CN105574620A - 一种结合双主控协作与mpso算法的微电网动态优化调度方法 - Google Patents
一种结合双主控协作与mpso算法的微电网动态优化调度方法 Download PDFInfo
- Publication number
- CN105574620A CN105574620A CN201610006708.7A CN201610006708A CN105574620A CN 105574620 A CN105574620 A CN 105574620A CN 201610006708 A CN201610006708 A CN 201610006708A CN 105574620 A CN105574620 A CN 105574620A
- Authority
- CN
- China
- Prior art keywords
- micro
- energy
- master control
- power
- accumulator
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种结合双主控协作与MPSO算法的微电网动态优化调度方法,所述微电网包含蓄电池储能系统和柴油发电机组两种主控电源,以及风力发电机组和光伏发电系统两种非主控电源;该方法包括:1)蓄电池储能系统作为微电网的主控电源时,系统的经济调度优化策略;2)柴油发电机组作为微电网的主控电源时,系统的经济调度优化策略;3)改进的粒子群优化算法;4)基于改进粒子群优化算法的双主控动态协作的微电网经济调度优化过程。本发明采用改进的粒子群优化算法对优化调度模型求解,能够同时追求系统最优运行控制模式和最小发电成本目标,有效实现了微电网系统经济运行的最小化发电总成本目标和最大化利用可再生能源,改善微电网经济运行性能。
Description
技术领域
本发明属于微电网经济运行技术领域,涉及一种结合双主控协作与MPSO算法的微电网动态优化调度方法。
背景技术
微电网的经济调度优化是在确保系统稳定可靠运行的基础上,通过优化调配分布式电源组合及其出力大小实现系统总发电成本最小化的一项关键技术。由于微电网系统中各分布式电源的种类多样、控制特性各异、运行状态及运行成本各不相同等影响因素,因此,含多分布式电源微电网的经济调度优化是一个高维的、多时间尺度的、多约束的和非线性的复杂动态优化问题。相对于传统大电网,风光柴蓄混合能源微电网系统中高渗透率的风电和光伏等间歇性电源以及具有独特能量双向流动的蓄电池储能系统,使得微电网系统经济调度相对于传统大电网的经济调度具有非常大的差异性。
经对现有技术的文献检索发现,“基于储能单元运行方式优化的微电网经济运行”(基于储能单元运行方式优化的微电网经济运行[J].电网技术,2012,36(1):45-50.)一文建立了微电网内各单元数学模型及蓄电池充放电模型,讨论了微电网离并网运行方式,采用动态规划法先对对蓄电池运行方式进行求解,然后再求解出燃料电池的合理运行方式,由此形成调度周期内整个微电网的最佳运行方式。申请号为201110121088.9的中国发明专利申请提出基于多时间尺度协调的微网经济运行优化调度方法,将微电网的经济运行分为日前计划和实时调度两个阶段;在日前计划中,基于日前预测数据将微电网的经济运行建模为混合整数线性规划问题;在实时调度中,遵循日前计划的开停机结果,基于实时超短期预测数据与各电源的实时运行状态,将微电网的经济运行建模为非线性规划。以上方法均没有针对系统中各分布式电源和蓄电池储能系统在各时段间的相互耦合影响,没有给出相应的多种不同可控型电源间的动态调度协调控制方案。
发明内容
有鉴于此,本发明的目的在于提供一种结合双主控协作与MPSO算法的微电网动态优化调度方法,该方法设计了蓄电池储能系统和柴油发电机组分别作为微电网系统主控电源时,系统的经济调度优化策略与基于改进粒子群优化算法的双主控动态协作的微电网经济调度优化过程,该方法充分利用了蓄电池储能系统和柴油发电机组不同的发电成本,使得蓄电池储能系统和柴油发电机组根据不同的运行条件而交替作为主控电源来维持和保证整个微电网系统电压和频率稳定性;该方法根据微电网经济运行的动态能量特性,采用了具有结构简单、收敛速度快和鲁棒性好的改进粒子群算法(MPSO)对模型进行求解;该方法能够同时追求系统最优运行控制模式和最小发电成本目标,有效实现了微电网系统经济运行的最小化发电总成本目标和最大化利用可再生能源,改善微电网经济运行性能。
为达到上述目的,本发明提供如下技术方案:
一种结合双主控协作与MPSO算法的微电网动态优化调度方法,所述微电网包含蓄电池储能系统(BatteryEnergyStorageSystem,BESS)和柴油发电机组(DieselGeneratorEngine,DE)两种主控电源,以及风力发电机组(WindTurbine,WT)和光伏发电系统(Photovoltaic,PV)两种非主控电源,该方法包括以下步骤:
步骤一:获得初始阶段的基本数据,包含有系统负荷需求、风电输出功率和光伏输出功率、可用的分布式电源数量及输出功率限值、蓄电池储能系统的容量及容量限制值;
步骤二:建立微电网经济优化调度模型;
步骤三:对粒子群算法进行改进,建立改进粒子群优化算法模型;
步骤四:采用改进粒子群优化算法对微电网经济调度优化模型进行综合权衡求解,同时计算求解出整个调度周期内微电网系统的最小发电成本以及最恰当的经济调度方案,此处,在每个周期内的微电网经济调度优化过程中都有两个不同的时间尺度:时间尺度t:仅用于优化求解系统的最小发电成本目标;时间尺度t′:仅用于优化选择系统运行控制模式,求解最恰当的经济调度方案;在整个调度期间,微电网系统的主控电源不是唯一的,可能是由蓄电池储能系统和柴油发电机组根据不同的运行条件而交替作为主控电源来维持和保证整个微电网系统电压和频率稳定性。主控电源M(t')需要在控制模式选择的时间域(t'=t'+1)内评估主控电源是否满足最短启停时间约束。如果在整个调度周期内,主控电源总是始终由同一种分布式电源承担,那么t和t′这两个时间尺度相同,即t=t′。
步骤五:以采样时间段T(通常设定为5分钟)为基本单位逐次循环求解,并以一天(24小时)为整个调度周期最大值进行检验是否满足终止条件,如果满足,则输出整个调度周期内所有采样时间段的微电网最小发电成本总和,即为所求解的微电网经济调度优化结果;否则,则返回第一步继续运行直至满足终止条件。
进一步,步骤中所述的调度方案包括:
1)调度方案A:蓄电池储能系统作为主控电源(Mode1),且微电网电源组合类型为“蓄电池储能+风力发电机组+光伏发电机组”,此种情况下,微电网系统内的所有电力负荷需求都是由风力发电机组、光伏发电机组和蓄电池储能系统来能够共同满足和承担,而不需柴油发电机组的电力补充供应;
2)调度方案B:蓄电池储能系统作为主控电源(Mode1),且微电网电源组合类型为“蓄电池储能+风力发电机组+光伏发电机组+柴油发电机组”,而柴油发电机组则为从控电源并以恒定功率方式提供电力输,此种情况下,微电网系统内的所有电力负荷需求都是由蓄电池储能系统、柴油发电机组、风力发电机组和太阳能光伏发电机组来共同承担和满足;
3)调度方案C:柴油发电机组作为主控电源(Mode2),且微电网电源组合类型为“柴油发电机组+风力发电机组+光伏发电机组”,此种情况下,微电网系统内的所有电力负荷需求都是由风力发电机组、光伏发电机组和柴油发电机组来共同承担和满足,而不需要蓄电池储能系统参与调节;
4)调度方案D:柴油发电机组作为主控电源(Mode2),且微电网电源组合类型为“柴油发电机组+风力发电机组+光伏发电机组+蓄电池储能”,而蓄电池储能系统则为从控电源并以恒功率控制(PQ控制)方式协助柴油发电机组进行功率补偿调节,此种情况下,微电网系统内的所有电力负荷需求都是由柴油发电机组、风力发电机组、光伏发电机组和蓄电池储能系统来共同承担和满足;
5)调度方案E:两种不同模式间的交互切换,即根据系统实时运行需求,微电网系统从当前控制模式切换到另一种控制模式,换言之,微电网系统的两种不同运行控制模式Mode1(蓄电池储能系统为主控电源)与Mode2(柴油发电机组为主控电源)之间的相互切换。
进一步,步骤中所述经济调度优化模型包括:
(1)优化目标:调度周期内的微电网系统总发电成本最小,目标函数定义如下:
CMG(P)为微电网系统在整个调度周期NT内产生功率P所需要的总发电成本;N为某调度周期[0,NT]内采样时间段T的个数;G为分布式电源的类型数量;Cj(Pj(t))表示第j种分布式电源输出功率Pj(t)时的总发电成本;Pj(t)第j种分布式电源在第t个时间间隔期间[(t-1)T,tT]的输出功率;
①可再生能源电源发电成本:
CDC,i、CMO,i和SES,i分别为第i个可再生能源分布式电源输出功率Pi(t)时的折旧成本、运行维护成本以及经济补贴;CAIC,i为第i个可再生能源分布式电源的年均投资成本;ρi为第i个可再生能源电源的运行维护成本系数;EAPG,i为第i个可再生能源分布式电源基于典型年历史数据的年发电总量预测值;kES为根据当地能源政策而对可再生能源发电所设定的价格补贴系数;
②柴油发电机组发电成本
CDC(PDE(t))、CMO(PDE(t))、CFC(PDE(t))和CEC(PDE(t))分别表示柴油发电机组输出功率为PDE(t)时的折旧成本、运行维护成本、燃料成本和污染物治理成本;CAIC,DE表示柴油发电机组的年均投资成本;EAPG,DE表示基于典型年历史数据的柴油发电机组年发电总量预测值;KMO,DE表示机组运行维护成本系数;表示柴油发电机组的额定功率;cfp表示柴油燃料价格;cE,k表示第k种(k=1,2,3,4,5分别代表NOx,SO2,CO2,CO及灰尘)污染排放物的环境成本系数;
③蓄电池储能系统发电成本
CBESS(PBESS(t))表示蓄电池储能系统在放电功率为PBESS(t)时的发电成本;PBESS,dch(t)表示蓄电池储能系统的放电功率;βBESS表示蓄电池储能系统的单位发电成本系数;
(2)约束条件:微电网系统的约束条件包括系统电力供需平衡、旋转备用容量、分布式电源输出功率约束、分布式电源最短启停时间约束和蓄电池储能系统容量约束等,以确保微电网的稳定可靠;
①系统电力供需平衡
Pexcessive(t)为超出系统负荷需求的功率,PL(t)为系统的总负荷需求;
②旋转备用容量
ΔPMG,SR(t)=eMG·Pnet-L(t)
R为微电网系统中主控电源数目;PCG,SR(t)为微电网系统中主控电源可用的旋转备用容量;PMG,SR(t)为微电网系统所需的旋转备用容量;eMG为微电网系统净负荷实际值与预测值之间才偏差率;Pnet-L(t)为微电网系统的净负荷需求(Pnet-L(t)=PL(t)-PWT(t)-PPV(t));
③分布式电源输出功率约束
a.主控电源
PM,low,h(t)≤PM,h(t)≤PM,high,h(t)
PM,h(t)表示第h个主控电源的输出功率;PM,high,h(t)和PM,low,h(t)分别为第h个主控电源在正常运行区域内输出功率的上限和下限值;PM,max,h和PM,min,h分别为第h个主控电源的技术输出功率的最大值和最小值;
b.从控电源
PS,min,l≤PS,l(t)≤PS,max,l
PS,l(t)表示第l个从控电源的输出功率;PS,max,l和PS,min,l分别表示第l个从控电源的技术输出功率的最大值和最小值;
④分布式电源最短启停时间约束
Trs,j≥Trs,min,j
Trs,j表示第j个分布式电源的启停时间;Trs,min,j表示第j个分布式电源最短持续开机和持续停机时间;
⑤蓄电池储能系统容量约束
SOCmin≤SOClow≤SOC(t)≤SOChigh≤SOCmax
SOCmax表示蓄电池储能系统的最大规格容量(额定容量),SOCmin为由制造商提供的最小容量值,SOChigh和SOClow分别表示蓄电池储能系统正常运行区域设定的容量最高值与最低值。
本发明的有益效果在于:本发明根据微电网中蓄电池储能系统和柴油发电机组两种不同主控电源的不同动态调节特性与经济性,设计了微电网系统双主控动态协作的经济调度优化策略与基于粒子群优化算法的双主控动态协作的微电网经济调度优化过程,该动态优化调度策略可以最大限度发挥蓄电池储能系统的耦合作用,以提高可再生能源利用率和减少柴油发电机组的运行时间,同时也可以提高柴油发电机组的负载率,进而减少柴油发电机组的燃料成本与污染物治理成本,从而降低微电网系统的发电成本,有效改善微电网经济运行性能。同时,采用MPSO优化算法能更快速、更准确的得到系统的目标值,满足了微电网系统经济运行优化求解的快速性和准确性需求。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为微电网动态优化调度方法流程图;
图2为改进粒子群优化算法流程图;
图3为微电网动态经济调度优化过程图;
图4为微电网系统结构示意图;
图5为粒子群算法与改进粒子群算法收敛曲线的比较;
图6为基于双主控动态协作的微电网最优经济调度结果;
图7为基于柴油发电机组单主控电源的微电网经济调度结果。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
如图1、图2和图3所示,本发明提供的一种结合双主控协作与MPSO算法的微电网动态优化调度方法,包括如下步骤:
步骤1:获得初始阶段的基本数据,包含有系统负荷需求、风电输出功率和光伏输出功率、可用的分布式电源数量及输出功率限值、蓄电池储能系统的容量及容量限制值;
步骤2:建立微电网经济调度优化模型
(1)优化目标:调度周期内的微电网系统总发电成本最小,目标函数定义如下:
CMG(P)为微电网系统在整个调度周期NT内产生功率P所需要的总发电成本;N为某调度周期[0,NT]内采样时间段T的个数;G为分布式电源的类型数量;Cj(Pj(t))表示第j种分布式电源输出功率Pj(t)时的总发电成本;Pj(t)第j种分布式电源在第t个时间间隔期间[(t-1)T,tT]的输出功率。
①可再生能源电源发电成本
CDC,i、CMO,i和SES,i分别为第i个可再生能源分布式电源输出功率Pi(t)时的折旧成本、运行维护成本以及经济补贴;CAIC,i为第i个可再生能源分布式电源的年均投资成本;ρi为第i个可再生能源电源的运行维护成本系数;EAPG,i为第i个可再生能源分布式电源基于典型年历史数据的年发电总量预测值;kES为根据当地能源政策而对可再生能源发电所设定的价格补贴系数。
②柴油发电机组发电成本
CDC(PDE(t))、CMO(PDE(t))、CFC(PDE(t))和CEC(PDE(t))分别表示柴油发电机组输出功率为PDE(t)时的折旧成本、运行维护成本、燃料成本和污染物治理成本;CAIC,DE表示柴油发电机组的年均投资成本;EAPG,DE表示基于典型年历史数据的柴油发电机组年发电总量预测值;KMO,DE表示机组运行维护成本系数;表示柴油发电机组的额定功率;cfp表示柴油燃料价格;cE,k表示第k种(k=1,2,3,4,5分别代表NOx,SO2,CO2,CO及灰尘)污染排放物的环境成本系数。
③蓄电池储能系统发电成本
CBESS(PBESS(t))表示蓄电池储能系统在放电功率为PBESS(t)时的发电成本;PBESS,dch(t)表示蓄电池储能系统的放电功率;βBESS表示蓄电池储能系统的单位发电成本系数。
(2)约束条件:微电网系统的约束条件包括系统电力供需平衡、旋转备用容量、分布式电源输出功率约束、分布式电源最短启停时间约束和蓄电池储能系统容量约束等,以确保微电网的稳定可靠。
①系统电力供需平衡
Pexcessive(t)为超出系统负荷需求的功率,PL(t)为系统的总负荷需求。
②旋转备用容量
ΔPMG,SR(t)=eMG·Pnet-L(t)
R为微电网系统中主控电源数目;PCG,SR(t)为微电网系统中主控电源可用的旋转备用容量;PMG,SR(t)为微电网系统所需的旋转备用容量;eMG为微电网系统净负荷实际值与预测值之间才偏差率;Pnet-L(t)为微电网系统的净负荷需求(Pnet-L(t)=PL(t)-PWT(t)-PPV(t))。
③分布式电源输出功率约束
a.主控电源
PM,low,h(t)≤PM,h(t)≤PM,high,h(t)
PM,h(t)表示第h个主控电源的输出功率;PM,high,h(t)和PM,low,h(t)分别为第h个主控电源在正常运行区域内输出功率的上限和下限值;PM,max,h和PM,min,h分别为第h个主控电源的技术输出功率的最大值和最小值。
b.从控电源
PS,min,l≤PS,l(t)≤PS,max,l
PS,l(t)表示第l个从控电源的输出功率;PS,max,l和PS,min,l分别表示第l个从控电源的技术输出功率的最大值和最小值。
④分布式电源最短启停时间约束
Trs,j≥Trs,min,j
Trs,j表示第j个分布式电源的启停时间;Trs,min,j表示第j个分布式电源最短持续开机和持续停机时间。
⑤蓄电池储能系统容量约束
SOCmin≤SOClow≤SOC(t)≤SOChigh≤SOCmax
SOCmax表示蓄电池储能系统的最大规格容量(额定容量),SOCmin为由制造商提供的最小容量值,SOChigh和SOClow分别表示蓄电池储能系统正常运行区域设定的容量最高值与最低值;
步骤3:粒子群算法的改进
原始粒子群优化算法(PSO)通常描述为:先是随机初始化一群体粒子(潜在解),即设定某D维目标空间中的mpso个粒子,其中每个粒子的位置状态属性用向量表示,其飞行速度用向量表示;然后根据下面两式在每一次的迭代中通过跟踪当前个体最优值和群体最优值来更新自己的速度和位置,直到满足终止条件。
式中,i=1,2,…,m表示不同的粒子;tpso为迭代次数,即代表潜在解的粒子飞行次数或步数;c1、c2为学习因子或加速系数(大于零的常数系数),分别调节粒子从自身己找到的最优位置向同伴粒子己找到的最优位置方向而飞行的最大步长,学习因子取值依赖于具体问题,无特殊情况则通常取值为:c1=c2=2;r1、r2为随机数,介于[0,1]之间。
为了使粒子群优化算法能够更好求解具有非线性、高维数及多指标约束等特点的微电网动态经济调度优化问题,对粒子群算法进行惯性权重因子和学习因子进行改进:
(1)自适应惯性权重因子
自适应惯性权重调整策略可描述为:先设定粒子i的适应值为fi,最优粒子的适应值为fp,粒子群的平均适应值为将优于粒子群平均适应值favg的所有粒子群适应应值进行求平均而设定为f′avg,并定义Δ=|fp-f′avg|;此符号用于评价粒子群的早熟收敛程度,当Δ越小则说明粒子群越趋于早熟收敛;然后根据fi、favg和f′avg三种不同数值将整个粒子群体划分为三类子群体并按照下面所示的惯性权重因子的调整方法而分别进行各自不同的自适应操作:
①fi优于f′avg:
②fi优于favg但次于f′avg,则惯性权重不变;
③fi次于favg:
(2)线性调整学习因子
线性调整学习引子的取值如下式所示:
式中,c1s和c1e为c1的初始值和最终值;c2s和c2e为c2的初始值和最终值;npso为当前迭代次数;Tpso为最大迭代次数。
(3)改进粒子群优化算法的表达式
引入自适应惯性权重因子和线性调整学习因子的改进粒子群优化算法(MPSO)的数学表达式可表示为:
步骤4:采用改进粒子群优化算法对微电网经济调度优化模型进行综合权衡求解,同时计算求解出整个调度周期内微电网系统的最小发电成本以及最恰当的经济调度方案,如图3所示。此处,在每个采样周期内的微电网经济调度优化过程中都有两个不同的时间尺度:
(1)时间尺度t:仅用于优化求解系统的最小发电成本目标;
(2)时间尺度t′:仅用于优化选择系统运行控制模式,求解最恰当的经济调度方案。图1中微电网的经济调度方案描述如下:
调度方案A:蓄电池储能系统作为主控电源(Mode1),且微电网电源组合类型为“蓄电池储能+风力发电机组+光伏发电机组”。此种情况下,微电网系统内的所有电力负荷需求都是由风力发电机组、光伏发电机组和蓄电池储能系统来能够共同满足和承担,而不需柴油发电机组的电力补充供应;
调度方案B:蓄电池储能系统作为主控电源(Mode1),且微电网电源组合类型为“蓄电池储能+风力发电机组+光伏发电机组+柴油发电机组”,而柴油发电机组则为从控电源并以恒定功率方式提供电力输出。此种情况下,微电网系统内的所有电力负荷需求都是由蓄电池储能系统、柴油发电机组、风力发电机组和太阳能光伏发电机组来共同承担和满足;
调度方案C:柴油发电机组作为主控电源(Mode2),且微电网电源组合类型为“柴油发电机组+风力发电机组+光伏发电机组”。此种情况下,微电网系统内的所有电力负荷需求都是由风力发电机组、光伏发电机组和柴油发电机组来共同承担和满足,而不需要蓄电池储能系统参与调节;
调度方案D:柴油发电机组作为主控电源(Mode2),且微电网电源组合类型为“柴油发电机组+风力发电机组+光伏发电机组+蓄电池储能”,而蓄电池储能系统则为从控电源并以恒功率控制(PQ控制)方式协助柴油发电机组进行功率补偿调节。此种情况下,微电网系统内的所有电力负荷需求都是由柴油发电机组、风力发电机组、光伏发电机组和蓄电池储能系统来共同承担和满足;
调度方案E:两种不同模式间的交互切换,即根据系统实时运行需求,微电网系统从当前控制模式切换到另一种控制模式。换言之,微电网系统的两种不同运行控制模式Mode1(蓄电池储能系统为主控电源)与Mode2(柴油发电机组为主控电源)之间的相互切换。
图3中各符号的含义说明如下:PL(t)为第t个采样时段内的负荷需求,PWT(t)为第t个采样时段内的风电输出功率,PPV(t)为第t个采样时段内的光伏发电输出功率,PBESS(t)为第t个采样时段内的蓄电池充放电功率,PDE(t)为第t个采样时段内的输出功率,SOC(t)为第t个采样时段内的蓄电池荷电状态,CMG(PL(t))为满足第t个采样时段内负荷需求PL(t)的微电网系统发电总成本,M(t')为第t′个采样时段内的微电网运行控制模式,T为微电网运行周期中的等值采样时间段,TM(t'),min为第t′个采样时段内主控电源的最小启停时间限值,CMG(PL(NT))为微电网在整个运行周期中的最小发电成本总和。
步骤5:以采样时间段T(通常设定为5分钟)为基本单位逐次循环求解,并以一天(24小时)为整个调度周期为最大值进行检验是否满足终止条件。如满足,则输出整个调度周期内所有采样时间段的微电网最小发电成本总和,即为所求解的微电网经济调度优化结果;否则,返回第一步继续运行直至满足终止条件。
参阅图4,在Matlab/Simulink中搭建风光柴蓄混合能源微电网仿真模型,以某一微电网为例验证本方法发明所提出的一种结合双主控协作与MPSO算法的微电网动态优化调度方法,对微电网分别采用PSO和MPSO的经济调度优化结果进行了对比分析,对微电网采用基于柴油发电机组单主控电源调度策略“Mode1”与采用双主控动态协作的优化调度策略“Mode1+Mode2”的经济性进行对比分析。风光柴蓄混合能源微电网的电源基本参数如表1所示,设定微电网的调度周期为1天(24小时),分成288个时段,时间间隔(采样周期)为5分钟,结合双主控协作与MPSO算法的微电网动态优化调度仿真结果如图5-图7所示,表2给出了分别采用改进粒子群优化算法(MPSO)和原始粒子群优化算法(PSO)的微电网经济运行优化结果;表3给出了“Mode1”与“Mode1+Mode2”两种不同调度策略下的经济调度优化结果。图5和表2的仿真结果验证了采用MPSO优化算法求解风光柴蓄混合能源微电网的经济调度优化问题,能够更快速、更准确的得到系统的目标值,满足了微电网系统经济调度优化求解的快速性和准确性需求。图6、图7和表3的仿真结果验证了所提微电网双主控动态协作的优化调度策略能够有效实现微电网系统经济运行的最小化发电总成本目标和最大化利用可再生能源,降低微电网系统的发电成本,提高了系统经济调度优化的效率和准确度。这里需说明的是,图6与图7的没有给出的WT04、PV04、PV05、DE05及DE06的输出功率曲线,表示这些分布式电源在该调度周期内没有运行。
表1分布式电源基本参数
表2PSO与MPSO的计算结果
表3两种经济调度策略的经济运行结果
由表3可知,风光柴蓄混合能源微电网经济调度的优化结果因调度策略不同而呈现出较大差异,采用双主控动态协作的优化调度策略比采用单主控调度策略在一个调度周期内节约发电成本5063.6097元。可见,如果按此比例计算,微电网系统采用双主控动态协作的优化调度策略节约在一年内节约的总发电成本则是一个非常可观的数据1848217.5405元。同时,在可再生能源发电利用率方面,该微电网在选择了文中所提出的双主控动态协作的优化调度策略有效提高了可再生能源发电利用率更高(达到100%完全吸收);而采用单主控调度策略的可再生能源发电利用率则为96.59%,这表示为有部分可再生能源分布式电源在该调度周期内切机。
图6为风光柴蓄混合能源微电网系统在双主控动态协作的优化调度策略下的系统经济运行曲线,其中:(a)为负荷需求及分布式电源输出功率曲线,(b)为各风力发电机组输出功率曲线,(c)为光伏发电系统输出功率曲线,(d)为柴油发电机组的输出功率曲线,(e)为蓄电池储能系统的SOC曲线,在该动态优化调度策略下,蓄电池储能系统和柴油发电机组根据系统运行状况交替作为系统主控电源。
图7为风光柴蓄混合能源微电网系统在单主控调度策略下的系统经济运行曲线,其中(a)为负荷需求及分布式电源输出功率曲线,(b)为风力发电机组的输出功率曲线,(c)为光伏发电系统输出功率曲线,(d)为柴油发电机组的输出功率曲线,(e)为蓄电池储能系统的SOC曲线,在该调度策略下,柴油发电机组作为微电网系统的主控电源跟随系统的功率波动,而蓄电池储能系统仅作为从控电源为系统提供瞬时功率补偿。由图5-图7的仿真结果可知,本发明提出的双主控动态协作的优化调度策略可以最大限度发挥蓄电池储能系统的耦合作用,以提高可再生能源利用率和减少柴油发电机组的运行时间,同时也可以提高柴油发电机组的负载率,进而减少柴油发电机组的燃料成本与污染物治理成本,从而降低了微电网系统的发电成本。采用本发明提出的改进粒子群算法对微电网的经济调度模型进行求解;能够同时追求系统最优运行控制模式和最小发电成本目标,有效实现了微电网系统经济运行的最小化发电总成本目标和最大化利用可再生能源,改善微电网经济运行性能。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (3)
1.一种结合双主控协作与MPSO算法的微电网动态优化调度方法,所述微电网包含蓄电池储能系统(BatteryEnergyStorageSystem,BESS)和柴油发电机组(DieselGeneratorEngine,DE)两种主控电源,以及风力发电机组(WindTurbine,WT)和光伏发电系统(Photovoltaic,PV)两种非主控电源,其特征在于:该方法包括以下步骤:
步骤一:获得初始阶段的基本数据,包含有系统负荷需求、风电输出功率和光伏输出功率、可用的分布式电源数量及输出功率限值、蓄电池储能系统的容量及容量限制值;
步骤二:建立微电网经济优化调度模型;
步骤三:对粒子群算法进行改进,建立改进粒子群优化算法模型;
步骤四:采用改进粒子群优化算法对微电网经济调度优化模型进行综合权衡求解,同时计算求解出整个调度周期内微电网系统的最小发电成本以及最恰当的经济调度方案,此处,在每个周期内的微电网经济调度优化过程中都有两个不同的时间尺度:时间尺度t:仅用于优化求解系统的最小发电成本目标;时间尺度t′:仅用于优化选择系统运行控制模式,求解最恰当的经济调度方案;
步骤五:以采样时间段T为基本单位逐次循环求解,并以一天(24小时)为整个调度周期最大值进行检验是否满足终止条件,如果满足,则输出整个调度周期内所有采样时间段的微电网最小发电成本总和,即为所求解的微电网经济调度优化结果;否则,则返回第一步继续运行直至满足终止条件。
2.根据权利要求1所述的一种结合双主控协作与MPSO算法的微电网动态优化调度方法,其特征在于:步骤中所述的调度方案包括:
1)调度方案A:蓄电池储能系统作为主控电源(Mode1),且微电网电源组合类型为“蓄电池储能+风力发电机组+光伏发电机组”,此种情况下,微电网系统内的所有电力负荷需求都是由风力发电机组、光伏发电机组和蓄电池储能系统来能够共同满足和承担,而不需柴油发电机组的电力补充供应;
2)调度方案B:蓄电池储能系统作为主控电源(Mode1),且微电网电源组合类型为“蓄电池储能+风力发电机组+光伏发电机组+柴油发电机组”,而柴油发电机组则为从控电源并以恒定功率方式提供电力输,此种情况下,微电网系统内的所有电力负荷需求都是由蓄电池储能系统、柴油发电机组、风力发电机组和太阳能光伏发电机组来共同承担和满足;
3)调度方案C:柴油发电机组作为主控电源(Mode2),且微电网电源组合类型为“柴油发电机组+风力发电机组+光伏发电机组”,此种情况下,微电网系统内的所有电力负荷需求都是由风力发电机组、光伏发电机组和柴油发电机组来共同承担和满足,而不需要蓄电池储能系统参与调节;
4)调度方案D:柴油发电机组作为主控电源(Mode2),且微电网电源组合类型为“柴油发电机组+风力发电机组+光伏发电机组+蓄电池储能”,而蓄电池储能系统则为从控电源并以恒功率控制(PQ控制)方式协助柴油发电机组进行功率补偿调节,此种情况下,微电网系统内的所有电力负荷需求都是由柴油发电机组、风力发电机组、光伏发电机组和蓄电池储能系统来共同承担和满足;
5)调度方案E:两种不同模式间的交互切换,即根据系统实时运行需求,微电网系统从当前控制模式切换到另一种控制模式,换言之,微电网系统的两种不同运行控制模式Mode1(蓄电池储能系统为主控电源)与Mode2(柴油发电机组为主控电源)之间的相互切换。
3.根据权利要求1所述的一种结合双主控协作与MPSO算法的微电网动态优化调度方法,其特征在于:步骤中所述经济调度优化模型包括:
(1)优化目标:调度周期内的微电网系统总发电成本最小,目标函数定义如下:
CMG(P)为微电网系统在整个调度周期NT内产生功率P所需要的总发电成本;N为某调度周期[0,NT]内采样时间段T的个数;G为分布式电源的类型数量;Cj(Pj(t))表示第j种分布式电源输出功率Pj(t)时的总发电成本;Pj(t)第j种分布式电源在第t个时间间隔期间[(t-1)T,tT]的输出功率;
①可再生能源电源发电成本:
CDC,i、CMO,i和SES,i分别为第i个可再生能源分布式电源输出功率Pi(t)时的折旧成本、运行维护成本以及经济补贴;CAIC,i为第i个可再生能源分布式电源的年均投资成本;ρi为第i个可再生能源电源的运行维护成本系数;EAPG,i为第i个可再生能源分布式电源基于典型年历史数据的年发电总量预测值;kES为根据当地能源政策而对可再生能源发电所设定的价格补贴系数;
②柴油发电机组发电成本
CDC(PDE(t))、CMO(PDE(t))、CFC(PDE(t))和CEC(PDE(t))分别表示柴油发电机组输出功率为PDE(t)时的折旧成本、运行维护成本、燃料成本和污染物治理成本;CAIC,DE表示柴油发电机组的年均投资成本;EAPG,DE表示基于典型年历史数据的柴油发电机组年发电总量预测值;KMO,DE表示机组运行维护成本系数;表示柴油发电机组的额定功率;cfp表示柴油燃料价格;cE,k表示第k种(k=1,2,3,4,5分别代表NOx,SO2,CO2,CO及灰尘)污染排放物的环境成本系数;
③蓄电池储能系统发电成本
CBESS(PBESS(t))表示蓄电池储能系统在放电功率为PBESS(t)时的发电成本;PBESS,dch(t)表示蓄电池储能系统的放电功率;βBESS表示蓄电池储能系统的单位发电成本系数;
(2)约束条件:微电网系统的约束条件包括系统电力供需平衡、旋转备用容量、分布式电源输出功率约束、分布式电源最短启停时间约束和蓄电池储能系统容量约束等,以确保微电网的稳定可靠;
①系统电力供需平衡
Pexcessive(t)为超出系统负荷需求的功率,PL(t)为系统的总负荷需求;
②旋转备用容量
ΔPMG,SR(t)=eMG·Pnet-L(t)
R为微电网系统中主控电源数目;PCG,SR(t)为微电网系统中主控电源可用的旋转备用容量;PMG,SR(t)为微电网系统所需的旋转备用容量;eMG为微电网系统净负荷实际值与预测值之间才偏差率;Pnet-L(t)为微电网系统的净负荷需求(Pnet-L(t)=PL(t)-PWT(t)-PPV(t));
③分布式电源输出功率约束
a.主控电源
PM,low,h(t)≤PM,h(t)≤PM,high,h(t)
PM,h(t)表示第h个主控电源的输出功率;PM,high,h(t)和PM,low,h(t)分别为第h个主控电源在正常运行区域内输出功率的上限和下限值;PM,max,h和PM,min,h分别为第h个主控电源的技术输出功率的最大值和最小值;
b.从控电源
PS,min,l≤PS,l(t)≤PS,max,l
PS,l(t)表示第l个从控电源的输出功率;PS,max,l和PS,min,l分别表示第l个从控电源的技术输出功率的最大值和最小值;
④分布式电源最短启停时间约束
Trs,j≥Trs,min,j
Trs,j表示第j个分布式电源的启停时间;Trs,min,j表示第j个分布式电源最短持续开机和持续停机时间;
⑤蓄电池储能系统容量约束
SOCmin≤SOClow≤SOC(t)≤SOChigh≤SOCmax
SOCmax表示蓄电池储能系统的最大规格容量(额定容量),SOCmin为由制造商提供的最小容量值,SOChigh和SOClow分别表示蓄电池储能系统正常运行区域设定的容量最高值与最低值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006708.7A CN105574620A (zh) | 2016-01-06 | 2016-01-06 | 一种结合双主控协作与mpso算法的微电网动态优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006708.7A CN105574620A (zh) | 2016-01-06 | 2016-01-06 | 一种结合双主控协作与mpso算法的微电网动态优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105574620A true CN105574620A (zh) | 2016-05-11 |
Family
ID=55884724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610006708.7A Pending CN105574620A (zh) | 2016-01-06 | 2016-01-06 | 一种结合双主控协作与mpso算法的微电网动态优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574620A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105990838A (zh) * | 2016-05-17 | 2016-10-05 | 杭州电子科技大学 | 一种计及可调度和可平移负荷的海岛微电网优化调度方法 |
CN107134810A (zh) * | 2017-06-09 | 2017-09-05 | 燕山大学 | 一种独立型微能源网储能系统优化配置求解方法 |
CN109937431A (zh) * | 2017-10-18 | 2019-06-25 | 韩国电力公社 | 用于管理电力供应/需求的调度设备、方法及计算机程序 |
CN110489169A (zh) * | 2019-08-06 | 2019-11-22 | 晶晨半导体(上海)股份有限公司 | 一种片上系统的存储器快速启动方法 |
CN111327053A (zh) * | 2020-03-16 | 2020-06-23 | 上海电力大学 | 一种适用于极地气候下的多源微电网容量优化配置方法 |
CN116365694A (zh) * | 2023-01-18 | 2023-06-30 | 江苏省电力试验研究院有限公司 | 一种基于双定子绕组电机的柴油发电车 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904646A (zh) * | 2014-03-28 | 2014-07-02 | 华中科技大学 | 一种考虑三相潮流的微电网多目标能量优化方法 |
CN104022528A (zh) * | 2014-06-12 | 2014-09-03 | 国家电网公司 | 一种基于多元复合储能的微网系统协调控制方法 |
CN104268345A (zh) * | 2014-09-29 | 2015-01-07 | 东南大学 | 一种支撑微电网规划设计的全过程暂态仿真方法 |
CN104795845A (zh) * | 2015-04-10 | 2015-07-22 | 南方电网科学研究院有限责任公司 | 基于对等控制和集中控制相结合的独立微电网混合控制方法及系统 |
CN105160451A (zh) * | 2015-07-09 | 2015-12-16 | 上海电力学院 | 一种含电动汽车的微电网多目标优化调度方法 |
-
2016
- 2016-01-06 CN CN201610006708.7A patent/CN105574620A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904646A (zh) * | 2014-03-28 | 2014-07-02 | 华中科技大学 | 一种考虑三相潮流的微电网多目标能量优化方法 |
CN104022528A (zh) * | 2014-06-12 | 2014-09-03 | 国家电网公司 | 一种基于多元复合储能的微网系统协调控制方法 |
CN104268345A (zh) * | 2014-09-29 | 2015-01-07 | 东南大学 | 一种支撑微电网规划设计的全过程暂态仿真方法 |
CN104795845A (zh) * | 2015-04-10 | 2015-07-22 | 南方电网科学研究院有限责任公司 | 基于对等控制和集中控制相结合的独立微电网混合控制方法及系统 |
CN105160451A (zh) * | 2015-07-09 | 2015-12-16 | 上海电力学院 | 一种含电动汽车的微电网多目标优化调度方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105990838A (zh) * | 2016-05-17 | 2016-10-05 | 杭州电子科技大学 | 一种计及可调度和可平移负荷的海岛微电网优化调度方法 |
CN107134810A (zh) * | 2017-06-09 | 2017-09-05 | 燕山大学 | 一种独立型微能源网储能系统优化配置求解方法 |
CN107134810B (zh) * | 2017-06-09 | 2021-01-08 | 燕山大学 | 一种独立型微能源网储能系统优化配置求解方法 |
CN109937431A (zh) * | 2017-10-18 | 2019-06-25 | 韩国电力公社 | 用于管理电力供应/需求的调度设备、方法及计算机程序 |
CN109937431B (zh) * | 2017-10-18 | 2023-07-07 | 韩国电力公社 | 用于管理电力供应/需求的调度设备、方法及计算机可读存储介质 |
CN110489169A (zh) * | 2019-08-06 | 2019-11-22 | 晶晨半导体(上海)股份有限公司 | 一种片上系统的存储器快速启动方法 |
CN110489169B (zh) * | 2019-08-06 | 2021-10-19 | 晶晨半导体(上海)股份有限公司 | 一种片上系统的存储器快速启动方法 |
CN111327053A (zh) * | 2020-03-16 | 2020-06-23 | 上海电力大学 | 一种适用于极地气候下的多源微电网容量优化配置方法 |
CN111327053B (zh) * | 2020-03-16 | 2023-08-04 | 上海电力大学 | 一种适用于极地气候下的多源微电网容量优化配置方法 |
CN116365694A (zh) * | 2023-01-18 | 2023-06-30 | 江苏省电力试验研究院有限公司 | 一种基于双定子绕组电机的柴油发电车 |
CN116365694B (zh) * | 2023-01-18 | 2024-03-01 | 江苏省电力试验研究院有限公司 | 一种基于双定子绕组电机的柴油发电车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roslan et al. | Scheduling controller for microgrids energy management system using optimization algorithm in achieving cost saving and emission reduction | |
CN105574620A (zh) | 一种结合双主控协作与mpso算法的微电网动态优化调度方法 | |
CN105406520B (zh) | 基于双主控动态协作的独立微电网经济调度优化方法 | |
Mehrjerdi et al. | Optimal operation of hybrid electrical and thermal energy storage systems under uncertain loading condition | |
CN107958300A (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
CN103151802B (zh) | 多时间尺度的主动配电网dg协调控制系统及方法 | |
CN106532751B (zh) | 一种分布式电源能效优化方法及系统 | |
CN102545255A (zh) | 光伏与微型燃气轮机混合微网协调运行控制方法 | |
CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
CN102510080A (zh) | 一种微电网中储能系统的调度方法 | |
CN103094926A (zh) | 一种用于微电网群的多元复合储能容量配置方法 | |
Tian et al. | Coordinated control strategy assessment of a virtual power plant based on electric public transportation | |
Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
Zhang et al. | Optimized scheduling model for isolated microgrid of wind-photovoltaic-thermal-energy storage system with demand response | |
Penangsang et al. | Operation optimization stand-alone microgrid using firefly algorithm considering lifetime characteristics of battery | |
CN108022055A (zh) | 一种基于粒子群模型的微电网经济调度方法 | |
Wang et al. | Application of improved cluster division method in active distribution network | |
Wang et al. | Optimal dispatch of an island MG including a multiple energy storage system | |
Yuan et al. | Optimization strategy design of distribution network based on orderly charging control of electric vehicles | |
Chen et al. | Optimization and analysis of microgrid based on different operational strategies | |
Yang et al. | Coordinated Optimal Configuration Method of Hybrid Energy Storage Systems in Energy Internet System | |
Liu et al. | Optimal planning and operation of photovoltaic-storage systems based on multi-period voltage control at PCC | |
CN104167762B (zh) | 一种含化学储能系统和间歇式电源的机组组合优化方法 | |
Fan et al. | Research on Optimal Operation and Capacity Configuration of Energy Storage Based on Pumped Storage Station | |
Yuqiang et al. | Energy Storage System to Improve Flexible and Stable Operation of Microgrid in Grid-connected and Islanding Mode |
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: 20160511 |