CN112052987B - 一种计及风电的综合能源系统优化规划方法及系统 - Google Patents
一种计及风电的综合能源系统优化规划方法及系统 Download PDFInfo
- Publication number
- CN112052987B CN112052987B CN202010831951.9A CN202010831951A CN112052987B CN 112052987 B CN112052987 B CN 112052987B CN 202010831951 A CN202010831951 A CN 202010831951A CN 112052987 B CN112052987 B CN 112052987B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- planning
- scene
- constraint
- wind power
- 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 53
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000004146 energy storage Methods 0.000 claims abstract description 122
- 238000009434 installation Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000007789 gas Substances 0.000 claims description 33
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000020169 heat generation Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 238000005338 heat storage Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 239000003345 natural gas Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims 2
- 238000003491 array Methods 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了一种计及风电的综合能源系统优化规划方法及系统，属于综合能源规划技术领域，所述方法包括以下步骤：获取综合能源系统的运行状态数据和候选设备的参数数据；将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值；本公开以运行成本、投资成本、电能不足成本和弃风成本在内的最小总成本为目标构建了规划模型，以得到储能的位置和安装年限以及其他候选设备的规划结果，而且规划模型中采用情景法考虑风电不确定性的影响，保证了计算效率和精度。
Description
技术领域
本公开涉及综合能源规划技术领域，特别涉及一种计及风电的综合能源系统优化规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
传统能源日益紧缺，环境污染日益严重，可再生能源近年来发展迅速。同时，大规模储能的应用可以缓解可再生能源的不确定性。另外，综合能源系统由于具有较高的效率和灵活性，被认为是一种潜在的能源供应方式。虽然多能耦合可以提高能源效率和互补性，但其复杂性和随机性同样是综合能源规划的关键问题。基于这一现实，有必要将多能源系统规划、能源转换利用与综合需求响应相结合。
目前已有许多文献对储能在综合能源系统中的应用进行了研究，但基于风电不确定性的多类型储能规划的研究方法尚处于起步阶段。有研究人员提出了电-气转换装置的IES规划模型，优化了发电机组的位置和容量。有研究人员提出了电池储能系统配置的混合优化模型。有研究人员为了提高系统运行的经济性，提出了混合储能系统容量优化配置的统计方法，并通过蒙特卡罗仿真得到了混合储能系统的容量配置。有研究人员建立了IES与能源转换装置的优化协同运行模型，确定了存储规模及运行策略。
但是本公开发明人发现，上述研究并未考虑风电的影响，或仅考虑单一类型储能装置在IES中的应用，而且在综合能源系统规划中，缺乏对风电不确定性和多类型储能的考虑。
发明内容
为了解决现有技术的不足，本公开提供了一种计及风电的综合能源系统优化规划方法及系统，以运行成本、投资成本、电能不足成本和弃风成本在内的最小总成本为目标构建了规划模型，以得到储能的位置和安装年限以及其他候选设备的规划结果，而且规划模型中采用情景法考虑风电不确定性的影响，保证了计算效率和精度。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种计及风电的综合能源系统优化规划方法。
一种计及风电的综合能源系统优化规划方法，包括以下步骤：
获取综合能源系统的运行状态数据和候选设备的参数数据；
将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值。
本公开第二方面提供了一种计及风电的综合能源系统优化规划系统。
一种计及风电的综合能源系统优化规划系统，包括：
数据获取模块，被配置为：获取综合能源系统的运行状态数据和候选设备的参数数据；
优化规划模块，被配置为：将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的计及风电的综合能源系统优化规划方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的计及风电的综合能源系统优化规划方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质及电子设备，以运行成本、投资成本、电能不足成本和弃风成本在内的最小总成本为目标构建了规划模型，以得到储能的位置和安装年限以及其他候选设备的规划结果，实现了综合能源系统的高效和准确的规划。
2、本公开所述的方法、系统、介质及电子设备，规划模型中采用情景法考虑风电不确定性的影响，保证了计算效率和精度，提高了综合能源系统的灵活性，能够接纳更多不确定性风能资源。
3、本公开所述的方法、系统、介质及电子设备，提出以季度为时间节点分析风电的不确定性，并采用场景法在每个季度选取几个典型场景，这样既可以体现风电的不确定性，又可以保证一定的计算量。
4、本公开所述的方法、系统、介质及电子设备，对得到的场景进行了缩减，在保证场景的代表性的前提下，极大的降低了计算量，提高了规划效率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的计及风电的综合能源系统优化规划方法的流程示意图。
图2为本公开实施例1提供的春季10场景数据示意图。
图3为本公开实施例1提供的IEEE14-NGS14系统的拓扑结构。
图4为本公开实施例1提供的某月的典型日数据示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种计及风电的综合能源系统优化规划方法，包括以下步骤：
获取综合能源系统的运行状态数据和候选设备的参数数据；
将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值。
详细的，包括以下内容：
S1：计及风电及多类型储能的综合能源系统优化规划模型
本实施例以总成本最低为构建考虑风电不确定性的多类型储能规划模型，通过求解该模型，可以得到储能的位置和安装年限以及其他候选设备的规划结果。
目标函数为不同风电情景下耦合系统规划总成本期望值的最小值，包括投资成本、运行成本、电能不足成本和弃风成本，目标表达式为：
λt＝1/(1+τ)t-1 (6)
其中，Z代表总成本；s代表某一个风电场景；T代表总规划年限；h代表某一天的某一时刻；d表示每年的某一典型日；πs为每个场景的概率；λt,λT分别为规划期内第t年的现值系数和总规划期T年现值系数；γ为资金回收率；为投资成本；/>为运行成本；/>为电能不足成本；/>为弃风成本；Ni,Nf,Nc,Np,Nes和Nhs分别表示常规机组，燃气锅炉，CHP机组，PTG机组，电储能设备和热储能设备数量；；ui,Ll,Ff,Cc,Pp,Ees和Hhs分别代表常规机组、输电线路、燃气锅炉、CHP机组、PTG机组、电储能和热储能的单位容量投资成本；Pi max,Pl max,Pc max,/>和/>分别为以上机组的容量；/>分别为以上机组的投运状态；/> 和/>分别表示以上设备在s场景下每年每典型日每时刻的出力值；Oi,Of,Oc,,Op,Oes和Ohs分别代表常规机组、燃气锅炉、CHP机组、PTG机组、储电和储热的运行成本；V为单位电能不足成本；Nb为节点数量；/>为s场景下节点b的电能不足量；Cw为单位弃风成本；/>为s场景下b节点的弃风量；τ为资金折现率。
S2约束条件
S2.1：热储能运行约束
热储能运行约束包括热储能容量约束(7)(8)，热储能充放约束(9)和热平衡约束(10)。
其中，为第t时刻的热储能容量；/>为热储能最大容量；/>为周期初始容量；/>为周期结束时刻容量；/>表示每个时刻的储热功率；/>为每个时刻放热功率；/>为t时刻所有供热单元提供的热量；/>为t时刻所有的热负荷。
S2.2：电储能约束
电储能约束包含充放电约束(11)(12)，运行约束(13)，储能容量约束(14)和储能互补约束(15)。
0≤Pdis(i) (11)
Pchar(i)≤Pmax (12)
SOC(i)＝SOC(i-1)+ηcPchar(i)-Pdis(i)/ηd (13)
SOCmin≤SOC(i)≤SOCmax (14)
Pdis(i)Pchar(i)＝0 (15)
其中，Pdis为电储能放电功率；Pchar为电储能充电功率；Pmax为电储能容量；SOC(t)为t时刻电储能现有容量；ηc为充电效率；ηd为放电效率；SOCmin为电储能最小容量；SOCmax为电储能最大容量。
S2.3：运行状态约束
候选设备包括常规机组i+、传输线路l+、燃气锅炉f+、CHP机组c+、PTG装置p+和储能装置e+，当第t年投入运行后，状态量由0变为1，并且在以后的规划期间不会改变状态。当设备运行年限小于最小规划年的时候，设备不投入运行。
其中，为s场景下设备的投运状态，投入使用为1，未投入为0。/>为最小投运年。
S2.4：能源中心约束
能源中心各能量转换关系如式(18)-(20)所示。各投入运行及候选设备的产热、容量上下限约束如式(22)-(24)。
其中，为s场景下每典型日每时刻的CHP发电出力，/>分别为s场景下每典型日每时刻CHP和燃气锅炉消耗的天然气量；/>分别为CHP和燃气锅炉的产热量；/>分别为CHP产电效率、CHP产热效率和燃气锅炉产热效率；/>为PTG产气量；/>为PTG耗电量；Pc min,Pc max分别为CHP电出力最小、最大值；/>分别为燃气锅炉的最小、最大产热量；/>分别为PTG耗电最小、最大值。
S3：风电不确定性的表达和处理
由于风电的不确定性，影响了系统运行的安全性，间接影响了方案的经济性和可行性。因此，如何考虑风电的不确定性是规划中的关键问题之一。一方面，简化的风电不确定性表达式可以有效控制计算量，但不能准确反映不确定性对规划的影响。另一方面，风电不确定性表达得过于精准，可以反映风电的影响，但会影响优化模型的求解，可能导致模型不可行。
在此基础上，本实施例提出以季度为时间节点分析风电的不确定性，并采用场景法在每个季度选取几个典型场景。这样既可以体现风电的不确定性，又可以保证一定的计算量。然而，风电具有季节性，下面将描述如何解决波动性。对于一个典型季节，可以用场景法表示风电的不确定性。
本实施例选取某国某一地区的历史风电数据作为样本，得到其风电波动特性。根据此数据，可以得到M组T维的初始场景。显然，初始场景简化后，每个场景的计算既合理又不困难。因此，具有一定精度的经典场景集合的数量是有限的。场景缩减后，包含Ms个场景的风电输出序列，并可得到相应的每个场景的概率πs。
具体步骤如下：
S3.1：首对历史数据进行非参数拟合，得到风功率概率密度曲线；
S3.2：依据蒙特卡洛随机模拟进行随机采样，得到M×T组随机采样数组，其中T为场景时段数，本实施例取24；
S3.3：根据以上步骤可以得到每个季节对应的M×T采样矩阵，M本实施例取1000；
S3.3：接着对上述等概率初始场景进行缩减，形成具有一定概率的有限场景集合，计算t时段的任意两个场景间的距离，对于每一个场景，找出与其距离最短的场景，将其与均值概率相乘计算得到其场景概率，所有场景均进行上述计算，找出最小的场景概率，更新场景概率，并将此场景从场景集中删去；
S3.3：更新场景数，重新计算，直至最终场景数与目标场景数相等。
本实施例最终场景数取10，图2展示了削减后春季风电10场景的结果。
S4：算例分析
S4.1：算例系统
本实施例以IEEE14节点电力系统和NGS14节点天然气系统为原型，构建了综合能源耦合系统。系统中包括4台常规机组、21条线路传输线、3个风电场、3台储电装置和2台储热装置。天然气系统由2个天然气源、5台燃气锅炉和14条天然气管道组成。此外，系统中有12个节点包含电负荷，4个节点包括天然气负荷和5个节点包括热负荷。
规划期间，候选设备有5台常规机组，3台CHP机组，4台燃气锅炉，2台PTG机组，9条输电线路和1个储电装置，可供投运年限选择使用。规划年限为10年，风电出力数据从每年的4个季度的典型季度选取，电负荷、气负荷、热负荷的年增长率分别为4％、5％和3％。折现率为8％，资本回收率为15％。IEEE14-NGS14系统的拓扑结构如图3所示。
S4.2结果分析
在本实施例中，典型场景的数量缩减到K＝10。首先，根据典型的场景优化计算，得到不同能量需求组合的集合。投建新传输线路的节点需要足供需平衡。再次，对每个投资计划，使用场景法计算总规划成本。图4显示了某月中的典型日数据。
为了反映该方法的有效性，分别构造了包含储能装置与不包含储能装置的两种情景。没有储能装置的情景记为情形1，另一种情景记为情形2。具体的规划情况与成本对比分别在表1和表2中展示。
表1：两种情景的规划情况
其中，G代表常规机组；L代表传输线路；F代表燃气锅炉；C代表CHP机组；P代表PTG机组；E代表电储能装置。
可以从表1中看出case2常规机组和PTG机组的数量减少了。系统的优化规划方案在同时满足电、气、热能源需求时，选择新的存储设备更加高效。
表2：两种情景的成本对比
从表2可以看出，情形2的总成本小于情形1。其原因是，在长期的规划中，储能的使用在一定程度上平抑了风电的波动性，多种储能的配置提升了能源高效利用能力，降低了运行成本和总规划成本。当出现弃风情况时，风电输出大量大于电力负荷，蓄电装置充电，增加热电冷联产出。多余的热量储存在储热装置中。当风电出力较小，电力负荷高于一般供电时，储能装置释放电能，热电联产利用储热提供热量，降低了电能消耗。
综上，本实施例提出了一种考虑风电不确定性的综合能源多类型储能优化规划方法，提出了包括热电联产、PTG等耦合装置在内的能源中心模型，利用场景法描述风电不确定性，建立了以最小成本为目标的多类型风电储能优化规划模型，使用场景两阶段规划和求解策略解决了问题，以IEEE14-NGS14为例，对本实施例所述的方法进行了计算分析。结果表明了本实施例工作的正确性。
实施例2：
本公开实施例2提供了一种计及风电的综合能源系统优化规划系统，包括：
数据获取模块，被配置为：获取综合能源系统的运行状态数据和候选设备的参数数据；
优化规划模块，被配置为：将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值。
所述系统的工作方法与实施例1提供的计及风电的综合能源系统优化规划方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的计及风电的综合能源系统优化规划方法中的步骤，所述步骤为：
获取综合能源系统的运行状态数据和候选设备的参数数据；
将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值。
详细步骤与实施例1提供的计及风电的综合能源系统优化规划方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的计及风电的综合能源系统优化规划方法中的步骤，所述步骤为：
获取综合能源系统的运行状态数据和候选设备的参数数据；
将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值。
详细步骤与实施例1提供的计及风电的综合能源系统优化规划方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (9)
1.一种计及风电的综合能源系统优化规划方法，其特征在于，包括以下步骤：
获取综合能源系统的运行状态数据和候选设备的参数数据；
将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值；
所述目标函数为：
（1）
（2）
（3）
（4）
（5）
（6）
其中，Z代表总成本；s代表某一个风电场景；T代表总规划年限；h代表某一天的某一时刻；d表示每年的某一典型日；为每个场景的概率；/>分别为规划期内第t年的现值系数和总规划期T年现值系数；/>为资金回收率；/>为投资成本；/>为运行成本；/>为电能不足成本；/>为弃风成本；/>和 />分别表示常规机组，燃气锅炉，CHP机组，PTG机组，电储能设备和热储能设备数量；/>和/>分别代表常规机组、输电线路、燃气锅炉、CHP机组、PTG机组、电储能和热储能的单位容量投资成本；/> 和/>分别为以上机组的容量；/>分别为以上机组的投运状态；/> 和/>分别表示以上设备在s场景下每年每典型日每时刻的出力值；/>, />和/>分别代表常规机组、燃气锅炉、CHP机组、PTG机组、储电和储热的运行成本；/>为单位电能不足成本；/>为节点数量；/>为s场景下节点b的电能不足量；/>为单位弃风成本；/>为s场景下b节点的弃风量；/>为资金折现率；
所述预设储能规划模型包括热储能容量约束、热储能充放约束和热平衡约束；
所述预设储能规划模型包括充放电约束、运行约束、储能容量约束和储能互补约束；
约束条件：
热储能运行约束
热储能运行约束包括热储能容量约束（7）（8），热储能充放约束（9）和热平衡约束（10）；
（7）
（8）
（9）
（10）
其中，为第t时刻的热储能容量；/>为热储能最大容量；/>为周期初始容量；/>为周期结束时刻容量；/>表示每个时刻的储热功率；/>为每个时刻放热功率；/>为t时刻所有供热单元提供的热量；/>为t时刻所有的热负荷；
电储能约束
电储能约束包含充放电约束（11）（12），运行约束（13），储能容量约束（14）和储能互补约束（15）；
（11）
（12）
（13）
（14）
（15）
其中，为电储能放电功率；/>为电储能充电功率；/>为电储能容量；/>为t时刻电储能现有容量；/>为充电效率；/>为放电效率；/>为电储能最小容量；/>为电储能最大容量；
运行状态约束
候选设备包括常规机组i+、传输线路l+、燃气锅炉f+、CHP机组c+、PTG装置p+和储能装置e+，当第t年投入运行后，状态量由0变为1，并且在以后的规划期间不会改变状态；当设备运行年限小于最小规划年的时候，设备不投入运行；
（16）
（17）
其中，为s场景下设备的投运状态，投入使用为1，未投入为0；/>为最小投运年；
能源中心约束
能源中心各能量转换关系如式（18）-（20）所示，各投入运行及候选设备的产热、容量上下限约束如式（22）-（24）；
（18）
（19）
（20）
（21）
（22）
（23）
（24）
其中，为s场景下每典型日每时刻的CHP发电出力，/> 分别为s场景下每典型日每时刻CHP和燃气锅炉消耗的天然气量；/>分别为CHP和燃气锅炉的产热量；分别为CHP产电效率、CHP产热效率和燃气锅炉产热效率；/>为PTG产气量；为PTG耗电量；/>分别为CHP电出力最小、最大值；/>分别为燃气锅炉的最小、最大产热量；/>分别为PTG耗电最小、最大值。
2.如权利要求1所述的计及风电的综合能源系统优化规划方法，其特征在于，所述总成本包括投资成本、运行成本、电能不足成本和弃风成本。
3.如权利要求1所述的计及风电的综合能源系统优化规划方法，其特征在于，所述预设储能规划模型包括：当候选设备在某一年投入运行后，状态量由0变为1，并且在以后的规划期间不会改变状态；当候选设备运行年限小于最小规划年的时候，候选设备不投入运行；
或者，所述预设储能规划模型包括各个投入运行设备及各个候选设备的产热和容量的上下限约束。
4.如权利要求1所述的计及风电的综合能源系统优化规划方法，其特征在于，以季度为时间节点考虑风电的不确定性，并采用场景法在每个季度选取多个典型场景。
5.如权利要求4所述的计及风电的综合能源系统优化规划方法，其特征在于，所述场景法，具体为：
对获取的风电历史数据进行非参数拟合，得到风功率概率密度曲线；
依据蒙特卡洛随机模拟进行随机采样，得到多组随机采样数组，进而得到每个季节对应的采样矩阵；
对得到的等概率初始场景进行缩减，形成具有预设概率的有限场景集合。
6.如权利要求5所述的计及风电的综合能源系统优化规划方法，其特征在于，对得到的等概率初始场景进行缩减，具体为：
计算预设时段的任意两个场景间的距离；
对于每一个场景，找出与其距离最短的场景，将其与均值概率相乘计算得到其场景概率；
所有场景均进行上述计算，找出最小的场景概率，更新场景概率，并将此场景从场景集中删去；
更新场景数，重新计算，直至最终场景数与目标场景数相等。
7.一种计及风电的综合能源系统优化规划系统，其特征在于，包括：
数据获取模块，被配置为：获取综合能源系统的运行状态数据和候选设备的参数数据；
优化规划模块，被配置为：将获取的数据输入到预设储能规划模型中，得到储能设备的位置和安装年限以及候选设备的规划结果；
其中，预设储能规划模型的目标函数为考虑风电不确定性的不同风电情景下规划总成本期望值的最小值；
所述目标函数为：
（1）
（2）
（3）
（4）
（5）
（6）
其中，Z代表总成本；s代表某一个风电场景；T代表总规划年限；h代表某一天的某一时刻；d表示每年的某一典型日；为每个场景的概率；/>分别为规划期内第t年的现值系数和总规划期T年现值系数；/>为资金回收率；/>为投资成本；/>为运行成本；/>为电能不足成本；/>为弃风成本；/>和 />分别表示常规机组，燃气锅炉，CHP机组，PTG机组，电储能设备和热储能设备数量；/>和/>分别代表常规机组、输电线路、燃气锅炉、CHP机组、PTG机组、电储能和热储能的单位容量投资成本；/> 和/>分别为以上机组的容量；/>分别为以上机组的投运状态；/> 和/>分别表示以上设备在s场景下每年每典型日每时刻的出力值；/>, />和/>分别代表常规机组、燃气锅炉、CHP机组、PTG机组、储电和储热的运行成本；/>为单位电能不足成本；/>为节点数量；/>为s场景下节点b的电能不足量；/>为单位弃风成本；/>为s场景下b节点的弃风量；/>为资金折现率；
所述预设储能规划模型包括热储能容量约束、热储能充放约束和热平衡约束；
所述预设储能规划模型包括充放电约束、运行约束、储能容量约束和储能互补约束；
约束条件：
热储能运行约束
热储能运行约束包括热储能容量约束（7）（8），热储能充放约束（9）和热平衡约束（10）；
（7）
（8）
（9）
（10）
其中，为第t时刻的热储能容量；/>为热储能最大容量；/>为周期初始容量；/>为周期结束时刻容量；/>表示每个时刻的储热功率；/>为每个时刻放热功率；/>为t时刻所有供热单元提供的热量；/>为t时刻所有的热负荷；
电储能约束
电储能约束包含充放电约束（11）（12），运行约束（13），储能容量约束（14）和储能互补约束（15）；
（11）
（12）
（13）
（14）
（15）
其中，为电储能放电功率；/>为电储能充电功率；/>为电储能容量；/>为t时刻电储能现有容量；/>为充电效率；/>为放电效率；/>为电储能最小容量；/>为电储能最大容量；
运行状态约束
候选设备包括常规机组i+、传输线路l+、燃气锅炉f+、CHP机组c+、PTG装置p+和储能装置e+，当第t年投入运行后，状态量由0变为1，并且在以后的规划期间不会改变状态；当设备运行年限小于最小规划年的时候，设备不投入运行；
（16）
（17）
其中，为s场景下设备的投运状态，投入使用为1，未投入为0；/>为最小投运年；
能源中心约束
能源中心各能量转换关系如式（18）-（20）所示，各投入运行及候选设备的产热、容量上下限约束如式（22）-（24）；
（18）
（19）
（20）
（21）
（22）
（23）
（24）
其中，为s场景下每典型日每时刻的CHP发电出力，/> 分别为s场景下每典型日每时刻CHP和燃气锅炉消耗的天然气量；/>分别为CHP和燃气锅炉的产热量；分别为CHP产电效率、CHP产热效率和燃气锅炉产热效率；/>为PTG产气量；为PTG耗电量；/>分别为CHP电出力最小、最大值；/>分别为燃气锅炉的最小、最大产热量；/>分别为PTG耗电最小、最大值。
8.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的计及风电的综合能源系统优化规划方法中的步骤。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的计及风电的综合能源系统优化规划方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010831951.9A CN112052987B (zh) | 2020-08-18 | 2020-08-18 | 一种计及风电的综合能源系统优化规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010831951.9A CN112052987B (zh) | 2020-08-18 | 2020-08-18 | 一种计及风电的综合能源系统优化规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112052987A CN112052987A (zh) | 2020-12-08 |
| CN112052987B true CN112052987B (zh) | 2024-05-28 |
Family
ID=73599725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010831951.9A Active CN112052987B (zh) | 2020-08-18 | 2020-08-18 | 一种计及风电的综合能源系统优化规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052987B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862253B (zh) * | 2021-01-12 | 2023-07-14 | 山东大学 | 考虑风电不确定性的电-气-热储能协同规划方法及系统 |
| CN113011655B (zh) * | 2021-03-22 | 2022-10-25 | 昆明理工大学 | 一种基于两阶段随机规划的社区多能源系统的混合储能系统规划方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107528341A (zh) * | 2017-08-25 | 2017-12-29 | 电子科技大学 | 一种用于高风电渗透率的大电网储能调度的方法 |
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源系统扩展规划优化方法 |
| CN111200295A (zh) * | 2020-02-10 | 2020-05-26 | 清华大学深圳国际研究生院 | 计算海上风光互补发电系统中储能系统规模的方法 |
| WO2023134254A1 (zh) * | 2022-01-11 | 2023-07-20 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
-
2020
- 2020-08-18 CN CN202010831951.9A patent/CN112052987B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107528341A (zh) * | 2017-08-25 | 2017-12-29 | 电子科技大学 | 一种用于高风电渗透率的大电网储能调度的方法 |
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源系统扩展规划优化方法 |
| CN111200295A (zh) * | 2020-02-10 | 2020-05-26 | 清华大学深圳国际研究生院 | 计算海上风光互补发电系统中储能系统规模的方法 |
| WO2023134254A1 (zh) * | 2022-01-11 | 2023-07-20 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
Non-Patent Citations (2)
| Title |
|---|
| 考虑风电接入的综合能源系统扩展规划;李哲;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第9期);第2-74页 * |
| 计及风电不确定性的电-气-热综合能源系统扩展规划方法;李哲;王成福;梁军;赵鹏辉;张哲;;电网技术;20181105(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112052987A (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165788B (zh) | 一种冷热电联供系统的优化方法 | |
| CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
| CN105977991A (zh) | 一种考虑价格型需求响应的独立型微网优化配置方法 | |
| CN113285490B (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
| CN112966883B (zh) | 综合能源系统运行优化方法及终端设备 | |
| CN109149656B (zh) | 一种气-电互联综合能源系统机组组合方法 | |
| CN114611772B (zh) | 一种基于多智能体强化学习的多微网系统协同优化方法 | |
| CN103986194A (zh) | 一种独立型微网优化配置方法和装置 | |
| CN112052987B (zh) | 一种计及风电的综合能源系统优化规划方法及系统 | |
| CN113988714B (zh) | 计及多重不确定性的园区综合能源系统动态规划方法、设备及介质 | |
| CN112862253B (zh) | 考虑风电不确定性的电-气-热储能协同规划方法及系统 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN111126675A (zh) | 多能互补微网系统优化方法 | |
| CN111932025B (zh) | 考虑光伏随机性的综合能源系统建设多阶段规划方法 | |
| CN114358473A (zh) | 一种多站融合综合供能系统 | |
| CN104578160A (zh) | 一种微网能量控制方法 | |
| CN113435659B (zh) | 基于场景分析的综合能源系统两阶段优化运行方法及系统 | |
| CN113536581B (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
| CN113708418A (zh) | 微电网优化调度方法 | |
| CN115049250B (zh) | 面向供需不确定性综合能源系统多目标规划方法及系统 | |
| CN117595392A (zh) | 计及光伏消纳与光储充配置的配电网联合优化方法及系统 | |
| CN116258335A (zh) | 基于改进麻雀算法的低碳综合能源多阶段优化配置方法 | |
| CN116258231A (zh) | 基于时序运行的配电系统网源荷储分层分区平衡规划方法 | |
| CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
| CN115758684A (zh) | 基于改进郊狼算法电力终端调控方法、系统、设备及介质 |
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 |