CN103903066A - 一种虚拟电厂分层随机优化调度方法 - Google Patents

一种虚拟电厂分层随机优化调度方法 Download PDF

Info

Publication number
CN103903066A
CN103903066A CN201410137473.6A CN201410137473A CN103903066A CN 103903066 A CN103903066 A CN 103903066A CN 201410137473 A CN201410137473 A CN 201410137473A CN 103903066 A CN103903066 A CN 103903066A
Authority
CN
China
Prior art keywords
mrow
msub
micro
layer
power plant
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.)
Pending
Application number
CN201410137473.6A
Other languages
English (en)
Inventor
喻洁
冯其芝
时斌
吴在军
窦晓波
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201410137473.6A priority Critical patent/CN103903066A/zh
Publication of CN103903066A publication Critical patent/CN103903066A/zh
Pending legal-status Critical Current

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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00Climate change mitigation technologies for sector-wide applications
    • Y02P80/10Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/14District level solutions, i.e. local energy networks
    • 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

本发明公开了一种虚拟电厂分层随机优化调度方法,首先建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型,其中下层各微电网优化调度模型为机会约束模型,模型中采用经验分布函数描述不可控微电源独立状态下出力概率分布,并依据不可控微电源联合直方图选择Copula函数建立联合概率分布模型。然后利用抽样平均近似法和KKT最优性条件将虚拟电厂两层协调优化调度模型转化为单层确定性模型并求解,对虚拟电厂进行最优调度。本发明方法可兼顾虚拟电厂内多个微电网间的协调运行;利用概率分布与Copula相关性分析可充分考虑不可控微电源随机性与相关性对优化调度问题的影响,可实现虚拟电厂协调随机优化调度。

Description

一种虚拟电厂分层随机优化调度方法
技术领域
本发明属于电力优化调度技术领域,涉及一种虚拟电厂分层随机优化调度方法。
背景技术
世界能源消费的持续增长及环境污染的不断加重促进了分布式电源的广泛使用。但随着分布式电源大规模接入,大量地域分散、所属权各异的分布式电源如何运行管理,是绿色能源推广应用所面临的难题。虚拟电厂为分布式电源运行管理提供了现实可行的解决方案。虚拟电厂可让分布式电源更好地融入到智能电网中并参与电力市场的交易和电力系统的调度。
虚拟电厂把多个分散的分布式电源、储能装置和负荷集成起来,虚拟成一个独立的发电个体,具有类似传统发电厂一样的可控性,可向电网提交发电计划和负荷需求。但虚拟电厂内含大量的分布式电源,而风力、光伏等不可控分布式电源受自然条件影响较大,具有很强的随机性与波动性,因此如何有效处理不可控分布式电源,解决虚拟电厂优化调度问题具有重大意义,但现有研究的虚拟电厂优化模型,有些直接忽略其内部不可控分布式电源的不确定性,有些虽考虑了随机性因素,但模型均是在各分布分布式电源相互独立的条件下建立的,忽略了虚拟电厂内分布式电源出力的相关特性。事实上,同一区域内的分布式电源由于地理位置相近,风电场与光伏电站、光伏电站间以及风电场间存在很大的相关性,其对虚拟电厂优化调度也产生了重要影响。且对于含多个微电网的虚拟电厂其优化调度需考虑多个微电网间的协调运行,现有研究也很少或基本没涉及含多个微电网的虚拟电厂优化调度。
对含多个微电网的虚拟电厂,其优化调度需考虑多个微电网间的协调运行,而对于每个微电网自身,又各自包含多个分布式电源、负荷等单元,需确定自身优化调度策略,实现各微电网内部能量平衡,且虚拟电厂内大量的不可控分布式电源具有很强随机性与相关性。因此如何兼顾虚拟电厂总体调度目标和各微电网局部目标利益,如何有效处理不可控分布式电源的不确定性与相关性,是大规模虚拟电厂推广应用所面临的实际问题,也是虚拟电厂优化调度不得不考虑的重要问题。
发明内容
技术问题:本发明提供一种可实现虚拟电厂内多个微电网间的协调运行、简化了控制难度的虚拟电厂分层随机优化调度方法。
技术方案:本发明的虚拟电厂分层随机优化调度方法,包括以下步骤:
1)针对含多个微电网的虚拟电厂分层分布特点,建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型;
其中下层微电网层是按照以下方法建立的:利用概率分布与Copula函数来描述不可控微电源的随机性与相关性,得到的各微电网机会约束随机优化模型即为下层微电网层,此模型包括优化目标、确定性约束条件和不确定性约束条件;
2)基于随机优化和分层优化求解策略,利用抽样平均近似法和KKT最优性条件将两层协调优化调度模型转化为单层确定性模型,然后求解单层确定性模型,得到微电源最优出力和储能装置的充放电功率,以及微电网向大电网提交的发电计划;
3)根据步骤2)得到的微电源最优出力和储能装置的充放电功率,以及微电网向大电网提交的发电计划,对虚拟电厂进行最优调度。
本发明方法的一个优选方案中,步骤1)中建立的各微电网机会约束随机优化模型包括优化目标、确定性约束条件和不确定性约束条件,其中不确定性约束条件按照以下方式建立:
首先采用经验分布函数描述不可控微电源独立状态下的出力概率分布;然后建立各不可控微电源出力的联合概率直方图;最后根据各不可控微电源出力的联合概率直方图选择Copula函数建立不可控微电源的联合概率分布模型。
本发明方法的一个优选方案中,步骤2)的具体流程为:首先采用抽样平均近似法将步骤1)建立的虚拟电厂两层协调优化调度模型转化为两层确定性优化调度模型;然后采用KKT最优性条件将所述两层确定性优化调度模型转化为单层确定性优化调度模型;最后对转换后的单层确定性优化调度模型进行求解。
有益效果:本发明与现有技术相比,具有以下优点:
本发明针对含多个微电网的虚拟电厂分层分布特点,提出了虚拟电厂两层协调优化调度模型,突破了传统单一层次的电力调度模式,可实现虚拟电厂内多个微电网间的协调运行;虚拟电厂内风力、光伏等不可控微电源受自然条件影响具有很强的随机性与相关性,本发明在下层各微电网优化调度模型中利用概率分布和Copula函数充分考虑了不可控微电网的随机性与相关性,弥补了传统调度模型中不可控微电源为确定性、出力相互独立的缺陷;本发明利用抽样平均近似法和KKT最优性条件将虚拟电厂两层协调优化调度模型转化为单层确定性模型,大大简化了求解难度。
附图说明
图1为虚拟电厂分层随机优化调度流程图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步详细描述。
本发明的虚拟电厂分层随机优化调度方法,包括以下步骤:
1)针对含多个微电网的虚拟电厂分层分布特点,建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型,上下两层决策通过各自的决策变量相互影响、相互作用。
其中上层依据电网需求设立虚拟电厂总体调度目标。本发明中以虚拟电厂利润最大为目标,以虚拟电厂发电计划约束为约束条件。
(1)目标函数:
Figure BDA0000487152290000031
其中,F为虚拟电厂利润,ρplan为虚拟电厂出售电能给大电网的单位电价,ρload虚拟电厂出售电能给用户的单位电价,Pi,plan为微电网i向大电网提交的发电计划,Pi,load为微电网i内部的用电需求,
Figure BDA0000487152290000035
为第i个微电网的发电成本,N为微电网个数。
(2)约束条件:
虚拟电厂发电计划约束:虚拟电厂对外呈现发电厂特性,其内部电能需满足
Σ i = 1 N P i + Σ i = 1 N P i , BT _ ch · η i , BT ch - Σ i = 1 N P i , load = Σ i = 1 ` N P i , load = Σ i = 1 N P i , plan - - - ( 2 )
Σ i = 1 N P i + Σ i = 1 N P i , BT _ disch · η i , BT disch - Σ i = 1 ` N P i , load = Σ i = 1 N P i , plan - - - ( 3 )
其中,Pi为虚拟电厂内微电网i所有微电源出力总和,且满足
Figure BDA0000487152290000034
rij为第i个微电网中第j个微电源,ri为第i个微电网中微电源总数,
Figure BDA0000487152290000049
为微电源rij出力,Pi,BT_ch、Pi,BT_disch为微电网i内的蓄电池充、放电功率,为微电网i内的蓄电池充、放电效率。
下层各微电网充分考虑内部不可控微电源的随机性与相关性,建立各微电网机会约束随机优化模型,该模型包括优化目标、确定性约束条件和不确定性约束条件。
(2)目标函数:
本发明中的各微电网均以发电成本最小为目标,具体表达式为
min C F i = min Σ r ij = 1 r i C r ij ( P r ij ) , i = 1,2 . . . N - - - ( 4 )
其中,
Figure BDA0000487152290000042
为微电源rij的成本函数,其他如前所述。
(2)确定性约束条件:
各微电网确定性约束条件包括电能平衡约束、各可控微电源发电功率约束、各微电网与大电网传输功率约束以及蓄电池充放电约束。
(2.1)第i个子微电网内功率平衡约束:
Σ r ij = 1 r j P r ij + P i , BT _ ch · η i , BT ch - P i , plan = P i , load - - - ( 5 )
Σ r ij = 1 r j P r ij + P i , BT _ cisch · η i , BT disch - P i , plan = P i , load - - - ( 6 )
(2.2)第i个子微电网内可控微电源出力约束:
P r ij min ≤ P r ij ≤ P r ij max , r ij = 1,2 . . . r i j - - - ( 7 )
其中,ri j为第i个子微电网内可控微电源总数。
(2.3)第i个子微电网与大电网传输线功率上下限约束:
P i , plan min ≤ P i , plan ≤ P i , plan max - - - ( 8 )
其中,
Figure BDA0000487152290000047
分别为第i个子微电网与大电网传输线功率下限和上限。
(2.4)第i个子微电网内蓄电池充放电约束:
P i , BT _ ch min ≤ P i , BT _ ch ≤ P i , BT _ ch max - - - ( 9 )
P i , BT _ disch min ≤ P i , BT _ disch ≤ P i , BT _ disch max - - - ( 10 )
SOC min i ≤ SOC i ≤ SOC i max - - - ( 11 )
其中,
Figure BDA0000487152290000053
为微电网i内的蓄电池充电功率下限和上限,
Figure BDA0000487152290000054
为微电网i内的蓄电池放电功率下限和上限,SOCi min,SOCi max为微电网i内的蓄电池荷电状态下限和上限,SOCi为微电网i内的蓄电池荷电状态。
(3)不确定性约束条件:
虚拟电厂内各微电网中风电场与光伏电站出力受自然条件的影响具有较强的随机性与波动性,且同一地区的风电场与风电场、风电场与光伏电站、光伏电站与光伏电站出力之间具有一定的相关性,故采用机会约束的形式表示其运行约束,第i个子微电网内不可控微电源出力约束表达式为:
Pr { P r ij ≤ p r ij , r ij = r i j + 1 , r i j + 2 , . . . , r i } ≥ α - - - ( 12 )
其中,
Figure BDA0000487152290000057
为第i个子微电网内不可控微电源(风力、光伏)出力,且其出力满足copula联合概率分布式,Pr{·}为不等式成立的概率值,α为事先给定置信水平,其中该约束的copula联合概率分布式建立过程如下:
①在已知不可控微电源(如风电场和光伏电站)功率实测数据的情况下,利用经验分布函数来估计各风电场以及各光伏电站的功率分布函数,其经验分布函数表达式可表示为如下形式:
F ( p r ij ) = 0 p r ij < p r ij ( 1 ) &Sigma; k = 1 n f k p r ij ( m ) < p r ij < p r ij ( m + 1 ) , ( m = 1,2 , . . . n - 1 ) 1 p r ij > p r ij ( n ) - - - ( 13 )
②依据以上经验分布函数建立同一微电网内不可控微电源出力的联合概率直方图。
③根据各微电网内不可控微电源联合直方图相关特性,选择copula函数来描述其相关性。Copula函数是1959年Sklar所提出的,他指出可以将一个联合分布分解为它的k个边缘分布和一个Copula函数,Copula函数实际上是一种将联合分布与它们各自的边缘分布连接在一起的函数,因此也称为连接函数,该函数可以用来表示多个随机变量间的相关性。
A、对含多个风电场的微电网,所选择的copula函数应满足各风电场间的相关性,如对具有下厚尾特性的2个风电场可选择Clayton-copula函数来构建其联合概率分布计算模型:
H ( p 1 , p 2 ) = C ( F 1 ( p 1 ) , F 2 ( p 2 ) ) = max [ ( ( f 1 ( p 1 ) ) - &theta; + ( F 2 ( p 2 ) ) - &theta; - 1 ) 1 &theta; , 0 ] - - - ( 14 )
其中,C为Clayton-copula函数,p1,p2分别为2个风场的出力,均服从经验概率分布式(13),并分别记为F1(p1),F2(p2),θ为联合分布的连接参数。
B、对含多个风电场和光伏电站的微电网,所选择的copula函数应满足各风电场与各光伏电站间的相关性。如对具有对称相依性的风电场和光伏电站可选择Frank-copula函数来构建其联合概率分布计算模型:
H ( p 1 , p 2 ) = C ( F 1 ( p 1 ) , F 2 ( p 2 ) ) = - 1 &theta; ln ( 1 + ( e - &theta; F 1 ( p 1 ) - 1 ) ( e - &theta; F 2 ( p 2 ) - 1 ) e - &theta; - 1 ) - - - ( 15 )
其中,C为Frank-copula函数,p1,p2分别为风电场和光伏电站的出力,均服从经验概率分布式(13),并分别记为F1(p1),F2(p2),θ为联合分布的连接参数。
C、对含光伏电站的微电网,所选择的copula函数应满足各各光伏电站间的相关性。如对具有上厚尾特性的2个光伏电站可选择Gumbel-copula函数来构建其联合概率分布计算模型:
H ( p 1 , p 2 ) = C ( F 1 ( p 1 ) , F 2 ( p 2 ) ) = - 1 &theta; exp { - [ ( - ln F 1 ( p 1 ) ) &theta; + ( - ln F 2 ( p 2 ) ) &theta; ] } - - ( 16 )
其中,C为Gumbel-copula函数,p1,p2分别2个光伏电站的出力,均服从经验概率分布式(13),并分别记为F1(p1),F2(p2),θ为联合分布的连接参数。
2)基于随机优化求解策略,利用蒙特卡诺模拟及抽样平均近似法将下层各微电网机会约束随机优化模型转化为确定性优化模型;再基于分层优化求解策略,应用KKT最优性条件将虚拟电厂两层确定性模型转化为单层确定性模型;求解转化后的单层确定性模型,得到微电源最优出力和储能装置的充放电功率,以及微电网向大电网提交的发电计划。其中KKT(Karush-Kuhn-Tucker,卡罗需-库恩-塔克)最优化条件是Karush以及Kuhn和Tucker提出的,该方法可作为判断优化问题中最优点是否为约束极值点的依据。
3)根据步骤2得到的微电源最优出力和储能装置的充放电功率,以及微电网向大电网提交的发电计划,对虚拟电厂进行最优调度。
以上实施例仅仅是对本发明方案的进一步具体说明,在阅读了本发明实施例之后,本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。

Claims (3)

1.一种虚拟电厂分层随机优化调度方法,其特征在于,该方法包括以下步骤:
1)针对含多个微电网的虚拟电厂分层分布特点,建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型;
所述下层微电网层是按照以下方法建立的:利用概率分布与Copula函数来描述不可控微电源的随机性与相关性,得到的各微电网机会约束随机优化模型即为下层微电网层;
2)基于随机优化和分层优化求解策略,利用抽样平均近似法和KKT最优性条件将两层协调优化调度模型转化为单层确定性模型,然后求解单层确定性模型,得到微电源最优出力和储能装置的充放电功率,以及微电网向大电网提交的发电计划;
3)根据所述步骤2)得到的微电源最优出力和储能装置的充放电功率,以及微电网向大电网提交的发电计划,对虚拟电厂进行最优调度。
2.如权利要求1所述的虚拟电厂分层随机优化调度方法,其特征在于,所述步骤1)中建立的各微电网机会约束随机优化模型包括优化目标、确定性约束条件和不确定性约束条件,所述不确定性约束条件按照以下方式建立:
首先采用经验分布函数描述不可控微电源独立状态下的出力概率分布;然后建立各不可控微电源出力的联合概率直方图;最后根据各不可控微电源出力的联合概率直方图选择Copula函数建立不可控微电源的联合概率分布模型。
3.如权利要求1或2所述的虚拟电厂分层随机优化调度方法,其特征在于,所述步骤2)的具体流程为:首先采用抽样平均近似法将所述步骤1)建立的虚拟电厂两层协调优化调度模型转化为两层确定性优化调度模型;然后采用KKT最优性条件将所述两层确定性优化调度模型转化为单层确定性优化调度模型;最后对转换后的单层确定性优化调度模型进行求解。
CN201410137473.6A 2014-04-04 2014-04-04 一种虚拟电厂分层随机优化调度方法 Pending CN103903066A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410137473.6A CN103903066A (zh) 2014-04-04 2014-04-04 一种虚拟电厂分层随机优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410137473.6A CN103903066A (zh) 2014-04-04 2014-04-04 一种虚拟电厂分层随机优化调度方法

Publications (1)

Publication Number Publication Date
CN103903066A true CN103903066A (zh) 2014-07-02

Family

ID=50994376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410137473.6A Pending CN103903066A (zh) 2014-04-04 2014-04-04 一种虚拟电厂分层随机优化调度方法

Country Status (1)

Country Link
CN (1) CN103903066A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105375507A (zh) * 2015-07-10 2016-03-02 华北电力大学(保定) 雾霾环境下虚拟电厂的电力两级交互优化调度系统
CN106156921A (zh) * 2015-04-10 2016-11-23 华北电力大学(保定) 基于Copula理论的电动汽车光伏充电站储能配置选择方法
CN106300336A (zh) * 2016-07-22 2017-01-04 华北电力大学 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法
CN107749638A (zh) * 2017-10-19 2018-03-02 东南大学 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法
CN109709916A (zh) * 2018-12-20 2019-05-03 宁波大学 一种基于Gibbs取样法的调度方法
CN110135613A (zh) * 2018-10-23 2019-08-16 上海交通大学 一种基于纳什谈判的多虚拟电厂协同优化运行方案
CN110266038A (zh) * 2019-05-28 2019-09-20 广东电网有限责任公司电力调度控制中心 一种多虚拟电厂分布式协调调控方法
CN110620380A (zh) * 2019-09-05 2019-12-27 深圳供电局有限公司 一种虚拟电厂控制系统
CN113904380A (zh) * 2021-10-08 2022-01-07 国网江苏省电力有限公司营销服务中心 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
CN115062835A (zh) * 2022-06-10 2022-09-16 山东大学 基于虚拟发电厂的主动配电网分布式资源优化调度方法
CN116031954A (zh) * 2023-02-21 2023-04-28 国网浙江省电力有限公司金华供电公司 模糊机会约束下的虚拟电厂优化调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130266054A1 (en) * 2012-04-09 2013-10-10 Electronics And Telecommunications Research Institute Method and apparatus for allocating transmission power in multi input multi output system
CN103544655A (zh) * 2013-10-18 2014-01-29 国家电网公司 一种含微电网的区域配电网分层优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130266054A1 (en) * 2012-04-09 2013-10-10 Electronics And Telecommunications Research Institute Method and apparatus for allocating transmission power in multi input multi output system
CN103544655A (zh) * 2013-10-18 2014-01-29 国家电网公司 一种含微电网的区域配电网分层优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
唐勇俊: "网格计算环境下计及分布式电源的配网优化运行研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
杨洪明等: "考虑多风电场出力相关性的电力系统随机优化调度", 《电力自动化设备》 *
范宏: "基于二层规划方法的输电网扩展规划研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156921B (zh) * 2015-04-10 2021-11-09 华北电力大学(保定) 基于Copula理论的电动汽车光伏充电站储能配置选择方法
CN106156921A (zh) * 2015-04-10 2016-11-23 华北电力大学(保定) 基于Copula理论的电动汽车光伏充电站储能配置选择方法
CN105375507B (zh) * 2015-07-10 2017-09-26 华北电力大学(保定) 雾霾环境下虚拟电厂的电力两级交互优化调度方法
CN105375507A (zh) * 2015-07-10 2016-03-02 华北电力大学(保定) 雾霾环境下虚拟电厂的电力两级交互优化调度系统
CN106300336A (zh) * 2016-07-22 2017-01-04 华北电力大学 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法
CN106300336B (zh) * 2016-07-22 2018-12-18 华北电力大学 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法
CN107749638A (zh) * 2017-10-19 2018-03-02 东南大学 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法
CN107749638B (zh) * 2017-10-19 2021-02-02 东南大学 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法
CN110135613A (zh) * 2018-10-23 2019-08-16 上海交通大学 一种基于纳什谈判的多虚拟电厂协同优化运行方案
CN110135613B (zh) * 2018-10-23 2023-01-03 上海交通大学 一种基于纳什谈判的多虚拟电厂协同优化运行方案
CN109709916A (zh) * 2018-12-20 2019-05-03 宁波大学 一种基于Gibbs取样法的调度方法
CN110266038A (zh) * 2019-05-28 2019-09-20 广东电网有限责任公司电力调度控制中心 一种多虚拟电厂分布式协调调控方法
CN110266038B (zh) * 2019-05-28 2023-10-20 广东电网有限责任公司电力调度控制中心 一种多虚拟电厂分布式协调调控方法
CN110620380A (zh) * 2019-09-05 2019-12-27 深圳供电局有限公司 一种虚拟电厂控制系统
CN110620380B (zh) * 2019-09-05 2023-06-20 深圳供电局有限公司 一种虚拟电厂控制系统
CN113904380A (zh) * 2021-10-08 2022-01-07 国网江苏省电力有限公司营销服务中心 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
CN113904380B (zh) * 2021-10-08 2023-06-27 国网江苏省电力有限公司营销服务中心 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
CN115062835A (zh) * 2022-06-10 2022-09-16 山东大学 基于虚拟发电厂的主动配电网分布式资源优化调度方法
CN116031954A (zh) * 2023-02-21 2023-04-28 国网浙江省电力有限公司金华供电公司 模糊机会约束下的虚拟电厂优化调度方法

Similar Documents

Publication Publication Date Title
CN103903066A (zh) 一种虚拟电厂分层随机优化调度方法
Ullah et al. Comprehensive review of VPPs planning, operation and scheduling considering the uncertainties related to renewable energy sources
Zahraee et al. Application of artificial intelligence methods for hybrid energy system optimization
Dong et al. Optimization of capacity configuration of wind–solar–diesel–storage using improved sparrow search algorithm
CN104362677B (zh) 一种主动配电网优化配置结构及其配置方法
CN104779611B (zh) 基于集中式和分布式双层优化策略的微电网经济调度方法
CN108494015A (zh) 一种源-荷-储协调互动的综合能源系统设计方法
CN107292449A (zh) 一种含多微网主动配电系统分散协同经济调度方法
Salcedo-Sanz et al. A novel Coral Reefs Optimization algorithm with substrate layers for optimal battery scheduling optimization in micro-grids
Zhang et al. Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO
CN107910863A (zh) 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
CN108037667B (zh) 基于虚拟电厂的基站电能优化调度方法
CN103544655A (zh) 一种含微电网的区域配电网分层优化方法
Javad Kasaei et al. Optimal operational scheduling of renewable energy sources using teaching–learning based optimization algorithm by virtual power plant
Sari et al. New optimized configuration for a hybrid PV/diesel/battery system based on coyote optimization algorithm: A case study for Hotan county
Hazra et al. Optimal dispatch using moth‐flame optimization for hydro‐thermal‐wind scheduling problem
Yan et al. Development of a tool for urban microgrid optimal energy planning and management
CN110276485A (zh) 一种孤立能源系统的综合能源容量优化方法、装置及设备
Mirjalili et al. A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system
Allen et al. Infrastructure planning and operational scheduling for power generating systems: An energy-water nexus approach
Tukkee et al. Optimal sizing of autonomous hybrid microgrids with economic analysis using grey wolf optimizer technique
Huang et al. Smart energy management system based on reconfigurable AI chip and electrical vehicles
Tong et al. An intelligent scheduling control method for smart grid based on deep learning
Li et al. Optimal power flow calculation considering large-scale photovoltaic generation correlation
Liu et al. Key technologies and developments of multi-energy system: Three-layer framework, modelling and optimisation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20140702