CN103151798B - 独立微网系统的优化方法 - Google Patents
独立微网系统的优化方法 Download PDFInfo
- Publication number
- CN103151798B CN103151798B CN201310103553.5A CN201310103553A CN103151798B CN 103151798 B CN103151798 B CN 103151798B CN 201310103553 A CN201310103553 A CN 201310103553A CN 103151798 B CN103151798 B CN 103151798B
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- engine generator
- storage battery
- energy
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004146 energy storage Methods 0.000 claims abstract description 115
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000013461 design Methods 0.000 claims abstract description 23
- 238000011217 control strategy Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 18
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 8
- 239000002699 waste material Substances 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 description 5
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 108010063499 Sigma Factor Proteins 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
- Y02P80/14—District level solutions, i.e. local energy networks
Abstract
本申请公开了一种独立微网系统优化设计方法,所述独立微网系统包括柴油发电机、风力发电机、光伏阵列和储能电池,具体的优化方法是指基于独立微网系统的多目标优化设计模型,在优化规划设计模型上,考虑了多台柴油发电机的组合开机方式、储能电池与柴油发电机之间的协调控制策略,使得独立微网系统中的可再生能源利用率更高,运行更经济,更环保;针对系统优化规划设计模型的稳定性,考虑了独立微网稳定性需求的备用容量;在优化规划设计模型的求解算法上,采用基于NSGA-II的多目标遗传算法进行多目标问题求解,从而实现对独立微网系统的经济性、可靠性和环保性三大目标的多目标优化。
Description
技术领域
本申请涉及独立微网系统技术领域,特别是涉及独立微网系统的优化方法。
背景技术
独立微网系统是指与大电网隔离、独立运行的小型电力系统,以偏远地区或者海岛为主要供电对象,并充分利用可再生能源发电,如光伏阵列和风力发电等多种类型的分布式发电单元组合在一起构成,可以有效发挥单一能源系统的优点,实现多种能源互补,提高整个独立微网系统的效率和能源利用率,相比单一的光储系统或者风储系统具有更低的成本和更高的供电可靠性。
开展独立微网系统的优化规划设计,需要充分考虑独立微网系统内分布式发电单元的组合方案和运行控制策略。国内外的研究多采用基于气象数据和负荷数据的准稳态逐时仿真优化设计方法,根据已获得系统全寿命周期内的风速、光照强度、温度和负荷的原始数据,利用准稳态仿真程序,计算不同类型可再生能源组合方案下系统的各项指标。该方法在优化规划中可以详细模拟全寿命周期内可再生能源资源、负荷变化情况,以及独立微网系统的运行控制策略,但需要占用大量的仿真计算时间;在优化算法上,由于优化问题是一个包含离散变量和连续变量的混合优化规划问题,一般采用人工智能算法对该类问题进行求解,在进行优化规划时,通常希望能够同时满足多个指标约束条件,但实际上在多目标优化问题的求解中,不同目标之间往往是相互冲突的,在优化规划设计上,所配置柴油发电机单机容量的大小、多机设备的组合开机方式等都直接影响整个系统的技术经济指标,现有的独立微网优化设计方法中针对这一问题均对其简化处理,通常只能对柴油发电机组的总功率进行优化设计,未考虑柴油发电机的类型和多机组合方案,在优化变量中,未同时考虑设备类型和设备容量的组合优化。
发明内容
为解决上述技术问题,本申请实施例提供一种独立微网系统优化设计方法,以实现独立微网系统的多目标优化设计运行更经济,可靠性更高,可再生能源利用率更高,技术方案如下:
本申请提供一种独立微网系统优化方法,所述独立微网系统至少包括柴油发电机、风力发电机、光伏阵列和储能电池,包括:
获取所述柴油发电机、所述风力发电机、所述光伏阵列和所述储能电池的设备参数;
依据所述柴油发电机、所述风力发电机、所述光伏阵列及所述储能电池的设备参数,利用多目标遗传算法进行遗传算法求解优化,在求解的过程中采用准稳态仿真策略,并为所述独立微网系统预留预设的备用容量,获得所述独立微网系统的优化指标,最终通过所述多目标遗传算法获得优化结果;
其中,所述独立微网系统的优化指标为全寿命周期内的总成本现值、负荷容量缺失率和污染水平,所述全寿命周期内的总成本现值为所述独立微网系统中的所有设备的在整个工程寿命内的成本现值和残值现值;所述负荷容量缺失率为未满足需求的负荷容量与整个负荷需求容量的比值;所述污染物排放为各种污染物每年的排放总量;
所述准稳态仿真策略包括硬充电策略和平滑功率策略,其中,在所述硬充电策略下,柴油发电机与储能电池轮流作为主电源满足净负荷需求,允许所述柴油发电机为所述储能电池充电;在所述平滑功率策略下,储能电池仅作为所述柴油发电机的补充电源,当所述柴油发电机无法单独满足负荷的情况下放电。
优选的,所述为所述独立微网系统预留预设的备用容量具体为,在所述独立微网系统的优化规划设计模型中,将维持电压频率稳定的柴油发电机和储能电池作为主电源,在每一个运行时刻,根据所述风力发电机、所述光伏阵列、以及负荷的实际功率,预留预设的备用容量。
优选的,所述利用NSGA-II多目标遗传算法进行遗传算法求解的过程中,选取所述独立微网系统中的所述风力发电机的类型、所述风力发电机的台数、所述柴油发电机的类型、所述柴油发电机的台数、所述光伏阵列的容量、所述储能电池的类型、并联支路数,以及所述储能电池用的双向变流器的容量为优化变量。
优选的,所述获得所述独立微网系统的全寿命周期内的总成本现值、污染水平和负荷容量缺失率,具体为:
以小时为仿真步长,依据所述独立微网系统所在区域内的风力资源、光照资源和负荷需求情况,对所述独立微网系统内的每个设备进行全寿命周期内的准稳态仿真,根据预设的控制策略,确定每个时间步长内,所述柴油发电机的投入台数和耗油量、所述储能电池的充放电功率和剩余容量,以及所述时间步长内的未满足的负荷量和浪费功率指标,计算得到全寿命周期内的总成本现值、污染水平和负荷缺失率。
优选的,所述硬充电策略为:
计算所述独立微网系统的净负荷及考虑备用容量的净负荷,所述净负荷为负荷功率减去风力发电机和光伏阵列的发电功率;
依据考虑备用容量的净负荷的大小、上一时间步长内所述柴油发电机的开机情况、储能电池的最大充放电功率,确定当前时间步长内的所述柴油发电机的投入台数,并计算当前负荷下的容量短缺;
确定出当前时间步长内需投入的所述柴油发电机的台数后,依据净负荷需求,计算出当前时间步长内实际的所述柴油发电机的耗油量、所述储能电池的充放电量、未满足的负荷量和浪费能量指标;
优选的,所述确定当前时间步长内的所述柴油发电机组的投入台数,并计算当前负荷下的容量短缺具体包括:
若未满足最小运行小时数的所述柴油发电机的总功率,能够满足所述考虑备用容量的净负荷及所述储能电池的充电需求,则允许所有达到最小运行时间要求的柴油发电机退出运行;否则,逐台退出达到最小运行时间要求的柴油发电机,直到未退出的柴油发电机能满足所述考虑备用容量的净负荷和所述储能电池的充电需求;
若未满足最小运行小时数的所述柴油发电机的总功率,不能满足所述考虑备用容量的净负荷及所述储能电池的充电需求,且已投入运行的所述柴油发电机的总功率未能满足所述考虑备用容量的净负荷及所述储能电池的充电需求,则逐台投入新的柴油发电机,其中,所述投入的新的柴油发电机不为所述储能电池充电;
若逐台投入的新的柴油发电机之后,所有运行的所述柴油发电机仍不能满足所述考虑备用容量的净负荷的需求,则计算由于所述柴油发电机的能量不足导致的容量缺额;
由所述储能电池放电补充所述容量缺额;
若所述储能电池的放电功率和所有的所述柴油发电机的总功率之和,仍不能满足所述考虑备用容量的净负荷,则计算当前负荷下的容量短缺,进而计算得到负荷容量缺失率。
优选的,在确定出当前时间步长内所需投入的柴油机台数后,计算出当前时间步长内所述柴油发电机的实际耗油量、所述储能电池的充放电量、未满足的负荷量和浪费能量指标时,还包括:
判断所有运行的柴油发电机运行在最小出力水平是否满足所述净负荷及所述储能电池的充电需求,若是,则使所有运行的柴油发电机运行在最小出力水平,并计算由于最小出力水平限制而产生的过剩电能;否则,所述柴油发电机的总出力水平由所述净负荷及所述储能电池的充电需求来确定;
若所有运行的柴油发电机处于额定运行状态仍不能满足所述净负荷的需求,则使所述储能电池放电和所述柴油发电机共同为所述负荷供电;
若在所述储能电池放电后,所述储能电池的放电功率和所述柴油发电机的总功率仍不能满足所述净负荷,则计算得到当前负荷的实际容量缺额。
优选的,所述平滑功率策略具体为:
计算当前时间步长内的净负荷,所述净负荷为负荷功率减去风力发电机和光伏阵列的发电功率;
当所述净负荷大于零时,且所述柴油发电机超出正常运行区间的上限时,优先使用所述储能电池补充由于所述柴油发电机的容量不足导致的容量缺额;
若所述储能电池无法满足所述容量缺额,或所述储能电池的容量低于所述储能电池的最小下限时,则逐台投入新的所述柴油发电机;
若在逐台投入新的所述柴油发电机后,仍无法满足所述净负荷,则计算出的未满足的负荷功率为负荷缺失功率;
若所述净负荷大于零,但单台所述柴油发电机的出力小于最小出力水平,则减少所述柴油发电机的投入台数,直至所有的所述柴油发电机的处理恢复至正常工作区间,若减小至仅剩一台所述柴油发电机,且所述柴油发电机的出力仍小于所述最小出力水平,则放弃部分发电出力,并将放弃的发电出力作为剩余功率,且所述柴油发电机不给所述电池充电;
当所述净负荷小于零时,关闭所述柴油发电机,利用所述风力发电机和/或所述光伏阵列为所述储能电池充电,若为所述储能电池的充电功率超过所述储能电池的最大充电功率,或所述储能电池的容量达到最大容量时,放弃部分所述风力发电机和/或所述光伏阵列的输出功率,并计算剩余功率。
由以上本申请实施例提供的技术方案可见,所述独立微网系统优化设计方法,所述独立微网系统包括柴油发电机、发力发电机、光伏阵列和储能电池,具体的优化方法是指基于独立微网系统的多目标优化设计模型,在优化规划设计模型上,考虑了多台柴油发电机的组合开机方式、储能电池与柴油发电机之间的协调控制策略,使得独立微网系统中的可再生能源利用率更高,运行更经济,更环保;针对系统优化规划设计模型的稳定性,考虑了独立微网稳定性需求的备用容量;在优化规划设计模型的求解算法上,采用基于NSGA-II的多目标遗传算法进行多目标问题求解,从而实现对独立微网系统的经济性、可靠性和环保性三大目标的多目标优化。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例独立微网系统的结构示意图;
图2为本申请实施例提供的独立微网优化方法流程示意图;
图3为本申请实施例提供的硬充电策略的控制流程示意图;
图4为本申请实施例提供的平滑功率策略的控制流程示意图。
具体实施方式
本申请实施例提供一种独立微网系统的优化方法,其具体内容为基于独立微网系统的多目标优化设计模型,在优化规划设计模型上,考虑了多台柴油发电机的组合开机方式、储能电池与柴油发电机之间的协调控制策略;在优化模型的稳定性上,考虑了针对系统稳定性需求的备用容量;在优化变量选取上,针对独立微网系统内的设备类型和装机容量同时进行优化设计;在优化模型的求解算法上,采用基于NSGA-II的多目标遗传算法进行多目标问题求解,最终实现对独立微网系统的经济性、可靠性和环保性三大目标的多目标优化。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
请参见图1,示出了独立微网系统的结构示意图,所述独立微网系统包括风力发电机101、光伏阵列102、储能电池103、柴油发电机104,其中,风力发电机101、光伏阵列102、储能电池103通过各自的变流器接入交流电网系统,柴油发电机采用同步发电机,直接并入交流电网。同时,交流电网连接负荷,并为负荷供电。
请参见图2示出了本申请实施例提供的独立微网系统的优化方法流程示意图,包括以下步骤:
110,获取所述柴油发电机、所述风力发电机、所述光伏阵列和所述储能电池的设备参数。
120,利用多目标遗传算法进行遗传算法求解优化,在求解的过程中采用准稳态仿真策略,并为独立微网系统预留预设的备用容量,获得独立微网系统的优化指标,通过所述多目标遗传算法获得优化结果。
其中,所述优化指标为独立微网系统的全寿命周期内的总成本现值、负荷容量缺失率和污染水平。
所述全寿命周期内的总成本现值为所述独立微网系统中的所有设备的在整个工程寿命内的成本现值和残值现值;所述负荷容量缺失率为未满足需求的负荷容量与整个负荷需求容量的比值;所述污染物排放为各种污染物每年的排放总量;
所述准稳态仿真策略包括硬充电策略和平滑功率策略,其中,在所述硬充电策略下,柴油发电机与储能电池轮流作为主电源满足净负荷需求,允许所述柴油发电机为所述储能电池充电;在所述平滑功率策略下,储能电池仅作为所述柴油发电机的补充电源,当所述柴油发电机无法单独满足负荷的情况下放电。
本申请实施例提供的独立微网系统优化设计方法,应用于包括柴油发电机、发力发电机、光伏阵列和储能电池的独立微网系统,具体的优化方法是指基于独立微网系统的多目标优化设计模型,在优化规划设计模型上,考虑了多台柴油发电机的组合开机方式、储能电池与柴油发电机之间的协调控制策略,使得独立微网系统中的可再生能源利用率更高,运行更经济,更环保;针对系统优化规划设计模型的稳定性,考虑了独立微网稳定性需求的备用容量;在优化规划设计模型的求解算法上,采用多目标遗传算法进行多目标问题求解,从而实现对独立微网系统的经济性、可靠性和环保性三大目标的多目标优化。
所述独立微网系统的优化设计主要围绕三个指标分别是:全寿命周期内的总成本现值、负荷容量缺失率和污染物排放水平。
目标函数表示为:
Min(fi) i=1,2,3 (1)
全寿命周期内的总成本现值包括成本限值和残值现值两个部分,其数学表达式为:
式中,K代表整个系统的工程寿命,单位为年;r为折现率;C(k)代表第k年的成本,单位为元/年;Bsalvage代表设备残值,残值产生于经济评估寿命的最后一年。
C(k)的计算公式如下:
C(k)=CI(k)+CR(k)+CM(k)+CF(k) (3)
式中,CI(k)代表第k年的初始投资,CR(k)代表第k年的更新费用,CM(k)代表第k年的维护费用,CF(k)代表第k年的燃料费用,单位均为元/年。
具体变量计算公式分列如下:
CI(k)=CIbattery+CIpv+CIwind+CIDG+CIConverter (4)
式中,CIbattery代表储能电池的投资费用、CIpv代表光伏阵列的投资费用、CIwind代表风力发电机的投资费用、CIDG代表柴油发电机的投资费用、CIConverter代表储能电池用变流器的投资费用,单位均为元。
CR(k)=CRbattery(k)+CRpv(k)+CRwind(k)+CRDG(k)+CRConverter(k) (5)
式中,CRbattery(k)代表第k年的储能电池的更新费用、CRpv(k)代表第k年的光伏阵列的更新费用、CRwind(k)代表第k年的风力发电机的更新费用、CRDG(k)代表第k年的柴油发电机的更新费用、CRConverter(k)代表第k年的储能电池用变流器的更新费用,单位均为元。
CM(k)=CMbattery(k)+CMpv(k)+CMwind(k)+CMDG(k)+CMConverter(k) (6)
式中,CMbattery(k)代表第k年的储能电池的维护费用、CMpv(k)代表第k年的光伏阵列的维护费用、CMwind(k)代表第k年的风力发电机的维护费用、CMDG(k)代表第k年的柴油发电机的维护费用、CMConverter(k)代表第k年的储能电池用变流器的维护费用,单位均为元。
负荷容量缺失率(LOC,Loss of Capacity)其数学表达式为:
式中,ECS为总的未满足需求的负荷容量,Etot为总的负荷需求容量,LOC表示未满足需求的负荷容量与总的负荷需求容量的比值。
独立微网年污染物排放水平的数学表达式为:
式中,σCO2代表CO2的排放系数、σCO代表CO的排放系数、σHC代表碳氢化合物HC的排放系数、σNO代表NO的排放系数、σS代表S的排放系数,单位均为kg/L;vfule(k)代表第k年柴油发电机的柴油年消耗量,单位是升。
利用上述的公式计算独立微网系统的全周期寿命内的总成本现值、负荷容量缺失率和污染物排放水平。
利用NSGA-II的多目标遗传算法对独立微网的优化规划设计模型的多目标进行求解,
基于NSGA-II的多目标遗传算法的求解过程如下:
首先,进行系统初始化,读取独立微网系统中的各个设备的参数及遗传算法的参数,利用随机函数产生第一代父代种群,调用准稳态仿真策略,计算所述第一代父代种群中的各个个体的适应度函数值,并执行Pareto排序操作。同时,从第一代父代种群中通过选择、交叉和变异操作得到子代种群,通过准稳态仿真策略,计算子代种群中各个个体的适应度函数值,与父代种群合并后生成中间种群,并执行Pareto排序操作,选择生成下一代父代种群,最后,判断种群的迭代次数是否满足终止条件,具体的,判断是否满足终止条件是判断种群的迭代次数是否达到预设的次数,若满足,则输出优化结果,否则,重复以上操作。
具体的,所述独立微网系统的各个设备的参数具体包括设备的类型、技术参数和经济参数等,从而获取准稳态仿真所必须的参数。
所述遗传算法的参数主要包括种群大小、迭代次数、交叉概率、变异概率。
本发明通过上述的多目标遗传算法求解,得到最后一代种群的所有非支配解构成的集合,即所研究问题的Pareto最优解集;各非支配解对应的目标函数构成的解集,即该问题的Pareto最优边界,也即本发明多目标问题的最优解集。
在利用NSGA-II的多目标遗传算法进行最优解求解时,采用的准稳态仿真控制策略包括硬充电策略和平滑功率策略,以小时为仿真步长,根据所述独立微网系统所在区域内风力资源、光照资源和负荷需求情况,对系统中的每个设备进行全寿命周期内的准稳态仿真,根据预设的控制策略,即硬充电策略和平滑功率策略,确定每个时间步长内,柴油发电机的投入台数和耗油量、储能电池的充放电功率、剩余容量,以及该步长内的未满足的负荷容量和浪费功率等指标,从而,利用上述的公式计算全寿命周期内的总成本现值、污染物排放水平和负荷缺失率。
在硬充电策略下,柴油发电机104与储能电池103轮流作为主电源满足净负荷需求,允许柴油发电机为储能电池充电,从而尽量减少柴油机组的运行时间,一般适用于可再生能源资源较为丰富,因环境或能源约束对柴油发电机运行时间有限制的场合。
硬充电策略分为以下步骤:
计算独立微网系统的净负荷P1,其中,所述独立微网的净负荷P1=负荷功率-(风力发电+光伏阵列的发电功率)。
确定当前时间步长内的柴油发电机的投入台数;其中,依据考虑备用容量的净负荷P2的大小,上一时间步长内柴油发电机的开机情况、储能电池的最大充放电功率,确定柴油发电机的投入台数。
在确定出当前时间步长内需要投入的柴油发电机的台数后,计算出当前负荷下的容量短缺Ecs(t)。
在确定出当前时间步长内需要投入的柴油发电机的台数后,依据净负荷需求,计算出当前时间步长内实际的所述柴油发电机的耗油量、所述储能电池的充放电量、未满足的负荷量和浪费能量指标。
具体的,请参见图3,示出了硬充电策略的具体控制流程示意图,包括以下步骤:
该策略的仿真步长为t=1小时,每次执行该硬充电策略前判断t是否大于8760小时(一年有8760个小时)。
201,计算所述独立微网系统的净负荷(P1)及考虑备用容量的净负荷(P2)的大小,同时计算储能电池的最大充电功率(P3)和最大放电功率(P4)。
202,判断未达到最小运行小时数的柴油发电机的总发电容量是否能满足考虑备用容量的净负荷(P2)和储能电池的充电需求,若是,则执行步骤204;否则,执行步骤203;
考虑备用容量的净负荷P2=P1+δ,其中δ是为独立微网系统预留的备用容量,从而使系统运行更稳定。
具体实施时,柴油发电机的总台数为m,上一时刻的投入运行的柴油发电机的台数为n,当前步长未满足最小运行小时数的柴油发电机台数为n1。柴油发电机的最大出力为P5,柴油发电机的最小出力为P6。
本步骤实际是判断n1×P5是否大于P2+P3。
203,判断上一时刻投入的柴油发电机的总功率是否满足考虑备用容量的净负荷和储能电池的充电需求,若是,则执行步骤205;否则,执行步骤206。
本步骤实际判断n×P5是否大于P2+P3,若n×P5≤P2+P3,表明上一时刻投入的n台柴油发电机的总功率不能满足考虑备用容量的净负荷(P2)和储能电池的充电需求;若n×P5>P2+P3,表明上一时刻投入的n台柴油发电机的总功率能满足考虑备用容量的净负荷(P2)和储能电池的充电需求。
204,允许满足最小运行小时数的柴油发电机退出运行;
即关闭已经满足最小运行小时数的柴油发电机,这样能够延长柴油发电机的使用寿命。
205,逐台退出已投入的柴油发电机,直到处于运行的柴油发电机的容量能够满足考虑备用容量的净负荷(P2)和储能电池的充电需求。
逐台退出已投入的柴油发电机的过程包括:
2051,关闭一台正在运行的柴油发电机,即n=n-1。
2052,判断当前运行的柴油发电机的总功率是否满足考虑备用容量的净负荷P2和储能电池的充电需求P3。
206,判断已投入的柴油发电机的容量是否满足考虑备用容量的净负荷(P2),若是,则执行步骤207;否则,执行步骤208。
本步骤中的若是具体是指n×P5>P2,即上一时刻投入的柴油发电机的总功率能满足考虑备用容量的净负荷P2;若否具体是指n×P5≤P2,即上一时刻投入的柴油发电机的总功率不能满足考虑备用容量的净负荷P2。
207,确定当前需要投入的柴油发电机的台数。
具体的,将确定出的当前需要投入的柴油发电机的台数记为nt。
208,判断上一时刻运行的柴油发电机的台数n是否超过柴油发电机的总台数m,若是则执行步骤210;否则执行步骤209。
若n<m,则n=n+1;若n=m,则储能电池放电和柴油发电机共同为负荷供电。
2091,投入一台新的柴油发电机,n=n+1。
2092,判断投入新的柴油发电机后,所有的处于运行的柴油发电机的总功率是否能满足考虑备用容量的净负荷P2,若是,则执行步骤207;否则,则返回执行步骤208。
本步骤实际是判断在步骤208投入新的柴油发电机后,柴油发电机的总功率是否大于P2。
210,判断储能电池的放电容量与柴油发电机的总功率之和是否满足P2,若是,则执行步骤207;否则,执行步骤211。
本步骤实际是判断m×P5+P4是否大于P2,若m×P5+P4>P2,则执行步骤207;若m×P5+P4≤P2,则计算容量短缺Ecs(t)。
211,计算当前负荷的容量短缺Ecs(t)。
212,在步骤207确定出当前时间步长内需要投入的柴油发电机的台数nt之后,判断所有运行的柴油发电机运行在最小出力水平是否满足净负荷和储能电池的充电需求,若是,则执行步骤213;否则,执行步骤214。
213,控制所有运行的柴油发电机运行在最小出力水平,并计算由于最小出力水平限制而产生的过剩电能。
214,判断所有运行的柴油发电机处于额定状态(最大出力水平)时,能否满足净负荷P1的需求,若是,则执行步骤215;否则,执行步骤216;
215,柴油发电机以额定运行状态为负荷供电,同时为储能电池充电。
216,判断储能电池放电和柴油发电机的总功率能否满足净负荷P1的需求,若是,则执行步骤217;否则,执行步骤218。
217,使储能电池放电和柴油发电机共同来满足净负荷P1.
218,计算净负荷P1对应的实际容量缺额Ucs(t)。
本实施例提供的硬充电策略考虑了多台柴油发电机的开机组合方式,以及储能电池与柴油发电机之间的协调控制方式,从而使得独立微网系统更经济;考虑了备用容量,使得独立微网系统运行更稳定;储能电池与柴油发电机之间协调控制,在柴油发电机的运行过程中,充分考虑了柴油发电机的运行时间和出力状态,使柴油发电机运行在经济区,从而延长柴油发电机的使用寿命。
请参见图4,示出了本申请提供的平滑功率策略的控制流程,包括以下步骤:
301,计算当前时间步长内的净负荷P1。
302,判断净负荷与0的大小关系;
303,当净负荷大于0,且柴油发电机超出正常运行区间的上限时,优先使用储能电池补充由于柴油发电机的容量不足导致的容量缺额。
304,若储能电池无法满足所述容量缺额,或储能电池的容量低于储能电池的最小下限时,则逐台投入新的柴油发电机。
此处的逐台投入新的柴油发电机的过程与硬充电策略中的逐台投入过程相同,此处不再赘述。
305,若在逐台投入新的柴油发电机后,仍无法满足净负荷,则计算出的未满足的负荷功率为负荷缺失功率。
306,若净负荷大于0,但单台柴油发电机的出力小于最小出力水平,则减少柴油发电机的投入台数,直至所有的柴油发电机的处理恢复至正常工作区间;
307,若减小至仅剩一台柴油发电机,且柴油发电机的出力仍小于最小出力水平,则放弃部分发电出力,并将关闭的发电出力作为剩余功率,且柴油发电机不给电池充电;
308,当净负荷小于0时,关闭柴油发电机,利用风力发电机和/或光伏阵列为储能电池充电;
309,若为储能电池的充电功率超过储能电池的最大充电功率,或储能电池的容量达到最大容量时,放弃部分风力发电机和/或光伏阵列的输出功率,并计算剩余功率。
本实施例提供的平滑功率策略,对储能电池的容量要求相对较低,储能电池仅作为柴油发电机的补充电源,在柴油发电机无法单独满足负荷的情况下放电,主要用于满足柴油发电机不能满足的那部分负荷,并吸收多余的可再生能源的能量。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种独立微网系统优化方法,所述独立微网系统至少包括柴油发电机、风力发电机、光伏阵列和储能电池,其特征在于,包括:
获取所述柴油发电机、所述风力发电机、所述光伏阵列和所述储能电池的设备参数;
依据所述柴油发电机、所述风力发电机、所述光伏阵列及所述储能电池的设备参数,利用多目标遗传算法进行遗传算法求解优化,在求解的过程中采用准稳态仿真策略,并为所述独立微网系统预留预设的备用容量,获得所述独立微网系统的优化指标,最终通过所述多目标遗传算法获得优化结果;
其中,所述独立微网系统的优化指标为全寿命周期内的总成本现值、负荷容量缺失率和污染水平,所述全寿命周期内的总成本现值为所述独立微网系统中的所有设备的在整个工程寿命内的成本现值和残值现值;所述负荷容量缺失率为未满足需求的负荷容量与整个负荷需求容量的比值;所述污染物排放为各种污染物每年的排放总量;
所述准稳态仿真策略包括硬充电策略和平滑功率策略,其中,在所述硬充电策略下,柴油发电机与储能电池轮流作为主电源满足净负荷需求,允许所述柴油发电机为所述储能电池充电;在所述平滑功率策略下,储能电池仅作为所述柴油发电机的补充电源,当所述柴油发电机无法单独满足负荷的情况下放电。
2.根据权利要求1所述的方法,其特征在于,所述为所述独立微网系统预留预设的备用容量具体为,在所述独立微网系统的优化规划设计模型中,将维持电压频率稳定的柴油发电机和储能电池作为主电源,在每一个运行时刻,根据所述风力发电机、所述光伏阵列、以及负荷的实际功率,预留预设的备用容量。
3.根据权利要求1所述的方法,其特征在于,所述多目标遗传算法为NSGA-II多目标遗传算法,在利用所述NSGA-II多目标遗传算法进行遗传算法求解的过程中,选取所述独立微网系统中的所述风力发电机的类型、所述风力发电机的台数、所述柴油发电机的类型、所述柴油发电机的台数、所述光伏阵列的容量、所述储能电池的类型、并联支路数,以及所述储能电池用的双向变流器的容量为优化变量。
4.根据权利要求1所述的方法,其特征在于,所述获得所述独立微网系统的全寿命周期内的总成本现值、污染水平和负荷容量缺失率,具体为:
以小时为仿真步长,依据所述独立微网系统所在区域内的风力资源、光照资源和负荷需求情况,对所述独立微网系统内的每个设备进行全寿命周期内的准稳态仿真,根据预设的控制策略,确定每个时间步长内,所述柴油发电机的投入台数和耗油量、所述储能电池的充放电功率和剩余容量,以及所述时间步长内的未满足的负荷量和浪费功率指标,计算得到全寿命周期内的总成本现值、污染水平和负荷缺失率。
5.根据权利要求1所述的方法,其特征在于,所述硬充电策略为:
计算所述独立微网系统的净负荷及考虑备用容量的净负荷,所述净负荷为负荷功率减去风力发电机和光伏阵列的发电功率;
依据考虑备用容量的净负荷的大小、上一时间步长内所述柴油发电机的开机情况、储能电池的最大充放电功率,确定当前时间步长内的所述柴油发电机的投入台数,并计算当前负荷下的容量短缺;
确定出当前时间步长内需投入的所述柴油发电机的台数后,依据净负荷需求,计算出当前时间步长内实际的所述柴油发电机的耗油量、所述储能电池的充放电量、未满足的负荷量和浪费能量指标。
6.根据权利要求5所述的方法,其特征在于,所述确定当前时间步长内的所述柴油发电机组的投入台数,并计算当前负荷下的容量短缺具体包括:
若未满足最小运行小时数的所述柴油发电机的总功率,能够满足所述考虑备用容量的净负荷及所述储能电池的充电需求,则允许所有达到最小运行时间要求的柴油发电机退出运行;否则,逐台退出达到最小运行时间要求的柴油发电机,直到未退出的柴油发电机能满足所述考虑备用容量的净负荷和所述储能电池的充电需求;
若未满足最小运行小时数的所述柴油发电机的总功率,不能满足所述考虑备用容量的净负荷及所述储能电池的充电需求,且已投入运行的所述柴油发电机的总功率未能满足所述考虑备用容量的净负荷及所述储能电池的充电需求,则逐台投入新的柴油发电机,其中,所述投入的新的柴油发电机不为所述储能电池充电;
若逐台投入的新的柴油发电机之后,所有运行的所述柴油发电机仍不能满足所述考虑备用容量的净负荷的需求,则计算由于所述柴油发电机的能量不足导致的容量缺额;
由所述储能电池放电补充所述容量缺额;
若所述储能电池的放电功率和所有的所述柴油发电机的总功率之和,仍不能满足所述考虑备用容量的净负荷,则计算当前负荷下的容量短缺,进而计算得到负荷容量缺失率。
7.根据权利要求5所述的方法,其特征在于,在确定出当前时间步长内所需投入的柴油机台数后,计算出当前时间步长内所述柴油发电机的实际耗油量、所述储能电池的充放电量、未满足的负荷量和浪费能量指标时,还包括:
判断所有运行的柴油发电机运行在最小出力水平是否满足所述净负荷及所述储能电池的充电需求,若是,则使所有运行的柴油发电机运行在最小出力水平,并计算由于最小出力水平限制而产生的过剩电能;否则,所述柴油发电机的总出力水平由所述净负荷及所述储能电池的充电需求来确定;
若所有运行的柴油发电机处于额定运行状态仍不能满足所述净负荷的需求,则使所述储能电池放电和所述柴油发电机共同为所述负荷供电;
若在所述储能电池放电后,所述储能电池的放电功率和所述柴油发电机的总功率仍不能满足所述净负荷,则计算得到当前负荷的实际容量缺额。
8.根据权利要求1所述的方法,其特征在于,所述平滑功率策略具体为:
计算当前时间步长内的净负荷,所述净负荷为负荷功率减去风力发电机和光伏阵列的发电功率;
当所述净负荷大于零时,且所述柴油发电机超出正常运行区间的上限时,优先使用所述储能电池补充由于所述柴油发电机的容量不足导致的容量缺额;
若所述储能电池无法满足所述容量缺额,或所述储能电池的容量低于所述储能电池的最小下限时,则逐台投入新的所述柴油发电机;
若在逐台投入新的所述柴油发电机后,仍无法满足所述净负荷,则计算出的未满足的负荷功率为负荷缺失功率;
若所述净负荷大于零,但单台所述柴油发电机的出力小于最小出力水平,则减少所述柴油发电机的投入台数,直至所有的所述柴油发电机的处理恢复至正常工作区间,若减小至仅剩一台所述柴油发电机,且所述柴油发电机的出力仍小于所述最小出力水平,则放弃部分发电出力,并将放弃的发电出力作为剩余功率,且所述柴油发电机不给所述电池充电;
当所述净负荷小于零时,关闭所述柴油发电机,利用所述风力发电机和/或所述光伏阵列为所述储能电池充电,若为所述储能电池的充电功率超过所述储能电池的最大充电功率,或所述储能电池的容量达到最大容量时,放弃部分所述风力发电机和/或所述光伏阵列的输出功率,并计算剩余功率。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310103553.5A CN103151798B (zh) | 2013-03-27 | 2013-03-27 | 独立微网系统的优化方法 |
PCT/CN2013/085158 WO2014153946A1 (zh) | 2013-03-27 | 2013-10-14 | 独立微网系统的优化方法 |
US14/779,951 US9985438B2 (en) | 2013-03-27 | 2013-10-14 | Optimization method for independent micro-grid system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310103553.5A CN103151798B (zh) | 2013-03-27 | 2013-03-27 | 独立微网系统的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103151798A CN103151798A (zh) | 2013-06-12 |
CN103151798B true CN103151798B (zh) | 2015-02-04 |
Family
ID=48549729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310103553.5A Active CN103151798B (zh) | 2013-03-27 | 2013-03-27 | 独立微网系统的优化方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9985438B2 (zh) |
CN (1) | CN103151798B (zh) |
WO (1) | WO2014153946A1 (zh) |
Families Citing this family (90)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103151798B (zh) | 2013-03-27 | 2015-02-04 | 浙江省电力公司电力科学研究院 | 独立微网系统的优化方法 |
US10074984B2 (en) * | 2013-04-09 | 2018-09-11 | Nec Corporation | Electric power control system |
CN103414213B (zh) * | 2013-08-13 | 2015-09-16 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种海岛型微电网的电源优化配置方法 |
CN103544655B (zh) * | 2013-10-18 | 2017-02-08 | 国家电网公司 | 一种含微电网的区域配电网分层优化方法 |
JP6223833B2 (ja) * | 2014-01-09 | 2017-11-01 | 株式会社東芝 | 電力系統安定化装置 |
CN103927408A (zh) * | 2014-03-05 | 2014-07-16 | 哈尔滨电机厂有限责任公司 | 水轮发电机质量控制设计方法 |
CN103854070A (zh) * | 2014-03-07 | 2014-06-11 | 天津大学 | 独立微网系统的随机优化规划方法 |
CN103971172A (zh) * | 2014-04-18 | 2014-08-06 | 国家电网公司 | 一种电网故障条件下微电网的优化配置方法 |
CN105016428B (zh) * | 2014-04-26 | 2017-02-08 | 江苏丰海新能源淡化海水发展有限公司 | 孤网风电海水淡化集成系统及方法 |
US20150339266A1 (en) * | 2014-05-23 | 2015-11-26 | King Fahd University Of Petroleum And Minerals | Ranking method for hybrid renewable distributed generation systems |
CN104167762B (zh) * | 2014-08-18 | 2016-08-03 | 国家电网公司 | 一种含化学储能系统和间歇式电源的机组组合优化方法 |
JP6402002B2 (ja) * | 2014-10-30 | 2018-10-10 | 株式会社日立製作所 | 電力貯蔵システムの評価装置、評価方法および評価プログラム |
CN104701842B (zh) * | 2015-03-26 | 2016-08-24 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种独立微网供电系统及其供电可靠性评估方法 |
CN105205552B (zh) * | 2015-09-11 | 2018-11-16 | 东南大学 | 一种独立新能源混合发电系统优化规划方法 |
CN105337315B (zh) * | 2015-10-21 | 2017-03-08 | 温州大学 | 一种风光蓄互补独立微电网高维多目标优化配置方法 |
CN105406507B (zh) * | 2015-12-07 | 2018-01-12 | 浙江工业大学 | 一种光伏微网微源动态切换方法 |
CN105871301B (zh) * | 2016-05-26 | 2018-08-17 | 江苏苏美达机电科技有限公司 | 一种供电系统和方法 |
CN106022533B (zh) * | 2016-05-27 | 2020-03-10 | 国网北京市电力公司 | 基于云平台计算能量与信息二元融合元件的优化接入方法 |
CN106058900B (zh) * | 2016-07-21 | 2018-06-15 | 南京工程学院 | 一种并网风光发电中混合储能容量优化配置方法 |
CN106295853B (zh) * | 2016-07-28 | 2020-09-25 | 华北电力大学(保定) | 基于储能调度模式的分布式光伏两阶段多目标就地消纳法 |
NL2017316B1 (en) * | 2016-08-15 | 2018-02-21 | Danvest Energy As | Renewable energy supply system, island operation powerline and method |
CN106300425B (zh) * | 2016-09-09 | 2019-04-05 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于用户舒适度的分布式能源管理方法 |
CN106505633B (zh) * | 2016-12-07 | 2020-12-15 | 中国电力科学研究院有限公司 | 一种风光接入容量确定方法及装置 |
CN106779250B (zh) * | 2017-01-16 | 2020-07-24 | 浙江大学城市学院 | 一种基于新型优化模型的孤立分布式电网配置方法 |
CN106849159B (zh) * | 2017-01-25 | 2019-09-03 | 东南大学 | 基于mas多尺度的风光波互补海岛微电网能量控制方法 |
CN106998077A (zh) * | 2017-03-09 | 2017-08-01 | 国网新疆电力公司 | 一种长距离输电型电网光伏最大消纳能力的确定方法 |
CN107294122B (zh) * | 2017-04-17 | 2020-04-21 | 国网浙江省电力公司电力科学研究院 | 一种混合储能系统分层动态控制方法 |
CN106953358A (zh) * | 2017-04-20 | 2017-07-14 | 国网江西省电力公司电力科学研究院 | 一种主动配电网优化调度策略确定方法 |
CN106992543B (zh) * | 2017-04-27 | 2019-04-12 | 太原理工大学 | 柴油发电机和蓄电池组构成的独立微电网 |
CN107196296B (zh) * | 2017-06-26 | 2020-03-20 | 国电南瑞科技股份有限公司 | 一种基于波浪发电的海岛微电网经济运行优化方法 |
CN107508293B (zh) * | 2017-07-17 | 2020-05-15 | 国家电网公司 | 一种提高双区域互联电力系统频率稳定性的控制装置及方法 |
CN108233359B (zh) * | 2017-08-22 | 2020-08-28 | 中国电力科学研究院 | 一种特高压交直流馈入受端电网的分区优化方法及系统 |
CN107732958B (zh) * | 2017-09-15 | 2023-08-15 | 国网浙江省电力公司温州供电公司 | 一种计及源荷协同恢复的独立微电网黑启动优化方法 |
JP6916293B2 (ja) * | 2017-09-22 | 2021-08-11 | 株式会社日立産機システム | 水力発電系統連系システム |
CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
CN108599138B (zh) * | 2017-12-30 | 2021-11-26 | 国网天津市电力公司电力科学研究院 | 计及微电网分布式能源不确定性的储能系统容量配置方法 |
CN110297456B (zh) * | 2018-03-23 | 2020-10-16 | 中国石油化工股份有限公司 | 一种油电一体化供给过程的调控系统及方法 |
CN109149627B (zh) * | 2018-07-19 | 2021-02-12 | 中国科学院电工研究所 | 一种石油钻机供电系统 |
CN109066739B (zh) * | 2018-07-26 | 2020-02-21 | 西南交通大学 | 一种牵引供电系统再生制动能量储能介质功率及容量配置方法 |
CN108985524B (zh) * | 2018-08-07 | 2020-11-17 | 南京南瑞继保电气有限公司 | 一种多能互补系统的协调控制方法 |
CN108988390A (zh) * | 2018-08-13 | 2018-12-11 | 国网江西省电力有限公司电力科学研究院 | 一种基于最佳弃光率的配电网电压控制方法 |
CN109193626B (zh) * | 2018-09-15 | 2021-08-20 | 天津大学 | 一种分布式能源站选型与定容优化规划统一求解方法 |
CN109217369A (zh) * | 2018-10-17 | 2019-01-15 | 国网辽宁省电力有限公司经济技术研究院 | 一种计及储能寿命的风储电站分层优化控制方法 |
CN109472716B (zh) * | 2018-11-09 | 2022-05-17 | 浙江大学 | 一种基于遗传算法的考虑多因素的产能端功率分配方法 |
CN109409615A (zh) * | 2018-11-19 | 2019-03-01 | 三峡大学 | 基于非合作博弈的充换储一体化电站微电网优化调度方法 |
CN109474015B (zh) * | 2018-12-17 | 2020-11-17 | 国家电网有限公司 | 基于两层优化的主动配电网储能系统优化配置方法及系统 |
CN109713702A (zh) * | 2019-02-27 | 2019-05-03 | 新奥数能科技有限公司 | 一种确定光伏微网的储能容量的方法及装置 |
CN110033124B (zh) * | 2019-03-13 | 2021-11-02 | 华中科技大学 | 一种分布式交互的能源楼宇点对点能量分享方法及系统 |
GB201903895D0 (en) * | 2019-03-21 | 2019-05-08 | Univ Birmingham | Energy system control |
CN109980684A (zh) * | 2019-04-02 | 2019-07-05 | 云南电网有限责任公司电力科学研究院 | 一种基于柔性互联微电网的分布式优化调度方法 |
CN109936165A (zh) * | 2019-04-10 | 2019-06-25 | 中国恩菲工程技术有限公司 | 柴油发电机系统 |
CN111913110B (zh) * | 2019-05-10 | 2023-03-14 | 维谛技术有限公司 | 一种市电电池配置评估方法和系统 |
CN110224444B (zh) * | 2019-05-16 | 2022-01-11 | 广东电网有限责任公司 | 一种海岛微电网多时间尺度协调控制方法 |
CN110417045A (zh) * | 2019-06-03 | 2019-11-05 | 湖北省电力勘测设计院有限公司 | 一种针对交直流混合微电网容量配置的优化方法 |
CN110266026B (zh) * | 2019-06-26 | 2022-10-18 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种电厂储能辅助调频的储能定容方法 |
CN110417002B (zh) * | 2019-07-09 | 2021-02-12 | 华中科技大学 | 一种孤岛微电网能量模型的优化方法 |
CN110460090B (zh) * | 2019-07-22 | 2023-01-20 | 广东工业大学 | 一种水风光微电网电源容量配置方法 |
CN110457859B (zh) * | 2019-08-22 | 2021-06-01 | 广东海洋大学 | 混合电力船舶推进系统的优化控制方法 |
FR3100397B1 (fr) * | 2019-09-02 | 2022-02-25 | Commissariat Energie Atomique | Procédé de gestion d’un système hybride renouvelables/groupes électrogènes et dispositif associé |
CN110912119B (zh) * | 2019-10-28 | 2023-09-26 | 四川大学 | 一种基于暂态频率指标的互补系统控制策略组合优化方法 |
CN111082475B (zh) * | 2019-12-04 | 2021-03-30 | 四川大学 | 一种基于交直流混合配电网协调能量管控方法 |
CN110943487B (zh) * | 2019-12-31 | 2021-07-27 | 四川大学 | 一种园区能源系统能量优化的方法和装置 |
CN111199317B (zh) * | 2020-01-02 | 2023-09-29 | 阳光新能源开发股份有限公司 | 虚拟电厂的应急能源调度方法、系统及设备 |
CN111210079B (zh) * | 2020-01-09 | 2022-05-10 | 华北电力大学 | 一种分布式能源虚拟电厂运行优化方法及系统 |
CN111242806B (zh) * | 2020-02-19 | 2023-06-20 | 武汉理工大学 | 一种考虑不确定性的电-热-氢多能量系统的规划方法 |
CN111224428B (zh) * | 2020-03-02 | 2023-01-10 | 阳光新能源开发股份有限公司 | 光储柴微网系统及其控制方法 |
CN111293725B (zh) * | 2020-03-24 | 2023-07-21 | 安徽海螺新能源有限公司 | 一种光储结合稳定出力的光伏储能系统的控制方法 |
CN111628522A (zh) * | 2020-04-27 | 2020-09-04 | 合肥阳光新能源科技有限公司 | 一种光储柴微网系统及其控制方法 |
CN111723528B (zh) * | 2020-07-23 | 2021-02-02 | 长春理工大学 | 光学薄膜高维多目标优化设计方法 |
CN112186786B (zh) * | 2020-09-27 | 2024-03-15 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于虚拟同步发电机的储能辅助调频容量配置方法 |
CN112491041B (zh) * | 2020-11-20 | 2023-02-07 | 西安热工研究院有限公司 | 一种储能混合微电网混合线性经济性规划方法 |
CN112488370B (zh) * | 2020-11-20 | 2023-09-22 | 西安热工研究院有限公司 | 一种采用需求侧响应规划的储能优化方法 |
CN112491087B (zh) * | 2020-11-20 | 2023-02-07 | 西安热工研究院有限公司 | 一种基于需求侧响应的风光储独立微电网经济优化方法 |
CN112488378A (zh) * | 2020-11-25 | 2021-03-12 | 国网辽宁省电力有限公司 | 一种可再生能源驱动反渗透海水淡化技术的成本建模方法 |
CN112636337A (zh) * | 2020-12-08 | 2021-04-09 | 南京首风智慧电力研究院有限公司 | 一种独立微电网大扰动故障动态鉴别及功率紧急控制策略 |
CN112713621B (zh) * | 2020-12-22 | 2023-06-09 | 广东电网有限责任公司电力科学研究院 | 一种交直流混合系统的多目标优化配置方法和系统 |
CN112668240B (zh) * | 2020-12-30 | 2023-06-09 | 上海交通大学 | 一种基于虚拟储能的全电力船舶经济性调度方法及系统 |
CN113361096A (zh) * | 2021-06-02 | 2021-09-07 | 国网辽宁省电力有限公司 | 一种微电网反渗透海水淡化技术的建设规模的建模方法 |
CN113394807B (zh) * | 2021-06-23 | 2023-03-31 | 黄河勘测规划设计研究院有限公司 | 清洁能源互补基地装机配比的优化方法和装置 |
CN113343478B (zh) * | 2021-06-24 | 2022-09-20 | 东北电力大学 | 考虑不确定性和需求响应的独立微网容量优化配置方法 |
CN113555908B (zh) * | 2021-06-24 | 2023-11-14 | 国网山东省电力公司济宁市任城区供电公司 | 一种智能配电网储能优化配置方法 |
CN113359464A (zh) * | 2021-06-30 | 2021-09-07 | 贵州大学 | 一种基于决策树进行能源管理的多重能源系统及控制方法 |
CN113659613A (zh) * | 2021-07-07 | 2021-11-16 | 杭州中恒电气股份有限公司 | 独立微电网优化的方法 |
CN113644669B (zh) * | 2021-08-17 | 2023-10-13 | 山东电力工程咨询院有限公司 | 一种基于储能容量利用率的储能容量配置方法及系统 |
CN114004082B (zh) * | 2021-10-29 | 2022-06-28 | 中节能风力发电股份有限公司 | 一种风储能量控制方法、系统、存储介质及计算设备 |
CN115099118B (zh) * | 2022-06-24 | 2024-04-09 | 中国人民解放军海军工程大学 | 基于nsgaⅲ的高维多目标联合并行仿真优化方法 |
CN116307087B (zh) * | 2023-02-07 | 2023-12-15 | 帕诺(常熟)新能源科技有限公司 | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 |
CN116027757B (zh) * | 2023-03-27 | 2023-06-16 | 中国科学院电工研究所 | 光催化-热化学耦合制燃料的综合能源系统运行调控方法 |
CN116031955B (zh) * | 2023-03-31 | 2023-06-27 | 赫里欧新能源有限公司 | 一种微电网型风光柴热储智能互补电力供应方法及系统 |
CN116623229B (zh) * | 2023-07-24 | 2023-10-20 | 长江三峡集团实业发展(北京)有限公司 | 一种风电制氢系统的控制方法、装置、介质、设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7274975B2 (en) * | 2005-06-06 | 2007-09-25 | Gridpoint, Inc. | Optimized energy management system |
US8315745B2 (en) | 2009-04-24 | 2012-11-20 | Hunter Defense Technologies, Inc. | Mobile micro-grid power system controller and method |
CN102184475B (zh) * | 2011-05-11 | 2013-10-16 | 浙江大学 | 基于多时间尺度协调的微网经济运行优化调度方法 |
CN102354334B (zh) * | 2011-09-27 | 2013-12-11 | 浙江省电力公司电力科学研究院 | 基于全寿命周期净费用最小的微网系统优化设计方法 |
JP5908302B2 (ja) * | 2012-02-27 | 2016-04-26 | 株式会社東芝 | 蓄電蓄熱最適化装置、最適化方法及び最適化プログラム |
CN102593874A (zh) | 2012-03-19 | 2012-07-18 | 合肥工业大学 | 一种用于微电网的能量调度方法 |
CN102694391B (zh) * | 2012-05-31 | 2014-09-03 | 国电南瑞科技股份有限公司 | 风光储联合发电系统日前优化调度方法 |
CN102904289A (zh) * | 2012-10-18 | 2013-01-30 | 长沙学院 | 基于果蝇优化算法的海岛新能源系统最优容量配置方法 |
CN103151798B (zh) * | 2013-03-27 | 2015-02-04 | 浙江省电力公司电力科学研究院 | 独立微网系统的优化方法 |
US20150277410A1 (en) * | 2014-03-25 | 2015-10-01 | Arizona Board Of Regents On Behalf Of Arizona State University | Power delivery system management |
-
2013
- 2013-03-27 CN CN201310103553.5A patent/CN103151798B/zh active Active
- 2013-10-14 US US14/779,951 patent/US9985438B2/en active Active
- 2013-10-14 WO PCT/CN2013/085158 patent/WO2014153946A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN103151798A (zh) | 2013-06-12 |
WO2014153946A1 (zh) | 2014-10-02 |
US20160064934A1 (en) | 2016-03-03 |
US9985438B2 (en) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103151798B (zh) | 独立微网系统的优化方法 | |
CN103793758B (zh) | 含光伏发电系统的电动汽车充电站的多目标优化调度方法 | |
Zhao et al. | Optimal sizing, operating strategy and operational experience of a stand-alone microgrid on Dongfushan Island | |
CN103490410B (zh) | 一种基于多目标优化的微电网规划和容量配置方法 | |
CN103986190B (zh) | 基于发电功率曲线的风光储联合发电系统平滑控制方法 | |
Dusonchet et al. | An optimal operating strategy for combined RES-based generators and electric storage systems for load shifting applications | |
CN103236718A (zh) | 一种智能微网的源-网-荷自动控制系统及控制方法 | |
CN106487036A (zh) | 一种基于多目标优化算法的独立光伏拖动系统容量配置方法 | |
CN102354334A (zh) | 基于全寿命周期净费用最小的微网系统优化设计方法 | |
CN202363902U (zh) | 一种用于对微网能量进行管理的系统 | |
Amirthalakshmi et al. | A novel approach in hybrid energy storage system for maximizing solar PV energy penetration in microgrid | |
CN103187784B (zh) | 一种优化光伏充电站集成系统的方法及装置 | |
CN106058900A (zh) | 一种并网风光发电中混合储能容量优化配置方法 | |
CN102593855B (zh) | 平抑电力系统中可再生能源电源输出功率波动的方法 | |
Jiao et al. | Greenhouse gas emissions from hybrid energy storage systems in future 100% renewable power systems–A Swedish case based on consequential life cycle assessment | |
CN103475020A (zh) | 一种微电网负荷跟随运行控制方法 | |
Kumaravel et al. | Adapted multilayer feedforward ANN based power management control of solar photovoltaic and wind integrated power system | |
Wang et al. | An improved min-max power dispatching method for integration of variable renewable energy | |
CN204458217U (zh) | 一种风电储能、输出系统 | |
Huang et al. | Optimal design of an island microgrid with considering scheduling optimization | |
CN104564532A (zh) | 一种风电储能、输出系统 | |
CN202121330U (zh) | 一种风电蓄能系统 | |
Anayochukwu | Optimal control of PV/wind/hydro-diesel hybrid power generation system for off-grid macro base transmitter station site | |
Sankar et al. | Day ahead optimal scheduling of an islanded urban micro grid with distributed active generator units | |
Wee et al. | Enhanced rule-based energy management system for an islanded microgrid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |