CN111293682A - 一种基于协同模型预测控制的多微网能量管理方法 - Google Patents

一种基于协同模型预测控制的多微网能量管理方法 Download PDF

Info

Publication number
CN111293682A
CN111293682A CN202010083671.4A CN202010083671A CN111293682A CN 111293682 A CN111293682 A CN 111293682A CN 202010083671 A CN202010083671 A CN 202010083671A CN 111293682 A CN111293682 A CN 111293682A
Authority
CN
China
Prior art keywords
microgrid
power
energy management
grid
micro
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010083671.4A
Other languages
English (en)
Other versions
CN111293682B (zh
Inventor
周丹
刘业伟
童伟
汪蕾
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010083671.4A priority Critical patent/CN111293682B/zh
Publication of CN111293682A publication Critical patent/CN111293682A/zh
Application granted granted Critical
Publication of CN111293682B publication Critical patent/CN111293682B/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
    • 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

Abstract

一种基于协同模型预测控制的多微网能量管理方法，包括以下步骤：S1建立多微网能量管理系统模型，由N个可相互作用的微电网和一个聚合器组成，每个微网中都含有光伏、热泵、充电桩、空调和可控冷/热/电负荷，S2分布式协同算法建立，过程如下：2.1)初始化阶段，并行解决每个子系统的局部优化问题；2.2)功率分配阶段，首先解决优化问题以协调微网，然后根据聚合器所得的能量管理计划并行计算出微网中局部问题的解；2.3)功率再分配阶段，在该阶段微网级问题被依次解决，为了再分配有聚合器计算而得的功率偏差。本发明提出一种基于协同模型预测控制的多微网能量管理方法，以实现系统整体运行成本最小，减少与主网之间的能量交换。

Description

一种基于协同模型预测控制的多微网能量管理方法
技术领域
本发明属于电力系统技术领域，提供一种基于协同模型预测控制的多微网能量管理方法。
背景技术
由于能源需求的不断增加以及传统发电对环境的污染，导致以风电、光伏为代表的可再生能源得到快速的发展，也促进了微电网的形成。与此同时，多能源转换技术的发展，也使得以电力为单一能源的传统微电网转换为了含有电、冷/热和天然气的多能源系统。微电网能够协调系统中分布式电源、可控负荷以及储能来提高能源利用率，减少系统运行成本。但微电网大范围接入电网，一定区域内微电网形成了微网群，如何协调管理微网群，对维护微网的稳定运行以及经济成本具有重要意义。
发明内容
为了协调管理多微网系统，本发明提出一种基于协同模型预测控制的多微网能量管理方法，以实现系统整体运行成本最小，减少与主网之间的能量交换。
本发明所采用的技术方案如下：
一种基于协同模型预测控制的多微网能量管理方法，所述方法包括以下步骤：
S1建立多微网能量管理系统模型
多微网能量管理系统由N个可相互作用的微电网和一个聚合器组成，每个微网中都含有光伏、热泵、充电桩、空调和可控冷/热/电负荷，其中燃料电池和储能系统作为共享资源；同时每个微网都配置一个基于模型预测控制的本地能源管理系统，该系统能够计算出分布式能源的本地控制器设定值以及该微网中可用的可控负荷；共享资源单独配有一个本地控制器，用于跟踪由所提策略决定的功率设定值；N个相互连接的微电网通过聚合器进行协调，同时聚合器也管理了共享资源的使用；假设本地管理系统信息同步，信息交换内容仅包含由本地决策系统计算而得的功率信息；
S2分布式协同算法建立，过程如下：
2.1)初始化阶段，并行解决每个子系统的局部优化问题；
2.2)功率分配阶段，首先解决优化问题以协调微网，然后根据聚合器所得的能量管理计划并行计算出微网中局部问题的解；
2.3)功率再分配阶段，在该阶段微网级问题被依次解决，为了再分配有聚合器计算而得的功率偏差。
进一步，所述2.1)中，在初始化阶段，每个微网中能量管理系统将根据本地的测量信息、预测信息和相应约束，并行计算得到最优能源计划；
问题1:微网i初始化问题
Figure BDA0002381228920000031
式中，k为采样时刻，i为微网数量，
Figure BDA0002381228920000032
为k时刻向电网购电价格，
Figure BDA0002381228920000033
和
Figure BDA0002381228920000034
为在k时刻微网i中热泵耗电量和产热量，
Figure BDA0002381228920000035
和
Figure BDA0002381228920000036
为在k时刻微网i中储能系统充放电功率，
Figure BDA0002381228920000037
和
Figure BDA0002381228920000038
为在k时刻微网i中可移动负荷的总功率需求和总能量需求，
Figure BDA0002381228920000039
和
Figure BDA00023812289200000310
分别为在k时刻微网i中充电桩和空调消耗电功率，
Figure BDA00023812289200000311
为在k时刻微网i中光伏发电功率，
Figure BDA00023812289200000312
分别为微网i中热泵、储能系统、可移动负荷、充电桩以及空调的最大混合线性模型定义的集合，
Figure BDA00023812289200000313
为微网i向主网所能购买的最大电功率；
为了保证功率分配阶段功率约束的可行性，令
Figure BDA00023812289200000314
式中，
Figure BDA00023812289200000315
为k时刻第i个微网最大功率容量；
设
Figure BDA00023812289200000316
利用
Figure BDA00023812289200000317
表示微网i在初始化阶段计算所得的最佳功率。
再进一步，所述2.2)中，基于初始化阶段所得的最优方案，建立了如问题2所示的数学模型，用以协调所有微电网功率；
问题2：聚合器协调问题
Figure BDA0002381228920000041
式中：
Figure BDA0002381228920000042
为天然气价格，
Figure BDA0002381228920000043
为热电联产机组消耗天然气功率，
Figure BDA0002381228920000044
为与主网的电力交换功率，
Figure BDA0002381228920000045
表示k时刻微网i所需功率的变化，
Figure BDA0002381228920000046
的引入增加了模型的灵活度，表示在初始化步骤中局部未使用的剩余能量，
Figure BDA0002381228920000047
和
Figure BDA0002381228920000048
分别为作为共享资源的燃料电池发电量和发热量，参数βi表示采用所提的能源管理方案后分配给微网i的节约成本，
Figure BDA0002381228920000049
和βi的设定需要根据微网i的具体关键特性进行仔细评估；
考虑到模型预测控制方案的迭代特性，在每个时间步长更新到规划周期结束后的剩余节约成本用
Figure BDA00023812289200000410
表示，如果剩余时间到规划周期结束后，Tκ小于预测周期T，则最后一个约束条件将由下式代替：
Figure BDA00023812289200000411
问题2的最后一个约束条件保证了该阶段各能源子系统的局部最优成本低于初始阶段得到的局部最优成本；
以下问题由微网i并行解决，旨在跟踪聚合器所发出的新的功率信息，
Figure BDA0002381228920000051
设：
Figure BDA0002381228920000052
问题3：微网i问题
Figure BDA0002381228920000053
式中：wk为惩罚因子，
Figure BDA0002381228920000054
是微网i的另一个成本参数，表示偏离聚合器所要求的功率信息所能承受的最大成本，且
Figure BDA0002381228920000055
则最后节约成本为
Figure BDA0002381228920000056
这意味着在计划周期结束时最低节约成本
Figure BDA0002381228920000057
与βi一样，
Figure BDA0002381228920000058
也必须在模型预测控制的每个时间步长被更新，记作
Figure BDA0002381228920000061
如果到计划周期结束后，剩余时间Tκ小于预测周期T，则问题3的最后一个约束条件将由下式代替：
Figure BDA0002381228920000062
由此可以假设，在完全互联与协作的微电网下，功率偏差可以部分补偿，并根据式(8)求得计算出每个时间步长下未满足的功率；
Figure BDA0002381228920000063
因此，整个系统成本花费为：
Figure BDA0002381228920000064
由于问题3的最后一个约束，使得系统总花费成本小于初始化阶段各微网所花成本之和，即
Figure BDA0002381228920000065
更进一步，所述2.3)中，如果存在一个k使得
Figure BDA0002381228920000066
则执行分布式协调算法的最后一个阶段；
设
Figure BDA0002381228920000067
利用式(11)表示求解问题3得到的每个微网购电功率信息，下面将进行功率在分配，直到在可行的情况下，未满足的功率被重新分配到微网中；
从微网i＝1开始，当i≤N时，仍存在未满足功率需要再分配，则解决下面问题4；
问题4：微网i功率再分配问题
Figure BDA0002381228920000071
式中：rk为奖励因子；
如果问题4无解，则
Figure BDA0002381228920000072
反之未满足功率信息将在每次迭代中更新
Figure BDA0002381228920000073
微网i将被奖励，整个系统总能源花费将减少
Figure BDA0002381228920000074
若剩下微网还存在未满足的功率，则仍可利用问题4进行在分配；
引入变量
Figure BDA0002381228920000075
定义
Figure BDA0002381228920000076
如果在上述循环完成后仍有未满足的功率，则考虑更新功率平衡约束、热舒适度约束以及聚合功率容量约束，如下：
Figure BDA0002381228920000077
通过更新上式以重新调度共享资源热电联产机组，解决聚合器级第二阶段问题，即问题2。
本发明的有益效果主要表现在：本发明具有较高灵活性，可以处理具有不同发电能力、能源需求、技术和操作特性的微电网。对于模型中微电网的数量可以任意设置。同时能够通过协调多微网间能量，从而减少局部以及整个系统的运行成本。
附图说明
图1是协调多微电网网络结构图。
图2分布式协同算法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，基于协同模型预测控制的多微网能量管理方法，包括以下步骤：
S1建立多微网能量管理系统模型
如图1所示，多微网能量管理系统模型有N个微网、共享资源(燃料电池和储能系统)以及聚合器所组成，其中每个微网都包含基于模型预测控制的能量管理系统、光伏、热泵、充电桩、空调以及其他负荷，微网中能量管理系统会根据自身特性以及发用电情况计算出需要购买或出售的电量，聚合器会根据每个微网计算结果，控制共享资源并协调各微网能量，以实现系统总运行成本最小；
S2分布式协同算法建立
所提算法主要由三部分组成，具体过程如图2所示：2.1)初始化阶段，并行解决每个子系统的局部优化问题；2.2)功率分配阶段，首先解决优化问题以协调微网，然后根据聚合器所得的能量管理计划并行计算出微网中局部问题的解；2.3)功率再分配阶段，在该阶段微网级问题被依次解决，为了再分配有聚合器计算而得的功率偏差。下面依次介绍。
2.1)初始化阶段：在初始化阶段，每个微网中能量管理系统将根据本地的测量信息、预测信息和相应约束，并行计算得到最优能源计划；
问题1:微网i初始化问题
Figure BDA0002381228920000091
式中，k为采样时刻，i为微网数量，
Figure BDA0002381228920000092
为k时刻向电网购电价格，
Figure BDA0002381228920000093
和
Figure BDA0002381228920000094
为在k时刻微网i中热泵耗电量和产热量，
Figure BDA0002381228920000095
和
Figure BDA0002381228920000096
为在k时刻微网i中储能系统充放电功率，
Figure BDA0002381228920000097
和
Figure BDA0002381228920000098
为在k时刻微网i中可移动负荷的总功率需求和总能量需求，
Figure BDA0002381228920000099
和
Figure BDA00023812289200000910
分别为在k时刻微网i中充电桩和空调消耗电功率，
Figure BDA00023812289200000911
为在k时刻微网i中光伏发电功率，
Figure BDA00023812289200000912
分别为微网i中热泵、储能系统、可移动负荷、充电桩以及空调的最大混合线性模型定义的集合，
Figure BDA0002381228920000101
为微网i向主网所能购买的最大电功率；
为了保证功率分配阶段功率约束的可行性，令
Figure BDA0002381228920000102
式中，
Figure BDA0002381228920000103
为k时刻第i个微网最大功率容量；
设
Figure BDA0002381228920000104
利用
Figure BDA0002381228920000105
表示微网i在初始化阶段计算所得的最佳功率；
2.2)功率分配阶段：基于初始化阶段所得的最优方案，建立了如问题2所示的数学模型，用以协调所有微电网功率；
问题2：聚合器协调问题
Figure BDA0002381228920000106
式中：
Figure BDA0002381228920000107
为天然气价格，
Figure BDA0002381228920000108
为热电联产机组消耗天然气功率，
Figure BDA0002381228920000109
为与主网的电力交换功率，
Figure BDA00023812289200001010
表示k时刻微网i所需功率的变化，
Figure BDA00023812289200001011
的引入增加了模型的灵活度，表示在初始化步骤中局部未使用最大的剩余能量，
Figure BDA00023812289200001012
和
Figure BDA00023812289200001013
分别为作为共享资源的燃料电池发电量和发热量，参数βi表示采用所提的能源管理方案后分配给微网i的节约成本，
Figure BDA0002381228920000111
和
Figure BDA0002381228920000112
的设定需要根据微网i的具体关键特性进行仔细评估；
考虑到模型预测控制方案的迭代特性，在每个时间步长更新到规划周期结束后的剩余节约成本用
Figure BDA0002381228920000113
表示，如果剩余时间到规划周期结束后，Tκ小于预测周期T，则最后一个约束条件将由下式代替：
Figure BDA0002381228920000114
问题2的最后一个约束条件保证了该阶段各能源子系统的局部最优成本低于初始阶段得到的局部最优成本；
以下问题由微网i并行解决，旨在跟踪聚合器所发出的新的功率信息，
Figure BDA0002381228920000115
设：
Figure BDA0002381228920000116
问题3：微网i问题
Figure BDA0002381228920000121
式中：wk为惩罚因子，
Figure BDA0002381228920000122
是微网i的另一个成本参数，表示偏离聚合器所要求的功率信息所能承受的最大成本，且
Figure BDA0002381228920000123
则最后节约成本为
Figure BDA0002381228920000124
这意味着在计划周期结束时最低节约成本
Figure BDA0002381228920000125
与βi一样，
Figure BDA0002381228920000126
也必须在模型预测控制的每个时间步长被更新，记作
Figure BDA0002381228920000127
如果到计划周期结束后，剩余时间Tκ小于预测周期T，则问题3的最后一个约束条件将由下式代替：
Figure BDA0002381228920000128
由此可以假设，在完全互联与协作的微电网下，功率偏差可以部分补偿，并根据式(8)求得计算出每个时间步长下未满足的功率；
Figure BDA0002381228920000131
因此，整个系统成本花费为：
Figure BDA0002381228920000132
由于问题3的最后一个约束，使得系统总花费成本小于初始化阶段各微网所花成本之和，即
Figure BDA0002381228920000133
2.3)功率再分配阶段
如果存在一个k使得
Figure BDA0002381228920000134
则执行分布式协调算法的最后一个阶段；
设
Figure BDA0002381228920000135
利用式(11)表示求解问题3得到的每个微网购电功率信息，下面将进行功率在分配，直到在可行的情况下，未满足的功率被重新分配到微网中；
从微网i＝1开始，当i≤N时，仍存在未满足功率需要再分配，则解决下面问题4；
问题4：微网i功率再分配问题
Figure BDA0002381228920000141
式中：rk为奖励因子；
如果问题4无解，则
Figure BDA0002381228920000142
反之未满足功率信息将在每次迭代中更新
Figure BDA0002381228920000143
微网i将被奖励，整个系统总能源花费将减少
Figure BDA0002381228920000144
若剩下微网还存在未满足的功率，则仍可利用问题4进行在分配；
引入变量
Figure BDA0002381228920000145
定义
Figure BDA0002381228920000146
如果在上述循环完成后仍有未满足的功率，则考虑更新功率平衡约束、热舒适度约束以及聚合功率容量约束，如下：
Figure BDA0002381228920000147
通过更新上式以重新调度共享资源热电联产机组，解决聚合器级第二阶段问题，即问题2。

Claims (4)

1.一种基于协同模型预测控制的多微网能量管理方法，其特征在于，所述方法包括以下步骤：
S1建立多微网能量管理系统模型
多微网能量管理系统由N个可相互作用的微电网和一个聚合器组成，每个微网中都含有光伏、热泵、充电桩、空调和可控冷/热/电负荷，其中燃料电池和储能系统作为共享资源；同时每个微网都配置一个基于模型预测控制的本地能源管理系统，该系统能够计算出分布式能源的本地控制器设定值以及该微网中可用的可控负荷；共享资源单独配有一个本地控制器，用于跟踪由所提策略决定的功率设定值；N个相互连接的微电网通过聚合器进行协调，同时聚合器也管理了共享资源的使用；假设本地管理系统信息同步，信息交换内容仅包含由本地决策系统计算而得的功率信息；
S2分布式协同算法建立，过程如下：
2.1)初始化阶段，并行解决每个子系统的局部优化问题；
2.2)功率分配阶段，首先解决优化问题以协调微网，然后根据聚合器所得的能量管理计划并行计算出微网中局部问题的解；
2.3)功率再分配阶段，在该阶段微网级问题被依次解决，为了再分配有聚合器计算而得的功率偏差。
2.如权利要求1所述的一种基于协同模型预测控制的多微网能量管理方法，其特征在于，所述2.1)中，在初始化阶段，每个微网中能量管理系统将根据本地的测量信息、预测信息和相应约束，并行计算得到最优能源计划；
问题1:微网i初始化问题
Figure FDA0002381228910000011
式中，k为采样时刻，i为微网数量，
Figure FDA0002381228910000021
为k时刻向电网购电价格，
Figure FDA0002381228910000022
和
Figure FDA0002381228910000023
为在k时刻微网i中热泵耗电量和产热量，
Figure FDA0002381228910000024
和
Figure FDA0002381228910000025
为在k时刻微网i中储能系统充放电功率，
Figure FDA0002381228910000026
和
Figure FDA0002381228910000027
为在k时刻微网i中可移动负荷的总功率需求和总能量需求，
Figure FDA0002381228910000028
和
Figure FDA0002381228910000029
分别为在k时刻微网i中充电桩和空调消耗电功率，
Figure FDA00023812289100000210
为在k时刻微网i中光伏发电功率，
Figure FDA00023812289100000211
分别为微网i中热泵、储能系统、可移动负荷、充电桩以及空调的最大混合线性模型定义的集合，
Figure FDA00023812289100000212
为微网i向主网所能购买的最大电功率；
为了保证功率分配阶段功率约束的可行性，令
Figure FDA00023812289100000213
式中，
Figure FDA00023812289100000214
为k时刻第i个微网最大功率容量；
设
Figure FDA00023812289100000215
利用
Figure FDA00023812289100000216
表示微网i在初始化阶段计算所得的最佳功率。
3.如权利要求1或2所述的一种基于协同模型预测控制的多微网能量管理方法，其特征在于，所述2.2)中，基于初始化阶段所得的最优方案，建立了如问题2所示的数学模型，用以协调所有微电网功率；
问题2：聚合器协调问题
Figure FDA00023812289100000217
式中：
Figure FDA00023812289100000218
为天然气价格，
Figure FDA00023812289100000219
为热电联产机组消耗天然气功率，
Figure FDA00023812289100000220
为与主网的电力交换功率，
Figure FDA00023812289100000221
表示k时刻微网i所需功率的变化，
Figure FDA00023812289100000222
的引入增加了模型的灵活度，表示在初始化步骤中局部未使用的剩余能量，
Figure FDA00023812289100000223
和
Figure FDA00023812289100000224
分别为作为共享资源的燃料电池发电量和发热量，参数βi表示采用所提的能源管理方案后分配给微网i的节约成本，
Figure FDA0002381228910000031
和βi的设定需要根据微网i的具体关键特性进行仔细评估；
考虑到模型预测控制方案的迭代特性，在每个时间步长更新到规划周期结束后的剩余节约成本用
Figure FDA0002381228910000032
表示，如果剩余时间到规划周期结束后，Tκ小于预测周期T，则最后一个约束条件将由下式代替：
Figure FDA0002381228910000033
问题2的最后一个约束条件保证了该阶段各能源子系统的局部最优成本低于初始阶段得到的局部最优成本；
以下问题由微网i并行解决，旨在跟踪聚合器所发出的新的功率信息，
Figure FDA0002381228910000034
设：
Figure FDA0002381228910000035
问题3：微网i问题
Figure FDA0002381228910000036
式中：wk为惩罚因子，
Figure FDA0002381228910000037
是微网i的另一个成本参数，表示偏离聚合器所要求的功率信息所能承受的最大成本，且
Figure FDA0002381228910000038
则最后节约成本为
Figure FDA0002381228910000039
这意味着在计划周期结束时最低节约成本
Figure FDA0002381228910000041
与βi一样，
Figure FDA0002381228910000042
也必须在模型预测控制的每个时间步长被更新，记作
Figure FDA0002381228910000043
如果到计划周期结束后，剩余时间Tκ小于预测周期T，则问题3的最后一个约束条件将由下式代替：
Figure FDA0002381228910000044
由此可以假设，在完全互联与协作的微电网下，功率偏差可以部分补偿，并根据式(8)求得计算出每个时间步长下未满足的功率；
Figure FDA0002381228910000045
因此，整个系统成本花费为：
Figure FDA0002381228910000046
由于问题3的最后一个约束，使得系统总花费成本小于初始化阶段各微网所花成本之和，即
Figure FDA0002381228910000047
4.如权利要求3所述的一种基于协同模型预测控制的多微网能量管理方法，其特征在于，所述2.3)中，如果存在一个k使得
Figure FDA0002381228910000048
则执行分布式协调算法的最后一个阶段；
设
Figure FDA0002381228910000049
利用式(11)表示求解问题3得到的每个微网购电功率信息，下面将进行功率在分配，直到在可行的情况下，未满足的功率被重新分配到微网中；
从微网i＝1开始，当i≤N时，仍存在未满足功率需要再分配，则解决下面问题4；
问题4：微网i功率再分配问题
Figure FDA0002381228910000051
式中：rk为奖励因子；
如果问题4无解，则
Figure FDA0002381228910000052
反之未满足功率信息将在每次迭代中更新
Figure FDA0002381228910000053
微网i将被奖励，整个系统总能源花费将减少
Figure FDA0002381228910000054
若剩下微网还存在未满足的功率，则仍可利用问题4进行在分配；
引入变量
Figure FDA0002381228910000055
定义
Figure FDA0002381228910000056
如果在上述循环完成后仍有未满足的功率，则考虑更新功率平衡约束、热舒适度约束以及聚合功率容量约束，如下：
Figure FDA0002381228910000057
通过更新上式以重新调度共享资源热电联产机组，解决聚合器级第二阶段问题，即问题2。
CN202010083671.4A 2020-02-10 2020-02-10 一种基于协同模型预测控制的多微网能量管理方法 Active CN111293682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010083671.4A CN111293682B (zh) 2020-02-10 2020-02-10 一种基于协同模型预测控制的多微网能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010083671.4A CN111293682B (zh) 2020-02-10 2020-02-10 一种基于协同模型预测控制的多微网能量管理方法

Publications (2)

Publication Number Publication Date
CN111293682A true CN111293682A (zh) 2020-06-16
CN111293682B CN111293682B (zh) 2022-06-17

Family

ID=71030724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010083671.4A Active CN111293682B (zh) 2020-02-10 2020-02-10 一种基于协同模型预测控制的多微网能量管理方法

Country Status (1)

Country Link
CN (1) CN111293682B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112202206A (zh) * 2020-09-10 2021-01-08 上海大学 一种基于势博弈的多能源微网分布式调度方法
CN113346478A (zh) * 2021-05-14 2021-09-03 沈阳工程学院 一种配电网集中式协同调控方法
CN113991685A (zh) * 2021-10-29 2022-01-28 国网上海市电力公司 一种提高抗风险能力的微电网多层次优化方法和装置
CN114336585A (zh) * 2021-09-24 2022-04-12 北京交通大学 基于多智能体协同的多微网能量管理方法、系统和电子设备
CN116799830A (zh) * 2023-08-24 2023-09-22 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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140350743A1 (en) * 2012-08-27 2014-11-27 Nec Laboratories America, Inc. Tiered power management system for microgrids
US9263894B2 (en) * 2007-03-21 2016-02-16 Sandia Corporation Customized electric power storage device for inclusion in a collective microgrid
CN107958300A (zh) * 2017-08-21 2018-04-24 浙江工业大学 一种考虑互动响应的多微网互联运行协调调度优化方法
CN109214597A (zh) * 2018-10-25 2019-01-15 浙江工业大学 一种微电网功率和运行储备容量的优化规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9263894B2 (en) * 2007-03-21 2016-02-16 Sandia Corporation Customized electric power storage device for inclusion in a collective microgrid
US20140350743A1 (en) * 2012-08-27 2014-11-27 Nec Laboratories America, Inc. Tiered power management system for microgrids
CN107958300A (zh) * 2017-08-21 2018-04-24 浙江工业大学 一种考虑互动响应的多微网互联运行协调调度优化方法
CN109214597A (zh) * 2018-10-25 2019-01-15 浙江工业大学 一种微电网功率和运行储备容量的优化规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
VAN-HAI BUI ETC: "A Multiagent-Based Hierarchical Energy Management Strategy for Multi-Microgrids Considering Adjustable Power and", 《IEEE TRANSACTIONS ON SMART GRID》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112202206A (zh) * 2020-09-10 2021-01-08 上海大学 一种基于势博弈的多能源微网分布式调度方法
CN113346478A (zh) * 2021-05-14 2021-09-03 沈阳工程学院 一种配电网集中式协同调控方法
CN113346478B (zh) * 2021-05-14 2023-06-30 沈阳工程学院 一种配电网集中式协同调控方法
CN114336585A (zh) * 2021-09-24 2022-04-12 北京交通大学 基于多智能体协同的多微网能量管理方法、系统和电子设备
CN114336585B (zh) * 2021-09-24 2023-08-01 北京交通大学 基于多智能体协同的多微网能量管理方法、系统和电子设备
CN113991685A (zh) * 2021-10-29 2022-01-28 国网上海市电力公司 一种提高抗风险能力的微电网多层次优化方法和装置
CN116799830A (zh) * 2023-08-24 2023-09-22 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
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

Also Published As

Publication number Publication date
CN111293682B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN111293682B (zh) 一种基于协同模型预测控制的多微网能量管理方法
Tan et al. Integration of electric vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques
Ju et al. A bi-level stochastic scheduling optimization model for a virtual power plant connected to a wind–photovoltaic–energy storage system considering the uncertainty and demand response
Pu et al. Optimal sizing for an integrated energy system considering degradation and seasonal hydrogen storage
Wang et al. Integrated energy exchange scheduling for multimicrogrid system with electric vehicles
Liu et al. Long-term economic planning of combined cooling heating and power systems considering energy storage and demand response
Qiu et al. Tri-level mixed-integer optimization for two-stage microgrid dispatch with multi-uncertainties
Arnold et al. Distributed predictive control for energy hub coordination in coupled electricity and gas networks
CN108133285B (zh) 一种接入大规模可再生能源的混合能源系统实时调度方法
Howlader et al. Distributed generation incorporated with the thermal generation for optimum operation of a smart grid considering forecast error
Mei et al. Stochastic optimization of multi-energy system operation considering hydrogen-based vehicle applications
CN114498639B (zh) 一种考虑需求响应的多微电网联合互济的日前调度方法
Ju et al. A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator
Fang et al. Multiple time-scale energy management strategy for a hydrogen-based multi-energy microgrid
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN108233430A (zh) 一种计及系统能源波动性的交直流混合微网优化方法
Wang et al. Scenario analysis, management, and optimization of a new Vehicle-to-Micro-Grid (V2μG) network based on off-grid renewable building energy systems
Wang et al. Distributionally robust optimal scheduling of integrated energy systems including hydrogen fuel cells considering uncertainties
Wang et al. Benefits analysis of energy storage system configured on the renewable energy gathering stations
CN112736950B (zh) 一种面向微电网群的公共储能电站配置方法及系统
CN114389262A (zh) 一种弹性环境下基于鲁棒优化的区域电网调度方法
CN114362169A (zh) 一种计及光储型虚拟电厂边际成本的分层协调调控方法
Zhu et al. Distributed cluster regulation strategy of multipark integrated energy system using multilayer deep Q learning
Roy et al. Stochastic power allocation of distributed tri-generation plants and energy storage units in a zero bus microgrid with electric vehicles and demand response
CN113852121B (zh) 一种电氢多能互补型综合能源系统的实时能量管理方法

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