CN105207259B - 基于能量管理的并网状态下的微电网系统调度方法 - Google Patents
基于能量管理的并网状态下的微电网系统调度方法 Download PDFInfo
- Publication number
- CN105207259B CN105207259B CN201510598479.8A CN201510598479A CN105207259B CN 105207259 B CN105207259 B CN 105207259B CN 201510598479 A CN201510598479 A CN 201510598479A CN 105207259 B CN105207259 B CN 105207259B
- Authority
- CN
- China
- Prior art keywords
- power
- battery
- micro
- electric power
- controllable electric
- 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
Classifications
-
- 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
本发明涉及一种基于能量管理的并网状态下的微电网系统调度方法,其以微电网系统并网运行成本最少为目标,通过对并网运行目标函数的运行成本最小化求解获得相应的调度参数,以满足微电网系统内所有用电设备的用电需求。所构建目标函数覆盖了设备折旧费用、燃料费用、维护费用、启停费用、环保费用等设备运行成本及购售电成本等多种成本影响因素,并应用分段线性化的处理方法将非线性问题转化为线性问题,引入0、1决策变量将约束中的二次约束转换为一次约束,按时间分层求解。本发明的调度模型比较精细,因此预测更加精准,适用性强,在保证较高求解精度的基础上还能获得较快的求解速度,可适用于大型的微电网优化调度。
Description
技术领域
本发明涉及一种微电网能量调度优化方法,涉及微电网能量管理技术领域,适用于微电网能量管理的日前经济调度。
背景技术
随着能源危机加剧和环境污染日益严重,微电网作为一种新型能源网络化供应和管理技术,受到越来越多的关注。随着微电网工程的不断发展完善,微电网能量管理系统成为微电网研究的重点。
微电网能量管理系统是针对微电网的智能控制系统,其能优化分布式电源的功率分配,并使系统经济安全的运行。作为微电网能量管理的核心部分,其调度优化模型的设计对微电网能量管理的效果起着至关重要的作用。如何选择算法快速准确的求解考虑各种复杂约束条件的调度优化问题均给该课题带来较大的挑战。解决这一系列问题将提高能量的利用效率,减少微电网系统的运营成本,具有较好的社会效益。
现阶段,一些微电网调度优化的研究建立了线性的调度模型,但是这种模型过于粗糙,不利于深入研究。当前大多数模型建立的是非线性优化模型,一般采用粒子群算法、蚁群算法、遗传算法等智能优化算法求解。随着规模的增加,智能算法往往不容易收敛并且求解速度较慢。同时,当前模型一般只适用于少数微电网算例,模型的适用性有待提高。
发明内容
为了克服现有技术下的上述缺陷,本发明的目的在于提供一种基于能量管理的并网状态下的微电网系统调度方法,该方法预测更加精准,在保证较高求解精度的基础上还能获得较快的求解速度。
本发明的技术方案是:
一种基于能量管理的并网状态下的微电网系统调度方法,其以微电网系统并网运行成本最少为目标,通过对下列并网运行目标函数的运行成本最小化求解获得相应的调度参数,以满足微电网系统内所有用电设备的用电需求:
并网运行目标函数为:
其中,C为微电网系统的运行成本,Pi(t)为可控电源i的t时刻的输出功率,Ci(Pi(t))为可控电源i的t时刻的燃料成本,所述可控电源包括微型燃气轮机、柴油机和燃料电池;
Si(t)为可控电源i的t时刻的启动成本;Uopen,i(t)为可控电源i的t时刻0、1开机决策变量,0表示非启动(保持原启停状态或者停机),1表示启动;
COM,i(Pi(t))、CDP,i(Pi(t))、Ce(Pi(t))分别为可控电源i的t时刻的维护成本、折旧成本和环境成本;
Pk(t)为蓄电池k的t时刻的输出功率,COM,k(Pk(t))、CDP,k(Pk(t))分别为蓄电池k的t时刻的维护成本和折旧成本;
Cbuy、Csell分别为微电网从外部购电和向外部售电的电价;Pbuy(t)、Psell(t)分别为微电网t时刻从外部购电和向外部售电的功率;
I为可控电源的数量;K为蓄电池的数量;T为一个调度周期内的优化时段数。
本发明的有益效果为:
由于对微电网的各类电源分别进行了分类归纳,对不同类型的电源分别建模,由此可以将微电网大部分电源纳入日前经济调度模型中,且新增元件也很简单,因此具有很强的适用性。
由于模型中综合考虑了设备折旧费用、燃料费用、维护费用、启停费用、环保费用等设备运行成本及购售电成本、线路损耗成本等,同时满足了功率平衡、备用、爬坡率、出力上下限、最小启停时间、蓄电池容量上下限、蓄电池充放电功率上下限、蓄电池周期充放电总能量、购售电功率上限等约束条件,比现有技术下的调度方法更贴近微电网的实际需求,由此建立起的微电网日前经济调度模型也更为完善。
由于模型求解过程中采用了按时间分层求解的优化求解方法,可根据需要设置不同时间尺度,获得很短时间范围(自由设定,例如可以为10min或者15min等)的求解结果,因此可以显著提高调度的精度。
由于引入了采用前推回代法的三相潮流计算方法,可以在三相不平衡的情况下计算微电网的潮流,得出微电网的线损,计算出微电网平均线损系数。
由于应用了分段线性化的处理方法将非线性问题转化为线性问题,并引入了0、1决策变量,将约束中的二次约束转换为一次约束,使微电网日前经济调度模型更易于求解。
在应用混合整数线性规划算法对微电网日前经济调度模型进行求解的基础上,加入按时间分层优化的方法,很好地同时保证了计算的准确性和快速性。
附图说明
图1是费用曲线线性化示意图;
图2是配电网前推回代法流程图;
图3是分层优化的时间周期对应关系;
图4是分层优化流程图;
图5是微电网结构图;
图6是微电网典型日负荷曲线;
图7是光伏出力典型场景;
图8是预测误差5%时,光伏预测出力曲线;
图9是软件计算的理论调度结果;
图10是实际运行的调度结果;
图11是采用现有调度方法的实际调度结果。
具体实施方式
本发明涉及一种基于能量管理的并网状态下的微电网系统调度方法,其以微电网系统并网运行成本最小为控制目标,结合对应的约束条件,对本发明所构建的并网运行目标函数进行运行成本最小化求解并获得相应的调度参数,通过调度使微电网系统内所有用电设备的用电需求都得到满足。
所述目标函数的构建直至求解包括以下步骤:
步骤一:建立微电网中不同电源、储能装置的调度模型;
步骤二:构建并网运行下优化调度的目标函数;
步骤三:对各模型进行线性化处理,使求解问题转化为混合整数线性规划问题;
步骤四:应用前推回代法,计算微电网的三相潮流,得到线路损耗的系数;
步骤五:建立按时间分层的微电网调度优化模型;
步骤六:根据目标函数及对应的约束条件进行优化求解。
下面是对上述各步骤的详细介绍。
步骤一:建立微电网不同电源、储能装置的调度模型。微电网的电源主要包括传统的完全可控机组(包括微型燃气轮机、燃料电池、柴油机等常规机组(或称为可控电源))、新能源机组(包括风电、光伏等),以及储能装置(包括各类蓄电池、超级电容等)。每组中相应设备的数量可能是单数也可能是多数,目标函数中以相应设备组为单位,但名称上不限制是否有“组”字样。对上述不同类型的电源分别建模,由此可以将微电网大部分电源纳入调度优化模型中。它们各自的模型如下:
1)风机模型:
风机的出力与风速的关系可以由式(1)近似表示:
其中,v为风速,vci、vco、vr分别为切入风速、切出风速和额定风速;Prated_WT为风机额定功率。
2)光伏发电模型:
在标准测试条件下,光伏发电的出力可以由式(2)表示:
其中,GSTC、TSTC分别为标准测试条件中的太阳辐射照度和电池温度;GC为工作点的太阳辐射照度;TC为工作点的电池温度;PSTC为标准测试条件下的光伏额定发电功率;kTC为功率温度系数。
3)微型燃气轮机模型
微型燃气轮机的燃料成本函数如下:
其中Cnl是天然气价格;Ccal为天然气的热值;PMT(t)是微型燃气轮机t时刻的输出功率;ηMT(t)是微型燃气轮机t时刻的发电效率。
4)燃料电池模型
燃料电池发电的燃料成本函数与微型燃气轮机的相似,成本函数如下:
其中,Cnl是天然气价格;Ccal为天然气的热值;PFC(t)是t时刻燃料电池的输出功率;ηFC(t)是时刻t的燃料电池发电效率。
5)柴油机模型
柴油发电机的燃料成本与传统火力发电类似,可以表示为柴油发电机的输出功率的二次多项式,其燃料成本可以用下式表示:
其中,a、b、c分别为费用函数的系数,可以由厂家提供或者拟合得到;PDG(t)是柴油发电机t时刻的输出功率。
6)蓄电池模型
(1)蓄电池在t时刻的剩余能量跟其前一个时刻即t-Δt时刻的剩余能量以及其从t-Δt时刻到t时刻的充放电量有关,在充放电的过程中,蓄电池的剩余能量计算公式为:
E(t)=E(t-1)(1-σ)-Pdh(t)Δt/ηdh+Pch(t)Δtηch (6)
其中E(t)、E(t-1)分别为t、t-1时刻末的蓄电池剩余能量(kWh);Pch(t)、Pdh(t)分别为蓄电池的充电功率和放电功率;ηch、ηdh分别是蓄电池的充电效率和放电效率;σ是蓄电池的自放电率。
(2)蓄电池的剩余电量有约束,超过约束就可能会导致的电池的损坏,蓄电池的剩余电量约束如下:
其中SOC、分别是蓄电池最小和最大容许剩余电量,SOC(t)是蓄电池t时刻的剩余电量。
(3)蓄电池的充放电功率同样有限制,超过限制也会造成损坏,充放电功率的上下限约束表达如下:
其中,分别表示蓄电池的最大充电功率和最大放电功率。
(4)蓄电池的寿命模型
蓄电池的寿命一般是由厂家给出的不同放电深度下的循环次数来表示,蓄电池总的循环次数函数如下:
其中,DOD是蓄电池的放电深度;a1-a5是由生产厂家提供的参数。
但是,蓄电池通常会频繁的充放电,不能保证每次的放电深度都是一样的,给计算循环次数带来难度。
吞吐量法是针对蓄电池运行中循环次数难以统计而提出的简单易行的寿命预测方法,其寿命的计算公式如下:
其中,Ethroughput为蓄电池寿命内总的能量吞吐量;Erated为蓄电池的额定容量;n为对蓄电池的不同放电深度测试的个数。
其中,不同放电深度的循环次数和对应的总能量吞吐量由厂家给出。
假设蓄电池总的能量吞吐量为一定值,则寿命损耗系数公式如下:
其中,Eloss为计算周期内蓄电池的能量吞吐量,如式(12)所示:
其中,P(t)是蓄电池t时刻的充电或放电功率;
吞吐量法可以粗略的计算出蓄电池的使用寿命。
步骤二:构建并网运行状态下优化调度模式的目标函数和约束条件。
以费用最少为目标,综合考虑系统和各微源的约束条件,建立在并网条件下的微电网日前经济调度模型。
目标函数:
并网条件下微电网模型的目标函数如式(13)所示:
Ci(Pi(t))为可控电源燃料成本函数,包括微型燃气轮机、柴油机和燃料电池;Ui(t):表示t时刻可控电源运行的0、1决策变量,0表示不运行,1表示运行;Si(t):可控电源启动成本;Uopen,i(t):t时刻可控电源启动的0、1决策变量,0表示非启动(保持原启停状态或者停机),1表示启动;COM,i(Pi(t))、CDP,i(Pi(t))、Ce(Pi(t)):分别表示可控机组的维护费用、折旧成本和环境成本;COM,k(Pk(t))、CDP,k(Pk(t)):分别表示储能装置的维护费用、折旧成本;Cbuy、Csell:分别表示微电网从外部购电和售电的电价;Pbuy(t)、Psell(t):分别表示微电网从外部购电和售电的功率。
式中的可控机组维护费用、折旧成本和环境成本的函数见式(14)-(16):
COM,i(Pi(t))=KOM,i·Pi(t)·Δt (14)
其中,Caz,i为第i个可控电源的单位容量安装成本的现值(本文费用都折算到现值);ki为第i个微源的容量因数;ni为第i个微源的使用年限;KOM,i为第i个微源的单位电量运行维护成本系数;Vj为第j项污染物的单位排放费用;Qij为第i个微源单位电量的第j项污染物排放量;m为污染物的种类;Δt为一个时段的时长。
式中的储能装置的维护费用、折旧成本函数见式(17)、(18):
COM,k=KOM,k·|Pk(t)|·Δt (17)
CDP,k(Pk(t))=(Erated,k·CE,k+Prated,k·CP,k)gLloss,k (18)
其中,KOM,k为第k个蓄电池组的单位电量运行维护成本系数;Erated,k、Prated,k分别为第k个蓄电池组的额定容量和额定功率,CE,k、CP,k分别为蓄电池组k的单位容量和单位功率安装成本的现值;Lloss,k为蓄电池组k的寿命损耗系数。
约束条件
1)功率平衡和备用约束:
(1)功率平衡约束:
其中,M为微电网支路总数;Ploss(t)为微电网的线损;Pm(t)为流过线路m的功率;αm为线路m的线损系数,由潮流计算估算得到。
(2)备用约束:
其中,Pi(t)、Pk(t)、Pw(t)、Pp(t)、Pbuy(t)Psell(t)分别表示可控机组出力、蓄电池组出力、风电出力、太阳能发电出力和对大电网的购电和售电;Ui(t)为可控电源i的运行状态,0表示停运,1表示运行;为可控电源i的输出功率上限,Δup,i为可控电源i的最大向上爬坡率,Ek(t)分别为蓄电池剩余能量的上限、蓄电池k在t时刻的剩余能量,ηdh,k为蓄电池k的放电效率,为蓄电池k的最大放电功率,Pd(t)为微电网的负荷需求;Rs(t)为微电网的旋转备用需求。此约束中,不等式左边为系统旋转备用的值,分别为可控机组、蓄电池和联网的旋转备用值,Rs(t)为系统所需旋转备用。
2)与大电网相关的约束:
(3)微电网与大电网间功率最大容量约束:
(4)购电与售电互斥约束:
Ubuy(t)+Usell(t)≤1 (24)
其中,分别表示允许微电网向大电网购电和售电的最大值;Ubuy(t)为t时段微电网向大电网购电的0、1决策变量,0表示不购电(售电或者既不购电也不售电),1表示购电,Usell(t)为t时段微电网向大电网售电的0、1决策变量,0表示不售电(购电或者既不购电也不售电),1表示售电。
3)与可控机组相关的约束:
(5)可控电源的输出功率约束:
其中,Pi、分别表示可控机组i的出力下限和出力上限。
(6)运行状态变量与启停变量约束:
Ui(t)-Ui(t-1)=Uopen,i(t-1)-Uclose,i(t-1) (26)
Uopen,i(t)+Uclose,i(t)≤1 (27)
其中,Ui(t)表示可控机组i的运行状态,0表示停运、1表示运行;Uopen,i(t)为可控电源i的t时刻0、1开机决策变量,0表示非启动(保持原启停状态或者停机),1表示启动。Uclose,i(t)为可控电源i的t时刻0、1关机决策变量,0表示非停机(保持原启停状态或者开机),1表示停机操作。
(7)最小停运时间、运行时间约束:
其中,MOTi为可控机组i的最小开机持续时间;MDTi为可控机组i的最小关机持续时间;T为调度时间周期。
(8)爬坡率约束:
-Δdown,i≤Pi(t)-Pi(t-1)≤Δup,i (30)
式中Δdown,i、Δup,i分别表示可控机组i的最大向下和向上爬坡率。
4)与蓄电池组相关的约束:
(9)荷电状态约束:
其中,SOCk(t)为蓄电池k的t时刻的剩余电量,SOC k、分别表示蓄电池组k的剩余电量的最小和最大值。
(10)满足功率约束:
其中分别表示蓄电池组k的最大充电功率和最大放电功率。
(11)周期储能平衡约束:
SOCk(1)+ΔSOCk=SOCk(T) (33)
ΔSOCk为程序设置的一个调度后SOCk的增加量,如果蓄电池SOCk状态良好,可以将ΔSOCk设为0。SOCk(l)、SOCk(t)分别为蓄电池k的SOC初始值和一个调度周期后的值。此约束表示,调度周期的始末时刻蓄电池组k的剩余电量是满足设定值的。
(12)同一蓄电池组的充放电互斥约束:
Udh,k(t)+Uch,k(t)≤1 (34)
式中Udh,k(t)、Uch,k(t)为0、1变量,分别表示蓄电池组k的放电状态和充电状态。
(13)不同蓄电池组的充放电互斥约束:
Uch,k(t)≤K×(1-edh,k(t)) (36)
Udh,k(t)≤K×(1-ech,k(t)) (38)
其中edh,k(t)、ech,k(t)为辅助0、1变量;edh,k(t)为0表示无法放电,1表示无法充电,ech,k(t)为0表示无法充电,1表示无法放电,K为蓄电池组的个数。此约束表示当一个蓄电池放电时其它蓄电池组不能充电,反之亦然。
步骤三:对模型进行线性化处理,使求解问题转化为混合整数线性规划问题。
混合整数线性规划算法的计算时间相对其他算法较少,可以解决相对大型的问题。但是它需要将非线性的问题转化为线性问题来求解,在微电网的模型中有多个非线性的约束需要进行线性化处理。模型中的大部分非线性的约束,已经在约束条件里进行了分段线性化的处理,但是可控机组出力还需进行额外的处理。
可控机组出力的处理:
可控机组的燃料费用曲线是非线性的,要在混合整数线性规划中考虑燃料费用,需要将费用曲线进行分段线性化,如图1所示,可控机组的燃料费用函数C(P)是一个非线性函数,假设将费用曲线分为n段线性组合,各个分段的分点为P1≤P2≤L≤Pn≤Pn+1,引入一个新的变量zk,可以将出力P和燃料费用的分段线性函数C′(P)分别表示为式(39)和式(40):
再次引入一个新的0-1变量ys,其中zs与ys满足下列约束:
zs与ys为辅助变量,此式用于保证对成本函数的分段的合理与唯一。
步骤四:应用前推回代法,计算微电网的三相潮流,得到线路损耗的系数。
前推回代法的原理过程是:一般给定配电网的始端电压和末端负荷,以馈线为计算基本单位。开始时由末端向始端推算,设全网电压都为额定电压,根据负荷功率由末端向始端逐段推导,仅计算各元件中的功率损耗而不计算电压,求得各条支路上的电流和功率损耗,并据此获得始端功率,这是前推过程;再根据给定的始端电压和求得的始端功率由始端向末端逐段算电压降落,求得各节点电压,这是回代过程;如此重复上述过程,直至各个节点的电压偏差满足容许条件为止。具体流程图见图2。
将潮流计算得到的每个支路的平均线损结果,代入模型的线损系数αm。
步骤五:对模型按时间进行分层求解。
由于同一时刻下微电网中每个单元的出力关系都是耦合在一起的,尽量不对其进行分解,而微电网中的电源响应速度都比较快,所以可以将模型按时间分为上下两层优化进行求解。上层优化求解模型的时间间隔较大(一般取1h),下层优化求解模型为上层优化求解模型的每个时间间隔内的优化。分层优化对应的时间关系如图3所示。
将原始问题按照一定时间间隔分为上层优化问题和下层优化问题。首先求解上层优化问题,上层优化的问题的求解结果作为下层优化问题的初始条件,而后求解下层优化问题,所有下层优化问题都求解完后得出最终的优化结果。具体的分层优化流程图见图4。
步骤六:选择合适的模式,进行计算。
所建模型有不同的微电网模式可供选择,根据微电网的特点和运行要求进行选择,修改模型中的参数可以达到各种不同的要求,也可以选择使用默认值进行计算。
图5所示为某项目的部分微电网结构示意图。微电网中有1个光伏发电电源,共计容量25kW;1组储能装置(蓄电池),共计容量100kWh;3个负荷节点,假设负荷C6为一级负荷,负荷C7为二级负荷,负荷D5为三级负荷。
典型日负荷曲线:
微电网中有3个负荷节点,其总负荷的日负荷曲线如图6所示。此典型日负荷曲线有三个负荷高峰,最大负荷为21.6kW,最小负荷为5.1kW。
光伏出力特性:
图7给出了晴天光伏出力的典型场景。图中光伏容量为25kW。假设预测误差5%时的光伏预测出力如图8所示。
蓄电池基本参数:
算例中的蓄电池基本参数如表1所示。
表1蓄电池基本参数
购售电电价:
算例中的购售电电价采用峰谷平电价。具体峰谷平时段的划分和电价见表2。由表中数据可见,白天上班时间和晚高峰划分为峰时段,其中中午和晚高峰划分为尖峰时段,凌晨左右划分为谷时段,其余时段为平时段。
表2峰谷平电价
污染物排放征收费用:
算例中的污染物排放征收费用见表3。
表3污染物排放征收费用
1)采用本发明的方法对图5所示微电网进行并网运行调度测试,以运行成本最小为调度目标。测试内容如下:
场景:晴天;模式:并网运行,运行成本最小;光伏预测误差5%。
A)程序计算结果:
软件计算的理论调度结果如图9所示。PCC点购售电功率、蓄电池充放电功率、光伏出力相加基本等于总负荷,即保证功率平衡。在负荷低谷时段,微电网从配网购电增加,以向蓄电池充电;在负荷高峰时段,微电网从配网购电减少,由蓄电池和光伏供电,多余电力反送到配网中。
B)实际运行结果:
实际运行的调度结果如图10所示。实际运行结果与计算结果趋势基本相同:在负荷低谷时段,微电网从配网购电增加,以向蓄电池充电;在负荷高峰时段,微电网从配网购电减少,由蓄电池和光伏供电,多余电力反送到配网中。
2)并网原模式(即并网自动运行,没有采用本发明的调度方法)时的测试内容如下:
场景:晴天;模式:并网运行,没有调度策略;
实际运行结果如图11所示。实际运行过程中保持功率平衡,光伏按照最大功率追踪方式运行,蓄电池放电电量放到下界时,开始小功率充电,充一定电量后,开始大功率放电,导致蓄电池充放电功率和PCC点功率有较大波动。
测试结论:
不同测试内容的实际运行成本对比如表4所示。
表4微电网运行成本
1)在存在预测误差的情况下,程序计算结果和实际运行结果存在偏差,但是趋势基本相同。
2)采用本发明的方法进行并网运行调度时,蓄电池在电价较低的晚间充电,在电价较高的负荷高峰阶段放电;光伏按照最大功率追踪方式满发;PCC点的购售电在电价低时多购电,在电价高时少购电,多余光伏电量反送至配网;微电网实际运行成本为117.21元。并网运行、没有经济调度策略时,蓄电池首先大功率放电,而后小功率充电,充电到一定程度后,继续放电,如此循环。由此蓄电池的费用减少,购售电费用增加,而总费用增加为141.39元,在并网运行下的总费用最高。
本发明所谓的几级负荷是指按照用户对供电连续性的要求,将供电负荷依次分为若干级,一级负荷是对供电连续性要求最高的负荷,从一级负荷往后对供电连续性依次降低。
Claims (10)
1.一种基于能量管理的并网状态下的微电网系统调度方法,其特征在于其以微电网系统并网运行成本最少为目标,通过对下列并网运行目标函数的运行成本最小化求解获得相应的调度参数,以满足微电网系统内所有用电设备的用电需求:
并网运行目标函数为:
其中,C为微电网系统的运行成本,Pi(t)为可控电源i的t时刻的输出功率,Ci(Pi(t))为可控电源i的t时刻的燃料成本,所述可控电源包括微型燃气轮机、柴油机和燃料电池;
Si(t)为可控电源i的t时刻的启动成本;Uopen,i(t)为可控电源i的t时刻0、1开机决策变量,0表示非启动,1表示启动;
COM,i(Pi(t))、CDP,i(Pi(t))、Ce(Pi(t))分别为可控电源i的t时刻的维护成本、折旧成本和环境成本;
Pk(t)为蓄电池k的t时刻的输出功率,COM,k(Pk(t))、CDP,k(Pk(t))分别为蓄电池k的t时刻的维护成本和折旧成本;
Cbuy、Csell分别为微电网从外部购电和向外部售电的电价;Pbuy(t)、Psell(t)分别为微电网t时刻从外部购电和向外部售电的功率;
I为可控电源的数量;K为蓄电池的数量;T为一个调度周期内的优化时段数,
所述微型燃气轮机的燃料成本函数为:
其中,Cnl是天然气价格;Ccal为天然气的热值;PMT(t)是微型燃气轮机t时刻的输出功率;ηMT(t)是微型燃气轮机t时刻的发电效率;
所述柴油机的燃料成本函数为:
其中,a、b、c分别为成本函数的系数,由厂家提供或者拟合得到;PDG(t)是柴油机t时刻的输出功率;
所述燃料电池的燃料成本函数为:
其中,PFC(t)是燃料电池t时刻的输出功率;ηFC(t)是燃料电池t时刻的发电效率;
所述可控电源i的t时刻的维护成本COM,i(Pi(t))=KOM,i·Pi(t)·Δt,
其中,KOM,i为可控电源i的单位电量运行维护成本系数,Δt为一个时段的时长;
所述可控电源i的t时刻的折旧成本
其中,Caz,i为可控电源i的单位容量安装成本的现值;ki为可控电源i的容量因数;ni为可控电源i的使用年限;
所述可控电源i的t时刻的环境成本
其中,Vj为第j项污染物的单位排放费用;Qij为可控电源i的单位电量的第j项污染物排放量;m为污染物的种类数;
所述蓄电池k的t时刻的维护成本COM,k(Pk(t))=KOM,k·|Pk(t)|·Δt,
其中,KOM,k为蓄电池k的单位电量运行维护成本系数;
所述蓄电池k的t时刻的折旧成本
CDP,k(Pk(t))=(Erated,k·CE,k+Prated,k·CP,k)·Lloss,k,
其中,Erated,k、Prated,k分别为蓄电池k的额定容量和额定功率,CE,k、CP,k分别为蓄电池k的单位容量安装成本的现值和单位功率安装成本的现值;Lloss,k为蓄电池k的寿命损耗系数,其值为蓄电池一个周期累积的能量吞吐量与蓄电池寿命内总能量吞吐量之比。
2.如权利要求1所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于所述蓄电池寿命内总能量吞吐量的计算公式为:
其中,Ethroughput为蓄电池寿命内总能量吞吐量;Erated为蓄电池的额定容量;n为对蓄电池的不同放电深度测试的个数;DODiDODi蓄电池i的放电深度;N为蓄电池总的循环次数,其中,DOD是蓄电池的放电深度;a1-a5是由蓄电池生产厂家提供的已知参数。
3.如权利要求2所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于配合所述目标函数求解的约束条件包括功率平衡约束、备用约束、可控电源输出功率约束、可控电源运行状态变量与启停变量约束、可控电源最小停运时间和运行时间约束、可控电源爬坡率约束、蓄电池荷电状态约束、蓄电池功率范围约束、同一蓄电池组充放电互斥约束、不同蓄电池组充放电互斥约束、微电网与大电网间功率最大容量约束、购电与售电互斥约束和蓄电池周期储能平衡约束。
4.如权利要求3所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于:
所述功率平衡约束为:
其中,Pw(t)、Pp(t)分别为t时刻风电输出功率和t时刻太阳能发电输出功率,Pd(t)为t时刻微电网的负荷需求功率,Ploss(t)为t时刻微电网的线损功率,Pm(t)为t时刻流过线路m的功率,αm为线路m的线损系数,M为微电网支路总数;
所述备用约束为:
其中,Ui(t)为可控电源i的运行状态,0表示停运,1表示运行;为可控电源i的输出功率上限,Δup,i为可控电源i的最大向上爬坡率,Ek(t)分别为蓄电池剩余能量的上限、蓄电池k在t时刻的剩余能量,ηdh,k为蓄电池k的放电效率,为蓄电池k的最大放电功率,为允许微电网向大电网购电功率的最大值,Rs(t)为t时刻微电网的旋转备用功率需求;此约束中,不等式左边为系统旋转备用的值,分别为可控机组、蓄电池和联网的旋转备用值,Rs(t)为系统所需旋转备用;
所述可控电源输出功率约束为:
其中,P i、分别表示可控电源i的输出功率下限和输出功率上限;
所述可控电源运行状态变量与启停变量约束为:
Ui(t)-Ui(t-1)=Uopen,i(t-1)-Uclose,i(t-1);
Uopen,i(t)+Uclose,i(t)≤1;
其中,Uclose,i(t)为可控电源i的t时刻0、1关机决策变量,0表示非停机,1表示停机操作;
所述可控电源最小停运时间和运行时间约束为:
其中,MOTi为可控电源i的最小开机持续时间;MDTi为可控电源i的最小关机持续时间;T为调度时间周期;
所述可控电源爬坡率约束为:
-Δdown,i≤Pi(t)-Pi(t-1)≤Δup,i;
其中,Δdown,i为可控电源i的最大向下爬坡率;
所述蓄电池荷电状态约束为:
其中,SOCk(t)为蓄电池k的t时刻的剩余电量,SOC k、分别为蓄电池k剩余电量最小值和最大值;
所述蓄电池功率范围约束为:
其中分别为蓄电池k的最大充电功率和最大放电功率;
所述同一蓄电池组充放电互斥约束为:
Udh,k(t)+Uch,k(t)≤1;
其中,Udh,k(t)为蓄电池k的放电状态0、1决策变量,0表示非放电状态,1表示放电状态,Uch,k(t)为蓄电池k的充电状态0、1决策变量,0表示非充电状态,1表示充电状态;
所述不同蓄电池组充放电互斥约束为:
Uch,k(t)≤K×(1-edh,k(t)),
Udh,k(t)≤K×(1-ech,k(t)),
其中,edh,k(t)、ech,k(t)为辅助0、1变量,edh,k(t)为0表示无法放电,1表示无法充电,ech,k(t)为0表示无法充电,1表示无法放电;
所述微电网与大电网间功率最大容量约束为:
其中,为允许微电网向大电网售电功率的最大值,Ubuy(t)为t时段微电网向大电网购电的0、1决策变量,0表示不购电,1表示购电,Usell(t)为t时段微电网向大电网售电的0、1决策变量,0表示不售电,1表示售电;
所述购电与售电互斥约束为:
Ubuy(t)+Usell(t)≤1,
并网运行目标函数对应的所述蓄电池周期储能平衡约束为:
SOCk(1)+ΔSOCk=SOCk(T),
孤网长期稳定运行目标函数对应的所述蓄电池周期储能平衡约束为:
SOCk(1)+ΔSOCk=SOCk(T)+ΔSOCpunish,k,
ΔSOCk为蓄电池k预设的调度后剩余电量增加量,SOCk(l)、SOCk(T)分别为蓄电池k的SOC初始值和一个调度周期后的值;ΔSOCpunish,k为蓄电池k一个调度周期后计划外的剩余电量减少量。
5.如权利要求4所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于风电输出功率的求解模型为:
其中,v为风速,vci、vco、vr分别为切入风速、切出风速和额定风速;Prated_WT为风机额定功率;
太阳能发电输出功率的求解模型为:
其中,GSTC、TSTC分别为标准测试条件中的太阳辐射照度和电池温度;GC为工作点的太阳辐射照度;TC为工作点的电池温度;PSTC为标准测试条件下的光伏额定发电功率;kTC为功率温度系数。
6.如权利要求5所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于所述线损系数αm采用前推回代三相潮流计算方法得到。
7.如权利要求6所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于蓄电池的剩余能量计算公式为:
E(t)=E(t-1)(1-σ)-Pdh(t)Δt/ηdh+Pch(t)Δtηch;
其中,E(t)、E(t-1)分别为t、t-1时刻末的蓄电池剩余能量;Pch(t)、Pdh(t)分别为蓄电池的充电功率和放电功率;ηch、ηdh分别是蓄电池的充电效率和放电效率;σ是蓄电池的自放电率。
8.如权利要求1、2、3、4、5、6或7所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于将所述可控电源的燃料成本所基于的成本函数C(P)进行分段线性化处理,得到分段线性函数以及其中,P1、P2、……、Pn、Pn+1为费用曲线n个分段的共n+1个分点,P1≤P2≤L≤Pn≤Pn+1,ys为0、1变量,zs与ys满足zs与ys为辅助变量,此式保证对成本函数的分段的合理与唯一,目标函数求解时,其中的可控电源的燃料成本基于分段线性化处理后的C’(P)进行。
9.如权利要求1、2、3、4、5、6或7所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于求解过程中采用按时间分层求解,即将上一层的单位调度时段作为下一层的调度周期,并将下一层的调度周期再划分成若干调度时段,先求解上层优化问题,将上层优化问题的求解结果作为下层优化问题的初始条件,再求解下层优化问题,所有下层优化问题都求解完后即得出最终的优化结果。
10.如权利要求8所述的基于能量管理的并网状态下的微电网系统调度方法,其特征在于求解过程中采用按时间分层求解,即将上一层的单位调度时段作为下一层的调度周期,并将下一层的调度周期再划分成若干调度时段,先求解上层优化问题,将上层优化问题的求解结果作为下层优化问题的初始条件,再求解下层优化问题,所有下层优化问题都求解完后即得出最终的优化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510598479.8A CN105207259B (zh) | 2015-09-18 | 2015-09-18 | 基于能量管理的并网状态下的微电网系统调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510598479.8A CN105207259B (zh) | 2015-09-18 | 2015-09-18 | 基于能量管理的并网状态下的微电网系统调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105207259A CN105207259A (zh) | 2015-12-30 |
CN105207259B true CN105207259B (zh) | 2018-03-06 |
Family
ID=54954767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510598479.8A Active CN105207259B (zh) | 2015-09-18 | 2015-09-18 | 基于能量管理的并网状态下的微电网系统调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105207259B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105634012B (zh) * | 2016-02-16 | 2018-04-24 | 国网山东省电力公司淄博供电公司 | 一种分布式发电与微电网智能监测控制方法 |
CN105870949B (zh) * | 2016-04-08 | 2018-08-07 | 苏州泛能电力科技有限公司 | 一种基于分布式梯度算法的微电网储能单元优化控制方法 |
CN106253268B (zh) * | 2016-08-11 | 2019-02-26 | 国网江西省电力公司电力科学研究院 | 基于多电源-多电压等级负荷家用智能能量路由器装置 |
CN106779180B (zh) * | 2016-11-29 | 2020-04-21 | 国网陕西省电力公司电力科学研究院 | 基于曲线分段线性化的电力系统旋转备用优化方法 |
CN106684916B (zh) * | 2017-02-16 | 2019-04-09 | 上海电力学院 | 一种带蓄电池的并网光伏系统运行优化方法 |
CN108376994B (zh) * | 2018-02-02 | 2021-07-09 | 南京工程学院 | 基于三端口电力电子变压器并网的交直流混合微网运行优化方法 |
CN110323786A (zh) * | 2018-03-28 | 2019-10-11 | 华北电力大学 | 基于微电网的调度方法和装置 |
CN110619129B (zh) * | 2018-06-19 | 2022-12-02 | 新智数字科技有限公司 | 基于sos-2约束实现泛能站优化的线性化方法和装置 |
CN109472493B (zh) * | 2018-11-09 | 2021-11-30 | 浙江大学 | 一种基于遗传算法的能量转换装置寿命统一管理方法 |
CN109921447B (zh) * | 2019-04-12 | 2021-07-09 | 湖南大学 | 一种基于储能装置soc动态约束的微网经济调度方法 |
CN110208717B (zh) * | 2019-05-08 | 2021-08-10 | 复变时空(武汉)数据科技有限公司 | 基于大数据的动力电池寿命预测方法 |
CN112366756A (zh) * | 2020-09-25 | 2021-02-12 | 河海大学 | 一种换流器控制系统、换流器控制方法和微电网 |
CN114069714A (zh) * | 2021-11-30 | 2022-02-18 | 国网江苏省电力有限公司电力科学研究院 | 一种包含可再生能源的分布式电力系统机组调度方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077430A (zh) * | 2013-01-16 | 2013-05-01 | 国电南瑞科技股份有限公司 | 风火协调调度模式下日前调度计划优化辅助分析方法 |
CN104578160A (zh) * | 2015-01-14 | 2015-04-29 | 天津大学 | 一种微网能量控制方法 |
CN104617590A (zh) * | 2014-07-18 | 2015-05-13 | 国网上海市电力公司 | 不同时间尺度下基于混合储能调度的微网能量优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9489701B2 (en) * | 2012-11-06 | 2016-11-08 | Ali Emadi | Adaptive energy management system |
-
2015
- 2015-09-18 CN CN201510598479.8A patent/CN105207259B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077430A (zh) * | 2013-01-16 | 2013-05-01 | 国电南瑞科技股份有限公司 | 风火协调调度模式下日前调度计划优化辅助分析方法 |
CN104617590A (zh) * | 2014-07-18 | 2015-05-13 | 国网上海市电力公司 | 不同时间尺度下基于混合储能调度的微网能量优化方法 |
CN104578160A (zh) * | 2015-01-14 | 2015-04-29 | 天津大学 | 一种微网能量控制方法 |
Non-Patent Citations (1)
Title |
---|
基于经济调度的微网储能优化配置;杨秀等;《电力系统保护与控制》;20130101;第41卷(第1期);第53-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105207259A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
Roslan et al. | Scheduling controller for microgrids energy management system using optimization algorithm in achieving cost saving and emission reduction | |
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
Li et al. | A coordinated dispatch method with pumped-storage and battery-storage for compensating the variation of wind power | |
CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
Tian et al. | A hierarchical energy management system based on hierarchical optimization for microgrid community economic operation | |
Pourmousavi et al. | Real-time energy management of a stand-alone hybrid wind-microturbine energy system using particle swarm optimization | |
CN107565607B (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
CN105139147A (zh) | 微电网系统的经济调度方法 | |
CN109325608A (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN105207207B (zh) | 基于能量管理的孤网状态下的微电网系统调度方法 | |
CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
CN111969593A (zh) | 基于混合储能的热电联供微网模型预测控制优化调度方法 | |
CN107482690B (zh) | 风电与电动汽车协同调度的电力系统调度优化方法及系统 | |
CN111009895B (zh) | 一种微网优化调度方法、系统以及设备 | |
CN111293682B (zh) | 一种基于协同模型预测控制的多微网能量管理方法 | |
CN111244988A (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN116307087B (zh) | 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 | |
Kapoor et al. | Optimal charge/discharge scheduling of battery storage interconnected with residential PV system | |
CN105140941A (zh) | 考虑锂电池可变折旧成本与实用充放电策略的微电网优化调度方法 | |
CN109950900B (zh) | 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法 | |
Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
Rizvi et al. | Optimal scheduling of virtual power plants utilizing wind power and electric vehicles | |
CN112510690A (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |