CN111224432B - 微电网优化调度方法和装置 - Google Patents

微电网优化调度方法和装置 Download PDF

Info

Publication number
CN111224432B
CN111224432B CN202010048924.4A CN202010048924A CN111224432B CN 111224432 B CN111224432 B CN 111224432B CN 202010048924 A CN202010048924 A CN 202010048924A CN 111224432 B CN111224432 B CN 111224432B
Authority
CN
China
Prior art keywords
grid
micro
cost
power
load
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
CN202010048924.4A
Other languages
English (en)
Other versions
CN111224432A (zh
Inventor
张嘉英
王哲
张旭汉
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202010048924.4A priority Critical patent/CN111224432B/zh
Publication of CN111224432A publication Critical patent/CN111224432A/zh
Application granted granted Critical
Publication of CN111224432B publication Critical patent/CN111224432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (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

本发明公开了一种微电网优化调度方法和装置。其中，该方法包括：根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重；依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略。本发明解决了由于现有技术在对微电网优化时无法满足设计要求，导致的微电网优化效率低的技术问题。

Description

微电网优化调度方法和装置
技术领域
本发明涉及计算机技术应用领域，具体而言，涉及一种微电网优化调度方法和装置。
背景技术
微电网(Microgrid,简称MG)是由分布式电源、储能装置、监控与保护装置、控制装置、负荷等组成的小型发配电系统。常用分布式电源有光伏发电、风力发电、微型燃气轮机、燃料电池、柴油发电机以及储能装置等。微电网有两种工作方式：当微电网和大电网存在能量交换，则称为并网运行方式；当微电网与大电网没有能量交换，系统所需负荷均由微电网内的微电源提供，则称为孤网运行方式。
微电网中的负荷根据负荷重要程度可以分为一般负荷和重要负荷。当微电网中各微源出力不能满足负荷需求时，必须切除部分一般负荷，让系统稳定，保证重要负荷的供电需求。微电网对于多且分散的分布式电源并网难题有很大帮助。对于负载供电多样性以及可靠性也有很大帮助，具有一定的优势。
微电网的发展一直有两个需要克服的问题：高成本与不稳定性。微电网前期的投资主要是硬件设备，这些设备的价格受到市场的影响。微电网后期的花费主要是运行成本。而微电网中的微源对于负荷需求的合理出力对运行成本的影响也是不小的。因此，微电网运行的成本受到微电源调度的影响，合理的调度有利于成本的降低。微电网自从被人们提出，微电网的优化调度就一直受到人们的关注。但是峰谷电价的不同，以及各时段负荷需求的不同，对于微电网运行费用的影响都是很大的。微电网中微源的种类繁多，各自具有独特的运行特性，且风力和太阳能发电易受环境因素干扰，波动性较大。这些因素都导致微电网的调度难度加大。
微电网优化调度是一个复杂优化问题。其目标函数多，约束条件多。传统优化算法对于求解此类问题存在一定不适性。不能满足准确性以及经济性的要求。将改进优化算法应用于微电网优化调度问题对于问题解决有很大帮助。微电网优化调度需要考虑多个层面的因素，如可靠、安全以及环境保护等方面，电能质量的要求，以及微电源特性的深入分析，与大电网的能量交换等。
微电网优化运行的关键是寻找每个时刻最优的微电源输出功率，使得微电网的运行成本最小。但由于混合发电系统控制量很多，采用传统的优化算法很难满足设计要求，且一般情况下只能找到问题的局部最优解。
针对上述由于现有技术在对微电网优化时无法满足设计要求，导致的微电网优化效率低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种微电网优化调度方法和装置，以至少解决由于现有技术在对微电网优化时无法满足设计要求，导致的微电网优化效率低的技术问题。
根据本发明实施例的一个方面，提供了一种微电网优化调度方法，包括：根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重；依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略。
可选的，根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型包括：设置目标函数，其中，目标函数包括：运行成本、环境污染处理成本和负荷中断赔偿成本；设置约束条件，其中，约束条件包括：功率平衡约束、电位功率交互约束、微电源出力约束、蓄电池运行约束和气体排放约束。
进一步地，可选的，运行成本包括：燃料成本、微电源运行维护成本和蓄电池折旧成本。
可选的，该方法还包括：当微电网处于并网状态时，运行成本还包括：和大电网电能交易成本；当微电网处于孤网状态时，与大电网的交互成本为0；其中，计算微电源的运行成本包括：
其中，F1(x)表示运行成本；Cfu(t)表示燃料消耗花费的费用；Cma(t)表示微电源因为运行而产生的维护费用；Cdep(t)表示蓄电池的折旧成本。Cgrid(t)表示和主网之间电能交易的费用，孤网运行时Cgrid(t)＝0。
可选的，计算环境污染处理成本包括：根据各类污染气体的排放设置对应的惩罚系数；依据惩罚系数计算环境污染处理成本；其中，依据惩罚系数计算环境污染处理成本包括：
其中，m为污染物种类，共M种；Vm表示治理污染废气的费用；ai,m为第i种微源第m种污染物排放系数。
可选的，当出现微电源提供的电力无法满足微电网在孤网状态下的负荷需求时，切除部分三级负荷，对负荷中断进行赔偿计算，得到负荷中断赔偿成本；其中，对负荷中断进行赔偿计算，得到负荷中断赔偿成本包括：
minF3(x)＝CD(t)Pcut(t)
其中，CD(t)表示分布式电源停电成本：Pcut(t)表示切断的负荷的功率。
可选的，根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重包括：分别对并网与孤网状态建立综合效益目标函数，并分别确立各个子目标的的权重；其中，并网状态建立综合效益目标函数包括：
minF＝ω1F1+ω2F2
F表示微电网在并网运行的总费用，ω1、ω2表示加权系数；
孤网状态建立综合效益目标函数包括：
minF＝ω1F1+ω2F2+ω3F3
F表示微电网在孤网运行总费用，ω1、ω2、ω3表示加权系数；通过改变加权系数改变并网与孤网状态建立综合效益目标函数的权重。
可选的，依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略包括：并网优化调度模型的调度策略包括：常规调度策略：利用新能源发电，如果满足负荷需求，若电能有剩余，则根据电价不同，确定剩余电能向储能装置充电或向大电网出售；当光伏发电与风力发电不能满足负荷需求，若缺额较小，则采用储能装置放电；若光伏发电与风力发电对于负荷需求缺额大，则对比其他微电源发电成本和主网购电成本，确定微电网内微源出力以及是否向电网购电；峰谷平调度策略：满足常规调度策略；检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，提前向储能装置进行充电；在电价高的高峰阶段，满足负荷需求的情况下，向大电网售电；孤网优化调度模型的调度策略包括：常规调度策略：利用新能源发电，若满足负荷需求，电能有剩余，则向储能装置进行充电；当光伏发电与风力发电无法满足负荷需求，缺额小，则由储能装置提供；若光伏发电与风力发电对于负荷需求缺额大，则对比其他微源发电成本，确定微电网内微电源的出力；当微电网内所有微电源满负荷出力仍无法满足负荷需求，则按照负荷重要程度依次切除负荷，以保证微电网内供需平衡；峰谷平调度策略：满足常规调度策略；检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，向储能装置进行充电；在负荷需求的的高峰阶段，根据负荷需求确定是否放电。
根据本发明实施例的一个方面，提供了一种微电网优化调度装置，包括：建模模块，用于根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；权重确定模块，用于根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重；调度模块，用于依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略。
可选的，建模模块包括：第一建模单元，用于设置目标函数，其中，目标函数包括：运行成本、环境污染处理成本和负荷中断赔偿成本；第二建模单元，用于设置约束条件，其中，约束条件包括：功率平衡约束、电位功率交互约束、微电源出力约束、蓄电池运行约束和气体排放约束。
在本发明实施例中，通过根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重；依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略，实现了保障微电网的安全可靠运行的技术效果，进而解决了由于现有技术在对微电网优化时无法满足设计要求，导致的微电网优化效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的微电网优化调度方法的流程示意图；
图2是根据本发明实施例的微电网优化调度方法中的常规调度策略微电源出力图；
图3是根据本发明实施例的微电网优化调度方法中的峰谷平调度策略微电源出力图；
图4是根据本发明实施例的微电网优化调度方法中的不同调度策略费用对比图；
图5是根据本发明实施例的微电网优化调度方法中的固定电价下微电源出力图；
图6是根据本发明实施例的微电网优化调度方法中的一种IQPSO收敛精度与收敛速度示意图；
图7是根据本发明实施例的微电网优化调度方法中的FC调度示意图；
图8是根据本发明实施例的微电网优化调度方法中的采用峰谷平调度策略的孤网微电网微源的优化出力的示意图；
图9是根据本发明实施例的微电网优化调度方法中的孤网运行方式下不同调度策略不同调度时段运行成本；
图10是根据本发明实施例的微电网优化调度方法中的另一种IQPSO收敛精度与收敛速度示意图；
图11是根据本发明实施例的微电网优化调度装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
根据本发明实施例，提供了一种微电网优化调度方法实施例，图1是根据本发明实施例的微电网优化调度方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤S102，根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；
步骤S104，根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重；
步骤S106，依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略。
在本发明实施例中，通过根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重；依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略，实现了保障微电网的安全可靠运行的技术效果，进而解决了由于现有技术在对微电网优化时无法满足设计要求，导致的微电网优化效率低的技术问题。
可选的，根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型包括：设置目标函数，其中，目标函数包括：运行成本、环境污染处理成本和负荷中断赔偿成本；设置约束条件，其中，约束条件包括：功率平衡约束、电位功率交互约束、微电源出力约束、蓄电池运行约束和气体排放约束。
进一步地，可选的，运行成本包括：燃料成本、微电源运行维护成本和蓄电池折旧成本。
可选的，该方法还包括：当微电网处于并网状态时，运行成本还包括：和大电网电能交易成本；当微电网处于孤网状态时，与大电网的交互成本为0；其中，计算微电源的运行成本包括：
其中，F1(x)表示运行成本；Cfu(t)表示燃料消耗花费的费用；Cma(t)表示微电源因为运行而产生的维护费用；Cdep(t)表示蓄电池的折旧成本。Cgrid(t)表示和主网之间电能交易的费用，孤网运行时Cgrid(t)＝0。
可选的，计算环境污染处理成本包括：根据各类污染气体的排放设置对应的惩罚系数；依据惩罚系数计算环境污染处理成本；其中，依据惩罚系数计算环境污染处理成本包括：
其中，m为污染物种类，共M种；Vm表示治理污染废气的费用；ai,m为第i种微源第m种污染物排放系数。
可选的，当出现微电源提供的电力无法满足微电网在孤网状态下的负荷需求时，切除部分三级负荷，对负荷中断进行赔偿计算，得到负荷中断赔偿成本；其中，对负荷中断进行赔偿计算，得到负荷中断赔偿成本包括：
minF3(x)＝CD(t)Pcut(t)
其中，CD(t)表示分布式电源停电成本：Pcut(t)表示切断的负荷的功率。
可选的，根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重包括：分别对并网与孤网状态建立综合效益目标函数，并分别确立各个子目标的的权重；其中，并网状态建立综合效益目标函数包括：
minF＝ω1F1+ω2F2
F表示微电网在并网运行的总费用，ω1、ω2表示加权系数；
孤网状态建立综合效益目标函数包括：
minF＝ω1F1+ω2F2+ω3F3
F表示微电网在孤网运行总费用，ω1、ω2、ω3表示加权系数；通过改变加权系数改变并网与孤网状态建立综合效益目标函数的权重。
可选的，依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略包括：
并网优化调度模型的调度策略包括：常规调度策略：利用新能源发电，如果满足负荷需求，若电能有剩余，则根据电价不同，确定剩余电能向储能装置充电或向大电网出售；当光伏发电与风力发电不能满足负荷需求，若缺额较小，则采用储能装置放电；若光伏发电与风力发电对于负荷需求缺额大，则对比其他微电源发电成本和主网购电成本，确定微电网内微源出力以及是否向电网购电；峰谷平调度策略：满足常规调度策略；检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，提前向储能装置进行充电；在电价高的高峰阶段，满足负荷需求的情况下，向大电网售电；
孤网优化调度模型的调度策略包括：常规调度策略：利用新能源发电，若满足负荷需求，电能有剩余，则向储能装置进行充电；当光伏发电与风力发电无法满足负荷需求，缺额小，则由储能装置提供；若光伏发电与风力发电对于负荷需求缺额大，则对比其他微源发电成本，确定微电网内微电源的出力；当微电网内所有微电源满负荷出力仍无法满足负荷需求，则按照负荷重要程度依次切除负荷，以保证微电网内供需平衡；峰谷平调度策略：满足常规调度策略；检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，向储能装置进行充电；在负荷需求的的高峰阶段，根据负荷需求确定是否放电。
综上，本申请实施例提供的微电网优化调度方法具体如下：
微电源建模方式有很多种，根据研究方向和研究的重点不同，从而需要建立不同调度模型。对微电网优化调度的研究一般采取准稳态模型进行相应模型的建模。
微电源数学模型
微电网优化调度问题，考虑的微电源包含光伏发电、风力发电、微型燃气轮机、燃料电池、蓄电池等模型。
1，光伏发电数学模型
光伏发电(Photovoltaic，PV)利用光生伏特效应将光能直接转变为电能。光伏电池是组成光伏模块的最小发电组成部分。相应的，其电压、电流以及功率都不大。光伏电池采取串并联的方式可以组成光伏组件，光伏组件可以通过串并联的方式进一步组成光伏阵列。随着串并联数量的增加，相应的电压与功率也增加。
光伏阵列的功率输出模型为：
其中，fPV表示功率降额因数，一般取值0.9；Pr表示在标准测试条件光伏电池最大输出功率(1000W/㎡，25℃)；G表示光照强度；Gstc表示标准测试条件下的光照强度；k表示功率温度系数(％/℃)；T表示光伏组件表面的温度；Tstc表示标准测试条件下的温度(25℃)。光伏电池表面温度与周围环境温度不同，其与光照和温度均有关系。光伏电池表面温度计算公式如下：
T(t)＝Ta(t)+0.0138·[1+0.031·Ta(t)(1-0.042v)]·G(t)
其中，Ta(t)表示环境温度；v表示环境中的风速。光伏电池输出特性受周围温度和光照影响，输出结果是完全非线性。
光伏电池输出特性受周围温度和光照影响，输出结果是完全非线性包括：温度不变，随光照强度增加，短路电流增长快，开路电压增长速度比较慢，输出功率逐渐增加。在光照强度不变情况下，随温度增加，开路电压降低，短路电流增加，总体下降速度大于增加速度，而最大输出功率在不断地降低。
2，风力发电数学模型
风力发电机(Wind Turbine，WT)是利用风能产生电能的一种装置。其将风力能源转变为电能，对环境没有污染。是现阶段我国应用最广泛的清洁能源。风力发电易受环境因素干扰，因此有不稳定性。风电也分离网与并网两种模式。
由空气动力学知识，可以得到风机出力理想化模型为：
其中，ρ表示空气密度；RWT表示风轮机的叶片半径；v表示风速(m/s)；CP表示利用系数。
目前，风力发电机输出功率特性曲线有线性模型、三次方模型、指数模型等。本申请实施例选取三次方模型，表达式如下：
其中，PWT表示风机输出功率(kW)；Pr表示额定输出功率；vci表示切入风速(m/s)；vr表示额定风速(m/s)；vco表示切出风速(m/s)；a、b、c、d是风机功率特性三次方模型参数。
对风力发电影响最大的是风速，而一般在气象局得到的风速数据均是在10m左右获得。而风速随着高度的变化也会发生变化。因此，需要将风速转换到风机的高度。转换公示如下：
其中，v表示高度为H时的风速。v1表示高度是H1时的风速。取值范围[1/8,1/2],平坦的地方一般取值1/7。
本申请实施例中选取某50kW型号风力发电机，相关参数：额定功率50kW；切入风速3m/s；额定风速12m/s；独立塔架高18m。
通过matlab进行曲线拟合，可以得到数学模型为：
3，微型燃气轮机发电数学模型
微型燃气轮机(Micro Turbine,MT)于近年兴起。功率范围一般为25～300kW。MT维修率相对比较低，并且噪音小，可靠性较高。除了在分布式电源使用较为多，还较多的应用于后备电源与尖峰发电。因其适应性强的特点，在农村与城市环境均能够适用，发展前景较好。MT型号中，Capstone微燃机全球范围内使用最为广泛。本申请实施例选取Capstone C65微燃机，额定出力65kW。
微燃机输出功率和发电效率关系可以表示为：
其中，系数a1、a2、a3、a4由效率曲线拟合而得；Pr表示MT的额定功率；PMT表示MT输出电功率。
根据Capstone C65型号MT提供的参数，可得到MT输出功率与发电效率相关的参数，得到如下公式：
MT可以采用的燃料有较多可燃气体，其中因天然气具有热值高、容易燃烧等优点，成为MT主要的能源，MT燃料计算费用公式如下：
其中，CMT表示MT运行的燃料成本；FMT表示MT消耗的燃料量；Cng表示天然气价格(元/m3)；LHV表示天然气的低热值，取值9.7kWh/m3；PMT(t)表示燃气轮机的输出功率(kW)；ηMT表示MT的发电效率。
4，燃料电池发电数学模型
燃料电池(Fuel Cell,FC)是一种把燃料化学能转换为电能的装置。FC利用电化学反应将化学能中的吉布斯自由能部分转换成电能，不会有卡诺循环效应限制，效率较高。FC不需要机械传动部件，所以不会有噪音。FC使用的燃料需要是流动性较好的气体燃料。FC燃烧效率可到50％-70％且污染少。由此可看出，FC的发展前景很好。
FC的耗能特性与MT相似，发电成本和工作效率的计算公式如下所示：
ηFC＝-0.0023PFC+0.6735
其中，CFC表示FC运行的燃料成本；LHV表示天然气的低热值；PFC表示FC的输出功率(kW)；ηFC表示FC的发电效率。
FC的发电效率随着FC出力的增加而逐渐降低,但整体效率较高，维持在50％-70％。FC的单位电量发电成本相较于MT还是低很多的，且发电效率也相对较高，具有很大的优势。
5，储能装置数学模型
储能装置(Battery,BT)对于保证微电网可靠性具有很大的作用。由于PV与WT的出力受自然因素的影响，波动较大，为了提高系统的稳定性，就需要相应配套的储能装置进行调节。
现阶段，储能原件有蓄电池、超级电容、飞轮储能等。这些储能装置由于适应范围的不同，成本也是差别很大的。一些储能装置成本偏高，导致难以大范围使用。而蓄电池成本相对就低很多，且技术成熟可靠性好。其满足微电网技术规范要求，在微电网建设中，得到相对较多使用。因此，本选课题择蓄电池为微电网建模储能单元。
对于蓄电池的研究，有几个重要的参数。蓄电池容量、荷电状态(SOC)、放电深度(DOD)和使用寿命。蓄电池容量指蓄电池从满电到完全放电所能释放的电荷量，此参数主要受到自身因素影响。SOC指剩余电量与容量的比值。为保证蓄电池使用寿命，尽量避免不合理的使用对其寿命产生影响，一般蓄电池荷电状态在0.2-1.0之间。DOD指放出电量与容量的比值。SOC和DOD的和值为1。使用寿命表示蓄电池容量降低到80％时所完成的充放电次数。
通过相关实验可以证明，蓄电池循环寿命和放电深度关系很大。相关实验数据如表1所示。
表1放电深度和循环次数对应关系
Table1 Depth of discharge and number of cycles
通过对实测数据曲线拟合，可得铅酸蓄电池寿命与其放电深度关系如下所示：
Ncl(DOD)＝-4589DOD4+2472DOD3+11271DOD2-13758DOD+5088
在微电网的优化调度的过程中，需要对蓄电池进行多次充放电，频繁充放电也会降低蓄电池使用寿命，而其使用寿命相较于其他微源使用寿命均低一些。更换频率相对较大。为了降低系统的运行成本，需要将蓄电池的使用寿命考虑在内，将其加入到目标函数中。对于蓄电池寿命求取，采用雨流计数法求取等价循环次数与相应放电深度。将不同放电深度循环寿命换算到完全放电深度下的循环寿命。然后求取等价循环次数。等价循环次数由下式求取：
其中：Ncl(DOD)为放电深度等于DOD时的循环寿命；Ncnc(DOD)为调度周期内放电深度等于DOD的充放电循环次数。
6，雨流计数法
蓄电池充放电循环次数和循环次数对应的放电深度均采用雨流计数法求取。求取等效循环周期，然后根据等效循环周期求取相对应的放电深度。进一步求取放电深度对应的循环寿命，最后求折算成本。根据雨流计数法求取的完整循环周期包含放电半周期与充电半周期。
二、量子粒子群算法与改进型量子粒子群算法
量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)不同于PSO需要不断更新速度与位置，仅仅需要薛定谔方程中的波函数ψ(x,t)来描述，只需要位置描述即可。QPSO算法的迭代公式如下所示：
其中，Xi,j表示粒子i的第j维；u是[0,1]间均匀分布的随机数；u不同的取值，α前面的正负号是不同的，u≤0.5，则取“+”；u＞0.5，则取“-”。α是收缩扩张因子，此参数是唯一需要自主控制大小的参数，不同参数值的设定对寻优结果的影响较大。pi,j表示粒子i对应吸引子的第j维。Cj为此次迭代中所有个体最优值的平均值。pi,j和Cj的迭代公式如下所示：
其中，表示[0,1]之间的随机数；Pi,j表示粒子i的个体最好位置第j维。QPSO中，粒子均是通过吸引子来收敛到一定区域。
QPSO需要调整的控制参数少，且收敛速度以及收敛精度均有较大提升。在QPSO中仅需要控制α，如何处理好α的选择，对于算法寻优效果很重要。本申请实施例采用改进量子粒子群算法(Improved Quantum Particle Swarm Optimization，IQPSO)对模型优化调度求解。对于α的值，根据每次迭代的寻优效果，动态调整数值的大小，同时结合混沌搜索以及精英保留策略，对于算法的寻优效果有了进一步的改善。
混沌：
混沌具有随机特性，对QPSO中的粒子进行混沌搜索可以避免陷入局部最优。通常随机数的产生不可能达到整个空间的遍历。但是采用混沌系统却是可以实现的。对于混沌变量的产生，通常选择Tent映射、Logistic映射等。其中Logistic映射最具有代表性，因此本申请实施例选择Logistic映射产生混沌变量，即：
zn+1＝μzn(1-zn)
其中，μ表示控制参量，当0＜zn＜1,μ＝4，此时Logistic完全处于混沌状态。
惯性权重自适应调整：
为了可以调整好QPSO中唯一需要调整的参数α，改善算法寻优效果，对参数α采取根据当前寻优效果进行动态调整的方法。由于本申请实施例寻找极小值，所以相关参数的讨论均是基于此前提下。首先，定义两个参数：进化速度因子sd与聚集度因子jd。设QPSO中粒子搜寻的全局最优值是G(t)，此前一次粒子迭代全局最优值是G(t-1)；当前粒子个体最优位置适应度为F(xi(t))；个体最优适应值平均值M。相关参数的计算公式如下所示：
本申请实施例中寻找极小值的情况，因此，可知0＜sd≤1,0＜jd≤1。
进化速度因子sd的大小反映的是粒子进化的速度，sd值小，则进化速度快，当sd的值为1时，表明粒子的寻优结束。群智能算法由于其搜索特性，所以均会不同程度的出现粒子聚集的现象。而另一个参数jd用来反映粒子的聚集程度，jd值小，表明粒子的聚集程度低。
对于粒子来说，sd数值的增大，表明粒子在靠近全局的最佳位置，粒子的搜索范围缩小。应适当扩大粒子搜索范围，此时α值应增大。而对于jd的增大，表明粒子的聚集度增大，此时也应该增大α的值。为了能够实现α值的动态调整，α值将根据sd和jd的值来动态调整，采取以下公式求取每次迭代过后的α值：
α＝f(sd,jd)＝α0-sdα1+jdα2
式中：α0为α的初始值，取值α0＝1；α1为sd作用下的权重；α2为jd作用下的权重；由于0＜sd≤1,0＜jd≤1，故α0-α1≤α≤α0+α2。
精英保留策略：
精应保留策略指每次迭代保留一部分上一次迭代的最优个体，替代下次迭代的最差的部分个体。从而能够对于每一次迭代的部分最优解进行保留，对于增加粒子的多样性以及对于提升算法寻优速度与寻优精度均有很大作用。采用精英保留策略，对群体优良个体进行留存，而较差个体将被替换掉。因此，对于寻优速度的提升有很大的的帮助；同时，经过每次的替换，可以对于种群中优良个体的比例有一定的保证。在搜索迭代过程中优良个体把较差个体替换掉，不会破坏群体多样性，对于算法性能的提升有很大的作用。
三、微电网优化调度模型
微电网运行模式根据是否与主网有连接分为并网运行与孤网运行。当微电网与主网之间有连接时，微电网与主网存在能量交换，此时微电网微源调度优化需要考虑微电网内各个微电源出力，还需要考虑电量的买入与卖出，将大电网的售电与买电也加入到优化的微源中以达到微电网运行的经济性。当微电网和主网切除连接，微电网和主网间不存在能量交换。此时微电网的负荷需求全部由微电网内的微源供给。微电网的经济调度仅需要考虑对微电网内部微电源出力优化。当孤网状态的微电网内的微源出力不满足系统的负荷需求时，需要切除一部分不重要的负荷，保证重要负荷的供电需求，以达到系统内的功率平衡。
微电网优化调度，由于目标及约束较多，所以是比较复杂的优化问题。本申请实施例分别制定并网与孤网运行方式下优化调度模型。分别设置相关的约束条件。由于本申请实施例研究的是微电网的优化调度问题，所以对于微电网前期的投资成本不做过多的讨论，仅考虑对微电网运行有影响的一些成本因素。而微电网中的储能装置却不同于其他的分布式电源，本申请实施例选用的储能装置为蓄电池，蓄电池由于其在微电网中特殊的作用，一般需要频繁的充放电，这对蓄电池的寿命有影响，且蓄电池的更换周期大大低于其他的分布式电源，所以对于微电网运行成本计算，把蓄电池折旧费用也考虑在内。
目标函数
目标函数一：运行成本最低
微电网的运行主要考虑经济性，因此，运行成本主要包含燃料消耗费用、微电源维护成本、储能装置折旧成本。当微电网处于并网状态，还需要考虑和大电网电能交易成本；在孤网状态时，与大电网的交互成本为0。因此，微电源运行成本公式为：
其中，F1(x)表示运行成本；Cfu(t)表示燃料消耗花费的费用；Cma(t)表示微电源因为运行而产生的维护费用；Cdep(t)表示蓄电池的折旧成本。Cgrid(t)表示和主网之间电能交易的费用，孤网运行时Cgrid(t)＝0。
(1)燃料成本
光伏发电与风力发电为新能源发电，仅与风速、光照等因素有关，不会消耗化石燃料。微型燃气轮机与燃料电池的运行需要消耗天然气，因此，燃料成本计算仅需要考虑微型燃气轮机与燃料电池消耗燃料的成本，计算公式为：
Cfu＝CMT(t)+CFC(t)
其中，CMT(t)表示MT消耗燃料的费用；CFC(t)表示FC消耗燃料的费用。
(2)微电源运行维护成本
微电源运行时需要进行维护，因此，将微电网运行维护费用计算到微电网运行成本中。其中的PV、WT、MT、FC、BT均需要考虑维护成本。维护成本计算公式为：
其中，ki表示第i种微源维护系数。Pi(t)为第i种微源输出功率。
(3)蓄电池折旧成本
对于蓄电池折旧成本计算，常规的计算方法为以下第一种方法，本申请实施例选取雨流计数法求取蓄电池折旧成本。
常规微电源折旧成本计算公式：
其中：CIC表示蓄电池单位容量安装成本(元/kW)；h表示容量因素，r表示年折旧率(取值8％)；l为蓄电池的使用寿命。
本申请实施例选取雨流计数法求取蓄电池放电深度，进而求取折旧费用。
其中，Nel表示等价循环次数；Cdep表示蓄电池折旧费用；Crc表示蓄电池更换成本；Ncl(100％)表示放电深度为100％时的循环寿命。
目标函数二：环境污染处理成本最低
微电网的运行会产生一些温室气体和污染气体，如CO2、SO2、NOx等。这些气体排放会产生相应污染气体排放惩罚费用。PV和WT出力时不会产生污染气体。每种不同的污染气体的排放会有不同的惩罚系数。因此，污染气体排放惩罚费用计算公式为：
其中，m为污染物种类，共M种；Vm表示治理污染废气的费用(元/kg)；ai,m为第i种微源第m种污染物排放系数(g/kWh).
目标函数三：负荷中断赔偿成本最小
孤网状态的微电网，由于没有大电网的支撑，当出现微电源提供的电力无法满足负荷需求时，则需要切除部分三级负荷，以此来满足重要负荷供电需求，保证系统供需平衡。而部分负荷的切除需要有一定的费用补偿，因此，切负荷补偿成本计算公式如下所示：
minF3(x)＝CD(t)Pcut(t)
其中：CD(t)表示分布式电源停电成本：Pcut(t)表示切断的负荷的功率。负荷等级不同，对应单位停电成本差别很大。
综合以上分析，根据微电网不同运行方式，分别讨论并网和孤网状态下运行的微电网系统。由于考虑的子目标不相同，本申请实施例将分别对并网与孤网状态建立综合效益目标函数，并分别确立各个子目标的的权重。
并网运行综合效益目标函数：
minF＝ω1F1+ω2F2
其中，F表示微电网并网运行的总费用，ω1、ω2表示加权系数。
孤网运行综合效益目标函数:
minF＝ω1F1+ω2F2+ω3F3
其中，F表示微电网孤网运行总费用，ω1、ω2、ω3表示加权系数，通过改变系数改变不同目标函数的权重。本申请实施例子目标权重通过层次分析法求取。
约束条件
(1)功率平衡约束
其中，Pi(t)是第i类微源的有功功率，n表示种类；Pbt(t)为蓄电池发出的功率，当放电时，此值为正值，当充电时，此值为负值；Pgrid(t)表示和电网交互能量，处于孤网状态，由于没有和主网能量交换，所以此值为0，并网状态时，购电时，此值为正，售电时，此值为负值；PL(t)表示负荷功率。
(2)电网功率交互约束
Pgrid,min≤Pgrid≤Pgrid,max
其中，Pgrid,min和Pgrid,max分别表示微电网和主网交互的最大和最小功率限值(kW)。仅在并网状态运行的微电网考虑功率交互约束，孤网状态运行的微电网不考虑电网功率交互约束。
(3)微电源出力约束
微电网中微电源在出力时必须满足自身出力约束，以此来保证微电源以及微电网系统安全可靠运行。微电源出力约束如下所示：
Pi,min≤Pi≤Pi,max
其中，Pi表示第i种微电源出力，Pi,min和Pi,max分别为微电源出力的上限与下限。
(4)蓄电池运行约束
蓄电池作为微电网系统中调节单元，对于系统稳定运行具有很大的作用。蓄电池频繁充放电以及过度充放电均会使蓄电池使用寿命降低。所以，对蓄电池运行设置一定约束可以降低其更换频率，降低总体的成本。荷电状态约束、充放电功率约束如下：
SOCmin≤SOC≤SOCmax
Pbat,i≤Pbat,d
式中，SOCmin和SOCmax分别表示蓄电池最小荷电状态和最大荷电状态。和分别表示蓄电池最小充电功率和最大充电功率。Pbat,d表示蓄电池最大放电功率。
(5)气体排放约束
微电网运行会产生污染气体排放，因此，对于污染气体排放也要加以限制。
其中，分别表示CO2、SO2、NOx的排放限值。
相关约束条件处理
群智能优化算法主要用于解决无约束优化问题，对于求解有约束优化问题时，则需要对相关约束进行一定处理。罚函数法是最为常用用来处理约束条件的方法之一。因此，本申请实施例采用罚函数法把有约束优化，转化为无约束优化，把相关约束进行处理作为惩罚项加入到目标函数中。然后采用IQPSO对目标函数进行求解。对于功率平衡约束和污染气体排放约束，作为惩罚项加入到目标函数中。对于微源的出力约束以及电网交换功率等约束条件，作为定义域处理。在编程仿真中，将不满足约束条件的优化变量强制转换为约束边界值。
层次分析法
多目标优化是在给定区域研究多于一个目标函数的优化问题。包含多个目标函数与若干约束。多目标优化问题，应该兼顾多个目标，不能仅仅考虑一个目标达到最优。对于多目标优化可将多目标模型给与不同子目标不同权重，把其转化为单目标优化，采用层次分析法确定子目标权重。
层次分析法(Analytic Hierarchy Process,AHP)，把和总决策有关因素进行分解，确定不同层次，如目标层、准则层、方案层。根据所建立层次模型进行定性与定量分析。根据对比指标，确定对比矩阵。然后进行层次单排序与层次总排序一致性检验，如果满足设定要求那么权重的求解是正确的。此处矩阵主要是根据一致性矩阵特性来分析，一致性矩阵最大特征根单位化之后，对应特征向量是一个排序。AHP利用的就是一致性矩阵这个特性，如果所构造比较矩阵是一致性矩阵或者说满足一些特定要求，则认为我们求得的排序是准确的，可以当做不同方案层的权重。构建比较矩阵时，需要在两要素判别时确定基准值。AHP将基准值分成了9个层次。表2为AHP评价尺度表。
表2 AHP评价尺度表
Table 2 AHP Evaluation scale table
首先根据微电网多目标模型，建立层次结构模型。目标层包含：微电网优化调度(A)；准则层包含：经济性(C1)、环保性(C2)以及可靠性(C3)；方案层包含：运行成本(P1)，污染处理成本(P2),以及停电成本(P3)。准则层的判别矩阵的确定与目标层有关，方案层的判别矩阵的确定与准则层有关，依次构建判别矩阵并做检验。
表3 C1-C3相对于A的判断矩阵及权重系数
Table3 C1-C3judgment matrix and weight coefficient relative to A
λmax＝3.0138；CI＝0.00915＜0.1；CR＝0.0158＜0.1，满足一致性检验。
表4 P1-P3相对于C1的判断矩阵及权重系数
Table4 P1-P3judgment matrix and weight coefficient relative to C1
λmax＝3.0037；CI＝0.00185＜0.1；CR＝0.0032＜0.1，满足一致性检验
表5 P1-P3相对于C2的判断矩阵及权重系数
Table5 P1-P3judgment matrix and weight coefficient relative to C2
λmax＝3.0536；CI＝0.0268＜0.1；CR＝0.046＜0.1，满足一致性检验。
表6 P1-P3相对于C3的判断矩阵及权重系数
Table6 P1-P3judgment matrix and weight coefficient relative to C3
λmax＝3；CI＜0.1；CR＜0.1，满足一致性检验。
因此，可以将孤网状态的微电网的综合目标函数描述为：
minF＝0.3976F1+0.1909F2+0.4115F3
四、微电网运行调度策略
微电网优化调度指满足负荷需求以及约束条件，优化各个微电源出力，从而让综合成本最低。除了需要受到一些约束的限制，微电网的运行还要制定相关的策略。合理的策略，对于综合成本也会有较大的影响。针对并网与孤网运行方式，分别制定调度策略。由于WT与PV无污染且运行费用低，在制定策略中，优先利用WT与PV出力。
1，微电网并网运行调度策略
并网运行方式下微电网和主网存在能量交互。且售电与买电对运行成本也有一定影响。因此，需要将大电网的能量交换也考虑在调度策略内。并网运行时，将讨论不同调度策略对综合运行成本的影响以及讨论固定电价和分时电价对运行费用的影响。首先我们制定如下的常规调度策略：
(1)优先利用PV、WT等新能源发电。如果满足负荷需求，若电能有剩余，则根据电价不同，决定多于电能是向BT充电还是向大电网出售。
(2)当PV与WT出力不能满足负荷需求，若缺额较小，则采用BT放电。
(3)若PV和WT出力对于负荷需求缺额较大，则对比其他微电源发电成本和主网购电成本。决定微电网内微源出力以及是否向电网购电。
由于负荷的需求大致可以根据需求量的大小分为低谷期、高峰期与均衡期。且大电网电价也根据这三个时间段的不同而不同。所以在以上常规调度策略的基础上，进一步制定如下峰谷平调度策略：
(1)满足常规调度策略制定的策略。
(2)检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，提前向BT进行充电；在电价较高的高峰阶段，满足负荷需求的情况下，向大电网售电。
2，微电网孤网运行调度策略
当微电网运行于孤网状态，此时微电网和电网没有能量的交换，因此不需要考虑电能的买入和卖出。即不需要考虑电价问题。制定孤网微电网的常规调度策略如下：
(1)优先利用PV、WT等新能源发电。若满足负荷需求，电能有剩余，则向BT进行充电。
(2)当WT与PV无法满足负荷需求，缺额较小，则由BT提供。
(3)若PV和WT出力对于负荷需求缺额较大，则对比其他微源发电成本，决定微电网内微电源的出力。
(4)当微电网内所有微电源满负荷出力仍无法满足负荷需求，则按照负荷重要程度依次切除负荷，以保证微电网内供需平衡。
孤网状态虽然不需要考虑电价的高低，但是负荷需求的峰谷平三个时间段依然需要考虑在内，且合理的调度可以尽量避免出现切负荷情况发生，因此制定孤网峰谷平调度策略：
(1)满足常规调度策略制定的策略。
(2)检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，提前向BT进行充电；在负荷需求的的高峰阶段，根据负荷需求决定是否放电。
五、微电网不同运行方式下的算例分析
本申请实施例建立的微电网优化调度模型包含PV、WT、MT、FC与BT。MT额定功率为65kW，FC的额定功率40kW；PV额定功率20kW，WT额定功率50kW；BT容量为100kW·h，初始荷电状态为0.3；天然气价格2.3元/m3。微电源污染物排放量见表7；微电源技术参数见表8；分时电价见表9；固定电价取平均值购电价格为0.61元/kW·h，售电价格为0.47元/kW·h；停电损失与断电时长关系见表10。
表7微电源污染物排放量
Table7 Emissions of pollutants from micro power supply
表8微电源运行技术参数
Table8 Operating technical parameters of micro power supply
表9分时电价
Table9 Hourly price
表10停电损失与断电时长关系
Table10 Relation between outage loss and outage time
注：本申请实施例中微电网中一级负荷30kW，二级负荷50kW，其他均为三级负荷
微电网运行分为并网与孤网运行状态，不同运行状态有不同调度策略，因此，本节对微电网不同运行方式以及不同运行策略下的优化调度进行研究，并作了QPSO与IQPSO优化微电源出力的综合运行成本对比。
并网运行优化调度：
并网状态微电网和电网之间有能量交互，微电网优化调度不仅需要考虑微电网自身内部微电源的调度，还需要考虑与大电网的能量交互，以达到运行的最优。在微电网的优化调度中，PV与WT的出力主要受到自然环境因素的制约，对环境无污染，所以优先利用PV与WT的出力。在并网方式下，微电网调度的微电源主要为MT、FC、BT以及与电网(Grid)的能量交换。
根据第四章制定的调度策略，首先讨论不同调度策略对微电网综合运行成本影响。采用改进量子粒子群算法对常规调度策略和峰谷平调度策略下微电网中各个微电源出力进行求解。
图2为采用常规调度策略的并网微电网的微电源优化出力，根据调度结果可见，在1h-7h，即负荷需求低谷阶段，此时电价很低，低于其他微电源发电成本。在1h，WT出力不能满足负荷需求，且缺额较大，因此向价格较低的主网购电。在2h与4h缺额较少，由BT提供不足的电能。7h之后，负荷的需求增大，此时从主网购电无法满足负荷需求，所以发电成本低的FC出力。MT的发电成本明显高于其他微源，因此没有参与微电源出力。而在11-15h为负荷需求的高峰阶段，仅仅依靠FC无法满足负荷需求，且在高峰期，购电价格高于所有微电源发电成本，因此由内部微源出力，微电网内部微源出力可以满足负荷需求，多余电量向大电网出售，在11h向大电网售电。16-18h为负荷需求均衡期，此时的电价低于MT发电成本，因此，由FC和大电网提供电能。19-22h为负荷需求的高峰阶段，在19h、22h向大电网出售多余的电量，在21h微电网内部微源的出力不能满足负荷需求，不足的部分由大电网提供。由于WT与PV的出力在调度周期内没有出现高于负荷需求的情况，且蓄电池的初始荷电状态设置为0.3.因此在常规调度策略下，蓄电池的能量交互基本没有，只在2h、4h、5h提供了部分电能。因此，可以看到，常规调度策略下的微电网调度没有利用分时电价以及BT合理调度所能带来的经济利益。
通过图3可以发现，采用峰谷平调度策略的微电网优化调度，充分考虑了分时电价的优势，合理的在低谷期与均衡期对BT进行充电，在负荷需求的高峰阶段BT出力。由于BT有充放电上下限，因此，每个时间段对BT充放电都要在约束之内。在1h-7h，此时处于低谷期，电价较低，低于FC和MT的发电成本，由大电网提供电能，且对BT进行了充电。在7h以后，由于负荷需求的增加，FC的发电成本相对于其他微电源低，所以FC的出力达到了出力上限。而在11-14h，负荷需求增大，此时BT也参与出力，以此降低运行成本。在16-18h，购电价格相对高峰期低一些，在检查了BT的荷电状态之后，对BT进行了充电。在20-21h的高峰阶段，MT与FC达到出力上限，此时的购电成本较大，BT参与出力，并将多余电量出售给大电网，因此对运行成本的降低有一定的作用。
为了更加直观的对比不同调度策略对运行成本的影响，通过图4可以看到，1h-7h在低谷阶段，由于对蓄电池进行了充电，电能均由电网购买，所以峰谷平调度策略的成本略高。而在高峰阶段11-15h与19-21h峰谷平调度策略下的运行成本均低于常规调度策略。通过最后综合成本的求取，得到采用峰谷平调度策略的综合成本为1109.95元，采用常规调度策略的综合运行成本为1138.45元。综上可以得到，在本申请实施例负荷与模型下，采用峰谷平调度策略的微电网优化调度的综合运行成本低于采用常规调度策略的微电网优化调度的综合运行成本。
表11并网不同调度策略综合费用
Table 11 Comprehensive cost of different scheduling strategies forgrid connection
图5为固定电价的微电网优化运行，采用峰谷平的调度策略，选取的电价为平均电价，在固定电价情况下，无需考虑电价的波动，仅需考虑综合发电费用即可。由于FC的发电综合成本相对较低，所以可以看到，FC除了在1h-5h负荷需求低的情况下，出力没有达到满负荷运行，其他时间段均满负荷运行。而发电成本偏高的MT仅仅在负荷需求的高峰阶段进行了发电，以保证微电网内的供需平衡。而对于蓄电池，由于没有电价的差别，所以仅仅在负荷缺额较小，以及系统内其他微电源无法满足系统正常运行时提供电能。
表12并网两种算法综合费用
Table12 Integrated cost of the two methods of grid connection
最后，在峰谷平调度策略下，分别采用QPSO和IQPSO对模型进行求解，采用QPSO优化微电源出力的综合运行成本为1157.5元，采用IQPSO优化微电源出力的综合运行成本为1109.95元，通过图6可以发现，IQPSO收敛精度与收敛速度均优于QPSO，证明改进后的算法以及模型的有效性与优越性。
孤网运行优化调度：
同并网微电网优化运行，对于孤网方式下运行的微电网同样采用不同调度策略以及不同求解算法对微电网进行优化调度并做分析。
通过图7可以看到，FC出力几乎在整个调度周期内达到了出力上限。因为FC发电成本最低，且MT发电成本远远大于FC发电成本。因此在低谷阶段仅由FC出力，缺额较少的部分由蓄电池提供，MT未参与发电。随着电能需求量的增加，仅仅依靠FC已经无法满足负荷需求，所以在负荷需求高峰期MT也参与出力。可以看到，在负荷差额不大时BT提供了部分电能，主要是因为蓄电池初始荷电状态为0.3，蓄电池荷电状态不能低于0.2，且在常规调度策略下，仅依靠WT、PV的发电量过多时蓄电池充电，调度周期内没有出现PV和WT的出力大于负荷需求的时刻，因此，蓄电池没有得到充电。后续也没再继续提供电能。由于处于孤网运行状态，在12h、13h、21h所有微电源的出力均达到了出力上限仍无法满足负荷需求。为了保证系统的供需平衡，保证重要负荷的需求，以及微电网的安全运行，切除了部分不重要的三级的负荷，LS表示切除的负荷量。
图8为采用峰谷平调度策略的孤网微电网微源的优化出力。由于FC综合发电成本最低，依然得到优先出力。不同于常规调度策略，采用峰谷平调度策略，会在负荷需求的低谷或者均衡阶段对BT进行充电。BT在负荷需求高峰阶段或者其他微电源出力无法满足负荷需求的情况进行出力。在2h-5h，对蓄电池充电。MT发电成本随着发电量增加，单位电量发电成本会急剧下降。蓄电池由于在低谷期与均衡期进行了充电，所以在负荷的高峰期可以进行限制范围内的放电，根据调度结果可知，峰谷平调度策略下微电源的优化出力没有出现切负荷的现象。因此对于保障微电网的安全可靠运行也有一定的意义。
表13孤网不同调度策略综合费用
Table13 Comprehensive cost of different scheduling strategies forisolated networks
图9是孤网运行方式下不同调度策略不同调度时段运行成本。由于负荷需求的低谷阶段对蓄电池进行了充电，所以峰谷平调度策略的低谷期发电成本略高。在高峰期，常规调度策略的运行成本明显高于峰谷平调度策略，且在13h、21h成本差更加的明显，此时常规调度策略运行下的微电网出现切负荷，切负荷惩罚费用导致运行成本增加。在一个调度周期内，峰谷平调度策略，微电网综合运行成本为1291.52元；常规调度策略微电网运行成本为1389.17元。综上，也可以说明，在本申请实施例模型与负荷情况下，峰谷平调度策略优于常规调度策略。
表14孤网不同算法综合费用
Table14 Comprehensive cost of different algorithms for isolatednetworks
最后，在峰谷平调度策略下，分别采用QPSO和IQPSO对模型进行求解，采用QPSO优化微电源出力的综合运行成本为1329.4元，采用IQPSO优化微电源出力的综合运行成本为1291.52元，通过图10可见，IQPSO收敛精度与收敛速度均优于QPSO，证明了改进后的算法以及模型的优越性与有效性。
实施例二
根据本发明实施例的一个方面，提供了一种微电网优化调度装置，图11是根据本发明实施例的微电网优化调度装置的示意图，如图11所示，包括：建模模块1102，用于根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；权重确定模块1104，用于根据预设算法确定并网优化调度模型的权重和孤网优化调度模型的权重；调度模块1106，用于依据并网优化调度模型的权重和孤网优化调度模型的权重配置对应的调度策略。
可选的，建模模块1102包括：第一建模单元，用于设置目标函数，其中，目标函数包括：运行成本、环境污染处理成本和负荷中断赔偿成本；第二建模单元，用于设置约束条件，其中，约束条件包括：功率平衡约束、电位功率交互约束、微电源出力约束、蓄电池运行约束和气体排放约束。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种微电网优化调度方法，其特征在于，包括：
根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；
根据层次分析法确定所述并网优化调度模型的权重和所述孤网优化调度模型的权重；
依据所述并网优化调度模型的权重和所述孤网优化调度模型的权重采用改进量子粒子群算法对并网优化调度模型和孤网优化调度模型优化调度求解，并根据求解结果配置对应的调度策略；
所述改进量子粒子群算法的方法为：结合混沌搜索以及精英保留策略对量子粒子群算法中参数α进行动态调整，α是收缩扩张因子，具体包括：
定义两个参数：进化速度因子sd与聚集度因子jd；设量子粒子群算法中粒子搜寻的全局最优值是G(t)，此前一次粒子迭代全局最优值是G(t-1)，当前粒子个体最优位置适应度为F(xi(t))，个体最优适应值平均值M；相关参数的计算公式如下所示：
根据sd和jd的值来动态调整量子粒子群算法中的参数α值，采取以下公式求取每次迭代过后的α值：
α＝f(sd,jd)＝α0-sdα1+jdα2
式中：α0为α的初始值，取值α0＝1；α1为sd作用下的权重；α2为jd作用下的权重；由于0＜sd≤1,0＜jd≤1，故α0-α1≤α≤α0+α2；
所述根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型包括：
设置目标函数，其中，所述目标函数包括：运行成本、环境污染处理成本和负荷中断赔偿成本；
设置约束条件，其中，所述约束条件包括：功率平衡约束、电位功率交互约束、微电源出力约束、蓄电池运行约束和气体排放约束；
计算环境污染处理成本包括：
根据各类污染气体的排放设置对应的惩罚系数；
依据所述惩罚系数计算所述环境污染处理成本；
其中，依据所述惩罚系数计算所述环境污染处理成本包括：
其中，m为污染物种类，共M种；Vm表示治理污染废气的费用；ai,m为第i种微电源第m种污染物排放系数；
当出现微电源提供的电力无法满足所述微电网在孤网状态下的负荷需求时，切除部分三级负荷，对负荷中断进行赔偿计算，得到所述负荷中断赔偿成本；
其中，对负荷中断进行赔偿计算，得到所述负荷中断赔偿成本包括：
min F3(x)＝CD(t)Pcut(t)
其中，CD(t)表示分布式电源停电成本：Pcut(t)表示切断的负荷的功率；
根据层次分析法确定所述并网优化调度模型的权重和所述孤网优化调度模型的权重包括：
分别对并网与孤网状态建立综合效益目标函数，并分别确立各个子目标的权重；
其中，并网状态建立综合效益目标函数包括：
min F＝ω1F1+ω2F2
F表示所述微电网在并网运行的总费用，ω1、ω2表示加权系数；
孤网状态建立综合效益目标函数包括：
min F＝ω1F1+ω2F2+ω3F3
F表示所述微电网在孤网运行总费用，ω1、ω2、ω3表示加权系数；
通过改变加权系数改变所述并网与孤网状态建立综合效益目标函数的子目标的权重。
2.根据权利要求1所述的方法，其特征在于，所述运行成本包括：燃料成本、微电源运行维护成本和蓄电池折旧成本。
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：
当所述微电网处于并网状态时，所述运行成本还包括：和大电网电能交易成本；
当所述微电网处于孤网状态时，与所述大电网的交互成本为0；
其中，计算微电源的运行成本包括：
其中，F1(x)表示运行成本；Cfu(t)表示燃料消耗花费的费用；Cma(t)表示微电源因为运行而产生的维护费用；Cdep(t)表示蓄电池的折旧成本；Cgrid(t)表示和大电网之间电能交易的费用，孤网运行时Cgrid(t)＝0。
4.根据权利要求1所述的方法，其特征在于，依据所述并网优化调度模型的权重和所述孤网优化调度模型的权重配置对应的调度策略包括：
所述并网优化调度模型的调度策略包括：
常规调度策略：
利用新能源发电，如果满足负荷需求，若电能有剩余，则根据电价不同，确定剩余电能向储能装置充电或向大电网出售；
当光伏发电与风力发电不能满足负荷需求，若缺额较小，则采用储能装置放电；
若光伏发电与风力发电对于负荷需求缺额大，则对比其他微电源发电成本和大电网购电成本，确定所述微电网内微电源出力以及是否向大电网购电；
峰谷平调度策略：
满足所述常规调度策略；
检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，提前向储能装置进行充电；在电价高的高峰阶段，满足负荷需求的情况下，向大电网售电；
所述孤网优化调度模型的调度策略包括：
常规调度策略：
利用新能源发电，若满足负荷需求，电能有剩余，则向储能装置进行充电；
当光伏发电与风力发电无法满足负荷需求，缺额小，则由所述储能装置提供；
若光伏发电与风力发电对于负荷需求缺额大，则对比其他微电源发电成本，确定所述微电网内微电源的出力；
当所述微电网内所有微电源满负荷出力仍无法满足负荷需求，则按照负荷重要程度依次切除负荷，以保证微电网内供需平衡；
峰谷平调度策略：
满足常规调度策略；
检查负荷需求所处的时间段，在负荷需求的低谷期和均衡期，向所述储能装置进行充电；在负荷需求的高峰阶段，根据负荷需求确定是否放电。
5.一种微电网优化调度装置，其特征在于，包括：
建模模块，用于根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型；
权重确定模块，用于根据层次分析法确定所述并网优化调度模型的权重和所述孤网优化调度模型的权重；
调度模块，用于依据所述并网优化调度模型的权重和所述孤网优化调度模型的权重配置对应的调度策略；
依据所述并网优化调度模型的权重和所述孤网优化调度模型的权重采用改进量子粒子群算法对并网优化调度模型和孤网优化调度模型优化调度求解，并根据求解结果配置对应的调度策略；
所述改进量子粒子群算法的方法为：结合混沌搜索以及精英保留策略对量子粒子群算法中参数α进行动态调整，α是收缩扩张因子，具体包括：
定义两个参数：进化速度因子sd与聚集度因子jd；设量子粒子群算法中粒子搜寻的全局最优值是G(t)，此前一次粒子迭代全局最优值是G(t-1)，当前粒子个体最优位置适应度为F(xi(t))，个体最优适应值平均值M；相关参数的计算公式如下所示：
根据sd和jd的值来动态调整量子粒子群算法中的参数α值，采取以下公式求取每次迭代过后的α值：
α＝f(sd,jd)＝α0-sdα1+jdα2
式中：α0为α的初始值，取值α0＝1；α1为sd作用下的权重；α2为jd作用下的权重；由于0＜sd≤1,0＜jd≤1，故α0-α1≤α≤α0+α2；
所述根据微电网的运行方式分别建立并网优化调度模型和孤网优化调度模型包括：
设置目标函数，其中，所述目标函数包括：运行成本、环境污染处理成本和负荷中断赔偿成本；
设置约束条件，其中，所述约束条件包括：功率平衡约束、电位功率交互约束、微电源出力约束、蓄电池运行约束和气体排放约束；
计算环境污染处理成本包括：
根据各类污染气体的排放设置对应的惩罚系数；
依据所述惩罚系数计算所述环境污染处理成本；
其中，依据所述惩罚系数计算所述环境污染处理成本包括：
其中，m为污染物种类，共M种；Vm表示治理污染废气的费用；ai,m为第i种微电源第m种污染物排放系数；
当出现微电源提供的电力无法满足所述微电网在孤网状态下的负荷需求时，切除部分三级负荷，对负荷中断进行赔偿计算，得到所述负荷中断赔偿成本；
其中，对负荷中断进行赔偿计算，得到所述负荷中断赔偿成本包括：
min F3(x)＝CD(t)Pcut(t)
其中，CD(t)表示分布式电源停电成本：Pcut(t)表示切断的负荷的功率；
根据层次分析法确定所述并网优化调度模型的权重和所述孤网优化调度模型的权重包括：
分别对并网与孤网状态建立综合效益目标函数，并分别确立各个子目标的权重；
其中，并网状态建立综合效益目标函数包括：
min F＝ω1F1+ω2F2
F表示所述微电网在并网运行的总费用，ω1、ω2表示加权系数；
孤网状态建立综合效益目标函数包括：
min F＝ω1F1+ω2F2+ω3F3
F表示所述微电网在孤网运行总费用，ω1、ω2、ω3表示加权系数；
通过改变加权系数改变所述并网与孤网状态建立综合效益目标函数的子目标的权重。
6.根据权利要求5所述的装置，其特征在于，所述建模模块包括：
第一建模单元，用于设置目标函数，其中，所述目标函数包括：运行成本、环境污染处理成本和负荷中断赔偿成本；
第二建模单元，用于设置约束条件，其中，所述约束条件包括：功率平衡约束、电位功率交互约束、微电源出力约束、蓄电池运行约束和气体排放约束。
CN202010048924.4A 2020-01-16 2020-01-16 微电网优化调度方法和装置 Active CN111224432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010048924.4A CN111224432B (zh) 2020-01-16 2020-01-16 微电网优化调度方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010048924.4A CN111224432B (zh) 2020-01-16 2020-01-16 微电网优化调度方法和装置

Publications (2)

Publication Number Publication Date
CN111224432A CN111224432A (zh) 2020-06-02
CN111224432B true CN111224432B (zh) 2024-03-29

Family

ID=70831199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010048924.4A Active CN111224432B (zh) 2020-01-16 2020-01-16 微电网优化调度方法和装置

Country Status (1)

Country Link
CN (1) CN111224432B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112165089A (zh) * 2020-09-29 2021-01-01 安阳师范学院 微电网的多目标调度方法、系统、设备及可存储介质
CN112736903A (zh) * 2020-12-25 2021-04-30 国网上海能源互联网研究院有限公司 一种海岛微网能量优化调度方法及装置
CN113988578A (zh) * 2021-10-25 2022-01-28 国网山东省电力公司青岛供电公司 计及可靠性的微电网群源网荷储协同优化调度方法及系统
CN114386884B (zh) * 2022-03-24 2022-07-01 广东电网有限责任公司东莞供电局 一种电网调度运行精益化评价方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557115A (zh) * 2009-05-15 2009-10-14 江苏省电力公司金湖县供电公司 谷电峰用储能装置
CN102104251A (zh) * 2011-02-24 2011-06-22 浙江大学 一种并网运行模式下的微电网实时能量优化调度方法
CN103474991A (zh) * 2013-09-18 2013-12-25 国电南瑞科技股份有限公司 基于时间尺度的配电网全局优化调度方法
CN104135037A (zh) * 2014-08-15 2014-11-05 华北电力大学句容研究中心 一种风光储优化运行方法
CN104135025A (zh) * 2014-05-30 2014-11-05 国家电网公司 基于模糊粒子群算法和储能系统的微网经济运行优化方法
CN104767224A (zh) * 2015-03-04 2015-07-08 华南理工大学 一种含多类储能的并网型风光储微电网的能量管理方法
CN105139147A (zh) * 2015-09-18 2015-12-09 北京北变微电网技术有限公司 微电网系统的经济调度方法
CN105375501A (zh) * 2015-09-18 2016-03-02 北京北变微电网技术有限公司 多时间尺度微电网分层稳定控制方法
CN106253294A (zh) * 2016-10-20 2016-12-21 广东电网有限责任公司佛山供电局 智能电网的储能调度方法和装置
CN109888806A (zh) * 2019-02-28 2019-06-14 武汉大学 一种含电动汽车的微电网储能优化配置方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557115A (zh) * 2009-05-15 2009-10-14 江苏省电力公司金湖县供电公司 谷电峰用储能装置
CN102104251A (zh) * 2011-02-24 2011-06-22 浙江大学 一种并网运行模式下的微电网实时能量优化调度方法
CN103474991A (zh) * 2013-09-18 2013-12-25 国电南瑞科技股份有限公司 基于时间尺度的配电网全局优化调度方法
CN104135025A (zh) * 2014-05-30 2014-11-05 国家电网公司 基于模糊粒子群算法和储能系统的微网经济运行优化方法
CN104135037A (zh) * 2014-08-15 2014-11-05 华北电力大学句容研究中心 一种风光储优化运行方法
CN104767224A (zh) * 2015-03-04 2015-07-08 华南理工大学 一种含多类储能的并网型风光储微电网的能量管理方法
CN105139147A (zh) * 2015-09-18 2015-12-09 北京北变微电网技术有限公司 微电网系统的经济调度方法
CN105375501A (zh) * 2015-09-18 2016-03-02 北京北变微电网技术有限公司 多时间尺度微电网分层稳定控制方法
CN106253294A (zh) * 2016-10-20 2016-12-21 广东电网有限责任公司佛山供电局 智能电网的储能调度方法和装置
CN109888806A (zh) * 2019-02-28 2019-06-14 武汉大学 一种含电动汽车的微电网储能优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
含小水电/微燃机的微电网优化运行研究;余志勇;《中国优秀硕士学位论文全文数据库》;第13-46页 *

Also Published As

Publication number Publication date
CN111224432A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
Rana et al. A review on hybrid photovoltaic–Battery energy storage system: Current status, challenges, and future directions
CN111224432B (zh) 微电网优化调度方法和装置
CN109687444B (zh) 一种微电网电源多目标双层优化配置方法
CN103151797B (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
Allwyn et al. A comprehensive review on energy management strategy of microgrids
Bruni et al. Control strategy influence on the efficiency of a hybrid photovoltaic-battery-fuel cell system distributed generation system for domestic applications
CN111293718B (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
Allahvirdizadeh et al. A comparative study of energy control strategies for a standalone PV/WT/FC hybrid renewable system
Almihat et al. Design and implementation of Hybrid Renewable energy (PV/Wind/Diesel/Battery) Microgrids for rural areas
Gbadega et al. JAYA algorithm-based energy management for a grid-connected micro-grid with PV-wind-microturbine-storage energy system
Parthasarathy et al. Optimal sizing of energy storage system and their impacts in hybrid microgrid environment
CN115940284A (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN115882483A (zh) 一种利用容量弹性实现系统最优储能容量配置的方法
Kan et al. Optimal configuration of the hybrid energy storage system for reducing the amount of discarded photovoltaic
Dai et al. Optimal day-ahead operation strategy of an electricity-hydrogen integrated energy system considering extra-day forecast information
Leng et al. A Comprehensive Literature Review for Optimal Planning of Distributed Energy Resources in Distribution Grids
Segera Economic Dispatch of PV-Integrated Power System with Optimally Sized Battery Energy Storage System using Particle Swarm Optimization
Shill A Hybrid System Combining Photovoltaic, Wind Turbine, Diesel Generator, and Battery Storage Technologies
Li et al. Multi-objective optimization scheduling of micro-grid with energy storage under time-of-use price mechanism
Ye et al. Low carbon economic operation optimization method of micro electric network based on adaptive artificial bee colony algorithm
Chen et al. Energy Storage Optimization of Multi-Energy System Considering Power Loss
Mengmeng et al. A Survey of Research on Datacenters Using Energy Storage Devices to Participate in Smart Grid Demand Response
He et al. Optimal Allocation of Demand Response and Energy Storage Load in Agricultural Systems Considering Distributed PV Power Consumption
Wentao et al. Multi-objective optimization of capacity configuration for grid-connected microgrid system
Izquierdo-Monge et al. Control Strategies in Microgrid Management: A state of Art

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