CN107742900A - 风光储智能微电网经济调度控制方法 - Google Patents
风光储智能微电网经济调度控制方法 Download PDFInfo
- Publication number
- CN107742900A CN107742900A CN201711104002.5A CN201711104002A CN107742900A CN 107742900 A CN107742900 A CN 107742900A CN 201711104002 A CN201711104002 A CN 201711104002A CN 107742900 A CN107742900 A CN 107742900A
- Authority
- CN
- China
- Prior art keywords
- mrow
- power
- msub
- micro
- wind
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005611 electricity Effects 0.000 claims abstract description 51
- 238000004146 energy storage Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000002123 temporal effect Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 17
- 238000009987 spinning Methods 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 3
- 238000010348 incorporation Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002068 genetic effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001172 regenerating effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- 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]
-
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了风光储智能微电网经济调度控制方法,所述方法包括:步骤a:通过微电网运行参数数据库获取相关运行数据;步骤b:根据气象数据,利用时序特征优化模型对微电网中分布式电源进行短期功率预测;同时利用BP神经网络模型对微电网中负荷进行短期功率预测;步骤c:基于分布式电源短期功率预测、负荷短期功率预测、储能系统荷电状态,储能系统的荷电状态阀值,确定风电、光伏发电、储能系统的运行方式;实现了能够最大限度消纳风电和光伏发电,同时保证电能质量和经济性好的技术效果。
Description
技术领域
本发明涉及风光储智能微电网领域,具体地,涉及风光储智能微电网经济调度控制方法。
背景技术
随着温室气体的大量排放,环境压力的日益严峻,由于负荷和电源相距较远,通过远距离输电,需要对输配电系统进行大量的投资和维护,同时远距离输电损耗增加,既不经济也不环保。而微电网作为一种新型的清洁能源,由于离负荷中心较近、环境污染小、安装简便、易于控制等优点,能够解决传统电网的潜在问题,受到了广泛的关注。微电网经济调度的目的是满足微电网系统负荷需求的前提下,合理安排风电和光伏电源的出力、储能系统充放电功率以及与配电网的交换功率,使得微电网的总成本最低,其中包括:发电成本、购售电成本、旋转备用成本和发电补贴成本。
传统的风光储智能微电网经济调度控制系统,仅考虑分布式电源的运行成本和购售电成本,而实际中运营商为了获得更可靠的电能和更高的利润,往往预留了旋转备用容量和申请可再生能源补贴。因此传统的微电网的经济调度控制无法适应实际的运行情况,造成可再生能源利用效率低、运营成本大等问题。
发明内容
本发明提供了一种风光储智能微电网经济调度控制方法,解决了传统的微电网的经济调度控制无法适应实际的运行情况,造成可再生能源利用效率低、运营成本大的技术问题,实现了能够最大限度消纳风电和光伏发电,同时保证电能质量和经济性好的技术效果。
在本发明的过程中,利用改进小生境遗传算法求解风光储智能微电网经济调度控制系统,能够最大限度消纳风电和光伏发电,同时保证电能质量和经济性好等目的。
本发明中的方法,建立了以微电网运行成本、与配网交换功率成本、备用成本和发电补贴成本总和最小的微电网经济调度模型,采用了改进小生境遗传算法对模型进行求解,得到各时段风电、光伏发电、储能系统和与配电网交互的功率值。
为实现上述发明目的,本申请提供了风光储智能微电网经济调度控制方法,所述方法包括:
步骤a:通过微电网运行参数数据库获取相关运行数据;
步骤b:根据气象数据,利用时序特征优化模型对微电网中分布式电源进行短期功率预测;同时利用BP神经网络模型对微电网中负荷进行短期功率预测;
步骤c:基于分布式电源短期功率预测、负荷短期功率预测、储能系统荷电状态,储能系统的荷电状态阀值,确定风电、光伏发电、储能系统的运行方式。
进一步的,所述步骤a具体包括:
步骤a1:通过微电网运行数据库获得分布式电源的风机和光伏历史功率数据,微电网各用户负荷历史数据,以及储能系统中电池的当前荷电状态、容量和充放电功率数据;
步骤a2:微电网上网电价、下网电价、旋转备用价格、储能电池的充放电价格。
进一步的,所述步骤b具体包括:
步骤b1:基于风机和光伏历史功率数据,利用时序特征优化模型进行风机和光伏功率短期预测;
步骤b2:基于微电网各用户负荷历史功率数据,利用BP神经网络模型进行负荷功率短期预测。
进一步的,所述步骤b1具体包括:
1将原始风电功率序列、原始光伏功率序列按照4小时为时间窗口进行切分,并标记为Pwd,1,Pwd,2,…,Pwd,n和Ppv,1,Ppv,2,…,Ppv,n;
2利用MATLAB中的mean函数求取风电功率和光伏功率的均值,并同时计算其变化率;
3将风电功率序列和光伏功率序列进行分类,分为均值平稳且变化趋势缓慢的类、均值平稳但变化趋势较大的类、均值非平稳但变化趋势缓慢的类;
4判定最近4小时内风电功率序列和光伏功率序列属于那类,针对不同的类采用不同的模型进行功率短期预测。
其中,针对均值平稳且变化趋势缓慢的类采用移动平均法进行功率预测;针对均值平稳但变化趋势较快的类采用ARMA模型进行功率预测;针对均值非平稳但变化趋势缓慢的类采用ARIMA模型进行功率预测。
进一步的,所述步骤c具体包括:
c1输入短期预测得到的风电功率、光伏功率以及负荷功率值,储能系统当前的荷电状态;
c2建立风光储智能微电网经济调度控制模型,以微电网总运营成本最低为目标函数,其中包括发电成本、与配电网购售电成本、备用成本和可再生能源发电补贴成本,构建模型如下:
min{CF(t)+Cgrid(t)+Cres(t)+Csub(t)}
其中,CF(t)为微电网发电成本、Cgrid(t)为微电网购售电成本、Cres(t)为旋转备用成本、Csub(t)为可再生能源发电补贴、cwd,t为风机单位电能的运行费用、Pwd,t为风机t时段发电预测功率、cpv,t为光伏单位电能的运行费用、Ppv,t为光伏t时段发电预测功率、cbess为储能系统单位电能的运行费用、Pbess,t为储能系统的充放电预测功率、cbuy,t为微电网向主网购电价格,Pbuy,t为向主网购电功率、csale,t为微电网向主网售电价格、Psale,t为微电网向主网售电功率、cres为旋转备用价格、Rt为t时段旋转备用容量、csub,wd为风力发电补贴、Pwd,t为风电功率、csub,pv为光伏发电补贴、Ppv,t为光伏发电功率。
风光储智能微电网经济调度控制方法,主要包括以下步骤:
步骤1:通过微电网运行参数数据库等获取相关运行数据,分布式电源的风机和光伏历史功率数据,微电网各用户负荷历史数据,以及储能系统当前荷电状态、容量和充放电功率等数据;
步骤2:将历史风电功率和光伏发电功率值按照4小时时间窗口进行切分,并对其进行划分,划分为三类:均值平稳和变化趋势缓慢类、均值平稳但变化趋势较快的类、均值非平稳但变化趋势缓慢的类;
步骤3:将当前风电功率和光伏发电功率值进行比对,确定属于哪类,并利用相对应的模型对其进行风电功率预测和光伏发电功率预测,得到未来24时段的风电功率和光伏发电功率值;
步骤4:根据微电网负荷历史功率值,利用BP神经网络模型进行负荷预测,得到未来24时段的微电网负荷值;
步骤5:将未来24时段的风电功率预测值、光伏功率预测值、负荷功率预测值、以及储能系统当前的荷电状态代入模型中;
步骤6:对改进小生境遗传算法对模型中的控制参数进行设置,其中包括初始种群、交叉率、变异率、最大迭代次数;
步骤7:对微电网中风电功率、光伏发电功率和储能系统功率出力进行编码,生成初始群落,计算各个体的适应度,选出种群中的最优个体,对种群进行选择、交叉、变异等操作,得到新的种群并计算其适应度,把适应度最大的个体直接保留至下一代;
步骤8:对新的种群进行模糊动态聚类划分,调整小生境中个体的适应度,进入判别条件,满足条件的最优解输出,不满足条件则返回步骤七;
步骤9:最终的输出结果为该时刻微电网经济调度中风电功率、光伏发电功率、储能系统的功率以及与配电网的交互功率值。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
实现了风光储智能微电网并网运行模式下的经济优化运行,加大可再生能源的消纳,并减弱对配电网运行的影响。采用改进小生境遗传算法具有较高的全局寻优能力和较快的收敛速度,为风光储微电网系统的经济调度控制问题提供了解决方案。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1风光储智能微电网经济调度控制系统流程框图示意图;
图2微电网经济调度控制系统所需参数示意图;
图3风电、光伏发电、负荷功率预测系统示意图;
图4改进小生境遗传算法求解风光储智能微电网经济调度模型示意图。
具体实施方式
本发明提供了一种风光储智能微电网经济调度控制方法,解决了传统的微电网的经济调度控制无法适应实际的运行情况,造成可再生能源利用效率低、运营成本大的技术问题,实现了能够最大限度消纳风电和光伏发电,同时保证电能质量和经济性好的技术效果。
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明涉及一种混合非线性规划的风光储智能微电网经济调度控制系统,是以微电网运行成本、与配网交换功率成本、备用成本和发电补贴成本总和最小为控制目标,在微电网处于并网运行时,采用适宜的短期经济调度控制模式。
参考图1,本实施例的风光储智能微电网经济调度控制系统,是在微电网运营监控系统中实现的,依次包含以下步骤:
步骤1:与风光储智能微电网运行参数数据库接口;
步骤2:输入风光储智能微电网经济调度控制系统所需的各类数据;
步骤3:根据数据库功率历史数据,预测未来24时段风电、光伏发电、负荷功率值;
步骤4:建立风光储智能微电网风电、光伏发电、储能的经济调度模型;
步骤5:利用改进小生境遗传算法对经济调度模型进行求解,对风电、光伏发电、储能系统以及与配电网交互功率进行调节,实现微电网安全、经济运行。
参考图2,步骤2中,输入风光储智能微电网经济调度控制系统所需的各类数据,具体包括:
1、分布式电源的风机和光伏历史功率数据;
2、微电网各用户负荷历史数据;
3、储能系统中电池的当前荷电状态、容量和充放电功率等数据;
4、微电网风电、光伏、储能系统的运营价格;
5、微电网上网电价、下网电价、旋转备用价格、储能系统的充放电价格。
参考图3,在步骤3中,根据风电功率历史数据、光伏发电功率历史数据,并依据时序特征优化模型预测未来24时段风电功率和光伏发电功率值;同时利用BP神经网络模型预测未来24时段负荷的功率值,具体包括:
1、将原始风电功率序列、原始光伏功率序列按照4小时为时间窗口进行切分,并标记为Pwd,1,Pwd,2,…,Pwd,n和Ppv,1,Ppv,2,…,Ppv,n;
2、利用MATLAB中的mean函数求出Pwd,1,Pwd,2,…,Pwd,n和Ppv,1,Ppv,2,…,Ppv,n求取风电功率和光伏功率的均值,并计算得到时间窗口风电功率和光伏功率的变化率;
3、将风电功率和光伏功率进行分类,分为均值平稳且变化趋势缓慢的类、均值平稳但变化趋势快的类、均值非平稳但变化趋势慢的类;
4、判定当前4小时内风电功率序列和光伏功率序列属于那类类,针对不同类采用不同的模型进行功率短期预测。其中,针对均值平稳且变化率缓慢的类采用移动平均法进行功率预测;针对均值平稳但变化率较快的类采用ARMA模型进行功率预测;针对均值非平稳但变化率缓慢的类采用ARIMA模型进行功率预测;
5、根据选定的模型进行预测,得到未来24时段风电功率、光伏发电功率预测值;
6、将微电网内负荷历史功率、天气、温度等历史数据作为BP神经网络的输入层,对模型进行训练,得到BP神经网络中的激励函数的参数和权重系数;
7、将当前微电网的负荷功率、天气、温度再次作为BP神经网络的输入层,利用6中得到的激励函数的参数和权重系数,预测未来24时段的微电网负荷功率值。
在步骤4中,建立风光储智能微电网风电、光伏发电、储能的经济调度控制系统模型,具体包括:
1、建立风光储智能微电网经济调度控制系统模型,以微电网总运营成本最低为目标函数,其中包括发电成本、与配电网购售电成本、备用成本和可再生能源发电补贴成本,构建模型如下:
min{CF(t)+Cgrid(t)+Cres(t)+Csub(t)}
其中,CF(t)为微电网发电成本、Cgrid(t)为微电网购售电成本、Cres(t)为旋转备用成本、Csub(t)为可再生能源发电补贴、cwd,t为风机单位电能的运行费用、Pwd,t为风机t时段发电预测功率、cpv,t为光伏单位电能的运行费用、Ppv,t为光伏t时段发电预测功率、cbess为储能系统单位电能的运行费用、Pbess,t为储能系统的充放电预测功率、cbuy,t为微电网向主网购电价格,Pbuy,t为向主网购电功率、csale,t为微电网向主网售电价格、Psale,t为微电网向主网售电功率、cres为旋转备用价格、Rt为t时段旋转备用容量、csub,wd为风力发电补贴、Pwd,t为风电功率、csub,pv为光伏发电补贴、Ppv,t为光伏发电功率。
2、约束条件:
功率平衡约束包括:
Pwd,t+Ppv,t+Pbess,t+Pbuy,t-Psale,t=Pload
其中,Pwd,t为风机t时段发电预测功率、Ppv,t为光伏t时段发电预测功率、Pbess,t为储能系统的充放电预测功率、Pbuy,t为向配电网购电功率、Psale,t为微电网向配电网售电功率、Pload为微电网负荷预测值。
分布式电源功率约束:
其中,Pwd,max为风电功率最大安全出力;Ppv,max为光伏功率最大安全出力
公共联络线容量约束:
其中,Pchange,max为微电网与配电网公共联络线交换功率上限
旋转备用容量约束:
Pwd,t+Ppv,t+Pbess,t+Rt≥(1+μ)Pload
其中,μ一般取5%。
储能系统约束包括以下两个约束条件:储能系统荷电状态约束、充放电功率约束。
SOCmin≤SOC≤SOCmax
式中,SOCmin为储能系统荷电状态的下限,一般取为25%、SOCmax为储能系统荷电状态的上限,一般取为100%、Pcharge,max为储能系统充电功率的上限、Pdischarge,max为储能系统放电功率的上限。
参考图4,在步骤5中,利用改进小生境遗传算法对经济调度控制模型进行求解,对风电、光伏发电、储能系统输出功率进行调节,具体包括:
将步骤2中的参数输入风光储智能微电网经济调度控制系统,同时代入步骤3中得到的未来24小时风电功率预测值、光伏发电功率预测值、负荷功率预测值;
设置算法中所需的控制参数,包括:初始种群、交叉率、变异率、最大迭代次数等;
对风光储智能微电网经济调度控制系统中的储能电池功率和配电网交互功率进行编码,生成初始种群M,并计算各个体的适应度;
对初始种群进行选择、交叉、变异等操作,其中交叉、变异运算采用自适应交叉率和变异率:
其中,其中,k1,k2为杂交算子,k3,k4为变异算子,且0<k1,k2,k3,k4≤1,fmax是群体适应度最大值,farg是群体适应度平均值。fc′是进行杂交的两个染色体中适应度较大值,fm为变异串的适应度值。
得到新的种群N,计算种群N个体的适应度,将适应度最大的个体保留到下一代;
对种群N进行动态聚类划分,将预选择所生成的种群M和经过选择、交叉和变异所生成的规模为N的新种群组合在一起,计算其中任何两个个体间的海明距离:
小生境半径为L,则两个个体间的海明如果比L小,则对其中具有较小适应度的个体进行惩罚,减少其适应度值,当所有个体计算完成后,取其中适应度较高的M+N个个体。
将适应度较高的M+N个个体进入判别条件,满足条件的个体作为最优解输出,不满足条件则返回步骤4);
最优解为该时段风光储智能微电网经济调度控制系统中风电功率、光伏发电功率、储能系统充放电功率和与配电网交互功率。
本实施例中风光储智能微电网经济调度控制系统,实现了风光储智能微电网并网运行模式下的经济优化运行,加大可再生能源的消纳,并减弱对配电网运行的影响。采用改进小生境遗传算法具有较高的全局寻优能力和较快的收敛速度,为风光储微电网系统的经济调度控制问题提供了解决方案。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.风光储智能微电网经济调度控制方法,其特征在于,所述方法包括:
步骤a:通过微电网运行参数数据库获取相关运行数据;
步骤b:根据气象数据,利用时序特征优化模型对微电网中分布式电源进行短期功率预测;同时利用BP神经网络模型对微电网中负荷进行短期功率预测;
步骤c:基于分布式电源短期功率预测、负荷短期功率预测、储能系统荷电状态,储能系统的荷电状态阀值,确定风电、光伏发电、储能系统的运行方式。
2.根据权利要求1所述的风光储智能微电网经济调度控制方法,其特征在于,所述步骤a具体包括:
步骤a1:通过微电网运行数据库获得分布式电源的风机和光伏历史功率数据,微电网各用户负荷历史数据,以及储能系统中电池的当前荷电状态、容量和充放电功率数据;
步骤a2:微电网上网电价、下网电价、旋转备用价格、储能电池的充放电价格。
3.根据权利要求1所述的风光储智能微电网经济调度控制方法,其特征在于,所述步骤b具体包括:
步骤b1:基于风机和光伏历史功率数据,利用时序特征优化模型进行风机和光伏功率短期预测;
步骤b2:基于微电网各用户负荷历史功率数据,利用BP神经网络模型进行负荷功率短期预测。
4.根据权利要求3所述的风光储智能微电网经济调度控制方法,其特征在于,所述步骤b1具体包括:
1将原始风电功率序列、原始光伏功率序列按照4小时为时间窗口进行切分,并标记为Pwd,1,Pwd,2,…,Pwd,n和Ppv,1,Ppv,2,…,Ppv,n;
2利用MATLAB中的mean函数求取风电功率和光伏功率的均值,并同时计算其变化率;
3将风电功率序列和光伏功率序列进行分类,分为均值平稳且变化趋势缓慢的类、均值平稳但变化趋势较大的类、均值非平稳但变化趋势缓慢的类;
4判定最近4小时内风电功率序列和光伏功率序列属于那类,针对不同的类采用不同的模型进行功率短期预测。
5.根据权利要求4所述的风光储智能微电网经济调度控制方法,其特征在于,其中,针对均值平稳且变化趋势缓慢的类采用移动平均法进行功率预测;针对均值平稳但变化趋势较快的类采用ARMA模型进行功率预测;针对均值非平稳但变化趋势缓慢的类采用ARIMA模型进行功率预测。
6.根据权利要求1所述的风光储智能微电网经济调度控制方法,其特征在于,所述步骤c具体包括:
c1输入短期预测得到的风电功率、光伏功率以及负荷功率值,储能系统当前的荷电状态;
c2建立风光储智能微电网经济调度控制模型,以微电网总运营成本最低为目标函数,其中包括发电成本、与配电网购售电成本、备用成本和可再生能源发电补贴成本,构建模型如下:
min{CF(t)+Cgrid(t)+Cres(t)+Csub(t)}
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>F</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>w</mi>
<mi>d</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mi>d</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>R</mi>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>,</mo>
<mi>w</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mi>d</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>,</mo>
<mi>p</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,CF(t)为微电网发电成本、Cgrid(t)为微电网购售电成本、Cres(t)为旋转备用成本、Csub(t)为可再生能源发电补贴、cwd,t为风机单位电能的运行费用、Pwd,t为风机t时段发电预测功率、cpv,t为光伏单位电能的运行费用、Ppv,t为光伏t时段发电预测功率、cbess为储能系统单位电能的运行费用、Pbess,t为储能系统的充放电预测功率、cbuy,t为微电网向主网购电价格,Pbuy,t为向主网购电功率、csale,t为微电网向主网售电价格、Psale,t为微电网向主网售电功率、cres为旋转备用价格、Rt为t时段旋转备用容量、csub,wd为风力发电补贴、Pwd,t为风电功率、csub,pv为光伏发电补贴、Ppv,t为光伏发电功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104002.5A CN107742900A (zh) | 2017-11-10 | 2017-11-10 | 风光储智能微电网经济调度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104002.5A CN107742900A (zh) | 2017-11-10 | 2017-11-10 | 风光储智能微电网经济调度控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742900A true CN107742900A (zh) | 2018-02-27 |
Family
ID=61233284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711104002.5A Pending CN107742900A (zh) | 2017-11-10 | 2017-11-10 | 风光储智能微电网经济调度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742900A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108493943A (zh) * | 2018-05-07 | 2018-09-04 | 广东工业大学 | 多微电网系统电能的调度方法、系统、装置及存储介质 |
CN108649594A (zh) * | 2018-05-03 | 2018-10-12 | 国网江苏省电力有限公司连云港供电分公司 | 一种用于低压配网的分布式储能系统 |
CN108808743A (zh) * | 2018-05-28 | 2018-11-13 | 华东理工大学 | 基于通信网络的多能源微电网能量预测和优化调度方法 |
CN109145824A (zh) * | 2018-08-23 | 2019-01-04 | 重庆交通大学 | 一种堆垛机电流信号消噪方法 |
CN109560576A (zh) * | 2019-01-15 | 2019-04-02 | 东南大学 | 一种分散式储能参与大规模风电消纳的日内-实时调控方法 |
CN109785186A (zh) * | 2019-01-15 | 2019-05-21 | 东南大学 | 一种考虑需求响应参与的新能源电网日前-日内储能调度方法 |
CN110165991A (zh) * | 2019-06-28 | 2019-08-23 | 合肥阳光新能源科技有限公司 | 一种光伏组件跟踪系统控制方法及装置 |
CN110417045A (zh) * | 2019-06-03 | 2019-11-05 | 湖北省电力勘测设计院有限公司 | 一种针对交直流混合微电网容量配置的优化方法 |
CN110675275A (zh) * | 2019-09-05 | 2020-01-10 | 深圳供电局有限公司 | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 |
CN110829424A (zh) * | 2019-11-21 | 2020-02-21 | 国网四川省电力公司经济技术研究院 | 一种考虑风电消纳的区域多微网配电网互动方法 |
CN111342456A (zh) * | 2020-03-18 | 2020-06-26 | 国网天津市电力公司电力科学研究院 | 一种台区能源系统建模方法及系统 |
CN111884239A (zh) * | 2020-08-03 | 2020-11-03 | 湖南经研电力设计有限公司 | 储能电站调节方法 |
CN112491086A (zh) * | 2020-11-20 | 2021-03-12 | 西安热工研究院有限公司 | 一种风光储独立微电网优化配置方法 |
CN115441446A (zh) * | 2022-10-20 | 2022-12-06 | 国网河北省电力有限公司经济技术研究院 | 微电网的控制方法、装置、终端及存储介质 |
WO2023097016A3 (en) * | 2021-11-23 | 2023-07-27 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
CN116544983A (zh) * | 2023-07-06 | 2023-08-04 | 广州市虎头电池集团股份有限公司 | 风光发电储能系统及其优化配置方法 |
CN116823520A (zh) * | 2023-06-06 | 2023-09-29 | 淮阴工学院 | 分布式智能制造能源供给系统及方法 |
CN117277314A (zh) * | 2023-11-21 | 2023-12-22 | 深圳航天科创泛在电气有限公司 | 风电功率预测方法、装置、电子设备及可读存储介质 |
CN118017604A (zh) * | 2024-04-09 | 2024-05-10 | 江苏谷峰电力科技股份有限公司 | 一种基于风光储一体化的智能微电网能源管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593874A (zh) * | 2012-03-19 | 2012-07-18 | 合肥工业大学 | 一种用于微电网的能量调度方法 |
CN107039975A (zh) * | 2017-05-27 | 2017-08-11 | 上海电气分布式能源科技有限公司 | 一种分布式能源系统能量管理方法 |
-
2017
- 2017-11-10 CN CN201711104002.5A patent/CN107742900A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593874A (zh) * | 2012-03-19 | 2012-07-18 | 合肥工业大学 | 一种用于微电网的能量调度方法 |
CN107039975A (zh) * | 2017-05-27 | 2017-08-11 | 上海电气分布式能源科技有限公司 | 一种分布式能源系统能量管理方法 |
Non-Patent Citations (1)
Title |
---|
郁琛等: "按时序特征优化模型后在线选配的超短期风电预测", 《电力系统自动化》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108649594A (zh) * | 2018-05-03 | 2018-10-12 | 国网江苏省电力有限公司连云港供电分公司 | 一种用于低压配网的分布式储能系统 |
CN108649594B (zh) * | 2018-05-03 | 2024-05-17 | 国网江苏省电力有限公司连云港供电分公司 | 一种用于低压配网的分布式储能系统 |
CN108493943A (zh) * | 2018-05-07 | 2018-09-04 | 广东工业大学 | 多微电网系统电能的调度方法、系统、装置及存储介质 |
CN108808743B (zh) * | 2018-05-28 | 2020-08-21 | 华东理工大学 | 基于通信网络的多能源微电网能量预测和优化调度方法 |
CN108808743A (zh) * | 2018-05-28 | 2018-11-13 | 华东理工大学 | 基于通信网络的多能源微电网能量预测和优化调度方法 |
CN109145824A (zh) * | 2018-08-23 | 2019-01-04 | 重庆交通大学 | 一种堆垛机电流信号消噪方法 |
CN109560576A (zh) * | 2019-01-15 | 2019-04-02 | 东南大学 | 一种分散式储能参与大规模风电消纳的日内-实时调控方法 |
CN109785186A (zh) * | 2019-01-15 | 2019-05-21 | 东南大学 | 一种考虑需求响应参与的新能源电网日前-日内储能调度方法 |
CN110417045A (zh) * | 2019-06-03 | 2019-11-05 | 湖北省电力勘测设计院有限公司 | 一种针对交直流混合微电网容量配置的优化方法 |
CN110165991B (zh) * | 2019-06-28 | 2020-09-11 | 合肥阳光新能源科技有限公司 | 一种光伏组件跟踪系统控制方法及装置 |
CN110165991A (zh) * | 2019-06-28 | 2019-08-23 | 合肥阳光新能源科技有限公司 | 一种光伏组件跟踪系统控制方法及装置 |
CN110675275A (zh) * | 2019-09-05 | 2020-01-10 | 深圳供电局有限公司 | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 |
CN110829424A (zh) * | 2019-11-21 | 2020-02-21 | 国网四川省电力公司经济技术研究院 | 一种考虑风电消纳的区域多微网配电网互动方法 |
CN111342456A (zh) * | 2020-03-18 | 2020-06-26 | 国网天津市电力公司电力科学研究院 | 一种台区能源系统建模方法及系统 |
CN111884239A (zh) * | 2020-08-03 | 2020-11-03 | 湖南经研电力设计有限公司 | 储能电站调节方法 |
CN112491086A (zh) * | 2020-11-20 | 2021-03-12 | 西安热工研究院有限公司 | 一种风光储独立微电网优化配置方法 |
CN112491086B (zh) * | 2020-11-20 | 2023-01-31 | 西安热工研究院有限公司 | 一种风光储独立微电网优化配置方法 |
WO2023097016A3 (en) * | 2021-11-23 | 2023-07-27 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
CN115441446A (zh) * | 2022-10-20 | 2022-12-06 | 国网河北省电力有限公司经济技术研究院 | 微电网的控制方法、装置、终端及存储介质 |
CN115441446B (zh) * | 2022-10-20 | 2024-08-23 | 国网河北省电力有限公司经济技术研究院 | 微电网的控制方法、装置、终端及存储介质 |
CN116823520A (zh) * | 2023-06-06 | 2023-09-29 | 淮阴工学院 | 分布式智能制造能源供给系统及方法 |
CN116544983A (zh) * | 2023-07-06 | 2023-08-04 | 广州市虎头电池集团股份有限公司 | 风光发电储能系统及其优化配置方法 |
CN116544983B (zh) * | 2023-07-06 | 2024-02-27 | 广州市虎头电池集团股份有限公司 | 风光发电储能系统及其优化配置方法 |
CN117277314B (zh) * | 2023-11-21 | 2024-03-08 | 深圳航天科创泛在电气有限公司 | 风电功率预测方法、装置、电子设备及可读存储介质 |
CN117277314A (zh) * | 2023-11-21 | 2023-12-22 | 深圳航天科创泛在电气有限公司 | 风电功率预测方法、装置、电子设备及可读存储介质 |
CN118017604A (zh) * | 2024-04-09 | 2024-05-10 | 江苏谷峰电力科技股份有限公司 | 一种基于风光储一体化的智能微电网能源管理系统 |
CN118017604B (zh) * | 2024-04-09 | 2024-06-04 | 江苏谷峰电力科技股份有限公司 | 一种基于风光储一体化的智能微电网能源管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742900A (zh) | 风光储智能微电网经济调度控制方法 | |
Wang et al. | PSO-based multi-criteria optimum design of a grid-connected hybrid power system with multiple renewable sources of energy | |
Li et al. | Hybrid time-scale energy optimal scheduling strategy for integrated energy system with bilateral interaction with supply and demand | |
CN112651634B (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN102509175B (zh) | 分布式供电系统可靠性优化方法 | |
CN105159093B (zh) | 基于模型自适应的微电网能量优化控制系统及其设计方法 | |
Gazijahani et al. | A new point estimate method for stochastic optimal operation of smart distribution systems considering demand response programs | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN106159998A (zh) | 可再生能源微电网优化调度系统 | |
CN112366684A (zh) | 一种海岛微电网系统 | |
CN116307505A (zh) | 一种企业微电网能量经济优化调度方法 | |
Wang et al. | Compromise between cost and reliability in optimum design of an autonomous hybrid power system using mixed-integer PSO algorithm | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 | |
Li et al. | A novel framework for integrating solar renewable source into smart cities through digital twin simulations | |
Xu et al. | Optimal scheduling of microgrid with consideration of demand response in smart grid | |
CN109840621A (zh) | 考虑储能系统影响的并网型微电网日前多目标优化方法 | |
CN112350435A (zh) | 一种基于微电网群和电力可控负荷的虚拟电厂管控装置 | |
El-Hendawi et al. | Enhanced MG with optimum operational cost of pumping water distribution systems | |
CN115409355A (zh) | 多区域混合储能微电网双层优化配置方法 | |
Dorahaki et al. | Smart grids and building energy flexibility | |
Hua et al. | Coordinated optimal dispatch for active distribution network under multi-time scales | |
CN110929908B (zh) | 多微网系统容量配置与经济调度的协同优化方法及系统 | |
Yao et al. | Self-learning fuzzy controller-based energy management for smart home | |
Horri et al. | Distributed energy sources planning for micro-grid using slime mould algorithm considering the uncertainty of the resources | |
Hajizadeh et al. | Optimal siting and sizing of electrical vehicle parking lots by considering technical constraints |
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 |
Application publication date: 20180227 |
|
RJ01 | Rejection of invention patent application after publication |