一种考虑用户热需求的蓄热电锅炉群电热调度方法及系统

1.本发明涉及能源规划技术领域，特别是涉及一种考虑用户热需求的蓄热电锅炉群电热调度方法及系统。


背景技术：

2.近年来，在中国国北方县域地区处于开展电能替代的进程中，由于蓄热电锅炉在运行过程中不会产生污染，且具有较高的电-热双侧的灵活调控性，依托蓄热电锅炉开展的电取暖得到了大规模的推广。另一方面，近年来北方地区整县式的分布式光伏也正得到广泛推进，其出力波动性对区域电网的调峰造成了较大压力，特别是在供暖高峰期，由于供热机组往往运行在“以热定电”的模式，调节能力受到很大限制。
3.目前，蓄热电锅炉在供热商的调控下独立运行，一般在后半夜集中启动，蓄满次日供暖所需热量后白天时段不再用电。该方式主要存在以下问题：一是其夜间集中启动的行为使得某些线路在负荷高峰时过载严重；二是蓄热量及供热功率的设定较为粗放，未能对供暖用户的差异化热舒适度需求及供暖区域散热特性进行细致量化；三是未能充分挖掘蓄热电锅炉在电热两侧的协同能力，造成其大量富余容量的浪费。


技术实现要素：

4.本发明的目的是提供一种考虑用户热需求的蓄热电锅炉群电热调度方法及系统，提高了调度的灵活性和资源的利用率。
5.为实现上述目的，本发明提供了如下方案：
6.一种考虑用户热需求的蓄热电锅炉群电热调度方法，包括：
7.获取待调度地区历史气象数据和分布式光伏出力数据，根据所述历史气象数据和所述分布式光伏出力数据构建分布式光伏出力预测模型；
8.根据所述分布式光伏出力预测模型预测所述待调度地区设定预测日的光伏发电数据；
9.基于所述待调度地区的用户热需求信息和设定预测日的温度信息确定热负荷需求模型；
10.基于所述热负荷模型构建蓄热电锅炉运行模型；
11.根据设定预测日的光伏发电数据、所述热负荷需求模型和所述蓄热电锅炉运行模型，以弃光量最小、负荷高峰时线路富余容量最大及线路峰谷差率最小为目标函数，确定所述待调度地区所述设定预测日各蓄热电锅炉和分布式光伏出力的调度方案。
12.可选地，所述获取历史气象数据和光伏出力数据，根据所述历史气象数据和所述光伏出力数据构建光伏出力预测模型，具体包括：
13.对所述历史气象数据进行预处理，对预处理后的历史气象数据进行聚类，获得k类气象场景数据；
14.根据k类气象场景数据及对应的分布式光伏出力数据确定分布式光伏出力预测模
型。
15.可选地，所述对所述历史气象数据进行预处理，对预处理后的历史气象数据进行聚类，获得k类气象场景数据，具体包括：
16.对所述历史气象数据进行预处理，基于k-means聚类方法对预处理后的历史气象数据进行聚类，获得k类气象场景数据。
17.可选地，所述热负荷需求模型表示为：
[0018][0019]
其中，q
heat，t
为t时刻建筑所需热负荷，q
ht,t
为t时刻围护结构传导热量，t为响应时间；q
inf,t
为t时刻空气渗透耗热量；q
ih,t
为t时刻室内热源发热量。
[0020]
可选地，所述热负荷需求模型的约束条件包括热感觉平均预测指标在预设范围内；
[0021]
所述热感觉平均预测指标表示为：
[0022][0023]
其中，λ
pmv,t
表示用户t时段的热感觉平均预测指标，m表示人体能量代谢率，i
cl
表示服装热阻；ts表示设定温度；t
in,t
为t时段的室内空气温度；
[0024]
所述用户热舒适度模型的约束条件为：
[0025]
其中，λ
pmv,t
表示最低限度，表示最高限度。
[0026]
可选地，所述蓄热电锅炉运行模型包括蓄热电锅炉电热转换模型和热负荷平衡模型；
[0027]
所述蓄热电锅炉电热转换模型表示为：ph
n,t
＝pen*η
1,n
；
[0028]
其中，ph
n,t
为第n台蓄热电锅炉t时刻热功率；pen为第n台蓄热电锅炉t时刻电功率，η
1,n
为第n台蓄热电锅炉的产热效率；
[0029]
所述热负荷平衡模型表示为：
[0030][0031]
pg
n,t
＝bg
n,t
+sg
n,t
；
[0032]
其中，pg
n,t
为第n台蓄热电锅炉t时刻供热功率，η2为热网损耗系数；hl
n,t
为第n台蓄热电锅炉t时刻热负荷热功率之和；p
heat,n,i,t
为第n台蓄热式电锅炉供暖范围i内第i个建筑t时刻的热功率；bg
n,t
为第n台蓄热电锅炉t时刻电锅炉部分热功率，sg
n,t
为第n台蓄热电锅炉t时刻蓄热罐部分热功率；
[0033]
所述蓄热电锅炉运行模型的约束条件包括：
[0034]
0≤pe
n,t
≤pe
n,max
；
[0035]
0≤bg
n,t
≤ph
n,t
；
[0036]
0≤sg
n,t
≤sg
n,max
；
[0037][0038][0039]
其中，pe
n,max
表示第n台蓄热电锅炉的额定电功率，q
bm,n
表示第n台蓄热电锅炉的最大蓄热量。
[0040]
可选地，所述目标函数表示为：
[0041][0042]
其中，t表示响应时间，k表示线路数，p
pv,t
表示实际分布式光伏t时刻可发电功率，表示所述分布式光伏出力预测模型输出的预测分布式光伏t时刻发电功率，为第k条线路的最大有功功率限制，为第k条线路的最大负荷，为第k条线路的最小负荷，λ1和λ2均为权重因子；
[0043]
所述目标函数的约束条件为：
[0044][0045]
其中，p
k,t
为蓄热电锅炉和分布式光伏在第k条线路的t时刻有功功率，q
k,t
为蓄热电锅炉和分布式光伏所在第k条线路的t时刻无功功率，为第k条线路允许的传输容量限制。
[0046]
本发明还公开了一种考虑用户热需求的蓄热电锅炉群电热调度系统，包括：
[0047]
分布式光伏出力预测模型构建模块，用于获取待调度地区历史气象数据和分布式光伏出力数据，根据所述历史气象数据和所述分布式光伏出力数据构建分布式光伏出力预测模型；
[0048]
光伏发电数据预测模块，用于根据所述分布式光伏出力预测模型预测所述待调度地区设定预测日的光伏发电数据；
[0049]
热负荷需求模型确定模块，用于基于所述待调度地区的用户热需求信息和设定预测日的温度信息确定热负荷需求模型；
[0050]
蓄热电锅炉运行模型确定模块，用于基于所述热负荷模型构建蓄热电锅炉运行模型；
[0051]
调度方案确定模块，用于根据设定预测日的光伏发电数据、所述热负荷需求模型和所述蓄热电锅炉运行模型，以弃光量最小、负荷高峰时线路富余容量最大及线路峰谷差率最小为目标，确定所述待调度地区所述设定预测日各蓄热电锅炉和分布式光伏出力的调度方案。
[0052]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0053]
本发明基于用户热需求信息和设定预测日的温度信息确定热负荷需求模型，根据设定预测日的光伏发电数据、热负荷需求模型和蓄热电锅炉运行模型，以弃光量最小、负荷高峰时线路富余容量最大及线路峰谷差率最小为目标函数，确定设定预测日蓄热电锅炉和分布式光伏出力的调度方案，提高了调度的灵活性和资源的利用率。
附图说明
[0054]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0055]
图1为本发明一种考虑用户热需求的蓄热电锅炉群电热调度方法流程示意图一；
[0056]
图2为本发明一种考虑用户热需求的蓄热电锅炉群电热调度方法流程示意图二；
[0057]
图3为本发明光伏出力预测流程图；
[0058]
图4为本发明热感觉平均预测指标设定示意图；
[0059]
图5为本发明蓄热电锅炉-分布式光伏的联合调度示意图；
[0060]
图6为本发明电网-蓄热电锅炉-用户的之间的能量流动关系示意图；
[0061]
图7为本发明一种考虑用户热需求的蓄热电锅炉群电热调度系统结构示意图。
具体实施方式
[0062]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
[0063]
本发明的目的是提供一种考虑用户热需求的蓄热电锅炉群电热调度方法及系统，提高了调度的灵活性和资源的利用率。
[0064]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0065]
图1为本发明一种考虑用户热需求的蓄热电锅炉群电热调度方法流程示意图一；图2为本发明一种考虑用户热需求的蓄热电锅炉群电热调度方法流程示意图二，如图1-2所示，一种考虑用户热需求的蓄热电锅炉群电热调度方法包括以下步骤：
[0066]
步骤101：获取待调度地区历史气象数据和分布式光伏出力数据，根据所述历史气象数据和所述分布式光伏出力数据构建分布式光伏出力预测模型。
[0067]
其中，如图3所示，步骤101具体包括：
[0068]
获取待调度地区的历史气象数据和分布式光伏出力数据(历史分布式光伏出力数据)，分析各气象因子对光伏出力的影响，根据所述历史气象数据和所述分布式光伏出力数据构建分布式光伏出力预测模型。
[0069]
对所述历史气象数据进行预处理，对预处理后的历史气象数据进行聚类，获得k类气象场景数据。
[0070]
对所述历史气象数据进行预处理包括将历史气象数据按照季节(春、夏、秋、冬)类
型进行预处理。
[0071]
根据k类气象场景数据及对应的分布式光伏出力数据确定分布式光伏出力预测模型。
[0072]
所述对所述历史气象数据进行预处理，对预处理后的历史气象数据进行聚类，获得k类气象场景数据，具体包括：
[0073]
对所述历史气象数据进行预处理，基于k-means聚类方法对预处理后的历史气象数据进行聚类，获得k类气象场景数据。
[0074]
历史气象数据的样本数据为气象条件的特征向量x；
[0075]
x＝[r
hor
,r
obl
,s
hor
,s
obl
,t
per
,t
max
,t
min
,t
mean
,t
max
,t
min
,h
max
,h
min
,h
mean
]；
[0076]
其中，r
hor
、r
obl
、s
hor
、s
obl
分别为水平辐照度、倾斜辐照度、水平散射度、倾斜散射度，t
per
为光照时间、t
max
、t
min
、t
mean
、t
max
、t
min
分别为最高、最低、平均环境温度及最高、最低温度出现的时间，h
max
、h
min
、h
mean
分别为最高、最低、平均相对湿度，x的维数m＝13。
[0077]
对预处理后的历史气象数据进行聚类，获得k类气象场景数据，具体包括：
[0078]
采用person相关系数法计算各气象因子与光伏出力相关系数γs，s＝1,2,3,
……
,m。定义样本间加权欧式距离为：
[0079][0080]
其中，d
ij
表示样本xi和样本xj的加权欧式距离，x
i,s
和x
j,s
分别为样本xi和样本xj的第s个元素。γs表示第s个气象因子与光伏出力相关系数。
[0081]
基于k-means聚类方法最终将预处理后的历史气象数据聚类，其依据为：两个样本之间的欧氏距离越小，则相似性越大。定义损失函数为样本与其所属类中心之间的的距离的总和，即(1)式。聚类标准为损失函数值w(c)最小，即(2)式，最终得到k类聚合结果。
[0082][0083][0084]
其中，为第l类样本的中心，xi是属于第l类的样本，n
l
是第l类中的样本的个数，l＝1,2,3,
……
,k。
[0085]
根据聚类结果及预测气象条件，对光伏出力进行回归预测，以设定预测日为次日，具体步骤如下：
[0086]
采集次日气象预测信息，获得输入样本x
p
；
[0087]
计算输入样本x
p
与k类聚合中各类间距离，取最小值所在类作为样本x
p
所属类。输入样本x
p
与各类之间的最小距离可通过下式计算：
[0088]
[0089]
为第l类样本的中心l＝1,2,3,
……
,k；x
p,s
、分别为x
p
、的第s个元素。
[0090]
采用用非线性映射将样本x
p
从原空间映射到高维特征空间中，利用最小二乘法对x
p
所属类样本进行拟合获得预测曲线(分布式光伏出力预测模型)：
[0091][0092]
其中，f(x)表示预测输出，k(x,xi)为核函数，x为待预测样本，sa表示样本x所属类别的样本数量，xi表示样本x所属类别中第i个样本，αi和b均为利用最小二乘法确定的系数。
[0093]
步骤102：根据所述分布式光伏出力预测模型预测待调度地区设定预测日的光伏发电数据。
[0094]
根据公式(5)输入样本向量x，预测分布式光伏发电量
[0095]
分布式光伏向区域智慧能源平台上报次日光伏预测出力及可调节出力比例，具体包括：
[0096]
1)分布式光伏实际可发电量p
pv,t
分为自用电量部分、清洁供暖电量部分和上网电量部分，可通过下式计算：
[0097]
p
pv,t
＝p
pv-res,t
+p
pv-heat,t
+p
pv-grid,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0098]
p
pv-res,t
＝α
res,t
·
p
pv,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0099]
p
pv-heat,t
＝α
heat,t
·
p
pv,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0100]
其中，p
pv-res,t
为分布式光伏自用电电量，p
pv-heat,t
为清洁供暖电量(即与蓄热电锅炉用户签订合约，供给蓄热电锅炉用户的电量)，p
pv-grid,t
为上网电量。α
res,t
为时刻t自用电比例，α
heat,t
为时刻t清洁供暖比例。
[0101]
2)分布式光伏出力的约束条件
[0102]
分布式光伏实际可发电量应当小于其预测功率，即各时段自用电及清洁供暖用电比例应当限定在一定范围内：
[0103][0104]
步骤103：基于待调度地区的用户热需求信息和设定预测日的温度信息确定热负荷需求模型。
[0105]
用户热需求信息包括用户设置的室内温度，即本发明基于用户热舒适度构建热负荷需求模型。
[0106]
其中，步骤103具体包括：获取供暖用户相关信息及次日温度预测信息，构建基于用户热舒适度和建筑散热等因素的热负荷需求模型。
[0107]
引入室内热舒适度的热感觉平均预测(predictedmean vote，pmv)指标，用以量化表示用户的用热舒适度。所述热负荷需求模型的约束条件包括热感觉平均预测指标在预设范围内；
[0108]
所述热感觉平均预测指标表示为：
[0109][0110]
其中，λ
pmv,t
表示用户t时段的热感觉平均预测指标，m表示人体能量代谢率，i
cl
表示服装热阻；ts表示设定温度；t
in,t
为t时段的室内空气温度；
[0111]
考虑在不同时段不同类型用户对热舒适度的要求不同，因而可对用户的pmv指标进行分时、分用户类型限定。pmv指标在应当满足保持在
±
0.5至
±
1之间，例如可设置某用户全天的pmv限值如图4所示。在一个时段内，pmv指标应当限定在该时段允许的最低限度λ
pmv,t
与最高限度之间，即：
[0112]
所述用户热舒适度模型的约束条件为：
[0113][0114]
其中，λ
pmv,t
表示最低限度，表示最高限度。
[0115]
所述热负荷需求模型表示为：
[0116][0117]qinf,in
＝c
air
ρ
air
nsh(t
in,t-t
out,t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0118]qih,t
＝q
ine,t
+q
inh,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0119][0120]
其中，q
heat，t
为t时刻建筑所需热负荷，q
ht,t
为t时刻围护结构传导热量，t’为响应时间；q
inf,t
为t时刻空气渗透耗热量；q
ih,t
为t时刻室内热源发热量。
[0121]
为围护结构温差修正系数；ka为围护结构传热系数；a为围护结构面积；t
in,t
为室内温度，t
out,t
为t时刻室外温度，即预测温度(设定预测日的温度)；c
air
为空气的比热容；ρ
air
为空气密度；n为换气次数；s为房屋面积；h为房屋室内高度；q
ine
为电气设备发热量；q
inh
为人体发热量。
[0122]
步骤104：基于所述热负荷模型构建蓄热电锅炉运行模型。
[0123]
所述蓄热电锅炉运行模型包括蓄热电锅炉电热转换模型和热负荷平衡模型；
[0124]
所述蓄热电锅炉电热转换模型表示为：
[0125]
ph
n,t
＝pen*η
1,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0126]
其中，ph
n,t
为第n台蓄热电锅炉t时刻热功率；pen为第n台蓄热电锅炉t时刻电功率，η
1,n
为第n台蓄热电锅炉的产热效率；
[0127]
所述热负荷平衡模型表示为：
[0128][0129]
pg
n,t
＝bg
n,t
+sg
n,t
ꢀꢀꢀꢀꢀꢀꢀ
(18)
[0130]
其中，pg
n,t
为第n台蓄热电锅炉t时刻供热功率，η2为热网损耗系数；hl
n,t
为第n台蓄热电锅炉t时刻热负荷热功率之和；p
heat,n,i,t
为第n台蓄热式电锅炉供暖范围i内第i个建
筑t时刻的热功率；bg
n,t
为第n台蓄热电锅炉t时刻电锅炉部分热功率，sg
n,t
为第n台蓄热电锅炉t时刻蓄热罐部分热功率。
[0131]
蓄热电锅炉与分布式光伏(电网)和用户的之间的能量流动关系如图6所示。
[0132]
所述蓄热电锅炉运行模型的约束条件包括：
[0133]
电功率约束：每台蓄热电锅炉实时电功率不超过其额定值；
[0134]
0≤pe
n,t
≤pe
n,max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0135]
电锅炉供热部分约束：每台电锅炉实时供热功率小于其实时产热功率；
[0136]
0≤bg
n,t
≤ph
n,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0137]
蓄热罐蓄放热功率约束：蓄热罐实时供热功率小于其最大供热功率；
[0138]
0≤sg
n,t
≤sg
n,max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0139]
初始蓄热量约束：每台蓄热罐一个周期(24时)内净蓄热量为0；即完整运行一个周期后，蓄热量为初始蓄热量q0；
[0140][0141]
最大蓄热量约束：蓄热罐实时蓄热量小于其最大蓄热量q
bm,n
；
[0142][0143]
其中，pe
n,max
表示第n台蓄热电锅炉的额定电功率，q
bm,n
表示第n台蓄热电锅炉的最大蓄热量。
[0144]
步骤105：根据设定预测日的光伏发电数据、所述热负荷需求模型和所述蓄热电锅炉运行模型，以弃光量最小、负荷高峰时线路富余容量最大及线路峰谷差率最小为目标函数，确定待调度地区的设定预测日各蓄热电锅炉和分布式光伏出力的调度方案。
[0145]
调度方案包括总调度时间段内各个蓄热电锅炉的启停状态和用电计划，以及分布式光伏的出力计划。
[0146]
如图5所示，供热商收集供暖用户热需求信息及建筑信息，根据用户热舒适度模型及建筑散热模型评估热负荷需求，并将蓄热电锅炉参数传递给区域智慧能源平台。
[0147]
区域智慧能源平台结合电网侧信息、分布式光伏预测出力及蓄热电锅炉参数等信息，构建蓄热电锅炉-分布式光伏日前联合调度模型。
[0148]
调度策略为：在满足用户基本用热舒适度的前提下，通过控制蓄热电锅炉的启停状态、用电计划，使得分布式光伏的弃光量达到最小；在保证线路潮流不越线的前提下，在负荷高峰时段，线路具有最大的富余容量，且有最小的峰谷差率方差。
[0149]
其中，步骤105具体包括：根据设定预测日的光伏发电数据、所述热负荷需求模型和所述蓄热电锅炉运行模型，构建蓄热电锅炉-分布式光伏的日前联合调度模型，以弃光量最小、负荷高峰时线路富余容量最大及线路峰谷差率最小为目标函数，确定所述设定预测日蓄热电锅炉和分布式光伏出力的调度方案。
[0150]
目标函数：
[0151]
分布式光伏弃光量最小，t时段的弃光量可表示为：
[0152][0153]
负荷高峰时线路的富余容量最大，k条线路负荷高峰时富余容量均值可由下式计
算：
[0154][0155]
线路峰谷差率方差最小，k条线路峰谷差的方差由下式计算可得：
[0156][0157]
所述目标函数表示为：
[0158][0159]
其中，t表示调度的总时间段，k表示线路数，p
pv,t
表示实际分布式光伏t时刻可发电功率，表示所述分布式光伏出力预测模型输出的预测分布式光伏t时刻发电功率，为第k条线路的最大有功功率限制，为第k条线路的最大负荷，为第k条线路的最小负荷，λ1和λ2均为权重因子；
[0160]
所述目标函数的约束条件为：
[0161]
蓄热电锅炉、光伏所在线路潮流约束：
[0162][0163]
电压约束：
[0164][0165]
其中，p
k,t
为蓄热电锅炉和分布式光伏在第k条线路的t时刻有功功率，q
k,t
为蓄热电锅炉和分布式光伏所在第k条线路的t时刻无功功率，为第k条线路允许的传输容量限制，为第i个节点允许的最大电压限制，分别为第i个节点允许的最小电压限制，u
i,t
为t时刻第i个节点的电压。
[0166]
所述目标函数的约束条件还包括分布式光伏出力的约束条件和蓄热电锅炉运行模型的约束条件
[0167]
求解目标函数计算得到蓄热电锅炉、分布式光伏日前出力最优出力调度方案。
[0168]
区域智慧能源平台向调度中心上报分布式光伏和蓄热电锅炉企业用户的用电计划，并下发给各分布式光伏与蓄热电锅炉用户。
[0169]
上述目标函数通过matlab优化软件配合cplex求解器进行求解。
[0170]
本发明公开的方法是一种考虑灵活热需求的蓄热电锅炉-分布式光伏联合运行的日前电热调度方法，一方面可通过蓄热电锅炉的灵活调控，增加县域分布式光伏的就地消
纳比例，减少弃光比例，另一方面可依托蓄热电锅炉多元运行方式及用户热需求的灵活量化，进一步挖掘蓄热电锅炉的需求响应潜力，提高其容量的利用率，在满足配电网的潮流约束下实现蓄热电锅炉的灵活错峰运行，减轻电网的调峰压力。
[0171]
图7为本发明一种考虑用户热需求的蓄热电锅炉群电热调度系统结构示意图，如图7所示，一种考虑用户热需求的蓄热电锅炉群电热调度系统包括：
[0172]
分布式光伏出力预测模型构建模块201，用于获取待调度地区的历史气象数据和分布式光伏出力数据，根据所述历史气象数据和所述分布式光伏出力数据构建分布式光伏出力预测模型；
[0173]
光伏发电数据预测模块202，用于根据所述分布式光伏出力预测模型预测待调度地区的设定预测日的光伏发电数据；
[0174]
热负荷需求模型确定模块203，用于基于待调度地区的用户热需求信息和设定预测日的温度信息确定热负荷需求模型；
[0175]
蓄热电锅炉运行模型确定模块204，用于基于所述热负荷模型构建蓄热电锅炉运行模型；
[0176]
调度方案确定模块205，用于根据设定预测日的光伏发电数据、所述热负荷需求模型和所述蓄热电锅炉运行模型，以弃光量最小、负荷高峰时线路富余容量最大及线路峰谷差率最小为目标，确定待调度地区的所述设定预测日各蓄热电锅炉和分布式光伏出力的调度方案。
[0177]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0178]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。