[发明专利]计及源储荷协同的多能互补系统两级优化调度方法及系统

权利要求书

1.一种计及源储荷协同的多能互补系统两级优化调度方法，其特征在于，包括：

第一级优化：获取负荷数据，以经济性最优化为目标，用户舒适度为约束，利用遗传算法优化得到最佳负荷数据，并将优化后的负荷作为第二级优化的输入；

第一级为计及用户舒适度的需求响应层，该层以经济性为目标建立负荷优化模型，从而求解电、冷、热最佳负荷数据；

(1-1)输入数据：冷热电历史夏/冬/过渡季负荷数据、智能家电的可调度工作区间、室内温度的可调节范围；

(1-2)优化目标：

优化目标为计及用户舒适度的经济性最优：

其中，cost为系统运行花费，是第二层运行优化的目标；γ为罚因子，反映用户对温度舒适度的敏感程度，定义为用户敏感度系数，单位为元/℃；T_set(t)为t时刻室内最舒适温度；T_in(t)为t时刻的室内温度，P_grid为t时刻的电价，分为购电价格和售电价格；E_grid为电网交互功率，购电为正，售电为负；P_gas为燃气价格；η_e,pgu为发电机组的发电效率；N为一个完整的调度周期内的总调度阶段数；

(1-3)可控负荷模型：

①可控电负荷包括可中断负载和不可中断负载，可中断负载在使用过程中可以任意暂停使用，不可中断负载启动后不间断使用；在负荷调度方案中，考虑到居民客户的意愿，实现可控电负荷在优化周期24h内的平移调度，优化间隔为1h；假定参与需求响应的可控设备运行功率x是固定不变的，使用离散二进制变量y∈{0,1}表示设备的启停状态，1表示运行，0表示关闭；通过优化变量y的值，来达到负荷转移的目的；

E_conload为可控电负荷；D表示所有负荷可控设备的集合；x_d表示第d个设备的工作功率；y_d∈{0,1}表示第d个设备的启停状态，1表示运行，0表示关闭；

②由于建筑物的墙体均具有一定的隔热效果，室内与室外的热交换过程较慢，不同于电负荷，室内的温度呈小时级的变化；因此，根据能源价格，在不破坏温度舒适度的前提下控制室内冷/热负荷；

C_load、H_load分别为可控冷、热负荷；T_in(t)、T_out(t)分别代表室内和室外温度；T、R_eq分别代表控制周期和建筑物参数，β、α分别为室内用电设备对冷、热负荷的影响系数；是常数可以被表示为：

M_air、c分别为室内空气质量和空气比热容；R_eq可以被表示为：

R_eq＝R_wallR_window/(R_wall+R_window)

R_wall、R_window分别代表墙壁热量和窗户热量；

优化变量：可调度用电设备的启停状态y_d(t)和室内可控温度T_in(t)；

(1-4)优化变量：

优化变量为可调度用电设备的启停状态和室内可控温度；

(1-5)约束条件：

①可调度设备：

[A_d,B_d]为设备d的可调度工作区间；E_d表示设备d的总耗电量；

对不可中断负荷设备有：

若y_d(t)＝1，则y_d(t+1)＝1,…,y_d(t+n)＝1，n为设备d的工作时长；

②室内温度：

T_{in_min}≤T_in(t)≤T_{in_max}

T_{in_min}，T_{in_min}为室内可调温度的上下限，室内温度调节范围越大，控制效果越好，但同时用户的温度舒适度受到的影响也越大；

(1-6)求解算法：

基于遗传算法的负荷优化求解，步骤如下：

步骤1：系统初始化，首先对系统参数、遗传算法和设备参数进行设置；

步骤2：种群初始化，在这一步中，随机生成N个个体，作为初始种群P₀，并对每个个体进行二进制编码；

步骤3：计算当前种群P的适应度，分为以下两步：

A：获得运行策略，为了计算第一阶段模型的目标函数值，需要调用第二级模型获得优化运行策略；

B：适应度计算，利用公式(1)计算个体的适应度值；公式(1)为

步骤4：判断当前种群是否满足终止要求，若达到了用户指示的最大迭代数，则执行步骤7，否则，需要继续步骤5；

步骤5：选择、交叉和变异，形成新种群P₃；

步骤6：执行步骤3，计算种群P₃的适应度；

步骤7：解码，得到负荷优化结果；第二级优化：以运行费用最低为目标，基于随机动态规划，优化设备出力及储能状态，并将运行费用输出给第一级优化；

第二级为系统的运行优化层，由于源荷随机性导致预测数据存在误差，该层以运行花费最少为目标建立运行随机优化模型，从而求解各设备的最佳出力计划；

(2-1)输入数据：第一级优化后冷、热、电负荷数据，燃气价格、电价、可再生能源发电数据、设备效率参数；

(2-2)优化目标为最低期望成本：

为应对可再生能源的随机性，系统结构中引入了储能设备，遂使得系统相邻运行阶段前后关联，故第二层运行优化为动态优化问题；

故第二级将目标函数表达为递归形式：

式中，f为累积期望运行成本；v为阶段运行成本，每个阶段为1小时，总阶段数N为24；k为阶段数；

(2-3)优化变量为：发电机组的出力计划和储能设备的储能状态；

(2-4)约束条件：

①电平衡：

E_pv(k)+ε_pv(k)+E_wp(k)+ε_wp(k)+E_pgu(k)+E_grid(k)＝E_fixload(k)+E_conload(k)+ε_wp(k)+E_p(k)

E_pv、E_wp、E_pgu、E_grid分别为光伏发电功率、风机发电功率、发电机组输出功率以及电网交互功率；E_fixoad、E_conload、E_p分别为固定电负荷、可控电负荷及热泵的输入功率；ε_pv与ε_wp分别代表光伏出力与风电出力的随机误差；

②冷平衡：

Q_ab(k)+Q_pc(k)+Q_s(k)＝C_load(k)+ε_c(k)

Q_ab、Q_pc分别为吸收式制冷机制冷功率和热泵制冷功率；Q_s为蓄冷功率，储能为负，放能为正；C_load为可控冷负荷；ε_c代表冷负荷的随机误差；

③热平衡：

Q_he(k)+Q_ph(k)+Q_s(k)＝H_load(k)+ε_h(k)

Q_he、Q_ph分别为发电机组余热功率和热泵制热功率；Q_s为蓄热功率，储能为负，放能为正；ε_h代表热负荷的随机误差；H_load(k)为热负荷；

④储能设备：

Q_sta(k+1)＝η_sQ_sta(k)-Q_s(k)

展开：

Q_sta为储能设备的储能状态；η_s为储能设备的储能系数；C、H为k阶段冷热生产总量；冷热负荷的随机性在运行中体现在计划储能量与实际储能量之间的偏差；

不等式约束：

Q_sta(1)＝Q_sta(25)

0≤Q_sta(t)≤Q_tes,rc

|Q_s(t)|≤Q_s,max

λE_pgu,rc≤E_pgu(t)≤E_pgu,rc or E_pgu(t)＝0

式中，Q_tes,rc为储能设备的额定容量；Q_s,max为储能设备的最大充/放能功率；λ为发电机组运行的最低负载率；E_pgu,rc为发电机组的额定功率；

(2-5)求解算法：随机动态规划方法；

第一级优化和第二级优化循环迭代，得到最佳负荷曲线和系统最佳运行调度计划，实现源-荷最佳匹配。