CN110765591B - 一种基于区块链技术的配电网分布式状态感知与优化方法 - Google Patents
一种基于区块链技术的配电网分布式状态感知与优化方法 Download PDFInfo
- Publication number
- CN110765591B CN110765591B CN201910951669.1A CN201910951669A CN110765591B CN 110765591 B CN110765591 B CN 110765591B CN 201910951669 A CN201910951669 A CN 201910951669A CN 110765591 B CN110765591 B CN 110765591B
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- power distribution
- distributed
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 73
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004146 energy storage Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 15
- 238000004891 communication Methods 0.000 abstract description 12
- 230000004044 response Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000434830 Cleopomiarus micros Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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
本发明公开了一种基于区块链技术的配电网分布式状态感知与优化方法,用于替代以可靠通信为前提的传统优化方法,通过分散布置在配电网中的区块链节点构建稀疏的通信网络,依靠少量的测量数据与信息交互,采用估算的方式实现对配电网运行状态的分布式感知,通过对优化模型进行分散化处理,并结合二阶锥规划凸松弛方法将模型凸化松弛,最后利用交叉方向乘子法实现问题的全分布式求解。本发明的提出使得区块链系统不仅能完成现有的电力交易、需求响应等功能,还能在通信故障的情况下实现对配电网运行状态的分布式优化,有效提高了配电网的运行可靠性和经济性。
Description
技术领域
本发明涉及一种电力技术,具体涉及一种基于区块链技术的配电网分布式状态感知与优化方法。
背景技术
配电网可靠性是指直接向用户供电或分配电能的配电网本身及其向用户供电的可靠性。在配电网可靠性评估中,其评估的分析过程可以由以下几个步骤组成:(1)对系统的运行状态选择;(2)对系统的状态进行估计,主要是进行潮流计算,看是否有越限、过负荷等情况;(3)计算各可靠性指标。
当前,随着分布式发电技术的发展以及环境污染问题的日益严重,在靠近负荷侧引入分布式电源(以下简称DG)实现可再生能源的就地消纳越来越受到全社会的重视。由于DG既可以独立地对负荷进行供电,也可以接入配电网,与电网一起共同对负荷供电,因此大量的DG接入后,会对配电网的网络结构和运行方式产生一定的影响:在传统的配电网中,都是由单一的电源点对负荷进行供电,是典型的辐射状供电网络,网络中任何一条馈线发生故障,都有可能导致接在馈线后的用户全部停电;而DG接入后,配电网变成一个由多个电源与负荷及其其它设备相联的复杂网络,当网络中某一条馈线发生故障,可能会出现由DG与主网络断开、单独对部分负荷进行供电的孤岛运行方式。
DG的接入能有效降低配电网对上级电网的功率依赖,从而减少传统发电方式对化石燃料的消耗。DG对配电网可靠性的影响与接入DG的位置和容量都有关系,合理配置DG的并网位置及容量,可以有效的降低配电网的网损、改善电能质量和提高配电网的供电可靠性。但随着配电网中DG接入数量的增加,传统的集中式优化方法对计算、存储资源的消耗很大,且过度依赖于可靠的通信网络,无法适应未来配电网的发展。
区块链作为一种新颖的数据结构组织形式,由于去中心化、信息公开透明、数据安全可靠、历史信息可追溯等特点,已在互联网、金融等领域得到了初步的应用,近年来也逐渐被应用于电力市场领域的研究当中,不仅能完成现有的电力交易、需求响应等功能,还能在通信故障的情况下实现对配电网运行状态的分布式优化。为了进一步提高配电网的运行可靠性和经济性,需要对区域链技术加以更多的研究。
发明内容
发明目的:针对现有技术中传统的集中式优化方法对计算、存储资源的消耗很大,且过度依赖于可靠的通信网络的问题,本发明公开了一种基于区块链技术的配电网分布式状态感知与优化方法。
技术方案:为实现上述技术目的,本发明采用了如下技术方案:
一种基于区块链技术的配电网分布式状态感知与优化方法,其特征在于,包括以下步骤:
步骤(1)、配电网优化问题模型:建立以可再生能源的最大化利用率为目标函数的有功优化模型和以配电网有功损耗最低为目标函数的无功优化模型;
步骤(2)、利用branch flow模型对优化问题分散化处理:忽略相角变化对潮流计算的影响,建立单馈线配电网模型,利用分支流模型对所述步骤(1)中的优化模型进行分散化处理;
步骤(3)、利用二阶锥规划凸松弛方法将模型凸化松弛为可求解形式:利用二阶锥规划凸松弛方法,将所述步骤(2)中经过分散化处理的非线性优化模型凸化松弛为线性优化模型;
步骤(4)、基于交叉方向乘子法的全分布式求解:对所述步骤(3)中的线性优化模型进行全分布式求解,首先进行有功优化的分布式计算,在计算完成得到各电源有功出力后将出力值固定,再进行无功优化的分布式计算,得出最优调度方案;
步骤(5)、基于区块链节点的配电网分布式状态感知:在配电网的电源节点处设置包括测量和计算单元的区块链节点,构造区块链系统,测量节点之间母线上的电压和功率流动,并通过区块链节点之间的信息交互,估算出整个配电网的电压分布。
作为优选,所述步骤(2)中的有功优化阶段中建立的有功模型如下:
目标函数:以配电网内的可再生能源为最大化利用率作为优化目标,建立目标函数J1:
其中,Pwt、Ppv、Ppg、Pmt1、Pgt分别表示风机、光伏、沼气发电、储能装置和微型燃气轮机在时段t内的发电功率,Pmt2表示储能装置在时段t内从电网吸收的功率;
约束条件包括:
a.功率平衡约束:
其中,PDGi、PMGi、Pgrd、Pload、Ploss分别表示分布式电源出力值、微网出力值、配电网从上级电网的购电量、负荷功率和系统有功损耗,NDG、NMG分别表示分布式电源和微网的数量;
b.各类电源有功出力约束:
配电网中光伏、风机、沼气发电、储能装置和微型燃气轮机在各调度时段上的有功出力值都应当保持在允许的输出范围内:
Ppv,min≤Ppv≤Ppv,max
Pwt,min≤Pwt≤Pwt,max
Ppg,min≤Ppg≤Ppg,max
Pmt1,min≤Pmt1≤Pmt1,max
Pgt,min≤Pgt≤Pgt,max
c.微型燃气轮机爬坡率约束:
Pm,t-Pm,t-1≤URm
Pm,t-1-Pm,t≤DRm
其中,URm、DRm分别为第m台微型燃气轮机的最大上升和最大下降速率;
d.储能装置约束
为了保证优化调度的可持续性,储能装置在完成一次日前调度后,应当回到初始的储能状态,也就是在调度周期内保持充放电的平衡:
ΔE=Ein-Eout=0
其中,Ein、Eout分别表示调度周期内储能装置吸收和放出的电量;
此外,储能装置的过充过放会影响其使用寿命,因此需要将储能的荷电状态限制在合理的区间内:
Smin≤St≤Smax
其中,St表示储能装置的荷电状态,Smin、Smax分别表示储能装置荷电状态的上下限;
e.系统安全约束
分布式电源的接入改变了配电网中的潮流分布,在调整分布式电源出力值的同时,线路上流过的电流也随之变化,因此必须将电流值限制在允许的范围内:
Iij≤Imax
其中,Iij表示线路i、j上流过的电流,Imax表示线路上允许流过电流的最大值。
作为优选,所述步骤(2)中的无功优化阶段中建立的无功模型如下:
目标函数:以配电网有功损耗最低作为优化目标,建立目标函数J2:
其中,Pi为系统中各节点的注入的有功功率;
约束条件包括:
a.潮流平衡约束
其中,Pi、Qi、Vi表示节点i处输入的有功功率、无功功率和节点电压,Gij、Bij、δij表示节点i、j之间的电导、电纳、电压与电流之间的相角差;
b.节点电压约束
Vi,min<Vi<Vi,max
式中,Vi,min、Vi,max分别表示节点i电压幅值允许的上下限;
c.电源无功补偿约束
Qi,min≤Qi≤Qi,max
其中,Qi表示电源i输出的无功功率,Qi,min、Qi,max分别表示电源i输出的无功功率的上下限。
作为优选,所述步骤(2)中分散化处理后的优化模型中的潮流平衡约束为:
其中,lij=Iij 2,vi=Vi 2,vj=Vj 2,ri、xi表示线路i、j上的电阻和电抗;pi、qi分别表示i节点的有功和无功负荷;Pi、Qi表示线路i、j上流过的有功和无功功率。
作为优选,所述步骤(3)中凸化松弛后的线性优化模型为:
其中,lij=Iij 2,Pij表示线路i~j上流过的有功功率,并固定vi=Vi 2。
作为优选,所述步骤(3)中,若凸松弛后的优化模型与原模型具有相同的最优解,该凸优化模型为适用于交叉方向乘子法求解的分散式配电网优化模型。
作为优选,所述电源节点为变压器节点、分布式电源节点和微网节点。
作为优选,所述步骤(5)中,各区块链节点将配电网分段,每个节点负责其下游区段的状态感知,节点装设测量装置用于测量本地母线上的电压和功率流动,节点两两之间可以通信;在一条馈线系统中,选取节点1、节点3为关键节点,当P1>0、P2>0、Q1>0、Q2>0时,电压最低值为U3;当P1<0、P2<0、Q1<0、Q2<0时,电压最低值为U1;在除去上述两种情况后,区域内的最低电压点才有可能位于中间的某个位置,此时通过节点1、节点3分别估算区域的最低电压值;
由节点1估算区域的最低电压值:
由节点3估算区域的最低电压值:
取二者的平均值作为区域最低电压的估算值:
关键节点将遥测数据传递给具备计算能力的区块链节点,区块链节点利用上述方法计算出区域内电压的最高值和最低值,最后通过区块链节点之间的信息交互,估算出整个配电网大致的电压分布。
有益效果:由于采用了上述技术方案,本发明具有如下技术效果:
1.本发明提出了一种基于区块链技术的配电网分布式状态感知与优化方法,通过在所有的电源节点装设测量、计算、通信装置来建立区块链系统,利用区块链节点的测量数据,以估算的方式实现对配电网运行状态的分布式感知,提高了弱通信情况下的优化运行能力,使得区块链系统不仅能完成现有的电力交易、需求响应等功能,还能在通信故障的情况下实现对配电网运行状态的分布式优化,有效提高了配电网的运行可靠性和经济性。
2.利用二阶锥优化凸松弛方法实现了集中式优化问题的分布式求解,使得问题适用于分散式优化方法;
3.引入交叉方向乘子法后,解决了分散式优化模型的求解问题。
附图说明
图1是本发明的方法流程图;
图2是本发明的基于区块链节点的配电网状态感知的原理图;
图3是本发明的单馈线配电网示意图;
图4是本发明的配电网分支流模型;
图5是本发明的区块链框架下的配电网分布式优化流程。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种基于区块链技术的配电网分布式状态感知与优化方法,如图1所示,包括以下步骤:
步骤(1)、在配电网上建立优化模型,包括以可再生能源的最大化利用率为目标函数的有功优化模型和以配电网有功损耗最低为目标函数的无功优化模型。
1)、有功优化模型如下:
目标函数:以配电网内可再生能源风机、光伏、沼气发电、储能的最大化利用率作为优化目标
其中,Pwt、Ppv、Ppg、Pmt1、Pgt分别表示风机、光伏、沼气发电、储能装置和微型燃气轮机在时段t内的发电功率,Pmt2表示储能装置在时段t内从电网吸收的功率;
约束条件:
a.功率平衡约束
其中,PDGi、PMGi、Pgrd、Pload、Ploss分别表示分布式电源出力值、微网出力值、配电网从上级电网的购电量、负荷功率和系统有功损耗,NDG、NMG分别表示分布式电源和微网的数量;
b.各类电源有功出力约束
配电网中光伏、风机、沼气发电、储能装置和微型燃气轮机在各调度时段上的有功出力值都应当保持在允许的输出范围内:
c.微型燃气轮机爬坡率约束
Pm,t-Pm,t-1≤URm
Pm,t-1-Pm,t≤DRm (7)
其中,URm、DRm分别为第m台微型燃气轮机的最大上升和最大下降速率;
d.储能装置约束
为了保证优化调度的可持续性,储能装置在完成一次日前调度后,应当回到初始的储能状态,也就是在调度周期内保持充放电的平衡:
ΔE=Ein-Eout=0 (8)
其中,Ein、Eout分别表示调度周期内储能装置吸收和放出的电量;
此外,储能装置的过充过放会影响其使用寿命,因此需要将储能的荷电状态限制在合理的区间内:
Smin≤St≤Smax (9)
其中,St表示储能装置的荷电状态,Smin、Smax分别表示储能装置荷电状态的上下限;
e.系统安全约束
分布式电源的接入改变了配电网中的潮流分布,在调整分布式电源出力值的同时,线路上流过的电流也随之变化,因此必须将电流值限制在允许的范围内:
Iij≤Imax (10)
其中,Iij表示线路i、j上流过的电流,Imax表示线路上允许流过电流的最大值。
2)、无功优化模型如下:
目标函数:以配电网有功损耗最低作为优化目标
其中,Pi为系统中各节点的注入的有功功率;
约束条件:
a.潮流平衡约束
其中,Pi、Qi、Vi表示节点i处输入的有功功率、无功功率和节点电压,Gij、Bij、δij表示节点i、j之间的电导、电纳、电压与电流之间的相角差;
b.节点电压约束
Vi,min<Vi<Vi,max (13)
式中,Vi,min、Vi,max分别表示节点i电压幅值允许的上下限;
c.电源无功补偿约束
Qi,min≤Qi≤Qi,max (14)
其中,Qi表示电源i输出的无功功率,Qi,min、Qi,max分别表示电源i输出的无功功率的上下限。
步骤(2)、忽略相角变化对潮流计算的影响,建立单馈线配电网模型,利用分支流模型对所述步骤(1)中的优化模型进行分散化处理。
由于配电网通常为辐射网,馈线上电压、电流的相角变化是很小的,忽略相角变化对于潮流计算而言是足够精确的,因此采用图3所示的模型用于描述单条馈线的潮流情况。利用分支流模型表示的馈线潮流平衡方程:
其中,lij=Iij 2,vi=Vi 2,vj=Vj 2,ri、xi表示线路i、j上的电阻和电抗;pi、qi分别表示i节点的有功和无功负荷;Pi、Qi表示线路i、j上流过的有功和无功功率。
可见在上式表示的潮流平衡方程已经解除了节点之间的耦合关系,同时忽略了电压、电流的相角。
步骤(3)、利用二阶锥规划凸松弛方法,将所述步骤C中经过分散化处理的非线性优化模型凸化松弛为线性优化模型。
相比于传统的集中式模型,分散式电气模型解除了设备间的耦合关系,极大地提高了计算速度,能够实现优化问题的快速求解。由于潮流平衡约束的非线性特点,模型为非凸模型,仍不具备利用交叉方向乘子法求解的条件。利用凸松弛方法可将非线性约束松弛成为线性约束,从而将模型转化成凸模型进行求解。众多的凸松弛方法中二阶锥凸松弛法是较为常见的凸松弛方法,其所建模型相对其它方法复杂度较低,非常适合应用与辐射型网络。根据二阶锥凸松弛方法,可将模型转换为凸优化模型:
其中,lij=Iij 2,Pij表示线路i~j上流过的有功功率,并固定vi=Vi 2。
若凸松弛后的优化模型与原模型具有相同的最优解,称其该凸优化模型为精确的。对于辐射型配电网,只需满足微弱的条件,凸化后的模型便具有良好的精确性,因此不妨认为模型是精确的。至此便得到了适用于交叉方向乘子法求解的分散式配电网优化模型。
步骤(4)、基于交叉方向乘子法对所述步骤(3)中的线性优化模型进行全分布式求解。本发明采用的优化运行模型分为有功优化和无功优化两个阶段,两阶段的优化任务均在区块链节点上利用交叉方向乘子法完成求解。各节点首先以配电网日运行成本最低为目标函数进行有功优化的分布式计算,在计算完成得到各电源有功出力后将出力值固定,进行以系统网损最低为目标函数的无功优化得出最优调度方案。在调度方案的基础上计算交易信息并进行记录用于后期清算,具体流程如图5所示。
由于在配电网中,普通负荷节点不具备对本地母线电气量的测量能力,只能依赖节点间的信息传递,通过逐点计算来获得系统的运行状态,这种方法在节点通讯故障时将无法发挥作用。因此若能够利用区块链节点,以及少数具有遥测能力的关键节点,独立感知区域内负荷节点的运行状态,对保证配电网在通信故障情况下的安全运行具有重要意义。本发明基于区块链技术的配电网分布式状态感知与优化方法,在配电网的变压器节点、分布式电源节点和微网(以下简称MG)节点处设置区块链节点,即通过在配电网的电源节点(变压器、DG、MG节点)配置计算单元和通信、测量模块构建区块链系统,测量节点之间母线上的电压和功率流动,并通过区块链节点之间的信息交互,估算出整个配电网的电压分布。
如图2所示为本发明的基于区块链节点的配电网状态感知的原理图。
根据区块链节点将配电网分段,每个节点负责其下游区段(图2虚线框)的状态感知,节点装设测量装置用于测量本地母线上的电压和功率流动,节点两两之间可以通信。将配电网中的某一段馈线简化表示成图3单馈线配电网示意图。图中所示的简单馈线系统中,节点1、节点3为关键节点。显然,当P1>0、P2>0、Q1>0、Q2>0时,电压最低值为V3;当P1<0、P2<0、Q1<0、Q2<0时,电压最低值为V1;在除去上述两种情况后,区域内的最低电压点才有可能位于中间的某个位置,此时通过节点1、节点3分别估算区域的最低电压值。
由节点1估算区域的最低电压值:
由节点3估算区域的最低电压值:
为了保留一定的裕度,取二者的平均值作为区域最低电压的估算值:
关键节点将遥测数据传递给具备计算能力的区块链节点,后者利用上述方法计算出区域内电压的最高值和最低值。最后通过区块链节点之间的信息交互,估算出整个配电网大致的电压分布。
本发明并不限于上文描述的实施方式,以上所述只仅是本发明的较佳实施例,并不用以限制本发明。凡是依据本发明的技术实质所作的任何修改、等同变换、改进等,均属于本发明所要求的保护范围。
Claims (5)
1.一种基于区块链技术的配电网分布式状态感知与优化方法,其特征在于,包括以下步骤:
步骤(1)、配电网优化问题模型:建立以可再生能源的最大化利用率为目标函数的有功优化模型和以配电网有功损耗最低为目标函数的无功优化模型;
步骤(2)、利用分支流模型对优化问题分散化处理:忽略相角变化对潮流计算的影响,建立单馈线配电网模型,利用分支流模型对所述步骤(1)中的优化模型进行分散化处理;
步骤(3)、利用二阶锥规划凸松弛方法将模型凸化松弛为可求解形式:利用二阶锥规划凸松弛方法,将所述步骤(2)中经过分散化处理的非线性优化模型凸化松弛为线性优化模型;
步骤(4)、基于交叉方向乘子法的全分布式求解:对所述步骤(3)中的线性优化模型进行全分布式求解,首先进行有功优化的分布式计算,在计算完成得到各电源有功出力后将出力值固定,再进行无功优化的分布式计算,得出最优调度方案;
步骤(5)、基于区块链节点的配电网分布式状态感知:在配电网的电源节点处设置包括测量和计算单元的区块链节点,构造区块链系统,测量节点之间母线上的电压和功率流动,并通过区块链节点之间的信息交互,估算出整个配电网的电压分布;
所述步骤(2)中的有功优化阶段中建立的有功模型如下:
目标函数:以配电网内的可再生能源为最大化利用率作为优化目标,建立目标函数J1:
其中,Pwt、Ppv、Ppg、Pmt1、Pgt分别表示风机、光伏、沼气发电、储能装置和微型燃气轮机在时段t内的发电功率,Pmt2表示储能装置在时段t内从电网吸收的功率;
约束条件包括:
a.功率平衡约束:
其中,PDGi、PMGi、Pgrd、Pload、Ploss分别表示分布式电源出力值、微网出力值、配电网从上级电网的购电量、负荷功率和系统有功损耗,NDG、NMG分别表示分布式电源和微网的数量;
b.各类电源有功出力约束:
配电网中光伏、风机、沼气发电、储能装置和微型燃气轮机在各调度时段上的有功出力值都应当保持在允许的输出范围内:
Ppv,min≤Ppv≤Ppv,max
Pwt,min≤Pwt≤Pwt,max
Tpg,min≤Ppg≤Ppg,max
Pmt1,min≤Pmt1≤Pmt1,max
Pgt,min≤Pgt≤Pgt,max
c.微型燃气轮机爬坡率约束:
Pm,t-Pm,t-1≤URm
Pm,t-1-Pm,t≤DRm
其中,URm、DRm分别为第m台微型燃气轮机的最大上升和最大下降速率;
d.储能装置约束
为了保证优化调度的可持续性,储能装置在完成一次日前调度后,应当回到初始的储能状态,也就是在调度周期内保持充放电的平衡:
ΔE=Ein-Eout=0
其中,Ein、Eout分别表示调度周期内储能装置吸收和放出的电量;
此外,储能装置的过充过放会影响其使用寿命,因此需要将储能的荷电状态限制在合理的区间内:
Smin≤St≤Smax
其中,St表示储能装置的荷电状态,Smin、Smax分别表示储能装置荷电状态的上下限;
e.系统安全约束
分布式电源的接入改变了配电网中的潮流分布,在调整分布式电源出力值的同时,线路上流过的电流也随之变化,因此必须将电流值限制在允许的范围内:
Iij≤Imax
其中,Iij表示线路i、j上流过的电流,Imax表示线路上允许流过电流的最大值;
所述步骤(2)中的无功优化阶段中建立的无功模型如下:
目标函数:以配电网有功损耗最低作为优化目标,建立目标函数J2:
其中,Pi为系统中各节点的注入的有功功率;
约束条件包括:
a.潮流平衡约束
其中,Pi、Qi、Vi表示节点i处输入的有功功率、无功功率和节点电压,Gij、Bij、δij表示节点i、j之间的电导、电纳、电压与电流之间的相角差;
b.节点电压约束
Vi,min<Vi<Vi,max
式中,Vi,min、Vi,max分别表示节点i电压幅值允许的上下限;
c.电源无功补偿约束
Qi,min≤Qi≤Qi,max
其中,Qi表示电源i输出的无功功率,Qi,min、Qi,max分别表示电源i输出的无功功率的上下限;
所述步骤(2)中分散化处理后的优化模型中的潮流平衡约束为:
其中,lij=Iij 2,vi=Vi 2,vj=Vj 2,ri、xi表示线路i、j上的电阻和电抗;pi、qi分别表示i节点的有功和无功负荷;Pi、Qi表示线路i、j上流过的有功和无功功率。
2.根据权利要求1所述的一种基于区块链技术的配电网分布式状态感知与优化方法,其特征在于,所述步骤(3)中凸化松弛后的线性优化模型为:
其中,lij=Iij 2,Pij表示线路i~j上流过的有功功率,并固定vi=Vi 2。
3.根据权利要求2所述的一种基于区块链技术的配电网分布式状态感知与优化方法,其特征在于,所述步骤(3)中,若凸松弛后的优化模型与原模型具有相同的最优解,该凸优化模型为适用于交叉方向乘子法求解的分散式配电网优化模型。
4.根据权利要求2所述的一种基于区块链技术的配电网分布式状态感知与优化方法,其特征在于,所述电源节点为变压器节点、分布式电源节点和微网节点。
5.根据权利要求1所述的一种基于区块链技术的配电网分布式状态感知与优化方法,其特征在于:所述步骤(5)中,各区块链节点将配电网分段,每个节点负责其下游区段的状态感知,节点装设测量装置用于测量本地母线上的电压和功率流动,节点两两之间可以通信;在一条馈线系统中,选取节点1、节点3为关键节点,当P1>0、P2>0、Q1>0、Q2>0时,电压最低值为U3当P1<0、P2<0、Q1<0、Q2<0时,电压最低值为U1;在除去上述两种情况后,区域内的最低电压点才有可能位于中间的某个位置,此时通过节点1、节点3分别估算区域的最低电压值;
由节点1估算区域的最低电压值:
由节点3估算区域的最低电压值:
取二者的平均值作为区域最低电压的估算值:
关键节点将遥测数据传递给具备计算能力的区块链节点,区块链节点利用上述方法计算出区域内电压的最高值和最低值,最后通过区块链节点之间的信息交互,估算出整个配电网大致的电压分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951669.1A CN110765591B (zh) | 2019-10-08 | 2019-10-08 | 一种基于区块链技术的配电网分布式状态感知与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951669.1A CN110765591B (zh) | 2019-10-08 | 2019-10-08 | 一种基于区块链技术的配电网分布式状态感知与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765591A CN110765591A (zh) | 2020-02-07 |
CN110765591B true CN110765591B (zh) | 2023-09-22 |
Family
ID=69331084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951669.1A Active CN110765591B (zh) | 2019-10-08 | 2019-10-08 | 一种基于区块链技术的配电网分布式状态感知与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765591B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111900728B (zh) * | 2020-07-16 | 2023-08-04 | 江苏电力交易中心有限公司 | 基于区块链的配电网阻塞消除方法及系统 |
CN112465272A (zh) * | 2020-12-24 | 2021-03-09 | 天津智汇科技有限公司 | 一种基于区块链技术的峰谷组合电力优化方法 |
CN112994034B (zh) * | 2021-01-27 | 2024-04-19 | 哈尔滨工业大学(威海) | 基于区块链的分布式电力单元聚合方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106159974A (zh) * | 2016-08-02 | 2016-11-23 | 清华大学 | 一种输配协调的分布式无功电压优化方法 |
CN109586303A (zh) * | 2018-11-20 | 2019-04-05 | 天津大学 | 一种配电网区域电压分布式协调控制方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9954362B2 (en) * | 2014-05-23 | 2018-04-24 | California Institute Of Technology | Systems and methods for optimal power flow on a radial network |
US10317970B2 (en) * | 2015-04-21 | 2019-06-11 | California Institute Of Technology | Distributed optimal power flow processes for unbalanced radial distribution networks |
-
2019
- 2019-10-08 CN CN201910951669.1A patent/CN110765591B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106159974A (zh) * | 2016-08-02 | 2016-11-23 | 清华大学 | 一种输配协调的分布式无功电压优化方法 |
CN109586303A (zh) * | 2018-11-20 | 2019-04-05 | 天津大学 | 一种配电网区域电压分布式协调控制方法及系统 |
Non-Patent Citations (8)
Title |
---|
A Data-sharing Model Based on Blockchain for Power Grid Big Data;Xudong Zhang 等;CISSE 2020;第1-8页 * |
Energy management of cooperative microgrids: A distributed optimization approach;Tian Liu 等;Electrical Power and Energy Systems(第96期);第335-346页 * |
主动配电网分布式无功优化控制方法;梁俊文;林舜江;刘明波;;电网技术(第01期);第230-237页 * |
主动配电网源-网-荷-储协调调度研究综述;陈美福;夏明超;陈奇芳;宋玉光;杨帅;;电力建设(第11期);第118-127页 * |
区块链系统分布式计算的ADMM算法及其在主动配电网中的应用;周冬冬;李艺博;杨安琦;盛韬;;发电技术(第02期);第115-121页 * |
基于区块链技术的配电网分布式状态感知与优化;李军;周冬冬;张玉琼;吕干云;陈魏;蒋钰;;电力电容器与无功补偿(第03期);第169-175+179页 * |
基于场景分析的有源配电系统有功无功协调鲁棒优化策略;黄河;任佳依;高松;顾伟;刘海波;;电力建设(第08期);第36-45页 * |
基于自适应步长ADMM的直流配电网分布式最优潮流;韩禹歆;陈来军;王召健;刘炜;梅生伟;;电工技术学报(第11期);第30-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110765591A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113595158B (zh) | 配售电竞争态势下区域配电网的供电能力评估方法 | |
Alavi et al. | Optimal probabilistic energy management in a typical micro-grid based-on robust optimization and point estimate method | |
CN103490410B (zh) | 一种基于多目标优化的微电网规划和容量配置方法 | |
CN110765591B (zh) | 一种基于区块链技术的配电网分布式状态感知与优化方法 | |
Yang et al. | A comprehensive review on electric vehicles integrated in virtual power plants | |
Gao et al. | Annual operating characteristics analysis of photovoltaic-energy storage microgrid based on retired lithium iron phosphate batteries | |
Li et al. | Optimal configuration of photovoltaic energy storage capacity for large power users | |
CN110661301A (zh) | 一种水光蓄多能互补发电系统的容量配置优化方法 | |
Shanmugapriya et al. | IoT based approach in a power system network for optimizing distributed generation parameters | |
Sarathkumar et al. | A review on renewable energy based self-healing approaches for smart grid | |
Poolo | A smart grid demand side management framework based on advanced metering infrastructure | |
El-Leathey | Energy management system designed for the interconnected or islanded operation of a microgrid using LabVIEW software | |
Zhao et al. | Two-stage stochastic optimization for hybrid AC/DC microgrid embedded energy hub | |
CN113690925A (zh) | 一种基于微电网的能量交互优化方法及系统 | |
Saadaoui et al. | Hybridization and energy storage high efficiency and low cost | |
Liu et al. | Micro grid energy management based on two-stage robust optimization | |
Shao et al. | Capacity Allocation Optimization of PV-and-storage Microgrid Considering Demand Response | |
Budi et al. | Power Losses Contribution Tracking Using Power Flow Tracing Incidence Matrix Method Based on Renewable Energy Distributed Generator | |
Xiaoqun et al. | Optimal location and capacity of distributed generation based on scenario probability | |
Song et al. | Optimal Energy for Grid-Connected Microgrid with Battery Swapping Station and Wind Photovoltaic and Energy Storage | |
CN116131365B (zh) | 一种智能配电网柔性运行控制管理系统及方法 | |
Ren et al. | An energy management model for isolated microgrid community considering operation flexibility | |
Hui et al. | Optimal Allocation Method of PV-Storage System in Clustered Distribution Network with Balanced Economy and Reliability | |
Goyal et al. | Application of genetic algorithm in the optimum placement of distributed generator in distributed power system | |
Lou et al. | Multi-Source Energy Storage Stations Control Strategy Considering Implicit Linearization of The Power Flow Manifold |
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 |