CN114118532A - 孤岛微网的调度方法、装置、计算机设备、存储介质 - Google Patents

孤岛微网的调度方法、装置、计算机设备、存储介质 Download PDF

Info

Publication number
CN114118532A
CN114118532A CN202111309255.2A CN202111309255A CN114118532A CN 114118532 A CN114118532 A CN 114118532A CN 202111309255 A CN202111309255 A CN 202111309255A CN 114118532 A CN114118532 A CN 114118532A
Authority
CN
China
Prior art keywords
day
ahead
scheduling
objective function
power
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
CN202111309255.2A
Other languages
English (en)
Inventor
杜进桥
田杰
李艳
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202111309255.2A priority Critical patent/CN114118532A/zh
Publication of CN114118532A publication Critical patent/CN114118532A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种孤岛微网的调度方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取可再生能源发电设备的日前预测功率；根据日前预测功率及功率预测误差概率分布函数，抽样获得可再生能源出力曲线场景；根据可再生能源出力曲线场景构建日前调度目标函数，并建立日前调度目标函数的约束条件；滚动优化前瞻周期内的混合储能设备的运行成本，构建日内调度目标函数；求解日前调度目标函数，利用求解结果构建日内调度目标函数的约束条件；求解日内调度目标函数，并根据求解结果对所述孤岛微网进行调度。采用本方法能够提高孤岛微网调度方法的准确性，降低孤岛微网的运行成本。

Description

孤岛微网的调度方法、装置、计算机设备、存储介质
技术领域
本申请涉及电力技术领域，特别是涉及一种孤岛微网的调度方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力技术的发展，出现了预测可再生能源发电功率技术。目前的孤岛微网调度技术常采用预测可再生能源发电功率和建筑储热系统联合来实现孤岛微电网的调度，但是现有研究大都假定前瞻周期内所有时刻的可再生能源发电功率预测误差完全相同，导致孤岛微网调度的决策相对理想，实际应用效果大打折扣。
发明内容
基于此，有必要针对上述技术问题，提供一种孤岛微网调度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种孤岛微网的调度方法，所述孤岛微网包括可再生能源发电设备、柴机和混合储能设备。所述方法包括：
获取可再生能源发电设备的日前预测功率；
根据所述日前预测功率以及功率预测误差概率分布函数进行抽样，获得预设数量的可再生能源出力曲线场景；
根据所述预设数量的可再生能源出力曲线场景构建以所述柴机和所述混合储能设备运行成本最低为目标的日前调度目标函数，并根据所述柴机和所述混合储能设备的运行成本以及运行成本折现率建立所述日前调度目标函数的约束条件；
采用模型预测控制策略滚动优化前瞻周期内的柴机和混合储能设备的运行成本，构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数；
求解所述日前调度目标函数，利用求解结果构建所述日内调度目标函数的约束条件；
求解所述日内调度目标函数，并根据求解结果对所述孤岛微网进行调度。
在其中一个实施例中，所述可再生能源发电设备包括风力发电设备和光伏发电设备，所述获取可再生能源发电设备的日前预测功率的步骤包括：
从孤岛微网调度中心获得日后的风力数据、日后的日照强度数据、风机的额定功率、标准测试条件下光伏电池输出的最大测试功率、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及参考温度；
根据日后的风力数据和风机的额定功率确定所述风力发电设备的日前预测功率；
根据所述标准测试条件下光伏电池输出的最大测试功率、所述日后的日照强度数据、所述标准测试条件下的日照强度、所述功率温度系数、所述电池板的工作温度以及所述参考温度确定所述光伏发电设备的日前预测功率。
在其中一个实施例中，所述混合储能设备包括电池和相变储热系统。
在其中一个实施例中，所述根据所述柴机和所述混合储能设备的运行成本参数以及运行成本折现率建立所述日前调度目标函数的约束条件步骤包括：
获取调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数；
根据所述调度周期、所述折现系数、所述不同可再生能源出力曲线场景下对应的柴机运行成本参数和所述电池运行成本参数构建所述日前调度目标函数的约束条件。
在其中一个实施例中，所述构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数步骤包括：
获取前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数；
根据所述前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数。
在其中一个实施例中，所述求解结果包括所述日前调度目标函数对应的相变储热系统的热负荷状态和电池的电池荷电状态。
第二方面，本申请还提供了一种孤岛微网调度装置，所述装置包括：
功率获取模块，用于获取可再生能源发电设备的日前预测功率；
场景获取模块，用于根据所述日前预测功率以及功率预测误差概率分布函数进行抽样，获得预设数量的可再生能源出力曲线场景；
第一目标函数构建模块，用于根据所述预设数量的可再生能源出力曲线场景构建以所述柴机和所述混合储能设备运行成本最低为目标的日前调度目标函数，并根据所述柴机和所述混合储能设备的运行成本以及运行成本折现率建立所述日前调度目标函数的约束条件；
第二目标函数构建模块，用于采用模型预测控制策略滚动优化前瞻周期内的柴机和混合储能设备的运行成本，构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数；
约束构建模块，用于求解所述日前调度目标函数，利用求解结果构建所述日内调度目标函数的约束条件；
求解调度模块，用于求解所述日内调度目标函数，并根据求解结果对所述孤岛微网进行调度。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述孤岛微网调度方法、装置、计算机设备、存储介质和计算机程序产品，通过获取可再生能源设备的日前预测功率，并根据所述日前预测功率和功率预测误差概率分布函数通过抽样获得预设数量对应的可再生能源出力曲线场景。根据所述预设数量对应的可再生能源出力曲线场景构建以所述柴机和所述混合储能设备运行成本成本最低为目标的日前调度目标函数，并根据所述柴机和所述混合储能设备的运行成本参数及运行成本折现率建立所述日前调度目标函数的约束条件。滚动优化前瞻周期内的混合储能设备的运行成本，构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数；所述柴机和所述混合储能设备的运行成本通过在前瞻周期内滚动优化后与实际结果的差异更小。求解所述日前调度目标函数，利用求解结果构建所述日内调度目标函数的约束条件；求解所述日内调度目标函数，并根据求解结果对所述孤岛微网进行调度。本申请考虑了不同前瞻周期内的预测误差不同，通过对相应时刻的运行成本折现后滚动优化调度，可以最大化降低预测误差对孤岛微网的不利影响，同时采用日前-日内的双层调度策略，提高了电网的运行经济性。
附图说明
图1为一个实施例中孤岛微网调度方法的应用环境图；
图2为一个实施例中孤岛微网调度方法的流程示意图；
图3为一个实施例中柴机、电池、热泵和净负荷功率平衡关系示意图；
图4为另一个实施例中电池充放电功率和SOC曲线图；
图5为一个实施例中相变储热储能系统运行功率和SOC曲线图；
图6为一个实施例中获取可再生能源发电设备的日前预测功率的步骤流程示意图；
图7为一个实施例中根据所述混合储能设备的运行成本参数以及运行成本折现率建立所述日前调度目标函数的约束条件的步骤流程示意图；
图8为一个实施例中构建以所述柴机盒所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数的步骤流程示意图；
图9为一个实施例中孤岛微网调度装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的孤岛微网调度方法，可以应用于如图1所示的应用环境中。其中，服务器102通过网络与孤岛微网104进行通信，服务器102从孤岛微网104获取信息，并将调度策略发送至孤岛微网104。其中，服务器102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种孤岛微网的调度方法，所述孤岛微网包括可再生能源发电设备、柴机和混合储能设备，以该方法应用于图1 中的孤岛微网104为例进行说明，包括以下步骤：
步骤202，获取可再生能源发电设备的日前预测功率。
其中，日前预测功率是预测的未来24小时内可再生能源发电设备的发电功率，如今天内预测明天0：00—24：00内可再生能源发电设备的发电功率，得到的即可再生能源发电设备的日前预测功率。
步骤204，根据所述日前预测功率以及功率预测误差概率分布函数进行抽样，获得预设数量的可再生能源出力曲线场景。
其中，可再生能源发电设备的日前预测功率包括风力发电设备和光伏发电设备的日前功率预测，它们的日前功率预测误差分别服从贝塔分布函数和正态分布函数；可再生能源出力曲线场景是表示在孤岛微网调度中可再生能源不同时刻的日前预测功率的一个矩阵。功率预测误差在以下实施例中指日前预测功率误差。
在一个实施例中，风力发电设备的日前功率预测误差概率分布服从的贝塔分布函数可以表示为：
Figure BDA0003341281280000051
式中的参数α＝4.2、β＝9.8；Pt WT为风力发电设备(如风机)的日前预测功率；
Figure BDA0003341281280000061
为风力发电设备(如风机)的额定功率。
在一个实施例中，光伏发电设备的日前功率预测误差概率分布服从的正态分布函数可以表示为：
Figure BDA0003341281280000062
式中的参数μPV＝0、σPV＝0.3；Pt PV为光伏发电设备的日前预测功率。
在一个实施例中，根据风力发电设备和光伏发电设备的日前预测功率以及日前预测功率误差服从的贝塔分布函数和正态分布函数，采用蒙特卡洛抽样技术生成预设数量S(如S＝5)个日内可能发生的可再生能源出力曲线场景，如一个5维矩阵：
Figure BDA0003341281280000063
其中：
Figure BDA0003341281280000064
表示场景s(s＝1,2,3,4,5)中t时刻光伏发电设备和风力发电设备的发电功率之和。
步骤206，根据所述预设数量的可再生能源出力曲线场景构建以所述柴机和所述混合储能设备运行成本最低为目标的日前调度目标函数，并根据所述柴机和所述混合储能设备的运行成本以及运行成本折现率建立所述日前调度目标函数的约束条件。
其中，日前调度目标函数是预测的24小时前所得到的调度目标函数；本申请中的运行成本包括但不限于时间和资源。
在一个实施例中，根据预设数量S(如S＝5)个日内可能发生的可再生能源出力曲线场景，构建所述柴机和以混合储能设备运行成本最低为目标的日前调度目标函数，并根据柴机和混合储能设备的运行成本以及运行成本折现率建立所述日前调度目标函数的约束条件。
其中日前调度目标函数可以表示为：
Figure BDA0003341281280000071
式中，S为场景；T为前瞻周期；t为前瞻时长的数值；
Figure BDA0003341281280000072
和
Figure BDA0003341281280000073
分别为场景 s(s＝1,2,…,S)下的柴机发电成本和电池运行成；γt为计及预测误差长时递增效应的折现系数。
步骤208，采用模型预测控制策略滚动优化前瞻周期内的混合储能设备的运行成本，构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数。
其中，前瞻周期是在预测未来24小时的过程中所采取的单位时长，如以3 小时或4小时为一个前瞻周期。在传统技术中，前瞻周期越长，预测参数与实际的参数差异越大，如分别以6小时和3小时为一个前瞻周期来预测未来24小时中混合储能设备的运行成本，最后的结果显示以6小时为一个前瞻周期的预测参数的误差大于以3小时为一个前瞻周期的预测参数。日内调度目标函数是所预测的24小时内的调度目标函数。
在一个实施例中，采用模型预测控制策略，以一个前瞻周期(如以4小时为一个前瞻周期)对未来24小时内柴机和混合储能设备的运行成本进行滚动优化，以混合储能设备在未来4小时内的运行成本之和最小为目标构建
在一个实施例中，假设今天是9月1日0：00，采用模型预测控制策略，以 3小时为一个前瞻周期对9月1日0：00-24：00的柴机和混合储能设备的运行成本进行滚动优化，具体的滚动优化步骤如下：0:00时，制定0：00-3:00的运行计划方案,根据该运行计划确定0:00-1:00的柴机和混合储能设备的运行成本，确定后放弃该运行计划；1:00时，制定1:00-4:00的运行计划，根据该运行计划确定1:00-2：00的柴机和混合储能设备的运行成本，确定后放弃该运行计划；2：00时，制定2:00-5:00的方案，根据该运行计划确定2:00-3:00的柴机和混合储能设备的运行成本，确定后放弃该运行计划……依次类推，23：00 时，制定9月1日23：00至次日2：00的运行计划，根据该运行计划确定23： 00-24：00的柴机和混合储能设备的运行成本，确定后放弃该运行计划，此时完成了对9月1日柴机和混合储能设备运行成本的滚动优化，每次滚动优化时的前瞻周期有重叠部分，使得最终的调度策略准确度更高。
在一个实施例中，以柴机和混合储能设备在未来4小时内的运行成本之和最小为目标构建的日内调度目标函数可以表示为：
Figure BDA0003341281280000081
式中，M是模型预测控制策略的前瞻周期；t为前瞻时长；τ为便于运算引入的前瞻时长的数值变量；
Figure BDA0003341281280000082
γτ分别表示一定前瞻时长(如3个小时)对应的柴机运行成本、电池运行成本、折现系数。
步骤210，求解所述日前调度目标函数，利用求解结果构建所述日内调度目标函数的约束条件。
在一个实施例中，采用yalmip软件调用商业求解器CPLEX求解日前调度目标函数，利用求解结果构建日内调度目标函数的约束条件。
其中，求解日前调度目标函数时，先采用线性化技术将非线性约束(4)转化为(6)～(13)，再利用MATALB平台编码刻画日前调度目标函数，采用yalmip 软件调用商业求解器CPLEX求解日前调度目标函数，得到相变储热系统的热负荷状态和电池的电池荷电状态。(6)～(7)表示柴机实际运行功率和发电成本都可以由固定功率点和相应成本的线性组合表示，(8)表示柴机实际运行功率只能落在单一功率段之内，(9)表示在使用固定功率点的线性组合表示实际运行功率时对应的固定功率点权重之和等于1，(10)～(13)限制了线性组合时只能允许相邻固定功率点参与。
Figure BDA0003341281280000083
Figure BDA0003341281280000084
Figure BDA0003341281280000085
Figure BDA0003341281280000086
Figure BDA0003341281280000087
Figure BDA0003341281280000088
Figure BDA0003341281280000089
Figure BDA00033412812800000810
式中，
Figure BDA00033412812800000811
为
Figure BDA00033412812800000812
场景s(s＝1,2,…,S)下t时刻的柴机发电成本；r为线性化段数的始端；R为线性化段数的末端；R-1为线性化段数的段数；Pr为对应断点的功率；
Figure BDA00033412812800000911
为场景s(s＝1,2,…,S)下线性化段数始端r对应的权重；
Figure BDA0003341281280000092
为场景 s(s＝1,2,…,S)下线性化段数末端R对应的权重；
Figure BDA0003341281280000093
为被选中的分段；
Figure BDA0003341281280000094
为场景s(s＝1,2,…,S)下t时刻对应的权重为1；CG(Pr)表示柴机发电功率等于Pr时的运行成本。
其中，利用求解结果相变储热系统的热负荷状态和电池的电池荷电状态构建的日内调度目标函数的约束条件如(14)～(15)表示：
Figure BDA0003341281280000095
Figure BDA0003341281280000096
式中，
Figure BDA0003341281280000097
和
Figure BDA0003341281280000098
分别表示日前阶段优化得出的相变储热系统的热负荷状态和电池的电池荷电状态；
Figure BDA0003341281280000099
和
Figure BDA00033412812800000910
分别表示日内阶段相变储热系统的热负荷状态和电池的电池荷电状态；t为前瞻时长；M为模型预测控制策略的前瞻周期(如24小时)；H表示相变储热系统；B表示电池。
步骤212，求解所述日内调度目标函数，并根据求解结果对所述孤岛微网进行调度。
在一个实施例中，采用yalmip软件调用商业求解器CPLEX求解日内调度目标函数，分别输出柴机、电池及相变储热系统的运行功率和储能热负荷状态，并对孤岛微网进行调度。输出的柴机、电池及相变储热系统的运行功率和储能荷电状态具体请参见图3(柴机、电池、热泵和净负荷功率平衡关系示意图)、图4(电池充放电功率和SOC曲线图)和图5(相变储热储能系统运行功率和SOC 曲线图)。
在一个实施例中，对孤岛微网的调度结果如：孤岛微网的日运行成本为 10955元，包括柴机发电成本10648元和电池运行成本307元。参见图3可知，柴机、电池和相变储热系统中的热泵三者有机协同，共同维持孤岛电网的功率平衡，并实现了孤岛电网以混合储能设备运行成本最低为目标的运行；图4中图5中电池和相变储热系统的SOC在0～1之间浮动变化，达到了孤岛微网中可再生能源的较高利用率。
上述孤岛微网的调度方法中，通过获取可再生能源设备的日前预测功率，并根据日前预测功率和功率预测误差概率分布函数通过抽样获得预设数量对应的可再生能源出力曲线场景。根据预设数量对应的可再生能源出力曲线场景构建以混合储能设备运行成本成本最低为目标的日前调度目标函数，并根据混合储能设备的运行成本参数及运行成本折现率建立所述日前调度目标函数的约束条件。滚动优化前瞻周期内的混合储能设备的运行成本，构建以混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数；混合储能设备的运行成本通过在前瞻周期内滚动优化后与实际结果的差异更小。采用yalmip 软件调用商业求解器CPLEX求解日前调度目标函数，利用求解结果构建日内调度目标函数的约束条件；采用yalmip软件调用商业求解器CPLEX求解日内调度目标函数，输出混合储能设备的运行功率，并对孤岛微网进行调度。本申请考虑了不同前瞻周期内的预测误差不同，通过对相应时刻的运行成本折现后滚动优化调度，可以最大化降低预测误差对孤岛微网的不利影响，同时采用日前- 日内的双层调度策略，提高了电网的运行经济性。
在一个实施例中，如图6所示，所述可再生能源发电设备包括风力发电设备和光伏发电设备，所述获取可再生能源发电设备的日前预测功率的步骤包括：
步骤602，从孤岛微网调度中心获得日后的风力数据、日后的日照强度数据、风机的额定功率、标准测试条件下光伏电池输出的最大测试功率、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及参考温度。
在一个实施例中，孤岛微网中的孤岛微网调度中心会预测并保存日后的风力数据、日后的日照强度数据，并保存有风机的额定功率、标准测试条件下光伏电池输出的最大测试功率、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及参考温度，服务器102可以直接从孤岛微网调度中心获取上述数据。
步骤604，根据日后的风力数据和风机的额定功率确定所述风力发电设备的日前预测功率。
其中，日后是预测开始时的后24小时内。
在一个实施例中，服务器102根据第二天的风力数据和风力发电设备(如450kW容量的风机装机)的额定功率确定所述风力发电设备(如容量为450kW的风机装机)的日前预测功率：
Figure BDA0003341281280000111
其中，Pt WT为风力发电设备的日前预测功率；vt为t时刻的风速；
Figure BDA0003341281280000112
r和
Figure BDA0003341281280000113
分别为切入风速、额定风速和切出风速；
Figure BDA0003341281280000114
为风机的额定功率。
步骤606，根据所述标准测试条件下光伏电池输出的最大测试功率、所述日后的日照强度数据、所述标准测试条件下的日照强度、所述功率温度系数、所述电池板的工作温度以及所述参考温度确定所述光伏发电设备的日前预测功率。
在一个实施例中，服务器102根据所述标准测试条件下光伏电池输出的最大测试功率、所述日后的日照强度数据、所述标准测试条件下的日照强度、所述功率温度系数、所述电池板的工作温度以及所述参考温度确定所述光伏发电设备(如容量为750kW的光伏装机)的日前预测功率：
PtPV＝PSTCGAC,t[1+ε(Tc,t-Tr)]/GSTC (17)
其中，Pt PV是光伏发电设备的日前预测功率；PSTC为标准测试条件下光伏电池输出的最大测试功率；GAC,t、GSTC分别为t时刻、标准测试条件下的日照强度；ε为功率温度系数；Tc,t为t时刻电池板的工作温度；Tr为参考温度。
本实施例中，服务器102从孤岛微网调度中心获取日后的风力数据、日后的日照强度数据、风机的额定功率、标准测试条件下光伏电池输出的最大测试功率、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及参考温度后，根据日后的风力数据和风机的额定功率确定风机的日前预测功率；再根据标准测试条件下光伏电池输出的最大测试功率、日后的日照强度数据、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及所述参考温度确定所述光伏发电设备的日前预测功率。通过获取第二天的风力数据、日照强度等相关数据使风力发电设备和光伏发电设备的日前预测功率更准确。
在一个实施例中，所述混合储能设备包括电池和相变储热系统。
在一个实施例中，相变储热系统主要利用相变材料的相变过程储存或释放热量，其中通过控制热泵电转热过程能够实现储热；其中，相变材料是一种新型的储热介质，具有潜热吸收/释放量大、造价低廉、使用寿命长等显著优势。柴机、电池和相变储热系统在运行时需满足一定的运行约束条件。其中柴机运行约束可以表示为(18)～(19)。其中，式(18)表示柴机运行功率不能大于额定运行功率，式(19)表示柴机发电功率变化不能大于爬坡速率。
Figure BDA0003341281280000121
Figure BDA0003341281280000122
式中,
Figure BDA0003341281280000123
为柴机在t小时的开机标志；Pt G和
Figure BDA0003341281280000124
分别为柴机t时刻运行功率和额定功率；
Figure BDA00033412812800001222
为柴机t-1时刻运行功率；ΔPG为柴机最大运行爬坡速率。
电池运行约束可以被表示为(20)～(25)，其中，(20)～(22)表示电池不能同时充电和放电，且充电或放电功率不能大于额定功率，(23)表示电池t时刻SOC由前一时刻的SOC和t时刻的充放电功率共同决定，其中的 SOC(Stage of Charge)表示电池荷电状态或储能系统的热负荷状态，(24)表示电池储能限制，(25)要求调度结束时电池储能要回归到初始值。
Figure BDA0003341281280000126
Figure BDA0003341281280000127
Figure BDA0003341281280000128
Figure BDA0003341281280000129
Figure BDA00033412812800001210
Figure BDA00033412812800001211
式中，
Figure BDA00033412812800001212
和
Figure BDA00033412812800001213
分别为电池充电和放电标志；Pt Bc和Pt Bd分别为电池t时刻充电和放电功率；
Figure BDA00033412812800001214
和
Figure BDA00033412812800001215
分别为电池额定充电功率和放电功率；
Figure BDA00033412812800001216
为电池t时刻 SOC；
Figure BDA00033412812800001217
为电池额定容量(如2000kW)；ηB为电池充放电效率(如0.9)；
Figure BDA00033412812800001218
和
Figure BDA00033412812800001219
别为电池SOC的下限和上限，如下限和上限分别为0.1和1.0；
Figure BDA00033412812800001220
和
Figure BDA00033412812800001221
和分别为前瞻周期的开始和末端的电池SOC。
相变储热系统运行约束可以表示为(26)～(30)。其中，(26)表示相变储热系统的实际储能与比热容有关，(27)定义了相变储热系统的SOC，(28)表示相变储热系统t时刻SOC由前一时刻的SOC和t时刻的热泵运行功率和负荷共同决定，(29)表示相变储热系统储能限制，(30)要求调度结束时相变储热系统储能要回归到初始值：
Figure BDA0003341281280000131
Figure BDA0003341281280000132
Figure BDA0003341281280000133
Figure BDA0003341281280000134
Figure BDA0003341281280000135
式中，
Figure BDA0003341281280000136
表示相变储热系统t时刻储热量；mH是相变材料质量；
Figure BDA0003341281280000137
和
Figure BDA0003341281280000138
分别是相变材料t时刻比热容和相变过程最小热容；
Figure BDA0003341281280000139
表示相变储热系统t时刻储热状态；
Figure BDA00033412812800001310
是相变储热系统最大储热量；
Figure BDA00033412812800001311
和ηpump分别是热泵t时刻功率和电热转换效率；
Figure BDA00033412812800001312
是建筑制冷需求；ηH是室外环境和相变材料温度差异引起的热量泄漏率；
Figure BDA00033412812800001313
和
Figure BDA00033412812800001314
分别是相变储热系统SOC的最小值和最大值；
Figure BDA00033412812800001315
和
Figure BDA00033412812800001316
和分别是前瞻周期T的开始和末端的SOC。
本实施例中，混合储能设备包括电池和相变储热系统，其中相变储热系统中包含相变材料，可以提高相变储热系统的灵活调节能力，进而提高微网热电联合调度效果。
在一个实施例中，如图7所示，所述根据所述柴机和所述混合储能设备的运行成本参数以及运行成本折现率建立所述日前调度目标函数的约束条件步骤包括：
步骤702，获取调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数。
在一个实施例中，在一个调度周期(如24小时)内，调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数被调度人员确定并保存在服务器102的指定位置中。
步骤704，根据所述调度周期、所述折现系数、所述不同可再生能源出力曲线场景下对应的柴机运行成本参数和所述电池运行成本参数构建所述日前调度目标函数的约束条件。
其中，柴机运行成本参数是指在计算柴机运行成本过程中的核算参数；电池运行成本参数是指在计算电池运行成本过程中的核算参数。
在一个实施例中，日前调度目标函数的约束条件如(31)～(34)所示。其中，(31)～(32)表示柴机发电成本和电池充放电成本计算公式，(33)表示计及预测误差长时递增效应的运行成本折现率，(34)表示孤岛微网的电功率平衡约束。
Figure BDA0003341281280000141
Figure BDA0003341281280000142
Figure BDA0003341281280000143
Figure BDA0003341281280000144
式中，
Figure BDA0003341281280000145
和
Figure BDA0003341281280000146
分别表示场景s(s＝1,2,…,S)下柴机发电成本和电池运行成本；a、b和c是衡量柴机发电时运行成本的参数，在一个实施例中，a可以为参数9；b可以为参数0.52575/kW；c可以为参数0.0018025/kW2；pB是电池的单位充放电功率成本，如电池的单位充放电功率成本参数为0.3/kWh；
Figure BDA0003341281280000147
和
Figure BDA0003341281280000148
分别为场景s(s＝1,2,…,S)下t时刻电池的充电和放电功率；
Figure BDA0003341281280000149
和Pt load分别为场景s(s＝1,2,…,S)下t时刻热泵的功率和电负荷功率；t是前瞻时长；γt和r 分别是计及预测误差长时递增效应的折现系数和折现率。
在本实施例中，调度人员会根据实际情况提前确定好调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数，并将其保存在服务器102的指定位置中，服务器102通过获取调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数，并根据电池运行成本参数构建日前调度目标函数的约束条件，通过对不同场景下不同时刻的柴机发电成本和电池充放电成本进行核算，核算的柴机发电成本和电池运行成本更准确、更符合实际情况。
在一个实施例中，如图8所示，所述构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数步骤包括：
步骤802，获取前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数。
在一个实施例中，调度人员设置好前瞻周期(如4小时为一个前瞻周期)、前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数，并将其保存在服务器102的指定位置中。
步骤804，根据所述前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本参数最小为目标的日内调度目标函数。
在一个实施例中，服务器102获取并根据前瞻周期时长(如4小时)及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数构建所述柴机和以混合储能设备在前瞻周期内的运行成本参数最小为目标的日内调度目标函数，日内调度目标函数如(35)所示：
Figure BDA0003341281280000151
式中，M为模型预测控制策略的前瞻周期；t为前瞻时长的数值；τ为便于运算引入的前瞻时长的数值变量；
Figure BDA0003341281280000152
γτ”分别为一定前瞻时长(如4小时)对应的柴机运行成本、电池运行成本、折现系数；。
在本实施例中，通过将日内的24小时用一定前瞻时长(如4小时)进行划分，即考虑到不同的前瞻时长对柴机运行成本、电池运行成本、折现系数的影响不同，通过对比不同的前瞻时长对应的柴机运行成本、电池运行成本，使日内调度目标函数更准确，从而降低孤岛微网的运行成本。
在一个实施例中，所述求解结果包括所述日前调度目标函数对应的相变储热系统的热负荷状态和电池的电池荷电状态。
在一个实施例中，先采用线性化技术将非线性约束转换为线性约束，再利用MATALB平台编码刻画日前调度目标函数，采用yalmip软件调用商业求解器 CPLEX求解日前调度目标函数，输出日前调度目标函数对应的相变储热系统和电池的SOC，其中相变储热系统和电池的SOC在0～1之间浮动变化，共同维持了孤岛微网的功率平衡和稳定运行。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的孤岛微网的调度方法的孤岛微网的调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个孤岛微网的调度装置实施例中的具体限定可以参见上文中对于孤岛微网调度方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种孤岛微网调度装置，包括：功率获取模块902、场景获取模块904、第一目标函数构建模块906、第二目标函数构建模块908、约束构建模块910和求解调度模块912，其中：
功率获取模块902，用于获取可再生能源发电设备的日前预测功率；
场景获取模块904，用于根据日前预测功率以及功率预测误差概率分布函数进行抽样，获得预设数量的可再生能源出力曲线场景；
第一目标函数构建模块906，用于根据所述预设数量的可再生能源出力曲线场景构建以所述柴机和所述混合储能设备运行成本最低为目标的日前调度目标函数，并根据所述柴机和所述混合储能设备的运行成本以及运行成本折现率建立所述日前调度目标函数的约束条件；
第二目标函数构建模块908，用于采用模型预测控制策略滚动优化前瞻周期内的柴机和混合储能设备的运行成本，构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数；
约束构建模块910，用于求解所述日前调度目标函数，利用求解结果构建所述日内调度目标函数的约束条件；
求解调度模块912，用于求解日内调度目标函数，并根据求解结果对孤岛微网进行调度。
在一个实施例中，可再生能源发电设备包括风力发电设备、柴机和光伏发电设备，获取可再生能源发电设备的日前预测功率的步骤包括：服务器102从孤岛微网调度中心获得日后的风力数据、日后的日照强度数据、风机的额定功率、标准测试条件下光伏电池输出的最大测试功率、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及参考温度；功率获取模块902根据日后的风力数据和风机的额定功率确定风力发电设备的日前预测功率；功率获取模块902根据标准测试条件下光伏电池输出的最大测试功率、日后的日照强度数据、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及参考温度确定光伏发电设备的日前预测功率。
在一个实施例中，根据柴机和混合储能设备的运行成本参数以及运行成本折现率建立日前调度目标函数的约束条件步骤包括：服务器102获取调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数；第一目标函数构建模块906根据调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数构建日前调度目标函数的约束条件。
在一个实施例中，构建以柴机和混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数步骤包括：服务器102获取前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数；第二目标函数构建模块908根据前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数构建以混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数。
在一个实施例中，求解调度模块912用于求解日内调度目标函数，求解结果包括日前调度目标函数对应的相变储热系统的热负荷状态和电池的电池荷电状态。
上述孤岛微网调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种孤岛微网的调度方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器 (Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory， DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种孤岛微网的调度方法，其特征在于，所述孤岛微网包括可再生能源发电设备、柴机和混合储能设备，所述方法包括：
获取可再生能源发电设备的日前预测功率；
根据所述日前预测功率以及功率预测误差概率分布函数进行抽样，获得预设数量的可再生能源出力曲线场景；
根据所述预设数量的可再生能源出力曲线场景构建以所述柴机和所述混合储能设备运行成本最低为目标的日前调度目标函数，并根据所述柴机和所述混合储能设备的运行成本参数以及运行成本折现率建立所述日前调度目标函数的约束条件；
采用模型预测控制策略滚动优化前瞻周期内的柴机和混合储能设备的运行成本，构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数；
求解所述日前调度目标函数，利用求解结果构建所述日内调度目标函数的约束条件；
求解所述日内调度目标函数，并根据求解结果对所述孤岛微网进行调度。
2.根据权利要求1所述的方法，其特征在于，所述可再生能源发电设备包括风力发电设备和光伏发电设备，所述获取可再生能源发电设备的日前预测功率的步骤包括：
从孤岛微网调度中心获得日后的风力数据、日后的日照强度数据、风机的额定功率、标准测试条件下光伏电池输出的最大测试功率、标准测试条件下的日照强度、功率温度系数、电池板的工作温度以及参考温度；
根据日后的风力数据和风机的额定功率确定所述风力发电设备的日前预测功率；
根据所述标准测试条件下光伏电池输出的最大测试功率、所述日后的日照强度数据、所述标准测试条件下的日照强度、所述功率温度系数、所述电池板的工作温度以及所述参考温度确定所述光伏发电设备的日前预测功率。
3.根据权利要求1所述的方法，其特征在于，所述混合储能设备包括电池和相变储热系统。
4.根据权利要求3所述的方法，其特征在于，所述根据所述柴机和所述混合储能设备的运行成本参数以及运行成本折现率建立所述日前调度目标函数的约束条件步骤包括：
获取调度周期、折现系数、不同可再生能源出力曲线场景下对应的柴机运行成本参数和电池运行成本参数；
根据所述调度周期、所述折现系数、所述不同可再生能源出力曲线场景下对应的柴机运行成本参数和所述电池运行成本参数构建所述日前调度目标函数的约束条件。
5.根据权利要求1所述的方法，其特征在于，所述构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数步骤包括：
获取前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数；
根据所述前瞻周期时长及前瞻时长对应的柴机运行成本参数、电池运行成本参数、折现系数构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数。
6.根据权利要求1所述的方法，其特征在于，所述求解结果包括所述日前调度目标函数对应的相变储热系统的热负荷状态和电池的电池荷电状态。
7.一种孤岛微网的调度装置，其特征在于，所述装置包括：
功率获取模块，用于获取可再生能源发电设备的日前预测功率；
场景获取模块，用于根据所述日前预测功率以及功率预测误差概率分布函数进行抽样，获得预设数量的可再生能源出力曲线场景；
第一目标函数构建模块，用于根据所述预设数量的可再生能源出力曲线场景构建以所述柴机和所述混合储能设备运行成本之和最小为目标的日前调度目标函数，并根据所述柴机和所述混合储能设备的运行成本参数以及运行成本折现率建立所述日前调度目标函数的约束条件；
第二目标函数构建模块，用于采用模型预测控制策略滚动优化前瞻周期内的柴机和混合储能设备的运行成本，构建以所述柴机和所述混合储能设备在前瞻周期内的运行成本之和最小为目标的日内调度目标函数；
约束构建模块，用于求解所述日前调度目标函数，利用求解结果构建所述日内调度目标函数的约束条件；
求解调度模块，用于求解所述日内调度目标函数，并根据求解结果对所述孤岛微网进行调度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202111309255.2A 2021-11-06 2021-11-06 孤岛微网的调度方法、装置、计算机设备、存储介质 Pending CN114118532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111309255.2A CN114118532A (zh) 2021-11-06 2021-11-06 孤岛微网的调度方法、装置、计算机设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111309255.2A CN114118532A (zh) 2021-11-06 2021-11-06 孤岛微网的调度方法、装置、计算机设备、存储介质

Publications (1)

Publication Number Publication Date
CN114118532A true CN114118532A (zh) 2022-03-01

Family

ID=80381197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111309255.2A Pending CN114118532A (zh) 2021-11-06 2021-11-06 孤岛微网的调度方法、装置、计算机设备、存储介质

Country Status (1)

Country Link
CN (1) CN114118532A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115513949A (zh) * 2022-11-02 2022-12-23 南方电网数字电网研究院有限公司 含微网接入的配电系统运行控制方法、装置以及程序产品
CN116757453A (zh) * 2023-08-18 2023-09-15 国网智能电网研究院有限公司 低碳园区建筑集群协调优化调度方法、装置、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104617590A (zh) * 2014-07-18 2015-05-13 国网上海市电力公司 不同时间尺度下基于混合储能调度的微网能量优化方法
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法
CN109066744A (zh) * 2018-08-08 2018-12-21 中国电力科学研究院有限公司 一种含储能配电网协调调度方法和系统
CN109873447A (zh) * 2019-02-19 2019-06-11 国网江苏省电力有限公司南京供电分公司 一种多源协同主动配电网多时间级有功-无功调控方法
CN110224444A (zh) * 2019-05-16 2019-09-10 广东电网有限责任公司 一种海岛微电网多时间尺度协调控制方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN111293691A (zh) * 2020-03-19 2020-06-16 华北电力大学 基于模型预测控制的微电网多时间尺度优化调度方法
CN111697625A (zh) * 2020-06-29 2020-09-22 中国人民解放军国防科技大学 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法
CN111969593A (zh) * 2020-07-24 2020-11-20 南昌大学 基于混合储能的热电联供微网模型预测控制优化调度方法
CN112086998A (zh) * 2020-08-20 2020-12-15 国网山西省电力公司电力科学研究院 孤岛模式下直流微电网的能量优化调度方法
CN112383086A (zh) * 2020-10-22 2021-02-19 广东电网有限责任公司 一种孤岛微电网日前能量-备用联合优化调度方法
CN112736903A (zh) * 2020-12-25 2021-04-30 国网上海能源互联网研究院有限公司 一种海岛微网能量优化调度方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104617590A (zh) * 2014-07-18 2015-05-13 国网上海市电力公司 不同时间尺度下基于混合储能调度的微网能量优化方法
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法
CN109066744A (zh) * 2018-08-08 2018-12-21 中国电力科学研究院有限公司 一种含储能配电网协调调度方法和系统
CN109873447A (zh) * 2019-02-19 2019-06-11 国网江苏省电力有限公司南京供电分公司 一种多源协同主动配电网多时间级有功-无功调控方法
CN110224444A (zh) * 2019-05-16 2019-09-10 广东电网有限责任公司 一种海岛微电网多时间尺度协调控制方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN111293691A (zh) * 2020-03-19 2020-06-16 华北电力大学 基于模型预测控制的微电网多时间尺度优化调度方法
CN111697625A (zh) * 2020-06-29 2020-09-22 中国人民解放军国防科技大学 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法
CN111969593A (zh) * 2020-07-24 2020-11-20 南昌大学 基于混合储能的热电联供微网模型预测控制优化调度方法
CN112086998A (zh) * 2020-08-20 2020-12-15 国网山西省电力公司电力科学研究院 孤岛模式下直流微电网的能量优化调度方法
CN112383086A (zh) * 2020-10-22 2021-02-19 广东电网有限责任公司 一种孤岛微电网日前能量-备用联合优化调度方法
CN112736903A (zh) * 2020-12-25 2021-04-30 国网上海能源互联网研究院有限公司 一种海岛微网能量优化调度方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨龙杰;李华强;余雪莹;赵劲帅;刘万宇;: "计及灵活性的孤岛型微电网多目标日前优化调度方法", 电网技术, no. 05, 12 February 2018 (2018-02-12) *
燕振刚;张雪霞;刘晋勇;钟伟;马锡良;邹兴;: "微网经济调度研究综述", 四川电力技术, no. 02, 20 April 2017 (2017-04-20) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115513949A (zh) * 2022-11-02 2022-12-23 南方电网数字电网研究院有限公司 含微网接入的配电系统运行控制方法、装置以及程序产品
CN116757453A (zh) * 2023-08-18 2023-09-15 国网智能电网研究院有限公司 低碳园区建筑集群协调优化调度方法、装置、设备及介质
CN116757453B (zh) * 2023-08-18 2023-10-27 国网智能电网研究院有限公司 低碳园区建筑集群协调优化调度方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Khezri et al. Optimal planning of solar photovoltaic and battery storage systems for grid-connected residential sector: Review, challenges and new perspectives
Zhang et al. A techno-economic sizing method for grid-connected household photovoltaic battery systems
Wu et al. Optimal battery capacity of grid-connected PV-battery systems considering battery degradation
Guo et al. Multi‐objective stochastic optimal planning method for stand‐alone microgrid system
Dashtdar et al. Design of optimal energy management system in a residential microgrid based on smart control
JP5537304B2 (ja) 情報処理装置およびそのプログラム
Li et al. Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm
Sauhats et al. Optimal investment and operational planning of a storage power plant
CN114938035B (zh) 考虑储能退化成本的共享储能能量调度方法及系统
Mohseni et al. Lévy-flight moth-flame optimisation algorithm-based micro-grid equipment sizing: An integrated investment and operational planning approach
Aldaouab et al. Microgrid cost optimization for a mixed-use building
Molina et al. Optimal EV charge-discharge schedule in smart residential buildings
Negri et al. Combined model predictive control and ANN-based forecasters for jointly acting renewable self-consumers: An environmental and economical evaluation
Sun et al. Optimal day-ahead wind-thermal unit commitment considering statistical and predicted features of wind speeds
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN114202229B (zh) 基于深度强化学习的微电网的能量管理策略的确定方法
CN116070740A (zh) 综合能源系统的优化运行方法、装置和计算机设备
Michael et al. Economic scheduling of virtual power plant in day-ahead and real-time markets considering uncertainties in electrical parameters
Li et al. Two-time-scale coordinated optimal control of building energy systems for demand response considering forecast uncertainties
Thang Optimal sizing of distributed energy resources and battery energy storage system in planning of islanded micro-grids based on life cycle cost
Khoubseresht et al. An analytical optimum method for simultaneous integration of PV, wind turbine and BESS to maximize technical benefits
CN111210048A (zh) 储能容量配置方法、装置、计算机设备及可读存储介质
Rocha et al. Net zero energy cost building system design based on artificial intelligence
CN114118532A (zh) 孤岛微网的调度方法、装置、计算机设备、存储介质
Kamal et al. Optimal energy scheduling of a standalone rural microgrid for reliable power generation using renewable energy resources

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