CN107749638B - 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 - Google Patents

多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 Download PDF

Info

Publication number
CN107749638B
CN107749638B CN201710976876.3A CN201710976876A CN107749638B CN 107749638 B CN107749638 B CN 107749638B CN 201710976876 A CN201710976876 A CN 201710976876A CN 107749638 B CN107749638 B CN 107749638B
Authority
CN
China
Prior art keywords
distributed power
intermittent
output
microgrid
correlation
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
Application number
CN201710976876.3A
Other languages
English (en)
Other versions
CN107749638A (zh
Inventor
喻洁
孙旻
曾伟
宋晓健
刘莉莉
何昊
黄扬琪
陈波
王斯妤
郑伟
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.)
Southeast University
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Southeast University
Electric Power Research Institute of State Grid Jiangxi 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 Southeast University, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Southeast University
Priority to CN201710976876.3A priority Critical patent/CN107749638B/zh
Publication of CN107749638A publication Critical patent/CN107749638A/zh
Application granted granted Critical
Publication of CN107749638B publication Critical patent/CN107749638B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H02J3/383—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H02J3/386—
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，包括考虑间歇性分布式电源的影响，建立分布式控制的虚拟发电厂分层随机优化模型；利用Copula理论分析间歇性分布式电源两两之间的相关性；利用分布式随机非重叠抽样法对间歇性分布式电源相关性分析后的结果进行抽样，从而将虚拟发电厂分层随机优化模型转换为分层确定性优化模型来求解。该方法考虑了虚拟发电厂所含的间歇性分布式电源的影响，运用Copula理论对间歇性分布式电源进行相关性分析，将虚拟电厂分层随机优化模型转换为分层确定性优化模型来求解；并对间歇性分布式电源的历史数据进行经验分布估计，提高了预测精度。

Description

多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心 优化方法
技术领域
本发明涉及分布式电源优化调度方法，特别是涉及多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法。
背景技术
近年来，随着能源的大量使用，全球化能源日趋紧张，环境破坏日益严重，且造成了温室效应。因此，人类开始反思自身发展模式,降低能源需求和减少排放的理念逐渐深入人心,并且各种以节能减排为主题的绿色行动在世界范围内开展起来。在此背景下，分布式发电(Distributed Generation，DG)得到了世界各国的重视。
然而，一方面由于分布式能源自身的可控性小，或者通讯和控制硬件不足；另一方面由于电网中存在数量庞大且出力不确定的分布式电源或微网群，使得电网优化的数学模型非常复杂，这给电网调度计划的制定带来巨大的困难。虚拟发电厂(Virtual PowerPlant，VPP)提供了一种处于分布式电源与电网中间层的能源管理形式，虚拟发电厂的提出可消除单个分布式电源并网运行的随机性与不可调度性，宏观上表现出分布式电源和用户负荷的可控性。电网将对分布式电源的协调控制权移交给控制中心，摆脱了分布式电源管理问题维数庞大、控制复杂的难题。分布式电源和用户以微网等形式参与电网统一调度，可有效解决大量分布式电源单独并网运行难以调度管理的问题，是智能电网的发展方向之一。
但是，在对虚拟发电厂进行调度的过程中，其所含的间歇性分布式电源可能会产生一些随机性、不确定性，从而使得优化调度的结果不准确。
发明内容
发明目的：针对现有技术的不足，提供一种能够提高对含随机性出力的虚拟发电厂优化控制的精度的多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法。
技术方案：一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，包括以下步骤：
(1)考虑间歇性分布式电源的影响，建立分布式控制的虚拟发电厂分层随机优化模型；
(2)利用Copula理论分析间歇性分布式电源两两之间的相关性；
(3)利用分布式随机非重叠抽样法对间歇性分布式电源相关性分析后的结果进行抽样，从而将虚拟发电厂分层随机优化模型转换为分层确定性优化模型来求解。
进一步的，所述步骤(1)包括：
(11)以虚拟发电厂全局与主电网之间的交换功率总成本最小化为目标，以电能交换约束和传输线路限制为约束条件，建立上层优化模型；
上层目标为：
Figure RE-GDA0001515756090000021
其中，TC表示虚拟发电厂全局与主电网之间的交换功率的总成本，IMG是虚拟发电厂分布式调度控制的微网数量，ρ是每个微网与主电网之间的能源交换价格，
Figure RE-GDA0001515756090000022
是虚拟发电厂内部微网i与主电网之间的交流电量，
Figure RE-GDA0001515756090000023
表示主电网将电能转移到微网 i，否则，
Figure RE-GDA0001515756090000024
表示微网i将电能转移到主电网；
上层约束为：
3)电能交换的上限约束和下限约束
Figure RE-GDA0001515756090000025
其中，i＝1,2,...,IMG，
Figure RE-GDA0001515756090000026
和
Figure RE-GDA0001515756090000027
分别代表主电网和微网i之间的电量交换的下限和上限；
4)传输线路限制约束
Figure RE-GDA0001515756090000028
其中，m＝1,2,...M，M为最大线路数，ηi-m是电力从微网注入到线路的灵敏度，Tm表示线路m的能量流限制；
(12)以虚拟发电厂内各微网发电成本最小为目标，以微网内各发电单元出力为约束，同时考虑间歇性分布式电源发电出力的不确定性，建立下层随机优化模型；
下层目标：
Figure RE-GDA0001515756090000031
其中，j＝1,2,...,Jmt，Ji是微网i分布式发电机的数量，
Figure RE-GDA0001515756090000032
是微网i的发电成本，
Figure RE-GDA0001515756090000033
表示微网i中的发电单元j的输出功率，
Figure RE-GDA0001515756090000034
表示微网i中的发电单元j的单位成本，则
Figure RE-GDA0001515756090000035
是微网i发电单元j的发电成本函数；
下层约束：
4)功率平衡约束
Figure RE-GDA0001515756090000036
Figure RE-GDA0001515756090000037
其中，
Figure RE-GDA0001515756090000038
是微网i中风力发电的出力，
Figure RE-GDA0001515756090000039
是微网i中的光伏发电的输出，
Figure RE-GDA00015157560900000310
是微型涡轮机的输出，
Figure RE-GDA00015157560900000311
和
Figure RE-GDA00015157560900000312
分别是储能的充电能力和放电能力，
Figure RE-GDA00015157560900000313
和
Figure RE-GDA00015157560900000314
分别是储能充电的实际利用率和放电的实际利用率，
Figure RE-GDA00015157560900000315
是微网i的负荷；
5)可控分布式电源的上下限输出
Figure RE-GDA00015157560900000316
其中，j＝1,2,...,Jmt，
Figure RE-GDA00015157560900000317
和
Figure RE-GDA00015157560900000318
分别是微网i中可控分布式电源j出力的上下限， Jmt为微网i中可控分布式电源总数；
6)储能约束
Figure RE-GDA00015157560900000319
Figure RE-GDA00015157560900000320
SOCi min≤SOC i≤SOCi max
其中，
Figure RE-GDA00015157560900000321
和
Figure RE-GDA00015157560900000322
是充电功率的上下限，
Figure RE-GDA00015157560900000323
和
Figure RE-GDA00015157560900000324
分别是微网i中放电功率的上下限，SOCi是微网i中电池的存储状态，
Figure RE-GDA00015157560900000325
和
Figure RE-GDA00015157560900000326
分别是电池储能的上限和下限；
4)虚拟电厂内各微电网中间歇性分布式电源发电受自然条件的影响具有较强的波动性与随机性，且同一地区地理位置两两发电单元之间的输出功率具有一定的相关性，故在此采用机会约束的形式表示其运行约束，第i个微网内间歇性分布式电源发电的概率约束表达式如下所示：
Figure RE-GDA0001515756090000041
其中，
Figure RE-GDA0001515756090000042
为微网i中可控分布式电源k的功率出力，它满足Copula联合概率分布函数；
Figure RE-GDA0001515756090000043
是虚拟发电厂i中可控分布式电源k出力的上下限；Ki为微网i中可控分布式电源总数；α为机会约束条件的置信水平，该值是预先指定己知的。
优选的，所述微网内各发电单元包括可控分布式电源、间歇性分布式电源和储能，所述可控分布式电源为微型涡轮机。
更进一步的，所述步骤(12)中间歇性分布式电源包括风力发电和光伏发电，则下层目标具体为：
Figure RE-GDA0001515756090000044
其中，
Figure RE-GDA0001515756090000045
是微网i中风力发电的出力，
Figure RE-GDA0001515756090000046
是风电设备的运行和维护成本，
Figure RE-GDA0001515756090000047
是微网i中的光伏发电的输出，
Figure RE-GDA0001515756090000048
是光伏发电设备的运行和维护成本，
Figure RE-GDA0001515756090000049
是微型涡轮机的运行和维护成本，
Figure RE-GDA00015157560900000410
是微型涡轮机的输出，
Figure RE-GDA00015157560900000411
是微型涡轮机的燃油成本，
Figure RE-GDA00015157560900000412
是储能设备的运行和维护成本，
Figure RE-GDA00015157560900000413
和
Figure RE-GDA00015157560900000414
分别是储能的充电能力和放电能力。
进一步的，所述步骤(2)中对各间歇性分布式电源的历史数据进行经验分布估计，得到各自的经验累积分布函数，根据平方欧式距离最小的方法选择合适的理论Copula 函数，从而建立各间歇性分布式电源两两之间的联合概率分布来描述其相关性；其相关性分析包括以下步骤：
(21)对同一地区相邻的间歇性分布式电源进行两两选择，根据某一间歇性分布式电源出力历史数据，计算不同Copula函数相应的参数估计值；
(22)分别根据每种不同的Copula函数计算其与经验Copula函数之间的平方欧氏距离，选择距离最小的Copula函数作为描述两两间歇性分布式电源出力之间相关性；
其中经验Copula函数定义如下：
Figure RE-GDA0001515756090000051
式中：u,v∈[0,1]，I[·]为示性函数，当F(xi)≤u时，
Figure RE-GDA0001515756090000052
否则
Figure RE-GDA0001515756090000053
当G(yi)≤v时，
Figure RE-GDA0001515756090000054
否则
Figure RE-GDA0001515756090000055
进一步的，所述步骤(3)中在间歇性分布式电源相关性分析的基础上，利用分布式随机非重叠抽样方法对所选择的Copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵进行抽样，步骤如下：
(31)对某一间歇性分布式电源进行独立抽样，建立其与其他各间歇性分布式电源的两两联合概率分布，根据平方欧氏距离最小的方法选择Copula函数的类型来作为描述间歇性分布式电源出力相关性的最优函数；
计算平方欧氏距离的表达式如下：
Figure RE-GDA0001515756090000056
式中：F(x)和G(y)分别是两个间歇性分布式电源出力的边缘累积分布函数； CEi(F(x),G(y))为经验Copula函数上第i个采样值；CTi(F1(x),G(y))为Copula函数上第i个采样值；N为计算点个数；
(32)由所选的理论Copula函数的类型描述间歇性分布式电源两两之间的相关性，得出各自的相关性系数；为了避免相关性太大对出力预测精度的影响，通过分布式筛选，在众多间歇性分布式电源联合Copula函数中选择Pearson线性相关系数最小的间歇性分布式电源联合Copula函数作为抽样；
Pearson线性相关系数表示如下：
Figure RE-GDA0001515756090000057
其中，X、Y为两个对象的样本，
Figure RE-GDA0001515756090000061
假设某一间歇性分布式电源i与间歇性分布式电源j1、j2、.......、jn的相关系数分别为ρij1、ρij2、.......、ρijn，通过各间歇性分布式电源之间的通信连接，可以传递有链接分布式电源之间的信息；由此，为了避免相关性太大对出力预测精度的影响，可以选择与间歇性分布式电源i Pearson线性相关系数最小的另一间歇性分布式电源建立联合概率分布作为抽样的样本；
ρi抽样＝min|ρij|j＝j1,j2,...,jn
其中，ρi抽样对应最终所选的两个间歇性分布式电源联合概率分布对应的相关系数，ρij表示间歇性分布式电源i与其它各个间歇性分布式电源所建立的联合概率分布的相关系数；
(33)利用所选择的Copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵；
假设针对每个间歇性分布式电源出力随机变量生成随机数的个数为N，利用所选择的Copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵为DN×K；
Figure RE-GDA0001515756090000062
其中，di,j表示节点j对节点i的影响权重，di,j∈[0,1)；
(34)用Copularnd()函数对样本进行分布式随机抽样；
D＝Copularnd(Copula类型，Copula相关系数，抽样次数)
(35)对抽样结果进行所需处理。
更进一步的，基于分布式随机非重叠抽样将随机约束条件转换成确定性的约束条件，步骤如下：
(a)从Copula联合概率分布式中抽样获得N组间歇性分布式电源的样本数据 (P1n,P2n,L,Pin)其中，n＝1,2,...,N，i表示间歇性分布式电源的个数；
(b)基于指示函数I(t)来计算满足约束条件的样本数，即当抽取的样本值满足约束条件时，I(t)＝1，否则，I(t)＝0；I(t)表达式如下：
Figure RE-GDA0001515756090000071
其中，P1、P2分别为两个样本概率，
Figure RE-GDA0001515756090000072
分别为两个样本设定的约束概率；
(c)计算所抽取的样本满足约束条件的概率，并将该概率记为PN，则：
Figure RE-GDA0001515756090000073
(d)判断PN是否满足PN≥α，若满足，则继续下一步；否则，返回(a)进行重新抽样计算；
(e)至此便可将原来不确定性的概率约束条件转换为确定性的约束条件：
Figure RE-GDA0001515756090000074
有益效果：与现有技术相比，本发明的方法具有以下优点：首先，在对间歇性的风电、光伏发电等分布式电源相关性分析的基础上，既考虑到了不确定性电源的分布式电特点，又避免抽样样本的重复性，利用分布式随机非重叠抽样的方法将随机约束条件转化成了确定性条件，从而将虚拟电厂分层随机优化模型转换为易于求解的分层确定性优化模型；其次，对间歇性分布式电源的历史数据进行经验分布估计，提高了预测精度；再次，考虑到了间歇性的风电、光伏发电等分布式电源之间的相关性，并运用Copula 理论对其相关性进行了分析；然后，考虑到了虚拟发电厂所含的随机性出力，并根据上下层的优化目标建立了含随机变量的分层随机优化模型。
附图说明
图1是本发明方法的流程图；
图2是本发明方法中的抽样方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细的描述。
如图1所示，本发明的一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，包括以下步骤：
(1)考虑间歇性分布式电源的影响，建立分布式控制的虚拟发电厂分层随机优化模型。
(11)以虚拟发电厂全局与主电网之间的交换功率总成本最小化为目标，以电能交换约束和传输线路限制为约束条件，建立上层优化模型。
上层目标：
Figure RE-GDA0001515756090000081
其中，TC表示虚拟发电厂全局与主电网之间的交换功率的总成本，IMG是虚拟发电厂分布式调度控制的微网数量，ρ是每个微网与主电网之间的能源交换价格，在本实施例中，ρ被认为是统一的电力市场价格，
Figure RE-GDA0001515756090000082
是虚拟发电厂内部微网i与主电网之间的交流电量，
Figure RE-GDA0001515756090000083
表示主电网将电能转移到微网i，否则，
Figure RE-GDA0001515756090000084
表示微网i将电能转移到主电网。
上层约束：
1)电能交换的上限约束和下限约束
Figure RE-GDA0001515756090000085
其中，i＝1,2,...,IMG，
Figure RE-GDA0001515756090000086
和
Figure RE-GDA0001515756090000087
分别代表电网和虚拟发电厂之间的电量交换的下限和上限。
2)传输线路限制约束
Figure RE-GDA0001515756090000088
其中，m＝1,2,...M，M为最大线路数，ηi-m是电力从微网注入到线路的灵敏度，Tm表示线路的能量流限制；
(12)以虚拟发电厂内各微网发电成本最小为目标，以各发电单元处理为约束，同时考虑间歇性分布式电源发电出力的不确定性，建立下层随机优化模型。
下层目标：
Figure RE-GDA0001515756090000089
其中，j＝1,2,...,Jmt，Ji是微网i分布式发电机的数量，
Figure RE-GDA0001515756090000091
是微网i的发电成本，
Figure RE-GDA0001515756090000092
表示微网i中的发电单元j的输出功率，
Figure RE-GDA0001515756090000093
表示微网i中的发电单元j的单位成本，则
Figure RE-GDA0001515756090000094
是微网i发电单元j的发电成本函数；
Figure RE-GDA0001515756090000095
是微网i中风力发电的出力，
Figure RE-GDA0001515756090000096
是风电设备的运行和维护成本，
Figure RE-GDA0001515756090000097
是微网i中的光伏发电的输出，
Figure RE-GDA0001515756090000098
是光伏发电设备的运行和维护成本，
Figure RE-GDA0001515756090000099
是微型涡轮机的运行和维护成本，
Figure RE-GDA00015157560900000910
是微型涡轮机的输出，
Figure RE-GDA00015157560900000911
是微型涡轮机的燃油成本，
Figure RE-GDA00015157560900000912
是储能设备的运行和维护成本，
Figure RE-GDA00015157560900000913
和
Figure RE-GDA00015157560900000914
分别是储能的充电能力和放电能力。
下层约束：
7)功率平衡约束
Figure RE-GDA00015157560900000915
Figure RE-GDA00015157560900000916
其中，
Figure RE-GDA00015157560900000917
是储能充电的实际利用率，
Figure RE-GDA00015157560900000918
是储能放电的实际利用率，
Figure RE-GDA00015157560900000919
是微网i的负荷。
8)可控分布式电源(微型涡轮机)的上下限输出
Figure RE-GDA00015157560900000920
Figure RE-GDA00015157560900000921
其中，j＝1,2,...,Jmt，
Figure RE-GDA00015157560900000922
和
Figure RE-GDA00015157560900000923
分别是微网i中可控分布式电源j出力的上下限， Jmt为微网i中可控分布式电源(微型涡轮机)总数。
9)储能约束
Figure RE-GDA00015157560900000924
Figure RE-GDA00015157560900000925
SOCi min≤SOC i≤SOCi max
其中，
Figure RE-GDA00015157560900000926
和
Figure RE-GDA00015157560900000927
分别是充电功率的上下限，
Figure RE-GDA00015157560900000928
和
Figure RE-GDA00015157560900000929
分别是微网i中放电功率的上下限；SOCi是微网i中电池的存储状态，
Figure RE-GDA0001515756090000101
分别是电池储能的上限和下限。
4)虚拟电厂内各微电网中风力与光伏等间歇性分布式电源发电受自然条件的影响具有较强的波动性与随机性，且同一地区地理位置较近的风力发电单元与光伏发电单元、风力发电单元之间及光伏发电单元之间的输出功率具有一定的相关性，故在此采用机会约束的形式表示其运行约束，第i个微网内间歇性分布式电源发电的概率约束表达式如下所示：
Figure RE-GDA0001515756090000102
其中，
Figure RE-GDA0001515756090000103
为微网i中可控分布式电源k的功率出力，它满足Copula联合概率分布函数；
Figure RE-GDA0001515756090000104
是虚拟发电厂i中可控分布式电源k出力的上下限；Ki为微网i中可控分布式电源总数；α为机会约束条件的置信水平，该值是预先指定己知的。
(2)利用Copula理论分析风电、光伏发电等间歇性分布式电源两两之间的相关性。
对风电、光伏发电的历史数据进行经验分布估计，得到各自的经验累积分布函数，根据平方欧式距离最小的方法选择合适的理论Copula函数，从而建立两者之间的联合概率分布来描述其相关性。
同一区域地理位置相近的多个风力发电单元与光伏发电单元、多个风力发电单元间与多个光伏发电单元间受同一风源、光源以及相近温度、湿度等影响，其输出功率间表现出一定的相关关系。当电网接入大批量的风力、光伏发电单元后，其调度运行将受到一定的影响。对风电场与风电场、风电场与光伏发电、光伏发电与光伏发电出力之间的相关性进行分析，可以提高对此类不确定性电源出力的预测，进而有利于虚拟发电厂的优化调度。
基于历史数据和Copula理论的风力、光伏出力相关性分析可分为以下步骤：
对同一地区相邻的风电场或光伏发电进行两两选择，根据风电场出力历史数据，计算不同Copula函数相应的参数估计值。
利用MATLAB软件统计工具箱中的copulafit函数计算不同Copula函数相应的参数估计值如下：
RHOHAT＝copulafit('Gaussian',U)
[RHOHAT,nuhat]＝copulafit('t',U)
paramhat＝copulafit('family',U)
式中：U表示由两个风电场出力随机变量的累积分布值构成的n×2的矩阵，n表示累积分布函数值的个数，其元素的取值范围为[0,1]。当选择Normal-Copula函数或 t-Copula函数时，RHOHAT为线性相关矩阵的参数估计值，nuhat为t-Copula函数的自由度估计值；当选择阿基米德型Copula函数时，family代表Copula函数的种类，包括Gumbel-Copula函数、Clayton-Copula函数和Frank-Copula函数，paramhat参数为阿基米德型Copula函数的参数估计值。
(22)分别根据每种不同的Copula函数计算其与经验Copula函数之间的平方欧氏距离，选择距离最小的Copula函数作为描述风、光发电场出力之间相关性。
不同的Copula函数所具有的分布特征各不相同，使用不同的Copula函数对风、光发电场出力之间的相关性进行建模，所得到的联合概率分布也会有一定的差别。因而为了更好地描述风光出力之间的相关性，选择合适的Copula函数是分析风力、光伏发电出力相关性的关键。评价所选择Copula函数的准确度通常根据Copula函数与经验Copula 函数之间的平方欧氏距离的大小。平方欧氏距离法首先根据风、光发电出力的历史数据构建出风、光发电场出力之间的经验Copula函数；然后根据所得的参数估计值计算各类Copula函数与经验Copula函数之间的平方欧氏距离；最后选择平方欧氏距离最小的 Copula函数作为描述风、光发电出力相关性的最优函数。
其中经验Copula函数定义如下：
Figure RE-GDA0001515756090000111
式中：u,v∈[0,1]；I[·]为示性函数；当F(xi)≤u时，
Figure RE-GDA0001515756090000112
否则
Figure RE-GDA0001515756090000113
当G(yi)≤v时，
Figure RE-GDA0001515756090000114
否则
Figure RE-GDA0001515756090000115
(3)利用分布式随机非重叠抽样法对风电、光伏发电等间歇性分布式电源相关性分析后的结果进行抽样，从而将虚拟电厂分层随机优化模型转换为分层确定性优化模型来求解。
在风光相关性分析的基础上，利用分布式随机非重叠抽样方法对所选择的Copula函数生成满足风光出力相关性的随机数矩阵进行抽样，如图2所示，主要步骤如下：
(31)对某一间歇性分布式电源进行独立抽样，建立其与其他各间歇性分布式电源的两两联合概率分布，根据平方欧氏距离最小的方法选择Copula函数的类型来作为描述风、光发电出力相关性的最优函数。
计算平方欧氏距离的表达式如下：
Figure RE-GDA0001515756090000121
式中：F(x)和G(y)分别是两个风、光发电场出力的边缘累积分布函数；
CEi(F(x),G(y))为经验Copula函数上第i个采样值；CTi(F1(x),G(y))为Copula函数上第i个采样值；N为计算点个数。
(32)由所选的理论Copula函数的类型描述风光两两之间的相关性，得出各自的相关性系数。为了避免相关性太大对出力预测精度的影响，通过分布式筛选，在众多风光联合Copula函数中选择Pearson线性相关系数最小的风光联合Copula函数作为抽样；
Pearson线性相关系数表示如下：
Figure RE-GDA0001515756090000122
其中，Xi、Yi分别为两个对象的样本，
Figure RE-GDA0001515756090000123
假设风电场i与光伏发电j1、j2、.......、jn的相关系数分别为ρij1、ρij2、.......、ρijn，通过各分布式电源之间的通信连接，可以传递有链接分布式电源之间的信息。由此，为了避免相关性太大对出力预测精度的影响，可以选择与风电场i Pearson线性相关系数最小的光伏发电建立联合概率分布作为抽样的样本。
ρi抽样＝min|ρij| j＝j1,j2,...,jn
其中，ρi抽样对应最终所选的风电联合概率分布对应的相关系数，ρij表示风电厂i与各个光伏发电所建立的联合概率分布的相关系数。
(33)利用所选择的Copula函数生成满足风电出力相关性的随机数矩阵。
假设针对每个分布式电源出力随机变量生成随机数的个数为N，利用所选择的Copula函数生成满足分布式电源出力相关性的随机数矩阵为DN×K。
Figure RE-GDA0001515756090000131
其中，di,j表示节点j对节点i的影响权重，di,j∈[0,1)。
(34)用Copularnd()函数对样本进行分布式随机抽样；
D＝Copularnd(Copula类型，Copula相关系数，抽样次数)；
(35)对抽样结果进行所需处理。
基于分布式随机非重叠抽样将随机约束条件转换成确定性的约束条件，步骤如下：
(a)从Copula联合概率分布式中抽样获得N组间歇性分布式电源的样本数据(P1n，P2n)(n＝1,2,...,N)(在此以二元Copula联合概率分布式为例)；
(b)基于指示函数I(t)来计算满足约束条件的样本数，即当抽取的样本值满足约束条件时，I(t)＝1，否则，I(t)＝0。I(t)表达式如下：
Figure RE-GDA0001515756090000132
其中，P1、P2分别是两个样本概率，
Figure RE-GDA0001515756090000133
分别为两个样本设定的约束概率。
(c)计算所抽取的样本满足约束条件的概率，并将该概率记为PN，则
Figure RE-GDA0001515756090000134
(d)判断PN是否满足PN≥α，若满足，则继续下一步；否则，返回(a)进行重新抽样计算；
(e)至此便可将原来不确定性的概率约束条件转换为确定性的约束条件：
Figure RE-GDA0001515756090000135

Claims (4)

1.一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，其特征在于，包括以下步骤：
(1)考虑间歇性分布式电源的影响，建立分布式控制的虚拟发电厂分层随机优化模型；包括：
(11)以虚拟发电厂全局与主电网之间的交换功率总成本最小化为目标，以电能交换约束和传输线路限制为约束条件，建立上层优化模型；
上层目标为：
Figure FDA0002679889870000011
其中，TC表示虚拟发电厂全局与主电网之间的交换功率的总成本，IMG是虚拟发电厂分布式调度控制的微网数量，ρ是每个微网与主电网之间的能源交换价格，
Figure FDA0002679889870000012
是虚拟发电厂内部微网i与主电网之间的交流电量，
Figure FDA0002679889870000013
表示主电网将电能转移到微网i，否则，
Figure FDA0002679889870000014
表示微网i将电能转移到主电网；
上层约束为：
1)电能交换的上限约束和下限约束
Figure FDA0002679889870000015
其中，i＝1,2,...,IMG，
Figure FDA0002679889870000016
和
Figure FDA0002679889870000017
分别代表主电网和微网i之间的电量交换的下限和上限；
2)传输线路限制约束
Figure FDA0002679889870000018
其中，m＝1,2,...M，M为最大线路数，ηi-m是电力从微网注入到线路的灵敏度，Tm表示线路m的能量流限制；
(12)以虚拟发电厂内各微网发电成本最小为目标，以微网内各发电单元出力为约束，同时考虑间歇性分布式电源发电出力的不确定性，建立下层随机优化模型；
下层目标：
Figure FDA0002679889870000021
其中，j＝1,2,...,Jmt，Ji是微网i分布式发电机的数量，
Figure FDA0002679889870000022
是微网i的发电成本，
Figure FDA0002679889870000023
表示微网i中的发电单元j的输出功率，
Figure FDA0002679889870000024
表示微网i中的发电单元j的单位成本，则
Figure FDA0002679889870000025
是微网i发电单元j的发电成本函数；
下层约束：
1)功率平衡约束
Figure FDA0002679889870000026
Figure FDA0002679889870000027
其中，
Figure FDA0002679889870000028
是微网i中风力发电的出力，
Figure FDA0002679889870000029
是微网i中的光伏发电的输出，
Figure FDA00026798898700000210
是微型涡轮机的输出，
Figure FDA00026798898700000211
和
Figure FDA00026798898700000212
分别是储能的充电能力和放电能力，
Figure FDA00026798898700000213
和
Figure FDA00026798898700000214
分别是储能充电的实际利用率和放电的实际利用率，
Figure FDA00026798898700000215
是微网i的负荷；
2)可控分布式电源的上下限输出
Figure FDA00026798898700000216
其中，j＝1,2,...,Jmt，
Figure FDA00026798898700000217
和
Figure FDA00026798898700000218
分别是微网i中可控分布式电源j出力的上下限，Jmt为微网i中可控分布式电源总数；
3)储能约束
Figure FDA00026798898700000219
Figure FDA00026798898700000220
SOCi min≤SOCi≤SOCi max
其中，
Figure FDA00026798898700000221
和
Figure FDA00026798898700000222
是充电功率的上下限，
Figure FDA00026798898700000223
和
Figure FDA00026798898700000224
分别是微网i中放电功率的上下限，SOCi是微网i中电池的存储状态，
Figure FDA00026798898700000225
和
Figure FDA00026798898700000226
分别是电池储能的上限和下限；
4)虚拟电厂内各微电网中间歇性分布式电源发电受自然条件的影响具有较强的波动性与随机性，且同一地区地理位置两两发电单元之间的输出功率具有一定的相关性，故在此采用机会约束的形式表示其运行约束，第i个微网内间歇性分布式电源发电的概率约束表达式如下所示：
Figure FDA0002679889870000031
其中，
Figure FDA0002679889870000032
为微网i中可控分布式电源k的功率出力，它满足Copula联合概率分布函数；
Figure FDA0002679889870000033
是虚拟发电厂i中可控分布式电源k出力的上下限；Ki为微网i中可控分布式电源总数；α为机会约束条件的置信水平，该值是预先指定己知的；
(2)利用Copula理论分析间歇性分布式电源两两之间的相关性；
(3)利用分布式随机非重叠抽样法对间歇性分布式电源相关性分析后的结果进行抽样，从而将虚拟发电厂分层随机优化模型转换为分层确定性优化模型来求解；具体的：
在间歇性分布式电源相关性分析的基础上，利用分布式随机非重叠抽样方法对所选择的Copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵进行抽样，步骤如下：
(31)对某一间歇性分布式电源进行独立抽样，建立其与其他各间歇性分布式电源的两两联合概率分布，根据平方欧氏距离最小的方法选择Copula函数的类型来作为描述间歇性分布式电源出力相关性的最优函数；
计算平方欧氏距离的表达式如下：
Figure FDA0002679889870000034
式中：F(x)和G(y)分别是两个间歇性分布式电源出力的边缘累积分布函数；CEi(F(x),G(y))为经验Copula函数上第i个采样值；CTi(F1(x),G(y))为Copula函数上第i个采样值；N为计算点个数；
(32)由所选的理论Copula函数的类型描述间歇性分布式电源两两之间的相关性，得出各自的相关性系数；为了避免相关性太大对出力预测精度的影响，通过分布式筛选，在众多间歇性分布式电源联合Copula函数中选择Pearson线性相关系数最小的间歇性分布式电源联合Copula函数作为抽样；
Pearson线性相关系数表示如下：
Figure FDA0002679889870000041
其中，X、Y为两个对象的样本，
Figure FDA0002679889870000042
假设某一间歇性分布式电源i与间歇性分布式电源j1、j2、.......、jn的相关系数分别为ρij1、ρij2、.......、ρijn，通过各间歇性分布式电源之间的通信连接，可以传递有链接分布式电源之间的信息；由此，为了避免相关性太大对出力预测精度的影响，可以选择与间歇性分布式电源i Pearson线性相关系数最小的另一间歇性分布式电源建立联合概率分布作为抽样的样本；
ρi抽样＝min|ρij| j＝j1,j2,...,jn
其中，ρi抽样对应最终所选的两个间歇性分布式电源联合概率分布对应的相关系数，ρij表示间歇性分布式电源i与其它各个间歇性分布式电源所建立的联合概率分布的相关系数；
(33)利用所选择的Copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵；
假设针对每个间歇性分布式电源出力随机变量生成随机数的个数为N，利用所选择的Copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵为DN×K；
Figure FDA0002679889870000043
其中，di,j表示节点j对节点i的影响权重，di,j∈[0,1)；
(34)用Copularnd()函数对样本进行分布式随机抽样；
D＝Copularnd(Copula类型，Copula相关系数，抽样次数)
(35)对抽样结果进行所需处理；
基于分布式随机非重叠抽样将随机约束条件转换成确定性的约束条件，步骤如下：
(a)从Copula联合概率分布式中抽样获得N组间歇性分布式电源的样本数据(P1n,P2n,…,Pin)其中，n＝1,2,...,N，i表示间歇性分布式电源的个数；
(b)基于指示函数I(t)来计算满足约束条件的样本数，即当抽取的样本值满足约束条件时，I(t)＝1，否则，I(t)＝0；I(t)表达式如下：
Figure FDA0002679889870000051
其中，P1、P2分别为两个样本概率，P1 max、P2 max分别为两个样本设定的约束概率；
(c)计算所抽取的样本满足约束条件的概率，并将该概率记为PN，则：
Figure FDA0002679889870000052
(d)判断PN是否满足PN≥α，若满足，则继续下一步；否则，返回(a)进行重新抽样计算；
(e)至此便可将原来不确定性的概率约束条件转换为确定性的约束条件：
Figure FDA0002679889870000053
2.根据权利要求1所述的一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，其特征在于：所述微网内各发电单元包括可控分布式电源、间歇性分布式电源和储能，所述可控分布式电源为微型涡轮机。
3.根据权利要求2所述的一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，其特征在于：所述步骤(12)中间歇性分布式电源包括风力发电和光伏发电，则下层目标具体为：
Figure FDA0002679889870000054
其中，
Figure FDA0002679889870000055
是微网i中风力发电的出力，
Figure FDA0002679889870000056
是风电设备的运行和维护成本，
Figure FDA0002679889870000057
是微网i中的光伏发电的输出，
Figure FDA0002679889870000058
是光伏发电设备的运行和维护成本，
Figure FDA0002679889870000059
是微型涡轮机的运行和维护成本，
Figure FDA00026798898700000510
是微型涡轮机的输出，
Figure FDA00026798898700000511
是微型涡轮机的燃油成本，
Figure FDA0002679889870000061
是储能设备的运行和维护成本，
Figure FDA0002679889870000062
和
Figure FDA0002679889870000063
分别是储能的充电能力和放电能力。
4.根据权利要求1所述的一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，其特征在于，所述步骤(2)中对各间歇性分布式电源的历史数据进行经验分布估计，得到各自的经验累积分布函数，根据平方欧式距离最小的方法选择合适的理论Copula函数，从而建立各间歇性分布式电源两两之间的联合概率分布来描述其相关性；其相关性分析包括以下步骤：
(21)对同一地区相邻的间歇性分布式电源进行两两选择，根据某一间歇性分布式电源出力历史数据，计算不同Copula函数相应的参数估计值；
(22)分别根据每种不同的Copula函数计算其与经验Copula函数之间的平方欧氏距离，选择距离最小的Copula函数作为描述两两间歇性分布式电源出力之间相关性；
其中经验Copula函数定义如下：
Figure FDA0002679889870000064
式中：u,v∈[0,1]，I[·]为示性函数，当F(xi)≤u时，
Figure FDA0002679889870000065
否则
Figure FDA0002679889870000066
当G(yi)≤v时，
Figure FDA0002679889870000067
否则
Figure FDA0002679889870000068
CN201710976876.3A 2017-10-19 2017-10-19 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 Expired - Fee Related CN107749638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710976876.3A CN107749638B (zh) 2017-10-19 2017-10-19 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710976876.3A CN107749638B (zh) 2017-10-19 2017-10-19 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法

Publications (2)

Publication Number Publication Date
CN107749638A CN107749638A (zh) 2018-03-02
CN107749638B true CN107749638B (zh) 2021-02-02

Family

ID=61252966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710976876.3A Expired - Fee Related CN107749638B (zh) 2017-10-19 2017-10-19 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法

Country Status (1)

Country Link
CN (1) CN107749638B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763627A (zh) * 2018-04-13 2018-11-06 西北工业大学 结构机构失效概率灵敏度分解方法、计算方法及应用
CN110729721B (zh) * 2019-10-22 2023-07-25 国网江西省电力有限公司经济技术研究院 电力系统全局备用容量计算方法
CN111858827B (zh) * 2020-07-31 2023-11-14 成都新潮传媒集团有限公司 一种地图点位抽稀展示方法、装置及计算机设备
CN112734285B (zh) * 2021-01-22 2023-05-02 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种电站送风机超温预警方法及系统
CN113469412B (zh) * 2021-06-02 2024-04-09 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113962477A (zh) * 2021-11-10 2022-01-21 国网浙江省电力有限公司杭州供电公司 一种产业电量关联聚集预测方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903066A (zh) * 2014-04-04 2014-07-02 东南大学 一种虚拟电厂分层随机优化调度方法
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
CN104779611A (zh) * 2015-03-23 2015-07-15 南京邮电大学 基于集中式和分布式双层优化策略的微电网经济调度方法
CN105631599A (zh) * 2015-12-30 2016-06-01 国网甘肃省电力公司电力科学研究院 一种虚拟电厂多目标运行调度方法
CN105790258A (zh) * 2016-03-15 2016-07-20 国电南瑞科技股份有限公司 基于正态Copula函数的拉丁超立方抽样法概率潮流计算方法
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
CN107038292A (zh) * 2017-04-01 2017-08-11 三峡大学 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法
WO2017145664A1 (ja) * 2016-02-26 2017-08-31 日本電気株式会社 最適化システム、最適化方法および最適化プログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903066A (zh) * 2014-04-04 2014-07-02 东南大学 一种虚拟电厂分层随机优化调度方法
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
CN104779611A (zh) * 2015-03-23 2015-07-15 南京邮电大学 基于集中式和分布式双层优化策略的微电网经济调度方法
CN105631599A (zh) * 2015-12-30 2016-06-01 国网甘肃省电力公司电力科学研究院 一种虚拟电厂多目标运行调度方法
WO2017145664A1 (ja) * 2016-02-26 2017-08-31 日本電気株式会社 最適化システム、最適化方法および最適化プログラム
CN105790258A (zh) * 2016-03-15 2016-07-20 国电南瑞科技股份有限公司 基于正态Copula函数的拉丁超立方抽样法概率潮流计算方法
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
CN107038292A (zh) * 2017-04-01 2017-08-11 三峡大学 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Probabilistic Power Flow for AC/VSC-MTDC Hybrid Grids Considering Rank Correlation Among Diverse Uncertainty Sources;Sui Peng等;《 IEEE Transactions on Power Systems 》;20161229;第32卷(第5期);全文 *
冯其芝.含微电网的虚拟电厂分层随机优化调度.《中国优秀硕士学位论文全文数据库》.2016, *
含微电网的虚拟电厂分层随机优化调度;冯其芝;《中国优秀硕士学位论文全文数据库》;20160815;第19-53页 *

Also Published As

Publication number Publication date
CN107749638A (zh) 2018-03-02

Similar Documents

Publication Publication Date Title
CN107749638B (zh) 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法
Hua et al. Optimal energy management strategies for energy Internet via deep reinforcement learning approach
Afrasiabi et al. Multi-agent microgrid energy management based on deep learning forecaster
Yu et al. Reliability constraint stochastic UC by considering the correlation of random variables with Copula theory
Thatte et al. Risk measure based robust bidding strategy for arbitrage using a wind farm and energy storage
Shukla et al. Clustering based unit commitment with wind power uncertainty
Zubo et al. Operation and planning of distribution networks with integration of renewable distributed generators considering uncertainties: A review
Muqeet et al. Sustainable solutions for advanced energy management system of campus microgrids: Model opportunities and future challenges
Bahmani-Firouzi et al. An efficient scenario-based and fuzzy self-adaptive learning particle swarm optimization approach for dynamic economic emission dispatch considering load and wind power uncertainties
Papavasiliou et al. Applying high performance computing to transmission-constrained stochastic unit commitment for renewable energy integration
Park et al. Transmission planning under uncertainties of wind and load: Sequential approximation approach
Abbasi et al. Recent developments of energy management strategies in microgrids: An updated and comprehensive review and classification
Marino et al. A chance-constrained two-stage stochastic programming model for reliable microgrid operations under power demand uncertainty
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
Kathiravan et al. Optimal power flow model incorporating wind, solar, and bundled solar-thermal power in the restructured Indian power system
CN105790266A (zh) 一种微电网并行多目标鲁棒优化调度集成控制方法
Ramadan et al. Optimal power flow for distribution systems with uncertainty
Chen et al. Optimal control strategy for solid oxide fuel cell‐based hybrid energy system using deep reinforcement learning
CN115764863A (zh) 一种基于数据驱动的多微网合作运行方法
Wu et al. Data-driven nonparametric joint chance constraints for economic dispatch with renewable generation
Liu et al. Day‐Ahead Economic Dispatch of Renewable Energy System considering Wind and Photovoltaic Predicted Output
Zhang et al. Digital twin empowered PV power prediction
Yang et al. A non-intrusive carbon emission accounting method for industrial corporations from the perspective of modern power systems
Zhu et al. Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics
CN117934050A (zh) 融合风险与收益的虚拟电厂参与市场化交易的方法及系统

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: 20210202