CN106936147B - 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 - Google Patents
一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 Download PDFInfo
- Publication number
- CN106936147B CN106936147B CN201710245281.0A CN201710245281A CN106936147B CN 106936147 B CN106936147 B CN 106936147B CN 201710245281 A CN201710245281 A CN 201710245281A CN 106936147 B CN106936147 B CN 106936147B
- Authority
- CN
- China
- Prior art keywords
- day
- micro
- factor
- prediction
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005338 heat storage Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 239000002355 dual-layer Substances 0.000 title abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 238000010248 power generation Methods 0.000 claims abstract description 12
- 230000008901 benefit Effects 0.000 claims abstract description 8
- 239000012141 concentrate Substances 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 32
- 230000005611 electricity Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 11
- 239000002096 quantum dot Substances 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 240000002853 Nelumbo nucifera Species 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 239000003102 growth factor Substances 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 claims description 2
- 238000004043 dyeing Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims 2
- 210000001726 chromosome structure Anatomy 0.000 claims 1
- 239000010410 layer Substances 0.000 abstract description 19
- -1 which introduces Substances 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H9/00—Details
- F24H9/20—Arrangement or mounting of control or safety devices
- F24H9/2007—Arrangement or mounting of control or safety devices for water heaters
- F24H9/2014—Arrangement or mounting of control or safety devices for water heaters using electrical energy supply
-
- H02J3/382—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明创新性的提出一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法。首先构建了光伏出力预测模型、风电出力预测模型、微型燃气轮机模型、柴油机模型、蓄电池模型,并且为了提高热负荷需求预测模型的精度,提出基于改进相似日的方法来构建热负荷需求模型;然后,为了在系统综合成本最低的情况下,减少系统弃风弃光量,建立了双层优化模型,其中下层引入能源管理系统,上层引入集中能源管理系统;最后,通过自适应量子混沌遗传算法对目标函数进行求解,可以精确的获得微电网系统中各单元出力,在满足系统中电负荷和热负荷需求的情况下,实现较高的经济效益和较高的可再生能源利用率。可以科学地计算出系统各单元的能量调度数值。
Description
技术领域
本发明涉及包含电蓄热锅炉和间歇式可再生能源的微电网系统在保证综合成本最低的情况下最大化可再生能源利用率的微电网优化运行管理方法,尤其涉及一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法。
背景技术
国内外研究成果及运行经验均表明对于微电网系统优化运行管理方面的研究具有非常重要的工程意义。在传统化石能源消耗过度以及环境问题日益严峻的情况下,可再生新型清洁能源正在成为全球能源结构的重点发展方向,分布式发电采用的是清洁能源,污染少且利用率高,其对大电网还具有调峰填谷的作用且安装便捷,由此成为了大电网的有效补充,随着电力电子技术和控制理论的发展,微电网应运而生。电蓄热锅炉能够利用低谷电把水箱中的水加热,将电能储存起来,较好的实现了削峰填谷作用,此外电蓄热锅炉还能节约电能,减少城市有害气体排放,电锅炉的大规模应用是今后发展的必然趋势。
目前对于包含电蓄热锅炉的微电网优化运行方面的研究还较少,还没有形成科学、完整的策略对系统内各单元出力和电能的储存进行优化,从而导致模型工程实操性弱,不利于电蓄热锅炉的推广应用,而且优化算法存在运行时间长、易陷入局部最优的缺陷。所以本发明提出基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法,以微电网综合成本为目标函数,以负荷能量需求、系统功率平衡等为约束,运用自适应量子混沌遗传算法对模型进行优化求解,提高了算法全局搜索的能力,增加了种群个体的多样性,降低了整体寻优的时间,提高了最优解的精确度。
发明内容
本发明的目的是提供一种高效率、快速、经济的设计方法,能有效计算包电蓄热锅炉和间歇式可再生能源的微电网系统在优化运行中各单元出力情况。由于对于包含电蓄热锅炉的微电网优化运行方面的研究还较少,还没有形成科学、完整的策略对系统内各单元出力和电能的储存进行优化,从而导致模型工程实操性弱,不利于电蓄热锅炉的推广应用,而且优化算法存在运行时间长、易陷入局部最优的缺陷,所以本发明提出基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法,以微电网综合成本为目标函数,以负荷能量需求、系统功率平衡等为约束,运用自适应量子混沌遗传算法对模型进行优化求解,提高了算法全局搜索的能力,增加了种群个体的多样性,降低了整体寻优的时间,提高了最优解的精确度,因此该方法对于工程实践和电蓄热锅炉的推广有着重要意义与参考价值。
本发明实现上述目的的采用的技术方案是:
一种含电蓄热锅炉的微电网系统优化运行管理方法,首先构建热负荷需求预测模型,其包括光伏出力预测模型、风电出力预测模型、微型燃气轮机模型、柴油机模型、蓄电池模型;并且为了提高热负荷需求预测模型的精度,提出基于改进相似日的方法来构建热负荷需求模型;
然后,为了在微电网系统运行成本最低的情况下,减少微电网系统弃风弃光量;建立上下层优化模型,在下层优化模型引入能量管理系统,以微电网系统综合成本最低为优化目标,对微电网系统内各可控电源制定相应的调度策略,最大限度的增加可再生能源的利用率;
在上层优化模型引入集中能量管理系统,对下层优化问题可能引发的交易冲突进行协调,提高可再生能源利用率,降低微电网系统功率不匹配程度;最后,通过自适应量子混沌遗传算法对目标函数进行求解,可以精确的获得微电网系统中各单元出力情况,在满足微电网系统中电负荷和热负荷需求的情况下,实现较高的经济效益和较高的可再生能源利用率;在保证负荷需求的情况下,可以增强模型工程实操性,为微电网系统优化运行调度和电蓄热锅炉的提供依据。
为了提高热负荷需求预测模型的精度,提出基于改进相似日的方法来构建热负荷需求预测模型,具体包括:
电蓄热锅炉供热负荷受较多因素的影响,比如温度、太阳光照射幅度、天气、建筑物的隔热性能,为了提高热负荷预测的准确度,采用改进相似日的方法对热负荷进行预测,选取温度因素和日期因素作为评估变量,首先引入日期匹配系数和温度匹配系数对历史日与预测日气象因素和温度因素的相似程度进行评估,将两者相乘得到综合匹配系数,并且引入热负荷年增长因子对相似特殊节日热负荷(如春节和元旦)进行修正,然后采用加权求和法处理归一化后的综合匹配系数和修正后的历史热负荷,得到预测日热负荷;
具体可表示为:温度因素匹配系数:设x0、xi(i=1,…,I)分别表示预测日和历史日的温度因素特征向量;
预测日的温度因素特征向量x0=(x0(1),…x0(k),…,x0(n)),n表示温度因素的个数;
历史日的温度因素特征向量;xi=(xi(1),…xi(k),…,xi(n));
则预测日和历史日第k特征向量的差值Δi(k)=|xi(k)-x0(k)|,对上述差值进行归一化处理得到:
从而可以得出预测日与历史日在第k个特征向量的匹配系数δi(k);
可表示为:
式中表示局部差异最小值,为在部分历史日i中找到的与预测日相差最小的特征值,表示全局差异最小值,为所有历史日n中找到的与预测日相差最小的特征值,表示局部差异最大值,为在部分历史日i中找到的与预测日相差最大的特征值,表示全局差异最大值,为所有历史日n中找到的与预测日相差最大的特征值,ε表示(0,1)之间均匀分布的随机数,对各个特征向量进行处理得到预测日与历史日的关联系数为:
式中ci表示温度因素匹配系数,日期因素匹配系数为:
式中χi(t)表示日期因素匹配系数,t表示第i个历史日与预测日相差的天数,int表示和的值取整数;当τi=1时,表示第i个历史日与预测日均为相同的特殊日,否则,τi=0,δ1和δ2表示历史日和预测日的天数增加7天和增加365天的相似衰减比例;和为常数,其中考虑温度因素匹配系数和日期因素匹配系数的综合匹配系数ψi=χi·ci,式中ψi表示第i个历史日的综合匹配系数;特殊节日热负荷修正系数:
式中αi表示特殊节日热负荷修正系数,κ表示调节系数,为(0,1)之间的随机数,表示第i个历史日往前推一年的全年总热负荷,σi表示第i个历史日往前推两年的全年总热负荷,从而可以得到修正后的特殊日热负荷为式中HL′h为修正后的热负荷,HLh为相似历史日热负荷;预测热负荷:假设共选择m个综合匹配系数较高的相似日,其修正后的热负荷分别为HL′1,HL′2,…,HL′m-1,HL′m,综合匹配系数分别为ψ1,ψ2,…,ψm-1,ψm,从而可以得到预测日热负荷为:
式中HL为预测日热负荷。
本发明的优点是:本发明构建了光伏出力预测模型、风电出力预测模型、微型燃气轮机模型、柴油机模型、蓄电池模型,并且为了提高热负荷需求预测模型的精度,提出基于改进相似日的方法来构建热负荷需求模型;然后,为了在系统运行成本最低的情况下,减少系统弃风弃光量,建立了双层优化模型,其中下层引入能源管理系统,以微电网系统综合成本最低为优化目标,对微电网系统内各可控电源制定相应的调度策略,最大限度的增加可再生能源的利用率,上层引入集中能源管理系统,其目的是对下层优化问题可能引发的交易冲突进行协调,尽量提高可再生能源利用率,降低系统功率不匹配程度;最后,通过自适应量子混沌遗传算法对目标函数进行求解,可以精确的获得微电网系统中各单元出力,在满足系统中电负荷和热负荷需求的情况下,实现较高的经济效益和较高的可再生能源利用率。本发明的目的是提供一种高效率、快速、经济的优化方法,可以科学地计算出系统各单元的能量调度数值,在系统运行成本最低的情况下,减少系统弃风弃光量。通过对微电网系统的运行优化,在保证负荷需求的情况下,实现较高的经济效益和环境效益,可以增强模型工程实操性,为微电网优化运行调度和电蓄热锅炉的推广提供理论依据。
附图说明
图1是微电网系统结构示意图;
图2是基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法的流程示意图;
图3是自适应量子混沌遗传算法的主要操作过程示意图;
图4是热负荷真实值与预测值对比曲线;
图5是特殊日春节热负荷真实值与预测值对比柱状图;
图6是特殊日元旦热负荷真实值与预测值对比柱状图;
图7是双层策略优化运行后负荷需求与各单元出力曲线;
图8是采用双层优化策略和未采用双层优化策略弃风弃光量对比曲线;
图9是四种算法迭代结果对比曲线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
参见附图图2所示,基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法的流程示意图,包括以下步骤。
步骤S101,构建包含可再生能源和电蓄热锅炉的微电网系统结构。本专利构建的微电网系统结构主要由以下7部分组成:光伏系统、风力机组、微型燃气轮机、柴油机、蓄电池、电蓄热锅炉、负荷,如图1所示。
步骤S102,建立光伏出力预测数学模型曲线。光伏阵列由许多光伏电池的连接组成,光伏发电单元的实际输出功率可由标准额定条件(太阳辐照度GSTC为1kW/m2,电池温度TSTC为25℃,相对大气光学质量为AM1.5)下的输出功率、环境温度、光照强度求得:式中:Ppv为光伏发电单元在工作点的输出功率,kW;PSTC为标准额定条件下的光伏发电单元的额定输出功率,kW;Gc为光伏发电单元在工作点的太阳辐照度,kW/m2;λ为功率温度系数,一般取值为-0.0043/℃;Tc为在工作点的电池温度,℃,其中光照强度数据表如表1所示,环境温度如表2所示,为了便于计算,取平均温度。
表1光照强度表
表2环境温度表
时刻 | 温度/℃ | 时刻 | 温度/℃ | 时刻 | 温度/℃ | 时刻 | 温度/℃ |
00:00-01:00 | 2 | 06:00-07:00 | -1 | 12:00-13:00 | 12 | 18:00-19:00 | 9 |
01:00-02:00 | 0 | 07:00-08:00 | 1.01 | 13:00-14:00 | 13 | 19:00-20:00 | 8 |
02:00-03:00 | 0 | 08:00-09:00 | 1.07 | 14:00-15:00 | 13 | 20:00-21:00 | 6 |
03:00-04:00 | -2 | 09:00-10:00 | 1.12 | 15:00-16:00 | 13 | 21:00-22:00 | 5 |
04:00-05:00 | -2 | 10:00-11:00 | 1.15 | 16:00-17:00 | 13 | 22:00-23:00 | 3 |
05:00-06:00 | -2 | 11:00-12:00 | 11 | 17:00-18:00 | 12 | 23:00-24:00 | 2 |
步骤S103,建立风机出力预测数学模型。风力发电机发出的电能取决于风速的大小,由于风速是一个随机变量,因此风力发电机发出的电能也是一个不确定变量,风力发电机的输出功率与风速的近似关系可用如下分段函数表示:式中为风力发电机输出功率(kW),Pr为风力发电机的额定功率,vci、v、vco分别为风机的切入风速、额定风速、切断风速,分别为4.8m/s、14m/s、25m/s,风速数据表如表3所示。
表3风速数据表
时刻 | 风速/m/s | 时刻 | 风速/m/s | 时刻 | 风速/m/s | 时刻 | 风速/m/s |
00:00-01:00 | 8 | 06:00-07:00 | 23 | 12:00-13:00 | 26 | 18:00-19:00 | 21 |
01:00-02:00 | 10 | 07:00-08:00 | 25 | 13:00-14:00 | 28 | 19:00-20:00 | 18 |
02:00-03:00 | 15 | 08:00-09:00 | 29 | 14:00-15:00 | 29 | 20:00-21:00 | 20 |
03:00-04:00 | 8.2 | 09:00-10:00 | 26 | 15:00-16:00 | 29 | 21:00-22:00 | 23 |
04:00-05:00 | 9.9 | 10:00-11:00 | 25 | 16:00-17:00 | 25 | 22:00-23:00 | 18 |
05:00-06:00 | 18 | 11:00-12:00 | 26.5 | 17:00-18:00 | 20 | 23:00-24:00 | 16 |
步骤S104,建立微型燃气轮机数学模型。微型燃气轮机大部分利用天然气来产生电能,其他也有利用沼气来制造电能,本专利考虑微型燃气轮机利用天然气发电,故功率输出模型可表示为:其中式中PMT为微型燃气轮机的输出功率,kW;ηMT为微型燃气轮机的发电效率;为微型燃气轮机的额定功率,kW;rij为常数,由厂家给定;RMT为微型燃气轮机的荷载率。
步骤S105,建立柴油发电机数学模型。柴油发电机组是以柴油为主燃料的一种发电设备,它能够快速调整出力以发挥跟踪负荷、削峰的作用,其功率输出模型可以如下表示:式中PDEG为柴油发电机的输出功率,kW;ηDEG为柴油发电机的发电效率;为柴油发电机的额定功率,kW。
步骤S106,建立蓄电池数学模型。蓄电池的冲放电功率均与其充放电过程中的荷电状态有关,若蓄电池处于放电状态,则其t时刻荷电状态可以如下表示:式中为蓄电池处于放电状态下的荷电状态;δ为蓄电池的自放电效率;BESSsoc(t-1)为t-1时刻蓄电池的荷电状态;PDis为蓄电池的放电功率,kW;ΔtDis为蓄电池的放电时间,h;ηDis为蓄电池的放电效率;为蓄电池的额定容量,kW·h,容量范围为0~60kW·h;若蓄电池处于充电状态,则其t时刻荷电状态可以如下表示:式中为蓄电池处于充电状态下的荷电状态;PCha为蓄电池的充电功率,kW;ΔtCha为蓄电池的充电时间,h;ηCha为蓄电池的充电效率,取88%。
步骤S107,建立电蓄热锅炉数学模型。热式电锅炉是在根据电力部门鼓励在低谷时段用电加热,并享受优惠电价政策的一种新型高效、节能的电加热产品,电蓄热锅炉的充电功率可以表示如下:电蓄热锅炉的供热功率可以表示如下:式中为电蓄热锅炉的输出功率,kW;为蓄热式电锅炉的充电效率;为蓄热式电锅炉的供暖功率,kW;为蓄热式电锅炉的供暖效率,取85%;为蓄热式电锅炉的额定功率,kW,结合步骤S102、S103、S104、S105、S106、S107给出系统单元的主要参数如表4所示。
表4系统发电单元和储能单元的额定功率和效率表
步骤S108,建立基于改进相似日的热负荷预测数学模型。电蓄热锅炉供热负荷受较多因素的影响,比如温度、太阳光照射幅度、天气、建筑物的隔热性能等,为了提高热负荷预测的准确度,采用改进相似日对热负荷进行预测,选取温度因素和日期因素作为评估变量,首先引入日期匹配系数和温度匹配系数对历史日与预测日气象因素和温度因素的相似程度进行评估,将两者相乘得到综合匹配系数,并且引入热负荷年增长因子对相似特殊节日热负荷(如春节和元旦)进行修正,然后采用加权求和法处理归一化后的综合匹配系数和修正后的历史热负荷,得到预测日热负荷,具体可表示为:温度因素匹配系数:设x0、xi(i=1,…,I)分别表示预测日和历史日的温度因素特征向量,预测日的温度因素特征向量x0=(x0(1),…x0(k),…,x0(n)),n表示温度因素的个数,历史日的温度因素特征向量xi=(xi(1),…xi(k),…,xi(n)),则预测日和历史日第k特征向量的差值Δi(k)=|xi(k)-x0(k)|,对上述差值进行归一化处理得到:从而可以得出预测日与历史日在第k个特征向量的匹配系数δi(k),可表示为:式中表示局部差异最小值,为在部分历史日i中找到的与预测日相差最小的特征值,表示全局差异最小值,为所有历史日n中找到的与预测日相差最小的特征值,表示局部差异最大值,为在部分历史日i中找到的与预测日相差最大的特征值,表示全局差异最大值,为所有历史日n中找到的与预测日相差最大的特征值,ε表示(0,1)之间均匀分布的随机数,对各个特征向量进行处理得到预测日与历史日的关联系数为:式中ci表示温度因素匹配系数,日期因素匹配系数:式中χi(t)表示日期因素匹配系数,t表示第i个历史日与预测日相差的天数,int表示和的值取整数;当τi=1时,表示第i个历史日与预测日均为相同的特殊日,否则,τi=0,δ1和δ2表示历史日和预测日的天数增加7天和增加365天的相似衰减比例;和为常数,其中考虑温度因素匹配系数和日期因素匹配系数的综合匹配系数ψi=χi·ci,式中ψi表示第i个历史日的综合匹配系数;特殊节日热负荷修正系数:式中αi表示特殊节日热负荷修正系数,κ表示调节系数,为(0,1)之间的随机数,表示第i个历史日往前推一年的全年总热负荷,σi表示第i个历史日往前推两年的全年总热负荷,从而可以得到修正后的特殊日热负荷为HL′h=αiHLh,式中HL′h为修正后的热负荷,HLh为相似历史日热负荷;预测热负荷:假设共选择m个综合匹配系数较高的相似日,其修正后的热负荷分别为HL′1,HL′2,…,HL′m-1,HL′m,综合匹配系数分别为ψ1,ψ2,…,ψm-1,ψm,从而可以得到预测日热负荷为:式中HL为预测日热负荷,热负荷数据如表5所示,电负荷数据如表6所示,特殊日热负荷如表7所示,基于改进相似日热负荷预测模型得出的热负荷真实值与预测值对比曲线、特殊日春节热负荷真实值与预测值对比柱状图、特殊日元旦热负荷真实值与预测值对比柱状图分别如图4、图5、图6所示。
表5热负荷数据表
表6电负荷数据表
表7特殊日热负荷数据表
春节1热负荷/MW | 春节2热负荷/MW | 元旦1热负荷/MW | 元旦2热负荷/MW |
162.48 | 177.9 | 100 | 110 |
步骤S109,建立微电网下层能量管理系统(简称EMS)优化运行目标模型和约束条件。在满足系统功率平衡约束、系统各单元安全运行约束等条件下,EMS的优化运行为目标微电网综合成本最低,微电网综合成本包括微电网运行维护成本、微电网与主网电能交互成本和微电网的环境成本。微网向大电网购电电价采用峰平谷电价,电价表如表8所示,各单元维修系数如表9所示,微型燃气轮机和柴油机的污染物排放量和相关收费标准如表10所示。
表8峰谷平时电价
时段 | 时间 | 电价(元/kW·h) |
峰时段 | 08:00-11:00、18:00-21:00 | 1.197 |
平时段 | 06:00-08:00、11:00-18:00、21:00-22:00 | 0.744 |
谷时段 | 08:00-11:00、18:00-21:00 | 0.356 |
表9系统各单元维修系数
表10微型燃气轮机和柴油机的污染物排放量和相关收费标准
步骤S110,建立微电网上层微电网调度策略。下层能量管理系统对系统负荷缺电量或系统生源电能进行计算并将其上报给上层集中能量管理系统(简称CEMS),由于系统内各发电单元相互独立,上报的电能与系统所需电能之间可能会存在矛盾,因此需要上层集中能量管理系统对其进行协调处理,上层集中能量管理系统协调策略如下:(1)上层集中能量管理系统读取各下层能量管理系统的电能交易计划,生成电能交易矩阵Z,Zp为能量管理系统p计划交易的电量,若Zp>0,则说明该单元为发电单元,并将发电单元的光伏发电和风机发电排在序列前面,若Zp<0,则说明该单元为用电单元和用热单元,其中用电单元包括用电负荷、电蓄热锅炉和蓄电池,并将其按照电负荷、热负荷、电蓄热锅炉和蓄电池的序列进行排序,在电负荷排序中将电量缺额按从高到低的顺序进行排列;(2)发电单元优先向电量缺额排在前列的用电单元和用热单元进行供电,当用电负荷和热负荷全部得到满足后,排在后面的电蓄热锅炉和蓄电池才能获得像剩余发电单元购买电能的权利,依次类推直到所有的负荷均被满足;(3)如果所有发电单元的电能均提供给用电单元和用热单元,微电网仍然有电量缺额,则剩余的缺额电量由大电网满足,如果所有的用电单元和用热单元均满足后,微电网仍有盈余电量,则将其销售给大电网。
步骤S111,采用自适应量子混沌遗传算法对下层优化目标进行求解。基于自适应量子混沌遗传算法求解全局最优解的具体步骤为:(1)初始化种群,令k=1,对种群进行初始化操作,种群的大小设为M;(2)对染色体进行量子比特编码,染色体的结构可以表示为:式中Chrq表示第q个个体的染色体;k表示编码的每个基因的量子比特数;m表示染色体上的基因个数;α和β分别表示|0>和|1>的概率幅,并且满足条件:|α|2+|β|2=1,式中|α|2为量子的测量值为0的概率;|β|2为量子的测量值为1的概率,采用量子比特对染色体进行编码,增加了多样性和并行性;(3)采用自适应旋转角对量子旋转门进行更新操作,自适应旋转角可以表示为:θf=a·exp(-kcur/kmax)·π,运用自适应旋转角更新量子门的操作可表示为:式中θf为旋转角;a为常系数,设定为0.008π;kcur表示当前进化代数;kmax表示最大进化代数;(α'fβ'f)T表示染色体第f个量子比特旋转门更新后的概率幅;(αf βf)T表示染色体第f个量子比特旋转门更新前的概率幅,采用自适应旋转角对比特旋转门进行更新,在算法迭代初期,kcur较小,使得θf较大,使得染色体的更新速度和最优解位置在整个优化范围内进行更新;在算法迭代后期,kcur增大,使得θf减小,使得染色体的更新速度和最优解位置在较小的优化范围内进行更新,使得种群的全局搜索和局部搜索更加协调;(4)采用浮点交叉的方法对染色体进行交叉操作,可表示为:Chrh'=(1-χ)Chrh+ζChrl,Chrl'=(1-ζ)Chrh+χChrl,式中Chrh、Chrl分别为随机选择的母体;Chrh'、Chrl'分别表示对母体进行交叉操作后得到的子体;ζ、χ为(0,1)区间内的均匀分布的随机数;(5)对染色体进行变异操作,若使得个体向减小的方向变化,则变异操作可表示为:若使得个体向增大的方向变化,则变异操作可表示为:式中Chrf、Chr′f分别表示经过变异操作前后的染色体,ψ(0,1)区间内的均匀分布的随机数;分别表示最优解的最大和最小值;(6)计算个体适应度值,由于遗传算法是按照适应度值从大到小的顺序进行选择,因而如果某个体的适应度值明显大于其他个体的适应度值时,则容易陷入局部最优解,为了防止此现象的发生,采用混沌算法对染色体进行混沌处理,比较个体适应度的最大值与其它适应度值的大小,若则对染色体进行混沌处理,式中Δ表示预设的阈值;(7)对染色体进行混沌处理, 式中为第k代中的染色体f,Zf+1表示第k次迭代中的混沌参数,为(0,1)内的常数;表示控制参数,可通过改变的大小来控制系统的状态,对染色体进行混沌处理有利于增加个体的遍历性和多样性,避免粒子陷入局部极值点,将混沌处理后的染色体继续带入适应度值函数进行计算;(8)计算个体适应度值,将混沌处理后的染色体继续带入适应度值函数进行计算;(9)终止,判断是否到达给定的最大遗传代数,当迭代至最大代数是算法停止,对四种算法即传统遗传算法、混沌遗传算法、量子混沌遗传算法、自适应量子混沌遗传算法分别进行仿真,其种群规模大小均为40,最大迭代次数均为200,算法收敛曲线如图9所示,四种算法的仿真结果表如表11所示。
表11四种算法的仿真结果
算法 | 运行时间/s | 收敛迭代次数/次 | 最优解/万元 |
传统遗传算法 | 758 | 56 | 1 |
混沌遗传算法 | 718 | 19 | 1 |
量子混沌遗传算法 | 687 | 17 | 0.8 |
自适应量子混沌遗传算法 | 632 | 12 | 0.5 |
步骤S112,输出微电网系统各单元在满足目标函数和约束条件下的最优出力和储能组合。通过上述自适应量子混沌遗传算法,在达到设定的最大代数时结束迭代,此时,可以得出微电网系统各单元在满足目标函数和约束条件下的最优出力组合,则该出力组合能在考虑微电网综合成本的情况下可再生能源利用最大化,微电网各系统单元优化出力如图7所示,采用双层优化策略和未采用双层优化策略弃风弃光量对比曲线如图8所示,从仿真可以系统各发电单元的发电顺序为:光伏电池、风力发电机、微型燃气轮机、柴油发电机、蓄电池;系统各用电单元的用电/储能顺序为:用电负荷和供热负荷、电蓄热锅炉、蓄电池,通过图8可以看出,采用本专利提出的双层优化策略对微电网运行进行优化,可再生能源光伏发电的利用率为100%,风力发电的利用率从原来的90%提高至97%,且通过表11可以看出,采用本专利所提出的基于自适应量子混沌遗传算法所求得的最优解最小,微电网综合成本最低。
Claims (3)
1.一种含电蓄热锅炉的微电网系统优化运行管理方法,其特征在于:
首先构建热负荷需求预测模型,其包括光伏出力预测模型、风电出力预测模型、微型燃气轮机模型、柴油机模型、蓄电池模型;并且为了提高热负荷需求预测模型的精度,提出基于改进相似日的方法来构建热负荷需求模型;
然后,为了在微电网系统运行成本最低的情况下,减少微电网系统弃风弃光量;建立上下层优化模型,在下层优化模型引入能量管理系统,以微电网系统综合成本最低为优化目标,对微电网系统内各可控电源制定相应的调度策略,最大限度的增加可再生能源的利用率;
在上层优化模型引入集中能量管理系统,对下层优化问题可能引发的交易冲突进行协调,提高可再生能源利用率,降低微电网系统功率不匹配程度;最后,通过自适应量子混沌遗传算法对目标函数进行求解,可以精确的获得微电网系统中各单元出力情况,在满足微电网系统中电负荷和热负荷需求的情况下,实现较高的经济效益和较高的可再生能源利用率;在保证负荷需求的情况下,可以增强模型工程实操性,为微电网系统优化运行调度和电蓄热锅炉的提供依据;
为了提高热负荷需求预测模型的精度,提出基于改进相似日的方法来构建热负荷需求预测模型,具体包括:
电蓄热锅炉供热负荷受较多因素的影响,为了提高热负荷预测的准确度,采用改进相似日的方法对热负荷进行预测,选取温度因素和日期因素作为评估变量,首先引入日期匹配系数和温度匹配系数对历史日与预测日气象因素和温度因素的相似程度进行评估,将两者相乘得到综合匹配系数,并且引入热负荷年增长因子对相似特殊节日热负荷进行修正,然后采用加权求和法处理归一化后的综合匹配系数和修正后的历史热负荷,得到预测日热负荷;
具体可表示为:温度因素匹配系数:设x0、xi(i=1,…,I)分别表示预测日和历史日的温度因素特征向量;
预测日的温度因素特征向量x0=(x0(1),…x0(k),…,x0(n)),n表示温度因素的个数;
历史日的温度因素特征向量;xi=(xi(1),…xi(k),…,xi(n));
则预测日和历史日第k特征向量的差值Δi(k)=|xi(k)-x0(k)|,对上述差值进行归一化处理得到:
从而可以得出预测日与历史日在第k个特征向量的匹配系数δi(k);
可表示为:
式中表示局部差异最小值,为在部分历史日i中找到的与预测日相差最小的特征值,表示全局差异最小值,为所有历史日n中找到的与预测日相差最小的特征值,表示局部差异最大值,为在部分历史日i中找到的与预测日相差最大的特征值,表示全局差异最大值,为所有历史日n中找到的与预测日相差最大的特征值,ε表示(0,1)之间均匀分布的随机数,对各个特征向量进行处理得到预测日与历史日的关联系数为:
式中ci表示温度因素匹配系数,日期因素匹配系数为:
式中χi(t)表示日期因素匹配系数,t表示第i个历史日与预测日相差的天数,int表示和的值取整数;当τi=1时,表示第i个历史日与预测日均为相同的特殊日,否则,τi=0,δ1和δ2表示历史日和预测日的天数增加7天和增加365天的相似衰减比例;和为常数,其中考虑温度因素匹配系数和日期因素匹配系数的综合匹配系数ψi=χi·ci,式中ψi表示第i个历史日的综合匹配系数;特殊节日热负荷修正系数:
式中αi表示特殊节日热负荷修正系数,κ表示调节系数,为(0,1)之间的随机数,表示第i个历史日往前推一年的全年总热负荷,σi表示第i个历史日往前推两年的全年总热负荷,从而可以得到修正后的特殊日热负荷为HL′h=αiHLh,式中HL′h为修正后的热负荷,HLh为相似历史日热负荷;预测热负荷:假设共选择m个综合匹配系数较高的相似日,其修正后的热负荷分别为HL′1,HL′2,…,HL′m-1,HL′m,综合匹配系数分别为ψ1,ψ2,…,ψm-1,ψm,从而可以得到预测日热负荷为:
式中HL为预测日热负荷。
2.根据权利要求1所述的方法,其特征是,在上层引入集中能量管理系统,对下层优化问题可能引发的交易冲突进行协调,尽量提高可再生能源利用率,降低系统功率不匹配程度,具体包括:
下层能量管理系统对系统负荷缺电量或系统生源电能进行计算并将其上报给上层集中能量管理系统,由于系统内各发电单元相互独立,上报的电能与系统所需电能之间可能会存在矛盾,因此需要上层集中能量管理系统对其进行协调处理,上层集中能量管理系统协调策略如下:(1)上层集中能量管理系统读取各下层各能量管理系统的电能交易计划,生成电能交易矩阵Z,Zp为能量管理系统p计划交易的电量,若Zp>0,则说明该单元为发电单元,并将发电单元的光伏发电和风机发电排在序列前面,若Zp<0,则说明该单元为用电单元,其中用电单元包括用电负荷、电蓄热锅炉和蓄电池,并将其按照电负荷、电蓄热锅炉和蓄电池的序列进行排序,在电负荷排序中将电量缺额按从高到低的顺序进行排列;(2)发电单元优先向电量缺额排在前列的用电单元进行供电,当用电负荷全部得到满足后,排在后面的电蓄热锅炉和蓄电池才能获得像剩余发电单元购买电能的权利,依次类推直到所有的负荷均被满足;(3)如果所有发电单元的电能均提供给用电单元,微电网仍然有电量缺额,则剩余的缺额电量由大电网满足,如果所有的用电单元均满足后,微电网仍有盈余电量,则将其销售给大电网。
3.根据权利要求1所述的方法,其特征是,提出自适应量子混沌遗传算法对目标函数进行求解,以获得精确的微电网系统中各单元出力,在满足系统中电负荷和热负荷需求的情况下,实现较高的经济效益和较高的可再生能源利用率,具体包括:
基于自适应量子混沌遗传算法求解全局最优解的具体步骤为:(1)初始化种群,令k=1,对种群进行初始化操作,种群的大小设为M;(2)对染色体进行量子比特编码,染色体的结构可以表示为:式中Chrq表示第q个个体的染色体;k表示编码的每个基因的量子比特数;m表示染色体上的基因个数;α和β分别表示|0>和|1>的概率幅,并且满足条件:|α|2+|β|2=1,式中|α|2为量子的测量值为0的概率;|β|2为量子的测量值为1的概率,采用量子比特对染色体进行编码,增加了多样性和并行性;(3)采用自适应旋转角对量子旋转门进行更新操作,自适应旋转角可以表示为:θf=a·exp(-kcur/kmax)·π,运用自适应旋转角更新量子门的操作可表示为:式中θf为旋转角;a为常系数,设定为0.008π;kcur表示当前进化代数;kmax表示最大进化代数;(α'fβ'f)T表示染色体第f个量子比特旋转门更新后的概率幅;(αfβf)T表示染色体第f个量子比特旋转门更新前的概率幅,采用自适应旋转角对比特旋转门进行更新,在算法迭代初期,kcur较小,使得θf较大,使得染色体的更新速度和最优解位置在整个优化范围内进行更新;在算法迭代后期,kcur增大,使得θf减小,使得染色体的更新速度和最优解位置在较小的优化范围内进行更新,使得种群的全局搜索和局部搜索更加协调;(4)采用浮点交叉的方法对染色体进行交叉操作,可表示为:Chr’h=(1-χ)Chrh+ζChrl,Chr’l=(1-ζ)Chrh+χChrl,式中Chrh、Chrl分别为随机选择的母体;Chr’h、Chr’l分别表示对母体进行交叉操作后得到的子体;ζ、χ为(0,1)区间内的均匀分布的随机数;(6)对染色体进行变异操作,若使得个体向减小的方向变化,则变异操作可表示为:若使得个体向增大的方向变化,则变异操作可表示为:式中Chrf、Chr′f分别表示经过变异操作前后的染色体,ψ(0,1)区间内的均匀分布的随机数; 分别表示最优解的最大和最小值;(5)计算个体适应度值,由于遗传算法是按照适应度值从大到小的顺序进行选择,因而如果某个体的适应度值明显大于其他个体的适应度值时,则容易陷入局部最优解,为了防止此现象的发生,采用混沌算法对染色体进行混沌处理,比较个体适应度的最大值与其它适应度值的大小,若则对染色体进行混沌处理,式中Δ表示预设的阈值;(6)对染色体进行混沌处理,式中为第k代中的染色体f,Zf+1表示第k次迭代中的混沌参数,为(0,1)内的常数;表示控制参数,可通过改变的大小来控制系统的状态,对染色体进行混沌处理有利于增加个体的遍历性和多样性,避免粒子陷入局部极值点;(7)计算个体适应度值,将混沌处理后的染色体继续带入适应度值函数进行计算;(8)终止,判断是否到达给定的最大遗传代数,当迭代至最大代数是算法停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710245281.0A CN106936147B (zh) | 2017-04-14 | 2017-04-14 | 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710245281.0A CN106936147B (zh) | 2017-04-14 | 2017-04-14 | 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106936147A CN106936147A (zh) | 2017-07-07 |
CN106936147B true CN106936147B (zh) | 2019-10-18 |
Family
ID=59437346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710245281.0A Expired - Fee Related CN106936147B (zh) | 2017-04-14 | 2017-04-14 | 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106936147B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846032B (zh) * | 2017-10-27 | 2021-02-26 | 国网辽宁省电力有限公司 | 低谷时段大规模电储热和电池储能协调运行方法 |
CN107947208B (zh) * | 2017-11-17 | 2020-12-25 | 国网辽宁省电力有限公司 | 一种弃风与大规模电池储能协调运行方法 |
CN107895971B (zh) * | 2017-11-28 | 2021-05-07 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN108736474B (zh) * | 2018-06-05 | 2021-03-16 | 合肥阳光新能源科技有限公司 | 电力负荷预测方法及装置 |
CN108985502B (zh) * | 2018-07-02 | 2022-02-15 | 国网江西省电力有限公司经济技术研究院 | 基于两层电能替代规划模型的规划方法及算法框架 |
CN109359346B (zh) * | 2018-09-25 | 2023-01-10 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
CN109787262A (zh) * | 2018-12-26 | 2019-05-21 | 湘潭大学 | 一种居民楼宇系统主动响应微电网优化调度方法 |
CN109633333B (zh) * | 2018-12-27 | 2021-07-23 | 国电南瑞科技股份有限公司 | 省级及以上电网各类切负荷量冲突检测及协调校验方法 |
CN109962476A (zh) * | 2019-02-01 | 2019-07-02 | 中国电力科学研究院有限公司 | 一种微电网中源网荷储互动能量管理办法和装置 |
CN110048459A (zh) * | 2019-05-08 | 2019-07-23 | 新疆大学 | 一种基于弃风利用的塔筒电梯储能系统优化配置方法 |
CN110515300B (zh) * | 2019-08-05 | 2022-11-29 | 广东电网有限责任公司 | 一种区域互联综合能源多目标优化配置方法 |
CN110659830A (zh) * | 2019-09-25 | 2020-01-07 | 国网天津市电力公司 | 面向综合能源系统的多能源微网规划方法 |
CN110796291B (zh) * | 2019-10-10 | 2023-06-20 | 国网山东省电力公司德州供电公司 | 基于Dantzig-Wolfe分解的多能互补微网集群分布式优化调度 |
CN110793093B (zh) * | 2019-10-23 | 2021-05-07 | 国家电网有限公司 | 含电锅炉与储热罐的热电联产机组的电功率控制方法 |
CN110957722B (zh) * | 2019-11-28 | 2022-11-29 | 昆明理工大学 | 一种含电转气设备的微型能源网日前优化调度方法 |
CN111400641B (zh) * | 2019-11-29 | 2024-03-22 | 国网天津市电力公司电力科学研究院 | 一种含蓄热式电采暖的综合能源系统日前优化调度方法 |
CN111027007A (zh) * | 2019-12-30 | 2020-04-17 | 天津天大求实电力新技术股份有限公司 | 一种基于建筑特性的蓄热供暖系统需热量预测方法及系统 |
CN113128822A (zh) * | 2019-12-31 | 2021-07-16 | 中国石油化工股份有限公司 | 存储器、微电网的电气协调控制方法、设备和装置 |
CN112070337B (zh) * | 2020-07-20 | 2024-04-16 | 国网河北省电力有限公司电力科学研究院 | 供热机组热电产品成本测算方法、装置及终端设备 |
CN111884240B (zh) * | 2020-08-20 | 2022-03-18 | 上海明华电力科技有限公司 | 一种带有大容量水储能装置的分布式能源站优化运行方法 |
CN112100828B (zh) * | 2020-08-31 | 2023-02-28 | 河海大学 | 一种考虑热力网荷准动态特性的电热气系统控制方法 |
CN112561120B (zh) * | 2020-11-10 | 2022-10-14 | 深圳供电局有限公司 | 一种基于微电网参考日前市场出清系统优化运行方法 |
CN112329259B (zh) * | 2020-11-24 | 2024-03-01 | 国网黑龙江省电力有限公司电力科学研究院 | 一种多能互补冷热电联供微电网框架及其建模方法 |
CN113078687B (zh) * | 2021-04-06 | 2022-12-02 | 东北电力大学 | 孤岛多能互补电-气耦合系统能量优化调度方法 |
CN113221299B (zh) * | 2021-04-28 | 2022-04-22 | 清华大学 | 一种蓄热式电锅炉参与电力系统调峰的运行优化方法 |
CN115046315A (zh) * | 2022-06-24 | 2022-09-13 | 国网安徽省电力有限公司淮北供电公司 | 一种蓄热式电锅炉的控制系统和控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104065060A (zh) * | 2014-06-09 | 2014-09-24 | 徐多 | 独立微电网系统双层经济调度优化方法 |
CN105515005A (zh) * | 2015-12-14 | 2016-04-20 | 天津大学 | 基于开放市场环境下的多微电网系统优化方法 |
CN106602584A (zh) * | 2017-02-06 | 2017-04-26 | 上海电力设计院有限公司 | 一种基于双层优化模型的多能互补微网储能优化配置方法 |
-
2017
- 2017-04-14 CN CN201710245281.0A patent/CN106936147B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104065060A (zh) * | 2014-06-09 | 2014-09-24 | 徐多 | 独立微电网系统双层经济调度优化方法 |
CN105515005A (zh) * | 2015-12-14 | 2016-04-20 | 天津大学 | 基于开放市场环境下的多微电网系统优化方法 |
CN106602584A (zh) * | 2017-02-06 | 2017-04-26 | 上海电力设计院有限公司 | 一种基于双层优化模型的多能互补微网储能优化配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106936147A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106936147B (zh) | 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 | |
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
Aslam et al. | Towards efficient energy management in smart grids considering microgrids with day-ahead energy forecasting | |
Emrani-Rahaghi et al. | Optimal scenario-based operation and scheduling of residential energy hubs including plug-in hybrid electric vehicle and heat storage system considering the uncertainties of electricity price and renewable distributed generations | |
CN108206543B (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
CN108734350A (zh) | 一种含微电网的配电网独立与联合调度的求解方法 | |
CN105375479B (zh) | 一种基于模型预测控制的分布式能源能量管理方法 | |
CN106887841A (zh) | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 | |
Bidgoli et al. | Multi-stage optimal scheduling of multi-microgrids using deep-learning artificial neural network and cooperative game approach | |
CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
Tutkun | Minimization of operational cost for an off-grid renewable hybrid system to generate electricity in residential buildings through the SVM and the BCGA methods | |
Seyyedeh-Barhagh et al. | Optimal scheduling of hydrogen storage under economic and environmental priorities in the presence of renewable units and demand response | |
WO2024016504A1 (zh) | 一种基于安全经济的电热综合能源控制方法 | |
CN112418488B (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
Liu et al. | Two-stage optimal economic scheduling for commercial building multi-energy system through internet of things | |
CN112508325A (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN113255224A (zh) | 一种基于发光萤火虫算法的能源系统配置优化方法 | |
CN116187173A (zh) | 一种区域综合能源系统双层优化方法及系统 | |
CN112580897A (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
Ren et al. | Multi-objective optimal dispatching of virtual power plants considering source-load uncertainty in V2G mode | |
Deng et al. | Real-coded quantum optimization-based bi-level dispatching strategy of integrated power and heat systems | |
TWI639962B (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
CN117791710A (zh) | 一种基于多目标优化模型的风光储容量配置优化方法 | |
CN110334856A (zh) | 一种基于碳交易机制的风光储容量规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191018 Termination date: 20210414 |
|
CF01 | Termination of patent right due to non-payment of annual fee |