CN111969593B - 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 PDF

Info

Publication number
CN111969593B
CN111969593B CN202010724923.7A CN202010724923A CN111969593B CN 111969593 B CN111969593 B CN 111969593B CN 202010724923 A CN202010724923 A CN 202010724923A CN 111969593 B CN111969593 B CN 111969593B
Authority
CN
China
Prior art keywords
power
optimization
scheduling
time
day
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.)
Active
Application number
CN202010724923.7A
Other languages
English (en)
Other versions
CN111969593A (zh
Inventor
黄鑫
杨晓辉
徐青山
陈再星
芮松宏
李诗颖
蔡英澜
魏鹏
张洋阳
罗志将
余杰
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.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN202010724923.7A priority Critical patent/CN111969593B/zh
Publication of CN111969593A publication Critical patent/CN111969593A/zh
Application granted granted Critical
Publication of CN111969593B publication Critical patent/CN111969593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003Load forecast, e.g. methods or systems for forecasting future load demand
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/26Arrangements for eliminating or reducing asymmetry in polyphase networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381Dispersed generators
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20The dispersed energy generation being of renewable origin
    • H02J2300/22The renewable source being solar energy
    • H02J2300/24The renewable source being solar energy of photovoltaic origin
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20The dispersed energy generation being of renewable origin
    • H02J2300/28The renewable source being wind energy
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • Y02E10/56Power conversion systems, e.g. maximum power point trackers
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/50Arrangements 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

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
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:
Figure BDA0002601321590000021
从状态转换开始至t时刻所积蓄的能量:
Figure BDA0002601321590000022
则t时刻的放电深度可表示为:
Figure BDA0002601321590000023
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:
Figure BDA0002601321590000024
因此蓄电池的退化成本可表示为:
Figure BDA0002601321590000025
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:
Figure BDA0002601321590000026
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:
Figure BDA0002601321590000031
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:
Figure BDA0002601321590000032
Figure BDA0002601321590000033
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:
Figure BDA0002601321590000034
Figure BDA0002601321590000035
Figure BDA00026013215900000312
Figure BDA0002601321590000036
Figure BDA0002601321590000037
式中,
Figure BDA0002601321590000038
为交换功率上下限,
Figure BDA00026013215900000313
为蓄电池充放电功率上下限,
Figure BDA0002601321590000039
为蓄电池荷电状态上下限,
Figure BDA00026013215900000310
为蓄电池荷电状态的初始和结束状态。
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)
Figure BDA00026013215900000311
Figure BDA0002601321590000041
Figure BDA0002601321590000042
式中,Psc(tDI)为超级电容器的充放电功率,
Figure BDA0002601321590000043
为超级电容器荷电状态上下限,
Figure BDA0002601321590000044
为超级电容器荷电状态的初始和结束状态。
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:
Figure BDA0002601321590000045
Figure BDA0002601321590000046
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:
Figure BDA0002601321590000047
若随机变异概率小于Pm,则位置更新如下:
Figure BDA0002601321590000048
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:
Figure BDA0002601321590000051
从状态转换开始至t时刻所积蓄的能量:
Figure BDA0002601321590000052
则t时刻的放电深度可表示为:
Figure BDA0002601321590000053
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:
Figure BDA0002601321590000054
因此蓄电池的退化成本可表示为:
Figure BDA0002601321590000055
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:
Figure BDA0002601321590000056
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:
Figure BDA0002601321590000061
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:
Figure BDA0002601321590000062
Figure BDA0002601321590000063
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:
Figure BDA0002601321590000064
Figure BDA0002601321590000065
Figure BDA0002601321590000069
Figure BDA0002601321590000066
Figure BDA0002601321590000067
式中,
Figure BDA0002601321590000068
为交换功率上下限,
Figure BDA00026013215900000610
为蓄电池充放电功率上下限,
Figure BDA0002601321590000071
为蓄电池荷电状态上下限,
Figure BDA0002601321590000072
为蓄电池荷电状态的初始和结束状态。
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)
Figure BDA0002601321590000073
Figure BDA0002601321590000074
Figure BDA0002601321590000075
式中,Psc(tDI)为超级电容器的充放电功率,
Figure BDA0002601321590000076
为超级电容器荷电状态上下限,
Figure BDA0002601321590000077
为超级电容器荷电状态的初始和结束状态。
(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:
Figure BDA0002601321590000078
Figure BDA0002601321590000079
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:
Figure BDA00026013215900000710
若随机变异概率小于Pm,则位置更新如下:
Figure BDA00026013215900000711
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 (4)

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)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:
Figure FDA0003529902220000011
从状态转换开始至t时刻所积蓄的能量:
Figure FDA0003529902220000012
则t时刻的放电深度可表示为:
Figure FDA0003529902220000013
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:
Figure FDA0003529902220000014
因此蓄电池的退化成本可表示为:
Figure FDA0003529902220000015
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:
Figure FDA0003529902220000021
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:
Figure FDA0003529902220000022
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,λgas、λbio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:
Figure FDA0003529902220000023
Figure FDA0003529902220000024
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都是惩罚成本系数。
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:
Figure FDA0003529902220000031
Figure FDA0003529902220000032
Figure FDA0003529902220000033
Figure FDA0003529902220000034
Figure FDA0003529902220000035
式中,
Figure FDA0003529902220000036
为交换功率上下限,
Figure FDA0003529902220000037
为蓄电池充放电功率上下限,
Figure FDA0003529902220000038
为蓄电池荷电状态上下限,
Figure FDA0003529902220000039
为蓄电池荷电状态的初始和结束状态;
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)
Figure FDA00035299022200000310
Figure FDA00035299022200000311
Figure FDA00035299022200000312
式中,Psc(tDI)为超级电容器的充放电功率,
Figure FDA00035299022200000313
为超级电容器荷电状态上下限,
Figure FDA00035299022200000314
为超级电容器荷电状态的初始和结束状态。
CN202010724923.7A 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 Active CN111969593B (zh)

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 CN111969593A (zh) 2020-11-20
CN111969593B true 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)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
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
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
CN113381635A (zh) * 2021-06-29 2021-09-10 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
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
CN114362256B (zh) * 2022-03-16 2022-06-17 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
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
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

Citations (2)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101795301B1 (ko) * 2016-09-13 2017-11-08 한국전력공사 Pcs 효율을 고려한 마이크로그리드 운영장치 및 운영방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
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

Also Published As

Publication number Publication date
CN111969593A (zh) 2020-11-20

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
Hou et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load
El-Bidairi et al. A hybrid energy management and battery size optimization for standalone microgrids: A case study for Flinders Island, Australia
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
Yousri et al. Integrated model for optimal energy management and demand response of microgrids considering hybrid hydrogen-battery storage systems
CN107565607B (zh) 一种基于实时电价机制的微电网多时间尺度能量调度方法
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
CN105207259B (zh) 基于能量管理的并网状态下的微电网系统调度方法
CN114221338B (zh) 考虑电源灵活性和互补性的多能源电力系统优化调度方法
Gupta et al. Economic analysis and design of stand-alone wind/photovoltaic hybrid energy system using Genetic algorithm
Tomin et al. Deep reinforcement learning for energy microgrids management considering flexible energy sources
Zhang et al. Energy optimal management of microgrid with high photovoltaic penetration
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
Shafiullah et al. 3 community microgrid energy scheduling based on the grey wolf optimization algorithm
Ren et al. Multi-objective optimal dispatching of virtual power plants considering source-load uncertainty in V2G mode
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
Alam et al. Energy management by scheduling ESS with active demand response in low voltage grid
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
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
Kazari et al. Predictive Utilization of Energy Storage for Wind Power Fluctuation Mitigation
Kumar et al. Sensitivity analysis based multi-objective economic emission dispatch in microgrid

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