[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115408808A - 一种计及碳排放的能源配网系统多时间尺度优化调度方法 - Google Patents

一种计及碳排放的能源配网系统多时间尺度优化调度方法 Download PDF

Info

Publication number
CN115408808A
CN115408808A CN202210509060.0A CN202210509060A CN115408808A CN 115408808 A CN115408808 A CN 115408808A CN 202210509060 A CN202210509060 A CN 202210509060A CN 115408808 A CN115408808 A CN 115408808A
Authority
CN
China
Prior art keywords
distribution network
carbon
gas
power
network system
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
CN202210509060.0A
Other languages
English (en)
Inventor
胡扬宇
杨明杰
千海霞
刘芳
王丹文
史亮
霍帅
訾小娜
贺超凡
李峰
郭琳
王珂
牛君玲
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.)
Jiaozuo Power Supply Co of State Grid Henan Electric Power Co Ltd
Original Assignee
Jiaozuo Power Supply Co of State Grid Henan 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 Jiaozuo Power Supply Co of State Grid Henan Electric Power Co Ltd filed Critical Jiaozuo Power Supply Co of State Grid Henan Electric Power Co Ltd
Priority to CN202210509060.0A priority Critical patent/CN115408808A/zh
Publication of CN115408808A publication Critical patent/CN115408808A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种计及碳排放的能源配网系统多时间尺度优化调度方法，计及碳捕集设备和电转气设备及可削减、可转移、可替代三种需求侧响应负荷，在碳交易机制下，构建以碳排放量最少、综合运行成本最低、弃风、弃光量最少、网络损耗最低为综合优化目标的风‑光‑电‑气‑储综合能源配网系统日前优化调度模型，以风电、光伏发电预测误差波动最小为日内优化调度优化目标，采用模型预测控制理论，对风电、光伏的预测误差校正，构建综合能源配网系统日内滚动优化调度模型。本发明能够多途径有效地降低配电网系统的碳排放量，提高新能源消纳能力，减小风电、光伏所带来的预测误差，从而提高配电网系统运行的可靠性和稳定性。

Description

一种计及碳排放的能源配网系统多时间尺度优化调度方法
技术领域
本发明属于综合能源优化领域，具体涉及一种计及碳排放的能源配网系统多时间尺度优化调度方法。
背景技术
目前考虑低碳目标的综合能源系统优化问题已成为国内外研究热点，电、气行业作为二氧化碳排放的主要行业，有必要研究电-气综合能源系统的低碳化结构改革，来降低系统的碳排放量。已有研究“曾捷,童晓阳,范嘉乐.计及需求响应不确定性的电-气耦合配网系统动态分布鲁棒优化[J/OL].电网技术:1-15.DOI:10.13335/j.1000-3673.pst.2021.1183”考虑了可削减、可转移、可替代三种需求响应负荷的不确定性，构建了一种机会约束与Wasserstein距离相结合的电-气耦合配网系统分布鲁棒动态优化模型，但是它没有考虑风电、光伏的不确定性，没有考虑碳排放成本；还有研究引入低碳经济评估指标，来降低电网系统的碳排放量，如引入碳交易机制，对碳排放源给定响应的碳排放额度，超出或者低于额度的发电厂采取惩罚或奖励，可有效的降低系统碳排放量；或在火力发电厂的燃煤机组引入富氧燃烧技术，构建了电-气-热综合能源低碳经济模型，并对比该技术与传统的碳捕集技术的优势，发现能够有效降低碳排放。
上述研究表明引入低碳经济评估指标，对发电厂的燃烧设备等进行改良能够有效降低系统的碳排放量，但较少研究计及需求侧用户的影响，未能从综合能源化结构改革、碳排放设备改良、需求侧响应负荷等多途径来降低系统碳排放量，此外，风、光还存在有较大的不确定性，这会对其功率预测带来较大的误差。为了解决上述问题，本发明将日前优化调度和日内优化调度相结合，提供一种计及碳排放的能源配网系统多时间尺度优化调度方法。
发明内容
本发明的目的是为了克服现有技术的不足，而提供一种计及碳排放的能源配网系统多时间尺度优化调度方法，能够多途径降低碳排放量，提高新能源的消纳能力，减小风电、光伏所带来的预测误差，从而提高配电网系统的可靠性和稳定性。
本发明采用的技术方案为：一种计及碳排放的能源配网系统多时间尺度优化调度方法，包括以下步骤：
S1：根据电-气综合能源配网系统的网络结构，构建配电网和配气网组成的综合能源配网系统的数学模型；
S2：计及碳交易机制，从源、网、荷三个角度，分别引入分布式能源风电与光伏、碳捕集设备、需求侧响应负荷，在电-气耦合的综合能源配网系统的数学模型的基础上，构建风-光-电-气-储综合能源配网系统的碳交易模型；
S3：在风-光-电-气-储的综合能源配网系统的碳交易模型中，根据日前的风速和光照参数，预测日前风电的有功出力和日前光伏的有功出力，并建立综合能源配网系统的日前优化调度模型，对该模型进行求解，得到配网系统中风电、光伏、储能设备的日前最优出力和线路的最优能量流动；
S4：以日前最优风电和光伏出力为基准值，以日内风电和光伏出力与基准值的偏差最小作为日内优化调度目标，建立多时间尺度的日内优化调度模型，并对该模型进行求解，得到当前调度周期内的日内优化调度结果；
S5：针对当前调度周期内的日内优化调度结果，判断当前调度周期是否在滚动的优化调度周期内，如果在，则将下一个调度周期内第一个时刻的历史风电和光伏出力替换为上一个调度周期最后一个时刻从调度中心获得的风电和光伏实际出力，将上一个调度周期中各时刻的预测值替换为上一个调度周期从调度获得的相应时刻的风电和光伏实际出力，并返回步骤S4，如果不在，则说明日内优化调度结束，输出日内优化调度结果。
具体的，所述步骤S1中，在构建配电网和配气网组成的综合能源配网系统的数学模型时，配电网的潮流模型采用Distflow形式，在配气网中采用韦茅斯方程对静态的气流量建模，针对气流量模型的非线性特征，通过二阶锥方法将气流量模型转换成常规的线性化模型，独立的配电网和配气网通过燃气轮机和电转气设备构建电-气耦合配网系统的数学模型。
具体的，所述步骤S2具体为：在配电网中引入风电、光伏分布式电源，针对风电、光伏出力的间歇性特点，采用蓄电池作为配电网的储能设备，采用储气罐作为配气网的储能设备，在所述的电-气耦合配网系统的数学模型基础上，构建风-光-电-气-储的综合能源配网系统的数学模型；采用碳捕集技术将小型发电厂和燃气轮机中排放的二氧化碳收集起来，供给运行中的电转气设备，构建碳交易机制下碳捕集设备的数学模型；在负荷侧考虑需求侧响应，构建可削减负荷、可转移负荷、可替代负荷三种的需求侧响应负荷模型。
具体的，所述碳交易机制下碳捕集设备的数学模型的构建具体如下：
碳捕集设备通过吸收、过滤和解析发电厂排放气体中的二氧化碳，碳封存技术将碳捕集设备捕获的二氧化碳通过气体输送管道，压缩在储存设备中或直接输送给电转气设备，在t时刻碳捕集设备的运行功率包括：在碳捕集过程中的能量消耗
Figure BDA0003637221230000031
和运行中固有能量损耗
Figure BDA0003637221230000032
具体表达式如下：
Figure BDA0003637221230000033
Figure BDA0003637221230000041
其中，τe表示单位二氧化碳捕集量所消耗的电功率系数，
Figure BDA0003637221230000042
表示捕集的二氧化碳量；
引入碳交易机制，根据发电功率的大小对配网系统中的碳排放源分配相应的碳排放额度，对超出或者低于该配额的碳排放源进行经济性惩罚与奖励，来激励系统减少二氧化碳的排放，时刻t的系统碳排放额度Dt根据各碳排放源的单位有功出力来分配，如下：
Figure BDA0003637221230000043
其中，d1、d2、d3分别表示配网中小型发电机组、燃气轮机、上级购电的单位有功功率的碳排放额度，
Figure BDA0003637221230000044
分别表示在t时刻小型发电机组、燃气轮机发出的有功功率，
Figure BDA0003637221230000045
表示t时刻从上级电网购入的有功功率；
系统在时刻t的碳排放量Et等于小型发电机组、燃气轮机、上级购电产生的碳排放量减去碳捕集设备捕获的碳排放量
Figure BDA0003637221230000046
表示如下：
Figure BDA0003637221230000047
其中，δ1、δ2、δ3分别表示小型发电机组、燃气轮机、上级购电的单位有功功率的碳排放量；
时刻t的碳交易成本
Figure BDA0003637221230000048
计算如下：
Figure BDA0003637221230000049
其中，
Figure BDA00036372212300000410
表示单位碳交易价格，单位为元/吨；
碳捕集设备在捕集二氧化碳过程中的碳捕集成本
Figure BDA00036372212300000411
计算如下：
Figure BDA00036372212300000412
其中，QCCPP,t表示碳捕集设备运行时所对应的单位电价；
风-光-电-气-储的综合能源配网系统中时刻t的总的碳成本
Figure BDA0003637221230000051
由碳交易成本和碳捕集成本组成，表示如下：
Figure BDA0003637221230000052
具体的，所述步骤S3中，预测日前风电有功出力时，采用威布尔分布和风电功率的预测模型；预测日前光伏的有功出力时，采用光照辐射强度模型。
具体的，所述步骤S3中，建立的日前优化调度模型具体为：在已建的电-气耦合配网系统的数学模型下，设日前调度的周期为24h，日前调度的时间步长取1h，以配网系统的运行综合成本最小、碳排放量最少、新能源消纳能力最高、网络损耗最低为目标，建立日前优化调度模型。
具体的，所述步骤S3中，对日前优化调度模型进行求解时，在MATLAB或YALMIP工具箱中调用MOSEK求解器进行求解。
具体的，所述步骤S4中，建立的多时间尺度的日内优化调度模型具体为：设置日内优化调度的初始时刻的采样点编号为1，预测时间周期为45min，调度时间周期取1h，预测时间和调度步长为15min，根据当前预测周期内风电、光伏的历史1000组数据，采用长短时记忆网络对风电和光伏出力进行预测。
具体的，所述步骤S4中，在对日内优化调度模型进行求解时，采用MOSEK求解器对日内优化调度模型进行求解。
本发明的有益效果：本发明提出了风-光-电-气-储综合能源配网系统的碳交易模型，该模型中采用碳捕集与电转气设备，将碳捕集设备捕获碳排放源中排放的二氧化碳供给电转气设备，实现了系统中二氧化碳的循环使用，在此基础上还构建三种需求侧响应负荷模型，从碳排放设备改良、需求侧响应负荷多途径来降低系统碳排放量；本发明以运行综合成本最小、新能源消纳能力最高、碳排放量最少、网络损耗最低为目标，构建风-光-电-气-储的综合能源配电网日前优化调度模型，针对其中风电、光伏的不确定性误差，在获得日前优化调度结果的基础上，采用模型预测控制算法，对风电、光伏的输出功率进行校正，修正风电、光伏出力的误差，构建综合能源配电网的多时间尺度的日内优化调度模型，从而提高了配电网系统的可靠性和稳定性。
附图说明
图1为本发明实施例的求解流程图；
图2为本发明实施例中配电网33节点-配气网20节点组成的电-气综合能源配网系统示意图；
图3为本发明实施例场景5中配电网的各设备出力和能量流动仿真图；
图4为本发明实施例场景5中配气网的各设备出力和能量流动仿真图；
图5为本发明实施例中5个场景的碳排放量及总碳排放量的示意图；
图6为本发明实施例中碳交易价格对系统总碳排放量和运行成本的影响仿真示意图；
图7为本发明实施例场景4和场景5中碳捕集设备的日前24小时出力示意图；
图8为本发明实施例中日前与日内调度的优化结果对比示意图。
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。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，以下结合实施例具体说明。
本发明包括以下步骤：
步骤S1：根据电-气综合能源配网系统的网络结构，构建配电网和配气网组成的综合能源配网系统的数学模型。
在构建时，配电网支路和节点的潮流模型采用Distflow支路潮流，各节点流入的功率与流出节点的功率在各时刻相等，如式(1)-(2)，公式(3)表示节点电压降落约束方程，公式(4)表示支路电流约束方程，如下：
Figure BDA0003637221230000071
Figure BDA0003637221230000072
Figure BDA0003637221230000073
Figure BDA0003637221230000074
其中，lj表示以j为支路末端节点的首端点数目，jl表示以j为支路首端几点的末端点数目，g表示燃气轮机台数，α表示电转气设备的台数，Iij、Pij、Qij分别表示线路ij之间流过的电流、有功、无功功率，
Figure BDA0003637221230000075
为需求侧响应电负荷量，
Figure BDA0003637221230000076
为节点的失电负荷量，Ui,t表示节点i的电压，
Figure BDA0003637221230000077
分别表示节点i上负荷所消耗的有功和无功功率，
Figure BDA0003637221230000078
表示燃气轮机燃烧天然气所产生的有功功率，
Figure BDA0003637221230000079
表示电转气设备所消耗的有功功率，Pij,min、Pij,max分别表示线路ij允许流过的最小、最大有功功率；
在配气网中采用韦茅斯方程对静态的气流量建模，针对气流量模型的非线性特征，通过二阶锥方法将气流量模型转换成常规的线性化模型，独立的配电网和配气网通过燃气轮机和电转气设备构建电-气耦合配网系统的数学模型，具体如下：
天然气管道中的气流通过各节点之间的气压来简化表述，天然气从气压更高的节点流向气压更低的节点，当气流方向从高气压节点i流向低气压节点j时，其方程为：
Figure BDA0003637221230000081
其中，
Figure BDA0003637221230000082
为管道气流量，πi、πj分别为节点i、j的气压，Cij是与天然气管道直径和长度相关的常数。
将上述非凸非线性的气流模型式(12)转换成以下形式：
Figure BDA0003637221230000083
通过范数的形式将改写后的气流模型转换成二阶锥规划形式：
Figure BDA0003637221230000084
其中：||||表示变量的二范数形式。
在配气网中任意节点处，其流入的气流量和流出气流量需相等，且节点的气流量需满足相关的上下约束限制，具体表述如下：
Figure BDA0003637221230000085
Figure BDA0003637221230000086
其中，fi,t表示节点i流入和节点i流出的气流量，
Figure BDA0003637221230000087
表示电转气设备产生的气流量，
Figure BDA0003637221230000088
表示燃气轮机消耗的气流量，
Figure BDA0003637221230000089
表示节点i所消耗的气负荷量，
Figure BDA00036372212300000810
为需求侧响应气负荷量，
Figure BDA00036372212300000811
为节点的失气负荷量，
Figure BDA00036372212300000812
分别表示节点所能流过的最小、最大的气流量；
步骤S2：计及碳交易机制，从源、网、荷三个角度，分别引入分布式能源风电与光伏、碳捕集设备、需求侧响应负荷，在电-气耦合的综合能源配网系统的数学模型的基础上，构建风-光-电-气-储综合能源配网系统的碳交易模型。
S21：为降低电-气综合能源配网系统中的碳排放量，在配电网中引入风电、光伏分布式电源，针对风电、光伏出力的间歇性特点，采用蓄电池作为配电网的储能设备，采用储气罐作为配气网的储能设备，在所述的电-气耦合配网系统的数学模型基础上，构建风-光-电-气-储的综合能源配网系统的数学模型，具体如下：
由于风能的间歇性和风电场周边环境因素对风力机运行的影响，风电场中风电有功出力具有随机性和波动性，威布尔分布能够较好地拟合风速数据，构建与风机形状大小有关的风速概率密度函数，表示如下：
Figure BDA0003637221230000091
其中，x为形状系数，取值范围为1.8-2.8，c表示尺寸；
得知风速的条件下，风力机组的实际发电功率可简化为与风速和机组的额定功率相关的函数，风电功率的预测模型表示为：
Figure BDA0003637221230000092
其中，
Figure BDA0003637221230000093
为t时刻第i台风机预测的有功功率，Pw,E表示风机额定功率，vw(t)为t时刻的风速大小，vw,i、vw,o、vw,E分别为风电机组的切入、切出、额定风速的大小；
光伏电池的发电功率主要与电池表面的光照辐射强度以及外界温度有关，光伏电池板的光照辐射强度由Hey模型获得，表示如下：
Figure BDA0003637221230000101
其中，Gp、Gd分别表示直接光照辐射能量、水平面散射的光照辐射能量，Kp表示倾斜与水平的能量辐射比值，G0表示大气层外的光照辐射能量，θ为光伏板的倾斜角，λ为地表发射率，Gm表示总的水平面光照辐射能量；
由上述的光照辐射强度模型，可构建外界温度T0(t)与光伏板自身温度TSV的函数，表示如下：
Figure BDA0003637221230000102
其中：Tr为标准试验下光伏电池板表面的温度，通常为25℃。
由于模型的精度要求不高，本发明将光伏发电功率PSV简化表示如下：
Figure BDA0003637221230000103
其中，Pr表示标准试验条件下的最大光伏发电功率，Gr表示标准试验下的太阳辐射强度，通常为1000W/m2；τT表示温度系数，本发明取0.00485℃。
太阳能发电的高峰期大多集中在光照强度高的中午，风力发电主要集中在傍晚或者夜间风速较大的时段，储能装置通过在发电功率充裕时储存多余的电能，在负荷高峰期将储存的电能释放，从而有效提高新能源的消纳能力，增强了电能的可控性，本发明中配电网储能模型采用蓄电池储能，具体模型如下：
Figure BDA0003637221230000104
其中，
Figure BDA0003637221230000105
表示蓄电池在t时刻储存的电能，
Figure BDA0003637221230000106
分别表示蓄电池的充、放电功率，
Figure BDA0003637221230000107
分别表示蓄电池的充电、放电效率，σbat表示蓄电池自身的放电损耗率，ΔT表示时间周期。
配气网系统的储能元件通常为储气罐，类似于配电网中的蓄电池模型，配气网中储气罐模型构建如下：
Figure BDA0003637221230000111
其中，
Figure BDA0003637221230000112
表示储气罐在t时刻储存的天然气能，
Figure BDA0003637221230000113
分别表示储气罐充入、释放的天然气量，
Figure BDA0003637221230000114
分别表示储气罐的储存、释放天然气的效率，σg表示储气罐自身的损耗率，ΔT表示时间周期。
S22：采用碳捕集技术，将小型发电厂和燃气轮机中排放的二氧化碳收集起来，供给运行中的电转气设备，实现碳的循环利用，构建碳交易机制下碳捕集设备的数学模型，具体如下：
碳捕集设备通过吸收、过滤和解析发电厂排放气体中的二氧化碳，碳封存技术将碳捕集设备捕获的二氧化碳通过气体输送管道，压缩在储存设备中或直接输送给电转气设备，在t时刻碳捕集设备的运行功率包括：在碳捕集过程中的能量消耗
Figure BDA0003637221230000115
和运行中固有能量损耗
Figure BDA0003637221230000116
具体表达式如下：
Figure BDA0003637221230000117
Figure BDA0003637221230000118
其中，τe表示单位二氧化碳捕集量所消耗的电功率系数，
Figure BDA0003637221230000119
表示捕集的二氧化碳量；
引入碳交易机制，根据发电功率的大小对配网系统中的碳排放源分配相应的碳排放额度，对超出或者低于该配额的碳排放源进行经济性惩罚与奖励，来激励系统减少二氧化碳的排放，时刻t的系统碳排放额度Dt根据各碳排放源的单位有功出力来分配，如下：
Figure BDA0003637221230000121
其中，d1、d2、d3分别表示配网中小型发电机组、燃气轮机、上级购电的单位有功功率的碳排放额度，
Figure BDA0003637221230000122
分别表示在t时刻小型发电机组、燃气轮机发出的有功功率，
Figure BDA0003637221230000123
表示t时刻从上级电网购入的有功功率；
系统在时刻t的碳排放量Et等于小型发电机组、燃气轮机、上级购电产生的碳排放量减去碳捕集设备捕获的碳排放量
Figure BDA0003637221230000124
表示如下：
Figure BDA0003637221230000125
其中，δ1、δ2、δ3分别表示小型发电机组、燃气轮机、上级购电的单位有功功率的碳排放量；
时刻t的碳交易成本
Figure BDA0003637221230000126
计算如下：
Figure BDA0003637221230000127
其中，
Figure BDA0003637221230000128
表示单位碳交易价格，单位为元/吨；
碳捕集设备在捕集二氧化碳过程中的碳捕集成本
Figure BDA0003637221230000129
计算如下：
Figure BDA00036372212300001210
其中，QCCPP,t表示碳捕集设备运行时所对应的单位电价；
风-光-电-气-储的综合能源配网系统中时刻t的总的碳成本
Figure BDA00036372212300001211
由碳交易成本和碳捕集成本组成，表示如下：
Figure BDA00036372212300001212
S23：在负荷侧考虑需求侧响应，构建可削减负荷、可转移负荷、可替代负荷三种的需求侧响应负荷模型，以进一步降低综合能源配网系统中的碳排放量，具体如下：
综合能源配网系统终端的需求侧用户根据价格等因素的引导调节自身负荷用量和用时，这一方式称为需求响应。需求侧响应负荷根据响应方式分为三种类型：可削减负荷
Figure BDA0003637221230000131
可转移负荷
Figure BDA0003637221230000132
可替代负荷
Figure BDA0003637221230000133
需求响应负荷总量
Figure BDA0003637221230000134
表示为：
Figure BDA0003637221230000135
可削减负荷是指受到外界因素影响，可直接中断重要程度不高的负荷，如空调、烘干机；为保证用户满意度，它受到最大可削减量、最长可削减时间限制，表示如下：
Figure BDA0003637221230000136
Figure BDA0003637221230000137
其中，
Figure BDA0003637221230000138
表示最大可削减负荷量，
Figure BDA0003637221230000139
表示可削减负荷的状态变量，
Figure BDA00036372212300001310
分别表示最多可削减次数和最长可削减时间；
可转移负荷指在用户受分时价格影响后，从价格高峰时刻转移至价格低谷时刻的负荷，如电动汽车的充电负荷；可转移负荷等于转入负荷和转出负荷的差值，表示如下：
Figure BDA00036372212300001311
其中：
Figure BDA00036372212300001312
分别表示需求侧的转入负荷量和转出负荷量；
可替代负荷指用户根据自身条件在电与气需求之间进行相互转换的负荷，如电磁炉与燃气灶；可替代电负荷量、可替代气负荷量之间的替换关系如下：
Figure BDA00036372212300001313
Figure BDA00036372212300001314
其中：λ表示电与气负荷之间的替代系数，WE、WG分别表示单位电负荷热值与单位气负荷热值；ηE、ηG分别表示电负荷与气负荷的利用率。
步骤S3：在风-光-电-气-储的综合能源配网系统的碳交易模型中，根据日前的风速和光照参数，采用威布尔分布和风电功率的预测模型预测日前风电的有功出力，采用光照辐射强度模型预测日前光伏的有功出力，并建立综合能源配网系统的日前优化调度模型，在MATLAB或YALMIP工具箱中调用MOSEK求解器对该模型进行求解，得到配网系统中风电、光伏、储能设备的日前最优出力和线路的最优能量流动。建立日前优化调度模型的具体步骤如下：
本发明计及三种不同类型的需求侧响应负荷，以系统购电成本ft E,in、购气成本ft G ,in最低，弃风成本ft W、弃光成本ft SV最小，需求侧电负荷响应成本ft E,DR、气负荷响应成本ft G ,DR最小，碳成本
Figure BDA0003637221230000141
最少、网络损耗ft loss最小为优化目标，建立风-光-电-气综合能源配网系统的日前优化调度模型，表示如下：
Figure BDA0003637221230000142
Figure BDA0003637221230000143
Figure BDA0003637221230000144
Figure BDA0003637221230000145
Figure BDA0003637221230000146
Figure BDA0003637221230000147
其中：T为总时间段数，为24h；NDR、NW、NSV分别表示需求响应、风电、光伏电源的节点数目，Nl表示配电网的支路数目，σt E/G.in表示单位购电和购气的费用系数，
Figure BDA0003637221230000151
表示配电网和配气网需求响应的单位补偿成本，
Figure BDA0003637221230000152
表示单位弃光、弃风成本，Pt E,in、Pt G,in分别表示向上级系统购入的电量和气量，
Figure BDA0003637221230000153
分别表示需求响应的电负荷量、气负荷量，
Figure BDA0003637221230000154
表示弃光、弃风量，Rl为线路l的电阻。
步骤S4：为降低受风速和光照强度影响的风电、光伏有功出力预测误差，采用模型预测控制方法，以日前最优风电和光伏出力为基准值，以日内风电和光伏出力与基准值的偏差最小作为日内优化调度目标，建立多时间尺度的日内优化调度模型，并采用MOSEK求解器对该模型进行求解，得到当前调度周期内的日内优化调度结果，具体如下：
日内优化调度是以日前优化调度结果作为参考，在预设时间步长内进行多时间尺度优化调度，模型预测控制是一种实现闭环控制的滚动优化算法，它利用日前优化调度的预测值和当前时刻的实测值产生一个控制序列，对下一个调度周期的预测初值引入控制变量进行反馈矫正，以缩小在优化调度过程中产生的误差，以此不断滚动迭代直至求解完毕。
本发明设置日内优化调度的初始时刻的采样点编号为1，以预测时间周期为45min，调度时间周期取1h，预测时间和调度步长为15min，进行滚动优化调度，模型预测控制主要由模型预测、滚动优化、反馈矫正组成，能够较好地解决含有多重不确定性因素干扰下的优化调度问题，具体模型如下：
(1)预测模型
在电-气综合能源配网中日内每次滚动优化调度过程之前，基于当前时刻风电、光伏的历史1000组数据，在给定的预测周期内，采用长短时记忆网络对风电和光伏出力进行预测，当以一天24h为总调度时长，在1h调度周期内采样4次，则总的调度采样点数为96，再根据预测结果在调度周期内进行优化调度，风电和光伏出力的预测模型如下：
Figure BDA0003637221230000161
其中：τ为调度时间步长；PW/SV(k+i|k)分别表示风电和光伏机组在k时刻预测k+i时刻的有功出力；P0 W/SV(k)分别表示风电和光伏出力在k时刻初始值；ΔuW/SV(k+τ|k)表示在k时刻预测k+τ时刻的风电和光伏出力的增量。
(2)优化模型
基于模型预测控制的日内优化调度的目标是：以日前风电和光伏的优化调度结果为基准，对相邻时间周期内风电、光伏出力的差值给予惩罚，使得日内各时刻风电、光伏有功出力与基准值的差值最小，以减小风电和光伏的预测出力误差来降低系统的功率波动，日内优化调度的目标函数具体描述如下：
Figure BDA0003637221230000162
其中，
Figure BDA0003637221230000163
分别为日前k+i时刻风电和光伏有功出力的基准值，这里基准值取日前优化调度的优化调度结果，λ1、λ2分别表示风电和光伏出力的误差波动惩罚因子；
相关的约束条件包括：配电网约束、配气网约束、分布式电源和储能设备约束、需求侧响应约束、碳捕集设备等约束，具体如下：
Figure BDA0003637221230000164
(3)反馈校正
基于模型预测控制的日内滚动优化调度是在上述预测模型的基础上，加入了反馈校正环节，即根据日前优化调度的预测值和当前时刻的实测值，对预测模型中下一个周期的风电和光伏出力初始值进行修正，从而减小滚动预测带来的误差，具体反馈矫正模型如下：
Figure BDA0003637221230000171
其中：
Figure BDA0003637221230000172
表示上一时刻风电和光伏有功出力的实测值；
步骤S5：针对当前调度周期内的日内优化调度结果，判断当前调度周期是否在滚动的优化调度周期内，如果在，则将下一个调度周期内第一个时刻的历史风电和光伏出力替换为上一个调度周期最后一个时刻从调度中心获得的风电和光伏实际出力，将上一个调度周期中各时刻的预测值替换为上一个调度周期从调度获得的相应时刻的风电和光伏实际出力，并返回步骤S4，如果不在，则说明日内优化调度结束，输出日内优化调度结果。
实施例
本发明以电-气耦合的综合能源配网系统的综合运行成本最小、碳排放量最低、弃风弃光量最少和网络损耗最低为日前优化调度目标，采用模型预测控制算法，以风电和光伏出力的误差波动最小为目标进行日内优化调度，求解流程如图1所示。在修正的33节点配电网和比利时20节点配气网组成的电-气耦合配网系统模型进行仿真实验，系统结构如图2所示。
为分析碳捕集与电转气技术、需求侧响应对系统碳排放量、综合运行成本的影响，分为以下五个场景进行对比实验：
场景1：常规的电-气耦合配网系统。
场景2：碳交易机制下的电-气耦合配网系统。
场景3：碳交易机制下的风-光-电-气-储综合能源配网系统。
场景4：碳交易机制下计及碳捕集的风-光-电-气-储综合能源配网系统。
场景5：碳交易机制下计及碳捕集和需求侧响应的风-光-电-气-储的综合能源配网系统。
以一天24小时为调度时间尺度，求解得到以上五个场景的优化运行成本，如表1所示，各场景中的能量分布如表2所示，其中天然气计量单位统一为kcf，表示千立方英尺。
表1不同场景下的优化运行成本/万元
Figure BDA0003637221230000181
表2不同场景下的能量分布
Figure BDA0003637221230000182
从表1和表2可看出，场景1、2中未考虑分布式电源(风电、光伏)及储能元件(蓄电池和储气罐)的协同运行，不存在弃风和弃光成本，但二者购气量和购电量较高，总运行费用均高于10000万元；在总负荷量较大且没有外接清洁能源的情况下，计及碳交易机制的场景2比场景1的碳排放量降低并不明显，碳排放量仅降低了9.425千吨。
场景3引入了风电、光伏清洁能源的加入，减小了小型发电厂和燃气轮机等高额碳排放源的出力，降低了碳排放量，但场景3新能源的消纳能力低，弃风弃光量较大。
相比于场景1、2、3，场景4、5在碳交易机制下考虑了碳捕集设备和电转气设备，可显著地降低弃风、弃光成本及碳排放量。这是因为碳捕集设备可将小型发电厂和燃气轮机排放的二氧化碳捕集并供给电转气设备生成甲烷，实现了碳的循环利用，减少对外排放的二氧化碳。场景5还考虑了需求侧响应，将高峰时段的负荷转移到低谷时期，从而大大提高了新能源的消纳能力，比场景4更降低了碳排放量，相应的网损也降低了。
图3和图4展示了24小时内场景5中配电网和配气网的各设备出力及能量流动。从图3和图4可以看出，在配电网侧风电出力在24h几乎均有分布，一天中风电出力波动较大，在傍晚18:00和夜间0:00-6:00时期风电出力较大，而光伏出力大多集中在8：00-17：00时间段，在白天系统总出力较大时，多余的有功功率通过蓄电池储存起来，当系统总出力较低时，蓄电池进行放电供给用电负荷，弥补有功出力的不足。场景5中系统向上级购电量相对较低，这是因为在计及IDR后，用电高峰期的负荷降低、低谷期的负荷增加，对系统有功出力起到了缓冲作用，使得分布式能源得到更充分的利用，从而降低了向上级的购电量。
本发明所构建的综合能源配网系统模型中，主要的碳排放量的来源包括：上级电网购电折算的碳排放量、小型发电厂、燃气轮机的碳排放量。5个场景下各碳排放源的碳排放量、总碳排放量如图5所示。
从图5可看出，相比于场景1，计及碳交易机制的场景2的碳排放量变化并不明显，仅降低了上级购电折算的碳排放量9.4千吨。这是因为碳交易机制主要是对高额碳排放源给予经济惩罚，但在负荷需求量和能源供应形式基本不变的情况下，小型发电厂和上级购电折算的碳排放量难以大幅度降低。
引入风电、光伏和储能设备，场景3的配电网中上级购电量和小型发电厂的碳排放量分别降低了39.89、12.11千吨，这是因为供电出力向零碳排放源的风电、光伏电源转移，降低了向火力发电厂和上级购电的电量，但是配气网侧燃气轮机的碳排放量依旧较高。
场景4、场景5都考虑了碳捕集与电转气设备，将燃气轮机和小型发电厂中排放的二氧化碳加以捕集，并输送给电转气设备，实现碳的循环使用，有效地降低了燃气轮机的碳排放量。由于场景5考虑了需求侧响应，降低了系统的电负荷与气负荷的供应量，减缓了碳捕集和燃气轮机等设备的出力，相比于场景1，其碳排放量降低了113千吨。
以上仿真实验表明，本发明提出的计及碳排放的风-光-电-气-储综合能源配网系统多时间尺度优化调度方法，能够有效地降低系统的碳排放量。
针对场景2中计及碳交易机制的电-气耦合配网系统，改变单位碳排放量的交易价格，分析其对系统总碳排放量和运行成本的影响，仿真实验结果如图6所示。
从图6可看出，随着单位碳交易价格的上升，系统的总运行成本有所增加，在不考虑碳捕集设备和新能源接入的情况下，场景2的总成本与碳交易价格几乎呈线性关系。而碳排放量随碳交易价格的提高而减少，但当碳交易价格增加到55元/吨以后，系统碳交易机制下所能减少的碳排放量达到饱和，碳排放量不再随碳交易价格的提升而降低，实验表明，提高单位碳交易价格会以牺牲经济成本为代价来降低二氧化碳排放量，但所能降低的排放量是有限的，而且仅降低总排放量的2.5％左右，效果并不明显，因此在计及碳交易机制的同时，还需采取其他降低碳排放量的措施。
场景4和场景5中碳捕集设备的日前24小时出力如图7所示。
从图7可看出，场景4中捕集设备出力在7.8MW-8.8MW之间，而场景5中碳捕集设备出力在3.5MW-3.8MW之间，因为碳捕集设备的出力主要与燃气轮机和小型发电厂中二氧化碳的排放量有关，场景5在计及需求侧负荷的削减后，总的负荷量减少，燃气轮机和发电厂的发电量减少使得碳排放量降低，因此碳捕集设备的功率有所降低。
此外，场景4中在20：00时刻碳捕集设备出力突然增大，而场景5中碳捕集出力更加平滑，这是因为分布式风电和光伏电源出力存在一定的波动性，会引起碳捕集设备的运行功率的波动，而需求侧可转移负荷将负荷从高峰时期转移至低谷时期，使得系统中燃气轮机和发电厂的有功出力更加平滑，从而缓冲了碳捕集设备的出力。
综上所述，从日内优化调度的实验结果可得到：在电-气耦合配网系统仅考虑碳交易机制对碳排放的降低效果并不明显，且系统的运行成本会随着碳交易价格的上升而增加，当单位碳交易价格达到60元/t时碳排放量不再降低。而在引入分布式光伏、风电及碳捕集设备后，一方面碳排放源从燃气轮机和发电厂向新能源转移，另一方面系统排放的二氧化碳被碳捕集供给电转气设备合成甲烷，因此碳排放有明显的降低。此外，系统通过电价引导用户进行需求侧响应，可实现负荷的削峰填谷，提高新能源的消纳能力，进一步降低碳排放量。
日内滚动调度是以日前调度结果为参照量，风电和光伏出力波动误差最小为目标进行的多时间尺度优化调度。图8对比了日前调度和日内调度，上级购电、购气、风电以及光伏出力的优化结果，为更明显地对比它们的功率波动差别，采样点均取一天24小时。
从图8可看出，日内优化调度的出力比日前优化调度的更平滑，因为日前优化调度的时间步长为1h，时间尺度较长；而日内调度预测时间周期为45min，调度时间周期取1h，预测时间和调度步长为15min，日内调度的时间步长短，并且做了滚动优化，同时在日内滚动优化调度过程中引入了模型预测控制，尤其是其中的反馈矫正环节：采用将下一个调度周期内第一个时刻的历史风电和光伏出力替换为上一个调度周期最后一个时刻从调度中心获得的风电和光伏实际出力，上一个调度周期中各时刻的预测值替换为上一个调度周期从调度获得的相应时刻的风电和光伏实际出力，对风电、光伏出力预测误差进行了修正，使图8中的风电和光伏的出力预测更准确，相邻时刻的风电和光伏出力及系统的功率波动更平滑，避免了短时间内频繁调用储能设备，有利于提高配网系统中各设备的使用寿命。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于，包括以下步骤：
S1：根据电-气综合能源配网系统的网络结构，构建配电网和配气网组成的综合能源配网系统的数学模型；
S2：计及碳交易机制，从源、网、荷三个角度，分别引入分布式能源风电与光伏、碳捕集设备、需求侧响应负荷，在电-气耦合的综合能源配网系统的数学模型的基础上，构建风-光-电-气-储综合能源配网系统的碳交易模型；
S3：在风-光-电-气-储综合能源配网系统的碳交易模型中，根据日前的风速和光照参数，预测日前风电的有功出力和日前光伏的有功出力，并建立综合能源配网系统的日前优化调度模型，对该模型进行求解，得到配网系统中风电、光伏、储能设备的日前最优出力和线路的最优能量流动；
S4：以日前最优风电和光伏出力为基准值，以日内风电和光伏出力与基准值的偏差最小作为日内优化调度目标，建立多时间尺度的日内优化调度模型，并对该模型进行求解，得到当前调度周期内的日内优化调度结果；
S5：针对当前调度周期内的日内优化调度结果，判断当前调度周期是否在滚动的优化调度周期内，如果在，则将下一个调度周期内第一个时刻的历史风电和光伏出力替换为上一个调度周期最后一个时刻从调度中心获得的风电和光伏实际出力，将上一个调度周期中各时刻的预测值替换为上一个调度周期从调度获得的相应时刻的风电和光伏实际出力，并返回步骤S4，如果不在，则说明日内优化调度结束，输出日内优化调度结果。
2.根据权利要求1所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于：所述步骤S1中，在构建配电网和配气网组成的综合能源配网系统的数学模型时，配电网的潮流模型采用Distflow形式，在配气网中采用韦茅斯方程对静态的气流量建模，针对气流量模型的非线性特征，通过二阶锥方法将气流量模型转换成常规的线性化模型，独立的配电网和配气网通过燃气轮机和电转气设备这两个耦合设备构建电-气耦合配网系统的数学模型。
3.根据权利要求1所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于，所述步骤S2具体为：
在配电网中引入风电、光伏分布式电源，针对风电、光伏出力的间歇性特点，采用蓄电池作为配电网的储能设备，采用储气罐作为配气网的储能设备，在所述的电-气耦合配网系统的数学模型基础上，构建风-光-电-气-储的综合能源配网系统的数学模型；
采用碳捕集技术，将小型发电厂和燃气轮机中排放的二氧化碳收集起来，供给运行中的电转气设备，构建碳交易机制下碳捕集设备的数学模型；
在负荷侧考虑需求侧响应，构建可削减负荷、可转移负荷、可替代负荷三种的需求侧响应负荷模型。
4.根据权利要求3所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于，所述碳交易机制下碳捕集设备的数学模型的构建具体如下：
碳捕集设备通过吸收、过滤和解析发电厂排放气体中的二氧化碳，碳封存技术将碳捕集设备捕获的二氧化碳通过气体输送管道，压缩在储存设备中或直接输送给电转气设备，在t时刻碳捕集设备的运行功率包括：在碳捕集过程中的能量消耗
Figure FDA0003637221220000021
和运行中固有能量损耗
Figure FDA0003637221220000022
具体表达式如下：
Figure FDA0003637221220000023
Figure FDA0003637221220000024
其中，τe表示单位二氧化碳捕集量所消耗的电功率系数，
Figure FDA0003637221220000031
表示捕集的二氧化碳量；
引入碳交易机制，根据发电功率的大小对配网系统中的碳排放源分配相应的碳排放额度，对超出或者低于该配额的碳排放源进行经济性惩罚与奖励，来激励系统减少二氧化碳的排放，时刻t的系统碳排放额度Dt根据各碳排放源的单位有功出力来分配，如下：
Figure FDA0003637221220000032
其中，d1、d2、d3分别表示配网中小型发电机组、燃气轮机、上级购电的单位有功功率的碳排放额度，
Figure FDA0003637221220000033
分别表示在t时刻小型发电机组、燃气轮机发出的有功功率，
Figure FDA0003637221220000034
表示t时刻从上级电网购入的有功功率；
系统在时刻t的碳排放量Et等于小型发电机组、燃气轮机、上级购电产生的碳排放量减去碳捕集设备捕获的碳排放量
Figure FDA0003637221220000035
表示如下：
Figure FDA0003637221220000036
其中，δ1、δ2、δ3分别表示小型发电机组、燃气轮机、上级购电的单位有功功率的碳排放量；
时刻t的碳交易成本
Figure FDA0003637221220000037
计算如下：
Figure FDA0003637221220000038
其中，
Figure FDA0003637221220000039
表示单位碳交易价格，单位为元/吨；
碳捕集设备在捕集二氧化碳过程中的碳捕集成本
Figure FDA00036372212200000310
计算如下：
Figure FDA00036372212200000311
其中，QCCPP,t表示碳捕集设备运行时所对应的单位电价；
风-光-电-气-储的综合能源配网系统中时刻t的总的碳成本
Figure FDA0003637221220000041
由碳交易成本和碳捕集成本组成，表示如下：
Figure FDA0003637221220000042
5.根据权利要求1所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于：所述步骤S3中，预测日前风电有功出力时，采用威布尔分布和风电功率的预测模型；预测日前光伏的有功出力时，采用光照辐射强度模型。
6.根据权利要求1所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于，所述步骤S3中，建立的日前优化调度模型具体为：在已建的电-气耦合配网系统的数学模型下，设日前调度的周期为24h，日前调度的时间步长取1h，以配网系统的运行综合成本最小、碳排放量最少、新能源消纳能力最高、网络损耗最低为目标，建立日前优化调度模型。
7.根据权利要求6所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于：所述步骤S3中，对日前优化调度模型进行求解时，在MATLAB或YALMIP工具箱中调用MOSEK求解器进行求解。
8.根据权利要求1所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于，所述步骤S4中，建立的多时间尺度的日内优化调度模型具体为：设置日内优化调度的初始时刻的采样点编号为1，预测时间周期为45min，调度时间周期取1h，预测时间和调度步长为15min，根据当前预测周期内风电、光伏的历史1000组数据，采用长短时记忆网络对风电和光伏出力进行预测。
9.根据权利要求8所述的一种计及碳排放的能源配网系统多时间尺度优化调度方法，其特征在于：所述步骤S4中，在对日内优化调度模型进行求解时，采用MOSEK求解器对日内优化调度模型进行求解。
CN202210509060.0A 2022-05-10 2022-05-10 一种计及碳排放的能源配网系统多时间尺度优化调度方法 Pending CN115408808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210509060.0A CN115408808A (zh) 2022-05-10 2022-05-10 一种计及碳排放的能源配网系统多时间尺度优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210509060.0A CN115408808A (zh) 2022-05-10 2022-05-10 一种计及碳排放的能源配网系统多时间尺度优化调度方法

Publications (1)

Publication Number Publication Date
CN115408808A true CN115408808A (zh) 2022-11-29

Family

ID=84157814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210509060.0A Pending CN115408808A (zh) 2022-05-10 2022-05-10 一种计及碳排放的能源配网系统多时间尺度优化调度方法

Country Status (1)

Country Link
CN (1) CN115408808A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563816A (zh) * 2022-11-30 2023-01-03 国网天津市电力公司城西供电分公司 面向低碳的光伏、风力发电并网与储能优化方法及装置
CN116683417A (zh) * 2023-06-05 2023-09-01 国网浙江省电力有限公司杭州市钱塘区供电公司 一种针对中低压柔性直流配电网的碳流优化方法及系统
CN118659370A (zh) * 2024-08-20 2024-09-17 浙大城市学院 一种基于动态仿真的能源系统运行策略优化方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563816A (zh) * 2022-11-30 2023-01-03 国网天津市电力公司城西供电分公司 面向低碳的光伏、风力发电并网与储能优化方法及装置
CN116683417A (zh) * 2023-06-05 2023-09-01 国网浙江省电力有限公司杭州市钱塘区供电公司 一种针对中低压柔性直流配电网的碳流优化方法及系统
CN116683417B (zh) * 2023-06-05 2024-01-30 国网浙江省电力有限公司杭州市钱塘区供电公司 一种针对中低压柔性直流配电网的碳流优化方法及系统
CN118659370A (zh) * 2024-08-20 2024-09-17 浙大城市学院 一种基于动态仿真的能源系统运行策略优化方法及系统
CN118659370B (zh) * 2024-08-20 2024-10-25 浙大城市学院 一种基于动态仿真的能源系统运行策略优化方法及系统

Similar Documents

Publication Publication Date Title
CN111445090B (zh) 一种离网型综合能源系统双层规划方法
CN115408808A (zh) 一种计及碳排放的能源配网系统多时间尺度优化调度方法
CN112990523B (zh) 区域综合能源系统分层优化运行方法
CN110994606B (zh) 一种基于复杂适应系统理论的多能源电源容量配置方法
CN111210079A (zh) 一种分布式能源虚拟电厂运行优化方法及系统
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
CN116613741A (zh) 一种计及阶梯式碳交易的综合能源系统优化调度方法
CN116050637A (zh) 基于分时电价的综合能源虚拟电厂优化调度方法及系统
CN114362152B (zh) 综合能源系统多时间尺度调度方法
CN110190630B (zh) 一种含多微能源网的配网预防-紧急控制方法
CN118229020A (zh) 考虑灵活性资源和绿证碳交易的能源系统优化调度方法
CN117495012A (zh) 综合能源系统双时间尺度低碳优化调度方法
CN116961008A (zh) 计及电力弹簧与负荷需求响应的微电网容量双层优化方法
Yanfei et al. Multi-objective optimal dispatching of wind-photoelectric-thermal power-pumped storage virtual power plant
CN112561120B (zh) 一种基于微电网参考日前市场出清系统优化运行方法
CN116245376A (zh) 一种电转气虚拟电厂降碳运行优化方法及系统
CN115456395A (zh) 一种基于主从博弈的含光热能源运营商冬季运行方法
CN114386256A (zh) 一种考虑电热设备灵活性约束及热网特性的区域电热系统优化调度方法
CN111555270A (zh) 一种综合能源优化与动态分析的方法及系统
Guo et al. Low-carbon economic dispatching of park integrated energy system considering carbon accounting
Wang et al. Considering Low-Carbon Economic Dispatch of Power Systems with the Participation of Large-Scale Energy Storage and Multiple Types of Regulation Resources
CN117574684B (zh) 一种电-氢-碳综合能源系统时序生产模拟方法及系统
CN118137477B (zh) 考虑通信基站和电能传输阻塞的多能系统配置方法及系统
Yu et al. Research on low-carbon power planning with gas turbine units based on carbon transactions
Li et al. Capacity Optimization of wind Generation Considering Complementary Operation with Pumped Storage

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