CN108288855B - 一种基于微电网的动态策略仿真与优化方法 - Google Patents
一种基于微电网的动态策略仿真与优化方法 Download PDFInfo
- Publication number
- CN108288855B CN108288855B CN201810063530.9A CN201810063530A CN108288855B CN 108288855 B CN108288855 B CN 108288855B CN 201810063530 A CN201810063530 A CN 201810063530A CN 108288855 B CN108288855 B CN 108288855B
- Authority
- CN
- China
- Prior art keywords
- strategy
- microgrid
- grid
- power
- micro
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 119
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013486 operation strategy Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000010248 power generation Methods 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000004146 energy storage Methods 0.000 claims description 18
- 239000007789 gas Substances 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims 1
- 238000011217 control strategy Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001672018 Cercomela melanura Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001052 transient effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J3/381—Dispersed generators
-
- H02J3/382—
-
- 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]
-
- 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
- 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)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于微电网的动态策略仿真与优化方法,首先建立微电网运行策略库来存储并管理微电网在不同运行环境下的控制策略;在微电网系统的运行过程中划分控制的时间段,根据微电网中各类电源及负荷状况,定时地从策略库中挑选可供下个时段运行的备选策略集;将所选策略集下放至基于MATLAB构建的微电网仿真模型中,对微电网的运行状态进行仿真计算,通过对比分析各个备选策略下的仿真系统的结果,选出最优运行策略作为下一时间段的运行策略;将策略运行结果与仿真计算结果进行对比分析,利用遗传算法对所应用策略进行改进和优化,经迭代后以利于应用时达到更优效果。
Description
技术领域
本发明涉及一种对实际微电网系统运行策略进行实时筛选的方法,并可以集合仿真模型对运行策略进行实时优化,属于新能源及微电网技术领域。
背景技术
微电网将分布式电源、负荷、储能及控制装置结合在一起,形成一个统一自治的可控小型发配电系统,能有效解决大电网与分布式电源间的矛盾,推动分布式发电技术发展。目前微电网已经成为智能电网中管理分布式能源的一种有效技术手段,用于解决分布式电源接入电网困难、协调分布式电源随机性对电网影响等诸多问题。在微电网技术研究的众多相关领域中,微电网的运行控制是最核心的关键问题,可以为其他问题的解决奠定重要的基础。近年来,大量文献对微电网的建模、控制、优化运行以及稳定性进行了广泛的研究。一些专家学者提出了下垂控制、恒功率控制和恒压恒频控制和对等控制等诸多控制方法,试图解决微电网的复杂电源类型和强随机性给电网带来的诸多问题。但所有的控制方法均只适合特性场景下的微电网,无法寻求一种对不同特征微电网均适合的微电网运行控制体系。其次在微电网运行方式方面,优化运行能够提高电力系统的运行效率,分布式电源的接入为电力系统优化运行提供了方便灵活的控制手段。优化运行的研究主要考虑多种目标函数和约束条件,通过各种优化算法及其改进方法求解最优化问题,给出分布式电源、储能装置和需求侧管理协调配合的电力系统最优运行方案。优化运行方案的制定需要与实际微电网系统相结合,综合考虑微电网系统中各部分的即时运行状态,以此制定相应的运行方案,但目前关于微电网优化运行方案的制定主要有以下两种方式:第一,基于微电网仿真模型,提出相应的稳态微电网运行方案;第二,基于实际微电网系统,通过相应的预测,为微电网提供时间尺度较短的运行方案。这两种方法从两个不同的时间尺度上给出了微电网运行的相应策略,在实际运用中均具有较好的效果,但均未发挥其最佳的作用。微电网仿真软件除了可以进行稳态模拟还能进行暂态仿真,而实际运行过程中的微电网系统会出现一系列的问题,例如:分布式电源随机性扰动、设备自身性能变化。这些问题的出现将使既定的运行策略失效,从而导致微电网无法正常运行。
发明内容
为了解决现有技术问题,本发明公开一种基于微电网的动态策略仿真与优化方法,将仿真模型与实际微电网系统相结合,利用仿真模型对运行策略进行筛选优化,而实际微电网系统通过向仿真模型反馈及时的运行状态参数来提高运行策略筛选和优化的精度。
为达到以上目的,本发明采用以下技术方案来实现。
本发明采用的技术方案为:
一种基于微电网的动态策略仿真与优化方法,
将实时运行的微电网系统与仿真模型相结合,建立策略库对微电网不同运行场景下的策略进行储存和管理;对的微电网系统运行进行运行周期划分,在第T个运行周期前,微电网从策略库中挑选出满足约束条件的备选策略群进行仿真,根据仿真结果确定所述运行周期的运行策略;第T个运行周期后,微电网采用遗传算法对仿真结果与实际运行结果进行对比学习,并将对策略的改进反馈到策略库中,对策略库动态优化完善。
一种基于微电网的动态策略仿真与优化方法,具体包括以下步骤:
S1:构建微电网运行策略库;
微电网运行策略库包括若干条运行策略,每一条运行策略包括一个或若干个微电网运行场景,每个微电网运行场景对应一个策略索引;
S2:实际运行的微电网系统向微电网运行策略库传递当前运行周期T的微电网系统运行状态参数,根据实际需求设置强制约束参数,运行策略库根据运行状态参数和相对应的强制约束参数,分析满足条件的微电网运行场景,并根据运行场景对应的策略索引,筛选出能满足运行周期T+1的微电网运行的全部策略;
S3:微电网运行策略库将步骤S2筛选出的全部策略下装到微电网仿真模型,微电网仿真模型结合实时的微电网运行状态对所述全部策略进行仿真,通过对比分析不同策略下的仿真结果得出最优的微电网运行策略,并模拟出该最优策略下微电网的运行评价指标,下装到实际的微电网系统中执行;
对比分析不同策略下的仿真结果具体包括以下步骤:首先仿真微电网运行策略,判断是否满足强制约束参数设定的可靠性与环保性指标要求,不满足的策略排除,对满足可靠性与环保性指标要求的策略进行经济性与环保性的综合寻优,得出最优的微电网即时运行策略;
综合寻优的方法为利用碳交易价格来将环保性问题转换到经济性问题,具体包括以下步骤:设在策略i的情况下的仿真结果,微电网由于弃风和弃光所造成的损失为T0,运行周期内的成本包括燃料成本T1、运行维护费用T2、投资折旧成本T3和微网与外网的交互成本T4,微电网的发电收益为I,由于使用柴油发电机具有污染性的电源增加的碳排放量为C,实时的碳交易价格为S,综合寻优的评优指标为Zmax,目标是发电收益与发电成本之间的差值Z最大:
Zmax=I-(T0+T1+T3+T4+C×S);
S4:在对最优的微电网运行策略下装到微电网仿真模型的同时,对运行周期T的最优运行策略进行分析,判断所述运行周期T的最优运行策略在实际运行中是否满足预期的评价指标;将运行周期T的微电网实际运行结果与最优策略仿真结果进行对比分析,若没有达到预期评价指标,先由仿真模型分析出偏差原因,再将偏差原因输入仿真模型中,利用遗传算法结合仿真模型对运行策略的调节参数进行优化调整,使运行策略贴合实际现场运行状况,获得新的最优策略储存到策略库,并记忆所述新的最优策略运行场景。
微电网运行策略库包含策略索引层和策略储存层,所述策略索引层储存对应策略所适用的环境和微电网参数,以便迅速找到对应的策略;所有策略均放在策略储存层,策略储存层接收策略索引层命令,对仿真模型或微电网系统下装相应的策略;
策略储存层包括场景模型、策略模型和场景策略映射模型;场景模型用于建立微电网运行场景与策略索引的映射,策略模型用于存储用于仿真输入的策略参数,场景策略映射模型用于将策略索引与策略模型相关联;
策略索引层的实现方式为将策略模式封装为程序逻辑,以用户控制的强制约束参数与微电网运行参数和仿真平台迭代输出的运行状态参数作为输入,输出符合PSCAD仿真模型参数格式的策略结果。
策略索引层包括两类索引的参数指标:
第一类为微电网系统运行状态参数,包括微电网并网情况光伏发电功率PPV、风力发电功率PW、燃机发电功率Pe、负荷功率PL、储能电池SOC、电网电压U、频率f、短时间尺度下的风、光功率和负荷预测数据;
第二类为强制约束参数,包括:可靠性指标参数、环保性指标参数、污染物排放量、能源综合利用效率和经济参数。
微电网仿真模型基于matlab仿真平台搭建开放对实际微电网系统能量管理单元的数据接口,用于给仿真模型传递当前微电网即时运行状态参数。
微电网仿真模型包括发电模块、功率平衡模块、对比分析模块和优化调整模块;
发电模块为分布式电源功率模型,包括光伏系统功率模块、风电系统功率模块、燃机系统功率模型和储能系统模型,模拟微电网运行时各电源点出力情况;
功率平衡模块根据功率平衡需要,计算电网吸收功率以及新能源过剩时反向输出到电网中的电量,并判断系统稳定性是否符合要求;
对比分析模块根据电源情况判断能源形式,对策略进行综合评价,给出运行周期T+1的最优运行策略;优化调整模块将运行周期T的微电网实际运行结果与最优策略仿真结果进行对比分析,若没有达到预期评价指标,则利用遗传算法结合仿真模型来对策略进行调整。
燃机系统功率模型为Pe=VMT·LHVnat·ηMT,其中Pe表示燃气轮机的输出电功率;VMT表示微型燃气轮机输出电功率为1W时消耗的天然气量;LHVnat表示天然气的低热值;ηMT为微型燃气轮机的发电效率;
储能系统模型为其中Lchg为电池充电损耗;Ldis为电池放电损耗;Unom为额定电压;U(q,I)为当前步长电池电压,q为电池总容量,单位为Ah;I为当前步长的充电或者放电电流;Ic为充电电流;Id为放电电流。
优化调整模块中,当微电网实际运行结果未达到预期评价指标,则利用遗传算法结合仿真模型来对策略进行调整。
所述微电网仿真模型采用的评价指标包括:弃风弃光率、微电网时段发电成本和污染物对环境影响成本。
运行策略包括逻辑指令和可调参数;逻辑指令包括光伏、储能的柴机电源点是否投入使用,微电网是否并网以及是否启动;
可调参数包括光伏输出功率、储能V/f与P/Q(储能VF源和储能PQ源)允许最大和最小充放电功率、功率调节最小分辨率、柴油发电机输出功率和大电网交换电量。
与现有技术相比,本发明有益效果包括:
本发明公开一种基于微电网的动态策略仿真与优化方法,首先采用策略库对所有可能的微电网控制策略进行储存,通过建立索引关系来对策略进行选择运用,从而提高了系统运行控制策略的适应性。利用仿真模型对即将下装到实际微电网系统中的运行策略进行筛选和校验,筛选出的最优策略再下装到实际微电网系统中进行执行,从而提高了微电网系统的可靠性。另一方面,本发明以维持系统稳定出发,从经济性和环保性的角度考虑对已筛选出的策略进行优化,再结合仿真软件对策略进行迭代优化,最终使策略达到最优。通过上述方法,将实现微电网运行策略的自动优化,结合策略库,完善了不同环境下运行策略,提高了微电网系统的适应能力
附图说明
图1一种基于微电网的动态策略仿真与优化方法流程图;
图2为本发明运行策略库结构图;
图3为策略库索引流程图;
图4为微电网仿真模型图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本实施例公开一种基于微电网的动态策略仿真与优化方法,将实时运行的微电网系统与仿真模型相结合,建立策略库对微电网不同运行场景下的策略进行储存和管理;对系统运行进行运行周期划分,在运行周期前,微电网从策略库中挑选出满足约束条件的备选策略群进行仿真,根据仿真结果确定所述运行周期的运行策略;运行周期后,微电网采用遗传算法对仿真结果与实际运行结果进行对比学习,并将对策略的改进反馈到策略库中,形成对策略库动态优化完善。
如图1所示,一种基于微电网的动态策略仿真与优化方法,具体包括以下步骤:
S1:构建微电网运行策略库;
如图2所示,微电网运行策略库分为策略储存层和策略索引层,具有策略索引、策略分析、策略更新和策略储存的功能。为了实现所述策略库,采用Oracle存储数据,编程实现策略索引、分析与更新的功能。
策略库索引流程如图3所示,策略库包括若干条运行策略,每一条运行策略包括一个或若干个微电网运行场景(并网运行、孤网运行、储能工作、光伏出力、紧急调压调频和黑启动),每个微电网运行场景对应一个策略索引,基于此原理在策略储存层对其进行数据建模。
搜集微电网运行的历史数据,构建运行策略库;策略储存层包括三个数据模型:其一,场景模型,建立微电网运行场景与策略索引的映射,其二,策略模型,存储用于仿真输入的策略参数,其三,场景策略映射模型,将策略索引与策略模型相关联;策略索引层的实现方式为将策略模式封装为程序逻辑,以用户控制的强制约束参数与微电网运行参数及仿真平台迭代输出的运行状态参数作为输入,输出合理的、符合PSCAD仿真模型参数格式的策略结果。
S2:如图2所示实际运行的微电网系统向微电网运行策略库传递当前运行周期T的微电网系统的运行状态参数及强制约束参数,运行策略库根据运行状态参数及强制约束参数,分析微电网当前适用的运行场景,并根据适用的场景(可能同时处于数个场景)筛选出能满足运行周期T+1的微电网运行的全部策略;
S3:微电网运行策略库将步骤S2筛选出的全部策略下装到微电网仿真模型3,微电网仿真模型结合实时的微电网运行状态对所述全部策略进行仿真,模拟出当前策略下的微电网运行的评价指标;通过对比分析不同策略(策略库筛选出来,下装到微电网仿真模型中的全部策略)下的仿真结果得出最优的微电网运行策略6,下装到实际的微电网系统中执行7;
微电网每个运行周期后均向运行策略库反映相应的运行状态信息(运行状态信息包括类分布式电源当前的出力状态、储能系统充电状态以及用电负荷预测),运行策略库根据运行状态信息以及用户在运行经济性和渗透率等指标约束,对运行状态信息数据进行分析,判断满足负荷供应约束下,各种可能的分布式电源运行策略,并利用策略索引功能,找到所有满足约束的微电网运行策略;
对比分析不同策略下的仿真结果具体步骤:首先仿真微电网运行策略,看是否满足外部强制约束参数设定的可靠性与环保性指标要求,不满足的策略排除,对满足可靠性与环保性指标要求的策略进行经济性与环保性的综合寻优,得出最优的微电网即时运行策略;
综合寻优的方法利用碳交易价格来将环保性问题转换到经济性问题,具体包括以下步骤:设在策略i的情况下的仿真结果,微电网由于弃风和弃光所造成的损失为T0,运行周期内的成本包括燃料成本T1、运行维护费用T2、投资折旧成本T3和微网与外网的交互成本T4,微电网的发电收益为I,由于使用柴油发电机具有污染性的电源增加的碳排放量为C,实时的碳交易价格为S,综合寻优的评优指标为Zmax,目标是发电收益与发电成本之间的差值Z最大:
Zmax=I-(T0+T1+T3+T4+C×S);
S4:在对最优的微电网运行策略下装到微电网仿真模型的同时,对运行周期T的最优运行策略进行分析8,判断所述运行周期T的最优运行策略在实际运行中是否达到预期的评价指标;仿真得到的最优策略在实际运行时会有所偏差,将运行周期T的微电网实际运行结果与最优策略仿真结果进行对比分析,若没有达到预期评价指标,先由仿真模型分析出偏差原因(预测准确度、策略合理性和参数优化性),再将偏差原因输入仿真模型中,则利用遗传算法(GA)结合仿真模型对运行策略的调节参数进行优化调整,使运行策略更贴合实际现场运行状况,获得新的最优策略储存到策略库,并记忆所述新的最优策略运行场景,以便相同场景下策略的迅速选择。如此迭代优化,即可实现策略库的动态学习更新,使其更加贴合实际微电网运行场景。
微电网运行策略库包含策略索引层和策略储存层,所述策略索引层储存对应策略所适用的环境和微电网参数,以便迅速找到对应的策略;所有策略均放在策略储存层,策略储存层接收策略索引层命令,对仿真模型或微电网系统下装相应的策略。
策略储存层包含三个数据模型:其一,场景模型,建立微电网运行场景与策略索引的映射,其二,策略模型,存储用于仿真输入的策略参数,其三,场景策略映射模型,将策略索引与策略模型相关联;策略索引层的实现方式为将策略模式封装为程序逻辑,以用户控制的强制约束参数与微电网运行参数及仿真平台迭代输出的运行状态参数作为输入,输出合理的、符合PSCAD仿真模型参数格式的策略结果。
策略索引层应包含两类索引指标:第一类为微电网系统运行状态参数,分别为:各电源发电功率及并网情况、负荷功率、储能电池SOC、电网电压、频率、短时间尺度下的风、光功率和负荷预测数据;第二类为外部强制参数,包括:可靠性指标参数(例如备用容量和供电不足累计概率),环保性指标参数(例如新能源渗透率)、污染物排放量和能源综合利用效率和经济参数,经济参数包括对外结算电价和内部结算电价,以及强制约束参数(例如指定启用或停止电源情况)。
微电网仿真模型基于matlab仿真平台搭建开放对实际微电网系统能量管理单元的数据接口,用于给仿真模型传递当前微电网即时运行状态参数。
如图4所示,微电网仿真模型包括发电模块、功率平衡模块、对比分析模块和优化调整模块;发电模块与功率平衡模块和对比分析模块相连接,对比分析模块连接优化调整模块。
发电模块包括光伏系统、风电系统、燃机系统分布式电源功率模型,模拟微电网运行时各电源点出力情况;功率平衡模块根据功率平衡需要,计算需要从电网吸收功率,以及新能源过剩时反向输出到电网中的电量,并判断系统稳定性是否符合要求;对比分析模块根据电源情况判断能源形式,对策略进行综合评价,给出运行周期T+1的最优运行策略。
优化调整模块将运行周期T的微电网实际运行结果与最优策略仿真结果进行对比分析,若没有达到预期评价指标,则利用遗传算法(GA)结合仿真模型来对策略进行调整。微电网仿真模型包括发电模块、功率平衡模块、对比分析模块和优化调整模块;
发电模块为分布式电源功率模型,包括光伏系统功率模块、风电系统功率模块、燃机系统功率模型和储能系统模型,模拟微电网运行时各电源点出力情况;
功率平衡模块根据功率平衡需要,计算电网吸收功率以及新能源过剩时反向输出到电网中的电量,并判断系统稳定性是否符合要求;
对比分析模块根据电源情况判断能源形式,对策略进行综合评价,给出运行周期T+1的最优运行策略;优化调整模块将运行周期T的微电网实际运行结果与最优策略仿真结果进行对比分析,若没有达到预期评价指标,则利用遗传算法结合仿真模型来对策略进行调整。
燃机系统功率模型为Pe=VMT·LHVnat·ηMT,其中Pe表示燃气轮机的输出电功率;VMT表示微型燃气轮机输出电功率为1W时消耗的天然气量;LHVnat表示天然气的低热值,本实施例取9.8kWh/m3;ηMT为微型燃气轮机的发电效率;
储能系统模型为其中Lchg为电池充电损耗;Ldis为电池放电损耗;Unom为额定电压;U(q,I)为当前步长电池电压,q为电池总容量,单位为Ah;I为当前步长的充电或者放电电流;Ic为充电电流;Id为放电电流。
微电网仿真模型采用的评价指标包括:弃风弃光率和微电网时段发电成本(微电网时段发电成本包括折算到该时段内的燃料成本、运行维护费用、投资折旧成本、微网与外网的交互成本)和污染物对环境影响成本(主要考虑CO2排放量所受罚款即碳交易价格)。
运行周期T实际运行结果与仿真结果对比时,采用到的评价指标公式即为Zmax。若实际运行中的Zmax未达到仿真结果要求,则利用遗传算法(GA)结合仿真模型来对策略的可调参数进行综合寻优。运行策略的调节参数为包括光伏输出功率、储能V/f与P/Q允许最大和最小充放电功率、功率调节最小分辨率、柴油发电机输出功率和大电网交换电量。为不影响实际微电网的正常运行,寻优过程将处于离线状态,即在将下一个运行周期最优策略代入实际微电网中运行的同时,利用仿真模型对策略进行迭代优化。
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)
1.一种基于微电网的动态策略仿真与优化方法,其特征在于,
将实时运行的微电网系统与仿真模型相结合,建立策略库对微电网不同运行场景下的策略进行储存和管理;对微电网系统运行进行运行周期划分,在第T个运行周期前,微电网从策略库中挑选出满足约束条件的备选策略群进行仿真,根据仿真结果确定所述运行周期的运行策略;第T个运行周期后,微电网采用遗传算法对仿真结果与实际运行结果进行对比学习,并将对策略的改进反馈到策略库中,对策略库动态优化完善;
所述的一种基于微电网的动态策略仿真与优化方法,具体包括以下步骤:
S1:构建微电网运行策略库;
微电网运行策略库包括若干条运行策略,每一条运行策略包括一个或若干个微电网运行场景,每个微电网运行场景对应一个策略索引;
S2:实际运行的微电网系统向微电网运行策略库传递当前运行周期T的微电网系统运行状态参数,根据实际需求设置强制约束参数,运行策略库根据运行状态参数和相对应的强制约束参数,分析满足条件的微电网运行场景,并根据运行场景对应的策略索引,筛选出能满足运行周期T+1的微电网运行的全部策略;
S3:微电网运行策略库将步骤S2筛选出的全部策略下装到微电网仿真模型(3),微电网仿真模型(3)结合实时的微电网运行状态对所述全部策略进行仿真,通过对比分析不同策略下的仿真结果得出最优的微电网运行策略(6),模拟出该最优策略下微电网的运行评价指标,下装到实际的微电网系统中执行(7);
对比分析不同策略下的仿真结果具体包括以下步骤:仿真微电网运行策略,判断是否满足强制约束参数设定的可靠性与环保性指标要求,不满足的策略排除,对满足可靠性与环保性指标要求的策略进行经济性与环保性的综合寻优,得出最优的微电网即时运行策略;
综合寻优的方法为利用碳交易价格来将环保性问题转换到经济性问题,具体包括以下步骤:设在策略i的情况下的仿真结果,微电网由于弃风和弃光所造成的损失为T0,运行周期内的成本包括燃料成本T1、运行维护费用T2、投资折旧成本T3和微网与外网的交互成本T4,微电网的发电收益为I,由于使用柴油发电机具有污染性的电源增加的碳排放量为C,实时的碳交易价格为S,综合寻优的评优指标为Zmax,目标是发电收益I与发电成本之间的差值Z最大:
Zmax=I-(T0+T1+T3+T4+C×S);
S4:在对最优的微电网运行策略下装到微电网仿真模型的同时,对运行周期T的最优运行策略进行分析,判断所述运行周期T的最优运行策略在实际运行中是否满足预期的评价指标;将运行周期T的微电网实际运行结果与最优策略仿真结果进行对比分析,若没有达到预期评价指标,先由仿真模型分析出偏差原因,再将偏差原因输入仿真模型中,利用遗传算法结合仿真模型对运行策略的调节参数进行优化调整,使运行策略贴合实际现场运行状况,获得新的最优策略储存到策略库,并记忆所述新的最优策略运行场景。
2.根据权利要求1所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,所述微电网运行策略库包含策略索引层和策略储存层,所述策略索引层储存对应策略所适用的环境和微电网参数,以便迅速找到对应的策略;所有策略均放在策略储存层,策略储存层接收策略索引层命令,对仿真模型或微电网系统下装相应的策略;
策略储存层包括场景模型、策略模型和场景策略映射模型;场景模型用于建立微电网运行场景与策略索引的映射,策略模型用于存储用于仿真输入的策略参数,场景策略映射模型用于将策略索引与策略模型相关联;
策略索引层的实现方式为将策略模式封装为程序逻辑,以用户控制的强制约束参数与微电网运行参数和仿真平台迭代输出的运行状态参数作为输入,输出符合PSCAD仿真模型参数格式的策略结果。
3.根据权利要求2所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,策略索引层包括两类索引的参数指标:
第一类为微电网系统运行状态参数,包括微电网并网情况光伏发电功率PPV、风力发电功率PW、燃机发电功率Pe、负荷功率PL、储能电池SOC、电网电压U、频率f、短时间尺度下的风、光功率和负荷预测数据;
第二类为强制约束参数,包括:可靠性指标参数、环保性指标参数、污染物排放量、能源综合利用效率和经济参数。
4.根据权利要求1所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,所述微电网仿真模型基于matlab仿真平台搭建开放对实际微电网系统能量管理单元的数据接口,用于给仿真模型传递当前微电网即时运行状态参数。
5.根据权利要求4所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,微电网仿真模型包括发电模块、功率平衡模块、对比分析模块和优化调整模块;
发电模块为分布式电源功率模型,包括光伏系统功率模块、风电系统功率模块、燃机系统功率模型和储能系统模型,模拟微电网运行时各电源点出力情况;
功率平衡模块根据功率平衡需要,计算电网吸收功率以及新能源过剩时反向输出到电网中的电量,并判断系统稳定性是否符合要求;
对比分析模块根据电源情况判断能源形式,对策略进行综合评价,给出运行周期T+1的最优运行策略;
优化调整模块将运行周期T的微电网实际运行结果与最优策略仿真结果进行对比分析,若没有达到预期评价指标,则利用遗传算法结合仿真模型来对策略进行调整。
6.根据 权利 要求5所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,
燃机系统功率模型为Pe=VMT·LHVnat·ηMT,其中Pe表示燃气轮机的输出电功率;VMT表示微型燃气轮机输出电功率为1W时消耗的天然气量;LHVnat表示天然气的低热值;ηMT为微型燃气轮机的发电效率;
7.根据 权利 要求5所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,优化调整模块中,当微电网实际运行结果未达到预期评价指标,则利用遗传算法结合仿真模型来对策略进行调整。
8.根据权利要求1所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,所述微电网仿真模型采用的评价指标包括:弃风弃光率、微电网时段发电成本和污染物对环境影响成本。
9.根据权利要求1所述的一种基于微电网的动态策略仿真与优化方法,其特征在于,运行策略包括逻辑指令和可调参数;逻辑指令包括光伏、储能的柴机电源点是否投入使用,微电网是否并网以及是否启动;
可调参数包括光伏输出功率、储能V/f与P/Q允许最大和最小充放电功率、功率调节最小分辨率、柴油发电机输出功率和大电网交换电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810063530.9A CN108288855B (zh) | 2018-01-23 | 2018-01-23 | 一种基于微电网的动态策略仿真与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810063530.9A CN108288855B (zh) | 2018-01-23 | 2018-01-23 | 一种基于微电网的动态策略仿真与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288855A CN108288855A (zh) | 2018-07-17 |
CN108288855B true CN108288855B (zh) | 2020-11-24 |
Family
ID=62835703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810063530.9A Active CN108288855B (zh) | 2018-01-23 | 2018-01-23 | 一种基于微电网的动态策略仿真与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288855B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241676B (zh) * | 2018-10-18 | 2023-04-07 | 东南大学 | 综合能源系统中热网及建筑物时间分辨率的选择方法 |
CN111181149B (zh) * | 2018-10-24 | 2021-08-31 | 北京天诚同创电气有限公司 | 微电网仿真方法及装置 |
CN109975610B (zh) * | 2018-11-16 | 2021-12-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种微电网动态频率检测及调节方法 |
CN111339626A (zh) * | 2018-12-19 | 2020-06-26 | 国家电投集团科学技术研究院有限公司 | 智慧能源系统的控制策略的仿真验证方法及系统 |
CN109767100A (zh) * | 2018-12-29 | 2019-05-17 | 国网河北省电力有限公司衡水市冀州区供电分公司 | 一种提高农网供电可靠性的方法 |
CN109799463A (zh) * | 2019-01-18 | 2019-05-24 | 上海卡鲁自动化科技有限公司 | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 |
CN110276376B (zh) * | 2019-05-14 | 2021-10-15 | 嘉兴职业技术学院 | 一种基于超元启发算法的人群信息聚类方法 |
CN110688774A (zh) * | 2019-10-15 | 2020-01-14 | 云南电网有限责任公司 | 一种电网故障仿真推演系统及方法 |
CN111444598B (zh) * | 2020-03-19 | 2024-01-30 | 深圳供电局有限公司 | 综合能源系统的控制终端 |
CN112287522B (zh) * | 2020-10-12 | 2023-08-25 | 上海电气风电集团股份有限公司 | 风电机组变桨系统驱动能力的优化方法、系统及计算机可读存储介质 |
CN115718865A (zh) * | 2021-08-23 | 2023-02-28 | 中兴通讯股份有限公司 | 策略管理方法、设备及计算机可读存储介质 |
CN114583749A (zh) * | 2022-03-04 | 2022-06-03 | 上海玫克生储能科技有限公司 | 微电网的运行控制方法、系统、电子设备和存储介质 |
CN117726053B (zh) * | 2024-02-09 | 2024-08-06 | 广州市威士丹利智能科技有限公司 | 应用于数字化平台系统的碳排放监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354974A (zh) * | 2011-10-13 | 2012-02-15 | 山东大学 | 微电网多目标优化运行控制方法 |
CN104330980A (zh) * | 2014-11-03 | 2015-02-04 | 中国科学院广州能源研究所 | 一种基于rt-lab的微电网仿真测试系统 |
CN105048517A (zh) * | 2015-08-19 | 2015-11-11 | 国家电网公司 | 一种多级能源协调控制系统 |
CN106054672A (zh) * | 2016-07-20 | 2016-10-26 | 天津天大求实电力新技术股份有限公司 | 基于rt‑lab的真实微电网运行动态仿真测试平台 |
CN106485594A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网一体化事故响应决策方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9557723B2 (en) * | 2006-07-19 | 2017-01-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
-
2018
- 2018-01-23 CN CN201810063530.9A patent/CN108288855B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354974A (zh) * | 2011-10-13 | 2012-02-15 | 山东大学 | 微电网多目标优化运行控制方法 |
CN104330980A (zh) * | 2014-11-03 | 2015-02-04 | 中国科学院广州能源研究所 | 一种基于rt-lab的微电网仿真测试系统 |
CN105048517A (zh) * | 2015-08-19 | 2015-11-11 | 国家电网公司 | 一种多级能源协调控制系统 |
CN106485594A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网一体化事故响应决策方法 |
CN106054672A (zh) * | 2016-07-20 | 2016-10-26 | 天津天大求实电力新技术股份有限公司 | 基于rt‑lab的真实微电网运行动态仿真测试平台 |
Also Published As
Publication number | Publication date |
---|---|
CN108288855A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288855B (zh) | 一种基于微电网的动态策略仿真与优化方法 | |
Torreglosa et al. | Control based on techno-economic optimization of renewable hybrid energy system for stand-alone applications | |
Fathima et al. | Optimization in microgrids with hybrid energy systems–A review | |
Capizzi et al. | Recurrent neural network-based control strategy for battery energy storage in generation systems with intermittent renewable energy sources | |
CN106992549A (zh) | 一种独立微电网系统的容量优化配置方法及装置 | |
CN111224432B (zh) | 微电网优化调度方法和装置 | |
Rossi et al. | Real-time optimization of the battery banks lifetime in hybrid residential electrical systems | |
CN107359611B (zh) | 考虑多种随机因素的配电网等值方法 | |
CN115811051A (zh) | 电动汽车充电负荷与分布式电源互补协调方法 | |
CN109950900B (zh) | 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法 | |
Yue et al. | SIMES: A simulator for hybrid electrical energy storage systems | |
CN114398777B (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
CN115775049A (zh) | 一种电网分布式能源碳排放管理方法及终端 | |
Krim et al. | Joint optimisation of sizing and fuzzy logic power management of a hybrid storage system considering economic reliability indices | |
Yu et al. | A fuzzy Q-learning algorithm for storage optimization in islanding microgrid | |
Ignat et al. | Islanded microgrid simulation and cost optimisation | |
CN112561120A (zh) | 一种基于微电网参考日前市场出清系统优化运行方法 | |
CN113496298A (zh) | 一种综合能源系统的优化方法、装置和电子设备 | |
López et al. | On the Energy Management for a Stand-Alone Hybrid System in Isolated Area | |
CN110336301A (zh) | 基于混联结构的风储系统辅助电网一次调频容量配置方法 | |
Lim | Power management strategies for off-grid hybrid power systems | |
US20240104264A1 (en) | Method for designing energy systems | |
Bonanno et al. | Long-term energy performance forecasting of integrated generation systems by recurrent neural networks | |
Moshi et al. | Optimal planning of hybrid microgrids | |
Al Shaltouni et al. | Two-way Load Flow Analysis using Newton-Raphson and Neural Network Methods |
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 |