CN103715688A - 并网型微网优化配置方法及装置 - Google Patents

并网型微网优化配置方法及装置 Download PDF

Info

Publication number
CN103715688A
CN103715688A CN201410012565.1A CN201410012565A CN103715688A CN 103715688 A CN103715688 A CN 103715688A CN 201410012565 A CN201410012565 A CN 201410012565A CN 103715688 A CN103715688 A CN 103715688A
Authority
CN
China
Prior art keywords
information
grid type
random data
data scene
type microgrid
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.)
Granted
Application number
CN201410012565.1A
Other languages
English (en)
Other versions
CN103715688B (zh
Inventor
赵波
薛美东
周丹
葛晓慧
张雪松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201410012565.1A priority Critical patent/CN103715688B/zh
Publication of CN103715688A publication Critical patent/CN103715688A/zh
Application granted granted Critical
Publication of CN103715688B publication Critical patent/CN103715688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70Smart grids as climate change mitigation technology in the energy generation sector
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例提供一种并网型微网优化配置方法及装置,本发明实施例提供的并网型微网优化配置方法及装置中的优化配置模型信息,考虑了并网型微网的特性指标,包括自平衡度信息、冗余度信息以及联络线利用率信息,从而使本发明实施例提供的方法及装置更加适用于并网型微网。

Description

并网型微网优化配置方法及装置
技术领域
本发明涉及电力系统并网型微网系统领域,更具体的说,是涉及并网型微网优化配置方法及装置。
背景技术
微网系统是指由分布式电源、储能装置、能量变换装置和负载组成的小型发配电系统,是一个能够实现自我控制、保护和管理的自制系统,是解决偏远地区或远离海岸孤岛供电的有效方式。微网系统中由于可再生能源,如风能和太阳能的不确定性,负载和电池的非线性特性,以及存在多种不同的运行策略,导致微网系统的优化设计难度较大。
微网系统包括并网型微网和独立型微网,发明人在实现本发明创造的过程中发现,现有技术中的优化设计方面,忽略了并型微网的特性,导致现有技术中的微网优化设计方法不适合并网型微网。
发明内容
有鉴于此,本发明提供了一种并网型微网优化配置方法及装置,以克服现有技术中微网优化设计方法不适合并网型微网的问题。
为实现上述目的,本发明提供如下技术方案:
一种并网型微网优化配置方法,包括:
A、根据所述并网型微网的设备组成,获取所述并网型微网的设备信息;
B、根据所述并网型微网的设备信息,确定出所述各个设备的数学建模信息;
C、根据所述并网型微网的设备信息,确定出所述并网型微网的全寿命周期成本信息;
D、根据所述并网型微网的全寿命周期成本信息以及所述数学建模信息,确定出优化配置模型信息,所述优化配置模型信息包括约束信息,所述约束信息包括自平衡度信息、冗余度信息以及联络线利用率信息;
E、依据所述并网型微网中的年风速信息以及光照信息,计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率;
F、根据所述各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,确定出历史数据场景信息;
G、根据所述历史数据场景信息,生成N个随机数据场景信息,所述N为大于等于1的正整数;
H、采用场景缩减技术,将所述N个随机数据场景缩减为M个随机数据场景,M为大于等于1小于N的正整数,将所述M作为随机数据场景的当前数目;
I、根据历史数据场景信息以及所述优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
J、从所述当前数目的随机数据场景中选择一个出现概率最大的第一随机数据场景;
K、依据所述第一随机数据场景和优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
L、删除所述第一随机数据场景,所述当前数目减1所得差值大于零时,获得M’,M’由所述当前数目减1后得到,并变更所述当前数目为M’,将所述M’作为随机数据场景的当前数目返回步骤J,若所述差值等于零时,确定步骤K计算出的最优的建立优化配置模型信息为所述并网型微网的最优配置方案。
其中,所述并网型微网的设备包括柴油发电机、蓄电池储能设备、小型风力发电机和光伏发电,步骤B包括:
B1、根据所述柴油发电机的设备型号、所述柴油发电机的技术特性、所述柴油发电机的经济特性,确定出所述柴油发电机的输出功率限制信息和运行数量限制信息;
B2、根据所述蓄电池储能设备的设备型号、所述蓄电池储能设备的技术特性、所述蓄电池储能设备的经济特性,确定出所述蓄电池储能设的能量状态转换信息、能量状态限制信息、充放电功率限制信息、充放电状态互斥约束信息以及充放电状态转换约束信息;
B3、根据所述小型风力发电机的设备型号、所述小型风力发电机的技术特性、所述小型风力发电机的经济特性,确定出所述小型风力发电机的在线运行的风力发电设备数量信息以及运行数量限制信息;
B4、根据所述光伏发电的设备型号、所述光伏发电的技术特性、所述光伏发电的经济特性,确定出所述光伏发电的输出功率限制信息以及运行数量限制信息。
其中,所述全寿命周期成本信息包括初始成本信息、维护成本信息、运行成本信息以及交易成本信息,步骤D包括:所述优化配置模型信息为C=IC+MC+OC+TC,其中,C是并网型微网的全寿命周期成本信息;IC,MC,OC,TC分别是并网型微网的初始成本信息、维护成本信息、运行成本信息和交易成本信息。
其中,所述年风速信息包括年风速数据、启动风速、额定风速和切除风速,所述光照信息包括年光照数据、标准光照和光伏发电转换效率,步骤E包括:
依据 P wi , max ( v t ) = { 0 v t < v i k 1 v t + k 2 v i &le; v t &le; v r P wni v r < v t &le; v o 0 v t > v o P pi , max ( G t ) = G t G s &eta; p P pnt , 计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,其中,Pwi,max是风力发电的最大功率,vt是t时刻风速,vi,vr,vo分别是启动风速、额定风速和切除风速,k1,k2分别是风力发电转换系数,Pwni是风力发电的额定容量,Ppi,max是光伏发电的最大功率,Gt是t时刻光照,Gs是标准光照,ηp是光伏发电转换效率,Ppni是光伏发电的额定容量。
其中,步骤H包括:
H1、确定出所述N个随机数据场景信息中的随机数据场景信息xi的出现概率为φi=1/N,i=1,2,...,N;
H2、计算所述随机数据场景信息xi与任一随机数据场景xj的范数DTij=DT(xi,xj),j为大于等于1小于等于N的正整数,i≠j;
H3、根据公式
Figure BDA0000455568530000041
获取与所述随机数据场景信息xi最具相似度的随机数据场景信息xr
H4、获得DTi(xr)与所述随机数据场景信息xi的出现概率的乘积的最小值 PD ( x s ) = min i [ &phi; i &CenterDot; DT i ( x r ) ] ;
H5、将与所述PD(xs)对应的随机数据场景信息xs删除,并将φis作为所述随机数据场景信息xi的出现概率;
H6、重复步骤H2~H5,使随机数据场景数目由N缩减至M个,所述M为大于等于1小于N的正整数。
一种并网型微网优化配置装置,包括:
第一获取模块,用于根据所述并网型微网的设备组成,获取所述并网型微网的设备信息;
第一确定模块,用于根据所述并网型微网的设备信息,确定出所述各个设备的数学建模信息;
第二确定模块,用于根据所述并网型微网的设备信息,确定出所述并网型微网的全寿命周期成本信息;
第三确定模块,用于根据所述并网型微网的全寿命周期成本信息以及所述数学建模信息,确定出优化配置模型信息,所述优化配置模型信息包括约束信息,所述约束信息包括自平衡度信息、冗余度信息以及联络线利用率信息;
第一计算模块,用于依据所述并网型微网中的年风速信息以及光照信息,计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率;
第四确定模块,用于根据所述各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,确定出历史数据场景信息;
生成模块,用于根据所述历史数据场景信息,生成N个随机数据场景信息,所述N为大于等于1的正整数;
缩减模块,用于采用场景缩减技术,将所述N个随机数据场景缩减为M个随机数据场景,M为大于等于1小于N的正整数,将所述M作为随机数据场景的当前数目;
第二计算模块,用于根据历史数据场景信息以及所述优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
选择模块,用于从所述当前数目的随机数据场景中选择一个出现概率最大的第一随机数据场景;
第三计算模块,用于依据所述第一随机数据场景和优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
触发模块,用于删除所述第一随机数据场景,所述当前数目减1所得差值大于零时,获得M’,M’由所述当前数目减1后得到,并变更所述当前数目为M’,将所述M’作为随机数据场景的当前数目返回所述选择模块,若所述差值等于零时,确定所述第三计算模块计算出的最优的建立优化配置模型信息为所述并网型微网的最优配置方案。
其中,所述并网型微网的设备包括柴油发电机、蓄电池储能设备、小型风力发电机和光伏发电,所述第一确定模块包括:
第一确定子单元,用于根据所述柴油发电机的设备型号、所述柴油发电机的技术特性、所述柴油发电机的经济特性,确定出所述柴油发电机的输出功率限制信息和运行数量限制信息;
第二确定子单元,用于根据所述蓄电池储能设备的设备型号、所述蓄电池储能设备的技术特性、所述蓄电池储能设备的经济特性,确定出所述蓄电池储能设的能量状态转换信息、能量状态限制信息、充放电功率限制信息、充放电状态互斥约束信息以及充放电状态转换约束信息;
第三确定子单元,用于根据所述小型风力发电机的设备型号、所述小型风力发电机的技术特性、所述小型风力发电机的经济特性,确定出所述小型风力发电机的在线运行的风力发电设备数量信息以及运行数量限制信息;
第四确定子单元,用于根据所述光伏发电的设备型号、所述光伏发电的技术特性、所述光伏发电的经济特性,确定出所述光伏发电的输出功率限制信息以及运行数量限制信息。
其中,所述全寿命周期成本信息包括初始成本信息、维护成本信息、运行成本信息以及交易成本信息,所述第三确定模块包括:所述优化配置模型信息为C=IC+MC+OC+TC,其中,C是并网型微网的全寿命周期成本信息;IC,MC,OC,TC分别是并网型微网的初始成本信息、维护成本信息、运行成本信息和交易成本信息。
其中,所述年风速信息包括年风速数据、启动风速、额定风速和切除风速,所述光照信息包括年光照数据、标准光照以及光伏发电转换效率,所述第一计算模块具体用于:
依据 P wi , max ( v t ) = { 0 v t < v i k 1 v t + k 2 v i &le; v t &le; v r P wni v r < v t &le; v o 0 v t > v o P pi , max ( G t ) = G t G s &eta; p P pnt , 计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,其中,Pwi,max是风力发电的最大功率,vt是t时刻风速,vi,vr,vo分别是启动风速、额定风速和切除风速,k1,k2是风力发电转换系数,Pwni是风力发电的额定容量,Ppi,max是光伏发电的最大功率,Gt是t时刻光照,Gs是标准光照,ηp是光伏发电转换效率,Ppni是光伏发电的额定容量。
其中,所述缩减模块包括:
确定子单元,用于确定出所述N个随机数据场景信息中的随机数据场景信息xi的出现概率为φi=1/N,i=1,2,...,N;
计算子单元,用于计算所述随机数据场景信息xi与任一随机数据场景xj的范数DTij=DT(xi,xj),j为大于等于1小于等于N的正整数,i≠j;
第一获取子单元,用于根据公式
Figure BDA0000455568530000062
获取与所述随机数据场景信息xi最具相似度的随机数据场景信息xr
第二获取子单元,用于获得DTi(xr)与所述随机数据场景信息xi的出现概率的乘积的最小值 PD ( x s ) = min i [ &phi; i &CenterDot; DT i ( x r ) ] ;
删除子单元,用于将与所述PD(xs)对应的随机数据场景信息xs删除,并将φis作为所述随机数据场景信息xi的出现概率;
触发子单元,用于触发所述确定子单元,使随机数据场景数目由N缩减至M个,所述M为大于等于1小于N的正整数。
经由上述的技术方案可知,与现有技术相比,本发明实施例提供了一种并网型微网优化配置方法,该方法确定出的优化配置模型信息,考虑了并网型微网的特性指标,自平衡度信息、冗余度信息以及联络线利用率信息,从而使本发明实施例提供的方法更加适用于并网型微网。
附图说明
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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种并网型微网优化配置方法的流程示意图;
图2为本发明实施例提供的一种并网型微网优化配置方法中的根据并网型微网的设备信息,确定出各个设备的数学建模信息的一种实现方式的方法流程示意图;
图3为本发明实施例提供的一种并网型微网优化配置方法中的用场景缩减技术,将N个随机数据场景缩减为M个随机数据场景的一种实现方式的方法流程示意图;
图4为本发明实施例提供的一种并网型微网优化配置装置的结构示意图;
图5为本发明实施例提供的一种并网型微网优化配置装置中的第一确定模块的一种实现方式的结构示意图;
图6为本发明实施例提供的一种并网型微网优化配置装置中的缩减模块的一种实现方式的结构示意图。
具体实施方式
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。
请参阅附图1,为本发明实施例提供的一种并网型微网优化配置方法的流程示意图,该方法包括:
步骤A:根据并网型微网的设备组成,获取并网型微网的设备信息。
设备信息可以包括设备型号、设备的技术特性、设备的经济特性。
并网型微网中的设备都有其固定的型号,如100kW的柴油发电机和200kW的柴油发电机,其经济特性和技术特性是不同的。所以在优化配置中,需要优化的变量是某种型号设备的数量,如2台100KW柴油发电机,而不是设备的额定容量。否则,如果以100kW的柴油发电机经济参数进行优化,而结果是柴油发电机额定容量是156kW,那么结果是错误的,因为不存在156kW的柴油发电机。因此,当设备型号确定后,其技术特性(例如额定容量、运行范围)和经济特性(例如运行费用)也就确定了。
并网型微网的设备包括柴油发电机、储能设备、小型风力发电机和光伏发电。
步骤B:根据并网型微网的设备信息,确定出各个设备的数学建模信息。
步骤C:根据并网型微网的设备信息,确定出并网型微网的全寿命周期成本信息。
全寿命周期成本信息可以包括初始成本信息、维护成本信息、运行成本信息以及交易成本信息。
并网型微网中的各个电力设备的全寿命周期成本信息的如下:
一、柴油发电机
式(1)是柴油发电机的全寿命周期成本的计算公式,全寿命周期成本包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率成比。维护成本通常表示为初始成本的比例形式。柴油发电机的运行成本与其输出功率成二次函数关系。
C d = I C d + MC d + OC d = &Sigma; i &Element; DE [ n di &xi; di P dni + m di n di &xi; di P dni + &Sigma; t ( c di &Prime; P di , t 2 + c di &prime; P di , t + c di S di , t ) ] - - - ( 1 )
式中,Cd是柴油发电机的全寿命周期成本;ICd,MCd,OCd分别是柴油发电机的初始成本、维护成本和运行成本;DE是柴油发电机型号集合,假设柴油发电机型号包括i;ξdi是i型号柴油发电机的初始成本系数;mdi是i型号柴油发电机的维护成本系数;c″dic′di,cdi分别是i型号柴油发电机的运行成本系数;ndi是i型号柴油发电机的安装数量;Pdni是i型号柴油发电机的额定容量;Pdi,t是t时刻i型号柴油发电机的输出功率;Sdi,t是t时刻i型号柴油发电机的运行状态,即处于开机状态的柴油发电机数量。
柴油发电机的运行约束包括输出功率限制(式(2))和运行数量限制(式(3)):
Sdi,tPdi,min≤Pdi,t≤Sdi,tPdni(2),0≤Sdi,t≤ndi(3)。
二、蓄电池储能设备
式(4)是储能设备的全寿命周期成本的计算公式,包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率和额定容量有关。维护成本通常表示为初始成本的比例形式。储能设备的运行成本是每次充放电状态转换引起的设备损耗成本。
C s = IC s + MC s + OC s C s = &Sigma; i &Element; ES [ n si ( &xi; spi P sni + &xi; sei E sni ) + m si n si ( &xi; spi P sni + &xi; sei E sni ) + &Sigma; t c si U si , t ] - - - ( 4 )
式中,Cs是蓄电池储能设备的全寿命周期成本;ICs,MCs,OCs分别是蓄电池储能设备的初始成本、维护成本和运行成本;ES是蓄电池储能设备的型号集合,假设储能设备型号包括i;ξspisei分别是i型号蓄电池储能设备的初始成本系数;msi是i型号蓄电池储能设备的维护成本系数;csi是i型号蓄电池储能设备的折旧成本系数;nsi是i型号蓄电池储能设备的安装数量;Psni,Esni分别是i型号蓄电池储能设备的额定功率和额定容量;Psci,t,Psdi,t分别是t时刻i型号蓄电池储能设备的充、放电功率;Esi,t是t时刻i型号蓄电池储能设备的能量状态。
Esi,t=Esi,t-1ciPsci,tΔT-Psdi,tdiΔT(5);εlnsiEsni≤Esi,t≤εhnsiEsni(6);
0≤Psdi,t≤Ssi,tnsiPsni(7);0≤Psci,t≤(1-Ssi,t)nsiPsni(8);
0≤Ssi,t≤1(9);0≤Ssi,t≤1(10);0≤Usi,t≤1(11)
式中,Ssi,t是t时刻i型号蓄电池储能设备的充、放电状态,“1”代表放电状态,“0”代表充电状态;Usi,t是t时刻i型号蓄电池储能设备的状态转换标记,“1”代表由放电状态转为充电状态,“0”代表由充电状态转为放电状态;ηcidi分别是i型号蓄电池储能设备的充放电效率;εlh分别是蓄电池储能设备的能量状态的运行系数;ΔT是时间间隔。
三、小型风力发电机
式(12)是小型风力发电机的全寿命周期成本,包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率成正比。维护成本通常表示为初始成本的比例形式。小型风力发电机的运行成本与在线运行的风力发电设备数量成正比。
C w = I C w + MC w + OC w = &Sigma; i &Element; WT [ n w &xi; wi P wni + m wi n wi &xi; wi P wni + &Sigma; t c wi S wi , t ) ] - - - ( 12 )
式中,Cw是小型风力发电机的全寿命周期成本;ICw,MCw,OCw分别是小型风力发电机的初始成本、维护成本和运行成本;WT是风力发电的型号集合,假设风力发电型号包括i;ξwi是i型号小型风力发电机的初始成本系数;mwi是i型号小型风力发电机的维护成本系数;cwi是i型号小型风力发电机的运行成本系数;nwi是i型号小型风力发电机的安装数量;Pwni是i型号小型风力发电机的额定功率;Pwi,t是t时刻i型号风力发电功率;Swi,t是t时刻在线运行i型号小型风力发电机数量;Pwi,max(vt)是t时刻i型号小型风力发电机的最大输出功率,与风速vt有关。
四、光伏发电
式(15)是光伏发电的全寿命周期成本,包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率成正比。维护成本通常表示为初始成本的比例形式。光伏发电的运行成本与在线运行的光伏发电设备数量成正比。
C p = IC p + MC p + OC p = &Sigma; i &Element; PV [ n pi &xi; pi P pni + m pi n pi &xi; pi P pni + &Sigma; t c pi S pi , t - - - ( 15 )
式中,Cp是光伏发电的全寿命周期成本;ICp,MCp,OCp分别是光伏发电的初始成本、维护成本和运行成本;PV是光伏发电的型号集合,假设光伏发电型号包括i;ξpi是i型号光伏发电的初始成本系数;mpi是i型号光伏发电的维护成本系数;cpi是i型号光伏发电的运行成本系数;npi是i型号光伏发电的安装数量;Ppni是i型号光伏发电的额定功率;Ppi,t是t时刻i型号光伏发电功率;Spi,t是t时刻在线运行i型号光伏发电设备数量;Ppi,max(Gt)是t时刻i型号光伏发电的最大输出功率,与光照Gt有关;Ppi,min是i型号光伏发电的最小输出功率。
步骤D:根据并网型微网的全寿命周期成本信息以及数学建模信息,确定出优化配置模型信息。
优化配置模型信息可以包括目标函数、约束信息以及优化变量,约束信息包括自平衡度信息、冗余度信息以及联络线利用率信息。
并网型微网优化配置的目标函数是并网型微网系统的全寿命周期成本(如式(18)),包括初始成本、维护成本、运行成本和交易成本。其中,初始成本除了各个设备的初始成本外,还包括并网型微网接入费用(式(19))。交易成本是由并网型微网和外电网的电量交易产生的费用(式(20))。
C=IC+MC+OC+TC=(ICd+ICs+ICw+ICp+ICg)+
(MCd+MCs+MCw+MCp)+(OCd+OCs+OCw+OCp)+TC
=Cd+Cs+Cw+Cp+ICg+TC(18);
IC g = &xi; g P g ( 19 ) ; TC = &Sigma; t ( c buy P buy , t - c sell P sell , t ) - - - ( 20 )
式中,C是并网型微网的全寿命周期成本;IC,MC,OC,TC分别是并网型微网的初始成本、维护成本、运行成本和交易成本;ICg是并网型微网的接入费用,与接入容量成正比;ξg是并网型微网的接入成本系数;Pg是并网型微网的接入容量;cbuy,csell是购电/售电电价;Pbuy,t,Psell,t是t时刻并网型微网的购电和售电电量。
并网型微网的约束条件,包括设备约束和系统约束。
系统约束包括功率平衡约束、交易电量约束、自平衡度、冗余度、可再生能源利用率、联络线利用率和设备安装数量约束。
功率平衡约束,并网型微网运行时必须保证实时功率平衡。
功率平衡约束公式为: P l , t = ( P buy , t - P sell , t ) + &Sigma; i &Element; DE P di , t + &Sigma; i &Element; ES ( P sdi , t - P sci , t ) + &Sigma; i &Element; WT P wi , t + &Sigma; i &Element; PV P pi , t
交易电量约束,并网型微网交易电量不能超过接入容量。
交易电量约束公式为: 0 &le; P buy , t &le; P g 0 &le; P sell , t &le; P g
自平衡度约束,并网型微网中的所有设备的年负荷供电量占负荷年用电量的比例。
自平衡度约束公式为:
Figure BDA0000455568530000113
冗余度约束,并网型微网上网电量占微网设备总发电量的比例。
冗余度约束公式为:
Figure BDA0000455568530000114
可再生能源利用率约束,可再生能源实际发电量占最大发电量的比例。
可再生能源利用率约束公式为:
Figure BDA0000455568530000115
联络线利用率约束,并网型微网年交换电量占线路最大交换电量的比例。
联络线利用率约束公式为:
设备安装数量约束,即设备最小安装数量限制,用于配置方案调整。
设备安装数量的约束公式为: n di &GreaterEqual; n di , min n si &GreaterEqual; n si , min n wi &GreaterEqual; n wi , min n pi &GreaterEqual; n pi , min P g &GreaterEqual; P g , min
式中,Pl,t是t时刻的系统负荷;α,β,γ,λ分别是自平衡度、冗余度、可再生能源利用率、联络线利用率的限值。
自平衡度、冗余度和联络线利用率是根据并网型微网的并网特性,提出的并网型微网性能指标。
优化变量包括配置优化变量和运行优化变量。
配置优化变量指决定并网型微网的优化配置方案的变量,包括设备的安装数量(整数变量)ndi,nsi,nwi,npi和并网型微网的接入容量(连续变量)Pg。优化配置模型信息中设备的额定容量是确定的,通过优化设备的安装数量来优化设备的总安装容量,还可以对多种类型的设备进行经济性和技术性对比,选择合适的设备型号。引入并网型微网的接入容量作为优化变量,考虑电网资产的经济性。
运行优化变量指并网型微网中仿真中描述设备的运行状态的变量,包括设备运行状态(整数变量)Sdi,t,Ssi,t,Swi,t,Spi,t,Usi,t和设备输出功率(连续变量)Pdi,t,Psci,t,Psdi,t,Pwi,t,Ppi,t,Pbuy,t,Psell,t。运行优化变量决定了并网型微网运行和维护成本,以及微网并网运行特性。通过对并网型微网运行优化,可以获得并网型微网最佳的运行状态。
步骤E:依据并网型微网中的年风速信息以及光照信息,计算出该年中各个时刻风力发电的最大功率以及各个时刻光伏发电的最大功率。
年风速信息包括年风速数据、启动风速、额定风速和切除风速,光照信息包括年光照数据、标准光照和光伏发电转换效率,步骤E包括:
依据 P wi , max ( v t ) = { 0 v t < v i k 1 v t + k 2 v i &le; v t &le; v r P wni v r < v t &le; v o 0 v t > v o , P pi , max ( G t ) = G t G s &eta; p P pnt , 计算出该年中各个时刻风力发电的最大功率以及各个时刻光伏发电的最大功率,其中,vt是t时刻风速,vi,vr,vo分别是启动风速、额定风速和切除风速,k1,k2分别是风力发电转换系数,Gt是t时刻光照,Gs是标准光照,ηp是光伏发电转换效率。
步骤F:根据各个时刻风力发电的最大功率以及各个时刻光伏发电的最大功率,确定出历史数据场景信息。
历史数据场景信息可以由8760h的负荷、风力发电最大出力和光伏发电最大出力组成如式(21),描述了年负荷分布情况、风资源和光资源情况。
x o = P l , 1 P l , 2 &CenterDot; &CenterDot; &CenterDot; P l , 8760 P wi , max 1 P wi , max 2 &CenterDot; &CenterDot; &CenterDot; P wi , max 8760 P pi , max 1 P pi , max 2 &CenterDot; &CenterDot; &CenterDot; P pi , max 8760 - - - ( 21 )
步骤G:根据历史数据场景信息,生成N个随机数据场景信息。
N为大于等于1的正整数。
因为负荷波动满足正太分布,风力发电功率和光伏发电功率波动满足贝塔分布,通过拉丁超立方采样,可以模拟负荷、风力发电功率和光伏发电功率随机波动情况,从而获得一个随机数据场景如式(22)。
x i = P l , 1 + &Delta;P l , 1 P l , 2 + &Delta;P l , 2 &CenterDot; &CenterDot; &CenterDot; P l , 8760 + &Delta;P l , 8760 P wi , max 1 + &Delta;P wi , 1 P wi , max 2 + &Delta;P wi , 2 &CenterDot; &CenterDot; &CenterDot; P wi , max 8760 + &Delta;P wi , 8760 - - - ( 22 ) P pi , max 1 + &Delta; pi , 1 P pi , max 2 + &Delta;P pi , 2 &CenterDot; &CenterDot; &CenterDot; P pi , max 8760 + &Delta;P pi , 8760
式中,xi是随机数据场景;ΔPl,1,ΔPl,2...ΔPl,8760是随机生成的负荷波动;ΔPwi,1,ΔPwi,2...ΔPwi,8760是随机生成的风力发电功率波动;ΔPpi,1,ΔPpi,2...ΔPpi,8760是随机生成的光伏发电功率波动。
这样,通过不断随机采样,可以生成N个不同的随机数据场景,对应于不同并网型微网运行工况。N的数值越大,历史上数据场景信息描述的并网型微网运行工况越多,因此通过优化配置获得的并网型微网配置方案适用性越高,鲁棒性越好。
步骤H:采用场景缩减技术,将N个随机数据场景缩减为M个随机数据场景。
M为大于等于1小于N的正整数,将M作为随机数据场景的当前数目。
步骤I:根据历史数据场景信息以及优化配置模型信息,计算出并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算并网型微网中优化配置模型信息的各个设备的安装数量的下限值。
步骤J:从当前数目的随机数据场景中选择一个出现概率最大的第一随机数据场景。
步骤K:依据第一随机数据场景和优化配置模型信息,计算出并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算并网型微网中优化配置模型信息的各个设备的安装数量的下限值。
步骤I中已经计算出各个设备的安装数量的下限值,所以步骤K中计算出的各个设备的安装数量不能低于该下限值,由于步骤K可能被执行一次或多次,当步骤K需要执行多次时,本次步骤K中计算出的各个设备的安装数量作为下一次执行步骤K时各个设备的安装数量的下限值。
步骤L:删除第一随机数据场景,当前数目减1所得差值大于零时,获得M’,M’由当前数目减1后得到,并变更当前数目为M’,将M’作为随机数据场景的当前数目返回步骤J,若差值等于零时,确定步骤K计算出的最优的建立优化配置模型信息为并网型微网的最优配置方案。
假设在第一次由步骤A执行到步骤L时M=3,步骤L与步骤J中的“当前数目”均为3,由于3-1=2,2是大于零的,所以M’=2,并将2作为步骤J中的“当前数目”返回步骤J,在第二次执行步骤J时,步骤J中的“当前数目”为2,第二次执行至步骤L时,步骤L中的当前数据为2,由于2-1=1,1大于零,所以M’=1,并将1作为步骤J中的“当前数目”返回步骤J,在第三次执行步骤J时,步骤J中的“当前数目”=1,在第三次执行步骤L时,由于1-1=0,所以确定第三次步骤K计算出的最优的建立优化配置模型信息为并网型微网的最优配置方案。
本发明实施例提供了一种并网型微网优化配置方法,该方法确定出的优化配置模型信息,考虑了并网型微网的特性指标,自平衡度信息、冗余度信息以及联络线利用率信息,从而使本发明实施例提供的方法更加适用于并网型微网。
请参阅图2,为本发明实施例提供的一种并网型微网优化配置方法中的根据并网型微网的设备信息,确定出各个设备的数学建模信息的一种实现方式的方法流程示意图,该方法包括:
步骤B1:根据柴油发电机的设备型号、柴油发电机的技术特性、柴油发电机的经济特性,确定出柴油发电机的输出功率限制信息和运行数量限制信息。
如公式(2)和公式(3)。
步骤B2:根据蓄电池储能设备的设备型号、蓄电池储能设备的技术特性、蓄电池储能设备的经济特性,确定出蓄电池储能设的能量状态转换信息、能量状态限制信息、充放电功率限制信息、充放电状态互斥约束信息以及充放电状态转换约束信息。
蓄电池储能设备的运行约束包括能量状态转换信息(式(5))、能量状态限制信息(式(6))、充放电功率限制信息(式(7)和式(8))、充放电状态互斥约束信息(式(9))、充放电状态转换约束信息(式(10)和式(11))。能量状态转换方程用来描述蓄电池储能设备在运行中输出功率和能量状态之间的关系。将蓄电池储能设备的运行状态划分为两个互斥过程,即充电和放电,所以充放电功率同时存在,但是其中必然有一个为零。式(9)通过对蓄电池储能设备的每一次的充放电转换进行标记,将蓄电池储能设备损耗成本计入到全寿命周期成本中。
Esi,t=Esi,t-1ciPsci,tΔT-Psdi,tdiΔT(5);εlnsiEsni≤Esi,t≤εhnsiEsni(6);
0≤Psdi,t≤Ssi,tnsiPsni(7);0≤Psci,t≤(1-Ssi,t)nsiPsni(8);
0≤Ssi,t≤1(9);0≤Ssi,t≤1(10);0≤Usi,t≤1(11)
式中,Ssi,t是t时刻i型号蓄电池储能设备的充、放电状态,“1”代表放电状态,“0”代表充电状态;Usi,t是t时刻i型号蓄电池储能设备的状态转换标记,“1”代表由放电状态转为充电状态,“0”代表由充电状态转为放电状态;ηcidi分别是i型号蓄电池储能设备的充放电效率;εlh分别是蓄电池储能设备的能量状态的运行系数;ΔT是时间间隔。
步骤B3:根据小型风力发电机的设备型号、小型风力发电机的技术特性、小型风力发电机的经济特性,确定出小型风力发电机的在线运行的风力发电设备数量信息以及运行数量限制信息。
并网型微网中的小型风力发电机通常通过小型风力发电机的投切操作来调节输出功率,所以风力发电功率取决于在线运行的风力发电设备数量(式(13))。其次,风力发电需满足运行数量限制(式(14))。
Pwi,t=Swi,tPwi,max(vt)(13);0≤Swi,t≤nwi(14),Pwni是i型号小型风力发电机的额定功率;Pwi,t是t时刻i型号风力发电功率;Swi,t是t时刻在线运行i型号小型风力发电机数量;Pwi,max(vt)是t时刻i型号小型风力发电机的最大输出功率,与风速vt有关。
步骤B4:根据光伏发电的设备型号、光伏发电的技术特性、光伏发电的经济特性,确定出光伏发电的输出功率限制信息以及运行数量限制信息。
光伏发电可以在一定功率范围内进行功率调节,也可以通过启停设备进行功率调节。式(16)是输出功率限制,式(17)是运行数量限制。
Spi,tPpi,min≤Ppi,t≤Spi,tPpi,max(Gt)(16);0≤Spi,t≤npi(17),Ppni是i型号光伏发电的额定功率;Ppi,t是t时刻i型号光伏发电功率;Spi,t是t时刻在线运行i型号光伏发电设备数量;Ppi,max(Gt)是t时刻i型号光伏发电的最大输出功率,与光照Gt有关;Ppi,min是i型号光伏发电的最小输出功率。
请参阅图3,为本发明实施例提供的一种并网型微网优化配置方法中的用场景缩减技术,将N个随机数据场景缩减为M个随机数据场景的一种实现方式的方法流程示意图,该方法包括:
步骤H1:确定出N个随机数据场景信息中的随机数据场景信息xi的出现概率为φi=1/N。
i=1,2,...,N。
步骤H2:计算随机数据场景信息xi与任一随机数据场景xj的范数DTij=DT(xi,xj)。
j为大于等于1小于等于N的正整数,i≠j。
步骤H3:根据公式
Figure BDA0000455568530000161
获取与随机数据场景信息xi最具相似度的随机数据场景信息xr
步骤H4:获得DTi(xr)与随机数据场景信息xi的出现概率的乘积的最小值 PD ( x s ) = min i [ &phi; i &CenterDot; DT i ( x r ) ] .
步骤H5:将与PD(xs)对应的随机数据场景信息xs删除。
步骤H6:将φis作为随机数据场景信息xi的出现概率。
步骤H7:重复步骤H2~H6,使随机数据场景数目由N缩减至M个。
M为大于等于1小于N的正整数。
上述本发明公开的实施例中详细描述了方法,对于本发明的方法可采用多种形式的装置实现,因此本发明还公开了一种装置,下面给出具体的实施例进行详细说明。
请参阅图4,为本发明实施例提供的一种并网型微网优化配置装置的结构示意图,该装置包括:第一获取模块401、第一确定模块402、第二确定模块403、第三确定模块404、第一计算模块405、第四确定模块406、生成模块407、缩减模块408、第二计算模块409、选择模块410、第三计算模块411以及触发模块412,其中:
第一获取模块401,用于根据并网型微网的设备组成,获取并网型微网的设备信息。
设备信息可以包括设备型号、设备的技术特性、设备的经济特性。
并网型微网中的设备都有其固定的型号,如100kW的柴油发电机和200kW的柴油发电机,其经济特性和技术特性是不同的。所以在优化配置中,需要优化的变量是某种型号设备的数量,如2台100KW柴油发电机,而不是设备的额定容量。否则,如果以100kW的柴油发电机经济参数进行优化,而结果是柴油发电机额定容量是156kW,那么结果是错误的,因为不存在156kW的柴油发电机。因此,当设备型号确定后,其技术特性(例如额定容量、运行范围)和经济特性(例如运行费用)也就确定了。
并网型微网的设备包括柴油发电机、储能设备、小型风力发电机和光伏发电。
第一确定模块402,用于根据并网型微网的设备信息,确定出各个设备的数学建模信息。
第二确定模块403,用于根据并网型微网的设备信息,确定出并网型微网的全寿命周期成本信息。
全寿命周期成本信息可以包括初始成本信息、维护成本信息、运行成本信息以及交易成本信息。
并网型微网中的各个电力设备的全寿命周期成本信息的如下:
一、柴油发电机
式(1)是柴油发电机的全寿命周期成本的计算公式,全寿命周期成本包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率成比。维护成本通常表示为初始成本的比例形式。柴油发电机的运行成本与其输出功率成二次函数关系。
C d = I C d + MC d + OC d = &Sigma; i &Element; DE [ n di &xi; di P dni + m di n di &xi; di P dni + &Sigma; t ( c di &Prime; P di , t 2 + c di &prime; P di , t + c di S di , t ) ] - - - ( 1 )
式中,Cd是柴油发电机的全寿命周期成本;ICd,MCd,OCd分别是柴油发电机的初始成本、维护成本和运行成本,DE是柴油发电机型号集合,假设柴油发电机型号包括i;ξdi是i型号柴油发电机的初始成本系数;mdi是i型号柴油发电机的维护成本系数;c″dic′di,cdi分别是i型号柴油发电机的运行成本系数;ndi是i型号柴油发电机的安装数量;Pdni是i型号柴油发电机的额定容量;Pdi,t是t时刻i型号柴油发电机的输出功率;Sdi,t是t时刻i型号柴油发电机的运行状态,即处于开机状态的柴油发电机数量。
柴油发电机的运行约束包括输出功率限制(式(2))和运行数量限制(式(3)):
Sdi,tPdi,min≤Pdi,t≤Sdi,tPdni(2),0≤Sdi,t≤ndi(3)。
二、蓄电池储能设备
式(4)是储能设备的全寿命周期成本的计算公式,包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率和额定容量有关。维护成本通常表示为初始成本的比例形式。储能设备的运行成本是每次充放电状态转换引起的设备损耗成本。
C s = IC s + MC s + OC s C s = &Sigma; i &Element; ES [ n si ( &xi; sei P sni + &xi; sei E sni ) + m si n si ( &xi; spi P sni + &xi; sei E sni ) + &Sigma; t c si U si , t ] - - - ( 4 )
式中,Cs是蓄电池储能设备的全寿命周期成本;ICs,MCs,OCs分别是蓄电池储能设备的初始成本、维护成本和运行成本;ES是蓄电池储能设备的型号集合,假设储能设备型号包括i;ξspisei分别是i型号蓄电池储能设备的初始成本系数;msi是i型号蓄电池储能设备的维护成本系数;csi是i型号蓄电池储能设备的折旧成本系数;nsi是i型号蓄电池储能设备的安装数量;Psni,Esni分别是i型号蓄电池储能设备的额定功率和额定容量;Psci,t,Psdi,t分别是t时刻i型号蓄电池储能设备的充、放电功率;Esi,t是t时刻i型号蓄电池储能设备的能量状态。
Esi,t=Esi,t-1ciPsci,tΔT-Psdi,tdiΔT(5);εlnsiEsni≤Esi,t≤εhnsiEsni(6);
0≤Psdi,t≤Ssi,tnsiPsni(7);0≤Psci,t≤(1-Ssi,t)nsiPsni(8);
0≤Ssi,t≤1(9);0≤Ssi,t≤1(10);0≤Usi,t≤1(11)
式中,Ssi,t是t时刻i型号蓄电池储能设备的充、放电状态,“1”代表放电状态,“0”代表充电状态;Usi,t是t时刻i型号蓄电池储能设备的状态转换标记,“1”代表由放电状态转为充电状态,“0”代表由充电状态转为放电状态;ηcidi分别是i型号蓄电池储能设备的充放电效率;εlh分别是蓄电池储能设备的能量状态的运行系数;ΔT是时间间隔。
三、小型风力发电机
式(12)是小型风力发电机的全寿命周期成本,包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率成正比。维护成本通常表示为初始成本的比例形式。小型风力发电机的运行成本与在线运行的风力发电设备数量成正比。
C w = I C w + MC w + OC w = &Sigma; i &Element; WT [ n w &xi; wi P wni + m wi n wi &xi; wi P wni + &Sigma; t c wi S wi , t ) ] - - - ( 12 )
式中,Cw是小型风力发电机的全寿命周期成本;ICw,MCw,OCw分别是小型风力发电机的初始成本、维护成本和运行成本;WT是风力发电的型号集合,假设风力发电型号包括i;ξwi是i型号小型风力发电机的初始成本系数;mwi是i型号小型风力发电机的维护成本系数;cwi是i型号小型风力发电机的运行成本系数;nwi是i型号小型风力发电机的安装数量;Pwni是i型号小型风力发电机的额定功率;Pwi,t是t时刻i型号风力发电功率;Swi,t是t时刻在线运行i型号小型风力发电机数量;Pwi,max(vt)是t时刻i型号小型风力发电机的最大输出功率,与风速vt有关。
四、光伏发电
式(15)是光伏发电的全寿命周期成本,包括初始成本、维护成本和运行成本。初始成本取决于设备型号,与额定功率成正比。维护成本通常表示为初始成本的比例形式。光伏发电的运行成本与在线运行的光伏发电设备数量成正比。
C p = IC p + MC p + OC p = &Sigma; i &Element; PV [ n pi &xi; pi P pni + m pi n pi &xi; pi P pni + &Sigma; t c pi S pi , t - - - ( 15 )
式中,Cp是光伏发电的全寿命周期成本;ICp,MCp,OCp分别是光伏发电的初始成本、维护成本和运行成本;PV是光伏发电的型号集合,假设光伏发电型号包括i;ξpi是i型号光伏发电的初始成本系数;mpi是i型号光伏发电的维护成本系数;cpi是i型号光伏发电的运行成本系数;npi是i型号光伏发电的安装数量;Ppni是i型号光伏发电的额定功率;Ppi,t是t时刻i型号光伏发电功率;Spi,t是t时刻在线运行i型号光伏发电设备数量;Ppi,max(Gt)是t时刻i型号光伏发电的最大输出功率,与光照Gt有关;Ppi,min是i型号光伏发电的最小输出功率。
第三确定模块404,用于根据并网型微网的全寿命周期成本信息以及数学建模信息,确定出优化配置模型信息,优化配置模型信息包括约束信息,约束信息包括自平衡度信息、冗余度信息以及联络线利用率信息。
全寿命周期成本信息包括初始成本信息、维护成本信息、运行成本信息以及交易成本信息,第三确定模块包括:优化配置模型信息为 C = IC + MC + OC + TC , TC = &Sigma; t ( c buy P buy , t - c sell P sell , t ) , 其中,C是并网型微网的全寿命周期成本信息;IC,MC,OC,TC分别是并网型微网的初始成本信息、维护成本信息、运行成本信息和交易成本信息。
优化配置模型信息可以包括目标函数、约束信息以及优化变量,约束信息包括自平衡度信息、冗余度信息以及联络线利用率信息。
并网型微网优化配置的目标函数是并网型微网系统的全寿命周期成本(如式(18)),包括初始成本、维护成本、运行成本和交易成本。其中,初始成本除了各个设备的初始成本外,还包括并网型微网接入费用(式(19))。交易成本是由并网型微网和外电网的电量交易产生的费用(式(20))。
C=IC+MC+OC+TC=(ICd+ICs+ICw+ICp+ICg)+
(MCd+MCs+MCw+MCp)+(OCd+OCs+OCw+OCp)+TC
=Cd+Cs+Cw+Cp+ICg+TC(18);
IC g = &xi; g P g ( 19 ) ; TC = &Sigma; t ( c buy P buy , t - c sell P sell , t ) - - - ( 20 )
式中,C是并网型微网的全寿命周期成本;IC,MC,OC,TC分别是并网型微网的初始成本、维护成本、运行成本和交易成本;ICg是并网型微网的接入费用,与接入容量成正比;ξg是并网型微网的接入成本系数;Pg是并网型微网的接入容量;cbuy,csell是购电/售电电价;Pbuy,t,Psell,t是t时刻并网型微网的购电和售电电量。
并网型微网的约束条件,包括设备约束和系统约束。
系统约束包括功率平衡约束、交易电量约束、自平衡度、冗余度、可再生能源利用率、联络线利用率和设备安装数量约束。
功率平衡约束,并网型微网运行时必须保证实时功率平衡。
功率平衡约束公式为: P l , t = ( P buy , t - P sell , t ) + &Sigma; i &Element; DE P di , t + &Sigma; i &Element; ES ( P sdi , t - P sci , t ) + &Sigma; i &Element; WT P wi , t + &Sigma; i &Element; PV P pi , t
交易电量约束,并网型微网交易电量不能超过接入容量。
交易电量约束公式为: 0 &le; P buy , t &le; P g 0 &le; P sell , t &le; P g
自平衡度约束,并网型微网中的所有设备的年负荷供电量占负荷年用电量的比例。
自平衡度约束公式为:
Figure BDA0000455568530000204
冗余度约束,并网型微网上网电量占微网设备总发电量的比例。
冗余度约束公式为:
可再生能源利用率约束,可再生能源实际发电量占最大发电量的比例。
可再生能源利用率约束公式为:
Figure BDA0000455568530000211
联络线利用率约束,并网型微网年交换电量占线路最大交换电量的比例。
联络线利用率约束公式为:
Figure BDA0000455568530000212
设备安装数量约束,即设备最小安装数量限制,用于配置方案调整。
设备安装数量的约束公式为: n di &GreaterEqual; n di , min n si &GreaterEqual; n si , min n wi &GreaterEqual; n wi , min n pi &GreaterEqual; n pi , min P g &GreaterEqual; P g , min
式中,Pl,t是t时刻的系统负荷;α,β,γ,λ分别是自平衡度、冗余度、可再生能源利用率、联络线利用率的限值。
自平衡度、冗余度和联络线利用率是根据并网型微网的并网特性,提出的并网型微网性能指标。
优化变量包括配置优化变量和运行优化变量。
配置优化变量指决定并网型微网的优化配置方案的变量,包括设备的安装数量(整数变量)ndi,nsi,nwi,npi和并网型微网的接入容量(连续变量)Pg。优化配置模型信息中设备的额定容量是确定的,通过优化设备的安装数量来优化设备的总安装容量,还可以对多种类型的设备进行经济性和技术性对比,选择合适的设备型号。引入并网型微网的接入容量作为优化变量,考虑电网资产的经济性。
运行优化变量指并网型微网中仿真中描述设备的运行状态的变量,包括设备运行状态(整数变量)Sdi,t,Ssi,t,Swi,t,Spi,t,Usi,t和设备输出功率(连续变量)Pdi,t,Psci,t,Psdi,t,Pwi,t,Ppi,t,Pbuy,t,Psell,t。运行优化变量决定了并网型微网运行和维护成本,以及微网并网运行特性。通过对并网型微网运行优化,可以获得并网型微网最佳的运行状态。
第一计算模块405,用于依据并网型微网中的年风速信息以及光照信息,计算出该年中各个时刻风力发电的最大功率以及各个时刻光伏发电的最大功率。
风速信息包括年风速数据、启动风速、额定风速和切除风速,光照信息包括年光照数据、标准光照和光伏发电转换效率,第一计算模块具体用于:
依据 P wi , max ( v t ) = { 0 v t < v i k 1 v t + k 2 v i &le; v t &le; v r P wni v r < v t &le; v o 0 v t > v o , P pi , max ( G t ) = G t G s &eta; p P pnt , 计算出该年中各个时刻风力发电的最大功率以及各个时刻光伏发电的最大功率,其中,Pwi,max是风力发电的最大功率,vt是t时刻风速,vi,vr,vo分别是启动风速、额定风速和切除风速,k1,k2是风力发电转换系数,Ppi,max是光伏发电的最大功率,Gt是t时刻光照,Gs是标准光照,ηp是光伏发电转换效率,Ppni是光伏发电的额定容量。
年风速数据指vt,全年8760小时的风速值。年光照数据指Gt,全年8760小时的光照值。
第四确定模块406,用于根据各个时刻风力发电的最大功率以及各个时刻光伏发电的最大功率,确定出历史数据场景信息。
历史数据场景信息可以由8760h的负荷、风力发电最大出力和光伏发电最大出力组成如式(21),描述了年负荷分布情况、风资源和光资源情况。
x o = P l , 1 P l , 2 &CenterDot; &CenterDot; &CenterDot; P l , 8760 P wi , max 1 P wi , max 2 &CenterDot; &CenterDot; &CenterDot; P wi , max 8760 P pi , max 1 P pi , max 2 &CenterDot; &CenterDot; &CenterDot; P pi , max 8760 - - - ( 21 )
因为负荷波动满足正太分布,风力发电功率和光伏发电功率波动满足贝塔分布,通过拉丁超立方采样,可以模拟负荷、风力发电功率和光伏发电功率随机波动情况,从而获得一个随机数据场景如式(22)。
x i = P l , 1 + &Delta;P l , 1 P l , 2 + &Delta;P l , 2 &CenterDot; &CenterDot; &CenterDot; P l , 8760 + &Delta;P l , 8760 P wi , max 1 + &Delta;P wi , 1 P wi , max 2 + &Delta;P wi , 2 &CenterDot; &CenterDot; &CenterDot; P wi , max 8760 + &Delta;P wi , 8760 - - - ( 22 ) P pi , max 1 + &Delta; pi , 1 P pi , max 2 + &Delta;P pi , 2 &CenterDot; &CenterDot; &CenterDot; P pi , max 8760 + &Delta;P pi , 8760
式中,xi是随机数据场景;ΔPl,1,ΔPl,2...ΔPl,8760是随机生成的负荷波动;ΔPwi,1,ΔPwi,2...ΔPwi,8760是随机生成的风力发电功率波动;ΔPpi,1,ΔPpi,2...ΔPpi,8760是随机生成的光伏发电功率波动。
这样,通过不断随机采样,可以生成N个不同的随机数据场景,对应于不同并网型微网运行工况。N的数值越大,历史上数据场景信息描述的并网型微网运行工况越多,因此通过优化配置获得的并网型微网配置方案适用性越高,鲁棒性越好。
生成模块407,用于根据历史数据场景信息,生成N个随机数据场景信息,N为大于等于1的正整数。
缩减模块408,用于采用场景缩减技术,将N个随机数据场景缩减为M个随机数据场景,M为大于等于1小于N的正整数,将M作为随机数据场景的当前数目。
第二计算模块409,用于根据历史数据场景信息以及优化配置模型信息,计算出并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算并网型微网中优化配置模型信息的各个设备的安装数量的下限值。
选择模块410,用于从当前数目的随机数据场景中选择一个出现概率最大的第一随机数据场景。
第三计算模块411,用于依据第一随机数据场景和优化配置模型信息,计算出并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算并网型微网中优化配置模型信息的各个设备的安装数量的下限值。
步骤I中已经计算出各个设备的安装数量的下限值,所以步骤K中计算出的各个设备的安装数量不能低于该下限值,由于步骤K可能被执行一次或多次,当步骤K需要执行多次时,本次步骤K中计算出的各个设备的安装数量作为下一次执行步骤K时各个设备的安装数量的下限值。
触发模块412,用于删除第一随机数据场景,当前数目减1所得差值大于零时,获得M’,M’由当前数目减1后得到,并变更当前数目为M’,将M’作为随机数据场景的当前数目返回选择模块,若差值等于零时,确定第三计算模块计算出的最优的建立优化配置模型信息为并网型微网的最优配置方案。
假设在第一次由步骤A执行到步骤L时M=3,步骤L与步骤J中的“当前数目”均为3,由于3-1=2,2是大于零的,所以M’=2,并将2作为步骤J中的“当前数目”返回步骤J,在第二次执行步骤J时,步骤J中的“当前数目”为2,第二次执行至步骤L时,步骤L中的当前数据为2,由于2-1=1,1大于零,所以M’=1,并将1作为步骤J中的“当前数目”返回步骤J,在第三次执行步骤J时,步骤J中的“当前数目”=1,在第三次执行步骤L时,由于1-1=0,所以确定第三次步骤K计算出的最优的建立优化配置模型信息为并网型微网的最优配置方案。
本发明实施例提供了一种并网型微网优化配置装置,该装置确定出的优化配置模型信息,考虑了并网型微网的特性指标,自平衡度信息、冗余度信息以及联络线利用率信息,从而使本发明实施例提供的装置更加适用于并网型微网。
请参阅图5,为本发明实施例提供的一种并网型微网优化配置装置中的第一确定模块的一种实现方式的结构示意图,第一确定模块可以包括:第一确定子单元501、第二确定子单元502、第三确定子单元503以及第四确定子单元504,其中:
第一确定子单元501,用于根据柴油发电机的设备型号、柴油发电机的技术特性、柴油发电机的经济特性,确定出柴油发电机的输出功率限制信息和运行数量限制信息。
如公式(2)和公式(3)。
第二确定子单元502,用于根据蓄电池储能设备的设备型号、蓄电池储能设备的技术特性、蓄电池储能设备的经济特性,确定出蓄电池储能设的能量状态转换信息、能量状态限制信息、充放电功率限制信息、充放电状态互斥约束信息以及充放电状态转换约束信息。
蓄电池储能设备的运行约束包括能量状态转换信息(式(5))、能量状态限制信息(式(6))、充放电功率限制信息(式(7)和式(8))、充放电状态互斥约束信息(式(9))、充放电状态转换约束信息(式(10)和式(11))。能量状态转换方程用来描述蓄电池储能设备在运行中输出功率和能量状态之间的关系。将蓄电池储能设备的运行状态划分为两个互斥过程,即充电和放电,所以充放电功率同时存在,但是其中必然有一个为零。式(9)通过对蓄电池储能设备的每一次的充放电转换进行标记,将蓄电池储能设备损耗成本计入到全寿命周期成本中。
Esi,t=Esi,t-1ciPsci,tΔT-Psdi,tdiΔT(5);εlnsiEsni≤Esi,t≤εhnsiEsni(6);
0≤Psdi,t≤Ssi,tnsiPsni(7);0≤Psci,t≤(1-Ssi,t)nsiPsni(8);
0≤Ssi,t≤1(9);0≤Ssi,t≤1(10);0≤Usi,t≤1(11)
式中,Ssi,t是t时刻i型号蓄电池储能设备的充、放电状态,“1”代表放电状态,“0”代表充电状态;Usi,t是t时刻i型号蓄电池储能设备的状态转换标记,“1”代表由放电状态转为充电状态,“0”代表由充电状态转为放电状态;ηcidi分别是i型号蓄电池储能设备的充放电效率;εlh分别是蓄电池储能设备的能量状态的运行系数;ΔT是时间间隔。
第三确定子单元503,用于根据小型风力发电机的设备型号、小型风力发电机的技术特性、小型风力发电机的经济特性,确定出小型风力发电机的在线运行的风力发电设备数量信息以及运行数量限制信息。
并网型微网中的小型风力发电机通常通过小型风力发电机的投切操作来调节输出功率,所以风力发电功率取决于在线运行的风力发电设备数量(式(13))。其次,风力发电需满足运行数量限制(式(14))。
Pwi,t=Swi,tPwi,max(vt)(13);0≤Swi,t≤nwi(14),Pwni是i型号小型风力发电机的额定功率;Pwi,t是t时刻i型号风力发电功率;Swi,t是t时刻在线运行i型号小型风力发电机数量;Pwi,max(vt)是t时刻i型号小型风力发电机的最大输出功率,与风速vt有关。
第四确定子单元504,用于根据光伏发电的设备型号、光伏发电的技术特性、光伏发电的经济特性,确定出光伏发电的输出功率限制信息以及运行数量限制信息。
光伏发电可以在一定功率范围内进行功率调节,也可以通过启停设备进行功率调节。式(16)是输出功率限制,式(17)是运行数量限制。
Spi,tPpi,min≤Ppi,t≤Spi,tPpi,max(Gt)(16);0≤Spi,t≤npi(17),Ppni是i型号光伏发电的额定功率;Ppi,t是t时刻i型号光伏发电功率;Spi,t是t时刻在线运行i型号光伏发电设备数量;Ppi,max(Gt)是t时刻i型号光伏发电的最大输出功率,与光照Gt有关;Ppi,min是i型号光伏发电的最小输出功率。
请参阅图6,为本发明实施例提供的一种一种并网型微网优化配置装置中的缩减模块的一种实现方式的结构示意图,缩减模块包括:确定子单元601、计算子单元602、第一获取子单元603、第二获取子单元604、删除子单元605以及触发子单元606,其中:
确定子单元601,用于确定出N个随机数据场景信息中的随机数据场景信息xi的出现概率为φi=1/N,i=1,2,...,N。
计算子单元602,用于计算随机数据场景信息xi与任一随机数据场景xj的范数DTij=DT(xi,xj),j为大于等于1小于等于N的正整数,i≠j。
第一获取子单元603,用于根据公式
Figure BDA0000455568530000262
获取与随机数据场景信息xi最具相似度的随机数据场景信息xr
第二获取子单元604,用于获得DTi(xr)与随机数据场景信息xi的出现概率的乘积的最小值 PD ( x s ) = min i [ &phi; i &CenterDot; DT i ( x r ) ] .
删除子单元605,用于将与PD(xs)对应的随机数据场景信息xs删除,并将φis作为随机数据场景信息xi的出现概率。
触发子单元606,用于触发确定子单元,使随机数据场景数目由N缩减至M个,M为大于等于1小于N的正整数。
综上:现有技术中的微网优化配置方法不适用于并网型微网,忽略了微网的并网特性。因此,本发明实施例中涉及了3个并网特性指标,即联络线利用率、自平衡度以及冗余度,考虑了并网型微网和传统电网之间的交互影响。
现有的微网优化配置方法为了降低计算难度,简化了数学模型。因此,本发明实施例提供的并网型微网优化配置方法中设备类型和安装容量联合优化、微网配置和运行状态联合优化,将非线性规划问题升级为混合整数线性规划问题。虽然计算难度增大,但是使并网型微网优化配置方法的灵活性更高、微网全寿命周期成本计算更准确、微网设备运行状态模拟更符合实际情况,提高了微网优化配置方法的适用性。
现有技术中的微网优化配置方法采用智能算法如遗传算法求解,不能够保证计算结果是全局最优,即最优配置方案;由于智能算法的计算量随微网设备的数量成指数增长,所以计算速度慢、计算规模有限,导致微网设备种类和微网规模受到限制。因此,本发明实施例提供的并网型微网优化配置方法采用数值解法,利用商业数学软件求解,确保计算结果的全局最优性,同时解决了计算难度和计算规模问题。
现有技术中的微网优化配置方法只是针对单一数据场景进行微网优化配置,而实际运行中,运行环境是随机的、多变的,导致微网配置方案不能满足实际运行要求。因此,本发明实施例提供的并网型微网优化配置方法引入历史数据场景信息生成和随机数据场景缩减技术,使计算结果适用于多种随机数据场景,提高微网配置方案的鲁棒性。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。对于装置或系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种并网型微网优化配置方法,其特征在于,包括:
A、根据所述并网型微网的设备组成,获取所述并网型微网的设备信息;
B、根据所述并网型微网的设备信息,确定出所述各个设备的数学建模信息;
C、根据所述并网型微网的设备信息,确定出所述并网型微网的全寿命周期成本信息;
D、根据所述并网型微网的全寿命周期成本信息以及所述数学建模信息,确定出优化配置模型信息,所述优化配置模型信息包括约束信息,所述约束信息包括自平衡度信息、冗余度信息以及联络线利用率信息;
E、依据所述并网型微网中的年风速信息以及光照信息,计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率;
F、根据所述各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,确定出历史数据场景信息;
G、根据所述历史数据场景信息,生成N个随机数据场景信息,所述N为大于等于1的正整数;
H、采用场景缩减技术,将所述N个随机数据场景缩减为M个随机数据场景,M为大于等于1小于N的正整数,将所述M作为随机数据场景的当前数目;
I、根据历史数据场景信息以及所述优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
J、从所述当前数目的随机数据场景中选择一个出现概率最大的第一随机数据场景;
K、依据所述第一随机数据场景和优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
L、删除所述第一随机数据场景,所述当前数目减1所得差值大于零时,获得M’,M’由所述当前数目减1后得到,并变更所述当前数目为M’,将所述M’作为随机数据场景的当前数目返回步骤J,若所述差值等于零时,确定步骤K计算出的最优的建立优化配置模型信息为所述并网型微网的最优配置方案。
2.根据权利要求1所述并网型微网优化配置方法,其特征在于,所述并网型微网的设备包括柴油发电机、蓄电池储能设备、小型风力发电机和光伏发电,步骤B包括:
B1、根据所述柴油发电机的设备型号、所述柴油发电机的技术特性、所述柴油发电机的经济特性,确定出所述柴油发电机的输出功率限制信息和运行数量限制信息;
B2、根据所述蓄电池储能设备的设备型号、所述蓄电池储能设备的技术特性、所述蓄电池储能设备的经济特性,确定出所述蓄电池储能设的能量状态转换信息、能量状态限制信息、充放电功率限制信息、充放电状态互斥约束信息以及充放电状态转换约束信息;
B3、根据所述小型风力发电机的设备型号、所述小型风力发电机的技术特性、所述小型风力发电机的经济特性,确定出所述小型风力发电机的在线运行的风力发电设备数量信息以及运行数量限制信息;
B4、根据所述光伏发电的设备型号、所述光伏发电的技术特性、所述光伏发电的经济特性,确定出所述光伏发电的输出功率限制信息以及运行数量限制信息。
3.根据权利要求1所述并网型微网优化配置方法,其特征在于,所述全寿命周期成本信息包括初始成本信息、维护成本信息、运行成本信息以及交易成本信息,步骤D包括:所述优化配置模型信息为C=IC+MC+OC+TC,其中,C是并网型微网的全寿命周期成本信息;IC,MC,OC,TC分别是并网型微网的初始成本信息、维护成本信息、运行成本信息和交易成本信息。
4.根据权利要求1所述并网型微网优化配置方法,其特征在于,所述年风速信息包括年风速数据、启动风速、额定风速和切除风速,所述光照信息包括年光照数据、标准光照和光伏发电转换效率,步骤E包括:
依据 P wi , max ( v t ) = { 0 v t < v i k 1 v t + k 2 v i &le; v t &le; v r P wni v r < v t &le; v o 0 v t > v o , P pi , max ( G t ) = G t G s &eta; p P pnt , 计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,其中,Pwi,max是风力发电的最大功率,vt是t时刻风速,vi,vr,vo分别是启动风速、额定风速和切除风速,k1,k2是风力发电转换系数,Pwni是风力发电的额定容量,Ppi,max是光伏发电的最大功率,Gt是t时刻光照,Gs是标准光照,ηp是光伏发电转换效率,Ppni是光伏发电的额定容量。
5.根据权利要求1所述并网型微网优化配置方法,其特征在于,步骤H包括:
H1、确定出所述N个随机数据场景信息中的随机数据场景信息xi的出现概率为φi=1/N,i=1,2,...,N;
H2、计算所述随机数据场景信息xi与任一随机数据场景xj的范数DTij=DT(xi,xj),j为大于等于1小于等于N的正整数,i≠j;
H3、根据公式
Figure FDA0000455568520000031
获取与所述随机数据场景信息xi最具相似度的随机数据场景信息xr
H4、获得DTi(xr)与所述随机数据场景信息xi的出现概率的乘积的最小值 PD ( x s ) = min i [ &phi; i &CenterDot; DT i ( x r ) ] ;
H5、将与所述PD(xs)对应的随机数据场景信息xs删除,并将φis作为所述随机数据场景信息xi的出现概率;
H6、重复步骤H2~H5,使随机数据场景数目由N缩减至M个,所述M为大于等于1小于N的正整数。
6.一种并网型微网优化配置装置,其特征在于,包括:
第一获取模块,用于根据所述并网型微网的设备组成,获取所述并网型微网的设备信息;
第一确定模块,用于根据所述并网型微网的设备信息,确定出所述各个设备的数学建模信息;
第二确定模块,用于根据所述并网型微网的设备信息,确定出所述并网型微网的全寿命周期成本信息;
第三确定模块,用于根据所述并网型微网的全寿命周期成本信息以及所述数学建模信息,确定出优化配置模型信息,所述优化配置模型信息包括约束信息,所述约束信息包括自平衡度信息、冗余度信息以及联络线利用率信息;
第一计算模块,用于依据所述并网型微网中的年风速信息以及光照信息,计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率;
第四确定模块,用于根据所述各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,确定出历史数据场景信息;
生成模块,用于根据所述历史数据场景信息,生成N个随机数据场景信息,所述N为大于等于1的正整数;
缩减模块,用于采用场景缩减技术,将所述N个随机数据场景缩减为M个随机数据场景,M为大于等于1小于N的正整数,将所述M作为随机数据场景的当前数目;
第二计算模块,用于根据历史数据场景信息以及所述优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
选择模块,用于从所述当前数目的随机数据场景中选择一个出现概率最大的第一随机数据场景;
第三计算模块,用于依据所述第一随机数据场景和优化配置模型信息,计算出所述并网型微网中各个设备的安装数量,并将该安装数量作为下一次计算所述并网型微网中所述优化配置模型信息的各个设备的安装数量的下限值;
触发模块,用于删除所述第一随机数据场景,所述当前数目减1所得差值大于零时,获得M’,M’由所述当前数目减1后得到,并变更所述当前数目为M’,将所述M’作为随机数据场景的当前数目返回所述选择模块,若所述差值等于零时,确定所述第三计算模块计算出的最优的建立优化配置模型信息为所述并网型微网的最优配置方案。
7.根据权利要求6所述并网型微网优化配置装置,其特征在于,所述并网型微网的设备包括柴油发电机、蓄电池储能设备、小型风力发电机和光伏发电,所述第一确定模块包括:
第一确定子单元,用于根据所述柴油发电机的设备型号、所述柴油发电机的技术特性、所述柴油发电机的经济特性,确定出所述柴油发电机的输出功率限制信息和运行数量限制信息;
第二确定子单元,用于根据所述蓄电池储能设备的设备型号、所述蓄电池储能设备的技术特性、所述蓄电池储能设备的经济特性,确定出所述蓄电池储能设的能量状态转换信息、能量状态限制信息、充放电功率限制信息、充放电状态互斥约束信息以及充放电状态转换约束信息;
第三确定子单元,用于根据所述小型风力发电机的设备型号、所述小型风力发电机的技术特性、所述小型风力发电机的经济特性,确定出所述小型风力发电机的在线运行的风力发电设备数量信息以及运行数量限制信息;
第四确定子单元,用于根据所述光伏发电的设备型号、所述光伏发电的技术特性、所述光伏发电的经济特性,确定出所述光伏发电的输出功率限制信息以及运行数量限制信息。
8.根据权利要求6所述并网型微网优化配置装置,其特征在于,所述全寿命周期成本信息包括初始成本信息、维护成本信息、运行成本信息以及交易成本信息,所述第三确定模块包括:所述优化配置模型信息为C=IC+MC+OC+TC,其中,C是并网型微网的全寿命周期成本信息;IC,MC,OC,TC分别是并网型微网的初始成本信息、维护成本信息、运行成本信息和交易成本信息。
9.根据权利要求6所述并网型微网优化配置装置,其特征在于,所述年风速信息包括年风速数据、启动风速、额定风速和切除风速,所述光照信息包括年光照数据、标准光照和光伏发电转换效率,所述第一计算模块具体用于:
依据 P wi , max ( v t ) = { 0 v t < v i k 1 v t + k 2 v i &le; v t &le; v r P wni v r < v t &le; v o 0 v t > v o P pi , max ( G t ) = G t G s &eta; p P pnt , 计算出该年中各个时刻风力发电的最大功率以及所述各个时刻光伏发电的最大功率,其中,Pwi,max是风力发电的最大功率,vt是t时刻风速,vi,vr,vo分别是启动风速、额定风速和切除风速,k1,k2分别是风力发电转换系数,Pwni是风力发电的额定容量,Ppi,max是光伏发电的最大功率,Gt是t时刻光照,Gs是标准光照,ηp是光伏发电转换效率,Ppni是光伏发电的额定容量。
10.根据权利要求6所述并网型微网优化配置装置,其特征在于,所述缩减模块包括:
确定子单元,用于确定出所述N个随机数据场景信息中的随机数据场景信息xi的出现概率为φi=1/N,i=1,2,...,N;
计算子单元,用于计算所述随机数据场景信息xi与任一随机数据场景xj的范数DTij=DT(xi,xj),j为大于等于1小于等于N的正整数,i≠j;
第一获取子单元,用于根据公式
Figure FDA0000455568520000061
获取与所述随机数据场景信息xi最具相似度的随机数据场景信息xr
第二获取子单元,用于获得DTi(xr)与所述随机数据场景信息xi的出现概率的乘积的最小值 PD ( x s ) = min i [ &phi; i &CenterDot; DT i ( x r ) ] ;
删除子单元,用于将与所述PD(xs)对应的随机数据场景信息xs删除,并将φis作为所述随机数据场景信息xi的出现概率;
触发子单元,用于触发所述确定子单元,使随机数据场景数目由N缩减至M个,所述M为大于等于1小于N的正整数。
CN201410012565.1A 2014-01-10 2014-01-10 并网型微网优化配置方法及装置 Active CN103715688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410012565.1A CN103715688B (zh) 2014-01-10 2014-01-10 并网型微网优化配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410012565.1A CN103715688B (zh) 2014-01-10 2014-01-10 并网型微网优化配置方法及装置

Publications (2)

Publication Number Publication Date
CN103715688A true CN103715688A (zh) 2014-04-09
CN103715688B CN103715688B (zh) 2015-08-05

Family

ID=50408424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410012565.1A Active CN103715688B (zh) 2014-01-10 2014-01-10 并网型微网优化配置方法及装置

Country Status (1)

Country Link
CN (1) CN103715688B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104362681A (zh) * 2014-11-18 2015-02-18 湖北省电力勘测设计院 一种考虑随机性的孤岛微电网容量优化配置方法
CN104485688A (zh) * 2014-11-28 2015-04-01 国家电网公司 优化逆变电源系统的方法及装置
CN106655248A (zh) * 2016-10-21 2017-05-10 中国电建集团中南勘测设计研究院有限公司 一种并网型微电网电源容量配置方法
CN107067146A (zh) * 2017-01-09 2017-08-18 国网浙江省电力公司经济技术研究院 考虑热负荷二维可控性的微网热电协调调度方法
CN107276121A (zh) * 2017-06-23 2017-10-20 广东工业大学 一种计及不确定性因素的家庭并网协同经济调度优化方法
CN107294136A (zh) * 2017-08-18 2017-10-24 广东工业大学 一种电力系统调度方法及装置
CN109038655A (zh) * 2018-07-18 2018-12-18 天津大学 限电要求下大型光伏电站的配套储能容量计算方法
CN110518637A (zh) * 2019-09-30 2019-11-29 深圳供电局有限公司 复合相变储能微网配置方法
CN115118589A (zh) * 2022-06-29 2022-09-27 广东电网有限责任公司 一种电力配网交换机并网快速配置方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192102A (zh) * 2011-06-10 2011-09-21 华北电力大学 风力发电机组综合优化选型方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192102A (zh) * 2011-06-10 2011-09-21 华北电力大学 风力发电机组综合优化选型方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104362681A (zh) * 2014-11-18 2015-02-18 湖北省电力勘测设计院 一种考虑随机性的孤岛微电网容量优化配置方法
CN104485688A (zh) * 2014-11-28 2015-04-01 国家电网公司 优化逆变电源系统的方法及装置
CN104485688B (zh) * 2014-11-28 2017-10-13 国家电网公司 优化逆变电源系统的方法及装置
CN106655248B (zh) * 2016-10-21 2019-01-11 中国电建集团中南勘测设计研究院有限公司 一种并网型微电网电源容量配置方法
CN106655248A (zh) * 2016-10-21 2017-05-10 中国电建集团中南勘测设计研究院有限公司 一种并网型微电网电源容量配置方法
CN107067146A (zh) * 2017-01-09 2017-08-18 国网浙江省电力公司经济技术研究院 考虑热负荷二维可控性的微网热电协调调度方法
CN107067146B (zh) * 2017-01-09 2021-01-22 国网浙江省电力有限公司经济技术研究院 考虑热负荷二维可控性的微网热电协调调度方法
CN107276121A (zh) * 2017-06-23 2017-10-20 广东工业大学 一种计及不确定性因素的家庭并网协同经济调度优化方法
CN107294136A (zh) * 2017-08-18 2017-10-24 广东工业大学 一种电力系统调度方法及装置
CN107294136B (zh) * 2017-08-18 2019-12-06 广东工业大学 一种电力系统调度方法及装置
CN109038655A (zh) * 2018-07-18 2018-12-18 天津大学 限电要求下大型光伏电站的配套储能容量计算方法
CN110518637A (zh) * 2019-09-30 2019-11-29 深圳供电局有限公司 复合相变储能微网配置方法
CN115118589A (zh) * 2022-06-29 2022-09-27 广东电网有限责任公司 一种电力配网交换机并网快速配置方法及系统
CN115118589B (zh) * 2022-06-29 2023-09-22 广东电网有限责任公司 一种电力配网交换机并网快速配置方法及系统

Also Published As

Publication number Publication date
CN103715688B (zh) 2015-08-05

Similar Documents

Publication Publication Date Title
CN103715688B (zh) 并网型微网优化配置方法及装置
CN110119886B (zh) 一种主动配网动态规划方法
Eltamaly et al. Optimal sizing and designing of hybrid renewable energy systems in smart grid applications
Ahadi et al. A novel approach for optimal combinations of wind, PV, and energy storage system in diesel-free isolated communities
Ghofrani et al. A framework for optimal placement of energy storage units within a power system with high wind penetration
Eid et al. Efficient operation of battery energy storage systems, electric-vehicle charging stations and renewable energy sources linked to distribution systems
Nottrott et al. Storage dispatch optimization for grid-connected combined photovoltaic-battery storage systems
Abdolahi et al. Probabilistic multi-objective arbitrage of dispersed energy storage systems for optimal congestion management of active distribution networks including solar/wind/CHP hybrid energy system
CN105205552B (zh) 一种独立新能源混合发电系统优化规划方法
CN109816171A (zh) 一种基于模糊pid实时电价的电动汽车区域微网群双层分布式优化调度方法
CN107092985A (zh) 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
Mohseni et al. Lévy-flight moth-flame optimisation algorithm-based micro-grid equipment sizing: An integrated investment and operational planning approach
Ali et al. Energy management in high RER multi-microgrid system via energy trading and storage optimization
Mohseni et al. Stochastic optimal sizing of micro-grids using the moth-flame optimization algorithm
Roy et al. Probabilistic optimal power dispatch in a droop controlled islanded microgrid in presence of renewable energy sources and PHEV load demand
CN114970191A (zh) 一种基于势博弈的电网交通系统日前分布鲁棒调度方法
Wu et al. Economic analysis of power grid interconnections among Europe, North-East Asia, and North America with 100% renewable energy generation
Bagherzadeh et al. Optimal allocation of electric vehicle parking lots and renewable energy sources simultaneously for improving the performance of distribution system
CN112260274A (zh) 一种基于全景理论的虚拟电厂组建方法
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
CN110518637A (zh) 复合相变储能微网配置方法
Qachchachi et al. Control strategy of hybrid AC/DC microgrid in standalone mode
Wu et al. Research on optimal storage capacity of DC micro‐grid system in PV station
Hussein et al. Energy management for a grid-tied photovoltaic-wind-storage system—Part II: Operation strategy

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