CN111932075A - 主动配电网多区域调度方法、系统、设备及可读存储介质 - Google Patents
主动配电网多区域调度方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111932075A CN111932075A CN202010658434.6A CN202010658434A CN111932075A CN 111932075 A CN111932075 A CN 111932075A CN 202010658434 A CN202010658434 A CN 202010658434A CN 111932075 A CN111932075 A CN 111932075A
- Authority
- CN
- China
- Prior art keywords
- dso
- model
- power grid
- game
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 92
- 230000005611 electricity Effects 0.000 claims description 125
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 230000008901 benefit Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明属于主动配电网调度领域，公开了主动配电网多区域调度方法、系统、设备及计算机可读存储介质，所述主动配电网多区域调度方法包括以下步骤：获取主动配电网的运行参数；将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度；所述主从博弈优化调度模型的上层领导者博弈模型为DSO动态定价博弈模型，所述DSO动态定价博弈模型为以DSO最大化收益为目标建立的模型；所述主从博弈优化调度模型的下层跟随者博弈模型为区域电网优化调度博弈模型，所述区域电网优化调度博弈模型为以区域电网最小化运行成本为目标建立的模型。通过该均衡解进行主动配电网多区域调度，实现多利益主体的均衡调度。
Description
技术领域
本发明属于主动配电网调度领域，涉及一种主动配电网多区域调度方法、系统、设备及可读存储介质。
背景技术
在世界能源短缺、环境污染严重的背景下，分布式可再生能源(DER)以其经济性、环保性、可靠性等特点将成为传统化石能源的良性替代，受到社会各界的广泛关注，但其大规模并网给电网的安全运行造成巨大的挑战。为应对高渗透分布式能源的接入对配电网的影响，实现配电网对其内部资源的主动管理与调度，世界各国对主动配电网技术开展研究。
目前，针对主动配电网多区域优化调度问题，国内外学者已经对其进行大量的研究，并提出主动配电网的三层控制结构，将主动配电网进行区域划分，并在每个区域中配置协调控制器进行区域自动控制；通过自治节点与相邻分布式电源节点信息的交换，采用一致性算法进行迭代计算，使各分布式电源的增量成本一致趋同，实现自治区域发电成本的优化。
可以看出，当前的主动配电网多区域优化调度问题，更多的是将各区域电网和电网视为同一利益主体，各区域电网完全受电网的同一调度，仅以电网利益最大为目标进行优化。但是，随着电力市场的不断开放，配电网中大量DER由不同的供应商投资建设，并且可独立的向用户供电，形成了独立的利益主体，而现有的单一主体的优化调度方法，不能实现多利益主体的均衡调度。
发明内容
本发明的目的在于克服上述现有技术中主动配电网现有优化调度方法，不能实现多利益主体的均衡调度的缺点，提供一种主动配电网多区域调度方法、系统、设备及可读存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，一种主动配电网多区域调度方法，包括以下步骤：
获取主动配电网的运行参数；
将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度；
其中，所述主从博弈优化调度模型的上层领导者博弈模型为DSO动态定价博弈模型，所述DSO动态定价博弈模型为以DSO最大化收益为目标建立的模型；
所述主从博弈优化调度模型的下层跟随者博弈模型为区域电网优化调度博弈模型，所述区域电网优化调度博弈模型为以区域电网最小化运行成本为目标建立的模型。
本发明主动配电网多区域调度方法进一步的改进在于：
所述主动配电网的运行参数包括：主动配电网的各区域电网内所聚合的分布式能源的运行参数、各区域电网的负荷功率以及电力市场的上网电价和电网电价。
所述DSO动态定价博弈模型通过以下步骤建立：
以电力市场的上网电价和电网电价为已知参数，以各区域电网向DSO出售和购买的电量为输入，以DSO购售电价为输出，并以DSO最大化收益为目标建立DSO目标函数；
以DSO的购电价不大于电力市场的电网电价以及售电价不小于电力市场的上网电价，作为DSO购售电价约束；
以DSO目标函数和DSO购售电价约束作为DSO动态定价博弈模型。
所述区域电网优化调度博弈模型通过以下步骤建立：
以各区域内分布式能源的相关参数和负荷功率为已知参数，以DSO购售电价为输入，以各区域电网购售电量为输出，以区域电网最小化运行成本为目标，建立区域电网目标函数；
以区域电网功率平衡约束以及区域电网内各DER的运行约束，作为区域电网约束；
以区域电网目标函数和区域电网约束作为区域电网优化调度博弈模型。
所述主从博弈优化调度模型的均衡解，由如下基于Kriging元模型的主从博弈均衡算法得到：
T1：以DSO的购电价不大于电力市场的电网电价以及售电价不小于电力市场的上网电价，作为DSO购售电价约束；在DSO购售电价约束范围内，生成预设个初始样本点；
T2：通过区域电网优化调度博弈模型，得到每个初始样本点对应的各区域电网购售电量；将每个初始样本点及对应的各区域电网购售电量组合作为样本数据，得到并根据样本数据集构建各区域电网的Kriging模型；
T3：采用Kriging模型替代主从博弈优化调度模型中的区域电网优化调度博弈模型，得到优化主从博弈优化调度模型；根据样本数据集将DSO购售电价约束范围区间划分为若干关键区域，在每个关键区域内均对优化主从博弈优化调度模型寻优，得到每个关键区域内局部最优DSO购售电价并作为优异样本点；通过区域电网优化调度博弈模型，得到每个优异样本点对应的各区域电网购售电量；
T4：将每个优异样本点及对应的各区域电网购售电量组合作为优异样本数据，将优异样本数据加入样本数据集，通过样本数据集对Kriging模型进行修正；
T5：在每个关键区域内均对优化主从博弈优化调度模型寻优，得到每个关键区域内的局部最优DSO购售电价，将若干局部最优DSO购售电价带入DSO动态定价博弈模型，得到若干局部DSO最大化收益；选取若干局部DSO最大化收益中的最大值作为全局DSO最大化收益；
T6：重复T3和T5，至当前全局DSO最大化收益与上一全局DSO最大化收益在预设误差内，将当前全局DSO最大化收益对应的局部最优DSO购售电价作为最优DSO购售电价，将最优DSO购售电价带入区域电网优化调度博弈模型得到最优各区域电网购售电量，将最优DSO购售电价和最优各区域电网购售电量作为主从博弈优化调度模型的均衡解。
所述在DSO购售电价约束范围内，生成预设个初始样本点的具体方法为：
在DSO购售电价约束范围内，采用拉丁超立方采样生成预设个初始样本点；
所述寻优的具体方法为粒子群算法。
所述根据样本数据集将DSO购售电价约束范围区间划分为若干关键区域的具体方法为：
将样本数据集内每个样本数据的样本点带入DSO动态定价博弈模型，得到每个样本点对应的目标函数值，其中，样本点包括初始样本点和优异样本点；
以最大的目标函数值对应的样本点为中心，以DSO购售电价约束范围区间的三分之一为半径，将该区域内所有样本点划分为一个关键区域，将同一个关键区域内样本点的最大值和最小值作为关键区域的边界；
对剩余的样本点重复上述步骤至完成所有样本点的划分，得到若干关键区域。
本发明第二方面，一种主动配电网多区域调度系统，包括：
参数获取模块，用于获取主动配电网的运行参数；以及
调度模块，用于将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度；
其中，所述主从博弈优化调度模型的上层领导者博弈模型为DSO动态定价博弈模型，所述DSO动态定价博弈模型为以DSO最大化收益为目标建立的模型；
所述主从博弈优化调度模型的下层跟随者博弈模型为区域电网优化调度博弈模型，所述区域电网优化调度博弈模型为以区域电网最小化运行成本为目标建立的模型。
本发明第三方面，一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述主动配电网多区域调度方法的步骤。
本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述主动配电网多区域调度方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明采用主从博弈优化调度模型的均衡解进行主动配电网多区域调度，针对DSO和各区域电网具有不同的地位和投资运营主体，主从博弈优化调度模型的上层领导者博弈模型为DSO动态定价博弈模型，并且该DSO动态定价博弈模型以DSO最大化收益为目标建立；主从博弈优化调度模型的下层跟随者博弈模型为区域电网优化调度博弈模型，且该区域电网优化调度博弈模型以区域电网最小化运行成本为目标建立，形成以DSO为领导者、区域电网为跟随者的主从博弈优化调度模型，基于这样的主从博弈优化调度模型，由于区域电网以最小化运行成本为目标，其优化得到的购售电量会影响到DSO对购售电价的制定，而DSO通过动态制定购售电价可引导各区域电网合理地购售电，两者之间存在博弈关系，并且在主从博弈优化调度模型的均衡解处，DSO和各区域电网的效益均达到纳什均衡意义下的最佳，且都没有动机偏离此均衡，无法通过单独改变自身策略而获益，因此通过该均衡解进行主动配电网多区域调度，能够实现多利益主体的均衡调度。同时，DSO通过购售电价的优化，也能促进各区域电网之间进行电量共享，不仅能够提高自身收益，也能降低区域电网的运行成本。
进一步的，由于主从博弈优化调度模型通过智能算法求解时，存在繁复计算的问题，提出一种基于Kriging元模型的主从博弈均衡算法，该均衡算法采用计算量小的Kriging元模型拟合并替代区域电网优化调度博弈模型，与传统的智能优化算法相比，无需对区域电网优化调度博弈模型反复大量调用，极大的简化了计算复杂度，在保护区域电网隐私的同时极大提高均衡解的搜索效率。
附图说明
图1为本发明实施例的主动配电网多区域调度方法流程框图；
图2为本发明实施例的DSO动态定价博弈模型建立流程框图；
图3为本发明实施例的区域电网优化调度博弈模型建立流程框图；
图4为本发明实施例的基于Kriging元模型的主从博弈均衡算法流程框图；
图5为本发明实施例的主动配电网多区域调度系统结构框图；
图6为本发明实施例的终端设备结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的方法、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些方法、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一个实施例中，提供了一种主动配电网多区域调度方法，包括以下步骤：
S1：获取主动配电网的运行参数。
具体的，需要获取主动配电网的各区域电网的相关运行参数和电力市场的相关运行参数，包括各区域电网中所聚合的风机、储能、微型燃气轮机等分布式能源的运行参数、各区域电网的负荷功率以及电力市场的上网电价和电网电价。
S2：将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度。其中，所述主从博弈优化调度模型的上层领导者博弈模型为DSO动态定价博弈模型，所述DSO动态定价博弈模型为以主动配电网运营商(DSO)最大化收益为目标建立的模型；所述主从博弈优化调度模型的下层跟随者博弈模型为区域电网优化调度博弈模型，所述区域电网优化调度博弈模型为以区域电网最小化运行成本为目标建立的模型。
具体的，首先需要建立主从博弈优化调度模型，而建立该主从博弈优化调度模型又需要建立DSO动态定价博弈模型和区域电网优化调度博弈模型，当建立完成后，即可根据主动配电网的运行参数，利用该主从博弈优化调度模型进行主动配电网多区域调度。
下面介绍DSO动态定价博弈模型的建立过程：根据主动配电网的运行参数，以主动配电网运营商(DSO)最大化收益为目标，建立DSO动态定价博弈模型。
具体的，根据主动配电网的运行参数，针对DSO和区域电网具有不同的地位和投资运营主体，将DSO和区域电网的拥有者视为博弈的参与者，建立主从博弈模型，其中，DSO作为领导者，以最大化自身收益为目标为各区域电网制定购售电价，区域电网充当跟随者，以最小化自身运行成本为目标，对DSO制定的购售电价进行响应，制定出力计划。
其中，参见图2，以DSO最大化收益为目标，建立DSO动态定价博弈模型可以细分为如下步骤：
S201：以电力市场的上网电价和电网电价为已知参数，以各区域电网向DSO出售和购买的电量为输入，以DSO购售电价为输出，并以DSO最大化收益为目标建立DSO目标函数。
具体的，DSO采取的博弈策略为DSO为区域电网制定的各个时段的购电电价
和售电电价
分别记为
DSO以最大化净利润CDSO为目标函数，包括与电力市场以及区域电网的购售电成本和收益，如下：
式中：
和
分别为t时刻电力市场的上网电价和电网电价；
和
分别表示区域电网j向DSO出售的电量和购买的电量；Pt DSO,s和Pt DSO,b分别为DSO向电力市场出售的电量和购买的电量；N为区域电网总数。
为保证各区域电网之间的供需平衡，Pt DSO,s和Pt DSO,b表达式如下：
式中：Pt DSO为DSO汇总各区域电网购售电量之后，与电力市场交易的总电能，大于零表示向电力市场购电，小于零表示向电力市场售电。
S202：以DSO的购电价不大于电力市场的电网电价以及售电价不小于电力市场的上网电价，作为DSO购售电价约束。
具体的，DSO制定的购电价不大于电力市场的电网电价，售电价不小于电力市场的上网电价，则区域电网为保证自身利益的最大化，会选择与DSO进行交易。为保证区域电网愿意与DSO进行交易，DSO制定的购售电价应满足如下约束，记为DSO购售电价约束ΩDSO：
S203：以DSO目标函数和DSO购售电价约束作为DSO动态定价博弈模型。
下面介绍区域电网优化调度博弈模型的建立过程：根据主动配电网的运行参数，以区域电网最小化运行成本为目标，建立区域电网优化调度博弈模型。
参见图3，以区域电网最小化运行成本为目标，建立区域电网优化调度博弈模型，可以细分为如下步骤：
S211：以各区域电网内分布式能源的运行参数和各区域电网负荷功率为已知参数，以DSO购售电价为输入，以各区域电网购售电量为输出，以区域电网最小化运行成本为目标，建立区域电网目标函数。
具体的，以各区域电网内DER的相关参数以及DSO制定的购售电电价为输入，区域电网的博弈策略为各个时段的出力计划，包括向DSO出售的电量
和购买的电量
微型燃气轮机(MT)的输出功率
储能(ES)的充放电功率
可中断负荷(IL)的中断功率
及风电机组(WT)的输出功率
记为
其中，Nj表示区域电网j所包含的DER的集合。
各区域电网以运行成本最小为目标函数，包括购电成本、微型燃气轮机成本
储能成本
以及可中断负荷成本
如下所示：
式中：ai、bi、ci为MT的成本系数；
为储能的调度成本系数，
大于零表示放电，小于零表示充电；
为中断补偿电价。
S212：以区域电网功率平衡约束以及区域电网内各DER的运行约束，作为区域电网约束。
具体的，区域电网在对价格进行响应时，为保证区域电网能够正常运行，区域电网需满足功率平衡约束以及各DER的运行约束，具体如下：
式中：
为t时刻负荷的预测值；θj,t为布尔变量，取值为1时表示t时刻区域电网j向DSO售电，取值为0时表示t时刻区域电网j向DSO购电，
表示区域电网j与DSO的最大交易电量；
表示MT的最大输出功率，
分别表示MT的向下、向上的爬坡率；
为t时刻储能的荷电状态，
分别表示荷电状态的上下限值，
分别表示储能充放电功率的上下限值，Ei,max表示储能的最大能量容量值，这里储能的相关约束忽略损耗；
为可中断负荷的最大中断量；
为t时刻风电机组最大的输出功率，这里取风电机组的预测值。式(8)-(19)构成区域电网约束，记为
S213：以区域电网目标函数和区域电网约束作为区域电网优化调度博弈模型。
下面介绍以DSO动态定价博弈模型和区域电网优化调度博弈模型建立主从博弈优化调度模型的过程。
具体的，以DSO动态定价博弈模型为上层领导者博弈模型，区域电网优化调度博弈模型为下层跟随者博弈模型，建立DSO和多区域电网的主从博弈优化调度模型如下：
式中：p＝(p1,p2,...,pN)T，表示所有区域电网的策略。
然后根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度；并在主动配电网的运行参数改变后，重新获取该主动配电网的运行参数，接着直接通过建立好的主从博弈优化调度模型进行均衡解的求解，进而根据求得均衡解进行主动配电网多区域调度。
具体的，针对式(20)的主从博弈模型，令λDA＝(λDA,s,λDA,b)，根据Stackelberg-Nash均衡的定义，在所有的策略组合中，若存在策略(λDA*,p*)，同时满足CDSO(λDA*,p*)≥CDSO(λDA,p*)和
其中，p-j为除区域电网j的其余区域电网的策略，则该策略(λDA*,p*)为主从博弈模型的均衡解。在该均衡解处，DSO和各区域电网的效益均达到纳什均衡意义下的最佳，且都没有动机偏离此均衡，无法通过单独改变自身策略而获益，因此通过该均衡解进行主动配电网多区域调度，能够实现多利益主体的均衡调度。
同时，发明人在实际应用中发现，在建立的主从博弈优化调度模型中，区域电网优化调度博弈模型含有0-1变量，无法推导出等效的KKT条件，需要通过粒子群算法或遗传算法等智能算法求解，但是智能算法又面临着繁复计算的问题，为此，本发明再一个实施例中，提供了一种主动配电网多区域调度方法，该主动配电网多区域调度方法包括上一实施例中主动配电网多区域调度方法的全部方法，并且还给出主从博弈优化调度模型的均衡解的求解方法，即通过基于Kriging元模型的主从博弈均衡算法，其中，Kriging模型是一种估计方差最小的无偏估计模型，具有局部估计的特点。该均衡算法采用计算量小的Kriging元模型拟合并替代区域电网优化调度博弈模型，与传统的智能优化算法相比，无需对区域电网优化调度博弈模型反复大量调用，在保护区域电网隐私的同时极大提高均衡解的搜索效率。参见图4，该基于Kriging元模型的主从博弈均衡算法以下步骤：
T1：以DSO的购电价不大于电力市场的电网电价以及售电价不小于电力市场的上网电价，作为DSO购售电价约束；在DSO购售电价约束范围内，生成预设个初始样本点。
具体的，为了保证采样的均匀性和合理性，在DSO购售电价约束范围内，预先设定采样个数，一般取变量数的9-10倍，采用拉丁超立方采样(LHS)生成预设个初始样本点，每个样本点坐标代表一组购售电价，包括售电价和购电价，记为
其中
在DSO的策略空间中，满足DSO购售电价约束。
T2：通过区域电网优化调度博弈模型，得到每个初始样本点对应的各区域电网购售电量；将每个初始样本点及对应的各区域电网购售电量组合作为样本数据，得到并根据样本数据集构建各区域电网初始的Kriging模型。
具体的，将初始样本点的购售电价带入区域电网优化调度博弈模型，通过计算可得到每个初始样本点的对应的各区域电网交易电量
以DSO购售电价
和各区域电网购售电量
构成样本数据集
即可通过样本数据集构建各区域电网初始的Kriging模型。具体的，以DSO购售电价
为输入，以各区域电网的购售电量
为输出，构建每个区域电网的Kriging模型，如下：
式中：
表示所有区域电网的购售电量。
则式(20)的主从博弈优化调度模型可转换为式(22)所示的模型，即优化主从博弈优化调度模型：
T3：采用Kriging模型替代主从博弈优化调度模型中的区域电网优化调度博弈模型，得到优化主从博弈优化调度模型；根据样本数据集将DSO购售电价约束范围区间划分为若干关键区域，在每个关键区域内均对优化主从博弈优化调度模型寻优，得到每个关键区域内局部最优DSO购售电价并作为优异样本点；通过区域电网优化调度博弈模型，得到每个优异样本点对应的各区域电网购售电量。
将当前样本数据集Bj带入式(1)中，计算每个DSO购售电价对应的DSO最大化收益
DSO最大化收益即DSO动态定价博弈模型的目标函数值。根据
将DSO购售电价约束空间划分为多个关键区域，从而剔除含最优解概率低的区域，缩小优异采样点的采样范围，提高寻优效率。
根据样本数据集将DSO购售电价约束范围区间划分为若干关键区域的方法如下：将样本数据集内每个样本数据的样本点带入DSO动态定价博弈模型，得到每个样本点对应的目标函数值，其中，样本点包括初始样本点和优异样本点；以最大的目标函数值对应的样本点为中心，以DSO购售电价约束范围区间的三分之一为半径，将该区域内所有样本点划分为一个关键区域，将同一个关键区域内样本点的最大值和最小值作为关键区域的边界；对剩余的样本点重复上述步骤至完成所有样本点的划分，得到若干关键区域。具体的：
1)令l＝1，l表示划分的关键区域的编号，编号越小，表明该关键区域包含均衡解的概率越大；令
表示当前的所有DSO购售电价样本；令
表示所有DSO购售电价样本及对应的DSO最大化收益集。
2)取S中最大的DSO最大化收益，如下：
式中：y(l)为区域l中最大的DSO最大化收益，
为区域l中最大的DSO最大化收益对应的DSO购售电价。
3)将
放入Sl中，
放入Xl中，以
为中心，以r为半径，将X中距离
小于等于r的点
放入Xl，对应的
放入Sl中，其中r的表达式如下：
式中：
和
分别为DSO购售电价λDA的上下边界值，k和kmax分别为基于Kriging元模型的主从博弈均衡算法的当前迭代次数和最大迭代次数。
4)令S＝S\Sl，X＝X\Xl，如果
则令l＝l+1，返回到2)。
通过上面的划分方法，将DSO购售电价约束空间划分为多个关键区域，然后在每个关键区域内通过粒子群算法对式(22)寻优，通过Kriging模型快速锁定局部最优DSO购售电价(即优异样本点)和各区域电网购售电量，但此时各区域电网购售电量并非真实值，因此需对将局部最优DSO购售电价带入区域电网优化调度博弈模型，得到局部最优DSO购售电价下的真实交易电量。
T4：将每个优异样本点及对应的各区域电网购售电量组合作为优异样本数据，将优异样本数据加入样本数据集，通过样本数据集对Kriging模型进行修正。
具体的，由于初始的Kriging模型拟合精度较差，因此需要有效的修正机制来生成优异样本数据，如将每个优异样本点及对应的各区域电网购售电量组合作为优异样本数据，将优异样本数据加入样本数据集，通过样本数据集对初始Kriging模型进行优化，通过在迭代的过程中加入新的优异样本数据不断修正Kriging模型以提高准确性。
T5：在每个关键区域内均对优化主从博弈优化调度模型寻优，得到每个关键区域内的局部最优DSO购售电价，将若干局部最优DSO购售电价带入DSO动态定价博弈模型，得到若干局部DSO最大化收益；选取若干局部DSO最大化收益中的最大值作为全局DSO最大化收益。
具体的，在每个关键区域内通过粒子群算法对式(22)寻优，得到每个关键区域内的局部最优DSO购售电价，记为
调用区域电网优化调度博弈模型，计算
对应的真实各区域电网的购售电量，记为
计算出
对应的DSO动态定价博弈模型目标函数的真实值
与各个关键区域的最优DSO最大化收益
进行比较，若
则令
通过比较所有关键区域的局部DSO最大化收益，得到当前迭代步的全局DSO最大化收益，如下：
T6：重复T3和T5，至当前全局DSO最大化收益与上一全局DSO最大化收益在预设误差内，将当前全局DSO最大化收益对应的局部最优DSO购售电价作为最优DSO购售电价，将最优DSO购售电价带入区域电网优化调度博弈模型得到最优各区域电网购售电量，将最优DSO购售电价和最优各区域电网购售电量作为主从博弈优化调度模型的均衡解。
具体的，通过判断基于Kriging元模型的主从博弈均衡算法是否收敛，来决定是否停止迭代，这里的收敛条件为：当前全局DSO最大化收益与上一全局DSO最大化收益在预设误差内，该预设误差可以设置为0，或者根据实际要求自行设置。当满足收敛条件时，停止迭代，输出均衡解，该均衡解为当前全局DSO最大化收益对应的局部最优DSO购售电价，以及将该局部最优DSO购售电价带入区域电网优化调度博弈模型得到的最优各区域电网购售电量，进而就可以通过这两个限制进行DSO购售电价的制定以及各区域电网出力计划。
综上所述，本发明主动配电网多区域调度方法，针对DSO和区域电网具有不同的地位和投资运营主体，以DSO为领导者、区域电网为跟随者建立两者之间的主从博弈优化调度模型，建立的主从博弈优化调度模型中，区域电网以最小化运行成本为目标，优化得到的购售电量会影响到DSO对购售电价的制定，而DSO通过动态定价可引导区域电网合理地购售电，两者之间存在博弈关系，另外，DSO通过购售电价的优化，促进区域电网之间进行电量共享，不仅能够提高自身收益，也能降低区域电网的运行成本；为解决目前主从博弈均衡解均衡算法存在的问题，提出一种基于Kriging元模型的主从博弈均衡算法，该均衡算法采用改进的Kriging元模型对区域电网的价格响应行为进行拟合，以替代下层跟随者博弈模型，得到均衡解，与传统的智能优化算法相比，无需对下层跟随者博弈模型反复大量调用，在保护区域电网隐私的同时极大提高均衡解的搜索效率。
参见图5，再一个实施例中，提供一种主动配电网多区域调度系统，包括参数获取模块以及调度模块。
其中，参数获取模块用于获取主动配电网的运行参数；调度模块用于将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度。具体的，参数获取模块用于获取各区域电网内所聚合的分布式能源的运行参数、各区域电网的负荷功率以及电力市场的上网电价和电网电价。
可选的，该主动配电网多区域调度系统还包括均衡解求解模块，用于通过基于Kriging元模型的主从博弈均衡算法求解主从博弈优化调度模型的均衡解。
基于上述方法实施例以及装置实施例的描述，本领域技术人员可以理解，本发明主动配电网多区域调度方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
参见图6，本发明实施例还提供一种终端设备，该终端设备至少包括处理器、以及计算机可读存储介质，可选的，还包括输入设备和输出设备。其中，终端内的处理器、输入设备、输出设备以及计算机可读存储介质可通过总线或其他方式连接。
计算机可读存储介质可以存储在终端设备的存储器中，所述计算机可读存储介质用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机可读存储介质的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；在一个实施例中，本发明实施例所述的处理器可以用于主动配电网多区域调度方法的操作，包括：获取主动配电网的运行参数；将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度。
本发明实施例还提供了一种计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的还可以是至少一个位于远离前述处理器的计算机可读存储介质。在一个实施例中，可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述有关主动配电网多区域调度方法的相应步骤；具体实现中，计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：获取主动配电网的运行参数；将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种主动配电网多区域调度方法，其特征在于，包括以下步骤：
获取主动配电网的运行参数；
将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度；
其中，所述主从博弈优化调度模型的上层领导者博弈模型为DSO动态定价博弈模型，所述DSO动态定价博弈模型为以DSO最大化收益为目标建立的模型；
所述主从博弈优化调度模型的下层跟随者博弈模型为区域电网优化调度博弈模型，所述区域电网优化调度博弈模型为以区域电网最小化运行成本为目标建立的模型。
2.根据权利要求1所述的主动配电网多区域调度方法，其特征在于，所述主动配电网的运行参数包括：主动配电网的各区域电网内所聚合的分布式能源的运行参数、各区域电网的负荷功率以及电力市场的上网电价和电网电价。
3.根据权利要求1所述的主动配电网多区域调度方法，其特征在于，所述DSO动态定价博弈模型通过以下步骤建立：
以电力市场的上网电价和电网电价为已知参数，以各区域电网向DSO出售和购买的电量为输入，以DSO购售电价为输出，并以DSO最大化收益为目标建立DSO目标函数；
以DSO的购电价不大于电力市场的电网电价以及售电价不小于电力市场的上网电价，作为DSO购售电价约束；
以DSO目标函数和DSO购售电价约束作为DSO动态定价博弈模型。
4.根据权利要求1所述的主动配电网多区域调度方法，其特征在于，所述区域电网优化调度博弈模型通过以下步骤建立：
以各区域内分布式能源的相关参数和负荷功率为已知参数，以DSO购售电价为输入，以各区域电网购售电量为输出，以区域电网最小化运行成本为目标，建立区域电网目标函数；
以区域电网功率平衡约束以及区域电网内各DER的运行约束，作为区域电网约束；
以区域电网目标函数和区域电网约束作为区域电网优化调度博弈模型。
5.根据权利要求1所述的主动配电网多区域调度方法，其特征在于，所述主从博弈优化调度模型的均衡解，由如下基于Kriging元模型的主从博弈均衡算法得到：
T1：以DSO的购电价不大于电力市场的电网电价以及售电价不小于电力市场的上网电价，作为DSO购售电价约束；在DSO购售电价约束范围内，生成预设个初始样本点；
T2：通过区域电网优化调度博弈模型，得到每个初始样本点对应的各区域电网购售电量；将每个初始样本点及对应的各区域电网购售电量组合作为样本数据，得到并根据样本数据集构建各区域电网的Kriging模型；
T3：采用Kriging模型替代主从博弈优化调度模型中的区域电网优化调度博弈模型，得到优化主从博弈优化调度模型；根据样本数据集将DSO购售电价约束范围区间划分为若干关键区域，在每个关键区域内均对优化主从博弈优化调度模型寻优，得到每个关键区域内局部最优DSO购售电价并作为优异样本点；通过区域电网优化调度博弈模型，得到每个优异样本点对应的各区域电网购售电量；
T4：将每个优异样本点及对应的各区域电网购售电量组合作为优异样本数据，将优异样本数据加入样本数据集，通过样本数据集对Kriging模型进行修正；
T5：在每个关键区域内均对优化主从博弈优化调度模型寻优，得到每个关键区域内的局部最优DSO购售电价，将若干局部最优DSO购售电价带入DSO动态定价博弈模型，得到若干局部DSO最大化收益；选取若干局部DSO最大化收益中的最大值作为全局DSO最大化收益；
T6：重复T3和T5，至当前全局DSO最大化收益与上一全局DSO最大化收益在预设误差内，将当前全局DSO最大化收益对应的局部最优DSO购售电价作为最优DSO购售电价，将最优DSO购售电价带入区域电网优化调度博弈模型得到最优各区域电网购售电量，将最优DSO购售电价和最优各区域电网购售电量作为主从博弈优化调度模型的均衡解。
6.根据权利要求5所述的主动配电网多区域调度方法，其特征在于，所述在DSO购售电价约束范围内，生成预设个初始样本点的具体方法为：
在DSO购售电价约束范围内，采用拉丁超立方采样生成预设个初始样本点；
所述寻优的具体方法为粒子群算法。
7.根据权利要求5所述的主动配电网多区域调度方法，其特征在于，所述根据样本数据集将DSO购售电价约束范围区间划分为若干关键区域的具体方法为：
将样本数据集内每个样本数据的样本点带入DSO动态定价博弈模型，得到每个样本点对应的目标函数值，其中，样本点包括初始样本点和优异样本点；
以最大的目标函数值对应的样本点为中心，以DSO购售电价约束范围区间的三分之一为半径，将该区域内所有样本点划分为一个关键区域，将同一个关键区域内样本点的最大值和最小值作为关键区域的边界；
对剩余的样本点重复上述步骤至完成所有样本点的划分，得到若干关键区域。
8.一种主动配电网多区域调度系统，其特征在于，包括：
参数获取模块，用于获取主动配电网的运行参数；以及
调度模块，用于将所述运行参数输入主从博弈优化调度模型，得到并根据主从博弈优化调度模型的均衡解，进行主动配电网多区域调度；
其中，所述主从博弈优化调度模型的上层领导者博弈模型为DSO动态定价博弈模型，所述DSO动态定价博弈模型为以DSO最大化收益为目标建立的模型；
所述主从博弈优化调度模型的下层跟随者博弈模型为区域电网优化调度博弈模型，所述区域电网优化调度博弈模型为以区域电网最小化运行成本为目标建立的模型。
9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述主动配电网多区域调度方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述主动配电网多区域调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010658434.6A CN111932075A (zh) | 2020-07-09 | 2020-07-09 | 主动配电网多区域调度方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010658434.6A CN111932075A (zh) | 2020-07-09 | 2020-07-09 | 主动配电网多区域调度方法、系统、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111932075A true CN111932075A (zh) | 2020-11-13 |
Family
ID=73313538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010658434.6A Pending CN111932075A (zh) | 2020-07-09 | 2020-07-09 | 主动配电网多区域调度方法、系统、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932075A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508604A (zh) * | 2020-11-26 | 2021-03-16 | 国网河北省电力有限公司经济技术研究院 | 综合能源系统的优化方法、系统、设备和存储介质 |
| CN112785094A (zh) * | 2021-03-09 | 2021-05-11 | 南京工程学院 | 基于斯塔克尔伯格博弈的光伏储能电站容量配置优化方法 |
| CN112904211A (zh) * | 2021-01-04 | 2021-06-04 | 北京空间飞行器总体设计部 | 一种深空探测用锂离子电池组剩余容量估计方法 |
| CN113393125A (zh) * | 2021-06-16 | 2021-09-14 | 沈阳工程学院 | 基于源荷双侧互动博弈的综合能源系统协同调度方法 |
| CN113642793A (zh) * | 2021-08-13 | 2021-11-12 | 武汉大学 | 一种基于合作博弈的多区域电网协同优化调度方法 |
| CN115459254A (zh) * | 2022-09-21 | 2022-12-09 | 华北电力大学 | 一种5g基站集群和配电网的协同优化调度方法及系统 |
| CN117433589A (zh) * | 2023-12-20 | 2024-01-23 | 青岛道万科技有限公司 | 一种低功耗温盐深仪数据采集方法、介质及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919658A (zh) * | 2019-01-25 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于博弈论的负荷控制方法及系统 |
| CN109948954A (zh) * | 2019-04-04 | 2019-06-28 | 华北电力大学 | 一种面向电力系统分布式资源的配电网双向阻塞调度方法 |
-
2020
- 2020-07-09 CN CN202010658434.6A patent/CN111932075A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919658A (zh) * | 2019-01-25 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于博弈论的负荷控制方法及系统 |
| CN109948954A (zh) * | 2019-04-04 | 2019-06-28 | 华北电力大学 | 一种面向电力系统分布式资源的配电网双向阻塞调度方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508604A (zh) * | 2020-11-26 | 2021-03-16 | 国网河北省电力有限公司经济技术研究院 | 综合能源系统的优化方法、系统、设备和存储介质 |
| CN112904211A (zh) * | 2021-01-04 | 2021-06-04 | 北京空间飞行器总体设计部 | 一种深空探测用锂离子电池组剩余容量估计方法 |
| CN112904211B (zh) * | 2021-01-04 | 2022-10-28 | 北京空间飞行器总体设计部 | 一种深空探测用锂离子电池组剩余容量估计方法 |
| CN112785094A (zh) * | 2021-03-09 | 2021-05-11 | 南京工程学院 | 基于斯塔克尔伯格博弈的光伏储能电站容量配置优化方法 |
| CN113393125A (zh) * | 2021-06-16 | 2021-09-14 | 沈阳工程学院 | 基于源荷双侧互动博弈的综合能源系统协同调度方法 |
| CN113642793A (zh) * | 2021-08-13 | 2021-11-12 | 武汉大学 | 一种基于合作博弈的多区域电网协同优化调度方法 |
| CN113642793B (zh) * | 2021-08-13 | 2023-10-27 | 武汉大学 | 一种基于合作博弈的多区域电网协同优化调度方法 |
| CN115459254A (zh) * | 2022-09-21 | 2022-12-09 | 华北电力大学 | 一种5g基站集群和配电网的协同优化调度方法及系统 |
| CN117433589A (zh) * | 2023-12-20 | 2024-01-23 | 青岛道万科技有限公司 | 一种低功耗温盐深仪数据采集方法、介质及系统 |
| CN117433589B (zh) * | 2023-12-20 | 2024-03-15 | 青岛道万科技有限公司 | 一种低功耗温盐深仪数据采集方法、介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Dynamic pricing for decentralized energy trading in micro-grids | |
| Li et al. | Distributed tri-layer risk-averse stochastic game approach for energy trading among multi-energy microgrids | |
| CN111932075A (zh) | 主动配电网多区域调度方法、系统、设备及可读存储介质 | |
| Hasankhani et al. | Stochastic energy management of smart microgrid with intermittent renewable energy resources in electricity market | |
| Shafiekhani et al. | Strategic bidding of virtual power plant in energy markets: A bi-level multi-objective approach | |
| Fang et al. | Multi-agent deep reinforcement learning for distributed energy management and strategy optimization of microgrid market | |
| Chen et al. | Research on day-ahead transactions between multi-microgrid based on cooperative game model | |
| Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
| Shafie-khah et al. | A stochastic multi-layer agent-based model to study electricity market participants behavior | |
| Maity et al. | Simulation and pricing mechanism analysis of a solar-powered electrical microgrid | |
| CN112036934A (zh) | 考虑热电协调运行的负荷聚合商参与需求响应的报价方法 | |
| Li et al. | General Nash bargaining based direct P2P energy trading among prosumers under multiple uncertainties | |
| Fateh et al. | Modeling operation problem of active distribution networks with retailers and microgrids: A multi-objective bi-level approach | |
| Wang et al. | Dynamic two-layer game for striking the balance of interest in multi-agent electricity market considering bilateral contracts and reward-punishment mechanism | |
| Wang et al. | A tri-level framework for distribution-level market clearing considering strategic participation of electrical vehicles and interactions with wholesale market | |
| Peng et al. | Sequential coalition formation for wind-thermal combined bidding | |
| CN113690875B (zh) | 一种微网实时互动等值模型建立方法 | |
| Jia et al. | Dynamic pricing strategy and regional energy consumption optimization based on different stakeholders | |
| Tao et al. | Research on multi-microgrids scheduling strategy considering dynamic electricity price based on blockchain | |
| Zhang et al. | Low-carbon economic dispatch strategy for interconnected multi-energy microgrids considering carbon emission accounting and profit allocation | |
| Kong et al. | Independence enhancement of distributed generation systems by integrating shared energy storage system and energy community with internal market | |
| Song et al. | Two-stage robust optimal scheduling method for virtual power plants considering the controllability of electric vehicles | |
| Khajeh et al. | Peer-to-peer electricity market based on local supervision | |
| Tong et al. | Economical optimization for multi-microgrid based on Stackelberg game | |
| CN114447923A (zh) | 高风电占比电力系统的电能和调频辅助服务博弈优化方法 |
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 |