CN112001578A - 一种适用于广义储能资源优化调度方法及系统 - Google Patents

一种适用于广义储能资源优化调度方法及系统 Download PDF

Info

Publication number
CN112001578A
CN112001578A CN202010633806.XA CN202010633806A CN112001578A CN 112001578 A CN112001578 A CN 112001578A CN 202010633806 A CN202010633806 A CN 202010633806A CN 112001578 A CN112001578 A CN 112001578A
Authority
CN
China
Prior art keywords
energy storage
time
virtual
generalized
transferable
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
Application number
CN202010633806.XA
Other languages
English (en)
Inventor
杨波
庄俊
余豪杰
陶琼
崔红芬
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN202010633806.XA priority Critical patent/CN112001578A/zh
Publication of CN112001578A publication Critical patent/CN112001578A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供的一种适用于广义储能资源优化调度方法及系统，包括：获取广义储能资源中各资源相关的数据；基于各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；将识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；其中，广义储能资源依据一定区域内广义储能的大数据统计信息进行分类，包括：储能设备和具有储能特性的可控负荷；并分别建立其响应特性模型，同时将所得模型作为约束条件应用于微网范围内的优化经济调度中，为区域广义储能资源调控管理提供依据，实现了准确高效低成本调度资源实现用户侧资源的动态整合、负荷的削峰填谷以及可再生能源的有效消纳。

Description

一种适用于广义储能资源优化调度方法及系统
技术领域
本发明涉及电力储能资源的调度，具体涉及一种适用于广义储能资源优化调度方法及系统。
背景技术
能源互联网的核心理念是利用多种灵活性资源来解决高比例可再生能源带来的随机性问题，而未来负荷侧广义储能资源将在其中占据较大的比例。实际上，负荷侧广义资源起源于需求响应技术，目前需求响应技术广泛应用于负荷侧，用户针对市场价格或者激励机制作出响应并改变正常的电力消费模式，从而产生大量开放互动的灵活性资源，通过对这些灵活性资源有序调度与优化布点可以实现用户侧资源的动态整合、负荷的削峰填谷以及可再生能源的有效消纳。其特点与功能与实际储能类似，因此通常将实际储能与具有储能特性的可控负荷定义为广义储能。
负荷侧广义储能资源的通用建模是实现能源互联网规划、调度的基础，而其经济调度则是实现广义储能资源高效利用的关键。广义储能资源主要包括用户侧储能、电动汽车、智能楼宇等。通过对这些资源的分类、调控特性分析以及概率分布分析等，得到负荷侧广义储能资源的模型。于是其可以广泛应用于未来大规模广义储能资源的调度与调控，通过削峰填谷、紧急功率响应等服务于电网。进一步可以将其应用于规划之中，实现规划运行一体化优化。同时负荷侧广义储能资源模型可以与大数据分析方法结合，用于评估和预测广义储能资源的调控潜力。
目前需求响应技术广泛应用于负荷侧，用户针对市场价格或者激励机制作出响应并改变正常的电力消费模式，从而产生大量开放互动的灵活性资源，缺少一种通过对这些灵活性资源有序调度与优化布点可以实现用户侧资源的动态整合、负荷的削峰填谷以及可再生能源的有效消纳的方法。
发明内容
为了解决现有技术中缺少对用户侧资源的动态整合、负荷的削峰填谷以及可再生能源的有效消纳的方法的技术问题，本发明提供一种适用于广义储能资源优化调度方法，包括：
获取广义储能资源中各资源相关的数据；
基于所述各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；
将所述识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；
其中，所述广义储能资源包括：储能设备和具有储能特性的可控负荷；所述微网调度优化模型以各广义储能资源响应特性模型为约束条件。
优选的，其特征在于，所述微网调度优化模型的构建，包括：
基于各广义储能资源响应特性模型构建运行约束条件；
以运行成本经济最优为目标构建目标函数。
优选的，所述广义储能资源响应特性模型，包括：为储能设备构建的实际储能模型和为具有储能特性的可控负荷构建的虚拟储能模型；
其中，所述虚拟储能模型包括：可转移虚拟储能响应特性模型、可平移虚拟储能响应特性模型和可削减虚拟储能响应特性模型。
优选的，所述基于所述各资源相关的数据以及预先定义的各类广义储能资源响应特性模型进行辨识得到各模型识别参数，包括：
获取区域中涉及的广义储能资源形式，并统计各种资源的用电特性与用能行为相关的大数据；
将所述各种资源的用电特性与用能行为相关的大数据结合各广义储能资源响应特性模型进行辨识，得到各广义储能资源响应特性模型的识别参数；
其中所述辨识方法包括：数据处理、聚类和机器学习；
所述可转移虚拟储能响应特性模型识别参数包括：每个储能时变响应功率矩阵中的最小时变响应功率，每个储能时变响应功率矩阵中的最大时变响应功率，每个可转移时间的起始值；每个可转移时间的终止值；
所述可平移虚拟储能响应特性模型识别参数包括：每个可转移时间的起始值；每个可转移时间的终止值；
所述可削减虚拟储能响应特性模型识别参数包括：αi，
Figure BDA0002567002170000021
实际储能模型参数：
Figure BDA0002567002170000031
SOCi,min，SOCi,max。
优选的，所述约束条件，还包括：
Figure BDA0002567002170000032
式中，
Figure BDA0002567002170000033
为电网供电功率；
Figure BDA0002567002170000034
为i节点处分布式发电功率；
Figure BDA0002567002170000035
为i节点处储能的时变响应功率；
Figure BDA0002567002170000036
为i节点处可转移虚拟储能的时变响应功率；
Figure BDA0002567002170000037
为第k个可平移虚拟储能的时变响应功率；
Figure BDA0002567002170000038
为第l个可平移虚拟储能响应功率；
Figure BDA0002567002170000039
为；Ui,t为i节点处电压幅值；Ui,max为i节点处电压幅值的最大值；Ui,min为i节点处电压幅值的最小值。
优选的，所述实际储能模型，如下式所示：
Figure BDA00025670021700000310
式中，i为配电网节点编号；t为时间；T为总的调度时段；
Figure BDA00025670021700000311
为第i个储能t时刻储能的电荷量；
Figure BDA00025670021700000312
为第i个储能t-1时刻储能的电荷量；
Figure BDA00025670021700000313
为第i个储能的额定容量；
Figure BDA00025670021700000314
为第i个充放电效率；SOCi,min为第i个储能荷电状态最小值；SOCi，max为第i个储能荷电状态最大值；Δt为调度间隔；
Figure BDA00025670021700000315
为第i个储能t时刻储能的时变响应功率；
Figure BDA00025670021700000316
为第i个储能的时变响应功率矩阵；
Figure BDA00025670021700000317
为第i个储能时变响应功率矩阵中的最小时变响应功率；
Figure BDA00025670021700000318
为第i个储能时变响应功率矩阵中的最大时变响应功率。
优选的，所述可转移虚拟储能响应特性模型，如下式所示：
Figure BDA0002567002170000041
式中，T为总的调度时段；Δt为调度间隔；
Figure BDA0002567002170000042
为第j个可转移虚拟储能响应矩阵；
Figure BDA0002567002170000043
为第j个储能t时刻可转移虚拟储能的时变响应功率；yj,t第j个储能t时刻为优化中可转移负荷的决策变量；Yj为第j个优化中可转移负荷的决策变量矩阵；
Figure BDA0002567002170000044
为第j个可转移时间的起始值；
Figure BDA0002567002170000045
为第j个可转移时间的终止值；*为共轭；
Figure BDA0002567002170000046
为第j个可转移虚拟储能响应矩阵中最小时变响应功率；
Figure BDA0002567002170000047
为第j个可转移虚拟储能响应矩阵中最大时变响应功率；Tj为第j个可转移虚拟储能响应调度时段。
优选的，所述可平移虚拟储能响应特性模型，如下式所示：
Figure BDA0002567002170000048
式中，T为总的调度时段；Δt为调度间隔；为第k个可平移虚拟储能响应功率矩阵；Xk第k个为可平移负荷的决策变量矩阵；xk,t为第k个储能t时刻可平移负荷的决策变量；
Figure BDA0002567002170000051
为第k个储能t时刻可平移虚拟储能的时变响应功率；
Figure BDA0002567002170000052
为第j个可转移时间的起始值；
Figure BDA0002567002170000053
为第j个可转移时间的终止值；
Figure BDA0002567002170000054
为第k个初始平移时刻；sk为第k个可平移负荷每个平移时段变量。
优选的，所述可削减虚拟储能响应特性模型，如下式所示：
Figure BDA0002567002170000055
式中，T为总的调度时段；Δt为调度间隔；
Figure BDA0002567002170000056
为第k个储能t时刻可平移虚拟储能响应功率；
Figure BDA0002567002170000057
为第k个可平移虚拟储能响应功率矩阵；Zl为第l个可削减负荷的决策变量矩阵；zl,t为第l个储能t时刻可削减负荷的决策变量；al为第l个可削减负荷的削减率；
Figure BDA0002567002170000058
为第l个可削减负荷的最小削减时间；
Figure BDA0002567002170000059
为第l个可削减负荷的最大削减时间；*为共轭。
优选的，所述目标函数，如下式所示：
Figure BDA00025670021700000510
式中，
Figure BDA00025670021700000511
为第i个实际储能t时刻成本；
Figure BDA00025670021700000512
为第j个可转移型虚拟储能t时刻成本；
Figure BDA00025670021700000513
为第k个可平移型虚拟储能t时刻成本；
Figure BDA00025670021700000514
为第l个可削减型虚拟储能t时刻成本；
Figure BDA00025670021700000515
为第t时刻外网购电成本；
其中：
所述实际储能成本的计算式如下：
Figure BDA00025670021700000516
式中，
Figure BDA0002567002170000061
为实际储能成本；
Figure BDA0002567002170000062
为储能的时变响应功率i为储能的第i个；t为时间；T为总的调度时段；
所述可转移型虚拟储能成本的计算式如下：
Figure BDA0002567002170000063
式中，
Figure BDA0002567002170000064
为第j个可转移型虚拟储能成本；
Figure BDA0002567002170000065
可转移虚拟储能的时变响应功率；
Figure BDA0002567002170000066
为可转移时间的起始值；
Figure BDA0002567002170000067
为可转移时间的终止值；
Figure BDA0002567002170000068
*为共轭；
Figure BDA0002567002170000069
为可转移型虚拟储能成本；
所述可平移型虚拟储能成本的计算式如下：
Figure BDA00025670021700000610
Figure BDA00025670021700000611
式中，
Figure BDA00025670021700000612
为可平移型虚拟储能成本；
Figure BDA00025670021700000613
为可转移时间的起始值；
Figure BDA00025670021700000614
为可转移时间的终止值；
Figure BDA00025670021700000615
为可转移时间的总和；xk,t为可平移负荷的决策变量；
Figure BDA00025670021700000616
为第k个可平移虚拟储能总响应功率；
所述可削减型虚拟储能成本
Figure BDA00025670021700000617
如下式计算：
Figure BDA00025670021700000618
式中，
Figure BDA00025670021700000619
为可削减型虚拟储能成本；zl,t为可削减负荷的决策变量；al为可削减负荷的削减率；
Figure BDA00025670021700000620
为；
所述外网购电成本
Figure BDA00025670021700000621
如下式计算：
Figure BDA0002567002170000071
式中，
Figure BDA0002567002170000072
为外网购电成本；Δt为调度间隔。
基于同一种发明构思，本发明还提供一种适用于广义储能资源优化调度系统，包括：
获取模块，用于获取广义储能资源中各资源相关的数据；
参数识别模块，用于基于所述各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；
优化模块，用于将所述识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；
其中，所述广义储能资源包括：储能设备和具有储能特性的可控负荷；所述微网调度优化模型以各广义储能资源响应特性模型为约束条件。
与现有技术相比，本发明的有益效果为：
本发明提供的一种适用于广义储能资源优化调度方法及系统，包括：获取广义储能资源中各资源相关的数据；基于所述各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；将所述识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；其中，所述广义储能资源依据一定区域内广义储能的大数据统计信息进行分类，包括：储能设备和具有储能特性的可控负荷；并分别建立其响应特性模型，同时将所得模型作为约束条件应用于微网范围内的优化经济调度中，为区域广义储能资源调控管理提供依据，实现了准确高效低成本调度资源实现用户侧资源的动态整合、负荷的削峰填谷以及可再生能源的有效消纳。
附图说明
图1为本发明的优化调度方法流程图；
图2为本发明的广义储能资源的建模与优化调度方法流程图；
图3为本发明的虚拟储能的分类示例图；
图4为本发明的虚拟储能调度响应特性示例图；
图5为本发明的微网内分布式电源的典型日出力曲线示例图；
图6为本发明的优化调度系统结构示意图。
具体实施方式
负荷侧广义储能资源的通用建模是实现能源互联网规划、调度的基础，而其经济调度则是实现广义储能资源高效利用的关键。广义储能资源主要包括用户侧储能、电动汽车、智能楼宇等。通过对这些资源的分类、调控特性分析以及概率分布分析等，得到负荷侧广义储能资源的模型。于是其可以广泛应用于未来大规模广义储能资源的调度与调控，通过削峰填谷、紧急功率响应等服务于电网。进一步可以将其应用于规划之中，实现规划运行一体化优化。同时负荷侧广义储能资源模型可以与大数据分析方法结合，用于评估和预测广义储能资源的调控潜力。
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：
如图1所示，本发明提供
S1获取广义储能资源中各资源相关的数据；
S2基于所述各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；
S3将所述识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；
其中，所述广义储能资源包括：储能设备和具有储能特性的可控负荷；所述微网调度优化模型以各广义储能资源响应特性模型为约束条件。
每一步的具体过程如图2所示：
1、调研与统计待研究区域涉及的泛在广义储能资源形式，通过智能电表、移动传感装置监测与收集各种资源的用能大数据。
2、将该地区所统计的广义储能资源分为实际储能和虚拟储能两大类，实际储能包括多种电储能、化学储能等。而虚拟储能从调度响应特性可以进一步分为可平移类型、可转移类型和可削减类型，而按照能量互动方式和用户/设备类型，其分类结果又不尽相同。实际分类情况如图3所示。
3、对不同类别的广义储能资源总结归纳其响应特性模型，确定其响应功率
Figure BDA0002567002170000091
的表达式，其表达式描述主要根据图4所示的多种类型资源响应特性曲线所确定的，其具体的表达式分别如下，
实际储能模型：
Figure BDA0002567002170000092
式中，i为配电网节点编号；t为时间；T为总的调度时段；
Figure BDA0002567002170000093
为第i个储能t时刻储能的电荷量；
Figure BDA0002567002170000094
为第i个储能t-1时刻储能的电荷量；
Figure BDA0002567002170000095
为第i个储能的额定容量；
Figure BDA0002567002170000096
为第i个充放电效率；SOCi,min为第i个储能荷电状态最小值；SOCi，max为第i个储能荷电状态最大值；Δt为调度间隔；
Figure BDA0002567002170000097
为第i个储能t时刻储能的时变响应功率；
Figure BDA0002567002170000098
为第i个储能的时变响应功率矩阵；
Figure BDA0002567002170000099
为第i个储能时变响应功率矩阵中的最小时变响应功率；
Figure BDA00025670021700000910
为第i个储能时变响应功率矩阵中的最大时变响应功率。
可转移虚拟储能响应特性模型：
Figure BDA0002567002170000101
式中，T为总的调度时段；Δt为调度间隔；
Figure BDA0002567002170000102
为第j个可转移虚拟储能响应矩阵；
Figure BDA0002567002170000103
为第j个储能t时刻可转移虚拟储能的时变响应功率；yj,t第j个储能t时刻为优化中可转移负荷的决策变量；Yj为第j个优化中可转移负荷的决策变量矩阵；
Figure BDA0002567002170000104
为第j个可转移时间的起始值；
Figure BDA0002567002170000105
为第j个可转移时间的终止值；*为共轭；
Figure BDA0002567002170000106
为第j个可转移虚拟储能响应矩阵中最小时变响应功率；
Figure BDA0002567002170000107
为第j个可转移虚拟储能响应矩阵中最大时变响应功率；Tj为第j个可转移虚拟储能响应调度时段。
可平移虚拟储能响应特性模型：
Figure BDA0002567002170000108
式中，T为总的调度时段；Δt为调度间隔；为第k个可平移虚拟储能响应功率矩阵；Xk第k个为可平移负荷的决策变量矩阵；xk,t为第k个储能t时刻可平移负荷的决策变量；
Figure BDA0002567002170000109
为第k个储能t时刻可平移虚拟储能的时变响应功率；
Figure BDA0002567002170000111
为第j个可转移时间的起始值；
Figure BDA0002567002170000112
为第j个可转移时间的终止值；
Figure BDA0002567002170000113
为第k个初始平移时刻；sk为第k个可平移负荷每个平移时段变量。
可削减虚拟储能响应特性模型：
Figure BDA0002567002170000114
式中，T为总的调度时段；Δt为调度间隔；
Figure BDA0002567002170000115
为第k个储能t时刻可平移虚拟储能响应功率；
Figure BDA0002567002170000116
为第k个可平移虚拟储能响应功率矩阵；Zl为第l个可削减负荷的决策变量矩阵；zl,t为第l个储能t时刻可削减负荷的决策变量；al为第l个可削减负荷的削减率；
Figure BDA0002567002170000117
为第l个可削减负荷的最小削减时间；
Figure BDA0002567002170000118
为第l个可削减负荷的最大削减时间；*为共轭。
4、根据1中收集的大数据，通过数据处理、聚类、机器学习等手段实现广义储能资源模型的参数辨识，辨识到核心参数。其具体参数如表1～3所示：
表1可平移型模型参数
Figure BDA0002567002170000119
表2可转移型模型参数
Figure BDA00025670021700001110
表3可削减型模型参数
Figure BDA00025670021700001111
Figure BDA0002567002170000121
5、将已得到辨识后广义储能资源模型纳入微网层级的经济调度中。微网的最高有功负荷为3715MW，微网内包含多种可转移、可平移和可削减负荷，同时还有分布式电源(光伏和风机)接入，其典型日出力曲线如图5所示。然后充分考虑各个元件的运行约束条件，建立以经济最优为目标的优化模型：
Figure BDA0002567002170000122
其价格参数同见表1～3，
Figure BDA0002567002170000123
为电网供电功率；
Figure BDA0002567002170000124
为i节点处分布式发电功率；
Figure BDA0002567002170000125
为i节点处储能的时变响应功率；
Figure BDA0002567002170000126
为i节点处可转移虚拟储能的时变响应功率；
Figure BDA0002567002170000127
为第k个可平移虚拟储能的时变响应功率；
Figure BDA0002567002170000128
为第l个可平移虚拟储能响应功率；
Figure BDA0002567002170000129
为；Ui,t为i节点处电压幅值；Ui,max为i节点处电压幅值的最大值；Ui,min为i节点处电压幅值的最小值。
6、通过常见的混合整数优化算法如分支定界法、内点法等或者直接利用商业优化软件CPLEX等求解经济调度策略与经济运行成本。所示是实际微网区域内各类负荷调度前功率曲线，而图6对应的则是调度后功率曲线。可以看出：三种虚拟储能资源在调度前后都满足各自的特性，同时通过比较调度前后的曲线可以看出原负荷曲线的三个峰值都得到一定程度的削减，而且调度后起到了一定的削峰填谷的效果。外网购电量从3715MW降至3570MW。
实施例2：
为了实现上述方法，本发明还提供一种适用于广义储能资源优化调度方法及系统，包括：获取模块，用于获取广义储能资源中各资源相关的数据；
参数识别模块，用于基于所述各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；
优化模块，用于将所述识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；
其中，所述广义储能资源包括：储能设备和具有储能特性的可控负荷；所述微网调度优化模型以各广义储能资源响应特性模型为约束条件。
本实施例还包括微网调度优化模型模块，用于构建广义储能资源响应特性模型。
广义储能资源响应特性模型包括：为储能设备构建的实际储能模型和为具有储能特性的可控负荷构建的虚拟储能模型；
其中，所述虚拟储能模型包括：可转移虚拟储能响应特性模型、可平移虚拟储能响应特性模型和可削减虚拟储能响应特性模型。
微网调度优化模型模块中对各模型设定计算式具体为实施例1的计算式。
显然，所描述的实施例是本发明一部分实施例，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它实施例，都属于本发明保护的范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (11)

1.一种适用于广义储能资源优化调度方法，其特征在于，包括：
获取广义储能资源中各资源相关的数据；
基于所述各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；
将所述识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；
其中，所述广义储能资源包括：储能设备和具有储能特性的可控负荷；所述微网调度优化模型以各广义储能资源响应特性模型为约束条件。
2.如权利要求1所述的一种适用于广义储能资源优化调度方法，其特征在于，所述微网调度优化模型的构建，包括：
基于各广义储能资源响应特性模型构建运行约束条件；
以运行成本经济最优为目标构建目标函数。
3.如权利要求1或2所述的一种适用于广义储能资源优化调度方法，其特征在于，所述广义储能资源响应特性模型，包括：为储能设备构建的实际储能模型和为具有储能特性的可控负荷构建的虚拟储能模型；
其中，所述虚拟储能模型包括：可转移虚拟储能响应特性模型、可平移虚拟储能响应特性模型和可削减虚拟储能响应特性模型。
4.如权利要求3所述的一种适用于广义储能资源优化调度方法，其特征在于，所述基于所述各资源相关的数据以及预先定义的各类广义储能资源响应特性模型进行辨识得到各模型识别参数，包括：
获取区域中涉及的广义储能资源形式，并统计各种资源的用电特性与用能行为相关的大数据；
将所述各种资源的用电特性与用能行为相关的大数据结合各广义储能资源响应特性模型进行辨识，得到各广义储能资源响应特性模型的识别参数；
其中所述辨识方法包括：数据处理、聚类和机器学习；
所述可转移虚拟储能响应特性模型识别参数包括：各可转移虚拟储能最小时变响应功率、最大时变响应功率、可转移时间的起始值和可转移时间的终止值；
所述可平移虚拟储能响应特性模型识别参数包括：各可转移时间的起始值和终止值；
所述可削减虚拟储能响应特性模型识别参数包括：各可削减负荷的削减率、最小削减时间和最大削减时间；
实际储能模型参数包括：各储能设备的充放电效率、最小时变响应功率、最大时变响应功率、荷电状态最大值和最小值。
5.如权利要求3所述的一种适用于广义储能资源优化调度方法，其特征在于，所述约束条件包括：
Figure FDA0002567002160000021
Ui,min≤Ui,t≤Ui,max
Figure FDA0002567002160000022
式中，
Figure FDA0002567002160000023
为电网供电功率；
Figure FDA0002567002160000024
为i节点处分布式发电功率；
Figure FDA0002567002160000025
为i节点处储能的时变响应功率；
Figure FDA0002567002160000026
为i节点处可转移虚拟储能的时变响应功率；
Figure FDA0002567002160000027
为第k个可平移虚拟储能的时变响应功率；
Figure FDA0002567002160000028
为第l个可平移虚拟储能响应功率；
Figure FDA0002567002160000029
为；Ui,t为i节点处电压幅值；Ui,max为i节点处电压幅值的最大值；Ui,min为i节点处电压幅值的最小值。
6.如权利要求4所述的一种适用于广义储能资源优化调度方法，其特征在于，所述实际储能模型，如下式所示：
Figure FDA00025670021600000210
式中，i为配电网节点编号；t为时间；T为总的调度时段；
Figure FDA00025670021600000211
为第i个储能t时刻储能的电荷量；
Figure FDA00025670021600000212
为第i个储能t-1时刻储能的电荷量；
Figure FDA00025670021600000213
为第i个储能的额定容量；
Figure FDA00025670021600000214
为第i个充放电效率；SOCi,min为第i个储能荷电状态最小值；SOCi，max为第i个储能荷电状态最大值；Δt为调度间隔；
Figure FDA0002567002160000031
为第i个储能t时刻储能的时变响应功率；Pi ess为第i个储能的时变响应功率矩阵；
Figure FDA0002567002160000032
为第i个储能时变响应功率矩阵中的最小时变响应功率；
Figure FDA0002567002160000033
为第i个储能时变响应功率矩阵中的最大时变响应功率。
7.如权利要求4所述的一种适用于广义储能资源优化调度方法，其特征在于，所述可转移虚拟储能响应特性模型，如下式所示：
Figure FDA0002567002160000034
式中，T为总的调度时段；Δt为调度间隔；
Figure FDA0002567002160000035
为第j个可转移虚拟储能响应矩阵；
Figure FDA0002567002160000036
为第j个储能t时刻可转移虚拟储能的时变响应功率；yj,t第j个储能t时刻为优化中可转移负荷的决策变量；Yj为第j个优化中可转移负荷的决策变量矩阵；
Figure FDA0002567002160000037
为第j个可转移时间的起始值；
Figure FDA0002567002160000038
为第j个可转移时间的终止值；*为共轭；
Figure FDA0002567002160000039
为第j个可转移虚拟储能响应矩阵中最小时变响应功率；
Figure FDA00025670021600000310
为第j个可转移虚拟储能响应矩阵中最大时变响应功率；Tj为第j个可转移虚拟储能响应调度时段。
8.如权利要求4所述的一种适用于广义储能资源优化调度方法，其特征在于，所述可平移虚拟储能响应特性模型，如下式所示：
Figure FDA0002567002160000041
式中，T为总的调度时段；Δt为调度间隔；为第k个可平移虚拟储能响应功率矩阵；Xk第k个为可平移负荷的决策变量矩阵；xk,t为第k个储能t时刻可平移负荷的决策变量；
Figure FDA0002567002160000042
为第k个储能t时刻可平移虚拟储能的时变响应功率；
Figure FDA0002567002160000043
为第j个可转移时间的起始值；
Figure FDA0002567002160000044
为第j个可转移时间的终止值；
Figure FDA0002567002160000045
为第k个初始平移时刻；sk为第k个可平移负荷每个平移时段变量。
9.如权利要求4所述的一种适用于广义储能资源优化调度方法，其特征在于，所述可削减虚拟储能响应特性模型，如下式所示：
Figure FDA0002567002160000046
式中，T为总的调度时段；Δt为调度间隔；
Figure FDA0002567002160000047
为第k个储能t时刻可平移虚拟储能响应功率；
Figure FDA0002567002160000048
为第k个可平移虚拟储能响应功率矩阵；Zl为第l个可削减负荷的决策变量矩阵；zl,t为第l个储能t时刻可削减负荷的决策变量；al为第l个可削减负荷的削减率；
Figure FDA0002567002160000049
为第l个可削减负荷的最小削减时间；
Figure FDA00025670021600000410
为第l个可削减负荷的最大削减时间；*为共轭。
10.如权利要求2所述的一种适用于广义储能资源优化调度方法，其特征在于，所述目标函数，如下式所示：
Figure FDA0002567002160000051
式中，
Figure FDA0002567002160000052
为第i个实际储能t时刻成本；
Figure FDA0002567002160000053
为第j个可转移型虚拟储能t时刻成本；
Figure FDA0002567002160000054
为第k个可平移型虚拟储能t时刻成本；
Figure FDA0002567002160000055
为第l个可削减型虚拟储能t时刻成本；
Figure FDA0002567002160000056
为第t时刻外网购电成本；
其中：
所述实际储能成本的计算式如下：
Figure FDA0002567002160000057
式中，
Figure FDA0002567002160000058
为实际储能成本；
Figure FDA0002567002160000059
为储能的时变响应功率i为储能的第i个；t为时间；T为总的调度时段；
所述可转移型虚拟储能成本的计算式如下：
Figure FDA00025670021600000510
式中，
Figure FDA00025670021600000511
为第j个可转移型虚拟储能成本；
Figure FDA00025670021600000512
可转移虚拟储能的时变响应功率；
Figure FDA00025670021600000513
为可转移时间的起始值；
Figure FDA00025670021600000514
为可转移时间的终止值；
Figure FDA00025670021600000515
*为共轭；
Figure FDA00025670021600000516
为可转移型虚拟储能成本；
所述可平移型虚拟储能成本的计算式如下：
Figure FDA00025670021600000517
Figure FDA00025670021600000518
式中，
Figure FDA0002567002160000061
为可平移型虚拟储能成本；
Figure FDA0002567002160000062
为可转移时间的起始值；
Figure FDA0002567002160000063
为可转移时间的终止值；
Figure FDA0002567002160000064
为可转移时间的总和；xk,t为可平移负荷的决策变量；
Figure FDA0002567002160000065
为第k个可平移虚拟储能总响应功率；
所述可削减型虚拟储能成本
Figure FDA0002567002160000066
如下式计算：
Figure FDA0002567002160000067
式中，
Figure FDA0002567002160000068
为可削减型虚拟储能成本；zl,t为可削减负荷的决策变量；al为可削减负荷的削减率；
Figure FDA0002567002160000069
为；
所述外网购电成本
Figure FDA00025670021600000610
如下式计算：
Figure FDA00025670021600000611
式中，
Figure FDA00025670021600000612
为外网购电成本；Δt为调度间隔。
11.一种适用于广义储能资源优化调度系统，其特征在于，包括：
获取模块，用于获取广义储能资源中各资源相关的数据；
参数识别模块，用于基于所述各资源相关的数据以及预先定义的各广义储能资源响应特性模型进行辨识得到各广义储能资源响应特性模型识别参数；
优化模块，用于将所述识别参数带入预先构建的微网调度优化模型进行优化求解得到最优运行策略；
其中，所述广义储能资源包括：储能设备和具有储能特性的可控负荷；所述微网调度优化模型以各广义储能资源响应特性模型为约束条件。
CN202010633806.XA 2020-07-02 2020-07-02 一种适用于广义储能资源优化调度方法及系统 Pending CN112001578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010633806.XA CN112001578A (zh) 2020-07-02 2020-07-02 一种适用于广义储能资源优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010633806.XA CN112001578A (zh) 2020-07-02 2020-07-02 一种适用于广义储能资源优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN112001578A true CN112001578A (zh) 2020-11-27

Family

ID=73467363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010633806.XA Pending CN112001578A (zh) 2020-07-02 2020-07-02 一种适用于广义储能资源优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN112001578A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336651A (zh) * 2022-01-04 2022-04-12 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN117175647A (zh) * 2023-11-02 2023-12-05 江苏龙擎动力科技股份有限公司 一种应用于微电网的新能源储能方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336651A (zh) * 2022-01-04 2022-04-12 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN114336651B (zh) * 2022-01-04 2023-08-01 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN117175647A (zh) * 2023-11-02 2023-12-05 江苏龙擎动力科技股份有限公司 一种应用于微电网的新能源储能方法及系统
CN117175647B (zh) * 2023-11-02 2024-01-30 江苏龙擎动力科技股份有限公司 一种应用于微电网的新能源储能方法及系统

Similar Documents

Publication Publication Date Title
Mei et al. Game approaches for hybrid power system planning
CN107947165A (zh) 一种面向调节需求的配电网灵活性评价方法
Yao et al. A novel category-specific pricing strategy for demand response in microgrids
CN108429256A (zh) 电力系统运行优化方法及终端设备
CN110930051A (zh) 基于大数据分析的居民需求响应潜力分析系统及方法
CN112001578A (zh) 一种适用于广义储能资源优化调度方法及系统
Li et al. A sustainable and user-behavior-aware cyber-physical system for home energy management
Zhu et al. Stochastic economic dispatching strategy of the active distribution network based on comprehensive typical scenario set
CN112365090A (zh) 一种基于深度学习的非入侵式用电负荷识别方法及装置
Zhu et al. Energy optimal dispatch of the data center microgrid based on stochastic model predictive control
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN113935856A (zh) 电能的控制方法及其装置、处理器、计算机可读存储介质
CN104112168B (zh) 一种基于多代理系统的智能家居优化方法
Alikhani et al. Optimal implementation of consumer demand response program with consideration of uncertain generation in a microgrid
Gangwar et al. Management of energy storage dispatch in unbalanced distribution networks using opendss
Li et al. Optimization scheduling model based on source-load-energy storage coordination in power systems
CN110826776A (zh) 一种配网线变关系识别中基于动态规划的初始解优化方法
CN112928755A (zh) 光伏储能系统的控制方法、装置及存储介质
Chang et al. Research of power consumers behavior using fuzzy c-means algorithm
CN107657397B (zh) 基于配电网节点电价分解的分布式资源经济价值剖析方法
Feng et al. Design of Comprehensive Energy System Considering Anomaly Detection of Multi-Energy Data
CN117910626B (zh) 一种基于物联网的智能家居能源管理方法
Harit et al. Quantification of Power System Flexibility: A Review
CN116722547B (zh) 虚拟电厂需求响应调控方法、装置、设备及存储介质
CN115528687B (zh) 一种有限成本约束下的电力系统柔性响应能力优化方法

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