APP下载

计及FCSNPS 路径寻优的综合能源系统优化调度策略

2023-11-22涛,张

关键词:子系统储能神经元

王 涛,张 庆

(西华大学电气与电子信息学院,四川 成都 610039)

随着制造产业化的不断升级,居民生活和工业生产对能源的需求量不断升高的同时,能源危机和环境污染问题也随之突显。如何提升设备之间的耦合度、降低清洁能源弃用率、改善大气污染度和稳定能源供给可持续性已成为亟须解决的问题[1]。当前我国面临传统能源产出过剩、能源利用率较低和大气受污染严重等问题。在此背景下,新型整合系统的出现刻不容缓。区域综合能源系统(regional integrated energy system,RIES)[2]作为新型整合系统的主要形式而被广泛应用。RIES 不仅能够整合不同类型的能源,还能实现能源的高效传输、转换和分配[3],在满足负荷侧能源需求的同时,能够有效地改善能源的利用率,提升系统运行的经济性,降低可再生能源的弃用率。

针对RIES 的早期研究主要是系统内部结构和能源种类,从设备选型、设备容量配置和基本运行策略3 方面展开。RIES 内部设备选型与负荷需求类别息息相关,当面临相同用能需求时,理论上可以选择多种供给方式。为了提升RIES的整体效益,研究者认为应从设备选型上选择合适的能源供给路径。例如:文献[4]在园区综合能源系统中考虑了电转气(power to gas,P2G)设备作为电-气互联需求供给设备,实现了系统更为经济的运行方式;文献[5]基于微型能源互联网系统,研究了太阳能余热利用下吸收式制冷机的可行性,其结果表明在无辅助热源的条件下,增添吸收式制冷机设备可以提升系统的稳定性;文献[6]基于能源互联网可持续发展的理念,考虑纳入冷热电联产设备,探索其对系统经济性和环保性的影响;文献[7]在传统的RIES 中,针对电能、气能和热能耦合调节不灵活的问题,利用微燃机和余热回收设备增加系统内部能源之间的耦合度。

在RIES 设备容量配置研究中,文献[8]在确定设备选型的供能方式下,对包含可再生能源的冷、热、电三联供系统(combine cooling heating and power,CCHP)进行了容量配置优化设计,实验结果表明,相较于传统三联供系统,CCHP 在经济调度、节约能源和环境保护上具有优势。文献[9]建立了以CCHP 为核心设备的综合能源系统(integrated energy system,IES)架构模型,通过对系统内设备容量度进行动态建模,实现了IES 更为经济的运行方式。文献[10]基于IES 的混合整数线性规划模型,将系统内耦合设备的容量度进行了优化,并对耦合设备容量度进行了可靠性评估。

在综合能源系统运行策略的研究中,文献[11]在耦合氢储能的IES 中,基于改进粒子群优化算法提出了系统效益的运行策略,并验证了此策略相较于传统“以热定电”策略在效益上是有效的。文献[12-13]分别采取“以电定热”和“以热定电”的运行策略,研究了RIES 内的负荷波动率和设备利用小时数,其结果表明,“以热定电”较于“以电定热”的运行策略可以获得更高的负荷率和设备利用小时数。

在以上有关RIES 的设备选型、设备容量配置和运行策略的研究中,大部分都是在明确供能方式的条件下对整体系统进行优化分析,并基于某一种设备为核心,或者再联合少数几种设备组成供能结构,并未进一步考虑RIES 供能设备组合的多样性,也未建立直观清晰的状态模型来描述多种设备进行耦合时能量输送的状态变化。

综上所述,本文从系统整体经济效益和RIES多能耦合的特点出发,建立以电、热、冷和气4 个子系统为基础的RIES 架构。该系统中设备类型涵盖了光伏机组、风电机组、多元储能设备和各类常见的能源耦合设备。本文以运维成本最小为目标,建立一种基于模糊有色脉冲神经膜系统(FCSNPS)的RIES 路径寻优模型,简称RIES-FCSNPS。所建模型可以直观清晰地描述系统运行状态的过程性、并行性和异步性,具有一定的图形化表现能力和计算分析能力。在满足各类负荷需求和耦合设备运行约束条件的前提下,对RIES-FCSNPS 的供能路径进行优化,可以得到不同场景下的最优供能方案。

1 RIES 模型构建

1.1 区域综合能源系统架构

本文建立的RIES 的物理架构示意图如图1 所示,其内部系统中的耦合设备和独立设备存在不同类型能源的转换与消耗。RIES 包含的单元可以分为3 类,即能源输入单元、能源转换与存储单元、能源消费单元。能源输入单元有外部电网、燃气公司和热力市场。能源转换与存储单元有常见的各类能源耦合设备和多元存储设备。能源消费单元有电、热、冷和气4 类负荷。

图1 区域综合能源系统架构示意图Fig.1 Schematic diagram of regional integrated energy system architecture

1.2 区域综合能源子系统模型

根据能源类别的差异,将区域系统划分为4 类,即供电子系统、供气子系统、供热子系统和供冷子系统。在任意调度时刻,考虑有功功率平衡,其区域能源网络和能源转换设备应满足功率平衡关系。

1.2.1 供电子系统

RIES 中供电子系统由风电机组、光伏机组、燃料电池、燃气轮机和储电设备构成,共同负责区域电负荷需求,不足量的部分由外部电网所提供。供电子系统的功率表达式为

式中:Pgrid(t)为第t时刻区域系统与电网交互功率;

分别为第t时刻风力、光伏、燃气轮机和燃料电池的实际出力;分别为第t时刻电制冷机、电锅炉和电转气设备的耗电功率;分别为第t时刻储电设备的充、放电功率;为第t时刻的电负荷需求。

1.2.2 供热子系统

RIES 中供热子系统由电热锅炉、余热锅炉、燃气锅炉和储热设备构成,共同负责区域系统内热负荷的需求,不足量的部分由热力市场提供。供热子系统的功率表达式为

1.2.3 供冷子系统

RIES 中供冷子系统由吸收式制冷机、电制冷机和储冷设备共同构成,负责区域系统内的冷负荷需求。供冷子系统的功率表达式为

1.2.4 供气子系统

RIES 中供气子系统由燃气公司、电转气设备和储气设备共同构成,负责区域系统内的气负荷需求。供气子系统的功率表达式为

1.3 区域综合能源系统内耦合设备模型

1.3.1 燃气轮机

燃气轮机(gas turbine,GT)是一种传统的电-气耦合设备,可以通过消耗天然气来产生电能,其功率表达式为

式中:ηGT为GT 的气-电转换效率系数;λgas为天然气低热值,本文取9.78 kW·h/m3。

1.3.2 燃气锅炉

燃气锅炉(gasfired boiler,GB)是一种消耗天然气产生热能的耦合设备,其功率表达式为式中 ηGB为GB 的气-热转换效率系数。

1.3.3 余热锅炉

余热锅炉(waste heat boiler,WHB)是一种利用GT 产生电能的同时,回收利用余热进行供热的设备,其功率表达式为

式中ηloss为热能自散率系数。

1.3.4 燃料电池

燃料电池(fuel cell,FC)是将天然气作为输入能源,将电能作为输出能源的转换设备,其功率表达式为

式中 ηFC为燃料电池的气-电转换效率系数。

1.3.5 电热锅炉

电热锅炉(electric boiler,EB)是一种消耗电能产生热能的耦合设备,其功率表达式为

式中 ηEB为EB 的电-热转换效率系数。

1.3.6 电转气

电转气设备(power to gas,P2G)是一种消耗电能产生气能的耦合设备,其功率表达式为

式中ηP2G为P2G 的电-气转换效率系数。

1.3.7 电制冷机

电制冷机(electricr refrigerator,ER)是一种消耗电能产生冷能的耦合设备,其功率表达式为

式中 ηER为ER 的电-冷转换效率系数。

1.3.8 吸收式制冷机

吸收式制冷机(absorption chiller,AC)是一种消耗热能产生冷能的耦合设备,其功率表达式为

式中 ηAC为AC 的热-冷转换效率系数。

1.3.9 多元储能设备

储能设备往往通过一种介质或设备把一种能量用同一种形式或转换成另一种形式进行存储。多元储能设备包括储电、储热、储气和储冷设备,其功率统一表达式为

式中:λ ∈{ES,HS,GS,CS};Eλ(t)为多元储能设备在第t时段所储存的能量,包含电、热、冷和气;和分别为储能在第t时段的充、放能功率;σλ为储能的自耗能率;分别为储能的充、放能效率。

2 计及FCSNPS 路径寻优的综合能源系统建模

RIES 在实际运行中,涉及能源转换和能源传输过程。面向过程的建模方法可以清晰直观地描述系统运行的并行性、连续性和异步性,但是相关研究较少。脉冲神经膜系统(spiking neural P system,SNPS)拥有良好的计算分析特性和建模运算规则,可以很好地匹配RIES 的动态特性。本文将经典的SNPS 模型[14-17]与RIES相结合,提出一种关于区域综合能源系统的模糊有色SNPS[18-20]建模方法。

2.1 模糊有色脉冲神经膜系统的定义

本文建立的模糊有色脉冲神经膜系统(fuzzy colored spiking neural P system,FCSNPS)定义为

式中:

1)O={a}为单字母集合,a代表神经脉冲信号,O为脉冲信号a的集合;

2)C={1,2,···,g}是一组颜色,其中g∈N(N 为自然数集合),其元素用于标记不同能源、设备和负荷的颜色;

3)σ={σ1,σ2,···,σn}为系统中n个 命题神经元的集合,表示RIES 中不同类型的能源设备和负荷,定义每种类型的能源设备神经元 σi,具体表示为,1 ≤i≤n,其中,

①θi表示命题神经元内部的脉冲值,取值为0 或1,

②ci表示神经元的模糊真值,当神经元为命题神经元时,其模糊真值为0,

④Ri={r1,r2}是规则r1和r2的有限集,r1={aθ→aβ},表示神经元 σi的点火规则,执行该规则时,神经元 σi将消耗一个脉冲aθ,同时产生一个新的脉冲aβ并向后传递,r2={aθ→λ},表示神经元σi的遗忘规则,执行遗忘规则后,神经元 σi将消耗一个脉冲aθ并产生一个空字符λ,即不产生新的脉冲,

⑤ λi=(ri,ui)为命题神经元的标识,可以定量地表示RIES 的用能情况,在初始运行时给每个离散命题神经元赋予一个非负数模糊因子ri来代表设备处于运行或者停止状态,并赋予一个连续量 μi来表示系统活动中能源的消耗量与转化量以及负荷端的用能情况;

4)T={T1,T2,···,Tm}为系统中m个选择神经元的集合,表示RIES 中不同类型的子系统母线,,1 ≤j≤m,其中,

①θj表示选择神经元Tj的脉冲值,

②cj表示神经元的模糊真值,当神经元为选择神经元时,其模糊真值为模糊“产生式规则”的确定性因子,

④Rj={r3,r4}是规则r3和r4的有限集,r3={aθ→aβ},表示神经元Tj的点火规则,执行该规则时,神经元Tj将消耗一个脉冲aθ,同时产生一个新的脉冲aβ并向后传递,r4={aθ→λ},表示神经元Tj的遗忘规则,执行遗忘规则后,神经元Tj将消耗一个脉冲aθ并产生一个空字符λ,即不产生新的脉冲,

⑤ λj=(rj,uj)为选择神经元的标识,可以定量表示RIES 的用能情况,在初始运行时给每个离散选择神经元赋予一个非负数模糊因子ri来代表设备处于运行或者停止状态,并赋予一个连续量 μi来表示系统活动中能源的消耗量与转化量;

5)Γ表示神经元与神经元之间的有向突触路径记忆因子标志,实际代表了母线与不同运行设备之间路径记忆连接标识因子;

6)syn ⊆{1,2,···,n}×{1,2,···,m}表示神经元之间的有向突触连接关系,对所有(i,j)∈syn,1 ≤i≤n,1 ≤j≤m,有i≠j。

2.2 RIES-FCSNPS 图形化建模

本文建立的RIES-FCSNPS 模型在结构上可以反映系统的整体配置情况。从系统划分的层次来看,模型可以划分为能源输入单元、能源转换与存储单元和能源消费单元3 个层面。从系统涵盖的耦合路径来看,不同类型的负荷都包含多条供能路径,每条供能路径连接不同的供能源、耦合设备和用能负荷。本文基于图1 所示RIES 物理架构,依据FCSNPS 特定的建模原则,建立其运行状态模型如图2 所示,图中的符号和含义如表1 所示。

表1 FCSNPS 模型中神经元及其含义Tab.1 Neurons and their implication in FCSNPS model

图2 RIES-FCSNPS 状态模型Fig.2 State model of RIES-FCSNPS

2.3 RIES-FCSNPS 推理计算规则

1)本文RIES-FCSNPS 采用的“常规”选择神经元,其前件部分仅存在一个命题模糊“产生式规则”,用矩形和符号T(c,gencral)表示,如图3 所示,其中c表示该“常规”规则神经元的模糊真值。

图3 “常规”选择神经元及其简化形式Fig.3 “Conventional”selective neuron and its simplified form

本文所定义的“常规”选择神经元其详细运行机制参考文献[20]。其数学模型定义为:当某个“常规”选择神经元接收到与其连接的突触前命题神经元发送的脉冲信号,并且满足该规则神经元的点火条件Ri={aθ→aβ},那么该神经元点火,消耗内部脉冲值并产生一个新的脉冲值β=θ*ω*c。

2)本文RIES-FCSNPS 采用的“或”选择神经元,其前件部分组成的命题呈“或”关系的模糊“产生式规则”,用矩形和符号T(c,or)表示,如图4 所示,其中c表示该“或”选择神经元的真值。

图4 “或”选择神经元及其简化形式Fig.4 “Or”selective neuron and its simplified form

本文所定义的“或”选择神经元其运行详细机制内容参考文献[20]。其具体数学模型定义为:当一个“或”选择神经元从前件神经元接收到k个脉冲值依次为θ1,···,θk的脉冲,并且满足该规则神经元的点火条件r3={aθ→aβ},那么该神经元点火,消耗内部脉冲值并产生一个脉冲值为β=max{θ1*ω1,···,θk*ωk}*c的新脉冲。

3)本文RIES-FCSNPS 中的“choice”规则选择神经元用于表示前件部分包含多个(大于一个)命题,而后件部分仅包含一个“ ∑”和逻辑规则和一个“repeat”重复逻辑规则,如图5 所示。如果一个“choice”规则选择神经元收到n个依次为θ1,···,θn的脉冲,那么该神经元点火,消耗内部脉冲值并产生一个脉冲值为β=max{θ1*ω1,···,θk*ωk}*c的新脉冲。“ ∑”逻辑规则负责接收和标记此新脉冲值,并发送信号使“choice”规则选择神经元的前件命题神经元执行规则r2={aθ→λ}消亡。“repeat”为重复逻辑规则,待执行规则r2消亡后,将继续进行点火,而最终“ ∑”和逻辑规则将存储一序列记忆标签组合顺序列。

图5 部分“choice”“ ∑”逻辑规则 和“repeat”逻辑规则Fig.5 Some logical rules for“choice”“ ∑”and“repeat”

2.4 RIES-FCSNPS 模型推理算法

为了使RIES-FCSNPS 能对路径寻优和序列排列信息进行高效地并行推理计算,本节设计了以下推理算法,具体描述如图6 所示。

图6 RIES-FCSNPS 模型推理算法Fig.6 RIES-FCSNPS model algorithm

算法中涉及的向量和矩阵解释如下。

1)θ=(θ1,···,θn)T表示命题神经元脉冲值向量。该向量包含n个命题神经元的整数真值,其中θi取值为[0,1]上的整数。如果某个命题神经元不含任何脉冲,则该命题神经元的脉冲值默认为0。

2)δ=(δ1,···,δm)T为选择神经元脉冲值向量。该向量包含m个选择神经元的整数脉冲值,其中δi取值为[0,1]上的整数。如果某个命题神经元不含任何脉冲,则该命题神经元的脉冲值默认为0。

3)C=diag(c1,···,cm)为一个对角矩阵,其中cj(j=1,···,m)是[0,1]上的实数,表示第m个选择神经元的真值,即对应模糊产生式规则的确定性因子。

4)Wr1=(ωi j)n×m为突触权重矩阵,表示命题神经元到“常规”选择神经元的有向突触连接关系。如果从命题神经元 σi到“常规”选择神经元Tj存在突触,则ωi j(ωij∈(0,1])等于突触(i,j)的输出权重值;否则ωi j=0。

5)Wr2=(ωij)n×m为突触权重矩阵,表示命题神经元到“或”选择神经元的突触有向连接关系。如果从命题神经元 σi到“或”选择神经元Tj存在突触,则ωi j(ωij∈(0,1])等于突触(i,j)的输出权重值;否则ωi j=0。

6)Wp=(ωji)m×n为 突触权重矩阵,表示选择神经元到命题神经元的有向连接关系。如果从选择神经元T到命题神经元 σ存在突触,则ωji(ωji∈(0,1])等于突触(i,j)输出的权重值;否则ωji=0。

12)Σ=Σ[[·]],其中Σ为排列符号,Σ[[·]]按照先后顺序排列标签记忆因子符号。

RIES-FCSNPS 求解流程图如图7 所示。

图7 FCSNPS 模型求解流程图Fig.7 Flow chart of FCSNPS model solution

3 RIES-FCSNPS 运行优化目标函数

3.1 目标函数

本文通过对区域综合能源系统中电、热、冷和气4 个能源子系统进行优化调度,并协调能源转换设备和能源存储设备来提升效益。以运维成本最优为目标函数,其目标函数表达式为:

式中:T为调度周期;C(t)为T时段内系统总成本;CE(t)、CH(t)、CC(t)和CG(t)分别为供电子系统、供热子系统、供冷子系统和供气子系统的运行成本。

3.1.1 供电子系统成本

供电子系统的成本包含了PV 机组、WP 机组、GB 设备、ER 设备、P2G 设备、FC 设备和ES 设备的运维成本和设备的启停成本,以及外部电网购电成本。其数学模型表达式为:

式中:Ce_yun(t)、Ce_start(t)和Ce_bs(t)分别为供电子系统的运维成本、机组启停成本和外部购电成本;n为 设备台数;Pn(t)为时刻t设备的发电量;Cn为单位出力运维成本系数;CSS,n表示设备n的启停成本系数;Un(t-1)表示设备的第t时刻的前一时刻的启停状态;Un(t)表示第t时刻,设备n的启停状态,用0-1 表示;Pbuy(t)为时刻t购电单价,GE(t)表示时刻t时的购电量。

3.1.2 供气子系统成本

供气子系统的成本由P2G 设备、GT 设备、GB设备和GS 设备的运维成本、机组启停成本,以及向燃气公司购气的成本组成。数学模型表示为

式中:Cg_yun(t)、Cg_start(t)和Cg_bs(t)分别为供气子系统的运维成本、机组启停成本和外部购气成本。运维成本、机组启停成本和购气成本的计算公式可类比供电子系统。

3.1.3 供热子系统成本

供热子系统的成本由GB 设备、EB 设备和HS 设备的运维成本、机组启停成本和向热力市场购热成本组成。数学模型表示为

式中:Ch_yun(t)、Ch_start(t)和Ch_bs(t)分别表示供热子系统的运维成本、机组启停成本和外部购热成本。运维成本、机组启停成本和购气成本计算公式可类比供电子系统。

3.1.4 供冷子系统成本

供冷系统的总成本由ER、AC 和CS 的运维成本和机组启停成本组成。数学模型表示为

式中:Cc_yun(t)和Cc_start(t)分别为供冷子系统运维成本和机组启停成本,其计算公式可类比供电子系统。

3.2 运行约束条件

RIES 内部不仅需要满足各类子系统供需有功平衡约束,还应满足各类耦合设备在各时段的出力上下限约束和运行状态约束。

1)子系统能源平衡约束。

区域综合能源系统需要满足系统内所构建的子系统有功平衡约束,各子系统的约束表达式如式(1)—(4)所示。

2)设备上下限功率约束。

系统内包含的各类耦合设备,其出力需满足上下限约束条件。各设备约束条件可以表示为

式中:Pn为第n台设备的实际出力值;为第n台 设备的最大出力值。

3)储能约束。

为了保障储能的充裕性,规定储能设备的最低和最大容量应在规定的约束上下限范围内。多元储能设备的统一约束表达式为

4)可控机组爬坡约束条件。

式中:rn,d和rn,u为可控出力机组减载和加载的速率限制。

4 算例分析

4.1 基础数据

本文案例分析是基于文献[21-23]所提供的数据进行区域综合能源系统优化调度。该区域系统包括光伏机组、风电机组、GT 设备、FC 设备、GB 设备、P2G 设备、ER 设备、AR 设备和多元储能设备。本文以24 h 为调度周期,单位调度时长为1 h,并参考某地区典型用户电、热、冷和气负荷预测曲线。图8 为光伏和风机出力预测曲线。图9 为各类能源价格曲线。各设备运行参数如表2 所示。

表2 主要模型参数Tab.2 Key model parameters

图8 光伏、风电出力及负荷需求曲线Fig.8 Output and load demand curves of photovoltaic and wind power

图9 各类能源价格曲线Fig.9 Price curves of various energy sources

4.2 RIES 不同调度模型的影响分析

为了验证该区域综合能源系统,在考虑多元储能设备供能路径后对系统效益的影响,本文基于2 种调度场景进行验证。其结果如表3 所示。

表3 不同场景下的运行成本组合Tab.3 Operation cost combination in different scenarios

场景1:基于图1 中的电、热、冷和气4 个子系统模型并未考虑多元储能设备供给路径。

场景2:在场景1 的基础上,考虑多元储能设备供给路径。

通过对场景1 和场景2 对比分析可知,增加多元储能设备后,RIES 的运行总成本降低1 142.53元。这是因为增加多元储能设备后,增强了电、热、冷和气子系统之间的可协调性,从而进一步优化了调度方式,即在谷时电价间储存能源并于峰时电价间进行出力,这样可以有效提升系统效益。然而,因为场景2 加入了多元储能设备共同参与调度过程,导致其耦合设备的启停次数增加,致使其运维成本和机组启停成本分别增加约96.83 和34.8元。此外,利用多元储能设备进行调度的方式可以减少峰时期的购能量,使得购能成本降低1 274.16元,从而优化了总成本。

4.3 RIES 供需平衡分析

由于本文调度原理一致,因此将最优调度结果场景2 作为调度供需平衡的场景进行分析。优化后的电、热、冷和气调度结果如图10—13 所示。

图10 供电系统平衡调度结果Fig.10 Balanced dispatching results of power supply system

将1d(24h)调度时长分为峰时段、平时段和谷时段。由图10 可知,在谷时段00:00—07:00 期间,电价格最低,应先考虑将电能作为输入能源,其耦合设备和储能设备作为优先启用设备。此时段出力设备主要为GT、PV 和WP,ES 进行储电,不足部分由外网提供。在平时段07:00—10:00、16:00—18:00 和22:00—24:00 期间,电负荷出力设备主要由GT 和WP 提供,不足部分由外网提供。在尖峰时段10:00—15:00 和19:00—21:00 期间,电负荷处于高峰期,供电设备有GT、PV、WT 和ES 进行供给,不足部分通过外网补充。

图11 为气平衡调度结果。可以看出,在谷时段00:00—07:00 期间,电价最低。此时段P2G 设备优先进行出力,不足部分由天然气网进行补充,且GS 进行储气。在平时段07:00—10:00、16:00—18:00 和22:00—24:00 期间,仍由P2G 和天然气网进行出力。在尖峰时段10:00—15:00 和19:00—21:00 期间,电价处于高价,此时段供气设备由P2G 与GS 进行供给,不足部分由燃气市场进行补充。

图11 供气系统平衡调度结果Fig.11 Balanced scheduling results of gas supply system

图12 为热平衡调度结果。可以看出,在谷时段00:00—07:00 期间,电价格最低。首先考虑将EB作为优先制热设备进行出力,不足部分由WHB、GB 和市政热力进行补充,并且HS 储热。在平时段07:00—10:00、16:00—18:00 和22:00—24:00 期间,由于EB 相较于其他设备出力效益更好,对此仍由EB 优先出力,不足部分由WHB、GB 和市政热力进行补充。在尖峰时段10:00—15:00 和19:00—21:00 期间,电价处于尖峰时刻,EB 设备停止出力,此时段热负荷由WHB、GB、市政热力和HS 提供。

图12 供热系统平衡调度结果Fig.12 Balanced dispatching results of heating system

图13 为冷平衡调度结果。可以看出,在谷时段00:00—07:00 期间,电价最低,此时段ER 设备优先进行出力,不足部分由AR 设备进行补充,且CS 储冷。在平时段07:00—10:00、16:00—18:00 和22:00—24:00 期间,仍由ER 和AR 设备进行出力。在尖峰时段10:00—15:00 和19:00—21:00 期间,电价处于高价,此时段供冷设备由ER、AR 和CS 进行供给。

图13 供冷系统平衡调度结果Fig.13 Balanced scheduling results of cooling system

5 结论

本文深度研究了RIES 的整体效益,应用FCSNPS 方法建立了区域综合能源系统有关路径寻优的推理模型。在满足有功负荷平衡和设备运行条件下,对RIES 的供能路径进行优化,通过实际算例进行分析,可以得出以下结论。

1)结合模糊有色脉冲神经膜系统对RIES 进行优化建模,不仅以图形化的方式将系统架构模型进行了清晰的描述,还能直观地呈现出系统内多条供能路径信息和耦合设备运行状态量的变化情况。

2)验证了在原有的RIES 供能路径信息中,增添多元储能供能路径后,可以进一步增强源荷之间的可协调性,减少峰时刻从外部的购电成本和购气成本,从而提高了整体系统的经济效益。

在实际建设的RIES 中,应当从多方面角度来分析其对于系统的影响。在后续的研究中,将着重考虑有关供能端和负荷端在系统污染物排放、一次能源消耗量,以及综合需求响应模型不确定度的分析。

猜你喜欢

子系统储能神经元
不对中转子系统耦合动力学特性研究
《从光子到神经元》书评
相变储能材料的应用
GSM-R基站子系统同步方案研究
驼峰测长设备在线监测子系统的设计与应用
储能技术在电力系统中的应用
跃动的神经元——波兰Brain Embassy联合办公
储能真要起飞了?
直流储能型准Z源光伏并网逆变器
基于二次型单神经元PID的MPPT控制