CN113937752A - 基于随机模型预测控制的主动配电网优化调度方法及系统 - Google Patents
基于随机模型预测控制的主动配电网优化调度方法及系统 Download PDFInfo
- Publication number
- CN113937752A CN113937752A CN202111028549.8A CN202111028549A CN113937752A CN 113937752 A CN113937752 A CN 113937752A CN 202111028549 A CN202111028549 A CN 202111028549A CN 113937752 A CN113937752 A CN 113937752A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- active power
- scheduling
- constraint
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/10—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]
Abstract
本公开提供了一种基于随机模型预测控制的主动配电网优化调度方法及系统,包括以下步骤:获取可再生能源的备用配置区间;根据获取的备用配置区间和预设的多时间尺度主动配电网优化调度模型,得到主动配电网的最优调度方案;其中,所述多时间尺度主动配电网优化调度模型包括日前调度阶段、日内调度阶段和实时调度阶段,采用随机模型预测控制,以最小运行成本为目标,以备用约束为约束条件。
Description
技术领域
本公开属于配电网优化调度技术领域,具体涉及一种基于随机模型预测控制的主动配电网优化调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
可再生能源(Renewable Energy Sources,RES)的高渗透率使得主动配电网(Active Distribution Network ADN)面临更多的不确定性和随机性,使得主动配电网的调度更加复杂;尤其是风机和光伏的合理消纳被认为是稳定功率波动和安排备用的关键问题。同时,主动配电网中的大规模可再生能源波动不仅严重威胁运行安全和经济性,还会将波及上级输电网络。
提高可再生能源的预测精度一直是热点问题,也是解决优化运行中不确定性和随机性的有效措施。针对不同时段的预测误差具有不同的概率分布的特点,现有技术中有以下几种相关研究:有文献分别对不同时段的预测误差数据进行了统计分析,提出了一种时间序列分段拟合方法,经进一步的分析发现,相邻时段的预测误差具有很强的时间相关性;基于copula理论建立了多元联合累积概率分布函数,发现风电场之间距离越近,其预测误差的空间相关性越强。基于此,考虑到预测误差的时空相关性后,可再生能源的预测会更接近真实情况。然而,在现有的大多数预测误差研究中,其结果主要用于日前机组组合决策和储能系统的容量优化,在主动配电网调度中考虑copula理论的研究很少,基于随机模型预测控制框架的研究少之甚少;这将导致多台风电机组或光伏电站的预测差异较大,生成的场景波动过大,直接影响主动配电网调度结果的适用性。
合理安排备用也是应对可再生能源的不确定性和随机性的有效手段。随着可再生能源渗透率的不断提高,增加整个电力系统的备用是应对这种不确定性的保守解决方案,这将带来更高的运营成本。因此,优化备用容量至关重要。
在调度框架方面,目前,模型预测控制(Model Predictive Control,MPC)在应对可再生能源的不确定性方面取得了巨大的成果。为了更有效地应对可再生能源的不确定性,确定性优化方法不再适用,不确定性优化方法越来越受到关注,其中随机优化得到广泛应用。现有技术中的研究并没有进行不同时段的统计分析和相关性分析,也没有考虑预测误差的不确定性。这导致场景与实际情况存在较大偏差,甚至导致调度结果不适用;没有将随机模型预测控制与多时间尺度调度相结合,这使得分布式资源在各个调度阶段缺乏协调,无法为主动配电网提供最新数据。
因此,在可再生能源大规模接入配电网的背景下,亟需进行主动配电网优化调度的相关研究。
发明内容
为了解决上述问题,本公开提出了一种基于随机模型预测控制的主动配电网优化调度方法及系统,基于随机模型预测控制对多时间尺度的主动配电网进行了优化调度,包括备用安排策略和调度框架;基于随机模型预测控制的多时间尺度主动配电网优化调度模型来跟踪可再生能源的随机波动并解决运行风险问题。
根据一些实施例,本公开的第一方案提供了一种基于随机模型预测控制的主动配电网优化调度方法,采用如下技术方案:
一种基于随机模型预测控制的主动配电网优化调度方法,包括以下步骤:
获取可再生能源的备用配置区间;
根据获取的备用配置区间和预设的多时间尺度主动配电网优化调度模型,得到主动配电网的最优调度方案;
其中,所述多时间尺度主动配电网优化调度模型包括日前调度阶段、日内调度阶段和实时调度阶段,采用随机模型预测控制,以最小运行成本为目标,以备用约束为约束条件。
作为进一步的技术限定,考虑备用成本与运行风险成本之间的权衡,基于概率分布的条件风险价值进行失负荷风险和可再生能源削减风险的量化,得到可再生能源的最优误差区间,即获取可再生能源的备用配置区间。
作为进一步的技术限定,在所述日前调度阶段中,多时间尺度主动配电网优化调度模型以主动配电网的运行成本和备用成本最小为目标,同时考虑包括可控分布式发电机、储能系统、投切电容器组、静止无功补偿器、有载调压变压器和从输电网所购买的电能在内的可控资源所提供的备用能力。
进一步的,在所述日内调度阶段中,多时间尺度主动配电网优化调度模型以主动配电网的运行成本和备用成本最小为目标,同时考虑包括可控分布式发电机、储能系统、静止无功补偿器、有载调压变压器和从输电网所购买的电能在内的可控资源所提供的备用能力。
进一步的,在所述实时调度阶段,多时间尺度主动配电网优化调度模型根据对主动配电网场景的预测信息,以主动配电网场景功率波动最小和运行成本最小为目标,结合可再生能源的实测值更新每个阶段的主动配电网场景的预测信息,对主动配电网的调度进行闭环控制。
进一步的,基于copula理论对主动配电网场景的预测信息进行相关性分析,减小生成场景中可再生能源处理的波动性和预测误差。
作为进一步的技术限定,所述多时间尺度主动配电网优化调度模型的约束条件还包括潮流约束、支路容量约束、节点电压约束、可再生能源发电运行约束、可控分布式发电运行约束、有载调压变压器运行约束、静止无功补偿装置运行约束、补偿电容器组运行约束和储能装置运行约束。
根据一些实施例,本公开的第二方案提供了一种基于随机模型预测控制的主动配电网优化调度系统,采用如下技术方案:
一种基于随机模型预测控制的主动配电网优化调度系统,包括:
获取模块,用于获取可再生能源的备用配置区间;
优化模块,根据获取的备用配置区间和预设的多时间尺度主动配电网优化调度模型,得到主动配电网的最优调度方案;
其中,所述多时间尺度主动配电网优化调度模型包括日前调度阶段、日内调度阶段和实时调度阶段,采用随机模型预测控制,以最小运行成本为目标,以备用约束为约束条件。
根据一些实施例,本公开的第三方案提供了一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于随机模型预测控制的主动配电网优化调度方法中的步骤。
根据一些实施例,本公开的第四方案提供了一种电子设备,采用如下技术方案:
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于随机模型预测控制的主动配电网优化调度方法中的步骤。
与现有技术相比,本公开的有益效果为:
1)本公开考虑备用与运行风险成本之间的权衡,引入条件风险价值确定最优备用配置;基于概率分布的条件风险价值对失负荷风险和RES削减风险进行了量化,进而最小化运行风险成本和备用成本,求出可再生能源的最优误差区间,确定了最优备用配置区间;
2)本公开为准确跟踪可再生能源的波动性,应用copula理论建立高维预测误差模型并捕捉时空特征;同时,根据更新后的预测误差曲线,生成各调度阶段典型的可再生能源出力场景,保证了运行的有效性和准确性。
3)本公开将随机模型预测控制与多时间尺度调度相结合进行主动配电网的调度,在三个阶段都使用随机优化方法,在实时阶段,根据预测场景,及时修正与日内阶段承诺的偏差,以减少与输电系统接口的功率波动。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中基于随机模型预测控制的主动配电网优化调度方法的流程图;
图2是本公开实施例一中的总体调度框架图;
图3是本公开实施例一中的备用调度策略图;
图4是本公开实施例一中的改进的IEEE 33节点配电网络结构图;
图5(a)是本公开实施例一中的基于Copula理论生成的场景图;
图5(b)是本公开实施例一中的不考虑copula理论的场景;
图6是本公开实施例一中预测的风电出力图;
图7是本公开实施例一中预测的光伏发电图;
图8是本公开实施例一中可控分布式发电机的有功出力图;
图9(a)是本公开实施例一中基于方法0的功率波动图;
图9(b)是本公开实施例一中基于方法4的功率波动图;
图10是本公开实施例一中基于方法0和方法4的功率波动分布示意图;
图11(a)是本公开实施例一中基于方法0可控分布式发电机和储能系统的有功出力图;
图11(b)是本公开实施例一中基于方法4的可控分布式发电机和储能系统的种有功出力图;
图12是本公开实施例二中的基于随机模型预测控制的主动配电网优化调度系统的结构框图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于随机模型预测控制的主动配电网优化调度方法。
如图1所示的一种基于随机模型预测控制的主动配电网优化调度方法,包括以下步骤:
获取可再生能源的备用配置区间;
根据获取的备用配置区间和预设的多时间尺度主动配电网优化调度模型,得到主动配电网的最优调度方案。
其中,多时间尺度主动配电网优化调度模型包括日前调度阶段、日内调度阶段和实时调度阶段;在不同的调度阶段,针对不同的目标,根据分布式资源的特点进行调度,总体调度框架如图2所示,备用调度策略如图3所示。
(1)日前调度阶段
利用蒙特卡罗抽样和情景削减技术预测未来24小时的RES典型场景。对配电网进行优化,使配电网的运行成本和备用成本最小,同时考虑可控资源提供备用的能力。现有可控资源包括可控分布式发电机(Controllable Distributed Generator,CDG)、储能系统(Energy Storage System,ESS)、投切电容器组(Capacitor Bank,CB),静止无功补偿器(Static Var Compensator,SVC)和有载调压变压器(on-load tap changer,OLTC)同时考虑从输电网购买电能和备用。投切电容器组和有载调压变压器是慢响应资源,在该阶段确定其在次日的动作状态及动作量。
(2)日内调度阶段
根据未来4小时可再生能源出力的典型场景,以配电网运行成本和备用成本为目标函数,同时考虑可控资源的备用,对分布式资源进行调度。值得注意的是,该阶段可控资源不涉及投切电容器组。此外,该阶段“承诺”了配电网和输电网接口处的交换功率。
(3)实时调度阶段
在此阶段,根据未来1小时预测的典型场景,以功率波动和运行成本优化为目标函数优化配电网运行。同时,利用风电机组和光伏出力的测量值更新每个时段的场景预测,形成闭环控制。
本实施例中,通过条件风险价值进行失负荷风险和弃风风险的衡量。通过权衡备用成本、失负荷风险和弃风风险,得到最优预测误差区间,作为备用区间的参考。
弃风失负荷的CVaR可表示为:
在本实施例中,利用copula理论分析多台风电机组(光伏站)预测误差的相关性,以生成场景。Sklar定理为copula理论的发展奠定了基础。
根据Sklar定理,存在Copula函数C满足:
H(x1,x2,...,xn)=C(F1(x1),F2(x2),...Fn(xn)) (3)
在本文中,采用t copula函数,因为t copula函数适用于尾部相关的随机变量。根据N台风机的预测误差矩阵(4),计算出各时段各风电机组的边际累积分布函数(5)。
采用核密度估计方法来拟合概率分布,因为非参数拟合方法更适合解决误差分布的“肥尾”效应。
边际累积分布函数由t copula函数连接。t copula可以表示为
其中,tρ,k是t copula函数,其自由度为k,相关矩阵为ρ。
最大似然估计方法用于获得自由度和相关矩阵。因此,在已知预测误差的边际累积分布函数和t copula参数的前提下,可以得到预测误差的高维模型,表示为:
其中,fe(eij)是eij的边际分布函数。
为提高主动配电网运行的经济性,在各阶段调度前需要考虑备用的安排策略。
首先,根据时窗内每个时段的可再生能源预测误差的概率分布,利用条件风险价值表达失负荷风险和可再生能源削减风险。
其中,CVaRLS,P和CVaRLS,W分别是光伏和风电不确定性引起的失负荷条件风险价值。CVaRPC和CVaRWC分别是光伏削减和风电削减的条件风险价值。
然后,优化条件风险价值以平衡各种备用成本、失负荷风险和可再生能源削减风险,得到可再生能源出力的最优误差区间:
其中,Rt为已安排的备用,cLS,cPC,cWC,和cWC分别为失负荷成本、光伏削减成本、风电削减成本和备用成本。
最后,根据得到的区间安排主动配电网的备用。
1.多时间尺度主动配电网优化调度模型的目标函数
1)日前调度阶段和日内调度阶段
为保证经济运行,将运行成本最小化作为日前和日内阶段的优化目标,即
其中,DA(ID)代表日前(日内)阶段,T和t分别代表时窗(日前阶段为24小时,日内阶段为4小时)和时段(日前阶段以1小时为分辨率和日内阶段以15分钟为时间分辨率)。表示输电网的电费,为不失一般性,采用峰谷电价,分别为ESS的充放电成本和可控DG的燃料成本。ps是场景s的概率。
2)实时调度阶段
实时调度是为了在保证经济运行的同时,最大限度地减少与日内阶段提出的未来1小时交换功率承诺的偏差,其目标函数如下所示:
其中,上标RT代表实时阶段,T和t分别代表时窗(提前1小时)和时段(5分钟分辨率),是对输电网络接口处功率波动的惩罚项,ρpenalty是权重系数,表示场景s中输电网络接口处的功率,和是日内调度阶段中承诺的配电网与输电网络接口处的功率交换值,ps为场景s的概率。
2.多时间尺度主动配电网优化调度模型的约束条件
1)备用约束
在日前和日间阶段安排备用,备用容量由可再生能源的最优误差区间确定,该误差区间是通过预先优化条件风险价值得到的。在协调各个阶段的备用时,考虑了可控资源的时空特征,即投切电容器组只在日前阶段可用,剩余的资源可以在日内阶段提供储备。
备用约束如下:
有功备用约束:
其中,和分别是输电网、可控分布式发电机和储能装置提供的上/下备用,和是由RES的最优误差区间确定的备用需求,s表示它们所处的场景。也就是说,在每个场景中都安排了备用,在以下的约束中,s都表示所在的场景。
无功备用约束:
2)潮流约束
根据配电网的特点,本文采用已有技术中的潮流约束方程,在易于求解的基础上确保结果的准确性,潮流约束方程如下:
其中,α(j)为以节点j为末节点的支路首节点集合;β(j)为以节点j为首节点的支路末节点集合;Pij,t和Qij,t分别为支路i-j首端有功功率和无功功率;Pj,t和Qj,t分别为节点j有功功率和无功功率注入值;rij+jxij为支路i-j的阻抗;为流过支路i-j的电流幅值的平方;kij,t为支路i-j处有载调压变压器的变比;为节点i处电压幅值的平方。
3)支路容量约束
4)节点电压约束
5)可再生能源发电运行约束
其中,PRES,i,s,t,分别是有功出力的调度值和预测值,由于可再生资源通过逆变器接入电网,可以提供一定的无功功率。QRES,i,s,t是可再生资源的无功出力,Si,inverter是指逆变器i的容量。
6)可控分布式发电运行约束
式中,PCDG,i,t和QCDG,i,t表示可控分布式发电的有功无功出力;PCDG,min,PCDG,max,QCDG,min和QCDG,max表示可控分布式发电有功无功出力的上下限;SCDG,i,t为可控分布式发电的装机容量;是确保安全运行的爬坡功率的上下限。是可控分布式发电提供的上/下备用。
7)有载调压变压器运行约束
对有载调压变压器进行准确线性化建模:
8)静止无功补偿装置运行约束
9)补偿电容器组运行约束
10)储能装置运行约束
式中,Pch,i,t和Pdis,i,t分别为储能装置的充、放电功率;ηch和ηdis分别为储能装置的充、放电效率;和分别为储能装置的最大充、放电功率;Dch,i,t和Ddis,i,t为0-1变量,表示储能装置的充电放电状态,以保证储能装置的充、放电不会同时发生;为储能装置的容量,考虑到储能的使用寿命,限定其使用范围为20%-80%;和是ESS提供的上/下备用。在确定备用时要注意,上备用要在可放电功率和剩余电量与时间的商中取最小,下备用要在可充电功率和可充电量与时间的商中取最小,从而在备用协调中考虑到电量的约束。
下面,结合实例进行方法有效性的验证。
如图4所示的一种改进的IEEE 33节点配电网络结构图,包括OLTC、可控DG(GT,位于4和24节点)、风机(WT,位于13和29节点)、光伏(PV,位于16和31节点)、储能装置(ESS,位于10节点)、投切电容器组(CB,位于21节点)和静止无功补偿器(SVC,位于27节点)。
在本实施例的模型中,配电网可以以一定的价格从输电网购买电能和备用。不失一般性,在高峰时间(9.00-12.00和17.00-20.00)、正常时间(7.00-9.00、12.00-17.00和20.00-22.00)和低谷时间(22.00-24.00-0.00),电价分别为0.566$/kWh、0.548$/kWh、0.527$/kWh,备用成本为发电成本的0.2倍。可控分布式发电机组的发电成本为0.66美元/千瓦时。算例仿真在MATLAB R2018a编译环境下,采用Yalmip优化工具建模,调用Gurobi求解。编译算法的电脑配置为Intel(R)Core(TM)i7-5500 2.40GHz,8G内存。
方法0,所提方法;
方法1,不考虑时空相关性的多时间尺度调度方法;
方法2,低备用水平的多时间尺度调度方法;
方法3,高备用水平的多时间尺度调度方法;
方法4,基于模型预测控制的多时间尺度调度方法。
方法1在场景生成中没有考虑预测误差的时空相关性。方法2和方法3与方法0的区别仅在于在日前和日内阶段安排备用。方法2的备用是所提方法的一半,方法3的备用是所提方法的1.5倍。在方法4中,调度过程仍然分三个阶段进行,但没有采用随机优化的方法。
随机模型预测控制的特点是对多种典型场景进行分别的优化调度,最后通过概率加权的方式得到分布式资源的出力值。因此,经典场景的获取是该方法中极为重要的一步,同时也是相较于其他方法具有优势的原因。
为了研究copula理论对场景生成的影响,图5(a)和图5(b)分别展示了基于copula理论生成的场景和不考虑copula理论的场景。为简单起见,场景中只涉及风力。如果对光伏出力进行单独分析,也可以得到以下结论。需要注意的是,1-24小时代表WT 1的预测出力序列,25-48小时代表WT 2的预测出力序列。考虑相关性后,各时段风电出力变化趋于缓和,即时间相关性,两个WT的预测出力趋于相同的变化趋势,即空间相关性。
为进一步研究两种方法模拟真实场景的能力,将波动指数、总误差、功率峰谷差和两台风机之间的出力差值定义为(24)、(25)、(26),和(27),两种方法和实际场景的计算结果如表1所示:
γ=maxt∈T(Pwind,t)-mint∈T(Pwind,t) (27)
从表1可以看出,与方法1相比,本实施例所提方法在波动指数,功率峰谷差和两台风机之间的出力差值方面更贴近真实场景,而在总误差上两种方法相差不是很大。这是因为,相关性分析只是建立了多元联合累积概率分布模型,使得多个风机在不同时段预测误差的相关性得到合理表达,而这正与配电网中的实际情况相符合。但本质上,考虑相关性并没有改进预测技术,因此在减小预测误差的方面作用不大。
表1.方法0、方法1和实际场景的结果
为研究该方法在平衡燃料成本、各种备用成本、失负荷风险和弃风风险方面的效果,表2给出了所提方法与其他两种方法的总成本、备用成本和发电成本的结果。备用成本是指从输电网购买备用的成本。发电成本是可控分布式发电成本、输电网购电成本以及储能装置运行成本之和。
从表2可以看出,与方法2和方法3相比,所提方法可以显著降低总成本。与方法2和方法3相比,所提方法虽然没有使得备用成本和发电成本达到最低,但能通过平衡备用成本和发电成本来实现总成本最低。这是因为,若备用区间较大时,虽然可以很大程度地减少弃风弃光现象的发生,从而降低发电成本,但是会导致备用成本的提高,提高配电网运行的总成本;若备用区间较小时,虽然备用成本较低,但此时弃风弃光现象容易发生,使得发电成本增加,增加了配电网运行的总成本。
表2.每种方法的成本
为研究备用区间对限制弃风弃光的影响,方法0、方法2、方法3的风电出力和光伏出力以及预测的风电出力和光伏发电如图6、图7所示。同时,定义弃风(弃光)指数如公式(29)所示,三种方法的弃风(弃光)指数计算结果见表3。
表3.弃风和弃光的统计结果
不难看出,备用区间低于本文方法区间时,弃风弃光现象普遍,弃风(弃光)指数较高,于是从输电网和可控分布式发电获取的电能增多,导致发电成本增加,进而使得总成本增加;而备用区间高于本文方法的区间时,弃风弃光现象减少不是很明显,弃风(弃光)指数差距不大,所以此时发电成本差距不大,但是由于备用区间增加,导致备用成本增加,进而使得总成本增加。由此看出,本实施例中的方法可以为配电网合理设置备用区间,平衡发电成本和备用成本,实现运行总成本最低的目标。
此外,弃可再生能源现象主要发生在凌晨和半夜,其他时间可再生能源基本能够全部消纳。如图8所示,这个现象可以解释为,凌晨和半夜电价处于低谷,此时可控分布式发电机基本不发出有功功率,当可再生能源出力增大时,只能通过对可再生资源充电和减少配电网上送输电网功率来进行消纳,而可再生资源充电功率小,且实时阶段要尽量减少输配电网间功率波动,所以只能弃可再生资源;而在其他时间,电价较高,可控分布式发电机会接近满负荷运行以降低发电成本,而可再生资源没有发电成本,当可再生能源出力增大时,可以通过可控分布式发电机降低有功出力来消纳可再生资源。
为验证该方法对限制输电网络接口功率波动的有效性,方法0和方法4的功率波动如图9(a)和图9(b)所示。为进一步凸显两种方法平稳功率波动的能力,实时阶段可再生能源以最大出力接入配电网,即只能通过调节可控分布式发电机和可再生资源的有功功率来限制功率波动。两种方法的可控分布式发电机和可再生资源的有功出力如图12所示。需要注意的是,在模型预测控制中,不考虑预测场景的随机性,所以也就无法通过优化条件风险价值为主动配电网提供备用区间。
由图9(a)、图9(b)和图10可得,与基于模型预测控制的方法4相比,所提方法在抑制功率波动方面具有更好的性能。这是因为随机模型预测控制通过对典型场景进行优化调度,充分考虑预测结果的不确定性,所以其调度结果能够适应各个典型场景。然而模型预测控制会因为预测误差较大和没有考虑可再生能源的随机性,而导致日内阶段的功率承诺值不合适且没有安排合适的备用容量,导致实时阶段的功率波动较大。
从图11(a)可以看出,方法0中可控分布式发电机和可再生资源的有功功率灵活变化以维持较小的功率波动;从图11(b)可以看出方法4中可控分布式发电机有时会处于满载状态,意味着此时其会丧失一定的调节能力造成较大的功率波动。因此,由于考虑了可再生资源的随机性,本实施例所提方法更适于应对功率波动。
实施例二
本公开实施例二介绍了一种基于随机模型预测控制的主动配电网优化调度系统。
如图12所示的一种基于随机模型预测控制的主动配电网优化调度系统,包括:
获取模块,用于获取可再生能源的备用配置区间;
优化模块,根据获取的备用配置区间和预设的多时间尺度主动配电网优化调度模型,得到主动配电网的最优调度方案;
其中,所述多时间尺度主动配电网优化调度模型包括日前调度阶段、日内调度阶段和实时调度阶段,采用随机模型预测控制,以最小运行成本为目标,以备用约束为约束条件。
详细步骤与实施例一提供的基于随机模型预测控制的主动配电网优化调度方法相同,在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例一所述的基于随机模型预测控制的主动配电网优化调度方法中的步骤。
详细步骤与实施例一提供的基于随机模型预测控制的主动配电网优化调度方法相同,在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的基于随机模型预测控制的主动配电网优化调度方法中的步骤。
详细步骤与实施例一提供的基于随机模型预测控制的主动配电网优化调度方法相同,在此不再赘述。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于随机模型预测控制的主动配电网优化调度方法,其特征在于,包括以下步骤:
获取可再生能源的备用配置区间;
根据获取的备用配置区间和预设的多时间尺度主动配电网优化调度模型,得到主动配电网的最优调度方案;
其中,所述多时间尺度主动配电网优化调度模型包括日前调度阶段、日内调度阶段和实时调度阶段,采用随机模型预测控制,以最小运行成本为目标,以备用约束为约束条件。
2.如权利要求1中所述的一种基于随机模型预测控制的主动配电网优化调度方法,其特征在于,考虑备用成本与运行风险成本之间的权衡,基于概率分布的条件风险价值进行失负荷风险和可再生能源削减风险的量化,得到可再生能源的最优误差区间,即获取可再生能源的备用配置区间。
3.如权利要求1中所述的一种基于随机模型预测控制的主动配电网优化调度方法,其特征在于,在所述日前调度阶段中,多时间尺度主动配电网优化调度模型以主动配电网的运行成本和备用成本最小为目标,同时考虑包括可控分布式发电机、储能系统、投切电容器组、静止无功补偿器、有载调压变压器和从输电网所购买的电能在内的可控资源所提供的备用能力。
4.如权利要求3中所述的一种基于随机模型预测控制的主动配电网优化调度方法,其特征在于,在所述日内调度阶段中,多时间尺度主动配电网优化调度模型以主动配电网的运行成本和备用成本最小为目标,同时考虑包括可控分布式发电机、储能系统、静止无功补偿器、有载调压变压器和从输电网所购买的电能在内的可控资源所提供的备用能力。
5.如权利要求4中所述的一种基于随机模型预测控制的主动配电网优化调度方法,其特征在于,在所述实时调度阶段,多时间尺度主动配电网优化调度模型根据对主动配电网场景的预测信息,以主动配电网场景功率波动最小和运行成本最小为目标,结合可再生能源的实测值更新每个阶段的主动配电网场景的预测信息,对主动配电网的调度进行闭环控制。
6.如权利要求5中所述的一种基于随机模型预测控制的主动配电网优化调度方法,其特征在于,基于copula理论对主动配电网场景的预测信息进行相关性分析,减小生成场景中可再生能源处理的波动性和预测误差。
7.如权利要求1中所述的一种基于随机模型预测控制的主动配电网优化调度方法,其特征在于,所述多时间尺度主动配电网优化调度模型的约束条件还包括潮流约束、支路容量约束、节点电压约束、可再生能源发电运行约束、可控分布式发电运行约束、有载调压变压器运行约束、静止无功补偿装置运行约束、补偿电容器组运行约束和储能装置运行约束。
8.一种基于随机模型预测控制的主动配电网优化调度系统,其特征在于,包括:
获取模块,用于获取可再生能源的备用配置区间;
优化模块,根据获取的备用配置区间和预设的多时间尺度主动配电网优化调度模型,得到主动配电网的最优调度方案;
其中,所述多时间尺度主动配电网优化调度模型包括日前调度阶段、日内调度阶段和实时调度阶段,采用随机模型预测控制,以最小运行成本为目标,以备用约束为约束条件。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于随机模型预测控制的主动配电网优化调度方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于随机模型预测控制的主动配电网优化调度方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028549.8A CN113937752A (zh) | 2021-09-02 | 2021-09-02 | 基于随机模型预测控制的主动配电网优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028549.8A CN113937752A (zh) | 2021-09-02 | 2021-09-02 | 基于随机模型预测控制的主动配电网优化调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113937752A true CN113937752A (zh) | 2022-01-14 |
Family
ID=79275016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028549.8A Pending CN113937752A (zh) | 2021-09-02 | 2021-09-02 | 基于随机模型预测控制的主动配电网优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113937752A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884057A (zh) * | 2022-07-11 | 2022-08-09 | 华东交通大学 | 一种自适应步长双闭环mpc优化调度方法 |
CN116436003A (zh) * | 2023-06-15 | 2023-07-14 | 山东大学 | 主动配电网风险约束备用优化方法、系统、介质及设备 |
-
2021
- 2021-09-02 CN CN202111028549.8A patent/CN113937752A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884057A (zh) * | 2022-07-11 | 2022-08-09 | 华东交通大学 | 一种自适应步长双闭环mpc优化调度方法 |
CN114884057B (zh) * | 2022-07-11 | 2022-09-09 | 华东交通大学 | 一种自适应步长双闭环mpc优化调度方法 |
CN116436003A (zh) * | 2023-06-15 | 2023-07-14 | 山东大学 | 主动配电网风险约束备用优化方法、系统、介质及设备 |
CN116436003B (zh) * | 2023-06-15 | 2023-09-22 | 山东大学 | 主动配电网风险约束备用优化方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gan et al. | Security constrained co-planning of transmission expansion and energy storage | |
Sedghi et al. | Optimal storage planning in active distribution network considering uncertainty of wind power distributed generation | |
Sun et al. | Optimization planning method of distributed generation based on steady-state security region of distribution network | |
Mohammadi et al. | An Adaptive Modified Firefly Optimisation Algorithm based on Hong's Point Estimate Method to optimal operation management in a microgrid with consideration of uncertainties | |
Yuan et al. | Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming | |
Li et al. | Storage aided system property enhancing and hybrid robust smoothing for large-scale PV systems | |
Shen et al. | Low-carbon electricity network transition considering retirement of aging coal generators | |
Yang et al. | Fluctuation reduction of wind power and sizing of battery energy storage systems in microgrids | |
CN104852399B (zh) | 光储微网系统的储能容量动态优化方法 | |
CN110247411A (zh) | 一种用户侧物联化智能光储设备能量动态分配方法 | |
Mohammadi et al. | Optimal operation management of microgrids using the point estimate method and firefly algorithm while considering uncertainty | |
CN113937752A (zh) | 基于随机模型预测控制的主动配电网优化调度方法及系统 | |
Wang et al. | Research on planning optimization of integrated energy system based on the differential features of hybrid energy storage system | |
Le et al. | Distributionally robust chance constrained planning model for energy storage plants based on Kullback–Leibler divergence | |
CN115017854A (zh) | 一种基于多维评估指标体系的配电网dg最大准入容量计算方法 | |
Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
Yuan et al. | Bess aided renewable energy supply using deep reinforcement learning for 5g and beyond | |
Zhang et al. | Frequency-constrained unit commitment for power systems with high renewable energy penetration | |
Zhang et al. | Multi–objective Cluster Partition Method for Distribution Network Considering Uncertainties of Distributed Generations and Loads | |
Wang et al. | A novel consensus-based optimal control strategy for multi-microgrid systems with battery degradation consideration | |
Peng et al. | Research on inter-regional renewable energy accommodation assessment method based on time series production simulation | |
CN115689375A (zh) | 虚拟电厂运行控制方法、装置、设备及介质 | |
Li et al. | Optimal dispatch of battery energy storage in distribution network considering electrothermal-aging coupling | |
Zhu et al. | Isolated Microgrid Capacity Configuration Considering Economic Risk of Customer Interruption | |
Wen et al. | Optimal energy management strategy of battery energy storage for primary frequency control |
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 |