CN114186811B - 一种微电网系统实时调度模型的构建方法及应用 - Google Patents

一种微电网系统实时调度模型的构建方法及应用 Download PDF

Info

Publication number
CN114186811B
CN114186811B CN202111411868.7A CN202111411868A CN114186811B CN 114186811 B CN114186811 B CN 114186811B CN 202111411868 A CN202111411868 A CN 202111411868A CN 114186811 B CN114186811 B CN 114186811B
Authority
CN
China
Prior art keywords
energy storage
micro
time
grid system
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111411868.7A
Other languages
English (en)
Other versions
CN114186811A (zh
Inventor
艾小猛
薛熙臻
方家琨
姚伟
文劲宇
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111411868.7A priority Critical patent/CN114186811B/zh
Publication of CN114186811A publication Critical patent/CN114186811A/zh
Application granted granted Critical
Publication of CN114186811B publication Critical patent/CN114186811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

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

Abstract

本发明公开了一种微电网系统实时调度模型的构建方法及应用，属于电气工程技术领域，通过考虑储能设备荷电状态变化与储能循环寿命损耗之间的关系，并将储能设备荷电状态与储能循环寿命损耗的关系约束和总调度域时间段内的累积储能寿命损耗的上限约束作为计及储能寿命损耗的约束条件，引入到微电网系统实时调度模型中；该模型充分考虑了储能寿命和储能效益之间的关系，使得在微电网系统实时优化调度过程中能够发挥系统中的储能效益，保证了微电网系统运行的经济性；另外，在进行实时优化调度时，本发明还考虑了微电网系统中风电、光伏、负荷和电价的实时波动对日内实时调度产生的影响，精确度较高。

Description

一种微电网系统实时调度模型的构建方法及应用
技术领域
本发明属于电气工程技术领域，更具体地，涉及一种微电网系统实时调度模型的构建方法及应用。
背景技术
微电网作为消纳风、光等可再生能源的重要形式，在世界范围内获得了快速的发展。由于新能源发电具有随机性和波动性，而储能作为一种灵活性资源，能够促进微电网中新能源的消纳，因此储能是微电网中非常重要的装置。
在微电网的实际运行过程中，储能的充放电动作会导致储能寿命的损耗；且储能寿命损耗越大，储能的寿命越短，储能效益也会也越低；现有的微电网实时优化调度方法大多不计及储能的寿命损耗，且为了降低系统的运行费用，现有的微电网实时优化调度方法对储能的充放电动作并不做限制，只要储能的动作会减少系统的运行费用，储能就会动作；故在现有微电网实时优化调度方法下，储能会频繁动作，储能效益较低。因此如何在微电网的调度中计及储能的寿命损耗，发挥储能的效益，是亟待解决的难题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种微电网系统实时调度模型的构建方法及应用，用以解决现有技术储能效益较低的技术问题。
为了实现上述目的，本发明提供了一种微电网系统实时调度模型的构建方法，包括以下步骤：
S11、基于储能设备的循环寿命损耗与放电深度之间的关系，推导得到储能设备荷电状态变化与储能循环寿命损耗之间的关系，从而得到微电网系统中储能设备的实时储能循环寿命损耗模型；
S12、根据微电网系统中各元件的技术参数，建立微电网系统实时调度模型，并将实时储能循环寿命损耗模型中储能设备荷电状态与储能循环寿命损耗的关系约束和基于实时储能循环寿命损耗模型所得的总调度域时间段内的累积储能寿命损耗的上限约束作为计及储能寿命损耗的约束条件，引入到微电网系统实时调度模型中。
进一步优选地，上述实时储能循环寿命损耗模型为：
Nlife(DOD)＝c/(DOD-d)m
其中，为t时刻储能设备的储能循环寿命损耗；SOCt为t时刻储能设备的荷电状态；F(SOCt)为储能设备从满电量状态放电到SOCt电量状态下的储能寿命损耗；Nlife(DOD)为放电深度为DOD下的储能设备的循环寿命；c、d、m为常数。
进一步优选地，上述步骤S11还包括：在获取到实时储能循环寿命损耗模型后，对实时储能循环寿命损耗模型进行线性化处理。
进一步优选地，对实时储能循环寿命损耗模型按照储能设备的荷电状态进行分段后，分别进行线性化，所得的实时储能循环寿命损耗模型为：
其中，为t时刻储能设备的储能循环寿命损耗；为F(SOCt)的分段线性近似值；Y是储能分段的总数目；M2、ω1和ω2均为绝对值线性化辅助变量；为t时刻储能充电的指示变量，用于指示储能设备是否正在充电；dSOC,y为第y储能分段的斜率，为t时刻第y储能分段的荷电状态；为储能的最大容量；为储能的最小容量；为每个储能分段的荷电状态上限；Uy为第y储能分段的指示变量，用于指示第y储能分段是否占满；M1为大于的常数；∈+为大于或等于0的常数。
进一步优选地，总调度时段内的累积储能寿命损耗的上限约束为：
其中，lt为t时刻储能设备的寿命损耗；为总调度时段内的累积储能寿命损耗的最大值；为储能设备在t时刻的固定寿命损耗；Δt为单次调度时段的间隔。
进一步优选地，上述微电网系统实时调度模型的约束条件还包括：系统潮流约束、气电和燃料电池的爬坡约束、气电和燃料电池的功率上下限约束、风电功率的上下限约束、光伏功率的上下限约束、微电网与外电网交换功率的上下限约束、切负荷功率的上下限约束、无功功率、节点电压、相角的上下限约束，线路传输功率的上下限约束以及储能运行约束。
进一步优选地，上述微电网系统实时调度模型的目标函数为：
其中，J表示微电网系统在总调度域时间段T内的运行费用；Δt为单次调度时段的间隔；Ct(St,xt)为微电网系统t时刻的运行费用；kGG为燃气机组的费用系数；Pt GG为t时刻燃气机组的功率；kFC为燃料电池的费用系数；Pt FC为t时刻燃料电池的功率；pt为t时刻的电价；Pt grid为t时刻微电网与外电网的交换功率；CCur为切负荷惩罚系数；为t时刻微电网节点i的切负荷功率；CWT为弃风惩罚系数；Pt WT,a为t时刻可获得风电；Pt WT为t时刻的风电功率；CPV为弃光惩罚系数，Pt PV,a为t时刻可获得光伏；Pt PV为t时刻的光伏功率；kBES为储能的费用系数；ηc为储能的充电效率；为t时刻储能的充电功率；ηd为储能的放电效率；为t时刻储能的放电功率。
第二方面，本发明提供了一种基于本发明第一方面所提供的微电网系统实时调度模型的构建方法所构建的微电网系统实时调度模型的微电网系统实时优化调度方法，包括以下步骤：
S21、根据实时优化调度过程，将微电网系统实时调度模型重构为马尔科夫决策过程Mt＝<St,xt,It,Ft trans>；St为t时刻微电网系统的状态变量集合；xt为t时刻微电网系统的决策变量集合；It为t时刻微电网系统的随机因素集合；Ft trans为表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程；微电网系统中的随机因素包括：风电、光伏、负荷和电价；
S22、构建微电网系统在St状态下从t时刻到总调度域时间段上限时刻内的最优运行费用函数基于t时刻微电网系统的状态变量集合St，结合t时刻微电网系统中的随机因素，通过最小化最优运行费用函数，求解马尔科夫决策过程，得到微电网系统t时刻的最优决策并根据最优决策对微电网系统进行实时优化调度；其中，Ct(St,xt)为t时刻微电网系统的运行费用；为聚合的决策后的状态变量，包括微电网系统t时刻的储能累积寿命损耗和储能损耗指示变量；储能损耗指示变量，用于指示是由充电造成的储能损耗，还有由放电造成的储能损耗；为所对应的决策后的近似状态值。
进一步优选地，在上述马尔科夫决策过程中，t时刻微电网系统的状态变量集合为：
t时刻微电网系统的决策变量集合为：
t时刻微电网系统的随机因素集合为：
上述状态转移方程为：
其中，Δt为单次调度时段的间隔；为t-Δt时刻燃气机组的功率；为t-Δt时刻燃料电池的功率；SOCt为t时刻微电网系统储能设备的荷电状态；Lt为t时刻微电网系统中储能设备的储能累积寿命损耗；为t时刻微电网系统中储能设备的寿命损耗指示变量；Pt WT,a为t时刻微电网系统可获得的风电功率；Pt PV,a为t时刻微电网系统可获的光伏功率；Dt表示t时刻微电网系统的有功负荷；Qt表示t时刻微电网系统的无功负荷；pt为t时刻外电网的电价；Pt g为t时刻微电网系统元件g的有功功率；为t时刻微电网系统元件g的无功功率；GG表示燃气机组；FC表示燃料电池；WT表示风电机组；PV表示光伏机组；为t时刻微电网系统与外电网的交换功率；为t时刻微电网系统中储能设备的充电功率；为t时刻微电网系统中储能设备的充电指示变量；为t时刻储能的放电功率；为t时刻微电网系统中储能设备的放电指示变量；lt为t时刻储能设备的寿命损耗；为t时刻微电网系统节点i的切负荷功率；为t时刻微电网系统风电功率的预测误差；为t时刻微电网系统光伏功率的预测误差；为t时刻微电网系统有功负荷的预测误差；为t时刻微电网系统无功负荷的预测误差；为t时刻外电网电价的预测误差；ηc为微电网系统中储能设备的充电效率；Δt为单次调度时段的间隔；ηd为储能的放电效率；为t时刻决策变量的预测值。
进一步优选地，步骤S22中求解马尔科夫决策过程的方法包括：查询预训练好的近似值函数表，得到近似值函数表中t时刻决策后的储能累积寿命损耗和储能损耗指示变量所对应的决策后的近似状态值并结合t时刻微电网系统的状态变量求解得到微电网系统t时刻的最优决策其中，近似值函数表为三维值表，用于将一组储能累积寿命损耗、储能损耗指示变量和时间信息对应为一个决策后的近似状态值。
进一步优选地，上述近似值函数表的训练方法包括以下步骤：
S221、初始化近似值函数表，设置储能损耗指示变量，并离散化储能累积寿命损耗，令n＝1；
S222、根据日前的风电、光伏、负荷和电价的预测信息，采用蒙特卡洛方法生成一组微电网系统的随机因素；
S223、令t＝Δt；
S224、从储能损耗指示变量和离散化后的储能累积寿命损耗中，选取储能损耗指示变量和累积寿命损耗，作为t时刻决策后的储能损耗指示变量和累积寿命损耗；
S225、根据选取的储能损耗指示变量和累积寿命损耗，通过公式和反向推导出t时刻储能设备的荷电状态；基于t时刻储能设备的荷电状态求解得到t时刻储能设备的充放电功率后，更新t时刻微电网系统的状态变量；
S226、根据t时刻决策后的储能损耗指示变量和累积寿命损耗查询近似值函数表得到结合t时刻微电网系统的随机因素和t时刻微电网系统的状态变量，求解得到第n次迭代下t时刻的微电网系统t时刻的决策并计算微电网系统t时刻状态值的采样估计值
S227、根据微电网系统t时刻状态值的采样估计值计算以对近似值函数表进行更新；
S228、根据马尔科夫决策过程中的状态转移方程计算微电网系统t+Δt时刻的状态St+Δt；
S229、令t＝t+Δt，重复步骤S224-S229，直至t＝T；T为总的调度域；
S2210、令n＝n+1，重复步骤S222-S2210，直至n＝N；N为预设迭代次数。
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的微电网系统实时调度模型的构建方法和/或本发明第二方面所提供的微电网系统实时优化调度方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
1、本发明提供了一种微电网系统实时调度模型的构建方法，考虑到储能设备荷电状态变化与储能循环寿命损耗之间的关系，并将储能设备荷电状态与储能循环寿命损耗的关系约束和总调度域时间段内的累积储能寿命损耗的上限约束作为计及储能寿命损耗的约束条件，引入到微电网系统实时调度模型中，从而得到了一种计及储能寿命损耗的微电网系统实时调度模型；该模型充分考虑了储能寿命和储能效益之间的关系，从而使得在微电网系统实时优化调度过程中能够发挥系统中的储能效益，保证了微电网系统运行的经济性。
2、本发明所提供的微电网系统实时调度模型的构建方法，对实时储能循环寿命损耗模型按照储能设备的荷电状态进行分段后，分别进行线性化，将非线性化的实时储能循环寿命损耗模型转换成分段线性化的实时储能循环寿命损耗模型，从而使得模型具有良好的数学性质，能够便捷地嵌入到微电网实时调度模型等优化模型中，同时又能够降低模型的求解难度。
3、本发明提供了一种微电网系统实时优化调度方法，通过储能的累积寿命损耗和储能的寿命损耗状态(表征储能的寿命损耗是由充电造成的还是由放电造成的)来映射值函数表，通过所提的近似动态规划算法，微电网系统能够得到近似最优的调度策略来保证储能的效益和微电网运行的经济性。
4、本发明所提供的微电网系统实时优化调度方法，充分考虑了风电、光伏、负荷和电价随机性的影响，通过在日前根据风电、光伏、负荷和电价的日前预测值生成训练场景集进行日前训练，通过日前训练得到性能优良的值函数表，并将其应用到日内实时优化中。所提的ADP算法能够使微网系统在日内实时优化时仅根据当前时刻到来的随机性因素的精确值做出近似最优决策，应对随机性的影响，精确度较高。
附图说明
图1为本发明提供的微电网系统实时调度模型的构建方法流程图；
图2为本发明实施例所应用的微电网结构图；
图3为本发明实施例提供的风电、光伏、负荷和电价的日前预测曲线示意图；其中，(a)为风电日前预测曲线示意图；(b)为光伏日前预测曲线示意图；(c)为负荷日前预测曲线示意图；(d)为电价日前预测曲线示意图；
图4为本发明实施例提供的基于储能累积寿命损耗近似值函数的ADP算法的值函数表的更新示意图；
图5为本发明所提供的微电网系统实时优化调度方法与基于储能荷电状态近似值函数的ADP算法、模型预测控制算法以及短视算法的效果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了实现上述目的，本发明提供了一种微电网系统实时调度模型的构建方法，如图1所示，包括以下步骤：
S11、基于储能设备的循环寿命损耗与放电深度之间的关系，推导得到储能设备荷电状态变化与储能循环寿命损耗之间的关系，从而得到微电网系统中储能设备的实时储能循环寿命损耗模型；
具体地，实时储能循环寿命损耗模型为：
Nlife(DOD)＝c/(DOD-d)m
其中，为t时刻储能设备的储能寿命损耗；SOCt为t时刻储能设备的荷电状态；F(SOCt)为储能设备从满电量状态放电到SOCt电量状态下的储能寿命损耗；Nlife(DOD)为放电深度为DOD下的储能设备的循环寿命；c、d、m为常数。
优选地，上述步骤S11还包括：在获取到实时储能循环寿命损耗模型后，对实时储能循环寿命损耗模型进行线性化处理。其中，在一种可选实施方式下，对实时储能循环寿命损耗模型按照储能设备的荷电状态进行分段后，分别进行线性化，所得的实时储能循环寿命损耗模型为：
其中，为t时刻储能设备的储能寿命损耗；为F(SOCt)的分段线性近似值；Y是储能分段的总数目；M2、ω1和ω2均为绝对值线性化辅助变量；为t时刻储能充电的指示变量，用于指示储能设备是否正在充电；dSOC,y为第y储能分段的斜率，为t时刻第y储能分段的荷电状态；为储能的最大容量；为储能的最小容量；为每个储能分段的荷电状态上限；Uy为第y储能分段的指示变量，用于指示第y储能分段是否占满；M1为大于的常数；∈+为大于或等于0的常数。
对于M2、ω1、ω2，需要说明的是，若电池处于充电状态，则上述绝对值取正，此时，ω2＝0，若电池处于放电状态，则上述绝对值取负，此时，ω1＝0，
进一步需要说明的是，M1、∈+的定义是为了保证公式成立；若Uy＝1，则表明第y储能分段占满，此时∈+保证上式成立；若Uy＝0，表示第y储能分段未占满，此时M1保证上式成立。
S12、根据微电网系统中各元件的技术参数，建立微电网系统实时调度模型；并将实时储能循环寿命损耗模型中储能设备荷电状态与储能循环寿命损耗的关系约束和基于实时储能循环寿命损耗模型所得的总调度域时间段内的累积储能寿命损耗的上限约束作为计及储能寿命损耗的约束条件，引入到微电网系统实时调度模型中。
具体地，微电网系统实时调度模型的目标函数为：
其中，J表示微电网系统在总调度域时间段T内的运行费用；Δt为单次调度时段的间隔；Ct(St,xt)为微电网系统t时刻的运行费用；kGG为燃气机组的费用系数；Pt GG为t时刻燃气机组的功率；kFC为燃料电池的费用系数；Pt FC为t时刻燃料电池的功率；pt为t时刻的电价；Pt grid为t时刻微电网与外电网的交换功率；CCur为切负荷惩罚系数；为t时刻微电网节点i的切负荷功率；CWT为弃风惩罚系数；Pt WT,a为t时刻可获得风电；Pt WT为t时刻的风电功率；CPV为弃光惩罚系数，Pt PV,a为t时刻可获得光伏；Pt PV为t时刻的光伏功率；kBES为储能的费用系数；ηc为储能的充电效率；为t时刻储能的充电功率；为t时刻储能的放电功率；ηd为储能的放电效率。
其中，总调度时段内的累积储能寿命损耗的上限约束为：
其中，lt为t时刻储能设备的寿命损耗；为总调度时段内的累积储能寿命损耗的最大值；为储能设备在t时刻的固定寿命损耗，是一个常数；Δt为单次调度时段的间隔。
需要说明的是，除了上述两个约束条件，微电网系统实时调度模型的约束条件还包括：系统潮流约束、气电和燃料电池的爬坡约束、气电和燃料电池的功率上下限约束、风电功率的上下限约束、光伏功率的上下限约束、微电网与外电网交换功率的上下限约束、切负荷功率的上下限约束、无功功率、节点电压、相角的上下限约束，线路传输功率的上下限约束以及储能运行约束。
第二方面，本发明提供了一种基于本发明第一方面所提供的微电网系统实时调度模型的构建方法所构建的微电网系统实时调度模型的微电网系统实时优化调度方法，包括以下步骤：
S21、根据实时优化调度过程，将微电网系统实时调度模型重构为马尔科夫决策过程Mt＝<St,xt,It,Ft trans>；St为t时刻微电网系统的状态变量集合；xt为t时刻微电网系统的决策变量集合；It为t时刻微电网系统的随机因素集合；Ft trans为表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程；微电网系统中的随机因素包括：风电、光伏、负荷和电价；
具体地，在上述马尔科夫决策过程中，t时刻微电网系统的状态变量集合为：
t时刻微电网系统的决策变量集合为：
t时刻微电网系统的随机因素集合为：
上述状态转移方程为：
其中，Δt为单次调度时段的间隔；为t-Δt时刻燃气机组的功率；为t-Δt时刻燃料电池的功率；SOCt为t时刻微电网系统储能设备的荷电状态；Lt为t时刻微电网系统中储能设备的储能累积寿命损耗；为t时刻微电网系统中储能设备的寿命损耗指示变量(当时，表示寿命损耗由放电造成；当时，表示寿命损耗由充电造成)；Pt WT,a为t时刻微电网系统可获得的风电功率；Pt PV,a为t时刻微电网系统可获的光伏功率；Dt表示t时刻微电网系统的有功负荷；Qt表示t时刻微电网系统的无功负荷；pt为t时刻外电网的电价；Pt g为t时刻微电网系统元件g的有功功率；为t时刻微电网系统元件g的无功功率；GG表示燃气机组；FC表示燃料电池；WT表示风电机组；PV表示光伏机组；Pt grid为t时刻微电网系统与外电网的交换功率；为t时刻微电网系统中储能设备的充电功率；为t时刻微电网系统中储能设备的充电指示变量；为t时刻储能的放电功率；为t时刻微电网系统中储能设备的放电指示变量；lt为t时刻储能设备的寿命损耗；为t时刻微电网系统节点i的切负荷功率；为t时刻微电网系统风电功率的预测误差；为t时刻微电网系统光伏功率的预测误差；为t时刻微电网系统有功负荷的预测误差；为t时刻微电网系统无功负荷的预测误差；为t时刻外电网电价的预测误差；ηc为微电网系统中储能设备的充电效率；Δt为单次调度时段的间隔；ηd为储能的放电效率；为t时刻决策变量的预测值。具体地，当时，表示储能设备充电；当时，表示储能设备放电；当时，表示储能设备既不充电也不放电。
S22、构建微电网系统在St状态下从t时刻到总调度域时间段上限时刻内的最优运行费用函数基于t时刻微电网系统的状态变量集合St，结合t时刻微电网系统中的随机因素，通过最小化最优运行费用函数，求解马尔科夫决策过程，得到微电网系统t时刻的最优决策并根据最优决策对微电网系统进行实时优化调度；其中，Ct(St,xt)为t时刻微电网系统的运行费用；为聚合的决策后的状态变量，包括微电网系统t时刻的储能累积寿命损耗和储能损耗指示变量；储能损耗指示变量，用于指示是由充电造成的储能损耗，还有由放电造成的储能损耗；为所对应的决策后的近似状态值。
具体地，步骤S22中求解马尔科夫决策过程的方法包括：查询预训练好的近似值函数表，得到近似值函数表中t时刻决策后的储能累积寿命损耗和储能损耗指示变量所对应的决策后的近似状态值并结合t时刻微电网系统的状态变量求解得到微电网系统t时刻的最优决策其中，近似值函数表为三维值表，用于将一组储能累积寿命损耗、储能损耗指示变量和时间信息对应为一个决策后的近似状态值。
其中，上述近似值函数表的训练方法包括以下步骤：
S221、初始化近似值函数表，设置储能损耗指示变量，并离散化储能累积寿命损耗，令n＝1；
S222、根据日前的风电、光伏、负荷和电价的预测信息，采用蒙特卡洛方法生成一组微电网系统的随机因素；
S223、令t＝Δt；
S224、从储能损耗指示变量和离散化后的储能累积寿命损耗中，选取储能损耗指示变量和累积寿命损耗，作为t时刻决策后的储能损耗指示变量和累积寿命损耗；
S225、根据选取的储能损耗指示变量和累积寿命损耗，通过公式和反向推导出t时刻储能设备的荷电状态；基于t时刻储能设备的荷电状态求解得到t时刻储能设备的充放电功率后，更新t时刻微电网系统的状态变量；具体地，SOCt＝F-1(SOCt)；
需要说明的是，若在获取到实时储能循环寿命损耗模型后，对实时储能循环寿命损耗模型进行线性化处理。且按照上述方法对实时储能循环寿命损耗模型按照储能设备的荷电状态进行分段后，分别进行线性化；则此时，进而得到相关技术方案同上，这里不做赘述。
S226、根据t时刻决策后的储能损耗指示变量和累积寿命损耗查询近似值函数表得到结合t时刻微电网系统的随机因素和t时刻微电网系统的状态变量，求解得到第n次迭代下t时刻的微电网系统t时刻的决策并计算微电网系统t时刻状态值的采样估计值
S227、根据微电网系统t时刻状态值的采样估计值计算以对近似值函数表进行更新；
S228、根据马尔科夫决策过程中的状态转移方程计算微电网系统t+Δt时刻的状态St+Δt；
S229、令t＝t+Δt，重复步骤S224-S229，直至t＝T；T为总的调度域；
S2210、令n＝n+1，重复步骤S222-S2210，直至n＝N；N为预设迭代次数。
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的微电网系统实时调度模型的构建方法和/或本发明第二方面所提供的微电网系统实时优化调度方法。
相关技术方案同上述第一方面和第二方面所述的内容，这里不做赘述。
为了进一步说明本发明所提供的微电网系统实时调度模型的构建方法及调度方法，下面结合具体实施例进行详述：
实施例
本实例以一个八节点的微电网系统为例进行分析，如图2所示。该系统包含一台燃气机组，一台燃料电池，一个风电机组，一个光伏机组，一个储能，两个负荷，以及与一个外电网交换功率的接口。
具体地，本实施例提供了一种计及储能寿命损耗的微电网实时优化调度方法，包括以下步骤：
如图1所示，本实例的主要步骤包括如下：
步骤1：收集所研微电网实时调度模型系统中各元件经济技术参数。
所述模型系统各元件包含联络线、燃气机组、燃料电池、外电网、储能、风电机组、光伏机组。
各元件参数含：
1)微电网节点个数Nb，风电PF,W、光伏PF,PV、负荷DF和电价pF预测值；
2)微电网线路条数Nl，线路首末端节点编号，线路电抗标幺值x；微电网节点m与节点n之间传输功率上限，系统基准容量Sb；
3)燃气机组所在节点编号，燃气机组出力上下限和最大上下爬坡率和火电机组的成本系数kGG。
4)燃料电池所在节点编号，燃料电池出力上下限和最大上下爬坡率和燃料电池的成本系数kFC。
5)外电网所在的节点，微网与外电网交换的功率上下限和
6)储能所在的节点，储能充电功率和放电功率的上下限和储能的充电效率ηc和放电效率ηd，储能的容量上下限和
7)风电机组、光伏机组，负荷所在的节点。
本实例中，系统发电机和储能的参数如表1所示。
表1
装置 Pmax(MW) Pmin(MW) 爬坡率(MW/h) 成本系数(RMB/kWh)
GG 80 10 80 0.4
FC 70 8 70 0.5
WT 160 0 \ 0
PV 60 0 \ 0
BES 30 0 \ 0.003
风电、光伏、负荷和电价的日前预测曲线示意图如图3中所示，其中，图(a)为风电日前预测曲线示意图；图(b)为光伏日前预测曲线示意图；图(c)为负荷日前预测曲线示意图；图(d)为电价日前预测曲线示意图。
步骤二：建立实时储能循环寿命损耗模型，进而构造计及储能寿命损耗的微电网系统实时调度模型：
1)实时储能循环寿命损耗模型
储能的寿命包括日历寿命(固定寿命损耗)和循环寿命两个部分。日历寿命是由于储能内部的腐蚀引起的，储能的日历损耗可简化成一个常损耗；循环寿命是由于储能的运行引起的，储能的循环寿命与放电深度的关系可由三参数函数表示。
Nlife(DOD)＝c/(DOD-d)m
当储能的SOC发生一个微小的变化ΔSOC，当储能从状态SOC变化到SOC+ΔSOC的寿命损耗可由下式得到。
loss(SOC,SOC+ΔSOC)＝loss(SOC,1)-loss(SOC+ΔSOC,1)
根据上式，储能在不同SOC下单位能量吞吐下的寿命损耗系数可由下式得到：
其中，是储能的最大容量。在一般情况下，储能的放电和充电不会同时发生。结合上式，储能在t时刻的循环寿命损失可由下式定义：
其中，F(SOC)表示原始的储能寿命损耗函数。
从上式中可得，寿命损耗计算模型是非线性的，本实施例采用分段线性的方法来线性化F(SOC)：
式中，表示F(SOC)的分段线性(Piece linear function,PWL)函数，表示储能的容量上下限，Y表示函数的总分段数。ΔSOC,y表示PWL函数中第y个分段的值，式表示ΔSOC,y的上限。dSOC,y表示第y个分段的斜率。
除此之外，PWL近似函数应该满足误差自最优条件，如下式所示：
其中，M1是一个足够大的正常数，ε+是一个接近0的正常数。Uy是一个二进制变量。
将F(SOC)替代为使用大M法来线性化绝对值，可由以下公式计算得到：
其中，M2是一个足够大的数。ω1和ω1是连续变量，为表示储能充电状态的二进制量量。
2)计及储能寿命损耗的微电网系统实时调度模型
2.1)目标函数
其中，J表示微电网系统在总调度域时间段T内的运行费用；Δt为单次调度时段的间隔；Ct(St,xt)为微电网系统t时刻的运行费用；kGG为燃气机组的费用系数；Pt GG为t时刻燃气机组的功率；kFC为燃料电池的费用系数；Pt FC为t时刻燃料电池的功率；pt为t时刻的电价；Pt grid为t时刻微电网与外电网的交换功率；CCur为切负荷惩罚系数；为t时刻微电网节点i的切负荷功率；CWT为弃风惩罚系数；Pt WT,a为t时刻可获得风电；Pt WT为t时刻的风电功率；CPV为弃光惩罚系数，Pt PV,a为t时刻可获得光伏；Pt PV为t时刻的光伏功率；kBES为储能的费用系数；ηc为储能的充电效率；为t时刻储能的充电功率；为t时刻储能的放电功率；ηd为储能的放电效率。
2.2)约束：
电力系统运行约束：储能寿命损耗约束(具体包括：实时储能循环寿命损耗模型中储能设备荷电状态与储能循环寿命损耗的关系约束和基于实时储能循环寿命损耗模型所得的总调度域时间段内的累积储能寿命损耗的上限约束)、系统潮流约束、燃气机组和燃料电池的爬坡约束、燃气机组和燃料电池的出力上下限约束、风电功率的上下限约束、光伏功率的上下限约束、微网与外电网交换功率的上下限约束、切负荷功率的上下限约束、无功功率的上下限约束、节点电压的上下限约束、相角的上下限约束、线路传输功率的上下限约束、储能存储运行约束(具体包括：储能充电、放电功率上下限约束、储能充放电状态约束、储能荷电状态(State of charge,SOC)转移约束和储能容量上下限约束)。
0≤Pt WT≤Pt WT,a
0≤Pt PV≤Pt PV,a
Vi,min≤Vi,t≤Vi,max
θi,min≤θi,t≤θi,max
Pij,min≤gij(Vi,t-Vj,t)≤Pij,max
2)将计及储能寿命损耗的微电网系统实时调度模型重构为马尔科夫决策过程；
在马尔科夫决策过程中，系统操作者根据系统当前的状态作出决策，然后系统在下一个时刻的随机性因素到来后转移到下一个状态。马尔科夫决策过程主要包括状态变量、决策变量和外部信息因素。
状态变量反映微网当前的状态：
其中，SOCt表示储能的荷电状态。
决策变量由定义：
g∈{GG,FC,WT,PV}
其中，表示决定储能充电或放电的二进制变量。
外部信息因素反映系统的随机性，由表示。
系统的状态根据系统的决策和随机性因素转移，转移过程可由传递函数表示：
其中，表示日前预测值。
在马尔科夫决策框架下，微网的最优运行费用可以通过递归地求解贝尔曼方程获得：
其中，Vt(St)表示值函数，表示系统在状态St下从t时刻到T时刻的最优运行费用。
系统最优的运行策略可以通过最小化目标函数得到：
步骤三：采用基于储能累积寿命损耗近似值函数的ADP算法进行求解，首先采用决策后状态变量解决系统输出空间的维数灾问题，然后采用状态变量聚合的方式将高维的状态空间聚合为储能累积寿命损耗，解决系统状态空间维数灾的问题。
首先采用决策后的状态变量替代贝尔曼方程中的状态变量：
其中，表示决策后的状态变量，代表已经做过决策但是新的随机性因素还没到来之前的状态。使用决策后状态变量可以避免式中复杂的求解期望的过程，从而减少计算的难度，克服系统输出空间的维数灾问题。
然后采用状态变量聚合，将高维的状态变量聚合储能累积寿命损耗。
其中，表示聚合的状态变量，表示近似值函数，表示决策后储能的累积寿命损耗。
决策前和决策后储能的累积寿命损耗的关系可由表示：
储能的寿命损耗与储能的充放电状态和当前的SOC相关。如果储能的累积寿命损耗已知，储能的输出功率和SOC可从下式中获得：
为了获得最优值，值函数表应该迭代地更新。首先，根据第n次迭代，第t个时刻上一次的值函数更新值可以计算系统当前状态的采样估计值。
然后应用来更新值函数表：
其中，αn表示步长，αn∈(0,1)
经过足够次数的迭代后，我们能够得到一个很好的近似值表。通过求解(55)能够得到近似最优解：
步骤五：根据步骤四所提的最大化储能效益的ADP算法，通过日前训练得到性能优良的值函数表，再将值函数表应用到日内实时优化中得到日内近似最优的调度策略。
具体地，日前训练过程如下：
1)离散化聚合的状态和决策空间，初始化值函数表，令n＝1；
2)使用蒙特卡洛方法基于预测信息生成一组训练场景，令t＝1；
3)根据状态变量St，根据考虑储能寿命损耗的微电网日内实时优化模型，计算聚合后的可行的决策后的状态空间；
4)选择一个决策后的状态并计算相关的决策变量；
5)计算储能的输出功率的荷电状态；
6)求解考虑储能寿命损耗的微电网日内实时优化模型；
7)计算值函数的采样估计值，得到最优决策；
8)根据查表法近似动态规划的原理更新值函数表；具体地，基于储能累积寿命损耗近似值函数的ADP算法的值函数表的更新示意图如图4所示；
9)令t＝t+Δt，重复步骤3)-9)，直至t＝T；
10)令n＝n+1，重复步骤2)-10)，直至n＝N，N为预设的迭代次数。
仿真结果：系统的随机性场景如图3所示，风电光伏负荷电价的预测误差都服从正态分布， 如图5所示为本发明所提供的微电网系统实时优化调度方法与基于储能荷电状态近似值函数的ADP算法、模型预测控制算法以及短视算法的效果对比图；其中，横坐标表示不同的优化调度方法，纵坐标表示优化误差；根据图5可以看出，本发明所提供的基于储能累积寿命损耗近似值函数的ADP算法(记为ADP-MBU)与基于储能荷电状态近似值函数的ADP算法(ADP-MOC)、模型预测控制算法(MPC)以及短视算法(Myopic)相比，与理想算例的求解情况最接近，优化效果最好，能够保证微电网中储能的效益和微电网运行的经济性。
综上，本发明提供了一种计及储能寿命损耗的微电网实时优化调度方法；该方法包括收集微电网系统的常规技术参数，获取微电网中风电、光伏、负荷和电价的日前预测值，然后构造能够实时量化储能寿命损耗的储能寿命模型，进而构建能够计及储能寿命损耗的微电网实时优化调度模型。另外，根据所建立的优化模型，本发明提出了一种基于储能累积寿命损耗近似值函数的近似动态规划(Approximate dynamic programming,ADP)算法来获得微电网的日内近似最优实时调度策略。本发明考虑了微电网系统中风电、光伏、负荷和电价的实时波动对日内实时调度产生的影响，同时考虑发挥系统中储能的效益，保证了微电网系统运行的经济性。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种微电网系统实时优化调度方法，其特征在于，包括以下步骤：
S21、根据实时优化调度过程，将微电网系统实时调度模型重构为马尔科夫决策过程Mt＝<St,xt,It,Ft trans>；St为t时刻微电网系统的状态变量集合；xt为t时刻微电网系统的决策变量集合；It为t时刻微电网系统的随机因素集合；Ft trans为表示t时刻状态变量根据决策变量和随机因素发生转移的状态转移方程；所述微电网系统中的随机因素包括：风电、光伏、负荷和电价；
S22、构建所述微电网系统在St状态下从t时刻到总调度域时间段上限时刻内的最优运行费用函数基于t时刻微电网系统的状态变量集合St，结合t时刻微电网系统中的随机因素，通过最小化最优运行费用函数，求解马尔科夫决策过程，得到微电网系统t时刻的最优决策并根据最优决策对微电网系统进行实时优化调度；其中，Ct(St,xt)为t时刻微电网系统的运行费用；为聚合的决策后的状态变量，包括微电网系统t时刻的储能累积寿命损耗和储能损耗指示变量；储能损耗指示变量，用于指示是由充电造成的储能损耗，还有由放电造成的储能损耗；为所对应的决策后的近似状态值；
所述微电网系统实时调度模型的构建方法，包括：
S11、基于储能设备的循环寿命损耗与放电深度之间的关系，推导得到储能设备荷电状态变化与储能循环寿命损耗之间的关系，从而得到微电网系统中储能设备的实时储能循环寿命损耗模型；
S12、根据微电网系统中各元件的技术参数，建立微电网系统实时调度模型，并将所述实时储能循环寿命损耗模型中储能设备荷电状态与储能循环寿命损耗的关系约束和基于所述实时储能循环寿命损耗模型所得的总调度域时间段内的累积储能寿命损耗的上限约束作为计及储能寿命损耗的约束条件，引入到所述微电网系统实时调度模型中。
2.根据权利要求1所述的微电网系统实时优化调度方法，其特征在于，所述实时储能循环寿命损耗模型为：
Nlife(DOD)＝c/(DOD-d)m
其中，为t时刻储能设备的储能循环寿命损耗；SOCt为t时刻储能设备的荷电状态；F(SOCt)为储能设备从满电量状态放电到SOCt电量状态下的储能寿命损耗；Nlife(DOD)为放电深度为DOD下的储能设备的循环寿命；c、d、m为常数。
3.根据权利要求2所述的微电网系统实时优化调度方法，其特征在于，所述步骤S11还包括：在获取到所述实时储能循环寿命损耗模型后，对所述实时储能循环寿命损耗模型进行线性化处理。
4.根据权利要求3所述的微电网系统实时优化调度方法，其特征在于，对所述实时储能循环寿命损耗模型按照储能设备的荷电状态进行分段后，分别进行线性化，所得的实时储能循环寿命损耗模型为：
其中，为t时刻储能设备的储能循环寿命损耗；为F(SOCt)的分段线性近似值；Y是储能分段的总数目；M2、ω1和ω2均为绝对值线性化辅助变量；为t时刻储能充电的指示变量，用于指示储能设备是否正在充电；dSOC,y为第y储能分段的斜率，ΔSOCt,y为t时刻第y储能分段的荷电状态；为储能的最大容量；为储能的最小容量；为每个储能分段的荷电状态上限；Uy为第y储能分段的指示变量，用于指示第y储能分段是否占满；M1为大于的常数；∈+为大于或等于0的常数。
5.根据权利要求1-4任意一项所述的微电网系统实时优化调度方法，其特征在于，总调度时段内的累积储能寿命损耗的上限约束为：
其中，lt为t时刻储能设备的寿命损耗；为总调度时段内的累积储能寿命损耗的最大值；为储能设备在t时刻的固定寿命损耗；Δt为单次调度时段的间隔。
6.根据权利要求1所述的微电网系统实时优化调度方法，其特征在于，在所述马尔科夫决策过程中，t时刻微电网系统的状态变量集合为：
t时刻微电网系统的决策变量集合为：
t时刻微电网系统的随机因素集合为：
上述状态转移方程为：
其中，Δt为单次调度时段的间隔；为t-Δt时刻燃气机组的功率；为t-Δt时刻燃料电池的功率；SOCt为t时刻微电网系统储能设备的荷电状态；Lt为t时刻微电网系统中储能设备的储能累积寿命损耗；为t时刻微电网系统中储能设备的寿命损耗指示变量；Pt WT,a为t时刻微电网系统可获得的风电功率；Pt PV,a为t时刻微电网系统可获的光伏功率；Dt表示t时刻微电网系统的有功负荷；Qt表示t时刻微电网系统的无功负荷；pt为t时刻外电网的电价；Pt g为t时刻微电网系统元件g的有功功率；为t时刻微电网系统元件g的无功功率；GG表示燃气机组；FC表示燃料电池；WT表示风电机组；PV表示光伏机组；Pt grid为t时刻微电网系统与外电网的交换功率；为t时刻微电网系统中储能设备的充电功率；为t时刻微电网系统中储能设备的充电指示变量；为t时刻储能的放电功率；为t时刻微电网系统中储能设备的放电指示变量；lt为t时刻储能设备的寿命损耗；为t时刻微电网系统节点i的切负荷功率；为t时刻微电网系统风电功率的预测误差；为t时刻微电网系统光伏功率的预测误差；为t时刻微电网系统有功负荷的预测误差；为t时刻微电网系统无功负荷的预测误差；为t时刻外电网电价的预测误差；ηc为微电网系统中储能设备的充电效率；Δt为单次调度时段的间隔；ηd为储能的放电效率；为t时刻决策变量的预测值。
7.根据权利要求1或6所述的微电网系统实时优化调度方法，其特征在于，所述步骤S22中求解马尔科夫决策过程的方法包括：查询预训练好的近似值函数表，得到近似值函数表中t时刻决策后的储能累积寿命损耗和储能损耗指示变量所对应的决策后的近似状态值并结合t时刻微电网系统的状态变量求解得到微电网系统t时刻的最优决策其中，近似值函数表为三维值表，用于将一组储能累积寿命损耗、储能损耗指示变量和时间信息对应为一个决策后的近似状态值。
8.根据权利要求7所述的微电网系统实时优化调度方法，其特征在于，所述近似值函数表的训练方法包括以下步骤：
S221、初始化所述近似值函数表，设置储能损耗指示变量，并离散化储能累积寿命损耗，令n＝1；
S222、根据日前的风电、光伏、负荷和电价的预测信息，采用蒙特卡洛方法生成一组微电网系统的随机因素；
S223、令t＝Δt；
S224、从储能损耗指示变量和离散化后的储能累积寿命损耗中，选取储能损耗指示变量和累积寿命损耗，作为t时刻决策后的储能损耗指示变量和累积寿命损耗；
S225、根据选取的储能损耗指示变量和累积寿命损耗，通过公式和反向推导出t时刻储能设备的荷电状态；基于t时刻储能设备的荷电状态求解得到t时刻储能设备的充放电功率后，更新t时刻微电网系统的状态变量；其中，为t时刻储能设备的储能循环寿命损耗；Lt为t时刻微电网系统中储能设备的储能累积寿命损耗；Δt为单次调度时段的间隔；SOCt为t时刻储能设备的荷电状态；F(SOCt)为储能设备从满电量状态放电到SOCt电量状态下的储能寿命损耗；为t时刻微电网系统中储能设备的寿命损耗指示变量；
S226、根据t时刻决策后的储能损耗指示变量和累积寿命损耗查询所述近似值函数表得到结合t时刻微电网系统的随机因素和t时刻微电网系统的状态变量，求解得到第n次迭代下t时刻的微电网系统t时刻的决策并计算微电网系统t时刻状态值的采样估计值
S227、根据微电网系统t时刻状态值的采样估计值计算以对所述近似值函数表进行更新；
S228、根据马尔科夫决策过程中的状态转移方程计算微电网系统t+Δt时刻的状态St+Δt；
S229、令t＝t+Δt，重复步骤S224-S229，直至t＝T；T为总的调度域；
S2210、令n＝n+1，重复步骤S222-S2210，直至n＝N；N为预设迭代次数。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-8任意一项所述的微电网系统实时优化调度方法。
CN202111411868.7A 2021-11-25 2021-11-25 一种微电网系统实时调度模型的构建方法及应用 Active CN114186811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111411868.7A CN114186811B (zh) 2021-11-25 2021-11-25 一种微电网系统实时调度模型的构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111411868.7A CN114186811B (zh) 2021-11-25 2021-11-25 一种微电网系统实时调度模型的构建方法及应用

Publications (2)

Publication Number Publication Date
CN114186811A CN114186811A (zh) 2022-03-15
CN114186811B true CN114186811B (zh) 2024-07-02

Family

ID=80541545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111411868.7A Active CN114186811B (zh) 2021-11-25 2021-11-25 一种微电网系统实时调度模型的构建方法及应用

Country Status (1)

Country Link
CN (1) CN114186811B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436647B (zh) * 2023-10-25 2024-06-28 华中科技大学 一种互联微电网系统的能源调度和交易方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111009895A (zh) * 2019-11-27 2020-04-14 广东电网有限责任公司 一种微网优化调度方法、系统以及设备
WO2020143104A1 (zh) * 2019-01-08 2020-07-16 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020143104A1 (zh) * 2019-01-08 2020-07-16 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法
CN111009895A (zh) * 2019-11-27 2020-04-14 广东电网有限责任公司 一种微网优化调度方法、系统以及设备

Also Published As

Publication number Publication date
CN114186811A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
Liu et al. Optimal sizing of a wind-energy storage system considering battery life
Niknam et al. Probabilistic energy and operation management of a microgrid containing wind/photovoltaic/fuel cell generation and energy storage devices based on point estimate method and self-adaptive gravitational search algorithm
Machlev et al. A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles
CN112510701A (zh) 多能源船舶能量管理控制装置及方法
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
CN113794199B (zh) 一种考虑电力市场波动的风电储能系统最大收益优化方法
Hosseinnia et al. Multi-objective optimization framework for optimal planning of the microgrid (MG) under employing demand response program (DRP)
Keerthisinghe et al. Energy management of PV-storage systems: ADP approach with temporal difference learning
Qi et al. Energyboost: Learning-based control of home batteries
Liu et al. Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation
Yoldas et al. Optimal control of microgrids with multi-stage mixed-integer nonlinear programming guided $ Q $-learning algorithm
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
Ahmadian et al. Techno-economic evaluation of PEVs energy storage capability in wind distributed generations planning
Teo et al. Near-optimal day-ahead scheduling of energy storage system in grid-connected microgrid
CN114186811B (zh) 一种微电网系统实时调度模型的构建方法及应用
Diaz-Cachinero et al. A microgrid model with EV demand uncertainty and detailed operation of storage systems
Wu et al. Battery energy storage system (bess) sizing analysis of bess-assisted fast-charge station based on double-layer optimization method
Miah et al. Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives
Zhou et al. Energy storage resources management: Planning, operation, and business model
CN117277346A (zh) 一种基于多智能体系统的储能调频方法、装置及设备
Al‐Gablawy Retracted: Optimal peak shifting of a domestic load connected to utility grid using storage battery based on deep Q‐learning network
Mussi et al. A Reinforcement Learning controller optimizing costs and battery State of Health in smart grids
Gao et al. Multi-Objective energy management of Solar-Powered integrated energy system under forecast uncertainty based on a novel Dual-Layer correction framework
Lian et al. Real‐time energy management strategy for fuel cell plug‐in hybrid electric bus using short‐term power smoothing prediction and distance adaptive state‐of‐charge consumption
Wang et al. Energy Storage Configuration for EV Fast Charging Station Considering Characteristics of Charging Load and Wind Power Fluctuation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant