[go: up one dir, main page]

CN115577929A - 基于多场景分析的乡村综合能源系统随机优化调度方法 - Google Patents

基于多场景分析的乡村综合能源系统随机优化调度方法 Download PDF

Info

Publication number
CN115577929A
CN115577929A CN202211208739.2A CN202211208739A CN115577929A CN 115577929 A CN115577929 A CN 115577929A CN 202211208739 A CN202211208739 A CN 202211208739A CN 115577929 A CN115577929 A CN 115577929A
Authority
CN
China
Prior art keywords
power
formula
unit
energy
heat
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211208739.2A
Other languages
English (en)
Inventor
窦真兰
张春雁
陈安
韩冬
徐瀚诚
蒋传文
王玲玲
夏金磊
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.)
State Grid Shanghai Comprehensive Energy Service Co ltd
Shanghai Jiao Tong University
Original Assignee
State Grid Shanghai Comprehensive Energy Service Co ltd
Shanghai Jiao Tong University
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 State Grid Shanghai Comprehensive Energy Service Co ltd, Shanghai Jiao Tong University filed Critical State Grid Shanghai Comprehensive Energy Service Co ltd
Priority to CN202211208739.2A priority Critical patent/CN115577929A/zh
Publication of CN115577929A publication Critical patent/CN115577929A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于多场景分析的乡村综合能源系统随机优化调度方法，包括以下步骤：1)首先考虑风光荷预测误差分布，对乡村综能园区的设施进行稳态建模。2)获取园区的机组数据和日前风光荷预测数据，设计目标函数、机组约束和与电网交互的网络约束，建立乡村综能园区运行的随机优化调度模型；3)求解考虑预测误差和场景法的随机优化调度模型得到系统最优调度计划，按照计划调节园区内各设备的出力，并向上级电网购电。本发明充分挖掘了乡村综合能源的运行潜力和投入系统运行的灵活性，通过多能协作提升了乡村能源利用效率，促进了可再生能源消纳，提高了运营商的收益。

Description

基于多场景分析的乡村综合能源系统随机优化调度方法
技术领域
本发明涉及一种利用场景优化方法实现乡村综合能源园区优化运行的应用领域的技术，具体是一种基于多场景分析的乡村综合能源系统随机优化调度方法。
背景技术
未来绿色低碳农村能源，如风电、太阳能、生物质能、地热能等清洁能源比重如能逐步提升，将加快形成绿色多元的农村能源体系。以往研究中，对包含生物质热电联供和地源热泵等乡村设施在内的乡村园区多场景优化运行研究较少，对实际提高乡村综合能源园区运营商收益起到的作用微小，致使能源运营商积极性不高。
发明内容
本发明的目的是为了克服现有技术的不足，提供基于多场景分析的乡村综合能源系统随机优化调度方法，建立了考虑风光荷预测误差下的园区多场景随机优化调度模型，并与无场景优化的最劣运行方案加以比较验证，表明该方法可以使乡村综合能源园区的电量调度更为合理，运营商的日收益有较大提升，能够充分调动运营商积极性，加快乡村综合能源系统建设。。
实现上述目的的一种技术方案是：基于多场景分析的乡村综合能源系统随机优化调度方法，包括如下步骤：
步骤1，考虑风光荷预测误差分布，并对乡村综能园区的设施进行稳态建模，包括：风电机组、光伏阵列、生物质热电联供、地源热泵、储电装置和储热装置；
步骤2，获取园区的机组数据和日前风光荷预测数据，包括：参与园区优化调度的运行机组数据、风速预测数据、光照强度预测数据、电力负荷预测数据，设计目标函数、机组约束和与电网交互的网络约束，建立乡村综能园区运行的随机优化调度模型；
步骤3，求解考虑预测误差和场景法的随机优化调度模型得到系统最优调度计划，按照计划调节园区内各设备的出力，并向上级电网购电。
进一步的，所述步骤1中，假设风电的预测误差服从均值为0，标准差为σv的正态分布，如果用
Figure BDA0003873765740000024
表示风速的预测值，则实际风速v的概率密度函数为：
Figure BDA0003873765740000021
获得风速的相关数据后，风电机组的出力PWi为：
Figure BDA0003873765740000022
式中：Pwr为风机的额定出力；vin、vout vr分别为切入风速、切出风速、额定风速；
假设光照强度和电负荷的预测误差同样为服从均值为0，标准差分别为σp、σE的正态分布，由于受日照强度、环境温度、投资成本等参数的影响，光伏阵列的输出功率是非线性的：
Figure BDA0003873765740000023
式中：Pt PV为光伏阵列的理论输出功率；kPV为光伏阵列老化、损耗等造成的功率损耗因数；N为光伏阵列的总电池数；Pbattery单块电池额定功率； Dt为光照强度；DSTC为标准测试条件下的光照强度；Tt PVt时刻电池表面温度；TSTC为电池标准测试温度；
由于上述模型实际操作较为困难，因此将其简化为：
Pt PV＝kPVSPVDt (36)
式中：SPV为光伏阵列的总面积；
生物质热电联供系统的电能转化表达式为：
Pt BCHP＝ηMTηGASMB,tHB (37)
式中：ηMT为微型燃气轮机的发电效率；ηGAS为气化炉的气化效率；MB,t为t时刻投入的生物质总质量；HB为单位质量生物质产生的热能；
Figure BDA0003873765740000031
式中：ηWHB为余热锅炉的回收效率；
生物质热电联供的运维成本主要与微型燃气轮机所发电量有关，其成本如下所示：
Figure BDA0003873765740000032
式中：cBCHP为微型燃气轮机的边际成本；
地源热泵的能量转换方程为：
Figure BDA0003873765740000033
式中：
Figure BDA0003873765740000034
为地源热泵输出的热功率，单位为kW；COPGHP为制热效率；Pt GHP为制热所消耗的电能；
地源热泵的运行成本为：
Figure BDA0003873765740000035
式中：cGHP为地源热泵的边际运行成本；
储电设备的运行模型为：
Figure BDA0003873765740000036
式中：SOCt为t时刻的储能电池容量；αch和αdis分别为充放电效率； Pt ES,ch和Pt ES,dis分别为t时刻储能的充放电功率；SOCmax为电池总容量；
储电设备的成本一般较高，因此需要考虑其运行成本：
Figure BDA0003873765740000037
式中：
Figure BDA0003873765740000038
为t时刻的运行成本；cES为单位时间内单位充放电功率的运行成本；
储热装置采用水蓄热装置进行能源储存，储热装置的特性可以表示为储热容量、储热功率和放电功率间的关系：
Figure BDA0003873765740000041
式中：
Figure BDA0003873765740000042
为t+1时刻的储热容量；ηtank为水箱热损失率；
Figure BDA0003873765740000043
和
Figure BDA0003873765740000044
分别为储热和放热功率；
对于水蓄热装置，不考虑其运行成本。
进一步的，所述步骤2中，建立的随机优化调度模型以园区运营商日收益最大为目标函数，其日收益为零售市场收益减去总成本和偏差惩罚：
Figure BDA0003873765740000045
式中：E为乡村综合能源园区的日收益，CRM为零售市场收益；CEM为日前市场成本；CDG为机组运行成本；CES为储能运行成本；CP为偏差惩罚；N为优化的场景个数；
每一项的计算过程如下：
Figure BDA0003873765740000046
式中：
Figure BDA0003873765740000047
和
Figure BDA0003873765740000048
分别为零售电、热市场的单价；
Figure BDA0003873765740000049
和
Figure BDA00038737657400000410
分别为电、热负荷；
Figure BDA00038737657400000411
为日前市场电价；λP为单位偏差电量惩罚系数；
Figure BDA00038737657400000412
为预调度计划值。
进一步的，系统需要考虑各种机组和电网的约束，机组约束有风电机组、光伏阵列、生物质热电联供、地源热泵约束：
风电机组功率约束：
Figure BDA00038737657400000413
式中：
Figure BDA00038737657400000414
为风电机组最大输出功率；
光伏阵列功率约束：
Figure BDA00038737657400000415
式中：
Figure BDA0003873765740000051
为光伏阵列最大输出功率；
地源热泵功率约束和爬坡约束：
Figure BDA0003873765740000052
Figure BDA0003873765740000053
式中：
Figure BDA0003873765740000054
为机组的功率上限；
Figure BDA0003873765740000055
为0，1变量代表机组启停；代表机组的爬坡速率；
生物质热电联供功率约束和爬坡约束：
Figure BDA0003873765740000056
Figure BDA0003873765740000057
式中：
Figure BDA0003873765740000058
代表机组的功率上限；
Figure BDA0003873765740000059
代表机组启停；
Figure BDA00038737657400000510
代表机组的爬坡速率；
储能约束有储电装置约束和储热装置约束：
储电装置约束：
Figure BDA00038737657400000511
Figure BDA00038737657400000512
Figure BDA00038737657400000513
0≤SOCt≤SOCmax (56)
式中：
Figure BDA00038737657400000514
和
Figure BDA00038737657400000515
代表了储能电池的工作状态；
Figure BDA00038737657400000516
和
Figure BDA00038737657400000517
表示最大充放电功率；
储热装置约束：
Figure BDA00038737657400000518
Figure BDA00038737657400000519
Figure BDA00038737657400000520
Figure BDA00038737657400000521
式中：
Figure BDA00038737657400000522
和
Figure BDA00038737657400000523
表示最大和最小储热量；
Figure BDA00038737657400000524
与
Figure BDA00038737657400000525
的约束表示地源热泵机组为储热装置充热，储热和放热过程不能同时进行；
Figure BDA00038737657400000526
表示地源热泵向储热装置充热的功率；
Figure BDA00038737657400000527
表示充热时的热损失率；
Figure BDA00038737657400000528
表示装置的最大放热功率；
网络约束包括：
Figure BDA0003873765740000061
Figure BDA0003873765740000062
Figure BDA0003873765740000063
Figure BDA0003873765740000064
式中：Pt IL为与电网交互传输的功率；
Figure BDA0003873765740000065
为与电网间的最大传输功率；
Figure BDA0003873765740000066
为电负荷；
Figure BDA0003873765740000067
为热负荷。
进一步的，在所述步骤3中，将所有机组运行参数、风光荷预测数据带入随机优化调度模型中，用求解软件直接求解，得到日收益最大下的最优调度计划，进行设备出力的调节和向上级网络的购电。
本发明的有益效果在于：
本发明提出的一种基于多场景分析的乡村综合能源系统随机优化调度方法，首先对于难以准确描述的风光出力和电负荷考虑了其预测误差，假定其预测误差服从正态分布；随后建立了风电、光伏机组以及生物质热电联供、地源热泵等乡村特色设施的稳态模型；最后构建了以乡村综合能源运营商日收益最大为目标函数的随机优化调度模型，采用多场景优化来降低不确定性带来的影响，通过优化目标函数得出最佳运行结果，为乡村综合能源运营提供指导方案。
本发明考虑了预测误差和场景法的优化调度方法，通过分时电价以及最大日收益的要求下引导电量消费的分布，使得园区的可再生能源能够得到充分消纳，且提高了运行收益。
附图说明
图1为本发明的方法流程图；
图2为本发明涉及的园区能量流动图；
图3为本发明以风电为例考虑预测误差生成的场景；
图4为本发明以风电为例采用算法削减后保留的典型场景；
图5为本发明采用多场景优化后乡村园区设备的电能调度情况；
图6为本发明采用多场景优化后乡村园区的电力市场购电情况。
具体实施方式
为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：
实施例所采用的乡村综合能源系统能量流动图如图2所示。本系统包含1台村级风力发电机组、1台村级光伏发电系统、若干台地源热泵装置和若干台小型生物质热电联供装置、数台储电装置和一台储热装置，以上海市某乡村园区为研究对象。请参阅图1，本发明提供的一种基于多场景分析的乡村综合能源系统优化运行调度方法，包括以下步骤：
步骤1，考虑风光荷预测误差分布，并对乡村综能园区的设施进行稳态建模，包括：风电机组、光伏阵列、生物质热电联供、地源热泵、储电装置和储热装置。
步骤2，获取园区的机组数据和日前风光荷预测数据，包括：参与园区优化调度的运行机组数据、风速预测数据、光照强度预测数据、电力负荷预测数据，设计目标函数、机组约束和与电网交互的网络约束，建立乡村综能园区运行的随机优化调度模型；
步骤3，求解考虑预测误差和场景法的随机优化调度模型得到系统最优调度计划，按照计划调节园区内各设备的出力，并向上级电网购电。
所述步骤1中，假设风电的预测误差服从均值为0，标准差为σv的正态分布，如果用
Figure BDA0003873765740000071
表示风速的预测值，则实际风速v的概率密度函数为：
Figure BDA0003873765740000072
获得风速的相关数据后，风电机组的出力PWi为：
Figure BDA0003873765740000073
式中：Pwr为风机的额定出力；vin、vout vr分别为切入风速、切出风速、额定风速；
假设光照强度和电负荷的预测误差同样为服从均值为0，标准差分别为σp、σE的正态分布，由于受日照强度、环境温度、投资成本等参数的影响，光伏阵列的输出功率是非线性的：
Figure BDA0003873765740000081
式中：Pt PV为光伏阵列的理论输出功率；kPV为光伏阵列老化、损耗等造成的功率损耗因数；N为光伏阵列的总电池数；Pbattery单块电池额定功率； Dt为光照强度；DSTC为标准测试条件下的光照强度；Tt PVt时刻电池表面温度；TSTC为电池标准测试温度；
由于上述模型实际操作较为困难，因此将其简化为：
Pt PV＝kPVSPVDt (68)
式中：SPV为光伏阵列的总面积；
生物质热电联供系统的电能转化表达式为：
Pt BCHP＝ηMTηGASMB,tHB (69)
式中：ηMT为微型燃气轮机的发电效率；ηGAS为气化炉的气化效率；MB,t为t时刻投入的生物质总质量；HB为单位质量生物质产生的热能；
Figure BDA0003873765740000082
式中：ηWHB为余热锅炉的回收效率；
生物质热电联供的运维成本主要与微型燃气轮机所发电量有关，其成本如下所示：
Figure BDA0003873765740000083
式中：cBCHP为微型燃气轮机的边际成本；
地源热泵的能量转换方程为：
Figure BDA0003873765740000084
式中：
Figure BDA0003873765740000085
为地源热泵输出的热功率，单位为kW；COPGHP为制热效率；Pt GHP为制热所消耗的电能；
地源热泵的运行成本为：
Figure BDA0003873765740000086
式中：cGHP为地源热泵的边际运行成本；
储电设备的运行模型为：
Figure BDA0003873765740000091
式中：SOCt为t时刻的储能电池容量；αch和αdis分别为充放电效率； Pt ES,ch和Pt ES,dis分别为t时刻储能的充放电功率；SOCmax为电池总容量；
储电设备的成本一般较高，因此需要考虑其运行成本：
Figure BDA0003873765740000092
式中：
Figure BDA0003873765740000093
为t时刻的运行成本；cES为单位时间内单位充放电功率的运行成本；
储热装置采用水蓄热装置进行能源储存，储热装置的特性可以表示为储热容量、储热功率和放电功率间的关系：
Figure BDA0003873765740000094
式中：
Figure BDA0003873765740000095
为t+1时刻的储热容量；ηtank为水箱热损失率；
Figure BDA0003873765740000096
和
Figure BDA0003873765740000097
分别为储热和放热功率；
对于水蓄热装置，不考虑其运行成本。
所述步骤2中，建立的随机优化调度模型以园区运营商日收益最大为目标函数，其日收益为零售市场收益减去总成本和偏差惩罚：
Figure BDA0003873765740000098
式中：E为乡村综合能源园区的日收益，CRM为零售市场收益；CEM为日前市场成本；CDG为机组运行成本；CES为储能运行成本；CP为偏差惩罚；N为优化的场景个数；
每一项的计算过程如下：
Figure BDA0003873765740000099
式中：
Figure BDA00038737657400000910
和
Figure BDA00038737657400000911
分别为零售电、热市场的单价；
Figure BDA00038737657400000912
和
Figure BDA00038737657400000913
分别为电、热负荷；
Figure BDA00038737657400000914
为日前市场电价；λP为单位偏差电量惩罚系数；
Figure BDA00038737657400000915
为预调度计划值。
系统需要考虑各种机组和电网的约束，机组约束有风电机组、光伏阵列、生物质热电联供、地源热泵约束：
风电机组功率约束：
Figure BDA0003873765740000101
式中：
Figure BDA0003873765740000102
为风电机组最大输出功率；
光伏阵列功率约束：
Figure BDA0003873765740000103
式中：
Figure BDA0003873765740000104
为光伏阵列最大输出功率；
地源热泵功率约束和爬坡约束：
Figure BDA0003873765740000105
Figure BDA0003873765740000106
式中：
Figure BDA0003873765740000107
为机组的功率上限；
Figure BDA0003873765740000108
为0，1变量代表机组启停；代表机组的爬坡速率；
生物质热电联供功率约束和爬坡约束：
Figure BDA0003873765740000109
Figure BDA00038737657400001010
式中：
Figure BDA00038737657400001011
代表机组的功率上限；
Figure BDA00038737657400001012
代表机组启停；
Figure BDA00038737657400001013
代表机组的爬坡速率；
储能约束有储电装置约束和储热装置约束：
储电装置约束：
Figure BDA00038737657400001014
Figure BDA00038737657400001015
Figure BDA00038737657400001016
0≤SOCt≤SOCmax (88)
式中：
Figure BDA00038737657400001017
和
Figure BDA00038737657400001018
代表了储能电池的工作状态；
Figure BDA00038737657400001019
和
Figure BDA00038737657400001020
表示最大充放电功率；
储热装置约束：
Figure BDA00038737657400001021
Figure BDA0003873765740000111
Figure BDA0003873765740000112
Figure BDA0003873765740000113
式中：
Figure BDA0003873765740000114
和
Figure BDA0003873765740000115
表示最大和最小储热量；
Figure BDA0003873765740000116
与
Figure BDA0003873765740000117
的约束表示地源热泵机组为储热装置充热，储热和放热过程不能同时进行；
Figure BDA0003873765740000118
表示地源热泵向储热装置充热的功率；
Figure BDA0003873765740000119
表示充热时的热损失率；
Figure BDA00038737657400001110
表示装置的最大放热功率；
网络约束包括：
Figure BDA00038737657400001111
Figure BDA00038737657400001112
Figure BDA00038737657400001113
Figure BDA00038737657400001114
式中：Pt IL为与电网交互传输的功率；
Figure BDA00038737657400001115
为与电网间的最大传输功率；
Figure BDA00038737657400001116
为电负荷；
Figure BDA00038737657400001117
为热负荷。
在所述步骤3中，将所有机组运行参数、风光荷预测数据带入随机优化调度模型中，用求解软件直接求解，得到日收益最大下的最优调度计划，进行设备出力的调节和向上级网络的购电。在本实施例中，先用蒙特卡洛法生成1000个产景，再利用k-means算法将其削减为10个典型场景，随后将所有机组运行参数、风光荷数据带入随机优化调度模型中，用求解软件直接求解，得到日收益最大下的最优调度计划，进行设备出力的调节和向上级网络的购电，如图3、4、5、6。
为了更清晰地表明本发明的有效性，设置对照场景进行对比：
1、只考虑预测误差不考虑场景优化的最劣运行情况。
2、本方法考虑预测误差和场景优化的优化运行结果。
对本实施案例进行求解，系统日运行收益结果如表1所示。
表1两种调度策略下的乡村综能运营商日收益
Figure BDA00038737657400001118
Figure BDA0003873765740000121
本案例优化后系统各设备的出力情况如图5所示，电力市场的购电情况如图6所示。从图中可以看出，风电和光伏得到了充分的消纳，储电和储热装置则会在电价较低的时候进行储存，电价较高时进行释放，以谋求最大收益，生物质热电联供机组也根据目标函数在一天内得到了合理利用，减少了在实时市场的购电费用，该方案相比于只考虑了预测误差未进行场景优化的最劣情况相比日收益可以增加441.4元，提高了4.3％，表明了本优化运行方案的有效性。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (5)

1.基于多场景分析的乡村综合能源系统随机优化调度方法，其特征在于，包括如下步骤：
步骤1，考虑风光荷预测误差分布，并对乡村综能园区的设施进行稳态建模，包括：风电机组、光伏阵列、生物质热电联供、地源热泵、储电装置和储热装置；
步骤2，获取园区的机组数据和日前风光荷预测数据，包括：参与园区优化调度的运行机组数据、风速预测数据、光照强度预测数据、电力负荷预测数据，设计目标函数、机组约束和与电网交互的网络约束，建立乡村综能园区运行的随机优化调度模型；
步骤3，求解考虑预测误差和场景法的随机优化调度模型得到系统最优调度计划，按照计划调节园区内各设备的出力，并向上级电网购电。
2.根据权利要求1所述的基于多场景分析的乡村综合能源系统随机优化调度方法，其特征在于，所述步骤1中，假设风电的预测误差服从均值为0，标准差为σv的正态分布，如果用
Figure FDA0003873765730000014
表示风速的预测值，则实际风速v的概率密度函数为：
Figure FDA0003873765730000011
获得风速的相关数据后，风电机组的出力PWi为：
Figure FDA0003873765730000012
式中：Pwr为风机的额定出力；vin、vout vr分别为切入风速、切出风速、额定风速；
假设光照强度和电负荷的预测误差同样为服从均值为0，标准差分别为σp、σE的正态分布，由于受日照强度、环境温度、投资成本等参数的影响，光伏阵列的输出功率是非线性的：
Figure FDA0003873765730000013
式中：Pt PV为光伏阵列的理论输出功率；kPV为光伏阵列老化、损耗等造成的功率损耗因数；N为光伏阵列的总电池数；Pbattery单块电池额定功率；Dt为光照强度；DSTC为标准测试条件下的光照强度；Tt PVt时刻电池表面温度；TSTC为电池标准测试温度；
由于上述模型实际操作较为困难，因此将其简化为：
Pt PV＝kPVSPVDt (4)
式中：SPV为光伏阵列的总面积；
生物质热电联供系统的电能转化表达式为：
Pt BCHP＝ηMTηGASMB,tHB (5)
式中：ηMT为微型燃气轮机的发电效率；ηGAS为气化炉的气化效率；MB,t为t时刻投入的生物质总质量；HB为单位质量生物质产生的热能；
Figure FDA0003873765730000021
式中：ηWHB为余热锅炉的回收效率；
生物质热电联供的运维成本主要与微型燃气轮机所发电量有关，其成本如下所示：
Figure FDA0003873765730000022
式中：cBCHP为微型燃气轮机的边际成本；
地源热泵的能量转换方程为：
Figure FDA0003873765730000023
式中：
Figure FDA0003873765730000024
为地源热泵输出的热功率，单位为kW；COPGHP为制热效率；Pt GHP为制热所消耗的电能；
地源热泵的运行成本为：
Figure FDA0003873765730000025
式中：cGHP为地源热泵的边际运行成本；
储电设备的运行模型为：
Figure FDA0003873765730000026
式中：SOCt为t时刻的储能电池容量；αch和αdis分别为充放电效率；Pt ES,ch和Pt ES,dis分别为t时刻储能的充放电功率；SOCmax为电池总容量；
储电设备的成本一般较高，因此需要考虑其运行成本：
Figure FDA0003873765730000027
式中：
Figure FDA00038737657300000316
为t时刻的运行成本；cES为单位时间内单位充放电功率的运行成本；
储热装置采用水蓄热装置进行能源储存，储热装置的特性可以表示为储热容量、储热功率和放电功率间的关系：
Figure FDA0003873765730000031
式中：
Figure FDA0003873765730000032
为t+1时刻的储热容量；ηtank为水箱热损失率；
Figure FDA0003873765730000033
和
Figure FDA0003873765730000034
分别为储热和放热功率；
对于水蓄热装置，不考虑其运行成本。
3.根据权利要求1所述的基于多场景分析的乡村综合能源系统随机优化调度方法，其特征在于，所述步骤2中，建立的随机优化调度模型以园区运营商日收益最大为目标函数，其日收益为零售市场收益减去总成本和偏差惩罚：
Figure FDA0003873765730000035
式中：E为乡村综合能源园区的日收益，CRM为零售市场收益；CEM为日前市场成本；CDG为机组运行成本；CES为储能运行成本；CP为偏差惩罚；N为优化的场景个数；
每一项的计算过程如下：
Figure FDA0003873765730000036
式中：
Figure FDA0003873765730000037
和
Figure FDA0003873765730000038
分别为零售电、热市场的单价；
Figure FDA0003873765730000039
和
Figure FDA00038737657300000310
分别为电、热负荷；
Figure FDA00038737657300000311
为日前市场电价；λP为单位偏差电量惩罚系数；
Figure FDA00038737657300000312
为预调度计划值。
4.根据权利要求1所述的基于多场景分析的乡村综合能源系统随机优化调度方法，其特征在于，系统需要考虑各种机组和电网的约束，机组约束有风电机组、光伏阵列、生物质热电联供、地源热泵约束：
风电机组功率约束：
Figure FDA00038737657300000313
式中：
Figure FDA00038737657300000314
为风电机组最大输出功率；
光伏阵列功率约束：
Figure FDA00038737657300000315
式中：
Figure FDA0003873765730000041
为光伏阵列最大输出功率；
地源热泵功率约束和爬坡约束：
Figure FDA0003873765730000042
Figure FDA0003873765730000043
式中：
Figure FDA0003873765730000044
为机组的功率上限；
Figure FDA0003873765730000045
为0，1变量代表机组启停；代表机组的爬坡速率；
生物质热电联供功率约束和爬坡约束：
Figure FDA0003873765730000046
Figure FDA0003873765730000047
式中：
Figure FDA0003873765730000048
代表机组的功率上限；
Figure FDA0003873765730000049
代表机组启停；
Figure FDA00038737657300000410
代表机组的爬坡速率；
储能约束有储电装置约束和储热装置约束：
储电装置约束：
Figure FDA00038737657300000411
Figure FDA00038737657300000412
Figure FDA00038737657300000413
0≤SOCt≤SOCmax (24)
式中：
Figure FDA00038737657300000414
和
Figure FDA00038737657300000415
代表了储能电池的工作状态；
Figure FDA00038737657300000416
和
Figure FDA00038737657300000417
表示最大充放电功率；
储热装置约束：
Figure FDA00038737657300000418
Figure FDA00038737657300000419
Figure FDA00038737657300000420
Figure FDA00038737657300000421
式中：
Figure FDA00038737657300000422
和
Figure FDA00038737657300000423
表示最大和最小储热量；
Figure FDA00038737657300000424
与
Figure FDA00038737657300000425
的约束表示地源热泵机组为储热装置充热，储热和放热过程不能同时进行；
Figure FDA00038737657300000426
表示地源热泵向储热装置充热的功率；
Figure FDA00038737657300000427
表示充热时的热损失率；
Figure FDA00038737657300000428
表示装置的最大放热功率；
网络约束包括：
Figure FDA00038737657300000429
Figure FDA00038737657300000430
Figure FDA0003873765730000051
Figure FDA0003873765730000052
式中：Pt IL为与电网交互传输的功率；
Figure FDA0003873765730000053
为与电网间的最大传输功率；
Figure FDA0003873765730000054
为电负荷；
Figure FDA0003873765730000055
为热负荷。
5.根据权利要求1所述的基于多场景分析的乡村综合能源系统随机优化调度方法，其特征在于，在所述步骤3中，将所有机组运行参数、风光荷预测数据带入随机优化调度模型中，用求解软件直接求解，得到日收益最大下的最优调度计划，进行设备出力的调节和向上级网络的购电。
CN202211208739.2A 2022-09-30 2022-09-30 基于多场景分析的乡村综合能源系统随机优化调度方法 Pending CN115577929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211208739.2A CN115577929A (zh) 2022-09-30 2022-09-30 基于多场景分析的乡村综合能源系统随机优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211208739.2A CN115577929A (zh) 2022-09-30 2022-09-30 基于多场景分析的乡村综合能源系统随机优化调度方法

Publications (1)

Publication Number Publication Date
CN115577929A true CN115577929A (zh) 2023-01-06

Family

ID=84583288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211208739.2A Pending CN115577929A (zh) 2022-09-30 2022-09-30 基于多场景分析的乡村综合能源系统随机优化调度方法

Country Status (1)

Country Link
CN (1) CN115577929A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116231763A (zh) * 2023-05-08 2023-06-06 广州三晶电气股份有限公司 具备自学习能力的家庭能源管理系统优化调度方法及装置
CN116581825A (zh) * 2023-05-06 2023-08-11 西华大学 基于新能源消纳的建筑综合能源系统日前调度优化方法
CN119401566A (zh) * 2024-10-28 2025-02-07 天津大学 一种风险规避的园区综合能源系统多时间尺度调度方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116581825A (zh) * 2023-05-06 2023-08-11 西华大学 基于新能源消纳的建筑综合能源系统日前调度优化方法
CN116231763A (zh) * 2023-05-08 2023-06-06 广州三晶电气股份有限公司 具备自学习能力的家庭能源管理系统优化调度方法及装置
CN116231763B (zh) * 2023-05-08 2023-08-04 广州三晶电气股份有限公司 具备自学习能力的家庭能源管理系统优化调度方法及装置
CN119401566A (zh) * 2024-10-28 2025-02-07 天津大学 一种风险规避的园区综合能源系统多时间尺度调度方法及装置

Similar Documents

Publication Publication Date Title
CN109327042B (zh) 一种微电网多能源联合优化调度方法
CN111950807B (zh) 计及不确定性与需求响应的综合能源系统优化运行方法
CN110826815B (zh) 一种考虑综合需求响应的区域综合能源系统运行优化方法
CN115577929A (zh) 基于多场景分析的乡村综合能源系统随机优化调度方法
CN112270433B (zh) 考虑可再生能源不确定性和用户满意度的微电网优化方法
CN113742944B (zh) 一种考虑电制氢系统的虚拟电厂建模方法
Su et al. Enhancing wind-solar hybrid hydrogen production through multi-state electrolyzer management and complementary energy optimization
CN110350512A (zh) 一种智能园区新能源发电站调度优化方法及系统
CN112800619A (zh) 多源异质全可再生能源热电气储耦合系统建模与规划方法
CN110635514B (zh) 一种并网型微网优化配置方法
CN115204705A (zh) 考虑电转气存储的区域综合能源系统运行优化方法及应用
CN113988392A (zh) 一种考虑可靠性需求响应的微网优化规划方法
CN117040000A (zh) 一种耦合碳捕集和电制氢的综合能源系统热电优化方法
CN116341703A (zh) 一种园区综合能源系统运行优化方法、系统、介质及设备
CN118504880A (zh) 基于ccs-p2g的绿证-碳交易联合交互机制的综合能源系统低碳经济调度方法
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
CN110957722B (zh) 一种含电转气设备的微型能源网日前优化调度方法
CN110490479A (zh) 一种选择风电场储能的方法
CN112952915B (zh) 一种综合能源系统中平抑电网峰谷的优化调度方法
CN115882460A (zh) 一种考虑需求侧管理的两阶段新能源微电网优化调度方法
Li et al. Study on the Optimization of Capacity Configuration Strategy for Wind-photovoltaic-hydrogen Energy Storage Stations
CN117175686A (zh) 基于生产模拟的离网风光储氢系统容量配置方法及系统
CN112541778B (zh) 一种基于微电网参与两阶段市场出清系统优化运行方法
CN116706985A (zh) 大规模新能源离网制氢系统的优化配置方法及装置
CN115907485A (zh) 一种综合能源系统及其优化调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination