CN109884888B - 一种基于非合作博弈的多楼宇微网模型预测调控方法 - Google Patents

一种基于非合作博弈的多楼宇微网模型预测调控方法 Download PDF

Info

Publication number
CN109884888B
CN109884888B CN201811648659.2A CN201811648659A CN109884888B CN 109884888 B CN109884888 B CN 109884888B CN 201811648659 A CN201811648659 A CN 201811648659A CN 109884888 B CN109884888 B CN 109884888B
Authority
CN
China
Prior art keywords
building
power
electricity
microgrid
formula
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
CN201811648659.2A
Other languages
English (en)
Other versions
CN109884888A (zh
Inventor
王旭东
吴梦涵
戚艳
李国栋
吴彬
吴莉萍
穆云飞
吴磊
霍现旭
胡晓辉
丁一
李涛
马世乾
袁中琛
赵玉新
康宁
李雪
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
North China Electric Power University
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
North China Electric Power University
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, North China Electric Power University, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811648659.2A priority Critical patent/CN109884888B/zh
Publication of CN109884888A publication Critical patent/CN109884888A/zh
Application granted granted Critical
Publication of CN109884888B publication Critical patent/CN109884888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于非合作博弈的多楼宇微网模型预测调控方法,其技术特点在于:包括以下步骤:步骤1、建立多楼宇微网的非合作博弈模型;步骤2、构建基于非合作博弈的多微网模型预测调控模型;步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化,得到预测时域内每一时刻的富余电量,各楼宇微网以己方收益最大为原则进行博弈,得到各楼宇与配网及其他楼宇的交易电量、电价;步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列,包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率,然后下发其中第一个控制序列到各楼宇微网。本发明能够提高各楼宇自身售电收益,进一步降低楼宇运行成本。

Description

一种基于非合作博弈的多楼宇微网模型预测调控方法
技术领域
本发明属于新能源与可再生能源的优化控制技术领域,涉及多楼宇微网模型预测调控方法,尤其是一种基于非合作博弈的多楼宇微网模型预测调控方法。
背景技术
随着城市化进程的加快和人民生活水平的提高,我国能源需求快速增长,其中楼宇能耗预计到2020年将占到全国总能耗的35%。近年来,越来越多的分布式供能系统在楼宇侧集成,楼宇从原来的能源消费者转变为能源产消者,具备了能源交易的能力。以楼宇为主体的微网系统可为楼宇之间的交易提供了交易平台和管理方法。楼宇之间进行电量交易,可以减少各楼宇与配网的直接交易电量,提高可再生能源消纳。将一个区域内临近楼宇微网互联,基于交易模型形成多楼宇微网微网互动协调管理系统,在城市配电网末端具有广阔的应用前景。
当前,可再生能源出力预测精度低是单楼宇微网优化调控需要解决的关键问题。已在工业控制领域得到广泛应用的模型预测控制(model predictive con-trol,MPC)方法可有效避免传统楼宇微网调控对预测依赖性强、受环境因素影响大、日前调控方案与实际运行需求偏差较大的问题。现有文献提出融合虚拟储能系统的楼宇微网模型预测调控方法充分利用了楼宇蓄热特性,挖掘楼宇参与微网优化调控的虚拟储能潜力,降低运行成本的同时,在预测不确定环境下具有较强的鲁棒性。对楼宇微网内多类型供能单元及楼宇用能负荷进行优化调控,实现不同能源之间的优势互补是提高能源利用效率的有效途径之一。楼宇微网内部的优化调控方法从降低自身成本角度考虑,而楼宇微网间的电量交易可以提高楼宇自身的售电收益。
多微网系统非合作博弈竞争问题,已有相关研究。有些文献分析了多微网内的非合作博弈过程,将交易服务费用作为配电网的博弈策略;有些文献以智能配电网为研究对象,设计动态博弈策略,算例分析结果验证了其模型的有效性;有些文献运用非合作博弈策略,分析了负荷侧和能源侧的博弈互动关系;有些文献对冷热电联供微能源网中微能源网与用户的非合作博弈模型进行了分析,并提出兼顾用户体验与经济最优的博弈策略;有些文献针对智能电网环境下多智能楼宇微网,提出了一种基于迭代算法的纳什均衡求解策略;有些文献研究了面向信息不完全透明条件下的储能设备非合作博弈竞争模型;有些文献建立了新能源智能电网分布式定价决策模型,采用了基于Nikaido-Isoda函数的迭代优化博弈策略;有些文献中提出一种基于主-从博弈的能源互联网系统分布式能源管理模型,对所设计的博弈策略进行迭代求解。
但上述研究中提出的博弈策略存在以下问题:(1)传统多微网系统非合作博弈竞争问题采用一般的纳什优化反复迭代方法,存在求解的时间长的问题;(2)大多数研究关注的是售电方或者购电方中的某一方或关系固定的两方之间的博弈过程,然而在多楼宇微网系统中,不同时刻博弈方的角色会在售电方与购电方之间变化;(3)未考虑配网服务成本或将其设为定值。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理、应用简单、快速且具有很好的实用价值的基于非合作博弈的多楼宇微网模型预测调控方法。
一种基于非合作博弈的多楼宇微网模型预测调控方法,包括以下步骤:
步骤1、建立多楼宇微网的非合作博弈模型;
步骤2、构建基于非合作博弈的多微网模型预测调控模型,具体包括电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型;并根据步骤2的多微网模型预测调控模型得到预测数据;
步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化,得到预测时域内每一时刻的富余电量,各楼宇微网以己方收益最大为原则进行博弈,得到各楼宇与配网及其他楼宇的交易电量、电价;
步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列,包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率,然后下发其中第一个控制序列到各楼宇微网。
而且,所述步骤1的具体步骤包括:
(1)确定博弈方为系统中的N个楼宇微网;
(2)确定博弈策略:非合作博弈过程中,博弈各方以己方收益最大为原则进行博弈,博弈时不因其他博弈方的收益而改变己方博弈策略;各楼宇微网的博弈策略是与其他微网的交易电量、电价;博弈过程中多电楼宇首先给出售电电价,然后少电楼宇按照楼宇编号由小到大依序与多电楼宇方进行电量交易,直至多电方富余电量为零或少电方电量缺额为零;
(3)确定博弈收益
各楼宇微网的博弈收益可以由两部分组成:与配网交易收益和与其他微网的交易收益;
对多电楼宇微网i,T时间段,多电楼宇i与配网交易收益CDG,i,t如式(1)所示:
Figure BDA0001932515570000031
式中:
Figure BDA0001932515570000032
为t时刻配网的售电单价;
Figure BDA0001932515570000033
为t时刻配网的购电单价;PDG,i,t为楼宇i与配网的交易电量,购电为正,售电为负;
T时间段,多电楼宇i与少电楼宇交易收益Ctrading,i,t如式(2)所示:
Figure BDA0001932515570000034
式中:Ns,j,j=1…p为t时刻p个少电楼宇微网的编号;Pij,t为交易电量,表示t时刻多电楼宇i向少电楼宇j的售电量,其值为正;
Figure BDA0001932515570000035
为交易电价,表示i向j售电单价,其值为正;
综上,T时间段内,多电楼宇微网i的收益为:
Ci,t=CDG,i,t+Ctrading,i,t (3)
对少电楼宇微网j,T时间段,少电楼宇j与配网交易收益CDG,j,t如式(4)所示:
Figure BDA0001932515570000041
式中:PDG,j,t为楼宇j与配网交易电量,购电为正,售电为负;
T时间段,少电楼宇j与多电楼宇交易收益Ctrading,j,t如式(5)所示:
Figure BDA0001932515570000042
式中:Nd,i,i=1…q为t时刻q个多电楼宇微网的编号;
Figure BDA0001932515570000043
表示t时刻楼宇j的购电单价,可以表示为:
Figure BDA0001932515570000044
式中:
Figure BDA0001932515570000045
为服务费用,若多楼宇通过博弈达成交易,配网收取一定服务费用,由购电方承担,本发明假定当少电方从多电方购电单价相同时,优先选择服务费用低的一方进行交易;
考虑到各楼宇微网之间交易电价的合理性,应当保证:a)少电楼宇方购电价格不应高于从配网购电价格;b)多电楼宇方的售电价格不应低于向配网售电价格,即:
Figure BDA0001932515570000046
综上,T时间段内,少电楼宇微网j的收益为:
Cj,t=CDG,j,t+Ctrading,j,t (8)
而且,所述步骤2的具体步骤包括:
(1)构建电负荷预测模型:
Pload,n,t=Lper,n,t×(PDlight,n+PDequ,n)×Sn (9)
式中:Pload,n,t表示楼宇n在t时刻的电负荷预测值;Lper,n,t表示计及不确定因素的逐时用电百分比;PDlight,n表示照明功率密度值,PDequ,n表示插座功率密度值,单位为W/m2;Sn表示楼宇n的面积;
(2)构建热负荷预测模型:
楼宇在t时刻的随机热负荷Qin,n,t如式(10)所示:
Qin,n,t=Qbody,n,t+Qequ,n,t+Qout,n,t+Qsun,n,t (10)
Qbody,n,t表示楼宇内人员活动产生的随机热负荷,如下所示:
Figure BDA0001932515570000051
式中:Bper,n,t表示计及不确定因素的人员逐时在室百分比;Qaverage,n表示人体平均散热量,单位为W/人;Sbody,n表示人均占有面积,单位为m2/人;
Qequ,n,t楼宇内部设备运行时产生的随机热负荷如式(12)所示:
Qequ,n,t=Lper,n,t×(PDlight,n,t+PDequ,n,t)×Sn×εn (12)
式中:εn表示设备的散热比例;
Qout,n,t表示楼宇通过外墙、外窗与室外传递的热量:
Figure BDA0001932515570000052
式中:kwall,n、kwin,n分别表示楼宇n的外墙和外窗传热系数;Fwall,n、Fwin,n分别表示楼宇n的外墙和外窗面积;Tout,n,t表示楼宇n在t时刻的室外温度;Tin,n,t表示楼宇n在t时刻的室内温度;ΔT表示t时刻室内外温差;
Qsun,n,t表示太阳热辐射传递的热量:
Qsun,n,t=Is,t×Fwin,n×Sc,n (14)
式中:Is,t表示太阳辐射功率;Sc,n表示楼宇的遮阳系数;
(3)构建风机、光伏预测模型
风机和光伏预测,模型满足式(15):
Figure BDA0001932515570000061
式中:Pwt,t、Ppv,t分别表示风机输出功率、光伏输出功率的日前预测值;
Figure BDA0001932515570000062
分别表示输入变量在t时刻的短期预测值;
Figure BDA0001932515570000063
表示输入变量日前预测值在t时刻的预测不确定阈值;R(t)为一个服从均一分布U(1,1)的随机数;
(4)建立基于非合作博弈的多微网模型预测调控模型的目标函数:
各楼宇在基于非合作博弈的滚动优化过程中,优化目标为控制时域内各自运行成本最低;目标函数如式(16)所示:
Figure BDA0001932515570000064
式中:CDG,n,t为楼宇n与配网交易的收益;Ctrading,n,t为楼宇n与其他楼宇交易的收益,其计算方法如式(17)所示:
Figure BDA0001932515570000065
Cmaintenance,n,t为楼宇n的设备使用维护成本,其计算方法如式(18)所示:
Figure BDA0001932515570000066
式中:Cwt_om、Cpv_om、Cbt_om和Cec_om分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本;
Cpunishment,n,t为影响用户温度舒适度而设的罚函数项,其计算方法如式(19)所示:
Cpunishmen,t=γ|Tin,t-Tset,t| (19)
式中:γ为用户敏感系数;
(5)确定约束条件:
各楼宇的模型预测调控模型约束条件为:
①电功率平衡约束
Figure BDA0001932515570000071
Ptrading,n,t为楼宇n与其他微网的交易电量,若t时刻n为多电楼宇微网,则
Figure BDA0001932515570000072
若t时刻n为少电楼宇微网,则
Figure BDA0001932515570000073
PDG,n,t表示楼宇n与配网的交易电量,应满足微网与外网允许交互的容量约束:
Figure BDA0001932515570000074
Pec,n,t表示电制冷机消耗的电功率,其应满足的运行约束如下:
Figure BDA0001932515570000075
电制冷机的制冷功率Qec,n,t与Pec,n,t的关系为:
Qec,n,t=Pec,n,t×COPec (25)
式中:COPec为电制冷机的能效比;
Pbt,n,t为蓄电池的充放电功率,充电为正,放电为负,蓄电池需满足以下运行条件:
Figure BDA0001932515570000081
Figure BDA0001932515570000082
Figure BDA0001932515570000083
Sn,1=Sn,24 (29)
式中:Sn,t表示t时刻蓄电池的剩余电量;
Figure BDA0001932515570000084
分别表示其储能容量上下限;Ic、Id分别表示蓄电池的充放电状态,为{0,1}变量;ηc、ηd为蓄电池的充放电效率;
②热平衡约束
考虑基于楼宇的蓄热特性,依据能量守恒构建了楼宇的虚拟储能模型,根据其差分方程得到楼宇虚拟储能模型的热平衡约束:
ρCVn(Tin,n,t+1-Tin,n,t)=ΔT×(Qin,n,t-Qcooling,n,t) (30)
式中:ρ、Vn、C分别表示室内空气密度、体积和空气比热容,等式左侧表示室内热量的变化量;Qcooling,n,t表示楼宇的制冷需求,本发明假定电制冷机的制冷功率与楼宇的制冷需求相等,即:
Qcooling,n,t=Qec,n,t (31)
本发明的优点和有益效果:
1、本发明以融合虚拟储能系统的多楼宇微网研究对象,提出一种基于非合作博弈的多楼宇微网模型预测调控方法,将虚拟储能系统作为灵活可控单元集成到微网模型预测调控模型中,有效解决由预测误差导致的楼宇微网优化调控方案与实际运行场景偏差较大的问题,从优化角度提高楼宇运行经济性。
2、本发明可为楼宇之间的交易提供了一种高效的调控方法,使楼宇之间可进行电量交易,减少各楼宇与配网的直接交易电量,提高可再生能源消纳,在城市能源互联网的发展背景下具有广阔的应用前景。
3、本发明建立的非合作博弈模型不需迭代,可快速求解博弈策略,将非合作博弈模型引入到模型预测调控过程中,提高各楼宇自身售电收益,进一步降低楼宇运行成本。
附图说明
图1为本发明的基于非合作博弈的多楼宇微网模型预测调控方法处理流程图;
图2为本发明的多楼宇微网系统示意图;
图3为本发明的模型预测调控决策机制示意图;
图4为本发明的楼宇之间交易电量、电价与Psu,1,t的关系示意图
图5为本发明的
Figure BDA0001932515570000091
对交易电价的影响示意图;
图6为本发明的场景一下各楼宇与配网的交易电量示意图;
图7为本发明的MG1在场景二和场景三下配网的交易电量示意图;
图8(a)为本发明的00:00~06:00时间段楼宇之间的交易电价情况示意图;
图8(b)为本发明的00:00~06:00时间段楼宇之间的交易电量情况示意图;
图9为本发明的10:00~16:00时间段楼宇之间的交易电价示意图;
图10为本发明的10:00~16:00时间段内交易电量占剩余电量的比值示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
本发明提出一种基于非合作博弈的多楼宇微网模型预测调控方法,该方法以融合楼宇虚拟储能系统的楼宇微网为研究对象,保证楼宇室内温度舒适度前提下提高楼宇微网运行的经济性;然后运用模型预测方法,有效解决可再生能源出力预测精度随时间尺度增加而下降的问题;最后,在模型预测方法的基础上,建立快速灵活的非合作博弈模型,减小各楼宇微网与配网交易电量,提高楼宇微网自身收益,降低微网运行成本。
本发明以夏季制冷场景为例,研究基于非合作博弈的多楼宇微网协调控制方法。研究对象如图2所示,其中楼宇包括住宅和办公两种类型。住宅楼宇和办公楼宇的供能单元有配电网、光伏,办公楼宇供能单元还有风机;将楼宇虚拟储能系统作为灵活可控单元参与到微网优化调控过程,可挖掘楼参与微网优化调控的潜力,提高售电收益,降低运行成本,故多楼宇微网系统中储能系统包括电储能系统和楼宇虚拟储能系统两类。
在多楼宇微网的模型预测调控过程中,整个调控时间区域分成若干时间段,如图3所示。横轴为时间区域,其中预测时域为Np个时间段,控制时域为Nc个时间段,Np≥Nc。在t时刻,各楼宇微网利用当前时段对应Np内的预测数据,采用非合作博弈模型,以控制时域内楼宇微网运行成本最低为目标进行优化,然后得到Nc内的最优控制序列,但当前时段只执行Nc个控制序列中的第一个控制序列。模型预测调控方法可以实现有限时段内基于各楼宇微网实际运行状态的反复滚动优化,以代替一次离线全时段优化。
一种基于非合作博弈的多楼宇微网模型预测调控方法,如图1所示,包括以下步骤:
步骤1、建立多楼宇微网的非合作博弈模型;
对于含N个相近楼宇的多微网系统,由于各楼宇建筑参数、内部发电量和负荷水平存在差异,在T时间段,微网内部发电量可能不与自身负荷相平衡。若存在富余电量,则称为“多电楼宇微网”;若存在缺额电量,则称为“少电楼宇微网”。本发明研究的多楼宇微网系统,楼宇是各自独立的,以达到自身利益最大为目的。各楼宇为追求收益最高,多电楼宇希望以尽可能高的价格将富余电量出售给少电楼宇或者配网;少电楼宇则希望以尽可能低的价格从配网或者多电楼宇购电,非合作博弈模型是解决不同利益主体之间冲突问题的有效工具。本发明考虑进行一天的优化调控,每隔15min取一个时间断面,因此需要在较短时间内得到博弈策略。基于以上考虑,在本实施例中将建立一个快速灵活的多楼宇微网的非合作博弈模型。
所述步骤1的具体步骤包括:
(1)确定博弈方为系统中的N个楼宇微网,如图1所示。
(2)确定博弈策略:非合作博弈过程中,博弈各方以己方收益最大为原则进行博弈,博弈时不因其他博弈方的收益而改变己方博弈策略;各楼宇微网的博弈策略是与其他微网的交易电量、电价;博弈过程中多电楼宇首先给出售电电价,然后少电楼宇按照楼宇编号由小到大依序与多电楼宇方进行电量交易,直至多电方富余电量为零或少电方电量缺额为零;
(3)确定博弈收益
各楼宇微网的博弈收益可以由两部分组成:与配网交易收益和与其他微网的交易收益;
对多电楼宇微网i,T时间段,多电楼宇i与配网交易收益CDG,i,t如式(1)所示:
Figure BDA0001932515570000111
式中:
Figure BDA0001932515570000112
为t时刻配网的售电单价;
Figure BDA0001932515570000113
为t时刻配网的购电单价;PDG,i,t为楼宇i与配网的交易电量,购电为正,售电为负。
T时间段,多电楼宇i与少电楼宇交易收益Ctrading,i,t如式(2)所示:
Figure BDA0001932515570000114
式中:Ns,j,j=1…p为t时刻p个少电楼宇微网的编号;Pij,t为交易电量,表示t时刻多电楼宇i向少电楼宇j的售电量,其值为正;
Figure BDA0001932515570000115
为交易电价,表示i向j售电单价,其值为正。
综上,T时间段内,多电楼宇微网i的收益为:
Ci,t=CDG,i,t+Ctrading,i,t (3)
对少电楼宇微网j,T时间段,少电楼宇j与配网交易收益CDG,j,t如式(4)所示:
Figure BDA0001932515570000116
式中:PDG,j,t为楼宇j与配网交易电量,购电为正,售电为负。
T时间段,少电楼宇j与多电楼宇交易收益Ctrading,j,t如式(5)所示:
Figure BDA0001932515570000121
式中:Nd,i,i=1…q为t时刻q个多电楼宇微网的编号;
Figure BDA0001932515570000122
表示t时刻楼宇j的购电单价,可以表示为:
Figure BDA0001932515570000123
式中:
Figure BDA0001932515570000124
为服务费用,若多楼宇通过博弈达成交易,配网收取一定服务费用,由购电方承担,本发明假定当少电方从多电方购电单价相同时,优先选择服务费用低的一方进行交易。
考虑到各楼宇微网之间交易电价的合理性,应当保证:a)少电楼宇方购电价格不应高于从配网购电价格;b)多电楼宇方的售电价格不应低于向配网售电价格,即:
Figure BDA0001932515570000125
综上,T时间段内,少电楼宇微网j的收益为:
Cj,t=CDG,j,t+Ctrading,j,t (8)
步骤2、构建基于非合作博弈的多微网模型预测调控模型,具体包括电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型;并根据步骤2的多微网模型预测调控模型得到预测数据;
在多楼宇微网模型预测调控过程中,输入变量是各楼宇的负荷需求、风机输出功率及光伏输出功率预测值。因此预测模型主要包括:负荷预测模型、风机及光伏预测模型。其中,负荷预测模型又分为电负荷预测模型和热负荷预测模型。
所述步骤2的具体步骤包括:
(1)构建电负荷预测模型:
电负荷分为可控电负荷和不可控电负荷,电制冷机、洗衣机、热水器等可作为可控负荷参与楼宇微网的调控,所以本发明的电负荷预测模型主要指的是不可控电负荷预测模型。
楼宇微网中不可控电负荷主要包括照明及插座负荷,即楼宇中照明、插座等室内设备用电负荷的总称。针对不可控电负荷能耗的预测一般采用计及不确定因素的逐时用电百分比进行预测计算,电负荷预测模型可以表示为:
Pload,n,t=Lper,n,t×(PDlight,n+PDequ,n)×Sn (9)
式中:Pload,n,t表示楼宇n在t时刻的电负荷预测值;Lper,n,t表示计及不确定因素的逐时用电百分比;PDlight,n表示照明功率密度值,PDequ,n表示插座功率密度值,单位为W/m2;Sn表示楼宇n的面积。
(2)构建热负荷预测模型:
楼宇内部的人员活动和用电设备工作时产生的随机热负荷是房间内热负荷来源的重要组成部分,本发明还考虑了楼宇与室外传递的热量和太阳辐射产生的热量。楼宇在t时刻的随机热负荷Qin,n,t如式(10)所示:
Qin,n,t=Qbody,n,t+Qequ,n,t+Qout,n,t+Qsun,n,t (10)
Qbody,n,t表示楼宇内人员活动产生的随机热负荷,如下所示:
Figure BDA0001932515570000131
式中:Bper,n,t表示计及不确定因素的人员逐时在室百分比;Qaverage,n表示人体平均散热量,单位为W/人;Sbody,n表示人均占有面积,单位为m2/人。
Qequ,n,t楼宇内部设备运行时产生的随机热负荷如式(12)所示:
Qequ,n,t=Lper,n,t×(PDlight,n,t+PDequ,n,t)×Sn×εn (12)
式中:εn表示设备的散热比例。
Qout,n,t表示楼宇通过外墙、外窗与室外传递的热量:
Figure BDA0001932515570000132
式中:kwall,n、kwin,n分别表示楼宇n的外墙和外窗传热系数;Fwall,n、Fwin,n分别表示楼宇n的外墙和外窗面积;Tout,n,t表示楼宇n在t时刻的室外温度;Tin,n,t表示楼宇n在t时刻的室内温度;ΔT表示t时刻室内外温差;
Qsun,n,t表示太阳热辐射传递的热量:
Qsun,n,t=Is,t×Fwin,n×Sc,n (14)
式中:Is,t表示太阳辐射功率;Sc,n表示楼宇的遮阳系数。
(3)构建风机、光伏预测模型
风机和光伏预测,模型满足式(15):
Figure BDA0001932515570000141
式中:Pwt,t、Ppv,t分别表示风机输出功率、光伏输出功率的日前预测值;
Figure BDA0001932515570000142
分别表示输入变量在t时刻的短期预测值;
Figure BDA0001932515570000143
表示输入变量日前预测值在t时刻的预测不确定阈值;R(t)为一个服从均一分布U(1,1)的随机数。
(4)建立目标函数:
各楼宇在基于非合作博弈的滚动优化过程中,优化目标为控制时域内各自运行成本最低;目标函数如式(16)所示:
Figure BDA0001932515570000144
式中:CDG,n,t为楼宇n与配网交易的收益;Ctrading,n,t为楼宇n与其他楼宇交易的收益,其计算方法如式(17)所示:
Figure BDA0001932515570000145
Cmaintenance,n,t为楼宇n的设备使用维护成本,其计算方法如式(18)所示:
Figure BDA0001932515570000151
式中:Cwt_om、Cpv_om、Cbt_om和Cec_om分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本;Pbt,t为t时刻电池充放电功率;Pec,t为t时刻电制冷机功率。
Cpunishment,n,t为影响用户温度舒适度而设的罚函数项,其计算方法如式(19)所示:
Cpunishmen,t=γ|Tin,t-Tset,t| (19)
式中:γ为用户敏感系数;Tset,t为t时刻用户温度设定值;Tin,t为t时刻室内温度。
(5)确定约束条件:
各楼宇的模型预测调控模型约束条件为:
①电功率平衡约束
Figure BDA0001932515570000152
Ptrading,n,t为楼宇n与其他微网的交易电量,若t时刻n为多电楼宇微网,则
Figure BDA0001932515570000153
若t时刻n为少电楼宇微网,则
Figure BDA0001932515570000154
PDG,n,t表示楼宇n与配网的交易电量,应满足微网与外网允许交互的容量约束:
Figure BDA0001932515570000161
Figure BDA0001932515570000162
是微网与外网允许交互功率的下限;
Figure BDA0001932515570000163
是微网与外网允许交互功率的上限。
Pec,n,t表示电制冷机消耗的电功率,其应满足的运行约束如下:
Figure BDA0001932515570000164
电制冷机的制冷功率Qec,n,t与Pec,n,t的关系为:
Qec,n,t=Pec,n,t×COPec (25)
式中:COPec为电制冷机的能效比。
Pbt,n,t为蓄电池的充放电功率,充电为正,放电为负,蓄电池需满足以下运行条件:
Figure BDA0001932515570000165
Figure BDA0001932515570000166
Figure BDA0001932515570000167
Sn,1=Sn,24 (29)
式中:Sn,t表示t时刻蓄电池的剩余电量;
Figure BDA0001932515570000168
分别表示其储能容量上下限;Ic、Id分别表示蓄电池的充放电状态,为{0,1}变量;ηc、ηd为蓄电池的充放电效率。
②热平衡约束
考虑基于楼宇的蓄热特性,依据能量守恒构建了楼宇的虚拟储能模型,根据其差分方程得到楼宇虚拟储能模型的热平衡约束:
ρCVn(Tin,n,t+1-Tin,n,t)=ΔT×(Qin,n,t-Qcooling,n,t) (30)
式中:ρ、Vn、C分别表示室内空气密度、体积和空气比热容,等式左侧表示室内热量的变化量;Qcooling,n,t表示楼宇的制冷需求,本发明假定电制冷机的制冷功率与楼宇的制冷需求相等,即:
Qcooling,n,t=Qec,n,t (31)
步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化,得到预测时域内每一时刻的富余电量,各楼宇微网以己方收益最大为原则进行博弈,得到各楼宇与配网及其他楼宇的交易电量、电价;
步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列,包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率,然后下发其中第一个控制序列到各楼宇微网。
在本实施例中,以图1中的多楼宇微网为例进行分析,本发明中选择三个楼宇作为研究对象,其中楼宇微网1(以下简称为MG1)为商务办公楼,有光伏和风机;楼宇2(以下简称为MG2)和3(以下简称为MG3)为公寓住宅楼,有光伏无风机。算例选取我国北方夏季某一典型日。在融合虚拟储能系统的楼宇微网中,设用户的设定温度为22.5℃,用户在工作时间内可以接受温度在设定温度的±2.5℃范围内波动,用户的敏感系数设定为0.1。
考虑进行一天的优化调控,每隔15min取一个时间断面,即滚动优化每隔15min启动一次,仿真过程中选择预测时域和控制时域为4h,即Np=Nc=16进行仿真。
1.非合作博弈分析
(1)博弈过程分析
一天的调控时间内,当某一时刻存在两个多电楼宇时,其在博弈过程中,均面临如下两种策略:
策略一:将售电电价设置为最高电价,放弃与另一楼宇的竞争。若另一楼宇将富余电量全部售完之后,少电楼宇的用电需求仍不能满足,则该多电楼宇首先以较高的电价将电量售卖给少电楼宇,若满足少电楼宇的需求后仍有剩余电量,则售卖给配网,计算收益函数Cceluel,i
策略二:降低售电电价,价格为可以优先将自身富余电量售出的最高定价,计算此时的收益函数Ccelue2,i
博弈过程中,根据Ccelue2,i=Ccelue1,i,得到该楼宇可以接受的最低定价
Figure BDA0001932515570000181
多电方需要判断己方给出的最低定价
Figure BDA0001932515570000182
是否可以在竞争中胜出,若可以胜出,则选择策略二;若无法胜出,则选择策略一。
为验证该算法的有效性,假设某一时刻,MG1为少电楼宇,MG2和MG3为多电楼宇,富余电量分别为
Figure BDA0001932515570000183
Psu,2,t=50kW,Psu,3,t=150kW;配网收取的服务费单价为分别为
Figure BDA0001932515570000184
Figure BDA0001932515570000185
设配网售电、购电单价分别为
Figure BDA0001932515570000186
Psu,1,t变化过程中,各楼宇之间的交易电量及交易单价变化如图4所示,对博弈过程的影响进行具体分析:
情况a:当|Psu,1,t|≥Psu,2,t+Psu,3,t时,即
Figure BDA0001932515570000187
MG2和MG3之间不存在竞争关系,Ccelue1≥Ccelue2恒成立,MG2和MG3均选择策略一,将售电电价提高到少电方所能接受的最高定价。
情况b:当Psu,2,t≤|Psu,1,t|≤Psu,2,t+Psu,3,t时,即
Figure BDA0001932515570000188
如图所示:在第一阶段,ccehte1,2≤Ccehte2,2,MG2选择策略2,且其制定的售电电价促使MG3选择策略一退出竞争;在第二阶段,MG2给出的售电电价稳定在最低电价
Figure BDA0001932515570000189
此时对于MG3存在Ccehue1,3≤Ccetue2,3,故MG3选择策略二,给出最低定价
Figure BDA00019325155700001810
情况c:当|Psu,1,t|≤Psu,2,t,|Psu,1,t|≤Psu,3,t时,即
Figure BDA00019325155700001811
此时对于MG2和MG3,策略二的收益均高于策略一,均选择策略二给出最低定价。在该情况下,MG1分别从MG2和MG3购电价格相同,但是因为
Figure BDA0001932515570000191
故MG1选择MG3进行交易。
(2)灵敏度分析
以某一时刻为例,分析
Figure BDA0001932515570000192
对交易电价的影响。假设MG2和MG3为多电方,MG1为少电方,结果如图5所示。图中深色曲面表示博弈过程中MG2的售电电价,浅色曲面表示MG3的售电电价,观察结果可知:服务费用较低的一方为竞争优势方,通过降低售电电价促使另一多电方退出竞争;竞争优势方售电电价
Figure BDA0001932515570000193
Figure BDA0001932515570000194
的差值与其自身服务费用成反比,与竞争劣势方成正比。
2.不同场景下楼宇调控结果分析
为了分析多楼宇微网基于非合作博弈的模型预测调控结果。本发明设置了以下三种运行场景:
1)场景一:楼宇以各自运行成本最低为目标,基于预测数据进行日前优化调度,得到日前调度计划,楼宇微网间不存在功率交互;
2)场景二:楼宇以各自运行成本最低为目标,基于模型预测控制方法进行优化调控,楼宇微网间不存在功率交互;
3)场景三:楼宇以各自运行成本最低为目标,楼宇微网间存在功率交互,基于非合作博弈的模型预测控制方法进行优化调控,假定
Figure BDA0001932515570000195
场景一和场景二下,各楼宇微网与配网的交易电量如图6所示(从配网购电为正,向配网售电为负)。由于MG1接入了风机,其负荷在一天中波动较大,所以与MG2和MG3相比,MG1与配网间的联络线功率波动较大。MG2与MG3都是住宅楼宇,本发明假定同一类型楼宇,在一天中的设备逐时用电百分比和人员逐时在室百分比相同和人员活动情况相同,所以MG2和MG3与配网联络线功率变化趋势相同。
从图中可以看出,两种场景下各楼宇与配网的交易电量虽存在差异,但各楼宇存在富余电量的时刻相同:a)在夜间,如0:00~7:00时间段,办公楼宇1属于非工作时间段,用电负荷低,但是风电资源丰富,楼宇存在富余电量,向配网输送电量;而住宅楼宇2和3因不含风机,且光照强度为零,因此存在电量缺额,需从配网购电。b)在白天,光照强度最大时,如10:00~16:00时间段,楼宇1的用电负荷达到高峰,即使光伏输出功率大,仍存在电量缺额,需从配网购电;而楼宇2和3因为用电负荷水平远低于楼宇1,存在富余电量,向配网输送电量。由此可见,在一天的调控过程中,三个楼宇微网的对外供电能力存在明显差异。若楼宇微网间可以进行电量交易,各楼宇以非合作博弈模型进行竞价,则可在降低从配网购售电量产生网络损耗的同时,提高各楼宇微网收益。
场景三下,各楼宇微网之间存在功率交互,MG1在场景二和场景三下与配网间的交易电量如图7所示。
结果表明,场景三下,各楼宇与配网交易的总电量减少,两种场景下交易电量存在差值的时刻即为楼宇间存在交易电量的时刻,当楼宇之间存在功率交互时,各楼宇与配网之间的联络线功率减少,降低了与配网联络线上的网络损耗。
选取楼宇微网之间存在功率交互的两个典型时间段进行分析。图8(a)和图8(b)为0:00~6:00时间段内,楼宇之间的交易电价和交易电量。在该时间段,MG2和MG3从MG1购电。观察仿真结果可知,大多数时间段,MG1的富余电量同时满足MG2和MG3的需求电量,因此,MG1可以将售电电价定为MG2和MG3可以接受的最高电价,即
Figure BDA0001932515570000211
此时少电方从配网购电和从多电方购电价格相同,
Figure BDA0001932515570000212
但是多电方(MG1)的售电电价高于其向配网售电电价,即
Figure BDA0001932515570000213
能够提高多电方的收益。
当MG1的富余电量不能同时满足MG2和MG3的需求电量时,MG1将富余电量售卖给使自己收益最大的少电方,可将对另一少电方的售电电价定为
Figure BDA0001932515570000216
则另一少电方因为还要支付服务费用,故放弃与多电方的交易。以图中01:15时刻为例,MG1选择了与MG3交易,即此时C12=Csell,P12=0。
图9为10:00~16:00时间段内,楼宇之间的交易电价,MG2、MG3与MG1的交易电量占各自剩余电量的百分比Pper,2、Pper,3如图10所示。当Pper,2、Pper,3均为100%时(以11:30时刻为例),各楼宇微网富余电量情况满足情况a,MG2和MG3均选择策略一,将售电电价提高到少电方所能接受的最高定价;当MG1只与其中一方进行交易时(以12:15时刻为例),各楼宇微网富余电量情况满足情况c,因为
Figure BDA0001932515570000214
MG3为竞争优势方,故MG1选择与MG3进行交易,Pper,2=0;其余则均属于情况b。
三种场景下,各楼宇的运行成本如表1所示。基于MPC的优化调控采用反复滚动优化的方式,利用系统的反馈信息构成闭环优化,有效降低了预测误差对调控策略的影响;在模型预测调控的基础上,各楼宇之间采用非合作博弈方式进行电量交易,可以在微网内部存在富余电量时提高售电收益,观察结果可知,各楼宇均通过非合作博弈方式降低了整体运行成本。
表1三种场景下各楼宇微网费用
Figure BDA0001932515570000215
Figure BDA0001932515570000221
本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。

Claims (3)

1.一种基于非合作博弈的多楼宇微网模型预测调控方法,其特征在于:包括以下步骤:
步骤1、建立多楼宇微网的非合作博弈模型;
步骤2、构建基于非合作博弈的多楼宇微网模型预测调控模型,具体包括电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型;并根据步骤2的多微网模型预测调控模型得到预测数据;
步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化,得到预测时域内每一时刻的富余电量,各楼宇微网以己方收益最大为原则进行博弈,得到各楼宇与配网及其他楼宇的交易电量、电价;
步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列,包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率,然后下发其中第一个控制序列到各楼宇微网;
所述步骤2的电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型分别为:
(1)电负荷预测模型:
Pload,n,t=Lper,n,t×(PDlight,n+PDequ,n)×Sn (9)
式中:Pload,n,t表示楼宇n在t时刻的电负荷预测值;Lper,n,t表示计及不确定因素的逐时用电百分比;PDlight,n表示照明功率密度值,PDequ,n表示插座功率密度值,单位为W/m2;Sn表示楼宇n的面积;
(2)热负荷预测模型:
楼宇在t时刻的随机热负荷Qin,n,t如式(10)所示:
Qin,n,t=Qbody,n,t+Qequ,n,t+Qout,n,t+Qsun,n,t (10)
Qbody,n,t表示楼宇内人员活动产生的随机热负荷,如下所示:
Figure FDA0004042860890000021
式中:Bper,n,t表示计及不确定因素的人员逐时在室百分比;Qaverage,n表示人体平均散热量,单位为W/人;Sbody,n表示人均占有面积,单位为m2/人;
Qequ,n,t楼宇内部设备运行时产生的随机热负荷如式(12)所示:
Qequ,n,t=Lper,n,t×(PDlight,n,t+PDequ,n,t)×Sn×εn (12)
式中:εn表示设备的散热比例;
Qout,n,t表示楼宇通过外墙、外窗与室外传递的热量:
Figure FDA0004042860890000022
式中:kwall,n、kwin,n分别表示楼宇n的外墙和外窗传热系数;Fwall,n、Fwin,n分别表示楼宇n的外墙和外窗面积;Tout,n,t表示楼宇n在t时刻的室外温度;Tin,n,t表示楼宇n在t时刻的室内温度;ΔT表示t时刻室内外温差;
Qsun,n,t表示太阳热辐射传递的热量:
Qsun,n,t=Is,t×Fwin,n×Sc,n (14)
式中:Is,t表示太阳辐射功率;Sc,n表示楼宇的遮阳系数;
(3)风机、光伏预测模型
风机和光伏预测,模型满足式(15):
Figure FDA0004042860890000023
式中:Pwt,t、Ppv,t分别表示风机输出功率、光伏输出功率的日前预测值;
Figure FDA0004042860890000024
Figure FDA0004042860890000025
分别表示输入变量在t时刻的短期预测值;
Figure FDA0004042860890000026
表示输入变量日前预测值在t时刻的预测不确定阈值;R(t)为一个服从均一分布U(1,1)的随机数。
2.根据权利要求1所述的一种基于非合作博弈的多楼宇微网模型预测调控方法,其特征在于:所述步骤1的具体步骤包括:
(1)确定博弈方为系统中的N个楼宇微网;
(2)确定博弈策略:非合作博弈过程中,博弈各方以己方收益最大为原则进行博弈,博弈时不因其他博弈方的收益而改变己方博弈策略;各楼宇微网的博弈策略是与其他微网的交易电量、电价;博弈过程中多电楼宇首先给出售电电价,然后少电楼宇按照楼宇编号由小到大依序与多电楼宇方进行电量交易,直至多电方富余电量为零或少电方电量缺额为零;
(3)确定博弈收益
各楼宇微网的博弈收益可以由两部分组成:与配网交易收益和与其他微网的交易收益;
对多电楼宇微网i,T时间段,多电楼宇i与配网交易收益CDG,i,t如式(1)所示:
Figure FDA0004042860890000031
式中:
Figure FDA0004042860890000032
为t时刻配网的售电单价;
Figure FDA0004042860890000033
为t时刻配网的购电单价;PDG,i,t为楼宇i与配网的交易电量,购电为正,售电为负;
T时间段,多电楼宇i与少电楼宇交易收益Ctrading,i,t如式(2)所示:
Figure FDA0004042860890000034
式中:Ns,j,j=1,…,p为t时刻p个少电楼宇微网的编号;Pij,t为交易电量,表示t时刻多电楼宇i向少电楼宇j的售电量,其值为正;
Figure FDA0004042860890000035
为交易电价,表示i向j售电单价,其值为正;
综上,T时间段内,多电楼宇微网i的收益为:
Ci,t=CDG,i,t+Ctrading,i,t (3)
对少电楼宇微网j,T时间段,少电楼宇j与配网交易收益CDG,j,t如式(4)所示:
Figure FDA0004042860890000036
式中:PDG,j,t为楼宇j与配网交易电量,购电为正,售电为负;
T时间段,少电楼宇j与多电楼宇交易收益Ctrading,j,t如式(5)所示:
Figure FDA0004042860890000041
式中:Nd,i,i=1,…,q为t时刻q个多电楼宇微网的编号;
Figure FDA0004042860890000042
表示t时刻楼宇j的购电单价,可以表示为:
Figure FDA0004042860890000043
式中:
Figure FDA0004042860890000044
为服务费用,若多楼宇通过博弈达成交易,配网收取一定服务费用,由购电方承担,本发明假定当少电方从多电方购电单价相同时,优先选择服务费用低的一方进行交易;
考虑到各楼宇微网之间交易电价的合理性,应当保证:a)少电楼宇方购电价格不应高于从配网购电价格;b)多电楼宇方的售电价格不应低于向配网售电价格,即:
Figure FDA0004042860890000045
综上,T时间段内,少电楼宇微网j的收益为:
Cj,t=CDG,j,t+Ctrading,j,t (8)。
3.根据权利要求2所述的一种基于非合作博弈的多楼宇微网模型预测调控方法,其特征在于:所述步骤2的基于非合作博弈的多微网模型预测调控模型的目标函数为:
各楼宇在基于非合作博弈的滚动优化过程中,优化目标为控制时域内各自运行成本最低;目标函数如式(16)所示:
Figure FDA0004042860890000046
式中:CDG,n,t为楼宇n与配网交易的收益;Ctrading,n,t为楼宇n与其他楼宇交易的收益,其计算方法如式(17)所示:
Figure FDA0004042860890000051
Cmaintenance,n,t为楼宇n的设备使用维护成本,其计算方法如式(18)所示:
Figure FDA0004042860890000052
式中:Cwt_om、Cpv_om、Cbt_om和Cec_om分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本;
Cpunishment,n,t为影响用户温度舒适度而设的罚函数项,其计算方法如式(19)所示:
Cpunishmen,t=γ|Tin,t-Tset,t| (19)
式中:γ为用户敏感系数;
确定约束条件为:
各楼宇的模型预测调控模型约束条件为:
①电功率平衡约束
Figure FDA0004042860890000053
Ptrading,n,t为楼宇n与其他微网的交易电量,若t时刻n为多电楼宇微网,则
Figure FDA0004042860890000054
若t时刻n为少电楼宇微网,则
Figure FDA0004042860890000055
PDG,n,t表示楼宇n与配网的交易电量,应满足微网与外网允许交互的容量约束:
Figure FDA0004042860890000061
Pec,n,t表示电制冷机消耗的电功率,其应满足的运行约束如下:
Figure FDA0004042860890000062
电制冷机的制冷功率Qec,n,t与Pec,n,t的关系为:
Qec,n,t=Pec,n,t×COPec (25)
式中:COPec为电制冷机的能效比;
Pbt,n,t为蓄电池的充放电功率,充电为正,放电为负,蓄电池需满足以下运行条件:
Figure FDA0004042860890000063
Figure FDA0004042860890000064
Figure FDA0004042860890000065
Sn,1=Sn,24 (29)
式中:Sn,t表示t时刻蓄电池的剩余电量;
Figure FDA0004042860890000066
分别表示其储能容量上下限;Ic、Id分别表示蓄电池的充放电状态,为{0,1}变量;ηc、ηd为蓄电池的充放电效率;
②热平衡约束
考虑基于楼宇的蓄热特性,依据能量守恒构建了楼宇的虚拟储能模型,根据其差分方程得到楼宇虚拟储能模型的热平衡约束:
ρCVn(Tin,n,t+1-Tin,n,t)=ΔT×(Qin,n,t-Qcooling,n,t) (30)
式中:ρ、Vn、C分别表示室内空气密度、体积和空气比热容,等式左侧表示室内热量的变化量;Qcooling,n,t表示楼宇的制冷需求,假定电制冷机的制冷功率与楼宇的制冷需求相等,即:
Qcooling,n,t=Qec,n,t(31)。
CN201811648659.2A 2018-12-30 2018-12-30 一种基于非合作博弈的多楼宇微网模型预测调控方法 Active CN109884888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811648659.2A CN109884888B (zh) 2018-12-30 2018-12-30 一种基于非合作博弈的多楼宇微网模型预测调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811648659.2A CN109884888B (zh) 2018-12-30 2018-12-30 一种基于非合作博弈的多楼宇微网模型预测调控方法

Publications (2)

Publication Number Publication Date
CN109884888A CN109884888A (zh) 2019-06-14
CN109884888B true CN109884888B (zh) 2023-03-03

Family

ID=66925518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811648659.2A Active CN109884888B (zh) 2018-12-30 2018-12-30 一种基于非合作博弈的多楼宇微网模型预测调控方法

Country Status (1)

Country Link
CN (1) CN109884888B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415030B (zh) * 2019-11-19 2022-11-29 广西电网有限责任公司 计及用能舒适度的楼宇能源系统综合需求响应优化方法
CN112952908B (zh) * 2021-03-29 2024-02-02 四川大学 一种多合作微电网主体分布式协调交易方法
CN113452087A (zh) * 2021-06-28 2021-09-28 Abb电网投资(中国)有限公司 一种多楼宇微网系统滚动调控方法及电子设备
CN114977330B (zh) * 2022-07-11 2022-11-04 湖南大学 建筑分布式光伏-蓄电池系统连续运行调度方法及平台
CN115230433B (zh) * 2022-08-23 2024-05-14 重庆大学 电动汽车乘员舱与动力电池协同加热控制方法及装置
CN116799830B (zh) * 2023-08-24 2023-11-10 国网浙江省电力有限公司金华供电公司 刻画负荷不确定性的广域独立多微网共享储能配置方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007226450A (ja) * 2006-02-22 2007-09-06 Fuji Electric Systems Co Ltd 流量予測装置、流量予測方法および流量予測プログラム
CN105931136A (zh) * 2016-04-25 2016-09-07 天津大学 一种融合需求侧虚拟储能系统的楼宇微网优化调度方法
CN107732897A (zh) * 2017-09-12 2018-02-23 天津大学 融合虚拟储能系统的楼宇微网模型预测调控方法
CN107844055A (zh) * 2017-11-03 2018-03-27 南京国电南自电网自动化有限公司 一种基于博弈论的冷热电三联供微网系统优化运行方法
CN108319142A (zh) * 2018-02-08 2018-07-24 国网天津市电力公司 基于分布式清洁采暖的工业园区微网电热联合调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007226450A (ja) * 2006-02-22 2007-09-06 Fuji Electric Systems Co Ltd 流量予測装置、流量予測方法および流量予測プログラム
CN105931136A (zh) * 2016-04-25 2016-09-07 天津大学 一种融合需求侧虚拟储能系统的楼宇微网优化调度方法
CN107732897A (zh) * 2017-09-12 2018-02-23 天津大学 融合虚拟储能系统的楼宇微网模型预测调控方法
CN107844055A (zh) * 2017-11-03 2018-03-27 南京国电南自电网自动化有限公司 一种基于博弈论的冷热电三联供微网系统优化运行方法
CN108319142A (zh) * 2018-02-08 2018-07-24 国网天津市电力公司 基于分布式清洁采暖的工业园区微网电热联合调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于非合作博弈的微电网能量管理系统优化算法;李晨迪;《电网技术》;20160228;第40卷(第2期);第387-395页 *

Also Published As

Publication number Publication date
CN109884888A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
CN109884888B (zh) 一种基于非合作博弈的多楼宇微网模型预测调控方法
CN111881616B (zh) 一种基于多主体博弈的综合能源系统的运行优化方法
WO2023103385A1 (zh) 一种多能微网群自身及市场决策协同优化方法
CN112651105B (zh) 一种基于博弈论的微网容量配置优化方法
CN111339689B (zh) 建筑综合能源调度方法、系统、存储介质及计算机设备
CN111008739B (zh) 一种热电联产虚拟电厂优化调控及收益分配方法及系统
CN111353128B (zh) 一种基于非合作博弈的多能量枢纽优化运行方法
He et al. A new cooperation framework with a fair clearing scheme for energy storage sharing
CN114662752A (zh) 基于价格型需求响应模型的综合能源系统运行优化方法
CN114154739B (zh) 共享储能电站在多区域综合能源系统的优化配置方法
CN112883584A (zh) 一种考虑利益交互的多能微网群冷热电多能耦合优化方法
CN112564102A (zh) 多微网负荷优化调度方法和系统
CN116231655A (zh) 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法
CN113705906A (zh) 一种综合能源园区能源协调优化运行方法及系统
CN112329260A (zh) 一种多能互补微网多元多目标优化配置与优化运行方法
CN116742614A (zh) 一种多微电网能量管理优化调度方法及系统
Fu et al. Research on the stackelberg game method of building micro-grid with electric vehicles
CN116341268A (zh) 冷热电耦合型微网群三层主体分布式优化方法
Yuanyuan et al. Optimization scheduling method of power grid energy-saving based on fuzzy decision
CN118214006A (zh) 一种考虑需求响应和合作博弈的交直流微网优化运行方法
CN114498769A (zh) 一种高比例风光孤岛微电网群能量调度方法及系统
CN117829538A (zh) 一种考虑欺诈博弈和多场景的能源枢纽网系统的优化方法
CN117748474A (zh) 一种基于多端口柔性互联装置的光储充随机优化方法
CN112508241A (zh) 一种智能电网能量优化调度方法
CN113452087A (zh) 一种多楼宇微网系统滚动调控方法及电子设备

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