CN110929964A - 一种基于近似动态规划算法的含储能配电网优化调度方法 - Google Patents

一种基于近似动态规划算法的含储能配电网优化调度方法 Download PDF

Info

Publication number
CN110929964A
CN110929964A CN201911307088.0A CN201911307088A CN110929964A CN 110929964 A CN110929964 A CN 110929964A CN 201911307088 A CN201911307088 A CN 201911307088A CN 110929964 A CN110929964 A CN 110929964A
Authority
CN
China
Prior art keywords
distribution network
decision
function
representing
value
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
Application number
CN201911307088.0A
Other languages
English (en)
Other versions
CN110929964B (zh
Inventor
陈伯建
黄道姗
黄霆
苏清梅
张伟骏
张慧瑜
林芳
方晓玲
杜培
刘智煖
张健
徐振华
江伟
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.)
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power 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 Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Priority to CN201911307088.0A priority Critical patent/CN110929964B/zh
Publication of CN110929964A publication Critical patent/CN110929964A/zh
Application granted granted Critical
Publication of CN110929964B publication Critical patent/CN110929964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于近似动态规划算法的含储能配电网优化调度方法。包括如下步骤：（1）确定系统变量，建立目标函数，确定配网优化的约束条件，建立优化调度模型；（2）采用近似动态规划算法将目标函数分为决策前与决策后函数，更新优化调度模型；（3）生成未来一天的风力、光伏以及负荷预测数据，采用蒙特卡洛法生成该日前预测数据的误差场景；（4）在该误差场景下对改进的配网优化模型进行求解，依次得出未来一天每个时刻的决策变量；（5）重复步骤（3）生成另一误差场景再次对优化模型求解，直至参数收敛；（6）完成步骤（5）场景训练后，利用步骤（3）中的预测数据，得出最优解。与现有技术相比，本发明计算速度快、效率高。

Description

一种基于近似动态规划算法的含储能配电网优化调度方法
技术领域
本发明涉及电力系统配电技术领域，尤其涉及一种基于近似动态规划算法的含储能配电网优化调度方法。
背景技术
随着分布式电源的渗透率在电力系统各层级上的不断提高，以及电动汽车大规模接入电网充电，如何合理安排各分布式电源有功出力，保证主动配电网运行的稳定性和安全性是亟待解决的关键问题。
电力系统尤其是配电网的运行控制变得相对复杂，为了应对高渗透率分布式电源以及大规模电动汽车的接入，储能的运用也越来越广泛。电网的调度策略需要考虑的不确定性因素不断增多，调度问题变得更加困难，问题的规模也越来越大，在求解优化调度模型中容易出现维数爆炸现象。近似动态规划算法是建立在动态规划和马尔科夫决策过程的基础上，它的运用能减少可再生发电、负荷等带来的不确定性对微电网运行的影响。
发明内容
本发明的目的在于解决维灾数问题，提供一种基于近似动态规划算法的含储能配电网优化调度方法。
为实现上述目的，本发明的技术方案是：一种基于近似动态规划算法的含储能配电网优化调度方法，包括如下步骤：
步骤S1、首先确定系统包含的状态变量St、决策变量Xt以及随机变量Wt，建立目标函数，确定配网优化的约束条件，建立优化调度模型；
步骤S2、采用近似动态规划算法将目标函数分为决策前与决策后函数，同时确定该算法需满足的约束条件，更新优化调度模型；
步骤S3、结合历史数据，生成未来一天的风力、光伏以及负荷预测数据，采用蒙特卡洛法生成日前预测数据的误差场景；
步骤S4、在误差场景下对改进的配网优化模型进行求解，依次得出未来一天每个时刻的决策变量；
步骤S5、重复步骤S3生成另一误差场景再次对优化模型求解，直至参数收敛；
步骤S6、完成步骤S5场景训练后，利用步骤S3中的预测数据，得出最优解。
在本发明一实施例中，所述步骤S1具体实现方式如下：
步骤S11、确定状态变量
Figure BDA0002323346490000021
其中SOCt表示储能当前t时刻的容量，
Figure BDA0002323346490000022
表示t时刻风能出力可用值，
Figure BDA0002323346490000023
表示t时刻光伏出力可用值；确定决策变量
Figure BDA0002323346490000024
其中PWT,t表示实际消纳风能出力，PPV,t表示实际消纳光伏出力，Pbat表示充放电功率大小，U为0-1变量，上标c表示充电，d表示放电；确定随机变量Wt为光伏、风电出力预测误差值；
步骤S12、建立配电网优化调度模型为：
目标函数为：
Figure BDA0002323346490000025
约束条件为：
Figure BDA0002323346490000026
Figure BDA0002323346490000027
Figure BDA0002323346490000028
Figure BDA00023233464900000215
Figure BDA0002323346490000029
Figure BDA00023233464900000210
Figure BDA00023233464900000211
Figure BDA00023233464900000212
Vi min≤Vi,t≤Vi max,i∈Γ
其中Ct(St,Xt)表示当前时刻系统消耗量，将每个时刻的消耗值累加，得到一天的总消耗的目标函数F，ηc、ηd分别表示充放电效率，
Figure BDA00023233464900000213
表示储能容量最大值、最小值，Vi max、Vi min表示第i节点电压的最大值、最小值，Δt表示一个时间间隔，Γ表示节点集合，
Figure BDA00023233464900000214
表示电源集合，包括储能。
在本发明一实施例中，所述步骤S2具体实现方式如下：
步骤S21、根据Bellman最优性原理，将目标函数表示成Bellman递归方程，即F＝Vt(St)＝min(Ct(St,Xt)+γE[Vt+Δt(St+Δt)|St,Xt])，其中E[Vt+Δt(St+Δt)|St,Xt]表示条件期望，γ为折扣因子；
步骤S22、引入两个概念：决策后状态
Figure BDA0002323346490000031
以及状态后值函数
Figure BDA0002323346490000032
决策后状态
Figure BDA0002323346490000033
表示执行完当前决策后的状态，状态后值函数
Figure BDA0002323346490000034
表示当前状态至T时刻的累计消耗值，因条件期望难以求解，用
Figure BDA0002323346490000035
替换E[Vt+Δt(St+Δt)|St,Xt]，形成新的目标函数
Figure BDA0002323346490000036
该式表示目标函数可拆分为当前时刻消耗值加上后续时刻消耗值函数；
步骤S23、将状态后值函数近似为与储能容量有关的凸型分段线性函数：即令
Figure BDA0002323346490000037
相应目标函数改为：
Figure BDA0002323346490000038
其中N表示分段数，a表示第a段，dt,a表示该值函数的斜率，rt,a表示资源量的分段数值，并且rt,a需满足相应的约束条件。
在本发明一实施例中，所述步骤S23中的约束条件为：
Figure BDA0002323346490000039
Figure BDA00023233464900000310
Figure BDA00023233464900000311
在本发明一实施例中，所述步骤S4具体实现方式如下：
S41、初始化斜率值，从第1个时刻至T时刻，通过下式依次求得每个时刻的决策值：
Figure BDA00023233464900000312
进而求出整个决策序列X＝{X1,X2,...XT}，其中n表示迭代次数；
S42、更新近似值函数的斜率，为下一次优化迭代做准备，并且确定满足斜率单调性的约束条件。
在本发明一实施例中，所述步骤S42中更新公式以及单调性约束公式分别为：
更新公式：
Figure BDA0002323346490000041
其中
Figure BDA0002323346490000042
Figure BDA0002323346490000043
表示微分，l表示学习率，上标n表示第n次迭代，即
Figure BDA0002323346490000045
表示为第n次迭代的t-Δt时刻的决策后状态；
单调性约束：
Figure BDA0002323346490000044
其中u表示分段的第u段。
在本发明一实施例中，所述步骤S6具体实现方式为：经过N次迭代的误差场景训练后，斜率值逐步达到收敛，再采用不含误差场景的风光出力预测数据，得出真实最优解。
相较于现有技术，本发明具有以下有益效果：本发明基于近似动态规划算法，将目标函数分解为决策前与决策后函数，再将决策后函数近似为分段线性函数，避免了条件期望的求解，并生成大量误差场景，在误差场景中完成训练，最后采用预测到的风光出力数据，得到最优解，实现含储能配电网的稳定性。
附图说明
图1为基于近似动态规划算法的含储能配电网优化调度方法的流程图。
图2为决策后状态与决策后状态值函数的具体示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
本发明提供了一种基于近似动态规划算法的含储能配电网优化调度方法，包括如下步骤：
步骤S1、首先确定系统包含的状态变量St、决策变量Xt以及随机变量Wt，建立目标函数，确定配网优化的约束条件，建立优化调度模型；
步骤S2、采用近似动态规划算法将目标函数分为决策前与决策后函数，同时确定该算法需满足的约束条件，更新优化调度模型；
步骤S3、结合历史数据，生成未来一天的风力、光伏以及负荷预测数据，采用蒙特卡洛法生成日前预测数据的误差场景；
步骤S4、在误差场景下对改进的配网优化模型进行求解，依次得出未来一天每个时刻的决策变量；
步骤S5、重复步骤S3生成另一误差场景再次对优化模型求解，直至参数收敛；
步骤S6、完成步骤S5场景训练后，利用步骤S3中的预测数据，得出最优解。
实施例
如图1所示，一种基于近似动态规划算法的含储能配电网优化调度方法，该方法包括如下步骤：
S1、首先建立优化调度模型，包括确定系统包含的状态变量St、决策变量Xt以及随机变量Wt，确定目标函数以及确定配网优化的约束条件；
S2、采用近似动态规划算法将目标函数分为决策前与决策后函数，同时确定该算法需满足的约束条件，更新优化调度模型；
S3、结合历史数据，生成未来一天的风力、光伏以及负荷预测数据，采用蒙特卡洛法生成日前预测数据的误差场景；
S4、在一个误差场景下对改进的配网优化模型进行求解，依次得出一天中每个时刻的决策变量；
S5、重复步骤S3断生成误差场景，对优化模型不断训练求解，直至参数收敛；
S6、完成步骤S5场景训练后，利用步骤S3中不含误差场景的预测数据，得出最优解。
当动态规划从确定性扩展到不确定性，从静态优化扩展到动态优化后，其复杂程度在时间维度和空间维度上都大大加剧，但同时其问题适用范围也得到了扩展。近似动态规划的建模以动态规划的概念和符号为基础，需要定义三种变量，其中状态变量具有所必须的信息量足够对系统进行描述和决策，并且能够反映系统变化的信息，决策变量一般为待求优化变量，而随机变量则表示外界变化的随机因素对系统的影响，通常也被当作随机过程来处理，以随机过程表示随机变量。步骤S1具体为：
(11)确定状态变量
Figure BDA0002323346490000051
其中SOCt表示储能当前t时刻的容量，
Figure BDA0002323346490000052
表示t时刻风能出力可用值，
Figure BDA0002323346490000053
表示t时刻光伏出力可用值；确定决策变量
Figure BDA0002323346490000054
其中PWT,t表示实际消纳风能出力，PPV,t表示实际消纳光伏出力，Pbat表示充放电功率大小，U为0-1变量，上标c表示充电，d表示放电；确定随机变量Wt为光伏、风电出力预测误差值；
(12)建立配电网优化调度模型为：
目标函数为：
Figure BDA0002323346490000061
约束条件为：
Figure BDA0002323346490000062
Figure BDA0002323346490000063
Figure BDA0002323346490000064
Figure BDA0002323346490000065
Figure BDA0002323346490000066
Figure BDA0002323346490000067
Figure BDA0002323346490000068
Figure BDA0002323346490000069
Vi min≤Vi,t≤Vi max,i∈Γ
其中Ct(St,Xt)表示当前时刻系统消耗量，将每个时刻的消耗值累加，得到一天的总消耗的目标函数F，ηc、ηd分别表示充放电效率，
Figure BDA00023233464900000610
表示储能容量最大值、最小值，Vi max、Vi min表示第i节点电压的最大值、最小值，Δt表示一个时间间隔，Γ表示节点集合，
Figure BDA00023233464900000611
表示电源集合，包括储能；
步骤S2具体为：
(21)根据Bellman最优性原理，将目标函数表示成Bellman递归方程，即F＝Vt(St)＝min(Ct(St,Xt)+γE[Vt+Δt(St+Δt)|St,Xt])，其中E[Vt+Δt(St+Δt)|St,Xt]表示条件期望，γ为折扣因子；
(22)引入两个概念：决策后状态
Figure BDA00023233464900000612
以及状态后值函数
Figure BDA00023233464900000613
决策后状态
Figure BDA00023233464900000614
表示执行完当前决策后的状态，状态后值函数
Figure BDA00023233464900000615
表示当前状态至T时刻的累计消耗值，因条件期望难以求解，用
Figure BDA0002323346490000071
替换E[Vt+Δt(St+Δt)|St,Xt]，形成新的目标函数
Figure BDA0002323346490000072
该式表示目标函数可拆分为当前时刻消耗值加上后续时刻消耗值函数；
(23)将状态后值函数近似为与储能容量有关的凸型分段线性函数：即令
Figure BDA0002323346490000073
相应目标函数改为：
Figure BDA0002323346490000074
其中N表示分段数，a表示第a段，dt,a表示该值函数的斜率，rt,a表示资源量的分段数值，并且rt,a需满足相应的约束条件为：
Figure BDA0002323346490000075
Figure BDA0002323346490000076
Figure BDA0002323346490000077
步骤S4具体为：
(41)初始斜率值和最大迭代数，求解式子
Figure BDA0002323346490000078
决策变量Xt可被求解出来，即
Figure BDA0002323346490000079
当第n次迭代时，从第1个时刻至T时刻，通过下式依次求得每个时刻的决策值：
Figure BDA00023233464900000710
进而求出整个决策序列X＝{X1,X2,...XT}，其中n表示迭代次数；
(42)更新近似值函数的斜率，为第n+1次优化迭代做准备，更新公式为：
Figure BDA00023233464900000711
其中
Figure BDA00023233464900000712
Figure BDA00023233464900000713
表示微分，l表示学习率，上标n表示第n次迭代，即
Figure BDA00023233464900000714
表示为第n次迭代的t-Δt时刻的决策后状态；
在上述公式中需要满足斜率单调性的约束条件，则约束条件具体为：
Figure BDA0002323346490000081
其中u表示分段的第u段。
步骤S5具体为：
利用步骤S4中更新的斜率值参与下一次迭代求解，求解出决策变量之后再次更新斜率，不断重复此操作直至参数收敛，即分段函数逐步收敛。
步骤S6具体为：
经过N次迭代的误差场景训练后，斜率达到收敛，再采用不含误差场景下预测得到的风光出力数据对调度模型求解，输出真实最优结果，实现含储能配电网的稳定性。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种基于近似动态规划算法的含储能配电网优化调度方法，其特征在于，包括如下步骤：
步骤S1、首先确定系统包含的状态变量St、决策变量Xt以及随机变量Wt，建立目标函数，确定配网优化的约束条件，建立优化调度模型；
步骤S2、采用近似动态规划算法将目标函数分为决策前与决策后函数，同时确定该算法需满足的约束条件，更新优化调度模型；
步骤S3、结合历史数据，生成未来一天的风力、光伏以及负荷预测数据，采用蒙特卡洛法生成日前预测数据的误差场景；
步骤S4、在误差场景下对改进的配网优化模型进行求解，依次得出未来一天每个时刻的决策变量；
步骤S5、重复步骤S3生成另一误差场景再次对优化模型求解，直至参数收敛；
步骤S6、完成步骤S5场景训练后，利用步骤S3中的预测数据，得出最优解。
2.根据权利要求1所述的一种基于近似动态规划算法的含储能配电网优化调度方法，其特征在于，所述步骤S1具体实现方式如下：
步骤S11、确定状态变量
Figure FDA0002323346480000011
其中SOCt表示储能当前t时刻的容量，
Figure FDA0002323346480000012
表示t时刻风能出力可用值，
Figure FDA0002323346480000013
表示t时刻光伏出力可用值；确定决策变量
Figure FDA0002323346480000014
其中PWT,t表示实际消纳风能出力，PPV,t表示实际消纳光伏出力，Pbat表示充放电功率大小，U为0-1变量，上标c表示充电，d表示放电；确定随机变量Wt为光伏、风电出力预测误差值；
步骤S12、建立配电网优化调度模型为：
目标函数为：
Figure FDA0002323346480000015
约束条件为：
Figure FDA0002323346480000016
Figure FDA0002323346480000017
Figure FDA0002323346480000018
Figure FDA0002323346480000019
Figure FDA0002323346480000021
Figure FDA0002323346480000022
Figure FDA0002323346480000023
Figure FDA0002323346480000024
Vi min≤Vi,t≤Vi max,i∈Γ
其中Ct(St,Xt)表示当前时刻的系统消耗量，将每个时刻的消耗值累加，得到一天的总消耗的目标函数F，ηc、ηd分别表示充放电效率，
Figure FDA0002323346480000025
表示储能容量最大值、最小值，Vi max、Vi min表示第i节点电压的最大值、最小值，Δt表示一个时间间隔，Γ表示节点集合，ζ表示电源集合，包括储能。
3.根据权利要求2所述的一种基于近似动态规划算法的含储能配电网优化调度方法，其特征在于，所述步骤S2具体实现方式如下：
步骤S21、根据Bellman最优性原理，将目标函数表示成Bellman递归方程，即F＝Vt(St)＝min(Ct(St,Xt)+γE[Vt+Δt(St+Δt)|St,Xt])，其中E[Vt+Δt(St+Δt)|St,Xt]表示条件期望，γ为折扣因子；
步骤S22、引入两个概念：决策后状态
Figure FDA00023233464800000212
以及状态后值函数
Figure FDA0002323346480000026
决策后状态
Figure FDA0002323346480000027
表示执行完当前决策后的状态，状态后值函数
Figure FDA0002323346480000028
表示当前状态至T时刻的累计系统消耗值，因条件期望难以求解，用
Figure FDA0002323346480000029
替换E[Vt+Δt(St+Δt)|St,Xt]，形成新的目标函数
Figure FDA00023233464800000213
该式表示目标函数可拆分为当前时刻消耗值加上后续时刻消耗值函数；
步骤S23、将状态后值函数近似为与储能容量有关的凸型分段线性函数：即令
Figure FDA00023233464800000210
相应目标函数改为：
Figure FDA00023233464800000211
其中N表示分段数，a表示第a段，dt,a表示该值函数的斜率，rt,a表示资源量的分段数值，并且rt,a需满足相应的约束条件。
4.根据权利要求3所述的一种基于近似动态规划算法的含储能配电网优化调度方法，其特征在于，所述步骤S23中的约束条件为：
Figure FDA0002323346480000031
Figure FDA0002323346480000032
Figure FDA0002323346480000033
5.根据权利要求3所述的一种基于近似动态规划算法的含储能配电网优化调度方法，其特征在于，所述步骤S4具体实现方式如下：
S41、初始化斜率值，从第1个时刻至T时刻，通过下式依次求得每个时刻的决策值：
Figure FDA0002323346480000034
进而求出整个决策序列X＝{X1,X2,...XT}，其中n表示迭代次数；
S42、更新近似值函数的斜率，为下一次优化迭代做准备，并且确定满足斜率单调性的约束条件。
6.根据权利要求5所述的一种基于近似动态规划算法的含储能配电网优化调度方法，其特征在于，所述步骤S42中更新公式以及单调性约束公式分别为：
更新公式：
Figure FDA0002323346480000035
其中
Figure FDA0002323346480000036
Figure FDA0002323346480000037
表示微分，l表示学习率，上标n表示第n次迭代，即
Figure FDA0002323346480000038
表示为第n次迭代的t-Δt时刻的决策后状态；
单调性约束：
Figure FDA0002323346480000039
其中u表示分段的第u段。
7.根据权利要求1所述的一种基于近似动态规划算法的含储能配电网优化调度方法，其特征在于，所述步骤S6具体实现方式为：经过N次迭代的误差场景训练后，斜率值逐步达到收敛，再采用不含误差场景的风光出力预测数据，得出真实最优解。
CN201911307088.0A 2019-12-18 2019-12-18 一种基于近似动态规划算法的含储能配电网优化调度方法 Active CN110929964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911307088.0A CN110929964B (zh) 2019-12-18 2019-12-18 一种基于近似动态规划算法的含储能配电网优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911307088.0A CN110929964B (zh) 2019-12-18 2019-12-18 一种基于近似动态规划算法的含储能配电网优化调度方法

Publications (2)

Publication Number Publication Date
CN110929964A true CN110929964A (zh) 2020-03-27
CN110929964B CN110929964B (zh) 2022-12-06

Family

ID=69864274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911307088.0A Active CN110929964B (zh) 2019-12-18 2019-12-18 一种基于近似动态规划算法的含储能配电网优化调度方法

Country Status (1)

Country Link
CN (1) CN110929964B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429038A (zh) * 2020-04-25 2020-07-17 华南理工大学 一种基于强化学习的主动配电网实时随机优化调度方法
CN111697572A (zh) * 2020-06-15 2020-09-22 西安交通大学 基于多阶段随机规划理论的电源及电力流结构优化方法
CN112381397A (zh) * 2020-11-13 2021-02-19 深圳供电局有限公司 一种综合能源楼宇实时能量控制方法
CN112396238A (zh) * 2020-11-24 2021-02-23 华中科技大学 一种热电联合系统实时优化调度方法
CN113077166A (zh) * 2021-04-16 2021-07-06 国网吉林省电力有限公司 一种基于马尔可夫决策过程的社区储能调度方法
CN113609746A (zh) * 2021-05-11 2021-11-05 四川大学 基于蒙特卡洛树搜索及强化学习算法的配电网规划方法
CN114123166A (zh) * 2021-10-21 2022-03-01 国网浙江省电力有限公司台州供电公司 一种新能源耦合背景下的源网荷储协同调度方法
CN114581160A (zh) * 2022-05-05 2022-06-03 支付宝(杭州)信息技术有限公司 资源分配方法、分布式计算系统及设备
CN115775081A (zh) * 2022-12-16 2023-03-10 华南理工大学 一种电力系统随机经济调度方法、装置及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120310608A1 (en) * 2011-06-03 2012-12-06 Nikovski Daniel N Method for Scheduling Power Generators Based on Optimal Configurations and Approximate Dynamic Programming
CN103679357A (zh) * 2013-12-06 2014-03-26 国网山东省电力公司 基于价格和激励的电力需求响应的智能决策方法
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120310608A1 (en) * 2011-06-03 2012-12-06 Nikovski Daniel N Method for Scheduling Power Generators Based on Optimal Configurations and Approximate Dynamic Programming
CN103679357A (zh) * 2013-12-06 2014-03-26 国网山东省电力公司 基于价格和激励的电力需求响应的智能决策方法
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵书强等: "考虑可再生能源出力不确定性的多能源电力系统日前调度", 《华北电力大学学报(自然科学版)》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429038A (zh) * 2020-04-25 2020-07-17 华南理工大学 一种基于强化学习的主动配电网实时随机优化调度方法
CN111429038B (zh) * 2020-04-25 2022-08-12 华南理工大学 一种基于强化学习的主动配电网实时随机优化调度方法
CN111697572B (zh) * 2020-06-15 2021-09-17 西安交通大学 基于多阶段随机规划理论的电源及电力流结构优化方法
CN111697572A (zh) * 2020-06-15 2020-09-22 西安交通大学 基于多阶段随机规划理论的电源及电力流结构优化方法
CN112381397A (zh) * 2020-11-13 2021-02-19 深圳供电局有限公司 一种综合能源楼宇实时能量控制方法
CN112396238A (zh) * 2020-11-24 2021-02-23 华中科技大学 一种热电联合系统实时优化调度方法
CN113077166A (zh) * 2021-04-16 2021-07-06 国网吉林省电力有限公司 一种基于马尔可夫决策过程的社区储能调度方法
CN113609746A (zh) * 2021-05-11 2021-11-05 四川大学 基于蒙特卡洛树搜索及强化学习算法的配电网规划方法
CN113609746B (zh) * 2021-05-11 2023-04-28 四川大学 基于蒙特卡洛树搜索及强化学习算法的配电网规划方法
CN114123166A (zh) * 2021-10-21 2022-03-01 国网浙江省电力有限公司台州供电公司 一种新能源耦合背景下的源网荷储协同调度方法
CN114123166B (zh) * 2021-10-21 2023-10-20 国网浙江省电力有限公司台州供电公司 一种新能源耦合背景下的源网荷储协同调度方法
CN114581160A (zh) * 2022-05-05 2022-06-03 支付宝(杭州)信息技术有限公司 资源分配方法、分布式计算系统及设备
CN114581160B (zh) * 2022-05-05 2022-09-02 支付宝(杭州)信息技术有限公司 资源分配方法、分布式计算系统及设备
CN115775081A (zh) * 2022-12-16 2023-03-10 华南理工大学 一种电力系统随机经济调度方法、装置及介质
CN115775081B (zh) * 2022-12-16 2023-10-03 华南理工大学 一种电力系统随机经济调度方法、装置及介质

Also Published As

Publication number Publication date
CN110929964B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN110929964B (zh) 一种基于近似动态规划算法的含储能配电网优化调度方法
Wong et al. Optimal placement and sizing of battery energy storage system for losses reduction using whale optimization algorithm
CN107887903B (zh) 考虑元件频率特性的微电网鲁棒优化调度方法
Maleki et al. Comparative study of artificial intelligence techniques for sizing of a hydrogen-based stand-alone photovoltaic/wind hybrid system
CN112117760A (zh) 基于双q值网络深度强化学习的微电网能量调度方法
CN110729770B (zh) 一种主动配电网负荷故障恢复策略优化算法
CN110826880B (zh) 一种大规模电动汽车接入的主动配电网优化调度方法
CN114725936A (zh) 基于多智能体深度强化学习的配电网优化方法
Shi et al. Enhancing the flexibility of storage integrated power system by multi-stage robust dispatch
CN109886446B (zh) 基于改进混沌粒子群算法的电力系统动态经济调度方法
Zhang et al. Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO
Fathy et al. Minimum hydrogen consumption based control strategy of fuel cell/PV/battery/supercapacitor hybrid system using recent approach based parasitism-predation algorithm
CN113361715B (zh) 一种基于遗传算法的风-储混合电站日运行策略优化方法
CN112053035B (zh) 考虑经济性与灵活性的输电通道与储能联合规划方法
Zhai et al. Robust model predictive control for energy management of isolated microgrids
Erick et al. Reinforcement learning approaches to power management in grid-tied microgrids: A review
CN112884270A (zh) 一种考虑不确定性因素的多场景配电网规划方法及系统
CN111463838B (zh) 计及储能参与二次调频的两阶段鲁棒优化调度方法及系统
CN116169698A (zh) 一种新能源平稳消纳的分布式储能优化配置方法及系统
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
CN109787221A (zh) 一种微电网电能安全经济调度方法和系统
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN115829258A (zh) 基于多项式混沌近似动态规划的电力系统经济调度方法
Abedinia et al. Modified harmony search algorithm based unit commitment with plug-in hybrid electric vehicles
CN108306319B (zh) 一种新能源微网中储能配置优化方法及系统

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