CN107591833A - 一种计及不同运行策略的微网可靠性评估方法 - Google Patents

一种计及不同运行策略的微网可靠性评估方法 Download PDF

Info

Publication number
CN107591833A
CN107591833A CN201610532855.8A CN201610532855A CN107591833A CN 107591833 A CN107591833 A CN 107591833A CN 201610532855 A CN201610532855 A CN 201610532855A CN 107591833 A CN107591833 A CN 107591833A
Authority
CN
China
Prior art keywords
microgrid
wind
meter
reliability
power
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
CN201610532855.8A
Other languages
English (en)
Inventor
卢锦玲
周松浩
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201610532855.8A priority Critical patent/CN107591833A/zh
Publication of CN107591833A publication Critical patent/CN107591833A/zh
Pending legal-status Critical Current

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • 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
    • 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

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种计及不同运行策略的微网可靠性评估方法，该方法包括以下步骤：I、根据状态空间法建立储能系统的可靠性模型；II、根据某一地区过去10年的风速、日光照辐射强度历史数据，建立它们的自回归滑动平均模型(ARMA模型)，根据功率转换公式求出未来一年计及机组故障的单个风电和光伏机组输出功率模型；III、建立计划利用微网供电的负荷时序模型；IV、采用生物地理学粒子群混合算法求解计及运行策略的微网中风光柴储容量的最优配置；V、考虑微网具体的网架结构进行可靠性评估。该方法在进行可靠性评估前确定了接入微网的风光柴储容量，评估计及微网具体的网架结构和运行策略，其符合实际，可以有效掌握微网独立运行时的供电可靠性。

Description

一种计及不同运行策略的微网可靠性评估方法
技术领域
本发明涉及一种微网可靠性评估方法，具体地说，是一种计及不同运行策略的微网可靠性评估方法。
背景技术
21世纪以来，化石能源的利用量越来越大，因此出现了能源危机，同时也带来了一系列的环境问题，如气候变暖等。新能源，包括太阳能、风能、潮汐能、生物质能等受到各国的广泛关注，于是便出现了利用分布式电源供电。微电网具有对分布式电源有效利用及灵活、智能控制的特点，微电网是由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置等汇集而成的小型发配电系统，既可以与外部电网并网运行，也可以孤岛运行。可靠性指标可以对微网运行、改造等提供参考，但是传统的电力系统可靠性分析方法不适用于微网可靠性分析，且微网也有不同的运行策略，因此提出一种计及不同运行策略的微网可靠性评估方法显得尤为重要。
发明内容
本发明的目的是针对现有技术的不足，提出一种计及不同运行策略的微网可靠性评估方法，以完善微电网可靠性评估模型和方法。
为了达到上述目的，本发明采用的技术方案是：
一种计及不同运行策略的微网可靠性评估方法，所述方法通过状态空间法建立储能系统的可靠性模型，把储能系统故障考虑到微网可靠性分析中，通过过去10年历史数据建立未来一年风光输出功率模型，采用生物地理学粒子群混合算法求解微网容量最优配置，计及风光柴储设备故障、不同运行策略、微网网架结构等对微网进行可靠性评估。
一种计及不同运行策略的微网可靠性评估方法，所述方法包括以下步骤：
步骤1：运用状态空间法建立储能系统的可靠性模型，得到系统的等效故障率和修复率；
步骤2：根据某一地区过去10年的风速、日光照辐射强度历史数据建立未来一年的风速、日光照辐射度ARMA模型，然后利用功率转换公式求出计及故障的单台风光机组一年的时序输出功率；
步骤3：建立计划利用微网供电的负荷时序模型；
步骤4：采用生物地理学粒子群混合算法对接入微网的风光柴储容量进行优化配置求解，首先初始化生物地理学算法的参数，包括迭代次数，最大迁入率、迁出率，栖息地的个数即种群规模，栖息地的参数即风光柴储容量，粒子群算法中的学习因子大小，最大最小惯性权重，另外还有风光柴储容量约束，建立适应度评价函数，负荷不足量WL、能量浪费量W0作为惩罚函数加入到评价函数中，不同的运行策略微网容量优化配置结果不同，分别选取其中一种策略进行优化求解；
求解考虑了3种运行策略，运行策略如下：
策略1：储能装置和柴油发电机轮流做主电源
1-1：计算第i个小时的风电机组出力Pw(i)、光伏机组出力Ppv(i)、负荷大小PL(i)；
1-2：如果Pw(i)+Ppv(i)＞PL(i)，判断储能装置荷电状态，如果SOC＜SOCmax，给储能装置充电至SOCmax；如果已达到SOCmax，此时Pw(i)与Ppv(i)之和仍大于PL(i)，则记录多余的电源能量W0；
1-3：如果Pw(i)+Ppv(i)＜PL(i)，优先考虑用储能装置给负荷供电，储能装置做主电源，如果储能装置荷电状态SOC＞SOCmin，则用储能装置与风光机组一起给微网负荷供电；
1-4：如果Pw(i)与Ppv(i)之和仍旧小于PL(i)，记录缺电负荷大小WL；
1-5：判断储能装置荷电状态，如果SOC＜SOCmin，此时Pw(i)+Ppv(i)＜PL(i)，则开启柴油发电机组，关闭储能装置；
1-6：系统中有风光柴共同给负荷供电，柴油发电机组做主电源，若此时有剩余容量，给储能装置充电；如果风光柴出力之和仍旧小于PL(i)，记录缺电负荷大小WL；
1-7：令i＝i+1，如果i＜8760，则返回步骤1-1，否则终止循环；
策略2：柴油发电机做主电源储能装置后备
2-1：计算第i个小时的风电机组出力Pw(i)、光伏机组出力Ppv(i)、负荷大小PL(i)；
2-2：如果Pw(i)+Ppv(i)＞PL(i)，判断储能装置荷电状态，如果SOC＜SOCmax，则给储能装置充电至SOCmax；如果已达到SOCmax，此时Pw(i)与Ppv(i)之和仍大于PL(i)，则记录多余的电源能量W0；
2-3：如果Pw(i)+Ppv(i)＜PL(i)，优先考虑用柴油发电机组给负荷供电，调节柴油发电机出力使其满足负荷要求，如果柴油发电机最小出力时，仍有能量剩余，则记录多余的电源能量W0；
2-4：当柴油发电机最大出力时，仍不能满足微网负荷要求，则计划开启储能装置，判断储能装置荷电状态，如果SOCmin＜SOC＜SOCmax，则风光柴储共同给负荷供电；
2-5：如果仍不满足负荷要求，则记录缺电负荷大小WL；
2-6：令i＝i+1，如果i＜8760，则返回步骤2-1，否则终止循环；
策略3：储能装置做主电源柴油发电机持续运行
3-1：计算第i个小时的风电机组出力Pw(i)、光伏机组出力Ppv(i)、负荷大小PL(i)；
3-2：柴油发电机组出力为PD(i)，如果Pw(i)+Ppv(i)+PD(i)＞PL(i)，则判断储能装置荷电状态，如果SOC＜SOCmax，则给储能装置充电至SOCmax；
3-3：如果Pw(i)+Ppv(i)+PD(i)＜PL(i)，则判断储能装置荷电状态，如果SOCmin＜SOC＜SOCmax，开启储能装置给负荷供电；
3-4：如果仍不满足负荷要求，则记录缺电负荷大小WL；
3-5：令i＝i+1，如果i＜8760，则返回步骤3-1，否则终止循环；
步骤5：基于步骤4求得的接入微网的风光柴储容量，以集中方式接入微网，考虑微网的网架结构、运行策略进行可靠性评估，模拟时间为100年，对于任意一种运行策略，评估之前首先形成微网内非电源元件故障的FEMA表；评估过程采用序贯蒙特卡洛模拟方法对微网内非电源元件进行抽样，选择无故障运行时间最少的元件为故障元件，同时求得故障元件的修复时间，此时通过查FEMA表记录故障元件造成的微网内负荷点停电次数、停电时间、电量缺额；对无故障运行时间和故障修复时间内与微网相连的用户分别进行可靠性评估，记录微网内负荷点的电量缺额；综合可得微网可靠性指标。
作为进一步描述，所述步骤1中，建立储能系统的可靠性模型，以电池储能系统为例，电池储能主要包括储能电池模块、DC/DC变换器、DC/AC变换器和滤波器，这四部分属于串联系统，其故障率分别为λ1、λ2、λ3和λ4，修复率分别为μ1、μ2、μ3和μ4，系统的等效故障率即四部分的故障率之和，即
λ＝λ1+λ2+λ3+λ4
首先形成储能系统状态转移图，然后形成状态转移矩阵A，根据公式：
求得系统的平稳状态概率P，其中系统处于正常工作状态的概率推倒得等效修复率为：
作为进一步描述，所述步骤2中，时间序列的ARMA模型为：
式中：分别是模型的自回归和滑动平均参数；εt是均值为0、方差为σa 2的高斯白噪声，即εt∈(0，σa 2)；
风速时序序列为：xt0＝σt·xt+μt，其中μt和σt分别表示10年风速序列在t时刻的均值和方差；
同理，日光照辐射强度的时间序列为：
Gt0＝σt0·xt+μt0
其中μt0和σt0分别表示10年日光照辐射强度序列在t时刻的均值和方差。
所述步骤3中，负荷的时序模型表达式如下：
L(t)＝LyPwPdPb(t)
式中，Ly为年负荷峰值，Pw为周负荷峰值与年负荷峰值的比，Pd为日负荷峰值与周负荷峰值的比，Ph(t)为t小时负荷的值与日负荷峰值的比。
所述步骤4中，储能电池有充放电约束条件，充放电时有最大充电功率和最大放电功率限制，充放电时储能电池的容量也必须介于最小和最大容量之间。
所述步骤4中，生物地理学粒子群混合算法，算法的主要思想在于用粒子群算法的更新方式改进栖息地个体中那些适应度值较差的个体，而摒弃生物地理学算法自身的突变操作，算法迭代时，先进行生物地理学算法的迁移操作，这时每个个体都会有一定的改进，接着将所有个体按适应度值从最优到最差进行排序，选出适应度值最好的个体作为其他个体的“榜样”，接着让那些排在适应度值末尾的个体根据先前选出的最优个体进行改进，可以称这一步为二次更新，这时使用的策略就是来源于粒子群算法的更新方式，在本发明中则将迁移操作后适应度值排在所有栖息地个体靠后一半的个体进行重新更新。
所述步骤2、4和5中，风光机组功率模型建立、微网容量优化配置和可靠性评估都计及了电源设备的故障，设备的运行一停运时间可由平均无故障持续时间(TF)和平均修复时间(TR)模拟得到，状态持续时间一般服从指数分布，表达式为：
式中，x1和x2为(0，1)均匀分布的随机数，λ、μ分别表示设备的故障率和修复率。
与现有技术相比，本发明的有益效果是：利用过去10年的风速和日光照辐射强度历史数据建立ARMA模型，建立一年的风光时序出力模型，然后计及运行策略采用生物地理学粒子群混合算法求解微网风光柴储容量最优配置，在此基础上进行微网可靠性评估，使得微网可靠性模型更加准确、完善，可以有效掌握微网的可靠性指标。
附图说明
图1为：本发明一实施例的整体流程图。
图2为：本发明一实施例的生物地理学粒子群混合算法流程图。
图3为：本发明一实施例的微网系统图。
具体实施方式
下面通过附图和实施例对本发明的技术方案作进一步详细说明。
如图1所示，本发明所述的计及不同运行策略的微网可靠性评估方法，包括如下步骤：
步骤1：根据状态空间法建立储能系统的可靠性模型，得到系统的等效故障率和修复率；获得风电机组、光伏机组和柴油发电机组的故障率和平均修复时间，风电机组故障率取为0.22次/年，平均修复时间为60小时/次，光伏机组故障率取为0.12次/年，平均修复时间为72小时/次，柴油发电机故障率取为0.18次/年，平均修复时间为12小时/次；
本实施例中储能装置采用电池储能，电池储能主要包括储能电池模块、DC/DC变换器、DC/AC变换器和滤波器，这四部分属于串联系统，其故障率分别为λ1、λ2、λ3和λ4，修复率分别为μ1、μ2、μ3和μ4，系统的等效故障率即四部分的故障率之和，即
λ＝λ1+λ2+λ3+λ4
首先形成储能系统状态转移图，然后形成状态转移矩阵A，根据公式：
求得系统的平稳状态概率P，其中系统处于正常工作状态的概率推倒得等效修复率为：
步骤2：通过过去10年的风速、日光照辐射强度建立未来一年的风速、日光照辐射度ARMA模型，然后利用功率转换公式求出风光一年的时序输出功率；
时间序列的ARMA模型为：
式中：分别是模型的自回归和滑动平均参数；εt是均值为0、方差为σa 2的高斯白噪声，即εt∈(0，σa 2)。
风速时序序列为：xt0＝σt·xt+μt，其中μt和σt分别表示10年风速序列在t时刻的均值和方差；
同理，日光照辐射强度的时间序列为：
Gt0＝σt0·xt+μt0
其中μt0和σt0分别表示10年日光照辐射强度序列在t时刻的均值和方差。
求得未来一年的时序风速和日光照辐射强度后，利用功率转换公式求风光一年的时序输出功率，其中风电机组功率转换公式为：
式中，Pr为风力发电机的额定输出功率，vci为切入风速，vr为额定风速，vco为切出风速，A、B、C是关于vci、vr、vco的表达式：
光伏机组功率转换公式为：
式中Pm为额定功率，Gt为第t个小时的光照强度，Gstd为标准环境给定的光照强度，通常取1kW/m2，Rc为特定光照强度，通常取0.15kW/m2；
步骤3：建立计划利用微网供电的负荷时序模型，负荷的时序模型表达式如下：
L(t)＝LyPwPdPh(t)
式中，Ly为年负荷峰值，Pw为周负荷峰值与年负荷峰值的比，Pd为日负荷峰值与周负荷峰值的比，Ph(t)为t小时负荷的值与日负荷峰值的比；
步骤4：采用生物地理学粒子群混合算法对接入微网的风光柴储容量进行优化配置求解，，如附图2求解具体实施过程为：
首先初始化生物地理学粒子群混合算法的参数，包括迭代次数，最大迁入率、迁出率，栖息地的个数即种群规模，栖息地的参数即风光柴储容量，粒子群算法中的学习因子大小，最大最小惯性权重，另外还有风光柴储容量约束，建立适应度函数，选取一种运行策略仿真1年得到负荷不足量WL、能量浪费量W0作为惩罚函数加入到适应度函数中，然后计算种群中个体初始适应度，如果不满足终止条件，计算种群数量及迁入迁出率，进行迁移操作，生成新个体，利用选取的运行策略仿真1年，利用得到的结果并结合适应度函数计算新个体的适应度，对适应度排序，选出较差的一半个体采用粒子群个体更新公式进行二次更新，生成新个体，依次循环，直至达到设定的迭代次数；
不同的运行策略微网容量优化配置结果不同，每次优化求解时选取其中一种运行策略：
求解考虑了3种运行策略，运行策略如下：
策略1：储能装置和柴油发电机轮流做主电源
1-1：计算第i个小时的风电机组出力Pw(i)、光伏机组出力Ppv(i)、负荷大小PL(i)；
1-2：如果Pw(i)+Ppv(i)＞PL(i)，判断储能装置荷电状态，如果SOC＜SOCmax，给储能装置充电至SOCmax；如果已达到SOCmax，此时Pw(i)与Ppv(i)之和仍大于PL(i)，则记录多余的电源能量W0；
1-3：如果Pw(i)+Ppv(i)＜PL(i)，优先考虑用储能装置给负荷供电，储能装置做主电源，如果储能装置荷电状态SOC＞SOCmin，则用储能装置与风光机组一起给微网负荷供电；
1-4：如果Pw(i)与Ppv(i)之和仍旧小于PL(i)，记录缺电负荷大小WL；
1-5：判断储能装置荷电状态，如果SOC＜SOCmin，此时Pw(i)+Ppv(i)＜PL(i)，则开启柴油发电机组，关闭储能装置；
1-6：系统中有风光柴共同给负荷供电，柴油发电机组做主电源，若此时有剩余容量，给储能装置充电；如果风光柴出力之和仍旧小于PL(i)，记录缺电负荷大小WL；
1-7：令i＝i+1，如果i＜8760，则返回步骤1-1，否则终止循环；
策略2：柴油发电机做主电源储能装置后备
2-1：计算第i个小时的风电机组出力Pw(i)、光伏机组出力Ppv(i)、负荷大小PL(i)；
2-2：如果Pw(i)+Ppv(i)＞PL(i)，判断储能装置荷电状态，如果SOC＜SOCmax，则给储能装置充电至SOCmax；如果已达到SOCmax，此时Pw(i)与Ppv(i)之和仍大于PL(i)，则记录多余的电源能量W0；
2-3：如果Pw(i)+Ppv(i)＜PL(i)，优先考虑用柴油发电机组给负荷供电，调节柴油发电机出力使其满足负荷要求，如果柴油发电机最小出力时，仍有能量剩余，则记录多余的电源能量W0；
2-4：当柴油发电机最大出力时，仍不能满足微网负荷要求，则计划开启储能装置，判断储能装置荷电状态，如果SOCmin＜SOC＜SOCmax，则风光柴储共同给负荷供电；
2-5：如果仍不满足负荷要求，则记录缺电负荷大小WL；
2-6：令i＝i+1，如果i＜8760，则返回步骤2-1，否则终止循环；
策略3：储能装置做主电源柴油发电机持续运行
3-1：计算第i个小时的风电机组出力Pw(i)、光伏机组出力Ppv(i)、负荷大小PL(i)；
3-2：柴油发电机组出力为PD(i)，如果Pw(i)+Ppv(i)+PD(i)＞PL(i)，则判断储能装置荷电状态，如果SOC＜SOCmax，则给储能装置充电至SOCmax；
3-3：如果Pw(i)+Ppv(i)+PD(i)＜PL(i)，则判断储能装置荷电状态，如果SOCmin＜SOC＜SOCmax，开启储能装置给负荷供电；
3-4：如果仍不满足负荷要求，则记录缺电负荷大小WL；
3-5：令i＝i+1，如果i＜8760，则返回步骤3-1，否则终止循环；
步骤5：风光柴储以集中方式接入微网，考虑微网的网架结构、运行策略进行可靠性评估，模拟时间为100年，对于任意一种运行策略，评估之前首先形成微网内非电源元件故障的FEMA表，过程如下：
遍历微电网的每个非电源元件，仅考虑一阶故障，当某一元件故障时，利用下式计算元件故障修复时间
式中，x2为(0，1)均匀分布的随机数，μ表示元件的修复率；
分析受此元件故障影响的所有负荷点停电时间、电量缺额，遍历所有元件，形成FEMA表；
对微电网可靠性评估，采用序贯蒙特卡洛模拟方法对微网内非电源元件进行抽样，选择无故障运行时间最少的元件为故障元件，平均无故障持续时间(TF)由下式得到：
式中，x1为(0，1)均匀分布的随机数，λ表示元件的故障率；
此时通过查FEMA表记录故障元件造成的微网内负荷点停电次数、停电时间、电量缺额；对无故障运行时间和故障修复时间内与微网相连的用户分别进行可靠性评估，判断微电源对负荷是否供电充足，记录这两个时间段微网内负荷点的电量缺额；模拟时间为100年，综合可得微网可靠性指标，本实施例的微网可靠性指标有：系统平均停电频率指标(SAIFI)、系统平均停电持续时间指标(SAIDI)、用户平均停电持续时间指标(CAIDI)、平均供电可用率指标(ASAI)、用户平均停电量(AENS)。
表1为本发明一实施例的微网优化配置结果。
表2为本发明一实施例的微网可靠性评估结果。
表1
表2
从上述结果可知，在微网可靠性评估前对各电源容量进行了优化配置，同时计及微网具体网架结构、运行策略、电源故障对微网进行了可靠性分析，因此运用本模型可以比较准确地掌握微网的可靠性指标。

Claims (6)

1.一种计及不同运行策略的微网可靠性评估方法，其特征在于：所述方法包括以下步骤：
I、运用状态空间法建立储能系统的可靠性模型，得出它们的等效故障率和修复率；
II、根据某一地区过去10年的风速、日光照辐射强度历史数据建立未来一年的风速、日光照辐射度ARMA模型，然后利用功率转换公式求出计及故障的单台风光机组一年的时序输出功率；
III、建立计划利用微网供电的负荷时序模型；
IV、基于上述求得的功率模型采用生物地理学粒子群混合算法求解计及运行策略的微网独立运行时风光柴储容量的最优配置；
V、基于上述求得的风光柴储最优容量以集中方式接入微网，考虑微电源故障、微网具体的网架结构和运行策略等进行可靠性评估。
2.基于权利要求1所述的一种计及不同运行策略的微网可靠性评估方法，其特征在于：步骤I所述的运用状态空间法建立储能系统的可靠性模型；状态空间法是通过系统状态间的转移关系来描述系统的一种方法，其理论基础是马尔科夫过程，即认为系统从一种状态转移到另一种状态与过去的历史无关；根据系统组成部分的串并联关系建立状态转移图，求解各状态转移率，根据转移率建立状态转移矩阵A，求解系统的平稳状态概率，进一步计算系统的等效故障率和修复率；然后可以通过蒙特卡洛随机抽样求得系统的平均无故障工作时间、故障平均修复时间。
3.基于权利要求1所述的一种计及不同运行策略的微网可靠性评估方法，其特征在于：步骤II所述的根据某一地区过去10年的风速、日光照辐射强度历史数据，建立它们的自回归滑动平均模型(ARMA模型)；所建立的ARMA模型能够揭示变量的时序性和自相关性；利用建立的ARMA模型求解未来一年的风速、日照辐射度时序模型，利用相应的功率转换公式求出计及故障的单台风电机组和光伏机组的时序模型；其中风电机组功率转换公式为：
式中，Pr为风力发电机的额定输出功率，vci为切入风速，vr为额定风速，vco为切出风速，A、B、C是关于vci、vr、vco的表达式：
光伏机组功率转换公式为：
式中Pm为额定功率，Gt为第t个小时的光照强度，Gstd为标准环境给定的光照强度，通 常取1kW/m2，Rc为特定光照强度，通常取0.15kW/m2。
4.基于权利要求1所述的一种计及不同运行策略的微网可靠性评估方法，其特征在于：步骤IV所述的基于上述求得的功率模型采用生物地理学粒子群混合算法求解风光柴储容量的最优配置，生物地理学算法后期的突变操作复杂，生物地理学粒子群混合算法的特征在于用粒子群算法的更新公式改进生物地理学算法的栖息地个体中那些适应度较差的个体，而摒弃生物地理学算法自身的突变操作。
5.基于权利要求4所述的生物地理学算法求解微网风光柴储最优容量配置的特征在于：目标函数是综合经济费用最小，约束条件有：供电可靠性指标、风光柴储最大容量、储能装置充放电功率限制、污染物排放量约束等；计及3种微网运行策略，分别是储能装置和柴油发电机轮流做主电源、柴油发电机做主电源储能装置后备、储能装置做主电源柴油发电机持续运行。
6.基于权利要求1所述的一种计及不同运行策略的微网可靠性评估方法，其特征在于：步骤V所述的基于上述求得的风光柴储最优容量以集中方式接入微网，考虑微电源故障、微网具体的网架结构和运行策略等进行可靠性评估，采用的网架结构根据IEEE-RBTS Bus6改造而来；模拟时间为100年，对于任意一种运行策略，评估之前首先形成微网内非电源元件故障的FEMA表；评估过程采用序贯蒙特卡洛模拟方法对微网内非电源元件进行抽样，选择无故障运行时间最少的元件为故障元件，同时求得故障元件的修复时间，此时通过FEMA表记录故障元件造成的微网内负荷点停电次数、停电时间、电量缺额；对无故障运行时间和故障修复时间内与微网相连的用户分别进行可靠性评估，记录微网内负荷点的电量缺额；综合可得微网可靠性指标。
CN201610532855.8A 2016-07-08 2016-07-08 一种计及不同运行策略的微网可靠性评估方法 Pending CN107591833A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610532855.8A CN107591833A (zh) 2016-07-08 2016-07-08 一种计及不同运行策略的微网可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610532855.8A CN107591833A (zh) 2016-07-08 2016-07-08 一种计及不同运行策略的微网可靠性评估方法

Publications (1)

Publication Number Publication Date
CN107591833A true CN107591833A (zh) 2018-01-16

Family

ID=61046428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610532855.8A Pending CN107591833A (zh) 2016-07-08 2016-07-08 一种计及不同运行策略的微网可靠性评估方法

Country Status (1)

Country Link
CN (1) CN107591833A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106374531A (zh) * 2016-10-31 2017-02-01 国家电网公司 一种主动配电网光储能量交换指数评估方法
CN110322157A (zh) * 2019-07-10 2019-10-11 云南电网有限责任公司电力科学研究院 一种配网规划全过程评估系统
WO2019218671A1 (zh) * 2018-05-15 2019-11-21 佛山科学技术学院 一种海岛微电网综合优化配置方法及装置
CN110675279A (zh) * 2019-09-20 2020-01-10 国网山东省电力公司检修公司 一种基于ai可视化的电网搭建模拟系统
CN111564868A (zh) * 2020-06-09 2020-08-21 北方工业大学 离网型光储微电网系统容量配置评估方法及装置
CN113626963A (zh) * 2021-08-12 2021-11-09 四川大学 一种储能并网系统可靠性多层级综合评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103701120A (zh) * 2013-12-23 2014-04-02 华北电力大学 一种含风电场的大电网可靠性的评估方法
CN103995921A (zh) * 2014-04-22 2014-08-20 广东电网公司电力科学研究院 一种微网供电系统可靠性的模拟评估方法
CN104167734A (zh) * 2014-08-29 2014-11-26 重庆大学 基于时序模拟的并网型微网可靠性评估方法
CN104701842A (zh) * 2015-03-26 2015-06-10 中国电力工程顾问集团西南电力设计院有限公司 一种独立微网供电系统及其供电可靠性评估方法
CN105226650A (zh) * 2015-10-19 2016-01-06 重庆大学 基于微燃机-储能联合运行策略的微电网可靠性计算方法
CN105224760A (zh) * 2015-10-19 2016-01-06 重庆大学 一种基于风电场的vsc-hvdc并网系统可靠性计算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103701120A (zh) * 2013-12-23 2014-04-02 华北电力大学 一种含风电场的大电网可靠性的评估方法
CN103995921A (zh) * 2014-04-22 2014-08-20 广东电网公司电力科学研究院 一种微网供电系统可靠性的模拟评估方法
CN104167734A (zh) * 2014-08-29 2014-11-26 重庆大学 基于时序模拟的并网型微网可靠性评估方法
CN104701842A (zh) * 2015-03-26 2015-06-10 中国电力工程顾问集团西南电力设计院有限公司 一种独立微网供电系统及其供电可靠性评估方法
CN105226650A (zh) * 2015-10-19 2016-01-06 重庆大学 基于微燃机-储能联合运行策略的微电网可靠性计算方法
CN105224760A (zh) * 2015-10-19 2016-01-06 重庆大学 一种基于风电场的vsc-hvdc并网系统可靠性计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙瑜: "微网系统储能容量配置", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王杨: "基于时序蒙特卡洛模拟的微电网可靠性分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
钟宇峰: "微电网中电池储能系统的动态优化调度及可靠性建模问题研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106374531A (zh) * 2016-10-31 2017-02-01 国家电网公司 一种主动配电网光储能量交换指数评估方法
WO2019218671A1 (zh) * 2018-05-15 2019-11-21 佛山科学技术学院 一种海岛微电网综合优化配置方法及装置
CN110322157A (zh) * 2019-07-10 2019-10-11 云南电网有限责任公司电力科学研究院 一种配网规划全过程评估系统
CN110675279A (zh) * 2019-09-20 2020-01-10 国网山东省电力公司检修公司 一种基于ai可视化的电网搭建模拟系统
CN110675279B (zh) * 2019-09-20 2023-08-01 国网山东省电力公司检修公司 一种基于ai可视化的电网搭建模拟系统
CN111564868A (zh) * 2020-06-09 2020-08-21 北方工业大学 离网型光储微电网系统容量配置评估方法及装置
CN111564868B (zh) * 2020-06-09 2022-05-06 北方工业大学 离网型光储微电网系统容量配置评估方法及装置
CN113626963A (zh) * 2021-08-12 2021-11-09 四川大学 一种储能并网系统可靠性多层级综合评估方法
CN113626963B (zh) * 2021-08-12 2022-05-27 四川大学 一种储能并网系统可靠性多层级综合评估方法

Similar Documents

Publication Publication Date Title
Billinton et al. Reliability evaluation of small stand-alone wind energy conversion systems using a time series simulation model
CN107591833A (zh) 一种计及不同运行策略的微网可靠性评估方法
CN112069734B (zh) 一种电热泵-热电联合系统的优化调控方法及系统
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
Reddy et al. Optimal operation of microgrid using hybrid differential evolution and harmony search algorithm
CN109816171B (zh) 一种电动汽车区域微网群双层分布式优化调度方法
Brekken et al. Optimal energy storage sizing and control for wind power applications
Karami et al. An optimal dispatch algorithm for managing residential distributed energy resources
Gabash et al. Flexible optimal operation of battery storage systems for energy supply networks
CN106026152A (zh) 一种电动汽车接入微电网的充放电调度方法
CN111950807B (zh) 计及不确定性与需求响应的综合能源系统优化运行方法
Zhang et al. Research on bi-level optimized operation strategy of microgrid cluster based on IABC algorithm
Goswami et al. Stochastic firefly algorithm enabled fast charging of solar hybrid electric vehicles
CN111404206A (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
CN111626527A (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN105576684B (zh) 一种含高渗透率光电微电网中的电动汽车优化调度方法
CN107453402B (zh) 一种降低含风储一体化电站电力系统运行风险的调度方法
CN109713674A (zh) 计及电动汽车有序充放电的离网型微电网可靠性评估方法
CN104037791A (zh) 基于多智能体技术的风光储发电协调控制方法
CN111762057B (zh) 一种区域微网中v2g电动汽车智能充放电管理方法
Varghese et al. Energy storage management of hybrid solar/wind standalone system using adaptive neuro‐fuzzy inference system
Murugesan et al. Cost optimization of PV-diesel systems in nanogrid using LJ Cuckoo search and its application in mobile towers
Surender Reddy et al. Optimal operation of microgrid using hybrid differential evolution and harmony search algorithm
CN110224397B (zh) 一种风光接入背景下用户侧电池储能成本效益分析方法
CN110766285A (zh) 一种基于虚拟电厂的日前能源调度方法

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: 20180116