CN108879764B - 一种抑制风电光伏不确定性鲁棒优化方法及系统 - Google Patents
一种抑制风电光伏不确定性鲁棒优化方法及系统 Download PDFInfo
- Publication number
- CN108879764B CN108879764B CN201810694628.4A CN201810694628A CN108879764B CN 108879764 B CN108879764 B CN 108879764B CN 201810694628 A CN201810694628 A CN 201810694628A CN 108879764 B CN108879764 B CN 108879764B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- photovoltaic
- robust
- energy storage
- cost
- 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 161
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002401 inhibitory effect Effects 0.000 title description 8
- 238000004146 energy storage Methods 0.000 claims abstract description 104
- 238000010248 power generation Methods 0.000 claims abstract description 76
- 230000006870 function Effects 0.000 claims description 77
- 230000005611 electricity Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000009194 climbing Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种抑制风电光伏不确定性鲁棒优化方法及系统,包括:根据可再生能源发电的类型将微电网系统分解为子系统;根据预先设定的鲁棒模型确定子系统的鲁棒优化方案;将子系统的鲁棒优化方案融合至所述鲁棒模型中计算最优解;基于最优解确定所述微电网系统运行最低成本,最低成本满足了微电网系统稳定运行,可再生能源发电的类型,包括:风机发电和光伏发电。本发明的技术方案通过采用鲁棒优化的方法,将合理的处理微网与云储能之间的利益关系,使微网在稳定运行的基础上达到运行成本最低,最终实现资源共享,配置合理的目的。
Description
技术领域
本发明属于电力系统自动化的技术领域,具体涉及一种抑制风电光伏不确定性的鲁棒优化方法及系统。
背景技术
由于风电、光伏等可再生能源的不确定性因素的存在,使风电光伏在发电的过程中具有很大的波动性,对电网系统的安全性、充裕性的影响日益突出。随着风电和光伏大规模的接入电力系统,电网的优化调度运行变得愈加困难。传统的优化方法未考虑风电光伏的不确定性,通常将风电光伏的出力预测视为确定性的参数,存在着较大的误差,会增加系统运行的不确定性,对电网系统的安全性构成威胁。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供一种抑制风电光伏不确定性的鲁棒优化方法及系统,将优化模型转化为能源多目标联优化模型。采用系统分解协调的优化理论将确定性的优化模型分解为风电子系统和光伏子系统,选取各个子系统中最优方案,从而融合为整个系统的最优方案,具体的:
一种抑制风电光伏不确定性鲁棒优化方法,包括:
根据可再生能源发电的类型将微电网系统分解为子系统;
根据预先设定的鲁棒模型确定所述子系统的鲁棒优化方案;
将所述子系统的鲁棒优化方案融合至所述鲁棒模型中计算最优解;
基于所述最优解确定所述微电网系统运行最低成本,所述最低成本满足了所述微电网系统稳定运行;
所述可再生能源发电的类型,包括:风机发电和光伏发电。
优先的,所述子系统包括:风电子系统和光伏子系统;
所述子系统的鲁棒优化方案包括:风电子系统鲁棒优化方案和光伏子系统鲁棒优化方案;
基于所述鲁棒模型、所述子系统和系统分解协调的优化理论构建的子系统模型包括:风电子系统模型和光伏子系统模型。
优选的,所述鲁棒模型,包括:优化目标函数和约束条件。
优选的,所述鲁棒模型的优化目标函数如下式:
minF=[F1,F2,F3]
式中,F为微网系统优化目标函数集合,F1为不确定性成本计算函数,F2为发电成本计算函数,F3为微网向云储能购电和卖电的成本计算函数。
优选的,所述鲁棒模型的约束条件,包括:
负荷平衡约束,如下式:
式中,Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失,Pbat,t为t时刻云储能充电或放电的功率,u为二进制函数;
出力约束,如下式:
式中,P ri,t第i个风机光伏出力的最小值,为第i个风机光伏出力的最大值,/>为第i个风机光伏组在t时刻的实际出力值下限,/>第i个风机光伏组在t时刻实际出力值上限,αi,t≥0为调整参数,Pri,t为第i个风机光伏在t时刻的出力;
不确定预算约束,如下式:
式中,Δt为在t时刻的不确定代价,Xri,t为第i个风机光伏的不确定区间系数,R为风机光伏的总数量;
云储能充放电约束,如下式:
式中,Pch,t为云储能在t时刻的充电状态,Pdis,t为云储能在t时刻的放电状态,Pch,max为云储能在t时刻充电的最大值,Pdis,max为云储能在t时刻放电的最大值,Uch,t为t时刻的充电的状态变量,Udis,t为t时刻的放电的状态变量,Nc为云储能充放电循环次数,Ncmax为允许云储能充放电循环次数的最大值,Pbat,t为t时刻云储能充电或放电的功率;
微网与云储能之间交换功率的约束,如下式:
Pgmin≤Pg≤Pgmax
式中,Pg为微网与云储能允许交换功率的值,Pgmin为微网与云储能允许交换功率的最小值,Pgmax为微网与云储能允许交换功率的最大值。
优选的,所述根据预先设定的鲁棒模型确定所述子系统的鲁棒优化方案,包括:
基于所述鲁棒模型的优化目标函数和约束条件确定所述子系统模型的优化目标函数和子系统约束条件;
基于所述子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案。
优选的,所述基于所述子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案,包括:
基于所述子系统模型的优化目标函数和子系统约束条件确定输出方案,并依据风险程度进行风险划分;
基于所述风险划分的结果选取所述子系统的风险最低的方案作为子系统的鲁棒优化方案。
优选的,所述子系统模型的优化目标函数如下式:
minFo=[F'1,F'2]
式中,Fo表示子系统的优化目标函数集合;F'1表示子系统的不确定性成本计算函数;F'2表示子系统的发电成本计算函数。
优选的,所述子系统约束条件,包括:
负载平衡约束,如下式:
式中,Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失,Pbat,t为t时刻云储能充电或放电的功率,u为二进制函数;
出力约束,如下式:
式中,P ri,t第i个风机光伏出力的最小值,为第i个风机光伏出力的最大值,/>为第i个风机光伏组在t时刻的实际出力值下限,/>为第i个风机光伏组在t时刻的实际出力值上限,αi,t≥0为调整参数,Pri,t为第i个风机光伏在t时刻的出力;
不确定预算约束,如下式:
式中,Δt为在t时刻的不确定代价,Xri,t为第i个风机光伏的不确定区间系数,R为风机光伏的总数量;
风机光伏出力值约束,如下式:
式中,Pri,t为第i个风机光伏在t时刻的出力,Xri,t为第i个风机光伏的不确定区间系数,为第i个风机光伏出力的最大值;
云储能充放电约束,如下式:
式中,Pch,t为云储能在t时刻的充电状态,Pdis,t为云储能在t时刻的放电状态,Pch,max为云储能在t时刻充电的最大值,Pdis,max为云储能在t时刻放电的最大值;Uch,t为t时刻的充电的状态变量,Udis,t为t时刻的放电的状态变量,Nc为云储能充放电循环次数,Ncmax为允许云储能充放电循环次数的最大值;Pbat,t为t时刻云储能充电或放电的功率。
优选的,所述将所述子系统的鲁棒优化方案融合至所述鲁棒模型中,包括:
将所述风电子系统鲁棒优化方案的不确定性成本以及发电成本和光伏子系统鲁棒优化方案的不确定性成本以及发电成本代入所述鲁棒模型的优化目标函数中;
所述风电子系统鲁棒优化方案的不确定性成本和光伏子系统鲁棒优化方案的不确定性成本进行累加确定所述鲁棒模型的不确定性成本;
所述风电子系统鲁棒优化方案的发电成本和光伏子系统鲁棒优化方案的发电成本进行累加确定所述鲁棒模型的发电成本;
基于所述鲁棒模型的不确定性成本、所述鲁棒模型的发电成本和融合后的鲁棒模型确定最优解,所述最优解为微网系统运行成本最低的不确定性成本、发电成本以及微网向云储能购电和卖电的成本。
本发明另一目的在于提出一种抑制风电光伏不确定性鲁棒优化系统,包括:分解模块;确定模块、融合计算模块和稳定运行模块;
所述分解模块,用于根据可再生能源发电的不确定性将微电网系统分解为子系统;
所述确定模块,用于根据预先设定的鲁棒模型确定所述子系统的鲁棒优化方案;
所述融合计算模块,用于将所述子系统的鲁棒优化方案融合至所述鲁棒模型中计算最优解;
所述稳定运行模块,用于基于所述最优解确定所述微电网系统运行最低成本,所述最低成本满足了所述微电网系统稳定运行,
其中,所述可再生能源发电的类型,包括:风机发电和光伏发电。
优选的,所述确定模块,包括:第一确定子模块和第二确定子模块;
所述第一确定子模块,用于基于所述鲁棒模型的优化目标函数和约束条件确定所述子系统模型的优化目标函数和子系统约束条件;
所述第二确定子模块,用于基于所述子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案。
优选的,所述第二确定子模块,包括:风险划分单元和确定单元;
所述风险划分单元,用于基于所述子系统模型的优化目标函数和子系统约束条件确定输出方案,并依据风险程度进行风险划分;
所述确定单元,用于基于所述风险划分的结果选取所述子系统的风险最低的方案作为子系统的鲁棒优化方案。
优选的,所述融合计算模块模块,包括:代入子模块、第一累加子模块、第二累加子模块和计算最优子模块;
所述代入子模块,用于将所述风电子系统鲁棒优化方案的不确定性成本以及发电成本和光伏子系统鲁棒优化方案的不确定性成本以及发电成本代入所述鲁棒模型的优化目标函数中;
所述第一累加子模块,用于所述风电子系统鲁棒优化方案的不确定性成本和光伏子系统鲁棒优化方案的不确定性成本进行累加确定所述鲁棒模型的不确定性成本;
所述第二累加子模块,用于所述风电子系统鲁棒优化方案的发电成本和光伏子系统鲁棒优化方案的发电成本进行累加确定所述鲁棒模型的发电成本;
所述计算最优子模块,用于基于所述鲁棒模型的不确定性成本、所述鲁棒模型的发电成本和融合后的鲁棒模型确定最优解,所述最优解为微网系统运行成本最低的不确定性成本、发电成本以及微网向云储能购电和卖电的成本。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
本发明的技术方案根据可再生能源发电的类型将微电网系统分解为子系统;根据预先设定的鲁棒模型确定子系统的鲁棒优化方案;将子系统的鲁棒优化方案融合至所述鲁棒模型中计算最优解;基于最优解确定所述微电网系统运行最低成本,最低成本满足了微电网系统稳定运行,可再生能源发电的类型,包括风机发电和光伏发电,同时实现了抑制风电光伏不确定性,微网在云储能环境下稳定运行的目的,解决了传统的优化策略由于未考虑抑制风电光伏发电的不确定性而导致微网不能稳定运行的技术问题。
附图说明
图1为本发明的方法流程图;
图2为本发明的云储能环境下抑制风电光伏不确定性的结构图。
具体实施方式
为了更好地理解本发明,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了保证微网的安全稳定运行,引入了云储能的概念,它可以将所有的储能进行统一管理,在云储能的环境下,尽可能的抑制风电光伏不确定因素给微网带来的影响。本发明通过采用鲁棒优化的方法,将合理的处理微网与云储能之间的利益关系,使微网在稳定运行的基础上达到运行成本最低,最终实现资源共享,配置合理的目的。
本发明提供了基于云储能环境下抑制风电光伏不确定性的鲁棒优化方法。在微网系统中,建立以风电光伏发电为主,云储能集中管理为辅的优化模型来满足微网稳定运行所需的发电量;在满足所有约束条件的前提下,使微网的运行成本最低,实现了微网与云储能提供商利益的最大化,解决了传统的优化策略由于未考虑抑制风电光伏发电的不确定性而导致微网不能稳定运行的技术问题。
实施例1:
从图1可以看出,一种抑制风电光伏不确定性的鲁棒优化方法,包括:
S1、根据可再生能源发电的类型将微电网系统分解为子系统;可再生能源发电的类型,包括:风机发电和光伏发电;
进一步的,子系统包括:风电子系统和光伏子系统;
S2、根据预先设定的鲁棒模型确定所述子系统的鲁棒优化方案;
进一步的,子系统的鲁棒优化方案包括:风电子系统鲁棒优化方案和光伏子系统鲁棒优化方案;
基于鲁棒模型、子系统和系统分解协调的优化理论构建的子系统模型包括:风电子系统模型和光伏子系统模型。
进一步的,鲁棒模型,包括:优化目标函数和约束条件。
进一步的,鲁棒模型的优化目标函数如下式:
minF=[F1,F2,F3]
式中,F为微网系统优化目标函数集合,F1为不确定性成本计算函数,F2为发电成本计算函数,F3为微网向云储能购电和卖电的成本计算函数。
进一步的,鲁棒模型的约束条件,包括:
负荷平衡约束,如下式:
式中,Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失,Pbat,t为t时刻云储能充电或放电的功率,u为二进制函数;
出力约束,如下式:
式中,P ri,t第i个风机光伏出力的最小值,为第i个风机光伏出力的最大值,/>为风机光伏实际出力值下限,/>为风机光伏实际出力值上限,αi,t≥0为调整参数,Pri,t为第i个风机光伏在t时刻的出力;
不确定预算约束,如下式:
式中,Δt为在t时刻的不确定代价,Xri,t为第i个风机光伏的不确定区间系数,R为风机光伏的总数量;
云储能充放电约束,如下式:
式中,Pch,t为云储能在t时刻的充电状态,Pdis,t为云储能在t时刻的放电状态,Pch,max为云储能在t时刻充电的最大值,Pdis,max为云储能在t时刻放电的最大值,Uch,t为t时刻的充电的状态变量,Udis,t为t时刻的放电的状态变量,Nc为云储能充放电循环次数,Ncmax为允许云储能充放电循环次数的最大值,Pbat,t为t时刻云储能充电或放电的功率;
微网与云储能之间交换功率的约束,如下式:
Pgmin≤Pg≤Pgmax
式中,Pg为微网与云储能允许交换功率的值,Pgmin为微网与云储能允许交换功率的最小值,Pgmax为微网与云储能允许交换功率的最大值。
进一步的,根据预先设定的鲁棒模型确定所述子系统的鲁棒优化方案,包括:
基于所述鲁棒模型的优化目标函数和约束条件确定所述子系统模型的优化目标函数和子系统约束条件;
基于所述子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案。
进一步的,基于所述子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案,包括:
基于子系统模型的优化目标函数和子系统约束条件确定输出方案,并依据风险程度进行风险划分;
基于风险划分的结果选取所述子系统的风险最低的方案作为子系统的鲁棒优化方案。
进一步的,子系统模型的优化目标函数如下式:
min Fo=[F'1,F'2]
式中,Fo表示子系统的优化目标函数集合;F'1表示子系统的不确定性成本计算函数;F'2表示子系统的发电成本计算函数。
进一步的,所述子系统约束条件,包括:
负载平衡约束,如下式:
式中,Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失,Pbat,t为t时刻云储能充电或放电的功率,u为二进制函数;
出力约束,如下式:
式中,P ri,t第i个风机光伏出力的最小值,为第i个风机光伏出力的最大值,/>为第i个风机光伏组在t时刻实际出力值下限,/>为第i个风机光伏组在t时刻实际出力值上限,αi,t≥0为调整参数,Pri,t为第i个风机光伏在t时刻的出力;
不确定预算约束,如下式:
式中,Δt为在t时刻的不确定代价,Xri,t为第i个风机光伏的不确定区间系数,R为风机光伏的总数量;
风机光伏出力值约束,如下式:
式中,Pri,t为第i个风机光伏在t时刻的出力,Xri,t为第i个风机光伏的不确定区间系数,为第i个风机光伏出力的最大值;
云储能充放电约束,如下式:
式中,Pch,t为云储能在t时刻的充电状态,Pdis,t为云储能在t时刻的放电状态,Pch,max为云储能在t时刻充电的最大值,Pdis,max为云储能在t时刻放电的最大值;Uch,t为t时刻的充电的状态变量,Udis,t为t时刻的放电的状态变量,Nc为云储能充放电循环次数,Ncmax为允许云储能充放电循环次数的最大值;Pbat,t为t时刻云储能充电或放电的功率。
S3、将所述子系统的鲁棒优化方案融合至所述鲁棒模型中计算最优解;
进一步的,将所述子系统的鲁棒优化方案融合至所述鲁棒模型中计算最优解,包括:
将所述风电子系统鲁棒优化方案的不确定性成本以及发电成本和光伏子系统鲁棒优化方案的不确定性成本以及发电成本代入所述鲁棒模型的优化目标函数中;
所述风电子系统鲁棒优化方案的不确定性成本和光伏子系统鲁棒优化方案的不确定性成本进行累加确定所述鲁棒模型的不确定性成本;
所述风电子系统鲁棒优化方案的发电成本和光伏子系统鲁棒优化方案的发电成本进行累加确定所述鲁棒模型的发电成本;
基于所述鲁棒模型的不确定性成本、所述鲁棒模型的发电成本和融合后的鲁棒模型确定最优解,所述最优解为微网系统运行成本最低的不确定性成本、发电成本以及微网向云储能购电和卖电的成本。
S4、基于所述最优解确定所述微电网系统运行最低成本,所述最低成本满足了所述微电网系统稳定运行。
实施例2:
(一)根据风电光伏的不确定性建立微网系统的鲁棒优化模型:
风机光伏出力的不确定性产生不确定性成本,将此不确定成本、风机和光伏发电成本以及微网向云储能售电和购电的成本作为目标,考虑负荷平衡约束、出力约束、不确定预算约束、云储能充放电约束、微网与云储能交换功率约束等,建立如下优化模型:
(1)优化目标:
不确定性成本:
风机和光伏发电成本:
微网向云储能购电和卖电的成本:minF3=∑Cgb,tEgb,t-∑Cgs,tEgs,t (3)
其中:Egb,t=(Pld,t+Ploss,t-Psi,t-Pvm,t-Pwn,t)Δt(1-ε) (4)
Egs,t=(Pvm,t+Pwn,t-Pld,t-Psi,t-Ploss,t)Δtε (5)
T为调度周期长度,R为风机光伏的总数量,Ki为第i个风机光伏不确定性的惩罚系数,Pri,t+1,Pri,t为第i个风机光伏在t+1时刻,t时刻的出力。Cvm,t(Pvm,t)和Cwn,t(Pwn,t)分别为第m个风机和第n个光伏设备发电成本。Cgb,t和Cgs,t分别为t时刻微网向云储能购电和卖电的电价,Egb,t和Egs,t分别为t时刻微网向云储能购电和卖电的能量,ε为单位阶跃函数。Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失。
(2)约束条件
①负荷平衡约束:
Pbat,t为t时刻云储能充电或放电的功率。u为二进制函数,当u为-1时,表示云储能放电;当u为0时,表示云储能既不充电也不放电;当u为1时,表示云储能充电。
②出力约束:
P ri,t,分别为第i个风机光伏出力的最小值和最大值,/>为风机光伏实际出力值,αi,t≥0为调整参数。
③不确定预算约束:
Δt为在t时刻的不确定代价,Δt∈(0,R];Xri,t为第i个风机光伏的不确定区间系数,Xri,t∈(0,1],假设各风机光伏出力满足:
为第i个风机光伏组在t时刻的实际出力值的下限,/>为第i个风机光伏组在t时刻实际出力值的上限。
④爬坡率约束:
RDri,t和RUri,t分别为t时刻第i个风机光伏向下和向上的爬坡速率,αi,t为系数。⑤云储能充放电约束:
其中Pch,t,Pdis,t分别为云储能在t时刻的充放电状态,Pch,max,Pdis,max分别为云储能在t时刻充电和放电的最大值和最小值。Nc为云储能充放电循环次数,为Ncmax允许云储能充放电循环次数的最大值。Uch,t,Udis,t分别为t时刻的充电和放电的状态变量,为0时表示非,为1是表示是。
⑥微网与云储能之间交换功率的约束:Pgmin≤Pg≤Pgmax (12)
其中Pgmin和Pgmax分别为微网与云储能允许交换功率的最小值和最大值,该值需要根据微网与云储能达成的供求协议来决定。
(二)根据鲁棒优化方法的原理,将上述优化模型转化为能源多目标联优化模型。
由于风机光伏的接入,使得上述所建立的模型呈现不确定性的特点。为了更好的进行优化,需要将上述具有不确定性的模型转化为确定性模型,基于鲁棒优化方法的原理可得:
其中,F为成本函数解的集合,F1为因风机和光伏出力的不确定性而产生的不确定性成本计算函数,F2为风机和光伏的发电成本计算函数,F3为微网向云储能购电和卖电的成本计算函数,另外为风电光伏允许出力的下界,/>为风电光伏允许出力的上界。
(三)采用系统分解协调的优化理论将确定性的优化模型分解为风电子系统和光伏子系统,选取各个子系统中最优方案,从而融合为整个系统的最优方案。
为了简化优化模型的复杂度,采用将大系统分解为若干个相对独立的子系统分别求解每个子系统极值问题的系统分解协调的优化理论将确定性的优化模型分解为风电子系统和光伏子系统,根据不确定预算的可调性,对各个子系统的模型进行优化求解。其分别为:
风电子系统
光伏子系统
其中,Fw为风电子系统成本函数解的集合,Fv为光伏子系统的成本函数解的集合。
在优化的过程中,由于Δt是柔性可调的,可以根据风电光伏的不确定预算和出力不确定区间进行调整,使得Xri,t也随之动态变化,因此可以根据式子(7)和(9)确定风电和光伏出力的不确定集合,在该不确定集合的基础上,再分别对式子(14)和(15)所示的子系统模型进行优化。风电和光伏子系统分别为单目标优化问题,采用一般的单目标优化方法即可求解得到其最优方案集,从而得到风电和光伏子系统在不确定集合下的方案。对各个子系统的不确定方案中会造成的风险程度进行等级划分,选取风险最低的方案作为子系统的最优方案,最后将各个子系统的最优方案融合为整个系统的最优方案。
然后,结合工程实际需要的偏好,对不确定集合的方案进行选取最优方案集,得到模型可以满足工程实际需要的鲁棒优化解。实际操作的方法为:
假设风电光伏两个子系统在不确定集合下的方案有Y1,Y2。各个子系统的方案可能会造成的出力值的不断波动、功率不平衡以及电压不稳定等风险程度进行评估,选取风险性最小的方案做为风电和光伏子系统的鲁棒优化方案Y1'和Y2'。
最后,将得到的最优解进行融合得到式子(13)的最优方案解。
在云储能的环境下,建立了以微网的风光发电为主、云储能集中管理为辅的优化模型,实现抑制风电光伏的不确定性,使微网在保持稳定运行的基础上,达到运行成本最低,资源共享效益最大化的目的。本发明提出了基于云储能环境下抑制风电光伏不确定性的鲁棒优化方法,在风电光伏子系统的鲁棒优化过程中,选取风险最低的方案集,使微网的效益最大化,进而实现整个系统资源的优化配置。
其中,图2为本发明的云储能环境下抑制风电光伏不确定性的结构图。
实施例3:
基于同一发明构思,本发明的实施例提出了一种抑制风电光伏不确定性鲁棒优化系统,包括:分解模块;确定模块、融合计算模块和稳定运行模块;
下面对上述四个模块作进一步说明:
分解模块,用于根据可再生能源发电的类型将微电网系统分解为子系统;
确定模块,用于根据预先设定的鲁棒模型确定子系统的鲁棒优化方案;
融合计算模块,用于将子系统的鲁棒优化方案融合至鲁棒模型中计算最优解;
稳定运行模块,用于基于最优解确定微电网系统运行最低成本,最低成本满足了微电网系统稳定运行,
其中,所述可再生能源发电的类型,包括:风机发电和光伏发电。
进一步的,确定模块,包括:第一确定子模块和第二确定子模块;
第一确定子模块,用于基于鲁棒模型的优化目标函数和约束条件确定子系统模型的优化目标函数和子系统约束条件;
第二确定子模块,用于基于子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案。
进一步的,第二确定子模块,包括:风险划分单元和确定单元;
风险划分单元,用于基于子系统模型的优化目标函数和子系统约束条件确定输出方案,并依据风险程度进行风险划分;
确定单元,用于基于风险划分的结果选取子系统的风险最低的方案作为子系统的鲁棒优化方案。
进一步的,融合计算模块模块,包括:代入子模块、第一累加子模块、第二累加子模块和计算最优子模块;
代入子模块,用于将风电子系统鲁棒优化方案的不确定性成本以及发电成本和光伏子系统鲁棒优化方案的不确定性成本以及发电成本代入鲁棒模型的优化目标函数中;
第一累加子模块,用于风电子系统鲁棒优化方案的不确定性成本和光伏子系统鲁棒优化方案的不确定性成本进行累加确定鲁棒模型的不确定性成本;
第二累加子模块,用于风电子系统鲁棒优化方案的发电成本和光伏子系统鲁棒优化方案的发电成本进行累加确定鲁棒模型的发电成本;
计算最优子模块,用于基于鲁棒模型的不确定性成本、鲁棒模型的发电成本和融合后的鲁棒模型确定最优解,最优解为微网系统运行成本最低的不确定性成本、发电成本以及微网向云储能购电和卖电的成本。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (6)
1.一种抑制风电光伏不确定性鲁棒优化方法,其特征在于,包括:
根据可再生能源发电的类型将微电网系统分解为子系统;
根据预先设定的鲁棒模型确定所述子系统的鲁棒优化方案;
将所述子系统的鲁棒优化方案融合至所述鲁棒模型中计算最优解;
基于所述最优解确定所述微电网系统运行最低成本,所述最低成本满足了所述微电网系统稳定运行;
所述可再生能源发电的类型,包括:风机发电和光伏发电;
所述子系统包括:风电子系统和光伏子系统;
所述子系统的鲁棒优化方案包括:风电子系统鲁棒优化方案和光伏子系统鲁棒优化方案;
基于所述鲁棒模型、所述子系统和系统分解协调的优化理论构建的子系统模型包括:风电子系统模型和光伏子系统模型;
所述鲁棒模型,包括:优化目标函数和约束条件;
所述鲁棒模型的约束条件,包括:
负荷平衡约束,如下式:
式中,Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失,Pbat,t为t时刻云储能充电或放电的功率,u为二进制函数;
出力约束,如下式:
式中,P ri,t为第i个风机光伏出力的最小值,为第i个风机光伏出力的最大值,/>为第i个风机光伏组在t时刻的实际出力值下限,/>为第i个风机光伏组在t时刻实际出力值上限,αi,t≥0为调整参数,Pri,t为第i个风机光伏在t时刻的出力;
不确定预算约束,如下式:
式中,Δt为在t时刻的不确定代价,Xri,t为第i个风机光伏的不确定区间系数,R为风机光伏的总数量;
云储能充放电约束,如下式:
式中,Pch,t为云储能在t时刻的充电状态,Pdis,t为云储能在t时刻的放电状态,Pch,max为云储能在t时刻充电的最大值,Pdis,max为云储能在t时刻放电的最大值,Uch,t为t时刻的充电的状态变量,Udis,t为t时刻的放电的状态变量,Nc为云储能充放电循环次数,Ncmax为允许云储能充放电循环次数的最大值,Pbat,t为t时刻云储能充电或放电的功率;
微网与云储能之间交换功率的约束,如下式:
Pgmin≤Pg≤Pgmax
式中,Pg为微网与云储能允许交换功率的值,Pgmin为微网与云储能允许交换功率的最小值,Pgmax为微网与云储能允许交换功率的最大值;
所述鲁棒模型的优化目标函数如下式:
minF=[F1,F2,F3]
式中,F为微网系统优化目标函数集合,F1为不确定性成本计算函数,F2为发电成本计算函数,F3为微网向云储能购电和卖电的成本计算函数;
所述优化目标包括:
不确定性成本:
风机和光伏发电成本:
微网向云储能购电和卖电的成本:minF3=∑Cgb,tEgb,t-∑Cgs,tEgs,t
其中:Egb,t=(Pld,t+Ploss,t-Psi,t-Pvm,t-Pwn,t)Δt(1-ε)
Egs,t=(Pvm,t+Pwn,t-Pld,t-Psi,t-Ploss,t)Δtε
T为调度周期长度,R为风机光伏的总数量,Ki为第i个风机光伏不确定性的惩罚系数,Pri,t+1,Pri,t为第i个风机光伏在t+1时刻,t时刻的出力;Cvm,t(Pvm,t)和Cwn,t(Pwn,t)分别为第m个风机和第n个光伏设备发电成本;Cgb,t和Cgs,t分别为t时刻微网向云储能购电和卖电的电价,Egb,t和Egs,t分别为t时刻微网向云储能购电和卖电的能量,ε为单位阶跃函数;Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失。
2.如权利要求1所述的抑制风电光伏不确定性鲁棒优化方法,其特征在于,所述根据预先设定的鲁棒模型确定所述子系统的鲁棒优化方案,包括:
基于所述鲁棒模型的优化目标函数和约束条件确定所述子系统模型的优化目标函数和子系统约束条件;
基于所述子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案。
3.如权利要求2所述的抑制风电光伏不确定性鲁棒优化方法,其特征在于,所述基于所述子系统模型的优化目标函数和子系统约束条件确定子系统鲁棒优化方案,包括:
基于所述子系统模型的优化目标函数和子系统约束条件确定输出方案,并依据风险程度进行风险划分;
基于所述风险划分的结果选取所述子系统的风险最低的方案作为子系统的鲁棒优化方案。
4.如权利要求3所述的抑制风电光伏不确定性鲁棒优化方法,其特征在于,所述子系统模型的优化目标函数如下式:
minFo=[F'1,F'2]
式中,Fo表示子系统的优化目标函数集合;F'1表示子系统的不确定性成本计算函数;F'2表示子系统的发电成本计算函数。
5.如权利要求3所述的抑制风电光伏不确定性鲁棒优化方法,其特征在于,所述子系统约束条件,包括:
负载平衡约束,如下式:
式中,Pvm,t为t时刻第m个光伏的出力,Pwn,t为t时刻第n个风机的出力,M为光伏的个数,N为风机的个数,Psi,t为t时刻其他能源的功率,Pld,t为t时刻负荷的需求,Ploss,t为在t时刻微网内部电力传输的损失,Pbat,t为t时刻云储能充电或放电的功率,u为二进制函数;
出力约束,如下式:
式中,P ri,t第i个风机光伏出力的最小值,为第i个风机光伏出力的最大值,/>为第i个风机光伏组在t时刻的实际出力值下限,/>为第i个风机光伏组在t时刻的实际出力值上限,αi,t≥0为调整参数,Pri,t为第i个风机光伏在t时刻的出力;
不确定预算约束,如下式:
式中,Δt为在t时刻的不确定代价,Xri,t为第i个风机光伏的不确定区间系数,R为风机光伏的总数量;
风机光伏出力值约束,如下式:
式中,Pri,t为第i个风机光伏在t时刻的出力,Xri,t为第i个风机光伏的不确定区间系数,为第i个风机光伏出力的最大值;
云储能充放电约束,如下式:
式中,Pch,t为云储能在t时刻的充电状态,Pdis,t为云储能在t时刻的放电状态,Pch,max为云储能在t时刻充电的最大值,Pdis,max为云储能在t时刻放电的最大值;Uch,t为t时刻的充电的状态变量,Udis,t为t时刻的放电的状态变量,Nc为云储能充放电循环次数,Ncmax为允许云储能充放电循环次数的最大值;Pbat,t为t时刻云储能充电或放电的功率。
6.如权利要求3所述的抑制风电光伏不确定性鲁棒优化方法,其特征在于,所述将所述子系统的鲁棒优化方案融合至所述鲁棒模型中,包括:
将所述风电子系统鲁棒优化方案的不确定性成本以及发电成本和光伏子系统鲁棒优化方案的不确定性成本以及发电成本代入所述鲁棒模型的优化目标函数中;
所述风电子系统鲁棒优化方案的不确定性成本和光伏子系统鲁棒优化方案的不确定性成本进行累加确定所述鲁棒模型的不确定性成本;
所述风电子系统鲁棒优化方案的发电成本和光伏子系统鲁棒优化方案的发电成本进行累加确定所述鲁棒模型的发电成本;
基于所述鲁棒模型的不确定性成本、所述鲁棒模型的发电成本和融合后的鲁棒模型确定最优解,所述最优解为微网系统运行成本最低的不确定性成本、发电成本以及微网向云储能购电和卖电的成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810694628.4A CN108879764B (zh) | 2018-06-29 | 2018-06-29 | 一种抑制风电光伏不确定性鲁棒优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810694628.4A CN108879764B (zh) | 2018-06-29 | 2018-06-29 | 一种抑制风电光伏不确定性鲁棒优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108879764A CN108879764A (zh) | 2018-11-23 |
CN108879764B true CN108879764B (zh) | 2023-10-20 |
Family
ID=64296819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810694628.4A Active CN108879764B (zh) | 2018-06-29 | 2018-06-29 | 一种抑制风电光伏不确定性鲁棒优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108879764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114932550B (zh) * | 2022-05-17 | 2023-08-11 | 国网江苏省电力有限公司常州供电分公司 | 电力拆换线机器人的运动控制方法和运动控制装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712010A (zh) * | 2017-01-23 | 2017-05-24 | 南京邮电大学 | 大规模间歇式能源接入的混合能源多目标鲁棒优化方法 |
-
2018
- 2018-06-29 CN CN201810694628.4A patent/CN108879764B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712010A (zh) * | 2017-01-23 | 2017-05-24 | 南京邮电大学 | 大规模间歇式能源接入的混合能源多目标鲁棒优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108879764A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mallada et al. | Optimal load-side control for frequency regulation in smart grids | |
CN104995813B (zh) | 在风力发电系统中确定用于储能系统的输出功率参考值的方法和设备 | |
Bahrami et al. | Security-constrained unit commitment for AC-DC grids with generation and load uncertainty | |
CN105046395B (zh) | 一种含多类型新能源的电力系统日内滚动计划编制方法 | |
CN111509781B (zh) | 一种分布式电源协调优化控制方法及系统 | |
CN105207259A (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
Cheng et al. | A particle swarm optimization based power dispatch algorithm with roulette wheel re-distribution mechanism for equality constraint | |
CN110323979B (zh) | 一种考虑电压稳定的发电机励磁调差系数优化整定方法 | |
KR20210100699A (ko) | 하이브리드 발전소 | |
CN112787329A (zh) | 一种基于鲁棒锥规划的含风电接入的最优潮流计算方法 | |
CN115102239A (zh) | 一种考虑soc均衡的储能电站一次调频控制方法及系统 | |
CN108879764B (zh) | 一种抑制风电光伏不确定性鲁棒优化方法及系统 | |
CN110994589A (zh) | 电力电子接入电力系统调频能力在线评价方法及系统 | |
CN114583716A (zh) | 一种自治微网风储联合调频方法及系统 | |
CN114844118A (zh) | 一种适用于微电网的多类型设备功率协调控制方法及系统 | |
CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
Tungadio et al. | Energy flow estimation-control of two interconnected microgrids | |
JP2011166891A (ja) | 電力供給システムの制御方法、及び電力供給システム | |
CN112448400B (zh) | 一种确定风电一次调频备用的鲁棒优化调度方法和系统 | |
CN110224391B (zh) | 一种混合概率-区间最优潮流的求解方法 | |
CN110556862A (zh) | 一种基于光伏集群的配电网两阶段优化调控方法及装置 | |
JP2017042032A (ja) | エネルギーシステムのエネルギー生産を管理する方法、および関連する管理装置 | |
CN112838592B (zh) | 一种荷源协调日前调度方法、装置及系统 | |
Wang et al. | A distributed compensation method for active power filters based on model predictive control and Kalman filter 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 |