CN114597894A - 考虑碳成本及多重不确定性的配电网日前调度方法及装置 - Google Patents

考虑碳成本及多重不确定性的配电网日前调度方法及装置 Download PDF

Info

Publication number
CN114597894A
CN114597894A CN202210252394.4A CN202210252394A CN114597894A CN 114597894 A CN114597894 A CN 114597894A CN 202210252394 A CN202210252394 A CN 202210252394A CN 114597894 A CN114597894 A CN 114597894A
Authority
CN
China
Prior art keywords
demand response
power
cost
day
constraint
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
CN202210252394.4A
Other languages
English (en)
Inventor
刘洪�
侯亭玉
谢继勇
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.)
Anhui Xiyao Electric Power Technology Co ltd
Hefei Institute Of Innovation And Development Tianjin University
Original Assignee
Anhui Xiyao Electric Power Technology Co ltd
Hefei Institute Of Innovation And Development Tianjin 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 Anhui Xiyao Electric Power Technology Co ltd, Hefei Institute Of Innovation And Development Tianjin University filed Critical Anhui Xiyao Electric Power Technology Co ltd
Priority to CN202210252394.4A priority Critical patent/CN114597894A/zh
Publication of CN114597894A publication Critical patent/CN114597894A/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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/38—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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/20—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
    • 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)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种考虑碳成本及多重不确定性的配电网日前调度方法及装置，属于电力系统及自动化技术领域，方法包括采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，日前经济调度模型以包括用户购电成本、需求响应成本和碳成本综合最小为目标函数，约束条件为功率平衡约束、需求响应约束和不确定性约束，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量；根据求解结果，制定日前经济调度计划。本发明采用的计及碳成本并考虑多重不确定性的日前经济调度模型，在系统满足功率平衡约束、需求响应约束以及不确定性约束的条件下，可得到最佳的调度方案。

Description

考虑碳成本及多重不确定性的配电网日前调度方法及装置
技术领域
本发明涉及电力系统及其自动化技术领域，具体涉及一种考虑碳成本及多重不确定性的配电网日前调度方法及装置。
背景技术
“双碳“目标下，新能源比例大幅增长，以光伏为代表的分布式发电资源得到了大规模应用，然而光伏的出力具有随机性和不确定性，时序特征明显，配电网中源荷存在不匹配的现象。需求响应通过平移负荷可以减少高峰时刻配电网的购电成本以及相应的碳成本，同时促进新能源的消纳，然而需求响应也存在一定的不确定性。
相关技术中，申请号为202011579268.7的发明专利申请公开了一种基于序列运算的有源配电系统源网荷储日前有功调度方法，以有源配电系统日前综合运行成本最低为目标，构建有源配电系统源网荷储有功优化调度模型，并将风电、光伏出力及负荷预测概率模型离散化为概率性序列进行潮流计算，从而解决分布式可再生能源发电有功出力及负荷的不确定性问题。
申请号为202010826331.6的发明专利申请公开了一种基于两阶段调度的低电压治理方法，通过需求响应参与负荷峰谷调节产生的让利成本、火电的运行成本、储能的运行成本构建日前调度优化目标，通过弃光成本、负荷调峰成本、系统电压偏移惩罚构建日内调度优化目标，需求响应参与调度可以提升调度方案的经济性，调度模型中考虑弃光惩罚可以提升光伏有功利用率、降低非主动切负荷损失，客观提升配电网可靠性。
2019年8月1日发表的题目为“低碳背景下考虑主动配电网响应的电力系统协调调度研究”文章记载了在日前调度方面，考虑主动配电网响应的最优阶梯模型，调节高排放地区的整体碳排放量，主动配电网的响应使得系统具有更大的碳排放量调节空间。
但目前仍缺乏计及碳成本并考虑多重不确定性的配电网日前优化调度方案，不利于促进源荷匹配、新能源消纳并减少碳排放和“双碳”目标的实现。
发明内容
本发明所要解决的技术问题在于如何得到最佳的日前调度方案，促进源荷匹配、新能源消纳并减少碳排放。
本发明通过以下技术手段实现解决上述技术问题的：
一方面，本发明提出了一种考虑碳成本及多重不确定性的配电网日前调度方法，所述方法包括以下步骤：
采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，其中，所述日前经济调度模型以包括用户购电成本、需求响应成本和碳成本综合最小为目标函数，约束条件为功率平衡约束、需求响应约束和不确定性约束，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量；
根据所述求解结果，制定日前经济调度计划。
本发明采用的计及碳成本并考虑多重不确定性的日前经济调度模型，考虑到光伏出力、负荷变化以及需求响应的不确定性，建立了含不确定性变量的模糊集，并引入相关约束，该模型采用两阶段鲁棒优化，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量，使用列与约束生成算法(C&CG)对模型进行求解，最后根据求解结果制定日前经济调度计划。通过以一天内配电网运行的总成本最小为目标，以需求响应的位置、需求响应的功率、需求响应的时刻及时长以及偏差变量为决策变量，在系统满足功率平衡约束、需求响应约束以及不确定性约束的条件下，建立两阶段鲁棒优化模型，最终找到最佳的调度方案。而且考虑碳成本后，光伏发电的优势会更显著，会使优化向购电量减少的方向优化，有利于减少碳排放；考虑需求响应可以改善负荷曲线，有利于提升新能源利用效率。
进一步地，所述目标函数为：
Figure BDA0003547291040000031
Figure BDA0003547291040000032
Figure BDA0003547291040000033
Figure BDA0003547291040000034
其中，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量，所述需求响应决策变量包括需求响应的功率、响应的时刻及时长，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本；
ct为t时刻的电价，
Figure BDA0003547291040000036
为t时刻因光伏发出功率不能满足负荷需求时电网的购电功率，cDR为合同规定的用户参与需求响应时单位响应功率的补偿价格，
Figure BDA0003547291040000035
为t时刻响应的功率，T为参与响应时刻的集合，α为单位购电功率对应的碳成本。
进一步地，所述需求响应约束为：
Figure BDA0003547291040000041
Figure BDA0003547291040000042
Figure BDA0003547291040000043
其中，
Figure BDA0003547291040000044
为t时刻节点i收到需求响应指令的标志，若收到指令，其值为1，反之为0；
Figure BDA0003547291040000045
为节点i处用户t时刻应响应的功率，Δt为向后平移的时段；
Figure BDA0003547291040000046
为第i个节点处t时刻的负荷功率，
Figure BDA0003547291040000047
为参与需求响应的节点的集合；
所述不确定性约束为：
Figure BDA0003547291040000048
其中，
Figure BDA0003547291040000049
为负荷的预测值，
Figure BDA00035472910400000410
为负荷变化的最大向下偏差，
Figure BDA00035472910400000411
为负荷变化的最大向上偏差；
Figure BDA00035472910400000412
为光伏出力的预测值，
Figure BDA00035472910400000413
为光伏出力的最大向下偏差，
Figure BDA00035472910400000414
为光伏出力的最大向上偏差；
Figure BDA00035472910400000415
为需求响应的计划值，
Figure BDA00035472910400000416
为需求响应的最大向下偏差，
Figure BDA00035472910400000417
为需求响应的最大向上偏差。
进一步地，所述方法还包括：
采用标准化的偏差变量将所述日前经济调度模型中的所述不确定性约束修改为：
Figure BDA00035472910400000418
其中，标准化的偏差变量为
Figure BDA00035472910400000419
Figure BDA00035472910400000420
Bt为预算值。
进一步地，所述采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，包括：
对主问题进行求解，所述主问题包含极限场景下的参与需求响应用户的最佳位置；
将所述最佳位置传给子问题，所述子问题为通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景，并添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代得到所述求解结果。
进一步地，所述主问题的表示形式为：
Figure BDA0003547291040000051
s.t.η≥(Cbuy+CDR+Ccarbon),x＝xl
日前经济调度模型的约束条件，
Figure BDA0003547291040000052
其中，xl是不确定性a＝al下，
Figure BDA0003547291040000053
的最优解，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量。
进一步地，所述子问题的表示形式为：
Figure BDA0003547291040000054
其中，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量。
另一方面，本发明提出了一种考虑碳成本及多重不确定性的配电网日前调度装置，所述装置包括：
求解模块，用于采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，其中，所述日前经济调度模型以包括用户购电成本、需求响应成本和碳成本综合最小为目标函数，约束条件为功率平衡约束、需求响应约束和不确定性约束，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量；
制定模块，用于根据所述求解结果，制定日前经济调度计划。
进一步地，所述目标函数为：
Figure BDA0003547291040000061
Figure BDA0003547291040000062
Figure BDA0003547291040000063
Figure BDA0003547291040000064
其中，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量，所述需求响应决策变量包括需求响应的功率、响应的时刻及时长，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本；
ct为t时刻的电价，
Figure BDA0003547291040000065
为t时刻因光伏发出功率不能满足负荷需求时电网的购电功率，cDR为合同规定的用户参与需求响应时单位响应功率的补偿价格，
Figure BDA0003547291040000066
为t时刻响应的功率，T为参与响应时刻的集合，α为单位购电功率对应的碳成本。
进一步地，所述求解模块包括：
第一求解单元，用于对主问题进行求解，所述主问题包含极限场景下的参与需求响应用户的最佳位置；
第二求解单元，用于将所述最佳位置传给子问题，所述子问题为通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景；
迭代单元，用于添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代得到所述求解结果。
本发明的优点在于：
(1)本发明采用的计及碳成本并考虑多重不确定性的日前经济调度模型，考虑到光伏出力、负荷变化以及需求响应的不确定性，建立了含不确定性变量的模糊集，并引入相关约束，该模型采用两阶段鲁棒优化，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量，使用列与约束生成算法(C&CG)对模型进行求解，最后根据求解结果制定日前经济调度计划。通过以一天内配电网运行的总成本最小为目标，以需求响应的位置、需求响应的功率、需求响应的时刻及时长以及偏差变量为决策变量，在系统满足功率平衡约束、需求响应约束以及不确定性约束的条件下，建立两阶段鲁棒优化模型，最终找到最佳的调度方案。而且考虑碳成本后，光伏发电的优势会更显著，会使优化向购电量减少的方向优化，有利于减少碳排放；考虑需求响应可以改善负荷曲线，有利于提升新能源利用效率。
(2)主问题是求解包含极限场景下的参与需求响应用户的最佳位置，并将其传给子问题，子问题是通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景，通过添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代求得日前经济调度的最优解，解决了考虑需求响应位置不确定的配电网日前调度问题。
本发明附加的方面和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，或通过本发明的实践了解到。
附图说明
图1是本发明第一实施例中考虑碳成本及多重不确定性的配电网日前调度方法的流程图；
图2是本发明第一实施例中考虑碳成本及多重不确定性的配电网日前调度原理框图；
图3是本发明第二实施例中考虑碳成本及多重不确定性的配电网日前调度装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1至图2所示，本发明实施例提出了一种考虑碳成本及多重不确定性的配电网日前调度方法，所述方法包括以下步骤：
S10、采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，其中，所述日前经济调度模型以包括用户购电成本、需求响应成本和碳成本综合最小为目标函数，约束条件为功率平衡约束、需求响应约束和不确定性约束，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量；
S20、根据所述求解结果，制定日前经济调度计划。
需要说明的是，本实施例采用的计及碳成本并考虑多重不确定性的日前经济调度模型，考虑到光伏出力、负荷变化以及需求响应的不确定性，建立了含不确定性变量的模糊集，并引入相关约束，该模型采用两阶段鲁棒优化，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量，使用列与约束生成算法(C&CG)对模型进行求解，最后根据求解结果制定日前经济调度计划。通过以一天内配电网运行的总成本最小为目标，以需求响应的位置、需求响应的功率、需求响应的时刻及时长以及偏差变量为决策变量，在系统满足功率平衡约束、需求响应约束以及不确定性约束的条件下，建立两阶段鲁棒优化模型，最终找到最佳的调度方案。而且考虑碳成本后，光伏发电的优势会更显著，会使优化向购电量减少的方向优化，有利于减少碳排放；考虑需求响应可以改善负荷曲线，有利于提升新能源利用效率。
在一实施例中，考虑到配电网中参与需求响应用户位置的随机性，负荷变化和光伏出力的不确定性以及用户需求响应的不确定性，旨在找到最恶劣场景下的一天24h内配电网最小总运行成本对应的调度方案，总成本包含用户购电成本、需求响应成本和碳成本，故目标函数为：
Figure BDA0003547291040000091
Figure BDA0003547291040000092
Figure BDA0003547291040000093
Figure BDA0003547291040000094
其中，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量，所述需求响应决策变量包括需求响应的功率、响应的时刻及时长，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本；
ct为t时刻的电价，
Figure BDA0003547291040000095
为t时刻因光伏发出功率不能满足负荷需求时电网的购电功率，cDR为合同规定的用户参与需求响应时单位响应功率的补偿价格，
Figure BDA0003547291040000101
为t时刻响应的功率，T为参与响应时刻的集合，α为单位购电功率对应的碳成本。
在一实施例中，目标函数的约束条件为：
(1)功率平衡约束条件
Figure BDA0003547291040000102
Figure BDA0003547291040000103
Figure BDA0003547291040000104
Figure BDA0003547291040000105
Figure BDA0003547291040000106
其中：
Figure BDA0003547291040000107
φb为所有支路的集合，
Figure BDA0003547291040000108
为所有节点的集合，
Figure BDA0003547291040000109
为t时刻因光伏发出功率不能满足负荷需求时电网购电功率，
Figure BDA00035472910400001010
为节点i处的负荷t时刻消耗的功率，
Figure BDA00035472910400001011
为节点i处的光伏t时刻发出的功率，
Figure BDA00035472910400001012
为支路ij在t时刻损耗的功率，rij为支路ij的电阻，
Figure BDA00035472910400001013
为t时刻支路ij上流过的有功功率，
Figure BDA00035472910400001014
为t时刻支路ij上流过的无功功率，
Figure BDA00035472910400001015
为t时刻节点i的电压幅值的平方，节点i为功率流出节点，
Figure BDA00035472910400001016
为t时刻节点j的电压幅值的平方，节点j为功率流入节点，xij为支路ij的电抗，Zij为支路ij的阻抗，
Figure BDA00035472910400001017
为t时刻节点i处负荷的有功功率，
Figure BDA00035472910400001018
为t时刻节点i处DG的有功功率，
Figure BDA00035472910400001019
为t时刻节点i处负荷的无功功率，
Figure BDA00035472910400001020
为t时刻节点i处DG的无功功率。
(2)需求响应约束条件
Figure BDA00035472910400001021
Figure BDA00035472910400001022
Figure BDA0003547291040000111
其中，
Figure BDA0003547291040000112
为t时刻节点i收到需求响应指令的标志，若收到指令，其值为1，反之为0；
Figure BDA0003547291040000113
为节点i处用户t时刻应响应的功率，Δt为向后平移的时段；
Figure BDA0003547291040000114
为第i个节点处t时刻的负荷功率，
Figure BDA0003547291040000115
为参与需求响应的节点的集合，
Figure BDA0003547291040000116
为t+Δt时刻节点i处负荷的有功功率。
(3)不确定性约束条件
配电网中源荷预测的不确定性主要来源于光伏出力和负荷功率的日前预测偏差。用户需求响应的不确定性在于需求响应功率的不确定性。此处建立模糊集来描述这种不确定性，如下式所示：
Figure BDA0003547291040000117
其中：
Figure BDA0003547291040000118
为负荷的预测值，
Figure BDA0003547291040000119
为负荷变化的最大向下偏差，
Figure BDA00035472910400001110
为负荷变化的最大向上偏差；
Figure BDA00035472910400001111
为光伏出力的预测值，
Figure BDA00035472910400001112
为光伏出力的最大向下偏差，
Figure BDA00035472910400001113
为光伏出力的最大向上偏差；
Figure BDA00035472910400001114
为需求响应的计划值，
Figure BDA00035472910400001115
为需求响应的最大向下偏差，
Figure BDA00035472910400001116
为需求响应的最大向上偏差。
在一实施例中，所述方法还包括：
采用标准化的偏差变量将所述日前经济调度模型中的所述不确定性约束修改为：
Figure BDA00035472910400001117
Figure BDA00035472910400001118
其中，标准化的偏差变量为
Figure BDA00035472910400001119
Figure BDA0003547291040000121
Bt为预算值，该预算值为一个边界条件，可根据实际需求自行取值，通过过调整Bt的大小，来改变模型的鲁棒性。
需要说明的是，配电网中源荷预测的不确定性主要来源于光伏出力和负荷功率的日前预测偏差。用户需求响应的不确定性在于需求响应功率的不确定性，此处建立模糊集来描述这种不确定性，这个模糊集可以进一步用标准化的偏差变量
Figure BDA0003547291040000122
来表示，以更直观地表示出实际值相对预测值的偏差程度，偏差变量都在[0,1]之间，表示预测值实际的向上或向下偏差。同时利用不确定性预算技术来控制整体偏差水平，通过调整不确定性约束中的预算值，来改变模型的保守度。
在一实施例中，所述步骤S10，包括以下步骤：
S11、对主问题进行求解，所述主问题包含极限场景下的参与需求响应用户的最佳位置；
S12、将所述最佳位置传给子问题，所述子问题为通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景，并添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代得到所述求解结果。
进一步地，采用列与约束生成算法对日前经济调度模型进行求解的具体过程如下：
1)设置LB＝-∞,UB＝+∞，索引k＝0
2)求解如下主问题：
Figure BDA0003547291040000123
s.t.η≥(Cbuy+CDR+Ccarbon),x＝xl (16)
式(2)-式(15)，a＝al,
Figure BDA0003547291040000131
其中，xl是不确定性a＝al下
Figure BDA0003547291040000132
的最优解
求出最优解
Figure BDA0003547291040000133
更新下界
Figure BDA0003547291040000134
其中
Figure BDA0003547291040000135
为第k+1次计算得到的最优需求响应位置，
Figure BDA0003547291040000136
为第k+1次计算得到的最优η值，x1*为第1次计算得到的
Figure BDA0003547291040000137
的最优解，xk*为第k次计算得到的
Figure BDA0003547291040000138
的最优解，al为给定的一个场景(不确定性)。
3)代入
Figure BDA0003547291040000139
求解如下子问题：
Figure BDA00035472910400001310
更新上界
Figure BDA00035472910400001311
为
Figure BDA00035472910400001312
时求得的Ο(y)的值。
4)如果UB-LB≤ε，返回
Figure BDA00035472910400001313
程序终止。否则：
如果
Figure BDA00035472910400001314
添加变量xk+1，添加如下约束到主问题的公式
s.t.η≥(Cbuy+CDR+Ccarbon),x＝xl中：
η≥(Cbuy+CDR+Ccarbon),x＝xk+1 (18)
式(2)-式(15)，
Figure BDA00035472910400001315
其中，
Figure BDA00035472910400001316
是子问题求解得到的在
Figure BDA00035472910400001317
下的最恶劣场景，对子问题可以利用数据库进行枚举求得。
然后，更新k＝k+1，跳转至步骤2)。
如果
Figure BDA00035472910400001318
(对于某些a*∈A，如果第二阶段决策
Figure BDA00035472910400001319
不可行，则把
Figure BDA00035472910400001320
记为+∞，添加变量xk+1，添加如下约束到主问题的公式s.t.η≥(Cbuy+CDR+Ccarbon),x＝xl中，
式(2)-式(15)，
Figure BDA0003547291040000141
其中，
Figure BDA0003547291040000142
是子问题在
Figure BDA0003547291040000143
下不可行的不确定性a的值。
然后，更新k＝k+1，跳转至步骤2)。
本实施例采用列与约束生成算法，主问题是求解包含极限场景下的参与需求响应用户的最佳位置，并将其传给子问题，子问题是通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景，通过添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代求得最优解，解决了考虑需求响应位置不确定的配电网日前调度问题。
此外，如图3所示，本发明实施例还提出了一种考虑碳成本及多重不确定性的配电网日前调度装置，所述装置包括：
求解模块10，用于采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，其中，所述日前经济调度模型以包括用户购电成本、需求响应成本和碳成本综合最小为目标函数，约束条件为功率平衡约束、需求响应约束和不确定性约束，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量；
制定模块20，用于根据所述求解结果，制定日前经济调度计划。
在一实施例中，所述目标函数为：
Figure BDA0003547291040000144
Figure BDA0003547291040000145
Figure BDA0003547291040000146
Figure BDA0003547291040000151
其中，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量，所述需求响应决策变量包括需求响应的功率、响应的时刻及时长，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本；
ct为t时刻的电价，
Figure BDA0003547291040000152
为t时刻因光伏发出功率不能满足负荷需求时电网的购电功率，cDR为合同规定的用户参与需求响应时单位响应功率的补偿价格，
Figure BDA0003547291040000153
为t时刻响应的功率，T为参与响应时刻的集合，α为单位购电功率对应的碳成本。
在一实施例中，功率平衡约束条件
Figure BDA0003547291040000154
Figure BDA0003547291040000155
Figure BDA0003547291040000156
Figure BDA0003547291040000157
Figure BDA0003547291040000158
其中：
Figure BDA0003547291040000159
φb为所有支路的集合，
Figure BDA00035472910400001510
为所有节点的集合，
Figure BDA00035472910400001511
为t时刻因光伏发出功率不能满足负荷需求时电网购电功率，
Figure BDA00035472910400001512
为节点i处的负荷t时刻消耗的功率，
Figure BDA00035472910400001513
为节点i处的光伏t时刻发出的功率，
Figure BDA00035472910400001514
为支路ij在t时刻损耗的功率，rij为支路ij的电阻，
Figure BDA00035472910400001515
为t时刻支路ij上流过的有功功率，
Figure BDA00035472910400001516
为t时刻支路ij上流过的无功功率，
Figure BDA00035472910400001517
为t时刻节点i的电压幅值的平方，节点i为功率流出节点，
Figure BDA00035472910400001518
为t时刻节点j的电压幅值的平方，节点j为功率流入节点，xij为支路ij的电抗，Zij为支路ij的阻抗，
Figure BDA0003547291040000161
为t时刻节点i处负荷的有功功率，
Figure BDA0003547291040000162
为t时刻节点i处DG的有功功率，
Figure BDA0003547291040000163
为t时刻节点i处负荷的无功功率，
Figure BDA0003547291040000164
为t时刻节点i处DG的无功功率。
需求响应约束条件为：
Figure BDA0003547291040000165
Figure BDA0003547291040000166
Figure BDA0003547291040000167
其中，
Figure BDA0003547291040000168
为t时刻节点i收到需求响应指令的标志，若收到指令，其值为1，反之为0；
Figure BDA0003547291040000169
为节点i处用户t时刻应响应的功率，Δt为向后平移的时段；
Figure BDA00035472910400001610
为第i个节点处t时刻的负荷功率，
Figure BDA00035472910400001611
为参与需求响应的节点的集合，
Figure BDA00035472910400001612
为t+Δt时刻节点i处负荷的有功功率。
不确定性约束条件为：
配电网中源荷预测的不确定性主要来源于光伏出力和负荷功率的日前预测偏差。用户需求响应的不确定性在于需求响应功率的不确定性。此处建立模糊集来描述这种不确定性，如下式所示：
Figure BDA00035472910400001613
其中：
Figure BDA00035472910400001614
为负荷的预测值，
Figure BDA00035472910400001615
为负荷变化的最大向下偏差，
Figure BDA00035472910400001616
为负荷变化的最大向上偏差；
Figure BDA00035472910400001617
为光伏出力的预测值，
Figure BDA00035472910400001618
为光伏出力的最大向下偏差，
Figure BDA00035472910400001619
为光伏出力的最大向上偏差；
Figure BDA00035472910400001620
为需求响应的计划值，
Figure BDA00035472910400001621
为需求响应的最大向下偏差，
Figure BDA00035472910400001622
为需求响应的最大向上偏差。
在一实施例中，所述装置还包括：
条件修改模块，用于采用标准化的偏差变量将所述日前经济调度模型中的所述不确定性约束修改为：
Figure BDA0003547291040000171
Figure BDA0003547291040000172
其中，标准化的偏差变量为
Figure BDA0003547291040000173
Figure BDA0003547291040000174
Bt为预算值。
需要说明的是，配电网中源荷预测的不确定性主要来源于光伏出力和负荷功率的日前预测偏差。用户需求响应的不确定性在于需求响应功率的不确定性，此处建立模糊集来描述这种不确定性，这个模糊集可以进一步用标准化的偏差变量
Figure BDA0003547291040000175
来表示，偏差变量都在[0,1]之间，表示预测值实际的向上或向下偏差。同时利用不确定性预算技术来控制整体偏差水平，通过调整不确定性约束中的预算值，来改变模型的保守度。
在一实施例中，所述求解模块10包括：
第一求解单元，用于对主问题进行求解，所述主问题包含极限场景下的参与需求响应用户的最佳位置；
第二求解单元，用于将所述最佳位置传给子问题，所述子问题为通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景；
迭代单元，用于添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代得到所述求解结果。
本实施例采用的计及碳成本并考虑多重不确定性的日前经济调度模型，考虑到光伏出力、负荷变化以及需求响应的不确定性，建立了含不确定性变量的模糊集，并引入相关约束，该模型采用两阶段鲁棒优化，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量，使用列与约束生成算法(C&CG)对模型进行求解，最后根据求解结果制定日前经济调度计划。通过以一天内配电网运行的总成本最小为目标，以需求响应的位置、需求响应的功率、需求响应的时刻及时长以及偏差变量为决策变量，在系统满足功率平衡约束、需求响应约束以及不确定性约束的条件下，建立两阶段鲁棒优化模型，最终找到最佳的调度方案。而且考虑碳成本后，光伏发电的优势会更显著，会使优化向购电量减少的方向优化，有利于减少碳排放；考虑需求响应可以改善负荷曲线，有利于提升新能源利用效率。
需要说明的是，本发明所述考虑碳成本及多重不确定性的配电网日前调度装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种考虑碳成本及多重不确定性的配电网日前调度方法，其特征在于，所述方法包括：
采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，其中，所述日前经济调度模型以包括用户购电成本、需求响应成本和碳成本综合最小为目标函数，约束条件为功率平衡约束、需求响应约束和不确定性约束，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量；
根据所述求解结果，制定日前经济调度计划。
2.如权利要求1所述的考虑碳成本及多重不确定性的配电网日前调度方法，其特征在于，所述目标函数为：
Figure FDA0003547291030000011
Figure FDA0003547291030000012
Figure FDA0003547291030000013
Figure FDA0003547291030000014
其中，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量，所述需求响应决策变量包括需求响应的功率、响应的时刻及时长，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本；
ct为t时刻的电价，
Figure FDA0003547291030000015
为t时刻因光伏发出功率不能满足负荷需求时电网的购电功率，cDR为合同规定的用户参与需求响应时单位响应功率的补偿价格，
Figure FDA0003547291030000021
为t时刻响应的功率，T为参与响应时刻的集合，α为单位购电功率对应的碳成本。
3.如权利要求1所述的考虑碳成本及多重不确定性的配电网日前调度方法，其特征在于，所述需求响应约束为：
Figure FDA0003547291030000022
Figure FDA0003547291030000023
Figure FDA0003547291030000024
其中，
Figure FDA0003547291030000025
为t时刻节点i收到需求响应指令的标志，若收到指令，其值为1，反之为0；
Figure FDA0003547291030000026
为节点i处用户t时刻应响应的功率，Δt为向后平移的时段；
Figure FDA0003547291030000027
为第i个节点处t时刻的负荷功率，
Figure FDA0003547291030000028
为参与需求响应的节点的集合；
所述不确定性约束为：
Figure FDA0003547291030000029
其中，
Figure FDA00035472910300000210
为负荷的预测值，
Figure FDA00035472910300000211
为负荷变化的最大向下偏差，
Figure FDA00035472910300000212
为负荷变化的最大向上偏差；
Figure FDA00035472910300000213
为光伏出力的预测值，
Figure FDA00035472910300000214
为光伏出力的最大向下偏差，
Figure FDA00035472910300000215
为光伏出力的最大向上偏差；
Figure FDA00035472910300000216
为需求响应的计划值，
Figure FDA00035472910300000217
为需求响应的最大向下偏差，
Figure FDA00035472910300000218
为需求响应的最大向上偏差。
4.如权利要求3所述的考虑碳成本及多重不确定性的配电网日前调度方法，其特征在于，所述方法还包括：
采用标准化的偏差变量将所述日前经济调度模型中的所述不确定性约束修改为：
Figure FDA0003547291030000031
其中，标准化的偏差变量为
Figure FDA0003547291030000032
Figure FDA0003547291030000033
Bt为预算值。
5.如权利要求1-4任一项所述的考虑碳成本及多重不确定性的配电网日前调度方法，其特征在于，所述采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，包括：
对主问题进行求解，所述主问题包含极限场景下的参与需求响应用户的最佳位置；
将所述最佳位置传给子问题，所述子问题为通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景，并添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代得到所述求解结果。
6.如权利要求5所述的考虑碳成本及多重不确定性的配电网日前调度方法，其特征在于，所述主问题的表示形式为：
Figure FDA0003547291030000034
s.t.η≥(Cbuy+CDR+Ccarbon),x＝xl
日前经济调度模型的约束条件，
Figure FDA0003547291030000035
其中，xl是不确定性a＝al下，
Figure FDA0003547291030000036
的最优解，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量。
7.如权利要求5所述的考虑碳成本及多重不确定性的配电网日前调度方法，其特征在于，所述子问题的表示形式为：
Figure FDA0003547291030000041
其中，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量。
8.一种考虑碳成本及多重不确定性的配电网日前调度装置，其特征在于，所述装置包括：
求解模块，用于采用列与约束生成算法对日前经济调度模型进行求解，得到求解结果，其中，所述日前经济调度模型以包括用户购电成本、需求响应成本和碳成本综合最小为目标函数，约束条件为功率平衡约束、需求响应约束和不确定性约束，优化变量为参与需求响应的位置、需求响应的功率、响应的时刻及时长以及偏差变量；
制定模块，用于根据所述求解结果，制定日前经济调度计划。
9.如权利要求8所述的考虑碳成本及多重不确定性的配电网日前调度装置，其特征在于，所述目标函数为：
Figure FDA0003547291030000042
Figure FDA0003547291030000043
Figure FDA0003547291030000044
Figure FDA0003547291030000045
其中，y为位置决策变量，a为不确定的偏差变量，x为需求响应决策变量，所述需求响应决策变量包括需求响应的功率、响应的时刻及时长，Cbuy为电网的购电成本，CDR为需求响应成本，Ccarbon为碳成本；
ct为t时刻的电价，
Figure FDA0003547291030000046
为t时刻因光伏发出功率不能满足负荷需求时电网的购电功率，cDR为合同规定的用户参与需求响应时单位响应功率的补偿价格，
Figure FDA0003547291030000051
为t时刻响应的功率，T为参与响应时刻的集合，α为单位购电功率对应的碳成本。
10.如权利要求8所述的考虑碳成本及多重不确定性的配电网日前调度装置，其特征在于，所述求解模块包括：
第一求解单元，用于对主问题进行求解，所述主问题包含极限场景下的参与需求响应用户的最佳位置；
第二求解单元，用于将所述最佳位置传给子问题，所述子问题为通过极限场景法寻找在当前用户参与需求响应位置下的最恶劣场景；
迭代单元，用于添加最恶劣场景的相关约束到主问题中，通过主问题与子问题的迭代得到所述求解结果。
CN202210252394.4A 2022-03-15 2022-03-15 考虑碳成本及多重不确定性的配电网日前调度方法及装置 Pending CN114597894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210252394.4A CN114597894A (zh) 2022-03-15 2022-03-15 考虑碳成本及多重不确定性的配电网日前调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210252394.4A CN114597894A (zh) 2022-03-15 2022-03-15 考虑碳成本及多重不确定性的配电网日前调度方法及装置

Publications (1)

Publication Number Publication Date
CN114597894A true CN114597894A (zh) 2022-06-07

Family

ID=81818760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210252394.4A Pending CN114597894A (zh) 2022-03-15 2022-03-15 考虑碳成本及多重不确定性的配电网日前调度方法及装置

Country Status (1)

Country Link
CN (1) CN114597894A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936810A (zh) * 2022-07-25 2022-08-23 东南大学溧阳研究院 一种基于数据中心时空转移特性的日前调度方法
CN115481802A (zh) * 2022-09-21 2022-12-16 东南大学溧阳研究院 一种计及碳排放和用电等级约束的城市电网有序用电方法
CN116073449A (zh) * 2023-03-22 2023-05-05 国网山东省电力公司临沂供电公司 一种基于低碳效益和不确定性的可控光伏参与调峰方法
CN117394366A (zh) * 2023-10-18 2024-01-12 国网山东省电力公司威海供电公司 一种含多微网的主动配电网不确定性分层调度方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936810A (zh) * 2022-07-25 2022-08-23 东南大学溧阳研究院 一种基于数据中心时空转移特性的日前调度方法
CN114936810B (zh) * 2022-07-25 2022-10-18 东南大学溧阳研究院 一种基于数据中心时空转移特性的日前调度方法
CN115481802A (zh) * 2022-09-21 2022-12-16 东南大学溧阳研究院 一种计及碳排放和用电等级约束的城市电网有序用电方法
CN115481802B (zh) * 2022-09-21 2024-03-01 东南大学溧阳研究院 一种计及碳排放和用电等级约束的城市电网有序用电方法
CN116073449A (zh) * 2023-03-22 2023-05-05 国网山东省电力公司临沂供电公司 一种基于低碳效益和不确定性的可控光伏参与调峰方法
CN116073449B (zh) * 2023-03-22 2024-03-22 国网山东省电力公司临沂供电公司 一种基于低碳效益和不确定性的可控光伏参与调峰方法
CN117394366A (zh) * 2023-10-18 2024-01-12 国网山东省电力公司威海供电公司 一种含多微网的主动配电网不确定性分层调度方法

Similar Documents

Publication Publication Date Title
Sarshar et al. Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting
CN114597894A (zh) 考虑碳成本及多重不确定性的配电网日前调度方法及装置
Nojavan et al. Application of fuel cell and electrolyzer as hydrogen energy storage system in energy management of electricity energy retailer in the presence of the renewable energy sources and plug-in electric vehicles
Machlev et al. A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles
Guo et al. Resilient configuration approach of integrated community energy system considering integrated demand response under uncertainty
Chen et al. A robust optimization framework for energy management of CCHP users with integrated demand response in electricity market
Yu et al. Energy storage arbitrage in grid-connected micro-grids under real-time market price uncertainty: A double-q learning approach
Li et al. Knee Point‐Guided Multiobjective Optimization Algorithm for Microgrid Dynamic Energy Management
Hou et al. Data-driven economic dispatch for islanded micro-grid considering uncertainty and demand response
Chreim et al. Recent sizing, placement, and management techniques for individual and shared battery energy storage systems in residential areas: A review
Gassi et al. Improving real-time energy decision-making model with an actor-critic agent in modern microgrids with energy storage devices
Liu et al. Towards long-period operational reliability of independent microgrid: A risk-aware energy scheduling and stochastic optimization method
Miah et al. Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives
Tan et al. Low‐carbon economic dispatch of the combined heat and power‐virtual power plants: A improved deep reinforcement learning‐based approach
CN105514986A (zh) 一种基于虚拟电厂技术的der用户竞价并网方法
Aeggegn et al. Optimal sizing of grid connected multi-microgrid system using grey wolf optimization
Bakhtvar et al. A vision of flexible dispatchable hybrid solar‐wind‐energy storage power plant
Kowahl et al. Micro-scale smart grid optimization
Xiong et al. Interpretable deep reinforcement learning for optimizing heterogeneous energy storage systems
Zheng et al. Real-time dispatch of an integrated energy system based on multi-stage reinforcement learning with an improved action-choosing strategy
Zhang et al. Fusing domain knowledge and reinforcement learning for home integrated demand response online optimization
Wang et al. Coordinated scheduling of integrated energy microgrid with multi-energy hubs based on MADDPG and two-layer game
Tang et al. Hierarchical scheduling learning optimisation of two-area active distribution system considering peak shaving demand of power grid
Pfeifer et al. Fast energy transition as a best strategy for all? The nash equilibrium of long-term energy planning strategies in coupled power markets
Zhang et al. Optimal sizing of behind-the-meter battery storage for providing profit-oriented stackable services

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
CB02 Change of applicant information

Address after: Building 10, Sino German Cooperation and Innovation Demonstration Park, Intersection of Qingtan Road and Zipeng Road, Economic and Technological Development Zone, Hefei City, Anhui Province, 230000

Applicant after: Hefei Institute of innovation and development, Tianjin University

Applicant after: Anhui Xiyao Electric Power Technology Co.,Ltd.

Address before: 14 / F and 16 / F, comprehensive business building, export processing zone, Hefei Economic Development Zone, Anhui Province (south of Yungu road and east of Taozhi Road, Hefei Economic Development Zone)

Applicant before: Hefei Institute of innovation and development, Tianjin University

Applicant before: Anhui Xiyao Electric Power Technology Co.,Ltd.

CB02 Change of applicant information