应对需求侧不确定性的热电联产燃气轮机组调度方法与流程

1.本发明涉及热电联燃气轮机技术领域，尤其涉及一种应对需求侧不确定性的热电联产燃气轮机组调度方法。


背景技术：

2.对能源的需求不断增长。最近的调查和研究预测，2050年的电力需求将比2000年增加近一倍。为了满足这种不断增长的能源需求，能源发电机制的选择具有严重的经济后果。在全球范围内，煤基和核能发电预计将减少，事实上，最近的调查预测，到2050年，大多数电力将由可再生资源和天然气提供。然而，可再生能源(特别是风能和太阳能)的生产高度依赖于一天中的时间、季节、天气和其他我们无法控制的自然现象，这意味着电网运营商的重新调度是必不可少的。
3.为了满足用户多样化的能源需求，冷热电联产微电网技术得到了迅速发展。冷热电联供系统以天然气为主要能源，微型燃气轮机为发电设备。发电产生的余热经余热锅炉等设备回收转化后，供用户供热、供冷。冷热电联供微型燃气轮机组可将能效从30％左右提高到70％以上。微电网与冷热电联供系统的结合，既能充分发挥微电网灵活接入分布式发电的优势，又能充分利用冷热电联供系统的能效特点。整个cchp微网通过公共耦合点(pcc)接入配电网；它不仅可以在联网模式下随时与大电网进行能量交换，还可以在某些适当情况下切断与电网的连接，在隔离网模式下工作。综上，热电联产微电网为解决我国当前的能源和环境问题提供了有效的解决方案，具有较高的利用价值和良好的发展前景。


技术实现要素：

4.本发明的实施例提供了一种应对需求侧不确定性的热电联产燃气轮机组调度方法，用于解决现有技术中存在的技术问题。
5.为了实现上述目的，本发明采取了如下技术方案。
6.应对需求侧不确定性的热电联产燃气轮机组调度方法，包括：
7.s1基于电动车的不确定性，建立电动车不确定性模型；
8.s2基于需求侧的负荷，建立需求侧响应的可削减负荷模型和可转移负荷模型；
9.s3基于电动车不确定性模型、需求侧响应的可削减负荷模型和可转移负荷模型，结合约束条件，计算决策空间；
10.s4根据决策空间通过计算获得总运营成本最低的调度方案。
11.优选地，步骤s1包括：
12.通过式获得电动车的概率密度；
13.通过式获得充电站电量约束；
14.通过式获得充电站充放电功率约束；
15.通过式获得电动车储电量变化指标。
16.优选地，步骤s2包括：
17.通过式获得削减负荷的上下限约束；
18.通过式和获得负荷在转移时的上下限约束和总转移电量在一天之内要保证为零的约束；
19.通过式le＝p
l
p
cut
p
tran
(8)获得经历了需求侧响应之后的用户的电负荷。
20.优选地，步骤s3包括：
21.所述约束条件包括冷负荷功率平衡约束、热负荷功率平衡约束、电负荷功率平衡约束、电制氢系统电功率平衡约束、与上级电网交互约束和储能约束
22.冷负荷平衡约束通过式c
ac
c
ec
＝c
l
(9)获得；
23.热负荷平衡约束通过h
gt
h
gb
h
hp
h
ch
＝h
l
h
ac
h
dis
ꢀꢀꢀ
(10)获得；
24.电负荷功率平衡约束通过式p
buy-p
sell-p
hp-p
ec-p
ch
p
dis
p
gt
p
pv
p
wt
＝le p
p2h
p
ev.ch-p
ev.dis
ꢀꢀꢀ
(11)获得；
25.电制氢系统电功率平衡约束通过式p
p2h
p
batd
＝p
ed
p
hc
p
batc
ꢀꢀꢀ
(12)获得；
26.与上级电网交互约束通过式和获得；
27.储能约束通过式e
min
≤e≤e
max
ꢀꢀꢀ
(15)、p
ch.min
≤p
ch
·
u_ch≤p
ch.max
ꢀꢀꢀ
(16)、p
dis.min
≤p
dis
·
u_dis≤p
dis.max
ꢀꢀꢀ
(17)、(u_dis u_ch)≤1(18)、q
min
≤q≤q
max
ꢀꢀꢀ
(19)、
hch.min
≤h
ch
·
h_ch≤h
ch.max
ꢀꢀꢀ
(20)、h
dis.min
≤h
dis
·
h_dis≤h
dis.max
ꢀꢀꢀ
(21)和(h_dis h_ch)≤1
ꢀꢀꢀ
(22)获得；
28.决策空间通过式minf＝(f
gas
f
tra
f
bu
)
ꢀꢀꢀ
(23)、f
gas
＝c
gas
·
(f
gt
f
gb
)
ꢀꢀꢀ
(24)、f
tra
＝(c
buy
·
p
buy
c
sell
·
p
sell
)(25)和f
bu
＝(c
tra
·
p
tran
c
cut
·
p
cut
)
ꢀꢀꢀ
(26)获得。
29.由上述本发明的实施例提供的技术方案可以看出，本发明提供一种应对需求侧不确定性的热电联产燃气轮机组调度方法，首先根据园区内的能量需求，构建了典型冷热电联供系统模型，并在传统的冷热电负荷的基础上，在该多能园区中加入了氢负荷。随后介绍了冷热电联供系统中的各项主要设备，包括燃气轮机、燃气锅炉等供能设备，热泵、电制冷机、吸收式制冷机等能量转换设备，电储能、热储能等储能设备；针对需求侧响应部分，建立了电负荷的可削减与可转移负荷模型。针对电动汽车的行驶特点，建立了电动汽车到达园区、驶离园区、以及到达园区时剩余soc的数学模型，并根据所建模型通过抽样得到电动汽车向园区并网的数据，从而建立电动汽车的广义储能模型；最后，以园区内一天的运行成本最低为目标函数，综合冷、热、电、氢等各种能量之间的平衡约束，建立了多能园区微网运行模型。通过算例仿真，分别得到了考虑需求侧响应与电动汽车有序充电以及不考虑需求响应与电动汽车无序充电下园区一天之内的运营成本。通过分析得出的数据与图表，证明了
本文所搭建模型的合理性，同时也证明了当考虑需求侧响应与电动汽车有序充电时，确实能有效地降低电负荷的峰谷差，提升系统总体运行的经济性。
30.本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
31.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法的处理流程图；
33.图2为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中多能园区系统的结构示意图；
34.图3为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中电制氢主要设备模型图；
35.图4为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中典型电负荷预测值图；
36.图5为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中典型氢负荷预测值图；
37.图6为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中典型风光出力预测值图；
38.图7为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中典型冷热负荷预测值图；
39.图8为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中需求侧响应后的电负荷功率图；
40.图9为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中电制氢系统电功率平衡图；
41.图10为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法p2h中的电储能设备充放电情况图；
42.图11为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法中储氢罐压强变化图；
43.图12为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法多能园区热负荷功率平衡图；
44.图13为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法多能园区冷负荷功率平衡图；
45.图14为本发明提供的应对需求侧不确定性的热电联产燃气轮机组调度方法多能园区电负荷功率平衡第二个场景的示意图。
具体实施方式
46.下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
47.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
48.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
49.为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
50.本发明提供一种主动应对需求侧不确定性的热电联产燃气轮机组的经济调度方法，用于解决如下问题：忽略未知未来的需求侧对于建模的影响，对于一些实际优化问题，当问题中的某些参数发生微小的变化时，最优解会发生剧烈的变化。因此，需要，为了解决这些问题，需要考虑一个随机优化框架，这要求预先了解潜在不确定性的概率分布，而这些不确定性必须根据过去的数据进行估计，从而再次导致参数不准确的问题。
51.针对这些缺点，本项发明的目的在于，考虑了一个已知离散状态空间表示热电联产机组的需求侧不确定性，建立功率、热量需求未知的调度模型。对于考虑不确定性的调度模型，考虑电动汽车有序无序充电的特点，建立了电动汽车广义储能模型，考虑需求侧响应，建立了可削减负荷、可转移负荷模型。以园区一天之内总运营成本最小为目标函数，计及冷、热、电、氢负荷平衡约束，储能设备约束，与外网交互功率约束条件，构建了考虑需求侧响应和电动汽车有序充电的多能园区微网优化运行模型。
52.参见图1，本发明提供一种应对需求侧不确定性的热电联产燃气轮机组调度方法，包括如下步骤：
53.s1基于电动车的不确定性，建立电动车不确定性模型；
54.s2基于需求侧的负荷，建立需求侧响应的可削减负荷模型和可转移负荷模型；
55.s3基于电动车不确定性模型、需求侧响应的可削减负荷模型和可转移负荷模型，结合约束条件，计算决策空间；
56.s4根据决策空间通过计算获得总运营成本最低的调度方案。
57.本发明重点研究了考虑需求侧响应和电动汽车有序充电的冷-热-电多能园区微网运行研究问题。本文在原有冷热电联供系统的基础上，加入了电制氢模型。针对负荷侧的需求侧响应，建立用户的可削减负荷与可平移负荷模型。而后，通过抽样获得电动汽车在园区内的并网数据，建立了电动汽车广义储能模型。最后，以一天内多能园区的总运营成本为
目标函数，综合以上描述的冷热电联供系统、电制氢模型、需求侧响应及电动汽车广义储能模型，建立了多能园区微网优化运行模型。采用基于matlab环境下yalmip平台上的cplex求解器进行求解，通过算例仿真验证其模型的有效性与经济性。具体工作如下：
58.一、主要介绍了现今能源发展现状，从而引出综合能源系统、冷热电联供系统等相关概念，介绍了近些年电动汽车的发展，引出了本文研究的背景与意义。同时对冷热电联供系统、需求侧响应以及电动汽车接入微网的研究现状进行了介绍。最后对全文的结构进行了简介。
59.二、主要是对多能园区内各种供能设备以及电动汽车有序充电和需求侧响应的建模。首先先建立了含电制氢技术的冷热电联供系统模型，然后基于不同电动汽车的出行特性，通过抽样获得电动汽车在园区内的并网数据，建立电动汽车广义储能模型。而后基于用户侧的需求侧响应，建立了可削减和可转移两种负荷模型。
60.三、建立考虑需求侧响应和电动汽车有序充电的冷-热-电多能园区微网运行模型，以园区内一天的总运营成本最低为目标函数，总运营成本包括购气支出、与外电网交互支出、电负荷不舒适成本，考虑系统内各项设备间的能量平衡约束，为下一章的仿真计算提供基础。
61.四、首先给出了各项设备的参考数据以及典型情况下各种负荷以及风光发电的预测曲线，使用cplex求解器对考虑需求侧响应以及电动汽车有序充电后的园区微网运行进行仿真计算。根据仿真结果得到的优化运行方案，分析了在考虑需求侧响应和电动汽车有序充电后园区微网优化运行模型的有效性。
62.本发明建立的多能园区微网系统可以根据用户的需求为用户提供冷、热、电等多种能源。同时在传统冷热电联供系统的基础上，还加入了电制氢技术，根据需求提供氢能。而且随着可再生能源的发展，风光发电也成为了综合能源系统中不可缺少的一部分。图2为该多能园区系统的结构示意图。
63.从图中我们可以看出该系统可以为用户提供多种能源，分别为供冷、供热、供电、供氢。其中，燃气锅炉与燃气轮机通过燃烧天然气为系统提供热能和电能，与此同时，燃气轮机在发电过程中产生的高温烟气可以由余热锅炉进行回收进而产生热能，热泵又可以将电能转化为热能。系统中产生的总的热能除了供给系统的热负荷外还能提供给吸收式制冷机，使其供应冷负荷，与电制冷设备一同供应了整个系统内的冷负荷。此外，该系统还考虑了园区内有一定的氢负荷需求，引入了电制氢设备，为其提供氢能。当系统中的供电设备产生的电能不能够满足供电负荷时，可以向上级购电，相反当供电功率大于供电负荷时，可以向上级售电。对于电动汽车，该园区则设计了三个充电站供电动汽车充电。最后考虑需求侧响应，通过建立可削减和可转移负荷模型来改变用户侧的电负荷从而达到削峰填谷与提高园区运行经济性的效果。
64.本园区所使用的燃气轮机以天然气为能源，具有启动速度快、体积轻小、易于安装等特点。作为冷热电联供系统的主要装置，虽然单独发电时的发电效率较低，但是其发电时产生的余热在经余热锅炉处理后可以为用户提供供热，综合能量利用效率可到80％-90％
22.。
65.燃气轮机供电与供热模型如下所示：
66.p
gt
＝η
gt
·hgas
·fgt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2-1)
67.h
gt
＝η
rb
·
(1-η
gt
)
·hgas
·fgt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2-2)
68.其中p
gt
、h
gt
分别为燃气轮机输出的电功率和热功率，f
gt
为燃气轮机天然气每小时的消耗量，h
gas
为天然气热值，取9.7kwh/m3。η
gt
、η
rb
分别为燃气轮机的发电效率和余热回收效率。
69.燃气轮机在实际运行过程中需要对其处理进行约束，其供电与供热的最大最小出力约束由式(2-3)、(2-4)表示：
70.p
gt.min
≤p
gt
≤p
gt.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2-3)
71.h
gt.min
≤h
gt
≤h
gt.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2-4)
72.其中p
gt.min
为燃气轮机的最小发电功率，p
gt.max
为燃气轮机的最大发电功率，h
gt.min
为燃气轮机的最小产热功率，h
gt.max
为燃气轮机的最大产热功率。
73.由于传统的燃煤锅炉在燃烧煤时会产生大量的有害气体，污染环境，所以本园区采用更加清洁的、通过燃烧天然气来为系统提供热能的燃气锅炉。
74.燃气锅炉的供热模型如下所示：
75.h
gb
＝η
gb
·hgas
·fgb
ꢀꢀꢀ
(2-5)
76.其中h
gb
为燃气锅炉的产热功率，η
gb
为燃气锅炉的产热效率，f
cb
为燃气锅炉天然气每小时的消耗量。
77.燃气锅炉在产热时也要受到最大最小功率限制的约束，其功率约束的表达式由式(2-6)表示：
78.h
gb.min
≤h
gb
≤h
gb.max
ꢀꢀꢀ
(2-6)
79.其中h
gb.min
为燃气锅炉的最小产热功率，h
gb.max
为燃气锅炉的最大产热功率。
80.本文中所涉及到的能量转换设备有电制冷机(ec)、热泵(hp)以及吸收式制冷机(ac)。这三种设备均只涉及冷热电三种能量的互相转换，可以采用统一的模型进行处理。
81.能量转换设备的模型如下：
82.n
out
＝η
·nin
ꢀꢀꢀ
(2-7)
83.其中n
out
与n
in
分别为能量转换效率设备的能量输出功率与能量输入功率，η为能量转换设备的能量转换率。
84.能量转换设备的最大最小工作功率约束如式(2-8)所示：
85.n
out.min
≤n
out
≤n
out.max
ꢀꢀꢀ
(2-8)。
86.储能设备作为一种能量转移设备，可以控制其内部的能源在一天内不同时段的释放与吸收，从而达到消纳可再生能源、对负荷峰谷差进行平抑的效果。本园区内的储能设备分为电储能以及热储能。
87.电储能在电网中既可以作为发电设备，在负荷高峰期为发出电功率，也可以作为负荷，当系统内发电功率大于系统总的负荷时，将多余的电能储存起来。所以电储能的工作状态可以大致分为三种：充电、放电、停运。
88.电储能的模型如下所示：
89.e
t 1
＝(1-σe)
·et
(p
ch
·
η
e.ch-p
dis
/η
e.dis
)
·
△
t
ꢀꢀꢀ
(2-9)
90.其中，e
t 1
为t 1时刻电储能中的能量值，e
t
为t时刻电储能中的能量值，σe为电储能设备的自我放电率，p
ch
与η
e.ch
为电储能的充电功率与充电效率，p
dis
与η
e.dis
为电储能的放电功率与放电效率，
△
t为划分的单位时间段长度。
91.热储能主要负责处理系统内的热供应与热负荷不匹配的问题。当燃气轮机为了满足高峰时期的电负荷需求时，会产生大量的高温余热，此时多出来的热能需要由热储能来吸收。而当系统内的热负荷处于高峰时，则可以释放热储能内的热能来满足需求。
92.热储能的模型如下所示：
93.q
t 1
＝(1-σq)
·qt
(h
ch
·
η
q.ch-h
dis
/η
q.dis
)
·
△
t
ꢀꢀꢀ
(2-10)
94.其中，q
t 1
为t 1时刻热储能中的能量值，q
t
为t时刻热储能中的能量值，σq为热储能设备的自我放热率，h
ch
与η
q.ch
为热储能的储热功率与储热效率，h
dis
与η
q.dis
为热储能的放热功率与放热效率，
△
t为划分的单位时间段长度。
95.电制氢模型的主要构成如图3所示。
96.现阶段的电解槽主要有碱性电解槽、质子交换膜电解槽和固体氧化物电解槽。碱式电解槽因其技术研究已经较为成熟，产氢效果相较于其他电解槽更好，所以被广泛应用。由一些现有技术可知，当电解槽处于稳定运行的状态下时，电解槽的产氢速度与电解槽输入的电功率成正比。
97.电解槽模型如下所示：
98.m
ed
＝ηh·
p
ed
ꢀꢀꢀ
(2-11)
99.其中m
ed
为电解槽的产氢量，ηh为电解槽的产氢效率，p
ed
为输入电解槽的电功率。
100.电解槽运行时还要满足其功率爬坡约束和功率最大约束：
[0101][0102]
其中，p
ed.max
为电解槽可输入的最大电功率，p
ed.rp
为电解槽的最小或最大爬坡功率。
[0103]
实际生产过程中，为了减小设备占地面积，方便氢气运输与储存，常常将电解槽生产出的氢气由氢气压缩机来处理成高压氢气，然后送入储氢罐中保存。氢气压缩机模型如下所示：
[0104][0105]
0≤p
hc
≤p
hc.max
ꢀꢀꢀ
(2-14)
[0106]
其中氢气的比热容为oh，ηh为氢气压缩机的压缩效率，p为氢气压缩的倍数，氢气的熵指数记作τ，th则为氢气进入压缩机时的温度，m
hc
为压缩机压缩的氢气量，p
hc
为氢气压缩机的耗电功率,p
hc.max
为氢气压缩机的运行功率上限。
[0107]
被氢气压缩机压缩好的高压氢气则被储存到储氢罐当中，而储氢罐中实时压强的多少即可表明储氢量的大小。储氢罐内氢气的压强可以表示为式(2-15)
[24]
：
[0108][0109][0110]
其中与分别为t 1时刻与t时刻储氢罐内的压强大小，t
h2
与v
h2
分别为储氢罐内的温度与储氢罐的容量大小，mol
h2
为氢气的单位摩尔质量，l
hs
为氢气的负荷量。式(2-16)为对储氢罐最大最小压强的约束，p
hs.min
与p
hs.max
分别为储氢罐的最小与最大压强。
[0111]
该电储能设备模型和式(2-9)所建的模型相同，故不再赘述。
[0112]
作为国家的一项战略新兴产业，电动汽车正在走入千家万户。然而大规模电动汽车的随机接入也对电力系统的安全稳定运行提出了严峻挑战，预测电动汽车的充电负荷成为了亟需解决的问题。由于电动汽车的充电过程在时间和空间两个维度上均呈现出很强的无序性，因此传统的负荷预测无法适用。本节通过统计学手段，挖掘分析电动汽车的充电随机因素并总结规律。通过对电动汽车三种数据的抽样建立科学合理的电动汽车充电负荷预测模型，并在此基础上提出了一种充电站的集中充放电调度方法。以期充分挖掘电动汽车集群作为可控负荷参与削峰填谷的潜力，改善综合能源系统的能量平衡状况。
[0113]
本文所研究的多能园区一共设置了三个电动汽车充电站，对包括私家车、网约车和上班族在内的三种典型电动汽车充电负荷进行建模。首先对三种电动汽车的停车、离开充电站的时间以及电动汽车初始的soc进行了抽样处理，随后将三种电动汽车的数据随机分配到三个充电站中。一共进行1000次抽样，将这1000次抽样作为充电站的历史电动汽车数据。
[0114]
电动汽车的停车、离开充电站的时间以及初始soc假设与传统燃油汽车相同，采用概率分布模型进行描述。假设三类电动汽车的初始soc服从均匀分布u(a，b)，到达充电站的停车时刻与驶离充电站的时刻在24小时内服从正态分布t～n(μ，σ2)，其概率密度函数可以用式(2-17)表示：
[0115][0116]
式中t表示为电动汽车的停车或者驶离时刻。三类汽车分别的μ与σ数据如表2-1所示：
[0117]
表2-1三类电动汽车参数
[0118][0119]
通过抽样对多组电动汽车的在各个充电站的停车、离开与初始soc等数据进行模拟，根据电动汽车的停车时间与离开时间可以得出每辆电动汽车在充电站的具体停泊时间，从而可以获取电动汽车接入电动汽车充电站的时间分布从而获得可调度负荷数据。
[0120]
为了实现电动汽车的集中式优化调度，需要利用充电站将多个电动汽车个体的决策空间叠加为一个整体。由文献[25]可知通过将一定规模的电动汽车充电负荷集群压缩，可以将电动汽车总的充电负荷视为广义储能设备。决定一个电动汽车集群作为可调度资源潜力的主要参数是电量以及最大充放电功率。根据上一小节的抽样后得到的电动汽车数据我们可以得到这三个电动汽车充电站的历史可调度潜力。基于这三个电动汽车充电站的历史可调度潜力来预测三个电动汽车充电站的日前可调度潜力，其电量约束条件为：
[0121][0122]
式中：sj表示j充电站的电量，和分别表示广义储能设备电量上限和电
量下限。其充放电功率约束条件为：
[0123][0124]
式中：μj和vj是0-1变量，避免广义储能设备同时处于两种工作状态；和分别为j充电站的最大充电功率以及最大放电功率。
[0125][0126]
式中：η
ch
和η
dis
分别表示电动汽车的充电效率和放电效率；δs
j，t
为j充电站中由于电动汽车接入状态变化带来的储备电量变化；
[0127]
得到三个电动汽车充电站的日前可调度潜力后，根据式(2-18)～式(2-20)的约束，我们就可以得到三个电动汽车站作为一种广义的储能设备时的容量以及充放电功率。当电动汽车选择无序充电策略时，可以将优先充电原则作为电动汽车充电的目标函数，即模拟电动汽车无序充电时即插即充的充电模式。当选择有序充电的充电策略时，我们就可以通过上面求得的容量与充放电功率，将三个电动汽车充电站作为三个储能设备加入到该多能园区微网运行当中，从而达到改善系统电负荷曲线，提升系统总体经济性的目标。
[0128]
本文考虑的需求侧响应模型主要分为两部分，分别为可削减负荷模型和可转移负荷模型。可削减负荷是指负荷可以按一定比例进行削减；可转移负荷是指在总的负荷不变的前提下，将一定时间段的负荷转移到另一个时间段。两种负荷的削减量与转移量均不可能无限大，需要一定的约束。同时，当负荷进行转移或者削减时，必定会引起用户的舒适度改变，因此，后面在进行园区一天内的经济运行仿真时，要加入记及需求侧相响应后用户的舒适度改变成本。
[0129]
对于可削减负荷的建模，主要考虑削减负荷的上下限约束：
[0130][0131]
其中为可削减负荷的最小值，为可削减负荷的最大值，p
cut.t
为t时刻负荷的削减值。
[0132]
对于可转移负荷的建模则主要考虑两点：一是负荷在转移时的上下限约束，二是对总转移电量在一天之内要保证为零的约束：
[0133][0134][0135]
其中为可转移负荷的最小值，为可转移负荷的最大值，p
tran.t
为t时刻负荷的转移值。
[0136]
所以，在经历需求侧响应之后，用户的电负荷发生了改变：
[0137]
le＝p
l
p
cut
p
tran
ꢀꢀꢀ
(2-24)
[0138]
其中，p
l
为需求侧响应之前的用户的电负荷，le为在经历了需求侧响应之后的用户的电负荷。
[0139]
对于一个园区微网的优化运行，经济性始终是放在运营者的首要考虑条件上的。本章在第2章所建立的冷热电联供模型以及需求侧响应和电动汽车广义储能模型的基础上，充分考虑系统内的冷、热、电、氢负荷约束，各式储能设备的充放电约束以及需求侧响应和电动汽车广义储能的约束，建立以多能园区一天内总运营成本最低为目标函数的多能园区微网运行模型。
[0140]
对于考虑需求侧响应和电动汽车有序充电的冷-热-电多能园区微网运行的模型，本文选取一天24小时，每一个小时为一个时间段，以一天内园区总运营成本最低为目标函数，其目标函数式由式(3-1)表示：
[0141]
minf＝(f
gas
f
tra
f
bu
)
ꢀꢀꢀ
(3-1)
[0142]
式(3-1)中f
gas
为购买天然气的支出，f
tra
为与外电网交互的支出，f
bu
为考虑需求侧响应时导致的电负荷调整不舒适成本。具体表达式由式(3-2)、(3-3)、(3-3)表述：
[0143]fgas
＝c
gas
·
(f
gt
f
gb
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-2)
[0144]ftra
＝(c
buy
·
p
buy
c
sell
·
p
sell
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-3)
[0145]fbu
＝(c
tra
·
p
tran
c
cut
·
p
cut
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-4)
[0146]
其中，c
gas
为单位天然气的售价，c
buy
为向上级电网的购电价格，c
sell
为向上级电网的售电价格，p
buy
为向上级电网的购电功率，p
sell
为向上级电网的售电功率，c
tra
为单位可转移电负荷的补偿成本，c
cut
为单位可削减电负荷的补偿成本，p
tran
为转移电负荷的功率，p
cut
为削减电负荷的功率。
[0147]
约束条件中对于燃气轮机、燃气锅炉、能量转换设备、电制氢设备、电动汽车以及可削减负荷、可转移负荷的约束在第2章已经描述完毕。剩余的约束条件主要包括冷负荷功率平衡约束、热负荷功率平衡约束、电负荷功率平衡约束、电制氢系统电功率平衡约束、与上级电网交互约束和储能约束。
[0148]
(1)冷负荷平衡约束
[0149]
系统中电制冷机与吸收式制冷机输出的冷能与冷负荷需求相同：
[0150]cac
c
ec
＝c
l
ꢀꢀꢀ
(3-5)
[0151]
其中c
ac
为吸收式制冷机输出的冷能，c
ec
为电制冷机输出的冷能，c
l
为园区内系统内总的冷负荷。
[0152]
(2)热负荷平衡约束
[0153]
系统中所有的供热设备输出的热能与热负荷需求相同：
[0154]hgt
h
gb
h
hp
h
ch
＝h
l
h
ac
h
dis
ꢀꢀꢀ
(3-6)
[0155]
其中h
gt
为燃气轮输出的热能，h
gb
为燃气锅炉输出的热能，h
hp
为热泵输出的热能，h
ch
为热储能释放的热能，h
l
为系统内总的热负荷，h
ac
为吸收式制冷机消耗的热能，h
dis
为热储能储存的热能。
[0156]
(3)电功率平衡约束
[0157]
系统中所有的供电设备输出的电能与电负荷需求相同：
[0158]
p
buy-p
sell-p
hp-p
ec-p
ch
p
dis
p
gt
p
pv
p
wt
＝le p
p2h
p
ev.ch-p
ev.dis
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-7)
[0160]
其中，p
hp
为热泵消耗的电功率，p
ec
为电制冷机消耗的电功率，p
ch
与p
dis
为电储能的充电功率与放电功率，p
gt
为燃气轮机消耗的电功率，p
pv
为光伏发电的功率，p
wt
为风机发电的功率，le为需求侧响应后的电功率，p
p2h
为电制氢系统与园区互动的功率，p
ev.ch
与p
ev.dis
分
别为三个电动汽车充电站广义储能的充电功率与放电功率。
[0161]
(4)电制氢系统电功率平衡约束
[0162]
电制氢系统内部的耗电功率与园区交互的电功率相同：
[0163]
p
p2h
p
batd
＝p
ed
p
hc
p
batc
ꢀꢀꢀ
(3-8)
[0164]
其中p
batd
为电制氢系统中电储能的放电功率，p
batc
电制氢系统中电储能的充电功率，p
ed
电解槽消耗的电功率，p
hc
为氢气压缩机消耗的电功率。
[0165]
(5)与上级电网交互约束
[0166]
园区与上级电网的购电功率与售电功率要受到约束：
[0167][0168][0169]
其中，为园区向上级购电的上限值，为园区向上级售电的上限值。
[0170]
(6)储能约束
[0171]
园区系统和电制氢系统的电储能约束一致：
[0172]emin
≤e≤e
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-11)
[0173]
p
ch.min
≤p
ch
·
u_ch≤p
ch.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-12)
[0174]
p
dis.min
≤p
dis
·
u_dis≤p
dis.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-13)
[0175]
(u_dis u_ch)≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-14)
[0176]
其中e
min
与e
max
分别为电储能的最小能量值与最大能量值，p
ch.max
与p
ch.min
分别为电储能的最大充电功率与电储能的最小充电功率，p
dis.min
与p
dis.max
分别为电储能的最小放电功率与电储能的最大放电功率。因为蓄电池的充电与放电的耦合原因，充放电不能同时进行，所以引入式(3-14)的约束。
[0177]
园区的热储能约束：
[0178]qmin
≤q≤q
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-15)
[0179]hch.min
≤h
ch
·
h_ch≤h
ch.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-16)
[0180]hdis.min
≤h
dis
·
h_dis≤h
dis.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-17)
[0181]
(h_dis h_ch)≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-18)
[0182]
其中q
min
与q
max
分别为热储能的最小能量值与最大能量值，h
ch.min
与h
ch.max
分别为热储能的最小储热功率与热储能的最大储热功率，h
dis.min
与h
dis.max
分别为热储能的最小放热功率与热储能的最大放热功率。和电储能类似，热储能的储热和放热不能同时进行，所以引入式(3-18)的约束。
[0183]
本文所构建的优化运行模型是通过调度园区内的各项设备的出力情况，在满足园区内电、热、冷负荷的基础上，以园区一天之内的总运营成本最低为目标函数进行优化，其本质上这还是属于一种数学的线性规划问题。本文的模型程序是在matlab环境下进行编写的，在matlab环境下求解线性规划问题，使用yalmip cplex的组合可以大大缩减求解过程。作为lofberg开发的一款免费的优化求解工具，yalmip最大的优点与长处就在于可以集成外部的最优化求解器，例如本文的cplex求解器。
[0184]
cplex求解器具有为了解决大型实际问题所需要的强大算力，其本身可以结合强大的cpu推进其解决数学问题的能力。它本身提供灵活的高性能优化程序，解决线性规划、
二次方程规划、二次方程约束规划和混合整型规划问题。cplex对于本文所建模型的求解提供了巨大的帮助。
[0185]
本发明还提供一个实施例，用于示例地显示本方法的仿真与结果。
[0186]
本文建立的多能园区以典型冷热电联供系统为基础，加入了电制氢系统和电动汽车充电站。该多能园区与外电网相连接，园区中一共有三个电动汽车充电站，其中去往三个电动汽车充电站的电动汽车数量不尽相同。充电站1中的电动汽车主要为私家车和网约车；充电站2中的电动汽车私家车、网约车、上班族均有；充电站3中的电动汽车主要为网约车与上班族。电动汽车的相关参数如表4-5所示，算例中其他主要设备的参数如下所示：燃气轮机的最大供电功率为1000kw，最大供热功率为5600/3kw，燃气锅炉的最大供热功率为1000kw，天然气热值为9.7kwh/m3，天然气单价取2.7元/m3。燃气轮机和燃气锅炉的具体参数如表4-1所示；能量转换设备的具体参数如表4-2所示；储能设备的具体参数如表4-3所示；电制氢设备的具体参数如表4-4所示：
[0187]
表4-1燃气轮机与燃气锅炉的参数
[0188][0189][0190]
表4-2能量转换设备的参数
[0191][0192]
表4-3储能设备参数
[0193][0194]
续表4-3储能设备参数
[0195][0196]
表4-4电制氢设备参数
[0197][0198][0199]
表4-5电动汽车参数
[0200][0201]
典型的电负荷预测值如图4所示，典型的氢负荷预测值如图5所示，典型的冷热负荷预测值如图6所示，典型的风光出力预测值如图7所示。
[0202]
园区与外电网交互的电功率的电价采用分时电价。峰时段为12:00-14:00、19:00-22:00，平时段为8:00-11:00、15:00-18:00，谷时段为23:00-7:00。具体电价如表4-6所示：
[0203]
表4-6分时电价
[0204][0205]
通过上节的图4与图7我们可知，在一天之内该园区的热负荷与电负荷均在10:00到16:00左右处于峰值，电负荷的峰值在1200kw左右，热负荷的峰值在900kw左右，冷负荷的峰值在475kw左右。使用基于matlab环境下的yalmip工具箱，调用cplex求解器进行求解，求解器求解运行的目标函数为园区内一天之内总运营成本最小。
[0206]
表4-7园区微网优化运行结果
[0207][0208]
求解器运行之后得出图表(4-5)～(4-14)，园区微网优化运行结果如表4-7所示，其中，场景一为不考虑需求侧响应与电动汽车无序充电情况下，园区一天之内的运营成本；场景二为考虑需求侧响应与电动汽车有序充电情况下，园区一天之内的运营成本。根据得到的图表信息进行研究分析。首先，图(4-5)为经需求侧响应后的电负荷功率图。由图(4-5)我们可知，在考虑需求侧响应之前，不计及可削减负荷和可平移负荷的影响，初始的电功率峰谷差为954kw。在考虑了需求侧响应之后，负荷的峰谷差减小为789kw，峰谷差减小了17.3％。这是因为在早上8:00到下午7:00为负荷高峰期，此时电价较高，此时段通过充分利用可削减负荷减少用电的需求，减少峰值，而可平移负荷则通过将高峰时期的电负荷转移到谷时段，提高谷值。综合下来达到了削峰填谷的效果。
[0209]
图8与图9分别为在场景二下电制氢系统的电功率平衡状况，电制氢系统中的电储能充放电情况与储氢罐内的压强变化。由图5我们可知园区一天内的氢负荷主要集中在早上的8:00到晚上7:00左右。由表4-6我们可知在早上8:00之前，电价一直处于谷时段。所以，
为了经济性考虑，电制氢系统选择在电价处于谷时段的时候向外购电来供应电解槽与氢气压缩机工作来不断产氢，与此同时给电制氢系统中的电储能设备进行充电。由图8我们可以看到，电制氢系统在供应外部氢气负荷的同时也在将额外的氢气储存到储氢罐，6:00时氢气罐的压强已经达到了最大值，并一直持续到11:00。在6:00到11：00这段时间内，未动用储氢罐中的氢气供给氢负荷。11:00之后，分时电价到达峰时段，通过释放储氢罐内存好的高压氢气来供给氢负荷，以此来减少高电价时段向外部购电的电量，从而减少成本。在13:00到14:00，峰时电价的最后一个时段，又通过电储能设备，将早上谷时电价储存到电储能设备中的电能释放了出来，进一步降低了在峰时段向外部购电的成本。在晚上的7:00到10:00，为了降低向外部电网的购电，储氢罐一直处于最低压强的状态，仅靠电解槽产氢供应氢负荷。最后，在谷时电价的晚上10:00到12:00，为了保持第二天的氢负荷供应，充分利用低电价来进行储氢罐氢气的补充以及电储能设备电能的补充。
[0210]
图9与图10分别为在场景二下多能园区系统中的热负荷功率平衡图与冷负荷功率平衡图。其中图9与图10中的折线分别表示系统中的热负荷预测值与冷负荷预测值。在图9中0轴上面为各种产热设备的产热功率或者热储能设备的放热功率，在0轴下面为吸收式制冷机的吸热功率或者热储能设备的吸热功率。因为燃气轮机与燃气锅炉所组成的chp系统产生的热能除了供给系统的热负荷之外，还可以提供给吸收式制冷机，使其利用热能转化为系统所需的冷能，所以我们可以看到系统总的热能供应要大于热负荷的预测值。
[0211]
另外通过分析图9的热负荷功率平衡图我们可以看出在晚上22:00之后到第二天8:00之前，系统总的热负荷均是由热泵提供的。这是因为在该时段系统的电价处于谷电价，系统由电泵这种将电能转换为热能的设备供热的成本将远远小于由通过燃烧天然气提供热能的chp机组供热的成本。通过综合图10的多能园区冷负荷功率平衡图我们也可以发现，当系统处于电价较低的谷时段时，和热负荷供应情况相同，冷负荷系统也会选择使用将电能转换为冷能的电制冷机进行冷能的供应。当脱离了谷时段电价，到了电价较高的平时段与峰时段，即从早上8:00到晚上22:00，热负荷系统一直选择用chp系统为其供应热能。与此同时冷负荷系统也放弃了电制冷装置，通过吸收式制冷机吸收chp系统供应热负荷后多余的热能，来为其供应冷能。在8:00～22:00这个时间段，chp系统供应热能的增加也是由于该时段电负荷逐渐升高，系统选择成本更小的燃机轮机来进行发电。燃机轮机发电功率的增加必定会产生高温余热，然后通过余热锅炉的吸收便可以将其转化为系统所需的热能。
[0212]
图11为多能园区在场景二下系统内的电负荷功率平衡图，而图12为多能园区在场景一下系统内的电负荷功率平衡图。分析图11我们可以清晰地看出，和之前分析的一样，在电价高峰期且用电负荷也为高峰期的时候，系统主要由chp系统提供用电。而且电储能会选择在早上8:00之前，电价处于低谷期的时候尽量对其充能，然后在电价高峰的时候将蓄电池里面的电量释放出来。对于作为一种广义储能设备的电动汽车，在选择有序充电策略的时候，系统会尽量调节充电站中的电动汽车避免在用电高峰期，即早上的8:00到下午的16:00进行充电，而是选择在用电负荷较低且电价较低的其他时间段进行充电，从而达到对系统中的电负荷进行削峰填谷的效果。作为对比，图13为多能园区中的电动汽车在采用无序充电策略时系统的电负荷功率平衡图。分析图中数据我们可以明显看到，无序充电时的电动汽车因为不受系统的调控，采用的是即插即充的方式，所以即使在园区内电价处于峰值且电负荷较高的时间段，电动汽车依然会选择充电，这就导致了电负荷峰谷差的提高。同时
由于chp系统发电功率的限制，即使在处于峰时电价的时段，当电负荷进一步提高时，园区也不得不采用向上级购电的方式来平衡园区的电负荷功率，这就导致了园区运行成本的进一步增加。
[0213]
综上所述，本发明提供一种应对需求侧不确定性的热电联产燃气轮机组调度方法，首先根据园区内的能量需求，构建了典型冷热电联供系统模型，并在传统的冷热电负荷的基础上，在该多能园区中加入了氢负荷。随后介绍了冷热电联供系统中的各项主要设备，包括燃气轮机、燃气锅炉等供能设备，热泵、电制冷机、吸收式制冷机等能量转换设备，电储能、热储能等储能设备；针对需求侧响应部分，建立了电负荷的可削减与可转移负荷模型。针对电动汽车的行驶特点，建立了电动汽车到达园区、驶离园区、以及到达园区时剩余soc的数学模型，并根据所建模型通过抽样得到电动汽车向园区并网的数据，从而建立电动汽车的广义储能模型；最后，以园区内一天的运行成本最低为目标函数，综合冷、热、电、氢等各种能量之间的平衡约束，建立了多能园区微网运行模型。通过算例仿真，分别得到了考虑需求侧响应与电动汽车有序充电以及不考虑需求响应与电动汽车无序充电下园区一天之内的运营成本。通过分析得出的数据与图表，证明了本文所搭建模型的合理性，同时也证明了当考虑需求侧响应与电动汽车有序充电时，确实能有效地降低电负荷的峰谷差，提升系统总体运行的经济性。
[0214]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0215]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0216]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0217]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。