一种适用零碳建筑的多能互补系统优化运行方法与流程

本发明涉及可再生能源技术领域，更具体地说，涉及一种适用零碳建筑的多能互补系统优化运行方法。

背景技术：

随着全球气温的不断升高，而导致气温升高的元凶就是CO₂，CO₂排放量引起的气候问题也越来越显著。由于现有建筑可再生新能源利用率不高，消耗常规化石能源产生较大碳排放，产生温室气体，不可持续健康发展。绿色技术和清洁可再生能源技术，特别是风力发电技术和风力发电技术，得到了快速发展，储能系统是提高清洁可再生能源利用率的重要方式。本发明设计一种适用零碳建筑的多能互补系统优化运行方法，将可再生能源技术应用于现代建筑实现可持续发展，实现低碳建筑甚至零碳建筑。

技术实现要素：

本发明要解决的技术问题在于，提供一种适用零碳建筑的多能互补系统优化运行方法。

本发明解决其技术问题所采用的技术方案是：构造一种适用零碳建筑的多能互补系统优化运行方法，所述多能互补系统包括集成并应用于低碳建筑的风力发电系统、光伏发电系统、储能系统，该多能互补系统优化运行方法先采用拉丁超立方抽样法对风力发电及光伏发电两种新能源出力进行抽样，生成新能源出力场景；再采用K-means聚类算法进行新能源出力场景聚类，获得目标场景集合；最后对目标场景集合求解，实现多能互补系统并网运行的弃电量和弃负荷电量之和最小。

在上述方案中，对目标场景集合通过以下优化模型求解：以多能互补系统并网运行的弃电量F₁和弃负荷电量F₂之和最小为目标函数，以储能电池容量约束、储能电池功率约束、购售电功率约束、净购电量约束、功率平衡约束为约束条件，

min F＝F₁+F₂ (1)

上式中，π_s为场景s出现的概率，N_s为削减后的场景数，T为调度时间段，N为风电机组和光伏机组的总数，P_DERi.s(t)为场景s下时刻t第i台新能源机组的实际出力，P_DERi0.s(t)为场景s下时刻t第i台新能源机组的预测出力，P_il.s(t)为场景s下t时刻的弃负荷电量。

在上述方案中，目标场景集合求解的约束条件如下：

1)储能电池容量约束条件：

E_min+E_R≤E_s(t)≤E_max (5)

E_s(0)＝E_s(24) (6)

式中，E_s(t)为场景s下储能电池在时刻t的电量，ε为储能电池自放电率，P_B.s(t)为场景s下t时刻的充电或放电功率，P_B.s(t)＞0表示储能电池向多能互补系统放电，P_B.s(t)＜0表示储能电池从多能互补系统充电，β_dis和β_ch分别为储能电池的放电效率和充电效率，E_min和E_max分别为储能电池的剩余容量的上限和下限，E_R为储能电池在多能互补系统故障时为负荷提供的备用容量，公式(6)表示在一天的调度周期后储能电池的剩余容量与调度初始剩余容量相同；

2)储能电池功率约束条件：

P_Bmin≤P_B.s(t)≤P_Bmax (7)

上式中，P_Bmin和P_Bmax为储能电池的最小和最大放电功率；

3)购售电功率约束条件：

P_grid.min(t)≤P_grid.s(t)≤P_grid.max(t) (8)

上式中，P_grid.s(t)、P_grid.min(t)、P_grid.max(t)依次表示场景s下t时刻多能互补系统与上级电网的交换功率、t时刻多能互补系统与上级电网的最小交换功率和最大交换功率；

4)净购电量约束条件：

上式中，β为净购电量比例系数，P_l(t)为t时刻的负荷需求；

5)功率平衡约束条件：

实施本发明一种适用零碳建筑的多能互补系统优化运行方法，具有以下有益效果：

1、本发明利用拉丁超立方抽样生成新能源出力场景，拉丁超立方抽样(Latin hypercube sampling)是一种多维分层抽样方法，能够很好的反映随机变量的分布特性和尾部特性、具有较好的稳健性，且能够确保抽样区域都能被抽样点覆盖。

2、本发明采用K-means聚类算法进行新能源出力场景聚类，K-means聚类算法具有搜索能力强、聚类速度快、便于处理大量数据等优点。

3、本发明有效提高清洁能源的利用率，减少低碳建筑的购电量。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为实施例中低碳建筑示范基地多能互补系统优化运行方法的流程示意图；

图2为实施例中风力发电、光伏发电两种新能源的预测出力曲线；

图3为实施例中风力发电新能源的出力抽样结果；

图4为实施例中光伏发电新能源的出力抽样结果；

图5为实施例中削减后风力发电新能源出力场景；

图6为实施例中削减后光伏发电新能源出力场景。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明提供一种适用零碳建筑的多能互补系统优化运行方法，多能互补系统包括集成并应用于低碳建筑的风力发电系统、光伏发电系统、储能系统，该多能互补系统优化运行方法先采用拉丁超立方抽样法对风力发电及光伏发电两种新能源出力进行抽样，生成新能源出力场景；再采用K-means聚类算法进行新能源出力场景聚类，获得目标场景集合；最后对目标场景集合求解，实现多能互补系统并网运行的弃电量和弃负荷电量之和最小。

对目标场景集合通过以下优化模型求解：以多能互补系统并网运行的弃电量F₁和弃负荷电量F₂之和最小为目标函数，以储能电池容量约束、储能电池功率约束、购售电功率约束、净购电量约束、功率平衡约束为约束条件，

min F＝F₁+F₂ (1)

上式中，π_s为场景s出现的概率，N_s为削减后的场景数，T为调度时间段，N为风电机组和光伏机组的总数，P_DERi.s(t)为场景s下时刻t第i台新能源机组的实际出力，P_DERi0.s(t)为场景s下时刻t第i台新能源机组的预测出力，P_il.s(t)为场景s下t时刻的弃负荷电量。

目标场景集合求解的约束条件如下：

1)储能电池容量约束条件：

E_min+E_R≤E_s(t)≤E_max (5)

E_s(0)＝E_s(24) (6)

式中，E_s(t)为场景s下储能电池在时刻t的电量，ε为储能电池自放电率，P_B.s(t)为场景s下t时刻的充电或放电功率，P_B.s(t)＞0表示储能电池向多能互补系统放电，P_B.s(t)＜0表示储能电池从多能互补系统充电，β_dis和β_ch分别为储能电池的放电效率和充电效率，E_min和E_max分别为储能电池的剩余容量的上限和下限，E_R为储能电池在多能互补系统故障时为负荷提供的备用容量，公式(6)表示在一天的调度周期后储能电池的剩余容量与调度初始剩余容量相同；

2)储能电池功率约束条件：

P_Bmin≤P_B.s(t)≤P_Bmax (7)

上式中，P_Bmin和P_Bmax为储能电池的最小和最大放电功率；

3)购售电功率约束条件：

P_grid.min(t)≤P_grid.s(t)≤P_grid.max(t) (8)

上式中，P_grid.s(t)、P_grid.min(t)、P_grid.max(t)依次表示场景s下t时刻多能互补系统与上级电网的交换功率、t时刻多能互补系统与上级电网的最小交换功率和最大交换功率；

4)净购电量约束条件：

上式中，β为净购电量比例系数，P_l(t)为t时刻的负荷需求；

5)功率平衡约束条件：

以某低碳建筑示范基地为例，其安装有光伏发电系统和风力发电系统，多能互补系统安装风电100kW、光伏200kW、蓄电池储能系统充放电功率上下限-150kW～150kW、蓄电池容量600kWh。

如图1所示，本实施例多能互补系统优化运行方法的步骤如下：

(1)输入风电、光伏、储能电池、负荷等初始参数；

(2)确定场景数N_s，采用拉丁超立方抽样法对新能源出力进行抽样；

(3)判断生成场景数是否达到N_s，若没有，转到步骤(2)，若生成场景数达到N_s，则转到步骤(4)；

(4)设定目标场景的个数N₀，初始化聚类中心；

(5)计算各场景到聚类中心距离，调整聚类中心；

(6)判断聚类中心是否变化，若发生变化，则跳到步骤(5)，若没有变化，则跳到步骤(7)；

(7)采用内点法对目标场景进行求解；

(8)输出最终计算结果。

考虑到蓄电池的过充过放会对电池的损耗，以及上级电网故障系统孤岛运行时多能互补系统需为重要负荷提供足够电能以保证其持续供电，本实施例取蓄电池储能系统的容量范围为20％～90％，取储能容量的30％作为备用容量，即其容量变化范围限定为300kWh～540kWh，初始容量为70％，即420kWh。充放电效率均取90％，自放电率为2％。同时多能互补系统与上级电网之间的交换功率范围为-30kW～30kW，净购电量不超过总负荷的3％。

多能互补系统中风力发电、光伏发电两种新能源的预测出力曲线如图2所示。

采用拉丁超立方抽样(预测误差为预测值的20％)，得到的风力发电新能源和光伏发电新能源的出力抽样结果分别如图3和图4所示。

经K-means聚类后得到的10个目标场景，削减后风力发电新能源和光伏发电新能源的出力场景分别如图5和图6所示。

本实施例将上级电网与多能互补系统的交换功率上限依次设置为0、20kW、25kW、30kW、35kW以及40kW，对两种模式进行计算分析，得结果如下表1所示：

表1交换功率上限灵敏度分析

本实施例中当交换功率到40kW时能够实现新能源的全部消纳以及负荷的可靠供电。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。