CN115759361A - 基于双层规划的交通能源调度方法、系统、设备和介质 - Google Patents
基于双层规划的交通能源调度方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN115759361A CN115759361A CN202211347735.2A CN202211347735A CN115759361A CN 115759361 A CN115759361 A CN 115759361A CN 202211347735 A CN202211347735 A CN 202211347735A CN 115759361 A CN115759361 A CN 115759361A
- Authority
- CN
- China
- Prior art keywords
- distributed
- layer
- power
- generation
- power generation
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于双层规划的交通能源调度方法、系统、设备和介质,包括:获取网架信息和风光荷历史数据;基于所述网架信息和风光荷历史数据构建双层规划模型;对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,分布式发电内部各单元发电碳排放量最小为目标构建的。本发明结合双层规划原理,利用分层调度实现上下层模型的协同,增强了微新能源电网资源的利用率,提高了分布式发电运营商净收益,并且减少了碳排放量。
Description
技术领域
本发明属于能量优化调度技术领域,具体涉及一种基于双层规划的交通能源调度方法、系统、设备和介质。
背景技术
分布式发电技术(Distributed Generation,DG)的发展已经日渐成熟,作为分布式电源并网技术的有效技术手段,能够使可再生能源高效合理利用的微网技术也随之挺高,已经得到了世界各国的普遍重视。微电网发电单元的多样性以及可再生能源发电的不稳定性,其可靠性、经济性等目标需要保障,现有交通场景中微电网新能源资源利用不充分、成本过高且碳排放量过高;因此,微电网能量调度优化运行已经成为微网运行研究中的重点内容。
发明内容
为克服上述现有技术的不足,本发明提出一种方法,包括:
获取网架信息和风光荷历史数据;
基于所述网架信息和风光荷历史数据构建双层规划模型;
对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;
其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,分布式发电内部各单元发电碳排放量最小为目标构建的。
优选的,所述分布式发电上层优化配置模型的构建,包括:
基于网架信息和风光荷历史数据,以分布式发电运营商净收益最大为目标构建上层目标函数;
以分布式发电费用为约束条件;
基于所述层目标函数和所述约束条件确定上层优化配置模型;所述分布式发电费用约束至少包括下述的一种或多种:分布式发电装机容量约束和主动管理费用约束。
优选的,所述上层目标函数的表达式如下:
FDG=max(BDG-CDG)
其中,FDG为分布式发电运营商的净收益,BDG为分布式发电运营商的总收益,CDG为分布式发电运营商的总成本;
所述分布式发电运营商的总收益的计算式如下:
其中,Bsell为分布式发电运营商的售电收益,Bsub为分布式发电运营商的补贴收益,Ns为场景的总数,ps为场景s发生的概率,αDG为分布式发电的单位电量售电电价,βDG为分布式发电的单位电量补贴电价,为在t时刻场景s下第i个分布式发电的发电功率,Y为调度周期的天数,NDG为分布式发电的总数,t0为一天的时刻总数;
所述分布式发电运营商的总成本的计算式如下:
其中,Cinv为分布式发电运营商的投资成本,Cope为分布式发电运营商的运维成本,Ccur为分布式发电弃电成本,CAMF为分布式发电运营商支付给配电公司的主动管理费用,γ为贴现率,T为分布式发电的使用寿命,εDG为分布式发电单位容量投资成本,ηDG为分布式发电单位电量运维成本,为单位电量弃电成本,为在t时刻场景s下第i个分布式发电的弃电量,PDG,i为安装的第i个分布式发电的容量,ρAMF为单位电量主动管理费用。
优选的,所述分布式发电装机容量约束如下:
优选的,所述主动管理费用约束如下:
0≤ρAMF≤αDG
其中,ρAMF为单位电量主动管理费用,αDG为分布式发电的单位电量售电电价。
优选的,所述分布式发电下层优化配置模型,包括:
在分布式发电运营商净收益最大时,以分布式发电内部各单元为主体,确定各主体的碳排放量;
以所有主体的发电碳排放量最小为目标构建下层目标函数;
以分布式发电出力为约束条件;
基于所述下层目标函数和约束条件确定下层优化配置模型;
其中,分布式发电出力约束条件至少包括下述的一种或多种:功率平衡约束、电池换电需求约束、发电模型和电池模型。
优选的,所述下层目标函数的计算式如下:
其中,ODG为分布式发电的总碳排放量,Of为燃烧柴油产生的碳排放量,Df为柴油的消耗量,ω为柴油计算系数,λ为柴油的低位热值,Vf为柴油的单位热值含碳量,ξ为柴油的氧化率,Oe为使用电网电能产生的碳排放量,ζ为电力排放因子,Ee为消耗的电网电能。
优选的,所述发电模型的计算式如下:
其中,PPV为光伏发电的实际功率,PPV.rated为光伏发电的额定功率,fPV为功率比值系数,ρQ为功率温度系数,A为实际辐照强度,As为标准辐照强度,Q为光伏发电系统表面实际温度,Qs为光伏发电系统表面标准温度。
优选的,所述电池模型的计算式如下:
其中,SOC(k)是k时段的动力电池的荷电状态,SOC(k-1)为k-1时段的动力电池的荷电状态,δ为动力电池自放电率,Pc为动力电池的充电功率,Pd为动力电池的放电功率,ηc为动力电池的充电效率,ηd为动力电池的放电效率,EB.rated为动力电池的额定容量,Δt为电池充电或放电的时长。
优选的,所述功率平衡约束如下:
NCPc(k)+PHSA(k)=NPVPPV(k)+NDPd(k)+RDGRDG(k)
其中,PHSA(k)为第k时段分布式发电自身用电功率,NC为微网系统的数量,Pc(k)为第k时段微网系统的负荷功率,ND为微网中储能单元的数量,Pd(k)为第k时段储能单元的输出功率,NPV为光伏电池板数量,PPV(k)为第k时段光伏电池板的输出功率,RDG为柴油发电机数量,RDG(k)为第k时段柴油发电机的输出功率。
优选的,所述电池换电需求约束如下:
NF(k)≥NEV(k)
其中,NF(k)为第k时段满电状态的电池数目,NEV(k)为第k时段需要换电的电池数目。
优选的,所述对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放,包括:
步骤S1:以初始电池数量与柴油机发电量为智能水滴;
步骤S2:基于所述智能水滴,利用智能水滴算法对上层优化配置模型进行求解,得到第一规划方案,执行步骤S3;
步骤S3:以所述第一规划方案为输入,利用粒子群算法对下层优化配置模型进行求解,得到分布式电源运行方案;并反馈至上层优化配置模型进行求解得到第二规划方案,执行步骤S4;
步骤S4:判断所述第二规划方案的净收益和分布式电源运行方案的碳排放量是否都在预设的阈值范围内,若是,则以所述第二规划方案为分布式发电规划方案,并停止计算;否则,更新电池数量与柴油机发电量作为智能水滴,跳转到步骤S2;
其中,所述规划方案至少包括下述的一种或多种:电池数量、电池运行状态、柴油机发电量和柴油机状态。
优选的,所述网架信息至少包括下述的一种或多种:分布式发电电价数据、分布式发电装机容量信息、主动管理费用信息、功率平衡信息和电池换电需求信息。
本发明还提出一种基于双层规划的能源优化调度系统,包括:
采集模块:获取网架信息和风光荷历史数据;
双层规划模块:基于所述网架信息和风光荷历史数据构建双层规划模型;
双层求解模块:对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;
其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,分布式发电内部各单元发电碳排放量最小为目标构建的。
优选的,所述调度系统还包括:上层模型构建模块;所述上层模型构建模块用于:基于网架信息和风光荷历史数据,以分布式发电运营商净收益最大为目标构建上层目标函数;以分布式发电费用为约束条件;基于所述层目标函数和所述约束条件确定上层优化配置模型;
其中,所述分布式发电费用约束至少包括下述的一种或多种:分布式发电装机容量约束和主动管理费用约束。
优选的,所述调度系统还包括:下层模型构建模块;所述下层模型构建模块用于:在分布式发电运营商净收益最大时,以分布式发电内部各单元为主体,确定各主体的碳排放量;以所有主体的发电碳排放量最小为目标构建下层目标函数;以分布式发电出力为约束条件;基于所述下层目标函数和约束条件确定下层优化配置模型;
其中,所述分布式发电出力约束条件至少包括下述的一种或多种:功率平衡约束、电池换电需求约束、发电模型和电池模型。
优选的,所述上层模型构建模块中的上层目标函数的表达式如下:
FDG=max(BDG-CDG)
其中,FDG为分布式发电运营商的净收益,BDG为分布式发电运营商的总收益,CDG为分布式发电运营商的总成本;
所述上层模型构建模块中分布式发电运营商的总收益的计算式如下:
其中,Bsell为分布式发电运营商的售电收益,Bsub为分布式发电运营商的补贴收益,Ns为场景的总数,ps为场景s发生的概率,αDG为分布式发电的单位电量售电电价,βDG为分布式发电的单位电量补贴电价,为在t时刻场景s下第i个分布式发电的发电功率,Y为调度周期的天数,NDG为分布式发电的总数,t0为一天的时刻总数;
所述分布式发电运营商的总成本的计算式如下:
其中,Cinv为分布式发电运营商的投资成本,Cope为分布式发电运营商的运维成本,Ccur为分布式发电弃电成本,CAMF为分布式发电运营商支付给配电公司的主动管理费用,γ为贴现率,T为分布式发电的使用寿命,εDG为分布式发电单位容量投资成本,ηDG为分布式发电单位电量运维成本,为单位电量弃电成本,为在t时刻场景s下第i个分布式发电的弃电量,PDG,i为安装的第i个分布式发电的容量,ρAMF为单位电量主动管理费用。
优选的,所述双层规划模块中分布式发电上层优化配置模型的分布式发电装机容量约束如下:
优选的,所述双层规划模块中主动管理费用约束如下:
0≤ρAMF≤αDG
其中,ρAMF为单位电量主动管理费用,αDG为分布式发电的单位电量售电电价。
优选的,所述双层规划模块中分布式发电下层优化配置模型的下层目标函数的计算式如下:
其中,ODG为分布式发电的总碳排放量,Of为燃烧柴油产生的碳排放量,Df为柴油的消耗量,ω为柴油计算系数,λ为柴油的低位热值,Vf为柴油的单位热值含碳量,ξ为柴油的氧化率,Oe为使用电网电能产生的碳排放量,ζ为电力排放因子,Ee为消耗的电网电能。
优选的,所述双层规划模块中分布式发电下层优化配置模型的发电模型的计算式如下:
其中,PPV为光伏发电的实际功率,PPV.rated为光伏发电的额定功率,fPV为功率比值系数,ρQ为功率温度系数,A为实际辐照强度,As为标准辐照强度,Q为光伏发电系统表面实际温度,Qs为光伏发电系统表面标准温度。
优选的,所述双层规划模块中分布式发电下层优化配置模型的电池模型的计算式如下:
其中,SOC(k)是k时段的动力电池的荷电状态,SOC(k-1)为k-1时段的动力电池的荷电状态,δ为动力电池自放电率,Pc为动力电池的充电功率,Pd为动力电池的放电功率,ηc为动力电池的充电效率,ηd为动力电池的放电效率,EB.rated为动力电池的额定容量,Δt为电池充电或放电的时长。
优选的,所述双层规划模块中分布式发电下层优化配置模型的功率平衡约束如下:
NCPc(k)+PHSA(k)=NPVPPV(k)+NDPd(k)+RDGRDG(k)
其中,PHSA(k)为第k时段分布式发电自身用电功率,NC为微网系统的数量,Pc(k)为第k时段微网系统的负荷功率,ND为微网中储能单元的数量,Pd(k)为第k时段储能单元的输出功率,NPV为光伏电池板数量,PPV(k)为第k时段光伏电池板的输出功率,RDG为柴油发电机数量,RDG(k)为第k时段柴油发电机的输出功率。
优选的,所述双层规划模块中分布式发电下层优化配置模型的电池换电需求约束如下:
NF(k)≥NEV(k)
其中,NF(k)为第k时段满电状态的电池数目,NEV(k)为第k时段需要换电的电池数目。
优选的,所述双层求解模块包括初始化子模块、第一计算子模块、第二计算子模块和第三计算子模块具体用于:
初始化子模块用于以初始电池数量与柴油机发电量为智能水滴;
第一计算子模块用于:基于所述智能水滴,利用智能水滴算法对上层优化配置模型进行求解,得到第一规划方案,并调用第二计算子模块;
第二计算子模块用于:以所述第一规划方案为输入,利用粒子群算法对下层优化配置模型进行求解,得到分布式电源运行方案;并反馈至上层优化配置模型进行求解得到第二规划方案,调用第三计算子模块;
第三计算子模块用于:判断所述第二规划方案的净收益和分布式电源运行方案的碳排放量是否都在预设的阈值范围内,若是,则以所述第二规划方案为分布式发电规划方案,并停止计算;否则,更新电池数量与柴油机发电量作为智能水滴,然后调用第一计算子模块;
其中,所述规划方案至少包括下述的一种或多种:电池数量、电池运行状态、柴油机发电量和柴油机状态。
优选的,所述网架信息至少包括下述的一种或多种:分布式发电电价数据、分布式发电装机容量信息、主动管理费用信息、功率平衡信息和电池换电需求信息。
本发明还提出一种计算机设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如上述的一种基于双层规划的能源优化调度方法。
本发明还提出一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如上述的一种基于双层规划的能源优化调度方法。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种基于双层规划的交通能源调度方法、系统、设备和介质,包括:获取网架信息和风光荷历史数据;基于所述网架信息和风光荷历史数据构建双层规划模型,对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,DG内部各单元发电碳排放量最小为目标构建的。本发明结合双层规划原理的优化配置模型,实现了分布式发电上层优化配置模型与分布式发电下层优化配置模型的协同求解,反映出多决策主体分层分步的特点,增强了微新能源电网资源的利用率,提高了分布式发电运营商净收益,并且减少了碳排放量。
附图说明
图1为本发明提供的一种基于双层规划的交通能源调度方法流程示意图;
图2为本发明提供的一种基于双层规划的交通能源调度方法中具体示例的双层规划框架图;
图3为本发明提供的一种基于双层规划的交通能源调度方法中具体示例的流程图;
图4为本发明提供的一种基于双层规划的交通能源调度方法中具体示例的电动汽车流量图;
图5为本发明提供的一种基于双层规划的交通能源调度方法中具体示例的高速公路运行情况图;
图6为本发明提供的一种基于双层规划的交通能源调度系统的功能图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提出一种基于双层规划的能源优化调度方法,如图1所示,包括:
步骤1:获取网架信息和风光荷历史数据;
步骤2:基于所述网架信息和风光荷历史数据构建双层规划模型;
步骤3:对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;
其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,分布式发电内部各单元发电碳排放量最小为目标构建的。
具体的,步骤2如图2所示,构建由分布式发电上层优化配置模型和分布式发电下层优化配置模型组成的双层规划模型,其中,所述分布式发电上层优化配置模型的构建,包括:
基于网架信息和风光荷历史数据,以分布式发电运营商净收益最大为目标构建上层目标函数;
以分布式发电费用为约束条件;
基于所述层目标函数和所述约束条件确定上层优化配置模型;所述分布式发电费用约束至少包括下述的一种或多种:分布式发电装机容量约束和主动管理费用约束;
所述分布式发电下层优化配置模型,包括:
在分布式发电运营商净收益最大时,以分布式发电内部各单元为主体,确定各主体的碳排放量;
以所有主体的发电碳排放量最小为目标构建下层目标函数;
以分布式发电出力为约束条件;
基于所述下层目标函数和约束条件确定下层优化配置模型;
其中,分布式发电出力约束条件至少包括下述的一种或多种:功率平衡约束、电池换电需求约束、发电模型和电池模型。
具体的,步骤3如图3所示,对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放,包括:
步骤S1:以初始电池数量与柴油机发电量为智能水滴;
步骤S2:基于所述智能水滴,利用智能水滴算法对上层优化配置模型进行求解,得到第一规划方案,执行步骤S3;
步骤S3:以所述第一规划方案为输入,利用粒子群算法对下层优化配置模型进行求解,得到分布式电源运行方案;并反馈至上层优化配置模型进行求解得到第二规划方案,执行步骤S4;
步骤S4:判断所述第二规划方案的净收益和分布式电源运行方案的碳排放量是否都在预设的阈值范围内,若是,则以所述第二规划方案为分布式发电规划方案,并停止计算;否则,更新电池数量与柴油机发电量作为智能水滴,跳转到步骤S2;
其中,所述规划方案至少包括下述的一种或多种:电池数量、电池运行状态、柴油机发电量和柴油机状态。
本发明选取西北某高速公路为研究算例,设其内部铺设2000块PV电池板和1台分布式发电,HSA之间平均间隔为50km。PV电池板和分布式发电主要参数如下表所示,分布式发电运行功率范围是额定功率的10%~100%。辐照强度、PV系统的表面温度和HSA日常功率需求由典型日数据代替。动力电池采用55kW·h磷酸铁锂电池,单价为45000元,设其最大行驶里程为250km,所以驶入研究路段的EV电池电量比例小于40%需更换电池。电动汽车流量如图4所示。
表PV电池板和柴油发电机参数
仿真结果如图5,经计算,该高速公路总用电6218.4kW·h,单纯采用分布式发电供电需损耗1305.9kg柴油。本方法提出的基于双层规划的交通-能源优化调度方法,日均收益488.8元,PV发电出力3274.2kW·h,柴油机出力2944.2kW·h,且损耗618.282kg柴油,仅采用分布式发电供电会排放4190.9kg二氧化碳,采用电网单独供电会排放4900.1kg二氧化碳,而本方法的策略仅排放1984.3kg二氧化碳。同单纯采用分布式发电供电或电网供电相比,在提高自身经济效益的同时,碳排放分别降低了52.65%和59.51%。
实施例2:
本发明提出了一种基于双层规划的能源优化调度系统,如图6所示,包括:
采集模块:获取网架信息和风光荷历史数据;
双层规划模块:基于所述网架信息和风光荷历史数据构建双层规划模型;
双层求解模块:对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;
其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,分布式发电内部各单元发电碳排放量最小为目标构建的。
具体的,所述调度系统还包括:上层模型构建模块;所述上层模型构建模块用于:基于网架信息和风光荷历史数据,以分布式发电运营商净收益最大为目标构建上层目标函数;以分布式发电费用为约束条件;基于所述层目标函数和所述约束条件确定上层优化配置模型;
其中,所述分布式发电费用约束至少包括下述的一种或多种:分布式发电装机容量约束和主动管理费用约束。
具体的,所述调度系统还包括:下层模型构建模块;所述下层模型构建模块用于:在分布式发电运营商净收益最大时,以分布式发电内部各单元为主体,确定各主体的碳排放量;以所有主体的发电碳排放量最小为目标构建下层目标函数;以分布式发电出力为约束条件;基于所述下层目标函数和约束条件确定下层优化配置模型;
其中,所述分布式发电出力约束条件至少包括下述的一种或多种:功率平衡约束、电池换电需求约束、发电模型和电池模型。
具体的,双层规划模块中分布式发电上层优化配置模型的上层目标函数的表达式如下:
FDG=max(BDG-CDG)
其中,FDG为分布式发电运营商的净收益,BDG为分布式发电运营商的总收益,CDG为分布式发电运营商的总成本;
分布式发电运营商的总收益的计算式如下:
其中,Bsell为分布式发电运营商的售电收益,Bsub为分布式发电运营商的补贴收益,Ns为场景的总数,ps为场景s发生的概率,αDG为分布式发电的单位电量售电电价,βDG为分布式发电的单位电量补贴电价,为在t时刻场景s下第i个分布式发电的发电功率,Y为调度周期的天数,NDG为分布式发电的总数,t0为一天的时刻总数;
分布式发电运营商的总成本的计算式如下:
其中,Cinv为分布式发电运营商的投资成本,Cope为分布式发电运营商的运维成本,Ccur为分布式发电弃电成本,CAMF为分布式发电运营商支付给配电公司的主动管理费用,γ为贴现率,T为分布式发电的使用寿命,εDG为分布式发电单位容量投资成本,ηDG为分布式发电单位电量运维成本,为单位电量弃电成本,为在t时刻场景s下第i个分布式发电的弃电量,PDG,i为安装的第i个分布式发电的容量,ρAMF为单位电量主动管理费用。
具体的,双层规划模块中分布式发电上层优化配置模型的分布式发电装机容量约束如下:
具体的,双层规划模块中主动管理费用约束如下:
0≤ρAMF≤αDG
其中,ρAMF为单位电量主动管理费用,αDG为分布式发电的单位电量售电电价。
具体的,双层规划模块中分布式发电下层优化配置模型的下层目标函数的计算式如下:
其中,ODG为分布式发电的总碳排放量,Of为燃烧柴油产生的碳排放量,Df为柴油的消耗量,ω为柴油计算系数,λ为柴油的低位热值,Vf为柴油的单位热值含碳量,ξ为柴油的氧化率,Oe为使用电网电能产生的碳排放量,ζ为电力排放因子,Ee为消耗的电网电能。
具体的,双层规划模块中分布式发电下层优化配置模型的发电模型的计算式如下:
其中,PPV为光伏发电的实际功率,PPV.rated为光伏发电的额定功率,fPV为功率比值系数,ρQ为功率温度系数,A为实际辐照强度,As为标准辐照强度,Q为光伏发电系统表面实际温度,Qs为光伏发电系统表面标准温度。
具体的,双层规划模块中分布式发电下层优化配置模型的电池模型的计算式如下:
其中,SOC(k)是k时段的动力电池的荷电状态,SOC(k-1)为k-1时段的动力电池的荷电状态,δ为动力电池自放电率,Pc为动力电池的充电功率,Pd为动力电池的放电功率,ηc为动力电池的充电效率,ηd为动力电池的放电效率,EB.rated为动力电池的额定容量,Δt为电池充电或放电的时长。
具体的,双层规划模块中分布式发电下层优化配置模型的功率平衡约束如下:
NCPc(k)+PHSA(k)=NPVPPV(k)+NDPd(k)+RDGRDG(k)
其中,PHSA(k)为第k时段分布式发电自身用电功率,NC为微网系统的数量,Pc(k)为第k时段微网系统的负荷功率,ND为微网中储能单元的数量,Pd(k)为第k时段储能单元的输出功率,NPV为光伏电池板数量,PPV(k)为第k时段光伏电池板的输出功率,RDG为柴油发电机数量,RDG(k)为第k时段柴油发电机的输出功率。
具体的,双层规划模块中分布式发电下层优化配置模型的电池换电需求约束如下:
NF(k)≥NEV(k)
其中,NF(k)为第k时段满电状态的电池数目,NEV(k)为第k时段需要换电的电池数目。
具体的,双层求解模块包括初始化子模块、第一计算子模块、第二计算子模块、第三计算子模块具体用于:
初始化子模块用于以初始电池数量与柴油机发电量为智能水滴;
第一计算子模块用于:基于所述智能水滴,利用智能水滴算法对上层优化配置模型进行求解,得到第一规划方案,并调用第二计算子模块;
第二计算子模块用于:以所述第一规划方案为输入,利用粒子群算法对下层优化配置模型进行求解,得到分布式电源运行方案;并反馈至上层优化配置模型进行求解得到第二规划方案,调用第三计算子模块;
第三计算子模块用于:判断所述第二规划方案的净收益和分布式电源运行方案的碳排放量是否都在预设的阈值范围内,若是,则以所述第二规划方案为分布式发电规划方案,并停止计算;否则,更新电池数量与柴油机发电量作为智能水滴,然后调用第一计算子模块;
其中,所述规划方案至少包括下述的一种或多种:电池数量、电池运行状态、柴油机发电量和柴油机状态。
实施例3:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种基于双层规划的能源优化调度方法的步骤。
实施例4:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种基于双层规划的能源优化调度方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (19)
1.一种基于双层规划的能源优化调度方法,其特征在于,包括:
获取网架信息和风光荷历史数据;
基于所述网架信息和风光荷历史数据构建双层规划模型;
对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;
其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,分布式发电内部各单元发电碳排放量最小为目标构建的。
2.如权利要求1所述的方法,其特征在于,所述分布式发电上层优化配置模型的构建,包括:
基于网架信息和风光荷历史数据,以分布式发电运营商净收益最大为目标构建上层目标函数;
以分布式发电费用为约束条件;
基于所述层目标函数和所述约束条件确定上层优化配置模型;所述分布式发电费用约束至少包括下述的一种或多种:分布式发电装机容量约束和主动管理费用约束。
3.如权利要求2所述的方法,其特征在于,所述上层目标函数的表达式如下:
FDG=max(BDG-CDG)
其中,FDG为分布式发电运营商的净收益,BDG为分布式发电运营商的总收益,CDG为分布式发电运营商的总成本;
所述分布式发电运营商的总收益的计算式如下:
其中,Bsell为分布式发电运营商的售电收益,Bsub为分布式发电运营商的补贴收益,Ns为场景的总数,ps为场景s发生的概率,αDG为分布式发电的单位电量售电电价,βDG为分布式发电的单位电量补贴电价,为在t时刻场景s下第i个分布式发电的发电功率,Y为调度周期的天数,NDG为分布式发电的总数,t0为一天的时刻总数;
所述分布式发电运营商的总成本的计算式如下:
5.如权利要求3所述的方法,其特征在于,所述主动管理费用约束如下:
0≤ρAMF≤αDG
其中,ρAMF为单位电量主动管理费用,αDG为分布式发电的单位电量售电电价。
6.如权利要求1所述的方法,其特征在于,所述分布式发电下层优化配置模型,包括:
在分布式发电运营商净收益最大时,以分布式发电内部各单元为主体,确定各主体的碳排放量;
以所有主体的发电碳排放量最小为目标构建下层目标函数;
以分布式发电出力为约束条件;
基于所述下层目标函数和约束条件确定下层优化配置模型;
其中,分布式发电出力约束条件至少包括下述的一种或多种:功率平衡约束、电池换电需求约束、发电模型和电池模型。
10.如权利要求6所述的方法,其特征在于,所述功率平衡约束如下:
NCPc(k)+PHSA(k)=NPVPPV(k)+NDPd(k)+RDGRDG(k)
其中,PHSA(k)为第k时段分布式发电自身用电功率,NC为微网系统的数量,Pc(k)为第k时段微网系统的负荷功率,ND为微网中储能单元的数量,Pd(k)为第k时段储能单元的输出功率,NPV为光伏电池板数量,PPV(k)为第k时段光伏电池板的输出功率,RDG为柴油发电机数量,RDG(k)为第k时段柴油发电机的输出功率。
11.如权利要求10所述的方法,其特征在于,所述电池换电需求约束如下:
NF(k)≥NEV(k)
其中,NF(k)为第k时段满电状态的电池数目,NEV(k)为第k时段需要换电的电池数目。
12.如权利要求1所述的方法,其特征在于,所述对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放,包括:
步骤S1:以初始电池数量与柴油机发电量为智能水滴;
步骤S2:基于所述智能水滴,利用智能水滴算法对上层优化配置模型进行求解,得到第一规划方案,执行步骤S3;
步骤S3:以所述第一规划方案为输入,利用粒子群算法对下层优化配置模型进行求解,得到分布式电源运行方案;并反馈至上层优化配置模型进行求解得到第二规划方案,执行步骤S4;
步骤S4:判断所述第二规划方案的净收益和分布式电源运行方案的碳排放量是否都在预设的阈值范围内,若是,则以所述第二规划方案为分布式发电规划方案,并停止计算;否则,更新电池数量与柴油机发电量作为智能水滴,跳转到步骤S2;
其中,所述规划方案至少包括下述的一种或多种:电池数量、电池运行状态、柴油机发电量和柴油机状态。
13.如权利要求1所述的方法,其特征在于,所述网架信息至少包括下述的一种或多种:分布式发电电价数据、分布式发电装机容量信息、主动管理费用信息、功率平衡信息和电池换电需求信息。
14.一种基于双层规划的能源优化调度系统,其特征在于,包括:
采集模块:获取网架信息和风光荷历史数据;
双层规划模块:基于所述网架信息和风光荷历史数据构建双层规划模型;
双层求解模块:对所述双层规划模型进行求解,得到分布式发电运营商净收益和分布式发电碳排放;
其中,所述双层规划模型包括上层优化配置模型和下层优化配置模型,所述上层优化配置模型是以分布式发电运营商净收益最大为目标构建的,所述下层优化配置模型是以在分布式发电运营商净收益最大时,分布式发电内部各单元发电碳排放量最小为目标构建的。
15.如权利要求14所述的系统,其特征在于,所述调度系统还包括:上层模型构建模块;所述上层模型构建模块用于:基于网架信息和风光荷历史数据,以分布式发电运营商净收益最大为目标构建上层目标函数;以分布式发电费用为约束条件;基于所述层目标函数和所述约束条件确定上层优化配置模型;
其中,所述分布式发电费用约束至少包括下述的一种或多种:分布式发电装机容量约束和主动管理费用约束。
16.如权利要求14所述的系统,其特征在于,所述调度系统还包括:下层模型构建模块;所述下层模型构建模块用于:在分布式发电运营商净收益最大时,以分布式发电内部各单元为主体,确定各主体的碳排放量;以所有主体的发电碳排放量最小为目标构建下层目标函数;以分布式发电出力为约束条件;基于所述下层目标函数和约束条件确定下层优化配置模型;
其中,所述分布式发电出力约束条件至少包括下述的一种或多种:功率平衡约束、电池换电需求约束、发电模型和电池模型。
17.如权利要求14所述的系统,其特征在于,所述双层求解模块包括初始化子模块、第一计算子模块、第二计算子模块和第三计算子模块具体用于:
初始化子模块用于以初始电池数量与柴油机发电量为智能水滴;
第一计算子模块用于:基于所述智能水滴,利用智能水滴算法对上层优化配置模型进行求解,得到第一规划方案,并调用第二计算子模块;
第二计算子模块用于:以所述第一规划方案为输入,利用粒子群算法对下层优化配置模型进行求解,得到分布式电源运行方案;并反馈至上层优化配置模型进行求解得到第二规划方案,调用第三计算子模块;
第三计算子模块用于:判断所述第二规划方案的净收益和分布式电源运行方案的碳排放量是否都在预设的阈值范围内,若是,则以所述第二规划方案为分布式发电规划方案,并停止计算;否则,更新电池数量与柴油机发电量作为智能水滴,然后调用第一计算子模块;
其中,所述规划方案至少包括下述的一种或多种:电池数量、电池运行状态、柴油机发电量和柴油机状态。
18.一种计算机设备,其特征在于,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至13中任一项所述的一种基于双层规划的能源优化调度方法。
19.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至13中任一项所述的一种基于双层规划的能源优化调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347735.2A CN115759361A (zh) | 2022-10-31 | 2022-10-31 | 基于双层规划的交通能源调度方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347735.2A CN115759361A (zh) | 2022-10-31 | 2022-10-31 | 基于双层规划的交通能源调度方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759361A true CN115759361A (zh) | 2023-03-07 |
Family
ID=85354545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211347735.2A Pending CN115759361A (zh) | 2022-10-31 | 2022-10-31 | 基于双层规划的交通能源调度方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759361A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451960A (zh) * | 2023-04-20 | 2023-07-18 | 南方电网能源发展研究院有限责任公司 | 基于电力调度的碳排放权配额调度方法、装置和设备 |
CN116451978A (zh) * | 2023-06-15 | 2023-07-18 | 山东泰霖环保科技有限公司 | 一种基于双碳目标的风光电能源网架规划分析系统 |
-
2022
- 2022-10-31 CN CN202211347735.2A patent/CN115759361A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451960A (zh) * | 2023-04-20 | 2023-07-18 | 南方电网能源发展研究院有限责任公司 | 基于电力调度的碳排放权配额调度方法、装置和设备 |
CN116451978A (zh) * | 2023-06-15 | 2023-07-18 | 山东泰霖环保科技有限公司 | 一种基于双碳目标的风光电能源网架规划分析系统 |
CN116451978B (zh) * | 2023-06-15 | 2023-09-12 | 山东泰霖环保科技有限公司 | 一种风光电能源网架规划分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
Xu et al. | An improved optimal sizing method for wind-solar-battery hybrid power system | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
Paliwal et al. | Optimal sizing and operation of battery storage for economic operation of hybrid power system using artificial bee colony algorithm | |
Wang et al. | Scenario analysis, management, and optimization of a new Vehicle-to-Micro-Grid (V2μG) network based on off-grid renewable building energy systems | |
Zheng et al. | Optimal short-term power dispatch scheduling for a wind farm with battery energy storage system | |
Zheng et al. | Optimal dispatch for reversible solid oxide cell-based hydrogen/electric vehicle aggregator via stimuli-responsive charging decision estimation | |
Ren et al. | Multitime scale coordinated scheduling for electric vehicles considering photovoltaic/wind/battery generation in microgrid | |
CN116957294A (zh) | 基于数字孪生的虚拟电厂参与电力市场交易的调度方法 | |
CN115759361A (zh) | 基于双层规划的交通能源调度方法、系统、设备和介质 | |
Rizvi et al. | Optimal scheduling of virtual power plants utilizing wind power and electric vehicles | |
Jiang et al. | Electricity charge saved for industrial and commercial utilizing cloud energy storage services | |
CN112260274A (zh) | 一种基于全景理论的虚拟电厂组建方法 | |
CN111798070A (zh) | 一种用户侧光储系统的配置方法及装置 | |
CN111126675A (zh) | 多能互补微网系统优化方法 | |
CN110826210A (zh) | 基于功率互联的多区域楼宇虚拟电厂建模及优化协调方法 | |
CN116611575A (zh) | 基于双层决策博弈的多vpp共享储能容量优化配置方法 | |
CN116128193A (zh) | 一种基于区块链技术的园区微网调度方法及调度系统 | |
CN111064188B (zh) | 一种基于净现值计算的光储系统容量配置方法 | |
CN114971154A (zh) | 一种包含碳交易机制的可再生能源消纳方法 | |
Gong et al. | Economic dispatching strategy of double lead-acid battery packs considering various factors | |
HASAN et al. | Demand side management of electricity for controlling peak demand in bangladesh | |
Zahraoui et al. | Cost Reduction in Smart Grid Considering Greenhouse Gas Emissions Using Genetic Algorithm | |
Yang et al. | Locational marginal pricing-oriented transmission network expansion planning with consideration of line capacity sensitivity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |