CN112531699A - 一种微电网自治能管系统能量调度方法和系统 - Google Patents

一种微电网自治能管系统能量调度方法和系统 Download PDF

Info

Publication number
CN112531699A
CN112531699A CN202011400841.3A CN202011400841A CN112531699A CN 112531699 A CN112531699 A CN 112531699A CN 202011400841 A CN202011400841 A CN 202011400841A CN 112531699 A CN112531699 A CN 112531699A
Authority
CN
China
Prior art keywords
peak area
prediction
energy
scheduling
curve
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
CN202011400841.3A
Other languages
English (en)
Other versions
CN112531699B (zh
Inventor
肖云鹏
张兰
蔡秋娜
刘思捷
关玉衡
赵晨
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.)
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
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 Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority to CN202011400841.3A priority Critical patent/CN112531699B/zh
Publication of CN112531699A publication Critical patent/CN112531699A/zh
Application granted granted Critical
Publication of CN112531699B publication Critical patent/CN112531699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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

Abstract

本申请公开了一种微电网自治能管系统能量调度方法和系统，根据微电网负荷预测曲线和合约需求，将微电网的日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，基于所有可能的预测误差及概率分布，根据可能发生的预测误差调整日净负荷预测曲线，并根据微电网的自治能管系统的调度优化函数，进行拟优化调度计算，并获得相应的运行成本，根据预测误差及其概率分布，以及相应的预期运行成本，计算决定满足预期运行成本最低的关键预测误差，并根据该关键预测误差调整优化调度函数的输入参数，获得具有高精度调度指令，解决了现有的微电网能量调度没有考虑预测不确定性对微电网运行的影响，无法满足微电网的高性能、高质量运行需求的技术问题。

Description

一种微电网自治能管系统能量调度方法和系统
技术领域
本申请涉及微电网能量调度技术领域，尤其涉及一种微电网自治能管系统能量调度方法和系统。
背景技术
随着智能电网和能源互联网的快速发展，微电网技术得以广泛应用。在能源转型与电力改革的双重驱动下，能源的高效可靠供给与增量配电网的建设要求成为了分布式资源规模化发展的关键引擎，开发和延伸微电网技术是分布式资源大规模接入电网的有效解决方案。然而，我国分布式发电中可再生能源占比较高，其间歇性和不确定性为微电网的能量管理与优化调度的准确性带来了挑战。
微电网自治能管系统的优化调度通常以可靠性最高或运行成本最小为优化目标，基于负荷、分布式电源处理预测，以及系统运行状态等信息，利用储能装置或可调负荷改变微电网计费节点的潮流大小或方向，从而获得收益。因此，预测应用的准确性直接影响微电网自治能管系统的优化调度性能和运行表现。然而，尽管预测的准确度可以通过改进算法获得提高，但却无法避免预测不确定性对微电网运行的影响，因此，仍然无法满足微电网的高性能、高质量运行需求。
发明内容
本申请提供了一种微电网自治能管系统能量调度方法和系统，用于解决现有的微电网能量调度没有考虑预测不确定性对微电网运行的影响，无法满足微电网的高性能、高质量运行需求的技术问题。
有鉴于此，本申请第一方面提供了一种微电网自治能管系统能量调度方法，包括：
获取微电网的合约需求、日净负荷预测曲线、预测误差和所述预测误差发生的概率；
根据所述预测误差和所述概率调整所述峰值区预测曲线和近峰值区预测曲线；
根据所述合约需求，将所述日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，得到峰值区预测曲线、近峰值区预测曲线和远峰值区预测曲线；
基于微电网日运行成本最小化的能量调度优化函数和所述峰值区预测曲线和近峰值区预测曲线，得到微电网考虑运行成本最小化的储能装置拟调度指令；
根据所述储能装置拟调度指令，计算拟调度指令的预期运行成本的统计学估算；
根据所述预测误差、所述概率和所述预期运行成本，计算满足预期运行成本最低的关键预测误差；
以所述关键预测误差作为所述能量调度优化函数的输入，得到能量调度指令。
可选地，所述能量调度优化函数为：
Figure BDA0002816878240000021
其中，
Figure BDA0002816878240000022
为用户电能量消耗按照分时电价收取的能量电费，
Figure BDA0002816878240000023
为用电需求超出合约需求时，按照最大需求值收取的罚金，当用电需求低于合约需求时，I取值为0，当用电最大需求超出合约需求时，I取值为1，PEC和PDC分别为以分布式储能充放电量
Figure BDA0002816878240000024
为变量的能量电费函数和需求电费函数。
可选地，所述峰值区、所述近峰值区和所述远峰值区的划分依据为：
Figure BDA0002816878240000025
Figure BDA0002816878240000026
Figure BDA0002816878240000027
其中，
Figure BDA0002816878240000028
为微电网的净负荷曲线，PC为合约需求，Ei为第i个预测误差，N为预测误差总数。
可选地，划分后的所述峰值区预测曲线和近峰值区预测曲线为：
Figure BDA0002816878240000029
可选地，所述拟调度指令的预期运行成本的统计学估算为：
Figure BDA00028168782400000210
其中，Pm为第m个预测误差的概率，CEmSi为微电网经济运行的预期成本矩阵元素，由微电网考虑运行成本最小化的储能装置拟调度指令得到。
可选地，所述关键预测误差为：
Ccritical＝arg minC(Ei)。
本申请第二方面提供了一种微电网自治能管系统能量调度系统，包括：
获取模块，用于获取微电网的合约需求、日净负荷预测曲线、预测误差和所述预测误差发生的概率；
调整模块，用于根据所述预测误差和所述概率调整所述峰值区预测曲线和近峰值区预测曲线；
划分模块，用于根据所述合约需求，将所述日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，得到峰值区预测曲线、近峰值区预测曲线和远峰值区预测曲线；
拟调度指令模块，用于基于微电网日运行成本最小化的能量调度优化函数和所述峰值区预测曲线和近峰值区预测曲线，得到微电网考虑运行成本最小化的储能装置拟调度指令；
运行成本预测模块，用于根据所述储能装置拟调度指令，计算拟调度指令的预期运行成本的统计学估算；
关键误差模块，用于根据所述预测误差、所述概率和所述预期运行成本，计算满足预期运行成本最低的关键预测误差；
调度优化模块，用于以所述关键预测误差作为所述能量调度优化函数的输入，得到能量调度指令。
可选地，所述能量调度优化函数为：
Figure BDA0002816878240000031
其中，
Figure BDA0002816878240000032
为用户电能量消耗按照分时电价收取的能量电费，
Figure BDA0002816878240000033
为用电需求超出合约需求时，按照最大需求值收取的罚金，当用电需求低于合约需求时，I取值为0，当用电最大需求超出合约需求时，I取值为1，PEC和PDC分别为以分布式储能充放电量
Figure BDA0002816878240000034
为变量的能量电费函数和需求电费函数。
可选地，所述峰值区、所述近峰值区和所述远峰值区的划分依据为：
Figure BDA0002816878240000041
Figure BDA0002816878240000042
Figure BDA0002816878240000043
其中，
Figure BDA0002816878240000044
为微电网的净负荷曲线，PC为合约需求，Ei为第i个预测误差，N为预测误差总数。
可选地，划分后的所述峰值区预测曲线和近峰值区预测曲线为：
Figure BDA0002816878240000045
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中提供了一种微电网自治能管系统能量调度方法，包括：获取微电网的合约需求、日净负荷预测曲线、预测误差和预测误差发生的概率；根据预测误差和概率调整峰值区预测曲线和近峰值区预测曲线；根据合约需求，将日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，得到峰值区预测曲线、近峰值区预测曲线和远峰值区预测曲线；基于微电网日运行成本最小化的能量调度优化函数和峰值区预测曲线和近峰值区预测曲线，得到微电网考虑运行成本最小化的储能装置拟调度指令；根据储能装置拟调度指令，计算拟调度指令的预期运行成本的统计学估算；根据预测误差、概率和预期运行成本，计算满足预期运行成本最低的关键预测误差；以关键预测误差作为能量调度优化函数的输入，得到能量调度指令。
本申请提供的微电网自治能管系统能量调度方法，首先，根据微电网负荷预测曲线和合约需求，将微电网的日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，然后基于所有可能的预测误差及概率分布，依次根据可能发生的预测误差调整日净负荷预测曲线，并根据微电网的自治能管系统的调度优化函数，进行拟优化调度计算，并获得相应的运行成本，最后根据预测误差及其概率分布，以及相应的预期运行成本，计算决定满足预期运行成本最低的关键预测误差，并根据该关键预测误差调整优化调度函数的输入参数，获得具有统计学意义的高精度调度指令，解决了现有的微电网能量调度没有考虑预测不确定性对微电网运行的影响，无法满足微电网的高性能、高质量运行需求的技术问题。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术用户员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例中提供的一种微电网自治能管系统能量调度方法的流程示意图；
图2为本申请实施例中提供的一种微电网自治能管系统能量调度方法另一流程示意图；
图3为本申请实施例中提供的一种微电网自治能管系统能量调度系统的架构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1和图2，本申请提供的一种微电网自治能管系统能量调度方法的一个实施例，包括：
步骤101、获取微电网的合约需求、日净负荷预测曲线、预测误差和预测误差发生的概率。
需要说明的是，本申请实施例中首先需要获得微电网用电的合约需求PC、日净负荷预测曲线
Figure BDA0002816878240000051
所有可能的预测误差{E1,E2,…,EN}和预测误差产生的概率{P1,P2,…,PN}。微电网的净负荷曲线为用电负荷曲线减去分布式光伏发电曲线。基于历史微电网的净负荷用电数据，可以预测未来的日净负荷用电曲线
Figure BDA0002816878240000052
并给出N个可能的预测误差及其相应的发生概率，其中概率之和为1。
步骤102、根据预测误差和概率调整峰值区预测曲线和近峰值区预测曲线。
需要说明的是，针对每一个可能发生的预测误差，按照预测误差发生概率调整日净负荷预测曲线。
步骤103、根据合约需求，将日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，得到峰值区预测曲线、近峰值区预测曲线和远峰值区预测曲线。
需要说明的是，将合约需求PC与日净负荷预测曲线
Figure BDA0002816878240000061
比对，若日净负荷预测曲线
Figure BDA0002816878240000062
的值大于合约需求PC，则该区域属于峰值区，否则需要将日净负荷预测曲线
Figure BDA0002816878240000063
的值乘以1+Ei，若结果大于合约需求PC，则该区域属于近峰值区，若结果小于合约需求PC，则该区域属于远峰值区。即：
Figure BDA0002816878240000064
Figure BDA0002816878240000065
Figure BDA0002816878240000066
其中，
Figure BDA0002816878240000067
为微电网的净负荷曲线，PC为合约需求，Ei为第i个预测误差，N为预测误差总数。
对于远峰值区的日净负荷曲线，即便考虑预测误差，最大峰值负荷也不会超过合约需求，可不进行考虑。对于近峰值区的日净负荷曲线，原预测峰值并没有超出合约需求，当考虑预测误差时，最大峰值负荷将会超过合约需求，具有缴纳罚金风险。对于峰值区的日净负荷曲线，无论是否考虑预测误差，最大峰值负荷已超过合约需求，如微电网储能没有足够能量自给，那么将面临昂贵罚金。
步骤104、基于微电网日运行成本最小化的能量调度优化函数和峰值区预测曲线和近峰值区预测曲线，得到微电网考虑运行成本最小化的储能装置拟调度指令。
需要说明的是，首先，拟调度优化过程要求将划分的日净负荷曲线按照划分类型进行输入调整，具体可以表示为：
远峰值区输入曲线:
Figure BDA0002816878240000068
近峰值区输入曲线：
Figure BDA0002816878240000069
峰值区输入曲线：
Figure BDA0002816878240000071
其次，对于N个预测误差，需要进行N次拟调度计算。
设定微电网由电力负荷、分布式光伏、分布式储能构成，分布式光伏的发电能量有限供应微电网内部的电力消耗，则微电网能量管理优化调度函数的主要控制变量为分布式储能的充放电量，那么微电网的日运行成本，即基于微电网自治能管系统的能量调度优化函数可以表示为：
Figure BDA0002816878240000072
其中，C为微电网的日运行成本，
Figure BDA0002816878240000073
为用户电能量消耗按照分时电价收取的能量电费，
Figure BDA0002816878240000074
为用电需求超出合约需求时，按照最大需求值收取的罚金，I是一个二进制变量，可以取值0或1，当用电需求低于合约需求时，I取值为0，也就是不收取罚金，即能量调度优化函数第二项为0，当用电最大需求超出合约需求时，I取值为1，也就是能量调度优化函数的第二项为正值，即罚金，PEC和PDC分别为以分布式储能充放电量
Figure BDA0002816878240000075
为变量的能量电费函数和需求电费函数。
基于能量调度优化函数、微电网运行状态以及调整的日净负荷预测曲线，可得出微电网考虑运行成本最小化的N·MT维储能装置拟调度指令
Figure BDA0002816878240000076
其中，MT为调度粒度。
最后，依次假定微电网的实际日净负荷曲线为
Figure BDA0002816878240000077
基于能量调度优化函数及拟调度过程获得的N个MT维度的储能调度指令，可以得到微电网经济运行的预期成本矩阵为：
Figure BDA0002816878240000078
步骤105、根据储能装置拟调度指令，计算拟调度指令的预期运行成本的统计学估算。
需要说明的是，预期成本矩阵纵向元素对应的概率同样为{P1,P2,…,PN}，因此对于N个拟调度指令的预期运行成本的统计学估算为{C1,C2,…CN}，其中Ci可通过以下算式进行计算：
Figure BDA0002816878240000079
其中，Pm为第m个预测误差的概率，
Figure BDA0002816878240000081
为微电网经济运行的预期成本矩阵元素，由微电网考虑运行成本最小化的储能装置拟调度指令得到。
步骤106、根据预测误差、概率和预期运行成本，计算满足预期运行成本最低的关键预测误差。
步骤107、以关键预测误差作为能量调度优化函数的输入，得到能量调度指令。
需要说明的是，考虑预测误差及其概率分布，通过微电网经济运行预期成本的估算，可以获得统计学上使预期成本最小的关键误差：
Ccritical＝arg minC(Ei)
该关键误差作为优化微电网自治能管系统的能量调度优化函数的输入之一，允许优化调度过程考虑预测不确定性的关键特征，以获得更加精准的优化调度指令，从而实现微电网可靠运行的经济效益。
本申请实施例提供的微电网自治能管系统能量调度方法，首先，根据微电网负荷预测曲线和合约需求，将微电网的日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，然后基于所有可能的预测误差及概率分布，依次根据可能发生的预测误差调整日净负荷预测曲线，并根据微电网的自治能管系统的调度优化函数，进行拟优化调度计算，并获得相应的运行成本，最后根据预测误差及其概率分布，以及相应的预期运行成本，计算决定满足预期运行成本最低的关键预测误差，并根据该关键预测误差调整优化调度函数的输入参数，获得具有统计学意义的高精度调度指令，解决了现有的微电网能量调度没有考虑预测不确定性对微电网运行的影响，无法满足微电网的高性能、高质量运行需求的技术问题。
为了便于理解，请参阅图3，本申请中提供了一种微电网自治能管系统能量调度系统，包括：
获取模块，用于获取微电网的合约需求、日净负荷预测曲线、预测误差和预测误差发生的概率；
调整模块，用于根据预测误差和概率调整峰值区预测曲线和近峰值区预测曲线；
划分模块，用于根据合约需求，将日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，得到峰值区预测曲线、近峰值区预测曲线和远峰值区预测曲线；
拟调度指令模块，用于基于微电网日运行成本最小化的能量调度优化函数和峰值区预测曲线和近峰值区预测曲线，得到微电网考虑运行成本最小化的储能装置拟调度指令；
运行成本预测模块，用于根据储能装置拟调度指令，计算拟调度指令的预期运行成本的统计学估算；
关键误差模块，用于根据预测误差、概率和预期运行成本，计算满足预期运行成本最低的关键预测误差；
调度优化模块，用于以关键预测误差作为所述能量调度优化函数的输入，得到能量调度指令。
本申请实施例中首先需要获得微电网用电的合约需求PC、日净负荷预测曲线
Figure BDA0002816878240000091
所有可能的预测误差{E1,E2,…,EN}和预测误差产生的概率{P1,P2,…,PN}。微电网的净负荷曲线为用电负荷曲线减去分布式光伏发电曲线。基于历史微电网的净负荷用电数据，可以预测未来的日净负荷用电曲线
Figure BDA0002816878240000092
并给出N个可能的预测误差及其相应的发生概率，其中概率之和为1。
针对每一个可能发生的预测误差，按照预测误差发生概率调整日净负荷预测曲线。
将合约需求PC与日净负荷预测曲线
Figure BDA0002816878240000093
比对，若日净负荷预测曲线
Figure BDA0002816878240000094
的值大于合约需求PC，则该区域属于峰值区，否则需要将日净负荷预测曲线
Figure BDA0002816878240000095
的值乘以1+Ei，若结果大于合约需求PC，则该区域属于近峰值区，若结果小于合约需求PC，则该区域属于远峰值区。即：
Figure BDA0002816878240000096
Figure BDA0002816878240000097
Figure BDA0002816878240000098
其中，
Figure BDA0002816878240000099
为微电网的净负荷曲线，PC为合约需求，Ei为第i个预测误差，N为预测误差总数。
对于远峰值区的日净负荷曲线，即便考虑预测误差，最大峰值负荷也不会超过合约需求，可不进行考虑。对于近峰值区的日净负荷曲线，原预测峰值并没有超出合约需求，当考虑预测误差时，最大峰值负荷将会超过合约需求，具有缴纳罚金风险。对于峰值区的日净负荷曲线，无论是否考虑预测误差，最大峰值负荷已超过合约需求，如微电网储能没有足够能量自给，那么将面临昂贵罚金。
首先，拟调度优化过程要求将划分的日净负荷曲线按照划分类型进行输入调整，具体可以表示为：
远峰值区输入曲线:
Figure BDA0002816878240000101
近峰值区输入曲线：
Figure BDA0002816878240000102
峰值区输入曲线：
Figure BDA0002816878240000103
其次，对于N个预测误差，需要进行N次拟调度计算。
设定微电网由电力负荷、分布式光伏、分布式储能构成，分布式光伏的发电能量有限供应微电网内部的电力消耗，则微电网能量管理优化调度函数的主要控制变量为分布式储能的充放电量，那么微电网的日运行成本，即基于微电网自治能管系统的能量调度优化函数可以表示为：
Figure BDA0002816878240000104
其中，C为微电网的日运行成本，
Figure BDA0002816878240000105
为用户电能量消耗按照分时电价收取的能量电费，
Figure BDA0002816878240000106
为用电需求超出合约需求时，按照最大需求值收取的罚金，当用电需求低于合约需求时，I取值为0，PEC和PDC分别为以分布式储能充放电量
Figure BDA0002816878240000107
为变量的能量电费函数和需求电费函数。
基于能量调度优化函数、微电网运行状态以及调整的日净负荷预测曲线，可得出微电网考虑运行成本最小化的N·MT维储能装置拟调度指令
Figure BDA0002816878240000108
其中，MT为调度粒度。
最后，依次假定微电网的实际日净负荷曲线为
Figure BDA0002816878240000109
基于能量调度优化函数及拟调度过程获得的N个MT维度的储能调度指令，可以得到微电网经济运行的预期成本矩阵为：
Figure BDA0002816878240000111
预期成本矩阵纵向元素对应的概率同样为{P1,P2,…,PN}，因此对于N个拟调度指令的预期运行成本的统计学估算为{C1,C2,…CN}，其中Ci可通过以下算式进行计算：
Figure BDA0002816878240000112
其中，Pm为第m个预测误差的概率，
Figure BDA0002816878240000113
为微电网经济运行的预期成本矩阵元素，由微电网考虑运行成本最小化的储能装置拟调度指令得到。
考虑预测误差及其概率分布，通过微电网经济运行预期成本的估算，可以获得统计学上使预期成本最小的关键误差：
Ccritical＝arg minC(Ei)
该关键误差作为优化微电网自治能管系统的能量调度优化函数的输入之一，允许优化调度过程考虑预测不确定性的关键特征，以获得更加精准的优化调度指令，从而实现微电网可靠运行的经济效益。
本申请实施例提供的微电网自治能管系统能量调度系统，首先，根据微电网负荷预测曲线和合约需求，将微电网的日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，然后基于所有可能的预测误差及概率分布，依次根据可能发生的预测误差调整日净负荷预测曲线，并根据微电网的自治能管系统的调度优化函数，进行拟优化调度计算，并获得相应的运行成本，最后根据预测误差及其概率分布，以及相应的预期运行成本，计算决定满足预期运行成本最低的关键预测误差，并根据该关键预测误差调整优化调度函数的输入参数，获得具有统计学意义的高精度调度指令，解决了现有的微电网能量调度没有考虑预测不确定性对微电网运行的影响，无法满足微电网的高性能、高质量运行需求的技术问题。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种微电网自治能管系统能量调度方法，其特征在于，包括：
获取微电网的合约需求、日净负荷预测曲线、预测误差和所述预测误差发生的概率；
根据所述预测误差和所述概率调整所述峰值区预测曲线和近峰值区预测曲线；
根据所述合约需求，将所述日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，得到峰值区预测曲线、近峰值区预测曲线和远峰值区预测曲线；
基于微电网日运行成本最小化的能量调度优化函数和所述峰值区预测曲线和近峰值区预测曲线，得到微电网考虑运行成本最小化的储能装置拟调度指令；
根据所述储能装置拟调度指令，计算拟调度指令的预期运行成本的统计学估算；
根据所述预测误差、所述概率和所述预期运行成本，计算满足预期运行成本最低的关键预测误差；
以所述关键预测误差作为所述能量调度优化函数的输入，得到能量调度指令。
2.根据权利要求1所述的微电网自治能管系统能量调度方法，其特征在于，所述能量调度优化函数为：
Figure FDA0002816878230000011
其中，
Figure FDA0002816878230000012
为用户电能量消耗按照分时电价收取的能量电费，
Figure FDA0002816878230000013
为用电需求超出合约需求时，按照最大需求值收取的罚金，当用电需求低于合约需求时，I取值为0，当用电最大需求超出合约需求时，I取值为1，PEC和PDC分别为以分布式储能充放电量
Figure FDA0002816878230000014
为变量的能量电费函数和需求电费函数。
3.根据权利要求2所述的微电网自治能管系统能量调度方法，其特征在于，所述峰值区、所述近峰值区和所述远峰值区的划分依据为：
Figure FDA0002816878230000015
Figure FDA0002816878230000016
Figure FDA0002816878230000017
其中，
Figure FDA0002816878230000021
为微电网的净负荷曲线，PC为合约需求，Ei为第i个预测误差，N为预测误差总数。
4.根据权利要求3所述的微电网自治能管系统能量调度方法，其特征在于，划分后的所述峰值区预测曲线和近峰值区预测曲线为：
Figure FDA0002816878230000022
5.根据权利要求4所述的微电网自治能管系统能量调度方法，其特征在于，所述拟调度指令的预期运行成本的统计学估算为：
Figure FDA0002816878230000023
其中，Pm为第m个预测误差的概率，
Figure FDA0002816878230000024
为微电网经济运行的预期成本矩阵元素，由微电网考虑运行成本最小化的储能装置拟调度指令得到。
6.根据权利要求5所述的微电网自治能管系统能量调度方法，其特征在于，所述关键预测误差为：
Ccritical＝argminC(Ei)。
7.一种微电网自治能管系统能量调度系统，其特征在于，包括：
获取模块，用于获取微电网的合约需求、日净负荷预测曲线、预测误差和所述预测误差发生的概率；
调整模块，用于根据所述预测误差和所述概率调整所述峰值区预测曲线和近峰值区预测曲线；
划分模块，用于根据所述合约需求，将所述日净负荷预测曲线划分为峰值区、近峰值区和远峰值区，得到峰值区预测曲线、近峰值区预测曲线和远峰值区预测曲线；
拟调度指令模块，用于基于微电网日运行成本最小化的能量调度优化函数和所述峰值区预测曲线和近峰值区预测曲线，得到微电网考虑运行成本最小化的储能装置拟调度指令；
运行成本预测模块，用于根据所述储能装置拟调度指令，计算拟调度指令的预期运行成本的统计学估算；
关键误差模块，用于根据所述预测误差、所述概率和所述预期运行成本，计算满足预期运行成本最低的关键预测误差；
调度优化模块，用于以所述关键预测误差作为所述能量调度优化函数的输入，得到能量调度指令。
8.根据权利要求7所述的微电网自治能管系统能量调度系统，其特征在于，所述能量调度优化函数为：
Figure FDA0002816878230000031
其中，
Figure FDA0002816878230000032
为用户电能量消耗按照分时电价收取的能量电费，
Figure FDA0002816878230000033
为用电需求超出合约需求时，按照最大需求值收取的罚金，当用电需求低于合约需求时，I取值为0，当用电最大需求超出合约需求时，I取值为1，PEC和PDC分别为以分布式储能充放电量
Figure FDA0002816878230000034
为变量的能量电费函数和需求电费函数。
9.根据权利要求8所述的微电网自治能管系统能量调度系统，其特征在于，所述峰值区、所述近峰值区和所述远峰值区的划分依据为：
Figure FDA0002816878230000035
Figure FDA0002816878230000036
Figure FDA0002816878230000037
其中，
Figure FDA0002816878230000038
为微电网的净负荷曲线，PC为合约需求，Ei为第i个预测误差，N为预测误差总数。
10.根据权利要9所述的微电网自治能管系统能量调度系统，其特征在于，划分后的所述峰值区预测曲线和近峰值区预测曲线为：
Figure FDA0002816878230000039
CN202011400841.3A 2020-12-04 2020-12-04 一种微电网自治能管系统能量调度方法和系统 Active CN112531699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011400841.3A CN112531699B (zh) 2020-12-04 2020-12-04 一种微电网自治能管系统能量调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011400841.3A CN112531699B (zh) 2020-12-04 2020-12-04 一种微电网自治能管系统能量调度方法和系统

Publications (2)

Publication Number Publication Date
CN112531699A true CN112531699A (zh) 2021-03-19
CN112531699B CN112531699B (zh) 2023-08-18

Family

ID=74997429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011400841.3A Active CN112531699B (zh) 2020-12-04 2020-12-04 一种微电网自治能管系统能量调度方法和系统

Country Status (1)

Country Link
CN (1) CN112531699B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102427249A (zh) * 2011-12-19 2012-04-25 天津市电力公司 一种用于控制分布式微网并网运行的方法及系统
EP2722960A1 (en) * 2011-06-17 2014-04-23 Hitachi, Ltd. Microgrid control system
CN107196294A (zh) * 2017-06-16 2017-09-22 国网江苏省电力公司电力科学研究院 源网荷互动模式下微电网多时间尺度自适应能量调度方法
CN107958300A (zh) * 2017-08-21 2018-04-24 浙江工业大学 一种考虑互动响应的多微网互联运行协调调度优化方法
CN109980667A (zh) * 2019-02-13 2019-07-05 国电南瑞科技股份有限公司 一种用于电动汽车的有序充电方法
CN110417015A (zh) * 2019-06-18 2019-11-05 湖北追日电气股份有限公司 基于模型预测控制的微电网多目标优化调度方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2722960A1 (en) * 2011-06-17 2014-04-23 Hitachi, Ltd. Microgrid control system
CN102427249A (zh) * 2011-12-19 2012-04-25 天津市电力公司 一种用于控制分布式微网并网运行的方法及系统
CN107196294A (zh) * 2017-06-16 2017-09-22 国网江苏省电力公司电力科学研究院 源网荷互动模式下微电网多时间尺度自适应能量调度方法
CN107958300A (zh) * 2017-08-21 2018-04-24 浙江工业大学 一种考虑互动响应的多微网互联运行协调调度优化方法
CN109980667A (zh) * 2019-02-13 2019-07-05 国电南瑞科技股份有限公司 一种用于电动汽车的有序充电方法
CN110417015A (zh) * 2019-06-18 2019-11-05 湖北追日电气股份有限公司 基于模型预测控制的微电网多目标优化调度方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
禹威威 等: "考虑预测误差的光伏微电网优化调度", 安徽工程大学学报 *

Also Published As

Publication number Publication date
CN112531699B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Hafiz et al. Real-time stochastic optimization of energy storage management using deep learning-based forecasts for residential PV applications
Wang et al. Adaptive control for energy storage systems in households with photovoltaic modules
Li et al. Optimum integration of solar energy with battery energy storage systems
Liu et al. Day-ahead scheduling for an electric vehicle PV-based battery swapping station considering the dual uncertainties
US20170371306A1 (en) System and Method for Dispatching an Operation of a Distribution Feeder with Heterogeneous Prosumers
Li et al. Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm
Qi et al. Energyboost: Learning-based control of home batteries
CN116151486A (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
CN114336762B (zh) 风光发电及电网负荷波动日前调度储能配置优化方法
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
Fu et al. Estimation of building energy consumption using weather information derived from photovoltaic power plants
Stephen et al. Non-Gaussian residual based short term load forecast adjustment for distribution feeders
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
CN112821463A (zh) 基于风、光随机性的主动配电网多目标日前优化调度方法
CN116470543A (zh) 一种虚拟电厂的运行控制方法、装置、设备及介质
CN112531699A (zh) 一种微电网自治能管系统能量调度方法和系统
Wen et al. Optimal operation framework of customer-premise battery storage for energy charge reduction and primary frequency regulation
Kaneda et al. Optimal management of storage for offsetting solar power uncertainty using multistage stochastic programming
Bai et al. An online multi-level energy management system for commercial building microgrids with multiple generation and storage systems
CN111079966B (zh) 一种广义负荷空间预测方法和系统
Gambín et al. Smart Energy Policies for Sustainable Mobile Networks via Forecasting and Adaptive Control
Zhao et al. An Improved Load Forecasting Method Based on the Transfer Learning Structure under Cyber-Threat Condition
CN116914861B (zh) 基于模型预测控制的风储电站经济优化调度方法及系统
Wanxiao et al. CVaR-based reserve optimization for isolated multi-energy complementary generation system in mixed time scale
CN116611669B (zh) 一种需求侧资源可行域聚合方法、系统及电子设备

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