(文章复现)基于共享储能服务的智能楼宇双层优化配置

2024-06-06 14:12

本文主要是介绍(文章复现)基于共享储能服务的智能楼宇双层优化配置,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

参考文献:

[1]张浩鹏,李泽宁,薛屹洵,等.基于共享储能服务的智能楼宇双层优化配置[J/OL].中国电机工程学报,1-12[2024-05-22].

1.摘要

        为降低城市化进程中楼宇储能投资成本,提出一种基于共享储能服务的智能楼宇(Intelligent Buildings,IBs)双层优化配置方法。首先,建立计及寿命周期的共享储能电站(Shared Energy Storage Station,SESS)模型。其次,基于楼宇建筑物热惯性,构建含空调系统的 IBs 数学模型。然后,综合考虑 SESS 与 IBs 的差异化利益诉求,建立基于 SESS 的 IBs 双层优化模型。上层模型目标函数旨在降低 SESS 的规划成本,下层模型目标函数旨在降低IBs 的 年 运 行 成 本 , 并 采 用 卡罗需 - 库 恩 - 塔 克(Karush-Kuhn-Tucher,KKT)条件将原双层优化问题转换为单层混合整数线性规划问题进行求解。最后,以三个IBs 社区的四季典型日为例,对比分析了不同优化配置方法对于 IBs 运行和 SESS 配置结果的影响。结果表明,在满足 IBs 用户温度舒适性的同时,所提双层优化配置方法可充分满足 SESS 运营商与 IBs 的差异化利益诉求,实现双方的共赢。

2.原理介绍

        SESS-IBs 双层优化框架如图 1 所示,包括SESS、N 个 IBs 和配电系统。每个 IBs 社区可由本地光伏与风电、SESS 和电网供电,其能耗主要来自于常规电负荷和空调负荷。考虑到 IBs 用户受到相关政策和技术的限制,设定 IBs 用户不能售电给电网。IBs 通过向 SESS 缴纳服务费参与共享储能服务,满足自身的储能需求,同时节省了巨大的储能投资成本。

        SESS 内设置储能电站调控中心,根据每个时段 IBs 的充放电需求下达调度指令,在同一时段内接入 SESS 的所有 IBs 总充放电需求若为充电,则储能电站调控中心使用储能装置充电来存储 IBs 的多余电能;若为放电,则储能电站调控中心使用储能装置放电来满足 IBs 的用能需求,IBs 用能以购售电的形式进行结算。储能电站调控中心根据一个周期内所有 IBs 的用电行为来配置相应的容量和最大充放电功率。SESS 根据分时购售电电价向用户支付或收取相应的费用,主要以不同时段购售电的价格差以及向 IBs 收取服务费实现盈利,其中服务费均以单位功率收取。

2.1 上层共享储能电站规划模型

2.1.1 上层模型目标函数

基于共享储能服务的 IBs 双层优化模型以降低 SESS 储能投资成本和提高 SESS 运行经济效益为上层目标,其中上层目标函数包括投资和运维成本、SESS 和 IBs 交易电量的费用和从 IBs 收取的共享储能服务费。

2.1.2 上层模型约束条件

SESS 需要满足的约束条件包括荷电状态约束、充放电功率约束、储能电站倍率约束和储能电站充放电功率平衡约束。

1)荷电状态约束

2.2 下层智能楼宇优化运行模型

2.2.1 下层模型目标函数

基于共享储能服务的 IBs 双层优化模型以降低 IBs 的年运行成本为下层目标,其中下层目标函数包括从电网购电成本、IBs 和 SESS 交易电量的费用和向 SESS 缴纳的服务费。

2.2.2 下层模型约束条件

        下层 IBs 需要满足的约束条件包括墙体热平衡约束、室内热平衡约束、电功率平衡约束、空调运行约束、爬坡约束、温度舒适区间约束、从电网购电功率约束和 IBs 与 SESS 间购售电功率约束。具体约束如下:

1)墙体热平衡约束

        基于热容-热阻网络模型可构建考虑建筑物热惯性的 IBs 详细热动态模型。以 IBs 单个室内区域为例,楼宇建筑物的热动态模型如图 2 所示。

热动态模型描述的是单个制热/冷区域,楼宇模型则是由多个类似构造的区域聚合而成。本文近似每栋楼宇内的制热/冷区域构造一致,因此在同种场景及相同环境参数下,楼宇群中每个制热/冷区域的空调系统功率是一致的。IBs 所有室内区域的围护结构均相同,楼宇围护结构的热平衡约束可以描述为:

2)室内热平衡约束

室内温度受到多种因素的影响,包括外界环境温度、光照强度、墙体温度和空调系统制冷/热等。室内热平衡约束如下所示:

3)电功率平衡约束

4)空调运行约束

空调系统主要通过制冷/热来满足 IBs 用户的温度舒适性,其运行功率如下所示:

5)爬坡约束

空调运行功率变化应在一定的区间范围内,其爬坡约束具体如下:

6)温度舒适区间约束

满足 IBs 用户的温度舒适性应在一定的区间范围内,该温度舒适性约束如下:

7)从电网购电功率约束

8)IBs 与 SESS 购售电功率约束

2.3 求解方法

本文构建的双层模型目标函数中含有绝对值,为非线性项,并且上层模型和下层模型存在耦合关系,难以直接进行求解。

因此,先将目标函数中的绝对值项线性化。再通过构建下层 IBs 模型的拉格朗日函数,利用卡罗需-库恩-塔克(Karush-Kuhn-Tucher,KKT)条件代替下层模型,同时作为上层模型的附加约束,将原双层优化问题转化为单层非线性优化问题。最后采用Big-M 法将非线性约束进行线性化,问题最终变为单层混合整数线性规划问题,求解过程具体如图 3 所示。

3.编程思路

3.1参数和变量定义

3.2编程思路

        原文献中对下层优化的KKT方程进行了详细的推导。但实际上yalmip工具箱中已经存在kkt命令可以直接求解得到优化问题的kkt方程。

        此外,代码中采用了yalmip工具箱+gurobi求解器进行编程,需要安装求解器才能得到正确的结果。如果没有gurobi但是有其他求解器,也可以在设置中进行修改。

4.部分代码

%% 清除内存空间
clc
clear
close all
warning off%% 系统参数
NT = 24;                                    % 控制时段数
Nw = 4;                                     % 典型日数目
Tw = 91;                                    % 每个典型日的天数
NIB = 3;                                    % IBs社区数
tau = 0;                                    % 自放电效率
n_abs = 0.98;                               % SESS 的充电效率
n_relea = 0.98;                             % SESS 的放电效率
dt = 1;                                     % 单位时间间隔
SOC_min = 0.1;                              % SOC最小值
SOC_max = 0.9;                              % SOC最大值
SOC0 = 0.2;                                 % SOC初始值
beta = 2.8;                                 % SESS 能量倍率
Cwall = [7.9e5*ones(3,1);2.6e7];            % 墙体热容
Rwall = [0.06*ones(3,1);0.08];              % 墙体热阻
vij = [0.45;0.35];                          % 墙体吸热率
Awall = [12;15];                            % 墙体面积
Qrad = [1000;1500];                         % 墙体对应方向的光照强度
Croom = 2.5e5;                              % 房间内热容
wij = 0.9;                                  % 窗体透射率
Awin = 6;                                   % 窗体面积
E_EER = 3;                                  % 空调能效比
PAC_max = 1.6;                              % 空调系统运行功率的上限
Ppb_max = 0.2;                              % 空调运行功率变化的上限
Ppb_min = -0.2;                             % 空调运行功率变化的下限
Tin_max = 24;                               % IBs 用户舒适温度区间的上限
Tin_min = 20;                               % IBs 用户舒适温度区间的下限
Pgrid_max = 4000;                           % IBs从电网购电的最大功率
Pess_mg_max = 4000;                         % IBs 和 SESS 进行电量交易的最大功率
Ppv = zeros(NT,Nw,NIB);                     % 第w个典型日第n个IBs社区在t时刻的光伏功率
Pwt = zeros(NT,Nw,NIB);                     % 第w个典型日第n个IBs社区在t时刻的风电功率
Pload = zeros(NT,Nw,NIB);                   % 第w个典型日第n个IBs社区在t时刻的负荷需求
data1 = xlsread('风光负荷数据.xlsx', 'IB1');
data2 = xlsread('风光负荷数据.xlsx', 'IB2');
data3 = xlsread('风光负荷数据.xlsx', 'IB3');
Pload(:,:,1) = data1(:,[2,5,8,11]);
Pload(:,:,2) = data2(:,[2,4,6,8]);
Pload(:,:,3) = data3(:,[2,5,8,11]);
Ppv(:,:,1) = data1(:,[3,6,9,12]);
Ppv(:,:,2) = data2(:,[3,5,7,9]);
Ppv(:,:,3) = data3(:,[3,6,9,12]);
Pwt(:,:,1) = data1(:,[4,7,10,13]);
Pwt(:,:,3) = data3(:,[4,7,10,13]);Tout = ...                                  % 室外温度
[26.50 	14.71 	8.17 	-8.15 
26.36 	13.57 	7.32 	-8.31 
26.22 	11.58 	6.18 	-8.47 
26.07 	9.45 	4.48 	-8.48 
25.93 	8.31 	4.33 	-8.79 
25.22 	7.60 	3.05 	-9.26 
24.80 	8.45 	1.07 	-9.42 
24.94 	10.02 	3.05 	-9.58 
26.36 	12.15 	7.32 	-8.35 
26.50 	14.28 	10.44 	-7.12 
28.35 	18.54 	12.43 	-6.20 
28.35 	20.25 	13.29 	-5.59 
30.20 	21.95 	13.57 	-5.59 
31.47 	22.24 	13.71 	-5.60 
32.18 	23.09 	13.85 	-6.07 
33.89 	23.66 	14.14 	-6.38 
33.61 	22.24 	13.85 	-6.85 
33.89 	22.10 	13.14 	-7.48 
32.47 	21.67 	12.15 	-7.33 
31.47 	20.11 	11.01 	-8.11 
30.76 	18.69 	10.16 	-8.27 
29.91 	17.69 	9.45 	-8.74 
29.20 	16.84 	9.02 	-8.44 
29.20 	16.27 	8.88 	-8.91];%% 上层决策变量
Pess_max = sdpvar(1);                       % SESS的最大充放电功率
Eess_max = sdpvar(1);                       % SESS的最大容量
Eess_t = sdpvar(NT + 1,Nw);                 % t时刻SESS的电能储量
Pess_t = sdpvar(NT,Nw);                     % t时刻SESS和IBs交易电量的总功率
Pess_abs = sdpvar(NT,Nw);                   % t时刻SESS的充电功率
Pess_relea = sdpvar(NT,Nw);                 % t时刻SESS的放电功率%% 下层决策变量
Pess_bs = sdpvar(NT,Nw,NIB);                % 第w个典型日第n个IBs社区在t时刻与SESS交易电量的功率
Pgrid = sdpvar(NT,Nw,NIB);                  % 第w个典型日第n个IBs社区在t时刻从电网购电的功率
Twall_12 = sdpvar(NT,Nw,NIB);               % 墙体温度
Twall_13 = sdpvar(NT,Nw,NIB);               % 墙体温度
Twall_14 = sdpvar(NT,Nw,NIB);               % 墙体温度
Twall_15 = sdpvar(NT,Nw,NIB);               % 墙体温度
Tin = sdpvar(NT,Nw,NIB);                    % 房间内温度
Qint = sdpvar(NT,Nw,NIB);                   % 房间内部热源
PAC = sdpvar(NT,Nw,NIB);                    % 第w个典型日第n个IBs社区的房间在t时刻的空调功率%% 上层约束条件%% 目标函数[KKTsystem , details] = kkt(Constraints_down,objective_down,[Pess_bs;Pgrid;Twall_12;Twall_13;Twall_14;Twall_15;Tin;Qint;PAC]);%% 设求解器
% gurobi求解器
ops = sdpsettings('verbose', 3, 'solver', 'gurobi','showprogress',1);
ops.gurobi.TimeLimit = 600;                 % 运行时间限制为10min
ops.gurobi.MIPGap = 0.01;                   % 收敛精度限制为0.01% cplex求解器
% ops = sdpsettings('verbose', 3, 'solver', 'cplex','showprogress',1,'debug',1);
% ops.cplex.timelimit = 600;                  % 运行时间限制为10min
% ops.cplex.mip.tolerances.mipgap = 0.01;     % 收敛精度限制为0.01% mosek求解器
% ops=sdpsettings('verbose', 3, 'solver', 'MOSEK','cachesolvers',1);
% ops.mosek.MSK_DPAR_OPTIMIZER_MAX_TIME=600;% 运行时间限制为10min
% ops.mosek.MSK_DPAR_MIO_TOL_REL_GAP=0.01;  % 收敛精度限制为0.01
sol = optimize([KKTsystem,Constraints_up,Constraints_down], objective_up, ops);%% 分析错误标志
if sol.problem == 0disp('求解成功');
elsedisp('运行出错');yalmiperror(sol.problem)
end%% 显示结果
show_result;

完整代码获取方式:

(文章复现)基于共享储能服务的智能楼宇双层优化配置matlab代码资源-CSDN文库

5.代码运行结果

这篇关于(文章复现)基于共享储能服务的智能楼宇双层优化配置的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1036339

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

Zookeeper安装和配置说明

一、Zookeeper的搭建方式 Zookeeper安装方式有三种,单机模式和集群模式以及伪集群模式。 ■ 单机模式:Zookeeper只运行在一台服务器上,适合测试环境; ■ 伪集群模式:就是在一台物理机上运行多个Zookeeper 实例; ■ 集群模式:Zookeeper运行于一个集群上,适合生产环境,这个计算机集群被称为一个“集合体”(ensemble) Zookeeper通过复制来实现

CentOS7安装配置mysql5.7 tar免安装版

一、CentOS7.4系统自带mariadb # 查看系统自带的Mariadb[root@localhost~]# rpm -qa|grep mariadbmariadb-libs-5.5.44-2.el7.centos.x86_64# 卸载系统自带的Mariadb[root@localhost ~]# rpm -e --nodeps mariadb-libs-5.5.44-2.el7

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

hadoop开启回收站配置

开启回收站功能,可以将删除的文件在不超时的情况下,恢复原数据,起到防止误删除、备份等作用。 开启回收站功能参数说明 (1)默认值fs.trash.interval = 0,0表示禁用回收站;其他值表示设置文件的存活时间。 (2)默认值fs.trash.checkpoint.interval = 0,检查回收站的间隔时间。如果该值为0,则该值设置和fs.trash.interval的参数值相等。

NameNode内存生产配置

Hadoop2.x 系列,配置 NameNode 内存 NameNode 内存默认 2000m ,如果服务器内存 4G , NameNode 内存可以配置 3g 。在 hadoop-env.sh 文件中配置如下。 HADOOP_NAMENODE_OPTS=-Xmx3072m Hadoop3.x 系列,配置 Nam

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

wolfSSL参数设置或配置项解释

1. wolfCrypt Only 解释:wolfCrypt是一个开源的、轻量级的、可移植的加密库,支持多种加密算法和协议。选择“wolfCrypt Only”意味着系统或应用将仅使用wolfCrypt库进行加密操作,而不依赖其他加密库。 2. DTLS Support 解释:DTLS(Datagram Transport Layer Security)是一种基于UDP的安全协议,提供类似于

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

让树莓派智能语音助手实现定时提醒功能

最初的时候是想直接在rasa 的chatbot上实现,因为rasa本身是带有remindschedule模块的。不过经过一番折腾后,忽然发现,chatbot上实现的定时,语音助手不一定会有响应。因为,我目前语音助手的代码设置了长时间无应答会结束对话,这样一来,chatbot定时提醒的触发就不会被语音助手获悉。那怎么让语音助手也具有定时提醒功能呢? 我最后选择的方法是用threading.Time