综合能源系统运行优化方法、设备及可读存储介质

1.本发明涉及能源技术领域，尤其涉及一种综合能源系统运行优化方法、设备及可读存储介质。


背景技术：

2.随着能源形式的变革与对低碳愿景的追求，综合能源系统(integrated energy systems，ies)地位愈加凸显。ies可承载多种能源形式的转换与供给，并作为一个管理单元发挥协调优化运营的作用。伴随着能源市场与碳交易市场的发展、智能控制技术的进步，对ies运行方法提出了新的要求。
3.传统的ies运行方法的研究主要服务于ies的规划研究中，模型与求解算法较为简单，且从时间尺度上主要考虑日前阶段这类时间跨度较大的情形，并不能具体地指导ies的实际运行问题。此外，面对ies实际运行中的不确定因素，传统方法主要使用鲁棒优化、机会约束、随机优化等手段进行建模求解，不能较好地应对千变万化的实际情况，出现理论效果与实际效果存在一定反差。
4.多时间尺度优化方法最初应用于电力系统中，近年来逐步推广至ies的调度问题。多时间尺度优化方法基于系统组分的灵活度差异，对其制定不同时间尺度层面上的工作方案，既起到细化指导的作用，也一定程度上克服了传统的鲁棒优化等方法带来的实践层面的不足。
5.此外，近年来随着低碳目标的倡导，对ies的运行方法研究中越来越多地考虑“碳”指标，目前最为典型的方法包含碳排放额约束条件化、碳排放惩罚经济目标化等，且对于碳排放经济目标的碳价格制定方法上，主要有单一碳价法和竞价法，而前者对不同碳排水平的用户没有起到区别作用，后者在实际应用中不适合不具规模的市场参与者参与竞争，且较为复杂。并且，需求响应机制作为一种需求侧的调控方式，在当前的ies多种能源形式研究中，大多考虑电气热以及电气热冷这类传统形式的负荷及其需求响应，较少考虑极具应用潜力的氢能的情形。
6.综合来看，现有ies运行优化方法存在多种不足，或较少同时考虑多时间尺度调节、低碳目标与需求响应，或未涉及氢能利用场景，或在所建立低碳目标上过于单一或不适于非规模竞争性主体。基于此，亟需一种新的综合能源系统运行优化方法。


技术实现要素：

7.为解决上述技术问题，本发明提供一种综合能源系统运行优化方法、设备及可读存储介质。
8.第一方面，本发明提供一种综合能源系统运行优化方法，所述综合能源系统运行优化方法包括：
9.步骤1：对包含可调热电比与天然气-氢气混合燃烧特性、各类综合能源系统ies耦合设备以及阶梯式碳费用计量模型进行数学建模；
10.步骤2：根据ies元件特性进行分类，并对需求响应资源进行分类，制定多时间尺度下的优化计划；
11.步骤3：建立针对日前、日内滚动以及实时三阶段多时间尺度下的协调优化模型，鉴于此模型的混合整数非线性性质，采用引入辅助变量与big-m进行模型线性化变换，得到混合整数线性模型，并调用数学求解器进行求解。
12.第二方面，本发明还提供一种综合能源系统运行优化设备，所述综合能源系统运行优化设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的综合能源系统运行优化程序，其中所述综合能源系统运行优化程序被所述处理器执行时，实现如上所述的综合能源系统运行优化方法的步骤。
13.第三方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有综合能源系统运行优化程序，其中所述综合能源系统运行优化程序被处理器执行时，实现如上所述的综合能源系统运行优化方法的步骤。
14.本发明中，对包含可调热电比与天然气-氢气混合燃烧特性、各类综合能源系统ies耦合设备以及阶梯式碳费用计量模型进行数学建模；根据ies元件特性进行分类，并对需求响应资源进行分类，制定多时间尺度下的优化计划；建立针对日前、日内滚动以及实时三阶段多时间尺度下的协调优化模型，鉴于此模型的混合整数非线性性质，采用引入辅助变量与big-m进行模型线性化变换，得到混合整数线性模型，并调用数学求解器进行求解。本发明在ies运行模型的经济目标中考虑低碳目标，即计及ies运行过程中的实际碳排放与虚拟碳排放并对之收取碳排放费用，达到从经济性角度控制碳排放的效果；本发明在计及低碳目标的情况下，采用阶梯式碳排放费用机制，即对单位周期内ies的碳排放总额进行区间递进式价格进行收费，相比于传统的或为单一碳排放价格或竞争均衡定价方式，既优化了单一碳排放价格对不同碳排放水平的用户难以起到区别作用的特性，也一定程度上克服了实际应用中竞价均衡定价方式不适合不具规模的市场参与者参与竞争，且较为复杂的缺点；本发明将日前-日内滚动-实时优化三阶段的多时间尺度协调优化方法运用到ies运行策略的制定中，该方法基于ies组分的灵活度差异，对其制定不同时间尺度层面上的工作方案，既起到细化指导的作用，也一定程度上克服了传统的鲁棒优化等方法带来的实践层面的不足；本发明将需求响应机制引入ies运行策略的制定中，从需求侧方面参与ies的运行优化，既提高系统灵活调节能力，又面向未来场景下的能源用户智能终端调控前景；本发明引入新兴的氢能在ies中的利用情形，并解耦传统的p2g流程，扩大氢能应用场景，补充传统ies优化策略中对氢能考虑的不足；本发明优化了ies耦合设备的工作特性，引入可调热电比的gt设备与天然气-氢气混燃的gt、gb设备，拓展了ies的新应用场景，论证了ies耦合设备新工作特性下本发明的优化方法在ies应用中的优越性。
附图说明
15.图1为本发明实施例方案中涉及的综合能源系统运行优化设备的硬件结构示意图；
16.图2为本发明综合能源系统运行优化方法一实施例的流程示意图。
17.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
18.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
19.第一方面，本发明实施例提供一种综合能源系统运行优化设备，该综合能源系统运行优化设备可以是个人计算机(personal computer，pc)、笔记本电脑、服务器等具有数据处理功能的设备。
20.参照图1，图1为本发明实施例方案中涉及的综合能源系统运行优化设备的硬件结构示意图。本发明实施例中，综合能源系统运行优化设备可以包括处理器1001(例如中央处理器central processing unit，cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真wireless-fidelity，wi-fi接口)；存储器1005可以是高速随机存取存储器(random access memory，ram)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
21.继续参照图1，图1中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及综合能源系统运行优化程序。其中，处理器1001可以调用存储器1005中存储的综合能源系统运行优化程序，并执行本发明实施例提供的综合能源系统运行优化方法。
22.第二方面，本发明实施例提供了一种综合能源系统运行优化方法。
23.一实施例中，参照图2，图2为本发明综合能源系统运行优化方法一实施例的流程示意图。如图2所示，综合能源系统运行优化方法包括：
24.步骤1：对包含可调热电比与天然气-氢气混合燃烧特性、各类综合能源系统ies耦合设备以及阶梯式碳费用计量模型进行数学建模；
25.一实施例中，步骤1包括：
26.步骤1.1：引入可调热电比与天然气-氢气混合燃烧特性，针对燃气轮机gt与燃气锅炉gb的能量转化过程进行改进，根据不同时段下的电价与气价，对其工作过程中的发热与发电功率比例进行调节；
27.步骤1.2：将电转气p2g过程中电解槽el将水电解所得的氢气与二氧化碳直接通过甲烷反应器mr合成天然气这一连串过程解耦，扩大氢能利用场景；
28.该步骤1.2中，引入对传统电转气(powerto gas，p2g)环节进行解耦的过程，将传统的p2g过程中电解槽(electrolyzer，el)将水电解所得的氢气与二氧化碳直接通过甲烷反应器(methane re-actor，mr)合成天然气这一连串过程解耦，扩大氢能利用场景。
29.步骤1.3：对ies中耦合设备进行数学建模，所述耦合设备包括el、mr、gt、gb与电锅炉eb；
30.所述el的数学模型为：
[0031][0032]
其中，p
e,el
(t)为t时刻输入el的电能；p
h2,el
(t)为t时刻输出el的氢能；η
el
为el能量转换效率；分别为el的输入功率上下限；分别为el的爬坡上下限；
[0033]
所述mr的数学模型为：
[0034][0035]
其中，p
h2,mr
(t)为t时刻输入mr的氢能；p
g,mr
(t)为t时刻输出mr的天然气；η
mr
为mr中氢气转甲烷的能量转换效率；分别为mr的输入功率上下限；分别为mr的爬坡上下限；p
e,mr
(t)为t时刻mr合成反应消耗电能；η
mr,e
为mr合成反应的耗电比例；
[0036]
所述gt的数学模型为：
[0037][0038]
其中，p
e,gt
(t)、p
h,gt
(t)分别为t时刻输出gt的电能、热能；p
mg,gt
(t)为t时刻输入gt的天然气-氢气混合气体；η
gt
为gt能量转换效率；分别为gt的输入功率上下限；分别为gt的爬坡上下限；分别为gt的爬坡上下限；分别为gt的热电比上下限；p
h2,gt
(t)、p
g,gt
(t)分别为t时刻输入gt的天然气-氢气混合气体中氢气、天然气量；为输入gt的燃气中天然气含量的最低比例；
[0039]
所述gb的数学模型为：
[0040][0041]
其中，p
mg,gb
(t)为t时刻输入gb的天然气-氢气混合气体量；p
h,gb
(t)为t时刻输出gb
的热能；η
gb
为gb能量转换效率；分别为gb的输入功率上下限；分别为gb的爬坡上下限；p
h2,gb
(t)、p
g,gb
(t)分别为t时刻输入gb的天然气-氢气混合气体中氢气、天然气量；为输入gb的燃气中天然气含量的最低比例；
[0042]
所述eb的数学模型为：
[0043][0044]
其中，p
e,eb
(t)为t时刻输入eb的电能；p
h,el
(t)为t时刻输出eb的热能；η
eb
为eb能量转换效率；分别为eb的输入功率上下限；分别为eb的爬坡上下限；
[0045]
步骤1.4：引入阶梯式碳费用模型及固碳补贴模型，所述阶梯式碳费用模型的数学模型为：
[0046][0047][0048][0049][0050]
其中，分别为上级购电、购气的碳排放税及其两者总和；ee,buy,a
、e
g,buy,a
为上级购电、购气内含碳排放量；χe、χg分别为单位电力消耗、单位天然气消耗的碳排放；p
e,buy
(t)、p
g,buy
(t)分别为t时刻的上级购电、购气量；t为优化周期；λe、λg分别为电力、天然气碳费用基价；le、lg分别为电力、天然气阶梯式计税碳区间长度；α为价格增长幅度；
[0051]
所述固碳补贴模型的数学模型为：
[0052][0053]
其中，为mr设备固碳收益；λ
sub
为单位固碳量补贴费；χ
sub
为产单位天然气量所固定的碳量；p
g,mr
(t)为t时刻mr输出功率。
[0054]
该步骤1.4中，为体现ies低碳运营理念，促进节能减排，本实施例引入阶梯式碳费用模型与固碳补贴模型。ies中有关碳排放来源主要体现在两方面：一是上级购电与购气，二是耦合单元中的碳排放。由电能二次能源性质决定，电能的使用虽不产生直接碳排放，但通过引入“虚拟碳排放”的概念，便可衡量电能消费消费行为中的碳排放量，对之加以合理征税。同时，针对mr的固碳效益，可对其进行补贴作为经济收益计入ies经济成本模型中。阶梯式碳费用模型，其机理为阶梯式碳费用机制，其划分了多个碳排放量区间，针对一定时间内的消费行为碳排放量，按区间进行区分计价，排放量越高，税费越重。
[0055]
步骤2：根据ies元件特性进行分类，并对需求响应资源进行分类，制定多时间尺度下的优化计划；
[0056]
一实施例中，ies元件包括耦合设备、分布式电源与储能元件，需求响应资源包括电、气、热以及氢四类能源负荷，步骤2包括：
[0057]
根据ies元件的运行特性进行分类；其中，运行特性分类为：
[0058]
(1)耦合设备的灵活性不及储能设备，在本发明方法中不作为快速调节方式，但其备用调节容量具有一定的调节作用；
[0059]
(2)分布式电源在出力上限范围内可快速弃风弃光，其出力具有良好的可调性，但具有出力的不确定性与波动性；
[0060]
(3)储能元件具有布置灵活、调节快速的优势，但储能容量有一定限制，适用于对ies内随机波动的供需曲线进行快速调节；
[0061]
将需求响应资源分为价格型和激励型，其中，本实施例中，ies中的需求响应资源，包括电、气、热、氢四类能源负荷，均可利用需求响应特性对其进行需求响应管理。参考区域电网对电负荷需求响应资源(dr)的管理方式，将四种需求响应负荷分为价格型(pdr)和激励型(idr)两类。本实施例所建模型中电能、气能价格采用日前定价模式，因此pdr不在优化考虑之列，只需考虑idr负荷响应。激励型根据响应ies优化指令时间的长短，分为：
[0062]
a类idr，计划提前1天制定；
[0063]
b类idr，响应时长15min～1h；
[0064]
c类idr，响应时长5～15min；
[0065]
d类idr，实时响应；
[0066]
制定多时间尺度下的优化计划包括日前、日内滚动以及实时优化三阶段，具体框架为：
[0067]
日前优化：时间步长为1h，执行周期为24h；该阶段用于确定耦合设备的工作计划以及a类idr负荷调用计划；
[0068]
日内滚动优化：时间步长为15min，执行周期为4h；该阶段用于制定分布式发电的出力计划、耦合设备备用出力计划以及b类idr的调用计划，用以修正日前优化计划的偏差；
[0069]
实时优化：执行周期为5min；该阶段用于制定各类储能设备的工作状态以及c类和d类idr调用量，最终确定向上级配电网以及天然气网的购电量与购气量；
[0070]
所述多时间尺度下的优化计划中，之前阶段优化所得的控制量作为确定量带入之后阶段的优化模型中进行计算。
[0071]
步骤3：建立针对日前、日内滚动以及实时三阶段多时间尺度下的协调优化模型，鉴于此模型的混合整数非线性性质，采用引入辅助变量与big-m进行模型线性化变换，得到混合整数线性模型，并调用数学求解器进行求解。
[0072]
一实施例中，步骤3包括：
[0073]
步骤3.1，建立日前优化模型；
[0074]
进一步地，一实施例中，日前优化采用适用于较大不确定度的多场景随机规划方法，对于不同的各类负荷、分布式电源出力预测情景下的误差，满足ies运行安全性。步骤3.1包括：
[0075]
建立日前优化模型的目标函数，其中，日前优化模型的目标函数在系统总运行成本最小的基础上，将弃风弃光量和负荷缺损量折算成惩罚成本计入系统运行成本中，并考虑购能碳费用以及固碳收益，日前优化模型表示如下：
[0076]
[0077][0078]
其中，f1为日前优化模型的目标函数，代表ies运行成本；f
buy
(t)、f
sto
(t)、f
cpl
(t)、f
cpl
(t)、f
cpl
(t)分别为t时刻下上级购能、储能装置、耦合设备、分布式发电和用户负荷管理的成本函数；f
cpl
(t)为日前优化模型考虑场景数；f
cpl
(t)为日前优化过程中第s号场景的发生概率系数；f
cpl
(t)为第s号场景t时刻下向上级购电、购气的功率；f
cpl
(t)为单位购电、购气成本；f
cpl
(t)为电/气/热/氢储在s场景t时刻下的充放能功率；c(p
e/g/h/h2,sto,s
(t))为储能
装置成本函数；w(p
e/g/h/h2,sto,s
(t))为储能装置的维护成本函数；p
pv/wt,s
(t)为分布式发电中光伏、风机在s场景t时刻下的出力；k
c,pv/wt
(t)为弃风弃光惩罚成本系数；为分布式发电中光伏、风机在s场景t时刻下的预测出力；c(p
pv/wt,s
(t))为分布式发电在s场景t时刻下的成本函数；n∈{e,g,h,h2}中n为指代电/气/热/氢四类负荷的变量，用于简化公式描述的篇幅；k
n,idr,a
、k
n,idr,b
分别为各类负荷的a、b类idr的成本系数；|δp
n,idr,a,s
(t)|、|δp
n,idr,b,s
(t)|分别为各类负荷的a、b类idr在s场景t时刻调用量；k
c,load,n
为各类负荷缺失惩罚系数；p
loss,n,s
(t)为各类负荷在s场景t时刻下的缺失量；
[0079]
建立所述日前优化模型的约束条件，约束条件包括功率平衡约束、耦合设备运行约束、分布式发电出力约束、储能设备运行约束、各场景调节约束与各类需求响应资源约束；
[0080]
所述功率平衡约束包括电功率平衡约束、天然气平衡约束、热功率平衡约束与氢能平衡约束；
[0081]
电功率平衡约束建立如下：
[0082][0083]
天然气功率平衡约束建立如下：
[0084][0085]
热功率平衡约束建立如下：
[0086][0087]
氢能平衡约束建立如下：
[0088][0089]
其中，分别为电/气/热/氢储在s场景t时刻下对外充放能的额定功率大小；为t时刻下优化模型中的预期电/气/热/氢负荷；
[0090]
所述分布式发电出力约束，模型建立如下：
[0091][0092]
该分布式发电出力约束表示分布式发电出力值小于其预测值；
[0093]
耦合设备运行约束：ies中各耦合设备el、mr、gt、gb、eb的模型与约束式在步骤1.3
中已建立。需要注意的是，在日前优化模型中考虑到多场景随机规划，故耦合设备的运行也应满足多场景下的约束，符号变量对应成多场景下变量，如p
e,el
(t)对应于p
e,el,s
(t)；
[0094]
所述储能设备运行约束中电储能设备运行约束如下：
[0095][0096]
其中，分别为电储充放能效率；为电储的容量；s
e,s
(t)、(t)、分别为电储在s场景t时刻的储能量-容量比状态及其上下限；储能装置的储能量-容量比状态在一个优化周期t内的始末时刻应相等；基于其他形式储能设备运行约束与电氢储设备运行约束有一致性，得到其他形式储能设备运行约束；
[0097]
所述各场景调节约束，模型建立如下：
[0098]
|p
machine,s
(t)-p
machine,bs
(t)|≤ψ
machine
[0099]
其中，p
machine,bs
(t)为各类耦合设备的基准场景出力值；p
machine,s
(t)为各类耦合设备在s场景下的出力值；ψ
machine
为各类耦合设备的调节裕度；
[0100]
所述各类需求响应资源约束，模型建立如下：
[0101][0102][0103]
其中，分别为各类负荷a类、b类idr增加的负荷量；分别为各类负荷a类、b类idr减损的负荷量。
[0104]
所述日前优化模型的求解结果，选取其中的耦合装置运行状态量与a类idr调用量作为确定参数，代入随后的日内滚动与实时优化模型计算中。
[0105]
步骤3.2，建立日内滚动优化模型；
[0106]
进一步地，一实施例中，步骤3.2包括：
[0107]
建立日内滚动优化模型，与日前优化模型基本相同，日内滚动优化模型的目标函数同样为ies运行总成本最小、可调节的有耦合设备备用容量出力与idr类负荷的调用量成本，而a类idr参数已确定，负荷总成本为b类和c类idr之和。在日前优化模型目标函数的基础上，日内滚动优化模型如下：
[0108]
[0109][0110]
其中，n
s,dayin
为日内滚动优化模型考虑场景数；p
s,dayin
为日内滚动优化过程中第s号场景的发生概率系数；k
n,idr,c
为某类负荷c类idr的成本系数；δp
n,idr,c,s
(t)|为某类负荷c类idr在s场景t时刻下的调用量；
[0111]
建立所述日内滚动优化模型的约束条件，由于日内滚动优化模型同日前优化模型一样采用了多场景随机规划方法来应对不确定性带来的影响，因而约束条件与日前优化模型中基本一致，仅需在日前优化模型约束条件的基础上，另添加由于c类idr的加入所带来的c类需求响应资源约束与耦合设备备用容量出力约束；
[0112]
所述c类需求响应资源约束建立如下：
[0113][0114]
其中，分别为各类负荷c类idr增加、减损的负荷量；
[0115]
所述耦合设备备用容量出力约束建立如下：
[0116][0117]
其中，δp
machine,s
(t)为各类耦合设备的备用出力值，该式表示各类耦合设备的备用出力值满足上下限制，且备用容量出力与其日前出力计划之和满足容量限制。
[0118]
日内滚动优化模型将实测所得的系统数据反馈到日内滚动优化模型中，结合未来4h内时间步长为15min的风光负荷的超短期预测数据来求解最优控制序列；日内滚动优化模型的求解结果，在日前优化模型所确定的运行参数基础上，选取其中的分布式发电的出力计划、耦合设备备用容量出力计划与b类idr负荷调用量作为确定参数，代入随后的实时优化模型计算中。
[0119]
步骤3.3，建立实时优化模型；
[0120]
进一步地，一实施例中，步骤3.3包括：
[0121]
建立实时优化模型，实时优化模型的优化时间步长为5min，此时间尺度下实时负荷波动幅度已很小，多场景随机优化方法已不合适。本实施例在此采用机会约束方法，设置一定的约束条件，使得约束条件成立的概率不小于某一置信水平；建立实时优化模型的目标函数，与日前优化、日内滚动优化模型基本相同，实时优化模型的目标函数同样为ies运行总成本最小，变化的只有在idr类负荷的调用量成本，具体为c类和d类idr之和，实时优化模型如下：
[0122]
[0123][0124]
其中，k
n,idr,d
为某类负荷d类idr的成本系数；|δp
n,idr,d
(t)|为某类负荷d类idr在t时刻下的调用量；
[0125]
建立实时优化模型的约束条件，对实时优化模型采用机会约束方法。此时认为短期预测所得的电、气、热、氢实时负荷的偏差值各自满足某一截断正态分布，对储能装置的调控要求为只需满足各类负荷在各自设定的置信水平下的供给率即可，余下的微弱偏差可通过实时的上级购电、购气以及负荷调节满足平衡。故此时约束条件与不区分各类场景的日前、日内滚动优化的约束条件基本相同，不再复述，但在功率平衡以及分布式发电出力的部分约束上有所变化；所述实时优化模型中功率平衡约束的变化，具体体现在由随机约束的等式约束变为机会约束的不等式约束，主要包含电功率平衡约束、天然气平衡约束、热功率平衡约束与氢能平衡约束，约束的数学模型建立如下：
[0126]
电功率平衡约束建立如下：
[0127][0128]
天然气平衡约束建立如下：
[0129][0130]
热功率平衡约束建立如下：
[0131][0132]
氢能平衡约束建立如下：
[0133][0134]
其中，pr{
·
}为置信度表达式；为电/气/热/氢功率平衡置信水平；
[0135]
所述实时优化模型中分布式发电出力约束的变化，体现在实时优化中分布式发电的出力大小在延续日内滚动优化数值的基础上，不能超过现实条件制约下的实时最大出力
上限，约束建立如下：
[0136][0137]
其中，分别为实时优化中光伏、风机实际的出力上限；分别为日内滚动优化中得到的光伏、风机的出力计划。
[0138]
实时优化模型的求解结果，在前两阶段所确定的运行参数基础上，选取其中的各类储能装置的工作状态与出力、c类与d类idr调用量、向上级购电与购气量作为确定参数，最终得到ies多时间尺度运行方式下的各类运行参数。
[0139]
步骤3.4，对由日前优化模型、日内滚动优化模型以及实时优化模型构成的多时间尺度下的协调优化模型中存在的非线性项进行线性化处理；
[0140]
进一步地，一实施例中，步骤3.4包括：
[0141]
对目标函数中的绝对值项以及储能状态约束分别进行线性化处理；
[0142]
对所述目标函数中的绝对值项进行线性化处理，其中，日前优化模型中目标函数中用户负荷管理成本函数f
load
(t)表示如下：
[0143][0144]
对此式中的绝对值项进行等效线性化，引入实数辅助变量u
n,a,s
(t)、u
n,b,s
(t)与二值辅助变量δ
n,a,s
(t)、δ
n,b,s
(t)、ε
n,a,s
(t)、ε
n,b,s
(t)，对此可等效表示为：
[0145][0146][0147][0148]
其中：m为预设常数，其该数值较大，以此类推，对其他目标函数中的绝对值项依此进行线性化转换；
[0149]
对所述储能元件运行约束进行线性化处理，其中，日前优化模型中电储能运行约束的原约束条件为：
[0150][0151]
引入二值变量以表征电储的充放能状态，值1值0分别表示处于/不处于某状态，对之进行线性化等效处理得到：
[0152][0153]
以此类推，对其他储能状态运行约束依此进行线性化转换。
[0154]
其中，对由日前优化模型、日内滚动优化模型以及实时优化模型构成的多时间尺度下的协调优化模型为一混合整数非线性模型，难以用常用的人工智能算法与数学优化方法直接获取全局最优解，为保证求解效率与求解结果的可靠性，需对原模型中存在的非线性项进行线性化处理。具体为针对导致模型非线性的目标函数中的绝对值项以及储能状态约束分别进行线性化处理。
[0155]
步骤3.5，经过线性化处理后得到混合整数线性模型，采用数学优化工具进行求解，所得结果为全局最优解。
[0156]
本步骤中，经过线性化处理后得到混合整数线性模型，并调用数学求解器如cplex、gurobi对混合整数线性模型进行求解，所得结果为全局最优解。
[0157]
基于上述实施例，一实施例的数据基准值为电、气、热、氢负荷峰值设为1000kw、600kw、400kw与200kw，风电与光伏额定容量均为400kw。模型优化周期为一天24h，负荷及分布式发电的日前、日内、实时的预测误差分别设为3％、1％、0.5％及5％、3％、1％。分时电价见表1，天然气价为0.35元/kwh；各类设备运行参数、储能参数、四类idr的经济参数及其他参数分别见表2-表5。实时优化模型中，各类负荷误差率满足n(0,1/1200)的截断正态分布，置信度均取0.9。
[0158]
表1分时电价表
[0159][0160]
表2各类耦合设备运行参数
[0161][0162]
表3储能运行参数
[0163][0164]
表4负荷需求响应经济参数
[0165][0166]
表5其他参数
[0167][0168]
通过调用gurobi求解多时间尺度优化模型，在intel core i7@2.90ghz主机算力下，日前计算用时2s，日内单次滚动计算用时20s，滚动80次，实时优化计算用时15s，满足实际工作中的运算速率要求。
[0169]
为验证本方法在多时间尺度低碳优化上的有效性，选取三种场景下的ies优化结果对比分析：
[0170]
场景1：不考虑碳排放经济目标；
[0171]
场景2：考虑单一碳排放价格与固碳补贴；
[0172]
场景3：考虑阶梯式碳排放价格与固碳补贴。
[0173]
对以上三类场景进行多时间尺度计算并对比分析日前、日内、实时阶段的ies优化结果，三类场景日前优化的部分结果如表6所示。
[0174]
表6各场景日前优化结果
[0175][0176]
由表1可知，在日前阶段的优化中，相比场景1，考虑碳排放经济目标的场景2与场景3的总碳排放量各减少1.38％与1.57％，表明考虑低碳经济目标有助于减少ies的消费碳排放量。且对比场景2、场景3的碳排放费用发现，后者碳排放费用降低了28％并获得了更大的碳减排效益，说明考虑阶梯式的碳费用机制具有更优的碳减排效益与经济效益。
[0177]
对实时优化后的三类场景的部分参数列举如表7所示。
[0178]
表7各场景实时优化结果
[0179][0180][0181]
观察表7，从各类idr与弃负荷成本看，b类负荷在三种场景下都近乎为0，而场景2与场景3的a类idr成本远大于场景1的0成本，这是碳排放机制与负荷需求响应相互作用的结果，即通过适当减少负荷以降低碳排量费用，而场景3下b类idr仍在发挥作用是因为阶梯式碳排放机制所带来的更高阶的碳排费用仍在作用于负荷需求响应以减少总经济成本。三种场景下的c类、d类idr成本无明显差异是由于其均在保持具有相同预测误差的实时负荷
波动平衡与储能始末状态约束。
[0182]
为验证本方法在ies中不同清洁能源发电装机容量下的模型效益与工作有效性，选取模型中pv/wt装机容量区间200-1000kw，步长200kw进行仿真，其碳排放参数与弃电情况如表8所示。
[0183]
表8不同清洁能源发电装机容量下的相关参数
[0184][0185]
由表8可知，随着清洁分布式发电的装机容量提高，系统运行总成本有大幅下降的趋势，主要得益于向上级购能总量的下降与碳排费用的减少。其中，在清洁能源装机超过600kw时可以确定购电碳排费用为0，但购气碳排费用在此之后降幅缓慢，这是电转气的相关装置容量有限所致。为更好地消纳更高比例的清洁能源接入，耦合装置的装机容量也需有一定的提升。同时，本模型中的弃风弃光电量与惩罚费用都远小于总成本的降额，表明本发明模型具有良好的清洁能源消纳能力。
[0186]
为验证本方法引入的可调热电比与天然气-氢气混合利用效益，选取“天然气价高低”、“是否可调热电比”、“是否天然气-氢气混合”三类变量进行16组控制变量对照仿真，其中气价按单价0.35、0.6、0.8、1.4元/kwh设置成低、中、高、特高四档，并根据热电比可调与否以及天然气-氢气混合与否分为可调可混、可调不可混、不可调可混、不可调不可混四类运行情况。仿真结果如表9、表10所示。
[0187]
表9 16组对照仿真的经济成本结果
[0188][0189]
由表9可知，运行情况1在同等气价下的系统运行费用均最少，说明考虑可调热电比、考虑天然气-氢气混用的方案最具普遍经济性。且在天然气价格较低时，情况2较情况3更具经济性。且通过对比不同气价条件下热电比及天然气-氢气运行情况，发现气价越低，gt热电比变动程度越明显，时段范围越大，说明低气价下gt的可调热电比更能发挥经济性作用。反之在高气价情况下，电力具有价格优势，从而由el产生的氢气更多地参与替代天然气的产电发热过程中，减少高昂天然气的消费，发挥天然气-氢气混合策略的经济性。
[0190]
表10 16组对照仿真的碳排量结果
[0191][0192]
由表10可知，在中、低气价下，gt热电比可调性能良好降低碳排放，而天然气-氢气混合策略因气价较低经济性不足而几无碳减排作用。高气价下电能更多地替代天然气进行热能供应，从而带来系统总碳排放量上升，此时gt热电比调节作用不显著，而天然气-氢气混合策略的使用，使得电能转换为氢能参与gt、gb工作从而减少总体经济成本。
[0193]
对上述结果进一步分析：
[0194]
1)ies实行阶梯式碳排放费用相较于传统单一式碳排放费用具有更好的碳减排作用与更优越的运行经济性；
[0195]
2)多时间尺度优化运行方式能够兼顾ies内各类设备的运行灵活性与负荷预测的偏差，配合各类各级负荷需求响应更能实现ies内多能互补、互担风险的作用；在负荷需求响应中，a、b类idr主要起到日前负荷调整减少碳排放的作用，c、d类idr主要起到在实时阶段平衡负荷波动与储能状态调整的作用；
[0196]
3)大规模清洁能源的接入能大幅减少系统的运行成本，且本模型的弃风弃光量远小于pv\wt的出力总量，基本属于平衡负荷波动与保证储能装置在优化周期首末状态相同的损耗，具有良好消纳较大规模清洁能源接入的能力；
[0197]
4)考虑gt的可调热电比性能以及gt、gb的天然气-氢气混用能力能够根据实际的天然气价水平与运行情况，灵活调节多能互补，在节能减排的同时能降低能源的梯级损耗，获得更大的经济性。
[0198]
第三方面，本发明实施例还提供一种可读存储介质。
[0199]
本发明可读存储介质上存储有综合能源系统运行优化程序，其中所述综合能源系统运行优化程序被处理器执行时，实现如上述的综合能源系统运行优化方法的步骤。
[0200]
其中，综合能源系统运行优化程序被执行时所实现的方法可参照本发明综合能源系统运行优化方法的各个实施例，此处不再赘述。
[0201]
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。
[0202]
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。
[0203]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
[0204]
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。