CN113904372B - 考虑5g基站接入的主动配电网多目标优化运行方法 - Google Patents
考虑5g基站接入的主动配电网多目标优化运行方法 Download PDFInfo
- Publication number
- CN113904372B CN113904372B CN202111202838.5A CN202111202838A CN113904372B CN 113904372 B CN113904372 B CN 113904372B CN 202111202838 A CN202111202838 A CN 202111202838A CN 113904372 B CN113904372 B CN 113904372B
- Authority
- CN
- China
- Prior art keywords
- base station
- power
- period
- distribution network
- storage battery
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000005457 optimization Methods 0.000 title claims abstract description 80
- 230000006870 function Effects 0.000 claims abstract description 52
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 47
- 238000004891 communication Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 35
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 32
- 238000010248 power generation Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000004146 energy storage Methods 0.000 claims description 94
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000007599 discharging Methods 0.000 claims description 26
- 230000003993 interaction Effects 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 13
- 238000005265 energy consumption Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 15
- 230000004044 response Effects 0.000 description 9
- 230000009467 reduction Effects 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 230000007958 sleep Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑5G基站接入的主动配电网(ADN)多目标优化运行方法,包括:以系统运行成本最小和碳排放量最小为目标函数,根据5G基站运行约束条件、可再生能源(RES)发电出力约束条件、配电网潮流约束条件和系统运行安全性约束条件,构建ADN多目标优化模型;采用区间分析法,对目标函数和各约束条件进行处理,将ADN多目标优化模型转换为确定性多目标优化模型;采用非支配排序遗传算法对确定性多目标优化模型求解,得到考虑5G基站接入的ADN多目标优化运行方案。本方案通过对ADN中RES及5G基站设备联合调度,并采用区间方法考虑RES出力和通信负载的不确定性,可实现系统经济与低碳效益的同时优化和科学兼顾。
Description
技术领域
本发明涉及能源优化与调度技术领域,特别涉及一种考虑5G基站接入的主动配电网多目标优化运行方法。
背景技术
目前,提高可再生能源(RES)在终端能源消费中的占比和利用效率,构建以新能源为主体的新型电力系统成为“碳达峰”和“碳中和”目标下我国能源体系建设的重要课题。近年来主动配电网(ADN)技术为大规模分布式可再生能源并网创造了良好条件,但受当前配电网结构和可再生能源间歇性的固有限制,要在ADN框架下实现对RES的充分利用,必须挖掘大量灵活性资源参与电力系统的运行调度,以平抑RES发电大量接入对系统功率平衡造成的影响。
而随着第五代移动通信技术的快速普及,5G基站已逐渐发展成配电网中一类重要的新兴负荷。在运行过程中,通过对5G基站中的供电和用电设备进行科学调度管理,可以充分发挥5G基站蕴含的互动响应潜力,为电网提供可观的灵活性支撑,最终达到在降低基站自身用电成本的同时,提高配电网对可再生能源消纳和碳减排的目的。目前,国内外针对含RES的主动配电网优化运行问题均未涉及5G基站及其灵活性潜力的影响。要在主动配电网运行中有效发挥5G基站的低碳赋能潜力,需要深入考虑其信息域属性对5G基站运行的影响,建立面向能量、信息多域耦合下5G基站运行可调节特性的精细化描述模型。此外,为确保所得运行方案的有效性,现有研究大多采用随机优化或鲁棒优化方法以考虑ADN中的不确定性,例如RES出力或负荷需求的波动性。而实际应用中,随机优化必须借助大量可靠的历史数据才能提炼出关于不确定因素的准确描述,而鲁棒优化一般只关注对系统目标实现最为不利的不确定场景,所得运行策略往往过于保守。上述方法并不能很好地满足以促进RES利用为主要目标的ADN运行决策的需要。
因此,需要一种利用5G基站运行灵活性提升ADN低碳效益的多目标区间优化调度方法,通过对ADN中RES及5G基站设备联合调度,以达到对系统经济与低碳效益的协同优化。
发明内容
为此,本发明提供一种考虑5G基站接入的主动配电网多目标优化运行方法,通过综合考虑5G基站的能耗管理及内部储能电池的灵活调度能力,将其灵活性纳入ADN运行调度,并利用区间方法计及RES出力和通信负载不确定性对运行策略的影响,以达到对系统经济与低碳效益的协同优化。
本发明提供一种考虑5G基站接入的主动配电网多目标优化运行方法,包括以下步骤:
步骤1:建立包括5G基站能耗特性、通信特性和内部储能电池特性的5G基站运行特性模型;
步骤2:根据5G基站运行特性模型,得到5G基站运行约束条件,根据可再生能源分布式电源的出力值,得到可再生能源发电出力约束条件,获取主动配电网参数,得到配电网潮流约束条件;
步骤3:以含5G基站主动配电网的运行成本最小和碳排放量最小为目标函数,根据5G基站运行约束条件、可再生能源发电出力约束条件、配电网潮流约束条件和系统运行安全性约束条件,构建含不确定性参数的主动配电网多目标优化模型;
步骤4:采用区间分析法,对目标函数和各约束条件进行处理,将含不确定性参数的主动配电网多目标优化模型转换为确定性多目标优化模型;
步骤5:采用非支配排序遗传算法对确定性多目标优化模型求解,得到考虑5G基站接入的主动配电网多目标优化运行方案。
可选地,主动配电网多目标优化模型的目标函数包括系统运行成本最小目标函数min COPT和碳排放量最小目标函数min CCA,分别通过下述公式计算:
式中,COPT为系统运行成本,T为运行周期,NDG为分布式电源节点集合,为分布式电源在时段t的购电成本,为时段t从外部市场的购电电价,为第a个分布式电源节点在时段t的实际出力值,Pt Grid为配电网在时段t的购电功率,Δt为单个时段的持续时间,单位为小时,σch、σdis分别为5G基站内部储能电池充、放电对应的损耗费用,分别为第i个基站储能电池在时段t的充、放电功率,CCA为运行调度周期内CO2排放量,ε代表单位煤耗发电量对应的碳排放,f为外部电网中单位发电量对应的煤耗系数。
可选地,主动配电网多目标优化模型约束条件包括:5G基站运行约束条件、可再生能源发电出力约束条件、配电网潮流约束条件和系统运行安全性约束条件4个方面,其中,5G基站运行约束条件包括5G基站自身能耗特性、通信特性和内部储能电池的运行约束:
5G基站内收发器的开启数量满足:
式中,为第i个基站在时段t的开启收发器数量,为第i个基站配置的收发器数量,ΩBS为5G基站集合,ΩT为时段集合;
5G基站内收发器的数据传输带宽数满足:
式中,是第i个基站第j个收发器在时段t内用于数据传输的带宽数,ri bd为第i个基站单个收发器的带宽最大利用数;
5G基站所提供的带宽容量满足:
式中,,是第i个基站第j个收发器在时段t内用于数据传输的带宽数,为通信系统内第z个用户在时刻t的吞吐量需求,单位Mbps,ΩBS为5G基站集合,ΩU为移动用户数量,ΩT为时段集合,为第i个基站在时段t的开启收发器数量;
5G基站所提供的通信吞吐量满足:
式中,xi,z,t表示时段t用户z是否和基站i连接的0-1变量,1表示连接,0表示未连接;
同一时段5G基站内的储能电池满足:
式中,分别为表示储能电池在时段t充、放电状态的0-1变量,充电状态为1,放电状态为0;
5G基站内的储能电池充、放电功率满足:
式中,分别为第i个基站储能电池在时段t的充、放电功率,PBSESmax为储能电池的最大充放电功率;
储能电池的荷电状态(SOC)满足:
式中,为第i个基站储能电池在时段t的荷电状态,分别为第i个基站储能电池荷电状态在时段t的下限和上限,Ei,t为第i个基站储能电池在时段t的蓄电量,Ei,t-1为第i个基站储能电池在时段t-1的蓄电量,为第i个基站储能电池总蓄电量,ηCH、ηDIS分别为储能电池的充、放电效率;
5G基站与配电网之间的交互功率满足:
式中,Pi net为配电网向第i个基站注入的功率;Pi netmax为配电网与第i个基站交互功率最大限值,为第i个基站在时段t的总功耗,为配电网在时段t向第i个基站注入的功率,分别为第i个基站储能电池在时段t的充、放电功率。
可选地,可再生能源发电出力约束条件为:
式中,为位于节点a的可再生能源分布式电源在时段t的发电功率,为位于节点a的可再生能源分布式电源在时段t的有功出力预测值,ΩWD为主动配电网中可再生能源分布式电源构成的集合。
可选地,配电网潮流约束条件为:
式中,分别为时段t从节点c流向节点d的有功功率和无功功率,Uc,t、Ud,t为节点c和节点d在时段t的电压幅值,Gcd、Bcd为线路cd对应的电导和电纳,δcd,t为线路cd对应的电压相角差,ΩJ为配电网节点集合,T为运行周期。
可选地,运行安全性约束条件为:
节点有功功率、无功功率满足:
式中,Pt Grid为配电网在时段t的购电功率,为位于节点a的分布式电源在时段t的发电功率,为节点a的分布式电源在时段t的实际无功注入量,为节点a在时段t的负荷有功功率、无功功率,为线路ab在时段t流过的有功功率和无功功率,为线路ca在时段t流过的有功功率和无功功率,为配电网在时段t向第a个节点注入的功率,ΩF为主动配电网中的电力线路集合,ΩJ为配电网节点集合,T为运行周期。
节点电压满足:
式中,Ua,t为节点a在时段t的电压值,分别为节点a电压幅值的最小值、最大值。
线路载流量满足:
式中,为线路ji在时段t流过的有功功率、无功功率,为线路ji在时段t允许流过的最大有功功率、最大无功功率;
配电网在时段t的购电功率Pt Grid满足:
Pt Grid min≤Pt Grid≤Pt Grid max
式中,Pt Grid min、Pt Grid max分别为主动配电网与上级电网之间交互功率的最小值和最大值。
可选地,步骤3具体包括:
计算目标函数值区间上下限和各约束条件的区间上下限;基于目标函数值区间上下限,计算区间中点和区间半径值,并基于区间中点和区间半径值,将目标函数转换为确定性目标函数;基于各约束条件区间上下限,计算区间可能度,将各约束条件转换为确定性约束条件。
可选地,对于含不确定参数的目标函数可以通过下述公式计算目标函数值区间下限CCA (X)、COPT (X)和区间上限
其中,X和Z分别代表由优化变量及不确定变量构成的向量空间,优化变量X包括配电网在各时段的购电功率、可再生能源发电功率,基站收发器开启数量、基站收发器各时段运行状态的0-1变量、基站收发器各时段用于数据传输的带宽数以及5G基站储能电池充电和放电功率,不确定变量Z包括可再生能源发电出力、用户实时通信负载。
可选地,确定性目标函数通过下述公式计算:
为满足决策者在投资风险收益之间的不同倾向,对区间中点和区间半径值采用线性加权求和法进行处理,其中,区间中点为 区间半径值为 和为反映决策者对各优化目标期望和波动性偏好的权重系数。
可选地,对于含不确定参数的约束条件,可通过区间量表示因不确定变量在优化变量处作用产生的取值集合,各约束条件的区间下限gi (X)和区间上限为:
根据区间可能度法,将不确定性约束条件转换为确定性约束条件:
ψ(0≤Pi net(t)≤Pi netmax)≥δ5
ψ(Pt Grid min≤Pt Grid≤Pt Grid max)≥δ9
上式中,ψ(·)为区间可能度,δ1-δ9分别为第1-9个约束条件的可能度限值,为第a个分布式电源节点在时段t的实际出力值,为位于节点a的可再生能源分布式电源在时段t的有功出力预测值,分别为第i个基站储能电池在时段t的充、放电功率,分别为表示储能电池在时段t充、放电状态的0-1变量,充电状态为1,放电状态为0,PBSESmax为储能电池的最大充放电功率,为第i个基站储能电池在时段t的荷电状态,分别为第i个基站储能电池荷电状态在时段t的下限和上限,Pi net为配电网向第i个基站注入的功率;Pi netmax为配电网与第i个基站交互功率最大限值,Ua,t为节点a在时段t的电压值,分别为节点a电压幅值的最小值、最大值,为线路ji在时段t流过的有功功率、无功功率,为线路ji在时段t允许流过的最大有功功率、最大无功功率,Pt Grid为配电网在时段t的购电功率,Pt Grid min、Pt Grid max分别为主动配电网与上级电网之间交互功率的最小值和最大值。
通过本发明方案,考虑5G基站低碳赋能的主动配电网多目标区间优化运行方法,综合计及了RES出力以及5G通信负载两方面不确定性的影响,通过对系统中分布式电源以及5G基站设备启停计划和储能电池的协同调度,从而达到对ADN运行经济性与低碳效益的同时趋优。由于5G基站的响应特性受到基站收发器开启数量、储能电池运行参数等多方面因素的影响,在满足用户通信服务质量的前提下,通过对基站设备及储能电池运行状态进行联合优化,能够改善ADN潮流分布、减少网损、扩大电网对RES的消纳空间。本方案采用区间优化方法能够在充分尊重决策者主观偏好的基础上,使所得决策方案灵活兼具最优性和抗风险能力,具有良好的工程价值。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的含5G基站ADN低碳效益的因果关系图;
图2示出了根据本发明一个实施例的考虑5G基站接入的主动配电网多目标优化运行方法100的流程示意图;
图3示出了根据本发明一个实施例的采用非支配排序遗传算法和区间分析法对多目标优化模型求解的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
5G基站的大量接入为未来电力系统的低碳化发展提供了新的可能。通过激励5G基站参与需求响应,并将其纳入现有主动配电网(ADN)运行框架,能够在降低5G基站自身用电成本的同时,促进可再生能源(RES)消纳和高效利用。对此,本文提出了一种考虑5G基站接入的主动配电网多目标优化运行方法。在深入分析5G基站与配电网互动模式的基础上,构建了含5G基站的ADN多目标优化运行模型。该模型通过对ADN中RES及5G基站设备联合调度,并采用区间方法考虑RES出力和通信负载的不确定性,可实现对系统经济与低碳效益的同时优化和科学兼顾。结合基于区间分析的等效转化和非支配排序遗传算法对问题进行求解,算例分析结果证明了方法的有效性。
5G基站的设备主要由通信装置和供电装置组成。其中,通信设备主要包括有源天线单元(AAU)、基带处理单元(BBU)和信号传输设备(如光纤),供电设备主要包括配电网接入的电源和储能电池。储能电池可以确保通信服务的可靠性,以在电网供电中断时作为应急工作电源,这为5G基站参与电网互动提供了广阔的空间。具体来讲,一方面,5G基站运营商可通过多种运行控制手段(如安排收发器启停、功率调控等)来实时调整自身功耗,以参与电力需求侧响应;另一方面,5G基站还可利用内部储能电池进行充放电,在保证自身供电和通信服务质量的前提下,参与电网优化运行,提高系统对RES的消纳能力。
为明确5G基站灵活性对ADN碳减排的作用机制,可以采用系统动力学(SystemDynamics,SD)方法对含5G基站ADN低碳效益的关键影响因素及其相互关系进行分析,以此构建考虑5G基站低碳赋能的ADN多目标优化运行模型。SD理论认为系统的动态结构及反馈方式决定着其作用模式及特性,系统在内外动力和制约因素的作用下按一定的规律发展演化,由SD方法构建的模型能够有效反映系统各因素之间动态反馈的影响关系。
通过将涉及主体成本量化,用函数表示因果关系,可以建立SD模型,图1示出了根据本发明一个实施例的含5G基站ADN低碳效益的因果关系示意图。如图1所示,“+”为变量X增加(减少)导致变量Y增加(减少);“-”为变量X增加(减少)导致变量Y减少(增加)。可见,含5G基站ADN的预期碳排放量主要受系统中RES发电量、5G基站能耗、5G基站储能电池充电/放电等内生因素的影响;另外,还与政策、系统运行策略等外在因素紧密相关。上述各因素共同作用,使得5G基站互动响应对ADN的碳减排作用可归结为以下3个方面:
1)提升自身能效,降低系统负荷需求
海量5G基站运行产生的巨大用电将显著增加配电系统总体的负荷需求,进而造成发电侧碳排放量增加。而5G基站可通过基站休眠、收发器关断、下行功率控制等技术管理手段,在保证通信服务质量的条件下,降低自身用电需求,提高系统能效,从而间接减少了发电侧碳排放。
2)改善电网潮流分布,提高电能传输效率
大规模RES发电并网加剧了配电网中功率和电压的波动。这一方面将影响配电网的网损水平;另一方面,为确保满足电网安全性约束,系统运行者有时不得不采取弃风/弃光,从而降低了RES资源利用率。而通过对5G基站进行电源管理和储能电池灵活充放电,可以显著改变配电网中的潮流/电压分布,不仅能够降低网损、提高电能传输效率,还可以有效缓解线路阻塞,提升配电网对RES发电的并网消纳能力。
3)提高电能供需匹配性,促进可再生能源利用
对于部分RES发电(如风电),其出力在时序性上具有明显的反负荷调节特性。在ADN下,这种电能供需的时序不匹配性将严重阻碍系统对可再生能源的消纳及利用效率。而在运行调度中利用5G基站的互动潜力,通过储能电池使基站在RES出力高峰时段增加从电网的购电,而在RES发电低谷时段降低从电网的购电,可有效提升RES的利用效率,进而促进系统实现碳减排。
图2示出了根据本发明的一个实施例的考虑5G基站接入的主动配电网多目标优化运行方法100的流程示意图。
如图1所示,考虑5G基站接入的主动配电网多目标优化运行方法100始于步骤S110,建立包括5G基站能耗特性、通信特性和内部储能电池特性的5G基站运行特性模型。
其中,与5G基站相关的能耗包括静态功耗和动态功耗两个方面。静态功耗是指与业务负载和输出传输功率无关的能量需求,主要由电源系统、BBU基带单元信号处理和冷却系统的固定损耗组成;而动态功耗指与5G业务负载有关的能量需求,其是5G基站输出传输功率的函数。因此,单个5G基站的总功耗可表示为:
式中,为第i个基站在时段t的总功耗;为第i个基站在时段t的开启收发器数量,与基站载波配置有关;为第i个基站时段t内电源系统和冷却系统等的功耗;ΩBS为5G基站集合;ΩT为时段集合。此外,为第i个基站第j个收发器在时段t内的功耗,单个收发器的功耗可计算如下:
式中,αi,j,t为表示第i个基站第j个收发器在时段t内的收发器运行状态的0-1变量,当其处于工作状态时其值为1,当处于休眠状态时其值为0;为单个收发器在可能的最低非零输出功率下测得的空载功耗;Δpi为第i个基站单个收发器与负载动态功耗相关的斜率,为固定值,可通过实验测得;Pi sleep为第i个基站单个收发器休眠状态的功耗。为第i个基站第j个收发器在时段t内的输出传输功率,其是关于信令功率和用户数据功率的函数,具体计算式如下:
式中,pOH为固定信令信号所占发射功率的比例(0≤pOH<1);Pi max为第i个基站单个收发器最大传输功率;是第i个基站第j个收发器在时段t内用于数据传输的带宽数;ri bd为第i个基站单个收发器的带宽最大利用数;k为加权因子(0≤k≤1),表示不同基站运行状态下传输信令功率的水平,其取值与当前时段收发器的运行状态及数据传输带宽数有关。不同运行状态下k值如下:
在αi,j,t=0时,基站收发器处于休眠状态,不传输信令信号和用户传输数据;αi,j,t=1且时,基站收发器处于空闲状态,传输部分信令信号;而活跃状态下传输完整的信令信号。受设备配置容量限制,5G基站内收发器的开启数量、5G基站内收发器的数据传输带宽数要满足一定的约束。
关于5G基站的通信特性,为确保ADN区域用户的通信服务质量,系统中5G基站所提供的带宽容量需实时满足区域内所有用户所需的吞吐量,对于单个5G基站而言,还需要确保与其连接的每个用户都能获得满意的通信吞吐量。
关于5G基站的内部储能电池特性,要考虑实际运行中,同一时段5G基站内的储能电池不能同时进行充放电过程,其运行过程中充电功率、放电功率、荷电状态、与配电网之间的交互功率应满足一定的约束。
随后,执行步骤S120,根据所述5G基站运行特性模型,得到5G基站运行约束条件,根据可再生能源分布式电源的出力值,得到可再生能源发电出力约束条件,获取主动配电网参数,得到配电网潮流约束条件。
其中,5G基站运行约束条件包括5G基站自身能耗特性、通信特性和内部储能电池的运行约束:
受设备配置容量限制,5G基站内收发器的开启数量满足:
式中,为第i个基站在时段t的开启收发器数量,为第i个基站配置的收发器数量,ΩBS为5G基站集合,ΩT为时段集合。
由于5G运营者需要满足在分得的频段带宽内传输信号并符合传输设备标准,5G基站内收发器的数据传输带宽数满足:
式中,是第i个基站第j个收发器在时段t内用于数据传输的带宽数,ri bd为第i个基站单个收发器的带宽最大利用数。
为确保ADN区域用户的通信服务质量,5G基站所提供的带宽容量满足:
式中,,是第i个基站第j个收发器在时段t内用于数据传输的带宽数,为通信系统内第z个用户在时刻t的吞吐量需求,单位Mbps,ΩBS为5G基站集合,ΩU为移动用户数量,ΩT为时段集合,为第i个基站在时段t的开启收发器数量。
对于单个5G基站而言,还需要确保与其连接的每个用户都能获得满意的通信吞吐量:
式中,xi,z,t表示时段t用户z是否和基站i连接的0-1变量,1表示连接,0表示未连接。
在实际运行中,同一时段5G基站内的储能电池不能同时进行充放电过程,故有:
式中,分别为表示储能电池在时段t充、放电状态的0-1变量,充电状态为1,放电状态为0。
受储能电池技术限制,5G基站内的储能电池充、放电功率满足:
式中,分别为第i个基站储能电池在时段t的充、放电功率,PBSESmax为储能电池的最大充放电功率。
为确保储能电池的运行寿命,防止过度充放电,储能电池的荷电状态(SOC)满足:
式中,为第i个基站储能电池在时段t的荷电状态,分别为第i个基站储能电池荷电状态在时段t的下限和上限,Ei,t为第i个基站储能电池在时段t的蓄电量,Ei,t-1为第i个基站储能电池在时段t-1的蓄电量,为第i个基站储能电池总蓄电量,ηCH、ηDIS分别为储能电池的充、放电效率。
同时,受低压配变容量限制,5G基站与配电网之间的交互功率满足:
式中,Pi net为配电网向第i个基站注入的功率;Pi netmax为配电网与第i个基站交互功率最大限值,为第i个基站在时段t的总功耗,为配电网在时段t向第i个基站注入的功率,分别为第i个基站储能电池在时段t的充、放电功率。
各时段RES发电的实际调用功率不能超过该时段最大可发功率,故可再生能源发电出力约束条件为:
式中,为位于节点a的可再生能源分布式电源在时段t的发电功率,为位于节点a的可再生能源分布式电源在时段t的有功出力预测值,ΩWD为主动配电网中可再生能源分布式电源构成的集合。此外,参考当前国内外分布式电源的典型运行方式,假设RES发电始终工作在恒定功率因数下,故有:
式中,为分布式电源的功率因数角。
与传统配电网相似,含5G基站的配电系统运行也应满足有功、无功潮流约束:
式中,分别为时段t从节点c流向节点d的有功功率和无功功率,Uc,t、Ud,t为节点c和节点d在时段t的电压幅值,Gcd、Bcd为线路cd对应的电导和电纳,δcd,t为线路cd对应的电压相角差,ΩJ为配电网节点集合,T为运行周期。
为确保含5G基站ADN的运行安全性,节点有功功率、无功功率平衡约束为:
式中,Pt Grid为配电网在时段t的购电功率,为位于节点a的分布式电源在时段t的发电功率,为节点a的分布式电源在时段t的实际无功注入量,为节点a在时段t的负荷有功功率、无功功率,为线路ab在时段t流过的有功功率和无功功率,为线路ca在时段t流过的有功功率和无功功率,为配电网在时段t向第a个节点注入的功率,ΩF为主动配电网中的电力线路集合,ΩJ为配电网节点集合,T为运行周期。
为保证用户的电压质量符合国家规定,需要对系统节点电压偏移做出限制节点电压满足:式中,Ua,t为节点a在时段t的电压值,分别为节点a电压幅值的最小值、最大值。
系统中各线路流过的有功和无功功率均不能超过线路的容量上限,故有线路载流量满足:
式中,为线路ji在时段t流过的有功功率、无功功率,为线路ji在时段t允许流过的最大有功功率、最大无功功率。
配电网在时段t的购电功率Pt Grid满足:
Pt Grid min≤Pt Grid≤Pt Grid max
式中,Pt Grid min、Pt Grid max分别为主动配电网与上级电网之间交互功率的最小值和最大值。
随后,执行步骤S130,以含5G基站主动配电网的运行成本最小和碳排放量最小为目标函数,根据5G基站运行约束条件、可再生能源发电出力约束条件、配电网潮流约束条件和系统运行安全性约束条件,构建含不确定性参数的主动配电网多目标优化模型。
鉴于5G基站灵活性及其对未来配电网低碳化发展的潜在贡献,本方案深入考虑5G基站参与互动响应对促进分布式RES消纳的作用,将其视为灵活性资源纳入配电网运行调度模型,结合系统供电成本、运行安全性和碳排放等方面因素,确定配电网内分布式电源和5G负荷资源的最优协调运行策略。
对于配电网运营商而言,ADN的优化运行既要尽量降低系统运行的经济成本,还希望尽可能增加对RES的利用,实现系统碳排放降低。在现有技术水平和市场条件下,由于上述经济性与碳减排目标实现之间存在天然矛盾,因此可归纳为一个典型的多目标优化问题,以含5G基站主动配电网的运行成本最小和碳排放量最小为双目标,构建多目标优化模型,目标函数包括运行成本最小目标函数min COPT和碳排放量最小目标函数min CCA:
含5G基站ADN的运行成本主要包括外部市场的购电成本、从内部分布式发电的购电成本以及5G基站储能损耗成本,具体计算式如下:
式中,COPT为系统运行成本,T为运行周期,NDG为分布式电源节点集合,为分布式电源在时段t的购电成本,为时段t从外部市场的购电电价,为第a个分布式电源节点在时段t的实际出力值,Pt Grid为配电网在时段t的购电功率,Δt为单个时段的持续时间,单位为小时,σch、σdis分别为5G基站内部储能电池充、放电对应的损耗费用,分别为第i个基站储能电池在时段t的充、放电功率。
为综合反映5G基站参与需求响应为配电系统带来的碳减排效益,以系统碳排放量最小作为优化运行模型的另一个目标。其中,系统的碳排放量与发电侧化石燃料消耗直接相关,运行调度周期内CO2排放量等于其从外部市场购电量乘以单位发电煤耗系数及发电侧碳排放系数,具体计算式如下:
式中,CCA为运行调度周期内CO2排放量,ε代表单位煤耗发电量对应的碳排放;f为外部电网中单位发电量对应的煤耗系数。
多目标优化模型的约束条件主要包括如上文所述的5G基站运行特性约束、RES发电出力约束、系统潮流约束和运行安全性约束4个方面。模型中的决策变量包括:各时段ADN从外部市场的购电功率Pt Grid、RES发电功率与5G基站运行相关的控制参数αi,j,t、以及5G基站储能电池充电和放电功率要求解上述主动配电网多目标优化模型,需要提前确定模型中各参数的数值。对于其中一部分参数,如储能电池折损费用、碳排放系数、煤耗系数等,可借助科学预测方法确定其取值。而对于另一部分参数,如RES发电出力和用户实时通信负载,由于受预测手段和预测精度的限制,决策者往往难以提前获得关于这些参数的准确预测值,因此为模型求解带来了显著的不确定性。
当前处理含不确定性参数优化问题最为常用的两种方法是随机优化和鲁棒优化。其中,随机优化是在大量历史数据基础上,利用统计学方法提炼出关于不确定性因素的特征分布,并据此通过生成一系列确定性场景集合表征不确定因素对系统决策的影响。但对于含5G基站ADN运行将同时涉及电力流和通信流两方面的调度控制。相较于电力需求,用户的数据使用行为无论在时间或空间方面均具有更为显著的随机性。此外还表现出高度异质、随时间动态演化等复杂特性。系统运营商通常难以获得关于数据需求参数的准确概率分布,上述原因使得随机优化方法在本文研究中面临极大障碍。而鲁棒优化方法主要考虑的是对系统目标实现最为不利的不确定性场景,所得结果通常较为保守,因而难以充分挖掘5G基站资源的低碳赋能潜力。
针对上述问题,本发明采用区间方法对系统运行中的各不确定性因素(即RES发电出力及通信负载)进行建模。
随后,执行步骤S140,采用区间分析法,对目标函数和各约束条件进行处理,将含不确定性参数的主动配电网多目标优化模型转换为确定性多目标优化模型。
由于模型中存在诸多区间形式的不确定变量,属于一个典型的多目标区间优化问题,其一般表达式如下:
式中:[y1(X,Z),y2(X,Z)]代表由目标函数构成的向量,gi(.)为不等式约束条件;为针对不确定约束i的允许数值区间,l为模型中约束条件的数量。X和Z分别代表由优化变量及不确定变量构成的向量空间。对于多目标区间优化模型的目标函数yi(X,Z),可通过区间量表示因不确定变量Z在优化变量X处作用对应的目标函数值区间。其中,yi (X)、分别表示目标函数值波动的下、上限。因此对于本方案中含不确定性参数的目标函数首先,计算目标函数值区间上下限和各约束条件的区间上下限。可以通过下述公式计算目标函数值区间下限CCA (X)、COPT (X)和区间上限
其中,X和Z分别代表由优化变量及不确定变量构成的向量空间,优化变量X包括配电网在各时段的购电功率、可再生能源发电功率,基站收发器开启数量、基站收发器各时段运行状态的0-1变量、基站收发器各时段用于数据传输的带宽数以及5G基站储能电池充电和放电功率,不确定变量Z包括可再生能源发电出力、用户实时通信负载。
接着,基于目标函数值区间上下限,计算区间中点和区间半径值,并基于区间中点和区间半径值,将目标函数转换为确定性目标函数。因此,含不确定参数的目标函数等效转换为
其中,区间中点为
区间半径值为 分别反映了规划方案的预期效益及其对不确定性因素影响的敏感程度。采用线性加权求和法进行处理,由此进一步得到标准化后的确定性目标函数表达式如下:
式中,和为反映决策者对各优化目标期望和波动性偏好的权重系数。
最后,基于各约束条件区间上下限,计算区间可能度,将各约束条件转换为确定性约束条件。对于含不确定参数的约束条件,可通过区间量表示因不确定变量在优化变量处作用产生的取值集合,各约束条件的区间下限gi (X)和区间上限为:
根据区间可能度法,将不确定性约束条件转换为确定性约束条件:
ψ(0≤Pi net(t)≤Pi netmax)≥δ5
ψ(Pt Grid min≤Pt Grid≤Pt Grid max)≥δ9
ψ(·)为区间可能度,δ1-δ9分别为第1-9个约束条件的可能度限值。为第a个分布式电源节点在时段t的实际出力值,为位于节点a的可再生能源分布式电源在时段t的有功出力预测值,分别为第i个基站储能电池在时段t的充、放电功率,分别为表示储能电池在时段t充、放电状态的0-1变量,充电状态为1,放电状态为0,PBSESmax为储能电池的最大充放电功率,为第i个基站储能电池在时段t的荷电状态,分别为第i个基站储能电池荷电状态在时段t的下限和上限,Pi net为配电网向第i个基站注入的功率;Pi netmax为配电网与第i个基站交互功率最大限值,Ua,t为节点a在时段t的电压值,分别为节点a电压幅值的最小值、最大值,为线路ji在时段t流过的有功功率、无功功率,为线路ji在时段t允许流过的最大有功功率、最大无功功率,Pt Grid为配电网在时段t的购电功率,Pt Grid min、Pt Grid max分别为主动配电网与上级电网之间交互功率的最小值和最大值。通过上述处理,原始含不确定参数的多目标区间优化模型即转化为常规确定性多目标优化问题。
最后执行步骤S150,采用非支配排序遗传算法对确定性多目标优化模型求解,得到考虑5G基站接入的主动配电网多目标优化运行方案。
图3示出了根据本发明的一个实施例的采用非支配排序遗传算法和区间分析法对多目标优化模型求解的流程图。流程如下:
1)参数初始化。读取系统的输入数据,设置非支配排序遗传算法NSGA-II的相关参数,包括种群规模、最大进化代数、交叉因子、变异因子等。
2)随机生成种群。通过随机函数产生初始种群,即初始解集。
3)针对各种群个体,采用区间分析法计算各目标函数和约束条件的区间上下界。
4)计算目标函数的中点和半径,以及所有约束的可能度,实现对原模型的确定性转换。
5)针对转化后的确定性多目标优化问题,计算各种群个体的适应度。在NSGA-II中,个体适应度包含非支配层数以及每层个体的拥挤度。采用快速非支配排序法对种群分层,即选取当前种群中所有非劣解个体作为第1非支配层;在该支配层以外的个体中寻找新的非劣解,作为第2非支配层;重复该过程直至所有种群个体完成分层排序,并由此确定非支配层数。在此基础上,利用下式计算每层个体的拥挤度:
nd=nd+fm(p+1)-fm(p-1)
式中,fm(p+1),fm(p-1)分别为种群个体p+1和p-1对应目标函数m的值,nd为种群个体间的距离。
6)判断是否达到收敛条件。以最大进化代数作为收敛条件,若进化代数达到上述规定值,则输出Pareto最优解集;否则,对父代种群实施选择、交叉和变异操作,形成子代种群个体;然后基于精英保留策略,依据个体适应度形成下一代种群,并返回步骤3),直到达到收敛条件时结束。最终得到考虑5G基站接入的主动配电网多目标优化运行方案。
本发明综合计及了RES出力以及5G通信负载两方面不确定性的影响,通过对系统中分布式电源以及5G基站设备启停计划和储能电池的协同调度,从而达到对ADN运行经济性与低碳效益的同时趋优。具体效果如下:
1)在现有发电结构下,含5G基站的ADN在运行经济成本与碳排放量之间存在着特定的矛盾,通过利用5G基站的灵活响应能力参与电网侧调度能够有助于电力系统提高可再生能源消纳和利用效率,从而带来可观的低碳效益。
2)5G基站的响应特性受到基站收发器开启数量、储能电池运行参数等多方面因素的影响,在满足用户通信服务质量的前提下,通过对基站设备及储能电池运行状态进行联合优化,能够改善ADN潮流分布、减少网损、扩大电网对RES的消纳空间。
3)区间优化方法能够在充分尊重决策者主观偏好的基础上,使所得决策方案灵活兼具最优性和抗风险能力,具有良好的工程价值。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (3)
1.一种考虑5G基站接入的主动配电网多目标优化运行方法,其特征在于,所述方法包括以下步骤:
建立包括5G基站能耗特性、通信特性和内部储能电池特性的5G基站运行特性模型,其中,所述能耗包括静态功耗和动态功耗,所述静态功耗是指与业务负载和输出传输功率无关的能量需求,其由电源系统、BBU基带单元信号处理和冷却系统的固定损耗组成,所述动态功耗指与5G业务载有关的能量需求,其是5G基站输出传输功率的函数;关于5G基站的通信特性,为确保ADN区域用户的通信服务质量,系统中5G基站所提供的带宽容量需实时满足区域内所有用户所需的吞吐量,对于单个5G基站而言,还需要确保与其连接的每个用户都能获得满意的通信吞吐量;关于5G基站的内部储能电池特性,要考虑实际运行中,同一时段5G基站内的储能电池不能同时进行充放电过程,其运行过程中充电功率、放电功率、荷电状态、与配电网之间的交互功率满足一定的约束;
根据所述5G基站运行特性模型,得到5G基站运行约束条件,根据可再生能源分布式电源的出力值,得到可再生能源发电出力约束条件,获取主动配电网参数,得到配电网潮流约束条件,其中,所述运行约束条件包括收发器开启数量、数据传输带宽数、带宽容量、通信吞吐量、储能电池充放电功率、荷电状态、交互功率;
以含5G基站主动配电网的运行成本最小和碳排放量最小为目标函数,根据5G基站运行约束条件、可再生能源发电出力约束条件、配电网潮流约束条件和系统运行安全性约束条件,构建含不确定参数的主动配电网多目标优化模型;采用区间分析法,对目标函数和各约束条件进行处理,将所述含不确定性参数的主动配电网多目标优化模型转换为确定性多目标优化模型,其中,对于含不确定参数的目标函数通过下述公式计算目标函数值区间下限CCA (X)、COPT (X)和区间上限
其中,X和Z分别代表由优化变量及不确定变量构成的向量空间,优化变量X包括配电网在各时段的购电功率、可再生能源发电功率,基站收发器开启数量、基站收发器各时段运行状态的0-1变量、基站收发器各时段用于数据传输的带宽数以及5G基站储能电池充电和放电功率,不确定变量Z包括可再生能源发电出力、用户实时通信负载;
所述确定性目标函数通过下述公式计算:
其中,区间中点为 区间半径值为 和为反映决策者对各优化目标期望和波动性偏好的权重系数;
采用非支配排序遗传算法对所述确定性多目标优化模型求解,得到考虑5G基站接入的主动配电网多目标优化运行方案;
其中,所述目标函数包括系统运行成本最小目标函数min COPT和碳排放量最小目标函数min CCA,分别通过下述公式计算:
其中,COPT为系统运行成本,T为运行周期,NDG为分布式电源节点集合,为分布式电源在时段t的购电成本,为时段t从外部市场的购电电价,为第a个分布式电源节点在时段t的实际出力值,Pt Grid为配电网在时段t的购电功率,Δt为单个时段的持续时间,单位为小时,σch、σdis分别为5G基站内部储能电池充、放电对应的损耗费用,分别为第i个基站储能电池在时段t的充、放电功率,CCA为运行周期内CO2排放量,ε代表单位煤耗发电量对应的碳排放,f为外部电网中单位发电量对应的煤耗系数;
其中,所述5G基站运行约束条件包括:
5G基站内收发器的开启数量满足:
式中,为第i个基站在时段t的开启收发器数量,为第i个基站配置的收发器数量,ΩBS为5G基站集合,ΩT为时段集合;
5G基站内收发器的数据传输带宽数满足:
式中,是第i个基站第j个收发器在时段t内用于数据传输的带宽数,ri bd为第i个基站单个收发器的带宽最大利用数;
5G基站所提供的带宽容量满足:
式中,是第i个基站第j个收发器在时段t内用于数据传输的带宽数,为通信系统内第z个用户在时刻t的吞吐量需求,单位Mbps,ΩBS为5G基站集合,ΩU为移动用户数量,ΩT为时段集合,为第i个基站在时段t的开启收发器数量;
5G基站所提供的通信吞吐量满足:
式中,xi,z,t表示时段t用户z是否和基站i连接的0-1变量,1表示连接,0表示未连接;
5G基站内部储能电池满足:
式中,λt ch、λt dis分别为表示储能电池在时段t充、放电状态的0-1变量,充电状态为1,放电状态为0;
5G基站内部储能电池充电、放电功率满足:
式中,分别为第i个基站储能电池在时段t的充电、放电功率,PBSESmax为储能电池的最大充放电功率;
储能电池的荷电状态(SOC)满足:
式中,为第i个基站储能电池在时段t的荷电状态,分别为第i个基站储能电池荷电状态在时段t的下限和上限,Ei,t为第i个基站储能电池在时段t的蓄电量,Ei,t-1为第i个基站储能电池在时段t-1的蓄电量,为第i个基站储能电池总蓄电量,ηCH、ηDIS分别为储能电池的充、放电效率;
5G基站与配电网之间的交互功率满足:
式中,Pi net为配电网向第i个基站注入的功率;Pi netmax为配电网与第i个基站交互功率最大限值,为第i个基站在时段t的总功耗,为配电网在时段t向第i个基站注入的功率,分别为第i个基站储能电池在时段t的充、放电功率;
所述可再生能源发电出力约束条件为:
式中,为位于节点a的可再生能源分布式电源在时段t的发电功率,为位于节点a的可再生能源分布式电源在时段t的有功出力预测值,ΩWD为主动配电网中可再生能源分布式电源构成的集合;
所述配电网潮流约束条件为:
式中,分别为时段t从节点c流向节点d的有功功率和无功功率,Uc,t、Ud,t为节点c和节点d在时段t的电压幅值,Gcd、Bcd为线路cd对应的电导和电纳,δcd,t为线路cd对应的电压相角差,ΩJ为配电网节点集合,T为运行周期;
所述运行安全性约束条件为:
分布式电源节点有功、无功功率满足:
式中,Pt Grid为配电网在时段t的购电功率,为位于节点a的分布式电源在时段t的发电功率,为节点a的分布式电源在时段t的实际无功注入量,为节点a在时段t的负荷有功功率、无功功率,为线路ab在时段t流过的有功功率和无功功率,为线路ca在时段t流过的有功功率和无功功率,为配电网在时段t向第a个节点注入的功率,ΩF为主动配电网中的电力线路集合,ΩJ为配电网节点集合,T为运行周期;
节点电压满足:
式中,Ua,t为节点a在时段t的电压值,分别为节点a电压幅值的最小值、最大值;
线路载流量满足:
式中,为线路ji在时段t流过的有功功率、无功功率,为线路ji在时段t允许流过的最大有功功率、最大无功功率;
配电网在时段t的购电功率Pt Grid满足:
Pt Grid min≤Pt Grid≤Pt Grid max
式中,Pt Grid min、Pt Grid max分别为主动配电网与上级电网之间交互功率的最小值和最大值。
2.如权利要求1所述的方法,其中,所述采用区间分析法对目标函数和各约束条件进行处理,将含不确定参数的主动配电网多目标优化模型转换为确定性多目标优化模型的步骤包括:
计算目标函数值区间上下限和各约束条件的区间上下限;
基于目标函数值区间上下限,计算区间中点和区间半径值,并基于区间中点和区间半径值,将目标函数转换为确定性目标函数;
基于各约束条件区间上下限,计算区间可能度,将各约束条件转换为确定性约束条件。
3.如权利要求2所述的方法,其中,所述基于各约束条件区间上下限,计算区间可能度,将各约束条件转换为确定性约束条件的步骤包括:
计算各约束条件的区间下限gi (X)和区间上限
根据区间可能度法,将不确定性约束条件转换为确定性约束条件:
ψ(0≤Pi net(t)≤Pi netmax)≥δ5
ψ(Pt Grid min≤Pt Grid≤Pt Grid max)≥δ9
上式中,ψ(·)为区间可能度,δ1-δ9分别为第1-9个约束条件的可能度限值,为第a个分布式电源节点在时段t的实际出力值,为位于节点a的可再生能源分布式电源在时段t的有功出力预测值,分别为第i个基站储能电池在时段t的充、放电功率,分别为表示储能电池在时段t充、放电状态的0-1变量,充电状态为1,放电状态为0,PBSESmax为储能电池的最大充放电功率,为第i个基站储能电池在时段t的荷电状态,分别为第i个基站储能电池荷电状态在时段t的下限和上限,Pi net为配电网向第i个基站注入的功率;Pi netmax为配电网与第i个基站交互功率最大限值,Ua,t为节点a在时段t的电压值,分别为节点a电压幅值的最小值、最大值,为线路ji在时段t流过的有功功率、无功功率,为线路ji在时段t允许流过的最大有功功率、最大无功功率,Pt Grid为配电网在时段t的购电功率,Pt Grid min、Pt Grid max分别为主动配电网与上级电网之间交互功率的最小值和最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111202838.5A CN113904372B (zh) | 2021-10-15 | 2021-10-15 | 考虑5g基站接入的主动配电网多目标优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111202838.5A CN113904372B (zh) | 2021-10-15 | 2021-10-15 | 考虑5g基站接入的主动配电网多目标优化运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113904372A CN113904372A (zh) | 2022-01-07 |
CN113904372B true CN113904372B (zh) | 2024-02-27 |
Family
ID=79192230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111202838.5A Active CN113904372B (zh) | 2021-10-15 | 2021-10-15 | 考虑5g基站接入的主动配电网多目标优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113904372B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567906B (zh) * | 2022-03-07 | 2024-06-11 | 重庆大学 | 一种基于区域热力图及终端使用特性的5g基站时序电负荷确定方法 |
CN114819508B (zh) * | 2022-03-28 | 2024-03-29 | 上海交通大学 | 综合能源系统分布式光伏最大准入容量计算方法及系统 |
CN115102201B (zh) * | 2022-07-20 | 2024-09-03 | 华北电力大学 | 面向5g基站的共享储能优化配置方法、装置和存储介质 |
CN114936810B (zh) * | 2022-07-25 | 2022-10-18 | 东南大学溧阳研究院 | 一种基于数据中心时空转移特性的日前调度方法 |
CN115147007B (zh) * | 2022-08-01 | 2023-04-18 | 东南大学溧阳研究院 | 一种基于电-碳信息和nsga-ii的园区低碳经济用能方法 |
CN115189378B (zh) * | 2022-08-02 | 2024-09-10 | 国网河北省电力有限公司电力科学研究院 | 分布式电源及储能并网选址定容方法、装置及电子设备 |
CN115395543B (zh) * | 2022-08-16 | 2024-09-17 | 华北电力大学 | 基于匹配的5g融合配电网基站共享储能方法及系统 |
CN115481802B (zh) * | 2022-09-21 | 2024-03-01 | 东南大学溧阳研究院 | 一种计及碳排放和用电等级约束的城市电网有序用电方法 |
CN115907227B (zh) * | 2022-12-30 | 2023-07-28 | 天津大学 | 一种高速公路固定与移动充电设施双层协同优化方法 |
CN117895557B (zh) * | 2024-03-14 | 2024-05-24 | 国网山西省电力公司临汾供电公司 | 一种配电网调控方法、装置、介质及产品 |
CN118040909B (zh) * | 2024-04-11 | 2024-06-14 | 国网冀北电力有限公司 | 一种考虑5g通信随机时延的电力系统控制方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279615A (zh) * | 2015-11-23 | 2016-01-27 | 国网上海市电力公司 | 一种基于双层规划的主动配电网网架规划方法 |
CN106792764A (zh) * | 2017-02-27 | 2017-05-31 | 国网辽宁省电力有限公司 | 一种配电终端通信接入网无线基站规划方法 |
CN109214593A (zh) * | 2018-10-19 | 2019-01-15 | 天津大学 | 一种主动配电网供电能力多目标评价方法 |
CN110198031A (zh) * | 2019-06-03 | 2019-09-03 | 华翔翔能电气股份有限公司 | 电动汽车充电站与5g通信基站协同规划方法 |
CN112330492A (zh) * | 2020-11-24 | 2021-02-05 | 国网河南省电力公司经济技术研究院 | 一种基于通信可靠性约束的主动配电网能源共享方法 |
CN113393172A (zh) * | 2021-07-15 | 2021-09-14 | 华北电力大学 | 一种考虑配电网多设备时序运行的“源网储”规划方法 |
-
2021
- 2021-10-15 CN CN202111202838.5A patent/CN113904372B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279615A (zh) * | 2015-11-23 | 2016-01-27 | 国网上海市电力公司 | 一种基于双层规划的主动配电网网架规划方法 |
CN106792764A (zh) * | 2017-02-27 | 2017-05-31 | 国网辽宁省电力有限公司 | 一种配电终端通信接入网无线基站规划方法 |
CN109214593A (zh) * | 2018-10-19 | 2019-01-15 | 天津大学 | 一种主动配电网供电能力多目标评价方法 |
CN110198031A (zh) * | 2019-06-03 | 2019-09-03 | 华翔翔能电气股份有限公司 | 电动汽车充电站与5g通信基站协同规划方法 |
CN112330492A (zh) * | 2020-11-24 | 2021-02-05 | 国网河南省电力公司经济技术研究院 | 一种基于通信可靠性约束的主动配电网能源共享方法 |
CN113393172A (zh) * | 2021-07-15 | 2021-09-14 | 华北电力大学 | 一种考虑配电网多设备时序运行的“源网储”规划方法 |
Non-Patent Citations (3)
Title |
---|
Stochastic Collaborative Planning of Electric Vehicle Charging Stations and Power Distribution System;Wang, S,等;IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS;第14卷(第1期);321-331 * |
含分布式能源与V2G的微网鲁棒优化调度研究;李少鹏;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第01期);C042-2294 * |
水光风储多能互补电站群的优化调度研究;赵泽浩瀚;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第01期);C042-1923 * |
Also Published As
Publication number | Publication date |
---|---|
CN113904372A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113904372B (zh) | 考虑5g基站接入的主动配电网多目标优化运行方法 | |
CN107301470B (zh) | 一种配电网扩展规划与光储选址定容的双层优化方法 | |
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN109980685B (zh) | 一种考虑不确定性的主动配电网分布式优化运行方法 | |
Li et al. | On the determination of battery energy storage capacity and short-term power dispatch of a wind farm | |
CN110188950A (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
CN110690702B (zh) | 一种考虑综合承载力的主动配电网优化调度及运行方法 | |
CN112803495A (zh) | 基于能量共享的5g基站微网光储系统容量优化配置方法 | |
Li et al. | Two-stage community energy trading under end-edge-cloud orchestration | |
CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
Velamuri et al. | Combined approach for power loss minimization in distribution networks in the presence of gridable electric vehicles and dispersed generation | |
CN112053035B (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
Chen et al. | Power output smoothing for renewable energy system: Planning, algorithms, and analysis | |
CN109462258A (zh) | 一种基于机会约束规划的家庭能量优化调度方法 | |
Rathor et al. | Decentralized energy management system for LV microgrid using stochastic dynamic programming with game theory approach under stochastic environment | |
Qayyum et al. | Predictive optimization based energy cost minimization and energy sharing mechanism for peer-to-peer nanogrid network | |
Li et al. | A dynamic multi-constraints handling strategy for multi-objective energy management of microgrid based on MOEA | |
CN115618616A (zh) | 一种源、网、荷资源的混合储能可靠性评估模型构建方法 | |
Mohamed et al. | Stacking battery energy storage revenues in future distribution networks | |
CN114626613A (zh) | 考虑风光互补的输储联合规划方法 | |
CN114626603A (zh) | 一种配电网需求响应调度运行方案的优化处理方法和装置 | |
Guo | A study of smart grid program optimization based on k-mean algorithm | |
Shi et al. | Optimal allocation of energy storage capacity for hydro-wind-solar multi-energy renewable energy system with nested multiple time scales | |
CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
CN106230010B (zh) | 一种百兆瓦电池储能系统容量优化配置方法和系统 |
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 |