CN111049138B - 一种基于云储能系统的微电网多源协调优化的方法和装置 - Google Patents

一种基于云储能系统的微电网多源协调优化的方法和装置 Download PDF

Info

Publication number
CN111049138B
CN111049138B CN201911410847.6A CN201911410847A CN111049138B CN 111049138 B CN111049138 B CN 111049138B CN 201911410847 A CN201911410847 A CN 201911410847A CN 111049138 B CN111049138 B CN 111049138B
Authority
CN
China
Prior art keywords
value
user side
energy storage
output power
electricity price
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
Application number
CN201911410847.6A
Other languages
English (en)
Other versions
CN111049138A (zh
Inventor
周步祥
彭昊宇
邹家惠
李祖钢
何飞宇
杨明通
张致强
袁岳
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201911410847.6A priority Critical patent/CN111049138B/zh
Publication of CN111049138A publication Critical patent/CN111049138A/zh
Application granted granted Critical
Publication of CN111049138B publication Critical patent/CN111049138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供了一种基于云储能系统的微电网多源协调优化的方法和装置，涉及能源领域。所述方法包括：根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，通过成本最小公式和模糊遗传算法，计算得到储能装置的运行成本和单个微电网输出功率的实际值，控制单个微电网的实际输出功率，以使得单个微电网的输出功率满足平滑性指标且云储能系统的运行成本最小。本发明的方法，以抑制单个微电网的输出功率产生的波动为基础，在保障了云储能系统的运行成本最小的前提下，控制单个微电网的输出功率，最终实现在抑制微电网输出功率波动的同时，将云储能系统的成本做到最小化。

Description

一种基于云储能系统的微电网多源协调优化的方法和装置
技术领域
本发明涉及能源领域，尤其是涉及一种基于云储能系统的微电网多源协调优化的方法和装置。
背景技术
泛在电力物联网提出后，云储能就成为电力系统中储能的新方向，作为共享经济的新方式，云储能的出现可以为更多的用户提供蓄电服务，将云储能运用到微电网的能量协调优化，不仅能减少微网并网运行时，对电力系统运行产生的冲击，还能够简化云储能的运行。
目前对于云储能系统的研究较少，大多数都是基于如何构建云存储系统，如何保障云储能系统的安全、正确运行等。但针对云储能系统与微电网结合的运行方面少见报道，尤其是云储能系统与微电网结合运行时，如何将云储能系统的成本做到最小化，是现阶段亟待解决的问题。
发明内容
鉴于上述问题，本发明提供一种基于云储能系统的微电网多源协调优化的方法和装置，在抑制微电网输出功率波动的同时，将云储能系统的成本做到最小化。
本发明实施例提供一种基于云储能系统的微电网多源协调优化的方法，所述方法应用于云储能服务器，所述云储能服务器分别与大电网、多个微电网以及储能装置连接，所述多个微电网均用于向所述储能装置充电，所述储能装置用于向用户提供电力能源，所述方法包括：
步骤1：根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，所述单个微电网输出功率期望值为根据所述单个微电网输出功率的预测值计算得到，所述电价与用户侧负荷关系式表征所述电价与所述用户侧负荷的大小关系，所述电价越高，所述用户侧负荷越小，所述单个微电网输出功率期望值满足平滑性指标，所述平滑性指标表征所述单个微电网输出功率满足平滑性要求的指标；
步骤2：根据所述单个微电网的输出功率期望值、所述云储能服务器向所述大电网购电的购电功率、所述储能装置的充电功率，以所述用户侧期望负荷值、所述平滑性指标以及所述单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到所述云储能系统的运行成本和所述单个微电网输出功率的实际值，所述成本最小公式为计算所述云储能系统的运行成本最小的公式；
步骤3：根据所述单个微电网输出功率的实际值，控制所述单个微电网的实际输出功率，以使得所述单个微电网的输出功率满足平滑性指标且所述云储能系统的运行成本最小。
可选地，根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，包括：
根据第一电价和用户侧实际负荷值，通过所述电价与用户侧负荷关系式，计算得到所述用户侧期望负荷值和第二电价，所述用户侧期望负荷值为按照所述第二电价的高低调整后的，期望所述用户侧实际负荷值达到的数值，且所述微电网的输出功率即满足所述平滑性指标且满足所述用户侧期望负荷值，所述第一电价为调整前的电价，所述第二电价为调整后的电价；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述电价与用户侧负荷关系式为：
Figure GDA0002922564940000021
该式中，K为常数；R为用户侧实际负荷值；
Figure GDA0002922564940000022
为电价的调整幅度，即所述第一电价与所述第二电价的差值；
期望负荷率标幺值：
R*＝Ra/Rb
该式中，R*为用户侧期望负荷率；Ra为所述用户侧期望负荷值；Rb为所述用户侧实际负荷值；
实时电价的电价率标幺值：
Figure GDA0002922564940000031
Figure GDA0002922564940000032
该两式中，
Figure GDA0002922564940000033
为实时电价的电价率，即所述第二电价的电价率；qref、qr分别为所述第一电价和所述第二电价；
所述第二电价满足约束如下：
qrmin≤qr≤qrmax
其中，qrmax、qrmin分别为所述第二电价的上、下限值。
可选地，所述方法还包括：
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述需求价格弹性函数关系式为：
Figure GDA0002922564940000034
该式中，e表示需求价格弹性；ΔR为所述用户侧期望负荷值与所述用户侧实际负荷值之间的负荷变化量；qref和
Figure GDA0002922564940000035
分别为调整前的电价和电价的调整幅度。
可选地，根据所述单个微电网的输出功率期望值、所述云储能服务器向所述大电网购电的购电功率、所述储能装置的充电功率，以所述用户侧期望负荷值、所述平滑性指标以及所述单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到所述储能装置的运行成本和所述单个微电网输出功率的实际值，包括：
步骤10：以所述单个微电网的输出功率期望值、所述购电功率、所述充电功率为所述模糊遗传算法的初始解，并将所述用户侧期望负荷值和所述平滑性指标设置为所述模糊遗传算法的参数；
步骤20：设置进化代数计数器和最大化代数T；
步骤30：以所述初始解为基础，通过所述成本最小公式，计算得到所述单个微电网输出功率的一代实际值；
步骤40：对所述一代实际值进行计算，得到对应的质心；
步骤50：根据所述质心，进行繁殖以产生新群体；
步骤60：根据繁殖产生的群众中每对模糊集，通过交叉生成两个后代；
步骤70：设q是变异的概率，则变异的操作是通过对所述模糊集上的某一元素随机更换而完成的；
步骤80：在x小于T的情况下，以变异后的所述一代实际值为所述初始解，返回步骤30；
步骤90：在x大于等于T的情况下，变异后的所述一代实际值即为所述单个微电网输出功率的实际值。
可选地，所述方法还包括：
所述平滑性指标的表达式为：
Figure GDA0002922564940000041
该公式中：rstable为平滑性指标；PCG(t)为第i个微电网在t时刻的出力；
Figure GDA0002922564940000042
为周期内的平均出力；
Figure GDA0002922564940000043
为第i个微电网的平均输出功率。
可选地，所述单个微电网的管理优化的约束条件包括：等式约束条件和不等式约束条件，所述方法还包括：
所述等式约束条件为：
Figure GDA0002922564940000044
该式中：NDG表示分布式电源的数量；PGi(t)表示第i个分布式电源在t时刻的输出功率；Pbat(t)表示储能装置在t时段的充放电功率，其正负号的选取与储能装置的充电、放电状态相关；PPgrid表示t时段所述云储能服务器向所述大电网购电的购电功率；
所述不等式约束条件为：
Figure GDA0002922564940000051
该式表示t时刻的购电功率PPgrid需在上限PPgridmax、下限PPgridmin之间；储能装置在t时刻的充放电功率Pbat(t)需在上限Pbatmax、下限Pbatmin之间。
可选地，所述方法还包括：
所述成本最小公式为：
Figure GDA0002922564940000052
该式中，minF为所述储能装置的运行成本最小对应的值；CIN(t)为折旧成本函数；CM(t)为所述储能装置运行和维护成本函数；CG(t)为购电成本函数；
所述折旧成本函数为：
Figure GDA0002922564940000053
该式中，n表示所述微源数量；Pi(t)表示所述单个微电网在t时刻的输出功率；ni表示投资偿还期；ri表示第i个微电网的固定年利率；Cin,i表示单位容量建设成本；ki表示年利用系数，ni、ri、ki的值分别为第一预设值、第二预设值、第三预设值；
所述储能装置运行和维护成本函数为：
Figure GDA0002922564940000054
该式中，cm,i表示第i种微源单位出力运维成本系数；
所述购电成本函数为：
CG(t)＝CP(t)PPgrid(t)Δt
该式中，CP(t)表示t时段购电电价；△t表示时间段，购电价格分为峰、谷、平3个时段。
本发明实施例还提供一种基于云储能系统的微电网多源协调优化的装置，所述装置应用于云储能服务器，所述云储能服务器分别与大电网、多个微电网以及储能装置连接，所述多个微电网均用于向所述储能装置充电，所述储能装置用于向用户提供电力能源，所述装置包括：
计算期望负荷值模块，用于根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，所述单个微电网输出功率期望值为根据所述单个微电网输出功率的预测值计算得到，所述电价与用户侧负荷关系式表征所述电价与所述用户侧负荷的大小关系，所述电价越高，所述用户侧负荷值越小，所述单个微电网输出功率期望值满足平滑性指标，所述平滑性指标表征所述单个微电网输出功率满足平滑性要求的指标；
计算成本和实际值模块，用于根据所述单个微电网的输出功率期望值、所述云储能服务器向所述大电网购电的购电功率、所述储能装置的充电功率，以所述用户侧期望负荷值、所述平滑性指标以及所述单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到所述云储能系统的运行成本和所述单个微电网输出功率的实际值，所述成本最小公式为计算所述云储能系统的运行成本最小的公式；
控制模块，用于根据所述单个微电网输出功率的实际值，控制所述单个微电网的实际输出功率，以使得所述单个微电网的输出功率满足平滑性指标且所述云储能系统的运行成本最小。
可选地，所述计算期望负荷值模块具体用于：
根据第一电价和用户侧实际负荷值，通过所述电价与用户侧负荷关系式，计算得到所述用户侧期望负荷值和第二电价，所述用户侧期望负荷值为按照所述第二电价的高低调整后的，期望所述用户侧实际负荷值达到的数值，且所述微电网的输出功率即满足所述平滑性指标且满足所述用户侧期望负荷值，所述第一电价为调整前的电价，所述第二电价为调整后的电价；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述电价与用户侧负荷关系式为：
Figure GDA0002922564940000061
该式中，K为常数；R为用户侧实际负荷值；
Figure GDA0002922564940000071
为电价的调整幅度，即所述第一电价与所述第二电价的差值；
期望负荷率标幺值：
R*＝Ra/Rb
该式中，R*为用户侧期望负荷率；Ra为所述用户侧期望负荷值；Rb为所述用户侧实际负荷值；
实时电价的电价率标幺值：
Figure GDA0002922564940000072
Figure GDA0002922564940000073
该两式中，
Figure GDA0002922564940000074
为实时电价的电价率，即所述第二电价的电价率；qref、qr分别为所述第一电价和所述第二电价；
所述第二电价满足约束如下：
qrmin≤qr≤qrmax
其中，qrmax、qrmin分别为所述第二电价的上、下限值；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述需求价格弹性函数关系式为：
Figure GDA0002922564940000075
该式中，e表示需求价格弹性；ΔR为所述用户侧期望负荷值与所述用户侧实际负荷值之间的负荷变化量；qref和
Figure GDA0002922564940000076
分别为调整前的电价和电价的调整幅度；
所述平滑性指标的表达式为：
Figure GDA0002922564940000077
该公式中：rstable为平滑性指标；PCG(t)为第i个微电网在t时刻的出力；
Figure GDA0002922564940000081
为周期内的平均出力；
Figure GDA0002922564940000082
为第i个微电网的平均输出功率。
可选地，所述计算成本和实际值模块具体用于执行以下步骤：
步骤10：以所述单个微电网的输出功率期望值、所述购电功率、所述充电功率为所述模糊遗传算法的初始解，并将所述用户侧期望负荷值和所述平滑性指标设置为所述模糊遗传算法的参数；
步骤20：设置进化代数计数器和最大化代数T；
步骤30：以所述初始解为基础，通过所述成本最小公式，计算得到所述单个微电网输出功率的一代实际值；
步骤40：对所述一代实际值进行计算，得到对应的质心；
步骤50：根据所述质心，进行繁殖以产生新群体；
步骤60：根据繁殖产生的群众中每对模糊集，通过交叉生成两个后代；
步骤70：设q是变异的概率，则变异的操作是通过对所述模糊集上的某一元素随机更换而完成的；
步骤80：在x小于T的情况下，以变异后的所述一代实际值为所述初始解，返回步骤30；
步骤90：在x大于等于T的情况下，变异后的所述一代实际值即为所述单个微电网输出功率的实际值；
其中所述单个微电网的管理优化的约束条件包括：等式约束条件和不等式约束条件；
所述等式约束条件为：
Figure GDA0002922564940000083
该式中：NDG表示分布式电源的数量；PGi(t)表示第i个分布式电源在t时刻的输出功率；Pbat(t)表示储能装置在t时段的充放电功率，其正负号的选取与储能装置的充电、放电状态相关；PPgrid表示t时段所述云储能系统向所述大电网购电的购电功率；
所述不等式约束条件为：
Figure GDA0002922564940000091
该式表示t时刻的购电功率PPgrid需在上限PPgridmax、下限PPgridmin之间；储能装置在t时刻的充放电功率Pbat(t)需在上限Pbatmax、下限Pbatmin之间；
所述成本最小公式为：
Figure GDA0002922564940000092
该式中，minF为所述储能装置的运行成本最小对应的值；CIN(t)为折旧成本函数；CM(t)为所述储能装置运行和维护成本函数；CG(t)为购电成本函数；
所述折旧成本函数为：
Figure GDA0002922564940000093
该式中，n表示所述微源数量；Pi(t)表示所述单个微电网在t时刻的输出功率；ni表示投资偿还期；ri表示第i个微电网的固定年利率；Cin,i表示单位容量建设成本；ki表示年利用系数，ni、ri、ki的值分别为第一预设值、第二预设值、第三预设值；
所述储能装置运行和维护成本函数为：
Figure GDA0002922564940000094
该式中，cm,i表示第i种微源单位出力运维成本系数；
所述购电成本函数为：
CG(t)＝CP(t)PPgrid(t)Δt
该式中，CP(t)表示t时段购电电价；△t表示时间段，购电价格分为峰、谷、平3个时段。
采用本发明提供的基于云储能的微电网多源协调优化的方法，首先计算得到用户侧期望负荷值，再计算得到所述储能装置的运行成本和所述单个微电网输出功率的实际值，最后根据单个微电网输出功率的实际值，控制单个微电网的实际输出功率，以使得单个微电网的输出功率满足平滑性指标且云储能系统的运行成本最小。本发明的方法，以抑制单个微电网的输出功率产生的波动为基础，在保障了云储能系统的运行成本最小的前提下，控制单个微电网的输出功率，保证单个微电网的输出功率满足平滑性指标的要求，最终实现在抑制微电网输出功率波动的同时，将云储能系统的成本做到最小化。
附图说明
图1为本发明实施例一种基于云储能系统的微电网多源协调优化的方法的流程图；
图2为本发明实施例风机的期望输出功率值的示意图；
图3为本发明实施例光伏的期望输出功率值的示意图；
图4为本发明实施例用户侧实际负荷值和用户侧期望负荷值的曲线图；
图5为本发明实施例用户侧实际负荷值、用户侧期望负荷值、实时电价的曲线图；
图6为本发明实施例不同方案下，风机、光伏的输出功率曲线图；
图7为本发明实施例本发明实施例一种基于云储能系统的微电网多源协调优化的装置的框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解，此处所描述的具体实施例仅用以解释本发明，仅仅是本发明一部分实施例，而不是全部的实施例，并不用于限定本发明。
发明人在对目前云储能系统与微电网结合运行进行研究时，针对如何将云储能系统的成本做到最小化进行了深入研究，在经过大量的实测、仿真和计算后，发现影响云储能系统的成本的一个关键因素就是微电网输出功率的波动。
在微电网输出功率的波动比较剧烈时，由于云储能系统需要应对波动发生对自身设备的影响，保证自身系统中各个设备正常运行，就不可避免的需要使用较多的保护性设备，同时为了保证储能装置平稳、高质量的向用户供电，可能需要损失一部分电力能源来应对波动的发生，并且频繁的微电网输出功率波动不可避免的加剧了云储能系统中各种设备的损坏率。
针对上述问题，发明人经过深入研究，结合大量的实际测试和仿真实验，创造性的结合模糊遗传算法，以成本最小化和微电网输出功率平滑性两个方向综合考量，解决了上述的问题。以下对本发明的技术方案进行详尽描述。
参照图1，示出了本发明实施例一种基于云储能系统的微电网多源协调优化的方法的流程图，该方法应用于云储能服务器，云储能服务器分别与大电网、多个微电网以及储能装置连接，多个微电网均用于向储能装置充电，储能装置用于向用户提供电力能源，基于云储能系统的微电网多源协调优化的方法包括：
步骤101：根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，单个微电网输出功率期望值为根据单个微电网输出功率的预测值计算得到，电价与用户侧负荷关系式表征电价与用户侧负荷的大小关系，电价越高，用户侧负荷越小，单个微电网输出功率期望值满足平滑性指标，平滑性指标表征单个微电网输出功率满足平滑性要求的指标。
本发明实施例中，云储能服务器由云储能提供商架设，云储能服务器分别与大电网、多个微电网以及储能装置连接，多个微电网均用于向储能装置充电，一般情况下，微电网中的风机和光伏负责向云储能系统中的储能装置充电，储能装置用于向用户提供电力能源，当然，储能装置在特殊情况下，也可以向微电网放电。
本发明实施例中，为了方便阐述本发明的方法，以单个微电网的形式进行解释和说明，多个微电网的形式与单个微电网的形式类似。云储能服务器根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，单个微电网输出功率期望值为根据单个微电网输出功率的预测值计算得到，电价与用户侧负荷关系式表征电价与用户侧负荷的大小关系，电价越高，用户侧负荷值越小，单个微电网输出功率期望值满足平滑性指标，平滑性指标表征单个微电网输出功率满足平滑性要求的指标。
单个微电网输出功率期望值为云储能服务器根据单个微电网输出功率的预测值计算得到，一般微电网使用光伏或者风机来发电，那么云储能服务器可以根据光伏或者风机各自的输出功率作为单个微电网输出功率的预测值，云储能服务器根据该预测值可以得到单个微电网输出功率期望值。
用户侧期望负荷值是云储能服务器根据第一电价和用户侧实际负荷值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，电价与用户侧负荷关系式表征电价与用户侧负荷的大小关系，电价越高，用户侧负荷值越小，用户侧期望负荷值为按照第二电价的高低调整后的，期望用户侧实际负荷值达到的数值，且微电网的输出功率期望值即满足平滑性指标且满足用户侧期望负荷值，即，微电网的输出功率既需要满足平滑性指标，也需要满足用户侧期望负荷值，这样才符合实际应用的条件，而用户侧期望负荷值同时是云储能系统的运营商通过调整电价之后，控制用户侧实际负荷值可以按照电价高低变化而得到的，这样的话才可以保证微电网的输出功率期望值满足平滑性指标，第一电价为调整前的电价，第二电价为调整后的电价，调整前的电价可能不能控制用户侧实际负荷值，但是调整后的电价是可以控制用户侧实际负荷值，达到用户侧期望负荷值。
电价与用户侧负荷关系式为：
Figure GDA0002922564940000121
该式中，K为常数；R为用户侧实际负荷值；
Figure GDA0002922564940000122
为电价的调整幅度，即第一电价与第二电价的差值；
期望负荷率标幺值：
R*＝Ra/Rb
该式中，R*为用户侧期望负荷率；Ra为用户侧期望负荷值；Rb为用户侧实际负荷值；
实时电价的电价率标幺值：
Figure GDA0002922564940000123
Figure GDA0002922564940000124
该两式中，
Figure GDA0002922564940000125
为实时电价的电价率，即第二电价的电价率；qref、qr分别为第一电价和第二电价。
第二电价满足约束如下：
qrmin≤qr≤qrmax
其中，qrmax、qrmin分别为第二电价的上、下限值。
第一电价、第二电价、用户侧实际负荷值以及用户侧期望负荷值需满足需求价格弹性函数关系式，需求价格弹性函数关系式反映用户侧实际负荷值对电价变化的敏感程度；
需求价格弹性函数关系式为：
Figure GDA0002922564940000131
该式中，e表示需求价格弹性；ΔR为用户侧期望负荷值与用户侧实际负荷值之间的负荷变化量；qref和
Figure GDA0002922564940000132
分别为调整前的电价和电价的调整幅度。
平滑性指标的表达式为：
Figure GDA0002922564940000133
该公式中：rstable为平稳性指标，即单个微电网的输出功率满足平滑性的指标；PCG(t)为微电网在t时刻的输出功率；
Figure GDA0002922564940000134
为微电网在一个周期内的平均输出功率；
Figure GDA0002922564940000135
为微电网的平均输出功率。
步骤102：根据单个微电网的输出功率期望值、云储能系统向大电网购电的购电功率、储能装置的充电功率，以用户侧期望负荷值、平滑性指标以及单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到云储能系统的运行成本和单个微电网输出功率的实际值，成本最小公式为计算云储能系统的运行成本最小的公式。
本发明实施例中，在得到单个微电网输出功率期望值之后，云储能服务器还需要根据云储能系统向大电网购电的购电功率、储能装置的充电功率，以用户侧期望负荷值、平滑性指标以及单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到云储能系统的运行成本和单个微电网输出功率的实际值，这样做即达到了满足运行成本最小化和单个微电网输出功率满足平滑性指标的效果，这其中，成本最小公式为云储能系统的运行成本最小的公式，成本最小公式需要结合模糊遗传算法，来得到云储能系统的运行成本和单个微电网输出功率满足平滑性指标的实际值，具体的步骤包括：
步骤10：以单个微电网的输出功率期望值、购电功率、充电功率为模糊遗传算法的初始解，并将用户侧期望负荷值和平滑性指标设置为模糊遗传算法的参数；
步骤20：设置进化代数计数器和最大化代数T；
步骤30：以初始解为基础，通过成本最小公式，计算得到单个微电网输出功率的一代实际值；
步骤40：对一代实际值进行计算，得到对应的质心；
步骤50：根据质心，进行繁殖以产生新群体；
步骤60：根据繁殖产生的群众中每对模糊集，通过交叉生成两个后代；
步骤70：设q是变异的概率，则变异的操作是通过对模糊集上的某一元素随机更换而完成的；
步骤80：在x小于T的情况下，以变异后的一代实际值为初始解，返回步骤30；
步骤90：在x大于等于T的情况下，变异后的一代实际值即为单个微电网输出功率的实际值。
本发明实施例的单个微电网的管理优化的约束条件包括：等式约束条件和不等式约束条件，云储能系统的储能装置包括但不限于：蓄电池、超级电容器、飞轮、超导磁储能等，该储能装置可以将微电网中风机、光伏产生的电力能源储存起来，并向用户提供电力能源以满足用户所需求的负荷，可以理解的是，这个过程可能是风机、光伏向储能装置充电，同时储能装置向用户提供电力能源；也可能储能装置分成多个，风机、光伏向储能装置中一部分充电，另一部分暂时不接受充电，而只向用户提供电力能源，在该部分的剩余荷电量达到预设值时，使用已充好电部分的储能装置向用户提供电力能源，而该部分开始接受充电。
用户在使用云储能系统提供的电力能源时，需要支付一定的资金，即，相当于用户向储能装置购电，这样也保证了云储能系统运营商的盈利。
优化约束条件具体如下：
等式约束条件为：
Figure GDA0002922564940000151
该式中：NDG表示分布式电源的数量；PGi(t)表示第i个分布式电源在t时刻的输出功率，需要说明的是，本发明实施例中所说的t时刻指的是某个时间段的意思，例如：t时刻的光伏输出功率预测值可以具体指7：00～8：00这一个时段的光伏输出功率预测值，以下就不再具体描述；Pbat(t)表示储能装置在t时段的充放电功率，其正负号的选取与储能装置的充电、放电状态相关，储能装置充电时选取正号，储能装置放电时选取负号；PPgrid表示t时段云储能系统向大电网的购电功率。
不等式约束条件为：
Figure GDA0002922564940000152
该式表示t时刻的购电功率PPgrid需在上限PPgridmax、下限PPgridmin之间；储能装置在t时刻的充放电功率Pbat(t)需在上限Pbatmax、下限Pbatmin之间，设置上下限是为了保障储能装置的设备使用寿命，储能装置中的蓄电池，超级电容器等自身均有一定的上下限的限制制要求，若是超过这些限制要求，就会对这些设备造成不可逆的伤害，损伤其使用寿命，因此需要将设备的限制要求考虑在约束条件之内。
成本最小公式具体为：
Figure GDA0002922564940000153
该式中，minF为储能装置的运行成本最小对应的值；CIN(t)为折旧成本函数，折旧成本属于微电网发电成本的固定成本，通常是将投资成本采用等年值法折算为单位容量成本得来，其中风机、光伏板的折旧成本均包括在内；CM(t)为储能装置运行和维护成本函数，储能装置的运行和维护均需要花费资金，也许记入成本之中；CG(t)为购电成本函数，即，云储能系统向外界大电网购买电力能源的成本，本发明的购电价格分为峰、谷、平三个时段。
其中，折旧成本函数为：
Figure GDA0002922564940000161
该式中，n表示所述微源数量；Pi(t)表示所述单个微电网在t时刻的输出功率；ni表示投资偿还期；ri表示第i个微电网的固定年利率；Cin,i表示单位容量建设成本；ki表示年利用系数，ni、ri、ki的值分别为第一预设值、第二预设值、第三预设值，这些预设值的取值均可参考相关文献得到；
储能装置运行和维护成本函数为：
Figure GDA0002922564940000162
该式中，cm,i表示第i个微源单位出力运维成本系数。
购电成本函数为：
CG(t)＝CP(t)PPgrid(t)Δt
该式中，CP(t)表示t时段购电电价；△t表示时间段，例如：6：00～8:00点的2个小时时间段，购电价格分为峰、谷、平3个时段。
步骤103：根据单个微电网输出功率的实际值，控制单个微电网的实际输出功率，以使得单个微电网的输出功率满足平滑性指标且云储能系统的运行成本最小。
本发明实施例中，在确定了单个微电网输出功率的实际值之后，云储能服务器就控制单个微电网的实际输出功率，这样就达到了云储能系统的运行成本最小且单个微电网的输出功率满足平滑性指标。
另外，本发明实施例中的方法还可以拓展到多个微电网的情况，多个微电网同时向储能装置充电的情况下，云储能服务器需要进行全局优化，其方法与单个微电网的优化类似，区别在于需要考虑每个微电网的输出功率可能并不相同，有大有小，针对不同输出功率大小，分别控制每个微电网的输出功率。
此外，多个微电网同时向储能装置充电的情况下，云储能服务器还可以控制多个微电网中所有风机和所有光伏的输出功率，以达到云储能系统的运行成本最小且所有风机、光伏的输出功率满足平滑性指标，相当于云储能服务器可以区别所有风机的输出功率和所有光伏的输出功率，分别优化风机的输出功率和光伏的输出功率。
需要说明的是，本发明实施例中是以电力能源为例，但实际应用中，微电网还包括热能、气能等能源，例如：太阳能取暖、热泵、沼气池、生物质气化等能源，这些能源也可以使用云储能系统，但总体的思路上是和电力能源的一样，因此本发明的方法并不代表仅限对电力能源的优化。
以下，以智能电网实验室交流微电网为研究对象，对本发明实施例中的方法进行实验仿真验证。
在微电网中，风机上限设置为10kW，光伏上限设置为10kW，与储能装置的交换功率上限为20kW，下限为-20kW，需求响应的切出值和入限值均为5kW，所谓需求响应的切出值为用户侧负荷最大转出容量，入限值是指用户侧负荷最大转入容量。参照图2，示出了风机的期望输出功率值的示意图，横轴表示时间，为一整天24小时，纵轴表示风机的期望输出功率值。参照图3，示出了光伏的期望输出功率值的示意图，横轴表示时间，为一整天24小时，纵轴表示光伏的期望输出功率值。
参照图4，示出了本发明实施例用户侧实际负荷值和用户侧期望负荷值的曲线图，横轴表示时间，以半个小时为一个监测点，纵轴表示用户的负荷值，以功率P/kW为单位，由实线加黑点组成的曲线为用户侧实际负荷值，即，图中负荷预测；由虚线加空心点组成的曲线为用户侧期望负荷值，由此可知，用户侧期望负荷值较为平滑，那么微电网的输出功率满足平滑性指标。
根据用户侧期望负荷值，进而求得的实时电价如图5所示，横轴表示时间，左边纵轴表示负荷率和电价率，右边纵轴表示实时电价，由实线加黑点组成的曲线为电价率；由虚线加空心点组成的曲线为负荷率；由矩形框组成的为实时电价，由此可知，电价高时，负荷率较低，即，用户侧的负荷值较低。
由此可知，优化后，用户在负荷低谷时期加大负荷，高峰时减少负荷，同时，使用云储能系统的用户可选择电价高的时候放电，电价低的时候充电，云储能系统运营商在此基础上实现云储能调度以及经济收益最优。
针对传统模式的微电网(微电网与大电网并网的模式)，与本发明进行比较，DG表示风机、光伏，比较结果如下表所示：
Figure GDA0002922564940000181
基于上表可以看出，云储能系统的应用极大程度的简化了微点网的调度模型以及调度方式。
为了验证本发明的方法的有效性，分别对比2种不同的方案：
方案1：传统微电网的优化；
方案2：本发明的方法。
两种方案各指标对比的仿真结果及分析如下：
(1)各方案的成本
各方案优化成本如下表所示：
Figure GDA0002922564940000182
对比上表两种方案的经济成本，得到方案2，即，本发明的方法优化后的成本最低，因此其经济性最好。
(2)风机、光伏输出功率的利用率
本发明的方法优化还要实现风机、光伏输出功率的最大限度的利用，故风机、光伏输出功率的利用率是一个重要的指标，图6所示为不同方案下，风机、光伏的输出功率曲线图。
图6中，横轴表示时间周期，将一天24小时分为48个时间段；纵轴表示风机、光伏的输出功率，即，分布式能源总和，由虚线组成的曲线为方案1下风机、光伏的输出功率曲线，有短横线加点组成的曲线为方案2下风机、光伏的输出功率曲线。
由此可知，方案2，即本发明的方法的DG功率输出最大，因此本发明的方法的DG利用率最高。
综合以上所述，采用本发明的技术方案，达到了运行成本最小、微电网的输出功率满足平滑性且DG利用率最大的目的。
参照图7，示出了本发明实施例一种基于云储能系统的微电网多源协调优化的装置的框图，该装置应用于云储能服务器，所述云储能服务器分别与大电网、多个微电网以及储能装置连接，所述多个微电网均用于向所述储能装置充电，所述储能装置用于向用户提供电力能源，基于云储能系统的微电网多源协调优化装置包括；
计算期望负荷值模块310，用于根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，所述单个微电网输出功率期望值为根据所述单个微电网输出功率的预测值计算得到，所述电价与用户侧负荷关系式表征所述电价与所述用户侧负荷的大小关系，所述电价越高，所述用户侧负荷值越小，所述单个微电网输出功率期望值满足平滑性指标，所述平滑性指标表征所述单个微电网输出功率满足平滑性要求的指标；
计算成本和实际值模块320，用于根据所述单个微电网的输出功率期望值、所述云储能服务器向所述大电网购电的购电功率、所述储能装置的充电功率，以所述用户侧期望负荷值、所述平滑性指标以及所述单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到所述云储能系统的运行成本和所述单个微电网输出功率的实际值，所述成本最小公式为计算所述云储能系统的运行成本最小的公式；
控制模块330，用于根据所述单个微电网输出功率的实际值，控制所述单个微电网的实际输出功率，以使得所述单个微电网的输出功率满足平滑性指标且所述云储能系统的运行成本最小。
可选地，所述计算期望负荷值模块310具体用于：
根据第一电价和用户侧实际负荷值，通过所述电价与用户侧负荷关系式，计算得到所述用户侧期望负荷值和第二电价，所述用户侧期望负荷值为按照所述第二电价的高低调整后的，期望所述用户侧实际负荷值达到的数值，且所述微电网的输出功率即满足所述平滑性指标且满足所述用户侧期望负荷值，所述第一电价为调整前的电价，所述第二电价为调整后的电价；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述电价与用户侧负荷关系式为：
Figure GDA0002922564940000201
该式中，K为常数；R为用户侧实际负荷值；
Figure GDA0002922564940000202
为电价的调整幅度，即所述第一电价与所述第二电价的差值；
期望负荷率标幺值：
R*＝Ra/Rb
该式中，R*为用户侧期望负荷率；Ra为所述用户侧期望负荷值；Rb为所述用户侧实际负荷值；
实时电价的电价率标幺值：
Figure GDA0002922564940000203
Figure GDA0002922564940000204
该两式中，
Figure GDA0002922564940000205
为实时电价的电价率，即所述第二电价的电价率；qref、qr分别为所述第一电价和所述第二电价。
所述第二电价满足约束如下：
qrmin≤qr≤qrmax
其中，qrmax、qrmin分别为所述第二电价的上、下限值；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述需求价格弹性函数关系式为：
Figure GDA0002922564940000211
该式中，e表示需求价格弹性；ΔR为所述用户侧期望负荷值与所述用户侧实际负荷值之间的负荷变化量；qref和
Figure GDA0002922564940000212
分别为调整前的电价和电价的调整幅度；
所述平滑性指标的表达式为：
Figure GDA0002922564940000213
该公式中：rstable为平滑性指标；PCG(t)为第i个微电网在t时刻的出力；
Figure GDA0002922564940000214
为周期内的平均出力；
Figure GDA0002922564940000215
为第i个微电网的平均输出功率。
可选地，所述计算成本和实际值模块320具体用于执行以下步骤：
步骤10：以所述单个微电网的输出功率期望值、所述购电功率、所述充电功率为所述模糊遗传算法的初始解，并将所述用户侧期望负荷值和所述平滑性指标设置为所述模糊遗传算法的参数；
步骤20：设置进化代数计数器和最大化代数T；
步骤30：以所述初始解为基础，通过所述成本最小公式，计算得到所述单个微电网输出功率的一代实际值；
步骤40：对所述一代实际值进行计算，得到对应的质心；
步骤50：根据所述质心，进行繁殖以产生新群体；
步骤60：根据繁殖产生的群众中每对模糊集，通过交叉生成两个后代；
步骤70：设q是变异的概率，则变异的操作是通过对所述模糊集上的某一元素随机更换而完成的；
步骤80：在x小于T的情况下，以变异后的所述一代实际值为所述初始解，返回步骤30；
步骤90：在x大于等于T的情况下，变异后的所述一代实际值即为所述单个微电网输出功率的实际值；
其中所述单个微电网的管理优化的约束条件包括：等式约束条件和不等式约束条件；
所述等式约束条件为：
Figure GDA0002922564940000221
该式中：NDG表示分布式电源的数量；PGi(t)表示第i个分布式电源在t时刻的输出功率；Pbat(t)表示储能装置在t时段的充放电功率，其正负号的选取与储能装置的充电、放电状态相关；PPgrid表示t时段所述云储能系统向所述大电网购电的购电功率；
所述不等式约束条件为：
Figure GDA0002922564940000222
该式表示t时刻的购电功率PPgrid需在上限PPgridmax、下限PPgridmin之间；储能装置在t时刻的充放电功率Pbat(t)需在上限Pbatmax、下限Pbatmin之间；
所述成本最小公式为：
Figure GDA0002922564940000223
该式中，minF为所述储能装置的运行成本最小对应的值；CIN(t)为折旧成本函数；CM(t)为所述储能装置运行和维护成本函数；CG(t)为购电成本函数；
所述折旧成本函数为：
Figure GDA0002922564940000224
该式中，n表示所述微源数量；Pi(t)表示所述单个微电网在t时刻的输出功率；ni表示投资偿还期；ri表示第i个微电网的固定年利率；Cin,i表示单位容量建设成本；ki表示年利用系数，ni、ri、ki的值分别为第一预设值、第二预设值、第三预设值；
所述储能装置运行和维护成本函数为：
Figure GDA0002922564940000231
该式中，cm,i表示第i个微源单位出力运维成本系数；
所述购电成本函数为：
CG(t)＝CP(t)PPgrid(t)Δt
该式中，CP(t)表示t时段购电电价；△t表示时间段，购电价格分为峰、谷、平3个时段。
通过上述实施例，本发明的方法首先计算得到用户侧期望负荷值，再计算得到所述储能装置的运行成本和所述单个微电网输出功率的实际值，最后根据单个微电网输出功率的实际值，控制单个微电网的实际输出功率，以使得单个微电网的输出功率满足平滑性指标且云储能系统的运行成本最小。本发明的方法，以抑制单个微电网的输出功率产生的波动为基础，在保障了云储能系统的运行成本最小的前提下，控制单个微电网的输出功率，保证单个微电网的输出功率满足平滑性指标的要求，最终实现在抑制微电网输出功率波动的同时，将云储能系统的成本做到最小化。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于云储能系统的微电网多源协调优化的方法，其特征在于，所述方法应用于云储能服务器，所述云储能服务器分别与大电网、多个微电网以及储能装置连接，所述多个微电网均用于向所述储能装置充电，所述储能装置用于向用户提供电力能源，所述方法包括：
步骤1：根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，所述单个微电网输出功率期望值为根据所述单个微电网输出功率的预测值计算得到，所述电价与用户侧负荷关系式表征所述电价与所述用户侧负荷的大小关系，所述电价越高，所述用户侧负荷越小，所述单个微电网输出功率期望值满足平滑性指标，所述平滑性指标表征所述单个微电网输出功率满足平滑性要求的指标；
步骤2：根据所述单个微电网的输出功率期望值、所述云储能系统向所述大电网购电的购电功率、所述储能装置的充电功率，以所述用户侧期望负荷值、所述平滑性指标以及所述单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到所述云储能系统的运行成本和所述单个微电网输出功率的实际值，所述成本最小公式为计算所述云储能系统的运行成本最小的公式；
步骤3：根据所述单个微电网输出功率的实际值，控制所述单个微电网的实际输出功率，以使得所述单个微电网的输出功率满足平滑性指标且所述云储能系统的运行成本最小。
2.根据权利要求1所述的方法，其特征在于，根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，包括：
根据第一电价和用户侧实际负荷值，通过所述电价与用户侧负荷关系式，计算得到所述用户侧期望负荷值和第二电价，所述用户侧期望负荷值为按照所述第二电价的高低调整后的，期望所述用户侧实际负荷值达到的数值，且所述微电网的输出功率即满足所述平滑性指标且满足所述用户侧期望负荷值，所述第一电价为调整前的电价，所述第二电价为调整后的电价；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述电价与用户侧负荷关系式为：
Figure FDA0002922564930000021
该式中，K为常数；R为用户侧实际负荷值；
Figure FDA0002922564930000022
为电价的调整幅度，即所述第一电价与所述第二电价的差值；
期望负荷率标幺值：
R*＝Ra/Rb
该式中，R*为用户侧期望负荷率；Ra为所述用户侧期望负荷值；Rb为所述用户侧实际负荷值；
实时电价的电价率标幺值：
Figure FDA0002922564930000023
Figure FDA0002922564930000024
该两式中，
Figure FDA0002922564930000025
为实时电价的电价率，即所述第二电价的电价率；qref、qr分别为所述第一电价和所述第二电价；e表示需求价格弹性；
所述第二电价满足约束如下：
qrmin≤qr≤qrmax
其中，qrmax、qrmin分别为所述第二电价的上、下限值。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述需求价格弹性函数关系式为：
Figure FDA0002922564930000026
该式中，e表示需求价格弹性；ΔR为所述用户侧期望负荷值与所述用户侧实际负荷值之间的负荷变化量；qref和
Figure FDA0002922564930000027
分别为调整前的电价和电价的调整幅度。
4.根据权利要求1所述的方法，其特征在于，根据所述单个微电网的输出功率期望值、所述云储能服务器向所述大电网购电的购电功率、所述储能装置的充电功率，以所述用户侧期望负荷值、所述平滑性指标以及所述单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到所述储能装置的运行成本和所述单个微电网输出功率的实际值，包括：
步骤10：以所述单个微电网的输出功率期望值、所述购电功率、所述充电功率为所述模糊遗传算法的初始解，并将所述用户侧期望负荷值和所述平滑性指标设置为所述模糊遗传算法的参数；
步骤20：设置进化代数计数器和最大化代数T；
步骤30：以所述初始解为基础，通过所述成本最小公式，计算得到所述单个微电网输出功率的一代实际值；
步骤40：对所述一代实际值进行计算，得到对应的质心；
步骤50：根据所述质心，进行繁殖以产生新群体；
步骤60：根据繁殖产生的群众中每对模糊集，通过交叉生成两个后代；
步骤70：设q是变异的概率，则变异的操作是通过对所述模糊集上的某一元素随机更换而完成的；
步骤80：在x小于T的情况下，以变异后的所述一代实际值为所述初始解，返回步骤30；
步骤90：在x大于等于T的情况下，变异后的所述一代实际值即为所述单个微电网输出功率的实际值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述平滑性指标的表达式为：
Figure FDA0002922564930000031
该公式中：rstable为平滑性指标；PCG(t)为第i个微电网在t时刻的出力；
Figure FDA0002922564930000032
为周期内的平均出力；
Figure FDA0002922564930000033
为第i个微电网的平均输出功率。
6.根据权利要求4所述的方法，其特征在于，所述单个微电网的管理优化的约束条件包括：等式约束条件和不等式约束条件，所述方法还包括：
所述等式约束条件为：
Figure FDA0002922564930000041
该式中：NDG表示分布式电源的数量；PGi(t)表示第i个分布式电源在t时刻的输出功率；Pbat(t)表示储能装置在t时段的充放电功率，其正负号的选取与储能装置的充电、放电状态相关；PPgrid表示t时段所述云储能系统向所述大电网购电的购电功率；
所述不等式约束条件为：
Figure FDA0002922564930000042
该式表示t时刻的购电功率PPgrid需在上限PPgridmax、下限PPgridmin之间；储能装置在t时刻的充放电功率Pbat(t)需在上限Pbatmax、下限Pbatmin之间。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
所述成本最小公式为：
Figure FDA0002922564930000043
该式中，minF为所述储能装置的运行成本最小对应的值；CIN(t)为折旧成本函数；CM(t)为所述储能装置运行和维护成本函数；CG(t)为购电成本函数；
所述折旧成本函数为：
Figure FDA0002922564930000044
该式中，n表示微源数量；Pi(t)表示所述单个微电网在t时刻的输出功率；ni表示投资偿还期；ri表示第i个微电网的固定年利率；Cin,i表示单位容量建设成本；ki表示年利用系数，ni、ri、ki的值分别为第一预设值、第二预设值、第三预设值；
所述储能装置运行和维护成本函数为：
Figure FDA0002922564930000045
该式中，cm,i表示第i个微源单位出力运维成本系数；
所述购电成本函数为：
CG(t)＝CP(t)PPgrid(t)Δt
该式中，CP(t)表示t时段购电电价；△t表示时间段，购电价格分为峰、谷、平3个时段。
8.一种基于云储能系统的微电网多源协调优化的装置，其特征在于，所述装置应用于云储能服务器，所述云储能服务器分别与大电网、多个微电网以及储能装置连接，所述多个微电网均用于向所述储能装置充电，所述储能装置用于向用户提供电力能源，所述装置包括：
计算期望负荷值模块，用于根据单个微电网输出功率期望值，通过电价与用户侧负荷关系式，计算得到用户侧期望负荷值，所述单个微电网输出功率期望值为根据所述单个微电网输出功率的预测值计算得到，所述电价与用户侧负荷关系式表征所述电价与所述用户侧负荷的大小关系，所述电价越高，所述用户侧负荷值越小，所述单个微电网输出功率期望值满足平滑性指标，所述平滑性指标表征所述单个微电网输出功率满足平滑性要求的指标；
计算成本和实际值模块，用于根据所述单个微电网的输出功率期望值、所述云储能服务器向所述大电网购电的购电功率、所述储能装置的充电功率，以所述用户侧期望负荷值、所述平滑性指标以及所述单个微电网的管理优化为约束条件，通过成本最小公式和模糊遗传算法，计算得到所述云储能系统的运行成本和所述单个微电网输出功率的实际值，所述成本最小公式为计算所述云储能系统的运行成本最小的公式；
控制模块，用于根据所述单个微电网输出功率的实际值，控制所述单个微电网的实际输出功率，以使得所述单个微电网的输出功率满足平滑性指标且所述云储能系统的运行成本最小。
9.根据权利要求8所述的装置，其特征在于，所述计算期望负荷值模块具体用于：
根据第一电价和用户侧实际负荷值，通过所述电价与用户侧负荷关系式，计算得到所述用户侧期望负荷值和第二电价，所述用户侧期望负荷值为按照所述第二电价的高低调整后的，期望所述用户侧实际负荷值达到的数值，且所述微电网的输出功率即满足所述平滑性指标且满足所述用户侧期望负荷值，所述第一电价为调整前的电价，所述第二电价为调整后的电价；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述电价与用户侧负荷关系式为：
Figure FDA0002922564930000061
该式中，K为常数；R为用户侧实际负荷值；
Figure FDA0002922564930000062
为电价的调整幅度，即所述第一电价与所述第二电价的差值；
期望负荷率标幺值：
R*＝Ra/Rb
该式中，R*为用户侧期望负荷率；Ra为所述用户侧期望负荷值；Rb为所述用户侧实际负荷值；
实时电价的电价率标幺值：
Figure FDA0002922564930000063
Figure FDA0002922564930000064
该两式中，
Figure FDA0002922564930000065
为实时电价的电价率，即所述第二电价的电价率；qref、qr分别为所述第一电价和所述第二电价；
所述第二电价满足约束如下：
qrmin≤qr≤qrmax
其中，qrmax、qrmin分别为所述第二电价的上、下限值；
所述第一电价、所述第二电价、所述用户侧实际负荷值以及所述用户侧期望负荷值需满足需求价格弹性函数关系式，所述需求价格弹性函数关系式反映所述用户侧实际负荷值对电价变化的敏感程度；
所述需求价格弹性函数关系式为：
Figure FDA0002922564930000066
该式中，e表示需求价格弹性；ΔR为所述用户侧期望负荷值与所述用户侧实际负荷值之间的负荷变化量；qref和
Figure FDA0002922564930000071
分别为调整前的电价和电价的调整幅度。
10.根据权利要求8所述的装置，其特征在于，所述计算成本和实际值模块具体用于执行以下步骤：
步骤10：以所述单个微电网的输出功率期望值、所述购电功率、所述充电功率为所述模糊遗传算法的初始解，并将所述用户侧期望负荷值和所述平滑性指标设置为所述模糊遗传算法的参数；
步骤20：设置进化代数计数器和最大化代数T；
步骤30：以所述初始解为基础，通过所述成本最小公式，计算得到所述单个微电网输出功率的一代实际值；
步骤40：对所述一代实际值进行计算，得到对应的质心；
步骤50：根据所述质心，进行繁殖以产生新群体；
步骤60：根据繁殖产生的群众中每对模糊集，通过交叉生成两个后代；
步骤70：设q是变异的概率，则变异的操作是通过对所述模糊集上的某一元素随机更换而完成的；
步骤80：在x小于T的情况下，以变异后的所述一代实际值为所述初始解，返回步骤30；
步骤90：在x大于等于T的情况下，变异后的所述一代实际值即为所述单个微电网输出功率的实际值。
CN201911410847.6A 2019-12-31 2019-12-31 一种基于云储能系统的微电网多源协调优化的方法和装置 Active CN111049138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911410847.6A CN111049138B (zh) 2019-12-31 2019-12-31 一种基于云储能系统的微电网多源协调优化的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911410847.6A CN111049138B (zh) 2019-12-31 2019-12-31 一种基于云储能系统的微电网多源协调优化的方法和装置

Publications (2)

Publication Number Publication Date
CN111049138A CN111049138A (zh) 2020-04-21
CN111049138B true CN111049138B (zh) 2021-04-20

Family

ID=70241032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911410847.6A Active CN111049138B (zh) 2019-12-31 2019-12-31 一种基于云储能系统的微电网多源协调优化的方法和装置

Country Status (1)

Country Link
CN (1) CN111049138B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN109190882A (zh) * 2018-07-25 2019-01-11 南京邮电大学 电力市场环境下基于云储能的微网经济优化交易方法
CN109190802A (zh) * 2018-08-13 2019-01-11 南京邮电大学 云储能环境下基于发电预测的多微网博弈优化方法
CN109586325A (zh) * 2018-12-21 2019-04-05 徐树强 一种新能源储能优化配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3057193A1 (en) * 2015-02-11 2016-08-17 Alcatel Lucent Method and system for providing energy services

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN109190882A (zh) * 2018-07-25 2019-01-11 南京邮电大学 电力市场环境下基于云储能的微网经济优化交易方法
CN109190802A (zh) * 2018-08-13 2019-01-11 南京邮电大学 云储能环境下基于发电预测的多微网博弈优化方法
CN109586325A (zh) * 2018-12-21 2019-04-05 徐树强 一种新能源储能优化配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on cloud energy storage service in residential microgrids;Ziqi Liu et al.;《IET Renewable Power Generation》;20191216;第3097-3105页 *
基于云储能和云发电技术的集中控制云电网系统研究;莫思特等;《四川电力技术》;20180831;第41卷(第4期);第28-31页 *
微电网储能系统优化配置研究;曾旭等;《电器与能效管理技术》;20160731(第14期);第52-55、91页 *

Also Published As

Publication number Publication date
CN111049138A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
Athari et al. Operational performance of energy storage as function of electricity prices for on-grid hybrid renewable energy system by optimized fuzzy logic controller
Ma et al. Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic
Chen et al. Optimal allocation and economic analysis of energy storage system in microgrids
Pereira et al. Periodic economic control of a nonisolated microgrid
Ahmadi et al. Information-gap decision theory for robust security-constrained unit commitment of joint renewable energy and gridable vehicles
CN108376999B (zh) 一种考虑孤岛运行时间不确定性的多微网故障管理方法
Ma et al. Hour-ahead optimization strategy for shared energy storage of renewable energy power stations to provide frequency regulation service
Hajforoosh et al. Coordinated aggregated-based particle swarm optimisation algorithm for congestion management in restructured power market by placement and sizing of unified power flow controller
CN110635518B (zh) 一种基于光伏高渗透率的源网荷储优化方法
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN109728579B (zh) 一种配电网运行效率的评估方法、评估装置及评估设备
Li et al. A dynamic multi-constraints handling strategy for multi-objective energy management of microgrid based on MOEA
CN110571795A (zh) 一种储能单元在高风力渗透电力系统中的布置方法
Safipour et al. Optimal planning of energy storage systems in microgrids for improvement of operation indices
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
Bonthu et al. Energy cost optimization in microgrids using model predictive control and mixed integer linear programming
CN111049138B (zh) 一种基于云储能系统的微电网多源协调优化的方法和装置
Li et al. Optimization scheduling model based on source-load-energy storage coordination in power systems
CN110943487B (zh) 一种园区能源系统能量优化的方法和装置
CN110649633A (zh) 一种配电网无功优化方法及系统
Li et al. Optimal operation of AC/DC hybrid microgrid under spot price mechanism
CN109449951A (zh) 一种电力市场背景下电力系统无功优化的方法及相关装置
Lim et al. Proportional integrator (PI) and fuzzy-controlled energy storage for zero-power flow between grid and local network with photovoltaic system
CN109638835B (zh) 一种交直流混合微电网优化配置方法及装置
CN108539799A (zh) 一种电网中风电的调度方法及装置

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