基于场景分析和混合储能的热电联合系统优化调度方法与流程

1.本发明属于热电联合技术领域，具体涉及一种基于场景分析和混合储能的热电联合系统优化调度方法。


背景技术：

2.随着风电的迅速发展，我国“三北”地区因“风热冲突”造成的弃风问题日益严重，目前大规模弃风已成常态化，弃风消纳问题成为制约我国风电开发和利用的瓶颈，引起全社会的广泛关注。主要原因在于冬季供暖期热电联产机组为满足热负荷而大幅提高其最小出力，导致风电上网空间不足。
3.目前，消纳弃风方案主要为：通过提高系统外送能力，进而提高系统发电负荷，增大系统接纳风电的空间；通过采用配置蓄热罐的方法有效解耦热电机组“以热定电”的运行约束，减少弃风。此外，热电联合系统可以实现多种能源之间的协调互补，提高能源利用率，在热电联合系统中配置储能装置，可以进一步提高能源利用率、促进风电消纳、保障系统安全可靠运行，但单一的储能有局限性，会影响整个系统的消纳弃风效果，而且储能装置的容量配置影响系统消纳弃风的效果。
4.因此，如何建立一种基于混合储能的热电联合系统，能够有效提升系统消纳弃风效果，保证系统低碳经济运行，且储能装置容量最优配置是目前急需解决的问题。
5.因此，基于上述技术问题需要设计一种新的基于场景分析和混合储能的热电联合系统优化调度方法。


技术实现要素：

6.本发明的目的是提供一种基于场景分析和混合储能的热电联合系统优化调度方法。
7.为了解决上述技术问题，本发明提供了一种基于场景分析和混合储能的热电联合系统优化调度方法，包括：
8.建立基于混合储能的热电联合系统数字孪生模型；
9.设置热电联合系统中混合储能装置进行消纳弃风的运行策略；
10.采用场景分析法描述热电联合系统中风力发电不确定性，生成若干风电模拟误差对应的风电出力场景和相应的场景概率，并采用场景削减技术对风电出力场景进行处理生成风电出力随机场景，参与热电联合系统优化调度求解；
11.建立上层容量优化模型：基于不同混合储能装置容量组合，建立以所有随机场景下混合储能装置的投入成本和系统运行成本最小为目标函数，设置相关的约束条件，构建储能装置容量配置优化模型；
12.建立下层调度优化模型：基于热电联合系统运行收入和成本，建立以所有随机场景下系统的收益最大化为目标函数，设置相关的约束条件，构建热电联合系统消纳弃风低碳经济运行模型；
13.上下层模型交互求解：对所述储能装置容量配置优化模型和热电联合系统消纳弃风低碳经济运行模型进行双向交互求解，获得热电联合系统最优运行方案和储能装置最佳配置容量。
14.进一步，所述建立基于混合储能的热电联合系统数字孪生模型的方法包括：
15.采用机理建模和数据辨识方法建立基于混合储能的热电联合系统数字孪生模型，即：
16.建立混合储能装置、热电联产、风电机组、电锅炉实体的物理模型；
17.所述混合储能装置包括：储热装置和储电装置；
18.依据基于混合储能的热电联合系统各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型，将物理模型映射至逻辑模型；
19.基于采集的混合储能的热电联合系统的运行数据、状态数据、物理属性数据搭建热电联合系统仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；
20.将物理模型、逻辑模型和仿真模型进行虚实融合，构建基于混合储能的热电联合系统的物理实体在虚拟空间的系统级数字孪生模型；
21.将基于混合储能的热电联合系统的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的基于混合储能的热电联合系统的数字孪生模型。
22.进一步，电锅炉仿真模型构建时，电锅炉装置将电能转化为热能，在分时电价的引导下实现对热负荷曲线的优化，输出热功率模型表示为：
23.q
eb
(t)＝η
eb
p
eb
(t)；
24.其中，q
eb
(t)为t时刻电锅炉输出热功率；η
eb
为制热效率；p
eb
(t)为电锅炉输入电功率；
25.电锅炉出力成本表示为：
26.c
eb
(t)＝k
eb
p
eb
(t)；
27.其中，c
eb
(t)为t时刻电锅炉出力成本；k
eb
为电锅炉单位出力成本系数；
28.风电机组仿真模型构建时，风电机组的输出功率表示为：
[0029][0030]
其中，p
w,t
为风电出力；v为实际风速；v
ci
、v
co
分别为切入和切出风速；p
we
为风电装机容量；vr为额定风速；
[0031]
热电联产机组仿真模型构建时，
[0032][0033][0034]
其中，为热电联产机组在t时刻输出的电功率；η
gt
为热电联产机组的发电效率；
为热电联产机组在t时刻输出的热功率；η
he
为热电联产机组的热转换效率；为热电联产机组在t时刻的天然气消耗量；β为天然气的低位热值；
[0035]
储能装置仿真模型建立时，
[0036][0037]
其中，x为能量类型，x为e表示电，x为h表示热；e
x,t 1
为充或放能后的能量；e
x,t
为充或放能前的能量；δ
x
为储能系统能量损失率；p
x,c,t
、p
x,d,t
分别为充、放能功率；μ
x
为0,1变量，μ
x
为0表示放能，μ
x
为1表示充能；e
x,min
、e
x,max
分别为最小和最大储能量。
[0038]
进一步，所述设置热电联合系统中混合储能装置的运行策略的方法包括：
[0039]
在弃风时段，先启动储电装置以低价电储存电能，当储电装置达到最大功率仍然无法消纳全部弃风时，则启动电锅炉，增加电负荷谷值，同时降低热电机组电功率下限，增大风电上网空间；若电锅炉仍然无法消纳全部弃风，再启动储热装置，提高风电上网空间；在电负荷高峰、风电低发时段，储电装置放出电能，削电负荷峰值，并利用峰谷价差增加收益；同时电锅炉停止制热，储热装置放热供热负荷使用。
[0040]
进一步，采用场景分析法描述热电联合系统中风力发电不确定性，生成若干风电模拟误差对应的风电出力场景和相应的场景概率，并采用场景削减技术对风电出力场景进行处理生成风电出力随机场景，参与热电联合系统优化调度求解，具体包括：
[0041]
采用拟蒙特卡洛方法生成风电出力场景，包括：
[0042]
将风速作为随机变量，根据其分布特性，在[0,1]区间上产生均匀分布的拟随机序列，再采用逆变换将均匀分布的拟随机序列转换成正态分布的随机数，模拟实际风电出力样本中的概率分布，建立概率密度模型，获得对应场景的概率；拟随机序列包括halton序列和sobol序列；正态分布的逆变换包括box-muller算法和moro算法；
[0043]
采用k-means聚类算法进行风电出力场景削减，包括：
[0044]
随机选取m
ε
个场景作为簇心，簇心场景集合表示为：c＝{η
εc
}(ε＝1,2,...,ms)；
[0045]
根据簇心集合，确定剩余的场景集合为：
[0046]
计算剩余场景到簇心场景的场景距离：
[0047]
根据距离矩阵d
ε,ε
′
，将剩余场景归类到距离最近的簇心；经过聚类后的集合为：ω＝{cj}(i＝1,2,...,ms)，其中cj表示同类场景集合；
[0048]
簇心计算方法：假设聚类cj中有l
ε
个场景，计算每个场景与其他场景的欧式距离之和，选取距离最小的场景为新的聚类中心；
[0049]
重复进行场景距离和簇心计算，直到簇心和聚类结果不再发生变化，则场景削减结束。
[0050]
进一步，建立上层容量优化模型：基于不同混合储能装置容量组合，建立以所有随机场景下混合储能装置的投入成本和系统运行成本最小为目标函数，设置相关的约束条件，构建储能装置容量配置优化模型，包括：
[0051]
建立所有随机场景下混合储能装置的投入成本和系统运行成本最小为目标函数：
[0052][0053]
其中，l
ε
为随机场景个数，π
ε
为场景ε发生的概率；热电联合系统运行成本c
rdlh,ε
由下层调度优化模型获知；
[0054]
投资成本：c
cn,tz,ε
＝c
gl
p
gl
c
tesstes
c
dl
p
dl
c
swssw
；c
gl
为单位电锅炉容量成本；p
gl
为电锅炉的建设容量；c
tes
为储热装置的单位容量价格；s
tes
为储热装置的建设容量；c
dl
为单位储电功率成本；p
dl
为储电功率的建设容量；c
sw
为储电装置容量的单位容量价格；s
sw
为储电装置的建设容量；
[0055]
运行维护成本：c
cn,yx,ε
＝c
bat
p
bat,ε
c
ts
p
ts,ε
；c
bat
为储电装置的折旧换算费用系数；p
bat,ε
为充电或放电的功率；c
ts
为储热装置的折旧换算费用系数；p
ts,ε
为场景ε下储热装置的热功率；
[0056]
交易成本：c
cn,jy
＝c
biwbi-c
siwsi
；c
bi
、w
bi
、c
si
、w
si
分别是一天当中一个时段内的购买电价、购买电量、出售电价和出售电量；
[0057]
设置约束条件：
[0058]
储电装置剩余电量约束条件：
[0059][0060]
soc
min
≤soci≤soc
max
；
[0061]
p
bat,ε
≤p
bat,ε.max
；
[0062]
其中，soci为储电装置在任何时间点的剩余电量，soc
i-1
为前一时间点的剩余电量；η
bc,ε
、η
bd,ε
分别为场景ε下储电装置的充电与放电效率；soc
min
、soc
max
分别为场景ε下储电装置的最小和最大剩余电量；p
bat.ε，max
为场景ε下储电装置的额定功率；
[0063]
储热装置剩余电量约束条件：
[0064][0065]qi,ε
≤q
ε,max
；
[0066]
p
ts,ε
≤p
ts,ε.max
；
[0067]
其中，q
i,ε
为场景ε下储热装置在任何时间点的剩余热量；q
i-1,ε
为场景ε下前一时间点的剩余热量；η
tc,ε
、η
td,ε
分别为场景ε下储热装置的蓄热和放热效率；q
ε,max
为场景ε下储热装置的最大剩余热量；p
ts,ε.max
为场景ε下储热装置的额定功率；
[0068]
热负荷需求约束：p
t,load,ε
′
≤η
tdqt,out,ε
p
t,gl,ε
；p
t,load,ε
′
为场景ε下热负荷总需求；p
t,gl,ε
为场景ε下t时刻电锅炉功率；q
t,out,ε
为场景ε下储热装置的放热功率
[0069]
电力电量平衡约束：p
t,w,ε
＝p
t,gl,ε
p
ess,t,ε
；p
t,w,ε
为场景ε下t时刻风电计划出力；p
ess,t
为场景ε下t时刻储电装置消纳弃风功率。
[0070]
进一步，建立下层调度优化模型：基于热电联合系统运行收入和成本，建立以所有随机场景下系统的收益最大化为目标函数，设置相关的约束条件，构建热电联合系统消纳弃风低碳经济运行模型，包括：
[0071]
建立以所有随机场景下系统的收益最大化为目标函数：
[0072][0073]
其中，l
ε
为随机场景个数，π
ε
为场景ε发生的概率；
[0074]
热电联产电力收入：
[0075]
其中，ce为热电联产机组的日前电价；p
t,s,ε
为场景ε下热电联产机组考虑弃风调峰后的修正计划发电出力；t为运行调度周期；δt为单位时间间隔；
[0076]
热电联产热收入：ch为热电联产机组供热单价；q
t,s,ε
为场景ε下热电联产机组和储热的总热输出功率，热电联产机组和储热的总热输出功率，为场景ε下第n台热电联产机组在t时刻发出的热出力，q
t,in,ε
为场景ε下储热装置的储热功率，q
t,out,ε
为场景ε下储热装置的放热功率；
[0077]
电力辅助调峰收入：
[0078]
其中，c
peak
为热电联产机组参与弃风消纳的调峰电价；p
t,s,ε
′
为场景ε下热电联产机组未考虑弃风调峰时的计划发电出力；p
t,c,ε
和p
t,d,ε
分别为场景ε下储电装置充电功率和放电功率；
[0079]
蓄热收入：i
tes,ε
＝c
peak
βq
t,tes,ε
；
[0080]
其中，q
t,tes,ε
为场景ε下储热装置每日最终储热量；β为热电联产机组的热电比；
[0081]
售电收入：i
dl，ε
＝c
dlwsz,ε
；c
dl
为系统向电网的售电电价；w
sz,ε
为消纳弃风总电量；
[0082]
热电联产机组运行成本为：
[0083][0084]
其中，为场景ε下第n台热电联产机组在t时刻发出的电出力；为场景ε下第n台热电联产机组在t时刻发出的热出力；n为热电联产机组总数；ε
chp
为热电联产机组的燃料成本系数；γ
p
和γh分别表示热电联产机组发出单位电出力和单位热出力所消耗的燃料；
[0085]
风电运行维护成本为：
[0086]
t为第t个时段；kw为风电运行维护成本系数；p
t,w,ε
为场景ε下t时刻风电计划出力；
[0087]
系统碳排放交易成本为：
[0088]
基于风电机组和热电联产机组的实际碳排放量和碳排放权配额量计算碳排放交易成本，表示为：c
carbon
为碳排放交易总成本；p
carbon
为碳交易价格；为机组实际碳排放量；为机组碳排放权配额量；
[0089]
σj为风电机组碳排放强度；为场景ε下第j台风电机组电出力；σn为热电联产机组电功率碳排放强度；s为风电机组总数；q为电功率碳排放配额；
[0090]
弃风惩罚成本为：
[0091]
当风机出力达到系统上限时将出现弃风，弃风惩罚成本表示为：υw为弃风惩罚系数；p
t,w,ε
′
为场景ε下t时刻风电实际出力；
[0092]
设置热电联合系统的约束条件：
[0093]
电功率平衡约束：p
t,gl,ε
为场景ε下t时刻电锅炉功率；p
t,load,ε
为场景ε下t时刻电负荷需求；
[0094]
热功率平衡约束：η
ch
为电锅炉效率；p
t,load,ε
′
为场景ε下热负荷总需求；
[0095]
热电联产机组相关约束：包括热电机组出力约束：热电联产机组相关约束：包括热电机组出力约束：为场景ε下热电联产机组最大热出力；热电机组爬坡约束：-rd
n,ε
≤p
t,s,ε-p
t-1,s,ε
≤ru
n,ε
；-rd
n,ε
、ru
n,ε
分别为场景ε下热电联产机组n的上下爬坡率；
[0096]
储电装置运行约束：e
t,es
≤e0；e
min
≤e
t,es
≤e
max
；e
t,es
为每日结束时的储电量；e0为期望初始储电装置容量；e
max
、e
min
分别为储电装置的容量上限和下限；
[0097]
储热装置运行约束：0≤q
t,tes,ε
≤q
tes,ε,max
；q
t,in
≤q
in,ε_max
；q
t,out
≤q
out,ε_max
；q
tes,ε,max
为场景ε下储热量最大值；q
in,ε_max
为场景ε下储热装置最大储热功率；q
out,ε_max
为场景ε下储热装置最大放热功率。
[0098]
进一步，所述上下层模型交互求解：对所述储能装置容量配置优化模型和热电联合系统消纳弃风低碳经济运行模型进行双向交互求解，获得热电联合系统最优运行方案和储能装置最佳配置容量，包括：
[0099]
求解储能装置容量配置优化模型获得储能装置容量配置信息；
[0100]
将相应储能装置容量配置信息作为下层调度优化模型的决策变量，求解热电联合系统消纳弃风低碳经济运行模型获得最优运行方案，并返回上层容量优化模型；
[0101]
上层容量优化模型根据反馈的最优运行方案重新计算目标函数中的系统运行成本，更新适应度函数，重新进行迭代寻优，根据最优运行方案和储能装置容量配置信息获得储能装置最佳配置容量。
[0102]
进一步，所述上层容量优化模型和下层调度优化模型的求解采用的算法包括：粒子群优化算法、鲸鱼算法、遗传算法、混合整数规划方法。
[0103]
本发明的有益效果是，本发明通过建立基于混合储能的热电联合系统数字孪生模型；设置热电联合系统中混合储能装置的运行策略；采用场景分析法描述风电出力的不确定性，生成风电出力的随机场景；构建储能装置容量配置优化模型；构建热电联合系统消纳弃风低碳经济运行模型；双层模型交互求解获得系统最优运行方案和储能装置最佳容量配
置，实现了以数字孪生模型为基础进行预测，基于预测的结果进行决策，建立了智慧化的热电联合系统，并且采用场景分析法削弱风电出力波动性影响，先通过拟蒙特卡洛方法生成风电出力场景，保证场景多样性，再通过聚类算法对生成的场景进行削减，降低求解复杂度，减少计算量，以兼顾双层模型求解效率，保证系统运行的低碳性、经济性和可再生能源的消纳。
[0104]
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0105]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0106]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
[0107]
图1是本发明的基于场景分析和混合储能的热电联合系统优化调度方法的流程图；
[0108]
图2为本发明优化调度模型结构示意图。
具体实施方式
[0109]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。
[0110]
如图1、2所示，本实施例提供了一种基于场景分析和混合储能的热电联合系统优化调度方法，包括：
[0111]
建立基于混合储能的热电联合系统数字孪生模型；
[0112]
设置热电联合系统中混合储能装置进行消纳弃风的运行策略；
[0113]
采用场景分析法描述热电联合系统中风力发电不确定性，生成若干风电模拟误差对应的风电出力场景和相应的场景概率，并采用场景削减技术对风电出力场景进行处理生成风电出力随机场景，参与热电联合系统优化调度求解；
[0114]
建立上层容量优化模型：基于不同混合储能装置容量组合，建立以所有随机场景下混合储能装置的投入成本和系统运行成本最小为目标函数，设置相关的约束条件，构建储能装置容量配置优化模型；
[0115]
建立下层调度优化模型：基于热电联合系统运行收入和成本，建立以所有随机场景下系统的收益最大化为目标函数，设置相关的约束条件，构建热电联合系统消纳弃风低碳经济运行模型；
[0116]
上下层模型交互求解：对所述储能装置容量配置优化模型和热电联合系统消纳弃
风低碳经济运行模型进行双向交互求解，获得热电联合系统最优运行方案和储能装置最佳配置容量。
[0117]
通过建立基于混合储能的热电联合系统数字孪生模型；设置热电联合系统中混合储能装置的运行策略；采用场景分析法描述风电出力的不确定性，生成风电出力的随机场景；构建储能装置容量配置优化模型；构建热电联合系统消纳弃风低碳经济运行模型；双层模型交互求解获得系统最优运行方案和储能装置最佳容量配置，实现了以数字孪生模型为基础进行预测，基于预测的结果进行决策，建立了智慧化的热电联合系统，并且采用场景分析法削弱风电出力波动性影响，先通过拟蒙特卡洛方法模拟生成风电出力场景，保证场景多样性，再通过聚类算法对生成的场景进行削减，降低求解复杂度，减少计算量，以兼顾双层模型求解效率，保证系统运行的低碳性、经济性和可再生能源的消纳。
[0118]
在本实施例中，所述采用机理建模和数据辨识方法建立基于混合储能的热电联合系统数字孪生模型，具体包括：构建基于混合储能的热电联合系统的物理模型、逻辑模型和仿真模型；其中，所述物理模型的建立包括如下步骤：建立混合储能装置、热电联产、风电机组、电锅炉实体的物理模型；所述混合储能装置至少包括储热装置和储电装置；所述逻辑模型的建立包括如下步骤：依据基于混合储能的热电联合系统各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型，将物理模型映射至逻辑模型；所述仿真模型的建立包括如下步骤：基于采集的混合储能的热电联合系统的运行数据、状态数据、物理属性数据搭建热电联合系统仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；将所述物理模型、逻辑模型和仿真模型进行虚实融合，构建基于混合储能的热电联合系统的物理实体在虚拟空间的系统级数字孪生模型；将基于混合储能的热电联合系统的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的基于混合储能的热电联合系统的数字孪生模型；通过设置不同类型的储能装置和相应的运行策略，保证了热电联合系统消纳弃风的效果；
[0119]
在本实施例中，电锅炉仿真模型构建时，电锅炉装置可以将电能转化为热能，在分时电价的引导下实现对热负荷曲线的优化，输出热功率模型表示为：
[0120]qeb
(t)＝η
eb
p
eb
(t)；
[0121]
其中，q
eb
(t)为t时刻电锅炉输出热功率；η
eb
为制热效率；p
eb
(t)为电锅炉输入电功率；
[0122]
电锅炉出力成本表示为：
[0123]ceb
(t)＝k
eb
p
eb
(t)；
[0124]
其中，c
eb
(t)为t时刻电锅炉出力成本；k
eb
为电锅炉单位出力成本系数；
[0125]
风电机组仿真模型构建时，风电机组的输出功率表示为：
[0126][0127]
其中，p
w,t
为风电出力；v为实际风速；v
ci
、v
co
分别为切入和切出风速；p
we
为风电装机容量；vr为额定风速；
[0128]
热电联产机组仿真模型构建时，热电联产机组包括燃气轮机和余热回收装置，通过余热回收装置对余热进行回收，实现能源的梯级利用，模型表示为：
[0129][0130][0131]
其中，为热电联产机组在t时刻输出的电功率；η
gt
为热电联产机组的发电效率；为热电联产机组在t时刻输出的热功率；η
he
为热电联产机组的热转换效率；为热电联产机组在t时刻的天然气消耗量；β为天然气的低位热值；
[0132]
储能装置仿真模型建立时，储能装置在能源过剩或价格低时进行能源存储，在需求高峰时刻或价格高时进行放能，储热过程和储电过程类似，采用广义的储能模型表示为：
[0133][0134]
其中，x为能量类型，x为e表示电，x为h表示热；e
x,t 1
为充或放能后的能量；e
x,t
为充或放能前的能量；δ
x
为储能系统能量损失率；p
x,c,t
、p
x,d,t
分别为充、放能功率；μ
x
为0,1变量，μ
x
为0表示放能，μ
x
为1表示充能；e
x,min
、e
x,max
分别为最小和最大储能量；δt为1h，调度周期取24h。
[0135]
在本实施例中，所述设置热电联合系统中混合储能装置的运行策略的方法包括：在弃风时段，先启动储电装置以低价电储存电能，当储电装置达到最大功率仍然无法消纳全部弃风时，则启动电锅炉，增加电负荷谷值，同时降低热电机组电功率下限，增大风电上网空间；若电锅炉仍然无法消纳全部弃风，再启动储热装置，提高风电上网空间；在电负荷高峰、风电低发时段，储电装置放出电能，削电负荷峰值，并利用峰谷价差增加收益；同时电锅炉停止制热，储热装置放热供热负荷使用。
[0136]
需要说明的是，混合储能装置的运行策略可以依据实际进行多种场景的设置，混合储能装置也不限制于储热装置和储电装置，还可以是其他储能装置(电转气的储气装置)，设置不同储能装置的优先运行策略，实现系统的消纳弃风和低碳运行；以及在设置热电联合系统中混合储能装置的运行策略时，研究电/热混合储能协调运行策略，优先启动经济性能好的储能设备。储电效率较高，而电锅炉需要先将高品质的电能转换成低品质的热能，效率低，不经济，因此启动电储能装置消纳弃风的优先级应高于电锅炉；电锅炉可以通过两种途径消纳弃风，一方面可以填电负荷谷，另一方面可以降低热电机组热出力，从而减少热电机组的电出力，进而增大风电上网空间。储热装置消纳弃风的途径仅等等价于电锅炉消纳弃风的第一种途径，因此消纳等量的弃风电功率，所需电锅炉容量更小，效率更高，因此启动电锅炉消纳弃风的优先级应高于储热装置。
[0137]
在本实施例中，采用场景分析法描述热电联合系统中风力发电不确定性，生成若干风电模拟误差对应的风电出力场景和相应的场景概率，并采用场景削减技术对风电出力场景进行处理生成风电出力随机场景，参与热电联合系统优化调度求解，具体包括：
[0138]
采用拟蒙特卡洛方法生成风电出力场景，包括：
[0139]
将风速作为随机变量，根据其分布特性，在[0,1]区间上产生均匀分布的拟随机序列，再采用逆变换将均匀分布的拟随机序列转换成正态分布的随机数，模拟实际风电出力样本中的概率分布，建立概率密度模型，获得对应场景的概率；拟随机序列包括halton序列和sobol序列；正态分布的逆变换包括box-muller算法和moro算法；
[0140]
采用k-means聚类算法进行风电出力场景削减，包括：
[0141]
随机选取m
ε
个场景作为簇心，簇心场景集合表示为：c＝{η
εc
}(ε＝1,2,...,ms)；
[0142]
根据簇心集合，确定剩余的场景集合为：
[0143]
计算剩余场景到簇心场景的场景距离：
[0144]
根据距离矩阵d
ε,ε
′
，将剩余场景归类到距离最近的簇心；经过聚类后的集合为：ω＝{cj}(i＝1,2,...,ms)，其中cj表示同类场景集合；
[0145]
簇心计算方法：假设聚类cj中有l
ε
个场景，计算每个场景与其他场景的欧式距离之和，选取距离最小的场景为新的聚类中心；
[0146]
重复进行场景距离和簇心计算，直到簇心和聚类结果不再发生变化，则场景削减结束。
[0147]
在本实施例中，建立上层容量优化模型：基于不同混合储能装置容量组合，建立以所有随机场景下混合储能装置的投入成本和系统运行成本最小为目标函数，设置相关的约束条件，构建储能装置容量配置优化模型，包括：
[0148]
建立所有随机场景下混合储能装置的投入成本和系统运行成本最小为目标函数：
[0149][0150]
其中，l
ε
为随机场景个数，π
ε
为场景ε发生的概率；热电联合系统运行成本c
rdlh,ε
由下层调度优化模型获知；
[0151]
投资成本：c
cn,tz,ε
＝c
gl
p
gl
c
tesstes
c
dl
p
dl
c
swssw
；c
gl
为单位电锅炉容量成本；p
gl
为电锅炉的建设容量；c
tes
为储热装置的单位容量价格；s
tes
为储热装置的建设容量；c
dl
为单位储电功率成本；p
dl
为储电功率的建设容量；c
sw
为储电装置容量的单位容量价格；s
sw
为储电装置的建设容量；
[0152]
运行维护成本：c
cn,yx,ε
＝c
bat
p
bat,ε
c
ts
p
ts,ε
；c
bat
为储电装置的折旧换算费用系数；p
bat,ε
为充电或放电的功率；c
ts
为储热装置的折旧换算费用系数；p
ts,ε
为场景ε下储热装置的热功率；
[0153]
交易成本：c
cn,jy
＝c
biwbi-c
siwsi
；c
bi
、w
bi
、c
si
、w
si
分别是一天当中一个时段内的购买电价、购买电量、出售电价和出售电量；
[0154]
设置约束条件：
[0155]
储电装置剩余电量约束条件：
[0156][0157]
soc
min
≤soci≤soc
max
；
[0158]
p
bat,ε
≤p
bat,ε.max
；
[0159]
其中，soci为储电装置在任何时间点的剩余电量，soc
i-1
为前一时间点的剩余电量；η
bc,ε
、η
bd,ε
分别为场景ε下储电装置的充电与放电效率；soc
min
、soc
max
分别为场景ε下储电装置的最小和最大剩余电量；p
bat.ε，max
为场景ε下储电装置的额定功率；
[0160]
储热装置剩余电量约束条件：
[0161][0162]qi,ε
≤q
ε,max
；
[0163]
p
ts,ε
≤p
ts,ε.max
；
[0164]
其中，q
i,ε
为场景ε下储热装置在任何时间点的剩余热量；q
i-1,ε
为场景ε下前一时间点的剩余热量；η
tc,ε
、η
td,ε
分别为场景ε下储热装置的蓄热和放热效率；q
ε,max
为场景ε下储热装置的最大剩余热量；p
ts,ε.max
为场景ε下储热装置的额定功率；
[0165]
热负荷需求约束：p
t,load,ε
′
≤η
tdqt,out,ε
p
t,gl,ε
；p
t,load,ε
′
为场景ε下热负荷总需求；p
t,gl,ε
为场景ε下t时刻电锅炉功率；q
t,out,ε
为场景ε下储热装置的放热功率
[0166]
电力电量平衡约束：p
t,w,ε
＝p
t,gl,ε
p
ess,t,ε
；p
t,w,ε
为场景ε下t时刻风电计划出力；p
ess,t
为场景ε下t时刻储电装置消纳弃风功率。
[0167]
在本实施例中，建立下层调度优化模型：基于热电联合系统运行收入和成本，建立以所有随机场景下系统的收益最大化为目标函数，设置相关的约束条件，构建热电联合系统消纳弃风低碳经济运行模型，包括：
[0168]
建立以所有随机场景下系统的收益最大化为目标函数：
[0169][0170]
其中，l
ε
为随机场景个数，π
ε
为场景ε发生的概率；
[0171]
热电联产电力收入：
[0172]
其中，ce为热电联产机组的日前电价；p
t,s,ε
为场景ε下热电联产机组考虑弃风调峰后的修正计划发电出力；t为运行调度周期；δt为单位时间间隔；
[0173]
热电联产热收入：ch为热电联产机组供热单价；q
t,s,ε
为场景ε下热电联产机组和储热的总热输出功率，热电联产机组和储热的总热输出功率，为场景ε下第n台热电联产机组在t时刻发出的热出力，q
t,in,ε
为场景ε下储热装置的储热功率，q
t,out,ε
为场景ε下储热装置的放热功率；
[0174]
电力辅助调峰收入：
[0175]
其中，c
peak
为热电联产机组参与弃风消纳的调峰电价；p
t,s,ε
′
为场景ε下热电联产机组未考虑弃风调峰时的计划发电出力；p
t,c,ε
和p
t,d,ε
分别为场景ε下储电装置充电功率和放电功率；
[0176]
蓄热收入：i
tes,ε
＝c
peak
βq
t,tes,ε
；
[0177]
其中，q
t,tes,ε
为场景ε下储热装置每日最终储热量；β为热电联产机组的热电比；
[0178]
售电收入：i
dl，ε
＝c
dlwsz,ε
；c
dl
为系统向电网的售电电价；w
sz,ε
为消纳弃风总电量；
[0179]
热电联产机组运行成本为：
[0180][0181]
其中，为场景ε下第n台热电联产机组在t时刻发出的电出力；为场景ε下第n台热电联产机组在t时刻发出的热出力；n为热电联产机组总数；ε
chp
为热电联产机组的燃料成本系数；γ
p
和γh分别表示热电联产机组发出单位电出力和单位热出力所消耗的燃料；
[0182]
风电运行维护成本为：
[0183]
t为第t个时段；kw为风电运行维护成本系数；p
t,w,ε
为场景ε下t时刻风电计划出力；
[0184]
系统碳排放交易成本为：
[0185]
基于风电机组和热电联产机组的实际碳排放量和碳排放权配额量计算碳排放交易成本，表示为：c
carbon
为碳排放交易总成本；p
carbon
为碳交易价格；为机组实际碳排放量；为机组碳排放权配额量；
[0186]
σj为风电机组碳排放强度；为场景ε下第j台风电机组电出力；σn为热电联产机组电功率碳排放强度；s为风电机组总数；q为电功率碳排放配额；
[0187]
弃风惩罚成本为：
[0188]
当风机出力达到系统上限时将出现弃风，弃风惩罚成本表示为：υw为弃风惩罚系数；p
t,w,ε
′
为场景ε下t时刻风电实际出力；
[0189]
设置热电联合系统的约束条件：
[0190]
电功率平衡约束：p
t,gl,ε
为场景ε下t时刻电锅炉功率；p
t,load,ε
为场景ε下t时刻电负荷需求；
[0191]
热功率平衡约束：η
ch
为电锅炉效率；p
t,load,ε
′
为场景ε下热负荷总需求；
[0192]
热电联产机组相关约束：包括热电机组出力约束：热电联产机组相关约束：包括热电机组出力约束：为场景ε下热电联产机组最大热出力；热电机组爬坡约束：-rd
n,ε
≤p
t,s,ε-p
t-1,s,ε
≤ru
n,ε
；-rd
n,ε
、ru
n,ε
分别为场景ε下热电联产机组n的上下爬坡率；
[0193]
储电装置运行约束：e
t,es
≤e0；e
min
≤e
t,es
≤e
max
；e
t,es
为每日结束时的储电量；e0为
期望初始储电装置容量；e
max
、e
min
分别为储电装置的容量上限和下限；
[0194]
储热装置运行约束：0≤q
t,tes,ε
≤q
tes,ε,max
；q
t,in
≤q
in,ε_max
；q
t,out
≤q
out,ε_max
；q
tes,ε,max
为场景ε下储热量最大值；q
in,ε_max
为场景ε下储热装置最大储热功率；q
out,ε_max
为场景ε下储热装置最大放热功率。
[0195]
碳排放量的计算与机组电出力息息相关，由于热电机组的输出包括电能和热能两种形式，因此计算热电机组的碳排放量和碳排放权配额量时需将供热量转换为等效的电量，并引入碳排放强度来衡量机组碳排放的能力大小，碳排放强度越高，表示机组在同等环境中将会释放越多的碳排放量，而碳排放权配额量主要取决于区域允许的碳排放水平，根据机组电出力大小分配不同的配额量；在上层优化模型的建立中，不仅考虑热电联产收入、调峰收入、蓄热收入、售电收入和热电联产运行成本、风电运行维护成本，还考虑了系统碳排放交易成本、弃风惩罚成本，构建了低碳环境下的热电联合系统消纳弃风优化运行模型，有利于降低热出力和弃风率，且在碳排放交易机制的作用下可优先降低碳排放强度较高的热电机组电出力，使总煤耗减少，可在提高风电消纳水平的同时又能满足低碳的要求。
[0196]
在本实施例中，所述上下层模型交互求解：对所述储能装置容量配置优化模型和热电联合系统消纳弃风低碳经济运行模型进行双向交互求解，获得热电联合系统最优运行方案和储能装置最佳配置容量，包括：
[0197]
求解储能装置容量配置优化模型获得储能装置容量配置信息；
[0198]
将相应储能装置容量配置信息作为下层调度优化模型的决策变量，求解热电联合系统消纳弃风低碳经济运行模型获得最优运行方案，并返回上层容量优化模型；
[0199]
上层容量优化模型根据反馈的最优运行方案重新计算目标函数中的系统运行成本，更新适应度函数，重新进行迭代寻优，根据最优运行方案和储能装置容量配置信息获得储能装置最佳配置容量。
[0200]
在本实施例中，所述上层容量优化模型和下层调度优化模型的求解采用的算法包括：粒子群优化算法、鲸鱼算法、遗传算法、混合整数规划方法。
[0201]
在实际的应用中，所述求解储能装置容量配置优化模型获得储能装置容量配置信息，包括：
[0202]
对鲸鱼算法进行改进，包括：在螺旋更新位置机制中嵌入二次插值法；将收缩包围机制替换为随机的长短搜索步长交替的levy飞行策略；
[0203]
根据约束条件随机产生初始鲸鱼种群，把随机生成的n个鲸鱼作为初始鲸群，把鲸鱼个体所处空间位置作为容量配置的决策变量；
[0204]
利用容量配置优化模型中的目标函数，计算鲸群中每个个体适应度值，并找到和保存当前群体中最佳鲸鱼个体位置；
[0205]
根据参数取值的不同进行鲸鱼群体位置更新，当小于迭代次数时，更新每一个鲸群个体的参数：a,a,b,l,p1,p2；检查是否有任何鲸鱼个体更新后的位置超越了搜索空间，对超越搜索空间的鲸鱼位置进行修正；鲸群位置的更新包括：当随机参数p1＜0.5，且|a|＜1时，采用环绕式捕食机制更新鲸鱼个体的位置；当p1＜0.5，且|a|≥1时，采用改进的收缩包围机制更新当前的鲸鱼个体的位置；当随机参数p1≥0.5，p2≥0.6时，采用二次插值法更新机制；当随机参数p1≥0.5，p2＜0.6时，采用螺旋更新位置机制；
[0206]
通过目标函数计算更新后的每个鲸群个体的适应度值，找到和保存群体中最佳鲸
鱼个体，判断是否满足目标函数最优解，若满足，则输出最优鲸鱼个体的空间位置及其所对应的适应度值，即为容量配置优化的最优解；否则，重新进行下一迭代。在对上层和下层优化模型求解的过程中，分别设计了改进的遗传算法和改进的鲸鱼算法，相比于传统的遗传算法和鲸鱼算法，能够明显加快目标函数收敛，全局寻优能力强，提高计算精度。
[0207]
需要说明的是，嵌入二次插值法可以提高算法的开发能力，对有潜力的空间进行精细搜索。另外，结合具有自适应步长的levy飞行的随机搜索的特点，使算法可以跳出局部最优，进行全局搜索，克服原始鲸鱼优化算法容易陷入局部最优导致早熟收敛且寻优结果精度低的问题。上层优化模型和下层优化模型之间存在一定的交互关系，下层优化模型中获得的容量配置最优解输入至上层优化模型中，依据容量配置进行热电联合系统消纳弃风低碳经济运行模型的求解，获得系统低碳运行下的设备运行状态和工作参数，两层优化模型相互影响，通过交互求解，获得系统最优运行参数。
[0208]
在实际的应用中，所述求解热电联合系统消纳弃风低碳经济运行模型获得最优运行方案的方法包括：
[0209]
对遗传算法进行改进，包括：操作算子改进：计算个体适应度值，将轮盘赌选择法与最优保存策略相结合，保留优秀个体；交叉、变异改进：用动态变化的交叉概率策略取代传统的固定交叉概率，再将种群中个体之间的交叉重组；采用自适应变异概率策略，对种群中的个体进行变异操作；
[0210]
对热电联合系统的相关参数进行设置，至少包括风电机组、热电联产机组、储能装置、电价、负荷信息参数；
[0211]
设置种群规模、最大迭代次数，采用改进的选择操作算子方法获得个体，判断个体的适应度值是否满足迭代终止条件，若已达到最大迭代次数，则解码获得适应度值的最优个体；否则，继续迭代；
[0212]
采用改进的交叉、变异策略计算交叉概率、变异概率；
[0213]
执行选择、交叉、变异操作，产生新一代种群，重新进行迭代；
[0214]
当迭代后已获得适应度值的最优个体以及达到最大迭代次数时，输出目标函数最小值，获得热电联合系统消纳弃风的最优控制策略。
[0215]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0216]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0217]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以
存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0218]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。