含柔性热负荷的供热系统多时间尺度优化调度方法及装置制造方法及图纸

本发明专利技术公开了一种含柔性热负荷的供热系统多时间尺度优化调度方法，包括：建立包括可控供热机组、不可控供热机组、储热单元和柔性热负荷的供热系统；所述柔性热负荷包括参与日前优化调度的可转移热负荷、参与日前优化调度的A类可削减热负荷、参与日内优化调度的B类可削减热负荷和参与实时优化调度的C类可削减热负荷；建立日前优化调度模型，求解确定机组启停计划、储热单元的出力计划、可转移热负荷的调用计划和A类可削减热负荷的调用计划；建立日内优化调度模型，求解确定B类可削减热负荷的调用计划和优化机组出力、储热单元的出力；建立实时优化调度模型，求解确定C类可削减热负荷的调用计划，以及优化机组出力和储热单元的出力。的出力。的出力。

【技术实现步骤摘要】
含柔性热负荷的供热系统多时间尺度优化调度方法及装置


[0001]本专利技术属于智慧供热
，具体涉及一种含柔性热负荷的供热系统多时间尺度优化调度方法。

技术介绍

[0002]随着城市建设发展的迅速上升趋势，供热系统能源的需求量也迅速上升，而有限的传统燃料能源已无法满足日益增长的能源需求，已逐步发展为能源危机，而且以煤、天然气为达标的能源开发与供热利用，导致全球污染物增多，影响城市的环境和人类的正常生活，引入可再生能源进行供热是目前较好的解决方法，但可再生能源由于其自身出力的波动性和不确定性，给供热系统带来了难题。
[0003]在传统的供热系统优化调度过程中，通常未考虑让需求侧热负荷灵活参与到供热系统优化调度中，仅是依据需求侧热负荷的用热需求进行热源的出力协调，并没有考虑到需求侧柔性热负荷也可以作为调度资源，进行热负荷削减、转移，灵活参与到供热系统调度过程。因此，如何尽可能地降低可再生能源供热出力和热负荷预测误差，并且将柔性热负荷也作为可调度资源进行供热系统的优化调度是目前急需解决的问题。
[0004]基于上述技术问题，需要设计一种新的含柔性热负荷的供热系统多时间尺度优化调度方法。

技术实现思路

[0005]本专利技术所要解决的技术问题是，克服现有技术的不足，提供一种含柔性热负荷的供热系统多时间尺度优化调度方法，能够考虑不可控供热机组出力和用户热负荷预测精度的变化，以及柔性热负荷在不同的时间尺度上有不同的调节潜力和调节方式，根据柔性热负荷特性，充分挖掘需求侧负荷资源的潜力，通过对柔性热负荷进行分类，激励更多的柔性热负荷参与不同时间尺度上的优化调度中来，建立日前
‑
日内
‑
实时的多时间尺度协调调度模型，在三个时间尺度上协调可控供热机组、不可控供热机组、储热单元和各类柔性热负荷，前一个时间尺度确定下来的资源调度计划在后一个尺度的优化中作为已知量进行处理，实现各个时间尺度的资源出力优化，具有明显的削峰填谷效果，降低供热系统运行成本。
[0006]为了解决上述技术问题，本专利技术的技术方案是：
[0007]本专利技术提供了一种含柔性热负荷的供热系统多时间尺度优化调度方法，它包括：
[0008]建立包括可控供热机组、不可控供热机组、储热单元和柔性热负荷的供热系统；所述柔性热负荷包括参与日前优化调度的可转移热负荷、参与日前优化调度的A类可削减热负荷、参与日内优化调度的B类可削减热负荷和参与实时优化调度的C类可削减热负荷；
[0009]以可控供热机组、不可控供热机组、储热单元和柔性热负荷在调度时间段的运行总成本最小为目标函数，建立日前优化调度模型；求解日前优化调度模型确定可控供热机组的启停计划、不可控供热机组的启停计划、储热单元的出力计划、可转移热负荷的调用计
划和A类可削减热负荷的调用计划，并输入至日内优化调度模型中；
[0010]以可控供热机组、不可控供热机组、储热单元、B类和C类可削减热负荷在调度时间段的运行总成本最小为目标函数，建立日内优化调度模型；求解日内优化调度模型确定B类可削减热负荷的调用计划和优化可控供热机组的出力、不可控供热机组的出力、储热单元的出力，并输入至实时优化调度模型中；
[0011]以可控供热机组、不可控供热机组、储热单元和C类可削减热负荷在调度时间段的运行总成本最小为目标函数，建立实时优化调度模型；求解实时优化调度模型确定C类可削减热负荷的调用计划，以及优化可控供热机组的出力、不可控供热机组的出力和储热单元的出力。
[0012]进一步，所述可控供热机组为常规热源机组，包括燃煤供热机组和燃气供热机组中的一种或多种；所述不可控供热机组为可再生能源供热机组，包括太阳能供热机组、风电供热机组、地热供热机组和生物质供热机组中的一种或多种；
[0013]所述可转移热负荷为通过将用热需求量转移到不可控供热机组出力较多的时段，提高可再生能源消纳的热负荷，或将热负荷高峰时段的用热转移到热负荷低谷时段，进行削峰填谷的热负荷，采取提前一天向热负荷用户通知用热转移激励措施，鼓励热负荷用户自发调整用热时段，参与供热系统的日前优化调度；
[0014]所述可削减热负荷为与热负荷用户签订补偿合同，在用热高峰时段对热负荷进行削减，或者热负荷用户根据用热行为差异向供热调度中心上报自身时间段的最低用热量信息，供热调度中心根据上报信息确认负荷削减量和时段信息；根据热负荷削减响应时长和响应速度的不同，并结合多时间尺度的调度周期，将可削减热负荷划分为A类可削减热负荷、B类可削减热负荷和C类可削减热负荷；所述A类可削减热负荷响应时间较长，参与供热系统的日前优化调度；所述B类可削减热负荷响应时间较短，参与供热系统的日内优化调度；所述C类可削减热负荷立即响应，参与供热系统的实时优化调度。
[0015]进一步，所述日前优化调度模型建立之前，还包括提前24小时获取不可控供热机组的出力预测数据和用户的热负荷需求信息，并设定调度周期为24小时，调度时间间隔为1小时；
[0016]所述日内优化调度模型建立之前，还包括提前4小时获取不可控供热机组的出力预测数据和用户的热负荷需求信息，并设定调度周期为4h，调度时间间隔为15分钟；
[0017]所述实时优化调度模型建立之前，还包括提前15分钟获取不可控供热机组的出力预测数据和用户的热负荷需求信息，并设定调度周期为15分钟，调度时间间隔为5min。
[0018]进一步，所述获取不可控供热机组的出力预测数据和用户的热负荷需求信息，包括：
[0019]获取不可控供热机组出力和用户热负荷预测所需的历史数据以及与待预测参数相关的影响因素信息；
[0020]利用相关性分析法确定待预测参数与各影响因素间的关系强弱，选取相关性较大的影响因素作为预测算法的输入；
[0021]利用机器学习算法建立不可控供热机组出力预测模型和用户热负荷预测模型，获得不可控供热机组出力预测值和用户热负荷预测值；
[0022]根据参数实测值计算预测误差，根据预测误差对预测模型进行滚动修正；
[0023]采用训练后的预测模型预测未来不同时间段的不可控供热机组出力计划和热负荷的需求计划信息。
[0024]进一步，所述建立日前优化调度模型时，以可控供热机组、不可控供热机组、储热单元和柔性热负荷在调度时间段的运行总成本最小为目标函数，表示为：
[0025][0026]T1为日前调度阶段的时段总数；N
G
为可控供热机组的数量；P
G,i,t
为t时段可控供热机组i的出力；f(P
G,i,t
)为可控供热机组i在t时段的运行成本；S
i
为可控供热机组i的启停成本系数；u
i,t
为t时段内可控供热机组i的状态变量；N
K
为不可控供热机组的数量；P
K,j,t
为t时段不可控供热机组j的出力；f(P
K,j,t
)为不可控供热机组j在t时段的运行成本；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含柔性热负荷的供热系统多时间尺度优化调度方法，其特征在于，它包括：建立包括可控供热机组、不可控供热机组、储热单元和柔性热负荷的供热系统；所述柔性热负荷包括参与日前优化调度的可转移热负荷、参与日前优化调度的A类可削减热负荷、参与日内优化调度的B类可削减热负荷和参与实时优化调度的C类可削减热负荷；以可控供热机组、不可控供热机组、储热单元和柔性热负荷在调度时间段的运行总成本最小为目标函数，建立日前优化调度模型；求解日前优化调度模型确定可控供热机组的启停计划、不可控供热机组的启停计划、储热单元的出力计划、可转移热负荷的调用计划和A类可削减热负荷的调用计划，并输入至日内优化调度模型中；以可控供热机组、不可控供热机组、储热单元、B类和C类可削减热负荷在调度时间段的运行总成本最小为目标函数，建立日内优化调度模型；求解日内优化调度模型确定B类可削减热负荷的调用计划和优化可控供热机组的出力、不可控供热机组的出力、储热单元的出力，并输入至实时优化调度模型中；以可控供热机组、不可控供热机组、储热单元和C类可削减热负荷在调度时间段的运行总成本最小为目标函数，建立实时优化调度模型；求解实时优化调度模型确定C类可削减热负荷的调用计划，以及优化可控供热机组的出力、不可控供热机组的出力和储热单元的出力。2.根据权利要求1所述的供热系统多时间尺度优化调度方法，其特征在于，所述可控供热机组为常规热源机组，包括燃煤供热机组和燃气供热机组中的一种或多种；所述不可控供热机组为可再生能源供热机组，包括太阳能供热机组、风电供热机组、地热供热机组和生物质供热机组中的一种或多种；所述可转移热负荷为通过将用热需求量转移到不可控供热机组出力较多的时段，提高可再生能源消纳的热负荷，或将热负荷高峰时段的用热转移到热负荷低谷时段，进行削峰填谷的热负荷，采取提前一天向热负荷用户通知用热转移激励措施，鼓励热负荷用户自发调整用热时段，参与供热系统的日前优化调度；所述可削减热负荷为与热负荷用户签订补偿合同，在用热高峰时段对热负荷进行削减，或者热负荷用户根据用热行为差异向供热调度中心上报自身时间段的最低用热量信息，供热调度中心根据上报信息确认负荷削减量和时段信息；根据热负荷削减响应时长和响应速度的不同，并结合多时间尺度的调度周期，将可削减热负荷划分为A类可削减热负荷、B类可削减热负荷和C类可削减热负荷；所述A类可削减热负荷响应时间较长，参与供热系统的日前优化调度；所述B类可削减热负荷响应时间较短，参与供热系统的日内优化调度；所述C类可削减热负荷立即响应，参与供热系统的实时优化调度。3.根据权利要求1所述的供热系统多时间尺度优化调度方法，其特征在于，所述日前优化调度模型建立之前，还包括提前24小时获取不可控供热机组的出力预测数据和用户的热负荷需求信息，并设定调度周期为24小时，调度时间间隔为1小时；所述日内优化调度模型建立之前，还包括提前4小时获取不可控供热机组的出力预测数据和用户的热负荷需求信息，并设定调度周期为4h，调度时间间隔为15分钟；所述实时优化调度模型建立之前，还包括提前15分钟获取不可控供热机组的出力预测数据和用户的热负荷需求信息，并设定调度周期为15分钟，调度时间间隔为5min。4.根据权利要求3所述的供热系统多时间尺度优化调度方法，其特征在于，所述获取不
可控供热机组的出力预测数据和用户的热负荷需求信息，包括：获取不可控供热机组出力和用户热负荷预测所需的历史数据以及与待预测参数相关的影响因素信息；利用相关性分析法确定待预测参数与各影响因素间的关系强弱，选取相关性较大的影响因素作为预测算法的输入；利用机器学习算法建立不可控供热机组出力预测模型和用户热负荷预测模型，获得不可控供热机组出力预测值和用户热负荷预测值；根据参数实测值计算预测误差，根据预测误差对预测模型进行滚动修正；采用训练后的预测模型预测未来不同时间段的不可控供热机组出力计划和热负荷的需求计划信息。5.根据权利要求1所述的供热系统多时间尺度优化调度方法，其特征在于，所述建立日前优化调度模型时，以可控供热机组、不可控供热机组、储热单元和柔性热负荷在调度时间段的运行总成本最小为目标函数，表示为：T1为日前调度阶段的时段总数；N
G
为可控供热机组的数量；P
G,i,t
为t时段可控供热机组i的出力；f(P
G,i,t
)为可控供热机组i在t时段的运行成本；S
i
为可控供热机组i的启停成本系数；u
i,t
为t时段内可控供热机组i的状态变量；N
K
为不可控供热机组的数量；P
K,j,t
为t时段不可控供热机组j的出力；f(P
K,j,t
)为不可控供热机组j在t时段的运行成本；S
j
为不可控供热机组j的启停成本系数；u
j,t
为t时段内不可控供热机组j的状态变量；N
ESS
为储热单元的数量；C
ESS,s
为储热单元蓄放热成本系数；P
ESC,s,t
、P
ESD,s,t
分别为储热单元s在t时段的蓄热、放热量，且储热单元不能同时蓄放热；C
FL
＝C
ZY,t
+C
XJ,t
为柔性热负荷的调度成本，C
ZY,t
为可转移热负荷的调度成本，C
XJ,t
为可削减热负荷的调度成本；为可削减热负荷的调度成本；N
L
为可转移热负荷的用户数量；分别为可转移热负荷的单位热负荷转入成本、转出成本；分别为可转移热负荷用户x在日前调度时段t的热负荷转入量、热负荷转出量；N
A
为A类可削减负荷的数量；M
A
为A类可削减热负荷的分档数；为第m档A类可削减热负荷的单位补偿标准；K
B
为B类可削减热负荷的分档数；为第k档B类可削减热负荷的单位补偿标准；W
C
为C类可削减热负荷的分档数；为第w档C类可削减热负荷的单位补偿标准；模糊参量分别为第m档A类可削减热负荷、第k档B类可削减热负荷和第w档C类可削减热负荷的实际响应量；所述建立日前优化调度模型还包括设置日前优...

【专利技术属性】
技术研发人员：赵琼，时伟，裘天阅，
申请(专利权)人：浙江英集动力科技有限公司，
类型：发明
国别省市：