CN112734116A - 一种含分布式储能的主动配电网优化调度方法 - Google Patents
一种含分布式储能的主动配电网优化调度方法 Download PDFInfo
- Publication number
- CN112734116A CN112734116A CN202110045867.9A CN202110045867A CN112734116A CN 112734116 A CN112734116 A CN 112734116A CN 202110045867 A CN202110045867 A CN 202110045867A CN 112734116 A CN112734116 A CN 112734116A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- distribution network
- power distribution
- active power
- algorithm
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of 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
- 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]
-
- 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
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种含分布式储能的主动配电网优化调度方法,属于电网调度优化技术领域,该优化调度方法具体步骤如下:(1)获取数据;(2)构建优化算法;(3)进行储能选址定容;(4)进行分布式储能的协调优化;(5)构建主动配电网优化调度模型;该发明构建出一种HTL‑MOPSO算法,作为模型算法工具,在充分考虑用户用电方式和用电费用支付满意度指标的基础上建立主动配电网优化调度模型,并利用HTL‑MOPSO算法对模型求解,有利于降低经济成本和系统网络损失。
Description
技术领域
本发明涉及电网调度优化技术领域,尤其涉及一种含分布式储能的主动配电网优化调度方法。
背景技术
经检索,中国专利号CN104734200B公开了一种基于虚拟发电的主动配电网优化调度方法,该方法所使用的算法没有考虑到新能源接入电网带来的不确定性,容易造成系统网络损失和经济成本增加;主动配电网可以采用调控手段自主调节分布式发电(DG)、储能装置(ESS)、柔性负荷(FL)等分布式能源,并根据配电网的实际运行状态自适应调节其网络结构、发电单元及负荷,来达到配电网安全和经济运行的目标;目前,随着化石能源的短缺和自然环境的不断恶化,以风电和光伏为代表的可再生能源得到了迅速发展,近年来在配电网中的比率逐渐升高,如何协调主动配电网内多种分布式能源、储能装置以及主动负荷,并有效参与到当前电力市场中,从而改善配电网电压水平、减小配电网运行成本,成为亟待解决的问题;因此发明出一种含分布式储能的主动配电网优化调度方法变得尤为重要:
现有的配电网优化调度方法大多都是针对传统配电网进行优化调度,其没有考虑有功功率与无功功率的耦合,也没有考虑新能源接入电网带来的不确定性,容易造成系统网络损失和经济成本增加,为此,我们提出一种含分布式储能的主动配电网优化调度方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种含分布式储能的主动配电网优化调度方法。
为了实现上述目的,本发明采用了如下技术方案:
一种含分布式储能的主动配电网优化调度方法,该优化调度方法具体步骤如下:
(1)获取数据:获取主动配电网的网络拓扑结构,以及获取风力发电系统、光伏发电系统、储能系统和可控负荷的基本信息数据;
(2)构建优化算法:以粒子群算法和教学算法为基本理论基础,并结合已有的领导粒子选择策略,构建出一种HTL-MOPSO算法,作为模型算法工具;
(3)进行储能选址定容:对步骤(1)中的基本信息进行分析,以最小化储能配置运行综合经济成本和电压偏差为目标函数,考虑配电网安全和稳定运行约束条件,建立了分布式储能在主动配电网中的优化配置模型,将优化配置模型转换为双层优化模型,在外层进行储能选址定容方案的优化,在内层中进行典型工作日内系统的运行优化,最后采用步骤(2)中的HTL-MOPSO算法进行模型求解,实现了合理的储能选址定容;
(4)进行分布式储能的协调优化:在步骤(1)主动配电网的网络拓扑结构不变的情况下,以日前调度中可控分布式电源和分布式储能计划出力为决策变量建立经济环境优化调度模型,根据worst-case理论中的鲁棒多目标优化理论,将经济环境优化调度模转换为鲁棒经济环境调度模型,并利用步骤(2)中的HTL-MOPSO算法对鲁棒经济环境调度模型进行求解;
(5)构建主动配电网优化调度模型:在充分考虑用户用电方式和用电费用支付满意度指标的基础上建立主动配电网优化调度模型,并利用步骤(2)中的HTL-MOPSO算法对主动配电网优化调度模型进行求解,实现了主动配电网协调优化调度。
优选的,步骤(1)所述基本信息包括负荷数据、决策变量与状态变量的约束条件、风电预测数据、预测误差、储能配置约束条件、储能能量转移公式和储能充放电约束条件。
优选的,步骤(2)所述HTL-MOPSO算法的具体计算流程如下:
S1:设置算法的所有参数:包括种群P规模N、精英档案集规模N_arv、PSO搜索策略中的参数、TLBO搜索策略中的参数,以及参数INV;
S2:初始化种群P中所有粒子的位置及速度、个体最优以及全局最优;
S3:基于非支配解的概念获取种群P中的非支配解,并存入精英档案集arv中;
S4:根据HTL-PSO搜索策略并结合领导粒子选择策略更新种群P中所有个体的位置;获取种群P更新后的非支配解nd_x并判断其是否需要存入精英档案集arv中;
S5:判断精英档案集arv是否需要删减,若需要删减,执行S6;反之,执行S7;
S6:采用循环拥挤排序策略进行精英档案集筛选;
S7:变异操作,若种群中所有粒子速度小于阀值Vlimt,对种群P进行多项式变异;反之,跳到S8;
S8:判断迭代次数是否达到最大值,若达到,输出精英档案集的个体;反之跳至S4。
优选的,步骤(5)中目标函数有:
①最小化负荷的峰谷差F:
minF=(max(Q)-min(Q)) (1)
式中,Q为负荷调度周期内用户用电量时间序列,一般为24小时内负荷分布数据;
②基于分时电价的需求侧响应成本C
Crou(t)=p0(t)*d0(t)-p(t)*d(t) (2)
式中,p0为t时刻原始电价,d0(t)为原始电价p0(t)时负荷需求,p(t)为需求侧响应后t时刻调整电价,d(t)为电价为p(t)时的最优需求侧响应后的负荷需求量;
③配电网优化调度的经济目标表达式为:
Crou(t)=p0(t)*d0(t)-p(t)*d(t) (3)。
优选的,步骤(5)中约束条件如下:
①负荷峰谷期的电价上下限约束为:
poff-peak≤ppeak≤pmax (4)
pmin≤pvalley≤poff-peak (5)
②峰谷电价比满足约束条件为:
③将用户用电方式满意度指标MS和电费支出满意度指标MP作为用电侧参与需求响应的约束条件:
④用电方式满意度:
⑤电费支出满意度:
式中,d0(t)和d(t)分别为不参与需求响应时和参与电价响应后t时段内的负荷量,C0(t)和C(t)分别为不参与需求响应前和参与电价响应后t时段内的购电费用,当mp,pin为1时用户参与需求响应前后整个T时间段内费用支出不变。
相比于现有技术,本发明的有益效果在于:
1、该含分布式储能的主动配电网优化调度方法,提出一种HTL-MOPSO算法,作为模型算法工具,相较于传统的PSO算法,该算法能够充分与其他粒子的信息交流,能够获得更优收敛性和多样性的Pareto前沿,有利于提高非支配解的多样性和分布均匀性,为后续双层优化模型和主动配电网优化调度模型提供准确求解;并且本发明充分考虑了储能的选址定容与后期配电网运行之间的影响,建立了分布式储能在主动配电网中的优化配置模型,通过HTL-MOPSO算法求解,有利于实现了对风电力不确定性的自适应调节。
2、该含分布式储能的主动配电网优化调度方法,在充分考虑用户用电方式和用电费用支付满意度指标的基础上建立主动配电网优化调度模型,并利用HTL-MOPSO算法对主动配电网优化调度模型进行求解,实现了主动配电网协调优化调度,有利于降低经济成本和系统网络损失。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种含分布式储能的主动配电网优化调度方法的整体结构示意图;
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参照图1,一种含分布式储能的主动配电网优化调度方法,该优化调度方法具体步骤如下:
(1)获取数据:获取主动配电网的网络拓扑结构,以及获取风力发电系统、光伏发电系统、储能系统和可控负荷的基本信息数据;
(2)构建优化算法:以粒子群算法和教学算法为基本理论基础,并结合已有的领导粒子选择策略,构建出一种HTL-MOPSO算法,作为模型算法工具;
(3)进行储能选址定容:对步骤(1)中的基本信息进行分析,以最小化储能配置运行综合经济成本和电压偏差为目标函数,考虑配电网安全和稳定运行约束条件,建立了分布式储能在主动配电网中的优化配置模型,将优化配置模型转换为双层优化模型,在外层进行储能选址定容方案的优化,在内层中进行典型工作日内系统的运行优化,最后采用步骤(2)中的HTL-MOPSO算法进行模型求解,实现了合理的储能选址定容;
(4)进行分布式储能的协调优化:在步骤(1)主动配电网的网络拓扑结构不变的情况下,以日前调度中可控分布式电源和分布式储能计划出力为决策变量建立经济环境优化调度模型,根据worst-case理论中的鲁棒多目标优化理论,将经济环境优化调度模转换为鲁棒经济环境调度模型,并利用步骤(2)中的HTL-MOPSO算法对鲁棒经济环境调度模型进行求解;
(5)构建主动配电网优化调度模型:在充分考虑用户用电方式和用电费用支付满意度指标的基础上建立主动配电网优化调度模型,并利用步骤(2)中的HTL-MOPSO算法对主动配电网优化调度模型进行求解,实现了主动配电网协调优化调度。
步骤(1)基本信息包括负荷数据、决策变量与状态变量的约束条件、风电预测数据、预测误差、储能配置约束条件、储能能量转移公式和储能充放电约束条件。
步骤(2)HTL-MOPSO算法的具体计算流程如下:
S1:设置算法的所有参数:包括种群P规模N、精英档案集规模N_arv、PSO搜索策略中的参数、TLBO搜索策略中的参数,以及参数INV;
S2:初始化种群P中所有粒子的位置及速度、个体最优以及全局最优;
S3:基于非支配解的概念获取种群P中的非支配解,并存入精英档案集arv中;
S4:根据HTL-PSO搜索策略并结合领导粒子选择策略更新种群P中所有个体的位置;获取种群P更新后的非支配解nd_x并判断其是否需要存入精英档案集arv中;
S5:判断精英档案集arv是否需要删减,若需要删减,执行S6;反之,执行S7;
S6:采用循环拥挤排序策略进行精英档案集筛选;
S7:变异操作,若种群中所有粒子速度小于阀值Vlimt,对种群P进行多项式变异;反之,跳到S8;
S8:判断迭代次数是否达到最大值,若达到,输出精英档案集的个体;反之跳至S4。
步骤(5)中目标函数有:
①最小化负荷的峰谷差F:
minF=(max(Q)-min(Q)) (1)
式中,Q为负荷调度周期内用户用电量时间序列,一般为24小时内负荷分布数据;
②基于分时电价的需求侧响应成本C
Crou(t)=p0(t)*d0(t)-p(t)*d(t) (2)
式中,p0为t时刻原始电价,d0(t)为原始电价p0(t)时负荷需求,p(t)为需求侧响应后t时刻调整电价,d(t)为电价为p(t)时的最优需求侧响应后的负荷需求量;
③配电网优化调度的经济目标表达式为:
Crou(t)=p0(t)*d0(t)-p(t)*d(t) (3)。
步骤(5)中约束条件如下:
①负荷峰谷期的电价上下限约束为:
poff-peak≤ppeak≤pmax (4)
pmin≤pvalley≤poff-peak (5)
②峰谷电价比满足约束条件为:
③将用户用电方式满意度指标MS和电费支出满意度指标MP作为用电侧参与需求响应的约束条件:
④用电方式满意度:
⑤电费支出满意度:
式中,d0(t)和d(t)分别为不参与需求响应时和参与电价响应后t时段内的负荷量,C0(t)和C(t)分别为不参与需求响应前和参与电价响应后t时段内的购电费用,当mp,pin为1时用户参与需求响应前后整个T时间段内费用支出不变。
本发明的工作原理及使用流程:该含分布式储能的主动配电网优化调度方法在使用时,第一步需要获取主动配电网的网络拓扑结构,以及获取风力发电系统、光伏发电系统、储能系统和可控负荷的基本信息数据;第二步再以粒子群算法和教学算法为基本理论基础,并结合已有的领导粒子选择策略,构建出一种HTL-MOPSO算法,作为模型算法工具;然后对第一步中的基本信息进行分析,以最小化储能配置运行综合经济成本和电压偏差为目标函数,考虑配电网安全和稳定运行约束条件,建立了分布式储能在主动配电网中的优化配置模型,将优化配置模型转换为双层优化模型,在外层进行储能选址定容方案的优化,在内层中进行典型工作日内系统的运行优化,最后采用第二步中的HTL-MOPSO算法进行模型求解,实现了合理的储能选址定容;第四步在第一步中主动配电网的网络拓扑结构不变的情况下,以日前调度中可控分布式电源和分布式储能计划出力为决策变量建立经济环境优化调度模型,根据worst-case理论中的鲁棒多目标优化理论,将经济环境优化调度模转换为鲁棒经济环境调度模型,并利用第二步中的HTL-MOPSO算法对鲁棒经济环境调度模型进行求解;最后在充分考虑用户用电方式和用电费用支付满意度指标的基础上建立主动配电网优化调度模型,并利用第二步中的HTL-MOPSO算法对主动配电网优化调度模型进行求解,实现了主动配电网协调优化调度;本发明提出一种HTL-MOPSO算法,作为模型算法工具,之后确定储能选址定容,并进行分布式储能的协调优化,充分考虑考虑了储能的选址定容与后期配电网运行之间的影响,有利于为主动配电网优化调度提供方向基础;并且在充分考虑用户用电方式和用电费用支付满意度指标的基础上建立主动配电网优化调度模型,通过HTL-MOPSO算法对主动配电网优化调度模型进行求解,实现了主动配电网协调优化调度,有利于降低经济成本和系统网络损失。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种含分布式储能的主动配电网优化调度方法,其特征在于,该优化调度方法具体步骤如下:
(1)获取数据:获取主动配电网的网络拓扑结构,以及获取风力发电系统、光伏发电系统、储能系统和可控负荷的基本信息数据;
(2)构建优化算法:以粒子群算法和教学算法为基本理论基础,并结合已有的领导粒子选择策略,构建出一种HTL-MOPSO算法,作为模型算法工具;
(3)进行储能选址定容:对步骤(1)中的基本信息进行分析,以最小化储能配置运行综合经济成本和电压偏差为目标函数,考虑配电网安全和稳定运行约束条件,建立了分布式储能在主动配电网中的优化配置模型,将优化配置模型转换为双层优化模型,在外层进行储能选址定容方案的优化,在内层中进行典型工作日内系统的运行优化,最后采用步骤(2)中的HTL-MOPSO算法进行模型求解,实现了合理的储能选址定容;
(4)进行分布式储能的协调优化:在步骤(1)主动配电网的网络拓扑结构不变的情况下,以日前调度中可控分布式电源和分布式储能计划出力为决策变量建立经济环境优化调度模型,根据worst-case理论中的鲁棒多目标优化理论,将经济环境优化调度模转换为鲁棒经济环境调度模型,并利用步骤(2)中的HTL-MOPSO算法对鲁棒经济环境调度模型进行求解;
(5)构建主动配电网优化调度模型:在充分考虑用户用电方式和用电费用支付满意度指标的基础上建立主动配电网优化调度模型,并利用步骤(2)中的HTL-MOPSO算法对主动配电网优化调度模型进行求解,实现了主动配电网协调优化调度。
2.根据权利要求1所述的一种含分布式储能的主动配电网优化调度方法,其特征在于,步骤(1)所述基本信息包括负荷数据、决策变量与状态变量的约束条件、风电预测数据、预测误差、储能配置约束条件、储能能量转移公式和储能充放电约束条件。
3.根据权利要求1所述的一种含分布式储能的主动配电网优化调度方法,其特征在于,步骤(2)所述HTL-MOPSO算法的具体计算流程如下:
S1:设置算法的所有参数:包括种群P规模N、精英档案集规模N_arv、PSO搜索策略中的参数、TLBO搜索策略中的参数,以及参数INV;
S2:初始化种群P中所有粒子的位置及速度、个体最优以及全局最优;
S3:基于非支配解的概念获取种群P中的非支配解,并存入精英档案集arv中;
S4:根据HTL-PSO搜索策略并结合领导粒子选择策略更新种群P中所有个体的位置;获取种群P更新后的非支配解nd_x并判断其是否需要存入精英档案集arv中;
S5:判断精英档案集arv是否需要删减,若需要删减,执行S6;反之,执行S7;
S6:采用循环拥挤排序策略进行精英档案集筛选;
S7:变异操作,若种群中所有粒子速度小于阀值Vlimt,对种群P进行多项式变异;反之,跳到S8;
S8:判断迭代次数是否达到最大值,若达到,输出精英档案集的个体;反之跳至S4。
4.根据权利要求1所述的一种含分布式储能的主动配电网优化调度方法,其特征在于,步骤(5)中目标函数有:
①最小化负荷的峰谷差F:
minF=(max(Q)-min(Q)) (1)
式中,Q为负荷调度周期内用户用电量时间序列,一般为24小时内负荷分布数据;
②基于分时电价的需求侧响应成本C
Crou(t)=p0(t)*d0(t)-p(t)*d(t) (2)
式中,p0为t时刻原始电价,d0(t)为原始电价p0(t)时负荷需求,p(t)为需求侧响应后t时刻调整电价,d(t)为电价为p(t)时的最优需求侧响应后的负荷需求量;
③配电网优化调度的经济目标表达式为:
Crou(t)=p0(t)*d0(t)-p(t)*d(t) (3)。
5.根据权利要求1所述的一种含分布式储能的主动配电网优化调度方法,其特征在于,步骤(5)中约束条件如下:
①负荷峰谷期的电价上下限约束为:
poff-peak≤ppeak≤pmax (4)
pmin≤pvalley≤poff-peak (5)
②峰谷电价比满足约束条件为:
③将用户用电方式满意度指标MS和电费支出满意度指标MP作为用电侧参与需求响应的约束条件:
④用电方式满意度:
⑤电费支出满意度:
式中,d0(t)和d(t)分别为不参与需求响应时和参与电价响应后t时段内的负荷量,C0(t)和C(t)分别为不参与需求响应前和参与电价响应后t时段内的购电费用,当mp,pin为1时用户参与需求响应前后整个T时间段内费用支出不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045867.9A CN112734116A (zh) | 2021-01-14 | 2021-01-14 | 一种含分布式储能的主动配电网优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045867.9A CN112734116A (zh) | 2021-01-14 | 2021-01-14 | 一种含分布式储能的主动配电网优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734116A true CN112734116A (zh) | 2021-04-30 |
Family
ID=75592894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110045867.9A Pending CN112734116A (zh) | 2021-01-14 | 2021-01-14 | 一种含分布式储能的主动配电网优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734116A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256446A (zh) * | 2021-05-31 | 2021-08-13 | 华南理工大学 | 考虑数据缺失的信息物理融合的配电网鲁棒优化调度方法 |
CN114123213A (zh) * | 2022-01-24 | 2022-03-01 | 武汉大学 | 一种电网的时空功率均衡方法及系统 |
CN117709651A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 一种区域电网多点布局储能系统规划配置方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106058855A (zh) * | 2016-06-16 | 2016-10-26 | 南京工程学院 | 协调储能与柔性负荷的主动配电网多目标优化调度方法 |
CN108565902A (zh) * | 2018-04-27 | 2018-09-21 | 武汉大学 | 一种基于光储协调优化的户用型能量调度方法 |
-
2021
- 2021-01-14 CN CN202110045867.9A patent/CN112734116A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106058855A (zh) * | 2016-06-16 | 2016-10-26 | 南京工程学院 | 协调储能与柔性负荷的主动配电网多目标优化调度方法 |
CN108565902A (zh) * | 2018-04-27 | 2018-09-21 | 武汉大学 | 一种基于光储协调优化的户用型能量调度方法 |
Non-Patent Citations (1)
Title |
---|
程庭莉: "含分布式储能的主动配电网多目标优化调度方法研究", 中国博士学位论文全文数据库工程科技Ⅱ辑, no. 4, pages 042 - 121 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256446A (zh) * | 2021-05-31 | 2021-08-13 | 华南理工大学 | 考虑数据缺失的信息物理融合的配电网鲁棒优化调度方法 |
CN113256446B (zh) * | 2021-05-31 | 2021-10-15 | 华南理工大学 | 考虑数据缺失的信息物理融合的配电网鲁棒优化调度方法 |
CN114123213A (zh) * | 2022-01-24 | 2022-03-01 | 武汉大学 | 一种电网的时空功率均衡方法及系统 |
CN117709651A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 一种区域电网多点布局储能系统规划配置方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110350523B (zh) | 基于需求响应的多能源互补优化调度方法 | |
CN112734116A (zh) | 一种含分布式储能的主动配电网优化调度方法 | |
Wang et al. | Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage | |
Li et al. | A novel bi-level robust game model to optimize a regionally integrated energy system with large-scale centralized renewable-energy sources in Western China | |
CN106026152A (zh) | 一种电动汽车接入微电网的充放电调度方法 | |
CN106058855A (zh) | 协调储能与柔性负荷的主动配电网多目标优化调度方法 | |
CN109740786A (zh) | 一种多端柔性互联配电网规划方法及系统 | |
CN108551176B (zh) | 一种结合储能均衡技术的储能电池系统容量配置方法 | |
CN114243791A (zh) | 风光氢蓄系统的多目标优化配置方法、系统及存储介质 | |
CN115545290A (zh) | 一种含光伏发电配电网中的分布式储能经济优化配置方法 | |
CN114142517B (zh) | 光蓄充一体化系统与电网并网运行的控制方法 | |
CN116667325A (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
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 | |
CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
CN109638837B (zh) | 一种面向新能源并网的动态负载管理方法及系统 | |
CN115693793B (zh) | 一种区域微电网能源优化控制方法 | |
CN103679292A (zh) | 一种智能微电网双电池电能协同优化方法 | |
CN110599032A (zh) | 一种灵活电源的深度斯坦伯格自适应动态博弈方法 | |
Jin et al. | Research on energy management of microgrid in power supply system using deep reinforcement learning | |
CN116979611A (zh) | 一种源网荷储分层优化调度方法 | |
CN110766285A (zh) | 一种基于虚拟电厂的日前能源调度方法 | |
CN113158412B (zh) | 一种基于布谷鸟算法的光储电站协同优化方法 | |
CN115940284A (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
CN115021336A (zh) | 一种面向高比例新能源电力系统惯量不足场景的优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |