CN109754128B - 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 - Google Patents

一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 Download PDF

Info

Publication number
CN109754128B
CN109754128B CN201910119681.6A CN201910119681A CN109754128B CN 109754128 B CN109754128 B CN 109754128B CN 201910119681 A CN201910119681 A CN 201910119681A CN 109754128 B CN109754128 B CN 109754128B
Authority
CN
China
Prior art keywords
microgrid
wind
energy storage
diesel
annual
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
Application number
CN201910119681.6A
Other languages
English (en)
Other versions
CN109754128A (zh
Inventor
杨冬锋
姜超
黄南天
蔡国伟
刘晓军
李宏伟
杨学航
王文婷
包佳瑞琪
张祎琪
吴银银
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN201910119681.6A priority Critical patent/CN109754128B/zh
Publication of CN109754128A publication Critical patent/CN109754128A/zh
Application granted granted Critical
Publication of CN109754128B publication Critical patent/CN109754128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明是一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，其特点是：它包括以下步骤：1)分析风‑光‑荷时序的波动差异特性；2)计及风光荷波动特性差异和时序相关性的风‑光‑荷典型场景集生成；3)计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置建模；4)采用教与学优化算法TLBO对3)中模型求解最佳配置方案。具有方法科学合理，适用性强，效果佳，充分考虑不确定性，能够提高微电网规划效率等优点。

Description

一种计及气象波动特性差异典型场景的风/光/储/柴微电网 优化配置方法
技术领域
本发明涉及电气领域，是一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，应用于微电网分布式电源(Distribution Generation，DG)规划。
背景技术
随着我国能源和环境问题的日益突出，微电网的建设得到越来越多的关注。发展微电网，有利于促进清洁能源就地生产、就地消纳，减少负荷中心对外电能的需求。微电网孤岛模式运行下，包括风力发电机、光伏电池板以及柴油发电机的分布式电源(DG)承担了微电网的全部电力负荷，由于可再生能源的间歇性和波动性，微电网仅配置分布式电源不仅会导致弃风光问题严重，而且还会影响微电网稳定供电，储能系统(Energy StorageSystem，ESS)的应用能够最大限度的平抑微电网风电功率波动，提高电能质量。合理的DG和ESS的容量配置对孤岛微电网运行的经济性和稳定性具有重要意义。
目前的独立微电网优化配置研究主要根据某年度的历史数据，在特定的微电网运行策略下对DG和ESS容量开展优化分析，优化目标主要分为单目标和多目标优化两种，单目标优化主要以微电网经济性为主，多目标优化则兼顾经济性和供电可靠性等微电网性能指标。由于风、光资源具有强随机性、波动性等问题，历史风、光、负荷数据很难与规划期内微电网所在地区的源-荷波动特性吻合，且基于全年时序的历史数据的配置方法增加了计算量，降低了计算效率。
场景生成和缩减技术是解决不确定性、随机性问题，精简数据，提高计算效率的有效手段，但是目前的场景缩减技术普遍存在一定的问题，如部分缩减场景代表性差、场景特征变化不明显、结果偏于保守，而且现有研究均未考虑风-光-荷之间的波动性差异对场景缩减结果的影响。
发明内容
本发明要解决的技术问题是：克服现有技术的缺点和不足，提供一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，以平衡计算效率和计算精度，弥补以往聚类分析方法生成的典型场景代表性不足等问题，最大限度的涵盖微电网地区的气象特征，考虑风光不确定性对微电网风/光/储/柴混合系统进行优化配置。
本发明解决技术问题的技术方案是：一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，其特征是：它包括以下步骤：
1)分析风-光-荷时序的波动差异特性；
(a)选取微电网地区历史风速、辐照和负荷数据；
(b)根据式(1)分别计算全年各日相同时刻下的负荷、风速和辐照序列的标准差系数SDC：
Figure GDA0003883587220000021
式中，N代表风速、光照以及负荷数据的全年小时数；xi代表第i个时刻风速、光照以及负荷的具体数值；r代表风速、光照以及负荷全年各日相同时刻数据的平均值；
2)风-光-荷典型场景集生成；
首先考虑光、荷空间相关性对日间波动特性相似的辐照和负荷同步聚类，然后考虑风速与光-荷的时序波动性差异，对不同类的辐照-负荷对应的风速原始数据进行聚类，形成风速典型场景，并根据风速与光-荷的对应关系形成最终的风-光-荷典型场景集；
3)计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置建模；
①微电网的分布式电源DG和储能系统ESS出力建模；
②计及微电网综合指标的DG-ESS联合规划模型；
③计及微电网综合性能指标的运行约束；
4)采用教与学优化算法TLBO对3)中模型求解最佳配置方案
包括初始化班级、‘教’阶段、‘教’完成后更新学生、‘学’阶段、‘学’完成后更新学生和判断算法是否满足迭代次数。
所述步骤2)风-光-荷典型场景集生成具体步骤如下：
(a)读取历史全年的风速、负荷以及辐照数据；
(b)考虑负荷与辐照的时空相关性，在时间尺度上，以日为单位作为聚类基本单元，每个单元包含一组对应的辐照和负荷原始时序数据，对全周期的负荷和辐照数据进行聚类，形成辐照-负荷聚类中心；
(c)根据辐照-负荷聚类中心确定辐照-负荷典型场景，计算典型场景出现的概率PL-R；
(d)考虑风速与负荷、辐照的空间相关性和波动特性差异，同样以日为聚类单位，对步骤(b)聚类结果中不同类的辐照-负荷数据对应的风速原始数据聚类，形成风速聚类中心；
(e)根据风速聚类中心确定风速典型场景，并根据辐照-负荷典型场景和风速典型场景的对应关系，确定辐照-负荷-风速典型场景集，计算辐照-负荷-风速典型场景出现的概率PL-R-W。
所述步骤3)计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置建模包括微电网的分布式电源DG和储能系统ESS出力建模、计及微电网综合指标的DG-ESS联合规划模型和计及微电网综合性能指标的运行约束，具体步骤如下：
①微电网的分布式电源DG和储能系统ESS出力建模
(a)设定风力发电机组出力仅与风速有关，风力发电机组出力功率与风速之间的关系由式(2)的分段函数表示：
Figure GDA0003883587220000031
式中，PW为单个风力发电机实际出力功率；PWT为单个风力发电机出力额定功率；vin、vout分别为切入风速和切出风速；vr、v分别为额定风速和实际风速；
(b)设定光伏电池阵列出力仅与辐照强度和环境温度有关，其由式(3)表示：
Figure GDA0003883587220000032
式中，PV为光伏电池的实际出力功率；PSTC为光伏电池的额定出力功率；GC为光伏电池的辐照强度；TC为光伏电池的表面温度、且与周围空气温度一致；GSTC、TSTC分别为光伏电池额定功率下的额定辐照和额定温度；
(c)储能系统ESS出力建模
储能系统ESS的t时段工作状态由储能电池t-1时段后的剩余电量和在t时段的充放电功率描述；
储能蓄电池充电时，储能系统ESS的t时段后剩余电量由如下公式(4)表示：
Figure GDA0003883587220000033
式中，
Figure GDA0003883587220000034
分别表示t及t-1时段结束时储能系统ESS的剩余电量；ε为储能蓄电池每小时自漏电率；Pt ESS,charge为t时段储能蓄电池的充电功率；θcharge为储能蓄电池的充电效率；
储能蓄电池放电时，储能系统ESS的t时段后剩余电量由如下公式(5)表示：
Figure GDA0003883587220000041
式中，
Figure GDA0003883587220000042
表示t时段结束时储能系统ESS的剩余电量；ε为储能蓄电池每小时自漏电率；Pt ESS,discharge为t时段储能蓄电池放电功率；θdischarge为储能蓄电池放电效率；
储能系统的荷电状态由如下公式(6)表示：
Figure GDA0003883587220000043
式中，
Figure GDA0003883587220000044
为t时段后储能系统ESS的荷电状态，
Figure GDA0003883587220000045
表示t时段结束时储能系统ESS的剩余电量；nbat为储能系统安装的储能蓄电池个数，Ebat,rated为每个储能蓄电池的额定容量；
为了保证储能系统ESS的储能蓄电池的使用寿命，储能系统ESS的荷电状态
Figure GDA0003883587220000046
储能蓄电池的充电功率Pt ESS,charge和放电功率Pt ESS,discharge需要满足由如下公式(7)、(8)和(9)的约束：
Figure GDA0003883587220000047
Figure GDA0003883587220000048
Figure GDA0003883587220000049
式中，SOCESS,max、SOCESS,min分别为储能系统的荷电状态的上、下限，
Figure GDA00038835872200000410
分别为储能蓄电池的额定充、放电功率，θcharge为储能蓄电池的充电效率，θdischarge为储能蓄电池放电效率；
(d)柴油发电机出力建模
柴油发电机第t时段油耗量由如下公式(10)表示为：
Qt＝a.Pt diesel+b.Pdiesel,rate (10)
式中：Qt为柴油发电机第t时段消耗燃料量；Pt diesel为柴油发电机t时段的出力值；Pdiesel,rate为柴油发电机的额定功率；a、b分别为油耗系数；
②计及微电网综合指标的DG-ESS联合规划模型
微电网DG-ESS规划的目标函数为折算到一年的微电网投资运行成本，共由三部分组成：设备初期投资折算的设备年投资费用、设备替换折算的年替换费用和设备年维护运行费用，微电网规划的优化经济目标数学表达式由如下公式(11)表示为：
f＝fcap+frep+fmain (11)
式中，f表示微电网年投资运行总成本；fcap表示微电网设备年投资费用；frep表示设备年替换费用；fmain表示设备年维护运行费用；
(a)设备年投资费用
微电网设备年投资费用包括工程初期设备购买费用、设备安装费用以及人工费用，为简化计算，设定设备安装费用和人工费用为设备购买费用的20％；
微电网设备年投资费用fcap由如下公式(12)表示为：
fcap＝CRF(r,L)fcap,total (12)
其中CRF(r,L)为资本回收系数，由如下公式(13)和(14)表示为：
Figure GDA0003883587220000051
Figure GDA0003883587220000052
式中，r为实际贷款利率，L为工程周期，i为名义贷款利率，g为通货膨胀率；
fcap,total为初期设备购买费用，由如下公式(15)表示为：
fcap,total＝nwtcwt+npvcpv+nbatcbat+ndiecdie+f0 (15)
式中，nwt、npv、nbat、ndie分别表示风力发电机、光伏电池、储能蓄电池、柴油发电机的配置数量，n为任意正整数；cwt、cpv、cbat、cdie分别为风力发电机、光伏电池、储能蓄电池、柴油发电机的购买单价；f0为设备安装费用和人工费用；
(b)设备年替换费用
微电网工程周期内，当分布式电源的运行时间达到设备的使用寿命或损坏时，要对设备进行重置，设定分布式电源达到设备使用寿命进行替换；
微电网设备的年替换费用frep由如下公式(16)表示为：
frep＝CRF(r,L)frep,total (16)
其中：CRF(r,L)表示资本回收系数；r表示实际贷款利率；L表示工程周期；frep,total为工程周期内设备的总替换费用，由如下公式(17)表示为：
Figure GDA0003883587220000061
式中，
Figure GDA0003883587220000062
和
Figure GDA0003883587220000063
分别为光伏电池、风力发电机、储能蓄电池以及柴油发电机的替换标志；crep,pv、crep,bat、crep,wt和crep,diesel分别为光伏电池、储能蓄电池、风力发电机以及柴油发电机的替换费用；l为微电网运行年数；nwt、npv、nbat、ndiesel分别表示风力发电机、光伏电池、储能蓄电池、柴油发电机的配置数量，n为任意正整数；
(c)设备年维护运行费用
微电网设备年维护运行费用由设备年维护费用、柴油发电机年消耗燃料费用、年缺电惩罚费用、年环境治理费用四部分组成，由如下公式(18)表示：
fmain＝fm+ffuel+fe+floss (18)
其中，fm为微电网设备年维护费用，由如下公式(19)表示为：
fm＝cmain,pvnpv+cmain,wtnwt+cmain,batnbat+cmain,dieselndiesel (19)
式中，cmain,pv、cmain,wt、cmain,bat和cmain,diesel分别为光伏电池、风力发电机、储能蓄电池以及柴油发电机的年均维护费用，nwt、npv、nbat、ndiesel分别表示风力发电机、光伏电池、储能蓄电池、柴油发电机的配置数量，n为任意正整数；
ffuel为柴油发电机年消耗燃料费用，由如下公式(20)表示为：
Figure GDA0003883587220000064
式中，η为柴油发电机燃料的价格；Qt为柴油发电机第t时段消耗燃料量；T为微电网年运行小时数；
fe为微电网年环境治理费用，主要用于治理柴油发电机排放的多种污染气体，由如下公式(21)表示为：
Figure GDA0003883587220000071
式中，K表示柴油发电机排放污染气体的种类，Vk表示第k种污染气体的惩罚系数，Mk表示第k种污染气体的排放系数，γ表示柴油发电机的发电效率，Pt diesel为t时段柴油发电机实际发电功率；T为微电网年运行小时数；
floss为微电网年缺电惩罚费用，由如下公式(22)表示为：
Figure GDA0003883587220000072
式中，λ为缺电惩罚系数；Pt loss为t时段的切负荷；T为微电网年运行小时数；
③计及微电网综合性能指标的运行约束
③计及微电网综合性能指标的运行约束
(a)微电网可再生能源发电比例RF
对可再生能源发电比例RF进行约束，使其不小于下限值，其约束由如下公式(23)表示为：
Figure GDA0003883587220000073
其中，RF表示微电网可再生能源发电比例；RFmin表示微电网可再生能源发电比例的下限值；t表示微电网运行时段；Pt diesel、Pt pv和Pt wt分别表示柴油发电机、光伏电池和风力发电机t时段的出力值；T为微电网年运行小时数；
((b)微电网运行供电可靠性flpsp
微电网运行的供电可靠性flpsp不能超过其上限值，其flpsp由如下公式(24)表示为：
Figure GDA0003883587220000081
其中，flpsp为微电网的供电可靠性；Pt load、Pt loss分别为微电网t时段的负荷和切负荷；T为微电网年运行小时数；
(c)弃风光比例约束fdump
弃风光比例约束fdump不能超过其上限值，其fdump由如下公式(25)表示为：
Figure GDA0003883587220000082
其中，fdump为微电网的弃风光比例约束；Pt pv和Pt wt分别表示光伏电池和风力发电机t时段的出力值；Pt dump为微电网t时段弃掉的可再生能源出力值；t表示微电网运行时段；T为微电网年运行小时数。
所述步骤3)的储能系统采用铅酸储能蓄电池作为储能元件。
所述步骤4)具体步骤如下：
A初始化班级
在搜索空间内随机选择班级中的每个学生xi，xi代表问题的一个潜在解：
Figure GDA0003883587220000083
其中，i＝1,2···NP,，NP为班级学生人数；
B‘教’阶段
在TLBO算法的‘教’阶段，班级中的每个学生xi,其中，i＝1,2…,NP根据xteacher和学生平均值mean之间的差异性进行学习，采用如下公式(26)～(29)去实现‘教’的过程：
Figure GDA0003883587220000084
difference＝ri×(xteacher-TFi×mean) (27)
TFi＝round[1+rand(0,1)] (28)
ri＝rand(0,1) (29)
其中，
Figure GDA0003883587220000091
和
Figure GDA0003883587220000092
分别表示第i个学生学习后和学习前的值；difference表示教师和学生平均值之间的差异；TFi和ri分别表示教学因子和学习步长；
C‘教’完成后，更新学生；每个学生根据学习后的成绩和学习之前的成绩进行对比，保留微电网年运行经济性学习成绩较好的学生；
D‘学’阶段
对每一个学生xi，在班级中随机选取一个学习对xj，其中，j≠i，，xi通过分析自己和学生xj的差异性进行学习调整，采用如下公式(30)实现‘学’的过程：
Figure GDA0003883587220000093
F‘学’完成后，更新学生；
G判断算法是否满足迭代次数，如满足则优化结束，如不满足则返回B。
有益效果
本发明的计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，更能够反应风光荷数据的变化特征，能够满足微电网的实际运行要求，能够满足微电网运行的所有性能要求，不会发生微电网弃风光比例越限的情况，并且有效的缩减了规划数据，兼顾了计算精度，在满足微电网的实际运行要求的同时，提高了微电网全年运行的经济性。具有方法科学合理，适用性强，效果佳，充分考虑不确定性，能够提高微电网规划效率等优点。
附图说明
图1为本发明的独立微电网的典型结构；
图2为本发明基于气象波动差异特性的典型场景集——风的典型场景；
图3为本发明基于气象波动差异特性的典型场景集——光的典型场景；
图4为本发明基于气象波动差异特性的典型场景集——荷的典型场景；
图5为历史全年风光荷数据——负荷与辐照数据；
图6为历史全年风光荷数据——负荷与风速数据；
图7为典型日数据。
图中：1光伏电池，2风力发电机，3储能蓄电池，4储能系统，5柴油发电机。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
参见附图1-图7，实施例1，本实施例为一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，它包括以下步骤：
1)分析风-光-荷时序的波动差异特性；
2)风-光-荷典型场景集生成；
3)计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置建模；
4)采用教与学优化算法TLBO对3)中模型求解最佳配置方案。
所述步骤1)分析风-光-荷时序的波动差异特性为：
(a)选取微电网地区历史风速、辐照和负荷数据；
(b)根据式(1)分别计算全年各日相同时刻下的负荷、风速和辐照序列的标准差系数(Standard Deviation Coefficient，SDC)：
Figure GDA0003883587220000101
式中，N代表风速、光照以及负荷数据的全年小时数；xi代表第i个时刻风速、光照以及负荷的具体数值；r代表风速、光照以及负荷全年各日相同时刻数据的平均值。
所述步骤2)风-光-荷典型场景集生成首先考虑光、荷空间相关性对日间波动特性相似的辐照和负荷同步聚类，然后考虑风速与光-荷的时序波动性差异，对不同类的辐照-负荷对应的风速原始数据进行聚类，形成风速典型场景，并根据风速与光-荷的对应关系形成最终的风-光-荷典型场景集，具体步骤如下：
(a)读取历史全年的风速、负荷以及辐照数据；
(b)考虑负荷与辐照的时空相关性，在时间尺度上，以日为单位作为聚类基本单元，每个单元包含一组对应的辐照和负荷原始时序数据，对全周期的负荷和辐照数据进行聚类，形成辐照-负荷聚类中心；
(c)根据辐照-负荷聚类中心确定辐照-负荷典型场景，计算典型场景出现的概率PL-R；
(d)考虑风速与负荷、辐照的空间相关性和波动特性差异，同样以日为聚类单位，对步骤(b)聚类结果中不同类的辐照-负荷数据对应的风速原始数据聚类，形成风速聚类中心；
(e)根据风速聚类中心确定风速典型场景，并根据辐照-负荷典型场景和风速典型场景的对应关系，确定辐照-负荷-风速典型场景集，计算辐照-负荷-风速典型场景出现的概率PL-R-W。
所述步骤3)计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置建模包括微电网的分布式电源DG和储能系统4ESS出力建模、计及微电网综合指标的DG-ESS联合规划模型和计及微电网综合性能指标的运行约束，具体步骤如下：
①微电网的分布式电源DG和储能系统4出力建模
(a)设定风力发电机2组出力仅与风速有关，风力发电机2组出力功率与风速之间的关系由式(2)的分段函数表示：
Figure GDA0003883587220000111
式中，PW为单个风力发电机2实际出力功率；PWT为单个风力发电机2出力额定功率；vin、vout分别为切入风速和切出风速；vr、v分别为额定风速和实际风速；
(b)设定光伏电池1出力仅与辐照强度和环境温度有关，其由式(3)表示：
Figure GDA0003883587220000112
式中，PV为光伏电池1的实际出力功率；PSTC为光伏电池1的额定出力功率；GC为光伏电池1的辐照强度；TC为光伏电池1的表面温度、且与周围空气温度一致；GSTC、TSTC分别为光伏电池1额定功率下的额定辐照和额定温度；
(c)储能系统4出力建模
储能系统4的t时段工作状态由储能电池t-1时段后的剩余电量和在t时段的充放电功率描述；
储能蓄电池3充电时，储能系统4的t时段后剩余电量由如下公式(4)表示：
Figure GDA0003883587220000113
式中，
Figure GDA0003883587220000114
分别表示t及t-1时段结束时储能系统4的剩余电量；ε为储能蓄电池3每小时自漏电率；Pt ESS,charge为t时段储能蓄电池3的充电功率；θcharge为储能蓄电池3的充电效率；
储能蓄电池3放电时，储能系统4的t时段后剩余电量由如下公式(5)表示：
Figure GDA0003883587220000115
式中，
Figure GDA0003883587220000121
表示t时段结束时储能系统4的剩余电量；ε为储能蓄电池3每小时自漏电率；Pt ESS,discharge为t时段储能蓄电池3放电功率；θdischarge为储能蓄电池3放电效率；
储能系统4的荷电状态由如下公式(6)表示：
Figure GDA0003883587220000122
式中，
Figure GDA0003883587220000123
为t时段后储能系统4的荷电状态，
Figure GDA0003883587220000124
表示t时段结束时储能系统4的剩余电量；nbat为储能系统4安装的储能蓄电池3的个数，Ebat,rated为每个储能蓄电池3的额定容量；
为了保证储能系统4的储能蓄电池3的使用寿命，储能系统4的荷电状态
Figure GDA0003883587220000125
储能蓄电池3的充电功率Pt ESS,charge和放电功率Pt ESS,discharge需要满足由如下公式(7)、(8)和(9)的约束：
Figure GDA0003883587220000126
Figure GDA0003883587220000127
Figure GDA0003883587220000128
式中，SOCESS,max、SOCESS,min分别为储能系统4的荷电状态的上、下限，
Figure GDA0003883587220000129
分别为储能蓄电池3的额定充、放电功率，θcharge为储能蓄电池3的充电效率，θdischarge为储能蓄电池3放电效率；
(d)柴油发电机5出力建模
柴油发电机5第t时段油耗量由如下公式(10)表示为：
Qt＝a.Pt diesel+b.Pdiesel,rate (10)
式中：Qt为柴油发电机5第t时段消耗燃料量；Pt diesel为柴油发电机5t时段的出力值；Pdiesel,rate为柴油发电机5的额定功率；a、b分别为油耗系数；
②计及微电网综合指标的DG-ESS联合规划模型
微电网DG-ESS规划的目标函数为折算到一年的微电网投资运行成本，共由三部分组成：设备初期投资折算的设备年投资费用、设备替换折算的年替换费用和设备年维护运行费用，微电网规划的优化经济目标数学表达式由如下公式(11)表示为：
f＝fcap+frep+fmain (11)
式中，f表示微电网年投资运行总成本；fcap表示微电网设备年投资费用；frep表示设备年替换费用；fmain表示设备年维护运行费用；
(a)设备年投资费用
微电网设备年投资费用包括工程初期设备购买费用、设备安装费用以及人工费用，为简化计算，设定设备安装费用和人工费用为设备购买费用的20％；
微电网设备年投资费用fcap由如下公式(12)表示为：
fcap＝CRF(r,L)fcap,total (12)
其中CRF(r,L)为资本回收系数，由如下公式(13)和(14)表示为：
Figure GDA0003883587220000131
Figure GDA0003883587220000132
式中，r为实际贷款利率，L为工程周期，i为名义贷款利率，g为通货膨胀率；
fcap,total为初期设备购买费用，由如下公式(15)表示为：
fcap,total＝nwtcwt+npvcpv+nbatcbat+ndiecdie+f0 (15)
式中，nwt、npv、nbat、ndie分别表示风力发电机2、光伏电池1、储能蓄电池3、柴油发电机5的配置数量，n为任意正整数；cwt、cpv、cbat、cdie分别为风力发电机2、光伏电池1、储能蓄电池3、柴油发电机5的购买单价；f0为设备安装费用和人工费用；
(b)设备年替换费用
微电网工程周期内，当分布式电源的运行时间达到设备的使用寿命或损坏时，要对设备进行重置，设定分布式电源达到设备使用寿命进行替换；
微电网设备的年替换费用frep由如下公式(16)表示为：
frep＝CRF(r,F)frep,total (16)
其中：CRF(r,L)表示资本回收系数；r表示实际贷款利率；L表示工程周期；frep,total为工程周期内设备的总替换费用，由如下公式(17)表示为：
Figure GDA0003883587220000141
式中，
Figure GDA0003883587220000142
和
Figure GDA0003883587220000143
分别为光伏电池1、风力发电机2、储能蓄电池3以及柴油发电机5的替换标志；crep,pv、crep,bat、crep,wt和crep,diesel分别为光伏电池1、储能蓄电池3、风力发电机2以及柴油发电机5的替换费用；l为微电网运行年数；nwt、npv、nbat、ndiesel分别表示风力发电机2、光伏电池1、储能蓄电池3、柴油发电机5的配置数量，n为任意正整数；
(c)设备年维护运行费用
微电网设备年维护运行费用由设备年维护费用、柴油发电机5年消耗燃料费用、年缺电惩罚费用、年环境治理费用四部分组成，由如下公式(18)表示：
fmain＝fm+ffuel+fe+floss (18)
其中，fm为微电网设备年维护费用，由如下公式(19)表示为：
fm＝cmain,pvnpv+cmain,wtnwt+cmain,batnbat+cmain,dieselndiesel (19)
式中，cmain,pv、cmain,wt、cmain,bat和cmain,diesel分别为光伏电池1、风力发电机2、储能蓄电池3以及柴油发电机5的年均维护费用，nwt、npv、nbat、ndiesel分别表示风力发电机2、光伏电池1、储能蓄电池3、柴油发电机5的配置数量，n为任意正整数；
ffuel为柴油发电机5年消耗燃料费用，由如下公式(20)表示为：
Figure GDA0003883587220000144
式中，η为柴油发电机5燃料的价格；Qt为柴油发电机5第t时段消耗燃料量；T为微电网年运行小时数；
fe为微电网年环境治理费用，主要用于治理柴油发电机5排放的多种污染气体，由如下公式(21)表示为：
Figure GDA0003883587220000151
式中，K表示柴油发电机5排放污染气体的种类，Vk表示第k种污染气体的惩罚系数，Mk表示第k种污染气体的排放系数，γ表示柴油发电机5的发电效率，Pt diesel为t时段柴油发电机5实际发电功率；T为微电网年运行小时数；
floss为微电网年缺电惩罚费用，由如下公式(22)表示为：
Figure GDA0003883587220000152
式中，λ为缺电惩罚系数；Pt loss为t时段的切负荷；T为微电网年运行小时数；
③计及微电网综合性能指标的运行约束
③计及微电网综合性能指标的运行约束
(a)微电网可再生能源发电比例RF
对可再生能源发电比例RF进行约束，使其不小于下限值，其约束由如下公式(23)表示为：
Figure GDA0003883587220000153
其中，RF表示微电网可再生能源发电比例；RFmin表示微电网可再生能源发电比例的下限值；t表示微电网运行时段；Pt diesel、Pt pv和Pt wt分别表示柴油发电机5、光伏电池1和风力发电机2t时段的出力值；T为微电网年运行小时数；
((b)微电网运行供电可靠性flpsp
微电网运行的供电可靠性flpsp不能超过其上限值，其flpsp由如下公式(24)表示为：
Figure GDA0003883587220000161
其中，flpsp为微电网的供电可靠性；Pt load、Pt loss分别为微电网t时段的负荷和切负荷；T为微电网年运行小时数；
(c)弃风光比例约束fdump
弃风光比例约束fdump不能超过其上限值，其fdump由如下公式(25)表示为：
Figure GDA0003883587220000162
其中，fdump为微电网的弃风光比例约束；Pt pv和Pt wt分别表示光伏电池1和风力发电机2t时段的出力值；Pt dump为微电网t时段弃掉的可再生能源出力值；t表示微电网运行时段；T为微电网年运行小时数；
所述步骤3)的储能系统4采用铅酸储能蓄电池3作为储能元件。
所述步骤4)采用教与学优化算法TLBO对3)中模型求解最佳配置方案包括初始化班级、‘教’阶段、‘教’完成后更新学生、‘学’阶段、‘学’完成后更新学生和判断算法是否满足迭代次数，具体步骤如下：
A初始化班级
在搜索空间内随机选择班级中的每个学生xi，xi代表问题的一个潜在解：
Figure GDA0003883587220000163
其中，i＝1,2···NP,，NP为班级学生人数；
B‘教’阶段
在TLBO算法的‘教’阶段，班级中的每个学生xi,其中，i＝1,2…,NP，根据xteacher和学生平均值mean之间的差异性进行学习，采用如下公式(26)～(29)去实现‘教’的过程：
Figure GDA0003883587220000164
difference＝ri×(xteacher-TFi×mean) (27)
TFi＝round[1+rand(0,1)] (28)
ri＝rand(0,1) (29)
其中，
Figure GDA0003883587220000171
和
Figure GDA0003883587220000172
分别表示第i个学生学习后和学习前的值；difference表示教师和学生平均值之间的差异；TFi和ri分别表示教学因子和学习步长；
C‘教’完成后，更新学生；每个学生根据学习后的成绩和学习之前的成绩进行对比，保留微电网年运行经济性学习成绩较好的学生；
D‘学’阶段
对每一个学生xi，在班级中随机选取一个学习对xj，其中，j≠i，，xi通过分析自己和学生xj的差异性进行学习调整，采用如下公式(30)实现‘学’的过程：
Figure GDA0003883587220000173
F‘学’完成后，更新学生；
G判断算法是否满足迭代次数，如满足则优化结束，如不满足则返回B。
通过本实施例实现计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置，确定最佳的DG和ESS安装容量，见表1：
表1典型场景集方法配置结果
Figure GDA0003883587220000174
实施例2，作为对照，实施例2采用现有技术的时序仿真法进行微电网优化配置，其配置结果见表2：
表2时序仿真法配置结果
Figure GDA0003883587220000175
Figure GDA0003883587220000181
实施例3，作为对照，实施例3采用现有技术的典型日法进行微电网优化配置，其配置结果见表3：
表2典型日方法配置结果
Figure GDA0003883587220000182
对照表1、表2和表3可以看出，相比于现有技术的典型日法，基于聚类技术生成的典型场景集更能够反应风光荷数据的变化特征，典型场景法的配置结果能够满足微电网的实际运行要求。相比于现有技术的时序仿真法，典型场景集法有效的缩减了规划数据，兼顾了计算精度，提高了微电网全年运行的经济性。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举，而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (5)

1.一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，其特征是：它包括以下步骤：
1)分析风-光-荷时序的波动差异特性；
(a)选取微电网地区历史风速、辐照和负荷数据；
(b)根据式(1)分别计算全年各日相同时刻下的负荷、风速和辐照序列的标准差系数SDC：
Figure FDA0003883587210000011
式中，N代表风速、光照以及负荷数据的全年小时数；xi代表第i个时刻风速、光照以及负荷的具体数值；r代表风速、光照以及负荷全年各日相同时刻数据的平均值；
2)风-光-荷典型场景集生成
首先考虑光、荷空间相关性对日间波动特性相似的辐照和负荷同步聚类，然后考虑风速与光-荷的时序波动性差异，对不同类的辐照-负荷对应的风速原始数据进行聚类，形成风速典型场景，并根据风速与光-荷的对应关系形成最终的风-光-荷典型场景集；
3)计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置建模
①微电网的分布式电源DG和储能系统ESS出力建模；
②计及微电网综合指标的DG-ESS联合规划模型；
③计及微电网综合性能指标的运行约束；
4)采用教与学优化算法TLBO对3)中模型求解最佳配置方案
包括初始化班级、‘教’阶段、‘教’完成后更新学生、‘学’阶段、‘学’完成后更新学生和判断算法是否满足迭代次数。
2.如权利要求1所述的一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，其特征是：所述步骤2)风-光-荷典型场景集生成具体步骤如下：
(a)读取历史全年的风速、负荷以及辐照数据；
(b)考虑负荷与辐照的时空相关性，在时间尺度上，以日为单位作为聚类基本单元，每个单元包含一组对应的辐照和负荷原始时序数据，对全周期的负荷和辐照数据进行聚类，形成辐照-负荷聚类中心；
(c)根据辐照-负荷聚类中心确定辐照-负荷典型场景，计算典型场景出现的概率PL-R；
(d)考虑风速与负荷、辐照的空间相关性和波动特性差异，同样以日为聚类单位，对步骤(b)聚类结果中不同类的辐照-负荷数据对应的风速原始数据聚类，形成风速聚类中心；
(e)根据风速聚类中心确定风速典型场景，并根据辐照-负荷典型场景和风速典型场景的对应关系，确定辐照-负荷-风速典型场景集，计算辐照-负荷-风速典型场景出现的概率PL-R-W。
3.如权利要求1所述的一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，其特征是：所述步骤3)计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置建模具体步骤如下：
①微电网的分布式电源DG和储能系统ESS出力建模
(a)设定风力发电机组出力仅与风速有关，风力发电机组出力功率与风速之间的关系由式(2)的分段函数表示：
Figure FDA0003883587210000021
式中，PW为单个风力发电机实际出力功率；PWT为单个风力发电机出力额定功率；vin、vout分别为切入风速和切出风速；vr、v分别为额定风速和实际风速；
(b)设定光伏电池阵列出力仅与辐照强度和环境温度有关，其由式(3)表示：
Figure FDA0003883587210000022
式中，PV为光伏电池的实际出力功率；PSTC为光伏电池的额定出力功率；GC为光伏电池的辐照强度；TC为光伏电池的表面温度、且与周围空气温度一致；GSTC、TSTC分别为光伏电池额定功率下的额定辐照和额定温度；
(c)储能系统ESS出力建模
储能系统ESS的t时段工作状态由储能电池t-1时段后的剩余电量和在t时段的充放电功率描述；
储能蓄电池充电时，储能系统ESS的t时段后剩余电量由如下公式(4)表示：
Figure FDA0003883587210000023
式中，
Figure FDA0003883587210000031
分别表示t及t-1时段结束时储能系统ESS的剩余电量；ε为储能蓄电池每小时自漏电率；
Figure FDA0003883587210000032
为t时段储能蓄电池的充电功率；θcharge为储能蓄电池的充电效率；
储能蓄电池放电时，储能系统ESS的t时段后剩余电量由如下公式(5)表示：
Figure FDA0003883587210000033
式中，
Figure FDA0003883587210000034
表示t时段结束时储能系统ESS的剩余电量；ε为储能蓄电池每小时自漏电率；
Figure FDA0003883587210000035
为t时段储能蓄电池放电功率；θdischarge为储能蓄电池放电效率；
储能系统的荷电状态由如下公式(6)表示：
Figure FDA0003883587210000036
式中，
Figure FDA0003883587210000037
为t时段后储能系统ESS的荷电状态，
Figure FDA0003883587210000038
表示t时段结束时储能系统ESS的剩余电量；nbat为储能系统安装的储能蓄电池个数，Ebat,rated为每个储能蓄电池的额定容量；
为了保证储能系统ESS的储能蓄电池的使用寿命，储能系统ESS的荷电状态
Figure FDA0003883587210000039
储能蓄电池的充电功率
Figure FDA00038835872100000310
和放电功率
Figure FDA00038835872100000311
需要满足由如下公式(7)、(8)和(9)的约束：
Figure FDA00038835872100000312
Figure FDA00038835872100000313
Figure FDA00038835872100000314
式中，SOCESS,max、SOCESS,min分别为储能系统的荷电状态的上、下限，
Figure FDA00038835872100000315
分别为储能蓄电池的额定充、放电功率，θcharge为储能蓄电池的充电效率，θdischarge为储能蓄电池放电效率；
(d)柴油发电机出力建模
柴油发电机第t时段油耗量由如下公式(10)表示为：
Figure FDA0003883587210000041
式中：Qt为柴油发电机第t时段消耗燃料量；
Figure FDA0003883587210000042
为柴油发电机t时段的出力值；Pdiesel,rate为柴油发电机的额定功率；a、b分别为油耗系数；
②计及微电网综合指标的DG-ESS联合规划模型
微电网DG-ESS规划的目标函数为折算到一年的微电网投资运行成本，共由三部分组成：设备初期投资折算的设备年投资费用、设备替换折算的年替换费用和设备年维护运行费用，微电网规划的优化经济目标数学表达式由如下公式(11)表示为：
f＝fcap+frep+fmain (11)
式中，f表示微电网年投资运行总成本；fcap表示微电网设备年投资费用；frep表示设备年替换费用；fmain表示设备年维护运行费用；
(a)设备年投资费用
微电网设备年投资费用包括工程初期设备购买费用、设备安装费用以及人工费用，为简化计算，设定设备安装费用和人工费用为设备购买费用的20％；
微电网设备年投资费用fcap由如下公式(12)表示为：
fcap＝CRF(r,L)fcap,total (12)
其中CRF(r,L)为资本回收系数，由如下公式(13)和(14)表示为：
Figure FDA0003883587210000043
Figure FDA0003883587210000044
式中，r为实际贷款利率，L为工程周期，i为名义贷款利率，g为通货膨胀率；
fcap,total为初期设备购买费用，由如下公式(15)表示为：
fcap,total＝nwtcwt+npvcpv+nbatcbat+ndiecdie+f0 (15)
式中，nwt、npv、nbat、ndie分别表示风力发电机、光伏电池、储能蓄电池、柴油发电机的配置数量，n为任意正整数；cwt、cpv、cbat、cdie分别为风力发电机、光伏电池、储能蓄电池、柴油发电机的购买单价；f0为设备安装费用和人工费用；
(b)设备年替换费用
微电网工程周期内，当分布式电源的运行时间达到设备的使用寿命或损坏时，要对设备进行重置，设定分布式电源达到设备使用寿命进行替换；
微电网设备的年替换费用frep由如下公式(16)表示为：
frep＝CRF(r,L)frep,total (16)
其中：CRF(r,L)表示资本回收系数；r表示实际贷款利率；L表示工程周期；frep,total为工程周期内设备的总替换费用，由如下公式(17)表示为：
Figure FDA0003883587210000051
式中，
Figure FDA0003883587210000052
和
Figure FDA0003883587210000053
分别为光伏电池、风力发电机、储能蓄电池以及柴油发电机的替换标志；crep,pv、crep,bat、crep,wt和crep,diesel分别为光伏电池、储能蓄电池、风力发电机以及柴油发电机的替换费用；l为微电网运行年数；nwt、npv、nbat、ndiesel分别表示风力发电机、光伏电池、储能蓄电池、柴油发电机的配置数量，n为任意正整数；
(c)设备年维护运行费用
微电网设备年维护运行费用由设备年维护费用、柴油发电机年消耗燃料费用、年缺电惩罚费用、年环境治理费用四部分组成，由如下公式(18)表示：
fmain＝fm+ffuel+fe+floss (18)
其中，fm为微电网设备年维护费用，由如下公式(19)表示为：
fm＝cmain,pvnpv+cmain,wtnwt+cmain,batnbat+cmain,dieselndiesel (19)
式中，cmain,pv、cmain,wt、cmain,bat和cmain,diesel分别为光伏电池、风力发电机、储能蓄电池以及柴油发电机的年均维护费用，nwt、npv、nbat、ndiesel分别表示风力发电机、光伏电池、储能蓄电池、柴油发电机的配置数量，n为任意正整数；
ffuel为柴油发电机年消耗燃料费用，由如下公式(20)表示为：
Figure FDA0003883587210000061
式中，η为柴油发电机燃料的价格；Qt为柴油发电机第t时段消耗燃料量；T为微电网年运行小时数；
fe为微电网年环境治理费用，主要用于治理柴油发电机排放的多种污染气体，由如下公式(21)表示为：
Figure FDA0003883587210000062
式中，K表示柴油发电机排放污染气体的种类，Vk表示第k种污染气体的惩罚系数，Mk表示第k种污染气体的排放系数，γ表示柴油发电机的发电效率，
Figure FDA0003883587210000063
为t时段柴油发电机实际发电功率；T为微电网年运行小时数；
floss为微电网年缺电惩罚费用，由如下公式(22)表示为：
Figure FDA0003883587210000064
式中，λ为缺电惩罚系数；
Figure FDA0003883587210000065
为t时段的切负荷；T为微电网年运行小时数；
③计及微电网综合性能指标的运行约束
(a)微电网可再生能源发电比例RF
对可再生能源发电比例RF进行约束，使其不小于下限值，其约束由如下公式(23)表示为：
Figure FDA0003883587210000066
其中，RF表示微电网可再生能源发电比例；RFmin表示微电网可再生能源发电比例的下限值；t表示微电网运行时段；
Figure FDA0003883587210000071
和
Figure FDA0003883587210000072
分别表示柴油发电机、光伏电池和风力发电机t时段的出力值；T为微电网年运行小时数；
(b)微电网运行供电可靠性flpsp
微电网运行的供电可靠性flpsp不能超过其上限值，其flpsp由如下公式(24)表示为：
Figure FDA0003883587210000073
其中，flpsp为微电网的供电可靠性；
Figure FDA0003883587210000074
分别为微电网t时段的负荷和切负荷；T为微电网年运行小时数；
(c)弃风光比例约束fdump
弃风光比例约束fdump不能超过其上限值，其fdump由如下公式(25)表示为：
Figure FDA0003883587210000075
其中，fdump为微电网的弃风光比例约束；
Figure FDA0003883587210000076
和
Figure FDA0003883587210000077
分别表示光伏电池和风力发电机t时段的出力值；
Figure FDA0003883587210000078
为微电网t时段弃掉的可再生能源出力值；t表示微电网运行时段；T为微电网年运行小时数。
4.如权利要求3所述的一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，其特征是：所述步骤3)的储能系统采用铅酸储能蓄电池作为储能元件。
5.如权利要求1所述的一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法，其特征是：所述步骤4)具体步骤如下：
A初始化班级
在搜索空间内随机选择班级中的每个学生xi，xi代表问题的一个潜在解：
Figure FDA0003883587210000079
其中，i＝1,2···NP,NP为班级学生人数；
B‘教’阶段
在TLBO算法的‘教’阶段，班级中的每个学生xi,其中，i＝1,2…,NP，根据xteacher和学生平均值mean之间的差异性进行学习，采用如下公式(26)～(29)去实现‘教’的过程：
Figure FDA0003883587210000081
difference＝ri×(xteacher-TFi×mean) (27)
TFi＝round[1+rand(0,1)] (28)
ri＝rand(0,1) (29)
其中，
Figure FDA0003883587210000082
和
Figure FDA0003883587210000083
分别表示第i个学生学习后和学习前的值；difference表示教师和学生平均值之间的差异；TFi和ri分别表示教学因子和学习步长；
C‘教’完成后，更新学生；每个学生根据学习后的成绩和学习之前的成绩进行对比，保留微电网年运行经济性学习成绩较好的学生；
D‘学’阶段
对每一个学生xi，在班级中随机选取一个学习对xj，其中，j≠i，xi通过分析自己和学生xj的差异性进行学习调整，采用如下公式(30)实现‘学’的过程：
Figure FDA0003883587210000084
F‘学’完成后，更新学生；
G判断算法是否满足迭代次数，如满足则优化结束，如不满足则返回B。
CN201910119681.6A 2019-02-18 2019-02-18 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 Active CN109754128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910119681.6A CN109754128B (zh) 2019-02-18 2019-02-18 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910119681.6A CN109754128B (zh) 2019-02-18 2019-02-18 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法

Publications (2)

Publication Number Publication Date
CN109754128A CN109754128A (zh) 2019-05-14
CN109754128B true CN109754128B (zh) 2022-11-25

Family

ID=66407488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910119681.6A Active CN109754128B (zh) 2019-02-18 2019-02-18 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法

Country Status (1)

Country Link
CN (1) CN109754128B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507532B (zh) * 2020-04-18 2022-05-24 东北电力大学 基于源-荷-温度场景深度联合生成的多能源微网优化配置方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105990838A (zh) * 2016-05-17 2016-10-05 杭州电子科技大学 一种计及可调度和可平移负荷的海岛微电网优化调度方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150268643A1 (en) * 2014-01-08 2015-09-24 Nec Laboratories America, Inc. Quantifying the Impact of Constraints on a Grid-Tied Microgrid Using Optimal Control
US10290064B2 (en) * 2014-10-21 2019-05-14 Accenture Global Services Limited System, method and apparatus for capacity determination for micro grid and tangible computer readable medium
CN106485358A (zh) * 2016-10-12 2017-03-08 国网上海市电力公司 结合序列运算和粒子群算法的独立微电网优化配置方法
CN107834601A (zh) * 2017-11-17 2018-03-23 燕山大学 一种考虑柔性负荷的独立微电网系统容量优化配置方法
CN108494015B (zh) * 2018-02-09 2020-09-25 中国科学院电工研究所 一种源-荷-储协调互动的综合能源系统设计方法
CN108491922A (zh) * 2018-03-21 2018-09-04 华南理工大学 基于教学和粒子群算法的主动配电网智能混合重构方法
CN109325608B (zh) * 2018-06-01 2022-04-01 国网上海市电力公司 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN108964134B (zh) * 2018-09-10 2021-06-18 东北电力大学 基于面积灰色关联决策的分布式电源规划的概率分析方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105990838A (zh) * 2016-05-17 2016-10-05 杭州电子科技大学 一种计及可调度和可平移负荷的海岛微电网优化调度方法

Also Published As

Publication number Publication date
CN109754128A (zh) 2019-05-14

Similar Documents

Publication Publication Date Title
CN109687444B (zh) 一种微电网电源多目标双层优化配置方法
CN103606969B (zh) 含新能源及海水淡化负荷的海岛微电网优化调度方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN104377724A (zh) 提高风电/光伏混合储能系统经济性的协调优化控制方法
CN116436008A (zh) 一种用于光储充电站的电力调度方法及终端
CN114884108B (zh) 源网荷储一体化的微电网多时间尺度能量管理优化方法
CN114285034B (zh) 一种考虑受电及新能源波动的日前调控优化方法及系统
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN111064192A (zh) 一种计及源荷不确定性的独立型微网容量优化配置方法
CN112238781A (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN115115130A (zh) 一种基于模拟退火算法的风光储制氢系统日前调度方法
Zhou et al. Optimal sizing of pv system and bess for smart household under stepwise power tariff
CN109754128B (zh) 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法
CN111311032B (zh) 一种基于扇形雷达图模型的微网系统容量优化配置方法
CN117134409A (zh) 考虑电-氢-热互补的微网系统及其多目标优化配置方法
CN116131303A (zh) 基于蓄能-储能-光伏电池的综合能源系统协同优化方法
CN110334856A (zh) 一种基于碳交易机制的风光储容量规划方法
Ying et al. Stand-alone micro-grid distributed generator optimization with different battery technologies
Han et al. Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation
CN115912421A (zh) 一种配电网储能选址定容多目标优化方法及系统
CN115473285A (zh) 基于合作博弈论的多类型储能系统最优容量配置方法
CN113488990B (zh) 基于改进的蝙蝠算法的微电网优化调度方法
CN115313349A (zh) 电动船舶直流微电网充电系统控制方法、系统及存储介质
Li et al. Optimal configuration of power supply of microgrid based on bilevel layer programming with renewable energy preferred

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