一种低碳小镇地源热泵容量优化配置方法

技术领域

本发明涉及综合能源系统领域，具体涉及一种低碳小镇地源热泵容量优化配置方法。

背景技术

近年来，风电因其清洁、可再生、装机灵活等优势，成为低碳小镇能源利用的重中之重。然而，风电的波动性和间歇性使得可靠地获取风电变得困难，因此，需要对低碳小镇的多种能源及其转换设备进行优化配置。

传统含风电力系统的优化中，一般采取随机优化和鲁棒优化两类方法来应对风电的不确定性问题。其中，随机优化以获得风电精确分布为前提，而鲁棒优化则不需要准确的概率分布函数，但由于鲁棒优化存在求解结果较保守的缺点，对系统的经济性和环保性可能产生不利影响。

发明内容

为了解决现有发明的不足，本文优化低碳小镇的经济性同时促进弃风消纳，解决低碳小镇地源热泵容量优化配置问题，为此，本发明提供了一种低碳小镇地源热泵容量优化配置方法。

所采用的技术方案如下：

一种低碳小镇地源热泵容量优化配置方法，包括如下步骤：

整理低碳小镇以往风电出力及负荷变化数据；

采用k-means聚类与Frank Copula函数构建电源侧和负荷侧的联合场景；

通过伪F-统计确定最优典型场景；

以综合成本为优化目标，建立优化配置目标函数；

引入区间数学，并利用量子衍生算法对所建立的目标函数进行求解，确定地源热泵最优配置方案。

进一步地，所述的采用k-means聚类与Frank Copula函数构建电源侧和负荷侧的联合场景，其具体方法如下：

步骤1、通过整理分析过往风电出力以及负荷变化的数据，求出在规划年限下的风电以及负荷的边际概率密度分布；

步骤2、采用Frank Copula函数表示风电功率与负荷之间关系；

步骤3、利用相关矩阵图得到树型结构，构造风电-负荷联合分布函数；

步骤4、对所构造的风电-负荷联合分布函数进行分时段采样，得到风电-负荷联合采样结果；对所构造的风电-负荷联合分布函数进行逆变换，得到每个时段的风电-负荷输出，最终形成考虑风电与负荷相关性的随机场景；

步骤5、采用K-means聚类算法对步骤4得到的风电与负荷相关性的随机场景进行聚类，通过多维PFS判别函数确定最佳聚类个数，聚类中心为典型风电-负荷曲线组合，得到典型的风电电源侧和负荷侧的联合场景。

所述的通过伪F-统计确定最优典型场景，其具体方法是：

对于P(P≥1)维变量的样本，定义一个伪F统计比率，如式(1)所示。

式中：

m为样本数；k为类数；

式中：x

v

μ

对于式(1)，

结合上述式(1)(2)(3)，求得PFS为最大值时的最大聚类数K，即得到最优典型场景。

所述的建立优化配置目标函数是以综合能源系统中地源热泵的投资成本与系统年运行成本之和最低，其表达式为：

式中：ξ

其中的年投资成本ξ

ξ

其中，ξ

C

R

系统运行成本ζ

其中，ξ

ω

其中，a

根据泵式CHP机组的运行原理，若t时刻第i台CHP机组纯凝工况下的发电功率为

其中，C

将式(9)代入式(8)，即可得到t时刻第i台CHP机组的煤耗量和发电功率

其中，

运行维护成本ξ

其中，

弃风惩罚成本

其中，

所述的优化配置目标函数中还包括优化配置约束条件，所述的优化配置约束条件中包括供能平衡约束、设备运行约束和热泵容量约束。

优选地，所述的供能平衡约束为：

其中，

所述的设备运行约束包括CHP机组出力约束、地源热泵处理约束和储热罐热量约束：

所述的CHP机组出力约束为：

其中：P

C

所述的热泵处理约束为：

其中，Q

所述的储热罐热量约束为：

其中，

优选地，所述的地源热泵容量约束为：

其中，

进一步地，所述的引入区间数学，并利用量子衍生算法对所建立的目标函数进行求解的方法是：

步骤1、输入典型日的风电功率数据、电负荷数据、热负荷数据以及各灵活性资源的参数、待定容灵活性资源的容量范围进行遗传计算的基本数据，设定好合理的种群数量、迭代次数计算基本参数；

步骤2、将目标函数中待求解的变量进行染色体实数编码，设定迭代次数g＝1，随机生成的初始种群数量为N；

步骤3、对于种群中的每个个体，将该个体对应的配置方案传递至运行层，确定运行层运行模型，在满足运行层运行约束条件的情况下，得到该配置方案下的最优运行成本；

步骤4、将运行层的最优值结果返回至目标函数的投资部分进行迭代，计算出每一个体对应的适应度值；

步骤5、保留种群中得到的最优个体，同时记录最优个体所对应的适应度值；

步骤6、进行种群的选择、交叉以及变异等操作，进而生成新种群，经过迭代选择、交叉和变异后的种群个体可能不满足所设定的范围，故需要进行检验操作，若满足则进行后续步骤，不满足则需重新进行选择、交叉和变异；

步骤7、判断此时是否达到了最大迭代次数G，如果不满足就使g＝g+1；返回步骤3，如果满足则跳出循环，输出最优个体的记录，得到低碳小镇地源热泵的最优配置方案。

本发明技术方案具有如下优点：

本发明利用区间数学表征风电出力的不确定性，利用k均值聚类与Copula函数生成电源侧和负荷侧的联合场景，通过F-统计确定最优典型场景，以综合成本为优化目标建立优化配置目标函数，引入区间数学并利用量子衍生算法对所建立的目标函数进行求解以进一步提高优化精度，从而解决了低碳小镇地源热泵容量优化配置问题,且有效降低年运行成本，本发明计提方法与现有鲁棒优化方法相比，可更有效的消纳弃风。

附图说明

为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所提供的低碳小镇地源热泵容量优化配置方法流程图；

图2是本发明所提供的典型日风电区间出力图示；

其中：中间曲线是风出力曲线，上下两根曲线分别为不确定性区间的上限和下限；

图3是本发明所提供的典型日用电负荷曲线图示；

图4a-图4d是本发明所提供的地源热泵容量配置中典型日功率平衡图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了低碳小镇地源热泵容量优化配置方法，整理低碳小镇以往风电出力及负荷变化数据；采用k-means聚类与Frank Copula函数构建电源侧和负荷侧的联合场景；通过伪F-统计确定最优典型场景；以综合成本为优化目标，建立优化配置目标函数；引入区间数学，并利用量子衍生算法对所建立的目标函数进行求解，确定地源热泵最优配置方案。

在低碳小镇中，不同时间段、不同空间点处的风速和负荷均表现为非高斯分布，因此，存在源荷双侧的不确定性。风电和负荷的场景选择将决定低碳小镇能源容量优化配置方案的合理性，为兼顾源-荷双侧的不确定性，本发明基于k-means聚类和F-统计的源荷典型场景选择方法。首先，对小镇的以往的负荷及风电出力数据进行处理，剔除噪声数据，之后利用Frank Copula函数生成风电-负荷联合概率密度函数，对抽样结果采用F-统计确定最优聚类个数，并利用聚类方法获取具有代表性的典型场景。

负荷时序变化作为随机变量一定程度上受到了风速以及温度等环境因素的影响，因此可以从风电出力以及负荷曲线中得出非线性相关性。

本发明利用Frank Copula函数来构建负荷之间的非线性相关模型，并利用K-means聚类得到典型的风电及负荷典型场景组合。联合场景生成详细步骤如下：

步骤1、通过整理分析过往风电出力以及负荷变化的数据，可求出在规划年限下的风电以及负荷的边际概率密度分布；

步骤2、由于负荷和风电间有负相关，本发明采用Frank Copula函数来表示风电功率与负荷之间关系；

步骤3、根据所用的上述函数，利用相关矩阵图来得到树型结构，构造风电-负荷联合分布函数；

步骤4、对所构造的风电-负荷联合分布函数进行分时段采样，得到风电-负荷联合采样结果；对所构造的风电-负荷联合分布函数进行逆变换，得到每个时段的风电-负荷输出，最终形成考虑风电与负荷相关性的随机场景；

步骤5、采用K-means聚类算法对步骤4得到的风电与负荷相关性的随机场景进行聚类，通过多维PFS判别函数确定最佳聚类个数，聚类中心为典型风电-负荷曲线组合，得到典型的风电电源侧和负荷侧的联合场景。

本发明通过伪F-统计确定最优典型场景，其采用的下述多维PFS判别函数。

伪F-统计(Pseudo F-statistics.PFS)是来自方差分析(Analysis ofVariance.ANOVA)领域的一个统计量。对于P(P≥1)维变量的样本，定义一个“伪F统计比率”，如式(1)所示。

式中：

式中：x

对于式(1)，

本发明中低碳小镇地源热泵容量优化配置方法如下：

风电因其清洁、可再生、装机灵活等优势，成为低碳小镇能源利用的重中之重。然而，风电的波动性和间歇性使得可靠地获取风电变得困难。在传统的风电系统优化中，一般使用两种方法来处理风电的不确定性：随机优化和鲁棒优化。其中随机优化依赖于风能的准确分布，而鲁棒优化又存在保守性的问题。因此，本发明将既不依赖不确定参数的精确分布，且可以突出不确定参数对系统的影响的区间优化引入低碳小镇的优化配置方案，以应对典型日优化运行计算中风电不确定性的影响。通过区间数学将风电出力区间化，分别以优化运行结果的上限和下限对地源热泵容量进行优化，二者结果的均值作为最终配置结果。具体描述如下。

本发明考虑地源热泵的投资成本和系统运行成本，不考虑CHP机组、风电场、储热罐的投资成本，以综合能源系统中地源热泵的投资成本与系统年运行成本之和最低为目标函数，如式(4)所示：

式中：ξ

其中，年投资成本ξ

ξ

年初始投资成本是地源热泵容量相关的单位投资成本，具体计算如下：

其中，C

系统运行成本ζ

其中，ξ

燃料成本ξ

其中，ω

其中，a

其中，C

其中，

运行维护成本ξ

其中，

弃风惩罚成本

由于风电具有随机性和不可控的特点，为进一步增加系统对风电的消纳，在运行层目标函数中加入弃风惩罚成本，如式(14)

其中，

所设置的优化配置约束条件如下：

(1)供能平衡约束：

其中，

(2)设备运行约束：

CHP机组出力约束如下：

其中：P

热泵处理约束如下：

其中，Q

储热罐热量约束如下：

其中，

(3)热泵容量约束

其中，

本发明优化配置方案求解步骤如下：

步骤1、输入典型日的风电功率数据、电负荷数据、热负荷数据以及各灵活性资源的参数、待定容灵活性资源的容量范围等进行遗传计算的基本数据，设定好合理的种群数量、迭代次数等计算基本参数；

步骤2、将目标函数中待求解的变量进行染色体实数编码，设定迭代次数g＝1，随机生成的初始种群数量为N；

步骤3、对于种群中的每个个体，将该个体对应的配置方案传递至运行层，确定运行层运行模型，在满足运行层运行约束条件的情况下，得到该配置方案下的最优运行成本；

步骤4、将运行层的最优值结果返回至目标函数的投资部分进行迭代，计算出每一个体对应的适应度值；

步骤5、保留种群中得到的最优个体，同时记录最优个体所对应的适应度值；

步骤6、进行种群的选择、交叉以及变异等操作，进而生成新种群，经过迭代选择、交叉和变异后的种群个体可能不满足所设定的范围，故需要进行检验操作，若满足则进行后续步骤，不满足则需重新进行选择、交叉和变异；

步骤7、判断此时是否达到了最大迭代次数G，如果不满足就使g＝g+1；返回步骤3，如果满足则跳出循环，输出最优个体的记录，得到低碳小镇地源热泵的最优配置方案。

实施例

本发明涉及的北方某低碳能源小镇能源系统包含CHP机组1台，风电场容量为100MW，储热罐1台。选取一个自然年中冬季供暖150天的负荷数据，地源热泵设备费用：2000元/kW；运维费用0.0097元/kW·h；效率：3.5；运行年限：20年。煤炭价格为330元/吨，弃风惩罚价格为200元/MWh。其它设备参数如表1～表3所示。

表1CHP机组参数

表2CHP机组煤耗系数

表3储热罐参数

设置聚类数范围为3～10，通过本发明地源热泵容量优化配置方法进行聚类有效性函数的评估，最佳聚类数为4，该种情况下的典型风电-负荷典型组合如图2及图3所示，其中风电被赋予20％的不确定区间。对于所选的150天的风电-负荷场景，分别划分到4种典型场景的天数分别为35、42、10、63，因此在计算运行成本时，每个典型日成本乘以对应天数，相加之后即为总的运行成本。

设置3种场景，分别是不考虑不确定性的双层优化(方法1)；考虑运行优化的鲁棒优化(方法2)以及本发明所提计及源荷双侧不确定性的区间优化方法(方法3)。设置风电出力和负荷的不确定区间均为20％，对比3种场景下系统运行成本、弃风指标和总成本的对比，如表4所示，其中各结果均取4组典型风电出力-负荷曲线的结果的平均值。

表4不同方法优化配置结果对比

由表4可见，本发明所提方法与其它两种方法相比，可有效降低年运行成本，分别减少了750.598万元和300.608万元。此外，方法2和方法3均远低于不考虑不确定性的方法1，而本发明所提方法与采用鲁棒优化的方法相比可更有效的消纳弃风，这是因为鲁棒优化方法存在结果偏保守的缺点。图4a至图4d为20％不确定水平下4种典型日组合的区间优化功率平衡图，其中典型日3对热泵的利用较低，这是因为该种场景下全天风电出力较小，由典型场景划分实验可知，属于这类场景的只有10天。表5为区间优化和鲁棒优化的运行成本对比。

表5 10％～30％不确定度下运行成本对比

表5显示了在各种风电场不确定条件下，区间优化得到的总系统成本区间和鲁棒优化得到的总系统成本。由表5中的区域优化成本区间即可发现,风电不确定性越大,其总成本区间也越大。这就表明了,风电的不确定性将直接影响综合能源系统及风电的经济运行。表5中的总成本范围信息可以帮助系统调度器迅速地得到在特定风能区间情况下的系统总成本范围信息,并给出了风电不确定性对系统优化结果所影响的具体数据。另外,表5中利用鲁棒控制优化得到的总系统成本范围类似于通过区域设计得到的总成本范围的最大值。所以,与区域设计比较,利用鲁棒控制优化解的结论是比较保守的。

本发明未述及之处均适用于现有技术。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。