CN114374219B - 基于合作博弈的园区综合能源系统分布式优化方法及系统 - Google Patents

基于合作博弈的园区综合能源系统分布式优化方法及系统 Download PDF

Info

Publication number
CN114374219B
CN114374219B CN202111435082.9A CN202111435082A CN114374219B CN 114374219 B CN114374219 B CN 114374219B CN 202111435082 A CN202111435082 A CN 202111435082A CN 114374219 B CN114374219 B CN 114374219B
Authority
CN
China
Prior art keywords
comprehensive energy
energy system
park
cooperative game
energy
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
CN202111435082.9A
Other languages
English (en)
Other versions
CN114374219A (zh
Inventor
王成福
姚文亮
董晓明
王勇
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202111435082.9A priority Critical patent/CN114374219B/zh
Publication of CN114374219A publication Critical patent/CN114374219A/zh
Application granted granted Critical
Publication of CN114374219B publication Critical patent/CN114374219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于合作博弈的园区综合能源系统分布式优化方法及系统，基于博弈论建立多园区主体合作博弈模型，并根据Shapley值进行利益分配。其次，采用交替方向乘子法解耦不同园区系统间的耦连，通过交互迭代实现分布式优化，解决多主体参与下的数据隐私保护问题；引入条件风险价值量化风光出力不确定性，提升系统运行安全与经济性。最后通过仿真算例系统验证了所提模型在提升整体经济效益、保证各主体信息安全性，以及适应不确定性环境影响方面的有效性。

Description

基于合作博弈的园区综合能源系统分布式优化方法及系统
技术领域
本发明涉综合能源系统分布式优化技术领域，尤其涉及一种基于合作博弈的综合能源系统分布式优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
伴随分布式能源的大规模开发与能源耦合设备的快速发展，可协调区域内电、气、热等多种能源的综合能源系统成为当今能源领域的重要研究方向。区域综合能源系统内多个主体间如何协调利益冲突、解决信息壁垒，依然是当前影响多主体系统优化运行效果的关键性因素。
目前，在多主体参与的协调优化问题中，博弈论可准确反应参与主体间的相互作用特点，有效促进多主体智能决策，因而得到广泛关注。
现有技术基于Stackelberg主从博弈研究了综合能源系统源、荷两侧能源供应商、园区服务商与用户之间的交易互动；或者根据多能源系统之间竞争趋利的非合作博弈思想，建立了多能源系统博弈模型。这些研究主要考虑多主体间的竞争关系，尚未考虑不同系统内部可再生能源出力的随机性及负荷需求的异质性带来的潜在合作可能。
现有技术提出了基于合作博弈的光伏微网群交易模型，通过通信系统共享网络信息，进行能量交互；或者，引入联合博弈解决多能源枢纽的合作问题，开发了称为合并分裂规则的分布式联盟算法；或者，基于合作博弈的多微网系统互联的协同优化调度模型，在Shapley分配的基础上提出一种基于交互贡献度的收益分配方案，改善Shapley分配方法的不足。这些研究中虽考虑了多主体间潜在的合作关系，引入合作博弈促进多主体协调，但各参与主体之间的能源交易互动过程较为模糊，且各主体需共享系统内部信息，存在数据隐私泄露的隐患。另外，上述研究通过纳什谈判确定各调度时刻的能量传输功率和能源交易价格，无需共享系统重要信息，较好地保护了各参与主体的信息安全，但纳什议价模型本质为非凸非线性问题，当参与主体数量过多时，问题求解较为复杂，较难寻找到问题的均衡解，谈判破裂可能性较高。
综上，在多个园区级主体构成的区域综合能源系统中，各园区系统间存在潜在的合作关系，引入合作博弈后，可有效解决多主体间的利益分配冲突问题。但是，伴随综合能源系统快速发展，园区级系统之间的大规模互联互通成为一种必然的趋势，当合作主体数量不断增加时，如何在保证参与主体内部信息安全的前提下，降低合作模型求解难度，提高求解速度，提升多主体合作可能性亦是亟待解决的问题。此外，在针对多园区系统参与的多主体协调优化中，目前较少考虑风光出力的不确定性影响，而在实际运行中，可再生能源出力的波动性与随机性是影响多个园区系统合作的重要因素。
发明内容
为了解决上述问题，本发明提出了一种基于合作博弈的园区综合能源系统分布式优化方法及系统，在充分挖掘各园区综合能源系统间潜在合作关系的基础上，引入博弈论构建合作博弈模型，通过合理的分配方案避免利益冲突的出现，最大化各合作主体收益，提升整体经济效益；为最大程度保护各参与主体信息安全，快速确定各园区系统间能量传输功率，引进了ADMM算法解耦合作主体之间的深度交互，通过迭代求解获取最优能量交互值，降低了联盟谈判破裂的可能性。
在一些实施方式中，采用如下技术方案：
一种基于合作博弈的园区综合能源系统分布式优化方法，包括：
分别获取园区综合能源系统燃气轮机的发电功率、天然气出力、蓄电池的充放电功率和压力罐的充放电功率数据；
考虑各园区综合能源系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，并确定各园区综合能源系统的利益分配方案；
对多园区综合能源系统合作博弈模型进行解耦，将条件风险价值量化后加入到解耦后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型；
对所述不确定性环境下基于合作博弈的综合能源系统分布式优化模型进行求解，得到园区综合能源系统分布式优化运行策略。
在另一些实施方式中，采用如下技术方案：
一种基于合作博弈的园区综合能源系统分布式优化系统，包括：
数据获取模块，用于分别获取园区综合能源系统燃气轮机的发电功率、天然气出力、蓄电池的充放电功率和压力罐的充放电功率数据；
合作博弈模型构建模块，用于考虑各园区综合能源系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，并确定各园区综合能源系统的利益分配方案；
合作博弈模型优化模块，用于对多园区综合能源系统合作博弈模型进行解耦，将条件风险价值量化后加入到解耦后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型；
模型求解模块，用于对所述不确定性环境下基于合作博弈的综合能源系统分布式优化模型进行求解，得到园区综合能源系统分布式优化运行策略。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于合作博弈的园区综合能源系统分布式优化方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于合作博弈的园区综合能源系统分布式优化方法。
与现有技术相比，本发明的有益效果是：
(1)本发明考虑各园区系统内分布式能源出力的差异，引入博弈论确立多园区系统间的合作关系，使各系统通过能量交互减少与上级配能网的能源交易，提高了联盟经济效益，同时基于Shapley值的利益分配方案可有效避免各主体间的利益冲突。
(2)本发明引入ADMM算法对合作博弈模型进行优化，各园区系统通过迭代互动获得系统间最优能量交互值，并从运行成本、运行时间及各园区系统交互能量等多个角度验证了分布式优化模型可在保障信息安全的前提下，较快得到各园区系统间的最优能量交互值。
(3)本发明利用条件风险价值量化各园区系统中风光出力的不确定性，讨论了不同置信区间下风险成本和运行成本之间的关系，为基于合作博弈的综合能源系统分布式优化运行下的不确定性量化分析提供重要参考。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中多园区综合能源系统能量交互示意图；
图2为本发明实施例中联络线约束转换示意图；
图3为本发明实施例中解耦后的合作博弈模型求解过程示意图；
图4为本发明实施例中新能源出力不确定性下的CVaR示意图；
图5(a)-(c)分别为本发明实施例中三个系统一天内电负荷、气负荷与新能源出力预测值；
图6为本发明实施例中不同场景下运行成本对比图；
图7(a)-(b)分别为本发明实施例中场景2下各园区综合能源系统之间在一天内交互的电、气功率；
图8(a)-(b)分别为本发明实施例中场景1和场景2下系统内部设备的优化出力；
图9为本发明实施例中场景2、3下系统1和2之间交互能量的对比图；
图10为本发明实施例中不同置信区间下系统总费用与条件风险价值的关系。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于合作博弈的园区综合能源系统分布式优化方法，具体包括如下过程：
(1)分别获取园区综合能源系统燃气轮机的发电功率、天然气出力、蓄电池的充放电功率和压力罐的充放电功率数据；
(2)考虑各园区综合能源系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，并确定各园区综合能源系统的利益分配方案；
(3)对多园区综合能源系统合作博弈模型进行解耦，将条件风险价值量化后加入到解耦后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型；
(4)对不确定性环境下基于合作博弈的综合能源系统分布式优化模型进行求解，得到园区综合能源系统分布式优化运行策略。
下面对本实施例方法进行详细的说明。
一、本实施例的研究场景由上级配电网(power distribution network,PDN)、天然气网络(natural gas network,NGN)与多个园区综合能源系统(park-level integratedenergy system，PIES)组成，结构框架图如图1所示。
其中，各园区综合能源系统与上级配电网、天然气网络(统称配能网)连接，可直接与配能网进行能源交易。当系统能量盈余时，园区系统向配能网出售能量；而能量短缺时，可从配能网购买能量，通过与配能网的能源交易来满足区域内电、气负荷需求。但是，通常情况下配能网售卖能源的价格高于收购能源的价格，如果各园区系统直接与配能网络进行能源交易会造成较大的能量交易亏损。考虑到各园区系统内部可再生能源出力的随机性及负荷需求的异质性，若将多个园区系统互联并根据不同系统内部能量盈缺情况进行能量交互，可有效减少各园区系统与配能网络的能源交易，进而提升整体经济效益。
本实施例构建园区综合能源系统模型如下：
热能由各园区综合能源系统内电热锅炉、燃气锅炉等设备产生，热能体现在电、气负荷之中。模型中电网部分主要包含风力发电机组(wind turbine,WT)、光伏发电(photovoltaic generation,PV)等可再生能源发电单元与储电(electricity store,ES)装置等，气网部分主要包括燃气站(natural gas station)，储气罐(gas store,GS)等，能源耦合设备为P2G(可再生能源发电)设备与燃气轮机(gas-fired turbine,GT)。此外，园区综合能源系统可直接与上级配能网进行能源交易，也可同其它园区综合能源系统进行能量交互。园区系统内部相关模型如下。
1)耦合设备模型
①GT
Pg,t＝ηgHGVQg,t (1)
式中：ηg为燃气轮机g的气转电转换效率；HGV为天然气高热值，值为39MJ/m3，Qg,t为燃气轮机g消耗的天然气,Pg,t为燃气轮机的发电功率。
②P2G设备
式中：ηm为P2G设备的电转气转换效率,Pm,t为P2G设备m在t时刻消耗的电能，Qm,t为t时刻天然气出力。
2)储能设备模型
选取蓄电池、压力罐作为电和天然气的存储装置，储能容量由充/放电时刻的充/放电功率和储能装置的充/放电效率共同决定。储能装置的容量表达式为:
式中：ESt为t时刻蓄电池的剩余存储容量；ηin、ηout为蓄电池的充、放电效率；为蓄电池的充、放电功率；GSt为t时刻压力罐的剩余天然气容量；ηin,GS、ηout,GS为压力罐的充、放气效率；/>为充、放气功率。
3)系统能量交互
设定TPDN,t、GNGN,t为各园区系统与上级配能网络交易的电功率和天然气功率，正/负值代表购买/出售能源。假设系统a、b通过联络线连接，分别进行电力和天然气传输。上述变量满足约束为：
式中：表示各园区系统与上级配能网交易电功率与天然气功率的上限，Tab,t、Gab,t分别表示t时刻系统a、b间电、气联络线的传输功率；Tab,max、Gab,max表示电、气联络线的极限传输功率，园区系统间可双向传输。
二、建立多园区综合能源系统合作博弈模型；
多园区综合能源系统合作运行时，利益的分配方案是影响各系统是否加入合作联盟的重要因素。在合作博弈中，参与者可以联合达成一个具有约束力的协议；合作博弈强调的是集体理性，研究的核心问题是参与主体如何开展合作及如何分配合作后整体获得的收益。
在多园区综合能源系统优化运行模型中，若各园区系统独立运行，则系统仅通过与上级配能网的能源交易实现内部能量守恒。通常情况下，配能网络售卖能量的价格高于收购能源的价格，导致各园区系统出现大量的能源交易亏损，使运行总成本增加。各园区系统独立运行时，设和/>分别代表各园区综合能源系统在t时刻向上级配能网购买/出售的电能和天然气功率，则一天中系统产生的能源交易亏损如下所示：
式中：T为调度周期；表示园区综合能源系统t时刻向配电网购买/出售的电能的价格；/>表示系统t时刻向配气网购买/出售天然气的价格。
考虑到各系统内部的新能源出力的随机性和负荷性质的差异，当多园区系统协同优化时，若各系统间根据内部能量剩余状况进行能量交互可有效减少系统与配能网络的能源交易，优化系统内部设备的出力，进而提升整体经济收益，存在共同合作的可能。因此，多园区综合能源系统合作博弈模型的目标函数可描述成如下形式：
式中：T为调度总周期；R为区域数量；分别表示园区综合能源系统r中全部燃气轮机、P2G设备、蓄电池、压力罐的运行成本，/>为系统r与配电网/天然气网的电力/天然气交易成本，分别对应式(6)中第一、二部分；其余成本的具体表达式如下：
式中：为系统r中燃气轮机、P2G设备、蓄电池、压力罐的数量集合；cg、cm为燃气轮机、P2G设备的成本系数；/>和/>分别为储能装置和储气装置的充/放电和充/放气成本系数。
模型剩余约束见式(1-5)、(22-25)。
根据合作博弈的前提，合作后的联盟总成本应低于各系统独立运行时的成本之和，否则合作破裂。在确定所有参与主体间存在合作的可能后，更重要的是事先定好合理公平的利益分配方案。
假设e(S)为多园区综合能源系统因合作博弈而增加的收益，可由下式计算而得：
式中：e(S)为联盟S合作后相对于非合作模式下增加的收益；v(S)是联盟S的总收益；xr为博弈成员r参与合作博弈前的收益。
Shapley值法是指自身所得与贡献相等的一种分配方法，能很好地解决合作参与者在合作过程中因利益分配而产生的矛盾。它按照成员对联盟的边际贡献率进行利益分配，即博弈成员分得的利益等于该成员为他所参与联盟创造的边际利益的平均值。
在基于合作博弈的综合能源系统优化调度中，系统r的具体利益分配描述如下:
式中：N为参与博弈的园区综合能源系统总数；S为不同系统组成的不同联盟且是N的子集；为园区系统r获得的收益；φ(S)为系统i对于联盟整体所应分到利益的权重；S\{r}表示从集合S中排除r后的集合。
三、基于ADMM算法对多园区综合能源系统合作博弈模型进行解耦优化；
多主体协同优化时，各主体内部信息无法全部共享，若采用传统的集中式调度不仅难以描述各主体间的能量交互过程，还会带来数据隐私泄露的风险。本实施例采用ADMM算法解耦多园区系统间的联络，通过迭代获取系统间的最优能量交互值。
ADMM算法的基本原理如下：
现有如下优化问题：
将等式约束采用增广拉格朗日松弛为无约束优化问题：
式中：λ为拉格朗日常数；ρ为正二次项惩罚系数。ADMM算法求解某个变量时，其余变量视作常量，并使用最新迭代结果。其迭代过程如下：
ADMM算法一直照此流程迭代，直到原始残差和对偶残差满足精度要求。
将ADMM算法应用在合作博弈模型上，可得到基于合作博弈的多园区综合能源系统分布式优化模型。以两系统为例，观察合作博弈模型，发现系统间通过两条联络线耦合，即通过Tab,t、Gab,t耦合。联络线上传输能量与互联系统关联，若直接对联络线约束进行松弛，无法实现联系解耦。因此，需将联络线约束改写成如下形式：
式中：分别表示求解系统a的子问题时，系统a与b间的电/气联络线在t时刻传输的电力/天然气功率；/>分别表示求解系统b的子问题时，电/气联络线传输的电力/天然气功率。上述约束转换过程如图2所示，将一条联络线转换成两条，两条联络线满足同样的传输容量约束。
根据ADMM串行算法原理，多园区系统互联时，对各系统依次求解，采用最新的迭代结果，并将其余互联系统传输的能量功率看作常数。基于算法原理，对约束应用增广拉格朗日进行松弛，得到系统a第k次优化问题的目标函数为：
式中：是约束/>第k-1次迭代后的拉格朗日向量乘数；ρ、β分别是电网和气网联络线二次惩罚项的惩罚系数；/>为求解系统a问题时，互联系统b传输能量的最新值。设定系统a、b的编号为其实际迭代顺序，则最新值取值如下：
式中：为第k次迭代结束后系统b传输给系统a的电功率和天然气功率。每次迭代结束后，拉格朗日乘子更新公式为：
模型其余约束条件同上，优化后的模型求解步骤如图3所示。
四、计及风光出力的不确定性环境下基于合作博弈的综合能源系统分布式优化模型；
风力发电和光伏发电是实现可持续发展的重要能源形式，但风、光出力的不确定性严重威胁着系统的安全稳定。本实施例采用预测误差概率密度函数来描述风、光出力的不确定性，并假设风、光出力预测误差服从正态分布，概率密度函数如下：
式中：w为风、光实际功率；μ为预测误差的均值；σ为预测误差的标准差。
CVaR是指在某一给定置信度下，投资组合的损失可能大于给定VaR(value atrisk,VaR)值的平均损失值。与VaR相比，CVaR具有次可加性、正齐次性等多种优点，是一种一致性的风险计量方法，被广泛应用在不确定性研究中。本实施例采用区间表达的形式描述风、光出力不确定性，并基于CVaR量化不确定性可能带来的弃风、弃光风险和失负荷风险。图4为风、光出力不确定性下的CVaR示意图。当风、光实际出力超过区间可接纳上限时，系统将采取弃风、弃光措施；当风、光实际出力低于区间可接纳下限时，会造成系统失负荷。超过接纳区间上限和低于接纳区间下限的部分利用条件风险价值量化后的表达式为：
式中：μmax、μmin为风、光出力可接纳区间的上、下限；wmax、wmin为风、光实际出力的上下限。
将条件风险价值量化后的表达式(20)加入到目标函数式(15)中，即得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型，系统a最新目标函数表达式如下：
式中：分别为上条件风险价值单价和下条件风险价值单价。
本实施例中，不确定性环境下基于合作博弈的综合能源系统分布式优化模型的约束条件包括：
1)耦合设备约束
GT和P2G设备的运行约束如下：
式中：燃气轮机的最大、最小出力；/>为燃气轮机的向上爬坡速率和向下爬坡速率的极限；/>为P2G设备的最大、最小出力；/> 为P2G设备出力的向上爬坡速率和向下爬坡速率的极限。
2)储能设备约束
式中：和/>为充/放电功率的上下限；/>为储能容量最大、最小值；/>表示充/放电过程不能同时进行；/>和分别为充/放电功率的上下限；/>为储能容量的最大、最小值；表示储气罐充/放气过程不能同时进行。
3)电气网络约束
模型除满足系统内设备的运行约束之外，还需满足电/气网络的相关约束。电网部分采用直流潮流模型,其相关约束为：
式中：NEw,t为节点i风机或光伏电池板的实际出力；为节点i处电力负荷；Pij,t为支路ij的功率；xij为支路ij的电抗值，θi、θj为节点i、j的电压相角。天然气网络部分的相关约束条件为：
式中：Qw,t为节点k处气源出力；Qm,t为节点k处P2G产气量；为节点k处气负荷值；Qkh,t为支路kh的天然气流量；/>分别为节点k处压力的下限与上限；pk,t为节点k处的气压；/>为管道kh的平均流量；Ckh是与管道内径、温度、长度、摩擦系数等有关的常系数[22]；/>为管道kh流量的下限与上限。
五、模型的求解
模型中非线性部分为表达式(20)和式(25)中的管道流量约束，文章采用分段线性化方法进行线性化处理，其中表达式(20)需要对函数两侧分别线性化。具体处理方法如下：
式中：D是分段区间的数量集合；δi是代表每个分段部分的连续性变量；ψi是用来保证分段函数连续性的二进制数：如果δi>0且2≤i≤k-1，则对于1≤j<i，有δj＝1。这就是说，如果一个分段区间被使用，那么它左边所有区间必须被完全使用。
六、算例分析
本实施例搭建三个含风、光可再生能源的园区综合能源系统进行仿真分析，系统1新能源发电以风力发电为主，系统2、3以光伏发电为主。调度周期为24h，各系统与上级配能网的能量交易采用分时价格，具体价格见表1。
表1能源购买、出售价格表
各园区综合能源系统与上级配能网交易的电/气功率最大值为300KW/200KW；各系统通过电力与天然气联络线实现互联，进行能量交互，园区综合能源系统IES1-IES2，IES1-IES3和IES2-IES3之间允许传输电功率的最大值分别为150KW，100KW和100KW；允许传输天然气功率最大值为120KW，100KW和100KW。三个系统一天内电负荷、气负荷与新能源出力预测值如图5(a)-(c)所示。
为了充分验证本实施例所提模型的有效性，设置四个场景进行对比分析：
场景1：三个园区综合能源系统独立运行；
场景2：三个园区系统进行合作博弈，并基于Shapley值进行利益分配，采用集中式调度求解；
场景3：在场景2合作博弈与利益分配的基础上，采用ADMM分布式算法进行模型求解；
场景4：在场景3的基础上，计及风、光出力的不确定性影响。
为验证多个园区综合能源系统合作的必要性，对场景1，2和3分别进行求解，三个场景下系统运行成本结果见图6。
当多园区综合能源系统进行合作时，系统总成本显著降低。三个园区综合能源系统独立运行时，运行总成本为24038.21元，与场景1相比，场景2和3运行总成本分别减少5894.11元和5867.91元；而场景2各个园区综合能源系统的运行成本分别减少了2857.83、1832.60和1203.67元，场景3各园区系统运行成本分别减少了2875.82、1810.28和1181.81元，由此可知系统之间通过能量交互提升了整体的经济效益；同时，场景2和3的运行总成本与各系统收益基本相同。
场景2下各园区综合能源系统之间在一天内交互的电、气功率如图7(a)-(b)所示。由图可知，园区系统1向系统2和3传输的能量较多，对合作联盟的贡献最大，因而获得收益最大。以PIES1-PIES2为例，若传输功率为正，则表示PIES1向PIES2传输能量。将图5(a)-(c)与图7(a)-(b)进行对比分析发现：当多园区综合能源系统进行合作博弈时，在0:00-5:00、20:00-24:00两个时段，园区综合能源系统1向系统2和3输送电能与天然气，这是因为上述时段系统2和3新能源出力较低，不仅无法满足电负荷平衡且没有多余的电能供P2G设备转换为天然气；而系统1处于余电状态，不仅可以对外输送电能，还可以通过P2G将电能转换为天然气对外输送。在时段10:00-14:00，园区综合能源系统1处于缺能状态，系统2和3向其输送电能和天然气，可以发现系统间的能量交互减少了各系统与配能网之间的能量交易，进而提升了整体的经济效益。值得一提的是，仔细观察时段10:00-14:00的能量输送情况，发现虽然系统2和3不处于缺电状态，但系统2和3仍然进行能量的交互，出现上述情况的原因是系统1在该时段需要较多的电能和天然气，尽管系统2和3某个时刻在满足内部能量平衡后剩余较多的能量，但由于联络线传输功率存在限制，系统2和3只能通过对方将电能与天然气最大程度地输送给系统1，系统2和3之间是互为传输媒介的作用。其余时段分析同上，不再赘述。
以园区系统1为例，对比场景1和2下系统内部设备的优化出力，具体见图8(a)-(b)，图8(a)-(b)中不包含新能源出力及燃气站出力，GT、P2G正值分别代表发电、产气功率；ES、GS正负分别代表储放电、储放气；P_deal、G_deal正值代表购电、购气功率。
场景1系统独立运行时，0:00-5:00和20:00-24:00两个时段，系统1新能源出力较多，燃气轮机保持最低出力，多余的电能一部分通过P2G设备转换为天然气供应气负荷需求，剩余部分由储能装置存储或者售卖给配电网；时段10:00-14:00系统1处于缺电状态，P2G设备无法运转，除燃气站出力外，还需储气装置放气并外购天然气，一部分满足气负荷需求，另一部分供给燃气轮机发电。当多园园区综合能源系统合作运行时，在0:00-5:00和20:00-24:00两个时段，系统1将多余的电能传输给系统2和3，P2G设备出力变少在时段10:00-14:00，系统1通过系统2、3的能量输送。场景1系统独立运行时，0:00-5:00和20:00-24:00两个时段，系统1新能源出力较多，燃气轮机保持最低出力，多余的电能一部分通过P2G设备转换为天然气供应气负荷需求，剩余部分由储能装置存储或者售卖给配电网；时段10:00-14:00系统1处于缺电状态，P2G设备无法运转，除燃气站出力外，还需储气装置放气并外购天然气，一部分满足气负荷需求，另一部分供给燃气轮机发电。当多园区综合能源系统合作运行时，在0:00-5:00和20:00-24:00两个时段，系统1将多余的电能传输给系统2和3，P2G设备出力变少在时段10:00-14:00，系统1通过系统2、3的能量输送。
综上分析，各园区综合能源系统通过合作，降低了外购能量的数量，优化设备内部出力，提高了系统整体经济效益。同时，Shapley值法根据合作主体对合作联盟贡献率的大小进行利益分配，避免了多主体间利益分配冲突的发生。
对于分布式优化算法的分析
相对于集中式调度方法，分布式求解算法能够反应参与合作主体之间的能量交互过程，通过迭代求解实现整体的最优协调运行，进而保护各参与主体的内部信息安全。
由上述分析中可知，采用分布式优化算法求解合作博弈模型时，系统运行成本和各系统获得的收益同采用集中式调度方法求解时基本相同。为进一步验证基于ADMM算法的分布式优化模型的有效性，下面将对场景2、3的系统运行结果进行深入的对比分析。其中，场景3中二次惩罚项系数ρ和β的取值均为1，具体结果见表2。
表2场景2、3系统运行结果对比
由表2可知，采用分布式算法求解时,系统求解时间相对集中式调度方法有所增加，但在合理的范围之内，能够满足实时调度的要求，并最大程度地保护参与主体的信息安全。图9为场景2、3下系统1和2之间交互能量的对比图，发现采用分布式算法求解时一天中各时段系统交互的能量功率基本一致。
由于ADMM算法为串行调度方法，在实际应用中，系统的迭代顺序不同有可能导致迭代结果的不同。因此，本实施例更换迭代顺序进行对比，其中不同顺序下二次惩罚项系数ρ和β的均保持不变，求解结果如表3所示。
表3不同迭代顺序求解结果
由表3可知，系统迭代顺序不同，迭代次数与运行总成本也存在不同程度的差异，但差别在允许范围之内。因此，采用ADMM算法可以很好的代替集中式调度方法，最大程度地保护各系统内部的数据隐私，即使合作主体增加，所提模型亦可快速给出各调度时刻能量交互功率，降低了因模型求解复杂而使合作破裂的可能性，使各主体能够安全地参与合作。
对于风光出力不确定性影响的分析
在上述确定性模型的基础上考虑每个园区综合能源系统内风电、光伏出力的不确定性，得到计及不确定性下基于合作博弈的综合能源系统分布式优化模型。
根据正态分布函数的特性，变量在[μ-3σ,μ+3σ]范围内的概率为99.7％，在[μ-1.96σ,μ+1.96σ]范围内的概率为95％。其中，置信区间的大小反映了决策主体对风险的厌恶程度，置信区间越大，厌恶程度越高。为验证不确定性对系统调度的影响，本文选取不同的置信区间对场景4进行求解，求解结果如图10所示。
分析发现置信区间越小，风险价值费用越高，但不考虑风险价值费用的系统运行成本有所降低。因为当置信区间越大时，决策者对风险的厌恶程度越高，会通过增加储能装置、调整储能容量等措施来规避不确定性带来的风险，进而导致系统运行成本增加。因此，多个园区综合能源系统进行合作博弈时，可根据实际需要选择置信区间的大小，保证在规避一定风险的同时最大化联盟经济效益。
实施例二
在一个或多个实施方式中，公开了一种基于合作博弈的园区综合能源系统分布式优化系统，包括：
数据获取模块，用于分别获取园区综合能源系统燃气轮机的发电功率、天然气出力、蓄电池的充放电功率和压力罐的充放电功率数据；
合作博弈模型构建模块，用于考虑各园区综合能源系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，并确定各园区综合能源系统的利益分配方案；
合作博弈模型优化模块，用于对多园区综合能源系统合作博弈模型进行解耦，将条件风险价值量化后加入到解耦后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型；
模型求解模块，用于对所述不确定性环境下基于合作博弈的综合能源系统分布式优化模型进行求解，得到园区综合能源系统分布式优化运行策略。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于合作博弈的园区综合能源系统分布式优化方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于合作博弈的园区综合能源系统分布式优化方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于合作博弈的园区综合能源系统分布式优化方法，其特征在于，包括：
分别获取园区综合能源系统燃气轮机的发电功率、天然气出力、蓄电池的充放电功率和压力罐的充放电功率数据；
考虑各园区综合能源系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，并确定各园区综合能源系统的利益分配方案；
对多园区综合能源系统合作博弈模型进行解耦，将条件风险价值量化后加入到解耦后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型；
对所述不确定性环境下基于合作博弈的综合能源系统分布式优化模型进行求解，得到园区综合能源系统分布式优化运行策略；
所述考虑各园区系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，具体包括：
其中，T为调度总周期；R为区域数量；分别表示园区综合能源系统r中燃气轮机、可再生能源发电设备、蓄电池和压力罐的运行成本，/>分别为系统r与配电网和天然气网的交易成本；
所述确定各园区综合能源系统的利益分配方案，具体包括：
基于Shapley值法，按照每一个园区综合能源系统对整个多园区综合能源系统的边际贡献率进行利益分配；
采用交替方向乘子法解耦不同园区系统间的耦连，得到解耦后的合作博弈模型；
所述解耦后的合作博弈模型包括：
其中，表示优化后的园区综合能源系统a的目标函数；/>是约束第k-1次迭代后的拉格朗日向量乘数；ρ、β分别是电网和气网联络线二次惩罚项的惩罚系数；/>分别表示求解系统a的子问题时，系统a与b间的电/气联络线在t时刻传输的电力/天然气功率；/>分别表示求解系统b的子问题时，系统a与b间的电/气联络线传输的电力/天然气功率；/>分别为求解系统a问题时，互联系统b传输能量的最新值；/> 分别表示园区综合能源系统r中燃气轮机、可再生能源发电设备、蓄电池和压力罐的运行成本。
2.如权利要求1所述的一种基于合作博弈的园区综合能源系统分布式优化方法，其特征在于，将条件风险价值量化后加入到优化后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型，具体包括：
采用区间表达的形式描述风、光出力不确定性，将超过接纳区间上限和低于接纳区间下限的部分利用条件风险价值进行量化；
将量化后的条件风险价值加入到解耦后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型。
3.如权利要求1所述的一种基于合作博弈的园区综合能源系统分布式优化方法，其特征在于，对所述不确定性环境下基于合作博弈的综合能源系统分布式优化模型进行求解时，将模型的非线性部分采用分段线性化方法进行线性化处理。
4.一种基于合作博弈的园区综合能源系统分布式优化系统，其特征在于，包括：
数据获取模块，用于分别获取园区综合能源系统燃气轮机的发电功率、天然气出力、蓄电池的充放电功率和压力罐的充放电功率数据；
合作博弈模型构建模块，用于考虑各园区综合能源系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，并确定各园区综合能源系统的利益分配方案；
合作博弈模型优化模块，用于对多园区综合能源系统合作博弈模型进行解耦，将条件风险价值量化后加入到解耦后的合作博弈模型中，得到不确定性环境下基于合作博弈的综合能源系统分布式优化模型；
模型求解模块，用于对所述不确定性环境下基于合作博弈的综合能源系统分布式优化模型进行求解，得到园区综合能源系统分布式优化运行策略；
所述考虑各园区系统之间通过能量交互进行协同优化，建立多园区综合能源系统合作博弈模型，具体包括：
其中，T为调度总周期；R为区域数量；分别表示园区综合能源系统r中燃气轮机、可再生能源发电设备、蓄电池和压力罐的运行成本，/>分别为系统r与配电网和天然气网的交易成本；
所述确定各园区综合能源系统的利益分配方案，具体包括：
基于Shapley值法，按照每一个园区综合能源系统对整个多园区综合能源系统的边际贡献率进行利益分配；
采用交替方向乘子法解耦不同园区系统间的耦连，得到解耦后的合作博弈模型；
所述解耦后的合作博弈模型包括：
其中，表示优化后的园区综合能源系统a的目标函数；/>是约束第k-1次迭代后的拉格朗日向量乘数；ρ、β分别是电网和气网联络线二次惩罚项的惩罚系数；/>分别表示求解系统a的子问题时，系统a与b间的电/气联络线在t时刻传输的电力/天然气功率；/>分别表示求解系统b的子问题时，系统a与b间的电/气联络线传输的电力/天然气功率；/>分别为求解系统a问题时，互联系统b传输能量的最新值；/> 分别表示园区综合能源系统r中燃气轮机、可再生能源发电设备、蓄电池和压力罐的运行成本。
5.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-3任一项所述的基于合作博弈的园区综合能源系统分布式优化方法。
6.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-3任一项所述的基于合作博弈的园区综合能源系统分布式优化方法。
CN202111435082.9A 2021-11-29 2021-11-29 基于合作博弈的园区综合能源系统分布式优化方法及系统 Active CN114374219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111435082.9A CN114374219B (zh) 2021-11-29 2021-11-29 基于合作博弈的园区综合能源系统分布式优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111435082.9A CN114374219B (zh) 2021-11-29 2021-11-29 基于合作博弈的园区综合能源系统分布式优化方法及系统

Publications (2)

Publication Number Publication Date
CN114374219A CN114374219A (zh) 2022-04-19
CN114374219B true CN114374219B (zh) 2023-09-15

Family

ID=81139361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111435082.9A Active CN114374219B (zh) 2021-11-29 2021-11-29 基于合作博弈的园区综合能源系统分布式优化方法及系统

Country Status (1)

Country Link
CN (1) CN114374219B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050632B (zh) * 2023-02-08 2024-06-21 中国科学院电工研究所 一种基于纳什q学习的微电网群互动博弈策略学习进化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110620402A (zh) * 2019-10-21 2019-12-27 山东大学 基于分布式多场景的电-气混联系统规划运行联合优化方法及系统
CN111342452A (zh) * 2020-03-16 2020-06-26 四川大学 一种多区域电气综合能源系统能量与备用分散式调度方法
CN111950809A (zh) * 2020-08-26 2020-11-17 华北电力大学（保定） 基于主从博弈的综合能源系统分层分区优化运行方法
CN112001613A (zh) * 2020-08-12 2020-11-27 四川大学 基于多微能源网系统合作博弈决策机制的利益分配策略
CN112465240A (zh) * 2020-12-03 2021-03-09 上海电力大学 基于合作博弈的综合能源系统多园区能量调度优化方法
CN112699333A (zh) * 2019-10-22 2021-04-23 华东电力试验研究院有限公司 合作博弈下计及风光出力不确定性的多主体利润分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6640204B2 (en) * 2001-04-06 2003-10-28 Barry E. Feldman Method and system for using cooperative game theory to resolve statistical joint effects

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110620402A (zh) * 2019-10-21 2019-12-27 山东大学 基于分布式多场景的电-气混联系统规划运行联合优化方法及系统
CN112699333A (zh) * 2019-10-22 2021-04-23 华东电力试验研究院有限公司 合作博弈下计及风光出力不确定性的多主体利润分配方法
CN111342452A (zh) * 2020-03-16 2020-06-26 四川大学 一种多区域电气综合能源系统能量与备用分散式调度方法
CN112001613A (zh) * 2020-08-12 2020-11-27 四川大学 基于多微能源网系统合作博弈决策机制的利益分配策略
CN111950809A (zh) * 2020-08-26 2020-11-17 华北电力大学（保定） 基于主从博弈的综合能源系统分层分区优化运行方法
CN112465240A (zh) * 2020-12-03 2021-03-09 上海电力大学 基于合作博弈的综合能源系统多园区能量调度优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于冷热电联供的多园区博弈优化策略;吴福保 等;《电力系统自动化》;第42卷(第13期);68-75 *

Also Published As

Publication number Publication date
CN114374219A (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
Khorasany et al. Hybrid trading scheme for peer‐to‐peer energy trading in transactive energy markets
Li et al. Optimal operation of multimicrogrids via cooperative energy and reserve scheduling
Chen et al. Research on day-ahead transactions between multi-microgrid based on cooperative game model
CN105703369B (zh) 一种多能耦合输配网最优能量流建模及求解方法
Wang et al. Security constrained decentralized peer-to-peer transactive energy trading in distribution systems
Ma et al. Decentralized and coordinated scheduling model of interconnected multi-microgrid based on virtual energy storage
Yan et al. Peer-to-Peer transactive energy trading of multiple microgrids considering renewable energy uncertainty
CN113890023A (zh) 一种综合能源微网分布式经济调度优化方法及系统
Wang et al. Data‐driven distributionally robust economic dispatch for distribution network with multiple microgrids
CN113610311A (zh) 双层协同架构下考虑碳减排的综合能源服务商合作运行优化方法
CN115115096A (zh) 考虑多微电网储能共享的主动配电网博弈优化调度方法
CN115587668A (zh) 多园区综合能源系统分布式协同优化调度方法
CN115640963A (zh) 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法
CN112202206A (zh) 一种基于势博弈的多能源微网分布式调度方法
Mohseni et al. Privacy-preserving energy trading management in networked microgrids via data-driven robust optimization assisted by machine learning
CN114374219B (zh) 基于合作博弈的园区综合能源系统分布式优化方法及系统
Wu et al. Multi-microgrids distributed peer-to-peer energy trading in distribution system considering uncertainty risk
Chen et al. Day-ahead optimal peer-to-peer energy trading strategy for multi-microgrids based on Nash bargaining game with data-driven chance constraints
Song et al. Reliability-constrained planning of community integrated energy systems based on fault incidence matrix
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
Yang et al. Adaptive robust optimal dispatch of microgrid based on different robust adjustment parameters
CN116862144A (zh) 一种基于双重博弈的多园区低碳调度方法及系统
Qazi et al. Coordinated energy and reserve sharing of isolated microgrid cluster using deep reinforcement learning
CN117040016A (zh) 一种含多微网主动配电网的双层优化调度方法
Li et al. Multiobjective Optimization Model considering Demand Response and Uncertainty of Generation Side of Microgrid

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
GR01 Patent grant