CN112653195B - 一种并网型微电网鲁棒优化容量配置方法 - Google Patents

一种并网型微电网鲁棒优化容量配置方法 Download PDF

Info

Publication number
CN112653195B
CN112653195B CN202011357775.6A CN202011357775A CN112653195B CN 112653195 B CN112653195 B CN 112653195B CN 202011357775 A CN202011357775 A CN 202011357775A CN 112653195 B CN112653195 B CN 112653195B
Authority
CN
China
Prior art keywords
cost
photovoltaic
power
capacity
grid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011357775.6A
Other languages
English (en)
Other versions
CN112653195A (zh
Inventor
张军
杨德州
张中丹
迟昆
李媛
王渊
彭婧
贾春蓉
魏勇
王涛
孙亚璐
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.)
Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Gansu Electric Power 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 Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Priority to CN202011357775.6A priority Critical patent/CN112653195B/zh
Publication of CN112653195A publication Critical patent/CN112653195A/zh
Application granted granted Critical
Publication of CN112653195B publication Critical patent/CN112653195B/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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • 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
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种并网型微电网鲁棒优化容量配置方法，根据某地区的风速、辐射、温度历史数据，建立可再生能源的不确定性分布曲线集合和负荷曲线；首先，确定分布式电源参数，分布式电源参数包括分布式电源的预算上限、造价、使用年限以及额定功率；根据分布式电源参数建立容量配置约束条件；利用不确定性分布曲线集合和负荷曲线，将约束条件利用CC&G算法进行两阶段鲁棒容量配置规划，实现容量配置。本发明对于可再生能源发电分布具有鲁棒性。在实际生产规划中，可再生能源的不确定性集为实现规划方案的可靠性提供了更加便捷且易于操作的方法。容量配置结果不仅可以满足源荷功率平衡需求，并且还具有一定的应对可再生能源不确定行的能力，另外配置结果从经济性的角度来看也更具有合理性。

Description

一种并网型微电网鲁棒优化容量配置方法
技术领域
本发明涉及电力系统规划领域，具体涉及一种并网型微电网鲁棒优化容量配置方法。
背景技术
未来我国电力需求依然迅猛增长，居于世界领先位置。而这部分的电力增量主要集中在可再生能源，其中绝大部分比重为光伏与风电。微电网作为独立可控系统，在满足用电方对供电可靠性和电能质量诉求的同时，又可以对发展可再生能源、提高可再生能源利用率起到推进作用，从而实现我国包括世界各个区域的能源转型。在微电网规划的规程中，重点在于需要从经济性角度分析考虑多能源机组的容量配置组合，从而构建合理的规划方案。
以经济性最优为目标的微电网规划，目前已展开多种研究角度的容量配置方案。而微电网容量配置规划主要研究方向包含经济性与可靠性两方面。经济性方面的研究仍然以微电网的年平均花费(包含年平均投资费用与年平均运行费用)为目标函数进行优化计算。但是，由于微电网通常包含规划周期，而且各个分布式电源使用周期也不尽相同。可靠性方面目前主要以构建混合整数规划的方式进行精确计算。由于经济调度研究方面需要考虑到可再生能源的不确定性以保证调度方案的可靠性，所以以可再生能源波动区间的形式进行日前调度鲁棒优化，这一思想也逐渐在容量配置规划的优化计算中得到应用。然而与日前调度不同的是，容量配置面向的时间尺度通常是以年为单位，若以调度规划给定可再生能源的波动区间的形式来刻画不确定性在容量配置中难以实现，涉及历史数据众多，问题变量庞大使得容量配置优化计算难以进行。
发明内容
为了解决以上现有技术中的问题，本发明的目的在于提出了一种并网型微电网鲁棒优化容量配置方法。
为了实现上述目的，本发明采用的技术方案是：
一种并网型微电网鲁棒优化容量配置方法，包括以下步骤：
步骤一：根据某地区的风速、辐射、温度历史数据，建立可再生能源的不确定性分布曲线集合和负荷曲线；
步骤二：首先，确定分布式电源参数，分布式电源参数包括分布式电源的预算上限、造价、使用年限以及额定功率；
然后，根据分布式电源参数建立容量配置约束条件；
步骤三：利用步骤一得到的不确定性分布曲线集合和负荷曲线，将约束条件利用CC&G算法进行两阶段鲁棒容量配置规划，实现容量配置。
本发明进一步的改进在于，步骤一中，可再生能源包括风电与光伏可再生能源；可再生能源的不确定性分布曲线集合如式(9)所示：
Figure GDA0003787862270000011
Figure GDA0003787862270000021
表示光伏与风力发电出力分布的集合，
Figure GDA0003787862270000022
分别表示风电与光伏可再生能源功率曲线分布选择的0/1决策变量。
本发明进一步的改进在于，步骤二中，运行条件如式(10)～(14)所示：
Figure GDA0003787862270000023
Figure GDA0003787862270000024
Figure GDA0003787862270000025
Figure GDA0003787862270000026
Figure GDA0003787862270000027
公式(10)～(13)中，
Figure GDA0003787862270000028
分别表示光伏发电，风力发电，柴油发电机以及储能系统资源或投资预算上限；公式(14)表示光伏、风机可再生能源在总系统容量中占比的相关政策约束。
本发明进一步的改进在于，步骤二中，约束条件如下：
Figure GDA0003787862270000029
Figure GDA00037878622700000210
Figure GDA00037878622700000211
Figure GDA00037878622700000212
Figure GDA00037878622700000213
Figure GDA00037878622700000214
Figure GDA00037878622700000215
Figure GDA00037878622700000216
Figure GDA00037878622700000217
公式(15)～(19)表示光伏、风机、柴油发电机以及储能系统的功率约束，
Figure GDA00037878622700000218
代表光伏、风机与柴油发电机的发电功率，
Figure GDA0003787862270000031
分别表示储能系统的放电功率以及充电功率，
Figure GDA0003787862270000032
分别为光伏与风力发电最大出力分布，
Figure GDA0003787862270000033
表示柴油发电机的最大出力，
Figure GDA0003787862270000034
表示储能的最大充电及放电功率，
Figure GDA0003787862270000035
表示电网购售电的最大功率，
Figure GDA0003787862270000036
表示负荷曲线，d表示天数，h表示时刻；公式(20)～(21)表示储能运行过程中功率与电量之间的关系；
Figure GDA0003787862270000037
表示储能系统各个时刻的电量，ηb+、ηb-分别表示储能系统的放电功率以及充电功率；公式(22)表示微电网与主网之间的传输线功率约束；公式(23)表示为最终功率平衡约束。
本发明进一步的改进在于，步骤三的具体过程为：将目标函数、运行条件与约束条件整理为如下的形式：
Figure GDA0003787862270000038
s.t.Ax≤d (25)
Figure GDA0003787862270000039
其中，x为整数0/1变量，yt为连续变量；wt表示为可再生能源功率曲线分布曲线；cT、
Figure GDA00037878622700000310
d、et为系数向量，A、D、E、F为系数矩阵；
然后将容量优化问题拆分为投资问题与运行问题，投资问题如下所示：
Figure GDA00037878622700000311
公式(27)中，运行费用由变量α代替并在运行问题中确定；
运行问题如下所示：
Figure GDA00037878622700000312
公式(28)中，
Figure GDA00037878622700000313
为主问题求解获得x的解；
将最优容量配置结果表述为max-min鲁棒优化问题；对于max-min鲁棒优化问题，采用对偶定理将内部的min表示为max形式并进行求解：
Figure GDA0003787862270000041
公式(29)为子问题的对偶问题，μt为对偶因子；
可再生能源功率曲线分布不确定集公式(9)表述为公式(30)：
wt＝wi,tzi (30)
将公式(30)代入公式(29)，得到公式(31)：
Figure GDA0003787862270000042
利用Big-M法将子问题转化为MILP问题，如公式(32)所示：
Figure GDA0003787862270000043
求解MILP问题实现容量配置。
本发明进一步的改进在于，目标函数如下：
minC＝Cv+Cw+Cg+Cb+Cgd (1)
Figure GDA0003787862270000044
Figure GDA0003787862270000045
Figure GDA0003787862270000046
Figure GDA0003787862270000047
公式(1)表示容量配置目标函数C，由光伏发电系统的年平均花费Cv、风力发电系统的年平均花费Cw、柴油发电机的年平均花费Cg、储能系统的年平均花费Cb以及微电网年运行费用Cgd五部分组成；公式(2)中，
Figure GDA0003787862270000051
表示光伏机组的年平均投资一次成本，
Figure GDA0003787862270000052
表示光伏机组的置换成本，
Figure GDA0003787862270000053
表示光伏机组的年平均残值，
Figure GDA0003787862270000054
表示机组维护费用，
Figure GDA0003787862270000055
表示光伏上网补贴；公式(3)、公式(4)和公式(5)中，
Figure GDA0003787862270000056
分别代表风机，柴油发电机以及储能的年平均投资一次成本，
Figure GDA0003787862270000057
分别表示风机，柴油发电机以及储能的年平均置换费用，
Figure GDA0003787862270000058
分别表示风机，柴油发电机以及储能的年平均残值费用，
Figure GDA0003787862270000059
分别表示风机，柴油发电机以及储能的年平均机组维护费用；
Figure GDA00037878622700000510
表示柴油发电机组的燃油费用。
本发明进一步的改进在于，将分布式电源建设所需要的一次投资成本，置换成本以及残值费用转化为年金现值与运行费用。
本发明进一步的改进在于，对于以光伏发电，现值经济规划模型如公式(6)～(8)所示：
Figure GDA00037878622700000511
Figure GDA00037878622700000512
Figure GDA00037878622700000513
公式(6)表示光伏机组的年平均一次投资成本，其中V表示为光伏机组投资预算集合，
Figure GDA00037878622700000514
为光伏机组投资的0/1决策变量；
Figure GDA00037878622700000515
表示光伏机组的额定功率，
Figure GDA00037878622700000516
表示光伏机组的单位功率成本，r表示为年利率；
公式(7)表示光伏机组的年平均置换成本，Y为项目周期，Lv为光伏机组的使用寿命，Mv表示负向取整；
公式(8)表示光伏机组的年平均残值费用。
与现有技术相比，本发明的有益效果为：本发明通过根据某地区的风速、辐射、温度历史数据，建立可再生能源的不确定性分布曲线集合和负荷曲线；确定分布式电源参数，分布式电源参数包括分布式电源的预算上限、造价、使用年限以及额定功率；根据分布式电源参数建立容量配置约束条件；利用不确定性分布曲线集合和负荷曲线，将约束条件利用CC&G算法进行两阶段鲁棒容量配置规划，实现容量配置。本发明对于可再生能源发电分布具有鲁棒性。在实际生产规划中，可再生能源的不确定性集为实现规划方案的可靠性提供了更加便捷且易于操作的方法。容量配置结果不仅可以满足源荷功率平衡需求，并且还具有一定的应对可再生能源不确定行的能力，另外配置结果从经济性的角度来看也更具有合理性。
进一步的，利用CC&G算法，根据对偶理论，将操作子问题重新表述为MILP问题，利用鲁棒优化架构进行求解，在提升计算效率的同时，保证了较高的求解精度。本发明可以在较高的精度下快速有效提高含微电网容量配置规划的求解效率，得到可靠经济的配置方案，为微电网容量配置优化提供有力工具。
附图说明
图1为算例系统风速不确定分布曲线。
图2为算例系统光照强度不确定分布曲线。
图3为算例系统温度不确定分布曲线。
图4为算例系统负荷曲线。
图5为本发明的整体流程图。
图6微电网静态规划投资策略。
具体实施方式
下面结合附图对本发明作进一步详细说明。
针对可再生能源功率曲线分布的不确定性，建立了一种考虑可再生能源发电方式不确定性的并联微电网分布式电源容量配置规划模型。以年平均投资作为对象，以典型日模拟系统运行费用并折算到年运行费用，将两者作为目标函数，建立优化模型。然后将该模型被分解为一个投资主问题和几个运行子问题，并且所提出的规划模型对于可再生能源发电分布具有鲁棒性。将可再生能源功率曲线分布不确定性设定为不确定性集。在实际生产规划中，可再生能源的不确定性集为实现规划方案的可靠性提供了更加便捷且易于操作的方法。容量配置结果不仅可以满足源荷功率平衡需求，并且还具有一定的应对可再生能源不确定行的能力，另外配置结果从经济性的角度来看也更具有合理性。
本发明以年平均投资作为对象，以典型日模拟系统运行费用并折算到年运行费用，将两者作为目标函数，建立优化模型。然后将该模型被分解为一个投资主问题和几个运行子问题，并且所提出的规划模型对于可再生能源发电分布具有鲁棒性。其中将可再生能源功率曲线分布不确定性设定为不确定性集。可再生能源的不确定性集提供了若干种可能的分布曲线，并且只能选择一个曲线来模拟日常运行。利用CC&G算法，根据对偶理论，将操作子问题重新表述为MILP问题，利用鲁棒优化架构进行求解
具体的，一种基于CC&G算法的并网型微电网鲁棒优化容量配置方法，包括以下步骤；
步骤一：建立周期性静态微电网容量配置目标函数。以年平均费用进行计算，年平均费用包含年平均投资与运行费用。
微电网静态规划以电网能取得最高的经济收益为目标，主要从成本和收益两方面进行混合AC/DC微电网的成本效益分析。容量配置的成本主要包括设备的一次建设成本、置换成本和运行维护成本，收益则主要包括削减电费收益，储能电价峰谷差价收益。所以总年平均花费应包含年平均投资成本、置换成本、运行维护成本、年运行费用和年购售电收益五部分组成。如式(1)～(5)所示：
min C＝Cv+Cw+Cg+Cb+Cgd (1)
Figure GDA0003787862270000071
Figure GDA0003787862270000072
Figure GDA0003787862270000073
Figure GDA0003787862270000074
公式(1)表示容量配置目标函数C，由光伏发电系统的年平均花费Cv、风力发电系统的年平均花费Cw、柴油发电机的年平均花费Cg、储能系统的年平均花费Cb以及微电网年运行费用Cgd五部分组成。其中分布式电源的年平均花费又分为以下几项。以光伏发电系统为例，公式(2)中，
Figure GDA0003787862270000075
表示光伏机组的年平均投资一次成本，
Figure GDA0003787862270000076
表示光伏机组的置换成本，
Figure GDA0003787862270000077
表示光伏机组的年平均残值，
Figure GDA0003787862270000078
表示机组维护费用，
Figure GDA0003787862270000079
表示光伏上网补贴。同理在公式(3)、公式(4)和公式(5)中，
Figure GDA00037878622700000710
分别代表风机，柴油发电机以及储能的年平均投资一次成本，
Figure GDA00037878622700000711
分别表示风机，柴油发电机以及储能的年平均置换费用，
Figure GDA00037878622700000712
Figure GDA00037878622700000713
分别表示风机，柴油发电机以及储能的年平均残值费用与
Figure GDA00037878622700000714
分别表示风机，柴油发电机以及储能的年平均机组维护费用。
Figure GDA00037878622700000715
表示柴油发电机组的燃油费用。
步骤二：建立静态周期性微电网规划模型，考虑不同使用寿命的分布式电源在微电网服役周期内的投资策略。将分布式电源建设所需要的一次投资成本，置换成本以及残值费用转化为年金现值与运行费用统一优化计算。
具体的，确定微电网服役时间，在微电网服役期内若有机组提前到达使用寿命，那么将进行更新置换；而当到达微电网使用年限后，未达到使用寿命的分布式电源可以以残值的形式销售收回一部分投资费用。将分布式电源建设所需要的一次投资成本，置换成本以及残值费用转化为年金现值与运行费用统一优化计算。以光伏发电为例，现值经济规划模型如公式(6)～(8)所示：
Figure GDA00037878622700000716
Figure GDA00037878622700000717
Figure GDA00037878622700000718
公式(6)表示光伏机组的年平均一次投资成本，其中V表示为光伏机组投资预算集合(风力发电、柴油发电机和储能系统的最大投资集合分别由W、G和B表示)，
Figure GDA0003787862270000081
为光伏机组投资的0/1决策变量(相应的风力发电、柴油发电机、储能系统的投资决策变量分别由
Figure GDA0003787862270000082
和
Figure GDA0003787862270000083
表示)；
Figure GDA0003787862270000084
表示光伏机组的额定功率(同理
Figure GDA0003787862270000085
储能系统应以容量成本
Figure GDA0003787862270000086
计算)，
Figure GDA0003787862270000087
表示光伏机组的单位功率成本，r表示为年利率，然后将其换算为年金现值。
公式(7)表示光伏机组的年平均置换成本，Y为项目周期，Lv为光伏机组的使用寿命，Mv表示负向取整。同样对到达使用寿命后需要置换的机组进行现金年值换算。公式(8)表示光伏机组的年平均残值费用。将机组投资均摊到寿命的每一年，当微电网到达使用年限时将分布式电源机组剩下未达到使用寿命部分的价格作为残值，并进行现金年值折算。
步骤三：根据某地区的风速、辐射、温度这些历史数据，建立可再生能源(风电、光伏)的不确定性分布曲线集合和负荷曲线。
确定可再生能源的不确定性分布曲线集合和负荷曲线。不确定性分布曲线集合如式(9)所示：
Figure GDA0003787862270000088
Figure GDA0003787862270000089
表示光伏与风力发电出力分布的集合，
Figure GDA00037878622700000810
分别表示两种可再生能源功率曲线分布选择的0/1决策变量，并保证每种可再生能源的分布曲线会选择有且仅有其中的一条分布曲线。
步骤四：首先，确定分布式电源参数：分布式电源(风电，光伏，柴油发电机、储能)的预算上限，造价，使用年限，额定功率等相关参数。
然后，根据步骤二建立的静态周期性微电网规划模型，建立容量配置约束条件以及运行条件，分别如式(10)～(14)所示。
Figure GDA00037878622700000811
Figure GDA00037878622700000812
Figure GDA00037878622700000813
Figure GDA00037878622700000814
Figure GDA0003787862270000091
根据微电网规划文件《推进并网型微电网建设试行办法》，其中第二条：根据当地自然资源现状进行选择配置，优先使用可再生能源作为微电网电源，自发自用，余电上网。其次鼓励使用储能设备推进储能技术与市场的发展，另外规定微电网容量配置中可再生能源容量占比需要大于总配置电源容量的一半以上。在公式(10)～(13)中，
Figure GDA0003787862270000092
分别表示光伏发电，风力发电，柴油发电机以及储能系统资源或投资预算上限。公式(14)表示光伏、风机可再生能源在总系统容量中占比的相关政策约束。
在进行规划运算时，新能源机组的出力不能超过其装机容量，单位时刻出力也不可大于单位时间的最大输出功率。同时限定了小型柴油发电机最大最小输出的电功率。本发明使用的小型柴油发电机最大最小发电功率被限定在额定功率的0.1～1之间。储能机组在运行时要满足其荷电状态随时间变化和充放电功率的限制，最大充放电功率的限制，荷电状态上限的限制以及维持储能余量平衡等约束。
各个分布式能源风光柴储运行约束表述如下：
Figure GDA0003787862270000093
Figure GDA0003787862270000094
Figure GDA0003787862270000095
Figure GDA0003787862270000096
Figure GDA0003787862270000097
Figure GDA0003787862270000098
Figure GDA0003787862270000099
Figure GDA00037878622700000910
Figure GDA00037878622700000911
公式(15)～(19)表示光伏、风机、柴油发电机以及储能系统的功率约束，
Figure GDA00037878622700000912
代表光伏、风机与柴油发电机的发电功率，而
Figure GDA00037878622700000913
分别表示储能系统的放电功率以及充电功率，
Figure GDA00037878622700000914
分别为光伏与风力发电最大出力分布，
Figure GDA00037878622700000915
表示柴油发电机的最大出力，
Figure GDA00037878622700000916
表示储能的最大充电及放电功率，
Figure GDA00037878622700000917
表示电网购售电的最大功率，
Figure GDA00037878622700000918
表示负荷曲线，d表示天数，h表示时刻。公式(20)～(21)表示储能运行过程中功率与电量之间的关系。
Figure GDA0003787862270000101
表示储能系统各个时刻的电量，ηb+、ηb-分别表示储能系统的放电功率以及充电功率。公式(22)表示微电网与主网之间的传输线功率约束。公式(23)表示为最终功率平衡约束。
步骤五：利用步骤三得到的不确定性分布曲线集合和负荷曲线，将式(1)-式(23)利用CC&G算法进行两阶段鲁棒容量配置规划，实现容量配置。
等式可以用两个不等式的形式改写，所以各项约束条件都可写为不等式的形式。并网容量配置基本模型可以整理为如下的形式：
Figure GDA0003787862270000102
s.t.Ax≤d (25)
Figure GDA0003787862270000103
x为整数0/1变量，yt为连续变量。wt表示为可再生能源功率曲线分布曲线。cT、
Figure GDA0003787862270000104
d、et为系数向量，A、D、E、F为系数矩阵。
根据整理的解析式，可以将优化问题拆分为投资问题与运行问题，投资问题如下所示：
Figure GDA0003787862270000105
公式(27)中，运行费用由变量α代替并在运行问题中确定。而运行问题如下所示：
Figure GDA0003787862270000106
公式(28)中，
Figure GDA0003787862270000107
为主问题求解获得x的解，为已知量。规划的目的是为了考虑到可再生能源的不确定性的影响，并满足在最坏可再生能源功率曲线分布条件下的最优容量配置结果，并将其表述为“max-min”鲁棒优化问题。对于“max-min”鲁棒优化问题，采用对偶定理将内部的“min”表示为“max”形式并进行求解：
Figure GDA0003787862270000108
公式(29)为子问题的对偶问题，μt为对偶因子。而可再生能源功率曲线分布不确定集公式(9)可表述为公式(30)：
wt＝wi,tzi (30)
将公式(30)代入公式(29)，得到公式(31)：
Figure GDA0003787862270000111
利用Big-M法将子问题转化为MILP问题如公式(32)所示：
Figure GDA0003787862270000112
根据模型的结构和特征，可以在CC&G框架下解决该问题。首先，利用枚举法给出规划问题的一个基本可行解。然后，通过对偶定理解决双线性问题来求解运行子问题。一旦确定了最坏的情况，将新生成的列约束添加到原问题中。不断迭代计算直到上限和下限之间的间隙小于给定的误差为止。
CC&G算法具体过程如下：
初始化：迭代次数k＝1，下界LB＝-∞，UB＝+∞误差Gap值ε；
步骤1：求解原问题(33)，得到
Figure GDA0003787862270000113
l表示在第k次迭代中第l个变量；
Figure GDA0003787862270000114
s.t.Ax≤d
αt≥0
Figure GDA0003787862270000115
Figure GDA0003787862270000116
x∈Z (33)
步骤2：将主问题求得的
Figure GDA0003787862270000117
带入子问题，即公式(32)中，得到本次投资方案下最坏的可再生能源分布场景下的运行费用，解得相应所需变量
Figure GDA0003787862270000118
此时问题上界转化为
Figure GDA0003787862270000119
步骤3：检验GAP＝100％×(UB-LB)/UB＜ε满足校验，问题结束。不满足进入步骤4；
步骤4：k＝k+1并向原问题添加新的列生成约束：
Figure GDA0003787862270000121
重新进入步骤1。
本发明为一种高效的鲁棒容量配置优化方法，在加速求解的同时保持解的高精度，为微电网容量配置优化提供有力工具。
下面以IEEE-33节点配网为例，微电网的峰值负荷3715kW，服役使用周期为20年；
步骤一：建立静态周期微电网容量配置目标函数，考虑分布式电源的一次投资，置换，残值费用并这算到年金现值与年平均运行费用统一作为目标。
min C＝Cv+Cw+Cg+Cb+Cgd (1)
Figure GDA0003787862270000122
Figure GDA0003787862270000123
Figure GDA0003787862270000124
Figure GDA0003787862270000125
Figure GDA0003787862270000126
Figure GDA0003787862270000127
Figure GDA0003787862270000128
步骤二：确定可再生能源不确定性集合以及负荷曲线，如图1～图4所示，并建立光伏发电与风力发电模型。
光伏出力通常与气温以及光照强度具有相关性，现取实际光伏产品为例，其单位功率容量的出力特性如公式(43)所示：
Figure GDA0003787862270000129
公式中，pv表示光伏输出功率(kW)，Isun表示光照强度(Lx)，T代表气温(℃)。通常以海岛微电网或者高山偏远地区为例，全年太阳能资源丰富，其中夏季、秋季和冬季太阳能资源尤为突出。
风力发电与风速呈现相关性，以FD5-5/10型风力发电机组为例，风力发电机最小启动速度为3m/s。然而当风速过高时也会影响转子运行稳定性以及寿命，从而引起输出功率的损失甚至下降，所以推荐适应的最大风速为10m/s。风机单位功率容量的出力特性如公式所示：
Figure GDA0003787862270000131
步骤三：确定各个机组数据以及算例的具体参数。分布式电源的投资预算限额分别为8套光伏发电系统、8台风力发电系统、8台柴油发电机和8台储能系统，根据微电网的定义与使用范围，选取kW级别的机组作为配置电源更加负荷微电网规划的目的。光伏、风机等机组数据参考市场已有设备进行归纳选取；电价取湖北武汉地区销售电价以及上网电价作为本次研究参考。
表1光伏发电系统相关数据
Figure GDA0003787862270000132
表2风力发电系统相关数据
Figure GDA0003787862270000133
表3柴油发电机相关数据
Figure GDA0003787862270000134
表4储能系统相关数据
Figure GDA0003787862270000135
表5销售度电电价(元/kWh)
Figure GDA0003787862270000136
表6上网度电电价(元/kWh)
Figure GDA0003787862270000141
步骤四：利用CC&G构建两阶段鲁棒优化算法，在考虑可再生能源分布不确定性的基础上，完成具有可靠性与经济性的微电网容量配置规划优化计算。基于成本效益分析微电网规划模型计算可得，当分别取光伏分布1与风速分布3时，可再生资源在规划当中处于最为劣势的状态，也就是说当分布式能源容量配置在满足这样的可再生能源的自然资源情况下，足以应对各种其他较好可再生资源分布下的源-荷平衡，保证规划容量对微电网系统的可靠供电。算例研究可得到以下容量配置结果：
表7分布式电源容量配置结果
Figure GDA0003787862270000142
表8年金现值平均投资成本与运行费用明细
Figure GDA0003787862270000143
从表格可以得出结论，在并网模式下，微电网容量配置优化在最恶劣自然资源条件下求解得到容量配置最优方案，如表7所示。配置结果为3台光伏机组、8台风力发电机组和6台储能系统。光伏发电与风力发电系统因其使用寿命大于微电网投资使用周期，所以仅有一次投资不存在置换。而储能系统使用寿命小于项目使用周期，所以在第15年储能设备寿命用尽时，需要重新购入置换新的储能系统。当项目服役周期20年已满时，分布式电源的剩余价值将作为残值售出，以降低微电网容量配置投资的总成本。
从表8年金现值平均投资成本与运行费用明细看出，尽管光伏发电系统与风力发电系统的一次投资成本较高，但是因两者作为可再生清洁能源无需产生额外的运行费用，所以具有较高的经济效益。从度电成本进行分析，伏发电系统度电成本为0.68￥/kW，基本接近于销售电价的平段值。而风力发电系统不受太阳光照的影响，且相比于光资源更加丰富，风力电系统度电成本为0.41￥/kW，低于销售电价的平段值，具有更高的经济性。
柴油发电机尽管投资成本较低，但是发电成本较高，其度电运行费用为1.86￥/kWh，远远大于销售电价，所以在并网运行模式下发电机并未被配置参与供电。
储能系统随着技术的不断更新，储能系统成本逐渐下降。因此在一定程度上提升了储能的经济性。然而与可再生能源不同是的是，在并网模式下储能当被配置到微电网规划中运行当中时，储能系统仍可参与运行。除在特定时刻满足对负荷需求的补充，大部分时间可以利用销售电价与上网电价的电价差从主网进行充放电来获得收益。
主网可以作为微电网的良好备用，很好地弥补功率缺额。由于微电网在并网运行时有光伏与风力发电以及储能设备的支持，所以微电网在向主网购电作为补充时具有很高的灵活性，在保证负荷的可靠供电的同时又可以以满足自身运行的经济效益，从主网的度电成本为可以看出，微电网在向主网购电时的电费趋于销售电价的平均水平。
若采用确定性模型，如采用光伏分布3与风速分布3时，可得到如下配置结果：
表9确定性模型分布式电源容量配置结果
Figure GDA0003787862270000151
表10确定性模型年金现值平均投资成本与运行费用明细
Figure GDA0003787862270000152
表11鲁棒性分析
Figure GDA0003787862270000153
分析看出，由于当前可再生能源机组的成本下探，若微电网所在地区具有一定量的风光资源，那么采用微电网与分布式电源、可再生能源相结合的规划方式相比于仅仅依靠主网供电具有更好的经济性。通过对比可再生能源分布不确定性模型与确定性分布模型，本发明模型算法可以分拣出无法直观得到的最差可再生能源分布曲线。在具有较好分布的确定性模型中，分布式电源投资成本虽然有所上涨，但这是由于可再生能源相对丰富，投建较多的可再生能源机组可以带来更低的主网购电费用，从而降低总费用。相反在CC&G模型下，由于采用最坏可再生能源分布进行规划，所以可再生能源以及储能配置有所减少，相应的主网购电费用有所增长，导致总费用相比于确定性模型有所增长。
然而CC&G模型计算的容量配置结果可靠性最高，从表12可以看出，确定性模型配置结果在遇到较差可再生能源分布时，经济性不断变差；而CC&G模型下的配置结果在遇到较好自然资源时，总费用在不断减小。说明从投资角度考虑，所提出的模型可以计算得到可靠性更好的配置结果。
表12可再生能源分布差异对不同投资策略的费用影响
Figure GDA0003787862270000161

Claims (7)

1.一种并网型微电网鲁棒优化容量配置方法，其特征在于，包括以下步骤：
步骤一：根据某地区的风速、辐射、温度历史数据，建立可再生能源的不确定性分布曲线集合和负荷曲线；
步骤二：首先，确定分布式电源参数，分布式电源参数包括分布式电源的预算上限、造价、使用年限以及额定功率；
然后，根据分布式电源参数建立容量配置约束条件；
步骤三：利用步骤一得到的不确定性分布曲线集合和负荷曲线，将约束条件利用CC&G算法进行两阶段鲁棒容量配置规划，实现容量配置；
步骤三的具体过程为：将目标函数、运行条件与约束条件整理为如下的形式：
Figure FDA0003787862260000011
s.t.Ax≤d (25)
Figure FDA0003787862260000017
其中，x为整数0/1变量，yt为连续变量；wt表示为可再生能源功率曲线分布曲线；cT、
Figure FDA0003787862260000012
d、et为系数向量，A、D、E、F为系数矩阵；
然后将容量优化问题拆分为投资问题与运行问题，投资问题如下所示：
Figure FDA0003787862260000013
公式(27)中，运行费用由变量α代替并在运行问题中确定；
运行问题如下所示：
Figure FDA0003787862260000014
公式(28)中，
Figure FDA0003787862260000015
为主问题求解获得x的解；
将最优容量配置结果表述为max-min鲁棒优化问题；对于max-min鲁棒优化问题，采用对偶定理将内部的min表示为max形式并进行求解：
Figure FDA0003787862260000016
公式(29)为子问题的对偶问题，μt为对偶因子；
可再生能源功率曲线分布不确定集公式(9)表述为公式(30)：
wt＝wi,tzi (30)
将公式(30)代入公式(29)，得到公式(31)：
Figure FDA0003787862260000021
利用Big-M法将子问题转化为MILP问题，如公式(32)所示：
Figure FDA0003787862260000022
求解MILP问题实现容量配置。
2.根据权利要求1所述一种并网型微电网鲁棒优化容量配置方法，其特征在于，步骤一中，可再生能源包括风电与光伏可再生能源；可再生能源的不确定性分布曲线集合如式(9)所示：
Figure FDA0003787862260000023
Figure FDA0003787862260000024
表示光伏与风力发电出力分布的集合，
Figure FDA0003787862260000025
分别表示风电与光伏可再生能源功率曲线分布选择的0/1决策变量。
3.根据权利要求1所述一种并网型微电网鲁棒优化容量配置方法，其特征在于，步骤二中，运行条件如式(10)～(14)所示：
Figure FDA0003787862260000026
Figure FDA0003787862260000027
Figure FDA0003787862260000031
Figure FDA0003787862260000032
Figure FDA0003787862260000033
公式(10)～(13)中，
Figure FDA0003787862260000034
分别表示光伏发电，风力发电，柴油发电机以及储能系统资源或投资预算上限；公式(14)表示光伏、风机可再生能源在总系统容量中占比的相关政策约束。
4.根据权利要求1所述一种并网型微电网鲁棒优化容量配置方法，其特征在于，步骤二中，约束条件如下：
Figure FDA0003787862260000035
Figure FDA0003787862260000036
Figure FDA0003787862260000037
Figure FDA0003787862260000038
Figure FDA0003787862260000039
Figure FDA00037878622600000310
Figure FDA00037878622600000311
Figure FDA00037878622600000312
Figure FDA00037878622600000313
公式(15)～(19)表示光伏、风机、柴油发电机以及储能系统的功率约束，
Figure FDA00037878622600000314
代表光伏、风机与柴油发电机的发电功率，
Figure FDA00037878622600000315
分别表示储能系统的放电功率以及充电功率，
Figure FDA00037878622600000316
分别为光伏与风力发电最大出力分布，
Figure FDA00037878622600000317
表示柴油发电机的最大出力，
Figure FDA00037878622600000318
表示储能的最大充电及放电功率，
Figure FDA00037878622600000319
表示电网购售电的最大功率，
Figure FDA00037878622600000320
表示负荷曲线，d表示天数，h表示时刻；公式(20)～(21)表示储能运行过程中功率与电量之间的关系；
Figure FDA00037878622600000321
表示储能系统各个时刻的电量，ηb+、ηb-分别表示储能系统的放电功率以及充电功率；公式(22)表示微电网与主网之间的传输线功率约束；公式(23)表示为最终功率平衡约束。
5.根据权利要求1所述一种并网型微电网鲁棒优化容量配置方法，其特征在于，目标函数如下：
min C＝Cv+Cw+Cg+Cb+Cgd (1)
Figure FDA0003787862260000041
Figure FDA0003787862260000042
Figure FDA0003787862260000043
Figure FDA0003787862260000044
公式(1)表示容量配置目标函数C，由光伏发电系统的年平均花费Cv、风力发电系统的年平均花费Cw、柴油发电机的年平均花费Cg、储能系统的年平均花费Cb以及微电网年运行费用Cgd五部分组成；公式(2)中，
Figure FDA0003787862260000045
表示光伏机组的年平均投资一次成本，
Figure FDA0003787862260000046
表示光伏机组的置换成本，
Figure FDA0003787862260000047
表示光伏机组的年平均残值，
Figure FDA0003787862260000048
表示机组维护费用，
Figure FDA0003787862260000049
表示光伏上网补贴；公式(3)、公式(4)和公式(5)中，
Figure FDA00037878622600000410
分别代表风机，柴油发电机以及储能的年平均投资一次成本，
Figure FDA00037878622600000411
分别表示风机，柴油发电机以及储能的年平均置换费用，
Figure FDA00037878622600000412
分别表示风机，柴油发电机以及储能的年平均残值费用，
Figure FDA00037878622600000413
分别表示风机，柴油发电机以及储能的年平均机组维护费用；
Figure FDA00037878622600000414
表示柴油发电机组的燃油费用。
6.根据权利要求5所述一种并网型微电网鲁棒优化容量配置方法，其特征在于，将分布式电源建设所需要的一次投资成本，置换成本以及残值费用转化为年金现值与运行费用。
7.根据权利要求6所述一种并网型微电网鲁棒优化容量配置方法，其特征在于，对于以光伏发电，现值经济规划模型如公式(6)～(8)所示：
Figure FDA00037878622600000415
Figure FDA00037878622600000416
Figure FDA0003787862260000051
公式(6)表示光伏机组的年平均一次投资成本，其中V表示为光伏机组投资预算集合，
Figure FDA0003787862260000052
为光伏机组投资的0/1决策变量；
Figure FDA0003787862260000053
表示光伏机组的额定功率，
Figure FDA0003787862260000054
表示光伏机组的单位功率成本，r表示为年利率；
公式(7)表示光伏机组的年平均置换成本，Y为项目周期，Lv为光伏机组的使用寿命，Mv表示负向取整；
公式(8)表示光伏机组的年平均残值费用。
CN202011357775.6A 2020-11-27 2020-11-27 一种并网型微电网鲁棒优化容量配置方法 Active CN112653195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357775.6A CN112653195B (zh) 2020-11-27 2020-11-27 一种并网型微电网鲁棒优化容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357775.6A CN112653195B (zh) 2020-11-27 2020-11-27 一种并网型微电网鲁棒优化容量配置方法

Publications (2)

Publication Number Publication Date
CN112653195A CN112653195A (zh) 2021-04-13
CN112653195B true CN112653195B (zh) 2022-10-14

Family

ID=75349598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357775.6A Active CN112653195B (zh) 2020-11-27 2020-11-27 一种并网型微电网鲁棒优化容量配置方法

Country Status (1)

Country Link
CN (1) CN112653195B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988714B (zh) * 2021-11-26 2024-05-31 湖南大学 计及多重不确定性的园区综合能源系统动态规划方法、设备及介质
CN117077978B (zh) * 2023-10-11 2024-06-04 浙江浙能能源服务有限公司 一种跨区域新能源蓄能方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992247A (zh) * 2015-07-10 2015-10-21 国家电网公司 基于cma/smo的支持向量机电力负荷预测方法
CN107832870A (zh) * 2017-10-16 2018-03-23 国家电网公司 基于灰关联分析和支持向量机的输变电工程造价预测方法
CN108510145A (zh) * 2017-12-06 2018-09-07 中国人民解放军国防科技大学 一种通信约束下面向复合任务的异构多星在线协同方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2333393B1 (es) * 2008-06-06 2011-01-07 Accioona Windpower, S.A Sistema y metodo de control de un aerogenerador.
EP2495864B1 (en) * 2011-03-02 2018-08-08 GE Energy Power Conversion Technology Limited Control arrangement and method for regulating the output current of a dc source power converter connected to a multi-source dc system
CN105550766A (zh) * 2015-12-04 2016-05-04 山东大学 一种含可再生能源的微网鲁棒多目标运行优化方法
CN106655246B (zh) * 2016-10-18 2021-09-03 国网黑龙江省电力有限公司哈尔滨供电公司 基于风电预测与需求响应的鲁棒双层优化模型的求解方法
CN106992538B (zh) * 2017-04-17 2019-07-23 国网浙江省电力公司电力科学研究院 一种基于Benders分解的独立型交流微电网优化配置方法
CN107301470B (zh) * 2017-05-24 2020-12-01 天津大学 一种配电网扩展规划与光储选址定容的双层优化方法
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN109617134B (zh) * 2018-12-21 2022-05-17 华北电力大学 计及不确定量预测误差时空相关性的鲁棒机组组合方法
CN110474367B (zh) * 2019-08-05 2024-01-05 广东工业大学 一种考虑风险损失的微电网容量配置优化方法
CN110739687B (zh) * 2019-10-24 2021-06-01 福州大学 一种考虑风电高阶不确定性的电力系统分布鲁棒调度方法
CN111030110B (zh) * 2019-12-28 2021-05-18 福州大学 一种考虑电转气消纳风电的电力-天然气耦合系统鲁棒协同调度方法
CN111523249B (zh) * 2020-05-27 2022-06-03 福州大学 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992247A (zh) * 2015-07-10 2015-10-21 国家电网公司 基于cma/smo的支持向量机电力负荷预测方法
CN107832870A (zh) * 2017-10-16 2018-03-23 国家电网公司 基于灰关联分析和支持向量机的输变电工程造价预测方法
CN108510145A (zh) * 2017-12-06 2018-09-07 中国人民解放军国防科技大学 一种通信约束下面向复合任务的异构多星在线协同方法

Also Published As

Publication number Publication date
CN112653195A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Ramli et al. Optimal sizing of PV/wind/diesel hybrid microgrid system using multi-objective self-adaptive differential evolution algorithm
Yousri et al. Integrated model for optimal energy management and demand response of microgrids considering hybrid hydrogen-battery storage systems
CN110474367B (zh) 一种考虑风险损失的微电网容量配置优化方法
Chen et al. Smart energy management system for optimal microgrid economic operation
Dufo-Lopez et al. Multi-objective design of PV–wind–diesel–hydrogen–battery systems
CN106849190B (zh) 一种基于Rollout算法的多能互补微网实时调度方法
Phuangpornpitak et al. Opportunities and challenges of integrating renewable energy in smart grid system
Bernal-Agustín et al. Multi-objective design and control of hybrid systems minimizing costs and unmet load
Yang et al. Optimal energy flow control strategy for a residential energy local network combined with demand-side management and real-time pricing
CN107979111A (zh) 一种基于两阶段鲁棒优化的微电网能量管理方法
CN114243694B (zh) 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法
CN107453407B (zh) 一种智能微电网分布式能源调度方法
Muqeet et al. Optimal operation of energy storage system for a prosumer microgrid considering economical and environmental effects
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN109103914A (zh) 考虑源荷储协同运行的微电网储能优化配置方法
Wang et al. Energy management strategy of hybrid energy storage based on Pareto optimality
CN112653195B (zh) 一种并网型微电网鲁棒优化容量配置方法
Semero et al. Optimal energy management strategy in microgrids with mixed energy resources and energy storage system
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
Dufo-López et al. Influence of mathematical models in design of PV-Diesel systems
Shi et al. Research on comprehensive benefit of hydrogen storage in microgrid system
Kong et al. Multi-objective optimal allocation and performance evaluation for energy storage in energy systems
CN116914821A (zh) 一种基于改进粒子群算法的微电网低碳优化调度方法
Basu Heat and power generation augmentation planning of isolated microgrid
Elazab et al. Optimal techno-economic feasibility analysis of a grid-tied microgrid considering demand response strategy

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