技术领域
[0001] 本发明属于优化技术领域，尤其涉及CCHP综合能源系统优化技术领域。
相关背景技术
[0002] 面向“十四五”规划，为推进国家“双碳”战略目标的实现，我国新能源装机占比将不断提高。特别是以风力发电和光伏发电为代表的可再生能源发电方式发电成本低，环境污染小，在未来能有效缓解环境污染和能源短缺问题。然而，近年来随着新能源发电比重的不断攀升，新能源发电并网给电力系统带来的挑战也日益加剧。新能源发电易受环境的影响，并网后给电力调度部门增加了较重的调峰、调频压力，给电网安全稳定运行带来严重威胁，导致出现严重的消纳困难、弃风、弃光现象。
[0003] 冷热电联供系统(combined cooling heating and power，CCHP)同时提供电能、热能、冷能，实现能量的梯级利用并减少污染气体的排放。将可再生能源融入CCHP系统中，形成综合能源系统的典型应用，是提高各种能源利用率和可再生能源渗透率的重要途径。对CCHP综合能源系统中各种设备容量进行合理的优化配置可实现多种能源的互补协调，能扩大可再生能源消纳空间。
[0004] 目前，相关技术人员对于CCHP综合能源系统优化的研究主要集中于综合能源系统中可再生能源与常规能源的互补协调供能和容量配置与运行的协同优化，但其优化模型中未同时考虑具体的经济指标、可再生能源消纳指标和用户满意度指标，未能从促进新能源多元消纳的角度提升CCHP综合能源系统的整体性能。
[0005] 因此，考虑新能源消纳的CCHP综合能源系统优化方法是本领域技术人员亟需解决的问题。
具体实施方式
[0012] 1、CCHP综合能源系统组成及各单元模型
[0013] 含CCHP的综合能源系统构架和能量流如图1所示。CCHP中主要单元包括风机(Wind power plant，WPP)、光伏(Photovoltaic，PV)、电储(Electricity storage，ES)、燃气轮机(Conventional gas turbine，CGT)与余热回收及余热发电装置组成的热电联产(Combined heating and power，CHP)系统、燃气锅炉(Gas boiler，GB)、储热罐(Heart storage，HS)、吸热式制冷机(Thermal refrigerator，TR)、电制冷机组(Air conditioner，AC)，外部气源和公用电网，以及冷‑热‑电负荷。
[0014] (1)分布式能源机组出力模型
[0015] 风电机组输出功率与其性能、风速相关，输出功率与风速之间的关系可用下式描述：
[0016]
[0017] 式中:PWT,k,t，vk,t分别为第k台风电机组在t时段的实际输出功率和风电机组所处地理位置的实际风速； 和 分别为第k台风电机组的额定风速、切入风速和切出风速。
[0018] 光伏发电机组的输出功率主要跟光照强度、环境温度相关，其出力模型如下所示为：
[0019]
[0020] 式中：gPV,t表示第t时段的光伏机组出力；SPV,t表示第t时段的光照强度；gSTC表示标准测试条件下的最大出力；Tc,t表示电池板第t时段的工作温度；Tr表示参考温度；TWSTC、λ表示性能参数。
[0021] (2)电储/热储模型
[0022] 蓄电池储能系统(Energy Storage，ES)存在充电状态、放电状态、停运状态二种运行状态，蓄电池充放电是一个动态过程，本专利从蓄电池的储能量及充放电功率方面建模。蓄电池储能量的变化与蓄电池的充放电功率、效率有关，蓄电池采用动态的数学模型为：
[0023] EES(t+1)＝EES(t)(1‑σES)+PES,c(t)ηES,cΔt‑PES,d(t)Δt/ηES,d (3)[0024] 式中EES(t+1)、EES(t)分别为t+1、t时刻的蓄电池的储能量(kWh)；PES，c(t)、PES，d(t)分别为t时刻蓄电池的充电、放电功率(kW)；ηES.c、ηES.d分别为蓄电池的充电、放电效率；σES为蓄电池自身放电率；Δt为t+1、t时刻间隔，即充放电用时(h)。
[0025] 储热装置(Heat Storage，HS)蓄电池储能系统类似，存在储热、放热、停运三种工作状态，蓄热装置的储放热是一个动态过程，蓄热装置中热量变化与蓄热装置储放热功率、储放热效率有关，处于能量动态平衡状态，其数学模型为：
[0026] EHS(t+1)＝EHS(t)(1‑σHS)+PHS,c(t)ηHS,cΔt‑PHS,d(t)Δt/ηHS,d (4)[0027] 式中EHS(t+1)、EHS(t)分别为t+1、t时刻蓄热装置的储热量(kWh)；PHS，c(t)、PHS,d(t)分别为t时刻蓄热装置的蓄热、放热功率(kW)；ηHS.c、ηHS.d分别为蓄热装置的蓄热、放热效率；σHS为蓄热装置自身热损失系数；Δt为t+1、t时刻间隔，即储放热用时(h)。
[0028] (3)燃气轮机模型
[0029] 天燃气在进入燃气轮机燃烧室后，通过燃烧产生热蒸汽推动涡轮机做功，而排出的热气可以通过热回收器向用户提供热能，从而实现能源的梯级利用，提高能源综合利用效率，燃气轮机可提供的供电出力和供热出力计算如下：
[0030] gCGT,t＝VCGT,tHngηCGT,t (5)
[0031] QCGT,t＝VCGT,t(1‑ηCGT,t‑ηloss)ηhr (6)
[0032] 式中：gCGT,t、QCGT,t分别表示燃气轮机的供电功率和供热功率；VCGT,t表示燃气轮机的天然气消耗量；Hng表示天然气的热值；ηCGT,t为CGT的发电效率；ηloss为能力损耗率；ηhr表示CGT的热回收效率。
[0033] (4)燃气锅炉模型
[0034] 燃气锅炉通过燃烧燃气产生热能供给热负荷，与燃气轮机以及热储共同实现CCHP的热能供给，其出力模型如下式所示：
[0035]
[0036]
[0037] 式中： 表示第t时段GB的热出力；TFGB,t表示第t时段GB的燃耗量；λGB表示锅炉热效率； 分别表示GB的最小及最大热出力。
[0038] (5)电制冷机组模型
[0039] AC通过转换电能产生冷能供给冷负荷，与TR共同实现CCHP的冷能供给，其制冷量公式为：
[0040]
[0041] 式中： gAC,t分别表示在t时段内AC的制冷出力和用电功率，λAC表示AC的制冷效率。
[0042] (6)吸热式制冷机组模型
[0043] CGT、GB等设备排出的高温余热烟气通过TR推动压缩机进行制冷，TR的制冷出力公式为：
[0044]
[0045] 式中： gTR,t分别表示在t时段内TR的制冷出力和用电功率，λTR表示TR的制冷效率。
[0046] 2、考虑冷热电气互补的新能源消纳优化模型
[0047] (1)目标函数
[0048] 为了优化系统对新能源发电的消纳能力，建立的目标函数主要考虑三方面包括系统运行成本、清洁能源弃用量以及用户用电满意度。目标函数如下：
[0049] 1)运行成本
[0050] CCHP的源‑荷‑储优化运行的目标是在保证内部系统正常使用、外部业务合理开展的情况下，CCHP的总运行费用最小。目标函数记为：
[0051]
[0052] 式中：Cop表示运行总成本； 表示第t时段购买燃气费用； 表示第t时段CCHP与外部电网电能交互成本； 表示第t时段运行维护成本。
[0053] ①燃气成本
[0054] 燃气成本计算公式为：
[0055]
[0056] 式中：pgas,t表示第t时段天然气价格；Hgas表示燃气热值。
[0057] ②电网交互成本
[0058] 电网交互成本计算公式为：
[0059]
[0060] 式中：ppower,t表示第t时段CCHP向电网购电/售电的出清电价；gpower,t表示第t时段CCHP向电网购电/售电功率，正值代表购入，负值代表售出。
[0061] ③运行维护成本
[0062] 运行维护成本可分为变动运维成本和固定运维成本两部分，变动运维成本与能量供给量动态相关，运行维护成本计算公式为：
[0063]
[0064] 式中： 分别表示第t时段的电、热、冷负荷； 表示CCHP系统的单位时平均变动运维成本； 表示CCHP系统的时平均固定运维成本。
[0065] 2)清洁能源弃用量
[0066] 本专利以清洁能源弃用量最小为优化目标，以此代表清洁能源的消纳效果。调度周期内清洁能源的弃用量是指预测的每日清洁能源出力减去新能源实际优化出力。以新能源弃用量最小为目标函数，可表示为：
[0067]
[0068] 式中，F1表示电网在全时段的新能源的弃用量；PW,t,forecast表示t时段的日前风电预测力；PW,t表示t时段风电的实际出力；PS,t,forecast表示时段t的日前光伏发电预测出力；PS,t表示t时段光伏发电的实际出力。
[0069] 3)用户满意度
[0070] 用户满意度水平为：
[0071]
[0072] 式中，F2为用户满意度水平； 和 分别为系统可转移的电负荷、热负荷和冷负荷，取值大于0表示负荷转出，小于0表示负荷转入；Pe(t)、Ph(t)和Pc(t)分别为系统实际电、热和冷负荷需求。
[0073] (2)运行约束
[0074] CCHP运行约束主要包括电能平衡约束、热能平衡约束、冷平衡约束以及CCHP各种设备的运行约束，以及系统设备爬坡速率约束。
[0075] 1)冷平衡约束
[0076]
[0077] 2)热能平衡约束
[0078]
[0079] 式中： 表示第t时段HS的储热量。
[0080] 3)电能平衡约束
[0081]
[0082] 式中：gWPP,t表示第t时段WPP的出力；gES,t表示第t时段ES的储电量。
[0083] 4)设备出力约束
[0084] Pi,min≤Pi≤Pi,max (20)
[0085] 式中：Pi,min、Pi,max分别为系统设备输出功率最小值、最大值。
[0086] 4)系统设备爬坡速率约束
[0087] 系统设备在出力增加时，出力增加的速率要小于最大向上爬坡速率；设备在出力下降时，出力减少的速率要小于最大向下爬坡速率。
[0088] ‑Ri,down≤Pi(t)‑Pi(t‑1)≤Ri,up (21)
[0089] 式中：Pi(t)、Pi(t‑1)分别为t时刻、t‑1时刻设备的输出功率；Ri,down、Ri,up分别为设备i最大向下爬坡速率、最大向上爬坡速率。
[0090] 3、多目标优化模型求解算法
[0091] 本发明求解新能源消纳多目标优化问题，采用NBI法处理多目标规划，将多目标优化问题转化为一系列单目标优化问题，进而利用自适应免疫遗传算法求解单目标优化问题，得到Pareto前沿上均匀分布的最优解，再基于模糊隶属度决策出折中最优解，具体求解步骤参见图2
[0092] (1)NBI法求解多目标优化问题
[0093] 采用NBI法求解本专利建立的3目标优化问题，可先将式(1)～式(21)描述的多目标优化模型简化为：
[0094]
[0095]
[0096] 式中：x为各时段决策变量构成的向量；g(x)、h(x)为模型中等式和不等式约束；h(x)为模型中不等式约束的上下限。
[0097] 当分别仅考虑其中一个目标进行单目标优化时，可得到最优解x1*、x2*、x3*∈C，对1* 1* 1* 1* 2* 2* 2* 2*
应于目标空间坐标系下的点f [f1(x ),f2(x ),f3(x )]、f [f1(x ),f2(x ),f3(x )]和
3* 3* 3* 3*
f [f1(x ),f2(x ),f3(x )]。在3个目标函数构成的三维坐标空间中，规格化后的点和 构成Pareto前沿的端点，它们确定的平面为乌托邦面。形成Pareto前沿的步骤为：
[0098] 1)目标规格化。考虑到各目标函数的量纲和数量级不同，对其进行规格化处理，以第i个目标函数为例：
[0099]
[0100] 式中：fi、 为目标的原始值与规格化值；fimax、fimin为单目标i寻优时目标在fi1* 2* 3*
(x )、fi(x )和fi(x )中的最大、最小值。
[0101] 2)乌托邦面上均匀取点。在三维坐标系中，3个基点的线性组合可表示任一点。因此，乌托邦面上的任一点Pj可由端点 和 的线性组合表示：
[0102]
[0103] 式中：δij为线性组合系数；m为生成乌托邦面上均匀点的数量；H为分段数。满足式(26)的所有线性组合构成乌托邦面上的均匀点集合，H越大，生成的均匀点越多。
[0104] 3)求Pareto最优解。通过在乌托邦面上均匀的选择m个点，并求解每个点沿准法线方向与目标函数空间对应可行域边界的交点，多目标优化问题可转化为m个单目标优化问题：
[0105]
[0106] 式中：Dj为可行域中乌托邦面上选取的均匀分布的点Pj沿准法线方向所达到的距离，最大化Dj即可确定Pareto前沿上的点；g2(x,Dj)为采用NBI法后，沿着准法线方向与乌托邦面上点Pj距离为Dj的点在三维空间的3个坐标值表达式。
[0107] 本专利采用自适应免疫遗传算法求解转化后的单目标优化问题，随着对m个单目标优化问题的遍历，可得到一系列Pareto最优解。由于乌托邦面上选取的m个点是均匀分布的，因此求解得到的Pareto最优解在前沿面上也是均匀分布的。
[0108] (2)基于模糊隶属度的多目标决策
[0109] 结合本专利优化目标，以各时段电网和气网出力、机组的出力和分配系数作为决策变量，通过NBI算法得到Pareto最优前沿后，使用模糊隶属度函数来评价决策者对各非劣解的综合满意度，选取综合隶属度最大的作为折衷解。定义模糊隶属度函数为：
[0110]
[0111]
[0112] 式中：fj为j第个目标函数值； 为第j个目标函数的最小值和最大值；U为每个目标函数的综合隶属度。
[0113] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
