CN115496256A - 一种基于神经网络预测的共享储能容量优化方法 - Google Patents
一种基于神经网络预测的共享储能容量优化方法 Download PDFInfo
- Publication number
- CN115496256A CN115496256A CN202210779393.5A CN202210779393A CN115496256A CN 115496256 A CN115496256 A CN 115496256A CN 202210779393 A CN202210779393 A CN 202210779393A CN 115496256 A CN115496256 A CN 115496256A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- microgrid
- power
- output
- layer
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 150
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000010248 power generation Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007599 discharging Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 18
- 239000007789 gas Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于神经网络预测的共享储能容量优化方法，包括如下步骤：构建基于GRU结构的长时序预测模型；获取电网结构中的历史负荷数据以及微网中各类型机组的历史处理数据，通过长时序预测模型实现对未来一段时间的预测，得到预测数据；建立基于多能源形式组合的共享储能容量配置的双层优化模型，其中双层优化模型的上层模型为共享储能收益最大化，下层模型为总体发电成本与运营成本总和最小；通过启发算法对上层模型进行求解，得到上层求解结果，采用CPLEX求解器求解下层模型，得到下层求解结果；根据上层求解结果和下层求解结果进行多微网结构的储能容量进行调度，得到储能最优化出力策略。
Description
技术领域
本发明涉及电力系统配网储能容量优化控制领域，具体是一种基于神经网络预测的共享储能容量优化方法。
背景技术
随着电力系统可再生能源占比不断攀升，储能作为一种可以提供快速响应的双向能源装置的重要性日益突出。储能是电能与其他能源进行灵活转换、综合利用的关键设备，破解了能源生产和消费的不同步问题。储能技术的快速发展以及现阶段实行的峰谷电价机制为储能系统在售电侧提供经济效益创造可能，提出售电侧有效的储能优化配置和运行控制策略，分析其投资效果和可行性是推进储能商业化应用的关键。
目前已经有较多的学术论文讨论了综合能源网络和储能的联动优化分析，文献“考虑电热多种负荷综合需求响应的园区微网综合能源系统优化运行”提出一种基于电、热负荷综合需求响应的园区微网综合能源系统优化模型。文献“含电、气、热3种储能的微网综合能源系统经济优化运行”分析了多种类型的储能装置协同运行在提高系统可再生能源消纳率与提高经济效益等方面的优势。文献“计及条件风险价值下基于合作博弈的多微网协同优化调度”分析了共享储能的一种重要实现形式，即通过联络线之间的功率传输实现储能容量的互补。共享储能在减少投资成本、发挥储能效益与价值以及方便服务用户等方面具有较高的发展潜力。文献“Energy-sharing provider for PV prosumer clusters：ahybrid approach using stochastic programming and Stackelberg game”建立了共享储能运营商与多个光伏产消者的主从博弈模型。但其共享储能的容量、充放电功率极限等参数为恒定值，这对共享储能运营商可能并非最佳决策。鲜有研究考虑共享储能的容量优化配置，如何设置合理参数使得所建设的容量不被浪费是共享储能运营商关注的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于神经网络预测的共享储能容量优化方法，包括如下步骤：
步骤一，构建基于GRU结构的长时序预测模型；
步骤二，获取电网结构中的历史负荷数据以及微网中各机组的历史出力数据，包括光伏与风力发电机组的出力数据，通过长时序预测模型对设定时间段内的光伏和风力发电的预测，得到光伏和风力发电的出力预测数据；
步骤三，建立基于多能源形式组合的共享储能容量配置的双层优化模型，其中双层优化模型的上层模型为共享储能收益最大化，下层模型为总体发电成本与运营成本总和最小；
步骤四，通过启发算法对上层模型进行求解，得到上层求解结果，采用CPLEX求解器求解下层模型，得到下层求解结果；
步骤五，根据上层求解结果和下层求解结果进行多微网结构的储能容量进行调度，得到储能最优化出力策略。
进一步的，所述的构建基于GRU结构的长时序预测模型，包括如下过程：
长时序预测模型结构包括输入层、dropout层、GRU层和输出层；历史负荷数据作为输入通过dropout层将增加一个随机遮盖矩阵在权重矩阵之上，每一层神经网络的每一个神经元通过对于输入数据施加一个权重矩阵和非线性函数得到本层神经元的输出，权重矩阵通过每一次训练不断得到修正，使得GRU层神经网络从一个单一的数据库中通过多次的训练得到等同于多个数据库训练的结果，GRU层从所提网络特征中学习负荷内部的变化规律以实现预测功能，最后通过输出层得到预测结果。
进一步的，所述的获取电网结构中的历史负荷数据以及微网中各类型机组的历史处理数据，通过长时序预测模型实现对未来一段时间的预测，得到预测数据，包括：
λ′为保险系数；L′△t为预测值中微网负荷与处理相差最大时刻的电网负荷水平；P′w,△t为预测值中微网负荷与处理相差最大时刻的风电出力水平；P′pv,△t为预测值中微网负荷与处理相差最大时刻的光伏出力水平；P′MT,△t为预测值中微网负荷与处理相差最大时刻的燃气轮机出力水平。
进一步的，所述的建立基于多能源形式组合的共享储能容量配置的双层优化模型，其中双层优化模型的上层模型为共享储能收益最大化，下层模型为总体发电成本与运营成本总和最小，包括：
上层模型目标函数设置为：
式中：Δt为研究时段；λSESS为微电网使用共享储能服务下单位充放电容量需要缴纳的费用；n为所研究场景下微网的数量；
分别为微网i在t时段使用共享储能的充、放电功率；λP、λE分别为共享储能的功率成本与容量成本；
分别为共享储能的功率极限与额定容量。
下层模型目标函数设置为：
式中
为汽轮机运行成本；
为与电网交易的购电成本；
为切除负荷的成本；
微网i在t时段内使用共享储能需要缴纳的费用。
进一步的，所述的双层优化模型还包括约束，所述的约束包括：
风力出力约束：
Pw.min≤Pw≤Pw.max
式中Pw.min为风力发电输出最小出力；Pw.max为风力发电输出最大出力。
光伏出力约束：
Ppv.min≤Ppv≤Ppv.max
式中Ppv.min为光伏发电输出最小出力；Ppv.max为光伏发电输出最大出力。
燃气轮机出力约束：
PSESS.min≤PSESS≤PSESS.max
燃气轮机出力成本与约束：
电出力约束:
多微电网系统功率约束：
Pw.sph为风力发电输出功率；Ppv.sph为光伏发电输出功率；
为第i台储能设备释放或吸收的功率；
切除负荷成本：
对应的约束条件是：
式中
为微网i在时间t切除的电负荷；λc为电负荷的单位切除成本；
为切除负荷上限；
需求响应成本与约束：
需求响应成本为：
其对应约束为：
λr,e、
分别为单位电负荷改变需要的成本和微网i在时间t电负荷调整量；
为微网i在时间t电负荷的原始值；εe、γe分别为电负荷最大允许调整比例与电负荷最大允许调整总量占比；
储能参数约束和电力交易约束为：
储能设备荷电状态约束
充电时的荷电状态可表示为:
放电时的荷电状态可表示为:
式中δi为第i台储能设备的自放电率；ηc.i、ηd.i分别为第i台储能设备的充电效率和放电效率；Psph.c.i、Psph.d.i分别为在任意场景、阶段和时刻的第i台储能设备的充电和放电功率；Cc.i为第i台储能设备的额定容量；
储能设备充放电功率约束：
0≤Psphci≤Pr.i
储能使用费用与约束：
与共享储能的功率交互约束：
式中：
表示微网i在t时段的充放电情况，为布尔变量，其值取1表示充电，取0表示放电，从而限制微网在任一时段仅能进行充电或放电；
分别为微网i在t时段使用共享储能的充、放电功率的上限；ηSESS,c、ηSESS,d分别为共享储能的充、放电效率；
为微网i在t时段实际使用的容量值；当微网内部电能供需不平衡时，微网也能向配电网购电，设微网i在t时段内的购电成本为：
购电约束为：0≤Psphd.i≤Pr.i
进一步的，双层优化模型求解流程如下：
步骤1：初始化共享储能系统与各综合能源微网的参数，迭代次数k＝0，设定种群数m为40，迭代总次数为20，种群变异率为5％，交叉概率为80％；
步骤2：利用遗传算法初始随机生成m个共享储能系统的额定容量，将参数传至下层；
步骤3：更新迭代次数，k＝k+1。
步骤4：每个综合能源微网依次接收m个共享储能系统额定容量初始值，利用CPLEX求解器求解各微网内设备的出力、与配电网的交互功率以及与共享储能系统的交互功率，保留各微网运行成本，并将优化后的与共享储能系统交互功率返回至上层；
步骤5：共享储能系统根据一天内各综合能源微网返回的功率交互值计算当前m个额定容量值下的收益，保留当前收益FSESS,k；
步骤6：利用遗传算法的选择、变异生成新的共享储能系统容量值，重复步骤4和5，计算得到共享储能系统收益值F’SESS,k；
步骤7：若共享储能系统与各综合能源微网的收益或成本收敛，结束程序；若不收敛，返回步骤3。
本发明的有益效果是：本文在共享经济的背景下针对多综合能源微网储能联合优化的场景下，提出了共享储能配置优化的模型，本文所提出的共享储能动态容量租赁模型能够为每个微网分配最优容量，克服了传统建模方法所引入的用户功率交互现象，揭示了共享储能提高效益的本质。提高了共享储能模型建立的准确性。
附图说明
图1为一种基于神经网络预测的共享储能容量优化方法的流程示意图；
图2为基于神经网络预测的共享储能容量优化方法预测模型结构示意图；
图3各微电网风力发电量预测示意图；
图4模式1下各微电网燃气轮机输出曲线示意图；
图5模式2各微电网燃气轮机输出曲线示意图；
图6模式3下各微电网燃气轮机输出曲线示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
为了使本发明的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示，
S1利用历史数据构建基于GRU结构的长时序预测模型。由图1可知：预测模型结构主要分为输入层、dropout层、GRU层和输出层。历史负荷数据作为输入通过dropout层将增加一个随机遮盖矩阵在权重矩阵之上，使得接下来的网络特征提取能从一个单一的数据库中通过多次的训练得到等同于多个数据库训练的结果。GRU层从所提特征中学习负荷内部的变化规律以实现预测功能，最后通过输出层得到预测结果。
S2本模型利用电网结构中的符合历史数据以及微网中各类型机组的历史处理数据，实现对未来一段时间的预测。历史数据首先需要进行清洗，去除异常值，然后对历史数据进行归一化处理。
S3预测数据作为共享储能容量确定和分配的基本依据。
λ′为保险系数；L′△t为预测值中微网负荷与处理相差最大时刻的电网负荷水平；P′w,△t为预测值中微网负荷与处理相差最大时刻的风电出力水平；P′pv,△t为预测值中微网负荷与处理相差最大时刻的光伏出力水平；P′MT,△t为预测值中微网负荷与处理相差最大时刻的燃气轮机出力水平。
S4针对多微网为主体，包含多种发电设备的共享储能容量设计不但要考虑到微网用电的稳定性，还需要考虑共享储能运营商的运营情况，因此提出基于多能源形式组合的共享储能容量配置的双层优化模型。
上层模型目标函数设置为：
式中：Δt为研究时段；λSESS为微电网使用共享储能服务下单位充放电容量需要缴纳的费用；n为所研究场景下微网的数量；
分别为微网i在t时段使用共享储能的充、放电功率；λP、λE分别为共享储能的功率成本与容量成本；
分别为共享储能的功率极限与额定容量。
下层模型目标函数设置为：
式中FC为储能安装成本，是储能设备额定容量和额定功率地线性函数，计算公式如下：
式中Pr为储能设备的额定容量；Cr为储能设备的额定容量；CES为储能设备的单位容量成本系数；Y为储能设备的使用年限；λ为年利率。
式中VC包括系统运行成本(向互联的微电网和大电网购买和出售电能的成本)和负荷缺失惩罚成本。其计算公式为：
式中NS为场景数量；PS为每个场景中阶段数量；NP为阶段数量；ND为每个阶段天数；NH为每天小时数；Nm为其相连电网数量；Psph为相对应场景、阶段和时间的电价；
为相对应场景、阶段和时间下，与第j个电网之间交换功率；
为在相对应场景、阶段和时间下的负荷功率；LSIsph为相对应场景、阶段和时间下的负荷缺电率；VL为单位缺电负荷价值。双层模型中上层模型为共享储能收益最大化，下层模型为总体发电成本与运营成本总和最小。
S5考虑到实际微网中机组运行特性限制和功率交互限制等现实条件，需要对模型设置约束。
风力出力约束：
Pw.min≤Pw≤Pw.max
式中Pw.min为风力发电输出最小出力；Pw.max为风力发电输出最大出力。
光伏出力约束：
Ppv.min≤Ppv≤Ppv.max
式中Ppv.min为光伏发电输出最小出力；Ppv.max为光伏发电输出最大出力。
燃气轮机出力约束：
PSESS.min≤PSESS≤PSESS.max
多微电网系统功率约束：
式中参数均表示在任意场景、阶段和时间的条件下的参数值。Pw.sph.为风力发电输出功率；Ppv.sph为光伏发电输出功率；
为第i台储能设备释放或吸收的功率.
储能参数约束和电力交易约束为，
储能设备荷电状态约束
充电时的荷电状态可表示为:
放电时的荷电状态可表示为:
式中δi为第i台储能设备的自放电率；ηc.i、ηd.i分别为第i台储能设备的充电效率和放电效率；Psph.c.i、Psph.d.i分别为在任意场景、阶段和时刻的第i台储能设备的充电和放电功率；Cc.i为第i台储能设备的额定容量。
此外，下式表示储能设备充放电功率约束：
0≤Psphci≤Pr.i
与共享储能的功率交互约束：
式中：
表示微网i在t时段的充放电情况，为布尔变量，其值取1表示充电，取0表示放电，从而限制微网在任一时段仅能进行充电或放电；
分别为微网i在t时段使用共享储能的充、放电功率的上限；ηSESS,c、ηSESS,d分别为共享储能的充、放电效率；
为微网i在t时段实际使用的容量值。当微网内部电能供需不平衡时，微网也能向配电网购电，设微网i在t时段内的购电成本为：
购电约束为：0≤Psphd.i≤Pr.i
式中：
分别为微网i在t时段内的购电功率与电网售电价。
S6提出一种结合启发式算法的优化算法来求解模型。启发算法主要作为上层算法的求解工具，下层采用CPLEX求解器求解。
模型求解流程如下。
步骤1：初始化共享储能系统与各综合能源微网的参数，迭代次数k＝0，设定种群数m为40，迭代总次数为20，种群变异率为5％，交叉概率为80％。
步骤2：利用遗传算法初始随机生成m个共享储能系统的额定容量，将参数传至下层。
步骤3：更新迭代次数，k＝k+1。
步骤4：每个综合能源微网依次接收m个共享储能系统额定容量初始值，利用CPLEX求解器求解各微网内设备的出力、与配电网的交互功率以及与共享储能系统的交互功率，保留各微网运行成本，并将优化后的与共享储能系统交互功率返回至上层。
步骤5：共享储能系统根据一天内各综合能源微网返回的功率交互值计算当前m个额定容量值下的收益，保留当前收益FSESS,k
步骤6：利用遗传算法的选择、变异生成新的共享储能系统容量值，重复步骤4和5，计算得到共享储能系统收益值F’SESS,k。
步骤7：若共享储能系统与各综合能源微网的收益或成本收敛，结束程序；若不收敛，返回步骤3。
S7根据求解器结果进行多微网结构的储能容量进行调度，制定储能最优化出力策略
实施例2
基于实施例1，假定所研究的场景由3个微网与1个SESS组成。，每个微网所拥有的储能初始容量为其在初始时刻从共享储能租赁容量的一半，额定容量与功率极限比例取0.2，单位充放电服务费用为0.3元/(kW·h)，容量成本与功率成本分别1100元/kW与1000元/kW，年维护成本为72元，寿命为8年；所有微网与配电网的功率交互极限为150kW，切负荷上限为200kW，单位负荷转移成本为0.5元/kW，εe与εh均取0.05，γe与γh均取0.12。设模式1为所有微网不配置储能设备，独立运行；模式2为所有微网内部配置储能设备，独立运行；模式3为不计需求响应下多微网使用共享储能服务，协同运行。
表1.三种模式下SESS运营商的利润和微电网集群的总运营费用
由表1可知：模式2下微网群的总运行成本相比模式1减少了2932.78元，这是因为各微网内部配置储能设备，能够进一步消纳风电资源，减少微网切负荷成本；相比于模式2，模式3下共享储能盈利237.34元，同时微网群总运行成本减少了72.28元，共享储能机制实现了共享储能运营商与微网群的收益双赢，这是因为本文所提动态容量租赁机制能够避免浪费不必要的储能容量，进一步减少储能设备的投资建设成本；
表2.模式2和模式3下储能装置的额定容量和功率限制配置结果
| Mode | Object | Capacity/(kW·h) | Power/kW |
| Mode 2 | Microgrid 1 | 858.38 | 171.68 |
| Mode 2 | Microgrid 2 | 1 325.06 | 265.01 |
| Mode 3 | Microgrid 3 | 0 | 0 |
| Mode 3 | SESS | 2 188.62 | 437.82 |
由表2分析可知：模式2下微网1至3内储能设备的容量配置结果依次为858.38kW·h、1325.06kW·h以及0kW·h，总计为2183.44kW·h，相比模式3多配置了5.18kW·h，这是因为共享储能机制能有效分配利用容量，从而节省不必要的容量配置
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种基于神经网络预测的共享储能容量优化方法，其特征在于，包括如下步骤：
步骤一，构建基于GRU结构的长时序预测模型；
步骤二，获取电网结构中的历史负荷数据以及微网中各机组的历史出力数据，包括光伏与风力发电机组的出力数据，通过长时序预测模型对设定时间段内的光伏和风力发电的预测，得到光伏和风力发电的出力预测数据；
步骤三，建立基于多能源形式组合的共享储能容量配置的双层优化模型，其中双层优化模型的上层模型为共享储能收益最大化，下层模型为总体发电成本与运营成本总和最小；
步骤四，通过启发算法对上层模型进行求解，得到上层求解结果，采用CPLEX求解器求解下层模型，得到下层求解结果；
步骤五，根据上层求解结果和下层求解结果进行多微网结构的储能容量进行调度，得到储能最优化出力策略。
2.根据权利要求1所述的一种基于神经网络预测的共享储能容量优化方法，其特征在于，所述的构建基于GRU结构的长时序预测模型，包括如下过程：
长时序预测模型结构包括输入层、dropout层、GRU层和输出层；历史负荷数据作为输入通过dropout层将增加一个随机遮盖矩阵在权重矩阵之上，每一层神经网络的每一个神经元通过对于输入数据施加一个权重矩阵和非线性函数得到本层神经元的输出，权重矩阵通过每一次训练不断得到修正，使得GRU层神经网络从一个单一的数据库中通过多次的训练得到等同于多个数据库训练的结果，GRU层从所提网络特征中学习负荷内部的变化规律以实现预测功能，最后通过输出层得到预测结果。
3.根据权利要求1所述的一种基于神经网络预测的共享储能容量优化方法，其特征在于，所述的获取电网结构中的历史负荷数据以及微网中各类型机组的历史处理数据，通过长时序预测模型实现对未来一段时间的预测，得到预测数据，包括：
λ′为保险系数；L′△t为预测值中微网负荷与处理相差最大时刻的电网负荷水平；P′w,△t为预测值中微网负荷与处理相差最大时刻的风电出力水平；P′pv,△t为预测值中微网负荷与处理相差最大时刻的光伏出力水平；P′MT,△t为预测值中微网负荷与处理相差最大时刻的燃气轮机出力水平。
4.根据权利要求1所述的一种基于神经网络预测的共享储能容量优化方法，其特征在于，所述的建立基于多能源形式组合的共享储能容量配置的双层优化模型，其中双层优化模型的上层模型为共享储能收益最大化，下层模型为总体发电成本与运营成本总和最小，包括：
上层模型目标函数设置为：
式中：Δt为研究时段；λSESS为微电网使用共享储能服务下单位充放电容量需要缴纳的费用；n为所研究场景下微网的数量；
分别为微网i在t时段使用共享储能的充、放电功率；λP、λE分别为共享储能的功率成本与容量成本；
分别为共享储能的功率极限与额定容量。
下层模型目标函数设置为：
式中
为汽轮机运行成本；
为与电网交易的购电成本；
为切除负荷的成本；
微网i在t时段内使用共享储能需要缴纳的费用。
5.根据权利要求4所述的一种基于神经网络预测的共享储能容量优化方法，其特征在于，所述的双层优化模型还包括约束，所述的约束包括：
风力出力约束：
Pw.min≤Pw≤Pw.max
式中Pw.min为风力发电输出最小出力；Pw.max为风力发电输出最大出力。
光伏出力约束：
Ppv.min≤Ppv≤Ppv.max
式中Ppv.min为光伏发电输出最小出力；Ppv.max为光伏发电输出最大出力。
燃气轮机出力约束：
PSESS.min≤PSESS≤PSESS.max
燃气轮机出力成本与约束：
电出力约束:
多微电网系统功率约束：
Pw.sph为风力发电输出功率；Ppv.sph为光伏发电输出功率；
为第i台储能设备释放或吸收的功率；
切除负荷成本：
对应的约束条件是：
式中
为微网i在时间t切除的电负荷；λc为电负荷的单位切除成本；
为切除负荷上限；
需求响应成本与约束：
需求响应成本为：
其对应约束为：
λr,e、
分别为单位电负荷改变需要的成本和微网i在时间t电负荷调整量；
为微网i在时间t电负荷的原始值；εe、γe分别为电负荷最大允许调整比例与电负荷最大允许调整总量占比；
储能参数约束和电力交易约束为：
储能设备荷电状态约束
充电时的荷电状态可表示为:
放电时的荷电状态可表示为:
式中δi为第i台储能设备的自放电率；ηc.i、ηd.i分别为第i台储能设备的充电效率和放电效率；Psph.c.i、Psph.d.i分别为在任意场景、阶段和时刻的第i台储能设备的充电和放电功率；Cc.i为第i台储能设备的额定容量；
储能设备充放电功率约束：
0≤Psphci≤Pr.i
储能使用费用与约束：
与共享储能的功率交互约束：
式中：
表示微网i在t时段的充放电情况，为布尔变量，其值取1表示充电，取0表示放电，从而限制微网在任一时段仅能进行充电或放电；
分别为微网i在t时段使用共享储能的充、放电功率的上限；ηSESS,c、ηSESS,d分别为共享储能的充、放电效率；
为微网i在t时段实际使用的容量值；当微网内部电能供需不平衡时，微网也能向配电网购电，设微网i在t时段内的购电成本为：
购电约束为：0≤Psphd.i≤Pr.i
6.根据权利要求5所述的一种基于神经网络预测的共享储能容量优化方法，其特征在于，模型求解流程如下：
步骤1：初始化共享储能系统与各综合能源微网的参数，迭代次数k＝0，设定种群数m为40，迭代总次数为20，种群变异率为5％，交叉概率为80％；
步骤2：利用遗传算法初始随机生成m个共享储能系统的额定容量，将参数传至下层；
步骤3：更新迭代次数，k＝k+1。
步骤4：每个综合能源微网依次接收m个共享储能系统额定容量初始值，利用CPLEX求解器求解各微网内设备的出力、与配电网的交互功率以及与共享储能系统的交互功率，保留各微网运行成本，并将优化后的与共享储能系统交互功率返回至上层；
步骤5：共享储能系统根据一天内各综合能源微网返回的功率交互值计算当前m个额定容量值下的收益，保留当前收益FSESS,k；
步骤6：利用遗传算法的选择、变异生成新的共享储能系统容量值，重复步骤4和5，计算得到共享储能系统收益值F′SESS,k；
步骤7：若共享储能系统与各综合能源微网的收益或成本收敛，结束程序；若不收敛，返回步骤3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210779393.5A CN115496256A (zh) | 2022-07-01 | 2022-07-01 | 一种基于神经网络预测的共享储能容量优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210779393.5A CN115496256A (zh) | 2022-07-01 | 2022-07-01 | 一种基于神经网络预测的共享储能容量优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115496256A true CN115496256A (zh) | 2022-12-20 |
Family
ID=84467037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210779393.5A Pending CN115496256A (zh) | 2022-07-01 | 2022-07-01 | 一种基于神经网络预测的共享储能容量优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115496256A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495426A (zh) * | 2023-12-29 | 2024-02-02 | 国网山西省电力公司经济技术研究院 | 一种新能源电力系统运行成本快速计算方法及系统 |
-
2022
- 2022-07-01 CN CN202210779393.5A patent/CN115496256A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495426A (zh) * | 2023-12-29 | 2024-02-02 | 国网山西省电力公司经济技术研究院 | 一种新能源电力系统运行成本快速计算方法及系统 |
| CN117495426B (zh) * | 2023-12-29 | 2024-03-29 | 国网山西省电力公司经济技术研究院 | 一种新能源电力系统运行成本快速计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mansouri et al. | A sustainable framework for multi-microgrids energy management in automated distribution network by considering smart homes and high penetration of renewable energy resources | |
| Yang et al. | Modelling and optimal energy management for battery energy storage systems in renewable energy systems: A review | |
| Sandgani et al. | Coordinated optimal dispatch of energy storage in a network of grid-connected microgrids | |
| Lv et al. | Interactive energy management of networked microgrids-based active distribution system considering large-scale integration of renewable energy resources | |
| Aghdam et al. | Optimal scheduling of multi-energy type virtual energy storage system in reconfigurable distribution networks for congestion management | |
| Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
| Li et al. | A novel bi-level robust game model to optimize a regionally integrated energy system with large-scale centralized renewable-energy sources in Western China | |
| Torkan et al. | A genetic algorithm optimization approach for smart energy management of microgrids | |
| Sedighizadeh et al. | Multi-objective day-ahead energy management of a microgrid considering responsive loads and uncertainty of the electric vehicles | |
| CN110659830A (zh) | 面向综合能源系统的多能源微网规划方法 | |
| CN107392395A (zh) | 一种基于价格激励机制的配电网和微电网协调优化方法 | |
| Zhang et al. | An intelligent control strategy of battery energy storage system for microgrid energy management under forecast uncertainties | |
| Li et al. | Bi-level optimal planning model for energy storage systems in a virtual power plant | |
| Abdolahi et al. | Chance-constrained CAES and DRP scheduling to maximize wind power harvesting in congested transmission systems considering operational flexibility | |
| CN111200281B (zh) | 互联微网储能配置扩容优化方法 | |
| Ma et al. | Decentralized and coordinated scheduling model of interconnected multi-microgrid based on virtual energy storage | |
| Dagdougui et al. | Global energy management system for cooperative networked residential green buildings | |
| Batool et al. | Multi-level supervisory emergency control for operation of remote area microgrid clusters | |
| Xu et al. | A multi-time scale tie-line energy and reserve allocation model considering wind power uncertainties for multi-area systems | |
| 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 | |
| Aghdam et al. | Optimal stochastic operation of technical virtual power plants in reconfigurable distribution networks considering contingencies | |
| CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
| CN115496256A (zh) | 一种基于神经网络预测的共享储能容量优化方法 | |
| Orozco et al. | Multistage day-ahead scheduling of the distributed energy sources in a local energy community | |
| Lu et al. | Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties |
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 |