CN109658012B - 一种计及需求侧响应的微电网多目标经济调度方法及装置 - Google Patents
一种计及需求侧响应的微电网多目标经济调度方法及装置 Download PDFInfo
- Publication number
- CN109658012B CN109658012B CN201910058877.9A CN201910058877A CN109658012B CN 109658012 B CN109658012 B CN 109658012B CN 201910058877 A CN201910058877 A CN 201910058877A CN 109658012 B CN109658012 B CN 109658012B
- Authority
- CN
- China
- Prior art keywords
- load
- power
- grid
- time
- charging
- 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
- 230000004044 response Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007599 discharging Methods 0.000 claims description 69
- 238000012546 transfer Methods 0.000 claims description 52
- 238000004146 energy storage Methods 0.000 claims description 41
- 238000010248 power generation Methods 0.000 claims description 19
- 238000010845 search algorithm Methods 0.000 claims description 15
- 239000000446 fuel Substances 0.000 claims description 12
- 230000009194 climbing Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000005251 gamma ray Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims 2
- 230000003993 interaction Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract 3
- 238000004088 simulation Methods 0.000 abstract 3
- 238000000342 Monte Carlo simulation Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000036586 afterload Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种计及需求侧响应的微电网多目标经济调度方法及装置,包含了经济调度建模、算法编程及仿真计算等内容。经济调度建模即在考虑微电网运行的经济性、环保性、高效性及安全性的前提下,以微电网内各分布式电源的综合运行成本最低、需求侧响应最优及微电网与大电网联络线功率波动最小为目标函数;算法编程即利用蒙特卡洛模拟、多目标人群搜索算法及模糊隶属度函数等方法求解建立的模型;仿真计算即利用已知的初始条件等信息,对某一特定的微电网系统进行仿真计算,并将结果可视化。本发明实现了提高多目标经济调度的综合性能的技术效果。
Description
技术领域
本发明涉及能源互联网技术领域,具体涉及一种计及需求侧响应的微电网多目标经济调度方法及装置。
背景技术
近年来伴随着全球资源日益匮乏,生态污染愈加严重,微电网作为主网运行的一种有效的补充手段,越来越受到世界各国的青睐。微电网可以看作一个小型的低压网络,由负载、分布式电源、储能装置及变流器组成,并作为一个独立可控的负载连接到主电网,其运行方式有离网(孤岛)和并网两种,并且可以在两种方式之间自由切换。与传统的发电系统相比,由于微电网包含大量可分布式电源而具有一定的随机性,因而微电网具有其特定的运行特点和约束。
微电网的经济调度是微电网相关研究问题中的一个重点内容,它的目的是在满足所有负荷正常需求的前提下,合理分配各机组的出力,最大化经济效益、环境效益或其他指标。因此,随着微电网技术的大力推进,如何妥善地管理微电网内部各个微电源的出力和负荷的调度,实现微电网经济、技术、环境效益的最大化成为微电网经济调度的重要研究内容。
本申请发明人在实施本发明的过程中,发现现有的方法至少存在如下问题:
目前,虽有大量微电网经济调度研究涉及以经济成本为目标函数的单目标优化调度,但其缺陷在于考虑因素相对单一,无法全面兼顾微电网经济性、环保性、高效性及安全性等多方利益。同时,在现有的微电网经济调度研究中常把负荷视作不可调度资源,电网、电源的规划要以满足用户的用电需求为主导。
由上可知,现有技术的方法存在综合性能不佳的技术问题。
发明内容
鉴于此,本发明提供了一种计及需求侧响应的微电网多目标经济调度方法及装置,用以解决或者至少部分解决现有技术的方法存在综合性能不佳的技术问题。
本发明第一方面提供了一种计及需求侧响应的微电网多目标经济调度方法,包括:
步骤S1:建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,其中,多目标经济调度模型包括第一目标函数、第二目标函数和第三目标函数,第一目标函数为经需求响应后的微电网负荷与风光新能源发电差值累计和最小;第二目标函数为经济性指标,表示需求响应、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本最小,第三目标函数为联络线功率波动最小;
步骤S2:根据电动汽车用户的行驶数据以及微电网原始负荷早晚负荷高峰起始时刻状态,通过比较电动汽车用户返程状态与微电网原始负荷峰谷状态,确定电动汽车起始充放电时刻和充放电时长,从而获得电动汽车的有序充放电负荷数据以及叠加电动汽车有序充放电后的微电网总负荷,其中,电动汽车用户的行驶数据包括最后返程时刻和日行驶里程;
步骤S3:利用生成的光伏发电功率、步骤S2获得电动汽车的有序充放电负荷数据可转移负荷的种类、最大转移量、转移前起始时刻以及初始条件,基于多目标人群搜索算法和约束条件,对建立的多目标经济调度模型进行求解,求出非劣解集,其中,求解的目标为第一目标函数、二目标函数和第三目标函数同时达到最优,初始条件包括蓄电池的容量、荷电状态上下限、输出功率上下限,柴油机的输出功率上下限、爬坡功率上下限及大电网联络线输出功率上下限;
步骤S4:采用模糊隶属度函数从非劣解集中,选取一组最优解作为最终解,作为调度结果。
基于同样的发明构思,本发明第二方面提供了一种计及需求侧响应的微电网多目标经济调度装置,包括:
调度模型建立模块,用于建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,其中,多目标经济调度模型包括第一目标函数、第二目标函数和第三目标函数,第一目标函数为经需求响应后的微电网负荷与风光新能源发电差值累计和最小;第二目标函数为经济性指标,表示需求响应、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本最小,第三目标函数为联络线功率波动最小;
电负荷数据获得模块,用于根据电动汽车用户的行驶数据以及微电网原始负荷早晚负荷高峰起始时刻状态,通过比较电动汽车用户返程状态与微电网原始负荷峰谷状态,确定电动汽车起始充放电时刻和充放电时长,从而获得电动汽车的有序充放电负荷数据以及叠加电动汽车有序充放电后的微电网总负荷,其中,电动汽车用户的行驶数据包括最后返程时刻和日行驶里程;
多目标求解模块,用于利用生成的光伏发电功率、步骤S2获得电动汽车的有序充放电负荷数据,已知的可转移负荷的种类、最大转移量、转移前起始时刻以及初始条件,基于多目标人群搜索算法和约束条件,对建立的多目标经济调度模型进行求解,求出非劣解集,其中,求解的目标为第一目标函数、二目标函数和第三目标函数同时达到最优,初始条件包括蓄电池的容量、荷电状态上下限、输出功率上下限,柴油机的输出功率上下限、爬坡功率上下限及大电网联络线输出功率上下限;
最优解求解模块,用于采用模糊隶属度函数从非劣解集中,选取一组最优解作为最终解,作为调度结果。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
在本发明提供的方法,首先建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,然后利用大规模电动汽车有序充放电行为,使微电网负荷达到“削峰填谷”的效果,并获得叠加电动汽车有序充放电后的微电网总负荷;再利用生成的光伏发电功率、步骤S2获得电动汽车的有序充放电负荷数据、可转移负荷的种类、最大转移量、转移前起始时刻以及初始条件,基于多目标人群搜索算法和约束条件,对建立的多目标经济调度模型进行求解,求出非劣解集,最后采用模糊隶属度函数从非劣解集中,选取一组最优解作为最终解,作为调度结果。
相对于现有的方法而言,本发明的有益效果在于:
计及了需求侧响应对微电网经济调度的影响,构建了建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,同时兼顾微电网经济调度运行的经济性、环保性、高效性及安全性等多方利益,最后利用多目标人群搜索算法和模糊隶属函数求解,获得多方较为满意的调度策略,达到了综合性能较佳的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中计及需求侧响应的微电网多目标经济调度方法的流程图;
图2为本发明实施例中多目标调度的框图;
图3为本发明微电网系统结构图;
图4为本发明计算电动汽车有序充放电负荷流程图;
图5为本发明实施例利用多目标人群搜索算法获得一系列非劣解的三维图;
图6为本发明实施例电动汽车有序充电负荷曲线图;
图7为本发明实施例利用模糊隶属度函数得到最终的各调度单元的调度曲线图;
图8为本发明实施例经需求响应后的微电网负荷曲线图;
图9为本发明实施例中计及需求侧响应的微电网多目标经济调度装置的结构框图。
具体实施方式
本发明的本发明的目的在于,针对现有研究的不足及优化需求,提供一种计及需求侧响应的微电网多目标经济调度方法,该方法考虑了微电网运行的经济性、环保性、高效性及安全性,同时以电动汽车充放电负荷和激励型可转移负荷作为需求侧响应的手段进行负荷调控,利用多目标人群搜索算法和模糊隶属度函数进行求解,最终获得相对满意的调度结果。
为使本发明实施例的目的、技术方案和优点更加清楚,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供了一种计及需求侧响应的微电网多目标经济调度方法,请参见图1,该方法包括:
首先执行步骤S1:建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,其中,多目标经济调度模型包括第一目标函数、第二目标函数和第三目标函数,第一目标函数为经需求响应后的微电网负荷与风光新能源发电差值累计和最小;第二目标函数为经济性指标,表示需求响应、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本最小,第三目标函数为联络线功率波动最小。
具体来说,请参见图2,为整体调度的结构框图,其兼顾了经济性、环保性、高效性以及安全性,约束条件可以根据各个目标函数进行设置。其中,微电网的结构图请参见图3。
在一种实施方式中,步骤S1具体包括:
步骤S1.1:建立计及需求侧响应的微电网多目标经济调度模型,其中,第一目标函数f1、第二目标函数f2、第三目标函数f3的具体形式如式(1)~式(3)所示:
P'load(t)=Pload(t)+Pin(t)-Pout(t) (4)
其中,CDR_cost、CES_cost、CDE_cost、CGRID_cost、CEV_cost分别为需求响应侧、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本;Ppv(t)及Pgrid(t)分别为光伏组件及主网联络线在t时刻功率,Pgrid(t)为正时表示微电网向主网买电,为负时表示微电网向主网卖电;Pin(t)、Pout(t)及P'load(t)分别为t时刻转入负荷量、转出负荷量及经需求侧响应后的微电网负荷;Pev(t)、及Pload(t)分别为t时刻电动汽车的充放电负荷、微电网原始负荷及叠加电动汽车充放电后的微电网总负荷;Pci(t)及Pdi(t)分别为电动汽车i在t时刻的充电功率和放电功率;xi(t)为电动汽车i处于的充电状态变量,yi(t)为电动汽车i处于放电状态变量,xi(t)为1时表示充电,为0时表示不充电,yi(t)为1时表示放电,为0时表示不放电;NSL为可平移负荷种类总数;为运行持续时间大于一个调度时段的可平移负荷种类数;hmax为可平移负荷单元供电持续时间最大值;xk(t)为t时段开始运行的第k类负荷转入单元数,yk(t)为t时段开始运行的第k类负荷转出单元数;Pl.k为第k类可平移负荷在第l个工作时段的功率,P(h+1).k表示第k类可平移负荷在持续供电h+1时段的运行功率,其中0≤k≤NSL;
式中,CEV_cost为电动汽车放电补贴成本,CES_om、CES_loss及CES_price分别是储能单元的运行成本、充放电变换所带来的损耗成本以及少量的充电费用;PES(t)及Pde(t)分别为储能单元及柴油机组在t时刻的出力大小;Kom_ES是储能单元的运行成本系数,Closs是储能单元充放电状态变换一次所带来的电池损耗,Ccost_change为储能单元更换成本;SOCmax、SOCmin分别为储能单元最大和最小的荷电状态;nB和nBN分别为储能单元一个周期内充放电变换的次数和寿命周期内额定充放电次数;CDE_om、CDE_fuel、CDE_en及CDE_start分别是柴油机运行维护成本、燃料费用、环境治理费用以及开启费用;CGRID_price及CGRID_en分别为大电网与微电网联络线功率交互费用及环境治理费用;Kom_de为柴油机的运行维护系数;γde_k及γgrid_k分别为柴油机及大电网联络线运行产生的第k类污染物排放量;Ck为处理第k类污染物的费用;a、b、c为柴油机的燃料系数;s为柴油机每次开启所需费用;nde为柴油机在一个周期内的起动次数;price(t)为主网侧t时刻的分时电价,priceev和priceDR分别为电动汽车放电和转移负荷的补贴费用;
步骤S1.2:建立目标经济调度模型的约束条件,其中,约束条件具体包括:
储能单元、柴油机及联络线功率运行约束:
SOCmax≤SOC(t)≤SOCmin (14)
柴油机的爬坡限制
联络线功率上下限:
电动汽车充放电约束:
SOCev_min≤SOCev≤SOCev_max (20)
式中,xi(t)和yi(t)的值不能同时为1,即电动汽车i在t时刻不能同时充电和放电;SOCev_max和SOCev_min分别为电动汽车的电池状态上下限;
需求响应转移量约束:
式中,xSL(t)为t时刻实际负荷转移量;XSL(t)为t时刻可转移负荷容量;
以及功率平衡等式约束:
Ppv(t)+Pgrid(t)+Pde(t)=Pload(t)+Pin(t)-Pout(t)+PES(t) (22)
然后执行步骤S2:根据电动汽车有序充放电行为数据以及微电网原始负荷的早晚负荷高峰的起始状态,通过比较电动汽车用户返程状态与微电网原始负荷峰谷状态,确定电动汽车的起始充放电时刻以及充放电时长,从而获得电动汽车的有序充放电负荷数以及叠加电动汽车有序充放电后的微电网总负荷。
具体来说,利用大规模电动汽车有序充放电行为,可以使微电网负荷达到“削峰填谷”的效果,从而获得叠加电动汽车有序充放电后的微电网总负荷。
在具体的实现时,步骤S2具体包括:
步骤S2.1:获取电动汽车有序充放电行为数据、微电网原始负荷峰谷状态数据以及电动汽车用户返程状态数据,其中,电动汽车有序充放电行为数据包括电动汽车充电功率Pc、放电功率Pd,每公里耗电量w、最大放电深度fr、电动汽车荷电状态上限SOCev_max、荷电状态下限SOCev_min、电池电量Cev,微电网原始负荷峰谷状态数据包括负荷早晚高峰起始时刻Tstart_m、Tstart_n,电动汽车用户返程状态数据包括电动汽车用户的返程时刻t0及行驶距离s;
步骤S2.2:比较电动汽车用户返程时刻t0与微电网原始负荷峰谷状态的时刻,确定电动汽车起始充电起始时刻及放电起始时刻Tstart_EVchar及Tstart_EVdischar;
步骤S2.3:计算电动汽车放电时长Tdischar,充电时长Tchar,放电结束时刻Tend_dischar及充电结束时刻Tend_char;
步骤S2.4:计算N辆电动汽车的有序充放电负荷Pev(t)和叠加电动汽车充放电后的微电网负荷Pload(t)。
具体来说,图4为本发明计算电动汽车有序充放电负荷流程图。步骤S2.2中,在计算电动汽车起始充电起始时刻及放电起始时刻Tstart_EVchar及Tstart_EVdischar,若t0<Tstart_m,Tstart_EVchar=t0(即初始时刻小于微电网负荷早高峰起始时刻,则电动汽车起始充电起始时刻等于初始时刻)
若t0≥Tstart_m,有以下两种情况:
(1)t0≤Tstart_n,Tstart_EVdischar=Tstart_n
(2)t0≥Tstart_n,Tstart_EVdischar=t0。
步骤S2.3中的相关量的具体计算方式如下:
最大放电量:Cdischar=min[(SOCmax-SOCmin)*Cev-S*w,fr*Cev],最大放电量Cdis不能超过这两个条件的限制,s*w表示电动汽车行驶s千米所耗电量,w表示电动汽车每公里耗电量。
最大放电时长:Tdischar=Cdischar/Pd
放电结束时刻:Tend_dischar=Tstart_dischar+Tlong_dischar
若Tend_dischar>24,则Tend_dischar=24
充电时长:Tchar=(C′dischar+s*w)/Pc
充电结束时刻:Tend_char=Tstart_char+Tlong_char
若Tend_char>Tstart_m,则Tend_char=Tstart_m。
已知信息包括充电功率Pchar、放电功率Pdischar、每公里耗电量w、最大放电深度fr、电动汽车荷电状态上下限SOCev_min,SOCev_max、电池电量Cev;对N辆电动汽车而言,第t时段的充放电负荷的累加和,即为Pev(t);微电网t时刻原始负荷与电动汽车t时刻有序充放电负荷Pev(t)相加即为优化后t时刻微电网负荷Pload(t)。
接下来执行步骤S3:利用生成的光伏发电功率、步骤S2获得电动汽车的有序充放电负荷数据可转移负荷的种类、最大转移量、转移前起始时刻以及初始条件,基于多目标人群搜索算法和约束条件,对建立的多目标经济调度模型进行求解,求出非劣解集,其中,求解的目标为第一目标函数、二目标函数和第三目标函数同时达到最优,初始条件包括蓄电池的容量、荷电状态上下限、输出功率上下限,柴油机的输出功率上下限、爬坡功率上下限及大电网联络线输出功率上下限。
具体地,步骤S3具体包括:
步骤S3.1:获取多目标人群搜索算法的初始条件,具体包括:每时刻电动汽车有序充电负荷Pev(t),微电网负荷每时刻原始负荷每时刻的风机功率Pwt(t),每时刻的光伏出力Ppv(t),第k类转移负荷的最大转出负荷量transload_max(k),第k类转移负荷的原始运行时段区间Tk[ts,te],第k类转移负荷的运行功率Pk,储能荷电状态上限SOCmax,储能单元荷电状态下限SOCmin,储能单元最大输出功率最小输出功率主网侧每时刻电价price(t),能单元的运行维护成本系数Kom_ES,储能单元充放电状态变换一次所带来的电池损耗费用Closs,储能单元更换成本Ccost_change以及储能单元寿命周期内额定充放电次数nBN,柴油机的运行维护系数Kom_de,柴油机运行产生污染物排放量γde_k,处理污染物的费用Ck,a为柴油机的第一燃料系数,b为柴油机的第二燃料系数,c为柴油机的第三燃料系数,柴油机每次开启所需费用cde_start,主网侧t时刻的分时电价price(t),主网联络线功率产生的污染物排放量γgrid_k,柴油机组出力最大值柴油机组出力最小值柴油机组爬坡上限柴油机组爬坡下限联络线功率最大值以及联络线功率最小值信息;
步骤S3.2:设置算法参数,包括种群大小为N,迭代次数TI,粒子维数D,最大隶属度值UMAX,最小隶属度值UMIN,惯性权值w1,惯性权值w2max和w2min,惯性常值非支配解的解集的扩展因子alp,非支配解的选择因子beta,非支配解的淘汰因子gamma;
步骤S3.3:种群变量初始化,包括K种可转移负荷的转移时间xTk和转移量xNk,储能单元T个时段的输出功率PES(t)、柴油机T个时段的输出功率Pde(t)及大电网联络线T个时段的输出功率Pgrid(t);
步骤S3.4,将步骤S1中第一目标函数、第二目标函数和第三目标函数作为多目标人群搜索算法的适应度函数,将步骤S1中的约束条件作为多目标人群搜索算法的约束条件;
步骤S3.5,根据多目标人群搜索算法求出符合预设条件的非劣解集。
具体来说,对于多目标优化问题,由于其目标间的矛盾性以及目标间的不可公度性,一般不存在通常意义下的最优解,只能寻求问题的非劣解;
对多目标问题:
min[f1(x),f2(x),f3(x),...,fm(x)]
式中,fi(x)为待优化的目标函数,x为待优化的变量,ub为变量x的上限,lb为变量x的下限,Aeq*x=beq为变量x的等式约束,A*x≤b为变量x的不等式约束;
本实施例得到三维坐标下的一系列的非劣解如图5所示。表1为得到的50组非劣解数据。
表1利用多目标人群算法得到的50组非劣解
在具体的实施过程中,步骤S3.3中初始化K类可转移负荷的转移时间及转移量,具体包括:
步骤S3.3.1:输入步骤3.1初始条件的信息,包括:每时刻的风机功率Pwt(t),每时刻的光伏出力Ppv(t),第k类转移负荷的最大转出负荷量transload_max(k),第k类转移负荷的原始运行时段区间计算出第k类转移负荷运行持续时间段数timelong(k),负荷的可转入时间段T[a,b],其中,持续时间段数和负荷的可转入时间段的具体形式为:
timelong(k)=size(Tk[ts,te]) (24)
负荷的可转入时间段为光伏发电与风力发电之和大于微电网原始负荷的时段,用公式(25)表示:
步骤S3.3.2:计算第k类转移负荷转移后起始运行时间xTk、第k类转移负荷的转移量xNk以及第k类转移负荷转移后持续运行时间区间Tk:
xTk∈T[a,b-timelong(k)+1] (26)
xNk∈[0,transload_max(k)] (27)
Tk=[xTk,xTk+timelong(k)-1] (28)
步骤S3.3.3:通过步骤S3.3.2所得第k类转移负荷转移后起始运行时间xTk,第k类转移负荷的转移量xNk,第k类转移负荷转移后持续运行时间区间Tk以及步骤S3.1输入的初始条件中信息,包括每时刻电动汽车有序充电负荷Pev(t),微电网负荷每时刻原始负荷第k类转移负荷的运行功率Pk,第k类转移负荷的原始运行时段区间计算出t时刻转入负荷Pin(t),t时刻转出负荷Pout(t)和t时刻需求响应后负荷P'load(t),其中,
利用随机生成的光伏发电功率、步骤2获得的电动汽车有序充放电负荷数据以及可转移负荷、蓄电池、柴油机及大电网联络线功率等初始条件,利用多目标人群搜索算法编程,可以获得一系列非劣解。
再执行步骤S4:采用模糊隶属度函数从非劣解集中,选取一组最优解作为最终解,作为调度结果。
在一种实施方式中,步骤S4具体包括:
步骤S4.1:对于步骤S3中所获得的第k个非劣解xk,获得对于第i个子目标函数的满意程度,用式(32)表示:
步骤S4.2:对于xk,获得所有子目标的整体满意度,如(33)表示:
其中,M、N分别为非劣解和子目标个数,其中M的值由步骤S3求出,N的值为3;
具体来说,步骤4,对步骤3获得的一系列非劣解,利用模糊隶属度函数选取一组相对最优解作为最终解。
其中,步骤4.1中,考虑步骤3中所获得的第k个非劣解xk,其对于第i个子目标函数的满意程度可以用式(22)表示:
表2每个非劣解对3个子目标的满意度
步骤4.2中,对xk来说,所有子目标的整体满意度可用式(23)表示:
M、N分别为非劣解和子目标个数,其中M的值由步骤3可知,其值为50,N的值为3。
对50组非劣解来说,每组非劣解对所有子目标的整体满意度如表3所示。
表3每组非劣解对所有子目标的整体满意度
整体满意度 | 序号 | 整体满意度 | 序号 | 整体满意度 | |
μ<sup>1</sup> | 0.022367 | μ<sup>18</sup> | 0.01947 | μ<sup>35</sup> | 0.020192 |
μ<sup>2</sup> | 0.015437 | μ<sup>19</sup> | 0.020237 | μ<sup>36</sup> | 0.022925 |
μ<sup>3</sup> | 0.015506 | μ<sup>20</sup> | 0.023548 | μ<sup>37</sup> | 0.022724 |
μ<sup>4</sup> | 0.015412 | μ<sup>21</sup> | 0.021205 | μ<sup>38</sup> | 0.020833 |
μ<sup>5</sup> | 0.015579 | μ<sup>22</sup> | 0.023382 | μ<sup>39</sup> | 0.02326 |
μ<sup>6</sup> | 0.015701 | μ<sup>23</sup> | 0.024489 | μ<sup>40</sup> | 0.021474 |
μ<sup>7</sup> | 0.018108 | μ<sup>24</sup> | 0.023653 | μ<sup>41</sup> | 0.022343 |
μ<sup>8</sup> | 0.016594 | μ<sup>25</sup> | 0.01749 | μ<sup>42</sup> | 0.022367 |
μ<sup>9</sup> | 0.018339 | μ<sup>26</sup> | 0.019369 | μ<sup>43</sup> | 0.022504 |
μ<sup>10</sup> | 0.017575 | μ<sup>27</sup> | 0.019292 | μ<sup>44</sup> | 0.022791 |
μ<sup>11</sup> | 0.018097 | μ<sup>28</sup> | 0.01881 | μ<sup>45</sup> | 0.022874 |
μ<sup>12</sup> | 0.01521 | μ<sup>29</sup> | 0.018337 | μ<sup>46</sup> | 0.022502 |
μ<sup>13</sup> | 0.018026 | μ<sup>30</sup> | 0.018855 | μ<sup>47</sup> | 0.022371 |
μ<sup>14</sup> | 0.01904 | μ<sup>31</sup> | 0.01952 | μ<sup>48</sup> | 0.02223 |
μ<sup>15</sup> | 0.020459 | μ<sup>32</sup> | 0.02229 | μ<sup>49</sup> | 0.022673 |
μ<sup>16</sup> | 0.019751 | μ<sup>33</sup> | 0.017589 | μ<sup>50</sup> | 0.022623 |
μ<sup>17</sup> | 0.017286 | μ<sup>34</sup> | 0.017294 |
步骤4.3中,对所有的μk,其值越大,解越优。因此,选取其中最大值所对应的非劣解作为最终的最优解。请参见图7~图9,分别为本发明实施例电动汽车有序充电负荷曲线图;利用模糊隶属度函数得到最终的各调度单元的调度曲线图;以及经需求响应后的微电网负荷曲线图。
由表3可以看出,第23组μk最大,即第23组对应的非劣解最优。
总体来说,本发明的有益效果在于:计及了需求侧响应对微电网经济调度的影响,同时兼顾微电网经济调度运行的经济性、环保性、高效性及安全性等多方利益,最后利用多目标人群搜索算法和模糊隶属函数求解,获得多方较为满意的调度策略。
基于同一发明构思,本申请还提供了与实施例一中计及需求侧响应的微电网多目标经济调度方法对应的装置,详见实施例二。
实施例二
本实施例提供了一种计及需求侧响应的微电网多目标经济调度装置,请参见图9,该装置包括:
调度模型建立模块201,用于建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,其中,多目标经济调度模型包括第一目标函数、第二目标函数和第三目标函数,第一目标函数为经需求响应后的微电网负荷与风光新能源发电差值累计和最小;第二目标函数为经济性指标,表示需求响应、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本最小,第三目标函数为联络线功率波动最小;
电负荷数据获得模块202,根据电动汽车用户的行驶数据以及微电网原始负荷早晚负荷高峰起始时刻状态,通过比较电动汽车用户返程状态与微电网原始负荷峰谷状态,确定电动汽车起始充放电时刻和充放电时长,从而获得电动汽车的有序充放电负荷数据以及叠加电动汽车有序充放电后的微电网总负荷,其中,电动汽车用户的行驶数据包括最后返程时刻和日行驶里程;
多目标求解模块203,用于利用生成的光伏发电功率、步骤S2获得电动汽车的有序充放电负荷数据可转移负荷的种类、最大转移量、转移前起始时刻以及初始条件,基于多目标人群搜索算法和约束条件,对建立的多目标经济调度模型进行求解,求出非劣解集,其中,求解的目标为第一目标函数、二目标函数和第三目标函数同时达到最优,初始条件包括蓄电池的容量、荷电状态上下限、输出功率上下限,柴油机的输出功率上下限、爬坡功率上下限及大电网联络线输出功率上下限;
最优解求解模块204,用于采用模糊隶属度函数从非劣解集中,选取一组最优解作为最终解,作为调度结果。
由于本发明实施例二所介绍的装置,为实施本发明实施例一中计及需求侧响应的微电网多目标经济调度方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种计及需求侧响应的微电网多目标经济调度方法,其特征在于,包括:
步骤S1:建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,其中,多目标经济调度模型包括第一目标函数、第二目标函数和第三目标函数,第一目标函数为经需求响应后的微电网负荷与风光新能源发电差值累计和最小;第二目标函数为经济性指标,表示需求响应、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本最小,第三目标函数为联络线功率波动最小;
步骤S2:根据电动汽车用户的行驶数据以及微电网原始负荷早晚负荷高峰起始时刻状态,通过比较电动汽车用户返程状态与微电网原始负荷峰谷状态,确定电动汽车起始充放电时刻和充放电时长,从而获得电动汽车的有序充放电负荷数据以及叠加电动汽车有序充放电后的微电网总负荷,其中,电动汽车用户的行驶数据包括最后返程时刻和日行驶里程;
步骤S3:利用生成的光伏发电功率、步骤S2获得电动汽车的有序充放电负荷数据可转移负荷的种类、最大转移量、转移前起始时刻以及初始条件,基于多目标人群搜索算法和约束条件,对建立的多目标经济调度模型进行求解,求出非劣解集,其中,求解的目标为第一目标函数、二目标函数和第三目标函数同时达到最优,初始条件包括蓄电池的容量、荷电状态上下限、输出功率上下限,柴油机的输出功率上下限、爬坡功率上下限及大电网联络线输出功率上下限;
步骤S4:采用模糊隶属度函数从非劣解集中,选取一组最优解作为最终解,作为调度结果。
2.如权利要求1所述的方法,其特征在于,步骤S1具体包括:
步骤S1.1:建立计及需求侧响应的微电网多目标经济调度模型,其中,第一目标函数f1、第二目标函数f2、第三目标函数f3的具体形式如式(1)~式(3)所示:
P'load(t)=Pload(t)+Pin(t)-Pout(t) (4)
其中,CDR_cost、CES_cost、CDE_cost、CGRID_cost、CEV_cost分别为需求响应侧、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本;Ppv(t)及Pgrid(t)分别为光伏组件及主网联络线在t时刻功率,Pgrid(t)为正时表示微电网向主网买电,为负时表示微电网向主网卖电;Pin(t)、Pout(t)及P'load(t)分别为t时刻转入负荷量、转出负荷量及经需求侧响应后的微电网负荷;Pev(t)、及Pload(t)分别为t时刻电动汽车的充放电负荷、微电网原始负荷及叠加电动汽车充放电后的微电网总负荷;Pci(t)及Pdi(t)分别为电动汽车i在t时刻的充电功率和放电功率;xi(t)为电动汽车i处于的充电状态变量,yi(t)为电动汽车i处于放电状态变量,xi(t)为1时表示充电,为0时表示不充电,yi(t)为1时表示放电,为0时表示不放电;NSL为可平移负荷种类总数;为运行持续时间大于一个调度时段的可平移负荷种类数;hmax为可平移负荷单元供电持续时间最大值;xk(t)为t时段开始运行的第k类负荷转入单元数,yk(t)为t时段开始运行的第k类负荷转出单元数;Pl.k为第k类可平移负荷在第l个工作时段的功率,P(h+1).k表示第k类可平移负荷在持续供电h+1时段的运行功率,其中0≤k≤NSL;
式中,CEV_cost为电动汽车放电补贴成本,CES_om、CES_loss及CES_price分别是储能单元的运行成本、充放电变换所带来的损耗成本以及少量的充电费用;PES(t)及Pde(t)分别为储能单元及柴油机组在t时刻的出力大小;Kom_ES是储能单元的运行成本系数,Closs是储能单元充放电状态变换一次所带来的电池损耗,Ccost_change为储能单元更换成本;SOCmax、SOCmin分别为储能单元最大和最小的荷电状态;nB和nBN分别为储能单元一个周期内充放电变换的次数和寿命周期内额定充放电次数;CDE_om、CDE_fuel、CDE_en及CDE_start分别是柴油机运行维护成本、燃料费用、环境治理费用以及开启费用;CGRID_price及CGRID_en分别为大电网与微电网联络线功率交互费用及环境治理费用;Kom_de为柴油机的运行维护系数;γde_k及γgrid_k分别为柴油机及大电网联络线运行产生的第k类污染物排放量;Ck为处理第k类污染物的费用;a、b、c为柴油机的燃料系数;s为柴油机每次开启所需费用;nde为柴油机在一个周期内的起动次数;price(t)为主网侧t时刻的分时电价,priceev和priceDR分别为电动汽车放电和转移负荷的补贴费用;
步骤S1.2:建立目标经济调度模型的约束条件,其中,约束条件具体包括:
储能单元、柴油机及联络线功率运行约束:
SOCmax≤SOC(t)≤SOCmin (14)
柴油机的爬坡限制
联络线功率上下限:
电动汽车充放电约束:
SOCev_min≤SOCev≤SOCev_max (20)
式中,xi(t)和yi(t)的值不能同时为1,即电动汽车i在t时刻不能同时充电和放电;SOCev_max和SOCev_min分别为电动汽车的电池状态上下限;
需求响应转移量约束:
式中,xSL(t)为t时刻实际负荷转移量;XSL(t)为t时刻可转移负荷容量;
以及功率平衡等式约束:
Ppv(t)+Pgrid(t)+Pde(t)=Pload(t)+Pin(t)-Pout(t)+PES(t) (22)。
3.如权利要求1所述的方法,其特征在于,步骤S2具体包括:
步骤S2.1:获取电动汽车有序充放电行为数据、微电网原始负荷峰谷状态数据以及电动汽车用户返程状态数据,其中,电动汽车有序充放电行为数据包括电动汽车充电功率Pc、放电功率Pd,每公里耗电量w、最大放电深度fr、电动汽车荷电状态上限SOCev_max、荷电状态下限SOCev_min、电池电量Cev,微电网原始负荷峰谷状态数据包括负荷早晚高峰起始时刻Tstart_m、Tstart_n,电动汽车用户返程状态数据包括电动汽车用户的返程时刻t0及行驶距离s;
步骤S2.2:比较电动汽车用户返程时刻t0与微电网原始负荷峰谷状态的时刻,确定电动汽车起始充电起始时刻及放电起始时刻Tstart_EVchar及Tstart_EVdischar;
步骤S2.3:计算电动汽车放电时长Tdischar,充电时长Tchar,放电结束时刻Tend_dischar及充电结束时刻Tend_char;
步骤S2.4:计算N辆电动汽车的有序充放电负荷Pev(t)和叠加电动汽车充放电后的微电网负荷Pload(t)。
4.如权利要求1所述的方法,其特征在于,步骤S3具体包括:
步骤S3.1:获取多目标人群搜索算法的初始条件,具体包括:每时刻电动汽车有序充电负荷Pev(t),微电网负荷每时刻原始负荷每时刻的风机功率Pwt(t),每时刻的光伏出力Ppv(t),第k类转移负荷的最大转出负荷量transload_max(k),第k类转移负荷的原始运行时段区间Tk[ts,te],第k类转移负荷的运行功率Pk,储能荷电状态上限SOCmax,储能单元荷电状态下限SOCmin,储能单元最大输出功率最小输出功率主网侧每时刻电价price(t),能单元的运行维护成本系数Kom_ES,储能单元充放电状态变换一次所带来的电池损耗费用Closs,储能单元更换成本Ccost_change以及储能单元寿命周期内额定充放电次数nBN,柴油机的运行维护系数Kom_de,柴油机运行产生污染物排放量γde_k,处理污染物的费用Ck,a为柴油机的第一燃料系数,b为柴油机的第二燃料系数,c为柴油机的第三燃料系数,柴油机每次开启所需费用cde_start,主网侧t时刻的分时电价price(t),主网联络线功率产生的污染物排放量γgrid_k,柴油机组出力最大值柴油机组出力最小值柴油机组爬坡上限柴油机组爬坡下限联络线功率最大值以及联络线功率最小值信息;
步骤S3.2:设置算法参数,包括种群大小为N,迭代次数TI,粒子维数D,最大隶属度值UMAX,最小隶属度值UMIN,惯性权值w1,惯性权值w2max和w2min,惯性常值非支配解的解集的扩展因子alp,非支配解的选择因子beta,非支配解的淘汰因子gamma;
步骤S3.3:种群变量初始化,包括K种可转移负荷的转移时间xTk和转移量xNk,储能单元T个时段的输出功率PES(t)、柴油机T个时段的输出功率Pde(t)及大电网联络线T个时段的输出功率Pgrid(t);
步骤S3.4,将步骤S1中第一目标函数、第二目标函数和第三目标函数作为多目标人群搜索算法的适应度函数,将步骤S1中的约束条件作为多目标人群搜索算法的约束条件;
步骤S3.5,根据多目标人群搜索算法求出符合预设条件的非劣解集。
5.如权利要求4所述的方法,其特征在于,步骤S3.3中初始化K类可转移负荷的转移时间及转移量,具体包括:
步骤S3.3.1:输入步骤3.1初始条件的信息,包括:每时刻的风机功率Pwt(t),每时刻的光伏出力Ppv(t),第k类转移负荷的最大转出负荷量transload_max(k),第k类转移负荷的原始运行时段区间计算出第k类转移负荷运行持续时间段数timelong(k),负荷的可转入时间段T[a,b],其中,持续时间段数和负荷的可转入时间段的具体形式为:
timelong(k)=size(Tk[ts,te]) (24)
负荷的可转入时间段为光伏发电与风力发电之和大于微电网原始负荷的时段,用公式(25)表示:
步骤S3.3.2:计算第k类转移负荷转移后起始运行时间xTk、第k类转移负荷的转移量xNk以及第k类转移负荷转移后持续运行时间区间Tk:
xTk∈T[a,b-timelong(k)+1] (26)
xNk∈[0,transload_max(k)] (27)
Tk=[xTk,xTk+timelong(k)-1] (28)
步骤S3.3.3:通过步骤S3.3.2所得第k类转移负荷转移后起始运行时间xTk,第k类转移负荷的转移量xNk,第k类转移负荷转移后持续运行时间区间Tk以及步骤S3.1输入的初始条件中信息,包括每时刻电动汽车有序充电负荷Pev(t),微电网负荷每时刻原始负荷第k类转移负荷的运行功率Pk,第k类转移负荷的原始运行时段区间计算出t时刻转入负荷Pin(t),t时刻转出负荷Pout(t)和t时刻需求响应后负荷P'load(t),其中,
7.一种计及需求侧响应的微电网多目标经济调度装置,其特征在于,包括:
调度模型建立模块,用于建立计及需求侧响应的微电网多目标经济调度模型以及约束条件,其中,多目标经济调度模型包括第一目标函数、第二目标函数和第三目标函数,第一目标函数为经需求响应后的微电网负荷与风光新能源发电差值累计和最小;第二目标函数为经济性指标,表示需求响应、储能、柴油机、大电网联络线以及电动汽车放电所产生的综合运行成本最小,第三目标函数为联络线功率波动最小;
电负荷数据获得模块,用于根据电动汽车用户的行驶数据以及微电网原始负荷早晚负荷高峰起始时刻状态,通过比较电动汽车用户返程状态与微电网原始负荷峰谷状态,确定电动汽车起始充放电时刻和充放电时长,从而获得电动汽车的有序充放电负荷数据以及叠加电动汽车有序充放电后的微电网总负荷,其中,电动汽车用户的行驶数据包括最后返程时刻和日行驶里程;
多目标求解模块,用于利用生成的光伏发电功率、步骤S2获得电动汽车的有序充放电负荷数据可转移负荷的种类、最大转移量、转移前起始时刻以及初始条件,基于多目标人群搜索算法和约束条件,对建立的多目标经济调度模型进行求解,求出非劣解集,其中,求解的目标为第一目标函数、二目标函数和第三目标函数同时达到最优,初始条件包括蓄电池的容量、荷电状态上下限、输出功率上下限,柴油机的输出功率上下限、爬坡功率上下限及大电网联络线输出功率上下限;
最优解求解模块,用于采用模糊隶属度函数从非劣解集中,选取一组最优解作为最终解,作为调度结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910058877.9A CN109658012B (zh) | 2019-01-22 | 2019-01-22 | 一种计及需求侧响应的微电网多目标经济调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910058877.9A CN109658012B (zh) | 2019-01-22 | 2019-01-22 | 一种计及需求侧响应的微电网多目标经济调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658012A CN109658012A (zh) | 2019-04-19 |
CN109658012B true CN109658012B (zh) | 2022-12-02 |
Family
ID=66120477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910058877.9A Active CN109658012B (zh) | 2019-01-22 | 2019-01-22 | 一种计及需求侧响应的微电网多目标经济调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658012B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110380405B (zh) * | 2019-07-04 | 2023-04-25 | 上海交通大学 | 考虑需求响应与储能协同优化微电网运行方法 |
CN110932257A (zh) * | 2019-08-29 | 2020-03-27 | 昆明理工大学 | 一种微电网能量调度方法 |
CN110942172B (zh) * | 2019-10-15 | 2023-04-18 | 重庆大学 | 多时段联络线功率可行域的快速刻画与精度评估方法 |
CN110943475A (zh) * | 2019-11-08 | 2020-03-31 | 广东电网有限责任公司 | 一种计及分布式光伏和电动汽车的配网协同优化调度方法 |
CN111210090B (zh) * | 2020-02-24 | 2024-03-19 | 深圳天顺智慧能源科技有限公司 | 微电网经济调度方法 |
CN111953023B (zh) * | 2020-07-20 | 2022-02-22 | 上海电力大学 | 一种基于macpso算法的含充电桩区域能源网管理方法 |
CN112163968B (zh) * | 2020-09-24 | 2022-07-05 | 武汉理工大学 | 一种综合能源储能系统优化调度方法 |
CN112366684A (zh) * | 2020-09-25 | 2021-02-12 | 温州电力设计有限公司 | 一种海岛微电网系统 |
CN112366685A (zh) * | 2020-09-25 | 2021-02-12 | 温州电力设计有限公司 | 一种根据联络线与储能寿命的海岛微电网优化运行方法 |
CN112165089A (zh) * | 2020-09-29 | 2021-01-01 | 安阳师范学院 | 微电网的多目标调度方法、系统、设备及可存储介质 |
CN112785048B (zh) * | 2021-01-07 | 2023-09-08 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
CN113285449B (zh) * | 2021-05-26 | 2023-02-10 | 刘蕴樟 | 一种计及多微电网联合调度优化的智能经济调度方法 |
CN114884133B (zh) * | 2022-04-22 | 2023-10-10 | 北京科技大学 | 一种计及电动汽车的微电网经济调度优化方法及系统 |
CN115347623B (zh) * | 2022-10-17 | 2023-03-24 | 国网湖北省电力有限公司经济技术研究院 | 一种考虑电动汽车需求响应的可再生能源微电网调峰方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160451A (zh) * | 2015-07-09 | 2015-12-16 | 上海电力学院 | 一种含电动汽车的微电网多目标优化调度方法 |
CN107704947A (zh) * | 2017-08-31 | 2018-02-16 | 合肥工业大学 | 一种考虑电动汽车随机接入的微电网多目标优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152B (zh) * | 2016-05-19 | 2017-06-06 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
-
2019
- 2019-01-22 CN CN201910058877.9A patent/CN109658012B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160451A (zh) * | 2015-07-09 | 2015-12-16 | 上海电力学院 | 一种含电动汽车的微电网多目标优化调度方法 |
CN107704947A (zh) * | 2017-08-31 | 2018-02-16 | 合肥工业大学 | 一种考虑电动汽车随机接入的微电网多目标优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109658012A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658012B (zh) | 一种计及需求侧响应的微电网多目标经济调度方法及装置 | |
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
CN109301852B (zh) | 一种微电网分级多目标联合的经济调度方法 | |
Zhang et al. | Multi-objective load dispatch for microgrid with electric vehicles using modified gravitational search and particle swarm optimization algorithm | |
Wang et al. | Demand side management of plug-in electric vehicles and coordinated unit commitment: A novel parallel competitive swarm optimization method | |
Leou | Optimal charging/discharging control for electric vehicles considering power system constraints and operation costs | |
CN103679299B (zh) | 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法 | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN106532764B (zh) | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
Yang et al. | A novel parallel-series hybrid meta-heuristic method for solving a hybrid unit commitment problem | |
CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN107730048B (zh) | 一种风电-电动汽车联合系统随机鲁棒优化调度方法 | |
CN103840457A (zh) | 考虑电动汽车充放电影响的配电网内dg优化配置方法 | |
CN107919675B (zh) | 综合考虑车主和运营商利益的充电站负荷调度模型 | |
Zheng et al. | Smart charging algorithm of electric vehicles considering dynamic charging priority | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN117060506B (zh) | 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置 | |
CN111864749A (zh) | 光伏系统出力园区电动汽车充电方法、系统及存储介质 | |
CN114519449A (zh) | 一种园区能源系统运行优化方法 | |
Yuanyuan et al. | Optimization scheduling method of power grid energy-saving based on fuzzy decision | |
Roy et al. | Probabilistic optimal power dispatch in a droop controlled islanded microgrid in presence of renewable energy sources and PHEV load demand | |
Zhu et al. | Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics | |
CN104112168A (zh) | 一种基于多代理系统的智能家居经济优化方法 | |
CN116707016A (zh) | 基于场景生成和削减的风光氢储日前随机优化调度方法 |
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 |