基于CVaR的灵活综合能源系统随机调度优化模型

基于CVaR的灵活综合能源系统随机调度优化模型

张萌萌,董军*  

(华北电力大学,北京市 昌平区 102206)

摘要

综合能源系统(integrated energy system,IES)可以满足园区冷、热、电等多种能源互补的需求,实现多能耦合,进一步提升能源的利用效率。但伴随光伏和风电等可再生能源发电设备的广泛接入,其不确定性和间歇性使得综合能源系统供给灵活性降低、运行风险增大,不能有效提升可再生能源的使用效率。以系统运行成本、碳排放惩罚成本最小为目标,分析了冷热电联供对系统运行效率的影响,同时引入模糊C均值-聚类综合质量法(FCM-CCQ)对风电及光伏的出力场景进行聚类分析,运用条件风险价值(conditional value at risk,CVaR)理论对系统运行风险进行控制。通过算例分析表明,综合能源系统传统运行模式、热电解耦运行模式、冷热电解耦运行模式的CO2排放依次降低,且系统灵活性得到较大提高,系统运行的经济性得到提升。

关键词 : 综合能源系统;碳排放;系统灵活性;系统优化调度

基金项目:北京市社会科学基金(京津冀促进清洁能源消纳的区域电力市场机制研究,18JDGLB037)。 Beijing Social Science Foundation(Research on Regional Power Market Mechanism for Promoting Clean Energy Consumption in Beijing-Tianjin-Hebei Region,18JDGLB037).

0 引言

随着经济快速发展,化石能源日益枯竭,温室气体大量排放导致环境进一步恶化。以太阳能和风能为主的可再生清洁能源得到了广泛关注,同时多能互补综合能源系统概念的出现为可再生能源综合利用提供了有效的理论基础。在综合能源系统(integrated energy system,IES)中,各种分布式的可再生能源、储能装置及辅助结构共同构成了一个可控的能源供应系统,但同时也使灵活性变得有限。因此,许多学者都针对IES灵活性做了研究[1]

在能源供给侧方面,文献[2]提出了两种不同的P2G(power-to-gas,利用过剩的电能生产甲烷或氢气)技术实现电、气之间的灵活转换,对提升IES效益有极大的帮助。文献[3]通过欧洲的科研和实践说明能源系统间的耦合和互动显著增强,更好地理解和优化这些耦合和互动是提升整个能源系统性能、降低能源价格的关键。在能源利用的多样性方面,文献[4]提出了利用地热能进行供冷供热的技术方案设计,与电热泵和燃气机热泵相比具有更好的环境效益。文献[5]在分析冷热电联供的基础上,设计了冷热电联调度优化模型框架。文献[6]在考虑电力网络和天然气网络安全运行约束后,提出了以投资费用和运行费用最小为目标的天然气网络和电源、电网多阶段联合规划模型。需求侧方面,为促进风电消纳,文献[7]引入了一种新的电力和热负荷需求响应管理机制。综上所述,灵活综合能源系统(flexible integrated energy system,FIES)更能适应未来发展的需求。

对于FIES调度优化问题,如何处理系统中的不确定性因素至关重要。可再生能源出力的不确定性和用户负荷的不确定性[8]因素不可避免地为IES带来了风险。为了合理规避可能存在的风险,有必要对风险进行深入分析,并在一定程度上进行管控[9]。CVaR是一种衡量风险的方法,与风险价值(VaR)相比具有显著优势,能够量化VaR以外的风险,应用也更为普遍。此外,CVaR提供了优化的捷径,通过线性规划技术,使得许多大规模计算实际可行[10]。求解上述随机优化问题时,常会用到场景聚类方法,例如K-均值[11]、模糊C-均值[12]、K-harmonic均值[13]与K-shape[14]等。但这些常规聚类方法均是主观给定了期望聚类的场景数目,并未通过合理论证,亟需改进。

针对以上问题,本文提出一种冷热电解耦的新型IES运行模式,利用储热罐和冰蓄冷机两种技术实现热电解耦以及时间维度上的冷电解耦,摆脱“以热定电”模式,加强IES多种能源供应的灵活性。针对系统运行风险,引入了以系统期望运行成本和碳排放惩罚成本之和最小为目标函数的基于CVaR的随机优化模型,可在优化调度的同时控制系统运行风险。此外,利用改进场景缩减方法—FCM-CCQ聚类法合理地将风电、光伏的出力可能性用概率分布的形式展现出来。最后通过设置不同场景的系统运行方式,在一个实际算例中比较分析3种不同运行模式系统总体环境效益、经济效益、系统灵活性及能源利用效率。

1 FIES运行机制描述

IES将多种能源整合在一起,实现协调运行、优化互补,满足用户对于能源的多种需求。但传统的IES存在一些局限。在传统IES中,因没有储热和储冷装置,通常采用“以热定电”的运行模式,且供冷存在波动性。由于能源之间耦合性考虑不足,传统IES发电效率低、运行成本高、灵活性和稳定性较差。

针对上述局限,本文对传统IES进行了改造,构建了FIES,系统结构如图1所示。FIES的电负荷由分布式发电单元(光伏、风电)、燃气轮机和外网提供;热负荷由两部分提供,一部分由燃气锅炉以天然气为燃料提供热能,另一部分由热转换器回收燃气轮机产生的余热提供热能;系统冷负荷则由电制冷机提供。

此外,FIES中还增加了储热和储冷装置,分别是储热罐和冰蓄冷机。储热装置的增加能够改变传统的“以热定电”模式,平抑系统热负荷的波动,削弱其对发电侧产生的影响;储冷装置能够储存部分冷能,从而实现冷能的跨时段应用,可大幅度降低系统用冷成本。同时,本系统加入了需求侧管理,可将高峰期的负荷转移到低谷期,增强系统的经济及稳定运行能力。

图1 灵活综合能源系统结构
Fig.1 Flexible integrated energy system structure

2 FIES低碳调度模型构建及能效分析

2.1 目标函数

根据FIES的基本架构,本文IES低碳调度优化的目标函数设为:以系统运行总成本和CO2排放惩罚成本两部分总和最小为目标,表达式如下。

式中:CfuelCgridCrCDRCce分别为燃料成本、电网交互成本、系统运维成本、需求响应成本和CO2惩罚成本;FbFGT分别为燃气锅炉和燃气轮机的天然气消耗量;fp为天然气实时价格;PM+PM-分别为购、售电量;pM+pM-分别为购、售电价格;cgtcboilercgrid分别表示燃气轮机、燃气锅炉和电网购电的CO2排放强度系数;pc为惩罚系数;rgtrecrrecrbrbessrtstritrsrw分别表示燃气轮机、电制冷机、余热锅炉、燃气锅炉、蓄电池、储热罐、冰蓄冷机、光伏和风电的日常运维成本;ab表示需求响应的成本系数。

2.2 考虑CVaR的随机优化调度模型

在FIES进行日前调度时,不仅要追求期望总成本的最小,还要尽可能规避可能的潜在风险。在不确定性条件下的优化中,风险度量起着至关重要的作用,尤其是在应对经济层面可能发生的损失方面。因此,本文在上述目标函数的基础上,额外增加了风险衡量方法CVaR[10]进行风险规避,它与期望总成本通过一种线性组合的方式实现共同优化。转化后的目标函数如式(7)所示。

式(7)为在置信水平α下,主观赋予期望总成本E(f)和CVaR项的权重分别为λ(0≤λ≤1)和1-λVCR,α表示置信水平α下的条件风险价值(CVaR),λ是用于权衡期望成本和成本波动风险的非负系数,称为风险系数,由决策者根据自身对风险的接受情况而决定[15]。当λ等于0时,意味着运营商将采取完全规避风险的策略。当λ逐渐增大,运营商所采取策略逐渐偏向于风险中立型,最终当λ=1则代表决策完全是风险偏好型。根据文献[16]的处理方法,将该式进一步转化为:

式中:Ω表示综合能源系统中的情景集合,k表示其中第k个情景;ρk表示第k个情景发生的概率;k,为中间参数,没有具体物理含义。值得注意的是,控制系统运行成本的价值介于期望运行成本和CVaR之间。

2.3 FIES各元件模型构建及约束

下面对系统各元件进行描述及模型构建,并给出所对应的约束。

1)燃气轮机

天然气消耗量FGT,t与发电量PGT,t的函数关系可表述为[17]

式中:ab为气转电的转换系数;GTη为燃气轮机的发电效率;VLH表示天然气的低热值;uGT,t为0-1变量,表示燃气轮机在t时刻的启停机状态。燃气轮机输出电功率的容量约束和爬坡率约束为:

式(11)表示燃气轮机的出力限制,式(12)为燃气轮机爬坡约束。分别表示燃气轮机的出力的上限和下限;分别为爬坡率的上、下限取值。

当输入一定的天然气量时,燃气轮机发电量和产热量呈现出非线性的相关关系,本文通过分段处理将非线性关系转化为多段线性函数,该问题可顺利转化为混合整数线性规划(MILP)问题 [18],如图2所示,具体定义式如下:

式中:为热电曲线分段线性化后每段的端点电功率值;为二值变量,表示当前燃气轮机运行状态处于第m段分段线性函数上;表示第k段线性函数的斜率;Hhe表示燃气轮机的产热量。

图2 燃气轮机热功率与电功率关系曲线分段线性化处理
Fig.2 Relationship between GT heat power and electrical power treated by piecewise linearization

2)燃气锅炉

Qboiler,t为燃气锅炉在时刻t的热功率输出,Fb,t为燃气锅炉的天然气消耗量,bη为燃气锅炉能源转换效率系数。

3)蓄电池

蓄电池的运行约束如下所示[19]

式(19)表示蓄电池电能量状态转移方程,表示蓄电池在t时段所储存的电能量;CηDη、Lη分别为蓄电池的充、放电效率及电池漏电率;分别为蓄电池在t时段的充、放电的状态变量;Pchr,tPdis,t分别为蓄电池在t时段的充、放电功率。式(20)—式(23)分别表示电荷状态约束、充放电功率约束及充放电状态约束。

4)储热罐

储热罐运行原理类似于蓄电池,具体约束对应如下[20]

5)冰蓄冷机

类似地,冰蓄冷机运行约束如下:

6)需求响应

需求响应功率约束及成本函数如下所示,为了简便计算,将成本函数作线性化处理[21]

式中:PDR,t为在t时刻参与需求响应的可削减负荷量。

7)冷、热、电平衡约束

式(35)、(37)、(38)分别表示冷平衡、热平衡和电平衡,其中Pec,t为电制冷机在t时刻的消耗的电功率;ecη为电制冷机电转冷的转换系数;分别为冰蓄冷机在t时刻放冷功率和充冷功率;Qc,tQh,tPl,t分别为t时刻系统内的冷负荷、热负荷和电负荷;recη、hcη分别为热转换器和加热盘管的转换效率。

3 模型求解

针对FIES优化调度模型整体的求解,本文先采用场景缩减法来描述风电光伏的典型出力场景,根据风电和光伏机组历史出力数据,运用模糊C均值及综合质量评估法(FCM-CCQ)进行聚类分析[22],将历史出力场景聚类为合理的几类典型场景数目。最终以运行总成本的期望值最小为目标,在不同典型场景中求解最佳的IES调度优化策略。该处理方式利用随机优化的思想,将风电和光伏出力的不确定性转化为确定性,从而将该问题转化一般MILP问题,进而便于求解。详细求解流程如图3所示。

图3 随机优化模型求解流程
Fig.3 Solving process of stochastic optimization model

4 算例分析

本章以中国某个IES为背景,对其日前低碳调度优化运行展开研究。本文算例中的IES内部基本构成如图1所示。

4.1 参数设置

本文IES中基础元件的物理参数来源于文献[23-24],冷、热、电3种能源的负荷曲线来源自文献[25],如附录A中图A1所示。同时该系统在与电网进行电力交互时,考虑分时电价,按照负荷的峰平谷时段进行划分,购电和售电价格都分为3个不同的价格档位,具体价格曲线见附录A中图A2。该仿真运用MATLAB 2015b并调用CPLEX求解器进行求解。

4.2 场景设置

为研究IES灵活性改造对系统运行总成本的影响,本算例设置了3种不同运行模式,具体场景描述如下。

模式1:传统运行模式。该运行模式为基准场景,在系统中不加入储热、储冷单元,采用传统以热定电、以电定冷的运行模式,灵活性较差,其余发电单元保持不变。

模式2:热电解耦运行模式。相较于基准场景,该运行模式通过加入储热装置实现了热电解耦,即电和热两种能源可独立运行,不再受另一种能源的约束,灵活性较强,其余部分与基准场景保持一致。

模式3:冷热电解耦运行模式。与基准场景相比,不仅加入了储热装置,还引入了储冷装置,实现了热电解耦及冷电解耦,3种能源可独立供应,系统灵活性最高。

4.3 结果分析

4.3.1 聚类分析

基于IES 50组风电与光伏实际运行的历史出力数据,运用FCM-CCQ方法进行场景聚类,并作出聚类边际效益曲线,如图4所示。

图4 聚类边际效益曲线
Fig.4 Clustering marginal benefit

由图4可得,随着聚类中心数目的增加,平均综合质量得分(ACQS)不断增加。显著的是每增加一个聚类中心,它的边际效益在减少。当边际效益小于某个阈值β,此时的临界点对应的就是最佳聚类中心数目。因此,确定出最佳的聚类场景结果为10种典型的风电、光伏出力场景,绘出10种典型场景的出力曲线如图5(a)和(b)所示。

基于每一种风电和光伏的典型场景,对IES整体进行优化调度。由于每种情景下调度优化原理一致,下面以风电、光伏出力场景中的1种典型场景来分析冷热电解耦模式运营下的调度优化结果。

图5 典型出力场景
Fig.5 Typical output scenarios

4.3.2 系统能源供给情况基本分析

由图6可看出,风电、光伏作为基荷,优先出力,燃气轮机在0:00—4:00之间没有出力,在尖峰负荷时期基本上都处于满出力发电,同时为达到供需平衡,在峰荷时段18:00—22:00之间也削减部分电量。可以看出,电力供应超出电力负荷预测曲线的部分都消耗在了储能的充电、电制冷机及向外部电网出售的运行方式上。图7为热能的调度结果,可以看出在8:00—9:00、12:00、15:00—16:00、19:00—20:00几个时段中储热罐将多余的热能储存,在22:00和24:00放出,实现了热能与电能的解耦,使得能源利用更加合理。图8描述的是冷负荷满足后的调度结果,可以看出冰蓄冷机在电价处于低谷期购电蓄冰储冷,在8:00时再放冷,实现了电能转化为冷能供应时间上的分割,从而避开了峰荷过高的购电电价,节约了购电成本。

4.3.3 冷热电解耦模式效益分析与灵活性分析

为了更好展示冷热电解耦对系统的增益效果,本文在3种初始设定的模式(传统运行模式、热电解耦运行模式及冷热电解耦运行模式)下,分别运行求解该问题得出系统总成本和CO2排放惩罚成本如图9所示。

图6 电力供应调度结果
Fig.6 Power supply dispatching results

图7 热能供应调度结果
Fig.7 Heat supply scheduling results

图8 冷能供应调度结果
Fig.8 Cooling energy supply scheduling results

图9 三种场景能效分析结果
Fig.9 Energy efficiency analysis results of three scenarios

观察图9数据可得,冷热电解耦运行模式(模式3)总成本和CO2排放惩罚成本都是3种模式下的最小值。结合运行结果分析可得,当加入储热及储冷设备时,可摆脱“以热定电”及“以电定冷”的传统运行方式。具体来说,燃气轮机多发的热量可通过管道输送储存在储热罐中,当热负荷上升时再释放热能,避免了热能的损失,提高了能源的利用率;在电转化冷时,若增加储冷设备,则可实现负荷低谷时蓄冷,峰荷时放冷,合理避开峰荷电价时期,节约了购电总成本,同时提高了能源供应的灵活多变性。综上所述,经灵活改造的综合能源系统增强了系统运行的灵活性、经济性及环保性。

4.3.4 敏感性分析

1)λ因子敏感性分析

式(7)中λ的取值会最终影响系统的决策结果,在设定不同λ值的条件下,图10展示了本算例中期望总成本与其CVaR之间所形成的帕累托边界曲线。

由图中曲线可得,IES的期望总成本随着λ值的增加而增加,但其实际成本的CVaR随λ值的增加而减少。原因在于,本模型中λ取值越大,表示IES运营商会采取风险偏爱的调度策略,此时更能体现出对期望总成本最小的调度目标的追求,然而却无法抵御可再生能源出力不确定性对整个系统的干扰。相反地,当λ取值越小,IES在调度过程中更倾向于追求风险规避的调度策略,此时IES运营商将采取更为保守的调度策略。因此,IES运营商在期望总成本与成本的CVaR两个目标之间无法做到在不损害一个目标的前提下追求另一个目标的进一步提高,即图10所示的关系曲线是一条关于系数λ的帕累托边界曲线。因此,在实际决策中,IES运营商还应结合最终决策者自身对风险的主观偏好程度来确定λ的特定取值。

图10 总成本和CVaR的帕累托边界曲线
Fig.10 Pareto boundary curve of total cost and CVaR

2)碳排放惩罚系数敏感性分析

通过在本算例中代入不同的惩罚价格系数,计算得出了CO2排放量与惩罚价格系数的关系曲线,如图11可知,伴随对CO2排放惩罚力度的加强,CO2排放量减少,但下降趋势逐步放缓,CO2排放量在本系统中只与天然气的消耗和外部电网的购电量有关,可大胆推测当天然气消耗与外部购电达到功能约束的极限时,CO2排放量将不会再下降,因为系统的功能需求必须要满足。

图11 CO2排放与惩罚价格系数关系曲线
Fig.11 Relation between CO2emission and penalty price coefficient

5 结论

本文对现阶段IES运行模式的发展进行深入总结,分析传统能源系统运行的局限,并提出了灵活性改造的全新运行模式,构建了一个含储热储冷技术的FIES架构。以系统运行经济性和CO2排放期望成本最小为优化调度目标,基于CVaR系统风险的合理控制,建立了FIES低碳经济调度模型。最后通过仿真算例分析得出以下结论。

1)改造后的IES整体处于良好的运行状态,冷、热、电负荷均得到满足,同时储热、储电及储冷设备均在恰当的时期充、放能,进一步改进了系统整体运行的灵活性,体现了IES经济、可靠、安全运行的原则。

2)从碳排放角度对系统进行低碳优化调度,可提高系统运行的环境效益。在此基础上又针对碳排放惩罚价格机制进行分析,得出CO2排放量会随惩罚价格系数的增大而减小,最后由于供能需求的约束趋于稳定的结论。

3)相较于传统的聚类方法,本文提出的FCMCCQ更能合理解释聚类中心数目选择的问题,聚类分析过程也更具有科学性和逻辑性。

4)采用考虑CVaR的随机优化方法充分考虑系统运行过程中存在的风险,风险管理根据决策者不同风险偏好程度选择相应的权重因子λ,有针对性地采取相对应的调度优化策略。

本文所提出的FIES仅在调度管控层面作出了一些基础研究,可为决策者实现对系统全局调度策略的把控提供参考和借鉴。

参考文献

[1] 程林,张靖,黄仁乐,等.基于多能互补的综合能源系统多场景规划案例分析[J].电力自动化设备,2017,37(6):282-287.

CHENG Lin,ZHANG Jing,HUANG Renle,et al.Case analysis of multi-scenario planning based on multi-energy complementation for integrated energy system[J].Electric Power Automation Equipment,2017,37(6): 282-287(in Chinese).

[2] 陈宇,刘会兰,栗然,等.基于可能度的冷热电联供微网区间优化调度模型[J].电测与仪表,2019,56(10):47-55.

CHEN Yu,LIU Huilan,LI Ran,et al.Interval optimal dispatch model of combined cooling,heating and power micro-grid based on possibility degree[J].Electrical Measurement & Instrumentation,2019,56(10): 47-55(in Chinese).

[3] 吴建中.欧洲综合能源系统发展的驱动与现状[J].电力系统自动化,2016,40(5):1-7.

WU Jianzhong.Drivers and state-of-the-art of integrated energy systems in Europe[J].Automation of Electric Power Systems,2016,40(5): 1-7(in Chinese).

[4] 殷新建.冷热电联供型微电网多目标优化调度研究[D].青岛:青岛大学,2018.

[5] 王成山,洪博文,郭力,等.冷热电联供微网优化调度通用建模方法[J].中国电机工程学报,2013,33(31):26-33.

WANG Chengshan,HONG Bowen,GUO Li,et al.A general modeling method for optimal dispatch of combined cooling,heating and power microgrid[J].Proceedings of the CSEE,2013,33(31): 26-33(in Chinese).

[6] 胡源,别朝红,李更丰,等.天然气网络和电源、电网联合规划的方法研究[J].中国电机工程学报,2017,37(1):45-54.

HU Yuan,BIE Zhaohong,LI Gengfeng,et al.Integrated planning of natural gas network and composite power system[J].Proceedings of the CSEE,2017,37(1): 45-54(in Chinese).

[7] 顾伟,陆帅,王珺,等.多区域综合能源系统热网建模及系统运行优化[J].中国电机工程学报,2017,37(5):1305-1316.

GU Wei,LU Shuai,WANG Jun,et al.Modeling of the heating network for multi-district integrated energy system and its operation optimization[J].Proceedings of the CSEE,2017,37(5): 1305-1316(in Chinese).

[8] 沈欣炜,郭庆来,许银亮,等.考虑多能负荷不确定性的区域综合能源系统鲁棒规划[J].电力系统自动化,2019,43(7):34-45.

SHEN Xinwei,GUO Qinglai,XU Yinliang,et al.Robust planning method for regional integrated energy system considering multi-energy load uncertainties[J].Automation of Electric Power Systems,2019,43(7): 34-45(in Chinese).

[9] 林涛,毕如玉,杜蕙,等.电-气互联系统潮流优化与安全性研究综述[J].全球能源互联网,2019,2(5):441-448.

LIN Tao,BI Ruyu,DU Hui,et al.Review on power flow optimization and safety of power-gas interconnection system[J].Journal of Global Energy Interconnection,2019,2(5): 441-448(in Chinese).

[10] ROCKAFELLAR R,URYASEV S.Conditional value-at-risk for general loss distributions[J].Journal of Banking & Finance,2002,26(7): 1443-1471.

[11] ZHU J H,JIANG Z T,EVANGELIDIS G D,et al.Efficient registration of multi-view point sets by K-means clustering[J].Information Sciences,2019,488: 205-218.

[12] JIN R,WENG G R.A robust active contour model driven by fuzzy c-means energy for fast image segmentation[J].Digital Signal Processing,2019,90: 100-109.

[13] WU X H,WU B,SUN J,et al.A hybrid fuzzy K-harmonic means clustering algorithm[J].Applied Mathematical Modelling,2015,39(12): 3398-3409.

[14] YANG J J,NING C,DEB C,et al.K-Shape clustering algorithm for building energy usage patterns analysis and forecasting model accuracy improvement[J].Energy and Buildings,2017,146: 27-37.

[15] 王北辰.考虑不确定性的供应商选择风险与策略研究[D].南京:南京大学,2019.

[16] MORALES J M,CONEJO A J,MADSEN H,et al.Integrating renewables in electricity markets[M].Boston,MA: Springer US,2014.DOI:10.1007/978-1-4614-9411-9.

[17] LIU Z F,CHEN Y X,ZHUO R Q,et al.Energy storage capacity optimization for autonomy microgrid considering CHP and EV scheduling[J].Applied Energy,2018,210: 1113-1125.

[18] WANG H C,YIN W S,ABDOLLAHI E,et al.Modelling and optimization of CHP based district heating system with renewable energy production and energy storage[J].Applied Energy,2015,159: 401-421.

[19] ZHOU X Q,AI Q.Distributed economic and environmental dispatch in two kinds of CCHP microgrid clusters[J].International Journal of Electrical Power & Energy Systems,2019,112: 109-126.

[20] GU W,TANG Y Y,PENG S Y,et al.Optimal configuration and analysis of combined cooling,heating,and power microgrid with thermal storage tank under uncertainty[J].Journal of Renewable and Sustainable Energy,2015,7(1): 013104.

[21] LUO F J,YANG J J,DONG Z Y,et al.Short-term operational planning framework for virtual power plants with high renewable penetrations[J].IET Renewable Power Generation,2016,10(5): 623-633.

[22] DONG J,YANG P W,NIE S L.Day-ahead scheduling model of the distributed small hydro-wind-energy storage power system based on two-stage stochastic robust optimization[J].Sustainability,2019,11(10): 2829.

[23] 李睿雪,胡泽春,段小宇.电动公交车充电站代理商的月度交易模型与日运行优化策略[J].电力建设,2019,40(1):27-34.

LI Ruixue,HU Zechun,DUAN Xiaoyu.Monthly bilateral electricity transaction model and daily optimal operation strategy for the agent of electric bus charging stations[J].Electric Power Construction,2019,40(1): 27-34(in Chinese).

[24] LUO Z,WU Z,LI Z Y,et al.A two-stage optimization and control for CCHP microgrid energy management[J].Applied Thermal Engineering,2017,125: 513-522.

[25] AFZALI S F,MAHALEC V.Novel performance curves to determine optimal operation of CCHP systems[J].Applied Energy,2018,226: 1009-1036.

附录A 算例参数曲线

图A1 冷、热、电负荷曲线
Fig.A1 Cooling,heat and electrical load

图A2 购、售电分时电价曲线
Fig.A2 TOU price of purchased and sold electricity


Stochastic Scheduling Model for Flexible Integrated Energy System Based on CVaR

ZHANG Mengmeng,DONG Jun*
(North China Electric Power University,Changping District,Beijing 102206,China)

Abstract: An integrated energy system can meet the complementary requirements of various energy sources,such as cooling,heat,and electricity,in industrial parks.In addition,it can realize multi-energy coupling and further improve the utilization efficiency of energy.However,with the extensive integration of renewable energy sources generation equipment,such as photovoltaic technology and wind power,the uncertainty and intermittency of renewable energy generation has decreased the supply flexibility of comprehensive energy systems and increased operation risk.Hence,the efficiency of renewable energy generation cannot be effectively improved.This work analyzes the influence of cooling,heat,and electricity on the efficiency of an integrated energy system with the aim of reducing system operation cost and carbon emissions.In addition,it introduces the fuzzy c-means-clustering comprehensive quality method to carry out the cluster analysis of wind power and photovoltaic output scenarios and the conditional value at risk theory to control system operation risk.A numerical example shows that the carbon dioxide emission of the integrated energy system is successively decreased in the conventional operation mode,heat-electricity decoupling operation mode,and cooling-heat-electricity decoupling operation mode.Furthermore,the efficiency of energy utilization in the system is considerably improved.

Keywords: integrated energy system; carbon emissions; system flexibility; optimal system scheduling

作者简介:

张萌萌

张萌萌(1996),女,研究生,主要研究方向为能源经济与电力市场,E-mail:1182206083@ncepu.edu.cn。

董军(1964),女,博士,教授,主要从事能源与电力经济管理方面的教学与科研工作。通信作者,E-mail:dongjun@ncepu.edu.cn。

(责任编辑 李锡)

  • 目录

    图1