CN110929908A - 多微网系统容量配置与经济调度的协同优化方法及系统 - Google Patents
多微网系统容量配置与经济调度的协同优化方法及系统 Download PDFInfo
- Publication number
- CN110929908A CN110929908A CN201811091087.2A CN201811091087A CN110929908A CN 110929908 A CN110929908 A CN 110929908A CN 201811091087 A CN201811091087 A CN 201811091087A CN 110929908 A CN110929908 A CN 110929908A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- microgrid system
- cost
- outer ring
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000007599 discharging Methods 0.000 claims abstract description 35
- 239000002245 particle Substances 0.000 claims description 86
- 238000009826 distribution Methods 0.000 claims description 18
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002195 synergetic effect Effects 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种多微网系统容量配置与经济调度的协同优化方法及系统,以经济调度作为内环,容量配置作为外环,首先运行外环配置部分,在一定配置下进入内环计算最优经济调度下的最小系统运行成本。内环循环完成后再次回到外环,通过外环循环得到系统容量最优配置的最小总成本。通过内环和外环的协同优化,使系统的运行成本和总成本均达到最小值。本发明的系统调度与容量配置之间互相协同,充分地考虑了V2G技术的应用对系统配置的影响,降低了系统的运行成本。通过考虑电动汽车与可再生能源的协同作用,减少了冗余的电动汽车充放电装置和可再生能源,使得在一定负荷下所需要配置的电动汽车和可再生能源减少,从而进一步降低了系统运行成本。
Description
技术领域
本发明属于能源调度领域,更具体地,涉及一种微网与电动汽车的经济调度与容量配置的协同优化方法,其涉及区域内多微网系统的最优容量配置和电动汽车与可再生能源的经济调度。
背景技术
随着可再生能源发电技术的日渐成熟,包括风力发电、光伏发电在内的可再生能源发电系统正得到前所未有的快速发展。由于可再生能源的发电功率在很大程度上受到天气等因素的影响,出力具有极大的间歇性与不稳定性,直接接入配电网供电将会给配电网的调节造成极大的负担。为了有效地利用可再生能源,同时最大限度地降低不利影响,大量研究提出了微网与分布式可再生能源相结合的方式,利用微网与分布式电源的灵活性来解决可再生能源的消纳问题。然而,这类系统往往需要配置大量的储能设备,从而增加了系统运行成本。另一方面,作为构建环境友好型社会,降低燃油车污染排放的重要环节,电动汽车的推广和应用正得到广泛的关注。然而电动汽车充电功率较大,且不同电动汽车的充电时间段高度重合,容易在短时间内形成极大的负荷,威胁电网的安全稳定运行。
为了解决上述问题,电动汽车入网技术(Vehicle to Grid,V2G)得到了广泛的关注。基于电动汽车动力电池的移动储能特性,采用一定的调度策略,对电动汽车的电能进行调度,可以大幅削减微网的运行压力。目前一般从电动汽车调度策略的方面进行研究,而没有意识到电动汽车充放电装置和可再生能源协同配置的重要性。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种多微网系统容量配置与经济调度的协同优化方法及系统,由此解决目前电动汽车能源调度一般从电动汽车调度策略的方面进行研究,而没有意识到电动汽车充放电装置和可再生能源协同配置的重要性的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种多微网系统容量配置与经济调度的协同优化方法,包括:
确定所应用的目标多微网系统的结构,并对所述目标多微网系统中的各部分进行数学建模,得到所述目标多微网系统各部分的数学模型,其中,所述数学模型包括电动汽车充放电模型和可再生能源出力预测模型;
建立所述目标多微网系统的经济调度模型,并在满足所述经济调度模型的约束条件的前提下,对电动汽车和可再生能源的功率进行优化,以减小所述目标多微网系统的运行成本,其中,所述经济调度模型的目标函数为所述目标多微网系统的运行成本,所述经济调度模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束;
建立所述目标多微网系统的容量配置模型,并在满足所述容量配置模型的约束条件的前提下,对所述目标多微网系统的容量进行优化,以减小所述目标多微网系统的总成本,其中,所述容量配置模型的目标函数为所述多微网系统的总成本,所述容量配置模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束、电动汽车充放电装置与可再生能源的实际配置容量约束;
以所述容量配置模型作为外环,所述经济调度模型作为内环,对所述目标多微网系统的经济调度和容量配置进行优化,以使所述目标多微网系统的经济调度和容量配置达到最优,进而减小所述目标多微网系统的运行成本和总成本,其中,所述外环对所述目标多微网系统的容量进行更新优化,所述内环对所述目标多微网系统的电动汽车充放电和可再生能源出力进行优化。
优选地,所述电动汽车充放电模型包括:
当电动汽车处于行驶状态,未接入任何微网时,由确定电动汽车的电量,其中,EEVi,j(t)表示电动汽车在t时段的剩余电量,d为电动汽车行驶的时间,为电动汽车在t时段行驶的距离,Cd为行驶单位距离的耗电量;
当电动汽车接入微网时,由确定电动汽车的电量,其中,PEVi,j(t)表示第i个微网的第j辆电动汽车在t时刻充放电的功率,其大于0时表示放电,小于0时表示充电;EEVi,j(t)表示第i个微网的第j辆电动汽车在对应时刻的电量;σEV为自放电率,Δt为调度的时间间隔,ηCEV和ηDEV分别表示电动汽车的充放电效率。
优选地,由确定所述目标多微网系统的运行成本,其中,CTCMSO,i为第i个微网的运行成本,且cEVi(t)为第i个微网在t时刻对电动汽车充放电的报价,PEVi,j(t)为第i个微网中第j辆电动汽车在t时刻的充放电功率,cGi(t)为第i个微网在t时刻与配电网之间进行电能交换的电价,PGi(t)为第i个微网在t时刻与配电网之间进行电能交换的功率,NEVi为第i个微网中电动汽车的总数量,N表示多微网系统内微电网的数量,T表示优化的总时间周期。
优选地,由确定所述目标多微网系统的总成本,其中,CTCi为第i个微网的运行成本,且CTCi=min(CPVi+CWTi+CEVi+CGi),CPVi、CWTi、CEVi、CGi分别表示光伏模块投资成本、风力发电机投资成本、电动汽车成本和电网电能交易成本。
优选地,所述以所述容量配置模型作为外环,所述经济调度模型作为内环,对所述目标多微网系统的经济调度和容量配置进行优化,包括:
(a)根据所述目标多微网系统的相关参数初始化外环粒子群粒子,其中,每个外环粒子对应一种可能的系统配置方案,初始化外环后得到n种不同的系统配置方案;
(b)进入内环循环,在外环第i个粒子的配置条件下,生成m个内环粒子,其对应m种不同的系统运行方式,并分别计算各种系统运行方式对应的目标微网系统的运行成本,根据各运行方式对应的运行成本得到内环粒子对应的局部最优值;
(c)若内环循环次数不大于内环循环次数上限,则采用粒子群算法更新内环粒子位置和速度,得到新的一组内环粒子,重新计算每个新内环粒子对应的运行成本,并与原局部最优值进行比较,以其中较小的值更新原有的局部最优值,比较所有新粒子的局部最优值,以其中最小值作为内环循环的全局最优值,重复执行内环循环操作,直至内环循环次数达到内环循环次数上限,并在内环循环操作结束后,以内环全局最优值对应的系统运行方式作为对应外环粒子的系统运行方式,计算外环粒子的总成本,以该总成本作为外环粒子的局部最优值;
(d)对所有的外环粒子,分别计算各外环粒子对应的系统运行方式的总成本,根据各总成本得到各外环粒子对应的局部最优值;
(e)采用粒子群算法更新外环粒子位置和速度,得到新的一组外环粒子,重复步骤(b)~(c),计算得到一组新的外环粒子的总成本值,将新的总成本与原局部最优值进行比较,以较小值更新每个外环粒子对应的局部最优值,比较所有外环粒子对应的局部最优值,取其中最小值作为全局最优值,重复外环循环操作,直至外环粒子循环次数达到外环循环次数上限,将得到的外环全局最优值作为最优总成本,其对应配置作为最优配置,最优配置对应的内环全局最优值作为最优运行成本,最优运行成本对应的系统运行方式作为最优系统运行策略。
按照本发明的另一方面,提供了一种多微网系统容量配置与经济调度的协同优化系统,包括:
第一模型建立模块,用于确定所应用的目标多微网系统的结构,并对所述目标多微网系统中的各部分进行数学建模,得到所述目标多微网系统各部分的数学模型,其中,所述数学模型包括电动汽车充放电模型和可再生能源出力预测模型;
第二模型建立模块,用于建立所述目标多微网系统的经济调度模型,并在满足所述经济调度模型的约束条件的前提下,对电动汽车和可再生能源的功率进行优化,以减小所述目标多微网系统的运行成本,其中,所述经济调度模型的目标函数为所述目标多微网系统的运行成本,所述经济调度模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束;
第三模型建立模块,用于建立所述目标多微网系统的容量配置模型,并在满足所述容量配置模型的约束条件的前提下,对所述目标多微网系统的容量进行优化,以减小所述目标多微网系统的总成本,其中,所述容量配置模型的目标函数为所述多微网系统的总成本,所述容量配置模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束、电动汽车充放电装置与可再生能源的实际配置容量约束;
双环优化模块,用于以所述容量配置模型作为外环,所述经济调度模型作为内环,对所述目标多微网系统的经济调度和容量配置进行优化,以使所述目标多微网系统的经济调度和容量配置达到最优,进而减小所述目标多微网系统的运行成本和总成本,其中,所述外环对所述目标多微网系统的容量进行更新优化,所述内环对所述目标多微网系统的电动汽车充放电和可再生能源出力进行优化。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:本发明所提出的多微网系统容量配置与经济调度的协同优化方法适用于一定区域内含有电动汽车的多微网系统。电动汽车可以在系统中进行跨时空的能量搬移,既可以利用不同时间段电价的变化,也可以利用各个微网的不同电价,为系统提供充放电服务。本发明可以用于区域多微网系统的充放电装置和可再生能源的装机配置,以及在精度要求不高的情况下对微网系统的运行进行优化。
附图说明
图1是本发明实施例提供的一种方法流程示意图;
图2是本发明实施例提供的一种内环经济调度流程示意图;
图3是本发明实施例提供的一种双环优化流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了一种电动汽车与可再生能源的协同优化方法,对电动汽车和可再生能源进行了优化调度和容量配置。系统调度与容量配置之间互相协同,更充分地考虑了V2G技术的应用对系统配置的影响,降低了系统的运行成本。通过考虑电动汽车与可再生能源的协同作用,减少了冗余的电动汽车充放电装置和可再生能源,使得在一定负荷下所需要配置的电动汽车和可再生能源减少,从而进一步降低了系统运行成本。
如图1所示为本发明实施例提供的一种方法流程示意图,所提出的多微网系统优化方法具体包括以下步骤:
S1:确定所应用的多微网系统的结构,对其中的各部分进行数学建模,得到多微网系统各部分的数学模型,数学模型主要包括电动汽车充放电模型和可再生能源出力预测模型;
S2:建立多微网系统的经济调度模型。经济调度模型的目标函数为多微网系统的运行成本,约束条件包含电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束。采用智能算法,在满足约束条件的前提下,对电动汽车和可再生能源的功率进行优化,使系统的运行成本减小;
S3:建立多微网系统的容量配置模型。容量配置模型的目标函数为多微网系统的总成本,包含了运行成本与配置成本。约束条件除经济调度模型中含有的约束外,还包括电动汽车充放电装置与可再生能源的实际配置容量约束;采用智能算法,在满足约束条件的前提下,对系统的容量(包括电动汽车充放电装置数量和可再生能源配置容量)进行优化,减小多微网系统的总成本。
S4:以容量配置模型作为外环,经济调度模型作为内环,构建双环优化模型如图3所示。外环对系统的容量进行更新优化,而内环则对系统的运行(电动汽车充放电和可再生能源出力)进行优化。通过内外环的协同运行,使系统的经济调度和容量配置达到最优,减小系统运行成本和总成本。
在本发明实施例中,所考虑的多微网系统包括了多个相对独立的微网,根据其位置和功能的不同分为住宅区微网和办公区微网。每个微网中均建有一定数量的光伏发电模块PV、小型风力发电机WT以及电动汽车双向充放电设施。每个微网都通过变压器与公共配电网连接,既能在孤岛模式下运行,也能与配电网之间进行电能交换。与配电网交换电能时,按照配电网的电能报价进行买电和卖电。
其中,多微网系统的数学模型主要包括电动汽车充放电模型和可再生能源出力预测模型:
当电动汽车处于行驶状态,未接入任何微网时,
当电动汽车接入住宅区微网或办公区微网时
其中,PEVi,j(t)是来自第i个微网的第j辆电动汽车在t时刻充放电的功率,其大于0时表示放电,而小于0时表示充电;EEVi,j(t)则表示第i个微网的第j辆电动汽车在对应时刻的电量;σEV为自放电率,Δt为调度的时间间隔,ηCEV和ηDEV分别表示电动汽车的充放电效率。
可再生能源的出力预测模型可以采用目前通用的神经网络预测方法,在本发明实施例中将不再赘述。
系统的运行成本如公式(4)~(5)所示
其中,CTCMSO为系统运行成本;CTCMSO,i为第i个微网的运行成本;cEVi(t)为第i个微网在t时刻对电动汽车充放电的报价;PEVi,j(t)为第i个微网中第j辆电动汽车在t时刻的充放电功率;cGi(t)为第i个微网在t时刻与配电网之间进行电能交换的电价;PGi(t)为第i个微网在t时刻与配电网之间进行电能交换的功率;NEVi为第i个微网中电动汽车的总数量,N表示多微网系统中微电网的个数,T表示总优化时间周期。
系统的运行总成本可以由如下公式(6)计算得出:
总成本为系统内各个微网的成本总和:
其中,CTCMS为总成本,CTCi为第i个微网的运行成本,可以根据公式(7)计算
CTCi=min(CPVi+CWTi+CEVi+CGi) (7)
其中,CPVi、CWTi、CEVi、CGi分别表示光伏模块投资成本、风力发电机投资成本、电动汽车成本和电网电能交易成本。其中,风力发电机投资成本和光伏模块的投资成本可以分别根据以下公式(8)和(9)计算得出:
其中,Cwt、Cpv分别为风力发电机和光伏模块的购入成本,NWTi为风力发电机数量,NPVi为光伏模块数量,而COMWT为风力发电机折算到每年的维护成本,COMPV为光伏模块折算到每年的维护成本,r表示当前利率,YPV表示光伏发电机寿命。
电动汽车的成本主要由两部分构成,分别为电能交易成本和双向充放电设备安装成本。电动汽车成本CEVi可以根据以下公式(10)来计算:
其中,NEVi为第i个微网中电动汽车的总数量,Cconst为单个电动汽车充放电装置的成本,cEVi(t)为电价,而PEVi,j(t)则为第i个微网中第j辆电动汽车在t时刻的充放电功率。CBDi为电动汽车在充放电过程中所产生的电池的折旧成本,其值与电池的放电深度有关,Δt为调度的时间间隔,T表示总调度时长。
与电网之间的电能交易成本CGi的计算参考公式(11):
其中,cGi(t)为第i个微网与配电网在t时间段进行电能交易的价格,PGi(t)为第i个微网与配电网在t时间段进行电能交换的功率,T表示总调度时长。
多微网系统优化的约束条件主要包括网络潮流平衡约束、电动汽车容量约束和功率约束、与配电网的能量交换功率约束以及系统配置约束,可以用公式(12)~(14)表示:
PPVi(t)+PWTi(t)+PEVi(t)+PGi(t)=PLi(t) (12)
PEVmin≤PGi(t)≤PEVmax (14)
其中,PPVi(t)表示光伏模块发电功率,PWTi(t)表示风机发电功率,PEVi(t)表示电动汽车充放电功率,PGi(t)表示第i个微网在t时刻与配电网之间进行电能交换的功率,PLi(t)表示负荷,EEVmin表示电动汽车容量下限,EEVmax表示电动汽车容量上限,EEVi,j(t)表示第i个微网的第j辆电动汽车在对应时刻的电量,PEVmin表示电动汽车功率下限,PEVmax表示电动汽车功率上限,PEVi,j(t)表示第i个微网中第j辆电动汽车在t时刻的充放电功率。
在本发明实施例中,所提出的电动汽车与可再生能源的协同优化由经济调度内环和容量配置外环组成。内外环均采用智能算法进行优化。以经济调度作为内环,容量配置作为外环,构成图1所示的双环协同优化模型。首先运行外环配置部分,在一定配置下进入内环计算最优经济调度情况下的最小系统运行成本。内环循环完成后再次回到外环,通过外环循环得到系统容量最优配置的最小总成本。通过内环和外环的协同优化,使系统的运行成本和总成本均达到最小值。
下面以粒子群算法为例,对双环优化模型的具体运行流程进行简要的说明。设外环粒子群粒子数为n,内环粒子群粒子数为m,外环循环次数上限为Noutermax,内环循环次数上限为Ninnermax,外环第i个粒子的局部最优值为外环第i个粒子对应的内环优化中第j个内环粒子的局部最优值为外环第i个粒子对应的内环优化全局最优值为Cgbest,i,外环粒子的全局最优值为Cgbest。其中,局部最优值是指对应的单个粒子在前面所有次数的循环中所达到的最优值,全局最优值是指所有粒子在前面所有次数的循环中达到的最优值。具体实现过程为:
(a)输入系统的相关参数,包括单位设备容量、约束条件的具体数值等。初始化外环粒子群粒子。每个外环粒子对应一种可能的系统配置方案,因此初始化外环以后可以得到n种不同的配置方案。令内、外环循环次数计数均为1。
(b)进入内环循环。以外环第i个粒子(也即第i种可能的配置情况)对应的内环优化为例来说明。在外环对应粒子的配置条件下,生成m个内环粒子,对应m种不同的系统运行方式(即每个时间段电动汽车、可再生能源的功率和微网系统与配电网之间电能交换的功率)。对于这m种运行方式,分别计算对应的微网系统运行成本,作为内环粒子对应的局部最优值。设第j个内环粒子对应的运行成本计算结果为CTCMSO(j),则
(c)更新内环粒子位置和速度,重复内环循环至循环次数达到上限Ninnermax。每次循环结束后,重新计算每个粒子对应的成本,并与每个粒子的局部最优值进行比较。以其中较小的值更新原有的局部最优值。比较所有粒子的局部最优值,以其中最小值作为内环循环的全局最优值Cgbest,i。所有循环结束后,以全局最优值对应的系统运行方式作为对应外环粒子的系统运行方式,计算外环粒子的总成本,以该总成本作为外环粒子的局部最优值,参考图2所示的内环经济调度流程示意图。
(d)对所有的n个外环粒子采取同样的操作,得到n个外环粒子对应的局部最优值。
(e)采用粒子群算法更新外环粒子位置和速度,得到新的一组外环粒子。重复步骤(b)~(c)操作,计算得到一组新的外环粒子总成本值。将新的总成本与原局部最优值进行比较,以较小值更新每个外环粒子对应的局部最优值。比较所有外环粒子对应的局部最优值,取其中最小值作为全局最优值。重复以上操作直至外环粒子循环次数达到上限Noutermax。
(f)此时的外环全局最优值即为最优总成本,对应配置即为最优配置。最优配置对应的内环全局最优值即为最优运行成本,而对应的系统运行方式即为最优系统运行策略。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种多微网系统容量配置与经济调度的协同优化方法,其特征在于,包括:
确定所应用的目标多微网系统的结构,并对所述目标多微网系统中的各部分进行数学建模,得到所述目标多微网系统各部分的数学模型,其中,所述数学模型包括电动汽车充放电模型和可再生能源出力预测模型;
建立所述目标多微网系统的经济调度模型,并在满足所述经济调度模型的约束条件的前提下,对电动汽车和可再生能源的功率进行优化,以减小所述目标多微网系统的运行成本,其中,所述经济调度模型的目标函数为所述目标多微网系统的运行成本,所述经济调度模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束;
建立所述目标多微网系统的容量配置模型,并在满足所述容量配置模型的约束条件的前提下,对所述目标多微网系统的容量进行优化,以减小所述目标多微网系统的总成本,其中,所述容量配置模型的目标函数为所述多微网系统的总成本,所述容量配置模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束、电动汽车充放电装置与可再生能源的实际配置容量约束;
以所述容量配置模型作为外环,所述经济调度模型作为内环,对所述目标多微网系统的经济调度和容量配置进行优化,以使所述目标多微网系统的经济调度和容量配置达到最优,进而减小所述目标多微网系统的运行成本和总成本,其中,所述外环对所述目标多微网系统的容量进行更新优化,所述内环对所述目标多微网系统的电动汽车充放电和可再生能源出力进行优化。
5.根据权利要求1所述的方法,其特征在于,以所述容量配置模型作为外环,所述经济调度模型作为内环,对所述目标多微网系统的经济调度和容量配置进行优化,包括:
(a)根据所述目标多微网系统的相关参数初始化外环粒子群粒子,其中,每个外环粒子对应一种可能的系统配置方案,初始化外环后得到n种不同的系统配置方案;
(b)进入内环循环,在外环第i个粒子的配置条件下,生成m个内环粒子,其对应m种不同的系统运行方式,并分别计算各种系统运行方式对应的目标微网系统的运行成本,根据各运行方式对应的运行成本得到内环粒子对应的局部最优值;
(c)若内环循环次数不大于内环循环次数上限,则采用粒子群算法更新内环粒子位置和速度,得到新的一组内环粒子,重新计算每个新内环粒子对应的运行成本,并与原局部最优值进行比较,以其中较小的值更新原有的局部最优值,比较所有新粒子的局部最优值,以其中最小值作为内环循环的全局最优值,重复执行内环循环操作,直至内环循环次数达到内环循环次数上限,并在内环循环操作结束后,以内环全局最优值对应的系统运行方式作为对应外环粒子的系统运行方式,计算外环粒子的总成本,以该总成本作为外环粒子的局部最优值;
(d)对所有的外环粒子,分别计算各外环粒子对应的系统运行方式的总成本,根据各总成本得到各外环粒子对应的局部最优值;
(e)采用粒子群算法更新外环粒子位置和速度,得到新的一组外环粒子,重复步骤(b)~(c),计算得到一组新的外环粒子的总成本值,将新的总成本与原局部最优值进行比较,以较小值更新每个外环粒子对应的局部最优值,比较所有外环粒子对应的局部最优值,取其中最小值作为全局最优值,重复外环循环操作,直至外环粒子循环次数达到外环循环次数上限,将得到的外环全局最优值作为最优总成本,其对应配置作为最优配置,最优配置对应的内环全局最优值作为最优运行成本,最优运行成本对应的系统运行方式作为最优系统运行策略。
6.一种多微网系统容量配置与经济调度的协同优化系统,其特征在于,包括:
第一模型建立模块,用于确定所应用的目标多微网系统的结构,并对所述目标多微网系统中的各部分进行数学建模,得到所述目标多微网系统各部分的数学模型,其中,所述数学模型包括电动汽车充放电模型和可再生能源出力预测模型;
第二模型建立模块,用于建立所述目标多微网系统的经济调度模型,并在满足所述经济调度模型的约束条件的前提下,对电动汽车和可再生能源的功率进行优化,以减小所述目标多微网系统的运行成本,其中,所述经济调度模型的目标函数为所述目标多微网系统的运行成本,所述经济调度模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束;
第三模型建立模块,用于建立所述目标多微网系统的容量配置模型,并在满足所述容量配置模型的约束条件的前提下,对所述目标多微网系统的容量进行优化,以减小所述目标多微网系统的总成本,其中,所述容量配置模型的目标函数为所述多微网系统的总成本,所述容量配置模型的约束条件包括电动汽车充放电约束、电动汽车电量约束、可再生能源出力约束和网络平衡约束、电动汽车充放电装置与可再生能源的实际配置容量约束;
双环优化模块,用于以所述容量配置模型作为外环,所述经济调度模型作为内环,对所述目标多微网系统的经济调度和容量配置进行优化,以使所述目标多微网系统的经济调度和容量配置达到最优,进而减小所述目标多微网系统的运行成本和总成本,其中,所述外环对所述目标多微网系统的容量进行更新优化,所述内环对所述目标多微网系统的电动汽车充放电和可再生能源出力进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811091087.2A CN110929908B (zh) | 2018-09-19 | 2018-09-19 | 多微网系统容量配置与经济调度的协同优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811091087.2A CN110929908B (zh) | 2018-09-19 | 2018-09-19 | 多微网系统容量配置与经济调度的协同优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929908A true CN110929908A (zh) | 2020-03-27 |
CN110929908B CN110929908B (zh) | 2022-03-29 |
Family
ID=69855851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811091087.2A Active CN110929908B (zh) | 2018-09-19 | 2018-09-19 | 多微网系统容量配置与经济调度的协同优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929908B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307087A (zh) * | 2023-02-07 | 2023-06-23 | 帕诺(常熟)新能源科技有限公司 | 考虑电动汽车充放电的微电网系统储能优化配置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809265A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 含分布式可再生能源配电网柔性互联装置的容量配置方法 |
CN108229025A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 一种冷热电联供型多微网主动配电系统经济优化调度方法 |
CN108493973A (zh) * | 2018-03-21 | 2018-09-04 | 华中科技大学 | 一种电动汽车充放电设施的容量配置方法 |
-
2018
- 2018-09-19 CN CN201811091087.2A patent/CN110929908B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809265A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 含分布式可再生能源配电网柔性互联装置的容量配置方法 |
CN108229025A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 一种冷热电联供型多微网主动配电系统经济优化调度方法 |
CN108493973A (zh) * | 2018-03-21 | 2018-09-04 | 华中科技大学 | 一种电动汽车充放电设施的容量配置方法 |
Non-Patent Citations (3)
Title |
---|
JIN CHEN ET AL: "Cooperative Optimization of Electric Vehicles and Renewable Energy Sources in Regional Multi-microgrid", <2018 IEEE ENERGY CONVERSION CONGRESS AND EXPOSITION (ECCE)> * |
邹妍茜等: "基于双层优化理论的多微网协调优化调度研究", 《陕西电力》 * |
陈津: "电动汽车接入下区域联合微网的经济调度策略与协同优化方法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307087A (zh) * | 2023-02-07 | 2023-06-23 | 帕诺(常熟)新能源科技有限公司 | 考虑电动汽车充放电的微电网系统储能优化配置方法 |
CN116307087B (zh) * | 2023-02-07 | 2023-12-15 | 帕诺(常熟)新能源科技有限公司 | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110929908B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
Roslan et al. | Scheduling controller for microgrids energy management system using optimization algorithm in achieving cost saving and emission reduction | |
Liu et al. | A charging strategy for PV-based battery switch stations considering service availability and self-consumption of PV energy | |
AbuElrub et al. | Microgrid integrated electric vehicle charging algorithm with photovoltaic generation | |
CN107508284B (zh) | 计及电气互联的微电网分布式优化调度方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN109050284B (zh) | 一种考虑v2g的电动汽车充放电电价优化方法 | |
CN104269849A (zh) | 基于建筑光伏微电网的能量管理方法及系统 | |
CN105868844A (zh) | 一种含电动汽车混合储能系统的微网多目标运行调度方法 | |
Yin et al. | Cooperative optimization strategy for large-scale electric vehicle charging and discharging | |
Yu et al. | A real time energy management for EV charging station integrated with local generations and energy storage system | |
CN111786422B (zh) | 基于bp神经网络的微电网参与上层电网实时优化调度方法 | |
Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
Huang et al. | V2G optimal scheduling of multiple EV aggregator based on TOU electricity price | |
CN104578145A (zh) | 一种面向智能用电的连续任务型负荷能量控制方法 | |
Kawashima et al. | Energy management systems based on real data and devices for apartment buildings | |
Roslan et al. | Optimization algorithms for energy storage integrated microgrid performance enhancement | |
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 | |
Zhang et al. | Orderly automatic real-time charging scheduling scenario strategy for electric vehicles considering renewable energy consumption | |
CN110929908B (zh) | 多微网系统容量配置与经济调度的协同优化方法及系统 | |
CN117239771A (zh) | 一种综合能源系统中的负荷柔性调度方法及系统 | |
Ahmed et al. | Grid Integration of PV Based Electric Vehicle Charging Stations: A Brief Review | |
Prasad et al. | A Comprehensive Review on Photovoltaic Charging Station for Electric Vehicles | |
Hosseini et al. | Battery swapping station as an energy storage for capturing distribution-integrated solar variability |
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 |