一种园区综合能源系统风光消纳日前优化调度方法及装置

1.本发明涉及新能源控制技术领域，具体是一种园区综合能源系统风光消纳日前优化调度方法及装置。


背景技术：

2.近年来，能源危机和环境污染问题已成为全世界当前所需解决的一大难题，以风光发电为主的可再生新能源逐渐发展应用到社会中。大型工业园区作为主要碳排来源之一，园区内引入风光新能源发电系统以减少碳排量已成为必然趋势，然而，由于风电和光伏系统具有一定的随机性和波动性，导致其弃风弃光现象较为严重，新能源的利用率不高。因此，针对含有风光发电系统的工业园区综合能源系统,如何进行有效的综合能源系统日前优化调度，解决系统的风光消纳问题，降低系统运行成本、提高园区经济收益，就显得非常重要了。
3.但当前针对含有风、光双系统的综合能源系统进行风光消纳研究的较少，且针对p2g设备的引用，大多也只是放在风电系统中，在考虑电、冷、气多能耦合的系统中应用较少。因此，针对含有风光系统的电-气-冷多能耦合综合能源系统，引入p2g设备后，如何进行日前设备功率调度优化，实现设备调度配合的合理性与高效性，解决系统风光消纳问题，就显得非常重要了。


技术实现要素：

4.本发明所要解决的问题是提供一种基于p2g设备的园区综合能源系统风光消纳优化调度方法及装置，确定综合能源系统设备调度配合最优方案，为综合能源系统的高效合理运行提供技术支持。
5.根据本发明的第一方面，一种园区综合能源系统风光消纳日前优化调度方法，其特征在于，包括以下步骤：
6.s1：引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；
7.s2：建立综合能源系统框架模型；
8.s3：以解决风光消纳和有效调度各设备功率分配为目标，构建相对应的系统模型及约束条件；
9.s4：根据日前数据与优化目标，引入粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；
10.s5：对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。
11.优选地，步骤s1中，所述日前相关数据信息包括：光照强度日前数据、风速日前数据、实时电价日前数据、气价日前数据；所述综合能源系统日前数据包括：光伏出力日前数据、风机出力日前数据、综合能源系统电负荷数据以及冷负荷数据；
12.优选地，步骤s1具体包括：
13.s1.1：针对具有信息交互端，能够与天气预测中心、电力公司以及气价公司进行信息交互传输的智能电网，综合能源系统依靠智能电网从相关公司交互获取相关光照强度日前数据、风速日前数据、实时电价日前数据以及气价日前数据；
14.s1.2：获取日前相关数据信息后，综合能源系统根据所建立的风光出力模型，获取综合能源系统日前风光出力数据，并通过相关负荷监控器获取综合能源系统日前冷、电负荷需求数据信息。
15.优选地，步骤s2中，所述综合能源系统框架模型包括：风力发电系统模型、光伏发电系统模型、燃气内燃机系统模型、溴化锂吸收式制冷机系统模型、余热回收装置系统模型、储冷装置系统模型、p2g设备系统模型。
16.优选地，所述光伏发电系统模型的数学表达式为：
[0017][0018]
式中：p
pv
(t)为光伏系统的总输出功率；g(t)为当天实时光照强度；gv为标准测试环境(1000w/m2、25℃)下的光照强度；pv为标准测试环境下单个光板的最大输出功率；s为板块总数量；
[0019]
所述风力发电系统模型的数学表达式为：
[0020][0021]
pz＝p
pv
+p
wt
[0022]
式中：p
wt
为风机出力；vi、vr、vo分别为风力发电机的切入风速、额定风速、切出风速；vw为实时风速；pr为额定功率；pz为每时刻风光系统有功功率总和；
[0023]
所述燃气内燃机系统模型的数学表达式为：
[0024]
p
ge
＝g
gas
β
ge
[0025]qge
＝g
gas
β
re
[0026]
式中：p
ge
为燃机产生的电能，kwh；g
gas
为天然气流量，m3/h；β
ge
为内燃机的电能转换效率；q
ge
为燃机发电过程中产生的可用余热；β
re
为内燃机余热回收效率；
[0027]
所述溴化锂吸收式制冷机系统模型的数学表达式为：
[0028]qbl
＝q
bl
β
bl
[0029]
式中：q
bl
为溴化锂机组的制冷量；q
bl
为溴化锂机组制冷所吸收消耗的热量；β
bl
为溴化锂制冷机的转换效率；
[0030]
所述余热回收装置系统模型的数学表达式为：
[0031]qback
＝q
ge
β
back
[0032]
式中：q
back
为余热回收装置产生的热量；q
ge
为余热回收装置从内燃机处吸收的热量；β
back
为余热回收装置的能量回收效率；
[0033]
所述储冷装置系统模型的数学表达式为：
[0034][0035]
式中：q
rc
(0)为储冷装置初始量；qc为储冷装置当前冷能存储量；q
rc
(t)为储冷装置t时刻所存储的冷能；β
inc
为存储冷能的效率；；θ
in
为充能阶段判定；θ
out
为放能阶段判定；q
uc
(t)为储冷装置t时刻所释放的冷能；β
outc
为释放冷能的效率；q
l
为储冷装置能量逸散的效率；δt为单位时间；
[0036]
所述p2g设备系统模型的数学表达式为：
[0037][0038]
式中：g
p2g
(t)为p2g设备产生的天然气流量；p
p2g
(t)为p2g设备消耗的电功率；β
p2g
为p2g设备的电转气效率；r(t)为低位热值。
[0039]
优选地，步骤s3中，分别以解决风光消纳和有效调度各设备功率分配为目标时，所考虑的约束条件包括：
[0040]
功率平衡等式约束：
[0041]
p
load
(t)+p
bl
(t)+p
p2g
(t)＝pz(t)+p
ge
(t)+ps(t)-p
grid
(t)
[0042]
式中：p
load
(t)为智能工厂正常运营时的基础负荷需求；p
bl
(t)为溴化锂系统制冷所耗电量；p
p2g
(t)为p2g设备产生天然气所耗电量；pz(t)为风光合作出力有功功率；ps(t)为系统中储能单元输出或者吸收的有功功率；p
grid
(t)为工厂向主网的卖电功率，p
ge
(t)为燃机产生的电能；
[0043]
冷平衡等式约束：
[0044]qbl
(t)+qc(t)＝q
load
(t)
[0045]
式中：q
bl
(t)为溴化锂产生的冷能；qc(t)为储能系统的冷能交换量；q
load
(t)为园区所需的冷能需求；
[0046]
天然气平衡等式约束：
[0047]ggrid
(t)+g
p2g
(t)＝g
ge
(t)
[0048]
式中：g
grid
(t)为气网传送的天然气流量；g
p2g
(t)为p2g设备产生的天然气流量；g
ge
(t)为内燃机发电消耗的天然气流量；
[0049]
热量消耗约束：
[0050]qbl
≤q
back
≤q
ge
[0051]
式中：q
bl
为溴化锂机组的制冷量，q
back
为余热回收装置产生的热量，q
ge
为燃机发电过程中产生的可用余热；
[0052]
主网传输线交换功率安全约束：
[0053]-p
line,max
≤p
grid
≤p
line,max
[0054]
式中：p
line,max
为传输线允许的最大交换功率，p
grid
为工厂向主网的卖电功率。
[0055]
电力储能设备约束：
[0056][0057]
式中：p
s,max
(t)为储能充放电允许的最大交换功率；soc1表示蓄电池的荷电状态；soc1
max
为蓄电池最大荷电量；soc1
min
为蓄电池最小荷电量；λ1
max
表示一天内允许最大充放电次数；λ1(t)为蓄电池每一时刻的充放电状态；ps(t)为系统中储能单元输出或者吸收的有功功率；
[0058]
储冷设备约束：
[0059][0060]
式中：q
cs,max
(t)为储冷设备允许的最大冷能交换量；soc2
max
为储冷设备最大荷电量；soc2
min
为储冷设备最小荷电量；λ2
max
表示一天内允许最大充放冷能次数；λ2(t)为储冷设备每一时刻的充放电状态；soc2为储冷设备当前的存储量；λ2
max
表示一天内允许最大充放冷能次数；
[0061]
内燃机设备运行功率约束：
[0062]
0.75p
ge,max
(t)≤p
ge
(t)≤p
ge,max
(t)
[0063]
式中：p
ge,max
为内燃机设备允许的最大运行功率；
[0064]
溴化锂设备运行功率约束：
[0065]
0.7p
bl,max
(t)≤p
bl
(t)≤p
bl,max
(t)
[0066]
式中：p
bl,max
为溴化锂设备允许的最大运行功率；
[0067]
p2g设备运行功率约束：
[0068]
0≤p
p2g
(t)≤p
p2g,max
(t)
[0069]
式中：p
p2g,max
为p2g设备允许的最大运行功率。
[0070]
优选地，步骤s4中，所述优化算法为粒子群优化算法，并引入变异算法进行算法改进，系统设配功率调度配合策略中包含了对储能系统充放电功率、工厂与主网之间交换功率、燃气内燃机输出功率、溴化锂制冷机输出能量、储冷设备充放冷能、p2g设备消耗功率的调度策略研究。
[0071]
优选地，步骤s5中，对各设配功率调度配合进行分配合理性分析包括：系统风光消纳能力、系统功率供需平衡分析、系统冷能供需平衡分析、电力储能和冷储能系统的实际充放电次数以及储能容量变化、主电网功率交换量。
[0072]
根据本发明的第二方面，一种园区综合能源系统风光消纳日前优化调度装置，包括以下模块：
[0073]
数据获取模块，用于引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；
[0074]
综合能源系统模型构建模块，用于建立综合能源系统框架模型；
[0075]
目标约束模块，用于以解决风光消纳和有效调度各设备功率分配为目标，构建相对应的系统模型及约束条件；
[0076]
优化调度策略模块，用于根据日前数据与优化目标，结合粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；
[0077]
合理性分析模块，用于对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。
[0078]
优选地，所述综合能源系统框架模型包括：风力发电系统模型、光伏发电系统模型、燃气内燃机系统模型、溴化锂吸收式制冷机系统模型、余热回收装置系统模型、储冷装置系统模型、p2g设备系统模型。
[0079]
本发明提供的技术方案具有以下有益效果：
[0080]
1)本发明考虑引入p2g设备，p2g设备消耗电与co2产生天然气，提升了系统的风光消纳能力，降低了系统的碳排放量，推动综合能源系统的绿色低碳发展运行，同时降低了系统的购气成本，提升了系统的经济效益。系统运行以某典型园区为例，增加了系统的实际应用，更符合现实系统的需求；
[0081]
2)本发明考虑了引入变异算法对传统粒子群优化算法进行改进，得到综合能源系统设配功率调度配合最优策略，优化后，解决了系统原有的风光不完全消纳问题，提升了系统各设备间功率调度配合的合理性与高效性，并对系统各设配功率调度配合结果进行合理性分析，增加该发明的真实性与适用性，可用于实际项目系统。
附图说明
[0082]
下面将结合附图及实施例对本发明作进一步说明，附图中：
[0083]
图1是本发明实施例一种园区综合能源系统风光消纳日前优化调度方法的流程图；
[0084]
图2是本发明实施例综合能源系统模型架构图；
[0085]
图3是本发明实施例综合能源系统信息流模型架构图；
[0086]
图4是本发明实施例系统结构与算法关联图；
[0087]
图5是本发明实施例变异粒子群优化流程图；
[0088]
图6是本发明实施例风速光强日前数据图；
[0089]
图7是本发明实施例风光日前出力数据图；
[0090]
图8是本发明实施例一天内的实时电价图；
[0091]
图9是本发明实施例系统日前功率调度图；
[0092]
图10是本发明实施例系统供电平衡图；
[0093]
图11是本发明实施例溴机耗电局部图；
[0094]
图12是本发明实施例系统供冷设备调度图；
[0095]
图13是本发明实施例系统供冷平衡图；
[0096]
图14是本发明实施例系统供气平衡图；
[0097]
图15为本发明一种园区综合能源系统风光消纳日前优化调度装置的结构示意图；
[0098]
图16为本发明一种电子设备的结构示意图。
具体实施方式
[0099]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
[0100]
参见图1，本发明提出一种基于p2g设备的工业园区综合能源系统风光消纳日前优化调度方法，该方法考虑引入p2g设备，以解决由风光系统出力不确定性带来的综合能源系统供需不平衡问题，提高综合能源系统的风光消纳能力和功率调度利用高效性。研究混合能源系统中燃机、制冷机、新能源的出力特性以及储能、各类负荷需求特性，通过智能电网获取较精确的日前相关信息。采用变异粒子群算法，以解决风光消纳和有效调度各设备功率分配为目标时提出了综合能源系统功率调度方案，建立了设备功率调度最优决策方案，并对系统各设配功率调度配合结果进行合理性分析。系统结构图如图2所示，所述方法具体包括如下步骤：
[0101]
s1：引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；
[0102]
其中的日前相关数据信息包括：光照强度日前数据、风速日前数据、实时电价日前数据、气价日前数据；综合能源系统日前数据包括：光伏出力日前数据、风机出力日前数据、综合能源系统电负荷数据以及冷负荷数据；
[0103]
步骤s1主要部署综合能源系统信息流交互部分，具体如图3所示，信息层利用能够与气象预测中心、电力公司以及气价公司进行信息交互传输的智能电网。综合能源系统依靠智能电网从相关公司交互获取相关光照强度日前数据、风速日前数据、实时电价日前数据以及气价日前数据，所得数据如图6、8所示，得到预测数据后，建立风光出力模型，综合能源系统根据所建立的风光出力模型，获取综合能源系统日前风光出力数据如图7所示，并通过相关负荷监控器获取综合能源系统日前冷、电负荷需求数据信息。
[0104]
s2：建立综合能源系统框架模型，所述混合能源系统模型包括：风力发电系统模型、光伏发电系统模型、燃气内燃机系统模型、溴化锂吸收式制冷机系统模型、余热回收装置系统模型、储冷装置系统模型、p2g设备系统模型。
[0105]
所述光伏发电系统模型的数学表达式为：
[0106][0107]
式中：p
pv
(t)为光伏系统的总输出功率；g(t)为当天实时光照强度；gv为标准测试环境(1000w/m2、25℃)下的光照强度；pv为标准测试环境下单个光板的最大输出功率；s为板块总数量；
[0108]
所述风力发电系统模型的数学表达式为：
[0109][0110]
pz＝p
pv
+p
wt
[0111]
式中：p
wt
为风机出力；vi、vr、vo分别为风力发电机的切入风速、额定风速、切出风
速；vw为实时风速；pr为额定功率；pz为每时刻风光系统有功功率总和。
[0112]
所述燃气内燃机系统模型的数学表达式为：
[0113]
p
ge
＝g
gas
β
ge
[0114]qge
＝g
gas
β
re
[0115]
式中：p
ge
为燃机产生的电能，kwh；g
gas
为天然气流量，m3/h；β
ge
为内燃机的电能转换效率；q
ge
为燃机发电过程中产生的可用余热；β
re
为内燃机余热回收效率。
[0116]
所述溴化锂吸收式制冷机系统模型的数学表达式为：
[0117]qbl
＝q
bl
β
bl
[0118]
式中：q
bl
为溴化锂机组的制冷量；q
bl
为溴化锂机组制冷所吸收消耗的热量；β
bl
为溴化锂制冷机的转换效率。
[0119]
所述余热回收装置系统模型的数学表达式为：
[0120]qback
＝q
ge
β
back
[0121]
式中：q
back
为余热回收装置产生的热量；q
ge
为余热回收装置从内燃机处吸收的热量；β
back
为余热回收装置的能量回收效率。
[0122]
所述储冷装置系统模型的数学表达式为：
[0123][0124]
式中:q
rc
(0)为储冷装置初始量；qc为储冷装置当前冷能存储量；q
rc
为储冷装置t时刻所存储的冷能；β
inc
为存储冷能的效率；；θ
in
为充能阶段判定；θ
out
为放能阶段判定；q
uc
(t)为储冷装置t时刻所释放的冷能；β
outc
为释放冷能的效率；q
l
为储冷装置能量逸散的效率；δt为单位时间。
[0125]
所述p2g设备系统模型的数学表达式为：
[0126][0127]
式中：g
p2g
为p2g设备产生的天然气流量；p
p2g
(t)为p2g设备消耗的电功率；β
p2g
为p2g设备的电转气效率；r为低位热值。
[0128]
s3：以解决风光消纳和有效调度各设备功率分配为目标，并构建相对应的系统模型约束条件；
[0129]
所考虑的约束条件的数学表达式为：
[0130]
功率平衡等式约束：
[0131]
p
load
(t)+p
bl
(t)+p
p2g
(t)＝pz(t)+p
ge
(t)+ps(t)-p
grid
(t)
[0132]
式中：p
load
为智能工厂正常运营时的基础负荷需求；p
bl
为溴化锂系统制冷所耗电量；p
p2g
为p2g设备产生天然气所耗电量；pz为风光合作出力有功功率；ps为系统中储能单元输出或者吸收的有功功率；p
grid
为工厂向主网的卖电功率。冷平衡等式约束：
[0133]qbl
(t)+qc(t)＝q
load
(t)
[0134]
式中：q
bl
为溴化锂产生的冷能；qc为储能系统的冷能交换量；q
load
为园区所需的冷能需求。
[0135]
天然气平衡等式约束：
[0136]ggrid
(t)+g
p2g
(t)＝g
ge
(t)
[0137]
式中：g
grid
为气网传送的天然气流量；g
p2g
为p2g设备产生的天然气流量；g
ge
为内燃机发电消耗的天然气流量。
[0138]
热量消耗约束：
[0139]qbl
≤q
back
≤q
ge
[0140]
主网传输线交换功率安全约束：
[0141]-p
line,max
≤p
grid
≤p
line,max
[0142]
式中：p
line,max
为传输线允许的最大交换功率。
[0143]
电力储能设备约束：
[0144][0145]
式中：p
s,max
(t)为储能充放电允许的最大交换功率；soc1表示蓄电池的荷电状态；soc1
max
为蓄电池最大荷电量；soc1
min
为蓄电池最小荷电量；λ1
max
表示一天内允许最大充放电次数；λ1(t)为蓄电池每一时刻的充放电状态；ps(t)为系统中储能单元输出或者吸收的有功功率。
[0146]
储冷设备约束：
[0147][0148]
式中：q
cs,max
(t)为储冷设备允许的最大冷能交换量；soc2
max
为储冷设备最大荷电量；soc2
min
为储冷设备最小荷电量；λ2
max
表示一天内允许最大充放冷能次数；λ2(t)为储冷设备每一时刻的充放电状态；soc2为储冷设备当前的存储量；λ2
max
表示一天内允许最大充放冷能次数。
[0149]
内燃机设备运行功率约束：
[0150]
0.75p
ge,max
(t)≤p
ge
(t)≤p
ge,max
(t)
[0151]
式中：p
ge,max
为内燃机设备允许的最大运行功率。
[0152]
溴化锂设备运行功率约束：
[0153]
0.7p
bl,max
(t)≤p
bl
(t)≤p
bl,max
(t)
[0154]
式中：p
bl,max
为溴化锂设备允许的最大运行功率。
[0155]
p2g设备运行功率约束：
[0156]
0≤p
p2g
(t)≤p
p2g,max
(t)
[0157]
式中：p
p2g,max
为p2g设备允许的最大运行功率。
[0158]
s4：根据日前数据与优化目标，引入粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；
[0159]
综合能源系统中，考虑将一天划分为24个时间段，以每小时为一个单位，并假设在
每个单位时间内各系统模块运行数据不变。采用改进的粒子群算法对综合能源系统进行多时段、多变量、多目标的优化调度策略研究。其系统结构与算法关联图如图4所示，系统以解决风光消纳和有效调度各设备功率分配为目标，对输入变量进行优化调度，具体调度步骤如下所示：
[0160]
步骤1：综合能源系统与智能电网进行信息交互，获取光照强度、风速、阶梯电价、气价等日前信息。
[0161]
步骤2：根据建立的风光出力模型获取风光系统的日前出力数据。
[0162]
步骤3：搭建粒子群优化调度模型。
[0163]
步骤4：输入待优化变量，设置粒子总数、粒子维数、迭代次数、学习因子、惯性权重等参数信息，并初始化粒子群。
[0164]
步骤5：根据pies目标函数和约束条件搭建相关约束程序。
[0165]
步骤6：进行粒子速度和位置标记。
[0166]
步骤7：对粒子进行选取、变异处理，进行粒子速度与位置更新。
[0167]
步骤8：判断是否达到最大迭代次数，得到个体最优与全局最优解，并输出最优解。
[0168]
多目标优化调度模型(pies)具体流程图如图5所示，算法中，粒子总数b＝100；粒子维数为168，由优化问题所决定；学习因子c1＝c2＝2；最大迭代次数6000；最大惯性权重0.95，最小惯性权重0.4；粒子速度最大值为5；根据园区运行背景进行多变量、多目标、多时段的非线性优化，选出具有最大满意度的pareto解，综合能源系统设配功率调度配合最优策略。
[0169]
s5：对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。
[0170]
表1所示为系统设备部分参数，综合能源系统以解决风光消纳和有效调度各设备功率分配为目标进行多变量、多目标、多时段优化调度后，所得系统设备日前功率优化调度图如图9所示，其中：储能系统正值表示放电，负值表示充电。主电网端正值表示园区从主网买电，负值表示园区向主网卖电。从图中可以看出，系统在低电价时从主网买电，高电价时向主网卖电，赚取经济差异。结合图10可以看出，由于风光系统出力的不确定性，综合能源系统未引入p2g技术前很难对风光出力进行完全消纳，引入p2g设备后，综合能源系统对p2g设备进行灵活的调度，解决了系统风光消纳问题，使系统各时段供电达到稳定、平衡。
[0171]
表1系统部分参数表
[0172][0173]
表2引入p2g前后系统一天内经济收益表
[0174][0175]
供冷端，为满足综合能源系统冷能的稳定供给，引入两台溴化锂制冷机组和一个储冷系统，因为溴化锂制冷机工作主要依靠内燃机产生的热能，如图11所示，虽然溴机运行耗电，但耗电量极小，主要依靠余热回收装置回收内燃机产生的热能进行工作。所以引入两台内燃机发电设备进行发电、制热。图12所示为系统供冷设备调度图，结合图13可以看出，冷能的供应主要由溴机运行供给，储冷设备的引入帮助系统更稳定的进行冷能供应，达到供冷平衡。
[0176]
供气端，从图14可以看出，内燃机运行所需的天然气来源主要是从气网购入，pies引入p2g设备后，p2g通过耗电产生天然气供给内燃机使用，在一定程度上降低了pies天然气的购气成本。且由于p2g设备是通过消耗电捕集利用co2生成天然气，所以p2g设备的引入除了可以帮助系统解决风光消纳问题、降低系统购气成本，同时可以帮助pies减少co2的排放量。
[0177]
表2所示为pies引入p2g设备前后系统一天内的经济收入对比，表中系统运行成本包含各系统设备启停运行成本消费和系统约束惩罚经济消费。从表中可以看出p2g设备的引入实现了系统的风光全容量消纳，降低了系统的运行成本与购气成本，有效提升了pies的经济效益，使园区以高效型、经济型、环保型特点进行运行，有效推动了园区的可持续化
绿色经济发展。
[0178]
该调度优化仿真证明了优化调度策略模块的合理性与有效性，优化后，系统各设备间功率调度配合的能动性得到了增强，解决了系统的风光消纳问题，提升了该方法的实际应用能力，证明了所提优化方法的优越性与可借鉴性。
[0179]
下面对本发明提供的一种园区综合能源系统风光消纳日前优化调度装置进行描述，下文描述的园区综合能源系统风光消纳日前优化调度装置与上文描述的园区综合能源系统风光消纳日前优化调度方法可相互对应参照。
[0180]
如图15所示，一种园区综合能源系统风光消纳日前优化调度装置，包括以下模块：
[0181]
数据获取模块001，用于引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；
[0182]
综合能源系统模型构建模块002，用于建立综合能源系统框架模型；
[0183]
目标约束模块003，用于以解决风光消纳和有效调度各设备功率分配为目标，构建相对应的系统模型及约束条件；
[0184]
优化调度策略模块004，用于根据日前数据与优化目标，结合粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；
[0185]
合理性分析模块005，用于对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。
[0186]
如图16所示，示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610、通信接口620、存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述园区综合能源系统风光消纳日前优化调度方法的步骤，具体包括：引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；建立综合能源系统框架模型；以解决风光消纳和有效调度各设备功率分配为目标，构建相对应的系统模型及约束条件；根据日前数据与优化目标，引入粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。
[0187]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元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，random15 access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0188]
又一方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述园区综合能源系统风光消纳日前优化调度方法的步骤，具体包括：引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；建立综合能源系统框架模型；以解决风光消纳和有效调度各设备功
率分配为目标，构建相对应的系统模型及约束条件；根据日前数据与优化目标，引入粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。
[0189]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0190]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0191]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种园区综合能源系统风光消纳日前优化调度方法，其特征在于，包括以下步骤：s1：引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；s2：建立综合能源系统框架模型；s3：以解决风光消纳和有效调度各设备功率分配为目标，构建相对应的系统模型及约束条件；s4：根据日前数据与优化目标，引入粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；s5：对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。2.根据权利要求1所述的园区综合能源系统风光消纳日前优化调度方法，其特征在于，步骤s1中，所述日前相关数据信息包括：光照强度日前数据、风速日前数据、实时电价日前数据、气价日前数据；所述综合能源系统日前数据包括：光伏出力日前数据、风机出力日前数据、综合能源系统电负荷数据以及冷负荷数据。3.根据权利要求2所述的园区综合能源系统风光消纳日前优化调度方法，其特征在于，步骤s1具体包括：s1.1：针对具有信息交互端，能够与天气预测中心、电力公司以及气价公司进行信息交互传输的智能电网，综合能源系统依靠智能电网从相关公司交互获取相关光照强度日前数据、风速日前数据、实时电价日前数据以及气价日前数据；s1.2：获取日前相关数据信息后，综合能源系统根据所建立的风光出力模型，获取综合能源系统日前风光出力数据，并通过相关负荷监控器获取综合能源系统日前冷、电负荷需求数据信息。4.根据权利要求1所述的园区综合能源系统风光消纳日前优化调度方法，其特征在于，步骤s2中，所述综合能源系统框架模型包括：风力发电系统模型、光伏发电系统模型、燃气内燃机系统模型、溴化锂吸收式制冷机系统模型、余热回收装置系统模型、储冷装置系统模型、p2g设备系统模型。5.根据权利要求4所述的园区综合能源系统风光消纳日前优化调度方法，其特征在于，所述光伏发电系统模型的数学表达式为：式中：p
pv
(t)为光伏系统的总输出功率；g(t)为当天实时光照强度；g
v
为标准测试环境(1000w/m2、25℃)下的光照强度；p
v
为标准测试环境下单个光板的最大输出功率；s为板块总数量；所述风力发电系统模型的数学表达式为：
p
z
＝p
pv
与p
wt
式中：p
wt
为风机出力；v
i
、v
r
、v
o
分别为风力发电机的切入风速、额定风速、切出风速；v
w
为实时风速；p
r
为额定功率；p
z
为每时刻风光系统有功功率总和；所述燃气内燃机系统模型的数学表达式为：p
ge
＝g
gas
β
ge
q
ge
＝g
gas
β
re
式中：p
ge
为燃机产生的电能，kwh；g
gas
为天然气流量，m3/h；β
ge
为内燃机的电能转换效率；q
ge
为燃机发电过程中产生的可用余热；β
re
为内燃机余热回收效率；所述溴化锂吸收式制冷机系统模型的数学表达式为：q
bl
＝q
bl
β
bl
式中：q
bl
为溴化锂机组的制冷量；q
bl
为溴化锂机组制冷所吸收消耗的热量；β
bl
为溴化锂制冷机的转换效率；所述余热回收装置系统模型的数学表达式为：q
back
＝q
ge
β
back
式中：q
back
为余热回收装置产生的热量；q
ge
为余热回收装置从内燃机处吸收的热量；β
back
为余热回收装置的能量回收效率；所述储冷装置系统模型的数学表达式为：式中：q
rc
(0)为储冷装置初始量；q
c
为储冷装置当前冷能存储量；q
rc
(t)为储冷装置t时刻所存储的冷能；β
inc
为存储冷能的效率；θ
in
为充能阶段判定；θ
out
为放能阶段判定；q
uc
(t)为储冷装置t时刻所释放的冷能；βo
utc
为释放冷能的效率；q
l
为储冷装置能量逸散的效率；δt为单位时间；所述p2g设备系统模型的数学表达式为：式中：g
p2g
(t)为p2g设备产生的天然气流量；p
p2g
(t)为p2g设备消耗的电功率；β
p2g
为p2g设备的电转气效率；r(t)为低位热值。6.根据权利要求1所述的园区综合能源系统风光消纳日前优化调度方法，其特征在于，步骤s3中，分别以解决风光消纳和有效调度各设备功率分配为目标时，所考虑的约束条件包括：功率平衡等式约束：p
load
(t)+p
bl
(t)+p
p2g
(t)＝p
z
(t)+p
ge
(t)+p
s
(t)-p
grid
(t)式中：p
load
(t)为智能工厂正常运营时的基础负荷需求；p
bl
(t)为溴化锂系统制冷所耗电量；p
p2g
(t)为p2g设备产生天然气所耗电量；p
z
(t)为风光合作出力有功功率；p
s
(t)为系统中储能单元输出或者吸收的有功功率；p
grid
(t)为工厂向主网的卖电功率，p
ge
(t)为燃机产生的电能；冷平衡等式约束：q
bl
(t)+q
c
(t)＝q
load
(t)
式中：q
bl
(t)为溴化锂产生的冷能；q
c
(t)为储能系统的冷能交换量；q
load
(t)为园区所需的冷能需求；天然气平衡等式约束：g
grid
(t)+g
p2g
(t)＝g
ge
(t)式中：g
grid
(t)为气网传送的天然气流量；g
p2g
(t)为p2g设备产生的天然气流量；g
ge
(t)为内燃机发电消耗的天然气流量；热量消耗约束：q
bl
≤q
back
≤q
ge
式中：q
bl
为溴化锂机组的制冷量，q
back
为余热回收装置产生的热量，q
ge
为燃机发电过程中产生的可用余热；主网传输线交换功率安全约束：-p
line，max
≤p
grid
≤p
line，max
式中：p
line，max
为传输线允许的最大交换功率，p
grid
为工厂向主网的卖电功率；电力储能设备约束：式中：p
s，max
(t)为储能充放电允许的最大交换功率；soc1表示蓄电池的荷电状态；soc1
max
为蓄电池最大荷电量；soc1
min
为蓄电池最小荷电量；λ1
max
表示一天内允许最大充放电次数；λ1(t)为蓄电池每一时刻的充放电状态；p
s
(t)为系统中储能单元输出或者吸收的有功功率；储冷设备约束：式中：q
cs，max
(t)为储冷设备允许的最大冷能交换量；soc2
max
为储冷设备最大荷电量；soc2
min
为储冷设备最小荷电量；λ2
max
表示一天内允许最大充放冷能次数；λ2(t)为储冷设备每一时刻的充放电状态；soc2为储冷设备当前的存储量；λ2
max
表示一天内允许最大充放冷能次数；内燃机设备运行功率约束：0.75p
ge，max
(t)≤p
ge
(t)≤p
ge，max
(t)式中：p
ge，max
为内燃机设备允许的最大运行功率；溴化锂设备运行功率约束：0.7p
bl，max
(t)≤p
bl
(t)≤p
bl,max
(t)式中：p
bl,max
为溴化锂设备允许的最大运行功率；p2g设备运行功率约束：
0≤p
p2g
(t)≤p
p2g,max
(t)式中：p
p2g,max
为p2g设备允许的最大运行功率。7.根据权利要求1所述的园区综合能源系统风光消纳日前优化调度方法，其特征在于，步骤s4中，所述优化算法为粒子群优化算法，并引入变异算法进行算法改进，系统设配功率调度配合策略中包含了对储能系统充放电功率、工厂与主网之间交换功率、燃气内燃机输出功率、溴化锂制冷机输出能量、储冷设备充放冷能、p2g设备消耗功率的调度策略研究。8.根据权利要求1所述的园区综合能源系统风光消纳日前优化调度方法，其特征在于，步骤s5中，对各设配功率调度配合进行分配合理性分析包括：系统风光消纳能力、系统功率供需平衡分析、系统冷能供需平衡分析、电力储能和冷储能系统的实际充放电次数以及储能容量变化、主电网功率交换量。9.一种园区综合能源系统风光消纳日前优化调度装置，其特征在于，包括以下模块：数据获取模块，用于引入p2g设备，并依靠智能电网获取日前相关数据信息，建立风光出力模型，获取综合能源系统日前数据；综合能源系统模型构建模块，用于建立综合能源系统框架模型；目标约束模块，用于以解决风光消纳和有效调度各设备功率分配为目标，构建相对应的系统模型及约束条件；优化调度策略模块，用于根据日前数据与优化目标，结合粒子群优化算法，并对算法进行变异处理，得到综合能源系统设配功率调度配合最优策略；合理性分析模块，用于对各设配功率调度配合进行分配合理性分析，判断引入p2g设备后对系统风光消纳能力改善的有效性以及引入变异算法可借鉴性。10.根据权利要求9所述的园区综合能源系统风光消纳日前优化调度装置，其特征在于，所述综合能源系统框架模型包括：风力发电系统模型、光伏发电系统模型、燃气内燃机系统模型、溴化锂吸收式制冷机系统模型、余热回收装置系统模型、储冷装置系统模型、p2g设备系统模型。

技术总结
本发明提出一种园区综合能源系统风光消纳日前优化调度方法及装置，该方法考虑引入P2G设备，以解决由风光系统出力不确定性带来的系统供需不平衡问题，提高系统的风光消纳能力和功率调度利用高效性，降低系统的碳排量，提升系统的绿色环保性。分析混合能源系统中燃机、制冷机、新能源的出力特性以及储能、各类负荷需求特性，通过智能电网获取较精确的日前相关信息。采用变异粒子群算法，提出综合能源系统功率调度方案，建立设备调度最优决策方案。与现有的综合能源日前功率调度优化方法相比，为系统加入了P2G设备和风机系统，并考虑了P2G设备和风光系统的数学模型。与现有的优化方法相比，提升了优化调度结果的可行性与设备功率调度的高效性。调度的高效性。调度的高效性。


技术研发人员：王庆义 高启 陈凯文
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.05.19
技术公布日：2023/8/16