CN114091748A - 一种适应多场景的微电网一体化柔性规划方法及系统 - Google Patents
一种适应多场景的微电网一体化柔性规划方法及系统 Download PDFInfo
- Publication number
- CN114091748A CN114091748A CN202111369923.0A CN202111369923A CN114091748A CN 114091748 A CN114091748 A CN 114091748A CN 202111369923 A CN202111369923 A CN 202111369923A CN 114091748 A CN114091748 A CN 114091748A
- Authority
- CN
- China
- Prior art keywords
- planning
- capacity
- grid
- microgrid
- annual
- 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 39
- 239000000203 mixture Substances 0.000 claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004146 energy storage Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 45
- 238000003860 storage Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种适应多场景的微电网一体化柔性规划方法及系统,其中方法包括:获取目标规划地区的相关数据,并根据相关数据选择微电网类型及微电网组成;构建容量规划目标函数,并确定容量规划约束条件,并得到机组容量规划结果;判断机组容量规划结果的合理性;若机组容量规划结果合理,则构建网架规划目标函数,并确定网架规划约束条件,进而得到最优网架结构。本发明可以满足不同程度的可靠性需求,实现了微电网规划的整体统一。
Description
技术领域
本发明涉及微电网技术领域,特别是涉及一种适应多场景的微电网一体化柔性规划方法及系统。
背景技术
能源危机和环境问题日益严峻,新能源的就地开发和分布式利用已成为各国政府节能减排、发展绿色能源的重要途径,而新能源固有的分布性、间歇性与随机性将对电网的调度和运行带来冲击。微电网作为可再生能源分布式利用的其中一种有效形式,被认为是实现电能高效清洁转换与资源协调配置的重要组网形态。科学、合理地规划微电网灵活性资源配置,在兼顾可再生能源充分消纳的同时,又能保证微电网经济可靠运行,是目前学术界与工业界重点关注的前沿热点课题。
目前对于微电网规划的研究主要分为容量规划与网架规划两方面,从独立型微电网或并网型微电网入手进行研究。目前的研究包括:1)考虑地区的风能和太阳能资源,从经济性、灵敏度和环保的角度对微电网进行规划研究;2)提出一种基于Kullback-Leibler散度的分布鲁棒优化方法来评估配电网分布式光伏的最大并网容量;3)以储能投资置换成本和运行成本等年值最低为目标函数,计及电池寿命建立多能源微网储能容量双层优化配置模型,其上层对储能容量进行优化,下层对系统运行策略进行优化;4)将配电网的电源点和负荷点当作顶点,将各个顶点间可能架设线路的走廊当作边,将线路的建设费用和运行费用之和作为各条边的权,采用基本最小生成树算法获得初步规划方案,动态调整各条边的权值并反复迭代,获得总费用最小的优化规划结果;5)基于排序思想,改进Dijkstra算法,并用于微电网网架扩展规划;6)采用二维高斯混合模型进行源荷联合概率分布建模,由接受拒绝采样法构建典型场景集,建立多目标双层优化模型,采用多目标粒子群算法与基于深度优先搜索的所有生成树算法对光伏接入容量与网架结构进行协同优化。
但是,现有的微电网容量规划缺少对经济性、可靠性与环保性的综合分析;对可靠性的分析多为考虑风光与负荷不确定性的确定性分析与建模,可能无法适应不同地区对可靠性的不同需求;网架规划缺乏对不同重要程度负荷供电可靠性的分析。此外,目前的研究多为针对微电网中某一电源或某一环节的规划,容量规划与网架规划脱节,缺乏对微电网规划的统筹优化。
发明内容
为克服现有的微电网规划方法中容量规划与网架规划割裂的缺陷以及对微电网可靠性与环保性考虑的缺失与不足,本发明提供一种适应多场景的微电网一体化柔性规划方法及系统。
本发明第一方面提供一种适应多场景的微电网一体化柔性规划方法,包括:
获取目标规划地区的相关数据;其中,所述相关数据包括:地理位置信息、风光条件信息、场地条件信息及负荷需求数据;
通过预设的专家系统,根据所述相关数据选择微电网类型及微电网组成;
根据所述相关数据、所述微电网类型及所述微电网组成,构建容量规划目标函数,并确定容量规划约束条件;
通过混合整数优化算法,根据所述容量规划目标函数及所述规划约束条件,得到机组容量规划结果;
判断所述机组容量规划结果的合理性;
若所述机组容量规划结果合理,则根据所述相关数据、所述微电网类型、所述微电网组成及所述机组容量规划结果,构建网架规划目标函数,并确定网架规划约束条件;
通过粒子群优化算法,根据所述网架规划目标函数及所述网架规划约束条件,得到最优网架结构。
进一步地,所述判断所述机组容量规划结果的合理性之后,还包括:
若所述机组容量规划结果不合理,则重新根据所述相关数据选择微电网类型及微电网组成。
进一步地,所述容量规划目标函数,通过以下公式表示:
min C=CDG+CDGY+CDGF+CCN+CCNY+CHJ-CHB+CPCC;
其中,C为容量规划总成本,CDG为DG年投资费用,CDGY为DG年运行维护费用,CDGF为DG年燃料成本,CCN为储能年投资费用,CCNY为储能年运行维护费用,CHJ为DG年环境成本,CHB为环保补贴,CPCC为网络购电成本。
进一步地,所述容量规划约束条件,通过以下公式表示:
GWT(min)≤GWT≤GWT(max);
GPV(min)≤GPV≤GPV(max);
GMT(min)≤GMT≤GMT(max);
其中,GWT(min)为风机的装机容量下限,GWT为风机的实际装机容量,GWT(max)为风机的装机容量上限,GPV(min)为光伏的装机容量下限,GPV为光伏的实际装机容量,GPV(max)为光伏的装机容量上限,GMT(min)为柴油机的装机容量下限,GMT为柴油机的实际装机容量,GMT(max)为柴油机的装机容量上限。
进一步地,所述网架规划目标函数,通过以下公式表示:
min C=Cline+CL+k∑l∈MCl,com;
其中,C为网架规划总成本,Cline为线路投资费用的等年值,CL为网络损耗年费用,k为衡量对用户停电重视程度的参数,Cl,com为未选中线路的用户停电损失费用,l为用户,M为总用户数;
所述网架规划约束条件,通过以下公式表示:
其中,i与j均为节点,L为节点集,Pi,t为在时间t内从节点i输入到微电网的有功功率,S(j)为与i节点连接的所有线路集,Pi,j,t为在时间t内从节点i向节点j输送的有功功率,Qi,t为在时间t内从节点i输入到微电网的无功功率,Qi,j,t为在时间t内从节点i向节点j输送的无功功率。
本发明第二方面提供一种适应多场景的微电网一体化柔性规划系统,包括:
数据获取模块,用于获取目标规划地区的相关数据;其中,所述相关数据包括:地理位置信息、风光条件信息、场地条件信息及负荷需求数据;
微电网类型及组成确定模块,用于通过预设的专家系统,根据所述相关数据选择微电网类型及微电网组成;
容量规划目标函数及约束条件确定模块,用于根据所述相关数据、所述微电网类型及所述微电网组成,构建容量规划目标函数,并确定容量规划约束条件;
机组容量规划结果确定模块,用于通过混合整数优化算法,根据所述容量规划目标函数及所述规划约束条件,得到机组容量规划结果;
合理性判断模块,用于判断所述机组容量规划结果的合理性;
网架规划目标函数及约束条件确定模块,用于若所述机组容量规划结果合理,则根据所述相关数据、所述微电网类型、所述微电网组成及所述机组容量规划结果,构建网架规划目标函数,并确定网架规划约束条件;
最优网架结构计算模块,用于通过粒子群优化算法,根据所述网架规划目标函数及所述网架规划约束条件,得到最优网架结构。
进一步地,所述判断所述机组容量规划结果的合理性之后,还包括:微电网类型及组成二次确定模块,用于:
若所述机组容量规划结果不合理,则重新根据所述相关数据选择微电网类型及微电网组成。
进一步地,所述容量规划目标函数,通过以下公式表示:
min C=CDG+CDGY+CDGF+CCN+CCNY+CHJ-CHB+CPCC;
其中,C为容量规划总成本,CDG为DG年投资费用,CDGY为DG年运行维护费用,CDGF为DG年燃料成本,CCN为储能年投资费用,CCNY为储能年运行维护费用,CHJ为DG年环境成本,CHB为环保补贴,CPCC为网络购电成本。
进一步地,所述容量规划约束条件,通过以下公式表示:
GWT(min)≤GWT≤GWT(max);
GPV(min)≤GPV≤GPV(max);
GMT(min)≤GMT≤GMT(max);
其中,GWT(min)为风机的装机容量下限,GWT为风机的实际装机容量,GWT(max)为风机的装机容量上限,GPV(min)为光伏的装机容量下限,GPV为光伏的实际装机容量,GPV(max)为光伏的装机容量上限,GMT(min)为柴油机的装机容量下限,GMT为柴油机的实际装机容量,GMT(max)为柴油机的装机容量上限。
进一步地,所述网架规划目标函数,通过以下公式表示:
min C=Cline+CL+k∑l∈MCl,com;
其中,C为网架规划总成本,Cline为线路投资费用的等年值,CL为网络损耗年费用,k为衡量对用户停电重视程度的参数,Cl,com为未选中线路的用户停电损失费用,l为用户,M为总用户数;
所述网架规划约束条件,通过以下公式表示:
其中,i与j均为节点,L为节点集,Pi,t为在时间t内从节点i输入到微电网的有功功率,S(j)为与i节点连接的所有线路集,Pi,j,t为在时间t内从节点i向节点j输送的有功功率,Qi,t为在时间t内从节点i输入到微电网的无功功率,Qi,j,t为在时间t内从节点i向节点j输送的无功功率。
与现有技术相比,本发明实施例的有益效果在于:
本发明提供了一种适应多场景的微电网一体化柔性规划方法及系统,其中方法包括:获取目标规划地区的相关数据;其中,所述相关数据包括:地理位置信息、风光条件信息、场地条件信息及负荷需求数据;通过预设的专家系统,根据所述相关数据选择微电网类型及微电网组成;根据所述相关数据、所述微电网类型及所述微电网组成,构建容量规划目标函数,并确定容量规划约束条件;通过混合整数优化算法,根据所述容量规划目标函数及所述规划约束条件,得到机组容量规划结果;判断所述机组容量规划结果的合理性;若所述机组容量规划结果合理,则根据所述相关数据、所述微电网类型、所述微电网组成及所述机组容量规划结果,构建网架规划目标函数,并确定网架规划约束条件;通过粒子群优化算法,根据所述网架规划目标函数及所述网架规划约束条件,得到最优网架结构。第一,本发明以经济性为目标,综合考虑可靠性与经济性的容量规划模型,目标函数中引入了环境成本,考虑了可再生能源在环保性上的优势;约束条件中引入了电量交易约束、可持续供电约束与失负荷概率约束,可灵活选取限值以满足不同程度的可靠性需求。第二,本发明兼顾可靠性的网架规划模型,目标函数中引入了未建设线路的用户停电损失费用,根据k值的不同可满足不同的可靠性需要。第三,本发明提供的一体化规划系统各部分的规划顺次独立进行,不同部分间的输入与输出紧密联系,实现了微电网规划的整体统一。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种适应多场景的微电网一体化柔性规划方法的流程图;
图2是本发明另一实施例提供的一种适应多场景的微电网一体化柔性规划方法的流程图;
图3是本发明某一实施例提供的一种适应多场景的微电网一体化柔性规划系统的装置图;
图4是本发明某一实施例提供的一种电子设备的结构图。
具体实施方式
下面将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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
第一方面。
请参阅图1,本发明一实施例提供一种适应多场景的微电网一体化柔性规划方法,包括:
S10、获取目标规划地区的相关数据。其中,所述相关数据包括:地理位置信息、风光条件信息、场地条件信息及负荷需求数据。
S20、通过预设的专家系统,根据所述相关数据选择微电网类型及微电网组成。
S30、根据所述相关数据、所述微电网类型及所述微电网组成,构建容量规划目标函数,并确定容量规划约束条件。
优选地,所述容量规划目标函数,通过以下公式表示:
min C=CDG+CDGY+CDGF+CCN+CCNY+CHJ-CHB+CPCC;
其中,C为容量规划总成本,CDG为DG年投资费用,CDGY为DG年运行维护费用,CDGF为DG年燃料成本,CCN为储能年投资费用,CCNY为储能年运行维护费用,CHJ为DG年环境成本,CHB为环保补贴,CPCC为网络购电成本。
所述容量规划约束条件,通过以下公式表示:
GWT(min)≤GWT≤GWT(max);
GPV(min)≤GPV≤GPV(max);
GMT(min)≤GMT≤GMT(max);
其中,GWT(min)为风机的装机容量下限,GWT为风机的实际装机容量,GWT(max)为风机的装机容量上限,GPV(min)为光伏的装机容量下限,GPV为光伏的实际装机容量,GPV(max)为光伏的装机容量上限,GMT(min)为柴油机的装机容量下限,GMT为柴油机的实际装机容量,GMT(max)为柴油机的装机容量上限。
S40、通过混合整数优化算法,根据所述容量规划目标函数及所述规划约束条件,得到机组容量规划结果。
S50、判断所述机组容量规划结果的合理性。
S60、若所述机组容量规划结果合理,则根据所述相关数据、所述微电网类型、所述微电网组成及所述机组容量规划结果,构建网架规划目标函数,并确定网架规划约束条件。
优选地,所述网架规划目标函数,通过以下公式表示:
min C=Cline+CL+k∑l∈MCl,com;
其中,C为网架规划总成本,Cline为线路投资费用的等年值,CL为网络损耗年费用,k为衡量对用户停电重视程度的参数,Cl,com为未选中线路的用户停电损失费用,l为用户,M为总用户数。
所述网架规划约束条件,通过以下公式表示:
其中,i与j均为节点,L为节点集,Pi,t为在时间t内从节点i输入到微电网的有功功率,S(j)为与i节点连接的所有线路集,Pi,j,t为在时间t内从节点i向节点j输送的有功功率,Qi,t为在时间t内从节点i输入到微电网的无功功率,Qi,j,t为在时间t内从节点i向节点j输送的无功功率。
S70、通过粒子群优化算法,根据所述网架规划目标函数及所述网架规划约束条件,得到最优网架结构。
在本发明实施例的一具体实施方式中,所述判断所述机组容量规划结果的合理性之后,还包括:
若所述机组容量规划结果不合理,则重新根据所述相关数据选择微电网类型及微电网组成。
第一,本发明以经济性为目标,综合考虑可靠性与经济性的容量规划模型,目标函数中引入了环境成本,考虑了可再生能源在环保性上的优势;约束条件中引入了电量交易约束、可持续供电约束与失负荷概率约束,可灵活选取限值以满足不同程度的可靠性需求。第二,本发明兼顾可靠性的网架规划模型,目标函数中引入了未建设线路的用户停电损失费用,根据k值的不同可满足不同的可靠性需要。第三,本发明提供的一体化规划系统各部分的规划顺次独立进行,不同部分间的输入与输出紧密联系,实现了微电网规划的整体统一。
请参阅图2,在本发明某一具体实施例中,本发明提供一种适应多场景的微电网一体化柔性规划方法,分为以下三部分:微电网类型与组成判断、容量规划、网架规划。
第一部分,微电网的类型与组成判断。微电网中的分布式电源由风机、光伏、燃气轮机、柴油机中的一种或多种组成,可进行并网型或独立型两种组网类型建设。对规划地区的风光条件、场地条件等进行调研与数据获取,通过专家系统进行微电网组网类型选择与组成选择并确定分布式电源与储能的建设位置与建设容量极限。
第二部分,容量规划。微电网的容量规划主要分为以下两个部分:(1)建立容量规划模型,(2)混合整数优化算法求解。
(1)建立容量规划模型:
综合考虑微电网对经济性、可靠性、环保性的要求建立微电网容量规划模型。
目标函数上,以经济性最优为目标,兼顾可靠性与环保性的要求,优化的目标是年总成本最低,如下:
min C=CDG+CDGY+CDGF+CCN+CCNY+CHJ-CHB+CPCC;
其中,CDG为DG年投资费用,CDGY为DG年运行维护费用,CDGF为DG年燃料成本,CCN为储能年投资费用,CCNY为储能年运行维护费用,CHJ为DG年环境成本,CHB为环保补贴,CPCC为网络购电成本。
在约束条件上,除常规的约束条件外,还包括特有的可靠性约束,如下:
1.1)电量交易约束:
对并网型微电网,为了保证微电网的相对独立运行,要求微电网与上级电网的全年电能交易量不超过微电网全年用电量的50%,即:
其中,Epcc,t为t时段微电网与上级电网联络线上的实际功率,n为数据时段总数,P(t)为t时段负荷平均值,Δt为每段t的长度;
1.2)可持续供电约束:
对于并网型微电网,要求在任何时刻微电网与上级电网断开连接时,均能保证微电网内重要负荷持续供电一段时间,以2小时为例,即:
PWT(t)+PWT(t+1)+PPV(t)+PPV(t+1)+PMT(t);
PMT(t+1)+WCN(t)≥P(t)+P(t+1)t=0,1,...,n-1;
其中,PWT(t)为风机t时段功率,PPV(t)为光伏t时段功率,PMT(t)为燃气轮机或柴油机t时段功率,WCN(t)为储能t时刻剩余能量;根据实际需要,可调整供电时长需求。
1.3)失负荷概率约束:
定义失负荷概率为所有DG发电量无法满足负荷需求的概率,为尽量满足负荷用电需求,要求失负荷概率小于某一给定值,即:
LPSP≤LPSPmax
其中,LPSP为失负荷概率,LPSPmax为失负荷概率允许的最大值。
(2)混合整数优化算法求解:
不同类型的电源与储能的约束条件各不相同,必须将约束条件转化为适应混合整数优化算法的条件:
光伏和风机要按照对环境参数的计算与分析,确定机组类型与预测对应环境下的出力曲线,此时光伏与风机的容量规划转化为光伏阵列与风电机组的数量规划,光伏与风机的容量上限转化为光伏阵列与风电机组的数量上限;
储能要根据前一时段充放电情况更新荷电状态,并考虑储能上下限与储能爬坡率,确定下一时段允许的充放电功率范围;
对于不同类型与组成的微电网的规划可通过目标函数与约束条件的适当调整实现。
采用matlab调用gurobi求解该混合整数优化问题,若规划结果不合理,应返回专家系统重新选择微电网的类型与组成。
第三部分,网架规划。微电网的网架规划主要分为以下两个部分:(1)建立网架规划模型,(2)粒子群优化算法求解。
(1)建立网架规划模型:
综合考虑经济性与可靠性的要求,采用将经济性费用与可靠性费用按比例相加的方式给出目标函数,采用粒子群算法求解,优化目标是总成本最小。目标函数表示如下:
其中,Cline为线路投资费用的等年值;CL为网络损耗年费用,k为衡量对用户停电重视程度的参数,Cl,com为未选中线路的用户停电损失费用,l为用户,M为总用户数。需要说明的是,未选中线路的用户停电损失费用仅为考虑用户供电可靠性的虚拟费用,并非实际费用。其物理意义与计算方法如下:
在实际应用时,要求符合量大、负荷重要性程度高的负荷其连接的线路相对更多以保证对重要负荷的可靠供电,若等效到线路,则希望优先选择连接负荷量大、负荷重要性程度高节点的线路,即可靠性目标为建设线路的用户停电损失费用最大化。规划地区可选择的总线路数量一定,可靠性目标即转化为未建设线路的用户停电损失费用最小化。其计算公式为:
(2)粒子群优化算法求解:
粒子群优化算法求解步骤如下:
2.1)初始化粒子种群。
2.2)更新每个粒子的速度。
粒子速度更新式如下:
vi=w*vi-1+c1*rand*(pbesti-prei)+c2*rand*(gbest-prei);
其中,w为惯性权重;c1为自我学习因子;rand为0至1的随机数;pbesti为粒子i的历史最优位置;prei为粒子i的当前位置;c2为群体学习因子;gbest为种群历史最优位置;当更新后的粒子速度超出允许范围时,应将粒子速度限制在边界值,即:
其中,vmax为粒子最大允许速度,vmin为粒子最小允许速度。
更新粒子位置。粒子位置更新式如下:
prei+1=prei+vi;
2.3)进行潮流计算。
对满足连通性约束的粒子进行潮流计算,解得网络损耗费用。不满足连通性约束的粒子直接转到步骤2.4。
2.4)判断所有粒子是否满足约束条件。
满足约束条件的粒子求出其在该位置的适应度,不满足约束条件的粒子其适应度取无限大。
2.5)更新粒子与种群的历史最佳位置与历史最佳适应度。
2.6)判断是否达到迭代次数上限,若不满足,则转到步骤2;若满足,则此时种群历史最佳位置即为最优网架结构。
本发明的优点如下:
(1)以经济性为目标,综合考虑可靠性与经济性的容量规划模型。目标函数中引入了环境成本,考虑了可再生能源在环保性上的优势;约束条件中引入了电量交易约束、可持续供电约束与失负荷概率约束,可灵活选取限值以满足不同程度的可靠性需求。
(2)以经济性为目标,兼顾可靠性的网架规划模型。目标函数中引入了未建设线路的用户停电损失费用,根据k值的不同可满足不同的可靠性需要。
(3)一体化规划系统各部分的规划顺次独立进行,不同部分间的输入与输出紧密联系,实现了微电网规划的整体统一。
第二方面。
请参阅图3,本发明一实施例提供一种适应多场景的微电网一体化柔性规划系统,包括:
数据获取模块10,用于获取目标规划地区的相关数据。其中,所述相关数据包括:地理位置信息、风光条件信息、场地条件信息及负荷需求数据。
微电网类型及组成确定模块20,用于通过预设的专家系统,根据所述相关数据选择微电网类型及微电网组成。
容量规划目标函数及约束条件确定模块30,用于根据所述相关数据、所述微电网类型及所述微电网组成,构建容量规划目标函数,并确定容量规划约束条件。
优选地,所述容量规划目标函数,通过以下公式表示:
min C=CDG+CDGY+CDGF+CCN+CCNY+CHJ-CHB+CPCC;
其中,C为容量规划总成本,CDG为DG年投资费用,CDGY为DG年运行维护费用,CDGF为DG年燃料成本,CCN为储能年投资费用,CCNY为储能年运行维护费用,CHJ为DG年环境成本,CHB为环保补贴,CPCC为网络购电成本。
所述容量规划约束条件,通过以下公式表示:
GWT(min)≤GWT≤GWT(max);
GPV(min)≤GPV≤GPV(max);
GMT(min)≤GMT≤GMT(max);
其中,GWT(min)为风机的装机容量下限,GWT为风机的实际装机容量,GWT(max)为风机的装机容量上限,GPV(min)为光伏的装机容量下限,GPV为光伏的实际装机容量,GPV(max)为光伏的装机容量上限,GMT(min)为柴油机的装机容量下限,GMT为柴油机的实际装机容量,GMT(max)为柴油机的装机容量上限。
机组容量规划结果确定模块40,用于通过混合整数优化算法,根据所述容量规划目标函数及所述规划约束条件,得到机组容量规划结果。
合理性判断模块50,用于判断所述机组容量规划结果的合理性。
网架规划目标函数及约束条件确定模块60,用于若所述机组容量规划结果合理,则根据所述相关数据、所述微电网类型、所述微电网组成及所述机组容量规划结果,构建网架规划目标函数,并确定网架规划约束条件。
优选地,所述网架规划目标函数,通过以下公式表示:
min C=Cline+CL+k∑l∈MCl,com;
其中,C为网架规划总成本,Cline为线路投资费用的等年值,CL为网络损耗年费用,k为衡量对用户停电重视程度的参数,Cl,com为未选中线路的用户停电损失费用,l为用户,M为总用户数。
所述网架规划约束条件,通过以下公式表示:
其中,i与j均为节点,L为节点集,Pi,t为在时间t内从节点i输入到微电网的有功功率,S(j)为与i节点连接的所有线路集,Pi,j,t为在时间t内从节点i向节点j输送的有功功率,Qi,t为在时间t内从节点i输入到微电网的无功功率,Qi,j,t为在时间t内从节点i向节点j输送的无功功率。
最优网架结构计算模块70,用于通过粒子群优化算法,根据所述网架规划目标函数及所述网架规划约束条件,得到最优网架结构。
在本发明实施例的一具体实施方式中,还包括:
微电网类型及组成二次确定模块,用于:
若所述机组容量规划结果不合理,则重新根据所述相关数据选择微电网类型及微电网组成。
第一,本发明以经济性为目标,综合考虑可靠性与经济性的容量规划模型,目标函数中引入了环境成本,考虑了可再生能源在环保性上的优势;约束条件中引入了电量交易约束、可持续供电约束与失负荷概率约束,可灵活选取限值以满足不同程度的可靠性需求。第二,本发明兼顾可靠性的网架规划模型,目标函数中引入了未建设线路的用户停电损失费用,根据k值的不同可满足不同的可靠性需要。第三,本发明提供的一体化规划系统各部分的规划顺次独立进行,不同部分间的输入与输出紧密联系,实现了微电网规划的整体统一。
第三方面。
本发明提供了一种电子设备,该电子设备包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,可执行指令使处理器执行如本申请的第一方面所示的一种适应多场景的微电网一体化柔性规划方法对应的操作。
在一个可选实施例中提供了一种电子设备,如图4所示,图4所示的电子设备5000包括:处理器5001和存储器5003。其中,处理器5001和存储器5003相连,如通过总线5002相连。可选地,电子设备5000还可以包括收发7器5004。需要说明的是,实际应用中收发器5004不限于一个,该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器5001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线5002可包括一通路,在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码,并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的一种适应多场景的微电网一体化柔性规划方法。
本申请的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种适应多场景的微电网一体化柔性规划方法,其特征在于,包括:
获取目标规划地区的相关数据;其中,所述相关数据包括:地理位置信息、风光条件信息、场地条件信息及负荷需求数据;
通过预设的专家系统,根据所述相关数据选择微电网类型及微电网组成;
根据所述相关数据、所述微电网类型及所述微电网组成,构建容量规划目标函数,并确定容量规划约束条件;
通过混合整数优化算法,根据所述容量规划目标函数及所述规划约束条件,得到机组容量规划结果;
判断所述机组容量规划结果的合理性;
若所述机组容量规划结果合理,则根据所述相关数据、所述微电网类型、所述微电网组成及所述机组容量规划结果,构建网架规划目标函数,并确定网架规划约束条件;
通过粒子群优化算法,根据所述网架规划目标函数及所述网架规划约束条件,得到最优网架结构。
2.如权利要求1所述的一种适应多场景的微电网一体化柔性规划方法,其特征在于,所述判断所述机组容量规划结果的合理性之后,还包括:
若所述机组容量规划结果不合理,则重新根据所述相关数据选择微电网类型及微电网组成。
3.如权利要求1所述的一种适应多场景的微电网一体化柔性规划方法,其特征在于,所述容量规划目标函数,通过以下公式表示:
min C=CDG+CDGY+CDGF+CCN+CCNY+CHJ-CHB+CPCC;
其中,C为容量规划总成本,CDG为DG年投资费用,cDGY为DG年运行维护费用,cDGF为DG年燃料成本,CCN为储能年投资费用,CCNY为储能年运行维护费用,CHJ为DG年环境成本,CHB为环保补贴,CPCC为网络购电成本。
4.如权利要求1所述的一种适应多场景的微电网一体化柔性规划方法,其特征在于,所述容量规划约束条件,通过以下公式表示:
GWT(min)≤GWT≤GWT(max);
GPV(min)≤GPV≤GPV(max);
GMT(min)≤GMT≤GMT(max);
其中,GWT(min)为风机的装机容量下限,GWT为风机的实际装机容量,GWT(max)为风机的装机容量上限,GPV(min)为光伏的装机容量下限,GPV为光伏的实际装机容量,GPV(max)为光伏的装机容量上限,GMT(min)为柴油机的装机容量下限,GMT为柴油机的实际装机容量,GMT(max)为柴油机的装机容量上限。
5.如权利要求1所述的一种适应多场景的微电网一体化柔性规划方法,其特征在于,所述网架规划目标函数,通过以下公式表示:
min C=Cline+CL+k∑l∈MCl,com;
其中,C为网架规划总成本,Cline为线路投资费用的等年值,CL为网络损耗年费用,k为衡量对用户停电重视程度的参数,Cl,com为未选中线路的用户停电损失费用,l为用户,M为总用户数;
所述网架规划约束条件,通过以下公式表示:
其中,i与j均为节点,L为节点集,Pi,t为在时间t内从节点i输入到微电网的有功功率,S(j)为与i节点连接的所有线路集,Pi,j,t为在时间t内从节点i向节点j输送的有功功率,Qi,t为在时间t内从节点i输入到微电网的无功功率,Qi,j,t为在时间t内从节点i向节点j输送的无功功率。
6.一种适应多场景的微电网一体化柔性规划系统,其特征在于,包括:
数据获取模块,用于获取目标规划地区的相关数据;其中,所述相关数据包括:地理位置信息、风光条件信息、场地条件信息及负荷需求数据;
微电网类型及组成确定模块,用于通过预设的专家系统,根据所述相关数据选择微电网类型及微电网组成;
容量规划目标函数及约束条件确定模块,用于根据所述相关数据、所述微电网类型及所述微电网组成,构建容量规划目标函数,并确定容量规划约束条件;
机组容量规划结果确定模块,用于通过混合整数优化算法,根据所述容量规划目标函数及所述规划约束条件,得到机组容量规划结果;
合理性判断模块,用于判断所述机组容量规划结果的合理性;
网架规划目标函数及约束条件确定模块,用于若所述机组容量规划结果合理,则根据所述相关数据、所述微电网类型、所述微电网组成及所述机组容量规划结果,构建网架规划目标函数,并确定网架规划约束条件;
最优网架结构计算模块,用于通过粒子群优化算法,根据所述网架规划目标函数及所述网架规划约束条件,得到最优网架结构。
7.如权利要求6所述的一种适应多场景的微电网一体化柔性规划系统,其特征在于,所述判断所述机组容量规划结果的合理性之后,还包括:微电网类型及组成二次确定模块,用于:
若所述机组容量规划结果不合理,则重新根据所述相关数据选择微电网类型及微电网组成。
8.如权利要求6所述的一种适应多场景的微电网一体化柔性规划系统,其特征在于,所述容量规划目标函数,通过以下公式表示:
min C=CDG+CDGY+CDGF+CCN+CCNY+CHJ-CHB+CPCC;
其中,C为容量规划总成本,CDG为DG年投资费用,CDGY为DG年运行维护费用,CDGF为DG年燃料成本,CCN为储能年投资费用,CCNY为储能年运行维护费用,CHJ为DG年环境成本,CHB为环保补贴,CPCC为网络购电成本。
9.如权利要求6所述的一种适应多场景的微电网一体化柔性规划系统,其特征在于,所述容量规划约束条件,通过以下公式表示:
GWT(min)≤GWT≤GWT(max);
GPV(min)≤GPV≤GPV(max);
GMT(min)≤GMT≤GMT(max);
其中,GWT(min)为风机的装机容量下限,GWT为风机的实际装机容量,GWT(max)为风机的装机容量上限,GPV(min)为光伏的装机容量下限,GPV为光伏的实际装机容量,GPV(max)为光伏的装机容量上限,GMT(min)为柴油机的装机容量下限,GMT为柴油机的实际装机容量,GMT(max)为柴油机的装机容量上限。
10.如权利要求6所述的一种适应多场景的微电网一体化柔性规划系统,其特征在于,所述网架规划目标函数,通过以下公式表示:
min C=Cline+CL+k∑l∈MCl,com;
其中,C为网架规划总成本,Cline为线路投资费用的等年值,CL为网络损耗年费用,k为衡量对用户停电重视程度的参数,Cl,com为未选中线路的用户停电损失费用,l为用户,M为总用户数;
所述网架规划约束条件,通过以下公式表示:
其中,i与j均为节点,L为节点集,Pi,t为在时间t内从节点i输入到微电网的有功功率,S(j)为与i节点连接的所有线路集,Pi,j,t为在时间t内从节点i向节点j输送的有功功率,Qi,t为在时间t内从节点i输入到微电网的无功功率,Qi,j,t为在时间t内从节点i向节点j输送的无功功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369923.0A CN114091748A (zh) | 2021-11-18 | 2021-11-18 | 一种适应多场景的微电网一体化柔性规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369923.0A CN114091748A (zh) | 2021-11-18 | 2021-11-18 | 一种适应多场景的微电网一体化柔性规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091748A true CN114091748A (zh) | 2022-02-25 |
Family
ID=80301746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111369923.0A Pending CN114091748A (zh) | 2021-11-18 | 2021-11-18 | 一种适应多场景的微电网一体化柔性规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091748A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227232A (zh) * | 2023-04-28 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 主动配电网多阶段规划方法、装置和计算机设备 |
-
2021
- 2021-11-18 CN CN202111369923.0A patent/CN114091748A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227232A (zh) * | 2023-04-28 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 主动配电网多阶段规划方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lian et al. | A review on recent sizing methodologies of hybrid renewable energy systems | |
García-Triviño et al. | Optimized operation combining costs, efficiency and lifetime of a hybrid renewable energy system with energy storage by battery and hydrogen in grid-connected applications | |
Ridha et al. | Multi-objective optimization and multi-criteria decision-making methods for optimal design of standalone photovoltaic system: A comprehensive review | |
Eriksson et al. | Optimization of renewable hybrid energy systems–A multi-objective approach | |
Li et al. | Grid-side flexibility of power systems in integrating large-scale renewable generations: A critical review on concepts, formulations and solution approaches | |
Khatib et al. | A review on sizing methodologies of photovoltaic array and storage battery in a standalone photovoltaic system | |
Hainsch et al. | Emission pathways towards a low-carbon energy system for Europe: a model-based analysis of decarbonization scenarios | |
Gaona et al. | Rural microgrids and its potential application in Colombia | |
Khasanov et al. | Optimal distributed generation and battery energy storage units integration in distribution systems considering power generation uncertainty | |
Solomon et al. | The role of large-scale energy storage design and dispatch in the power grid: A study of very high grid penetration of variable renewable resources | |
Conejo et al. | Long-term coordination of transmission and storage to integrate wind power | |
Kumar et al. | Optimal techno-economic sizing of a solar-biomass-battery hybrid system for off-setting dependency on diesel generators for microgrid facilities | |
Kusakana | Optimal operation control of hybrid renewable energy systems | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
Haddad et al. | Combined it and power supply infrastructure sizing for standalone green data centers | |
Singh et al. | Techno-socio-economic-environmental estimation of hybrid renewable energy system using two-phase swarm-evolutionary algorithm | |
CN114091748A (zh) | 一种适应多场景的微电网一体化柔性规划方法及系统 | |
Zhang et al. | Optimal energy and reserve scheduling in a renewable-dominant power system | |
Nayak et al. | A multi-objective renewable energy-based algorithm for geographically distributed datacentres | |
Hasan et al. | Comparative techno-economic analyses and optimization of standalone and grid-tied renewable energy systems for South Asia and Sub-Saharan Africa | |
JP6736496B2 (ja) | 設備設計支援方法、設備設計支援装置、およびプログラム | |
Suresh et al. | Optimal Planning of solar PV/WTG/DG/battery connected integrated renewable energy systems for residential applications using hybrid optimization | |
Ganesan et al. | Dynamic and intelligent load servicing strategy for a stand-alone solar PV-based microgrid | |
Yang et al. | Risk-averse two-stage distributionally robust economic dispatch model under uncertain renewable energy |
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 |