一种电力物联网环境下的综合能源系统优化调度方法

摘要

本发明公开了一种电力物联网背景下的综合能源系统优化调度方法。首先分析了泛在电力物联网背景下综合能源调度基本架构，并从负荷、网络以及关键能源设备三个方面，建立了泛在电力物联网背景下综合能源系统模型，进一步考虑电力物联网环境下的云边架构、信息采集特征，以及市场环境，基于综合能源系统热网与电网的频繁交互过程，提出了考虑源荷互动和多能互补的综合能源优化调度方法。针对上述优化调度方法，考虑负荷侧灵活相应特性，提出了基于改进粒子群算法的调度模型求解方法。该方法优势在于通过模拟用户用电行为，将对于整个综合能源系统的调度与对于负荷侧的调度分开进行，以实现对多能互补与源荷的灵活互动。

说明书

技术领域

本发明涉及电气信息领域，具体是一种电力物联网环境下的综合能源系统优化调度方法。

背景技术

为缓解能源压力，一方面应加大绿色清洁能源所占比例，另一方面则应在生产与调度过程中提高一次能源利用效率，减少不必要的能源浪费。因此，应打破原有各供能系统单独规划、单独设计和独立运行的既有模式，进行社会能源系统的一体化规划设计和运行优化，并最终构建统一的社会综合能源供用系统，以实现对一次能源的逐级利用和对电能、热能等二次能源的统一规划调度。

泛在电力物联网就是围绕电力系统的各个环节，充分应用现代信息技术和先进通信技术，实现电力系统各个环节万物互联、人机交互。随着泛在电力物联网的建设，综合能源调度系统对于负荷的感知能力逐渐增强，系统中各成分之间的信息交流更加频繁，系统的优化调度方法与结构也将发生改变。

近年来，对于综合能源系统的优化调度的研究主要集中于热电耦合元件的运行控制上，以实现最优经济运行，增加绿色清洁能源消纳。目前，传统的综合能源系统调度普遍按照集中-并列的架构进行，即电、热、气网各自进行优化调度的同时考虑部分节点处的能源耦合元件，通过这些耦合元件实现不同网络之间的信息与能量交互，最终得到整体的最优调度方案。

然而随着泛在电力物联网的建设，传统的集中-并列的架构的调度方法面临以下两个问题：(1)泛在电力物联网建设将大大提高调度中心对于下层负荷的感知能力，信息量测点、信息采集频率、信息采集种类以及数据质量都将大大增加，这都导致了负荷侧的量测数据数量飞速增长，若仍采用传统的集中-并列的调度架构，由于数据的增加以及信息传输的不通畅，调度中心的计算速度将大大降低；(2)由于具有“多表合一”功能的智能电表的普及，传统综合能源量测系统中电、热、气等能源分别计量，数据不通的问题得到了解决，不同能源网络之间的耦合不再仅限于大型能源耦合元件，在负荷侧也能实现不同能源网络的信息交流与能量传递，各能源网络之间的耦合更加紧密，若能充分发挥负荷侧的灵活性，实现负荷侧的多能互补与灵活调度，将有助于综合能源系统削峰填谷和增加促进绿色清洁能的源消纳，而传统调度架构难以支持各能源网络在负荷侧进行如此频繁信息与能量的交互。

虽然针对综合能源系统的优化调度已有较多研究，但随着泛在电力物联网的建设，传统综合能源调度方法难以对负荷侧海量数据充分利用，也难以支持电、热、气等不同能源网络在负荷侧进行频繁的信息交流与能量传递。通过对于泛在电力物联网背景下综合能源网络的分析，本发明考虑对传统综合能源系统的优化调度架构进行改进，通过分层调度的调度架构，将对于整个综合能源系统的调度与对于负荷侧的调度分开进行，以实现对多能互补与源荷的灵活互动。

发明内容

为解决上述存在的问题，本发明提供了一种电力物联网背景下的综合能源系统优化调度方法，应用于综合能源系统网源协调的日前调度，组合了全新的基于云边协同的调度架构、电力物联网背景下信息交互模式以及基于改进粒子群算法的优化调度模型求解方法，将云管边端架构和负荷侧多能信息互联充分利用，以提高能源利用效率，降低运行成本，实现整个区域的全局最优运行。

一种电力物联网背景下的综合能源系统优化调度方法，包括以下步骤：

S11：建立综合能源系统关键设备模型及负荷需求响应模型，所述关键设备包括电储能设备模型与热电联产机组模型，所述负荷需求响应模型包括热负荷与电负荷两种需求响应模型；

S12：建立综合能源系统网络模型，综合能源网络包括电力网络和热力网络，分析不同网络内能量流动规律；

S13：建立以综合能源系统运行成本最低为目标的目标函数的优化调度模型，其中设备运行成本部分根据步骤S11中关键设备模型计算，售电售热收益通过步骤S11中负荷需求响应模型计算；

S14：对综合能源系统的优化运行过程进行约束，根据步骤S11关键设备及负荷需求响应模型建立热负荷楼宇内温度约束、负荷需求响应约束、发电机组和热源运行约束、旋转备用约束以及电储能设备约束，根据步骤S12综合能源系统网络模型建立热电潮流约束和电网潮流约束；

S15：基于改进粒子群算法求解所述优化调度模型，并将优化调度过程分为上层与下层两个层级，上层为步骤S13、步骤S14所述综合能源系统优化调度模型，下层为通过步骤S11所述负荷侧需求响应模型求解用户用能需求，以计算步骤S13中目标函数的过程，通过两个层级不断交互，得到最优日前调度结果。

步骤S11所建立的综合能源系统关键设备模型，其中热电联产机组模型如下所述：

热电联产机组工作于最大出力状态时，其关系曲线表示为：

式中，Z为描述汽轮机组CHP1产热量和产电量关系的系数，η

热电联产机组工作于变出力状态时，其关系曲线表示为：

式中，c

步骤S11所建立的综合能源系统关键设备模型，其中所述电储能设备模型如下所述：

式中，

热网一般通过蓄热锅炉进行储能，在电价较低的时段将电能转化为热能进行存储，在热需求较高的时段将热能放出，其SOC通过下式进行计算：

式中，和

步骤S11所建立的负荷需求响应模型，负荷对于价格的相应灵敏性一般由弹性系数表示，用于采暖的热负荷可以在不过分影响室内温度的情况下增加或减少，但一般不会转移至别时段，故一般用自弹性系数表示：

式中，

热负荷变化通过下式表示：

式中，

部分电负荷可转移到其他时段，部分电负荷可削减或增加，故一般用自弹性系数和互弹性系数共同表示：

式中，

电负荷变化可通过下式表示：

式中，

进一步的，所述步骤S13所建立的目标函数计算公式为：

式中，C

发电机组或热源的成本用二次模型表示：

式中，

负荷支付的需求响应补偿表示为：

式中，

弃风弃光成本表示为：

式中，ρ

向上级电网的购电成本可表示为：

式中，

进一步的，所述步骤S14中

(1)热负荷楼宇内温度约束以不过度影响楼宇内温度为前提，表示为：

式中，

(2)负荷需求响应约束中负荷对于价格信号的需求响应具有一定的限度，具体表示为：

式中，

(3)发电机组和热源运行约束中发电机组与热源出力范围均是一定的，同时还需考虑发电机的功率爬坡约束，具体为：

式中，

(4)旋转备用约束考虑可再生能源以及负荷的不确定性，系统需留出一定的备用容量，具体为：

式中，ru

(5)电储能设备约束主要包括储能系统SOC约束和充放能功率约束：

式中，

进一步的，步骤S14所建立的电网潮流约束为潮流计算基本方程：

式中，P

所建立的热网潮流约束为热网潮流计算基本方程：

其中热质连续方程和环路压力方程分别为：

式中，

节点温度方程、管道温度方程和热质混合方程分别为：

式中，C

本发明具有以下优点和有益效果：

通过对综合能源系统的优化调度，综合能源向系统中各能源机组的出力将得到优化，同时通过需求响应对负荷需求进行调控，从而获得最小的系统运行成本；通过考虑负荷的相应行为，负荷的各类用能需求可在不过度影响舒适度的情况下对上层的价格信号做出相应。通过对于负荷侧灵活性的充分考虑，本发明所述调度方法可为高物联水平下的综合能源系统优化调度提供理论指导。

附图说明

图1为本发明实施例提供的电力物联网背景下的综合能源系统优化调度方法的基本流程图；

图2为本发明实施例提供的电力物联网背景下的综合能源系统优化调度方法的总流程图；

图3为本发明实施例提供的基于粒子群算法的优化调度算法流程图；

图4为本发明实施例提供的算例系统拓扑结构；

图5为本发明实施例提供的各节点负荷变化、区域平均温度变化以及风机出力变化；

图6为本发明实施例提供的自适应度变化情况；

图7为本发明实施例提供的热负荷需求变化；

图8为本发明实施例提供的两种场景下各时段调度成本变化。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明考虑泛在电力物联网环境下的云边架构、信息采集特征，以及市场环境，基于综合能源系统热网与电网的频繁交互过程，提出考虑源荷互动和多能互补的综合能源优化调度模型，包括以综合能源系统最优经济运行为目标的目标函数及相应的运行约束。目标函数包括热电联产机组、单一发电机组、热源等能源设备运行成本，向负荷支付的需求响应补偿，弃风弃光成本以及向大电网的购电成本。运行约束包括热电潮流约束，发电机组和热源运行约束，旋转备用约束，电储能设备约束，热负荷楼宇内温度约束以及负荷需求响应约束。

针对调度过程中具有较强的非线性特征，本发明采用APSO算法对综合能源系统优化调度模型进行求解，算法的调度变量为各能源设备的出力以及综合需求响应的价格信号，粒子初始化后将综合需求响应的信号传递至负荷侧。负荷侧考虑用户的用能特性、能量需求以及可调度设备种类及特性，结合调度中心的价格信号，协调负荷侧设备出力及负荷需求，并将响应后负荷对综合能源网络的用能需求传递给上层调度中心。调度中心获取负荷侧用能需求后结合初始化的能源设备的出力以及综合能源网络的拓扑结构和基本参数，对综合能源系统进行潮流计算，并得出综合能源系统的运行成本，并按照APSO算法对粒子个体和全局适应度值进行更新，若未达到最大迭代次数，则对粒子位置进行更新，得到新的调度变量，并根据新的调度变量重新进行负荷侧调度，再根据负荷侧需求响应的结果得到调度的适应度值，如此循环迭代，直至迭代停止，并将调度结果进行输出。本发明具体步骤包括。

S11：建立综合能源系统关键设备模型及负荷需求响应模型，所述关键设备包括电储能设备模型与热电联产机组模型，所述负荷需求响应模型包括热负荷与电负荷两种需求响应模型；

S12：建立综合能源系统网络模型，综合能源网络包括电力网络和热力网络，分析不同网络内能量流动规律；

S13：建立以综合能源系统运行成本最低为目标的目标函数的优化调度模型，其中设备运行成本部分根据步骤S11中关键设备模型计算，售电售热收益通过步骤S11中负荷需求响应模型计算；

S14：对综合能源系统的优化运行过程进行约束，根据步骤S11关键设备及负荷需求响应模型建立热负荷楼宇内温度约束、负荷需求响应约束、发电机组和热源运行约束、旋转备用约束以及电储能设备约束，根据步骤S12综合能源系统网络模型建立热电潮流约束和电网潮流约束；

S15：基于改进粒子群算法求解所述优化调度模型，并将优化调度过程分为上层与下层两个层级，上层为步骤S13、步骤S14所述综合能源系统优化调度模型，下层为通过步骤S11所述负荷侧需求响应模型求解用户用能需求，以计算步骤S13中目标函数的过程，通过两个层级不断交互，得到最优日前调度结果。

步骤S11所述综合能源系统关键设备模型，包括热电联产机组模型和储能设备模型，具体如下所述：

热电联产机组模型如下所述：

热电联产机组工作于恒出力状态时，其热电关系曲线表示为：

式中，Z为描述汽轮机组CHP1产热量和产电量关系的系数，η

热电联产机组工作于变出力状态时，其热电关系曲线表示为：

式中，c

电储能设备模型如下所述：

式中，

热储能设备模型如下所述：

式中，和

步骤S11所建立的负荷需求响应模型，包括热负荷相应模型和电负荷相应模型，具体如下所述：

热负荷可以在不过分影响室内温度的情况下增加或减少，但一般不会转移至别时段，故一般用自弹性系数表示：

式中，

热负荷变化通过下式表示：

式中，

部分电负荷可转移到其他时段，部分电负荷可削减或增加，故一般用自弹性系数和互弹性系数共同表示：

式中，

电负荷变化可通过下式表示：

式中，

步骤S12所述综合能源系统网络模型如下所述：

所述电网潮流计算公式为：

式中，P

所述热网潮流计算公式为：

热质连续方程和环路压力方程分别为

式中，

节点温度方程、管道温度方程和热质混合方程为

式中，C

所述步骤S13为算法的基础，目的是明确优化调度的控制目标，对优化调度效果实现量化评价。具体是分析综合能源系统调度侧和负荷侧的运行优化需求，建立综合能源系统目标函数：

式中，C

所述发电机组或热源的成本可用二次模型表示：

式中，

所述负荷需求响应补偿可表示为：

式中，

所述弃风弃光成本可表示为：

式中，ρ

所述向上级电网的购电成本可表示为：

式中，

所述步骤S14可保证优化调度在最大化目标函数的同时防止出现线路过载等安全性问题，维护市场环境的正常运转。具体是分析综合能源系统调度侧和负荷侧的运行特征，建立综合能源系统优化调度运行约束，具体为步骤S12中所述电网与热网潮流方程

所述发电机组和热源运行约束计算公式为：

式中，

所述旋转备用约束计算公式为：

式中，ru

所述电储能设备约束计算公式为：

式中，

所述热负荷楼宇内温度约束计算公式为：

式中，T

所述需求响应约束计算公式为：

式中，

所述步骤S15，求解优化调度模型过程如下步骤所述：

S21：参数初始化，设定最大迭代次数、学习率；

S22：热电联产机组出力初始化以及需求响应电价初始化；

S23：设置迭代次数g＝1；

S24：获取负荷侧对价格的响应；

S25：将负荷侧信息上传至电网调度中心；

S26：求解优化调度问题；

S27：输出调度成本及运行曲线。

所述步骤S21属于对算法初始参数进行设置，参数的大小可直接影响算法的寻优速度、能否收敛以及是否易于陷入局部最优解等特性

所述步骤S22为优化调度控制变量初始化过程。

所述步骤S23为实际寻优过程开始的标志。

所述步骤S24、S25是上层优化与下层优化之间的交互过程，其中，上层优化通过需求响应电价实现对下层优化的间接影响，保证整个系统的经济运行；下层优化通过上传实际能源需求辅助上层调度中心的决策，同时在保证用户自身用能需求的前提下实现对上层控制信号的响应。

所述步骤S26，为综合能源系统优化调度具体过程。输入信息为各类可调度设备信息以及步骤S23所得负荷侧实际用能信息；进一步进行基于综合能源潮流计算的优化调度，确定各类能源设备出力，并更新各粒子的位置，获得新的需求响应价格，再次将此价格传递至负荷侧，使负荷做出响应，直至趋于最优。具体求解过程如图3所示。

算例分析

本发明算例系统如图4所示，其中电网为改进IEEE33节点，0号节点与外界大电网相连，于24、32号节点分别处加入一个分布式热电联产机组，与热网形成耦合，于31号节点处接入一个风机机组；其中CHP1机组出力调整较快，但单位成本较高，主要用于调峰；CHP2机组单位成本较小，故主要用于发电和产热。系统中的热网为13节点热网，其中2、3、4、6、7、8、9、10号节点为负荷节点，负荷节点处均存在分布式电热锅炉，可以实现电网与热网的交互，12号节点处为固定热源，出力不变。图4中同一虚线框中的节点视为位于同一个区域，热负荷节点处的分布式电锅炉由同一区域的电网节点供电，对于电网节点视为负荷。热网各节点负荷、外界温度、风机出力、电网各节点负荷如图5所示；各热源、热电联产机组相关系数如表1所示。

各能源设备相关系数值

本发明所述APSO算法与传统PSO算法在迭代寻优过程中全局最优适应度变化过程如图6所示。在迭代初期，APSO算法与传统PSO算法收敛速度相比没有太大优势，甚至速度更慢，这主要是由于迭代初期粒子惯性权重较大，同时更容易产生较大变异，使得粒子分布更加分散；随着迭代次数的增加，粒子收敛速度更快，更早找到最优解。

图7中灰色区域为综合需求响应后各时段用户热能需求的缩减量，由图7可知，热负荷的减少主要在夜间弃风较多的时段，但考虑到本场景下系统仍存在较多弃风，可以预见，若热负荷进一步减少，但由于负荷的降低对用户舒适度造成的影响，进一步通过价格信号刺激热负荷降低将产生较高成本，继续通过需求响应增加系统对于风电的消纳并不经济。

图8为各时段调度成本变化图，由图8可知为促进绿色清洁能源的消纳，弃风惩罚价格较高，故尽管白天时段电力负荷水平更高，在产生较多弃风的时段系统的总体运营成本明显高于无弃风时段成本。由于本发明所述热电综合调度方法可以明显减少弃风的产生，所以在夜间至凌晨时段可大大降低系统的运行成本。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于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。