CN117217496B - 计及主从博弈的区域综合能源系统控制方法及装置 - Google Patents
计及主从博弈的区域综合能源系统控制方法及装置 Download PDFInfo
- Publication number
- CN117217496B CN117217496B CN202311466264.1A CN202311466264A CN117217496B CN 117217496 B CN117217496 B CN 117217496B CN 202311466264 A CN202311466264 A CN 202311466264A CN 117217496 B CN117217496 B CN 117217496B
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- ries
- day
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 131
- 238000005457 optimization Methods 0.000 claims abstract description 118
- 230000005611 electricity Effects 0.000 claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 52
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 230000008901 benefit Effects 0.000 claims abstract description 29
- 239000002356 single layer Substances 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 239000010410 layer Substances 0.000 claims abstract description 24
- 239000007789 gas Substances 0.000 claims description 148
- 238000003860 storage Methods 0.000 claims description 87
- 230000008569 process Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 47
- 238000010438 heat treatment Methods 0.000 claims description 39
- 238000004146 energy storage Methods 0.000 claims description 37
- 238000005338 heat storage Methods 0.000 claims description 26
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 26
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 24
- 229910052799 carbon Inorganic materials 0.000 claims description 23
- 238000007599 discharging Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 239000003345 natural gas Substances 0.000 claims description 13
- 230000005251 gamma ray Effects 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 102100035654 Cathepsin S Human genes 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000003801 Castanea crenata Nutrition 0.000 description 1
- 244000209117 Castanea crenata Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及公开了一种计及主从博弈的区域综合能源系统控制方法及装置,综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,建立了RIES运营商为领导者,用户作为跟随者的主从博弈模型。模型中领导者考虑运行经济成本最优制定分时能源电价,用户侧依据能源价格考虑综合效益函数最优制定需求响应计划。其次,为了应对风电出力不确定性风险,在此基础上构建引入综合范数约束限定概率置信区间的日前‑日内两阶段分布鲁棒优化调度模型,并运用KKT将双层博弈模型转化为单层分布鲁棒优化模型,采用列和约束生成算法求解。最后,通过算例结果表明本文的最优调度策略在均衡各主体利益与抵抗风电不确定风险的有效性。
Description
技术领域
本发明涉及区域综合能源系统控制技术领域,具体为一种计及主从博弈的区域综合能源系统控制方法及装置。
背景技术
目前以电力网络为核心,与天然气网等其他网络耦合的综合能源系统已成为新的发展趋势。区域综合能源系统集成多种用户负荷、能源转化设备、储能设备以及分布式电源,实现多种异质能源子系统之间协调规划、优化运行、协同管理、交互响应和互补互济,日益成为研究的热点。同时,用户作为市场主体参与竞争的趋势愈发明显,形成了不同的利益主体。对在RIES中源荷相互协作以实现不同利益主体最佳运行的关注和重视。
在RIES运行优化方面,主要研究是针对供能侧的优化,而忽略了用能侧的自主相应行为以及主体间的利益交互,为了协调多个利益相关者的利益,可以采用博弈论,通过上、下层之间共同决策变量,均衡双方利益。但均忽略了风电出力不确定性对博弈策略制定的影响。
到目前为止,鲁棒优化和随机规划是通常不确定性的建模方法。鲁棒优化以求取最恶劣情况下的最优解为核心思想,结果具有固有的保守性。随机规划依赖于不确定变量的精确概率密度分布,但通常其概率分布难以获取。
发明内容
本发明的目的在于提供一种计及主从博弈的区域综合能源系统控制方法及装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种计及主从博弈的区域综合能源系统控制方法,包括如下步骤:
综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,以分时能源价格作为纽带,建立RIES运营商为领导者,用户作为跟随者的主从博弈模型;
在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型;
采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略;
所述综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,以分时能源价格作为纽带,建立RIES运营商为领导者,用户作为跟随者的主从博弈模型包括:
RIES中的电负荷需求由主网、风力机组、燃气轮机发电供给;RIES中的热负荷需求由燃气锅炉与燃气轮机供给;RIES中的气网的售气一部分供给于燃气轮机,一部分供给于燃气锅炉;RIES中的云储能系统包括云储电与云储热,为RIES系统能量缓冲部分;RIES中的负荷侧包括可时移、可中断的综合需求响应。
进一步的,燃气轮机通过燃烧天然气同时产生电能与热能,燃气轮机电热出力和约束条件如下:
式中:分别为燃气轮机t时刻的发电与制热功率;/>为燃气轮机t时刻的耗气量;ηGT、ηGT,h分别为燃气轮机的发电与制热效率;/>分别为燃气轮机t时刻的发电功率最大值与最小值;/> 分别为燃气轮机t时刻的制热功率最大值与最小值;为燃气轮机的0-1状态变量。
进一步的,燃气锅炉燃烧天然气发热,其发热功率和约束条件如下:
式中,为燃气锅炉t时刻的制热功率;/>为燃气锅炉t时刻的耗气量;ηGB为燃气锅炉的制热效率;/>为燃气锅炉制热功率的上限与下限。
进一步的,云储能系统中的云储热系统和云储电系统的约束描述为:
式中,/>为云储电系统在t时刻的容量;ECEES为租用云储电系统的储电容量;α1、α2为云储电系统的荷电状态上、下限;/>为租用云储电系统的最大储电容量;/>为云储电系统在t时刻的充、放电功率;/>为租用云储电系统充、放电功率;/>为云储电系统充放电状态的0、1变量;为租用云储电系统充、放电功率的上限;/>分别为云储电系统的充、放电效率;δCEES为云储电系统的自损耗系数,/>为云储电系统在t-1时刻的容量。
进一步的,可时移负荷用电总量不变,用电时间灵活改变,描述为:
式中,为RIES在t时刻可时移的电负荷,/>代表RIES可时移的电负荷的上下限,分配的拉格朗日乘子μ1,lb、μ1,ub、λ1,T为24小时。
进一步的,可中断负荷在电力供应不足或电价高的时期,用户中断部分负荷,描述为:
式中,分配的拉格朗日乘子μ2,lb、μ2,ub,为RIES在t时刻中断电负荷,/>分别代表RIES在t时刻中断电负荷的最大与最小值。
进一步的,综合需求响应包括供热需求响应,供热需求响应公式描述为:
其中,分配的拉格朗日乘子μ3,lb、μ3,ub,为t时刻可中断的热负荷;/>为t时刻可中断热负荷的最大值。
进一步的,表示RIES用户效用函数,包括用户购买电能、热能所获得的满意度总和;在RIES用户偏离每时刻最合适的基线负荷/>后,满意度会在一定程度上损失,表现为函数/>
式中,en为能源种类;E为用户用能种类的集合;αen、βen为RIES用户用能的偏好系数;为微网在t时刻能源en的实际负荷量;λen、θen为能源en的满意度损失参数。
进一步的,用户的实际响应量具体表示为:
式中,分配的拉格朗日乘子λ2、λ3;分别为电、热负荷的初始数值;为电、热负荷经过综合需求响应后的负荷大小。
进一步的,用户侧利益诉求表示为最大化的综合效益函数US:
式中:wen为RIES制定的能源价。
进一步的,在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型包括:
日前-日内两阶段分布鲁棒优化调度模型中,第一阶段为日前阶段预调度,其过程为主从博弈,上层微网为领导者,下层用户为追随者,基于风电的日前预测功率,由上层微网制定能源价格与机组调度计划传递至下层,下层用户根据上层信息,进行综合需求响应调整负荷需求反馈至上层;
第二阶段为日内阶段再调度,基于日前预调度决策,日内再调度阶段通过灵活调整机组出力获得不同调度决策下期望最优的再调度调整成本;
第一阶段和第二阶段采用公式(10)-(12)描述:
Cx≤g ((11)
Ω(0,d)={y:E1y≤e,Ay+Bd=c,E1x+Fy≤hh} (12)
式中,x为日前阶段的决策变量;y为实时阶段的决策变量;aTx为RIES运营商日前的售能收益;bTy为RIES在实时阶段调整后的系统运行成本,其数值受不确定参数d影响;D为不确定性参数d的集合;K为聚类场景的总数;Pk为单个聚类场景的概率;Ω(x,d)为给定不确定性参数d下x和y的耦合关系;A、B、C、E1、F为相关参数对应的矩阵;a、b为目标函数中参数列向量;c、e、g、h为约束条件中的参数列向量;
式中,分别为燃气轮机t时刻的发电与制热功率;/>为燃气锅炉t时刻的制热功率;/>分别为t时刻向主网购、售电调整功率;ECEES、/>分别为租用云储电系统的储电容量、最大储电容量;ECTES、/>分别为租用云储热系统的储电容量、最大储电容量;/> 分别为t时刻燃气轮机向上与向下调整电功率;/>分别为t时刻燃气锅炉向上与向下调制热功率;/>分别为租用云储电系统充、放电功率;分别为租用云储热系统充、放电功率;/>为t时刻风机的实际功率;/>分别为t时刻微网与主网交互功率;/>分别为租用云储电系统充放电状态的0、1变量;/>分别为租用云储热系统充放电状态的0、1变量;/>为微网t时刻的购售电状态;/>分别为电、热负荷经过综合需求响应后的负荷大小;/>为RIES在t时刻可时移的电负荷;/>为RIES在t时刻中断电负荷;/>为t时刻可中断的热负荷;/>分别为在t时刻租用云储热系统的储电容量、最大储电容量;T为24小时。
进一步的,基于历史风电数据,采用K-means聚类算法选取单个聚类场景,得到初始场景概率密度信息Pk0,max{Pk}∈D为使运行成本期望最大的单个聚类场景的概率,其中{Pk}取值以Pk0为基准波动,{Pk}
服从如下置信度约束:
式中,θ1、θ∞为1-范数和∞-范数概率允许的偏差值,为置信水平;
Pr为概率,k为聚类场景数量;
设定为置信度水平δ1,/>设定为置信度水平δ∞。
进一步的,日前阶段预调度的目标函数包含用户侧的综合效益函数US,目标函数与RIES的购气预调度成本Cg、风力机组预调度运行成本CWT、云储能系统预调度运行成本CCES、预调度碳交易成本CCC与主网交互功率预调度成本Cgrid具体如下式表示:
式中,为t时刻购气价格;Gt,buy为t时刻的购气数量;cWT为单位电量风机发电成本;/>为t时刻微网与主网交互功率的价格;/>为碳税价格;γGT、γGB分别为GT与GB单位功率对应的碳排放系数,GT为燃气轮机,GB为燃气锅炉;γGrid为电网发电的碳排放系数;ΩCES为云储能系统的集合;λE、λP分别为云储能系统单位容量与单位功率租赁成本;λon为云储能系统充放电运行维护成本系数。
进一步的,日内阶段再调度的目标函数包括主网交互再调度成本Dgrid、弃风惩罚成本Dcut及机组功率调整成本DUC:
式中,为微网向主网购售电日内价格;cqf为弃风惩罚系数;/>为t时刻的微网弃风调整功率;/>为微网燃气轮机电功率调整惩罚系数;/>为微网燃气锅炉热功率调整惩罚系数。
进一步的,日前阶段预调度的约束条件包括:
能源价格约束:RIES运营商制定的分时能源价格均值不超过初始售能价格,需满足如下约束:
式中,分别为制定电价的最大值与最小值;/>为初始制定的电价;
主电网运行约束:式中,/>为微网向主网购电与售电的最大值;/>为微网t时刻的购售电状态;
天然气网运行约束:0≤Gt,buy≤Gt,buy,max (19)
式中,Gt,buy,max为微网购气的最大值;
风电出力约束:
式中,为t时刻风机出力功率的预测值;
功率平衡约束:
进一步的,采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略具体包括:
KKT等效与双线性项线性化:通过构建日前-日内两阶段分布鲁棒优化调度模型的拉格朗日函数,基于日前-日内两阶段分布鲁棒优化调度模型的KKT互补松弛条件,将日前-日内两阶段分布鲁棒优化调度模型转换为上层模型的约束条件,转换后的单层非线性模型利用Big-M法线性化为混合整数线性规划,对RIES运营商的售能收入利用得出的KKT方程组进行线性等价问题。
进一步的,采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略具体还包括:
分布鲁棒优化模型重构:式(10)在KKT等效后优化形式上为min-max-min三层优化形式,日前和日内优化决策变量相互耦合,列和约束生成算法将模型分解为主问题和子问题,转化三层优化模型。
为实现上述目的,本发明还提供如下技术方案:
一种计及主从博弈的区域综合能源系统控制装置,包括:
构建模块,用于综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,以分时能源价格作为纽带,建立RIES运营商为领导者,用户作为跟随者的主从博弈模型;
转化模块,用于在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型;
求解模块,用于采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略;
RIES中的电负荷需求由主网、风力机组、燃气轮机发电供给;RIES中的热负荷需求由燃气锅炉与燃气轮机供给;RIES中的气网的售气一部分供给于燃气轮机,一部分供给于燃气锅炉;RIES中的云储能系统包括云储电与云储热,为RIES系统能量缓冲部分;RIES中的负荷侧包括可时移、可中断的综合需求响应。
为实现上述目的,本发明还提供如下技术方案:
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述中任一项所述方法的步骤。
为实现上述目的,本发明还提供如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述中任一项所述的方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明提出了一种计及主从博弈的区域综合能源系统控制方法,该方法基于主从博弈理论的RIES运营商与综合需求响应用户的分布鲁棒优化两阶段调度模型。首先,以分时能源价格作为纽带建立了RIES运营商为领导者,用户作为跟随者的主从博弈模型。模型中领导者考虑运行经济成本最优制定分时能源电价,用户侧依据能源价格考虑综合效益函数最优制定需求响应计划。其次,针对鲁棒优化相对保守、随机优化抗风险能力差等问题,在主从博弈模型基础上引入综合范数约束,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将双层博弈模型(即日前-日内两阶段分布鲁棒优化调度模型)转化为单层分布鲁棒优化模型,采用CCG算法迭代求解。最后,通过算例结果表明本发明的最优调度策略在均衡各主体利益与抵抗风电不确定风险的有效性。
总的来说,本发明所提的最优调度策略通过RIES运营商和用户的主从博弈过程,在不同比例的风电预测误差下都可以有效提升用户参与需求响应的积极性,降低弃风率与碳排放成本,提高系统运行经济性,有效抵御不确定性风险;分布鲁棒优化能通过灵活调节置信度水平来合理权衡调度方案的经济性与鲁棒性,并同时具备随机优化根据历史预测误差数据反映预期风险的特性、鲁棒优化的强鲁棒性。
附图说明
图1为本发明RIES框架示意图。
图2为本发明初始负荷曲线和风电预测曲线图。
图3为本发明RIES与主网购售电价格。
图4为本发明调度总成本、计算时间与场景数关系示意图。
图5为本发明RIES能源售价示意图。
图6为本发明RIES最优供电计划示意图。
图7为本发明RIES最优供热计划示意图。
图8为本发明计及主从博弈的区域综合能源系统控制方法步骤流程图。
图9为本发明计及主从博弈的区域综合能源系统控制装置结构框图。
图10为本发明计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参阅图1至图10,本发明提供一种技术方案:
为了解决含多利益主体的区域综合能源系统日渐复杂的利益分配问题,提出了计及主从博弈的RIES分布鲁棒最优调度策略。首先,综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,建立了RIES运营商为领导者,用户作为跟随者的主从博弈模型。模型中领导者考虑运行经济成本最优制定分时能源电价,用户侧依据能源价格考虑综合效益函数最优制定需求响应计划。其次,为了应对风电出力不确定性风险,在此基础上构建引入综合范数约束限定概率置信区间的日前-日内两阶段分布鲁棒优化调度模型,并运用卡鲁什·库恩·塔克条件(Karush Kuhn Tucker,KKT)将双层博弈模型转化为单层分布鲁棒优化模型,采用列和约束生成(column and constraint generation,C&CG)算法求解。最后,通过算例结果表明本发明的最优调度策略在均衡各主体利益与抵抗风电不确定风险的有效性。
分布鲁棒优化兼顾了鲁棒优化与随机规划的优势,作为一种新型的不确定性方法得到了推广,其是在风电预测误差的最恶劣概率分布下决策,同时融入了矩信息、概率密度等概率分布信息减小求解时长,一定程度上改善了随机优化中概率分布参数较难获取的现状与鲁棒优化结果的保守性。虽然分布鲁棒优化已在RIES调度中得到应用,但相关研究中很少将博弈论与分布鲁棒优化相结合。
综上,本发明提出了一种基于主从博弈理论的RIES运营商与综合需求响应用户的分布鲁棒优化两阶段调度模型,以解决上述研究的不足。首先,以分时能源价格作为纽带建立了RIES运营商为领导者,用户作为跟随者的主从博弈模型。模型中领导者考虑运行经济成本最优制定分时能源电价,用户侧依据能源价格考虑综合效益函数最优制定需求响应计划。其次,针对鲁棒优化相对保守、随机优化抗风险能力差等问题,在主从博弈模型基础上引入综合范数约束,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将双层博弈模型(即日前-日内两阶段分布鲁棒优化调度模型)转化为单层分布鲁棒优化模型,采用CCG算法迭代求解。最后,仿真算例验证了所建模型的有效性。
1RIES框架及数学模型
1.1RIES框架
RIES是多能互补、优化能源效率等理念实现的重要载体。本发明描述的RIES中的电负荷需求由主网、风力机组、燃气轮机发电供给;RIES中的热负荷需求由燃气锅炉与燃气轮机供给;RIES中的气网的售气一部分供给于燃气轮机,一部分供给于燃气锅炉;RIES中的(云储能系统包括)云储电与云储热为(RIES系统)能量缓冲部分;RIES中的(负)荷侧考虑了可时移负荷、可中断负荷的综合需求响应,具体的能量耦合状态如图1所示。
1.2电热联供模型
燃气轮机通过燃烧天然气同时产生电能与热能,燃气轮机电热出力和约束条件如下:
式中:分别为燃气轮机t时刻的发电与制热功率;/>为燃气轮机t时刻的耗气量;ηGT、ηGT,h分别为燃气轮机的发电与制热效率;/>分别为燃气轮机t时刻的发电功率最大值与最小值;/> 分别为燃气轮机t时刻的制热功率最大值与最小值;为燃气轮机的0-1状态变量。
燃气锅炉燃烧天然气发热,其发热功率和约束条件如下:
式中,为燃气锅炉t时刻的制热功率;/>为燃气锅炉t时刻的耗气量;ηGB为燃气锅炉的制热效率;/>为燃气锅炉制热功率的上限与下限。
1.3云储能系统模型
云储能系统汇集大量中小型用户的储能资源,通过“共享储能”模式,充分利用储能行为的互补性和规模效应,避免充放电的无序性,同时降低用户成本。本发明的云储能系统主要包括锂电池(battery,Bat)和储热罐(heat storage tank,HST)2种储能形式,由于云储热系统的约束与CESS类似,不做赘述。CESS其相关约束可描述为:
式中,为云储电系统(CESS)在t时刻的容量;ECEES为租用CESS的储电容量;α1、α2为CESS的荷电状态上、下限;/>为租用CESS的最大储电容量;/>为CESS在t时刻的充、放电功率;/>为租用CESS充、放电功率;/>为CESS充、放电状态的0、1变量;/>为租用CESS充、放电功率的上限;/>分别为CESS的充、放电效率;δCEES为CESS的自损耗系数,/>为云储电系统(CESS)在t-1时刻的容量。
1.4综合需求响应
电力需求响应:本研究中电力负荷分为固定负荷和柔性负荷。电力柔性负荷根据需求响应的特点分为可移动负荷和可中断负荷两种类型。
可时移负荷:可时移负荷的特点是用电总量不变,用电时间可灵活改变,可描述为:
式中,为RIES在t时刻可时移的电负荷;/>代表RIES可时移的电负荷的上、下限;μ1,lb、μ1,ub、λ1分配的拉格朗日乘子。
可中断负荷:在电力供应不足或电价高的时期,用户可以中断部分负荷,以减轻电力供应的压力。可描述为:
式中,为RIES在t时刻中断电负荷;/>代表RIES在t时刻中断电负荷的最大与最小值;μ2,lb、μ2,ub为分配的拉格朗日乘子。
供热需求响应是由于用户对于热量感知具有一定模糊性,在一定范围内改变温度不会影响用户的舒适度体验,其可描述为:
其中,为t时刻可中断的热负荷;/>为可中断热负荷的最大值,μ3,lb、μ3,ub为分配的拉格朗日乘子。
RIES包含多种、多类型电热负荷,为了全面衡量RIES实行IDR后对用户体验的影响,表示RIES用户效用函数(用户购买电能、热能所获得的满意度总和);此外,在用户偏离每时刻最合适的基线负荷/>后,满意度会在一定程度上损失,表现为函数/>
式中,en为能源种类;E为用户用能种类的集合;αen、βen为RIES用户用能的偏好系数,与能源种类有关;为微网在t时刻能源en的实际负荷量;λen、θen为能源en的满意度损失参数;其中用户/>的实际响应量具体可表示为:
式中,分别为电、热负荷的初始数值;/>分别为电、热负荷经过综合需求响应后的负荷大小,λ2、λ3为分配的拉格朗日乘子。
综上,RIES的负荷侧的利益诉求可表示为最大化的综合效益函数US:
式中:wen为RIES制定的能源价。
2.1考虑风电不确定性的两阶段分布鲁棒博弈模型
2.1.1目标函数
建立RIES运营商日前实时两阶段分布鲁棒优化模型。其中第一阶段为日前阶段预调度,其过程为主从博弈。上层微网为领导者,下层用户为追随者。基于风电的日前预测功率,由上层微网制定能源价格与机组调度计划传递至下层,下层用户根据上层信息,进行综合需求响应调整负荷需求反馈至上层,日前的决策过程与风电的不确定性无关。第二阶段为日内阶段再调度,基于日前预调度决策,日内再调度阶段通过灵活调整机组出力获得不同调度决策下期望最优的再调度调整成本。为了方便说明,将上述过程简化为矩阵形式,可以描述为公式(10)-(12):
Cx≤g ((11)
Ω(x,d)={y:E1y≤e,Ay+Bd=c,E1x+Fy≤h} (12)
式中,x为日前阶段的决策变量;y为实时阶段的决策变量;aTx为RIES运营商日前的售能收益;bTy为RIES在实时阶段调整后的系统运行成本,其数值受不确定参数d影响;D为不确定性参数d的集合;K为聚类场景的总数;Pk为单个聚类场景的概率;A、B、C、E1、F为相关参数对应的矩阵;a、b为目标函数中参数列向量;c、e、g、h为约束条件中的参数列向量;
式中,为t时刻向主网购、售电调整功率;/>为t时刻燃气轮机向上与向下调整电功率;/>为t时刻燃气锅炉向上与向下调制热功率;/>分别为租用云储电系统充、放电功率;/>分别为租用云储热系统充、放电功率。
此外,由于风电的实际场景概率密度函数难以获取,本发明基于历史风电数据,采用K-means聚类算法选取单个聚类场景,得到初始场景概率密度信息Pk0,max{Pk}∈D为使运行成本期望最大的单个聚类场景的概率分布,其中{Pk}取值以Pk0为基准波动。{Pk}服从如下置信度约束:
式中,θ1、θ∞为1-范数和∞-范数概率允许的偏差值,即置信水平。
公式(14)右侧分别设定为定置信度水平δ1、δ∞。
1)日前阶段预调度目标函数
日前阶段应确保风电的消纳、负荷安全可靠供应,预调度目标函数包含用户侧US目标函数与RIES的购气预调度成本Cg、风机(风力机组)预调度运行成本CWT、云储能系统预调度运行成本CCES、预调度碳交易成本CCC与主网交互功率预调度成本Cgrid:
式中,为t时刻购气价格;Gt,buy为t时刻的购气数量;/>为t时刻风机的实际功率;cWT为单位电量风机发电成本;/>为t时刻微网与主网交互功率;/>为t时刻微网与主网交互功率的价格;/>为碳税价格;γGT、γGB分别为GT与GB机组单位功率对应的碳排放系数;γGrid为电网发电的碳排放系数;/>为GT在t时刻输出的电功率;/>为GB在t时刻输出的热功率;ΩCFS为云储能系统的集合;λE、λP分别为云储能系统单位容量与单位功率租赁成本;λon为云储能系统充放电运行维护成本系数。
2)日内阶段再调度成本
日内阶段通过再调度、弃风等手段对日前阶段预调度进行调整,以有效应对风电预测误差。值得指出的是,RIES在日前阶段通过制定峰谷分时能源价格引导负荷需求响应,形成合理的负荷计划,但负荷的综合需求响应需要提前签定合同,故负荷侧在日前阶段确定其响应计划,日内阶段响应保持不变。再调度目标函数包含主网交互再调度成本Dgrid、弃风惩罚成本Dcut及机组功率调整成本DUC:
式中,为微网向主网购售电日内价格;cqf为弃风惩罚系数;/>为t时刻的微网弃风调整功率;/>为微网燃气轮机电功率调整惩罚系数;/>为微网燃气锅炉热功率调整惩罚系数。
2.2日前阶段预调度约束条件
a)能源价格约束
为协调用户的利益,运营商制定的分时能源价格均值不应超过初始售能价格,需满足如下约束(以电价为例):
式中,分别为制定电价的最大值与最小值;/>为初始制定的电价;热价的制定过程与电价类似在此不做赘述。
b)主电网运行约束
式中,为微网向主网购电与售电的最大值;/>为微网t时刻的购售电状态。
c)天然气网运行约束
0≤Gt,buy≤Gt,buy,max (19)
式中,Gt,buy,max为微网购气的最大值。
d)风电出力约束
式中,为t时刻风机出力功率的预测值。
e)功率平衡约束
除上述约束(17)-(18)外,日前阶段预调度还包含热联供系统模型约束、云储能系统模型约束、负荷的综合需求响应约束,这些约束见公式(1)-(6)在此不做赘述。
2.3日内阶段再调度约束条件
在日前预调度的基础上,RIES通过日内再调度进行调整,各设备调整后的出力也应满足相应运行约束及系统功率平衡约束,其中,日内阶段再调度约束即在公式(1)、(2)、(3)、(18)、(21)中修改日前决策变量,以公式(2)燃气锅炉的约束修改为例:
式中,分别为爬坡功率的最小值与最大值;/>分别为滑坡功率的最小值与最大值。
3博弈均衡解唯一与模型求解
3.1博弈均衡解唯一性证明
主从博弈中领导者为RIES运营商,跟随者为RIES的用户侧。当RIES运营商与用户间的利益最大化博弈达到纳什均衡(Nash equilibrium,NE),任何主体都不能单方面改变NE获利。当主从博弈模型满足以下条件时,则存在唯一的NE均衡:1)博弈参与者的目标函数是关于博弈策略集的非空、连续函数;2)跟随者的目标函数为各自博弈策略集的连续凸\凹函数。
证明:1)博弈中领导者为RIES运营商其目标函数为公式(15)为非空且连续的,跟随者为RIES的用户侧其目标函数为分时的用能功率,其决策集为公式(9)为非空且连续的。2)对用户侧US分析,令其对求二阶偏导,其值为-(βen+λen)。式中βen、λen为正实数,-(βen+λen)<0,故US为其博弈策略集的连续凸函数。综上,本发明描述的主从博弈模存在唯一的NE均衡。
3.2KKT条件等效与双线性项线性化
本发明构建的两阶段分布鲁棒模型,在预调度阶段是主从博弈的双层模型,上层与下层模型之间存在耦合关系,难以直接进行求解。通过构建下层模型(双层博弈模型(即日前-日内两阶段分布鲁棒优化调度模型))的拉格朗日函数,基于下层模型的KKT互补松弛条件,将下层模型转换为上层模型(单层分布鲁棒优化模型)的约束条件,则转换后的单层非线性模型可利用Big-M法线性化为混合整数线性规划问题。此外,由于RIES运营商的售能收入为双线性项不能直接被求解,利用得出的KKT方程组进行线性等价,上述转化过程见附录文字(即式(23)至式(44))。
3.3分布鲁棒优化模型重构
式(10)在经KKT等效后优化形式上为min-max-min三层优化形式,日前和日内优化决策变量相互耦合,无法直接求解。列和约束生成(column and constraint generation,C&CG)算法将模型分解为主问题(master-problem,MP)和子问题(sub-problem,SP)可以有效转化三层优化模型,具体求解流程参考基于集中-分散交易机制的多产消者两阶段鲁棒优化模型-王善磊等。
4算例分析
本章将通过算例分析来验证所提的考虑计及主从博弈的区域综合能源系统分布鲁棒调度策略的有效性和合理性。本发明仿真计算采用内含YALMIP插件的matlab R2018b软件调用Cplex求解器进行求解,计算机配置为因特尔酷睿i7处理器,主频1.8GHz,内存16GB。选取蒙西某地区典型日数据为背景,初始负荷曲线和风电预测曲线如图2所示,主要参数如下:主电网参数:
主气网参数:/>碳排放参数:/>γGT=0.22,γGB=0.15,γGrid=0.352;云储能:λE,CESS=110¥/kW,λP,CESS=37¥/kW,λon,CESS=0.01¥/kW,λE,CTSS=30¥/kW,λP,CTSS=10¥/kW,λon,CTSS=0.005¥/kW,/>用户用能偏好参数参考:αe=2,βe=0.008,αh=3,βh=0.015;可控机组运行参数:
RIES与主网购售电价格如图3所示。
4.1迭代结果
为了验证本发明所提的优化调度方法的可行性,本节在不同历史数据下抽取10组场景,分析不同历史数据下,得到RIES的总运行成本与程序计算时间的关系,结果如图4所示。
由图4可知,在历史数据数量较少时,总成本分布发散,具有较大方差,随着场景数的增加,方差逐渐减小,保持稳定。分析可知,这是由于数据样本较少,系统受到的风险扰动相对较大,分布鲁棒优化调度在考虑不确定性时会使得决策更加谨慎,导致调度方案的差异较大。随着历史数据的增多,系统受到的风险扰动相对较小,分布鲁棒博弈优化问题的解空间也逐渐收敛,成本分布也越集中。此外,虽然模型的计算时间随着场景数的增加而波动上升,但是在本发明的硬件条件下计算时间的数量级是远小于日前调度允许的计算时间,且随着硬件条件的升级,计算速度将再度大幅增加,是符合计算效率需求的。综合调度总成本、计算时间与场景数关系,选取5000个历史数据样本,聚类场景的总数为10对所建立的分布鲁棒博弈模型进行求解,能源确定售价如图5所示,将其与微网外部能源价格进行对比,显然,具有合理性,为用户可以接受的能源价格。
4.2对比分析
4.2.1不确定性优化方法对比
为了验证本发明分布式鲁棒优化调度策略的优越性,将本发明策略与确定性优化、两阶段随机优化与两阶段鲁棒优化进行对比,结果如表1所示。
表1不同优化调度策略对RIES成本影响
表1展示了不同优化调度策略对RIES成本的影响,可以看出,确定性优化总调度成本最低,这是因为在确定性优化中假设风电预测出力场景是完全准确的。在日内RIES更多通过主网购电来平抑预测误差带来的功率缺额,但实际上是低估风电不确定性风险,给系统的安全稳定运行带来巨大隐患。在不确定性优化中,随机优化的预调度成本、再调度成本最低,这是因为随机优化是依据不确定输入参数的概率密度函数精确信息进行风电预调度场景建模来提高经济性。但是依赖精确的概率分布将具备过于乐观的日内预期风险态度,在极端风电出力场景下鲁棒性可能更差,甚至可能失效。而鲁棒优化的预调度成本、再调度成本最高,这是由于鲁棒优化是依靠变量的预设波动区间进行预调度,要求其结果适用在小概率出现的“最恶劣”的场景下。日内决策主要通过增加能源储备来抵御实时调度的风险,牺牲经济性换取鲁棒性。而分布式鲁棒优化总成本介于随机优化和鲁棒优化之间,这是由于其基于预测误差最恶劣概率分布进行预调度,在保持鲁棒性的同时学习到历史数据中的概率信息,兼顾了经济性及鲁棒性。
4.2.2博弈方法对比分析
为验证所提模型抵抗风电不确定风险与需求响应策略的有效性,本小节将确定性博弈模型(Case1)和分布鲁棒博弈模型(Case2)进行比较。确定性博弈与分布鲁棒博弈的初始场景概率相同,以0-40%作为风电功率出力的误差区间,以10%作为风电预测误差步长,对两种博弈方式进行仿真计算,可得到表2。
表2不同博弈方式下结果对比
在风电预测误差为0时,确定性博弈与分布鲁棒调度结果相同,这是因为风电输出始终满足最初场景的概率分布。此外,随着风电预测误差的逐渐增大,确定性博弈的售能收入整体高于分布鲁棒博弈的售能收入。分析可知,确定性鲁棒在预调度过程中可以准确地预测风电功率,在保证满足负荷需求的前提下,有效优化运营商的售能收入;而分布鲁棒博弈在再调度阶段需要根据风电实时场景调整设备功率与售能数值弥补风电的不确定性,运营商采取更保守的售能策略,并偏向主网购电增加能源供应,降低了售能收入。进一步分析表2可知,当预测误差小于10%,确定性博弈的运行成本要低于分布鲁棒博弈,这是因为初始预测误差的变化主要影响的是售能成本,确定性博弈的售能收入较高。然而在预测误差大于10%,确定性博弈在预调度阶段制定的需求响应计划与实时风电功率场景的适配度远低于分布鲁棒博弈,原先的调度计划无法满足实际负荷需求。此时,RIES运营商会调用可控机组弥补风电波动的影响,故在风电预测误差变化较大时,确定性博弈弃风率与碳排放成本远高于分布鲁棒博弈。总的来说,分布鲁棒博弈方法在决策中充分考虑风电出力的预测误差,能更好地应对不确定性,在预测误差较大时有效优化RIES系统与主网的交互功率,降低系统的弃风率和碳排放量。
4.3RIES最优调度结果
本节基于蒙西某地历史风电出力场景数据样本V为5000,聚类场景的总数K为10,选取δ1为0.5,δ∞为0.99,其分布鲁棒优化两阶段最优调度结果如图6、图7所示。
4.3.1RIES最优供电计划
对于电能优化情况,由图6可知,在00:00-08:00和16:00-24:00时段,RIES在此时段供应的电负荷水平处于中低水平,其风电资源较为丰富且波动范围较小,可以满足绝大多数时段的负荷需求。同时CHP机组在满足热功率供应水平的同时生产的电能过剩,本区域的负荷无法完全消纳,因此其在此时段内将剩余的电能出售给上级电网,售电同时可以获得电网收益也获得碳排放收益;并且,运营商大量对云储能系统进行充电,以便在用电高峰期能放电使用,实现用电负荷转移。
4.3.2RIES最优供热计划
对于热能优化情况,本发明供热模型中包含CHP机组和燃气锅炉机组,CHP机组产电和风机发电满足需求响应后的电负荷,其同时产生的热能与GB产热满足系统热平衡。由图7可知,RIES供应的热负荷呈现晚间和夜间较低,白天显著增加的情况,在00:00-05:00和16:00-24:00,RIES能源供应压力不大,通过云储热系统充热来满足热负荷高峰时负荷需求,减少了CHP机组热电比刚性约束的限制,提升了风电消纳率,降低了系统碳排放量。
5结论
本发明以包含多利益主体的RIES为研究对象,建立了基于主从博弈理论的RIES运营商与综合需求响应用户的分布鲁棒优化两阶段调度模型,并引入高效CCG求解算法将其分为主子问题循环迭代求解,验证所提模型的有效性,得到以下结论:
1)本发明所提的最优调度策略通过RIES运营商和用户的主从博弈过程,在不同比例的风电预测误差下都可以有效提升用户参与需求响应的积极性,降低弃风率与碳排放成本,提高系统运行经济性,有效抵御不确定性风险。
2)分布鲁棒优化能通过灵活调节置信度水平来合理权衡调度方案的经济性与鲁棒性,并同时具备随机优化根据历史预测误差数据反映预期风险的特性、鲁棒优化的强鲁棒性。
根据下层模型的拉格朗日函数对相应的决策变量求一阶偏导可得到:
其中,0≤a⊥b≥0,a≥0,b≥0,ab=0
由于式(29)-(34)的互补松弛条件为非线性表达式,无法直接求解。本发明采用Big-M法对上述互补松弛条件转化为割平面约束,引入布尔变量VlbVub,转化过程类似,以公式(29)为例:
双线性项线性化
过程如下所示:
将公式(24)、(25)分别乘以得到公式(36)、(37)。
将公式(26)、(27)、(28)分别乘以得到公式(38)、(39)、(40)。
联立公式(36)、(37)可以得到如下:
联立公式(负荷的展开表达式)可得到(42)
分别联立公式(29)与公式(38)、公式(30)与公式(39)、公式(31)与公式(40)可获得公式(41)、(42)、(43)。
将公式(41)、(42)、(43)与公式(39)联立可以获得线性化后的双线性项表达式(44)。
如图8所示计及主从博弈的区域综合能源系统控制方法步骤流程图,以及如图9所示,提出一种计及主从博弈的区域综合能源系统控制装置,构建模块,用于综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,以分时能源价格作为纽带,建立RIES运营商为领导者,用户作为跟随者的主从博弈模型;
转化模块,用于在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型;
求解模块,用于采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略;
其中,RIES中的电负荷需求由主网、风力机组、燃气轮机发电供给;RIES中的热负荷需求由燃气锅炉与燃气轮机供给;RIES中的气网的售气一部分供给于燃气轮机,一部分供给于燃气锅炉;RIES中的云储能系统包括云储电与云储热,为RIES系统能量缓冲部分;RIES中的负荷侧包括可时移、可中断的综合需求响应。
本发明提供的计算机设备的结构示意,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的优化方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
同时提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(ReadOnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(DynamicRandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (20)
1.一种计及主从博弈的区域综合能源系统控制方法,其特征在于,包括如下步骤:
综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,以分时能源价格作为纽带,建立RIES运营商为领导者,用户作为跟随者的主从博弈模型;
在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型;
采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略;
其中:RIES中的电负荷需求由主网、风力机组、燃气轮机发电供给;RIES中的热负荷需求由燃气锅炉与燃气轮机供给;RIES中的气网的售气一部分供给于燃气轮机,一部分供给于燃气锅炉;RIES中的云储能系统包括云储电与云储热,为RIES系统能量缓冲部分;RIES中的负荷侧包括可时移、可中断的综合需求响应;
表示RIES用户效用函数,包括用户购买电能、热能所获得的满意度总和;在RIES用户偏离每时刻最合适的基线负荷/>后,满意度会有损失,表现为函数/>
式中,en为能源种类;E为用户用能种类的集合;αen、βen为RIES用户用能的偏好系数;为微网在t时刻能源en的实际负荷量;λen、θen为能源en的满意度损失参数;
用户的实际响应量具体表示为:
式中,分配的拉格朗日乘子λ2、λ3;分别为电、热负荷的初始数值;/>为电、热负荷经过综合需求响应后的负荷大小;
用户侧利益诉求表示为最大化的综合效益函数US:
式中:wen为RIES制定的能源价;
在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型包括:
日前-日内两阶段分布鲁棒优化调度模型中,第一阶段为日前阶段预调度,其过程为主从博弈,上层微网为领导者,下层用户为追随者,基于风电的日前预测功率,由上层微网制定能源价格与机组调度计划传递至下层,下层用户根据上层信息,进行综合需求响应调整负荷需求反馈至上层;
第二阶段为日内阶段再调度,基于日前预调度决策,日内再调度阶段通过灵活调整机组出力获得不同调度决策下期望最优的再调度调整成本;
第一阶段和第二阶段采用公式(10)-(12)描述:
Cx≤g(11)
Ω(x,d)={y:E1y≤e,Ay+Bd=c,E1x+Fy≤h}(12)
式中,x为日前阶段的决策变量;y为实时阶段的决策变量;a1x为RIES运营商日前的售能收益;bTy为RIES在实时阶段调整后的系统运行成本,其数值受不确定参数d影响;D为不确定性参数d的集合;K为聚类场景的总数;Pk为单个聚类场景的概率;Ω(x,d)为给定不确定性参数d下x和y的耦合关系;A、B、C、E1、F为相关参数对应的矩阵;a、b为目标函数中参数列向量;c、e、g、h为约束条件中的参数列向量;
式中,分别为燃气轮机t时刻的发电与制热功率;/>为燃气锅炉t时刻的制热功率;/>分别为t时刻向主网购、售电调整功率;ECEES、/>分别为租用云储电系统的储电容量、最大储电容量;ECTES、/>分别为租用云储热系统的储电容量、最大储电容量;/>分别为t时刻燃气轮机向上与向下调整电功率;/> 分别为t时刻燃气锅炉向上与向下调制热功率;/>分别为租用云储电系统充、放电功率;/>分别为租用云储热系统充、放电功率;/>为t时刻风机的实际功率;/>分别为t时刻微网与主网交互功率;/>分别为租用云储电系统充放电状态的0、1变量;分别为租用云储热系统充放电状态的0、1变量;/>为微网t时刻的购售电状态;/>分别为电、热负荷经过综合需求响应后的负荷大小;/>为RIES在t时刻可时移的电负荷;
为RIES在t时刻中断电负荷;/>为t时刻可中断的热负荷;
分别为在t时刻租用云储热系统的储电容量、最大储电容量;
T为24小时;
基于历史风电数据,采用K-means聚类算法选取单个聚类场景,得到初始场景概率密度信息Pk0,max{Pk}∈D为使运行成本期望最大的单个聚类场景的概率,其中{Pk}取值以Pk0为基准波动,{Pk}服从如下置信度约束:
式中,θ1、θ∞为1-范数和∞-范数概率允许的偏差值,为置信水平;
Pr为概率,k为聚类场景数量;
设定为置信度水平δ1,/>设定为置信度水平δ∞:
日前阶段预调度的目标函数包含用户侧的综合效益函数US,目标函数与RIES的购气预调度成本Cg、风力机组预调度运行成本CWT、云储能系统预调度运行成本CCES、预调度碳交易成本CCC与主网交互功率预调度成本Cgrid具体如下式表示:
式中,为t时刻购气价格;Gt,buy为t时刻的购气数量;cWT为单位电量风机发电成本;为t时刻微网与主网交互功率的价格;/>为碳税价格;γGT、γGB分别为GT与GB单位功率对应的碳排放系数,GT为燃气轮机,GB为燃气锅炉;γGrid为电网发电的碳排放系数;ΩCES为云储能系统的集合;λE、λP分别为云储能系统单位容量与单位功率租赁成本;λon为云储能系统充放电运行维护成本系数;
日内阶段再调度的目标函数包括主网交互再调度成本Dgrid、弃风惩罚成本Dcut及机组功率调整成本DUC:
式中,为微网向主网购售电日内价格;cqf为弃风惩罚系数;/>为t时刻的微网弃风调整功率;/>为微网燃气轮机电功率调整惩罚系数;/>为微网燃气锅炉热功率调整惩罚系数;
日前阶段预调度的约束条件包括:
能源价格约束:RIES运营商制定的分时能源价格均值不超过初始售能价格,需满足如下约束:
式中,分别为制定电价的最大值与最小值;/>为初始制定的电价;
主电网运行约束:
式中,为微网向主网购电与售电的最大值;/>为微网t时刻的购售电状态;
天然气网运行约束:0≤Gt,buy≤Gt,buy,max (19)
式中,Gt,buy,max为微网购气的最大值;
风电出力约束:
式中,为t时刻风机出力功率的预测值;
功率平衡约束:
2.如权利要求1所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,燃气轮机通过燃烧天然气同时产生电能与热能,燃气轮机电热出力和约束条件如下:
式中:分别为燃气轮机t时刻的发电与制热功率;/>为燃气轮机t时刻的耗气量;ηGT、ηGT,h分别为燃气轮机的发电与制热效率;/>分别为燃气轮机t时刻的发电功率最大值与最小值;/> 分别为燃气轮机t时刻的制热功率最大值与最小值;/>为燃气轮机的0-1状态变量。
3.如权利要求1所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,燃气锅炉燃烧天然气发热,其发热功率和约束条件如下:
式中,为燃气锅炉t时刻的制热功率;/>为燃气锅炉t时刻的耗气量;ηGB为燃气锅炉的制热效率;/>为燃气锅炉制热功率的上限与下限。
4.如权利要求1所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,云储能系统中的云储热系统和云储电系统的约束描述为:
式中,为云储电系统在t时刻的容量;ECEES为租用云储电系统的储电容量;α1、α2为云储电系统的荷电状态上、下限;/>为租用云储电系统的最大储电容量;/>为云储电系统在t时刻的充、放电功率;/>为租用云储电系统充、放电功率;/> 为云储电系统充放电状态的0、1变量;/>为租用云储电系统充、放电功率的上限;/>分别为云储电系统的充、放电效率;δCEES为云储电系统的自损耗系数,/>为云储电系统在t-1时刻的容量。
5.如权利要求1所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,可时移负荷用电总量不变,用电时间灵活改变,描述为:
式中,为RIES在t时刻可时移的电负荷,/>代表RIES可时移的电负荷的上下限,分配的拉格朗日乘子μ1,lb、μ1,ub、λ1,T为24小时。
6.如权利要求5所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,可中断负荷在电力供应不足或电价高的时期,用户中断部分负荷,描述为:
式中,分配的拉格朗日乘子μ2,lb、μ2,ub,为RIES在t时刻中断电负荷,/>分别代表RIES在t时刻中断电负荷的最大与最小值。
7.如权利要求6所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,综合需求响应包括供热需求响应,供热需求响应公式描述为:
其中,分配的拉格朗日乘子μ3,lb、μ3,ub,为t时刻可中断的热负荷;/>为t时刻可中断热负荷的最大值。
8.如权利要求1所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略具体包括:
KKT等效与双线性项线性化:通过构建日前-日内两阶段分布鲁棒优化调度模型的拉格朗日函数,基于日前-日内两阶段分布鲁棒优化调度模型的KKT互补松弛条件,将日前-日内两阶段分布鲁棒优化调度模型转换为上层模型的约束条件,转换后的单层非线性模型利用Big-M法线性化为混合整数线性规划,对RIES运营商的售能收入en为能源种类,利用得出的KKT方程组进行线性等价问题。
9.如权利要求1所述的计及主从博弈的区域综合能源系统控制方法,其特征在于,采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略具体还包括:
分布鲁棒优化模型重构:式(10)在KKT等效后优化形式上为min-max-min三层优化形式,日前和日内优化决策变量相互耦合,列和约束生成算法将模型分解为主问题和子问题,转化三层优化模型。
10.一种计及主从博弈的区域综合能源系统控制装置,其特征在于,包括:
构建模块,用于综合RIES能源交易中RIES运营商及综合需求响应用户侧利益诉求,以分时能源价格作为纽带,建立RIES运营商为领导者,用户作为跟随者的主从博弈模型;
转化模块,用于在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型;
求解模块,用于采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略;
其中,RIES中的电负荷需求由主网、风力机组、燃气轮机发电供给;RIES中的热负荷需求由燃气锅炉与燃气轮机供给;RIES中的气网的售气一部分供给于燃气轮机,一部分供给于燃气锅炉;RIES中的云储能系统包括云储电与云储热,为RIES系统能量缓冲部分;RIES中的负荷侧包括可时移、可中断的综合需求响应;
表示RIES用户效用函数,包括用户购买电能、热能所获得的满意度总和;在RIES用户偏离每时刻最合适的基线负荷/>后,满意度会有损失,表现为函数/>
式中,en为能源种类;E为用户用能种类的集合;αen、βen为RIES用户用能的偏好系数;为微网在t时刻能源en的实际负荷量;λen、θen为能源en的满意度损失参数;
用户的实际响应量具体表示为:
式中,分配的拉格朗日乘子λ2、λ3;分别为电、热负荷的初始数值;/>为电、热负荷经过综合需求响应后的负荷大小;
用户侧利益诉求表示为最大化的综合效益函数US:
式中:wen为RIES制定的能源价;
在主从博弈模型基础上引入综合范数约束限定概率置信区间,提出日前-日内两阶段分布鲁棒优化调度模型,并运用KKT将日前-日内两阶段分布鲁棒优化调度模型化为单层分布鲁棒优化模型包括:
日前-日内两阶段分布鲁棒优化调度模型中,第一阶段为日前阶段预调度,其过程为主从博弈,上层微网为领导者,下层用户为追随者,基于风电的日前预测功率,由上层微网制定能源价格与机组调度计划传递至下层,下层用户根据上层信息,进行综合需求响应调整负荷需求反馈至上层;
第二阶段为日内阶段再调度,基于日前预调度决策,日内再调度阶段通过灵活调整机组出力获得不同调度决策下期望最优的再调度调整成本.
第一阶段和第二阶段采用公式(10)-(12)描述:
Cx≤g(11)
Ω(x,d)={y:E1y≤e,Ay+Bd=c,E1x+Fy≤h} (12)
式中,x为日前阶段的决策变量;y为实时阶段的决策变量;aTx为RIES运营商日前的售能收益;bTy为RIES在实时阶段调整后的系统运行成本,其数值受不确定参数d影响;D为不确定性参数d的集合;K为聚类场景的总数;Pk为单个聚类场景的概率;Ω(x,d)为给定不确定性参数d下x和y的耦合关系;A、B、C、E1、F为相关参数对应的矩阵;a、b为目标函数中参数列向量;c、e、g、h为约束条件中的参数列向量;
式中,分别为燃气轮机t时刻的发电与制热功率;/>为燃气锅炉t时刻的制热功率;/>分别为t时刻向主网购、售电调整功率;ECEES、/>分别为租用云储电系统的储电容量、最大储电容量;ECTES、/>分别为租用云储热系统的储电容量、最大储电容量;/>分别为t时刻燃气轮机向上与向下调整电功率;/> 分别为t时刻燃气锅炉向上与向下调制热功率;/>分别为租用云储电系统充、放电功率;分别为租用云储热系统充、放电功率;/>为t时刻风机的实际功率;/>分别为t时刻微网与主网交互功率;/>分别为租用云储电系统充放电状态的0、1变量;/>分别为租用云储热系统充放电状态的0、1变量;/>为微网t时刻的购售电状态;/>分别为电、热负荷经过综合需求响应后的负荷大小;/>为RIES在t时刻可时移的电负荷;/>为RIES在t时刻中断电负荷;/>为t时刻可中断的热负荷;
分别为在t时刻租用云储热系统的储电容量、最大储电容量;
T为24小时;
基于历史风电数据,采用K-means聚类算法选取单个聚类场景,得到初始场景概率密度信息Pk0,max{Pk}∈D为使运行成本期望最大的单个聚类场景的概率,其中{Pk}取值以Pk0为基准波动,{Pk}服从如下置信度约束:
式中,θ1、θ∞为1-范数和∞-范数概率允许的偏差值,为置信水平;
Pr为概率,k为聚类场景数量;
设定为置信度水平δ1,/>设定为置信度水平δ∞;
日前阶段预调度的目标函数包含用户侧的综合效益函数US,目标函数与RIES的购气预调度成本Cg、风力机组预调度运行成本CWT、云储能系统预调度运行成本CCES、预调度碳交易成本CCC与主网交互功率预调度成本Cgrid具体如下式表示:
式中,为t时刻购气价格;Gt,buy为t时刻的购气数量;cWT为单位电量风机发电成本;为t时刻微网与主网交互功率的价格;/>为碳税价格;γGT、γGB分别为GT与GB单位功率对应的碳排放系数,GT为燃气轮机,GB为燃气锅炉;γGrid为电网发电的碳排放系数;ΩCES为云储能系统的集合;λE、λP分别为云储能系统单位容量与单位功率租赁成本;λon为云储能系统充放电运行维护成本系数;
日内阶段再调度的目标函数包括主网交互再调度成本Dgrid、弃风惩罚成本Dcut及机组功率调整成本DUC:
式中,为微网向主网购售电日内价格;cqf为弃风惩罚系数;/>为t时刻的微网弃风调整功率;/>为微网燃气轮机电功率调整惩罚系数;/>为微网燃气锅炉热功率调整惩罚系数;
日前阶段预调度的约束条件包括:
能源价格约束:RIES运营商制定的分时能源价格均值不超过初始售能价格,需满足如下约束:
式中,分别为制定电价的最大值与最小值;/>为初始制定的电价;
主电网运行约束:
式中,为微网向主网购电与售电的最大值;/>为微网t时刻的购售电状态;
天然气网运行约束:0≤Gt,buy≤Gt,buy,max (19)
式中,Gt,buy,max为微网购气的最大值;
风电出力约束:
式中,为t时刻风机出力功率的预测值;
功率平衡约束:
11.如权利要求10所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,燃气轮机通过燃烧天然气同时产生电能与热能,燃气轮机电热出力和约束条件如下:
式中:分别为燃气轮机t时刻的发电与制热功率;/>为燃气轮机t时刻的耗气量;ηGT、ηGT,h分别为燃气轮机的发电与制热效率;/>分别为燃气轮机t时刻的发电功率最大值与最小值;/> 分别为燃气轮机t时刻的制热功率最大值与最小值;/>为燃气轮机的0-1状态变量。
12.如权利要求10所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,燃气锅炉燃烧天然气发热,其发热功率和约束条件如下:
式中,为燃气锅炉t时刻的制热功率;/>为燃气锅炉t时刻的耗气量;ηGB为燃气锅炉的制热效率;/>为燃气锅炉制热功率的上限与下限。
13.如权利要求10所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,云储能系统中的云储热系统和云储电系统的约束描述为:
式中,为云储电系统在t时刻的容量;ECEES为租用云储电系统的储电容量;α1、α2为云储电系统的荷电状态上、下限;/>为租用云储电系统的最大储电容量;/>为云储电系统在t时刻的充、放电功率;/>为租用云储电系统充、放电功率;/> 为云储电系统充放电状态的0、1变量;/>为租用云储电系统充、放电功率的上限;/>分别为云储电系统的充、放电效率;δCEES为云储电系统的自损耗系数,/>为云储电系统在t-1时刻的容量。
14.如权利要求10所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,可时移负荷用电总量不变,用电时间灵活改变,描述为:
式中,为RIES在t时刻可时移的电负荷,/>代表RIES可时移的电负荷的上下限,分配的拉格朗日乘子μ1,lb、μ1,ub、λ1,T为24小时。
15.如权利要求14所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,可中断负荷在电力供应不足或电价高的时期,用户中断部分负荷,描述为:
式中,分配的拉格朗日乘子μ2,lb、μ2,ub,为RIES在t时刻中断电负荷,/>分别代表RIES在t时刻中断电负荷的最大与最小值。
16.如权利要求15所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,综合需求响应包括供热需求响应,供热需求响应公式描述为:
其中,分配的拉格朗日乘子μ3,lb、μ3,ub,为t时刻可中断的热负荷;/>为t时刻可中断热负荷的最大值。
17.如权利要求10所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略具体包括:
KKT等效与双线性项线性化:通过构建日前-日内两阶段分布鲁棒优化调度模型的拉格朗日函数,基于日前-日内两阶段分布鲁棒优化调度模型的KKT互补松弛条件,将日前-日内两阶段分布鲁棒优化调度模型转换为上层模型的约束条件,转换后的单层非线性模型利用Big-M法线性化为混合整数线性规划,对RIES运营商的售能收入en为能源种类,利用得出的KKT方程组进行线性等价问题。
18.如权利要求10所述的计及主从博弈的区域综合能源系统控制装置,其特征在于,采用列和约束生成算法对单层分布鲁棒优化模型进行求解,得到区域综合能源系统控制最优调度策略具体还包括:
分布鲁棒优化模型重构:式(10)在KKT等效后优化形式上为min-max-min三层优化形式,日前和日内优化决策变量相互耦合,列和约束生成算法将模型分解为主问题和子问题,转化三层优化模型。
19.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述方法的步骤。
20.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466264.1A CN117217496B (zh) | 2023-11-07 | 2023-11-07 | 计及主从博弈的区域综合能源系统控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466264.1A CN117217496B (zh) | 2023-11-07 | 2023-11-07 | 计及主从博弈的区域综合能源系统控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217496A CN117217496A (zh) | 2023-12-12 |
CN117217496B true CN117217496B (zh) | 2024-03-12 |
Family
ID=89042924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311466264.1A Active CN117217496B (zh) | 2023-11-07 | 2023-11-07 | 计及主从博弈的区域综合能源系统控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217496B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689179B (zh) * | 2024-01-30 | 2024-05-03 | 山东建筑大学 | 基于多阶段鲁棒的综合能源系统运行优化方法及系统 |
CN118114569A (zh) * | 2024-03-19 | 2024-05-31 | 山东泽悦信息技术有限公司 | 一种基于区块链的智慧能源热能调控系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705906A (zh) * | 2021-08-31 | 2021-11-26 | 国网四川省电力公司经济技术研究院 | 一种综合能源园区能源协调优化运行方法及系统 |
CN114004476A (zh) * | 2021-10-26 | 2022-02-01 | 华北电力大学 | 一种综合能源系统多时间尺度优化调度方法 |
CN114881794A (zh) * | 2022-06-15 | 2022-08-09 | 燕山大学 | 考虑舒适度和用能替代的综合能源市场主从博弈交易方法 |
CN114970191A (zh) * | 2022-06-10 | 2022-08-30 | 上海交通大学 | 一种基于势博弈的电网交通系统日前分布鲁棒调度方法 |
CN115907232A (zh) * | 2023-01-05 | 2023-04-04 | 中国电力科学研究院有限公司 | 区域综合能源系统集群协同优化方法、系统、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571789B (zh) * | 2018-06-06 | 2020-10-20 | 南京工程学院 | 数据驱动下基于风电不确定性的电热气网三阶段调度方法 |
-
2023
- 2023-11-07 CN CN202311466264.1A patent/CN117217496B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705906A (zh) * | 2021-08-31 | 2021-11-26 | 国网四川省电力公司经济技术研究院 | 一种综合能源园区能源协调优化运行方法及系统 |
CN114004476A (zh) * | 2021-10-26 | 2022-02-01 | 华北电力大学 | 一种综合能源系统多时间尺度优化调度方法 |
CN114970191A (zh) * | 2022-06-10 | 2022-08-30 | 上海交通大学 | 一种基于势博弈的电网交通系统日前分布鲁棒调度方法 |
CN114881794A (zh) * | 2022-06-15 | 2022-08-09 | 燕山大学 | 考虑舒适度和用能替代的综合能源市场主从博弈交易方法 |
CN115907232A (zh) * | 2023-01-05 | 2023-04-04 | 中国电力科学研究院有限公司 | 区域综合能源系统集群协同优化方法、系统、设备及介质 |
Non-Patent Citations (5)
Title |
---|
A Stackelberg Game-based planning approach for integrated community energy system considering multiple participants;Qian Jiang等;《ELSEVIER》;20220714;全文 * |
Dispatching Strategy for Low-Carbon Flexible Operation of Park-Level Integrated Energy System;Qinglin Meng等;《applied sciences》;20221201;全文 * |
基于机会约束规划的智能楼宇与社区综合能源系统协调优化;周承翰等;《电力系统自动化》;20230225;全文 * |
基于综合需求响应和奖惩阶梯碳交易的能源枢纽主从博弈优化调度;王瑞等;《电力系统保护与控制》;20220416;第50卷(第8期);全文 * |
靳小龙.《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2020,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117217496A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Robust stochastic optimal dispatching method of multi-energy virtual power plant considering multiple uncertainties | |
CN117217496B (zh) | 计及主从博弈的区域综合能源系统控制方法及装置 | |
CN112529256B (zh) | 考虑多重不确定性的分布式电源集群日前调度方法和系统 | |
CN109657946A (zh) | 基于博弈论的区域能源互联网规划的数学模型和规划方法 | |
Duan et al. | Optimal operation for integrated electricity and natural gas systems considering demand response uncertainties | |
Wang et al. | Operation strategy of a hybrid solar and biomass power plant in the electricity markets | |
CN115693779A (zh) | 一种多虚拟电厂与配网协同优化调度方法及设备 | |
CN111192164A (zh) | 考虑不确定风电的微网联合博弈优化共享及利益分配方法 | |
CN112529249B (zh) | 一种计及绿证交易的虚拟电厂优化调度及交易管理方法 | |
Du et al. | RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm | |
CN115099725B (zh) | 一种综合能源系统能量管理分配方法及系统 | |
CN115456242A (zh) | 基于多重不确定性表征的虚拟电厂市场化优化调度方法 | |
CN112016825A (zh) | 一种区域综合能源系统的集中式交易优化决策方法 | |
Meng et al. | Distributionally Robust Scheduling for Benefit Allocation in Regional Integrated Energy System with Multiple Stakeholders | |
Zhang et al. | Optimal low-carbon operation of regional integrated energy systems: a data-driven hybrid stochastic-distributionally robust optimization approach | |
CN117236587A (zh) | 一种园区综合能源系统电氢碳协同调度优化方法 | |
CN116070740A (zh) | 综合能源系统的优化运行方法、装置和计算机设备 | |
Wei et al. | Bi-level retail pricing scheme considering price-based demand response of multi-energy buildings | |
Ju et al. | Three‐level energy flexible management strategy for micro energy grids considering multiple uncertainties at different time scales | |
Ju et al. | Data-driven two-stage robust optimization dispatching model and benefit allocation strategy for a novel virtual power plant considering carbon-green certificate equivalence conversion mechanism | |
CN116957139B (zh) | 考虑微网间碳交易的多综合能源微网优化运行方法及系统 | |
CN113988567A (zh) | 一种储能共享控制方法及其控制系统 | |
CN117477552A (zh) | 一种配电侧含分布式储能的微电网层级协同优化调控方法及系统 | |
CN117494963A (zh) | 考虑多重不确定性的多微网自适应鲁棒协同优化调度方法 | |
CN117057573A (zh) | 基于深度强化学习考虑综合需求响应的综合能源系统韧性调度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |