CN111355265A - 一种微电网能量两阶段鲁棒优化方法及系统 - Google Patents

一种微电网能量两阶段鲁棒优化方法及系统 Download PDF

Info

Publication number
CN111355265A
CN111355265A CN202010277101.9A CN202010277101A CN111355265A CN 111355265 A CN111355265 A CN 111355265A CN 202010277101 A CN202010277101 A CN 202010277101A CN 111355265 A CN111355265 A CN 111355265A
Authority
CN
China
Prior art keywords
stage
energy
cost
model
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.)
Granted
Application number
CN202010277101.9A
Other languages
English (en)
Other versions
CN111355265B (zh
Inventor
刘亚杰
朱骏杰
陈杨
张涛
黄生俊
雷洪涛
王锐
桑博
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010277101.9A priority Critical patent/CN111355265B/zh
Publication of CN111355265A publication Critical patent/CN111355265A/zh
Application granted granted Critical
Publication of CN111355265B publication Critical patent/CN111355265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种微电网能量两阶段鲁棒优化方法及系统，该方法包括：以微电网中运行设备和负荷为约束，以最小化运行成本为目标构建孤岛型微电网能量调度模型；针对调度模型中不确定变量构建不确定集；将开关变量作为一阶段变量，将其它能量优化决策变量作为第二阶段优化变量，以运行成本最小为优化目标，以各设备运行限制和不确定集为约束，构建基于期望场景的两阶段鲁棒优化模型；采用列与割生成算法，以交替迭代的方式分别求解第一、二阶段模型，直到收敛获得微电网发电、用电计划等能量优化结果。用于解决现有技术中决策保守、经济性不佳等问题，既能确保孤岛型微电网在不确定性环境下安全稳定运行、又能保持系统经济运行。

Description

一种微电网能量两阶段鲁棒优化方法及系统
技术领域
本发明涉及分布式发电与微电网技术领域，具体是一种基于期望场景的孤岛型电网能量两阶段鲁棒优化方法及系统。
背景技术
孤岛型电网是微电网在脱离大电网情况下的一种工作模式，多见于电网难以建设和推广的偏远地区，如戈壁、海岛等地。在此类地区，大电网搭建和运行成本较高，困难众多，故微电网仅能通过自身内部的可控发电设备和储能系统，同时利用本地风力、光能等可再生能源进行自治的供电。孤岛型微电网作为一种相对封闭的系统，其在确定发电与用电计划等能量管理过程中会面临多种不确定性因素，包括风光等新能源出力以及用户负荷等因素，这些不确定性因素的存在不仅会增大微电网内部能量实时供需平衡的控制难度，也可能引起系统超出安全运行范围，给系统运行带来不稳定因素，影响系统用电安全。
微电网系统能量管理所面临的主要挑战之一如何有效处理新能源发电出力大小等因素的不确定性。目前应用较多的不确定性建模方法主要为随机规划方法和鲁棒优化方法。相较于随机规划，鲁棒优化方法不依赖于不确定性参数的概率分布，因此在工程上具有更大的应用价值。现有微电网系统鲁棒优化建模中主要使用的模型可划分为静态鲁棒模型和两阶段鲁棒优化模型。静态鲁棒模型由于决策是一次性做出且不存在调整裕量，一般会导致其结果保守度过高，且无法处理等式约束，因而影响在实际中的应用效果；两阶段鲁棒优化模型把决策变量划分为两个阶段进行决策，不仅更符合实际应用且能够有效处理等式约束，因而具有更好的应用潜力。
但现有基于两阶段鲁棒优化的微电网能量管理主要着眼于不确定性环境下系统的最劣场景来开展决策，因而存在一些不足，主要体现在：1）以追求最劣场景的最优为目标对能量优化模型求解，而绝大多数实际场景中，最劣场景发生的概率很低，因此往往会使得所得到的解比较保守，导致发电系统发电能量与供应的负载消耗电能之间的不匹配，不能充分发挥发电系统的能效，微电网运行的经济性不佳；2）即使最劣场景下的成本最低，未必期望场景下的成本也最低，所得到的解在期望场景下的性能可能比较差。
发明内容
本发明提供一种微电网能量两阶段鲁棒优化方法及系统，用于克服现有技术中决策保守、经济性不佳等缺陷，以期望场景下微电网的经济运行为目的，同时能够保证任意场景下微电网系统均能够保持可行的运行，从而降低决策的保守性，起到既能够确保孤岛型微电网在不确定性环境下的安全稳定运行、又能保持较好的系统经济运行的目的。
为实现上述目的，本发明提供一种微电网能量两阶段鲁棒优化方法，包括：
步骤1，以微电网中的运行设备和负荷为约束，以最小化微电网运行成本为目标构建孤岛型微电网能量调度模型；
步骤2，针对调度模型中的不确定变量构建不确定集；
步骤3，将微电网发电机组开关变量作为调度模型的第一阶段变量，将其它能量优化决策变量作为调度模型的第二阶段决策变量，以孤岛型微电网期望场景下运行成本最小为优化目标，以各设备运行限制和不确定集为约束，构建基于期望场景的孤岛型微电网两阶段鲁棒优化模型；
步骤4，采用列与割生成算法，以交替迭代的方式分别求解第一阶段和第二阶段模型，直到收敛获得微电网发电、用电计划能量优化结果。
为实现上述目的，本发明还提供一种微电网能量两阶段鲁棒优化系统，包括处理器和存储器，所述存储器存储有微电网能量两阶段鲁棒优化程序，所述处理器在运行所述微电网能量两阶段鲁棒优化程序时执行上述方法的步骤。
本发明提供的微电网能量两阶段鲁棒优化方法及系统，针对孤岛微电网的能量调度应用，构建了一种基于期望场景的两阶段鲁棒优化模型，提出了一种列与割生成算法对模型进行求解，与现有基于两阶段鲁棒优化的孤岛型微电网能量管理技术方案相比，分别按照本发明所提方案输出的微电网发电、用电计划能量优化结果对微电网内的电源和负荷进行控制，在通常情况下能够提升微电网能量调度管理的经济性，同时能够确保电网系统在可能面临的最劣应用场景下依然安全可靠地运行；此外，在优化模型中包含了相应的鲁棒调节参数，通过调整其取值的大小，可对调度方案在保守性和最优性之间进行灵活取舍权衡，从而充分发挥发电系统的能效，为更多的负载供电；并适应复杂多变的负载变化状况，大大提高了微电网的适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例提供的基于列与割生成算法的模型求解流程图；
图2为求解预调度模型的算法流程图；
图3为本发明案例提供的基于的孤岛微电网系统结构图；
图4为本发明案例中风、光出力和负荷大小预测结果图；
图5为本发明基于三种典型场景所得到的发电机在不同时段的开关机状态、发电功率以及可切负载在不同时段的被切比例计划图；
图6本发明基于三种典型场景所得到的储能系统的计划图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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的一部分实施例，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，都属于本发明保护的范围。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
如图1所示， 本发明实施例提供一种基于期望场景的孤岛微电网两阶段鲁棒优化能量管理方法，包括下列步骤：
步骤S1，以微电网中的运行设备和负荷为约束，以最小化微电网运行成本为目标构建孤岛型微电网能量调度模型；
通过分析孤岛型微电网内各设备的运行特性和运行约束，对孤岛型微电网中的发电机、储能系统和用户负荷等建立的模型运行约束，以最小化孤岛微电网运行成本为目标建立模型优化目标，从而得到孤岛型微电网的经济调度模型；
步骤S2，针对调度模型中的不确定变量构建不确定集；
利用输入光伏、风机、负载（包括必要负载和可切负载）预测期望值
Figure 944053DEST_PATH_IMAGE001
、
Figure 435965DEST_PATH_IMAGE002
、
Figure 358528DEST_PATH_IMAGE003
和
Figure 777789DEST_PATH_IMAGE004
和其分别对应的最大预测偏差
Figure 954562DEST_PATH_IMAGE005
、
Figure 158666DEST_PATH_IMAGE006
、
Figure 127714DEST_PATH_IMAGE007
和
Figure 813648DEST_PATH_IMAGE008
构建不确定集W；
步骤S3，将微电网发电机组开关变量（0/1）作为调度模型的第一阶段变量，将除开关变量之外的能量优化决策变量作为调度模型的第二阶段决策变量，以孤岛型微电网期望场景下运行成本最小为优化目标，以各设备运行限制和不确定集为约束，构建基于期望场景的孤岛型微电网两阶段鲁棒优化模型；
步骤S4，采用列与割生成算法，以交替迭代的方式分别求解第一阶段和第二阶段模型，直到收敛获得微电网发电、用电计划能量优化结果；
将两阶段模型分解为主问题和子问题，采用一种列与割生成算法，以交替迭代的方式分别求解主问题和子问题，直到得到收敛的解。
在本发明一实施例中，步骤S1中构建孤岛微电网能量调度模型时，对孤岛型微电网中的发电机、储能系统和用户负荷等建立的模型运行约束，以最小化孤岛微电网运行成本为目标建立模型优化目标，建立微电网能量管理模型；
在本发明一实施例中，步骤S2针对不确定变量构建不确定集时，具体利用输入光伏、风机、负载（必要负载和可切负载）预测期望值
Figure 411638DEST_PATH_IMAGE009
、
Figure 829719DEST_PATH_IMAGE010
、
Figure 713492DEST_PATH_IMAGE011
和
Figure 685737DEST_PATH_IMAGE012
以及和其分别对应的最大预测偏差
Figure 59606DEST_PATH_IMAGE013
、
Figure 445325DEST_PATH_IMAGE014
、
Figure 475117DEST_PATH_IMAGE015
和
Figure 866302DEST_PATH_IMAGE016
构建不确定集W；
Figure 639218DEST_PATH_IMAGE017
(1a)
Figure 529594DEST_PATH_IMAGE018
(1b)
Figure 385030DEST_PATH_IMAGE019
(1c)
Figure 999813DEST_PATH_IMAGE020
(1d)
其中，
Figure 521842DEST_PATH_IMAGE021
为预测期望值，
Figure 888845DEST_PATH_IMAGE022
为预测区间半长，
Figure 582514DEST_PATH_IMAGE023
表示该不确定因素的鲁棒调整系数。
Figure 545529DEST_PATH_IMAGE024
，
Figure 89774DEST_PATH_IMAGE025
表征不确定性分别在空间和时间上的鲁棒测度，均为与鲁棒优化方法本身相关的参数，是可进行调整的量，其值越大，说明相应鲁棒模型在决策时越保守。
步骤S3中构建基于期望场景的孤岛微电网能量优化两阶段鲁棒优化模型时，将表示机组启停的0/1变量作为第一阶段变量（预调度变量），用
Figure 790794DEST_PATH_IMAGE026
表示；其他连续变量作为第二阶段优化变量（再调度变量），用
Figure 715763DEST_PATH_IMAGE027
表示；以孤岛微电网期望场景下运行成本最小为优化目标，以各设备运行限制和不确定集作为约束，建立基于期望场景的孤岛微电网两阶段鲁棒优化模型。根据上述阶段划分，基于期望场景的微电网能量管理两阶段鲁棒优化模型包含预调度模型和再调度阶段模型，分别对应第一和第二阶段，具体表示如下：
（i）预调度模型为：
Figure 488328DEST_PATH_IMAGE028
（2a）
Figure 87412DEST_PATH_IMAGE029
（2b）
Figure 224913DEST_PATH_IMAGE030
（2c）
Figure 810746DEST_PATH_IMAGE031
（2d）
其中
Figure 194192DEST_PATH_IMAGE032
和
Figure 60167DEST_PATH_IMAGE033
分别表示第一、二阶段的决策变量，w代表不确定性参数，
Figure 536278DEST_PATH_IMAGE034
代表不确定参数的值取其预测期望值，而
Figure 639101DEST_PATH_IMAGE035
则代表当不确定性参数w取值为
Figure 330632DEST_PATH_IMAGE034
时
Figure 202511DEST_PATH_IMAGE036
所对应的决策结果。式(2a)代表最小化期望场景下系统的运行成本，式(2b)表示期望场景下系统所应遵循的约束，式(2c)代表预调度解
Figure 177420DEST_PATH_IMAGE037
的鲁棒可行性，即对于给定的预调度策略
Figure 976661DEST_PATH_IMAGE038
，当不确定性参数w在其给定的区间范围内任意取值时，第二阶段决策变量
Figure 403707DEST_PATH_IMAGE039
都具有可行解。所谓期望场景，即为各不确定参数如风光出力、用户负载等的实际取值均于其预测期望值时的场景。
(ii)再调度模型为：
不确定性获知后，在给定的预调度决策的基础上，确定其他决策量，统称为再调度决策变量
Figure 932689DEST_PATH_IMAGE040
，使得总运行成本最小，其形式如下：
Figure 390084DEST_PATH_IMAGE041
（3）
步骤S4中求解基于期望场景的孤岛型微电网能量管理两阶段鲁棒优化模型的具体步骤如下：
第一步：将两阶段模型分解为如下在主问题和子问题：
主问题：
Figure 3648DEST_PATH_IMAGE042
（4）
子问题：
Figure 34052DEST_PATH_IMAGE043
（5）
其中
Figure 411681DEST_PATH_IMAGE044
为迭代次数，
Figure 232787DEST_PATH_IMAGE045
和
Figure 296034DEST_PATH_IMAGE046
为正的松弛变量（向量）。
第二步：采用强对偶理论，得到上述子问题的对偶问题，形式如下：
Figure 87053DEST_PATH_IMAGE047
（6）
第三步：采用列与割生成算法，对上述主问题和子问题的对偶问题不断进行求解，直到收敛为止。算法流程图如图2所示，算法具体步骤如下：
1. 设置迭代次数
Figure 256872DEST_PATH_IMAGE048
；
2. 求解如式（4）所表示的主问题（记MP）：并记其最优解为
Figure 947748DEST_PATH_IMAGE049
；
3. 将第2步求解主问题所得到的最优解
Figure 943298DEST_PATH_IMAGE050
代入子式(6)，求解子问题，记第二阶段变量
Figure 266569DEST_PATH_IMAGE051
的值为
Figure 795289DEST_PATH_IMAGE052
，所确定的
Figure 470116DEST_PATH_IMAGE053
的值为
Figure 806157DEST_PATH_IMAGE054
，所得到的优化目标值为
Figure 984984DEST_PATH_IMAGE055
。若
Figure 598237DEST_PATH_IMAGE056
=0，确定
Figure 728785DEST_PATH_IMAGE057
为鲁棒可行的最优预调度，转入第4步，否则把下列约束：
Figure 725691DEST_PATH_IMAGE058
(7)
加入到主问题MP；令
Figure 469393DEST_PATH_IMAGE059
，转入第2步。
4. 求解如下式表示的子问题：
Figure 972706DEST_PATH_IMAGE060
(8)
其中
Figure 205979DEST_PATH_IMAGE061
为
Figure 424602DEST_PATH_IMAGE062
的实际值，
Figure 679973DEST_PATH_IMAGE063
为第3步所得到的鲁棒可行的最优预调度解。此时模型参数已经完全确定，系统将确定性优化问题的最优解（包含预调度解和实时调度解）应用于孤岛型微电网系统即可。
下面以图3所示的孤岛型微电网为例对本方案进行详细说明：
（1）搭建孤岛微电网能量管理基本模型
（i）模型的优化目标函数形式如下：
Figure 392451DEST_PATH_IMAGE064
(9)
其中：括号内前两项代表发电机组开机费用和关机费用，第三项为可控分布式发电设备的运行维护费用；
Figure 679043DEST_PATH_IMAGE066
为储能成本、发电机燃料成本和切负载惩罚费用的总和，具体表示为：
Figure 800102DEST_PATH_IMAGE067
(10)
式(10)中：
Figure 682443DEST_PATH_IMAGE068
表示
Figure 547761DEST_PATH_IMAGE069
时段储能系统的维护费用；
Figure 830101DEST_PATH_IMAGE070
表示可控发电设备（柴油发电机）燃料成本费用；
Figure 208517DEST_PATH_IMAGE071
表示因可切负载切除给用户带来的舒适度的影响费用，即切负载的惩罚或补偿费用。
储能系统的运行成本可表示为
Figure 3429DEST_PATH_IMAGE072
。可控发电设备的燃料成本可以表示为
Figure 14766DEST_PATH_IMAGE073
。对于可切负载，切除惩罚
Figure 176494DEST_PATH_IMAGE074
的值的大小反映了不同用户的偏好程度。由切负载产生的成本为：
Figure 360482DEST_PATH_IMAGE075
(11)
（ii）模型约束条件
开停机时间约束：
Figure 995567DEST_PATH_IMAGE076
(12)
Figure 551941DEST_PATH_IMAGE077
(13)
启停费用变量约束：
Figure 907541DEST_PATH_IMAGE078
(14)
Figure 758209DEST_PATH_IMAGE079
(15)
Figure 946483DEST_PATH_IMAGE080
(16)
发电设备的启停时长需要满足约束，此处将发电机启停机费用也写成对启停状态变量的不等式约束。其中，
Figure 378733DEST_PATH_IMAGE081
表示调度开始前发电机的启停状态，
Figure 133849DEST_PATH_IMAGE082
与
Figure 362442DEST_PATH_IMAGE083
分别表示分布式可控发电设备最小运行和停止时长约束的辅助变量，
Figure 348765DEST_PATH_IMAGE084
和
Figure 840664DEST_PATH_IMAGE085
表示时段
Figure 63835DEST_PATH_IMAGE086
分布式可控发电设备
Figure 383870DEST_PATH_IMAGE087
的开机费用和关机费用。
储能约束：
储能系统在孤岛型微电网中具有十分重要作用，其既可以作为负荷消纳多余的电能，又可以在发电不足的时候作为备用发电为系统供电，通过充放电的方式转移电能，能够有效地缓解由于可再生能源出力波动性特点所造成的影响。
储能系统建模中，主要考虑了如下约束：1）储能系统的最大充电和放电功率约束；2）储能系统的最大和最小容量约束；3）储能系统功率与容量之间的对应转化关系。具体表征如下。
Figure 779692DEST_PATH_IMAGE088
(17)
Figure 163531DEST_PATH_IMAGE089
(18)
Figure 440709DEST_PATH_IMAGE090
(19)
其中，
Figure 292996DEST_PATH_IMAGE091
为电池充电功率，
Figure 299916DEST_PATH_IMAGE092
为正时代表电池充电，为负时代表电池放电，
Figure 648465DEST_PATH_IMAGE093
为与储能系统充放电效率相关的系数，电池充电时其值为电池的充电效率，放电时为电池放电效率的倒数。由于电池效率的存在破坏了模型的连续性，导致不便于对偶变换，且储能效率在一般情况下极高（不低于90%），故本发明将电池效率近似取为1，则电池状态方程表示如下：
Figure 335181DEST_PATH_IMAGE094
(20)
在以日为单位的能量调度中，也通常要求储能水平保持恒定，即该日调度结束时储能水平与当日调度开始前相同，表示如下：
Figure 554940DEST_PATH_IMAGE095
(21)
Figure 82612DEST_PATH_IMAGE096
为储能初始容量水平。
分布式发电设备约束：
对于分布式可控发电设备，需要考虑最大爬坡功率、最大/最小运行功率、最小启动/停机时间等约束。
Figure 171702DEST_PATH_IMAGE097
表示调度开始前发电机初始功率。发电机功率约束如下：
Figure 683193DEST_PATH_IMAGE098
(22)
Figure 381677DEST_PATH_IMAGE099
(23)
切负载约束：
模型中考虑的负载主要分为两类：关键负载和可切负载。关键负载与用户日常生活中基本活动紧密相关，其能否正常运行能够直接关系到用户的基本生活，对于这类负载的用电需求必须无条件满足，如室内照明和基础设施的日常运行。可切负载不一定非要以额定的功率运行，其工作功率有一定的调整范围，比如空调、通风设备等。
Figure 29434DEST_PATH_IMAGE100
(24)
负载切除会影响用户的舒适度，因此在计算总运行费用时同样需要考虑切除负载带来的惩罚或补偿费用。
能量平衡约束：
孤岛型微电网能量优化调度的前提是微电网系统能够时刻保持稳定、可靠运行，孤岛型微电网需能够时刻保证系统内部保持供需平衡。即：
Figure 191556DEST_PATH_IMAGE101
(25)
（2）针对不确定变量构建不确定集
针对光伏、风能和负荷的不确定性，按照式（1a）～(1d)构建这些因素的不确定性集合；
（3）构建基于期望场景的微电网能量管理两阶段鲁棒优化模型
基于式（2）所代表的两阶段鲁棒优化模型形式，把孤岛微电网能量管理基本模型转换为基于期望场景的微电网能量管理两阶段鲁棒优化模型。其中：(2a)对应式(9)，式（2b）对应式(12)-(25)，同时其中把不确定性参数的预测区间值用其预测期望值予以替代；式(2c)中的
Figure 743672DEST_PATH_IMAGE102
对应式(12)-(25)，同时把其不确定性参数的预测值用实际值代替；式(2d)中的
Figure 771147DEST_PATH_IMAGE103
代表
Figure 216952DEST_PATH_IMAGE104
，
Figure 297778DEST_PATH_IMAGE105
代表其余决策变量。
（4）求解基于期望场景的孤岛微电网能量管理两阶段鲁棒优化模型
把基于期望场景的孤岛微电网能量管理两阶段鲁棒优化模型转为如式（4）和（5）所表示的主问题和子问题，其中式（5）所包含约束的具体形式如下：
Figure 567217DEST_PATH_IMAGE106
（26）
采用强对偶理论，将式（5）所表示的最大最小问题转换为如下所示的双线性规划问题：
Figure 905706DEST_PATH_IMAGE107
（27）
最后，采用列与割生成算法，对上述主问题和子问题的对偶问题不断进行求解，直到收敛为止。输出预调度解和再调度解，作为微电网能量优化依据。
本发明结合图3、图4、图5、图6和表1至表3对所提出的基于期望场景的孤岛微电网两阶段鲁棒优化能量优化方法的实施例进行介绍。本发明以图4所示的光伏、风能和负荷的预测结果，基于表1所示的发电机经济运行参数，对本发明所提的微电网能量优化模型进行验证。
表1
Figure 167536DEST_PATH_IMAGE108
在验证过程中，设置电池储能系统的容量为1000kWh，使用过程中容量下限为400kWh，初始容量为700kWh，最大充放电功率均为100kW，运行维护成本为0.08€/kWh，将储能的充放电效率均视为100%，自放电损耗为0.02kW；单个时刻可切负载允许切除的比率为0.2，切负载成本设置为1€/kW；调度时段长为24，每个时段为1小时。依据第二阶段对不确定性参数所赋予的实际值，定义如下三种特殊的场景：(1)期望场景，即各不确定参数均取预测期望值，用场景A表示；(2)供应不足场景，即每个时段风光均在最大预测误差区间的下界取值，负载均于预测区间的上界取值，代表能量供应严重不足，用场景B表示；(3)供给充裕场景，即每个时段风光均在最大预测误差区间的上界取值，而负载均于区间下界取值，表示能量供给最为盈余，用场景C表示。
采用本发明所提出的基于期望场景的两阶段鲁棒优化能量优化方法所得到的结果如图5、图6所示。图5为三种典型情景下系统的发电机在不同时段的开关机状态、发电功率以及可切负载在不同时段的被切比例。三种情景下所得到的预调度结果一致，即在前15个时段内发电机都保持开机状态，但其发电功率却有明显的差异：场景B因为新能源实际发电处于预测区间下限而负载实际需求处于预测区间上限，导致系统能源供应相对最欠缺，因此发电机在状态开启周期内始终保持较高的输出功率运行；与之相反的是场景C下发电机在状态开启周期内始终保持较小的输出功率运行；三种场景下只有场景B下因为系统能源供应缺口较大，需要切除一部分用户负荷。图6给出了三种情景下储能系统的行为：在情景B下，为了有效应对从第15个周期开始因发电机关闭所导致的能量供应缺口，储能系统从周期0开始即开始充电直到充满，而从周期15开始则开始放电，以便弥补发电机关机所导致的能量供应不足；与之相反的是，在情景C下因能量供应较为充裕，储能系统从周期0就开始放电，而从周期15开始则转入充电状态，以便有效的利用风力发电供应负载后所剩余的发电功率。
为进一步在系统经济性上把本发明所提出的基于期望场景的两阶段鲁棒优化模型与经典的两阶段鲁棒优化模型相比，对
Figure 566068DEST_PATH_IMAGE109
固定为3、
Figure 932590DEST_PATH_IMAGE110
依次取值为0、6、12、18和24后，分别运行两种模型得到预调度决策结果，在此基础上在再调度阶段随机生成30组随机场景，并依此求解再调度模型，计算得到每种场景下的系统总成本。表2给出了这30组随机场景下基于本发明所提模型和基于传统两阶段鲁棒优化方法所建模型得到的最大成本、最小成本和平均成本。
表2
Figure 743944DEST_PATH_IMAGE111
从表2可以看出，本发明所提的基于期望场景的两阶段鲁棒优化模型在最大成本、最小成本和平均成本上等方面与基于传统两阶段鲁棒优化方法的模型都具有一定的优势。此外，上述实验验证结果也表明，在每个
Figure 220800DEST_PATH_IMAGE112
下随机生成的30组场景，均未出现需要再调度阶段切负载的极端情况，也进一步说明极端场景出现的概率微乎其微，这也印证了本发明从期望场景出发来应对不确定性因素影响的必要性。
实施例二
在实施例一的基础上，本实施例提供一种微电网能量两阶段鲁棒优化系统，包括处理器和存储器，所述存储器存储有微电网能量两阶段鲁棒优化程序，所述处理器在运行所述微电网能量两阶段鲁棒优化程序时执行实施例一方法的步骤。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种微电网能量两阶段鲁棒优化方法，其特征在于，包括：
步骤1，以微电网中的运行设备和负荷为约束，以最小化微电网运行成本为目标构建孤岛型微电网能量调度模型；
步骤2，针对调度模型中的不确定变量构建不确定集；
步骤3，将微电网发电机组开关变量作为调度模型的第一阶段变量，将其它能量优化决策变量作为调度模型的第二阶段决策变量，以孤岛型微电网期望场景下运行成本最小为优化目标，以各设备运行限制和不确定集为约束，构建基于期望场景的孤岛型微电网两阶段鲁棒优化模型；
步骤4，采用列与割生成算法，以交替迭代的方式分别求解第一阶段和第二阶段模型，直到收敛获得微电网发电、用电计划能量优化结果。
2.如权利要求1所述的微电网能量两阶段鲁棒优化方法，其特征在于，所述步骤2中包括：
利用输入光伏、风机、负载预测期望值
Figure 969032DEST_PATH_IMAGE001
、
Figure 847645DEST_PATH_IMAGE002
、
Figure 299224DEST_PATH_IMAGE003
和
Figure 82503DEST_PATH_IMAGE004
及其分别对应的最大预测偏差
Figure 941787DEST_PATH_IMAGE005
、
Figure 985442DEST_PATH_IMAGE006
、
Figure 602280DEST_PATH_IMAGE007
和
Figure 812419DEST_PATH_IMAGE008
构建不确定集W：
Figure 398646DEST_PATH_IMAGE009
(1a)
Figure 350552DEST_PATH_IMAGE010
(1b)
Figure 484380DEST_PATH_IMAGE011
(1c)
Figure 768779DEST_PATH_IMAGE012
(1d)
其中，
Figure 832681DEST_PATH_IMAGE013
为预测期望值，
Figure 483718DEST_PATH_IMAGE014
为预测区间半长，
Figure 199782DEST_PATH_IMAGE015
表示该不确定因素的鲁棒调整系数，
Figure 66238DEST_PATH_IMAGE016
，
Figure 830319DEST_PATH_IMAGE017
表征不确定性分别在空间和时间上的鲁棒测度。
3.如权利要求2所述的微电网能量两阶段鲁棒优化方法，其特征在于，所述步骤3包括：
步骤31，将表示机组启停的0/1变量作为第一阶段变量构建基于期望场景的孤岛型微电网两阶段鲁棒优化模型的预调度模型；
步骤32，基于第一阶段决策变量结果和不确定参数揭晓的实际值，构建孤岛型微电网能量优化再调度模型。
4.如权利要求3所述的微电网能量两阶段鲁棒优化方法，其特征在于，所述步骤31的预调度模型为：
Figure 983083DEST_PATH_IMAGE018
（2a）
Figure 118267DEST_PATH_IMAGE019
（2b）
Figure 151863DEST_PATH_IMAGE020
（2c）
Figure 46482DEST_PATH_IMAGE021
（2d）
其中
Figure 625274DEST_PATH_IMAGE022
和
Figure 44492DEST_PATH_IMAGE023
分别表示第一、二阶段的决策变量，
Figure 583576DEST_PATH_IMAGE024
代表不确定性参数，
Figure 506271DEST_PATH_IMAGE025
代表不确定参数的值取其预测期望值，
Figure 204100DEST_PATH_IMAGE026
则代表当不确定性参数
Figure 850894DEST_PATH_IMAGE027
取值为
Figure 453389DEST_PATH_IMAGE028
时
Figure 236449DEST_PATH_IMAGE029
所对应的决策结果；
Figure 839600DEST_PATH_IMAGE030
和
Figure 768368DEST_PATH_IMAGE031
分别表示与第一、第二阶段决策变量相关的费用系数向量，
Figure 849587DEST_PATH_IMAGE032
、
Figure 245409DEST_PATH_IMAGE033
和
Figure 648489DEST_PATH_IMAGE034
表示与模型约束相关的系数向量，
Figure 264016DEST_PATH_IMAGE035
为与模型约束相关的常量系数向量，
Figure 883348DEST_PATH_IMAGE036
为不确定性参数集合；
式(2a)代表最小化期望场景下系统的运行成本，式(2b)表示期望场景下系统所应遵循的约束，式(2c)代表预调度解
Figure 109842DEST_PATH_IMAGE037
的鲁棒可行性。
5.如权利要求4所述的微电网能量两阶段鲁棒优化方法，其特征在于，所述步骤32的再调度模型为：
不确定性参数的值揭晓后，在给定的预调度决策的基础上，确定其他决策量，统称为再调度决策变量
Figure 379761DEST_PATH_IMAGE038
，使得总运行成本最小，其形式如下：
Figure 426127DEST_PATH_IMAGE039
（3）
其中
Figure 645887DEST_PATH_IMAGE040
为求解上述模型所得到的再调度决策结果向量，
Figure 314503DEST_PATH_IMAGE041
为不确定性参数揭晓后的值向量，
Figure 167708DEST_PATH_IMAGE042
为第一阶段决策变量的结果。
6.如权利要求5所述的微电网能量两阶段鲁棒优化方法，其特征在于，所述步骤4包括：
步骤41，将两阶段模型分解为如下主问题和子问题：
主问题：
Figure 462555DEST_PATH_IMAGE043
Figure 718961DEST_PATH_IMAGE044
（4）
子问题：
Figure 247944DEST_PATH_IMAGE045
（5）
其中
Figure 266191DEST_PATH_IMAGE046
为迭代次数，
Figure 313912DEST_PATH_IMAGE047
为元素均为1的向量、
Figure 645448DEST_PATH_IMAGE048
和
Figure 193717DEST_PATH_IMAGE049
为正的松弛变量；
步骤42，采用强对偶理论，得到上述子问题（5）的对偶问题，形式如下：
Figure 890190DEST_PATH_IMAGE050
（6）
其中u和uT为不确定参数
Figure 690786DEST_PATH_IMAGE051
的对偶系数；
步骤43，采用列与割生成算法，对上述主问题和子问题的对偶问题不断进行求解，直到收敛为止。
7.如权利要求6所述的微电网能量两阶段鲁棒优化方法，其特征在于，所述步骤43包括：
步骤431，设置迭代次数
Figure 85733DEST_PATH_IMAGE052
；
步骤432，求解如式（4）所表示的主问题MP：并记其最优解为
Figure 713072DEST_PATH_IMAGE053
；
步骤433，将步骤432求解主问题所得到的最优解
Figure 105745DEST_PATH_IMAGE054
代入子公式(6)，求解子问题，记第二阶段变量
Figure 596900DEST_PATH_IMAGE055
的值为
Figure 801398DEST_PATH_IMAGE056
，所确定的
Figure 855417DEST_PATH_IMAGE057
的值为
Figure 424850DEST_PATH_IMAGE058
，所得到的优化目标值为
Figure 527936DEST_PATH_IMAGE059
；若
Figure 936789DEST_PATH_IMAGE060
=0，确定
Figure 585595DEST_PATH_IMAGE061
为鲁棒可行的最优预调度，转入步骤434，否则把下列约束：
Figure 116808DEST_PATH_IMAGE062
(7)
加入到主问题MP；令
Figure 414846DEST_PATH_IMAGE063
，转入步骤432；
步骤434， 求解如下式表示的子问题：
Figure 863276DEST_PATH_IMAGE064
(8)
其中
Figure 68386DEST_PATH_IMAGE065
为
Figure 209648DEST_PATH_IMAGE066
的实际值，鲁棒可行的最优预调度解为步骤433所得到的
Figure 395648DEST_PATH_IMAGE067
，最优再调度解为步骤434所得到的结果。
8.如权利要求1~7任一项所述的微电网能量两阶段鲁棒优化方法，其特征在于，步骤1中的优化目标函数为以发电机组开机费用、关机费用、可控分布式发电设备的运行维护费用及总成本之和最小；步骤1中的约束条件包括开停机时间约束、启停费用变量约束、储能约束、分布式发电设备约束、切负载约束和能量平衡约束。
9.如权利要求8所述的微电网能量两阶段鲁棒优化方法，其特征在于，所述模型的优化目标函数形式如下：
Figure 181857DEST_PATH_IMAGE068
(9)
其中：
Figure 176227DEST_PATH_IMAGE069
代表发电机组开机费用和关机费用；
Figure 258364DEST_PATH_IMAGE070
为可控分布式发电设备的运行维护费用，其中
Figure 695774DEST_PATH_IMAGE071
为发电机维护成本单价，
Figure 912093DEST_PATH_IMAGE072
为发电机
Figure 121489DEST_PATH_IMAGE073
的启停状态变量，
Figure 601624DEST_PATH_IMAGE074
为单个周期时段的时长；
Figure 33655DEST_PATH_IMAGE075
为储能成本、发电机燃料成本和切负载惩罚费用的总和，具体表示为：
Figure 893157DEST_PATH_IMAGE076
(10)
式(10)中：
Figure 954130DEST_PATH_IMAGE077
表示
Figure 643649DEST_PATH_IMAGE078
时段储能系统的维护费用；
Figure 58581DEST_PATH_IMAGE079
表示可控发电设备燃料成本费用；
Figure 954731DEST_PATH_IMAGE080
表示切负载的惩罚或补偿费用；
储能系统的运行成本表示为
Figure 876069DEST_PATH_IMAGE081
；可控发电设备的燃料成本表示为
Figure 871576DEST_PATH_IMAGE082
；对于可切负载被切负载产生的成本为：
Figure 245575DEST_PATH_IMAGE083
(11)
其中
Figure 414257DEST_PATH_IMAGE084
可切负载的切除惩罚系数、
Figure 718331DEST_PATH_IMAGE085
为负载切除比率、
Figure 546390DEST_PATH_IMAGE086
为可切负载在时段k的期望功率；
开停机时间约束为：
Figure 667405DEST_PATH_IMAGE087
(12)
Figure 132114DEST_PATH_IMAGE089
(13)
其中
Figure 145911DEST_PATH_IMAGE090
为发电机的状态变量，k为时段序号，T为调度周期数，
Figure 689019DEST_PATH_IMAGE091
和
Figure 528536DEST_PATH_IMAGE092
分别为发电机i的最小持续开机时长和最小持续关机时长约束，分别用周期数表示；
启停费用变量约束为：
Figure 353321DEST_PATH_IMAGE093
(14)
Figure 215973DEST_PATH_IMAGE094
(15)
Figure 562772DEST_PATH_IMAGE095
(16)
其中，
Figure 731497DEST_PATH_IMAGE096
和
Figure 768198DEST_PATH_IMAGE097
表示时段
Figure 592847DEST_PATH_IMAGE098
分布式可控发电设备
Figure 274495DEST_PATH_IMAGE099
的开机和关机费用，
Figure 26288DEST_PATH_IMAGE100
和
Figure 708592DEST_PATH_IMAGE101
为设备
Figure 516142DEST_PATH_IMAGE102
的开机和关机成本系数，
Figure 31175DEST_PATH_IMAGE103
为可控发电设备
Figure 610711DEST_PATH_IMAGE102
的起停状态；
储能约束为：
储能系统的最大充电和放电功率约束公式（17）；储能系统的最大和最小容量约束公式（18）；储能系统功率与容量之间的对应转化关系公式（19），具体表征如下：
Figure 959521DEST_PATH_IMAGE104
(17)
Figure 254367DEST_PATH_IMAGE105
(18)
Figure 313371DEST_PATH_IMAGE106
(19)
其中，
Figure 803871DEST_PATH_IMAGE107
为电池充电功率，
Figure 781972DEST_PATH_IMAGE108
为正时代表电池充电，为负时代表电池放电，
Figure 859387DEST_PATH_IMAGE109
为与储能系统充放电效率相关的系数，电池充电时其值为电池的充电效率，放电时为电池放电效率的倒数，若电池效率取为1，则电池状态方程表示如下：
Figure 889791DEST_PATH_IMAGE110
(20)
在以日为单位的能量调度中，该日调度结束时储能水平与当日调度开始前相同，表示如下：
Figure 148646DEST_PATH_IMAGE111
(21)
Figure 603374DEST_PATH_IMAGE112
为储能初始容量水平，
Figure 751978DEST_PATH_IMAGE113
为当日调度开始前储能容量水平；
分布式发电设备约束为：
对于分布式可控发电设备，主要考虑最大爬坡功率和最大/最小运行功率约束：
Figure 54914DEST_PATH_IMAGE114
(22)
Figure 723269DEST_PATH_IMAGE115
(23)
其中：
Figure 826528DEST_PATH_IMAGE116
表示调度开始前发电机初始功率；
切负载约束为：
Figure 645580DEST_PATH_IMAGE117
(24)
其中：k为周期索引，
Figure 318918DEST_PATH_IMAGE118
和
Figure 264615DEST_PATH_IMAGE119
分别表示可切负载的最大、最小切除比率，
Figure 129322DEST_PATH_IMAGE120
为负载切除比率；
能量平衡约束为：
Figure 809571DEST_PATH_IMAGE121
(25)
其中：
Figure 552180DEST_PATH_IMAGE122
和
Figure 493329DEST_PATH_IMAGE123
表示时段
Figure 466620DEST_PATH_IMAGE124
可切负载和关键负载的预测功率，
Figure 227640DEST_PATH_IMAGE125
和
Figure 367415DEST_PATH_IMAGE126
表示时段
Figure 428650DEST_PATH_IMAGE124
光伏和风机发电的预测功率，
Figure 428967DEST_PATH_IMAGE127
和
Figure 167426DEST_PATH_IMAGE128
分别表示储系统和发电机的功率，
Figure 186591DEST_PATH_IMAGE129
表示可切负荷的功率切除比例。
10.一种微电网能量两阶段鲁棒优化系统，其特征在于，包括处理器和存储器，所述存储器存储有微电网能量两阶段鲁棒优化程序，所述处理器在运行所述微电网能量两阶段鲁棒优化程序时执行所述权利要求1~9任一项所述方法的步骤。
CN202010277101.9A 2020-04-10 2020-04-10 一种微电网能量两阶段鲁棒优化方法及系统 Active CN111355265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010277101.9A CN111355265B (zh) 2020-04-10 2020-04-10 一种微电网能量两阶段鲁棒优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010277101.9A CN111355265B (zh) 2020-04-10 2020-04-10 一种微电网能量两阶段鲁棒优化方法及系统

Publications (2)

Publication Number Publication Date
CN111355265A true CN111355265A (zh) 2020-06-30
CN111355265B CN111355265B (zh) 2021-12-10

Family

ID=71196479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010277101.9A Active CN111355265B (zh) 2020-04-10 2020-04-10 一种微电网能量两阶段鲁棒优化方法及系统

Country Status (1)

Country Link
CN (1) CN111355265B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257229A (zh) * 2020-09-18 2021-01-22 西安理工大学 一种微网两阶段鲁棒调度方法
CN112952908A (zh) * 2021-03-29 2021-06-11 四川大学 一种多合作微电网主体分布式协调交易方法
CN113256045A (zh) * 2020-08-04 2021-08-13 四川大学 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN113420931A (zh) * 2021-07-01 2021-09-21 中国人民解放军国防科技大学 一种用于微电网动态能量管理的多目标优化方法
CN114759616A (zh) * 2022-06-14 2022-07-15 之江实验室 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN115167641A (zh) * 2022-07-07 2022-10-11 凯德技术长沙股份有限公司 一种惯性自适应温控方法及系统
CN115313422A (zh) * 2022-08-05 2022-11-08 华北电力大学 主动支撑主网频率的电-气综合能源系统运行控制方法
CN115688970A (zh) * 2022-09-21 2023-02-03 三峡大学 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
CN116316901A (zh) * 2023-05-17 2023-06-23 广东电网有限责任公司佛山供电局 一种微电网鲁棒调度方法及相关装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN108631328A (zh) * 2018-07-04 2018-10-09 四川大学 一种考虑dg无功支撑和开关重构的主动配电网分布鲁棒无功优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN108631328A (zh) * 2018-07-04 2018-10-09 四川大学 一种考虑dg无功支撑和开关重构的主动配电网分布鲁棒无功优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桑博等: "期望场景下的并网型微电网两阶段鲁棒优化调度", 《中国电机工程学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256045A (zh) * 2020-08-04 2021-08-13 四川大学 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN113256045B (zh) * 2020-08-04 2023-04-07 四川大学 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN112257229A (zh) * 2020-09-18 2021-01-22 西安理工大学 一种微网两阶段鲁棒调度方法
CN112257229B (zh) * 2020-09-18 2024-04-16 西安理工大学 一种微网两阶段鲁棒调度方法
CN112952908A (zh) * 2021-03-29 2021-06-11 四川大学 一种多合作微电网主体分布式协调交易方法
CN112952908B (zh) * 2021-03-29 2024-02-02 四川大学 一种多合作微电网主体分布式协调交易方法
CN113420931A (zh) * 2021-07-01 2021-09-21 中国人民解放军国防科技大学 一种用于微电网动态能量管理的多目标优化方法
CN114759616A (zh) * 2022-06-14 2022-07-15 之江实验室 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN115167641A (zh) * 2022-07-07 2022-10-11 凯德技术长沙股份有限公司 一种惯性自适应温控方法及系统
CN115313422A (zh) * 2022-08-05 2022-11-08 华北电力大学 主动支撑主网频率的电-气综合能源系统运行控制方法
CN115688970A (zh) * 2022-09-21 2023-02-03 三峡大学 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
CN116316901A (zh) * 2023-05-17 2023-06-23 广东电网有限责任公司佛山供电局 一种微电网鲁棒调度方法及相关装置

Also Published As

Publication number Publication date
CN111355265B (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN111355265B (zh) 一种微电网能量两阶段鲁棒优化方法及系统
KR101834061B1 (ko) 신재생 에너지 연계형 ess의 전력 관리 방법
Li et al. Sizing of a stand-alone microgrid considering electric power, cooling/heating, hydrogen loads and hydrogen storage degradation
Tian et al. A hierarchical energy management system based on hierarchical optimization for microgrid community economic operation
Lu et al. Optimal scheduling of buildings with energy generation and thermal energy storage under dynamic electricity pricing using mixed-integer nonlinear programming
US9564757B2 (en) Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing
Qiu et al. Tri-level mixed-integer optimization for two-stage microgrid dispatch with multi-uncertainties
KR101795301B1 (ko) Pcs 효율을 고려한 마이크로그리드 운영장치 및 운영방법
Zia et al. Energy management system for a hybrid PV-Wind-Tidal-Battery-based islanded DC microgrid: Modeling and experimental validation
Nguyen et al. Optimization in energy and power management for renewable-diesel microgrids using dynamic programming algorithm
Moshi et al. Optimal operational planning for PV-Wind-Diesel-battery microgrid
CN109992818A (zh) 大规模风电参与一次调频的机组组合模型及求解方法
Ramirez-Elizondo et al. A technique for unit commitment in multiple energy carrier systems with storage
CN111160636B (zh) 一种cchp型微电网调度优化方法
KR102503382B1 (ko) 신재생 에너지 발전설비와 연계된 에너지 저장시스템의 관리방법
Barrios et al. Stochastic unit commitment in microgrids based on model predictive control
Li et al. Sizing of a stand-alone microgrid considering electric power, cooling/heating and hydrogen
Hijjo et al. Battery management system in isolated microgrids considering forecast uncertainty
Emad et al. Power Management Control of Hydrogen-Based System Using Fuzzy Logic Method
Sachs et al. Two layer model predictive control for a cost efficient operation of island energy systems
Kudria et al. Hydrogen technologies as a method of compensation for inequality of power generation by renewable energy sources
Ma et al. Multi-Point Layout Planning of Multi-Energy Power Supplies Based on Time-series Production Simulation
CN109687518B (zh) 一种家庭微电网系统的优化调度方法
Prathikantham et al. Harnessing Probabilistic Neural Networks and Horse Herd Optimization for Efficient Energy Management in Islanded Microgrid Operation
Zheng et al. Hybrid modeling and optimization for Energy Management System of MicroGrid

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