CN110739725B - 一种配电网优化调度方法 - Google Patents
一种配电网优化调度方法 Download PDFInfo
- Publication number
- CN110739725B CN110739725B CN201910921910.6A CN201910921910A CN110739725B CN 110739725 B CN110739725 B CN 110739725B CN 201910921910 A CN201910921910 A CN 201910921910A CN 110739725 B CN110739725 B CN 110739725B
- Authority
- CN
- China
- Prior art keywords
- power
- stage
- station
- charging
- distribution network
- 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
Images
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
- H02J3/38—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
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种配电网优化调度方法,以满足约束的主动配电网日总运行成本最小建立主动配电网鲁棒优化调度模型目标函数;建立两阶段鲁棒优化调度模型,并将其转化为混合整数二阶锥模型,采用分层列和约束生层算法将鲁棒优化模型分为两层进行求解,将对应风机、光伏出力与快充站功率的不确定参数集合下的各种换电站充换电计划代入模型目标函数进行第一阶段求解,并将其下发给第二阶段进行优化;根据第一阶段下发的换电站充换电计划,以相应潮流参数为控制变量,根据不同的不确定参数集合值求解出最恶劣场景下的模型目标函数,直到两阶段求解结果达到要求得到优化结果。有效性与合理性对解决CSSIS接入ADN后产生的电网合理运行问题。
Description
技术领域
本发明涉及一种配电技术,特别涉及一种基于分布式电源和充换储一体站鲁棒性的配电网优化调度方法。
背景技术
随着经济社会的快速发展,对环境保护的要求也越来越高。各类DG包括风机(Windturbines,WT)、光伏(Photovoltaic,PV)和微型燃气轮机(Micro-Turbine,MT),由于具有清洁能源的特性,未来将会大规模接入电力系统。与此同时,随着电动汽车(ElectricVehicle,EV)拥有量的迅速增加,充电基础设施建设的发展相对滞后。为提高综合利用效益,将充电站(battery charging station,BCS)、换电站(battery swapping station,BSS)与梯级储能电站(energy storage station,ESS)集成为一体站(Charging-Swapping-Storage Integrated Station,CSSIS),并与主动配电网(Active distribution network,ADN)联合优化运行,可以满足所在区域EV充电需求、消纳分布式电源(Distributedgeneration,DG)出力、响应负荷波动、减少ADN运行维护费用,具有良好的发展前景。CSSIS的结构图参见图1所示。其中,WT、PV出力和CSSIS功率需求由于其固有的随机性与波动性,造成了其可调度能力较低,因此在制定调度策略时要对其具有的不确定性进行分析。
目前对不确定性的处理方法主要有随机规划法和鲁棒优化法两种。随机规划法采用场景集对随机特性进行描述,通过采样生成大量场景集,再通过场景削减对所有场景的平均值进行优化。其难点在于难以确定合适的场景数,场景数过少难以保证解在随机波动情况下的可行性,反之场景集过多则会影响计算速度。近年来,鲁棒优化法在处理不确定性方面展现了独特的优势。其采用一个封闭凸集合对不确定变量的取值进行限定,在此基础上求解鲁棒优化模型,保证解对于该集合内变量的任意取值都能保证鲁棒最优性。常用的不确定集主要有盒式集合、多面体集合和椭球集合。其中,盒式集合也称为区间数,仅考虑不确定变量取值的上下限,未考虑其相关性,因此盒式集合只考虑了变量取值可以任意波动的极端情况,会导致鲁棒优化解过于保守。椭球集合在处理变量相关性问题上具有优势,但是会使问题求解难度增大。因此,考虑了变量之间相关性同时能够提高求解效率的多面体集合应用较为广泛。
因此,对CSSIS和DG接入ADN后电网运行模型的构建还需更进一步的研究。
发明内容
本发明是针对电动汽车充换储一体站接入电网后产生的电网合理运行的问题,提出了一种配电网优化调度方法,对于行为特性差异较大的快充站用户和换电站用户分别采用两种不同途径进行求解,同时考虑到了电动汽车负荷快速建模能力和建模的准确性,提高了对电网中不确定性元件的分析能力,结果能够反映实际工程情况。
本发明的技术方案为:一种配电网优化调度方法,将充电站、换电站与梯级储能电站集成为一体站,并与主动配电网联合运行,对配电网优化调度的具体包括如下步骤:
1)构建电动汽车充换储一体站的主动配电网鲁棒优化调度模型,以满足约束的主动配电网日总运行成本最小建立模型目标函数;约束包括潮流约束和主动配电网安全运行约束;
2)鲁棒优化模型包括第一阶段离散型控制变量和第二阶段的连续型控制变量;第一阶段控制变量仅为换电站充换电计划安排,在第一阶段控制变量求解出并下发给第二阶段后,第二阶段的控制变量为相应潮流参数ω2,第二阶段的目标是根据之前求解出的换电站充换电计划安排,求解出在最恶劣场景下的相应潮流参数ω2的值,其中风机、光伏出力与快充站功率作为在第一、二阶段求解过程中的不确定参数集合,
ω2=[Pn(t),Pmn(t),PDG1(t),PESS(t),QSVC(t),Qmn(t),Qn(t),Vn(t)]
其中Pn(t)、Qn(t)分别为第t时段节点n有功和无功功率注入值;m、n分别为支路mn首末节点;Pmn(t)和Qmn(t)分别为第t时段流过支路mn的有功和无功功率;Vn(t)为第t时段节点n电压幅值;QSVC(t)为第t时段静止无功补偿器无功出力;PDG1(t)为第t时段微型燃气轮机出力;PESS(t)为第t时段梯级储能电站充放电功率;
3)采用分层列和约束生层算法将鲁棒优化模型分为两层进行求解,对第一阶段进行目标函数求解,初次将任意风机、光伏出力与快充站功率的不确定参数集合下的各种换电站充换电计划代入主动配电网鲁棒优化调度模型目标函数进行求解,将求解的最小值作为目标函数下限值进行更新,并将对应换电站充换电计划下发给第二阶段进行优化;根据第一阶段下发的换电站充换电计划,以ω2相应潮流参数为控制变量,根据不同的不确定参数集合值求解出最恶劣场景下的主动配电网鲁棒优化调度模型,对其目标函数进行求解,将求解的最小值作为目标函数上限值进行更新;如果目标函数的上下限值之差未达到收敛条件,则将第二阶段最恶劣场景下求解的不确定参数集合值,送回第一阶段进行下一轮迭代,更新迭代次数值,直到迭代次数值达到设定值或上下限值差小于设定值则求解结束,输出配电网优化后调度计划。
本发明的有益效果在于:本发明配电网优化调度方法,建立两阶段鲁棒优化调度模型,并将其转化为混合整数二阶锥模型,采用分层列和约束生成方法对其进行求解。与现有技术相比,本发明方法能够综合考虑多种行为差异较大的电动汽车用户,对ADN中接入DG和CSSIS等不确定元件时的运行情况进行分析,在实际的工程运用中具有参考价值。实例结果表明在四种典型最恶劣场景及在不确定集的极值点附近随机生成的场景中,鲁棒优化结果均明显优于确定性优化结果,验证了提出方法的有效性与合理性对解决CSSIS接入ADN后产生的电网合理运行等问题具有重要的应用价值。
附图说明
图1为CSSIS的结构图;
图2本发明鲁棒优化调度框架图;
图3本发明鲁棒优化模型C&CG方法求解流程图;
图4为某市公交线路网络示意图;
图5为具体PG&E69系统图;
图6为BCS充电需求曲线图;
图7为各节点不同时段负荷均值图;
图8为CSSIS功率需求曲线图;
图9为充电功率需求对比图;
图10a为场景一下SVC和ESS的出力对比图;
图10b为场景一下MT和ADN交互功率对比图;
图10c为场景二下SVC和ESS的出力对比图;
图10d为场景二下MT和ADN交互功率对比图;
图10e为场景三下SVC和ESS的出力对比图;
图10f为场景三下MT和ADN交互功率对比图;
图10g为场景四下SVC和ESS的出力对比图;
图10h为场景四下MT和ADN交互功率对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清晰、明确,以下参照附图并举实施例对本发明进一步详细说明。
CSSIS主要由站内调度中心、充/放电机、充换电系统和梯级储能系统等部分组成,组成结构如图1所示。站内调度中心是CSSIS站内的调度中心,能够实时掌握站内能量流功率流等状态量,将站内状态反馈给站外调度中心,也可以根据站外调度中心调度计划或者MG运行情况制订站内运行计划。充放电机是CSSIS站内外能量多向流动的通道,由多用途变流装置组成。BCS和BSS中动力电池(power battery,PB)均为锂电池。在PB达到全寿命后,可以将容量衰减的PB转化为储能电池(storage battery,SB),并配置于ESS梯级利用。充换电系统、梯级储能系统根据调度计划,可以对PB和SB分别进行充换电安排和充放电调度。
如图2所示鲁棒优化调度框架图,构建电动汽车充换储一体站的主动配电网鲁棒优化调度模型,模型构建过程如下:
在ADN(主动配电网)鲁棒优化调度模型中,各节点注入功率值不是用确定值表示,而是带有不确定参数,同时相关不确定参数可以表征为具有边界的不确定集,以便在最恶劣的情况下做出决策,确保最优解。
1、鲁棒优化调度模型目标函数:
鲁棒优化调度的目标为ADN日总运行成本最小,决策变量包括:DG有功和无功出力,CSSIS有功无功充放电功率和静止无功补偿器出力等。考虑DG主要采用PQ有功无功控制方式,因此可以根据其有功出力计算出其无功功率。目标函数为:
ω1=[PBCS(t),PDG2(t),PDG3(t)]
ω2=[Pn(t),Pmn(t),PDG1(t),PESS(t),QSVC(t),Qmn(t),Qn(t),Vn(t)]
式中Ctotal、CW、CD和分别为ADN日总运行成本、日运维成本、日调度成本和日碳排放成本;为0-1状态变量,表示换电站(BSS)中序号为i的动力电池(PB)第t时段充电状态;ω1和ω2分别为不确定集合与最恶劣场景下ADN潮流参数集合;PBCS(t)为第t时段充电站BCS功率需求;PDG1(t)为第t时段MT出力;PDG2(t)为第t时段WT出力;PDG3(t)为第t时段PV出力;PESS(t)为第t时段ESS充放电功率;Pn(t)、Qn(t)分别为第t时段节点n有功和无功功率注入值;m、n分别为支路mn首末节点;Pmn(t)和Qmn(t)分别为第t时段流过支路mn的有功和无功功率;Vn(t)为第t时段节点n电压幅值;QSVC(t)为第t时段SVC(静止无功补偿器)无功出力。
ADN日运维成本CW含DG和一体站日运维成本:
式中和分别为DG和一体站日运维成本;T为为调度周期总时段数;ΔT为调度时间间隔;σi为ADN中第i种DG运行成本系数;PDGi(t)为ADN第i种DG第t时段总出力;为一体站使用年限;d为折现率;h%为日运维成本占其初始建设成本的比值;为一体站初始建设成本。
MT燃料耗费成本CDG1如下式所示:
式中PDG1(t)为MT第t时段总出力;PDG1,i(t)为第i台MT第t时段出力;α1、β1和γ1为MT运行成本系数;NDG1为MT数量。
ESS日调度成本:为了描述梯级储能电站充放电行为对其寿命的影响,引入了ESS日调度成本的概念:
ADN与主网日功率交换成本:参考海南省琼海市《关于电动汽车充换电服务费及用电价格有关问题的通知》要求,电价执行工商业及其他用电价格,故日功率交换成本Cex为:
式中为ADN基本负荷日购电成本;Closs为ADN日网损成本;cex(t)为第t时段电价;为ADN第t时段基本负荷需求;Ωnet为ADN网络节点集合;Rmn为支路mn电阻;Vm(t)为第t时段节点m电压幅值。
ADN与主网交互功率日碳排放成本:我国的能源结构决定了燃煤发电是我国最重要的电源种类。假设ADN与主网交互电能均来自燃煤电厂,因此其碳排放惩罚成本为:
2、约束条件
对于提出的ADN鲁棒优化调度模型,约束条件主要包括潮流约束和ADN安全运行约束。
2.1)潮流约束
为减少短路电流,实际工程中ADN主要以辐射状运行,采用DistFlow方法描述支路潮流:
式中,δ(n)为ADN中以节点n为首端节点的支路的末端节点集合;Pmn(t)和Qmn(t)分别为第t时段支路mn首端有功和无功功率;Imn(t)为第t时段流经支路mn的电流;Xmn为支路mn电抗;和分别为第t时段节点n负荷有功和无功需求;为第t时段节点n处一体站有功需求;和分别为第t时段节点n处DG有功和无功出力;为第t时段节点n处SVC无功出力。
2.2)ADN安全运行约束
提出的鲁棒优化模型属于大规模、非凸、非线性组合优化问题,难以直接求解。与传统的Benders算法相比,C&CG算法(分层列和约束生成算法)在求解效率和性能上均具有优势,近年来广泛应用于电力系统经济调度等领域。因此采用C&CG算法求解鲁棒优化模型。
提出的两阶段鲁棒优化调度模型可表示为如下式所示的矩阵形式:
式中,ξ和x分别为鲁棒优化模型第一阶段和第二阶段的控制变量;θ为各节点注入功率的不确定集合;A和k分别为ADN潮流约束中相关系数矩阵和向量;b为目标函数表达式中的相关系数矩阵;Φ为最恶劣场景下ADN潮流参数集合;E、F、H和g分别为ADN安全运行约束中相关系数矩阵和向量;约束包括ADN潮流约束和安全运行约束。
由前文的分析可知,鲁棒优化模型第一阶段和第二阶段的控制变量ξ和x分别为离散型和连续型变量,因此该模型属于大规模、非凸非线性组合优化问题,难以直接求解。与传统的Benders算法相比,C&CG算法在求解效率和性能上均具有优势,近年来广泛应用于电力系统经济调度等领域。因此采用C&CG算法求解鲁棒优化模型。
由C&CG算法的原理,将提出的鲁棒优化模型转化为主问题和子问题之间的迭代求解,如下式所示。通过枚举出各节点注入功率不确定集合θ中的若干可能的波动场景,采用有限子集取代不确定集合对问题进行有效简化。
主问题是指在满足ADN潮流约束和安全运行约束的前提下最小化ADN日总运行成本,在每次迭代过程中针对不确定集合有限子集中的特定场景确定离散型控制变量取值和连续型控制变量的约束条件,并为模型提供下界。经过分段线性化和凸松弛处理后,主问题转化为单层优化的混合整数线性规划模型,可用成熟商业软件高效求解。
对于主问题中任意给定的ξ*(ξ*为BSS换电计划安排),子问题都能够求解出相应最优解Υ(ξ*)。由于WT、PV出力与快充站功率需求存在不确定性,需要考虑最恶劣场景下的扰动情况,确保调度安排的可行性。根据图2可以看到,第一阶段控制变量仅为换电站BSS充换电计划安排,在第一阶段控制变量求解出并下发给第二阶段后,第二阶段的控制变量为上文所述ω2相应潮流参数,第二阶段的目标是根据之前求解出的BSS充换电计划安排,求解出在最恶劣场景下的相应潮流参数ω2的值,其中WT、PV出力与快充站功率不是第一阶段和第二阶段控制变量,仅作为在第一、二阶段求解过程中的不确定参数集合,其在第一阶段初始是任意选取的一组参数集合,在第二阶段则是选取使第二阶段目标函数值最大(目标函数值最大对应最恶劣场景下)的参数集合。
如图3所示(1)采用分层列和约束生层算法将鲁棒优化模型分为两层进行求解,先对其进行初始化,设置LB、UB和k的初始值;(2)求解第一阶段目标函数,即求解对应WT、PV出力与快充站功率的不确定参数集合下的BSS充换电计划,将目标函数更新下限LB的值,并下发给第二阶段优化;(3)根据第一阶段下发的BSS充换电计划,以ω2相应潮流参数为控制变量,根据不同的不确定参数集合值求解出最恶劣场景下的模型,再进行目标函数求解,将求解的最小值作为目标函数上限值UB;(4)如果上下限值之间未达到收敛条件,即上下限值差未小于设定值ε,则将第二阶段最恶劣场景下求解的不确定参数集合值,送回第一阶段进行下一轮迭代,更新迭代次数值k,直到迭代次数值达到设定值或上下限值差小于设定值ε则求解结束,输出配电网优化后调度计划。
子问题根据主问题中确定的第一阶段控制变量取值和第二阶段控制变量约束条件,计及不确定集中的最恶劣场景以确定第二阶段控制变量取值并为模型提供上界,同时生成新的列约束条件添加至主问题中继续进行下一轮迭代求解。
子问题中目标函数为“max-min”双层优化形式,可以采用对偶定理,通过引入拉格朗日乘子将其转化为“max”单层优化问题,如下式所示:
式中π、ε均为拉格朗日乘子。
不可控DG模型:
WT、PV等可再生能源发电成本极低,而且运行时不产生碳排放,因此忽略其发电成本和碳排放成本。WT在第t时段的出力PDG2(t)可分解为其预测期望值和不确定量ΔPDG2(t)之和。可通过日前预测得到,而不确定量可以建立计及时序特性的多面体集合来考虑其不确定性:
式中PDG3(t)为PV第t时段的出力;τ+(t)和τ-(t)均为0-1状态变量;ГDG3为PV出力时间约束参数。
本发明将提出的基于可调度潜力的电动汽车充换储一体站的模型构建方法应用于实际的工程运用中。本发明基于Matlab仿真平台,仿真结果验证了充换储一体站的模型构建方法及其可调度潜力参与电网优化调度的可行性和有效性。
首先对算例仿真参数进行设置,以某市公交线路实际道路情况和修改的PG&E69节点系统为例进行算例分析,分别如图4、5所示。该公交线路网络由三条公交线路组成,共含19个道路节点和18条道路,平均道路长度为3.5kM。BSS为三条公交线路共62辆Eb提供充换电服务,站内共有124组备用PB、3台换电机和62套分箱式充电机。BCS配置10台直流快充机,采用3C充电。CSSIS提供服务区域内出租车数量为160辆。ESS容量为3MWh,初始SOC为0.6。系统包括69个节点和68条支路,首端基准电压为12.66kV,网络基础有功负荷的峰值取为5006kW,在节点69处接入装机容量为1MW的WT,在节点27处接入装机容量为500kW的PV,在节点41处接入装机容量为2MW的MT。节点54处接入无功出力范围为-200——200kVA的SVC。
经过仿真计算,可得到BCS功率需求曲线和改进的PG&E69节点系统各节点在不同时段的负荷均值分别如图6、图7所示。电动汽车充换储一体站的功率需求曲线如图8所示。由图8可以看出,可以看出快充站充电需求分别在第10-26时段和第65-75时段两次达到极值,换电站充电需求分别在第3和第86时段达到极值,而ESS充放电功率具有降低总负荷曲线峰时功率需求的效果。因此一体站充放电功率在第10时段达到峰值,避开了常规负荷峰值时段,提升了总负荷曲线谷时功率需求。
BSS中电动公交车有序、无序充电对优化结果的影响如图9所示。可以看出,Eb无序充电时换电站和一体站的功率需求在第67时段分别达到峰值3400kW和4500kW,如果不进行优化调度将给电网造成峰上加峰的后果,进一步扩大电网的峰谷差。相比之下,Eb有序充电时换电站和一体站的功率需求峰值分别为1800kW和2200kW,相对较小。这表明通过Eb有序充电可以将负荷曲线峰时段的充电功率需求部分转移至负荷曲线谷时段,延长换电站总充电时长,起到削峰填谷的效果,对于缓解电网的峰谷差具有较大意义。
为了对确定性优化结果和鲁棒优化结果进行有效对比,检验本文提出方法的有效性,结合ADN实际运行时可能出现最恶劣的情况,本文分四种场景进行优化调度分析:场景一表示不可控DG出力和快充站功率需求均取不确定集合上限;场景二表示不可控DG出力和快充站功率需求均取不确定集合下限;场景三表示不可控DG出力取不确定集合上限,快充站功率需求取不确定集合下限;场景四表示不可控DG出力取不确定集合下限,快充站功率需求取不确定集合上限。优化结果如图10a~10h所示。
本发明提出的基于分布式电源和充换储一体站鲁棒性的配电网优化调度方法思路清晰,具有良好的调控效果,适用范围广。对于实际工程中充换储一体站接入电网运行时,电网中不确定因素对电网运行状态有较大影响,算例结果表明(1)在四种典型最恶劣场景及在不确定集的极值点附近随机生成的场景中,鲁棒优化结果均明显优于确定性优化结果,验证了本文提出方法的有效性与合理性;(2)电动汽车充换储一体站作为一种新型可控能源形式能够积极参与到提出的优化调度策略中。作为ADN鲁棒优化模型第一阶段控制变量,通过对换电站充电计划进行合理调度,可以有效降低ADN日总运行成本,并确保优化调度结果不受节点注入功率波动的影响。
本发明提出的基于分布式电源和充换储一体站鲁棒性的配电网优化调度方法思路清晰,对于实际工程中较为复杂的情况具有良好的调控效果,适用范围广。应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以更加上诉说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (1)
1.一种配电网优化调度方法,将充电站、换电站与梯级储能电站集成为一体站,并与主动配电网联合运行,其特征在于,对配电网优化调度的具体包括如下步骤:
1)构建电动汽车充换储一体站的主动配电网鲁棒优化调度模型,以满足约束的主动配电网日总运行成本最小建立模型目标函数;约束包括潮流约束和主动配电网安全运行约束;
2)鲁棒优化模型包括第一阶段离散型控制变量和第二阶段的连续型控制变量;第一阶段控制变量仅为换电站充换电计划安排,在第一阶段控制变量求解出并下发给第二阶段后,第二阶段的控制变量为相应潮流参数ω2,第二阶段的目标是根据之前求解出的换电站充换电计划安排,求解出在最恶劣场景下的相应潮流参数ω2的值,其中风机、光伏出力与快充站功率作为在第一、二阶段求解过程中的不确定参数集合,
ω2=[Pn(t),Pmn(t),PDG1(t),PESS(t),QSVC(t),Qmn(t),Qn(t),Vn(t)]
其中Pn(t)、Qn(t)分别为第t时段节点n有功和无功功率注入值;m、n分别为支路mn首末节点;Pmn(t)和Qmn(t)分别为第t时段流过支路mn的有功和无功功率;Vn(t)为第t时段节点n电压幅值;QSVC(t)为第t时段静止无功补偿器无功出力;PDG1(t)为第t时段微型燃气轮机出力;PESS(t)为第t时段梯级储能电站充放电功率;
3)采用分层列和约束生层算法将鲁棒优化模型分为两层进行求解,对第一阶段进行目标函数求解,初次将任意风机、光伏出力与快充站功率的不确定参数集合下的各种换电站充换电计划代入主动配电网鲁棒优化调度模型目标函数进行求解,将求解的最小值作为目标函数下限值进行更新,并将对应换电站充换电计划下发给第二阶段进行优化;根据第一阶段下发的换电站充换电计划,以ω2相应潮流参数为控制变量,根据不同的不确定参数集合值求解出最恶劣场景下的主动配电网鲁棒优化调度模型,对其目标函数进行求解,将求解的最小值作为目标函数上限值进行更新;如果目标函数的上下限值之差未达到收敛条件,则将第二阶段最恶劣场景下求解的不确定参数集合值,送回第一阶段进行下一轮迭代,更新迭代次数值,直到迭代次数值达到设定值或上下限值差小于设定值则求解结束,输出配电网优化后调度计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921910.6A CN110739725B (zh) | 2019-09-27 | 2019-09-27 | 一种配电网优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921910.6A CN110739725B (zh) | 2019-09-27 | 2019-09-27 | 一种配电网优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110739725A CN110739725A (zh) | 2020-01-31 |
CN110739725B true CN110739725B (zh) | 2023-05-05 |
Family
ID=69269633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910921910.6A Active CN110739725B (zh) | 2019-09-27 | 2019-09-27 | 一种配电网优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110739725B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110518580B (zh) * | 2019-08-15 | 2023-04-28 | 上海电力大学 | 一种考虑微网主动优化的主动配电网运行优化方法 |
CN111404195B (zh) * | 2020-02-24 | 2021-08-27 | 国网浙江嘉善县供电有限公司 | 一种基于智能网关的含分布式电源微电网的调度方法 |
CN111242392B (zh) * | 2020-03-06 | 2022-12-09 | 上海电力大学 | 多虚拟电厂参与主动配电网的双层-两阶段运行方法 |
CN111461451B (zh) * | 2020-04-13 | 2021-09-07 | 广东电网有限责任公司东莞供电局 | 一种配电通信网络的运维方法、装置及存储介质 |
CN111915161B (zh) * | 2020-07-15 | 2023-02-07 | 上海顺翼能源科技有限公司 | 基于可调鲁棒算法的区域光储充系统短期调度方法和系统 |
CN112018823B (zh) * | 2020-08-20 | 2022-09-16 | 天津大学 | 一种配电网多目标鲁棒优化方法 |
CN112347615A (zh) * | 2020-10-20 | 2021-02-09 | 天津大学 | 一种计及光储快充一体站的配电网混合优化调度方法 |
CN112910001B (zh) * | 2021-02-23 | 2022-05-27 | 广东电网有限责任公司 | 多电压等级交直流混合系统三阶段优化配置方法及系统 |
CN113541191A (zh) * | 2021-07-22 | 2021-10-22 | 国网上海市电力公司 | 考虑大规模可再生能源接入的多时间尺度调度方法 |
CN115409294B (zh) * | 2022-11-01 | 2023-03-24 | 江西江投电力技术与试验研究有限公司 | 一种配电网调度与充电协同的鲁棒优化方法 |
CN115797131B (zh) * | 2023-02-09 | 2023-05-30 | 国网浙江电动汽车服务有限公司 | 一种碳排放量监测方法、装置、设备及可读存储介质 |
CN117394380B (zh) * | 2023-12-08 | 2024-03-01 | 国网湖北省电力有限公司经济技术研究院 | 采用松弛迭代的配电网分布式无功电压控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107591844A (zh) * | 2017-09-22 | 2018-01-16 | 东南大学 | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 |
CN108376997A (zh) * | 2018-03-19 | 2018-08-07 | 天津大学 | 一种考虑分布式电源不确定性的有源配电网孤岛划分方法 |
CN109146201A (zh) * | 2018-09-13 | 2019-01-04 | 三峡大学 | 基于合作博弈的充换储一体化电站微电网优化调度方法 |
CN109995075A (zh) * | 2018-09-29 | 2019-07-09 | 国网上海市电力公司 | 一种含分布式电源的主动配电网动态重构方法 |
CN110148969A (zh) * | 2019-03-26 | 2019-08-20 | 上海电力学院 | 基于模型预测控制技术的主动配电网优化运行方法 |
-
2019
- 2019-09-27 CN CN201910921910.6A patent/CN110739725B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107591844A (zh) * | 2017-09-22 | 2018-01-16 | 东南大学 | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 |
CN108376997A (zh) * | 2018-03-19 | 2018-08-07 | 天津大学 | 一种考虑分布式电源不确定性的有源配电网孤岛划分方法 |
CN109146201A (zh) * | 2018-09-13 | 2019-01-04 | 三峡大学 | 基于合作博弈的充换储一体化电站微电网优化调度方法 |
CN109995075A (zh) * | 2018-09-29 | 2019-07-09 | 国网上海市电力公司 | 一种含分布式电源的主动配电网动态重构方法 |
CN110148969A (zh) * | 2019-03-26 | 2019-08-20 | 上海电力学院 | 基于模型预测控制技术的主动配电网优化运行方法 |
Non-Patent Citations (2)
Title |
---|
任佳依等.基于模型预测控制的主动配电网多时间尺度有功无功协调调度.中国电机工程学报.2018,第38卷(第05期),全文. * |
董雷等.基于模型预测控制的主动配电网多时间尺度动态优化调度.中国电机工程学报.2016,第36卷(第17期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110739725A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110739725B (zh) | 一种配电网优化调度方法 | |
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
CN110148969B (zh) | 基于模型预测控制技术的主动配电网优化运行方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
Alabi et al. | Improved hybrid inexact optimal scheduling of virtual powerplant (VPP) for zero-carbon multi-energy system (ZCMES) incorporating Electric Vehicle (EV) multi-flexible approach | |
CN109050284B (zh) | 一种考虑v2g的电动汽车充放电电价优化方法 | |
CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
CN111626527A (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 | |
CN114977320A (zh) | 一种配电网源网荷储多目标协同规划方法 | |
Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
Li et al. | Optimal dispatch for PV-assisted charging station of electric vehicles | |
Hu et al. | Adaptive time division power dispatch based on numerical characteristics of net loads | |
CN111342450B (zh) | 考虑不确定光伏与负荷的牵引供电系统鲁棒能量管理方法 | |
Zhang et al. | Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging | |
Lei et al. | Coordinated scheduling of electric vehicles and wind power generation considering vehicle to grid mode | |
Sraidi et al. | Study of electric vehicle charging impact | |
Chang et al. | Bi‐level scheduling of large‐scale electric vehicles based on the generation side and the distribution side | |
Waqar et al. | Multi-objective analysis of DER sizing in microgrids using probabilistic modeling | |
Thakre et al. | Potentially affect of a vehicle to grid on the electricity system | |
Zhang et al. | Multi-objective Optimal Scheduling Strategy of Microgrid Based on V2G Technology | |
Xia et al. | Optimal planning of mobile energy storage in active distribution network | |
Xiao et al. | Optimization of Distribution Network Considering Distributed Renewable Energy and V2G of Electric Vehicles | |
Yuanyuan et al. | Research on the available power supply capacity assessment method considering the access of large-scale new energy generation and electric vehicle charging facilities | |
Wu | Multi-objective optimal dispatch of microgrid based on game artificial intelligence | |
Chen et al. | Optimal operation between electric power aggregator and electric vehicle based on Stackelberg game model |
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 |