CN116826752A - 一种台区用能多目标低碳降损优化调度策略方法 - Google Patents
一种台区用能多目标低碳降损优化调度策略方法 Download PDFInfo
- Publication number
- CN116826752A CN116826752A CN202310505379.0A CN202310505379A CN116826752A CN 116826752 A CN116826752 A CN 116826752A CN 202310505379 A CN202310505379 A CN 202310505379A CN 116826752 A CN116826752 A CN 116826752A
- Authority
- CN
- China
- Prior art keywords
- power
- load
- period
- matrix
- carbon
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 136
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009467 reduction Effects 0.000 title claims abstract description 33
- 238000005265 energy consumption Methods 0.000 title claims abstract description 26
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 109
- 230000001580 bacterial effect Effects 0.000 claims abstract description 47
- 230000002431 foraging effect Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 93
- 238000007600 charging Methods 0.000 claims description 56
- 238000004146 energy storage Methods 0.000 claims description 56
- 238000009826 distribution Methods 0.000 claims description 55
- 230000005611 electricity Effects 0.000 claims description 50
- 241000894006 Bacteria Species 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000002347 injection Methods 0.000 claims description 21
- 239000007924 injection Substances 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 20
- 239000000243 solution Substances 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000004907 flux Effects 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 230000003399 chemotactic effect Effects 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 230000028327 secretion Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 230000029087 digestion Effects 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000019637 foraging behavior Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 101150067055 minC gene Proteins 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims description 3
- 238000012946 outsourcing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 abstract description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 abstract description 3
- 239000001569 carbon dioxide Substances 0.000 abstract description 3
- 238000010977 unit operation Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种台区用能多目标低碳降损优化调度策略方法，涉及电力系统的用电调度领域。本发明考虑低压侧台区，构建多目标低碳降损用能优化模型，以台区日二氧化碳排放量最少、线损量最低为优化目标，计及台区中机组设备运行条件约束，对现有机组运行策略进行日内时序的优化，充分调动低压网络中各类资源灵活参与低碳降损优化行为。采用细菌觅食算法对模型进行求解；通过将生物领域的细菌觅食算法引入台区用能调度优化领域，有效避免了传统优化算法陷入局部最优解的问题，提高了全局搜索能力和收敛速度。针对台区用能调度问题的特点，对细菌觅食算法进行了改进和优化，提高了算法的稳定性和适应性；若将模型应用在巨大的用能基数上，其碳减排降损效果将十分明显。
Description
技术领域
本发明涉及电力系统的用电调度领域，具体为一种台区用能多目标低碳降损优化调度策略方法。
背景技术
随着我国城镇居民生活水平的提升，居民用电量呈现飞速增长的态势，近些年来新增用电量中居民用电的比例高达38％；非线性负荷快速增长，空调已占夏季尖峰负荷的30％以上，导致电网峰谷差逐年增大，加剧电网高峰负荷供应缺口。同时清洁能源的大力推广，使得台区形成聚合传统用电负荷、电动汽车设备、分布式电源、小型储能装置等多种类型设备的低压网络。此外，电力行业对二氧化碳的计量大多从电源侧采用传统的静态排放因子计量方法，随着碳流理论的提出，越来越多的研究在用户侧进行。电力部门是重要的碳排放部门，电力低碳转型对于环保来说十分重要。在此背景下，开展低压侧用户用能潜力研究具有十分重要的现实意义，即在用户侧开展计及碳计量的用能优化具有非常重要的实际意义，通过分析用户用电习惯，优化台区用能，调度台区可控负荷，兼顾最大程度满足用户用能需求及最小程度降低用户舒适度，提高台区用电效率、可再生能源利用率及降低台区碳排放量。
发明内容
本发明为了解决电力行业对二氧化碳的计量，碳流理论如何应用于用户侧的问题，提供了一种台区用能多目标低碳降损优化调度策略方法。
本发明是通过如下技术方案来实现的：一种台区用能多目标低碳降损优化调度策略方法，具体步骤如下：
一、建立碳流追踪模型：已知电力系统共有N个节点，其中包括K台发电机，M个负荷节点，且网络的拓扑结构已知，不考虑系统网损，可通过直流潮流计算得到系统的潮流分布；
1.1)支路潮流分布矩阵
支路潮流分布矩阵为N阶方阵，用于描述电力系统的有功潮流分布，由PB＝(PBij)N×N表示；支路潮流分布矩阵不仅包括系统的拓扑结构信息，还包括电力网络的有功潮流分布信息，规定节点i流向节点j为正向潮流，对矩阵中各元素的具体定义如下：
若节点i、j之间有支路直接相连，i，j＝1,2,…,N；则支路i-j和支路j-i的支路潮流分布矩阵对应元素如式(1)所示：
若节点i、j之间没有支路直接向量，则PBij＝PBji＝0；特别的，矩阵所有的对角线元素PBii＝0，i＝1,2,…,N；
1.2)机组注入分布矩阵
机组注入分布矩阵为K×N阶矩阵，用于描述所有发电机组与电力系统的连接关系以及机组注入有功功率，采用PG＝(PGkj)K×N表示；机组注入分布矩阵包含发电机连接系统节点的编号信息和输出的有功功率信息，对机组注入分布矩阵中各元素的具体定义如下：
若第k台发电机组的接入节点为j，k＝1,2,…,K；那么其注入节点j的有功功率为：
若发电机未接入节点或注入系统的有功功率为0，则机组注入分布矩阵对应的元素为0；
1.3)负荷分布矩阵
负荷分布矩阵为M×N阶矩阵，用于描述所有电力负荷和系统的连接关系以及有功负荷量，采用PL＝(PLmj)M×N表示；负荷分布矩阵包含负荷接入系统节点的编号信息以及有功负荷量大小信息，对矩阵中个元素的具体定义如下：
若节点j无负荷接入则负荷分布矩阵对应的元素均为0；
1.4)节点有功通量矩阵
节点有功通量矩阵为N阶对角阵，用于描述考虑潮流方向下流入节点有功潮流的“绝对量”，采用PN＝(PNij)N×N表示；节点有功通量矩阵包含系统中发电机组对节点和节点对节点碳势的贡献值，该矩阵元素的具体定义如下：
PB矩阵和PG矩阵第i列元素之和等于PN矩阵的第i行对角元素，令PZ＝[PB,PG]T则节点有功通量矩阵PN计算如式(4)：
PN＝diag(ζN+KPZ) (4)
其中，N+K为元素全是1的N+K阶行向量；公式(4)说明，在已知PB、PG矩阵的情况下，PN矩阵可由PB、PG矩阵相加得到；
1.5)机组碳排放强度
碳排放特性依据机组类型而有所区别，机组碳排放强度在碳排放流计算中认为已知，机组碳排放强度向量由各台机组的碳排放强度组成；设第k台发电机组的碳排放强度为eGk，则向量中各元素表示为：
EG＝[eG1,eG2,…,eGk]T (5)
1.6)节点碳势向量：
求出节点的碳势是电力系统碳流计算的第一目标，节点碳势由PB、PG、PN矩阵直接生成得到，则节点碳势向量表示为：
EN＝(PN-PB T)-1PG TEG (6)
二、定义动态碳排放因子
动态碳排放因子以节点为基础建立，根据动态碳排放因子建立的基本原则，在空间差异上需要满足公平性需求，因而建立的碳排放因子以空间上的平均节点碳势而得，所采取的单位为tCO2/MWh，计算公式如式(7)所示：
三、建立多目标低碳降损用能优化模型
在步骤一与二的基础上建立用能优化模型，设定台区日碳减排量最多、线损量最小为目标函数，考虑可时移设备和居民日常用电，对可时移设备构建约束条件集合，为台区中其设备制定最优运行策略：
台区分布式光伏采取“自发自用，余电上网”的并网模式，即剩余电力可自由调度；如上网出售；此外在本模型的运行中，负荷的调度采用按时间段调度的方式，将一天24h按时间间隔Δt＝15mins分成96个时间段t，在离散的时间段里进行负荷的调度；优化运行变量包括各时段冷/热负荷运行功率、储能设备的充/放电功率、充电桩充电功率以及从公共电网中购、售电功率；
3.1)确定目标函数
为体现出台区光伏发电产生的节碳效果，在本发明中定义台区日碳排放量为每日购电所产生的碳排放量与台区光伏售电节约的碳排放量之差，目标函数为台区典型负荷日碳排放量最小，其表达式为：
F1＝minCday (9)
式中Pt buy为典型日台区在t时段系统对外购电功率；Pt sell为典型日台区在t时段系统对外售功率；Gt为t时段动态碳排放因子，其物理意义为台区设备消耗一度电所产生的碳排放量，在时间上实现碳排放的精确计量；
线损是通过总供电量和总售电量相减得到的，线损电量占供电量百分数称为线损率，考虑光伏发电情况，且台区所建分布式光伏采取“自发自用，余电上网”的并网模式，具体的线损计算公式为：
F2＝minQloss (11)
式中，Qloss为典型日台区线损量，Pt pv为t时段系统光伏发电功率；Pt use为t时段系统用电功率；Pt buy为t时段为系统购电功率；Pt sell为t时段系统售电功率；
3.2)构造约束条件
3.2.1)功率平衡约束
Pt use＝Pt load+Pt B,cha-Pt B,dis (12)
在实际运行过程中，台区中发电功率要求与负荷功率需时刻保持平衡，其中，目标函数中变量满足以下平衡等式，首先建立台区各类负荷的功率与发电功率平衡约束：
式中Pt load为t时段系统本地负荷功率；
Pt buy+Pt pv+Pt B,dis＝Pt B,cha+Pt load+Pt sell (13)
Pt B,dis为t时段系统储能放电功率；Pt B,cha为t时段系统储能充电功率；
其中，本地负荷Pt load为t时段系统中日常用电总负荷功率、充电桩总负荷功率、空气源热泵总负荷功率、空调总负荷功率之和，其表达式为：
Pt load＝Pt daily+Pt cp+Pt hp+Pt cool (14)
式中Pt daily为t时段系统日常用电总负荷功率；Pt cp为t时段系统充电桩总负荷功率；Pt cp为t时段系统空气源热泵总负荷功率；Pt cool为t时段系统空调总负荷功率；其中，各类设备在t时段的总功率数据具体计算公式如下：
式中为在t时段第i个空气源热泵热负荷功率；
式中为在t时段第i个空调的冷负荷功率；
式中为在t时段第j个充电桩的充电功率；
3.2.2)设备日前出力约束
典型用能台区中包含空气源热泵、空调、充电桩等设备，其输出功率需要满足上、下限约束，具体公式如下：
式中Pi hp,max为第i个空气源热泵设备的最大输出功率；
式中Pi cool,max为第i个空调设备的最大输出功率；
式中为第j个充电桩设备的最大输出功率；表示台区中各类设备运行功率需小于设备的额定功率，即最大运行功率；
3.2.3)负荷需求约束
考虑台区用户在冬、夏季对热量与冷量的需求以及电动汽车用户使用充电桩的需求、居民日常用电需求，设定原有负荷数据为当日的负荷需求量，为保证最小限度降低用户对冷、热、充电、用电体验感，设定需求量和供应量的关系如下：
式中为在t时段用户对第i个空气源热泵的热负荷需求；在每个离散的t时段内，i个空气源热泵可调节的范围为用户需求的90％到120％之间；
式中T＝4；在每相邻4个t时段内，对空气源热泵热负荷进行调度调节，i个空气源热泵可调节的范围为用户需求的90％到110％之间，最小限度降低对用户体验感的影响；
式中为在t时段用户对第i个空调的冷负荷需求；在每个离散的t时段内，i个空调可调节的范围为用户需求的90％到120％之间；
在每相邻4个t时段内，对空气源热泵热负荷进行调度调节，i个空气源热泵可调节的范围为用户需求的90％到110％之间，最小限度降低对用户体验感的影响；
式中为在t时段用户对第j个充电桩的充电需求；在每个离散的t时段内，j个充电桩可调节的范围为用户需求的90％到110％之间；
式中Pt daily为t时段系统日常用电总负荷功率；式中为在t时段第k个用户日常用电的需求；在每个离散的t时段内，k个用户日常用电可调节的范围为用户需求的80％到120％之间；
在每相邻4个t时段内，对日常用户用电进行调度调节，k个日常用户用电可调节的范围为用户需求的90％到120％之间，最小限度降低对用户体验感的影响；
3.2.4)购售电约束
建立购售电功率约束：
Pt buy≤Pt net,max (28)
Pt sell≤Pt net,max (29)
式中Pt net,max为t时段系统交换功率最大；表示系统向外交换功率小于交换功率极限；
3.2.5)线损约束
考虑台区实际情况，设定线损率的波动区间，此范围参考数据为该台区历史的日线损率：
2.5％＜Lloss＜5％ (30)
3.2.6)储能运行约束
储能设备运行约束为：
式中为在t时段第b个储能设备的充电功率；/>为在t时段第b个储能设备的放电功率；/>为储能设备充放电功率上限；/>和/>分别为在t时段第b个储能设备的充、放电状态，其为0-1变量，并且满足(33)式；储能电池块充电状态互斥，且设备的充放电功率需小于设备所能承受的最大充放电功率；
式中为在t时段第b个储能设备的剩余电量荷电状态；/>为第b个储能设备的充电或放电效率；SB为储能电池额定容量；建立储能电池能量平衡约束：
式中Socmin为储能设备剩余电量荷电状态的最小值；Socmax为储能设备剩余电量荷电状态的最大值；储能电池荷电状态满足大于最小值且小于最大值；
四、细菌觅食法，为群体全局寻优算法，细菌觅食算法(BFOA)是一种新型群体全局寻优算法，该算法具有易跳出局部最优解和并行搜索等特点。BFOA通过效仿细菌觅食行为，提出了趋向、聚集、繁殖以及迁徙机制。具体包括如下步骤：
4.1)将多目标问题转化为单目标问题，求解(9)、(11)式的最小值，转化为求解适应度函数，即：
Ffit＝F1+F2 (36)
4.2)设定菌落大小为n＝30，每个细菌的感知半径为s＝1，每个细菌在每个迭代步骤中随机移动d＝0.1；
4.3)随机生成初始菌群，计算每个细菌的适应度；
4.4)模拟细菌觅食行为，计算每个细菌的移动距离和方向：
xnew＝xold+d*rand(-1,1) (37)
rand(-1,1)是随机数函数，用于产生范围在[-1,1]之间的随机数；
4.5)根据细菌的移动距离和方向更新菌群位置，计算每个细菌的适应度；
4.6)模拟细菌的消化行为，计算每个细菌的分泌量：
qnew＝qold+c*(Ffit(xnew)-Ffit(xold)) (38)
c为常数，用于控制分泌量的变化；
4.7)根据细菌分泌量更新细菌浓度，计算每个细菌的适应度；
4.8)采用NSGA-II算法对解集进行排序，找到帕累托前沿解集；
五、台区用能多目标低碳降损优化调度策略方法的实施，具体步骤如下：
步骤1：收集数据：收集台区的相关数据，包括负荷需求、可再生能源(如风能、太阳能等)发电量预测、传统能源供应情况；
步骤2：问题建模：根据收集到的数据，采用步骤一至三，建立台区用能调度的多目标优化数学模型，包括步骤二的目标函数和步骤三的约束条件；目标函数可包括碳排放量、损耗等指标；约束条件可包括购售电约束、储能运行约束、功率平衡、电压稳定、设备运行限制等；
步骤3：初始化参数：设置细菌觅食算法的初始参数，如细菌群体规模、趋化系数、趋向度等；同时，根据台区用能调度模型，随机生成初始细菌群体，并计算每个细菌个体的适应度值；
步骤4：细菌运动：执行趋向运动、趋化运动、淘汰和更新等操作，对细菌群体进行迭代优化；在此过程中，结合实时负荷需求和能源供应情况，动态调整细菌觅食算法的参数；
步骤5：收敛判断：判断细菌群体的适应度值是否满足预设的收敛条件，如最大迭代次数、适应度变化阈值等；若满足条件，输出当前最优解；若不满足条件，返回步骤4，继续进行细菌运动；
步骤6：解码策略：将算法得到的最优解解码为具体的调度策略，包括各类能源的供应量、负荷分配方案、储能设备充放电策略等；
步骤7：应用调度策略：根据解码后的调度策略，进行实际台区的用能调度；包括控制可再生能源发电设备、储能设备、调度电网输电，以满足多目标优化需求。
本发明所述的一种台区用能多目标低碳降损优化调度策略方法，对细菌觅食算法实现了以下改进：
1、动态调整算法参数：
a.趋向度调整：根据当前搜索阶段和解的分布情况，动态调整趋向度，在搜索初期，设置较大的趋向度以提高全局搜索能力；在搜索后期，逐渐减小趋向度以提高局部搜索精度。
b.趋化系数调整：根据细菌群体的适应度值变化情况，动态调整趋化系数。若适应度值变化较大，则增大趋化系数以加强趋化操作；若适应度值变化较小，说减小趋化系数，减少趋化操作。
c.步长调整：根据当前搜索阶段和解的分布情况，动态调整细菌个体的运动步长。例如，在搜索初期，可以设置较大的步长以加快搜索速度；在搜索后期，逐渐减小步长以提高搜索精度。
2、自适应适应度函数设计：
a.对各目标函数进行归一化处理，将它们转换为相同的量纲和数值范围，确保各目标函数在计算适应度值时具有相同的权重，避免某一目标函数主导优化过程。
b.根据当前搜索阶段和解的分布情况，动态调整各目标函数的权重；搜索初期，将权重分配给能源利用效率和碳排放量等全局性目标；在搜索后期，逐渐增加损耗等局部性目标的权重，以实现多目标的平衡优化。
与现有技术相比本发明具有以下有益效果：本发明所提供的一种台区用能多目标低碳降损优化调度策略方法，基于细菌觅食算法所建立的碳排放量最少和线损量最低的多目标优化模型，能够综合考虑低压侧电力的经济性和低碳性，符合双碳目标的战略部署。动态碳排放因子在时间上的差异性能够有效引导各类设备参与需求侧响应，其中，当碳排放因子较高时，为达到减排目的，各设备负荷削减；当碳排放因子较低时，为保证基本的用电需求，各设备负荷增加，进一步降低台区碳排放量，提高台区环保性。利用本发明所提出的基于细菌觅食算法的低碳降损用能优化模型，合理进行负荷转移、负荷削减等行为，充分调度储能设备参与需求侧响应，促进分布式光伏消纳，减少台区线损率，降低台区经济运行成本。而且在低压侧台区开展基于细菌觅食算法的低碳降损用能优化产生了较可观的效果。本发明通过动态调整算法参数、自适应适应度函数设计以及针对低压侧用能调度的特殊性所进行的创新，提高了优化效果和计算效率。本发明的具体实施例仅对某个台区某日的用能优化，若将模型应用在巨大的用能基数上，其碳减排、降损效果将十分明显。
附图说明
图1为台区低碳需求响应流程图。
图2为细菌觅食算法流程图。
图3为本发明具体实施例的碳排放因子曲线。
图4为夏季系统运行特性图。
图5为冬季系统运行特性图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
一种台区用能多目标低碳降损优化调度策略方法，具体步骤如下：
一、建立碳流追踪模型：已知电力系统共有N个节点，其中包括K台发电机，M个负荷节点，且网络的拓扑结构已知，不考虑系统网损，可通过直流潮流计算得到系统的潮流分布；
1.1)支路潮流分布矩阵
支路潮流分布矩阵为N阶方阵，用于描述电力系统的有功潮流分布，由PB＝(PBij)N×N表示；支路潮流分布矩阵不仅包括系统的拓扑结构信息，还包括电力网络的有功潮流分布信息，规定节点i流向节点j为正向潮流，对矩阵中各元素的具体定义如下：
若节点i、j之间有支路直接相连，i，j＝1,2,…,N；则支路i-j和支路j-i的支路潮流分布矩阵对应元素如式(1)所示：
若节点i、j之间没有支路直接向量，则PBij＝PBji＝0；矩阵所有的对角线元素PBii＝0，i＝1,2,…,N；
1.2)机组注入分布矩阵
机组注入分布矩阵为K×N阶矩阵，用于描述所有发电机组与电力系统的连接关系以及机组注入有功功率，采用PG＝(PGkj)K×N表示；机组注入分布矩阵包含发电机连接系统节点的编号信息和输出的有功功率信息，对机组注入分布矩阵中各元素的具体定义如下：
若第k台发电机组的接入节点为j，k＝1,2,…,K；那么其注入节点j的有功功率为：
若发电机未接入节点或注入系统的有功功率为0，则机组注入分布矩阵对应的元素为0；
1.3)负荷分布矩阵
负荷分布矩阵为M×N阶矩阵，用于描述所有电力负荷和系统的连接关系以及有功负荷量，采用PL＝(PLmj)M×N表示；负荷分布矩阵包含负荷接入系统节点的编号信息以及有功负荷量大小信息，对矩阵中个元素的具体定义如下：
若节点j无负荷接入则负荷分布矩阵对应的元素均为0；
1.4)节点有功通量矩阵
节点有功通量矩阵为N阶对角阵，用于描述考虑潮流方向下流入节点有功潮流的“绝对量”，采用PN＝(PNij)N×N表示；节点有功通量矩阵包含系统中发电机组对节点和节点对节点碳势的贡献值，该矩阵元素的具体定义如下：
PB矩阵和PG矩阵第i列元素之和等于PN矩阵的第i行对角元素，令PZ＝[PB,PG]T则节点有功通量矩阵PN计算如式(4)：
PN＝diag(ζN+KPZ) (4)
其中，N+K为元素全是1的N+K阶行向量；公式(4)说明，在已知PB、PG矩阵的情况下，PN矩阵可由PB、PG矩阵相加得到；
1.5)机组碳排放强度
碳排放特性依据机组类型而有所区别，机组碳排放强度在碳排放流计算中认为已知，机组碳排放强度向量由各台机组的碳排放强度组成；设第k台发电机组的碳排放强度为eGk，则向量中各元素表示为：
EG＝[eG1,eG2,…,eGk]T (5)
1.6)节点碳势向量：
求出节点的碳势是电力系统碳流计算的第一目标，节点碳势由PB、PG、PN矩阵直接生成得到，则节点碳势向量表示为：
EN＝(PN-PB T)-1PG TEG (6)
二、定义动态碳排放因子
动态碳排放因子以节点为基础建立，根据动态碳排放因子建立的基本原则，在空间差异上需要满足公平性需求，因而建立的碳排放因子以空间上的平均节点碳势而得，所采取的单位为tCO2/MWh，计算公式如式(7)所示：
三、建立多目标低碳降损用能优化模型
在步骤一与二的基础上建立用能优化模型，设定台区日碳减排量最多、线损量最小为目标函数，考虑可时移设备和居民日常用电，对可时移设备构建约束条件集合，为台区中其设备制定最优运行策略，具体流程如图1所示：
台区分布式光伏采取“自发自用，余电上网”的并网模式，即剩余电力可自由调度；此外在本模型的运行中，负荷的调度采用按时间段调度的方式，将一天24h按时间间隔Δt＝15mins分成96个时间段t，在离散的时间段里进行负荷的调度；优化运行变量包括各时段冷/热负荷运行功率、储能设备的充/放电功率、充电桩充电功率以及从公共电网中购、售电功率；
3.1)确定目标函数
定义台区日碳排放量为每日购电所产生的碳排放量与台区光伏售电节约的碳排放量之差，目标函数为台区典型负荷日碳排放量最小，其表达式为：
F1＝minCday (9)
式中Pt buy为典型日台区在t时段系统对外购电功率；Pt sell为典型日台区在t时段系统对外售功率；Gt为t时段动态碳排放因子，其物理意义为台区设备消耗一度电所产生的碳排放量，在时间上实现碳排放的精确计量；
线损是通过总供电量和总售电量相减得到的，线损电量占供电量百分数称为线损率，考虑光伏发电情况，且台区所建分布式光伏采取“自发自用，余电上网”的并网模式，具体的线损计算公式为：
F2＝minQloss (11)
式中，Qloss为典型日台区线损量，Pt pv为t时段系统光伏发电功率；Pt use为t时段系统用电功率；Pt buy为t时段为系统购电功率；Pt sell为t时段系统售电功率；
3.2)构造约束条件
3.2.1)功率平衡约束
Pt use＝Pt load+Pt B,cha-Pt B,dis (12)
在实际运行过程中，台区中发电功率要求与负荷功率需时刻保持平衡，其中，目标函数中变量满足以下平衡等式，首先建立台区各类负荷的功率与发电功率平衡约束：
式中Pt load为t时段系统本地负荷功率；
Pt buy+Pt pv+Pt B,dis＝Pt B,cha+Pt load+Pt sell (13)
Pt B,dis为t时段系统储能放电功率；Pt B,cha为t时段系统储能充电功率；
其中，本地负荷Pt load为t时段系统中日常用电总负荷功率、充电桩总负荷功率、空气源热泵总负荷功率、空调总负荷功率之和，其表达式为：
Pt load＝Pt daily+Pt cp+Pt hp+Pt cool (14)
式中Pt daily为t时段系统日常用电总负荷功率；Pt cp为t时段系统充电桩总负荷功率；Pt cp为t时段系统空气源热泵总负荷功率；Pt cool为t时段系统空调总负荷功率；其中，各类设备在t时段的总功率数据具体计算公式如下：
式中为在t时段第i个空气源热泵热负荷功率；/>
式中为在t时段第i个空调的冷负荷功率；
式中为在t时段第j个充电桩的充电功率；
3.2.2)设备日前出力约束
典型用能台区中包含空气源热泵、空调、充电桩等设备，其输出功率需要满足上、下限约束，具体公式如下：
式中Pi hp,max为第i个空气源热泵设备的最大输出功率；
式中Pi cool,max为第i个空调设备的最大输出功率；
式中为第j个充电桩设备的最大输出功率；表示台区中各类设备运行功率需小于设备的额定功率，即最大运行功率；
3.2.3)负荷需求约束
考虑台区用户在冬、夏季对热量与冷量的需求以及电动汽车用户使用充电桩的需求、居民日常用电需求，设定原有负荷数据为当日的负荷需求量，为保证最小限度降低用户对冷、热、充电、用电体验感，设定需求量和供应量的关系如下：
式中为在t时段用户对第i个空气源热泵的热负荷需求；在每个离散的t时段内，i个空气源热泵可调节的范围为用户需求的90％到120％之间；
式中T＝4；在每相邻4个t时段内，对空气源热泵热负荷进行调度调节，i个空气源热泵可调节的范围为用户需求的90％到110％之间，最小限度降低对用户体验感的影响；
式中为在t时段用户对第i个空调的冷负荷需求；在每个离散的t时段内，i个空调可调节的范围为用户需求的90％到120％之间；
在每相邻4个t时段内，对空气源热泵热负荷进行调度调节，i个空气源热泵可调节的范围为用户需求的90％到110％之间，最小限度降低对用户体验感的影响；
式中为在t时段用户对第j个充电桩的充电需求；在每个离散的t时段内，j个充电桩可调节的范围为用户需求的90％到110％之间；
式中Pt daily为t时段系统日常用电总负荷功率；式中为在t时段第k个用户日常用电的需求；在每个离散的t时段内，k个用户日常用电可调节的范围为用户需求的80％到120％之间；
在每相邻4个t时段内，对日常用户用电进行调度调节，k个日常用户用电可调节的范围为用户需求的90％到120％之间，最小限度降低对用户体验感的影响；
3.2.4)购售电约束
建立购售电功率约束：
Pt buy≤Pt net,max (28)
Pt sell≤Pt net,max (29)
式中Pt net,max为t时段系统交换功率最大；表示系统向外交换功率小于交换功率极限；
3.2.5)线损约束
考虑台区实际情况，设定线损率的波动区间，此范围参考数据为该台区历史的日线损率：
2.5％＜Lloss＜5％ (30)
3.2.6)储能运行约束
储能设备运行约束为：
式中为在t时段第b个储能设备的充电功率；/>为在t时段第b个储能设备的放电功率；/>为储能设备充放电功率上限；/>和/>分别为在t时段第b个储能设备的充、放电状态，其为0-1变量，并且满足(33)式；储能电池块充电状态互斥，且设备的充放电功率需小于设备所能承受的最大充放电功率；
式中为在t时段第b个储能设备的剩余电量荷电状态；/>为第b个储能设备的充电或放电效率；SB为储能电池额定容量；建立储能电池能量平衡约束：/>
式中Socmin为储能设备剩余电量荷电状态的最小值；Socmax为储能设备剩余电量荷电状态的最大值；储能电池荷电状态满足大于最小值且小于最大值；
四、细菌觅食法，为群体全局寻优算法，如图2所示，具体包括如下步骤：
4.1)将多目标问题转化为单目标问题，求解(9)、(11)式的最小值，转化为求解适应度函数，即：
Ffit＝F1+F2 (36)
4.2)设定菌落大小为n＝30，每个细菌的感知半径为s＝1，每个细菌在每个迭代步骤中随机移动d＝0.1；
4.3)随机生成初始菌群，计算每个细菌的适应度；
4.4)模拟细菌觅食行为，计算每个细菌的移动距离和方向：
xnew＝xold+d*rand(-1,1) (37)
rand(-1,1)是随机数函数，用于产生范围在[-1,1]之间的随机数；
4.5)根据细菌的移动距离和方向更新菌群位置，计算每个细菌的适应度；
4.6)模拟细菌的消化行为，计算每个细菌的分泌量：
qnew＝qold+c*(Ffit(xnew)-Ffit(xold)) (38)
c为常数，用于控制分泌量的变化；
4.7)根据细菌分泌量更新细菌浓度，计算每个细菌的适应度；
4.8)采用NSGA-II算法对解集进行排序，找到帕累托前沿解集；
五、台区用能多目标低碳降损优化调度策略方法的实施，具体步骤如下：
步骤1：收集数据：收集台区的相关数据，包括负荷需求、可再生能源发电量预测、传统能源供应情况；
步骤2：问题建模：根据收集到的数据，采用步骤一至三，建立台区用能调度的多目标优化数学模型，包括步骤二的目标函数和步骤三的约束条件；
步骤3：初始化参数：设置细菌觅食算法的初始参数，同时，根据台区用能调度模型，随机生成初始细菌群体，并计算每个细菌个体的适应度值；
步骤4：细菌运动：执行趋向运动、趋化运动、淘汰和更新等操作，对细菌群体进行迭代优化；在此过程中，结合实时负荷需求和能源供应情况，动态调整细菌觅食算法的参数；
步骤5：收敛判断：判断细菌群体的适应度值是否满足预设的收敛条件；若满足条件，输出当前最优解；若不满足条件，返回步骤4，继续进行细菌运动；
步骤6：解码策略：将算法得到的最优解解码为具体的调度策略；
步骤7：应用调度策略：根据解码后的调度策略，进行实际台区的用能调度；包括控制可再生能源发电设备、储能设备、调度电网输电，以满足多目标优化需求。
本实施例采用上述方法在以下典型用能台区内实现，典型用能台区建筑提供冷、热、电供应，台区现有居民用户49户。目前已安装充电桩20台、空气源热泵49台、可控空调49台，已有总容量为150kW的储能装置、总装机容量为183.74kW的分布式光伏发电设备。以下为减排降损结果分析：
一、碳排放因子：
根据步骤二所建立的动态碳排放因子模型，计算出山西省某小区典型日24个时段的动态碳排放因子曲线，如图3所示。
二、减碳结果分析：
利用算法求解出台区在进行低碳降损用能优化后的冬夏两季碳排放数据，并与原始状态下台区碳排放量进行对比，碳排放量结果如表1所示。
表1夏、冬季典型负荷日碳排放量
台区在原始运行情况下，夏、冬季碳排放量分别为213.74kgCO2、1343.48kgCO2，进行优化后，碳排放量分别为162.47kgCO2、1072.55kgCO2，碳减排量为51.27kgCO2、270.93kgCO2，优化后相较于原始运行情况下碳排放量分别降低了23.99％、20.17％。
三、降损结果分析：
利用算法求解出优化后夏、冬季典型负荷日的线损量，并与原始状态下台区线损量进行对比，线损量结果如表2所示。
表2夏、冬季典型负荷日线损量
台区在原始运行情况下，夏、冬季线损量分别为23.2kWh、30.66kWh，进行优化后，线损量分别为14.62kWh、23.56kWh，优化后相较于原始运行情况下线损量分别降低了28.36％、23.16％。
四、用能优化结果分析：
基于本发明所提出的低碳降损用能优化运行方法，对上述两个典型季节负荷日的用能进行优化，优化前后的各类设备运行数据差如图4、5所示。
五：预期效果
本实施例在低压侧台区开展基于细菌觅食算法的低碳降损用能优化产生了较可观的效果。山西某典型用能台区的实施例表明，台区在参与用能优化后，夏季和冬季单日碳排放量可分别减少23.99％、20.17％，台区日线损量分别降低了28.36％、23.16％。本发明通过动态调整算法参数、自适应适应度函数设计以及针对低压侧用能调度的特殊性所进行的创新，提高了优化效果和计算效率。本发明的具体实施例仅对某个台区某日的用能优化，若将模型应用在巨大的用能基数上，其碳减排、降损效果将十分明显。
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (1)
1.一种台区用能多目标低碳降损优化调度策略方法，其特征在于：具体步骤如下：
一、建立碳流追踪模型：已知电力系统共有N个节点，其中包括K台发电机，M个负荷节点，且网络的拓扑结构已知，不考虑系统网损，可通过直流潮流计算得到系统的潮流分布；
1.1)支路潮流分布矩阵
支路潮流分布矩阵为N阶方阵，用于描述电力系统的有功潮流分布，由PB＝(PBij)N×N表示；支路潮流分布矩阵不仅包括系统的拓扑结构信息，还包括电力网络的有功潮流分布信息，规定节点i流向节点j为正向潮流，对矩阵中各元素的具体定义如下：
若节点i、j之间有支路直接相连，i，j＝1,2,…,N；则支路i-j和支路j-i的支路潮流分布矩阵对应元素如式(1)所示：
若节点i、j之间没有支路直接向量，则PBij＝PBji＝0；矩阵所有的对角线元素PBii＝0，i＝1,2,…,N；
1.2)机组注入分布矩阵
机组注入分布矩阵为K×N阶矩阵，用于描述所有发电机组与电力系统的连接关系以及机组注入有功功率，采用PG＝(PGkj)K×N表示；机组注入分布矩阵包含发电机连接系统节点的编号信息和输出的有功功率信息，对机组注入分布矩阵中各元素的具体定义如下：
若第k台发电机组的接入节点为j，k＝1,2,…,K；那么其注入节点j的有功功率为：
若发电机未接入节点或注入系统的有功功率为0，则机组注入分布矩阵对应的元素为0；
1.3)负荷分布矩阵
负荷分布矩阵为M×N阶矩阵，用于描述所有电力负荷和系统的连接关系以及有功负荷量，采用PL＝(PLmj)M×N表示；负荷分布矩阵包含负荷接入系统节点的编号信息以及有功负荷量大小信息，对矩阵中个元素的具体定义如下：
若节点j无负荷接入则负荷分布矩阵对应的元素均为0；
1.4)节点有功通量矩阵
节点有功通量矩阵为N阶对角阵，用于描述考虑潮流方向下流入节点有功潮流的“绝对量”，采用PN＝(PNij)N×N表示；节点有功通量矩阵包含系统中发电机组对节点和节点对节点碳势的贡献值，该矩阵元素的具体定义如下：
PB矩阵和PG矩阵第i列元素之和等于PN矩阵的第i行对角元素，令PZ＝[PB,PG]T则节点有功通量矩阵PN计算如式(4)：
PN＝diag(ζN+KPZ) (4)
其中，N+K为元素全是1的N+K阶行向量；公式(4)说明，在已知PB、PG矩阵的情况下，PN矩阵可由PB、PG矩阵相加得到；
1.5)机组碳排放强度
碳排放特性依据机组类型而有所区别，机组碳排放强度在碳排放流计算中认为已知，机组碳排放强度向量由各台机组的碳排放强度组成；设第k台发电机组的碳排放强度为eGk，则向量中各元素表示为：
EG＝[eG1,eG2,…,eGk]T (5)
1.6)节点碳势向量：
求出节点的碳势是电力系统碳流计算的第一目标，节点碳势由PB、PG、PN矩阵直接生成得到，则节点碳势向量表示为：
EN＝(PN-PB T)-1PG TEG (6)
二、定义动态碳排放因子
动态碳排放因子以节点为基础建立，根据动态碳排放因子建立的基本原则，在空间差异上满足公平性需求，因而建立的碳排放因子以空间上的平均节点碳势而得，所采取的单位为tCO2/MWh，计算公式如式(7)所示：
三、建立多目标低碳降损用能优化模型
在步骤一与二的基础上建立用能优化模型，设定台区日碳减排量最多、线损量最小为目标函数，考虑可时移设备和居民日常用电，对可时移设备构建约束条件集合，为台区中其设备制定最优运行策略：
台区分布式光伏采取“自发自用，余电上网”的并网模式，即剩余电力可自由调度；此外在本模型的运行中，负荷的调度采用按时间段调度的方式，将一天24h按时间间隔Δt＝15mins分成96个时间段t，在离散的时间段里进行负荷的调度；优化运行变量包括各时段冷/热负荷运行功率、储能设备的充/放电功率、充电桩充电功率以及从公共电网中购、售电功率；
3.1)确定目标函数
定义台区日碳排放量为每日购电所产生的碳排放量与台区光伏售电节约的碳排放量之差，目标函数为台区典型负荷日碳排放量最小，其表达式为：
F1＝minCday (9)
式中Pt buy为典型日台区在t时段系统对外购电功率；Pt sell为典型日台区在t时段系统对外售功率；Gt为t时段动态碳排放因子，其物理意义为台区设备消耗一度电所产生的碳排放量，在时间上实现碳排放的精确计量；
线损是通过总供电量和总售电量相减得到的，线损电量占供电量百分数称为线损率，考虑光伏发电情况，且台区所建分布式光伏采取“自发自用，余电上网”的并网模式，具体的线损计算公式为：
F2＝minQloss (11)
式中，Qloss为典型日台区线损量，Pt pv为t时段系统光伏发电功率；Pt use为t时段系统用电功率；Pt buy为t时段为系统购电功率；Pt sell为t时段系统售电功率；
3.2)构造约束条件
3.2.1)功率平衡约束
Pt use＝Pt load+Pt B,cha-Pt B,dis (12)
在实际运行过程中，台区中发电功率要求与负荷功率需时刻保持平衡，其中，目标函数中变量满足以下平衡等式，首先建立台区各类负荷的功率与发电功率平衡约束：
式中Pt load为t时段系统本地负荷功率；
Pt buy+Pt pv+Pt B,dis＝Pt B,cha+Pt load+Pt sell (13)
Pt B,dis为t时段系统储能放电功率；Pt B,cha为t时段系统储能充电功率；
其中，本地负荷Pt load为t时段系统中日常用电总负荷功率、充电桩总负荷功率、空气源热泵总负荷功率、空调总负荷功率之和，其表达式为：
Pt load＝Pt daily+Pt cp+Pt hp+Pt cool (14)
式中Pt daily为t时段系统日常用电总负荷功率；Pt cp为t时段系统充电桩总负荷功率；Pt cp为t时段系统空气源热泵总负荷功率；Pt cool为t时段系统空调总负荷功率；其中，各类设备在t时段的总功率数据具体计算公式如下：
式中为在t时段第i个空气源热泵热负荷功率；
式中为在t时段第i个空调的冷负荷功率；
式中为在t时段第j个充电桩的充电功率；
3.2.2)设备日前出力约束
典型用能台区中包含空气源热泵、空调、充电桩等设备，其输出功率需要满足上、下限约束，具体公式如下：
式中Pi hp,max为第i个空气源热泵设备的最大输出功率；
式中Pi cool,max为第i个空调设备的最大输出功率；
式中为第j个充电桩设备的最大输出功率；表示台区中各类设备运行功率需小于设备的额定功率，即最大运行功率；
3.2.3)负荷需求约束
考虑台区用户在冬、夏季对热量与冷量的需求以及电动汽车用户使用充电桩的需求、居民日常用电需求，设定原有负荷数据为当日的负荷需求量，为保证最小限度降低用户对冷、热、充电、用电体验感，设定需求量和供应量的关系如下：
式中为在t时段用户对第i个空气源热泵的热负荷需求；在每个离散的t时段内，i个空气源热泵可调节的范围为用户需求的90％到120％之间；
式中T＝4；在每相邻4个t时段内，对空气源热泵热负荷进行调度调节，i个空气源热泵可调节的范围为用户需求的90％到110％之间，最小限度降低对用户体验感的影响；
式中为在t时段用户对第i个空调的冷负荷需求；在每个离散的t时段内，i个空调可调节的范围为用户需求的90％到120％之间；
在每相邻4个t时段内，对空气源热泵热负荷进行调度调节，i个空气源热泵可调节的范围为用户需求的90％到110％之间，最小限度降低对用户体验感的影响；
式中为在t时段用户对第j个充电桩的充电需求；在每个离散的t时段内，j个充电桩可调节的范围为用户需求的90％到110％之间；
式中Pt daily为t时段系统日常用电总负荷功率；式中为在t时段第k个用户日常用电的需求；在每个离散的t时段内，k个用户日常用电可调节的范围为用户需求的80％到120％之间；
在每相邻4个t时段内，对日常用户用电进行调度调节，k个日常用户用电可调节的范围为用户需求的90％到120％之间，最小限度降低对用户体验感的影响；
3.2.4)购售电约束
建立购售电功率约束：
Pt buy≤Pt net,max (28)
Pt sell≤Pt net,max (29)
式中Pt net,max为t时段系统交换功率最大；表示系统向外交换功率小于交换功率极限；
3.2.5)线损约束
考虑台区实际情况，设定线损率的波动区间，此范围参考数据为该台区历史的日线损率：
2.5％＜Lloss＜5％ (30)
3.2.6)储能运行约束
储能设备运行约束为：
式中为在t时段第b个储能设备的充电功率；/>为在t时段第b个储能设备的放电功率；/>为储能设备充放电功率上限；/>和/>分别为在t时段第b个储能设备的充、放电状态，其为0-1变量，并且满足(33)式；储能电池块充电状态互斥，且设备的充放电功率需小于设备所能承受的最大充放电功率；
式中为在t时段第b个储能设备的剩余电量荷电状态；/>为第b个储能设备的充电或放电效率；SB为储能电池额定容量；建立储能电池能量平衡约束：
式中Socmin为储能设备剩余电量荷电状态的最小值；Socmax为储能设备剩余电量荷电状态的最大值；储能电池荷电状态满足大于最小值且小于最大值；
四、细菌觅食法，为群体全局寻优算法，具体包括如下步骤：
4.1)将多目标问题转化为单目标问题，求解(9)、(11)式的最小值，转化为求解适应度函数，即：
Ffit＝F1+F2 (36)
4.2)设定菌落大小为n＝30，每个细菌的感知半径为s＝1，每个细菌在每个迭代步骤中随机移动d＝0.1；
4.3)随机生成初始菌群，计算每个细菌的适应度；
4.4)模拟细菌觅食行为，计算每个细菌的移动距离和方向：
xnew＝xold+d*rand(-1,1) (37)
rand(-1,1)是随机数函数，用于产生范围在[-1,1]之间的随机数；
4.5)根据细菌的移动距离和方向更新菌群位置，计算每个细菌的适应度；
4.6)模拟细菌的消化行为，计算每个细菌的分泌量：
qnew＝qold+c*(Ffit(xnew)-Ffit(xold)) (38)
c为常数，用于控制分泌量的变化；
4.7)根据细菌分泌量更新细菌浓度，计算每个细菌的适应度；
4.8)采用NSGA-II算法对解集进行排序，找到帕累托前沿解集；
五、台区用能多目标低碳降损优化调度策略方法的实施，具体步骤如下：
步骤1：收集数据：收集台区的相关数据，包括负荷需求、可再生能源发电量预测、传统能源供应情况；
步骤2：问题建模：根据收集到的数据，采用步骤一至三，建立台区用能调度的多目标优化数学模型，包括步骤二的目标函数和步骤三的约束条件；
步骤3：初始化参数：设置细菌觅食算法的初始参数，同时，根据台区用能调度模型，随机生成初始细菌群体，并计算每个细菌个体的适应度值；
步骤4：细菌运动：执行趋向运动、趋化运动、淘汰和更新等操作，对细菌群体进行迭代优化；在此过程中，结合实时负荷需求和能源供应情况，动态调整细菌觅食算法的参数；
步骤5：收敛判断：判断细菌群体的适应度值是否满足预设的收敛条件；若满足条件，输出当前最优解；若不满足条件，返回步骤4，继续进行细菌运动；
步骤6：解码策略：将算法得到的最优解解码为具体的调度策略；
步骤7：应用调度策略：根据解码后的调度策略，进行实际台区的用能调度；包括控制可再生能源发电设备、储能设备、调度电网输电，以满足多目标优化需求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310505379.0A CN116826752A (zh) | 2023-05-08 | 2023-05-08 | 一种台区用能多目标低碳降损优化调度策略方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310505379.0A CN116826752A (zh) | 2023-05-08 | 2023-05-08 | 一种台区用能多目标低碳降损优化调度策略方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116826752A true CN116826752A (zh) | 2023-09-29 |
Family
ID=88115695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310505379.0A Pending CN116826752A (zh) | 2023-05-08 | 2023-05-08 | 一种台区用能多目标低碳降损优化调度策略方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116826752A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116630108A (zh) * | 2023-06-01 | 2023-08-22 | 江苏智慧用能低碳技术研究院有限公司 | 一种有源建筑运行阶段动态碳排放因子测算方法 |
| CN117096877A (zh) * | 2023-10-19 | 2023-11-21 | 国网山西省电力公司营销服务中心 | 基于多视角的区域动态电碳数据用电分析方法及系统 |
| CN117477682A (zh) * | 2023-11-09 | 2024-01-30 | 国网黑龙江省电力有限公司 | 基于安德森加速的配电网-台区协同线损优化调控方法 |
| CN118249421A (zh) * | 2024-05-27 | 2024-06-25 | 广东电网有限责任公司 | 一种基于节点链接矩阵的多节点系统调控方法及装置 |
-
2023
- 2023-05-08 CN CN202310505379.0A patent/CN116826752A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116630108A (zh) * | 2023-06-01 | 2023-08-22 | 江苏智慧用能低碳技术研究院有限公司 | 一种有源建筑运行阶段动态碳排放因子测算方法 |
| CN116630108B (zh) * | 2023-06-01 | 2023-11-14 | 江苏智慧用能低碳技术研究院有限公司 | 一种有源建筑运行阶段动态碳排放因子测算方法 |
| CN117096877A (zh) * | 2023-10-19 | 2023-11-21 | 国网山西省电力公司营销服务中心 | 基于多视角的区域动态电碳数据用电分析方法及系统 |
| CN117096877B (zh) * | 2023-10-19 | 2024-02-13 | 国网山西省电力公司营销服务中心 | 基于多视角的区域动态电碳数据用电分析方法及系统 |
| CN117477682A (zh) * | 2023-11-09 | 2024-01-30 | 国网黑龙江省电力有限公司 | 基于安德森加速的配电网-台区协同线损优化调控方法 |
| CN117477682B (zh) * | 2023-11-09 | 2024-05-17 | 国网黑龙江省电力有限公司 | 基于安德森加速的配电网-台区协同线损优化调控方法 |
| CN118249421A (zh) * | 2024-05-27 | 2024-06-25 | 广东电网有限责任公司 | 一种基于节点链接矩阵的多节点系统调控方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109727158B (zh) | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 | |
| Pan et al. | Optimal design and operation of multi-energy system with load aggregator considering nodal energy prices | |
| Gu et al. | Bi-level optimal low-carbon economic dispatch for an industrial park with consideration of multi-energy price incentives | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN116826752A (zh) | 一种台区用能多目标低碳降损优化调度策略方法 | |
| Song et al. | Energy storage modeling of inverter air conditioning for output optimizing of wind generation in the electricity market | |
| CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
| CN111244985B (zh) | 基于节点综合灵敏度系数的分布式储能序次优化配置方法 | |
| Wang et al. | Multi-objective energy management system for DC microgrids based on the maximum membership degree principle | |
| CN110994694A (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
| CN112365021A (zh) | 一种基于混合储能的区域综合能源系统规划优化方法 | |
| Abou El-Ela et al. | Optimal placement and sizing of distributed generation units using different cat swarm optimization algorithms | |
| CN107231001B (zh) | 一种基于改进灰色预测的楼宇微网在线能量管理方法 | |
| Saravanan | DSM in an area consisting of residential, commercial and industrial load in smart grid | |
| CN111047097A (zh) | 一种综合能源系统日中滚动优化方法 | |
| CN112580867B (zh) | 一种基于q学习的园区综合能源系统低碳运行方法 | |
| CN104578160A (zh) | 一种微网能量控制方法 | |
| CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
| CN113378100A (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
| Jintao et al. | Optimized operation of multi-energy system in the industrial park based on integrated demand response strategy | |
| CN116914821A (zh) | 一种基于改进粒子群算法的微电网低碳优化调度方法 | |
| CN115146868A (zh) | 电热气耦合的农村微能源系统协同规划方法及终端设备 | |
| Yuanyuan et al. | Optimization scheduling method of power grid energy-saving based on fuzzy decision | |
| CN113988471A (zh) | 一种微电网运行多目标优化方法 | |
| CN117578537A (zh) | 基于碳交易和需求响应的微电网优化调度方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Guo Yixin Inventor after: Lv Xiangyuan Inventor after: Liu Jiayi Inventor after: Cao Qiong Inventor after: Wang Shushu Inventor after: Zhang Jing Inventor after: Yan Chunrui Inventor after: Suo Siyuan Inventor after: Yang Xiaoxia Inventor after: Xue Ying Inventor after: Xu Jin Inventor after: Ren Yulu Inventor after: Huang Jingli Inventor after: Wang Huinan Inventor after: Yan Yongsheng Inventor after: Zhao Dieyan Inventor after: Gao Fei Inventor after: Yang Shuai Inventor after: Cheng Yushu Inventor after: Zhang Xuerui Inventor after: Liu Qing Inventor after: Bai Zhixia Inventor after: Guo Xiaoxia Inventor after: Chen Anqi Inventor before: Guo Yixin Inventor before: Lv Xiangyuan Inventor before: Liu Jiayi Inventor before: Cao Qiong Inventor before: Wang Shushu Inventor before: Zhang Jing Inventor before: Yan Chunrui Inventor before: Suo Siyuan Inventor before: Yang Xiaoxia Inventor before: Xue Ying Inventor before: Xu Jin Inventor before: Ren Yulu Inventor before: Huang Jingli Inventor before: Wang Huinan Inventor before: Yan Yongsheng Inventor before: Zhao Tieyan Inventor before: Gao Fei Inventor before: Yang Shuai Inventor before: Cheng Yushu Inventor before: Zhang Xuerui Inventor before: Liu Qing Inventor before: Bai Zhixia Inventor before: Guo Xiaoxia Inventor before: Chen Anqi |
|
| CB03 | Change of inventor or designer information |