申请/专利权人：福州大学

申请日：2021-09-08

公开（公告）日：2024-06-18

公开（公告）号：CN113779792B

主分类号：G06F30/20

分类号：G06F30/20;G06Q10/04;G06Q10/0631;G06Q50/06;G06F113/04;G06F119/10

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2021.12.28#实质审查的生效;2021.12.10#公开

摘要：本发明涉及一种基于仿射的综合能源系统优化配置方法。采用仿射变量建立计及不确定性的综合能源系统优化配置模型，将计及不确定性的综合能源系统优化配置模型分解为目标仿射函数的中心值最小及在不确定性因素影响下仿射函数变化量最小两个子问题，前者为仅考虑源荷预测功率的确定性优化模型，后者考虑源荷预测误差，通过max模型和min模型交替迭代，使配置结果受不确定性因素影响最小。

主权项：1.一种基于仿射的综合能源系统优化配置方法，其特征在于，采用仿射变量建立综合能源系统仿射优化模型，将综合能源系统仿射优化模型分解为目标仿射函数的中心值最小及在不确定性因素影响下仿射函数变化量最小两个子问题，前者为仅考虑源荷预测功率的确定性优化模型，后者为不确定性优化模型，其考虑源荷预测误差，通过max模型和min模型交替迭代，使配置结果受不确定性因素影响最小；所述综合能源系统以能量枢纽EH作为耦合点及各能源载体的转化站，EH从上游的电网公司和天然气公司购买电能和天然气，分配给各个能源转换和储能装置，使各个微型系统的能量达到平衡，并满足用户侧的电、热、气负荷需求；对EH建模，考虑储能装置，则EH输入输出的耦合关系为：L＝CP1 式中：Le、Lh和Lg分别为园区用户的电、热、气负荷；分别为整个园区的进电量和进气量，其中包含光伏机组发电功率PPV和向上游电网购电量Pbuy,e；ηeb为EB的产热效率；为GB的产热效率；分别为CHP的产电和产热效率；Hgas为天然气热值，α为电能的分配系数，β、γ为热能分配系数，取值范围均为[0,1]，且β+γ≤1；S、为储能耦合矩阵和装置内储能容量的变化量；Se、Sh分别为储电ES、储热HS的耦合元素；时段Δt时间内储能装置内储能容量的变化量由计算得到，Et为时段t储能装置的储能容量；分别为储电、储热装置内储能容量的变化量；计及不确定性的综合能源系统优化配置模型建立方式如下：一个不确定量可用仿射形式表示成噪声元的线性组合； 式中：x0为仿射中心值；εi为噪声元，表示一个不确定因素，取值范围为[-1,1]；xi为噪声元系数，代表噪声元εi对仿射数的影响程度；在综合能源系统运行的过程中，建立的风电、光伏、负荷的仿射模型为： 式中：为风电有功功率的仿射值，表示仿射中心值，εW为风机有功功率的仿射噪声元，PtW为与之对应的仿射噪声元系数；为光伏有功功率的仿射值；表示仿射中心值，εPV为光伏有功功率的仿射噪声元，PtPV为与之对应的仿射噪声元系数；为负荷功率的仿射值；表示仿射中心值，εL为负荷有功功率的仿射噪声元，PtL为与之对应的仿射噪声元系数；由于储能设备功率及园区与上游能源网络交互功率能够迅速、灵活地变化，所以可通过改变其功率以适应源荷功率变化，从而维持园区功率平衡；考虑在园区实际运行中，源荷功率存在预测误差；因此，储能设备出力及园区与上游能源网络交互功率也会随之产生波动；式9和10即为根据源荷功率预测误差建立的储能设备功率、园区与能源网络交互功率的仿射表达式： 式中：下标l＝1,2,3表示导致功率变化的不确定性因素分别为风电、光伏、负荷；分别表示t时刻j类能源存储设备充放能功率的仿射形式；表示储能功率的仿射中心值；分别表示由于风电、光伏、负荷功率预测误差导致的储能功率变化量；分别为t时刻园区购售电功率；为t时刻购气量对应功率的仿射形式；为仿射中心值；分别表示由于风电、光伏、负荷功率预测误差导致的购电功率变化量；分别表示由于风电、光伏、负荷不确定性导致的售电功率变化量；分别表示由于风电、光伏、负荷不确定性导致的购气量对应功率变化量；将计及不确定性的综合能源系统优化配置模型分解为目标仿射函数的中心值最小及在不确定性因素影响下仿射函数变化量最小两个子问题，前者为仅考虑源荷预测功率的确定性优化模型，后者为不确定性优化模型，其考虑源荷预测误差的具体实现方式如下：仿射优化问题的一般形式为 式中：决策变量为仿射向量，c为代价系数矩阵，Cc,x为目标函数；约束条件中的矩阵a为常规系数矩阵，参数和为已知的仿射向量；在计及不确定性的综合能源系统优化配置模型的目标函数中，考虑决策变量中含有风电、光伏和负荷三者的噪声元，则优化配置模型的年总综合成本可以写成： 式中：C0x0为确定性优化的园区年综合成本；C1x1εW+C2x2εPV+C3x3εL表示由风光、负荷不确定性导致的园区年总综合成本变化量，记为C′；为降低不确定性因素的影响，定义综合能源系统规划的投资成本最优为：年总综合成本的中心值C0x0最小，且不确定性导致的年总综合成本变化量C′最小；因此，将计及不确定性的综合能源系统优化配置模型拆分成两个子问题，分别最小化年总综合成本中心值以及不确定性导致的年总综合成本变化量C′；前者为仅考虑源荷预测功率的确定性优化模型，后者为不确定性优化模型，其考虑源荷预测误差；确定性优化模型的上层以年综合成本最小为目标函数，决策变量为各类设备的安装容量；不确定性优化模型的上层最小化源荷预测误差导致的年总综合成本变化量，决策变量为不确定性引起的储能设备容量变化量；目标函数如下：minC0＝CInv,0+COP,013minC′＝CInv,l+C′OPl＝1,2,314式中：下标l＝1,2,3表示不确定性因素分别为风电、光伏、负荷；式13为确定性优化模型的上层目标函数；其中，C0为年综合成本；CInv,0为设备年投资成本；COP,0为园区运行成本，由下层优化模型返回给上层；式14为不确定性优化模型的上层目标函数；其中，CInv,l为不确定性所导致的储能设备容量变化量的年投资成本变化量；C′OP为不确定性所导致的园区运行成本变化量，由下层优化模型返回给上层；CInv,0、CInv,l的计算公式类似，具体如下： 式中：为设备γ的安装成本；为设备等值年资金回收率，其表达式如下： 式中：r为折现率，yγ为设备使用年限；两个子问题的下层均为优化调度模型；确定性优化模型的下层最小化园区运行成本，决策变量为设备各个时刻的功率值；不确定性优化模型的下层最小化源荷预测误差所导致的园区运行成本变化量，决策变量为不确定性引起的储能设备功率变化量及园区与能源网络交互功率变化量；目标函数如下： 式中：下标s表示不同的典型日；式17为确定性优化模型的下层目标函数；COP,0表示园区的运行成本；D为一年的总天数；Ms为总的典型日数；πs为典型日s占比；COM,s,0为设备维护成本；CTrade,s,0为能源交互成本；CFuel,s,0为燃料购买成本；CCO2,s,0为碳排放成本；式18为不确定性优化模型的下层目标函数；C′OP、COM,s,l、CTrade,s,l、CFuel,s,l、CCO2,s,l分别表示源荷预测误差所导致的园区运行成本变化量、设备维护成本变化量、能源交互成本变化量、燃料购买成本变化量、碳排放成本变化量；所述设备维护成本、能源交互成本、燃料购买成本和碳排放成本的计算公式如下：1设备维护成本 式19计算确定性优化的设备维护成本；其中，为t时段第i类能源转换设备的输入功率；分别为t时段第j类能源储存设备的充放能功率；为能源转换、能源存储设备的运行维护成本；式20计算由不确定性因素导致的设备维护成本变化量；其中，分别为t时段源荷不确定性引起的j类能源储存设备充、放能功率变化量；l＝1,2,3表示引起储能设备功率变化的不确定性因素分别为风电、光伏、负荷；2能源交互成本 式21、22分别计算确定性优化模型和不确定性优化模型的能源交互成本；其中，和为t时段园区能源互联网与电网的购售电功率；和为t时段的购售电价；分别为t时段源荷不确定性所导致的园区与电网的购售电功率变化量；l＝1,2,3表示引起购售电功率变化的不确定性因素分别为风电、光伏、负荷；3燃料购买成本 式23、24分别计算确定性优化模型和不确定性优化模型的燃料购买成本；其中为t时段园区网络的购气功率；cFuel为天然气价格；为t时段源荷不确定性所导致的园区网络购气功率变化量；l＝1,2,3表示引起购气量变化的不确定性因素分别为风电、光伏、负荷；4碳排放成本 式25、26分别计算确定性优化模型和不确定性优化模型的碳排放成本；其中，ae和ag分别为电能和天然气的碳排放系数，cc为碳税价格；所述确定性优化模型的约束条件，包含能源功率平衡约束、能源设备运行约束、能源交互功率约束；其中风电、光伏、负荷功率仅考虑预测值即仿射中心值，各设备出力为常规数；不确定性优化模型的约束条件，如式27-29所示；其中，能源存储设备功率及园区与上游能源网络的交互功率均为仿射形式，仿射中心值由确定性优化求得；1能源功率平衡约束 式中：分别为t时间段第i类能源转换设备的输入电和天然气功率；分别为t时间段第i类能源转换设备输出电和热功率；分别为t时段园区购售电功率、购气量对应功率的仿射形式；和分别为t时段第j类能源储存设备放电、充电、放热、储热功率的仿射形式；和分别为t时段电、热、天然气负荷的仿射形式；2能源储存设备运行约束 式中：分别为j类能源储存设备在t时刻的充放电功率的仿射形式；为j类能源储存设备的最大充放能功率；Sj,0和Sj,T分别为优化初始时段和结束时段第k个j类能源设备的能量；和分别为第j类能源储存设备的上下限；ujk,t为表征t时段第j类能源设备充放电状态的变量；充能状态时，uj,t＝1，放能状态时uj,t＝0；3能源交互功率约束 式中：和分别为园区能源互联网的最大购气功率、与上游网络的最大购电和售电功率；为园区能源互联网购电的状态变量，园区能源互联网购电时其余状态所述通过max模型和min模型交替迭代，使配置结果受不确定性因素影响最小的具体实现方式如下：在优化配置模型求解过程中，上层采用遗传算法GA初始化储能设备容量，并传递给下层，下层为考虑源荷预测误差的优化调度模型；由式5-10可知，当调整噪声元使运行成本变化最大时，即表示当前噪声元系数下能产生的最大不确定性影响，对应于最恶劣的可能性，代表了预测误差导致的园区运行成本变化最大的情况；而在最恶劣情况下，可以通过调节噪声元系数，即调整储能设备功率及园区与能源网络的交互功率，以此最小化不确定性因素对运行成本的影响；所以可以将不确定性优化的下层转化为最恶劣情况下的运行成本最小化问题，最恶劣情况即调整噪声元，max问题；运行成本最小化问题即调整噪声元系数，min问题；下层模型分解后的两个问题：1max问题目标函数如式30所示： max问题模型求解导致园区运行成本变化最大的噪声元εW,εPV,εL；约束条件包含功率平衡约束、能源储存设备运行约束、能源交易约束；其中，储能设备功率园区与上游能源网络的交互值由min问题求解；2min问题目标函数如式31所示： min问题模型校正储能设备功率及园区与上游能源网络的交互值Plbuy,e、Plsell,e、Plbuy,g，约束条件包含功率平衡约束、能源储存设备运行约束、能源交互约束；其中，风电、光伏、负荷噪声元由max问题求解；max问题模型和min问题模型采用cplex求解器求解；交替迭代max问题和min问题模型，直到两个模型的年总综合成本相等，则迭代收敛；将下层运行优化结果反馈至上层，通过上下层迭代最终求得全局最优解。

全文数据：

权利要求：

百度查询： 福州大学 一种基于仿射的综合能源系统优化配置方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD