一种基于源-荷预测的区域综合能源多目标优化方法与流程

1.本发明涉及一种能源优化领域，尤其涉及一种基于源-荷预测的区域综合能源多目标优化方法。


背景技术：

2.近年来，碳排放等环境问题在诸多领域得到了越来越多的重视。电力能源纵横于生活、工业、交通各个领域，低碳环保地供能是碳达峰、碳中和工作的重点任务之一。
3.综合能源系统作为新一代电力能源系统的重要形态，在传统电力供能的基础上结合了风能、光能、热能互补，并且可以进行智能编控、协同控制，在经济效益以及可再生能源的无跨网消纳等方面得到了有效的应用，同时也在低碳领域引起了越来越多的重视。
4.目前，对综合能源系统的优化多为对经济效益或新能源消纳等因素进行单个目标优化，忽略了多个因素的同时优化，并且优化函数通常基于实时采样数据，在响应速度上存在较大提升空间，在控制过程中也更容易出现超调，严重时甚至会造成系统调节震荡，这一系列因素都会造成社会能源、经济不必要的浪费，无法充分发挥综合能源系统在环保节能等领域的优势。
5.例如，一种在中国专利文献上公开的“区域综合能源系统运行优化方法及装置”，其公告号cn112381335a，包括：基于stackelberg博弈建立综合能源系统的运行经济模型；根据所述综合能源系统的运行经济模型，采用粒子群算法进行求解，根据求解结果对能源系统运行参数进行优化，便于对各设备运行优化控制。
6.该方案对综合能源系统的优化为对经济效益的单个目标优化，忽略了多个因素的同时优化。


技术实现要素：

7.本发明主要解决现有技术对单个目标进行优化的问题；提供一种基于源-荷预测的区域综合能源多目标优化方法，基于源-荷预测的数据，结合碳排放、经济效益多目标因素进行优化，同时根据实时采样数据做出适当调整。
8.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于源-荷预测的区域综合能源多目标优化方法，其特征在于，包括以下步骤：步骤1：根据区域内光伏发电单元和风力发电单元的运行特征，预测区域的单位优化时间出功以及单位优化时间内用电负荷、热耗负荷和冷耗负荷；步骤2：判断实际采样数据与预测数据的差额是否超出根据供需电压平衡限制生成的安全阈值；若是，则进入步骤3；若否，则进入步骤4；步骤3：根据实际采样数据与预测数据的差额对预测值进行调整；步骤4：以碳排放量最低、供能成本最低为优化目标优化约束，求解得出单位优化时间的出功参考；
步骤5：供能单元根据单元单位优化时间的出功参考进行出功。
9.本方案能够基于源-荷预测的数据，提升了响应速度，降低了控制过程中的超调，避免了系统调节震荡，通过多目标因素进行优化，有效减少了碳排放与运行成本，同时根据实时采样数据做出适当调整，避免了由于预测不准确造成的供需电压不平衡。
10.作为优选，所述的步骤1具体包括以下过程：数据采集和传输，所述数据包括太阳辐射强度、风力风速、降雨量、最高气温和最低气温；搭建深度学习预测模型，将光伏发电单元和风力发电单元所在地区历史气象信息和历史发电功率数据作为预测模型的输入序列，对收集到的数据进行归一化处理，并进行dbn无监督训练，bp有监督训练；参数输入训练后的预测模型，获得预测结果。
11.预测方法为基于深度置信网络的功率/负荷预测。
12.作为优选，根据供需电压平衡限制生成的安全阈值：作为优选，根据供需电压平衡限制生成的安全阈值：作为优选，根据供需电压平衡限制生成的安全阈值：作为优选，根据供需电压平衡限制生成的安全阈值：作为优选，根据供需电压平衡限制生成的安全阈值：其中，k
power
为下垂控制中外部购电下垂系数；k
pv
为下垂控制中光伏发电下垂系数；k
wt
为下垂控制中风力发电下垂系数；k
eload
为下垂控制中用电负荷下垂系数；k
hload
为下垂控制中电热机负荷下垂系数；k
cload
为下垂控制中制冷机负荷下垂系数；p
eload
为综合能源系统用户用电负荷；为预测得到的综合能源系统光伏发电单元单位优化时间内出功；为预测得到的综合能源系统风力发电单元单位优化时间内出功；为综合能源系统预测得到的单位优化时间内用户用电负荷；为预测得到的综合能源系统单位优化时间内电热炉负荷，为预测得到的综合能源系统单位优化时间内制冷机负荷。
13.基于安全考虑，根据供需电压平衡限制生成电所述安全阈值。
14.作为优选，当实际采样数据与预测数据的差额超出安全阈值时：作为优选，当实际采样数据与预测数据的差额超出安全阈值时：作为优选，当实际采样数据与预测数据的差额超出安全阈值时：作为优选，当实际采样数据与预测数据的差额超出安全阈值时：作为优选，当实际采样数据与预测数据的差额超出安全阈值时：作为优选，当实际采样数据与预测数据的差额超出安全阈值时：作为优选，当实际采样数据与预测数据的差额超出安全阈值时：否则，δp
pv.r
＝δp
wt.r
＝δp
eload.r
＝δq
cload.r
＝δq
hload.r
＝δp
cload.r
＝δp
hload.r
＝0其中，为综合能源系统光伏发电系统出功实际采样值；为综合能源系统风力发电系统出功实际采样值；为综合能源系统用户用电负荷实际采样值；为综合能源系统冷耗负荷实际采样值；为综合能源系统热耗负荷实际采样值；δp
pv.r
为综合能源系统单位校正时间内的光伏发电出功预测矫正值；δp
wt.r
为综合能源系统单位校正时间内的风力发电出功预测矫正值；δp
eload.r
为综合能源系统单位校正时间内的用户用电负荷预测矫正值；δp
cload.r
为综合能源系统单位校正时间内的制冷机负荷预测矫正值；δp
hload.r
为综合能源系统单位校正时间内的电热炉负荷预测矫正值；δq
cload.r
为综合能源系统冷耗负荷校正值；δq
hload.r
为综合能源系统热耗负荷校正值；为综合能源系统预测得到的单位优化时间内冷耗负荷；为综合能源系统预测得到的单位优化时间内热耗负荷；ηc为综合能源系统制冷机电-冷转化率；η
loss，c
为综合能源系统制冷机制冷机电-冷转化损耗率；为综合能源系统单位优化时间内燃气炉消耗流量；η
boiler
为综合能源系统燃气炉气-热转化率；η
loss，boiler
为综合能源系统燃气炉气-热能转化损耗；η
po
为综合能源系统电热炉电-热转化率；η
loss，po
为综合能源系统电热炉电-热转化损耗率；
为综合能源系统储热装置放热功率；综合能源系统储热装置储热功率。
15.根据实时采样数据做出适当调整，避免了由于预测不准确造成的供需电压不平衡。
16.作为优选，约束条件包括：电能平衡约束：其中，为综合能源系统单位优化时间内面向外部电网的购电功率；为综合能源系统蓄电池单位优化时间内出功；为综合能源系统微型燃气机单位优化时间内出功；综合能源系统单位时间内蓄电池存储功率；冷能平衡约束：热能平衡约束：外部购电约束：其中，为综合能源系统与外部电网购电功率的下限；为综合能源系统与外部电网购电功率的上限；外部购气约束：其中，为单位优化时间内微型燃气机燃耗量；m
min
为综合能源系统与外部电网购电功率的下限；m
max
为综合能源系统与外部电网购电功率的上限；电池充放功率约束：电池充放功率约束：其中，为综合能源系统电池放电上限；为综合能源系统电池充电上限；电池存储电量约束：
soc
min
≤soc
t
≤soc
max
其中，soc
t
为电池在第t个优化时间段的存储电量；soc
min
为综合能源系统电池存储电量的下限；soc
max
为综合能源系统电池存储电量的上限；c为电池等效电容；q为电池容量；v为在第t个优化时间段电池的电压；η
bat
电池的充放电效率；t为单位优化时间；充放电关系为：微型燃气机约束：微型燃气机约束：其中，η
mt
为微型燃气机气-热转换率；η
loss，mt
微型燃气机气-热转换损耗率；为微型燃气机单位优化时间内功率下限；为微型燃气机单位优化时间内功率上限；储能装置热能容量约束：其中，为所述综合能源系统电池存储电量的上限；为所述综合能源系统电池存储电量的下限。
17.作为优选，综合能源系统中各单元的碳排放量函数如下：外部购电碳排放量函数：其中，c
power
为外部购电碳排总量；α
power
为外部购电碳排系数；微型燃气机碳排放量函数：其中，c
mt
为微型燃气机碳排总量；α
mt
为微型燃气机碳排系数；燃气锅碳排放量函数：
其中，c
boiler
为燃气炉碳排总量；α
boiler
为燃气炉碳排系数。
18.考虑环境保护成本。
19.作为优选，以碳排放量最低、供能成本最低为优化目标优化约束；考虑供能成本最低的目标优化函数：考虑碳排放量最低的目标优化函数：min f2＝c
power
c
mt
c
boiler
其中，s
power
为所述综合能源系统的外部购电成本系数；s
wt
为所述综合能源系统的风力发电成本系数；s
pv
为所述综合能源系统的光伏发电成本系数；s
mt
为所述综合能源系统的微型燃气机成本系数；s
bat，disg
为所述综合能源系统的电池放电成本系数；s
bat，char
为所述综合能源系统的电池充电成本系数；s
boiler
为所述综合能源系统的燃气炉成本系数。
20.通过多目标因素进行优化，有效减少了碳排放与运行成本。
21.作为优选，多目标优化函数采用交替方向乘子法进行求解，其具体过程如下：建立多目标优化函数；采用隶属度函数对目标函数进行模糊处理：其中，fi表示第i个目标；μi为fi的隶属度；是fi的最大值；是fi的最小值；最大化满意度的模糊优化模型：最大化满意度的模糊优化模型：最大化满意度的模糊优化模型：为所有目标隶属度的最小值，表示多目标决策的满意程度；g(x)为约束函数向量；将出工参数代入，构建增广拉格朗日函数，利用梯度求解，得出综合能源系统各单元出功参考值。
22.本发明的有益效果是：1.基于源-荷预测的数据，提升了响应速度，降低了控制过程中的超调，避免了系统调节震荡。
23.2.通过多目标因素进行优化，有效减少了碳排放与运行成本。
24.3.根据实时采样数据做出适当调整，避免了由于预测不准确造成的供需电压不平衡。
附图说明
25.图1是本发明的区域综合能源多目标优化方法流程图。
具体实施方式
26.下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
27.实施例：本实施例的一种基于源-荷预测的区域综合能源多目标优化方法，如图1所示，包括以下步骤：步骤1：根据区域内光伏发电单元和风力发电单元的运行特征，预测区域的单位优化时间出功以及单位优化时间内用电负荷、热耗负荷和冷耗负荷。
28.本实施例采用的综合能源系统包括：外部电网、光伏发电单元、风力发电单元、电池、外部气网、微型燃气机、燃气炉、储热装置、电热炉、制冷机、用电负荷、冷耗负荷以及热耗负荷(。
29.本实施例的用电负荷不包括制冷机负荷和电热炉负荷。
30.预测数据包括以下过程：数据采集和传输，所述数据包括太阳辐射强度、风力风速、降雨量、最高气温和最低气温。
31.搭建深度学习预测模型，将光伏发电单元和风力发电单元所在地区历史气象信息和历史发电功率数据作为预测模型的输入序列，对收集到的数据进行归一化处理，并进行dbn无监督训练，bp有监督训练。
32.参数输入训练后的预测模型，获得预测结果。
33.步骤2：判断实际采样数据与预测数据的差额是否超出根据供需电压平衡限制生成的安全阈值；若是，则进入步骤3；若否，则进入步骤4。
34.基于安全目的，根据供需电压平衡限制生成的安全阈值：基于安全目的，根据供需电压平衡限制生成的安全阈值：基于安全目的，根据供需电压平衡限制生成的安全阈值：基于安全目的，根据供需电压平衡限制生成的安全阈值：基于安全目的，根据供需电压平衡限制生成的安全阈值：
其中，k
power
为下垂控制中外部购电下垂系数；k
pv
为下垂控制中光伏发电下垂系数；k
wt
为下垂控制中风力发电下垂系数；k
eload
为下垂控制中用电负荷下垂系数；k
hload
为下垂控制中电热机负荷下垂系数；k
cload
为下垂控制中制冷机负荷下垂系数；p
eload
为综合能源系统用户用电负荷；为预测得到的综合能源系统光伏发电单元单位优化时间内出功；为预测得到的综合能源系统风力发电单元单位优化时间内出功；为综合能源系统预测得到的单位优化时间内用户用电负荷；为预测得到的综合能源系统单位优化时间内电热炉负荷，为预测得到的综合能源系统单位优化时间内制冷机负荷。
35.步骤3：根据实际采样数据与预测数据的差额对预测值进行调整。
36.当实际采样数据与预测数据的差额超出安全阈值时：当实际采样数据与预测数据的差额超出安全阈值时：当实际采样数据与预测数据的差额超出安全阈值时：当实际采样数据与预测数据的差额超出安全阈值时：当实际采样数据与预测数据的差额超出安全阈值时：当实际采样数据与预测数据的差额超出安全阈值时：当实际采样数据与预测数据的差额超出安全阈值时：否则，δp
pv.r
＝δp
wt.r
＝δp
eload.r
＝δq
cload.r
＝δq
hload.r
＝δp
cload.r
＝δp
hload.r
＝0其中，为综合能源系统光伏发电系统出功实际采样值；为综合能源系统风力发电系统出功实际采样值；为综合能源系统用户用电负荷实际采样值；为综合能源系统冷耗负荷实际采样值；为综合能源系统热耗负荷实际采样值；δp
pv.r
为综合能源系统单位校正时间内的光伏发电出功预测矫正值；δp
wt.r
为综合能源系统单位校正时间内的风力发电出功预测矫正值；
δp
eload.r
为综合能源系统单位校正时间内的用户用电负荷预测矫正值；δp
cload.r
为综合能源系统单位校正时间内的制冷机负荷预测矫正值；δp
hload，r
为综合能源系统单位校正时间内的电热炉负荷预测矫正值；δq
cload，r
为综合能源系统冷耗负荷校正值；δq
hload，r
为综合能源系统热耗负荷校正值；为综合能源系统预测得到的单位优化时间内冷耗负荷；为综合能源系统预测得到的单位优化时间内热耗负荷；ηc为综合能源系统制冷机电-冷转化率；η
loss，c
为综合能源系统制冷机制冷机电-冷转化损耗率；为综合能源系统单位优化时间内燃气炉消耗流量；η
boiler
为综合能源系统燃气炉气-热转化率；η
loss，boiler
为综合能源系统燃气炉气-热能转化损耗；η
po
为综合能源系统电热炉电-热转化率；η
loss，po
为综合能源系统电热炉电-热转化损耗率；为综合能源系统储热装置放热功率；综合能源系统储热装置储热功率。
37.步骤4：以碳排放量最低、供能成本最低为优化目标优化约束，求解得出单位优化时间的出功参考。
38.约束条件包括电能平衡约束、冷能平衡约束、热能平衡约束、外部购电约束、外部购气约束、电池充放功率约束、电池存储电量约束、微型燃气机约束和储能装置热能容量约束。
39.电能平衡约束：其中，为综合能源系统单位优化时间内面向外部电网的购电功率；为综合能源系统蓄电池单位优化时间内出功；为综合能源系统微型燃气机单位优化时间内出功；综合能源系统单位时间内蓄电池存储功率。
40.冷能平衡约束：热能平衡约束：外部购电约束：
其中，为综合能源系统与外部电网购电功率的下限；为综合能源系统与外部电网购电功率的上限。
41.外部购气约束：其中，为单位优化时间内微型燃气机燃耗量；m
min
为综合能源系统与外部电网购电功率的下限；m
max
为综合能源系统与外部电网购电功率的上限。
42.电池充放功率约束：电池充放功率约束：其中，为综合能源系统电池放电上限；为综合能源系统电池充电上限。
43.电池存储电量约束：soc
min
≤soc
t
≤soc
max
其中，soc
t
为电池在第t个优化时间段的存储电量；soc
min
为综合能源系统电池存储电量的下限；soc
max
为综合能源系统电池存储电量的上限；c为电池等效电容；q为电池容量；v为在第t个优化时间段电池的电压；η
bat
电池的充放电效率；t为单位优化时间。
44.充放电关系为：微型燃气机约束：微型燃气机约束：其中，η
mt
为微型燃气机气-热转换率；η
loss，mt
微型燃气机气-热转换损耗率；为微型燃气机单位优化时间内功率下限；为微型燃气机单位优化时间内功率上限。
45.储能装置热能容量约束：
其中，为所述综合能源系统电池存储电量的上限；为所述综合能源系统电池存储电量的下限。
46.综合能源系统中包括外部购电碳排放量函数、微型燃气机碳排放量函数和燃气锅碳排放量函数。
47.各单元的碳排放量函数如下：外部购电碳排放量函数：其中，c
power
为外部购电碳排总量；α
power
为外部购电碳排系数。
48.微型燃气机碳排放量函数：其中，c
mt
为微型燃气机碳排总量；α
mt
为微型燃气机碳排系数。
49.燃气锅碳排放量函数：其中，c
boiler
为燃气炉碳排总量；α
boiler
为燃气炉碳排系数。
50.以碳排放量最低、供能成本最低为优化目标优化约束；考虑供能成本最低的目标优化函数：考虑碳排放量最低的目标优化函数：min f2＝c
power
c
mt
c
boiler
其中，s
power
为所述综合能源系统的外部购电成本系数；s
wt
为所述综合能源系统的风力发电成本系数；s
pv
为所述综合能源系统的光伏发电成本系数；s
mt
为所述综合能源系统的微型燃气机成本系数；s
bat，disc
为所述综合能源系统的电池放电成本系数；s
bat，char
为所述综合能源系统的电池充电成本系数；s
boiler
为所述综合能源系统的燃气炉成本系数。
51.多目标优化函数采用交替方向乘子法进行求解，其具体过程如下：建立多目标优化函数；采用隶属度函数对目标函数进行模糊处理：其中，fi表示第i个目标；
μi为fi的隶属度；是fi的最大值；是fi的最小值；最大化满意度的模糊优化模型：最大化满意度的模糊优化模型：最大化满意度的模糊优化模型：为所有目标隶属度的最小值，表示多目标决策的满意程度；g(x)为约束函数向量；将出功参数代入，构建增广拉格朗日函数，利用梯度求解，得出综合能源系统各单元出功参考值。
52.将所述出功参数代入：构建增广拉格朗日函数：l(x，z，λ)＝f(x) g(z) λ
t
(ax bz-c) ρ/2*||ax bz-c||2增广拉格朗日函数求解步骤如下：step1：step2：step3：λ
k 1
＝λk ρ(ax bz-c)利用梯度即可求解，得出综合能源系统各单元出功参考值。
53.步骤5：供能单元根据单元单位优化时间的出功参考进行出功。
54.本实施例的方案能够基于源-荷预测的数据，提升了响应速度，降低了控制过程中的超调，避免了系统调节震荡，通过多目标因素进行优化，有效减少了碳排放与运行成本，同时根据实时采样数据做出适当调整，避免了由于预测不准确造成的供需电压不平衡。
55.应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。