的综合能源系统能效优化配置方法
Qin et al. Low-Carbon Economic Multi-Objective Dispatch of an Integrated Energy System Based on GAPSO

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