文章解读与仿真程序复现思路——中国电机工程学报EI\CSCD\北大核心《考虑量化储热的多区域电–热综合能源系统优化调度》

标题 "考虑量化储热的多区域电–热综合能源系统优化调度" 可以分解为几个关键词和短语，我们逐步解读：

1. 考虑量化储热：

   • 考虑： 意味着在解决问题或进行研究时，会综合或纳入特定因素。
   • 量化： 将抽象的概念或参数用具体的数值表示，即进行定量分析。
   • 储热： 储存热能，可能涉及热能的采集、存储和释放等方面。

2. 多区域：

   • 涉及多个地理或功能区域，这可能指涉及多个城市、地区、或者系统中的多个子系统。

3. 电–热综合能源系统：

   • 电： 涉及电能，可能包括发电、输电等。
   • 热： 涉及热能，可能包括热能的生产、输送等。
   • 综合能源系统： 将不同形式的能源集成在一起的系统，这里指的是电能和热能。

4. 优化调度：

   • 优化： 在给定的条件下，寻找最优解决方案的过程，可能涉及最大化效益、最小化成本等。
   • 调度： 对资源或任务进行合理的分配和安排。

因此，整体来说，这个标题可能指的是一个研究方向或项目，旨在通过考虑热能的量化储存，针对涉及多个地理或功能区域的电–热综合能源系统进行优化调度。这涉及到电和热能的综合利用，以及如何在多区域环境下最有效地分配和利用这些能源。

摘要：多区域电–热综合能源系统(integratedpowerand heatingsystem,IPHS)是包含多个独立供热系统的跨区域电热耦合系统,其供热管网储热能力具有巨大调控潜力。但目前IPHS调度未考虑储热量化和储热主动调控,造成管网热损增加、管道加速老化等诸多问题,严重影响管网储热潜力的灵活利用。因此,该文提出一种考虑量化储热的多区域IPHS优化调度方法。首先,考虑供热管网储热特性和多区域调度的计算效率需求,基于一阶隐式迎风差分改进并简化供热管网模型,建立供热管网的虚拟蓄热罐模型;在此基础上,提出供热系统热储能状态指标(state of thermal storage,SOTS),用于一次管网储热量化,并建立管网储热的量化调控指标;最后,结合1–bin机组组合模型构建多区域IPHS优化调度模型,将管网储热调控目标加入IPHS优化调度目标,并利用混合整数二次规划求解器求解,得到IPHS优化调度方案。算例分析验证了该方法在提升IPHS机组经济性、促进风电消纳、降低热损量等方面的有效性。

这段摘要讨论了针对多区域电–热综合能源系统（IPHS）的优化调度方法，旨在解决目前IPHS调度中未考虑储热量化和主动储热调控所导致的问题。

1. 系统描述：

   • IPHS 是一个包含多个独立供热系统的电热耦合系统，其供热管网储热能力有潜力进行调节。
   • 问题存在： 目前IPHS调度未考虑储热量化和主动储热调控，导致管网热损增加、管道老化加速等问题，限制了管网储热潜力的有效利用。

2. 提出方法：

   • 建模改进： 基于一阶隐式迎风差分方法对供热管网模型进行改进和简化，建立了供热管网的虚拟蓄热罐模型，以考虑供热管网的储热特性和多区域调度的计算效率需求。
   • 引入指标： 提出了供热系统热储能状态指标 (SOTS)，用于量化管网的储热情况，并建立了管网储热的量化调控指标。
   • 优化模型： 结合了1–bin机组组合模型，构建了多区域IPHS优化调度模型，并将管网储热调控目标整合到IPHS优化调度目标中。最后，利用混合整数二次规划求解器来得到IPHS优化调度方案。

3. 算例验证：

   • 有效性验证： 通过算例分析证明了这种方法在提升IPHS机组经济性、促进风电消纳以及降低热损量等方面的有效性。

综合来看，这项研究通过引入量化储热和储热主动调控的方法，提出了一种综合考虑供热管网特性和多区域调度需求的优化方案，旨在解决IPHS调度中存在的问题，并证明了该方案的有效性。

关键词:电_热综合能源系统;多区域系统;量化储热;优化调度;

这些关键词涉及能源系统管理和优化的关键概念：

1. 电-热综合能源系统： 这指的是一种综合利用电力和热能的系统，旨在实现能源的高效利用和互联互通。这种系统可能整合电力和热能生产、传输、储存和使用，通过有效管理和协调这两种能源形式来提高能源利用效率。

2. 多区域系统： 指的是跨越多个区域或地域范围的系统，这些区域可能在能源生产、需求或供应方面存在差异。在能源管理中，多区域系统需要考虑不同地区的能源特性、需求和传输，以便进行更有效的能源分配和利用。

3. 量化储热： 意味着对热能储存量进行量化分析和管理。这可能涉及衡量热能的储存容量、储存效率以及在系统中存储和释放热能的方法。通过量化储热，可以更有效地利用可再生能源或尖峰时段产生的能源，并在需要时释放。

4. 优化调度： 指通过算法、模型或技术对系统进行智能调度和管理，以最大程度地提高系统效率、降低成本、满足能源需求，并考虑到各种约束条件。在能源系统中，优化调度可以指调整能源生产、传输和消费的时间、量和方式，以达到系统运行的最佳状态。

综合来看，这些关键词涉及到整合不同形式能源、管理跨区域系统、量化能源储存以及通过优化调度来提高能源系统效率的重要概念。在电力和热能管理中，这些概念都是为了更有效地利用资源、降低能源成本、减少环境影响并确保能源供应的可靠性。

仿真算例：

本文选取 IEEE-118 节点电力系统算例，系统 中29个节点为传统火电机组，6个节点为风电机组， 19 个节点为 CHP 机组，CHP 机组装机容量在火电 机组中占比 41.6%，风电机组在发电机组中占比为 19%，如图 4 所示。每个 CHP 机组对应一个区域供 热系统，分别选取 6 节点、28 节点以及 44 节点供 热系统算例[7]进行复用，并设置管网水温上下限， 供水管网温度上下限 Ts,max/T s,min 为 110℃/80℃，回 水管网温度上下限 T r,max/T r,min 为 70℃/40℃。供热 系统参数如附录 A 表 A1 所示。所有供热系统在 0 时的 SOTS 设为 50%， min OTSk S 均为 0%， max OTSk S 均为 100%， max OTSk S 均设为 50%。IPHS 的电、热负荷以及风电预测出力如附录 A 图 A1 所示，调度周期 24h，调度时间分辨率为 1h。为验证本文调度方法 的有效性，算例设置 3 个场景： 1）场景 I： 采用以热定电运行模式，调度模型为(32)，并 将其中约束(4)—(7)，(13)，(14)替换为式(30)； 2）场景Ⅱ： 采用本文调度方法，调度模型为(32)，仅考虑 热电解耦，不考虑供热管网储热量的协同调控，忽略协同调控惩罚项的影响，罚因子设为 0； 3）场景Ⅲ： 采用本文调度方法，调度模型为(32)，考虑供 热管网储热量的协同调控，将罚因子设为 103 ；

仿真程序复现思路：

复现这个仿真涉及以下步骤：

1. 建模：

   • 使用电力系统仿真工具，如MATLAB/Simulink或PowerWorld等，构建 IEEE-118 节点电力系统模型。定义每个节点的特性，包括传统火电机组、风电机组和CHP机组等。

2. 区域供热系统建模：

   • 为每个CHP机组创建相应的区域供热系统模型。选择并复用6、28和44节点的供热系统算例，并设置管网水温上下限、供水和回水管网温度上下限。

3. IPHS负荷和风电预测建模：

   • 根据文中提到的IPHS的电、热负荷以及风电预测出力，使用合适的数学模型进行建模。这可能涉及创建时间序列模型或使用已知数据进行插值。

4. 调度模型设置：

   • 为每个场景设置调度模型。在场景 I 中，采用以热定电运行模式，替换特定约束为新的式(30)。在场景Ⅱ中，考虑热电解耦，但不考虑供热管网储热量的协同调控。在场景Ⅲ中，考虑供热管网储热量的协同调控，并设置罚因子。

5. 调度周期和分辨率设置：

   • 设置调度周期为24小时，调度时间分辨率为1小时，以匹配仿真的时间尺度。

6. 运行仿真：

   • 编写仿真脚本，将上述模型和参数传入仿真工具。运行三个场景的仿真，并记录相关输出数据。

7. 结果分析：

   • 分析仿真结果，比较场景 I、Ⅱ 和Ⅲ 的性能。这可能涉及评估电力系统的稳定性、经济性和环境影响等方面的指标。

以下是一个简化的仿真思路的伪代码表示（使用Python作为伪代码的编程语言表示）：

import pandas as pd
import numpy as np
from scipy.optimize import minimize

# 步骤1：建模
def build_power_system_model():
    # 实现电力系统的建模
    pass

def build_heating_systems():
    # 实现供热系统的建模
    pass

# 步骤2：区域供热系统建模
def build_heating_system_model(chp_unit):
    # 实现单个供热系统的建模
    pass

# 步骤3：IPHS负荷和风电预测建模
def build_iphs_load_model():
    # 实现IPHS负荷建模
    pass

def build_wind_power_forecast():
    # 实现风电预测建模
    pass

# 步骤4：调度模型设置
def set_dispatch_model(scenario, heat_decoupling=False, penalty_factor=0):
    # 实现调度模型设置，可能使用数学规划库如scipy.optimize
    pass

# 步骤6：运行仿真
def run_simulation(dispatch_model, dispatch_cycle, time_resolution):
    # 实现仿真运行，可能调用优化算法进行求解
    pass

# 步骤7：结果分析
def analyze_results(results_scenario_I, results_scenario_II, results_scenario_III):
    # 实现仿真结果的分析
    pass

# 主程序
if __name__ == "__main__":
    # 步骤1：建模
    power_system = build_power_system_model()
    heating_systems = build_heating_systems()

    # 步骤2：区域供热系统建模
    for chp_unit in heating_systems:
        build_heating_system_model(chp_unit)

    # 步骤3：IPHS负荷和风电预测建模
    iphs_load = build_iphs_load_model()
    wind_power_forecast = build_wind_power_forecast()

    # 步骤4：调度模型设置
    scenario_I_model = set_dispatch_model("Scenario I", constraints_replace=True)
    scenario_II_model = set_dispatch_model("Scenario II", heat_decoupling=True, penalty_factor=0)
    scenario_III_model = set_dispatch_model("Scenario III", heat_decoupling=True, penalty_factor=1e3)

    # 步骤5：调度周期和分辨率设置
    dispatch_cycle = 24  # hours
    time_resolution = 1  # hour

    # 步骤6：运行仿真
    results_scenario_I = run_simulation(scenario_I_model, dispatch_cycle, time_resolution)
    results_scenario_II = run_simulation(scenario_II_model, dispatch_cycle, time_resolution)
    results_scenario_III = run_simulation(scenario_III_model, dispatch_cycle, time_resolution)

    # 步骤7：结果分析
    analyze_results(results_scenario_I, results_scenario_II, results_scenario_III)

请注意，这只是一个简化的示例，并没有具体的优化算法或电力系统建模的详细内容。实际的仿真程序可能需要更多的细节和精确性，并可能使用专业的仿真工具和优化库。