CN111092455A - 一种储能系统与已恢复机组联合运行的负荷恢复优化方法 - Google Patents
一种储能系统与已恢复机组联合运行的负荷恢复优化方法 Download PDFInfo
- Publication number
- CN111092455A CN111092455A CN201911131175.5A CN201911131175A CN111092455A CN 111092455 A CN111092455 A CN 111092455A CN 201911131175 A CN201911131175 A CN 201911131175A CN 111092455 A CN111092455 A CN 111092455A
- Authority
- CN
- China
- Prior art keywords
- load
- energy storage
- node
- storage system
- recovery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
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
- H02J3/38—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
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/50—Controlling the sharing of the out-of-phase component
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种储能系统与已恢复机组联合运行的负荷恢复优化方法,将确定性负荷恢复优化模型转变为模糊机会约束优化模型,采用人工蜂群算法求解,获得计及负荷不确定性的负荷恢复方案。该方法包括:1、建立储能系统与已恢复机组联合运行的确定性负荷恢复优化模型;2、运用可信性理论,建立考虑负荷不确定性的模糊机会约束模型;3、运用清晰等价类,将模糊机会约束模型转化为易于求解的0‑1规划模型;4、采用人工蜂群算法求解0‑1规划模型,得到考虑负荷不确定性的储能系统与已恢复机组联合运行的负荷恢复优化结果。该方法得到的电网恢复方案充分考虑储能的调控优势和功率支撑作用,承受负荷不确定区间内的所有波动,可以保证电网恢复过程的安全性。
Description
技术领域
本发明属于电网技术领域,特别是一种储能系统与已恢复机组联合运行的负荷恢复优化方法。
背景技术
大停电后的系统恢复的最终目标是尽可能快地恢复对停电区域的负荷供电,减少由于停电带来的经济损失。为了实现这个目标,系统必须为负荷恢复提供足够的功率支撑,通过制定合理的系统恢复策略提高系统恢复的效率,并且保证系统恢复过程中已恢复系统的安全稳定。
传统的系统恢复由水力发电机组作为黑启动电源,但由于地理环境和资源的限制,其数量和容量都是有限的,无法满足所有地区的黑启动要求。随着可再生能源的大量并网,以风电场或光伏电站作为黑启动电源可以满足系统恢复的功率需求,但可再生能源具有间歇性和波动性,直接并网可能会威胁系统恢复的安全。随着储能技术的发展,储能容量不断增加,越来越多大规模储能电站建成并投入运行。储能电站可以通过变流器实现功率的双向流通,可以对系统的动态变化进行快速响应,而且具备良好的控制能力,因此,储能系统参与停电后电网恢复可以提高系统恢复的效率。
停电后系统恢复过程中,需要恢复的负荷量具有波动性,会给电网引入很大的不确定性,威胁电网运行的安全。因此,在对储能和已恢复机组联合运行进行负荷恢复时必须考虑到负荷的不确定性。目前,处理负荷不确定性,一般采用概率法和鲁棒方法,概率法是以负荷的概率密度函数为基础,而现有研究准确获取负荷的概率密度函数,而鲁棒方法虽不需要负荷的分布参数,但对负荷恢复量进行了限制,其结果较为保守。
发明内容
本发明的目的在于提供一种储能系统与已恢复机组联合运行的负荷恢复优化方法。
实现本发明目的的技术解决方案为:一种储能系统与已恢复机组联合运行的负荷恢复优化方法,包括如下步骤:
步骤1、建立储能系统与已恢复机组联合运行的确定性负荷恢复优化模型;
步骤2、运用可信性理论,建立考虑负荷不确定性的模糊机会约束模型;
步骤3、运用清晰等价类,将模糊机会约束模型转化为易于求解的0-1规划模型;
步骤4、采用人工蜂群算法求解0-1规划模型,得到考虑负荷不确定性的储能系统与已恢复机组联合运行的负荷恢复优化结果。
本发明与现有技术相比,其显著优点为:1)本发明的方法充分考虑的储能系统在负荷恢复中的调控优势和功率支撑作用;2)本发明的方法借助模糊隶属度函数负荷的不确定性,无需负荷的准确概率分布,模型简单,利用本发明得到的负荷恢复方案能够抵抗负荷的波动,保证系统恢复过程中的安全性;3)本发明可以适用于储能系统与已恢复机组联合运行的负荷恢复过程中,具有很高的工程价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的一种储能系统与已恢复机组联合运行的负荷恢复优化方法流程图。
图2为10机39节点系统拓扑图。
图3为考虑储能与不考虑储能的结果对比图。
图4为人工蜂群算法20次求解结果图。
具体实施方式
结合图1,本发明的一种储能系统与已恢复机组联合运行的负荷恢复优化方法,能够充分利用储能的调控优势和功率支撑作用,考虑负荷的不确定性,保证电网恢复过程的绝对安全,包括如下步骤:
步骤1、建立储能系统与已恢复机组联合运行的确定性负荷恢复优化模型,具体操作步骤为:
步骤1-1、建立储能系统的数学模型,储能系统参与负荷恢复过程中需要充分考虑储能的输出功率特性和其他特性。储能系统的模型表示如下:
输出功率特性,储能输出的有功功率与储能的荷电状态和储能的容量有关,可表达为:
式中,SOC(t)——储能系统在t时刻的荷电状态;
SOC(t-Δt)——储能系统在t-Δt时刻的荷电状态;
Δt——采样时间间隔;
η——储能系统变流器的效率;
CN——储能系统的额定容量;
PBESS(t)——储能系统在t时刻的有功输出功率;
输出功率限制,由于储能变流器的电力电子特性,储能系统的输出功率会影响变流器的效率,为了使储能系统变流器的效率保持在稳定水平,对储能系统的输出功率进行如下限制:
Pmin≤PBESS(t)≤Pmax
式中,PBESS(t)——储能系统在t时刻的输出有功功率;
Pmin——储能系统允许的最小的输出有功功率;
Pmax——储能系统允许的最大的输出有功功率;
荷电状态限制,为了防止储能系统的过度充电或者过度放电对储能电池寿命的影响,对储能系统的荷电状态进行如下限制:
SOCmin≤SOC(t)≤SOCmax
式中,SOC(t)——储能系统在t时刻的荷电状态;
SOCmin——储能系统允许的最小的荷电状态;
SOCmax——储能系统允许的最大的荷电状态;
步骤1-2、为了减少停电带来的经济损失,要求系统尽快为重要负荷恢复供电。考虑到负荷的重要程度,将最大化负荷恢复阶段的负荷恢复量的加权和作为模型的目标函数:
式中,N——电网恢复每一时步恢复的节点数量;
wi——节点i处的负荷的权重;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
步骤1-3、确定电网恢复过程中需要考虑的约束条件,包括:
最大可恢复负荷量约束,负荷的恢复由已启动机组和储能共同提供功率,因此,负荷恢复的最大有功功率不能超过当前已恢复机组最大可提供的新增的有功功率和储能系统当前时刻所能输出的最大功率之和为,其数学表达式为:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
NG——当前已恢复常规机组的数量;
rj——已恢复常规机组j的爬坡率;
Δt——两个恢复时步之间的时间间隔;
Pj GN——已恢复常规机组j的额定有功功率;
Pj G——当前时步已恢复常规机组j的有功出力;
η——储能系统变流器的效率;
SOC(t)——储能系统在t时刻的荷电状态;
SOC(t-Δt)——储能系统在t-Δt时刻的荷电状态;
CN——储能系统的额定容量;
负荷最大单次投入约束,系统进行负荷恢复时,已恢复系统总的机组容量较正常运行情况下小很多,单次负荷恢复量过大可能会引起较大的频率偏移,而已启动机组和储能系统都可以对负荷投入的频率变化进行调节,所以负荷最大单词投入的约束的数学表达式为:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
PLmax1——常规发电机组可以容许的最大单次负荷波动;
PLmax2——储能系统可以容许的最大单次负荷波动;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
△fmax——暂态频率最大允许下降值;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数;
稳态潮流约束为:
式中,Pdi——节点i的有功注入功率;
Qdi——节点i的无功注入功率;
Vi——节点i的电压;
Vj——节点j的电压;
Gij——节点i与j之间的电导;
Bij——节点i与j之间的电纳;
n——系统中的节点个数;
δij——Vi与Vj的相角;
机组出力、电压约束为:
式中,Pi G——机组的有功出力;
Qi G——机组的无功出力;
Pi Gmax——机组有功的最大出力;
Pi Gmin——机组有功的最小出力;
Qi Gmax——机组无功的最大出力;
Qi Gmin——机组无功的最小出力;
Vi——节点电压;
Vi max——节点电压允许最大值;
Vi min——节点电压允许最小值。
步骤2、运用可信性理论,建立考虑负荷不确定性的模糊机会约束模型,具体操作步骤为:
步骤2-1、负荷不确定性建模,在实际运行中,负荷的恢复量存在不确定性,目前的负荷预测无法得到负荷的精确的概率分布函数,因此,采用梯形模糊量来表示不确定的负荷量,只需要知道很少的负荷分布的参数,就可以表示出负荷的分布。将负荷看作一个梯形模糊量,其隶属度参数可表示为:
μj——第j个隶属度参数;
Pi av——节点i处负荷量的平均预测值;
步骤2-2、将含有负荷模糊量的确定性模型的目标函数转化为模糊期望形式,可以得到如下公式:
式中,fLoad——模糊负荷恢复的加权总和;
Efuz——模糊期望表达符号;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
步骤2-3、负荷过载风险函数,为了进一步提高系统恢复的安全性,本文引入使用于模糊变量的模糊风险价值函数描述系统恢复过程中由于负荷恢复量过大引起的过载风险,在一定置信水平下量化过载风险。负荷过载的模糊风险值为:
式中,fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
γ——一个实数;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
β1——负荷过载风险的模糊置信水平;
步骤2-4、负荷恢复优化的目标函数,基于可信性理论,由负荷恢复的模糊期望和负荷过载风险的模糊风险价值,得到最终的负荷恢复优化的模糊机会约束模型的目标函数为:
maxf=fLoad-λfFVaR
式中,fLoad——模糊负荷恢复的加权总和;
fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
λ——负荷过载风险的参与系数;
步骤2-5、为了保证恢复电网的安全性,需要将负荷恢复期间的各项安全约束考虑进来,根据可信性理论,将确定性模型下含负荷模糊量的各项约束条件转换为模糊机会约束,如下:
最大可恢复负荷量约束:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
β2——最大可恢复负荷量的模糊置信水平;
单次最大可投入负荷有功约束:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
△fmax——暂态频率最大允许下降值;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数;
β3——单次最大可投入负荷有功的模糊置信水平;
步骤2-6、综合步骤2-1到步骤2-5,考虑负荷不确定性的模糊机会约束模型可整理为:
maxf=fLoad-λfFVaR
式中,fLoad——模糊负荷恢复的加权总和;
fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
λ——负荷过载风险的参与系数;
Efuz——模糊期望表达符号;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
γ——一个实数;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
△fmax——暂态频率最大允许下降值;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数;
β1——负荷过载风险的模糊置信水平;
β2——最大可恢复负荷量的模糊置信水平;
β3——单次最大可投入负荷有功的模糊置信水平;
Pdi——节点i的有功注入功率;
Qdi——节点i的无功注入功率;
Vi——节点i的电压;
Vj——节点j的电压;
Gij——节点i与j之间的电导;
Bij——节点i与j之间的电纳;
n——系统中的节点个数;
δij——Vi与Vj的相角;
Pi G——机组的有功出力;
Qi G——机组的无功出力;
Pi Gmax——机组有功的最大出力;
Pi Gmin——机组有功的最小出力;
Qi Gmax——机组无功的最大出力;
Qi Gmin——机组无功的最小出力;
Vi——节点电压;
Vi max——节点电压允许最大值;
Vi min——节点电压允许最小值。
步骤3、运用清晰等价类,将模糊机会约束模型转化为易于求解的0-1规划模型,具体步骤如下:
步骤3-1、根据模糊理论,总的负荷恢复量的模糊期望可表示为:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
步骤3-2、根据梯形模糊参数下的模糊风险价值的清晰等价类,负荷过载风险的模糊风险价值可转换为:
式中,fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
β1——负荷过载风险的模糊置信水平;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
步骤3-3、最大可恢复负荷量约束和单次最大可投入负荷有功约束进行清晰等价类,可得:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
β2——最大可恢复负荷量的模糊置信水平;
β3——单次最大可投入负荷有功的模糊置信水平;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
△fmax——暂态频率最大允许下降值;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数。
步骤4、采用人工蜂群算法求解0-1规划模型,得到考虑负荷不确定性的储能系统与已恢复机组联合运行的负荷恢复优化结果,具体步骤如下:
步骤4-1、初始化,输入系统参数并初始化人工蜂群算法的参数。所述系统参数包括系统的拓扑结构参数,线路和变压器的参数,储能的额定容量、输出功率、荷电状态,发电机组的输出功率和发电机组总的最大有功增量;所述人工蜂群算法的参数包括蜜蜂的初始种群数N(种群中引领蜂和跟随蜂的数量各占一半),最大迭代次数MCN和蜜源最大开采次数Limit;
步骤4-2、生成蜜源,由步骤3-3中所述的单次最大可投入负荷有功约束确定待恢复负荷节点的总出线数量D,初始时刻,N只蜜蜂全为侦查蜂,随机产生N个D维的0-1负荷恢复序列,生成一一对应的N个初始蜜源。按照步骤3-2所述的稳态潮流约束和机组出力和电压约束对每个蜜源对应的负荷恢复方案进行校验,若不满足约束,则重新生成蜜源;若满足约束,则对蜜源进行适应度计算,计算公式如下:
fit=fLoad-λfFVaR
式中,fit——蜜源的适应度值;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
β1——负荷过载风险的模糊置信水平;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
根据适应度值对N个蜜源进行排序,前50%的蜜源对应为引领蜂,剩下的蜜源对应跟随蜂;
步骤4-3、引领蜂搜索蜜源,每个引领蜂在对应的蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,否则,蜜源位置不变,已开采次数加1;
步骤4-4、跟随蜂选择蜜源,引领蜂将蜜源信息分享给跟随蜂,跟随蜂根据蜜源质量,以一定概率选择蜜源,每个蜜源被选择的概率的计算公式如下:
式中,Pi——蜜源i的被跟随蜂选择的概率;
fiti——蜜源i的适应度值;
SN——蜜源的总数;
步骤4-5、跟随蜂搜索蜜源,跟随蜂在步骤4-4所述的选择蜜源后,在所选蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,并且该跟随蜂转变为引领蜂,否则,蜜源位置不变,已开采次数加1,跟随蜂不发生改变;
步骤4-6、记录最优蜜源,引领蜂和跟随蜂搜索结束后,迭代次数加1,并记录当前适应度值最大的最优蜜源;
步骤4-7、侦查蜂阶段,当蜜源开采次数达到最大开采次数Limit,与所述蜜源对应的蜜蜂将转变为侦查蜂,同时,生成1个满足步骤3-2所述的负荷最大恢复量约束和稳态潮流约束的D维的0-1负荷恢复序列,所述生成的负荷恢复序列取代原有的序列,对应的新蜜源取代原蜜源,并将新蜜源的开采次数置0;
步骤4-8、结束搜索,如果迭代次数达到最大迭代次数MCN,则搜索结束,输出最优的负荷恢复方案,否则,回到步骤4-3;
本发明的方法充分考虑的储能系统在负荷恢复中的调控优势和功率支撑作用,借助模糊隶属度函数负荷的不确定性,无需已知负荷的概率分布,模型简单,利用本发明得到的负荷恢复方案能够抵抗负荷的波动,能够保证系统恢复过程中的安全性。
下面结合实施例对本发明做进一步详细的描述:
实施例
(1)实例场景
以IEEE10机39节点系统为例,电网拓扑如图2所示,储能系统位于节电0处,是具有自启动能力的黑启动机组,传统的火电机组位于节点31-39处。蓝色实线是上一时步系统恢复的路径,此时位于节点37、38、39和33处的。常规发电机组已经启动。在这些恢复的发电机中,只有节点37处的发电机已连接到电网,输出到电网的功率为51.2MW。储能系统的初荷电状态为0.8,输出有功功率为211.4MW。节点25、26、29、39处的负荷已经恢复,各点的负荷恢复量分别为36MW,40MW,3MW,96MW。红色实线表示下一时步系统恢复33号发电机组的恢复路径,节点33处的发电机的启动功率为67.5MW。
待恢复的负荷节点的权重、预测值和已恢复的负荷如表1所示,假设负荷的预测波动在20%以内,则负荷模糊量的隶属度参数可设定为[0.8 0.9 1.1 1.2]。
表1负荷恢复量
(2)储能系统与已恢复机组联合运行的考虑负荷不确定性的负荷恢复方案
在恢复33号机组的过程中,采用人工蜂群算法求解负荷恢复优化模型,相关参数设置如下:种群数量N=10;最大蜜源开采次数Limit=5;最大迭代次数MCN=100。将置信度水平都设置为0.8,即β1=β2=β3=β=0.8,风险参与系数λ设置为0.2。图3为考虑储能的调控与不考虑储能调控优势的负荷恢复方案对比图。如图3所示,考虑储能的调控优势比不考虑储能的负荷恢复总量更大,说明本发明提出的方法充分利用了储能的调控优势,可以提高负荷恢复效率。
重复采用人工蜂群算法求解本发明的模型和确定性模型20次,判断20组仿真结果在暂态频率约束下是否越限。表2为考虑负荷不确定性与不考虑负荷不确定性的结果。图4为20次实验有无频率越限的结果对比图。如表2所示,考虑负荷不确定性的模糊机会约束模型比不考虑负荷不确定性的确定性模型恢复的负荷总量要少。如图4所示,若出现频率越限,则将总的负荷恢复量记为0,模糊机会约束模型20次试验里没有出现频率越限的情况,而确定性模型有4次。虽然在负荷恢复量上,模糊机会约束模型比确定性模型要少一些,但模糊机会约束模型得到的扶=负荷恢复方案能够保证系统恢复过程中的安全。
表2不同模型的负荷恢复量
从以上算例结果可以看出,本发明的方法充分考虑的储能系统在负荷恢复中的调控优势和功率支撑作用。借助模糊隶属度函数处理负荷的不确定性,无需已知负荷的概率分布,模型简单,利用本发明得到的负荷恢复方案能够抵抗负荷的波动,保证系统恢复过程中的安全性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种储能系统与已恢复机组联合运行的负荷恢复优化方法,其特征在于,包括以下步骤:
步骤1、建立储能系统与已恢复机组联合运行的确定性负荷恢复优化模型;
步骤2、运用可信性理论,建立考虑负荷不确定性的模糊机会约束模型;
步骤3、运用清晰等价类,将模糊机会约束模型转化为易于求解的0-1规划模型;
步骤4、采用人工蜂群算法求解0-1规划模型,得到考虑负荷不确定性的储能系统与已恢复机组联合运行的负荷恢复优化结果。
2.根据权利要求1所述的一种储能系统与已恢复机组联合运行的负荷恢复优化方法,其特征在于,步骤1中所述的建立储能系统与已恢复机组联合运行的确定性负荷恢复优化模型,具体步骤为:
步骤1-1、建立储能系统的数学模型,具体为:
储能的输出功率特性,其模型为:
式中,SOC(t)——储能系统在t时刻的荷电状态;
SOC(t-Δt)——储能系统在t-Δt时刻的荷电状态;
Δt——采样时间间隔;
η——储能系统变流器的效率;
CN——储能系统的额定容量;
PBESS(t)——储能系统在t时刻的有功输出功率;
储能的输出功率限制,其模型为:
Pmin≤PBESS(t)≤Pmax
式中,PBESS(t)——储能系统在t时刻的输出有功功率;
Pmin——储能系统允许的最小的输出有功功率;
Pmax——储能系统允许的最大的输出有功功率;
储能的荷电状态限制,其模型为:
SOCmin≤SOC(t)≤SOCmax
式中,SOC(t)——储能系统在t时刻的荷电状态;
SOCmin——储能系统允许的最小的荷电状态;
SOCmax——储能系统允许的最大的荷电状态;
步骤1-2、构建负荷恢复优化的目标函数,其模型为:
式中,N——电网恢复每一时步恢复的节点数量;
wi——节点i处的负荷的权重;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
Pi L——节点i处负荷的预测负荷有功恢复量;
步骤1-3、确定负荷恢复过程中需要考虑的约束条件,包括:
最大可恢复负荷量约束为:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
Pi L——节点i处负荷的预测负荷有功恢复量;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
NG——当前已恢复常规机组的数量;
rj——已恢复常规机组j的爬坡率;
Δt——两个恢复时步之间的时间间隔;
Pj GN——已恢复常规机组j的额定有功功率;
Pj G——当前时步已恢复常规机组j的有功出力;
η——储能系统变流器的效率;
SOC(t)——储能系统在t时刻的荷电状态;
SOC(t-Δt)——储能系统在t-Δt时刻的荷电状态;
CN——储能系统的额定容量;
负荷最大单次投入约束为:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
Pi L——节点i处负荷的预测负荷有功恢复量;
PLmax1——常规发电机组可以容许的最大单次负荷波动;
PLmax2——储能系统可以容许的最大单次负荷波动;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
△fmax——暂态频率最大允许下降值;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数;
稳态潮流约束为:
式中,Pdi——节点i的有功注入功率;
Qdi——节点i的无功注入功率;
Vi——节点i的电压;
Vj——节点j的电压;
Gij——节点i与j之间的电导;
Bij——节点i与j之间的电纳;
n——系统中的节点个数;
δij——Vi与Vj的相角;
机组出力、电压约束为:
式中,Pi G——机组的有功出力;
Qi G——机组的无功出力;
Pi Gmax——机组有功的最大出力;
Pi Gmin——机组有功的最小出力;
Qi Gmax——机组无功的最大出力;
Qi Gmin——机组无功的最小出力;
Vi——节点i的电压;
Vi max——节点i处电压的允许最大值;
Vi min——节点i处电压的允许最小值。
3.根据权利要求1所述的储能系统与已恢复机组联合运行的负荷恢复优化方法,其特征在于,步骤2中所述的运用可信性理论,建立考虑负荷不确定性的模糊机会约束模型,具体步骤为:
步骤2-1、负荷不确定性建模,将负荷看作一个梯形模糊量,其隶属度参数表示为:
Pi Lj=μjPi av
μj——第j个隶属度参数;
Pi av——节点i处负荷量的平均预测值;
步骤2-2、将含有负荷模糊量的确定性模型的目标函数转化为模糊期望形式,可以得到如下公式:
式中fLoad——模糊负荷恢复的加权总和;
Efuz——模糊期望表达符号;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
步骤2-3、负荷过载风险函数,模糊风险值为:
式中,fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
γ——一个实数;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
β1——负荷过载风险的模糊置信水平;
步骤2-4、构建考虑负荷不确定性的负荷恢复优化的目标函数,为:
max f=fLoad-λfFVaR
式中,fLoad——模糊负荷恢复的加权总和;
fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
λ——负荷过载风险的参与系数;
步骤2-5、将确定性模型下含负荷模糊量的各项约束条件转换为模糊机会约束,如下:
最大可恢复负荷量约束:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
β2——最大可恢复负荷量的模糊置信水平;
单次最大可投入负荷有功约束:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
△fmax——暂态频率最大允许下降值;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数;
β3——单次最大可投入负荷有功的模糊置信水平;
步骤2-6、综合步骤2-1到步骤2-5,考虑负荷不确定性的模糊机会约束模型为:
max f=fLoad-λfFVaR
式中,fLoad——模糊负荷恢复的加权总和;
fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
λ——负荷过载风险的参与系数;
Efuz——模糊期望表达符号;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
γ——一个实数;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
△fmax——暂态频率最大允许下降值;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数;
β1——负荷过载风险的模糊置信水平;
β2——最大可恢复负荷量的模糊置信水平;
β3——单次最大可投入负荷有功的模糊置信水平;
Pdi——节点i的有功注入功率;
Qdi——节点i的无功注入功率;
Vi——节点i的电压;
Vj——节点j的电压;
Gij——节点i与j之间的电导;
Bij——节点i与j之间的电纳;
n——系统中的节点个数;
δij——Vi与Vj的相角;
Pi G——机组的有功出力;
Qi G——机组的无功出力;
Pi Gmax——机组有功的最大出力;
Pi Gmin——机组有功的最小出力;
Qi Gmax——机组无功的最大出力;
Qi Gmin——机组无功的最小出力;
Vi——节点电压;
Vi max——节点电压允许最大值;
Vi min——节点电压允许最小值。
4.根据权利要求1所述的一种储能系统与已恢复机组联合运行的负荷恢复优化方法,其特征在于,步骤3中所述的运用清晰等价类,将模糊机会约束模型转化为易于求解的0-1规划模型,具体步骤为:
步骤3-1、根据模糊理论,总的负荷恢复量的模糊期望表示为:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
步骤3-2、根据梯形模糊参数下的模糊风险价值的清晰等价类,负荷过载风险的模糊风险价值可转换为:
式中,fFVaR——在一定置信水平下,负荷过载风险的模糊风险价值;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
β1——负荷过载风险的模糊置信水平;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
步骤3-3、最大可恢复负荷量约束和单次最大可投入负荷有功约束进行清晰等价类,可得:
式中,N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
β2——最大可恢复负荷量的模糊置信水平;
β3——单次最大可投入负荷有功的模糊置信水平;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
△fmax——暂态频率最大允许下降值;
NG——当前已恢复常规机组的数量;
Pj GN——已恢复常规机组j的额定有功功率;
dfj——机组j的暂态频率响应值;
Kf——储能系统的频率响应系数。
5.根据权利要求1所述的储能系统与已恢复机组联合运行的负荷恢复优化方法,其特征在于,步骤4中所述的采用人工蜂群算法求解0-1规划模型,得到考虑负荷不确定性的储能系统与已恢复机组联合运行的负荷恢复优化结果,具体步骤为:
步骤4-1、初始化,输入系统参数并初始化人工蜂群算法的参数,所述系统参数包括系统的拓扑结构参数,线路和变压器的参数,储能的额定容量、输出功率、荷电状态,发电机组的输出功率和发电机组总的最大有功增量;所述人工蜂群算法的参数包括蜜蜂的初始种群数N,最大迭代次数MCN和蜜源最大开采次数Limit;
步骤4-2、生成蜜源,由步骤3-3中所述的最大可恢复负荷量约束和单次最大可投入负荷有功约束确定待恢复负荷节点的总出线数量D,初始时刻,N只蜜蜂全为侦查蜂,随机产生N个D维的0-1负荷恢复序列,生成一一对应的N个初始蜜源;按照步骤3-2所述的稳态潮流约束和机组出力和电压约束对每个蜜源对应的负荷恢复方案进行校验,若不满足约束,则重新生成蜜源;若满足约束,则对蜜源进行适应度计算,计算公式如下:
fit=fLoad-λfFVaR
式中,fit——蜜源的适应度值;
N——电网恢复每一时步恢复的节点数量;
xi——0-1变量,表示节点i处的负荷是否投入,0表示负荷不投入,1表示负荷投入;
wi——节点i处的负荷的权重;
β1——负荷过载风险的模糊置信水平;
PBESS——储能系统在该时步内的输出有功功率;
△PG——每个时步已恢复机组的新增出力;
根据适应度值对N个蜜源进行排序,前50%的蜜源对应为引领蜂,剩下的蜜源对应跟随蜂;
步骤4-3、引领蜂搜索蜜源,每个引领蜂在对应的蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,否则,蜜源位置不变,已开采次数加1;
步骤4-4、跟随蜂选择蜜源,引领蜂将蜜源信息分享给跟随蜂,跟随蜂根据蜜源质量,以一定概率选择蜜源,每个蜜源被选择的概率的计算公式如下:
式中,Pi——蜜源i的被跟随蜂选择的概率;
fiti——蜜源i的适应度值;
SN——蜜源的总数;
步骤4-5、跟随蜂搜索蜜源,跟随蜂在步骤4-4所述的选择蜜源后,在所选蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,并且该跟随蜂转变为引领蜂,否则,蜜源位置不变,已开采次数加1,跟随蜂不发生改变;
步骤4-6、记录最优蜜源,引领蜂和跟随蜂搜索结束后,迭代次数加1,并记录当前适应度值最大的最优蜜源;
步骤4-7,侦查蜂阶段,当蜜源开采次数达到最大开采次数Limit,与所述蜜源对应的蜜蜂将转变为侦查蜂,同时,生成1个满足步骤3-2所述的负荷最大恢复量约束和稳态潮流约束的D维的0-1负荷恢复序列,所述生成的负荷恢复序列取代原有的序列,对应的新蜜源取代原蜜源,并将新蜜源的开采次数置0;
步骤4-8、结束搜索,如果迭代次数达到最大迭代次数MCN,则搜索结束,输出最优的负荷恢复方案,否则,返回步骤4-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131175.5A CN111092455A (zh) | 2019-11-19 | 2019-11-19 | 一种储能系统与已恢复机组联合运行的负荷恢复优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131175.5A CN111092455A (zh) | 2019-11-19 | 2019-11-19 | 一种储能系统与已恢复机组联合运行的负荷恢复优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111092455A true CN111092455A (zh) | 2020-05-01 |
Family
ID=70393517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131175.5A Withdrawn CN111092455A (zh) | 2019-11-19 | 2019-11-19 | 一种储能系统与已恢复机组联合运行的负荷恢复优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111092455A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003277A (zh) * | 2020-08-21 | 2020-11-27 | 山东大学 | 一种输配协同负荷恢复优化控制方法及系统 |
CN112865170A (zh) * | 2020-12-31 | 2021-05-28 | 南京理工大学 | 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法 |
CN113435714A (zh) * | 2021-06-10 | 2021-09-24 | 华中科技大学 | 一种基于WCVaR风险分析的电网调度优化方法和系统 |
CN113644653A (zh) * | 2021-08-20 | 2021-11-12 | 西安交通大学 | 新能源与储能协同配合的电力系统黑启动路径恢复方法 |
-
2019
- 2019-11-19 CN CN201911131175.5A patent/CN111092455A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003277A (zh) * | 2020-08-21 | 2020-11-27 | 山东大学 | 一种输配协同负荷恢复优化控制方法及系统 |
CN112865170A (zh) * | 2020-12-31 | 2021-05-28 | 南京理工大学 | 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法 |
CN112865170B (zh) * | 2020-12-31 | 2022-09-13 | 南京理工大学 | 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法 |
CN113435714A (zh) * | 2021-06-10 | 2021-09-24 | 华中科技大学 | 一种基于WCVaR风险分析的电网调度优化方法和系统 |
CN113435714B (zh) * | 2021-06-10 | 2022-08-02 | 华中科技大学 | 一种基于WCVaR风险分析的电网调度优化方法和系统 |
CN113644653A (zh) * | 2021-08-20 | 2021-11-12 | 西安交通大学 | 新能源与储能协同配合的电力系统黑启动路径恢复方法 |
CN113644653B (zh) * | 2021-08-20 | 2023-08-01 | 西安交通大学 | 新能源与储能协同配合的电力系统黑启动路径恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110071505B (zh) | 含大规模风电接入的输电网扩建与储能配置联合规划方法 | |
CN111092455A (zh) | 一种储能系统与已恢复机组联合运行的负荷恢复优化方法 | |
CN106992519B (zh) | 一种基于信息间隙决策理论的电网负荷恢复鲁棒优化方法 | |
CN105790265A (zh) | 一种考虑交流潮流约束的不确定性机组组合模型及求解方法 | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
CN113644653A (zh) | 新能源与储能协同配合的电力系统黑启动路径恢复方法 | |
CN111786417A (zh) | 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法 | |
CN114725926A (zh) | 面向韧性提升的分布式资源辅助主网关键节点黑启动策略 | |
CN112053035A (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN111932012A (zh) | 储能系统-分布式电源-电容器综合控制无功优化方法 | |
CN111030084A (zh) | 一种考虑系统恢复过程中机组状态的负荷恢复优化方法 | |
CN115296345B (zh) | 一种燃气发电机组启停-出力-备用联合优化方法及装置 | |
CN108258734B (zh) | 基于风功率区间预测的鲁棒最优调度方法 | |
CN112821451A (zh) | 一种基于需求侧管理与储能的智慧城镇配电网分布式光伏接入应对方法 | |
Tsoi et al. | Artificial intelligence algorithms for short term scheduling of thermal generators and pumped-storage | |
Xu et al. | An ABC algorithm for optimization of restoration path in a power grid with HVDC connection | |
Putranto et al. | Impact of Sizing and Placement on Energy Storage System in Generation Scheduling Considering Transmission Losses | |
CN112152264B (zh) | 基于鲁棒理论的高可再生能源渗透率电网恢复优化方法 | |
Brown | Evaluation of integration of pumped storage units in an isolated network | |
CN113255141B (zh) | 储能电站投资容量和安装位置计算方法 | |
Xin et al. | A Robust Planning Considering Multiple Uncertainties of Distributed Generation | |
CN116845883A (zh) | 电网黑启动动态分区方法及系统 | |
Lei et al. | Robust Optimal Dispatch of AC/DC Hybrid Distribution Network With PET | |
CN116247743A (zh) | 一种基于鲁棒模型预测控制的微电网实时调度方法 | |
Chen et al. | Coordinated Source-Grid-Storage Planning of High Renewable Energy Proportion Power System Based on Refined Operation Simulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200501 |
|
WW01 | Invention patent application withdrawn after publication |