CN113902280A - 一种多微网联合经济调度方法 - Google Patents
一种多微网联合经济调度方法 Download PDFInfo
- Publication number
- CN113902280A CN113902280A CN202111159258.2A CN202111159258A CN113902280A CN 113902280 A CN113902280 A CN 113902280A CN 202111159258 A CN202111159258 A CN 202111159258A CN 113902280 A CN113902280 A CN 113902280A
- Authority
- CN
- China
- Prior art keywords
- cost
- microgrid
- unit
- formula
- expression
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 14
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 12
- 231100000719 pollutant Toxicity 0.000 claims abstract description 12
- 238000007599 discharging Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000009194 climbing Effects 0.000 claims abstract description 7
- 230000000739 chaotic effect Effects 0.000 claims abstract description 6
- 238000010248 power generation Methods 0.000 claims description 23
- 239000000446 fuel Substances 0.000 claims description 11
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 235000005770 birds nest Nutrition 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 235000005765 wild carrot Nutrition 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000005431 greenhouse gas Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种多微网联合经济调度方法,属于智能电网经济调度技术领域,包括如下步骤:步骤1:以机组发电成本、污染物排放量、车主充放电成本为目标函数来纳入发电计划,从而建立模型:步骤2:以功率平衡、机组出力、机组爬坡建立约束条件,并引入可中断负荷作为旋转备用。步骤3:可行性的验证采用基于混沌算法的改进布谷鸟优化算法和Shapley分配法的多微网联合经济调度方法,本发明综合考虑调度中的功率平衡、机组出力、机组爬坡建立约束条件,提出了一种基于混沌算法的改进布谷鸟优化算法和Shapley分配法的多微网联合经济调度方法,解决容易收敛于局部最优值的现象,同时有效解决了联盟成员涌现收益分配不公平的问题。
Description
技术领域
本发明属于智能电网经济调度技术领域,特别涉及一种多微网联合经济调度方法。
背景技术
随着工业的高速发展,在带来好处并造福人类社会的同时,大量使用化石能源使得能源逐渐枯竭,以及引发出一系列的环境问题,所以将新能源引入电力系统中不仅仅是一种尝试,也是必然的发展趋势。在国家大力支持节能减排的政策下,在保障电力系统正常发电的要求下,优先采纳风电,使得清洁环保的可再生能源能够在电力系统中发挥其最大的作用。
优化问题普遍存在于人类的日常实践、科学和技术中。该问题通常可以归结为单个目标函数或多目标函数的最大值或最小值问题,满足一定的限制或不满足一定的限制。由于优化问题的复杂性,传统的数学优化方法已不能满足人们的需要,近年来,随着分布式能源的迅速发展,分布式能源得到了越来越多的应用。由于对分布式能量的有效吸收和管理,微网络的发展具有灵活的控制资源,由若干相邻的微电网联网形成的多微网是分布式电网的发展方向。
现有的布谷鸟算法分布复杂,不利于推广应用,根据概率进行随机变化。虽然可以扩大研究范围,增加种群的多样性,但是会导致搜索速度较慢以及精度不高等问题。并且现有发明在研究微电网和主电网之间的关系忽略了一个事实,即分布式发电和相邻微电网的需求可以很好地互补。这无助于提高区域体系的整体经济效益。上级调度中心出错时,只能对各区域进行独立优化,这不利于新能源的消耗和微电网的经济运行。
发明内容
针对现有技术存在的不足,本发明提供一种基于混沌算法的改进布谷鸟优化算法和Shapley分配法的多微网联合经济调度方法。
本发明的目的是这样实现的:一种多微网联合经济调度方法,包括如下步骤:
步骤1:以机组发电成本、污染物排放成本、电动汽车充电成本为目标函数建立多目标经济调度模型;
步骤2:建立约束条件;
步骤3:采用混沌算法的改进布谷鸟优化算法和Shapley分配法,进行可行性验证:设置目标函数,将种群根据混沌算法初始化,并规定参数;
步骤4:计算当前的目标函数最优值及对应个体,并进行保留,之后更新剩余个体的位置;
步骤5:依据目标函数将更新后的个体进行排序;
步骤6:重复步骤4和步骤5,直至达到终止条件,退出循环,输出全局最优解;
步骤7:构建微电网的贡献度模型。
进一步地,所述机组发电成本包括火电机组发电成本和风电机组发电成本,其中,火电机组发电成本包括燃料成本和维护成本,其表达式为:
Fi,t=Fi,t1+Fi,t2
燃料成本表达式为:
Fi,t1=AiP2 i,t+BiPi,t+Ci
式中,Ai,Bi,Ci为火力发电机组i的燃料成本系数;
维护成本表达式为:
Fi,t2=KiPi,t
式中,Ki为第i台火力发电机组的运行维护系数;
所述风电机组发电成本表达式为:
Fwt=KwPwt
式中,Kw为风电机组的运行成本系数,Pwt为风电机组在t时段内的输出功率;
式中,v为实际风速,vin为切入风速,vout为切出风速,ve为额定风速;
所述污染物排放成本表达式为:
Fet=Ke,iHePi,t
Ke,i=DiP2 i,t+EiPi,t+Gi
式中,Ke,i为第i台火力发电机组的排放量,He为单位温室气体排放价格,Di、Ei、Gi均为排放系数;
所述电动汽车充电成本表达式:
Fp,t=Nchr,tPchrfchr,t-Ndis,tPdisfdis,t
式中,Ndis,t(Nchr,t)为在t时段接入电网的PHEVs充(放)电的数量,Pdis(Pchr)为PHEVs的充(放)电平均功率,fdis,t(fchr,t)为PHEVs充(放)电电价。
进一步地,多目标经济调度模型表达式为:
式中,i表示机组编号,N表示系统中发电机组的台数,T表示调度总时段数,Ui,t为机组i在t时段的开机情况,Fi,t(Pi,t)为火电机组i在t时段的燃料费用,Pi,t为机组i在t时段的发电量,Fwt为t时段的风电发电成本,Fet为t时段污染物排放量,FL,t为购买可中断负荷成本,为各成本所占比例。
进一步地,所述步骤2中,约束条件包括功率平衡约束、火电机组出力约束、风电机组出力约束和机组爬坡速率约束,其中,功率平衡约束表达式为:
式中,Pi,t为火力发电机组i在t时段的发电量,Pwt为风力发电机组发电量,Pg为系统负荷,Pl为系统网损;
火电机组出力约束表达式为:
Pi min≤Pi,t≤Pi max
式中,Pi min为火电机组i的出力下限,Pi max为火电机组i的出力上限;
风电机组出力约束表达式为:
机组爬坡速率约束表达式为:
Pi down≤Pi,△t≤Pi up
式中,Pi down表示机组爬坡速率上限,Pi up表示机组爬坡速率下限。
进一步地,布谷鸟搜索算法遵循Le′vy(λ)飞行机制,即其第i个鸟巢的位置变换遵循以下规律:
进一步地,所述步骤1中,还包括可中断负荷成本,其表达式为:
FL=KLPL,t
式中,KL为中断负荷补偿价格系数,PL,t为t时段可中断负荷量;
可中断负荷约束表达式为:
进一步地,所述步骤5中,排序方式表达为;
进一步地,所述步骤7中,微电网的贡献度模型表达式为:
式中:△Ms代表多微网系统的涌现收益,Ms代表各个微电网独立运行时系统总运行成本,F为集合M的任意子集,Fi为集合M中包含微电网i所有子集所形成的集合,|F|表示集合F中微电网的个数,△Ms为集合F的涌现收益,△Ms\|i|为集合S除去微电网i的涌现收益,△Mi为微电网i分配到的涌现收益,为微电网i联合运行时的真实成本,Mi为微电网i独立运行的成本。
本发明相比现有技术突出且有益的技术效果是:
本发明突破传统的电网经济调度方式,在基于环境因素上,将多微网接入电网,并充分考虑其并网对电网运行调度的影响,然后建立以机组发电成本、污染物排放量、车主充放电成本等为目标函数的经济调度模型,不仅可以节省系统的经济调度成本和保护环境,还可以给车主带来经济效益,为含电动汽车和清洁能源的电力系统经济调度提供参考。并综合考虑调度中的功率平衡、机组出力以及机组爬坡速率等约束条件,并引入可中断负荷作为旋转备用。
同时,提出了一种基于混沌算法的改进布谷鸟优化算法和Shapley分配法的多微网联合经济调度方法。相比于随机生成一组初始个体,选取最优后,再更新迭代的标准布谷鸟算法,改进后的方法避免陷入局部最优这种情况,采用混沌算法的思想将原始个体在在可行域内均匀分布,大大减小了陷入局部优化的几率。由于布谷鸟算法受概率的影响较低,为了提高搜索速度和准确性,在将种群信息大幅度应用的基础上,按目标函数值排列个体,末位的多个个体在保持种群原有特征的基础上,利用最优解来提高种群的多样性,提高算法的收敛精度,得到具体变异方式。
与单个微电网操作相比,多微网络系统在联合操作模式下的总成本大大降低,降低的成本即系统的涌现收益。Shapley方法用于在子网之间公平分配系统联合运行产生的收入,收入根据每个成员对联盟总体目标的边际贡献进行分配。此外,微电网i的实际运行成本是微电网i独立运行时的运行成本减去分配给它的涌现收入。为了量化每个成员对系统收入变化的贡献,定义了微电网i的Li贡献评价模型,其值是微电网i分配的收入与系统收入的比值,具有重要的参考价值。解决容易收敛于局部最优值的现象,同时有效解决了联盟成员涌现收益分配不公平的问题。
附图说明
图1为本发明的算法流程图;
图2为微电网出力预测值曲线图;
图3为日用负荷需求预测曲线图;
图4为微电网的实际运行成本及其对系统涌现收益的贡献度表。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,下面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。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明提供一种多微网联合经济调度方法,包括如下步骤:
步骤1:以机组发电成本、污染物排放成本、电动汽车充电成本和可中断负荷成本为目标函数建立多目标经济调度模型;所述机组发电成本包括火电机组发电成本和风电机组发电成本,其中,火电机组发电成本包括燃料成本和维护成本,其表达式为:
Fi,t=Fi,t1+Fi,t2
燃料成本表达式为:
Fi,t1=AiP2 i,t+BiPi,t+Ci
式中,Ai,Bi,Ci为火力发电机组i的燃料成本系数,根据火力发电机组的报价曲线确定;
维护成本表达式为:
Fi,t2=KiPi,t
式中,Ki为第i台火力发电机组的运行维护系数(万元/kWh);
所述风电机组发电成本表达式为:
Fwt=KwPwt
式中,Kw为风电机组的运行成本系数(万元/kWh),Pwt为风电机组在t时段内的输出功率;
在研究风发电机组的过程中,由于风速是不确定因素,所以导致风发电机组的发电量是一个跟随风速变化的随机变量。
式中,v为实际风速,vin为切入风速,vout为切出风速,ve为额定风速;
所述污染物排放成本表达式为:
Fet=Ke,iHePi,t
Ke,i=DiP2 i,t+EiPi,t+Gi
式中,Ke,i为第i台火力发电机组的排放量(kg/kWh),He为单位温室气体排放价格(元/kg),Di、Ei、Gi均为排放系数;
所述电动汽车充电成本表达式:电动汽车作为负荷和储能装置来提供电源,
Fp,t=Nchr,tPchrfchr,t-Ndis,tPdisfdis,t
式中,NDis,t(Nchr,t)为在t时段接入电网的PHEVs充(放)电的数量,Pdis(Pchr)为PHEVs的充(放)电平均功率,fdis,t(fchr,t)为PHEVs充(放)电电价;
所述可中断负荷成本表达式为:
FL=KLPL,t
式中,KL为中断负荷补偿价格系数,PL,t为t时段可中断负荷量;
多目标经济调度模型表达式为:
式中,i表示机组编号,N表示系统中发电机组的台数,T表示调度总时段数,Ui,t为机组i在t时段的开机情况,0表示停机,1表示开机,Fi,t(Pi,t)为火电机组i在t时段的燃料费用,Pi,t为机组i在t时段的发电量,Fwt为t时段的风电发电成本,Fet为t时段污染物排放量,FL,t为购买可中断负荷成本,为各成本所占比例。
步骤2:建立约束条件,约束条件包括功率平衡约束、火电机组出力约束、风电机组出力约束、机组爬坡速率约束和可中断负荷约束,其中,功率平衡约束表达式为:
式中,Pi,t为火力发电机组i在t时段的发电量,Pwt为风力发电机组发电量,Pg为系统负荷,Pl为系统网损;
火电机组出力约束表达式为:
Pi min≤Pi,t≤Pi max
式中,Pi min为火电机组i的出力下限,Pi max为火电机组i的出力上限;
风电机组出力约束表达式为:
机组爬坡速率约束表达式为:
Pi down≤Pi,△t≤Pi up
式中,Pi down表示机组爬坡速率上限,Pi up表示机组爬坡速率下限;
可中断负荷约束表达式为:
同时考虑了环境和经济效益,其目标函数如下:
F(X)=min(Fc′,t,Fe′,t);
式中:Fc',t为发电成本与车主充电成本之和;
Fe',t为污染物排放量;
步骤3:采用混沌算法的改进布谷鸟优化算法和Shapley分配法,进行可行性验证:设置目标函数,将种群根据混沌算法初始化,并规定参数;此步骤相比于随机生成一组初始个体,选取最优后,再更新迭代的标准布谷鸟算法,改进后的方法避免陷入局部最优这种情况,采用混沌算法的思想将原始个体在在可行域内均匀分布,大大减小了陷入局部优化的几率。
步骤4:在随机生成一组个体的基础上,计算当前的目标函数最优值及对应个体,并进行保留,之后更新剩余个体的位置;
布谷鸟搜索算法遵循Le′vy(λ)飞行机制,即其第i个鸟巢的位置变换遵循以下规律:
步骤5:依据目标函数将更新后的个体进行排序;可以根据以下公式对排在末位的个体,参考自身和其他信息进行变动。即按目标函数值排列个体,末位的多个个体在保持种群原有特征的基础上,利用最优解来提高种群的多样性,提高算法的收敛精度,排序方式表达为;
依据目标函数将更新后的个体排序后,参考自身和其他信息进行变动,具体为:由于布谷鸟算法受概率的影响较低,为了提高搜索速度和准确性,在将种群信息大幅度应用的基础上,提出了一种新的搜索算法如下:按目标函数值排列个体,末位的多个个体在保持种群原有特征的基础上,利用最优解来提高种群的多样性,提高算法的收敛精度,得到具体变异方式。
步骤6:重复步骤4和步骤5,直至达到终止条件,退出循环,输出全局最优解;
步骤7:为了衡量每个个体对不断演变的收入体系的贡献,构造了微电网i的贡献度Li(Li为微电网i分配到的涌现收益占系统涌现收益的比例评估模型),其表达式为:
式中:△Ms代表多微网系统的涌现收益,Ms代表各个微电网独立运行时系统总运行成本,F为集合M的任意子集,Fi为集合M中包含微电网i所有子集所形成的集合,|F|表示集合F中微电网的个数,△Ms为集合F的涌现收益,△Ms\|i|为集合S除去微电网i的涌现收益,△Mi为微电网i分配到的涌现收益,为微电网i联合运行时的真实成本,Mi为微电网i独立运行的成本。
与单个微电网操作相比,多微网络系统在联合操作模式下的总成本大大降低,降低的成本即系统的涌现收益。Shapley方法用于在子网之间公平分配系统联合运行产生的收入,收入根据每个成员对联盟总体目标的边际贡献进行分配。此外,微电网i的实际运行成本是微电网i独立运行时的运行成本减去分配给它的涌现收入。为了量化每个成员对系统收入变化的贡献,定义了微电网i的Li贡献评价模型,其值是微电网i分配的收入与系统收入的比值,具有重要的参考价值。
为验证所提模型和方法的有效性,本实施例以IEEE 30节点系统为例。某交流配电网中包含3个分别位于节点12、24和30的微电网。
算例中,微电网中的风电出力曲线及日用负荷需求曲线分别见附录图2与图3所示。微电网的储能配置容量分别为1000、1000、1500kW·h,其最大充放电功率分别为125、125、250kW。设定每个微电网包含50辆电动汽车,EV电池的容量均为65kW·h,其最大充放电功率为10kW,EV离开微电网的期望荷电状态值为0.8。储能和EV电池的充放电效率为95%。然后,运用Shapley方法科学计算和重新分配合作微电网成员的涌现收益,计算出单个微网的实际运营成本及其对系统最终收入的贡献,如附图4所示。附图4中,在出现涌现收益分配后,每个微电网的实际运营成本低于独立运营成本。如果需要调整多微网系统的结构,为了使系统的效益最大化,最好有选择地将最重要的贡献度较大的微电网相匹配。
上述实施例仅为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明说明中所使用的术语,只是为了描述具体得实施方式的目的,不是旨在于限制本发明。
Claims (8)
1.一种多微网联合经济调度方法,其特征在于:包括如下步骤:
步骤1:以机组发电成本、污染物排放成本、电动汽车充电成本为目标函数建立多目标经济调度模型;
步骤2:建立约束条件;
步骤3:采用混沌算法的改进布谷鸟优化算法和Shapley分配法,进行可行性验证:设置目标函数,将种群根据混沌算法初始化,并规定参数;
步骤4:计算当前的目标函数最优值及对应个体,并进行保留,之后更新剩余个体的位置;
步骤5:依据目标函数将更新后的个体进行排序;
步骤6:重复步骤4和步骤5,直至达到终止条件,退出循环,输出全局最优解;
步骤7:构建微电网的贡献度模型。
2.根据权利要求1所述的多微网联合经济调度方法,其特征在于,所述机组发电成本包括火电机组发电成本和风电机组发电成本,其中,火电机组发电成本包括燃料成本和维护成本,其表达式为:
Fi,t=Fi,t1+Fi,t2
燃料成本表达式为:
Fi,t1=AiP2 i,t+BiPi,t+Ci
式中,Ai,Bi,Ci为火力发电机组i的燃料成本系数;
维护成本表达式为:
Fi,t2=KiPi,t
式中,Ki为第i台火力发电机组的运行维护系数;
所述风电机组发电成本表达式为:
Fwt=KwPwt
式中,Kw为风电机组的运行成本系数,Pwt为风电机组在t时段内的输出功率;
式中,v为实际风速,vin为切入风速,vout为切出风速,ve为额定风速;
所述污染物排放成本表达式为:
Fet=Ke,iHePi,t
Ke,i=DiP2 i,t+EiPi,t+Gi
式中,Ke,i为第i台火力发电机组的排放量,He为单位温室气体排放价格,Di、Ei、Gi均为排放系数;
所述电动汽车充电成本表达式:
Fp,t=Nchr,tPchrfchr,t-Ndis,tPdisfdis,t
式中,NDis,t(Nchr,t)为在t时段接入电网的PHEVs充(放)电的数量,Pdis(Pchr)为PHEVs的充(放)电平均功率,fdis,t(fchr,t)为PHEVs充(放)电电价。
4.根据权利要求1所述的多微网联合经济调度方法,其特征在于,所述步骤2中,约束条件包括功率平衡约束、火电机组出力约束、风电机组出力约束和机组爬坡速率约束,其中,功率平衡约束表达式为:
式中,Pi,t为火力发电机组i在t时段的发电量,Pwt为风力发电机组发电量,Pg为系统负荷,Pl为系统网损;
火电机组出力约束表达式为:
Pi min≤Pi,t≤Pi max
式中,Pi min为火电机组i的出力下限,Pi max为火电机组i的出力上限;
风电机组出力约束表达式为:
机组爬坡速率约束表达式为:
Pi down≤Pi,△t≤Pi up
式中,Pi down表示机组爬坡速率上限,Pi up表示机组爬坡速率下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159258.2A CN113902280A (zh) | 2021-09-30 | 2021-09-30 | 一种多微网联合经济调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159258.2A CN113902280A (zh) | 2021-09-30 | 2021-09-30 | 一种多微网联合经济调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902280A true CN113902280A (zh) | 2022-01-07 |
Family
ID=79189582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111159258.2A Pending CN113902280A (zh) | 2021-09-30 | 2021-09-30 | 一种多微网联合经济调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902280A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103296682A (zh) * | 2013-05-09 | 2013-09-11 | 国家电网公司 | 一种多时空尺度渐进趋优的负荷调度模式设计方法 |
CN104036337A (zh) * | 2013-03-04 | 2014-09-10 | 中国电力科学研究院 | 基于预测不确定度和净空出力的光伏发电优化调度方法 |
CN112070628A (zh) * | 2020-09-02 | 2020-12-11 | 沈阳工程学院 | 一种计及环境因素的智能电网多目标经济调度方法 |
US20210224708A1 (en) * | 2018-01-02 | 2021-07-22 | Shanghai Jiao Tong University | Real-time economic dispatch method of power system |
-
2021
- 2021-09-30 CN CN202111159258.2A patent/CN113902280A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036337A (zh) * | 2013-03-04 | 2014-09-10 | 中国电力科学研究院 | 基于预测不确定度和净空出力的光伏发电优化调度方法 |
CN103296682A (zh) * | 2013-05-09 | 2013-09-11 | 国家电网公司 | 一种多时空尺度渐进趋优的负荷调度模式设计方法 |
US20210224708A1 (en) * | 2018-01-02 | 2021-07-22 | Shanghai Jiao Tong University | Real-time economic dispatch method of power system |
CN112070628A (zh) * | 2020-09-02 | 2020-12-11 | 沈阳工程学院 | 一种计及环境因素的智能电网多目标经济调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
Maleki et al. | Optimal sizing of autonomous hybrid photovoltaic/wind/battery power system with LPSP technology by using evolutionary algorithms | |
Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN104362677B (zh) | 一种主动配电网优化配置结构及其配置方法 | |
CN108470239A (zh) | 计及需求侧管理和储能的主动配电网多目标分层规划方法 | |
CN103840457A (zh) | 考虑电动汽车充放电影响的配电网内dg优化配置方法 | |
CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
CN111697578B (zh) | 多目标含储能区域电网运行控制方法 | |
CN107482690B (zh) | 风电与电动汽车协同调度的电力系统调度优化方法及系统 | |
CN111626527A (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN109473976A (zh) | 一种冷热电联供型微网能量调度方法及系统 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN105207207B (zh) | 基于能量管理的孤网状态下的微电网系统调度方法 | |
CN110889581A (zh) | 一种电动汽车参与的台区优化调度方法和系统 | |
El-Zonkoly | Application of smart grid specifications to overcome excessive load shedding in Alexandria, Egypt | |
CN116488183A (zh) | 一种含分布式电源的配电网优化调度方法 | |
CN110165715B (zh) | 一种将电动汽车储能式充电站接入虚拟电厂的方法 | |
CN109149658B (zh) | 基于一致性理论的独立微电网分布式动态经济调度方法 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
Mao et al. | Economic Dispatch of Microgrid Considering Fuzzy Control Based Storage Battery Charging and Discharging. | |
CN117578537A (zh) | 基于碳交易和需求响应的微电网优化调度方法 | |
CN114759616B (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 | |
CN113902280A (zh) | 一种多微网联合经济调度方法 |
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 |