CN112202206A - 一种基于势博弈的多能源微网分布式调度方法 - Google Patents

一种基于势博弈的多能源微网分布式调度方法 Download PDF

Info

Publication number
CN112202206A
CN112202206A CN202010943858.7A CN202010943858A CN112202206A CN 112202206 A CN112202206 A CN 112202206A CN 202010943858 A CN202010943858 A CN 202010943858A CN 112202206 A CN112202206 A CN 112202206A
Authority
CN
China
Prior art keywords
energy
gas
network
sub
natural gas
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
CN202010943858.7A
Other languages
English (en)
Inventor
邵崇
张少华
樊豆
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010943858.7A priority Critical patent/CN112202206A/zh
Publication of CN112202206A publication Critical patent/CN112202206A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)

Abstract

本发明涉及一种基于势博弈的多能源微网分布式调度方法，能兼顾不同能源运营者的利益，提高其决策自主性，针对具有电能、气能以及G2P、P2G、储能等装置的多能源微网系统，把其调度问题建模为各子网之间的博弈问题，建立基于势博弈的多能源微网调度模型，并构造势函数。本发明使多能源微网内各子网的自主性和经济性得到有效提高，更符合实际情况，而且模型中G2P、P2G的引入能够有效提高系统整体的经济性。本发明旨在处理多能源微网调度中存在的信息复杂性和不对称问题，并实现各能源子网运营者决策的自主性，为多能源微网的管理者寻求多能源分布式调度的最优策略提供解决方案。

Description

一种基于势博弈的多能源微网分布式调度方法
技术领域
本发明涉及多能源微网的分布式调度方法，具体涉及利用基于势博弈和IAPSO(Improved Agent-based Particle Swarm Optimization)的分布式算法解决多能源微网调度中存在的信息不对称问题，并实现各能源子网运营者决策的自主性，保护各决策主体的信息安全，其属于综合能源系统，博弈论，智能算法等多学科交叉领域。
背景技术
随着风力发电、光伏发电等技术的快速发展，分布式新能源的利用日益受到关注。而微电网作为分布式电源与大电网之间的桥梁，是一种将分布式电源(微电源)、储能装置、电力负荷、控制保护系统、电力电子技术以及通信技术等有效整合在一起的小型供电系统，既可脱离主网实现孤岛运行，也可通过公共连接点并网运行。而能源转换、存储技术的变革使得各类能源系统间的互补耦合运行成为可能。随着能源需求的增加和新能源装机比例的不断提升，愈加需要各种能源网络的协同运行，在能源互联网的发展背景下，多能源网络的联合调度将成为能源互联网的重要基础支撑。随着电转气(power-to-gas，P2G)、气转电(gas-to-power，G2P)技术日趋成熟，在电力系统与天然气系统间搭建起了新桥梁，使规模较大的电、气能源互联系统在多能源微网中占据举足轻重的作用，因此研究具有电能、天然气等多种能源的微网系统调度模型能够为系统降低成本、安全运行提供合理有效的决策依据，有助于综合能源系统的构建与完善。
博弈论的引入在一定程度上提高了微网中各能源运营者的自主性和智能性。博弈论是指在一定条件下，研究多个个体或团队之间相互作用的理论和方法，决策者要根据对方的决定，选择自己的最佳战略，达到利润最佳的目的。博弈根据能否达成具有约束力的协议，分为合作博弈和非合作博弈。非合作博弈主要研究在利益相互影响的局势中如何决策使自身收益最大，势博弈就是非合作博弈的一种特殊形式，其与分布式思想相契合。
目前能源互联微网中电力和天然气系统联合调度的相关研究以集中式调度为主，但集中式调度对数据的传输、通信和处理能力要求较高，且不能保护各主体的信息隐私安全，而且由于传统的各类能源存在行业壁垒，未来虽然可能出现综合能源服务公司，但仍会存在大量公司分别运营不同层级、不同类型、不同环节的能源和设备，多个运营主体存在信息不对称、决策目标各异等问题。随着能源互联规模的扩大，分布式算法对上述问题的解决能够起到积极作用。实现综合能源系统的分布式调度还有利于提高系统的运行效率和可扩展性，具有较高的研究价值，因此，如何处理多能源微网调度中存在的信息复杂性和不对称问题，成为亟待突破的关键。
发明内容
为了解决上述存在的问题，本发明涉及一种基于势博弈的多能源微网分布式调度方法，旨在处理多能源微网调度中存在的信息复杂性和不对称问题，并实现各能源子网运营者决策的自主性，为多能源微网的管理者寻求多能源分布式调度的最优策略提供解决方案。
为了实现上述目的，本发明采用如下技术方案：
一种基于势博弈的多能源微网分布式调度方法，其特征在于：构建多能源微网系统由一个电能子网和一个天然气子网组成，电能子网拥有分布式光伏资源、储能设备以及柴油发电机组，并与外部配电网相连接；气能子网拥有储气装置，并与外部天然气管道相连接；两网分别通过G2P和P2G技术实现电—气流动，并通过唯一的信息处理中心—能源路由器进行通讯，其中假设同一时段子网只能在P2G和G2P两种方式中选择其一；所述多能源微网分布式调度方法如下：
(1)首先，能源路由器根据G2P和P2G设备的出力限制条件确定两子网交互量的范围并发送给两个子网的调度中心，各子网根据已知信息完成独立决策，获得各分布式能源的出力情况；
(2)然后两个子网各自向能源路由器提交电—气交互计划，其中，电能子网提交P2G的出力计划，气能子网提交G2P的出力计划，由能源路由器更新交互信息并发送给各子网。电能子网根据G2P出力更新调度方案，气能子网根据P2G出力更新调度方案。以此类推，直到双方的交互计划达成一致，则得出最终的微网调度方案。
优选地，在本发明中，考虑到电能子网、气能子网调度模型通常具有较复杂，约束较多，具有多维、非线性特点，需要求解一个多时段耦合的多维非线性规划问题，因此根据目前主流的智能优化算法存在的问题，提出一种改进的基于智能体的粒子群优化算法(IAPSO，Improved Agent-based Particle Swarm Optimization)，来提高在多峰函数中的寻优能力。
优选地，考虑到该多能源微网中两个子网决策的自主性以及实际环境中信息的不对称性，探索了基于势博弈理论的多能源微网分布式调度模型，势博弈的特性保证了无论是从势函数的层面求解模型还是从子网的决策目标角度求解模型，都可获得纳什均衡解，两者等价，因此构建的势博弈模型与分布式计算相契合，可采用基于IAPSO的结构分布式算法进行求解。
上述改进的基于智能体的粒子群优化算法(IAPSO)能克服基本的粒子群优化算法不能同时兼顾收敛速度和收敛精度，不易跳出局部最优，在高维多峰函数中寻优能力不足等缺点。
本发明的IAPSO算法对粒子群优化算法做出如下改进：
(a)将粒子视为具有一定智能行为的智能体，整个粒子群则相当于智能体系统，在物理空间上具有固定的拓扑结构，假设粒子群的拓扑结构为四边形结构(Von Neumann结构)，每个粒子在物理空间上具有固定的坐标，优选粒子ia的邻居为以自身为中心的周围8个粒子；设置算法控制参数，导入微电网模型参数，考虑出力约束条件，初始化粒子群中每个粒子的位置向量p和速度向量v，初始化个体最优值与全局最优值；同时引入群体竞争机制，加强了粒子间的信息交流，在保留群体进化的同时增加了个体自我进化，提高算法的搜索能力、寻优精度和鲁棒性；
(b)为了减小群体竞争算子的复杂度，提高学习效率，设定粒子只能够向邻域内的最优邻居进行学习，根据拓扑结构，每个粒子与其周围8个邻居进行竞争学习操作；具体实现方式为：
首先确定每个粒子的邻居，求取粒子ia各个邻居的适应值，然后筛选出适应值最优的邻居j，再与第ia个粒子进行比较；若不输给最优邻居，则粒子在解空间的位置保持不变；若输给最优邻居，则向其学习，并按下式进行更新：
Figure BDA0002674590760000031
式中：k表示算法当前迭代步数；rand为取自(0,1)的均匀随机数；μ为粒子向最优邻居学习的学习系数；
Figure BDA0002674590760000032
为最优邻居粒子j第d维的位置；
Figure BDA0002674590760000033
表示第ia个粒子向邻居粒子学习前第d维的位置；
该更新公式使粒子在解空间的位置有机会接近或超过邻居，并且保证其位置各元素学习的灵活性，使其不完全受邻居信息约束，降低陷入局部最优的风险；
随着迭代次数的增加，固定的结构可能会造成不同区域间的粒子适应度产生分化，部分区域粒子的平均适应度较高，部分区域粒子的平均适应度则较低，从而影响邻域竞争学习的效率；为了克服智能体粒子群算法的这一缺陷，IAPSO在每经过一定的迭代次数后调整部分粒子在系统中的位置，增强流动性；设定每经过N0次迭代，调整部分粒子在系统拓扑结构中的位置；假设调整概率为P1，若粒子被选中进行位置调整，则在拓扑结构中有50％概率和与其关于主对角线对称的粒子对调位置，另有50％概率和与其关于次对角线对称的粒子对调位置；该操作可防止不同区域间的粒子适应度产生分化而导致竞争学习效率下降；
(c)为了增强对全局最优解的搜寻能力，采用自适应权重法：
对于适应度较大的粒子减小其惯性权重，增强小范围的寻优能力；对于适应度较小的粒子增大惯性权重，使其加快向更优位置靠近，提高前期的搜索效率；按照粒子群算法的更新公式来完成整体进化，惯性权重系数更新公式如下所示：
Figure BDA0002674590760000041
式中；favg、fbest分别表示当前粒子群适应度的平均值和全局最优值；
当粒子适应度f小于平均值时，赋予其较大的惯性权重系数，w0即初始惯性权重；当粒子适应度高于平均值时，惯性权重系数线性递减至终止惯性权重w1；这能够避免w在迭代前期递减过快而造成算法早熟；
(d)此外，该算法还加入了遗传算法中的杂交变异环节；设定杂交的概率为P2，选中的粒子进行两两杂交，产生相同数量的子代粒子来代替父代粒子，经过越界处理后更新pbest和gbest；假设第k次迭代中粒子ia、粒子j被选中执行杂交操作，则粒子子代的位置变为：
Figure BDA0002674590760000042
式中：ia、j为进行杂交操作的父代粒子，产生的子代粒子ia’替换父代粒子ia；
Figure BDA0002674590760000043
表示粒子ia杂交后产生的子代粒子ia’的第d维的位置；
Figure BDA0002674590760000044
表示粒子i杂交前第d维的位置；n取自(0,1)的均匀随机数。
本发明算法加入遗传算法中的杂交变异环节使粒子有一定概率通过与随机粒子进行信息交换来改变自身位置，增加跳出局部最优的概率，避免早熟收敛。
上述势博弈是一种非合作博弈，在非合作博弈过程中，当所有理性决策者都得到自身最优策略且达到稳定时，则该博弈达到纳什均衡点。因此，若能求得纳什均衡点，就可确定多能源微网调度模型的最佳策略。但并非所有博弈都存在可求解的均衡点，需要证明纳什均衡的存在性。因为势博弈由其属性保证了纳什均衡的存在，若能证明本文博弈模型为严格势博弈，则能够减少证明的复杂性，降低建立模型的难度，因此研究基于势博弈的博弈行为具有重要的意义。严格势博弈须满足以下三个属性：
属性一：若博弈Φ的势函数为P，则任一决策者效用函数发生变化，势函数会发生等量改变。当决策者策略空间相同时，效用函数为P的博弈Ω与博弈Φ具有相同的纳什均衡解。
属性二：具有有限改进特性。
属性三：能通过有限步数收敛到纳什均衡点。
因此只需证明所建的博弈模型满足以上三个条件，即可推得均衡解的存在性。本发明考虑到多能源微网中各子网决策的自主性，把多能源微网经济调度问题建模为各子网之间的博弈问题，建立各子网的决策模型，并通过构造势函数，来说明该博弈问题均衡解的存在性。
优选地，在进行多能源微网调度过程中，即在多能源微网调度博弈中由于每个子网的调度策略均会对系统整体效益产生影响，单一子网调度策略的改变会影响另一子网的调度策略及效益，通过G2P和P2G的交互量互相影响，单一子网要保证自身效益最优就要考虑其他子网的决策，因此所述决策过程属于一个博弈过程；所述多能源微网的博弈的三要素如下：
(a)博弈参与者：包括电能子网和气能子网；
(b)决策者的策略空间：电能子网决策各时段柴油发电机的出力、储能装置的充放电量、与主电网的交互量以及P2G的功率；气能子网决策各时段与天然气主网的交互量、储气装置的充放气量以及G2P的输气量；
(c)决策者的效用函数：各子网的运行成本函数。
上述电能子网决策模型为：考虑调度周期为T个小时时段，电能子网经济调度模型的目标是使微电网日运行经济成本最低，其中包括：燃料消耗成本、设备运维成本、与大电网的交易成本、对用户参与需求响应的补偿、光伏发电补偿、环境成本以及与天然气子网的交互成本。决策变量为各时段柴油发电机的出力大小、储能装置的充放电大小、与主电网的交互量以及P2G的功率。目标函数如下所示：
Figure BDA0002674590760000051
Figure BDA0002674590760000052
Figure BDA0002674590760000053
CG2P(t)＝FG2P(t)·Cg_G2P (7)
CP2G(t)＝PP2G(t)·Ce_P2G (8)
式中：CFi(t)为t时段第i台柴油发电机的燃料损耗成本；CMi(t)为t时段第i台柴油发电机的运维成本；Cbat(t)为t时段储能装置的老化成本；cgrid为微电网与大电网交易电价，Pgrid(t)为与大电网交互功率；lout(t)为微网电力用户在t时段的负荷转出量，lout(t)>0；λLS_sub为用户负荷转移的补偿价格；μPV为光伏发电补偿价格；qPV(t)为t时段直接供给微电网用户的光伏发电量。式(5)为柴油机i的环境成本计算公式，其中μm，γm为温室气体排放系数，
Figure BDA0002674590760000054
为惩罚价格，Pi(t)为柴油机i的发电功率；FG2P(t)表示t时段天然气子网向电能子网输送的气量；PG2P(t)为t时段G2P的电功率，即燃气发电机组输出功率；PP2G(t)为t时段P2G的电功率，即甲烷反应机组输入功率；一般对于某一时段，PG2P(t)和PP2G(t)不会同时为正；GHV为天然气高热值；αg、βg、γg为燃气发电机的耗量系数；Ce_P2G为P2G的电能单价；Cg_G2P为G2P的天然气单价；CP2G(t)表示t时段电能子网通过P2G卖电给气网的收益；CG2P(t)表示t时段电能子网获取气网通过G2P输送的天然气所产生的成本。
电能子网调度过程需满足以下约束条件：
Figure BDA0002674590760000061
Pi min≤Pi(t)≤Pi max (10)
|Pi(t)-Pi(t-1)|≤ΔPi max (11)
SSOC min≤SSOC(t)≤SSOC max (12)
Figure BDA0002674590760000062
|Pgrid(t)|≤Pgrid max (14)
0≤PP2G(t)≤PP2G max (15)
式(9)表示功率供需平衡关系，Lall(t)为用户电力负荷，Pbat(t)为t时段储能出力，PPV(t)为t时段光伏出力；式(10)表示柴油发电机的输出功率约束；式(11)表示柴油发电机爬坡功率约束；式(12)表示蓄电池荷电状态约束；式(13)表示蓄电池单位时间充放电约束，VESS为储能容量，η为充电效率；式(14)表示微电网与大电网的功率传输约束；式(15)表示P2G的功率约束。
上述气能子网决策模型为：
天然气子网在基于电—气互联的基础上引入储气装置，天然气供应商既可将富余天然气卖给电能子网，也可注入储气装置进行存储，提高其决策的灵活性。考虑调度周期为T个小时时段，天然气子网经济调度模型以与天然气网交易成本、设备维护成本、环境成本以及与电能子网交互成本之和最小为优化目标，决策变量为各时段与天然气主网交互量、储气装置的充放气量以及G2P的输气量。目标函数表示为：
Figure BDA0002674590760000063
其中：
CP2G(t)＝PP2G(t)·Ce_P2G (17)
CG2P(t)＝FG2P(t)·Cg_G2P (18)
Figure BDA0002674590760000071
Figure BDA0002674590760000072
Figure BDA0002674590760000073
COM_g(t)＝KOM_g·PG2P (22)
式中：Fin(t)为t时段天然气外网进气量；cg为天然气子网向外网的购气单价；CP2G(t)表示t时段气能子网通过P2G向电能子网购电的成本；CG2P(t)表示t时段气能子网通过G2P向电能子网输送天然气获得的收益；CEN_g(t)为t时段燃气轮机造成的环境成本，θk为第k种气体排放成本系数，
Figure BDA0002674590760000074
为第k种气体排放因子；COM_g(t)为燃气机组维护成本，KOM_g为燃气机组维护成本系数；式(19)描述了P2G装置天然气与消耗电功率的转化关系，FP2G(t)为天然气商从电能子网购入电能所转化的天然气，ηP2G为P2G的转化效率。
根据所建模型，天然气子网调度过程要满足以下约束条件：
包括气体平衡约束，储气罐运行约束，反应机组运行约束。
FG2P(t)+Lg(t)＝Fin(t)+Fs(t)+FP2G(t) (23)
Gs(t)＝Gs(t-1)+Fs(t) (24)
Fs min≤Fs(t)≤Fs max (25)
Gs min≤Gs(t)≤Gs max (26)
0≤PG2P(t)≤PG2P max (27)
式(23)表示天然气子网气体流量平衡条件，Lg(t)为天然气负荷；(24)—(26)为储气装置中单位时间内气体容量变化约束，GS(t)为t时段储气装置内天然气体积，FS(t)为t时段向储气装置中注入的天然气体积；GS(t)和FS(t)均具有上下限值；(27)表示G2P的功率约束。
优选地，在上述多能源微网调度的势博弈模型中，任何个体的效益改变能够映射到一个全局函数上，该函数就称为势函数。在严格势博弈里，任一个体的效益如果发生了变化，则势函数会产生等量的改变。通过设计势函数使得两个子网的博弈为势博弈。则该博弈中任一个子网通过改变调度策略减少自身的成本，则全局势函数会降低相同成本；通过构造势函数证明，该博弈为严格势博弈，势博弈的特性保证了无论是从势函数的层面求解模型还是从子网的决策目标角度求解模型，都可获得纳什均衡解，两者等价；因此本发明构建的势博弈模型与分布式计算相契合，可采用基于IAPSO的结构分布式算法进行求解。
根据已构建的电能子网和气能子网的成本函数，详见式(4)和(16)，将其简化为如下形式：
Cgas＝Cg+Cpg-Cgp (28)
Cele＝Cp+Cgp-Cpg (29)
Figure BDA0002674590760000081
Figure BDA0002674590760000082
式中：Cpg为P2G的各时段成本之和，Cgp为G2P的各时段成本之和；Cg和Cp分别为气、电子网除了G2P、P2G成本以外的其他调度成本。
由于势博弈模型必然存在纳什均衡，因此只要证明以上多能源微网调度的博弈模型为势博弈，就可证明该博弈模型均衡解的存在性。为了体现电能子网和气能子网在博弈过程中追求自身成本最小化，同时兼顾微网整体成本的优化，考虑构造势函数为：
G(y)＝Cg+αgCpg-βgCgp+Cp+αpCgp-βpCpg (32)
＝Cg+Cp+(αg-βp)Cpg+(αp-βg)Cgp (33)
式中：αg、βg、αp、βp是为了构造势函数而引入的系数；
可以证明，当满足αg–βp＝–1，αp–βg＝–1时，博弈Ψ为严格势博弈。
根据上述说明，本发明构建的势博弈模型与分布式计算相契合，可采用基于IAPSO的结构分布式算法进行求解。
本发明与现有的方法相比较，其如下显而易见的突出的实质性特点和显著的优点：
本发明基于势博弈和IAPSO的分布式算法解决了多能源微网调度中存在的信息不对称问题，避免了大规模的复杂计算，并实现各能源子网运营者决策的自主性，有助于保护其信息安全。本发明中的分布式调度方法具有以下四个实质性优点：
1.本发明基于IAPSO的结构分布式算法能够有效求解所建的势博弈模型，由于该方法中各子网仅与能源路由器交互必要信息，具有较高的自主性，相比集中式调度避免了信息不对称性和求解复杂模型，有效地提高了计算效率，在实际环境中具有更好的应用前景；
2.本发明采用的模型中G2P、P2G的引入能够有效提高系统整体的经济性；本发明提出的基于势博弈理论的多能源微网调度模型能在优化系统整体成本的同时兼顾了各子网的利益，选择在合适的时段增加投入运行的G2P、P2G设备能够实现系统经济效益的最大化；
3.在本发明的分布式调度模式下，增强G2P、P2G转换能力有助于降低并网系统对主网造成的冲击；其中，随着P2G、G2P容量增大，电能子网会减少从大电网处的购电量，提升了系统独立运行能力，对天然气子网PCC处的气量波动则起到“填谷”作用，使气量波动趋于平滑；
4.在本发明的分布式调度模式下，G2P、P2G转换能力的加强不会削弱储能装置的作用，两者的结合有利于提高系统调度的灵活性，从而更好地优化运行成本。
附图说明
图1为本发明的电能和天然气互联系统框架图。
图2为本发明的种群四边形结构图。
图3为本发明的IAPSO算法流程图。
图4为本发明的势博弈模型的分布式求解算法流程图。
图5为本发明的IAPSO、PSO、GAPSO算法求解单一电能子网模型的收敛曲线对比图。
图6为本发明的G2P、P2G收敛曲线图。
图7为本发明的电能子网调度策略图。
图8本发明的天然气子网调度策略图。
图9为本发明的蓄电池荷电状态变化曲线图。
图10为本发明的储气罐气体容量变化曲线图。
具体实施方式：
以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一：
在本实施例中，参见图1，一种基于势博弈的多能源微网分布式调度方法，构建多能源微网系统由一个电能子网和一个天然气子网组成，电能子网拥有分布式光伏资源、储能设备以及柴油发电机组，并与外部配电网相连接；气能子网拥有储气装置，并与外部天然气管道相连接；两网分别通过G2P和P2G技术实现电—气流动，并通过唯一的信息处理中心—能源路由器进行通讯，其中假设同一时段子网只能在P2G和G2P两种方式中选择其一；所述多能源微网分布式调度方法如下：
(1)首先，能源路由器根据G2P和P2G设备的出力限制条件确定两子网交互量的范围，并发送给两个子网的调度中心，各子网根据已知信息完成独立决策，获得各分布式能源的出力情况；
(2)然后两个子网各自向能源路由器提交电—气交互计划，其中，电能子网提交P2G的出力计划，气能子网提交G2P的出力计划，由能源路由器更新交互信息并发送给各子网；电能子网根据G2P出力更新调度方案，气能子网根据P2G出力更新调度方案；以此类推，直到双方的交互计划达成一致，则得出最终的微网调度方案。
本实施例方法处理多能源微网调度中存在的信息复杂性和不对称问题，并实现各能源子网运营者决策的自主性，为多能源微网的管理者寻求多能源分布式调度的最优策略提供解决方案。
实施例二：
本实施例与实施例一基本相同，特别之处在于：
在本实施例中，参见图1，采用改进的基于智能体的粒子群优化算法，来提高在多峰函数中的寻优能力。
在本实施例中，在进行多能源微网调度过程中，通过G2P和P2G的交互量互相影响，单一子网要保证自身效益最优就要考虑其他子网的决策，所述决策过程属于一个博弈过程；所述多能源微网的博弈的三要素如下：
(a)博弈参与者：包括电能子网和气能子网；
(b)决策者的策略空间：电能子网决策各时段柴油发电机的出力、储能装置的充放电量、与主电网的交互量以及P2G的功率；气能子网决策各时段与天然气主网的交互量、储气装置的充放气量以及G2P的输气量；
(c)决策者的效用函数：各子网的运行成本函数。
在本实施例中，在多能源微网调度的势博弈模型中，任何个体的效益改变能够映射到一个全局函数上，该函数就称为势函数；在严格势博弈里，任一个体的效益如果发生了变化，则势函数会产生等量的改变；通过设计势函数，使得两个子网的博弈为势博弈。
本实施例采用的模型中G2P、P2G的引入能够有效提高系统整体的经济性；本发明提出的基于势博弈理论的多能源微网调度模型能在优化系统整体成本的同时兼顾了各子网的利益，选择在合适的时段增加投入运行的G2P、P2G设备能够实现系统经济效益的最大化本实施例方法中各子网仅与能源路由器交互必要信息，具有高自主性，相比集中式调度避免了信息不对称性和求解复杂模型，有效地提高了计算效率，在实际环境中具有更好的应用前景。
实施例三：
本实施例与上述实施例基本相同，特别之处在于：
在本实施例中，参见图1-图10，实施基于势博弈的多能源微网分布式调度方法时，电能子网决策模型为：考虑调度周期为T个小时时段，电能子网经济调度模型的目标是使微电网日运行经济成本最低，其中包括：燃料消耗成本、设备运维成本、与大电网的交易成本、对用户参与需求响应的补偿、光伏发电补偿、环境成本以及与天然气子网的交互成本；决策变量为各时段柴油发电机的出力大小、储能装置的充放电大小、与主电网的交互量以及P2G的功率；目标函数如下所示：
Figure BDA0002674590760000111
Figure BDA0002674590760000112
Figure BDA0002674590760000113
CG2P(t)＝FG2P(t)·Cg_G2P (7)
CP2G(t)＝PP2G(t)·Ce_P2G (8)
式中：CFi(t)为t时段第i台柴油发电机的燃料损耗成本；CMi(t)为t时段第i台柴油发电机的运维成本；Cbat(t)为t时段储能装置的老化成本；cgrid为微电网与大电网交易电价，Pgrid(t)为与大电网交互功率；lout(t)为微网电力用户在t时段的负荷转出量，lout(t)>0；λLS_sub为用户负荷转移的补偿价格；μPV为光伏发电补偿价格；qPV(t)为t时段直接供给微电网用户的光伏发电量；式(5)为柴油机i的环境成本计算公式，其中μm，γm为温室气体排放系数，
Figure BDA0002674590760000114
为惩罚价格，Pi(t)为柴油机i的发电功率；FG2P(t)表示t时段天然气子网向电能子网输送的气量；PG2P(t)为t时段G2P的电功率，即燃气发电机组输出功率；PP2G(t)为t时段P2G的电功率，即甲烷反应机组输入功率；一般对于某一时段，PG2P(t)和PP2G(t)不会同时为正；GHV为天然气高热值；αg、βg、γg为燃气发电机的耗量系数；Ce_P2G为P2G的电能单价；Cg_G2P为G2P的天然气单价；CP2G(t)表示t时段电能子网通过P2G卖电给气网的收益；CG2P(t)表示t时段电能子网获取气网通过G2P输送的天然气所产生的成本；
电能子网调度过程需满足以下约束条件：
Figure BDA0002674590760000121
Pi min≤Pi(t)≤Pi max (10)
|Pi(t)-Pi(t-1)|≤ΔPi max (11)
SSOC min≤SSOC(t)≤SSOC max (12)
Figure BDA0002674590760000122
|Pgrid(t)|≤Pgrid max (14)
0≤PP2G(t)≤PP2G max (15)
式(9)表示功率供需平衡关系，Lall(t)为用户电力负荷，Pbat(t)为t时段储能出力，PPV(t)为t时段光伏出力；式(10)表示柴油发电机的输出功率约束；式(11)表示柴油发电机爬坡功率约束；式(12)表示蓄电池荷电状态约束；式(13)表示蓄电池单位时间充放电约束；式(14)表示微电网与大电网的功率传输约束；式(15)表示P2G的功率约束；
气能子网决策模型为：天然气子网在基于电—气互联的基础上引入储气装置，天然气供应商既可将富余天然气卖给电能子网，或采用注入储气装置进行存储，提高其决策的灵活性；考虑调度周期为T个小时时段，天然气子网经济调度模型以与天然气网交易成本、设备维护成本、环境成本以及与电能子网交互成本之和最小为优化目标，决策变量为各时段与天然气主网交互量、储气装置的充放气量以及G2P的输气量；目标函数表示为：
Figure BDA0002674590760000123
其中：
CP2G(t)＝PP2G(t)·Ce_P2G (17)
CG2P(t)＝FG2P(t)·Cg_G2P (18)
Figure BDA0002674590760000124
Figure BDA0002674590760000125
Figure BDA0002674590760000131
COM_g(t)＝KOM_g·PG2P (22)
式中：Fin(t)为t时段天然气外网进气量；cg为天然气子网向外网的购气单价；CP2G(t)表示t时段气能子网通过P2G向电能子网购电的成本；CG2P(t)表示t时段气能子网通过G2P向电能子网输送天然气获得的收益；CEN_g(t)为t时段燃气轮机造成的环境成本，θk为第k种气体排放成本系数，
Figure BDA0002674590760000132
为第k种气体排放因子；COM_g(t)为燃气机组维护成本，KOM_g为燃气机组维护成本系数；式(19)描述了P2G装置天然气与消耗电功率的转化关系，FP2G(t)为天然气商从电能子网购入电能所转化的天然气，ηP2G为P2G的转化效率；
根据所建模型，天然气子网调度过程要满足以下约束条件：
包括气体平衡约束，储气罐运行约束，反应机组运行约束；
FG2P(t)+Lg(t)＝Fin(t)+Fs(t)+FP2G(t) (23)
Gs(t)＝Gs(t-1)+Fs(t) (24)
Fs min≤Fs(t)≤Fs max (25)
Gs min≤Gs(t)≤Gs max (26)
0≤PG2P(t)≤PG2P max (27)
式(23)表示天然气子网气体流量平衡条件，Lg(t)为天然气负荷；式(24)—(26)为储气装置中单位时间内气体容量变化约束，GS(t)为t时段储气装置内天然气体积，FS(t)为t时段向储气装置中注入的天然气体积；GS(t)和FS(t)均具有上下限值；式(27)表示G2P的功率约束。
本实施例基于势博弈的多能源微网分布式调度方法，随着多能源微网的发展，多能互补运行作为未来能源链的关键技术之一，对改善微网的经济性，提高新能源消纳能力等方面具有积极意义。在此背景下，为了兼顾不同能源运营者的利益，提高其决策自主性，针对具有电能、气能以及G2P(gas-to-power)、P2G(power-to-gas)、储能等装置的多能源微网系统，把其调度问题建模为各子网之间的博弈问题，建立基于势博弈的多能源微网调度模型，并通过构造势函数，来说明博弈均衡的存在性。其次，考虑到电能子网、气能子网调度模型通常具有较复杂，约束较多，具有多维、非线性等特点，因此根据目前主流的智能优化算法存在的问题，本实施例采用改进的基于智能体的粒子群优化算法(IAPSO，ImprovedAgent-based Particle Swarm Optimization)来提高在多峰函数中的寻优能力，且考虑到实际环境中信息的不对称性，利用势博弈模型与分布式计算相契合的特点，提出基于IAPSO的结构分布式算法求解模型，实现电—气协同调度。
本实施例使多能源微网内各子网的自主性和经济性得到有效提高，更符合实际情况，而且模型中G2P、P2G的引入能够有效提高系统整体的经济性，在所提分布式调度模式下，增强G2P、P2G的转化能力还有助于降低并网系统对主网造成的冲击，有利于提高系统调度的灵活性。本实施例旨在处理多能源微网调度中存在的信息复杂性和不对称问题，并实现各能源子网运营者决策的自主性，为多能源微网的管理者寻求多能源分布式调度的最优策略提供解决方案。
实施例四：
本实施例与上述实施例基本相同，特别之处在于：
在本实施例中，采用多能源微网分布式调度方法，结合附图说明如下：
如图1所示为具有电能、天然气等多种能源的微网系统框架，其中引入气、电储能装置，两子网分别通过气转电(G2P)和电转气(P2G)方法实现电—气交互，并通过唯一的信息处理中心进行通讯，能源中心采用能源路由器。
为了兼顾各决策者利益的同时避免实际环境中信息的复杂性和不对称性，本实施例考虑到多能源微网中各子网决策的自主性，把多能源微网经济调度问题建模为各子网之间的博弈问题，建立基于势博弈的多能源微网调度模型，并通过构造势函数，来说明博弈均衡的存在性。
子网决策模型的求解方法采用IAPSO算法，最后利用构建的势博弈模型与分布式计算相契合的特点，采用基于IAPSO的结构分布式算法进行求解，实现电—气协同调度，算法流程图如图4所示。
本实施例多能源微网及各子网的日运行情况见表1。
表1.多能源微网及各子网的日运行经济成本
Figure BDA0002674590760000141
本实施例采用的模型中G2P、P2G的引入能够有效提高系统整体的经济性；本实施例提出的基于势博弈理论的多能源微网调度模型能在优化系统整体成本的同时兼顾了各子网的利益，选择在合适的时段增加投入运行的G2P、P2G设备能够实现系统经济效益的最大化；在本实施例的分布式调度模式下，G2P、P2G转换能力的加强不会削弱储能装置的作用，两者的结合有利于提高系统调度的灵活性，从而更好地优化运行成本。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。

Claims (5)

1.一种基于势博弈的多能源微网分布式调度方法，其特征在于：构建多能源微网系统由一个电能子网和一个天然气子网组成，电能子网拥有分布式光伏资源、储能设备以及柴油发电机组，并与外部配电网相连接；气能子网拥有储气装置，并与外部天然气管道相连接；两网分别通过G2P和P2G技术实现电—气流动，并通过唯一的信息处理中心—能源路由器进行通讯，其中假设同一时段子网只能在P2G和G2P两种方式中选择其一；所述多能源微网分布式调度方法如下：
(1)首先，能源路由器根据G2P和P2G设备的出力限制条件确定两子网交互量的范围，并发送给两个子网的调度中心，各子网根据已知信息完成独立决策，获得各分布式能源的出力情况；
(2)然后两个子网各自向能源路由器提交电—气交互计划，其中，电能子网提交P2G的出力计划，气能子网提交G2P的出力计划，由能源路由器更新交互信息并发送给各子网；电能子网根据G2P出力更新调度方案，气能子网根据P2G出力更新调度方案；以此类推，直到双方的交互计划达成一致，则得出最终的微网调度方案。
2.根据权利要求1所述基于势博弈的多能源微网分布式调度方法，其特征在于：采用改进的基于智能体的粒子群优化算法，来提高在多峰函数中的寻优能力。
3.根据权利要求1所述基于势博弈的多能源微网分布式调度方法，其特征在于：在进行多能源微网调度过程中，通过G2P和P2G的交互量互相影响，单一子网要保证自身效益最优就要考虑其他子网的决策，所述决策过程属于一个博弈过程；所述多能源微网的博弈的三要素如下：
(a)博弈参与者：包括电能子网和气能子网；
(b)决策者的策略空间：电能子网决策各时段柴油发电机的出力、储能装置的充放电量、与主电网的交互量以及P2G的功率；气能子网决策各时段与天然气主网的交互量、储气装置的充放气量以及G2P的输气量；
(c)决策者的效用函数：各子网的运行成本函数。
4.根据权利要求1所述基于势博弈的多能源微网分布式调度方法，其特征在于：在多能源微网调度的势博弈模型中，任何个体的效益改变能够映射到一个全局函数上，该函数就称为势函数；在严格势博弈里，任一个体的效益如果发生了变化，则势函数会产生等量的改变；通过设计势函数，使得两个子网的博弈为势博弈。
5.根据权利要求1所述基于势博弈的多能源微网分布式调度方法，其特征在于，电能子网决策模型为：考虑调度周期为T个小时时段，电能子网经济调度模型的目标是使微电网日运行经济成本最低，其中包括：燃料消耗成本、设备运维成本、与大电网的交易成本、对用户参与需求响应的补偿、光伏发电补偿、环境成本以及与天然气子网的交互成本；决策变量为各时段柴油发电机的出力大小、储能装置的充放电大小、与主电网的交互量以及P2G的功率；目标函数如下所示：
Figure FDA0002674590750000021
Figure FDA0002674590750000022
Figure FDA0002674590750000023
CG2P(t)＝FG2P(t)·Cg_G2P (7)
CP2G(t)＝PP2G(t)·Ce_P2G (8)
式中：CFi(t)为t时段第i台柴油发电机的燃料损耗成本；CMi(t)为t时段第i台柴油发电机的运维成本；Cbat(t)为t时段储能装置的老化成本；cgrid为微电网与大电网交易电价，Pgrid(t)为与大电网交互功率；lout(t)为微网电力用户在t时段的负荷转出量，lout(t)>0；λLS_sub为用户负荷转移的补偿价格；μPV为光伏发电补偿价格；qPV(t)为t时段直接供给微电网用户的光伏发电量；式(5)为柴油机i的环境成本计算公式，其中μm，γm为温室气体排放系数，
Figure FDA0002674590750000024
为惩罚价格，Pi(t)为柴油机i的发电功率；FG2P(t)表示t时段天然气子网向电能子网输送的气量；PG2P(t)为t时段G2P的电功率，即燃气发电机组输出功率；PP2G(t)为t时段P2G的电功率，即甲烷反应机组输入功率；一般对于某一时段，PG2P(t)和PP2G(t)不会同时为正；GHV为天然气高热值；αg、βg、γg为燃气发电机的耗量系数；Ce_P2G为P2G的电能单价；Cg_G2P为G2P的天然气单价；CP2G(t)表示t时段电能子网通过P2G卖电给气网的收益；CG2P(t)表示t时段电能子网获取气网通过G2P输送的天然气所产生的成本；
电能子网调度过程需满足以下约束条件：
Figure FDA0002674590750000025
Pi min≤Pi(t)≤Pi max (10)
|Pi(t)-Pi(t-1)|≤ΔPi max (11)
SSOC min≤SSOC(t)≤SSOC max (12)
Figure FDA0002674590750000031
|Pgrid(t)|≤Pgrid max (14)
0≤PP2G(t)≤PP2G max (15)
式(9)表示功率供需平衡关系，Lall(t)为用户电力负荷，Pbat(t)为t时段储能出力，PPV(t)为t时段光伏出力；式(10)表示柴油发电机的输出功率约束；式(11)表示柴油发电机爬坡功率约束；式(12)表示蓄电池荷电状态约束；式(13)表示蓄电池单位时间充放电约束，VESS为储能容量，η为充电效率；式(14)表示微电网与大电网的功率传输约束；式(15)表示P2G的功率约束；
气能子网决策模型为：天然气子网在基于电—气互联的基础上引入储气装置，天然气供应商既可将富余天然气卖给电能子网，或采用注入储气装置进行存储，提高其决策的灵活性；考虑调度周期为T个小时时段，天然气子网经济调度模型以与天然气网交易成本、设备维护成本、环境成本以及与电能子网交互成本之和最小为优化目标，决策变量为各时段与天然气主网交互量、储气装置的充放气量以及G2P的输气量；目标函数表示为：
Figure FDA0002674590750000032
其中：
CP2G(t)＝PP2G(t)·Ce_P2G (17)
CG2P(t)＝FG2P(t)·Cg_G2P (18)
Figure FDA0002674590750000033
Figure FDA0002674590750000034
Figure FDA0002674590750000035
COM_g(t)＝KOM_g·PG2P (22)
式中：Fin(t)为t时段天然气外网进气量；cg为天然气子网向外网的购气单价；CP2G(t)表示t时段气能子网通过P2G向电能子网购电的成本；CG2P(t)表示t时段气能子网通过G2P向电能子网输送天然气获得的收益；CEN_g(t)为t时段燃气轮机造成的环境成本，θk为第k种气体排放成本系数，
Figure FDA0002674590750000041
为第k种气体排放因子；COM_g(t)为燃气机组维护成本，KOM_g为燃气机组维护成本系数；式(19)描述了P2G装置天然气与消耗电功率的转化关系，FP2G(t)为天然气商从电能子网购入电能所转化的天然气，ηP2G为P2G的转化效率；
根据所建模型，天然气子网调度过程要满足以下约束条件：
包括气体平衡约束，储气罐运行约束，反应机组运行约束；
FG2P(t)+Lg(t)＝Fin(t)+Fs(t)+FP2G(t) (23)
Gs(t)＝Gs(t-1)+Fs(t) (24)
Fs min≤Fs(t)≤Fs max (25)
Gs min≤Gs(t)≤Gs max (26)
0≤PG2P(t)≤PG2P max (27)
式(23)表示天然气子网气体流量平衡条件，Lg(t)为天然气负荷；式(24)—(26)为储气装置中单位时间内气体容量变化约束，GS(t)为t时段储气装置内天然气体积，FS(t)为t时段向储气装置中注入的天然气体积；GS(t)和FS(t)均具有上下限值；式(27)表示G2P的功率约束。
CN202010943858.7A 2020-09-10 2020-09-10 一种基于势博弈的多能源微网分布式调度方法 Pending CN112202206A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010943858.7A CN112202206A (zh) 2020-09-10 2020-09-10 一种基于势博弈的多能源微网分布式调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010943858.7A CN112202206A (zh) 2020-09-10 2020-09-10 一种基于势博弈的多能源微网分布式调度方法

Publications (1)

Publication Number Publication Date
CN112202206A true CN112202206A (zh) 2021-01-08

Family

ID=74014451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010943858.7A Pending CN112202206A (zh) 2020-09-10 2020-09-10 一种基于势博弈的多能源微网分布式调度方法

Country Status (1)

Country Link
CN (1) CN112202206A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052450A (zh) * 2021-03-16 2021-06-29 四川大学 一种适应电能替代发展战略的城市能源互联网规划方法
CN113673750A (zh) * 2021-07-28 2021-11-19 广西大学 一种基于物流业务响应过程的资源调度优化控制方法
CN113807569A (zh) * 2021-08-12 2021-12-17 华南理工大学 一种多源储能型微网的完全分布式协同优化方法
CN114077934A (zh) * 2022-01-19 2022-02-22 国网湖北省电力有限公司经济技术研究院 一种综合能源微网互联系统及其调度方法
CN115953012A (zh) * 2023-03-13 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于多主体双层博弈的乡村光储系统优化调度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120315966A1 (en) * 2011-06-13 2012-12-13 Stmicroelectronics S.R.L. Scheduling method and system, computing grid, and corresponding computer-program product
CN103839109A (zh) * 2013-10-19 2014-06-04 李涛 一种基于博弈纳什均衡的微网电源规划方法
CN105591406A (zh) * 2015-12-31 2016-05-18 华南理工大学 一种基于非合作博弈的微电网能量管理系统的优化算法
CN107844055A (zh) * 2017-11-03 2018-03-27 南京国电南自电网自动化有限公司 一种基于博弈论的冷热电三联供微网系统优化运行方法
US20190089155A1 (en) * 2017-09-20 2019-03-21 Hepu Technology Development (Beijing) Co., Ltd. Energy Internet Router
CN109919452A (zh) * 2019-02-15 2019-06-21 三峡大学 一种基于多主体博弈的电力-天然气综合能源系统联合规划方法
US20200185926A1 (en) * 2017-03-21 2020-06-11 State Grid Tianjin Electric Power Company Method for real-time scheduling of multi-energy complementary micro-grids based on rollout algorithm
CN111293682A (zh) * 2020-02-10 2020-06-16 浙江工业大学 一种基于协同模型预测控制的多微网能量管理方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120315966A1 (en) * 2011-06-13 2012-12-13 Stmicroelectronics S.R.L. Scheduling method and system, computing grid, and corresponding computer-program product
CN103839109A (zh) * 2013-10-19 2014-06-04 李涛 一种基于博弈纳什均衡的微网电源规划方法
CN105591406A (zh) * 2015-12-31 2016-05-18 华南理工大学 一种基于非合作博弈的微电网能量管理系统的优化算法
US20200185926A1 (en) * 2017-03-21 2020-06-11 State Grid Tianjin Electric Power Company Method for real-time scheduling of multi-energy complementary micro-grids based on rollout algorithm
US20190089155A1 (en) * 2017-09-20 2019-03-21 Hepu Technology Development (Beijing) Co., Ltd. Energy Internet Router
CN107844055A (zh) * 2017-11-03 2018-03-27 南京国电南自电网自动化有限公司 一种基于博弈论的冷热电三联供微网系统优化运行方法
CN109919452A (zh) * 2019-02-15 2019-06-21 三峡大学 一种基于多主体博弈的电力-天然气综合能源系统联合规划方法
CN111293682A (zh) * 2020-02-10 2020-06-16 浙江工业大学 一种基于协同模型预测控制的多微网能量管理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王晛等: "基于分布式算法的含微电网电力供应侧市场均衡分析", 系统工程理论与实践, vol. 40, no. 4, pages 1016 - 1030 *
王涛等: "计及电转气技术的一种区域综合能源优化方法", 西华大学学报(自然科学版), vol. 39, no. 4, pages 97 - 103 *
邵崇等: "Optimal Dispatch of Grid-connected Microgrid Considering Incentive-based Demand Response", 2019 IEEE 8TH INTERNATIONAL CONFERENCE ON ADVANCED POWER SYSTEM AUTOMATION AND PROTECTION (APAP), vol. 2019 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052450A (zh) * 2021-03-16 2021-06-29 四川大学 一种适应电能替代发展战略的城市能源互联网规划方法
CN113052450B (zh) * 2021-03-16 2022-08-16 四川大学 一种适应电能替代发展战略的城市能源互联网规划方法
CN113673750A (zh) * 2021-07-28 2021-11-19 广西大学 一种基于物流业务响应过程的资源调度优化控制方法
CN113673750B (zh) * 2021-07-28 2023-10-20 广西大学 一种基于物流业务响应过程的资源调度优化控制方法
CN113807569A (zh) * 2021-08-12 2021-12-17 华南理工大学 一种多源储能型微网的完全分布式协同优化方法
CN113807569B (zh) * 2021-08-12 2024-04-16 华南理工大学 一种多源储能型微网的完全分布式协同优化方法
CN114077934A (zh) * 2022-01-19 2022-02-22 国网湖北省电力有限公司经济技术研究院 一种综合能源微网互联系统及其调度方法
CN114077934B (zh) * 2022-01-19 2022-04-22 国网湖北省电力有限公司经济技术研究院 一种综合能源微网互联系统及其调度方法
CN115953012A (zh) * 2023-03-13 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于多主体双层博弈的乡村光储系统优化调度方法

Similar Documents

Publication Publication Date Title
CN111881616B (zh) 一种基于多主体博弈的综合能源系统的运行优化方法
CN112202206A (zh) 一种基于势博弈的多能源微网分布式调度方法
JP7261507B2 (ja) 電気ヒートポンプ－熱電併給システムを最適化する調整方法及びシステム
Chen et al. Research on day-ahead transactions between multi-microgrid based on cooperative game model
CN105703369B (zh) 一种多能耦合输配网最优能量流建模及求解方法
CN109980685A (zh) 一种考虑不确定性的主动配电网分布式优化运行方法
CN107706921B (zh) 基于纳什博弈的微电网电压调节方法和装置
CN107508284B (zh) 计及电气互联的微电网分布式优化调度方法
Kunya et al. Review of economic dispatch in multi-area power system: State-of-the-art and future prospective
Chen et al. Intelligent energy scheduling in renewable integrated microgrid with bidirectional electricity-to-hydrogen conversion
CN107546743A (zh) 一种辐射状配电网分布式优化潮流方法
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
CN113378456A (zh) 多园区综合能源调度方法和系统
CN107220889A (zh) 一种多代理框架下微网社区的分布式资源交易方法
CN115204562B (zh) 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统
CN114970191A (zh) 一种基于势博弈的电网交通系统日前分布鲁棒调度方法
CN114462854A (zh) 含新能源和电动汽车并网的分层调度方法及其系统
CN114417695A (zh) 多园区综合能源系统经济调度方法
Chen et al. Physical-assisted multi-agent graph reinforcement learning enabled fast voltage regulation for PV-rich active distribution network
Tong et al. An intelligent scheduling control method for smart grid based on deep learning
Zhang et al. Research on two-level energy optimized dispatching strategy of microgrid cluster based on IPSO algorithm
An et al. Real-time optimal operation control of micro energy grid coupling with electricity-thermal-gas considering prosumer characteristics
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
CN115907232A (zh) 区域综合能源系统集群协同优化方法、系统、设备及介质
CN114374219B (zh) 基于合作博弈的园区综合能源系统分布式优化方法及系统

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