CN111525626A - 一种基于云边协同计算的微电网实时调度方法及系统 - Google Patents
一种基于云边协同计算的微电网实时调度方法及系统 Download PDFInfo
- Publication number
- CN111525626A CN111525626A CN202010286532.1A CN202010286532A CN111525626A CN 111525626 A CN111525626 A CN 111525626A CN 202010286532 A CN202010286532 A CN 202010286532A CN 111525626 A CN111525626 A CN 111525626A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- power
- microgrid
- representing
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—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
-
- 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
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于云边协同计算的微电网实时调度方法及系统,所述调度方法包括以下步骤:S1:预测微电网的供需能力;S2:基于所述供需能力,构建所述微电网的多参数规划实时调度模型;S3:获取所述微电网实时参数信息;S4:基于所述微电网实时参数信息和所述多参数实时调度模型,获得所述微电网的实时控制策略。本发明所述的基于云边协同计算的微电网实时调度方法及系统,去掉了微电网中的集中式能量管理系统,可以比传统方法更快地计算出动态实时调度安排,而且具有很高的可靠性。
Description
技术领域
本发明属于电力系统的运行控制技术领域,特别涉及一种基于云边协同计算的微电网实时调度方法及系统。
背景技术
微电网是一种近年来新兴的网络结构,微电网组合了微电源、负荷和储能设备,实现小范围内的电力供应。为了保证微电网在调度过程中满足安全、经济等要求,使得微电网以成本较低的方式运行,需要对微电网进行实时调度。由于微电网中存在着波动性较强的可再生能源设备,因此在实时调度过程中需要解决相关接入的分布式可再生能源的波形性较大、预测准确度低的问题。当前的微电网实时调度一般采用集中模式实现,能量管理系统负责进行在线的实时调度优化计算。这种集中模式存在单点失效问题,特别是偏远地区,由于缺乏运维人员,能量管理系统故障后得到不及时维护,进而影响系统运行。
发明内容
针对上述问题,本发明提供了一种基于云边协同计算的微电网实时调度方法及系统。
一种基于云边协同计算的微电网实时调度方法,包括以下步骤:
S1:预测微电网的供需能力;
S2:基于预测的所述微电网的供需能力,构建微电网的多参数规划实时调度模型;
S3:获取微电网实时参数信息;
S4:基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略。
优选的,所述步骤S4包括以下步骤:
S41:判断所述微电网的实时参数是否在预设范围内,
若是,执行步骤S42,
若否,执行步骤S43;
S42:更新微电网的预测供需能力,执行步骤S2;
S43:判断微电网中的逆变器是否故障,
若是,执行步骤S44,
若否,执行步骤S45;
S44:更新微电网的拓扑结构,执行步骤S2;
S45:计算微电网的实时控制策略。
优选的,所述微电网中的逆变器包括主逆变器和备用逆变器,
所述主逆变器,用于获取微电网实时参数信息,还用于基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略;
所述备用逆变器,用于确认主逆变器是否发生故障,还用于主逆变器发生故障时,承担主逆变器的任务。
优选的,所述微电网的供需能力包括分布式发电设备的输出功率和微电网的负荷需求功率。
优选的,所述步骤S2包括以下步骤:
构建时刻t的决策变量矢量Pt,所述决策变量矢量Pt包括t时刻的各个所述分布式发电设备的有功功率和分布式储能设备的充电、放电功率;
基于时刻t到当天结束时刻T的决策变量矢量,构建微电网多参数二次规划模型的决策变量矢量模型Xt
Xt=[Pt;Pt+1;…;PT];
基于微电网多参数二次规划模型的决策变量矢量Xt、最优潮流控制的目标函数与约束条件,构建微电网最优发电成本的多参数二次规划模型:
gi(Xt,θt)=0,
hj(Xt,θt)≤0,
其中,minf(Xt,θt)为以Xt为变量、含有参数θt的最优发电成本函数模型,gi(Xt,θt)为等式约束条件模型,hj(Xt,θt)为不等式约束条件模型,θt为微电网供需能力的参数矢量;所述Q为二次成本常数矩阵,b为一次成本常数矢量,c为常量常数矢量;
基于所述微电网最优发电成本的多参数二次规划模型,完成模型求解,获得实时参数对应的所述微电网调度的最优解的集合模型
其中,K表示线性分区的总数;Pt(θt)k表示在时刻t以θt为参数,第k个分区中,对应的决策变量取值;Wk与wk表示线性函数的一次常数矩阵与常数矢量。
优选的,各个所述线性分区的约束条件满足:
优选的,所述等式约束条件包括:储能设备的能量值等式约束条件和微电网的有功功率等式约束条件,其中,
所述储能设备的能量值等式约束条件满足:
其中,和分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率,和分别表示第i个分布式储能设备的充电效率和放电效率,μi,BS表示第i个分布式储能设备的自放电因数,表示第i个分布式储能设备的初始能量;
所述微电网的有功功率等式约束条件满足:
优选的,所述储能设备的能量值约束条件还满足:
优选的,所述目标函数minf(Xt,θt)为以Xt为变量、含有参数θt的最优发电成本函数模型,包括:
其中,所述C表示此微电网的总运行成本,T表示一天中总的时间段数量,n表示微电网可控分布式电源设备的总数量,表示位于第i个分布式发电设备在时间段t的输出功率,函数表示位于第i个分布式发电设备在时间段t的成本,表示位于第i个储能设备在时间段t的充电功率,表示位于第i个储能设备在时间段t的放电功率;函数表示位于第i个储能设备在时间段t的成本。
其中,ai、bi和ci分别表示第i个分布式发电设备的二次成本常数、一次一次成本常数和常量常数;Δt表示时间间隔的长度。
优选的,所述非等式约束条件包括:负荷功率的不等式约束条件,分布式发电设备输出功率的不等式约束条件,储能设备的不等式约束条件及线路功率的不等式约束条件,
所述负荷功率的不等式约束条件满足:
所述分布式发电设备输出功率的不等式约束条件满足:
其中,表示第i个分布式发电设备在时刻t的实际输出功率,表示第i个分布式发电设备在时刻t-1的实际输出功率,和分别表示第i个分布式发电设备的最小和最大输出功率,ri表示第i个分布式发电设备的爬坡约束常数;
所述储能设备的不等式约束条件满足:
其中,1≤t≤T,所述和分别表示第i个分布式储能设备的放电与充电最大功率,和分别表示第i个分布式储能设备的初始能量、最小和最大能量,和分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率,和分别表示第i个分布式储能设备的充电效率和放电效率,μi,BS表示第i个分布式储能设备的自放电因数;
所述线路功率的不等式约束条件满足:
优选的,所述分布式发电设备包括分布式光伏发电设备和分布式风力发电设备,
所述分布式光伏发电设备的输出功率不等式约束条件还满足:
所述分布式风力发电设备的输出功率不等式约束条件还满足:
一种基于云边协同计算的微电网实时调度系统,包括云计算模块和逆变器控制模块,
所述云计算模块,用于预测微电网的供需能力;还用于基于预测的所述微电网的供需能力,构建微电网的多参数规划实时调度模型;
所述逆变器控制模块,用于获取微电网实时参数信息;还用于基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略。
优选的,所述基于云边协同计算的微电网实时调度系统,其特征在于,还包括通信模块,
所述通信模块,用于所述云计算模块和所述逆变器控制模块、所述逆变器控制模块与所述逆变器控制模块进行信息交互。
优选的,所述逆变器控制模块包括主逆变器和备用逆变器,
所述主逆变器,用于获取微电网实时参数信息,还用于基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略;
所述备用逆变器,用于确认主逆变器是否发生故障,还用于主逆变器发生故障时,承担主逆变器的任务。
本发明所述的基于云边协同计算的微电网实时调度方法及系统,去掉了微电网中的集中式能量管理系统,可以比传统方法更快地计算出动态实时调度安排,而且具有很高的可靠性,在实际应用中具有较大价值。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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一简单地介绍,显而易见地,下面描述中的附图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获得其他的附图。
图1为本发明所述的基于云边协同计算的微电网实时调度系统的示意图;
图2为本发明所述的基于云边协同计算的微电网实时调度方法的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例是本发明一部分实施例,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。
本实施例公开了一种基于云边协同计算的微电网实时调度系统,所述微电网包括分布式发电设备、分布式储能设备及负荷。其中,所述微电网实时调度系统包括云计算模块和逆变器控制模块,
所述云计算模块,用于预测微电网的供需能力;还用于基于预测的所述微电网的供需能力,构建微电网的多参数规划实时调度模型;
所述逆变器控制模块,用于获取微电网实时参数信息;还用于基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略。
需要说明的是,由于分布式发电设备、分布式储能设备与各节点的负荷实际值总是波动的,因此可以将其真实值与预测值的相对误差视为参数,即本实施例所述的参数为某个数据的真实值与预测值的相对误差。
其中,所述微电网实时调度系统还包括通信模块,
所述通信模块,用于所述云计算模块和所述逆变器控制模块、所述逆变器控制模块与所述逆变器控制模块进行信息交互。
请参照图1,图1示例性的给出了本发明所述的基于云边协同计算的微电网实时调度系统的一种拓扑结构。所述微电网实时调度系统包括云计算模块和逆变器控制模块,所述云计算模块包括云计算平台,所述逆变器控制模块包括逆变器和控制器,本实施例所述的逆变器具有通信、计算和控制等功能。所述逆变器与所述云计算平台、所述逆变器与所述逆变器,所述控制器与所述控制器,所述控制器与所述云计算平台均通过所述通信模块(即图1中的通信网)进行信息交互。本实施例中的微电网,其分布式发电设备包括光伏发电设备、风力发电设备、柴油机及微型燃气轮机,所述储能设备包括燃料电池。具体的,所述逆变器与与其对应的所述光伏发电设备、风力发电设备电连接,所述控制器与其对应的所述负荷、所述燃料电池、所述柴油机及所述微型燃气轮机电连接。其中,所述逆变器与逆变器,所述逆变器与所述控制器也存在电连接。
其中,所述逆变器包括主逆变器和备用逆变器,
所述主逆变器,用于获取微电网实时参数信息,还用于基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略;
所述备用逆变器,用于确认主逆变器是否发生故障,还用于主逆变器发生故障时,承担主逆变器的任务。
请参照图2,本实施例还公开了一种基于上述微电网实时调度系统的调度方法,具体的,所述基于云边协同计算的微电网实时调度方法,包括以下步骤:
S1:预测微电网的供需能力;
S2:基于预测的所述微电网的供需能力,构建微电网的多参数规划实时调度模型;
S3:获取微电网实时参数信息;
S4:基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略。
本实施例所述的基于云边协同计算的微电网实时调度方法中微电网的实时调度由云计算平台和微电网中的逆变器控制模块共同完成。其中云计算平台位于远程端,负责整合主网和配电网的信息,并且承担主要的计算任务,结合微网参数进行离线优化计算,即构建微电网的多参数规划实时调度模型;微电网中的逆变器控制模块接收云计算平台传递而来的多参数规划实时调度模型并加以储存,在监测到各个负荷、风力发电设备、光伏发电设备及储能设备的实时参数之后,将参数值实际值带入多参数规划实时调度模型中得到最佳控制策略,并且进一步根据最佳控制策略对各自对应的负荷、分布式发电设备及储能设备)进行控制。本发明所述的基于云边协同计算的微电网实时调度方法,去掉了微电网中的集中式能量管理系统,可以比传统方法更快地计算出动态实时调度安排,而且具有很高的可靠性,在实际应用中具有较大价值。
本实施例还对适用性进行额外检查,如果有些分布式可再生能源发电设备输出超出其指定范围,这意味着其实际输出明显偏离其预测值,并且违反了其预定义的错误范围,则应通知云计算平台,并用该范围更新微电网的预测供需能力。
具体的,所述步骤S4包括以下步骤:
S41:判断所述微电网的实时参数是否在预设范围内,
若是,执行步骤S42,
若否,执行步骤S43;
S42:更新微电网的预测供需能力,执行步骤S2;
S43:判断微电网中的逆变器是否故障,
若是,执行步骤S44,
若否,执行步骤S45;
S44:更新微电网的拓扑结构,执行步骤S2;
S45:计算微电网的实时控制策略。
具体的,在微电网中,每个发电单元都有一个逆变器。每个逆变器都有一个对应的计算芯片,用于通信,计算和控制。为了确保系统可靠性,我们将逆变器分为三类:主逆变器,备用逆变器和附属逆变器。它们的每种在实时决策部分都有特定的功能。
主逆变器负责数据收集和计算实时决策任务,即主逆变器用于获取微电网实时参数信息,还用于基于微电网实时参数信息和微电网的多参数实时调度模型,获得微电网的实时控制策略。
如果主逆变器发生故障,则将备用逆变器用作主逆变器。
具体的,假设主逆变器发生了单点故障问题,则微电网通过如下步骤进行处理:
当从属逆变器无法接收到来自主逆变器的实时结果时,它们会将信息发送到备用逆变器;
备用逆变器尝试与主逆变器通信以确认是否发生故障,即所述备用逆变器还用于确认主逆变器是否发生故障;
如果尝试失败,则备用逆变器会将故障问题报告给云计算平台,备用逆变器变为主逆变器,并承担主逆变器的任务,微电网的拓扑结构更新,即:备用逆变器还用于主逆变器发生故障时,承担主逆变器的任务;
云计算平台根据新的拓扑结构,重新构建微电网的多参数规划实时调度模型,并将重新构建的多参数规划实时调度模型发送给新的逆变器;
新的主变压器接收到新的多参数规划实时调度模型,并根据实时数据给出新的实时控制策略,附近的另一台逆变器将被选作备用逆变器。
通过以上步骤,当发生故障时,微电网的其余部分仍然可以正常工作,因此本发明提出的实时调度方法具有较高的可靠性。
具体的,所述步骤S1中的微电网的供需能力包括分布式发电设备的输出功率和微电网的负荷需求功率。
其中,所述步骤S2,基于预测的所述微电网的供需能力,所述构建微电网的多参数规划实时调度模型,包括以下步骤:
S21:构建时刻t的决策变量矢量Pt,所述决策变量矢量Pt由t时刻的各个所述分布式发电设备的有功功率和分布式储能设备的充电、放电功率组成,具体的,所述分布式发电设备包括柴油机、微型燃气轮机、光伏发设备和风力发电设备;
S22:基于时刻t到当天结束时刻T的决策变量矢量,构建微电网多参数二次规划模型的决策变量矢量模型Xt
Xt=[Pt;Pt+1;…;PT]。
S23:基于微电网多参数二次规划模型的决策变量矢量Xt、最优潮流控制的目标函数与约束条件,构建微电网最优发电成本的多参数二次规划模型:
gi(Xt,θt)=0,
hj(Xt,θt)≤0,
其中,minf(Xt,θt)为以Xt为变量、含有参数θt的最优发电成本函数模型,gi(Xt,θt)为等式约束条件模型,hj(Xt,θt)为不等式约束条件模型,θt为微电网供需能力的参数矢量;所述Q为二次成本常数矩阵,b为一次成本常数矢量,c为常量常数矢量。具体的,所述二次成本常数矩阵Q、一次成本常数矢量b及常量常数矢量c均由各个分布式发电设备和负荷设备的成本常数构成。
S24:基于所述微电网最优发电成本的多参数二次规划模型,完成模型求解后可以得到下列分段线性形式的计算结果,此结果可作为实时参数对应的所述微电网调度的最优解的集合模型:
其中,K表示线性分区的总数;Pt(θt)k表示在时刻t以θt为参数,第k个分区中,对应的决策变量取值;Wk与wk表示线性函数的一次常数矩阵与常数矢量。
其中,各个所述线性分区的约束条件满足:
微电网的逆变器控制模块收到所述微电网的实时调度最优条件的线性函数模型和约束条件模型,即可根据可再生能源发电设备的实际输出功率和实际的负荷需求数据,按照所述约束条件模型确定此时的最优控制策略所在的分区编号k,并根据所述线性函数模型,将实时参数值θt带入到对应的第k个分区中决策变量矢量模型Xt中,最终求出决策变量的最优取值。
其中,所述等式约束条件包括:储能设备的能量值等式约束条件和微电网的有功功率等式约束条件。
具体的,所述储能设备的能量值应该在一天的周期后,回到原始的初始值,所以所述储能设备的能量值等式约束条件满足:
其中,和分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率,和分别表示第i个分布式储能设备的充电效率和放电效率,μi,BS表示第i个分布式储能设备的自放电因数,表示第i个分布式储能设备的初始能量;
电网在运行的过程中,全网的有功功率应该平衡,因此,所述微电网的有功功率等式约束条件满足:
具体的,根据功率平衡原理,各个支路的有功功率可以通过以下方法进行计算:
由于同一储能设备不能同时进行充电和放电,因此,所述储能设备的能量值约束条件还满足:
其中,和分别表示第i个分布式储能设备在时刻t的充电功率和放电功率。此项约束的引入会导致所述多参数二次规划模型变为非线性模型,本实施例通过在目标函数中加入松弛项,将此项非线性约束条件松弛,形成线性模型。
具体的,所述目标函数minf(Xt,θt)为以Xt为变量、含有参数θt的最优发电成本函数模型,包括:
其中,所述C表示此微电网的总运行成本,T表示一天中总的时间段数量,n表示微电网可控分布式电源设备的总数量,表示位于第i个分布式发电设备在时间段t的输出功率,函数表示位于第i个分布式发电设备在时间段t的成本,表示位于第i个储能设备在时间段t的充电功率,表示位于第i个储能设备在时间段t的放电功率;函数表示位于第i个储能设备在时间段t的成本。
其中,ai、bi和ci分别表示第i个分布式发电设备的二次成本常数、一次一次成本常数和常量常数;Δt表示时间间隔的长度。
具体的,所述非等式约束条件包括:负荷功率的不等式约束条件,分布式发电设备输出功率的不等式约束条件,储能设备的不等式约束条件及线路功率的不等式约束条件。
其中,所述负荷功率的不等式约束条件满足
对于微电网中的分布式发电设备,其输出功率存在最大和最小值的限制,因此,所述分布式发电设备输出功率的不等式约束条件满足:
其中,所述分布式发电设备还对其实际输出的爬坡进行限定,因此,所述分布式发电设备输出功率的不等式约束条件还满足:
对于分布式储能设备,其放电和充电功率存在最大约束限制,分布式储能设备内存储能量也存在最大和最小限制,因此,所述储能设备的不等式约束条件满足:
其中,1≤t≤T,所述和分别表示第i个分布式储能设备的放电与充电最大功率,和分别表示第i个分布式储能设备的初始能量、最小和最大能量,和分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率,和分别表示第i个分布式储能设备的充电效率和放电效率,μi,BS表示第i个分布式储能设备的自放电因数;
由于电网中的线路存在容量约束条件,线路中允许流过的有功功率有最大值限制,因此,所述线路功率的不等式约束条件满足:
具体的,所述分布式发电设备包括分布式光伏发电设备和分布式风力发电设备,
所述分布式光伏发电设备的输出功率不等式约束条件还满足:
所述分布式风力发电设备的输出功率不等式约束条件还满足:
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (17)
1.一种基于云边协同计算的微电网实时调度方法,其特征在于,所述调度方法包括以下步骤:
S1:预测微电网的供需能力;
S2:基于所述供需能力,构建所述微电网的多参数规划实时调度模型;
S3:获取所述微电网的实时参数信息;
S4:基于所述实时参数信息和多参数实时调度模型,获得所述微电网的实时控制策略。
2.根据权利要求1所述的基于云边协同计算的微电网实时调度方法,其特征在于,所述步骤S4包括以下步骤:
S41:判断所述微电网的实时参数是否在预设范围内,
若是,执行步骤S42,
若否,执行步骤S43;
S42:更新所述微电网的预测供需能力,执行步骤S2;
S43:判断所述微电网中的逆变器是否故障,
若是,执行步骤S44,
若否,执行步骤S45;
S44:更新所述微电网的拓扑结构,执行步骤S2;
S45:计算所述实时控制策略。
3.根据权利要求2所述的基于云边协同计算的微电网实时调度方法,其特征在于,所述逆变器包括主逆变器和备用逆变器,
所述主逆变器,用于获取所述微电网的实时参数信息,还用于基于所诉实时参数信息和多参数实时调度模型,获得所述微电网的实时控制策略;
所述备用逆变器,用于确认所述主逆变器是否发生故障,还用于所述主逆变器发生故障时,承担所述主逆变器的任务。
4.根据权利要求1所述的基于云边协同计算的微电网实时调度方法,其特征在于,所述微电网的供需能力包括分布式发电设备的输出功率和所述微电网的负荷需求功率。
5.根据权利要求4所述的基于云边协同计算的微电网实时调度方法,其特征在于,所述步骤S2包括以下步骤:
构建时刻t的决策变量矢量Pt,所述决策变量矢量Pt包括t时刻的各个所述分布式发电设备的有功功率和分布式储能设备的充电、放电功率;
基于时刻t到当天结束时刻T的决策变量矢量,构建所述微电网的多参数二次规划模型的决策变量矢量Xt
Xt=[Pt;Pt+1;…;PT];
基于所述决策变量矢量Xt、最优潮流控制的目标函数与约束条件,构建所述微电网的最优发电成本的多参数二次规划模型:
gi(Xt,θt)=0,
hj(Xt,θt)≤0,
其中,minf(Xt,θt)为以Xt为变量、含有参数θt的最优发电成本函数模型,gi(Xt,θt)为等式约束条件模型,hj(Xt,θt)为不等式约束条件模型,θt为所述微电网供需能力的参数矢量;Q为二次成本常数矩阵,b为一次成本常数矢量,c为常量常数矢量;
基于所述多参数二次规划模型,完成模型求解,获得所述实时参数对应的所述微电网调度的最优解的集合模型
其中,K表示线性分区的总数;Pt(θt)k表示在时刻t以θt为参数,第k个分区中,对应的决策变量取值;Wk与wk表示线性函数的一次常数矩阵与常数矢量。
13.根据权利要求5所述的基于云边协同计算的微电网实时调度方法,其特征在于,所述非等式约束条件包括:负荷功率的不等式约束条件,分布式发电设备输出功率的不等式约束条件,储能设备的不等式约束条件及线路功率的不等式约束条件,
所述负荷功率的不等式约束条件满足:
所述分布式发电设备输出功率的不等式约束条件满足:
其中,表示第i个分布式发电设备在时刻t的实际输出功率,表示第i个分布式发电设备在时刻t-1的实际输出功率,和分别表示第i个分布式发电设备的最小和最大输出功率,ri表示第i个分布式发电设备的爬坡约束常数;
所述储能设备的不等式约束条件满足:
其中,1≤t≤T,所述和分别表示第i个分布式储能设备的放电与充电最大功率,和分别表示第i个分布式储能设备的初始能量、最小和最大能量,和分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率,和分别表示第i个分布式储能设备的充电效率和放电效率,μi,BS表示第i个分布式储能设备的自放电因数;
所述线路功率的不等式约束条件满足:
15.一种基于云边协同计算的微电网实时调度系统,其特征在于,包括云计算模块和逆变器控制模块,
所述云计算模块,用于预测所述微电网的供需能力;还用于基于所述供需能力,构建所述微电网的多参数规划实时调度模型;
所述逆变器控制模块,用于获取所述微电网的实时参数信息;还用于基于所述实时参数信息和多参数实时调度模型,获得微电网的实时控制策略。
16.根据权利要求15所述的基于云边协同计算的微电网实时调度系统,其特征在于,还包括通信模块,
所述通信模块,用于所述云计算模块和所述逆变器控制模块、所述逆变器控制模块与所述逆变器控制模块进行信息交互。
17.根据权利要求16所述的基于云边协同计算的微电网实时调度系统,其特征在于,所述逆变器控制模块包括主逆变器和备用逆变器,
所述主逆变器,用于获取所述实时参数信息,还用于基于所述实时参数信息和多参数实时调度模型,获得所述实时控制策略;
所述备用逆变器,用于确认所述主逆变器是否发生故障,还用于所述主逆变器发生故障时,承担所述主逆变器的任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286532.1A CN111525626A (zh) | 2020-04-13 | 2020-04-13 | 一种基于云边协同计算的微电网实时调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286532.1A CN111525626A (zh) | 2020-04-13 | 2020-04-13 | 一种基于云边协同计算的微电网实时调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111525626A true CN111525626A (zh) | 2020-08-11 |
Family
ID=71911549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010286532.1A Pending CN111525626A (zh) | 2020-04-13 | 2020-04-13 | 一种基于云边协同计算的微电网实时调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111525626A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882383A (zh) * | 2021-01-11 | 2021-06-01 | 合肥工业大学 | 一种面向变电站监测与边缘云协同的预测控制调度方法 |
CN113872323A (zh) * | 2021-09-06 | 2021-12-31 | 广西电网有限责任公司电力科学研究院 | 一种基于边缘智能的微电网云边协同控制系统 |
WO2023167631A1 (en) * | 2022-03-02 | 2023-09-07 | Envision Digital International Pte. Ltd. | An electrical power system and a multi-timescale coordinated optimization scheduling method therefor |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105140971A (zh) * | 2015-09-17 | 2015-12-09 | 浙江工商大学 | 一种基于重加权加速Lagrangian的交直流微电网分布式调度方法 |
US20170176965A1 (en) * | 2014-02-03 | 2017-06-22 | Green Power Technologies, S.L. | System and method for the distributed control and management of a microgrid |
CN107194565A (zh) * | 2017-05-17 | 2017-09-22 | 国家电网公司 | 一种基于云决策的电网调度优化方法和系统 |
CN109993419A (zh) * | 2019-03-18 | 2019-07-09 | 东南大学 | 一种综合能源服务商云协同-边缘协同优化调度方法 |
-
2020
- 2020-04-13 CN CN202010286532.1A patent/CN111525626A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170176965A1 (en) * | 2014-02-03 | 2017-06-22 | Green Power Technologies, S.L. | System and method for the distributed control and management of a microgrid |
CN105140971A (zh) * | 2015-09-17 | 2015-12-09 | 浙江工商大学 | 一种基于重加权加速Lagrangian的交直流微电网分布式调度方法 |
CN107194565A (zh) * | 2017-05-17 | 2017-09-22 | 国家电网公司 | 一种基于云决策的电网调度优化方法和系统 |
CN109993419A (zh) * | 2019-03-18 | 2019-07-09 | 东南大学 | 一种综合能源服务商云协同-边缘协同优化调度方法 |
Non-Patent Citations (2)
Title |
---|
WANG SIYUAN,ET AL.: "Cloud Computing and Local Chip-Based Dynamic Economic Dispatch for Microgrids", 《IEEE TRANSACTIONS ON SMART GRID》 * |
张彦 等: "《基于模型预测控制的能源互联网系统分布式优化调度研究》", 《中国电机工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882383A (zh) * | 2021-01-11 | 2021-06-01 | 合肥工业大学 | 一种面向变电站监测与边缘云协同的预测控制调度方法 |
CN112882383B (zh) * | 2021-01-11 | 2022-03-22 | 合肥工业大学 | 一种面向变电站监测与边缘云协同的预测控制调度方法 |
CN113872323A (zh) * | 2021-09-06 | 2021-12-31 | 广西电网有限责任公司电力科学研究院 | 一种基于边缘智能的微电网云边协同控制系统 |
WO2023167631A1 (en) * | 2022-03-02 | 2023-09-07 | Envision Digital International Pte. Ltd. | An electrical power system and a multi-timescale coordinated optimization scheduling method therefor |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Valverde et al. | Integration of fuel cell technologies in renewable-energy-based microgrids optimizing operational costs and durability | |
Ke et al. | Sizing the battery energy storage system on a university campus with prediction of load and photovoltaic generation | |
Tan et al. | Optimization of distribution network incorporating distributed generators: An integrated approach | |
US20170262007A1 (en) | Multi-agent oriented method for forecasting-based control with load priority of microgrid in island mode | |
Meng et al. | Hierarchical SCOPF considering wind energy integration through multiterminal VSC-HVDC grids | |
Fu et al. | Integration of large-scale offshore wind energy via VSC-HVDC in day-ahead scheduling | |
CN111525626A (zh) | 一种基于云边协同计算的微电网实时调度方法及系统 | |
Wang et al. | Cloud computing and local chip-based dynamic economic dispatch for microgrids | |
Momoh et al. | Review of optimization techniques for renewable energy resources | |
Liu et al. | Bi-level coordinated power system restoration model considering the support of multiple flexible resources | |
Izzatillaev et al. | Short-term load forecasting in grid-connected microgrid | |
Suprême et al. | OSER—A Planning Tool for Power Systems Operation Simulation and for Impacts Evaluation of the Distributed Energy Resources on the Transmission System | |
Rubanenko et al. | Predicting the power generation from renewable energy sources by using ANN | |
Li et al. | Online microgrid energy management based on safe deep reinforcement learning | |
Borra et al. | Dynamic programming for solving unit commitment and security problems in microgrid systems | |
Rosato et al. | A smart grid in Ponza island: battery energy storage management by echo state neural network | |
Delfino et al. | Identification and management of an electrical storage system for application in photovoltaic installations | |
CN115800276A (zh) | 一种考虑机组爬坡的电力系统应急调度方法 | |
Nie et al. | Deep reinforcement learning based approach for optimal power flow of microgrid with grid services implementation | |
Memari et al. | Reliability evaluation of active distribution networks based on scenario reduction method using PSO algorithm | |
Siddique et al. | Control strategy for a smart grid-hybrid controller for renewable energy using artificial neuro and fuzzy intelligent system | |
Bordons et al. | Basic Energy Management Systems in Microgrids | |
CN111769601A (zh) | 一种基于mpc策略的微电网能量调度方法 | |
Jain et al. | A data driven approach for scheduling the charging of electric vehicles | |
Zhao et al. | A Wind Power/Photovoltaic/Hydropower/Pumped Storage Power Station System Sizing Strategy |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200811 |
|
WD01 | Invention patent application deemed withdrawn after publication |