CN112542854A - 一种含可再生能源的微电网多主体协调调度方法 - Google Patents

一种含可再生能源的微电网多主体协调调度方法 Download PDF

Info

Publication number
CN112542854A
CN112542854A CN202011387131.1A CN202011387131A CN112542854A CN 112542854 A CN112542854 A CN 112542854A CN 202011387131 A CN202011387131 A CN 202011387131A CN 112542854 A CN112542854 A CN 112542854A
Authority
CN
China
Prior art keywords
microgrid
renewable energy
power supply
energy storage
learning
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
CN202011387131.1A
Other languages
English (en)
Other versions
CN112542854B (zh
Inventor
陈传彬
杨首晖
王良缘
郑建辉
林舒嫄
朱振山
郑海林
吴元林
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.)
Fuzhou University
State Grid Fujian Electric Power Co Ltd
Trading Center of State Grid Fujian Electric Power Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Original Assignee
Fuzhou University
State Grid Fujian Electric Power Co Ltd
Trading Center of State Grid Fujian Electric Power Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication 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 Fuzhou University, State Grid Fujian Electric Power Co Ltd, Trading Center of State Grid Fujian Electric Power Co Ltd, Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd filed Critical Fuzhou University
Priority to CN202011387131.1A priority Critical patent/CN112542854B/zh
Publication of CN112542854A publication Critical patent/CN112542854A/zh
Application granted granted Critical
Publication of CN112542854B publication Critical patent/CN112542854B/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
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种含可再生能源微电网的多主体协调调度方法，包括以下步骤：步骤S1:构建微电网与主网联络线可靠性模型；步骤S2:设定基于微电网内供电可靠性的惩罚机制，并根据微电网内供电可靠性的惩罚机制，构建常规机组投资方、储能设施投资方以及可再生能源投资方的成本效益模型及运行约束条件；步骤S3:设定目标函数，并构建多主体纳什均衡博弈模型；步骤S4:根据纳什均衡博弈论理论和强化学习理论，获取各智能体的纳什均衡点；步骤S5:将学习任务分为源任务与新任务，利用迁移学习加速不同场景的学习过程,得到最优调度矩阵。本发明有效提高了微电网的供电可靠性。

Description

一种含可再生能源的微电网多主体协调调度方法
技术领域
本发明涉及微电网领域，具体涉及一种含可再生能源的微电网多主体协调调度方法。
背景技术
近年来，随着环境压力和能源需求的日益增加，可再生能源发电大幅增加。但含可再生能源的微电网中可再生能源机组出力的不确定性较大，为了保证微电网内供电的可靠性往往依赖于微电网与主网之间的联络线，因此联络线的可靠性对微电网调度的影响不可忽视。目前，对于微电网调度控制主要采用集中式控制的方法，但集中式控制方法面对现今多能源、大数据的微电网控制效果难以保证，且微电网常规机组、储能设施以及可再生能源机组有着不同的投资方，利益诉求不同，传统集中式优化调度方法无法呈现不同的诉求，难以调动各方响应调度的积极性。传统的调度过程易受人为因素影响，引入机器学习来减小人为影响。
发明内容
有鉴于此，本发明的目的在于提供一种含可再生能源微电网的多主体协调调度方法，对于微电网的供电可靠性进行了分析讨论，建立了计及供电可靠性的多主体博弈模型，提高了微电网的供电可靠性。
为实现上述目的，本发明采用如下技术方案：
一种含可再生能源微电网的多主体协调调度方法，包括以下步骤：
步骤S1:构建微电网与主网联络线可靠性模型；
步骤S2:设定基于微电网内供电可靠性的惩罚机制，并根据微电网内供电可靠性的惩罚机制，构建常规机组投资方、储能设施投资方以及可再生能源投资方的成本效益模型及运行约束条件；
步骤S3:设定目标函数，并构建多主体纳什均衡博弈模型；
步骤S4:根据纳什均衡博弈论理论和强化学习理论，获取各智能体的纳什均衡点；
步骤S5:将学习任务分为源任务与新任务，利用迁移学习加速不同场景的学习过程,得到最优调度矩阵。
进一步的，所述步骤S1具体为:
步骤S11:构建联络线三状态模型，三状态分别为：正常运行状态、检修状态以及故障停运状态，三状态的转移密度矩阵为
Figure RE-GDA0002917370590000021
式中λ1为联络线的故障率，λ2为联络线的检修率，μ1、μ2为对应状态下的修复率。
步骤S12：计算联络线三状态概率，设PN、PO、PF分别为正常工作、故障停运以及检修状态的长期稳定概率，根据
[PN PO PF]·[A]＝0
算出
Figure RE-GDA0002917370590000031
步骤S13：采用电量不足期望值作为供电可靠性指标
Figure RE-GDA0002917370590000032
其中EENS为电量不足期望值，Ploss(t)为t时刻微电网供电不足电量。
进一步的，所述基于微电网内供电可靠性的惩罚机制，具体为：惩罚指标按照发电厂的发电电量比例进行分摊
Cpunishment＝r7·EENS
式中Cpunishment为微电网的惩罚指标，r7为对于微电网供电不足电量的惩罚系数。
进一步的，所述各个智能体按照常规机组、可再生能源以及储能设施分解为三个智能体。
进一步的，所述常规机组效益模型：
Figure RE-GDA0002917370590000033
常规机组约束条件：
Figure RE-GDA0002917370590000034
其中，PGmin、PGmax为常规机组出力的上下限，PG(t)为t时刻的机组出力，
Figure RE-GDA0002917370590000041
和
Figure RE-GDA0002917370590000042
为机组的最大爬坡速率，β1、β2分别为布尔型变量，取0或1，CCCI为常规机组总收益，CGsale为常规机组售电收益，CGancillary为常规机组提供AGC响应补偿，CGcost为常规机组的发电成本。
进一步的，所述储能设施效益模型：
Figure RE-GDA0002917370590000043
储能约束条件
Figure RE-GDA0002917370590000044
其中，Et为储能系统t时刻储能的荷电量，EN为储能设施的额定容量，
Figure RE-GDA0002917370590000045
分别为储能最大充、放电功率，γmin、γmax分别为储能荷电状态的上下限，β1、β2分别为布尔型变量，取0或1，CEspread为充放电价差带来的效益，CEancillary为微电网提供电能消纳的补偿，CEcost为储能设施的运行维护成本。
进一步的，所述可再生能源效益模型：
Figure RE-GDA0002917370590000051
微电网平衡约束
Figure RE-GDA0002917370590000052
其中Pload(t)为t时刻微电网中的实际负荷功率，Pwind(t)为t时刻风电输出功率，Pbuy(t)、Psell(t)分别为t时刻微电网向大电网购、售电量，Pcha(t)、 Pdis(t)分别为t时刻储能的充、放电量。CRsale为上网电量的收益，CRancillary为参与深度调峰的补偿，CRcost为可再生能源的运维成本，λwind(t)、λPV(t)分别为风电、光伏上网电价，r4为限电补偿价格，r5、r6分别为风、光的运维成本价格。
进一步的，所述目标函数以各个投资主体的经济效益最大化为目标。
进一步的，所述步骤S4具体为：根据纳什均衡博弈论理论和强化学习理论，将某时刻各智能体系统内常规机组的出力、可再生能源出力、储能的荷电状态、当前电价及负荷需求，找寻各智能体的纳什均衡点πt(s,ai*,ai_)≥πt(s,ai *,ai_)；并引入资格迹更新技术提高效率，强化被频繁选取的动作集合，弱化选取较少的动作集合，从而找到各智能体的最优策略π*。
进一步的，所述步骤S5具体为：
步骤S51：根据风、光、负荷数据区分源任务与新任务；
步骤S52:将源任务通过步骤S4学习形成最优Q矩阵并保存；
步骤S53:将保存的最优Q矩阵应用到新任务中进行学习
Qxin＝Qyuan
其中Qxin为新任务的初始化Q矩阵，Qyuan为保存的最优Q矩阵。
本发明与现有技术相比具有以下有益效果：
本发明对于微电网的供电可靠性进行了分析讨论，建立了计及供电可靠性的多主体博弈模型，提高了微电网的供电可靠性的同时，并利用迁移学习的方法，加速了模型求解的过程。
附图说明
图1为本发明方法流程图；
图2为本发明一实施例中采用的典型日风、光最大出力曲线以及负荷曲线；
图3为本发明一实施例中源任务Q值矩阵的收敛曲线；
图4为本发明一实施例中各投资主体的典型日收益曲线；
图5为本发明一实施例中储能荷电状态变化图；
图6为本发明一实施例中常规机组和储能的出力曲线；
图7为本发明一实施例中风光实际发电比例图；
图8为本发明一实施例中迁移场景的风光负荷曲线图；
图9为本发明一实施例中迁移场景的储能荷电状态曲线；
图10为本发明一实施例中迁移场景的常规机组和储能的出力曲线；
图11为本发明一实施例中迁移后场景的风光实际发电比例。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种含可再生能源微电网的多主体协调调度方法，包括以下步骤：
步骤S1:构建微电网与主网联络线可靠性模型；
步骤S2:设定基于微电网内供电可靠性的惩罚机制，并根据微电网内供电可靠性的惩罚机制，构建常规机组投资方、储能设施投资方以及可再生能源投资方的成本效益模型及运行约束条件；
步骤S3:设定目标函数，并构建多主体纳什均衡博弈模型；
步骤S4:根据纳什均衡博弈论理论和强化学习理论，获取各智能体的纳什均衡点；
步骤S5:将学习任务分为源任务与新任务，利用迁移学习加速不同场景的学习过程,得到最优调度矩阵。
在本实施例中，所述步骤S1具体为:
步骤S11:构建联络线三状态模型，三状态分别为：正常运行状态、检修状态以及故障停运状态，三状态的转移密度矩阵为
Figure RE-GDA0002917370590000071
式中λ1为联络线的故障率，λ2为联络线的检修率，μ1、μ2为对应状态下的修复率。
步骤S12：计算联络线三状态概率，设PN、PO、PF分别为正常工作、故障停运以及检修状态的长期稳定概率，根据
[PN PO PF]·[A]＝0
算出
Figure RE-GDA0002917370590000081
步骤S13：采用电量不足期望值作为供电可靠性指标
Figure RE-GDA0002917370590000082
其中EENS为电量不足期望值，Ploss(t)为t时刻微电网供电不足电量。
在本实施例中，所述基于微电网内供电可靠性的惩罚机制，具体为：惩罚指标按照发电厂的发电电量比例进行分摊
Cpunishment＝r7·EENS
式中Cpunishment为微电网的惩罚指标，r7为对于微电网供电不足电量的惩罚系数。
优选的，各个智能体按照常规机组、可再生能源以及储能设施分解为三个智能体。
常规机组效益模型：
Figure RE-GDA0002917370590000083
常规机组约束条件：
Figure RE-GDA0002917370590000091
其中，PGmin、PGmax为常规机组出力的上下限，PG(t)为t时刻的机组出力，
Figure RE-GDA0002917370590000092
和
Figure RE-GDA0002917370590000093
为机组的最大爬坡速率，β1、β2分别为布尔型变量，取0或1，CCCI为常规机组总收益，CGsale为常规机组售电收益，CGancillary为常规机组提供AGC响应补偿，CGcost为常规机组的发电成本。
储能设施效益模型：
Figure RE-GDA0002917370590000094
储能约束条件
Figure RE-GDA0002917370590000095
其中，Et为储能系统t时刻储能的荷电量，EN为储能设施的额定容量，
Figure RE-GDA0002917370590000096
分别为储能最大充、放电功率，γmin、γmax分别为储能荷电状态的上下限，β1、β2分别为布尔型变量，取0或1，CEspread为充放电价差带来的效益，CEancillary为微电网提供电能消纳的补偿，CEcost为储能设施的运行维护成本。
可再生能源效益模型：
Figure RE-GDA0002917370590000101
微电网平衡约束
Figure RE-GDA0002917370590000102
其中Pload(t)为t时刻微电网中的实际负荷功率，Pwind(t)为t时刻风电输出功率，Pbuy(t)、Psell(t)分别为t时刻微电网向大电网购、售电量，Pcha(t)、 Pdis(t)分别为t时刻储能的充、放电量。CRsale为上网电量的收益，CRancillary为参与深度调峰的补偿，CRcost为可再生能源的运维成本，λwind(t)、λPV(t)分别为风电、光伏上网电价，r4为限电补偿价格，r5、r6分别为风、光的运维成本价格。
在本实施例中，所述目标函数以各个投资主体的经济效益最大化为目标。
在本实施例中，所述步骤S4具体为：根据纳什均衡博弈论理论和强化学习理论，将某时刻各智能体系统内常规机组的出力、可再生能源出力、储能的荷电状态、当前电价及负荷需求，找寻各智能体的纳什均衡点πt(s,ai*,ai_)≥πt(s,ai *,ai_)；并引入资格迹更新技术提高效率，强化被频繁选取的动作集合，弱化选取较少的动作集合，从而找到各智能体的最优策略π*。
在本实施例中，所述步骤S5具体为：
步骤S51：根据风、光、负荷数据区分源任务与新任务；
步骤S52:将源任务通过步骤S4学习形成最优Q矩阵并保存；
步骤S53:将保存的最优Q矩阵应用到新任务中进行学习
Qxin＝Qyuan
其中Qxin为新任务的初始化Q矩阵，Qyuan为保存的最优Q矩阵。
实施例1：
微电网配置有120MW容量的风电场与10MW容量的光伏电站，联络线故障率为1.132次/百公里.年，检修率为1.499次/百公里年，修复率分别为6.542次/百公里.年与7.128次/百公里.年。常规机组的容量为60MW，启机最小功率为30MWh，爬坡速率上限为20MW/h。储能配置为8MW/8MWh的锂电池，荷电状态SOC区间为[0.2,0.8]，风光出力的弃电率不超过30％。常规机组的成本系数a、b、c分别取值为0.0329、27.62以及134，启停成本取2143元，上调响应成本为1元/MWh,下调响应成本为5元/MWh。AGC服务容量补偿价格为 12元/MW，里程补偿价格为80元/MWh。风电上网电价为570元/MWh，运维价格为29.6元/MWh。光伏上网电价为700元/MWh，运维价格为9.6元/MWh。微电网供电不足电量的惩罚系数取20元/MWh。未迁移学习场景的训练结果见表1，迁移学习场景的结果见表2，未迁移场景与迁移后场景的训练时间见表3。
表1迁移学习前各投资主体收益
Figure RE-GDA0002917370590000111
Figure RE-GDA0002917370590000121
表2迁移学习后各投资主体收益
Figure RE-GDA0002917370590000122
表3迁移学习前后训练时间表
Figure RE-GDA0002917370590000123
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (9)

1.一种含可再生能源微电网的多主体协调调度方法，其特征在于，包括以下步骤：
步骤S1:构建微电网与主网联络线可靠性模型；
步骤S2:设定基于微电网内供电可靠性的惩罚机制，并根据微电网内供电可靠性的惩罚机制，构建常规机组投资方、储能设施投资方以及可再生能源投资方的成本效益模型及运行约束条件；
步骤S3:设定目标函数，并构建多主体纳什均衡博弈模型；
步骤S4:根据纳什均衡博弈论理论和强化学习理论，获取各智能体的纳什均衡点；
步骤S5:将学习任务分为源任务与新任务，利用迁移学习加速不同场景的学习过程,得到最优调度矩阵。
2.根据权利要求1所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述步骤S1具体为:
步骤S11:构建联络线三状态模型，三状态分别为：正常运行状态、检修状态以及故障停运状态，三状态的转移密度矩阵为
Figure FDA0002809993650000011
式中λ1为联络线的故障率，λ2为联络线的检修率，μ1、μ2为对应状态下的修复率。
步骤S12：计算联络线三状态概率，设PN、PO、PF分别为正常工作、故障停运以及检修状态的长期稳定概率，根据
[PN PO PF]·[A]＝0
算出
Figure FDA0002809993650000021
步骤S13：采用电量不足期望值作为供电可靠性指标
Figure FDA0002809993650000022
其中EENS为电量不足期望值，Ploss(t)为t时刻微电网供电不足电量。
3.根据权利要求1所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述基于微电网内供电可靠性的惩罚机制，具体为：惩罚指标按照发电厂的发电电量比例进行分摊
Cpunishment＝r7·EENS
式中Cpunishment为微电网的惩罚指标，r7为对于微电网供电不足电量的惩罚系数。
4.根据权利要求1所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述各个智能体按照常规机组、可再生能源以及储能设施分解为三个智能体。
5.根据权利要求4所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述常规机组效益模型：
Figure FDA0002809993650000031
常规机组约束条件：
Figure FDA0002809993650000032
其中，PGmin、PGmax为常规机组出力的上下限，PG(t)为t时刻的机组出力，PG up和PG down为机组的最大爬坡速率，β1、β2分别为布尔型变量，取0或1，CCCI为常规机组总收益，CGsale为常规机组售电收益，CGancillary为常规机组提供AGC响应补偿，CGcost为常规机组的发电成本。
6.根据权利要求4所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述储能设施效益模型：
Figure FDA0002809993650000033
储能约束条件
Figure FDA0002809993650000041
其中，Et为储能系统t时刻储能的荷电量，EN为储能设施的额定容量，
Figure FDA0002809993650000042
分别为储能最大充、放电功率，γmin、γmax分别为储能荷电状态的上下限，β1、β2分别为布尔型变量，取0或1，CEspread为充放电价差带来的效益，CEancillary为微电网提供电能消纳的补偿，CEcost为储能设施的运行维护成本。
7.根据权利要求4所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述可再生能源效益模型：
Figure FDA0002809993650000043
微电网平衡约束
Figure FDA0002809993650000044
其中Pload(t)为t时刻微电网中的实际负荷功率，Pwind(t)为t时刻风电输出功率，Pbuy(t)、Psell(t)分别为t时刻微电网向大电网购、售电量，Pcha(t)、Pdis(t)分别为t时刻储能的充、放电量。CRsale为上网电量的收益，CRancillary为参与深度调峰的补偿，CRcost为可再生能源的运维成本，λwind(t)、λPV(t)分别为风电、光伏上网电价，r4为限电补偿价格，r5、r6分别为风、光的运维成本价格。
8.根据权利要求1所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述步骤S4具体为：根据纳什均衡博弈论理论和强化学习理论，将某时刻各智能体系统内常规机组的出力、可再生能源出力、储能的荷电状态、当前电价及负荷需求，找寻各智能体的纳什均衡点πt(s,ai*,ai_)≥πt(s,ai *,ai_)；并引入资格迹更新技术提高效率，强化被频繁选取的动作集合，弱化选取较少的动作集合，从而找到各智能体的最优策略π*。
9.根据权利要求1所述的一种含可再生能源微电网的多主体协调调度方法，其特征在于，所述步骤S5具体为：
步骤S51：根据风、光、负荷数据区分源任务与新任务；
步骤S52:将源任务通过步骤S4学习形成最优Q矩阵并保存；
步骤S53:将保存的最优Q矩阵应用到新任务中进行学习
Qxin＝Qyuan
其中Qxin为新任务的初始化Q矩阵，Qyuan为保存的最优Q矩阵。
CN202011387131.1A 2020-12-01 2020-12-01 一种含可再生能源的微电网多主体协调调度方法 Active CN112542854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011387131.1A CN112542854B (zh) 2020-12-01 2020-12-01 一种含可再生能源的微电网多主体协调调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011387131.1A CN112542854B (zh) 2020-12-01 2020-12-01 一种含可再生能源的微电网多主体协调调度方法

Publications (2)

Publication Number Publication Date
CN112542854A true CN112542854A (zh) 2021-03-23
CN112542854B CN112542854B (zh) 2023-06-27

Family

ID=75015229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011387131.1A Active CN112542854B (zh) 2020-12-01 2020-12-01 一种含可再生能源的微电网多主体协调调度方法

Country Status (1)

Country Link
CN (1) CN112542854B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113098011A (zh) * 2021-05-20 2021-07-09 福州大学 一种基于改进NashQ算法的风电调度方法及系统
CN113435793A (zh) * 2021-08-09 2021-09-24 贵州大学 一种基于强化学习的微电网优化调度方法
CN114463058A (zh) * 2022-01-26 2022-05-10 华北电力大学 一种以消纳受阻新能源激励电价为引导的储能响应控制方法
CN116050632A (zh) * 2023-02-08 2023-05-02 中国科学院电工研究所 一种基于纳什q学习的微电网群互动博弈策略学习进化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500361A (zh) * 2013-08-27 2014-01-08 浙江工业大学 基于博弈论的微网负荷控制方法
CN103839109A (zh) * 2013-10-19 2014-06-04 李涛 一种基于博弈纳什均衡的微网电源规划方法
KR20180046174A (ko) * 2016-10-27 2018-05-08 한국전기연구원 신재생기반 독립형 마이크로그리드의 최적 운전을 위한 운영 시스템 및 방법
CN109286187A (zh) * 2018-10-19 2019-01-29 国网宁夏电力有限公司经济技术研究院 一种面向多主体利益均衡的微网日前经济调度方法
CN109919452A (zh) * 2019-02-15 2019-06-21 三峡大学 一种基于多主体博弈的电力-天然气综合能源系统联合规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500361A (zh) * 2013-08-27 2014-01-08 浙江工业大学 基于博弈论的微网负荷控制方法
CN103839109A (zh) * 2013-10-19 2014-06-04 李涛 一种基于博弈纳什均衡的微网电源规划方法
KR20180046174A (ko) * 2016-10-27 2018-05-08 한국전기연구원 신재생기반 독립형 마이크로그리드의 최적 운전을 위한 운영 시스템 및 방법
CN109286187A (zh) * 2018-10-19 2019-01-29 国网宁夏电力有限公司经济技术研究院 一种面向多主体利益均衡的微网日前经济调度方法
CN109919452A (zh) * 2019-02-15 2019-06-21 三峡大学 一种基于多主体博弈的电力-天然气综合能源系统联合规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余顺坤;戴同;: "基于主从博弈的风光储型微电网优化配置方法", 水电能源科学 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113098011A (zh) * 2021-05-20 2021-07-09 福州大学 一种基于改进NashQ算法的风电调度方法及系统
CN113098011B (zh) * 2021-05-20 2023-07-07 福州大学 一种基于改进NashQ算法的风电调度方法及系统
CN113435793A (zh) * 2021-08-09 2021-09-24 贵州大学 一种基于强化学习的微电网优化调度方法
CN114463058A (zh) * 2022-01-26 2022-05-10 华北电力大学 一种以消纳受阻新能源激励电价为引导的储能响应控制方法
CN114463058B (zh) * 2022-01-26 2024-06-04 华北电力大学 一种以消纳受阻新能源激励电价为引导的储能响应控制方法
CN116050632A (zh) * 2023-02-08 2023-05-02 中国科学院电工研究所 一种基于纳什q学习的微电网群互动博弈策略学习进化方法
CN116050632B (zh) * 2023-02-08 2024-06-21 中国科学院电工研究所 一种基于纳什q学习的微电网群互动博弈策略学习进化方法

Also Published As

Publication number Publication date
CN112542854B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN112542854A (zh) 一种含可再生能源的微电网多主体协调调度方法
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN103296682B (zh) 一种多时空尺度渐进趋优的负荷调度模式设计方法
CN114498639B (zh) 一种考虑需求响应的多微电网联合互济的日前调度方法
CN104299173B (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN114301081B (zh) 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
CN107947166A (zh) 一种基于动态矩阵控制的多能微网变时调度方法及装置
CN110661301A (zh) 一种水光蓄多能互补发电系统的容量配置优化方法
CN114912943B (zh) 一种考虑碳排放交易的虚拟电厂中长期联合调度方法
CN109726894A (zh) 保障现货交易和中长期电量的新能源有功指令计算方法
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
CN117436773B (zh) 一种含可中断负荷的独立微网资源规划方法和系统
CN108847661A (zh) 一种区域电力系统全年生产模拟运行方法及系统
CN116470543A (zh) 一种虚拟电厂的运行控制方法、装置、设备及介质
Zhang et al. Multi-time-scale economic scheduling method for electro-hydrogen integrated energy system based on day-ahead long-time-scale and intra-day MPC hierarchical rolling optimization
CN113690925B (zh) 一种基于微电网的能量交互优化方法及系统
CN118281865A (zh) 一种面向区域电网的多时间尺度调度优化方法及系统
Hong-Tao et al. Local Consumption model of wind and photovoltaic power based on demand side response
CN104659818B (zh) 一种正负旋转备用容量在含风电系统中的最优分配方法
CN115800276B (zh) 一种考虑机组爬坡的电力系统应急调度方法
CN116914732A (zh) 基于深度强化学习的热电联产系统低碳调度方法及系统
CN110750758A (zh) 计及风险的微电网的日前优化调度方法
CN115907393A (zh) 一种含长时储能虚拟电厂的多时间尺度调度方法
Yao et al. Determination of a dispatch strategy to maximize income for a wind turbine-BESS power station
Fang et al. Peak Shaving Strategy of Concentrating Solar Power Generation Based on Multi-Time-Scale and Considering Demand Response.

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