CN113452087A - 一种多楼宇微网系统滚动调控方法及电子设备 - Google Patents
一种多楼宇微网系统滚动调控方法及电子设备 Download PDFInfo
- Publication number
- CN113452087A CN113452087A CN202110722338.8A CN202110722338A CN113452087A CN 113452087 A CN113452087 A CN 113452087A CN 202110722338 A CN202110722338 A CN 202110722338A CN 113452087 A CN113452087 A CN 113452087A
- Authority
- CN
- China
- Prior art keywords
- building
- power
- game
- electricity
- microgrid
- 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
- 230000033228 biological regulation Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005096 rolling process Methods 0.000 title claims abstract description 55
- 230000005611 electricity Effects 0.000 claims description 112
- 238000009826 distribution Methods 0.000 claims description 81
- 238000003860 storage Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 238000005057 refrigeration Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000017525 heat dissipation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000005338 heat storage Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000003993 interaction Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种多楼宇微网系统滚动调控方法、电子设备,涉及智能电网技术领域，所述调控方法建立多微网交易博弈模型，将所述博弈模型引入到模型预测调控过程中得到基于博弈的多楼宇滚动调控框架，以实现了多楼宇微网之间的电量交易，其中，在滚动调控模型中，输入变量为各楼宇微网的负荷需求、风机输出功率及光伏输出功率预测值，采用博弈策略，将微网剩余电量以较高的价格售出，可在滚动调控基础上，进一步提高售电收益，降低了各楼宇微网的运行成本。
Description
技术领域
本发明涉及智能电网技术领域，尤其涉及一种多楼宇微网系统滚动调控方法、电子设备及存储介质。
背景技术
随着城市化进程的加快，预计到2020年楼宇能耗将占到全国总能耗的35％。越来越多的分布式供能系统在楼宇侧集成，使得楼宇从原来的能源消费者转变为能源产消者，具备了开展能源交易的能力。通过楼宇之间的电量交易，可减少各楼宇与配电网间的交易电量，降低系统用能成本，提高可再生能源本地消纳水平。因此，将一个区域内临近楼宇微网进行互联，构建交易模型形成楼宇微网互动协调管理系统，在城市配电网领域有广阔的应用前景。当前间歇性可再生能源出力预测精度低是分布式能源系统优化调控面临的难点之一。基于滚动模式的模型预测控制(model predictive control，MPC)方法可有效避免传统楼宇微网调控对预测依赖性强，日前调控方案与实际运行需求偏差较大的问题。
考虑到楼宇微网的有源性，微网间的电能交易可为带来一定售电收益。然而，区域内各楼宇微网主体、运行目标等不尽相同，需要引入博弈模型对不同利益主体进行协调。现有研究中提出的博弈策略存在以下问题：1)一般的纳什优化反复迭代方法，存在求解的时间长、的问题，而模型预测调控时间段一般较短，若策略求解时间过长，则无法引入到模型预测调控过程中；2)大多数研究关注的是售电方或者购电方中的某一方或关系固定的两方之间的博弈过程，然而在楼宇微网中，不同时刻博弈方的角色会在售电方与购电方之间变化；3)未考虑配电网服务成本或将其设为定值。
发明内容
本发明的目的是提出的一种基于博弈的多楼宇微网模型滚动调控方法，可在滚动调控基础上，进一步提高售电收益，降低了各楼宇微网的运行成本。
第一方面，本发明实施例提供了一种多楼宇微网系统滚动调控方法,所述调控方法包括：
建立多微网交易博弈模型；
将所述博弈模型引入到模型预测调控过程中得到基于博弈的多楼宇滚动调控框架，以实现了多楼宇微网之间的电量交易，其中，在滚动调控模型中，输入变量为各楼宇微网的负荷需求、风机输出功率及光伏输出功率预测值；
采用博弈策略，将微网剩余电量以较高的价格售出。
第二方面，本发明实施例提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的多楼宇微网系统滚动调控方法。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述的多楼宇微网系统滚动调控方法的步骤。
与现有技术相比，本发明具备以下优点：
本发明以楼宇微网研究对象，提出一种多楼宇微网系统滚动调控方法、电子设备及存储介质，建立了多微网交易博弈模型，进而将博弈模型引入到模型预测调控过程中，实现了多楼宇微网之间的电量交易；采用博弈策略，将微网剩余电量以较高的价格售出，可在滚动调控基础上，进一步提高售电收益，降低了各楼宇微网的运行成本。
附图说明
图1为本发明实施例楼宇微网示意图；
图2为本发明实施例滚动调控决策机制示意图；
图3为本发明实施例提出的一种基于博弈的楼宇微网滚动调控框架示意图；
图4为本发明实施例楼宇之间交易电量、电价与Psu,1,t的关系；
图5为本发明实施例场景一下各楼宇与配电网的交易电量；
图6为本发明实施例MG1在场景一和场景二下配电网的交易电量；
图7为本发明实施例00:00～06:00时间段楼宇之间的交易电价和00:00～06:00时间段楼宇之间的交易电量；
图8为本发明实施例10:00～16:00时间段楼宇之间的交易电价；
图9为本发明实施例10:00～16:00时间段内交易电量占剩余电量的比值。
图10为本发明实施例一种电子设备的结构框图。
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。
基于博弈的多楼宇微网模型滚动调控方法具体包括：
建立多微网交易博弈模型；
将所述博弈模型引入到模型预测调控过程中得到基于博弈的多楼宇滚动调控框架，以实现了多楼宇微网之间的电量交易，其中，在滚动调控模型中，输入变量为各楼宇微网的负荷需求、风机输出功率及光伏输出功率预测值；
采用博弈策略，将微网剩余电量以较高的价格售出。
本实施例以楼宇微网研究对象，提出一种多楼宇微网系统滚动调控方法、电子设备及存储介质，建立了多微网交易博弈模型，进而将博弈模型引入到模型预测调控过程中，实现了多楼宇微网之间的电量交易；采用博弈策略，将微网剩余电量以较高的价格售出，可在滚动调控基础上，进一步提高售电收益，降低了各楼宇微网的运行成本。
本发明研究对象如图1所示，其中，多微网能量管理系统收集各楼宇微网上传的每一时刻剩余电量情况，根据博弈模型进行优化计算，然后将优化计算后的交易电量和电价下发到各楼宇。
楼宇包括住宅和办公两种类型。住宅楼宇和办公楼宇的供能单元有配电网、光伏，办公楼宇供能单元还有风机；将楼宇虚拟储能作为灵活可控单元参与到分布式能源系统优化调控过程，可挖掘楼宇参与调控潜力，提高售电收益，降低运行成本，故微网中储能系统包括电储能系统和虚拟储能系统两类。
具体地，基于博弈的多楼宇滚动调控框架，包括楼宇微网系统结构及滚动调控模型框架。
首先，根据得到预测数据，包括电/热负荷预测、光伏及风机功率预测；然后各微网基于预测数据进行内部功率优化，得到预测时域内每一时刻富余电量，各微网以己方收益最大为原则进行博弈，得到各楼宇与配电网及其它楼宇的交易电量、电价；最后，通过滚动和博弈获得控制时域内各微网的最优控制序列，包括配电网联络线功率、与其它微网的交易电量、电价和制冷功率，然后下发其中第一个控制序列到各微网。
应用：以多楼宇微网为对象，运用模型预测方法，通过滚动调控解决可再生能源出力预测精度随时间尺度增加而下降的问题；进而建立多楼宇微网博弈模型，减小各楼宇微网与配电网交易电量，提高楼宇微网自身收益，降低分布式能源系统运行成本。
博弈模型具体包括博弈策略及博弈收益；
博弈策略为：
如图1所示，博弈方为系统中的N个楼宇微网。对全部N个微网进行编号，由于各楼宇参数、内部发电量和负荷水平存在差异，在T时间段，微网发电量可能与自身负荷不匹配。若存在富余电量，则称为“多电楼宇微网”；若存在缺额电量，则称为“少电楼宇微网”。楼宇微网各自独立的，追求自身利益最大。各微网为追求收益最高，多电楼宇希望以尽可能高的电价将富余电量出售给少电楼宇或者配电网；少电楼宇则希望以尽可能低的价格从配电网或者多电楼宇购电。博弈可以保证博弈参与者利益最大化，因此对各微网而言，采用博弈模型可以最大程度降低自身的运行成本。本发明主要进行一天的优化调控，每隔15min取一个时间断面，需要在较短时间内得到博弈策略。基于以上考虑，本节将建立一个不依赖迭代寻优算法的博弈模型。
博弈过程中，博弈各方以己方收益最大为原则进行博弈，博弈时不因其它博弈方的收益而改变己方博弈策略。其中，少电楼宇博弈策略是与多电楼宇的交易电量；多电楼宇的博弈策略是与少电微网的交易电价。博弈过程多电楼宇首先给出售电电价，然后少电楼宇按照楼宇编号由小到大依序与多电楼宇进行交易，直至富余电量为零或电量缺额为零。
博弈收益为：
各楼宇微网的博弈收益可以由两部分组成：与配电网交易收益和与其它楼宇微网的交易收益。
1)多电楼宇微网i
T时间段，多电楼宇i与配电网交易收益Cd,i,t为：
式中：
为t时刻配电网的售电单价；
为t时刻配电网的购电单价；Pd,i,t为楼宇微网i与配电网的交易电量，从配电网购电为正，向配电网售电为负。
T时间段，多电楼宇i与少电楼宇交易收益Ctrading,i,t为：
式中：Ns,j,j＝1L p为t时刻p个少电楼宇微网编号；Pij,t为交易电量，表示t时刻多电楼宇i向少电楼宇j的售电量，其值为正；
为交易电价，表示i向j售电单价，其值为正。
综上，T时间段内，多电楼宇微网i的收益为：
Ci,t＝Cd,i,t+Ctrading,i,t
2)少电楼宇微网j
T时间段，少电楼宇j与配电网交易收益Cd,j,t为：
式中：Pd,j,t为楼宇j与配电网交易电量，从配电网购电为正，向配电网售电为负。
T时间段，少电楼宇j与多电楼宇交易收益Ctrading,j,t如式(5)所示：
式中：Nd,i,i＝1L q为t时刻q个多电楼宇微网编号；
表示t时刻楼宇j的购电单价，可以表示为：
式中：
为服务费用，若多楼宇通过博弈达成交易，配电网收取一定服务费用，由购电方承担，本发明假定当少电方从多电方购电单价相同时，优先选择服务费用低的一方进行交易。
考虑到各楼宇微网之间交易电价的合理性，应当保证：a)少电楼宇方购电价格不应高于从配电网购电价格；b)多电楼宇方的售电价格不应低于向配电网售电价格，
即：
综上，T时间段内，少电楼宇微网j的收益为：
Cj,t＝Cd,j,t+Ctrading,j,t
基于博弈的多楼宇滚动调控模型具体包括；楼宇预测模型及滚动优化模型；
楼宇预测模型为：
在滚动调控过程中，输入变量是各楼宇微网的负荷需求、风机输出功率及光伏输出功率预测值。
1)电负荷预测模型
本发明使用的电负荷预测模型主要针对楼宇不可控电负荷预测模型，主要包括照明及插座负荷。该类负荷预测采用计及不确定因素的逐时用电百分比进行预测计算，可表示为：
Pload,n,t＝Lper,n,t×(PDlight，n+PDequ,n)×Sn
式中：Pload,n,t表示楼宇n在t时刻的电负荷预测值；Lper,n,t表示计及不确定因素的逐时用电百分比；PDlight,n表示照明功率密度值；PDequ,n表示插座功率密度值，单位为W/m2；Sn表示楼宇n的面积。
2)热负荷预测模型
本发明考虑楼宇人员活动和用电设备工作时产生的随机热负荷，以及楼宇与室外传递的热量和太阳辐射产生的热量。楼宇在t时刻的随机热负荷Qin,n,t为：
Qin,n,t＝Qbody,n,t+Qequ,n,t+Qout,n,t+Qsun,n,t
Qbody,n,t表示人员活动的随机热负荷：
式中：Bper,n,t表示计及不确定因素的人员逐时在室百分比；Qaverage,n表示人体平均散热量，单位为W/人；Sbody,n表示人均占有面积，单位为m2/人。
Qequ,n,t楼宇内设备运行产生的随机热负荷：
Qequ,n,t＝Lper,n,t×(PDlight,n,t+PDequ,n,t)×Sn×εn
式中：εn表示设备的散热比例。
Qout,n,t表示楼宇与外墙/窗与室外传递热量
式中：kwall,n、kwin,n分别表示楼宇n的外墙和外窗传热系数；Fwall,n、Fwin,n分别表示楼宇n的外墙和外窗面积；
Qsun,n,t表示太阳热辐射传递的热量：
Qsun,n,t＝Is,t×Fwin,n×Sc,n
式中：Is,t表示太阳辐射功率；Sc,n表示楼宇的遮阳系数。
3)风机、光伏预测模型
风机和光伏预测，模型满足下式:
式中：Pwt,t、Ppv,t分别表示风机输出功率、光伏输出功率的日前预测值；
分别表示输入变量在t时刻的短期预测值；
表示输入变量日前预测值在t时刻的预测不确定阈值；R(t)为一个服从均一分布U(1,1)的随机数。
滚动优化模型为：
1)目标函数
各微网在基于博弈的滚动优化过程中，优化目标为控制时域内各自运行成本最低：
式中，Cd,n,t为楼宇n与配电网交易收益；Ctrading,n,t为楼宇n与其它楼宇交易的收益：
Cmaintenance,n,t为楼宇n设备使用维护成本：
式中：Cwt_om、Cpv_om、Cbt_om和Cec_om分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本。
Cpunishment,n,t为影响用户温度舒适度而设的罚函数项；
Cpunishmen,t＝γ|Tin,t-Tset,t|
式中：γ为用户敏感系数。
2)约束条件
各楼宇微网滚动调控模型约束为：
(1)电功率平衡约束
Ptrading,n,t为楼宇n与其它微网的交易电量，若t时刻n为多电楼宇微网，则
若t时刻n为少电楼宇微网，则
PDG,n,t表示楼宇n与配电网的交易电量，应满足系统与外网允许交互的容量约束：
Pec,n,t表示电制冷机消耗的电功率，其应满足的运行约束如下：
电制冷机的制冷功率Qec,n,t与Pec,n,t的关系为：
Qec,n,t＝Pec,n,t×COPec
式中：COPec为电制冷机的能效比。
Pbt,n,t为蓄电池的充放电功率，充电为正，放电为负，蓄电池需满足以下运行条件：
Sn,1＝Sn，24
式中：Sn,t为t时刻蓄电池剩余电量；
分别为容量上下限；Ic、Id分别为蓄电池的充放电状态，为{0,1}变量；ηc、ηd为蓄电池充放电效率。
(2)热平衡约束
基于楼宇蓄热特性，依据能量守恒构建了楼宇虚拟储能模型，根据其差分方程得到楼宇虚拟储能模型的的热平衡约束：
ρCVn(Tin,n,t+1-Tin,n,t)＝ΔT×(Qin,n,t-Qcooling,n,t)
式中：ρ、Vn、C分别表示室内空气密度、体积和空气比热容，等式左侧表示室内热量的变化量；Qcooling,n,t表示楼宇的制冷需求，本发明假定电制冷机的制冷功率与楼宇的制冷需求相等，即：
Qcooling,n,t＝Qec,n,t
应用：预测各楼宇微网的负荷需求、风机输出功率及光伏输出功率，并将博弈模型引入到模型预测调控过程中，实现了多楼宇微网之间的电量交易。
下面以一较优的实施例对本发明进行说明：
滚动调控模型框架
整个楼宇微网滚动调控时间分成若干时间段，如图2所示。横轴预测时域为Np个时间段，控制时域为Nc个时间段，Np≥Nc。在t时刻，各楼宇微网利用Np内预测数据，采用博弈模型，以控制时域内楼宇微网运行成本最低为目标进行优化，然后得到Nc内最优控制序列，但只执行第一个控制序列。滚动调控在有限时段内基于各微网实际运行状态，进行反复滚动优化，以代替一次离线全时段优化。
图3为基于博弈的多楼宇微网滚动调控框架：首先，根据得到预测数据，包括电/热负荷预测、光伏及风机功率预测；然后各微网基于预测数据进行内部功率优化，得到预测时域内每一时刻富余电量，各微网以己方收益最大为原则进行博弈，得到各楼宇与配电网及其它楼宇的交易电量、电价；最后，通过滚动和博弈获得控制时域内各微网的最优控制序列，包括配电网联络线功率、与其它微网的交易电量、电价和制冷功率，然后下发其中第一个控制序列到各微网。
优选地，所述博弈模型如下。
如图1所示，博弈方为系统中的N个楼宇微网。对全部N个微网进行编号，由于各楼宇参数、内部发电量和负荷水平存在差异，在T时间段，微网发电量可能与自身负荷不匹配。若存在富余电量，则称为“多电楼宇微网”；若存在缺额电量，则称为“少电楼宇微网”。本发明楼宇微网各自独立的，追求自身利益最大。各微网为追求收益最高，多电楼宇希望以尽可能高的电价将富余电量出售给少电楼宇或者配电网；少电楼宇则希望以尽可能低的价格从配电网或者多电楼宇购电。博弈可以保证博弈参与者利益最大化，因此对各微网而言，采用博弈模型可以最大程度降低自身的运行成本。本发明进行一天的优化调控，每隔15min取一个时间断面，需要在较短时间内得到博弈策略。基于以上考虑，本发明将建立一个不依赖迭代寻优算法的博弈模型。
1.博弈策略
博弈过程中，博弈各方以己方收益最大为原则进行博弈，博弈时不因其它博弈方的收益而改变己方博弈策略。其中，少电楼宇博弈策略是与多电楼宇的交易电量；多电楼宇的博弈策略是与少电微网的交易电价。博弈过程多电楼宇首先给出售电电价，然后少电楼宇按照楼宇编号由小到大依序与多电楼宇进行交易，直至富余电量为零或电量缺额为零。
2.博弈收益
各楼宇微网的博弈收益可以由两部分组成：与配电网交易收益和与其它楼宇微网的交易收益。
1)多电楼宇微网i
T时间段，多电楼宇i与配电网交易收益Cd,i,t为：
式中：
为t时刻配电网的售电单价；
为t时刻配电网的购电单价；Pd,i,t为楼宇微网i与配电网的交易电量，从配电网购电为正，向配电网售电为负。
T时间段，多电楼宇i与少电楼宇交易收益Ctrading,i,t为：
式中：Ns,j,j＝1L p为t时刻p个少电楼宇微网编号；Pij,t为交易电量，表示t时刻多电楼宇i向少电楼宇j的售电量，其值为正；
为交易电价，表示i向j售电单价，其值为正。
综上，T时间段内，多电楼宇微网i的收益为：
Ci,t＝Cd,i,t+Ctrading,i,t
2)少电楼宇微网j
T时间段，少电楼宇j与配电网交易收益Cd,j,t为：
式中：Pd,j,t为楼宇j与配电网交易电量，从配电网购电为正，向配电网售电为负。
T时间段，少电楼宇j与多电楼宇交易收益Ctrading,j,t如式(5)所示：
式中：Nd,i,i＝1L q为t时刻q个多电楼宇微网编号；
表示t时刻楼宇j的购电单价，可以表示为：
式中：
为服务费用，若多楼宇通过博弈达成交易，配电网收取一定服务费用，由购电方承担，本发明假定当少电方从多电方购电单价相同时，优先选择服务费用低的一方进行交易。
考虑到各楼宇微网之间交易电价的合理性，应当保证：a)少电楼宇方购电价格不应高于从配电网购电价格；b)多电楼宇方的售电价格不应低于向配电网售电价格，
即：
综上，T时间段内，少电楼宇微网j的收益为：
Cj,t＝Cd,j,t+Ctrading,j,t
优选地，基于博弈的多楼宇滚动调控模型如下。
1.楼宇预测模型
在滚动调控过程中，输入变量是各楼宇微网的负荷需求、风机输出功率及光伏输出功率预测值。
电负荷预测模型：
本发明使用的电负荷预测模型主要针对楼宇不可控电负荷预测模型，主要包括照明及插座负荷。该类负荷预测采用计及不确定因素的逐时用电百分比进行预测计算，可表示为：
Pload,n,t＝Lper,n,t×(PDlight，n+PDequ,n)×Sn
式中：Pload,n,t表示楼宇n在t时刻的电负荷预测值；Lper,n,t表示计及不确定因素的逐时用电百分比；PDlight,n表示照明功率密度值；PDequ,n表示插座功率密度值，单位为W/m2；Sn表示楼宇n的面积。
热负荷预测模型：
本发明考虑楼宇人员活动和用电设备工作时产生的随机热负荷，以及楼宇与室外传递的热量和太阳辐射产生的热量。楼宇在t时刻的随机热负荷Qin,n,t为：
Qin,n,t＝Qbody,n,t+Qequ,n,t+Qout,n,t+Qsun,n,t
Qbody,n,t表示人员活动的随机热负荷：
式中：Bper,n,t表示计及不确定因素的人员逐时在室百分比；Qaverage,n表示人体平均散热量，单位为W/人；Sbody,n表示人均占有面积，单位为m2/人。
Qequ,n,t楼宇内设备运行产生的随机热负荷：
Qequ,n,t＝Lper,n,t×(PDlight,n,t+PDequ,n,t)×Sn×εn
式中：εn表示设备的散热比例。
Qout,n,t表示楼宇与外墙/窗与室外传递热量：
式中：kwall,n、kwin,n分别表示楼宇n的外墙和外窗传热系数；Fwall,n、Fwin,n分别表示楼宇n的外墙和外窗面积；
Qsun,n,t表示太阳热辐射传递的热量：
Qsun,n,t＝Is,t×Fwin,n×Sc,n
式中：Is,t表示太阳辐射功率；Sc,n表示楼宇的遮阳系数。
风机、光伏预测模型；
风机和光伏预测，模型满足下式:
式中：Pwt,t、Ppv,t分别表示风机输出功率、光伏输出功率的日前预测值；
分别表示输入变量在t时刻的短期预测值；
表示输入变量日前预测值在t时刻的预测不确定阈值；R(t)为一个服从均一分布U(1,1)的随机数。
滚动优化模型
1)目标函数
各微网在基于博弈的滚动优化过程中，优化目标为控制时域内各自运行成本最低：
式中，Cd,n,t为楼宇n与配电网交易收益；Ctrading,n,t为楼宇n与其它楼宇交易的收益：
Cmaintenance,n,t为楼宇n设备使用维护成本：
式中：Cwt_om、Cpv_om、Cbt_om和Cec_om分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本[20]。
Cpunishment,n,t为影响用户温度舒适度而设的罚函数项：
Cpunishmen,t＝γ|Tin,t-Tset,t|
式中：γ为用户敏感系数。
2)约束条件
各楼宇微网滚动调控模型约束为：
(3)电功率平衡约束
Ptrading,n,t为楼宇n与其它微网的交易电量，若t时刻n为多电楼宇微网，则
若t时刻n为少电楼宇微网，则
PDG,n,t表示楼宇n与配电网的交易电量，应满足系统与外网允许交互的容量约束：
Pec,n,t表示电制冷机消耗的电功率，其应满足的运行约束如下：
电制冷机的制冷功率Qec,n,t与Pec,n,t的关系为：
Qec,n,t＝Pec,n,t×COPec
式中：COPec为电制冷机的能效比。
Pbt,n,t为蓄电池的充放电功率，充电为正，放电为负，蓄电池需满足以下运行条件：
Sn,1＝Sn，24
式中：Sn,t为t时刻蓄电池剩余电量；
分别为容量上下限；Ic、Id分别为蓄电池的充放电状态，为{0,1}变量；ηc、ηd为蓄电池充放电效率。
(4)热平衡约束
基于楼宇蓄热特性，依据能量守恒构建了楼宇虚拟储能模型，根据其差分方程得到楼宇虚拟储能模型的的热平衡约束：
ρCVn(Tin,n,t+1-Tin,n,t)＝ΔT×(Qin,n,t-Qcooling,n,t)
式中：ρ、Vn、C分别表示室内空气密度、体积和空气比热容，等式左侧表示室内热量的变化量；Qcooling,n,t表示楼宇的制冷需求，本发明假定电制冷机的制冷功率与楼宇的制冷需求相等，即：
Qcooling,n,t＝Qec,n,t
应用：预测各楼宇微网的负荷需求、风机输出功率及光伏输出功率，并将博弈模型引入到模型预测调控过程中，实现了多楼宇微网之间的电量交易。
1.数据
如图1所示，楼宇微网1(MG1)为办公楼，有光伏和风机；楼宇2(MG2)和3(MG3)为住宅楼，有光伏无风机。建筑参数及运行信息见附录表B2，微网中设备参数见附录表B3。选取我国北方夏季某一典型日，该日太阳辐射强度和室外温度日前预测曲线如附录图A1，配电网售电电价日前预测值见附录图A2，分布式电源出力预测曲线如附录图A3，各微网日前电/热负荷见附录图A4。楼宇用户温度设定为22.5℃，工作时间内可接受温度在设定温度的±2.5℃范围内波动，用户敏感系数设定为0.1。进行一天的优化调控，每隔15min取一个时间断面，即滚动优化每隔15min启动一次，Np＝Nc＝16。
2.结果分析
2.1.博弈分析
当某一时刻存在两个多电楼宇时，在博弈过程中，多电楼宇面临两种情况：1)优先被少电楼宇选择进行交易；2)未优先被少电楼宇选择。此时，多电楼宇面临如下两种策略：
策略一：将售电电价设置为最高电价，放弃与另一楼宇的竞争。若另一楼宇将富余电量全部售完之后，少电楼宇的用电需求若仍不能得到满足，则该多电楼宇首先以较高的电价将电量售卖给少电楼宇，若满足少电楼宇的需求后仍有剩余电量，则售卖给配电网，计算收益函数Ccelue1,i；
策略二：降低售电电价，价格为可以优先将自身富余电量售出的最高定价，计算此时的收益函数Ccelue2,i。
根据Ccelue2,i＝Ccelue1,i，可得到该楼宇可以接受的最低定价
多电方需要判断己方给出的最低定价
是否可以在竞争中胜出，即己方最低定价是否低于另一楼宇最低定价。若可以胜出，则选择策略二；若无法胜出，则选择策略一。
假设某一时刻，MG1为少电楼宇，MG2和MG3为多电楼宇，富余电量分别为
Psu,2,t为50kW，Psu,3,t为150kW；配电网服务费单价随配电网售电电价同步浮动，
为
为
设配电网售电
为1.00元/kW、购电单价
为0.60元/kW。Psu,1,t变化过程中，各楼宇之间的交易电量及交易单价变化如图4所示。
情况a：当|Psu,1,t|≥Psu,2,t+Psu,3,t时，即
MG2和MG3不存在竞争，Ccelue1≥Ccelue2恒成立，MG2和MG3均选择策略一，将售电电价提高到MG1能接受的最高定价。
情况b：当Psu,2,t≤|Psu,1,t|≤Psu,2,t+Psu,3,t时，即
如图4所示：在第一阶段，Ccelue1,2≤Ccelue2,2，MG2选择策略2，且其制定的售电电价促使MG3选择策略一退出竞争；在第二阶段，MG2售电电价稳定在最低电价
此时对于MG3存在Ccelue1,3≤Ccelue2,3，故MG3选择策略二，给出最低定价
情况c：当|Psu,1,t|≤Psu,2,t,|Psu,1,t|≤Psu,3,t时，即
对于MG2和MG3，策略二收益均高于策略一，均选择策略二给出最低定价。在该情况下，MG1分别从MG2和MG3购电价格相同，但是因为
故MG1选择MG3进行交易。
3.2.2不同场景下楼宇调控结果分析
为了分析楼宇微网基于博弈的滚动调控结果。设置两种运行场景：
1)场景一：楼宇以各自运行成本最低为目标，基于滚动调控方法进行优化调控，楼宇微网间不存在功率交互；
2)场景二：楼宇以各自运行成本最低为目标，楼宇微网间存在功率交互，基于博弈的滚动进行优化调控，假定
场景一下，各楼宇微网与配电网的交易电量如图5(购电为正，售电为负)。由于MG1接入风机，负荷波动大，与MG2和MG3相比，MG1与配电网联络线功率波动大。MG2与MG3都是住宅楼宇，MG2和MG3与配电网联络线功率变化趋势相同。场景一下各楼宇与配电网交易电量趋势为：a)0:00～7:00时段，MG1在非工作时间段，用电负荷低，风电出力高，存在富余电量，向配电网送电；MG2和MG3因不含风机，存在电量缺额，需从配电网购电。b)在光照强度较大时，如10:00～16:00时间段，MG1用电负荷达到高峰，虽然光伏输出功率大，仍存在电量缺额，从配电网购电；而MG2和MG3因为用电负荷水平低于MG1，存在富余电量，向配电网输送电量。在一天的调控过程中，三个微网对外供电能力存在差异。若微网间可进行交易，各微网以博弈模型进行竞价，则可降低配电网购售电量，提高各经济收益。
场景二中，各微网之间存在功率交互，MG1在场景一和场景二下与配电网间交易电量如图6所示，MG2和MG3在场景一和场景二下与配电网联络线功率见附录图A5和A6。场景二下各微网与配电网交易电量减少。
图7为0:00～6:00时间段内，楼宇之间交易电价和交易电量。该大多数时刻，MG2和MG3从MG1购电，MG1富余电量可同时满足MG2和MG3需求。MG1可将售电电价定为MG2、MG3可以接受的最高电价，即
此时少电方从配电网购电和从多电方购电价格相同，
但是多电方(MG1)售电电价高于其向配电网售电电价，即
能够提高MG1收益。当MG1富余电量不能同时满足MG2和MG3的需求电量时，MG1将富余电量售卖给使自己收益最大的少电方，可将对另一少电方的售电电价定为
则另一少电方因为还要支付服务费用，故放弃与多电方交易。以图中01:15时刻为例，MG1选择了与MG3交易，即此时C12＝Csell,P12＝0。
图8为10:00～16:00时间段内楼宇间交易电价，MG2、MG3与MG1的交易电量占各自剩余电量的百分比Pper,2、Pper,3如图9所示。当Pper,2、Pper,3均为100％时(以11:30时刻为例)，各微网富余电量情况满足情况a，MG2和MG3均选择策略一，将售电电价提高到少电方所能接受的最高定价；当MG1只与其中一方进行交易时(以12:15时刻为例)，各微网富余电量满足情况c，因为
MG3为竞争优势方，故MG1选择与MG3进行交易，Pper,2＝0；其余均属于情况b。
两种场景下，各楼宇微网的运行成本如表1所示。结果可知，各楼宇微网之间采用博弈方式进行电量交易，均能够在模型预测调控的基础上，进一步提高售电收益，降低运行成本。
表1
本发明实施例还提供了一种电子设备，图10示出了可以应用本发明实施例的电子设备的结构示意图，如图10所示，该计算机电子设备包括，中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM1003中，还存储有系统操作所需的各种程序和数据。CPU1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介可以是单独存在，未装配入电子设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明的一种多楼宇微网系统滚动调控方法。
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 (10)
1.一种多楼宇微网系统滚动调控方法,其特征在于，所述调控方法包括：
建立多微网交易博弈模型；
将所述博弈模型引入到模型预测调控过程中得到基于博弈的多楼宇滚动调控框架，以实现了多楼宇微网之间的电量交易，其中，在滚动调控模型中，输入变量为各楼宇微网的负荷需求、风机输出功率及光伏输出功率预测值；
采用博弈策略，将微网剩余电量以较高的价格售出。
2.根据权利要求1所述的调控方法,其特征在于，基于博弈的多楼宇滚动调控框架，包括楼宇微网系统结构及滚动调控模型框架。
3.根据权利要求2所述的调控方法,其特征在于，基于博弈的多楼宇滚动调控框架建立步骤为：
获取预测数据，包括电/热负荷预测、光伏及风机功率预测；
各微网基于所述预测数据进行内部功率优化，得到预测时域内每一时刻富余电量，各微网以己方收益最大为原则进行博弈，得到各楼宇与配电网及其它楼宇的交易电量、电价；
通过滚动和博弈获得控制时域内各微网的最优控制序列，包括配电网联络线功率、与其它微网的交易电量、电价和制冷功率，并下发其中第一个控制序列到各微网。
4.根据权利要求1所述的调控方法,其特征在于，多微网交易博弈模型，包括博弈策略，
博弈策略具体为：
在博弈过程中，博弈各方以己方收益最大为原则进行博弈，博弈时不因其他博弈方的收益而改变己方博弈策略，其中，少电楼宇博弈策略是与多电楼宇的交易电量，多电楼宇的博弈策略是与少电微网的交易电价。
5.根据权利要求4所述的调控方法,其特征在于，多微网交易博弈模型还包括博弈收益；
博弈收益具体为：
各楼宇微网的博弈收益可以由两部分组成：与配电网交易收益和与其它楼宇微网的交易收益；
1)多电楼宇微网i
T时间段，多电楼宇i与配电网交易收益Cd,i,t为：
式中：
为t时刻配电网的售电单价；
为t时刻配电网的购电单价；Pd,i,t为楼宇微网i与配电网的交易电量，从配电网购电为正，向配电网售电为负；
T时间段，多电楼宇i与少电楼宇交易收益Ctrading,i,t为：
式中：Ns,j,j＝1L p为t时刻p个少电楼宇微网编号；Pij,t为交易电量，表示t时刻多电楼宇i向少电楼宇j的售电量，其值为正；
为交易电价，表示i向j售电单价，其值为正；
T时间段内，多电楼宇微网i的收益为：
Ci,t＝Cd,i,t+Ctrading,i,t
2)少电楼宇微网j
T时间段，少电楼宇j与配电网交易收益Cd,j,t为：
式中：Pd,j,t为楼宇j与配电网交易电量，从配电网购电为正，向配电网售电为负；
T时间段，少电楼宇j与多电楼宇交易收益Ctrading,j,t如式(5)所示：
式中：Nd,i,i＝1L q为t时刻q个多电楼宇微网编号；
表示t时刻楼宇j的购电单价，可以表示为：
式中：
为服务费用，若多楼宇通过博弈达成交易，配电网收取一定服务费用，由购电方承担，本发明假定当少电方从多电方购电单价相同时，优先选择服务费用低的一方进行交易；
考虑到各楼宇微网之间交易电价的合理性，应当保证：a)少电楼宇方购电价格不应高于从配电网购电价格；b)多电楼宇方的售电价格不应低于向配电网售电价格，
即：
T时间段内，少电楼宇微网j的收益为：
Cj,t＝Cd,j,t+Ctrading,j,t。
6.根据权利要求1所述的调控方法,其特征在于，基于博弈的多楼宇滚动调控框架基于博弈的多楼宇滚动调控模型，包括；楼宇预测模型及滚动优化模型。
7.根据权利要求1所述的调控方法,其特征在于，楼宇预测模型包括：
1)电负荷预测模型
负荷预测采用计及不确定因素的逐时用电百分比进行预测计算，可表示为：
Pload,n,t＝Lper,n,t×(PDlight，n+PDequ,n)×Sn
式中：Pload,n,t表示楼宇n在t时刻的电负荷预测值；Lper,n,t表示计及不确定因素的逐时用电百分比；PDlight,n表示照明功率密度值；PDequ,n表示插座功率密度值，单位为W/m2；Sn表示楼宇n的面积；
2)热负荷预测模型
考虑楼宇人员活动和用电设备工作时产生的随机热负荷，以及楼宇与室外传递的热量和太阳辐射产生的热量，楼宇在t时刻的随机热负荷Qin,n,t为：
Qin,n,t＝Qbody,n,t+Qequ,n,t+Qout,n,t+Qsun,n,t
Qbody,n,t表示人员活动的随机热负荷：
式中：Bper,n,t表示计及不确定因素的人员逐时在室百分比；Qaverage,n表示人体平均散热量，单位为W/人；Sbody,n表示人均占有面积，单位为m2/人；
Qequ,n,t楼宇内设备运行产生的随机热负荷：
Qequ,n,t＝Lper,n,t×(PDlight,n,t+PDequ,n,t)×Sn×εn
式中：εn表示设备的散热比例；
Qout,n,t表示楼宇与外墙/窗与室外传递热量：
式中：kwall,n、kwin,n分别表示楼宇n的外墙和外窗传热系数；Fwall,n、Fwin,n分别表示楼宇n的外墙和外窗面积；
Qsun,n,t表示太阳热辐射传递的热量：
Qsun,n,t＝Is,t×Fwin,n×Sc,n
式中：Is,t表示太阳辐射功率；Sc,n表示楼宇的遮阳系数；
3)风机、光伏预测模型
风机和光伏预测，模型满足下式:
式中：Pwt,t、Ppv,t分别表示风机输出功率、光伏输出功率的日前预测值；
分别表示输入变量在t时刻的短期预测值；
表示输入变量日前预测值在t时刻的预测不确定阈值；R(t)为一个服从均一分布U(1,1)的随机数。
8.根据权利要求3所述的调控方法,其特征在于，所述滚动优化模型包括：
目标函数：
各微网在基于博弈的滚动优化过程中，优化目标为控制时域内各自运行成本最低：
式中，Cd,n,t为楼宇n与配电网交易收益；Ctrading,n,t为楼宇n与其它楼宇交易的收益：
Cmaintenance,n,t为楼宇n设备使用维护成本：
式中：Cwt_om、Cpv_om、Cbt_om和Cec_om分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本；
Cpunishment,n,t为影响用户温度舒适度而设的罚函数项；
Cpunishmen,t＝γ|Tin,t-Tset,t|
式中：γ为用户敏感系数；
约束条件：
各楼宇微网滚动调控模型约束为：
(1)电功率平衡约束
Ptrading,n,t为楼宇n与其它微网的交易电量，若t时刻n为多电楼宇微网，则
若t时刻n为少电楼宇微网，则
PDG,n,t表示楼宇n与配电网的交易电量，应满足系统与外网允许交互的容量约束：
Pec,n,t表示电制冷机消耗的电功率，其应满足的运行约束如下：
电制冷机的制冷功率Qec,n,t与Pec,n,t的关系为：
Qec,n,t＝Pec,n,t×COPec
式中：COPec为电制冷机的能效比；
Pbt,n,t为蓄电池的充放电功率，充电为正，放电为负，蓄电池需满足以下运行条件：
Sn,1＝Sn，24
式中：Sn,t为t时刻蓄电池剩余电量；
分别为容量上下限；Ic、Id分别为蓄电池的充放电状态，为{0,1}变量；ηc、ηd为蓄电池充放电效率；
(2)热平衡约束
基于楼宇蓄热特性，依据能量守恒构建了楼宇虚拟储能模型，根据其差分方程得到楼宇虚拟储能模型的的热平衡约束：
ρCVn(Tin,n,t+1-Tin,n,t)＝ΔT×(Qin,n,t-Qcooling,n,t)
式中：ρ、Vn、C分别表示室内空气密度、体积和空气比热容，等式左侧表示室内热量的变化量；Qcooling,n,t表示楼宇的制冷需求。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8任一项所述的多楼宇微网系统滚动调控方法。
10.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1-8中任一项所述的多楼宇微网系统滚动调控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722338.8A CN113452087A (zh) | 2021-06-28 | 2021-06-28 | 一种多楼宇微网系统滚动调控方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722338.8A CN113452087A (zh) | 2021-06-28 | 2021-06-28 | 一种多楼宇微网系统滚动调控方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113452087A true CN113452087A (zh) | 2021-09-28 |
Family
ID=77813536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110722338.8A Pending CN113452087A (zh) | 2021-06-28 | 2021-06-28 | 一种多楼宇微网系统滚动调控方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113452087A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114977330A (zh) * | 2022-07-11 | 2022-08-30 | 湖南大学 | 建筑分布式光伏-蓄电池系统连续运行调度方法及平台 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107732897A (zh) * | 2017-09-12 | 2018-02-23 | 天津大学 | 融合虚拟储能系统的楼宇微网模型预测调控方法 |
| CN109884888A (zh) * | 2018-12-30 | 2019-06-14 | 国网天津市电力公司电力科学研究院 | 一种基于非合作博弈的多楼宇微网模型预测调控方法 |
| WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
-
2021
- 2021-06-28 CN CN202110722338.8A patent/CN113452087A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107732897A (zh) * | 2017-09-12 | 2018-02-23 | 天津大学 | 融合虚拟储能系统的楼宇微网模型预测调控方法 |
| WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
| CN109884888A (zh) * | 2018-12-30 | 2019-06-14 | 国网天津市电力公司电力科学研究院 | 一种基于非合作博弈的多楼宇微网模型预测调控方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐海华等: "基于博弈的多楼宇微网系统滚动调控方法", 《电力系统及其自动化学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114977330A (zh) * | 2022-07-11 | 2022-08-30 | 湖南大学 | 建筑分布式光伏-蓄电池系统连续运行调度方法及平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109884888B (zh) | 一种基于非合作博弈的多楼宇微网模型预测调控方法 | |
| WO2023103385A1 (zh) | 一种多能微网群自身及市场决策协同优化方法 | |
| CN109657993B (zh) | 一种基于非合作博弈的能源局域网储能系统自动需求响应方法 | |
| CN112651105B (zh) | 一种基于博弈论的微网容量配置优化方法 | |
| CN111008739B (zh) | 一种热电联产虚拟电厂优化调控及收益分配方法及系统 | |
| CN112991087A (zh) | 综合能源系统能量模拟与优化调度方法、系统及设备 | |
| CN111641226B (zh) | 一种计及自动需求响应的建筑型微电网光伏利用率提高方法 | |
| CN110322056A (zh) | 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法 | |
| CN111353128B (zh) | 一种基于非合作博弈的多能量枢纽优化运行方法 | |
| CN112564102B (zh) | 多微网负荷优化调度方法和系统 | |
| CN112883584A (zh) | 一种考虑利益交互的多能微网群冷热电多能耦合优化方法 | |
| CN111476414A (zh) | 一种光伏产消者优化决策方法 | |
| 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 | |
| CN113344249A (zh) | 基于区块链的冷热电联供多微网优化调度方法和系统 | |
| CN112561329A (zh) | 一种考虑用户侧互动的配售电公司优化运行方法 | |
| Fu et al. | Research on the stackelberg game method of building micro-grid with electric vehicles | |
| Tan et al. | Optimization and trading of district multi-energy system in university community considering carbon emission | |
| CN114970962A (zh) | 一种电气热综合能源系统优化方法 | |
| CN113452087A (zh) | 一种多楼宇微网系统滚动调控方法及电子设备 | |
| CN116742614A (zh) | 一种多微电网能量管理优化调度方法及系统 | |
| CN112036637A (zh) | 考虑风电消纳的社区能源互联网能源交易调度方法及系统 | |
| CN115509134A (zh) | 考虑楼宇特性、电能交易的楼宇群分布式优化调度方法 | |
| CN116228461A (zh) | 一种基于p2p交易的多虚拟电厂随机优化调度方法 | |
| CN113036751A (zh) | 一种考虑虚拟储能的可再生能源微电网优化调度方法 | |
| CN113610641A (zh) | 一种计及数据中心需求响应的园区多能运营商交易决策方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |