CN111342456A - 一种台区能源系统建模方法及系统 - Google Patents

一种台区能源系统建模方法及系统 Download PDF

Info

Publication number
CN111342456A
CN111342456A CN202010189492.9A CN202010189492A CN111342456A CN 111342456 A CN111342456 A CN 111342456A CN 202010189492 A CN202010189492 A CN 202010189492A CN 111342456 A CN111342456 A CN 111342456A
Authority
CN
China
Prior art keywords
wind
energy system
energy
power generation
power
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.)
Pending
Application number
CN202010189492.9A
Other languages
English (en)
Inventor
许迪
李刚
李野
董得龙
孔祥玉
王铮涛
杨光
陈娟
乔亚男
何泽昊
季浩
白涛
孙虹
卢静雅
刘浩宇
顾强
张兆杰
赵紫敬
贺宁
李雅娴
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.)
Tianjin University
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
Tianjin University
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
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 Tianjin University, State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical Tianjin University
Priority to CN202010189492.9A priority Critical patent/CN111342456A/zh
Publication of CN111342456A publication Critical patent/CN111342456A/zh
Pending legal-status Critical Current

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings 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
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/12—Energy storage units, uninterruptible power supply [UPS] systems or standby or emergency generators, e.g. in the last power distribution stages

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种台区能源系统建模方法，包括如下步骤：构建能源终端；获取风光发电功率预测数据；考虑经济和环境两个指标，得到台区的能源系统模型；利用差异进化算法对台区的能源系统模型进行优化求解。本发明还涉及一种台区能源系统建模系统，包括能源终端、风光发电功率预测数据获取模块、台区能源系统模型构建模块以及台区能源系统模型优化求解模块。本发明能够充分感知柴油发电、设备用能、电价等信息，同时对风光发电功率进行预测，利用获得的数据，使能源生产和消耗协调配合，充分利用可再生新能源，对整个能源系统进行经济和能源的双指标优化。

Description

一种台区能源系统建模方法及系统
技术领域
本发明属于电力供需互动领域领域，特别是一种台区能源系统建模方法及系统。
背景技术
能源问题事关人类社会可持续发展的前程。随着多种可再生新能源的引入，对于优化能源结构、协调能源生产与需求的需要日益显著。
目前，在很多场景中，经济优化和环境优化都是难题。一方面，柴油发电、用户用电、新能源发电、能源系统与外部交互等都会带来成本问题；另一方面，环境问题的日益严峻，环境效益成为了另一个重要指标。如何规划台区能源系统，使其在经济型和环保性上取得权衡成为了重要课题。
但是，目前还没有一套有效的方法和系统，能够对整个能源系统进行经济和环境的双指标优化，还不能满足当前的可持续发展需要。
发明内容
本发明的目的在于克服现有技术的不足，提供一种台区能源系统建模方法及系统。
本发明解决其技术问题是采取以下技术方案实现的：
一种台区能源系统建模方法，包括如下步骤：
步骤一：获取天气测量数据，获取风光发电功率数据；
步骤二：获取用能数据、柴油机参数，获取电池储能单位运行费用和外部电价信息，结合所述的风光发电功率预测数据，经济和环境两个指标，得到台区的能源系统模型：
Figure BDA0002415351020000011
其中，α为偏好因子，Fco为运行费用，FEB为气体排放系数，Fco *为运行费用的基准值，即气体排放系数最优时的运行费用；FEB *为气体排放系数的基准值，即运行费用最低时的气体排放系数；
步骤三，利用差异进化算法对台区的能源系统模型进行优化求解。
而且，所述获取天气测量数据，获取风光发电功率预测数据的方法为：
步骤1，基于数值天气预报获取风光互补发电站的天气测量数据；
步骤2，将风光互补发电站的天气测量数据结合风光互补发电站的其他条件数据建立风光发电功率预测模型；
步骤3，根据建立的风光发电功率预测模型得出风光发电功率预测数据。
而且，所述风光互补发电站的天气测量数据包括下述中的至少一种：光照强度；温度；风速；风向；气压。
而且，所述风光互补发电站的其他条件数据包括下述中的至少一种：地形；地貌；风机排列；光伏组建的倾角和方位角。
而且，所述建立风光发电功率预测模型使用神经网络的方法建立，其方法为：
通过风光互补发电站历史数据的训练，利用非线性映射将输入层的天气测量数据及其他条件数据映射到隐藏层，再由隐藏层映射到输出层，通过不断改变这个非线性函数的参数使输出结果与实际误差最小，训练完成后输入天气测量数据，输出的结果为风光发电功率预测数据。
而且，所述利用差异进化算法对台区的能源系统进行优化求解的方法，包括如下步骤：
步骤1，能源终端读取台区能源系统内的数据，包括风光发电功率预测数据、电池储能单位运行费用、外部电价信息、柴油机参数与用能数据；设置差异进化算法参数；输入偏好因子与约束条件；
步骤2，基于步骤1，初始化种群；
步骤3，对初始化的种群进行变异操作，得到变异向量：
Figure BDA0002415351020000021
Figure BDA0002415351020000022
其中，F为缩放因子，
Figure BDA0002415351020000023
为变异、交叉前的a原始个体,
Figure BDA0002415351020000024
为变异、交叉前的b原始个体,
Figure BDA0002415351020000025
为变异、交叉前的c原始个体，k代表迭代次数；
步骤4，利用上述的变异向量根据下式对种群进行交叉，得到试验个体，
Figure BDA0002415351020000026
其中CR为交叉因子；
步骤5，利用贪婪算法选择试验个体中进入下一代种群中的个体，如果试验个体的适应度值小于原始个体，则试验个体取代原始个体，反之保留；
步骤6，判断当前迭代次数是否达到最大值，若否，则次数增加1，转到步骤3；若是，则转到步骤7；
步骤7，判断当前用户偏好因子下得到的经济效益和环境指标是否满意，若满意则输出控制策略；若不满意则转到步骤1调整偏好因子。
而且，所述设置的差异进化算法参数包括种群规模、缩放因子、交叉因子、最大迭代次数。
而且，所述的约束条件为：
能源系统供需平衡约束：
PLD(t)＝PWT(t)+PPV(t)+PDE(t)+PES(t)+PG(t)
其中PLD(t)为配电网的负荷需求、PWT(t)为风电发电功率、PPV(t)为光伏发电功率、PDE(t)为柴油机发电负荷、PES(t)为储能充放电功率、PG(t)为与外部交互功率；
电池储能运行约束：
-Pch,max≤PES(t)≤Pdis,max
SOCmin≤SOC(t)≤SOCmax
电池储能充放电功率限制在最大运行功率范围内；为延长电池储能的使用寿命，避免深度充放电，荷电状态处于最大和最小允许荷电状态间；其中Pch,max为储能充电功率上限，Pdis,max为储能放电功率上限；SOCmin为储能最小荷电状态，SOCmax为储能最大荷电状态；
柴油机运行约束：
Pmin-DE≤PDE(t)≤Pmax-DE
Figure BDA0002415351020000031
柴油机的处理不超过出力上下限、且柴油机的功率变化不超过最大爬坡上升率和下降率；其中Pmin-DE为柴油机出力下限，Pmax-DE为柴油机出力上限，PDE,down为柴油机功率最大下降率，PDE-up为柴油机功率最大上升率；
能源系统与配电网交互功率约束：
Pmin-line≤PG(t)≤Pmax-line。
其中Pmin-line为能源系统与配电网的最小交互功率，为负数，Pmax-line为能源系统与配电网的最大交互功率。
一种台区能源系统建模系统，包括风光发电功率预测数据获取模块、台区能源系统模型构建模块以及台区能源系统模型优化求解模块，
所述的风光发电功率预测数据获取模块用来获取风光发电功率预测数据；
所述的台区能源系统模型构建模块用于获取用能数据、柴油机参数，获取电池储能单位运行费用和外部电价信息，结合所述风光发电功率预测数据，经济和环境两个指标，得到台区的能源系统模型：
Figure BDA0002415351020000041
其中，α为偏好因子，Fco为运行费用，FEB为气体排放系数，Fco *为气体排放系数最优时的运行费用；FEB *为运行费用最低时的气体排放系数；
所述的台区能源系统模型优化求解模块用于利用差异进化算法对台区的能源系统模型进行优化求解。
本发明的优点和积极效果是：
1.本发明构建了能源终端，该设备是信息、能源网中交换机和路由器的集成，由能源模块、通信模块、决策与控制模块构成。该装置是控制台区能源系统的核心装置，在其决策与控制模块中执行算法，获得对整个台区能源系统的优化方案。
2.本发明在智能终端中实现了风光发电的功率预测，为了解决可再生能源有不确定性的问题，智能终端获取气象信息，在决策与控制模块中利用基于数值天气预报NWP的预测方法，结合神经网络获取风光发电功率预测数据，协助后续优化台区能源流动。
3.本发明构建的能源终端能够基于风光发电功率预测数据、采集到的外部电价、用电数据、柴油机发电数据，在考虑到经济性和环保性两个指标下，通过设定偏好因子，转化为单目标规划，再利用差异进化算法求解。解决了台区能源系统的经济、环保双指标优化问题。
附图说明
图1为本发明的方法流程图；
图2为本发明能源终端的原理结构图；
图3为本发明风光发电功率预测的方法流程图；
图4为本发明风光发电功率预测神经网络的示意图；
图5为本发明利用能源终端实现优化的示意图；
图6为本发明利用差异进化算法对台区的能源系统进行优化的方法示意图。
具体实施方式
以下结合附图对本发明的实施例做进一步详述：
一种台区能源系统建模方法，其创新之处在于：如图1及图5所示，包括如下步骤：
步骤一：构建能源终端；
步骤二：通过能源终端获取天气测量数据，获取风光发电功率预测数据；
步骤三：感知模块用计量设备获取用能数据、柴油机参数，并送至能源终端的决策与控制模块进行分析处理，获取电池储能单位运行费用和外部电价信息，结合获取的风光发电功率预测数据以及经济和环境两个指标，得到台区的能源系统模型：
Figure BDA0002415351020000051
其中，α为偏好因子，Fco为运行费用，FEB为气体排放系数，Fco *为运行费用的基准值，即气体排放系数最优时的运行费用；FEB *为气体排放系数的基准值，即运行费用最低时的气体排放系数；
其中
Figure BDA0002415351020000052
代表经济性，
Figure BDA0002415351020000053
代表环保性，其具体含义如下：
经济性方面，日运行费用是衡量能源系统运行经济性的最重要指标；包括风机、光伏、柴油发电机发电成本、储能运行成本、系统与外部交互成本等，
Figure BDA0002415351020000054
其中，CWT(t)为风力发电费用、CPV(t)为光伏发电费用、CDE(t)为柴油机发电费用、CES(t)为储能运行成本、CG(t)为与配电网的功率交互成本。其中：
CWT(t)＝βWTPWT(t)Δt+CWT
CPV(t)＝βPVPPV(t)Δt+Ccon,PV
CDE(t)＝βDE[a(PDE(t))2+bPDE(t)+c]Δt
CES(t)＝βES-opPES(t)Δt+ESSlossfB
Figure BDA0002415351020000061
具体参数上，CWT(t)/CPV(t)为风力/光伏发电费用，βWT/βPV为风力/光伏发电系统单位运行费用，PWT(t)/PPV(t)为风力发电功率，CWT/Ccon,PV为风力/光伏发电固定运行费用。CDE(t)为柴油机发电费用，βDE为柴油价格，PDE(t)为柴油机发电功率。CES(t)为储能运行成本，βES-op为电池储能单位运行费用，PES(t)为储能交换功率，ESSloss为电池储能的寿命消耗系数，fB为储能电池的价格。CG(t)为与配电网的功率交互成本，βbuy为配电网购电电价，βsell为配电网售电电价，PG(t)为与配电网的交互功率。
另一方面随着环境问题的日益严峻，环境效益成为了另一个指标，使用气体排放量来定量衡量能源系统运行的环境效益，排放量由柴油发电机气体排放量和配电网气体排放量组成。
Figure BDA0002415351020000062
Figure BDA0002415351020000063
Figure BDA0002415351020000064
其中EBDE(t)是柴油发电机的气体排放量，EBGrid(t)是配电网气体排放量。J＝3，j为污染物种类，j＝1对应CO2；J＝2对应SO2；J＝3对于NOX。γj是污染物对环境的危害程度，αDE,j为柴油发电机的污染物的排放系数，单位为g/kWh。αGrid,j为配电网的污染物排放系数，具体见下表：
表1污染物排放系数
Figure BDA0002415351020000071
因此，为了确定环保性需要的数据有：柴油机发电量与配电网的交互功率。
步骤四，利用差异进化算法对台区的能源系统模型进行优化求解。
如图2所示，所述的能源终端包括能源模块、通信模块以及决策与控制模块，
所述的能源模块用来接收天气量测数据、用能数据、柴油机发电数据，与通信模块接口传递数据，同时接收决策与控制模块的结果反馈，作为能源互联网与能源局域网的接口分配能源；
所述的通信模块用于传递信息流，控制决策与控制模块；
所述的决策与控制模块用于执行算法的处理，实现能源控制、优化管理、信息记录、安全分析以及接入控制功能，在完成目标规划后，将规划处理结果反馈至能源模块进行分配。
如图3所示，所述通过构建的能源终端获取风光发电功率预测数据的方法为：
步骤1，基于数值天气预报获取风光互补发电站的天气测量数据；
步骤2，将风光互补发电站的天气测量数据结合风光互补发电站的其他条件数据建立风光发电功率预测模型；
步骤3，根据建立的风光发电功率预测模型得出风光发电功率预测数据。
所述风光互补发电站的天气测量数据包括下述中的至少一种：光照强度；温度；风速；风向；气压。
所述风光互补发电站的其他条件数据包括下述中的至少一种：地形；地貌；风机排列；光伏组建的倾角和方位角。
如图4所示，所述建立风光发电功率预测模型使用神经网络的方法建立，其方法为：
通过风光互补发电站历史数据的训练，利用非线性映射将输入层的天气测量数据(如时间、温度、气压、风速、风向、光照强度等)及其他条件数据映射到隐藏层，再由隐藏层映射到输出层1，输出层1再将电压及电流映射到输出层2，通过不断改变这个非线性函数的参数使输出结果与实际误差最小，训练完成后输入天气测量数据，输出的结果为风光发电功率预测数据。具体训练过程如下：
(1)正向传递。通过神经正常传递得到对应的函数输出Y’；
(2)反向误差传递，计算函数Y’与实际输出Y的误差，利用梯度下降原理，按照梯度方向修改参数，使网络输出与实际误差减小；
(3)不断循环，直至误差量达到某一设定值或循环次数达到上限。
利用风光发电站的历史数据进行以上训练。训练完成后，输入新的一组天气数据就可以根据训练获得的映射函数传递得到对于的风光发电功率预测值。因为神经网络的方法可以对风光互补发电站位置进行预测自适应，所以它具有系统误差小的优点。在智能终端的决策与控制模块中通过该方法，即可获取风光发电功率预测数据。
如图6所示，所述利用差异进化算法对台区的能源系统进行优化求解的方法，包括如下步骤：
步骤1，能源终端读取台区能源系统内的数据，包括风光发电功率预测数据、电池储能单位运行费用、外部电价信息、柴油机参数与用能数据；设置差异进化算法参数；
步骤2，输入偏好因子与约束条件；
步骤3，初始化种群；
步骤4，对种群进行变异操作，F为缩放因子，
Figure BDA0002415351020000081
为变异、交叉前的a原始个体,
Figure BDA0002415351020000082
为变异、交叉前的b原始个体,
Figure BDA0002415351020000083
为变异、交叉前的c原始个体，k代表迭代次数，由多个个体组合得到变异向量：
Figure BDA0002415351020000084
Figure BDA0002415351020000085
步骤5，利用上述的变异向量根据下式对种群进行交叉，得到试验个体，
Figure BDA0002415351020000086
其中CR为交叉因子；步骤4、5对种群进行了一轮变异、交叉操作，使种群中个体的部分基因发生变化，接下来通过步骤6选择进入下一代的个体，确保下一代种群的个体对于函数值优于这一代。
步骤6，差异进化算法采用一对一竞争的贪婪算法选择试验个体中进入下一代种群中的个体，对于最小化问题，如果试验个体的适应度值小于原始个体，则试验个体取代原始个体，反之保留；
步骤7，判断当前迭代次数是否达到最大值，若否，则次数增加1，转到步骤4；若是，则转到步骤8；
步骤8，判断当前用户偏好因子下得到的经济效益和环境指标是否满意，若满意则输出控制策略；若不满意则调整偏好因子转到步骤2。
所述设置的差异进化算法参数包括种群规模、缩放因子、交叉因子、最大迭代次数。
所述的约束条件为：
能源系统供需平衡约束：
PLD(t)＝PWT(t)+PPV(t)+PDE(t)+PES(t)+PG(t)
其中PLD(t)为配电网的负荷需求、PWT(t)为风电发电功率、PPV(t)为光伏发电功率、PDE(t)为柴油机发电负荷、PES(t)为储能充放电功率、PG(t)为与外部交互功率；
电池储能运行约束：
-Pch,max≤PES(t)≤Pdis,max
SOCmin≤SOC(t)≤SOCmax
电池储能充放电功率限制在最大运行功率范围内；为延长电池储能的使用寿命，避免深度充放电，荷电状态处于最大和最小允许荷电状态间；其中Pch,max为储能充电功率上限，Pdis,max为储能放电功率上限；SOCmin为储能最小荷电状态，SOCmax为储能最大荷电状态。
柴油机运行约束：
Pmin-DE≤PDE(t)≤Pmax-DE
Figure BDA0002415351020000091
柴油机的处理不超过出力上下限、且柴油机的功率变化不超过最大爬坡上升率和下降率；其中Pmin-DE为柴油机出力下限，Pmax-DE为柴油机出力上限，PDE,down为柴油机功率最大下降率，PDE-up为柴油机功率最大上升率；
能源系统与配电网交互功率约束：
Pmin-line≤PG(t)≤Pmax-line。
其中Pmin-line为能源系统与配电网的最小交互功率(为负数)，Pmax-line为能源系统与配电网的最大交互功率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种台区能源系统建模方法，其特征在于：包括如下步骤：
步骤一：获取天气测量数据，获取风光发电功率预测数据；
步骤二：获取用能数据、柴油机参数，获取电池储能单位运行费用和外部电价信息，结合所述风光发电功率预测数据，经济和环境两个指标，得到台区的能源系统模型；
步骤三，利用差异进化算法对台区的能源系统模型进行优化求解。
2.根据权利要求1所述的一种台区能源系统建模方法，其特征在于：所述获取天气测量数据，获取风光发电功率预测数据的方法为：
步骤1，基于数值天气预报获取风光互补发电站的天气测量数据；
步骤2，将风光互补发电站的天气测量数据结合风光互补发电站的其他条件数据建立风光发电功率预测模型；
步骤3，根据建立的风光发电功率预测模型得出风光发电功率预测数据。
3.根据权利要求2所述的一种台区能源系统建模方法，其特征在于：所述风光互补发电站的天气测量数据包括下述中的至少一种：
光照强度；温度；风速；风向；气压；
所述风光互补发电站的其他条件数据包括下述中的至少一种：地形；地貌；风机排列；光伏组建的倾角和方位角。
4.根据权利要求2所述的一种台区能源系统建模方法，其特征在于：所述建立风光发电功率预测模型使用神经网络的方法建立，其方法为：
通过风光互补发电站历史数据的训练，利用非线性映射将输入层的天气测量数据及其他条件数据映射到隐藏层，再由隐藏层映射到输出层，通过不断改变这个非线性函数的参数使输出结果与实际误差最小，训练完成后输入天气测量数据，输出的结果为风光发电功率预测数据。
5.根据权利要求1所述的一种台区能源系统建模方法，其特征在于：所述获取用能数据、柴油机参数，获取电池储能单位运行费用和外部电价信息，结合所述风光发电功率预测数据，经济和环境两个指标，得到台区的能源系统模型为：
Figure FDA0002415351010000011
其中，α为偏好因子，Fco为运行费用，FEB为气体排放系数，Fco *为气体排放系数最优时的运行费用；FEB *为运行费用最低时的气体排放系数
6.根据权利要求1所述的一种台区能源系统建模方法，其特征在于：所述利用差异进化算法对台区的能源系统进行优化求解的方法，包括如下步骤：
步骤1，能源终端读取台区能源系统内的数据；设置差异进化算法参数；输入偏好因子与约束条件；
步骤2，基于步骤1，初始化种群；
步骤3，对初始化的种群进行变异操作，得到变异向量：
Figure FDA0002415351010000021
Figure FDA0002415351010000022
其中，F为缩放因子，
Figure FDA0002415351010000023
为变异、交叉前的a原始个体,
Figure FDA0002415351010000024
为变异、交叉前的b原始个体,
Figure FDA0002415351010000025
为变异、交叉前的c原始个体，k代表迭代次数；
步骤4，利用上述的变异向量根据下式对种群进行交叉，得到试验个体，
Figure FDA0002415351010000026
其中CR为交叉因子；
步骤5，利用贪婪算法选择试验个体中进入下一代种群中的个体，如果试验个体的适应度值小于原始个体，则试验个体取代原始个体，反之保留；
步骤6，判断当前迭代次数是否达到最大值，若否，则次数增加1，转到步骤3；若是，则转到步骤7；
步骤7，判断当前用户偏好因子下得到的经济效益和环境指标是否满意，若满意则输出控制策略；若不满意则转到步骤1调整偏好因子。
7.根据权利要求6所述的一种台区能源系统建模方法，其特征在于：所述设置的差异进化算法参数包括种群规模、缩放因子、交叉因子、最大迭代次数。
8.根据权利要求6所述的一种台区能源系统建模方法，其特征在于：所述的约束条件为：
能源系统供需平衡约束：
PLD(t)＝PWT(t)+PPV(t)+PDE(t)+PES(t)+PG(t)
其中PLD(t)为配电网的负荷需求、PWT(t)为风电发电功率、PPV(t)为光伏发电功率、PDE(t)为柴油机发电负荷、PES(t)为储能充放电功率、PG(t)为与外部交互功率；
电池储能运行约束：
-Pch,max≤PES(t)≤Pdis,max
SOCmin≤SOC(t)≤SOCmax
其中Pch,max为储能充电功率上限，Pdis,max为储能放电功率上限；SOCmin为储能最小荷电状态，SOCmax为储能最大荷电状态；
柴油机运行约束：
Pmin-DE≤PDE(t)≤Pmax-DE
Figure FDA0002415351010000031
其中Pmin-DE为柴油机出力下限，Pmax-DE为柴油机出力上限，PDE,down为柴油机功率最大下降率，PDE-up为柴油机功率最大上升率；
能源系统与配电网交互功率约束：
Pmin-line≤PG(t)≤Pmax-line
其中Pmin-line为能源系统与配电网的最小交互功率，Pmax-line为能源系统与配电网的最大交互功率。
9.一种台区能源系统建模系统，其特征在于：包括风光发电功率预测数据获取模块、台区能源系统模型构建模块以及台区能源系统模型优化求解模块，
所述的风光发电功率预测数据获取模块用来获取风光发电功率预测数据；
所述的台区能源系统模型构建模块用于获取用能数据、柴油机参数，获取电池储能单位运行费用和外部电价信息，结合所述风光发电功率预测数据，经济和环境两个指标，得到台区的能源系统模型；
所述的台区能源系统模型优化求解模块用于利用差异进化算法对台区的能源系统模型进行优化求解。
10.根据权利要求9所述的一种台区能源系统建模系统，其特征在于：所述的台区能源系统模型构建模块用于获取用能数据、柴油机参数，获取电池储能单位运行费用和外部电价信息，结合所述风光发电功率预测数据，经济和环境两个指标，得到台区的能源系统模型为：
Figure FDA0002415351010000041
其中，α为偏好因子，Fco为运行费用，FEB为气体排放系数，Fco *为气体排放系数最优时的运行费用；FEB *为运行费用最低时的气体排放系数。
CN202010189492.9A 2020-03-18 2020-03-18 一种台区能源系统建模方法及系统 Pending CN111342456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010189492.9A CN111342456A (zh) 2020-03-18 2020-03-18 一种台区能源系统建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189492.9A CN111342456A (zh) 2020-03-18 2020-03-18 一种台区能源系统建模方法及系统

Publications (1)

Publication Number Publication Date
CN111342456A true CN111342456A (zh) 2020-06-26

Family

ID=71187636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189492.9A Pending CN111342456A (zh) 2020-03-18 2020-03-18 一种台区能源系统建模方法及系统

Country Status (1)

Country Link
CN (1) CN111342456A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420910A (zh) * 2021-06-03 2021-09-21 南方电网数字电网研究院有限公司 工商业智能用电控制方法、装置、计算机设备和存储介质
CN115936238A (zh) * 2022-12-23 2023-04-07 华润电力技术研究院有限公司 一种全域风电中长期出力预测方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742900A (zh) * 2017-11-10 2018-02-27 国网四川省电力公司技能培训中心 风光储智能微电网经济调度控制方法
CN109888840A (zh) * 2019-02-28 2019-06-14 内蒙古科技大学 风光-垃圾发电能源综合利用系统的调度优化方法及装置
CN110138004A (zh) * 2019-05-08 2019-08-16 上海电力学院 一种多能互补系统优化运行方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742900A (zh) * 2017-11-10 2018-02-27 国网四川省电力公司技能培训中心 风光储智能微电网经济调度控制方法
CN109888840A (zh) * 2019-02-28 2019-06-14 内蒙古科技大学 风光-垃圾发电能源综合利用系统的调度优化方法及装置
CN110138004A (zh) * 2019-05-08 2019-08-16 上海电力学院 一种多能互补系统优化运行方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙丛丛等: "计及风光预测误差的微电网日前多目标优化控制策略", 《高压电器》 *
段彬: "《风光互补发电控制系统中的短期功率预测研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420910A (zh) * 2021-06-03 2021-09-21 南方电网数字电网研究院有限公司 工商业智能用电控制方法、装置、计算机设备和存储介质
CN113420910B (zh) * 2021-06-03 2024-02-02 南方电网数字电网科技(广东)有限公司 工商业智能用电控制方法、装置、计算机设备和存储介质
CN115936238A (zh) * 2022-12-23 2023-04-07 华润电力技术研究院有限公司 一种全域风电中长期出力预测方法、系统、设备及介质
CN115936238B (zh) * 2022-12-23 2024-01-12 华润电力技术研究院有限公司 一种全域风电中长期出力预测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Xu et al. Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS
CN112467722B (zh) 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
CN104537435B (zh) 基于用户侧经济性指标的分布式电源优化配置方法
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
Ikeda et al. A novel optimization method combining metaheuristics and machine learning for daily optimal operations in building energy and storage systems
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN110188915A (zh) 基于场景集的虚拟电厂中储能系统优化配置方法及系统
CN109598433A (zh) 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN115526401A (zh) 一种基于数字孪生的新型电力系统电源最优规划方法
CN112928767B (zh) 一种分布式储能协同控制方法
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN114154744A (zh) 综合能源系统的扩容规划方法、装置及电子设备
CN114519543A (zh) 一种乡村多能源系统边缘自治运行方法及系统
CN111342456A (zh) 一种台区能源系统建模方法及系统
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
CN114997715A (zh) 基于改进模糊c均值聚类的冷热电联供系统配置方法
CN111091239A (zh) 基于差分进化算法的能源服务商电价策略制定方法及装置
CN113690875B (zh) 一种微网实时互动等值模型建立方法
CN111967646A (zh) 一种虚拟电厂可再生能源优化配置方法
CN116961008A (zh) 计及电力弹簧与负荷需求响应的微电网容量双层优化方法
CN116436085A (zh) 一种基于场景构建的微能源网群分层优化控制方法及系统
CN112734451B (zh) 一种基于非合作博弈的农业大棚多能源系统和优化方法

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