CN117293885B - 一种海岛微能网多目标调度优化方法及装置 - Google Patents

一种海岛微能网多目标调度优化方法及装置 Download PDF

Info

Publication number
CN117293885B
CN117293885B CN202311585363.1A CN202311585363A CN117293885B CN 117293885 B CN117293885 B CN 117293885B CN 202311585363 A CN202311585363 A CN 202311585363A CN 117293885 B CN117293885 B CN 117293885B
Authority
CN
China
Prior art keywords
scene
wind
energy
probability
light output
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
Application number
CN202311585363.1A
Other languages
English (en)
Other versions
CN117293885A (zh
Inventor
鞠立伟
张欧婷
汪鹏
杨莘博
聂保瑞
吕硕硕
路妍
耿鹏云
李红建
张妍
孙杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xinyuan Smart Internet Technology Co ltd
Beijing University of Technology
North China Electric Power University
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
Beijing Xinyuan Smart Internet Technology Co ltd
Beijing University of Technology
North China Electric Power University
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xinyuan Smart Internet Technology Co ltd, Beijing University of Technology, North China Electric Power University, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical Beijing Xinyuan Smart Internet Technology Co ltd
Priority to CN202311585363.1A priority Critical patent/CN117293885B/zh
Publication of CN117293885A publication Critical patent/CN117293885A/zh
Application granted granted Critical
Publication of CN117293885B publication Critical patent/CN117293885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/28—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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J15/00—Systems for storing electric energy
    • H02J15/008—Systems for storing electric energy using hydrogen as energy vector
    • 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
    • H02J3/12—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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种考虑不确定性的海岛微能网多目标调度优化方法和装置，属于电力技术领域，解决如何提高海岛可再生资源的利用率，缓解淡水匮乏的问题。方法包括基于海岛微能网的出力设备系统、DHS、BCS、储能及余热锅炉和分时电价与激励政策调整用电系统分别建立相应的系统模型；基于运行成本和环境成本最小构建多目标调度优化函数；基于系统模型确定多目标调度优化函数的多个约束条件，包括改进的能量平衡、出力设备、DHS、BCS、储能及余热锅炉和需求响应约束；基于多目标调度优化函数和风光出力不确定性构建随机调度优化模型，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定风光出力不确定性。实现可再生能源的可持续和能源结构的清洁低碳转型。

Description

一种海岛微能网多目标调度优化方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种海岛微能网多目标调度优化方法及装置。
背景技术
微能网优化调度是指通过合理配置和控制微能网中各种资源的使用，实现能源的优化分配和经济利用。海岛可再生资源丰富，是推动海洋经济发展、深化海洋生态文明建设的前沿阵地。大多数海岛负荷小，离岸远，化石燃料成本高且易污染，而电缆昂贵且不可靠，海岛能源供给成为一大难题。微能网作为一种小型能源供应系统，可实现多能耦合互补，满足多负荷需求。研究微能网优化调度，能够高效利用海岛可再生能源资源，保障供能和减少污染。
制定海岛微能网优化调度策略，处理风、光不确定性的影响是一个重点，通常涉及到随机规划和鲁棒随机理论。随机规划基于随机变量的概率分布，将系统约束描述为机会约束，但依赖变量的概率分布信息获取。鲁棒理论用不确定参数的区间来描述不确定性，对随机变量的概率分布信息要求较低，更适合描述风、光不确定性。
目前对海岛微能网的研究大多限于电、热、冷的供应，而天然气在居民能源消费中占比增加，淡水供应也是海岛需要考虑的重要问题。海水淡化虽然可以满足供水需求，但对可再生能源发电提出更高的要求，需可靠的储能应对其波动。电池储能是最常用的方法，但其面临能量密度低、电池老化、热稳定性差等问题。氢能作为一种大规模的储能载体，能量密度大、转化效率高且无污染。针对海岛丰富的生物质资源，干燥的生物质废料可热解转化为清洁燃料，湿润的部分经过厌氧发酵后可提纯为天然气，由此满足用气需求。
因此现有海岛微能网存在如何提高海岛风、光和生物质等可再生资源的利用率，缓解淡水匮乏等问题。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种海岛微能网多目标调度优化方法及装置，用以解决现有海岛微能网存在如何提高海岛风、光和生物质等可再生资源的利用率，缓解淡水匮乏等问题。
一方面，本发明实施例提供了一种考虑不确定性的海岛微能网多目标调度优化方法，包括：基于海岛微能网的出力设备系统、海水淡化耦合制氢系统DHS、生物质废能转化系统BCS、储能及余热锅炉系统和分时电价与激励政策调整用电系统分别建立相应的系统模型；基于运行成本最小和环境成本最小构建多目标调度优化函数；基于所述系统模型确定所述多目标调度优化函数的多个约束条件，所述多个约束条件包括改进的能量平衡约束、出力设备约束、海水淡化耦合制氢系统DHS约束、生物质废能转化系统BCS约束、储能及余热锅炉约束和需求响应约束；以及基于所述多目标调度优化函数及其约束条件，以及风光出力不确定性构建随机调度优化模型，基于所述随机调度优化模型进行海岛微能网多目标调度优化；其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定所述风光出力不确定性。
上述技术方案的有益效果如下：海岛微能网多目标调度优化模型以运行成本最小和环境成本最小为目标，考虑能量平衡约束、出力设备约束、DHS约束、BCS约束、储能约束、需求响应约束及其他约束，通过拉丁超立方抽样、场景削减及鲁棒随机优化刻画风、光不确定性，利用降半梯度隶属度函数处理目标函数。能够提高海岛风、光和生物质等可再生资源的利用率，缓解淡水匮乏问题，有利于实现可再生能源的可持续和能源结构的清洁低碳转型。
基于上述方法的进一步改进，所述随机调度优化函数包括运行成本最小化目标函数、环境成本最小化目标函数，其中，基于燃料成本、设备维护成本、弃电惩罚成本与需求响应成本确定所述运行成本最小化目标函数；基于碳排放成本、生物质转化与淡水收益确定所述环境成本最小化目标函数。
基于上述方法的进一步改进，通过以下公式表示所述运行成本最小化目标函数：
；
其中，F1是总运行成本；Ccommute,t、Com,t、Cabandon,t、CDR,t分别是所述燃料成本、所述设备维护成本、所述弃电惩罚成本与所述需求响应成本；、Hbuy,t、Hsell,t为时刻t的购气、购热、售热；Pabandon,t为时刻t的缩减功率；Pi,t、Kom,i为设备/>的功率与维护费用；Kom,s为储能设备维护费用；/>、/>、/>分别是热价、气价、惩罚费用；us,t为标志位，限制充放电同时发生；/>、/>为时刻t的充、放功率，RIBDR,t为时刻t的IBDR收益；RPBDR,t为时刻t的 PBDR收益；通过以下公式表示所述环境成本最小化目标函数：
；
其中，F2为环境成本；、/>为CGT、热解气化炉的碳排放率；/>为碳排放费用；Mm,t、/>为处理物m的质量与单位效益，/>=[干生物质，湿生物质，淡水]，PCGT,t为时刻t的CGT电功率，PTP,t为时刻t的热解气化装置耗电量。
基于上述方法的进一步改进，所述能量平衡约束包括电供需平衡约束、热供需平衡约束和气供需平衡约束；其中，通过以下公式表示所述电供需平衡约束：
；
；
；
其中，、/>分别是电量供需总量；/>、/>分为可出力设备j的功率与内部用电率；/>、Lpower,t为可控负荷i与用户负荷；uBattery,t、uIB,t、uPB,t为蓄电池、IBDR、PBDR状态；/>、/>为充放电电池在时刻t的充、放功率；/>为累计负荷削减量；/>为时刻t实施PBDR前后的负荷变化量；
通过以下公式表示所述热供需平衡约束：
；
其中，Lheat,t为时刻t的热负荷，Hbuy,t、Hsell,t为时刻t的购热、售热，HWHB,t为时刻t的余热锅炉的热功率；HMED,t为MED装置在时刻t的耗热；
通过以下公式表示所述气供需平衡约束：
；
其中，Lgas,t为时刻t的天然气负荷；、/>为时刻t购入和销售的CH4量；、/>为时刻t产生的气体和合成气;/>为时刻t燃气发电CGT消耗的燃料g；为电制氢装置AWE在时刻t产生的氢气；/>为HFC在时刻t消耗的氢气量；/>、/>为充、放功率，s=Battery、GSTsyngas、/>、GHC；
通过以下公式表示所述出力设备约束：
；
其中，、PCGT、/>为CGT的最小运行功率、运行功率和最大运行功率；UCGT,t是燃气轮机在时刻t的启停状态；/>和 />代表爬坡速率的上下限值；PHFC,t、PHFC,t-1是CGT在时刻t和t-1的电功率；/>和/>表示HFC爬坡速率的上下限值；
通过以下公式表示所述海水淡化耦合制氢系统DHS约束：
；
其中，Mfreshwater为淡水产量；为时刻t的淡水产量；/>和 />分别代表电制氢装置AWE的爬坡速率的上限值和下限值；PAWE,t和PAWE,t分别为电制氢装置在时刻t和t-1的功率；
通过以下公式表示所述生物质废能转化系统BCS约束：
；
其中，Mbiomass,t为热解气化装置TP在t时刻消耗的生物量；为可提纯沼气总体积；/>为热解气化装置TP在t时刻的耗电量；
通过以下公式表示所述储能及余热锅炉约束：
；
其中，、/>为储能设备的最大充放功率；/>、/>分别为储能设备在时刻t的充放电功率；储能设备Es,t为时刻t的容量；/>、/>为容量上限和容量下限；us,t为标志位，限制充放电同时发生。
通过以下公式表示所述需求响应约束：
；
；
其中，为时刻t的负荷变动上限；/>为调度周期内负荷累计变动量的上限；Lt和/>分别为时刻t实施PBDR前后的负荷；/>为t时刻实施PBDR前后之间的负荷差；uPB,t为时刻t的PBDR的状态；/>和/>为上行备用市场和下行备用市场的出力；/>、/>分别为出力上限和出力下限；/>、/>分别表示在时刻t和t-1的上爬坡功率和下爬坡功率；uIB,t、uIB,t-1为IBDR在时刻t和t-1的状态；/>为累计负荷削减量。
基于上述方法的进一步改进，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定所述风光出力不确定性包括：利用所述拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数；基于改进概率距离对所述R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离；基于消减后的所有场景计算风光出力上限和风光出力下限；以及基于风光出力总值、所述风光出力上限和所述风光出力下限确定所述风光出力不确定性。
基于上述方法的进一步改进，利用所述拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数包括：假设风光出力场景的随机变量为Xe，且随机变量的累积概率分布Ye为：
；
设采样规模为R，将曲线Fe(Xe)的纵轴分成R个等间距不重叠的区间，其中，累积概率分布的变化范围为[0,1]，每个区间的长度为1/R；在每个区间[r-1/R,r/R]内进行完全随机抽样，将纵坐标值带入累积概率分布函数Ye的反函数，得到Xe的第r个采样值：
；
将随机变量Xe的R个采样值排成一行，所有采样值Xe,R构成初始样本矩阵X，其中，X为以下R×R阶矩阵：
；
将所述初始样本矩阵随机排序各行以生成R个场景。
基于上述方法的进一步改进，基于改进概率距离对所述R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离包括：步骤1：假设对风光随机变量进行所述拉丁超立方抽样LHS之后，生成R个场景，计算集合中每对场景的二范数/>：
；
其中，、/>分别为第u、w个场景中的第d个值；步骤2：假设每个场景发生的概率p相同；步骤3：找出所有场景中每对场景（au,aw）的二范数与场景au发生概率p(u)乘积的最小值的集合/>：
；
根据其概率距离对所述集合中的元素进行从小到大排序；步骤4：削减V个满足以下式的场景/>，以剔除不具代表性且发生概率很低的场景：
；
其中，为削减场景/>发生的概率，p(w)为场景aw发生的概率；步骤5：求出与被削减场景概率距离最小的场景，然后更新场景概率，其中，更新的场景概率等于场景原始概率加上被削减场景概率，最后更新场景集合/>中的元素数量；步骤6：重复步骤2至步骤5，当更新的场景集合/>中的元素数量满足人为设定的剩余场景数时，停止运行并生成消减后的所有场景；否则，继续削减。
基于上述方法的进一步改进，基于风光出力总值、所述风光出力上限和所述风光出力下限确定所述风光出力不确定性包括：基于所述削减后的所有场景计算风光出力上限、风光出力下限/>；基于所述风光出力上限/>、所述风光出力下限/>和风光出力总值PRE,t计算所述风光出力不确定性：
；
根据净负荷将电能量平衡约束改写为：
；
将改写的电能量平衡约束修正为：
；
其中，为可再生能源出力的调节的鲁棒系数，/>，当/>，不考虑不确定性，与常规调度模型优化结果一致，调度方案鲁棒性较差；随ΓRE增加，鲁棒性提升，变量θRE,t≥0，并且/>，所述风光出力不确定性为/>，/>为净负荷。
基于上述方法的进一步改进，通过降半梯度隶属度函数处理所述最小化运行成本和所述最小化环境成本：
；
其中，ρ(Fi)为隶属度函数，Fi为目标函数i的值；为目标函数i的理想值；θi为决策者可接受的目标函数Fi的增加值，将目标进行一定的伸缩；降半梯度隶属度函数处理后的随机调度优化模型为：
；
；
其中，。
另一方面，本发明实施例提供了一种考虑不确定性的海岛微能网多目标调度优化装置，包括：单元模型构建模块，用于基于海岛微能网的出力设备系统、海水淡化耦合制氢系统DHS、生物质废能转化系统BCS、储能及余热锅炉系统和分时电价与激励政策调整用电系统分别建立相应的系统模型；目标函数构建模块，用于基于运行成本最小和环境成本最小构建多目标调度优化函数；约束确定模块，用于基于所述系统模型确定所述多目标调度优化函数的多个约束，所述多个约束包括改进的能量平衡约束、出力设备约束、海水淡化耦合制氢系统DHS约束、生物质废能转化系统BCS约束、储能约束和需求响应约束；以及随机调度优化模型，用于基于所述多目标调度优化函数及其约束条件，以及风光出力不确定性构建随机调度优化模型，基于所述随机调度优化模型进行海岛微能网多目标调度优化；其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定所述风光出力不确定性。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、海岛微能网多目标调度优化模型以运行成本最小和环境成本最小为目标，考虑能量平衡约束、出力设备约束、DHS约束、BCS约束、储能约束、需求响应约束及其他约束，通过拉丁超立方抽样、场景削减及鲁棒随机优化刻画风、光不确定性，利用降半梯度隶属度函数处理目标函数。能够提高海岛风、光和生物质等可再生资源的利用率，缓解淡水匮乏问题，有利于实现可再生能源的可持续和能源结构的清洁低碳转型；
2、本申请基于海岛可再生能源资源丰富的地理特征，针对风、光发电随机性与波动性给系统带来的不稳定，以及海岛淡水匮乏等问题，建立了一种含生物质废能转化与海水淡化耦合制氢装置的微能网；
3、考虑运行成本最小、环境成本最小的多目标，提出了微能网运行策略，并调用CPLEX以运行成本和环境成本最小为目标，优化各机组出力，验证所提优化配置能够同时兼顾海岛微能网的经济性和可靠性。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为根据本发明实施例的考虑不确定性的海岛微能网多目标调度优化方法的流程图；
图2为根据本发明实施例的海岛微能网结构图；
图3为根据本发明实施例的微能网运行策略的流程图；
图4为根据本发明实施例的热解气化装置的结构图；
图5为根据本发明实施例的海岛微能网多目标调度优化模型的框图；
图6为根据本发明实施例的风电消减场景出力的曲线图；
图7为根据本发明实施例的优化调度流程图；以及
图8为根据本发明实施例的考虑不确定性的海岛微能网多目标调度优化装置的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
参考图1，本发明的一个具体实施例，公开了一种考虑不确定性的海岛微能网多目标调度优化方法，包括：在步骤S101中，基于海岛微能网的出力设备系统、海水淡化耦合制氢系统DHS、生物质废能转化系统BCS、储能及余热锅炉系统和分时电价与激励政策调整用电系统分别建立相应的系统模型；在步骤S102中，基于运行成本最小和环境成本最小构建多目标调度优化函数；在步骤S103中，基于系统模型确定多目标调度优化函数的多个约束条件，多个约束条件包括改进的能量平衡约束、出力设备约束、海水淡化耦合制氢系统DHS约束、生物质废能转化系统BCS约束、储能及余热锅炉约束和需求响应约束；以及在步骤S104中，基于多目标调度优化函数及其约束条件，以及风光出力不确定性构建随机调度优化模型，基于随机调度优化模型进行海岛微能网多目标调度优化；其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定风光出力不确定性。
与现有技术相比，本实施例提供的考虑不确定性的海岛微能网多目标调度优化方法，海岛微能网多目标调度优化模型以运行成本最小和环境成本最小为目标，考虑能量平衡约束、出力设备约束、DHS约束、BCS约束、储能约束、需求响应约束及其他约束，通过拉丁超立方抽样、场景削减及鲁棒随机优化刻画风、光不确定性，利用降半梯度隶属度函数处理目标函数。海水淡化可以利用海水中的盐分产生淡水，生物质能转化可以利用植物废弃物和农业余料等生物质资源，提供多元的能源供应，实现海岛微能网的多能互补，解决海岛地区能源供应不稳定的问题，并将能量协同范围从电-热扩至电-热-气-氢，能够提高海岛风、光和生物质等可再生资源的利用率，减少对传统能源的依赖，缓解淡水匮乏问题，有利于实现可再生能源的可持续和能源结构的清洁低碳转型及海岛地区能源需求的可再生和自我可持续性。
下文中，参考图1对根据本发明实施例的考虑不确定性的海岛微能网多目标调度优化方法的各个步骤进行详细说明。
在步骤S101中，基于海岛微能网的出力设备系统、海水淡化耦合制氢系统DHS、生物质废能转化系统BCS、储能及余热锅炉系统和分时电价与激励政策调整用电系统分别建立相应的系统模型。
a、集成系统结构。传统海岛微能网的研究大多限于电、热、冷的供应，未考虑天然气、淡水供应、氢能及生物质能。目前，天然气在居民能源消费中占比增加，淡水供应也是海岛需要考虑的重要问题。海水淡化虽然可以满足供水需求，但对可再生能源发电提出更高的要求，需可靠的储能应对其波动。电池储能是最常用的方法，但其面临能量密度低、电池老化、热稳定性差等问题。氢能作为一种大规模的储能载体，能量密度大、转化效率高且无污染。此外，针对海岛丰富的生物质资源，干燥的生物质废料可热解转化为清洁燃料，湿润的部分经过厌氧发酵后可提纯为天然气，由此满足用气需求。本发明在海岛微能网中考虑海水淡化与电制氢、生物质转化系统，将协同范围扩至电-热-气-氢，实现了海岛微能网的多能互补，提升能源综合利用效率。海岛微能网在电-热-气-氢多能耦合前提下，能够满足生物质废能利用与淡水供应的需求。海水淡化装置为电制氢提供淡水，电制氢与燃料电池形成电-氢-电循环，帮助实现日内调峰。此外，通过生物质废能转化，所得到的清洁燃料与提纯天然气满足了岛内燃气需求。
集成风电WPP (wind power plant)、光伏PV (photovoltaic)、燃气发电CGT(combustion gas turbine)、氢燃料电池HFC(hydrogen fuel cell)、生物质废能转化系统BCS(biomass energy conversion system)、海水淡化耦合制氢系统DHS(desalinationand power-to-hydrogen system)为微能网，如图2所示。微能网接入热网、气网，需求侧实施价格型需求响应PBDR(price-based demand response)与激励型需求响应IBDR(incentive-based demand response)，通过分时电价与补贴策略引导负荷，如图3所示。
在海岛微能网中，由燃料电池、光伏、燃气轮机、风电提供电负荷，由燃气轮机、热解气化提供热负荷，由提纯装置提供气负荷。根据热量或燃气的供需情况，海水淡化耦合制氢系统与生物质废能转化系统能够与热力网、天然气网进行互动。海水进入海水淡化耦合制氢系统，通过膜法和热法获得淡水，一部分淡水进入蓄水池直接供应，一部分淡水通过电解制氢装置获得氢气存入储氢罐。干生物质通过热解气化获得合成气，湿生物质通过沼气池转化为沼气再提纯获得天然气，合成气和一部分天然气提供给燃气轮机，另一部分天然气与天然气网互动。三种负荷的具体运行情况如下：
（1）电负荷：根据需求调用WPP和PV发电，若负荷满足，余电进入蓄电池、DHS、BCS或弃置。反之，CGT、HFC或蓄电池填补缺口；
（2）热负荷：调用燃气发电CGT或生物质废能转化系统BCS产生热量，余热进入DHS或热网。仍不满足，通过热网填补缺口；
（3）气负荷：调用BCS产生天然气，不满足则气网填补缺口。
b、系统运行建模。在系统运行建模方面，加入对海水淡化耦合制氢系统与生物质废能转化系统中各个设备的运行建模，并考虑需求响应；能够将海岛微能网中各个设备的效用发挥至最大，有效实现多能协同互补运行。
b1：出力设备建模。可出力设备分为可再生机组与可控机组。
（1）WPP、PV发电：当风速介于切入、切出风速之间，WPP出力与风速成正比，若高于切出风速，则为额定功率。出力模型如下：
；
式中：PWPP,t为风电t时刻输出功率；v为风速；CWPP为风能利用系数；表示空气密度；AWPP为风速在叶片扫过区域上垂直投影面积；Prated为机组的额定功率；Vin、Vrated和Vout分别为风电机组切入、额定和切出风速。
PV发电取决于太阳能辐射强度，具体计算式如下：
；
式中：PPV,t、RPV,t为t时刻光伏输出功率、光照强度；SPV为光伏板的面积；、为发电效率、损失率；ηabs、ηinv为太阳能吸收效率、转化效率。
（2）CGT发电：流动的气体带动叶轮高速旋转，将燃料热能转化为电能，CGT运行模型如下：
；
式中：a、b、c、d是其输出效率拟合曲线系数。PCGT,t、HCGT,t、为CGT在时刻t的电功率、热功率、燃料消耗；/>为CGT的最大运行功率；/>、/>为发电效率、损失率；g表示燃料种类（下同），Gg为燃料g的热值。
（3）氢燃料电池HFC发电：HFC将燃料和氧化剂中的化学能转化为电能，其转化率高且零排放，发电模型如下：
；
式中：分别为t时刻HFC的电功率、耗氢量、热损失；/>为氢燃料的热值；/>为氢能转化效率。
b2：海水淡化耦合制氢建模。热法MED (multi-effect desalination)和膜法RO(reverse osmosis desalination)工艺联合建设，在碱水电解制氢AWE(alkaline waterelectrolysis)装置中通入直流电，水分子在电极上发生电化学反应，分解成氢和氧。在海水淡化与电解制氢系统中，海水进入水泵，通过热法和膜法工艺进行淡化处理，得到淡化水与浓缩盐水，淡化水进入电解槽，在碱水电解制氢装置中通入直流电，水分子在电极上发生电化学反应，分解成氢气和氧气，将氢气进行分离、冷却、干燥，最后存入储氢罐；而浓缩盐水直接进入浓缩盐水排放装置。
（1）热法MED建模：MED技术能够通过多次蒸发和冷凝，得到多倍于加热蒸汽量的蒸馏水，其运行模型如下：
；
式中：αMED为MED制水比；θMED为MED耗水量；PMED,t、HMED,t为MED装置在时刻t的电功率、耗热；、/>、/>分别为产水量、蒸汽量、冷却水流量；λMED、ηMED为单位产水热耗比、电耗率。
（2）膜法RO建模：RO工艺通过高压泵将海水送入反渗透模块中获得淡水，其运行模型如下：
；
式中：αRO为RO回收率；、/>、/>分别为RO装置在t时刻的功率、产水量、海水进料量；fos、εzero为海水的渗透压、初始浓度，ηRO为电耗率。
（3）碱水电解制氢AWE建模：AWE以氢氧化钾（KOH）水溶液为电解质，电解水产生氢气和氧气，效率通常在70%~80%，其运行模型如下：
；
式中：PAWE,t、、、分为电制氢装置在时刻的功率、制氢量、 耗水量、能量损失；、分为能量转换效率、耗水率；为氢燃料的热值。
b3：生物质能转化系统建模。生物质通过热解气化TP(thermal pyrolysisdevice)装置转化为可替代天然气燃料的合成气，而沼气经过提纯（biogas purification，BP)装置去除杂质，成为甲烷含量、热值符合天然气标准的高品质沼气。下文中对BCS运行模型进行说明。
（1）热解气化TP建模：热解气化装置包括干燥、热解、气化、净化提质等工艺（如图5所示）。参考图4，在热解气化装置中，生物质先进入干燥器干燥，接着进入热解器、预热器处理获得合成气，一部分合成气继续参与反应，另一部分合成气进行净化/冷却，同时对该过程产生的余热进行回收，最后将处理好的气体存入储气罐。其运行模型如下：
；
式中：PTP,t、、Mbiomass,t、HTP,t为t时刻热解气化装置耗电量、合成气产量、生物质进料量以及产热量；/>为生物质转化效率；ηTP、/>为耗电率、损失率。
（2）沼气提纯BP建模：BP基于不同气体在压力驱动下的膜渗透差，获得提纯产品气，运行模型如下：
；
式中：PBP,t、为t时刻耗电量、天然气产量；/>、/>为湿生物质m的质量、生物质含量；/>、/>为湿生物质总质量、生物质含量；/>为耗电系数；/>、/>分别是合成气与生物质的热值。
b4：储能及余热锅炉建模。
（1）储能建模：储能含蓄电池（battery）、储氢罐GHC（gaseous hydrogencontainer)与储气罐GST (gas storage tanks)。运行模型均可用下式表示：
；
式中：Es,t为t时刻存储装置容量；εs为自损耗系数；ηin、ηout为充、放转换效率；、/>为充、放功率，s=Battery、/>、/>、GHC。
（2）WHB建模：余热锅炉回收余热生产热水或蒸汽供给。运行模型如下：
；/>
式中：HWHB,t、Hi,t为t时刻余热锅炉与设备i的热功率；μWHB、COPWHB分别为锅炉热传递效率、热转化效率。
b5：DR建模：用户根据分时电价与激励政策调整用电，可降低能耗成本，并响应调度。
（1）PBDR建模：负荷对电价的弹性分为自弹性和交叉弹性。PBDR中负荷与价格关系及收益可表示为：
；
式中：，/>； />和Ls分别为s时刻PBDR前后的负荷需求；/>和Pt为PBDR前后的电价；s、t代表时刻；est为电力价格弹性，当s=t时，est被称之为自弹性，/>；当/>时，est被称之为交叉弹性，/>。RPBDR,t为t时刻PBDR收益，/>、Lt分别为t时刻实施PBDR前后的负荷。
（2）IBDR建模：通过激励政策鼓励用户参与监管市场，维持系统供需平衡。IBDR的负荷变化量和收益计算如下：
；
式中：、/>为用户 i 的最小和最大负荷削减量; j为实施需求响应步骤; />为用户 i 的实际负荷削减量; />为用户i 可提供的负荷削减量，/>为可中断负荷价格; />为实施需求响应后用户 i在 j-1步骤可提供的负荷削减量；/>为累计负荷削减量，RIBDR,t为t时刻IBDR收益。
在步骤S102中，基于运行成本最小和环境成本最小构建多目标调度优化函数。随机调度优化函数包括运行成本最小化目标函数、环境成本最小化目标函数。基于燃料成本、设备维护成本、弃电惩罚成本与需求响应成本确定运行成本最小化目标函数；基于碳排放成本、生物质转化与淡水收益确定环境成本最小化目标函数。
c、考虑不确定性的多目标调度优化模型构建。在模型构建方面，研究多类灵活资源的协调运行方案，建立考虑经济性、环境性的多目标调度优化模型，即考虑风、光不确定性，设计以运行成本、环境成本最小为目标的调度优化模型；可以提高海岛风、光和生物质等可再生资源的利用率，缓解淡水匮乏问题，有利于实现可再生能源的可持续和能源结构的清洁低碳转型。
c1：调度优化模型构建。微能网调度优化通常考虑能源供应成本最小、能源消耗最小、系统损耗最小、负载平衡等目标。本发明在微能网运行中虑经济性与环境性，以成本最小和环境成本最小构建常规调度优化模型，实现能源的经济利用和环境影响的最小化。
（1）运行成本最小：微能网运行需考虑燃料成本、设备维护成本、弃电惩罚成本与需求响应成本，通过以下公式表示运行成本最小化目标函数：
；
式中：F1是总运行成本；Ccommute,t、Com,t、Cabandon,t、CDR,t分别是燃料成本、设备维护成本、弃电惩罚成本与需求响应成本；、Hbuy,t、Hsell,t为时刻t的购气、购热、售热；Pabandon,t为时刻t的缩减功率；/>、Kom,i为设备/>的功率与维护费用；Kom,s为储能设备维护费用；/>、/>、/>分别是热价、气价、惩罚费用；us,t为标志位，限制充放电同时发生；/>、/>为时刻t的充、放功率，RIBDR,t为时刻t的IBDR收益；RPBDR,t为时刻t的PBDR收益。
（2）环境成本最小：碳减排、生物质处理和淡水生产是海岛生态效益基本要素。本节考虑碳排放成本、生物质转化与淡水收益，构建环境成本最小目标函数，通过以下公式表示环境成本最小化目标函数：
；/>
式中：F2为环境成本；、/>为CGT、热解气化炉的碳排放率；/>为碳排放费用；Mm,t、/>为处理物m的质量与单位效益，Ωenv=[干生物质，湿生物质，淡水]，PCGT,t为时刻t的CGT电功率，PTP,t为时刻t的热解气化装置耗电量。
在步骤S103中，基于系统模型确定多目标调度优化函数的多个约束条件，多个约束条件包括改进的能量平衡约束、出力设备约束、海水淡化耦合制氢系统DHS约束、生物质废能转化系统BCS约束、储能及余热锅炉约束和需求响应约束。
微能网运行需考虑能量平衡约束、出力设备约束、DHS约束、BCS约束、储能约束、需求响应约束及其他约束。
（1）能量平衡约束：能量平衡约束含电、热、气供需平衡约束。
1）电力平衡约束。通过以下公式表示电供需平衡约束：
；
；
； （16）
式中：、/>分别是电量供需总量；/>、/>分为可出力设备j的功率与内部用电率；/>、Lpower,t为可控负荷i与用户负荷；uBattery,t、uIB,t、uPB,t为蓄电池、IBDR、PBDR状态，0-1变量；/>、/>为充放电电池在时刻t的充、放功率；△LIB,t为累计负荷削减量；△LPB,t为时刻t实施PBDR前后的负荷变化量。
2）热能平衡约束。通过以下公式表示热供需平衡约束：
；
式中： Lheat,t为时刻t的热负荷，Hbuy,t、Hsell,t为时刻t的购热、售热，HWHB,t为时刻t的余热锅炉的热功率；HMED,t为MED装置在时刻t的耗热。
3）燃气平衡约束。燃气包括天然气、合成气及氢气。通过以下公式表示气供需平衡约束：
；
式中：Lgas,t为时刻t的天然气负荷；、/>为时刻t购入和销售的CH4量；/>、/>为时刻t产生的气体和合成气;/>为时刻t燃气发电CGT消耗的燃料g，g表示燃料种类；/> 为电制氢装置AWE在时刻t产生的氢气；/>为HFC在时刻t消耗的氢气量；/>、/>为充、放功率，s=Battery、GSTsyngas、/>、GHC。
（2）出力设备约束：对于出力设备，需满足最大、最小运行功率，此外，需考虑CGT和HFC爬升约束、CGT启停约束。
；
式中：、/>、/>为CGT的最小运行功率、运行功率和最大运行功率；/>是燃气轮机在时刻t的启停状态；/>和 />代表爬坡速率的上下限值；PHFC,t、PHFC,t-1是CGT在时刻t和t-1的电功率；/>和/>表示HFC爬坡速率的上下限值。
（3）DHS约束：DHS需满足单元的最大、最小运行功率，此外，需考虑AWE爬坡约束及淡水单日产量。通过以下公式表示海水淡化耦合制氢系统DHS约束：
；
式中：Mfreshwater为淡水产量；为时刻t的淡水产量；/>和 />分别代表电制氢装置AWE的爬坡速率的上限值和下限值；PAWE,t和PAWE,t分别为电制氢装置在时刻t和t-1的功率。
（4）BCS约束：BCS需满足单元的最大、最小运行功率，此外，需考虑生物质及沼气的最高限量。通过以下公式表示生物质废能转化系统BCS约束：
；
式中：Mbiomass,t为热解气化装置TP在t时刻消耗的生物量；为可提纯沼气总体积；/>为热解气化装置TP在t时刻的耗电量。
（5）储能及余热锅炉约束：储能及余热锅炉需满足输入、输出功率上限，此外，储能需考虑容量上限。通过以下公式表示储能及余热锅炉约束：
；
式中：、/>为储能设备的最大充放功率；/>、/>分别为储能设备在时刻t的充放电功率；储能设备Es,t为时刻t的容量；/>、/>为容量上限和容量下限；us,t为标志位，限制充放电同时发生。
（6）需求响应约束：为防止负荷曲线峰谷时段交换，价格型需求响应前后负荷的变动需满足以下约束条件。通过以下公式表示需求响应约束：
；
式中：其中，为时刻t的负荷变动上限；/>为调度周期内负荷累计变动量的上限；Lt和/>分别为时刻t实施PBDR前后的负荷；△Lt为t时刻实施PBDR前后之间的负荷差；uPB,t为时刻t的PBDR的状态。
IBDR能够同时参与能量市场和备用市场，满足以下条件：
；
式中: 和/>为上行备用市场和下行备用市场的出力；/>、/>分别为出力上限和出力下限；/>、/>分别表示在时刻t和t-1的上爬坡功率和下爬坡功率；uIB,t、uIB,t-1为IBDR在时刻t和t-1的状态；/>为累计负荷削减量。
（7）其他运行约束：可出力设备、DHS与BCS需满足最大启停次数约束，热网、天然气网需满足最大交互功率约束。此外，为了应对风、光出力不确定性，需考虑旋转备用约束。
在步骤S104中，基于多目标调度优化函数和风光出力不确定性构建随机调度优化模型，其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定风光出力不确定性。
通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定风光出力不确定性包括：利用拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数；基于改进概率距离对R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离；基于消减后的所有场景计算风光出力上限和风光出力下限；以及基于风光出力总值、风光出力上限和风光出力下限确定风光出力不确定性。
c2：随机调度优化模型。传统的随机调度优化模型通常采用随机性建模，以考虑不确定性因素对调度结果的影响，主要通过采用概率和统计方法，对不确定因素进行建模和分析，来寻找最优调度策略，存在预测不准确、无法全面考虑多目标优化、缺乏实时性和动态性等缺点。本发明采用采用拉丁超立方抽样与基于改进概率距离的场景削减技术模拟风光出力随机特点，接着利用鲁棒随机优化方法刻画不确定性变量，能够有效提高变量的预测精准度，提升调度优化的经济性。
微能网不确定性因素含风、光出力及负荷。由于CGT、HFC稳定可控且IBDR可灵活调度，MEG应对负荷不确定性能力较强，故仅考虑风、光不确定性。
WPP的功率输出主要取决于自然风速的大小，鉴于风速的随机特性，一般通过韦伯分布来描述，其概率密度函数表达式如下：
；
式中，f(v)为任意时刻的风速；k为韦伯分布的尺度参数；c为形状参数。得知风速后，可由WPP的输出和实时风速之间的关系得到风电输出功率的随机分布，WPP的输出和实时风速之间的关系如式（1）所示。
PV输出不确定性取决于太阳辐射强度的随机特性，其通常可用Beta分布进行描述，太阳辐射强度的概率密度函数表达式如下：
；
式中：r是t时段太阳辐照度；rmax是t时段太阳最大辐照度；和/>分别表示太阳能辐射强度的均值和标准差；/>为伽马函数，/>函数表达式如式（27）所示；
；
同样地，在我们得到太阳光辐射强度的概率分布后，结合前文PV出力的计算式(2)，就能得到PV输出功率的随机分布。式(2)为PV基于太阳能辐射强度的输出功率具体计算公式，式(2)与式(26)结合可求得PV输出功率的随机分布。
拉丁超立方抽样(LHS)，是一种分层随机抽样，能够从变量的分布区间进行高效采样。不同于随机抽样，这种方法通过最大化的使每一个边缘分布分层，能够保证每一个变量范围的全覆盖。通过LHS生成场景，增加了样本点的均匀性，但考虑到其生成场景数量较多，采取基于概率距离的快速前代消除技术进行场景削减速度较慢，所以对其削减速度进行改进。采用LHS与基于改进概率距离的场景削减技术模拟风光出力随机特点，可以提高削减精度，使决策方案更合理，较原始风光出力相比，有利于提高优化调度经济性。下文中，对其具体步骤进行详细说明。
（1）场景生成。利用拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数包括：以风电为例，具体操作过程如下：
假设风电出力场景的随机变量为Xe，e=1,2,…,E且随机变量的累积概率分布Ye数学建模如下：
；
设采样规模为R，将上式形成的曲线Fe(Xe)纵轴分成R个等间距不重叠的区间，由于累积概率分布的变化范围为[0,1]，故每个举荐的长度为1/R。在此基础上，在每个区间内进行完全随机抽样，将得到的纵坐标值带入累积概率分布函数Ye的反函数，得到Xe的第r个采样值：
；
将随机变量Xe的R个采样值排成一行，所有采样值Xe,R构成初始样本矩阵X，其中，X为以下R×R阶矩阵,表示为：
；
将上述采样得到的初始样本矩阵随机排序各行以后生成R个随机出力场景。
（2）场景削减。基于改进概率距离对R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离包括：
1）步骤1：假设对风光随机变量进行拉丁超立方抽样LHS后共生成R个场景，计算集合中每对场景(au,aw)的二范数s(au,aw)，如式（31）所示。
；
式中：、/>分别为第u、w个场景中的第d个值。
2）步骤2：假设每个场景发生的概率p相同。
3）步骤3：找出所有场景中每对场景（au,aw）的二范数与场景au发生概率p(u)乘积的最小值的集合，其表达式如式（32）所示：
；/>
根据其概率距离对集合中的元素进行从小到大排序；对于集合/>中的元素，根据其概率距离进行从小到大排序：当前20%数据的平均概率距离小于后20%数据平均概率距离的10%时，削减速度V（表示每次削减场景的个数）变大，/>（/>为决策变量）；当前20%数据的平均概率距离大于等于后20%数据平均概率距离的10%并小于其15%时，削减速度减小，/>（/>为决策变量）；当前20%数据的平均概率距离大于等于后20%数据平均概率距离的15%时，V=1。
4）步骤4：根据步骤3，削减个满足式（33）的场景/>，以剔除不具代表性且发生概率很低的场景。
；
式中：为削减场景，/>发生的概率；p(w)为场景aw发生的概率。
5）步骤5：首先求出与被削减场景概率距离最小的场景，然后更新该场景概率，其等于该场景原始概率加上被削减场景的概率，最后更新场景集中元素的数量。
6）步骤6：重复步骤2-5，若更新的场景集合中的元素数量满足剩余场景数（人为设定），则停止运行并生成消减后的所有场景；否则，继续削减。
完成上述步骤后，以削减后的场景与初始场景的概率距离最小为目标，利用粒子群优化算法对决策变量进行求解，最终获得削减后的所有场景，基于削减后的风光场景出力曲线（参考图6），选取曲线上的最大值与最小值，由此求出风、光出力上下限/>、/>。
基于风光出力总值、风光出力上限和风光出力下限确定风光出力不确定性包括：基于削减后的所有场景计算风光出力上限、风光出力下限/>；设定/>表示风、光出力总值，得到不确定性表达式为：
；
式中，、/>分别为风、光预测出力和波动偏差。式（34）也可以表述为。进一步，设定净负荷/>，计算式为：/>
；
根据式（35），可将电能量平衡约束改写为
；
式（36）中可再生能源发电的波动性越大则约束性越强，为了加强不确定性的刻画，借助变量，其中/>，式（36）可变为
；
应用式（37）得到最严格约束下的调度模型，但实际运行中，风、光发电预测偏差往往未达最大概率误差，应对修正式（37），引入可自由调节的鲁棒系数，具体修正为：
；
式中，表示可再生能源出力的鲁棒系数，设置该系数可灵活调整不确定性因素的分布区间。/>，当/>，不考虑不确定性，与常规调度模型优化结果一致，调度方案鲁棒性较差；随/>增加，调度方案鲁棒性提升，变量/>并且，但经济性降低。
根据式（34）-（38），鲁棒随机优化方法可刻画不确定性变量。式（34）描述了风、光出力上下限；式（35）基于风、光出力上下限求得净负荷；式（36）基于风、光出力上下限改写电能量平衡约束；式（37）基于式（36），通过变量刻画风光不确定性；式（38）通过鲁棒系数修正式（37）对风、光的预测值，使风、光预测在最大程度上接近于真实值。
在多目标优化问题中，考虑所有的目标函数取值情况时，会有很多的解在一部分目标函数上的表现优于其他的解，但是在另一部分目标函数上的表现逊于其他的解。因此，多目标问题通常存在一个解的集合，它们之间不能简单的进行比较好坏。而在单目标优化问题中，通常得到的最优解都是全局最大或最小解。为此，此处分别选择降半梯度隶属度函数处理最小化运行成本和最小化环境成本，具体过程如下：
；
式中: 其中，为隶属度函数，Fi为目标函数i的值；/>为目标函数i的理想值；/>为决策者可接受的目标函数Fi的增加值，将目标进行一定的伸缩。/>为目标函数Fi的权重系数；根据以上分析，构建调度优化模型，具体为：
；
综上所述，海岛微能网多目标调度优化模型以运行成本最小和环境成本最小为目标，考虑能量平衡约束、出力设备约束、DHS约束、BCS约束、储能约束、需求响应约束及其他约束，通过拉丁超立方抽样、场景削减及鲁棒随机优化刻画风、光不确定性，利用降半梯度隶属度函数处理目标函数，具体模型构成如图5所示。
d、求解 CPLEX是一种高性能的数学优化软件，CPLEX是IBM公司开发的一个优化工具引擎，可以用其求解线性规划、二次规划、整数规划等问题；其自带IBM ILOG CplexOptimization Studio既能使用自带语言进行编程，也提供了众多流行语言的接口。提供了一套强大的数学优化工具和算法，用于解决各种复杂的优化问题，应用于多个领域，可以处理线性规划（LP）、整数规划（IP）、混合整数规划（MIP）、二次规划（QP）和约束规划（CP）等多种类型的优化问题。因此，在求解方面，通过调用CPLEX进行求解。首先将系统的设备参数进行初始化，其次输入相关参数，设定系统运行成本最小和环境成本最小的目标函数和相关约束条件，最后调用CPLEX求解器求解，得到最优配置方案，流程如图7所示。
参考图8，本发明的一个具体实施例，公开了一种考虑不确定性的海岛微能网多目标调度优化装置，包括：单元模型构建模块801，用于基于海岛微能网的出力设备系统、海水淡化耦合制氢系统DHS、生物质废能转化系统BCS、储能及余热锅炉系统和分时电价与激励政策调整用电系统分别建立相应的系统模型；目标函数构建模块802，用于基于运行成本最小和环境成本最小构建多目标调度优化函数；约束确定模块803，用于基于系统模型确定多目标调度优化函数的多个约束，多个约束包括改进的能量平衡约束、出力设备约束、海水淡化耦合制氢系统DHS约束、生物质废能转化系统BCS约束、储能约束和需求响应约束；以及随机调度优化模型804，用于基于多目标调度优化函数及其约束条件，以及风光出力不确定性构建随机调度优化模型，基于随机调度优化模型进行海岛微能网多目标调度优化；其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定风光出力不确定性。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种考虑不确定性的海岛微能网多目标调度优化方法，其特征在于，包括：
基于海岛微能网的出力设备系统、海水淡化耦合制氢系统DHS、生物质废能转化系统BCS、储能及余热锅炉系统和分时电价与激励政策调整用电系统分别建立相应的系统模型；
基于运行成本最小和环境成本最小构建多目标调度优化函数；
基于所述系统模型确定所述多目标调度优化函数的多个约束条件，所述多个约束条件包括改进的能量平衡约束、出力设备约束、海水淡化耦合制氢系统DHS约束、生物质废能转化系统BCS约束、储能及余热锅炉约束和需求响应约束；以及
基于所述多目标调度优化函数及其约束条件，以及风光出力不确定性构建随机调度优化模型，基于所述随机调度优化模型进行海岛微能网多目标调度优化；其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定所述风光出力不确定性，采用拉丁超立方抽样LHS与基于改进概率距离的场景削减技术模拟风光出力随机特点，然后利用鲁棒随机优化方法刻画不确定性变量提高变量的预测精准度；
其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定所述风光出力不确定性包括：利用所述拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数；基于改进概率距离对所述R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离；基于消减后的所有场景计算风光出力上限和风光出力下限；以及基于风光出力总值、所述风光出力上限和所述风光出力下限确定所述风光出力不确定性；
其中，利用所述拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数包括：
假设风光出力场景的随机变量为Xe，且随机变量的累积概率分布Ye为：
；
设采样规模为R，将曲线Fe(Xe)的纵轴分成R个等间距不重叠的区间，其中，累积概率分布的变化范围为[0,1]，每个区间的长度为1/R；
在每个区间内进行完全随机抽样，将纵坐标值带入累积概率分布函数Ye的反函数，得到Xe的第r个采样值：
；
将随机变量Xe的R个采样值排成一行，所有采样值Xe,R构成初始样本矩阵X，其中，X为以下R×R阶矩阵：
；
将所述初始样本矩阵随机排序各行以生成R个场景；
其中，基于改进概率距离对所述R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离包括：
步骤1：假设对风光随机变量进行所述拉丁超立方抽样LHS之后，生成R个场景，计算集合中每对场景的二范数/>：
；
其中，分别为第u、w个场景中的第d个值；
步骤2：假设每个场景发生的概率p相同；
步骤3：找出所有场景中每对场景（au,aw）的二范数与场景au发生概率p(u)乘积的最小值的集合：
；
根据其概率距离对所述集合中的元素进行从小到大排序；
步骤4：削减排序元素中的前V个满足以下式的场景；
；
其中，为削减场景/>发生的概率，/>为场景/>发生的概率；
步骤5：求出与被削减场景概率距离最小的场景，然后更新场景概率，其中，更新的场景概率等于场景原始概率加上被削减场景概率，最后更新场景集合中的元素数量；
步骤6：重复步骤2至步骤5，当更新的场景集合中的元素数量满足人为设定的剩余场景数时，停止运行并生成消减后的所有场景；否则，继续削减。
2.根据权利要求1所述的考虑不确定性的海岛微能网多目标调度优化方法，其特征在于，所述多目标调度优化函数包括运行成本最小化目标函数、环境成本最小化目标函数，其中，
基于燃料成本、设备维护成本、弃电惩罚成本与需求响应成本确定所述运行成本最小化目标函数；
基于碳排放成本、生物质转化与淡水收益确定所述环境成本最小化目标函数。
3.根据权利要求2所述的考虑不确定性的海岛微能网多目标调度优化方法，其特征在于，通过以下公式表示所述运行成本最小化目标函数：
；
其中，F1是总运行成本；Ccommute,t、Com,t、Cabandon,t、CDR,t分别是所述燃料成本、所述设备维护成本、所述弃电惩罚成本与所述需求响应成本；、Hbuy,t、Hsell,t为时刻t的购气、购热、售热；Pabandon,t为时刻t的缩减功率；Pi,t、Kom,i为设备/>的功率与维护费用；Kom,s为储能设备维护费用；/>、/>、/>分别是热价、气价、惩罚费用；us,t为标志位，限制充放电同时发生；/>、/>为时刻t的充、放功率，RIBDR,t为时刻t的IBDR收益；RPBDR,t为时刻t的PBDR收益；
通过以下公式表示所述环境成本最小化目标函数：
；
其中，F2为环境成本；、/>为CGT、热解气化炉的碳排放率；/>为碳排放费用；Mm,t、/>为处理物m的质量与单位效益，Ωenv=[干生物质，湿生物质，淡水]，PCGT,t为时刻t的CGT电功率，PTP,t为时刻t的热解气化装置耗电量。
4.根据权利要求1所述的考虑不确定性的海岛微能网多目标调度优化方法，其特征在于，所述能量平衡约束包括电供需平衡约束、热供需平衡约束和气供需平衡约束，其中
通过以下公式表示所述电供需平衡约束：
；
；
；
其中，、/>分别是电量供需总量；/>、/>分为可出力设备j的功率与内部用电率；/>、Lpower,t为可控负荷i与用户负荷；uBattery,t、uIB,t、uPB,t为蓄电池、IBDR、PBDR状态；/>、/>为充放电电池在时刻t的充、放功率；△LIB,t为累计负荷削减量；△LPB,t为时刻t实施PBDR前后的负荷变化量；
通过以下公式表示所述热供需平衡约束：
；
其中，Lheat,t为时刻t的热负荷，Hbuy,t、Hsell,t为时刻t的购热、售热，HWHB,t为时刻t的余热锅炉的热功率；HMED,t为MED装置在时刻t的耗热；
通过以下公式表示所述气供需平衡约束：
；
Lgas,t为时刻t的天然气负荷；、/>为时刻t购入和销售的CH4量；/>、/>为时刻t产生的气体和合成气;/>为时刻t燃气发电CGT消耗的燃料g；/>为电制氢装置AWE在时刻t产生的氢气；/>为HFC在时刻t消耗的氢气量；/>、/>为充、放功率，s=Battery、GSTsyngas、/>、GHC；
通过以下公式表示所述出力设备约束：
；
其中，、PCGT、/>为CGT的最小运行功率、运行功率和最大运行功率；UCGT,t是燃气轮机在时刻t的启停状态；/>和 />代表爬坡速率的上下限值；PHFC,t、PHFC,t-1是CGT在时刻t和t-1的电功率；/>和/>表示HFC爬坡速率的上下限值；
通过以下公式表示所述海水淡化耦合制氢系统DHS约束：
；
其中，Mfreshwater为淡水产量；为时刻t的淡水产量；/>和 />分别代表电制氢装置AWE的爬坡速率的上限值和下限值；PAWE,t和PAWE,t-1分别为电制氢装置在时刻t和t-1的功率；
通过以下公式表示所述生物质废能转化系统BCS约束：
；
其中，Mbiomass,t为热解气化装置TP在t时刻消耗的生物量；为可提纯沼气总体积；为热解气化装置TP在t时刻的耗电量；
通过以下公式表示所述储能及余热锅炉约束：
；
其中，、/>为储能设备的最小充电功率和最大充电功率；/>、/>分别为储能设备在时刻t的充放电功率；储能设备Es,t为时刻t的容量；/>、/>为容量上限和容量下限；us,t为标志位，限制充放电同时发生；
通过以下公式表示所述需求响应约束：
；
；
其中，为时刻t的负荷变动上限；/>为调度周期内负荷累计变动量的上限；和Lt分别时刻t实施PBDR前后的负荷；/>为t时刻实施PBDR前后之间的负荷差；uPB,t为时刻t的PBDR的状态；/>和/>为上行备用市场和下行备用市场的出力；/>、分别为出力上限和出力下限；/>、/>分别表示在时刻t和t-1的上爬坡功率和下爬坡功率；uIB,t、uIB,t-1为IBDR在时刻t和t-1的状态；/>为累计负荷削减量。
5.根据权利要求4所述的考虑不确定性的海岛微能网多目标调度优化方法，其特征在于，基于风光出力总值、所述风光出力上限和所述风光出力下限确定所述风光出力不确定性包括：基于所述削减后的所有场景计算风光出力上限、风光出力下限/>；
基于所述风光出力上限、所述风光出力下限/>和风光出力总值PRE,t计算所述风光出力不确定性：
；
根据净负荷将电能量平衡约束改写为：
；
将改写的电能量平衡约束修正为：
；
其中，为可再生能源出力的调节的鲁棒系数，/>，当/>，不考虑不确定性，与常规调度模型优化结果一致，调度方案鲁棒性最差；随ΓRE增加，鲁棒性提升，变量/>，并且/>，所述风光出力不确定性为/>，为净负荷。
6.根据权利要求4所述的考虑不确定性的海岛微能网多目标调度优化方法，其特征在于，
通过降半梯度隶属度函数处理所述运行成本最小化目标函数和所述环境成本最小化目标函数：
；
其中，ρ(Fi)为隶属度函数，Fi为目标函数i的值；为目标函数i的理想值；θi为决策者可接受的目标函数Fi的增加值，将目标进行一定的伸缩；
降半梯度隶属度函数处理后的多目标调度优化函数为：
；
；
其中，。
7.一种考虑不确定性的海岛微能网多目标调度优化装置，其特征在于，包括：
单元模型构建模块，用于基于海岛微能网的出力设备系统、海水淡化耦合制氢系统DHS、生物质废能转化系统BCS、储能及余热锅炉系统和分时电价与激励政策调整用电系统分别建立相应的系统模型；
目标函数构建模块，用于基于运行成本最小和环境成本最小构建多目标调度优化函数；
约束确定模块，用于基于所述系统模型确定所述多目标调度优化函数的多个约束，所述多个约束包括改进的能量平衡约束、出力设备约束、海水淡化耦合制氢系统DHS约束、生物质废能转化系统BCS约束、储能约束和需求响应约束；以及
随机调度优化模型，用于基于所述多目标调度优化函数及其约束条件，以及风光出力不确定性构建随机调度优化模型，基于所述随机调度优化模型进行海岛微能网多目标调度优化；其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定所述风光出力不确定性，采用拉丁超立方抽样LHS与基于改进概率距离的场景削减技术模拟风光出力随机特点，然后利用鲁棒随机优化方法刻画不确定性变量提高变量的预测精准度；
其中，通过拉丁超立方抽样LHS、场景消减和鲁棒随机优化确定所述风光出力不确定性包括：利用所述拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数；基于改进概率距离对所述R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离；基于消减后的所有场景计算风光出力上限和风光出力下限；以及基于风光出力总值、所述风光出力上限和所述风光出力下限确定所述风光出力不确定性；
其中，利用所述拉丁超立方抽样LHS对风光出力场景的随机变量进行分层随机抽样以生成R个抽样场景数包括：
假设风光出力场景的随机变量为Xe，且随机变量的累积概率分布Ye为：
；
设采样规模为R，将曲线Fe(Xe)的纵轴分成R个等间距不重叠的区间，其中，累积概率分布的变化范围为[0,1]，每个区间的长度为1/R；
在每个区间内进行完全随机抽样，将纵坐标值带入累积概率分布函数Ye的反函数，得到Xe的第r个采样值：
；
将随机变量Xe的R个采样值排成一行，所有采样值Xe,R构成初始样本矩阵X，其中，X为以下R×R阶矩阵：
；
将所述初始样本矩阵随机排序各行以生成R个场景；
其中，基于改进概率距离对所述R个抽样场景数进行消减，以最小化消减后的场景与初始场景的概率距离包括：
步骤1：假设对风光随机变量进行所述拉丁超立方抽样LHS之后，生成R个场景，计算集合中每对场景的二范数/>：
；
其中，分别为第u、w个场景中的第d个值；
步骤2：假设每个场景发生的概率p相同；
步骤3：找出所有场景中每对场景（au,aw）的二范数与场景au发生概率p(u)乘积的最小值的集合：
；
根据其概率距离对所述集合中的元素进行从小到大排序；
步骤4：削减排序元素中的前V个满足以下式的场景；
；
其中，为削减场景/>发生的概率，/>为场景/>发生的概率；
步骤5：求出与被削减场景概率距离最小的场景，然后更新场景概率，其中，更新的场景概率等于场景原始概率加上被削减场景概率，最后更新场景集合中的元素数量；
步骤6：重复步骤2至步骤5，当更新的场景集合中的元素数量满足人为设定的剩余场景数时，停止运行并生成消减后的所有场景；否则，继续削减。
CN202311585363.1A 2023-11-27 2023-11-27 一种海岛微能网多目标调度优化方法及装置 Active CN117293885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311585363.1A CN117293885B (zh) 2023-11-27 2023-11-27 一种海岛微能网多目标调度优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311585363.1A CN117293885B (zh) 2023-11-27 2023-11-27 一种海岛微能网多目标调度优化方法及装置

Publications (2)

Publication Number Publication Date
CN117293885A CN117293885A (zh) 2023-12-26
CN117293885B true CN117293885B (zh) 2024-03-22

Family

ID=89248396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311585363.1A Active CN117293885B (zh) 2023-11-27 2023-11-27 一种海岛微能网多目标调度优化方法及装置

Country Status (1)

Country Link
CN (1) CN117293885B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109301877A (zh) * 2018-09-13 2019-02-01 国网江苏省电力有限公司 一种分布式电源及节点负荷典型运行场景集生成方法
CN115271467A (zh) * 2022-08-01 2022-11-01 浙江大学 考虑电碳协同优化的虚拟电厂调度优化方法及应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109301877A (zh) * 2018-09-13 2019-02-01 国网江苏省电力有限公司 一种分布式电源及节点负荷典型运行场景集生成方法
CN115271467A (zh) * 2022-08-01 2022-11-01 浙江大学 考虑电碳协同优化的虚拟电厂调度优化方法及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A multi-objective stochastic optimization model for electricity retailers with energy storage system considering uncertainty and demand response;Shenbo Yang 等;Journal of Cleaner Production(第277期);1-17 *
Robust Multi-objective optimal dispatching model for a novel island micro energy grid incorporating biomass waste energy conversion system, desalination and power-to-hydrogen devices;Liwei Ju 等;Applied Energy(第343期);1-27 *

Also Published As

Publication number Publication date
CN117293885A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN108009693B (zh) 基于两级需求响应的并网微电网双层优化方法
CN106981888B (zh) 基于多源互补的风蓄水火电力系统的多目标动态调度方法
CN113315242B (zh) 基于氢能经济促进弃风消纳的虚拟弃风-制氢联合体
CN109390981B (zh) 新能源参与电量平衡的送端电网机组组合运行控制方法
CN114580863A (zh) 一种考虑综合需求响应的含碳捕集设备与光热电站的区域综合能源系统经济调度方法
CN110808615A (zh) 考虑不确定性的气电虚拟电厂调度优化方法
Akulker et al. Optimal design and operation of a multi-energy microgrid using mixed-integer nonlinear programming: Impact of carbon cap and trade system and taxing on equipment selections
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN113078687B (zh) 孤岛多能互补电-气耦合系统能量优化调度方法
CN110518865A (zh) 一种风电-光电耦合的工业规模稳定供氢系统
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
Shi et al. Research on comprehensive benefit of hydrogen storage in microgrid system
Qin et al. Robust optimal dispatching of integrated electricity and gas system considering refined power-to-gas model under the dual carbon target
Khalil et al. Development and assessment of integrated hydrogen and renewable energy systems for a sustainable city
CN117081143A (zh) 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
Han et al. Multi-stage distributionally robust optimization for hybrid energy storage in regional integrated energy system considering robustness and nonanticipativity
CN112085263A (zh) 一种用户侧分布式能源系统混合储能优化配置方法和系统
Ju et al. Robust Multi-objective optimal dispatching model for a novel island micro energy grid incorporating biomass waste energy conversion system, desalination and power-to-hydrogen devices
CN114462889A (zh) 一种氢-电耦合多能源跨区域优化配置方法及系统
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
CN113313416A (zh) 计及沼气发电与新能源消纳机制的配网电力资源优化分配方法
Su et al. Enhancing wind-solar hybrid hydrogen production through multi-state electrolyzer management and complementary energy optimization
CN116777054A (zh) 考虑碳捕集与垃圾焚烧参与的虚拟电厂及其优化运行方法
CN117293885B (zh) 一种海岛微能网多目标调度优化方法及装置
Su et al. Capacity configuration optimization for green hydrogen generation driven by solar-wind hybrid power based on comprehensive performance criteria

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