CN115204562B - 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 - Google Patents
一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 Download PDFInfo
- Publication number
- CN115204562B CN115204562B CN202210508266.1A CN202210508266A CN115204562B CN 115204562 B CN115204562 B CN 115204562B CN 202210508266 A CN202210508266 A CN 202210508266A CN 115204562 B CN115204562 B CN 115204562B
- Authority
- CN
- China
- Prior art keywords
- energy
- meg
- power
- model
- sharing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000002582 magnetoencephalography Methods 0.000 claims abstract description 87
- 102100033136 Tyrosine-protein phosphatase non-receptor type 4 Human genes 0.000 claims abstract description 85
- 235000013772 propylene glycol Nutrition 0.000 claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 69
- 238000010248 power generation Methods 0.000 claims abstract description 53
- 238000004146 energy storage Methods 0.000 claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 102
- 239000003345 natural gas Substances 0.000 claims description 53
- 239000007789 gas Substances 0.000 claims description 47
- 230000005611 electricity Effects 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000007599 discharging Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000011065 in-situ storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000009194 climbing Effects 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 claims description 2
- 239000013256 coordination polymer Substances 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000005338 heat storage Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000013433 optimization analysis Methods 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 239000002918 waste heat Substances 0.000 claims description 2
- 230000029087 digestion Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 9
- 101100408961 Homo sapiens PPP4R1 gene Proteins 0.000 description 7
- 101000617289 Homo sapiens Tyrosine-protein phosphatase non-receptor type 9 Proteins 0.000 description 7
- 101100496164 Mus musculus Clgn gene Proteins 0.000 description 7
- 101100229966 Mus musculus Grb10 gene Proteins 0.000 description 7
- 101100237027 Mus musculus Meig1 gene Proteins 0.000 description 7
- 101100333547 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ENP1 gene Proteins 0.000 description 7
- 102100028618 Serine/threonine-protein phosphatase 4 regulatory subunit 1 Human genes 0.000 description 7
- 102100021722 Tyrosine-protein phosphatase non-receptor type 9 Human genes 0.000 description 7
- 101100022811 Zea mays MEG1 gene Proteins 0.000 description 7
- 102100023075 Protein Niban 2 Human genes 0.000 description 6
- 101100022813 Zea mays MEG3 gene Proteins 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种计及多能共享的互联微能源网分布式协同优化调度方法,包括:搭建互联MEG的能量管理和共享交易结构框架,在每个MEG的综合能源系统中引入可再生能源发电机组、热电联供系统、电转气设备以及多种储能系统,并分别对其建模;构建MEG与主能源网以及MEG与MEG的能源交易模型,基于搭建的互联MEG运行架构;构建两阶段分布式协同优化调度模型,在第一阶段建立互联MEG能量管理模型,在第二阶段建立基于非合作博弈模型的共享能源价格出清机制;以24小时为调度周期,利用ADMM算法分别对两阶段的模型进行分布式求解;验证所提模型和方法的可行性和有效性。还包括实施本发明方法的系统。本发明降低可再生能源发电的不确定性的影响,提高对可再生能源发电的消纳率。
Description
技术领域
本发明涉及一种互联微能源网分布式协同优化调度方法和系统。
背景技术
微能源网(micro-energy grid,MEG)是能源互联网末端的微型综合能源系统,是由多种能源的生产、传输、存储及消费设备所构成的高效智能的自治单元,同时也是实现多能互补和低碳替代的重要手段。然而MEG的运行效率受制于可再生能源发电出力的不确定性、多种类型能源之间的相互耦合以及多种能源负荷的多样化需求,如何有效协调调度MEG内部源-荷-储等可控资源成为一个值得研究的重要问题。
针对MEG的多能协调调度问题,国内外已有一些研究报道。但是这些考虑 MEG的多能协调调度的研究,多侧重于单个微能源系统的多能互补以及MEG与用户间的需求响应,缺少对MEG之间能源共享的研究。
而现有对能源共享的研究多针对微电网间的电能共享,即通过电能共享可降低互联微网参与电力市场的风险,促进其内部能源的协同互济和可再生能源发电的就地消纳,改善其负荷特性和运行经济性。它们大多对考虑多综合能源主体间的电能共享进行了研究,缺少对其他能源形式的共享机制及其共享成本结算方法的研究。
而从建模方法角度来看,现有对能源共享机制及其共享成本结算方法的研究方法可分为两大类:单阶段模型和双阶段模型。其中,单阶段模型从全局能量管理角度研究多微电网的协调共享运行。而双阶段建模一般在第1阶段进行全局能量最优调度,在第2阶段进行共享成本结算。此外,第2阶段的共享成本结算问题通常可利用Nash议价方法求解,建模为广义非合作博弈均衡问题,基于Nikaido-Isoda函数转化为凸优化问题,也可采用合作博弈的Shapley值方法进行分配。但是当前研究多是研究确定性优化模型,缺少可再生能源出力不确定性对共享调度模型影响的分析。
基于此,亟需一种计及多能共享的互联MEG分布式协同优化调度方法,以进一步研究多种能源供给的互联MEG的分布式协调优化运行,提高互联MEG 的能源利用效率,促进其内部的可再生能源发电的就地消纳率,协调MEG间的多能共享,降低互联MEG群的总运营成本,保证多能共享交易的公平,有效计及可再生能源发电的不确定性,降低不确定因素带来的风险成本。
发明内容
为了克服现有技术的不足,提供一种计及多能共享的互联微能源网分布式协同优化调度方法和系统。
在上述背景下,本发明针对互联MEG的多能共享交易进行研究,构建了一种计及多能共享的互联MEG两阶段分布式协同优化调度模型。在第1阶段,考虑可再生能源发电的不确定性和网络潮流约束,建立计及多能共享的互联MEG 能量管理模型,并利用交替方向乘子法(alternating direction method of multipliers, ADMM)实现分布式求解。在第2阶段,建立基于非合作博弈模型的共享能源价格出清机制,利用广义Nash均衡确定共享能源的交易结算,并采用分布式算法求解博弈模型,可有效保护MEG主体的信息安全和隐私。最后,采用算例对所提方法的可行性和有效性进行验证。
本发明在模型搭建过程中,首先考虑可再生能源发电的不确定性,在每个 MEG系统中逐步引进电转气技术、热电联产技术以及需求响应技术,搭建了互联MEG的能量管理和共享交易结构框架。之后在已搭建的互联MEG运行架构的基础上,构建了MEG与主电网、MEG与主气网,以及MEG与MEG的能源交易模型。并将目标函数设置为多能共享的互联MEG运营成本最小,构建了两阶段分布式协同优化调度模型,并利用交替方向乘子法(alternatingdirection method of multipliers,ADMM)分别对两阶段的模型进行分布式求解。最后采用3 个热电联供型MEG构成的互联MEG系统进行测试,对第一阶段的互联MEG 优化结果、第二阶段的多能共享结果、可再生能源发电出力不确定性对运营成本的影响以及ADMM算法的收敛性及与集中式算法对比进行分析,以此验证了所提模型和方法,可协调MEG间的多能共享,降低互联MEG群的总运营成本;可确定多能共享的均衡价格,保证多能共享交易的公平,并降低每个MEG的运营成本;还可有效计及可再生能源发电的不确定性,降低不确定因素带来的风险成本,提高对可再生能源发电的消纳率。
为了实现上述目的,本发明的技术方案为:
一种计及多能共享的互联微能源网分布式协同优化调度方法,包括以下步骤:
S1:搭建互联微能源网(micro-energy grid,MEG)的能量管理和共享交易结构框架,在每个MEG的综合能源系统中逐步引入可再生能源发电、热电联供(combined heat andpower,CHP)系统、电转气(power to gas,P2G)设备以及多种储能系统,并分别对其建模;
S2:基于搭建的互联MEG运行架构,构建MEG与主能源网以及MEG与 MEG的能源交易模型;
S3:以多能共享的互联MEG运营成本最小为目标函数,构建两阶段分布式协同优化调度模型,在第一阶段建立互联MEG能量管理模型,并分别给出考虑和不考虑多能共享场景下的MEG电、气、热功率平衡约束关系,在第二阶段建立基于非合作博弈模型的共享能源价格出清机制;
S4:以一天内的24小时为调度周期,利用交替方向乘子法(alternatingdirection method of multipliers,ADMM)分别对两阶段的模型进行分布式求解;
S5:以3个热电联供型MEG构成的互联MEG系统为例,对第一阶段的互联MEG优化结果以及第二阶段的多能共享结果进行分析,以此验证所提模型和方法的可行性和有效性。
进一步,所述步骤S1中,在每个MEG的综合能源系统中逐步引入可再生能源发电、CHP系统、P2G设备以及多种储能系统等,具体以下构成:
S1-1:构建可再生能源调度模型;
定义ΩN={1,2,…,N}为N个互联的MEG的集合。
定义优化时段集合为ΩT={1,2,…,T},优化周期为24h,优化间隔为1h,则 T=24。
定义ΩE={ele,heat,gas}为能源类型的集合,其中“ele”、“heat”和“gas”分别表示电能、热能和天然气。
定义随机变量γi,t为MEGi在t时段的可再生能源发电功率,为MEG i 在t时段的可再生能源调度功率。为描述可再生能源发电的不确定性,定义f(γi,t) 为γi,t的概率密度函数,则可再生能源不确定性惩罚成本可由实时阶段的调节/平衡成本表示,具体如下:
式中:为可再生能源不确定性惩罚成本函数;E(*)为期望函数;b和s分别为零售电价和上网电价,且存在b>s。当可再生能源发电的实际出力小于调度功率时,需购买电力以平衡功率偏差;反之,MEG可出售多余电力。由于可再生能源发电出力具有不确定性,故取调节/平衡成本的期望值作为优化调度的目标函数。
可再生能源发电的可调度出力的上下限约束为:
显然,式(1)是无法直接求解的。结合概率密度函数f(γi,t),可将其等价为:
对其任一时段求取一阶和二阶导数可得:
由于b>s,根据二阶导数性质可得可再生能源发电的调节/平衡成本为凸函数。因此,可将成本函数分段线性化为一组线性约束,且当/>满足式(2)时,这组线性约束中可行解的最小值即为成本曲线上的最小值。将/>分为S段,每段的斜率和截距分别为ai,t,s和di,t,s,则式(3)可近似表示为:
S1-2:构建P2G设备模型;
以电转天然气技术为例对P2G设备进行建模。由于P2G响应速度快,可忽略其能源转换时间。根据能量转换关系,MEGi的P2G设备运行模型可描述为:
式中:Lgas为天然气的热值,标准状态下取9.7kWh/m3;△t为优化时间间隔;ηP2G为P2G设备生产天然气的效率;为P2G设备在t时段生成的天然气气体体积;/>为P2G设备在t时段的用电功率;/>和/>分别为P2G设备每小时的最小和最大用电功率。
S1-3:构建CHP系统模型;
CHP系统主要由燃气轮机和余热回收锅炉组成,可将天然气同时转化为电能和热能。MEGi的CHP系统的运行状态可表述为:
CHP系统的出力需满足如下约束:
S1-4:构建多能源存储系统模型;
式中:和/>分别为储能装置t时段的充能和放能量,对于蓄电池(storagebattery,SB)和蓄热装置分别为充放电和充放热功率(单位均为kW),对于储气装置则分别为储气和放气量(单位为m3/h);/>和/>分别为储能装置的最大充能和放能量。
Si,e,0=Si,e,T (17)
式中:Si,e,t为t时段储能装置的储能量;和/>分别为储能和放能的效率;S i,e和分别为MEGi的储能装置的最小和最大储能量;Si,e,0为初始储能量; Si,e,T为调度时段T结束时的储能量。需要指出的是,储能系统运行还需满足互补约束,即/>由于储能装置在储能与放能过程均存在能量损耗,故在优化模型中不会出现储能设备同时储能放能以套利的现象,因此在最优调度模型中可无差松弛该约束。
S1-5:构建负荷侧模型;
MEG的负荷包括电负荷、热负荷和气负荷。每种负荷均可分为固定负荷和弹性负荷2类。多能用户通过调节自身弹性负荷参与MEG内部的IDR。对于用户参与IDR所带来的效用损失,MEG会给予用户一定的补偿。对于MEG i对用户参与IDR的补偿总成本可建模为:
MEG i内的负荷需满足以下约束:
S1-6:构建电气潮流模型;
本发明采用Distflow分支模型对MEG的配电网络进行建模,在建模的过程中由于MEG内部及MEG间的线路距离较短,因此只考虑线路电压而不考虑线路网损,故其在数学上可以被描述为如下约束:
式中:约束(21)和(22)分别表示t时段第i个MEG节点m的有功和无功平衡,下标n和k分别为节点m的父节点和子节点;约束(23)和(24)分别表示t时段第i个 MEG电力系统节点m注入的有功和无功功率之和;约束(25)表示t时段第i个 MEG电力系统支路mn上的欧姆定律;并且式中,Ωi,b为第i个MEG电力系统支路集合;Pi,nm,t、Qi,nm,t分别表示t时段第i个MEG电力系统支路mn上的有功、无功功率;Pi,m,t、Qi,m,t分别表示t时段注入第i个MEG电力系统节点m的总的有功、无功功率;ri,mn、xi,mn分别为第i个MEG电力系统支路mn的电阻和电抗;分别为t时段注入/注出第i个MEG电力系统节点m的从主能源网购买/销往主能源网的电功率;/> 分别为t时段注入/注出第i个MEG电力系统节点m的可再生能源功率、热电联产产生的电功率、P2G设备消耗的电功率、蓄电池放/充电功率、从第j个 MEG共享过来的电功率以及节点m的负荷功率;
第i个MEG电力系统的安全性约束表述如下:
再进一步,在所述步骤S2中,构建MEG与主能源网以及MEG与MEG的能源交易模型,具体包括:
S2-1:构建MEG与主能源网的交易模型;
在本发明中,每个MEG向主电网购售电能,向主天然气网购买天然气,并将主电网和主天然气网合并简称为主能源网,则第i个MEG向主能源网购买能源的成本为:
S2-2:构建MEG与MEG的交易模型;
因此,第i个MEG共享能源的交易总成本可表示为:
在所述步骤S3中,构建两阶段分布式协同优化调度模型,具体包括:
S3-1:构建第一阶段互联MEG能量管理模型;
A1)不考虑多能共享的MEG模型
在不考虑多能共享场景下,每个MEGi∈ΩN,在时段t∈ΩT,都必须满足以下能源平衡约束:
此时,MEG i的能量管理模型为:
A2)考虑多能共享的互联MEG模型
在考虑多能共享时,第i个MEG的能量管理模型在式(38)的基础上需额外考虑共享能源成本以及相应的决策变量/>和/>此时,对于ΩN中包括的第 i个MEG,在时段t∈ΩT,所需满足的电力和天然气平衡约束如下:
由于MEG间的能源共享成本在互联MEG内部平衡,故目标函数可表示为不考虑共享的互联MEG运营成本之和。为后文表示方便,定义为考虑多能共享场景下第i个MEG的运营成本。因此,考虑多能共享的互联MEG优化调度模型可表示为:
εij,e,t+εji,e,t=0 (44)
定义第i个MEG的决策变量为xi,这样式(42)的增广拉格朗日函数可描述为:
ADMM求解算法流程如下:
步骤2:MEG i在满足各自约束的情况下按照式(46)求解决策变量。
步骤3:按照式(47)在式(44)的约束下更新辅助变量。
步骤4:按照式(48)更新拉格朗日乘子。
步骤5:判断算法是否收敛。若式(49)和式(50)成立,则算法结束;否则,置 k=k+1,返回步骤2,进入下一次迭代。
可把残差收敛标准值归一化为绝对收敛值,具体描述为:
S3-2:构建第二阶段基于非合作博弈模型的共享能源价格出清机制;
在第1阶段求得MEG能量管理策略后,需要在第2阶段求解互联MEG间多能共享的交易价格。根据MEG自利性的特点,将共享能源问题建模为广义非合作博弈模型。首先,第i个MEG的共享能源成本函数可表示为:
第i个MEG仅在可降低其运营成本的前提下参与能源共享交易,因此其成本函数的经济激励约束可描述为:
此外,共享能源价格须满足式(31)。定义约束集合如下:
MEG之间的共享能源价格出清的非合作博弈模型为:
式中:ΩN为博弈参与者集合,即参与博弈的所有MEG;为参与者i的策略向量,是参与博弈的MEG i的决策变量,即共享能源价格;/>为该博弈模型的策略空间,包括参与博弈的MEG i经济激励约束和共享能源价格相等约束;博弈模型的成本函数为表示第i个MEG参与能源共享的成本,正值和负值分别表示其购能成本和售能收益。
本发明以广义纳什均衡点(Generalized Nash Equilibrium,GNE)为博弈模型G的解方案。GNE的定义如下:
为求解博弈模型G的GNE,本发明将博弈模型等价转化为基于正则化 Nikaido-Isoda(NI)函数的优化问题。正则NI函数描述了参与者i根据其他参与者策略所做的决策获得的收益。首先,定义为博弈参与者i根据其他参与者的决策/>做出的新决策,所有博弈参与者的新策略集合为/>且/>则博弈模型G的正则NI函数为:
式中:ρ2为步长常数;Ψα(λs,ωs)为所有博弈参与者基于λs的新策略ωs可获得的总收益。
式(58)与(42)结构相同,也是由N个子问题组成的凸优化问题,因此可采用 ADMM算法求解。第2阶段算法流程如下。
步骤3:求解每个MEG i的新策略ωi(k)。引入相关辅助变量和拉格朗日乘子,在式(55)的约束下,采用ADMM求解式(58)。
步骤4:每个MEG按照式(60)更新共享能源价格。
步骤5:判断算法是否收敛。若式(61)成立,则算法结束;否则,置k=k+1,返回步骤3。
在所述步骤S4中,所建模型的求解过程如下:
S4-1:求解工具;
在带有YALMIP优化工具箱的MATLAB R2016a环境中编写优化程序,并通过调用IBMILOG CPLEX 12.0算法包进行优化计算求解;所采用的计算机 CPU为Intel酷睿i5处理器(1.6GHz,RAM 8GB),软件环境为Windows10操作系统;
S4-2:求解过程;
算例仿真的各MEG电力系统部分基于标准的IEEE 33节点配电系统,将其分区划分为3个MEG的配电系统,而为了促进P2G设备对风电、光伏等可再生清洁能源产生的电能的就地消纳,将与各MEG配电系统耦合的风机(wind turbine, WT)/光伏(photovoltaics,PV),以及CHP系统、P2G设备和蓄电池一并接入其中,从而构成本发明互联MEG配电网系统拓扑结构。
所有风机、光伏均运行在单位功率因数下,且不考虑风机、光伏的局部无功功率支撑,3个MEG配电系统的额定电压为12.66kV。主电网的零售电价和上网电价分别设为0.637元/kWh和0.4元/kWh;天然气售气价为3.5元/m3。光伏和风力出力功率分别采用Beta分布和韦布尔分布建模,分布式算法1的参数设置为ρ1=0.08,算法2的参数设置为ρ2=1,ξ2=10-3。
在所述步骤S5中,所建模型优化结果的分析过程如下:
S5-1:设置优化结果分析方案;
为清晰对比本发明所搭建的计及多能共享的互联MEG两阶段协同调度模型对互联MEG的分布式协同优化调度效用,故设置以下4种优化分析方案:
B1)第一阶段:互联MEG优化结果与分析;
B2)第二阶段:多能共享结果分析;
B3)可再生能源发电出力不确定性对运营成本的影响分析;
B4)ADMM算法的收敛性及与集中式算法对比分析。
S5-2:确定分析对比指标;
根据所需考虑的量化分析指标,对所构建的两阶段分布式协同优化调度模型从互联MEG整体运行成本、与主能源网交易成本以互联MEG间的多能共享成本分析下手,以此验证所提模型和方法的可行性和有效性;具体分析对比指标如下:
C1)多能共享前后各MEG运行总成本的降幅;
C2)多能共享前后MEG群内能源综合利用率;
C3)多能共享前后可再生能源发电的就地消纳率;
C4)互联MEG的累积运营成本;
C5)光伏、风机综合利用率。
实施本发明的一种计及多能共享的互联微能源网分布式协同优化调度方法的系统,包括依次连接的搭建互联MEG的能量管理和共享交易结构框架模块、构建MEG与主能源网以及MEG与MEG的能源交易模型模块、构建两阶段分布式协同优化调度模型模块、对两阶段的模型进行分布式求解模块、验证所提模型和方法的可行性和有效性模块,其中,
搭建互联MEG的能量管理和共享交易结构框架模块,在每个MEG的综合能源系统中逐步引入可再生能源发电、热电联供(combined heat and power,CHP) 系统、电转气(power to gas,P2G)设备以及多种储能系统,并分别对其建模;
构建MEG与主能源网以及MEG与MEG的能源交易模型模块,基于搭建的互联MEG运行架构,实现互联综合能源系统的多能协同管理;
构建两阶段分布式协同优化调度模型模块,以多能共享的互联MEG运营成本最小为目标函数,在第一阶段建立互联MEG能量管理模型,并分别给出考虑和不考虑多能共享场景下的MEG电、气、热功率平衡约束关系,在第二阶段建立基于非合作博弈模型的共享能源价格出清机制;
对两阶段的模型进行分布式求解模块,以一天内的24小时为调度周期,利用ADMM算法分别对两阶段的模型进行分布式求解;
验证所提模型和方法的可行性和有效性模块,以3个热电联供型MEG构成的互联MEG系统为例,对第一阶段的互联MEG优化结果、第二阶段的多能共享结果、可再生能源发电出力不确定性对运营成本的影响以及ADMM算法的收敛性及与集中式算法对比进行分析。
本发明的有益效果是:
1.可协调MEG间的多能共享,降低互联MEG群的总运营成本。
2.可确定多能共享的均衡价格,保证多能共享交易的公平,并降低每个MEG 的运营成本。
3.可有效计及可再生能源发电的不确定性,降低不确定因素带来的风险成本,提高对可再生能源发电的消纳率。
附图说明
图1是本发明的互联MEG的能量管理与共享框架。
图2是本发明的两阶段协同调度关系。
图3是本发明的互联微能源网电力系统拓扑
图4(a)~图4(c)是本发明的微能源网多能负荷的参考负荷,其中图4(a) 是微能源网的参考电负荷,图4(b)是微能源网的参考热负荷,图4(c)是微能源网的参考气负荷。
图5是本发明的互联MEG与主能源网的交易结果。
图6是本发明的MEG间共享的电量结果图。
图7是本发明的MEG间共享的气量结果图。
图8是本发明的MEG间共享能源出清结果。
图9是本发明的可再生能源发电出力不确定性对运营成本的影响结果图
图10是本发明的ADMM算法的残差收敛曲线
图11是本发明方法的流程图。
具体实施方法
下面结合附图对本发明做进一步说明。
参照图1~图10,一种计及多能共享的互联微能源网分布式协同优化调度方法,包括以下步骤:
S1:搭建互联微能源网(micro-energy grid,MEG)的能量管理和共享交易结构框架,在每个MEG的综合能源系统中逐步引入可再生能源发电、热电联供 (combined heatand power,CHP)系统、电转气(power to gas,P2G)设备以及多种储能系统,并分别对其建模;
S2:基于搭建的互联MEG运行架构,构建MEG与主能源网以及MEG与 MEG的能源交易模型;
S3:以多能共享的互联MEG运营成本最小为目标函数,构建两阶段分布式协同优化调度模型,在第一阶段建立互联MEG能量管理模型,并分别给出考虑和不考虑多能共享场景下的MEG电、气、热功率平衡约束关系,在第二阶段建立基于非合作博弈模型的共享能源价格出清机制;
S4:以一天内的24小时为调度周期,利用交替方向乘子法(alternatingdirection method of multipliers,ADMM)分别对两阶段的模型进行分布式求解;
S5:以3个热电联供型MEG构成的互联MEG系统为例,对第一阶段的互联MEG优化结果以及第二阶段的多能共享结果进行分析,以此验证所提模型和方法的可行性和有效性。
实施本发明的一种计及多能共享的互联微能源网分布式协同优化调度方法的系统,包括依次连接的搭建互联MEG的能量管理和共享交易结构框架模块、构建MEG与主能源网以及MEG与MEG的能源交易模型模块、构建两阶段分布式协同优化调度模型模块、对两阶段的模型进行分布式求解模块、验证所提模型和方法的可行性和有效性模块,其中,各模块依次各自包含本发明步骤S1~S5 的技术内容。
为使本领域技术人员更好地理解本发明,算例分析包括以下构成:
一、算例描述及仿真结果分析
本发明以3个热电联供型MEG构成互联MEG系统为例来验证所提模型和方法的可行性和有效性。MEG之间通过电力联络线和天然气管道两两互联,且都有综合能源用户。每个MEG由各自的MEG运营商进行管理。算例仿真在 MATLAB R2016a环境中编写优化程序,并调用Cplex12.0求解器求解,所采用的计算机CPU为Intel酷睿i5处理器(1.6GHz,RAM 8GB)。
其中,算例仿真的各MEG电力系统部分基于标准的IEEE 33节点配电系统,将其分区划分为3个MEG的配电系统,并将与各MEG配电系统耦合的风机 (wind turbine,WT)/光伏(photovoltaics,PV),以及CHP系统、P2G设备和蓄电池一并接入其中,从而构成本发明互联MEG配电网系统拓扑结构,具体的节点划分情况见图3。
表1能源生产设备参数
表2 MEG运行成本
1)基础数据
图3中的3个MEG配电系统的额定电压为12.66kV;主电网的零售电价和上网电价分别设为0.637元/kWh和0.4元/kWh;天然气售气价为3.5元/m3。每个MEG能源生产设备的主要参数见表1,光伏和风力出力功率分别采用Beta分布和韦布尔分布建模,MEG的参考负荷数据见图4(a)~图4(c)。分布式算法 1的参数设置为ρ1=0.08,算法2的参数设置为ρ2=1,ξ2=10-3。
2)第一阶段:互联MEG优化结果与分析
首先对有无多能共享的两种场景进行对比,两种场景下互联MEG的成本结果如表2所示,互联MEG与主能源网交易结果如图5所示。
由表2可知,在允许能源共享的情况下,互联MEG的总运营成本小于无能源共享的场景,且三个MEG的总成本分别下降了5.89%、19.13%和0.06%,表明本发明提出的多能共享交易机制可同时提高社会和个体的经济效益。此外,从表1可以看出,考虑多能共享场景下的互联MEG与主能源网交易成本小于不考虑能量共享的场景,这说明多能共享可以提高MEG群内的能源利用率,减少 MEG从主能源网的购能量,从而降低互联MEG内部的运行成本。
由图5可得,在不考虑能源共享的场景下,MEG的购电量显著高于考虑多能共享的场景,这表明多能共享可有效降低互联MEG对主电网的购电需求,提高了可再生能源发电的就地消纳率,也在一定程度上改善了MEG的负荷特性。图3中互联MEG在00:00~5:00和19:00~24:00并未向主电网购电的原因是:即便MEG1和MEG2的光伏机组在上述时段未能发电,且CHP机组发电量无法完全满足其内部用电需求,但是互联MEG通过互济通道进行了多能共享,从而满足了各MEG内部的各类负荷需求。
同样地,由图5可得,在不进行能源共享的场景下,MEG的购气量在18:00 以前整体略高于进行多能共享的场景,这在一定程度上说明了进行多能共享在大多时段是可以改善各MEG向主气网购买天然气的需求,优先促进互联MEG内部P2G设备产生的天然气消纳。但是在18:00以后,由于MEG1和MEG2内部光伏机组在此之后不能继续发电以供其使用,且由图5可知互联MEG在此段时间并未向主电网购电,因此需要购买较无能源共享场景略多的天然气以供CHP 机组进行热电联产。虽然进行能源共享的互联MEG在整个调度时段的整体天然气购买量高于无能源共享的场景,但是由表2可知,进行能源共享时的各MEG 运行的总成本均低于无能源共享场景下的运营成本(即无能源共享场景下的总成本)。同时也说明进行气能共享可以促进内部P2G设备产生的天然气的消纳,也即对风机/光伏过发电量的消纳,从而提高可再生能源的就地消纳率。
3)第二阶段:多能共享结果分析
本发明采用“MEG i&j”的格式标记共享交易对,表示MEG i从MEG j购买能源;每对交易在各时段共享的电量及共享的气量分别如图6和图7所示,而每对交易共享能源单价与共享能源总量结果如图8所示。
从图6以及图7中可以看出,在整个调度周期,MEG1主要向MEG2购买电能和天然气,且主要向MEG3售卖电能和天然气,而MEG2则主要向MEG3 购买电能和天然气。其中对于MEG1和MEG2,在0:00~5:00和19:00~24:00时段,由于其内部的光伏板未能接受光照而不能发电,因此系统内的电能来源只有 CHP机组为满足热负荷需求而热电联产产生的电能和从主电网购买的电能。但是由图5可以看出,MEG在进行多能共享的场景下每个时段均未向主电网购电,因此MEG内部则就可能会存在CHP机组发电过剩的情况,从而可以优先进行电能共享或供给蓄电池充电蓄能、供给P2G设备转换为天然气进行存储/共享给其他MEG(如在时段00:00~1:00,MEG1将P2G设备产生的天然气售卖给MEG3)。而在其他时段,MEG1和MEG2光伏板开始发电,在满足自身负荷需求的同时会优先进行电能共享、对蓄电池充电或由P2G设备转换为天然气进行存储或进行气能共享,因此即便光伏板在19:00~24:00时段不能进行发电,但是MEG1或 MEG2仍可能向其他MEG售卖电能或气能。而对于MEG3,由于其接入的可再生能源是风电,存在较大的不确定性,因此其根据自身负荷需求以及运行经济性进行电能和天然气的共享。
由图8可知,共享电价均低于主电网售电价,却高于主电网购电价,共享天然气的单价也低于主天然气网的售气价。这说明本发明搭建的共享及出清模型可确定多能共享的均衡价格,保证多能共享交易的公平,且MEG无法从多能共享中套利,意味着本发明所提的共享能源价格出清机制可保证共享市场规范运行。
4)可再生能源发电出力不确定性对运营成本的影响
为分析可再生能源发电出力不确定性的影响,本小节以不考虑可再生能源发电出力不确定性的场景作为对照组进行算例分析,即取可再生能源发电出力预测值作为计划出力。依据1)节设置的可再生能源功率概率密度函数随机抽样100 组数据模拟未来100天内可再生能源的实际发电功率,用以对比分析两组场景下所求的调度策略对互联MEG运营成本的影响,图9描述了对照实验的结果。由图9可知,采用预测值时,互联MEG的累积运营成本高于本发明方法所得的累积运营成本,这说明本发明建立的模型可有效计及可再生能源发电的不确定性,降低不确定因素带来的风险成本,也在一定程度上提高了对可再生能源发电的就地消纳率。
5)ADMM算法的收敛性及与集中式算法对比
本发明采用ADMM算法,对含多能共享的互联MEG的协同调度问题进行求解。求解得到的互联MEG的总运行成本为13491.34元,而采用集中式算法得出的互联MEG的总运行成本同样为13491.34元,且采用分布式算法下每个MEG 的运营成本与能源共享成本之和,分别与采用集中式算法下每个MEG的运营成本与能源共享成本之和相等。除此之外,两种算法求解出的共享能源价格也分别相等,由此说明了本发明采用ADMM算法求解两阶段模型的准确性和严谨性。至于详细的对比结果,由于集中式算法得出的结果与分布式算得出的结果一样,因此在这就不再赘述。
而对于两个阶段分别采用分布式和集中式算法在求解时间上的对比,根据算例分析结果得到:当第一阶段采用分布式算法,且设定算法的绝对收敛值为10-4的情况下,该算法在第52次收敛,且求解时间为26.252秒,图10为该算法的残差收敛曲线图,而当第一阶段采用集中式算法时,其求解时间为13.557秒;当第二阶段采用分布式算法,且设定算法的绝对收敛值为10-3的情况下,该算法在迭代36次后达到收敛,具体的求解时间为42.656秒,而当第二阶段采用集中式算法时,其在迭代23次后达到收敛,具体的求解时间为22.849秒。由此不难看出分布式算法不论在哪个阶段,其求解时间均大于集中式算法,虽然分布式算法在求解时间上逊色于集中式算法,但是采用集中式算法无法保证参与多能共享的各MEG主体的数据安全和隐私,而又由于两种算法得出的优化结果相同且分布式算法仍能在较快时间内达到收敛,可以满足实际调度优化问题的要求,因此本发明认为采用分布式求解方法更具优势。
二、结论
本发明研究了考虑多能共享的互联MEG的多能协同管理和共享能源结算问题,提出了一种两阶段分布式协同优化调度模型。在模型第一阶段,考虑了可再生能源发电出力不确定性和MEG间能源共享,建立了互联MEG群的能量管理模型,并采用ADMM算法进行分布式求解。在模型第二阶段,针对共享能源结算问题,建立了基于非合作博弈的共享能源价格出清模型,并采用ADMM算法进行求解。最后通过算例分析,验证了所提模型和方法的可行性及有效性。
具体地,所提出的模型和方法具有下述特征:
(1)可协调MEG间的多能共享,降低互联MEG群的总运营成本。
(2)可确定多能共享的均衡价格,保证多能共享交易的公平,并降低每个 MEG的运营成本。
(3)可有效计及可再生能源发电的不确定性,降低不确定因素带来的风险成本,提高对可再生能源发电的消纳率。
在本说明书中,对本发明的示意性表述不是必须针对的是相同的实施例或示例,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。此外,本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式,本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种计及多能共享的互联微能源网分布式协同优化调度方法,其特征在于,包括以下步骤:
S1:搭建互联微能源网MEG的能量管理和共享交易结构框架,在每个MEG的综合能源系统中逐步引入可再生能源发电、热电联供CHP系统、电转气P2G设备以及多种储能系统,并分别对其建模;具体包括:
S1-1:构建可再生能源调度模型;
定义ΩN={1,2,…,N}为N个互联的MEG的集合;
定义优化时段集合为ΩT={1,2,…,T},优化周期为24h,优化间隔为1h,则T=24;
定义ΩE={ele,heat,gas}为能源类型的集合,其中“ele”、“heat”和“gas”分别表示电能、热能和天然气;
定义随机变量γi,t为MEGi在t时段的可再生能源发电功率,为MEG i在t时段的可再生能源调度功率;为描述可再生能源发电的不确定性,定义f(γi,t)为γi,t的概率密度函数,则可再生能源不确定性惩罚成本可由实时阶段的调节/平衡成本表示,具体如下:
式中:为可再生能源不确定性惩罚成本函数;E(*)为期望函数;b和s分别为零售电价和上网电价,且存在b>s;当可再生能源发电的实际出力小于调度功率时,需购买电力以平衡功率偏差;反之,MEG可出售多余电力;由于可再生能源发电出力具有不确定性,故取调节/平衡成本的期望值作为优化调度的目标函数;
可再生能源发电的可调度出力的上下限约束为:
显然,式(1)是无法直接求解的;结合概率密度函数f(γi,t),可将其等价为:
对其任一时段求取一阶和二阶导数可得:
由于b>s,根据二阶导数性质可得可再生能源发电的调节/平衡成本为凸函数;因此,可将成本函数分段线性化为一组线性约束,且当/>满足式(2)时,这组线性约束中可行解的最小值即为成本曲线上的最小值;将/>分为S段,每段的斜率和截距分别为ai,t,s和di,t,s,则式(3)可近似表示为:
S1-2:构建P2G设备模型;
以电转天然气技术为例对P2G设备进行建模;由于P2G响应速度快,可忽略其能源转换时间;根据能量转换关系,MEG i的P2G设备运行模型可描述为:
式中:Lgas为天然气的热值,标准状态下取9.7kWh/m3;△t为优化时间间隔;ηP2G为P2G设备生产天然气的效率;为P2G设备在t时段生成的天然气气体体积;/>为P2G设备在t时段的用电功率;/>和/>分别为P2G设备每小时的最小和最大用电功率;
S1-3:构建CHP系统模型;
CHP系统主要由燃气轮机和余热回收锅炉组成,可将天然气同时转化为电能和热能;MEG i的CHP系统的运行状态可表述为:
CHP系统的出力需满足如下约束:
S1-4:构建多能源存储系统模型;
式中:和/>分别为储能装置t时段的充能和放能量,对于蓄电池SB和蓄热装置分别为充放电和充放热功率,单位均为kW,对于储气装置则分别为储气和放气量,单位为m3/h;/>和/>分别为储能装置的最大充能和放能量;
Si,e,0=Si,e,T (17)
式中:Si,e,t为t时段储能装置的储能量;和/>分别为储能和放能的效率;S i,e和/>分别为MEGi的储能装置的最小和最大储能量;Si,e,0为初始储能量;Si,e,T为调度时段T结束时的储能量;需要指出的是,储能系统运行还需满足互补约束,即/>由于储能装置在储能与放能过程均存在能量损耗,故在优化模型中不会出现储能设备同时储能放能以套利的现象,因此在最优调度模型中可无差松弛该约束;
S1-5:构建负荷侧模型;
MEG的负荷包括电负荷、热负荷和气负荷;每种负荷均可分为固定负荷和弹性负荷2类;多能用户通过调节自身弹性负荷参与MEG内部的IDR;对于用户参与IDR所带来的效用损失,MEG会给予用户一定的补偿;对于MEG i对用户参与IDR的补偿总成本可建模为:
MEG i内的负荷需满足以下约束:
S1-6:构建电气潮流模型;
采用Distflow分支模型对MEG的配电网络进行建模,在建模的过程中由于MEG内部及MEG间的线路距离较短,因此只考虑线路电压而不考虑线路网损,故其在数学上可以被描述为如下约束:
式中:约束(21)和(22)分别表示t时段第i个MEG节点m的有功和无功平衡,下标n和k分别为节点m的父节点和子节点;约束(23)和(24)分别表示t时段第i个MEG电力系统节点m注入的有功和无功功率之和;约束(25)表示t时段第i个MEG电力系统支路mn上的欧姆定律;并且式中,Ωi,b为第i个MEG电力系统支路集合;Pi,nm,t、Qi,nm,t分别表示t时段第i个MEG电力系统支路mn上的有功、无功功率;Pi,m,t、Qi,m,t分别表示t时段注入第i个MEG电力系统节点m的总的有功、无功功率;ri,mn、xi,mn分别为第i个MEG电力系统支路mn的电阻和电抗;分别为t时段注入/注出第i个MEG电力系统节点m的从主能源网购买/销往主能源网的电功率;/> 分别为t时段注入/注出第i个MEG电力系统节点m的可再生能源功率、热电联产产生的电功率、P2G设备消耗的电功率、蓄电池放/充电功率、从第j个MEG共享过来的电功率以及节点m的负荷功率;
第i个MEG电力系统的安全性约束表述如下:
S2:基于搭建的互联MEG运行架构,构建MEG与主能源网以及MEG与MEG的能源交易模型;具体包括:
S2-1:构建MEG与主能源网的交易模型;
每个MEG向主电网购售电能,向主天然气网购买天然气,并将主电网和主天然气网合并简称为主能源网,则第i个MEG向主能源网购买能源的成本为:
S2-2:构建MEG与MEG的交易模型;
因此,第i个MEG共享能源的交易总成本可表示为:
S3:以多能共享的互联MEG运营成本最小为目标函数,构建两阶段分布式协同优化调度模型,在第一阶段建立互联MEG能量管理模型,并分别给出考虑和不考虑多能共享场景下的MEG电、气、热功率平衡约束关系,在第二阶段建立基于非合作博弈模型的共享能源价格出清机制;具体步骤包括:
S3-1:构建第一阶段互联MEG能量管理模型;
A1)不考虑多能共享的MEG模型
在不考虑多能共享场景下,每个MEGi∈ΩN,在时段t∈ΩT,都必须满足以下能源平衡约束:
此时,MEG i的能量管理模型为:
A2)考虑多能共享的互联MEG模型
在考虑多能共享时,第i个MEG的能量管理模型在式(38)的基础上需额外考虑共享能源成本以及相应的决策变量/>和/>此时,对于ΩN中包括的第i个MEG,在时段t∈ΩT,所需满足的电力和天然气平衡约束如下:
由于MEG间的能源共享成本在互联MEG内部平衡,故目标函数可表示为不考虑共享的互联MEG运营成本之和;为后文表示方便,定义为考虑多能共享场景下第i个MEG的运营成本;因此,考虑多能共享的互联MEG优化调度模型可表示为:
定义第i个MEG的决策变量为xi,这样式(42)的增广拉格朗日函数可描述为:
ADMM求解算法流程如下:
步骤2:MEG i在满足各自约束的情况下按照式(46)求解决策变量;
步骤3:按照式(47)在式(44)的约束下更新辅助变量;
步骤4:按照式(48)更新拉格朗日乘子;
步骤5:判断算法是否收敛;若式(49)和式(50)成立,则算法结束;否则,置k=k+1,返回步骤2,进入下一次迭代;
可把残差收敛标准值归一化为绝对收敛值,具体描述为:
S3-2:构建第二阶段基于非合作博弈模型的共享能源价格出清机制;
在第1阶段求得MEG能量管理策略后,需要在第2阶段求解互联MEG间多能共享的交易价格;根据MEG自利性的特点,将共享能源问题建模为广义非合作博弈模型;首先,第i个MEG的共享能源成本函数可表示为:
第i个MEG仅在可降低其运营成本的前提下参与能源共享交易,因此其成本函数的经济激励约束可描述为:
此外,共享能源价格须满足式(31);定义约束集合如下:
MEG之间的共享能源价格出清的非合作博弈模型为:
式中:ΩN为博弈参与者集合,即参与博弈的所有MEG;为参与者i的策略向量,是参与博弈的MEG i的决策变量,即共享能源价格;/>为该博弈模型的策略空间,包括参与博弈的MEG i经济激励约束和共享能源价格相等约束;博弈模型的成本函数为表示第i个MEG参与能源共享的成本,正值和负值分别表示其购能成本和售能收益;
为求解博弈模型的GNE,本发明将博弈模型等价转化为基于正则化NI函数的优化问题;正则NI函数描述了参与者i根据其他参与者策略所做的决策获得的收益;首先,定义/>为博弈参与者i根据其他参与者的决策/>做出的新决策,所有博弈参与者的新策略集合为且/>则博弈模型/>的正则NI函数为:
式中:ρ2为步长常数;Ψα(λs,ωs)为所有博弈参与者基于λs的新策略ωs可获得的总收益;
式(58)与(42)结构相同,也是由N个子问题组成的凸优化问题,因此可采用ADMM算法求解;第2阶段算法流程如下:
步骤3:求解每个MEG i的新策略ωi(k);引入相关辅助变量和拉格朗日乘子,在式(55)的约束下,采用ADMM求解式(58);
步骤4:每个MEG按照式(60)更新共享能源价格;
步骤5:判断算法是否收敛;若式(61)成立,则算法结束;否则,置k=k+1,返回步骤3;
S4:以一天内的24小时为调度周期,利用交替方向乘子法ADMM分别对两阶段的模型进行分布式求解;步骤S4所建模型的求解过程如下:
S4-1:求解工具;
在带有YALMIP优化工具箱的MATLAB R2016a环境中编写优化程序,并通过调用IBMILOG CPLEX 12.0算法包进行优化计算求解;所采用的计算机CPU为Intel酷睿i5处理器,1.6GHz,RAM 8 GB,软件环境为Windows10操作系统;
S4-2:求解过程;
算例仿真的各MEG电力系统部分基于标准的IEEE 33节点配电系统,将其分区划分为3个MEG的配电系统,而为了促进P2G设备对风电、光伏等可再生清洁能源产生的电能的就地消纳,将与各MEG配电系统耦合的风机WT/光伏PV,以及CHP系统、P2G设备和蓄电池一并接入其中,从而构成本发明互联MEG配电网系统拓扑结构;
所有风机、光伏均运行在单位功率因数下,且不考虑风机、光伏的局部无功功率支撑,3个MEG配电系统的额定电压为12.66kV;主电网的零售电价和上网电价分别设为0.637元/kWh和0.4元/kWh;天然气售气价为3.5元/m3;光伏和风力出力功率分别采用Beta分布和韦布尔分布建模,分布式算法1的参数设置为ρ1=0.08,算法2的参数设置为ρ2=1,ξ2=10-3;
S5:以3个热电联供型MEG构成的互联MEG系统为例,对第一阶段的互联MEG优化结果以及第二阶段的多能共享结果进行分析,以此验证所提模型和方法的可行性和有效性;具体步骤包括:
S5-1:设置优化结果分析方案;
为清晰对比本发明所搭建的计及多能共享的互联MEG两阶段协同调度模型对互联MEG的分布式协同优化调度效用,故设置以下4种优化分析方案:
B1)第一阶段:互联MEG优化结果与分析;
B2)第二阶段:多能共享结果分析;
B3)可再生能源发电出力不确定性对运营成本的影响分析;
B4)ADMM算法的收敛性及与集中式算法对比分析;
S5-2:确定分析对比指标;
根据所需考虑的量化分析指标,对所构建的两阶段分布式协同优化调度模型从互联MEG整体运行成本、与主能源网交易成本以互联MEG间的多能共享成本分析下手,以此验证所提模型和方法的可行性和有效性;具体分析对比指标如下:
C1)多能共享前后各MEG运行总成本的降幅;
C2)多能共享前后MEG群内能源综合利用率;
C3)多能共享前后可再生能源发电的就地消纳率;
C4)互联MEG的累积运营成本;
C5)光伏、风机综合利用率。
2.实施权利要求1所述的一种计及多能共享的互联微能源网分布式协同优化调度方法的系统,其特征在于,包括依次连接的搭建互联MEG的能量管理和共享交易结构框架模块、构建MEG与主能源网以及MEG与MEG的能源交易模型模块、构建两阶段分布式协同优化调度模型模块、对两阶段的模型进行分布式求解模块、验证所提模型和方法的可行性和有效性模块,其中,
搭建互联MEG的能量管理和共享交易结构框架模块,在每个MEG的综合能源系统中逐步引入可再生能源发电、热电联供CHP系统、电转气P2G设备以及多种储能系统,并分别对其建模;
构建MEG与主能源网以及MEG与MEG的能源交易模型模块,基于搭建的互联MEG运行架构,实现互联综合能源系统的多能协同管理;
构建两阶段分布式协同优化调度模型模块,以多能共享的互联MEG运营成本最小为目标函数,在第一阶段建立互联MEG能量管理模型,并分别给出考虑和不考虑多能共享场景下的MEG电、气、热功率平衡约束关系,在第二阶段建立基于非合作博弈模型的共享能源价格出清机制;
对两阶段的模型进行分布式求解模块,以一天内的24小时为调度周期,利用ADMM算法分别对两阶段的模型进行分布式求解;
验证所提模型和方法的可行性和有效性模块,以3个热电联供型MEG构成的互联MEG系统为例,对第一阶段的互联MEG优化结果、第二阶段的多能共享结果、可再生能源发电出力不确定性对运营成本的影响以及ADMM算法的收敛性及与集中式算法对比进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210508266.1A CN115204562B (zh) | 2022-05-10 | 2022-05-10 | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210508266.1A CN115204562B (zh) | 2022-05-10 | 2022-05-10 | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204562A CN115204562A (zh) | 2022-10-18 |
CN115204562B true CN115204562B (zh) | 2023-06-30 |
Family
ID=83574803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210508266.1A Active CN115204562B (zh) | 2022-05-10 | 2022-05-10 | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204562B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115603325B (zh) * | 2022-12-14 | 2023-02-28 | 国网浙江省电力有限公司 | 基于广义纳什均衡的电力系统最优潮流计算方法及装置 |
CN116799830B (zh) * | 2023-08-24 | 2023-11-10 | 国网浙江省电力有限公司金华供电公司 | 刻画负荷不确定性的广域独立多微网共享储能配置方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545325A (zh) * | 2017-08-21 | 2018-01-05 | 浙江工业大学 | 一种基于博弈论的多微网互联运行优化方法 |
CN112952908A (zh) * | 2021-03-29 | 2021-06-11 | 四川大学 | 一种多合作微电网主体分布式协调交易方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629470A (zh) * | 2017-03-17 | 2018-10-09 | 华北电力大学 | 基于非合作博弈的多能互补系统能量管理与优化运行 |
CN107958300B (zh) * | 2017-08-21 | 2020-08-04 | 浙江工业大学 | 一种考虑互动响应的多微网互联运行协调调度优化方法 |
CN110210104B (zh) * | 2019-05-28 | 2020-11-06 | 国电南瑞科技股份有限公司 | 一种多能源系统运行调度方法 |
CN112069734B (zh) * | 2020-09-04 | 2022-02-22 | 华北电力大学 | 一种电热泵-热电联合系统的优化调控方法及系统 |
CN112819337A (zh) * | 2021-02-03 | 2021-05-18 | 西安交通大学 | 一种基于非合作博弈的综合能源系统能源共享方法 |
CN113313305A (zh) * | 2021-05-28 | 2021-08-27 | 华能定边新能源发电有限公司 | 一种基于非合作博弈的综合能源系统优化调度方法 |
CN114154739A (zh) * | 2021-12-10 | 2022-03-08 | 上海电力大学 | 共享储能电站在多区域综合能源系统的优化配置方法 |
-
2022
- 2022-05-10 CN CN202210508266.1A patent/CN115204562B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545325A (zh) * | 2017-08-21 | 2018-01-05 | 浙江工业大学 | 一种基于博弈论的多微网互联运行优化方法 |
CN112952908A (zh) * | 2021-03-29 | 2021-06-11 | 四川大学 | 一种多合作微电网主体分布式协调交易方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115204562A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hasankhani et al. | Stochastic energy management of smart microgrid with intermittent renewable energy resources in electricity market | |
Qiu et al. | Decentralized-distributed robust electric power scheduling for multi-microgrid systems | |
CN105703369B (zh) | 一种多能耦合输配网最优能量流建模及求解方法 | |
CN108734350A (zh) | 一种含微电网的配电网独立与联合调度的求解方法 | |
Xu et al. | Economic dispatching of microgrid considering renewable energy uncertainty and demand side response | |
CN110659830A (zh) | 面向综合能源系统的多能源微网规划方法 | |
Bidgoli et al. | Multi-stage optimal scheduling of multi-microgrids using deep-learning artificial neural network and cooperative game approach | |
CN115204562B (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
Zhao et al. | Hierarchical optimal configuration of multi-energy microgrids system considering energy management in electricity market environment | |
CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
CN116911533B (zh) | 区域综合能源系统多微网能量共济方法 | |
CN112016825A (zh) | 一种区域综合能源系统的集中式交易优化决策方法 | |
Zhang et al. | Trading-oriented battery energy storage planning for distribution market | |
Sun et al. | Bi-level model for integrated energy service providers in joint electricity and carbon P2P market | |
An et al. | Optimal operation of multi-micro energy grids under distribution network in Southwest China | |
CN114970986A (zh) | 一种基于纳什均衡的分布式电源及储能的协同规划方法 | |
Wang et al. | Cooperative operation of industrial/commercial/residential integrated energy system with hydrogen energy based on Nash bargaining theory | |
Liang et al. | Capacity configuration optimization of wind-solar combined power generation system based on improved grasshopper algorithm | |
An et al. | Real-time optimal operation control of micro energy grid coupling with electricity-thermal-gas considering prosumer characteristics | |
Ma et al. | Decentralized robust optimal dispatch of user-level integrated electricity-gas-heat systems considering two-level integrated demand response | |
Li et al. | Integrated energy system for low-carbon economic operation optimization: Pareto compromise programming and master-slave game | |
Xiong et al. | Optimal operation of integrated energy systems considering energy trading and integrated demand response | |
CN113780620A (zh) | 一种点对点平台与综合能源运营商协同运行调度方法 | |
Feng et al. | Economic research on application of electric heating system based on game theory | |
Linna et al. | A Review on Risk Management of Virtual Power Plant |
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 |