基于静态多目标框架的冷热电联产系统的储能调度方法与流程

本发明属于冷热电联产系统技术领域，具体涉及一种基于静态多目标框架的冷热电联产系统的储能调度方法。

背景技术：

为解决能源危机与生态恶化问题，许多国家、地区大力推广冷热电联产系统，该系统涉及众多成熟的能源综合利用技术，其靠近用户、梯级利用、一次能源利用效率高、环境友好、能源供应安全可靠，并可以合理接入可再生能源，受到广泛的关注与青睐。

冷热电联产系统可以并网运行也可以独立运行，为了减少独立运行期间的容量不足风险，需要设置储能系统，由此需要研究冷热电联产系统的最优储能调度方案。系统的储存能量主要用于满足负载需求，在市场电价低时，进行储能系统充电；在电价高时，储能系统放电，从而实现系统的最小运行成本。实际运行中，高电价期间通常也是尖峰负载期间，出于安全考虑，在储能中应当保存足够的功率进行支持切负荷最小化。此外，还需要考虑一些负载和可再生能源出力的不确定性，以及未受规划调度的独立事件，这些事件的出现时间和持续时间都不可预测。因此，需要在运行成本和削减负荷之间做到最佳权衡，提出一个考虑所有不确定性因素的静态调度方案。

技术实现要素：

本发明所要解决的技术问题在于提供一种基于静态多目标框架的冷热电联产系统的储能调度方法，采用萤火虫算法优化计算出储能系统的最后充放电方案，提高冷热电联产系统的能源利用效率，并减少系统的运行成本。实现发明目的的技术解决方案为：

一种基于静态多目标框架的冷热电联产系统的储能调度方法，采用萤火虫算法优化计算出储能系统的最后充放电方案，包括以下步骤：

步骤1：建立冷热电联产系统的储能系统模型、冷热电联产系统并网和独立运行时的静态调度模型，以及相应运行状态下各元件的运行约束。

步骤2：设置萤火虫算法中萤火虫数量、介质光吸收系数、最大吸引度、迭代次数等。

步骤3：在可行空间中生成初始位置组合；

步骤4：计算不同位置萤火虫的最大吸引度、移动方向，更新位置；

步骤5：判断萤火虫算法是否收敛，如果收敛，则将新位置作为最佳位置；如不满足则返回步骤4；

步骤6：按照步骤4、步骤5，每个萤火虫找到最佳位置，形成最佳位置组合。

步骤7：判断最优策略组合是否满足误差，如果满足，得到的最优策略组合为最优解，否则返回步骤。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的储能系统模型中，储能系统要满足充放电功率约束：

其中，表示储能机组b在t时刻的实时充电\放电功率，是最大充电\放电功率。是储能机组的运行指标，储能机组运行时要避免充放电同时出现：

储能机组的容量约束为：

其中，eb,t储能机组b在t时刻的容量，分别是机组的最小、最大容量。

充放电功率和荷电状态的关系为：

其中，分别表示机组b的充、放电系数；δt是储能系统运行的时间间隔。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型中，最小化运行成本的优化问题的方程模型如下：

其中，oc表示冷热电联产系统的运行成本；ps表示冷热电联产系统在场景s下的运行概率，ns为总场景数；t,h分别表示调度时段、总时段数；表示可调度机组g出力，ng为总机组数量，表示此时的成本函数；表示可再生能源r的出力，nr为总机组数量，cr表示其运行成本系数，表示冷热电联产系统与主电网在连接点功率，νt表示t时段市场电价；nb为储能机组的总数量，cb表示储能机组运行成本系数；sug,t,sdg,t分别表示可调度机组的开关断成本。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可调度机组的成本函数为：

其中，ag和bg分别表示固定成本和变化成本，ig,t表示机组运行状态量。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，有功功率平衡约束为：

其中，表示用户l的负荷量，共有nl个用户。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可调度机组的出力约束为：

其中，分别表示可调度机组的最小、最大出力值。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可调度机组的爬坡率约束为为：

其中，urg,drg分别表示可调度机组的出力上升率、下降率。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统并网时的静态调度模型，可再生能源的功率输出范围为：

其中，表示可再生能源的最大输出功率。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统独立时的静态调度模型中，最小化削减成本的优化问题方程如下：

其中，ecct负荷削减成本；πτ表示独立运行场景τ的发生概率，共有t个独立运行场景；h表示独立运行的时间段，表示此时的负荷削减量，voll表示削减损失系数。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统独立时的静态调度模型，在未规划独立事件中，应可以供应足够的电量给负荷：

其中，表示最大削减负荷量。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤1的冷热电联产系统独立时的静态调度模型，最终的电量削减指标成为第二目标函数：

其中，ece为第二目标函数。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤2的萤火虫算法中，亮度、吸引度定义如下：

其中，i0表示为最大亮度，即萤火虫自身的亮度，本发明中取值0.9；γ为介质的光吸收系数，本发明中取值0.00000078；是萤火虫i与j之间的笛卡尔距离。这里，亮度也是萤火虫的吸引度，发光亮度相同，则萤火虫各自随机移动。

进一步的，本发明的基于静态多目标框架的冷热电联产系统的储能调度方法，步骤2的萤火虫算法中，萤火虫i被萤火虫j吸引后，位置更新为：

xi＝xi+β(xj-xi)+ε(δ-0.5)

其中，xi,xj分别表示萤火虫i和萤火虫j的实际位置，即代表模型中所有运行的机组；ε,δ是扰动随机参数，用于加大搜索区域，避免过早陷入局部最优。本发明取值为ε＝0.8，δ服从[0,1]均匀分布。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1.本发明的方法通过建立静态并网、独立运行调度框架，能够实现冷热电联产系统的最优经济效益；

2.本发明通过萤火虫算法能够快速计算出最优储能调度方案，缩短了优化时间。

3.本发明的方法实现了能源的多级利用，大大提高了能源利用效率，改善了冷热电联产系统的稳定性。

附图说明

图1是萤火虫算法的流程；

图2是修改的ieee-34节点测试系统；

图3是不同案例下的储能优化调度；

图4是案例1中能量损耗收敛曲线；

图5是优化方案的ece值分析曲线。

具体实施方式

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。

一种基于静态多目标框架的冷热电联产系统的储能调度方法，如图1所示，包括以下步骤：

步骤1：建立冷热电联产系统的储能系统模型、冷热电联产系统并网和独立运行时的静态调度模型，以及相应运行状态下各元件的运行约束。

储能系统模型中，储能系统要满足充放电功率约束：

其中，表示储能机组b在t时刻的实时充电\放电功率，是最大充电\放电功率。是储能机组的运行指标，储能机组运行时要避免充放电同时出现：

储能机组的容量约束为：

其中，eb,t储能机组b在t时刻的容量，分别是机组的最小、最大容量。

充放电功率和荷电状态的关系为：

其中，分别表示机组b的充、放电系数；δt是储能系统运行的时间间隔。

冷热电联产系统并网时的静态调度模型中，最小化运行成本的优化问题的方程模型如下：

其中，oc表示冷热电联产系统的运行成本；ps表示冷热电联产系统在场景s下的运行概率，ns为总场景数；t,h分别表示调度时段、总时段数；表示可调度机组g出力，ng为总机组数量，表示此时的成本函数；表示可再生能源r的出力，nr为总机组数量，cr表示其运行成本系数，表示冷热电联产系统与主电网在连接点功率，νt表示t时段市场电价；nb为储能机组的总数量，cb表示储能机组运行成本系数；sug,t,sdg,t分别表示可调度机组的开关断成本。

冷热电联产系统并网时的静态调度模型，可调度机组的成本函数为：

其中，ag和bg分别表示固定成本和变化成本，ig,t表示机组运行状态量。

冷热电联产系统并网时的静态调度模型，有功功率平衡约束为：

其中，表示用户l的负荷量，共有nl个用户。

冷热电联产系统并网时的静态调度模型，可调度机组的出力约束为：

其中，分别表示可调度机组的最小、最大出力值。

冷热电联产系统并网时的静态调度模型，可调度机组的爬坡率约束为为：

其中，urg,drg分别表示可调度机组的出力上升率、下降率。

冷热电联产系统并网时的静态调度模型，可再生能源的功率输出范围为：

其中，表示可再生能源的最大输出功率。

冷热电联产系统独立时的静态调度模型中，最小化削减成本的优化问题方程如下：

其中，ecct负荷削减成本；πτ表示独立运行场景τ的发生概率，共有t个独立运行场景；h表示独立运行的时间段，表示此时的负荷削减量，voll表示削减损失系数。

冷热电联产系统独立时的静态调度模型，在未规划独立事件中，应可以供应足够的电量给负荷：

其中，表示最大削减负荷量。

冷热电联产系统独立时的静态调度模型，最终的电量削减指标成为第二目标函数：

其中，ece为第二目标函数。

步骤2：设置萤火虫算法中萤火虫数量、介质光吸收系数、最大吸引度、迭代次数等。

萤火虫算法中，亮度、吸引度定义如下：

其中，i0表示为最大亮度，即萤火虫自身的亮度，本发明中取值0.9；γ为介质的光吸收系数，本发明中取值0.00000078；是萤火虫i与j之间的笛卡尔距离。这里，亮度也是萤火虫的吸引度，发光亮度相同，则萤火虫各自随机移动。

萤火虫i被萤火虫j吸引后，位置更新为：

xi＝xi+β(xj-xi)+ε(δ-0.5)

其中，xi,xj分别表示萤火虫i和萤火虫j的实际位置，即代表模型中所有运行的机组；ε,δ是扰动随机参数，用于加大搜索区域，避免过早陷入局部最优。本发明取值为ε＝0.8，δ服从[0,1]均匀分布

步骤3：在可行空间中生成初始位置组合；

步骤4：计算不同位置萤火虫的最大吸引度、移动方向，更新位置；

步骤5：判断萤火虫算法是否收敛，如果收敛，则将新位置作为最佳位置；如不满足则返回步骤4；

步骤6：按照步骤4、步骤5，每个萤火虫找到最佳位置，形成最佳位置组合。

步骤7：判断最优策略组合是否满足误差，如果满足，得到的最优策略组合为最优解，否则返回步骤。

为了验证本发明方法的可用性与稳定性，以及可应用于制定冷热电联产系统能源报价之中，本实施例以下面数据为例说明。本发明所提出的基于双层规划粒子群优化算法将应用于修改ieee34节点测试系统，并增加了几个分布式能源，如图2所示。本文选取了8月里较为普通的一天进行分析。储能和可调度能源的特性数据如表1和表2所示，不同的微网持续时间的概率如表3所示。本文研究三个典型运行案例：1.微网正常运行状态下运行成本最小化的优化调度；2.电量削减指数最小化的优化调度；3.基于多目标函数的优化调度。

表1储能系统运行参数

表2可调度机组的运行参数

表3独立运行时间概率分布

不同案例下的储能优化调度如图3所示。如案例1中表示的那样，在0-5点，市场电价和微网负荷很低，但风力发电量很高，所以储能系统在这段时间是充电的；在5-16点，尽管市场电价增加了，但是从主电网中吸收电量仍然是较为经济的，此时储能系统并没有进行深度放电；在16点后，储能系统负荷放电到0，在这期间，负荷和市场价格很高，此时依靠大电网供给负荷很不经济，需要储能放电和可调度能源一起满足微网负荷需求。案例1中能量损耗收敛曲线如图4所示。根据引入的算法，整个24小时的损耗初始值为0。运行整个算法之后，能量损耗在迭代中达到0.2mwh，曲线收敛。

如之前描述，0-5点，负荷需求低，分布式发电量在整个孤岛期间足够满足微网负荷，不需要削减负荷，负荷状态初始值的影响在峰值负荷期间更深刻。总体上讲，储能系统的适当调度可以极大地提高微网可靠性。案例2中，在5-24点之间尽量保持较高的负荷状态，以最小化运行可能出现的负荷削减。

oc和ece指标在求解中有所冲突，因而用多目标优化来解决，优化方案如图5所示，代表两个目标函数指标的联系。本文用萤火虫算法对两个目标函数进行了仿真，两个目标函数以权重系数结合起来，多目标问题就转化为单一目标问题，公式如下：

式中，分别是案例1和案例2中目标函数的最小值。使用不同的权重参数值，结果在表4中显示。

表4不同权重系数下的目标参量

本文考虑ece作为解决方案的适应值参量，如果一个目标函数满意度值很大，则最终方案的选择重点将放在这个目标函数上。当两个目标函数有相同的重要性时，萤火虫算法找到了更好的方案，ece值更低。最终方案同时满足两个目标函数指标，相应调度如图3中的案例3曲线。综合比较显示在微网内储能系统调度中的可行性容量，此方案并有利于电力用户。

本发明建立了冷热电联产系统储能调度的多目标静态模型框架，并设计储能调度问题的多目标优化方案。以冷热电联产系统正常运行模式下运行成本和独立状态下的负荷削减指数作为目标函数，并选用萤火虫算法寻求目标函数最优解。仿真案例比较了不同储能调度策略下的方案，并证实适应于冷热电联产系统并网运行模式下的最小化运行成本和独立运行时的最小化切负荷成本，将大大提高冷热电联产系统的经济效益。

本技术领域技术人员可以理解的是，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。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。