CN112564151B - 一种计及隐私意识的多微网云储能优化调度方法及系统 - Google Patents

一种计及隐私意识的多微网云储能优化调度方法及系统 Download PDF

Info

Publication number
CN112564151B
CN112564151B CN202011429607.3A CN202011429607A CN112564151B CN 112564151 B CN112564151 B CN 112564151B CN 202011429607 A CN202011429607 A CN 202011429607A CN 112564151 B CN112564151 B CN 112564151B
Authority
CN
China
Prior art keywords
energy storage
cloud
cloud energy
scheduling
power
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
CN202011429607.3A
Other languages
English (en)
Other versions
CN112564151A (zh
Inventor
钟嘉庆
苗林奎
张晓辉
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.)
Guangzhou Dayu Chuangfu Technology Co ltd
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202011429607.3A priority Critical patent/CN112564151B/zh
Publication of CN112564151A publication Critical patent/CN112564151A/zh
Application granted granted Critical
Publication of CN112564151B publication Critical patent/CN112564151B/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
    • H02J3/28—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
    • H02J3/008—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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种计及隐私意识的多微网云储能优化调度方法及系统。该方法包括：在云储能模式下建立多微电网用户充放电行为策略模型；在用户运行策略的基础上建立云储能运营商运行基础行为模型；根据用户充放电行为策略模型和云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数；引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对云储能运营商日前调度目标函数优化处理；根据模糊化处理后的云储能运营商日前调度优化调度目标函数，确定云储能运营商的充放电优化调度方案。本发明通过考虑微网之间的能量交互与耦合的方式，提高多源电场的经济性能。

Description

一种计及隐私意识的多微网云储能优化调度方法及系统
技术领域
本发明涉及电能存储调度领域，特别是涉及一种计及隐私意识的多微网云储能优化调度方法及系统。
背景技术
当前电力市场不断改革下，综合能源供给环境改变和新能源的渗透率提高使得储能(如电池)变得极为有吸引力。传统发展应用的分布式储能方式，投资成本高、资金回收慢、利用率低导致大宗量储能建设发展缓慢。伴随着微电网技术的快速发展，分布式储能的不断增加传统的调度方法已经不能适应现在的发展情况。云储能(Cloud Energy Storage)通过将过去分散在各微网的分布式储能装置集中于云端通过运营商统一调控，为微网用户提供方便低价的储能服务。在地理位置不远，电气位置相近的区域中的多个微电网可以共享一个大容量储能资源以减轻经济上的投资困难，利用用户的用电活动模式不一定重叠情况减少容量和功率投资。然而，电池是在用户之间共享的，由云储能运营商(Cloud EnergyStorage Operator)代表所有用户来管理。与此同时，由于不可直接的用电监测情况，云储能控制器通常依靠通信网络来接收用户的状态报告。根据接收到的信息，云端电池控制器决定为每个用户执行服务内容。然而，基于信用的集中式最优电池管理，需要建立长期的观察，用户也被迫与控制器精确地分享他们的能源需求，这导致了隐私问题产生。如果商业竞争对手知道详细的能耗，则可以依据设备特征显示用户的生产活动。因此，了解有隐私需求的用户在使用云储能时的行为策略，为用户在通信网络上的消息传递中可能出现的不确定性做好准备是非常必要的。在考虑隐私意识的盲信息调度会导致运营商常规调度方法不再适用，实际情况会与常规基于完全信息调度产生较大误差。
发明内容
本发明的目的是提供一种计及隐私意识的多微网云储能优化调度方法及系统，能够解决由于长期建立用户观察产生隐私意识所导致用户i在t时刻的需求信息集|Mi,t|不确定性对运营商日前充放电调度的影响；在需求信息集0＜|Mi,t|＜1时，即多微网用户为保护隐私做出不完整信息通讯时，引入盲数理论处理调度模型不确定性的问题，进而满足优化调度的需求。
为实现上述目的，本发明提供了如下方案：
一种计及隐私意识的多微网云储能优化调度方法，包括：
在云储能模式下建立多微电网用户充放电行为策略模型；
在用户运行策略的基础上建立云储能运营商运行基础行为模型；
根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数；
引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对所述云储能运营商日前调度目标函数优化处理；
根据模糊化处理后的云储能运营商日前调度优化调度目标函数，确定云储能运营商的充放电优化调度方案。
可选地，所述用户充放电行为策略模型为：
Figure GDA0004052156440000021
Figure GDA0004052156440000022
Figure GDA0004052156440000023
其中：
Figure GDA0004052156440000031
和/>
Figure GDA0004052156440000032
分别为微电网用户i在t时段内所要求的充放电功率；/>
Figure GDA0004052156440000033
和
Figure GDA0004052156440000034
分别为用户i的云储能充放电效率；/>
Figure GDA0004052156440000035
和/>
Figure GDA0004052156440000036
分别为云储能剩余容量最高和最低限度值；/>
Figure GDA0004052156440000037
和/>
Figure GDA0004052156440000038
分别为t和t-1时段末时刻的云储能剩余容量；Δt为时间间隔，时间间隔采样为1h。
可选地，所述云储能运营商运行基础行为模型为：
Figure GDA0004052156440000039
其中：Pt CES,B是云储能运营商云端电池从电网补充总功率；Pt CES,C和Pt CES,F分别是在t时段云储能运营商控制云端电池充电和放电的功率。
可选地，所述根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数，具体包括：
根据所述用户充放电行为策略模型，确定功率最大值和容量最大值；
根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值，建立云储能运营商日前调度优化调度目标函数：
Figure GDA00040521564400000310
其中，F是云储能运营商日前调度成本；
Figure GDA00040521564400000311
和/>
Figure GDA00040521564400000312
分别是配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。/>
可选地，所述引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对所述云储能运营商日前调度目标函数优化处理，具体包括：
采用判断矩阵法确定盲数模型可信度；
根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理，得到处理后的云储能运营商日前调度优化调度目标函数：
Figure GDA0004052156440000041
其中，
Figure GDA0004052156440000042
是云储能运营商日前模糊调度成本；/>
Figure GDA0004052156440000043
和/>
Figure GDA0004052156440000044
分别是模糊化处理后配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。
一种计及隐私意识的多微网云储能优化调度系统，包括：
用户充放电行为策略模型建立模块，用于在云储能模式下建立多微电网用户充放电行为策略模型；
云储能运营商运行基础行为模型建立模块，用于在用户运行策略的基础上建立云储能运营商运行基础行为模型；
云储能运营商日前调度优化调度目标函数建立模块，用于根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数；
模糊化处理模块，用于引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对所述云储能运营商日前调度目标函数优化处理；
优化调度方案确定模块，用于根据模糊化处理后的云储能运营商日前调度优化调度目标函数，确定云储能运营商的充放电优化调度方案。
可选地，所述用户充放电行为策略模型为：
Figure GDA0004052156440000045
Figure GDA0004052156440000051
/>
Figure GDA0004052156440000052
其中：
Figure GDA0004052156440000053
和/>
Figure GDA0004052156440000054
分别为微电网用户i在t时段内所要求的充放电功率；/>
Figure GDA0004052156440000055
和
Figure GDA0004052156440000056
分别为用户i的云储能充放电效率；/>
Figure GDA0004052156440000057
和/>
Figure GDA0004052156440000058
分别为云储能剩余容量最高和最低限度值；/>
Figure GDA0004052156440000059
和/>
Figure GDA00040521564400000510
分别为t和t-1时段末时刻的云储能剩余容量；Δt为时间间隔，时间间隔采样为1h。
可选地，所述云储能运营商运行基础行为模型为：
Figure GDA00040521564400000511
其中：Pt CES,B是云储能运营商云端电池从电网补充总功率；Pt CES,C和Pt CES,F分别是在t时段云储能运营商控制云端电池充电和放电的功率。
可选地，所述云储能运营商日前调度优化调度目标函数建立模块，具体包括：
功率/容量最大值确定单元，用于根据所述用户充放电行为策略模型，确定功率最大值和容量最大值；
云储能运营商日前调度优化调度目标函数建立单元，用于根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值，建立云储能运营商日前调度优化调度目标函数：
Figure GDA00040521564400000512
其中，F是云储能运营商日前调度成本；
Figure GDA0004052156440000061
和/>
Figure GDA0004052156440000062
分别是配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。
可选地，所述模糊化处理模块，具体包括：
盲数模型可信度确定单元，用于确定盲数模型可信度；
模糊化处理单元，用于根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理，得到处理后的云储能运营商日前调度优化调度目标函数：
Figure GDA0004052156440000063
其中，
Figure GDA0004052156440000064
是云储能运营商日前模糊调度成本；/>
Figure GDA0004052156440000065
和/>
Figure GDA0004052156440000066
分别是模糊化处理后配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
尽管采用盲数模型的云储能调度优化方法所得到的优化方案要比常规方法成本较多，但是由于本发明考虑了云储能用户考虑隐私意思导致信息传递不全的不确定影响，对未来环境变化的适应性强，其成本效益指标也明显比常规方法高，因此，采用盲数模型的云储能调度优化方案得到的云储能调度方法具有更好的灵活性和适应性。采用盲数对云储能运营中各种不确定性信息进行表述比较详细，所以其包含的信息量较多，对未来环境的近似也越接近，因此可以较好地适应未来可能的变化，具有较高的应用价值背景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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人员来讲，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的附图。
图1为本发明中多微网云储能的结构示意图；
图2为本发明计及隐私意识的多微网云储能优化调度方法流程图；
图3为本发明计及隐私意识的多微网云储能优化调度系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种计及隐私意识的多微网云储能优化调度方法及系统，能够解决由于长期建立用户观察产生隐私意识所导致用户i在t时刻的需求信息集|Mi,t|不确定性对运营商日前充放电调度的影响；在需求信息集0＜|Mi,t|＜1时，即多微网用户为保护隐私做出不完整信息通讯时，引入盲数理论处理调度模型不确定性的问题，进而满足优化调度的需求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
在云储能的运行调度阶段，云储能提供商的实体储能行为与反映给用户的云端电池虚拟储能行为不一定一致，运营商只需要及时满足用户充电需求即可，在充电时运营商可以根据当前电价和云端电池的荷电状态来判断当下是否要及时补充容量备用。影响云储能运营商充放电策略的一些不确定性信息同时具有多种特点和性质，与环境因素和对带有隐私意识未来需求申报都有关系，这些不确定的因素既有随机性又具有模糊性和灰性(部分信息已知，部分未知)等，属于盲信息。对于盲信息可以采用盲数理论进行描述和处理。
在如图1所描述的多微网云储能结构示意图中，本发明采取配置有光伏发电设施多微网作为研究对象之一，其可以实现一部分负荷的自我供给，在光伏出力不足时其需要从电网购电满足需求；在光伏出力过剩时，需要将多余功率返送回电网。在购买云储能服务后，获得云端电池的功率容量和能量容量。此时多微网侧需要向云储能提供历史用电信息和自身用电行为信息，云储能运营商根据日前获得信息作出云端电池的调度优化。此时多微网在分时电价市场中，低电价或光伏出力过剩时优先对云端电池充电以备峰值电价时节约用电成本。图1中展示了信息能量的交互，在云储能运营商、电网以及多微网三个主体下，开展了一种计及隐私意识的多微网云储能优化调度方法。
图2为本发明计及隐私意识的多微网云储能优化调度方法流程图。如图2所示，一种计及隐私意识的多微网云储能优化调度方法包括：
步骤101：在云储能模式下建立多微电网用户充放电行为策略模型。
本发明所研究的多微电网云储能用户存假设已有的一定规模分布式的光伏发电设备，一般情况用户不会考虑复杂的储能控制策略，而是根据综合状态权重系数向云储能预报未来需求。云储能给予用户即买即用的用电机会，用户会根据自己需求购买合适的能量，根据自身用电负荷光量伏出力等来配置最优的储能容量。
建立云储能用户i的运行模型的公式化展现如下。为了方便说明公式表达，定义了运算(x)+如下：
Figure GDA0004052156440000081
假设在无储能的情况下，光伏出力不足时，用户需求从电网购买
Figure GDA0004052156440000082
为：
Figure GDA0004052156440000083
在获得云储能服务后，用户在t时段内的光伏供过于求的功率
Figure GDA0004052156440000084
可以存储在云端电池中，表达如下：
Figure GDA0004052156440000085
综合上述研究内容，总结出用户在每个时间段的充放电行为的数学模型如下：
Figure GDA0004052156440000086
Figure GDA0004052156440000091
Figure GDA0004052156440000092
在上述公式中：
Figure GDA0004052156440000093
和/>
Figure GDA0004052156440000094
分别为微电网用户i在t时段内所要求的充放电功率；
Figure GDA0004052156440000095
和/>
Figure GDA0004052156440000096
分别为用户i的云储能充放电效率；/>
Figure GDA0004052156440000097
和/>
Figure GDA0004052156440000098
分别为云储能剩余容量最高和最低限度值；/>
Figure GDA0004052156440000099
和/>
Figure GDA00040521564400000910
分别为t和t-1时段末时刻的云储能剩余容量；Δt为时间间隔，时间间隔采样为1h。
此外每个用户在相邻时段内云端电池的容量的递推关系如下表示：
Figure GDA00040521564400000911
式中
Figure GDA00040521564400000912
为用户i的云端电池的自放电率。
为了更好的消纳新能源提高光伏的利用率，在云储能用户的日常用电行为逻辑设定时，应该将消纳过剩的光伏出力放在首位。本发明假设用户所产生的光伏电量首先满足自身能耗，过剩能量再优先存储在云端储能当中，当过剩光伏出力不足时，对于不足需求部分直接向电网购买缺额功率。因此，个体云储能用户i充电功率中的光伏过剩功率可以如下表示：
Figure GDA00040521564400000913
用户需要通过网络向运营商发送充放电请求，当前时段所有的用户需求参数的合计是云储能控制端的决策参数。
各个时段用户侧光伏出力过剩功率加总
Figure GDA0004052156440000101
表示为：
Figure GDA0004052156440000102
式中：MgCES为云储能微网用户的集合。
各个时段用户放电需求的总和
Figure GDA0004052156440000103
为：
Figure GDA0004052156440000104
步骤102：在用户运行策略的基础上建立云储能运营商运行基础行为模型。
CESO需要在日前综合所有用户的充放电需求，在及时满足用户需求的基础上，根据对当前环境，不确定因素下优化云储能充放电调度策略。调度过程中，用户在对购得云端电池发出充放电指令后，云储能运营商只需及时响应用户的放电需求即可，然后选择有利的充电时段，满足优化调度的需求。根据所有用户在t时段的放电和光伏出力情况，建立云储能运营商行为策略数学模型。云储能运营商的云端电池从电网补充的功率表示为：
Figure GDA0004052156440000105
式中：Pt CES,B是云储能运营商云端电池从电网补充总功率；Pt CES,C和Pt CES,F分别是在t时段云储能运营商控制云端电池充电和放电的功率。
CESO在聚合全部用户的储能充放电策略后在进行集中式优化调度出云端电池的充放电策略。由于云储能的共享模式可以充分利用全部用户的用能的互补性和时间差进行优化调度，能够在一定程度上改善预测误差。
步骤103：根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数。
CESO是为使用集中云端电池的所有用户累计放电曲线服务。根据所有用户的合计放电曲线和电价，通过充放电决策优化CES的最优功率和能量容量。在本发明云储能优化调度方法中，为了方便分析用户保护隐私意识传递负荷信息不完整对优化调度影响，考虑设备功率容量和能量容量配置和日前调度最优，暂时忽略其他储能技术因素影响。
首先，建立在完整信息传递下云储能充放电策略的研究，本发明基于模型预测理论，采用滚动优化算法求解。本发明的滚动优化时间尺度选取储能充放电的时间尺度，即1h。为使云储能充放电策略误差更小，在每一次的滚动优化中，输入数据为该时段及后一天时段的光伏和负荷预测值；输出结果包含两部分：下一时段充放电策略作为最终优化结果，一天内其余时段结果仅作辅助优化。循环优化一次后，选取最终优化结果作为下一时段滚动优化的初始值，以呈现云端储能的充放电连续属性。应用目标函数只采用第一次优化结果即可。
步骤103，具体包括：
根据所述用户充放电行为策略模型，确定功率最大值和容量最大值：
Figure GDA0004052156440000111
Figure GDA0004052156440000112
根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值，建立云储能运营商日前调度优化调度目标函数：
Figure GDA0004052156440000113
其中，F是云储能运营商日前调度成本；
Figure GDA0004052156440000114
和/>
Figure GDA0004052156440000115
分别是配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。在进行步骤103时，|Mi,t|＝1。即传递信息集完整传递时进行步骤103。
云储能模式虽然设计为云端虚拟电池，但是实际控制是物理电池实体，所以同样配置了相同的物理参数，因此云端电池仍需要执行储能的物理属性的约束条件。其中包括储能的功率要在最大设定值以内，各个时段储能动态存储情况不能超出最大容量设定并且也不能低于最小的容量限额，在相邻时段中的容量应该存在和充放电策略的递推关系。因此云储能物理约束条件表达如下：
Figure GDA0004052156440000121
Figure GDA0004052156440000122
Figure GDA0004052156440000123
/>
式中：
Figure GDA0004052156440000124
和/>
Figure GDA0004052156440000125
分别为云储能运营商在t时段的云端电池充放电功率；/>
Figure GDA0004052156440000126
和/>
Figure GDA0004052156440000127
分别为云储能运营商的储能剩余容量最大和最小限值；kmin和kmax分别是储能的最大和最小的允许荷电状态系数；/>
Figure GDA0004052156440000128
是云端电池在t时段的剩余容量；/>
Figure GDA0004052156440000129
和/>
Figure GDA00040521564400001210
分别是配置的实体储能装置的充电和放电效率因数；SCES为运营商侧配置储能装置的自放电率。
步骤104：引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对所述云储能运营商日前调度目标函数优化处理。这里需求信息集为0＜|Mi,t|＜1，即当需求信息集不完全传递时进行步骤104。
步骤104具体包括：
步骤1041：采用判断矩阵法确定盲数模型可信度。
在模型控制预测理论中根据用户负荷预测、充放电策略和当前储能的荷电状态的完整信息能够得到优化调度策略。隐私是所有用户最优先考虑的问题，因此用户希望尽可能多的向消息接收者隐藏关他们实际能耗的信息，用户会主动选择信息传递策略而不是遵循预先设定的协议时，会出于隐私考虑不愿透露足够的信息。因此云端电池控制器不能完全通过观察消息集和其他公共信息来确定实际的能量需求。在环境因素和人为因素下的需求预测具有不确定性又具有模糊性和灰性，属于盲信息。对于盲信息可以采用盲数理论进行描述和处理。
设云储能微电网用户i在t时段的负荷变化因素集合为U，则Ui,t＝{u1,u2,…,um,}，其中ui(i＝1,2,…,m)表示该负荷变化可能区间，即ui∈g(i)，其中g(i)为区间型灰数集。它通过对已知信息的分析和整理可以由数学计算直接得到。同时U也为用户建立盲数模型提供了区间灰数值，即用户i在t时段m阶盲数模型。完整的盲数模型还需要求得ui的可信度值αi，是一个模糊择优问题，即相当于要求得因素集U上的模糊子集
Figure GDA0004052156440000131
其中αi是ui对A的隶属度，是所求模型的可信度值。本发明所采用的方法是判断矩阵法来建立考虑隐私意识的云储能优化调度的盲数模型。
判断矩阵法是把m个评价因素排成一个m阶的判断矩阵，专家通过对因素两两比较，根据各个因素(负荷所在区间)可信度值大小来确定矩阵的元素值，然后计算矩阵的最大特征根以及对应的特征向量。这个特征向量就是所求的盲数模型可信度αi。该方法的步骤如下：
1)判断值选取
根据云储能用户i在t时段的负荷变化实际情况将所要分析的数据分为n个区间，用Ui,t＝{u1,u2,…,um,}表示。从中任意取出一对因素ui，uj，对ui，uj的可能性程度进行比较，设
Figure GDA0004052156440000132
是ui对uj的可能程度的判断值，/>
Figure GDA0004052156440000133
是uj对ui的可能程度的判断值，该值为/>
Figure GDA0004052156440000134
判断值的选择方法见表1。
表1盲数模型可信度的判断值表
Figure GDA0004052156440000135
2)构造判断矩阵
根据以上两两区间比较，得到
Figure GDA0004052156440000141
和/>
Figure GDA0004052156440000142
令
Figure GDA0004052156440000143
可得判断矩阵为：
Figure GDA0004052156440000144
显然，bii＝1,bij＝1/bji。
3)确定各负荷的可信度值
根据判断矩阵B，计算它的最大特征根λmax，得到最大特征跟λmax的特征相量ξ＝(x1,x2,…,xm)，取xi作为因素ui的可信度值αi，必要时对特征相量ξ进行归一化处理，即：
Figure GDA0004052156440000145
从而得到最终所求的盲数模型的可信度αi。
在计算判断矩阵B的最大特征根λmax及其特征相量ξ比较繁琐时，为了简化计算，可以求解可信度αi的近似值αi'，计算公式为：
Figure GDA0004052156440000146
对其进行归一化处理为：
Figure GDA0004052156440000151
盲数均值是未确知期望和有理灰数心的延伸，体现了盲数的平均取值。设a、b均为实数，且a＜b，称(a+b)/2为有理灰数[a,b]的心，记为⊙(a,b)。根据盲数均值的定义可知，对于m阶盲数f(x)，记
Figure GDA0004052156440000152
则其均值为：
Figure GDA0004052156440000153
步骤1042：根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理，得到处理后的云储能运营商日前调度优化调度目标函数：
Figure GDA0004052156440000154
其中，
Figure GDA0004052156440000155
是云储能运营商日前模糊调度成本；/>
Figure GDA0004052156440000156
和/>
Figure GDA0004052156440000157
分别是模糊化处理后配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。
步骤105：根据模糊化处理后的云储能运营商日前调度优化调度目标函数，确定云储能运营商的充放电优化调度方案。
对计及隐私意识的云储能调度优化模型中，预测值的不确定性可能存在三种情况即，实际值与预测值偏差小、中、较大三种情况，为了避免盲数模型因为高阶计算周期长，本发明定义为3阶云储能盲数运行模型。其中：
Figure GDA0004052156440000158
因此考虑隐私意识的功率盲数模型为：
Figure GDA0004052156440000161
式中
Figure GDA0004052156440000162
为模糊处理后的负荷功率，α1,α2,α3为低，中，高三种符合区间可信度，a和b是区间范围参数，P0为原始预测负荷。通过上式对(12)式目标函数中参数进行盲数理论模糊化处理可得：
Figure GDA0004052156440000163
式中：
Figure GDA0004052156440000164
是云储能运营商日前模糊调度成本；/>
Figure GDA0004052156440000165
和/>
Figure GDA0004052156440000166
分别是模糊化处理后配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。/>
因此云储能在盲数理论下的物理约束条件表达如下。
Figure GDA0004052156440000167
Figure GDA0004052156440000168
Figure GDA0004052156440000169
式中：
Figure GDA00040521564400001610
和/>
Figure GDA00040521564400001611
分别为云储能运营商在t时段的云端电池充放电功率；/>
Figure GDA00040521564400001612
和/>
Figure GDA00040521564400001613
分别为云储能运营商的储能剩余容量最大和最小限值。
由于目标函数中有(x)+型的分段函数，因此引入辅助变量z，将z＝x带入原目标函数当中，并加入如下约束条件：
Figure GDA00040521564400001614
通过步骤101-104将整个模型化为便于求解的线性规划问题，能够在Matlab内调用CPLEX求解器对上述优化模型经行求解，确定云储能运营商的充放电优化调度方案。
图3为本发明计及隐私意识的多微网云储能优化调度系统结构图。如图3所示，一种计及隐私意识的多微网云储能优化调度系统包括：
用户充放电行为策略模型建立模块201，用于在云储能模式下建立多微电网用户充放电行为策略模型。
云储能运营商运行基础行为模型建立模块202，用于在用户运行策略的基础上建立云储能运营商运行基础行为模型。
云储能运营商日前调度优化调度目标函数建立模块203，用于根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数。
模糊化处理模块204，用于引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对所述云储能运营商日前调度目标函数优化处理。
优化调度方案确定模块205，用于根据模糊化处理后的云储能运营商日前调度优化调度目标函数，确定云储能运营商的充放电优化调度方案。
所述用户充放电行为策略模型为：
Figure GDA0004052156440000171
/>
Figure GDA0004052156440000172
Figure GDA0004052156440000173
其中：
Figure GDA0004052156440000181
和/>
Figure GDA0004052156440000182
分别为微电网用户i在t时段内所要求的充放电功率；/>
Figure GDA0004052156440000183
和
Figure GDA0004052156440000184
分别为用户i的云储能充放电效率；/>
Figure GDA0004052156440000185
和/>
Figure GDA0004052156440000186
分别为云储能剩余容量最高和最低限度值；/>
Figure GDA0004052156440000187
和/>
Figure GDA0004052156440000188
分别为t和t-1时段末时刻的云储能剩余容量；Δt为时间间隔，时间间隔采样为1h。
所述云储能运营商运行基础行为模型为：
Figure GDA0004052156440000189
其中：Pt CES,B是云储能运营商云端电池从电网补充总功率；Pt CES,C和Pt CES,F分别是在t时段云储能运营商控制云端电池充电和放电的功率。
所述云储能运营商日前调度优化调度目标函数建立模块203，具体包括：
功率/容量最大值确定单元，用于根据所述用户充放电行为策略模型，确定功率最大值和容量最大值；
云储能运营商日前调度优化调度目标函数建立单元，用于根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值，建立云储能运营商日前调度优化调度目标函数：
Figure GDA00040521564400001810
其中，F是云储能运营商日前调度成本；
Figure GDA00040521564400001811
和/>
Figure GDA00040521564400001812
分别是配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。
所述模糊化处理模块204，具体包括：
盲数模型可信度确定单元，用于确定盲数模型可信度。
模糊化处理单元，用于根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理，得到处理后的云储能运营商日前调度优化调度目标函数：
Figure GDA00040521564400001813
其中，
Figure GDA0004052156440000191
是云储能运营商日前模糊调度成本；/>
Figure GDA0004052156440000192
和/>
Figure GDA0004052156440000193
分别是模糊化处理后配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为该t时段电价。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种计及隐私意识的多微网云储能优化调度方法，其特征在于，包括：
在云储能模式下建立多微网用户充放电行为策略模型；
在用户运行策略的基础上建立云储能运营商运行基础行为模型；
根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数，具体包括：
根据所述用户充放电行为策略模型，确定功率最大值和容量最大值；
根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值，建立云储能运营商日前调度优化调度目标函数：
Figure FDA0004052156430000011
其中，F是云储能运营商日前调度成本；
Figure FDA0004052156430000012
和/>
Figure FDA0004052156430000013
分别是配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为t时段电价；Pt CES,B是云储能运营商云端电池从电网补充总功率；
引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对所述云储能运营商日前调度优化调度目标函数优化处理，具体包括：
采用判断矩阵法确定盲数模型可信度；
根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理，得到处理后的云储能运营商日前调度优化调度目标函数：
Figure FDA0004052156430000021
其中，
Figure FDA0004052156430000022
是云储能运营商日前模糊调度成本；/>
Figure FDA0004052156430000023
和/>
Figure FDA0004052156430000024
分别是模糊化处理后配置的云端电池储能功率和容量的最大值；/>
Figure FDA0004052156430000025
是模糊化处理后云储能运营商云端电池从电网补充总功率；
根据模糊化处理后的云储能运营商日前调度优化调度目标函数，确定云储能运营商的充放电优化调度方案。
2.根据权利要求1所述的计及隐私意识的多微网云储能优化调度方法，其特征在于，所述用户充放电行为策略模型为：
Figure FDA0004052156430000026
/>
Figure FDA0004052156430000027
Figure FDA0004052156430000028
其中：
Figure FDA0004052156430000029
和/>
Figure FDA00040521564300000210
分别为微电网用户i在t时段内所要求的充放电功率；/>
Figure FDA00040521564300000211
和/>
Figure FDA00040521564300000212
分别为用户i的云储能充放电效率；/>
Figure FDA00040521564300000213
和/>
Figure FDA00040521564300000214
分别为云储能剩余容量最高和最低限度值；/>
Figure FDA00040521564300000215
和/>
Figure FDA00040521564300000216
分别为t和t-1时段末时刻的云储能剩余容量；Δt为时间间隔，时间间隔采样为1h；/>
Figure FDA0004052156430000031
为用户i在t时段内的光伏供过于求的功率；/>
Figure FDA0004052156430000032
为用户i在t时段内需求从电网购买的功率。
3.根据权利要求1所述的计及隐私意识的多微网云储能优化调度方法，其特征在于，所述云储能运营商运行基础行为模型为：
Figure FDA0004052156430000033
其中：Pt CES,C和Pt CES,F分别是在t时段云储能运营商控制云端电池充电和放电的功率；
Figure FDA0004052156430000034
为用户在t时段内放电需求；/>
Figure FDA0004052156430000035
为各个时段用户侧光伏出力过剩功率加总；
定义运算(x)+如下
Figure FDA0004052156430000036
4.一种计及隐私意识的多微网云储能优化调度系统，其特征在于，包括：
用户充放电行为策略模型建立模块，用于在云储能模式下建立多微网用户充放电行为策略模型；
云储能运营商运行基础行为模型建立模块，用于在用户运行策略的基础上建立云储能运营商运行基础行为模型；
云储能运营商日前调度优化调度目标函数建立模块，用于根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型，建立完整需求信息集云储能运营商日前调度优化调度目标函数，具体包括：
功率/容量最大值确定单元，用于根据所述用户充放电行为策略模型，确定功率最大值和容量最大值；
云储能运营商日前调度优化调度目标函数建立单元，用于根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值，建立云储能运营商日前调度优化调度目标函数：
Figure FDA0004052156430000041
其中，F是云储能运营商日前调度成本；
Figure FDA0004052156430000042
和/>
Figure FDA0004052156430000043
分别是配置的云端电池储能功率和容量的最大值；λp和λE分别是配置储能单位功率和容量的成本；λt为t时段电价；Pt CES,B是云储能运营商云端电池从电网补充总功率；
模糊化处理模块，用于引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递，对所述云储能运营商日前调度优化调度目标函数优化处理，具体包括：
盲数模型可信度确定单元，用于采用判断矩阵法确定盲数模型可信度；
模糊化处理单元，用于根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理，得到处理后的云储能运营商日前调度优化调度目标函数：
Figure FDA0004052156430000044
其中，
Figure FDA0004052156430000045
是云储能运营商日前模糊调度成本；/>
Figure FDA0004052156430000046
和/>
Figure FDA0004052156430000047
分别是模糊化处理后配置的云端电池储能功率和容量的最大值；/>
Figure FDA0004052156430000048
是模糊化处理后云储能运营商云端电池从电网补充总功率；
优化调度方案确定模块，用于根据模糊化处理后的云储能运营商日前调度优化调度目标函数，确定云储能运营商的充放电优化调度方案。
5.根据权利要求4所述的计及隐私意识的多微网云储能优化调度系统，其特征在于，所述用户充放电行为策略模型为：
Figure FDA0004052156430000051
Figure FDA0004052156430000052
Figure FDA0004052156430000053
/>
其中：
Figure FDA0004052156430000054
和/>
Figure FDA0004052156430000055
分别为微电网用户i在t时段内所要求的充放电功率；/>
Figure FDA0004052156430000056
和/>
Figure FDA0004052156430000057
分别为用户i的云储能充放电效率；/>
Figure FDA0004052156430000058
和/>
Figure FDA0004052156430000059
分别为云储能剩余容量最高和最低限度值；/>
Figure FDA00040521564300000510
和/>
Figure FDA00040521564300000511
分别为t和t-1时段末时刻的云储能剩余容量；Δt为时间间隔，时间间隔采样为1h；/>
Figure FDA00040521564300000512
为用户i在t时段内的光伏供过于求的功率；/>
Figure FDA00040521564300000513
为用户i在t时段内需求从电网购买的功率。
6.根据权利要求4所述的计及隐私意识的多微网云储能优化调度系统，其特征在于，所述云储能运营商运行基础行为模型为：
Figure FDA0004052156430000061
其中：Pt CES,B是云储能运营商云端电池从电网补充总功率；Pt CES,C和Pt CES,F分别是在t时段云储能运营商控制云端电池充电和放电的功率；
Figure FDA0004052156430000062
为用户在t时段内放电需求；
Figure FDA0004052156430000063
为各个时段用户侧光伏出力过剩功率加总；
定义运算(x)+如下
Figure FDA0004052156430000064
/>
CN202011429607.3A 2020-12-07 2020-12-07 一种计及隐私意识的多微网云储能优化调度方法及系统 Active CN112564151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011429607.3A CN112564151B (zh) 2020-12-07 2020-12-07 一种计及隐私意识的多微网云储能优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011429607.3A CN112564151B (zh) 2020-12-07 2020-12-07 一种计及隐私意识的多微网云储能优化调度方法及系统

Publications (2)

Publication Number Publication Date
CN112564151A CN112564151A (zh) 2021-03-26
CN112564151B true CN112564151B (zh) 2023-03-28

Family

ID=75060769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011429607.3A Active CN112564151B (zh) 2020-12-07 2020-12-07 一种计及隐私意识的多微网云储能优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN112564151B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744078A (zh) * 2021-07-28 2021-12-03 天津大学 一种具有更小互信息的智能电表用户隐私保护方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224997A (zh) * 2015-09-01 2016-01-06 国家电网公司 一种含有多种不确定性因素影响的规划负荷预测方法
CN111784540A (zh) * 2020-07-07 2020-10-16 河海大学 一种基于多目标粒子群算法的云储能优化出清方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224997A (zh) * 2015-09-01 2016-01-06 国家电网公司 一种含有多种不确定性因素影响的规划负荷预测方法
CN111784540A (zh) * 2020-07-07 2020-10-16 河海大学 一种基于多目标粒子群算法的云储能优化出清方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电力系统云储能研究框架与基础模型;刘静琨等;《中国电机工程学报》(第12期);第3361-3371页 *

Also Published As

Publication number Publication date
CN112564151A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Liu et al. Optimal sizing of a wind-energy storage system considering battery life
Li et al. Optimal energy management for industrial microgrids with high-penetration renewables
Sandgani et al. Coordinated optimal dispatch of energy storage in a network of grid-connected microgrids
CN109492815B (zh) 一种市场机制下面向电网的储能电站选址定容优化方法
Keerthisinghe et al. A fast technique for smart home management: ADP with temporal difference learning
Mohamed et al. Real-time energy management scheme for hybrid renewable energy systems in smart grid applications
US9489701B2 (en) Adaptive energy management system
Huang et al. A self-learning scheme for residential energy system control and management
US11011913B2 (en) Multifunction power management system
De Santis et al. Genetic optimization of a fuzzy control system for energy flow management in micro-grids
Jiao et al. Online optimal dispatch based on combined robust and stochastic model predictive control for a microgrid including EV charging station
WO2022193794A1 (zh) 考虑退役电池的智能社区微网超多目标能量管理方法
Olivier et al. Foreseeing new control challenges in electricity prosumer communities
CN115912342B (zh) 基于云模型的区域柔性负荷低碳调度方法
CN117077974A (zh) 虚拟电厂资源优化调度方法、装置、设备及存储介质
CN112564151B (zh) 一种计及隐私意识的多微网云储能优化调度方法及系统
CN110866647A (zh) 用户侧储能控制方法、装置、设备及存储介质
Wen et al. Optimal intra-day operations of behind-the-meter battery storage for primary frequency regulation provision: A hybrid lookahead method
Hayati et al. A Two-Stage Stochastic Optimization Scheduling Approach for Integrating Renewable Energy Sources and Deferrable Demand in the Spinning Reserve Market
CN110011424A (zh) 一种智能微电网分布式云储能系统安全稳定控制方法
CN113964852B (zh) 一种面向共享储能的虚拟电厂的发电控制方法及装置
CN116191505A (zh) 一种低压台区源荷储充全局动态互动的调节方法及装置
Zhang et al. Distributed energy storage operation strategy for retailers based on evolutionary game theory
Chen et al. Value stacking of a behind-the-meter utility-scale battery for demand response markets and demand charge management: real-world operation on the UC San Diego campus
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230803

Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Dayu Chuangfu Technology Co.,Ltd.

Address before: No.438, west section of Hebei Street, Haigang District, Qinhuangdao City, Hebei Province

Patentee before: Yanshan University