CN112636331A - 智能电网的动态经济调度分布式优化方法及系统 - Google Patents

智能电网的动态经济调度分布式优化方法及系统 Download PDF

Info

Publication number
CN112636331A
CN112636331A CN202011405424.8A CN202011405424A CN112636331A CN 112636331 A CN112636331 A CN 112636331A CN 202011405424 A CN202011405424 A CN 202011405424A CN 112636331 A CN112636331 A CN 112636331A
Authority
CN
China
Prior art keywords
node
updating
nodes
energy storage
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.)
Granted
Application number
CN202011405424.8A
Other languages
English (en)
Other versions
CN112636331B (zh
Inventor
刘帅
王祎帆
宇文成
杨伟明
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202011405424.8A priority Critical patent/CN112636331B/zh
Publication of CN112636331A publication Critical patent/CN112636331A/zh
Application granted granted Critical
Publication of CN112636331B publication Critical patent/CN112636331B/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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/381—Dispersed 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
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提出了智能电网的动态经济调度分布式优化方法及系统，测量各个节点的频率，计算拉格朗日乘子偏差；基于一致性算法和上一时刻的发电量对应的拉格朗日乘子偏差，更新当前时刻拉格朗日乘子；更新本次X更新中的发电量及充放电功率并进行判断，若符合条件则对所有节点进行Y更新。基于神经网络控制器，通过频率偏差计算拉格朗日乘子的变化量由此实现电网内功率平衡，为经济调度问题中的功率平衡约束的实现提供了新思路。

Description

智能电网的动态经济调度分布式优化方法及系统
技术领域
本公开属于智能电网能量调度技术领域，尤其涉及智能电网的动态经济调度分布式优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着社会发展和科技进步，传统电网的发电和运行模式已经无法满足人们对电力的各种需求和节能减排、保护环境的要求。因此，结合可再生能源的智能电网的研究已经成为电网发展的大趋势。风能是可再生能源中用于发电技术较为成熟且有巨大开发价值的能源之一。然而，由于风能具有随机间歇、不可控的特性，风力发电机的并网供电给智能电网的安全、稳定、经济运行带来了巨大挑战。为了应对风电出力不可靠的特性，以蓄电池代表的储能系统受到越来越多的关注。在智能电网中，传统发电机组根据历史需求预测的发电量分配基本发电任务。随着用户侧负荷的变化和风机的随机出力，智能电网在孤岛运行模式下能量输出过剩时，储能系统存储多余能量。反之，则向母线输出能量，从而克服风电和负荷随机波动给微电网带来的不稳定性。
智能电网中传统的优化算法采用集中式的方式进行调度协调，即中央调节器从所有发电单元收集全局信息集中计算，再将调度任务广播给各个单元。近年来，基于一致性的分布式优化算法被广泛应用于智能电网的经济调度领域。与集中式优化算法相比，分布式优化算法的鲁棒性、可靠性更强。网络中的各个节点仅获得有限邻居信息，大大减少了通信和计算的负担，增强了对各节点隐私信息的保护。然而，已有的许多分布式优化算法只考虑静态优化问题，忽略了调度周期内用户侧负荷的变化和发电单元的约束具有时间相关性。同时，动态优化问题也就意味着优化求解过程中面临着维数灾难，导致优化效率变低。另一方面，大量研究所提出的分布式优化算法是基于各节点已知电网中能量总需求的假设，或者是假设每个节点仅实现本地的供需平衡。显然，以上的假设既不符合分布式优化算法的初衷，又不满足实际应用的条件。
发明内容
为克服上述现有技术的不足，本公开提供了智能电网的动态经济调度分布式优化方法，解决了集中式优化策略鲁棒性差、计算负担大等缺陷，弥补了静态优化方法没有考虑动态约束的不足。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
第一方面，公开了智能电网的动态经济调度分布式优化方法，包括：
测量智能电网中各个节点的频率；
对于每个节点通过神经网络控制器计算该节点对应频率的拉格朗日乘子偏差；
发电节点和储能系统节点接收邻居节点的拉格朗日乘子信息并结合本地拉格朗日乘子偏差，进行一致性算法计算成本增量；
根据成本增量更新发电节点的输出功率和储能节点的充/放电功率，检查是否满足终止条件，不满足则继续进行X更新；
将X更新的结果投影到约束集合内，对所有发电节点和储能节点进行Y更新，对所有发电机节点和储能节点进行λ更新；
检查终止条件若条件满足则输出当前t时刻的最优调度。
进一步的技术方案，在测量节点频率之前，设置传统发电机节点个数、风力发电机节点个数、电池储能系统节点个数、调度总时间及惩罚因子；
基于传统发电机成本函数、风力发电机的成本函数、电池储能系统的成本函数获得描述动态经济调度问题的目标函数。
进一步的技术方案，针对目标函数优化时间迭代，开始每个时间间隔中的交替方向乘子法迭代，即X更新。
进一步的技术方案，
以上一个或多个技术方案存在以下有益效果：
基于交替方向乘子法的经济调度分布式优化方法，从而在满足系统能量供需平衡和各个节点约束的同时实现智能电网调度的代价最小。
本发明基于神经网络控制器，通过频率偏差计算拉格朗日乘子的变化量由此实现电网内功率平衡，为经济调度问题中的功率平衡约束的实现提供了新思路。
本发明适用于含间歇性新能源和储能系统的智能电网动态经济调度分布式优化。
本发明提出的适用于含风能和储能系统的智能电网动态经济调度分布式优化方法，基于交替方向乘子法将动态经济优化问题分解为多个子问题，以分布式的方式对传统发电机、储能设备的充/放电功率和风力发电机的发电量进行协调调度，在优化过程中，基于神经网络控制器利用节点频率偏差计算拉格朗日乘子偏差即增量成本，从而引导各节点的拉格朗日乘子趋于一致同时满足电网供需功率平衡，解决了集中式优化策略鲁棒性差、计算负担大等缺陷，弥补了静态优化方法没有考虑动态约束的不足。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本发明中智能电网结构示意图，图中以两个传统发电机、两个风力发电机和两个电池储能系统为例；
图2是本发明中适用于含间歇性新能源与储能系统的智能电网的动态经济调度优化方法流程图；
表1-表3分别是传统发电机、电池储能系统和风力发电机各单元的相关参数；
图3是本发明中利用频率偏差计算拉格朗日乘子偏差的神经网络结构。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了智能电网的动态经济调度分布式优化方法，包括：
图1是系统结构图，实线代表能量传输线路，虚线代表系统的通信拓扑结构。图2是优化方法流程图，具体步骤如下：
步骤1：设置初始参数：传统发电机节点个数、风力发电机节点个数、电池储能系统节点个数分别为ng、nw、ns，各单元相关系数如表1-表3所示。调度总时间τ＝12，惩罚因子ρ＝0.8。
初始化时间t＝0，调度时间τ∈R，原始残差r，对偶残差d，交替方向乘子法优化迭代次数k＝0和最大迭代次数kmax∈R，X更新迭代次数κ和最大迭代次数κmax，传统发电机发电成本系数αi，βi，γi，风力发电机成本发电系数Dw，uw，ow，电池能量损失率lse，节点额定频率frated；
第i个传统发电机成本函数为：
Figure BDA0002818420020000051
其中Pi(t)为发电机的输出功率。满足约束：
Figure BDA0002818420020000052
Figure BDA0002818420020000053
其中Pi 和
Figure BDA0002818420020000054
分别代表发电机输出功率的下限和上限，ΔPi 和
Figure BDA0002818420020000055
分别代表发电机输出功率爬坡率的下限和上限。第w个风力发电机的成本函数为：
Figure BDA0002818420020000056
其中
Figure BDA0002818420020000057
Figure BDA0002818420020000058
Wr，w为风力发电机额定功率也就是输出功率上限，y代表风电输出随机变量，fw(y)是关于y的韦伯概率密度函数。Ww(t)为第w台风力发电机调度的输出功率，满足约束：
Figure BDA0002818420020000059
Figure BDA00028184200200000510
其中Ww 和
Figure BDA00028184200200000511
分别代表风力发电机输出功率的下限和上限，ΔWw 和
Figure BDA00028184200200000512
分别代表风力发电机输出功率爬坡率的下限和上限。第j个电池储能系统的成本函数为：
Figure BDA00028184200200000513
其中
Figure BDA00028184200200000514
Figure BDA00028184200200000515
为充电功率，
Figure BDA00028184200200000516
为放电功率。满足约束：
Figure BDA00028184200200000517
Figure BDA00028184200200000518
其中
Figure BDA00028184200200000519
和
Figure BDA00028184200200000520
分别为充电、放电功率上限。
Figure BDA00028184200200000521
Figure BDA00028184200200000522
为t时刻的储能状态，
Figure BDA00028184200200000523
表示最大储能值。
Figure BDA00028184200200000524
和
Figure BDA00028184200200000525
分别为充/放电效率，Δτ为时间间隔。则动态经济调度问题可以描述为优化目标函数是总调度成本：
Figure BDA0002818420020000061
优化变量为各个节点的发电量或充放电的功率。
步骤2：开始优化时间迭代t＝t+1；
步骤3：开始每个时间间隔中的交替方向乘子法迭代k＝k+1，即：
Figure BDA0002818420020000062
Figure BDA0002818420020000063
λk+1＝λk+ρ(Xk+1-Yk+1)
其中X＝[P，S，W]T，
Figure BDA0002818420020000065
Y＝[PY，SY，WY]T是X的副本，Lρ(X，Y，λ)为上述优化问题的增广拉格朗日函数，λ为对偶变量，ρ为惩罚参数。
步骤3.1：进行X更新即
Figure BDA0002818420020000064
开始X更新中的内循环迭代κ＝κ+1；
步骤3.2：测量智能电网中各节点的频率fi(κ)；各节点具体为实施案例中的发电机，风力发电机和储能设备，每个设备对应一个节点。
步骤3.3：神经网络控制器如图3所示，在节点i通过神经网络控制器计算对应fi(κ)的拉格朗日乘子偏差Δμi(κ)的过程如下；
步骤3.3.1：设定额定频率为frated，测量当前时刻节点的频率fi(κ)，得到Δfi(κ)＝frated-fi(κ)和Δ2fi(κ)＝Δfi(κ)-Δfi(κ-1)。Δfi(κ)即当前的频率与额定频率的偏差。作用：计算步骤3.3.2中拉格朗日乘子偏差Δμi(κ)。
本公开技术方案则是基于神经网络控制器计算Δμi(κ)。
步骤3.3.2：在神经网络控制器输入Δfi(κ)和Δ2fi(κ)，经过以下计算得到Δμi(κ)：
O1＝Sigm(Δfi(κ)W1，1+Δ2fi(κ)W1，2+B1)
Δμi(κ)＝O1W2+B2
其中W1，1，W1，2和W2分别是隐藏层和输出层的权重，O1是隐藏层的输出，B1和B2是偏差，
Figure BDA0002818420020000071
步骤3.4：发电节点和储能系统节点接收邻居节点的拉格朗日乘子信息并结合本地拉格朗日乘子偏差，利用一致性算法计算μi(κ+1)，即：
Figure BDA0002818420020000072
其中Ni表示与节点i通信的邻居节点，hij表示节点i与邻居节点j之间信道的连通状态，若可以双向通信则hij＝1，否则hij＝0。
步骤3.5：根据μi(κ+1)即成本增量更新发电节点的输出功率和储能节点的充/放电功率即Pi(κ+1)、Sj(κ+1)或Ww(κ+1)，即：
Figure BDA0002818420020000073
Figure BDA0002818420020000074
Figure BDA0002818420020000075
其中Ng，Ns，Nw分别代表传统发电机、储能设备、风力发电机的集合。
Figure BDA0002818420020000076
Figure BDA0002818420020000077
是列向量Y＝[PY，SY，WY]T在第k次迭代中节点i的发电量或充/放电功率，uk＝λk/ρ称为收缩对偶变量。由于风力发电机的成本函数的一阶导函数含有指数项，所以无法直接求解Wi[κ+1]的显示解。但是考虑到
Figure BDA0002818420020000078
可以确保是大于0的，所以可以采用二分法的思想求解Wi[κ+1]。其中c＝8，ζ＝2分别是关于风的韦伯分布的参数。vr＝15，vin＝5分别是额定风速和切入风速，
Figure BDA0002818420020000079
Figure BDA00028184200200000710
二分法步骤如下：
步骤3.5.1：设定迭代初始值W(0)和
Figure BDA0002818420020000081
为上下限，并且满足近似值μ*在两者之间，π为迭代步数；
步骤3.5.2：计算
Figure BDA0002818420020000082
步骤3.5.3：更新W(π+1)，
Figure BDA0002818420020000083
如果
Figure BDA0002818420020000084
则
Figure BDA0002818420020000085
W(π+1)＝W(π)
否则，
Figure BDA0002818420020000086
W(π+1)＝W(π)；
步骤3.5.4：回到步骤3.5.2，直到||W(π+1)-W(π)||小于等于阈值跳出循环。
步骤3.6：检查是否满足终止条件||μi(κ+1)-μi(κ)||小于等于阈值，若不满足则返回步骤3.2继续进行X更新的迭代；若满足，则更新
Figure BDA0002818420020000087
Figure BDA0002818420020000088
分别表示在时刻t的第k+1次迭代中传统发电机i计划的发电量，储能节点j计划的充/放电功率和风力发电机w计划的发电量；
步骤4：将X更新的结果投影到约束集合ψ内，对所有发电节点和储能节点进行Y更新，即：
Figure BDA0002818420020000089
Figure BDA00028184200200000810
其中
Figure BDA00028184200200000811
表示投影算子，ψ表示约束(1)-(6)组成的可行域的集合。
对于第i个传统发电机，定义
Figure BDA00028184200200000812
其约束区域为
Figure BDA00028184200200000813
Figure BDA00028184200200000814
步骤4.1：初始化
Figure BDA00028184200200000815
步骤4.2：利用交替平行投影法
Figure BDA00028184200200000816
Figure BDA00028184200200000817
进行更新；
当j＝1，
Figure BDA0002818420020000091
当
j＝2，
Figure BDA0002818420020000092
Figure BDA0002818420020000093
步骤4.3：判断终止条件
Figure BDA0002818420020000094
Figure BDA0002818420020000095
为根据具体情况设置的迭代终止条件参数，若满足则执行下一步；否则，返回步骤4.2直到收敛。
步骤4.4：对于第j个储能节点，定义
Figure BDA0002818420020000096
在这里我们假设充/放电效率均为100％。其约束区域为：
Figure BDA0002818420020000097
Figure BDA0002818420020000098
Figure BDA0002818420020000099
步骤4.5：初始化
Figure BDA00028184200200000910
步骤4.6：利用交替平行投影法
Figure BDA00028184200200000911
Figure BDA00028184200200000912
进行更新，
当j＝1，
Figure BDA00028184200200000913
当j＝2，
Figure BDA0002818420020000101
步骤4.7：判断终止条件
Figure BDA0002818420020000102
若满足则执行下一步；否则，返回步骤4.6直到收敛。
步骤4.8：对于风力发电机，因为其约束形式与传统发电机约束形式类似，故其Y更新过程不再赘述。
步骤5：对所有发电机节点和储能节点进行对偶变量λ更新，即：
λk+1＝λk+ρ(Xk+1-Yk+1)。
步骤6：检查ADMM优化算法的终止条件：||rk||≤εpri&||dk||≤εdual，若条件满足则输出当前t时刻的最优调度P*(t)，S*(t)，W*(t)，同时返回步骤2进入下一时间间隙的优化；否则，返回步骤3继续进行当前时刻的迭代。其中rk与dk代表在第k步迭代的原始残差与对偶残差，一般可分别取为10-3，10-4。P*(t)，S*(t)，W*(t)分别代表t时刻满足约束条件且实现发电成本最小的传统发电机、储能系统、风力发电机的最优调度。注意
Figure BDA0002818420020000103
是所有传统发电机最优输出组成的向量。S*(t)，W*(t)同理。
实际执行中，每个节点可以通过锁相环测得本地的频率，计算频率偏差Δfi(κ)＝frated-fi(κ)和与上一步相比的频率偏差变化量Δ2fi(κ)＝Δfi(κ)-Δfi(κ-1)，基于这两个量根据步骤3.3.2计算本地的拉格朗日乘子需要更新的偏差。以无线传输或工业现场总线方式接收邻居节点的拉格朗日乘子，根据步骤3.4中一致性算法保证所有节点的拉格朗日乘子收敛趋于一致。关于执行对象，可以认为是每台发电机等设备所在的节点都配有一台智能设备收集测量数据和接收邻居传输过来的信息，以此执行本公开中所述的算法。
对本申请技术方案的解释说明：为了抛弃以往方法中关于已知能量总需求或供电设备和负荷一一配对的假设，本发明在优化方法中提供了一种基于频率偏差计算不平衡功率的方法。具体步骤即步骤3.3.1-3.3.2。
如何进行经济最优的调度的关键在于拉格朗日乘子趋于一致即步骤3.4：
Figure BDA0002818420020000111
协调的过程第一步就在于上述拉格朗日乘子更新的算法之中，每个节点i要获取邻居的拉格朗日乘子同时加入Δμi(κ)也就是功率是否平衡的反馈项。
协调调度的第二步也就是步骤3.5，根据3.4中更新的拉格朗日乘子计算该给每个节点调度多少发电量即Pi[κ+1]，Si[κ+1]，Wi[κ+1]，分别代表某个传统发电机的发电量，某个储能系统的发电量和某个风力发电机的发电量。
表1
Figure BDA0002818420020000112
表2
Figure BDA0002818420020000121
表3
Figure BDA0002818420020000122
实施例二
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子一中的方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例子一中的方法的步骤。
实施例四
本实施例的目的是提供智能电网的动态经济调度分布式优化系统，包括:
节点频率的拉格朗日乘子偏差模块，被配置为：测量智能电网中各个节点的频率；
对于每个节点通过神经网络控制器计算该节点对应频率的拉格朗日乘子偏差；
发电节点和储能系统节点接收邻居节点的拉格朗日乘子信息并结合本地拉格朗日乘子偏差，进行一致性算法计算成本增量；
最优调度求解模块，根据成本增量更新发电节点的输出功率和储能节点的充/放电功率，检查是否满足终止条件，不满足则继续进行X更新；
将X更新的结果投影到约束集合内，对所有发电节点和储能节点进行Y更新，对所有发电机节点和储能节点进行λ更新；
检查终止条件若条件满足则输出当前t时刻的最优调度。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.智能电网的动态经济调度分布式优化方法，其特征是，包括：
测量智能电网中各个节点的频率；
对于每个节点通过神经网络控制器计算该节点对应频率的拉格朗日乘子偏差；
发电节点和储能系统节点接收邻居节点的拉格朗日乘子信息并结合本地拉格朗日乘子偏差，进行一致性算法计算成本增量；
根据成本增量更新发电节点的输出功率和储能节点的充/放电功率，检查是否满足终止条件，不满足则继续进行X更新；
将X更新的结果投影到约束集合内，对所有发电节点和储能节点进行Y更新，对所有发电机节点和储能节点进行λ更新；
检查终止条件若条件满足则输出当前t时刻的最优调度。
2.如权利要求1所述的智能电网的动态经济调度分布式优化方法，其特征是，根据成本增量更新发电节点的输出功率和储能节点的充/放电功率，检查是否满足终止条件时，若满足，则更新
Figure FDA0002818420010000011
分别表示在时刻t的第k+1次迭代中传统发电机i计划的发电量，储能节点j计划的充/放电功率和风力发电机w计划的发电量。
3.如权利要求1所述的智能电网的动态经济调度分布式优化方法，其特征是，在测量节点频率之前，设置传统发电机节点个数、风力发电机节点个数、电池储能系统节点个数、调度总时间及惩罚因子；
基于传统发电机成本函数、风力发电机的成本函数、电池储能系统的成本函数获得描述动态经济调度问题的目标函数。
4.如权利要求3所述的智能电网的动态经济调度分布式优化方法，其特征是，针对目标函数优化时间迭代，开始每个时间间隔中的交替方向乘子法迭代，即X更新。
5.如权利要求1所述的智能电网的动态经济调度分布式优化方法，其特征是，每个节点通过神经网络控制器计算该节点对应频率的拉格朗日乘子偏差时，设定额定频率为frated，测量当前时刻节点的频率fi(κ)，得到
Δfi(κ)＝frated-fi(κ)和Δ2fi(κ)＝Δfi(κ)-Δfi(κ-1)
在神经网络控制器输入Δfi(κ)和Δ2fi(κ)，经过以下计算得到Δμi(κ)：
O1＝Sigm(Δfi(κ)W1，1+Δ2fi(κ)W1，2+B1)
Δμi(κ)＝O1W2+B2
其中W1，1，W1，2和W2分别是隐藏层和输出层的权重，O1是隐藏层的输出，B1和B2是偏差，
Figure FDA0002818420010000021
6.如权利要求1所述的智能电网的动态经济调度分布式优化方法，其特征是，一致性算法计算时：
Figure FDA0002818420010000022
其中Ni表示与节点i通信的邻居节点，hij表示节点i与邻居节点j之间信道的连通状态，若可以双向通信则hij＝1，否则hij＝0。
7.如权利要求1所述的智能电网的动态经济调度分布式优化方法，其特征是，针对风力发电机的成本函数采用二分法的思想求解。
8.智能电网的动态经济调度分布式优化方法，其特征是，包括：
节点频率的拉格朗日乘子偏差模块，被配置为：测量智能电网中各个节点的频率；
对于每个节点通过神经网络控制器计算该节点对应频率的拉格朗日乘子偏差；
发电节点和储能系统节点接收邻居节点的拉格朗日乘子信息并结合本地拉格朗日乘子偏差，进行一致性算法计算成本增量；
最优调度求解模块，根据成本增量更新发电节点的输出功率和储能节点的充/放电功率，检查是否满足终止条件，不满足则继续进行X更新；
将X更新的结果投影到约束集合内，对所有发电节点和储能节点进行Y更新，对所有发电机节点和储能节点进行λ更新；
检查终止条件若条件满足则输出当前t时刻的最优调度。
9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述方法的步骤。
CN202011405424.8A 2020-12-04 2020-12-04 智能电网的动态经济调度分布式优化方法及系统 Active CN112636331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011405424.8A CN112636331B (zh) 2020-12-04 2020-12-04 智能电网的动态经济调度分布式优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011405424.8A CN112636331B (zh) 2020-12-04 2020-12-04 智能电网的动态经济调度分布式优化方法及系统

Publications (2)

Publication Number Publication Date
CN112636331A true CN112636331A (zh) 2021-04-09
CN112636331B CN112636331B (zh) 2022-06-03

Family

ID=75307822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011405424.8A Active CN112636331B (zh) 2020-12-04 2020-12-04 智能电网的动态经济调度分布式优化方法及系统

Country Status (1)

Country Link
CN (1) CN112636331B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113285457A (zh) * 2021-05-19 2021-08-20 山东大学 非理想通信下区域电力系统的分布式经济调度方法及系统
CN113630401A (zh) * 2021-07-29 2021-11-09 东南大学 基于状态分解的智能电网一致性隐私保护方法与系统
CN113688348A (zh) * 2021-07-16 2021-11-23 贵州万峰电力股份有限公司 基于动态网络切换拓扑的可控负荷分布式协调控制方法、装置及系统
CN113783236A (zh) * 2021-09-03 2021-12-10 南方电网科学研究院有限责任公司 高比例新能源电力系统实时优化调度方法、装置及介质
CN117239728A (zh) * 2023-09-19 2023-12-15 盐城工学院 一种微电网分布式经济调度方法
CN118589598A (zh) * 2024-05-21 2024-09-03 盐城工学院 基于分布式一致性算法的智能电网实时经济调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140025351A1 (en) * 2012-07-17 2014-01-23 International Business Machines Corporation Planning economic energy dispatch in electrical grid under uncertainty
US20150295407A1 (en) * 2014-04-10 2015-10-15 Nec Laboratories America, Inc. Decentralized Energy Management Platform
CN105471311A (zh) * 2014-09-30 2016-04-06 波音公司 减少并行模块化转换器系统内的循环电流和相位间失衡
US20160105023A1 (en) * 2013-05-22 2016-04-14 Vito Nv Power supply network control system and method
US10437214B1 (en) * 2015-12-04 2019-10-08 University Of South Florida Multi-agent decision making system for economic operation and frequency regulation
CN110474319A (zh) * 2019-07-05 2019-11-19 湖北工业大学 基于多智能体的含可再生能源孤岛微电网协调控制的方法
CN111832637A (zh) * 2020-06-30 2020-10-27 南京邮电大学 基于交替方向乘子法admm的分布式深度学习分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140025351A1 (en) * 2012-07-17 2014-01-23 International Business Machines Corporation Planning economic energy dispatch in electrical grid under uncertainty
US20160105023A1 (en) * 2013-05-22 2016-04-14 Vito Nv Power supply network control system and method
US20150295407A1 (en) * 2014-04-10 2015-10-15 Nec Laboratories America, Inc. Decentralized Energy Management Platform
CN105471311A (zh) * 2014-09-30 2016-04-06 波音公司 减少并行模块化转换器系统内的循环电流和相位间失衡
US10437214B1 (en) * 2015-12-04 2019-10-08 University Of South Florida Multi-agent decision making system for economic operation and frequency regulation
CN110474319A (zh) * 2019-07-05 2019-11-19 湖北工业大学 基于多智能体的含可再生能源孤岛微电网协调控制的方法
CN111832637A (zh) * 2020-06-30 2020-10-27 南京邮电大学 基于交替方向乘子法admm的分布式深度学习分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乐健等: "基于一致性算法的电力系统分布式经济调度方法综述", 《电力自动化设备》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113285457A (zh) * 2021-05-19 2021-08-20 山东大学 非理想通信下区域电力系统的分布式经济调度方法及系统
CN113285457B (zh) * 2021-05-19 2022-09-13 山东大学 非理想通信下区域电力系统的分布式经济调度方法及系统
CN113688348A (zh) * 2021-07-16 2021-11-23 贵州万峰电力股份有限公司 基于动态网络切换拓扑的可控负荷分布式协调控制方法、装置及系统
CN113688348B (zh) * 2021-07-16 2024-02-27 贵州万峰电力股份有限公司 基于动态网络切换拓扑的可控负荷分布式协调控制方法、装置及系统
CN113630401A (zh) * 2021-07-29 2021-11-09 东南大学 基于状态分解的智能电网一致性隐私保护方法与系统
CN113783236A (zh) * 2021-09-03 2021-12-10 南方电网科学研究院有限责任公司 高比例新能源电力系统实时优化调度方法、装置及介质
CN113783236B (zh) * 2021-09-03 2023-10-20 南方电网科学研究院有限责任公司 高比例新能源电力系统实时优化调度方法、装置及介质
CN117239728A (zh) * 2023-09-19 2023-12-15 盐城工学院 一种微电网分布式经济调度方法
CN117239728B (zh) * 2023-09-19 2024-03-22 盐城工学院 一种微电网分布式经济调度方法
CN118589598A (zh) * 2024-05-21 2024-09-03 盐城工学院 基于分布式一致性算法的智能电网实时经济调度方法

Also Published As

Publication number Publication date
CN112636331B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN112636331B (zh) 智能电网的动态经济调度分布式优化方法及系统
Liu et al. Optimal sizing of a wind-energy storage system considering battery life
JP7261507B2 (ja) 電気ヒートポンプ－熱電併給システムを最適化する調整方法及びシステム
CN110119886B (zh) 一种主动配网动态规划方法
TWI397864B (zh) 能量儲存裝置之運轉計畫製作方法以及運轉計畫製作裝置
CN105046395B (zh) 一种含多类型新能源的电力系统日内滚动计划编制方法
CN107979111A (zh) 一种基于两阶段鲁棒优化的微电网能量管理方法
Chen et al. Intelligent energy scheduling in renewable integrated microgrid with bidirectional electricity-to-hydrogen conversion
US20140129040A1 (en) Adaptive energy management system
CN114221357B (zh) 计及调频备用效益的主动配电网分层分布式优化调度方法
CN109858774B (zh) 提高系统安全性和协调性的源网荷规划方法
CN111293682B (zh) 一种基于协同模型预测控制的多微网能量管理方法
CN114069635A (zh) 一种考虑灵活资源经济性的电网调控优化方法
CN114065543A (zh) 一种交直流互联电力系统分散鲁棒优化调度方法
CN116054241B (zh) 一种新能源微电网群系统鲁棒能量管理方法
CN116742678A (zh) 主从控架构的综合能源能量管理系统及预测控制方法
CN116706917A (zh) 基于快速交替方向乘子法的智慧园区协同调控方法及系统
CN116470543A (zh) 一种虚拟电厂的运行控制方法、装置、设备及介质
CN117559526A (zh) 一种基于光储充一体化充电站的拟路由器能量调控方法
CN115333085A (zh) 考虑灵活性约束的含分布式新能源配电网双层优化调度方法
CN117674113A (zh) 综合能源系统能量管理模型预测控制方法
CN116805181A (zh) 一种电-热-气网络分布式协同调度策略确定方法及装置
CN114169620B (zh) 考虑线路损耗的电-储-气耦合系统一致性优化方法
CN115800276A (zh) 一种考虑机组爬坡的电力系统应急调度方法
CN115935619A (zh) 基于需求响应的主动配电网日前低碳调度方法及装置

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