CN112257229A - 一种微网两阶段鲁棒调度方法 - Google Patents

一种微网两阶段鲁棒调度方法 Download PDF

Info

Publication number
CN112257229A
CN112257229A CN202010985853.0A CN202010985853A CN112257229A CN 112257229 A CN112257229 A CN 112257229A CN 202010985853 A CN202010985853 A CN 202010985853A CN 112257229 A CN112257229 A CN 112257229A
Authority
CN
China
Prior art keywords
power
scheduling
microgrid
stage
load
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
Application number
CN202010985853.0A
Other languages
English (en)
Other versions
CN112257229B (zh
Inventor
段建东
程冉
王静
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010985853.0A priority Critical patent/CN112257229B/zh
Publication of CN112257229A publication Critical patent/CN112257229A/zh
Application granted granted Critical
Publication of CN112257229B publication Critical patent/CN112257229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • H02J3/008—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
    • H02J3/38—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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]
    • 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)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种微网两阶段鲁棒调度方法，具体按照以下步骤实施：步骤1、设计微网系统日前调度总运行成本最小的目标函数，构建预调度阶段优化模型；步骤2、考虑源荷侧不确定性，构建再调度阶段优化模型；微网数据收集及初始化算法参数；步骤3、利用列约束生成算法求解上述微网两阶段鲁棒优化模型，判断最优值上界与目标函数值下界差是否小于允许收敛偏差，若满足则停止迭代，输出最优调度方案，完成调度；否则，继续寻优直至算法收敛，在保证微网调度的经济性和鲁棒性前提下，能够保证系统降低弃风减载风险。

Description

一种微网两阶段鲁棒调度方法
技术领域
本发明属于微网优化调度技术领域，涉及一种微网两阶段鲁棒调度方法。
背景技术
环境污染和能源枯竭的双重压力下，全球各个国家都大力推进能源革命。大规模接入可再生能源发电是未来电网发展的重要特征。但随着可再生能源并网渗透率提高，我国西北和东北地区的弃风限电问题十分严重。为缓解以上问题，微网技术应用而生。
传统电网基于源荷侧功率的预测数据优化调度，而微网中分布式可再生能源出力具较强自然特性，加之需求响应工作的进一步推广，源荷侧的多重不确定性使优化调度面临很大风险。调度方案太保守则运行经济性缺失，太激进则供电可靠性缺失，为此，亟待提出一种应对不确定参数的优化调度方法。
随着优化理论的发展，针对不确定优化问题，随机优化、机会约束规划和鲁棒优化应用于电力系统优化调度。随机优化方法根据不确定参数的概率曲线，生成大量场景来模拟不确定参数。机会约束规划允许决策在一定程度上不满足约束，但约束发生的概率大于置信水平。随机优化和机会约束规划都有两个缺点:1)计算效率低，2)负荷和风电的概率曲线是根据历史数据的经验分布得到的。因此，它们很难应用于实际工程中。而鲁棒优化方法的不确定集容易获得，不需依赖概率曲线，且所得最优解可以满足不确定集中的所有场景，具有较强稳定性，其原理简单适于实际工程应用。
发明内容
本发明的目的是提供一种微网两阶段鲁棒调度方法，在保证微网调度的经济性和鲁棒性前提下，能够保证系统降低弃风减载风险。
本发明所采用的技术方案是，一种微网两阶段鲁棒调度方法，具体按照以下步骤实施：
步骤1、设计微网系统日前调度总运行成本最小的目标函数，构建预调度阶段优化模型；
步骤2、考虑源荷侧不确定性，构建再调度阶段优化模型；微网数据收集及初始化算法参数；
步骤3、利用列约束生成算法求解上述微网两阶段鲁棒优化模型，判断最优值上界与目标函数值下界差是否小于允许收敛偏差，若满足则停止迭代，输出最优调度方案，完成调度；否则，继续寻优直至算法收敛。
本发明的特点还在于：
步骤1具体按照以下步骤实施：
步骤1.1、根据风力发电和负荷的预测值，设计微网系统日前调度总运行成本最小的目标函数；
微网预调度阶段模型的目标函数为
minf＝CMG+CESS+CRes+CDR+Cgrid (1)
Figure BDA0002689179940000031
式(1)和式(2)中，t为调度时段，T为总调度周期；CMG为微燃机发电成本；CES为储能充放电成本；CRes为微网备用容量配置费用；CDR为需求响应负荷调度费用；Cgrid为向配网购电成本；mMG为微燃机单位发电成本系数，PMG,t为微燃机出力；mES为储能单位充放电系数，
Figure BDA0002689179940000032
为储能充/放电功率；
Figure BDA0002689179940000033
Figure BDA0002689179940000034
为微燃机上/下备用容量配置价格，
Figure BDA0002689179940000035
为微燃机上/下备用容量；
Figure BDA0002689179940000036
为配电网上行单位备用容量费用，
Figure BDA0002689179940000037
为配电网上行单位备用容量；mDR为需求响应单位成本系数，PDR,t、
Figure BDA0002689179940000038
为需求响应实际调度/期望用电功率；Pimp,t为微网向配网购电功率，λt为配网日前交易的分时电价；Δt为调度步长；
步骤1.2、构建包含日前调度总运行成本最小目标，并考虑微网各电力单元输出功率上限和下限约束、储能单元约束和系统功率平衡约束的预调度阶段优化模型；
约束具体如下：
微型燃气轮机输出功率约束：
Figure BDA0002689179940000039
式(3)中，
Figure BDA00026891799400000310
为微燃机最小/最大输出功率；RMG为微燃机最大爬坡功率。
储能单元约束：
Figure BDA0002689179940000041
式(4)中，
Figure BDA0002689179940000042
为最大充/放电功率；
Figure BDA0002689179940000043
为充/放电状态；η为充放电效率；ESt为剩余容量；ESmin、ESmax为最大/最小剩余容量；
需求响应负荷约束：
Figure BDA0002689179940000044
式(5)中，DDR为总用电需求；
Figure BDA0002689179940000045
为最小/最大用电需求；
向配电网购电约束：
Figure BDA0002689179940000046
式(6)中，
Figure BDA0002689179940000047
为微网与配网交互功率的最大值；
系统备用容量约束：
Figure BDA0002689179940000048
式(7)中，微燃机和配网传输电能为上行备用容量，微燃机作为下行备用容量；
系统功率平衡约束：
Figure BDA0002689179940000049
式(8)中，Pwt,t为t时刻风电的输出功率；L为所有类型负荷的集合，Pl,t为t时刻总负荷功率。
步骤1.3、将建立的预调度阶段优化模型中的非线性方程线性化；
线性化后的需求响应负荷成本函数为：
Figure BDA0002689179940000051
Figure BDA0002689179940000052
步骤2中构建再调度阶段优化模型具体按照以下步骤实施：
步骤2.1、以最恶劣场景为基础，调节设置上下行备用容量，设计微网弃风成本和切负荷成本之和最小的目标函数；
微网再调度阶段经济调度的目标函数为
Figure BDA0002689179940000053
式(11)中，
Figure BDA0002689179940000054
为弃风惩罚成本，
Figure BDA0002689179940000055
为切负荷惩罚成本。
步骤2.2、构建弃风成本和切负荷成本之和最小的目标函数，并考虑风电负荷的不确定性变量约束、弃风和切负荷量约束和备用容量调节约束的再调度阶段优化模型；
约束具体如下：
风电负荷的不确定性变量约束：
Figure BDA0002689179940000056
式(12)中，uwt,t与uload,t为风电和负荷不确定变量；
Figure BDA0002689179940000057
为风电和负荷预测值；
Figure BDA0002689179940000058
为不确定变量的最大波动量；
Figure BDA0002689179940000059
为不确定变量的辅助变量；Γwt与Γload分别为风电和负荷功率的不确定预算参数；
因为线性规划最优解取于多面体变量的边界处，则本文的最优解应取于不确定变量波动范围的边界，将式(12)简化为式(13)；
Figure BDA0002689179940000061
式(13)中，若
Figure BDA0002689179940000062
则不确定变量取波动区间的上界，
Figure BDA0002689179940000063
则表示取波动区间的下界，对负荷不确定变量同理；
弃风和切负荷量约束：
Figure BDA0002689179940000064
式(14)中，
Figure BDA0002689179940000065
为弃风量，
Figure BDA0002689179940000066
为切负荷量。
备用容量调节约束：
Figure BDA0002689179940000067
式(15)中，
Figure BDA0002689179940000068
分别为微燃机实际提供的上、下备用容量；
Figure BDA0002689179940000069
为配电网实际提供的上备用容量；
Figure BDA00026891799400000610
分别为微燃机预调度阶段提供的上、下备用容量；
Figure BDA00026891799400000611
为配电网预调度阶段提供的上备用容量；
再调度阶段功率平衡约束
Figure BDA00026891799400000612
步骤2.3、采用对偶理论将构建的再调度阶段优化模型对偶为一个最大化max模型并线性化处理；
对偶后的max模型为：
Figure BDA0002689179940000071
式(17)中，w1、w2、w3分别是m1维、m2维、m3维行向量，是原问题的对偶变量；
再将max模型线性化为：
Figure BDA0002689179940000072
Figure BDA0002689179940000073
Figure BDA0002689179940000074
式(18)和式(19)为引入的辅助变量与原变量的关系。πmax为对偶变量的最大值。
步骤2中微网数据收集及初始化算法参数具体按照以下实施；微网数据收集及初始化算法参数包括：负荷功率预测数据、风电场出力预测数据、配电网日前交易价格、目标函数上下界UB、LB；迭代次数k，允许收敛偏差ε。
步骤3具体按照以下步骤实施：
步骤3.1、根据风电、负荷的预测值求解预调度阶段优化模型，计算得到各机组第二天的最优出力方案、系统备用容量设置和最小运行成本。利用求解所得的最优解
Figure BDA0002689179940000075
更新目标函数值下界为
Figure BDA0002689179940000076
步骤3.2、将
Figure BDA0002689179940000077
代入再调度阶段优化模型中，检验备用容量设置是否可以应对不确定变量的波动，求解最恶劣场景u下的预调度阶段优化模型的目标函数值
Figure BDA0002689179940000078
和实际备用容量设置，更新最优值上界为
Figure BDA0002689179940000079
步骤3.3、判断UB-LB＜ε是否满足，若不满足，将求解子问题得到的关键场景下的备用容量再调度量代入主问题，并增加最优割集约束α≥dTyk+1。令k＝k+1，跳至步骤4.1继续寻优直至算法收敛；若满足则停止迭代，输出最优调度方案
Figure BDA0002689179940000081
完成调度。
本发明的有益效果是：本发明一种微网两阶段鲁棒调度方法，在保证微网调度的经济性和鲁棒性前提下，能够保证系统降低弃风减载风险；考虑了风电出力和负荷的不确定性。基于两阶段鲁棒优化方法，建立了微电网经济调度模型，得到了“最坏情景”下运行成本最低的调度方案；采用两阶段鲁棒优化调度方法，得到了鲁棒预调度方案。即预调度方案在任何不确定情况下都是可行的；与传统的确定性调度方法相比，两阶段鲁棒优化调度的最大和平均运行费用优于传统的调度方法。
附图说明
图1是本发明一种微网两阶段鲁棒调度方法的框架图；
图2是本发明一种微网两阶段鲁棒调度方法的列约束生成方法求解微网两阶段鲁棒优化模型流程图；
图3是本发明一种微网两阶段鲁棒调度方法的微网结构示意图；
图4是本发明一种微网两阶段鲁棒调度方法的负荷输出预测曲线图；
图5是本发明一种微网两阶段鲁棒调度方法的风电场出力预测曲线图；
图6是本发明一种微网两阶段鲁棒调度方法的配电网日前交易价格图；
图7是本发明一种微网两阶段鲁棒调度方法的微型燃气轮机出力图；
图8是本发明一种微网两阶段鲁棒调度方法的储能充放电功率图；
图9是本发明一种微网两阶段鲁棒调度方法的需求响应负荷实际/预期用电量计划图；
图10是本发明配电网购电图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种微网两阶段鲁棒调度方法，如图1所示，具体按照以下步骤实施：
步骤1、设计微网系统日前调度总运行成本最小的目标函数，构建预调度阶段优化模型；(建立微网两阶段鲁棒优化调度模型中的预调度阶段优化模型，即在不确定参数未知的情况下，以最小化日前调度总运行成本为目标，制定各发电设备的输出计划及需求响应运行计划)
步骤1具体按照以下步骤实施：
步骤1.1、根据风力发电和负荷的预测值，设计微网系统日前调度总运行成本最小的目标函数；
微网预调度阶段模型的目标函数为
minf＝CMG+CESS+CRes+CDR+Cgrid (1)
Figure BDA0002689179940000091
式(1)和式(2)中，t为调度时段，T为总调度周期；CMG为微燃机发电成本；CES为储能充放电成本；CRes为微网备用容量配置费用；CDR为需求响应负荷调度费用；Cgrid为向配网购电成本；mMG为微燃机单位发电成本系数，PMG,t为微燃机出力；mES为储能单位充放电系数，
Figure BDA0002689179940000101
为储能充/放电功率；
Figure BDA0002689179940000102
为微燃机上/下备用容量配置价格，
Figure BDA0002689179940000103
为微燃机上/下备用容量；
Figure BDA0002689179940000104
为配电网上行单位备用容量费用，
Figure BDA0002689179940000105
为配电网上行单位备用容量；mDR为需求响应单位成本系数，PDR,t、
Figure BDA0002689179940000106
为需求响应实际调度/期望用电功率；Pimp,t为微网向配网购电功率，λt为配网日前交易的分时电价；Δt为调度步长；
步骤1.2、构建包含日前调度总运行成本最小目标，并考虑微网各电力单元输出功率上限和下限约束、储能单元约束和系统功率平衡约束的预调度阶段优化模型；
约束具体如下：
微型燃气轮机输出功率约束：
Figure BDA0002689179940000107
式(3)中，
Figure BDA0002689179940000108
为微燃机最小/最大输出功率；RMG为微燃机最大爬坡功率。
储能单元约束：
Figure BDA0002689179940000109
式(4)中，
Figure BDA00026891799400001010
为最大充/放电功率；
Figure BDA00026891799400001011
为充/放电状态；η为充放电效率；ESt为剩余容量；ESmin、ESmax为最大/最小剩余容量；
需求响应负荷约束：
Figure BDA00026891799400001012
式(5)中，DDR为总用电需求；
Figure BDA0002689179940000111
为最小/最大用电需求；
向配电网购电约束：
Figure BDA0002689179940000112
式(6)中，
Figure BDA0002689179940000113
为微网与配网交互功率的最大值；
系统备用容量约束：
Figure BDA0002689179940000114
式(7)中，微燃机和配网传输电能为上行备用容量，微燃机作为下行备用容量；系统功率平衡约束：
Figure BDA0002689179940000115
式(8)中，Pwt,t为t时刻风电的输出功率；L为所有类型负荷的集合，Pl,t为t时刻总负荷功率。
步骤1.3、将建立的预调度阶段优化模型中的非线性方程线性化；
线性化后的需求响应负荷成本函数为：
Figure BDA0002689179940000116
Figure BDA0002689179940000117
步骤2、考虑源荷侧不确定性，构建再调度阶段优化模型；微网数据收集及初始化算法参数；(建立考虑风电出力和负荷不确定性的再调度阶段优化模型，再调度阶段旨在识别具有不确定变量的“最恶劣”场景，以最恶劣场景为基础调节设置上下行备用容量使微网的弃风和切负荷量最小；)
步骤2中构建再调度阶段优化模型具体按照以下步骤实施：
步骤2.1、以最恶劣场景为基础，调节设置上下行备用容量，设计微网弃风成本和切负荷成本之和最小的目标函数；
微网再调度阶段经济调度的目标函数为
Figure BDA0002689179940000121
式(11)中，
Figure BDA0002689179940000122
为弃风惩罚成本，
Figure BDA0002689179940000123
为切负荷惩罚成本。
步骤2.2、构建弃风成本和切负荷成本之和最小的目标函数，并考虑风电负荷的不确定性变量约束、弃风和切负荷量约束和备用容量调节约束的再调度阶段优化模型；
约束具体如下：
风电负荷的不确定性变量约束：
Figure BDA0002689179940000124
式(12)中，uwt,t与uload,t为风电和负荷不确定变量；
Figure BDA0002689179940000125
为风电和负荷预测值；
Figure BDA0002689179940000126
为不确定变量的最大波动量；
Figure BDA0002689179940000127
为不确定变量的辅助变量；Γwt与Γload分别为风电和负荷功率的不确定预算参数；
因为线性规划最优解取于多面体变量的边界处，则本文的最优解应取于不确定变量波动范围的边界，将式(12)简化为式(13)；
Figure BDA0002689179940000131
式(13)中，若
Figure BDA0002689179940000132
则不确定变量取波动区间的上界，
Figure BDA0002689179940000133
则表示取波动区间的下界，对负荷不确定变量同理；
弃风和切负荷量约束：
Figure BDA0002689179940000134
式(14)中，
Figure BDA0002689179940000135
为弃风量，
Figure BDA0002689179940000136
为切负荷量。
备用容量调节约束：
Figure BDA0002689179940000137
式(15)中，
Figure BDA0002689179940000138
分别为微燃机实际提供的上、下备用容量；
Figure BDA0002689179940000139
为配电网实际提供的上备用容量；
Figure BDA00026891799400001310
分别为微燃机预调度阶段提供的上、下备用容量；
Figure BDA00026891799400001311
为配电网预调度阶段提供的上备用容量；
再调度阶段功率平衡约束
Figure BDA00026891799400001312
步骤2.3、采用对偶理论将构建的再调度阶段优化模型对偶为一个最大化max模型并线性化处理；
对偶后的max模型为：
Figure BDA0002689179940000141
式(17)中，w1、w2、w3分别是m1维、m2维、m3维行向量，是原问题的对偶变量；
再将max模型线性化为：
Figure BDA0002689179940000142
Figure BDA0002689179940000143
Figure BDA0002689179940000144
式(18)和式(19)为引入的辅助变量与原变量的关系。πmax为对偶变量的最大值。
步骤2中微网数据收集及初始化算法参数具体按照以下实施；微网数据收集及初始化算法参数包括：负荷功率预测数据、风电场出力预测数据、配电网日前交易价格、目标函数上下界UB、LB；迭代次数k，允许收敛偏差ε。
步骤3、利用列约束生成算法求解上述微网两阶段鲁棒优化模型，判断最优值上界与目标函数值下界差是否小于允许收敛偏差，若满足则停止迭代，输出最优调度方案，完成调度；否则，继续寻优直至算法收敛。
步骤3具体按照以下步骤实施：
步骤3.1、根据风电、负荷的预测值求解预调度阶段优化模型，计算得到各机组第二天的最优出力方案、系统备用容量设置和最小运行成本。利用求解所得的最优解
Figure BDA0002689179940000145
更新目标函数值下界为
Figure BDA0002689179940000146
步骤3.2、将
Figure BDA0002689179940000151
代入再调度阶段优化模型中，检验备用容量设置是否可以应对不确定变量的波动，求解最恶劣场景u下的预调度阶段优化模型的目标函数值
Figure BDA0002689179940000152
和实际备用容量设置，更新最优值上界为
Figure BDA0002689179940000153
步骤3.3、判断UB-LB＜ε是否满足，若不满足，将求解子问题得到的关键场景下的备用容量再调度量代入主问题，并增加最优割集约束α≥dTyk+1。令k＝k+1，跳至步骤4.1继续寻优直至算法收敛；若满足则停止迭代，输出最优调度方案
Figure BDA0002689179940000156
完成调度。
实施例
以微网作为算例进行仿真分析，微网系统结构如图3所示，图4和图5是风电出力和负荷功率的预测曲线。图6是与配网日前交易的分时电价。表1为需求响应负荷计划运行参数。表2为微网运行成本参数。
表1需求响应计划运行参数
Figure BDA0002689179940000154
表2微网运行成本参数
Figure BDA0002689179940000155
利用列约束生成算法求解上述微网两阶段鲁棒优化模型。从表3可以看出，微网两阶段鲁棒优化调度方法最终寻找到了一个对不确定参数不敏感的最优鲁棒解，该解在任意关键场景下都满足微网的运行约束，且没有弃风、切负荷现象。
最终调度优化结果如图7～图10所示。其中，图7是储能的充放电功率，负半轴表示充电，正半轴表示放电，可看出储能在电价低谷时段充电，而在负荷高峰期或电价高峰时段放电，起到削峰填谷与平衡发、用电的作用。图8是需求响应负荷实际调度运行计划和期望运行计划，由图中可得，在分时电价机制下，系统将处于电价高峰时段的大部分需求响应负荷转移到了01:00-07:00及24:00的电价低谷时段，而为满足需求响应负荷总用电量及单位调度时段内用电量约束，处于平时电价时段的需求响应负荷基本按期望运行计划调度，以最大程度降低需求响应负荷补偿成本。图9为微燃机输出功率。图10是微网向配网购电计划。
表3列约束生成算法求解两阶段鲁棒微网优化模型的迭代结果
Figure BDA0002689179940000161
为了验证该两阶段鲁棒优化调度方法的有效性和经济性，本节将与传统的固定比例备用容量方法进行比较，分析本文方法的经济性。两种方案的对比结果具体如表4所示，可以看出对比第一阶段的运行成本，本文两阶段鲁棒优化方法的成本要略高于传统调度方法，但对比30种风电出力场景下第二阶段的运行成本，本文两阶段鲁棒优化方法所得出的弃风和切负荷成本均为零，而传统调度方法因没有事先考虑不确定性因素，无法抵抗参数波动，致使弃风和切负荷成本较高。综上，两阶段鲁棒优化调度总成本的最大值和平均值均要优于传统确定性调度方法。
表4鲁棒调度方法与传统调度方法的对比结果
Figure BDA0002689179940000171
本发明一种微网两阶段鲁棒调度方法，在保证微网调度的经济性和鲁棒性前提下，能够保证系统降低弃风减载风险；考虑了风电出力和负荷的不确定性。基于两阶段鲁棒优化方法，建立了微电网经济调度模型，得到了“最坏情景”下运行成本最低的调度方案；采用两阶段鲁棒优化调度方法，得到了鲁棒预调度方案。即预调度方案在任何不确定情况下都是可行的；与传统的确定性调度方法相比，两阶段鲁棒优化调度的最大和平均运行费用优于传统的调度方法。

Claims (5)

1.一种微网两阶段鲁棒调度方法，其特征在于，具体按照以下步骤实施：
步骤1、设计微网系统日前调度总运行成本最小的目标函数，构建预调度阶段优化模型；
步骤2、考虑源荷侧不确定性，构建再调度阶段优化模型；微网数据收集及初始化算法参数；
步骤3、利用列约束生成算法求解上述微网两阶段鲁棒优化模型，判断最优值上界与目标函数值下界差是否小于允许收敛偏差，若满足则停止迭代，输出最优调度方案，完成调度；否则，继续寻优直至算法收敛。
2.根据权利要求1所述一种微网两阶段鲁棒调度方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、根据风力发电和负荷的预测值，设计微网系统日前调度总运行成本最小的目标函数；
微网预调度阶段模型的目标函数为
min f＝CMG+CESS+CRes+CDR+Cgrid (1)
Figure FDA0002689179930000011
式(1)和式(2)中，t为调度时段，T为总调度周期；CMG为微燃机发电成本；CES为储能充放电成本；CRes为微网备用容量配置费用；CDR为需求响应负荷调度费用；Cgrid为向配网购电成本；mMG为微燃机单位发电成本系数，PMG,t为微燃机出力；mES为储能单位充放电系数，
Figure FDA0002689179930000021
为储能充/放电功率；
Figure FDA0002689179930000022
为微燃机上/下备用容量配置价格，
Figure FDA0002689179930000023
为微燃机上/下备用容量；
Figure FDA0002689179930000024
为配电网上行单位备用容量费用，
Figure FDA0002689179930000025
为配电网上行单位备用容量；mDR为需求响应单位成本系数，PDR,t、
Figure FDA0002689179930000026
为需求响应实际调度/期望用电功率；Pimp,t为微网向配网购电功率，λt为配网日前交易的分时电价；△t为调度步长；
步骤1.2、构建包含日前调度总运行成本最小目标，并考虑微网各电力单元输出功率上限和下限约束、储能单元约束和系统功率平衡约束的预调度阶段优化模型；
约束具体如下：
微型燃气轮机输出功率约束：
Figure FDA0002689179930000027
式(3)中，
Figure FDA0002689179930000028
为微燃机最小/最大输出功率；RMG为微燃机最大爬坡功率。
储能单元约束：
Figure FDA0002689179930000029
式(4)中，
Figure FDA00026891799300000210
为最大充/放电功率；
Figure FDA00026891799300000211
为充/放电状态；η为充放电效率；ESt为剩余容量；ESmin、ESmax为最大/最小剩余容量；
需求响应负荷约束：
Figure FDA0002689179930000031
式(5)中，DDR为总用电需求；
Figure FDA0002689179930000032
为最小/最大用电需求；
向配电网购电约束：
Figure FDA0002689179930000033
式(6)中，
Figure FDA0002689179930000034
为微网与配网交互功率的最大值；
系统备用容量约束：
Figure FDA0002689179930000035
式(7)中，微燃机和配网传输电能为上行备用容量，微燃机作为下行备用容量；
系统功率平衡约束：
Figure FDA0002689179930000036
式(8)中，Pwt,t为t时刻风电的输出功率；L为所有类型负荷的集合，Pl,t为t时刻总负荷功率。
步骤1.3、将建立的预调度阶段优化模型中的非线性方程线性化；
线性化后的需求响应负荷成本函数为：
Figure FDA0002689179930000037
Figure FDA0002689179930000038
3.根据权利要求1所述一种微网两阶段鲁棒调度方法，其特征在于，所述步骤2中构建再调度阶段优化模型具体按照以下步骤实施：
步骤2.1、以最恶劣场景为基础，调节设置上下行备用容量，设计微网弃风成本和切负荷成本之和最小的目标函数；
微网再调度阶段经济调度的目标函数为
Figure FDA0002689179930000041
式(11)中，
Figure FDA0002689179930000042
为弃风惩罚成本，
Figure FDA0002689179930000043
为切负荷惩罚成本。
步骤2.2、构建弃风成本和切负荷成本之和最小的目标函数，并考虑风电负荷的不确定性变量约束、弃风和切负荷量约束和备用容量调节约束的再调度阶段优化模型；
约束具体如下：
风电负荷的不确定性变量约束：
Figure FDA0002689179930000044
式(12)中，uwt,t与uload,t为风电和负荷不确定变量；
Figure FDA0002689179930000045
为风电和负荷预测值；
Figure FDA0002689179930000046
为不确定变量的最大波动量；
Figure FDA0002689179930000047
为不确定变量的辅助变量；Γwt与Γload分别为风电和负荷功率的不确定预算参数；
因为线性规划最优解取于多面体变量的边界处，则本文的最优解应取于不确定变量波动范围的边界，将式(12)简化为式(13)；
Figure FDA0002689179930000048
式(13)中，若
Figure FDA0002689179930000051
则不确定变量取波动区间的上界，
Figure FDA0002689179930000052
则表示取波动区间的下界，对负荷不确定变量同理；
弃风和切负荷量约束：
Figure FDA0002689179930000053
式(14)中，
Figure FDA0002689179930000054
为弃风量，
Figure FDA0002689179930000055
为切负荷量。
备用容量调节约束：
Figure FDA0002689179930000056
式(15)中，
Figure FDA0002689179930000057
分别为微燃机实际提供的上、下备用容量；
Figure FDA0002689179930000058
为配电网实际提供的上备用容量；
Figure FDA0002689179930000059
分别为微燃机预调度阶段提供的上、下备用容量；
Figure FDA00026891799300000510
为配电网预调度阶段提供的上备用容量；
再调度阶段功率平衡约束
Figure FDA00026891799300000511
步骤2.3、采用对偶理论将构建的再调度阶段优化模型对偶为一个最大化max模型并线性化处理；
对偶后的max模型为：
Figure FDA00026891799300000512
式(17)中，w1、w2、w3分别是m1维、m2维、m3维行向量，是原问题的对偶变量；
再将max模型线性化为：
Figure FDA00026891799300000513
Figure FDA0002689179930000061
Figure FDA0002689179930000062
式(18)和式(19)为引入的辅助变量与原变量的关系。πmax为对偶变量的最大值。
4.根据权利要求3所述一种微网两阶段鲁棒调度方法，其特征在于，所述步骤2中微网数据收集及初始化算法参数具体按照以下实施；微网数据收集及初始化算法参数包括：负荷功率预测数据、风电场出力预测数据、配电网日前交易价格、目标函数上下界UB、LB；迭代次数k，允许收敛偏差ε。
5.根据权利要求4所述一种微网两阶段鲁棒调度方法，其特征在于，所述步骤3具体按照以下步骤实施：
步骤3.1、根据风电、负荷的预测值求解预调度阶段优化模型，计算得到各机组第二天的最优出力方案、系统备用容量设置和最小运行成本。利用求解所得的最优解
Figure FDA0002689179930000063
更新目标函数值下界为
Figure FDA0002689179930000064
步骤3.2、将
Figure FDA0002689179930000065
代入再调度阶段优化模型中，检验备用容量设置是否可以应对不确定变量的波动，求解最恶劣场景u下的预调度阶段优化模型的目标函数值
Figure FDA0002689179930000066
和实际备用容量设置，更新最优值上界为
Figure FDA0002689179930000067
步骤3.3、判断UB-LB<ε是否满足，若不满足，将求解子问题得到的关键场景下的备用容量再调度量代入主问题，并增加最优割集约束α≥dTyk+1。令k＝k+1，跳至步骤4.1继续寻优直至算法收敛；若满足则停止迭代，输出最优调度方案
Figure FDA0002689179930000068
完成调度。
CN202010985853.0A 2020-09-18 2020-09-18 一种微网两阶段鲁棒调度方法 Active CN112257229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010985853.0A CN112257229B (zh) 2020-09-18 2020-09-18 一种微网两阶段鲁棒调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010985853.0A CN112257229B (zh) 2020-09-18 2020-09-18 一种微网两阶段鲁棒调度方法

Publications (2)

Publication Number Publication Date
CN112257229A true CN112257229A (zh) 2021-01-22
CN112257229B CN112257229B (zh) 2024-04-16

Family

ID=74233005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010985853.0A Active CN112257229B (zh) 2020-09-18 2020-09-18 一种微网两阶段鲁棒调度方法

Country Status (1)

Country Link
CN (1) CN112257229B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112701687A (zh) * 2021-01-25 2021-04-23 四川大学 考虑价格型联合需求响应的气电配网系统鲁棒优化运行方法
CN112906988A (zh) * 2021-03-29 2021-06-04 东南大学 一种多能源建筑系统鲁棒双层协调调度的方法
CN112926835A (zh) * 2021-01-29 2021-06-08 西安理工大学 一种考虑热网动态特性的综合能源系统优化调度方法
CN112952908A (zh) * 2021-03-29 2021-06-11 四川大学 一种多合作微电网主体分布式协调交易方法
CN112952806A (zh) * 2021-02-09 2021-06-11 上海电力大学 一种计及负荷不确定性的微电网群多阶段优化规划方法
CN113488987A (zh) * 2021-05-17 2021-10-08 国网浙江杭州市余杭区供电有限公司 一种考虑源荷波动的电网灵活性运行域评估指标计算方法
CN113541191A (zh) * 2021-07-22 2021-10-22 国网上海市电力公司 考虑大规模可再生能源接入的多时间尺度调度方法
CN114188973A (zh) * 2021-11-18 2022-03-15 贵州电网有限责任公司 一种计及线路强迫停运的两阶段检修-运行鲁棒优化方法
CN114611754A (zh) * 2022-02-09 2022-06-10 上海奉贤燃机发电有限公司 一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法
CN114726008A (zh) * 2022-06-10 2022-07-08 武汉大学 一种主动配电网与多微电网联合鲁棒优化方法及系统
CN114759616A (zh) * 2022-06-14 2022-07-15 之江实验室 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN114819700A (zh) * 2022-05-12 2022-07-29 国网能源研究院有限公司 区域能源互联网分布式鲁棒经济调度方法及装置
CN115065078A (zh) * 2022-05-06 2022-09-16 合肥工业大学 微网环境下储能容量配置方法及系统
CN115688970A (zh) * 2022-09-21 2023-02-03 三峡大学 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
CN116417994A (zh) * 2023-04-03 2023-07-11 中国长江电力股份有限公司 考虑需求响应不确定性的电力系统分布鲁棒优化调度模型及其求解方法
CN116760025A (zh) * 2023-06-25 2023-09-15 南京国电南自电网自动化有限公司 电力系统的风险调度优化方法和系统
WO2024093027A1 (zh) * 2022-11-04 2024-05-10 广东电网有限责任公司 一种能源分配方法及装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105337310A (zh) * 2015-11-30 2016-02-17 华南理工大学 一种串联结构光储型多微网经济运行系统及方法
CN107392395A (zh) * 2017-08-23 2017-11-24 天津大学 一种基于价格激励机制的配电网和微电网协调优化方法
CN107622324A (zh) * 2017-09-01 2018-01-23 燕山大学 一种考虑多微网能量交互的鲁棒环境经济调度方法
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN108009693A (zh) * 2018-01-03 2018-05-08 上海电力学院 基于两级需求响应的并网微电网双层优化方法
CN108448632A (zh) * 2018-04-26 2018-08-24 东南大学 计及储能荷电状态循环的交直流微网日内滚动优化调度方法
CN108539732A (zh) * 2018-03-30 2018-09-14 东南大学 基于多区间不确定性鲁棒优化的交直流微网经济调度
CN108629449A (zh) * 2018-04-26 2018-10-09 东南大学 一种用于交直流混合微网的分布鲁棒式优化调度方法
CN108876004A (zh) * 2018-05-04 2018-11-23 云南电网有限责任公司 一种基于块坐标下降法的微网群分层分布式经济调度方法
CN109301852A (zh) * 2018-11-23 2019-02-01 武汉理工大学 一种微电网分级多目标联合的经济调度方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法
CN110098611A (zh) * 2019-03-13 2019-08-06 国网江苏省电力有限公司检修分公司 一种独立型交直流混合微网的两阶段鲁棒优化调度方法
CN110112728A (zh) * 2019-05-10 2019-08-09 四川大学 一种考虑风电鲁棒不确定性的多园区微网合作博弈方法
CN111192164A (zh) * 2019-12-23 2020-05-22 国网四川省电力公司经济技术研究院 考虑不确定风电的微网联合博弈优化共享及利益分配方法
CN111293718A (zh) * 2020-02-28 2020-06-16 华北电力大学（保定） 基于场景分析的交直流混合微网分区二层优化运行方法
CN111355265A (zh) * 2020-04-10 2020-06-30 中国人民解放军国防科技大学 一种微电网能量两阶段鲁棒优化方法及系统
CN111523249A (zh) * 2020-05-27 2020-08-11 福州大学 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105337310A (zh) * 2015-11-30 2016-02-17 华南理工大学 一种串联结构光储型多微网经济运行系统及方法
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN107392395A (zh) * 2017-08-23 2017-11-24 天津大学 一种基于价格激励机制的配电网和微电网协调优化方法
CN107622324A (zh) * 2017-09-01 2018-01-23 燕山大学 一种考虑多微网能量交互的鲁棒环境经济调度方法
CN108009693A (zh) * 2018-01-03 2018-05-08 上海电力学院 基于两级需求响应的并网微电网双层优化方法
CN108539732A (zh) * 2018-03-30 2018-09-14 东南大学 基于多区间不确定性鲁棒优化的交直流微网经济调度
CN108448632A (zh) * 2018-04-26 2018-08-24 东南大学 计及储能荷电状态循环的交直流微网日内滚动优化调度方法
CN108629449A (zh) * 2018-04-26 2018-10-09 东南大学 一种用于交直流混合微网的分布鲁棒式优化调度方法
CN108876004A (zh) * 2018-05-04 2018-11-23 云南电网有限责任公司 一种基于块坐标下降法的微网群分层分布式经济调度方法
CN109301852A (zh) * 2018-11-23 2019-02-01 武汉理工大学 一种微电网分级多目标联合的经济调度方法
CN110098611A (zh) * 2019-03-13 2019-08-06 国网江苏省电力有限公司检修分公司 一种独立型交直流混合微网的两阶段鲁棒优化调度方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法
CN110112728A (zh) * 2019-05-10 2019-08-09 四川大学 一种考虑风电鲁棒不确定性的多园区微网合作博弈方法
CN111192164A (zh) * 2019-12-23 2020-05-22 国网四川省电力公司经济技术研究院 考虑不确定风电的微网联合博弈优化共享及利益分配方法
CN111293718A (zh) * 2020-02-28 2020-06-16 华北电力大学（保定） 基于场景分析的交直流混合微网分区二层优化运行方法
CN111355265A (zh) * 2020-04-10 2020-06-30 中国人民解放军国防科技大学 一种微电网能量两阶段鲁棒优化方法及系统
CN111523249A (zh) * 2020-05-27 2020-08-11 福州大学 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANDONG DUAN, RAN CHENG, JING WANG: "Two-stage Robust Optimal Scheduling for Microgrids", INTERNATIONAL FORUM ON ELECTRICAL ENGINEERING AND AUTOMATION, 31 December 2021 (2021-12-31) *
王静: "多能互补微网两阶段鲁棒优化调度研究", 中国知网, 15 January 2021 (2021-01-15) *
程冉: "考虑电转气和需求响应的综合能源系统低碳经济优化运行", 中国知网, 31 December 2023 (2023-12-31) *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112701687B (zh) * 2021-01-25 2023-03-24 四川大学 考虑价格型联合需求响应的气电配网系统鲁棒优化运行方法
CN112701687A (zh) * 2021-01-25 2021-04-23 四川大学 考虑价格型联合需求响应的气电配网系统鲁棒优化运行方法
CN112926835A (zh) * 2021-01-29 2021-06-08 西安理工大学 一种考虑热网动态特性的综合能源系统优化调度方法
CN112952806A (zh) * 2021-02-09 2021-06-11 上海电力大学 一种计及负荷不确定性的微电网群多阶段优化规划方法
CN112952806B (zh) * 2021-02-09 2023-09-26 上海电力大学 一种计及负荷不确定性的微电网群多阶段优化规划方法
CN112906988A (zh) * 2021-03-29 2021-06-04 东南大学 一种多能源建筑系统鲁棒双层协调调度的方法
CN112952908A (zh) * 2021-03-29 2021-06-11 四川大学 一种多合作微电网主体分布式协调交易方法
CN112906988B (zh) * 2021-03-29 2024-04-02 东南大学 一种多能源建筑系统鲁棒双层协调调度的方法
CN112952908B (zh) * 2021-03-29 2024-02-02 四川大学 一种多合作微电网主体分布式协调交易方法
CN113488987A (zh) * 2021-05-17 2021-10-08 国网浙江杭州市余杭区供电有限公司 一种考虑源荷波动的电网灵活性运行域评估指标计算方法
CN113488987B (zh) * 2021-05-17 2023-07-14 国网浙江杭州市余杭区供电有限公司 一种考虑源荷波动的电网灵活性运行域评估指标计算方法
CN113541191A (zh) * 2021-07-22 2021-10-22 国网上海市电力公司 考虑大规模可再生能源接入的多时间尺度调度方法
CN114188973A (zh) * 2021-11-18 2022-03-15 贵州电网有限责任公司 一种计及线路强迫停运的两阶段检修-运行鲁棒优化方法
CN114188973B (zh) * 2021-11-18 2024-02-27 贵州电网有限责任公司 一种计及线路强迫停运的两阶段检修-运行鲁棒优化方法
CN114611754A (zh) * 2022-02-09 2022-06-10 上海奉贤燃机发电有限公司 一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法
CN115065078A (zh) * 2022-05-06 2022-09-16 合肥工业大学 微网环境下储能容量配置方法及系统
CN114819700A (zh) * 2022-05-12 2022-07-29 国网能源研究院有限公司 区域能源互联网分布式鲁棒经济调度方法及装置
CN114819700B (zh) * 2022-05-12 2023-07-18 国网能源研究院有限公司 区域能源互联网分布式鲁棒经济调度方法及装置
CN114726008A (zh) * 2022-06-10 2022-07-08 武汉大学 一种主动配电网与多微电网联合鲁棒优化方法及系统
CN114726008B (zh) * 2022-06-10 2022-09-13 武汉大学 一种主动配电网与多微电网联合鲁棒优化方法及系统
CN114759616A (zh) * 2022-06-14 2022-07-15 之江实验室 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN114759616B (zh) * 2022-06-14 2022-09-16 之江实验室 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN115688970A (zh) * 2022-09-21 2023-02-03 三峡大学 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
WO2024093027A1 (zh) * 2022-11-04 2024-05-10 广东电网有限责任公司 一种能源分配方法及装置
CN116417994A (zh) * 2023-04-03 2023-07-11 中国长江电力股份有限公司 考虑需求响应不确定性的电力系统分布鲁棒优化调度模型及其求解方法
CN116760025A (zh) * 2023-06-25 2023-09-15 南京国电南自电网自动化有限公司 电力系统的风险调度优化方法和系统
CN116760025B (zh) * 2023-06-25 2024-05-24 南京国电南自电网自动化有限公司 电力系统的风险调度优化方法和系统

Also Published As

Publication number Publication date
CN112257229B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN112257229B (zh) 一种微网两阶段鲁棒调度方法
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
Chen et al. Intelligent energy scheduling in renewable integrated microgrid with bidirectional electricity-to-hydrogen conversion
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN108053057A (zh) 一种基于CVaR的虚拟电厂优化调度建模方法
CN112446145B (zh) 一种基于kl散度的储能电站分布鲁棒规划方法
CN112383086B (zh) 一种孤岛微电网日前能量-备用联合优化调度方法
CN108197766A (zh) 一种包含微电网群的主动配电网优化调度模型
CN113408962A (zh) 一种电网多时间尺度多目标能量优化调度方法
CN115860413A (zh) 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网系统经济调度方法
CN113659627A (zh) 一种含光伏发电和液态空气储能的微电网优化调度方法
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
CN114884136A (zh) 一种计及风电相关性的主动配电网鲁棒优化调度方法
CN117436773B (zh) 一种含可中断负荷的独立微网资源规划方法和系统
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
CN111224432A (zh) 微电网优化调度方法和装置
TWI639962B (zh) 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法
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
CN116961008A (zh) 计及电力弹簧与负荷需求响应的微电网容量双层优化方法
Liu et al. Renewable energy utilizing and fluctuation stabilizing using optimal dynamic grid connection factor strategy and artificial intelligence-based solution method
CN115986812A (zh) 一种考虑储能和需求响应的微电网经济规划方法及装置
Haiyun et al. Optimal Capacity Allocation Method of Multi-types of Energy Storage for Wind Power Plant
CN111555270A (zh) 一种综合能源优化与动态分析的方法及系统
Ahamdi et al. Uncertainty based configuration design and optimal operation of a grid-connected Micro-Grid

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