CN108233430B - 一种计及系统能源波动性的交直流混合微网优化方法 - Google Patents
一种计及系统能源波动性的交直流混合微网优化方法 Download PDFInfo
- Publication number
- CN108233430B CN108233430B CN201810114563.1A CN201810114563A CN108233430B CN 108233430 B CN108233430 B CN 108233430B CN 201810114563 A CN201810114563 A CN 201810114563A CN 108233430 B CN108233430 B CN 108233430B
- Authority
- CN
- China
- Prior art keywords
- micro
- grid
- alternating current
- energy
- direct current
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 65
- 230000002441 reversible effect Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 239000000446 fuel Substances 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 13
- 210000004027 cell Anatomy 0.000 claims description 11
- 238000002485 combustion reaction Methods 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000005622 photoelectricity Effects 0.000 claims description 3
- 210000000352 storage cell Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000002035 prolonged effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 239000003344 environmental pollutant Substances 0.000 claims 1
- 231100000719 pollutant Toxicity 0.000 claims 1
- 238000010248 power generation Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H02J3/382—
-
- H02J3/387—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Abstract
一种计及系统能源波动性的交直流混合微网优化方法,针对交直流混合微网区域电能交互复杂,对系统运行安全稳定性要求高的问题,建立了以系统总体运行成本最低、备用容量最多为上、下层目标的交直流混合微网双层鲁棒优化模型。其中,系统最坏运行条件下备用容量的要求采用最大净负荷波动之和代替。而双层鲁棒模型的优化采用基于云模型和反向学习机制改进的粒子群算法求解,可有效解决混合微网系统波动性研究复杂、算法收敛后期粒子多样性减少的问题。以包含风、光等间歇性能源的交直流混合微网作为实例进行分析。本发明可以使微网在获得经济性的同时具有较强的抗干扰能力,从而有效应对系统能源波动性带来的安全问题。
Description
技术领域
本发明涉及交直流混合微网优化领域,特别是一种计及系统能源波动性的交直流混合微网优化方法。
背景技术
近年来,随着能源互联网概念的提出,以能源安全接入、高效消纳为基础,实现电力网络、天然气网络等多种复杂网络多区域共享的能源“源-网-荷-储”协调调度已成为研究热点。微电网作为一种可对微源进行网络化管理和供应的微型发配电系统,已成为连接我国能源、互联网的重要智能化平台。但随着接入微源形式的日益增多,传统交流微网中交直流变换环节日趋复杂,为此,应运而生了交直流混合微网这一概念。
为了应对不断增大的微网中,不同类型微源大量接入引起的网络建设成本高、综合运行效率低等问题,建立包含交、直流子区域的交直流混合微网已成为微网发展的重要环节。目前,我国已开展了对交直流混合微网的研究,现已在浙江上虞建设完成国内首个交直流混合微网示范工程。但交直流混合微网中高渗透间歇性微源的接入也为系统运行带来极大安全隐患,尤其是在某些极端天气下,风、光出力波动性极大,现有的自动发电控制(AGC)技术无法适应其带来的功率波动。所以,含大量可再生能源接入的微网稳定性研究是混合微网进一步优化研究的理论基础。
为解决间歇性能源波动性对交直流混合微网优化调度产生的影响,有学者提出了对间歇性能源出力进行随机模拟和精确预测,但依据现有的研究水平,要做到高效、准确预测存在较大困难。而系统的鲁棒优化运行则是以克服最恶劣运行环境下的能源出力波动性为前提,实现在系统任意运行模式下安全稳定,还鲜有文献提到将鲁棒双层优化模型应用在交直流混合微网优化调度中。
发明内容
针对上述问题,本发明的目的在于:考虑交直流混合微网区域安全稳定性要求高的问题,提供一种可减小间歇性能源干扰,使交直流混合微网安全经济运行的计及系统能源波动性的交直流混合微网优化方法。该方法采用基于云模型和反向学习机制改进的粒子群算法求解混合微网,有效解决混合微网系统波动性研究复杂,算法收敛后期粒子多样性减少的问题。
本发明采取的技术方案为:
一种计及系统能源波动性的交直流混合微网优化方法,包括以下步骤:
步骤1:采集交直流混合微网两个子区域微源分布的拓扑结构,并收集交直流混合微网历史负荷需求和风光出力数据,基于气象环境因素和其概率分布特点,对未来一天的交直流负荷需求与风电和光电的出力数据进行联合预测。
步骤2:构建以系统整体运行成本最低、净负荷波动性最强为上下层优化目标的交直流双层鲁棒优化模型,其中,系统的整体运行成本包括燃料成本、运维成本、污染成本、购售电成本和换流器损耗成本,系统鲁棒性用交直流两个子区域净负荷的波动量之和来表示,具体为:
其中:T为交直流混合微网优化调度时段;C1~C5分别为系统的燃料、运维、污染处理、购售电成本和换流器的损耗费用;
LJAC,t、LJDC,t分别为各时段混合微网交、直流子区域的净负荷波动量;
NG为可控机组的个数;Pk(t)、Ck(t)分别为第t时段第k个微源的出力功率与燃料费用;λk为第k个微源的运维系数。
PGrid(t)为第t时段微网系统与大电网的交互功率;Rs、Rb为与大电网交互的电能价格;α为系统购售电系数,取0或1;ηtrans为换流器的换流转换效率;Pbef(t)为第t时段换流器的输出功率;RMG为微网单位功率发电成本;LAC(t)、LDC(t)分别为第t时段交、直流区域的负荷实际需求;PPV(t)、PWT(t)分别为第t时段光伏、风电机组的实际出力;
步骤3:建立交直流混合微网区域电能的约束条件,包含计及双向换流器的子区域功率平衡约束、微源出力约束、大电网交互约束与双向换流器传输约束,具体为:
A、交直流区域功率平衡:
B、可控机组出力约束:
C、大电网交互约束:
D、双向换流器传输约束:
其中:PWT(t)、PMT(t)、PPV(t)、PFC(t)、PSB(t)分别为风电、微燃机、光电、燃料电池和储能电池在第t时段的输出功率;
PL AC(t)、PL DC(t)分别第t时段的交直流负荷需求;
PLOSS(t)为第t时刻的换流损耗。u为流过双向换流器的功率与额定功率的比值。SOC(t)为第t时段蓄电池的荷电状态;
Pi min、Pi max分别为各机组出力的上、下限约束;
步骤4:基于采用最大净负荷波动之和代替系统最坏运行条件下备用容量的要求,利用在MATLAB中调用CPLEX求解器求解鲁棒双层模型的下层目标,获得最恶劣环境下系统负荷、可再生能源的出力波动曲线;
步骤5:模型参数初始化,包括设置种群规模sizepop、最大迭代次数iter,粒子云变异代数N、变异阈值K,引入根据步骤(4)求得的最恶劣环境下负荷、间歇性能源波动性最强的鲁棒优化数据;
步骤6:随机初始化种群,并依据反向学习机制求得其反向粒子,对比反向学习前后粒子的适应度值,按照适应度值优劣选择初始种群的组成粒子,反向学习粒子表达式为:
zij'=bij+(aij-xij) (7)
其中:zij’为在M维空间中,初始种群中第i个粒子第j维初始数据的反向点,aij、bij为第i个粒子第j维数据的上下限,xij为初始种群中第i个粒子第j维的随机初始数据。
步骤7:粒子个体最优与全局最优位置更新,依据云模型理论,在粒子更新达到变异阈值时生成具有一定趋向性的云滴以更新粒子位置,增加基本粒子群算法在更新后期的种群多样性,云模型理论在粒子更新中的应用表达式如下:
其中:pop(i,j)为第i个粒子第j维更新后的数据;popmax(j)、popmin(j)为更新粒子第j维数据的上下限;mij为更新种群中的第i个原始粒子的第j维数据;Ex为期望,表征粒子的最优位置;En为熵,表示粒子的随机不确定性;He为超熵,是度量熵的熵;zbest为当前迭代次数下的全局最优解。
步骤8:判断是否达到最大迭代次数,若已达到则输出全局最优解,反之,重复步骤(7)继续更新粒子。
依据交直流混合微网子区域净负荷波动之和最强,导致系统调峰需求量最大,即系统的备用容量最大的特点,以最大净负荷波动之和代替系统最坏运行条件下备用容量的要求。
所述微网系统的子区域能量交互易受系统间歇性波动影响,建立鲁棒双层优化模型可使系统克服最恶劣环境下的能源波动干扰。
本发明一种计及系统能源波动性的交直流混合微网优化方法,技术效果如下:
1:在模型构建方面,考虑交直流混合微网负荷、可再生能源出力波动性强,区域电能交换受换流器限制,构建可满足最恶劣环境下系统备用容量需求的交直流混合微网双层鲁棒经济调度模型,使含两个子区域的混合微网系统可以持续安全稳定运行;
2:在算法改进方面,通过在基本PSO算法中引入云模型理论和反向学习机制,使粒子可以在收敛后期有效避免其多样性降低、易陷入局部最优解的缺点,可快速高效的获得最优的调度方案;
3:考虑可再生能源出力预测的不准确性,为混合微网鲁棒模型的建设提供了有力的根据。
附图说明
图1为本发明所述的优化示意流程图。
图2为本发明所述的交直流混合微网双层鲁棒优化模型拓扑结构图。
图3为本发明最恶劣环境下系统负荷、可再生能源的出力波动曲线。
图4为本发明所述的基于云模型和反向学习机制改进的粒子群算法流程图。
图5为本发明所述的改进粒子群算法性能前后优化比较曲线图。
图6为本发明一个调度周期内交直流混合微网中各子区域微源出力图。
具体实施方式
以下结合附图对本发明的技术方案进行具体说明。
一种计及系统能源波动性的交直流混合微网优化方法,包括以下步骤:
步骤(1):采集交直流混合微网两个子区域中实际接入的风力发电机、光伏发电机、微型燃气轮机、燃料电池、储能电池等微源与交、直流母线的网架连接结构,并收集交直流混合微网区域中电、冷负荷的历史耗能量和风光输出功率数据,结合该区域气压、温度、光照等环境因素变化的概率分布特点,预测未来一天的交直流负荷需求与风光输出功率。
步骤(2):构建以系统整体运行成本最低、净负荷波动性最强为上下层优化目标的交直流双层鲁棒优化模型,如图2所示。其中,系统的整体运行成本包括燃料成本、运维成本、污染成本、购售电成本和换流器损耗成本,系统鲁棒性用交直流两个子区域净负荷的波动量之和来表示,具体为:
其中:T为交直流混合微网优化调度时段;C1~C5分别为系统的燃料、运维、污染处理、购售电成本和换流器的损耗费用;
LJAC,t、LJDC,t分别为各时段混合微网交、直流子区域的净负荷波动量;
NG为可控机组的个数;Pk(t)、Ck(t)分别为第t时段第k个微源的出力功率与燃料费用;λk为第k个微源的运维系数。
PGrid(t)为第t时段微网系统与大电网的交互功率;Rs、Rb为与大电网交互的电能价格;α为系统购售电系数,取0或1;ηtrans为换流器的换流转换效率;Pbef(t)为第t时段换流器的输出功率;RMG为微网单位功率发电成本;LAC(t)、LDC(t)分别为第t时段交、直流区域的负荷实际需求;PPV(t)、PWT(t)分别为第t时段光伏、风电机组的实际出力;
上述系统模型中的所提到的微源数学模型包括:
1)微燃机出力模型
2)燃料电池出力模型
3)双向换流器效率模型
其中:CNG、QLHV分别为天然气的单价和低位热值;PMT(t)、PFC(t)为微燃机与燃料电池的出力;ηMT、ηFC分别为微燃机与燃料电池的出力效率;ηtrans为双向换流器的传输效率;u为流过双向换流器的功率与额定功率的比值。
步骤(3):建立交直流混合微网区域电能的约束条件,包含计及双向换流器的子区域功率平衡约束、微源出力约束、大电网交互约束与双向换流器传输约束,具体为:
A、交直流区域功率平衡
B、可控机组出力约束
C、大电网交互约束
D、双向换流器传输约束
E、蓄电池荷电约束
SOCmin≤SOC(t)≤SOCmax (13)
其中:PWT(t)、PMT(t)、PPV(t)、PFC(t)、PSB(t)分别为风电、微燃机、光电、燃料电池和储能电池在第t时段的输出功率;
PL AC(t)、PL DC(t)分别第t时段的交直流负荷需求;
PLOSS(t)为第t时刻的换流损耗。u为流过双向换流器的功率与额定功率的比值。SOC(t)为第t时段蓄电池的荷电状态。
Pi min、Pi max分别为各机组出力的上、下限约束;
SOCmin、SOCmax分别为各机组出力和蓄电池荷电状态的上下限约束;
步骤(4):基于采用最大净负荷波动之和代替系统最坏运行条件下备用容量的要求,求解鲁棒双层模型下层目标中的混合整数线性规划问题,以获得最恶劣环境下系统负荷、可再生能源的出力波动曲线,见图3。图3中,交直流负荷和清洁能源近似以相邻时刻交替取出力上下极值的方式选取,使系统的综合运行波动率最大,且交流负荷与风电、直流负荷与光电以相同波动频率互取反向极值。
步骤(5):初始化模型参数,设置种群规模sizepop=20、最大迭代次数iter=200,粒子云变异代数N=5、变异阈值K=20,分时电价价格见下表1。基于步骤(4)优化结果引入模型最恶劣环境下负荷、间歇性能源波动性最强的鲁棒优化数据;
表1分时电价及其划分
步骤(6):随机初始化交直流混合微网鲁棒优化方案的种群,并依据反向学习机制求得其反向粒子,对比反向学习前后粒子的适应度值,按照适应度值优劣选择初始种群的组成粒子,反向学习粒子表达式为:
zij'=bij+(aij-xij) (7)
其中:zij’为在M维空间中,初始种群中第i个粒子第j维初始数据的反向点,aij、bij为第i个粒子第j维数据的上下限,xij为初始种群中第i个粒子第j维的随机初始数据。
步骤(7):粒子个体最优与全局最优位置更新,在基本PSO算法速度位置更新的基础上引入云模型理论,在粒子更新达到变异阈值时生成具有一定趋向性的云滴更新粒子位置,增加基本粒子群算法在更新后期的种群的多样性,云模型理论在粒子更新中的应用表达式如下:
其中:pop(i,j)为第i个粒子第j维更新后的数据;popmax(j)、popmin(j)为更新粒子第j维数据的上下限;mij为更新种群中的第i个原始粒子的第j维数据;Ex为期望,表征粒子的最优位置;En为熵,表示粒子的随机不确定性;He为超熵,是度量熵的熵;zbest为当前迭代次数下的全局最优解;
步骤(8):判断是否达到最大迭代次数,若已达到则输出全局最优解,反之,重复步骤(7)继续更新粒子,算法流程图见图4。
对比模型中不确定性负荷、微源接入会影响对交直流混合微网系统的安全稳定产生影响,构建如下两个场景:
场景1:基于清洁能源、交直流负荷确定性预测数据的交直流混合微网经济调度;
场景2:考虑清洁能源、交直流负荷不确定性的交直流混合微网鲁棒经济调度。
下表2给出交直流混合微网鲁棒调度前后系统的交互功率与整体运行成本对比结果:
表2鲁棒调度前后系统优化结果对比
场景2的换流器、主网交互功率分别为456.596kW、671.267kW,较场景1分别高出了4.98kW、113.208kW,综合运行成本也较场景高出了11.8元。这是因为在混合微网鲁棒调度模型中,负荷、清洁能源为满足系统净负荷波动性最大的要求,将两者运行于波动上下极值,而交流侧微源出力由于在负荷峰时段已达到出力上限,仅能依靠从其他区域购电来满足系统供需平衡,这不仅增加了场景2的区域交互功率,还提高了系统的非经济购电量,使场景2的综合运行成本较场景1更高。综上,虽然鲁棒模型相对于确定性模型的优化会产生更多的费用,但其应对恶劣环境的抗干扰能力已有极大提高,验证了本发明所用的双层鲁棒优化方法的实用性和有效性。
一个调度周期内交直流混合微网中各子区域微源出力如图6所示,从图6中可知,蓄电池在负荷峰平谷时段分别运行在放电、不充不放、充电的运行状态下,其在实现负荷削峰填谷的同时也延长了蓄电池的使用寿命。而微燃机和燃料电池的出力则依据其单位出力费用与分时电价的高低比较,协调三者的出力比例以获得交直流混合微网的整体运行成本最低的优化出力方案。
综合上述实例结果分析,说明本发明提出的基于云模型理论改进的粒子群算法在求解计及系统能源波动性的交直流混合微网双层鲁棒优化模型中,可有效克服能源波动性带来的不平衡功率干扰,使系统可以运行在安全、经济、稳定的运行状态下。
Claims (5)
1.一种计及系统能源波动性的交直流混合微网优化方法,其特征在于包括以下步骤:
步骤1:采集交直流混合微网两个子区域微源分布的拓扑结构,并收集交直流混合微网历史负荷需求和风光出力数据,基于气象环境因素和其概率分布特点,对未来一天的交直流负荷需求与风电和光电的出力数据进行联合预测;
步骤2:构建以系统整体运行成本最低、净负荷波动性最强为上下层优化目标的交直流双层鲁棒优化模型,其中,系统的整体运行成本包括燃料成本、运维成本、污染成本、购售电成本和换流器损耗成本,系统鲁棒性用交直流两个子区域净负荷的波动量之和来表示,具体为:
其中:T为交直流混合微网优化调度时段;C1~C5分别为系统的燃料、运维、污染处理、购售电成本和换流器的损耗费用;
LJAC,t、LJDC,t分别为各时段混合微网交、直流子区域的净负荷波动量;
NG为可控机组的个数;Pk(t)、Ck(t)分别为第t时段第k个微源的出力功率与燃料费用;λk为第k个微源的运维系数;
PGrid(t)为第t时段微网系统与大电网的交互功率;Rs、Rb为与大电网交互的电能价格;α为系统购售电系数,取0或1;
ηtrans为换流器的换流转换效率;Pbef(t)为第t时段换流器的输出功率;RMG为微网单位功率发电成本;LAC(t)、LDC(t)分别为第t时段交、直流区域的负荷实际需求;PPV(t)、PWT(t)分别为第t时段光伏、风电机组的实际出力;
步骤3:建立交直流混合微网区域电能的约束条件,包含计及双向换流器的子区域功率平衡约束、微源出力约束、大电网交互约束与双向换流器传输约束,具体为:
A、交直流区域功率平衡:
B、可控机组出力约束:
C、大电网交互约束:
D、双向换流器传输约束:
其中:PWT(t)、PMT(t)、PPV(t)、PFC(t)、PSB(t)分别为风电、微燃机、光电、燃料电池和储能电池在第t时段的输出功率;
PLOSS(t)为第t时刻的换流损耗;u为流过双向换流器的功率与额定功率的比值;SOC(t)为第t时段蓄电池的荷电状态;
Pi min、Pi max分别为各机组出力的上、下限约束;
步骤4:基于采用最大净负荷波动之和代替系统最坏运行条件下备用容量的要求,利用在MATLAB中调用CPLEX求解器求解鲁棒双层模型的下层目标,获得最恶劣环境下系统负荷、可再生能源的出力波动曲线;
步骤5:模型参数初始化,包括设置种群规模sizepop、最大迭代次数iter,粒子云变异代数N、变异阈值K,引入根据步骤(4)求得的最恶劣环境下负荷、间歇性能源波动性最强的鲁棒优化数据;
步骤6:随机初始化种群,并依据反向学习机制求得其反向粒子,对比反向学习前后粒子的适应度值,按照适应度值优劣选择初始种群的组成粒子,反向学习粒子表达式为:
zij'=bij+(aij-xij) (7)
其中:zij’为在M维空间中,初始种群中第i个粒子第j维初始数据的反向点,aij、bij为第i个粒子第j维数据的上下限,xij为初始种群中第i个粒子第j维的随机初始数据;
步骤7:粒子个体最优与全局最优位置更新,依据云模型理论,在粒子更新达到变异阈值时生成具有一定趋向性的云滴以更新粒子位置,增加基本粒子群算法在更新后期的种群多样性,云模型理论在粒子更新中的应用表达式如下:
其中:pop(i,j)为第i个粒子第j维更新后的数据;popmax(j)、popmin(j)为更新粒子第j维数据的上下限;mij为更新种群中的第i个原始粒子的第j维数据;Ex为期望,表征粒子的最优位置;En为熵,表示粒子的随机不确定性;He为超熵,是度量熵的熵;zbest为当前迭代次数下的全局最优解;
步骤8:判断是否达到最大迭代次数,若已达到则输出全局最优解,反之,重复步骤(7)继续更新粒子。
2.根据权利要求1所述一种计及系统能源波动性的交直流混合微网优化方法,其特征在于:依据交直流混合微网子区域净负荷波动之和最强,导致系统调峰需求量最大,即系统的备用容量最大的特点,以最大净负荷波动之和代替系统最坏运行条件下备用容量的要求。
3.根据权利要求1所述一种计及系统能源波动性的交直流混合微网优化方法,其特征在于:所述微网系统的子区域能量交互易受系统间歇性波动影响,建立鲁棒双层优化模型可使系统克服最恶劣环境下的能源波动干扰。
4.根据权利要求1所述一种计及系统能源波动性的交直流混合微网优化方法,其特征在于:对比模型中不确定性负荷、微源接入会影响对交直流混合微网系统的安全稳定产生影响,构建如下两个场景:
场景1:基于清洁能源、交直流负荷确定性预测数据的交直流混合微网经济调度;
场景2:考虑清洁能源、交直流负荷不确定性的交直流混合微网鲁棒经济调度;
场景2在与外网、子区域的交互功率与综合运行成本均大于场景1;这说明在混合微网鲁棒调度模型中,负荷、清洁能源为满足系统净负荷波动性最大要求,通过加强两子区域、微网与主网的能量交互的方式提高了系统的备用容量,使微网在最恶劣运行环境下的仍可满足负荷调峰需求。
5.根据权利要求1所述一种计及系统能源波动性的交直流混合微网优化方法,其特征在于:蓄电池在负荷峰平谷时段分别运行在放电、不充不放、充电的运行状态下,其在实现负荷削峰填谷的同时也延长了蓄电池的使用寿命;而微燃机和燃料电池的出力则依据其单位出力费用与分时电价的高低比较,协调三者的出力比例以获得交直流混合微网的整体运行成本最低的优化出力方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114563.1A CN108233430B (zh) | 2018-02-05 | 2018-02-05 | 一种计及系统能源波动性的交直流混合微网优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114563.1A CN108233430B (zh) | 2018-02-05 | 2018-02-05 | 一种计及系统能源波动性的交直流混合微网优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108233430A CN108233430A (zh) | 2018-06-29 |
CN108233430B true CN108233430B (zh) | 2020-11-06 |
Family
ID=62670827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810114563.1A Active CN108233430B (zh) | 2018-02-05 | 2018-02-05 | 一种计及系统能源波动性的交直流混合微网优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108233430B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985502B (zh) * | 2018-07-02 | 2022-02-15 | 国网江西省电力有限公司经济技术研究院 | 基于两层电能替代规划模型的规划方法及算法框架 |
CN109146257B (zh) * | 2018-07-27 | 2022-06-28 | 广州穗华能源科技有限公司 | 一种基于熵的微网可调度性建模方法及评价方法 |
CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
CN110751365B (zh) * | 2019-09-11 | 2022-03-25 | 华中科技大学 | 一种梯级水库群多目标均衡调度方法与系统 |
CN110739684B (zh) * | 2019-10-15 | 2023-04-07 | 上海电力大学 | 基于多时间尺度的多交直流混合微电网优化调度方法 |
CN111293718B (zh) * | 2020-02-28 | 2023-06-30 | 华北电力大学(保定) | 基于场景分析的交直流混合微网分区二层优化运行方法 |
CN111697635B (zh) * | 2020-06-03 | 2023-07-25 | 华北电力大学(保定) | 计及随机模糊双重不确定的交直流混合微网优化运行方法 |
CN116388240B (zh) * | 2023-06-07 | 2023-08-08 | 齐鲁工业大学(山东省科学院) | 一种基于pso优化双层云控制器的风电场储能控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7991512B2 (en) * | 2007-08-28 | 2011-08-02 | General Electric Company | Hybrid robust predictive optimization method of power system dispatch |
CN105279578A (zh) * | 2015-10-27 | 2016-01-27 | 天津大学 | 一种主动配电网区域电源优化配置双层规划方法 |
CN107069807A (zh) * | 2017-03-22 | 2017-08-18 | 广西大学 | 含不确定性预算调节的无平衡节点微网鲁棒调度方法 |
CN107203855A (zh) * | 2017-08-03 | 2017-09-26 | 国网江苏省电力公司宿迁供电公司 | 含风电系统实时调度的鲁棒两层优化模型及转化等效方法 |
-
2018
- 2018-02-05 CN CN201810114563.1A patent/CN108233430B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7991512B2 (en) * | 2007-08-28 | 2011-08-02 | General Electric Company | Hybrid robust predictive optimization method of power system dispatch |
CN105279578A (zh) * | 2015-10-27 | 2016-01-27 | 天津大学 | 一种主动配电网区域电源优化配置双层规划方法 |
CN107069807A (zh) * | 2017-03-22 | 2017-08-18 | 广西大学 | 含不确定性预算调节的无平衡节点微网鲁棒调度方法 |
CN107203855A (zh) * | 2017-08-03 | 2017-09-26 | 国网江苏省电力公司宿迁供电公司 | 含风电系统实时调度的鲁棒两层优化模型及转化等效方法 |
Non-Patent Citations (5)
Title |
---|
"Robust load frequency control of micro grids connected with main grids in a regulated and deregulated environment";Sukhwinder Singh Dhillon 等;《International Conference on Recent Advances and Innovations in Engineering (ICRAIE-2014)》;20140925;第1-9页 * |
"一种基于云模型的改进型粒子群算法";董洪辰 等;《计算机与数字工程》;20140720;第42卷(第7期);第1123-1126页 * |
"独立运行微电网分布式电源鲁棒调度研究 ";汤泽琦;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20171129;第28-43页 * |
"计及可控负荷的微网自治调度模型";郭帅 等;《电 网 技 术》;20170131;第41卷(第1期);第48-54页 * |
"风水气互补发电优化的云模型自适应粒子群优化算法";吴杰康 等;《中 国 电 机 工 程 学 报》;20141120;第34卷;第17-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108233430A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108233430B (zh) | 一种计及系统能源波动性的交直流混合微网优化方法 | |
CN109919478B (zh) | 一种考虑综合供能可靠性的综合能源微网规划方法 | |
CN109659927B (zh) | 一种考虑储能参与度的综合能源微网储能容量配置方法 | |
CN103236718A (zh) | 一种智能微网的源-网-荷自动控制系统及控制方法 | |
CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
CN112734098B (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
Wang et al. | Microgrid operation relying on economic problems considering renewable sources, storage system, and demand-side management using developed gray wolf optimization algorithm | |
Akshya et al. | Grid integration for electric vehicle and photovoltaic panel for a smart home | |
Kumaravel et al. | Adapted multilayer feedforward ANN based power management control of solar photovoltaic and wind integrated power system | |
CN111884203B (zh) | 基于双层非支配排序遗传算法的微电网协调优化配置方法 | |
CN108039741B (zh) | 计及微源余电上网的交直流混合微网优化运行方法 | |
Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
Han et al. | Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs | |
CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
Wang et al. | A hybrid transmission network in pelagic islands with submarine cables and all-electric vessel based energy transmission routes | |
Liu et al. | Multi-objective optimization dispatch of PV-MG considering demand response actions | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
Liu et al. | Hierarchical optimal dispatching strategy for microgrid system considering user-side resources | |
Peng et al. | Multi-objective planning of microgrid considering electric vehicles charging load | |
Shi et al. | Multi-dispatch for grid-connected microgrid with robust optimization algorithm | |
Hao et al. | Research on optimization scheduling of wind/solar/diesel/storage micro-grid based on genetic algorithm | |
Zhang et al. | Study on the microgrid pluripotent complementary and comprehensive economic optimization planning based on virtual energy theory | |
Losev et al. | Distributed energy technology development | |
Gholami et al. | Establishment of a Virtual Power Plant in Grid for Maximizing Producers’ Profits and Minimizing Pollutant Emissions and Investment Costs | |
Xu | Wind-solar-storage linkage configuration of carbon-neutral energy internet based on fuzzy control algorithm |
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 |