CN113807569A - 一种多源储能型微网的完全分布式协同优化方法 - Google Patents
一种多源储能型微网的完全分布式协同优化方法 Download PDFInfo
- Publication number
- CN113807569A CN113807569A CN202110922078.9A CN202110922078A CN113807569A CN 113807569 A CN113807569 A CN 113807569A CN 202110922078 A CN202110922078 A CN 202110922078A CN 113807569 A CN113807569 A CN 113807569A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- power
- energy storage
- person
- function
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000007599 discharging Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009194 climbing Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002330 electrospray ionisation mass spectrometry Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000093 extraction electrospray ionisation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多源储能型微网的完全分布式协同优化方法，包括：1)获取数据，包括微网设备的相关参数和采集新能源与负荷数据；2)结合获取的数据，建立微网个体即局中人的博弈映射模型；3)在微网个体建模基础上，采用势博弈方法，建立微网个体之间的互动博弈模型，实现微网局部和整体的经济最优。本发明采用完全分布式多主体决策优化方式，结合条件风险价值模型以及广义储能模型，实现微网个体的本地决策与管理，有效规避风光出力不确定性带来的收益波动，提高新能源的消纳水平，同时采用势博弈的方式即能保证微网个体利益又能实现微网整体利益的最大化。
Description
技术领域
本发明涉及电力系统运行、仿真、分析与调度的技术领域，尤其是指一种多源储能型微网的完全分布式协同优化方法。
背景技术
未来的新型电力系统核心特征在于新能源占据主导地位，加速替代化石能源。将新能源以分布式发电方式接入电网，是可再生能源大规模并网的重要举措，具有自治性和自主性的微网则是连接分布式电源与大电网之间最好的桥梁。
微网的优化运行是能量管理系统的核心。微网的优化运行分为集中式优化和分布式优化。从集中式优化的视野，微网经济调度问题的混合整数规划方法 (吴雄,王秀丽,王建学,别朝红.微网经济调度问题的混合整数规划方法[J].中国电机工程学报,2013,33(28):1-9.)利用线性化方法将微网优化问题转化为混合整数规划。计及可中断负荷的微网多目标优化运行(朱兰,周雪莹,唐陇军,劳长石. 计及可中断负荷的微网多目标优化运行[J].电网技术,2017,41(06):1847-1854.) 构建了可中断负荷参与并网型微网优化运行的模型，利用线性加权求和法将多目标转化为单目标问题进行求解。上述的集中式优化需要处理大量数据，容易造成数据传输链路拥挤，没有充分利用微网自主性和自利性的特点。相反，分布式优化在一定程度上提高了微网的自主性和自利性。考虑储能充放电效益的孤岛微网经济优化模型(凌婵惠,郑常宝,胡存刚,芮涛.考虑储能充放电效益的孤岛微网经济优化模型[J].中国电力,2019,52(06):111-120.)采用交替方向乘子算法来分布式求解微网的运行优化问题。博弈论的引入为分布式优化提供了新的理论思路，面向微网源–储–荷互动的分布式多目标优化算法研究(王侨侨, 曾君,刘俊峰,陈剑龙,王振刚.面向微网源–储–荷互动的分布式多目标优化算法研究[J].中国电机工程学报,2020,40(05):1421-1432.)引入势博弈理论，分别建立新能源、负荷和储能等微网个体的目标函数，包括经济性目标、评价目标和环境目标，结合多目标粒子群优化算法完成微网的分布式优化。
但是，从这些研究结果来看，1)没有充分挖掘需求侧负荷的“弹性”和“可调节性”，仅将电力负荷简单的划分为中断负荷和不可中断负荷。实际上，需求侧负荷可分为重要负荷和柔性负荷，柔性负荷是一类具有弹性和可调节性的“虚拟储能”，若这类负荷在奖励机制激励下，自主制定调度计划，并参与微网的优化运行，将促进荷侧和源侧的友好互动，提高风光消纳水平；2)上述提到的分布式优化方法看出，忽略新能源出力的不确定因素影响，未考虑在确定性条件下调度决策带来的收益风险问题，会导致一定程度的资源浪费和增加调度成本。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种多源储能型微网的完全分布式协同优化方法，基于势博弈理论建立微网的完全分布式框架，计及风光不确定性来评估新能源参与者的调度成本风险，构建以提高风光消纳水平和需求侧主动性为目的的广义储能模型，最后采用分布式的方式来求解，保证了微网个体的自主性、智能性和一致性。
为实现上述目的，本发明所提供的技术方案为：一种多源储能型微网的完全分布式协同优化方法，包括以下步骤：
1)获取数据，包括微网设备的相关参数和采集新能源与负荷数据；
2)结合获取的数据，建立微网个体即局中人的博弈映射模型；
3)在微网个体建模基础上，采用势博弈方法，建立微网个体之间的互动博弈模型，实现微网局部和整体的经济最优。
进一步，在步骤1)中，所述微网设备的相关参数包括柴油机组的容量、最小和最大机械出力、燃油消耗率系数，储能设备的容量、初始荷电状态和充放电效率，新能源机组、柴油机组和储能设备的维护成本系数；所述新能源与负荷数据包括未来24小时的光伏和风电出力预测数据、负荷的用电计划数据。
进一步，在步骤2)中，结合获取的数据，建立微网个体的博弈映射模型，包括以下内容：
a、决策主体和决策变量
所有设备单元组成的决策主体集合N表示为：
N＝(PV+WT)∪DE∪(FLD+ES)
式中，光伏阵列PV和风力发电机组WT共同构成新能源局中人的决策主体；根据柔性负荷的可调节和弹性属性，柔性负荷FLD看作一类“虚拟储能”，灵活参与微网的运行优化，柔性负荷FLD和储能单元ES共同组成广义储能局中人的决策主体；柴油机组DE单独组成柴油机组局中人的决策主体；
设定待优化的时间窗口分为T个优化时段，t时段局中人i的功率表示为
t＝1,2,…T，源侧即新能源局中人和柴油机组局中人用正值表示输出功率，广义储能侧用正值表示消耗功率或充电功率，用负值表示放电功率；在整个优化时段内局中人i的决策变量Pi表示为：
b、策略空间
局中人i的决策变量具有上下限约束，表示为：
其中
和
分别为t时段决策变量的功率上限和下限，每个局中人可能受到的等式或不等式约束，统一表达形式为：
gi(Pi)≤0,i∈N
gi(Pi)是和Pi相关的函数，微网的优化运行需要遵从实时功率守恒原则，所有决策主体运行应满足功率平衡约束：
其中，
和Lt分别表示t时段柴油机组的输出功率、风机发电功率、光伏输出功率、储能设备出力、柔性负荷和重要负荷的消耗功率，重要负荷是为保证正常生产生活的必不可少的负荷；
c、收益函数
从经济角度协调微网中每个局中人的出力，选择经济收入作为局中人的收益函数；为保证博弈的收敛性，若选择经济收入作为收益函数，则每个局中人的优化目标都是使得经济收入最大化，表达式为：
maxFi(Pi)
式中，Fi(Pi)为局中人i的收益函数，目前研究的是微网T个时段的日前规划，所以Fi(Pi)表示T个时段的总经济收入；
此外，由于每个局中人的出力策略不仅需要满足局部约束，还要满足全局约束即微网系统的功率守恒约束；采用外罚函数的方法处理全局约束，定义功率缺额：电源发电量减去所有负荷用电，以功率缺额
构造罚函数项：
添加到每个局中人的收益函数中，更新目标函数为：
其中，M为惩罚因子；
d、条件风险价值建模
为评估风光不确定性造成的新能源局中人调度成本风险，引入条件风险价值模型即CVaR模型，将这模型添加至新能源局中人的收益函数中，目标是能有效规避实时风光出力不确定性带来的收益波动；其中，条件风险价值建模包含以下内容：
定义成本风险函数为f(x,y)，x为决策变量，表示博弈优化后的新能源出力，x∈Rn,Rn表示向量集；y为随机变量，表示风光出力的预测误差，y∈Rn；对于每个决策变量x，成本风险函数f(x,y)是由y确定的一个随机变量，随机变量y的概率密度表示为p(y)；则f(x,y)不超过阈值α的概率分布函数ψ(x,α) 为：
ψ(x,α)＝∫f(x,y)≤αp(y)dy
其中，α定义为VaR值；
在某一指定置信水平β∈(0,1)下，风险价值VaR即φβ(x)定义为：
φβ(x)＝min{α∈R:ψ(x,α)≥β}
其中，R表示实数集；
提出CVaR模型，具有概率累积函数和在某一指定置信水平β∈(0,1)下的条件风险价值CVaR定义为：
其中，αβ(x)定义为置信水平为β时的阈值；
在离散情形下，对应的CVaR值即
表示为：
式中，S为场景集的数量，f(x,yk)表示场景k所对应的风险成本函数；针对条件风险价值模型，优化的目标是成本风险最小，即与x∈Rn任意相关损失的 Cβ-CVaR即最小风险成本定义为：
进一步，在步骤3)中，采用势博弈方法，建立微网个体之间的互动博弈模型，为保证所述势博弈方法的收敛性和有效性，以局中人收益函数求和的形式建立势函数，其中，局中人分别为新能源局中人、柴油机组局中人和广义储能局中人；所述微网个体之间的互动博弈模型，包括以下内容：
a、微网局中人确定策略空间；
b、确定局中人策略更新的前后顺序；
广义储能局中人在电价激励下根据argmax准则优先更新策略；柴油发电机组作为备用电源，在新能源出力不足时保证用户负荷的用电需求，设置其最后更新策略；因此，策略更新顺序依次为：广义储能、新能源和柴油发电机组；
c、纳什均衡和功率平衡判断；
所有局中人的策略更新完成后，判断所有局中人最大收益的变化率是否满足收敛条件，若满足，则进一步判断微网总功率是否守恒；否则返回前面b点的策略更新；在满足纳什均衡的前提下，判断每个优化时段微网的功率缺额是否满足给定精度要求，若满足，则停止策略更新，输出最终局中人的最新策略；否则转到前面b点的策略更新。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明引入条件风险价值模型，量化风光不确定性造成的新能源局中人调度成本风险，实现收益和风险的平衡，该模型具有良好的鲁棒性。
2、本发明利用柔性负荷的“虚拟储能”特性，在分时电价引导下制定调度计划，有效改善了用户的用电负荷曲线，充分利用电力负荷的自主理性；同时与储能设备相互协调运行，构成广义储能模型，促进风光消纳。
3、本发明基于势博弈理论建立微网的完全分布式框架，柴油机组跟随可再生能源的出力，保证了可再生能源的优先出力和利用率，减少柴油机组出力频率，降低碳排放量。
附图说明
图1为微网结构示意图。
图2为多源储能型微网的完全分布式协同优化流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
参见图1和图2所示，本实施例所提供的多源储能型微网的完全分布式协同优化方法，在MATLAB编程环境下，利用YALMIP工具箱建立博弈优化模型，具体实施步骤如下：
1)获取数据，包括微网设备的相关参数和采集新能源与负荷数据；其中，所述微网设备的相关参数包括柴油机组的容量、最小和最大机械出力、燃油消耗率系数，储能设备的容量、初始荷电状态和充放电效率，新能源机组、柴油机组和储能设备的维护成本系数；所述新能源与负荷数据包括未来24小时的光伏和风电出力预测数据、负荷的用电计划数据。
2)结合获取的数据，建立微网个体的博弈映射模型，包括以下内容：
a、决策主体和决策变量
所有设备单元组成的决策主体集合N表示为：
N＝(PV+WT)∪DE∪(FLD+ES)
式中，光伏阵列PV和风力发电机组WT共同构成新能源局中人的决策主体；根据柔性负荷的可调节和弹性属性，柔性负荷FLD看作一类“虚拟储能”，灵活参与微网的运行优化，柔性负荷FLD和储能单元ES共同组成广义储能局中人的决策主体；柴油机组DE单独组成柴油机组局中人的决策主体；
设定待优化的时间窗口分为T个优化时段，t时段局中人i的功率表示为
t＝1,2,…T，源侧即新能源局中人和柴油机组局中人用正值表示输出功率，广义储能侧用正值表示消耗功率或充电功率，用负值表示放电功率；在整个优化时段内局中人i的决策变量Pi表示为：
b、策略空间
局中人i的决策变量具有上下限约束，表示为：
其中
和
分别为t时段决策变量的功率上限和下限，每个局中人可能受到的等式或不等式约束，统一表达形式为：
gi(Pi)≤0,i∈N
gi(Pi)是和Pi相关的函数，微网的优化运行需要遵从实时功率守恒原则，所有决策主体运行应满足功率平衡约束：
其中，
和Lt分别表示t时段柴油机组的输出功率、风机发电功率、光伏输出功率、储能设备出力、柔性负荷和重要负荷的消耗功率，重要负荷是为保证正常生产生活的必不可少的负荷；
c、收益函数
从经济角度协调微网中每个局中人的出力，选择经济收入作为局中人的收益函数；为保证博弈的收敛性，若选择经济收入作为收益函数，则每个局中人的优化目标都是使得经济收入最大化，表达式为：
maxFi(Pi)
式中，Fi(Pi)为局中人i的收益函数，目前研究的是微网T个时段的日前规划，所以Fi(Pi)表示T个时段的总经济收入；
此外，由于每个局中人的出力策略不仅需要满足局部约束，还要满足全局约束即微网系统的功率守恒约束；采用外罚函数的方法处理全局约束，定义功率缺额：电源发电量减去所有负荷用电，以功率缺额
构造罚函数项：
添加到每个局中人的收益函数中，更新目标函数为：
其中，M为惩罚因子；
d、条件风险价值建模
为评估风光不确定性造成的新能源局中人调度成本风险，引入条件风险价值模型即CVaR模型，将这模型添加至新能源局中人的收益函数中，目标是能有效规避实时风光出力不确定性带来的收益波动；其中，条件风险价值建模包含以下内容：
定义成本风险函数为f(x,y)，x为决策变量，表示博弈优化后的新能源出力，x∈Rn,Rn表示向量集；y为随机变量，表示风光出力的预测误差，y∈Rn；对于每个决策变量x，成本风险函数f(x,y)是由y确定的一个随机变量，随机变量y的概率密度表示为p(y)；则f(x,y)不超过阈值α的概率分布函数ψ(x,α) 为：
ψ(x,α)＝∫f(x,y)≤αp(y)dy
其中，α定义为VaR值；
在某一指定置信水平β∈(0,1)下，风险价值VaR即φβ(x)定义为：
φβ(x)＝min{α∈R:ψ(x,α)≥β}
其中，R表示实数集；
提出CVaR模型，具有概率累积函数和在某一指定置信水平β∈(0,1)下的条件风险价值CVaR定义为：
其中，αβ(x)定义为置信水平为β时的阈值；
在离散情形下，对应的CVaR值即
表示为：
式中，S为场景集的数量，f(x,yk)表示场景k所对应的风险成本函数；针对条件风险价值模型，优化的目标是成本风险最小，即与x∈Rn任意相关损失的 Cβ-CVaR即最小风险成本定义为：
考虑一个典型的微网，由光伏阵列(PV)、风力发电机组(WT)、柴油发电机组(DE)、负荷(重要负荷和柔性负荷)以及储能设备(ES)等底层单元组成，每个底层单元通过传感器、控制器和智能开关等设备与顶层互连，所有顶层设备之间通过网络互联，共同构成微网能量管理系统。新能源、广义储能以及柴油机组作为微网的决策主体，需要为每个主体建立相应的收益函数和策略空间，具体模型如下：
a、新能源局中人
a1、收益函数
新能源的收益函数由三部分组成：卖出电量所得收益、光伏阵列和风机的维护成本以及新能源出力的不确定性所导致的风险成本，定义为：
式中，
为t时段新能源的博弈优化出力；rt表示实时单价；r表示光伏阵列和风机的单位维修成本；g为风险成本系数；
为在t时刻新能源的预测值；
为在t时刻新能源出力的预测误差，利用预测误差的正态分布特点生成大量场景集，再采用K-means方法聚类缩减场景数，生成最终的预测误差场景集；S表示预测误差的场景总数。
是根据CVaR模型构建的风险成本函数。
表示风电费用，为风光不足导致的备用费用和风光过量导致的弃风弃光费用。
a2、约束集
新能源出力的上下限约束：
其中，
表示t时刻新能源允许的最大输出功率。
b、广义储能局中人
广义储能局中人由实际储能设备和具有“虚拟储能”特性的柔性负荷组成，柔性负荷包括可转移负荷、可平移负荷、和可中断负荷。
b1、收益函数
由三部分组成，分别为用电成本、不舒适度成本以及储能设备的运行维修成本。统一所有参与者的目标收益函数最大化，定义收益函数为：
式中，C为柔性负荷的集合；
为t时段柔性负荷c的消耗功率；
为柔性负荷c在t时段的原计划用电量；
为储能的实时充电或放电功率，正值表示充电，负值表示放电；wc为柔性负荷c的意愿参数，其值越大，表示用户更偏好于按原计划用电；kES为储能设备的单位维修成本系数。
b2、约束集
构建可转移负荷、可平移负荷、可中断负荷和储能单元的约束集。
可转移负荷的约束集：
消耗功率在可允许的功率范围内，即
式中，
和
是t时段最小和最大允许消耗功率。
保证调度时间段内总用电量不变，即
式中，αsh和βsh分别为可转移负荷的可调度起始和终止时间；Esh为总用电量。
可平移负荷的约束集：
平移时段在计划调度时间段内的约束，即
式中，NHtr为可平移负荷的可调度时间段；Htr为计划的调度时长；αtr，βtr分别为可调度起始和终止时间。
持续运行约束、运行时长和启动时间约束，即
式中，ytr(t)为t时段的启动状态，为1时表示启动，0是保持状态不变，可调度时间段内可平移负荷只启动一次。
可中断负荷的约束集：
式中，
和
为t时段可中断负荷的最小和最大允许消耗功率，
为 t时段可中断负荷的消耗功率。
储能单元的约束集：
充放电深度约束，即
式中，ηc，ηd分别为储能单元的充放电效率；
和
为储能单元的最小和最大荷电状态；
为t时段的充电或放电功率。
充放电功率约束，即
式中，EES为储能单元的容量。
c、柴油机组局中人
c1、收益函数
柴油机组的收益由三部分组成：卖出电量所得收益、柴油机组的燃料费用以及维护成本，收益函数定义为：
式中，
为燃油消耗量(a1、a2和a3表示相关系数)，d2为单位燃油费，d3表示单位运行维护成本；
为t时段柴油机组的输出功率。
c2、约束集
柴油机组的输出功率要满足其机械出力要求，即
式中，PDE,min，PDE,max分别表示柴油机的最小和最大输出功率；u(t)为二进制状态变量，为1时表示柴油机组处于工作状态，反之则不工作。
机组爬坡功率约束，即
式中，R为机组的爬坡率限制。
3)采用势博弈方法，建立微网个体之间的互动博弈模型，实现微网局部和整体的经济最优。为保证所述势博弈方法的收敛性和有效性，以局中人收益函数求和的形式建立势函数，其中，局中人分别为新能源局中人、柴油机组局中人和广义储能局中人；所述微网个体之间的互动博弈模型，包括以下内容：
a、微网局中人确定策略空间；
b、确定局中人策略更新的前后顺序；
广义储能局中人在电价激励下根据argmax准则优先更新策略；柴油发电机组作为备用电源，在新能源出力不足时保证用户负荷的用电需求，设置其最后更新策略；因此，策略更新顺序依次为：广义储能、新能源和柴油发电机组；
c、纳什均衡和功率平衡判断；
所有局中人的策略更新完成后，判断所有局中人最大收益的变化率是否满足收敛条件，若满足，则进一步判断微网总功率是否守恒；否则返回前面b点的策略更新；在满足纳什均衡的前提下，判断每个优化时段微网的功率缺额是否满足给定精度要求，若满足，则停止策略更新，输出最终局中人的最新策略；否则转到前面b点的策略更新。
上述的势博弈方法中，为保证博弈的收敛性和有效性，以局中人收益函数求和的形式建立势函数：
Fi∈{FRE,FGES,FDE}
式中，FRE是新能源局中人的收益函数，FGES是广义储能局中人的收益函数， FDE是柴油机组局中人的收益函数，Ui是将全局约束以罚函数的形式添加至收益函数之后的表达函数。微网局中人互动博弈的具体步骤如下：
STEP1：广义储能、新能源和柴油机组局中人根据约束集确定策略空间。由广义储能局中人开启博弈过程。
STEP2：广义储能局中人与其他局中人通信，接收其他局中人的出力策略，据此确定功率缺额，依据argmax原则更新自身策略。
STEP3：新能源局中人执行和STEP2相同行为。
STEP4：柴油机组局中人执行和STEP2相同行为。
STEP5：所有局中人更新策略完毕后，计算各局中人最大收益的变化率是否都满足精度条件，若满足，则转至STEP6，否则转到STEP2。
STEP6：判断功率缺额是否满足收敛条件，若满足，则停止策略更新，输出各个局中人的最终策略；否则增大惩罚因子，并转至STEP2。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (4)
1.一种多源储能型微网的完全分布式协同优化方法，其特征在于，包括以下步骤：
1)获取数据，包括微网设备的相关参数和采集新能源与负荷数据；
2)结合获取的数据，建立微网个体即局中人的博弈映射模型；
3)在微网个体建模基础上，采用势博弈方法，建立微网个体之间的互动博弈模型，实现微网局部和整体的经济最优。
2.根据权利要求1所述的一种多源储能型微网的完全分布式协同优化方法，其特征在于：在步骤1)中，所述微网设备的相关参数包括柴油机组的容量、最小和最大机械出力、燃油消耗率系数，储能设备的容量、初始荷电状态和充放电效率，新能源机组、柴油机组和储能设备的维护成本系数；所述新能源与负荷数据包括未来24小时的光伏和风电出力预测数据、负荷的用电计划数据。
3.根据权利要求1所述的一种多源储能型微网的完全分布式协同优化方法，其特征在于：在步骤2)中，结合获取的数据，建立微网个体的博弈映射模型，包括以下内容：
a、决策主体和决策变量
所有设备单元组成的决策主体集合N表示为：
N＝(PV+WT)∪DE∪(FLD+ES)
式中，光伏阵列PV和风力发电机组WT共同构成新能源局中人的决策主体；根据柔性负荷的可调节和弹性属性，柔性负荷FLD看作一类“虚拟储能”，灵活参与微网的运行优化，柔性负荷FLD和储能单元ES共同组成广义储能局中人的决策主体；柴油机组DE单独组成柴油机组局中人的决策主体；
设定待优化的时间窗口分为T个优化时段，t时段局中人i的功率表示为Pi t，t＝1,2,…T，源侧即新能源局中人和柴油机组局中人用正值表示输出功率，广义储能侧用正值表示消耗功率或充电功率，用负值表示放电功率；在整个优化时段内局中人i的决策变量Pi表示为：
Pi＝[Pi 1,Pi 2,Pi 3,…Pi T],i∈N
b、策略空间
局中人i的决策变量具有上下限约束，表示为：
Pt i,min≤Pi t≤Pt i,max
其中Pt i,min和Pt i,max分别为t时段决策变量的功率上限和下限，每个局中人可能受到的等式或不等式约束，统一表达形式为：
gi(Pi)≤0,i∈N
gi(Pi)是和Pi相关的函数，微网的优化运行需要遵从实时功率守恒原则，所有决策主体运行应满足功率平衡约束：
其中，
和Lt分别表示t时段柴油机组的输出功率、风机发电功率、光伏输出功率、储能设备出力、柔性负荷和重要负荷的消耗功率，重要负荷是保证正常生产生活的必不可少的负荷；
c、收益函数
从经济角度协调微网中每个局中人的出力，选择经济收入作为局中人的收益函数；为保证博弈的收敛性，若选择经济收入作为收益函数，则每个局中人的优化目标都是使得经济收入最大化，表达式为：
maxFi(Pi)
式中，Fi(Pi)为局中人i的收益函数，目前研究的是微网T个时段的日前规划，所以Fi(Pi)表示T个时段的总经济收入；
此外，由于每个局中人的出力策略不仅需要满足局部约束，还要满足全局约束即微网系统的功率守恒约束；采用外罚函数的方法处理全局约束，定义功率缺额：电源发电量减去所有负荷用电，以功率缺额
构造罚函数项：
添加到每个局中人的收益函数中，更新目标函数为：
其中，M为惩罚因子；
d、条件风险价值建模
为评估风光不确定性造成的新能源局中人调度成本风险，引入条件风险价值模型即CVaR模型，将这模型添加至新能源局中人的收益函数中，目标是能有效规避实时风光出力不确定性带来的收益波动；其中，条件风险价值建模包含以下内容：
定义成本风险函数为f(x,y)，x为决策变量，表示博弈优化后的新能源出力，x∈Rn,Rn表示向量集；y为随机变量，表示风光出力的预测误差，y∈Rn；对于每个决策变量x，成本风险函数f(x,y)是由y确定的一个随机变量，随机变量y的概率密度表示为p(y)；则f(x,y)不超过阈值α的概率分布函数ψ(x,α)为：
ψ(x,α)＝∫f(x,y)≤αp(y)dy
其中，α定义为VaR值；
在某一指定置信水平β∈(0,1)下，风险价值VaR即φβ(x)定义为：
φβ(x)＝min{α∈R:ψ(x,α)≥β}
其中，R表示实数集；
提出CVaR模型，具有概率累积函数和在某一指定置信水平β∈(0,1)下的条件风险价值CVaR定义为：
其中，αβ(x)定义为置信水平为β时的阈值；
在离散情形下，对应的CVaR值即
为：
式中，S为场景集的数量，f(x,yk)表示场景k所对应的风险成本函数；针对条件风险价值模型，优化的目标是成本风险最小，即与任意x∈Rn相关的Cβ-CVaR即最小风险成本定义为：
4.根据权利要求1所述的一种多源储能型微网的完全分布式协同优化方法，其特征在于：在步骤3)中，采用势博弈方法，建立微网个体之间的互动博弈模型，为保证所述势博弈方法的收敛性和有效性，以局中人收益函数求和的形式建立势函数，其中，局中人分别为新能源局中人、柴油机组局中人和广义储能局中人；所述微网个体之间的互动博弈模型，包括以下内容：
a、微网局中人确定策略空间；
b、确定局中人策略更新的前后顺序；
广义储能局中人在电价激励下根据argmax准则优先更新策略；柴油发电机组作为备用电源，在新能源出力不足时保证用户负荷的用电需求，设置其最后更新策略；因此，策略更新顺序依次为：广义储能、新能源和柴油发电机组；
c、纳什均衡和功率平衡判断；
所有局中人的策略更新完成后，判断所有局中人最大收益的变化率是否满足收敛条件，若满足，则进一步判断微网总功率是否守恒；否则返回前面b点的策略更新；在满足纳什均衡的前提下，判断每个优化时段微网的功率缺额是否满足给定精度要求，若满足，则停止策略更新，输出最终局中人的最新策略；否则转到前面b点的策略更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922078.9A CN113807569B (zh) | 2021-08-12 | 2021-08-12 | 一种多源储能型微网的完全分布式协同优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922078.9A CN113807569B (zh) | 2021-08-12 | 2021-08-12 | 一种多源储能型微网的完全分布式协同优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113807569A true CN113807569A (zh) | 2021-12-17 |
| CN113807569B CN113807569B (zh) | 2024-04-16 |
Family
ID=78893543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110922078.9A Active CN113807569B (zh) | 2021-08-12 | 2021-08-12 | 一种多源储能型微网的完全分布式协同优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807569B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611772A (zh) * | 2022-02-24 | 2022-06-10 | 华南理工大学 | 一种基于多智能体强化学习的多微网系统协同优化方法 |
| CN114626639A (zh) * | 2022-04-19 | 2022-06-14 | 西南石油大学 | 一种考虑风光不确定性的多微电网协同优化经济调度方法 |
| CN115622144A (zh) * | 2022-10-26 | 2023-01-17 | 国网湖北省电力有限公司电力科学研究院 | 一种多微网能量共享方法 |
| CN115800276A (zh) * | 2023-02-09 | 2023-03-14 | 四川大学 | 一种考虑机组爬坡的电力系统应急调度方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106451552A (zh) * | 2016-11-17 | 2017-02-22 | 华南理工大学 | 一种基于势博弈的微电网能量管理系统分布式优化算法 |
| CN107545325A (zh) * | 2017-08-21 | 2018-01-05 | 浙江工业大学 | 一种基于博弈论的多微网互联运行优化方法 |
| CN108347062A (zh) * | 2018-01-12 | 2018-07-31 | 华南理工大学 | 基于势博弈的微电网能量管理分布式多目标协同优化算法 |
| CN109934476A (zh) * | 2019-03-05 | 2019-06-25 | 东北电力大学 | 一种基于主体有限理性决策的微电网源-储联合规划多策略演化博弈分析方法 |
| CN112202206A (zh) * | 2020-09-10 | 2021-01-08 | 上海大学 | 一种基于势博弈的多能源微网分布式调度方法 |
-
2021
- 2021-08-12 CN CN202110922078.9A patent/CN113807569B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106451552A (zh) * | 2016-11-17 | 2017-02-22 | 华南理工大学 | 一种基于势博弈的微电网能量管理系统分布式优化算法 |
| CN107545325A (zh) * | 2017-08-21 | 2018-01-05 | 浙江工业大学 | 一种基于博弈论的多微网互联运行优化方法 |
| CN108347062A (zh) * | 2018-01-12 | 2018-07-31 | 华南理工大学 | 基于势博弈的微电网能量管理分布式多目标协同优化算法 |
| CN109934476A (zh) * | 2019-03-05 | 2019-06-25 | 东北电力大学 | 一种基于主体有限理性决策的微电网源-储联合规划多策略演化博弈分析方法 |
| CN112202206A (zh) * | 2020-09-10 | 2021-01-08 | 上海大学 | 一种基于势博弈的多能源微网分布式调度方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611772A (zh) * | 2022-02-24 | 2022-06-10 | 华南理工大学 | 一种基于多智能体强化学习的多微网系统协同优化方法 |
| CN114611772B (zh) * | 2022-02-24 | 2024-04-19 | 华南理工大学 | 一种基于多智能体强化学习的多微网系统协同优化方法 |
| CN114626639A (zh) * | 2022-04-19 | 2022-06-14 | 西南石油大学 | 一种考虑风光不确定性的多微电网协同优化经济调度方法 |
| CN115622144A (zh) * | 2022-10-26 | 2023-01-17 | 国网湖北省电力有限公司电力科学研究院 | 一种多微网能量共享方法 |
| CN115800276A (zh) * | 2023-02-09 | 2023-03-14 | 四川大学 | 一种考虑机组爬坡的电力系统应急调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113807569B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Interactive dispatch modes and bidding strategy of multiple virtual power plants based on demand response and game theory | |
| CN113807569A (zh) | 一种多源储能型微网的完全分布式协同优化方法 | |
| CN109390979B (zh) | 一种综合能源系统的优化控制方法 | |
| CN107565607B (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
| Sharma et al. | A critical and comparative review of energy management strategies for microgrids | |
| CN106953316B (zh) | 微电网变时间尺度优化调度方法 | |
| CN108092290B (zh) | 一种联合储能容量配置与优化运行的微网能量配置方法 | |
| Zhang et al. | Research on bi-level optimized operation strategy of microgrid cluster based on IABC algorithm | |
| CN116436008B (zh) | 一种用于光储充电站的电力调度方法及终端 | |
| CN114884108B (zh) | 源网荷储一体化的微电网多时间尺度能量管理优化方法 | |
| CN111047097A (zh) | 一种综合能源系统日中滚动优化方法 | |
| Dong et al. | Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm | |
| CN115545291A (zh) | 基于主从博弈的集中式共享储能容量配置和定价方法 | |
| CN116191493A (zh) | 一种火电机组深度调峰和复合储能协同规划方法与装置 | |
| Elkholy et al. | Maximizing microgrid resilience: A two-stage AI-Enhanced system with an integrated backup system using a novel hybrid optimization algorithm | |
| CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
| CN112564151A (zh) | 一种计及隐私意识的多微网云储能优化调度方法及系统 | |
| Yu et al. | A fuzzy Q-learning algorithm for storage optimization in islanding microgrid | |
| Li et al. | A Fuzzy Multi Objective Unit Commitment Model Based Source Grid Load Interaction | |
| Lu et al. | Optimal Dispatch of Multi-stakeholder Based on Pareto-Nash Equilibrium Game for Active Distribution Network | |
| CN118214006A (zh) | 一种考虑需求响应和合作博弈的交直流微网优化运行方法 | |
| Deng et al. | Multi-Agent Smart Control of Virtual Power Plant Energy Storage in Active Distribution Network | |
| Yu et al. | A Coordinated Optimization Method for New Power System Source Network Load Storage Based on Deep Learning | |
| Wang et al. | Simulation of Coordinated Optimization Model of Power Grid Energy Storage Based on Improved Genetic Algorithm | |
| CN117895517A (zh) | 一种基于强化学习的多微网能量共享方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |