CN112464419B - 基于随机鲁棒混合优化的独立微电网设计系统及方法 - Google Patents
基于随机鲁棒混合优化的独立微电网设计系统及方法 Download PDFInfo
- Publication number
- CN112464419B CN112464419B CN202011285881.8A CN202011285881A CN112464419B CN 112464419 B CN112464419 B CN 112464419B CN 202011285881 A CN202011285881 A CN 202011285881A CN 112464419 B CN112464419 B CN 112464419B
- Authority
- CN
- China
- Prior art keywords
- design
- formula
- planning
- load
- grid
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 99
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009434 installation Methods 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002283 diesel fuel Substances 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000003462 Bender reaction Methods 0.000 claims description 3
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 6
- 230000035699 permeability Effects 0.000 description 6
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- 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
- H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel 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
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Computational Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及独立微电网技术领域,具体为一种基于随机鲁棒混合优化的独立微电网设计系统及方法,该系统包括数据采集模块、投资规划测算模块和设计方案输出模块;数据采集模块用于采集设计因素信息;投资规划测算模块接收来自数据采集模块的设计因素信息并对其进行分析生成设计方案结果;设计方案输出模块用于导出投资规划测算模块生成的设计方案结果。本发明提出的独立微电网两阶段随机鲁棒投资规划模型可以对不确定参数进行调节,因此可以充分考虑系统中可再生能源和负荷的不确定性,进而得到不同调节参数下的规划方案,从而能够得到投资规划更加合理的独立微电网设计方案。
Description
技术领域
本发明涉及独立微电网技术领域,具体为一种基于随机鲁棒混合优化的独立微电网设计系统及方法。
背景技术
电力系统中各种电压的变电所及输配电线路组成的整体,称为电网。近年来,伴随着中国电力发展步伐不断加快,中国电网也得到迅速发展,电网系统运行电压等级不断提高,网络规模也不断扩大,全国已经形成了东北电网、华北电网、华中电网、华东电网、西北电网和南方电网6个跨省的大型区域电网,并基本形成了完整的长距离输电电网网架。
但是,由于地理位置上的限制,远离电网的偏远地区和岛屿的电力供应仍然是一个巨大的挑战。这些地区的电力供应主要依靠柴油发电机,而柴油发电机面临着燃料成本高和环境污染的问题。对于一些地区来说,电力短缺与其拥有的丰富的可再生能源相悖。这促使政府和其他利益相关者投资可再生能源技术,并将“纯柴油”系统转变为基于可再生能源的系统,提高系统可再生能源渗透率,降低柴油的使用。因此,如何合理设计分布式电源容量将成为独立微电网推广应用的关键因素之一。
在现有的独立微电网设计方案中,通常会根据不同的设计目标和技术经济约束条件,进行独立微电网的经济规划,从而为微电网建设提供了有效的决策支持。然而,在这些设计方案中并未考虑设备的投资时机,这是微电网规划的一个关键因素。通常,设计方案的实施方式是在整个规划周期的第一年安装所有的分布式电源,这将导致项目为将来可能的负荷增长之用而在初始阶段产生冗余的设备容量,从而造成不必要的能源浪费。此外,独立微电网投资的经济性还受许多敏感因素影响,如设备成本变化,柴油价格波动,贷款比例,负荷增长和设备性能下降等。对于独立微电网来说,可再生能源和负荷不确定性的影响也一直是规划决策中的一个重要挑战。而现有的独立微电网设计方案尚未建立一个综合考虑上述所有敏感因素以及可再生能源和负荷不确定性的经济规划模型。
发明内容
针对现有技术中的问题,本发明提供一种基于随机鲁棒混合优化的独立微电网设计方法。
为实现以上技术目的,本发明的技术方案是:
一种基于随机鲁棒混合优化的独立微电网设计系统,包括数据采集模块、投资规划测算模块和设计方案输出模块;
所述数据采集模块用于采集设计因素信息,所述设计因素信息至少包括独立微电网的投资因素信息、负荷和资源的功率曲线信息、规划年限信息和装机容量约束信息;
所述投资规划测算模块接收来自数据采集模块的设计因素信息并对其进行分析生成设计方案结果;
所述设计方案输出模块用于导出投资规划测算模块生成的设计方案结果。
作为优选,所述投资因素信息至少包括柴油价格波动因素、电网负荷增长率变化因素、光伏和电池投资价格变化因素、贷款比例因素。
作为优选,所述设计方案表述为一个混合整数线性规划的数学问题,通过计算机对其进行求解,获得设计方案结果。
作为优选,所述求解的方法为:在软件MATLAB R2017a的环境下运行所述数学问题,通过调用IBM ILOG CPLEX 12.6.3和YALMIP优化工具箱进行求解。
作为优选,所述投资规划测算模块内置有投资规划模型,所述投资规划模型用于对设计因素信息进行分析并生成设计方案结果,所述投资规划模型的的实现方法如下:
步骤A.建立独立微电网随机投资规划模型;
步骤B.建立独立微电网随机鲁棒投资规划模型;
步骤C.两阶段随机鲁棒规划模型求解。
作为优选,所述步骤A的实现方法如下:
步骤A1,设立目标函数如下:
式(1)中,NY为规划年限;为第n年安装分布式电源k的数量;/>为分布式电源k最小安装单元的容量;/>为第n年分布式电源k单位容量的投资价格;rload和r分别为贷款比例和折现率;/>为系统第n年分布式电源k的实际安装容量;/>和/>分别为分布式电源k单位容量的运维成本以及残值;Nload为贷款年限;APR为贷款年利率;ωn,d和ωs分别为典型日d和柴油价格场景s的权重系数;/>和/>分别为第n年典型日d场景s下第t时段的柴油机输出功率和负荷缺失功率;πfuel,n,s为第n年场景s下的柴油价格;eDG为柴油机的单位燃料消耗(L/kWh);qL为单位失负荷惩罚成本。
步骤A2,对目标函数进行条件约束:
式(2)中,μ为柴油机最低负载率;SOC和分别为电池SOC允许充放电的下限和上限;/>为第n年典型日d场景s下第t时段的电池剩余容量;/>和/>分别为第n年典型日d场景s下电池的充电功率和放电功率;γch和γdis分别为电池的最大充电倍率和最大放电倍率;/>为电池更换行为的二进制决策变量;Emax为单位容量电池的最大放电量;Rn为第n年电池的剩余寿命;/>为第n年典型日d第t时段光伏预测出力;σPV为光伏每年出力衰减率;/>为第n年分布式电源k的安装容量上限;/>为第n年典型日d场景s下第t时段的弃光伏功率;/>和/>为第n年典型日d第t时段光伏实际出力和系统负荷需求;
步骤A3,引入辅助变量,对式(2)进行线性化处理:
由于式(2)中第五行、第六行和第十行为非线性约束,通过引入辅助变量和相关约束来线性化,结果如式(3)所示:
式(3)中,L'n、L”n和L”n为引入的辅助变量;为第n年电池最大放电量;
步骤A4,对式(3)中的变量进行分类,如式(4)所示:
式(4)中,x、y分别为规划层和运行层变量;
步骤A5,通过几何布朗运动的随机过程生成柴油价格场景,如式(5)所示:
式(5)中,rfuel为柴油价格年增长率;ε为正态分布的随机部分,均值为0,标准差由历史数据计算得到,通过上式得到规划期内不同的柴油价格场景,并通过场景约简算法进行压缩,获得随机优化模型的紧凑型,如式(6)所示:
式(6)中,c、d分别为目标函数的系数矩阵,A、B、Q、G、W、F、M、R和I分别为约束条件对应的变量的矩阵系数,a,b,q,g,h和m为常数向量矩阵系数, 为第n年典型日d第t时段负荷预测功率。
作为优选,所述步骤B的实现方法如下:
步骤B1,采用箱型不确定集U对规划周期内的负荷和光伏出力的不确定性进行定义,如式(7)所示:
式(7):和/>分别为第n年典型日d第t时段相对于光伏、负荷预测功率的最大偏差;ΓPV和Γload分别为光伏出力和负荷功率引入的不确定调节参数,取值为范围在0~T内的整数,表示在调度周期内光伏出力和负荷功率取到预测值下限或上限的时段总数,其取值越大,恶劣场景数就越多,得到的方案就越保守;
步骤B2,考虑式(7)所示的光伏出力和负荷功率的不确定集合后,对式(6)所示的随机优化模型转化为如式(8)所示的两阶段随机鲁棒混合优化模型:
步骤B3,将式(8)所示的两阶段随机鲁棒混合优化模型的原两阶段问题分解为第一阶段主问题和第二阶段子问题,第一阶段主问题是在原有负荷和光伏出力“最恶劣”情况下,得到总成本最小的规划方案,x作为该阶段的待求解变量,第二阶段子问题是在第一阶段得到的规划方案基础上,根据设定的不确定调节参数ΓPV和Γload,寻找使得子问题目标函数最大的光伏和负荷的恶劣场景,y和u作为该阶段的待求解变量,其至少包括与微电网调度运行有关的变量;
对于第二阶段子问题:子问题具有max-min的结构形式,对于给定的x,子问题内层最小化问题是一个线性规划模型,采用强对偶理论将其转化成对偶最大化问题与外层的max合并,通过引入辅助变量和相关约束对线性化可以得到最终的max等价形式,如式:
γ≥0,ψ≥0,
τ,θ和都为自由变量,
u∈U
式(9)中,对偶变量为 和/>分别为第n年典型日d第t时段的恶劣场景决策二进制变量,/>为引入的辅助变量,M为一个足够大的实数。
对于第一阶段主问题:主问题的紧凑形式如式(10)所示:
s.t.Ax≥a,
Bx=b,
α≥dTy,
Qy≥q,
Gy=g,
Wy≥h-Fx,
My=m-Rx,
Iy=u,
式(10)中,α为辅助变量,最后一行为子问题最优解构成的有效割,k表示在主问题中添加的割集总个数,l表示主问题中添加的第l个割集;下标表示在主问题中添加第l个割集时子问题的最优解。
作为优选,所述步骤C的实现方法如下:利用Benders分解法求解上述式(9)-式(10)所示的两阶段随机鲁棒规划模型。
本发明还提供一种基于随机鲁棒混合优化的独立微电网设计方法,使用前述的基于随机鲁棒混合优化的独立微电网设计系统,具体步骤包括:
步骤a:采集设计因素信息;
步骤b:将采集到的设计因素信息通过数据采集模块导入独立微电网设计系统;
步骤c:投资测算规划测算模块对设计因素信息进行分析生成设计方案结果;
步骤d:通过设计方案输出模块导出设计方案结果;
步骤e:根据设计方案结果,进行独立微电网设计。
作为优选,所述步骤a的实现方法如下:
步骤a1.采集拟设计的独立微电网的投资因素信息、负荷和资源的功率曲线信息、规划年限信息和各设备装机容量约束信息;
步骤a2.将步骤a1中采集到的信息转化为数据采集模块所需的输入文件格式,形成输入文件。
从以上描述可以看出,本发明具备以下优点:
(1)本发明首先构建了独立微电网随机多年投资规划模型,然后在此基础上,对比不同敏感因素下的规划方案,通过灵敏度分析,得到不同敏感因素下的经济指标和统计数据,有利于进一步指导微电网投资。
(2)本发明提出的独立微电网两阶段随机鲁棒投资规划模型可以对不确定参数进行调节,因此可以充分考虑系统中可再生能源和负荷的不确定性,进而得到不同调节参数下的规划方案,从而能够得到投资规划更加合理的独立微电网设计方案。
附图说明
图1是本发明所述设计系统的系统框图;
图2是本发明所述设计方法的流程图;
图3是不同场景下的柴油价格及场景选取依据图;
图4是2020年-2034年的光伏和电池价格走势图;
图5是实施例中Case1-Case3的规划结果对比图;
图6是实施例中Case1-Case3的指标对比图;
图7是实施例中Case1-Case3的累计净现金流量现值对比图;
图8是实施例中Case4-Case7的规划结果对比图;
图9是实施例中Case4-Case7的指标对比图;
图10是实施例中Case4-Case7的累计净现金流量现值对比图;
图11是实施例中Case8-Case10的规划结果对比图;
图12是实施例中Case8-Case10的指标对比图;
图13是实施例中Case8-Case10的累计净现金流量对比图;
图14是实施例中不同不确定调节参数下的总成本和柴油成本对比图;
图15是实施例中不同不确定调节参数下的电池初始安装和更新容量对比图;
图16是实施例中不同不确定调节参数下系统全寿命周期光伏渗透率对比图。
具体实施方式
结合图1至图16,详细说明本发明的一个具体实施例,但不对本发明的权利要求做任何限定。
如图1所示,一种基于随机鲁棒混合优化的独立微电网设计系统,包括数据采集模块、投资规划测算模块和设计方案输出模块,具体功能如下:
(1)数据采集模块用于采集设计因素信息,设计因素信息至少包括独立微电网的投资因素信息、负荷和资源的功率曲线信息、规划年限信息和装机容量约束信息;其中:投资因素信息至少包括柴油价格波动因素、电网负荷增长率变化因素、光伏和电池投资价格变化因素、贷款比例因素。
(2)投资规划测算模块接收来自数据采集模块的设计因素信息并对其进行分析生成设计方案结果;
投资规划测算模块内置有投资规划模型,投资规划模型用于对设计因素信息进行分析并生成设计方案结果,投资规划模型的的实现方法如下:
步骤A.建立独立微电网随机投资规划模型,具体如下:
步骤A1,设立目标函数如下:
式(1)中,NY为规划年限;为第n年安装分布式电源k的数量;/>为分布式电源k最小安装单元的容量;/>为第n年分布式电源k单位容量的投资价格;rload和r分别为贷款比例和折现率;/>为系统第n年分布式电源k的实际安装容量;/>和/>分别为分布式电源k单位容量的运维成本以及残值;Nload为贷款年限;APR为贷款年利率;ωn,d和ωs分别为典型日d和柴油价格场景s的权重系数;/>和/>分别为第n年典型日d场景s下第t时段的柴油机输出功率和负荷缺失功率;πfuel,n,s为第n年场景s下的柴油价格;eDG为柴油机的单位燃料消耗(L/kWh);qL为单位失负荷惩罚成本。
步骤A2,对目标函数进行条件约束:
式(2)中,μ为柴油机最低负载率;SOC和分别为电池SOC允许充放电的下限和上限;/>为第n年典型日d场景s下第t时段的电池剩余容量;/>和/>分别为第n年典型日d场景s下电池的充电功率和放电功率;γch和γdis分别为电池的最大充电倍率和最大放电倍率;/>为电池更换行为的二进制决策变量;Emax为单位容量电池的最大放电量;Rn为第n年电池的剩余寿命;/>为第n年典型日d第t时段光伏预测出力;σPV为光伏每年出力衰减率;/>为第n年分布式电源k的安装容量上限;/>为第n年典型日d场景s下第t时段的弃光伏功率;/>和/>为第n年典型日d第t时段光伏实际出力和系统负荷需求;
步骤A3,引入辅助变量,对式(2)进行线性化处理:
由于式(2)中第五行、第六行和第十行为非线性约束,通过引入辅助变量和相关约束来线性化,结果如式(3)所示:
式(3)中,L'n、L”n和L”n为引入的辅助变量;为第n年电池最大放电量;
步骤A4,对式(3)中的变量进行分类,如式(4)所示:
式(4)中,x、y分别为规划层和运行层变量;
步骤A5,通过几何布朗运动的随机过程生成柴油价格场景,如式(5)所示:
式(5)中,rfuel为柴油价格年增长率;ε为正态分布的随机部分,均值为0,标准差由历史数据计算得到,通过上式得到规划期内不同的柴油价格场景,并通过场景约简算法进行压缩,获得随机优化模型的紧凑型,如式(6)所示:
式(6)中,c、d分别为目标函数的系数矩阵,A、B、Q、G、W、F、M、R和I分别为约束条件对应的变量的矩阵系数,a,b,q,g,h和m为常数向量矩阵系数, 为第n年典型日d第t时段负荷预测功率。
步骤B.建立独立微电网随机鲁棒投资规划模型,具体如下:
步骤B1,采用箱型不确定集U对规划周期内的负荷和光伏出力的不确定性进行定义,如式(7)所示:
式(7):和/>分别为第n年典型日d第t时段相对于光伏、负荷预测功率的最大偏差;ΓPV和Γload分别为光伏出力和负荷功率引入的不确定调节参数,取值为范围在0~T内的整数,表示在调度周期内光伏出力和负荷功率取到预测值下限或上限的时段总数,其取值越大,恶劣场景数就越多,得到的方案就越保守;
步骤B2,考虑式(7)所示的光伏出力和负荷功率的不确定集合后,对式(6)所示的随机优化模型转化为如式(8)所示的两阶段随机鲁棒混合优化模型:
步骤B3,将式(8)所示的两阶段随机鲁棒混合优化模型的原两阶段问题分解为第一阶段主问题和第二阶段子问题,第一阶段主问题是在原有负荷和光伏出力“最恶劣”情况下,得到总成本最小的规划方案,x作为该阶段的待求解变量,第二阶段子问题是在第一阶段得到的规划方案基础上,根据设定的不确定调节参数ΓPV和Γload,寻找使得子问题目标函数最大的光伏和负荷的恶劣场景,y和u作为该阶段的待求解变量,其至少包括与微电网调度运行有关的变量;
对于第二阶段子问题:子问题具有max-min的结构形式,对于给定的x,子问题内层最小化问题是一个线性规划模型,采用强对偶理论将其转化成对偶最大化问题与外层的max合并,通过引入辅助变量和相关约束对线性化可以得到最终的max等价形式,如式:
γ≥0,ψ≥0,
τ,θ和都为自由变量,
u∈U
式(9)中,对偶变量为 和/>分别为第n年典型日d第t时段的恶劣场景决策二进制变量,/>为引入的辅助变量,M为一个足够大的实数。
对于第一阶段主问题:主问题的紧凑形式如式(10)所示:
s.t.Ax≥a,
Bx=b,
α≥dTy,
Qy≥q,
Gy=g,
Wy≥h-Fx,
My=m-Rx,
Iy=u,
式(10)中,α为辅助变量,最后一行为子问题最优解构成的有效割,k表示在主问题中添加的割集总个数,l表示主问题中添加的第l个割集;下标表示在主问题中添加第l个割集时子问题的最优解。
步骤C.两阶段随机鲁棒规划模型求解,利用Benders分解法求解上述式(9)-式(10)所示的两阶段随机鲁棒规划模型。
从上述描述可以看出,设计方案表述为一个混合整数线性规划的数学问题,通过计算机对其进行求解即可获得设计方案结果。实际应用时,可在计算机的软件MATLABR2017a的环境下运行所述数学问题,通过调用IBM ILOG CPLEX 12.6.3和YALMIP优化工具箱进行求解。
(3)设计方案输出模块用于导出投资规划测算模块生成的设计方案结果。
使用上述基于随机鲁棒混合优化的独立微电网设计系统进行独立微电网设计,如图2所示,具体步骤如下:
步骤a:采集设计因素信息:首先采集拟设计的独立微电网的投资因素信息、负荷和资源的功率曲线信息、规划年限信息和各设备装机容量约束信息,然后再将采集到的信息转化为数据采集模块所需的输入文件格式,形成输入文件;
步骤b:将采集到的设计因素信息通过数据采集模块导入独立微电网设计系统;
步骤c:投资测算规划测算模块对设计因素信息进行分析生成设计方案结果;
步骤d:通过设计方案输出模块导出设计方案结果;
步骤e:根据设计方案结果,进行独立微电网设计。
下面基于上述独立微电网设计系统及方法,结合实际案例,对该设计系统及方法的技术效果进行验证。
当柴油价格年增长率为0.27%时,经选取得到的柴油价格场景如图3所示,未来光伏和电池价格走势如图4所示。
1)单阶段和多阶段规划结果对比
为验证本发明所提出的多年投资规划模型的有效性,本小节建立了三个Case进行对比,定义如下:
Case1:不考虑负荷增长的单阶段规划;
Case2:考虑3%的负荷增长率,但仅允许设备在系统第一年进行投资;
Case3:考虑3%的负荷增长率,并允许设备进行多阶段投资。
对比情况如表1所示:
表1
从表1中可以看出,采用多阶段投资的Case3可以在降低系统总成本的同时提高自有资金内部收益率。此外,多阶段投资还可以提高系统全寿命周期的光伏渗透率,降低系统全寿命周期的弃光率,减少资源的浪费。
如图5-图6所示,多阶段投资方式会使得系统初期光储配置容量较低,中后期会增加光储的配置容量。这一投资行为会使得系统每年的弃光率维持在一个较低的水平,对光伏的利用更为合理。
从图7可以看出,多阶段投资方式前期投入资金较少,自有资金回收期相对较短,且项目的净现值较大。这说明了多阶段投资相对于单阶段投资在各个经济指标上均具备一定的优势。
2)不同负荷增长率下的规划结果对比
为了进一步体现本发明所提多阶段投资模型的优势。本小节建立了四个Case进行对比。定义如下:
Case4:考虑5%的负荷增长率,但仅允许设备在系统第一年进行投资;
Case5:考虑5%的负荷增长率,并允许设备进行多阶段投资;
Case6:考虑7%的负荷增长率,但仅允许设备在系统第一年进行投资;
Case7:考虑7%的负荷增长率,并允许设备进行多阶段投资。
对比情况如表2所示:
表2
/>
从表2可以看出,在负荷增长率相同的时候,本发明所提的多阶段投资模型优势更加明显。采用多阶段投资方式的案例相比其对应采用单阶段投资方式的案例具有更高的自有资金内部收益率。同时,当微电网采用多阶段投资方式时,随着负荷增长率的升高,系统全寿命周期的光伏弃光率几乎不会发生变化。而在单阶段投资方式下,系统全寿命周期的光伏弃光率会随着负荷增长率的升高而有所上升。这一对比更加突出了多阶段投资方式的优势。
如图8-图9所示,多阶段投资方式下系统的初期光储配置容量均较低,几乎不受负荷增长率的影响,而中后期的光储配置容量会根据负荷增长率发生变化。此外,多阶段的投资方式可以使得系统每年的渗透率维持在一个较低的水平。
从图10可以看出,多阶段规划算例在系统前中期的累计净现金流量现值几乎不受负荷增长率的影响,系统前期投入均较少。但是,负荷增长率的升高对单阶段规划算例的累计净现金流量现值影响较大,会增大系统的前期投入。多阶段规划算例在一定程度上可以降低系统的总成本,因此多阶段规划算例的净现值要高于相应的单阶段规划算例的净现值。
3)不同贷款比例下的规划结果对比
不同的贷款比例会规划结果产生影响,为对比不同贷款比例下的规划结果,本节设置了三个不同贷款比例下的算例来进行对比,定义如下:
Case8:贷款比例为0%;
Csae9:贷款比例为40%;
Case10:贷款比例为80%。
对比情况如表3所示:
从表3可以看出,贷款比例主要影响自有资金内部收益率,贷款比例越大,自有资金内部收益率越高,相应地所承担的风险也越高。
如图11-图12所示,贷款比例的不同主要会对系统前期光伏和电池的配置容量产生影响,相应的光伏渗透率和光伏弃光率也会受到影响。
从图13可以看出,不同的贷款比例对累计净现金流量现值的影响较大。选择适当的贷款比例可以缓解企业资金周转压力,同时也可以使得企业自有资金的回收期缩短。
4)光伏、电池和柴油价格灵敏度分析
为对比光伏和电池价格下降速度和柴油价格增长率对规划结果的影响,本节设置了六个案例,定义如下:
Case11:光伏价格使用图2(a)中的Slow场景;
Case12:光伏价格使用图2(a)中的Fast场景;
Case13:电池价格使用图2(b)中的Slow场景;
Case14:电池价格使用图2(b)中的Fast场景;
Case15:柴油价格年增长率为1%;
Case16:柴油价格年增长率为2%。
对比情况如表4所示:
表4
从表4可以看出,光伏、电池和柴油价格的变动对系统的配置结果以及自有资金内部收益率均会产生一定的影响。总的趋势是光伏和电池价格越低,柴油价格越高,系统光伏和电池的配置容量也大。
5)不确定调节参数对规划结果的影响
不同光伏和负荷不确定调节参数下规划方案的总成本和柴油成本如图14所示。从中可以看出,随着不确定调节参数的增大,规划方案的总成本和柴油成本也会相应的增大,这体现了方案的鲁棒性。
从图15-图16可以看出,当负荷不确定调节参数相同时,光伏不确定调节参数的取值越大,电池的初始安装容量和更新容量将会越小,相应的系统全寿命周期的渗透率也会降低。
从上述验证方案可以看出,本发明建立了一个综合考虑设备成本变化,柴油价格波动,贷款比例,负荷增长速度和设备性能下降等敏感因素以及可再生能源和负荷不确定性的经济规划模型,用以帮助微电网投资方更好地做出决策的独立微电网设计方案。
设备成本变化,柴油价格波动,贷款比例,负荷增长速度等敏感因素均会对独立微电网的规划结果产生影响,进而影响投资方的经济指标。考虑可再生能源和负荷的不确定性将对系统的运行调度产生影响,进而影响系统的规划方案。本发明结合上述敏感因素和可再生能源和负荷不确定性构建了独立微电网两阶段随机鲁棒多年投资规划模型,以全寿命周期总成本作为优化目标。
本发明由于采取以上技术方案,与现有技术相比具有以下优点:
(1)本发明首先构建了独立微电网随机多年投资规划模型,然后在此基础上,对比不同敏感因素下的规划方案,通过灵敏度分析,得到不同敏感因素下的经济指标和统计数据,有利于进一步指导微电网投资。
(2)本发明提出的独立微电网两阶段随机鲁棒多年投资规划模型可以对不确定参数进行调节,因此可以充分考虑系统中可再生能源和负荷的不确定性,进而得到不同调节参数下的规划方案,从而能够得到投资规划更加合理的独立微电网设计方案。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案。本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (7)
1.一种基于随机鲁棒混合优化的独立微电网设计系统,其特征在于:包括数据采集模块、投资规划测算模块和设计方案输出模块;
所述数据采集模块用于采集设计因素信息,所述设计因素信息至少包括独立微电网的投资因素信息、负荷和资源的功率曲线信息、规划年限信息和装机容量约束信息;
所述投资规划测算模块接收来自数据采集模块的设计因素信息并对其进行分析生成设计方案结果;
所述设计方案输出模块用于导出投资规划测算模块生成的设计方案结果;
所述投资规划测算模块内置有投资规划模型,所述投资规划模型用于对设计因素信息进行分析并生成设计方案结果,所述投资规划模型的的实现方法如下:
步骤A.建立独立微电网随机投资规划模型;
步骤B.建立独立微电网随机鲁棒投资规划模型;
步骤C.两阶段随机鲁棒规划模型求解;
所述步骤A的实现方法如下:
步骤A1,设立目标函数如下:
式(1)中,NY为规划年限;为第n年安装分布式电源k的数量;/>为分布式电源k最小安装单元的容量;/>为第n年分布式电源k单位容量的投资价格;rload和r分别为贷款比例和折现率;/>为系统第n年分布式电源k的实际安装容量;/>和/>分别为分布式电源k单位容量的运维成本以及残值;Nload为贷款年限;APR为贷款年利率;ωn,d和ωs分别为典型日d和柴油价格场景s的权重系数;/>和/>分别为第n年典型日d场景s下第t时段的柴油机输出功率和负荷缺失功率;πfuel,n,s为第n年场景s下的柴油价格;eDG为柴油机的单位燃料消耗,单位为L/kWh;qL为单位失负荷惩罚成本;
步骤A2,对目标函数进行条件约束:
式(2)中,μ为柴油机最低负载率;SOC和分别为电池SOC允许充放电的下限和上限;为第n年典型日d场景s下第t时段的电池剩余容量;/>和/>分别为第n年典型日d场景s下电池的充电功率和放电功率;γch和γdis分别为电池的最大充电倍率和最大放电倍率;/>为电池更换行为的二进制决策变量;Emax为单位容量电池的最大放电量;Rn为第n年电池的剩余寿命;/>为第n年典型日d第t时段光伏预测出力;σPV为光伏每年出力衰减率;/>为第n年分布式电源k的安装容量上限;/>为第n年典型日d场景s下第t时段的弃光伏功率;/>和/>为第n年典型日d第t时段光伏实际出力和系统负荷需求;
步骤A3,引入辅助变量,对式(2)进行线性化处理:
由于式(2)中第五行、第六行和第十行为非线性约束,通过引入辅助变量和相关约束来线性化,结果如式(3)所示:
式(3)中,L'n、L”n和L”n为引入的辅助变量;为第n年电池最大放电量;
步骤A4,对式(3)中的变量进行分类,如式(4)所示:
式(4)中,x、y分别为规划层和运行层变量;
步骤A5,通过几何布朗运动的随机过程生成柴油价格场景,如式(5)所示:
式(5)中,rfuel为柴油价格年增长率;ε为正态分布的随机部分,均值为0,标准差由历史数据计算得到,通过上式得到规划期内不同的柴油价格场景,并通过场景约简算法进行压缩,获得随机优化模型的紧凑型,如式(6)所示:
式(6)中,c、d分别为目标函数的系数矩阵,A、B、Q、G、W、F、M、R和I分别为约束条件对应的变量的矩阵系数,a,b,q,g,h和m为常数向量矩阵系数, 为第n年典型日d第t时段负荷预测功率;
所述步骤B的实现方法如下:
步骤B1,采用箱型不确定集U对规划周期内的负荷和光伏出力的不确定性进行定义,如式(7)所示:
式(7):和/>分别为第n年典型日d第t时段相对于光伏、负荷预测功率的最大偏差;ΓPV和Γload分别为光伏出力和负荷功率引入的不确定调节参数,取值为范围在0~T内的整数,表示在调度周期内光伏出力和负荷功率取到预测值下限或上限的时段总数,其取值越大,恶劣场景数就越多,得到的方案就越保守;
步骤B2,考虑式(7)所示的光伏出力和负荷功率的不确定集合后,对式(6)所示的随机优化模型转化为如式(8)所示的两阶段随机鲁棒混合优化模型:
步骤B3,将式(8)所示的两阶段随机鲁棒混合优化模型的原两阶段问题分解为第一阶段主问题和第二阶段子问题,第一阶段主问题是在原有负荷和光伏出力“最恶劣”情况下,得到总成本最小的规划方案,x作为该阶段的待求解变量,第二阶段子问题是在第一阶段得到的规划方案基础上,根据设定的不确定调节参数ΓPV和Γload,寻找使得子问题目标函数最大的光伏和负荷的恶劣场景,y和u作为该阶段的待求解变量,其至少包括与微电网调度运行有关的变量;
对于第二阶段子问题:子问题具有max-min的结构形式,对于给定的x,子问题内层最小化问题是一个线性规划模型,采用强对偶理论将其转化成对偶最大化问题与外层的max合并,通过引入辅助变量和相关约束对线性化可以得到最终的max等价形式,如式:
式(9)中,对偶变量为 和/>分别为第n年典型日d第t时段的恶劣场景决策二进制变量,/>为引入的辅助变量,M为一个足够大的实数;
对于第一阶段主问题:主问题的紧凑形式如式(10)所示:
s.t.Ax≥a,
Bx=b,
α≥dTy,
Qy≥q,
Gy=g,
Wy≥h-Fx,
My=m-Rx,
Iy=u,
式(10)中,α为辅助变量,最后一行为子问题最优解构成的有效割,k表示在主问题中添加的割集总个数,l表示主问题中添加的第l个割集;下标()l*表示在主问题中添加第l个割集时子问题的最优解。
2.根据权利要求1所述的基于随机鲁棒混合优化的独立微电网设计系统,其特征在于,所述投资因素信息至少包括柴油价格波动因素、电网负荷增长率变化因素、光伏和电池投资价格变化因素、贷款比例因素。
3.根据权利要求2所述的基于随机鲁棒混合优化的独立微电网设计系统,其特征在于,所述设计方案表述为一个混合整数线性规划的数学问题,通过计算机对其进行求解,获得设计方案结果。
4.根据权利要求3所述的基于随机鲁棒混合优化的独立微电网设计系统,其特征在于,所述求解的方法为:在软件MATLAB R2017a的环境下运行所述数学问题,通过调用IBM ILOGCPLEX 12.6.3和YALMIP优化工具箱进行求解。
5.根据权利要求1所述的基于随机鲁棒混合优化的独立微电网设计系统,其特征在于,所述步骤C的实现方法如下:
利用Benders分解法求解上述式(9)-式(10)所示的两阶段随机鲁棒规划模型。
6.一种基于随机鲁棒混合优化的独立微电网设计方法,使用如权利要求1所述的基于随机鲁棒混合优化的独立微电网设计系统,具体步骤包括:
步骤a:采集设计因素信息;
步骤b:将采集到的设计因素信息通过数据采集模块导入独立微电网设计系统;
步骤c:投资测算规划测算模块对设计因素信息进行分析生成设计方案结果;
步骤d:通过设计方案输出模块导出设计方案结果;
步骤e:根据设计方案结果,进行独立微电网设计。
7.根据权利要求6所述的基于随机鲁棒混合优化的独立微电网设计方法,其特征在于,所述步骤a的实现方法如下:
步骤a1.采集拟设计的独立微电网的投资因素信息、负荷和资源的功率曲线信息、规划年限信息和各设备装机容量约束信息;
步骤a2.将步骤a1中采集到的信息转化为数据采集模块所需的输入文件格式,形成输入文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285881.8A CN112464419B (zh) | 2020-11-17 | 2020-11-17 | 基于随机鲁棒混合优化的独立微电网设计系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285881.8A CN112464419B (zh) | 2020-11-17 | 2020-11-17 | 基于随机鲁棒混合优化的独立微电网设计系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464419A CN112464419A (zh) | 2021-03-09 |
CN112464419B true CN112464419B (zh) | 2024-04-26 |
Family
ID=74837826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011285881.8A Active CN112464419B (zh) | 2020-11-17 | 2020-11-17 | 基于随机鲁棒混合优化的独立微电网设计系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464419B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496427B (zh) * | 2022-11-16 | 2023-04-07 | 广东电网有限责任公司佛山供电局 | 一种多微网系统柔性互联投资规划决策方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103151805A (zh) * | 2013-03-28 | 2013-06-12 | 武汉大学 | 一种并网模式微电网的电源优化配置的方法 |
KR20130067678A (ko) * | 2011-12-14 | 2013-06-25 | (주) 대경엔지니어링 | 마이크로그리드 시뮬레이션 장치 및 전력 관리 시스템 |
CN104899699A (zh) * | 2015-06-17 | 2015-09-09 | 国家电网公司 | 一种配用电系统的效益分析方法及系统 |
CN105846423A (zh) * | 2016-03-28 | 2016-08-10 | 华北电力大学 | 一种计及需求响应的光伏微电网储能多目标容量配置方法 |
CN106992538A (zh) * | 2017-04-17 | 2017-07-28 | 国网浙江省电力公司电力科学研究院 | 一种基于Benders分解的独立型交流微电网优化配置方法 |
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 |
CN108448636A (zh) * | 2018-05-10 | 2018-08-24 | 合肥工业大学 | 一种考虑线路因素的交直流混合微电网优化规划方法 |
CN109190851A (zh) * | 2018-10-25 | 2019-01-11 | 上海电机学院 | 一种基于改进鱼群算法的独立风光储微网的优化配置算法 |
CN109390940A (zh) * | 2018-11-30 | 2019-02-26 | 国家电网公司西南分部 | 一种考虑需求响应和综合效益的送端电网电源规划方法 |
CN109687443A (zh) * | 2018-12-27 | 2019-04-26 | 广州穗华能源科技有限公司 | 一种考虑多时间尺度不确定性耦合的微电网储能容量优化配置方法 |
CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
CN110474367A (zh) * | 2019-08-05 | 2019-11-19 | 广东工业大学 | 一种考虑风险损失的微电网容量配置优化方法 |
CN110659830A (zh) * | 2019-09-25 | 2020-01-07 | 国网天津市电力公司 | 面向综合能源系统的多能源微网规划方法 |
KR20200029701A (ko) * | 2018-09-11 | 2020-03-19 | 주식회사 포스코아이씨티 | 분산전원 연계형 마이크로그리드 시스템 및 그 제어방법 |
-
2020
- 2020-11-17 CN CN202011285881.8A patent/CN112464419B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130067678A (ko) * | 2011-12-14 | 2013-06-25 | (주) 대경엔지니어링 | 마이크로그리드 시뮬레이션 장치 및 전력 관리 시스템 |
CN103151805A (zh) * | 2013-03-28 | 2013-06-12 | 武汉大学 | 一种并网模式微电网的电源优化配置的方法 |
CN104899699A (zh) * | 2015-06-17 | 2015-09-09 | 国家电网公司 | 一种配用电系统的效益分析方法及系统 |
CN105846423A (zh) * | 2016-03-28 | 2016-08-10 | 华北电力大学 | 一种计及需求响应的光伏微电网储能多目标容量配置方法 |
CN106992538A (zh) * | 2017-04-17 | 2017-07-28 | 国网浙江省电力公司电力科学研究院 | 一种基于Benders分解的独立型交流微电网优化配置方法 |
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 |
CN108448636A (zh) * | 2018-05-10 | 2018-08-24 | 合肥工业大学 | 一种考虑线路因素的交直流混合微电网优化规划方法 |
KR20200029701A (ko) * | 2018-09-11 | 2020-03-19 | 주식회사 포스코아이씨티 | 분산전원 연계형 마이크로그리드 시스템 및 그 제어방법 |
CN109190851A (zh) * | 2018-10-25 | 2019-01-11 | 上海电机学院 | 一种基于改进鱼群算法的独立风光储微网的优化配置算法 |
CN109390940A (zh) * | 2018-11-30 | 2019-02-26 | 国家电网公司西南分部 | 一种考虑需求响应和综合效益的送端电网电源规划方法 |
CN109687443A (zh) * | 2018-12-27 | 2019-04-26 | 广州穗华能源科技有限公司 | 一种考虑多时间尺度不确定性耦合的微电网储能容量优化配置方法 |
CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
CN110474367A (zh) * | 2019-08-05 | 2019-11-19 | 广东工业大学 | 一种考虑风险损失的微电网容量配置优化方法 |
CN110659830A (zh) * | 2019-09-25 | 2020-01-07 | 国网天津市电力公司 | 面向综合能源系统的多能源微网规划方法 |
Non-Patent Citations (1)
Title |
---|
智能电网条件下配网投资优化及综合效益评估研究;吴美静;中国优秀硕士学位论文全文数据库经济与管理科学辑(第3期);J150-645 * |
Also Published As
Publication number | Publication date |
---|---|
CN112464419A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Robust multi-objective optimal design of islanded hybrid system with renewable and diesel sources/stationary and mobile energy storage systems | |
Rezaei et al. | Economic energy and reserve management of renewable-based microgrids in the presence of electric vehicle aggregators: A robust optimization approach | |
Akbari et al. | Network flexibility regulation by renewable energy hubs using flexibility pricing-based energy management | |
Nabavi et al. | Deep learning in energy modeling: Application in smart buildings with distributed energy generation | |
Zhuo et al. | Incorporating massive scenarios in transmission expansion planning with high renewable energy penetration | |
Qiu et al. | Recourse-cost constrained robust optimization for microgrid dispatch with correlated uncertainties | |
Mohandes et al. | Renewable energy management system: Optimum design and hourly dispatch | |
Cao et al. | Optimal sizing strategy for energy storage system considering correlated forecast uncertainties of dispatchable resources | |
Santos et al. | Impacts of operational variability and uncertainty on distributed generation investment planning: A comprehensive sensitivity analysis | |
Liu et al. | A hybrid stochastic/robust-based multi-period investment planning model for island microgrid | |
Zhao et al. | Distributed risk-limiting load restoration for wind power penetrated bulk system | |
Davoodi et al. | Multi-objective dynamic generation and transmission expansion planning considering capacitor bank allocation and demand response program constrained to flexible-securable clean energy | |
Sui et al. | Day-ahead energy management for pelagic island microgrid groups considering non-integer-hour energy transmission | |
Tang et al. | A multi-timescale operation model for hybrid energy storage system in electricity markets | |
Schmalensee | On the efficiency of competitive energy storage | |
Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
Liu et al. | Intra-day dynamic network reconfiguration based on probability analysis considering the deployment of remote control switches | |
He et al. | Hierarchical optimal energy management strategy of hybrid energy storage considering uncertainty for a 100% clean energy town | |
Zhao et al. | A mixed CVaR-based stochastic information gap approach for building optimal offering strategies of a CSP plant in electricity markets | |
Mi et al. | Low-carbon generation expansion planning considering uncertainty of renewable energy at multi-time scales | |
Huo et al. | Integrating learning and explicit model predictive control for unit commitment in microgrids | |
CN112464419B (zh) | 基于随机鲁棒混合优化的独立微电网设计系统及方法 | |
Dong et al. | Intelligent decision-making of distribution network planning scheme with distributed wind power generations | |
Phan et al. | Distributed methods for solving the security-constrained optimal power flow problem | |
Guan et al. | A GAN-based fully model-free learning method for short-term scheduling of large power system |
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 |