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

技术特征：
1.一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，其特征在于，包括：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进行消纳弃风的运行策略；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；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；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；上下层模型交互求解：对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。2.如权利要求1所述的热电联合系统优化调度方法，其特征是在于，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：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：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；所述混合储能装置包括：储热装置和储电装置；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；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系统级数字孪生模型，采用反向辨识方法对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。3.如权利要求2所述的热电联合系统优化调度方法，其特征是在于，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：q
eb
(t)＝η
eb
p
eb
(t)；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；电锅炉出力成本表示为：c
eb
(t)＝k
eb
p
eb
(t)；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；风电机组仿真模型构建时，风电机组的输出功率表示为：
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；v
r
为额定风速；热电联产机组仿真模型构建时，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；储能装置仿真模型建立时，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。4.如权利要求3所述的热电联合系统优化调度方法，其特征是在于，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。5.如权利要求4所述的热电联合系统优化调度方法，其特征是在于，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：采用拟蒙特卡洛方法生成风电出力场景，包括：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；采用k-means聚类算法进行风电出力场景削减，包括：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,...,m
s
)；
根据簇心集合，确定剩余的场景集合为：计算剩余场景到簇心场景的场景距离：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＝{c
j
}(i＝1,2,...,m
s
)，其中c
j
表示同类场景集合；簇心计算方法：假设聚类c
j
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；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。6.如权利要求5所述的热电联合系统优化调度方法，其特征是在于，所述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：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：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；投资成本：c
cn,tz,ε
＝c
gl
p
gl
c
tes
s
tes
c
dl
p
dl
c
sw
s
sw
；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；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；交易成本：c
cn,jy
＝c
bi
w
bi-c
si
w
si
；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；设置约束条件：储电装置剩余电量约束条件：soc
min
≤soc
i
≤soc
max
；p
bat,ε
≤p
bat,ε.max
；其中，soc
i
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；储热装置剩余电量约束条件：
q
i,ε
≤q
ε,max
；p
ts,ε
≤p
ts,ε.max
；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；热负荷需求约束：p
t,load,ε
′
≤η
td
q
t,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。7.如权利要求6所述的热电联合系统优化调度方法，其特征是在于，所述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：建立以所有随机场景下系统的收益最大化为目标函数：其中，l
ε
为随机场景个数，π
ε
为场景ε发生的概率；热电联产电力收入：其中，c
e
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；热电联产热收入：c
h
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，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；电力辅助调峰收入：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；蓄热收入：i
tes,ε
＝c
peak
βq
t,tes,ε
；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；售电收入：i
dl，ε
＝c
dl
w
sz,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；热电联产机组运行成本为：
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γ
h
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；风电运行维护成本为：t为第t个时段；k
w
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；系统碳排放交易成本为：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；σ
j
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；σ
n
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；弃风惩罚成本为：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：υ
w
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；设置热电联合系统的约束条件：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；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；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；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；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。8.如权利要求7所述的热电联合系统优化调度方法，其特征是在于，
所述上下层模型交互求解：对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：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；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；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。9.如权利要求8所述的热电联合系统优化调度方法，其特征是在于，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。

技术总结
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，包括：建立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进行消纳弃风的运行策略；采用场景分析法生成若干风电模拟误差对应的风电出力场景和相应场景概率后，再进行场景削减生成风电出力随机场景；建立上层容量优化模型：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，构建储能装置容量配置优化模型；建立下层调度优化模型：建立以所有随机场景下系统的收益最大化为目标函数，构建热电联合系统消纳弃风低碳经济运行模型；上下层模型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。置最佳配置容量。


技术研发人员：时伟 穆佩红 刘成刚 谢金芳
受保护的技术使用者：浙江英集动力科技有限公司
技术研发日：2022.01.29
技术公布日：2022/5/20