CN110323786A - 基于微电网的调度方法和装置 - Google Patents
基于微电网的调度方法和装置 Download PDFInfo
- Publication number
- CN110323786A CN110323786A CN201810265103.9A CN201810265103A CN110323786A CN 110323786 A CN110323786 A CN 110323786A CN 201810265103 A CN201810265103 A CN 201810265103A CN 110323786 A CN110323786 A CN 110323786A
- Authority
- CN
- China
- Prior art keywords
- battery
- micro
- capacitance sensor
- cost
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010276 construction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 22
- 230000005611 electricity Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 239000002253 acid Substances 0.000 description 13
- 239000000446 fuel Substances 0.000 description 13
- 239000003345 natural gas Substances 0.000 description 11
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 10
- 229910001416 lithium ion Inorganic materials 0.000 description 10
- 229910052720 vanadium Inorganic materials 0.000 description 10
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 10
- 238000004146 energy storage Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- XHCLAFWTIXFWPH-UHFFFAOYSA-N [O-2].[O-2].[O-2].[O-2].[O-2].[V+5].[V+5] Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[V+5].[V+5] XHCLAFWTIXFWPH-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006727 cell loss Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 229910001935 vanadium oxide Inorganic materials 0.000 description 1
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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J3/381—Dispersed generators
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于微电网的调度方法和装置。其中,该方法包括:基于微电网中的电池的电量成本和电量消耗构建电池运行模型;根据电池运行模型构建微电网的机组组合模型;基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案;根据运行方案对微电网进行调度。本发明解决了现有技术需要基于大量场景对微电网进行分析,导致微电网调度的计算量大的技术问题。
Description
技术领域
本发明涉及微电网调度领域,具体而言,涉及一种基于微电网的调度方法和装置。
背景技术
微电网(Micro-Grid)是指由分布式电源、储能装置、能量转换装置、符合、监控和保护装置等组成的小型发配电系统。目前对微电网的调度主要是基于情景的随机规划,即基于蒙特卡洛模拟情景下的确定性模型来对微电网进行调度。而随着调查情景的数量的增加,上述方法中的计算量也在指数级的增加,从而增大了计算机系统的运行负担。采用不同的技术虽然可以减少调查情景的数量,从而减轻计算机系统的运行负担,但该方法可能忽略一些低概率性但影响较大的情景,从而增大了计算误差。
针对上述现有技术需要基于大量场景对微电网进行分析导致微电网调度的计算量大的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于微电网的调度方法和装置,以至少解决现有技术需要基于大量场景对微电网进行分析,导致微电网调度的计算量大的技术问题。
根据本发明实施例的一个方面,提供了一种基于微电网的调度方法,包括:基于微电网中的电池的电量成本和电量消耗构建电池运行模型;根据电池运行模型构建微电网的机组组合模型;基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案;根据运行方案对微电网进行调度。
根据本发明实施例的另一方面,还提供了一种基于微电网的调度装置,包括:第一构建模块,用于基于微电网中的电池的电量成本和电量消耗构建电池运行模型;第二构建模块,用于根据电池运行模型构建微电网的机组组合模型;确定模块,用于基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案;调度模块,用于根据运行方案对微电网进行调度。
根据本发明实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,程序执行基于微电网的调度方法。
根据本发明实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行基于微电网的调度方法。
在本发明实施例中,采用概率约束的方式,通过基于微电网中的电池的电量成本和电量消耗构建电池运行模型,然后根据电池运行模型构建微电网的机组组合模型,并基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案,最后根据运行方案对微电网进行调度,达到了对微电网进行调度的目的,从而实现了无需调查大量场景即可实现对微电网进行最优调度的技术效果,进而解决了现有技术需要基于大量场景对微电网进行分析,导致微电网调度的计算量大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于微电网的调度方法流程图;
图2是根据本发明实施例的一种可选的随机动态规划算法的流程图;
图3是根据本发明实施例的一种可选的典型的微电网的结构示意图;以及
图4是根据本发明实施例的一种基于微电网的调度装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种基于微电网的调度方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的基于微电网的调度方法流程图,如图1所示,该方法包括如下步骤:
步骤S102,基于微电网中的电池的电量成本和电量消耗构建电池运行模型。
需要说明的是,根据电池的总寿命的可用容量可得到电池容量的可用成本,进而根据电池容量的可用成本即可确定电池的电量成本。同样,电池的电量消耗包括放电过程中电池的电量消耗和充电过程中电池的电量消耗,而电池在充放电过程中的电量消耗反映了电池的充放电效率,其中,电池在充放电过程中的电量消耗越大,则电池的充放电效率越低。由此可见,电池运行模型与电池的使用寿命以及电池的充放电效率有关。
此外,还需要说明的是,上述电池可以为但不限于铅酸和锂离子电池、钒氧化还原电池等。
步骤S104,根据电池运行模型构建微电网的机组组合模型。
需要说明的是,根据电池运行模型可计算出预设时间段内电池的运行费用,再结合预设时间段内发电机的运行费用,即可得到预设时间段内微电网的总运行费用,进而得到微电网的成本函数。在得到微电网的成本函数之后,再结合约束条件即可得到微电网的机组组合模型。
步骤S106,基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案。
具体的,在得到机组组合模型之后,根据约束条件采用随机动态规划算法来得到预设时间段阿内微电网的运行成本最小的运行方案。其中,随机动态规划是指通过将多阶段过程转化为预设时间段内的单阶段来找出达到目的地的最短路由的方法。在每个步骤中,基于上一步骤中的最佳路由路径确定可能存在的路由路径,并最终得到当前步骤中的最佳路由路径。应用在本申请中,在每个步骤中确定出运行成本最小的运行方案。
步骤S108,根据运行方案对微电网进行调度。
需要说明的是,在确定了微电网的成本运行最小的运行方案之后,使用运行成本最小的运行方案对微电网进行调度,以最大限度的发挥微电网的利润。
基于上述步骤S102至步骤S108所限定的方案可以获知,通过基于微电网中的电池的电量成本和电量消耗构建电池运行模型,然后根据电池运行模型构建微电网的机组组合模型,并基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案,最后根据运行方案对微电网进行调度。
容易注意到的是,电池的电量成本以及电量消耗,与电池的循环寿命和充放电效率相关,因此,本申请在对微电网进行调度时考虑到了电池的循环寿命以及充放电效率。另外,采用随机动态规划的方法确定微电网调度的最佳前馈调度,该调度方法可以以高概率维持系统的最优运算,而无需调查大量的场景。
由上述内容可知,本申请所提供的基于微电网的调度方法可以达到对微电网进行调度的目的,从而实现了无需调查大量场景即可实现对微电网进行最优调度的技术效果,进而解决了现有技术需要基于大量场景对微电网进行分析,导致微电网调度的计算量大的技术问题。
需要说明的是,上述电池运行模型包括:电量成本模型和电量消耗模型,其中,基于微电网中的电池的电量成本和电量消耗构建电池运行模型,具体包括如下步骤:
步骤S1020,根据电池充电的能源成本和电池容量的可用成本,构建电池的电量成本模型,其中,电池的电量消耗包括电池充电的能源成本和电池容量的可用成本;
步骤S1022,根据电池在充电过程和放电过程中的电量消耗,构建电池的电量消耗模型。
需要说明的是,微电网中的小规模天然气发电机的运行成本为燃料成本,其对应的电力函数为:
在上式中,cgen(美元/加仑)为燃料价格,Hgen(Pgen)(加仑/小时)为燃料消耗量,Pgen为发电机i的输出功率。
而与发电机相比,电池在运行时不需要燃料,但在能量转换过程中,电池通过电化学过程完成充电和放电,其中,以千瓦时(kWhf)来表示电池的电量。
具体的,对于发电机,计算燃料的价格公式如下:
在上式中,代表燃料成本,代表可用性成本,其中,可用性成本包括燃料运输成本和其他服务成本,例如现场存储设备的成本。由于发电机组通常设置在较为偏远的区域,因此,发电机的燃料价格通常大于燃料成本。
与发电机类似,电池的电量成本的公式如下:
在上式中,表示用于电池充电的能源价格,表示电池容量的可用成本。在微电网中,如果可再生能源用于充电电池,则为零。
此外,还需要说明的是,电池的电量消耗模型包括放电消耗模型和充电消耗模型,其中,放电消耗模型用于计算单位时间内供给负载的能源使用,具体公式如下:
在上式中,Hbat为电池的放电消耗功率,为电池的输出功率,是为电池的放电功率损耗。
充电消耗模型用于计算单位时间内充电电池的功率损耗,公式如下:
在上式中,Lbat为电池的充电消耗功率,Hbat和Lbat分别是和的函数。其中,Hbat和Lbat分别代表铅酸、锂离子电池和钒氧化还原电池类型。
具体的,对于铅酸和锂离子电池。铅酸或锂离子电池的功率损耗主要是由充电或放电过程中的热损失引起,铅酸和锂离子电池的热量由电极和电解质的欧姆电阻以及偏振效应产生。而功率损耗与电流引起的电压降(极化)成正比为:
Pjoule=ΔV×I
其中,铅酸和锂离子电池的电压降ΔV可确定为:
(1)在放电期间:
(2)在充电期间:
其中,R是内部欧姆电阻,K是一个可以从制造商的数据计算得到的常数,Qr为电池的额定容量。由上述过程可知,在充电和放电过程中,锂离子电池铅酸的电量消耗为:
(1)在放电期间:
(2)在充电期间:
其中,SOC是充电状态,Vr是电池额定正压。
对于钒氧化还原电池,其充电和放电过程中的功率损耗包括两部分:抽电解质和由于内部电阻和电化学过程的堆功率损耗。其中,开路电压和堆栈电压用于表征充电和放电功率。
开路电压Voc为:
在放电期间,
在充电期间,
在上述模型中,相关系数如表1所示,其中,Vr和Ir表示钒电池的额定电压和额定电流。
表1钒电池损失模型系数
根据和可确定钒氧化还原电池的电量消耗功率,具体如下:
(1)在放电期间:
(2)在充电期间:
在一种可选的实施例中,在根据电池充电的能源成本和电池容量的可用成本构建电池的电量成本模型之前,需要计算电池容量的可用成本,具体步骤如下:
步骤S10202,根据电池的放电深度确定电池的生命周期可用容量;
步骤S10204,根据电池的生命周期可用容量确定电池容量的可用成本。
需要说明的是,电池的生命周期可用容量表示1千瓦时的存储容量的可用成本,公式如下:
在上式中,C∑是电池的生命周期容量。对于铅酸、锂离子等电化学电池而言,在生命周期结束时其消耗的容量已超过80%的额定容量,其中,电池在每个周期中从放电到额定放电深度,其平均容量退化率为(0.2/Lr)Cr,其中,Cr是电池额定容量,Lr是额定寿命。而对于铅酸和锂离子电池,钒氧化还原电池在反复深放电和充电后容量下降可以忽略不计钒氧化还原电池的循环寿命主要取决于其质子交换膜及泵的寿命。钒氧化还原电池可以循环工作超过10 000次,直到其膜降解或泵故障。
因此,电池的生命周期可用容量的计算方法如下:
(1)对于铅酸和锂离子电池,
(2)钒氧化还原电池:
C∑=CrDODrLr(kWh)
其中,DODr是放电深度。
需要说明的是,电池的运行模型是建立在与发电机的燃料成本模型的相似性的基础上,因此,与标准的方法相比几乎没有额外的复杂性。电池的电量成本包括重置成本,而电池的额定容量和生命周期在出厂时即已设定,无需升级。
在一种可选的实施例中,根据电池运行模型构建微电网的机组组合模型,具体包括如下步骤:
步骤S1040,根据电池运行模型确定在预设时间段内电池的运行费用;
步骤S1042,根据电池的运行费用以及发电机的运行费用确定微电网的成本函数以及约束条件;
步骤S1044,根据成本函数以及约束条件确定微电网的机组组合模型。
具体的,微电网的成本函数为:
其中,
Fm,k=Fm(Pm,k)T
在上述公式中,N为时间范围,T为时间步长,Fk为时间段k内总期望运营成本,Sk为时间段k内包括发电机的启动和停机成本的总过渡成本,n1和n2分别为发电机和电池的数量,gi和bi分别为发电机i和电池i,Fg,k,(美元)分别为时间段k内发电机、放电电池和充电电池的总运行费用,Fm,k为由于功率不匹配所造成的成本,sgi , k,分别为时间段k内发电机i和电池i的二进制状态;由于电池可在同一时间内处于既不充电也不放电的状态,因此可为零,cgi(美元/升)为发电机i的燃料价格,cbi(美元/千瓦时)为对于电池i的电量价格,Hgi(加仑/小时)为发电机i的燃料消耗,Hbi(千瓦时/小时)和Lbi(千瓦时/小时)分别为放电和充电期间电池i的电量消耗,Pgi,k, (千瓦)分别为时间段k内发电机i、放电电池和充电电池的发送功率;Pm,k为时间段k内由于功率失配造成的成本。
需要说明的是,为了更好的解决机组组合的问题,本申请引入以下公约:
①充电功率被认为是负值;
②可再生能源(包括光伏和风力发电机)不可调度,被认为是负载。时间段k的净负荷为:Pnet,k=∑Pload,k-∑PPV,k-∑PW,k。由于Pload,k,PPV,k,PW,k是随机的,因此,Pnet,k为随机变量。
③仅当Pnet,k小于零时,电池充电。
④时间段k内功率失配Pm,k为总发电量与净负荷之间的差值,其中,
当Pnet,k≥0时,
Pm,k=Pgen,k-Pnet
Pgen,k>0表示总发电量。
当Pnet,k<0时,
Pm,k=Pchg,k-Pnet
Pchg,k<0为总充电/费用。
需要说明的是,在微网中实现并网时,电价和回购价格是确定性的,其中,约束条件是基于微电网中能源管理策略和设备的物理限制定义的,约束条件如下:
R1:功率失配在预先设定概率下要求大于零。
R2:电池放电不用于其他电池的充电,发电机不用于对电池充电。
R3:每个存储设备不能超出(或低于)最大(或最小)充电(或放电)SOC。
R4:每个存储设备的充电(或放电)率不应超过最大值(或最小值)。
R5:每个发电机在线时至少达到其最小输出设定值。
R6:发电机上线时,保证发电机在线最小的设定时间;发电机关闭电源时,保证重启之前有最短的关机时间。
在诸如微电网之类的小型系统中,由于ESS(Executive Support System,即高层主管支持系统)往返效率相对较低,微网电力不应用于对能量存储进行充电。因此,ESS不应向其他ESS充电,也不应该将电力用于储能,只能使用可再生能源对ESS进行充电,这反映于约束R2中。
上述约束规定如下:
其中,SOCbi,k是电池i在时间段k内的充电状态,上述公式可变形为:
通过执行约束R1,当Pnetk,>0时,αk无论取何值,Pm,k均非负;当Pnet,k<0时,βk无论取何值,Pm,k均非负。
Pm,k=Pgen,k-Pnet Pm,k=Pchg,k-Pnet
根据和可知,约束R1可以改写为:
需要说明的是,参数αk控制从电网向微电网输入/输出电力的概率水平。如果αk=0,则微电网在内部产生足够功率的概率为零,并且必须从电网输入所需功率。在另一种极端情况下,如果αk=1,则在微电网内总是产生足够的电力的概率是1。这并不满足现实情况,因此αk被严格限小于1.0(但理想情况下相当接近1.0)。同样的,如果βk=0,则所有净可再生能源将被用于对储能充电。例如,如果βk=0.5,则有可再生能源的剩余电力将出口到电网的可能性为50%。选择较大的β将降低可再生能源用于对能源储存进行充电的可能性,从而使更多的可再生能源能够输出到电网。因此,考虑到能源管理政策,αk和βk可灵活选择并在时间段k内在潜在范围内变化(或者保持为常数)。进口/出口的电量由α和β参数的选择决定。选择较小的α将增加系统从电网输入电力以提供负载的可能性,而选择较大的β将增加系统将超额可再生能源输出到电网的可能性。α和β是根据所需的能源管理政策来决定从电网输入/输出电力与否与数量的自由度参数。
在一种可选的实施例中,根据电池的运行费用以及发电机的运行费用确定微电网的成本函数以及约束条件,具体包括如下步骤:
步骤S10420,确定在预设时间段内微电网的负载和可再生能源的预测误差;
步骤S10422,根据正态分布对预测误差进行拟合,
步骤S10424,根据拟合结果确定约束条件;
步骤S10426,根据约束条件确定微电网的成本函数。
具体的,为了实现成本函数以及约束条件R1,需要确定累计分布函数CDF以及平均值Pnet,k,其中,可通过时间段k内的实际负载、PV和风力发电的预测值进行预测。实际负载、PV和风力发电的预测值可表示为:
在上述公式中,ΔPload,ΔPpv,ΔPWT取决于预测方法和预测范围的预测误差。为了模拟负荷和可再生能源预测的不确定性,ΔPload、ΔPpv、ΔPWT被认为是随机变量。虽然韦伯分布、柯西分布以及混合的拉普拉斯分布可以更精确地描述风力发电预测误差,但它可以用零平均正态分布近似拟合。此外,由于负载需求和光伏发电预测误差非常接近正态分布,净负载误差ΔPnet,k(所有误差的总和)可以用零平均正态分布近似。
ΔPnet,k的标准偏差计算如下:
因此,可以计算以下期望和概率:
P(Pnet,k>0)=1-pk
其中,Φ为服从(0,1)标准正态分布的累积分布函数,因此约束R1可以为:
通过选择αk和βk的不同值,系统将产生(或充电)更多或更少的功率。
成本函数可以表示为:
其中,
cex,k为出口(进口)到电网的电价。
在一种可选的实施例中,基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案,具体包括:
步骤S1060,根据机组组合模型确定在预设时间段中微电网的状态集;
步骤S1062,根据随机动态规划算法在状态集中确定满足约束条件的预设状态;
步骤S1064,计算微电网在预设状态下的运行成本;
步骤S1066,从预设状态的机组组合中确定运行成本最小的运行方案。
需要说明的是,由于随机问题具有不确定性,每个阶段的成本通常是随机变量,因此,在随机动态规划算法中,所要达到的目的是使预期成本最小化。其中,在阶段k的状态空间定义为:
其中,Lk为阶段k的可行状态集合,mk为Lk集合中状态的数量,为单元xi的二进制状态,它可以是发电机,放电电池或者充电电池。如果满足约束R2,R3,R6和以下条件,则为有效状态:
此外,在本申请中使用正向动态规划算法。其中,计算B阶段到达状态A的最小费用的算法为:
其中,为到达状态的最小费用,为对于状态的运作费用,为从状态到状态的过渡费用。运营成本可以通过执行经济调度来最小化具有约束R1,R4和R5的成本函数。另外,本申请使用最陡下降算法来解决机组组合问题。
在一种可选的实施例中,图2示出了一种可选的随机动态规划算法的流程图。由图2可知,在进行随机动态规划算法之前,需要对k进行初始化,使k=1。然后寻找可行状态集Lk,在经济调度中寻找如果找到,则保存和为所有电池升级充电状态,并判断j是否达到mk。如果j未达到mk,则j=j-1,并重新执行经济调度;如果j=mk,则进一步判断k值是否达到最大值M。如果k=M,则回溯找到最优路径,确定当前状态为最优状态;否则j=j-1,重新寻找可行状态集。
在一种可选的实施例中,图3示出了典型的微电网的结构示意图,由图3可知,该微电网包括柴油发电机、AGB电池、VRB、PV组、风机1、风机2以及多条馈线(图3中仅示出了三条馈线,分别为馈线1、馈线2和馈线3),其连接到配电变压器的低压侧以为住宅负载供电。微电网包括一台50kW天然气发电机,2台20kW的风力发电机组,一台50kW的光伏阵列,10kW/40kWh的钒电池和12kW/30kWh的AGM铅酸蓄电池。峰值时总负载为50kW。AGM电池的成本估计为8000美元。VRB的重置成本估计为20000美元。
另外,本案例研究中特定使用天然气发电机。从制造商数据提取的发电机和电池的数据及其初始状态如表2和表3所示。其中,负荷、光电和风电预测误差的标准偏差分别为3.12%,12.5%和13.58%。αk和βk参数分别选择为0.9和0.1。高值αk表示在内部满足所有负载的高概率。低值βk表示将可再生能源输出到电网的可能性较低(即优先使用多余电量来对能量存储单元充电)。
表2天然气发电机数据
表3电池数据
表4中给出了计算每小时净负荷预测误差的标准偏差。
表4净负荷预测误差标准偏差
由此可见,通过引入电池的运行成本函数,机组组合倾向于向循环寿命更长,重置成本更低,效率更高的电池发电。在这种情况下,VRB较低,但AGM电池效率较高,因此其结果所示的发电功率接近。与天然气发电机相比,由于“燃料”价格下降和效率较高,电池运行成本较低。但电池的最大放电深度受到限制,因此,电池只能在晚上几个小时才能放电,如结果所示。通过比较随机性和确定性案例,可看出αk和βk选择所造成的影响:
①当负载高且可再生能源发电量低(约15至24小时)时,与PDG*>PDG所示的确定性情况相比,随机算法超过了天然气发电机组。由于αk选择为大于0.9的值,这表明负载高概率下以内部满足。由于可再生能源在这几个小时内不可用,因此要求天然气发电机必须能够承受负载中任何潜在的变化。
②当负载高且可再生能源发电量高(约9至14时)时,随机算法过度对能量存储单元进行充电。由于βk选择为小于0.1的值,这表明向电网发送过剩产生的可能性很小,从而增加了对电池充电的可能性。
③当负载低且无可再生能源时,随机组合算法能够紧密符合确定性情况(0到8小时)。
通过选择αk和βk,可以调整系统中允许的风险。在这个例子中,αk和βk两者的值在整个24小时内保持不变,但实际中,这些值可能会为了应付负荷或可再生能源的预期变化而变化。
此外,虽未明确说明,但两个能源储存单位是按照各自的经营情况进行匹配运行的,以最大化其寿命。
本案例研究为评估文中提出的方法的影响提供了框架。该方法的主要特点是:更好地描述了储能系统性能的实际性能;调整了资源分配的响应。具体来说,大多数能源管理和资源分配方法没有明确地考虑到由于深度放电而导致的生命周期退化,也不会将效率视为输出(或输入)功率的函数。在本案例研究中,VRB和AGM铅酸电池类似;即使VRB的安装费用相当昂贵,其更好的生命周期属性和效率特性也为AGM铅酸蓄电池产生了类似的长期经济利益。此外,两种电池比天然气发电机更具成本效益。因此,增加储能系统相对于天然气发电机的规模更有经济意义。此外,随机性分析的结果表明天然气发电机对于确定性情况的依赖性越来越大,因为随着不确定性的增加,天然气发电机成为更可靠的资源。这可以通过减小α的大小来抵消。
实施例2
根据本发明实施例,还提供了一种基于微电网的调度装置实施例,其中,图4是根据本发明实施例的基于微电网的调度装置的结构示意图,如图4所示,该装置包括:第一构建模块701、第二构建模块703、确定模块705以及调度模块707。
其中,第一构建模块701,用于基于微电网中的电池的电量成本和电量消耗构建电池运行模型;第二构建模块703,用于根据电池运行模型构建微电网的机组组合模型;确定模块705,用于基于机组组合模型确定预设时间段内微电网的运行成本最小的运行方案;度模块707,用于根据运行方案对微电网进行调度。
需要说明的是,上述第一构建模块701、第二构建模块703、确定模块705以及调度模块707对应于实施例1中的步骤S102至步骤S108,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
在一种可选的实施例中,电池运行模型包括:电量成本模型和电量消耗模型,其中,第一构建模块包括:第三构建模块以及第四构建模块。其中,第三构建模块,用于根据电池充电的能源成本和电池容量的可用成本,构建电池的电量成本模型,其中,电池的电量消耗包括电池充电的能源成本和电池容量的可用成本;第四构建模块,用于根据电池在充电过程和放电过程中的电量消耗,构建电池的电量消耗模型。
需要说明的是,上述第三构建模块以及第四构建模块对应于实施例1中的步骤S1020至步骤S1022,两个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
在一种可选的实施例中,基于微电网的调度装置还包括:第一确定模块以及第二确定模块。其中,第一确定模块,用于根据电池的放电深度确定电池的生命周期可用容量;第二确定模块,用于根据电池的生命周期可用容量确定电池容量的可用成本。
需要说明的是,上述第一确定模块以及第二确定模块对应于实施例1中的步骤S10202至步骤S10204,两个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
在一种可选的实施例中,第二构建模块包括:第三确定模块、第四确定模块以及第五确定模块。其中,第三确定模块,用于根据电池运行模型确定在预设时间段内电池的运行费用;第四确定模块,用于根据电池的运行费用以及发电机的运行费用确定微电网的成本函数以及约束条件;第五确定模块,用于根据成本函数以及约束条件确定微电网的机组组合模型。
需要说明的是,上述第三确定模块、第四确定模块以及第五确定模块对应于实施例1中的步骤S1040至步骤S1044,三个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
在一种可选的实施例中,第四确定模块包括:第六确定模块、拟合模块、第七确定模块以及第八确定模块。其中,第六确定模块,用于确定在预设时间段内微电网的负载和可再生能源的预测误差;拟合模块,用于根据正态分布对预测误差进行拟合,第七确定模块,用于根据拟合结果确定约束条件;第八确定模块,用于根据约束条件确定微电网的成本函数。
需要说明的是,上述第六确定模块、拟合模块、第七确定模块以及第八确定模块对应于实施例1中的步骤S10420至步骤S10426,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
在一种可选的实施例中,确定模块包括:第九确定模块、第十确定模块、计算模块以及第十一确定模块。其中,第九确定模块,用于根据机组组合模型确定在预设时间段中微电网的状态集;第十确定模块,用于根据随机动态规划算法在状态集中确定满足约束条件的预设状态;计算模块,用于计算微电网在预设状态下的运行成本;第十一确定模块,用于从预设状态的机组组合中确定运行成本最小的运行方案。
需要说明的是,上述第九确定模块、第十确定模块、计算模块以及第十一确定模块对应于实施例1中的步骤S1060至步骤S1066,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
实施例3
根据本发明实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,程序执行实施例1中的基于微电网的调度方法。
实施例4
根据本发明实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行实施例1中的基于微电网的调度方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于微电网的调度方法,其特征在于,包括:
基于微电网中的电池的电量成本和电量消耗构建电池运行模型;
根据所述电池运行模型构建所述微电网的机组组合模型;
基于所述机组组合模型确定预设时间段内所述微电网的运行成本最小的运行方案;
根据所述运行方案对所述微电网进行调度。
2.根据权利要求1所述的方法,其特征在于,所述电池运行模型包括:电量成本模型和电量消耗模型,其中,基于微电网中的电池的电量成本和电量消耗构建电池运行模型,包括:
根据电池充电的能源成本和电池容量的可用成本,构建所述电池的电量成本模型,其中,所述电池的电量消耗包括所述电池充电的能源成本和所述电池容量的可用成本;
根据电池在充电过程和放电过程中的电量消耗,构建所述电池的电量消耗模型。
3.根据权利要求2所述的方法,其特征在于,在根据电池充电的能源成本和电池容量的可用成本构建所述电池的电量成本模型之前,所述方法还包括:
根据所述电池的放电深度确定所述电池的生命周期可用容量;
根据所述电池的生命周期可用容量确定所述电池容量的可用成本。
4.根据权利要求1所述的方法,其特征在于,根据所述电池运行模型构建所述微电网的机组组合模型,包括:
根据所述电池运行模型确定在所述预设时间段内所述电池的运行费用;
根据所述电池的运行费用以及发电机的运行费用确定所述微电网的成本函数以及约束条件;
根据所述成本函数以及所述约束条件确定所述微电网的机组组合模型。
5.根据权利要求4所述的方法,其特征在于,根据所述电池的运行费用以及发电机的运行费用确定所述微电网的成本函数以及约束条件,包括:
确定在所述预设时间段内所述微电网的负载和可再生能源的预测误差;
根据正态分布对所述预测误差进行拟合,
根据拟合结果确定所述约束条件;
根据所述约束条件确定所述微电网的成本函数。
6.根据权利要求5所述的方法,其特征在于,基于所述机组组合模型确定预设时间段内所述微电网的运行成本最小的运行方案,包括:
根据所述机组组合模型确定在所述预设时间段中所述微电网的状态集;
根据随机动态规划算法在所述状态集中确定满足所述约束条件的预设状态;
计算所述微电网在所述预设状态下的运行成本;
从所述预设状态的机组组合中确定所述运行成本最小的运行方案。
7.一种基于微电网的调度装置,其特征在于,包括:
第一构建模块,用于基于微电网中的电池的电量成本和电量消耗构建电池运行模型;
第二构建模块,用于根据所述电池运行模型构建所述微电网的机组组合模型;
确定模块,用于基于所述机组组合模型确定预设时间段内所述微电网的运行成本最小的运行方案;
调度模块,用于根据所述运行方案对所述微电网进行调度。
8.根据权利要求7所述的装置,其特征在于,所述电池运行模型包括:电量成本模型和电量消耗模型,其中,所述第一构建模块包括:
第三构建模块,用于根据电池充电的能源成本和电池容量的可用成本,构建所述电池的电量成本模型,其中,所述电池的电量消耗包括所述电池充电的能源成本和所述电池容量的可用成本;
第四构建模块,用于根据电池在充电过程和放电过程中的电量消耗,构建所述电池的电量消耗模型。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至6中任意一项所述的基于微电网的调度方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的基于微电网的调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265103.9A CN110323786A (zh) | 2018-03-28 | 2018-03-28 | 基于微电网的调度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265103.9A CN110323786A (zh) | 2018-03-28 | 2018-03-28 | 基于微电网的调度方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110323786A true CN110323786A (zh) | 2019-10-11 |
Family
ID=68109976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810265103.9A Pending CN110323786A (zh) | 2018-03-28 | 2018-03-28 | 基于微电网的调度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110323786A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664401A (zh) * | 2012-04-16 | 2012-09-12 | 中国电力科学研究院 | 一种基于电池寿命模型的微电网控制方法 |
US20140337002A1 (en) * | 2013-05-08 | 2014-11-13 | Instant Access Networks, Llc | Method and Instrumentation for Sustainable Energy Load Flow Management System (SelfMaster(TM)) |
CN105139147A (zh) * | 2015-09-18 | 2015-12-09 | 北京北变微电网技术有限公司 | 微电网系统的经济调度方法 |
CN105207259A (zh) * | 2015-09-18 | 2015-12-30 | 北京北变微电网技术有限公司 | 基于能量管理的并网状态下的微电网系统调度方法 |
CN106953362A (zh) * | 2017-05-03 | 2017-07-14 | 北京天诚同创电气有限公司 | 并网型微电网的能量管理方法及系统 |
CN107134810A (zh) * | 2017-06-09 | 2017-09-05 | 燕山大学 | 一种独立型微能源网储能系统优化配置求解方法 |
-
2018
- 2018-03-28 CN CN201810265103.9A patent/CN110323786A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664401A (zh) * | 2012-04-16 | 2012-09-12 | 中国电力科学研究院 | 一种基于电池寿命模型的微电网控制方法 |
US20140337002A1 (en) * | 2013-05-08 | 2014-11-13 | Instant Access Networks, Llc | Method and Instrumentation for Sustainable Energy Load Flow Management System (SelfMaster(TM)) |
CN105139147A (zh) * | 2015-09-18 | 2015-12-09 | 北京北变微电网技术有限公司 | 微电网系统的经济调度方法 |
CN105207259A (zh) * | 2015-09-18 | 2015-12-30 | 北京北变微电网技术有限公司 | 基于能量管理的并网状态下的微电网系统调度方法 |
CN106953362A (zh) * | 2017-05-03 | 2017-07-14 | 北京天诚同创电气有限公司 | 并网型微电网的能量管理方法及系统 |
CN107134810A (zh) * | 2017-06-09 | 2017-09-05 | 燕山大学 | 一种独立型微能源网储能系统优化配置求解方法 |
Non-Patent Citations (1)
Title |
---|
苏宇: ""基于多层次自适应动态规划的电力系统建模与控制"", 《中国优秀硕士学位论文全文数据库 》, no. 6, 15 June 2017 (2017-06-15), pages 042 - 523 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javed et al. | Economic analysis and optimization of a renewable energy based power supply system with different energy storages for a remote island | |
Yang et al. | Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook | |
Teng et al. | Optimal charging/discharging scheduling of battery storage systems for distribution systems interconnected with sizeable PV generation systems | |
He et al. | Optimal bidding strategy of battery storage in power markets considering performance-based regulation and battery cycle life | |
Ghiassi-Farrokhfal et al. | Joint optimal design and operation of hybrid energy storage systems | |
Dragičević et al. | Capacity optimization of renewable energy sources and battery storage in an autonomous telecommunication facility | |
JP6042184B2 (ja) | エネルギー管理システム、エネルギー管理方法、プログラム、サーバ装置およびローカルサーバ | |
Javadi et al. | Optimal spinning reserve allocation in presence of electrical storage and renewable energy sources | |
Xu et al. | Multi-objective chance-constrained optimal day-ahead scheduling considering BESS degradation | |
Aaslid et al. | Optimal microgrid operation considering battery degradation using stochastic dual dynamic programming | |
CN109560574A (zh) | 一种考虑不确定因素的智能配电网网架规划方法 | |
Chen et al. | Operational reliability and economy evaluation of reusing retired batteries in composite power systems | |
Niknam et al. | Impact of heat, power and hydrogen generation on optimal placement and operation of fuel cell power plants | |
Wang et al. | Bilevel energy optimization for grid-connected AC multimicrogrids | |
CN111325423A (zh) | 一种区域多能源互联运营优化方法和计算设备 | |
Logenthiran et al. | Optimal selection and sizing of distributed energy resources for distributed power systems | |
Ahlawat et al. | Optimal sizing and scheduling of battery energy storage system with solar and wind DG under seasonal load variations considering uncertainties | |
Masteri et al. | A feeder investment model for distribution system planning including battery energy storage | |
Yepes-Fernéndez et al. | A study on control strategies for aggregated community energy storage systems in medium voltage distribution networks | |
CN107147139B (zh) | 一种计及线路传输损耗的微电网负荷调度方法 | |
CN108683211A (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
CN110323786A (zh) | 基于微电网的调度方法和装置 | |
CN105406469A (zh) | 基于状态转移抽样法的高渗透率有源配电网可靠性评估法 | |
Abbey et al. | Sizing and power management strategies for battery storage integration into wind-diesel systems | |
Hossain et al. | Multi-Agent Energy Management Strategy for Multi-Microgrids Using Reinforcement Learning |
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 |