考虑气热能延迟特性的综合能源系统内能流自分配策略*

图1 综合能源系统

2.2 IES模型

本文所采用的IES模型中的各设备模型采用常规数学模型,其中,GT、GB、WT、PV、SB、HRS、AC、EC设备模型参考文献[9];EH、WS、P2G设备模型分别参考文献[10 ⇓-12]。

(1) GT模型

(1)${{F}_{\text{GT},t}}\text{=}{{F}_{\text{Gas},t}}{{\eta }_{\text{GT},t}}$

(2)${{F}_{\text{GT},t}}={{P}_{\text{GT},t}}\Delta t$

(3)${{\eta }_{\text{GT},t}}\text{=}a+b(P_{\text{GT},t}^{*})+c{{\left( P_{\text{GT},t}^{*} \right)}^{2}}+d{{\left( P_{\text{GT},t}^{*} \right)}^{3}}$

式中,${{F}_{\text{Gas},t}}$为燃气轮机在t时段的消耗天然气的量;${{F}_{\text{GT},t}}$为燃气轮机在t时段的发电量;${{\eta }_{\text{GT},t}}$为燃气轮机在t时段的发电效率;a、b、c、d为燃气轮机的效率系数,本文取值分别为7.825、32.198、-28.764和10.172;${{P}_{\text{GT},t}}$、$P_{\text{GT},t}^{*}$为燃气轮机在t时段的电功率及其标幺值。

(2) GB模型

(4)${{F}_{\text{GB},t}}\text{=}{{Q}_{\text{GB},t}}\Delta t/{{\eta }_{\text{GB}}}$

式中,${{F}_{\text{GB},t}}$为锅炉在t时段消耗的天然气量;${{Q}_{\text{GB},t}}$为锅炉在t时段的功率;${{\eta }_{\text{GB}}}$为锅炉的蒸汽效率,本文取值为0.85。

(3) HRS模型

(5)${{Q}_{\text{Hrs,}t}}=[{{F}_{\text{GT},t}}\left( 1-{{\eta }_{\text{GT,}t}} \right)]{{\eta }_{\text{Hrs}}}/\Delta t$

式中,${{Q}_{\text{Hrs},t}}$为热回收系统在t时段供热的功率;${{\eta }_{\text{Hrs}}}$为热回收系统的效率,本文取值为0.58。

(4) AC模型

(6)${{Q}_{\text{Ac},t}}=\left( Q_{_{\text{Hrs},t}}^{\text{Cold}}+Q_{_{\text{GB},t}}^{\text{Cold}} \right){{C}_{\text{Ac}}}$

式中,${{Q}_{\text{Ac},t}}$为吸收制冷机在t时段供冷的功率;$Q_{_{\text{Hrs},t}}^{\text{Cold}}$为热回收系统在t时段供冷的功率;$Q_{_{\text{GB},t}}^{\text{Cold}}$为燃气锅炉在t时段供冷的功率;${{C}_{\text{Ac}}}$为吸收制冷机的能效比,本文取值为0.75。

(5) EC模型

(7)${{Q}_{\text{Ec},t}}={{P}_{\text{Ec},t}}{{C}_{\text{Ec}}}$

式中,${{Q}_{\text{Ec},t}}$为电制冷机在t时段提供的冷功率;${{P}_{\text{Ec},t}}$为电制冷机在t时段制冷的电功率;${{C}_{\text{Ec}}}$为电制冷机在t时段的能效比,本文取值为3.51。

(6) EH模型

(8)${{T}_{\text{Eh},t}}={{\lambda }_{\text{Eh}}}{{P}_{\text{Eh},t}}$

式中,T_Eh,_t为电加热器在t时段产生的热功率;P_Eh,_t为电加热器在t时段输入的电功率;λ_Eh为电加热器的能量转换效率,本文取值为0.98。

(7) WS模型

(9)${{Q}_{\text{sto},t+1}}={{Q}_{\text{sto},t}}\cdot (1-\alpha )+\left\{ \begin{align} & \beta \cdot {{P}_{\text{sto},t}}\ \ \ \ {{P}_{\text{sto},t}}\ge 0 \\ & \frac{1}{\beta }\cdot {{P}_{\text{sto},t}}\ \ \ \ {{P}_{\text{sto},t}}<0 \\ \end{align} \right.$

式中,${{Q}_{\text{sto},t}}$为蓄能设备在t时段蓄存的冷量和热量;${{P}_{\text{sto},t}}$为蓄能设备在t时段的蓄放功率,${{P}_{\text{sto},t}}$值为正表示蓄能装置在蓄存能量,值为负表示蓄能装置在释放能量;α为蓄能装置向外界散失冷量和热量的损失系数,本文取值为0.02;β为冷量和热量传递过程中的有效系数,本文取值为0.98。

(8) P2G装置模型

(10)${{F}_{\text{P2G},t}}={{P}_{\text{P2G},t}}\cdot {{\eta }_{\text{P2G}}}/{{H}_{\text{P2G}}}$

式中,${{F}_{\text{P2G},t}}$为P2G设备在t时段产生的天然气流量;${{P}_{\text{P2G},t}}$为P2G设备在t时段输入的电功率;${{\eta }_{\text{P2G}}}$为P2G设备的转换效率,本文取值为0.60;${{H}_{\text{P2G}}}$为天然气热值,本文取值为36 MJ/m³。

3 IES运行调度策略

3.1 调度策略

本文提出的一种包含日前计划调度和日内能量分配调度的双层优化策略框架如图2所示。

图2

图2 日前-日内复合调度策略

(1) IES首先作出长期购气计划。在日前和日内调度中,天然气用量可随着负荷预测情况进行调整。

(2) 在日前调度层,作出周期为一日24 h的用气计划、机组每个整点时刻的出力计划以及备用计划,时间分辨率为1 h。

(3) 在日内调度层的每个优化时间区间ΔT内进行负荷功率预测计算。本文日内调度层优化时间区间ΔT分辨率取为1 h。

在ΔT时间内,系统对历史监测数据进行采集和分析,并作出t+ΔT时刻的负荷功率(包括冷、热、电三种负荷)的预测,计算t+ΔT时刻预测负荷功率与日前预测负荷功率的差值比例σ_load为

(11)${{\sigma }_{load}}=\left| \frac{{{P}_{now}}-{{P}_{ago}}}{{{P}_{ago}}} \right|\times 100%$

式中,P_now为当前预测负荷功率;P_ago为日前预测负荷功率。

σ_load的临界值参考了相关文献和实际调度情况,本文取为5%。若σ_load<5%,则认为当前负荷功率与日前预测负荷功率差距较小,无需进行日内调度调整,机组按照日前计划出力;若σ_load≥5%,则认为当前负荷功率与日前预测负荷功率差距较大,需计算当前需要调度的冷热、电负荷功率,并进入日内冷热电负荷日内调度模块。

电能具有即时传输性,气、热能的传输则具有延迟特性。以GT为例进行分析^[13],如图3所示,在t时刻通过日内负荷预测监测到t+ΔT时刻GT发出热功率大小应由日前预测的P₁增加至P₂。由于GT的热出力不能瞬间改变,即在t+ΔT时刻的A点不能突变至B点,而是从A点缓慢增加进气量值至C点,在t+ΔT+Δt时刻热功率才能增加至P₂,达到热负荷平衡。在此情况下,t+ΔT~t+ΔT+Δt时段内将会产生图中面积为S₁的能量缺失。

图3

图3 设备出力延时特性

为了弥补能量传输时间延迟造成的能量损失,本文采取在t+ΔT时刻加入额外的进气量ΔF,使得GT在t+ΔT~t+ΔT+Δt时段内额外产生热功率ΔP,产生的热能为图中面积S₂,等于缺失的面积S₁。由上述分析可以得到

(12)${{S}_{1}}={{P}_{t+\Delta T+\Delta t}}\cdot \Delta t-\int_{t+\Delta T}^{t+\Delta T+\Delta t}{{{P}_{}}}dt$

(13)${{S}_{\text{2}}}\text{=}\int_{t+\Delta T}^{t+\Delta T+\Delta t}{{{P}_{}}}dt$

式中,设备的出力曲线函数P_Ⅰ(t)、P_Ⅱ(t)和时间延迟Δt由设备的具体型号和工作特性决定(为方便识图,示意图3中的Δt尺度进行了一定比例的放大,实际应为秒级)。由S₁=S₂和GT模型可以求出需要补充的进气量ΔF和热功率ΔP。其他气、热能转换设备的出力特性与上述分析同理。

(4) 当前时刻日内调度完成后,机组按照调度结果出力,系统进入下一时刻重复上述负荷功率监测、预测、调度过程。

3.2 日内电负荷调度策略

本文采用“跟随电负荷(Following the electric load,FEL)”的调度原则。虽然调度原则已被广泛应用于可调度参数的降维处理,但是传统的电跟随策略存在着供电充足的情况下多余能量被浪费等问题。本文提出的日内电负荷调度策略考虑了供电不足以及供电冗余时电量的多种转化途径。日内电负荷调度流程如图4所示。

图4

图4 日内电负荷调度策略

调度策略如下所示。

(1) 考虑到供应工业电负荷的重要性,在日前调度中将计划适当的电负荷备用,将供应电负荷的机组出力留有一定裕量,以保证电负荷波动不大的情况下的日常供应。当出现用电高峰,供电不足时,优先选择蓄电池供电,再考虑调整其他发电机组出力和天然气进气量。

(2) 当供应电负荷有冗余,且冷/热负荷无缺额时,判断蓄电池是否充满的条件如下

(14)${{\sigma }_{Bat}}=\frac{S_{Bat}^{nom}-{{S}_{Bat}}}{S_{Bat}^{nom}}\times 100%$

式中,$S_{Bat}^{nom}$为蓄电池的额定容量;S_Bat为当前蓄电池的容量。

σ_Bat的临界值参考了相关文献和实际调度情况,本文取为10%。当σ_Bat≥10%时,认为当前蓄电池未充满电,则将多余电量储蓄在蓄电池中;当σ_Bat<10%时,认为当前蓄电池容量已满,多余电量不再充给电池,而是供给P2G装置转化为天然气。

(3) 当冷/热负荷均有缺额时,将多余电负荷供给电加热器制热或电制冷机制冷。由负荷需求、经济性、效率三个方面综合判断多余电量供给冷负荷或者热负荷,条件如下所示。

条件1：下一时刻冷/热负荷的缺额量

(15)$\Delta {{Q}_{ch}}\text{=}Q_{ch,t+\Delta t}^{*}-{{Q}_{ch,t+\Delta t}}$

式中,$Q_{ch,t+\Delta t}^{*}$为预测t+Δt时刻冷/热功率;Q_ch,_t+_Δ_t为t+Δt时刻机组计划出力。

条件2：能量转换的成本

(16)${{C}_{ch,op}}={{C}_{ch,m}}{{Q}_{ch,t+\Delta t}}$

式中,C_ch,m为能量转换设备电加热器或电制冷机的功率维护成本系数。

条件3：能量转换的效率

(17)$\eta =\frac{{{Q}_{ch}}}{\Delta {{P}_{ele}}}$

式中,ΔP_ele为当前多余的电功率;Q_ch为可转换的热功率或冷功率。

根据条件1~3的重要程度,赋予3个条件不同的权重系数ζ₁、ζ₂、ζ₃。加权平均后的公式如下

(18)${{\sigma }_{ver}}={{\zeta }_{1}}\Delta {{Q}_{ch}}+{{\zeta }_{2}}{{C}_{ch,op}}+{{\zeta }_{3}}\eta $

综上所述,根据计算供给冷负荷和热负荷下的σ_ver大小,将多余电量供给σ_ver数值大的负荷情况。本文取ζ₁为0.6,ζ₂为0.3,ζ₃为0.1。

3.3 日内冷/热负荷调度策略

在进行日内电负荷调度后,系统进行日内冷负荷和热负荷供应情况的分析与判断。冷负荷和热负荷调度流程如图5和图6所示。

图5

图5 日内冷负荷调度策略

图6

图6 日内热负荷调度策略

调度策略如下所示。

(1) 在供冷/供热不足的情况下,系统优先选择蓄能装置供应能量,然后再通过调整用气计划和机组出力计划来供给剩余缺额冷/热负荷。

(2) 在供冷/供热有冗余的情况下,系统优先选择将多余冷/热量储存在蓄能装置中,若蓄能装置容量已满,则此时机组制冷/制热较多,令机组降功率运行。

其中,判断蓄能装置容量是否已满的条件如下

(19)${{\sigma }_{sto}}=\frac{Q_{sto}^{nom}-{{Q}_{sto,ch}}}{Q_{sto}^{nom}}\times 100%$

式中,$Q_{sto}^{nom}$为蓄能装置的额定容量;Q_sto,ch为储存的能量。

σ_sto的临界值参考了相关文献和实际调度情况,本文取为15%。当σ_sto≥15%时,认为蓄能装置容量未满,多余的冷量或热量可储存在蓄能装置中;当σ_sto<15%时,认为蓄能装置容量已满,此时系统发出的冷量或热量有多余,机组应降功率运行。

3.4 IES调度模型

基于上述IES模型及运行调度策略,分别对日前计划和日内调度双层模型进行数学建模。

(1) 目标函数。日前调度目标函数为系统的运行成本最低。系统的运行成本包括天然气费用,设备的运行维护费用以及投资折旧成本,见文献[14-15]。

日内调度模型中,系统根据调度指令调整计划用气量和各设备出力,目标函数为调整成本最小,见文献[6]。

(2) 约束条件。日前调度和日内调度均应满足各个设备的出力约束以及冷热电负荷平衡约束,见文献[9]。

4 算例分析

4.1 基础数据设置

算例选取东南沿海某工业园区的IES进行仿真计算。系统负荷来源主要为船舶岸电,海水淡化装置,化石企业等工业负荷。IES模型中各设备参数及运行费用等设置情况^{[9⇓⇓-12,14 -15]}见表1。

表1 IES中的各设备参数及运行费用

设备名称		台数	额定功率/kW		运行维护系数C_m/ [元/(kW·h)]	安装成本C_INS/ (万元/kW)	寿命 L/年
WT		2	120		0.029 6	2.375	10
PV		3	80		0.009 6	6.650	20
GT		3	1 000		0.030 0	1.667	15
GB		2	1 200		0.028 7	1.569	20
P2G		1	150		0.021 5	2.457	10
HRS	1		1 000	0.017 6		1.284	10
EH	1		500	0.018 0		1.476	15
AC	1		500	0.023 9		2.091	15
EC	2		800	0.030 2		1.919	15
SB	1		220	0.028 3		1.894	10
WS	1		800	0.015 7		1.113	20

新窗口打开| 下载CSV

本算例以典型机组为例讨论气热冷能的延迟特性,取GT热出力延迟时间Δt为6.47 s,GB热出力延迟时间Δt为5.85 s。本算例中天然气的价格为2.28元/m³。

调度模型中,日前计划采用文献[16]所提出的短期负荷预测方法预测第二日24 h内的冷、热、电负荷功率,并在Matlab环境中通过Yalmip工具箱调用CPLEX求解器求解各个时刻机组的计划出力和天然气计划进气量。日内调度采用文献[17]所提出的超短期负荷预测方法预测t+ΔT时刻冷、热、电负荷功率。典型日日前和日内冷热电负荷预测值以及日前计划备用电负荷量见图7。

图7

图7 日前和日内负荷预测值

4.2 日前和日内优化结果分析

首先执行日前计划层,得到典型日各机组出力情况见图8。从图中可以看出,各个能量转换设备和储存设备相互耦合渗透,参与系统调度。

图8

图8 日前机组出力图

以典型日内4—9点时刻为例,分析日内调度过程。

(1) 4点时刻的调度情况。

1) 由图7可得,4点时刻日内预测电负荷功率P_now为908 kW,日前预测负荷功率P_ago为1 150 kW。按照式(1),σ_load值为21.04%>5%,此时可能由于船舶离港等原因,电负荷突然有较大程度的减少,供电出现冗余。

2) 进入日内电负荷调度模块。根据图7,9点时刻冷热负荷均有缺额。通过式(3)~(6)计算可得冷负荷σ_ver值为7.59,热负荷σ_ver值为17.66。因此,将多余电量通过电加热器供给热负荷。

3) 根据式(2)和4点前时刻的计算知蓄电池可存储74.66 kW电量,剩余138.34 kW电量通过P2G装置转化,得到天然气9.49 m³。

综上,日内电负荷调度全部结束,日内热负荷已通过冗余电量转化全部满足。

4) 进入日内冷负荷调度模块。此时,蓄能装置可以满足12 kW冷负荷缺量。

至此,4点时刻的日内调度全部完成,系统按照调度流程进入下一时刻的调度。

(2) 5点时刻的调度情况。5点时刻日内预测电负荷功率P_now为1 453 kW,日前预测负荷功率P_ago为1 277 kW,σ_load值为13.78%>5%,此时可能由于船舶靠岸充电,工业大功率设备启动等情况,出现供电不足。蓄电池补给不足的176 kW电量,蓄能装置存储冗余的31 kW冷量,并供给不足的65 kW热量。

(3) 6点时刻的调度情况。6点时刻日内预测电负荷功率P_now为2 084 kW,日前预测负荷功率P_ago为1 953 kW,σ_load值为6.71%>5%,出现供电不足的情况。由于蓄电池容量限制和之前时刻的消耗,蓄电池仅能补给不足的24 kW电量,剩余107 kW电量由燃气轮机供给,需要26.75 m³天然气,而4点时刻由P2G装置转化得到9.49 m³天然气,因此仅需补给17.26 m³天然气。此外,蓄能装置供给不足的59 kW冷量和104 kW热量。

(4) 7点时刻的调度情况。7点时刻日内预测电负荷功率P_now为2 607 kW,日前预测负荷功率P_ago为2 409 kW,σ_load值为8.22%>5%,出现供电不足的情况。蓄电池此时已无电量可供给,缺额的198 kW电量由燃气轮机供给,需要49.5 m³天然气。蓄能装置供给不足的64 kW冷量,存储冗余的5 kW热量。

(5) 8点时刻的调度情况。8点时刻日内预测电负荷功率P_now为2 583 kW,日前预测负荷功率P_ago为2 875 kW,σ_load值为10.16%>5%,出现供电冗余的情况。冷负荷σ_ver值为98.05,热负荷σ_ver值为63.06。因此,将多余电量通过电制冷机供给冷负荷。剩余电量供给蓄电池存储后再通过P2G装置转化为2.63 m³天然气。不足的104 kW热量由蓄能装置供给。

(6) 9点时刻的调度情况。

1) 9点时刻日内预测电负荷功率P_now为2 679 kW,日前预测负荷功率P_ago为2 919 kW,σ_load值为8.22%>5%,供电出现冗余。

2) 进入日内电负荷调度模块。冷负荷σ_ver值为88.5,热负荷σ_ver值为98.4,将多余电量通过电加热器供给热负荷。剩余94 kW电量通过P2G装置转化,得到天然气6.45 m³。

3) 进入日内冷负荷调度模块。此时,蓄能装置可以满足58 kW冷负荷缺量。剩余冷负荷由燃气锅炉通过吸收制冷机供给,则需要加大锅炉的天然气进量。通过计算可得,在燃气锅炉产热量全部供给吸收制冷机制冷的情况下,0.29 m³天然气可满足缺额的67 kW冷量。考虑到燃气锅炉热出力延迟特性,需要在9点时刻额外补充0.021 m³天然气。

4) 9点时刻的日内调度全部完成,系统按照调度流程进入下一时刻的调度。

按照上述调度流程,可以得到典型日日内各机组出力及天然气调整情况,如图9所示。

图9

图9 日内机组出力和天然气调整量

由日内调度调整结果可以看出,蓄电池和蓄能装置充放能量,起到了调整负荷量与机组出力匹配需求的重要作用。燃气轮机作为电负荷主要供能机组,电负荷午时高峰期满足了主要的负荷调整需求;电制冷机在用电谷时转化多余电能,承担了一部分冷负荷需求;P2G通过利用冗余电量产生天然气,减少了部分天然气进气量。

4.3 系统经济性分析

根据第4.2节的日前计划调度和日内调度结果,可以计算得到系统在典型日仅进行日前调度下的成本为16 805元,进行本文所提的日前-日内复合调度后的成本为13 803元,节约成本比例为17.86%。

可以看出,经过日内调度调整后,系统运行调度成本呈现一定程度的降低,这是因为复合调度策略的优化使得系统在日内调度中各类能流得到了最大限度利用,有效地改善了弃能现象,减少了弃能成本;P2G装置为系统提供了一定的天然气量,天然气进气量有所下降,根据资料显示,沿海地区天然气价格相较内陆较高,本算例采用的调度策略可以节约沿海地区能源系统天然气燃料用量,具有较大的经济性优势。

5 结论

本文研究了一种计及气热能延迟特性的IES优化调度模型及策略,通过日前计划调度和日内调度调整相结合的手段,挖掘多种能量转化途径,面对工业负荷波动情况,实现机组灵活、经济的出力分配调度,为小型工业园区的能源系统的建立和发展提供了一定参考。本文主要得到如下结论。

(1) 经过日内能流控制调整后,各时刻冷、热、电能量得到充分的转化利用,考虑了气热能的延迟特性,在最大限度的精度范围内实现了系统能量供需平衡。

(2) 采用日前-日内双层调度的调度策略以经济性最优为优化目标,减少了弃能成本和天然气成本,提高了系统的经济效益。

本文在调度过程中做出了一些简化处理,如未考虑系统调度指令发送、执行时间,未计及风光在日内出力的不确定性,在后续的研究中将建立考虑多重实际因素影响的调度策略,并在本文的基础上进一步研究负荷预测时间间隔内系统的自适应能流控制策略。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

胡鞍钢

中国实现2030年前碳达峰目标及主要途径

[J]. 北京工业大学学报, 2021, 21(3):1-15.

Angang

China’s goal of achieving carbon peak by 2030 and its main approaches

[J]. Journal of Beijing University of Technology, 2021, 21(3):1-15.

[2]

严思韵, 王晨, 周登极.

含氢能气网掺混运输的综合能源系统优化研究

[J]. 电力工程技术, 2021, 40(1):10-16,49.

YAN

Siyun

, WANG

Chen

, ZHOU

Dengji

Optimization of integrated electricity and gas system considering hydrogen-natural-gas mixture transportation

[J]. Electric Power Engineering Technology, 2021, 40(1):10-16,49.

[3]

王颖杰, 詹红霞, 杨孝华, 等.

考虑综合需求响应的电热系统调度

[J]. 电力工程技术, 2021, 40(1):17-24.

WANG

Yingjie

, ZHAN

Hongxia

, YANG

Xiaohua

, et al.

Optimal dispatching strategy of combined heat and power system considering integrated demand response

[J]. Electric Power Engineering Technology, 2021, 40(1):17-24.

[4]

LIU

Sai

, ZHOU

Cheng

, GUO

Haomin

, et al.

Operational optimization of a building-level integrated energy system considering additional potential benefits of energy storage

[J]. Protection and Control of Modern Power Systems, 2021, 6(1):55-64.

[5]

舒国栋, 贺平平, 马瑞.

考虑风光预测精度特性的多时间尺度机组组合方法

[J]. 电力工程技术, 2020, 39(3):78-83.

SHU

Guodong

, HE

Pingping

, MA

Rui

Multi-time scale unit combination method considering precision characteristics of wind and solar power forecasting

[J]. Electric Power Engineering Technology, 2020, 39(3):78-83.

[6]

栗然, 孙帆, 刘会兰, 等.

考虑能量特性差异的用户级综合能源系统混合时间尺度经济调度

[J]. 电网技术, 2020, 44(10):3615-3624.

Ran

, SUN

Fan

, LIU

Huilan

, et al.

Economic dispatch with hybrid time-scale of user-level integrated energy system considering differences in energy characteristics

[J]. Power System Technology, 2020, 44(10):3615-3624.

DOI:10.1016/j.apenergy.2019.02.085 [本文引用: 1]

[7]

Zhengmao

, XU

Yan

Temporally-coordinated optimal operation of a multi-energy microgrid under diverse un-certainties

[J]. Applied Energy, 2019, 240:719-729.

This paper proposes a temporally-coordinated operation method for a multi-energy microgrid under diverse uncertainties from renewable energy sources, power loads and electricity transaction prices between the microgrid and the utility grid. The method aims to coordinate multiple energies in different timescales considering distinct properties of thermal and power energy: the combined cooling heat and power plants, power-to-thermal conversion units and thermal storage tanks are dispatched hourly in the day-ahead operation stage; in the intraday online operation stage, the battery storage units are dispatched to supplement the day-ahead operation decisions every 5 min after the uncertainties are realized. Based on constraints linearization and uncertain scenario generation/reduction, the problem is converted to a deterministic two-stage mixed-integer linear programming equivalent model which can be solved efficiently. Finally, the proposed method is verified on an IEEE 33 bus distribution network based multi-energy microgrid. Compared with the existing methods, the simulation results indicate that the proposed method can better coordinate multiple energies with low operating cost and high robustness.

[8]

祁江浩, 李凤婷, 张高航.

需求响应分段参与的多时间尺度源荷协调调度策略

[J]. 电力系统保护与控制, 2021, 49(11):61-69.

Jianghao

, LI

Fengting

, ZHANG

Gaohang

Multi-time scale scheduling strategy for source-load coordination considering demand response block participation

[J]. Power System Protection and Control, 2021, 49(11):61-69.

[9]

熊焰, 吴杰康, 王强, 等.

风光气储互补发电的冷热电联供优化协调模型及求解方法

[J]. 中国电机工程学报, 2015, 35(14):3616-3625.

[本文引用: 3]

XIONG

Yan

, WU

Jiekang

, WANG

Qiang

, et al.

Coordination model and solution method of combined cooling,heating and power for wind-storage gas storage complementary power generation

[J]. Proceedings of the CSEE, 2015, 35(14):3616-3625.

[本文引用: 3]

[10]

王佳颖

. 计及需求响应的商业园区微网优化运行策略[D]. 杭州: 浙江大学, 2019.

WANG

Jiaying

. Optimal operation strategy of commercial park microgrid considering demand response[D]. Hangzhou: Zhejiang University, 2019.

[11]

陆伟

. 城市能源环境中分布式供能系统优化配置研究[D]. 北京: 中国科学院研究生院, 2007.

Wei

. Optimal planning of distributed CCHP system in urban energy environment[D]. Beijing: Chinese Academy of Sciences, 2007.

[12]

STEPHEN

, PIERLUIGI

Integrated modeling and assessment of the operational impact of power-to-gas (P2G) on electrical and gas transmission networks

[J]. IEEE Transactions on Sustainable Energy, 2015, 6(4):1234-1244.

DOI:10.1109/TSTE.2015.2424885 URL [本文引用: 2]

[13]

刘君, 穆世霞, 李岩松, 等.

微电网中微型燃气轮机发电系统整体建模与仿真

[J]. 电力系统自动化, 2010, 34(7):85-89.

LIU

Jun

, MU

Shixia

, LI

Yansong

, et al.

Overall modeling and simulation of microturbine generation system in microgrids

[J]. Automation of Electric Power Systems, 2010, 34(7):85-89.

[14]

李正茂, 张峰, 梁军, 等.

计及附加机会收益的冷热电联供型微电网动态调度

[J]. 电力系统自动化, 2015, 39(14):8-15.

Zhengmao

, ZHANG

Feng

, LIANG

Jun

, et al.

Dynamic scheduling of CCHP type of microgrid considering additional opportunity income

[J]. Automation of Electric Power Systems, 2015, 39(14):8-15.

[15]

黄伟, 黄婷, 周欢, 等.

基于改进微分进化算法的微电网动态经济优化调度

[J]. 电力系统自动化, 2014, 38(9):211-217.

HUANG

Wei

, HUANG

Ting

, ZHOU

Huan

, et al.

Dynamic economical dispatch of microgrid based on improved differential evolution algorithm

[J]. Automation of Electric Power Systems, 2014, 38(9):211-217.

[16]

ZHU

Ruijin

, GUO

Weilin

, GONG

Xuejiao

Short-term load forecasting for CCHP systems considering the correlation between heating, gas and electrical loads based on deep learning

[J]. Energies, 2019, 12(17):3308.

DOI:10.3390/en12173308 URL [本文引用: 1]

[17]

栗然, 孙帆, 丁星, 等.

考虑多能时空耦合的用户级综合能源系统超短期负荷预测方法

[J]. 电网技术, 2020, 44(11):4121-4134.

Ran

, SUN

Fan

, DING

Xing

, et al.

Ultra short-term load forecasting method for user-level integrated energy system considering spatio-temporal coupling of multi-energy

[J]. Power System Technology, 2020, 44(11):4121-4134.