CN112821432B - 一种风光接入下储能系统的双层多位置配置方法 - Google Patents
一种风光接入下储能系统的双层多位置配置方法 Download PDFInfo
- Publication number
- CN112821432B CN112821432B CN202110338537.9A CN202110338537A CN112821432B CN 112821432 B CN112821432 B CN 112821432B CN 202110338537 A CN202110338537 A CN 202110338537A CN 112821432 B CN112821432 B CN 112821432B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- output
- storage system
- cost
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000002245 particle Substances 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000010977 unit operation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 33
- 238000010248 power generation Methods 0.000 claims description 18
- 238000002347 injection Methods 0.000 claims description 17
- 239000007924 injection Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002441 reversible effect Effects 0.000 claims description 11
- 230000013016 learning Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 239000002699 waste material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 208000037516 chromosome inversion disease Diseases 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000012887 quadratic function Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 106
- 230000008901 benefit Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 239000000243 solution Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风光接入下储能系统的双层多位置配置方法,包括:考虑以储能系统规划成本、电网损耗成本和电网日常运行成本最小为外层目标函数,以机组运行成本、弃风弃光成本和储能系统综合成本最小为内层目标函数,建立主从递阶的双层规划模型,其中,外层决策层对内层决策层处于主导地位;对外层采用改进粒子群算法进行求解,获取外层决策层中储能系统的地点选择和容量配置,对内层采用CPLEX进行求解,获取内层决策层中机组的启停决策和经济调度,实现多位置的配置。本发明通过建立双层规划模型,求解出储能系统的容量和位置,减少弃风弃光现象,改善机组的启停和运行,提高机组的经济性,降低系统的运行成本。
Description
技术领域
本发明涉及新能源系统协调优化的技术领域,尤其涉及一种风光接入下储能系统的双层多位置配置方法。
背景技术
近年来,为大力发展可再生能源和新能源,实现碳达峰、碳中和,风电与光伏发电接入电网的比例日益增加,但是由于缺乏集中的调度与管理使得与目前电网存在一定的矛盾,主要为电力调峰、弃风弃光、系统稳定性问题。
此外,大容量储能技术发展迅速,其双向功率转变的特性实现能量的时空平移,为缓解大规模新能源并网带来的一系列问题提供解决方法。储能系统的建设不仅涉及到规划问题,更与短期的运行息息相关,现有技术中很少能够全面从经济性上分析最优的配置策略,随着我国电力市场化逐渐推进,储能系统将会深度参与到一系列的电力辅助服务中去,因此需要能够从规划和运行下综合考虑各项成本和收益。
发明内容
发明目的:针对现有技术中储能系统没有同时兼顾长期规划和短期运行成本从而引发弃风弃光现象的缺陷,本发明公开了一种风光接入下储能系统的双层多位置配置方法,通过建立双层规划模型,求解出储能系统的容量和位置,减少弃风弃光现象,改善机组的启停和运行,提高机组的经济性,降低系统的运行成本。
技术方案:为实现上述技术目的,本发明采用以下技术方案。
一种风光接入下储能系统的双层多位置配置方法,包括以下步骤:
S1、建立主从递阶的双层规划模型:考虑以储能系统规划成本、电网损耗成本和电网日常运行成本最小为外层目标函数,以机组运行成本、弃风弃光成本和储能系统综合成本最小为内层目标函数,建立主从递阶的双层规划模型,其中,外层决策层和内层决策层具有各自的目标函数和约束条件,外层决策层通过自己的目标函数去引导内层决策层,不直接干涉内层决策层,内层决策层在自己范围内决策;
S2、模型求解:对外层采用改进粒子群算法进行求解,获取外层决策层中储能系统的地点选择和容量配置,对内层采用CPLEX进行求解,获取内层决策层中机组的启停决策和经济调度,实现双层多位置的配置;
S3、配置方案设定:针对具体仿真模型或实例,设定储能系统的个数,经步骤S1和步骤S2进行模型建立和求解,得到相应最优的储能配置方案,并分析在不同配置方案下的经济性和电力系统运行状况。
优选地,步骤S1外层目标函数中的电网日常运行成本即为内层目标函数,是连接双层规划模型中内外决策层的关键变量,用于实现调度周期内满足负荷要求下最优的发电计划;即储能系统的地点选择和容量配置影响机组的计划出力。
优选地,所述步骤S1中外层目标函数公式为:
其中,Ctotal为电网系统总成本,CE,inves为储能系统规划成本,CN,loss为电网系统损耗成本,Cope为电网系统日常运行成本,即内层目标函数,CE,pre和CE,lat分别为储能系统前期投资成本和后期维护成本,PE和EE分别为储能系统规划最大功率和最大容量,η、Cσ和Cτ分别为功率容量转换系数、单位容量投资成本和维护成本,Tlife为储能系统预期寿命,Aloss为网络损耗电量,ρ为实时网损电价。
优选地,所述步骤S1中外层决策层的约束条件为:
其中,Pgi、Pwi、PEi、PPi、PLi分别为节点i处的火电机组有功功率注入、风电机组有功功率注入、储能系统有功功率注入、光伏有功功率注入和有功负荷;Qgi、Qwi、QEi、QPi、QLi分别为节点i处的火电机组无功功率注入、风电机组无功功率注入、储能系统无功功率注入、光伏无功功率注入和无功负荷;Ui和Uj分别为节点i、节点j的电压,Gij和Bij分别为节点i和节点j导纳矩阵对应的实部与虚部,θij为节点i和节点j之间的相位差,和分别为节点i的电压允许的最小值和最大值,和分别为节点i的电压相位允许的最小值和最大值,θi为节点i的电压相位;Pg、Qg、分别为火电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pw、Qw、分别为风电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pp、Qp、分别为光伏有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;PE、QE、分别为储能系统有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力,为储能系统最小容量,与储能系统类型有关,为储能系统最大容量,Es为储能系统容量。
优选地,所述步骤S1中内层目标函数公式为:
其中,Cgen为机组成本,Cw,loss、Cp,loss分别为弃风成本、弃光成本,CE为储能系统综合成本,fft(pg)、fst(pg)分别为火电机组运行成本和启停成本,uzt为火电机组z在t时刻机组的运行状态,Ng为系统中火电机组的数量,az、bz、cz分别为二次成本系数、一次成本系数和常数成本系数,Sstart、Soff分别为机组启动和停机成本,Nw、Np分别为接入的风电机组和光伏系统个数,λwloss、λploss分别为弃风、弃光惩罚价格,Pwxt分别为风电机组预测出力与t时间段内实际平均出力,Pplt分别为光伏预测出力与t时间段内实际平均出力,Δt为内层优化层时间间隔单位,Cs,dis、Cs,ch、Ca和分别为储能系统放电收益、充电支出成本、参与调峰的补偿收益和功率损耗成本,mt、ma分别为对应时刻下的电价和调峰补偿价格;NE、T分别是储能系统的个数和调度周期,Pkt,dis、Pkt,ch分别是对应储能系统和时刻下的放电功率和充电功率;Ploss,t分别是储能系统配置前后风光发电的弃电量,为功率损耗成本。
优选地,所述步骤S1中内层决策层的约束条件为:
其中,Ng、Nw、Np、NE分别为接入电网中火电机组、风电机组、光伏发电系统和储能系统个数,Pgzt、Pwkt、Pplt、PEkt、PLt分别为t时刻的相应火电机组有功功率注入、风电机组有功功率注入、储能有功功率注入、光伏有功功率注入和有功负荷,Xt为系统旋转备用容量,分别为火电机组z的最小出力和最大出力,分别为火电机组z的下坡和上坡的功率约束值;Uz,t、分别为火电机组z的状态变量、火电机组z的最小连续运行时间和停机时间,分别为风电机组和光伏发电预测功率,Pg、Qg、分别为火电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pw、Qw、分别为风电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pp、Qp、分别为光伏有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;PE、QE、分别为储能系统有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力,为储能系统最小容量,与储能系统类型有关,为储能系统最大容量,Es为储能系统容量。
优选地,所述步骤S2中改进粒子群算法为引入精英反向学习的动态惯性调整粒子群算法,即在前后期迭代过程中通过计算反向点来转向不同的搜索能力和提高粒子的多样性,同时规避过多的计算。
优选地,所述动态惯性调整的计算公式为:
其中,ω为惯性权重,k、kmax分别为迭代次数和最大迭代次数,ωmin、ωmax为惯性最小取值和最大取值,r为随机函数。
优选地,所述精英反向学习的计算公式为:
其中,为适应度前10%粒子中第j维信息;分别为的最小取值和最大取值,为适应度排在前10%的粒子种群中一个适应度较优的粒子信息,为反向点。
优选地,所述步骤S2中内层采用CPLEX进行求解,包括对二次函数进行线性化出力,其计算公式为:
式中,pg、Pmin、Pmax为火电机组的出力、最小出力和最大出力,M为分段数,a、b、c为火电机组的发电参数,km为m段线性函数斜率,pn,m为在第m段线性区间n时间段火电机组出力,Pm和Pm-1分别为第m段线性区间、第m-1段线性区间内火电机组出力。
有益效果:本发明通过建立双层规划模型,可以实现从经济性上分析储能系统的配置策略;在清晰衡量配置储能系统后,通过对电力系统总成本、运行成本、弃风弃光成本、储能系统综合成本和网损成本的具体经济指标变化的优化,从而得到储能系统配置最佳容量和最佳位置和最佳数量。
本发明对比无储能系统配置的情景,储能系统配置有效减少弃风弃光现象,改善机组的启停和运行,提高机组的经济性,另外储能的收益优势明显,继而降低系统的运行成本。
此外,本发明对比单储能配置方案,得到的最佳多位置储能配置方案能够从全网总成本角度和运行成本角度根据实际的规划需求决定何种多位置储能配置方案最佳。
附图说明
图1是本发明的方法流程图;
图2是本发明的模型结构框图;
图3为本发明的CPLEX求解分段线性化示意图;
图4为本发明的模型求解流程图;
图5为本发明实施例中的系统结构示意图;
图6为本发明实施例中未配置储能系统时机组启停情况示意图;
图7为本发明实施例中未配置储能系统时机组出力情况示意图;
图8为本发明实施例中未配置储能系统时电源出力情况示意图;
图9为本发明实施例中配置储能系统时弃风弃光与网损情况示意图;
图10为本发明实施例中双储能系统配置时机组启停情况示意图;
图11为本发明实施例中双储能系统配置时机组出力情况示意图;
图12为本发明实施例中双储能系统配置时储能系统功率和SOC变化示意图。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明的一种风光接入下储能系统的双层多位置配置方法做进一步详细描述。
本发明公开了一种风光接入下储能系统的双层多位置配置方法,如附图1所示,本发明提出了能够符合长期和短期经济性的双层储能选址定容模型。所提模型中,外层以考虑规划成本、电网损耗、日常运行成本最小为目标,内层以考虑机组运行成本、弃风弃光成本、储能系统损耗和收益成本最优为目标。外层使用改进粒子群算法求解,内层选用CPLEX进行求解,模型选用经改进的IEEE39节点系统进行仿真验证,并且从单位置到多位置布置储能系统进行分析优劣,实施例中验证了本发明中所述模型和方法的有效性。需要说明的是,本发明中所提到的机组包括火电机组和新能源机组,其中新能源机组包括风电机组和光伏系统。
双层规划是一种具有主从递阶关系的数学模型,外层决策对内层决策行使控制和引导权,内层决策层在外层决策前提下行使一定的决策权,内层决策层相较于外层决策层属于从属地位。外层决策层只负责通过自己的目标函数去引导内层决策层,不直接干涉内层决策层,内层决策层在自己范围内决策。双层规划的数学模型如下:
其中,F(x,y)为外层的目标函数,f(x,y)为内层的目标函数,G(x,y)为外层的约束条件,g(x,y)为内层的约束条件。
如附图1和附图2所示,外层以考虑储能系统规划成本、电网损耗成本、电网日常运行成本最小为目标,内层以考虑机组协调发电成本、弃风弃光成本、储能系统损耗成本和储能系统收益成本最优为目标。外层的约束条件包括静态潮流约束、节点电压约束、机组出力约束、储能系统出力约束、储能系统容量约束;内容的约束条件包括功率平衡约束、旋转备用约束、机组出力约束和储能系统容量约束。
外层优化问题的决策量影响最优潮流的分布,而内层优化问题由于外层决策量影响使得日常调度计划发生变化,内外层优化问题因储能配置的不同相互影响相互作用。
(一)模型的构建
1、外层规划模型
外层的决策量为储能系统的地点和容量配置。
1.1、目标函数
min Ctotal=CE,inves+CN,loss+Cope (2)
其中,Ctotal为电网系统总成本,CE,inves为储能系统规划成本,CN,loss为电网损耗成本,Cope为电网日常运行成本。
(1)储能系统规划成本
储能系统在设计、研制、生产、投资、购置、运行整个过程成本可以概括为初期投资成本和后期维护成本。初期建设成本通常与储能的最大功率与最大容量相关,后期维护成本与初期容量成本成比例关系,将储能规划成本归化到同一时间尺度,引入预期寿命,其计算公式为:
其中,CE,pre和CE,lat分别为前期投资成本和后期维护成本,PE和EE分别为储能规划最大功率和最大容量,η、Cσ和Cτ分别为功率容量转换系数,单位容量投资成本和维护成本,Tlife为储能系统预期寿命。
(2)电网损耗成本
电能在传输过程中产生能量损耗,网络损耗相比总发电量很小,但是随着总用电量和时间推移致使占据较大成本,网络损耗受网络架构和运行方式影响。
CN,loss=ρAloss (4)
其中,Aloss为网络损耗电量,由潮流计算得到,ρ为实时网损电价。
(3)电网日常运行成本
电网的运行成本为内层优化的目标函数,是连接内外层模型的关键变量,体现在调度周期内能够满足负荷需求下最优的发电计划,储能系统建设将会影响火电机组和新能源机组的计划出力。具体将在内层规划模型中进行讨论。
1.2、约束条件
(1)静态潮流约束
静态潮流约束体现外层规划中储能配置不同则潮流分布不同,对应系统中的损耗会随着储能配置不同而改变。在t时刻时间断面下潮流约束表达为公式(5)所示,目前储能,光伏风电都有稳压装置,因此视为PV节点。
其中,Pgi、Pwi、PEi、PPi、PLi分别为节点i处的火电机组有功功率注入、风电机组有功功率注入、储能系统有功功率注入、光伏有功功率注入和有功负荷;Qgi、Qwi、QEi、QPi、QLi分别为节点i处的火电机组无功功率注入、风电机组无功功率注入、储能系统无功功率注入、光伏无功功率注入和无功负荷;Ui和Uj分别为节点i、节点j的电压,Gij和Bij分别为节点i和节点j导纳矩阵对应的实部与虚部,θij为节点i和节点j之间的相位差,i和j分别为电力系统中节点i和节点j。
(2)节点电压和相位约束
其中,Ui、θi分别为节点i电压值和电压相位值,和分别为节点i的电压允许的最小值和最大值,和分别为节点i的电压相位允许的最小值和最大值。
(3)机组、风电、光伏和储能系统出力约束
电网中机组的出力约束与机组特性参数有关,风机和光伏的出力约束依据风电和光伏预测功率计算,储能的最大功率出力与储能系统自身的容量相关,一般储能的功率能量比为0.5。在当出力超出上下限时视为此次优化存在不合理,进入下一次的迭代优化,不考虑PV节点与PQ节点之间的转换。
其中,Pg、Qg、分别为火电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pw、Qw、分别为风电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pp、Qp、分别为光伏有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;PE、QE、分别为储能系统有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力。
(4)储能系统容量约束
储能系统最大容量配置是连接内外层优化的关键决策变量,一方面储能容量大小影响最优潮流的分布,一方面关系着各机组的协调出力。
其中,为储能系统最小容量,与储能系统类型有关;为储能系统最大容量,Es为储能系统的容量。
2、内层运行模型
在外层优化的基础上考虑内层的运行问题,实际上储能系统容量有限相较于其他电源出力占比很小,由此储能系统的运行成本可以忽略不计。频繁的充放电会影响储能系统的寿命因此考虑储能的寿命成本,内层问题可视为以机组组合问题为基础进一步考虑风光储合理出力的成本问题。
2.1、目标函数
内层运行优化层的目标函数为考虑机组的协调出力和减少弃风弃光损失和计及储能损耗的储能收益综合效益最优,目标函数表达如下:
min Cope=Cgen+Cw,loss+Cp,loss+CE (9)
其中,Cgen为机组成本;Cw,loss、Cp,loss分别为弃风成本、弃光成本;CE为储能系统综合成本。
(1)机组成本
机组的成本包括机组的运行成本和启停成本,其中机组的运行成本用二次函数表示,机组的启停成本与机组类别密切相关。
其中,fft(pg)、fst(pg)分别为火电机组运行成本和启停成本;uzt为火电机组z在t时刻机组的运行状态,其中,值为1代表开启,值为0代表停机;Ng为系统中火电机组的数量;T为储能系统的调度周期;az、bz、cz分别为二次成本系数、一次成本系数、常数成本系数;Sstart、Soff分别为火电机组启动和停机成本。
(2)弃风弃光成本
消纳风电和光伏发电可以有效减少不可再生能源的消耗,由于光伏风电具有明显的时空特征,应该协调火电机组出力进行科学弃风弃光,为了提高新能源的渗透率将弃风弃光计入运行成本。
其中,Nw、Np分别为接入的风电机组和光伏系统的个数;λwloss、λploss分别为弃风、弃光惩罚价格;Pwxt分别为风电机组预测出力与t时间段内实际平均出力;Ppnt分别为光伏预测出力与t时间段内实际平均出力;Δt为内层优化层时间间隔单位,T为储能系统的调度周期。
(3)储能系统综合收益
储能系统的综合成本为:
CE=Cs,ch+Cs,loss-Cs,dis-Ca (12)
其中,Cs,ch、Cs,loss、Cs,dis和Ca分别为储能系统充电支出成本、损耗成本、放电收益和参与调峰的补偿收益。
储能系统接入电网所带来的收益受政策影响,目前接入电网侧储能的盈利方式主要来源于调峰辅助补偿和利用峰谷分时电价进行套利,本发明采用调频里程补偿量化辅助服务带来的经济效益。
其中,Cs,dis、Cs,dis、Ca分别为储能系统放电收益、充电支出成本和参与调峰的补偿收益;mt、ma分别为对应时刻下的电价和调峰补偿价格;NE、T分别是储能系统的个数和调度周期;Pkt,dis、Pkt,ch分别为对应储能系统和时刻下的放电功率和充电功率;Ploss,t分别为储能系统配置前后风光发电的弃电量。
储能系统频繁充放电会加快储能电池模块的损耗,将储能损耗成本Cs,loss计入运行成本更贴合实际,采用基于交换功率的寿命模型去评估储能系统每次充放电的损耗成本:
其中,为功率损耗成本。
1.2、约束条件
(1)有功功率约束
其中,Ng、Nw、Np、NE分别为接入电网中火电机组、风电机组、光伏发电系统和储能系统个数,Pgzt、Pwxt、Pplt、PEkt、PLt分别为t时刻的相应火电机组有功功率注入、风电机组有功功率注入、储能有功功率注入、光伏有功功率注入和有功负荷。
(2)旋转备用约束
其中,分别为火电机组z的最小出力和最大出力,Xt为系统旋转备用容量。
(3)火电机组技术约束
电网中机组的出力约束与机组特性参数有关,风机和光伏的出力约束依据风电和光伏预测功率,储能的最大功率出力与容量相关,一般储能的功率能量比为0.5。在当出力超出上下限时视为此次优化存在不合理,进入下一次的迭代优化,不考虑PV节点与PQ节点之间的转换。
其中,分别为火电机组z的最小出力和最大出力;分别为火电机组z的下坡和上坡的功率约束值,Uz,t、Uz,t-1分别为当前时刻和前一时刻火电机组z的状态变量,其值为0或1,其中0代表暂停,1代表启动,分别为当前时刻火电机组z的最小连续运行时间和停机时间,分别为前一时刻火电机组z的最小连续运行时间和停机时间。
(4)风力和光伏系统的功率约束
其中,分别为风电机组和光伏发电预测功率,Pwt、Ppt分别为当前风力发电和光伏发电实际功率。
储能系统的功率约束和容量约束同外层规划层相同,此处不再赘述。
本发明通过建立双层规划模型,结合电网规模和衡量总成本后综合对储能位置和容量进行选定,求解出储能系统的容量和位置,对比无储能系统配置时的情景,储能系统配置有效减少弃风弃光现象,改善机组的启停和运行,提高机组的经济性,另外储能的收益优势明显,继而降低系统的运行成本。
(二)模型的求解
本发明中模型求解流程图如附图4所示.
1、改进粒子群算法
外层规划层的决策量为储能系统的地点选择和容量配置,其中地点选择为整数变量,储能系统的容量配置为连续变量,在引入算法对储能配置进行寻优时对位置参数进行取整操作,粒子群算法依靠种群优势具有一定的优势,鉴于粒子群算法收敛速度和寻优效率上的局限,对粒子群算法进行改进,其中标准粒子群算法的速度和位置更新规则如下:
其中,i、j、k分别为粒子个数、维度和迭代次数,v、x分别为粒子速度和位置,ω、c1、c2分别为惯性权重、自我学习因子和社会学习因子,pbest,ij、Gbest,ij分别为自身最优位置和全局最优位置,r1、r2分别为随机函数。
种群速度主要受惯性权重和学习因子参数影响,学习因子影响多维度寻优效率,本发明中的变量较少,因此设置学习因子为固定值。惯性权重影响搜索范围和搜索速度,惯性权重大小与全局搜索能力正相关,提出动态调整惯性权重可以在前后期转向不同的搜索能力。
其中,ω为惯性权重,k、kmax分别为迭代次数和最大迭代次数;ωmin、ωmax分别为惯性最小取值和最大取值,r为随机函数,取值范围为0至1。
为了提高粒子的多样性避免陷入局部最优引入反向学习机制,同时规避因反向学习带来过多的计算应用精英筛选思想只对适应度排在前10%的粒子求其反向位置,设种群中一个适应度较优的粒子信息为经反向学习机制得到反向点
式中,为适应度前10%粒子中第j维信息;分别为的最小取值和最大取值。
2、YALMIP与CPLEX求解器
内层运行层的目标函数包含机组的运行成本,其中的机组组合问题涉及机组的启停决策和经济调度,是一个离散非凸的混合整数非线性规划问题,目前没有快速求解的算法。CPLEX可以实现快速求解混合整数线性规划(MILP)问题,因此选择将机组组合问题中的二次函数进行线性化,对线性化进行求解可以达到快速求解的目的。如附图3所示,对公式(10)采取等段分段线性化处理。
0≤pn,m≤Pm-Pm-1,P0=Pmin,PM=Pmax (24)
其中,pg、Pmin、Pmax为火电机组的出力、最小出力和最大出力,M为分段数,a、b、c为火电机组的发电参数,km为m段线性函数斜率,pn,m为在第m段线性区间n时间段火电机组出力,Pm和Pm-1分别为第m段线性区间、第m-1段线性区间内火电机组出力。
YALMIP可以通过m语言实现对CPLEX工具的调用,实现了内外层优化解法的相互集成和调用。通过YALMIP调用CPLEX工具对各电源出力进行求解。
(三)配置方案设定
针对具体仿真模型或实例,设定储能系统的个数,经模型建立和求解,得到相应最优的储能配置方案,并分析在不同配置方案下的经济性和电力系统运行状况。在本发明的实施例中将给出分别配置1个、2个、3个储能系统时,经过模型建立和求解得到不同的最优储能配置方案。
本发明中设计不同储能数量的场景,经过模型的求解得到衡量经济性的指标,从而经过对比发现各经济指标的变化趋势来确定最佳的配置方案。本发明通过建立双层规划模型,可以实现从经济性上分析储能系统的配置策略;在清晰衡量配置储能系统后,通过对电力系统总成本、运行成本、弃风弃光成本、储能系统综合成本和网损成本的具体经济指标变化的优化,从而得到储能系统配置最佳容量和最佳位置和最佳数量。
本发明对比无储能系统配置的情景,储能系统配置有效减少弃风弃光现象,改善机组的启停和运行,提高机组的经济性,另外储能的收益优势明显,继而降低系统的运行成本。
此外,本发明对比单储能配置方案,得到的最佳多位置储能配置方案能够从全网总成本角度和运行成本角度根据实际的规划需求决定何种多位置储能配置方案最佳。
实施例
本实施例中将本发明的方法应用于仿真系统中,仿真系统基于某地区风电和光伏数据,将IEEE10机39节点模型进行改进,分别在23号和8号节点位置接入风力发电场和光伏发电场,功率出力为该地区下某典型日的预测功率。仿真系统的示意图如附图5所示,仿真参数设置见表1,各电源节点的出力机组电源参数见表2。
分时电价中高电价时段为10:00~13:00和19:00~21:00,其余时段为低电价。
设置不同数量的储能配置方案,按照所建立的模型进行储能系统位置和容量的求解,分析不同配置方案下的经济性和系统运行情况。
表1
表2
(1)无储能系统配置场景
当电网未配置储能系统时,外层目标函数转变为电网的运行成本和网损成本最小,内层优化层的目标函数依然为机组的运行成本和风电光伏的惩罚成本最小,该场景下各机组的启停情况如附图6所示,各机组每时刻的出力情况如附图7所示。
从附图6可以看出在给定典型日下共有9个机组参与到启停计划,机组D的平均煤耗率比较高,调度优先等级较低,所以机组D没有参与到系统的调度中。机组I和机组J属于装机容量较大的机组,相较于其他机组而言平均煤耗率较小,经济效益优于其他机组,因此在进行调度时优先等级比较高。同时可以从附图7可以明显看出机组I和机组J的功率出力大于其他机组的出力。
从附图8可以看出各电源出力情况,在一天时间内负荷的最低点出现在凌晨4点,负荷的最高点出现在中午13点。火电机组的出力趋势与负荷变化相似,火电机组仍承担绝大部分的功率出力,从附图8可以看出风电机组由于反调峰特性,在清晨4:00-5:00和晚上22:00-23:00出现弃风现象,由于光伏装机容量比较小并且光伏出力最大时刻与负荷最大点重合,因此没有出现弃光现象。
表3未配备储能时系统各成本结果
表3为未配备储能时系统各成本结果,从表3可以看出在所有成本中机组成本占据总成本的89%,通过改善机组的启停计划和减少弃风量可以减少火电机组功率出力一定程度上减少机组的运行成本,除此之外改善电网的潮流可以降低系统的网损成本从而减少电网的总成本。在未配置储能系统时,由于风电的反调峰特性,在电网中存在较大的弃风惩罚成本。
(2)配置储能场景
当电网配置储能时,规划布置不同数量的储能系统,经所提双层配置模型进行最优位置与容量的确定,不同储能数量规划下各配置具体信息和不同场景下收益如表4所示,在不同场景下弃风情况和网损变化如附图9所示:
表4
从表4可以看出,无论哪种储能配置方案对比未配置储能总成本都有所减少,储能的建设成本可以由储能的综合收益以及减少网损、弃风成本和机组运行成本弥补,所以建设储能从长期方向来看减少了系统的总成本。
从表4结合附图3可以看出配置的地点主要集中在距离风电接入点比较近的节点,主要是由于较远会带来更多的线路损耗,储能系统能够及时响应机组的充放电响应。
从表4还可以得到,随着要建设储能系统数量的增多,储能的投资额逐渐增大,虽然能够进一步减少运行成本和惩罚成本,减少的成本不足以支撑新增储能电站的投资成本,而且从图9看出减少的损耗效果不明显,因此结合运行和规划两个角度可以看出最优的配置方案为双储能配置。
以双储能配置下进行分析,机组的启停情况如附图10所示,各机组的出力情况如附图11所示,储能系统的容量变化和功率出力如附图12所示:
结合附图10和附图11可以看出由于储能系统能够在容量较为充裕的情况下响应较小负荷变化,因此可以有效改善机组的启停,并且由于充放电特性可改善机组的出力,从而降低机组的运行成本。
从附图12中两个储能系统在周期内充放电情况可以看出,储能系统能够实现在风电功率充裕的情况下充电,在用电高峰期放电,即能够保证储能系统的收益又可以达到最大化风电并网的目的。
本发明在新能源并入电网的场景下,从电网中各项成本出发建立双层规划模型求解储能系统的容量和位置,并且针对多位置储能情景进行了经济性分析,主要结论如下:
1)对比无储能系统配置时,储能系统配置能够有效改善减小弃风现象,改善机组的启停和运行提高机组的经济性,另外储能的收益优势明显,使得系统的运行成本降低。
2)通过多位置储能场景对比,储能系统数量的增大能够进一步提高电网的总体运行经济性,但是随着储能系统投资增加,考虑电网的总成本也随之增加,因此不能单方面的从运行成本考虑增加储能系统的配置,需要结合电网规模和衡量总成本后综合对储能位置和容量进行选定。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种风光接入下储能系统的双层多位置配置方法,其特征在于,包括以下步骤:
S1、建立主从递阶的双层规划模型:考虑以储能系统规划成本、电网损耗成本和电网日常运行成本最小为外层目标函数,以机组运行成本、弃风弃光成本和储能系统综合成本最小为内层目标函数,建立主从递阶的双层规划模型,其中,外层决策层和内层决策层具有各自的目标函数和约束条件,外层决策层通过自己的目标函数去引导内层决策层,不直接干涉内层决策层,内层决策层在自己范围内决策;所述步骤S1外层目标函数中的电网日常运行成本即为内层目标函数,是连接双层规划模型中内外决策层的关键变量,用于实现调度周期内满足负荷要求下最优的发电计划;即储能系统的地点选择和容量配置影响机组的计划出力;
S2、模型求解:对外层采用改进粒子群算法进行求解,获取外层决策层中储能系统的地点选择和容量配置,对内层采用CPLEX进行求解,获取内层决策层中机组的启停决策和经济调度,实现双层多位置的配置;
S3、配置方案设定:针对具体仿真模型或实例,设定储能系统的个数,经步骤S1和步骤S2进行模型建立和求解,得到相应最优的储能配置方案,并分析在不同配置方案下的经济性和电力系统运行状况,得到储能系统配置最佳容量、最佳位置、最佳数量;
所述步骤S1中外层目标函数公式为:
其中,Ctotal为电网系统总成本,CE,inves为储能系统规划成本,CN,loss为电网系统损耗成本,Cope为电网系统日常运行成本,即内层目标函数,CE,pre和CE,lat分别为储能系统前期投资成本和后期维护成本,PE和EE分别为储能系统规划最大功率和最大容量,η、Cσ和Cτ分别为功率容量转换系数、单位容量投资成本和维护成本,Tlife为储能系统预期寿命,Aloss为网络损耗电量,ρ为实时网损电价;
所沭步骤S1中内层目标函数公式为:
其中,Cgen为机组成本,Cw,loss、Cp,loss分别为弃风成本、弃光成本,CE为储能系统综合成本,fft(pg)、fst(pg)分别为火电机组运行成本和启停成本,uzt为火电机组z在t时刻机组的运行状态,Ng为系统中火电机组的数量,az、bz、cz分别为二次成本系数、一次成本系数和常数成本系数,Sstart、Soff分别为机组启动和停机成本,Nw、Np分别为接入的风电机组和光伏系统个数,λwloss、λploss分别为弃风、弃光惩罚价格,Pwxt分别为风电机组预测出力与t时间段内实际平均出力,Pplt分别为光伏预测出力与t时间段内实际平均出力,Δt为内层优化层时间间隔单位,Cs,dis、Cs,ch、Ca和分别为储能系统放电收益、充电支出成本、参与调峰的补偿收益和功率损耗成本,Cs,loss为储能损耗成本;mt、ma分别为对应时刻下的电价和调峰补偿价格;NE、T分别是储能系统的个数和调度周期,Pkt,dis、Pkt,ch分别是对应储能系统和时刻下的放电功率和充电功率;Ploss,t分别是储能系统配置前后风光发电的弃电量,Pgzt为t时刻的相应火电机组有功功率注入,为功率损耗成本。
2.根据权利要求1所述的一种风光接入下储能系统的双层多位置配置方法,其特征在于:所述步骤S1中外层决策层的约束条件为:
其中,Pgi、Pwi、PEi、PPi、PLi分别为节点i处的火电机组有功功率注入、风电机组有功功率注入、储能系统有功功率注入、光伏有功功率注入和有功负荷;Qgi、Qwi、QEi、QPi、QLi分别为节点i处的火电机组无功功率注入、风电机组无功功率注入、储能系统无功功率注入、光伏无功功率注入和无功负荷;Ui和Uj分别为节点i、节点j的电压,Gij和Bij分别为节点i和节点j导纳矩阵对应的实部与虚部,θij为节点i和节点j之间的相位差,和分别为节点i的电压允许的最小值和最大值,和分别为节点i的电压相位允许的最小值和最大值,θi为节点i的电压相位;Pg、 Qg、分别为火电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pw、Qw、分别为风电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pp、Qp、分别为光伏有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;PE、QE、分别为储能系统有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力,为储能系统最小容量,与储能系统类型有关,为储能系统最大容量,Es为储能系统容量。
3.根据权利要求1所述的一种风光接入下储能系统的双层多位置配置方法,其特征在于:所述步骤S1中内层决策层的约束条件为:
其中,Ng、Nw、Np、NE分别为接入电网中火电机组、风电机组、光伏发电系统和储能系统个数,Pgzt、Pwkt、Pplt、PEkt、PLt分别为t时刻的相应火电机组有功功率注入、风电机组有功功率注入、储能有功功率注入、光伏有功功率注入和有功负荷,Xt为系统旋转备用容量,分别为火电机组z的最小出力和最大出力, 分别为火电机组z的下坡和上坡的功率约束值;Uz,t、分别为火电机组z的状态变量、火电机组z的最小连续运行时间和停机时间,分别为风电机组和光伏发电预测功率,Pg、Qg、分别为火电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pw、Qw、分别为风电机组有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;Pp、Qp、分别为光伏有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力;PE、QE、分别为储能系统有功出力、有功最小出力、有功最大出力、无功出力、无功最小出力、无功最大出力,为储能系统最小容量,与储能系统类型有关,为储能系统最大容量,Es为储能系统容量。
4.根据权利要求1所述的一种风光接入下储能系统的双层多位置配置方法,其特征在于:所述步骤S2中改进粒子群算法为引入精英反向学习的动态惯性调整粒子群算法,即在前后期迭代过程中通过计算反向点来转向不同的搜索能力和提高粒子的多样性,同时规避过多的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338537.9A CN112821432B (zh) | 2021-03-30 | 2021-03-30 | 一种风光接入下储能系统的双层多位置配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338537.9A CN112821432B (zh) | 2021-03-30 | 2021-03-30 | 一种风光接入下储能系统的双层多位置配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112821432A CN112821432A (zh) | 2021-05-18 |
CN112821432B true CN112821432B (zh) | 2023-05-02 |
Family
ID=75863619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338537.9A Active CN112821432B (zh) | 2021-03-30 | 2021-03-30 | 一种风光接入下储能系统的双层多位置配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112821432B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123219B (zh) * | 2021-12-01 | 2023-08-29 | 东南大学 | 一种农村台区电压及线损问题的治理方法 |
CN114938011B (zh) * | 2022-07-07 | 2022-10-14 | 中国长江三峡集团有限公司 | 一种考虑储能优化配置的风光火储系统联合运行方法 |
CN117200342A (zh) * | 2023-09-06 | 2023-12-08 | 上海勘测设计研究院有限公司 | 跨时间尺度的风光储一体化运行方法、系统、介质及装置 |
CN117559507B (zh) * | 2024-01-04 | 2024-05-24 | 武汉理工大学 | 一种构网型储能电站定容选址优化配置方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492815B (zh) * | 2018-11-15 | 2021-05-11 | 郑州大学 | 一种市场机制下面向电网的储能电站选址定容优化方法 |
CN110502814B (zh) * | 2019-08-09 | 2023-07-21 | 国家电网有限公司 | 考虑储能和负荷管理技术的主动配电网多目标规划方法 |
-
2021
- 2021-03-30 CN CN202110338537.9A patent/CN112821432B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112821432A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112821432B (zh) | 一种风光接入下储能系统的双层多位置配置方法 | |
CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
CN110826880B (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
CN107482690B (zh) | 风电与电动汽车协同调度的电力系统调度优化方法及系统 | |
CN112734098A (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
CN114597969B (zh) | 计及智能软开关和虚拟电厂技术的配电网双层优化方法 | |
CN115907240B (zh) | 计及互补互济运行特性的电网多类型调峰资源规划方法 | |
CN111697578A (zh) | 多目标含储能区域电网运行控制方法 | |
CN111737884A (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN115036914B (zh) | 考虑灵活性与新能源消纳的电网储能双层优化方法及系统 | |
CN112085327B (zh) | 一种配电商参与的主动配电网多层分区调控方法及系统 | |
CN111884263A (zh) | 多目标配电网优化方法 | |
CN116365506A (zh) | 含分布式光伏主动配电网节能降损优化方法及系统 | |
CN111641233A (zh) | 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法 | |
CN116760008A (zh) | 一种考虑负荷特性的多时间尺度有功无功协调调度方法 | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法 | |
CN112699562A (zh) | 一种构建配电网架构的方法及终端 | |
CN115800276B (zh) | 一种考虑机组爬坡的电力系统应急调度方法 | |
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 | |
CN115663791A (zh) | 基于运行环境时变性的智能配电网多目标自适应调度方法 | |
CN114399162A (zh) | 一种基于能源调度时间自适应变化的滚动优化调度方法 | |
Haiyun et al. | Optimal Capacity Allocation Method of Multi-types of Energy Storage for Wind Power Plant | |
Tao et al. | Aggregating Energy Storage in Virtual Power Plant and Its Application in Unit Commitment | |
Wang et al. | SOURCE-GRID COLLABORATED OPTIMAL DISPATCHING APPROACH BASED ON VIRTUAL POWER PLANT |
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 |