CN113708418A - 微电网优化调度方法 - Google Patents

微电网优化调度方法 Download PDF

Info

Publication number
CN113708418A
CN113708418A CN202111119374.1A CN202111119374A CN113708418A CN 113708418 A CN113708418 A CN 113708418A CN 202111119374 A CN202111119374 A CN 202111119374A CN 113708418 A CN113708418 A CN 113708418A
Authority
CN
China
Prior art keywords
scene
grid
micro
moment
energy storage
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.)
Granted
Application number
CN202111119374.1A
Other languages
English (en)
Other versions
CN113708418B (zh
Inventor
魏梅芳
吴燕
龙敏
黎跃龙
钟俊杰
李勇
黄頔
陈子元
王哲伟
骆娴睿
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Training Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Training Center of State Grid Hunan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Training Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111119374.1A priority Critical patent/CN113708418B/zh
Publication of CN113708418A publication Critical patent/CN113708418A/zh
Application granted granted Critical
Publication of CN113708418B publication Critical patent/CN113708418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Abstract

本发明公开了一种微电网优化调度方法，包括建立微电网模型；以微电网向上游电网的购售电状态为基准构建第一阶段优化调度模型；以微电网运行成本和新能源丢弃量为目标函数，以储能、新能源出力、需求响应和微电网与电网能量交互为约束构建第二阶段优化调度模型；求解模型得到最终的微电网优化调度结果。本发明构建由风电、光伏、储能、可转移负荷和可中断负荷组成的微电网模型，然后建立了基于KL散度的模糊集，最后提出了min‑max‑min三层两阶段分布鲁棒优化模型，并采用基于C&CG的算法来求解；因此本发明方法具有更强的鲁棒性，能够快速可靠收敛，而且可靠性高、实用性好且精度较高。

Description

微电网优化调度方法
技术领域
本发明属于电网调度领域，具体涉及一种微电网优化调度方法。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
同时，随着经济技术的发展，化石燃料的燃烧造成的碳排放问题突出。为应对碳排放问题，各国的可再生能源发电规模在不断扩大，但目前可再生能源发电仍占比较小。微电网具有灵活的运行特性，可以孤岛运行或者并网运行；而且微电网以分布式电源为主，利用储能和控制装置进行调节，实现能量的平衡。微电网中含有多种可再生能源，一般以风电、光伏、地热为主，多种能源的互补作用提高了能源系统的整体效率和能源供给可靠性，增加了消纳可再生能源的灵活性。而且存在多种可控单元。因此，微电网能够对电网的新能源消纳和调度过程，起到至关重要的作用。
近年来，越来越多的研究人员针对微电网调度方法进行了研究。现阶段，研究人员较多采用随机优化和鲁棒优化两种方法。随机规划方法使用概率理论来处理不确定性因素，通常需要先假定随机变量的概率分布，但假定的概率分布可能对不确定性的刻画不够准确，并且需要在计算精度和计算效率间进行权衡。鲁棒规划方法是一类基于区间扰动信息的不确定性决策方法，但由于考虑了最差场景下的最优解，可能造成结果较为保守。
因此，目前常用的微电网优化调度方法，其调度的精度较差，而且可靠性不高，实用性不好。
发明内容
本发明的目的在于提供一种可靠性高、实用性好且精度较高的微电网优化调度方法。
本发明提供的这种微电网优化调度方法，包括如下步骤：
S1.建立微电网模型；
S2.以微电网向上游电网的购售电状态为基准，构建第一阶段优化调度模型；
S3.以微电网运行成本和新能源丢弃量为目标函数，以储能、新能源出力、需求响应和微电网与电网能量交互为约束，构建第二阶段优化调度模型；
S4.对步骤S2和步骤S3构建的模型进行求解，从而得到最终的微电网优化调度结果。
步骤S1所述的建立微电网模型，具体为建立由风电、光伏、储能、可转移负荷和可中断负荷组成的微电网模型；所述可转移负荷定义为通过改变激励措施来调节用电时间段的负荷；所述可中断负荷定义为在用电高峰时能够直接切断供电的用电负荷。
步骤S2所述的以微电网向上游电网的购售电状态为基准，构建第一阶段优化调度模型，具体包括如下步骤：
采用如下算式作为第一阶段优化调度模型：
Figure BDA0003276502920000021
Figure BDA0003276502920000022
式中
Figure BDA0003276502920000031
为微电网在场景s在时刻t向上游电网购电的二进制变量，且
Figure BDA0003276502920000032
表示微电网向上游电网购电，
Figure BDA0003276502920000033
表示微电网未向上游电网购电；
Figure BDA0003276502920000034
为微电网在场景s在时刻t向上游电网售电的二进制变量，且
Figure BDA0003276502920000035
表示微电网向上游电网售电，
Figure BDA0003276502920000036
表示微电网未向上游电网售电；
Figure BDA0003276502920000037
为储能装置在场景s时刻t的充电状态的二进制变量，且
Figure BDA0003276502920000038
表示储能装置为充电状态，
Figure BDA0003276502920000039
表示储能装置为未充电状态；
Figure BDA00032765029200000310
为储能装置在场景s时刻t放电状态的二进制变量，且
Figure BDA00032765029200000311
表示储能装置为放电状态，
Figure BDA00032765029200000312
表示储能装置为未放电状态。
步骤S3所述的以微电网运行成本和新能源丢弃量为目标函数，具体包括如下步骤：
考虑最小化微电网运行成本和分布式能源的弃风量、弃光量最小，以如下算式作为目标函数：
Figure BDA00032765029200000313
式中S为场景s总数；T为时刻t的总数；
Figure BDA00032765029200000314
为微网在t时刻购电电价；
Figure BDA00032765029200000315
为微电网在场景s时刻t向上游电网购买的电量；
Figure BDA00032765029200000316
为在t时刻售电电价；
Figure BDA00032765029200000317
为微电网在场景s时刻t向上游电网售出的电量；λ为弃风量、弃光量的惩罚系数；
Figure BDA00032765029200000318
为在场景s时刻t微电网弃光的功率；
Figure BDA00032765029200000319
为在场景s时刻t微电网弃风的功率。
步骤S3所述的以储能、新能源出力、需求响应和微电网与电网能量交互为约束，具体包括如下步骤：
A.采用如下算式作为储能约束：
Figure BDA00032765029200000320
SOCmin≤SOCs,t≤SOCmax
Figure BDA0003276502920000041
Figure BDA0003276502920000042
Figure BDA0003276502920000043
式中SOCs,t为储能装置在场景s时刻t的荷电状态；
Figure BDA0003276502920000044
为储能装置在场景s时刻t的充电量；ηc为储能装置的充电量效率；
Figure BDA0003276502920000045
为储能装置在场景s时刻t的放电量；ηd为储能装置的放电量效率；Δt为调度间隔；SOCmin为储能装置的SOC最小值；SOCmax为储能装置的SOC最大值；
Figure BDA0003276502920000046
为在场景s时刻t储能装置充电状态的二进制变量；
Figure BDA0003276502920000047
为储能装置在场景s时刻t的放电量；
Figure BDA0003276502920000048
为储能装置在场景s时刻t放电状态的二进制变量；
Figure BDA0003276502920000049
为最大售电购率；SOCs,t＝24为场景s，t＝24时的荷电状态；SOC0为储能装置的初始容量；
B.采用如下算式作为需求响应约束：
可转移负荷模型为：
Figure BDA00032765029200000410
Figure BDA00032765029200000411
Figure BDA00032765029200000412
Figure BDA00032765029200000413
Figure BDA00032765029200000414
Figure BDA00032765029200000415
式中
Figure BDA00032765029200000416
为在场景s时刻t转移负荷后的微电网负荷；Ls,t为在场景s时刻t转移负荷前的微电网负荷；
Figure BDA00032765029200000417
为第一辅助变量；
Figure BDA00032765029200000418
为第二辅助变量；DRs,t为在场景s时刻t的转移负荷系数；Incs,t为在场景s时刻t的转移负荷作用下增加的负荷；
Figure BDA00032765029200000419
为最小负荷转移系数；
Figure BDA00032765029200000420
为最大负荷转移系数；
Figure BDA00032765029200000421
为需求响应的最大转移系数；
可中断负荷仅考虑空调负荷；可中断负荷模型为：
Figure BDA0003276502920000051
Figure BDA0003276502920000052
式中
Figure BDA0003276502920000053
为在场景s时刻t室内温度；Δt为时间间隔；R为空调所在空间的热阻；C为空调所在空间的热容量；
Figure BDA0003276502920000054
为在场景s时刻t空调启动的二进制变量，且
Figure BDA0003276502920000055
表示空调启动，
Figure BDA0003276502920000056
表示空调未启动；
Figure BDA0003276502920000057
为在场景s时刻t空调功率；
Figure BDA0003276502920000058
为在场景s时刻t室外温度；
Figure BDA0003276502920000059
为空调所在空间所允许的温度下限；
Figure BDA00032765029200000510
为空调所在空间所允许的温度上限；
C.采用如下算式作为风电约束和光伏约束：
Figure BDA00032765029200000511
Figure BDA00032765029200000512
Figure BDA00032765029200000513
Figure BDA00032765029200000514
Figure BDA00032765029200000515
Figure BDA00032765029200000516
式中
Figure BDA00032765029200000517
为在场景s时刻t弃光功率；
Figure BDA00032765029200000518
为在场景s时刻t光伏出力预测值；
Figure BDA00032765029200000519
为在场景s时刻t光伏出力值；
Figure BDA00032765029200000520
为在场景s时刻t弃风功率；
Figure BDA00032765029200000521
为在场景s时刻t风电出力预测值；
Figure BDA00032765029200000522
为在场景s时刻t风电出力值；
Figure BDA00032765029200000523
为光伏出力最小值；
Figure BDA00032765029200000524
为光伏出力最大值；
Figure BDA00032765029200000525
为风电出力最小值；
Figure BDA00032765029200000526
为风电出力最大值；
Figure BDA00032765029200000527
为时刻t弃光功率最小值；
Figure BDA00032765029200000528
为时刻t弃光功率最大值；
Figure BDA00032765029200000529
为在时刻t弃风功率最小值；
Figure BDA00032765029200000530
为s时刻t弃风功率最大值；
D.采用如下算式作为微电网和上游电网能量交互约束：
Figure BDA0003276502920000061
Figure BDA0003276502920000062
Figure BDA0003276502920000063
Figure BDA0003276502920000064
式中
Figure BDA0003276502920000065
为在场景s时刻t微电网向上游电网购买的电量；
Figure BDA0003276502920000066
为在场景s时刻t光伏出力值；
Figure BDA0003276502920000067
为在场景s时刻t风电出力值；
Figure BDA0003276502920000068
为在场景s时刻t储能装置的放电量；
Figure BDA0003276502920000069
为在场景s时刻t转移负荷后的微电网负荷；
Figure BDA00032765029200000610
为在场景s时刻t微电网向上游电网售出的电量；
Figure BDA00032765029200000611
为在场景s时刻t储能装置的充电量；NR为房间总数；
Figure BDA00032765029200000612
为在场景s时刻t空调启动的二进制变量；
Figure BDA00032765029200000613
为在场景s时刻t空调功率；
Figure BDA00032765029200000614
为微网在场景s时刻t等效售电量；
Figure BDA00032765029200000615
为在场景s时刻t微电网向上游电网购电的二进制变量；
Figure BDA00032765029200000616
为最大购电量；
Figure BDA00032765029200000617
为在场景s时刻t微电网向上游电网售电的二进制变量；
Figure BDA00032765029200000618
为最大售电量。
步骤S4所述的对步骤S2和步骤S3构建的模型进行求解，从而得到最终的微电网优化调度结果，具体包括如下步骤：
a.根据风电和光伏的不确定性，建立基于KL散度的模糊集；
b.基于步骤a建立的模糊集，构建微电网min-max-min三层两阶段分布鲁棒优化模型；
c.根据步骤b建立的模型，将三层问题分解为主问题和子问题进行迭代求解，从而得到最终的微电网优化调度结果。
步骤a所述的建立基于KL散度的模糊集，具体包括如下步骤：
采用KL散度描述2个概率分布函数之间的距离；对于两个离散的分布P和P0，采用如下算式计算KL距离DKL(P‖P0)：
Figure BDA0003276502920000071
式中N为离散样本总数；πn为P在样本中的离散概率；
Figure BDA0003276502920000072
为P0P在样本中的离散概率；
考虑与参考分布P0的KL距离不超过设定阈值ρ的所有分布函数，构建模糊集D为D＝{P∣DKL.(P‖P0)≤ρ}；
采用如下算式计算设定阈值ρ的值：
Figure BDA0003276502920000073
式中M为样本总数；χN-1，α为N-1自由度的卡方分布a的上分位数。
步骤b所述的基于步骤a建立的模糊集，构建微电网min-max-min三层两阶段分布鲁棒优化模型，具体包括如下步骤：
第一阶段优化问题为制定微电网是否向上游购电或售电的计划，以及微电网储能装置的充放电计划；第二阶段优化问题为在不确定性实现后制定相应的调度计划；
采用如下算式表示微电网两阶段分布鲁棒优化模型：
Figure BDA0003276502920000074
Figure BDA0003276502920000075
I∈{0,1},
Figure BDA0003276502920000076
式中S为场景总数；ρs为场景概率；CT为第一常数矩阵；Ps为第二阶段优化问题中的连续变量；Z为第二常数矩阵；I为第一阶段优化问题中的0-1变量；G为常数矩阵；Q为第三常数矩阵；
Figure BDA0003276502920000077
为第二阶段优化问题中的0-1变量；h为第四常数矩阵。
步骤c所述的根据步骤b建立的模型，将三层问题分解为主问题和子问题进行迭代求解，从而得到最终的微电网优化调度结果，具体包括如下步骤：
c-1.主问题：每当内层循环找到一个最严重的场景，就返回给主问题建立一组新的变量并求解：
Figure BDA0003276502920000081
Figure BDA0003276502920000082
Figure BDA0003276502920000083
η≥0,I∈{0,1},
Figure BDA0003276502920000084
Figure BDA0003276502920000085
式中η为中间变量，表示对子问题的预估值；K、w分别表示外层循环的总次数和第w次；
Figure BDA0003276502920000086
为第w次迭代时找到的最严重场景分布概率；
主问题得到的是原问题的下界LBout，而子问题得到的是原问题的上界UBout；当上界和下界满足设定误差时，模型达到收敛标准：
|UBout-LBout|≤εout
式中εout为设定误差；
c-2.子问题：内层子问题用于寻找出最严重的场景分布概率并返回给主问题：
Figure BDA0003276502920000087
Figure BDA0003276502920000088
Figure BDA0003276502920000089
c-3.将子问题解耦为两个独立的步骤：
1)求解下层s个混合整数线性规划模型，并得到
Figure BDA00032765029200000810
Figure BDA0003276502920000091
Figure BDA0003276502920000092
Figure BDA0003276502920000093
2)将步骤1)求得的最优值
Figure BDA0003276502920000094
带入上层模型：
Figure BDA0003276502920000095
c-4.通过求解子问题，得到
Figure BDA0003276502920000096
并返回给主问题；
c-5.重复上述步骤，从而得到最终的微电网优化调度结果。
本发明提供的这种微电网优化调度方法，针对微电网经济调度的工程需求，提出基于KL散度的微电网两阶段分布鲁棒优化调度方法；首先构建由风电、光伏、储能、可转移负荷和可中断负荷等组成的微电网模型，然后考虑微电网中风电、光伏的场景分布概率的不确定性，建立了基于KL散度的模糊集，最后提出了min-max-min三层两阶段分布鲁棒优化模型，并采用基于C&CG的算法来求解；因此本发明方法具有更强的鲁棒性，能够快速可靠收敛，而且可靠性高、实用性好且精度较高。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明实施例的基于KL散度后分布鲁棒优化模型中不确定性分布的变化示意图。
图3为本发明实施例的测试不同距离参数ρ对模型的影响示意图。
图4为本发明实施例的C&CG算法收敛效果示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种微电网优化调度方法，包括如下步骤：
S1.建立微电网模型；具体为建立由风电、光伏、储能、可转移负荷和可中断负荷组成的微电网模型；所述可转移负荷定义为通过改变激励措施来调节用电时间段的负荷；所述可中断负荷定义为在用电高峰时能够直接切断供电的用电负荷；
S2.以微电网向上游电网的购售电状态为基准，构建第一阶段优化调度模型；具体包括如下步骤：
采用如下算式作为第一阶段优化调度模型：
Figure BDA0003276502920000101
Figure BDA0003276502920000102
式中
Figure BDA0003276502920000103
为微电网在场景s时刻t向上游电网购电的二进制变量，且
Figure BDA0003276502920000104
表示微电网向上游电网购电，
Figure BDA0003276502920000105
表示微电网未向上游电网购电；
Figure BDA0003276502920000106
为微电网在场景s时刻t向上游电网售电的二进制变量，且
Figure BDA0003276502920000107
表示微电网向上游电网售电，
Figure BDA0003276502920000108
表示微电网未向上游电网售电；
Figure BDA0003276502920000109
为储能装置在场景s时刻t充电状态的二进制变量，且
Figure BDA00032765029200001010
表示储能装置为充电状态，
Figure BDA00032765029200001011
表示储能装置为未充电状态；
Figure BDA00032765029200001012
为储能装置在场景s时刻t放电状态的二进制变量，且
Figure BDA00032765029200001013
表示储能装置为放电状态，
Figure BDA00032765029200001014
表示储能装置为未放电状态。
S3.以微电网运行成本和新能源丢弃量为目标函数，以储能、新能源出力、需求响应和微电网与电网能量交互为约束，构建第二阶段优化调度模型；
具体实施时，构建目标函数包括如下步骤：
考虑最小化微电网运行成本和分布式能源的弃风量、弃光量最小，以如下算式作为目标函数：
Figure BDA0003276502920000111
式中S为场景s总数；T为时刻t的总数；
Figure BDA0003276502920000112
为微网在t时刻购电电价；
Figure BDA0003276502920000113
为微电网在场景s时刻t向上游电网购买的电量；
Figure BDA0003276502920000114
为在t时刻售电电价；
Figure BDA0003276502920000115
为微电网在场景s时刻t向上游电网售出的电量；λ为弃风量、弃光量的惩罚系数；
Figure BDA0003276502920000116
为在场景s时刻t微电网弃光的功率(变量定义请补充，应该在定义中存在s和t的定义)；
Figure BDA0003276502920000117
为在场景s时刻t微电网弃风的功率。
构建约束具体包括如下步骤：
A.采用如下算式作为储能约束：
Figure BDA0003276502920000118
SOCmin≤SOCs,t≤SOCmax
Figure BDA0003276502920000119
Figure BDA00032765029200001110
SOCs,t＝24＝SOC0
式中SOCst为储能装置在场景s时刻t的荷电状态；
Figure BDA00032765029200001111
为储能装置在场景s时刻t的充电量；ηc为储能装置的充电量效率；
Figure BDA00032765029200001112
为储能装置在场景s时刻t的放电量；ηd为储能装置的放电量效率；Δt为调度间隔；SOCmin为储能装置的SOC最小值；SOCmax为储能装置的SOC最大值；
Figure BDA00032765029200001113
为在场景s时刻t储能装置充电状态的二进制变量；
Figure BDA00032765029200001114
为储能装置在场景s时刻t的放电量；
Figure BDA00032765029200001115
为储能装置在场景s时刻t放电状态的二进制变量；
Figure BDA00032765029200001116
为最大售电购率；SOCs,t＝24为场景s，t＝24时的荷电状态；SOC0为储能装置的初始容量；
B.采用如下算式作为需求响应约束：
可转移负荷模型为：
Figure BDA0003276502920000121
Figure BDA0003276502920000122
Figure BDA0003276502920000123
Figure BDA0003276502920000124
Figure BDA0003276502920000125
Figure BDA0003276502920000126
式中
Figure BDA0003276502920000127
为在场景s时刻t转移负荷后的微电网负荷；Ls,t为在场景s时刻t转移负荷前的微电网负荷；
Figure BDA0003276502920000128
为第一辅助变量；
Figure BDA0003276502920000129
为第二辅助变量；DRs,t为在场景s时刻t的转移负荷系数；Incs,t为在场景s时刻t的转移负荷作用下增加的负荷；
Figure BDA00032765029200001210
为最小负荷转移系数；
Figure BDA00032765029200001211
为最大负荷转移系数；
Figure BDA00032765029200001212
为需求响应的最大转移系数；
可中断负荷仅考虑空调负荷；可中断负荷模型为：
Figure BDA00032765029200001213
Figure BDA00032765029200001214
式中
Figure BDA00032765029200001215
为在场景s时刻t室内温度；Δt为时间间隔；R为空调所在空间的热阻；C为空调所在空间的热容量；
Figure BDA00032765029200001216
为在场景s时刻t空调启动的二进制变量，且
Figure BDA00032765029200001217
表示空调启动，
Figure BDA00032765029200001218
表示空调未启动；
Figure BDA00032765029200001219
为在场景s时刻t空调功率；
Figure BDA00032765029200001220
为在场景s时刻t室外温度；
Figure BDA00032765029200001221
为空调所在空间所允许的温度下限；
Figure BDA00032765029200001222
为空调所在空间所允许的温度上限；
C.采用如下算式作为风电约束和光伏约束：
Figure BDA00032765029200001223
Figure BDA0003276502920000131
Figure BDA0003276502920000132
Figure BDA0003276502920000133
Figure BDA0003276502920000134
Figure BDA0003276502920000135
式中
Figure BDA0003276502920000136
为在场景s时刻t弃光功率；
Figure BDA0003276502920000137
为在场景s时刻t光伏出力预测值；
Figure BDA0003276502920000138
为在场景s时刻t光伏出力值；
Figure BDA0003276502920000139
为在场景s时刻t弃风功率；
Figure BDA00032765029200001310
为在场景s时刻t风电出力预测值；
Figure BDA00032765029200001311
为在场景s时刻t风电出力值；
Figure BDA00032765029200001312
为光伏出力最小值；
Figure BDA00032765029200001313
为光伏出力最大值；
Figure BDA00032765029200001314
为风电出力最小值；
Figure BDA00032765029200001315
为风电出力最大值；
Figure BDA00032765029200001316
为时刻t弃光功率最小值；
Figure BDA00032765029200001317
为时刻t弃光功率最大值；
Figure BDA00032765029200001318
为在时刻t弃风功率最小值；
Figure BDA00032765029200001319
为s时刻t弃风功率最大值；
D.采用如下算式作为微电网和上游电网能量交互约束：
Figure BDA00032765029200001320
Figure BDA00032765029200001321
Figure BDA00032765029200001322
Figure BDA00032765029200001323
式中
Figure BDA00032765029200001324
为在场景s时刻t微电网向上游电网购买的电量；
Figure BDA00032765029200001325
为在场景s时刻t光伏出力值；
Figure BDA00032765029200001326
为在场景s时刻t风电出力值；
Figure BDA00032765029200001327
为在场景s时刻t储能装置的放电量；
Figure BDA00032765029200001328
为在场景s时刻t转移负荷后的微电网负荷；
Figure BDA00032765029200001329
为在场景s时刻t微电网向上游电网售出的电量；
Figure BDA00032765029200001330
为在场景s时刻t储能装置的充电量；NR为房间总数；
Figure BDA00032765029200001331
为在场景s时刻t空调启动的二进制变量；
Figure BDA00032765029200001332
为在场景s时刻t空调功率；
Figure BDA00032765029200001333
为微网在场景s时刻t等效售电量；
Figure BDA00032765029200001334
为在场景s时刻t微电网向上游电网购电的二进制变量；
Figure BDA0003276502920000141
为最大购电量；
Figure BDA0003276502920000142
为在场景s时刻t微电网向上游电网售电的二进制变量；
Figure BDA0003276502920000143
为最大售电量。
S4.对步骤S2和步骤S3构建的模型进行求解，从而得到最终的微电网优化调度结果；具体包括如下步骤：
a.根据风电和光伏的不确定性，建立基于KL散度的模糊集；具体包括如下步骤：
采用KL散度描述2个概率分布函数之间的距离；对于两个离散的分布P和P0，采用如下算式计算KL距离DKL(P‖P0)：
Figure BDA0003276502920000144
式中N为离散样本总数；πn为P在样本中的离散概率；
Figure BDA0003276502920000145
为P0P在样本中的离散概率；
考虑与参考分布P0的KL距离不超过设定阈值ρ的所有分布函数，构建模糊集D为D＝{P∣DKL.(P‖P0)≤ρ}；上式表明，当ρ>0时，不确定集合D中含有无穷多个分布函数；随着ρ接近0，不确定集合接近于初始概率P0，分布鲁棒优化模型则会变成一个确定性模型；
实际情况中，决策方常常需要根据实际风险去确定ρ的值；显然，分析的历史数据越多，得到的参考分布则越接近实际情况下的概率分布，这时ρ的值可以设置小一些，反之，ρ的值需要设置大一些；因此，采用如下算式计算设定阈值ρ的值：
Figure BDA0003276502920000146
式中M为样本总数；χN-1，α为N-1自由度的卡方分布a的上分位数。
b.基于步骤a建立的模糊集，构建微电网min-max-min三层两阶段分布鲁棒优化模型；具体包括如下步骤：
第一阶段优化问题为制定微电网是否向上游购电或售电的计划，以及微电网储能装置的充放电计划；第二阶段优化问题为在不确定性实现后制定相应的调度计划；
采用如下算式表示微电网两阶段分布鲁棒优化模型：
Figure BDA0003276502920000151
Figure BDA0003276502920000152
I∈{0,1},
Figure BDA0003276502920000153
式中S为场景总数；ρs为场景概率；CT为第一常数矩阵；Ps为第二阶段优化问题中的连续变量；Z为第二常数矩阵；I为第一阶段优化问题中的0-1变量；G为常数矩阵；Q为第三常数矩阵；
Figure BDA0003276502920000154
为第二阶段优化问题中的0-1变量；h为第四常数矩阵；
c.根据步骤b建立的模型，采用C&CG算法将三层问题分解为主问题和子问题进行迭代求解，从而得到最终的微电网优化调度结果；具体包括如下步骤：
c-1.主问题：每当内层循环找到一个最严重的场景，就返回给主问题建立一组新的变量并求解：
Figure BDA0003276502920000155
Figure BDA0003276502920000156
Figure BDA0003276502920000157
Figure BDA0003276502920000158
Figure BDA0003276502920000159
式中η为中间变量，表示对子问题的预估值；K、w分别表示外层循环的总次数和第w次；
Figure BDA0003276502920000161
为第w次迭代时找到的最严重场景分布概率。
主问题得到的是原问题的下界LBout，而子问题得到的是原问题的上界UBout；当上界和下界满足设定误差时，模型达到收敛标准：
|UBout-LBout|≤εout
式中εout为设定误差；
c-2.子问题：内层子问题用于寻找出最严重的场景分布概率并返回给主问题：
Figure BDA0003276502920000162
Figure BDA0003276502920000163
Figure BDA0003276502920000164
此时子问题为下层存在整数变量的双层模型，且其目标函数存在由ρs和Ps相乘的非线性项，一般难以直接采用KKT或强对偶条件转化；但在本发明模型中，该双层模型存在一定的特殊性可简化计算；通过观察可知，由于ρs在下层目标函数中为固定的标量，同时ρs并没有出现在下层模型的约束中，从而并不会影响下层变量的可行域；因此，该子问题可分为解耦为两个独立的步骤，而无需采用对偶理论减小了计算时间；
c-3.将子问题解耦为两个独立的步骤：
1)求解下层s个混合整数线性规划模型，并得到
Figure BDA0003276502920000165
Figure BDA0003276502920000166
Figure BDA0003276502920000167
Figure BDA0003276502920000168
2)将步骤1)求得的最优值
Figure BDA0003276502920000169
带入上层模型：
Figure BDA0003276502920000171
c-4.通过求解子问题，得到
Figure BDA0003276502920000172
并返回给主问题；
c-5.重复上述步骤，从而得到最终的微电网优化调度结果。
以下结合一个具体实施例，对本发明方法进行进一步说明：
如图2所示，在于KL散度的分布鲁棒优化方法得到的场景1概率从0.333下降到0.269，而场景2和场景3则分别上升到0.354和0.377。这是因为当考虑不确定性后，为了找到最差概率对应的场景从而保证优化结果的鲁棒性，分布鲁棒优化模型使得目标函数较低的场景1的概率变小，而目标函数较高的场景2和场景3则概率相应增大。总之，应用分布鲁棒方法能较好的处理不确定性量分布的不确定性并保证优化结果的鲁棒性。
本发明进一步比较不同KL散度距离参数ρ对优化结果的影响。如图3所示，当ρ＝0时，此时不考虑分布的不确定性，模型实际变为确定性优化模型，此时优化后的概率仍为参考分布的概率，其目标函数也为最低的529.355。随着ρ逐渐增大到0.20，场景1的最差概率逐渐减小到0.243，而场景2和场景3的最差概率逐渐上升到0.361和0.395；而相应的目标函数也上升到549.903。总之，距离参数ρ的增大表示决策者对于风险厌恶程度的增大，在模型中会导致目标函数较高的场景对应的优化概率增大，表明其应对不确定量变化的鲁棒性也在增强，但其目标函数也相应增加。所以在实际应用中需要根据决策者的风险偏好以及尽可能收集足够多的历史数据来选择合适的距离参数ρ。
表1为本发明实施例所使用的分布鲁棒模型与传统随机优化和鲁棒优化的对比示意表。
表1不确定性出力方法对比示意表
模型 目标函数(元)
分布鲁棒优化 543.998
随机优化 529.855
自适应鲁棒优化 582.364
本发明将分布鲁棒优化与经典的随机优化和自适应鲁棒优化进行了对比。其中，随机优化中风机、光伏以预测值为均值，预测值的15％为标准差生成了10000个场景，并将场景削减为10个来进行计算。而自适应鲁棒则基于盒式不确定集合和预测值的15％作为不确定性量的误差进行仿真。从图中可以看出，随机优化方法对应的目标函数最小，自适应鲁棒方法的目标函数最大，而本发明采用的分布鲁棒方法则居中。这是由于随机优化通过对大量场景的采样得到众多典型运行情况来模拟不确定性量保证了优化结果的经济性。但随机优化方法依赖于不确定性量的准确分布却没有考虑分布的不确定性，使得其优化结果的鲁棒性不一定得到保证。同时其产生的大量场景也需要耗费较长的时间而进一步限制了其应用。此外，自适应鲁棒优化则完全忽略了不确定量的分布而仅关注于最差的场景使得其优化目标函数最高，因此保守性过大。与上述两种方法相比，分布鲁棒方法既考虑了随机优化的多种分布情形，又根据鲁棒优化思想考虑了分布的不确定性。因而分布鲁棒结合了两者的优点，能较好的适用于实际应用。
本发明基于C&CG算法将分布鲁棒模型解耦为主问题和子问题，其中主问题得到的是模型的上界值，子问题得到的是模型下界值。同时子问题中由于第二层的不确定性变量与第三层变量独立，而无需采用传统的强对偶或KKT条件将子问题转化为单层模型，从而减小了计算难度。从图4可知，应用C&CG算法求解本发明分布鲁棒模型仅需2次迭代共花9.467s即满足收敛要求，体现了本发明所使用算法的有效性，满足实际运行时所需的计算需求。

Claims (9)

1.一种微电网优化调度方法，包括如下步骤：
S1.建立微电网模型；
S2.以微电网向上游电网的购售电状态为基准，构建第一阶段优化调度模型；
S3.以微电网运行成本和新能源丢弃量为目标函数，以储能、新能源出力、需求响应和微电网与电网能量交互为约束，构建第二阶段优化调度模型；
S4.对步骤S2和步骤S3构建的模型进行求解，从而得到最终的微电网优化调度结果。
2.根据权利要求1所述的微电网优化调度方法，其特征在于步骤S1所述的建立微电网模型，具体为建立由风电、光伏、储能、可转移负荷和可中断负荷组成的微电网模型；所述可转移负荷定义为通过改变激励措施来调节用电时间段的负荷；所述可中断负荷定义为在用电高峰时能够直接切断供电的用电负荷。
3.根据权利要求2所述的微电网优化调度方法，其特征在于步骤S2所述的以微电网向上游电网的购售电状态为基准，构建第一阶段优化调度模型，具体包括如下步骤：
采用如下算式作为第一阶段优化调度模型：
Figure FDA0003276502910000011
Figure FDA0003276502910000012
式中
Figure FDA0003276502910000013
为微电网在场景s在时刻t向上游电网购电的二进制变量，且
Figure FDA0003276502910000014
表示微电网向上游电网购电，
Figure FDA0003276502910000015
表示微电网未向上游电网购电；
Figure FDA0003276502910000016
为微电网在场景s在时刻t向上游电网售电的二进制变量，且
Figure FDA0003276502910000017
表示微电网向上游电网售电，
Figure FDA0003276502910000018
表示微电网未向上游电网售电；
Figure FDA0003276502910000019
为储能装置在场景s时刻t的充电状态的二进制变量，且
Figure FDA0003276502910000021
表示储能装置为充电状态，
Figure FDA0003276502910000022
表示储能装置为未充电状态；
Figure FDA0003276502910000023
为储能装置在场景s时刻t放电状态的二进制变量，且
Figure FDA0003276502910000024
表示储能装置为放电状态，
Figure FDA0003276502910000025
表示储能装置为未放电状态。
4.根据权利要求3所述的微电网优化调度方法，其特征在于步骤S3所述的以微电网运行成本和新能源丢弃量为目标函数，具体包括如下步骤：
考虑最小化微电网运行成本和分布式能源的弃风量、弃光量最小，以如下算式作为目标函数：
Figure FDA0003276502910000026
式中S为场景s总数；T为时刻t的总数；
Figure FDA0003276502910000027
为微网在t时刻购电电价；
Figure FDA0003276502910000028
为微电网在场景s时刻t向上游电网购买的电量；
Figure FDA0003276502910000029
为在t时刻售电电价；
Figure FDA00032765029100000210
为微电网在场景s时刻t向上游电网售出的电量；λ为弃风量、弃光量的惩罚系数；
Figure FDA00032765029100000211
为在场景s时刻t微电网弃光的功率；
Figure FDA00032765029100000212
为在场景s时刻t微电网弃风的功率。
5.根据权利要求4所述的微电网优化调度方法，其特征在于步骤S3所述的以储能、新能源出力、需求响应和微电网与电网能量交互为约束，具体包括如下步骤：
A.采用如下算式作为储能约束：
Figure FDA00032765029100000213
SOCmin≤SOCs,t≤SOCmax
Figure FDA00032765029100000214
Figure FDA00032765029100000215
SOCs,t＝24＝SOC0
式中SOCs,t为储能装置在场景s时刻t的荷电状态；
Figure FDA0003276502910000031
为储能装置在场景s时刻t的充电量；ηc为储能装置的充电量效率；
Figure FDA0003276502910000032
为储能装置在场景s时刻t的放电量；ηd为储能装置的放电量效率；Δt为调度间隔XXXXX；SOCmin为储能装置的SOC最小值；SOCmax为储能装置的SOC最大值；
Figure FDA0003276502910000033
为在场景s时刻t储能装置充电状态的二进制变量；
Figure FDA0003276502910000034
为储能装置在场景s时刻t的放电量；
Figure FDA0003276502910000035
为储能装置在场景s时刻t放电状态的二进制变量；
Figure FDA0003276502910000036
为最大售电购率；SOCs,t＝24为场景s，t＝24时的荷电状态；SOC0为储能装置的初始容量；
B.采用如下算式作为需求响应约束：
可转移负荷模型为：
Figure FDA0003276502910000037
Figure FDA0003276502910000038
Figure FDA0003276502910000039
Figure FDA00032765029100000310
Figure FDA00032765029100000311
Figure FDA00032765029100000312
式中
Figure FDA00032765029100000313
为在场景s时刻t转移负荷后的微电网负荷；Ls,t为在场景s时刻t转移负荷前的微电网负荷；
Figure FDA00032765029100000314
为第一辅助变量；
Figure FDA00032765029100000315
为第二辅助变量；DRs,t为在场景s时刻t的转移负荷系数；Incs,t为在场景s时刻t的转移负荷作用下增加的负荷；
Figure FDA00032765029100000316
为最小负荷转移系数；
Figure FDA00032765029100000317
为最大负荷转移系数；
Figure FDA00032765029100000318
为需求响应的最大转移系数；
可中断负荷仅考虑空调负荷；可中断负荷模型为：
Figure FDA0003276502910000041
Figure FDA0003276502910000042
式中
Figure FDA0003276502910000043
为在场景s时刻t室内温度；Δt为时间间隔；R为空调所在空间的热阻；C为空调所在空间的热容量；
Figure FDA0003276502910000044
为在场景s时刻t空调启动的二进制变量，且
Figure FDA0003276502910000045
表示空调启动，
Figure FDA0003276502910000046
表示空调未启动；
Figure FDA0003276502910000047
为在场景s时刻t空调功率；
Figure FDA0003276502910000048
为在场景s时刻t室外温度；
Figure FDA0003276502910000049
为空调所在空间所允许的温度下限；
Figure FDA00032765029100000410
为空调所在空间所允许的温度上限
C.采用如下算式作为风电约束和光伏约束：
Figure FDA00032765029100000411
Figure FDA00032765029100000412
Figure FDA00032765029100000413
Figure FDA00032765029100000414
Figure FDA00032765029100000415
Figure FDA00032765029100000416
式中
Figure FDA00032765029100000417
为在场景s时刻t弃光功率；
Figure FDA00032765029100000418
为在场景s时刻t光伏出力预测值；
Figure FDA00032765029100000419
为在场景s时刻t光伏出力值；
Figure FDA00032765029100000420
为在场景s时刻t弃风功率；
Figure FDA00032765029100000421
为在场景s时刻t风电出力预测值；
Figure FDA00032765029100000422
为在场景s时刻t风电出力值；
Figure FDA00032765029100000423
为光伏出力最小值；
Figure FDA00032765029100000424
为光伏出力最大值；
Figure FDA00032765029100000425
为风电出力最小值；
Figure FDA00032765029100000426
为风电出力最大值；
Figure FDA00032765029100000427
为时刻t弃光功率最小值；
Figure FDA00032765029100000428
为时刻t弃光功率最大值；
Figure FDA00032765029100000429
为在时刻t弃风功率最小值；
Figure FDA00032765029100000430
为s时刻t弃风功率最大值；
D.采用如下算式作为微电网和上游电网能量交互约束：
Figure FDA00032765029100000431
Figure FDA0003276502910000051
Figure FDA0003276502910000052
Figure FDA0003276502910000053
式中
Figure FDA0003276502910000054
为在场景s时刻t微电网向上游电网购买的电量；
Figure FDA0003276502910000055
为在场景s时刻t光伏出力值；
Figure FDA0003276502910000056
为在场景s时刻t风电出力值；
Figure FDA0003276502910000057
为在场景s时刻t储能装置的放电量；
Figure FDA0003276502910000058
为在场景s时刻t转移负荷后的微电网负荷；
Figure FDA0003276502910000059
为在场景s时刻t微电网向上游电网售出的电量；
Figure FDA00032765029100000510
为在场景s时刻t储能装置的充电量；NR为房间总数；
Figure FDA00032765029100000511
为在场景s时刻t空调启动的二进制变量；
Figure FDA00032765029100000512
为在场景s时刻t空调功率；
Figure FDA00032765029100000513
为微网在场景s时刻t等效售电量；
Figure FDA00032765029100000514
为在场景s时刻t微电网向上游电网购电的二进制变量；
Figure FDA00032765029100000515
为最大购电量；
Figure FDA00032765029100000516
为在场景s时刻t微电网向上游电网售电的二进制变量；
Figure FDA00032765029100000517
为最大售电量。
6.根据权利要求5所述的微电网优化调度方法，其特征在于步骤S4所述的对步骤S2和步骤S3构建的模型进行求解，从而得到最终的微电网优化调度结果，具体包括如下步骤：
a.根据风电和光伏的不确定性，建立基于KL散度的模糊集；
b.基于步骤a建立的模糊集，构建微电网min-max-min三层两阶段分布鲁棒优化模型；
c.根据步骤b建立的模型，将三层问题分解为主问题和子问题进行迭代求解，从而得到最终的微电网优化调度结果。
7.根据权利要求6所述的微电网优化调度方法，其特征在于步骤a所述的建立基于KL散度的模糊集，具体包括如下步骤：
采用KL散度描述2个概率分布函数之间的距离；对于两个离散的分布P和P0，采用如下算式计算KL距离DKL(P‖P0)：
Figure FDA0003276502910000061
式中N为离散样本总数；πn为P在样本中的离散概率；
Figure FDA0003276502910000062
为P0P在样本中的离散概率；
考虑与参考分布P0的KL距离不超过设定阈值ρ的所有分布函数，构建模糊集D为D＝{P∣DKL.(P‖P0)≤ρ}；
采用如下算式计算设定阈值ρ的值：
Figure FDA0003276502910000063
式中M为样本总数；χN-1，α为N-1自由度的卡方分布a的上分位数。
8.根据权利要求7所述的微电网优化调度方法，其特征在于步骤b所述的基于步骤a建立的模糊集，构建微电网min-max-min三层两阶段分布鲁棒优化模型，具体包括如下步骤：
第一阶段优化问题为制定微电网是否向上游购电或售电的计划，以及微电网储能装置的充放电计划；第二阶段优化问题为在不确定性实现后制定相应的调度计划；
采用如下算式表示微电网两阶段分布鲁棒优化模型：
Figure FDA0003276502910000064
s.t.
Figure FDA0003276502910000065
Figure FDA0003276502910000066
式中S为场景总数；ρs为场景概率；CT为第一常数矩阵；Ps为第二阶段优化问题中的连续变量；Z为第二常数矩阵；I为第一阶段优化问题中的0-1变量；G为常数矩阵；Q为第三常数矩阵；
Figure FDA0003276502910000071
为第二阶段优化问题中的0-1变量；h为第四常数矩阵。
9.根据权利要求8所述的微电网优化调度方法，其特征在于步骤c所述的根据步骤b建立的模型，将三层问题分解为主问题和子问题进行迭代求解，从而得到最终的微电网优化调度结果，具体包括如下步骤：
c-1.主问题：每当内层循环找到一个最严重的场景，就返回给主问题建立一组新的变量并求解：
Figure FDA0003276502910000072
s.t.
Figure FDA0003276502910000073
Figure FDA0003276502910000074
Figure FDA0003276502910000075
Figure FDA0003276502910000076
式中η为中间变量，表示对子问题的预估值；K、w分别表示外层循环的总次数和第w次；
Figure FDA0003276502910000077
为第w次迭代时找到的最严重场景分布概率。
主问题得到的是原问题的下界LBout，而子问题得到的是原问题的上界UBout；当上界和下界满足设定误差时，模型达到收敛标准：
|UBout-LBout|≤εout
式中εout为设定误差；
c-2.子问题：内层子问题用于寻找出最严重的场景分布概率并返回给主问题：
Figure FDA0003276502910000081
s.t.
Figure FDA0003276502910000082
Figure FDA0003276502910000083
c-3.将子问题解耦为两个独立的步骤：
1)求解下层s个混合整数线性规划模型，并得到
Figure FDA0003276502910000084
Figure FDA0003276502910000085
s.t.
Figure FDA0003276502910000086
Figure FDA0003276502910000087
2)将步骤1)求得的最优值
Figure FDA0003276502910000088
带入上层模型：
Figure FDA0003276502910000089
c-4.通过求解子问题，得到
Figure FDA00032765029100000810
并返回给主问题；
c-5.重复上述步骤，从而得到最终的微电网优化调度结果。
CN202111119374.1A 2021-09-24 2021-09-24 微电网优化调度方法 Active CN113708418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111119374.1A CN113708418B (zh) 2021-09-24 2021-09-24 微电网优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111119374.1A CN113708418B (zh) 2021-09-24 2021-09-24 微电网优化调度方法

Publications (2)

Publication Number Publication Date
CN113708418A true CN113708418A (zh) 2021-11-26
CN113708418B CN113708418B (zh) 2023-07-25

Family

ID=78661708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111119374.1A Active CN113708418B (zh) 2021-09-24 2021-09-24 微电网优化调度方法

Country Status (1)

Country Link
CN (1) CN113708418B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336599A (zh) * 2021-12-13 2022-04-12 天津大学 一种独立型微电网动态优化调度方法
CN115688970A (zh) * 2022-09-21 2023-02-03 三峡大学 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999009632A2 (de) * 1997-08-18 1999-02-25 Siemens Aktiengesellschaft Netzleitanordnung und verfahren zum betrieb eines energieversorgungsnetzes
US20140142779A1 (en) * 2012-11-16 2014-05-22 Michael Stoettrup Method of controlling a power network
CN105977966A (zh) * 2016-05-10 2016-09-28 国家电网公司 一种考虑分布式电源和配电自动化装置的配电网规划方法
CN108596525A (zh) * 2018-06-29 2018-09-28 国家电网有限公司 冷热电气多能互补的微能源网鲁棒优化调度方法
CN111181197A (zh) * 2020-01-08 2020-05-19 中国电建集团华东勘测设计研究院有限公司 一种多弃风区域风储容量配置方法
CN111181154A (zh) * 2019-12-23 2020-05-19 北京交通大学 互联微网储能容量优化配置方法
CN111339689A (zh) * 2020-03-30 2020-06-26 广东工业大学 建筑综合能源调度方法、系统、存储介质及计算机设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999009632A2 (de) * 1997-08-18 1999-02-25 Siemens Aktiengesellschaft Netzleitanordnung und verfahren zum betrieb eines energieversorgungsnetzes
US20140142779A1 (en) * 2012-11-16 2014-05-22 Michael Stoettrup Method of controlling a power network
CN105977966A (zh) * 2016-05-10 2016-09-28 国家电网公司 一种考虑分布式电源和配电自动化装置的配电网规划方法
CN108596525A (zh) * 2018-06-29 2018-09-28 国家电网有限公司 冷热电气多能互补的微能源网鲁棒优化调度方法
CN111181154A (zh) * 2019-12-23 2020-05-19 北京交通大学 互联微网储能容量优化配置方法
CN111181197A (zh) * 2020-01-08 2020-05-19 中国电建集团华东勘测设计研究院有限公司 一种多弃风区域风储容量配置方法
CN111339689A (zh) * 2020-03-30 2020-06-26 广东工业大学 建筑综合能源调度方法、系统、存储介质及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱科军;秦萌;宋远军;周振凯;刘乙;谢鹰;陈丽娟;: "基于模糊隶属度的充电站多目标优化调度", 电力建设, no. 02 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336599A (zh) * 2021-12-13 2022-04-12 天津大学 一种独立型微电网动态优化调度方法
CN114336599B (zh) * 2021-12-13 2023-12-22 天津大学 一种独立型微电网动态优化调度方法
CN115688970A (zh) * 2022-09-21 2023-02-03 三峡大学 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
CN115688970B (zh) * 2022-09-21 2023-05-02 三峡大学 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法

Also Published As

Publication number Publication date
CN113708418B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Li et al. Sizing of a stand-alone microgrid considering electric power, cooling/heating, hydrogen loads and hydrogen storage degradation
Moghaddam et al. Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source
Welch et al. Energy dispatch fuzzy controller for a grid-independent photovoltaic system
CN111144620A (zh) 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法
CN110245794B (zh) 考虑灵活性的多能源汇集中心火储容量双层优化方法
CN113708418A (zh) 微电网优化调度方法
CN111245024B (zh) 基于模型预测控制的综合能源系统鲁棒优化运行方法
CN112418488B (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
Li et al. Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
Liu et al. Two-layer multiple scenario optimization framework for integrated energy system based on optimal energy contribution ratio strategy
CN114971048A (zh) 一种零碳园区综合能源规划仿真方法、系统和计算机设备
CN113158547B (zh) 计及经济性和可靠性的区域综合能源系统优化配置方法
Buechler et al. Optimal energy supply scheduling for a single household: Integrating machine learning for power forecasting
Su et al. Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network
CN116258511A (zh) 一种考虑碳交易价格不确定性的能源系统配置方法及装置
Chen et al. Robust optimal dispatching of wind fire energy storage system based on equilibrium optimization algorithm
CN114723278A (zh) 一种考虑光伏储能的社区微电网调度方法及系统
Fang et al. Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient
CN117332997B (zh) 一种综合能源系统低碳优化调度方法、装置及设备
CN114565244B (zh) 综合能源系统的优化调度方法及装置
Wu et al. Study on Optimal Control Strategy for Cooling, Heating and Power (CCHP) System
Kampouropoulos et al. Multi-carrier optimal power flow of energy hubs by means of ANFIS and SQP
CN117540985A (zh) 基于碳排放因子的工业园区运行容量优化配置方法、装置
Huang et al. Evolutionary computing assisted deep reinforcement learning for multi-objective integrated energy system management

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