CN110750758A - 计及风险的微电网的日前优化调度方法 - Google Patents

计及风险的微电网的日前优化调度方法 Download PDF

Info

Publication number
CN110750758A
CN110750758A CN201910843216.7A CN201910843216A CN110750758A CN 110750758 A CN110750758 A CN 110750758A CN 201910843216 A CN201910843216 A CN 201910843216A CN 110750758 A CN110750758 A CN 110750758A
Authority
CN
China
Prior art keywords
scenes
scene
power supply
representing
distributed power
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.)
Withdrawn
Application number
CN201910843216.7A
Other languages
English (en)
Inventor
赖金涛
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.)
GUANGZHOU JIENENG ELECTRIC POWER TECHNOLOGY CO LTD
Original Assignee
GUANGZHOU JIENENG ELECTRIC POWER TECHNOLOGY 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 GUANGZHOU JIENENG ELECTRIC POWER TECHNOLOGY CO LTD filed Critical GUANGZHOU JIENENG ELECTRIC POWER TECHNOLOGY CO LTD
Priority to CN201910843216.7A priority Critical patent/CN110750758A/zh
Publication of CN110750758A publication Critical patent/CN110750758A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种计及风险的微电网的日前优化调度方法。它包括以下步骤：步骤一、不确定性建模：基于场景分析建立分布式电源强迫停运和风电输出功率的不确定性模型，然后选用同步回代消除技术进行场景削减，对部分发生概率较小的场景进行聚类合并或消除；步骤二、优化调度建模；步骤三、进行仿真试验，设置β值为0.1‑0.9，分别进行仿真试验，得到不同β值的系统运行成本、风险值、总运行成本比较表，从而获得总运行成本最小的β值。本发明一种计及风险的微电网的日前优化调度方法，提出一种计及风险的微电网日前随机优化调度模型，用来柔性调度微电网中各种能源；同时利用风险水平系数来控制微电网日前调度策略的运行风险值。在微电网仿真系统中验证所提模型的有效性。

Description

计及风险的微电网的日前优化调度方法
技术领域
本发明涉及一种计及风险的微电网的日前优化调度方法。属于电学技术领域。
背景技术
微电网是配电网的子系统，是由相互连接的负载和分布式电源组成的综合能源系统，可以在并网或孤网模式下运行。
由于配电网中微电网的扩散，风电渗透率的不断提高，风电的波动性和不确定性、分布式电源强迫停运的随机性，给微电网的运行带来了严峻的挑战，因此必须提高微电网运行的稳定性，即系统受到扰动时，微电网具备快速调节运行状态的能力。
微电网系统运行的期望目标为运行成本最低、风险值最低、供电灵活可靠。实现这一目标面临两个困难点：1、各电源输出功率的不确定性，例如风电具有较强的波动性，且日前预测的精度不能满足调度的要求；2、系统中各分布式电源的强迫停运导致供电可靠性降低。
发明内容
本发明的目的在于克服上述不足，提供了一种计及风险的微电网的日前优化调度方法。
本发明的目的是这样实现的：
一种计及风险的微电网的日前优化调度方法，其特点是：它包括以下步骤：
步骤一、不确定性建模：
基于场景分析建立分布式电源强迫停运和风电输出功率的不确定性模型，然后选用同步回代消除技术进行场景削减，对部分发生概率较小的场景进行聚类合并或消除；
步骤二、优化调度建模：
建立模型目标函数，分布式电源开、停机成本期望表示为：
式中：πs表示场景s的概率；ug,t,s表示分布式电源g在场景s下t时刻处于开机、停机状态；
Figure BDA0002194370540000022
分别表示分布式电源g开机、停机成本；
分布式电源运行成本期望表示为：
Figure BDA0002194370540000023
式中：
Figure BDA0002194370540000024
表示分布式电源g输出功率价格系数；Pg,t,s表示场景s下分布式电源g在t时刻输出功率；
微电网从主电网购入电量成本期望表示为：
式中：cDA表示从主电网购入电量价格系数；
Figure BDA0002194370540000026
表示场景s下t时刻微电网从主电网购入电量；
微电网切负荷惩罚费用期望表示为：
Figure BDA0002194370540000031
式中：V表示切负荷代价系数；ΔLt,s表示场景s下t时刻微电网切负荷量；
风电场不能按照调度计划输出功率的惩罚费用期望表示为：
Figure BDA0002194370540000032
式中：
Figure BDA0002194370540000033
表示风电场违反调度计划的代价系数；ΔPw,t,s表示场景s下t时刻风电场ω输出功率与调度计划的差额；
微电网优化调度模型目标函数，即系统总运行成本可表示为：
Figure BDA0002194370540000034
式中：β表示风险水平系数；
Figure BDA0002194370540000035
表示系统运行成本；
Figure BDA0002194370540000036
表示风险值，然后设置模型约束条件并建立蓄电池模型；
步骤三、进行仿真试验：
利用步骤一中的方法，为每个分布式电源产生并削减至a个最有可能发生的场景；为风电功率产生并削减至b个最有可能发生的场景；将b个风电功率场景及c组分布式电源场景(每组a个场景)进行组合，共产生d个微电网电源场景；
设置好各分布式电源的最大、最小输出功率、爬坡率、输出功率成本系数及仿真系统的其他参数，以1～24时为仿真调度时段，时间间隔为1小时，仿真在Matlab环境中实现，使用CPLEX软件求解模型；
设置β值为0.1-0.9，分别进行仿真试验，得到不同β值的系统运行成本、风险值、总运行成本比较表，从而获得总运行成本最小的β值，此时求解模型所得优化调度策略可最大程度兼顾微电网运行的经济性与安全性，使总运行成本达到最小值。
进一步的，步骤一中，分布式电源启停场景生成如下：
分布式电源两状态模型包含停机、运行两个个状态，通常情况下认为停机、运行状态是随机事件，而且其运行、修复时间服从指数分布，可得出以下结果：
tF＝-μF·lnU1
tR＝-μR·lnU2
式中：tF表示运行持续时间；tR表示停机持续时间；μF表示平均运行时间；μR表示平均修复时间；U1、U2为均匀分布的随机数；μF、μR可以通过分布式电源运行历史数据得到；
分布式电源启停场景为按时间排序的0、1集合，其长度等于调度周期，1表示运行状态，0表示停机状态。
进一步的，步骤一中，风电输出功率场景生成如下：
风电功率场景生成分为两步：第一、假设风电功率服从β分布；第二、应用逆变换抽样产生场景；即利用[0,1]均匀分布产生一个随机数，由风电功率分布函数经逆变换抽样产生风电功率值Pi w，由24个时刻风电功率值Pi w组成一个场景；重复进行N次抽样，则产生N个场景。
进一步的，步骤一中、同步回代消除技术进行场景削减，削减过程如下：
①、首先假设初始场景集S中有NS个不同的场景As(s＝1,…,NS)，每个场景的发生概率为πs，定义DTs,s′为场景s和s′的距离；DS为需要删除场景的集合，削减开始前为空集；计算集合S中任意两个场景的距离：
Figure BDA0002194370540000051
式中：s,s′＝1,…,NS；d表示每一个场景的维数；表示场景s的第i维数值；
②、计算确定与场景k概率距离最近的场景d，消除场景d；
Figure BDA0002194370540000052
式中：PDk,d表示场景k、d概率距离；
③、改变场景的总数：S＝S-{d}，DS＝DS+{d}，改变场景k的概率：πk＝πk+πd；本步骤保证了剩余所有场景的概率和始终是1；
④、重复②、③达到预设场景数。
进一步的，步骤二中，模型约束条件为：
Figure BDA0002194370540000053
式中：Plimt表示微电网从主电网购入电量最大值；此式为购入电量上限约束；
Figure BDA0002194370540000054
式中：
Figure BDA0002194370540000055
分别表示分布式电源g输出功率上、下限；
Pg,t,s-Pg,t-1,s≤RUg·T
式中：RUg表示分布式电源g的向上爬坡率；T表示一个运行时段；此式表示分布式电源g的向上爬坡容量约束；
Pg,t-1,s-Pg,t,s≤RDg·T
式中：RDg表示分布式电源g的向下爬坡率；此式表示分布式电源g的向下爬坡容量约束；
ΔLt,s≤LDt
式中：LDt表示t时刻微电网系统负荷。
进一步的，步骤二中，蓄电池电量与充放电功率的关系为：
S(t)＝(1-σ)·S(t-1)+PESS(t)·T
式中：S(t-1)、S(t)分别表示t-1、t时刻电池剩余电量；PESS(t)表示t时刻蓄电池的投运功率，该值为正表示放电，该值为负表示充电；σ表示蓄电池在单个时间段内的自放电率；
蓄电池满足下列容量和充放电约束：
Smin≤S(t)≤Smax
PESS(t)＝b·Pcd(t)
b∈{-1,0,1}
Figure BDA0002194370540000071
式中：Pcd(t)表示t时刻蓄电池充电或放电的功率，恒为正；b表示蓄电池充放电标志，0、-1、1分别表示浮充、充电、放电状态；Smax、Smin分别表示蓄电池剩余电量的上、下限；Pcmax、Pdmax分别表示蓄电池充电、放电功率的上限；ηc、ηd分别表示蓄电池充电、放电效率。
进一步的，步骤三中、微电网仿真系统包括2个5MW分布式电源，2个3MW分布式电源，1个10MWh蓄电池系统、1个10MW风电场，通过一个10MVA变电站接入主电网；利用步骤一中第一步分布式电源启停场景生成的方法，为每个分布式电源产生1000个初始场景并削减至3个最有可能发生的场景；利用步骤一中第二步分布式电源启停场景生成的方法，为风电功率产生3000个初始场景并削减至10个最有可能发生的场景；将10个风电功率场景与4组分布式电源场景(每组3个场景)进行组合，共产生810个微电网电源场景。
进一步的，步骤三中，切负荷代价系数V取1000$/(MW·h)，风电场违反调度计划的代价系数
Figure BDA0002194370540000072
取100$/(MW·h)，从主电网购入电量价格系数cDA取80$/(MW·h)。
与现有技术相比，本发明的有益效果是：
本发明一种计及风险的微电网的日前优化调度方法，提出一种计及风险的微电网日前随机优化调度模型，用来柔性调度系统中各种能源，模型的优点在于：基于场景分析建立风电功率及分布式电源强迫停运的不确定性模型，同时利用风险水平系数β来控制微电网日前调度策略的运行风险值。
本发明一种计及风险的微电网的日前优化调度方法，根据仿真分析可知，由于风电功率具有波动性、随机性，风电供应微电网的电量随着风险水平系数的增大而减少，同时微电网从主电网购入电量随之增大；蓄电池充、放电状态亦随风电功率及风险水平系数的变化进行转换，有效提高了微电网的风电消纳能力。
本发明一种计及风险的微电网的日前优化调度方法，所提模型将微电网日前优化调度过程进行精确量化，通过设置风险水平系数β，可实现运行成本与风险值的最优折衷，能有效应对风电功率及分布式电源强迫停运的不确定性，实现了更安全的微电网系统运行。
附图说明
图1为本发明的分布式电源启停场景产生流程图。
图2为本发明的风电功率日前预测曲线图。
图3为实施例一的微电网中各电源日前调度计划出力图。
图4为实施例二的微电网中各电源日前调度计划出力图。
图5为本发明不同β值时购入电量曲线图。
图6为本发明不同β值时切负荷量曲线图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明涉及一种计及风险的微电网的日前优化调度方法，包括以下步骤：
步骤一、基于场景分析建立分布式电源强迫停运和风电输出功率的不确定性模型：
第一步、分布式电源启停场景生成：
分布式电源两状态模型包含停机、运行两个个状态，通常情况下认为停机、运行状态是随机事件，而且其运行、修复时间服从指数分布，可得出以下结果：
tF＝-μF·lnU1 (1)
tR＝-μR·lnU2 (2)
式中：tF表示运行持续时间；tR表示停机持续时间；μF表示平均运行时间；μR表示平均修复时间；U1、U2为均匀分布的随机数；μF、μR可以通过分布式电源运行历史数据得到。
分布式电源启停场景为按时间排序的0、1集合，其长度等于调度周期，1表示运行状态，0表示停机状态。参见图1，图1所示为分布式电源启停场景集NΩ的产生流程，其长度为NT；ag,t,s表示分布式电源g在场景s下t时刻启停状态，1表示运行状态，0表示停机状态。
第二步、风电输出功率场景生成：
风电功率场景生成分为两步：1、假设风电功率服从β分布；2、应用逆变换抽样产生场景。即利用[0,1]均匀分布产生一个随机数，由风电功率分布函数经逆变换抽样产生风电功率值Pi w，由24个时刻风电功率值Pi w组成一个场景。重复进行N次抽样，则产生N个场景。
第三步、场景削减技术：
利用大量场景进行随机优化会导致计算量巨大，因此需要将大量场景削减至少数“最有可能发生的场景”。场景削减的目标：釆用削减后的场景集求解优化问题得到的结果需要与釆用原始场景集求解得到的结果尽量一致。
本发明选用同步回代消除(simultaneous backward reduction)技术进行场景削减，对部分发生概率较小的场景进行聚类合并或消除。削减过程如下：
1、首先假设初始场景集S中有NS个不同的场景As(s＝1,…,NS)，每个场景的发生概率为πs，定义DTs,s′为场景s和s′的距离。DS为需要删除场景的集合，削减开始前为空集。计算集合S中任意两个场景的距离：
Figure BDA0002194370540000101
式中：s,s′＝1,…,NS；d表示每一个场景的维数；表示场景s的第i维数值。
2、计算确定与场景k概率距离最近的场景d，消除场景d。
Figure BDA0002194370540000103
式中：PDk,d表示场景k、d概率距离。
3、改变场景的总数：S＝S-{d}，DS＝DS+{d}，改变场景k的概率：πk＝πk+πd。本步骤保证了剩余所有场景的概率和始终是1。
4、重复2、3达到预设场景数。
步骤二、优化调度建模
第一步，建立模型目标函数：
分布式电源开、停机成本期望表示为：
Figure BDA0002194370540000111
式中：πs表示场景s的概率；ug,t,s表示分布式电源g在场景s下t时刻处于开机、停机状态；
Figure BDA0002194370540000112
分别表示分布式电源g开机、停机成本。
分布式电源运行成本期望表示为：
Figure BDA0002194370540000113
式中：表示分布式电源g输出功率价格系数；Pg,t,s表示场景s下分布式电源g在t时刻输出功率。
微电网从主电网购入电量成本期望表示为：
式中：cDA表示从主电网购入电量价格系数；表示场景s下t时刻微电网从主电网购入电量。
微电网切负荷惩罚费用期望表示为：
Figure BDA0002194370540000121
式中：V表示切负荷代价系数；ΔLt,s表示场景s下t时刻微电网切负荷量。
风电场不能按照调度计划输出功率的惩罚费用期望表示为：
Figure BDA0002194370540000122
式中：
Figure BDA0002194370540000123
表示风电场违反调度计划的代价系数；ΔPw,t,s表示场景s下t时刻风电场ω输出功率与调度计划的差额。
基于以上讨论，微电网优化调度模型目标函数，即系统总运行成本可表示为：
Figure BDA0002194370540000124
式中：β表示风险水平系数；
Figure BDA0002194370540000125
表示系统运行成本；
Figure BDA0002194370540000126
表示风险值。
第二步，设置模型约束条件：
Figure BDA0002194370540000127
式中：Plimt表示微电网从主电网购入电量最大值。此式为购入电量上限约束。
式中：
Figure BDA0002194370540000132
分别表示分布式电源g输出功率上、下限。
Pg,t,s-Pg,t-1,s≤RUg·T (13)
式中：RUg表示分布式电源g的向上爬坡率；T表示一个运行时段。此式表示分布式电源g的向上爬坡容量约束。
Pg,t-1,s-Pg,t,s≤RDg·T (14)
式中：RDg表示分布式电源g的向下爬坡率。此式表示分布式电源g的向下爬坡容量约束。
ΔLt,s≤LDt (15)
式中：LDt表示t时刻微电网系统负荷。
第三步，建立蓄电池模型：
蓄电池电量与充放电功率的关系为：
S(t)＝(1-σ)·S(t-1)+PESS(t)·T (16)
式中：S(t-1)、S(t)分别表示t-1、t时刻电池剩余电量；PESS(t)表示t时刻蓄电池的投运功率，该值为正表示放电，该值为负表示充电；σ表示蓄电池在单个时间段内的自放电率。
蓄电池满足下列容量和充放电约束：
Smin≤S(t)≤Smax (17)
PESS(t)＝b·Pcd(t) (18)
b∈{-1,0,1} (19)
式中：Pcd(t)表示t时刻蓄电池充电或放电的功率，恒为正；b表示蓄电池充放电标志，0、-1、1分别表示浮充、充电、放电状态；Smax、Smin分别表示蓄电池剩余电量的上、下限；Pcmax、Pdmax分别表示蓄电池充电、放电功率的上限；ηc、ηd分别表示蓄电池充电、放电效率。
步骤三、进行仿真试验：
第一步，仿真系统设置：
微电网仿真系统包括2个5MW分布式电源(分别以DG1、DG2表示)，2个3MW分布式电源(分别以DG3、DG4表示)，1个10MWh蓄电池系统(以ESS表示)、1个10MW风电场，通过一个10MVA变电站接入主电网。以微电网实际运行数据作为仿真系统输入数据，利用步骤一中第一步分布式电源启停场景生成的方法，为每个分布式电源产生1000个初始场景并削减至3个最有可能发生的场景。利用步骤一中第二步分布式电源启停场景生成的方法，为风电功率产生3000个初始场景并削减至10个最有可能发生的场景。将10个风电功率场景与4组分布式电源场景(每组3个场景)进行组合，共产生810个微电网电源场景。
切负荷代价系数V取1000$/(MW·h)，风电场违反调度计划的代价系数
Figure BDA0002194370540000151
取100$/(MW·h)，从主电网购入电量价格系数cDA取80$/(MW·h)。
以1～24时为仿真调度时段，时间间隔为1小时，图2所示为风电功率日前预测曲线。仿真在Matlab环境中实现，使用CPLEX软件求解模型
第二步，仿真结果分析：
为了评估所提模型在微电网日前优化调度中的效果，本发明分两个实施例进行分析。第一个实施例不考虑风险成本，第二个实施例考虑不同的风险水平。
实施例1：本实施例中，微电网日前优化调度不考虑风险成本，即设置β＝0，仿真结果表明：在不计及风电不确定性、分布式电源强迫停运的情况下微电网总运行成本为7629$。
下表1为实施例1的分布式电源开停机状态、蓄电池状态。图3为微电网中各电源日前调度计划出力。
Figure BDA0002194370540000152
Figure BDA0002194370540000161
表1微电网中各电源启停状态(β＝0)
由表1、图3综合分析可知，在1～11时段微电网主要由风电场供电，蓄电池多数时间处于充电状态；12～24时段微电网主要由分布式电源供电，蓄电池多数时间处于放电状态。由图2风电功率预测曲线可知，1～11时段内风电输出功率较大且总体平稳，因此系统优先调度价格较低的风电，同时蓄电池处于充电状态，储存能量；12～24时段内风电输出功率很低且波动较大，此时段内主要调度分布式电源供电，同时蓄电池处于放电状态，为微电网系统供电。
实施例2：本实施例研究计及不同的风险水平对微电网日前优化调度的影响。设置β＝0.9时，微电网总运行成本为10267$。与实施例1相比，计及运行风险时系统总运行成本有大幅度增多。因为当模型目标函数中计及风险成本比例较大时，系统为保证运行安全稳定性必然从主电网购入更多电量，较少调度风电及分布式电源出力，导致运行成本大幅增大；显然增加的成本是为了补偿系统中不确定性因素可能导致的功率失衡。
下表2为实施例2中分布式电源开停机状态、蓄电池状态，表2中阴影部分为与表1相比状态差别部分。图4所示为微电网中各电源日前调度计划出力。
Figure BDA0002194370540000171
表2微电网中各电源启停状态(β＝0.9)
由表2和图4综合分析可知，与实施例1相比风电调度出力减少，分布式电源调度出力增大，此时微电网从主电网购入电量增大；因为实施例2计及了风险成本，为有效降低风险成本必须降低风电调度出力；由表2中蓄电池状态变化可以看出风电能量主要用于蓄电池充电，风电功率输出较低时蓄电池则处于放电状态，增强了微电网风电消纳能力。
参见图5，图5所示为微电网从主电网购入电量PDA随β值变化趋势图。由图5可以看出随着β值的增大，从主电网购入电量PDA总体趋势为增大；同时PDA值受风电功率波动、分布式电源强迫停运等系统中不确定性因素的影响。当模型目标函数中计及风险比例较大时，微电网优化调度为有效降低风险，从主电网购入电量PDA值增大以保证系统运行稳定性，但购入电量价格系数cDA较高，势必导致运行成本大幅增大，因此模型求解过程自动在成本与风险之间寻求最优折衷调度策略。
参见图6，图6为微电网切负荷量随β值变化趋势图，由图6可以看出1～10时段内切负荷量为0，因为此时段内从主电网购入电量PDA值较高，系统运行可靠性很高，切负荷量为0。总体趋势为β值越小微电网切负荷量越大，因为模型目标函数中计及风险比例越低则系统更多地调度使用风电出力，而风电功率的波动性、随机性必然导致较大的切负荷量。
综合实施例2分析可知系统运行成本、风险值两个指标相互冲突，不存在使两者同时达到最小值的调度策略。设置β值为0.1～0.9，分别进行仿真试验，所得系统运行成本、风险值、总运行成本如下表3所示。
Figure BDA0002194370540000181
表3不同β值时系统运行成本、风险值
由表3数据可知β＝0.7时总运行成本达到最小值10170$，因此建议设置β＝0.7，此时求解模型所得优化调度策略可最大程度兼顾微电网运行的经济性与安全性，使总运行成本达到最小值。
本发明一种计及风险的微电网的日前优化调度方法，提出一种计及风险的微电网日前随机优化调度模型，用来柔性调度系统中各种能源，模型的优点在于：基于场景分析建立风电功率及分布式电源强迫停运的不确定性模型，同时利用风险水平系数β来控制微电网日前调度策略的运行风险值。
本发明一种计及风险的微电网的日前优化调度方法，根据仿真分析可知，由于风电功率具有波动性、随机性，风电供应微电网的电量随着风险水平系数的增大而减少，同时微电网从主电网购入电量随之增大；蓄电池充、放电状态亦随风电功率及风险水平系数的变化进行转换，有效提高了微电网的风电消纳能力。
本发明一种计及风险的微电网的日前优化调度方法，所提模型将微电网日前优化调度过程进行精确量化，通过设置风险水平系数β，可实现运行成本与风险值的最优折衷，能有效应对风电功率及分布式电源强迫停运的不确定性，实现了更安全的微电网系统运行。
在上述实施例中，仅对本发明进行示范性描述，但是本领域技术人员在阅读本专利申请后可以在不脱离本发明的精神和范围的情况下对本发明进行各种修改。

Claims (8)

1.一种计及风险的微电网的日前优化调度方法，其特征在于：计及风险的微电网的日前优化调度方法包括以下步骤：
步骤一、不确定性建模：
基于场景分析建立分布式电源强迫停运和风电输出功率的不确定性模型，然后选用同步回代消除技术进行场景削减，对部分发生概率较小的场景进行聚类合并或消除；
步骤二、优化调度建模：
建立模型目标函数，分布式电源开、停机成本期望表示为：
Figure FDA0002194370530000011
式中：πs表示场景s的概率；ug,t,s表示分布式电源g在场景s下t时刻处于开机、停机状态；分别表示分布式电源g开机、停机成本；
分布式电源运行成本期望表示为：
Figure FDA0002194370530000013
式中：表示分布式电源g输出功率价格系数；Pg,t,s表示场景s下分布式电源g在t时刻输出功率；
微电网从主电网购入电量成本期望表示为：
Figure FDA0002194370530000021
式中：cDA表示从主电网购入电量价格系数；
Figure FDA0002194370530000022
表示场景s下t时刻微电网从主电网购入电量；
微电网切负荷惩罚费用期望表示为：
Figure FDA0002194370530000023
式中：V表示切负荷代价系数；ΔLt,s表示场景s下t时刻微电网切负荷量；
风电场不能按照调度计划输出功率的惩罚费用期望表示为：
Figure FDA0002194370530000024
式中：
Figure FDA0002194370530000025
表示风电场违反调度计划的代价系数；ΔPw,t,s表示场景s下t时刻风电场ω输出功率与调度计划的差额；
微电网优化调度模型目标函数，即系统总运行成本可表示为：
Figure FDA0002194370530000026
式中：β表示风险水平系数；
Figure FDA0002194370530000027
表示系统运行成本；表示风险值，然后设置模型约束条件并建立蓄电池模型；
步骤三、进行仿真试验：
利用步骤一中的方法，为每个分布式电源产生并削减至a个最有可能发生的场景；为风电功率产生并削减至b个最有可能发生的场景；将b个风电功率场景及c组分布式电源场景(每组a个场景)进行组合，共产生d个微电网电源场景；
设置好各分布式电源的最大、最小输出功率、爬坡率、输出功率成本系数及仿真系统的其他参数，以1～24时为仿真调度时段，时间间隔为1小时，仿真在Matlab环境中实现，使用CPLEX软件求解模型；
设置β值为0.1-0.9，分别进行仿真试验，得到不同β值的系统运行成本、风险值、总运行成本比较表，从而获得总运行成本最小的β值，此时求解模型所得优化调度策略可最大程度兼顾微电网运行的经济性与安全性，使总运行成本达到最小值。
2.根据权利要求1所述的一种计及风险的微电网的日前优化调度方法，其特征在于：步骤一中，分布式电源启停场景生成如下：
分布式电源两状态模型包含停机、运行两个个状态，通常情况下认为停机、运行状态是随机事件，而且其运行、修复时间服从指数分布，可得出以下结果：
tF＝-μF·ln U1
tR＝-μR·ln U2
式中：tF表示运行持续时间；tR表示停机持续时间；μF表示平均运行时间；μR表示平均修复时间；U1、U2为均匀分布的随机数；μF、μR可以通过分布式电源运行历史数据得到；
分布式电源启停场景为按时间排序的0、1集合，其长度等于调度周期，1表示运行状态，0表示停机状态。
3.根据权利要求1所述的一种计及风险的微电网的日前优化调度方法，其特征在于：步骤一中，风电输出功率场景生成如下：
风电功率场景生成分为两步：第一、假设风电功率服从β分布；第二、应用逆变换抽样产生场景；即利用[0,1]均匀分布产生一个随机数，由风电功率分布函数经逆变换抽样产生风电功率值Pi w，由24个时刻风电功率值Pi w组成一个场景；重复进行N次抽样，则产生N个场景。
4.根据权利要求1所述的一种计及风险的微电网的日前优化调度方法，其特征在于：步骤一中、同步回代消除技术进行场景削减，削减过程如下：
①、首先假设初始场景集S中有NS个不同的场景As(s＝1,…,NS)，每个场景的发生概率为πs，定义DTs,s′为场景s和s′的距离；DS为需要删除场景的集合，削减开始前为空集；计算集合S中任意两个场景的距离：
Figure FDA0002194370530000041
式中：s,s′＝1,…,NS；d表示每一个场景的维数；
Figure FDA0002194370530000042
表示场景s的第i维数值；
②、计算确定与场景k概率距离最近的场景d，消除场景d；
Figure FDA0002194370530000043
式中：PDk,d表示场景k、d概率距离；
③、改变场景的总数：S＝S-{d}，DS＝DS+{d}，改变场景k的概率：πk＝πk+πd；本步骤保证了剩余所有场景的概率和始终是1；
④、重复②、③达到预设场景数。
5.根据权利要求1所述的一种计及风险的微电网的日前优化调度方法，其特征在于：步骤二中，模型约束条件为：
式中：Plimt表示微电网从主电网购入电量最大值；此式为购入电量上限约束；
Figure FDA0002194370530000052
式中：分别表示分布式电源g输出功率上、下限；
Pg,t,s-Pg,t-1,s≤RUg·T
式中：RUg表示分布式电源g的向上爬坡率；T表示一个运行时段；此式表示分布式电源g的向上爬坡容量约束；
Pg,t-1,s-Pg,t,s≤RDg·T
式中：RDg表示分布式电源g的向下爬坡率；此式表示分布式电源g的向下爬坡容量约束；
ΔLt,s≤LDt
式中：LDt表示t时刻微电网系统负荷。
6.根据权利要求1所述的一种计及风险的微电网的日前优化调度方法，其特征在于：步骤二中，蓄电池电量与充放电功率的关系为：
S(t)＝(1-σ)·S(t-1)+PESS(t)·T
式中：S(t-1)、S(t)分别表示t-1、t时刻电池剩余电量；PESS(t)表示t时刻蓄电池的投运功率，该值为正表示放电，该值为负表示充电；σ表示蓄电池在单个时间段内的自放电率；
蓄电池满足下列容量和充放电约束：
Smin≤S(t)≤Smax
PESS(t)＝b·Pcd(t)
b∈{-1,0,1}
Figure FDA0002194370530000061
式中：Pcd(t)表示t时刻蓄电池充电或放电的功率，恒为正；b表示蓄电池充放电标志，0、-1、1分别表示浮充、充电、放电状态；Smax、Smin分别表示蓄电池剩余电量的上、下限；Pcmax、Pdmax分别表示蓄电池充电、放电功率的上限；ηc、ηd分别表示蓄电池充电、放电效率。
7.根据权利要求1所述的一种计及风险的微电网的日前优化调度方法，其特征在于：步骤三中、微电网仿真系统包括2个5MW分布式电源，2个3MW分布式电源，1个10MWh蓄电池系统、1个10MW风电场，通过一个10MVA变电站接入主电网；利用步骤一中第一步分布式电源启停场景生成的方法，为每个分布式电源产生1000个初始场景并削减至3个最有可能发生的场景；利用步骤一中第二步分布式电源启停场景生成的方法，为风电功率产生3000个初始场景并削减至10个最有可能发生的场景；将10个风电功率场景与4组分布式电源场景(每组3个场景)进行组合，共产生810个微电网电源场景。
8.根据权利要求1所述的一种计及风险的微电网的日前优化调度方法，其特征在于：步骤三中，切负荷代价系数V取1000$/(MW·h)，风电场违反调度计划的代价系数
Figure FDA0002194370530000071
取100$/(MW·h)，从主电网购入电量价格系数cDA取80$/(MW·h)。
CN201910843216.7A 2019-09-06 2019-09-06 计及风险的微电网的日前优化调度方法 Withdrawn CN110750758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910843216.7A CN110750758A (zh) 2019-09-06 2019-09-06 计及风险的微电网的日前优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910843216.7A CN110750758A (zh) 2019-09-06 2019-09-06 计及风险的微电网的日前优化调度方法

Publications (1)

Publication Number Publication Date
CN110750758A true CN110750758A (zh) 2020-02-04

Family

ID=69276131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910843216.7A Withdrawn CN110750758A (zh) 2019-09-06 2019-09-06 计及风险的微电网的日前优化调度方法

Country Status (1)

Country Link
CN (1) CN110750758A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113078677A (zh) * 2021-04-08 2021-07-06 浙江电力交易中心有限公司 一种考虑可再生能源不确定性的能源消耗量风险排除方法
CN115036993A (zh) * 2022-08-12 2022-09-09 国网信息通信产业集团有限公司 能源装置控制方法、装置、电子设备和计算机可读介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113078677A (zh) * 2021-04-08 2021-07-06 浙江电力交易中心有限公司 一种考虑可再生能源不确定性的能源消耗量风险排除方法
CN113078677B (zh) * 2021-04-08 2022-05-27 浙江电力交易中心有限公司 一种考虑可再生能源不确定性的能源消耗量风险排除方法
CN115036993A (zh) * 2022-08-12 2022-09-09 国网信息通信产业集团有限公司 能源装置控制方法、装置、电子设备和计算机可读介质
CN115036993B (zh) * 2022-08-12 2022-10-28 国网信息通信产业集团有限公司 能源装置控制方法、装置、电子设备和计算机可读介质
US11967828B2 (en) 2022-08-12 2024-04-23 Xi'an Jiaotong University Method and device for low-carbon integrated energy system scheduling

Similar Documents

Publication Publication Date Title
Liu et al. Optimal operation of independent regional power grid with multiple wind-solar-hydro-battery power
Reddy Optimal scheduling of thermal-wind-solar power system with storage
Reddy Optimal power flow with renewable energy resources including storage
CN102289566B (zh) 独立运行模式下的微电网多时间尺度能量优化调度方法
CN102694391B (zh) 风光储联合发电系统日前优化调度方法
CN109217290B (zh) 计及电动汽车充放电的微网能量优化管理方法
CN108039737B (zh) 一种源网荷协调运行模拟系统
Haque et al. Exploration of dispatch model integrating wind generators and electric vehicles
Javad Kasaei et al. Optimal operational scheduling of renewable energy sources using teaching–learning based optimization algorithm by virtual power plant
CN114744687A (zh) 一种虚拟电厂的能源调控方法及系统
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
CN112288490A (zh) 电力现货市场下不同发电成本机组的出清方法及系统
CN112542854A (zh) 一种含可再生能源的微电网多主体协调调度方法
Wang et al. A hierarchical control algorithm for managing electrical energy storage systems in homes equipped with PV power generation
Yang et al. Multi-Objective optimal scheduling of island microgrids considering the uncertainty of renewable energy output
CN110750758A (zh) 计及风险的微电网的日前优化调度方法
CN109950900B (zh) 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法
Yao et al. Determination of a dispatch strategy to maximize income for a wind turbine-BESS power station
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及系统
Li et al. Multiobjective Optimization Model considering Demand Response and Uncertainty of Generation Side of Microgrid
CN110417002B (zh) 一种孤岛微电网能量模型的优化方法
CN114614463A (zh) 一种考虑多种不确定性的虚拟电厂交易策略
Dong et al. Joint Optimal Scheduling of Renewable Energy Regional Power Grid With Energy Storage System and Concentrated Solar Power Plant
CN114465226A (zh) 一种电力系统多级备用获取联合优化模型的建立方法
Xiaobo et al. Microgrid optimal operation considering virtual reserve capacity trading of storage battery

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200204

WW01 Invention patent application withdrawn after publication