CN108539784A - 基于需求侧响应的微电网最优机组及分时电价的优化方法 - Google Patents

基于需求侧响应的微电网最优机组及分时电价的优化方法 Download PDF

Info

Publication number
CN108539784A
CN108539784A CN201810330375.2A CN201810330375A CN108539784A CN 108539784 A CN108539784 A CN 108539784A CN 201810330375 A CN201810330375 A CN 201810330375A CN 108539784 A CN108539784 A CN 108539784A
Authority
CN
China
Prior art keywords
micro
capacitance sensor
energy
load
demand
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.)
Granted
Application number
CN201810330375.2A
Other languages
English (en)
Other versions
CN108539784B (zh
Inventor
季天瑶
叶秀珍
李梦诗
吴青华
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810330375.2A priority Critical patent/CN108539784B/zh
Publication of CN108539784A publication Critical patent/CN108539784A/zh
Priority to SG11202010027VA priority patent/SG11202010027VA/en
Priority to PCT/CN2018/111211 priority patent/WO2019196375A1/zh
Application granted granted Critical
Publication of CN108539784B publication Critical patent/CN108539784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • 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
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/14—District level solutions, i.e. local energy networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/10—Energy trading, including energy flowing from end-user application to grid

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于需求侧响应的微电网最优机组及分时电价的优化方法，包括步骤：1)获取微电网供需历史数据，包括微电网内部负荷数据，分布式可再生能源的供给情况，各类供能机组的基本信息；2)利用历史数据分析各供能系统出力，进行微电网内部的供需情况分析；3)设定分散优化的优化目标函数；4)利用粒子群搜索算法和内点法进行优化求解。本发明将微电网可再生能源供能情况和分时电价激励下的需求侧响应有机结合，通过粒子群算法和内点法对微电网最优机组组合和分时电价策略进行分散优化，从而有效缓解微电网运营成本过高，内部缺负荷量过大的问题，确保了用户的用电需求得到了很好的满足。

Description

基于需求侧响应的微电网最优机组及分时电价的优化方法
技术领域
本发明涉及微电网最优机组组合及分时电价优化的技术领域，尤其是指一种基于需求侧响应的微电网最优机组及分时电价的优化方法。
背景技术
截至2017年底，随着我国电力市场改革的推进和伴之而出的增量配网的推出，微电网作为增量配网的一种实际运行模式，受到了各界的高度关注和重视。微电网做为一种解决新能源就地消纳，提高新能源消纳率的一种可靠形式，其高效，安全运营是微电网建设需要关心的重点内容。
在微电网的运营过程当中，首先针对供能侧来说，电能的供给有一部分源于微电网所在地区的可再生能源，如风能，太阳能等可再生能源的转化。对于这一部分能源出力，风能和太阳能均存在出力随机性过高的问题，而没法保证在任何时候都满足负荷的需求，故时常存在弃风，弃光等问题。因此，为提高可再生能源的消纳率，充分保证微电网的绿色运营，有必要对风力发电机组，光伏发电机组进行合理的配置。与此同时，针对需求侧，越来越多的大型电力用户参与需求侧响应，即在用电高峰，电能供应不足的情况下适当调整自身的用电计划来响应供需变化，而与此相对应，在用电低谷阶段，增加可调节负荷的投入，以满足自身对电能消耗的需求。用户的响应在是在电价变化的刺激下进行的，因此对分时电价策略的合理优化有助于刺激电力用户在适当的时机调整用电计划，以同时保证用户侧的缺负荷量和微电网运营成本的最小化。
发明内容
本发明的目的在于克服现有技术的缺点与不足，突破传统微电网运营成本不理想以及微电网用户侧的缺负荷量过高的问题，提出了一种基于需求侧响应的微电网最优机组及分时电价的优化方法，将微电网供能侧和需求侧有机结合在一起，通过基于粒子群搜索算法和内点法分散优化来获得来针对供能侧的运营成本和需求侧的缺负荷量的最小化优化获得针对微电网最有利运营的最优机组组合以及分时电价策略，从而在满足需求侧用电需求的前提下最大程度地降低微电网的运营成本。
为实现上述目的，本发明所提供的技术方案为：一种基于需求侧响应的微电网最优机组及分时电价的优化方法，所述微电网为含有可再生能源的典型微电网，由风力发电机组、光伏发电机组、柴油发电机组、大型储能系统供能，以所述微电网的总运行成本最低为第一优化目标，微电网缺负荷量最小为第二优化目标，基于微电网历史负荷数据、风能、太阳能这些分布式能源的历史数据，以获得微电网供需历史数据，通过粒子群搜索算法和内点法对两个优化目标进行分散优化；针对微电网总运行成本的目标函数考虑各类机组的调度成本，运营成本以及柴油机组的油耗成本，大型储能电池的转换效率，与此同时还将微电网与主网之间电能交换所引起的的购电成本考虑在内；运用电价来激励用户参与需求侧响应来降低微电网全年缺负荷总量，确保微电网内部供能得到满足；所述优化方法包括以下步骤：
1)获取微电网供需历史数据，包括微电网内部负荷数据，地区分布式可再生能源数据：风速、光强，各类发电机组：风力发电机、光伏发电机、柴油发电机和大型储能系统的机组参数；
2)利用获取的数据和各机组出力模型计算出各供能系统的出力大小，进行微电网内部的电能供给和需求情况分析；
3)以微电网运营成本最低和需求侧的缺负荷量最小为两个分散优化的目标，设定目标函数；
4)利用粒子群搜索算法Particle Swarm Optimization(PSO)和内点法InteriorPoint Method(IPM)进行优化，求解出微电网的各供能系统最优机组组合和分时电价策略。
在步骤1)中，所述微电网供需历史数据是指调度部门获取的微电网内部的负荷数据，气象部门获取的该地区的风速以及光强；同时还获取该微电网内部各类机组的基本参数。
在步骤2)中，所述供给和需求情况分为‘供’和‘需’两个方面：在供能方面，由于微电网是一个含分布式可再生能源的典型微电网，供能来源包括：风力发电机组、光伏发电机组、柴油发电机组以及微电网内部的由储能电池构成的大型储能系统，其中风力发电机组和光伏发电机组模型如下：
2.1)风力发电机组模型
风力发电机组是利用风能的主要方式，通常情况不同类型的风力发电机组有不同的切入风速、额定风速和切出风速，风力发电机组的输出功率由风速来表示，即：
其中，PWT(t)是风力发电机组在t时刻的总输出功率，V(t)是该时刻对应的风速，Vin、VR、Vout分别是风力发电机组的切入、切出和额定风速，NWT是风力发电厂的风力发电机组数，P0是单台风力发电机组的额定输出功率；为了准确地描述不同位置风力发电机组的出力情况，对不同高度的风力发电机组所吸收的风速进行如下转换：
其中，V和Vref分别为在高度h和href时的风速，f为摩擦系数，通常白天取1/7，夜晚取1/2；
2.2)光伏发电机组模型
光伏太阳能板吸收太阳能转化为直流电能，其转化过程受到太阳辐射强度以及环境、温度这些外界条件的影响，典型光伏太阳能板的输出功率表示为：
其中，PPV(t)是t时刻光伏发电机组的总输出功率，NPV是光伏太阳能板的数量，PPV0是一个光伏太阳能板的额定功率，T(t)和G(t)分别是t时刻的温度(25℃)和光照强度(1kW/m2)，T0和G0分别是标准测试条件下的温度(25℃)和光照强度(1kW/m2)，kPV是光伏温度系数；
在从气象部门获得该地区风速、光强这些自然气象数据之后，根据新能源发电出力模型获得各系统的供能情况，并在此基础上通过柴油发电机组，大型储能系统和与主网之间的电能交流来满足微电网内部的供需平衡，与此同时，在需求侧方面，由于微电网模型的负荷包括一部分可进行需求侧响应的负荷类型，即：该类型负荷能够根据电价的变动来实时调整需求曲线，采用用户响应峰谷分时电价来量化负荷变动情况，以响应前后总负荷不变为前提，基于响应弹性矩阵M来说明用户对电价的响应情况，描述如下：
其中，PTOU是采用峰谷电价之后的负荷；PL0是原始负荷，Pf0、Pp0、Pg0和x0分别是未采用峰谷电价之前，在负荷高峰段、平段和低谷段对应的负荷以及电价；xf、xp和xg分别表示采用峰谷电价之后，在负荷高峰段，平段和低谷段对应的电价。
在步骤3)中，为满足微电网内部用户的用电需求的同时降低运营成本，将用户侧的缺负荷量最小和微电网运营成本最低分别设为分散优化的两个目标函数，具体描述如下：
3.1)用户侧的缺负荷量
从用户侧出发，微电网运营应尽量保证较低的甩负荷/切负荷量，以满足用户的用电需求，故用户侧的缺负荷量最小为分散优化的第一优化目标：
其中，Ωim是微电网需求侧缺负荷量，Pim是微电网向主网的购电总量，xt是一天之内的实时电价，PL是微电网的总负荷，由于该分散优化用户侧有部分负荷属于可参与需求侧响应的负荷，故：微电网在t时刻的负荷总量与该时段的电价相关，Pdi(t)是柴油发电机组在t出力；Pwt(t)、Ppv(t)和Pba(t)分别是风力发电机组、光伏发电机组和大型储能系统在t时刻的出力，由于风力发电机组、光伏发电机组和大型储能系统在直流侧，故需考虑直流侧到交流侧的转换效率，表示为θinv；
3.2)微电网运营成本
从微电网运营经济性的角度出发，在满足用户侧用电需求的前提下应降低微电网运营成本，故：微电网运营成本最低为分散优化的第二优化目标，描述如下：
其中，Ψcos是微电网运营总成本，包括各类机组的调度成本、各类机组的运行成本、柴油发电机的耗油成本、大型储能系统的电池损耗、购电成本、售电收益；X表示机组类型；Ai(t)取值为0或1，代表机组i在t时刻是否被调用；λi(t)表示机组i在t时刻的调度成本；Cop(i)表示机组i的运行成本；Pfuel(t)表示t时刻柴油机的出力，Vfuel(t)表示柴油的价格；表示大型储能系统在t时刻的放/充电功率，σ表示该大型储能系统的能量转换效率；Pex(t)，Pim(t)分别表示微电网在t时刻的购/售电量，Pimp(t)和Pexp(t)分别表示t时刻的实时购、售电价格；各供能系统满足各自的出力约束。
在步骤4)中，分别利用粒子群搜索算法Particle Swarm Optimization(PSO)和内点法Interior Point Method(IPM)进行分散优化求解；其中，粒子群搜索算法是一种基于全体的全局优化算法，是对鸟群觅食过程中的迁徙和群聚行为的模拟，该算法将鸟群运动过程中的栖息地看作目标问题中可能的解，每个个体间互相传递信息，从而引导整个群体向可能是最优解的方向移动，并在移动的过程中不断提高发现更好解的可能性；每一只鸟被看做是一个“粒子”，其自身的位置及速度分别按下式进行更新：
vij(t)＝wvij(t-1)+c1r1[pbestij(t-1)-xij(t-1)]+c2r2[gbestij(t-1)-xij(t-1)]
其中，ij为粒子的运动轨迹，t为迭代次数，vij(t)和xij(t)分别为第t次迭代时粒子的速度和所处的位置，c1、c2分别为调节自身最优pbest和全局最优gbest的学习因子，r1、r2是0至1之间的随机数，w为粒子运动的惯性权重；
内点法是用于求解带约束的优化命题的方法，无论是面对线性规划命题还是带约束的二次规划问题，内点法都显示出极好的性能；内点法属于约束优化算法，基本思想是通过引入效用函数的方法将约束优化问题转换成无约束问题，再利用优化迭代过程不断地更新效用函数，以使得算法收敛；
在各个供能系统的出力约束下，由粒子群搜索算法来搜索求解得基于历史数据的各供能系统的最优机组组合，同时由内点法求得使得微电网缺负荷量最小的分时电价策略，极大程度得减小计算量，促进优化效率。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明首次实现了微电网运营成本和用户缺负荷量最小化的有机结合，突破了传统‘源’和‘荷’之间的相对独立。
2、本发明首次实现了基于微电网所有历史数据，包括各类可再生能源的供给情况在内的供需情况分析，深入剖析了该微电网长期以来的历史供需情况。
3、本发明首次基于微电网长期的供需情况，利用智能算法，即粒子群搜索算法和内点法来求解该微电网运营最优机组组合和分时电价的分散优化，将二者合理，有效地结合在一起，极大地提高了优化速度。
4、本发明通过利用分时电价刺激用户提前调整自身用电计划来达到迎合该微电网内部供需情况的负荷曲线的目的，直接降低了微电网的购电成本。
5、本发明方法在电力市场进一步推广以及伴之而生的增量配网初露头角的现实条件下具有广泛的使用空间，该优化方法耗时段、效率高、适应性强，在降低微电网运营成本、降低用户侧的缺负荷量以及提高新能源消纳率上有广阔的前景。
附图说明
图1为本发明搭建的微电网供能和典型负荷示意图。
图2为本发明逻辑流程示意图。
图3为本发明采集的微电网供需数据，包括该地区气象局采集的风速和光照强度数据以及历史负荷数据。
图4为本发明通过分散优化前后得到的微电网的购售电曲线对比图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所提供的基于需求侧响应的微电网最优机组及分时电价的优化方法，搭建了包含图1所示供需两侧参与者的典型微电网模型，其优化过程由图2逻辑流程示意图所示，包括以下步骤：
1)获取基础数据，包括微电网负荷历史数据、风速、光强等分布式可再生能源数据，其中，所述微电网负荷历史数据是指通过调度部门获取的该微电网地区长期以来的负荷数据，包括时间戳、负荷量等；所述风速、光强等信息是指气象部门获取的该地区风电场，光伏发电站所在地的风速和光强，为了能更清楚地表示该数据，图3历史数据均只画出了1000个采样点。
获取的各类型机组参数如表1所示：
表1各类型机组参数
其中SOC是构成大型储能系统的储能电池参数，SOC表示电池的状态。
2)获取风速、光强等数据后进行风力发电机组和光伏发电机组的出力计算，包括以下步骤：
2.1)风力发电机组模型
风力发电机组是利用风能的主要方式，通常情况不同类型的风力发电机组有不同的切入风速，额定风速和切出风速，风力发电机组的输出功率可由风速来表示，即：
其中PWT(t)是风力发电机组在t时刻的总输出功率，V(t)是该时刻对应的风速，Vin、VR、Vout分别是风力发电机组的切入、切出和额定风速，NWT是风力发电厂的风力发电机组数，P0是单台风力发电机组的额定输出功率；为了准确地描述不同位置风力发电机组的出力情况，对不同高度的风力发电机组所吸收的风速进行如下转换：
其中V和Vref分别为在高度h和href时的风速，f为摩擦系数，一般而言，白天取1/7，夜晚取1/2。
2.2)光伏发电机组模型
光伏太阳能板吸收太阳能转化为直流电能，其转化过程受到太阳辐射强度以及环境，温度等外界条件的影响，典型光伏太阳能板的输出功率可表示为：
其中PPV(t)是t时刻光伏发电机组的总输出功率，NPV是光伏太阳能板的数量，PPV0是一个光伏太阳能板的额定功率，T(t)和G(t)分别是t时刻的温度(25℃)和光照强度(1kW/m2)，T0和G0分别是标准测试条件下的温度(25℃)和光照强度(1kW/m2)，kPV是光伏温度系数。
在从气象部门获得该地区风速，光强等自然气象数据之后，根据如上的新能源发电出力模型获得各系统的供能情况，并在此基础上通过柴油发电机组，大型储能系统和与主网之间的电能交流来满足微电网内部的供需平衡，与此同时，在需求侧方面，由于该微电网模型的负荷包括了一部分可进行需求侧响应的负荷类型，即：该类型负荷可以根据电价的变动来实时调整需求曲线，采用用户响应峰谷分时电价来量化负荷变动情况，以响应前后总负荷不变为前提，基于响应弹性矩阵M来说明用户对电价的响应情况，描述如下：
其中PTOU是采用峰谷电价之后的负荷，PL0是原始负荷，Pf0，Pp0，Pg0和x0分别是未采用峰谷电价之前，在负荷高峰段，平段和低谷段对应的负荷以及电价，xf，和xg分别表示采用峰谷电价之后，在负荷高峰段，平段和低谷段对应的电价。
3)以微电网运营成本最低和需求侧的缺负荷量最小为两个分散优化的目标，设定目标函数，如图2所示的分散优化流程进行基于历史供需数据的分散优化，为满足微电网内部用户的用电需求的同时降低运营成本，将用户侧的缺负荷量最小和微电网运营成本最低分别设为分散优化的两个目标函数，具体描述如下：
3.1)用户侧的缺负荷量
从用户侧出发，微电网运营应尽量保证较低的甩负荷/切负荷量，以满足用户的用电需求，故用户侧的缺负荷量最小为分散优化的第一优化目标：
其中Ωim是微电网需求侧的缺负荷量，Pim是微电网向主网的购电总量，xt是一天之内的实时电价，PL是微电网的总负荷，由于该分散优化用户侧有部分负荷属于可参与需求侧响应的负荷，故：微电网在t时刻的负荷总量与该时段的电价相关，Pdi(t)是柴油发电系统在t出力，Pwt(t)、Ppv(t)和Pba(t)分别是风力发电机组、光伏发电机组和大型储能系统在t时刻的出力，由于风力发电机组、光伏发电机组和大型储能系统在直流侧，故需考虑直流侧到交流侧的转换效率，表示为θinv。
3.2)微电网运营成本
从微电网运营经济性的角度出发，在满足用户侧用电需求的前提下应降低微电网运营成本，故：微电网运营成本最低为分散优化的第二优化目标，描述如下：
其中Ψcos是微电网运营总成本，包括各类机组的调度成本(第一项)，其中X表示机组类型，Ai(t)取值为0或1，代表机组i在t时刻是否被调用，λi(t)表示机组i在t时刻的调度成本；各类机组的运行成本(第二项)，其中Cop(i)表示机组i的运行成本；柴油发电机的耗油成本(第三项)，其中Pfuel(t)表示t时刻柴油机的出力，Vfuel(t)表示柴油的价格；大型储能系统的电池损耗(第四项)，其中表示大型储能系统在t时刻的放/充电功率，σ表示该大型储能系统的能量转换效率；购电成本(第五项)，售电收益(第六项)，其中Pex(t)，Pim(t)分别表示微电网在t时刻的购/售电量，Pimp(t)和Pexp(t)分别表示t时刻的实时购、售电价格；各供能系统满足各自的出力约束。
4)分别利用粒子群搜索算法Particle Swarm Optimization(PSO)和内点法Interior Point Method(IPM)进行分散优化求解。
粒子群搜索算法是一种基于全体的全局优化算法，是对鸟群觅食过程中的迁徙和群聚行为的模拟，该算法将鸟群运动过程中的栖息地看作目标问题中可能的解，每个个体间互相传递信息，从而引导整个群体向可能是最优解的方向移动，并在移动的过程中不断提高发现较好解的可能性。每一只鸟被看做是一个“粒子”，其自身的位置及速度分别按下式进行更新：
vij(t)＝wvij(t-1)+c1r1[pbestij(t-1)-xij(t-1)]+c2r2[gbestij(t-1)-xij(t-1)]
其中ij为粒子的运动轨迹，t为迭代次数，vij(t)和xij(t)分别为第t次迭代时粒子的速度和所处的位置，c1、c2分别为调节自身最优pbest和全局最优gbest的学习因子，r1、r2是0至1之间的随机数，w为粒子运动的惯性权重。
内点法是用于求解带约束的优化命题的方法，无论是面对线性规划命题还是带约束的二次规划问题，内点法都显示出了相当的极好的性能。内点法属于约束优化算法，基本思想是通过引入效用函数的方法将约束优化问题转换成无约束问题，再利用优化迭代过程不断地更新效用函数，以使得算法收敛，在获得最优机组组合和分时电价策略之后运用到微电网实时运行当中，得到微电网与主网之间的购售电曲线图，如图4所示，其中购售电曲线大于零时表示微电网向主网购电，小于零时向主网售电。在使用提出的分散优化之前，利用传统的基于经验的机组组合和电价方案，其购售电曲线分布在零刻度线以上，即购电需求大于售电能力，在使用提出的分散优化之后，购售电曲线较为均衡地分布在零刻度线上下，即购电需求比优化之前降低的同时售电能力得到了提升。
使用上述优化方法之后，日平均购售电量及微电网日平均运营成本如表2所示：
表2各类型机组参数
本发明优化方法具有以下优点：
1、将最优机组组合和分时电价策略有机结合，分散处理；
2、克服传统的基于经验的机组组合和峰谷电价方案；
3、针对不同的可再生能源供给情况获得不同的风力发电机组和光伏发电机组的出力情况之后再进行分时电价策略的优化，使得分时电价策略更优；
4、用户进行需求侧响应的效果更加突出有效。
综上所述，在采用以上方案后，本发明为微电网的经济合理运营提供了新的方法，将历史供需数据作为优化最优机组组合和分时电价的有力根据，从而有效缓解微电网运营成本过高，内部缺负荷量过大的问题，确保了用户的用电需求得到了很好的满足。为有效推动我国微电网运营模式的建设和发展提供了良好的借鉴，具有实际推广价值，值得推广。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.基于需求侧响应的微电网最优机组及分时电价的优化方法，其特征在于：所述微电网为含有可再生能源的典型微电网，由风力发电机组、光伏发电机组、柴油发电机组、大型储能系统供能，以所述微电网的总运行成本最低为第一优化目标，微电网缺负荷量最小为第二优化目标，基于微电网历史负荷数据、风能、太阳能这些分布式能源的历史数据，以获得微电网供需历史数据，通过粒子群搜索算法和内点法对两个优化目标进行分散优化；针对微电网总运行成本的目标函数考虑各类机组的调度成本，运营成本以及柴油机组的油耗成本，大型储能电池的转换效率，与此同时还将微电网与主网之间电能交换所引起的的购电成本考虑在内；运用电价来激励用户参与需求侧响应来降低微电网全年缺负荷总量，确保微电网内部供能得到满足；所述优化方法包括以下步骤：
1)获取微电网供需历史数据，包括微电网内部负荷数据，地区分布式可再生能源数据：风速、光强，各类发电机组：风力发电机、光伏发电机、柴油发电机和大型储能系统的机组参数；
2)利用获取的数据和各机组出力模型计算出各供能系统的出力大小，进行微电网内部的电能供给和需求情况分析；
3)以微电网运营成本最低和需求侧的缺负荷量最小为两个分散优化的目标，设定目标函数；
4)利用粒子群搜索算法Particle Swarm Optimization即PSO和内点法InteriorPoint Method即IPM进行优化，求解出微电网的各供能系统最优机组组合和分时电价策略。
2.根据权利要求1所述的基于需求侧响应的微电网最优机组及分时电价的优化方法，其特征在于：在步骤1)中，所述微电网供需历史数据是指调度部门获取的微电网内部的负荷数据，气象部门获取的该地区的风速以及光强；同时还获取该微电网内部各类机组的基本参数。
3.根据权利要求1所述的基于需求侧响应的微电网最优机组及分时电价的优化方法，其特征在于：在步骤2)中，所述供给和需求情况分为‘供’和‘需’两个方面：在供能方面，由于微电网是一个含分布式可再生能源的典型微电网，供能来源包括：风力发电机组、光伏发电机组、柴油发电机组以及微电网内部的由储能电池构成的大型储能系统，其中风力发电机组和光伏发电机组模型如下：
2.1)风力发电机组模型
风力发电机组是利用风能的主要方式，通常情况不同类型的风力发电机组有不同的切入风速、额定风速和切出风速，风力发电机组的输出功率由风速来表示，即：
其中，PWT(t)是风力发电机组在t时刻的总输出功率，V(t)是该时刻对应的风速，Vin、VR、Vout分别是风力发电机组的切入、切出和额定风速，NWT是风力发电厂的风力发电机组数，P0是单台风力发电机组的额定输出功率；为了准确地描述不同位置风力发电机组的出力情况，对不同高度的风力发电机组所吸收的风速进行如下转换：
其中，V和Vref分别为在高度h和href时的风速，f为摩擦系数，通常白天取1/7，夜晚取1/2；
2.2)光伏发电机组模型
光伏太阳能板吸收太阳能转化为直流电能，其转化过程受到太阳辐射强度以及环境、温度这些外界条件的影响，典型光伏太阳能板的输出功率表示为：
其中，PPV(t)是t时刻光伏发电机组的总输出功率，NPV是光伏太阳能板的数量，PPV0是一个光伏太阳能板的额定功率，T(t)和G(t)分别是t时刻的温度和光照强度，T0和G0分别是标准测试条件下的温度和光照强度，kPV是光伏温度系数；
在从气象部门获得该地区风速、光强这些自然气象数据之后，根据新能源发电出力模型获得各系统的供能情况，并在此基础上通过柴油发电机组，大型储能系统和与主网之间的电能交流来满足微电网内部的供需平衡，与此同时，在需求侧方面，由于微电网模型的负荷包括一部分可进行需求侧响应的负荷类型，即：该类型负荷能够根据电价的变动来实时调整需求曲线，采用用户响应峰谷分时电价来量化负荷变动情况，以响应前后总负荷不变为前提，基于响应弹性矩阵M来说明用户对电价的响应情况，描述如下：
其中，PTOU是采用峰谷电价之后的负荷；PL0是原始负荷，Pf0、Pp0、Pg0和x0分别是未采用峰谷电价之前，在负荷高峰段、平段和低谷段对应的负荷以及电价；xf、xp和xg分别表示采用峰谷电价之后，在负荷高峰段，平段和低谷段对应的电价。
4.根据权利要求1所述的基于需求侧响应的微电网最优机组及分时电价的优化方法，其特征在于：在步骤3)中，为满足微电网内部用户的用电需求的同时降低运营成本，将用户侧的缺负荷量最小和微电网运营成本最低分别设为分散优化的两个目标函数，具体描述如下：
3.1)用户侧的缺负荷量
从用户侧出发，微电网运营应尽量保证较低的甩负荷/切负荷量，以满足用户的用电需求，故用户侧的缺负荷量最小为分散优化的第一优化目标：
其中，Ωim是微电网需求侧缺负荷量，Pim是微电网向主网的购电总量，xt是一天之内的实时电价，PL是微电网的总负荷，由于该分散优化用户侧有部分负荷属于可参与需求侧响应的负荷，故：微电网在t时刻的负荷总量与该时段的电价相关，Pdi(t)是柴油发电机组在t出力；Pwt(t)、Ppv(t)和Pba(t)分别是风力发电机组、光伏发电机组和大型储能系统在t时刻的出力，由于风力发电机组、光伏发电机组和大型储能系统在直流侧，故需考虑直流侧到交流侧的转换效率，表示为θinv；
3.2)微电网运营成本
从微电网运营经济性的角度出发，在满足用户侧用电需求的前提下应降低微电网运营成本，故：微电网运营成本最低为分散优化的第二优化目标，描述如下：
其中，Ψcos是微电网运营总成本，包括各类机组的调度成本、各类机组的运行成本、柴油发电机的耗油成本、大型储能系统的电池损耗、购电成本、售电收益；X表示机组类型；Ai(t)取值为0或1，代表机组i在t时刻是否被调用；λi(t)表示机组i在t时刻的调度成本；Cop(i)表示机组i的运行成本；Pfuel(t)表示t时刻柴油机的出力，Vfuel(t)表示柴油的价格；表示大型储能系统在t时刻的放/充电功率，σ表示该大型储能系统的能量转换效率；Pex(t)，Pim(t)分别表示微电网在t时刻的购/售电量，Pimp(t)和Pexp(t)分别表示t时刻的实时购、售电价格；各供能系统满足各自的出力约束。
5.根据权利要求1所述的基于需求侧响应的微电网最优机组及分时电价的优化方法，其特征在于：在步骤4)中，分别利用粒子群搜索算法Particle Swarm Optimization即PSO和内点法Interior Point Method即IPM进行分散优化求解；其中，粒子群搜索算法是一种基于全体的全局优化算法，是对鸟群觅食过程中的迁徙和群聚行为的模拟，该算法将鸟群运动过程中的栖息地看作目标问题中可能的解，每个个体间互相传递信息，从而引导整个群体向可能是最优解的方向移动，并在移动的过程中不断提高发现更好解的可能性；每一只鸟被看做是一个“粒子”，其自身的位置及速度分别按下式进行更新：
vij(t)＝wvij(t-1)+c1r1[pbestij(t-1)-xij(t-1)]+c2r2[gbestij(t-1)-xij(t-1)]
其中，ij为粒子的运动轨迹，t为迭代次数，vij(t)和xij(t)分别为第t次迭代时粒子的速度和所处的位置，c1、c2分别为调节自身最优pbest和全局最优gbest的学习因子，r1、r2是0至1之间的随机数，w为粒子运动的惯性权重；
内点法是用于求解带约束的优化命题的方法，无论是面对线性规划命题还是带约束的二次规划问题，内点法都显示出极好的性能；内点法属于约束优化算法，基本思想是通过引入效用函数的方法将约束优化问题转换成无约束问题，再利用优化迭代过程不断地更新效用函数，以使得算法收敛；
在各个供能系统的出力约束下，由粒子群搜索算法来搜索求解得基于历史数据的各供能系统的最优机组组合，同时由内点法求得使得微电网缺负荷量最小的分时电价策略，极大程度得减小计算量，促进优化效率。
CN201810330375.2A 2018-04-13 2018-04-13 基于需求侧响应的微电网最优机组及分时电价的优化方法 Active CN108539784B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810330375.2A CN108539784B (zh) 2018-04-13 2018-04-13 基于需求侧响应的微电网最优机组及分时电价的优化方法
SG11202010027VA SG11202010027VA (en) 2018-04-13 2018-10-22 An Optimization Method of Optimal Units and a Time-Of-Use Electricity Price of a Microgrid Based on a Demand-Side Response
PCT/CN2018/111211 WO2019196375A1 (zh) 2018-04-13 2018-10-22 基于需求侧响应的微电网最优机组及分时电价的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810330375.2A CN108539784B (zh) 2018-04-13 2018-04-13 基于需求侧响应的微电网最优机组及分时电价的优化方法

Publications (2)

Publication Number Publication Date
CN108539784A true CN108539784A (zh) 2018-09-14
CN108539784B CN108539784B (zh) 2020-01-14

Family

ID=63480266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810330375.2A Active CN108539784B (zh) 2018-04-13 2018-04-13 基于需求侧响应的微电网最优机组及分时电价的优化方法

Country Status (3)

Country Link
CN (1) CN108539784B (zh)
SG (1) SG11202010027VA (zh)
WO (1) WO2019196375A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109768555A (zh) * 2018-12-24 2019-05-17 全球能源互联网研究院有限公司 一种柔性负荷的能量区块化控制方法及系统
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110535143A (zh) * 2019-08-23 2019-12-03 国网江苏省电力有限公司电力科学研究院 面向智能住宅动态需求响应的能源管理方法和装置
CN110594962A (zh) * 2019-08-26 2019-12-20 中国科学院广州能源研究所 一种基于模糊需求响应的分布式能源系统优化配置方法
CN111275572A (zh) * 2020-01-15 2020-06-12 杭州电子科技大学 一种基于粒子群和深度强化学习的机组调度系统及方法
CN111619394A (zh) * 2020-05-19 2020-09-04 上海电机学院 一种基于分时电价的电动公交车有序充放电方法
CN111967639A (zh) * 2020-07-06 2020-11-20 国网河北省电力有限公司保定供电分公司 计及风光出力和价格需求响应的配电网优化方法及系统
CN112018822A (zh) * 2020-04-02 2020-12-01 沈阳工业大学 一种需求侧综合柔性负荷调控优化方法及系统
CN112488370A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种采用需求侧响应规划的储能优化方法
CN113054687A (zh) * 2021-03-19 2021-06-29 华北电力大学 一种考虑电、热负荷综合需求响应的虚拟电厂风电消纳方法
CN113809755A (zh) * 2021-08-19 2021-12-17 中国华电集团有限公司福建分公司 一种基于需求响应的智慧楼宇节能优化控制方法
CN114638078A (zh) * 2022-04-08 2022-06-17 内蒙古工业大学 一种微电网优化配置方法、系统、终端及可存储介质
CN117313016A (zh) * 2023-11-28 2023-12-29 北京易能中网技术有限公司 一种新能源电力交易现货电价价差数据处理方法

Families Citing this family (111)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11875371B1 (en) 2017-04-24 2024-01-16 Skyline Products, Inc. Price optimization system
CN111030188B (zh) * 2019-11-28 2023-09-08 云南电网有限责任公司电力科学研究院 一种含分布式和储能的分层分级控制策略
CN110994646B (zh) * 2019-12-11 2024-02-09 国网河南省电力公司电力科学研究院 电网agc调节的运行效果评估方法、系统及存储介质
CN111177972A (zh) * 2019-12-17 2020-05-19 北京航空航天大学 一种基于重采样粒子群优化的结构载荷求解方法
CN111242361B (zh) * 2020-01-07 2022-09-20 南方电网科学研究院有限责任公司 考虑地源热泵的园区综合能源系统优化调度方法和装置
CN111222713B (zh) * 2020-01-17 2022-08-23 上海电力大学 考虑响应行为不确定性的园区能源互联网优化运行方法
CN113394768B (zh) * 2020-03-13 2022-10-04 北京科东电力控制系统有限责任公司 一种客户侧柔性负荷综合响应控制方法和装置
CN111415042B (zh) * 2020-03-20 2024-03-08 上海能源建设工程设计研究有限公司 一种基于气电耦合的区域分布式能源系统及优化方法
CN111525624A (zh) * 2020-03-26 2020-08-11 天津理工大学 基于蓄电池储能系统的家庭分布式能源调度方法
CN111342462A (zh) * 2020-03-31 2020-06-26 安阳师范学院 一种微电网优化调度系统、方法、存储介质、计算机程序
CN111582909A (zh) * 2020-04-09 2020-08-25 国网河北省电力有限公司保定供电分公司 电力需求响应模型的建立方法、求解方法和装置
CN111404153B (zh) * 2020-04-16 2023-08-01 华北电力大学 计及可再生能源与需求响应的能量枢纽规划模型构建方法
CN111762051B (zh) * 2020-06-03 2022-09-02 国网上海市电力公司 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法
CN111882105B (zh) * 2020-06-15 2024-05-28 东南大学 含共享储能系统的微电网群及其日前经济优化调度方法
CN111738503B (zh) * 2020-06-15 2023-07-25 国网安徽省电力有限公司经济技术研究院 以氢能为核心的综合能源微网日前运行调度方法及系统
CN111668879A (zh) * 2020-06-18 2020-09-15 国网天津市电力公司 一种基于c-pso算法的高渗透率配电网调度模型及其计算方法
CN111860994B (zh) * 2020-07-14 2023-12-08 北京清能互联科技有限公司 一种考虑发用两侧参与调峰的现货市场交易方法及装置
CN112165084B (zh) * 2020-07-24 2022-02-15 国网内蒙古东部电力有限公司通辽供电公司 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法
CN111798070B (zh) * 2020-07-27 2024-03-05 上海电气分布式能源科技有限公司 一种用户侧光储系统的配置方法及装置
CN112217195B (zh) * 2020-08-11 2023-04-07 广东电网有限责任公司广州供电局 一种基于gru多步预测技术的云储能充放电策略形成方法
CN112101756B (zh) * 2020-09-02 2022-09-30 合肥工业大学 数据驱动的多能互补能量枢纽负荷优化调度方法和系统
CN112085377A (zh) * 2020-09-04 2020-12-15 浙江大学 一种碳排放下的能源互联网分布式光伏配置方法
CN112016977B (zh) * 2020-09-04 2022-11-25 国网山东省电力公司莱芜供电公司 一种用电信息采集方法、系统及电量数据服务器
CN112084463B (zh) * 2020-09-04 2024-03-15 浙江大学 一种碳排放下的电力系统分布式光伏配置方法
CN112150190B (zh) * 2020-09-04 2023-08-22 广东工业大学 一种面向高成分灵活负荷的需求响应互补式电价系统及方法
CN112070397A (zh) * 2020-09-08 2020-12-11 国网能源研究院有限公司 非化石能源发电协调运行多电源扩展优化决策方法及系统
CN112085276B (zh) * 2020-09-09 2024-05-07 天津大学 一种含高渗透率风光发电的电源系统容量配比优化方法
CN112069720B (zh) * 2020-09-18 2024-04-05 西安交通大学 一种综合能源系统及其运行优化方法
CN112149264A (zh) * 2020-09-25 2020-12-29 东北电力大学 一种基于改进哈里斯鹰优化算法的主动配电网规划方法
CN112186756B (zh) * 2020-09-27 2024-03-19 国网辽宁省电力有限公司经济技术研究院 一种面向虚拟电厂的储能容量配置方法
CN112257198A (zh) * 2020-10-19 2021-01-22 大连理工大学 一种快速部署的分布式供能系统集成方法
CN112350371B (zh) * 2020-10-26 2023-07-28 国网天津市电力公司电力科学研究院 一种基于公平原则的风电场分阶段有功调度方法及系统
CN112491087B (zh) * 2020-11-20 2023-02-07 西安热工研究院有限公司 一种基于需求侧响应的风光储独立微电网经济优化方法
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
CN112491041B (zh) * 2020-11-20 2023-02-07 西安热工研究院有限公司 一种储能混合微电网混合线性经济性规划方法
CN112488372A (zh) * 2020-11-23 2021-03-12 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 多时间尺度下电采暖负荷双层优化调度方法
CN112487625B (zh) * 2020-11-23 2024-04-02 西安交通大学 基于信息物理融合的建筑能源系统及其优化方法和装置
CN112417048B (zh) * 2020-11-23 2023-07-14 西安君能清洁能源有限公司 基于区块链的智能微电网系统调度方法、存储介质及设备
CN112529276A (zh) * 2020-12-01 2021-03-19 国网湖北省电力有限公司电力科学研究院 一种互联微电网分层分布式优化调度方法
CN112564109B (zh) * 2020-12-22 2022-08-23 国网福建省电力有限公司 一种基于储能系统参与含大规模海上风电的调频优化运行方法
CN112712199B (zh) * 2020-12-25 2023-01-10 杭州鸿晟电力设计咨询有限公司 基于激励的需求响应下综合能源系统元件选址定容方法
CN112886567B (zh) * 2020-12-28 2024-02-02 国网河北省电力有限公司 一种基于主从博弈的需求侧资源灵活性优化调度方法及系统
CN112821382B (zh) * 2021-01-04 2023-09-05 上海电气分布式能源科技有限公司 一种确定用电设备调度策略的方法及设备
CN112907030B (zh) * 2021-01-20 2023-12-19 国网山东省电力公司寿光市供电公司 一种考虑需求侧响应的能源中心配置方法及系统
CN112784383A (zh) * 2021-01-29 2021-05-11 国网浙江省电力有限公司泰顺县供电公司 一种分布式光伏的接入规划方法
CN112950404B (zh) * 2021-02-01 2023-09-26 浙江大学 一种基于区块链的分布式热负荷优化及群体热结算方法
CN113158412B (zh) * 2021-02-05 2022-10-25 合肥优尔电子科技有限公司 一种基于布谷鸟算法的光储电站协同优化方法
CN112952805A (zh) * 2021-02-08 2021-06-11 国网江苏省电力有限公司电力科学研究院 一种考虑柔性氢需求的电氢能源系统调度方法
CN112952915B (zh) * 2021-02-24 2023-11-03 国网山东省电力公司电力科学研究院 一种综合能源系统中平抑电网峰谷的优化调度方法
CN113065696A (zh) * 2021-03-24 2021-07-02 广西大学 基于合作博弈和一致性算法的多微网协同优化调度方法
CN113258559A (zh) * 2021-03-25 2021-08-13 上海电机学院 一种冷热电联供微电网群系统博弈优化方法
CN113555875A (zh) * 2021-03-30 2021-10-26 华北电力大学 一种面向差异化舒适度用户的柔性负荷调控系统及方法
CN112950408A (zh) * 2021-03-30 2021-06-11 为式(苏州)智能科技有限公司 一种具有电费优化功能的能源管理方法、系统、装置及存储介质
CN113283751A (zh) * 2021-05-26 2021-08-20 西安图迹信息科技有限公司 基于动态博弈的商业建筑需求响应方法和系统
CN113283099A (zh) * 2021-06-02 2021-08-20 国网辽宁省电力有限公司 一种风光储氢海水淡化系统的建模方法
CN113690925B (zh) * 2021-06-15 2023-08-25 国网浙江省电力有限公司杭州供电公司 一种基于微电网的能量交互优化方法及系统
CN113410900B (zh) * 2021-06-18 2022-08-19 国网湖南省电力有限公司 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统
CN113555908B (zh) * 2021-06-24 2023-11-14 国网山东省电力公司济宁市任城区供电公司 一种智能配电网储能优化配置方法
CN113472014B (zh) * 2021-06-25 2023-09-26 国网山东省电力公司泗水县供电公司 含分布式电源的配电网优化调度方法及系统
CN113507113B (zh) * 2021-06-28 2022-09-30 东北电力大学 一种基于电价驱动的光储系统控制策略
CN113452087A (zh) * 2021-06-28 2021-09-28 Abb电网投资(中国)有限公司 一种多楼宇微网系统滚动调控方法及电子设备
CN113469430B (zh) * 2021-06-29 2024-02-09 华电电力科学研究院有限公司 综合用能园区的多能互补容量配置方法
CN113313613B (zh) * 2021-07-06 2024-02-20 华北电力大学 一种电力配网模块化可移动电池储能mmbes优化配置方法
CN113515862A (zh) * 2021-07-13 2021-10-19 国网辽宁省电力有限公司鞍山供电公司 一种基于多目标优化算法的电熔镁延时控制方法
CN113610351A (zh) * 2021-07-13 2021-11-05 国网浙江省电力有限公司电力科学研究院 用户需求响应能力评估方法、系统、终端及介质
CN113765095B (zh) * 2021-07-13 2024-05-14 国网内蒙古东部电力有限公司经济技术研究院 一种基于智能算法的配电网网架结构规划优化方法
CN113471976B (zh) * 2021-07-14 2023-11-07 国网江苏省电力有限公司营销服务中心 基于多能互补微电网与主动配电网的优化调度方法
CN113688348B (zh) * 2021-07-16 2024-02-27 贵州万峰电力股份有限公司 基于动态网络切换拓扑的可控负荷分布式协调控制方法、装置及系统
CN113675856A (zh) * 2021-07-22 2021-11-19 北京智芯微电子科技有限公司 弹性负荷单元参与需求响应的调控方法及弹性负荷单元
CN113569405A (zh) * 2021-07-23 2021-10-29 国网安徽省电力有限公司经济技术研究院 考虑多重分时电价的储能调度效益潜力评估方法及设备
CN113722882B (zh) * 2021-07-23 2024-04-02 西安交通大学 一种考虑多盈利模式的园区电网储能优化配置方法及系统
CN113807564B (zh) * 2021-07-28 2023-08-04 合肥工业大学 基于两阶段强化学习的园区微网负荷优化调度方法及系统
CN113837444B (zh) * 2021-08-26 2023-12-26 国网河南省电力公司经济技术研究院 一种虚拟电厂参与多重市场的交易出清优化方法
CN113642918B (zh) * 2021-08-27 2024-05-10 东南大学 一种基于主从博弈的虚拟电厂调控方法、存储介质和装置
CN113725904B (zh) * 2021-08-30 2023-11-24 南方电网科学研究院有限责任公司 考虑老化发电机组退役的电网转型方法、装置及设备
CN113852081A (zh) * 2021-09-01 2021-12-28 国网山东省电力公司东营供电公司 一种考虑需求侧响应的电力系统动态无功优化方法
CN113776205B (zh) * 2021-09-10 2023-07-28 国网天津市电力公司电力科学研究院 可实现全自动运行调控的光伏光热综合利用系统调控方法
CN114142517B (zh) * 2021-09-16 2023-08-15 国网江苏省电力有限公司南京供电分公司 光蓄充一体化系统与电网并网运行的控制方法
CN113822572B (zh) * 2021-09-22 2024-02-13 国网内蒙古东部电力有限公司 考虑能源共享和多风险的园区综合能源系统优化调度方法
CN113872215B (zh) * 2021-09-26 2024-01-09 国网电力科学研究院武汉能效测评有限公司 基于需求响应的家用电器负荷优化控制系统及控制方法
CN113937811B (zh) * 2021-10-14 2023-12-12 中国科学院广州能源研究所 一种多能耦合配电系统优化调度方法
CN114004476B (zh) * 2021-10-26 2024-04-19 华北电力大学 一种综合能源系统多时间尺度优化调度方法
CN114036811B (zh) * 2021-11-10 2024-04-23 天津大学 促进光伏接纳的交直流配电网适应性规划方法及装置
CN114050571B (zh) * 2021-11-22 2024-04-09 沈阳工业大学 一种考虑碳流的综合能源系统能量枢纽管控方法
CN114069635A (zh) * 2021-11-23 2022-02-18 宁波市电力设计院有限公司 一种考虑灵活资源经济性的电网调控优化方法
CN114142473B (zh) * 2021-12-06 2024-02-02 浙江华云电力工程设计咨询有限公司 一种风光容量未知情况下的微电网配置方法及系统
CN114221350B (zh) * 2021-12-08 2023-08-22 国网山东省电力公司电力科学研究院 基于bas-iga算法的分布式光伏集群划分方法和系统
CN114268097B (zh) * 2021-12-28 2023-12-19 国网上海市电力公司 用户侧能量管理系统接入对配电网影响的分析方法及系统
CN114285093B (zh) * 2021-12-29 2024-02-06 南京邮电大学 一种源网荷储互动调度方法及系统
CN114372638A (zh) * 2022-01-14 2022-04-19 国网浙江省电力有限公司 一种面向用户侧储能实时参与需求响应的调度方法及装置
CN114386702A (zh) * 2022-01-14 2022-04-22 国网浙江省电力有限公司 一种间歇性生产工艺参与电力需求响应的优化方法及系统
CN114709817A (zh) * 2022-03-08 2022-07-05 国网浙江省电力有限公司经济技术研究院 一种需求侧负荷资源参与电网供需互动的优化方法
CN114725988A (zh) * 2022-05-05 2022-07-08 西安华海众和电力科技有限公司 一种风光储柴多能互补发电系统
CN114865673B (zh) * 2022-05-31 2023-06-27 国网湖北省电力有限公司荆门供电公司 一种微电网荷储协同优化方法、装置、设备及存储介质
CN115333163B (zh) * 2022-08-09 2023-03-28 北京科技大学 一种近零碳排放的电弧炉炼钢供能控制系统及控制方法
CN115147245B (zh) * 2022-09-01 2023-09-19 东北大学 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN115587531B (zh) * 2022-09-23 2024-04-30 中国华能集团清洁能源技术研究院有限公司 基于全网负荷率的分段式日前电力额度预测方法及设备
CN115470998B (zh) * 2022-09-23 2024-02-02 上海交通大学 港口冷箱负荷群用电一致性分层优化调度方法与系统
CN115511386B (zh) * 2022-11-09 2023-04-07 武汉大学 基于多目标混合非洲秃鹫优化算法的多能系统调度方法
CN115912342B (zh) * 2022-11-21 2023-09-15 中原工学院 基于云模型的区域柔性负荷低碳调度方法
CN116412566B (zh) * 2023-02-07 2024-01-26 华能济南黄台发电有限公司 一种城市火力发电厂集中供冷的冷蓄能系统
CN116050661B (zh) * 2023-03-06 2023-06-20 湖南大学 基于主从博弈的5g基站与电网协同调度方法
CN116073377B (zh) * 2023-03-06 2023-06-23 国网浙江省电力有限公司宁波供电公司 基于双向调节的主配网交互协同方法及系统
CN115953012B (zh) * 2023-03-13 2023-06-16 国网江西省电力有限公司电力科学研究院 一种基于多主体双层博弈的乡村光储系统优化调度方法
CN116739182B (zh) * 2023-07-26 2023-12-22 国网数字科技控股有限公司 售电信息输出方法、装置、电子设备和存储介质
CN116976150B (zh) * 2023-09-22 2023-12-12 国网浙江省电力有限公司 计及多用户不确定性和需求多样性的空调负荷优化方法
CN117040028B (zh) * 2023-09-28 2024-01-09 泰豪科技(深圳)电力技术有限公司 一种工商业园区光储充微电网的控制策略优化方法及系统
CN117154801B (zh) * 2023-11-01 2024-01-26 国网冀北电力有限公司 一种电网系统储能配置和出力方案确定方法和装置
CN117254526B (zh) * 2023-11-06 2024-05-07 河北大学 一种光储充检微电网一体站能源协同优化控制方法
CN117613983B (zh) * 2024-01-23 2024-04-16 国网冀北电力有限公司 基于融合规则强化学习的储能充放电控制决策方法及装置
CN117977718A (zh) * 2024-04-01 2024-05-03 浙电(宁波北仑)智慧能源有限公司 基于源网荷储的协调调度优化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104065072A (zh) * 2014-06-16 2014-09-24 四川大学 一种基于动态电价的微电网运行优化方法
CN104376385A (zh) * 2014-11-27 2015-02-25 重庆大学 一种微电网电价优化方法
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107578182A (zh) * 2017-09-16 2018-01-12 兰州理工大学 基于需求侧响应下光储微电网运行控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748766B1 (ko) * 2010-12-23 2017-07-03 한국전자통신연구원 스마트 그리드 환경에서의 에너지 관리 방법 및 시스템, 스마트 그리드 환경에서의 전력 생산 장치
CN108539784B (zh) * 2018-04-13 2020-01-14 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104065072A (zh) * 2014-06-16 2014-09-24 四川大学 一种基于动态电价的微电网运行优化方法
CN104376385A (zh) * 2014-11-27 2015-02-25 重庆大学 一种微电网电价优化方法
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107578182A (zh) * 2017-09-16 2018-01-12 兰州理工大学 基于需求侧响应下光储微电网运行控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘淼泉 等: "分时电价机制下家庭微电网负荷优化调度策略", 《工业控制计算机》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN109768555A (zh) * 2018-12-24 2019-05-17 全球能源互联网研究院有限公司 一种柔性负荷的能量区块化控制方法及系统
CN110535143A (zh) * 2019-08-23 2019-12-03 国网江苏省电力有限公司电力科学研究院 面向智能住宅动态需求响应的能源管理方法和装置
CN110594962A (zh) * 2019-08-26 2019-12-20 中国科学院广州能源研究所 一种基于模糊需求响应的分布式能源系统优化配置方法
CN111275572B (zh) * 2020-01-15 2023-07-11 杭州电子科技大学 一种基于粒子群和深度强化学习的机组调度系统及方法
CN111275572A (zh) * 2020-01-15 2020-06-12 杭州电子科技大学 一种基于粒子群和深度强化学习的机组调度系统及方法
CN112018822A (zh) * 2020-04-02 2020-12-01 沈阳工业大学 一种需求侧综合柔性负荷调控优化方法及系统
CN111619394A (zh) * 2020-05-19 2020-09-04 上海电机学院 一种基于分时电价的电动公交车有序充放电方法
CN111967639A (zh) * 2020-07-06 2020-11-20 国网河北省电力有限公司保定供电分公司 计及风光出力和价格需求响应的配电网优化方法及系统
CN112488370A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种采用需求侧响应规划的储能优化方法
CN112488370B (zh) * 2020-11-20 2023-09-22 西安热工研究院有限公司 一种采用需求侧响应规划的储能优化方法
CN113054687B (zh) * 2021-03-19 2023-11-03 华北电力大学 一种考虑电、热负荷综合需求响应的虚拟电厂风电消纳方法
CN113054687A (zh) * 2021-03-19 2021-06-29 华北电力大学 一种考虑电、热负荷综合需求响应的虚拟电厂风电消纳方法
CN113809755A (zh) * 2021-08-19 2021-12-17 中国华电集团有限公司福建分公司 一种基于需求响应的智慧楼宇节能优化控制方法
CN113809755B (zh) * 2021-08-19 2023-12-29 中国华电集团有限公司福建分公司 一种基于需求响应的智慧楼宇节能优化控制方法
CN114638078A (zh) * 2022-04-08 2022-06-17 内蒙古工业大学 一种微电网优化配置方法、系统、终端及可存储介质
CN117313016A (zh) * 2023-11-28 2023-12-29 北京易能中网技术有限公司 一种新能源电力交易现货电价价差数据处理方法
CN117313016B (zh) * 2023-11-28 2024-01-23 北京易能中网技术有限公司 一种新能源电力交易现货电价价差数据处理方法

Also Published As

Publication number Publication date
WO2019196375A1 (zh) 2019-10-17
SG11202010027VA (en) 2020-11-27
CN108539784B (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN108539784A (zh) 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN106026152B (zh) 一种电动汽车接入微电网的充放电调度方法
CN105591406B (zh) 一种基于非合作博弈的微电网能量管理系统的优化算法
CN102694391B (zh) 风光储联合发电系统日前优化调度方法
CN103023035B (zh) 一种多能互补发电系统的优化配置方法
CN103762589B (zh) 一种电网中新能源容量配比分层优化方法
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN108054784A (zh) 一种海岛微电网多源协调优化控制方法
CN106877339B (zh) 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法
CN103839109A (zh) 一种基于博弈纳什均衡的微网电源规划方法
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
CN110957717A (zh) 一种多电源电力系统多目标日前优化调度方法
CN112508391B (zh) 一种产业园区群与地区电网相协同的综合能源系统规划方法
CN105305472B (zh) 一种基于多能源协同供能的变电站容量优化方法
Li et al. Multi-objective capacity optimization of a hybrid energy system in two-stage stochastic programming framework
CN106845626A (zh) 一种基于混合蛙跳粒子群的dg优化配置应用方法
Kumar et al. A New Approach to Design and Optimize Sizing of Hybrid Microgrids in Deregulated Electricity Environment
CN109670694A (zh) 一种多能源供给系统负荷预测方法
CN115759610A (zh) 一种电力系统源网荷储协同的多目标规划方法及其应用
Hasan et al. Centralized microgrid: agricultural load in rural areas of Bangladesh
Li et al. Research on short-term joint optimization scheduling strategy for hydro-wind-solar hybrid systems considering uncertainty in renewable energy generation
Fu et al. Research on the stackelberg game method of building micro-grid with electric vehicles
Tong et al. An intelligent scheduling control method for smart grid based on deep learning
Wang et al. Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system
Zheng et al. Electric vehicle battery swapping station coordinated charging dispatch method based on CS 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