CN114004107A - 考虑柔性负荷、储能和新能源的配电网帕累托优化方法 - Google Patents

考虑柔性负荷、储能和新能源的配电网帕累托优化方法 Download PDF

Info

Publication number
CN114004107A
CN114004107A CN202111361875.0A CN202111361875A CN114004107A CN 114004107 A CN114004107 A CN 114004107A CN 202111361875 A CN202111361875 A CN 202111361875A CN 114004107 A CN114004107 A CN 114004107A
Authority
CN
China
Prior art keywords
air conditioner
power
tie
energy storage
time
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
Application number
CN202111361875.0A
Other languages
English (en)
Inventor
刘斌
谈竹奎
吕黔苏
徐长宝
张锐锋
唐赛秋
高吉普
欧家祥
徐玉韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202111361875.0A priority Critical patent/CN114004107A/zh
Publication of CN114004107A publication Critical patent/CN114004107A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，它包括。首先根据系统信息对数量大的分布式设备进行聚合建模，建立系统多目标优化模型，所考虑时段包括当前时段和未来时段，目标包括但不限于系统运行费用、储能利用强度、用户舒适度等，然后利用帕累托多目标优化算法求解帕累托前沿，根据需要从帕累托前沿中选择一个折衷解，最后对集群指令进行分解并将指令下发到设备进行执行。实现通过协调柔性负荷、储能和新能源的运行提高新能源消纳水平，降低配电网运行成本，降低柔性负荷调度对用户舒适度的影响并降低对储能寿命的损耗。

Description

考虑柔性负荷、储能和新能源的配电网帕累托优化方法
技术领域
本发明属于电网调度领域，特别是涉及一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法。
背景技术
随着新能源发电技术的发展以及碳达峰、碳中和目标的推进，配电网中新能源接入量不断增大，解决好波动性大的新能源的本地消纳问题是一个挑战。同时，由于智能家居、物联网等技术的发展，大量具备可调节能力的柔性负荷具备了接受优化调度的能力，成为储能之外另一种重要的可控资源。
目前针对配电网分布式资源调度的研究有很多，但是较少有考虑多目标优化的研究。由于针对分布式资源的优化既要考虑运行成本，还要考虑用户舒适度、储能长期损耗成本等多个目标。其中用户舒适度目标难以量化成经济指标，而储能损耗长期成本在短期内的评价较为复杂，故目前将多目标问题加权处理成单目标的方法存在权重主观性强的问题。
发明内容
本发明要解决的技术问题是：提供一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，以解决现有技术对配电网分布式资源调度优化将多目标问题加权处理成单目标的方法存在权重主观性强的问题。
本发明的技术方案是：
一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，它包括：
步聚1：更新系统所有信息，包括分布式设备参数、当前时段和未来时段负荷预测情况、当前时段和未来时段新能源出力预测情况、当前时段和预测电价等其他配电网优化所需的参数；
步骤2：对数量大的分布式设备进行聚合建模；
步骤3：建立系统多目标优化模型，所考虑时段包括当前时段和未来时段，目标包括但不限于系统运行费用、储能利用强度、用户舒适度；
步骤4：利用帕累托多目标优化算法求解帕累托前沿；
步骤5：根据需要从帕累托前沿中选择一个折衷解；
步骤6：判断当前时段计划是否执行完毕，若否转步骤7，若是转步聚1；
步骤7：更新分布式设备状态；
步骤8：对集群指令进行分解；
步骤9：将指令下发到设备进行执行，然后转到步骤6。
步骤2所述的分布式设备聚合建模用于将分布式设备的可行域聚合成一个整体，来描述这些分布式设备功率之和的可行域；分布式设备包括空调、电动汽车或分布式储能设备。
定频空调聚合建模的的方法为：
定频空调的取用电功率乘以恒定的能效比即可转换为制冷量，故对于定频空调，模型如下：
Figure BDA0003359240940000021
式中，C为等效比热容，R为等效热阻，Tout为外界温度，Tin为室内气体温度，P为空调功率，η为空调的制冷效率；考虑到在实际的采样系统中，采样值是离散的，故对上述微分方程求解后的得到的离散化表达式为：
Figure BDA0003359240940000031
式中，Tin,t和Tout,t表示t时刻的室内温度和室外温度，Tin,t-1表示t-1时刻的室内温度，Pt表示t时刻的空调功率，Δt为采样时间间隔。对于定频空调只有工作和待机两种状态，处于工作状态时以额定功率Prate运行，待机状态功率可视为0，故各时刻空调功率Pt可用如下式子表示
Pt＝PrateSt (3)
其中，St为空调当前工作状态，其值为0表示待机，其值为1时表示制冷，其表达式随室内温度的变化可表示如下：
Figure BDA0003359240940000032
式中，Tset为空调设定温度，δ表示空调温度控制区间宽度，St-1为空调t-1时刻的工作状态；
多个空调通过简化处理等效成为一个整体的聚合模型，定义单个空调n在t时刻的储能状态xn,t为
Figure BDA0003359240940000033
式中Tset,n为空调n的设定温度，Tin,n,t为空调n所在房间在t时刻的空气温度。δn为空调n的温度控制区间宽度；
得到：
xn,t+1＝κnxn,t+γnPn,cd,t (6)
Pcd,n,t＝Pn,t-Pbaseline,n,t (7)
Figure BDA0003359240940000034
Figure BDA0003359240940000041
Figure BDA0003359240940000042
其中xn,t+1为空调n在t+1时刻的储能状态，κn和γn为空调n的状态变化常数，Pn,cd,t为空调n在时刻t的等效储能功率，Pbaseline,n,t为空调n在时刻t的基线功率，Pn,t为空调n在时刻t的实际功率，Tout,n,t为空调n在时刻t的室外温度，Δt为时段长度，ηn、Rn、Cn分别为空调n的效率、所在房间的热阻和热容，n＝{1,2,…,N}；
对于N个空调则有
Figure BDA0003359240940000043
将各等式两边相加得
Figure BDA0003359240940000044
再定义集群状态变化常数α和集群t时段储能状态EAC,t
Figure BDA0003359240940000045
Figure BDA0003359240940000046
由此得到空调群的聚合模型
EAC,t+1＝αEAC,t+PAC,cd,t (15)
Figure BDA0003359240940000047
EAC,min≤EAC,t≤EAC,max (17)
其中EAC,t+1为集群t+1时段储能状态，PAC,cd,t为集群在t时刻的等效储能功率，PAC,t为集群在t时刻的总功率，EAC,min和EAC,max为EAC,t的最小值和最大值可以由式(14)确定。
系统多目标优化模型如下：
目标1:
Figure BDA0003359240940000051
目标2:
Figure BDA0003359240940000052
目标3:
Figure BDA0003359240940000053
Figure BDA0003359240940000054
PS,t＝PS,C,t-PS,D,t (22)
0≤PS,C,t≤PS,max (23)
0≤PS,D,t≤PS,max (24)
0≤ES,t≤ES,max (25)
EAC,t+1＝αEAC,t+PAC,cd,t (26)
Figure BDA0003359240940000055
EAC,min≤EAC,t≤EAC,max (28)
0≤PPV,t≤PPV,max,t (29)
-Ptie,max≤Ptie,t≤Ptie,max (30)
0≤Ptie,buy,t≤Ptie,max (31)
0≤Ptie,sell,t≤Ptie,max (32)
Ptie,t＝Ptie,buy,t-Ptie,sell,t (33)
PS,t+PAC,t+PL,t＝Ptie,t (34)
式中，fcost为购电成本，ctie,buy,t为t时刻联络线的买入电价，ctie,sell,t为t时刻联络线的卖出电价，Ptie,buy,t为t时刻联络线的买入功率，Ptie,sell,t为t时刻联络线的卖出功率；fdiscomfort为用户不舒适度；fstorage为储能利用强度，PS,C,t和PS,D,t分别t时刻储能的充电功率和放电功率ES,t为储能在t时刻的储能量，ηS为储能的效率，PS,t为储能在t时刻的功率，PS,max为储能功率上限，ES,max为储能的能量上限，PPV,t为t时时刻的新能源功率，PPV,max,t为t时刻的新能源功率上限，Ptie,t为t时刻的联络线功率，Ptie,max为联络线功率限值，PL,t为t时刻不可控负荷功率。
步骤4所述利用帕累托多目标优化算法求解帕累托前沿的方法包括：
步骤4.1：分别求取各个目标的单目标优化问题，对于目标,fj，j∈{1,2,3}，得到其最大值为fj,max，最小值为fj,min；
步骤4.2：对各目标进行归一化处理，目标j归一化后用rj表示为：
Figure BDA0003359240940000061
步骤4.3：求取帕累托前沿；按需要从参考点集Rref中均匀地抽取所需数量的参考点Rref,i，对每个点Rref,i先解式(37)得到轴线长度
Figure BDA0003359240940000062
再解式(38)得到帕累托解ri＝(ri,1,…,ri,j,...)，式中ej为所有rj组成平面的法向量的j轴分量；
Figure BDA0003359240940000063
Figure BDA0003359240940000064
Figure BDA0003359240940000065
。
步骤5所述折衷解选择方法为根据实际需要制定相应的规则进行选择，也可以选择最差目标最好的帕累托解作为折衷解。
步骤8：对集群指令进行分解的方法包括：
步骤8.1：计算集群中所有设备在当前设定下的总功率与集群指令总功率的偏差功率，若偏差小于给定的阈值则分解完成，若否转步骤8.2；
步骤8.2：对集群中所有可以与步骤8.1中偏差功率方向相反的设备按优先级排序，调整优先级最高的设备功率设定值以减小偏差功率，转到步骤8.1。
所述系统由云服务器、集群控制器和受控设备组成；云服务器用于执行本发明步骤1到步骤5，集群控制器执行本发明的步骤6到步骤9并辅助云服务器进行步骤1和步骤2；受控设备包括储能、新能源发电、传统空调、智能空调和电动汽车；其中储能和新能源发电设备通过逆变器进行接入；传统空调指仅支持红外遥控的非智能空调，采用智能插座进行插入；智能空调直接与集群控制器进行通信，电动汽车通过充电桩进行接入；集群控制器与各逆变器、智能插座、智能空调和充电桩进行通信。
本发明的有益效果是：
本发明采用帕累托多目标优化方法协调柔性负荷、储能和新能源的运行提高新能源消耗水平，降低配电网运行成本，降低柔性负荷调度对用户舒适度的影响并降低对储能寿命的损耗，同时多目标优化方法可以提供多个目标的帕累托前沿供用户选择，为上层进一步的高级决策提供了基础。
附图说明
图1为本发明详细流程示意图；
图2为实施例中的工程实施方案示意图；
图3为本发明整体组成示意图。
具体实施方式
本实施例介绍了本发明方法的工程实现方法，如附图2所示。
本实施例中系统由云服务器、集群控制器和受控设备组成。其中云服务器用于执行本发明步骤1到步骤5，集群控制器执行本发明的步骤6到步骤9并辅助云服务器进行步骤1和步骤2。实施例中参与优化的受控设备有储能、新能源发电、传统空调、智能空调和电动汽车。其中储能和新能源发电设备通过逆变器进行接入；传统空调指仅支持红外遥控的非智能空调，采用智能插座进行插入。智能空调本身具备通信能力，直接与集群控制器进行通信，电动汽车通过充电桩进行接入。集群控制器与各逆变器、智能插座、智能空调、充电桩进行通信。可以根据需要配置多个集群控制器。
步聚1：更新系统所有信息：集群控制器上传分布式设备参数，云服务器获取和预测当前时段和未来时段负荷预测情况、当前时段和未来时段新能源出力预测情况、当前时段和预测电价等其他配电网优化所需的必要参数。
步骤2：对数量大的分布式设备进行聚合建模。集群控制器对下辖分布设备进行聚合建模并上传云服务器，云服务器接收所有集群控制器的聚合模型进行整体建模。
如步骤2所述的分布式设备聚合建模用于将大量的分布式设备的可行域聚合成一个整体，来描述这些分布式设备功率之和的可行域。这里的分布式设备包括但不限于空调、电动汽车、分布式储能等设备。此处仅对定频空调聚合建模的一种方法进行说明；其他分布式设备方法相同。
定频空调的取用电功率乘以恒定的能效比即可转换为制冷量，故对于定频空调，其模型可列写如下：
Figure BDA0003359240940000091
式中，C为等效比热容，R为等效热阻，Tout为外界温度，Tin为室内气体温度，P为空调功率，η为空调的制冷效率(也称为能效比)。考虑到在实际的采样系统中，采样值是离散的，故对上述微分方程求解后的得到的离散化表达式为：
Figure BDA0003359240940000092
式中，Tin,t和Tout,t表示t时刻的室内温度和室外温度，Tin,t-1表示t-1时刻的室内温度，Pt表示t时刻的空调功率，Δt为采样时间间隔。对于定频空调，其工作模式非常简单，只有工作和待机两种状态，处于工作状态时以额定功率Prate运行，待机状态功率可视为0，故各时刻空调功率Pt可用如下式子表示。
Pt＝PrateSt (3)
其中，St为空调当前工作状态，其值为0表示待机，其值为1时表示制冷，其表达式随室内温度的变化可表示如下。
Figure BDA0003359240940000093
式中，Tset为空调设定温度，δ表示空调温度控制区间宽度，St-1为空调t-1时刻的工作状态。
多个空调可以通过一定的简化处理等效成为一个整体的聚合模型，定义单个空调n在t时刻的储能状态xn,t为
Figure BDA0003359240940000094
式中Tset,n为空调n的设定温度，Tin,n,t为空调n所在房间在t时刻的空气温度。δn为空调n的温度控制区间宽度。
可以得到
xn,t+1＝κnxn,t+γnPn,cd,t (6)
Pcd,n,t＝Pn,t-Pbaseline,n,t (7)
Figure BDA0003359240940000101
Figure BDA0003359240940000102
Figure BDA0003359240940000103
其中xn,t+1为空调n在t+1时刻的储能状态，κn和γn为空调n的状态变化常数，Pn,cd,t为空调n在时刻t的等效储能功率，Pbaseline,n,t为空调n在时刻t的基线功率，Pn,t为空调n在时刻t的实际功率，Tout,n,t为空调n在时刻t的室外温度，Δt为时段长度，ηn、Rn、Cn分别为空调n的效率、所在房间的热阻和热容，n＝{1,2,…,N}。
对于N个空调则有
Figure BDA0003359240940000104
将各等式两边相加得
Figure BDA0003359240940000105
再定义集群状态变化常数α和集群t时段储能状态EAC,t
Figure BDA0003359240940000106
Figure BDA0003359240940000107
由此可以得到空调群的聚合模型
EAC,t+1＝αEAC,t+PAC,cd,t (15)
Figure BDA0003359240940000111
EAC,min≤EAC,t≤EAC,max (17)
其中EAC,t+1为集群t+1时段储能状态，PAC,cd,t为集群在t时刻的等效储能功率，PAC,t为集群在t时刻的总功率，EAC,min和EAC,max为EAC,t的最小值和最大值可以由式(14)确定。
步骤3：云服务器建立系统多目标优化模型，所考虑时段包括当前时段和未来时段，目标包括但不限于系统运行费用、储能利用强度、用户舒适度等。系统多目标优化模型如下：
目标1:
Figure BDA0003359240940000112
目标2:
Figure BDA0003359240940000113
目标3:
Figure BDA0003359240940000114
服从于约束：
Figure BDA0003359240940000115
PS,t＝PS,C,t-PS,D,t (22)
0≤PS,C,t≤PS,max (23)
0≤PS,D,t≤PS,max (24)
0≤ES,t≤ES,max (25)
EAC,t+1＝αEAC,t+PAC,cd,t (26)
Figure BDA0003359240940000116
EAC,min≤EAC,t≤EAC,max (28)
0≤PPV,t≤PPV,max,t (29)
-Ptie,max≤Ptie,t≤Ptie,max (30)
0≤Ptie,buy,t≤Ptie,max (31)
0≤Ptie,sell,t≤Ptie,max (32)
Ptie,t＝Ptie,buy,t-Ptie,sell,t (33)
PS,t+PAC,t+PL,t＝Ptie,t (34)
式中，fcost为购电成本，ctie,buy,t为t时刻联络线的买入电价，ctie,sell,t为t时刻联络线的卖出电价，Ptie,buy,t为t时刻联络线的买入功率，Ptie,sell,t为t时刻联络线的卖出功率；fdiscomfort为用户不舒适度；fstorage为储能利用强度，PS,C,t和PS,D,t分别t时刻储能的充电功率和放电功率ES,t为储能在t时刻的储能量，ηS为储能的效率，PS,t为储能在t时刻的功率，PS,max为储能功率上限，ES,max为储能的能量上限，PPV,t为t时时刻的新能源功率，PPV,max,t为t时刻的新能源功率上限，Ptie,t为t时刻的联络线功率，Ptie,max为联络线功率限值，PL,t为t时刻不可控负荷功率。
步骤4：云服务器利用帕累托多目标优化算法求解帕累托前沿。
步骤如下：
步骤4.1：分别求取各个目标的单目标优化问题，对于目标,fj，j∈{1,2,3}，得到其最大值为fj,max，最小值为fj,min。
步骤4.2：对各目标进行归一化处理，目标j归一化后用rj表示。
Figure BDA0003359240940000121
步骤4.3：求取帕累托前沿。按需要从参考点集Rref中均匀地抽取一定数量的参考点Rref,i，对每个点Rref,i先解式(37)得到轴线长度
Figure BDA0003359240940000122
再解式(38)得到帕累托解ri＝(ri,1,…,ri,j,...)。式中ej为所有rj组成平面的法向量的j轴分量。
Figure BDA0003359240940000123
Figure BDA0003359240940000131
Figure BDA0003359240940000132
步骤5：云服务器根据需要从帕累托前沿中选择一个折衷解，并下发到各个集群控制器。折衷解选择方法需要根据实际需要制定相应的规则进行选择，也可以采取简单的选取方法，如选择最差目标最好的帕累托解作为折衷解。
步骤6：集群控制器判断当前时段计划是否执行完毕，若否转步骤7，若是转步聚1。
步骤7：集群控制器更新分布式设备状态。
步骤8：集群控制器对集群指令进行分解。
集群指令分解方法为：
步骤8.1：计算集群中所有设备在当前设定下的总功率与集群指令总功率的偏差功率，若偏差小于给定的阈值则分解完成，若否转步骤8.2。
步骤8.2：对集群中所有可以与步骤8.1中偏差功率方向相反的设备按优先级排序，调整优先级最高的设备功率设定值以减小偏差功率，转到步骤8.1。
步骤9：集群控制器将指令下发到设备进行执行，然后转到步骤6。

Claims (8)

1.一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，它包括：
步聚1：更新系统所有信息，包括分布式设备参数、当前时段和未来时段负荷预测情况、当前时段和未来时段新能源出力预测情况、当前时段和预测电价等其他配电网优化所需的参数；
步骤2：对数量大的分布式设备进行聚合建模；
步骤3：建立系统多目标优化模型，所考虑时段包括当前时段和未来时段，目标包括但不限于系统运行费用、储能利用强度、用户舒适度；
步骤4：利用帕累托多目标优化算法求解帕累托前沿；
步骤5：根据需要从帕累托前沿中选择一个折衷解；
步骤6：判断当前时段计划是否执行完毕，若否转步骤7，若是转步聚1；
步骤7：更新分布式设备状态；
步骤8：对集群指令进行分解；
步骤9：将指令下发到设备进行执行，然后转到步骤6。
2.一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，其特征在于：步骤2所述的分布式设备聚合建模用于将分布式设备的可行域聚合成一个整体，来描述这些分布式设备功率之和的可行域；分布式设备包括空调、电动汽车或分布式储能设备。
3.根据权利要求2所述的一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，其特征在于：定频空调聚合建模的的方法为：
定频空调的取用电功率乘以恒定的能效比即可转换为制冷量，故对于定频空调，模型如下：
Figure FDA0003359240930000021
式中，C为等效比热容，R为等效热阻，Tout为外界温度，Tin为室内气体温度，P为空调功率，η为空调的制冷效率；考虑到在实际的采样系统中，采样值是离散的，故对上述微分方程求解后的得到的离散化表达式为：
Figure FDA0003359240930000022
式中，Tin,t和Tout,t表示t时刻的室内温度和室外温度，Tin,t-1表示t-1时刻的室内温度，Pt表示t时刻的空调功率，Δt为采样时间间隔。对于定频空调只有工作和待机两种状态，处于工作状态时以额定功率Prate运行，待机状态功率可视为0，故各时刻空调功率Pt可用如下式子表示
Pt＝PrateSt (3)
其中，St为空调当前工作状态，其值为0表示待机，其值为1时表示制冷，其表达式随室内温度的变化可表示如下：
Figure FDA0003359240930000023
式中，Tset为空调设定温度，δ表示空调温度控制区间宽度；
多个空调通过简化处理等效成为一个整体的聚合模型，定义单个空调n在t时刻的储能状态xn,t为
Figure FDA0003359240930000031
式中Tset,n为空调n的设定温度，Tin,n,t为空调n所在房间在t时刻的空气温度。δn为空调n的温度控制区间宽度；
得到：
xn,t+1＝κnxn,t+γnPn,cd,t (6)
Pcd,n,t＝Pn,t-Pbaseline,n,t (7)
Figure FDA0003359240930000032
Figure FDA0003359240930000033
Figure FDA0003359240930000034
其中xn,t+1为空调n在t+1时刻的储能状态，κn和γn为空调n的状态变化常数，Pn,cd,t为空调n在时刻t的等效储能功率，Pbaseline,n,t为空调n在时刻t的基线功率，Pn,t为空调n在时刻t的实际功率，Tout,n,t为空调n在时刻t的室外温度，Δt为时段长度，ηn、Rn、Cn分别为空调n的效率、所有房间的热阻和热容；
对于N个空调则有
Figure FDA0003359240930000035
将各等式两边相加得
Figure FDA0003359240930000041
再定义集群状态变化常数α和集群t时段储能状态EAC,t
Figure FDA0003359240930000042
Figure FDA0003359240930000043
由此得到空调群的聚合模型
EAC,t+1＝αEAC,t+PAC,cd,t (15)
Figure FDA0003359240930000044
EAC,min≤EAC,t≤EAC,max (17)
其中EAC,t+1为集群t+1时段储能状态，PAC,cd,t为集群在t时刻的等效储能功率，PAC,t为集群在t时刻的总功率，EAC,min和EAC,max为EAC,t的最小值和最大值可以由式(14)确定。
4.根据权利要求1述的一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，其特征在于：系统多目标优化模型如下：
目标1:
Figure FDA0003359240930000045
目标2:
Figure FDA0003359240930000046
目标3:
Figure FDA0003359240930000047
Figure FDA0003359240930000048
PS,t＝PS,C,t-PS,D,t (22)
0≤PS,C,t≤PS,max (23)
0≤PS,D,t≤PS,max (24)
0≤ES,t≤ES,max (25)
EAC,t+1＝αEAC,t+PAC,cd,t (26)
Figure FDA0003359240930000051
EAC,min≤EAC,t≤EAC,max (28)
0≤PPV,t≤PPV,max,t (29)
-Ptie,max≤Ptie,t≤Ptie,max (30)
0≤Ptie,buy,t≤Ptie,max (31)
0≤Ptie,sell,t≤Ptie,max (32)
Ptie,t＝Ptie,buy,t-Ptie,sell,t (33)
PS,t+PAC,t+PL,t＝Ptie,t (34)
式中，fcost为购电成本，ctie,buy,t为t时刻联络线的买入电价，ctie,sell,t为t时刻联络线的卖出电价，Ptie,buy,t为t时刻联络线的买入功率，Ptie,sell,t为t时刻联络线的卖出功率；fdiscomfort为用户不舒适度；fstorage为储能利用强度，PS,C,t和PS,D,t分别t时刻储能的充电功率和放电功率ES,t为储能在t时刻的储能量，ηS为储能的效率，PS,t为储能在t时刻的功率，PS,max为储能功率上限，ES,max为储能的能量上限，PPV,t为t时时刻的新能源功率，PPV,max,t为t时刻的新能源功率上限，Ptie,t为t时刻的联络线功率，Ptie,max为联络线功率限值，PL,t为t时刻不可控负荷功率。
5.根据权利要求1述的一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，其特征在于：步骤4所述利用帕累托多目标优化算法求解帕累托前沿的方法包括：
步骤4.1：分别求取各个目标的单目标优化问题，对于目标,fj，j∈{1,2,3}，得到其最大值为fj,max，最小值为fj,min；
步骤4.2：对各目标进行归一化处理，目标j归一化后用rj表示为：
Figure FDA0003359240930000061
步骤4.3：求取帕累托前沿；按需要从参考点集Rref中均匀地抽取所需数量的参考点Rref,i，对每个点Rref,i先解式(37)得到轴线长度
Figure FDA0003359240930000062
再解式(38)得到帕累托解ri＝(ri,1,…,ri,j,...)，式中ej为所有rj组成平面的法向量的j轴分量；
Figure FDA0003359240930000063
Figure FDA0003359240930000064
Figure FDA0003359240930000065
6.根据权利要求1述的一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，其特征在于：步骤5所述折衷解选择方法为根据实际需要制定相应的规则进行选择，也可以选择最差目标最好的帕累托解作为折衷解。
7.根据权利要求1述的一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，其特征在于：步骤8：对集群指令进行分解的方法包括：
步骤8.1：计算集群中所有设备在当前设定下的总功率与集群指令总功率的偏差功率，若偏差小于给定的阈值则分解完成，若否转步骤8.2；
步骤8.2：对集群中所有可以与步骤8.1中偏差功率方向相反的设备按优先级排序，调整优先级最高的设备功率设定值以减小偏差功率，转到步骤8.1。
8.根据权利要求1述的一种考虑柔性负荷、储能和新能源的配电网帕累托优化方法，其特征在于：所述系统由云服务器、集群控制器和受控设备组成；云服务器用于执行本发明步骤1到步骤5，集群控制器执行本发明的步骤6到步骤9并辅助云服务器进行步骤1和步骤2；受控设备包括储能、新能源发电、传统空调、智能空调和电动汽车；其中储能和新能源发电设备通过逆变器进行接入；传统空调指仅支持红外遥控的非智能空调，采用智能插座进行插入；智能空调直接与集群控制器进行通信，电动汽车通过充电桩进行接入；集群控制器与各逆变器、智能插座、智能空调和充电桩进行通信。
CN202111361875.0A 2021-11-17 2021-11-17 考虑柔性负荷、储能和新能源的配电网帕累托优化方法 Pending CN114004107A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111361875.0A CN114004107A (zh) 2021-11-17 2021-11-17 考虑柔性负荷、储能和新能源的配电网帕累托优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111361875.0A CN114004107A (zh) 2021-11-17 2021-11-17 考虑柔性负荷、储能和新能源的配电网帕累托优化方法

Publications (1)

Publication Number Publication Date
CN114004107A true CN114004107A (zh) 2022-02-01

Family

ID=79929286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111361875.0A Pending CN114004107A (zh) 2021-11-17 2021-11-17 考虑柔性负荷、储能和新能源的配电网帕累托优化方法

Country Status (1)

Country Link
CN (1) CN114004107A (zh)

Similar Documents

Publication Publication Date Title
US11610214B2 (en) Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus
CN104062958B (zh) 一种基于动态负荷管理的居家智能优化方法
CN110729726B (zh) 一种智慧社区能量优化调度方法和系统
CN104700158A (zh) 一种配电园区的能源管理方法与系统
CN107069776A (zh) 一种平滑微网联络线功率的储能前瞻分布式控制方法
CN109712019A (zh) 一种多能楼宇实时能量管理优化方法
CN109685396A (zh) 一种计及公共楼宇需求响应资源的配电网能量管理方法
CN112131712B (zh) 客户侧多能源系统多目标优化方法和系统
CN111047097A (zh) 一种综合能源系统日中滚动优化方法
CN114862252A (zh) 可调负荷多层聚合调度潜力分析方法、系统、设备及介质
CN107994574A (zh) 面向新能源消纳的集中式温控负荷侧需求响应的决策方法
CN117477557A (zh) 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质
CN110535142B (zh) 基于改进离散型pso算法的用电智能控制方法及计算机可读存储介质
CN118485208A (zh) 知识融合深度强化学习的计及舒适度的家庭能量调度方法
Le et al. Aggregation and Scheduling of Multi-Chiller HVAC Systems in Continuous-Time Stochastic Unit Commitment for Flexibility Enhancement
Zhang et al. Multi-objective optimal control algorithm for HVAC based on particle swarm optimization
CN104778507A (zh) 一种基于自适应粒子群算法的楼宇智能用电策略获取方法
CN116972521A (zh) 基于商业楼宇太阳能光伏中央空调系统控制方法
CN115115145B (zh) 分布式光伏智能住宅的需求响应调度方法及系统
CN113904331B (zh) 变频空调集群参与电力系统辅助调控方法、装置和系统
CN114004107A (zh) 考虑柔性负荷、储能和新能源的配电网帕累托优化方法
CN114781274A (zh) 仿真与决策交替学习的综合能源系统控制优化方法与系统
CN114139830A (zh) 一种智慧能源站的优化调度方法、装置及电子设备
Ma et al. Control and Communication for Demand Response with Thermostatically Controlled Loads
Liang et al. Deep reinforcement learning based energy management strategy for commercial buildings considering comprehensive comfort levels

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