CN111740443A - 多分布式电源的独立微电网多时间尺度协同优化调度方法 - Google Patents
多分布式电源的独立微电网多时间尺度协同优化调度方法 Download PDFInfo
- Publication number
- CN111740443A CN111740443A CN202010571446.5A CN202010571446A CN111740443A CN 111740443 A CN111740443 A CN 111740443A CN 202010571446 A CN202010571446 A CN 202010571446A CN 111740443 A CN111740443 A CN 111740443A
- Authority
- CN
- China
- Prior art keywords
- day
- energy storage
- constraint
- diesel engine
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004146 energy storage Methods 0.000 claims description 99
- 239000002245 particle Substances 0.000 claims description 57
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 5
- 238000004904 shortening Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 239000008187 granular material Substances 0.000 claims 1
- 230000005611 electricity Effects 0.000 abstract description 12
- 230000009977 dual effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- H02J3/381—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
- H02J3/008—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
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及独立微电网优化调度领域，具体涉及多分布式电源的独立微电网多时间尺度协同优化调度方法。所述的方法包括以下步骤：统计含多分布式电源的独立微电网相关参数及日前预测信息，建立独立微电网系统结构；建立含多分布式电源的独立微电网日前协同优化调度模型；建立含多分布式电源的独立微电网日内协同优化调度模型；对所建模型进行求解；得到含多分布式电源的独立微电网多时间尺度协同优化调度最优方案。本发明的优点：有效提高风光电利用率。实现独立微电网运行经济性和稳定性的双重目标。
Description
技术领域
本发明涉及独立微电网优化调度领域，具体涉及多分布式电源的独立微电网多时间尺度协同优化调度方法。
背景技术
随着海岛保护与开发越来越受重视，众多海岛建立了由风机、光伏、柴油发电机、储能系统等多种分布式电源与负荷组成的独立微电网。由于风光电输出功率依赖于气候条件，具有较强的随机性和波动性，高渗透率风光电接入对电网正常运行造成了极大挑战。因此，对多分布式电源进行协同优化调度对独立微电网稳定经济运行具有重要意义。
能量管理系统(Energy Management System，EMS)是独立微电网的神经中枢，多类型分布式电源将输出功率预测信息上报至EMS，基于系统负荷需求，利用多时间尺度协同控制思路，制定“日前-日内”风光柴储协同优化调度计划，降低高渗透率风光电并网给独立微电网造成的影响。因此，对多分布式电源进行多时间尺度协同优化调度可有效平抑风光电带来的不确定性，保持独立微电网稳定经济运行。
发明内容
本发明的目的是克服现有技术的缺陷，提供一种含多分布式电源的独立微电网多时间尺度协同优化调度方法，用于实现含多分布式电源的独立微电网稳定、经济运行的双重目标，为独立微电网调度运行提供参考。
为实现上述目的，本发明采用的技术方案为：
多分布式电源的独立微电网多时间尺度协同优化调度方法，包括以下步骤：
S1，统计含多分布式电源的独立微电网相关参数及日前预测信息，建立独立微电网系统结构；
S2，建立含多分布式电源的独立微电网日前协同优化调度模型；
S3，建立含多分布式电源的独立微电网日内协同优化调度模型；
S4，对所建模型进行求解；
S5，得到含多分布式电源的独立微电网多时间尺度协同优化调度最优方案。
进一步的，所述S2具体包括以下步骤：
S201：构建日前协同优化调度模型目标函数；
函数模型考虑机组燃料成本、维护成本及弃风弃光成本，以系统运行最低成本为目标函数进行优化：
式中：
为柴油机组发电成本；αn、βn和γn为柴油机组发电成本系数；
为柴油机组状态变量，
表示机组处于运行状态，
表示机组处于停机状态；
Cre为柴油机组启停成本；
S202：构建日前协同优化调度模型约束条件；
独立微电网系统在运行时必须遵循基本电路原理和各设备固有特性，目标函数优化需满足系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束：
系统功率平衡约束：
式中：
为风电日前预测有功出力；
为光电日前预测有功出力；
为系统预测负荷；
为储能设备放电状态变量，
表示设备处于放电状态，
表示机组未被调用；
为储能设备充电状态变量，
表示设备处于充电状态，
表示机组未被调用；
柴油机组约束：
柴油机组有功功率受其出力限值约束：
式中：
为柴油机组n的有功功率上限；
为柴油机组n的有功功率下限；
在调节过程中，机组还受到爬坡约束的制约：
式中：
为柴油机组n从t-1时段到t时段允许的上升出力的最大值；
为柴油机组n从t-1时段到t时段允许的下降出力的最大值；
为限制柴油发电机组频繁启停机，其最短开停机时间约束为：
式中：
为状态变量，表示柴油发电机的停机状态，Tr为柴油发电机最小运行时间；TS为柴油发电机最小停机时间；
储能设备约束：
储能设备m在时刻t的荷电状态(State of Charge,SOC)可由下式计算：
式中：ηch,m为储能设备m的充电效率，ηdis,m为储能设备m的放电效率，由储能设备性能决定；ΔT为时间精度；
充放电功率约束和剩余电量约束如下：
式中：
为储能设备m的最大充放电功率；
为设备的剩余电量的上限；
为设备的剩余电量的下限；
弃风弃光功率约束：
式中：
为弃风弃光功率。
进一步的，所述S3具体包括以下步骤：
S301：构建日内协同优化调度模型目标函数；
风光电的预测精度随时间的变短而提高，日内协同优化调度模型基于日前优化调度计划，根据日内不断更新的风光电预测信息，滚动更新日前调度计划；该模型以最大化消除风光电日内偏差为目标函数：
式中：
为风电日内偏移量，
为光电日内偏移量；
为柴油机组的日内调节功率；
为储能设备的日内调节功率；
由于在日前调峰优化控制模型中存在功率平衡约束：
将上式带入(13)可得：
因此，日内优化模型的目标函数转变日内风光电偏差与柴油机组和储能设备修正量差值最小；
S302：构建日内协同优化调度模型约束条件；
模型约束调节包括系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束；
系统功率平衡约束：
柴油机组约束：
式中：
为柴油机组在t时段的日内有功出力；
储能设备约束：
式中：
为储能设备在t时段的日内有功出力；
为日内调节后的储能设备剩余电量；
弃风弃光功率约束：
式中：
为弃风弃光功率。
进一步的，所述S4具体包括以下步骤：
S401，设定粒子群算法的相关参数，所述的参数包括但不限于：粒子群规模N、最大迭代次数tMax、惯性权重系数w、加速系数c1、c2，粒子速度最大值Vmax和粒子速度最小值Vmax；
S402，对柴油机组和储能设备进行编号，通过随机初始化粒子群，得到N种可行解，将初始粒子值代入公式(1)或(13)计算目标函数，目标函数值即为适应度，求得每个粒子适应度值Fi；
S403，计算每个粒子的历史最优解pBest.i以及全局粒子历史最优解gBest，其中，
gBest＝min(pBest.i)，k为迭代次数；
S404，对每个粒子进行速度和位置更新，每次更新后，检查速度是否超过速度最大值Vmax或最小值Vmin，如果超出该范围，将速度限制为该极值；同时，检查每个粒子的位置是否超过了约束条件，如果超过该范围，将位置限制为该极值；
S404，将更新后的粒子位置代入潮流计算，计算粒子更新后的适应值；如果粒子i的适应值
优于此前的个体极值pBest.i，则令
令
如果g优于此前的全局历史最优值gBest，则令gBest＝g；
S406，若迭代次数k＞tMax，则停止计算，输出与全局历史最优值gBest相对应的柴油机组和储能设备有功输出解；
否则返回步骤S403再次计算。
本发明提供的含多分布式电源的独立微电网多时间尺度协同优化调度方法，针对含多分布式电源的独立微电网，兼顾系统运行稳定性、经济性以及提升风光利用率，提出了“日前-日内”多时间尺度的协同调度优化方法。以柴油机组和储能设备为控制对象，建立了含多分布式电源的独立微电网日前与日内协同优化调度模型。
本发明提供的含多分布式电源的独立微电网多时间尺度协同优化调度方法，运用粒子群算法对一个单目标、多约束的非线性规划问题进行求解。在提高风光电利用率，降低了高渗透率风光电所带来的系统运行不稳定性。同时，能够实现独立微电网运行经济性和稳定性的双重目标。为独立微电网调度人员决策提供了科学依据。
与现有技术相比，本发明提供的含多分布式电源的独立微电网多时间尺度协同优化调度方法的优点：
(1)提出了“日前-日内”多时间尺度的协同调度优化方法。
(2)建立了含多分布式电源的独立微电网日前与日内协同优化调度模型。
(3)有效提高风光电利用率。
(4)实现独立微电网运行经济性和稳定性的双重目标。
附图说明
图1为本发明含多分布式电源的独立微电网多时间尺度协同优化调度方法的流程图；
图2为本发明实施例2的独立微电网风光电及负荷有功输出预测图；
图3为本发明实施例2的独立微电网系统图；
图4为本发明实施例2的独立微电网日前协同优化调度计划图；
图5为本发明实施例2的独立微电网日内协同优化调度计划图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，以下实施例对本发明的作进一步详细描述，以下实施例仅用于说明发明，但不用来限制本发明的范围。
多分布式电源的独立微电网多时间尺度协同优化调度方法，包括以下步骤：
S1，统计含多分布式电源的独立微电网相关参数及日前预测信息，建立独立微电网系统结构；
S2，建立含多分布式电源的独立微电网日前协同优化调度模型；
S3，建立含多分布式电源的独立微电网日内协同优化调度模型；
S4，对所建模型进行求解；
S5，得到含多分布式电源的独立微电网多时间尺度协同优化调度最优方案。
进一步的，所述S2具体包括以下步骤：
S201：构建日前协同优化调度模型目标函数；
函数模型考虑机组燃料成本、维护成本及弃风弃光成本，以系统运行最低成本为目标函数进行优化：
式中：
为柴油机组发电成本；αn、βn和γn为柴油机组发电成本系数；
为柴油机组状态变量，
表示机组处于运行状态，
表示机组处于停机状态；
Cre为柴油机组启停成本；
S202：构建日前协同优化调度模型约束条件；
独立微电网系统在运行时必须遵循基本电路原理和各设备固有特性，目标函数优化需满足系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束：
系统功率平衡约束：
式中：
为风电日前预测有功出力；
为光电日前预测有功出力；
为系统预测负荷；
为储能设备放电状态变量，
表示设备处于放电状态，
表示机组未被调用；
为储能设备充电状态变量，
表示设备处于充电状态，
表示机组未被调用；
柴油机组约束：
柴油机组有功功率受其出力限值约束：
式中：
为柴油机组n的有功功率上限；
为柴油机组n的有功功率下限；
在调节过程中，机组还受到爬坡约束的制约：
式中：
为柴油机组n从t-1时段到t时段允许的上升出力的最大值；
为柴油机组n从t-1时段到t时段允许的下降出力的最大值；
为限制柴油发电机组频繁启停机，其最短开停机时间约束为：
式中：
为状态变量，表示柴油发电机的停机状态，Tr为柴油发电机最小运行时间；TS为柴油发电机最小停机时间；
储能设备约束：
储能设备m在时刻t的荷电状态(State of Charge,SOC)可由下式计算：
式中：ηch,m为储能设备m的充电效率，ηdis,m为储能设备m的放电效率，由储能设备性能决定；ΔT为时间精度；
充放电功率约束和剩余电量约束如下：
式中：
为储能设备m的最大充放电功率；
为设备的剩余电量的上限；
为设备的剩余电量的下限；
弃风弃光功率约束：
式中：
为弃风弃光功率。
进一步的，所述S3具体包括以下步骤：
S301：构建日内协同优化调度模型目标函数；
风光电的预测精度随时间的变短而提高，日内协同优化调度模型基于日前优化调度计划，根据日内不断更新的风光电预测信息，滚动更新日前调度计划；该模型以最大化消除风光电日内偏差为目标函数：
式中：
为风电日内偏移量，
为光电日内偏移量；
为柴油机组的日内调节功率；
为储能设备的日内调节功率；
由于在日前调峰优化控制模型中存在功率平衡约束：
将上式带入(13)可得：
因此，日内优化模型的目标函数转变日内风光电偏差与柴油机组和储能设备修正量差值最小；
S302：构建日内协同优化调度模型约束条件；
模型约束调节包括系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束；
系统功率平衡约束：
柴油机组约束：
式中：
为柴油机组在t时段的日内有功出力；
储能设备约束：
式中：
为储能设备在t时段的日内有功出力；
为日内调节后的储能设备剩余电量；
弃风弃光功率约束：
式中：
为弃风弃光功率。
进一步的，所述S4具体包括以下步骤：
S401，设定粒子群算法的相关参数，所述的参数包括但不限于：粒子群规模N、最大迭代次数tMax、惯性权重系数w、加速系数c1、c2，粒子速度最大值Vmax和粒子速度最小值Vmax；
S402，对柴油机组和储能设备进行编号，通过随机初始化粒子群，得到N种可行解，将初始粒子值代入公式(1)或(13)计算目标函数，目标函数值即为适应度，求得每个粒子适应度值Fi；
S403，计算每个粒子的历史最优解pBest.i以及全局粒子历史最优解gBest，其中，
gBest＝min(pBest.i)，k为迭代次数；
S404，对每个粒子进行速度和位置更新，每次更新后，检查速度是否超过速度最大值Vmax或最小值Vmin，如果超出该范围，将速度限制为该极值；同时，检查每个粒子的位置是否超过了约束条件，如果超过该范围，将位置限制为该极值；
S404，将更新后的粒子位置代入潮流计算，计算粒子更新后的适应值；如果粒子i的适应值
优于此前的个体极值pBest.i，则令
令
如果g优于此前的全局历史最优值gBest，则令gBest＝g；
S406，若迭代次数k＞tMax，则停止计算，输出与全局历史最优值gBest相对应的柴油机组和储能设备有功输出解；
否则返回步骤S403再次计算。
实施例1
结合图1～图2所示，多分布式电源的独立微电网多时间尺度协同优化调度方法，包括以下步骤：
S1，统计含多分布式电源的独立微电网相关参数及日前预测信息，建立独立微电网系统结构；
S2，建立含多分布式电源的独立微电网日前协同优化调度模型；
S3，建立含多分布式电源的独立微电网日内协同优化调度模型；
S4，对所建模型进行求解；
S5，得到含多分布式电源的独立微电网多时间尺度协同优化调度最优方案。
进一步的，所述S2具体包括以下步骤：
S201：构建日前协同优化调度模型目标函数；
函数模型考虑机组燃料成本、维护成本及弃风弃光成本，以系统运行最低成本为目标函数进行优化：
式中：
为柴油机组发电成本；αn、βn和γn为柴油机组发电成本系数；
为柴油机组状态变量，
表示机组处于运行状态，
表示机组处于停机状态；
Cre为柴油机组启停成本；
S202：构建日前协同优化调度模型约束条件；
独立微电网系统在运行时必须遵循基本电路原理和各设备固有特性，目标函数优化需满足系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束：
系统功率平衡约束：
式中：
为风电日前预测有功出力；
为光电日前预测有功出力；
为系统预测负荷；
为储能设备放电状态变量，
表示设备处于放电状态，
表示机组未被调用；
为储能设备充电状态变量，
表示设备处于充电状态，
表示机组未被调用；
柴油机组约束：
柴油机组有功功率受其出力限值约束：
式中：
为柴油机组n的有功功率上限；
为柴油机组n的有功功率下限；
在调节过程中，机组还受到爬坡约束的制约：
式中：
为柴油机组n从t-1时段到t时段允许的上升出力的最大值；
为柴油机组n从t-1时段到t时段允许的下降出力的最大值；
为限制柴油发电机组频繁启停机，其最短开停机时间约束为：
式中：
为状态变量，表示柴油发电机的停机状态，Tr为柴油发电机最小运行时间；TS为柴油发电机最小停机时间；
储能设备约束：
储能设备m在时刻t的荷电状态(State of Charge,SOC)可由下式计算：
式中：ηch,m为储能设备m的充电效率，ηdis,m为储能设备m的放电效率，由储能设备性能决定；ΔT为时间精度；
充放电功率约束和剩余电量约束如下：
式中：
为储能设备m的最大充放电功率；
为设备的剩余电量的上限；
为设备的剩余电量的下限；
弃风弃光功率约束：
式中：
为弃风弃光功率。
进一步的，所述S3具体包括以下步骤：
S301：构建日内协同优化调度模型目标函数；
风光电的预测精度随时间的变短而提高，日内协同优化调度模型基于日前优化调度计划，根据日内不断更新的风光电预测信息，滚动更新日前调度计划；该模型以最大化消除风光电日内偏差为目标函数：
式中：
为风电日内偏移量，
为光电日内偏移量；
为柴油机组的日内调节功率；
为储能设备的日内调节功率；
由于在日前调峰优化控制模型中存在功率平衡约束：
将上式带入(13)可得：
因此，日内优化模型的目标函数转变日内风光电偏差与柴油机组和储能设备修正量差值最小；
S302：构建日内协同优化调度模型约束条件；
模型约束调节包括系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束；
系统功率平衡约束：
柴油机组约束：
式中：
为柴油机组在t时段的日内有功出力；
储能设备约束：
式中：
为储能设备在t时段的日内有功出力；
为日内调节后的储能设备剩余电量；
弃风弃光功率约束：
式中：
为弃风弃光功率。
进一步的，所述S4具体包括以下步骤：
S401，设定粒子群算法的相关参数，所述的参数包括但不限于：粒子群规模N、最大迭代次数tMax、惯性权重系数w、加速系数c1、c2，粒子速度最大值Vmax和粒子速度最小值Vmax；
S402，对柴油机组和储能设备进行编号，通过随机初始化粒子群，得到N种可行解，将初始粒子值代入公式(1)或(13)计算目标函数，目标函数值即为适应度，求得每个粒子适应度值Fi；
S403，计算每个粒子的历史最优解pBest.i以及全局粒子历史最优解gBest，其中，
gBest＝min(pBest.i)，k为迭代次数；
S404，对每个粒子进行速度和位置更新，每次更新后，检查速度是否超过速度最大值Vmax或最小值Vmin，如果超出该范围，将速度限制为该极值；同时，检查每个粒子的位置是否超过了约束条件，如果超过该范围，将位置限制为该极值；
S404，将更新后的粒子位置代入潮流计算，计算粒子更新后的适应值；如果粒子i的适应值
优于此前的个体极值pBest.i，则令
令
如果g优于此前的全局历史最优值gBest，则令gBest＝g；
S406，若迭代次数k＞tMax，则停止计算，输出与全局历史最优值gBest相对应的柴油机组和储能设备有功输出解；
否则返回步骤S403再次计算。
实施例2
结合图1～5所示，多分布式电源的独立微电网多时间尺度协同优化调度方法，包括以下步骤：
该独立微电网包含2台装机容量为750kW的风电机组、100kW光伏发电系统、2台柴油发电机(装机容量分别为200kW和100kW)、2台容量为300kW·h的储能设备，其功率大小均为150kW。
独立微电网风光电日前和日内预测信息如图3所示，柴油机组系数α、β、γ分别为1:0.8、0.6、5.3；储能系统充放电SOC上下限为0.9和0.2，初始SOC为0.3；优化算法中粒子群规模为N＝20，终止迭代次数为t＝30，惯性权重Wmax＝0.95，Wmin＝0.35。
通过对日前协同优化调度模型的求解，得到日前独立微电网各电源出力计划如图4所示。可看出，系统为提升风光电利用率，以柴油机组和储能设备为辅助调度。风光电大发时(2:00至4:45、15:15至18:30)，储能系统使得自己充电功率达到峰值以充分吸收该部分功率；风光电低发时(7:00至13:30)，通过提升柴油机组输出能力和储能系统放电以满足此时系统负荷的有功需求。
日内调节模型以日前调节优化结果为基础，为应对日内风光电由于预测时间的缩短精度有所提升而带来的变化，柴油机组调节速度受爬坡率和最短开停机时间约束无法频繁调节，因此，储能系统由于调节速度快，充放电状态转换灵活。如图5所示，相较于日前调节计划，储能在部分时刻(如00:30至2:30、17:30至18:45)降低自身功率水平，其余大部分时刻则提升有功功率。
本发明基于独立微电网运行经济性和稳定性目标，建立了含多分布式电源的独立微电网日前与日内协同优化调度模型，可含多分布式电源的独立微电网多源协同优化调度控制的问题：
(1)合理利用柴油机组和储能设备有功输出特性，提升了独立微电网风光电利用率，降低了高渗透率风光电所带来的系统运行不稳定性。
(2)针对含多分布式电源的独立微电网，兼顾系统运行稳定性、经济性以及提升风光利用率，建立了“日前-日内”协同优化调度模型，保持系统稳定性的同时提高了风光电利用率，为独立微电网调度人员决策提供了科学依据。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种变换，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征和步骤，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (4)
1.多分布式电源的独立微电网多时间尺度协同优化调度方法，其特征在于，包括以下步骤：
S1，统计含多分布式电源的独立微电网相关参数及日前预测信息，建立独立微电网系统结构；
S2，建立含多分布式电源的独立微电网日前协同优化调度模型；
S3，建立含多分布式电源的独立微电网日内协同优化调度模型；
S4，对所建模型进行求解；
S5，得到含多分布式电源的独立微电网多时间尺度协同优化调度最优方案。
2.根据权利要求1所述的多分布式电源的独立微电网多时间尺度协同优化调度方法，其特征在于，所述S2具体包括以下步骤：
S201：构建日前协同优化调度模型目标函数；
函数模型考虑机组燃料成本、维护成本及弃风弃光成本，以系统运行最低成本为目标函数进行优化：
式中：
为柴油机组发电成本；αn、βn和γn为柴油机组发电成本系数；
为柴油机组状态变量，
表示机组处于运行状态，
表示机组处于停机状态；
Cre为柴油机组启停成本；
S202：构建日前协同优化调度模型约束条件；
独立微电网系统在运行时必须遵循基本电路原理和各设备固有特性，目标函数优化需满足系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束：
系统功率平衡约束：
式中：
为风电日前预测有功出力；
为光电日前预测有功出力；
为系统预测负荷；
为储能设备放电状态变量，
表示设备处于放电状态，
表示机组未被调用；
为储能设备充电状态变量，
表示设备处于充电状态，
表示机组未被调用；
柴油机组约束：
柴油机组有功功率受其出力限值约束：
式中：
为柴油机组n的有功功率上限；
为柴油机组n的有功功率下限；
在调节过程中，机组还受到爬坡约束的制约：
式中：
为柴油机组n从t-1时段到t时段允许的上升出力的最大值；
为柴油机组n从t-1时段到t时段允许的下降出力的最大值；
为限制柴油发电机组频繁启停机，其最短开停机时间约束为：
式中：
为状态变量，表示柴油发电机的停机状态，Tr为柴油发电机最小运行时间；TS为柴油发电机最小停机时间；
储能设备约束：
储能设备m在时刻t的荷电状态(State of Charge,SOC)可由下式计算：
式中：ηch,m为储能设备m的充电效率，ηdis,m为储能设备m的放电效率，由储能设备性能决定；ΔT为时间精度；
充放电功率约束和剩余电量约束如下：
式中：
为储能设备m的最大充放电功率；
为设备的剩余电量的上限；
为设备的剩余电量的下限；
弃风弃光功率约束：
式中：
为弃风弃光功率。
3.根据权利要求1所述的多分布式电源的独立微电网多时间尺度协同优化调度方法，其特征在于，所述S3具体包括以下步骤：
S301：构建日内协同优化调度模型目标函数；
风光电的预测精度随时间的变短而提高，日内协同优化调度模型基于日前优化调度计划，根据日内不断更新的风光电预测信息，滚动更新日前调度计划；该模型以最大化消除风光电日内偏差为目标函数：
式中：
为风电日内偏移量，
为光电日内偏移量；
为柴油机组的日内调节功率；
为储能设备的日内调节功率；
由于在日前调峰优化控制模型中存在功率平衡约束：
将上式带入(13)可得：
因此，日内优化模型的目标函数转变日内风光电偏差与柴油机组和储能设备修正量差值最小；
S302：构建日内协同优化调度模型约束条件；
模型约束调节包括系统功率平衡约束、柴油机组约束、储能设备约束和弃风弃光约束；
系统功率平衡约束：
柴油机组约束：
式中：
为柴油机组在t时段的日内有功出力；
储能设备约束：
式中：
为储能设备在t时段的日内有功出力；
为日内调节后的储能设备剩余电量；
弃风弃光功率约束：
式中：
为弃风弃光功率。
4.根据权利要求1所述的多分布式电源的独立微电网多时间尺度协同优化调度方法，其特征在于，所述S4具体包括以下步骤：
S401，设定粒子群算法的相关参数，所述的参数包括但不限于：粒子群规模N、最大迭代次数tMax、惯性权重系数w、加速系数c1、c2，粒子速度最大值Vmax和粒子速度最小值Vmax；
S402，对柴油机组和储能设备进行编号，通过随机初始化粒子群，得到N种可行解，将初始粒子值代入公式(1)或(13)计算目标函数，目标函数值即为适应度，求得每个粒子适应度值Fi；
S403，计算每个粒子的历史最优解pBest.i以及全局粒子历史最优解gBest，其中，
gBest＝min(pBest.i)，k为迭代次数；
S404，对每个粒子进行速度和位置更新，每次更新后，检查速度是否超过速度最大值Vmax或最小值Vmin，如果超出该范围，将速度限制为该极值；同时，检查每个粒子的位置是否超过了约束条件，如果超过该范围，将位置限制为该极值；
S404，将更新后的粒子位置代入潮流计算，计算粒子更新后的适应值；如果粒子i的适应值
优于此前的个体极值pBest.i，则令
令
如果g优于此前的全局历史最优值gBest，则令gBest＝g；
S406，若迭代次数k＞tMax，则停止计算，输出与全局历史最优值gBest相对应的柴油机组和储能设备有功输出解；
否则返回步骤S403再次计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571446.5A CN111740443B (zh) | 2020-06-19 | 2020-06-19 | 多分布式电源的独立微电网多时间尺度协同优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571446.5A CN111740443B (zh) | 2020-06-19 | 2020-06-19 | 多分布式电源的独立微电网多时间尺度协同优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111740443A true CN111740443A (zh) | 2020-10-02 |
| CN111740443B CN111740443B (zh) | 2023-07-04 |
Family
ID=72651954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010571446.5A Active CN111740443B (zh) | 2020-06-19 | 2020-06-19 | 多分布式电源的独立微电网多时间尺度协同优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111740443B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112751343A (zh) * | 2020-12-23 | 2021-05-04 | 三峡大学 | 基于分布式协同控制的配电网双层优化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289566A (zh) * | 2011-07-08 | 2011-12-21 | 浙江大学 | 独立运行模式下的微电网多时间尺度能量优化调度方法 |
| WO2013177923A1 (zh) * | 2012-05-31 | 2013-12-05 | 国电南瑞科技股份有限公司 | 风光储联合发电系统日前优化调度方法 |
| 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 |
| CN108306338A (zh) * | 2018-01-31 | 2018-07-20 | 广东技术师范学院 | 一种模块化微电网及其日前能量优化调度的方法 |
| CN109149567A (zh) * | 2018-09-10 | 2019-01-04 | 华南理工大学 | 含混合储能的独立型微电网的多时间尺度协调控制方法 |
| CN110009262A (zh) * | 2019-04-28 | 2019-07-12 | 国网福建省电力有限公司福州供电公司 | 一种主动配电网的日前-日内两阶段优化调度方法 |
-
2020
- 2020-06-19 CN CN202010571446.5A patent/CN111740443B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289566A (zh) * | 2011-07-08 | 2011-12-21 | 浙江大学 | 独立运行模式下的微电网多时间尺度能量优化调度方法 |
| WO2013177923A1 (zh) * | 2012-05-31 | 2013-12-05 | 国电南瑞科技股份有限公司 | 风光储联合发电系统日前优化调度方法 |
| 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 |
| CN108306338A (zh) * | 2018-01-31 | 2018-07-20 | 广东技术师范学院 | 一种模块化微电网及其日前能量优化调度的方法 |
| CN109149567A (zh) * | 2018-09-10 | 2019-01-04 | 华南理工大学 | 含混合储能的独立型微电网的多时间尺度协调控制方法 |
| CN110009262A (zh) * | 2019-04-28 | 2019-07-12 | 国网福建省电力有限公司福州供电公司 | 一种主动配电网的日前-日内两阶段优化调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 郭思琪等: "多时间尺度协调控制的独立微网能量管理策略", 《电工技术学报》 * |
| 郭思琪等: "多时间尺度协调控制的独立微网能量管理策略", 《电工技术学报》, vol. 29, no. 2, 26 February 2014 (2014-02-26), pages 123 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112751343A (zh) * | 2020-12-23 | 2021-05-04 | 三峡大学 | 基于分布式协同控制的配电网双层优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111740443B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108306331B (zh) | 一种风光储混合系统的优化调度方法 | |
| CN110970912B (zh) | 一种含储能的新能源电力系统运行模拟方法 | |
| Nguyen et al. | Cost-optimized battery capacity and short-term power dispatch control for wind farm | |
| CN106953316B (zh) | 微电网变时间尺度优化调度方法 | |
| CN107196294A (zh) | 源网荷互动模式下微电网多时间尺度自适应能量调度方法 | |
| CN103986190A (zh) | 基于发电功率曲线的风光储联合发电系统平滑控制方法 | |
| CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
| CN111327053B (zh) | 一种适用于极地气候下的多源微电网容量优化配置方法 | |
| CN109378856B (zh) | 基于滚动优化的风-储混合电站功率波动平抑方法 | |
| CN113241803A (zh) | 一种基于新能源消纳的储能调度方法及计算机介质 | |
| Chen et al. | Energy storage sizing for dispatchability of wind farm | |
| CN114676991A (zh) | 基于源荷双侧不确定的多能互补系统优化调度方法 | |
| CN113555899A (zh) | 一种风光储发电系统协调控制方法 | |
| CN111641233A (zh) | 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法 | |
| CN116565874A (zh) | 一种考虑光储用户并网的配电网多时间尺度优化调度方法 | |
| Xiao et al. | A multi‐energy complementary coordinated dispatch method for integrated system of wind‐photovoltaic‐hydro‐thermal‐energy storage | |
| Kharrich et al. | Microgrid sizing with environmental and economic optimization | |
| CN116805803A (zh) | 基于自适应mpc的风光储离网制氢系统能量调度方法 | |
| CN112736903A (zh) | 一种海岛微网能量优化调度方法及装置 | |
| CN116207748A (zh) | 一种面向大规模柔性负荷资源的调控系统 | |
| CN114172180B (zh) | 考虑退化成本的电池储能参与调峰双层滚动优化控制方法 | |
| CN107482657A (zh) | 风电爬坡率实时平抑方法和系统 | |
| CN110768303A (zh) | 一种海岛型能源系统设备容量的优化配置方法 | |
| CN113555901B (zh) | 基于改进s型函数粒子群优化算法的混合储能容量优化方法 | |
| CN113937796A (zh) | 一种含风、光、储、蓄联合系统多时间尺度优化方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Meiling Inventor after: Li Xin Inventor after: Hu Gang Inventor after: Li Luo Inventor after: Zhang Wei Inventor after: Zhu Ziqi Inventor after: Zhang Wensong Inventor after: Qi Qiumin Inventor after: Wang Zhenghui Inventor after: Wang Yu Inventor after: Yue Chao Inventor after: Li Xing Inventor after: Zhang Shukai Inventor before: Zhu Ziqi Inventor before: Li Xin Inventor before: Hu Gang Inventor before: Li Luo Inventor before: Zhang Wei Inventor before: Zhang Wensong Inventor before: Li Meiling Inventor before: Qi Qiumin Inventor before: Wang Zhenghui Inventor before: Wang Yu Inventor before: Yue Chao Inventor before: Li Xing Inventor before: Zhang Shukai |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |