CN112270433B - 考虑可再生能源不确定性和用户满意度的微电网优化方法 - Google Patents

考虑可再生能源不确定性和用户满意度的微电网优化方法 Download PDF

Info

Publication number
CN112270433B
CN112270433B CN202011097957.4A CN202011097957A CN112270433B CN 112270433 B CN112270433 B CN 112270433B CN 202011097957 A CN202011097957 A CN 202011097957A CN 112270433 B CN112270433 B CN 112270433B
Authority
CN
China
Prior art keywords
load
optimization
micro
grid
renewable energy
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
CN202011097957.4A
Other languages
English (en)
Other versions
CN112270433A (zh
Inventor
徐海亮
孟志远
吴瀚
廖自力
魏曙光
王艳松
赵仁德
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.)
China University of Petroleum East China
Academy of Armored Forces of PLA
Original Assignee
China University of Petroleum East China
Academy of Armored Forces of PLA
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 China University of Petroleum East China, Academy of Armored Forces of PLA filed Critical China University of Petroleum East China
Priority to CN202011097957.4A priority Critical patent/CN112270433B/zh
Publication of CN112270433A publication Critical patent/CN112270433A/zh
Application granted granted Critical
Publication of CN112270433B publication Critical patent/CN112270433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • H02J3/008—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
    • H02J3/28—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
    • H02J3/46—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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/30—The power source being a fuel cell
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑可再生能源不确定性和用户满意度的微电网优化方法，该方法在微电网的负荷优化和经济优化中考虑了可再生能源出力的不确定性和用户满意度这两个因素；首先根据微电网的负荷类型、工作情况和环境状况得到微电网的日负荷和可再生能源出力的预测结果，之后建立包含用户满意度和可再生能源的追踪效果的需求侧响应模型，进而进行负荷优化；负荷优化结束后，根据得到的负荷优化曲线来安排蓄电池的调度策略，之后构建微电网各设备的数学模型，并建立考虑可再生能源不确定性的正态分布模型，最终以微电网的运行成本最低作为经济优化目标，通过粒子群算法求得设备的最佳出力和最低的运行成本。

Description

考虑可再生能源不确定性和用户满意度的微电网优化方法
技术领域
本发明属于微电网优化调度技术领域，尤其涉及一种考虑可再生能源不确定性和用户满意度的微电网优化方法。
背景技术
随着社会的发展和进步，人们对电力的需求迅速增长。电力的需求必然伴随着能源的消耗，而我国在能源利用方面存在着结构不合理、利用率低等问题。对于我国来说，火电占了很大的比重，这就会产生能源的需求与环境污染间的矛盾，如何解决这些问题对电力乃至国家的发展至关重要。
为解决上述问题，风能、太阳能等可再生能源受到了人们的重视，分布式发电研究不断深入，微电网的概念也随之产生。采用微电网来集成大规模的分布式电源，将可以用分散的方式解决技术问题，减少对极其分散和复杂的中央协调的需求，并促进智能电网的实现。微电网的出现使得国家使用新能源发电的比例提高，减轻了环境污染，降低了发电成本，给国家带来了巨大的经济效益和环境效益。
由于微电网所包含的能源种类较多，不同的能源所占的比例也不相同，这就需要对各个能源进行合理地分配。对于以太阳能和风能为代表的可再生能源，其设备出力具有不确定性，需要考虑其对微电网优化调度的影响。除了微电网的各种微源，负荷也是微电网的一个重要组成部分，在调度过程中通过负荷的调度，能够减小微电网的峰谷差，有助于微电网的稳定运行和降低运行成本。
为了使微电网能够安全、经济、稳定地运行，需要展开对微电网的优化调度，在调度过程中考虑可再生能源的不确定和负荷优化。尽管目前已经存在许多关于可再生能源不确定性和负荷优化的数学模型，但是对于可再生能源不确定性的数学模型，存在着参数复杂，求解困难的问题；对于负荷优化，多是服务于微电网的经济优化目标而未考虑到用户满意度这一因素。因此，简化可再生能源不确定性的数学模型，在负荷优化目标中考虑用户满意度是微电网调度中的一个重要内容。
发明内容
本发明的目的在于针对现有技术的不足，提出一种考虑可再生能源不确定性和用户满意度的微电网优化方法。
本发明的目的是通过以下技术方案来实现的：一种考虑可再生能源不确定性和用户满意度的微电网优化方法，该方法由负荷优化和经济优化两级优化组成：
第一级为负荷优化，该部分以用户满意度和可再生能源的追踪效果为目标建立负荷模型，并构建优化目标函数，利用粒子群算法求解目标函数，得到电负荷优化曲线，进而安排蓄电池的调度策略。负荷优化的目标函数如公式(3)-(5)所示：
Figure BDA0002724365060000021
Figure BDA0002724365060000022
f(PL)＝aLSL+bLEr (5)
其中，SL表示用户满意度；Ses表示用户购电满意度；SeL表示用户用电满意度；Sint表示负荷中断满意度；Δρt表示需求侧响应前后t时刻用电价格的变化；ρt表示t时刻的电价；Δdt表示需求侧响应前后t时刻负荷量的变化；dt表示需求侧响应前t时刻的负荷量；ΔPint,t表示t时刻负荷的中断量；PINT,t表示需求侧响应前t时刻可中断负荷的总量；Er表示可再生能源的追踪效果；PL,t表示t时刻的电负荷量；PWT,t和PPV,t表示t时刻的风机出力和光伏出力；cr为限制常数，用于平衡负荷的均值与可增生能源的均值之差，以防止负荷的变化超出限制；f(PL)表示负荷优化目标函数；aL和bL表示权重系数，aL为负数，bL为正数。
第二级为经济优化，该部分构建以正态分布为基础的可再生能源不确定性模型，并以备用容量配置成本作为衡量其不确定性的指标。之后，以微电网的运行成本最低为优化目标建立优化目标函数，最后根据第一级负荷优化得到的电负荷曲线和蓄电池调度策略利用粒子群算法求解，得到设备的最佳出力和微电网的运行成本。可再生能源不确定性模型如公式(8)-(10)所示：
ΔPWT～N(0,σWT 2) (8)
ΔPWT(t)＝Ppre(t)-Preal(t) (9)
Figure BDA0002724365060000023
其中，公式(8)表示均值为0，误差为σWT的正态分布；ΔPWT(t)表示风机的预测误差；Ppre(t)表示风机的预测功率；Preal(t)表示风机的实际功率；CR(t)表示配置备用容量的成本；
Figure BDA0002724365060000031
为正备用容量，用于防止负荷和风电向下波动；
Figure BDA0002724365060000032
为负备用容量，用于防止负荷和风电向上波动；αp和αn分别表示配置单位正备用容量和负备用容量的价格；
Figure BDA0002724365060000033
表示风电出力向下波动的电功率，
Figure BDA0002724365060000034
表示风电出力向上波动的电功率；
Figure BDA0002724365060000035
表示不考虑风电出力的不确定时预留的备用容量。
进一步地，所述正态分布的误差系数取风机额定功率的10％。
进一步地，所述不考虑风电出力的不确定时预留的备用容量
Figure BDA0002724365060000036
取t时刻电负荷的5％。
进一步地，第一级负荷优化模型中，将电负荷分为基础负荷、可转移负荷和可中断负荷三部分，在需求侧响应中引入分时电价曲线，进而考虑用户的用电体验感，在用户可接受的范围内，对负荷进行削减或是转移，实现电负荷的优化。
第二级经济优化模型中，微电网的运行成本包括燃料成本、维护成本、环境成本、售电和制冷收益和备用容量配置成本，采用权重系数法将多个经济优化目标转变为单个经济优化目标，经济优化目标函数如公式(22)所示：
Figure BDA0002724365060000037
其中，aP、bP、cP、dP、ep表示权重系数；CFi(t)表示燃料成本；COi(t)表示维护成本；CMi(t)表示环境成本；CGi(t)表示售电和制冷收益；CR(t)表示备用容量配置成本。
本发明的有益效果是：本发明构建了以正态分布为基础的可再生能源不确定性模型，避免了复杂参数的介入；同时，在负荷优化中，建立了考虑用户满意度的需求侧响应模型，在负荷的削减或是转移过程中充分考虑了用户的用电体验感。
附图说明
图1为本发明微电网系统结构图；
图2为负荷优化和经济优化流程图；
图3为微电网的日负荷预测和可再生能源预测图；
图4为负荷优化结果图；
图5为分时电价曲线图；
图6为正态分布误差系数取10％风机的额定功率时风机出力图；
图7为经济调度后各设备的出力图；
图8为成本降低贡献度图。
具体实施方式
为了更加具体地描述本发明，下面结合附图和具体实施案例对本发明作进一步说明。
本发明一种考虑可再生能源不确定性和用户满意度的微电网优化方法，所采用的微电网系统结构如图1所示，微电网系统工作在并网模式，由微燃机、冷负荷、风机、电负荷、光伏、蓄电池以及燃料电池组成。电负荷由基础负荷、可中断负荷和可转移负荷组成，由风机、光伏、微燃机、燃料电池、蓄电池和主电网供给；冷负荷由微燃机的余热发电系统供给。
本发明一种考虑可再生能源不确定性和用户满意度的微电网优化方法的流程如图2所示，微电网的优化分两部进行，分别是负荷优化和经济优化。
1.首先进行负荷优化，负荷优化以用户满意度最高，可再生能源追踪效果最好为优化目标，利用粒子群算法来求解目标函数，从而得到负荷优化曲线，包括如下步骤：
1.1建立微电网的负荷模型，将微电网中的电负荷分为基础负荷、可中断负荷和可转移负荷三类；其中，基础负荷无法被中断或是转移，因此其不参与负荷优化，可转移负荷和可中断负荷的数学模型如下所示：
Figure BDA0002724365060000041
Figure BDA0002724365060000042
其中，Ptran,k表示第k类可转移负荷的在t时刻的值，PT,k表示在调度周期T内第k类可转移负荷总量；Pint,k,t表示第k类可中断负荷的在t时刻的值，Pint,t表示可中断负荷在t时刻的总量，Ncut表示可中断负荷的数目，Sk,t表示第k类可中断负荷在t时刻的中断情况，Sk,t＝1表示被中断，Sk,t＝0表示不被中断。
1.2根据步骤1.1得到的微电网电负荷模型，构建考虑用户购电满意度、用电满意度、负荷中断满意度和可再生能源追踪效果的数学模型，如下所示：
Figure BDA0002724365060000043
Figure BDA0002724365060000044
其中，SL表示用户满意度，Ses表示用户购电满意度，SeL表示用户用电满意度，Sint表示负荷中断满意度；Δρt表示需求侧响应前后t时刻用电价格的变化，ρt表示t时刻的电价；Δdt表示需求侧响应前后t时刻负荷量的变化，dt表示需求侧响应前t时刻的负荷量；ΔPint,t表示t时刻负荷的中断量，PINT,t表示需求侧响应前t时刻可中断负荷的总量。Er表示可再生能源的追踪效果，PL,t表示t时刻的电负荷量，PWT,t表示t时刻的风机出力，PPV,t表示t时刻的光伏出力；cr为限制常数，用于平衡负荷的均值与可增生能源的均值之差，以防止负荷的变化超出限制。
1.3根据步骤1.2得到的用户满意度模型和可再生能源追踪效果模型，构建需求侧响应的优化目标函数，优化目标为用户满意度SL最高，可再生能源追踪效果Er最好，负荷优化目标函数见公式(5)：
f(PL)＝aLSL+bLEr (5)
其中，aL和bL表示权重系数，aL为负数，bL为正数。由公式(3)可知用户满意度SL越大，则用户满意度越高；由公式(4)可知，追踪效果Er越小，则追踪效果越好。因此，为将二者结合起来，将用户满意度SL的权重系数aL取了负数。
1.4将步骤1.3得到的负荷优化目标函数结合微电网的日负荷预测结果，通过粒子群算法求解，得到优化后的电负荷曲线。求解步骤如下所述：
1.4.1设置最大迭代次数，目标函数的自变量个数，粒子的数目和最大速度。图3为微电网的日负荷预测和可再生能源预测结果，即负荷优化前的结果。根据图3，自变量为可转移负荷、可中断负荷和可转移负荷，目标函数的自变量个数为3；以用户满意度SL公式(3)或追踪效果Er公式(4)为优化目标。
1.4.2定义适应度函数，适应度函数为公式(5)，计算每个粒子的适应度函数值，并从这些粒子的函数值中找到一个全局最优解，即函数的最小值，定义为本次全局最优解。
1.4.3将步骤1.4.2得到的全局最优解结合公式(6)、(7)更新粒子的速度和位置：
Vi_n＝wVi_o+C1rand(1)(Pi-Xi_o)+C2rand(1)(Pg-Xi_o) (6)
Xi_n＝Xi_o+Vi_n (7)
其中，Vi_o表示更新前粒子的速度信息，Vi_n表示更新后粒子的速度信息；w表示惯性因子，为常数；C1和C2表示加速因子，为常数；rand(1)表示区间[0,1]上的随机数；Pi表示第i个粒子在当前迭代次数下的最优值；Pg表示第i个粒子的的全局最优值；Xi_o表示更新前粒子的位置信息，Xi_n表示更新后粒子的位置信息。
1.4.4重复步骤1.4.2和1.4.3，直到达到最大迭代次数，最后输出求解结果。
图4为以公式(4)为优化目标，经过负荷优化后得到的电负荷曲线；图5为分时电价曲线，其中，0h-7h和23h-24h为谷时段，7h-10h,15h-18h和21h-23h为平时段，10h-15h和18h-21h为峰时段。根据图5对比图3和图4可知，采用本发明后，峰时段的负荷显著降低，即部分可转移负荷转移到电价较低的平时段和谷时段，调度周期内的电负荷峰谷差也随之减小。由于受用户满意度的影响，所以处于峰时段的负荷无法全部被转移，各时段的可中断负荷也无法全部被中断。此外，从图4可以看出，电力负荷曲线几乎全程跟踪可再生能源的波动。值得指出的是，17h-22h由于用电量较高，加上用户满意度的制约，因此追踪效果稍微受到了影响。
1.5将步骤1.4得到的电负荷曲线结合微电网的分时电价表，安排蓄电池的调度策略。
结合图4可知，当微电网处于峰时段时，由于电价高，电池需要工作在放电状态；而在谷时段时，电价较低，此时蓄电池应该充电或者不运行；当微电网进入平时段时，蓄电池如果荷电状态低于最小值，则充电，否则不运行。
2、进一步地，所述经济优化中包括如下步骤：
2.1建立微电网中各设备的数学模型和约束条件，并构建以正态分布为基础的可再生能源不确定性模型；建立微电网中各设备的数学模型和约束条件，并构建以正态分布为基础的可再生能源不确定性模型。
以正态分布为基础的可再生能源不确定性模型如公式(8)-(9)所示：
ΔPWT～N(0,σWT 2) (8)
ΔPWT(t)＝Ppre(t)-Preal(t) (9)
其中，公式(8)表示均值为0，误差为σWT的正态分布，这里取风机额定功率的10％；ΔPWT(t)表示风机的预测误差，Ppre(t)表示风机的预测功率，Preal(t)表示风机的实际功率。
图6展示了经正态分布拟合的风电数据和预测值的对比，可以看出经正态分布拟合的风电数据在某些时刻与预测值相差较大，这会对负荷优化中的可再生能源追踪造成一定的影响，因此考虑到可再生能源的不确定性和负荷的波动，微电网系统需要配置备用容量以保证系统的稳定性。配置备用容量的成本如下所示：
Figure BDA0002724365060000061
其中，CR(t)表示配置备用容量的成本；
Figure BDA0002724365060000062
为正备用容量，用于防止负荷和风电向下波动；αp表示配置单位正备用容量的价格；
Figure BDA0002724365060000063
为负备用容量，用于防止负荷和风电向上波动；αn分别表示配置单位负备用容量的价格；
Figure BDA0002724365060000071
表示风电出力向下波动的电功率，
Figure BDA0002724365060000072
表示风电出力向上波动的电功率；
Figure BDA0002724365060000073
表示不考虑风电出力的不确定时预留的正备用容量和负备用容量，这里
Figure BDA0002724365060000074
取t时刻电负荷的5％。
各设备的成本模型如公式(11)-(14)所示：
微燃机的成本模型：
Figure BDA0002724365060000075
其中，CMT(t)为微燃机在t时刻的运行成本；CFMT(t)、COMT(t)和CMMT(t)分别为微燃机的燃料成本、维护成本和环境成本；Cng为天然气价格；PMT(t)为t时刻微燃机的出力，ηMT(t)为t时刻微燃机的效率；KCOMT为微燃机单位功率的维护成本；αk为第k类污染物的折扣成本；λkMT为微燃机第k类污染物的排放系数；M表示污染物类型，本实施例考虑了NOx，SO2和CO2三种污染类型，M＝3。
燃料电池的成本模型：
Figure BDA0002724365060000076
其中，CFC(t)为燃料电池在t时刻的运行成本；CFFC(t)、COFC(t)和CMFC(t)分别为燃料电池的燃料成本、维护成本和环境成本；Cng为天然气价格；PFC(t)为t时刻燃料电池的出力，ηFC(t)为t时刻燃料电池的效率；KCOFC为燃料电池单位功率的维护成本；λkFC为燃料电池第k类污染物的排放系数。
蓄电池的数学模型如公式(13)所示：
COST(t)＝KCOST×|PST(t)| (13)
其中，COST(t)表示蓄电池维护成本；KCOST表示蓄电池的维护系数；PST(t)表示蓄电池的充电或放电功率，|PST(t)|表示蓄电池充电或放电功率的绝对值，本实例定义蓄电池充电功率为负值，放电功率为正值。
微电网的售电和制冷收益模型为：
Figure BDA0002724365060000081
其中，CGi(t)表示t时刻微电网的售电收益和制冷收益；Cgrid(t)表示售电收益；CCHP(t)表示制冷收益；Pgrid(t)表示t时刻向电网的售电量，当从电网购电时，其为正值，当向电网售电时，其为负值；ρ(t)表示电价；Qco(t)表示制冷量，即冷负荷量；qCHP(t)表示售冷价格。
根据上述数学模型(12)-(14)得到微电网的约束条件如公式(15)-(21)所示：
微电网的电功率平衡：
PL(t)＝PMT(t)+PFC(t)+PST(t)+PWT(t)+PPV(t)+Pgrid(t) (15)
其中，PL(t)为t时刻的电负荷量，PWT(t)为t时刻风电的出力，PPV(t)为t时刻光伏的出力。
微电网的冷功率平衡：
QL(t)＝Qco(t) (16)
其中，QL(t)为t时刻的冷负荷量。
设备的出力限制：
Pi min≤Pi(t)≤Pi max (17)
其中，Pi(t)为t时刻设备的出力，包括微燃机、燃料电池和蓄电池；Pi min为t时刻设备出力的最小值，Pi max为t时刻设备出力的最大值。
电网联络线容量限制：
Figure BDA0002724365060000082
其中，
Figure BDA0002724365060000083
为向电网的售电量的上限。
微燃机和燃料电池的爬坡限制：
Figure BDA0002724365060000084
其中，
Figure BDA0002724365060000085
为设备相邻时刻功率变化的上限，包括微燃机和燃料电池。
蓄电池的荷电状态(SOC)约束：
SOCmin≤SOC≤SOCmax (20)
Figure BDA0002724365060000086
其中，SOCmin和SOCmax为SOC的下限和上限；CM表示蓄电池的额定容量，C(t)为t时刻蓄电池剩余的容量。
2.2根据步骤2.1得到的数学模型(11)-(14)，构建微电网的经济优化目标函数，优化目标为微电网的燃料成本、维护成本、环境成本和备用容量配置成本最低。优化目标函数如公式(22)所示：
Figure BDA0002724365060000091
其中，aP、bP、cP、dP、ep表示权重系数；CFi(t)表示燃料成本；COi(t)表示维护成本；CMi(t)表示环境成本；CGi(t)表示售电和制冷收益；CR(t)表示备用容量配置成本。
2.3将步骤2.2得到的优化目标函数结合步骤1.4得到的负荷优化曲线和步骤1.5中的蓄电池调度策略展开微电网的经济调度，通过粒子群算法求解，得到设备的最佳出力；求解步骤与步骤1.4同理；其中，自变量为微燃机、燃料电池、蓄电池和电网的出力，自变量个数为4，适应度函数为公式(22)。
图7展示了经济调度后各设备的最佳出力曲线。从图7可以看出，0h-7h微电网处于谷时段，电池处于充电模式。在7h-10h，微电网进入平时段，电池不需充电，因此停止工作，由电网补充不足的电量。在10h-15h和18h-21h期间，微网进入峰时段，此时售电收入较高，因此燃料电池放电量增加以向电网售电。在15h-18h和21h-23h，微电网再次进入平时段。由于电池的SOC不低于其阈值，所以蓄电池不需要充电。最后，在22h-24h这段时间内，由于电池的SOC值较低，电池进入充电模式。
2.4将步骤2.3得到的优化结果(设备的最佳出力)和运行成本与未采用所提调度策略时进行分析对比。比对结果如表1所示。
表1：采用需求侧响应前后系统运行成本对比情况
Figure BDA0002724365060000092
由表1可知，采用需求侧响应后，微网总成本降低。图8展示了取10％预测误差时，采用需求侧响应后，各部分对成本降低的贡献度。可以得出结论，总成本的降低主要来自于售电和制冷收益。由于冷负荷不参与需求侧响应，因此总成本的降低主要取决于售电受益。也就是说，本发明使微网在峰时段获得较高的售电量收入，在平时段或谷时段降低购电成本。从上表1和图8可以进一步总结出，采用所提出的方法，燃料成本和环境成本也有所降低，有利于节能环保。
综上所述，本发明提出的一种考虑可再生能源不确定性和用户满意度的微电网优化方法，可以将部分非必要的峰时段负荷转移到平时段和谷时段，有利于减少负荷波动。本发明对微电网经济的影响主要体现在售电和制冷收益上，因为峰时段向电网售电可以获得更多的收益。此外，可再生不确定性对经济成本的影响主要体现在配置备用容量成本上。随着预测误差的增大，备用容量成本将会增加，负荷对可再生能源的追踪效果也会变差。

Claims (4)

1.一种考虑可再生能源不确定性和用户满意度的微电网优化方法，其特征在于，该方法由负荷优化和经济优化两级优化组成：
第一级为负荷优化，该部分以用户满意度和可再生能源的追踪效果为目标建立负荷模型，并构建优化目标函数，利用粒子群算法求解目标函数，得到电负荷优化曲线，进而安排蓄电池的调度策略；负荷优化的目标函数如公式(3)-(5)所示：
Figure FDA0004183016320000011
Figure FDA0004183016320000012
f(PL)＝aLSL+bLEr (5)
其中，SL表示用户满意度；Ses表示用户购电满意度；SeL表示用户用电满意度；Sint表示负荷中断满意度；T表示调度周期；Δρt表示需求侧响应前后t时刻用电价格的变化；ρt表示t时刻的电价；Δdt表示需求侧响应前后t时刻负荷量的变化；dt表示需求侧响应前t时刻的负荷量；ΔPint,t表示t时刻负荷的中断量；PINT,t表示需求侧响应前t时刻可中断负荷的总量；Er表示可再生能源的追踪效果；PL,t表示t时刻的电负荷量；PWT,t和PPV,t表示t时刻的风机出力和光伏出力；cr为限制常数，用于平衡负荷的均值与可增生能源的均值之差，以防止负荷的变化超出限制；f(PL)表示负荷优化目标函数；aL和bL表示权重系数，aL为负数，bL为正数；
第二级为经济优化，该部分构建以正态分布为基础的可再生能源不确定性模型，并以备用容量配置成本作为衡量其不确定性的指标；之后，以微电网的运行成本最低为优化目标建立优化目标函数，最后根据第一级负荷优化得到的电负荷曲线和蓄电池调度策略利用粒子群算法求解，得到设备的最佳出力和微电网的运行成本；可再生能源不确定性模型如公式(8)-(10)所示：
ΔPWT～N(0,σWT 2) (8)
ΔPWT(t)＝Ppre(t)-Preal(t) (9)
Figure FDA0004183016320000021
其中，公式(8)表示均值为0，误差为σWT的正态分布；ΔPWT(t)表示风机的预测误差；Ppre(t)表示风机的预测功率；Preal(t)表示风机的实际功率；CR(t)表示配置备用容量的成本；
Figure FDA0004183016320000028
为正备用容量，用于防止负荷和风电向下波动；
Figure FDA0004183016320000022
为负备用容量，用于防止负荷和风电向上波动；αp和αn分别表示配置单位正备用容量和负备用容量的价格；
Figure FDA0004183016320000023
表示风电出力向下波动的电功率，
Figure FDA0004183016320000024
表示风电出力向上波动的电功率；
Figure FDA0004183016320000025
表示不考虑风电出力的不确定时预留的备用容量；
第二级经济优化模型中，微电网的运行成本包括燃料成本、维护成本、环境成本、售电和制冷收益和备用容量配置成本，采用权重系数法将多个经济优化目标转变为单个经济优化目标，经济优化目标函数如公式(22)所示：
Figure FDA0004183016320000026
其中，aP、bP、cP、dP、ep表示权重系数；CFi(t)表示燃料成本；COi(t)表示维护成本；CMi(t)表示环境成本；CGi(t)表示售电和制冷收益；CR(t)表示备用容量配置成本。
2.根据权利要求1所述考虑可再生能源不确定性和用户满意度的微电网优化方法，所述正态分布的误差系数取风机额定功率的10％。
3.根据权利要求1所述考虑可再生能源不确定性和用户满意度的微电网优化方法，其特征在于，所述不考虑风电出力的不确定时预留的备用容量
Figure FDA0004183016320000027
取t时刻电负荷的5％。
4.根据权利要求1所述考虑可再生能源不确定性和用户满意度的微电网优化方法，其特征在于，第一级负荷优化模型中，将电负荷分为基础负荷、可转移负荷和可中断负荷三部分，在需求侧响应中引入分时电价曲线，进而考虑用户的用电体验感，在用户可接受的范围内，对负荷进行削减或是转移，实现电负荷的优化。
CN202011097957.4A 2020-10-14 2020-10-14 考虑可再生能源不确定性和用户满意度的微电网优化方法 Active CN112270433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011097957.4A CN112270433B (zh) 2020-10-14 2020-10-14 考虑可再生能源不确定性和用户满意度的微电网优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011097957.4A CN112270433B (zh) 2020-10-14 2020-10-14 考虑可再生能源不确定性和用户满意度的微电网优化方法

Publications (2)

Publication Number Publication Date
CN112270433A CN112270433A (zh) 2021-01-26
CN112270433B true CN112270433B (zh) 2023-05-30

Family

ID=74338029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011097957.4A Active CN112270433B (zh) 2020-10-14 2020-10-14 考虑可再生能源不确定性和用户满意度的微电网优化方法

Country Status (1)

Country Link
CN (1) CN112270433B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113890106A (zh) * 2021-08-20 2022-01-04 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于多能互补非线性模型的综合能源基地负荷优化系统
CN113988578A (zh) * 2021-10-25 2022-01-28 国网山东省电力公司青岛供电公司 计及可靠性的微电网群源网荷储协同优化调度方法及系统
CN113988471A (zh) * 2021-11-22 2022-01-28 西南交通大学 一种微电网运行多目标优化方法
CN114301081B (zh) * 2022-01-11 2024-06-14 大连理工大学 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法
CN116780627B (zh) * 2023-06-27 2024-07-09 中国电建集团华东勘测设计研究院有限公司 一种建筑园区内的微电网调控方法
CN117613974B (zh) * 2023-11-21 2024-10-18 中国铁塔股份有限公司重庆市分公司 结合非线性规划的分层多目标楼宇微电网调度方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156789A (zh) * 2014-08-21 2014-11-19 重庆大学 计及储能寿命损耗的孤立微电网最优经济运行方法
CN104376385A (zh) * 2014-11-27 2015-02-25 重庆大学 一种微电网电价优化方法
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107563676A (zh) * 2017-10-11 2018-01-09 华中科技大学 考虑多时间尺度多类型需求响应的源荷协调运行调度方法
CN108429288A (zh) * 2018-04-12 2018-08-21 荆州市荆力工程设计咨询有限责任公司 一种考虑需求响应的离网型微电网储能优化配置方法
CN108462198A (zh) * 2018-01-24 2018-08-28 三峡大学 一种基于多代理技术的多能互补微网优化调度方法
CN110112734A (zh) * 2019-06-04 2019-08-09 华北电力大学 一种基于启发式规则的微网优化调度方法
CN110289622A (zh) * 2019-03-26 2019-09-27 国网浙江省电力有限公司嘉兴供电公司 一种光储充能量路由器的日前经济优化调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156789A (zh) * 2014-08-21 2014-11-19 重庆大学 计及储能寿命损耗的孤立微电网最优经济运行方法
CN104376385A (zh) * 2014-11-27 2015-02-25 重庆大学 一种微电网电价优化方法
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107563676A (zh) * 2017-10-11 2018-01-09 华中科技大学 考虑多时间尺度多类型需求响应的源荷协调运行调度方法
CN108462198A (zh) * 2018-01-24 2018-08-28 三峡大学 一种基于多代理技术的多能互补微网优化调度方法
CN108429288A (zh) * 2018-04-12 2018-08-21 荆州市荆力工程设计咨询有限责任公司 一种考虑需求响应的离网型微电网储能优化配置方法
CN110289622A (zh) * 2019-03-26 2019-09-27 国网浙江省电力有限公司嘉兴供电公司 一种光储充能量路由器的日前经济优化调度方法
CN110112734A (zh) * 2019-06-04 2019-08-09 华北电力大学 一种基于启发式规则的微网优化调度方法

Also Published As

Publication number Publication date
CN112270433A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN112270433B (zh) 考虑可再生能源不确定性和用户满意度的微电网优化方法
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN111463836B (zh) 一种综合能源系统优化调度方法
Liu et al. Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
Ren et al. A novel planning method for design and dispatch of hybrid energy systems
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN112068436A (zh) 工业园区的综合能源系统分层分布式控制方法及系统
CN111126675A (zh) 多能互补微网系统优化方法
CN113592365A (zh) 一种考虑碳排放与绿电消纳的能源优化调度方法及系统
CN110504684B (zh) 一种区域多微网系统日前优化调度方法
Mao et al. Economic Dispatch of Microgrid Considering Fuzzy Control Based Storage Battery Charging and Discharging.
CN117639105A (zh) 一种考虑火电机组爬坡影响的微电网容量优化配置方法
Wang et al. Optimal dispatching modeling of regional power–heat–gas interconnection based on multi-type load adjustability
CN112561120B (zh) 一种基于微电网参考日前市场出清系统优化运行方法
Han et al. Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation
Zhu et al. Optimal scheduling of combined heat and power systems integrating hydropower-wind-photovoltaic-thermal-battery considering carbon trading
CN115099473A (zh) 近零碳区域综合能源系统多目标优化方法
CN112541778B (zh) 一种基于微电网参与两阶段市场出清系统优化运行方法
CN114091917A (zh) 冷热电联供型微电网动态环保经济调度方法及系统
Yiru et al. A modified particle swarm optimization based algorithm for the energy management strategy of a regional integrated energy system
Hang Optimal Scheduling of DC Microgrids based on MOPSO Algorithm

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