CN113765105B - 基于动态随机模型的微电网群能量管理方法 - Google Patents
基于动态随机模型的微电网群能量管理方法 Download PDFInfo
- Publication number
- CN113765105B CN113765105B CN202111123296.2A CN202111123296A CN113765105B CN 113765105 B CN113765105 B CN 113765105B CN 202111123296 A CN202111123296 A CN 202111123296A CN 113765105 B CN113765105 B CN 113765105B
- Authority
- CN
- China
- Prior art keywords
- micro
- energy
- grid
- model
- prediction data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 25
- 238000005096 rolling process Methods 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims description 18
- 230000035699 permeability Effects 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—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]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于动态随机模型的微电网群能量管理方法,属于微电网群能量管理领域。解决了未考虑动态随机因素对微电网群系统能量管理的影响,导致能量管理能力差的问题。本发明先构建动态随机性模型,利用其生成可再生能源预测数据和负荷预测数据,然后利用电网间能量交易模型对其预测数据进行优化处理,获得优化结果,再利用日前调度模型结合实时电价,对其所接收的可再生能源预测数据、负荷预测数据和微电网间能量交易模型生成的优化结果进行调度处理,获得微电网内和微电网间能量流动数据;最后利用日内滚动优化模型利用实时的气象信息和微电网群系统状态,对微电网内和微电网间能量流动数据进行修正,完成能量管理。主要用于微电网群能量间的能量管理。
Description
技术领域
本发明属于微电网群能量管理领域。
背景技术
随着微电网技术的快速发展,一定区域内,微电网之间可能存在并联、串联、嵌套等关系,从而构成复杂的微电网群。微电网群系统是微电网的延伸和深化。由于所建地区的风光资源和人口密集度不同,单个微电网的发电能力和负荷消耗也不同,所以单个微电网往往存在余电或缺电的情况,考虑到经济性,余电微电网会将多余电量低价售给电力系统,为了供电可靠性,缺电微电网会向电力系统购电以满足负荷维持微电网正常运行。多个微电网互联构成微电网群系统可以进一步促进微电网间的能量交换,系统内单个微电网之间可以进行互联互供满足区域供电需求。微电网群系统的构建对单个微电网的运行具有积极意义,相较于单个微电网,微电网群系统包含复杂的可再生能源发电单元类型和大量分布式单元。为了满足系统稳定性、供电可靠性和经济性,在多微电网运行时,对微电网群的能量管理提出了更高的要求,微电网群不仅需要保证其子微电网的单独控制与稳定运行,还需要实现系统内互联子微电网之间的能量交互,从而实现微电网群系统经济运行。
因此,如何对微电网群系统为了正常运行,需要满足子微电网内部功率平衡,不考虑动态随机因素时,按经验值得出的发电量和负荷值会使功率计算发生误差。对功率是否平衡的判断不准确,且微电网之间进行互联互供或微电网与配电网能量交互时,必须对各子微电网的净电量进行计算。而未考虑动态随机因素的确定性模型下计算净电量,会导致净电量计算值偏离实际值,且能量调度管理不是真正的最优。因此,考虑动态随机下微电网群的能量调度管理方法十分必要,微电网群系统进行合理有效的能量管理成为了解决微电网群优化运行的关键,因此,以上问题亟需解决。
发明内容
本发明目的是为了解决未考虑动态随机因素对微电网群系统能量管理的影响,导致能量管理能力差的问题,本发明提供了基于动态随机模型的微电网群能量管理方法。
基于动态随机模型的微电网群能量管理方法,该方法包括步骤:
S1、构建动态随机性模型,并利用构建的动态随机性模型生成可再生能源预测数据、负荷预测数据,并将其生成的可再生能源预测数据和负荷预测数据送至微电网间能量交易模型和日前调度模型;其中,可再生能源包括光伏发电能源和风机发电能源;
S2、微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化处理,生成优化结果,并将该优化结果送至日前调度模型;
S3、日前调度模型结合实时电价,对其所接收的可再生能源预测数据、负荷预测数据和微电网间能量交易模型生成的优化结果进行调度处理,获得微电网内和微电网间能量流动数据;
S4、日内滚动优化模型利用实时的气象信息和微电网群系统状态,生成修正指令对日前调度模型输出的微电网内和微电网间能量流动数据进行修正,从而完成微电网群能量的管理。
优选的是,S1中、构建动态随机性模型的实现方式为:利用贝塔分布和威布尔分布构建动态随机性模型。
优选的是,微电网间能量交易模型采用粒子群优化算法实现。
优选的是,S2中、微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化处理,生成优化结果的实现方式为:
微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化基于以下两个原则,从而获得优化结果,所述两个原则分别为:
原则一、将可再生能源渗透率和线路损耗的乘积作为微电网间能量交易模型的能量交易的参数,且将当两个以上微电网能量富余时,可再生能源渗透率高于预设值的微电网优先提供能量;将当两个以上微电网能量缺省时,可再生能源渗透率低于预设值的微电网优先获得能量;
原则二、对于收益,余电微电网:在能量交易中所获得的收益等于向少电微电网售电收益部分,交易后的日整体经济成本等于能量交易后运行维护成本减去收益部分;
少电微电网:少电微电网从大电网购电转变为从余电微电网购电,交易后的日整体经济成本等于能量交易后运行维护成本加上从余电微电网购电成本部分。
优选的是,日前调度模型进行调度处理,遵循微电网群的能量管理以日整体运行费用最低为经济目标。
优选的是,微电网群的能量管理以日整体运行费用最低的经济目标函数为:
式中,minF1表示日整体运行费用最低;
表示第i个微电网的光伏在时段t小时内的运行维护成本;i为整数;
表示第i个微电网的风机在时段t小时内的运行维护成本;
表示第i个微电网的蓄电池在时段t小时内的运行维护成本;
表示第i个微电网的柴油发电机在时段t小时内的运行成本;
表示第i个微电网在时段t小时内与大电网交易费用;
表示第i个微电网在时段t小时内供电不足时切负荷的成本;
n为变量。
优选的是,所述余电微电网定义为微电网能量富余,且ΔPi t>0;
少电微电网定义为微电网能量缺省;且ΔPi t<0;
其中,
ΔPi t为第i个微电网在时段t小时内产生的可再生能源发电功率与负荷功率的差;i为整数;
为第i个微电网在时段t小时内的光伏出力功率;
为第i个微电网在时段t小时内的风机出力功率;
为第i个微电网在时段t小时内的负载功率。
优选的是,当ΔPi t=0时,认定第i个微电网在时段t小时内能量自给自足。
本发明带来的有益效果:
本发明先构建动态随机性模型,利用其生成可再生能源预测数据和负荷预测数据,然后利用电网间能量交易模型对其预测数据进行优化处理,获得优化结果,再利用日前调度模型结合实时电价,对其所接收的可再生能源预测数据、负荷预测数据和微电网间能量交易模型生成的优化结果进行调度处理,获得微电网内和微电网间能量流动数据;最后利用日内滚动优化模型利用实时的气象信息和微电网群系统状态,对微电网内和微电网间能量流动数据进行修正,从而完成微电网群能量的管理。
本发明提出一种基于动态随机模型的微电网群能量管理方法,建立基于光伏、风机及负荷的动态随机性模型,提出微电网群分层控制,实现微电网间的能量交易和管理,最终,实现微电网群的经济优化运行。
附图说明
图1是本发明所述基于动态随机模型的微电网群能量管理方法的原理示意图;
图2是微电网交易前后成本对比图;其中,t为时间段,h为小时;
图2a为微电网1交易前后成本对比图;
图2b为微电网1交易前后成本对比图;
图2c为微电网1交易前后成本对比图;
图3为日前调度结示意图;其中,
图3a为柴油发电机功率日前调度结示意图;
图3b为蓄电池功率日前调度结示意图;
图3c为与大电网交易功率日前调度结示意图;
图3d为蓄电池的荷电状态示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
下面结合图1说明本实施方式,本实施方式所述基于动态随机模型的微电网群能量管理方法,该方法包括步骤:
S1、构建动态随机性模型,并利用构建的动态随机性模型生成可再生能源预测数据、负荷预测数据,并将其生成的可再生能源预测数据和负荷预测数据送至微电网间能量交易模型和日前调度模型;其中,可再生能源包括光伏发电能源和风机发电能源;
S2、微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化处理,生成优化结果,并将该优化结果送至日前调度模型;
S3、日前调度模型结合实时电价,对其所接收的可再生能源预测数据、负荷预测数据和微电网间能量交易模型生成的优化结果进行调度处理,获得微电网内和微电网间能量流动数据;
S4、日内滚动优化模型利用实时的气象信息和微电网群系统状态,生成修正指令对日前调度模型输出的微电网内和微电网间能量流动数据进行修正,从而完成微电网群能量的管理。
本实施方式中,建立基于光伏、风机及负荷的动态随机性模型,实现微电网间的能量交易和管理,并通过日内滚动优化模型对日前调度模型输出的微电网内和微电网间能量流动数据进行修正,实现微电网群的经济优化运行。
具体应用时,日前调度计划:可从日前角度,以1小时为尺度,基于可再生能源及负荷日前预测和实时电价信息,在满足系统约束条件的前提下,以微电网日整体经济成本最低为目标,优化各单元能量调度。然而在微电网实际运行中,由于可再生能源及负荷功率的随机性,日前预测往往误差较大,因而需要增加实时性较好的日内滚动优化对日前调度进行修正。
滚动优化:由于日前计划与实时调度时间跨度大,日前调度偏差较大,在日前计划和实时调度间增加滚动优化环节,应用时,可以15分钟为时间尺度,利用最新的气象信息和系统状态,对日前调度计划进行不断刷新和修正。
进一步的,S1中、构建动态随机性模型的实现方式为:利用贝塔分布和威布尔分布构建动态随机性模型。
更进一步的,微电网间能量交易模型采用粒子群优化算法实现。
更进一步的,S2中、微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化处理,生成优化结果的实现方式为:
微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化基于以下两个原则,从而获得优化结果,所述两个原则分别为:
原则一、将可再生能源渗透率和线路损耗的乘积作为微电网间能量交易模型的能量交易的参数,且将当两个以上微电网能量富余时,可再生能源渗透率高于预设值的微电网优先提供能量;将当两个以上微电网能量缺省时,可再生能源渗透率低于预设值的微电网优先获得能量;
原则二、对于收益,余电微电网:在能量交易中所获得的收益等于向少电微电网售电收益部分,交易后的日整体经济成本等于能量交易后运行维护成本减去收益部分;
少电微电网:少电微电网从大电网购电转变为从余电微电网购电,交易后的日整体经济成本等于能量交易后运行维护成本加上从余电微电网购电成本部分。
本优选实施方式中,微电网单独运行时,能量富余的微电网需要向大电网售电,能量缺省的微电网需要蓄电池放电或者柴油发电机发电,甚至向大电网购电以保持微电网内部功率平衡。而本发明为了减少群内各微电网与大电网的能量交易,增强微电网群系统的稳定性和经济性,制定能量交易方法,使能量在微电网群内部优先消纳。
具体应用时,可进行价格激励,实现微电网间能量交易,其中,微电网间能量交易价格低于向大电网购电的价格,高于向大电网售电的价格,激励微电网间优先进行能量交易,提高整体经济效益。
微电网间进行能量交易时,考虑以下因素:
(1)可再生能源渗透率
微电网j的可再生能源渗透率为:
为第j个微电网在时段t小时内的风机出力功率;
为第j个微电网在时段t小时内的光伏出力功率;
为第j个微电网在时段t小时内的负载功率;
(2)线路损耗
由于微电网间存在一定的距离,在能量交易过程中,电能需要通过输电线路进行传输,能量传输必然会产生能量损耗,微电网间距离不同,线路损耗也不同。微电网i,j之间的线路损耗为li,j。
更进一步的,日前调度模型进行调度处理,遵循微电网群的能量管理以日整体运行费用最低为经济目标。
更进一步的,微电网群的能量管理以日整体运行费用最低的经济目标函数为:
式中,minF1表示日整体运行费用最低;
表示第i个微电网的光伏在时段t小时内的运行维护成本;
表示第i个微电网的风机在时段t小时内的运行维护成本;
表示第i个微电网的蓄电池在时段t小时内的运行维护成本;
表示第i个微电网的柴油发电机在时段t小时内的运行成本;
表示第i个微电网在时段t小时内与大电网交易费用;
表示第i个微电网在时段t小时内供电不足时切负荷的成本;
n为变量。
本优选实施方式中,由于微电网群的能量管理以日整体运行费用最低为经济最优,在已建成的微电网群基础上进行能量管理,不需要考虑微电网的初期建设成本。因此,考虑可再生能源机组运行维护成本、蓄电池运行维修成本、柴油发电机运行成本、向大电网购售电的成本以及供电不足时切负荷的成本。
更进一步的,所述余电微电网定义为微电网能量富余,且ΔPi t>0;
少电微电网定义为微电网能量缺省;且ΔPi t<0;
其中,
ΔPi t为第i个微电网在时段t小时内产生的可再生能源发电功率与负荷功率的差;
为第i个微电网在时段t小时内的光伏出力功率;
为第i个微电网在时段t小时内的风机出力功率;
为第i个微电网在时段t小时内的负载功率。
更进一步的,当ΔPi t=0时,认定第i个微电网在时段t小时内能量自给自足。
为了验证本发明方法的有效性,对所提基于动态随机模型的微电网群能量管理方法进行仿真分析与验证。示例中微电网群由三个子微电网组成,基于能量交易的日前调度结果与未进行能量交易的日前调度结果作对比,三个微电网在进行微电网间能量交易与未进行能量交易的整体日经济成本如表1所示,可以看出,微电网1的成本明显降低,微电网2的成本变化不大,微电网3的成本小幅度增加,但从微电网群系统来看,相比未进行能量交易,进行能量交易的经济成本降低,计算统计数据,成本降低了22.0%。
表1能量管理前后经济成本对比
三个微电网的日经济成本对比如图2所示,可以看出,能量交易后微电网1的成本明显降低,几乎每个时间段的成本都低于未进行能量交易时的成本;微电网2的成本几乎不变;微电网3的成本,大多数时间段都稍低于未进行能量交易时。
以微电网1为例,日前调度结果如图3所示,从图3a可以看出,柴油发电机功率明显减少,但存在某些时间段,未进行能量交易柴油发电机功率为0,而进行能量交易后柴油发电机功率为正,这是由于微电网1售电给其他微电网后,微电网自身某些时间段存在能量不足,需要柴油发电机输出功率,但柴油发电机输出功率有最小输出功率约束,因此能量交易后的曲线存在高于未进行能量交易的值。从图3b可以看出,总体来看,蓄电池功率减少。从图3c可以看出,与大电网交易功率基本不变。从图3d可以看出,蓄电池的荷电状态更平缓,有利于延长蓄电池的使用寿命,利于微电网的运行。
由于对风电、光伏和负荷功率日前预测的时间尺度为一天,时间尺度较大,日前预测值不够精确,因此,日前调度得结果也会有误差。采用日内滚动修正误差,以15分钟为时间尺度,优化各单元出力。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (6)
1.基于动态随机模型的微电网群能量管理方法,其特征在于,该方法包括步骤:
S1、构建动态随机性模型,并利用构建的动态随机性模型生成可再生能源预测数据、负荷预测数据,并将其生成的可再生能源预测数据和负荷预测数据送至微电网间能量交易模型和日前调度模型;其中,可再生能源包括光伏发电能源和风机发电能源;
S2、微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化处理,生成优化结果,并将该优化结果送至日前调度模型;
S3、日前调度模型结合实时电价,对其所接收的可再生能源预测数据、负荷预测数据和微电网间能量交易模型生成的优化结果进行调度处理,获得微电网内和微电网间能量流动数据;
S4、日内滚动优化模型利用实时的气象信息和微电网群系统状态,生成修正指令对日前调度模型输出的微电网内和微电网间能量流动数据进行修正,从而完成微电网群能量的管理;
微电网群的能量管理以日整体运行费用最低的经济目标函数为:
式中,minF1表示日整体运行费用最低;
表示第i个微电网的光伏在时段t小时内的运行维护成本;i为整数;
表示第i个微电网的风机在时段t小时内的运行维护成本;
表示第i个微电网的蓄电池在时段t小时内的运行维护成本;
表示第i个微电网的柴油发电机在时段t小时内的运行成本;
表示第i个微电网在时段t小时内与大电网交易费用;
表示第i个微电网在时段t小时内供电不足时切负荷的成本;
n为变量;
余电微电网定义为微电网能量富余,且ΔPi t>0;
少电微电网定义为微电网能量缺省;且ΔPi t<0;
其中,
ΔPi t为第i个微电网在时段t小时内产生的可再生能源发电功率与负荷功率的差;i为整数;
为第i个微电网在时段t小时内的光伏出力功率;
为第i个微电网在时段t小时内的风机出力功率;
为第i个微电网在时段t小时内的负载功率。
2.根据权利要求1所述的基于动态随机模型的微电网群能量管理方法,其特征在于,S1中、构建动态随机性模型的实现方式为:利用贝塔分布和威布尔分布构建动态随机性模型。
3.根据权利要求1所述的基于动态随机模型的微电网群能量管理方法,其特征在于,微电网间能量交易模型采用粒子群优化算法实现。
4.根据权利要求1所述的基于动态随机模型的微电网群能量管理方法,其特征在于,S2中、微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化处理,生成优化结果的实现方式为:
微电网间能量交易模型对其所接收的可再生能源预测数据和负荷预测数据进行优化基于以下两个原则,从而获得优化结果,所述两个原则分别为:
原则一、将可再生能源渗透率和线路损耗的乘积作为微电网间能量交易模型的能量交易的参数,且将当两个以上微电网能量富余时,可再生能源渗透率高于预设值的微电网优先提供能量;将当两个以上微电网能量缺省时,可再生能源渗透率低于预设值的微电网优先获得能量;
原则二、对于收益,余电微电网:在能量交易中所获得的收益等于向少电微电网售电收益部分,交易后的日整体经济成本等于能量交易后运行维护成本减去收益部分;
少电微电网:少电微电网从大电网购电转变为从余电微电网购电,交易后的日整体经济成本等于能量交易后运行维护成本加上从余电微电网购电成本部分。
5.根据权利要求1所述的基于动态随机模型的微电网群能量管理方法,其特征在于,日前调度模型进行调度处理,遵循微电网群的能量管理以日整体运行费用最低为经济目标。
6.根据权利要求1所述的基于动态随机模型的微电网群能量管理方法,其特征在于,当ΔPi t=0时,认定第i个微电网在时段t小时内能量自给自足。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123296.2A CN113765105B (zh) | 2021-09-24 | 2021-09-24 | 基于动态随机模型的微电网群能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123296.2A CN113765105B (zh) | 2021-09-24 | 2021-09-24 | 基于动态随机模型的微电网群能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113765105A CN113765105A (zh) | 2021-12-07 |
CN113765105B true CN113765105B (zh) | 2023-07-25 |
Family
ID=78797316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123296.2A Active CN113765105B (zh) | 2021-09-24 | 2021-09-24 | 基于动态随机模型的微电网群能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113765105B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115776110B (zh) * | 2022-10-28 | 2023-10-03 | 国网黑龙江省电力有限公司 | 发电量预测模型、购电优化模型、购电优化模型系统 |
CN115528752B (zh) * | 2022-11-22 | 2023-04-21 | 国网浙江省电力有限公司 | 一种微电网群的控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877338A (zh) * | 2017-03-29 | 2017-06-20 | 华北电力大学(保定) | 含高密度间歇性能源的交直流微电网不确定优化运行方法 |
CN109617138A (zh) * | 2019-01-16 | 2019-04-12 | 哈尔滨工业大学(深圳) | 一种考虑随机预测误差的独立微电网能量管理方法 |
CN109687523A (zh) * | 2019-02-28 | 2019-04-26 | 广东工业大学 | 一种基于多时间尺度的微电网的运行优化方法 |
CA3082974A1 (en) * | 2017-11-20 | 2019-05-23 | Ihi Corporation | Energy management system, power demand plan optimization method, and power demand plan optimization program |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
-
2021
- 2021-09-24 CN CN202111123296.2A patent/CN113765105B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877338A (zh) * | 2017-03-29 | 2017-06-20 | 华北电力大学(保定) | 含高密度间歇性能源的交直流微电网不确定优化运行方法 |
CA3082974A1 (en) * | 2017-11-20 | 2019-05-23 | Ihi Corporation | Energy management system, power demand plan optimization method, and power demand plan optimization program |
CN109617138A (zh) * | 2019-01-16 | 2019-04-12 | 哈尔滨工业大学(深圳) | 一种考虑随机预测误差的独立微电网能量管理方法 |
CN109687523A (zh) * | 2019-02-28 | 2019-04-26 | 广东工业大学 | 一种基于多时间尺度的微电网的运行优化方法 |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
Non-Patent Citations (2)
Title |
---|
基于多能互补的微电网群运行模式切换控制策略研究;郭宝甫;王卫星;杨东海;李瑞生;田盈;;供用电(第11期);全文 * |
独立型微电网日前与日内协调优化调度;李振坤;李一骄;电力科学与技术学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113765105A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khaloie et al. | Coordinated wind-thermal-energy storage offering strategy in energy and spinning reserve markets using a multi-stage model | |
Li et al. | Optimal operation of multimicrogrids via cooperative energy and reserve scheduling | |
Reddy | Optimal scheduling of thermal-wind-solar power system with storage | |
Zamani et al. | Day-ahead resource scheduling of a renewable energy based virtual power plant | |
Zhao et al. | Distributed model predictive control strategy for islands multimicrogrids based on noncooperative game | |
Rezaei et al. | Economic-environmental risk-averse optimal heat and power energy management of a grid-connected multi microgrid system considering demand response and bidding strategy | |
Qiu et al. | Tri-level mixed-integer optimization for two-stage microgrid dispatch with multi-uncertainties | |
Karkhaneh et al. | Risk-constrained probabilistic optimal scheduling of FCPP-CHP based energy hub considering demand-side resources | |
CN113765105B (zh) | 基于动态随机模型的微电网群能量管理方法 | |
Dadashi et al. | Coordination of wind power producers with an energy storage system for the optimal participation in wholesale electricity markets | |
CN111062514A (zh) | 一种电力系统规划方法及系统 | |
Rezaei et al. | Optimal islanding operation of hydrogen integrated multi-microgrids considering uncertainty and unexpected outages | |
Habibifar et al. | Optimal scheduling of multi-carrier energy system based on energy hub concept considering power-to-gas storage | |
Awasthi et al. | Operation of datacenter as virtual power plant | |
Tan et al. | Bidding strategy of virtual power plant with energy storage power station and photovoltaic and wind power | |
Hayati et al. | A Two-Stage Stochastic Optimization Scheduling Approach for Integrating Renewable Energy Sources and Deferrable Demand in the Spinning Reserve Market | |
CN117391718A (zh) | 一种基于动态减排因子的绿电-ccer互认交易系统 | |
CN117114877A (zh) | 一种基于虚拟电厂的中长期电力交易方法及系统 | |
Yang et al. | Integrated energy scheduling using wind-storage cascade control strategy in dynamic peak regulation right | |
CN116707016A (zh) | 基于场景生成和削减的风光氢储日前随机优化调度方法 | |
Jasemi et al. | Optimal operation of micro-grids considering the uncertainties of demand and renewable energy resources generation | |
Ullah et al. | Modeling the Energy Cooperation between Regionally Interconnected Aggregators using Bilateral Agreements | |
Shao et al. | Day-ahead joint clearing model of electric energy and reserve auxiliary service considering flexible load | |
Heydarian-Forushani et al. | A comprehensive smart energy management strategy for TVPP, CVPP, and energy communities | |
Esapour et al. | A novel self‐adaptive polar stochastic energy management approach for hybrid microgrids with high penetration of renewable energy sources |
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 |