CN114447975A - 一种基于移动储能的多微电网灵活性提升方法 - Google Patents

一种基于移动储能的多微电网灵活性提升方法 Download PDF

Info

Publication number
CN114447975A
CN114447975A CN202111591673.5A CN202111591673A CN114447975A CN 114447975 A CN114447975 A CN 114447975A CN 202111591673 A CN202111591673 A CN 202111591673A CN 114447975 A CN114447975 A CN 114447975A
Authority
CN
China
Prior art keywords
energy storage
microgrid
mobile energy
output power
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
CN202111591673.5A
Other languages
English (en)
Inventor
陈佳佳
曲祚林
徐丙垠
杨自娟
陈文刚
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 of Technology
Original Assignee
Shandong University of 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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202111591673.5A priority Critical patent/CN114447975A/zh
Publication of CN114447975A publication Critical patent/CN114447975A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种基于移动储能的多微电网灵活性提升方法，属于微电网技术领域。计算风机和光伏出力的置信区间；建立考虑风光不确定性的风险评估模型；建立考虑卡车运输时间和阻塞延迟的移动储能运输模型；建立基于移动储能的多微电网优化运行模型；对多微电网优化运行模型求解，得到移动储能位置和充放电功率的配置方案及柴油发电机、风机和光伏的调度方案。本通过协调运行策略能够有效应对风光资源不确定环境下系统灵活性不足的问题，确定了移动储能位置和充放电功率的配置方案及柴油发电机、风机和光伏的调度方案。

Description

一种基于移动储能的多微电网灵活性提升方法
技术领域
一种基于移动储能的多微电网灵活性提升方法，属于微电网技术领域。
背景技术
随着全球经济加速发展，能源短缺和环境污染已经成为当前面临的严峻问题，这也推动 了可再生能源发电的研究和发展，风光资源在众多可再生能源资源中占有十分重要的地位。 整合高渗透的风光资源的配电网，将带来减少用电损耗、降低环境污染、提高可再生能源渗 透率等诸多好处。微电网作为可再生能源的有效利用形式得到快速发展。微电网的优势包括 提高电力供应的可靠性、可持续性、电能质量并降低运行费用，输配电线路的损耗。因此， 研究微电网技术对整合风光资源具有重要意义。
当大规模的风光资源整合到微电网中，由于其固有的不确定性，导致了净负荷的剧烈波 动，影响电力系统的正常运行，会使微电网的灵活性不足问题凸显。因此，微电网需要足够 的灵活性来应对风光资源的缺点。当负荷需求过大或过小时，为了保证微电网系统运行的稳 定性，需要适当的切负荷和弃风弃光。这两种方法违背了发展可再生能源和提高微电网经济 运行的初衷。储能技术的发展为上述问题提供了一个切实有效的方案，储能系统为微电网系 统提供充放电服务，起到削峰填谷的作用。因此，储能系统能够很好的解决净负荷剧烈波动 所带来的灵活性不足的问题。
当某一区域分布多个微电网系统时，为解决净负荷剧烈波动的情况，需要为微电网系统 配备储能系统。目前，固定式储能系统前期投资运行成本较高，而且大规模使用储能将增加 微电网运行成本。此外，目前固定式储能系统缺乏灵活性，降低了储能运行效率。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种得到移动储能位置和充放 电功率的配置方案及柴油发电机、风机和光伏的调度方案的基于移动储能的多微电网灵活性 提升方法。
本发明解决其技术问题所采用的技术方案是：该基于移动储能的多微电网灵活性提升方 法，其特征在于：包括如下步骤：
计算风机和光伏出力的置信区间；
建立考虑风光不确定性的风险评估模型；
建立考虑卡车运输时间和阻塞延迟的移动储能运输模型；
建立基于移动储能的多微电网优化运行模型；
对多微电网优化运行模型求解，得到移动储能位置和充放电功率的配置方案及柴油发电 机、风机和光伏的调度方案。
优选的，风机输出功率的置信区间为：
Figure BDA0003430063580000021
其中，PW为风机的输出功率，μW为风机输出功率的预测值，σW表示风机输出功率 的标准差。
优选的，光伏输出功率的置信区间为：
Figure BDA0003430063580000022
其中，PS为光伏的输出功率，μS为光伏输出功率的预测值，σS为光伏输出功率的标准差。
优选的，所述方法还包括，风机输出功率的概率密度函数为：
Figure BDA0003430063580000023
其中，PW为风机的输出功率，μW为风机输出功率的预测值，σW表示风机输出功率 的标准差；
光伏输出功率的概率密度函数为：
Figure BDA0003430063580000031
其中，PS为光伏的输出功率，μS为光伏输出功率的预测值，σS为光伏输出功率的标准差。
优选的，所述方法还包括，风机输出功率的功率不足期望值为：
Figure BDA0003430063580000032
光伏输出功率的功率不足期望值为：
Figure BDA0003430063580000033
其中，X表示积分变量，PW，min、PS，min分别表示风电和光伏出力下限。
优选的，所述方法还包括，移动储能在t时从微电网n出发，在
Figure BDA0003430063580000034
时到达微电网m 的模型为：
Figure BDA0003430063580000035
其中，
Figure BDA0003430063580000036
为移动储能从微电网n运输到微电网m所需的最小时间间隔；
Figure BDA0003430063580000037
表示时间 间隔，且
Figure BDA0003430063580000038
Figure BDA0003430063580000039
表示移动储能在t时与微电网n的连接状态；
Figure BDA00034300635800000310
Figure BDA00034300635800000311
其中，round()为四舍五入运算，ηt为t时刻阻塞延迟时间系数，Dn，m为微电网n与m之间的距离，vMESS为移动储能运输的平均速度，NMG为微电网的总数。
优选的，在调度时间内建立移动储能的运输模型Q为：
Figure BDA0003430063580000041
其中，O、I分别为零矩阵和单位矩阵，Nt为调度间隔数，
Figure BDA00034300635800000410
表示移动矩阵。
优选的，所述的移动矩阵
Figure BDA0003430063580000042
为：
Figure BDA0003430063580000043
Figure BDA0003430063580000044
Figure BDA0003430063580000045
其中，
Figure BDA0003430063580000046
是一个二进制变量，表示移动储能在t时从微电网n出发，到达微电网m的 概率；当
Figure BDA0003430063580000047
表示在
Figure BDA0003430063580000048
时移动储能可以到达微电网m站点，否则，
Figure BDA0003430063580000049
优选的，移动储能的多微电网优化运行模型为：
Figure RE-GDA0003586269570000048
Figure RE-GDA0003586269570000049
其中，
Figure BDA0003430063580000052
为t时微电网n中柴油发电机的输出功率；
Figure BDA0003430063580000053
为微电网n中柴油发电 机的运行成本系数；
Figure BDA0003430063580000054
为t时微电网n与主电网的交易功率；
Figure BDA0003430063580000055
为t时的交易电价；
Figure BDA0003430063580000056
为t时移动储能的充放电功率；
Figure BDA0003430063580000057
分别表示移动储能充电和放电功率；
Figure BDA0003430063580000058
分别表示第n台风电和光伏在第t个小时的功率不足期望值；eMESS为移动 储能的运行成本系数；Clabor为人工成本；
Figure BDA0003430063580000059
为t时微电网n中风机和光伏的输出功 率；
Figure BDA00034300635800000510
分别为微电网n中风机输出功率的上下限；
Figure BDA00034300635800000511
分别为微电网n 中光伏输出功率的上下限；
Figure BDA00034300635800000512
分别为微电网n中柴油发电机输出功率的上下限；
Figure BDA00034300635800000513
分别为微电网n中柴油发电机的升速和降速功率限制；
Figure BDA00034300635800000514
为移动储能的充 放电功率的最大值；SoE(t)、SoC(t)分别为移动储能的能量状态和荷电状态；EMESS为移 动储能的最大容量；
Figure BDA0003430063580000061
分别为移动储能的充放电效率；β(t)为二进制状态， β(t)＝1表示移动储能处于放电状态，β(t)＝0表示移动储能处于充电状态；SoCmax、 SoCmin分别为移动储能荷电状态的上下限。
优选的，基于进化捕食智能优化算法对多微电网优化运行模型进行求解。
与现有技术相比，本发明所具有的有益效果是：
本基于移动储能的多微电网灵活性提升方法构造了基于移动储能的多微电网优化运行模 型，得到移动储能位置和充放电功率的配置方案及柴油发电机、风机和光伏的调度方案，解 决了风光资源不确定性引起的系统灵活性不足的问题；通过协调运行策略能够有效应对风光 资源不确定环境下系统灵活性不足的问题，确定了移动储能位置和充放电功率的配置方案及 柴油发电机、风机和光伏的调度方案。
附图说明
图1为基于移动储能的多微电网灵活性提升方法的流程图。
图2为一种基于移动储能的多微电网优化运行模型的结构图。
图3为一种移动储能24小时的最优充放功率和位置变化图。
图4为一种基于移动储能和固定储能的多微电网优化运行模型对风机和光伏输出功率的 变化图。
图5为一种基于移动储能和固定储能的多微电网优化运行模型对柴油发电机输出功率变 化图。
具体实施方式
下面结合具体实施例对本发明做进一步说明，然而熟悉本领域的人们应当了解，在这里 结合附图给出的详细说明是为了更好的解释，本发明的结构必然超出了有限的这些实施例， 而对于一些等同替换方案或常见手段，本文不再做详细叙述，但仍属于本申请的保护范围。
图1～5是本发明的最佳实施例，下面结合附图1～5对本发明做进一步说明。
如图1所示：一种基于移动储能的多微电网灵活性提升方法，包括以下步骤：
计算风机和光伏出力的置信区间；
建立考虑风光不确定性的风险评估模型；
建立考虑卡车运输时间和阻塞延迟的移动储能运输模型；
建立基于移动储能的多微电网优化运行模型；
对多微电网优化运行模型求解，得到移动储能位置和充放电功率的配置方案及柴油发电 机、风机和光伏的调度方案。
本发明构造了基于移动储能的多微电网优化运行模型，得到移动储能位置和充放电功率 的配置方案及柴油发电机、风机和光伏的调度方案，解决了风光资源不确定性引起的系统灵 活性不足的问题。
作为本实施例一种可能的实现方式，计算风机和光伏出力的置信区间的过程为：
假设风机输出功率的预测误差服从高斯分布，则预测误差为：
Figure BDA0003430063580000071
其中，
Figure BDA0003430063580000072
为风机输出功率的偏差；
Figure BDA0003430063580000073
表示高斯分布。
在给定概率α下，风机输出功率的置信区间为：
Figure BDA0003430063580000074
其中，PW为风机的输出功率，μW为风机输出功率的预测值，σW表示风机输出功率 的标准差，Za/2、Z1-a/2分别表示概论为α/2、1-α/2的分位数。
若将风机输出功率的置信水平设置为95％，则α＝0.05，
Figure BDA0003430063580000081
风机输出功率 的置信区间为：
Figure BDA0003430063580000082
同样的，光伏输出功率的预测误差也服从高斯分布，则光伏输出功率的置信区间为：
Figure BDA0003430063580000083
其中，PS为光伏的输出功率，μS为光伏输出功率的预测值，σS为光伏输出功率的标准差。
作为本实施例一种可能的实现方式，建立考虑风光不确定性的风险评估模型的过程为：
计算风机输出功率的概率密度函数为：
Figure BDA0003430063580000084
光伏输出功率的概率密度函数为：
Figure BDA0003430063580000085
采用功率不足期望值来衡量风光资源的不确定性，则风机输出功率的功率不足期望值为：
Figure BDA0003430063580000086
光伏输出功率的功率不足期望值为：
Figure BDA0003430063580000087
其中，X表示积分变量，PW，min、PS，min分别表示风电和光伏出力下限。
移动储能从微电网n运输到微电网m所需的时间间隔
Figure BDA0003430063580000091
为：
Figure BDA0003430063580000092
其中，round()为四舍五入运算，ηt为t时刻阻塞延迟时间系数，Dn，m为微电网n与m之间的距离，vMESS为移动储能运输的平均速度，NMG为微电网的总数。
移动储能在t时从微电网n出发，在
Figure BDA0003430063580000093
时到达微电网m。因为
Figure BDA0003430063580000094
表示到达微电网 m最小的时间间隔，，
Figure BDA0003430063580000095
表示时间间隔，且
Figure BDA0003430063580000096
这可以等价为：
Figure BDA0003430063580000097
Figure BDA0003430063580000098
其中，
Figure BDA0003430063580000099
表示移动储能在t时与微电网n的连接状态；如果移动储能处于连接状态，则
Figure BDA00034300635800000910
否则，
Figure BDA00034300635800000911
基于上面两式，在调度时间内建立移动储能的运输模型Q为：
Figure BDA00034300635800000912
其中，O、I分别为零矩阵和单位矩阵，Nt为调度间隔数，
Figure BDA00034300635800000913
表示移动矩阵。
Figure BDA00034300635800000914
Figure BDA00034300635800000915
Figure BDA00034300635800000916
其中，
Figure BDA0003430063580000101
是一个二进制变量，表示移动储能在t时从微电网n出发，到达微电网m的 概率；当
Figure BDA0003430063580000102
表示在
Figure BDA0003430063580000103
时移动储能可以到达微电网m站点，否则，
Figure BDA0003430063580000104
作为本实施例一种可能的实现方式，建立基于移动储能的多微电网优化运行模型的过程 为：
Figure RE-GDA0003586269570000094
Figure RE-GDA0003586269570000095
其中，
Figure BDA0003430063580000106
为t时微电网n中柴油发电机的输出功率；
Figure BDA0003430063580000107
为微电网n中柴油发电 机的运行成本系数；
Figure BDA0003430063580000108
为t时微电网n与主电网的交易功率；
Figure BDA0003430063580000109
为t时的交易电价；
Figure BDA00034300635800001010
为t时移动储能的充放电功率；
Figure BDA00034300635800001011
分别表示移动储能充电和放电功率；
Figure BDA00034300635800001012
分别表示第n台风电和光伏在第t个小时的功率不足期望值；eMESS为移动 储能的运行成本系数；Clabor为人工成本；
Figure BDA00034300635800001013
为t时微电网n中风机和光伏的输出功 率；
Figure BDA0003430063580000111
分别为微电网n中风机输出功率的上下限；
Figure BDA0003430063580000112
分别为微电网n 中光伏输出功率的上下限；
Figure BDA0003430063580000113
分别为微电网n中柴油发电机输出功率的上下限；
Figure BDA0003430063580000114
分别为微电网n中柴油发电机的升速和降速功率限制；
Figure BDA0003430063580000115
为移动储能的充 放电功率的最大值；SoE(t)、SoC(t)分别为移动储能的能量状态和荷电状态；EMESS为移 动储能的最大容量；
Figure BDA0003430063580000116
分别为移动储能的充放电效率；β(t)为二进制状态， β(t)＝1表示移动储能处于放电状态，β(t)＝0表示移动储能处于充电状态；SoCmax、 SoCmin分别为移动储能荷电状态的上下限。
作为本实施例一种可能的实现方式，对多微电网优化运行模型求解，得到移动储能位置 和充放电功率的配置方案及柴油发电机、风机和光伏的调度方案的过程为：
基于进化捕食智能优化算法对多微电网优化运行模型进行求解，得到移动储能位置和充 放电功率的配置方案及柴油发电机、风机和光伏的调度方案。
采用基于进化捕食智能优化算法对基于移动储能的多微电网优化运行模型进行优化求 解。基于进化捕食智能优化算法详见期刊《Information Sciences》上名称为《Evolutionary predator and prey strategy for global optimization》的内容。
本发明构造了基于移动储能的多微电网优化运行模型，得到移动储能位置和充放电功率 的配置方案及柴油发电机、风机和光伏的调度方案，解决了风光资源不确定性引起的系统灵 活性不足的问题。
下面以一个实例具体说明本发明基于移动储能的多微电网灵活性提升方法，在该实例中 以3个微电网系统系统作为仿真对象，具体数据详见期刊《IEEE Transactions onpower Delivery IEEE Transactions on industrial informatics》上名称为《Optimaloperation of multimicrogrids via cooperative energy and reserve scheduling》的内容。移动储能的最大容量为30kWh，移动储能 充放效率为90％，SoC上下极限分别为1和0.2，卡车劳工费用25$/h，移动储能运行成本 221$/MWh，卡车运输速度40km/h，每个时刻的延迟时间详见期刊《IEEE Transactions on Industrial Electronics》上名称为《Mobileenergy storage scheduling and operation in active distribution systems》的内容。
图2给出了基于移动储能的多微电网优化运行模型的结构图。整个模型包括三个微电网 和移动储能，每个微电网包括负荷，柴油发电机，风机和光伏。
图3给出了移动储能24小时的最优充放功率和位置，移动储能主要停靠在微电网2和3， 因为微电网2和3相对于微电网1来说，具有更大的净负荷波动。同时，移动储能的SOC在 1和0.2之间波动，符合移动储能的SOC约束条件。
图4给出了基于移动储能和固定储能的多微电网优化运行模型对风机和光伏输出功率的 影响，从图中可以看出，基于移动储能的多微电网优化运行模型能够提高可再生能源的渗透 率。
图5给出了基于移动储能和固定储能的多微电网优化运行模型对柴油发电机输出功率的 影响，从图中可以看出，基于移动储能的多微电网优化运行模型能够降低柴油发电机的输出 功率，减少柴油发电机的运行成本，减少的功率部分由风机和光伏的输出功率来弥补，提高 可再生能源的渗透率。
表1基于移动储能和固定储能的多微电网优化运行模型对柴油发电机运行成本的影响
Figure BDA0003430063580000121
表2基于移动储能的多微电网优化运行模型对净负荷平滑度的影响
Figure BDA0003430063580000122
表1给出了基于移动储能和固定储能的多微电网优化运行模型对柴油发电机运行成本的 影响，从表中可以看出，基于移动储能的多微电网优化运行模型能够降低柴油发电机的运行 成本，三个微电网的柴油发电机的运行成本依次降低30.57％，21.42％和15.21％。
表2给出了基于移动储能的多微电网优化运行模型对净负荷平滑度的影响，从表中可以 看出，基于移动储能的多微电网优化运行模型能够改善净负荷的波动，三个微电网的净负荷 平滑度依次提高1.22％，1.36％和0.26％。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟 悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施 例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何 简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种基于移动储能的多微电网灵活性提升方法，其特征在于：包括如下步骤：
计算风机和光伏出力的置信区间；
建立考虑风光不确定性的风险评估模型；
建立考虑卡车运输时间和阻塞延迟的移动储能运输模型；
建立基于移动储能的多微电网优化运行模型；
对多微电网优化运行模型求解，得到移动储能位置和充放电功率的配置方案及柴油发电机、风机和光伏的调度方案。
2.根据权利要求1所述的基于移动储能的多微电网灵活性提升方法，其特征在于：风机输出功率的置信区间为：
Figure FDA0003430063570000011
其中，PW为风机的输出功率，μW为风机输出功率的预测值，σW表示风机输出功率的标准差。
3.根据权利要求1所述的基于移动储能的多微电网灵活性提升方法，其特征在于：光伏输出功率的置信区间为：
Figure FDA0003430063570000012
其中，PS为光伏的输出功率，μS为光伏输出功率的预测值，σS为光伏输出功率的标准差。
4.根据权利要求1所述的基于移动储能的多微电网灵活性提升方法，其特征在于：所述方法还包括，风机输出功率的概率密度函数为：
Figure FDA0003430063570000021
其中，PW为风机的输出功率，μW为风机输出功率的预测值，σW表示风机输出功率的标准差；
光伏输出功率的概率密度函数为：
Figure FDA0003430063570000022
其中，PS为光伏的输出功率，μS为光伏输出功率的预测值，σS为光伏输出功率的标准差。
5.根据权利要求4所述的基于移动储能的多微电网灵活性提升方法，其特征在于：所述方法还包括，风机输出功率的功率不足期望值为：
Figure FDA0003430063570000023
光伏输出功率的功率不足期望值为：
Figure FDA0003430063570000024
其中，X表示积分变量，PW，min、PS，min分别表示风电和光伏出力下限。
6.根据权利要求1所述的基于移动储能的多微电网灵活性提升方法，其特征在于：所述方法还包括，移动储能在t时从微电网n出发，在
Figure FDA0003430063570000025
时到达微电网m的模型为：
Figure FDA0003430063570000026
其中，
Figure FDA0003430063570000027
为移动储能从微电网n运输到微电网m所需的最小时间间隔；
Figure FDA0003430063570000028
表示时间间隔，且
Figure FDA0003430063570000029
表示移动储能在t时与微电网n的连接状态；
Figure FDA00034300635700000210
Figure FDA0003430063570000031
其中，round()为四舍五入运算，ηt为t时刻阻塞延迟时间系数，Dn，m为微电网n与m之间的距离，vMESS为移动储能运输的平均速度，NMG为微电网的总数。
7.根据权利要求6所述的基于移动储能的多微电网灵活性提升方法，其特征在于：在调度时间内建立移动储能的运输模型Q为：
Figure FDA0003430063570000032
其中，O、I分别为零矩阵和单位矩阵，Nt为调度间隔数，
Figure FDA0003430063570000033
表示移动矩阵。
8.根据权利要求7所述的基于移动储能的多微电网灵活性提升方法，其特征在于：所述的移动矩阵
Figure FDA0003430063570000034
为：
Figure FDA0003430063570000035
Figure FDA0003430063570000036
Figure FDA0003430063570000037
其中，
Figure FDA0003430063570000038
是一个二进制变量，表示移动储能在t时从微电网n出发，到达微电网m的概率；当
Figure FDA0003430063570000039
表示在
Figure FDA00034300635700000310
时移动储能可以到达微电网m站点，否则，
Figure FDA00034300635700000311
9.根据权利要求1所述的基于移动储能的多微电网灵活性提升方法，其特征在于：移动储能的多微电网优化运行模型为：
Figure RE-FDA0003586269560000041
Figure RE-FDA0003586269560000042
其中，
Figure RE-FDA0003586269560000043
为t时微电网n中柴油发电机的输出功率；
Figure RE-FDA0003586269560000044
为微电网n中柴油发电机的运行成本系数；
Figure RE-FDA0003586269560000045
为t时微电网n与主电网的交易功率；
Figure RE-FDA0003586269560000046
为t时的交易电价；
Figure RE-FDA0003586269560000047
为t时移动储能的充放电功率；
Figure RE-FDA0003586269560000048
分别表示移动储能充电和放电功率；
Figure RE-FDA0003586269560000049
分别表示第n台风电和光伏在第t个小时的功率不足期望值；eMESS为移动储能的运行成本系数；Clabor为人工成本；
Figure RE-FDA00035862695600000410
为t时微电网n中风机和光伏的输出功率；
Figure RE-FDA00035862695600000411
分别为微电网n中风机输出功率的上下限；
Figure RE-FDA00035862695600000412
分别为微电网n中光伏输出功率的上下限；
Figure RE-FDA00035862695600000413
分别为微电网n中柴油发电机输出功率的上下限；
Figure RE-FDA00035862695600000414
分别为微电网n中柴油发电机的升速和降速功率限制；
Figure RE-FDA00035862695600000415
为移动储能的充放电功率的最大值；SoE(t)、SoC(t)分别为移动储能的能量状态和荷电状态；EMESS为移动储能的最大容量；
Figure RE-FDA0003586269560000051
分别为移动储能的充放电效率；β(t)为二进制状态，β(t)＝1表示移动储能处于放电状态，β(t)＝0表示移动储能处于充电状态；SoCmax、SoCmin分别为移动储能荷电状态的上下限。
10.根据权利要求1所述的基于移动储能的多微电网灵活性提升方法，其特征在于：基于进化捕食智能优化算法对多微电网优化运行模型进行求解。
CN202111591673.5A 2021-12-23 2021-12-23 一种基于移动储能的多微电网灵活性提升方法 Pending CN114447975A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111591673.5A CN114447975A (zh) 2021-12-23 2021-12-23 一种基于移动储能的多微电网灵活性提升方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111591673.5A CN114447975A (zh) 2021-12-23 2021-12-23 一种基于移动储能的多微电网灵活性提升方法

Publications (1)

Publication Number Publication Date
CN114447975A true CN114447975A (zh) 2022-05-06

Family

ID=81363534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111591673.5A Pending CN114447975A (zh) 2021-12-23 2021-12-23 一种基于移动储能的多微电网灵活性提升方法

Country Status (1)

Country Link
CN (1) CN114447975A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116154961A (zh) * 2023-02-11 2023-05-23 珠海康晋电气股份有限公司 一种分布式移动储能装置运维系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116154961A (zh) * 2023-02-11 2023-05-23 珠海康晋电气股份有限公司 一种分布式移动储能装置运维系统
CN116154961B (zh) * 2023-02-11 2023-12-19 珠海康晋电气股份有限公司 一种分布式移动储能装置运维系统

Similar Documents

Publication Publication Date Title
Xu et al. Greenhouse gas emissions of electric vehicles in Europe considering different charging strategies
US9825479B2 (en) Method, device, and system for controlling charging and discharging of energy storage apparatus
CN108539793B (zh) 一种海岛微电网综合优化配置方法及装置
CN106295853B (zh) 基于储能调度模式的分布式光伏两阶段多目标就地消纳法
CN108520314A (zh) 结合v2g技术的主动配电网调度方法
Li et al. An energy efficient solution: Integrating plug-in hybrid electric vehicle in smart grid with renewable energy
Eid et al. Efficient operation of battery energy storage systems, electric-vehicle charging stations and renewable energy sources linked to distribution systems
CN111682529B (zh) 一种基于节点电价信息的移动储能车灵活调度方法
Katsigiannis et al. A software tool for capacity optimization of hybrid power systems including renewable energy technologies based on a hybrid genetic algorithm—tabu search optimization methodology
CN116151486A (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
CN114977320A (zh) 一种配电网源网荷储多目标协同规划方法
Khoubseresht et al. An analytical optimum method for simultaneous integration of PV, wind turbine and BESS to maximize technical benefits
Han et al. Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs
CN114447975A (zh) 一种基于移动储能的多微电网灵活性提升方法
CN117013531A (zh) 配电网的容量域评估方法
CN116247678A (zh) 一种基于潮流模型的两级配电网协同优化运行方法及系统
Jin et al. Joint scheduling of electric vehicle charging and energy storage operation
CN112821451B (zh) 基于需求侧管理与储能的城镇配电网光伏接入应对方法
KR102562761B1 (ko) 스마트 그리드에서 p2p 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법
CN108022055A (zh) 一种基于粒子群模型的微电网经济调度方法
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
Liu et al. Quantifying the impact of microgrid location and behavior on transmission network congestion
CN113962528A (zh) 多场景优化的混合可再生能源系统投建决策方法及系统
CN113488990A (zh) 基于改进的蝙蝠算法的微电网优化调度方法
Chang et al. Bi‐level scheduling of large‐scale electric vehicles based on the generation side and the distribution side

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