CN111969593A - 基于混合储能的热电联供微网模型预测控制优化调度方法 - Google Patents
基于混合储能的热电联供微网模型预测控制优化调度方法 Download PDFInfo
- Publication number
- CN111969593A CN111969593A CN202010724923.7A CN202010724923A CN111969593A CN 111969593 A CN111969593 A CN 111969593A CN 202010724923 A CN202010724923 A CN 202010724923A CN 111969593 A CN111969593 A CN 111969593A
- Authority
- CN
- China
- Prior art keywords
- optimization
- scheduling
- power
- day
- time
- 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
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- H02J3/008—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
- H02J3/26—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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于混合储能的热电联供微网模型预测控制优化调度方法:获取热电联供微网的原始参数;建立混合储能的退化成本模型;蓄电池参与全时段的调度控制,超级电容器仅在实时调度用来平抑风光误差;构建热电联供微网日前优化阶段和日内滚动优化阶段以系统总运行成本最小为目标函数的调度模型,实时优化阶段以功率波动惩罚成本最小为目标函数的调度模型;建立热电联供微网系统运行约束;采用日前优化‑日内滚动优化‑实时优化的调度方法进行优化调度,基于改进萤火虫算法对模型进行求解;实时滚动输出系统的最优调度计划。本发明对热电联供系统进行优化调度,可有效应对风光预测误差进行在线调整,不偏离制定的运行计划,安全稳定地运行。
Description
技术领域
本发明涉及综合能源系统领域,具体涉及一种基于混合储能的热电联供微网模型预测控制优化调度方法。
背景技术
随着能源需求的增加和环境问题的加重,未来将越来越关注如何提高能源利用率实现可持续发展。相比于常规型微电网,热电联供微电网集供热和供电等功能,联合运行效率较高,是最有发展前景的能源系统形式之一。热电联供微电网对不同的能源系统进行统一规划和协调运行,可以灵活提供多种能源需求,通过多能互补及能源的阶梯利用,可提高能源利用率并减少对环境的污染。
目前,针对热电联供微网的调度方法,多以日前优化或者更短时间断面多时段提前调度完成,没有考虑时间断面的耦合性,不能满足系统在线调整调度的需求。由于可再生能源的间歇性和波动性,对电网的稳定性和安全性将会产生负面影响。能量存储系统是处理可再生能源不确定性的有效技术之一。混合储能系统可以使能量型储能和功率型储能进行优势互补。然而在大多数论文中在处理储能系统时选择了简单的控制策略:当发电多余负荷时,将多余电量存储在储能系统中,当电力不足时,储能系统放电。并且在多数中并不考虑储能系统的退化成本。同时也没有考虑混合储能在多时间尺度下的优化调度方法,缺少混合储能技术与模型预测控制理论相结合的技术方法。
发明内容
本发明所要解决的技术问题是,如何结合混合储能技术和模型预测控制理论来对热电联供微网进行多时间尺度优化调度,同时考虑混合储能的退化成本,制定合适的优化调度方案以解决可再生能源的间歇性和波动性所带来的问题。
本发明所采用的技术方案是一种基于混合储能的热电联供微网模型预测控制优化调度方法,包括如下步骤:
(1)获取热电联供微网原始参数,包括设备组成及其运行参数,输入混合储能设备的初始储能状态、风光负荷预测信息及电价,输入实时功率波动的惩罚成本系数,输入日前优化、日内滚动优化和实时调度的预测时域和控制时域;
(2)建立混合储能的退化成本模型,其中包括蓄电池的退化成本和超级电容器的退化成本,蓄电池参与全时段的调度控制,超级电容器仅在实时调度用来平抑风光误差,保持调度计划不发生大的改变;
(3)构建热电联供微网日前优化阶段和日内滚动优化阶段以系统总运行成本最小为目标函数的调度模型,实时优化阶段以功率波动惩罚成本最小为目标函数的调度模型;
(4)建立热电联供微网系统运行约束,包括电负荷平衡约束、热负荷平衡约束、各类设备的运行约束;
(5)依据步骤(2)(3)(4)建立的调度模型,采用日前优化-日内滚动优化-实时优化的调度方法进行优化调度,基于改进萤火虫算法对模型进行求解;
(6)输出当前控制时域的调度计划,并进行下一轮的滚动优化。
作为优选,所述的步骤(2)的混合储能退化成本模型中的蓄电池退化成本,具体表述为:
蓄电池的循环寿命与蓄电池的放电深度关系可以由拟合曲线表示:
从状态转换开始至t时刻所积蓄的能量:
则t时刻的放电深度可表示为:
同时,蓄电池实际容量会随着放电深度的变化而按比例退化:
因此蓄电池的退化成本可表示为:
式中,a、b和c是拟合曲线的系数,U(t)是一个二进制数,值为1时表示蓄电池相邻时间间隔充放电状态不一致;值为0时表示蓄电池相邻时间间隔充放电状态一致。Cexb是蓄电池的更换成本,ηbc ηbd分别是蓄电池的充放电效率,Eb(t)是蓄电池实际总能量,N(Dod(t))是蓄电池的循环寿命,Dod(t)是蓄电池的放电深度,Pb(t)是蓄电池充放电功率。
超级电容器退化成本表述为:
式中,Cexsc是超级电容器的更换成本,Nsc是超级电容器的循环寿命。
作为优选,所述的步骤(3)的日前优化阶段和日内滚动优化阶段以系统总运行成本最小为目标函数的调度模型,表述为:
式中,Pex(tDA)为与电网交互功率,Pgas(tDA)Pbio(tDA)分别为利用天然气和利用生物质能产生的电功率。tDA是日内滚动的控制时域,λex(tDA)是实时电价,Qgas和Qbio分别为天然气和生物质能的低热值,λgasλbio分别是天然气和生物质能的能源价格。
实时优化阶段以功率波动惩罚成本最小为目标函数的调度模型,表述为:
式中,tDI是实时的控制时域,Csc(tDI)为超级电容器退化成本,Cb(tDI)为蓄电池退化成本,Cpu(tDI)是实时优化结果与日内结果波动的惩罚项,δ1 δ2 δ3 δ4是惩罚成本系数。
作为优选,所述的步骤(4)的热电联供微网系统运行约束,具体表述为:
日内滚动优化电负荷平衡:
PL(tDA)=Pex(tDA)+Pb(tDA)+Ppv(tDA)+Pwt(tDA)
式中,PL(tDA)为电负荷功率,Ppv(tDA)为光伏功率,Pwt(tDA)为风电功率。
日内滚动优化热负荷平衡:
VPbio(tDA)+VPgas(tDA)=Qheating(tDA)
式中,V为系统热电比,Qheating(tDA)为热负荷功率。
日内滚动优化设备运行约束:
实时优化的约束条件包括以上所有约束条件,此外还应对电负荷平衡进行修正和添加超级电容器运行约束:
PL(tDI)=Pex(tDI)+Pb(tDI)+Psc(tDI)+Ppv(tDI)+Pwt(tDI)
作为优选,所述的步骤(5)的改进萤火虫算法,表述为:
相对亮度、相对吸引度和位置公式更新如下:
xi(t+1)=xi(t)+β(rij)(xj(t)-xi(t))+αεi
式中,rij萤火虫i到萤火虫j的笛卡尔距离;I(rij)是萤火虫间的相对亮度;β(rij)是萤火虫间的相对吸引度。
引入变异概率Pm,依据粒子的平均适应值favg将群体分为2个子群,分别进行不同的自适应变异操作。其变异概率公式为:
若随机变异概率小于Pm,则位置更新如下:
作为优选,所述的步骤(5)的日前优化-日内滚动优化-实时优化,包括:
1)日前优化阶段:输入日前的预测数据,以系统总运行成本最小为目标函数的调度模型,遵守相关运行约束,进行求解得到日前的调度计划。
2)日内滚动优化:输入日内预测时域内的预测数据,以系统总运行成本最小为目标函数的调度模型,遵守相关运行约束,进行求解得到日内控制时域的调度计划,对日前的调度计划进行调整。
3)实时优化:输入实时的数据,以功率波动惩罚成本最小为目标函数的调度模型,求解得到实时调度计划。
本发明的有益效果是:计及短时间的预测误差,结合混合储能技术和模型预测控制理论,建立基于混合储能的热电联供微网的优化调度模型,采用改进的萤火虫算法对模型进行求解,得到最经济的调度方案,实现在线滚动调整的同时不偏离制定的运行计划,安全稳定地运行。
附图说明
图1:一种基于混合储能的热电联供微网模型预测控制优化调度方法流程图
图2:模型预测控制的滚动优化窗口
图3:日前优化调度结果图
图4:10%的风光预测误差实时调整结果图
图5:50%的风光预测误差实时调整结果图
具体实施方式
下面结合实施例和附图对本发明的基于混合储能的热电联供微网模型预测控制优化调度方法做出详细说明。如图1所示,本发明的基于混合储能的热电联供微网模型预测控制优化调度方法,包括如下步骤:
(1)获取热电联供微网原始参数,包括设备组成及其运行参数,输入混合储能设备的初始储能状态、风光负荷预测信息及电价,输入实时功率波动的惩罚成本系数,输入日前优化、日内滚动优化和实时调度的预测时域和控制时域;
(2)建立混合储能的退化成本模型,其中包括蓄电池的退化成本和超级电容器的退化成本,蓄电池参与全时段的调度控制,超级电容器仅在实时调度用来平抑风光误差,保持调度计划不发生大的改变;
混合储能退化成本模型中的蓄电池退化成本,具体表述为:
蓄电池的循环寿命与蓄电池的放电深度关系可以由拟合曲线表示:
从状态转换开始至t时刻所积蓄的能量:
则t时刻的放电深度可表示为:
同时,蓄电池实际容量会随着放电深度的变化而按比例退化:
因此蓄电池的退化成本可表示为:
式中,a、b和c是拟合曲线的系数,U(t)是一个二进制数,值为1时表示蓄电池相邻时间间隔充放电状态不一致;值为0时表示蓄电池相邻时间间隔充放电状态一致。Cexb是蓄电池的更换成本,ηbc ηbd分别是蓄电池的充放电效率,Eb(t)是蓄电池实际总能量,N(Dod(t))是蓄电池的循环寿命,Dod(t)是蓄电池的放电深度,Pb(t)是蓄电池充放电功率。
超级电容器退化成本表述为:
式中,Cexsc是超级电容器的更换成本,Nsc是超级电容器的循环寿命。
(3)构建热电联供微网日前优化阶段和日内滚动优化阶段以系统总运行成本最小为目标函数的调度模型,实时优化阶段以功率波动惩罚成本最小为目标函数的调度模型;
日前优化阶段和日内滚动优化阶段以系统总运行成本最小为目标函数的调度模型,表述为:
式中,Pex(tDA)为与电网交互功率,Pgas(tDA)Pbio(tDA)分别为利用天然气和利用生物质能产生的电功率。tDA是日内滚动的控制时域,λex(tDA)是实时电价,Qgas和Qbio分别为天然气和生物质能的低热值,λgasλbio分别是天然气和生物质能的能源价格。
实时优化阶段以功率波动惩罚成本最小为目标函数的调度模型,表述为:
式中,tDI是实时的控制时域,Cpu(tDI)是实时优化结果与日内结果波动的惩罚项,δ1 δ2 δ3 δ4是惩罚成本系数。
(4)建立热电联供微网系统运行约束,包括电负荷平衡约束、热负荷平衡约束、各类设备的运行约束;
热电联供微网系统运行约束,具体表述为:
日内滚动优化电负荷平衡:
PL(tDA)=Pex(tDA)+Pb(tDA)+Ppv(tDA)+Pwt(tDA) (10)
式中,PL(tDA)为电负荷功率,Ppv(tDA)为光伏功率,Pwt(tDA)为风电功率。
日内滚动优化热负荷平衡:
VPbio(tDA)+VPgas(tDA)=Qheating(tDA) (11)
式中,V为系统热电比,Qheating(tDA)为热负荷功率。
日内滚动优化设备运行约束:
实时优化的约束条件包括以上所有约束条件,此外还应对电负荷平衡进行修正和添加超级电容器运行约束:
PL(tDI)=Pex(tDI)+Pb(tDI)+Psc(tDI)+Ppv(tDI)+Pwt(tDI) (17)
(5)依据步骤(2)(3)(4)建立的调度模型,采用日前优化-日内滚动优化-实时优化的调度方法进行优化调度,基于改进萤火虫算法对模型进行求解;
改进萤火虫算法,表述为:
相对亮度、相对吸引度和位置公式更新如下:
xi(t+1)=xi(t)+β(rij)(xj(t)-xi(t))+αεi (23)
式中,rij萤火虫i到萤火虫j的笛卡尔距离;I(rij)是萤火虫间的相对亮度;β(rij)是萤火虫间的相对吸引度。
引入变异概率Pm,依据粒子的平均适应值favg将群体分为2个子群,分别进行不同的自适应变异操作。其变异概率公式为:
若随机变异概率小于Pm,则位置更新如下:
日前优化-日内滚动优化-实时优化,包括:
1)日前优化阶段:输入日前的预测数据,以系统总运行成本最小为目标函数的调度模型,遵守相关运行约束,进行求解得到日前的调度计划。
2)日内滚动优化:输入日内预测时域内的预测数据,以系统总运行成本最小为目标函数的调度模型,遵守相关运行约束,进行求解得到日内控制时域的调度计划,对日前的调度计划进行调整。
3)实时优化:输入实时的数据,以功率波动惩罚成本最小为目标函数的调度模型,求解得到实时调度计划。
(6)输出当前控制时域的调度计划,并进行下一轮的滚动优化。
下面给出具体实例:
对于本实施例,选取典型热电联供系统的能源配置形式,日前优化调度24h更新一次,日内滚动调度预测时域为24h,控制时域为1h,实时调度预测时域为1h,控制时域为5min,实时预测数据在日前预测数据的基础上设置10%-50%的预测误差得到。电价采用分时电价。
图3是日前滚动调度结果,在日前滚动优化中没有考虑预测误差的影响,也就不需要考虑超级电容器的协同,图4是10%预测误差实时调整的调度结果,引入超级电容器来弥补误差,在不违背日前优化调度结果的同时,又能减少风光不确定性对系统造成的影响。对比两层的调度结果,可以观察到日前计划以小时为时间尺度,调度粗放,系统不能及时响应可再生能源波动,实时调整优化中与电网交互功率、蓄电池功率和生物质能输出功率较上层波动较小,而超级电容器则随时间变化快速充放电以实现由预测误差导致的功率不平衡问题。此外对图5中50%预测误差的实时调度结果可知,在风光数据波动时,该系统能较好的保持日前的调度策略,同时也能较好地追踪风光的波动。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于混合储能的热电联供微网模型预测控制优化调度方法,其特征在于,包括如下步骤:
(1)获取热电联供微网原始参数,包括设备组成及其运行参数,输入混合储能设备的初始储能状态、风光负荷预测信息及电价,输入实时功率波动的惩罚成本系数,输入日前优化、日内滚动优化和实时调度的预测时域和控制时域;
(2)建立混合储能的退化成本模型,其中包括蓄电池的退化成本和超级电容器的退化成本,蓄电池参与全时段的调度控制,超级电容器仅在实时调度用来平抑风光误差,保持调度计划不发生大的改变;
(3)构建热电联供微网日前优化阶段和日内滚动优化阶段以系统总运行成本最小为目标函数的调度模型,实时优化阶段以功率波动惩罚成本最小为目标函数的调度模型;
(4)建立热电联供微网系统运行约束,包括电负荷平衡约束、热负荷平衡约束、各类设备的运行约束;
(5)依据步骤(2)(3)(4)建立的调度模型,采用日前优化-日内滚动优化-实时优化的调度方法进行优化调度,基于改进萤火虫算法对模型进行求解;
(6)输出当前控制时域的调度计划,并进行下一轮的滚动优化。
2.根据权利要求1所述的基于混合储能的热电联供微网模型预测控制优化调度方法,其特征在于,步骤(2)所述的混合储能退化成本模型中的蓄电池退化成本,具体表述为:
蓄电池的循环寿命与蓄电池的放电深度关系可以由拟合曲线表示:
从状态转换开始至t时刻所积蓄的能量:
则t时刻的放电深度可表示为:
同时,蓄电池实际容量会随着放电深度的变化而按比例退化:
因此蓄电池的退化成本可表示为:
式中,a、b和c是拟合曲线的系数,U(t)是一个二进制数,值为1时表示蓄电池相邻时间间隔充放电状态不一致;值为0时表示蓄电池相邻时间间隔充放电状态一致;Cexb是蓄电池的更换成本,ηbcηbd分别是蓄电池的充放电效率,Eb(t)是蓄电池实际总能量,N(Dod(t))是蓄电池的循环寿命,Dod(t)是蓄电池的放电深度,Pb(t)是蓄电池充放电功率;
超级电容器退化成本表述为:
式中,Cexsc是超级电容器的更换成本,Nsc是超级电容器的循环寿命。
3.根据权利要求1所述的基于混合储能的热电联供微网模型预测控制优化调度方法,其特征在于,步骤(3)所述的日前优化阶段和日内滚动优化阶段以系统总运行成本最小为目标函数的调度模型,表述为:
式中,Pex(tDA)为与电网交互功率,Pgas(tDA)Pbio(tDA)分别为利用天然气和利用生物质能产生的电功率。tDA是日内滚动的控制时域,λex(tDA)是实时电价,Qgas和Qbio分别为天然气和生物质能的低热值,λgasλbio分别是天然气和生物质能的能源价格;
实时优化阶段以功率波动惩罚成本最小为目标函数的调度模型,表述为:
式中,tDI是实时的控制时域,Cpu(tDI)是实时优化结果与日内结果波动的惩罚项,δ1δ2δ3δ4是惩罚成本系数。
4.根据权利要求1所述的基于混合储能的热电联供微网模型预测控制优化调度方法,其特征在于,步骤(4)所述的热电联供微网系统运行约束,具体表述为:
日内滚动优化电负荷平衡:
PL(tDA)=Pex(tDA)+Pb(tDA)+Ppv(tDA)+Pwt(tDA)
式中,PL(tDA)为电负荷功率,Ppv(tDA)为光伏功率,Pwt(tDA)为风电功率;
日内滚动优化热负荷平衡:
VPbio(tDA)+VPgas(tDA)=Qheating(tDA)
式中,V为系统热电比,Qheating(tDA)为热负荷功率;
日内滚动优化设备运行约束:
实时优化的约束条件包括以上所有约束条件,此外还应对电负荷平衡进行修正和添加超级电容器运行约束:
PL(tDI)=Pex(tDI)+Pb(tDI)+Psc(tDI)+Ppv(tDI)+Pwt(tDI)
6.根据权利要求1所述的基于混合储能的热电联供微网模型预测控制优化调度方法,其特征在于,步骤(5)所述的日前优化-日内滚动优化-实时优化,包括:
1)日前优化阶段:输入日前的预测数据,以系统总运行成本最小为目标函数的调度模型,遵守相关运行约束,进行求解得到日前的调度计划;
2)日内滚动优化:输入日内预测时域内的预测数据,以系统总运行成本最小为目标函数的调度模型,遵守相关运行约束,进行求解得到日内控制时域的调度计划,对日前的调度计划进行调整;
3)实时优化:输入实时的数据,以功率波动惩罚成本最小为目标函数的调度模型,求解得到实时调度计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724923.7A CN111969593B (zh) | 2020-07-24 | 2020-07-24 | 基于混合储能的热电联供微网模型预测控制优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724923.7A CN111969593B (zh) | 2020-07-24 | 2020-07-24 | 基于混合储能的热电联供微网模型预测控制优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111969593A true CN111969593A (zh) | 2020-11-20 |
CN111969593B CN111969593B (zh) | 2022-05-20 |
Family
ID=73362738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010724923.7A Active CN111969593B (zh) | 2020-07-24 | 2020-07-24 | 基于混合储能的热电联供微网模型预测控制优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111969593B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112234658A (zh) * | 2020-12-10 | 2021-01-15 | 华东交通大学 | 一种基于ddr-mpc的微网时域滚动优化调度方法 |
CN112769156A (zh) * | 2020-12-28 | 2021-05-07 | 南昌大学 | 一种计及大规模海上风电并网的源网荷储协调运行方法 |
CN114118532A (zh) * | 2021-11-06 | 2022-03-01 | 深圳供电局有限公司 | 孤岛微网的调度方法、装置、计算机设备、存储介质 |
CN114362256A (zh) * | 2022-03-16 | 2022-04-15 | 深圳市泽天数控机床有限公司 | 基于电池储能系统的混合可再生能源电厂优化方法 |
CN114580864A (zh) * | 2022-02-21 | 2022-06-03 | 石河子大学 | 针对综合能源系统的多元储能分配方法、系统及设备 |
CN115062259A (zh) * | 2022-06-15 | 2022-09-16 | 国网山东省电力公司冠县供电公司 | 一种基于多维度的微电网状态评估方法及系统 |
CN115189377A (zh) * | 2022-08-01 | 2022-10-14 | 四川大学 | 基于光伏发电量预测的微网优化调度方法、装置和设备 |
WO2023272939A1 (zh) * | 2021-06-29 | 2023-01-05 | 中南大学 | 牵引变流器热性能动态优化控制方法及系统 |
CN116488223A (zh) * | 2023-06-26 | 2023-07-25 | 湖南大学 | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 |
CN117060468A (zh) * | 2023-08-03 | 2023-11-14 | 华能罗源发电有限责任公司 | 基于改进nsga-ii算法的储能调峰容量优化配置方法及系统 |
CN118249479A (zh) * | 2024-05-28 | 2024-06-25 | 西安热工研究院有限公司 | 一种智能温度管理的超容储能方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104617590A (zh) * | 2014-07-18 | 2015-05-13 | 国网上海市电力公司 | 不同时间尺度下基于混合储能调度的微网能量优化方法 |
US20190181644A1 (en) * | 2016-09-13 | 2019-06-13 | Korea Electric Power Corporation | Pcs efficiency-considered microgrid operation device and operation method |
CN110417006A (zh) * | 2019-07-24 | 2019-11-05 | 三峡大学 | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 |
-
2020
- 2020-07-24 CN CN202010724923.7A patent/CN111969593B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104617590A (zh) * | 2014-07-18 | 2015-05-13 | 国网上海市电力公司 | 不同时间尺度下基于混合储能调度的微网能量优化方法 |
US20190181644A1 (en) * | 2016-09-13 | 2019-06-13 | Korea Electric Power Corporation | Pcs efficiency-considered microgrid operation device and operation method |
CN110417006A (zh) * | 2019-07-24 | 2019-11-05 | 三峡大学 | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112234658B (zh) * | 2020-12-10 | 2021-03-16 | 华东交通大学 | 一种基于ddr-mpc的微网时域滚动优化调度方法 |
CN112234658A (zh) * | 2020-12-10 | 2021-01-15 | 华东交通大学 | 一种基于ddr-mpc的微网时域滚动优化调度方法 |
CN112769156A (zh) * | 2020-12-28 | 2021-05-07 | 南昌大学 | 一种计及大规模海上风电并网的源网荷储协调运行方法 |
CN112769156B (zh) * | 2020-12-28 | 2023-04-07 | 南昌大学 | 一种计及大规模海上风电并网的源网荷储协调运行方法 |
WO2023272939A1 (zh) * | 2021-06-29 | 2023-01-05 | 中南大学 | 牵引变流器热性能动态优化控制方法及系统 |
CN114118532A (zh) * | 2021-11-06 | 2022-03-01 | 深圳供电局有限公司 | 孤岛微网的调度方法、装置、计算机设备、存储介质 |
CN114580864A (zh) * | 2022-02-21 | 2022-06-03 | 石河子大学 | 针对综合能源系统的多元储能分配方法、系统及设备 |
CN114580864B (zh) * | 2022-02-21 | 2023-12-05 | 石河子大学 | 针对综合能源系统的多元储能分配方法、系统及设备 |
CN114362256A (zh) * | 2022-03-16 | 2022-04-15 | 深圳市泽天数控机床有限公司 | 基于电池储能系统的混合可再生能源电厂优化方法 |
CN115062259A (zh) * | 2022-06-15 | 2022-09-16 | 国网山东省电力公司冠县供电公司 | 一种基于多维度的微电网状态评估方法及系统 |
CN115189377A (zh) * | 2022-08-01 | 2022-10-14 | 四川大学 | 基于光伏发电量预测的微网优化调度方法、装置和设备 |
CN115189377B (zh) * | 2022-08-01 | 2023-04-18 | 四川大学 | 基于光伏发电量预测的微网优化调度方法、装置和设备 |
CN116488223A (zh) * | 2023-06-26 | 2023-07-25 | 湖南大学 | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 |
CN117060468A (zh) * | 2023-08-03 | 2023-11-14 | 华能罗源发电有限责任公司 | 基于改进nsga-ii算法的储能调峰容量优化配置方法及系统 |
CN117060468B (zh) * | 2023-08-03 | 2024-06-11 | 华能罗源发电有限责任公司 | 基于改进nsga-ii算法的储能调峰容量优化配置方法及系统 |
CN118249479A (zh) * | 2024-05-28 | 2024-06-25 | 西安热工研究院有限公司 | 一种智能温度管理的超容储能方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111969593B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111969593B (zh) | 基于混合储能的热电联供微网模型预测控制优化调度方法 | |
Yang et al. | Modelling and optimal energy management for battery energy storage systems in renewable energy systems: A review | |
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
Yousri et al. | Integrated model for optimal energy management and demand response of microgrids considering hybrid hydrogen-battery storage systems | |
Roslan et al. | Scheduling controller for microgrids energy management system using optimization algorithm in achieving cost saving and emission reduction | |
CN107958300B (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
Zhang et al. | An improved charging/discharging strategy of lithium batteries considering depreciation cost in day-ahead microgrid scheduling | |
CN112465181A (zh) | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 | |
CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
Dong et al. | Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm | |
Rabe et al. | Assessment of energy storage for energy strategies development on a regional scale | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
CN116054250A (zh) | 一种储能分组的风光储耦合制氢系统调度方法 | |
Kumar et al. | Sensitivity analysis based multi-objective economic emission dispatch in microgrid | |
Alam et al. | Energy management by scheduling ESS with active demand response in low voltage grid | |
Talebi et al. | A Review of Battery Energy Storage System Optimization: Current State-Of-The-Art and Future Trends | |
Zhu et al. | Isolated Microgrid Capacity Configuration Considering Economic Risk of Customer Interruption | |
Mahmud et al. | Load forecasting based dynamic pricing model for power sharing in solar home systems | |
Kazari et al. | Predictive Utilization of Energy Storage for Wind Power Fluctuation Mitigation | |
Montazeri et al. | Optimal technical and economical operation of microgrids through the implementation of sequential quadratic programming algorithm | |
Luo et al. | The dynamic multi-objective optimal dispatch of grid-connected micro grid | |
Trairat et al. | Optimal Dispatch of Cogeneration with Thermal and Battery Energy Storage for BEMS Subject to Load Demand Uncertainty | |
Iraklis et al. | Optimal Scheduling of Synthetic Reserves Provided by Virtual Power Plants | |
Adeyemo et al. | Sizing of energy storage for spinning reserve and efficiency increase in isolated power systems within a stochastic unit commitment framework |
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 |