CN115375032A - 一种含分布式储能的区域电网多时间尺度优化调度方法 - Google Patents

一种含分布式储能的区域电网多时间尺度优化调度方法 Download PDF

Info

Publication number
CN115375032A
CN115375032A CN202211067288.5A CN202211067288A CN115375032A CN 115375032 A CN115375032 A CN 115375032A CN 202211067288 A CN202211067288 A CN 202211067288A CN 115375032 A CN115375032 A CN 115375032A
Authority
CN
China
Prior art keywords
energy storage
power
wind
moment
power grid
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
CN202211067288.5A
Other languages
English (en)
Inventor
朱送伟
王枫
张辉
钱俊良
周吉
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.)
Liyang Research Institute of Southeast University
Original Assignee
Liyang Research Institute of Southeast 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 Liyang Research Institute of Southeast University filed Critical Liyang Research Institute of Southeast University
Priority to CN202211067288.5A priority Critical patent/CN115375032A/zh
Publication of CN115375032A publication Critical patent/CN115375032A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种含分布式储能的区域电网多时间尺度优化调度方法。本发明采用以下步骤：(1)详细分析风力、光伏和火电机组的发电特性以及储能系统的充放电特性，建立含分布式储能的风光储区域电网模型；(2)提出日前优化调度策略，并从日前优化调度阶段运行成本最小和有功网络损耗最小的角度建立区域电网的一阶段双目标优化模型；(3)提出日内优化调度策略，并从日内优化调度阶段修正费用最小的角度建立区域电网的二阶段优化模型；(4)求解优化模型，基于求解结果改进区域电网的优化调度。本发明利用两阶段优化调度，运用数学建模方法，在深度优化储能系统出力计划的同时，能有效减小系统运行成本与有功网络损耗。

Description

一种含分布式储能的区域电网多时间尺度优化调度方法
技术领域
本发明涉及智能电网技术领域，具体涉及一种含分布式储能的区域电网多时间尺度优化调度方法。
背景技术
一方面，新能源发电不同于传统的火力发电，其受环境因素影响较大，新能源发电的间歇性、不确定性与高频波动性，使得传统火电机组的爬坡能力无法满足现有的调峰需求，大大增加了电网的调峰压力。另一方面，随着分布式储能的应用场景不断加深，电网优化调度迎来了新的解决思路，但相比于火电机组，储能系统造价较高，且高频充放电会严重影响系统使用寿命，从而增加调峰成本。因此，研究如何在充分利用分布式储能参与电网调峰的基础上，尽量减少区域电网的运行成本具有相当的现实意义。
国内外学者围绕储能系统参与电网优化调度的问题，在各个方面做出了广泛的研究。现有的研究或是在优化模型的创新方面，为应对不同时段系统的不确定因素,构建多时段多阶段的优化模型，在不同时段、不同时间尺度上逐步优化资源配置；或是在调度策略方面，大量学者在多方面，利用新的算法优化储能系统布局、改善系统优化调度；又或是通过联合调峰，利用多个可调度资源协同优化系统调峰。但已有的研究方案大多无法在深度优化储能系统出力计划的同时，兼顾系统运行的高昂成本，且都未考虑过优化调度策略中产生的有功网络损耗。
基于上述背景，针对多种新能源接入电网下，传统的火电机组无法满足系统负荷供电需求的问题，结合分布式储能的可时移、可调度特性，提出一种含分布式储能的区域电网多时间尺度优化调度策略，旨在缓解区域电网的调峰压力，同时降低系统运行的综合成本与有功网络损耗，进一步保障电网安全稳定运行。
发明内容
为解决上述技术问题，本发明提供了一种含分布式储能的区域电网多时间尺度优化调度策略，在提升区域电网调峰能力的同时，减少系统的运行成本，可有效保障电网安全稳定运行。
一种含分布式储能的区域电网多时间尺度优化调度方法，包括如下步骤：
步骤一：分析风力、光伏和火电机组的发电特性以及储能系统的充放电特性，建立含分布式储能的风光储区域电网模型；
步骤二：提出日前优化调度策略，并从日前优化调度阶段运行成本最小和有功网络损耗最小的角度建立区域电网的一阶段双目标优化模型；
步骤三：提出日内优化调度策略，并从日内优化调度阶段修正费用最小的角度建立区域电网的二阶段优化模型；
步骤四：求解优化模型，基于求解结果改进区域电网的优化调度。
进一步地，步骤一所建立的含分布式储能的风光储区域电网模型，具体为：
1）风力发电数学模型
采用与风速相关的双参数Weibull概率分布函数建立风力发电数学模型，具体如公式（1）所示：
Figure 851007DEST_PATH_IMAGE001
（1）
其中，V为风机叶轮处风速；c、k分别为分布参数、形状参数，具体求解公式如下：
Figure 880143DEST_PATH_IMAGE002
（2）
Figure 307582DEST_PATH_IMAGE003
（3）
其中，σ为风速的标准差；μ为通过历史数据求得的平均风速；
Figure 87581DEST_PATH_IMAGE004
为伽马函数；
风力参与系统调峰过程中满足以下约束条件，包括风电爬坡约束和风电弃风约束：
Figure 32403DEST_PATH_IMAGE005
（4）
Figure 509521DEST_PATH_IMAGE006
（5）
Figure 12921DEST_PATH_IMAGE007
（6）
其中，
Figure 513173DEST_PATH_IMAGE008
为风电爬坡率，
Figure 730528DEST_PATH_IMAGE009
、
Figure 265414DEST_PATH_IMAGE010
分别为风电最小、最大爬坡率；
Figure 739383DEST_PATH_IMAGE011
为t时刻两个风电功率间的时间间隔，
Figure 726931DEST_PATH_IMAGE012
为t时刻的弃风功率，
Figure 747976DEST_PATH_IMAGE013
为t时刻风电出力，
Figure 370325DEST_PATH_IMAGE014
为t+1时刻风电出力；
2）光伏发电数学模型
采用与描述太阳光照强度分布相关Beta分布概率密度函数建立光伏发电数学模型，具体如公式（7）所示：
Figure 716993DEST_PATH_IMAGE015
（7）
其中，r为光照强度；r max 为最大光照强度；α，β为Beta分布形状参数，计算公式如下
Figure 50891DEST_PATH_IMAGE016
（8）
Figure 377093DEST_PATH_IMAGE017
（9）
其中，σ为太阳光强度的方差；μ为太阳光强度的均值。
太阳光辐射强度、光伏电池板面积以及逆变器转换效率决定了光伏发电单元的输出功率，具体表达式如下：
Figure 89834DEST_PATH_IMAGE018
（10）
其中，P V 为光伏发电的输出功率；r为光伏电池板吸收太阳光的辐射强度，单位为W/m2；A为光伏电池板安装面积，单位为m2；η为组件的转换效率；
光伏参与系统调峰过程中满足以下约束条件，包括光伏爬坡约束和弃光约束：
Figure 607403DEST_PATH_IMAGE019
（11）
Figure 661553DEST_PATH_IMAGE020
（12）
Figure 24401DEST_PATH_IMAGE021
（13）
其中，
Figure DEST_PATH_IMAGE023
为光伏发电功率下限，
Figure DEST_PATH_IMAGE025
为光伏发电功率上限，
Figure 217747DEST_PATH_IMAGE027
为t时刻光伏发电功率，
Figure DEST_PATH_IMAGE029
为t-1时刻光伏发电功率，
Figure 450758DEST_PATH_IMAGE031
为光伏下爬坡率极限值，
Figure 588610DEST_PATH_IMAGE033
为光伏上爬坡率极限值，
Figure 489569DEST_PATH_IMAGE035
为t时刻弃光功率；
3）储能系统数学模型
储能系统在任意时刻的充放电潜力主要通过衡量该时刻储能装置中蓄电池的荷电状态来判断，表达式如下：
Figure 708061DEST_PATH_IMAGE036
（14）
其中，
Figure 65968DEST_PATH_IMAGE037
为t时刻储能电荷率，
Figure 65017DEST_PATH_IMAGE038
为t时刻储能系统中的能量，
Figure 35247DEST_PATH_IMAGE039
为系统额定容量；
储能系统参与电网优化调度时需满足以下约束条件，包括功率约束、荷电约束与容量约束：
Figure 672027DEST_PATH_IMAGE040
（15）
Figure 436720DEST_PATH_IMAGE041
（16）
Figure 860749DEST_PATH_IMAGE042
（17）
Figure 602046DEST_PATH_IMAGE043
（18）
Figure 60709DEST_PATH_IMAGE044
（19）
Figure 589780DEST_PATH_IMAGE045
（20）
其中，P in,max 为储能最大充电功率，P in,t 为t时刻储能的充电功率；P o,max 为储能最大放电功率，P o,t 为t时刻储能的放电功率，SOC max 、SOC min 分别为储能最大、最小荷电率，SOC o 为储能初始荷电率，E max ，E min 分别为储能容量上、下限，
Figure 376470DEST_PATH_IMAGE046
为时间间隔，
Figure 783443DEST_PATH_IMAGE047
分别为储能充、放电效率。
进一步地，步骤二所提出的日前优化调度策略，具体为：
步骤2-1、设置初始参考值，包括储能单位成本、风机分布参数、形状参数、储能容量；
步骤2-2、输入日前数据，包括光伏发电功率，风力发电功率，负荷功率，火电机组出力，光伏上下爬坡率；
步骤2-3、含分布式储能的区域电网优化调度策略如下：
①计算日前负荷与风光出力及火电机组出力之和的差值△P；
②△P＜0，储能系统充电运行，同时运用粒子群算法优化储能系统中各储能单元的充电功率，若储能系统达到满状态，则向上级电网卖电；
③△P＞0，储能系统放电运行，同时运用粒子群算法优化储能系统中各储能单元的放电功率，若储能系统亦无法满足供电需求，则向上级电网购电；
步骤2-4、得到t时刻优化配置的储能系统中各储能单元的充、放电功率；
步骤2-5、令Ｔ为优化总时段数，若t≤T，令t=t+1，返回输入下一时刻的日前数据，设置或更新优化调度模型，并计算下一时刻储能系统的优化配置；
步骤2-6、若所有时刻均求出可行解，则输出最终解集。
进一步地，步骤二所建立的日前优化调度阶段双目标优化模型，其目标函数为：
日前优化阶段采用双目标函数联合优化电网调峰，首先以电网购电成本与储能系统运行成本之和最小为优化目标，建立目标函数如下：
Figure 96613DEST_PATH_IMAGE048
（21）
其中，
Figure 468688DEST_PATH_IMAGE049
为储能单元运行成本函数；
Figure 123702DEST_PATH_IMAGE050
为系统与上级电网联络线运行成本；Ｔ为优化总时段数；
Figure 708267DEST_PATH_IMAGE051
（22）
其中，
Figure 875943DEST_PATH_IMAGE052
为储能单元个数，
Figure 153341DEST_PATH_IMAGE053
为第
Figure 9564DEST_PATH_IMAGE054
个储能单元的单元运行成本，
Figure 256874DEST_PATH_IMAGE055
,
Figure 482319DEST_PATH_IMAGE056
分别为ｔ时刻第
Figure 960312DEST_PATH_IMAGE054
个储能单元的充、放电功率，
Figure 802366DEST_PATH_IMAGE057
为ｔ时刻电网的实时电价；
接着以系统运行过程中有功网络损耗最小为优化目标，建立目标函数如下：
Figure 525471DEST_PATH_IMAGE058
（23）
其中，a为区域电网支路数量，
Figure 871002DEST_PATH_IMAGE059
为t时刻第j条支路的电阻，
Figure 522825DEST_PATH_IMAGE060
、
Figure 445651DEST_PATH_IMAGE061
分别为t时刻第j条支路的有功功率与无功功率，
Figure 175709DEST_PATH_IMAGE062
为t时刻第j条支路末端的电压幅值。
进一步地，步骤三所提出的日内优化调度策略，具体为：
步骤3-1、对t时刻风光发电、火电机组、储能单元、系统负荷状态等数据进行采样，得到t时刻系统运行状态U(t)；
步骤3-2、利用超短期预测，得到光伏发电功率，风力发电功率，负荷功率等预测结果，并建立日内优化调度模型，确定目标函数；
步骤3-3、得到未来t+1，t+2，…，t+k时刻优化配置的修正指令序列，并将其第一个值用于修正计划；
步骤3-4、若t≤T，令t=t+1，返回步骤1，更新系统运行状态U(t+1)，并计算下一时刻的修正计划；
步骤3-5、若所有时刻均求出可行解，则输出最终解集。
进一步地，步骤三所建立的日内优化调度阶段优化模型，其目标函数为：
Figure 405440DEST_PATH_IMAGE063
（24）
Figure 726700DEST_PATH_IMAGE064
（25）
Figure 277767DEST_PATH_IMAGE065
（26）
其中，
Figure 342675DEST_PATH_IMAGE066
为储能单元调整费用函数，
Figure 164263DEST_PATH_IMAGE067
为上级联络线运行调整费用，
Figure 984320DEST_PATH_IMAGE068
为调整后的上级交换功率。
有益效果：
由于采用了综合考虑日前优化调度阶段运行成本最小及日内优化调度阶段修正费用最小的区域电网双目标优化模型方案，解决了新能源大规模并网带来的区域电网调峰压力问题，相对于背景技术带来了提升区域电网调峰能力、大幅减小了储能系统运行成本与系统网络损耗、保障区域电网的安全稳定运行的显著效果。
附图说明
图1是本发明的风力发电机输出功率与风速的关系曲线图
图2为本发明的含分布式储能的区域电网优化调度数学模型求解流程图
图3为本发明的含分布式储能的区域电网多时间尺度优化调度策略流程图。
具体实施方式
下面结合具体实施例和附图对本发明进一步进行描述。
本实施例提供了一种含分布式储能的区域电网多时间尺度优化调度方法，包括如下步骤：
步骤一：分析风力、光伏和火电机组的发电特性以及储能系统的充放电特性，建立含分布式储能的风光储区域电网模型；
步骤二：提出日前优化调度策略，并从日前优化调度阶段运行成本最小和有功网络损耗最小的角度建立区域电网的一阶段双目标优化模型；
步骤三：提出日内优化调度策略，并从日内优化调度阶段修正费用最小的角度建立区域电网的二阶段优化模型；
步骤四：求解优化模型，基于求解结果改进区域电网的优化调度。
本实施例的步骤一所建立的含分布式储能的风光储区域电网模型，具体为：
1）风力发电数学模型
实际电网中风力发电受天气与风速影响较大，其风力出力曲线具有间歇性、随机性和高频波动性。对此，为准确描述区域电网中的风力变化，采用与风速相关的双参数Weibull概率分布函数建立风力发电数学模型，具体如公式（1）所示：
Figure 288262DEST_PATH_IMAGE069
（1）
其中，V为风机叶轮处风速；c、k分别为分布参数、形状参数，具体求解公式如下：
Figure 389817DEST_PATH_IMAGE070
（2）
Figure 830026DEST_PATH_IMAGE071
（3）
其中，σ为风速的标准差；μ为通过历史数据求得的平均风速；
Figure 227509DEST_PATH_IMAGE072
为伽马函数；
风力发电机输出功率与风速的Weibull双参数风速概率分布函数曲线如图1所示，其中V为实时风速；Vqr为风机切入风速；Ve为额定风速；Vqc为切出风速；Pwe为风机的额定功率
风力参与系统调峰过程中满足以下约束条件，包括风电爬坡约束和风电弃风约束：
Figure 753168DEST_PATH_IMAGE073
（4）
Figure 661344DEST_PATH_IMAGE074
（5）
Figure 221638DEST_PATH_IMAGE075
（6）
其中，
Figure 524444DEST_PATH_IMAGE076
为风电爬坡率，
Figure 802978DEST_PATH_IMAGE009
、
Figure 105390DEST_PATH_IMAGE077
分别为风电最小、最大爬坡率；
Figure 520191DEST_PATH_IMAGE078
为t时刻两个风电功率间的时间间隔，
Figure 993898DEST_PATH_IMAGE012
为t时刻的弃风功率，
Figure 261193DEST_PATH_IMAGE079
为t时刻风电出力，
Figure 9706DEST_PATH_IMAGE014
为t+1时刻风电出力。
2）光伏发电数学模型
采用与描述太阳光照强度分布相关Beta分布概率密度函数建立光伏发电数学模型，具体如公式（7）所示：
Figure 13434DEST_PATH_IMAGE080
（7）
其中，r为光照强度；r max 为最大光照强度；α，β为Beta分布形状参数，计算公式如下
Figure 923622DEST_PATH_IMAGE016
（8）
Figure 144125DEST_PATH_IMAGE081
（9）
其中，σ为太阳光强度的方差；μ为太阳光强度的均值。
太阳光辐射强度、光伏电池板面积以及逆变器转换效率决定了光伏发电单元的输出功率，具体表达式如下：
Figure 555384DEST_PATH_IMAGE018
（10）
其中，P V 为光伏发电的输出功率；r为光伏电池板吸收太阳光的辐射强度，单位为W/m2；A为光伏电池板安装面积，单位为m2；η为组件的转换效率；
光伏参与系统调峰过程中满足以下约束条件，包括光伏爬坡约束和弃光约束：
Figure 508558DEST_PATH_IMAGE019
（11）
Figure 275133DEST_PATH_IMAGE020
（12）
Figure 953239DEST_PATH_IMAGE021
（13）
其中，
Figure 840292DEST_PATH_IMAGE023
为光伏发电功率下限，
Figure 444711DEST_PATH_IMAGE025
为光伏发电功率上限，
Figure 24597DEST_PATH_IMAGE027
为t时刻光伏发电功率，
Figure 954114DEST_PATH_IMAGE029
为t-1时刻光伏发电功率，
Figure 582541DEST_PATH_IMAGE031
为光伏下爬坡率极限值，
Figure 680947DEST_PATH_IMAGE033
为光伏上爬坡率极限值，
Figure 369417DEST_PATH_IMAGE035
为t时刻弃光功率；
3）储能系统数学模型
由于新能源发电的间歇性较大，随着大规模新能源的不断并网，新能源本身也会影响电网功率平衡。对此，在用电低谷期，火电机组爬坡压力较小时，系统会先将风力与光伏发电存储到储能系统的蓄电池中，直至蓄电池充满；当储能系统处于满状态时，首先通过并网逆变器将新能源发电接入负载；若新能源出力无法满足电网负载用电，则通过储能系统放电来维持电网功率平衡。新能源发电在储能系统接入的情况下，所得电力可接入电网直接为负载供电，也可以通过储能系统，在负荷高峰期放电参与系统调峰，从而达到削峰填谷的作用。
储能系统在任意时刻的充放电潜力主要通过衡量该时刻储能装置中蓄电池的荷电状态来判断，表达式如下：
Figure 54739DEST_PATH_IMAGE082
（14）
其中，
Figure 80333DEST_PATH_IMAGE037
为t时刻储能电荷率，
Figure 439770DEST_PATH_IMAGE083
为t时刻储能系统中的能量，
Figure 680169DEST_PATH_IMAGE039
为系统额定容量；
储能系统参与电网优化调度时需满足以下约束条件，包括功率约束、荷电约束与容量约束：
Figure 351321DEST_PATH_IMAGE084
（15）
Figure 55972DEST_PATH_IMAGE085
（16）
Figure 128970DEST_PATH_IMAGE042
（17）
Figure 660708DEST_PATH_IMAGE086
（18）
Figure 819157DEST_PATH_IMAGE044
（19）
Figure 61919DEST_PATH_IMAGE045
（20）
其中，P in,max 为储能最大充电功率，P in,t 为t时刻储能的充电功率；P o,max 为储能最大放电功率，P o,t 为t时刻储能的放电功率，SOC max 、SOC min 分别为储能最大、最小荷电率，SOC o 为储能初始荷电率，E max ，E min 分别为储能容量上、下限，
Figure 612593DEST_PATH_IMAGE046
为时间间隔，
Figure 17030DEST_PATH_IMAGE047
分别为储能充、放电效率。
本实施例的步骤二所提出的日前优化调度策略，具体为：
日前优化调度利用前一日电网负荷变化量、风光及火电出力数据制定当日调度计划，其中，假设风力与光伏出力不变，日内分为 24个时间节点，任意时间节点内各发电单元出力不变。
在初始时刻t0，首先计算日前负荷与风光出力及火电机组出力之和的差值，并将其记为△P，若△P＜0，风光出力较大，利用储能系统进行新能源消纳，此时储能系统充电，同时运用粒子群算法优化储能系统中各储能单元的充电功率，若储能系统达到满状态，则向上级电网卖电；若△P＞0，此时处于负荷高峰期，仅依靠风光与火电出力不足以满足供电需求，储能系统放电，同时运用粒子群算法优化储能系统中各储能单元的放电功率，若储能系统亦无法满足供电需求，则向上级电网购电。
在上述理论分析基础上建立仿真模型并求解，具体实现流程如图2所示，步骤如下：
步骤2-1、设置初始参考值，包括储能单位成本、风机分布参数、形状参数、储能容量；
步骤2-2、输入日前数据，包括光伏发电功率，风力发电功率，负荷功率，火电机组出力，光伏上下爬坡率；
步骤2-3、含分布式储能的区域电网优化调度策略如下：
①计算日前负荷与风光出力及火电机组出力之和的差值△P；
②△P＜0，储能系统充电运行，同时运用粒子群算法优化储能系统中各储能单元的充电功率，若储能系统达到满状态，则向上级电网卖电；
③△P＞0，储能系统放电运行，同时运用粒子群算法优化储能系统中各储能单元的放电功率，若储能系统亦无法满足供电需求，则向上级电网购电；
步骤2-4、得到t时刻优化配置的储能系统中各储能单元的充、放电功率；
步骤2-5、令Ｔ为优化总时段数，若t≤T，令t=t+1，返回输入下一时刻的日前数据，设置或更新优化调度模型，并计算下一时刻储能系统的优化配置；
步骤2-6、若所有时刻均求出可行解，则输出最终解集。
本实施例的步骤二所建立的日前优化调度阶段双目标优化模型，其目标函数为：
日前优化阶段采用双目标函数联合优化电网调峰，首先以电网购电成本与储能系统运行成本之和最小为优化目标，建立目标函数如下：
Figure 990671DEST_PATH_IMAGE087
（21）
其中，
Figure 397644DEST_PATH_IMAGE049
为储能单元运行成本函数；
Figure 445234DEST_PATH_IMAGE050
为系统与上级电网联络线运行成本；Ｔ为优化总时段数；
Figure 20572DEST_PATH_IMAGE088
（22）
其中，
Figure 980044DEST_PATH_IMAGE052
为储能单元个数，
Figure 95768DEST_PATH_IMAGE053
为第
Figure 466706DEST_PATH_IMAGE054
个储能单元的单元运行成本，
Figure 104623DEST_PATH_IMAGE055
,
Figure 724960DEST_PATH_IMAGE056
分别为ｔ时刻第
Figure 113216DEST_PATH_IMAGE054
个储能单元的充、放电功率，
Figure 368355DEST_PATH_IMAGE057
为ｔ时刻电网的实时电价；
接着以系统运行过程中有功网络损耗最小为优化目标，建立目标函数如下：
Figure 144550DEST_PATH_IMAGE089
（23）
其中，a为区域电网支路数量，
Figure 347123DEST_PATH_IMAGE059
为t时刻第j条支路的电阻，
Figure 804650DEST_PATH_IMAGE090
、
Figure 415760DEST_PATH_IMAGE091
分别为t时刻第j条支路的有功功率与无功功率，
Figure 34960DEST_PATH_IMAGE092
为t时刻第j条支路末端的电压幅值。
本实施例的步骤三所提出的日内优化调度策略，具体为：
日内优化阶段在日前优化调度所得数据的基础上，经过模型预测计算，不断更新各储能单元的出力计划，以达到对日前调度计划的修正。日内优化调度采用滚动优化策略，为实现在不同尺度上的无差优化调度，将一日内进一步分为48个时间节点，并假设任意时间节点内各发电单元出力不变。日内滚动优化过程首先在初始时刻t 0采集系统各发电单元的运行状态，通过一系列模型预测计算得到k时刻后[t 0，t 0+k ]的系统预测状态与控制优化序列。接着根据系统优化配置的性能指标，将系统优化序列的第一个值作为新的系统运行状态。将采样时间更新为下一时刻t 0+1，并更新预测时域与控制时域，重复以上操作。
在上述理论分析基础上建立仿真模型并求解，具体实现步骤如下：
步骤3-1、对t时刻风光发电、火电机组、储能单元、系统负荷状态等数据进行采样，得到t时刻系统运行状态U(t)；
步骤3-2、利用超短期预测，得到光伏发电功率，风力发电功率，负荷功率等预测结果，并建立日内优化调度模型，确定目标函数；
步骤3-3、得到未来t+1，t+2，…，t+k时刻优化配置的修正指令序列，并将其第一个值用于修正计划；
步骤3-4、若t≤T，令t=t+1，返回步骤1，更新系统运行状态U(t+1)，并计算下一时刻的修正计划；
步骤3-5、若所有时刻均求出可行解，则输出最终解集。
本实施例的步骤三所建立的日内优化调度阶段优化模型，其目标函数为：
日内优化阶段考虑了区域电网运行的经济性和功率波动特性，从日内修正调度成本的角度构建了区域电网的优化模型，在保证电网安全稳定运行的同时，进一步降低系统运行成本，其目标函数为：
Figure 456320DEST_PATH_IMAGE063
（24）
Figure 717537DEST_PATH_IMAGE064
（25）
Figure 183154DEST_PATH_IMAGE093
（26）
其中，
Figure 474720DEST_PATH_IMAGE066
为储能单元调整费用函数，
Figure 619263DEST_PATH_IMAGE067
为上级联络线运行调整费用，
Figure 153012DEST_PATH_IMAGE068
为调整后的上级交换功率。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种含分布式储能的区域电网多时间尺度优化调度方法，其特征在于：包括如下步骤：
步骤一：分析风力、光伏和火电机组的发电特性以及储能系统的充放电特性，建立含分布式储能的风光储区域电网模型；
步骤二：提出日前优化调度策略，并从日前优化调度阶段运行成本最小和有功网络损耗最小的角度建立区域电网的一阶段双目标优化模型；
步骤三：提出日内优化调度策略，并从日内优化调度阶段修正费用最小的角度建立区域电网的二阶段优化模型；
步骤四：求解优化模型，基于求解结果改进区域电网的优化调度。
2.根据权利要求1所述的一种含分布式储能的区域电网多时间尺度优化调度方法，其特征在于，步骤一所建立的含分布式储能的风光储区域电网模型，具体为：
1）风力发电数学模型
采用与风速相关的双参数Weibull概率分布函数建立风力发电数学模型，具体如公式（1）所示：
Figure 790550DEST_PATH_IMAGE001
（1）
其中，V为风机叶轮处风速；c、k分别为分布参数、形状参数，具体求解公式如下：
Figure 33575DEST_PATH_IMAGE002
（2）
Figure 651638DEST_PATH_IMAGE003
（3）
其中，σ为风速的标准差；μ为通过历史数据求得的平均风速；为伽马函数；
风力参与系统调峰过程中满足以下约束条件，包括风电爬坡约束和风电弃风约束：
Figure 656503DEST_PATH_IMAGE004
（4）
Figure 422334DEST_PATH_IMAGE005
（5）
Figure 138223DEST_PATH_IMAGE006
（6）
其中，
Figure 673110DEST_PATH_IMAGE007
为风电爬坡率，
Figure 645614DEST_PATH_IMAGE008
、
Figure 931364DEST_PATH_IMAGE009
分别为风电最小、最大爬坡率；
Figure 686831DEST_PATH_IMAGE010
为t时刻两个风电功率间的时间间隔，
Figure 810644DEST_PATH_IMAGE011
为t时刻的弃风功率，
Figure 157312DEST_PATH_IMAGE012
为t时刻风电出力，
Figure 130691DEST_PATH_IMAGE013
为t+1时刻风电出力；
2）光伏发电数学模型
采用与描述太阳光照强度分布相关Beta分布概率密度函数建立光伏发电数学模型，具体如公式（7）所示：
Figure 17744DEST_PATH_IMAGE014
（7）
其中，r为光照强度；r max 为最大光照强度；α，β为Beta分布形状参数，计算公式如下
Figure 261644DEST_PATH_IMAGE015
（8）
Figure 811836DEST_PATH_IMAGE016
（9）
其中，σ为太阳光强度的方差；μ为太阳光强度的均值；
太阳光辐射强度、光伏电池板面积以及逆变器转换效率决定了光伏发电单元的输出功率，具体表达式如下：
Figure 773976DEST_PATH_IMAGE017
（10）
其中，P V 为光伏发电的输出功率；r为光伏电池板吸收太阳光的辐射强度，单位为W/m2；A为光伏电池板安装面积，单位为m2；η为组件的转换效率；
光伏参与系统调峰过程中满足以下约束条件，包括光伏爬坡约束和弃光约束：
Figure 136824DEST_PATH_IMAGE018
（11）
Figure 592820DEST_PATH_IMAGE019
（12）
Figure 15711DEST_PATH_IMAGE020
（13）
其中，
Figure 668409DEST_PATH_IMAGE022
为光伏发电功率下限，
Figure 100528DEST_PATH_IMAGE024
为光伏发电功率上限，
Figure 554905DEST_PATH_IMAGE026
为t时刻光伏发电功率，
Figure 414276DEST_PATH_IMAGE028
为t-1时刻光伏发电功率，
Figure 678905DEST_PATH_IMAGE030
为光伏下爬坡率极限值，
Figure 678828DEST_PATH_IMAGE032
为光伏上爬坡率极限值，
Figure 751826DEST_PATH_IMAGE034
为t时刻弃光功率；
3）储能系统数学模型
储能系统在任意时刻的充放电潜力主要通过衡量该时刻储能装置中蓄电池的荷电状态来判断，表达式如下：
Figure 782099DEST_PATH_IMAGE035
（14）
其中，
Figure 674969DEST_PATH_IMAGE036
为t时刻储能电荷率，
Figure 120994DEST_PATH_IMAGE037
为t时刻储能系统中的能量，
Figure 877860DEST_PATH_IMAGE038
为系统额定容量；
储能系统参与电网优化调度时需满足以下约束条件，包括功率约束、荷电约束与容量约束：
Figure 79034DEST_PATH_IMAGE039
（15）
Figure 990358DEST_PATH_IMAGE040
（16）
Figure 27626DEST_PATH_IMAGE041
（17）
Figure 75216DEST_PATH_IMAGE042
（18）
Figure 244029DEST_PATH_IMAGE043
（19）
Figure 675273DEST_PATH_IMAGE044
（20）
其中，P in,max 为储能最大充电功率，P in,t 为t时刻储能的充电功率；P o,max 为储能最大放电功率，P o,t 为t时刻储能的放电功率，SOC max 、SOC min 分别为储能最大、最小荷电率，SOC o 为储能初始荷电率，E max ，E min 分别为储能容量上、下限，
Figure 118892DEST_PATH_IMAGE045
为时间间隔，
Figure 20989DEST_PATH_IMAGE046
分别为储能充、放电效率。
3.根据权利要求1所述的一种含分布式储能的区域电网多时间尺度优化调度方法，其特征在于，步骤二所提出的日前优化调度策略，具体为：
步骤2-1、设置初始参考值，包括储能单位成本、风机分布参数、形状参数、储能容量；
步骤2-2、输入日前数据，包括光伏发电功率，风力发电功率，负荷功率，火电机组出力，光伏上下爬坡率；
步骤2-3、含分布式储能的区域电网优化调度策略如下：
①计算日前负荷与风光出力及火电机组出力之和的差值△P；
②△P＜0，储能系统充电运行，同时运用粒子群算法优化储能系统中各储能单元的充电功率，若储能系统达到满状态，则向上级电网卖电；
③△P＞0，储能系统放电运行，同时运用粒子群算法优化储能系统中各储能单元的放电功率，若储能系统亦无法满足供电需求，则向上级电网购电；
步骤2-4、得到t时刻优化配置的储能系统中各储能单元的充、放电功率；
步骤2-5、令Ｔ为优化总时段数，若t≤T，令t=t+1，返回输入下一时刻的日前数据，设置或更新优化调度模型，并计算下一时刻储能系统的优化配置；
步骤2-6、若所有时刻均求出可行解，则输出最终解集。
4.根据权利要求1所述的一种含分布式储能的区域电网多时间尺度优化调度策略，其特征在于，步骤二所建立的日前优化调度阶段双目标优化模型，其目标函数为：
日前优化阶段采用双目标函数联合优化电网调峰，首先以电网购电成本与储能系统运行成本之和最小为优化目标，建立目标函数如下：
Figure 62501DEST_PATH_IMAGE047
（21）
其中，
Figure 151680DEST_PATH_IMAGE048
为储能单元运行成本函数；
Figure 539936DEST_PATH_IMAGE049
为系统与上级电网联络线运行成本；Ｔ为优化总时段数；
Figure 296539DEST_PATH_IMAGE050
（22）
其中，
Figure 511882DEST_PATH_IMAGE051
为储能单元个数，
Figure 619516DEST_PATH_IMAGE052
为第
Figure 77042DEST_PATH_IMAGE053
个储能单元的单元运行成本，
Figure 484889DEST_PATH_IMAGE054
,
Figure 133783DEST_PATH_IMAGE055
分别为ｔ时刻第
Figure 666396DEST_PATH_IMAGE053
个储能单元的充、放电功率，
Figure 927613DEST_PATH_IMAGE056
为ｔ时刻电网的实时电价；
接着以系统运行过程中有功网络损耗最小为优化目标，建立目标函数如下：
Figure 189967DEST_PATH_IMAGE057
（23）
其中，a为区域电网支路数量，
Figure 809429DEST_PATH_IMAGE058
为t时刻第j条支路的电阻，
Figure 891655DEST_PATH_IMAGE059
、
Figure 425404DEST_PATH_IMAGE060
分别为t时刻第j条支路的有功功率与无功功率，
Figure 978483DEST_PATH_IMAGE061
为t时刻第j条支路末端的电压幅值。
5.根据权利要求1所述的一种含分布式储能的区域电网多时间尺度优化调度策略，其特征在于，步骤三所提出的日内优化调度策略，具体为：
步骤3-1、对t时刻风光发电、火电机组、储能单元、系统负荷状态等数据进行采样，得到t时刻系统运行状态U(t)；
步骤3-2、利用超短期预测，得到光伏发电功率，风力发电功率，负荷功率等预测结果，并建立日内优化调度模型，确定目标函数；
步骤3-3、得到未来t+1，t+2，…，t+k时刻优化配置的修正指令序列，并将其第一个值用于修正计划；
步骤3-4、若t≤T，令t=t+1，返回步骤1，更新系统运行状态U(t+1)，并计算下一时刻的修正计划；
步骤3-5、若所有时刻均求出可行解，则输出最终解集。
6.根据权利要求1所述的一种含分布式储能的区域电网多时间尺度优化调度策略，其特征在于，步骤三所建立的日内优化调度阶段优化模型，其目标函数为：
Figure 470644DEST_PATH_IMAGE062
（24）
Figure 509008DEST_PATH_IMAGE063
（25）
Figure 377606DEST_PATH_IMAGE064
（26）
其中，
Figure 584859DEST_PATH_IMAGE065
为储能单元调整费用函数，
Figure 982342DEST_PATH_IMAGE066
为上级联络线运行调整费用，
Figure 101477DEST_PATH_IMAGE067
为调整后的上级交换功率。
CN202211067288.5A 2022-09-01 2022-09-01 一种含分布式储能的区域电网多时间尺度优化调度方法 Pending CN115375032A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211067288.5A CN115375032A (zh) 2022-09-01 2022-09-01 一种含分布式储能的区域电网多时间尺度优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211067288.5A CN115375032A (zh) 2022-09-01 2022-09-01 一种含分布式储能的区域电网多时间尺度优化调度方法

Publications (1)

Publication Number Publication Date
CN115375032A true CN115375032A (zh) 2022-11-22

Family

ID=84068686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211067288.5A Pending CN115375032A (zh) 2022-09-01 2022-09-01 一种含分布式储能的区域电网多时间尺度优化调度方法

Country Status (1)

Country Link
CN (1) CN115375032A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117096877A (zh) * 2023-10-19 2023-11-21 国网山西省电力公司营销服务中心 基于多视角的区域动态电碳数据用电分析方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106058855A (zh) * 2016-06-16 2016-10-26 南京工程学院 协调储能与柔性负荷的主动配电网多目标优化调度方法
CN106485358A (zh) * 2016-10-12 2017-03-08 国网上海市电力公司 结合序列运算和粒子群算法的独立微电网优化配置方法
CN109327042A (zh) * 2018-09-27 2019-02-12 南京邮电大学 一种微电网多能源联合优化调度方法
CN110009262A (zh) * 2019-04-28 2019-07-12 国网福建省电力有限公司福州供电公司 一种主动配电网的日前-日内两阶段优化调度方法
CN112165112A (zh) * 2020-09-23 2021-01-01 广东电网有限责任公司肇庆供电局 一种用于解决配网低电压的分布式储能系统规划方法
CN114004476A (zh) * 2021-10-26 2022-02-01 华北电力大学 一种综合能源系统多时间尺度优化调度方法
CN114498617A (zh) * 2021-12-25 2022-05-13 国网甘肃省电力公司电力科学研究院 一种考虑随机性的多能源发电系统两阶段优化调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106058855A (zh) * 2016-06-16 2016-10-26 南京工程学院 协调储能与柔性负荷的主动配电网多目标优化调度方法
CN106485358A (zh) * 2016-10-12 2017-03-08 国网上海市电力公司 结合序列运算和粒子群算法的独立微电网优化配置方法
CN109327042A (zh) * 2018-09-27 2019-02-12 南京邮电大学 一种微电网多能源联合优化调度方法
CN110009262A (zh) * 2019-04-28 2019-07-12 国网福建省电力有限公司福州供电公司 一种主动配电网的日前-日内两阶段优化调度方法
CN112165112A (zh) * 2020-09-23 2021-01-01 广东电网有限责任公司肇庆供电局 一种用于解决配网低电压的分布式储能系统规划方法
CN114004476A (zh) * 2021-10-26 2022-02-01 华北电力大学 一种综合能源系统多时间尺度优化调度方法
CN114498617A (zh) * 2021-12-25 2022-05-13 国网甘肃省电力公司电力科学研究院 一种考虑随机性的多能源发电系统两阶段优化调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117096877A (zh) * 2023-10-19 2023-11-21 国网山西省电力公司营销服务中心 基于多视角的区域动态电碳数据用电分析方法及系统
CN117096877B (zh) * 2023-10-19 2024-02-13 国网山西省电力公司营销服务中心 基于多视角的区域动态电碳数据用电分析方法及系统

Similar Documents

Publication Publication Date Title
CN110119886B (zh) 一种主动配网动态规划方法
CN109193812B (zh) 一种园区光储荷微电网经济调度实现方法
CN112734098B (zh) 一种基于源-荷-网平衡的配电网电力调度方法及系统
CN111404206B (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
CN111244988A (zh) 考虑分布式电源的电动汽车和储能优化调度方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN111327053A (zh) 一种适用于极地气候下的多源微电网容量优化配置方法
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
CN105515031A (zh) 一种基于预测数据修正的微网储能实时控制方法
CN115271195A (zh) 一种基于改进遗传算法的电力系统多目标储能优化方法
CN115622101A (zh) 一种促进可再生能源消纳的储能优化配置双层规划方法
CN105574681A (zh) 一种多时间尺度社区能源局域网能量调度方法
CN115375032A (zh) 一种含分布式储能的区域电网多时间尺度优化调度方法
CN111311032B (zh) 一种基于扇形雷达图模型的微网系统容量优化配置方法
CN108667071A (zh) 一种主动配电网负荷精准控制计算方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN114912735A (zh) 一种考虑5g基站储能参与电网互动的需求响应优化方法
CN114398777A (zh) 一种基于巴什博弈理论的电力系统灵活性资源配置方法
Tutkun et al. Design of a PV Powered Charging Station for PHEVs
CN112952914A (zh) 一种多能互补电力系统多目标运行优化方法
El Kafazi et al. PV generator and energy storage systems for laboratory building
CN113783213B (zh) 一种集中式储能电站选址定容两阶段优化方法
Zhang et al. Research on Joint Operation of Wind and Solar Storage System Based on Genetic Algorithm

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