CN111200281B - 互联微网储能配置扩容优化方法 - Google Patents

互联微网储能配置扩容优化方法 Download PDF

Info

Publication number
CN111200281B
CN111200281B CN201911335261.8A CN201911335261A CN111200281B CN 111200281 B CN111200281 B CN 111200281B CN 201911335261 A CN201911335261 A CN 201911335261A CN 111200281 B CN111200281 B CN 111200281B
Authority
CN
China
Prior art keywords
power
energy storage
load
microgrid
year
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
CN201911335261.8A
Other languages
English (en)
Other versions
CN111200281A (zh
Inventor
谢桦
许寅
滕晓斐
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201911335261.8A priority Critical patent/CN111200281B/zh
Publication of CN111200281A publication Critical patent/CN111200281A/zh
Application granted granted Critical
Publication of CN111200281B publication Critical patent/CN111200281B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及互联微网储能扩容优化方法。通过设置规划周期，考虑到负荷峰值、NDDG单元和DDG单元配置容量的逐年增长，构建多阶段互联微网储能容量双层优化模型。上层模型以储能单元扩容后第y年的互联微网年成本净现值最低为目标，在第y‑1年各微网内储能配置容量的基础上，对该年各微网内增设的储能单元容量进行优化；下层模型以互联微网在第y年各运行场景下的运行总成本最低为目标，制定最优运行策略。将双层优化模型构造为大规模双层混合整数线性规划问题，以第y年各运行场景s下对微网i内储能单元进行扩容后的总成本最低为目标，对该年内各微网储能的额定容量和额定功率进行优化，并对储能扩容后该场景下互联微网的运行策略进行优化。

Description

互联微网储能配置扩容优化方法
技术领域
本发明涉及储能系统的领域。更具体地，涉及一种互联微网储能扩容优化方法。
背景技术
微网中可再生能源发电单元出力的随机性和负荷需求的变化，应当在微网储能容量的多阶段规划中进行考虑。在传统的微网储能配置研究中，着重考虑了出现概率较大的运行场景，而忽略了一些发生概率较低而后果严重的极端场景，例如微源发电量较低而负荷需求较高，或微源出力、负荷功率波动剧烈的情况，在这种场景下可能会造成部分负荷停电、线路和配电设备过载，使得微网运行成本上升，因此在微网规划中对于可能出现的技术风险和经济风险不容忽视。
本发明将风险定义为未来可能发生事件的不确定性以及该事件将产生严重后果的集合。微网系统中的分布式可再生能源发电单元出力的间歇性、负荷功率的不确定性是风险来源。在微网储能容量配置问题中，需要对风险加以考虑，研究基于风险控制策略的储能配置方案，将风险限制在微网投资者和运行管理者均可接受的范围内。因此，本发明中提出了基于风险控制策略的互联微网储能优化配置方法，给出逐年储能扩容方案。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种互联微网储能扩容优化方法，用于制定各微网逐年更新的储能优化配置方案。
为达到以上目的，本发明采取的技术方案是：
本发明在互联微网的规划阶段将不确定性因素带来的风险考虑在内，设计了考虑运行风险的互联微网储能容量优化配置方法。
设置规划周期(如10年)，考虑到负荷峰值、不可调度的分布式电源(NDDG)单元和可调度的分布式电源(DDG)单元配置容量的逐年增长，构建多阶段互联微网储能容量双层优化模型。通过求解双层优化模型，对各微网内储能额定容量
Figure BDA0002330763990000021
和额定功率
Figure BDA0002330763990000022
进行优化，制定逐年更新的储能扩容计划。
在双层优化模型的构建中，上层模型考虑了储能长期运行所带来的延缓配电网设备升级改造收益，以储能单元扩容后第y年的互联微网年成本净现值最低为目标，在第(y-1)年各微网内储能配置容量的基础上，对该年各微网内增设的储能单元容量进行优化；下层模型中考虑储能所发挥的削峰填谷功能，在各场景内考虑增设储能后的削峰率指标约束，以互联微网在第y年各运行场景下的运行总成本最低为目标，制定最优运行策略。
当完成双层优化模型构建后，需要将双层优化模型构造为大规模双层混合整数线性规划问题，以第y年各运行场景s下对微网i内储能单元进行扩容后的总成本
Figure BDA0002330763990000023
最低为目标，对该年内各微网储能的额定容量
Figure BDA0002330763990000024
和额定功率
Figure BDA0002330763990000025
进行优化，并对储能扩容后该场景下互联微网的运行策略
Figure BDA0002330763990000026
进行优化。
一种互联微网储能扩容优化方法，包括如下步骤：
步骤(1)基于对光伏单元的出力和负荷功率需求等不确定性因素的分析，分别建立描述光照辐射强度的概率密度函数和负荷功率波动的概率密度函数，基于历史负荷数据和文献资料，获取光伏和负荷概率模型中的相关参数，相关参数包括正态分布的均值μL，正态分布的标准差σL，分布的形状系数γ、β,光伏单元的最大出力值Pmax，并对各微网中发电单元的配置、Ι,ΙΙ,ΙΙΙ各级负荷占比进行初始化；
步骤(2)由建立的光照辐射强度的概率密度函数和负荷功率波动的概率密度函数而生成光伏和负荷的累计分布函数曲线，基于光伏和负荷的累计分布函数曲线进行拉丁超立方抽样法生成含1000个初始场景的集合
Figure BDA0002330763990000031
各子场景中包含一天内各时段的光伏单元出力和各微网内的负荷功率，设置规划周期，构建多阶段互联微网储能容量双层优化模型，在双层优化模型中，上层模型的目标函数以储能单元扩容后第y年的互联微网年成本净现值Cy.s最低为目标，在第y-1年各微网内储能配置容量的基础上，对该年各微网内增设的储能单元容量进行优化；下层模型的目标函数以互联微网在第y年各运行场景下的运行总成本最低为目标，制定最优运行策略；并设置y的初始值为1，在双层优化模型中，变量下标
Figure BDA0002330763990000032
表示以年为单位的规划阶段；
步骤(3)采用CPLEX对初始场景的集合
Figure BDA0002330763990000033
中各子场景下的双层优化模型进行求解，得到第y年在不同场景下的总成本函数值Cs，并统计总成本函数值概率分布特性；
步骤(4)在构建的风险控制策略下，基于第y年总成本函数值概率分布特性的统计结果，生成的极端场景集合，采用同步回代削减法削减为含10个场景的集合后，采用CPLEX对该策略下第y年各微网的储能扩容方案进行求解；
步骤(5)判断y是否为10，若y≠10则令y＝y+1后，更新第y年的各微网内的微源配置和负荷峰值功率后返回步骤(3)步，直到得到在给定风险策略下10年内的互联微网储能扩容方案。
在上述方案的基础上，光伏单元的出力取决于入射光的角度和强度，光照辐射强度在短期内近似满足Beta分布，步骤1所述的光照辐射强度的概率密度函数如下所示：
Figure BDA0002330763990000041
其中：G、Gmax分别为某时段内实际的光照辐射强度及其最大值，Γ(·)表示Gamma函数，γ和β均为Beta分布的形状系数；
γ和β分别通过公式(2)、(3)统计一定时段内光照辐射强度的均值μNG和方差
Figure BDA0002330763990000042
后得出：
Figure BDA0002330763990000043
Figure BDA0002330763990000044
光伏各时段的出力通过由下式求得，因此，光伏各时段的出力PNG也服从Beta分布，光伏各时段的出力PNG概率密度函数如公式(5)所示：
Figure BDA0002330763990000045
Figure BDA0002330763990000046
其中：PSTG为光伏单元在标准状况下的出力值；GING、GSTG分别为实际状况和标准状况下的光照辐射强度；k为温度系数，TC、Tref分别为光伏池板温度和标准状况下的环境温度；Pmax为光伏单元的最大出力值。
在上述方案的基础上，基于对历史负荷数据和文献资料的分析，得出描述负荷预测误差的概率分布函数，采用正态分布模拟负荷预测过程出现的不确定性，正态分布的均值μL作为负荷功率预测值，正态分布的方差
Figure BDA0002330763990000051
模拟负荷波动的大小，负荷功率波动PL的概率密度函数如下式所示：
Figure BDA0002330763990000052
在上述方案的基础上，所述上层模型的目标函数为：
Figure BDA0002330763990000053
Figure BDA0002330763990000054
Figure BDA0002330763990000055
Figure BDA0002330763990000056
Figure BDA0002330763990000057
Figure BDA0002330763990000058
Figure BDA0002330763990000059
Figure BDA00023307639900000510
其中，上层模型以第y年各微网内储能扩容后的年成本净现值Cy.s最低为目标，在第(y-1)年的基础上，对微网
Figure BDA00023307639900000511
内第y年储能额定容量
Figure BDA00023307639900000512
和额定功率
Figure BDA00023307639900000513
进行优化，上层模型的目标函数中包括第y年进行储能扩容后所需的年等值投资成本
Figure BDA00023307639900000514
年运行维护成本
Figure BDA00023307639900000515
年安装成本
Figure BDA00023307639900000516
考虑多个运行场景后计算得到的总运行成本期望值
Figure BDA00023307639900000517
以及储能延缓配电网设备更新升级的收益
Figure BDA00023307639900000518
其中，互联微网的运行成本期望值由第y年运行场景
Figure BDA00023307639900000519
下优化得出的最优运行成本
Figure BDA00023307639900000520
及其出现概率Pr(s)求得。其中，cP是单位功率投资成本，cE是单位容量投资成本，cs是单位安装成本，
Figure BDA0002330763990000061
和
Figure BDA0002330763990000062
分别是第y年储能的额定配置功率和容量。
配置储能后延缓配电网设备更新升级的收益由配电网设备投资成本cd、折现率r及储能延缓电网升级的年数△Ni.y求得。△Ni.y是所配置的储能装置能够在满足负荷要求下的使用年限，与负荷峰值的年增长率R3和储能扩容后的削峰率λi.y有关，在第y年微网i内削峰率λi.y是综合考虑多个运行场景下的削峰率λi.y.s及其出现概率Pr(s)后求得的期望值。
为了在有效拟合该非线性函数的同时，方便模型求解，对
Figure BDA0002330763990000063
函数进行线性化处理后得到下式：
Figure BDA0002330763990000064
上层模型的约束如下：
所述上层模型的约束包括：第y年进行储能扩容时的初期投资上限约束、储能的额定容量和额定功率下限约束、第y年内互联微网的供电可靠性约束和韧性指标约束、DDG、NDDG单元配置容量和各级负荷峰值逐年增长约束；
在上述方案的基础上，1)所述第y年进行储能扩容时的初期投资上限约束为：
Figure BDA0002330763990000065
其中，LTIFy为第y年储能投资上限。
2)所述储能的额定容量和额定功率下限约束为：
Figure BDA0002330763990000066
Figure BDA0002330763990000071
Figure BDA0002330763990000072
其中，
Figure BDA0002330763990000073
和
Figure BDA0002330763990000074
分别为I级和II级峰值负荷，
Figure BDA0002330763990000075
和SoC分别为储能单元荷电状态上下限。
3)所述第y年内互联微网的供电可靠性约束和韧性指标约束为：
Figure BDA0002330763990000076
Figure BDA0002330763990000077
其中，
Figure BDA0002330763990000078
为可靠性指标上限，TΙ.i.s和TΙΙ.i.s分别为微网在场景下的I、II级负荷停电时间，γI和γII分别为I、II级负荷关键程度的权重系数。
4)所述DDG、NDDG单元配置容量和各级负荷峰值逐年增长约束：
Figure BDA0002330763990000079
上述公式表示模型中考虑了微网内DDG单元配置容量
Figure BDA00023307639900000710
NDDG单元
Figure BDA00023307639900000711
和各级负荷峰值
Figure BDA00023307639900000712
的逐年增长，其中R1、R2、R3分别为DDG单元、NDDG单元配置容量和各级负荷峰值的年增长率。
在上述方案的基础上，所述所述双层优化模型中的下层模型的目标函数为：
Figure BDA00023307639900000713
Figure BDA0002330763990000081
Figure BDA0002330763990000082
Figure BDA0002330763990000083
Figure BDA0002330763990000084
Figure BDA0002330763990000085
Figure BDA0002330763990000086
下层模型以第y年各运行场景s下运行成本
Figure BDA0002330763990000087
最低为目标，对各运行场景下
Figure BDA0002330763990000088
的运行策略进行优化，目标函数包括DDG机组燃料成本
Figure BDA0002330763990000089
启停成本
Figure BDA00023307639900000810
上级电网购电成本
Figure BDA00023307639900000811
切负荷损失成本
Figure BDA00023307639900000812
储能衰退成本
Figure BDA00023307639900000813
恢复配电网关键负荷收益
Figure BDA00023307639900000814
其中，
Figure BDA00023307639900000815
分别为切负荷功率、NDDG单元切除功率和恢复配电网关键负荷功率；
Figure BDA00023307639900000816
分别为DDG单元输出功率、微网i向上级电网购电功率和储能放电功率；
Figure BDA00023307639900000817
分别为储能充电功率和微网i的出口不平衡功率；△P'i.s.t,Ei.y.s.t,
Figure BDA00023307639900000818
分别为考虑线损率后的出口不平衡功率、微网i在第y年场景s下t时段内的储能储存电量和描述储能运行状态的二进制变量；,
Figure BDA00023307639900000819
μi.y.s.t,ξi.y.s.tTi.y.s,分别为表示状态的二进制变量和停电时间；cf表示为DDG机组的单位燃料成本；cU和cD分别为机组的单位启、停机成本；mt为单位电网购电成本；cl为负荷停电惩罚成本；gt为单位微网负荷售电电价；ct为恢复配电网关键负荷供电的单位收益。
其中，切负荷损失成本既包括与切负荷功率
Figure BDA00023307639900000820
成正比的负荷停电惩罚成本，又包括停电后减少的售电收益gt。
下层模型的约束如下：
所述下层模型的约束包括：分布式电源运行约束、储能充放电运行约束、微网间功率交换约束、切负荷功率约束、配电网馈线上的关键负荷恢复量约束、可控分布式电源燃料总量约束、削峰率指标约束；
在上述方案的基础上，所述(1)分布式电源运行约束：
所述分布式电源运行约束为第y年运行场景s下微网i内DDG单元和NDDG单元的运行约束；
Figure BDA0002330763990000091
Figure BDA0002330763990000092
Figure BDA0002330763990000093
Figure BDA0002330763990000094
Figure BDA0002330763990000095
Figure BDA0002330763990000096
Figure BDA0002330763990000097
分别为微网内的NDDG单元在场景下时段内输出功率和切除功率，
Figure BDA0002330763990000098
为微网内的DDG单元在场景下时段内输出功率，
Figure BDA0002330763990000099
描述其运行状态的二进制变量，UTi、DTi为最短开、关机时间。
(2)储能充放电运行约束：
所述储能充放电运行约束为第y年运行场景s下微网i内储能装置的充放电运行约束；
Figure BDA00023307639900000910
Figure BDA0002330763990000101
Figure BDA0002330763990000102
Figure BDA0002330763990000103
Figure BDA0002330763990000104
Figure BDA0002330763990000105
Figure BDA0002330763990000106
其中，
Figure BDA0002330763990000107
为描述储能运行状态的二进制变量，
Figure BDA0002330763990000108
为1时，储能处于放电状态，否则储能处于充电或闲置状态，K表示储能充放电次数上限值，即该场景内储能的充放电循环次数应不超过K/2，在本文中规定一天内最高充放电循环次数为2次，Ei.y.s.t为微网i内的储能在场景s下时段t内的储存电量，η为储能放电效率，储能初始荷电状态为给定值Ei.y.s.0。
Figure BDA0002330763990000109
和
Figure BDA00023307639900001010
分别表示储能的额定功率和额定容量。
(3)微网间功率交换约束
所述微网间功率交换约束为第y年运行场景s下微网间功率交换约束；
Figure BDA00023307639900001011
Figure BDA00023307639900001012
Figure BDA00023307639900001013
其中，
Figure BDA00023307639900001014
表示为微网i在场景s下t时段内的负荷功率。
所述微网间功率交换约束包括：正常运行场景下的微网间功率交换约束、一般故障场景下的微网间功率交换约束、极端故障场景下的微网间功率交换约束；
所述正常运行场景下的微网间功率交换约束为：
Figure BDA0002330763990000111
Figure BDA0002330763990000112
所述一般故障场景下的微网间功率交换约束为：
Figure BDA0002330763990000113
Figure BDA0002330763990000114
Figure BDA0002330763990000115
Figure BDA0002330763990000116
其中，
Figure BDA0002330763990000117
表示为地理位置相近的、不受故障影响且正常并网运行的微网gcs的上级电网购电功率。
所述极端故障场景下的微网间功率交换约束为：
Figure BDA0002330763990000118
Figure BDA0002330763990000119
Figure BDA00023307639900001110
(4)切负荷功率约束：
Figure BDA00023307639900001111
(5)配电网馈线上的关键负荷恢复量约束：
Figure BDA00023307639900001112
其中，
Figure BDA00023307639900001113
为时段t内配电网关键负荷待恢复功率。
(6)可控分布式电源燃料总量约束
Figure BDA0002330763990000121
其中，
Figure BDA0002330763990000122
为极端场景s下微网i内的DDG单元发电量上限值。
(7)削峰率指标约束
下层运行优化约束条件在短期储能配置优化模型的基础上增加了削峰率指标约束，考虑了储能在正常运行和一般故障场景下所发挥的削峰填谷作用。
Figure BDA0002330763990000123
Figure BDA0002330763990000124
Figure BDA0002330763990000125
Figure BDA0002330763990000126
其中，微网i在第y年场景s下的原负荷峰谷差ζi.y.s；考虑储能充放电运行和各级切负荷功率后，由上式计算得到微网i在第y年场景s时段t内的等效负荷功率
Figure BDA0002330763990000127
在ζi.y.s的基础上，前后两个时段的等效负荷功率之差受到该场景下削峰率λi.y.s的制约，并规定各场景下的削峰率在上下限值
Figure BDA0002330763990000128
λ之间。
在上述方案的基础上，所述风险控制策略
在一定置信度α％下，储能配置在未来特定时期内所面临的损失△P最高不会超过VaR，如下式所示
P(△P≤VaR)＝α％ (62)
其中，△P指在一定的时期内储能配置的变化。
若设定投资组合的随机损失为△P，在投资组合的损失超过某个给定VaRα值的条件下，该投资组合的平均损失期望值的其数学表达式如下式所示：
CVaRα＝E(△P|△P≥VaRα) (63)
在风险中性策略下，微网投资者不考虑不确定性因素带来的投资和运行成本波动，通过对一组已知出现概率的初始场景
Figure BDA0002330763990000133
进行分析，以整体的成本期望值最低为目标做出决策，其中Cs为场景s下的总成本函数，Pr(s)为场景s的出现概率。
风险中性策略下的优化目标表示为下式：
Figure BDA0002330763990000131
OF1＝minEs(Cs) (65)
在风险规避策略下，微网投资者基于对规划和运行过程中不确定性因素的分析，对出现概率较小，但造成后果较严重的极端场景进行风险分析，基于这部分极端场景，做出风险规避策略下的微网规划方案，并采用CVaR作为衡量风险值大小的指标。
假设计算不同运行场景下的总成本函数值Cs后，统计得到概率密度和累计概率密度分布如图2所示。根据VaR的定义，在所有运行场景中占比为α的场景下，最大成本函数值不会超过Es(Cs)+VaRα；而CVaR关注的是在所有场景中占比为(1-α)的场景集合下，在Es(Cs)+VaRα基础上多支出成本的期望值，其中
Figure BDA0002330763990000132
为总成本超过Es(Cs)+VaRα的运行场景，即极端场景集合。
因此，在风险规避策略下的目标函数设为：
OF2＝minEs(Cs)+CVaRα (66)
Figure BDA0002330763990000141
Figure BDA0002330763990000142
OF2＝minEs(Cs)+CVaRα (69)
本发明的有益效果：
本发明提供了一种互联微网储能配置扩容优化方法，在互联微网的长期运行过程中，使运行经济性、供电可靠性、韧性得以提升，投资风险得以规避。
附图说明
本发明有如下附图：
图1为互联微网储能配置扩容优化计算流程图。
图2a为概率密度分布的示意图；
图2b为累计概率密度分布的示意图。
图3为含三个微网的互联微网作为算例的系统图。
具体实施方式
为了更清楚地说明本发明，下面对本发明提出的模型和求解方法做进一步的说明。
(1)光伏概率模型
光伏单元的出力取决于入射光的角度和强度，光照辐射强度在短期内近似满足Beta分布，光照辐射强度的概率密度函数如下式所示：
Figure BDA0002330763990000151
其中：G、Gmax分别为某时段内实际的光照辐射强度及其最大值，Γ(·)表示Gamma函数，γ和β均为Beta分布的形状系数；
γ和β分别通过公式(2)、(3)统计一定时段内光照辐射强度的均值μNG和方差
Figure BDA0002330763990000152
后得出：
Figure BDA0002330763990000153
Figure BDA0002330763990000154
光伏各时段的出力通过由下式求得，因此，光伏各时段的出力PNG也服从Beta分布，光伏各时段的出力PNG概率密度函数如公式(5)所示：
Figure BDA0002330763990000155
Figure BDA0002330763990000156
其中：PSTG为光伏单元在标准状况下的出力值；GING、GSTG分别为实际状况和标准状况下的光照辐射强度；k为温度系数，TC、Tref分别为光伏池板温度和标准状况下的环境温度；Pmax为光伏单元的最大出力值。
(2)负荷概率模型
基于对大量历史负荷数据和文献资料的分析，可以得出描述负荷预测误差的概率分布函数，可以采用正态分布模拟负荷预测过程出现的不确定性，正态分布的均值μL作为负荷功率预测值，正态分布的方差
Figure BDA0002330763990000161
模拟负荷波动的大小，负荷功率波动PL的概率密度函数如下式所示：
Figure BDA0002330763990000162
设置规划周期为10年，考虑到负荷峰值、不可调度的分布式电源(NDDG)单元和可调度的分布式电源(DDG)单元配置容量的逐年增长，通过求解双层优化模型，对各微网内储能额定容量和额定功率进行优化，制定逐年更新的储能扩容计划。
在双层优化模型中，上层模型考虑了储能长期运行所带来的延缓配电网设备升级改造收益，以储能单元扩容后第y年的互联微网年成本净现值Cy.s最低为目标，在第y-1年各微网内储能配置容量的基础上，对该年各微网内增设的储能单元容量进行优化；下层模型中考虑储能所发挥的削峰填谷功能，在各场景内考虑增设储能后的削峰率指标约束，以互联微网在第y年各运行场景下的运行总成本最低为目标，制定最优运行策略。
在双层优化模型中，变量下标
Figure BDA0002330763990000163
表示以年为单位的规划阶段。
所述双层优化模型中的上层模型的目标函数为：
Figure BDA0002330763990000164
Figure BDA0002330763990000165
Figure BDA0002330763990000166
Figure BDA0002330763990000171
Figure BDA0002330763990000172
Figure BDA0002330763990000173
Figure BDA0002330763990000174
Figure BDA0002330763990000175
其中，上层模型以第y年各微网内储能扩容后的年成本净现值Cy.s最低为目标，在第(y-1)年的基础上，对微网
Figure BDA0002330763990000176
内第y年储能额定容量
Figure BDA0002330763990000177
和额定功率
Figure BDA0002330763990000178
进行优化，上层模型的目标函数中包括第y年进行储能扩容后所需的年等值投资成本
Figure BDA0002330763990000179
年运行维护成本
Figure BDA00023307639900001710
年安装成本
Figure BDA00023307639900001711
考虑多个运行场景后计算得到的总运行成本期望值
Figure BDA00023307639900001712
以及储能延缓配电网设备更新升级的收益
Figure BDA00023307639900001713
其中，互联微网的运行成本期望值由第y年运行场景
Figure BDA00023307639900001714
下优化得出的最优运行成本
Figure BDA00023307639900001715
及其出现概率Pr(s)求得。其中，cP是单位功率投资成本，cE是单位容量投资成本，cs是单位安装成本，
Figure BDA00023307639900001716
和
Figure BDA00023307639900001717
分别是第y年储能的额定配置功率和容量。
配置储能后延缓配电网设备更新升级的收益由配电网设备投资成本cd、折现率r及储能延缓电网升级的年数△Ni.y求得。△Ni.y是所配置的储能装置能够在满足负荷要求下的使用年限，与负荷峰值的年增长率R3和储能扩容后的削峰率λi.y有关，在第y年微网i内削峰率λi.y是综合考虑多个运行场景下的削峰率λi.y.s及其出现概率Pr(s)后求得的期望值。
为了在有效拟合该非线性函数的同时，方便模型求解，对
Figure BDA0002330763990000181
函数进行线性化处理后得到下式：
Figure BDA0002330763990000182
上层模型的约束如下：
所述上层模型的约束包括：第y年进行储能扩容时的初期投资上限约束、储能的额定容量和额定功率下限约束、第y年内互联微网的供电可靠性约束和韧性指标约束、DDG、NDDG单元配置容量和各级负荷峰值逐年增长约束；
1)所述第y年进行储能扩容时的初期投资上限约束为：
Figure BDA0002330763990000183
其中，LTIFy为第y年储能投资上限。
2)所述储能的额定容量和额定功率下限约束为：
Figure BDA0002330763990000184
Figure BDA0002330763990000185
Figure BDA0002330763990000186
其中，
Figure BDA0002330763990000187
和
Figure BDA0002330763990000188
分别为I级和II级峰值负荷，
Figure BDA0002330763990000189
和SoC分别为储能单元荷电状态上下限。
3)所述第y年内互联微网的供电可靠性约束和韧性指标约束为：
Figure BDA00023307639900001810
Figure BDA00023307639900001811
其中，
Figure BDA00023307639900001812
为可靠性指标上限，TΙ.i.s和TΙΙ.i.s分别为微网在场景下的I、II级负荷停电时间，γI和γII分别为I、II级负荷关键程度的权重系数。
4)所述DDG、NDDG单元配置容量和各级负荷峰值逐年增长约束：
Figure BDA0002330763990000191
上述公式表示模型中考虑了微网内DDG单元配置容量
Figure BDA0002330763990000192
NDDG单元
Figure BDA0002330763990000193
和各级负荷峰值
Figure BDA0002330763990000194
的逐年增长，其中R1、R2、R3分别为DDG单元、NDDG单元配置容量和各级负荷峰值的年增长率。
所述双层优化模型中的下层模型的目标函数为：
Figure BDA0002330763990000195
Figure BDA0002330763990000196
Figure BDA0002330763990000197
Figure BDA0002330763990000198
Figure BDA0002330763990000199
Figure BDA00023307639900001910
Figure BDA00023307639900001911
下层模型以第y年各运行场景s下运行成本
Figure BDA00023307639900001912
最低为目标，对各运行场景下
Figure BDA00023307639900001913
的运行策略进行优化，目标函数包括DDG机组燃料成本
Figure BDA00023307639900001914
启停成本
Figure BDA00023307639900001915
上级电网购电成本
Figure BDA00023307639900001916
切负荷损失成本
Figure BDA00023307639900001917
储能衰退成本
Figure BDA00023307639900001918
恢复配电网关键负荷收益
Figure BDA00023307639900001919
其中，
Figure BDA00023307639900001920
分别为切负荷功率、NDDG单元切除功率和恢复配电网关键负荷功率；
Figure BDA0002330763990000201
分别为DDG单元输出功率、微网i向上级电网购电功率和储能放电功率；
Figure BDA0002330763990000202
△Pi.s.t,分别为储能充电功率和微网i的出口不平衡功率；△P'i.s.t,Ei.y.s.t,
Figure BDA0002330763990000203
分别为考虑线损率后的出口不平衡功率、微网i在第y年场景s下t时段内的储能储存电量和描述储能运行状态的二进制变量；,
Figure BDA0002330763990000204
μi.y.s.t,ξi.y.s.tTi.y.s,分别为表示状态的二进制变量和停电时间；cf表示为DDG机组的单位燃料成本；cU和cD分别为机组的单位启、停机成本；mt为单位电网购电成本；cl为负荷停电惩罚成本；gt为单位微网负荷售电电价；ct为恢复配电网关键负荷供电的单位收益。
其中，切负荷损失成本既包括与切负荷功率
Figure BDA0002330763990000205
成正比的负荷停电惩罚成本，又包括停电后减少的售电收益gt。
下层模型的约束如下：
所述下层模型的约束包括：分布式电源运行约束、储能充放电运行约束、微网间功率交换约束、切负荷功率约束、配电网馈线上的关键负荷恢复量约束、可控分布式电源燃料总量约束、削峰率指标约束；
(1)分布式电源运行约束：
所述分布式电源运行约束为第y年运行场景s下微网i内DDG单元和NDDG单元的运行约束；
Figure BDA0002330763990000206
Figure BDA0002330763990000207
Figure BDA0002330763990000208
Figure BDA0002330763990000211
Figure BDA0002330763990000212
Figure BDA0002330763990000213
Figure BDA0002330763990000214
分别为微网内的NDDG单元在场景下时段内输出功率和切除功率，
Figure BDA0002330763990000215
为微网内的DDG单元在场景下时段内输出功率，
Figure BDA0002330763990000216
描述其运行状态的二进制变量，UTi、DTi为最短开、关机时间。
(2)储能充放电运行约束：
所述储能充放电运行约束为第y年运行场景s下微网i内储能装置的充放电运行约束；
Figure BDA0002330763990000217
Figure BDA0002330763990000218
Figure BDA0002330763990000219
Figure BDA00023307639900002110
Figure BDA00023307639900002111
Figure BDA00023307639900002112
Figure BDA00023307639900002113
其中，
Figure BDA00023307639900002114
为描述储能运行状态的二进制变量，
Figure BDA00023307639900002115
为1时，储能处于放电状态，否则储能处于充电或闲置状态，K表示储能充放电次数上限值，即该场景内储能的充放电循环次数应不超过K/2，在本文中规定一天内最高充放电循环次数为2次，Ei.y.s.t为微网i内的储能在场景s下时段t内的储存电量，η为储能放电效率，储能初始荷电状态为给定值Ei.y.s.0。
Figure BDA0002330763990000221
和
Figure BDA0002330763990000222
分别表示储能的额定功率和额定容量。
(3)微网间功率交换约束
所述微网间功率交换约束为第y年运行场景s下微网间功率交换约束；
Figure BDA0002330763990000223
Figure BDA0002330763990000224
Figure BDA0002330763990000225
其中，
Figure BDA0002330763990000226
表示为微网i在场景s下t时段内的负荷功率。
所述微网间功率交换约束包括：正常运行场景下的微网间功率交换约束、一般故障场景下的微网间功率交换约束、极端故障场景下的微网间功率交换约束；
所述正常运行场景下的微网间功率交换约束为：
Figure BDA0002330763990000227
Figure BDA0002330763990000228
所述一般故障场景下的微网间功率交换约束为：
Figure BDA0002330763990000229
Figure BDA00023307639900002210
Figure BDA00023307639900002211
Figure BDA00023307639900002212
其中，
Figure BDA00023307639900002213
表示为地理位置相近的、不受故障影响且正常并网运行的微网gcs的上级电网购电功率。
所述极端故障场景下的微网间功率交换约束为：
Figure BDA0002330763990000231
Figure BDA0002330763990000232
Figure BDA0002330763990000233
(4)切负荷功率约束：
Figure BDA0002330763990000234
(5)配电网馈线上的关键负荷恢复量约束：
Figure BDA0002330763990000235
其中，
Figure BDA0002330763990000236
为时段t内配电网关键负荷待恢复功率。
(6)可控分布式电源燃料总量约束
Figure BDA0002330763990000237
其中，
Figure BDA0002330763990000238
为极端场景s下微网i内的DDG单元发电量上限值。
(7)削峰率指标约束
下层运行优化约束条件在短期储能配置优化模型的基础上增加了削峰率指标约束，考虑了储能在正常运行和一般故障场景下所发挥的削峰填谷作用。
Figure BDA0002330763990000239
Figure BDA00023307639900002310
Figure BDA00023307639900002311
Figure BDA00023307639900002312
其中，微网i在第y年场景s下的原负荷峰谷差ζi.y.s；考虑储能充放电运行和各级切负荷功率后，由上式计算得到微网i在第y年场景s时段t内的等效负荷功率
Figure BDA0002330763990000241
在ζi.y.s的基础上，前后两个时段的等效负荷功率之差受到该场景下削峰率λi.y.s的制约，并规定各场景下的削峰率在上下限值
Figure BDA0002330763990000242
λ之间。
以下是本文用到的风险控制策略
在一定置信度α％下，储能配置在未来特定时期内所面临的损失△P最高不会超过VaR，如下式所示
P(△P≤VaR)＝α％ (62)
其中，△P指在一定的时期内储能配置的变化。
若设定投资组合的随机损失为△P，在投资组合的损失超过某个给定VaRα值的条件下，该投资组合的平均损失期望值的其数学表达式如下式所示：
CVaRα＝E(△P|△P≥VaRα) (63)
在风险中性策略下，微网投资者不考虑不确定性因素带来的投资和运行成本波动，通过对一组已知出现概率的初始场景
Figure BDA0002330763990000243
进行分析，以整体的成本期望值最低为目标做出决策，其中Cs为场景s下的总成本函数，Pr(s)为场景s的出现概率。
风险中性策略下的优化目标表示为下式：
Figure BDA0002330763990000244
OF1＝minEs(Cs) (65)
在风险规避策略下，微网投资者基于对规划和运行过程中不确定性因素的分析，对出现概率较小，但造成后果较严重的极端场景进行风险分析，基于这部分极端场景，做出风险规避策略下的微网规划方案，并采用CVaR作为衡量风险值大小的指标。
假设计算不同运行场景下的总成本函数值Cs后，统计得到概率密度和累计概率密度分布如图2所示。根据VaR的定义，在所有运行场景中占比为α的场景下，最大成本函数值不会超过Es(Cs)+VaRα；而CVaR关注的是在所有场景中占比为(1-α)的场景集合下，在Es(Cs)+VaRα基础上多支出成本的期望值，其中
Figure BDA0002330763990000251
为总成本超过Es(Cs)+VaRα的运行场景，即极端场景集合。
因此，在风险规避策略下的目标函数设为：
OF2＝min Es(Cs)+CVaRα (66)
Figure BDA0002330763990000252
Figure BDA0002330763990000253
OF2＝minEs(Cs)+CVaRα (69)
基于互联微网多阶段的储能容量双层优化配置模型，对互联微网内的储能容量配置扩容方案进行逐年优化，优化流程图如图1所示。
采用图3所示的含三个微网的互联微网作为算例系统，将微网的规划周期设为10年，本文提出的方法的具体计算步骤如下：
(1)基于对光伏单元的出力和负荷功率需求等不确定性因素的分析，分别建立描述光照辐射强度的概率密度函数和负荷功率波动的概率密度函数，基于历史负荷数据和文献资料，获取光伏和负荷概率模型中的相关参数，具体参数包括μL,σL,γ,β,Pmax，并对各微网中发电单元的配置、各级负荷占比进行初始化；
(2)由建立的光照辐射强度的概率密度函数和负荷功率波动的概率密度函数而生成光伏和负荷的累计分布函数曲线，基于光伏和负荷的累计分布函数曲线进行拉丁超立方抽样法生成含1000个初始场景的集合
Figure BDA0002330763990000261
各子场景中包含一天内各时段的光伏单元出力和各微网内的负荷功率，在双层优化模型中，上层模型的目标函数以储能单元扩容后第y年的互联微网年成本净现值Cy.s最低为目标，在第y-1年各微网内储能配置容量的基础上，对该年各微网内增设的储能单元容量进行优化；下层模型的目标函数以互联微网在第y年各运行场景下的运行总成本
Figure BDA0002330763990000262
最低为目标，设置规划周期，构建多阶段互联微网储能容量双层优化模型，并设置y＝1在双层优化模型中，变量下标y，
Figure BDA0002330763990000263
表示以年为单位的规划阶段；
(3)采用CPLEX对初始场景集合
Figure BDA0002330763990000264
中各子场景下的双层优化模型进行求解，得到第y年在不同场景下的总成本函数值，并统计总成本函数值概率分布特性；
(4)在构建的风险控制策略下，基于第y年互联微网总成本函数值概率分布特性的统计结果，生成的极端场景集合，采用同步回代削减法削减为含10个场景的集合后，采用CPLEX对该策略下第y年各微网的储能扩容方案进行求解；
(5)判断y是否为10，若y≠10则令y＝y+1后，更新第y年的各微网内的微源配置和负荷峰值功率后返回步骤(3)步，直到得到在给定风险策略下10年内的互联微网储能扩容方案。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (6)

1.一种互联微网储能扩容优化方法，其特征在于，包括如下步骤：
步骤1：基于对光伏单元的出力和负荷功率需求的不确定性因素的分析，分别建立描述光照辐射强度的概率密度函数和负荷功率波动的概率密度函数，基于历史负荷数据，获取光伏和负荷概率模型中的相关参数，相关参数包括正态分布的均值μL，正态分布的标准差σL，Beta分布的形状系数γ、β,光伏单元的最大出力值Pmax，并对各微网中发电单元的配置、Ι,ΙΙ,ΙΙΙ各级负荷占比进行初始化；
步骤2：由建立的光照辐射强度的概率密度函数和负荷功率波动的概率密度函数而生成光伏和负荷的累计分布函数曲线，基于光伏和负荷的累计分布函数曲线进行拉丁超立方抽样法生成含1000个初始场景的集合
Figure FDA0003018771740000011
各子场景中包含一天内各时段的光伏单元出力和各微网内的负荷功率，设置规划周期，构建多阶段互联微网储能容量双层优化模型，在双层优化模型中，上层模型的目标函数以储能单元扩容后第y年的互联微网年成本净现值Cy.s最低为目标，在第y-1年各微网内储能配置容量的基础上，对该年各微网内增设的储能单元容量进行优化；下层模型的目标函数以互联微网在第y年各运行场景下的运行总成本
Figure FDA0003018771740000012
最低为目标，制定最优运行策略，并设置y的初始值为1，在双层优化模型中，变量下标y，
Figure FDA0003018771740000013
表示以年为单位的规划阶段；
步骤3：采用CPLEX对初始场景的集合
Figure FDA0003018771740000014
中各子场景下的双层优化模型进行求解，得到第y年在不同场景下的总成本函数值Cs，并统计总成本函数值概率分布特性；
步骤4：在构建的风险控制策略下，基于第y年总成本函数值概率分布特性的统计结果，生成的极端场景集合，采用同步回代削减法削减为含10个场景的集合后，采用CPLEX对该策略下第y年各微网的储能扩容方案进行求解；
步骤5：判断y是否为10，若y≠10则令y＝y+1后，更新第y年的各微网内的微源配置和负荷峰值功率后返回步骤3，直到得到在给定风险策略下10年内的互联微网储能扩容方案；
步骤2所述上层模型的目标函数为：
Figure FDA0003018771740000021
Figure FDA0003018771740000022
Figure FDA0003018771740000023
Figure FDA0003018771740000024
Figure FDA0003018771740000025
Figure FDA0003018771740000026
Figure FDA0003018771740000027
Figure FDA0003018771740000028
其中，上层模型以第y年各微网内储能扩容后的年成本净现值Cy.s最低为目标，在第y-1年的基础上，对微网i，
Figure FDA0003018771740000029
内第y年储能额定容量
Figure FDA00030187717400000210
和额定功率
Figure FDA00030187717400000211
进行优化，上层模型的目标函数中包括第y年进行储能扩容后所需的年等值投资成本
Figure FDA00030187717400000212
年运行维护成本
Figure FDA00030187717400000213
年安装成本
Figure FDA00030187717400000214
考虑多个运行场景后计算得到的总运行成本期望值
Figure FDA0003018771740000031
以及储能延缓配电网设备更新升级的收益
Figure FDA0003018771740000032
其中，互联微网的运行成本期望值由第y年运行场景s，
Figure FDA0003018771740000033
下优化得出的最优运行成本
Figure FDA0003018771740000034
及其出现概率Pr(s)求得；其中，cP是单位功率投资成本，cE是单位容量投资成本，cs是单位安装成本，
Figure FDA0003018771740000035
和
Figure FDA0003018771740000036
分别是第y年储能的额定配置功率和容量；
配置储能后延缓配电网设备更新升级的收益由配电网设备投资成本cd、折现率r及储能延缓电网升级的年数△Ni.y求得；△Ni.y是所配置的储能装置能够在满足负荷要求下的使用年限，与负荷峰值的年增长率R3和储能扩容后的削峰率λi.y有关，在第y年微网i内削峰率λi.y是综合考虑多个运行场景下的削峰率λi.y.s及其出现概率Pr(s)后求得的期望值；
为了在有效拟合非线性函数的同时，方便模型求解，对
Figure FDA0003018771740000037
函数进行线性化处理后得到下式：
Figure FDA0003018771740000038
上层模型的约束包括：第y年进行储能扩容时的初期投资上限约束、储能的额定容量和额定功率下限约束、第y年内互联微网的供电可靠性约束和韧性指标约束、DDG、NDDG单元配置容量和各级负荷峰值逐年增长约束；
步骤4所述的风险控制策略具体为：
在一定置信度α％下，储能配置在未来特定时期内所面临的损失△P最高不会超过VaR，如下式所示
P(△P≤VaR)＝α％ (62)
其中，△P指在一定的时期内储能配置的变化；
若设定投资组合的随机损失为△P，在投资组合的损失超过某个给定VaRα值的条件下，该投资组合的平均损失期望值的其数学表达式如下式所示：
CVaRα＝E(△P|△P≥VaRα) (63)
在风险中性策略下，不考虑不确定性因素带来的投资和运行成本波动，通过对一组已知出现概率的初始场景
Figure FDA0003018771740000041
进行分析，以整体的成本期望值最低为目标做出决策，其中Cs为场景s下的总成本函数，Pr(s)为场景s的出现概率；
风险中性策略下的优化目标表示为下式：
Figure FDA0003018771740000042
OF1＝min Es(Cs) (65)
在风险规避策略下，基于对规划和运行过程中不确定性因素的分析，对出现概率较小，但造成后果较严重的极端场景进行风险分析，基于这部分极端场景，做出风险规避策略下的微网规划方案，并采用CVaR作为衡量风险值大小的指标；
假设计算不同运行场景下的总成本函数值Cs后，统计得到概率密度和累计概率密度分布；根据VaR的定义，在所有运行场景中占比为α的场景下，最大成本函数值不会超过Es(Cs)+VaRα；而CVaR关注的是在所有场景中占比为(1-α)的场景集合下，在Es(Cs)+VaRα基础上多支出成本的期望值，其中
Figure FDA0003018771740000043
为总成本超过Es(Cs)+VaRα的运行场景，即极端场景集合；
因此，在风险规避策略下的目标函数设为：
OF2＝min Es(Cs)+CVaRα (66)
Figure FDA0003018771740000051
Figure FDA0003018771740000052
OF2＝min Es(Cs)+CVaRα (69)。
2.如权利要求1所述的互联微网储能扩容优化方法，其特征在于，光伏单元的出力取决于入射光的角度和强度，光照辐射强度在短期内满足Beta分布，步骤1所述的光照辐射强度的概率密度函数如下所示：
Figure FDA0003018771740000053
其中：G、Gmax分别为某时段内实际的光照辐射强度及其最大值，Γ(·)表示Gamma函数，γ和β均为Beta分布的形状系数；
γ和β分别通过公式(2)、(3)统计一定时段内光照辐射强度的均值μNG和方差
Figure FDA0003018771740000054
后得出：
Figure FDA0003018771740000055
Figure FDA0003018771740000056
光伏各时段的出力通过式(4)求得，因此，光伏各时段的出力PNG也服从Beta分布，光伏各时段的出力PNG概率密度函数如公式(5)所示：
Figure FDA0003018771740000057
Figure FDA0003018771740000061
其中：PSTG为光伏单元在标准状况下的出力值；GING、GSTG分别为实际状况和标准状况下的光照辐射强度；k为温度系数，TC、Tref分别为光伏池板温度和标准状况下的环境温度；Pmax为光伏单元的最大出力值。
3.如权利要求1所述的互联微网储能扩容优化方法，其特征在于，基于对历史负荷数据的分析，得出描述负荷预测误差的概率分布函数，采用正态分布模拟负荷预测过程出现的不确定性，正态分布的均值μL作为负荷功率预测值，正态分布的方差
Figure FDA0003018771740000062
模拟负荷波动的大小，负荷功率波动PL的概率密度函数如下式所示：
Figure FDA0003018771740000063
4.如权利要求1所述的互联微网储能扩容优化方法，其特征在于，所述第y年进行储能扩容时的初期投资上限约束为：
Figure FDA0003018771740000064
其中，LTIFy为第y年储能投资上限；
所述储能的额定容量和额定功率下限约束为：
Figure FDA0003018771740000065
Figure FDA0003018771740000066
Figure FDA0003018771740000067
其中，
Figure FDA0003018771740000068
和
Figure FDA0003018771740000069
分别为I级和II级峰值负荷，
Figure FDA00030187717400000610
和SoC分别为储能单元荷电状态上下限；
所述第y年内互联微网的供电可靠性约束和韧性指标约束为：
Figure FDA0003018771740000071
Figure FDA0003018771740000072
其中，
Figure FDA0003018771740000073
为可靠性指标上限，TΙ.i.s和TΙΙ.i.s分别为微网在场景下的I、II级负荷停电时间，γI和γII分别为I、II级负荷关键程度的权重系数；
所述DDG、NDDG单元配置容量和各级负荷峰值逐年增长约束：
Figure FDA0003018771740000074
上述公式表示模型中考虑了微网内DDG单元配置容量
Figure FDA0003018771740000075
NDDG单元
Figure FDA0003018771740000076
和各级负荷峰值
Figure FDA0003018771740000077
的逐年增长，其中R1、R2、R3分别为DDG单元、NDDG单元配置容量和各级负荷峰值的年增长率。
5.如权利要求1所述的互联微网储能扩容优化方法，其特征在于，所述的下层模型的目标函数为：
Figure FDA0003018771740000078
Figure FDA0003018771740000079
Figure FDA00030187717400000710
Figure FDA00030187717400000711
Figure FDA00030187717400000712
Figure FDA00030187717400000713
Figure FDA0003018771740000081
下层模型以第y年各运行场景s下运行成本
Figure FDA0003018771740000082
最低为目标，对各运行场景下
Figure FDA0003018771740000083
的运行策略进行优化，目标函数包括DDG机组燃料成本
Figure FDA0003018771740000084
启停成本
Figure FDA0003018771740000085
上级电网购电成本
Figure FDA0003018771740000086
切负荷损失成本
Figure FDA0003018771740000087
储能衰退成本
Figure FDA0003018771740000088
恢复配电网关键负荷收益
Figure FDA0003018771740000089
其中，
Figure FDA00030187717400000810
分别为切负荷功率、NDDG单元切除功率和恢复配电网关键负荷功率；
Figure FDA00030187717400000811
分别为DDG单元输出功率、微网i向上级电网购电功率和储能放电功率；
Figure FDA00030187717400000812
△Pi.s.t,分别为储能充电功率和微网i的出口不平衡功率；△P'i.s.t,Ei.y.s.t,
Figure FDA00030187717400000813
分别为考虑线损率后的出口不平衡功率、微网i在第y年场景s下t时段内的储能储存电量和描述储能运行状态的二进制变量；
Figure FDA00030187717400000814
μi.y.s.t,ξi.y.s.t,Ti.y.s,分别为表示状态的二进制变量和停电时间；cf表示为DDG机组的单位燃料成本；cU和cD分别为机组的单位启、停机成本；mt为单位电网购电成本；cl为负荷停电惩罚成本；gt为单位微网负荷售电电价；ct为恢复配电网关键负荷供电的单位收益；
Figure FDA00030187717400000815
表示微网i在第y年场景s时段t内的等效负荷功率；
其中，切负荷损失成本既包括与切负荷功率
Figure FDA00030187717400000816
成正比的负荷停电惩罚成本，又包括停电后减少的售电收益gt；
下层模型的约束包括：分布式电源运行约束、储能充放电运行约束、微网间功率交换约束、切负荷功率约束、配电网馈线上的关键负荷恢复量约束、可控分布式电源燃料总量约束、削峰率指标约束。
6.如权利要求5所述的互联微网储能扩容优化方法，其特征在于，所述分布式电源运行约束为第y年运行场景s下微网i内DDG单元和NDDG单元的运行约束；
Figure FDA0003018771740000091
Figure FDA0003018771740000092
Figure FDA0003018771740000093
Figure FDA0003018771740000094
Figure FDA0003018771740000095
Figure FDA0003018771740000096
Figure FDA0003018771740000097
分别为微网内的NDDG单元在场景下时段内输出功率和切除功率，
Figure FDA0003018771740000098
为微网内的DDG单元在场景下时段内输出功率，
Figure FDA0003018771740000099
描述其运行状态的二进制变量，UTi、DTi为最短开、关机时间；
所述储能充放电运行约束为第y年运行场景s下微网i内储能装置的充放电运行约束；
Figure FDA00030187717400000910
Figure FDA00030187717400000911
Figure FDA00030187717400000912
Figure FDA00030187717400000913
Figure FDA00030187717400000914
Figure FDA00030187717400000915
Figure FDA00030187717400000916
其中，
Figure FDA0003018771740000101
为描述储能运行状态的二进制变量，
Figure FDA0003018771740000102
为1时，储能处于放电状态，否则储能处于充电或闲置状态，K表示储能充放电次数上限值，即该场景内储能的充放电循环次数应不超过K/2，并规定一天内最高充放电循环次数为2次，Ei.y.s.t为微网i内的储能在场景s下时段t内的储存电量，η为储能放电效率，储能初始荷电状态为给定值Ei.y.s.0；
Figure FDA0003018771740000103
和
Figure FDA0003018771740000104
分别表示储能的额定功率和额定容量；
Figure FDA0003018771740000105
和SoC分别为储能单元荷电状态上下限；
所述微网间功率交换约束为第y年运行场景s下微网间功率交换约束；
Figure FDA0003018771740000106
Figure FDA0003018771740000107
Figure FDA0003018771740000108
其中，
Figure FDA0003018771740000109
表示为微网i在场景s下t时段内的负荷功率；
所述微网间功率交换约束包括：正常运行场景下的微网间功率交换约束、一般故障场景下的微网间功率交换约束、极端故障场景下的微网间功率交换约束；
所述正常运行场景下的微网间功率交换约束为：
Figure FDA00030187717400001010
Figure FDA00030187717400001011
所述一般故障场景下的微网间功率交换约束为：
Figure FDA0003018771740000111
Figure FDA0003018771740000112
Figure FDA0003018771740000113
Figure FDA0003018771740000114
其中，
Figure FDA0003018771740000115
表示为地理位置相近的、不受故障影响且正常并网运行的微网gcs的上级电网购电功率；
所述极端故障场景下的微网间功率交换约束为：
Figure FDA0003018771740000116
Figure FDA0003018771740000117
Figure FDA0003018771740000118
所述切负荷功率约束为：
Figure FDA0003018771740000119
所述配电网馈线上的关键负荷恢复量约束为：
Figure FDA00030187717400001110
其中，
Figure FDA00030187717400001111
为时段t内配电网关键负荷待恢复功率；
所述可控分布式电源燃料总量约束为：
Figure FDA00030187717400001112
其中，
Figure FDA00030187717400001113
为极端场景s下微网i内的DDG单元发电量上限值；
所述削峰率指标约束为：
下层运行优化约束条件在短期储能配置优化模型的基础上增加了削峰率指标约束，考虑了储能在正常运行和一般故障场景下所发挥的削峰填谷作用；
Figure FDA0003018771740000121
Figure FDA0003018771740000122
Figure FDA0003018771740000123
Figure FDA0003018771740000124
其中，微网i在第y年场景s下的原负荷峰谷差ζi.y.s；考虑储能充放电运行和各级切负荷功率后，由上式计算得到微网i在第y年场景s时段t内的等效负荷功率
Figure FDA0003018771740000125
在ζi.y.s的基础上，前后两个时段的等效负荷功率之差受到该场景下削峰率λi.y.s的制约，并规定各场景下的削峰率在上下限值
Figure FDA0003018771740000126
λ之间。
CN201911335261.8A 2019-12-23 2019-12-23 互联微网储能配置扩容优化方法 Active CN111200281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911335261.8A CN111200281B (zh) 2019-12-23 2019-12-23 互联微网储能配置扩容优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911335261.8A CN111200281B (zh) 2019-12-23 2019-12-23 互联微网储能配置扩容优化方法

Publications (2)

Publication Number Publication Date
CN111200281A CN111200281A (zh) 2020-05-26
CN111200281B true CN111200281B (zh) 2021-06-08

Family

ID=70747181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911335261.8A Active CN111200281B (zh) 2019-12-23 2019-12-23 互联微网储能配置扩容优化方法

Country Status (1)

Country Link
CN (1) CN111200281B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639819B (zh) * 2020-06-08 2022-09-30 天津大学 一种综合能源园区多阶段优化控制方法
CN111969595B (zh) * 2020-07-28 2023-04-18 电子科技大学 一种在离网/并网下水光蓄混合能源系统的运行优化方法
CN111861794B (zh) * 2020-07-30 2024-04-12 国网能源研究院有限公司 考虑概率分布的太阳能发电容量可信度获取方法及装置
CN112260300B (zh) * 2020-10-10 2022-09-27 国网能源研究院有限公司 储能配置及最佳延缓年限的确定方法及装置
CN113313613B (zh) * 2021-07-06 2024-02-20 华北电力大学 一种电力配网模块化可移动电池储能mmbes优化配置方法
CN116799830B (zh) * 2023-08-24 2023-11-10 国网浙江省电力有限公司金华供电公司 刻画负荷不确定性的广域独立多微网共享储能配置方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103986194A (zh) * 2014-06-04 2014-08-13 国家电网公司 一种独立型微网优化配置方法和装置
CN106340901A (zh) * 2016-09-27 2017-01-18 四川大学 一种基于惯性矩的最优分位点配电网可控资源配置方法
CN107910863A (zh) * 2017-05-25 2018-04-13 南京邮电大学 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
CN109685287A (zh) * 2019-01-14 2019-04-26 浙江大学 增量配电网电源容量多目标优化配置方法
CN109687444A (zh) * 2018-12-27 2019-04-26 广东电网有限责任公司 一种微电网电源多目标双层优化配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463697A (zh) * 2014-11-28 2015-03-25 清华大学 含大规模风电电力系统的风险评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103986194A (zh) * 2014-06-04 2014-08-13 国家电网公司 一种独立型微网优化配置方法和装置
CN106340901A (zh) * 2016-09-27 2017-01-18 四川大学 一种基于惯性矩的最优分位点配电网可控资源配置方法
CN107910863A (zh) * 2017-05-25 2018-04-13 南京邮电大学 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
CN109687444A (zh) * 2018-12-27 2019-04-26 广东电网有限责任公司 一种微电网电源多目标双层优化配置方法
CN109685287A (zh) * 2019-01-14 2019-04-26 浙江大学 增量配电网电源容量多目标优化配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hua Xie 等.Optimal Energy Storage Sizing for Networked Microgrids Considering Reliability and Resilience.《IEEE Access》.2019,I-V节. *
Optimal Energy Storage Sizing for Networked Microgrids Considering Reliability and Resilience;Hua Xie 等;《IEEE Access》;20190614;第I-V节 *
风_光_储微网规划经济性影响因素分析;谢桦 等;《电力系统自动化》;20190325;第43卷(第6期);70-76 *

Also Published As

Publication number Publication date
CN111200281A (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
CN111200281B (zh) 互联微网储能配置扩容优化方法
Li et al. Grid-side flexibility of power systems in integrating large-scale renewable generations: A critical review on concepts, formulations and solution approaches
Sheibani et al. Energy storage system expansion planning in power systems: a review
Resch et al. Impact of operation strategies of large scale battery systems on distribution grid planning in Germany
Mirzaei et al. A novel hybrid two-stage framework for flexible bidding strategy of reconfigurable micro-grid in day-ahead and real-time markets
Yang et al. Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook
Liu et al. Multi‐objective restoration optimisation of power systems with battery energy storage systems
Denholm et al. Impact of flexibility options on grid economic carrying capacity of solar and wind: three case studies
Javadi et al. Optimal spinning reserve allocation in presence of electrical storage and renewable energy sources
Panda et al. A conceptual review on transformation of micro‐grid to virtual power plant: Issues, modeling, solutions, and future prospects
CN112383086B (zh) 一种孤岛微电网日前能量-备用联合优化调度方法
Mahari et al. A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA
Wu et al. An inexact fixed-mix fuzzy-stochastic programming model for heat supply management in wind power heating system under uncertainty
CN116911076B (zh) 多微电网对配电网的韧性支撑仿真方法、装置和电子设备
Hong et al. Chance-constrained unit commitment with energy storage systems in electric power systems
Raouf Mohamed et al. Distributed battery energy storage systems operation framework for grid power levelling in the distribution networks
CN115062930A (zh) 一种配电网源网荷储协调规划方法
Dejamkhooy et al. Fuel consumption reduction and energy management in stand-alone hybrid microgrid under load uncertainty and demand response by linear programming
Ashoornezhad et al. A two‐stage multi‐period distribution network expansion planning considering the integration of private investors
CN112713621B (zh) 一种交直流混合系统的多目标优化配置方法和系统
Pruckner et al. A study on the impact of packet loss and latency on real-time demand response in smart grid
Couture et al. Residential prosumers: drivers and policy options (re-prosumers)
Bakhtvar et al. A vision of flexible dispatchable hybrid solar‐wind‐energy storage power plant
ALAhmad et al. Optimal planning of energy storage system for hybrid power system considering multi correlated input stochastic variables
Martín et al. Model to evaluate the system‐wide impact of residential and commercial photovoltaic and storage units intended for self‐consumption

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