基于有机朗肯循环系统的分布式多能源调度方法与流程

本发明涉及电力系统领域，具体地说是一种基于有机朗肯循环系统的分布式多能源调度方法。

背景技术：

随着中小型可再生能源机组和储能系统的发展，传统电力用户也可以作为能源提供方参与调度，成为所谓的电力产消者(prosumer)。从总体上讲，含有电力产消者的调度可分为集中式和分散式两种。计算负担较小和隐私保护较好的分布式调度近年来受到比较普遍的关注。在分布式电力调度方面已有一些研究报道，例如，以代理商作为中介，提出了一种公平、稳定的能源共享方案；基于双重拍卖过程进行交互式能量控制，以促进不同微电网之间的协调与调度；提出多级能源管理模式平台，有效引导产消者之间进行有差异性的电力调度。但这些研究都未考虑储能系统和需求响应。也有些调度机制考虑了电池储能系统和电动汽车充放电，例如，两阶段聚合控制方案，实现社区微电网间的储能资源共享，整个调度流程通过可信赖的第三方来监管；利用改进的对偶分解算法来解决电动汽车代理商与配电系统运营商之间的拥塞管理问题。但这些调度机制只考虑了电能调度模型，未计及用户侧利用的其它形式的能源，如天然气和热能等。

如何充分利用不同能源形式间的互补特性，以提高终端用能效率在国内外受到了比较广泛的关注。随着能源转换技术的快速发展和商业化，例如有机朗肯循环(organicrankinecycle,orc)和电转气技术，终端用能模式逐步发生变革，电力产消者就有了更多样化的调度资源和更丰富的能源储备。通过将其它能源形式(如天然气和热能)适时适量地转化为电能进行调度，使不同能源形式间的互补特性得到充分利用，以提高终端用能效率。

技术实现要素：

为解决上述问题，本发明提供一种基于有机朗肯循环系统的分布式多能源调度方法。

本发明采用以下的技术方案：基于有机朗肯循环系统的分布式多能源调度方法，其包括步骤：

1)构建包含有机朗肯循环系统的能源中心架构，建立有机朗肯循环系统的数学模型；

2)采用将多余的能源存量全部转换为电能参与调度的机制转化和调度多类型能源，在传统的集中式调度模型基础上建立两种分布式调度机制和对应的优化模型；

3)采用交替方向乘子法对所建立的优化模型进行分布式优化。

进一步的，步骤1)包括：

1)构建包含有机朗肯循环系统的能源中心架构

所述的能源中心中包含微型chp机组和有机朗肯循环系统，能源中心的输入为部分储存的能源，即电池中的电能、储气罐中的液态天然气和水箱中的热水；能源中心通过有机朗肯循环系统和微型chp机组将多种形式的能源转换为电能输出，并通过电力接口接入调度平台，参与分布式调度；

所述的能源中心用如下数学模型描述：

式中：α表示储能系统中被转换的能量比例；是能源中心的输出电功率；和分别表示热源为热辐射、废气热和热水的有机朗肯循环系统的转换效率；κ和ε^p-h分别为微型chp机组的“电输出-耗气量”比例和“电输出-废气量”比例；τt表示太阳辐射强度；an和分别为光伏板的面积和输出电功率；和分别表示电池、储气罐、热水箱的单位时间输出能量；是有机朗肯循环系统的耗电功率；

2)有机朗肯循环系统建模

有机朗肯循环系统由四个部分组成，即蒸发器、发电机-涡轮机单元、冷凝器和水泵；有机朗肯循环系统用数学方式描述为：

式中：为有机朗肯循环系统的耗热功率；η^hc表示蒸发器内的热传递效率；h1～h4依次为节点1～4处的比熵值，单位：kj/kg；dn,t是工质流体的单位流量，kg/h；和分别为涡轮机的输出功率和水泵的消耗功率；η^tb和η^wb分别表示涡轮机和水泵的能量转换效率；

有机朗肯循环的效率定义为涡轮机输出功率与系统注入热功率的比值，将式(3)代入式(2)，导出式(5)所示的不同热源的有机朗肯循环系统的效率计算公式：

用和分别表示预热循环和冷凝循环中的水泵耗电功率，则用式(6)计算

进一步的，步骤2)中，在集中式电力调度机制中，存在一个处于集中控制地位的电力系统独立系统运行员iso；各产消者经由通讯网络向iso上传实时状态信息，包括它们的负荷功率、可再能源发电输出功率和储能设备当前的荷电状态soc；iso基于这些信息，采用集中优化模型m-1(pt，)来协调各产消者的电力调度，m-1的数学模型如下所示：

m-1：

s.t.hⁱ(pt)＝0,gⁱ(pt)≤0(13)

式中：和分别为有功功率损耗和费用；和表示产消者n的能源购买成本、eh运行成本、过路费和收益；ω^t和ω^eh分别表示运行时间集合和产消者/eh集合；δt表示调度时隙；和分别为电力和天然气的零售价；和表示产消者n从外部网络购买的电功率和天然气；γ为资本回收率；nn和分别表示产消者n的eh投资成本、运行和维护成本、使用寿命和全周期内的总期望输出功率；表示电池每kwh放电量的成本；表示电池的单位时间输出能量；是能源中心的输出电功率；α表示储能系统中被转换的能量比例；为输送1kwh时每km的过路费，$/(kwh·km)；dm-w-n表示产消者w内被用于在m和n之间传递电能的传输距离；ω^mn表示产销者mn集合；是产消者n在时刻t的售出电价；hⁱ/gⁱ和分别表示iso和产消者n需要遵循的等式/不等式约束条件；pt和则是iso和产消者n的优化控制变量。

进一步的，在产消者n的约束和中包含储能设备的数学模型，用一个通用的储能模型来简要描述电池、储气罐和热水箱的约束条件，如下所示：

xn,t+yn,t≤1(18)

式中：sn,t是产消者n的储能系统在时刻t的soc，在区间内取值，δt表示单位时间；和分别表示储能设备注入和输出的单位能量/效率；二进制变量xn,t和yn,t用于表示储能系统在时刻t的运行状态，xn,t＝1表示输入状态，yn,t＝1表示输出状态，否则不运行；xn,t与yn,t的和不大于1，表示储能设备在任意时刻t只能处于一种运行状态；和分别为和的上界值。

进一步的，等式约束中还包括电、气、热三种能源的节点平衡方程，依次表示为：

式中：和分别为电、气和热三种能源的负荷量；和则表示电池、储气罐和热水箱的单位时间注入能量；是微型chp机组单位时间内的耗气量，单位：m³/h；为光伏板的实际输出功率；表示实际上网的光伏功率。

进一步的，不等式约束中还包括：

式中：和分别表示优化变量和的上界值；为光伏板的实际输出功率；表示实际上网的光伏功率。

进一步的，hⁱ包含非线性项所构建的集中优化模型m-1是二次约束二次规划问题，为保证m-1模型是凸优化问题，采用松弛方法对做线性化处理：

式中：ub是电力网络的额定电压；表示松弛后的变量pn,t和qn,t为产消者n的注入有功和无功功率；rn是末端节点为产消者n的线路的电阻；δt表示调度时隙；

在松弛化后，式(7)和(28)中的成本变成一个独立的线性变量，从而使得m-1模型转换为凸的混合整数二次约束优化miqcp问题，采用基于matlab平台的cplex商业求解器求取miqcp问题全局最优解。

进一步的，步骤2)中，两种分布式调度机制和对应的优化模型分别针对包含和不包含可信赖的第三方机构的情形；

所述的第三方机构仅充当各方之间的数据交互中介，负责调度过程中的监控和管理，不需要进行全局性的调度和控制。

第三方机构负责计算并向所有调度参与方提供中间变量之后，各参与方则基于进行并行优化，得到第k轮迭代的变量pt^(k)和如果没有第三方机构，则iso根据提前一步进行优化，然后将得到的pt^(k)传递至产消者，产消者根据pt^(k)更新自己的变量完成一次iso和产消者间的串行优化操作。

进一步的，步骤2)中，为适应分散调度机制，将上述集中优化模型m-1分解为1个iso优化子模型和n^eh个产消者优化子模型尽管两种调度机制的数据交互模式存在差异，但却可用一个共同的模型矩阵来描述，记为如下所示：

m^2-i：

所述的子模型m^2-i是一个凸的qcqp问题，采用松弛方法进行处理，以转换为更容易求解的二次约束优化问题；子模型属于凸的混合整数线性优化问题，直接采用cplex商业求解器求取全局最优解；各优化子模型间通过新增的约束条件进行关联和协调，计算偏差和迭代，直到获得令各方均满意的最优解；根据分布式优化理论，当且仅当满足约束时，松弛后的分布式优化模型m-2与松弛后的集中优化模型m-1具有相同的最优解；

分布式优化模型采用一个适用于模型m-2的迭代收敛判据，即：

判据：当k→∞时，若存在一个任意非负数ζ，使得成立，那么这种分布式算法是收敛。

具体到分布式算法admm，当设定一个较小的收敛阈值(如ζ＝10^-6)时，在有限迭代次数k内使得不等式成立。

进一步的，步骤3)中，交替方向乘子法本质是一种改进的增广拉格朗日惩罚函数法，通过拉格朗日乘子将约束条件叠加至目标函数中，构建二次的拉格朗日函数，并迭代更新对偶乘子和变量，直到局部变量与全局变量一致。

本发明提供的技术方案具有的有益效果：

本发明提供一种基于有机朗肯循环系统的分布式多能源调度机制，给出一种包含orc系统的能源中心架构，建立orc系统的稳态数学模型；提出两种可行的分布式调度机制，并针对提出的分布式调度机制构建调度优化模型；之后采用交替方向乘子法进行分布式优化。本发明让产消者通过orc系统进行分布式多能量转换和调度，使季节性的能源互补特性(如夏季电负荷高而冬季热/气负荷高)得到充分利用，并满足技术要求。

附图说明

图1为本发明具体实施方式中含orc系统的能源中心架构图；

图2为本发明具体实施方式中orc系统结构示意图及其t-s特性曲线图(图2a是orc系统结构示意图，图2b是t-s特性曲线图)；

图3为本发明具体实施方式中两种不同分布式调度机制的数据交互模式图(图3a为含第三方机构的数据交互模式图，图3b为不含第三方机构的数据交互模式图)；

图4为本发明具体实施方式中ieee123节点配电系统及其内产消者分布图。

具体实施方式

为更好地理解本发明的目的、技术方案以及技术效果，以下结合附图对本发明进行进一步的讲解说明。

本发明提出了一种基于有机朗肯循环系统的分布式多能源调度方法，其实施流程包括如下详细步骤：

步骤1、有机朗肯循环(orc)系统建模

1)包含orc系统的能源中心架构

orc是用于将低品位的热能，如废气热、太阳热辐射和热水，转化为电能的一种能量循环系统。将每个居民小区内的微电网视为一个基本电能调度单元/产消者。每个产消者可以集中控制其内的可再生能源发电(光伏板)和储能系统(电池、储气罐和热水箱)。如图1所示，能源中心中包含微型chp机组和orc系统这2种能量转换装置。在图1中，能源中心(energyhub,eh)的输入为部分储存的能源，即电池中的电能，储气罐中的液态天然气和水箱中的热水。eh通过orc系统和微型chp机组将多种形式的能源转换为电能输出，并通过电力接口接入调度平台，参与分布式调度。

图1所示的eh可以用如下数学模型描述：

式中：α表示储能系统中被转换的能量比例；是能源中心的输出电功率；和分别表示热源为热辐射、废气热和热水的orc系统的转换效率；κ和ε^p-h分别为微型chp机组的“电输出-耗气量”比例和“电输出-废气量”比例；τt表示太阳辐射强度；an和分别为光伏板的面积和输出电功率；和分别表示电池、储气罐、热水箱的单位时间输出能量；是orc系统的耗电功率。

2)orc系统建模

orc系统由四个部分组成，即蒸发器、发电机-涡轮机单元、冷凝器和水泵。orc系统的结构如图2(a)所示。首先，液态的工质流体在蒸发器中被加热到气态，然后气体进入发电机单元，推动涡轮机旋转发电。发电后的剩余废气被导入冷凝器中进行液化，并通过水泵再次加压，进入下一次工作循环。在此过程中，工质流体的温度(t)和比熵(s)也是循环变化的，如图2(b)所示。

图2所示的orc系统可用数学方式描述为：

式中：为orc系统的耗热功率；η^hc表示蒸发器内的热传递效率；h1～h4依此为节点1～4处的比熵值(单位：kj/kg)；dn,t是工质流体的单位流量(kg/h)；和分别为涡轮机的输出功率和水泵的消耗功率；η^tb和η^wb分别表示涡轮机和水泵的能量转换效率。

orc的效率一般定义为涡轮机输出功率与系统注入热功率的比值，因此可将式(3)代入式(2)，导出式(5)所示的不同热源的orc系统的效率计算公式：

由于h1～h4随温度和压力变化，因此可以预见：减少循环中的热量损失或增加工作压力均有助于提高orc系统的能源转换效率。

用和分别表示预热循环和冷凝循环中的水泵耗电功率，则可用式(6)计算

步骤2、在传统的集中式调度模型基础上，提出两种分布式调度机制和对应的优化模型。

1)传统集中式调度模型

在集中式电力调度机制中，存在一个处于集中控制地位的电力系统独立系统运行员(independentsystemoperator，iso)。各产消者经由通讯网络向iso上传实时状态信息，包括它们的负荷功率、可再能源发电输出功率和储能设备当前的荷电状态(stateofcharge,soc)。iso基于这些信息，采用集中优化模型来协调各产消者的电力调度。m-1的数学模型如下所示：

m-1：

s.t.hⁱ(pt)＝0,gⁱ(pt)≤0(13)

式中：和分别为有功功率损耗和费用；和表示产消者n的能源购买成本、eh运行成本、过路费和收益；ω^t和ω^eh分别表示运行时间集合和产消者/eh集合；δt表示调度时隙；πt^e和πt^g分别为电力和天然气的零售价；和表示产消者n从外部网络购买的电功率和天然气；γ为资本回收率；nn和分别表示产消者n的eh投资成本、运行和维护成本、使用寿命和全周期内的总期望输出功率；是电池每kwh放电量的成本；πt^fee为输送1kwh时每km的过路费($/(kwh·km))；dm-w-n表示产消者w内被用于在m和n之间传递电能的传输距离；是产消者n在时刻t的售出电价；hⁱ/gⁱ和分别表示iso和产消者n需要遵循的等式/不等式约束条件；pt和则是iso和产消者n的优化控制变量。

在模型m-1中，目标函数包括3个部分：不可拆分成本可拆分成本和可拆分收益网络约束hⁱ和gⁱ中包括有功/无功功率平衡等式、馈线容量约束、电压幅值约束。此外，gⁱ中还考虑了产消者本地可再生能源发电的输出功率约束。

在产消者n的约束和中包含了储能设备的数学模型，用一个通用的储能模型来简要描述电池、储气罐和热水箱的约束条件，如下所示：

xn,t+yn,t≤i(18)

式中：sn,t是产消者n的储能系统在时刻t的soc，在区间内取值；和分别表示储能设备注入和输出的单位能量/效率；二进制变量xn,t和yn,t用于表示储能系统在时刻t的运行状态，xn,t＝1表示输入状态，yn,t＝1表示输出状态，否则不运行；xn,t与yn,t的和不大于1，表示储能设备在任意时刻t只能处于一种运行状态；和分别为和的上界值。

等式约束中还包括了电、气、热三种能源的节点平衡方程，依次表示为：

式中：和分别为电、气和热三种能源的负荷量；和则表示电池、储气罐和热水箱的单位时间注入能量；是微型chp机组单位时间内的耗气量(单位：m³/h)。

不等式约束中还包括：

式中：和分别表示优化变量和的上界值；为光伏板的实际输出功率。

hⁱ包含了非线性项所构建的集中优化模型m-1是二次约束二次规划(quadraticallycon-strainedquadraticprogram,qcqp)问题。为保证m-1模型是凸优化问题，采用中描述的松弛方法对做线性化处理：

式中：ub是电力网络的额定电压；表示松弛后的变量pn,t和qn,t为产消者n的注入有功和无功功率；rn是末端节点为产消者n的线路的电阻。

在松弛化后，式(7)和(28)中的成本变成一个独立的线性变量，从而使得m-1模型转换为凸的混合整数二次约束优化(mixedintegerquadraticallyconstrainedprogram,miqcp)问题。可采用基于matlab平台的cplex商业求解器求取miqcp问题全局最优解。

2)两种分布式调度机制和对应的优化模型

在分布式调度机制中，每个产消者都可独立优化和控制自己的本地运行变量。这意味着产消者往往具有较高的隐私和保密权限，不需要将私人信息(如实时负荷、出力和储能量等)提交给任何其它机构。针对调度过程中是否涉及可信赖的第三方机构，本发明设计了两种分布式调度机制，如图3所示。这里的第三方机构仅充当各方之间的数据交互中介，负责调度过程中的监控和管理，不需要进行全局性的调度和控制。

如图3(a)所示，第三方机构负责计算并向所有调度参与方(iso和产消者)提供中间变量χt^(k)。之后，各参与方则基于χt^(k)进行并行优化，得到第k轮迭代的变量pt^(k)和pt^p(k)。如果没有第三方机构，则需要采用如图3(b)所示的数据交互模式，即iso根据提前一步进行优化，然后将得到的pt^(k)传递至产消者，产消者根据pt^(k)更新自己的变量完成一次iso和产消者间的串行优化操作。

为适应分散调度机制，本发明将上述集中优化模型m-1分解为1个iso优化子模型和n^eh个产消者优化子模型尽管图3中两种机制的数据交互模式存在差异，但却可用一个共同的模型矩阵来描述，记为如下所示：

m^2-i：

这里，新提出的子模型m^2-i是一个凸的qcqp问题，采用松弛方法进行处理，以转换为更容易求解的二次约束优化(quadraticallyconstrainedprogram，qcp)问题。子模型属于凸的混合整数线性优化(mixedintegerlinearprogramming，milp)问题，直接采用cplex商业求解器求取全局最优解。各优化子模型间通过新增的约束条件进行关联和协调，计算偏差和迭代，直到获得令各方均满意的最优解。根据分布式优化理论，当且仅当满足约束时，松弛后的分布式优化模型m-2与松弛后的集中优化模型m-1具有相同的最优解。

分布式优化模型一般采用迭代计算方法求解。不失一般性，这里给出一个适用于模型m-2的迭代收敛判据，即：

判据：当k→∞时，若存在一个任意非负数ζ，使得成立，那么这种分布式算法是收敛的。

具体到分布式算法admm，当设定一个较小的收敛阈值(如ζ＝10^-6)时，可以在有限迭代次数k内使得不等式成立。

步骤3、分布式优化模型的变形与求解

本发明着重探究分布式调度机制，重点介绍分布式优化模型m-2的求解过程。采用交替方向乘子法(admm)，它适用于大规模分布式计算问题，本质是一种改进的增广拉格朗日惩罚函数法，通过拉格朗日乘子将约束条件叠加至目标函数中，构建二次的拉格朗日函数，并迭代更新对偶乘子和变量，直到局部变量与全局变量一致。admm算法在求解模型m-2时是收敛的。下面以m-2为例，根据图3中所示的两种数据交互机制，详细说明admm算法的求解步骤。

1)当含有第三方机构时

在第k轮迭代开始时，在只知道上一轮迭代的最优值pt^(k-1)和无法给定第k轮的边界条件的前提下，第三方机构根据pt^(k-1)和计算出一个中间变量χt^(k)，以便iso和产消者并行开展第k轮优化。χt^(k)的计算公式如下：

基于变量χt^(k)，可将模型m-2变形为admm拉格朗日二次迭代更新方程，记作

l^2-i：

式中：和分别为第k轮迭代中iso和产消者n的拉格朗日乘子；函数‖‖2表示取2-范数；ρ是一个正常数，反映迭代更新的学习速率。

在并行计算后，即可获得第k轮迭代的最优控制变量pt^(k)和

之后，判断是否满足判据中的迭代收敛条件若满足则停止迭代，输出结果；否则按式(29)、(32)-(33)更新中间变量(χt^(k+1))和对偶乘子继续进行第k+1轮迭代。

含有第三方机构的分布式调度机制的admm求解步骤可采用如下的伪代码形式简要描述：

2)当不含第三方机构时

当不存在第三方机构计算并提供中间变量χt^(k)时，为保证第k轮迭代的进行，iso优先根据历史值进行优化，得到第k轮的最优控制变量pt^(k)，如下所示：

l^2-i：

式中为第k轮迭代中iso和产消者n的共用拉格朗日乘子。

随后，iso将pt^(k)传递至各产消者，并按如下admm拉格朗日方程更新

同样，在串行计算后，判断收敛条件是否满足。如不满足，则按式(36)更新对偶乘子进入第k+1轮迭代。

不含第三方机构的分布式调度机制的admm伪代码如下：

为了进一步理解本发明，以下以一个简单系统为例，来解释本发明的实际应用。

参数设置：以ieee123节点配电系统来检验所提出的调度机制和模型。所有123个节点被划归为7个产消者，如图4所示。为突出产消者彼此间的联系，图4还展示了一个划归后的简化8节点(1个变压器和7个产消者)网络。节点工作电压为4.16kv，允许波动阈值为±5％。

假设每个产消者内都安装了一个能源中心，且有三种类型的orc系统可供选择，具体型号参数如表1所示。实时调度过程通过一台装有amd1.90ghz处理器和8gbram的笔记本电脑进行仿真。设定调度时隙δt为15分钟，总共持续24小时(即0：00-24：00)。

表1orc系统的具体参数

仿真中涉及的居民用户数据，如储能系统容量、每日/每月的“电-气-热”负荷水平、能源零售价格等，均取自实际统计数据。此外，居民光伏日发电输出功率选自加拿大的实际测量数据。其它重要仿真参数如表2所示。

表2参数列表

1)优化结果

采用前述方法，分别求解集中式优化模型m-1和分布式优化模型m-2，得到了表3所示的单位调度日的优化结果。

如表3所示，虽然这三种模型的各项优化目标存在一定偏差，但最大不超过±2％。这表明所提出的分布式优化模型和调度机制是合理的，能够获得与原集中式优化问题一致的最优解。

表3集中式与分布式优化模型比较

p1-p7分别表示图4内编号1-7的产消者。为平衡自身电力需求，产消者不仅从上游配电系统获取电能，还和其它产消者间进行调度。具体日调度数值(单位：mwh)标记在电功率潮流箭头附近。同时，产消者也需要从配气网获取天然气，每日的获取量如表4中所示(单位：×10³m³)。

表4产消者每日的净成本和天然气获取量

2)两种分布式调度机制的比较

是否含有第三方机构对admm算法的收敛速度具有显著影响。两种分布式调度机制在收敛速度和运算时间方面各有优缺点，差异不大。如果进一步考虑第三方机构在监管调度行为、保障信息安全等方面的积极作用，则含有第三方机构的机制一的可操作性更好。表5中列出了两种分布式调度机制的具体收敛参数。

表5两种分布式调度机制的比较

综上，本发明提出了产消者通过orc系统进行分布式多能源调度的方法，首先给出一种包含orc系统的能源中心架构，建立orc系统的稳态数学模型。然后，在传统的集中式调度模型基础上，并根据在调度过程中是否包含可信赖的第三方机构，提出两种可行的分布式调度机制；基于所提出的分布式调度机制构建了调度优化模型，采用交替方向乘子法进行分布式优化。最后，采用ieee123节点配电系统对所提出的分布式调度机制进行说明，分析通过orc系统进行多能源转换和调度的优化结果，并对两种分布式调度机制进行比较。