一种基于仿射的综合能源系统优化配置方法与流程

1.本发明涉及一种基于仿射的综合能源系统优化配置方法。


背景技术：

2.风
‑
光
‑
冷热电联供能系统能合理利用可再生能源，并通过能量梯级利用提高能量利用效率，减少污染物排放。然而，可再生能源的随机性、间歇性、波动性和负荷的不确定性会影响综合能源系统的经济运行。在进行综合能源系统规划时，若不考虑风光出力和负荷的不确定性，会造成系统容量配置过于理想化，设备利用率低等一系列问题。因此，计及多重不确定性的园区微能网协同规划已成为国内外学者的研究热点。在园区微能网规划问题中，处理综合能源系统不确定性问题的主要方法有：概率法、鲁棒优化和区间优化等。概率法需要获取不确定变量准确的概率密度函数，拟合出的模型与真实模型存在差距，而区间优化和鲁棒优化只需获取不确定变量的波动区间，在缺乏统计信息时具有良好的工程应用价值。相比于区间优化，鲁棒优化的方法侧重于考虑极端情况，要求在最坏情况下满足约束条件，其结果偏于保守，且考虑的运行情况较为单一。而在区间优化中，经区间算术运算所得到的区间范围往往比实际范围大得多，保守性也会增加；另外还存在部分研究主要考虑部分研究主要考虑系统内的单一不确定性，如可再生能源的不确定性，而忽略了多重不确定性因素。基于此，本发明提出了基于仿射的综合能源系统优化配置方法。


技术实现要素：

3.本发明的目的在于提供一种基于仿射的综合能源系统优化配置方法，该方法相较于现有的综合能源优化配置方法，拟合出的仿射模型比主观概率模型更为真实，相比于鲁棒优化和区间优化降低了求解结果的保守性。
4.为实现上述目的，本发明的技术方案是：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。
5.相较于现有技术，本发明具有以下有益效果：本发明提出了一种综合能源系统配置方法——基于仿射的综合能源系统协同规划方法。该配置方案方法考虑了多种风电、光伏、负荷等多种不确定性因素，能够在极端情况下满足园区的运行需求同时降低不确定性因素对年总综合成本的影响，同时提高了规划方案的经济性和设备利用率。该方法相较于现有的综合能源优化配置方法，拟合出的仿射模型比主观概率模型更为真实，相比于鲁棒优化和区间优化降低了求解结果的保守性。
附图说明
6.图1为园区基本结构图。
7.图2为本发明流程图。
具体实施方式
8.下面结合附图，对本发明的技术方案进行具体说明。
9.本发明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。
10.以下为本发明具体实现过程。
11.1、综合能源系统
12.能量枢纽eh(energy hub)作为综合能源系统的耦合点和各能源载体的转化站，将各个能源环节与信息等支撑系统有机融合。典型的eh基本框架如图1所示，其中微型电系统包含光伏发电装置、电储能设备、电锅炉、热电联产设备，微型热系统包括热电联产设备、燃气锅炉、热储能装置，微型气系统包含热电联产设备、燃气锅炉等。eh从上游的电网公司和天然气公司购买电能和天然气，合理分配给各个能源转换和储存装置，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。
13.对eh建模，考虑储能装置，图1中的eh输入输出的耦合关系为：
14.l＝cp\*mergeformat(1)
[0015][0016][0017][0018]
式中：l
e
、l
h
和l
g
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p
pv
和向上游电网购电量p
buy,e
；η
eb
为eb(electric boiler)的产热效率；η
gb
为gb(gas boiler)的产热效率；分别为chp(combined heat and power)的产电和产热效率；h
gas
为天然气热值，本文取值为9.78kw
·
h,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；s
e
、s
h
分别为储电es(electric storage)、储热hs(heat storage)的耦合元素；时段δt时间内储能装置内储能容量的变化量可以由
计算得到，e(t)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。
[0019]
2、基于仿射的综合能源系统不确定性分析
[0020]
2.1、仿射算术
[0021]
在仿射数学中，一个不确定量x可用仿射形式表示成噪声元的线性组合。
[0022][0023]
式中：x0为仿射中心值；ε
i
为噪声元，表示一个不确定因素，取值范围为[
‑
1,1]；x
i
为噪声元系数，代表噪声元ε
i
对仿射数的影响程度。乘法、除法、倒数、平方运算会产生新的噪声元。
[0024]
2.2、综合能源系统不确定性仿射建模
[0025]
在综合能源系统运行的过程中，由于气象和物理等因素的影响，风电、光伏输出功率，电、热及天然气系统的负荷具有不确定性，本文用仿射描述这些不确定变量，所建立的风电、光伏、负荷的仿射模型为：
[0026][0027][0028][0029]
式中：为风电有功功率的仿射值，表示仿射中心值，ε
w
为风机有功功率的仿射噪声元，p
tw
为与之对应的仿射噪声元系数。为风电有功功率的仿射值；表示仿射中心值，ε
pv
为风机有功功率的仿射噪声元，p
tpv
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，ε
l
为风机有功功率的仿射噪声元，p
tl
为与之对应的仿射噪声元系数。
[0030]
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。
[0031]
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。
[0032][0033][0034]
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；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。
[0035]
3、计及不确定性的优化配置模型
[0036]
3.1、优化配置的两个子问题
[0037]
仿射优化问题的一般形式为
[0038][0039]
式中：决策变量为仿射向量，c为代价系数矩阵，c(c,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。
[0040]
在综合能源系统优化配置的目标函数中，考虑决策变量中含有风电、光伏和负荷三者的噪声元，则优化配置的年总综合成本可以写成：
[0041][0042]
式中：c0(x0)为确定性优化的园区年综合成本；c1(x1)ε
w
c2(x2)ε
pv
c3(x3)ε
l
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
′
。
[0043]
为了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c0(x0)最小，且不确定性导致的年总综合成本变化量c
′
最小。
[0044]
据此，可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
′
。
[0045]
子问题1为确定性优化配置，优化过程中风电、光伏、负荷功率均为预测值。确定性优化求得的储能功率、园区与上游能源网络交互功率作为子问题2对应功率的仿射中心值。
[0046]
子问题2为不确定性优化配置，最小化不确定性因素导致的年总综合成本变化量。根据源荷预测误差，调整储能设备功率、园区与上游能源网络的交互功率保证源荷功率波动时园区的功率平衡。约束条件中含有储能功率、园区与上游能源网络交互功率的仿射形式，如式
‑
所示。仿射的中心值需由确定性优化求得。叠加两个子问题的优化结果，得到综合能源系统优化配置方案。
[0047]
确定性优化模型和不确定性优化模型均为双层，具体如下。
[0048]
3.2、双层优化模型
[0049]
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：
[0050]
min c0＝c
inv,0
c
op,0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
\*mergeformat(13)
[0051]
min c
′
＝c
inv,l
c
′
op
(l＝1,2,3)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
\*mergeformat(14)
[0052]
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，下文同。
[0053]
式为确定性优化模型的上层目标函数。其中，c0为年综合成本；c
inv,0
为设备年投资成本；c
op,0
为园区运行成本，由下层优化模型返回给上层。
[0054]
式为不确定性优化模型的上层目标函数。其中，c
inv,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；c
inv,0
、c
inv,l
的计算公式类似，具体如下：
[0055][0056]
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：
[0057][0058]
式中：r为折现率，y
γ
为设备使用年限。
[0059]
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：
[0060][0061][0062]
式中：下标s表示不同的典型日，下文同。式为确定性优化模型的下层目标函数。c
op,0
表示园区的运行成本。d为一年的总天数；m
s
为总的典型日数；π(s)为典型日s占比；c
om,s,0
为设备维护成本；c
trade,s,0
为能源交互成本；c
fuel,s,0
为燃料购买成本；c
co2,s,0
为碳排放成本。
[0063]
式为不确定性优化模型的下层目标函数。c
′
op
、c
om,s,l
、c
trade,s,l
、c
fuel,s,l
、c
co2,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。各成本计算公式如下：
[0064]
(1)设备维护成本
[0065][0066][0067]
式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。
[0068]
式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，下文同。
[0069]
(2)能源交互成本
[0070][0071][0072]
式、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；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。
[0073]
(3)燃料购买成本
[0074][0075][0076]
式、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；c
fuel
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。
[0077]
(4)碳排放成本
[0078][0079]
[0080]
式、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，a
e
和a
g
分别为电能和天然气的碳排放系数，c
c
为碳税价格。
[0081]
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、能源交互功率约束等。其中风电、光伏、负荷功率仅考虑预测值(仿射中心值)，各设备出力为常规数。
[0082]
不确定性优化模型的约束条件，如式
‑
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。
[0083]
(1)能源功率平衡约束
[0084][0085]
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，如式所示；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，其公式类似，如式所示；和分别为t时段电、热、天然气负荷的仿射形式，其公式类似，如式所示。
[0086]
(2)能源储存设备运行约束
[0087][0088]
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，如式所示。为j类能源储存设备的最大充放能功率。s
j,0
和s
j,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；u
jk,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，u
j,t
＝1，放能状态时u
j,t
＝0。
[0089]
(3)能源交互功率约束
[0090][0091]
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
[0092]
3.3、优化配置模型求解
[0093]
遗传算法(genetic algorithm，ga)中上层规划模型决策变量较少，故上层采用ga优化设备类型及台数；下层运行模型为多约束线性模型，采用cplex求解器求解。上层的容量优化结果作用于下层的目标函数，下层运行优化结果反馈至上层，通过上下层的优化迭代最终求得全局最优解。将求解后的储能设备出力及园区与能源网络的交互功率作为不确定性优化模型对应功率的仿射中心值。
[0094]
在求解过程中，上层采用ga算法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
‑
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(即调整噪声元，max问题)的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如下所示：
[0095]
(1)max问题
[0096]
目标函数如式所示：
[0097][0098]
max问题模型求解导致园区运行成本变化最大的噪声元ε
w
,ε
pv
,ε
l
。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，如式
‑
所示。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。
[0099]
(2)min问题
[0100]
目标函数如式所示：
[0101][0102]
min问题校正储能设备功率及园区与上游能源网络的交互值p
lbuy,e
、p
lbuy,g
、p
lbuy,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，如式
‑
所示。其中，风电、光伏、负荷噪声元由max问题求解。
[0103]
max问题和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。优化配置模型的流程图如图2所示。
[0104]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。