CN107196294A - 源网荷互动模式下微电网多时间尺度自适应能量调度方法 - Google Patents

源网荷互动模式下微电网多时间尺度自适应能量调度方法 Download PDF

Info

Publication number
CN107196294A
CN107196294A CN201710461496.6A CN201710461496A CN107196294A CN 107196294 A CN107196294 A CN 107196294A CN 201710461496 A CN201710461496 A CN 201710461496A CN 107196294 A CN107196294 A CN 107196294A
Authority
CN
China
Prior art keywords
mrow
msubsup
msub
micro
capacitance sensor
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
CN201710461496.6A
Other languages
English (en)
Inventor
韩华春
李强
袁晓冬
吴在军
窦晓波
柳丹
吕振华
黄地
陈兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Southeast University, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710461496.6A priority Critical patent/CN107196294A/zh
Publication of CN107196294A publication Critical patent/CN107196294A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • 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
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • 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
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了源网荷互动模式下微电网多时间尺度自适应能量调度方法，从微电网多时间尺度优化管理方面入手，提出了一种包括基础日常规调度和控制日滚动调度的自适应能量管理方法。该方法可以根据全局目标函数和全局约束条件，对储能装置、柴油发电机出力，与大电网交互功率以及可控、可切除负荷的有功消耗进行优化并且可根据风电、光伏发电系统预测出力误差大小，实现储能SOC惩罚因子和控制日滚动优化时间长度的自适应调整，减少风电、光伏发电系统预测出力误差对微电网能量管理的影响，实现了微电网的经济性和环保性协调运行。

Description

源网荷互动模式下微电网多时间尺度自适应能量调度方法
技术领域
本发明涉及源网荷互动模式下微电网多时间尺度自适应能量调度方法，属于微电网能量管理技术领域。
背景技术
微电网是由分布式电源、储能装置、负荷以及控制装置组成的新型的供电方式。微电网可有效地利用风能、太阳能、生物质能等清洁可再生能源，解决大电网和分布式电源间的矛盾。并且在事故情况下可提高系统的鲁棒性和应急能力，同时提高电能的质量。微电网能量管理的目标是在电网平稳运行的基础上，以最低的运行成本实时、准确地满足用户的供电需求，不仅要保证供电质量，还应保证短期内的供需平衡以及长期内的能量优化和微网整体的经济环保运行。
但是由于可再生能源的不可控性和间歇性、分布式电源和负荷种类的多样性，以及微网运行方式的复杂性，使得微电网能量优化管理变得越来越复杂。以多时间尺度能量管理方法为代表，现有的多时间尺度微电网能量管理模型缺乏日前长期计划和日内实时调度的有效配置机制。且由于可再生能源出力的不确定性，影响了预测的精度，无法实现精确迅速的微电网能量管理。
面对现有微电网能量管理策略存在的问题，提高能量管理模型的自适应性和能量管理的准确性，因此，发明一种微电网多时间尺度自适应能量管理调度策略是一项具有重大研究意义的课题。
发明内容
目的：为了减少分布式能源预测误差对微电网能量管理的影响，本发明从微电网多时间尺度优化管理方面入手，提出了包括日前常规调度和日内滚动调度的自适应能量管理策略，对分布式电源及可控负荷进行优化，提高能量优化准确性。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
目的：为了减少风电和光伏发电系统预测误差对微电网能量管理的影响，本发明从微电网多时间尺度优化管理方面入手，提出了包括基础日常规调度和控制日滚动调度的自适应能量管理策略，对柴油机发电系统和储能设备及可控、可切负荷进行优化，提高能量优化准确性。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
本发明从微电网多时间尺度优化管理方面入手，能量调度策略分为基础日和控制日两层，根据风电和光伏发电系统预测误差，加入储能装置S0C惩罚项自适应调整和控制日优化滚动模型自适应调整，并根据优化调度的目标函数和约束条件，对储能装置、柴油发电机出力，与大电网交互功率以及可控、可切除负荷的用电功率进行优化。
源网荷互动模式下微电网多时间尺度自适应能量调度方法，包括步骤如下：
步骤一：在微电网系统中配备光伏发电系统、风力发电系统、柴油机发电系统、储能设备和负荷；所述微电网系统中负荷包括：可切负荷、可控负荷和不可控负荷三类。
步骤二：以当前日为基础日，以明日为控制日，微电网当前日能量优化调度控制时长为24h，调度过程如下：在基础日获得控制日光伏发电系统、风力发电系统的短期，即24h后的预测出力数据和不可控负荷的短期预测用电数据，利用下文提出的微电网储能设备运行成本模型、储能装置的荷电状态模型、柴油发电机运行成本模型、负荷收益模型、微电网与大电网能量交互费用模型，当前日优化调度的目标函数、约束条件，在matlab的m-file文件中编写程序，建立微电网储能设备运行成本模型、储能装置的荷电状态模型、柴油发电机运行成本模型、负荷收益模型、微电网与大电网能量交互费用模型，当前日优化调度的目标函数和约束条件，借助yalmip工具箱和gurobi数学规划优化器计算求解，计算出控制日内每小时的柴油机发电机、储能设备的启停状态和有功出力可切、可控负荷的用电功率微电网与大电网的交互功率将基础日能量优化调度计算结果作为控制日优化计算的参考值。
步骤三：微电网控制日自适应能量优化调度控制时长可自适应调整为2小时或3小时，调度控制过程如下：在控制日，结合基础日能量优化调度计算结果、基础日风电、光伏发电系统预测出力误差以及控制日风电、光伏发电系统预测出力误差和不可控负荷的超短期预测用电数据，利用下文提出的微电网储能设备运行成本模型、储能装置的荷电状态模型、柴油发电机运行成本模型、负荷收益模型、微电网与大电网能量交互费用模型，控制日优化调度的目标函数、约束条件、自适应滚动模型和惩罚因子自适应模型，在matlab的m-file文件中编写程序，建立微电微电网储能设备运行成本模型、储能装置的荷电状态模型、柴油发电机运行成本模型、负荷收益模型、微电网与大电网能量交互费用模型，控制日优化调度的目标函数、约束条件、自适应滚动模型和惩罚因子自适应模型，借助yalmip工具箱和gurobi数学规划优化器计算求解，计算出控制日控制时间段内的柴油发电机、储能设备的启停状态和有功出力可切、可控负荷的用电功率微电网与大电网的交互功率随后下发计算得到启停、出力指令至各可控设备包括：柴油机发电机、储能设备、可切负荷、可控负荷和微电网与大电网的连接点，并按指令进行该控制时段内的启停操作和出力控制，以实现微电网在安全稳定运行的基础上，微电网的运行成本Fgen最低和微电网的环境排放处理成本Fgreen最低的目标。
所述步骤三的自适应滚动模型工作流程如下：
以时间尺度2h/分辨率15min为基准日内滚动调度模式，将一天的24小时分为96个时刻点，即每15min为一个时刻点。在k(k>12个时刻点)时刻，计算[k-12,k]时段，即k时刻之前的12个时刻点的日内风电、光伏发电系统的预测误差并求和，若总误差大于限定值Er，Er为历史平均风电、光伏发电系统预测出力误差求得，本专利算例中选为100KW，则在k时刻微电网控制日的自适应能量优化调度控制时长采用时间尺度2h/分辨率15min；若总误差小于限定值Er，则在k时刻微电网控制日的自适应能量优化调度控制时长采用时间尺度3h/分辨率30min，并在k时刻点延续采用k-1时刻的优化调度结果；在k时刻基础上，每加1个时刻点重复进行上述步骤，直到k＝96停止。
步骤三中惩罚因子自适应模型如下：
惩罚因子γ越大，该惩罚项所占目标函数比重越大，控制日调度储能装置荷电状态结果越接近基础日24小时控制时长优化结果；γ越小，所占比重越小，调度结果更趋向控制日2小时控制时长优化结果。选择合适的γ值，决定控制日计划与基础日计划的接近度，协调2小时控制时长和24小时控制时长的微电网的运行成本Fgen最低和微电网的环境排放处理成本Fgreen最低，保证电网的稳定运行。根据基础日风电、光伏发电系统的预测误差，自适应调整惩罚因子γ，具体公式如下：
其中，b、m1、m2、n1和n2是常数。当基础日风电、光伏发电系统预测出力误差小于历史风电、光伏发电系统预测出力误差平均值的一半时，本算例中，风光预测误差小于5KW，利用b的取值使储能装置荷电状态保持一致性约束，即将γ值维持在一个数量级上，如本专利算例中，未加惩罚因子自适应时γ为固定值50。加入惩罚因子自适应后，选取b为30，m1、m2为0.1，n1、n2为2，可控制γ值的范围在(30，60)之间。m1、m2、n1和n2的作用是控制储能装置荷电状态一致性约束的权重，根据日前风电和光伏发电系统出力误差的数量级进行选择。和表示t时刻的风电和光伏发电系统基础日出力误差。
有益效果：本发明提供的源网荷互动模式下微电网多时间尺度自适应能量调度方法，具有以下优点：
本发明在加入时间尺度自适应后，系统可根据控制日风光预测误差自动地选择控制日滚动调度时的时间尺度。时间尺度自适应可在保证系统稳定运行的基础上，自由切换控制日滚动时间尺度，从而获得较高的经济环保效益。
本发明在加入惩罚因子自适应调整后，系统可根据基础日风光预测误差，自适应调整储能装置荷电状态惩罚项，调整控制日计划与基础日计划的接近度，协调局部(2小时控制时长)和全局(24小时控制时长)的经济性和环保性，保证电网的稳定运行。
本发明所提出的策略通过多时间尺度的自适应优化调度，实现了微电网的经济性和环保性协调运行，减少了风电和光伏发电系统不确定性对能量管理的影响。
附图说明
图1为微电网结构示意图；
图2为微电网多时间尺度自适应能量调度方法框架图；
图3为滚动式能量管理模式图；
图4为自适应滚动模型流程图；
具体实施方式
如图1所示，工用微电网元件模型由光伏电池、风力发电机、柴油发电机、储能设备和各类负荷构成。
1)储能设备
储能设备由多块电池组成，可在并网时根据实时的调度计划灵活地充、放电，在其调度周期内的运行成本为：
T为微电网能量管理的调度周期，ΔT为时间分辨率。和为二进制数(包括0，1两个值)，为1时表示储能装置在充电，为1时表示储能装置在放电。fdis表示储能装置放电维护费，是放电功率的线性函数。为防止储能装置因频繁切换充放电状态而损坏，需要引导储能装置进行深度充放电，因此在储能装置运行费用中加入了全生命周期折算费用Fcycle。借助Fcycle可有效抑制储能装置的频繁充放电。Fcycle的值与初始投资费用Cinvest以及储能装置的循环充放电次数N有关，具体表达式为：
储能装置的荷电状态数学模型为：
表示储能装置在t时刻的剩余电量，表示储能装置t时段的功率，由于储能装置在充放电过程中存在能量损耗，计算储能实际运行功率时需考虑其充电效率ηch和放电效率ηdis，通常均取为0.9。
2)柴油发电机
柴油发电机的运行成本包括油耗成本和开机成本两部分，具体如下：
是二进制量，等于1时表示柴油发电机在运行。表示柴油发电机在t时段内的出力值。为1时表示发电机由停机状态起动为运行状态。dde-on为启机成本，与柴油机的空载油耗有关。T为微电网能量管理的调度周期，ΔT为时间分辨率，即控制日能量优化时间长度，在控制日基础优化模型中为2小时，在自适应时间尺度控制日优化模型中自适应调整为2小时或3小时。fdiesel表示油耗成本，具体表达式如式(5)，是有关的二次函数，其中A是与实时燃油价格相关的调整系数，a1、a2、a3为常数。
3)负荷
调度周期内的负荷收益如式(6)。
对负荷的优化调度主要是针对可切负荷和可控负荷这两种柔性负荷。T为微电网能量管理的调度周期，ΔT为时间分辨率。其中表示可切负荷收益，具体表达式如式(7)，fcut表示单位中断权赔偿电价。
表示t时段内重要负荷的平均功率，相应的单位收益电价为dvip；为1表示在t时段切除了部分可中断负荷，表示可切负荷在t时段的平均功率，相应的单位收益电价为dcut；表示t时段内可控制负荷的平均功率，相应的收益电价为dcon。
4)与大电网能量交互
并网型微电网还可与大电网进行能量交互，能量交互费Fgrid如下：
式中：T为微电网能量管理的调度周期，ΔT为时间分辨率。表示t时刻微电网与大电网的交互功率，为正值时表示微电网向大电网买电，为负值时表示微电网向大电网卖电。和均为二进制量，为1时表示微电网向大电网买电、售电。Bt和St表示买电和售电的电价，如表1所示。
表1.购电与售电电价
如图2所示，一种源网荷互动模式下微电网多时间尺度自适应能量调度方法中，包括如下计算模型：
优化目标
当前日优化调度的目标函数为：
minF＝αFgen+βFgreen (9)
F表示微电网总的成本，Fgen表示微电网的运行成本，Fgreen表示微电网的环境排放处理成本,本研究中将环保性定义为治理微电网系统排放的污染气体所需成本。α、β表示微电网经济运行成本和环保处理成本所占总成本的比例。
其中Fgreen和Fgen的表达式为：
本发明中讨论的风电、光伏发电、储能装置均为清洁能源，因此不考虑其环境排放处理费用。式(10)中K表示污染物的编号(本发明中取CO2，SO2，NOx三种污染物,因此M为3)，∝k表示污染物K的环境治理费用，βde,k和βgrid,k分别表示柴油发电机和主网对应的污染物的排放系数。表示t时刻微电网与大电网的交互功率。具体的微电源污染物排放系数及治理费用如表2所示。
表2.污染物治理费用及其排放系数
控制日优化调度的目标函数：
由于风电、光伏发电系统出力和负荷的波动，控制日调度需对风电、光伏发电系统的功率进行重新分配。为保证全天经济性和环保性最优，同时为保证储能装置全天的充放电功率平衡和微电网系统的平稳运行，在当前日优化调度模型中引入储能装置荷电状态的惩罚项，公式如下：
上式中，表示储能装置当前日计划i时刻的荷电状态，表示储能装置控制日计划i时刻的荷电状态，N表示调度周期。γ表示储能装置荷电状态惩罚项惩罚系数，是储能荷电状态惩罚项。
当前日滚动式能量管理模式
如图3所示，以k点为当前时间点，对[k+Nc，k+Nc+Tcycle]共Tcycle个时间段的超短期功率进行预测。首先在k时刻预测Tcycle时段的风电、光伏发电系统出力和负荷情况，根据预定的微电网储能设备运行成本模型、储能装置的荷电状态模型、柴油发电机运行成本模型、负荷收益模型、微电网与大电网能量交互费用模型，优化调度的目标函数、约束条件求得该时段的最优调度，即在微电网系统安全稳定运行的基础上获得最高的经济环保效益，但是，仅对[k+Nc，k+Nc+1]段进行控制，即图示的实施时段。最后，将控制时刻各组件的状态作为[k+Nc+1，k+Np+1]的初始值，重复上述步骤。
通过滚动优化，可以有效地减少预测误差对微电网能量管理带来的影响。Tcycle表示当前日能量优化的时间长度，在当前日优化调度模型中为2小时，在自适应时间尺度控制优化调度模型中自适应调整为2小时或3小时。k表示当前时间点，[k+Nc，k+Np]表示进行当前日能量优化的时间段，该时间段的时间长度为Tcycle，k+Nc表示进行日内能量优化的起始时间点，k+Np表示进行日内能量优化的终止时间点。
自适应滚动模型调整及惩罚因子自适应调整
如图4所示，现有的多时间尺度能量管理中，多时间尺度框架较为简单，不同时间尺度之间跨度较大，调度模式粗放。针对上述问题，本发明建立了自适应日内滚动模型。以时间尺度2h/分辨率15min为基准日内滚动调度模式，将一天的24小时分为96个时刻点，即每15min为一个时刻点。在k(k>12个时刻点)时刻，计算[k-12,k]时段，即k时刻之前的12个时刻点的日内风电、光伏发电系统的预测误差并求和，若总误差大于限定值Er，Er为历史平均风电、光伏发电系统预测出力误差求得，本专利算例中选为100KW，则在k时刻微电网控制日的自适应能量优化调度控制时长采用时间尺度2h/分辨率15min；若总误差小于限定值Er，则在k时刻微电网控制日的自适应能量优化调度控制时长采用时间尺度3h/分辨率30min，并在k时刻点延续采用k-1时刻的优化调度结果；在k时刻基础上，每加1个时刻点重复进行上述步骤，直到k＝96停止。
本发明在日内调度模型中引入了储能装置荷电状态的惩罚项。惩罚因子γ越大，该惩罚项所占目标函数比重越大，控制日调度储能装置荷电状态结果越接近基础日24小时控制时长优化结果；γ越小，所占比重越小，调度结果更趋向控制日2小时控制时长优化结果。选择合适的γ值，决定控制日计划与基础日计划的接近度，协调2小时控制时长和24小时控制时长的微电网的运行成本Fgen最低和微电网的环境排放处理成本Fgreen最低，保证电网的稳定运行。根据基础日风电、光伏发电系统的预测误差，自适应调整惩罚因子γ，具体公式如下：
其中，b、m1、m2、n1和n2是常数。当基础日风电、光伏发电系统预测出力误差小于历史风电、光伏发电系统预测出力误差平均值的一半时，本算例中，风光预测误差小于5KW，利用b的取值使储能装置荷电状态保持一致性约束，即将γ值维持在一个数量级上，如本专利算例中，未加惩罚因子自适应时γ为固定值50。加入惩罚因子自适应后，选取b为30，m1、m2为0.1，n1、n2为2，可控制γ值的范围在(30，60)之间。m1、m2、n1和n2的作用是控制储能装置荷电状态一致性约束的权重，根据日前风电和光伏发电系统出力误差的数量级进行选择。和表示t时刻的风电和光伏发电系统基础日出力误差。
关于风电、光伏发电系统预测出力误差，本专利中提及了两个风电、光伏发电系统预测出力误差：基础日风电、光伏发电系统预测出力误差，在基础日预测控制日k时刻点的风光风电、光伏发电系统出力和控制日实际风电、光伏发电系统出力之差；控制日风电、光伏发电系统预测出力误差，在控制日预测控制日k时的风电、光伏发电系统出力和控制日实际风电、光伏发电系统出力之差。在惩罚因子自适应模型中使用的是控制日风电、光伏发电系统预测出力误差，是k时刻点一个点的预测出力误差数据，一般在(0,12.5KW)之间；在自适应滚动模型中使用的是基础日风电、光伏发电系统预测出力误差，并且是计算k时刻之前3个小时的风电、光伏发电系统预测出力误差之和，即(k-12,k)之间12个时刻点的风电、光伏发电系统预测出力误差之和，一般在(0,150KW)之间，因此Er选为100KW。
(5)约束条件
a.储能充放电约束
表示储能装置的最大充放电功率。
b.储能荷电状态约束
和分别表示储能装置荷电状态的最小和最大值。
c.柴油发电机出力约束
和代表柴油发电机的最小、最大出力值。
d.联络线传输功率约束
表示与大电网间联络线的最大功率。
e.功率平衡约束
表示风电预测平均有功功率，表示光伏预测平均有功功率。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：包括步骤如下：
步骤一：在微电网系统中配备光伏发电系统、风力发电系统、柴油机发电系统、储能设备和负荷；所述微电网系统中负荷包括：可切负荷、可控负荷和不可控负荷；
步骤二：以当前日为基础日，以明日为控制日，微电网当前日能量优化调度控制时长为24h，调度过程如下：在基础日获得控制日光伏发电系统、风力发电系统的短期，即24h后的预测出力数据和不可控负荷的短期预测用电数据，在matlab的m-file文件中编写程序，建立微电网储能设备运行成本模型、储能装置的荷电状态模型、柴油发电机运行成本模型、负荷收益模型、微电网与大电网能量交互费用模型，当前日优化调度的目标函数和约束条件，借助yalmip工具箱和gurobi数学规划优化器计算求解，计算出控制日内每小时的柴油机发电机、储能设备的启停状态和有功出力可切、可控负荷的用电功率微电网与大电网的交互功率将基础日能量优化调度计算结果作为控制日优化计算的参考值；
步骤三：微电网控制日自适应能量优化调度控制时长可自适应调整为2小时或3小时，调度控制过程如下：在控制日，结合基础日能量优化调度计算结果、基础日风电、光伏发电系统预测出力误差以及控制日风电、光伏发电系统预测出力误差和不可控负荷的超短期预测用电数据，在matlab的m-file文件中编写程序，建立储能设备运行成本模型、储能装置的荷电状态模型、柴油发电机运行成本模型、负荷收益模型、微电网与大电网能量交互费用模型，控制日优化调度的目标函数、约束条件、自适应滚动模型和惩罚因子自适应模型，借助yalmip工具箱和gurobi数学规划优化器计算求解，计算出控制日控制时间段内的柴油发电机、储能设备的启停状态和有功出力可切、可控负荷的用电功率微电网与大电网的交互功率随后下发计算得到启停、出力指令至各可控设备包括：柴油机发电机、储能设备、可切负荷、可控负荷和微电网与大电网的连接点，并按指令进行该控制时段内的启停操作和出力控制，以实现微电网在安全稳定运行的基础上，微电网的运行成本Fgen最低和微电网的环境排放处理成本Fgreen最低的目标。
2.根据权利要求1所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：
所述微电网储能设备运行成本模型：
<mrow> <msub> <mi>F</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mo>&amp;lsqb;</mo> <msubsup> <mi>u</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>f</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>+</mo> <mo>|</mo> <msubsup> <mi>u</mi> <mrow> <mi>c</mi> <mi>h</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>u</mi> <mrow> <mi>c</mi> <mi>h</mi> </mrow> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>|</mo> <msub> <mi>F</mi> <mrow> <mi>c</mi> <mi>y</mi> <mi>c</mi> <mi>l</mi> <mi>e</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
T为微电网能量管理的调度周期，ΔT为时间分辨率；和为二进制数，包括0，1两个值，为1时表示储能装置在充电，为1时表示储能装置在放电；fdis表示储能装置放电维护费，是放电功率的线性函数；为防止储能装置因频繁切换充放电状态而损坏，需要引导储能装置进行深度充放电，因此在储能装置运行费用中加入了全生命周期折算费用Fcycle；借助Fcycle可有效抑制储能装置的频繁充放电；Fcycle的值与初始投资费用Cinvest以及储能装置的循环充放电次数N有关，具体表达式为：
<mrow> <msub> <mi>F</mi> <mrow> <mi>c</mi> <mi>y</mi> <mi>c</mi> <mi>l</mi> <mi>e</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>n</mi> <mi>v</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mn>2</mn> <mi>N</mi> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> 1
所述储能装置的荷电状态模型：
<mrow> <msubsup> <mi>E</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>E</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>u</mi> <mrow> <mi>c</mi> <mi>h</mi> </mrow> <mi>t</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>T</mi> <mfrac> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>&amp;eta;</mi> <mrow> <mi>c</mi> <mi>h</mi> </mrow> </msub> </mfrac> <mo>-</mo> <msubsup> <mi>u</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>&amp;Delta;T&amp;eta;</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> </mrow> </msub> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
表示储能装置在t时刻的剩余电量，表示储能装置t时段的功率，由于储能装置在充放电过程中存在能量损耗，计算储能实际运行功率时需考虑其充电效率ηch和放电效率ηdis；
所述柴油发电机运行成本模型：
<mrow> <msub> <mi>F</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mo>&amp;lsqb;</mo> <msubsup> <mi>u</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>f</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>e</mi> <mi>s</mi> <mi>e</mi> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>+</mo> <msubsup> <mi>u</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>-</mo> <mi>o</mi> <mi>n</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>-</mo> <mi>o</mi> <mi>n</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
是二进制量，等于1时表示柴油发电机在运行；表示柴油发电机在t时段内的出力值；为1时表示发电机由停机状态起动为运行状态；dde-on为启机成本，与柴油机的空载油耗有关；T为微电网能量管理的调度周期，ΔT为时间分辨率，即控制日能量优化时间长度，在控制日基础优化模型中为2小时，在自适应时间尺度控制日优化模型中自适应调整为2小时或3小时；fdiesel表示油耗成本，具体表达式如式(5)，是有关的二次函数，其中A是与实时燃油价格相关的调整系数，a1、a2、a3为常数；
<mrow> <msub> <mi>f</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>e</mi> <mi>s</mi> <mi>e</mi> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mi>A</mi> <mo>&amp;lsqb;</mo> <msub> <mi>a</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>a</mi> <mn>2</mn> </msub> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>a</mi> <mn>3</mn> </msub> <msup> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
所述负荷收益模型：
<mrow> <msub> <mi>F</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mi>&amp;Delta;</mi> <mi>T</mi> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>v</mi> <mi>i</mi> <mi>p</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>v</mi> <mi>i</mi> <mi>p</mi> </mrow> </msub> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>n</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>n</mi> </mrow> </msub> <mo>+</mo> <msubsup> <mi>F</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
T为微电网能量管理的调度周期，ΔT为时间分辨率；其中表示可切负荷收益，具体表达式如式(7)，fcut表示单位中断权赔偿电价；
<mrow> <msubsup> <mi>F</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>u</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <msub> <mi>f</mi> <mrow> <mi>c</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
表示t时段内重要负荷的平均功率，相应的单位收益电价为dvip；为1表示在t时段切除了部分可中断负荷，表示可切负荷在t时段的平均功率，相应的单位收益电价为dcut；表示t时段内可控制负荷的平均功率，相应的收益电价为dcon；
所述微电网与大电网能量交互费用模型：
<mrow> <msub> <mi>F</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>|</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>|</mo> <mo>&amp;lsqb;</mo> <msubsup> <mi>u</mi> <mrow> <mi>b</mi> <mi>u</mi> <mi>y</mi> </mrow> <mi>t</mi> </msubsup> <msup> <mi>B</mi> <mi>t</mi> </msup> <mo>-</mo> <msubsup> <mi>u</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <msup> <mi>S</mi> <mi>t</mi> </msup> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
式中：T为微电网能量管理的调度周期，ΔT为时间分辨率；表示t时刻微电网与大电网的交互功率，为正值时表示微电网向大电网买电，为负值时表示微电网向大电网卖电；和均为二进制量，为1时表示微电网向大电网买电、售电；Bt和St表示买电和售电的电价，如表1所示：
表1.购电与售电电价
所述当前日优化调度的目标函数：
minF＝αFgen+βFgreen (9)
F表示微电网总的成本，Fgen表示微电网的运行成本，Fgreen表示微电网的环境排放处理成本,α、β表示微电网经济运行成本和环保处理成本所占总成本的比例；
其中Fgreen和Fgen的表达式为：
<mrow> <msub> <mi>F</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>e</mi> <mi>e</mi> <mi>n</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msup> <mn>10</mn> <mrow> <mo>-</mo> <mn>3</mn> </mrow> </msup> <msub> <mi>&amp;alpha;</mi> <mi>k</mi> </msub> <mo>(</mo> <mrow> <msub> <mi>&amp;beta;</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>u</mi> <mrow> <mi>b</mi> <mi>u</mi> <mi>y</mi> </mrow> <mi>t</mi> </msubsup> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> <mo>.</mo> <mi>k</mi> </mrow> </msub> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>F</mi> <mrow> <mi>g</mi> <mi>e</mi> <mi>n</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>F</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>F</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>F</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>F</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
式(10)中K表示污染物的编号，本发明中取CO2，SO2，NOx三种污染物,因此M为3，∝k表示污染物K的环境治理费用，βde,k和βgrid,k分别表示柴油发电机和主网对应的污染物的排放系数，表示t时刻微电网与大电网的交互功率；具体的微电源污染物排放系数及治理费用如表2所示：
表2.污染物治理费用及其排放系数
所述控制日优化调度的目标函数：
<mrow> <mi>min</mi> <mi> </mi> <mi>F</mi> <mo>=</mo> <msub> <mi>&amp;alpha;F</mi> <mrow> <mi>g</mi> <mi>e</mi> <mi>n</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;beta;F</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>e</mi> <mi>e</mi> <mi>n</mi> </mrow> </msub> <mo>+</mo> <mi>&amp;gamma;</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <msubsup> <mi>E</mi> <mrow> <mi>e</mi> <mi>s</mi> <mi>d</mi> <mi>a</mi> <mi>y</mi> <mi>i</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>E</mi> <mrow> <mi>e</mi> <mi>s</mi> <mi>d</mi> <mi>a</mi> <mi>y</mi> <mi>b</mi> <mi>e</mi> <mi>f</mi> <mi>o</mi> <mi>r</mi> <mi>e</mi> </mrow> <mi>i</mi> </msubsup> <mo>|</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
上式中，表示储能装置当前日计划i时刻的荷电状态，表示储能装置控制日计划i时刻的荷电状态，N表示调度周期；γ表示储能装置荷电状态惩罚项惩罚系数，是储能荷电状态惩罚项；
所述约束条件：
a.储能充放电约束
<mrow> <mn>0</mn> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
表示储能装置的最大充放电功率；
b.储能荷电状态约束
<mrow> <msubsup> <mi>E</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>E</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>E</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
和分别表示储能装置荷电状态的最小和最大值；
c.柴油发电机出力约束
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
和代表柴油发电机的最小、最大出力值；
d.联络线传输功率约束
<mrow> <mo>|</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>|</mo> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>
表示与大电网间联络线的最大功率；
e.功率平衡约束
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>u</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>c</mi> <mi>h</mi> </mrow> <mi>t</mi> </msubsup> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>u</mi> <mrow> <mi>b</mi> <mi>u</mi> <mi>y</mi> </mrow> <mi>t</mi> </msubsup> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>u</mi> <mrow> <mi>c</mi> <mi>h</mi> </mrow> <mi>t</mi> </msubsup> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>u</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>
表示风电预测平均有功功率，表示光伏预测平均有功功率。
3.根据权利要求2所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：所述充电效率ηch和放电效率ηdis均取为0.9。
4.根据权利要求1所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：
所述自适应滚动模型：以时间尺度2h/分辨率15min为基准日内滚动调度模式，将一天的24小时分为96个时刻点，即每15min为一个时刻点；在k时刻，k>12个时刻点，计算[k-12,k]时段，即k时刻之前的12个时刻点的日内风电、光伏发电系统的预测误差并求和，若总误差大于限定值Er，Er为历史平均风电、光伏发电系统预测出力误差求得，则在k时刻微电网控制日的自适应能量优化调度控制时长采用时间尺度2h/分辨率15min；若总误差小于限定值Er，则在k时刻微电网控制日的自适应能量优化调度控制时长采用时间尺度3h/分辨率30min，并在k时刻点延续采用k-1时刻的优化调度结果；在k时刻基础上，每加1个时刻点重复进行上述步骤，直到k＝96停止。
5.根据权利要求4所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：所述Er选为100KW。
6.根据权利要求1所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：
所述惩罚因子自适应模型：惩罚因子γ越大，该惩罚项所占目标函数比重越大，控制日调度储能装置荷电状态结果越接近基础日24小时控制时长优化结果；γ越小，所占比重越小，调度结果更趋向控制日2小时控制时长优化结果；选择合适的γ值，决定控制日计划与基础日计划的接近度，协调2小时控制时长和24小时控制时长的微电网的运行成本Fgen最低和微电网的环境排放处理成本Fgreen最低，保证电网的稳定运行；
根据基础日风电、光伏发电系统的预测误差，自适应调整惩罚因子γ，具体公式如下：
<mrow> <mi>&amp;gamma;</mi> <mo>=</mo> <mi>b</mi> <mo>+</mo> <msub> <mi>m</mi> <mn>1</mn> </msub> <mo>&amp;times;</mo> <msup> <mrow> <mo>(</mo> <mo>|</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mn>1</mn> </mrow> <mi>t</mi> </msubsup> <mo>|</mo> <mo>)</mo> </mrow> <msub> <mi>n</mi> <mn>1</mn> </msub> </msup> <mo>+</mo> <msub> <mi>m</mi> <mn>2</mn> </msub> <mo>&amp;times;</mo> <msup> <mrow> <mo>(</mo> <mo>|</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mn>1</mn> </mrow> <mi>t</mi> </msubsup> <mo>|</mo> <mo>)</mo> </mrow> <msub> <mi>n</mi> <mn>2</mn> </msub> </msup> </mrow>
其中，b、m1、m2、n1和n2是常数；当基础日风电、光伏发电系统预测出力误差小于历史风电、光伏发电系统预测出力误差平均值的一半时，利用b的取值使储能装置荷电状态保持一致性约束，即将γ值维持在一个数量级上；和表示t时刻的风电和光伏发电系统基础日出力误差。
7.根据权利要求6所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：当未加惩罚因子自适应时，γ为固定值50；当加入惩罚因子自适应后，选取b为30，m1、m2为0.1，n1、n2为2，可控制γ值的范围在(30，60)之间。
8.根据权利要求1所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：所述基础日风电、光伏发电系统预测出力误差：在基础日预测控制日k时刻点的风光风电、光伏发电系统出力和控制日实际风电、光伏发电系统出力之差。
9.根据权利要求1所述的源网荷互动模式下微电网多时间尺度自适应能量调度方法，其特征在于：所述控制日风电、光伏发电系统预测出力误差：在控制日预测控制日k时的风电、光伏发电系统出力和控制日实际风电、光伏发电系统出力之差。
CN201710461496.6A 2017-06-16 2017-06-16 源网荷互动模式下微电网多时间尺度自适应能量调度方法 Pending CN107196294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710461496.6A CN107196294A (zh) 2017-06-16 2017-06-16 源网荷互动模式下微电网多时间尺度自适应能量调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710461496.6A CN107196294A (zh) 2017-06-16 2017-06-16 源网荷互动模式下微电网多时间尺度自适应能量调度方法

Publications (1)

Publication Number Publication Date
CN107196294A true CN107196294A (zh) 2017-09-22

Family

ID=59878463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710461496.6A Pending CN107196294A (zh) 2017-06-16 2017-06-16 源网荷互动模式下微电网多时间尺度自适应能量调度方法

Country Status (1)

Country Link
CN (1) CN107196294A (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107565607A (zh) * 2017-10-24 2018-01-09 华北电力大学（保定） 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
CN108448632A (zh) * 2018-04-26 2018-08-24 东南大学 计及储能荷电状态循环的交直流微网日内滚动优化调度方法
CN109088442A (zh) * 2018-10-29 2018-12-25 国网山东省电力公司日照供电公司 多时间尺度下考虑多种储能的微能源网优化调度模型
CN109149567A (zh) * 2018-09-10 2019-01-04 华南理工大学 含混合储能的独立型微电网的多时间尺度协调控制方法
CN109149658A (zh) * 2018-08-23 2019-01-04 河海大学 基于一致性理论的独立微电网分布式动态经济调度方法
CN109742796A (zh) * 2019-01-10 2019-05-10 华北电力大学 一种风光水火储联合系统的多时间尺度协调调度方法
CN110137942A (zh) * 2019-04-23 2019-08-16 河海大学 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和系统
CN110311423A (zh) * 2019-07-26 2019-10-08 内蒙古大学 基于超限惩罚的独立微电网动态回馈修正优化调度方法
CN111311436A (zh) * 2020-03-17 2020-06-19 上海积成能源科技有限公司 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法
CN111463809A (zh) * 2020-02-28 2020-07-28 浙江工业大学 一种考虑源荷不确定性的光储电协调控制方法
CN111490563A (zh) * 2020-05-05 2020-08-04 东北电力大学 一种适用于交直流配电网的自适应时间尺度优化调度方法
CN111525627A (zh) * 2020-05-08 2020-08-11 清华大学 含抽蓄与新能源发电的柔性直流输电系统日前调度方法
CN112290598A (zh) * 2020-09-17 2021-01-29 河北电力交易中心有限公司 基于电力现货环境的分布式光伏发电管理及结算方法
CN112531699A (zh) * 2020-12-04 2021-03-19 广东电网有限责任公司电力调度控制中心 一种微电网自治能管系统能量调度方法和系统
CN112564109A (zh) * 2020-12-22 2021-03-26 国网福建省电力有限公司 一种基于储能系统参与含大规模海上风电的调频优化运行方法
CN112769149A (zh) * 2021-01-21 2021-05-07 山东大学 混联风光微电网快速频率响应分布式协调控制方法及系统
CN113300393A (zh) * 2021-05-18 2021-08-24 深圳供电局有限公司 直流微电网电池储能能量管理方法、管理设备、存储介质
CN113452020A (zh) * 2021-02-08 2021-09-28 国网江苏省电力有限公司电力科学研究院 一种考虑柔性氢需求的电氢能源系统调度方法
US11262718B2 (en) * 2017-06-30 2022-03-01 Merit Si, Llc Method and system for managing microgrid assets
CN114884108A (zh) * 2022-06-14 2022-08-09 福州大学 源网荷储一体化的微电网多时间尺度能量管理优化方法
CN114944661A (zh) * 2022-07-13 2022-08-26 西南交通大学 一种基于储能系统滚动优化的微电网三阶段优化控制方法
CN115313360A (zh) * 2022-07-25 2022-11-08 国网黑龙江省电力有限公司信息通信公司 一种基于模型的电网调度控制方法
CN115912351A (zh) * 2022-11-30 2023-04-04 国网北京市电力公司 光伏日内日前模型预测方法、系统、设备及介质
WO2023056794A1 (en) * 2021-10-08 2023-04-13 International Business Machines Corporation Analyzing electrical usage in an electrical grid for facilitating management of electrical transmission
CN116231763A (zh) * 2023-05-08 2023-06-06 广州三晶电气股份有限公司 具备自学习能力的家庭能源管理系统优化调度方法及装置
US11689020B2 (en) 2021-05-19 2023-06-27 International Business Machines Corporation Computer modeling to analyze electrical usage in an electrical grid for facilitating management of electrical transmission
CN117175587A (zh) * 2023-11-03 2023-12-05 国网山东省电力公司东营供电公司 考虑柔性负荷的配电网调度优化方法、系统、终端及介质
CN117614039A (zh) * 2024-01-24 2024-02-27 国网浙江省电力有限公司宁波供电公司 一种分布式资源管理方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104283236A (zh) * 2014-10-25 2015-01-14 国网重庆武隆县供电有限责任公司 一种风光储能并网发电智能优化调度方法
CN106384168A (zh) * 2016-09-20 2017-02-08 北京恒泰实达科技股份有限公司 针对特性各异电源的多目标协调优化调度模型
CN106505635A (zh) * 2016-09-20 2017-03-15 北京恒泰实达科技股份有限公司 弃风最小的有功调度模型及调度系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104283236A (zh) * 2014-10-25 2015-01-14 国网重庆武隆县供电有限责任公司 一种风光储能并网发电智能优化调度方法
CN106384168A (zh) * 2016-09-20 2017-02-08 北京恒泰实达科技股份有限公司 针对特性各异电源的多目标协调优化调度模型
CN106505635A (zh) * 2016-09-20 2017-03-15 北京恒泰实达科技股份有限公司 弃风最小的有功调度模型及调度系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘春阳等: "考虑蓄电池分组优化的风储系统多层次调度策略", 《电网技术》 *
史冬岩: "《现代设计理论和方法》", 30 April 2016, 北京航空航天大学出版社 *
杨兆升: "《基于动态信息的智能导航与位置服务系统关键技术及其应用》", 31 May 2012, 中国铁道出版社 *
窦晓波 等: "微电网改进多时间尺度能量管理模型", 《电力系统自动化》 *
肖浩 等: "基于模型预测控制的微电网多时间尺度协调优化调度", 《电力系统自动化》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11262718B2 (en) * 2017-06-30 2022-03-01 Merit Si, Llc Method and system for managing microgrid assets
CN107565607B (zh) * 2017-10-24 2020-07-07 华北电力大学（保定） 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
CN107565607A (zh) * 2017-10-24 2018-01-09 华北电力大学（保定） 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
CN108448632A (zh) * 2018-04-26 2018-08-24 东南大学 计及储能荷电状态循环的交直流微网日内滚动优化调度方法
CN109149658B (zh) * 2018-08-23 2021-11-19 河海大学 基于一致性理论的独立微电网分布式动态经济调度方法
CN109149658A (zh) * 2018-08-23 2019-01-04 河海大学 基于一致性理论的独立微电网分布式动态经济调度方法
CN109149567A (zh) * 2018-09-10 2019-01-04 华南理工大学 含混合储能的独立型微电网的多时间尺度协调控制方法
CN109088442A (zh) * 2018-10-29 2018-12-25 国网山东省电力公司日照供电公司 多时间尺度下考虑多种储能的微能源网优化调度模型
CN109088442B (zh) * 2018-10-29 2021-12-14 国网山东省电力公司日照供电公司 多时间尺度下考虑多种储能的微能源网优化调度模型
CN109742796A (zh) * 2019-01-10 2019-05-10 华北电力大学 一种风光水火储联合系统的多时间尺度协调调度方法
CN110137942A (zh) * 2019-04-23 2019-08-16 河海大学 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和系统
CN110137942B (zh) * 2019-04-23 2022-09-16 河海大学 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和系统
CN110311423A (zh) * 2019-07-26 2019-10-08 内蒙古大学 基于超限惩罚的独立微电网动态回馈修正优化调度方法
CN110311423B (zh) * 2019-07-26 2023-01-20 内蒙古大学 基于超限惩罚的独立微电网动态回馈修正优化调度方法
CN111463809A (zh) * 2020-02-28 2020-07-28 浙江工业大学 一种考虑源荷不确定性的光储电协调控制方法
CN111311436A (zh) * 2020-03-17 2020-06-19 上海积成能源科技有限公司 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法
CN111490563A (zh) * 2020-05-05 2020-08-04 东北电力大学 一种适用于交直流配电网的自适应时间尺度优化调度方法
CN111525627A (zh) * 2020-05-08 2020-08-11 清华大学 含抽蓄与新能源发电的柔性直流输电系统日前调度方法
CN111525627B (zh) * 2020-05-08 2021-08-27 清华大学 含抽蓄与新能源发电的柔性直流输电系统日前调度方法
CN112290598A (zh) * 2020-09-17 2021-01-29 河北电力交易中心有限公司 基于电力现货环境的分布式光伏发电管理及结算方法
CN112290598B (zh) * 2020-09-17 2022-06-28 河北电力交易中心有限公司 基于电力现货环境的分布式光伏发电管理及结算方法
CN112531699A (zh) * 2020-12-04 2021-03-19 广东电网有限责任公司电力调度控制中心 一种微电网自治能管系统能量调度方法和系统
CN112531699B (zh) * 2020-12-04 2023-08-18 广东电网有限责任公司电力调度控制中心 一种微电网自治能管系统能量调度方法和系统
CN112564109B (zh) * 2020-12-22 2022-08-23 国网福建省电力有限公司 一种基于储能系统参与含大规模海上风电的调频优化运行方法
CN112564109A (zh) * 2020-12-22 2021-03-26 国网福建省电力有限公司 一种基于储能系统参与含大规模海上风电的调频优化运行方法
CN112769149A (zh) * 2021-01-21 2021-05-07 山东大学 混联风光微电网快速频率响应分布式协调控制方法及系统
CN113452020A (zh) * 2021-02-08 2021-09-28 国网江苏省电力有限公司电力科学研究院 一种考虑柔性氢需求的电氢能源系统调度方法
CN113300393A (zh) * 2021-05-18 2021-08-24 深圳供电局有限公司 直流微电网电池储能能量管理方法、管理设备、存储介质
CN113300393B (zh) * 2021-05-18 2024-03-29 深圳供电局有限公司 直流微电网电池储能能量管理方法、管理设备、存储介质
US11689020B2 (en) 2021-05-19 2023-06-27 International Business Machines Corporation Computer modeling to analyze electrical usage in an electrical grid for facilitating management of electrical transmission
WO2023056794A1 (en) * 2021-10-08 2023-04-13 International Business Machines Corporation Analyzing electrical usage in an electrical grid for facilitating management of electrical transmission
CN114884108A (zh) * 2022-06-14 2022-08-09 福州大学 源网荷储一体化的微电网多时间尺度能量管理优化方法
CN114944661A (zh) * 2022-07-13 2022-08-26 西南交通大学 一种基于储能系统滚动优化的微电网三阶段优化控制方法
CN114944661B (zh) * 2022-07-13 2023-06-20 西南交通大学 一种基于储能系统滚动优化的微电网三阶段优化控制方法
CN115313360A (zh) * 2022-07-25 2022-11-08 国网黑龙江省电力有限公司信息通信公司 一种基于模型的电网调度控制方法
CN115912351A (zh) * 2022-11-30 2023-04-04 国网北京市电力公司 光伏日内日前模型预测方法、系统、设备及介质
CN116231763B (zh) * 2023-05-08 2023-08-04 广州三晶电气股份有限公司 具备自学习能力的家庭能源管理系统优化调度方法及装置
CN116231763A (zh) * 2023-05-08 2023-06-06 广州三晶电气股份有限公司 具备自学习能力的家庭能源管理系统优化调度方法及装置
CN117175587A (zh) * 2023-11-03 2023-12-05 国网山东省电力公司东营供电公司 考虑柔性负荷的配电网调度优化方法、系统、终端及介质
CN117175587B (zh) * 2023-11-03 2024-03-15 国网山东省电力公司东营供电公司 考虑柔性负荷的配电网调度优化方法、系统、终端及介质
CN117614039A (zh) * 2024-01-24 2024-02-27 国网浙江省电力有限公司宁波供电公司 一种分布式资源管理方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN107196294A (zh) 源网荷互动模式下微电网多时间尺度自适应能量调度方法
Ju et al. A multi-objective robust scheduling model and solution algorithm for a novel virtual power plant connected with power-to-gas and gas storage tank considering uncertainty and demand response
Teng et al. Technical review on advanced approaches for electric vehicle charging demand management, part i: Applications in electric power market and renewable energy integration
WO2020143104A1 (zh) 一种考虑阻塞和储能分时电价的电网混合滚动调度方法
CN106160091B (zh) 促进可再生能源消纳的电动汽车换电站充放电调度方法
CN107294122A (zh) 一种混合储能系统分层动态控制方法
CN110148969B (zh) 基于模型预测控制技术的主动配电网优化运行方法
CN111786422B (zh) 基于bp神经网络的微电网参与上层电网实时优化调度方法
CN107565607A (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
CN102738833A (zh) 一种含风电的电力系统多时间尺度滚动协调调度方法
CN104333047B (zh) 一种适用于风电接入的电力系统实时滚动计划方法
CN112086998B (zh) 孤岛模式下直流微电网的能量优化调度方法
CN106953316A (zh) 微电网变时间尺度优化调度方法
CN104578145B (zh) 一种面向智能用电的连续任务型负荷能量控制方法
CN107404129A (zh) 风‑储混合电站运行策略及短期计划出力优化方法
CN105356521A (zh) 一种基于时域滚动控制的交直流混合微电网运行优化方法
CN107947166B (zh) 一种基于动态矩阵控制的多能微网变时调度方法及装置
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
Chang et al. Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant
CN112510690B (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
CN105932668A (zh) 用于最小化弃风弃光电量的新能源发电权置换评估的方法
CN112928755B (zh) 光伏储能系统的控制方法、装置及存储介质
Sun et al. Hierarchical Scheduling Control Method for Cascade Hydro‐PV‐Pumped Storage Generation System
Jia et al. Multi-layer coordinated optimization of integrated energy system with electric vehicles based on feedback correction
CN110034569A (zh) 一种含可变速海水抽蓄机组和化学储能的联合系统混合模型预测控制方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922