002文章解读与程序——中国电机工程学报EI\CSCD\北大核心《计及源荷不确定性的综合能源生产单元运行调度与容量配置两阶段随机优化》已提供下载资源

下载资源链接

摘要：为应对源端可再生能源及荷端负荷需求的随机性波动对综合能源生产单元(integratedenergyproductionunit,IEPU)运行调度及容量配置问题带来的挑战，该文提出一种两阶段随机优化方法。首先，在底层运行优化问题中，通过建立各设备模型及约束条件，提出基于混合整数线性规划(mixed integer linear programming,MILP)的最小成本求解方法；其次，利用蒙特卡洛模拟生成多种随机场景，确定系统在给定容量配置条件下的成本期望；最后，在顶层容量配置优化问题中，以系统容量为决策变量，采用遗传算法调用蒙特卡洛模拟及MILP运行优化算法，实现使IEPU系统全生命周期成本最小的最优容量配置。优化结果表明：底层运行优化中储气的接入使弃光量和碳排放量分别减少5.49%和0.35%，顶层计及源荷不确定性的电力设备容量提升20%左右，更加接近实际场景，验证了所提出方法的有效性。结合参数灵敏度分析，可为IEPU系统的规模化设计提供参考。

这段摘要描述了一种应对可再生能源波动和负荷需求不确定性对综合能源生产单元（IEPU）运行和容量配置带来挑战的方法。以下是对摘要中关键内容的详细解读：

1. 问题背景和动机：

   • 可再生能源波动性： 描述了源端可再生能源的波动性，这可能是由太阳能和风能等可再生能源的不稳定性引起的。
   • 负荷需求不确定性： 强调了负荷需求的随机性波动，这可能是由用户需求变化等因素引起的。

2. 提出的方法：

   • 两阶段随机优化方法： 方法包括两个主要阶段，旨在解决底层运行优化问题和顶层容量配置优化问题。
   • 底层运行优化问题： 使用混合整数线性规划（MILP）方法，通过建立各设备模型和约束条件，以最小成本为目标解决问题。
   • 蒙特卡洛模拟： 在第二阶段，通过蒙特卡洛模拟生成多种随机场景，确定系统在给定容量配置条件下的成本期望。

3. 顶层容量配置优化问题：

   • 遗传算法： 使用遗传算法作为顶层容量配置的优化工具，决策变量为系统容量。
   • 调用蒙特卡洛模拟和MILP： 通过调用蒙特卡洛模拟和MILP运行优化算法，以实现全生命周期成本最小的最优容量配置。

4. 优化结果：

   • 底层运行优化结果： 储气的接入减少了弃光量和碳排放量，表明底层优化对系统性能有积极影响。
   • 顶层容量配置优化结果： 电力设备容量提升，更接近实际场景，证明了方法的有效性。

5. 结论和展望：

   • 有效性验证： 通过对优化结果的验证，说明了提出方法的有效性。
   • 参数灵敏度分析： 结合参数灵敏度分析，为IEPU系统的规模化设计提供参考。

综合而言，这项研究旨在通过两阶段的随机优化方法解决IEPU系统的运行和容量配置问题，以适应可再生能源和负荷需求的不确定性。通过底层运行优化和顶层容量配置优化，研究者提出的方法在考虑系统全生命周期成本的前提下，取得了一系列积极的优化结果。

论文模型展示：=

论文部分程序代码展示：

%%  初始化设备参数及运行变量
addpath('..\光照强度与电负荷生成');
load('IPV1');  load('IPV2'); load('IPV3'); load('IPV4'); load('IPV5'); load('IPV6');   
load('Eload1');  load('Eload2'); load('Eload3'); load('Eload4'); load('Eload5'); load('Eload6');
It = [IPV1,IPV2,IPV3,IPV4,IPV5,IPV6];
Edemand = [Eload1,Eload2,Eload3,Eload4,Eload5,Eload6]; %电负荷
load('Nday'); %各典型日频次   
nday = [Nday(1)*ones(1,24),Nday(2)*ones(1,24),Nday(3)*ones(1,24),Nday(4)*ones(1,24),Nday(5)*ones(1,24),Nday(6)*ones(1,24)];
%% 以下，注意是把六个典型日的约束一起写，维度是24*6
T = 24*6;   
T = 24*6; 
%% 1.1.1光伏设备模型 
E_PVmppt = sdpvar(1,T);  %光伏板mppt发电功率
A_PV = sdpvar(1,1);  %光伏板面积/m2
k = 0.200;  %1平方米的光伏板1000w/m2的标准电功率为200w
E_PVr = sdpvar(1,1);  %光伏板额定发电功率
ita_PV = 0.200/1000;
%文章内写了两个E_PV,有错位，本代码将其改为E_PVmppt与E_PV
E_PV = sdpvar(1,T);  %光伏板有效发电功率
E_PV_cur = sdpvar(1,T);  %弃光功率
%后文算例中出现135MW的光伏容量配置结果，那么这里的限值就算用300MW吧，即300 000kW.
E_PVr_max = 300000;  %光伏板额定发电功率.kW
%之后，这里直接将约束也写上，省的再回头来写约束了。
C=[];
C=[C, E_PVr ==  A_PV*k,
      E_PVmppt == E_PVr*ita_PV/k*It,
      E_PVmppt == E_PV + E_PV_cur,
      0<=E_PVr,E_PVr<=E_PVr_max,
      %补充
      E_PV >= 0,
      E_PV_cur >= 0,
      A_PV >= 0, 
];
%% 1.1.2 CCS 模型   
V_CO2_PGU = sdpvar(1,T);  %火电机组的二氧化碳排放量
E_PGU = sdpvar(1,T);  %火电机组发电功率
e_PGU = 0.46;   %火电机组的二氧化碳排放强度，见表1的 0.46 N.m3CO2/kW.h
ita_CCS_max = 0.65;%碳捕集效率最大值  0.65 
V_CO2_CCSmax = sdpvar(1,T); %碳捕集最大功率（体积）
V_CO2_CCS = sdpvar(1,T); %实际碳捕集功率（体积）
V_CO2_cur = sdpvar(1,T); %碳捕集功率耗散部分功率（体积）
lamdaCO2 = 0.1937;   %碳捕集功率耗电系数 kW.h/N.m3CO2
E_CCS = sdpvar(1,T); %碳捕集耗电功率
%从图5可以找出火电机组的最大出力功率180MW，最大爬坡常出现在119时刻与162时刻的正负50MW
%火电机组的最小出力功率90MW，
%表1中给出的火电机组容量为300000kW
E_PGUmax = 300000;  %kW
E_PGUmin = 90000;   %kW
dita_E_PGUmax = 50000;%kW
dita_E_PGUmin = -50000;%kW
E_PGUmax = 300000;  %kW
E_PGUmin = 90000;   %kW
dita_E_PGUmax = 50000;%kW
dita_E_PGUmin = -50000;%kW
%从图7可知CO2捕集的最大功率是23000m3每小时
%由此计算碳捕集的最大电功率为 0.1937*23000 = 4.4551e+03 kW
E_CCSmax = 4.4551e+03; %kW
C=[C,V_CO2_PGU == e_PGU*E_PGU,
     V_CO2_CCSmax == ita_CCS_max*V_CO2_PGU,
     V_CO2_CCSmax == V_CO2_CCS + V_CO2_cur,
     E_CCS == lamdaCO2*V_CO2_CCS,
     E_PGUmin<=E_PGU,E_PGU<=E_PGUmax,
     dita_E_PGUmin<=E_PGU(2:T)-E_PGU(1:T-1),E_PGU(2:T)-E_PGU(1:T-1)<=dita_E_PGUmax,
     dita_E_PGUmin<=E_PGU(1:T-1)-E_PGU(2:T),E_PGU(1:T-1)-E_PGU(2:T)<=dita_E_PGUmax,
     0<=E_CCS,E_CCS<=E_CCSmax,
     %补充
     V_CO2_CCS >= 0,
     V_CO2_cur >= 0,
     ];

展示效果：