CN117094745B - 基于igdt-效用熵的综合能源系统优化控制方法及装置 - Google Patents
基于igdt-效用熵的综合能源系统优化控制方法及装置 Download PDFInfo
- Publication number
- CN117094745B CN117094745B CN202311141065.3A CN202311141065A CN117094745B CN 117094745 B CN117094745 B CN 117094745B CN 202311141065 A CN202311141065 A CN 202311141065A CN 117094745 B CN117094745 B CN 117094745B
- Authority
- CN
- China
- Prior art keywords
- energy
- ies
- carbon
- price
- representing
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 80
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 190
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 190
- 230000008878 coupling Effects 0.000 claims abstract description 47
- 238000010168 coupling process Methods 0.000 claims abstract description 47
- 238000005859 coupling reaction Methods 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000003064 k means clustering Methods 0.000 claims abstract description 13
- 238000004146 energy storage Methods 0.000 claims description 96
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 84
- 239000003345 natural gas Substances 0.000 claims description 42
- 239000007789 gas Substances 0.000 claims description 34
- 230000005611 electricity Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005286 illumination Methods 0.000 claims description 23
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 239000000446 fuel Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005057 refrigeration Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于IGDT‑效用熵的综合能源系统优化控制方法及装置,将碳交易量引入能源集线器模型建立碳能耦合模型;考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型;建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K‑means聚类法得到风光场景集;建立基于IGDT‑效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。本发明能够提高IES应对不确定性波动的适应性,从而降低IES在极端场景下的经济损失。
Description
技术领域
本发明属于IES数据处理技术领域,具体涉及一种基于IGDT-效用熵的综合能源系统优化控制方法及装置。
背景技术
目前,碳交易价格存在较强的不确定性;同时,电力价格与天然气价格亦存在一定不确定性,加之综合能源系统(Integrated energy system,IES)内部可再生能源发电本身的强功率波动性,直接影响了IES稳定参与碳交易的潜力。面对碳交易价格、能源价格和可再生能源发电具有的多重不确定性,IES可利用能源之间的互补协同优势通过调整运行策略来适应。然而,IES通过调整运行策略来适应不确定性波动时需要以坚强可靠的设备容量配置为基础。因此,在规划阶段就需要通过科学合理配置各设备容量,避免因某一设备容量配置不合理导致IES在适应不确定性波动时经济性差,运维成本高等问题。
由于碳交易价格和能源价格以天或月等较长时间尺度变化,在一天内为固定值,而风光出力以小时或分钟等短时间尺度时刻变化,因此通常考虑碳交易价格和能源价格的长期不确定性以及风光出力的短期不确定性,研究不确定性因素影响下的IES优化控制方法。目前,大多数研究采用基于概率分布的随机优化法处理IES多重不确定性。然而,由于碳交易市场和能源市场建设时间较短且处于发展进程中,碳交易价格和能源价格历史数据积累少,概率分布和波动范围难以准确得到。
另外,由于IES配置了高比例可再生能源,可为用户提供清洁能源,同时IES配置的储能装置可促进可再生能源消纳,减少IES向外网购买电能和天然气从而降低自身碳排放量,使得IES可在满足自身碳排放需求的同时产生盈余碳排放权在碳交易市场出售进行获利。然而,IES参与碳交易获利需要以强健的优化控制为基础,面临碳交易价格、能源价格和可再生能源出力多重不确定性。现有技术通常是在规划阶段增加总成本(投资和运维成本之和),以牺牲经济性为代价应对不确定性波动。然而,IES在优化控制时通常受限于总成本约束,不能无限增大总成本来应对不确定性波动。因此,在有限的总成本预算下,如何通过科学合理的配置IES各设备容量,在保证系统经济性最优的同时,提高IES的鲁棒性,即对不确定性波动的适应性是一个待研究的技术问题。
发明内容
为此,本发明提供一种基于IGDT-效用熵的综合能源系统优化控制方法及装置,在有限的总成本预算下通过优化控制IES各设备容量,提高IES应对不确定性波动的适应性,降低IES在极端场景下的经济损失。
为了实现上述目的,本发明提供如下技术方案:基于IGDT-效用熵的综合能源系统优化控制方法,包括以下步骤:
S1、获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;
S2、将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;
S3、考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;
S4、建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;
S5、建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。
作为基于IGDT-效用熵的综合能源系统优化控制方法优选方案,步骤S2中,能源集线器模型的表达公式为:
能源集线器模型简记为:
式中,Li(i=1,2,…,n)为能源集线器中第i种能源形式的输出;Pw(w=1,2,…,m)为能源集线器中第w种能源形式的输入;ciw为耦合因子;Hτ(τ=1,2,…,u)为第τ种能量形式的充放电功率;kiτ为储能耦合因子;L为输出功率向量;C为转换设备耦合矩阵;P为输入功率向量;K为存储设备耦合矩阵;H为储能充放功率向量;
步骤S2中,建立的碳能耦合模型表达公式为:
碳能耦合模型简记为:
式中,矩阵中第n+1行元素为碳排放系数与无偿碳配额系数之差;αw(w=1,2,…,m)为能源集线器中第w种输入能源的碳排放系数;βw(w=1,2,…,m)为能源集线器中第w种输入能源的无偿碳配额系数;为能源集线器中第τ种能量存储的碳排放系数;ρτ(τ=1,2,…,u)为能源集线器中第τ种能量存储的无偿碳配额系数;E为能源集线器的碳交易量;A为1×m维度的能源供给侧的碳交易量系数矩阵,A=[(α1-β1),(α2-β2),…,(αm-βm)];B为1×u维度的储能碳交易量系数矩阵;/>M为(n+1)×1维度的碳能输出矩阵;D为(n+1)×m维度的能源供给侧碳能耦合系数组合矩阵;U为(n+1)×u维度储能的碳能耦合系数组合矩阵。
步骤S3中,IES优化控制模型的目标函数为:
式中,CInv表示等年值投资成本;CFuel表示燃料成本;CMain表示维护成本;表示碳交易成本;λc表示碳交易价格;r表示折现率;J∈{PV,WT,BESS,CHP,EB,EC,GB}表示容量固定、考虑配置台数的能源转换设备候选集;Jz表示设备j的备选机组型号的集合;ljz表示设备j备选型号z的寿命;njz表示设备j备选型号z的台数;Qjz表示设备j备选型号z的单台设备容量;cinv,jz表示设备j备选型号z的单台设备投资成本;cmain,j表示第j个设备单位功率的维护费用;Pj,t表示第j个设备在t时刻的输出功率;T表示年总运行时间;qt,gas和qt,elec分别表示t时刻系统的天然气购买量和从外网购电量;λgas和λelec分别表示天然气价格与电力价格;Δt表示系统运行时间间隔。
作为基于IGDT-效用熵的综合能源系统优化控制方法优选方案,步骤S3中,IES优化控制模型的约束条件包括等式约束,等式约束的表达公式为:
式中,Pgrid、Pgas、PPV和PWT分别表示外网购电功率、天然气注入功率、PV和WT注入功率;PEL、PCL、PHL和Etr分别表示电/冷/热负荷和碳交易量;ω1表示供给电负荷的电功率分配系数;ω2表示供给EB的电功率分配系数;ω3表示供给CHP的天然气功率分配系数;和/>分别表示CHP电效率、CHP热效率、GB热效率、EB热效率和EC制冷效率;PES表示电储能充/放电功率,当PES大于0时,表示电储能充电,当PES小于0时,表示电储能放电;αgrid、αPV、αWT、αgas和/>分别表示外网购电、PV、WT、天然气和电储能的单位功率碳排放系数;βgrid、βPV、βWT、βCHP、βGB和ρES分别表示外网购电、PV、WT、CHP、GB和电储能的单位功率无偿碳配额系数;
步骤S3中,IES优化控制模型的约束条件包括不等式约束;不等式约束为设备运行时出力上下限约束以及设备的安装台数约束,不等式约束的表达公式为:
0≤Pj,t≤Qjz (11)
式中,表示联络线最大传输功率;nmax为考虑到IES运营商实际可用安装场地受限所设置的设备台数最大值。
作为基于IGDT-效用熵的综合能源系统优化控制方法优选方案,步骤S3中,IES优化控制模型中考虑电储能充放电前后的能量存储关系以及最大充放电功率和储能量约束,电储能充放电前后的能量存储关系以及最大充放电功率和储能量约束表达公式为:
式中,表示电储能充放电前的储能量;/>表示电储能充放电后的储能量;/>和/>分别表示电储能充/放电功率;/>和/>分别表示电储能充/放电效率;/>和/>分别表示电储能的最大充/放电功率;uES为引入的0~1变量用于控制电储能不能同时进行充放电;/>和/>分别表示电储能的最小和最大储能量;/>和/>分别表示电储能的运行周期的起始和结束时的储能量。
作为基于IGDT-效用熵的综合能源系统优化控制方法优选方案,步骤S4中,采用碳交易价格与能源价格的不确定集合描述不确定性公式为:
式中,U(·)表示不确定集合;和/>分别表示碳交易价格、天然气价格和电力价格的预测值;ξc、ξgas和ξelec分别表示碳交易价格、天然气价格和电力价格的波动范围;
通过赋予ξc、ξgas和ξelec不同的经验权重,将ξc、ξgas和ξelec三者的波动范围归一为同一个系数来表示,即PIES的鲁棒性系数鲁棒性系数/>表达公式为:
τc+τgas+τelec=1 (23)
式中,为鲁棒性系数,用于衡量IES对不确定性波动的适应性;τc、τgas和τelec分别表示碳交易价格、天然气价格和电力价格波动范围的权重系数;
IES优化控制模型在保证规划总成本不超过预期目标时,最大化鲁棒性系数
作为基于IGDT-效用熵的综合能源系统优化控制方法优选方案,步骤S4中,建立基于效用熵的IES优化控制模型过程,通过拉丁超立方法抽样和K-means聚类法得到风光场景集,记为S={SPV,SWT}N,向量SPV和SWT分别表示光照强度和风速场景,N为总场景数量;
定义每个场景下的效用系数:
式中,Fs为第s个场景下的规划总成本;πs为第s个场景发生的概率。
作为基于IGDT-效用熵的综合能源系统优化控制方法优选方案,步骤S4中,规划总成本Fs不超过预期值的概率应不小于某一置信水平,即
式中,Pr{·}表示概率运算;Fv为第v个场景下的规划总成本,由置信水平θ确定。
作为基于IGDT-效用熵的综合能源系统优化控制方法优选方案,建立基于效用熵的IES优化控制模型为:
将效用熵值G限制在预设范围内。
本发明还提供一种基于IGDT-效用熵的综合能源系统优化控制装置,采用上述的基于IGDT-效用熵的综合能源系统优化控制方法,包括:
数据获取模块,用于获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;
碳交易量引入模块,用于将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;
IES优化控制模型构建模块,用于考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;
IES优化控制模型第一处理模块,用于建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;
IES优化控制模型第二处理模块,用于建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;
IES优化控制模型第三处理模块,用于建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。
本发明具有如下优点:获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。本发明应用IGDT建立碳交易价格与能源价格的不确定集合,以描述其长期不确定性,利用效用熵来模拟风光出力短期不确定性;引入鲁棒性系数来描述IES对不确定性波动的适应性,在确定经济性预期目标的前提下,建立以最大化鲁棒性系数为目标的优化控制模型;本发明能够通过优化控制IES各设备容量提高系统的鲁棒性,即提高IES应对不确定性波动的适应性,从而降低IES在极端场景下的经济损失。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引申获得其它的实施附图。
图1为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法涉及的综合能源系统结构示意图;
图2为本发明实施例中基于IGDT-效用熵的综合能源系统优化控制方法流程示意图;
图3为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中IES夏季、冬季及春秋季典型日的电/热/冷负荷曲线;
图4为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中IES全年风速;
图5为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中IES全年光照强度;
图6为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中IES典型日光照强度均值和风速均值;
图7为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中聚类后的光照强度场景图;
图8为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中聚类后的风速场景图;
图9为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中冬季典型日各设备输出功率和购电量;
图10为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中不同典型日购气量;
图11为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制方法中不同典型日购电量;
图12为本发明实施例中提供的基于IGDT-效用熵的综合能源系统优化控制装置架构。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
实施例1
参见图1和图2,本发明实施例1中,提供一种基于IGDT-效用熵的综合能源系统优化控制方法,包括以下步骤:
S1、获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;
S2、将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;
S3、考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;
S4、建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;
S5、建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。
本实施例中,在步骤S2,建立的碳能耦合模型是在能源集线器模型基础上建立的,能源集线器可描述多能源耦合系统中多能源输入与输出的函数关系,能源集线器模型的表达公式为:
能源集线器模型简记为:
式中,Li(i=1,2,…,n)为能源集线器中第i种能源形式的输出;Pw(w=1,2,…,m)为能源集线器中第w种能源形式的输入;ciw为耦合因子;Hτ(τ=1,2,…,u)为第τ种能量形式的充放电功率;kiτ为储能耦合因子;L为输出功率向量;C为转换设备耦合矩阵;P为输入功率向量;K为存储设备耦合矩阵;H为储能充放功率向量。
其中,能源集线器模型体现了能量的传输,转化和存储过程,但难以描述系统多能流与碳交易量之间的耦合关系。碳交易量是指系统的碳排放量与无偿的碳配额之间的差值,目前我国碳交易量核算由各类能源的碳排放系数与无偿碳配额系数的差值确定。为此,本实施例中,在步骤S2,建立多能流与碳交易量耦合模型,简称碳能耦合模型,表达公式为:
碳能耦合模型可以简记为:
式中,矩阵中第n+1行元素为碳排放系数与无偿碳配额系数之差;αw(w=1,2,…,m)为能源集线器中第w种输入能源的碳排放系数;βw(w=1,2,…,m)为能源集线器中第w种输入能源的无偿碳配额系数;为能源集线器中第τ种能量存储的碳排放系数;ρτ(τ=1,2,…,u)为能源集线器中第τ种能量存储的无偿碳配额系数;E为能源集线器的碳交易量;A为1×m维度的能源供给侧的碳交易量系数矩阵,A=[(α1-β1),(α2-β2),…,(αm-βm)];B为1×u维度的储能碳交易量系数矩阵;/>M为(n+1)×1维度的碳能输出矩阵;D为(n+1)×m维度的能源供给侧碳能耦合系数组合矩阵;U为(n+1)×u维度储能的碳能耦合系数组合矩阵。
以图1所示的典型IES为例,其由热电联产机组(Combined heat and power,CHP)、燃气锅炉(Gas boiler,GB)、电制冷机(Electric chiller,EC)、电锅炉(Electric boiler,EB)、电储能(Battery energy storage system,BESS)、光伏(Photovoltaic,PV)以及风机(Wind turbine,WT)等设备组成。
图1中,IES从系统外部购买天然气和电能,利用能源转换设备并配合电储能来满足用户的电/热/冷负荷需求。同时,IES可参与碳交易出售盈余碳排放权进行获利。该IES碳排放主要来源于一次能源供给端和能量存储设备产生的碳排放,即外电网购电、消耗天然气、PV和WT发电以及电储能产生的碳排放。虽然PV、WT和电储能在运行过程中可实现零碳排放,但是PV、WT和电储能在生产制造和运输过程中会产生一定碳排放。因此,利用生命周期分析法可得归一化计量后PV、WT和电储能运行时的碳排放系数。根据式(10),对图1中IES的多能流与碳交易量耦合关系进行建模,即:
式中,Pgrid、Pgas、PPV和PWT分别表示外网购电功率、天然气注入功率、PV和WT注入功率;PEL、PCL、PHL和Etr分别表示电/冷/热负荷和碳交易量;ω1表示供给电负荷的电功率分配系数;ω2表示供给EB的电功率分配系数;ω3表示供给CHP的天然气功率分配系数;和/>分别表示CHP电效率、CHP热效率、GB热效率、EB热效率和EC制冷效率;PES表示电储能充/放电功率,当PES大于0时,表示电储能充电,当PES小于0时,表示电储能放电;αgrid、αPV、αWT、αgas和/>分别表示外网购电、PV、WT、天然气和电储能的单位功率碳排放系数;βgrid、βPV、βWT、βCHP、βGB和ρES分别表示外网购电、PV、WT、CHP、GB和电储能的单位功率无偿碳配额系数。
本实施例中,步骤S3中,考虑优化运行的IES容量配置以规划总成本最小为优化目标,规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本,IES优化控制模型的目标函数为:
式中,CInv表示等年值投资成本;CFuel表示燃料成本;CMain表示维护成本;表示碳交易成本;λc表示碳交易价格;r表示折现率;J∈{PV,WT,BESS,CHP,EB,EC,GB}表示容量固定、考虑配置台数的能源转换设备候选集;Jz表示设备j的备选机组型号的集合;ljz表示设备j备选型号z的寿命;njz表示设备j备选型号z的台数;Qjz表示设备j备选型号z的单台设备容量;cinv,jz表示设备j备选型号z的单台设备投资成本;cmain,j表示第j个设备单位功率的维护费用;Pj,t表示第j个设备在t时刻的输出功率;T表示年总运行时间;qt,gas和qt,elec分别表示t时刻系统的天然气购买量和从外网购电量;λgas和λelec分别表示天然气价格与电力价格;Δt表示系统运行时间间隔。
本实施例中,步骤S3,确定性IES优化控制模型的约束条件包括等式约束,等式约束的表达公式为:
式中,Pgrid、Pgas、PPV和PWT分别表示外网购电功率、天然气注入功率、PV和WT注入功率;PEL、PCL、PHL和Etr分别表示电/冷/热负荷和碳交易量;ω1表示供给电负荷的电功率分配系数;ω2表示供给EB的电功率分配系数;ω3表示供给CHP的天然气功率分配系数;和/>分别表示CHP电效率、CHP热效率、GB热效率、EB热效率和EC制冷效率;PES表示电储能充/放电功率,当PES大于0时,表示电储能充电,当PES小于0时,表示电储能放电;αgrid、αPV、αWT、αgas和/>分别表示外网购电、PV、WT、天然气和电储能的单位功率碳排放系数;βgrid、βPV、βWT、βCHP、βGB和ρES分别表示外网购电、PV、WT、CHP、GB和电储能的单位功率无偿碳配额系数。
其中,步骤S3中,IES优化控制模型的约束条件还包括不等式约束;不等式约束为设备运行时出力上下限约束以及设备的安装台数约束,不等式约束的表达公式为:
0≤Pj,t≤Qjz (11)
式中,表示联络线最大传输功率;nmax为考虑到IES运营商实际可用安装场地受限所设置的设备台数最大值。
本实施例中,步骤S3中,IES优化控制模型中还考虑电储能充放电前后的能量存储关系以及最大充放电功率和储能量约束,电储能充放电前后的能量存储关系以及最大充放电功率和储能量约束表达公式为:
/>
式中,表示电储能充放电前的储能量;/>表示电储能充放电后的储能量;/>和/>分别表示电储能充/放电功率;/>和/>分别表示电储能充/放电效率;/>和/>分别表示电储能的最大充/放电功率;uES为引入的0~1变量用于控制电储能不能同时进行充放电;/>和/>分别表示电储能的最小和最大储能量;/>和/>分别表示电储能的运行周期的起始和结束时的储能量。
本实施例中,步骤S4中,采用碳交易价格与能源价格的不确定集合描述不确定性公式为:
式中,U(·)表示不确定集合;和/>分别表示碳交易价格、天然气价格和电力价格的预测值;ξc、ξgas和ξelec分别表示碳交易价格、天然气价格和电力价格的波动范围;
通过赋予ξc、ξgas和ξelec不同的经验权重,将ξc、ξgas和ξelec三者的波动范围归一为同一个系数来表示,即PIES的鲁棒性系数鲁棒性系数/>表达公式为:
τc+τgas+τelec=1 (23)
式中,为鲁棒性系数,用于衡量IES对不确定性波动的适应性;τc、τgas和τelec分别表示碳交易价格、天然气价格和电力价格波动范围的权重系数;
权重系数对本实施例基于IGDT-效用熵的IES优化控制模型的适应性没有影响,用于反应规划决策者对碳交易价格、天然气价格和电力价格不确定性的偏好程度。在规划决策者没有特殊需求的情况下,碳交易价格、天然气价格与电力价格的波动范围权重比可设为1:1:1。
本实施例中,IES优化控制模型在保证规划总成本不超过预期目标时,旨在最大化IES对不确定性波动的适应性,即最大化鲁棒性系数/>
式中,F为IES规划成本基准值,即确定性模型式(38)的最优规划总成本;σ为投资能力系数,表征系统可接受的额外投资能力;Z为系统可接受的最大总成本预算。
由式(5)可知,当碳交易价格和能源价格达到最大值时,即 和/>时,目标函数F取得最大值。因此,可将式(27)转化为式(28)进行求解:
本实施例中,步骤S4中,采用拉丁超立方法生成风速和光照强度场景,以满足生成样本在概率空间分布上的全面性。假设光照强度服从贝塔分布,风速服从威布尔分布,通过拉丁超立方法抽样和K-means聚类法得到风光场景集,记为S={SPV,SWT}N,向量SPV和SWT分别表示光照强度和风速场景,N为总场景数量;
定义每个场景下的效用系数:
式中,Fs为第s个场景下的规划总成本;πs为第s个场景发生的概率。
本实施例中,公式(24)中,规划总成本Fs不超过预期值的概率应不小于某一置信水平,即
式中,Pr{·}表示概率运算;Fv为第v个场景下的规划总成本,由置信水平θ确定。
进一步,建立基于效用熵的IES优化控制模型为:
计算的效用熵值G越大,说明风光出力不确定性程度越大,为提高IES对风光出力不确定性的适应性,将效用熵值G限制在一定范围内,即G≤Gmax。
本实施例中,步骤S5中,基于IGDT-效用熵的IES优化控制模型如式(29)所示:
由式(6)可知,考虑离散设备容量导致本实施例建立的IES优化控制模型属于混合整数非线性规划问题,利用大M法可将该问题转化为混合整数线性规划问题(Mixedinteger linear programming,MILP),进一步采用分支定界算法求解优化模型得到给定总成本预算下的优化控制方案。
本实施例中,选取图1所示的典型IES为例。该IES采用“并网不上网”模式。为真实反映系统的实际运行情况,选取夏季、冬季和春秋季3个典型日数据来代表年度运行情况。IES夏季、冬季及春秋季典型日的电/热/冷负荷曲线如图3所示。图1中所有设备及其可选型号构成设备候选集如表1所示。折现率取值为6%。IES和电网联络线最大传输功率为6MW。在本发明建立的确定性IES优化控制模型中,能源价格和碳交易价格采用其预测值如表2所示。在本发明建立的基于IGDT的优化控制模型中,能源价格和碳交易价格围绕其预测值上下波动,通过求解优化控制模型可得到其波动范围。置信水平θ为90%,投资能力系数σ为0.2。
表1 IES设备候选集及设备参数
表2能源价格和碳交易价格预测值
不同能源种类的单位有功功率碳排放系数和分配的无偿碳配额系数如表3所示。以华北某地区2020年全年风速和光照强度为例(数据采样间隔为1h),标幺化后的数据如图4和图5所示。不同季节典型日在不同时刻的光照强度均值和风速均值如图6所示,光照强度标准差和风速标准差近似为均值的0.25倍。利用拉丁超立方抽样分别得到500个光照强度和风速场景。通过K-means聚类法,根据误差平方和指标可确定选取的光照强度和风速的典型场景数量分别12个和14个。聚类后的光照强度和风速典型场景如图7和图8所示。由光照强度和风速典型场景构成的总场景数量N为168个,进而得到IES的效用熵。效用熵上限值Gmax为5。
表3不同能源种类碳排放系数和碳配额系数
为了说明本发明碳能耦合模型的正确性和优化控制方法提高IES的鲁棒性,以及探究配置电储能与否对IES规划结果的影响,算例设置三种场景进行对比分析。
场景I:不考虑电储能,确定性下的IES优化控制;
场景II:不考虑电储能,基于IGDT-效用熵的优化控制,碳交易价格、能源价格与风光出力不确定;
场景III:考虑电储能,基于IGDT-效用熵的优化控制,碳交易价格、能源价格与风光出力不确定。
三种场景下的规划方案对比结果如表4所示。需要说明表4中碳交易量和碳交易成本数值结果的负号“-”表示IES参与碳交易售出的碳排放量和获得的碳交易收益。经济损失是假设以6倍能源价格和碳交易价格的预测值作为极端恶劣情形通过式(38)优化计算得到极端恶劣情形下的总成本与表4中所示总成本的差值,即超出不确定性波动范围之外的总成本部分。
表4三种场景下的IES规划方案
/>
对比场景I和场景II来说明本发明所提优化控制方法提高IES鲁棒性的有效性。从表4可以看出,场景II的EB、PV和WT容量比场景I多配置了400kW、2200kW和900kW,场景I和场景II的各设备容量配置差异使得场景II的鲁棒性系数比场景I高36.53%。具体解释为当IES总成本预算增加20%时,场景II优化得到的容量配置方案可承受的能源价格和碳交易价格波动范围是36.53%(以预测值为基准),在此波动范围内始终能满足IES的经济性目标,而场景I为确定性优化控制,使得可承受的不确定性波动范围为0。进而,当以本发明假设的能源价格和碳交易价格极端恶劣情形发生时,给场景II造成的经济损失小于场景I,降幅约为592.33万元,说明所提优化控制方法可以提高IES的鲁棒性。
由于IES的设备容量配置受系统运行影响,因此,选取冬季典型日各设备的输出功率和购电量为例分析场景II下设备容量配置方案提高IES鲁棒性的原因。场景I和场景II下冬季典型日各设备的输出功率和购电量对比如图9所示。
场景II为了应对能源价格和碳交易价格不确定性波动,相比于场景I,减少了以天然气为燃料的CHP电输出功率,如图9中的(a)部分所示。为了满足IES电功率需求,PV和WT的最大输出功率增加,如图9中的(d)-(e)部分,一方面用于满足IES电功率需求,另一方面用于提供IES盈余碳排放量,因此,CHP的容量减少,PV和WT的配置容量增加。进一步,为了应对PV和WT出力波动,IES从外电网购电量增加,如图9中的(f)部分所示。由于CHP容量减少,热输出功率减少,为满足IES热功率需求,GB和EB的最大输出功率增加,如图9中的(b)-(c)部分所示,因此,GB和EB的容量配置增加。因此,相比于场景I,场景II通过协调配置各设备容量以此来减少IES运行时的购气量,增加外电网购电量和可再生能源输出功率来提高IES的鲁棒性,降低经济损失。
对比场景II和场景III,探究电储能配置与否对IES规划结果的影响。由表4可知,当IES考虑配置电储能时,可以通过电储能充放电来应对PV和WT出力波动,进而,使得IES不再配置CHP,减少了购气量,同时不再从外电网购电,使得相比场景II,场景III的购气量和外网购电量减少,如图10和图11所示。同时,由于场景III配置了一定容量的PV,WT和电储能,一方面用于满足IES的电功率需求,另一方面使得IES可以产生盈余的碳排放在碳市场出售进行获利,获利18.73万元可用于抵消部分投资和运维成本。
由于配置电储能可应对风光出力波动以及使系统购电量和购气量减少,使得场景III可承受的不确定性波动范围大幅提升,相比场景II增加了121.87%,不确定性波动造成的经济损失降低了382.55万元。通过对比分析可以发现,IES配置电储能可有效提高系统的鲁棒性,降低不确定性波动造成的经济损失,并可以降低IES碳排放量,进而从碳交易市场中获得收益。
综上所述,本发明获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。本发明应用IGDT建立碳交易价格与能源价格的不确定集合,以描述其长期不确定性,利用效用熵来模拟风光出力短期不确定性;引入鲁棒性系数来描述IES对不确定性波动的适应性,在确定经济性预期目标的前提下,建立以最大化鲁棒性系数为目标的优化控制模型;本发明能够通过优化控制IES各设备容量提高系统的鲁棒性,即提高IES应对不确定性波动的适应性,从而降低IES在极端场景下的经济损失。
需要说明的是,本公开实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
实施例2
参见图12,本发明实施例2还提供一种基于IGDT-效用熵的综合能源系统优化控制装置,采用上述实施例1或其任意可能实现方式的基于IGDT-效用熵的综合能源系统优化控制方法,包括:
数据获取模块1,用于获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;
碳交易量引入模块2,用于将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;
IES优化控制模型构建模块3,用于考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;
IES优化控制模型第一处理模块4,用于建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;
IES优化控制模型第二处理模块5,用于建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;
IES优化控制模型第三处理模块6,用于建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。
需要说明的是,上述装置各模块之间的信息交互、执行过程等内容,由于与本申请实施例1中的方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质,所述计算机可读存储介质中存储有基于IGDT-效用熵的综合能源系统优化控制方法的程序代码,所述程序代码包括用于执行实施例1或其任意可能实现方式的基于IGDT-效用熵的综合能源系统优化控制方法的指令。
计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidState Disk、SSD))等。
实施例4
本发明实施例4提供一种电子设备,包括:存储器和处理器;
所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行实施例1或其任意可能实现方式的基于IGDT-效用熵的综合能源系统优化控制方法。
具体的,处理器可以通过硬件来实现也可以通过软件来实现,当通过硬件实现时,该处理器可以是逻辑电路、集成电路等;当通过软件来实现时,该处理器可以是一个通用处理器,通过读取存储器中存储的软件代码来实现,该存储器可以集成在处理器中,可以位于所述处理器之外,独立存在。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (6)
1.基于IGDT-效用熵的综合能源系统优化控制方法,其特征在于,包括以下步骤:
S1、获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;
S2、将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;
S3、考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;
S4、建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;
S5、建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数;
步骤S4中,采用碳交易价格与能源价格的不确定集合描述不确定性公式为:
式中,U(·)表示不确定集合;λc表示碳交易价格,λgas和λelec分别表示天然气价格与电力价格;和/>分别表示碳交易价格、天然气价格和电力价格的预测值;ξc、ξgas和ξelec分别表示碳交易价格、天然气价格和电力价格的波动范围;
通过赋予ξc、ξgas和ξelec不同的经验权重,将ξc、ξgas和ξelec三者的波动范围归一为同一个系数来表示,即PIES的鲁棒性系数鲁棒性系数/>表达公式为:
τc+τgas+τelec=1 (23)
式中,为鲁棒性系数,用于衡量IES对不确定性波动的适应性;τc、τgas和τelec分别表示碳交易价格、天然气价格和电力价格波动范围的权重系数;
IES优化控制模型在保证规划总成本不超过预期目标时,最大化鲁棒性系数
步骤S4中,建立基于效用熵的IES优化控制模型过程,通过拉丁超立方法抽样和K-means聚类法得到风光场景集,记为S={SPV,SWT}N,向量SPV和SWT分别表示光照强度和风速场景,N为总场景数量;
定义每个场景下的效用系数:
式中,Fs为第s个场景下的规划总成本;πs为第s个场景发生的概率;
步骤S4中,第s个场景下的规划总成本Fs不超过预期值的概率应不小于某一置信水平,即
式中,Pr{·}表示概率运算;Fv为第v个场景下的规划总成本,由置信水平θ确定;
建立基于效用熵的IES优化控制模型为:
将效用熵值G限制在预设范围内。
2.根据权利要求1所述的基于IGDT-效用熵的综合能源系统优化控制方法,其特征在于,步骤S2中,能源集线器模型的表达公式为:
能源集线器模型简记为:
式中,Li(i=1,2,…,n)为能源集线器中第i种能源形式的输出;Pw(w=1,2,…,m)为能源集线器中第w种能源形式的输入;ciw为耦合因子;Hτ(τ=1,2,…,u)为第τ种能量形式的充放电功率;kiτ为储能耦合因子;L为输出功率向量;C为转换设备耦合矩阵;P为输入功率向量;K为存储设备耦合矩阵;H为储能充放功率向量;
步骤S2中,建立的碳能耦合模型表达公式为:
碳能耦合模型简记为:
式中,矩阵中第n+1行元素为碳排放系数与无偿碳配额系数之差;αw(w=1,2,…,m)为能源集线器中第w种输入能源的碳排放系数;βw(w=1,2,…,m)为能源集线器中第w种输入能源的无偿碳配额系数;为能源集线器中第τ种能量存储的碳排放系数;ρτ(τ=1,2,…,u)为能源集线器中第τ种能量存储的无偿碳配额系数;E为能源集线器的碳交易量;A为1×m维度的能源供给侧的碳交易量系数矩阵,A=[(α1-β1),(α2-β2),…,(αm-βm)];B为1×u维度的储能碳交易量系数矩阵;/>M为(n+1)×1维度的碳能输出矩阵;D为(n+1)×m维度的能源供给侧碳能耦合系数组合矩阵;U为(n+1)×u维度储能的碳能耦合系数组合矩阵。
3.根据权利要求1所述的基于IGDT-效用熵的综合能源系统优化控制方法,其特征在于,步骤S3中,IES优化控制模型的目标函数为:
式中,CInv表示等年值投资成本;CFuel表示燃料成本;CMain表示维护成本;表示碳交易成本;λc表示碳交易价格;r表示折现率;J∈{PV,WT,BESS,CHP,EB,EC,GB}表示容量固定、考虑配置台数的能源转换设备候选集;Γj表示设备j的备选机组型号的集合;ljz表示设备j备选型号z的寿命;njz表示设备j备选型号z的台数;Qjz表示设备j备选型号z的单台设备容量;cinv,jz表示设备j备选型号z的单台设备投资成本;cmain,j表示第j个设备单位功率的维护费用;Pj,t表示第j个设备在t时刻的输出功率;T表示年总运行时间;qt,gas和qt,elec分别表示t时刻系统的天然气购买量和从外网购电量;λgas和λelec分别表示天然气价格与电力价格;△t表示系统运行时间间隔。
4.根据权利要求3所述的基于IGDT-效用熵的综合能源系统优化控制方法,其特征在于,步骤S3中,IES优化控制模型的约束条件包括等式约束,等式约束的表达公式为:
式中,Pgrid、Pgas、PPV和PWT分别表示外网购电功率、天然气注入功率、PV和WT注入功率;PEL、PCL、PHL和Etr分别表示电/冷/热负荷和碳交易量;ω1表示供给电负荷的电功率分配系数;ω2表示供给EB的电功率分配系数;ω3表示供给CHP的天然气功率分配系数;和/>分别表示CHP电效率、CHP热效率、GB热效率、EB热效率和EC制冷效率;PES表示电储能充/放电功率,当PES大于0时,表示电储能充电,当PES小于0时,表示电储能放电;αgrid、αPV、αWT、αgas和/>分别表示外网购电、PV、WT、天然气和电储能的单位功率碳排放系数;βgrid、βPV、βWT、βCHP、βGB和ρES分别表示外网购电、PV、WT、CHP、GB和电储能的单位功率无偿碳配额系数;
步骤S3中,IES优化控制模型的约束条件包括不等式约束;不等式约束为设备运行时出力上下限约束以及设备的安装台数约束,不等式约束的表达公式为:
0≤Pj,t≤Qjz (11)
式中,表示联络线最大传输功率;nmax为考虑到IES运营商实际可用安装场地受限所设置的设备台数最大值。
5.根据权利要求4所述的基于IGDT-效用熵的综合能源系统优化控制方法,其特征在于,步骤S3中,IES优化控制模型中考虑电储能充放电前后的能量存储关系以及最大充放电功率和储能量约束,电储能充放电前后的能量存储关系以及最大充放电功率和储能量约束表达公式为:
式中,表示电储能充放电前的储能量;/>表示电储能充放电后的储能量;/>和/>分别表示电储能充/放电功率;/>和/>分别表示电储能充/放电效率;/>和/>分别表示电储能的最大充/放电功率;uES为引入的0~1变量,用于控制电储能不能同时进行充放电;/>和/>分别表示电储能的最小和最大储能量;/>和/>分别表示电储能的运行周期的起始和结束时的储能量。
6.基于IGDT-效用熵的综合能源系统优化控制装置,采用权利要求1至5任意一项所述的基于IGDT-效用熵的综合能源系统优化控制方法,其特征在于,包括:
数据获取模块,用于获取IES的经济技术参数和负荷用能数据,包括候选设备型号、候选设备参数、折现率、电力价格预测值、天然气价格预测值、投资能力系数、碳配额系数、碳排放系数、风速、光照强度和日负荷用能数据;
碳交易量引入模块,用于将碳交易量引入能源集线器模型建立碳能耦合模型,所述能源集线器模型用于描述能源耦合系统中预设能源类型输入与输出的函数关系;
IES优化控制模型构建模块,用于考虑优化运行的IES容量配置,以规划总成本最小为优化目标,建立确定性的IES优化控制模型,所述规划总成本包括设备投资成本、燃料成本、维护成本和碳交易成本;
IES优化控制模型第一处理模块,用于建立基于IGDT的IES优化控制模型,采用碳交易价格与能源价格的不确定集合描述不确定性;
IES优化控制模型第二处理模块,用于建立基于效用熵的IES优化控制模型,通过拉丁超立方法抽样和K-means聚类法得到风光场景集;
IES优化控制模型第三处理模块,用于建立基于IGDT-效用熵的IES优化控制模型,分析IES优化控制模型得到给定总成本预算下的优化控制方案和鲁棒性系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141065.3A CN117094745B (zh) | 2023-09-06 | 2023-09-06 | 基于igdt-效用熵的综合能源系统优化控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141065.3A CN117094745B (zh) | 2023-09-06 | 2023-09-06 | 基于igdt-效用熵的综合能源系统优化控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094745A CN117094745A (zh) | 2023-11-21 |
CN117094745B true CN117094745B (zh) | 2024-03-12 |
Family
ID=88773286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311141065.3A Active CN117094745B (zh) | 2023-09-06 | 2023-09-06 | 基于igdt-效用熵的综合能源系统优化控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094745B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019086104A1 (en) * | 2017-10-30 | 2019-05-09 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Neural network representation |
CN115936220A (zh) * | 2022-12-09 | 2023-04-07 | 国网福建省电力有限公司 | 一种园区综合能源系统规划及运行优化方法和终端 |
CN116108360A (zh) * | 2022-12-09 | 2023-05-12 | 国网湖南省电力有限公司 | 一种区域综合能源系统优化运行控制方法及装置 |
CN116187173A (zh) * | 2023-01-31 | 2023-05-30 | 山东建筑大学 | 一种区域综合能源系统双层优化方法及系统 |
CN116245338A (zh) * | 2023-03-22 | 2023-06-09 | 中国矿业大学 | 一种矿山综合能源系统低碳经济运行优化方法 |
CN116258511A (zh) * | 2023-02-16 | 2023-06-13 | 国网江苏省电力有限公司电力科学研究院 | 一种考虑碳交易价格不确定性的能源系统配置方法及装置 |
CN116596123A (zh) * | 2023-04-20 | 2023-08-15 | 三峡大学 | 一种园区综合能源系统低碳优化调度方法 |
-
2023
- 2023-09-06 CN CN202311141065.3A patent/CN117094745B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019086104A1 (en) * | 2017-10-30 | 2019-05-09 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Neural network representation |
CN115936220A (zh) * | 2022-12-09 | 2023-04-07 | 国网福建省电力有限公司 | 一种园区综合能源系统规划及运行优化方法和终端 |
CN116108360A (zh) * | 2022-12-09 | 2023-05-12 | 国网湖南省电力有限公司 | 一种区域综合能源系统优化运行控制方法及装置 |
CN116187173A (zh) * | 2023-01-31 | 2023-05-30 | 山东建筑大学 | 一种区域综合能源系统双层优化方法及系统 |
CN116258511A (zh) * | 2023-02-16 | 2023-06-13 | 国网江苏省电力有限公司电力科学研究院 | 一种考虑碳交易价格不确定性的能源系统配置方法及装置 |
CN116245338A (zh) * | 2023-03-22 | 2023-06-09 | 中国矿业大学 | 一种矿山综合能源系统低碳经济运行优化方法 |
CN116596123A (zh) * | 2023-04-20 | 2023-08-15 | 三峡大学 | 一种园区综合能源系统低碳优化调度方法 |
Non-Patent Citations (1)
Title |
---|
考虑需求响应与光伏不确定性的综合能源系统鲁棒优化;翟晶晶;吴晓蓓;傅质馨;朱少杰;刘皓明;;中国电力(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117094745A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
CN115018230B (zh) | 考虑减排成本的综合能源系统低碳鲁棒经济优化运行方法 | |
Yang et al. | Research on heat and electricity coordinated dispatch model for better integration of wind power based on electric boiler with thermal storage | |
Ju et al. | A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator | |
CN115860413A (zh) | 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网系统经济调度方法 | |
CN113765105B (zh) | 基于动态随机模型的微电网群能量管理方法 | |
Liu et al. | Design and evaluation of micro energy network considering P2G‐based storage system using two‐stage stochastic programming | |
Li et al. | Research on optimal self‐scheduling horizon for the wind power and large‐scale CAES combined system | |
Luo et al. | Two‐stage robust optimal scheduling of wind power‐photovoltaic‐thermal power‐pumped storage combined system | |
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 | |
CN116258511A (zh) | 一种考虑碳交易价格不确定性的能源系统配置方法及装置 | |
CN117094745B (zh) | 基于igdt-效用熵的综合能源系统优化控制方法及装置 | |
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 | |
Li et al. | Optimal scheduling of a microgrid using multiobjective biogeography-based optimization model and algorithm with adaptive migration | |
Zhao et al. | A capacity planning method for wind power based on cooperative game theory in carbon trading process | |
Fu et al. | Clean heating scheduling optimization with wind power in Northern China | |
Zhang et al. | Optimal Planning of Cloud Energy Storage System Serving Multiple High Proportion Renewable Energy Microgrids | |
Huang et al. | Coordinated planning method considering flexible resources of active distribution network and soft open point integrated with energy storage system | |
CN114118590B (zh) | 一种基于能源枢纽的综合能源系统可靠调度方法及装置 | |
Wang et al. | Coordinated Planning of Power Grids in Information Parks considering the Time‐Space Transfer Characteristics of Data Center Loads | |
CN115563757A (zh) | 一种电冷热气综合能源优化配置方法、系统及装置 | |
Yan et al. | Combined Source-Storage-Transmission Planning Considering the Comprehensive Incomes of Energy Storage System | |
Song et al. | Research on demand response strategy of the electricity deviation assessment | |
Qian et al. | Economic dispatch of power system containing UHVDC with direct power purchase by large consumers | |
Ullah et al. | Impact of demand side management on the operational cost of microgrids using ABC algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |