CN111786422A - 基于bp神经网络的微电网参与上层电网实时优化调度方法 - Google Patents

基于bp神经网络的微电网参与上层电网实时优化调度方法 Download PDF

Info

Publication number
CN111786422A
CN111786422A CN202010774477.0A CN202010774477A CN111786422A CN 111786422 A CN111786422 A CN 111786422A CN 202010774477 A CN202010774477 A CN 202010774477A CN 111786422 A CN111786422 A CN 111786422A
Authority
CN
China
Prior art keywords
power
day
time
grid
scheduling
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
CN202010774477.0A
Other languages
English (en)
Other versions
CN111786422B (zh
Inventor
秦文萍
朱云杰
姚宏民
景洋
史文龙
任春光
李家钰
杨镜司
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of 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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202010774477.0A priority Critical patent/CN111786422B/zh
Publication of CN111786422A publication Critical patent/CN111786422A/zh
Application granted granted Critical
Publication of CN111786422B publication Critical patent/CN111786422B/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
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

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BP神经网络的微电网参与上层电网实时优化调度方法，属于微电网调度领域。该方法包括：日前规划，上报联络线功率可调度容量阶段，以总运行成本为目标函数进行功率优化分配，并上报微电网可调容量范围；训练BP神经网络阶段模拟联络线功率、新能源发电、负荷波动与日前调度计划作为BP神经网络输入样本，求解微电网模拟调度计划，将可控单元数据作为BP神经网络的输出样本。通过前述样本得到基于BP神经网络的日内调度模型；通过上层电网确定联络线功率，通过超短期预测得到新能源、负荷这一调度时刻功率；将功率与日前调度计划一起输入日内调度模型，得到可控单元的日内调度功率。本发明解决了微电网参与上层电网实时优化调度、实现日内经济调度等问题。

Description

基于BP神经网络的微电网参与上层电网实时优化调度方法
技术领域
本发明涉及微电网调度领域，具体为一种基于BP神经网络的微电网参与上层电网实时优化调度方法。
背景技术
微电网是新能源并网的有效途径，解决新能源功率的波动性是微电网领域的重要研究课题。微电网可以在新能源和电网之间建立良好的缓冲地带，微电网通过分布式电源、负荷、储能装置等本地化协调控制，可以使新能源得到有效利用，提高系统的经济性和稳定性。另一方面，相比传统发电侧电源启动慢、调节速率不足，微型燃气轮机、储能电池等可控分布式电源具有较强的灵活性，可以实现功率的快速调节，为电网提供调频调峰等辅助服务，参与电网调度。因此，亟待建立一种可以实时参与上层电网优化的微电网调度方法。
发明内容
本发明为了解决微电网能准确参与上层电网实时调度，并能计及微电网内新能源、常规负荷功率预测误差的问题，提供了一种基于BP神经网络的微电网参与上层电网实时优化调度方法。
本发明先进行微电网日前规划，上报联络线功率可调度容量，随后训练BP神经网络模型，得到日内调度模型，在日内实时调度阶段，根据上层电网实时需求，进行微电网日内实时调度，从日前和日内两个时间尺度使调度策略具有经济性和有效性，利用BP神经网络建立了一种微电网参与上层电网实时优化调度方法，主要包括微电网日前规划，上报联络线功率可调容量范围；训练基于BP神经网络的实时调度模型；根据上层电网需求功率，微电网日内实时优化调度。
本发明是通过如下技术方案来实现的：一种基于BP神经网络的微电网参与上层电网实时优化调度方法，具体包括如下步骤：
一、微电网日前规划，上报联络线功率可调容量，采用如数学模型：
Figure BDA0002617878630000021
其中，C是微电网日前综合成本，Cg,i是可控分布式电源i的运行、维护成本，Pg,i是可控分布式电源i在时刻t的发电功率，Cbat,j是储能单元j的维护成本，Pbat,j是储能单元j在t时刻的功率，Cgrid是微电网与上层电网间的购售电成本，
Figure BDA0002617878630000022
是日前调度计划中微电网与上层电网t时刻联络线计划功率，Cup、Cdn是可调上行、下行备用容量收益，
Figure BDA0002617878630000023
Figure BDA0002617878630000024
分别是可控分布式电源i在t时刻可调上行、下行备用容量，
Figure BDA0002617878630000025
分别是储能单元j在t时刻可调上行、下行备用容量，ρ是具有需求响应能力的负荷参与微电网调度补偿常数，
Figure BDA0002617878630000026
是具有需求响应能力的负荷未参与调度正常运行功率，Pa,load(t)是具有需求响应能力的负荷参与微电网调度后的功率；
(1)按15min分段，将1天分为96时段，每一时段中各分布式单元的功率输出与吸收为定值；
(2)调用预测出的未来一天各时段的风力发电功率、光伏发电功率、常规负荷波动情况数据；
(3)建立微电网内各单元运行模型：
a.储能单元的运行维护成本：
储能单元采用锂电池，其运行和维护成本表示为：
Figure BDA0002617878630000027
其中，Cinv是锂电池初始投资；Pbat(t)是锂电池充放电功率；ELB是锂电池额定容量；KML是锂电池的维护成本系数，Nlife(t)是锂电池在时刻t内放电深度为Dod(t)的循环寿命；
b.可控分布式电源：
可控分布式电源主要是燃料电池和微型燃气轮机，运行成本如下：
Cg,i(Pg,i(t))＝Cf(Pg,i(t))+Com(Pg,i(t))+Ceav(Pg,i(t)) (3)
其中，Cf是燃耗成本，Com是维护成本，Ceav是污染排放成本；
(4)为保证微电网的安全可靠运行，微电网中各单元在每个时段中均满足一定的等式约束或不等式约束条件，包括：
a.分布式电源出力上下限约束和爬坡约束：
Figure BDA0002617878630000031
Figure BDA0002617878630000032
Figure BDA0002617878630000033
式中，
Figure BDA0002617878630000034
分别是可控分布式电源i的最小、最大允许输出功率，
Figure BDA0002617878630000035
分别是可控分布式电源i爬坡功率的上限值、下限值；
b.储能单元功率约束：
Figure BDA0002617878630000036
Figure BDA0002617878630000037
式中，Sbat(t)是锂电池t时刻的荷电状态SOC，Pch(t)、Pdis(t)分别是锂电池t时刻的充电、放电功率，ηc、ηd分别是锂电池的充电、放电效率，Ebat是锂电池的总容量，Δt为调度时间周期，
Figure BDA0002617878630000038
分别为储能单元SOC的上下限；
c.具有需求响应能力的负荷功率约束：
Figure BDA0002617878630000039
式中，
Figure BDA00026178786300000310
分别是具有需求响应能力的负荷可调上行、下行备用用量，
Figure BDA00026178786300000311
分别是可调度负荷最大功率、最小功率；
d.联络线功率约束：
微电网整合各可控分布式电源及具有需求响应能力的负荷，通过微电网联络线功率调节能力，参与上层电网需求响应：
Figure BDA0002617878630000041
其中，
Figure BDA0002617878630000042
分别为微电网与上层电网之间允许交互最大、最小功率，
Figure BDA0002617878630000043
Figure BDA0002617878630000044
分别是t时刻联络线可调容量最大值、最小值；
e.系统负荷平衡约束：
Figure BDA0002617878630000045
式中，Ppv(t)、Pwt(t)分别是光伏、风电在t时刻的功率，
Figure BDA0002617878630000046
是系统在t时刻的具有需求响应能力的负荷计划功率，Pb,load(t)是系统在t时刻的常规负荷功率；
(5)根据微电网总运行成本最低目标函数和分布式电源约束条件；通过MATLAB的yalmip软件模块求解出：未来一天各时段分布式电源功率、储能单元功率、联络线功率，计算微电网日内实时可调度容量，并上报上层电网调度中心；
二、训练基于BP神经网络的实时调度模型：
(1)训练BP神经网络模型中，以15分钟作为单位时段，将全天分为96个时段；
(2)通过叠加正态分布的方法模拟生成日内各时段的联络线功率、风力发电功率、光伏发电功率和常规负荷波动情况数据，模拟误差如下：
Figure BDA0002617878630000047
其中，PS-grid(t)是时刻t模拟阶段联络线功率，ΔPS-grid(t)是时刻t模拟阶段联络线功率与日前计划功率的差值；PS-b,load(t)是时刻t模拟阶段常规负荷功率，ΔPS-b,load(t)是时刻t模拟阶段常规负荷功率和日前阶段预测功率的差值；PS-pv(t)是时刻t模拟阶段光伏功率，ΔPS-pv(t)是时刻t模拟阶段光伏功率和日前阶段光伏发电预测功率的差值；PS-wt(t)是时刻t模拟阶段风机功率，ΔPS-wt(t)是时刻t模拟阶段风机功率和日前阶段风力发电预测功率的差值；
(3)将模拟生成的日内各时段的风力发电功率、光伏发电功率和常规负荷波动情况数据与日前调度数据合并作为BP神经网络输入样本：
Figure BDA0002617878630000051
(4)以微电网日前规划阶段的目标函数、约束条件及模拟数据，求解日内模拟调度计划；
a.以微电网综合成本最低为目标函数：
Figure BDA0002617878630000052
b.分布式电源约束条件：
Figure BDA0002617878630000053
c.可调度容量约束：
Figure BDA0002617878630000061
d.系统负荷平衡约束：
Figure BDA0002617878630000062
(5)将日内模拟阶段调度计划中微型燃气轮机、燃料电池、锂电池、需求响应负荷的可控单元功率作为BP神经网络的输出样本：
Figure BDA0002617878630000063
(6)生成60组日内模拟调度计划，根据输入样本和输出样本，训练BP神经网络，得到日内调度模型；
三、上层电网确定需求功率，微电网日内实时优化调度：
(1)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；
(2)上层电网根据微电网上报的可调功率容量，以及上层电网需求，对微电网下达调度功率：
Figure BDA0002617878630000064
其中，Pgrid(t)是t时刻微电网的联络线实际功率，Pd-grid(t)是上层电网t时刻的额外需求功率，由上层电网根据自身需求确定，x是二进制数，x取0为上层电网无额外需求功率，联络线功率按日前计划执行，x取1为上层电网有额外需求功率，调整联络线功率；
(3)超短期预测日内各时段的风机发电功率、光伏发电功率、常规负荷波动情况：
Figure BDA0002617878630000071
其中，Pgrid(t)是时刻t日内阶段联络线功率，ΔPA-grid(t)是时刻t日内阶段联络线功率与日前计划功率的差值；PA-b,load(t)是时刻t日内阶段常规负荷功率，ΔPA-b,load(t)是时刻t日内阶段常规负荷功率和日前阶段预测功率的差值；PA-pv(t)是时刻t日内阶段光伏功率，ΔPA-pv(t)是时刻t日内阶段光伏功率和日前阶段光伏发电预测功率的差值；PA-wt(t)是时刻t日内阶段风机功率，ΔPA-wt(t)是时刻t日内阶段风机功率和日前阶段风力发电预测功率的差值；
(4)将这一时刻超短期预测数据与联络线功率输入到日内调度模型中，得到微型燃气轮机功率、燃料电池发电功率、锂电池充放电功率、需求响应负荷功率作为这一时刻调度值；
a.日内调度模型输入数据：
Figure BDA0002617878630000072
其中，XA-input(t)表示时刻t日内调度模型实时输入数据；
b.日内调度模型输出数据：
Figure BDA0002617878630000073
其中，XA-output(t)表示时刻t内神经网络输出数据；PA-g,i(t)表示可控分布式电源i在时刻t日内实际功率；PA-bat,j(t)表示储能单元j在时刻t日内实际功率；PA-a,load(t)表示具有需求响应能力的负荷在时刻t日内实际功率；
与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于BP神经网络的微电网参与上层电网实时优化调度方法：(1)基于日前预测数据的微电网规划阶段，考虑了光伏、风机等新能源发电和负荷功率需求，对微电网中分布式电源、储能单元进行功率分配，并根据分布式电源爬坡约束、需求响应负荷功率约束等，整合微电网灵活性资源，计算微电网联络线功率可调容量，上报给上层点网；
(2)本发明在日内实时调度阶段，上层电网在可调度容量范围内根据自身需求，确定微电网联络线功率，将短期预测数据输入到日内调度模型中，得到日内实时调度结果。日内实时调度模型可以既满足微电网参与上层电网实时调度，又可以应对新能源、负荷等的功率波动，实现微电网经济调度。
附图说明
图1是本发明所涉及的微电网系统结构。
图2是本发明所涉及的风力发电日前预测功率曲线。
图3是本发明所涉及的光伏发电日前预测功率曲线。
图4是本发明所涉及的常规负荷日前预测功率曲线。
图5是本发明所涉及的微型燃气轮机日前调度功率曲线。
图6是本发明所涉及的燃料电池日前调度功率曲线。
图7是本发明所涉及的锂电池日前调度功率曲线。
图8是本发明所涉及的联络线日前计划功率曲线。
图9是本发明所涉及的联络线可调度容量上下限曲线。
图10是本发明所涉及的联络线日内实际功率曲线。
图11是本发明所涉及的日内超短期预测风力发电功率曲线。
图12是本发明所涉及的日内超短期预测光伏发电功率曲线。
图13是本发明所涉及的日内超短期预测常规负荷功率曲线。
图14是本发明所涉及的微型燃气轮机日内调度功率曲线。
图15是本发明所涉及的燃料电池日内调度功率曲线。
图16是本发明所涉及的锂电池日内调度功率曲线。
图17是本发明所涉及的需求响应负荷日内调度功率曲线。
图18是本发明所涉及的日内调度流程图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
本实施例中的微电网调度系统主要有风电机组、光伏发电系统、微型燃气轮机、燃料电池、储能系统和需求响应负荷，如图1所示，其中不可控单元为：风力发电、光伏发电、常规负荷；可控单元为:微型燃气轮机、燃料电池、储能系统和需求响应负荷。燃料电池的燃耗成本系数是0.51元/kWh，维护成本系数是0.0293元/kWh，污染物排放成本系数是0.1033元/kWh；燃料电池的燃耗成本系数是0.33元/kWh，维护成本系数是0.0352元/kWh，污染物排放成本系数是0.078元/kWh；锂电池容量为240kWh，运行维护成本系数0.0832元/kWh；分布式电源容量补偿成本为0.06元/kWh；联络线交互功率限值为200kWh。在实施例中，峰谷平时段划分及购售电价见表1，分布式电源参数如表2所示。
表1峰谷平时段购售电价
Figure BDA0002617878630000091
表2分布式电源参数
Figure BDA0002617878630000092
一种基于BP神经网络的微电网参与上层电网实时优化调度方法：微电网根据日前的预测数据规划功率分配，并上报微电网联络线功率可调容量范围；训练基于BP神经网络的实时调度模型；日内阶段，根据微电网联络线功率可调度容量范围，上层电网确定日内联络线功率，微电网进行日内实时优化调度，具体包括如下步骤：
一、微电网日前规划，上报联络线功率可调容量，采用如数学模型：
Figure BDA0002617878630000101
其中，C是微电网日前综合成本，Cg,i是可控分布式电源i的运行、维护成本，Pg,i是可控分布式电源i在时刻t的发电功率，Cbat,j是储能单元j的维护成本，Pbat,j是储能单元j在t时刻的功率，Cgrid是微电网与上层电网间的购售电成本，
Figure BDA0002617878630000102
是日前调度计划中微电网与上层电网t时刻联络线计划功率，Cup、Cdn是可调上行、下行备用容量收益，
Figure BDA0002617878630000103
Figure BDA0002617878630000104
分别是可控分布式电源i在t时刻可调上行、下行备用容量，
Figure BDA0002617878630000105
分别是储能单元j在t时刻可调上行、下行备用容量，ρ是具有需求响应能力的负荷参与微电网调度补偿常数，
Figure BDA0002617878630000106
是具有需求响应能力的负荷未参与调度正常运行功率，Pa,load(t)是具有需求响应能力的负荷参与微电网调度后的功率；
(1)按15min分段，将1天分为96时段，每一时段中各分布式单元的功率输出与吸收为定值；
(2)调用预测出的未来一天各时段的风力发电功率、光伏发电功率、常规负荷波动情况数据；日前预测风力发电功率如图2所示；日前预测光伏发电功率如图3所示；日前预测常规负荷功率如图4所示；
(3)建立微电网内各单元运行模型：
a.储能单元的运行维护成本：
储能单元采用锂电池，实施例中取最大容量为240kWh，初始状态SOC值为0.6，其运行和维护成本表示为：
Figure BDA0002617878630000107
其中，Cinv是锂电池初始投资；Pbat(t)是锂电池充放电功率，最大功率为60kW；ELB是锂电池额定容量；KML是锂电池的维护成本系数，Nlife(t)是锂电池在时刻t内放电深度为Dod(t)的循环寿命；
b.可控分布式电源：
可控分布式电源主要是燃料电池和微型燃气轮机，运行成本如下：
Cg,i(Pg,i(t))＝Cf(Pg,i(t))+Com(Pg,i(t))+Ceav(Pg,i(t)) (3)
其中，Cf是燃耗成本，Com是维护成本，Ceav是污染排放成本；
(4)为保证微电网的安全可靠运行，微电网中各单元在每个时段中均满足一定的等式约束或不等式约束条件，包括：
a.分布式电源出力上下限约束和爬坡约束：
Figure BDA0002617878630000111
Figure BDA0002617878630000112
Figure BDA0002617878630000113
式中，
Figure BDA0002617878630000114
分别是可控分布式电源i的最小、最大允许输出功率，
Figure BDA0002617878630000115
分别是可控分布式电源i爬坡功率的上限值、下限值；
b.储能单元功率约束：
Figure BDA0002617878630000116
Figure BDA0002617878630000117
式中，Sbat(t)是锂电池t时刻的荷电状态SOC，Pch(t)、Pdis(t)分别是锂电池t时刻的充电、放电功率，ηc、ηd分别是锂电池的充电、放电效率，Ebat是锂电池的总容量，Δt为调度时间周期，
Figure BDA0002617878630000118
分别为储能单元SOC的上下限；
c.具有需求响应能力的负荷功率约束：
Figure BDA0002617878630000119
式中，
Figure BDA0002617878630000121
分别是具有需求响应能力的负荷可调上行、下行备用用量，
Figure BDA0002617878630000122
分别是可调度负荷最大功率、最小功率；
d.联络线功率约束：
微电网整合各可控分布式电源及具有需求响应能力的负荷，通过微电网联络线功率调节能力，参与上层电网需求响应：
Figure BDA0002617878630000123
其中，
Figure BDA0002617878630000124
分别为微电网与上层电网之间允许交互最大、最小功率，
Figure BDA0002617878630000125
Figure BDA0002617878630000126
分别是t时刻联络线可调容量最大值、最小值；
e.系统负荷平衡约束：
Figure BDA0002617878630000127
式中，Ppv(t)、Pwt(t)分别是光伏、风电在t时刻的功率，
Figure BDA0002617878630000128
是系统在t时刻的具有需求响应能力的负荷计划功率，Pb,load(t)是系统在t时刻的常规负荷功率；
(5)根据微电网总运行成本最低目标函数和分布式电源约束条件；通过MATLAB的yalmip软件模块求解出：未来一天各时段分布式电源功率、储能单元功率、联络线功率，计算微电网日内实时可调度容量，并上报上层电网调度中心；微型燃气轮机发电功率如图5所示，燃料电池发电功率如图6所示，锂电池充放电功率如图7所示，联络线日前计划功率如图8所示，联络线可调容量上下限如图9所示，日前调度总成本为2313.3524元/天。
二、训练基于BP神经网络的实时调度模型：
(1)训练BP神经网络模型中，以15分钟作为单位时段，将全天分为96个时段；
(2)通过叠加正态分布的方法模拟生成日内各时段的联络线功率、风力发电功率、光伏发电功率和常规负荷波动情况数据，模拟误差如下：
Figure BDA0002617878630000131
其中，PS-grid(t)是时刻t模拟阶段联络线功率，ΔPS-grid(t)是时刻t模拟阶段联络线功率与日前计划功率的差值；PS-b,load(t)是时刻t模拟阶段常规负荷功率，ΔPS-b,load(t)是时刻t模拟阶段常规负荷功率和日前阶段预测功率的差值；PS-pv(t)是时刻t模拟阶段光伏功率，ΔPS-pv(t)是时刻t模拟阶段光伏功率和日前阶段光伏发电预测功率的差值；PS-wt(t)是时刻t模拟阶段风机功率，ΔPS-wt(t)是时刻t模拟阶段风机功率和日前阶段风力发电预测功率的差值；
(3)将模拟生成的日内各时段的风力发电功率、光伏发电功率和常规负荷波动情况数据与日前调度数据合并作为BP神经网络输入样本：
Figure BDA0002617878630000132
(4)以微电网日前规划阶段的目标函数、约束条件及模拟数据，求解日内模拟调度计划；
a.以微电网综合成本最低为目标函数：
Figure BDA0002617878630000133
b.分布式电源约束条件：
Figure BDA0002617878630000141
c.可调度容量约束：
Figure BDA0002617878630000142
d.系统负荷平衡约束：
Figure BDA0002617878630000143
(5)将日内模拟阶段调度计划中微型燃气轮机、燃料电池、锂电池、需求响应负荷的可控单元功率作为BP神经网络的输出样本：
Figure BDA0002617878630000144
(6)生成60组日内模拟调度计划，根据输入样本和输出样本，训练BP神经网络，得到日内调度模型；
三、上层电网确定需求功率，微电网日内实时优化调度：
(1)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；
(2)上层电网根据微电网上报的可调功率容量，以及上层电网需求，对微电网下达调度功率：
Figure BDA0002617878630000151
其中，Pgrid(t)是t时刻微电网的联络线实际功率，Pd-grid(t)是上层电网t时刻的额外需求功率，由上层电网根据自身需求确定，x是二进制数，x取0为上层电网无额外需求功率，联络线功率按日前计划执行，x取1为上层电网有额外需求功率，调整联络线功率；日内联络线实际功率如图10所示；
(3)超短期预测日内各时段的风机发电功率、光伏发电功率、常规负荷波动情况：
Figure BDA0002617878630000152
其中，Pgrid(t)是时刻t日内阶段联络线功率，ΔPA-grid(t)是时刻t日内阶段联络线功率与日前计划功率的差值；PA-b,load(t)是时刻t日内阶段常规负荷功率，ΔPA-b,load(t)是时刻t日内阶段常规负荷功率和日前阶段预测功率的差值；PA-pv(t)是时刻t日内阶段光伏功率，ΔPA-pv(t)是时刻t日内阶段光伏功率和日前阶段光伏发电预测功率的差值；PA-wt(t)是时刻t日内阶段风机功率，ΔPA-wt(t)是时刻t日内阶段风机功率和日前阶段风力发电预测功率的差值；
日内超短期预测风力发电机功率如图11所示；日内超短期预测光伏发电功率如图12所示；日内超短期预测常规负荷功率如图13所示。
(4)将这一时刻超短期预测数据与联络线功率输入到日内调度模型中，得到微型燃气轮机功率、燃料电池发电功率、锂电池充放电功率、需求响应负荷功率作为这一时刻调度值；日内调度阶段微型燃气轮机发电功率如图14所示，日内阶段燃料电池发电功率如图15所示，日内阶段锂电池充放电功率如图16所示，需求响应负荷功率如图17所示；
a.日内调度模型输入数据：
Figure BDA0002617878630000161
其中，XA-input(t)表示时刻t日内调度模型实时输入数据；
b.日内调度模型输出数据：
Figure BDA0002617878630000162
其中，XA-output(t)表示时刻t内神经网络输出数据；PA-g,i(t)表示可控分布式电源i在时刻t日内实际功率；PA-bat,j(t)表示储能单元j在时刻t日内实际功率；PA-a,load(t)表示具有需求响应能力的负荷在时刻t日内实际功率；
(5)重复以上步骤，直至完成日内96个时段的调度。日内调度流程图如图18所示，日内调度成本为2461.2465元。
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。

Claims (1)

1.一种基于BP神经网络的微电网参与上层电网实时优化调度方法，其特征在于：微电网根据日前的预测数据规划功率分配，并上报微电网联络线功率可调容量范围；训练基于BP神经网络的实时调度模型；日内阶段，根据微电网联络线功率可调度容量范围，上层电网确定日内联络线功率，微电网进行日内实时优化调度，具体包括如下步骤：
一、微电网日前规划，上报联络线功率可调容量，采用如数学模型：
Figure FDA0002617878620000011
其中，C是微电网日前综合成本，Cg,i是可控分布式电源i的运行、维护成本，Pg,i是可控分布式电源i在时刻t的发电功率，Cbat,j是储能单元j的维护成本，Pbat,j是储能单元j在t时刻的功率，Cgrid是微电网与上层电网间的购售电成本，
Figure FDA0002617878620000012
是日前调度计划中微电网与上层电网t时刻联络线计划功率，Cup、Cdn是可调上行、下行备用容量收益，
Figure FDA0002617878620000013
Figure FDA0002617878620000014
分别是可控分布式电源i在t时刻可调上行、下行备用容量，
Figure FDA0002617878620000015
分别是储能单元j在t时刻可调上行、下行备用容量，ρ是具有需求响应能力的负荷参与微电网调度补偿常数，
Figure FDA0002617878620000016
是具有需求响应能力的负荷未参与调度正常运行功率，Pa,load(t)是具有需求响应能力的负荷参与微电网调度后的功率；
(1)按15min分段，将1天分为96时段，每一时段中各分布式单元的功率输出与吸收为定值；
(2)调用预测出的未来一天各时段的风力发电功率、光伏发电功率、常规负荷波动情况数据；
(3)建立微电网内各单元运行模型：
a.储能单元的运行维护成本：
储能单元采用锂电池，其运行和维护成本表示为：
Figure FDA0002617878620000017
其中，Cinv是锂电池初始投资；Pbat(t)是锂电池充放电功率；ELB是锂电池额定容量；KML是锂电池的维护成本系数，Nlife(t)是锂电池在时刻t内放电深度为Dod(t)的循环寿命；
b.可控分布式电源：
可控分布式电源主要是燃料电池和微型燃气轮机，运行成本如下：
Cg,i(Pg,i(t))＝Cf(Pg,i(t))+Com(Pg,i(t))+Ceav(Pg,i(t)) (3)
其中，Cf是燃耗成本，Com是维护成本，Ceav是污染排放成本；
(4)为保证微电网的安全可靠运行，微电网中各单元在每个时段中均满足一定的等式约束或不等式约束条件，包括：
a.分布式电源出力上下限约束和爬坡约束：
Figure FDA0002617878620000021
Figure FDA0002617878620000022
Figure FDA0002617878620000023
式中，
Figure FDA0002617878620000024
分别是可控分布式电源i的最小、最大允许输出功率，
Figure FDA0002617878620000025
分别是可控分布式电源i爬坡功率的上限值、下限值；
b.储能单元功率约束：
Figure FDA0002617878620000026
Figure FDA0002617878620000027
式中，Sbat(t)是锂电池t时刻的荷电状态SOC，Pch(t)、Pdis(t)分别是锂电池t时刻的充电、放电功率，ηc、ηd分别是锂电池的充电、放电效率，Ebat是锂电池的总容量，Δt为调度时间周期，
Figure FDA0002617878620000028
分别为储能单元SOC的上下限；
c.具有需求响应能力的负荷功率约束：
Figure FDA0002617878620000031
式中，
Figure FDA0002617878620000032
分别是具有需求响应能力的负荷可调上行、下行备用用量，
Figure FDA0002617878620000033
分别是可调度负荷最大功率、最小功率；
d.联络线功率约束：
微电网整合各可控分布式电源及具有需求响应能力的负荷，通过微电网联络线功率调节能力，参与上层电网需求响应：
Figure FDA0002617878620000034
其中，
Figure FDA0002617878620000035
分别为微电网与上层电网之间允许交互最大、最小功率，
Figure FDA0002617878620000036
Figure FDA0002617878620000037
分别是t时刻联络线可调容量最大值、最小值；
e.系统负荷平衡约束：
Figure FDA0002617878620000038
式中，Ppv(t)、Pwt(t)分别是光伏、风电在t时刻的功率，
Figure FDA0002617878620000039
是系统在t时刻的具有需求响应能力的负荷计划功率，Pb,load(t)是系统在t时刻的常规负荷功率；
(5)根据微电网总运行成本最低目标函数和分布式电源约束条件；通过MATLAB的yalmip软件模块求解出：未来一天各时段分布式电源功率、储能单元功率、联络线功率，计算微电网日内实时可调度容量，并上报上层电网调度中心；
二、训练基于BP神经网络的实时调度模型：
(1)训练BP神经网络模型中，以15分钟作为单位时段，将全天分为96个时段；
(2)通过叠加正态分布的方法模拟生成日内各时段的联络线功率、风力发电功率、光伏发电功率和常规负荷波动情况数据，模拟误差如下：
Figure FDA0002617878620000041
其中，PS-grid(t)是时刻t模拟阶段联络线功率，ΔPS-grid(t)是时刻t模拟阶段联络线功率与日前计划功率的差值；PS-b,load(t)是时刻t模拟阶段常规负荷功率，ΔPS-b,load(t)是时刻t模拟阶段常规负荷功率和日前阶段预测功率的差值；PS-pv(t)是时刻t模拟阶段光伏功率，ΔPS-pv(t)是时刻t模拟阶段光伏功率和日前阶段光伏发电预测功率的差值；PS-wt(t)是时刻t模拟阶段风机功率，ΔPS-wt(t)是时刻t模拟阶段风机功率和日前阶段风力发电预测功率的差值；
(3)将模拟生成的日内各时段的风力发电功率、光伏发电功率和常规负荷波动情况数据与日前调度数据合并作为BP神经网络输入样本：
Figure FDA0002617878620000042
(4)以微电网日前规划阶段的目标函数、约束条件及模拟数据，求解日内模拟调度计划；
a.以微电网综合成本最低为目标函数：
Figure FDA0002617878620000043
b.分布式电源约束条件：
Figure FDA0002617878620000051
c.可调度容量约束：
Figure FDA0002617878620000052
d.系统负荷平衡约束：
Figure FDA0002617878620000053
(5)将日内模拟阶段调度计划中微型燃气轮机、燃料电池、锂电池、需求响应负荷的可控单元功率作为BP神经网络的输出样本：
Figure FDA0002617878620000054
(6)生成60组日内模拟调度计划，根据输入样本和输出样本，训练BP神经网络，得到日内调度模型；
三、上层电网确定需求功率，微电网日内实时优化调度：
(1)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；
(2)上层电网根据微电网上报的可调功率容量，以及上层电网需求，对微电网下达调度功率：
Figure FDA0002617878620000061
其中，Pgrid(t)是t时刻微电网的联络线实际功率，Pd-grid(t)是上层电网t时刻的额外需求功率，由上层电网根据自身需求确定，x是二进制数，x取0为上层电网无额外需求功率，联络线功率按日前计划执行，x取1为上层电网有额外需求功率，调整联络线功率；
(3)超短期预测日内各时段的风机发电功率、光伏发电功率、常规负荷波动情况：
Figure FDA0002617878620000062
其中，Pgrid(t)是时刻t日内阶段联络线功率，ΔPA-grid(t)是时刻t日内阶段联络线功率与日前计划功率的差值；PA-b,load(t)是时刻t日内阶段常规负荷功率，ΔPA-b,load(t)是时刻t日内阶段常规负荷功率和日前阶段预测功率的差值；PA-pv(t)是时刻t日内阶段光伏功率，ΔPA-pv(t)是时刻t日内阶段光伏功率和日前阶段光伏发电预测功率的差值；PA-wt(t)是时刻t日内阶段风机功率，ΔPA-wt(t)是时刻t日内阶段风机功率和日前阶段风力发电预测功率的差值；
(4)将这一时刻超短期预测数据与联络线功率输入到日内调度模型中，得到微型燃气轮机功率、燃料电池发电功率、锂电池充放电功率、需求响应负荷功率作为这一时刻调度值；
a.日内调度模型输入数据：
Figure FDA0002617878620000063
其中，XA-input(t)表示时刻t日内调度模型实时输入数据；
b.日内调度模型输出数据：
Figure FDA0002617878620000071
其中，XA-output(t)表示时刻t内神经网络输出数据；PA-g,i(t)表示可控分布式电源i在时刻t日内实际功率；PA-bat,j(t)表示储能单元j在时刻t日内实际功率；PA-a,load(t)表示具有需求响应能力的负荷在时刻t日内实际功率；
(5)重复以上步骤，直至完成日内96个时段的调度。
CN202010774477.0A 2020-08-04 2020-08-04 基于bp神经网络的微电网参与上层电网实时优化调度方法 Active CN111786422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010774477.0A CN111786422B (zh) 2020-08-04 2020-08-04 基于bp神经网络的微电网参与上层电网实时优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010774477.0A CN111786422B (zh) 2020-08-04 2020-08-04 基于bp神经网络的微电网参与上层电网实时优化调度方法

Publications (2)

Publication Number Publication Date
CN111786422A true CN111786422A (zh) 2020-10-16
CN111786422B CN111786422B (zh) 2021-08-20

Family

ID=72766466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010774477.0A Active CN111786422B (zh) 2020-08-04 2020-08-04 基于bp神经网络的微电网参与上层电网实时优化调度方法

Country Status (1)

Country Link
CN (1) CN111786422B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634076A (zh) * 2020-12-09 2021-04-09 上海电力大学 一种计及灵活性储备的含风电多微网系统分布式调控方法
CN112994092A (zh) * 2021-02-24 2021-06-18 中南大学 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN114142532A (zh) * 2021-11-26 2022-03-04 国网山东省电力公司电力科学研究院 分布式光伏参与源网荷储协调控制的方法及系统
CN114330563A (zh) * 2021-12-30 2022-04-12 山东浪潮科学研究院有限公司 一种基于gan模型的电力调度计划生成方法、设备及介质
CN115065078A (zh) * 2022-05-06 2022-09-16 合肥工业大学 微网环境下储能容量配置方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102104251A (zh) * 2011-02-24 2011-06-22 浙江大学 一种并网运行模式下的微电网实时能量优化调度方法
CN103151797A (zh) * 2013-03-04 2013-06-12 上海电力学院 基于多目标调度模型的并网运行方式下微网能量控制方法
CN106651026A (zh) * 2016-12-20 2017-05-10 太原理工大学 多时间尺度微电网能量管理优化调度方法
CN109256810A (zh) * 2018-11-14 2019-01-22 南京邮电大学 考虑风机出力不确定成本的多目标优化方法
CN109995091A (zh) * 2019-04-26 2019-07-09 太原理工大学 一种考虑预测误差的交直流混合微电网经济调度方法
US20200033933A1 (en) * 2015-06-30 2020-01-30 China Electric Power Research Institute Company Limited Active power distribution network multi-time scale coordinated optimization scheduling method and storage medium

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102104251A (zh) * 2011-02-24 2011-06-22 浙江大学 一种并网运行模式下的微电网实时能量优化调度方法
CN103151797A (zh) * 2013-03-04 2013-06-12 上海电力学院 基于多目标调度模型的并网运行方式下微网能量控制方法
US20200033933A1 (en) * 2015-06-30 2020-01-30 China Electric Power Research Institute Company Limited Active power distribution network multi-time scale coordinated optimization scheduling method and storage medium
CN106651026A (zh) * 2016-12-20 2017-05-10 太原理工大学 多时间尺度微电网能量管理优化调度方法
CN109256810A (zh) * 2018-11-14 2019-01-22 南京邮电大学 考虑风机出力不确定成本的多目标优化方法
CN109995091A (zh) * 2019-04-26 2019-07-09 太原理工大学 一种考虑预测误差的交直流混合微电网经济调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任恒杰: "基于BP神经网络的短期负荷预测建模仿真", 《低压电器》 *
周英等: "基于BP神经网络的电网短期负荷预测模型研究", 《电测与仪表》 *
费阳等: "微电网能量管理系统站控层设计", 《电气技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634076A (zh) * 2020-12-09 2021-04-09 上海电力大学 一种计及灵活性储备的含风电多微网系统分布式调控方法
CN112994092A (zh) * 2021-02-24 2021-06-18 中南大学 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN112994092B (zh) * 2021-02-24 2022-07-29 中南大学 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN114142532A (zh) * 2021-11-26 2022-03-04 国网山东省电力公司电力科学研究院 分布式光伏参与源网荷储协调控制的方法及系统
CN114142532B (zh) * 2021-11-26 2023-06-23 国网山东省电力公司电力科学研究院 分布式光伏参与源网荷储协调控制的方法及系统
CN114330563A (zh) * 2021-12-30 2022-04-12 山东浪潮科学研究院有限公司 一种基于gan模型的电力调度计划生成方法、设备及介质
CN115065078A (zh) * 2022-05-06 2022-09-16 合肥工业大学 微网环境下储能容量配置方法及系统
CN115065078B (zh) * 2022-05-06 2023-07-04 合肥工业大学 微网环境下储能容量配置方法及系统

Also Published As

Publication number Publication date
CN111786422B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN111786422B (zh) 基于bp神经网络的微电网参与上层电网实时优化调度方法
CN110311421B (zh) 基于需求侧响应的微电网多时间尺度能量管理方法
CN110188950B (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN102289566B (zh) 独立运行模式下的微电网多时间尺度能量优化调度方法
Li et al. Emission-concerned wind-EV coordination on the transmission grid side with network constraints: Concept and case study
CN107248751A (zh) 一种实现配电网负荷功率削峰填谷的储能站调度控制方法
CN109995091B (zh) 一种考虑预测误差的交直流混合微电网经济调度方法
CN111293691A (zh) 基于模型预测控制的微电网多时间尺度优化调度方法
CN110148969B (zh) 基于模型预测控制技术的主动配电网优化运行方法
CN111049198B (zh) 考虑储能寿命和调频性能的风储联合运行优化方法及系统
Tomin et al. Deep reinforcement learning for energy microgrids management considering flexible energy sources
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
CN116109076A (zh) 能量和调峰市场下考虑需求响应的虚拟电厂优化调度方法
CN116957294A (zh) 基于数字孪生的虚拟电厂参与电力市场交易的调度方法
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
Saha Adaptive model-based receding horizon control of interconnected renewable-based power micro-grids for effective control and optimal power exchanges
Tan et al. Multi-timescale interaction of a coupled electricity-hydrogen-gas system with a distribution network considering dynamic games
CN112039126A (zh) 含分布式电源的配电网多时间尺度协调调度方法及系统
CN108171384A (zh) 一种基于复合粒子群算法微网能量管理方法
Hosseini et al. Battery swapping station as an energy storage for capturing distribution-integrated solar variability
CN110929908B (zh) 多微网系统容量配置与经济调度的协同优化方法及系统
Hannan et al. ANN based binary backtracking search algorithm for virtual power plant scheduling and cost-effective evaluation
Hongli et al. Day-ahead optimal dispatch of regional power grid based on electric vehicle participation in peak shaving pricing strategy
Zhou et al. Joint Dispatch of Peak Shaving and Frequency Response Considering Large-scale Electrochemical Energy Storage on the Grid Side

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: Qin Wenping

Inventor after: Zhu Yunjie

Inventor after: Yao Hongmin

Inventor after: Jing Xiang

Inventor after: Shi Wenlong

Inventor after: Ren Chunguang

Inventor after: Li Jiayu

Inventor after: Yang Jingsi

Inventor before: Qin Wenping

Inventor before: Zhu Yunjie

Inventor before: Yao Hongmin

Inventor before: Jing Yang

Inventor before: Shi Wenlong

Inventor before: Ren Chunguang

Inventor before: Li Jiayu

Inventor before: Yang Jingsi

GR01 Patent grant
GR01 Patent grant