CN109038557A - 一种考虑风险规避的风电和电价的主动配电网规划方法 - Google Patents

一种考虑风险规避的风电和电价的主动配电网规划方法 Download PDF

Info

Publication number
CN109038557A
CN109038557A CN201810863509.7A CN201810863509A CN109038557A CN 109038557 A CN109038557 A CN 109038557A CN 201810863509 A CN201810863509 A CN 201810863509A CN 109038557 A CN109038557 A CN 109038557A
Authority
CN
China
Prior art keywords
wind
electricity generation
powered electricity
indicate
electricity price
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.)
Pending
Application number
CN201810863509.7A
Other languages
English (en)
Inventor
陈佳佳
焦丕华
赵艳雷
亓宝霞
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.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN201810863509.7A priority Critical patent/CN109038557A/zh
Publication of CN109038557A publication Critical patent/CN109038557A/zh
Pending legal-status Critical Current

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
    • H02J3/385—
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种考虑风险规避的风电和电价的主动配电网规划方法，属于风险规避的主动配电网规划研究领域。其特征在于：包括如下步骤：步骤1，确定风电的概率密度函数和累积概率密度函数；步骤2，得到风电的分布概率；步骤3，将电价的不确定性定义为电价向上波动导致网损成本变大的情况；步骤4，确定电价的累积概率密度函数；步骤5，构造以风电和储能收益的条件期望为优化目标的优化模型；步骤6，利用智能优化算法，对优化模型进行优化，得到最终的调度方案。在本文考虑风险规避的风电和电价的主动配电网规划方法中，通过风险规避模型使风电和储能充分参与电力市场，作为配电网运营商利润调整方式，降低网损成本。

Description

一种考虑风险规避的风电和电价的主动配电网规划方法
技术领域
一种考虑风险规避的风电和电价的主动配电网规划方法，属于风险规避的主动配电网规划研究领域。
背景技术
风电的大规模集中式接入电网已经成为利用风能的主要方式，由于风电的间歇性和不确定性的特性，含风电的电力系统传统调度问题变成随机调度问题。传统的确定性调度方法由于没有考虑风电的不确定性，因此大规模风电入网将可能导致极端运行方式的出现，威胁系统运行的安全性。
在开放的的电力市场中，对市场参与者来说，电价预测是一项困难而重要的任务，它被认为是主动配电网(ADN)规划的不确定因素。因此，在与采购有关的业务和财务决策中，决策者现在面临着越来越大的不确定性和风险。供应商必须寻找最优的方法，在管理风险的同时，向零售商和终端用户交付所需的电量，并且做出一个追索决定，以补偿由于预测决定而产生的不良影响。因此，构建电力价格管理策略，以合理地考虑风力发电和电价的不确定性，是一个值得研究的重要问题。
目前国内外通常采用四种建模方法求解含不确定风电的日前调度问题：模糊建模方法、鲁棒建模方法、概率建模方法和区间建模方法。但是，上述的四种建模方法都存在着一定的不足，如模糊建模方法存在强烈的主观性，使得最终的调度方案过度依赖于调度员的意愿；鲁棒建模方法面临着如何构造一个可追踪调度模型的挑战，难以确定最差场景下的优化目标；概率建模方法则存在着重复采样计算量大的问题，另外该建模方法往往忽略了不确定风电的风险性；区间建模方法只考虑了风电入网给系统运行带来的效益，没有计及不确定风电给系统运行带来的风险。因此对于考虑风险规避的风电和电价主动配电网规划来讲，为了得到经济安全的调度方案，必须充分考虑不确定风电和储能的效益和风险，不确定的现货电价下找到履行合同义务的电价最优调整策略，同时减少优化求解的计算量，为调度问题提供科学参考依据。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种通过风险规避模型使风电和储能充分参与电力市场，作为配电网运营商利润调整方式，降低网损成本的考虑风险规避的风电和电价的主动配电网规划方法。
本发明解决其技术问题所采用的技术方案是：该考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：包括如下步骤：
步骤1，根据短期的风速的分布特征，确定风电的概率密度函数和累积概率密度函数；
步骤2，根据风电累积概率密度函数，得到风电的分布概率；
步骤3，将电价的不确定性定义为电价向上波动导致网损成本变大的情况；
步骤4，根据电价的历史数据确定电价的取值区间，确定电价的累积概率密度函数；
步骤5，构造以风电和储能收益的条件期望为优化目标的优化模型；
步骤6，利用智能优化算法，对优化模型进行优化，得到最终的调度方案。
优选的，步骤1中所述的风电的概率密度函数fw为：
其中，μw和σw分别表示风速的均值和标准方差。
优选的，步骤1中所述的累积概率密度函数Fw为：
其中，μw和σw分别表示风速的均值和标准方差。
优选的，步骤2中所述的风电的分布概率为：
其中：vci,vra,vco分别为切入风速，额定风速和切出风速，Pra表示风机的额定功率，Pw表示风机出力，风速与风功率关系的数学描述为v＝((Pw-a)/b)1/3,其中
优选的，所述的风机出力Pw的数学表达式为：
其中，vci,vra,vco分别为切入风速，额定风速和切出风速，Pra表示风机的额定功率，Pw表示风机出力。
优选的，步骤4中所述的电价的取值区间为：
其中，表示t时段的市场预测电价，和分别表示电价的预测值和预测误差。
优选的，步骤4中所述的电价的累积概率密度函数为：
其中，和分别表示电价的预测值和预测误差，Pt表示电价。
优选的，步骤5中所述的以风电和储能收益的条件期望为优化目标的优化模型为：
其中，s.t.为subject to缩写，表示满足；min为minimize缩写，表示最小化；G0cost表示风电和储能未入网系统调度费用，Gcost表示风电储能并网后系统调度费用，p(Pw)表示风电Pw的分布概率，p(Pt)表示电价Pt的分布概率，该模型用风电和电价的联合分布概率p(Pw)p(Pt)度量风电入网和电价波动给主动配电网规划带来的风险，风电和储能入网前后调度费用的差值G0cost-Gcost度量风电入网给系统调度带来的效益；和分别表示大电网在t时段提供的有功功率和无功功率，和分别表示在t时段的有功负荷和无功负荷，和分别表示风电在t时段的有功功率和无功功率，表示储能在t时段所存储的电量；Ut表示在t时段总线上电压，Ui,max和Ui,min分别表示电压的上限和下限；It表示t时段线路上的电流，It’表示线路最大通流能力，表示在t时段节点i处存储设备所存储的电量，表示在t-1时段节点i处存储设备所存储的电量，和分别表示储能的充放电速率，和分别表示在节点i处储能的最大和最小可储电量，SOC(t)i表示t时刻节点i处储能荷电状态，和为节点i处最大和最小充电速率，和为节点i处最大和最小放电速率，表示储能充放电能量损耗，rchg和rdis分别表示储能充放电效率；和分别表示风电的最大和最小有功功率，和分别表示风电的最大和最小无功功率，Δt表示储能充放电时间。
与现有技术相比，本发明所具有的有益效果是：
1、在本考虑风险规避的风电和电价的主动配电网规划方法中，通过风险规避模型使风电和储能充分参与电力市场，作为配电网运营商利润调整方式，降低网损成本。
2、储能和风电对配电网网络损耗和网损成本影响较大。本文对储能和风能的最佳位置进行了研究，使配电网能最大幅度的降低网损成本。IEEE 33节点系统的最大和最小网损成本降低比率分别为14.25％和4.95％。对于IEEE 69节点系统，IEEE 69节点系统的最大和最小网损成本降低比率分别为5.44％和3.41％。
3、具有不确定性风电和电价的主动配电网的收益和风险是相互冲突的。因此，有必要对电力现货市场下不确定性风电和电价驱动的主动配电网规划的可行性进行评估。该模型可以在收益和风险之间达到最佳的平衡解决方案。仿真计算IEEE 33节点测试系统和IEEE 69节点测试系统的最优电价是一致的。
4、所提出的模型不需要计算多目标优化问题，或重复采样风速或电价来模拟实际风电或电价。
附图说明
图1为考虑风险规避的风电和电价的主动配电网规划方法流程图。
图2为考虑风险规避的风电和电价的主动配电网规划方法效益曲线图。
图3表示实施例1中风险规避的风电和电价主动配电网规划的条件期望与电价的关系曲线图。
图4表示实施例1中风险规避的风电和电价主动配电网规划的条件期望与收益的关系曲线图。
图5表示实施例1中风险规避的风电和电价主动配电网规划的条件期望分布概率的关系曲线图。
具体实施方式
图1～5是本发明的最佳实施例，下面结合附图1～5对本发明做进一步说明。
如图1所示，一种考虑风险规避的风电和电价的主动配电网规划方法(以下简称规划方法)，包括如下步骤：
步骤1，根据短期的风速的分布特征，确定风电的概率密度函数和累积概率密度函数。
根据短期风速服从正态分布的特点，得到风速v的概率密度函数fw和累积概率密度函数Fw分别为：
其中，μw和σw分别表示风速的均值和标准方差。
步骤2，根据风电累积概率密度函数，得到风电的分布概率。
在考虑风速95％的置信度下，风速v取值区间计算过程如下：
则风电计算的数学表达式为：
其中，vci，vra，vco分别为切入风速，额定风速和切出风速，Pra表示风机的额定功率，Pw表示风机出力。
则利用风速的累积概率密度函数计算风电的分布概率为：
其中，当0<P<Pra时，风速与风功率关系的数学描述为v＝((P-a)/b)1/3。
步骤3，将电价的不确定性定义为电价向上波动导致网损成本变大的情况；
根据短期电价服从正态分布(这种分布特征详见期刊《Oxford Bulletin ofEconomics&Statistics》上名称为《Modelling Electricity Prices:InternationalEvidence》的内容，这里不详细介绍)，将电价的不确定性定义为电价向上波动导致网损成本变大的情况，假设在t时刻的预测电价均值是μp，那么最低和最高电价和95％的置信水平可以根据当时的预测误差来计算，分别为：
其中，和分别表示t时段的最大和最小电价，表示电价的预测误差。
步骤4，根据电价的历史数据确定电价的取值区间，确定电价的累积概率密度函数。
考虑到电价Pt的下降可以降低网损成本，因此在本规划方法中只研究电价上涨波动导致网损成本变大的情况，从而得到：
其中，表示t时段的市场预测电价，μt是价格预测误差因子。
从而得到电价的取值区间为：
和分别表示电价的预测值和预测误差。
由于短期电价服从高斯分布，因此电价Pt累积概率密度函数的数学描述为：
用p(Pt)替换累计概率密度表示电价的概率，得到如下公式：
步骤5，构造以风电和储能收益的条件期望为优化目标的优化模型。
考虑储能和不确定性电价和风电的主动配电网网损成本的目标函数可以表示为：
其中，表示风电和储能并网后t时刻的系统网络损耗，Gcost表示风电和储能并网后网损成本，Γ表明价格波动策略的可接受程度，s.t.为subject to缩写，表示满足；min为minimize缩写，表示最小化。
构造以风电和储能收益的条件期望为优化目标的优化模型，其数学表达式如下：
其中，s.t.为subject to缩写，表示满足；min为minimize缩写，表示最小化；G0cost表示风电和储能未入网系统调度费用，Gcost表示风电储能并网后系统调度费用，p(Pw)表示风电Pw的分布概率，p(Pt)表示电价Pt的分布概率，该模型用风电和电价的联合分布概率p(Pw)p(Pt)度量风电入网和电价波动给主动配电网规划带来的风险，风电和储能入网前后调度费用的差值G0cost-Gcost度量风电入网给系统调度带来的效益；和分别表示大电网在t时段提供的有功功率和无功功率，和分别表示在t时段的有功负荷和无功负荷，和分别表示风电在t时段的有功功率和无功功率，表示储能在t时段所存储的电量；Ut表示在t时段总线上电压，Ui,max和Ui,min分别表示电压的上限和下限；It表示t时段线路上的电流，It’表示线路最大通流能力，表示在t时段节点i处存储设备所存储的电量，表示在t-1时段节点i处存储设备所存储的电量，和分别表示储能的充放电速率，和分别表示在节点i处储能的最大和最小可储电量，SOC(t)i表示t时刻节点i处储能荷电状态，和为节点i处最大和最小充电速率，和为节点i处最大和最小放电速率，表示储能充放电能量损耗，rchg和rdis分别表示储能充放电效率；和分别表示风电的最大和最小有功功率，和分别表示风电的最大和最小无功功率，Δt表示储能充放电时间。
步骤6，利用智能优化算法，对优化模型进行优化，得到最终的调度方案。
采用进化捕食策略对步骤5中构造的模型进行优化求解。这种算法详见期刊《Information Sciences》上名称为《Evolutionary predator and prey strategy forglobal optimization》的内容。
下面以一个实例具体说明本申请的考虑风险规避的风电和电价的主动配电网规划方法，在实例中，以含4台风机和1台储能设备作为仿真对象来具体说明考虑考虑风险规避的风电和电价驱动的主动配电网规划。
在本实例中，风速服从高斯分布，其均值μw＝10m/s，方差σw＝0.3μw，利用上述公式1和公式2分别得到风速v的概率密度函数fw和累积概率密度函数Fw：
令风速v的切入风速vci，额定风速vra和切出风速vco分别为4m/s，12.5m/s，20m/s，额定功率Pra＝2MW。假设风速的置信水平是95％，那么α＝0.05，(其计算详见书《Introduction to Statistical Analysis》)。因此风速v取值区间为：
[μw-1.96*σW，μW+1.96*σw]≈[6.6052，13.3948]∈(vci,vco)＝(4，20) (3)
每台风机的置信区间为：[(a+b(μ-1.96σw)3)，Pra]，等效风电场的置信区间为：[30*(a+b(μ-1.96σ)3)，30*Pra]≈[7.1199，60]。
利用上述公式(4)，得到风速的分布概率可由风速的累积概率密度函数计算如下：
本例中短期电价服从高斯分布，其均值μPt＝85.89($/MWh)，方差σPt＝0.2μPt，利用上述公式(8)得到电价的取值区间为：
由于短期电价服从高斯分布，其分布概率可由上述的公式(9)计算得到：
考虑储能和不确定性电价和风电的主动配电网网损成本的目标函数可以表示为：
表示风电和储能并网后t时刻的系统网络损耗，Gcost表示风电和储能并网后网损成本，Γ表明价格波动策略的可接受程度，s.t.为subject to缩写，表示满足；min为minimize缩写，表示最小化。
构造以风电和储能收益的条件期望为优化目标的优化模型，其数学表达式如下：
其中，s.t.为subject to缩写，表示满足；min为minimize缩写，表示最小化；G0cost表示风电和储能未入网系统调度费用，Gcost表示风电储能并网后系统调度费用，p(Pw)表示风电Pw的分布概率，p(Pt)表示电价Pt的分布概率，该模型用风电和电价的联合分布概率p(Pw)p(Pt)度量风电入网和电价波动给主动配电网规划带来的风险，风电和储能入网前后调度费用的差值G0cost-Gcost度量风电入网给系统调度带来的效益；和分别表示大电网在t时段提供的有功功率和无功功率，和分别表示在t时段的有功负荷和无功负荷，和分别表示风电在t时段的有功功率和无功功率，表示储能在t时段所存储的电量；Ut表示在t时段总线上电压，Ui,max和Ui,min分别表示电压的上限和下限；It表示t时段线路上的电流，I’t表示线路最大通流能力，表示在t时段节点i处存储设备所存储的电量，表示在t-1时段节点i处存储设备所存储的电量，和分别表示储能的充放电速率，和分别表示在节点i处储能的最大和最小可储电量，SOC(t)i表示t时刻节点i处储能荷电状态，和为节点i处最大和最小充电速率，和为节点i处最大和最小放电速率，表示储能充放电能量损耗，rchg和rdis分别表示储能充放电效率；和分别表示风电的最大和最小有功功率，和分别表示风电的最大和最小无功功率，Δt表示储能充放电时间。
采用进化捕食策略算法对上述模型进行优化，求得所有机组各个时段的出力大小，分析风电和储能入网的经济性和安全性，获取在不确定的现货电价下找到履行合同义务的电价最优调整方案。
不同时段的预测电价如表1所示：
时间 电价($/MW·h) 时间 电价($/MW·h) 时间 电价($/MW·h)
1 74.97 9 112.77 17 119.28
2 69.90 10 91.14 18 99.76
3 60.00 11 79.32 19 86.17
4 60.00 12 74.97 20 88.81
5 60.00 13 74.97 21 82.02
6 68.82 14 74.97 22 75.82
7 116.37 15 74.97 23 93.75
8 116.67 16 94.37 24 91.86
表1不同时段预测电价
为了验证考虑风险规避的风电和电价主动配电网规划的效益，对风电和储能进行选址，选择最合适并入电网的位置，计算风电和储能并入电网减少的网损成本，仿真结果如图2所示。从图中可以看出，能量存储和风力发电的有效性对于降低网损成本是显而易见的。与没有风电和储能并入电网相比，在电价波动的情况下，网损成本可以减少的比率最小和最大分别为4.95％和14.25％。
在IEEE33节点系统中，考虑风险规避的风电和电价主动配电网规划的条件期望与电价，收益和分布概率的关系分别如图3、图4和图5所示。从图3可以看出：条件期望与电价呈现负相关。为进一步分析其关系，我们引入Spearman相关性分析方法，分析结果显示其相关系数为-0.8633，Pt值为0.0106，即在95％的置信概率下，电价和条件期望是严格负相关的。从图4可以看出：条件期望与利润呈现负相关。为进一步分析其关系，同样采用Spearman相关性分析方法，分析结果显示其相关系数为-0.8476，Pt值为0.0211，即在95％的置信概率下，利润和条件期望是严格负相关的。从图5可以看出：条件期望与概率分布呈现正相关相关。采用Spearman相关性分析方法，分析结果显示其相关系数为-0.9821，Pt值为0.0358，即在95％的置信概率下，利润和条件期望是严格正相关的。因此，考虑风险规避的风电和电价主动配电网规划同时权衡了风电储能和风电并网的风险和效益，进而能够有效控制风电和储能在电网中的渗透率。
为验证考虑风险规避的风电和电价主动配电网规划的有效性，其仿真结果与在IEEE33节点系统和IEEE69节点系统做了比较，如表2所示：
表2考虑风险规避的风电和电价主动配电网规划方法的仿真结果
由表2可知，在IEEE 69节点电力系统中，IEEE 33节点系统电价调整方法也适用。即当价格波动Γ＝8时，它更有利于主动配电网规划，通过达到选择电力合同和并在在现货价格不确定性下履行合同义务的最优采购策略。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：包括如下步骤：
步骤1，根据短期的风速的分布特征，确定风电的概率密度函数和累积概率密度函数；
步骤2，根据风电累积概率密度函数，得到风电的分布概率；
步骤3，将电价的不确定性定义为电价向上波动导致网损成本变大的情况；
步骤4，根据电价的历史数据确定电价的取值区间，确定电价的累积概率密度函数；
步骤5，构造以风电和储能收益的条件期望为优化目标的优化模型；
步骤6，利用智能优化算法，对优化模型进行优化，得到最终的调度方案。
2.根据权利要求1所述的考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：步骤1中所述的风电的概率密度函数fw为：
其中，v表示风速，μw和σw分别表示风速的均值和标准方差。
3.根据权利要求1所述的考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：步骤1中所述的累积概率密度函数Fw为：
其中，μw和σw分别表示风速的均值和标准方差，t表示风电并网时刻。
4.根据权利要求1所述的考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：步骤2中所述的风电的分布概率为：
其中：vci，vra，vco分别为切入风速，额定风速和切出风速，Pra表示风机的额定功率，Pw表示风机出力，风速与风功率关系的数学描述为v＝((Pw-a)/b)1/3，其中
5.根据权利要求4所述的考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：所述的风机出力Pw的数学表达式为：
其中，vci,vra,vco分别为切入风速，额定风速和切出风速，Pra表示风机的额定功率，Pw表示风机出力。
6.根据权利要求1所述的考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：步骤4中所述的电价的取值区间为：
其中，表示t时段的市场预测电价，和分别表示电价的预测值和预测误差。
7.根据权利要求1所述的考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：步骤4中所述的电价的累积概率密度函数为：
其中，和分别表示电价的预测值和预测误差，Pt表示电价。
8.根据权利要求1所述的考虑风险规避的风电和电价的主动配电网规划方法，其特征在于：步骤5中所述的以风电和储能收益的条件期望为优化目标的优化模型为：
其中，s.t.为subject to缩写，表示满足；min为minimize缩写，表示最小化；G0cost表示风电和储能未入网系统调度费用，Gcost表示风电储能并网后系统调度费用，p(Pw)表示风电Pw的分布概率，p(Pt)表示电价Pt的分布概率，该模型用风电和电价的联合分布概率p(Pw)p(Pt)度量风电入网和电价波动给主动配电网规划带来的风险，风电和储能入网前后调度费用的差值G0cost-Gcost度量风电入网给系统调度带来的效益；和分别表示大电网在t时段提供的有功功率和无功功率，和分别表示在t时段的有功负荷和无功负荷，和分别表示风电在t时段的有功功率和无功功率，表示储能在t时段所存储的电量；Ut表示在t时段总线上电压，Ui,max和Ui,min分别表示电压的上限和下限；It表示t时段线路上的电流，It’表示线路最大通流能力，表示在t时段节点i处存储设备所存储的电量，表示在t-1时段节点i处存储设备所存储的电量，和分别表示储能的充放电速率，和分别表示在节点i处储能的最大和最小可储电量，SOC(t)i表示t时刻节点i处储能荷电状态，和为节点i处最大和最小充电速率，和为节点i处最大和最小放电速率，表示储能充放电能量损耗，rchg和rdis分别表示储能充放电效率；和分别表示风电的最大和最小有功功率，和分别表示风电的最大和最小无功功率，Δt表示储能充放电时间。
CN201810863509.7A 2018-08-01 2018-08-01 一种考虑风险规避的风电和电价的主动配电网规划方法 Pending CN109038557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810863509.7A CN109038557A (zh) 2018-08-01 2018-08-01 一种考虑风险规避的风电和电价的主动配电网规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810863509.7A CN109038557A (zh) 2018-08-01 2018-08-01 一种考虑风险规避的风电和电价的主动配电网规划方法

Publications (1)

Publication Number Publication Date
CN109038557A true CN109038557A (zh) 2018-12-18

Family

ID=64648501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810863509.7A Pending CN109038557A (zh) 2018-08-01 2018-08-01 一种考虑风险规避的风电和电价的主动配电网规划方法

Country Status (1)

Country Link
CN (1) CN109038557A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275285A (zh) * 2019-12-30 2020-06-12 昆明电力交易中心有限责任公司 一种计及可中断负荷容量的用电量调控方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106208136A (zh) * 2016-08-01 2016-12-07 山东理工大学 计及效益和风险的含不确定风电的日前调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106208136A (zh) * 2016-08-01 2016-12-07 山东理工大学 计及效益和风险的含不确定风电的日前调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275285A (zh) * 2019-12-30 2020-06-12 昆明电力交易中心有限责任公司 一种计及可中断负荷容量的用电量调控方法和系统
CN111275285B (zh) * 2019-12-30 2024-02-20 昆明电力交易中心有限责任公司 一种计及可中断负荷容量的用电量调控方法和系统

Similar Documents

Publication Publication Date Title
Liu et al. Dynamic pricing for decentralized energy trading in micro-grids
Mavromatidis et al. Comparison of alternative decision-making criteria in a two-stage stochastic program for the design of distributed energy systems under uncertainty
Zandrazavi et al. Stochastic multi-objective optimal energy management of grid-connected unbalanced microgrids with renewable energy generation and plug-in electric vehicles
Muttaqi et al. Adaptive and predictive energy management strategy for real-time optimal power dispatch from VPPs integrated with renewable energy and energy storage
An et al. A distributed and resilient bargaining game for weather-predictive microgrid energy cooperation
Petrelli et al. Multi-year planning of a rural microgrid considering storage degradation
Thatte et al. Robust bidding strategy for wind power plants and energy storage in electricity markets
Zhang et al. Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach
Varzaneh et al. Optimal energy management for PV‐integrated residential systems including energy storage system
Shotorbani et al. Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid
Gomes et al. Hybrid solar PV-wind-battery system bidding optimisation: A case study for the Iberian and Italian liberalised electricity markets
Tahir et al. Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days
Shi et al. Lyapunov optimization in online battery energy storage system control for commercial buildings
Mohseni et al. Stochastic, resilience-oriented optimal sizing of off-grid microgrids considering EV-charging demand response: An efficiency comparison of state-of-the-art metaheuristics
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
Liang et al. Robust distributed energy resources management for microgrids in a retail electricity market
Mena et al. Multi-objective two-stage stochastic unit commitment model for wind-integrated power systems: A compromise programming approach
CN105162173B (zh) 一种接入风力发电的电力系统备用容量确定方法
Nammouchi et al. Robust opportunistic optimal energy management of a mixed microgrid under asymmetrical uncertainties
Singh et al. An adaptive model with joint chance constraints for a hybrid wind-conventional generator system
Wei et al. Graph computing based security constrained unit commitment in hydro-thermal power systems incorporating pumped hydro storage
CN109038557A (zh) 一种考虑风险规避的风电和电价的主动配电网规划方法
CN116822719A (zh) 一种配电网的多目标规划方法及装置
Odonkor et al. Optimization of energy use strategies in building clusters using pareto bands
Wang et al. Self-organizing maps for scenario reduction in long-term hydropower scheduling

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181218