CN111697635A - 计及随机模糊双重不确定的交直流混合微网优化运行方法 - Google Patents

计及随机模糊双重不确定的交直流混合微网优化运行方法 Download PDF

Info

Publication number
CN111697635A
CN111697635A CN202010494620.0A CN202010494620A CN111697635A CN 111697635 A CN111697635 A CN 111697635A CN 202010494620 A CN202010494620 A CN 202010494620A CN 111697635 A CN111697635 A CN 111697635A
Authority
CN
China
Prior art keywords
direct current
alternating current
output
power
grid
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
CN202010494620.0A
Other languages
English (en)
Other versions
CN111697635B (zh
Inventor
李鹏
蔡永青
吴迪凡
王加浩
王子轩
张雪
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202010494620.0A priority Critical patent/CN111697635B/zh
Publication of CN111697635A publication Critical patent/CN111697635A/zh
Application granted granted Critical
Publication of CN111697635B publication Critical patent/CN111697635B/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
    • H02J5/00—Circuit arrangements for transfer of electric power between ac networks and dc 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
    • H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/30—The power source being a fuel cell
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
    • 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

Landscapes

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

Abstract

一种计及随机模糊双重不确定的交直流混合微网优化运行方法：基于交直流混合微网的特点，考虑到风光出力的不确定性，将光照强度定义为随机变量，将风速定义为随机模糊变量，对间歇性能源的出力进行不确定性建模；基于微网的网架结构，将随机模糊理论引入到交直流混合微网中，建立日前调度经济性最优的随机模糊机会约束优化模型，并进一步调整不平衡功率以实现机组的最优出力组合；用随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法对日前调度经济性最优的随机模糊机会约束优化模型进行求解，获得最终的交直流混合微网优化运行方案。本发明有效解决了风光出力不确定性对微网日前调度方案造成偏差大的问题，减少了不平衡功率的调整。

Description

计及随机模糊双重不确定的交直流混合微网优化运行方法
技术领域
本发明涉及一种交直流混合微网优化运行方法。特别是涉及一种计及随机模糊双重不确定的交直流混合微网优化运行方法。
背景技术
微网具有可靠性高、环境友好和便于分布式电源大规模接入等优点，顺应了能源转型革命的热潮，因而成为国内外学者研究的热点。交直流混合微网结合了交流电网和直流电网的优势，保证了多种分布式能源的消纳利用及电力用户的多元化电力需求，具有重要的研究价值。目前，国内外相关单位和专家学者对交直流混合微网的研究主要集中在微网的潮流计算、协调控制、优化配置与运行、安全稳定性、技术标准的制定及更新等方面。其中，交直流混合微网的优化运行是微网研究的热点和难点。而随着以风电为代表的间歇性能源接入微网，其出力明显的波动性和间歇性给微网的优化运行带来挑战。这些不确定因素不仅会影响微网的日前调度计划、实时调度有功功率，而且电能质量也会因功率的随机波动而下降，进一步影响微网运行的经济性、安全性、稳定性。
国内外相关文献对于间歇性能源出力的不确定性建模的研究主要集中在模糊性和随机性两方面，对风电的研究都未能脱离单一不确定性分析。但影响风机出力的不确定因素较多，仅考虑单一随机性或模糊性无法准确刻画其实际运行情况。因此，基于微网的网架结构，从风机出力的随机模糊双重不确定性的角度出发，建立日前调度经济性最优的随机模糊机会约束优化模型，可有效解决风光出力的不确定性造成的日前调度偏差大的问题，提高微网经济效益，对交直流混合微网的优化运行研究具有重要意义。
发明内容
本发明所要解决的技术问题是，提供一种能够为解决风光出力的不确定性造成微网日前调度偏差大问题的计及随机模糊双重不确定的交直流混合微网优化运行方法。
本发明所采用的技术方案是：一种计及随机模糊双重不确定的交直流混合微网优化运行方法，包括如下步骤：
1)基于交直流混合微网的特点，考虑到风光出力的不确定性，将光照强度定义为随机变量，将风速定义为随机模糊变量，对间歇性能源的出力进行不确定性建模；
2)基于微网的网架结构，将随机模糊理论引入到交直流混合微网中，建立日前调度经济性最优的随机模糊机会约束优化模型，并进一步调整不平衡功率以实现机组的最优出力组合；
3)用随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法对所述的日前调度经济性最优的随机模糊机会约束优化模型进行求解，获得最终的交直流混合微网优化运行方案。
本发明的计及随机模糊双重不确定的交直流混合微网优化运行方法，有益效果是：
1、计及间歇性能源出力存在的不确定性问题，提出了随机模糊机会约束优化模型，可有效解决了风光出力不确定性对微网日前调度方案造成偏差大的问题，减少了不平衡功率的调整，降低了总运行成本。
2、针对所建立的随机模糊机会约束优化模型，本发明采用随机模糊模拟、神经网络与混沌粒子群相结合的混合智能算法，有效解决了不确定函数难以求解的问题，利用该算法求解本发明提出的随机模糊机会约束优化模型，能够获得具有良好经济性和准确性的交直流混合微网优化运行方案。
附图说明
图1是本发明计及随机模糊双重不确定的交直流混合微网优化运行方法的原理图；
图2a是本发明实例中2014-2018年10月份96时段日风速威布尔分布形状参数k频方图；
图2b是本发明实例中2014-2018年10月份96时段日风速威布尔分布尺度参数c频方图；
图3是交直流混合微网典型网架结构图；
图4是本发明实例中交直流区负荷预测数据图；
图5是本发明实例中风速及光照强度预测数据图；
图6是本发明实例中确定性、随机性、随机模糊性优化与真实风光出力对比曲线图；
图7是本发明实例中确定性、随机性、随机模糊性优化方案与实际风光出力偏差柱形图；
图8a是本发明实例中三种情景下蓄电池日前调度计划对比示意图；
图8b是本发明实例中三种情景下蓄电池不平衡功率调整方案对比示意图；
图9a是本发明实例中三种情景下微燃机日前调度计划对比示意图；
图9b是本发明实例中三种情景下微燃机不平衡功率调整方案对比示意图；
图10a是本发明实例中三种情景下大电网日前调度计划对比示意图；
图10b是本发明实例中三种情景下大电网不平衡功率调整方案对比示意图；
图11a是本发明实例中三种情景下燃料电池日前调度计划对比示意图；
图11b是本发明实例中三种情景下燃料电池不平衡功率调整方案对比示意图；
图12是本发明实例中情景3下日前调度成本中各项成本占比饼形图。
具体实施方式
下面结合实施例和附图对本发明的计及随机模糊双重不确定的交直流混合微网优化运行方法做出详细说明。
本发明的计及随机模糊双重不确定的交直流混合微网优化运行方法，如图1所示，首先对间歇性能源的出力进行不确定性建模，分别将光照强度与风速视为随机变量与随机模糊变量，进一步计及风光出力的不确定性建立随机模糊机会约束优化模型，最后将得到的日前调度方案与实际最优出力进行不平衡功率的调整，得到具有良好经济性的优化方案。
本发明的计及随机模糊双重不确定的交直流混合微网优化运行方法，包括如下步骤：
1)基于交直流混合微网的特点，考虑到风光出力的不确定性，将光照强度定义为随机变量，将风速定义为随机模糊变量，对间歇性能源的出力进行不确定性建模；
所述的对间歇性能源的出力进行不确定性建模，是将光照强度视为服从贝塔分布的随机变量，根据光伏出力和光照强度的关系对光伏出力进行随机建模；将风速定义为随机模糊变量，基于风速服从的威布尔分布形状参数k和尺度参数c的模糊性，在一定置信水平下采用极大似然法估计形状参数k和尺度参数c的置信区间上下限，并计算相应的隶属度函数，进一步根据风电机组的输出功率与风速的关系对风电出力进行随机模糊建模。其中，
所述的根据光伏出力和光照强度的关系对光伏出力进行随机建模，得到：
Figure BDA0002522367930000031
其中，PPV、PPV,N分别为光伏机组的输出功率和额定功率；r、rN分别为该时间段的实际光照强度和额定光照强度。
所述的形状参数k和尺度参数c的模糊性分别采用三角形隶属度函数和梯形隶属度函数表示：
Figure BDA0002522367930000032
其中，k1、k2、k3为三角形隶属度函数的参数，决定隶属度函数形状；
Figure BDA0002522367930000033
其中，c1、c2、c3和c4为梯形隶属度函数的参数，决定隶属度函数形状。
进一步根据风电机组的输出功率与风速的关系对风电出力进行随机模糊建模，得到：
Figure BDA0002522367930000034
其中，PWT、PWT,N分别为风电机的输出功率和额定功率；v、vin、vout、vN分别为风电机的风速、切入风速、切出风速和额定风速。
本发明实施例根据某地2014-2018年10月份日风速历史数据，采用极大似然法估计96时段Weibull概率分布参数，汇总形状参数k和尺度参数c各自的数值波动频率，得到形状参数k和尺度参数c的频方图，如图2a、2b所示。由图可得形状参数k和尺度参数c的取值可近似采用三角形模糊变量、梯形模糊变量来描述，进一步计算90％置信水平对应的分布参数置信区间上下限，如表1所示，
表1 2014-2018年10月份日风速96时段Weibull分布参数置信区间上下限
Figure BDA0002522367930000035
Figure BDA0002522367930000041
则形状参数k和尺度参数c的隶属度函数分别表示为：
Figure BDA0002522367930000042
Figure BDA0002522367930000043
2)基于微网的网架结构，为解决风光出力的不确定性造成微网日前调度偏差大的问题，将随机模糊理论引入到交直流混合微网中，建立日前调度经济性最优的随机模糊机会约束优化模型，并进一步调整不平衡功率以实现机组的最优出力组合；其中，
所述的日前调度经济性最优的随机模糊机会约束优化模型为：
Figure BDA0002522367930000044
其中，γ、δ、α、β分别为给定的置信度，
Figure BDA0002522367930000045
为(γ,δ)的悲观值，F为日前调度成本，F＝Fgrid+Fom+Ffuel+Fenv+FILCloss，为便于研究，将交流区与直流区日前调度成本分别表示为：
F＝f(FAC,FDC,Floss)
Figure BDA0002522367930000046
其中，FAC、FDC、Floss分别为交流区、直流区运行成本和微网运行损耗成本；FACgrid为从配电网购/售电成本；FACom、FDCom分别为交流区、直流区微源运行维护成本；FACfuel、FDCfuel分别为交流区、直流区微源燃料成本；FACenv、FDCenv分别为交流区、直流区环境成本；FACloss、FDCloss和FILCloss分别表示交流区、直流区线损成本和交直流双向功率变换器(interlinkconvertor,ILC)的有功功率损耗成本；
Fgrid为电网购/售电成本：
Figure BDA0002522367930000051
其中，ΔT为调度时段；T为调度时间尺度；Ct为第t个时段的分时电价；Pgrid,t为第t个时段从电网购/售电量，Pgrid,t≥0表示购电，Pgrid,t<0表示售电；
Fom为运行维护成本：
Figure BDA0002522367930000052
其中，Ω为全部种类微源的集合；N为每种微源的机组总数；Kom,i为第i种微源的运行维护系数；Pi,n,t为第i种微源的第n个机组在第t个时段的输出功率；
Ffuel为燃料成本：
Figure BDA0002522367930000053
其中，Cgas为天然气的价格；L为天然气低热值；g表示可控微源的种类，这里指微燃机(micro turbine,MT)和燃料电池(fuel cell,FC)；Pg,n,t、ηg,n,t为第g种可控微源的第n个机组在第t个时段的输出功率和效率；
Fenv为环境成本：
Figure BDA0002522367930000054
其中，m为污染物种类总数；Vg,j、eg,j分别为第g种可控微源排放的第j种污染物的排放因子和单位排放量的环境折算系数；
Floss为有功损耗成本：
Figure BDA0002522367930000055
其中，Closs为有功损耗的折算价格；PACloss,t、PDCloss,t、PILCloss,t分别为第t个时段交流区域、直流区域线损和交直流双向功率变换器的有功功率损耗，因线路较短线路损耗占比较小，所以只考虑交直流双向功率变换器的损耗：
Figure BDA0002522367930000056
其中，Nq为微网中交直流双向功率变换器的总个数；ηq为第q个交直流双向功率变换器的效率；PILC,q,t为第q个交直流双向功率变换器在第t个时段的传输功率，从交流区域向直流区域传送时其值为正，反之为负；
所述日前调度经济性最优的随机模糊机会约束优化模型的约束条件为：
(1)微网功率平衡约束
PMT,t+PFC,t+PWT,t+PPV,t+Pgrid,t＝Pload,t+Ploss,t+PSB,t
其中，PMT,t、PFC,t分别为第t个时段微燃机、燃料电池的输出功率；PWT,t、PPV,t分别为第t个时段风电机组、光伏机组的输出功率；Pload,t、Ploss,t分别为第t个时段的负荷和微网有功功率损耗；PSB,t为蓄电池在第t个时段的充放电功率；
(2)交流区和直流区的功率平衡约束：
Figure BDA0002522367930000061
其中，PACload,t、PACloss,t分别为第t个时段的交流区负荷和有功功率损耗；PILC,t为第t个时段交直流双向功率变换器的传输功率；v0为交直流双向功率变换器传输功率的方向标志，PILC,t≥0时v0＝1，PILC,t<0时v0＝0；PDCload,t、PDCloss,t分别为第t个时段的直流区负荷和有功功率损耗；
(3)微源出力约束
Pi,min≤Pi,t≤Pi,max
其中，Pi,t为第i种微源在第t个时段的输出功率；Pi,max、Pi,max分别为第i种微源的输出功率上下限；
(4)交流区域与配电网的传输容量约束
-Pgrid,max≤Pgrid,t≤Pgrid,max
其中：Pgrid,max为配电网与微网的传输功率上限；
(5)交直流双向功率变换器传输容量约束
-PILC,max≤PILC,t≤PILC,max
其中，PILC,max为交直流双向功率变换器的传输功率上限；
(6)可控微源爬坡约束
Figure BDA0002522367930000062
其中，Pg,t、Pg,t-1分别为第g种可控微源在第t个时段和第t-1个时段的输出功率；λg,up、λg,down分别为第g种可控微源的最大上、下爬坡速率；
(7)蓄电池约束
Figure BDA0002522367930000063
其中，SOCt、SOCt+1分别为第t个时段和第t+1个时段蓄电池的荷电状态；QSB为蓄电池的额定容量；ηch、ηdis为充放电效率；μch、μdis为充放电标志，PSB,t≥0时，μch＝1、μdis＝0，PSB,t<0时，μch＝0、μdis＝1；PSB,max为蓄电池充电上限；SOCmax、SOCmin分别为荷电状态的上、下限；SOCinitial、SOCend分别为调度时段内的始末荷电状态。
因风光出力的波动性，交直流混合微网的日前调度方案与实际运行存在一定的偏差，风光出力出现缺额或盈余时，其他微源要进行不平衡功率的调整，所产生的调整费用表示为：
ΔF＝f(ΔFAC,ΔFDC,ΔFloss)
Figure BDA0002522367930000071
其中，ΔF为不平衡功率的调整费用；ΔFAC、ΔFDC、ΔFloss分别为交流区、直流区运行调整费用和微网运行损耗调整费用；ΔFACgrid为从配电网购/售电调整费用；ΔFACom、ΔFDCom分别为交流区、直流区微源运行维护调整费用；ΔFACfuel、ΔFDCfuel分别为交流区、直流区微源燃料调整费用；ΔFACenv、ΔFDCenv分别为交流区、直流区环境调整费用；ΔFACloss、ΔFDCloss和ΔFILCloss分别表示交流区、直流区线损调整费用和交直流双向功率变换器的有功功率损耗调整费用。
3)用随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法对所述的日前调度经济性最优的随机模糊机会约束优化模型进行求解，获得最终的交直流混合微网优化运行方案。其中，所述的随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法包括：
(1)获取交直流混合微网的运行数据和设定混合智能算法的参数；
(2)基于威布尔分布的概率密度函数进行随机模糊模拟，在形状参数k和尺度参数c的各自的置信区间内均匀抽取M个满足Pos{.}≥ε，的形状参数k和尺度参数c的数值，ε是个足够小的正数，基于风电出力的随机模糊建模，为不确定函数U1、U2产生输入输出数据集：
U1:x→Ch{gj(x,ζ)≤0,j＝1,2,…,p}(α)
Figure BDA0002522367930000072
其中，
Figure BDA0002522367930000073
为(γ,δ)的悲观值；x为决策变量；ζ为随机模糊变量；f(x，ζ)为目标函数；gj(x，ζ)为第j个约束条件，j＝1，2，…，p；γ、δ、α分别为给定的置信水平；Ch{·}为机会测度。
(3)本发明采用多层前向神经元网络，对于输入数据xτ，通过不断调整网络的权重向量w，对神经网络进行训练，使得神经网络的输出F(xτ,w)尽可能接近训练数据yτ：
Figure BDA0002522367930000074
其中，F(xτ,w)是相应于输入数据xτ的神经网络输出，yτ是对应于决策变量x的不确定函数的值；
(4)采用混沌运动初始化粒子群，混沌运动特性采用Logistic映射表示：
Figure BDA0002522367930000075
其中，χu+1和χu为混沌变量的第u+1次和第u次迭代值，χ0为混沌变量初值；
(5)用训练好的神经网络检验粒子的可行性；
(6)利用神经网络计算日前调度成本F，并评价每个粒子的适应度；
(7)保存粒子全局最优值和每个粒子的个体最优值；
(8)判断粒子是否达到迭代次数或收敛精度，若是，则输出日前调度成本F的优化结果；若否，则更新粒子的速度和位置；
(9)判断是否存在粒子重叠，若是，则赋予混沌运动以替换重叠的粒子，返回第(5)步；若否，则直接返回第(5)步。
下面给出实例，本实例基于MATLAB平台对如图3所示的交直流混合微网适当简化后进行仿真分析，其中大电网指配电网，各微源部分运行参数如表2所示，可控微源MT、FC各自的污染物排放因子及不同污染物的环境折算成本如表3所示，大电网购售电分时电价如表4所示，与大电网的传输容量最大限制为200kW，ILC的传输容量最大限制为100kW，效率为90％。混合智能算法参数设置如下：随机模糊模拟的次数为1000，训练样本数和神经网络训练次数均设为1500，混沌粒子群算法的群体规模和最大迭代次数分别设为50、200，置信水平γ、δ、α、β分别为设为0.95、0.9、0.9、0.85。交直流负荷预测值、风速与光照强度的预测值分别如图4、5所示。
表2 微源的运行参数
Figure BDA0002522367930000081
表3 污染物的排放因子和折算成本
Figure BDA0002522367930000082
表4 大电网分时电价
Figure BDA0002522367930000083
基于本发明所提出的随机模糊机会约束优化模型，设置确定性、随机性和随机模糊性三种情景对给出的实例进行对比仿真来验证本发明对不确定性优化运行问题处理的有效性，其中情景1、情景2的建模基于情景3作适当简化即可得到，具体如下：
情景1：未计及风光出力的不确定性，即风光出力的预测值作为确定值；
情景2：仅计及风光出力的随机性，即风速和光照强度服从随机分布；
情景3：风机出力计及随机模糊双重不确定性，光伏出力计及随机性。
三种情景与真实风光出力对比曲线如图6所示。由图可以看出，确定性、随机性和随机模糊性三种情景下的出力较实际运行的风光出力差异量不同，但均围绕实际出力上下波动，情景1的风光出力与实际风光出力之间的波动幅度最大，情景2次之，情景3考虑随机模糊双重不确定的风机出力波动幅度最小，因此计及双重不确定性的优化模型可有效提高可再生能源的利用率。
三种情景与真实风光出力的偏差柱形图如图7所示。由图可以看出，和情景3相比，情景1、2全天的间歇性能源出力与实际出力之间的差值较大且不稳定。情景1、2的间歇性能源出力尤其在0：00-8：00和21：00-24：00时与实际出力有较大差异，这是因为该时段的风机出力较大，对风速的不确定因素的敏感度较高。因此进一步说明对风速不确定性描述越全面，风机出力越准确，所以计及风速双重不确定性的模型得到的日前调度出力计划更准确。
由图8a可以看出，峰时电价时，蓄电池放电，荷电状态上升；谷时电价时，蓄电池充电，荷电状态下降，出力可有效跟随电价变化，降低了微网的运行成本。和情景1、2相比，情景3的充放电次数相对更少，可有效增加储能设备的寿命。由图9a可知，MT在峰时10：00-16：00和18：00-22：00时出力较大，此时电价较高，向电网购电不划算，谷时0：00-7：00和23：00-24：00时出力较少，与风机出力具有时间互补性，结合图10a，此时因电价较低增加了向电网的购电量。如图11a，FC出力与MT具有相似的特点，且因其费用成本低于MT，整体出力较MT较多，减少了频繁爬坡的损耗。
由图7、8b、9b、10b、11b各电源不平衡功率的调整方案可知，情景1确定性优化所得的日前调度计划的不平衡功率调整量最大，情景2次之，情景3计及随机模糊双重不确定的不平衡功率调整量最小。
三种情景下运行成本的对比如表5所示。
表5 三种情景费用对比
Figure BDA0002522367930000091
从表5可知，仅从日前调度成本来看，情景1的费用最高，情景3的成本要略高于情景2的费用，但其费用均接近实际日前调度成本。通过不平衡功率的调整后，情景3因各机组出力更接近最优方案，所以其调整费用小于情景2，因此情景3的总运行成本最小，相对于实际运行的费用相差20.5元，仅增加实际运行成本的0.628％，情景1和情景2总运行成本相较于实际运行成本分别增加了7.8％、2.32％。情景3中各项成本所占比例如图12所示。
综上所述，通过本发明实施例的仿真对比及优化结果表明，与确定性、随机性优化模型相比，本发明提出的一种计及随机模糊双重不确定性的交直流混合微网优化运行方法可以有效解决风光出力的不确定性造成的日前调度偏差大的问题，减少了调整不平衡功率产生的调整费用，获得经济效益更好的日前调度计划，证实了本发明的一种计及随机模糊双重不确定性的交直流混合微网优化运行方法的正确性和有效性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变换或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，包括如下步骤：
1)基于交直流混合微网的特点，考虑到风光出力的不确定性，将光照强度定义为随机变量，将风速定义为随机模糊变量，对间歇性能源的出力进行不确定性建模；
2)基于微网的网架结构，将随机模糊理论引入到交直流混合微网中，建立日前调度经济性最优的随机模糊机会约束优化模型，并进一步调整不平衡功率以实现机组的最优出力组合；
3)用随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法对所述的日前调度经济性最优的随机模糊机会约束优化模型进行求解，获得最终的交直流混合微网优化运行方案。
2.根据权利要求1所述的计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，步骤1)所述的对间歇性能源的出力进行不确定性建模，是将光照强度视为服从贝塔分布的随机变量，根据光伏出力和光照强度的关系对光伏出力进行随机建模；将风速定义为随机模糊变量，基于风速服从的威布尔分布形状参数k和尺度参数c的模糊性，在一定置信水平下采用极大似然法估计形状参数k和尺度参数c的置信区间上下限，并计算相应的隶属度函数，进一步根据风电机组的输出功率与风速的关系对风电出力进行随机模糊建模。
3.根据权利要求2所述的计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，所述的根据光伏出力和光照强度的关系对光伏出力进行随机建模，得到：
Figure FDA0002522367920000011
其中，PPV、PPV,N分别为光伏机组的输出功率和额定功率；r、rN分别为该时间段的实际光照强度和额定光照强度。
4.根据权利要求2所述的计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，所述的形状参数k和尺度参数c的模糊性分别采用三角形隶属度函数和梯形隶属度函数表示：
Figure FDA0002522367920000012
其中，k1、k2、k3为三角形隶属度函数的参数，决定隶属度函数形状；
Figure FDA0002522367920000013
其中，c1、c2、c3和c4为梯形隶属度函数的参数，决定隶属度函数形状；
进一步根据风电机组的输出功率与风速的关系对风电出力进行随机模糊建模，得到：
Figure FDA0002522367920000021
其中，PWT、PWT,N分别为风电机的输出功率和额定功率；v、vin、vout、vN分别为风电机的风速、切入风速、切出风速和额定风速。
5.根据权利要求1所述的计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，步骤2)所述的日前调度经济性最优的随机模糊机会约束优化模型为：
Figure FDA0002522367920000022
其中，γ、δ、α、β分别为给定的置信度，
Figure FDA0002522367920000024
为(γ,δ)的悲观值，F为日前调度成本，F＝Fgrid+Fom+Ffuel+Fenv+FILCloss，将交流区与直流区日前调度成本分别表示为：
F＝f(FAC,FDC,Floss)
Figure FDA0002522367920000023
其中，FAC、FDC、Floss分别为交流区、直流区运行成本和微网运行损耗成本；FACgrid为从配电网购(售)电成本；FACom、FDCom分别为交流区、直流区微源运行维护成本；FACfuel、FDCfuel分别为交流区、直流区微源燃料成本；FACenv、FDCenv分别为交流区、直流区环境成本；FACloss、FDCloss和FILCloss分别表示交流区、直流区线损成本和交直流双向功率变换器的有功功率损耗成本；
Fgrid为电网购/售电成本：
Figure FDA0002522367920000031
其中，ΔT为调度时段；T为调度时间尺度；Ct为第t个时段的分时电价；Pgrid,t为第t个时段从电网购/售电量，Pgrid,t≥0表示购电，Pgrid,t<0表示售电；
Fom为运行维护成本：
Figure FDA0002522367920000032
其中，Ω为全部种类微源的集合；N为每种微源的机组总数；Kom,i为第i种微源的运行维护系数；Pi,n,t为第i种微源的第n个机组在第t个时段的输出功率；
Ffuel为燃料成本：
Figure FDA0002522367920000033
其中，Cgas为天然气的价格；L为天然气低热值；g表示可控微源的种类，这里指微燃机和燃料电池；Pg,n,t、ηg,n,t为第g种可控微源的第n个机组在第t个时段的输出功率和效率；
Fenv为环境成本：
Figure FDA0002522367920000034
其中，m为污染物种类总数；Vg,j、eg,j分别为第g种可控微源排放的第j种污染物的排放因子和单位排放量的环境折算系数；
Floss为有功损耗成本：
Figure FDA0002522367920000035
其中，Closs为有功损耗的折算价格；PACloss,t、PDCloss,t、PILCloss,t分别为第t个时段交流区域、直流区域线损和交直流双向功率变换器的有功功率损耗，因线路较短线路损耗占比较小，所以只考虑交直流双向功率变换器的损耗：
Figure FDA0002522367920000036
其中，Nq为微网中交直流双向功率变换器的总个数；ηq为第q个交直流双向功率变换器的效率；PILC,q,t为第q个交直流双向功率变换器在第t个时段的传输功率，从交流区域向直流区域传送时其值为正，反之为负；
所述日前调度经济性最优的随机模糊机会约束优化模型的约束条件为：
(1)微网功率平衡约束
PMT,t+PFC,t+PWT,t+PPV,t+Pgrid,t＝Pload,t+Ploss,t+PSB,t
其中，PMT,t、PFC,t分别为第t个时段微燃机、燃料电池的输出功率；PWT,t、PPV,t分别为第t个时段风电机组、光伏机组的输出功率；Pload,t、Ploss,t分别为第t个时段的负荷和微网有功功率损耗；PSB,t为蓄电池在第t个时段的充放电功率；
(2)交流区和直流区的功率平衡约束：
Figure FDA0002522367920000041
其中，PACload,t、PACloss,t分别为第t个时段的交流区负荷和有功功率损耗；PILC,t为第t个时段交直流双向功率变换器的传输功率；v0为交直流双向功率变换器传输功率的方向标志，PILC,t≥0时v0＝1，PILC,t<0时v0＝0；PDCload,t、PDCloss,t分别为第t个时段的直流区负荷和有功功率损耗；
(3)微源出力约束
Pi,min≤Pi,t≤Pi,max
其中，Pi,t为第i种微源在第t个时段的输出功率；Pi,max、Pi,max分别为第i种微源的输出功率上下限；
(4)交流区域与配电网的传输容量约束
-Pgrid,max≤Pgrid,t≤Pgrid,max
其中：Pgrid,max为配电网与微网的传输功率上限；
(5)交直流双向功率变换器传输容量约束
-PILC,max≤PILC,t≤PILC,max
其中，PILC,max为交直流双向功率变换器的传输功率上限；
(6)可控微源爬坡约束
Figure FDA0002522367920000042
其中，Pg,t、Pg,t-1分别为第g种可控微源在第t个时段和第t-1个时段的输出功率；λg,up、λg,down分别为第g种可控微源的最大上、下爬坡速率；
(7)蓄电池约束
Figure FDA0002522367920000043
其中，SOCt、SOCt+1分别为第t个时段和第t+1个时段蓄电池的荷电状态；QSB为蓄电池的额定容量；ηch、ηdis为充放电效率；μch、μdis为充放电标志，PSB,t≥0时，μch＝1、μdis＝0，PSB,t<0时，μch＝0、μdis＝1；PSB,max为蓄电池充电上限；SOCmax、SOCmin分别为荷电状态的上、下限；SOCinitial、SOCend分别为调度时段内的始末荷电状态；
因风光出力的波动性，交直流混合微网的日前调度方案与实际运行存在一定的偏差，风光出力出现缺额或盈余时，其他微源要进行不平衡功率的调整，所产生的调整费用表示为：
ΔF＝f(ΔFAC,ΔFDC,ΔFloss)
Figure FDA0002522367920000051
其中，ΔF为不平衡功率的调整费用；ΔFAC、ΔFDC、ΔFloss分别为交流区、直流区运行调整费用和微网运行损耗调整费用；ΔFACgrid为从配电网购/售电调整费用；ΔFACom、ΔFDCom分别为交流区、直流区微源运行维护调整费用；ΔFACfuel、ΔFDCfuel分别为交流区、直流区微源燃料调整费用；ΔFACenv、ΔFDCenv分别为交流区、直流区环境调整费用；ΔFACloss、ΔFDCloss和ΔFILCloss分别表示交流区、直流区线损调整费用和交直流双向功率变换器的有功功率损耗调整费用。
6.根据权利要求1所述的计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，步骤3)所述的随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法包括：
(1)获取交直流混合微网的运行数据和设定混合智能算法的参数；
(2)基于威布尔分布的概率密度函数进行随机模糊模拟，在形状参数k和尺度参数c的各自的置信区间内均匀抽取M个满足Pos{·}≥ε，的形状参数k和尺度参数c的数值，ε是个足够小的正数，基于风电出力的随机模糊建模，为不确定函数U1、U2产生输入输出数据集：
U1:x→Ch{gj(x,ζ)≤0,j＝1,2,…,p}(α)
U2:
Figure FDA0002522367920000052
其中，
Figure FDA0002522367920000053
为(γ,δ)的悲观值；x为决策变量；ζ为随机模糊变量；f(x，ζ)为目标函数；gj(x，ζ)为第j个约束条件，j＝1，2，…，p；γ、δ、α分别为给定的置信度；Ch{·}为机会测度；
(3)采用多层前向神经元网络，对于输入数据xτ，通过不断调整网络的权重向量w，对神经网络进行训练，使得神经网络的输出F(xτ,w)尽可能接近训练数据yτ：
Figure FDA0002522367920000054
其中，F(xτ,w)是相应于输入数据xτ的神经网络输出，训练数据yτ是对应于决策变量x的不确定函数的值；
(4)采用混沌运动初始化粒子群，混沌运动特性采用Logistic映射表示：
Figure FDA0002522367920000055
其中，χu+1和χu为混沌变量的第u+1次和第u次迭代值，χ0为混沌变量初值；
(5)用训练好的神经网络检验粒子的可行性；
(6)利用神经网络计算日前调度成本F，并评价每个粒子的适应度；
(7)保存粒子全局最优值和每个粒子的个体最优值；
(8)判断粒子是否达到迭代次数或收敛精度，若是，则输出日前调度成本F的优化结果；若否，则更新粒子的速度和位置；
(9)判断是否存在粒子重叠，若是，则赋予混沌运动以替换重叠的粒子，返回第(5)步；若否，则直接返回第(5)步。
CN202010494620.0A 2020-06-03 2020-06-03 计及随机模糊双重不确定的交直流混合微网优化运行方法 Active CN111697635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010494620.0A CN111697635B (zh) 2020-06-03 2020-06-03 计及随机模糊双重不确定的交直流混合微网优化运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010494620.0A CN111697635B (zh) 2020-06-03 2020-06-03 计及随机模糊双重不确定的交直流混合微网优化运行方法

Publications (2)

Publication Number Publication Date
CN111697635A true CN111697635A (zh) 2020-09-22
CN111697635B CN111697635B (zh) 2023-07-25

Family

ID=72479322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010494620.0A Active CN111697635B (zh) 2020-06-03 2020-06-03 计及随机模糊双重不确定的交直流混合微网优化运行方法

Country Status (1)

Country Link
CN (1) CN111697635B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668826A (zh) * 2020-11-04 2021-04-16 重庆邮电大学 计及ev双重不确定性的独立微电网模糊随机调度方法
CN114114909A (zh) * 2021-11-11 2022-03-01 海南师范大学 基于粒子群算法优化的间歇过程2d输出反馈预测控制方法
CN115566706A (zh) * 2022-11-10 2023-01-03 西南交通大学 一种用于碱性电解制氢系统的模糊控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106877338A (zh) * 2017-03-29 2017-06-20 华北电力大学（保定） 含高密度间歇性能源的交直流微电网不确定优化运行方法
CN106877336A (zh) * 2017-03-14 2017-06-20 长沙理工大学 一种考虑风电随机性的交直流电力系统连续潮流方法
CN107947178A (zh) * 2017-12-15 2018-04-20 华北电力大学（保定） 一种基于文化基因算法的交直流混合微网优化运行方法
CN108039741A (zh) * 2017-12-15 2018-05-15 华北电力大学（保定） 计及微源余电上网的交直流混合微网优化运行方法
CN108233430A (zh) * 2018-02-05 2018-06-29 三峡大学 一种计及系统能源波动性的交直流混合微网优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106877336A (zh) * 2017-03-14 2017-06-20 长沙理工大学 一种考虑风电随机性的交直流电力系统连续潮流方法
CN106877338A (zh) * 2017-03-29 2017-06-20 华北电力大学（保定） 含高密度间歇性能源的交直流微电网不确定优化运行方法
CN107947178A (zh) * 2017-12-15 2018-04-20 华北电力大学（保定） 一种基于文化基因算法的交直流混合微网优化运行方法
CN108039741A (zh) * 2017-12-15 2018-05-15 华北电力大学（保定） 计及微源余电上网的交直流混合微网优化运行方法
CN108233430A (zh) * 2018-02-05 2018-06-29 三峡大学 一种计及系统能源波动性的交直流混合微网优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TANG C H等: "A versatile mixture distribution and its application in economic dispatch with multiple wind farms" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668826A (zh) * 2020-11-04 2021-04-16 重庆邮电大学 计及ev双重不确定性的独立微电网模糊随机调度方法
CN114114909A (zh) * 2021-11-11 2022-03-01 海南师范大学 基于粒子群算法优化的间歇过程2d输出反馈预测控制方法
CN114114909B (zh) * 2021-11-11 2024-03-22 海南师范大学 基于粒子群算法优化的间歇过程2d输出反馈预测控制方法
CN115566706A (zh) * 2022-11-10 2023-01-03 西南交通大学 一种用于碱性电解制氢系统的模糊控制方法

Also Published As

Publication number Publication date
CN111697635B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Hossain et al. Modified PSO algorithm for real-time energy management in grid-connected microgrids
CN110689189B (zh) 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法
CN107565607B (zh) 一种基于实时电价机制的微电网多时间尺度能量调度方法
CN110311421B (zh) 基于需求侧响应的微电网多时间尺度能量管理方法
Wu et al. Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm
CN111697635B (zh) 计及随机模糊双重不确定的交直流混合微网优化运行方法
CN113112087A (zh) 考虑电热负荷需求响应的综合能源系统运行成本优化方法
CN111404206B (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
CN103346562A (zh) 计及需求响应的多时间尺度微网能量控制方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN112464477A (zh) 计及需求响应的多能耦合综合能源运行仿真方法
CN105322534B (zh) 一种基于区间不确定性的微网优化调度方法
CN111293718B (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
CN112508325B (zh) 一种家庭微电网多时间尺度电能调度方法
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
CN107706932A (zh) 一种基于动态自适应模糊逻辑控制器的能量调度优化方法
CN110350512A (zh) 一种智能园区新能源发电站调度优化方法及系统
Li et al. Multi-objective optimal operation of hybrid AC/DC microgrid considering source-network-load coordination
CN112366684A (zh) 一种海岛微电网系统
CN114662752A (zh) 基于价格型需求响应模型的综合能源系统运行优化方法
CN106100002B (zh) 一种交直流混合微网的优化运行方法
Mao et al. Economic Dispatch of Microgrid Considering Fuzzy Control Based Storage Battery Charging and Discharging.
CN115796533A (zh) 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置
Arcos-Aviles et al. Fuzzy control-based energy management system for interconnected residential microgrids using the forecasts of power generation and load demand
CN112087041A (zh) 一种光伏全电厨房及能量管理优化系统

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