一种CCHP系统调度评价方法与流程

本发明涉及冷热电联供系统评价方法领域，更具体地，涉及一种cchp系统调度评价方法。

背景技术：

20世纪能源开发利用技术得到前所未有的发展，以石油、煤炭、天然气等化石燃料为主的能源极大地推动了人类社会进步和发展，但同时也给生态环境造成了巨大的影响和破坏；特别是随着全球经济急剧增长，人们对能源的需求越来越大，作为世界能源主要支柱的化石燃料的储量越来越少，能源危机越来越严重，这已经成为阻碍社会进一步发展的桎梏；在新形势下，传统的能源结构已不能满足经济、社会和环境可持续发展的需要，急切需要优化能源结构、提高能源利用率，实现可持续化发展的能源消费模型。

针对如何提高能源利用效率的问题，各国学者纷纷尝试新的能源利用途径，其中一个有效途径是利用冷热电联供(combinedcoolingheatingandpower，cchp)系统。

cchp系统同时生产热能、冷能、电能，以实现能源的梯级利用，进而大幅度提高能源利用效率；cchp联供系统的调度方式非常灵活，通过有机整合小规模的能源单元，在满足不同负荷需求的条件下，实现多种能源的综合利用，并且，cchp系统在一定程度上起到削峰填谷的作用，从而增强了能源供给的可靠性。

传统的cchp联供系统建立在能源综合利用的基础上，通过煤、石油、天然气等化石燃料生产冷热电能量，以同时满足系统的多符合需求；随着经济的快速发展，能源资源急剧短缺、生态环境日益恶化等问题收到了世界各国的广泛关注。因此，发展风能和太阳能灯可再生能源的冷热电联供，已成为推动绿色，实现节能减排战略目标的重要途径；然而，可再生能源固有的间歇性和显著的不确定性给能源供应的安全稳定运行带来了巨大挑战，严重制约着可再生能源的大力开发和利用。

事实上，我国已经意识到利用可再生能源逐步替代传统能源的必要性，并在一系列立法中强调发展的可再生能源，以改善能源供给结构，增强能源安全，保护环境。在全球变暖、温室效应不断严重的显示冲突下，处理好能源发展与经济发展的矛盾对中国而言至关重要；为了改善二氧化碳排放的国际压力及解决国民健康和能源短缺的各方面环境问题，我国积极效仿国外的可再生能源领域制度研究，意在推行绿色证书交易、排污权交易等以市场为主导的调控机制。

因此，研究环境交易机制下化石燃料，可再生能源等多种能源互补的冷热电联供系统的安全经济运行与优化调度，是提高能源利用率和节能减排领域的重要研究方向，能够为制定合理的可再生能源利用政策提供一定理论参考价值，具有促进我国经济可持续发展的现实意义。

冷热电联供系统以其明显的经济效益和节能效益得到了世界上许多国家的重视，北美、欧洲、亚洲等许多国家都进行了大量的研究工作，特别在美国和日本等科技高度发到的国家，冷热电联供系统的发展和研究起步早、成果多；而我国技术相对落后，目前在电力、能源、化工、轻工业等企业中，存在着很大的余热利用潜力，系统能源利用率还有待进步一提高；传统的能源生产方式是仅考虑电能或冷热能的优化调度，以致生产效率不高，能源浪费严重；多能源互补的cchp系统是由化石燃料、可再生能源等多种一次能源互不产生，同时供应电能负荷和冷热能负荷的生产方式。

现有的调度评价方法存在收敛速度慢、全局寻优能力差等问题，这影响了能源的利用率、以及增加了污染物的排放。

技术实现要素：

本发明为克服上述现有技术所述的收敛速度慢、全局寻优能力差的缺陷，提供一种cchp系统调度评价方法。

本发明的目的就是要克服现有技术的不足，采用一种基于模糊多准则决策模型的cchp系统调度评价方法。依据cchp系统运行质量评价指标构建原则和方法，构建了包含：能源效率、经济成本、co2排放量、可靠性等指标的评价指标体系；构建了iflkv多准则评价方法，对cchp系统运行质量进行评价研究。

本发明所要解决的技术问题，就是提供一种基于模糊多准则决策模型的cchp系统调度评价方法；方法针对由分布式能源、制热系统和制冷系统组成的cchp系统，并考虑分布式能源和负荷的不确定性和随机性，提出cchp系统中冷热电能源调度评价方法。

解决上述技术问题，本发明采用的技术方案如下：

cchp系统能源调度，其特征在于可再生能源等多种能源互补的冷热电联供系统优化调度及其求解问题，以实现可再生能源的最大化利用和污染物排放的减少。风电场装机容量由风电场风速决定，光伏发电站装机容量由日照强度决定；在不同时间和空间上日照强度、日照时间、日照阴影、日照偏角度及其不确定性和随机性对光伏发电系统装机容量有极大的影响。cchp系统能源调度，其特点在于合理分配冷热电能源，使得cchp系统经济成本、co2排放量、可靠性及能源利用率达到最佳状态。

所述方法包括以下步骤：

s1：从历史和实时数据集中获取cchp系统中风电输出功率数据、太阳能光伏输出功率数据，构建cchp系统输入矩阵；

获取cchp系统的冷热电负荷数据，构建cchp系统输出数据矩阵；

s2：对随机变量风速、风向、光照强度、负荷进行处理；

s3：构建cchp系统能源调度模型；

s4：计算cchp系统各目标权重；

s5：负荷动态关联规则挖掘；根据各目标权重，制定cchp系统调度方案，确定电能转化为热能、冷能的转化率、热能转化为冷能的转化率，并对调度方案采用iflkv进行综合评价，选择最佳调度方案。

优选地，步骤s1中cchp系统输入矩阵为：

其中xini1、xini2、xini3、xini4分别为cchp系统的输入量包括：风电输出功率、太阳能光伏输出功率、燃料输消耗量、电网电能使用量。

优选地，步骤s1中cchp系统输出数据矩阵为：

其中xoi1、xoi2、xoi3、xoi4分别为cchp系统输入的电能、热能、冷能以及co2排放量。

优选地，步骤s2包括以下步骤：

s2.1：使用关键点集合表示时间序列，进行降维计算；

s2.2：根据基于兰氏距离的模糊多准则(fuzzymultiplecriteria，fmc)算法，对降维计算的时间序列进行聚类；

s2.3：利用动态聚类算法对经模糊多准则算法聚类后的时间序列进行演化聚类；

采用动态聚类算法对序列进行计算时，根据时间的变化数据在不断调整，序列在不同时间段可能属于不同的类，其形态特征跳跃转换，称此时间序列为跳转序列(switchingtimeseries,sts)；

优选地，关键点需满足以下条件之一：

其中，(xi,yi)为时间序列的关键点，i为数据类别；

优选地，s2.2中的聚类公式为：

其中，n为数据类别总量，j为序列类别，k为聚类个数，xi为时间序列，cj为第j类质心序列，为时间序列长度为m时的数据对象xij属于第i类的隶属度，d^l为兰氏距离；

其中，模糊时间序列的中心序列矩阵，uij和cj迭代如下：

其中d()为距离函数，xj为时间序列中的数据，cj∈cj。

优选地，步骤s2.3中动态聚类算法包括以下步骤：

s2.3.1：对时间序列集合x，首先通过fcm算法得到隶属度矩阵，然后选取矩阵中每个时间序列μij；若存在μij≥δ，将此时间序列聚类到相应类中，并更新该类的质心序列；否则标记此时间序列为sts；

s2.3.2：对所标记的每条sts和质心序列，提取质心序列关键点集合；

s2.3.3：质心序列关键点计算，计算公式为：

其中，cikp、cikq为质心子序列sub-cj端点值，stsikp、stsikq为跳转子序列sub-stsi的端点值；

s2.3.4：对每条sts逐段计算其与μij不为0的类的质心序列在相应段的兰氏距离；将次段归到最近的类中；

s2.3.5：输出聚类结果。

优选地，cchp系统能源调度模型为：

其中，ce、cf分别为购电和购买天然气总费用，eg为系统污染物排放强度，ηe为一次性能源利用率，cec为t时段购电电价，pg为t时段从电网购买的电量，cfc为系统购买天然气价格，po为系统消耗天然气值，mi为cchp系统的污染物排放量，se为系统电能消耗总量，wn为系统总的供电量，wi为一次能源输入量，wo为冷热电输出总能量，h为总消耗时间，δt为时间差。

优选地，cchp系统能源调度模型的约束条件为：

cchp系统中风电场发电功率的约束条件：当风速大于切出风速时风电场发电功率等于额定功率，当风速小于切出风速而大于切入风速时风电场发电功率按照风电机组与风速的关系特性发电，当风速小于切入风速时风电场发电功率无功率输出：

其中vin、vout分别为切入、切出风速，v为风速，x2为电能转化为热能的比例；

cchp系统中光伏发电站发电功率的约束条件：光伏发电站发电功率小于其最大功率，且大于其最小功率：

其中ppv分别为光伏发电站最大、最小发电功率，x3为热能转化为冷能比例；

各设备电、热功率满足功率上下限要求：

其中，pi、qi分别为设备i的输出电功率和热功率；pimax、pimin分别为设备i的电功率上下限；qimax、qimin分别为设备i的热功率上下限；

储能设备约束：

0≤pch≤cape·γch

0≤pdis≤cape·γdis

we,min≤we≤we,max

pch、pdis分别为储能设备充放电功率，cape为储能设备容量，γch、γdis分别为储能设备最大充电倍率和最大放电倍率，we,max、we,min分别为储能装置最大最小储能量；

气体排放约束：

其中，fnox,i、为第i个电源排出的污染物总量，t为总消耗时间，n为机组数量。

优选地，权重指标计算公式为：

wj＝(rj+pj)/2

rj为李克特量表法，pj为标准离差法，wj为指标cj的权重，p为决策者总数，为包含ci的子集中的第k类j行数值，σj为指标cj的标准差。

与现有技术相比，本发明技术方案的有益效果是：本发明所提出的cchp系统能源调度方案评价方法，可以指定最佳调度方案，以减少成本及能源消耗；所述的调度评价方法具有较好的收敛能力、全局寻优能力和实用性，对提高能源利用率、增加可再生能源生产和减少污染物排放具有重要意义，选取最佳调度方案有利于资源的优化配置和降低系统总成本；本发明所述方法，同时反映了风速和日照强度及负荷变化的随机性，为风光微电网电源容量配置优化、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。

附图说明

图1是本发明所述的cchp系统调度评价方法的流程框图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

图1中的s1描述数据矩阵构建的过程和方法；从多年历史和实时数据集中获取cchp系统中风电输出功率数据、太阳能光伏输出功率数据，通过处理、计算和分析，构建cchp系统输入矩阵。

其中xini1、xini2、xini3、xini4分别为cchp系统的输入量包括：风电输出功率、太阳能光伏输出功率、燃料输消耗量、电网电能使用量。

获取cchp系统的冷热电负荷数据，通过处理、计算和分析，构建cchp系统输出数据矩阵：

其中xoi1、xoi2、xoi3、xoi4分别为cchp系统输入的电能、热能、冷能以及co2排放量。

图1中的s2描述随机变量处理的过程和方法；考虑风速、风向、光照强度、负荷等为随机变量，并且这些变量受时间影响较大，为了弥补时间序列静态聚类算法的确定，本发明采用动态模糊聚类方法对这些随机变量进行处理。该方法首先使用关键点集合表示时间序列，进行降维计算；再根据基于兰氏距离的fcm算法，对时间序列进行聚类，从而得到具有明显时间动态性的时间序列；最后利用提出的动态聚类算法对跳转序列进行演化聚类。

s2.1：使用关键点集合表示时间序列，进行降维计算；利用关键点集合表示时间序列，达到降维的目的；时间序列的关键点事那些含有重要信息的时间点所对应的数值，它们可能是极大值、极小值或者拐点。若点(xi,yi)为时间序列t的关键点，则其满足下列条件中的一项：

或

其中，(xi,yi)为时间序列的关键点，i为数据类别；

s2.2：根据基于兰氏距离的fcm算法，对降维计算的时间序列进行聚类；

在得到序列的关键点集合之后，并不能直接利用fcm算法对其进行聚类，因为这些关键点结合构成的序列不等长；为此，合并待计算的两个时间序列的关键点结合，是两个序列有相同的关键点，再使用fcm算法对其进行聚类。

fcm算法的隶属度表明时间序列属于各个类的程度，若隶属度较为平均，说明此时间序列很大程度上表现出不同类的特征，这样的时间序列的类别具有明显不确定性。为了理解此类序列的性质，把握序列的结构，需要进一步考虑类序列的类别随时间变化的情形。

其中，n为为数据类别总量，j为序列类别，k为聚类个数，xi为时间序列，cj为第j类质心序列，为时间序列长度为m时的数据对象xij属于第i类的隶属度，d^l为兰氏距离。

其中，模糊时间序列的中心序列矩阵，uij和cj迭代如下：

其中d()为距离函数，xj为时间序列中的数据，cj∈cj；

s2.3：利用动态聚类算法对经模糊多准则算法聚类后的时间序列进行演化聚类。

采用动态聚类算法对序列进行计算时，根据时间的变化数据在不断调整，序列在不同时间段可能属于不同的类，其形态特征跳跃转换，称此时间序列为跳转序列(switchingtimeseries,sts)。

动态聚类算法步骤：

输入：u-隶属度矩阵，阈值δ；

输出：聚类结果和跳转序列的逐段聚类结果；

s2.3.1：对时间序列集合x，首先通过fcm算法得到隶属度矩阵，然后选取矩阵中每个时间序列μij；若存在μij≥δ，将此时间序列聚类到相应类中，并更新该类的质心序列；否则标记此时间序列为sts；

s2.3.2：对所标记的每条sts和质心序列，提取质心序列关键点集合；

s2.3.3：质心序列关键点计算，计算公式为：

其中，cikp、cikq为质心子序列sub-cj端点值，stsikp、stsikq为跳转子序列sub-stsi的端点值；

s2.3.4：对每条sts逐段计算其与μij不为0的类的质心序列在相应段的兰氏距离；将次段归到最近的类中；

s2.3.5：输出聚类结果。

图1中的s3描述cchp系统能源调度模型的构建过程和方法；考虑决策变量x＝[x1,x2,x3]，x1、x2、x3分别为电能转化为冷能的比例、电能转化为热能的比例、热能转化为冷能比例；cchp系统能源调度在满足系统稳定运行条件下，达到最小化成本、能源最大利用率、co2最小排放量等目标，其多目标函数表达式为：

其中，ce、cf分别为购电和购买天然气总费用，eg为系统污染物排放强度，ηe为一次性能源利用率，cec为t时段购电电价，pg为t时段从电网购买的电量，cfc为系统购买天然气价格，po为系统消耗天然气值，mi为cchp系统的污染物排放量，se为系统电能消耗总量，wn为系统总的供电量，wi为一次能源输入量，wo为冷热电输出总能量，h为总消耗时间，δt为时间差。

cchp系统能源调度模型包括如下约束条件：

(1)cchp系统中风电场发电功率的约束条件：当风速大于切出风速时风电场发电功率等于额定功率，当风速小于切出风速而大于切入风速时风电场发电功率按照风电机组与风速的关系特性发电，当风速小于切入风速时风电场发电功率无功率输出：

其中vin、vout分别为切入、切出风速，v为风速，x2为电能转化为热能的比例。

(2)cchp系统中光伏发电站发电功率的约束条件：光伏发电站发电功率要小于其最大功率，而要大于其最小功率：

其中ppv分别为光伏发电站最大、最小发电功率。

(3)各设备电、热功率满足功率上下限要求：

其中，pi、qi分别为设备i的输出电功率和热功率；pimax、pimin分别为设备i的电功率上下限；qimax、qimin分别为设备i的热功率上下限。

(4)储能设备约束：

0≤pch≤cape·γch

0≤pdis≤cape·γdis

we,min≤we≤we,max

pch、pdis分别为储能设备充放电功率，cape为储能设备容量，γch、γdis分别为储能设备最大充电倍率和最大放电倍率，we,max、we,min分别为储能装置最大最小储能量。

(5)气体排放约束：

其中，fnox,i、为第i个电源排出的污染物总量，t为总消耗时间，n为机组数量。

图1中的s4描述cchp系统各目标权重计算方法。指标权重的确定在综合评价cchp系统运行质量方面占有重要地位，是否能够合理确定指标的权重，往往直接对评价的质量产生影响，间接的影响到最终决策。一般而言，权重越大表示该指标对于决策者相对的越加重要。权重指标计算公式为：

wj＝(rj+pj)/2

rj为李克特量表法，pj为标准离差法，wj为指标cj的权重，p为决策者总数，为包含ci的子集中的第k类j行数值，σj为指标cj的标准差。

图1中的步骤5描述负荷动态关联规则挖掘；描述了cchp系统多准则评价方法；采用通用的数学方法，如人工智能算法等，可以制定cchp系统调度方案及电能转化为热能、冷能的转化率、热能转化为冷能的转化率x1、x2、x3；并对调度方案采用iflkv进行综合评价，选择最佳调度方案。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。