CN115001038A - 一种基于随机规划的风光柴储容量配比优化方法 - Google Patents

一种基于随机规划的风光柴储容量配比优化方法 Download PDF

Info

Publication number
CN115001038A
CN115001038A CN202210648420.5A CN202210648420A CN115001038A CN 115001038 A CN115001038 A CN 115001038A CN 202210648420 A CN202210648420 A CN 202210648420A CN 115001038 A CN115001038 A CN 115001038A
Authority
CN
China
Prior art keywords
power
wind
formula
load
energy storage
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
CN202210648420.5A
Other languages
English (en)
Inventor
李伟
刘立
王豪琦
何思敏
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202210648420.5A priority Critical patent/CN115001038A/zh
Publication of CN115001038A publication Critical patent/CN115001038A/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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • H02J3/28—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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

一种基于随机规划的风光柴储容量配比优化方法，它包括以下步骤：步骤1：建立风光柴储出力模型；步骤2：建立技术经济模型；步骤3：建立风光柴储系统约束；步骤4：以综合成本最小和负荷缺电率最低目标函数建立模型；步骤5：运用基于随机模拟的遗传算法进行模型求解。在所建立的随机规划模型中，运用基会约束模型，充分考虑了风光出力的不确定性，相比于确定性求解方法各家符合实际，在求解方法中采用基于随机模拟技术的遗传算法，并引入了精英算子与淘汰算子扩大了搜索空间，提高了求解结果的准确性。

Description

一种基于随机规划的风光柴储容量配比优化方法
技术领域
本发明涉及新能源容量技术领域，具体涉及一种基于随机规划的风光柴储容量配比优化方法。
背景技术
分布式发电是一种新兴的利用清洁能源发电的技术，带来了全新的能源应用前景，引领了未来电能发展的方向，所以越来越受到学者们的关注。相对于传统的火力、水力等集中式发电，分布式发电具有规模小、投资少、建设周期短、清洁环保、供电可靠和发电方式多样等特点。尽管分布式发电技术的优势突出，但是随着分布式发电技术渗透率的增大，其带来的问题也在不断显现。当分布式电源接入大电网或者单独供电时，分布式电源的安装数量和安装容量需满足严格的要求才能保证电网可靠运行；所以微电网容量优化配置是设计微网时的一个重要环节，其指的是根据待规划地区风光等自然资源以及负荷特点，通过优化方法确定待规划微网中分布式电源和储能装置的容量，使得整个微电网在保障供电可靠性的前提下，提高其经济性和环保性。科学合理的配置方案对于降低微网建设成本、保障供电可靠性、提升可再生能源消纳水平以及减少污染排放具有重要意义。
发明内容
本发明所要解决的技术问题是提供一种基于随机规划的风光柴储容量配比优化方法，用以解决独立电网在规划设计时容量配比问题，独立电网经济运行的前提是保证负荷需求，其次考虑投资成本与运行成本，从而合理安排各分布式电源的出力。基于此本发明对独立电网的经济运行进行建模，以负荷缺电率进行系统可靠性约束，并考虑新能源出力的不确定性，建立多目标随机规划模型进行独立电网经济运行的求解，旨在为独立电网的前期规划提供新的思路与方法。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于随机规划的风光柴储容量配比优化方法，方法的步骤包括：
Step1、建立风光柴储出力模型；
Step2、建立技术经济模型；
Step3、建立风光柴储系统约束；
Step4、以综合成本最小和负荷缺电率最低目标函数建立模型；
Step5、运用基于随机模拟的遗传算法进行模型求解。
上述的Step1中，建立的风光柴储出力模型如下：
Step1.1、风电出力模型为：
风力发电具有较强随机性是因为其出力主要取决于自然风速，而风速是受自然天气影响的具有不确定性，在得到某一地区一年或者更长时间的风速数据后，经分析获得风速地区的年平均风速超过4.5m/s且较为稳定，所以在众多风速模拟方法中选择Rayleigh分布函数来描述风电出力，因为Rayleigh分布函数对平均风速要求较高，Rayleigh分布函数能够以适当的精度来描述风速的分布情况，风力出力适用于Rayleigh分布函数，具体如下：
Figure BDA0003686906090000021
式中：υ为实测风速，
Figure BDA0003686906090000022
θ分别为风速曲线的形状参数和规模数量，利用上式可计算风速的期望值和方差，从而确定风电场的输出功率分布，具体计算如下：
Figure BDA0003686906090000023
Figure BDA0003686906090000024
式中：υt为时刻的自然来风风速，υin，υrated和υout分别为风电场的切入、额定和切出风速；
Step1.2、光伏出力模型为：
光伏发电与风力发电具有相似的特性，其主要取决于太阳的辐射强度。beta分布函数可以看作一个概率的概率分布，由于光照强度具有随机性，beta分布函数给出了所有概率出现的可能性大小可以很好的描述光伏出力的随机性，光伏发电出力分布函数如下：
Figure BDA0003686906090000031
式中：θ为太阳能辐射强度，α和β分别为Beta分布函数的形状参数，利用上式可获取太阳能光伏辐射强度的期望值u和方差δ，进一步可估算参数α和β的值，具体计算如下：
Figure BDA0003686906090000032
Figure BDA0003686906090000033
根据上式能够确定太阳能光伏辐射强度分布函数，结合光电转换公式，可计算PV在时刻t的输出功率：
Figure BDA0003686906090000034
Figure BDA0003686906090000035
式中：ηPV和SPV分别为太阳能辐射面积和辐射效率，θt表示时刻t太阳能辐射强度；
Step1.3、柴油发电机出力模型为：
柴油发电机的功率变化具有灵活性，可以在0到额定功率之间变化，油耗是一条以空载油耗为起点斜向上的一条曲线，当风光发电不能满足负荷要求或遇到短时负荷增加的情况，需要柴油发电机发出功率以满足负荷需求，可以采用能耗特性表示柴油发电机功率：
Vhy(t)＝cPsc(t)+dPce(t)
式中：Vhy(t)表示为柴油发电机的油耗量，单位L，c，d分别表示燃料曲线系数，单位L/kW·h，Psc(t)表示柴油发电机实际功率，Pce(t)表示发电机额定输出功率。
上述的Step2中，所建立的技术经济模型为：
Step2.1、负荷缺电率为：
负荷缺电率表示一定时间内系统发电功率不能满足负荷需求的概率，其可作为衡量电网的可靠性指标，当负荷缺电率为0时表明在时间段T内独立电网系统发出的功率可以满足负荷需求，当负荷缺电率为1时独立电网系统不能满足负荷需求，从而造成停电或者切负荷的情况发生，影响到系统的安全可靠性；在评价周期T内负荷缺电率可表示为该时段内的负荷缺电量与负荷总需求的比率，独立电网系统负荷缺电率表示方法：
Figure BDA0003686906090000041
式中：PFH(t)为t时刻系统负荷需求，PPV(t)η1为t时刻光伏组件发出的平均功率，PPW(t)η2为风电发出的平均功率，PCY(t)表示柴油发电机发出的平均功率，PCN(t)表示储能发出的平均功率，η1为逆变器C1效率，η2为逆变器C2的效率；
负荷缺电量QQD(t)为正值，定义负荷缺电率QQDL为：
Figure BDA0003686906090000042
式中：t0为初始时刻；n为时间序列；QQDL的取值范围为[0-1]；
Step2.2、初始投资成本与运行成本为：
Figure BDA0003686906090000043
Figure BDA0003686906090000044
Figure BDA0003686906090000045
式中：i表示为四种不同类型的电源，分别指风电、光伏、储能电池、柴油发电机，N＝4，Cgd表示风电、光伏、储能、柴油发电机的固定投资成本，Ccsi表示为不同类型电源的初始投资成本，对于储能电池而言主要与容量与功率有关，风电与光伏主要与额定功率有关，Cyx表示为不同类型电源的运行与管理费用，风电与光伏主要与实际运行功率有关，Pit表示各个电源在t时刻的实际运行功率，Chs(l,r)表示为资金回收系数，r表示为利率，l表示为电源的使用寿命；
Ccsj＝f(PEDj)＝KjPEDj
CINIbat＝f(PBD,EBD)＝KbpPBD+KepEBD
式中：j分别表示风电、光伏、储能电池和柴油发电机，Ccsj表示为不同类型电源的初始投资费用，PEDj表示为不同电源的额定功率，kW；Kj表示为不同电源的功率成本系数，元/kW；PBD表示为储能电池的额定功率，kW；EBD表示为储能电池的额定容量，kW·h；Kbp表示为储能电池功率成本系数，元/kW；Kep表示为储能电池的能量成本系数，元/kW·h；
Cyxj(Pj(t))＝kyxxjPj(t)
式中：j分别代表风电、光伏、储能电池和柴油发电机，Cyxj分别代表不同电源类型的运行管理费用，Pj(t)代表不同电源的实际运行功率，kW；kyxxj代表不同电源的运行管理成本系数，元/kW·h。
Step2.3、新能源弃用惩罚成本
当负荷缺电量为负值时会出现电力的盈余，这些过剩的电能可能都将被浪费掉，在容量规划时，为了防止系统容量配置过大而导致能源的浪费，须引入能源浪费惩罚成本：
Figure BDA0003686906090000051
式中：λw、λv分别在t时段的弃风、弃光的惩罚费用；
Figure BDA0003686906090000052
表示在t时刻风电场弃风功率、光伏电站弃光功率；
Step2.4、新能源发电补贴收益
传统火力发电具有较高的安全稳定性，与其相比，新能源发电并无太大优势，因其存在随机性与不稳定性的缺陷，但因其具有高度清洁无污染的特性，加之国家在支持新能源的发展，所以对于新能源发电国家会给予一定的发电补贴；
补贴成本可以表示为：
Figure BDA0003686906090000061
式中：Cbt为发电补贴成本，Pbt为补贴电价元/kW·h；Pbt(t)表示为新能源发电功率，kW；
Step2.5、治污费用模型
柴油发电机在发电过程中会产生污染，排放的污染气体有二氧化碳、氮氧化物、二氧化硫等，治污费用：
Figure BDA0003686906090000062
式中：Czw表示治污费用，k表示不同的污染物类型编号；m为排放的污染物种类，αk表示不同污染物的治理费用系数，元/kg；βk表示不同污染物的排放系数，kg/kW·h。
上述的Step3中，建立的风光柴储系统约束模型如下：
Step3.1、风光出力约束
Figure BDA0003686906090000063
式中：
Figure BDA0003686906090000064
为风电出力，
Figure BDA0003686906090000065
为光伏出力，Sw表示风电的实际装机容量，Sv表示光伏的实际装机容量；
Step3.2、负荷平衡约束
Figure BDA0003686906090000066
式中：
Figure BDA0003686906090000067
表示柴油发电机输出功率，
Figure BDA0003686906090000068
为风电出力，
Figure BDA0003686906090000069
为光伏出力，
Figure BDA00036869060900000610
为储能放电，
Figure BDA00036869060900000611
为负荷序列，
Figure BDA00036869060900000612
为储能充电；
Step3.3、弃风弃光约束
Figure BDA00036869060900000613
式中：
Figure BDA00036869060900000614
为弃风总量，
Figure BDA00036869060900000615
为弃光总量，α为弃风比例，β为弃光比列，
Figure BDA00036869060900000616
为风电t时刻装机容量，
Figure BDA00036869060900000617
为光伏t时刻装机容量；
Step3.4、电储能约束
(1)当发电功率过剩时，电池储能系统充电，若充电功率和剩余电量均在电池的约束范围内，电池按最大功率进行充电。当充电功率或者剩余电量越限时，电池储能系统以最大允许功率充电，其余部分通过备用负载进行消耗，避免浪费能量；
(2)若发电功率不足，功率缺额优先由电池储能系统放电来提供，若此时仅靠电池储能系统可以满足，则由储能电池以最大功率放电满足负荷需求。若放电功率或者剩余电量越限，电池储能系统以最大允许功率放电，其他部分由柴油发电机在其额定功率范围内出力补充；
Figure BDA0003686906090000071
Figure BDA0003686906090000072
Figure BDA0003686906090000073
式中：SOCd,t为电储能当前容量，Emax电储能最大装机容量，
Figure BDA0003686906090000074
为电储能功率约束，
Figure BDA0003686906090000075
电储能放电速率，
Figure BDA0003686906090000076
电储能充电速率，
Figure BDA0003686906090000077
电储能放电状态，
Figure BDA0003686906090000078
电储能充电状态，
Figure BDA0003686906090000079
电储能前一时刻充电容量状态，
Figure BDA00036869060900000710
电储能前一时刻放电容量状态，SOCd,t-1为电储能前一时刻容量，
Figure BDA00036869060900000711
为储能释放状态，
Figure BDA00036869060900000712
为储能充能状态，
Figure BDA00036869060900000713
为0-1待优化变量。
上述的Step4中，建立的风光柴储随机规划模型如下：
由于风光互补系统具有随机性与不稳定性，所以在保证系统安全的前提下来提升系统的经济运行，负荷缺电率表示一定时间内系统发电功率不能满足负荷需求的概率，在评价周期T内负荷缺电率可表示为该时段内的负荷缺电量与负荷总需求的比率，用作衡量系统安全性的评价指标；
在独立微网进行规划时，风光柴储各单元容量事先并不确定，所以各单元容量常视作为随机变量且通常具有多维性、多样性和多准则性，对于不同的经济技术要求，求解的方法也不同，本文所采用的方法为机会约束规划，主要针对约束条件中含有随机变量，且必须在观测到随机变量实现之前做出决策的情况，考虑到所做决策在不利情况发生时可能不满足约束条件，而采用一种原则：即允许所做决策在一定程度上不满足约束条件，但该决策应使约束条件成立的概率不小于某一置信水平β，基于此本文选取风光柴储各单元容量作为多目标优化的决策变量，目标函数作为适应度函数，在一定约束条件下得出最优的风光储组合使目标函数值最小,选取F1为系统负荷缺电率最低，选取F2为系统综合成本最低：
Figure BDA0003686906090000081
minF2＝Czong+Fqy+Cjh+Cbt-Czw
Figure BDA0003686906090000082
式中：β表示事先给定的机会约束的置信水平。
上述的Step5中，在求解储能最优容量配置时，采用以下步骤：
Step5.1、输入风速、光照等数据，通过概率模型获得风光出力值；
Step5.2、设置系统参数，对各单元出力采用实数编码方式进行编码；
Step5.3、基于有功功率平衡，各单元容量约束，弃风弃光约束，功率交换约束，求得风光储各单元容量组合范围；
Step5.4、在时间段t内确定本时段内最优风光储容量组合；
Step5.5、在时间段t内会随机产生一个规模为N的初始种群P0，在此期间内将所有个体进行快速非支配排序，通过选择、交叉和变异进行遗传操作。从而产生规模数量为N的子代种群Q0，随后进行精英选择保留，将P0和Q0合并为种群数量为2N的种群，然后再对R0进行非支配排序得到非支配个体集，从而选择产生父代种群P1，判断种群是否还在改变，还在改变则继续算法，否则算法结束输出最优种群；
Step5.6、根据理想点法，以min||F(x)-F*||的可行解作为满意解，在本文中定义模为：
Figure BDA0003686906090000083
其中F1 *，
Figure BDA0003686906090000084
分别为本文中目标函数F1，F2的最小值，定义F1最小为可靠性最高最优解，F2最小为经济性最优解。
本发明提供的一种基于随机规划的风光柴储容量配比优化方法，与现有技术相比，本发明具有如下技术效果：
在所建立的随机规划模型中，运用基会约束模型，充分考虑了风光出力的不确定性，相比于确定性求解方法更加符合实际，在求解方法中采用基于随机模拟技术的遗传算法，并引入了精英算子与淘汰算子扩大了搜索空间，提高了求解结果的准确性。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1是风速归一化曲线；
图2是光照强度归一化曲线；
图3是系统容量配比结果；
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚，以下内容将结合根据本发明提供的附图，对本发明具体技术方案进行系统、完整的描述。
一种基于随机规划的风光柴储容量配比优化方法，方法的步骤包括：
Step1、建立风光柴储出力模型；
Step2、建立技术经济模型；
Step3、建立风光柴储系统约束；
Step4、以综合成本最小和负荷缺电率最低目标函数建立模型；
Step5、运用基于随机模拟的遗传算法进行模型求解。
上述的Step1中，建立的风光柴储出力模型如下：
Step1.1、风电出力模型为：
风力发电具有较强随机性是因为其出力主要取决于自然风速，而风速是受自然天气影响的具有不确定性，在得到某一地区一年或者更长时间的风速数据后，Rayleigh分布函数能够以适当的精度来描述风速的分布情况，风力出力适用于Rayleigh分布函数，具体如下：
Figure BDA0003686906090000101
式中：υ为实测风速，
Figure BDA0003686906090000102
θ分别为风速曲线的形状参数和规模数量，利用上式可计算风速的期望值和方差，从而确定风电场的输出功率分布，具体计算如下：
Figure BDA0003686906090000103
Figure BDA0003686906090000104
式中：υt为时刻的自然来风风速，υin，υrated和υout分别为风电场的切入、额定和切出风速；
Step1.2、光伏出力模型为：
光伏发电与风力发电具有相似的特性，其主要取决于太阳的辐射强度，beta分布函数可以看作一个概率的概率分布，由于光照强度具有随机性，beta分布函数给出了所有概率出现的可能性大小可以很好的描述光伏出力的随机性，光伏发电出力分布函数如下：
Figure BDA0003686906090000105
式中：θ为太阳能辐射强度，α和β分别为Beta分布函数的形状参数，利用上式可获取太阳能光伏辐射强度的期望值u和方差δ，进一步可估算参数α和β的值，具体计算如下：
Figure BDA0003686906090000106
Figure BDA0003686906090000107
根据上式能够确定太阳能光伏辐射强度分布函数，结合光电转换公式，可计算PV在时刻t的输出功率：
Figure BDA0003686906090000111
Figure BDA0003686906090000112
式中：ηPV和SPV分别为太阳能辐射面积和辐射效率，θt表示时刻t太阳能辐射强度；
Step1.3、柴油发电机出力模型为：
柴油发电机的功率变化具有灵活性，可以在0到额定功率之间变化，当风光发电不能满足负荷要求或遇到短时负荷增加的情况，需要柴油发电机发出功率以满足负荷需求，可以采用能耗特性表示柴油发电机功率：
Vhy(t)＝cPsc(t)+dPce(t)
式中：Vhy(t)表示为柴油发电机的油耗量，单位L，c，d分别表示燃料曲线系数，单位L/kW·h。
上述的Step2中，所建立的技术经济模型为：
Step2.1、负荷缺电率为：
负荷缺电率表示一定时间内系统发电功率不能满足负荷需求的概率，在评价周期T内负荷缺电率可表示为该时段内的负荷缺电量与负荷总需求的比率，独立电网系统负荷缺电率表示方法：
Figure BDA0003686906090000113
式中：PFH(t)为t时刻系统负荷需求，PPV(t)η1为t时刻光伏组件发出的平均功率，PPW(t)η2为风电发出的平均功率，PCY(t)表示柴油发电机发出的平均功率，PCN(t)表示储能发出的平均功率，η1为逆变器C1效率，η2为逆变器C2的效率；
负荷缺电量QQD(t)为正值，定义负荷缺电率QQDL为：
Figure BDA0003686906090000114
式中：t0为初始时刻；n为时间序列；QQDL的取值范围为[0-1]，取0时表明在时间段T内独立电网系统发出的功率可以满足负荷需求，取1时独立电网系统不能满足负荷需求；
Step2.2、初始投资成本与运行成本为：
Figure BDA0003686906090000121
Figure BDA0003686906090000122
Figure BDA0003686906090000123
式中：i表示为四种不同类型的电源，分别指风电、光伏、储能电池、柴油发电机，N＝4，Cgd表示风电、光伏、储能、柴油发电机的固定投资成本，Ccsi表示为不同类型电源的初始投资成本，对于储能电池而言主要与容量与功率有关，风电与光伏主要与额定功率有关，Cyx表示为不同类型电源的运行与管理费用，风电与光伏主要与实际运行功率有关，Pit表示各个电源在t时刻的实际运行功率，Chs(l,r)表示为资金回收系数，r表示为利率，l表示为电源的使用寿命；
Ccsj＝f(PEDj)＝KjPEDj
CINIbat＝f(PBD,EBD)＝KbpPBD+KepEBD
式中：j分别表示风电、光伏、储能电池和柴油发电机，Ccsj表示为不同类型电源的初始投资费用，PEDj表示为不同电源的额定功率，kW；Kj表示为不同电源的功率成本系数，元/kW；PBD表示为储能电池的额定功率，kW；EBD表示为储能电池的额定容量，kW·h；Kbp表示为储能电池功率成本系数，元/kW；Kep表示为储能电池的能量成本系数，元/kW·h；
Cyxj(Pj(t))＝kyxxjPj(t)
式中：j分别代表风电、光伏、储能电池和柴油发电机，Cyxj分别代表不同电源类型的运行管理费用，Pj(t)代表不同电源的实际运行功率，kW；kyxxj代表不同电源的运行管理成本系数，元/kW·h。
Step2.3、新能源弃用惩罚成本
Figure BDA0003686906090000131
式中：λw、λv分别在t时段的弃风、弃光的惩罚费用；
Figure BDA0003686906090000132
表示在t时刻风电场弃风功率、光伏电站弃光功率；
Step2.4、新能源发电补贴收益
传统火力发电具有较高的安全稳定性，与其相比，新能源发电并无太大优势，因其存在随机性与不稳定性的缺陷，但因其具有高度清洁无污染的特性，加之国家在支持新能源的发展，所以对于新能源发电国家会给予一定的发电补贴；
补贴成本可以表示为：
Figure BDA0003686906090000133
式中：Cbt为发电补贴成本，Pbt为补贴电价元/kW·h；Pbt(t)表示为新能源发电功率，kW；
Step2.5、治污费用模型
柴油发电机在发电过程中会产生污染，排放的污染气体有二氧化碳、氮氧化物、二氧化硫等，治污费用：
Figure BDA0003686906090000134
式中：Czw表示治污费用，k表示不同的污染物类型编号；m为排放的污染物种类，αk表示不同污染物的治理费用系数，元/kg；βk表示不同污染物的排放系数，kg/kW·h。
上述的Step3中，建立的风光柴储系统约束模型如下：
Step3.1、风光出力约束
Figure BDA0003686906090000135
式中：
Figure BDA0003686906090000136
为风电出力，
Figure BDA0003686906090000137
为光伏出力，Sw表示风电的实际装机容量，Sv表示光伏的实际装机容量；
Step3.2、负荷平衡约束
Figure BDA0003686906090000141
式中：
Figure BDA0003686906090000142
表示柴油发电机输出功率，
Figure BDA0003686906090000143
为风电出力，
Figure BDA0003686906090000144
为光伏出力，
Figure BDA0003686906090000145
为储能放电，
Figure BDA0003686906090000146
为负荷序列，
Figure BDA0003686906090000147
为储能充电；
Step3.3、弃风弃光约束
Figure BDA0003686906090000148
式中：
Figure BDA0003686906090000149
为弃风总量，
Figure BDA00036869060900001410
为弃光总量，α为弃风比例，β为弃光比列，
Figure BDA00036869060900001411
为风电t时刻装机容量，
Figure BDA00036869060900001412
为光伏t时刻装机容量；
Step3.4、电储能约束
Figure BDA00036869060900001413
Figure BDA00036869060900001414
Figure BDA00036869060900001415
式中：SOCd,t为电储能当前容量，Emax电储能最大装机容量，
Figure BDA00036869060900001416
为电储能功率约束，
Figure BDA00036869060900001417
电储能放电速率，
Figure BDA00036869060900001418
电储能充电速率，
Figure BDA00036869060900001419
电储能放电状态，
Figure BDA00036869060900001420
电储能充电状态，
Figure BDA00036869060900001421
电储能前一时刻充电容量状态，
Figure BDA00036869060900001422
电储能前一时刻放电容量状态，SOCd,t-1为电储能前一时刻容量，
Figure BDA00036869060900001423
为储能释放状态，
Figure BDA00036869060900001424
为储能充能状态，
Figure BDA00036869060900001425
为0-1待优化变量。
上述的Step4中，建立的风光柴储随机规划模型如下：
由于风光互补系统具有随机性与不稳定性，所以在保证系统安全的前提下来提升系统的经济运行，负荷缺电率表示一定时间内系统发电功率不能满足负荷需求的概率，在评价周期T内负荷缺电率可表示为该时段内的负荷缺电量与负荷总需求的比率，用作衡量系统安全性的评价指标；
选取F1为系统负荷缺电率最低，选取F2为系统综合成本最低：
Figure BDA0003686906090000151
minF2＝Czong+Fqy+Cjh+Cbt-Czw
Figure BDA0003686906090000152
式中：β表示事先给定的机会约束的置信水平。
上述的Step5中，在求解储能最优容量配置时，采用以下步骤：
Step5.1、输入风速、光照等数据，通过概率模型获得风光出力值；
Step5.2、设置系统参数，对各单元出力采用实数编码方式进行编码；
Step5.3、基于有功功率平衡，各单元容量约束，弃风弃光约束，功率交换约束，求得风光储各单元容量组合范围；
Step5.4、在时间段t内确定本时段内最优风光储容量组合；
Step5.5、在时间段t内会随机产生一个规模为N的初始种群P0，在此期间内将所有个体进行快速非支配排序，通过选择、交叉和变异进行遗传操作。从而产生规模数量为N的子代种群Q0，随后进行精英选择保留，将P0和Q0合并为种群数量为2N的种群，然后再对R0进行非支配排序得到非支配个体集，从而选择产生父代种群P1，判断种群是否还在改变，还在改变则继续算法，否则算法结束输出最优种群；
Step5.6、根据理想点法，以min||F(x)-F*||可行解作为满意解，在本文中定义模为：
Figure BDA0003686906090000153
其中F1 *，
Figure BDA0003686906090000154
分别为本文中目标函数F1，F2的最小值，定义F1最小为可靠性最高最优解，F2最小为经济性最优解。
根据上述所建立的风光出力模型，采用改进NSGA2对模型进行求解，算法设置种群规模W＝50，最大进化代数取gen＝100，机会约束的随机模拟次数为300次，置信度为0.9时，如图1，图2所示分别为风速与光照强度归一化曲线，表1，表2分别为系统的技术指标参数，优化结果如图3所示，经济最优解、综合最优解、安全性最优解如图3中标注，其中经济最优解的负荷缺电率为2.7％左右，此时投资与运行成本最低为5.6万元，安全性最优解的负荷缺电率为0.1％，可以保证系统的安全可靠运行，但是是以牺牲经济性为代价，对于风光柴储系统一般要求负荷缺电率在0.5％以下即可保证系统的安全性，在综合最优解中负荷缺电率为0.5％，投资与运行成本为11.3万元左右，相比于经济性最优解成本翻了一倍，但是安全性却提高了5倍；相比于安全性最优解，安全性减少了2倍，经济性却提高了3倍，且在安全可靠的要求内可以安全稳定运行；综上可以选取综合最优解作为风光柴储的最优配比方案，其中风光储的容量配比为1：0.8：2.05。
表1风光柴储技术参数
Figure BDA0003686906090000161
表2治污费用参数
Figure BDA0003686906090000162

Claims (6)

1.一种基于随机规划的风光柴储容量配比优化方法，其特征在于，方法的步骤包括：
Step1、建立风光柴储出力模型；
Step2、建立技术经济模型；
Step3、建立风光柴储系统约束；
Step4、以综合成本最小和负荷缺电率最低目标函数建立模型；
Step5、运用基于随机模拟的遗传算法进行模型求解。
2.根据权利要求1所述的一种基于随机规划的风光柴储容量配比优化方法，其特征在于，所述的Step1中，建立的风光柴储出力模型如下：
Step1.1、风电出力模型为：
Figure FDA0003686906080000011
式中：υ为实测风速，
Figure FDA0003686906080000012
θ分别为风速曲线的形状参数和规模数量，利用上式可计算风速的期望值和方差，从而确定风电场的输出功率分布，具体计算如下：
Figure FDA0003686906080000013
Figure FDA0003686906080000014
式中：υt为时刻的自然来风风速，υin，υrated和υout分别为风电场的切入、额定和切出风速；
Step1.2、光伏出力模型为：
光伏发电出力分布函数如下：
Figure FDA0003686906080000021
式中：θ为太阳能辐射强度，α和β分别为Beta分布函数的形状参数，利用上式可获取太阳能光伏辐射强度的期望值u和方差δ，进一步可估算参数α和β的值，具体计算如下：
Figure FDA0003686906080000022
Figure FDA0003686906080000023
根据上式能够确定太阳能光伏辐射强度分布函数，结合光电转换公式，可计算PV在时刻t的输出功率：
Figure FDA0003686906080000024
Figure FDA0003686906080000025
式中：ηPV和SPV分别为太阳能辐射面积和辐射效率，θt表示时刻t太阳能辐射强度；
Step1.3、柴油发电机出力模型为：
Vhy(t)＝cPsc(t)+dPce(t)
式中：Vhy(t)表示为柴油发电机的油耗量，单位L，c，d分别表示燃料曲线系数，单位L/kW·h。
3.根据权利要求2所述的一种基于随机规划的风光柴储容量配比优化方法，其特征在于，所述的Step2中，所建立的技术经济模型为：
Step2.1、负荷缺电率为：
负荷缺电率表示一定时间内系统发电功率不能满足负荷需求的概率，在评价周期T内负荷缺电率可表示为该时段内的负荷缺电量与负荷总需求的比率，独立电网系统负荷缺电率表示方法：
Figure FDA0003686906080000031
式中：PFH(t)为t时刻系统负荷需求，PPV(t)η1为t时刻光伏组件发出的平均功率，PPW(t)η2为风电发出的平均功率，PCY(t)表示柴油发电机发出的平均功率，PCN(t)表示储能发出的平均功率，η1为逆变器C1效率，η2为逆变器C2的效率；
负荷缺电量QQD(t)为正值，定义负荷缺电率QQDL为：
Figure FDA0003686906080000032
式中：t0为初始时刻；n为时间序列；QQDL的取值范围为[0-1]，取0时表明在时间段T内独立电网系统发出的功率可以满足负荷需求，取1时独立电网系统不能满足负荷需求；
Step2.2、初始投资成本与运行成本为：
Figure FDA0003686906080000033
Figure FDA0003686906080000034
Figure FDA0003686906080000035
式中：i表示为四种不同类型的电源，分别指风电、光伏、储能电池、柴油发电机，N＝4，Cgd表示风电、光伏、储能、柴油发电机的固定投资成本，Ccsi表示为不同类型电源的初始投资成本，对于储能电池而言主要与容量与功率有关，风电与光伏主要与额定功率有关，Cyx表示为不同类型电源的运行与管理费用，风电与光伏主要与实际运行功率有关，Pit表示各个电源在t时刻的实际运行功率，Chs(l,r)表示为资金回收系数，r表示为利率，l表示为电源的使用寿命；
Ccsj＝f(PEDj)＝KjPEDj
CINIbat＝f(PBD,EBD)＝KbpPBD+KepEBD
式中：j分别表示风电、光伏、储能电池和柴油发电机，Ccsj表示为不同类型电源的初始投资费用，PEDj表示为不同电源的额定功率，kW；Kj表示为不同电源的功率成本系数，元/kW；PBD表示为储能电池的额定功率，kW；EBD表示为储能电池的额定容量，kW·h；Kbp表示为储能电池功率成本系数，元/kW；Kep表示为储能电池的能量成本系数，元/kW·h；
Cyxj(Pj(t))＝kyxxjPj(t)
式中：j分别代表风电、光伏、储能电池和柴油发电机，Cyxj分别代表不同电源类型的运行管理费用，Pj(t)代表不同电源的实际运行功率，kW；kyxxj代表不同电源的运行管理成本系数，元/kW·h。
Step2.3、新能源弃用惩罚成本
Figure FDA0003686906080000041
式中：λw、λv分别在t时段的弃风、弃光的惩罚费用；
Figure FDA0003686906080000042
表示在t时刻风电场弃风功率、光伏电站弃光功率；
Step2.4、新能源发电补贴收益
补贴成本可以表示为：
Figure FDA0003686906080000043
式中：Cbt为发电补贴成本，Pbt为补贴电价元/kW·h；Pbt(t)表示为新能源发电功率，kW；
Step2.5、治污费用模型
柴油发电机在发电过程中会产生污染，排放的污染气体有二氧化碳、氮氧化物、二氧化硫等，治污费用：
Figure FDA0003686906080000044
式中：Czw表示治污费用，k表示不同的污染物类型编号；m为排放的污染物种类，αk表示不同污染物的治理费用系数，元/kg；βk表示不同污染物的排放系数，kg/kW·h。
4.根据权利要求3所述的一种基于随机规划的风光柴储容量配比优化方法，其特征在于，所述的Step3中，建立的风光柴储系统约束模型如下：
Step3.1、风光出力约束
Figure FDA0003686906080000051
式中：
Figure FDA0003686906080000052
为风电出力，
Figure FDA0003686906080000053
为光伏出力，Sw表示风电的实际装机容量，Sv表示光伏的实际装机容量；
Step3.2、负荷平衡约束
Figure FDA0003686906080000054
式中：
Figure FDA0003686906080000055
表示柴油发电机输出功率，
Figure FDA0003686906080000056
为风电出力，
Figure FDA0003686906080000057
为光伏出力，
Figure FDA0003686906080000058
为储能放电，
Figure FDA0003686906080000059
为负荷序列，
Figure FDA00036869060800000510
为储能充电；
Step3.3、弃风弃光约束
Figure FDA00036869060800000511
式中：
Figure FDA00036869060800000512
为弃风总量，
Figure FDA00036869060800000513
为弃光总量，α为弃风比例，β为弃光比列，
Figure FDA00036869060800000514
为风电t时刻装机容量，
Figure FDA00036869060800000515
为光伏t时刻装机容量；
Step3.4、电储能约束
0≤SOCd,t≤Emax；
Figure FDA00036869060800000516
Figure FDA00036869060800000517
Figure FDA00036869060800000518
式中：SOCd,t为电储能当前容量，Emax电储能最大装机容量，
Figure FDA00036869060800000519
为电储能功率约束，
Figure FDA00036869060800000520
电储能放电速率，
Figure FDA00036869060800000521
电储能充电速率，
Figure FDA00036869060800000522
电储能放电状态，
Figure FDA00036869060800000523
电储能充电状态，
Figure FDA00036869060800000524
电储能前一时刻充电容量状态，
Figure FDA00036869060800000525
电储能前一时刻放电容量状态，SOCd,t-1为电储能前一时刻容量，
Figure FDA0003686906080000061
为储能释放状态，
Figure FDA0003686906080000062
为储能充能状态，
Figure FDA0003686906080000063
为0-1待优化变量。
5.根据权利要求4所述的一种基于随机规划的风光柴储容量配比优化方法，其特征在于，所述的Step4中，建立的风光柴储随机规划模型如下：
由于风光互补系统具有随机性与不稳定性，所以在保证系统安全的前提下来提升系统的经济运行，负荷缺电率表示一定时间内系统发电功率不能满足负荷需求的概率，在评价周期T内负荷缺电率可表示为该时段内的负荷缺电量与负荷总需求的比率，用作衡量系统安全性的评价指标；
选取F1为系统负荷缺电率最低，选取F2为系统综合成本最低：
Figure FDA0003686906080000064
min F2＝Czong+Fqy+Cjh+Cbt-Czw
Figure FDA0003686906080000065
式中：β表示事先给定的机会约束的置信水平。
6.根据权利要求5所述的一种基于随机规划的风光柴储容量配比优化方法，其特征在于，所述的Step5中，在求解储能最优容量配置时，采用以下步骤：
Step5.1、输入风速、光照等数据，通过概率模型获得风光出力值；
Step5.2、设置系统参数，对各单元出力采用实数编码方式进行编码；
Step5.3、基于有功功率平衡，各单元容量约束，弃风弃光约束，功率交换约束，求得风光储各单元容量组合范围；
Step5.4、在时间段t内确定本时段内最优风光储容量组合；
Step5.5、在时间段t内会随机产生一个规模为N的初始种群P0，在此期间内将所有个体进行快速非支配排序，通过选择、交叉和变异进行遗传操作。从而产生规模数量为N的子代种群Q0，随后进行精英选择保留，将P0和Q0合并为种群数量为2N的种群，然后再对R0进行非支配排序得到非支配个体集，从而选择产生父代种群P1，判断种群是否还在改变，还在改变则继续算法，否则算法结束输出最优种群；
Step5.6、根据理想点法，以min||F(x)-F*||可行解作为满意解，在本文中定义模为：
Figure FDA0003686906080000071
其中F1 *，
Figure FDA0003686906080000072
分别为本文中目标函数F1，F2的最小值，定义F1最小为可靠性最高最优解，F2最小为经济性最优解。
CN202210648420.5A 2022-06-09 2022-06-09 一种基于随机规划的风光柴储容量配比优化方法 Pending CN115001038A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210648420.5A CN115001038A (zh) 2022-06-09 2022-06-09 一种基于随机规划的风光柴储容量配比优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210648420.5A CN115001038A (zh) 2022-06-09 2022-06-09 一种基于随机规划的风光柴储容量配比优化方法

Publications (1)

Publication Number Publication Date
CN115001038A true CN115001038A (zh) 2022-09-02

Family

ID=83033303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210648420.5A Pending CN115001038A (zh) 2022-06-09 2022-06-09 一种基于随机规划的风光柴储容量配比优化方法

Country Status (1)

Country Link
CN (1) CN115001038A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070822A (zh) * 2023-01-03 2023-05-05 国网湖南省电力有限公司 区域光伏电站的出力同时系数计算方法及系统
CN116244567A (zh) * 2023-05-10 2023-06-09 广东电网有限责任公司珠海供电局 基于激励的配电网多阶段增量规划方法及系统
CN116388306A (zh) * 2023-06-02 2023-07-04 电力规划总院有限公司 一种随机性电源场优化控制方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070822A (zh) * 2023-01-03 2023-05-05 国网湖南省电力有限公司 区域光伏电站的出力同时系数计算方法及系统
CN116070822B (zh) * 2023-01-03 2024-05-03 国网湖南省电力有限公司 区域光伏电站的出力同时系数计算方法及系统
CN116244567A (zh) * 2023-05-10 2023-06-09 广东电网有限责任公司珠海供电局 基于激励的配电网多阶段增量规划方法及系统
CN116388306A (zh) * 2023-06-02 2023-07-04 电力规划总院有限公司 一种随机性电源场优化控制方法和装置

Similar Documents

Publication Publication Date Title
CN103793758B (zh) 含光伏发电系统的电动汽车充电站的多目标优化调度方法
CN111242806B (zh) 一种考虑不确定性的电-热-氢多能量系统的规划方法
CN110263435B (zh) 基于电-气耦合综合能源系统的双层优化故障恢复方法
CN105811409B (zh) 一种含电动汽车混合储能系统的微网多目标运行调度方法
CN115001038A (zh) 一种基于随机规划的风光柴储容量配比优化方法
US20160064934A1 (en) Optimization method for independent micro-grid system
CN111244988B (zh) 考虑分布式电源的电动汽车和储能优化调度方法
Nguyen et al. Optimization in energy and power management for renewable-diesel microgrids using dynamic programming algorithm
CN111404206A (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
Tang et al. Optimal operation method for microgrid with wind/PV/diesel generator/battery and desalination
CN112070628B (zh) 一种计及环境因素的智能电网多目标经济调度方法
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN114583725A (zh) 基于氢的近零碳排放综合能源系统及其运行优化方法
CN104616071B (zh) 一种风光储互补发电系统优化配置方法
CN115577929A (zh) 基于多场景分析的乡村综合能源系统随机优化调度方法
CN114567009A (zh) 一种光氢储综合充电站设备容量配置方法及装置
CN114725930A (zh) 一种自适应电力系统调度方法及装置
CN110994632A (zh) 一种基于机会约束规划考虑电压和环保指标的分布式电源布点定容优化的计算方法
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
CN117134409A (zh) 考虑电-氢-热互补的微网系统及其多目标优化配置方法
CN115882460A (zh) 一种考虑需求侧管理的两阶段新能源微电网优化调度方法
Yanfei et al. Multi-objective optimal dispatching of wind-photoelectric-thermal power-pumped storage virtual power plant
CN113077071A (zh) 考虑电动汽车充电站全生命周期的风光储容量配置方法
Chen et al. Optimization and analysis of microgrid based on different operational strategies
CN113988392B (zh) 一种考虑可靠性需求响应的微网优化规划方法

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