文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《市场环境下运行的光热电站子系统容量优化配比研究》

这个标题涉及到对市场环境下运行的光热电站子系统进行容量优化配比的研究。让我们逐步解读：

1. 市场环境下运行的光热电站： 这指的是光热电站在实际市场环境中的运行，可能包括了市场相关的经济、政策、竞争等因素。

2. 子系统： 光热电站通常包括多个子系统，例如光伏发电、热能储存等。这里强调研究的焦点是在子系统级别。

3. 容量优化配比研究： 研究的目的是找到最佳的容量配置比例。这可能涉及到确定各个子系统的合适容量，以最大程度地提高光热电站的效率或经济性。

总体而言，这个研究的目标是在市场环境中，通过对光热电站各个子系统容量的优化配置，提高系统的整体性能、效率或经济效益。这样的研究对于推动光热电站技术在实际市场中的应用和竞争具有重要意义。

摘要：依托于聚光型太阳能发电技术的光热电站(concentrating solar power，CSP)可充分应对新能源发电的不确定性，为“双碳”愿景下新型电力系统的转型与建设提供有力保障。然而，CSP电站如何摆脱高昂建设成本的制约，为自身赢得更多可持续发展的机会是亟需解决的关键难题。因此，该文提出了一种考虑电力市场机制的CSP电站子系统容量优化规划方法。首先，围绕借助CSP电站灵活调控特性在运行时间尺度下提升CSP电站自身经济收益这一问题，提出CSP电站以价格制定者这一角色参与电力市场的竞价策略。然后，构建以经济效益最大为目标的CSP电站聚光、储热、发电容量配比双层随机规划模型，并采用离散线性化转换方法将规划模型转化为混合整数线性模型，解决模型重构后非线性模型带来的求解难问题。最后，基于我国西北某地区实际历史数据的算例仿真验证所提优化配比方法的有效性，并分析说明与价格接受者相比电力市场中的议价权能使CSP电站获得更好的市场经济效益。

这段摘要涵盖了一项研究，主要围绕着依赖于聚光型太阳能发电技术的光热电站（CSP）如何应对新能源发电的不确定性，为新型电力系统的转型与建设提供支持。以下是对摘要中各个方面的解读：

1. 技术背景： 文中指出，光热电站是依托于聚光型太阳能发电技术的。这种技术被认为能够有效地应对新能源发电中的不确定性，为实现"双碳"愿景（即减少碳排放、实现碳中和）下的新型电力系统提供有力保障。

2. 挑战： 文章提到了CSP电站面临的挑战，主要是高昂的建设成本。这被认为是限制CSP电站赢得更多可持续发展机会的关键问题。

3. 提出的解决方案： 为解决上述挑战，文章提出了一种考虑电力市场机制的CSP电站子系统容量优化规划方法。这表明研究的焦点在于通过考虑电力市场的机制来优化CSP电站的子系统容量。

4. 方法论： 文章首先探讨了CSP电站的灵活调控特性，尤其是在运行时间尺度下提升经济收益的问题。为了应对这个问题，提出了CSP电站以价格制定者的角色参与电力市场的竞价策略。然后，文章构建了一个双层随机规划模型，以经济效益最大为目标，并采用离散线性化转换方法将其转化为混合整数线性模型，以解决非线性模型带来的求解难题。

5. 验证和分析： 最后，文章使用我国西北某地区的实际历史数据进行算例仿真，验证了所提出的优化配比方法的有效性。同时，通过与价格接受者相比较，分析表明在电力市场中拥有议价权的CSP电站能够获得更好的市场经济效益。

总体而言，这项研究致力于在考虑电力市场机制的前提下，通过优化CSP电站子系统容量，解决其高昂建设成本的问题，以实现更可持续的发展。

关键词:光热电站;电力市场;容量优化配比;双层随机规划:

1. 光热电站： 指的是一种利用聚光型太阳能发电技术的发电站。这种技术通常涉及将太阳光集中聚焦以产生高温，然后利用高温来产生蒸汽驱动涡轮发电机，从而转化为电能。

2. 电力市场： 指的是一个供需双方通过买卖电能来进行交易的市场。在这个上下游关系中，发电厂家通过电力市场向电力系统提供电能，而电力系统则将这些电能分配给最终用户。这个关键词可能意味着该研究涉及到考虑市场机制的电力交易。

3. 容量优化配比： 意味着对于光热电站的各个子系统，尤其是聚光、储热和发电子系统，需要进行容量的优化配置。这可能包括确定不同子系统的合适容量比例，以最大化整个系统的经济效益。

4. 双层随机规划： 双层随机规划是一种优化方法，指的是在两个层次上考虑随机性的规划问题。在这里，可能是指在优化光热电站的容量配置时，考虑到一些不确定性因素，这些因素可能在两个或多个层次上存在，而不仅仅是单一层次的规划。

综合这些关键词，这段摘要似乎在讨论如何通过考虑电力市场机制，以及采用双层随机规划方法，对光热电站的各个子系统进行容量优化配比，以应对建设成本的挑战，从而在新能源发电中实现更可持续的发展。

仿真算例：

基于改进的 IEEE30 节点系统，其拓扑结构如 附录图 C3 所示。将光热电站接入节点 2，常规机组 接入节点 1、5、7、8、11 和 13。本文通过 Matlab2018b 软件平台调用 Gurobi 优化工具包对该模型进行求 解。 算例中其余给定条件如下所述：1）CSP 电站运行参数见表 1，各项投资建设指 标详见文献[15]。太阳倍数变化范围设定为[1.0, 3.0]，储热时长变化范围设定为[4.0, 15.0]。设定 TES 的初始储热水平为其最大容量的 50%。常规机组详 细参数及申报信息详见附录表 C2。 2）辅助服务响应时间 srs H 和 reg H 各设为 10min 和 5min。仿真步长 t 取 1h，一天共计 24 个时段。 3）系统旋转备用调节需求占总负荷的比例 rrs  设为 0.1，上下调整容量需求设定为总负荷的 5%， 系统调频里程乘子参考文献[30]。 4）碳税价格设定为 18.87$/吨，常规机组碳排 放系数取 650kg/MWh。

仿真程序复现思路：

为了复现文章中描述的仿真算例，可以使用Matlab编程语言，并调用Gurobi优化工具包。以下是一个简化的仿真复现思路，以Matlab代码的方式表示：

% 读取 IEEE30 节点系统拓扑结构，假设拓扑数据保存在文件 topology_data.mat 中
load('topology_data.mat');

% 设置光热电站和常规机组的接入节点
csp_node = 2;
conventional_nodes = [1, 5, 7, 8, 11, 13];

% 创建优化问题
model = gurobi.Model();

% 定义变量
csp_generation = model.addVar(0, inf, 'Continuous', 'CSP_Generation');
conventional_generation = model.addVars(length(conventional_nodes), 0, inf, 'Continuous', 'Conventional_Generation');

% 定义约束
% 1. 功率平衡约束
for i = 1:length(bus)
    power_balance_lhs = 0;
    for j = 1:length(conventional_nodes)
        if i == conventional_nodes(j)
            power_balance_lhs = power_balance_lhs + conventional_generation(j);
        end
    end
    if i == csp_node
        power_balance_lhs = power_balance_lhs + csp_generation;
    end
    model.addConstr(power_balance_lhs == demand(i), 'Power_Balance_' + string(i));
end

% 2. 太阳倍数和储热时长约束
csp_solar_multiple = model.addVar(1.0, 3.0, 'Continuous', 'CSP_Solar_Multiple');
csp_thermal_storage_duration = model.addVar(4.0, 15.0, 'Continuous', 'CSP_Thermal_Storage_Duration');
initial_storage_level = model.addVar(0.0, 0.5, 'Continuous', 'Initial_Storage_Level');

% 3. 辅助服务响应时间约束
srs_H = 10; % 辅助服务响应时间
reg_H = 5;  % 调频服务响应时间

% 4. 仿真步长和时段定义
timestep = 1; % 1小时为一个时段
num_timesteps = 24; % 一天24个时段

% 定义目标函数
model.setObjective( /* 根据具体问题定义目标函数 */, 'Minimize');

% 设置参数
params.outputflag = 1; % 显示优化过程信息
params.TimeLimit = 3600; % 设置最长优化时间为3600秒

% 求解优化问题
model.optimize(params);

% 获取优化结果
if strcmp(model.Status, 'OPTIMAL')
    % 输出优化结果，包括发电量、投资等
    disp('Optimal solution found.');
    disp('Optimal objective value: ' + string(model.objval));
else
    disp('Optimization did not converge to an optimal solution.');
end

请注意，在上述代码中，需要根据具体问题的要求进行目标函数的定义以及其他约束的具体实现。这个示例仅仅提供了一个框架，具体的实现需要更多的问题背景和定义。确保根据你的具体需求和问题进一步修改和扩展代码。