CN113255129A - 增量式配电网双层随机优化运行方法及系统 - Google Patents

增量式配电网双层随机优化运行方法及系统 Download PDF

Info

Publication number
CN113255129A
CN113255129A CN202110566403.2A CN202110566403A CN113255129A CN 113255129 A CN113255129 A CN 113255129A CN 202110566403 A CN202110566403 A CN 202110566403A CN 113255129 A CN113255129 A CN 113255129A
Authority
CN
China
Prior art keywords
power
distribution network
power distribution
layer
price
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
Application number
CN202110566403.2A
Other languages
English (en)
Inventor
邓博雅
张迎
张平康
周小飞
吕辉
唐栋君
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.)
Nari Information and Communication Technology Co
Original Assignee
Nari Information and Communication Technology Co
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 Nari Information and Communication Technology Co filed Critical Nari Information and Communication Technology Co
Priority to CN202110566403.2A priority Critical patent/CN113255129A/zh
Publication of CN113255129A publication Critical patent/CN113255129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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]
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种增量式配电网双层随机优化运行方法及系统，包括：获取设定场景下可调度单位和储能设备的运营成本、配电网运营商与电力批发市场间交换功率与分时电价、可调度机组和储能设备的预备存储功率及存储价格信息，以增量配电网的总运营成本最低为目标，构建配电网上层优化模型；获取设定场景下DSO和MGO之间的外汇储备双边合约费率、MGO和零售市场之间的交换功率、零售市场电力价格、EV的充放电速率和充放电价格信息，以自治MGO的利润最大化为目标，构建配电网下层优化模型；将上述双层优化问题转换成单层优化问题进行求解，得到配电网优化运行策略。本发明方法适用于存在多参与主体的状况下，实现增量配电网的最优调度及经济运行。

Description

增量式配电网双层随机优化运行方法及系统
技术领域
本发明涉及配电网优化技术领域，尤其涉及一种增量式配电网双层随机优化运行方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着“碳中和”时代的到来，大量高比例可再生能源将接入电网，使得增量配电网的安全稳定运行成为未来电力系统的主要挑战之一。随着新一轮电力体质改革的日趋深入，增量配电网已经成为更能适应市场多元化竞争格局的新一代配电系统。其多元化、开放性、配售一体化的特点，更能符合当前新能源建设需求，并将在未来能源体质革命中发挥重要的支撑作用。
随着分布式能源的大量渗入，增量配电网已从传统的无源配电系统转变为有源配电系统(Active Distribution Systems,ADS)。作为一个开放性的市场，增量配电网允许包含风电、光伏等新能源及储能系统的微电网接入并参与市场竞争。然而，不同传统存量配电系统，作为私有实体的微电网在不同时期容量可变，其发电量将由其市场盈利行为决定。此时，配电系统运营商的运营成本与各参与方市场收益间的博弈已成为新一代增量配电系统运行的主要矛盾。
为解决上述矛盾，运营商必须以更为有效的方式与各电力参与者进行互动和交易。而运营商与发电商之间的利益博弈使得配电网优化过程变得相当复杂。
现有的双层优化模型中，没有研究配电网约束下的能源和备用同时调度问题。另一方面，在所提供的框架下，ADS的自主经营者不被允许参与零售市场等不同的电力市场。此外，在以往的工作中，尚未研究依赖的生态友好型IPL 对独立MGO的优化运行的影响。
发明内容
为了解决上述问题，本发明提出了一种增量式配电网双层随机优化运行方法及系统，基于双层随机优化模型，利用上层优化为运营商提供配电网最佳调配策略，利用下层优化为发电商争取最大利益。
为了实现上述目的，在一些实施方式中，采用如下技术方案：
一种增量式配电网双层随机优化运行方法，包括：
获取设定场景下可调度单位和储能设备的运营成本、配电网运营商与电力批发市场间交换功率与分时电价、可调度机组和储能设备的预备存储功率及存储价格信息，以增量配电网的总运营成本最低为目标，构建配电网上层优化模型；
获取设定场景下DSO和MGO之间的外汇储备双边合约费率、MGO和零售市场之间的交换功率、零售市场电力价格、EV的充放电速率和充放电价格信息，以自治MGO的利润最大化为目标，构建配电网下层优化模型；
将上述双层优化问题转换成单层优化问题进行求解，得到配电网优化运行策略。
作为进一步地方案，构建配电网上层优化模型，具体为：
Figure RE-GDA0003124503270000021
其中，
Figure RE-GDA0003124503270000031
分别是指在场景s中，t时刻上层优化可调度单位和储能设备的运营成本；
Figure RE-GDA0003124503270000032
分别是指在场景s中，t时刻配电网运营商与电力批发市场间交换功率与分时电价；
Figure RE-GDA0003124503270000033
分别是指在场景s中，t时刻配电网与微电网间交换功率，
Figure RE-GDA0003124503270000034
为分时交换价格；
Figure RE-GDA0003124503270000035
分别是指在场景s中，t时刻配电网与微电网间交换的存储功率，
Figure RE-GDA0003124503270000036
为分时交换价格；
Figure RE-GDA0003124503270000037
Figure RE-GDA0003124503270000038
分别为场景s中，上层优化第i个可调度机组在t时刻的预备存储功率及存储价格；
Figure RE-GDA0003124503270000039
分别为场景s中，上层优化第j个储能设备在t时刻的预备存储功率及存储价格。
作为进一步地方案，所述配电网上层优化模型将配电网与电力批发市场交换功率、与微电网购电和存储功率、最佳运行点及本地分布式能源供电功率作为决策变量。
作为进一步地方案，所述配电网上层优化模型的约束条件包括：配电网优化约束条件、配电系统功率均衡条件、配电系统的储备金余额、配电系统运营商向微电网出售电力和储备的约束条件、配电网运营商与批发市场之间的功率交换约束条件、上层风力涡轮机的约束条件、上层光伏系统的约束条件、上层可调度单元的约束条件以及高层压缩空气储能系统的约束条件。
作为进一步地方案，构建配电网下层优化模型，具体为：
Figure RE-GDA0003124503270000041
其中，
Figure RE-GDA0003124503270000042
表示在t时刻，DSO和MGO之间的外汇储备双边合约费率；
Figure RE-GDA0003124503270000043
表示场景s中，t时刻MGO和零售市场之间的交换功率；
Figure RE-GDA0003124503270000044
表示场景s中t时刻的零售市场价格；
Figure RE-GDA0003124503270000045
表示第j个EV在t时刻的充电速率；
Figure RE-GDA0003124503270000046
表示第j辆 EV充电价格；
Figure RE-GDA0003124503270000047
指场景s中，下层可调度单元在时间t时的运行成本；
Figure RE-GDA0003124503270000048
指上层第i个可调度单位的预定储备价格；
Figure RE-GDA0003124503270000049
指场景s中第j个EV在时间t 时的放电速率；
Figure RE-GDA00031245032700000410
指第j个EV的放电价格，
Figure RE-GDA00031245032700000411
表示在场景s中，t时刻的第j个EV的预定储备；
Figure RE-GDA00031245032700000412
表示按下级第j个EV计算的计划储量价格。
作为进一步地方案，所述配电网下层优化模型以零售市场的最优交换权、DSO的最优销售权和储备权、IPL的最优交换权以及本地客户的承诺储备权和营业点作为决策变量。
作为进一步地方案，所述配电网下层优化模型的约束条件包括：微电网功率平衡、微电网储备平衡条件、微电网向配电系统运营商出售电力和储备的约束、微电网与零售市场交换功率的约束、低层风力涡轮机的约束、下级光伏系统的约束、下级可调度单元的约束以及下级智能停车场的约束。
在另一些实施方式中，采用如下技术方案：
一种增量式配电网双层随机优化运行系统，包括：
上层优化模型构建模块，用于获取设定场景下可调度单位和储能设备的运营成本、配电网运营商与电力批发市场间交换功率与分时电价、可调度机组和储能设备的预备存储功率及存储价格信息，以增量配电网的总运营成本最低为目标，构建配电网上层优化模型；
下层优化模型构建模块，用于获取设定场景下DSO和MGO之间的外汇储备双边合约费率、MGO和零售市场之间的交换功率、零售市场电力价格、EV 的充放电速率和充放电价格信息，以自治MGO的利润最大化为目标，构建配电网下层优化模型；
双层优化模型求解模块，用于将上述双层优化问题转换成单层优化问题进行求解，得到配电网优化运行策略。
本发明利用大M法(Big-M)将互补约束线性化，建立了所研究的双层随机规划问题的最终线性单水平模型：
Figure RE-GDA0003124503270000051
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的增量式配电网双层随机优化运行方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的增量式配电网双层随机优化运行方法。
与现有技术相比，本发明的有益效果是：
本发明提出了一种新颖的双层随机规划方法，适用于存在多参与主体的状况下，实现增量配电网的最优调度及经济运行。在本专利提出的优化模型中，增量配电网作为领导者，力图实现最低成本运行；而分布式电源作为参与者，以盈利最大化为目标，与配电网实现能量交互与能量存储。考虑到新能源的随机特性，该优化问题是一个随机非线性双层优化问题，为实现求解，本专利采用KKT条件(Karush-Kuhn-Tucker Conditions)将优化转换成单层优化问题，并利用大M法(Big-M method)将优化模型线性化处理。该优化策略可实现新能源的高效接入的同时，增强增量配电网的运行安全性。
本发明在独立的MGO在场的情况下，为ADS的最优能量和备用调度提供分层决策模型。考虑的ADS配备了压缩空气储能(CAES)和不同的大型可调度/ 可再生单元。另一方面，提出的MG配备了IPL和不同的小型可调度/可再生型机组。此外，模型还考虑了风速、太阳辐射、市场价格和电力需求等参数的不确定性。
本发明的其他特征和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，或通过本方面的实践了解到。
附图说明
图1是概率分布函数和生成的随机场景示意图；
图2是本发明实施例中双层优化决策框架示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
术语解释：
DSO:配电系统运营商；
MGO:微电网所有者；
IPL:智能停车场；
EV:电动汽车。
实施例一
根据本发明的实施例，公开了一种增量式配电网双层随机优化运行方法，包括以下过程：
(1)获取设定场景下可调度单位和储能设备的运营成本、配电网运营商与电力批发市场间交换功率与分时电价、可调度机组和储能设备的预备存储功率及存储价格信息，以增量配电网的总运营成本最低为目标，构建配电网上层优化模型；
(2)获取设定场景下DSO和MGO之间的外汇储备双边合约费率、MGO 和零售市场之间的交换功率、零售市场电力价格、EV的充放电速率和充放电价格信息，以自治MGO的利润最大化为目标，构建配电网下层优化模型；
(3)将上述双层优化问题转换成单层优化问题进行求解，得到配电网优化运行策略。
具体地，通过上层优化为运营商提供最佳调配策略，下层优化为发电商争取最大利益。
优化模型为：
Figure RE-GDA0003124503270000081
上式中，Fu-l是上层优化函数，fl-l是下层优化函数，Gu-l，Hu-l，gl-l，hl-l是上层和下层优化的不等式和等式约束，(y,z1,…,zn,…,zm)是决策变量。
在本发明实施例中，优化过程涉及到的随机场景是根据随机参数的概率分布函数(PDF)生成的。其中，普通PDF函数用于建立电价格和负载需求的不确定性模型，而WeibullPDF函数和Beta PDF函数分别用于风电和光伏的不确定性建模。所提到的PDF曲线被分为五个不同的区间，每个标准区间的宽度代表一个场景。图1表示典型PDF曲线的离散形式。
图2为双层优化决策框架示意图，由图2可知，在执行随机规划后，配电网运营商通过与微电网和批发电力市场进行能源交易，并利用本地的分布式发电资源最大限度的降低其运营成本。另一方面，个体微电网运营商通过与配电网、本地分布式发电商和零售电力市场进行能源交易以获得最大的利润。显而易见，配电网和微电网间能量的交互和存储是上下层优化间的联系变量。
1、配电网上层优化模型
上层优化为一个单目标优化模型，目的是将增量配电网的总运营成本降至最低。包括与基于自主可再生能源的微电网交互成本、从电力批发市场购电成本、计划发电与储能成本等。决策变量为与电力批发市场交换功率、与微电网购电和存储功率、最佳运行点及本地分布式能源供电功率。
Figure RE-GDA0003124503270000091
式中，其中
Figure RE-GDA0003124503270000092
分别是指在场景s中，t时刻上层优化可调度单位和储能设备的运营成本；
Figure RE-GDA0003124503270000093
分别是指在场景s中，t时刻配电网运营商与电力批发市场间交换功率与分时电价；
Figure RE-GDA0003124503270000094
分别是指在场景s中，t时刻配电网与微电网间交换功率，
Figure RE-GDA0003124503270000095
为分时交换价格；
Figure RE-GDA0003124503270000096
分别是指在场景s中，t时刻配电网与微电网间交换的存储功率，
Figure RE-GDA0003124503270000097
为分时交换价格；
Figure RE-GDA0003124503270000098
分别为场景s中，上层优化第i个可调度机组在t时刻的预备存储功率及存储价格。
Figure RE-GDA0003124503270000099
分别为场景s中，上层优化第j个储能设备在t 时刻的预备存储功率及存储价格。
配电网上层优化模型的约束条件包括：
1)配电网优化约束条件
考虑增量配电网中的线性潮流，利用下式计算总的注入功率
Figure RE-GDA00031245032700000910
式中，
Figure RE-GDA00031245032700000911
是指场景s中，t时刻第b条总线上的注入/存储功率；PLb,b',t,s是指在场景s中，t时刻第b条总线与b’条总线间的潮流功率；δb,t,s场景s中，t 时刻第b条总线上的功率因数角。
支路之间的功率流可以通过约束(4)和(5)进行计算和限制：
Figure RE-GDA0003124503270000101
Figure RE-GDA0003124503270000102
式中，
Figure RE-GDA0003124503270000103
分别指场景s第b～b’节点在t时刻的有功功率/备用流量；
Figure RE-GDA0003124503270000104
是指b线和b’线之间线路的最大容量。
此外，电压角受到约束(6)的限制：
Figure RE-GDA0003124503270000105
其中，
Figure RE-GDA0003124503270000106
表示在场景s中，在t时刻节点b处的电压角。
2)配电系统功率均衡条件
根据式(7)，在每个时间和每个场景中，应满足系统的功率平衡。
Figure RE-GDA0003124503270000107
式中，
Figure RE-GDA0003124503270000108
是指在情景s中，在t时刻节点b处，DSO与批发市场之间的权力交换；
Figure RE-GDA0003124503270000109
指在情景s中，在时间t将MGO的权力出售给DSO，而
Figure RE-GDA00031245032700001010
在情景s中，在时刻t向MGO出售DSO的权力；
Figure RE-GDA00031245032700001011
分别是指在场景s中，在t时刻节点b处，上一级可调度单元的发电量、上一级 WT第
Figure RE-GDA00031245032700001012
个的产生功率、上一级PV第
Figure RE-GDA00031245032700001013
次的产生功率、第
Figure RE-GDA00031245032700001014
个CAES的发电量以及第
Figure RE-GDA00031245032700001015
个CAES时所消耗的功率；
Figure RE-GDA00031245032700001016
指的是场景s中t时刻DSO的负载需求。
3)配电系统的储备金余额
假定DSO的本地可调度单位和CAES被分配为不仅提供所需的能量，而且补偿可再生资源的预测误差以及负荷需求。因此，等式(8)规定了所考虑网络的最低储备要求。
Figure RE-GDA0003124503270000111
式中，
Figure RE-GDA0003124503270000112
分别指在情形s中，在t时刻节点b处，上一层第
Figure RE-GDA00031245032700001113
次预定准备金、第
Figure RE-GDA0003124503270000113
个CAES的预定准备金；
Figure RE-GDA0003124503270000114
分别是指在情景s中，在t时刻b节点处，将MGO的储备出售给DSO、向MGO出售DSO的储备；
Figure RE-GDA0003124503270000115
Figure RE-GDA0003124503270000116
分别指上一级风速的预报误差、上一级太阳辐照的预测误差、上层负荷需求预测误差。
4)配电系统运营商向微电网出售电力和储备的约束条件
等式(9)和(10)代表DSO可能出售给MGO的电力和储量。
Figure RE-GDA0003124503270000117
Figure RE-GDA0003124503270000118
式中，
Figure RE-GDA0003124503270000119
指的是DSO向MGO出售权力的最大水平；
Figure RE-GDA00031245032700001110
指 DSO向MGO出售储备的最高水平。
5)配电网运营商与批发市场之间的功率交换约束条件
式(11)限制了DSO与批发市场之间的交换功率：
Figure RE-GDA00031245032700001111
式中，
Figure RE-GDA00031245032700001112
表示的是DSO与批发市场之间交换权力的限制。
6)上层风力涡轮机的约束条件
式(12)用于模拟DSO WTs的发电量。
Figure RE-GDA0003124503270000121
式中，
Figure RE-GDA0003124503270000122
指上一级WT第
Figure RE-GDA00031245032700001221
个的额定功率；
Figure RE-GDA0003124503270000123
是上一级WT的编号；
Figure RE-GDA0003124503270000124
是在情景s中,t时刻的上层风速；
Figure RE-GDA0003124503270000125
指上一级WT第
Figure RE-GDA0003124503270000126
次的切入/切出速度；
Figure RE-GDA0003124503270000127
指上一级WT第
Figure RE-GDA0003124503270000128
个的额定转速。
7)上层光伏系统的约束条件
DSO的PVs输出功率可表示为：
Figure RE-GDA0003124503270000129
式中，
Figure RE-GDA00031245032700001210
是指上一级PV的编号，
Figure RE-GDA00031245032700001211
是指上级光伏系统区域，
Figure RE-GDA00031245032700001212
是指太阳能电池的转换效率，
Figure RE-GDA00031245032700001213
是指在情景s中t时刻的高空太阳辐照。
8)上层可调度单元的约束条件
DSO可调度单元的运行成本可按式(14)计算。
Figure RE-GDA00031245032700001214
其中，
Figure RE-GDA00031245032700001215
主要指在场景s中，上层可调度单元在时间t时刻的运行成本；
Figure RE-GDA00031245032700001216
是上一级第
Figure RE-GDA00031245032700001220
个可调度单元的成本函数系数；
Figure RE-GDA00031245032700001219
表示的是在场景s中，上一级可调度单元在t时刻的启动/关闭成本；
Figure RE-GDA00031245032700001217
是一个二进制变量，具体意义是在场景s中，如果上一级第
Figure RE-GDA00031245032700001218
个可调度单元在t时刻开启，则等于1；否则为0。
式(15)和(16)对可调度机组的启停费用进行建模。
Figure RE-GDA0003124503270000131
Figure RE-GDA0003124503270000132
上述公式中，
Figure RE-GDA0003124503270000133
是上一级可调度机组的启动/关闭成本，
Figure RE-GDA0003124503270000134
也是一个二进制变量，具体意义是在场景s中，如果上一级第
Figure RE-GDA0003124503270000135
个可调度单元在t-1时刻开启，则等于1；否则为0。
可调度单元的最大值和最小值用公式(17)和(18)表示。
Figure RE-GDA0003124503270000136
Figure RE-GDA0003124503270000137
其中，
Figure RE-GDA0003124503270000138
分别指上一级可调度单元的最小/最大输出功率。
可调度单元的上升和下降速率约束如式(19)和(20)中所示。
Figure RE-GDA0003124503270000139
Figure RE-GDA00031245032700001310
式中，
Figure RE-GDA00031245032700001311
是指在场景s中，在t-1时刻上一级可调度单元的发电量，
Figure RE-GDA00031245032700001312
Figure RE-GDA00031245032700001313
分别指上一级可调度单元的斜升/降速率。
可调度设备的最小开/关时间和最小起/停时间约束条件如公式(21)至公式(24)所示。
Figure RE-GDA00031245032700001314
Figure RE-GDA00031245032700001315
Figure RE-GDA00031245032700001316
Figure RE-GDA00031245032700001317
以上四个公式中，
Figure RE-GDA0003124503270000141
指的是上一级可调度单元的最小上/停机时间限制的辅助参数；
Figure RE-GDA0003124503270000142
表示上一级第
Figure RE-GDA00031245032700001422
个可调度单元线性建模的辅助指标；
Figure RE-GDA0003124503270000143
Figure RE-GDA0003124503270000144
是指上一级可调度单元的最低上升下降时间。
最后，可调度机组满足准备金要求的可用容量公式如式(25)所示。
Figure RE-GDA0003124503270000145
其中，ψ是可派遣单位参与储备的可用能力百分比，
Figure RE-GDA0003124503270000146
指上一级可调度单元的最大输出功率。
9)高层压缩空气储能系统的约束条件
DSO的CAES机组的运行成本见式(26)。
Figure RE-GDA0003124503270000147
上式中，
Figure RE-GDA0003124503270000148
指场景s中，上层CAES在t时刻的运营成本；
Figure RE-GDA0003124503270000149
是注入/泵送模式下第
Figure RE-GDA00031245032700001410
个CAES的运行和维护费用；
Figure RE-GDA00031245032700001411
是在泵送模式下，第
Figure RE-GDA00031245032700001412
个CAES的热速率。
系统注入的空气可由式(27)表示。
Figure RE-GDA00031245032700001413
式中，
Figure RE-GDA00031245032700001414
是在情景s中，第
Figure RE-GDA00031245032700001421
个CAES在t时刻注入空气的能量当量；
Figure RE-GDA00031245032700001415
是指第
Figure RE-GDA00031245032700001416
个CAES的注入功率的效率。
式(28)说明了CAES系统提供的能量和储备量。
Figure RE-GDA00031245032700001417
式中
Figure RE-GDA00031245032700001418
是指从CAES第
Figure RE-GDA00031245032700001419
次抽运功率的效率，
Figure RE-GDA00031245032700001420
指在情景s中，t时刻泵入燃烧室的空气的能量当量。
公式(29)和(30)分别给出了贮气室和CAES泵送空气进入燃烧室的数学模型。
Figure RE-GDA0003124503270000151
Figure RE-GDA0003124503270000152
式中，
Figure RE-GDA00031245032700001520
为向第
Figure RE-GDA0003124503270000153
个CAES注入空气的最小/最大限制(MW/h)。
Figure RE-GDA0003124503270000154
Figure RE-GDA0003124503270000155
为第
Figure RE-GDA0003124503270000156
级CAES泵送空气到燃烧室的最小/最大限制(MW/h)。
Figure RE-GDA0003124503270000157
为二进制变量，在场景s中，t时刻如果向第
Figure RE-GDA0003124503270000158
个CAES注入空气，则等于1；否则为0。
Figure RE-GDA0003124503270000159
也是二进制变量，在场景s中，t时刻如果从第
Figure RE-GDA00031245032700001510
个CAES泵排出空气，则等于1；否则0。
式(31)防止CAES同时存储和泵送性能。
Figure RE-GDA00031245032700001511
最终，在CAES中存储的能量及其局限性用公式(32)和(33)表示。
Figure RE-GDA00031245032700001512
Figure RE-GDA00031245032700001513
式中，
Figure RE-GDA00031245032700001514
表示t时刻在第
Figure RE-GDA00031245032700001515
个CAES中储存的能量；
Figure RE-GDA00031245032700001516
指在第
Figure RE-GDA00031245032700001517
个CAES中存储的最大能量；
Figure RE-GDA00031245032700001518
指在第
Figure RE-GDA00031245032700001519
个CAES中最小的存储能量。
2、配电网下层优化模型
这一层次的目标函数是自治MGO的利润最大化，可以定义为其收入与费用之差。MGO的收益包括与DSO交换能量和储备的成本，与零售市场交换能量的成本，以及向当地超级联赛出售电力的成本。另一方面，MGO的费用包括从当地的IPL提供能源和储备的成本，以及当地可调度单元的计划电力和储备成本。这一层次的决策变量为：零售市场的最优交换权、DSO的最优销售权和储备权、IPL的最优交换权以及本地客户的承诺储备权和营业点。
Figure RE-GDA0003124503270000161
式中，
Figure RE-GDA0003124503270000162
表示在t时刻，DSO和MGO之间的外汇储备双边合约费率；
Figure RE-GDA0003124503270000163
表示场景s中，t时刻MGO和零售市场之间的交换功率；
Figure RE-GDA0003124503270000164
表示场景s中t时刻的零售市场价格；
Figure RE-GDA0003124503270000165
表示第j个EV在t时刻的充电速率；
Figure RE-GDA0003124503270000166
表示第j辆 EV充电价格；
Figure RE-GDA0003124503270000167
指场景s中，下层可调度单元在时间t时的运行成本；
Figure RE-GDA0003124503270000168
指上层第i个可调度单位的预定储备价格；
Figure RE-GDA0003124503270000169
指场景s中第j个EV在时间 t时的放电速率；
Figure RE-GDA00031245032700001610
指第j个EV的放电价格，
Figure RE-GDA00031245032700001611
表示在场景s中，t时刻的第j个EV的预定储备；
Figure RE-GDA00031245032700001612
表示按下级第j个EV计算的计划储量价格。
配电网下层优化模型的约束条件包括：
1)微电网功率平衡
MGO的本地需求必须等于与DSO、零售市场、IPL交换的电力和由DERs 生产的电力的总和。
Figure RE-GDA00031245032700001613
式中，
Figure RE-GDA00031245032700001614
表示场景s中，下级第i个可调度机组在t时刻的发电量(MW)；
Figure RE-GDA00031245032700001615
表示在场景s中，在时间t时，下层的第k个WT产生的功率；
Figure RE-GDA00031245032700001616
指在场景 s中，在时间t时，第p个PV产生的功率；
Figure RE-GDA00031245032700001617
指场景s中第j个EV在时间t 时的放电速率；
Figure RE-GDA0003124503270000171
指的是场景s中t时刻MGO的负载需求。
2)微电网储备平衡条件
与上一级类似，MGO的IPL和本地可调度机组不仅提供系统所需的能源，而且补偿可再生资源和负荷需求的预测误差。式(36)表示下一级的储备约束。
Figure RE-GDA0003124503270000172
式中，
Figure RE-GDA0003124503270000173
是指场景s中，t时刻下级第i个可调度机组的预定储备；w wind指下级风速预报误差；w solar是指下一级太阳辐照量的预测误差。
3)微电网向配电系统运营商出售电力和储备的约束
式(37)和(38)证明MGO可能向DSO出售的电力和储备。
Figure RE-GDA0003124503270000174
Figure RE-GDA0003124503270000175
其中，
Figure RE-GDA0003124503270000176
是指MGO出售给DSO的最大功率水平；
Figure RE-GDA0003124503270000177
是指配电系统运营商出售给MGO的最大储量。
4)微电网与零售市场交换功率的约束
MGO和零售市场之间的交换功率可由式(39)限制。
Figure RE-GDA0003124503270000178
式中，
Figure RE-GDA0003124503270000179
表示MG与零售市场交换功率的限制。
5)低层风力涡轮机的约束
MGO的WTs输出功率定义如下:
Figure RE-GDA0003124503270000181
式中，
Figure RE-GDA0003124503270000182
表示下级第k个WT额定功率；K k 指下级的WTs编号；V t,s指场景s下，t时刻下级风速(m/s)；
Figure RE-GDA0003124503270000183
表示下级第k个WT的额定速度；
Figure RE-GDA0003124503270000184
指下一级第k个WT的入速度；
Figure RE-GDA0003124503270000185
指下一级第k个WT的出速度。
6)下级光伏系统的约束
MGO的PVs输出功率由式(41)计算。
Figure RE-GDA0003124503270000186
式中，k p 指下级的PVs编号；s p 指下一级光伏系统面积；η p 指下级太阳能电池的转换效率；
Figure RE-GDA0003124503270000187
场景s下，t时刻下级水平太阳辐照度。
7)下级可调度单元的约束
下面的方程对MGO的可调度机组的运行成本和启动成本进行了建模。
Figure RE-GDA0003124503270000188
Figure RE-GDA0003124503270000189
式中，
Figure RE-GDA00031245032700001810
指下级第i个可调度机组的发电成本；
Figure RE-GDA00031245032700001811
指下级第i个可调度单元的启动成本；SUC i ,t,s指场景中，下级可调度单位i在t时刻的启动成本；
Figure RE-GDA00031245032700001812
指二进制变量；在场景s中，如果下级可调度单元在时间t开启，则等于1；否则0。
式(44)和(45)模拟了可调度单元的操作限制。
Figure RE-GDA00031245032700001813
Figure RE-GDA00031245032700001814
式中，
Figure RE-GDA00031245032700001815
指下级可调度机组的最大/小输出功率。
可调度单元的上升速率和下降速率约束公式如下:
Figure RE-GDA0003124503270000191
Figure RE-GDA0003124503270000192
式中，
Figure RE-GDA0003124503270000193
指下级第i个可调机组的升/降速率。
最终，可调度机组满足准备金要求的可用容量如式(48)所示。
Figure RE-GDA0003124503270000194
8)下级智能停车场的约束
公式(49)和(50)表示每EV的充放电限制。同时，采用不等式(51)来避免电动汽车同时充放电。
Figure RE-GDA0003124503270000195
Figure RE-GDA0003124503270000196
Figure RE-GDA0003124503270000197
式中，
Figure RE-GDA0003124503270000198
指第j个EV最大充电功率；
Figure RE-GDA0003124503270000199
是二进制变量；当第j个EV 处于充电模式时等于1；否则0。
Figure RE-GDA00031245032700001910
是二进制变量；当第j个EV处于放电模式时等于1；否则0。M j ,t指二进制变量；当第j个EV在停车场时，等于1；否则 0。
基于电动汽车电池寿命，式(52)限制了IPL中现有电动汽车充放电状态切换次数。
Figure RE-GDA00031245032700001911
式中，Nmax指在IPL中每个EV在充电和放电模式之间切换的最大次数。
IPL中现有电动汽车的预定储备公式如下:
Figure RE-GDA00031245032700001912
Figure RE-GDA0003124503270000201
式中，σ指电动汽车可用电量参与储备的百分比、
Figure RE-GDA0003124503270000202
指第j个EV最大放电功率；SRS j ,t,s是二进制变量；如果第j个EV参与储备，等于1；否则0
利用约束(55)和约束(56)对电动汽车的荷电状态进行建模和限制。
Figure RE-GDA0003124503270000203
Figure RE-GDA0003124503270000204
式中，
Figure RE-GDA0003124503270000205
指的是在场景s中，在t时刻第j个EV中储存的能量；
Figure RE-GDA0003124503270000206
指第j个EV的最小存储能量；
Figure RE-GDA0003124503270000207
指第j个EV的最大存储能量；ηg2v、ηv2g分别指的是充电/放电效率。
一些电动汽车的电池充电过快，反之亦然。因此，考虑约束(57)来限制电动汽车的最大充放电速率。
Figure RE-GDA0003124503270000208
式中，
Figure RE-GDA0003124503270000209
指第j个EV的最大允许充放电速率。
在离开IPL时，电动汽车的荷电状态应等于或高于特定的荷电状态。因此，为满足上述情况，提供式(58)。值得注意的是，电动汽车车主决定了限制的水平。
最后，不等式(59)决定了到达IPL时电动汽车的电荷状态。
Figure RE-GDA00031245032700002010
Figure RE-GDA00031245032700002011
上述方程中，χ是指在第j个EV离开IPL时所需的电荷状态，
Figure RE-GDA00031245032700002012
指在第j个EV中储存能量的初始量。
3、将双层优化重组为带等式约束条件的数学规划问题
一般情况下，KKT方法式求解双层优化问题的典型方法，该方法将待求解模型的下级部分替换为KKT条件进而进行求解。然而，KKT方法将使待求模型由非线性双层模型转变为非线性单层模型，该方法的非线性是由其互补约束条件所引起。因此，本实施例利用大M法(Big-M)将互补约束线性化，然后建立所研究的双层随机规划问题的最终线性单水平模型，即优化的目标函数，从而用来求解最终优化结果。
本实施例针对双层随机优化问题所实现的线性单层优化模型如公式(60)至 (92)所示，其中优化目标函数为：
Figure RE-GDA0003124503270000211
该目标函数的约束条件见公式(3)至(33)、公式(40)至(43)、公式(51)、(51) 以及公式(55)。
固定约束条件为：
Figure RE-GDA0003124503270000212
Figure RE-GDA0003124503270000213
Figure RE-GDA0003124503270000214
Figure RE-GDA0003124503270000215
Figure RE-GDA0003124503270000216
Figure RE-GDA0003124503270000217
Figure RE-GDA0003124503270000218
Figure RE-GDA0003124503270000219
原始约束、对偶约束以及互补约束条件为：
Figure RE-GDA0003124503270000221
Figure RE-GDA0003124503270000222
Figure RE-GDA0003124503270000223
Figure RE-GDA0003124503270000224
Figure RE-GDA0003124503270000225
Figure RE-GDA0003124503270000226
Figure RE-GDA0003124503270000227
Figure RE-GDA0003124503270000228
Figure RE-GDA0003124503270000229
Figure RE-GDA00031245032700002210
Figure RE-GDA00031245032700002211
Figure RE-GDA00031245032700002212
Figure RE-GDA00031245032700002213
Figure RE-GDA00031245032700002214
Figure RE-GDA00031245032700002215
Figure RE-GDA00031245032700002216
Figure RE-GDA00031245032700002217
Figure RE-GDA00031245032700002218
Figure RE-GDA00031245032700002219
Figure RE-GDA00031245032700002220
Figure RE-GDA0003124503270000231
Figure RE-GDA0003124503270000232
Figure RE-GDA0003124503270000233
其中
Figure RE-GDA0003124503270000234
与
Figure RE-GDA0003124503270000235
无须约束条件。
互补约束条件的线性化：
如公式(69)至(91)所示的互补约束均可依照公式(92)的形式进行线性化，式中变量X为二进制变量，变量M为足够大值。
Figure RE-GDA0003124503270000236
最终通过求解得到配电网的优化运行策略。
实施例二
在一个或多个实施方式中，公开了一种增量式配电网双层随机优化运行系统，包括：
上层优化模型构建模块，用于获取设定场景下可调度单位和储能设备的运营成本、配电网运营商与电力批发市场间交换功率与分时电价、可调度机组和储能设备的预备存储功率及存储价格信息，以增量配电网的总运营成本最低为目标，构建配电网上层优化模型；
下层优化模型构建模块，用于获取设定场景下DSO和MGO之间的外汇储备双边合约费率、MGO和零售市场之间的交换功率、零售市场电力价格、EV 的充放电速率和充放电价格信息，以自治MGO的利润最大化为目标，构建配电网下层优化模型；
双层优化模型求解模块，用于将上述双层优化问题转换成单层优化问题进行求解，得到配电网优化运行策略。
本实施例利用大M法(Big-M)将互补约束线性化，建立了所研究的双层随机规划问题的最终线性单水平模型：
Figure RE-GDA0003124503270000241
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的增量式配电网双层随机优化运行方法。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的增量式配电网双层随机优化运行方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。

Claims (10)

1.一种增量式配电网双层随机优化运行方法，其特征在于，包括：
获取设定场景下可调度单位和储能设备的运营成本、配电网运营商与电力批发市场间交换功率与分时电价、可调度机组和储能设备的预备存储功率及存储价格信息，以增量配电网的总运营成本最低为目标，构建配电网上层优化模型；
获取设定场景下DSO和MGO之间的外汇储备双边合约费率、MGO和零售市场之间的交换功率、零售市场电力价格、EV的充放电速率和充放电价格信息，以自治MGO的利润最大化为目标，构建配电网下层优化模型；
将上述双层优化问题转换成单层优化问题进行求解，得到配电网优化运行策略。
2.如权利要求1所述的一种增量式配电网双层随机优化运行方法，其特征在于，构建配电网上层优化模型，具体为：
Figure RE-FDA0003124503260000011
其中，
Figure RE-FDA0003124503260000012
分别是指在场景s中，t时刻上层优化可调度单位和储能设备的运营成本；
Figure RE-FDA0003124503260000013
分别是指在场景s中，t时刻配电网运营商与电力批发市场间交换功率与分时电价；
Figure RE-FDA0003124503260000014
分别是指在场景s中，t时刻配电网与微电网间交换功率，
Figure RE-FDA0003124503260000015
为分时交换价格；
Figure RE-FDA0003124503260000016
分别是指在场景s中，t时刻配电网与微电网间交换的存储功率，
Figure RE-FDA0003124503260000017
为分时交换价格；
Figure RE-FDA0003124503260000018
Figure RE-FDA0003124503260000019
分别为场景s中，上层优化第i个可调度机组在t时刻的预备存储功率及存储价格；
Figure RE-FDA00031245032600000110
分别为场景s中，上层优化第j个储能设备在t时刻的预备存储功率及存储价格。
3.如权利要求2所述的一种增量式配电网双层随机优化运行方法，其特征在于，所述配电网上层优化模型将配电网与电力批发市场交换功率、与微电网购电和存储功率、最佳运行点及本地分布式能源供电功率作为决策变量。
4.如权利要求2所述的一种增量式配电网双层随机优化运行方法，其特征在于，所述配电网上层优化模型的约束条件包括：配电网优化约束条件、配电系统功率均衡条件、配电系统的储备金余额、配电系统运营商向微电网出售电力和储备的约束条件、配电网运营商与批发市场之间的功率交换约束条件、上层风力涡轮机的约束条件、上层光伏系统的约束条件、上层可调度单元的约束条件以及高层压缩空气储能系统的约束条件。
5.如权利要求1所述的一种增量式配电网双层随机优化运行方法，其特征在于，构建配电网下层优化模型，具体为：
Figure RE-FDA0003124503260000021
其中，
Figure RE-FDA0003124503260000022
表示在t时刻，DSO和MGO之间的外汇储备双边合约费率；
Figure RE-FDA0003124503260000023
表示场景s中，t时刻MGO和零售市场之间的交换功率；
Figure RE-FDA0003124503260000024
表示场景s中t时刻的零售市场价格；
Figure RE-FDA0003124503260000025
表示第j个EV在t时刻的充电速率；
Figure RE-FDA0003124503260000026
表示第j辆EV充电价格；
Figure RE-FDA0003124503260000027
指场景s中，下层可调度单元在时间t时的运行成本；
Figure RE-FDA0003124503260000028
指上层第i个可调度单位的预定储备价格；
Figure RE-FDA0003124503260000031
指场景s中第j个EV在时间t时的放电速率；
Figure RE-FDA0003124503260000032
指第j个EV的放电价格，
Figure RE-FDA0003124503260000033
表示在场景s中，t时刻的第j个EV的预定储备；
Figure RE-FDA0003124503260000034
表示按下级第j个EV计算的计划储量价格。
6.如权利要求5所述的一种增量式配电网双层随机优化运行方法，其特征在于，所述配电网下层优化模型以零售市场的最优交换权、DSO的最优销售权和储备权、IPL的最优交换权以及本地客户的承诺储备权和营业点作为决策变量。
7.如权利要求5所述的一种增量式配电网双层随机优化运行方法，其特征在于，所述配电网下层优化模型的约束条件包括：微电网功率平衡、微电网储备平衡条件、微电网向配电系统运营商出售电力和储备的约束、微电网与零售市场交换功率的约束、低层风力涡轮机的约束、下级光伏系统的约束、下级可调度单元的约束以及下级智能停车场的约束。
8.一种增量式配电网双层随机优化运行系统，其特征在于，包括：
上层优化模型构建模块，用于获取设定场景下可调度单位和储能设备的运营成本、配电网运营商与电力批发市场间交换功率与分时电价、可调度机组和储能设备的预备存储功率及存储价格信息，以增量配电网的总运营成本最低为目标，构建配电网上层优化模型；
下层优化模型构建模块，用于获取设定场景下DSO和MGO之间的外汇储备双边合约费率、MGO和零售市场之间的交换功率、零售市场电力价格、EV的充放电速率和充放电价格信息，以自治MGO的利润最大化为目标，构建配电网下层优化模型；
双层优化模型求解模块，用于将上述双层优化问题转换成单层优化问题进行求解，得到配电网优化运行策略。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的增量式配电网双层随机优化运行方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的增量式配电网双层随机优化运行方法。
CN202110566403.2A 2021-05-24 2021-05-24 增量式配电网双层随机优化运行方法及系统 Pending CN113255129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110566403.2A CN113255129A (zh) 2021-05-24 2021-05-24 增量式配电网双层随机优化运行方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110566403.2A CN113255129A (zh) 2021-05-24 2021-05-24 增量式配电网双层随机优化运行方法及系统

Publications (1)

Publication Number Publication Date
CN113255129A true CN113255129A (zh) 2021-08-13

Family

ID=77183982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110566403.2A Pending CN113255129A (zh) 2021-05-24 2021-05-24 增量式配电网双层随机优化运行方法及系统

Country Status (1)

Country Link
CN (1) CN113255129A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114188940A (zh) * 2021-11-30 2022-03-15 国网浙江杭州市萧山区供电有限公司 一种考虑多主体利益的主动配电网调度方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446745A (zh) * 2020-12-15 2021-03-05 天津天大求实电力新技术股份有限公司 基于双层随机规划的含多微网的配电市场交易方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446745A (zh) * 2020-12-15 2021-03-05 天津天大求实电力新技术股份有限公司 基于双层随机规划的含多微网的配电市场交易方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SARA HAGHIFAM 等: "Stochastic bi-level coordination of active distribution network and renewable-based microgrid considering eco-friendly Compressed Air Energy Storage system and Intelligent Parking Lot", 《JOURNAL OF CLEANER PRODUCTION》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114188940A (zh) * 2021-11-30 2022-03-15 国网浙江杭州市萧山区供电有限公司 一种考虑多主体利益的主动配电网调度方法
CN114188940B (zh) * 2021-11-30 2023-08-11 国网浙江杭州市萧山区供电有限公司 一种考虑多主体利益的主动配电网调度方法

Similar Documents

Publication Publication Date Title
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
Zhang et al. A two-layer model for microgrid real-time dispatch based on energy storage system charging/discharging hidden costs
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
Ke et al. Sizing the battery energy storage system on a university campus with prediction of load and photovoltaic generation
Nosratabadi et al. Economic evaluation and energy/exergy analysis of PV/Wind/PEMFC energy resources employment based on capacity, type of source and government incentive policies: Case study in Iran
CN109787261B (zh) 电网侧及用户侧储能系统容量优化配置方法
Rodriguez et al. Fuzzy logic-based energy management for isolated microgrid using meta-heuristic optimization algorithms
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN106374515B (zh) 一种有源配电网中储能系统双层递阶优化配置方法
CN110633854A (zh) 一种考虑储能电池多重分段服务全生命周期优化规划方法
Dadashi et al. Coordination of wind power producers with an energy storage system for the optimal participation in wholesale electricity markets
CN111934360A (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN109950900B (zh) 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法
Dawn et al. Efficient approach for establishing the economic and operating reliability via optimal coordination of wind–PSH–solar‐storage hybrid plant in highly uncertain double auction competitive power market<? show [AQ ID= Q1]?>
CN116231655A (zh) 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法
Basu Heat and power generation augmentation planning of isolated microgrid
Tsao et al. Distributed energy storage system planning in relation to renewable energy investment
CN114491997A (zh) 考虑需求响应及电动汽车的虚拟电厂运行优化方法及系统
CN108667071B (zh) 一种主动配电网负荷精准控制计算方法
CN113255129A (zh) 增量式配电网双层随机优化运行方法及系统
Bagherzadeh et al. Optimal allocation of electric vehicle parking lots and renewable energy sources simultaneously for improving the performance of distribution system
Hai et al. Techno-economic investigation of grid integrated renewable energy resources with hydrogen storage systems
CN112633675A (zh) 一种能量调度方法、装置、设备及计算机可读存储介质
Verzijlbergh et al. The role of electric vehicles on a green island
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813

RJ01 Rejection of invention patent application after publication