CN116054152A - 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法 - Google Patents

一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法 Download PDF

Info

Publication number
CN116054152A
CN116054152A CN202310146526.XA CN202310146526A CN116054152A CN 116054152 A CN116054152 A CN 116054152A CN 202310146526 A CN202310146526 A CN 202310146526A CN 116054152 A CN116054152 A CN 116054152A
Authority
CN
China
Prior art keywords
power
distribution network
power distribution
hunting
wind
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
CN202310146526.XA
Other languages
English (en)
Inventor
牛丙震
刘文安
刘兴华
吕东飞
张海强
孔祥清
张兴永
宋燕山
马涛
张云舰
刘刚
刘洪臣
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.)
Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202310146526.XA priority Critical patent/CN116054152A/zh
Publication of CN116054152A publication Critical patent/CN116054152A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (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

本发明公开了一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法。对分布式风力和光伏的发电的出力进行预测；对配电网的电力负荷进行预测；获取配电网中的分布式风光发电设备、储能设备及可调控负荷的状态；基于预测的风力和光伏的发电的出力得到的风电光伏出力曲线及负荷曲线与储能设备的状态，建立源网荷储的配电网运行状态模型；根据上级电网购电成本、分布式电源发电成本、储能成本及售电电价，在考虑电网稳定性的前提下，构建配电网经济性目标函数；根据配电网运行状态模型及配电网经济性目标函数，得到最大经济效益的配电网的调度方案。本发明用以解决现有技术中不具备对分布式电源及储能设备进行优化调度的能力，不利于配电网的稳定性与经济性的问题。

Description

一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法
技术领域
本发明属于有源配电网优化调度领域，具体涉及一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法。
背景技术
随着“双碳”目标的提出，各地电力公司都在大力发展新能源发电设备的并网，以实现更低的碳排放和更高的经济效益。诸如风电、光伏等新能源发电设备与储能电池等储能设备在配电网的大规模接入，对配电网的运行调控方式产生了巨大的影响，传统的配电网协调控制方法已经不适用于“源网荷储”配电网的需求。而风力发电与光伏发电设备的接入，使配电网的复杂程度提高、不确定性增强，亟需研究包含源网荷储配电网的系统调节能力，提高配电网运行的整体经济效益。
随着有源配电网的不断发展，“源随荷动”已经不能够满足配电网运行的要求，“源网荷储协同互动”成为目前的主流共识。分布式光伏、风力发电设备的广泛接入，其出力的不确定性给配电网的调度计划制定、经济调度、安全稳定运行带来了巨大挑战。而传统的配电网运行方式，不具备对分布式电源及储能设备进行优化调度的能力，不利于配电网的稳定性与经济性。
发明内容
本发明提供一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，用以解决传统的配电网运行方式，不具备对分布式电源及储能设备进行优化调度的能力，不利于配电网的稳定性与经济性的问题。
本发明通过以下技术方案实现：
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述方法包括以下步骤：
步骤1：根据分布式风力、光伏发电的历史数据及天气情况，使用神经网络算法对分布式风力和光伏的发电的出力进行预测；
步骤2：根据用户电力负荷历史数据，使用神经网络算法对配电网的电力负荷进行预测；
步骤3：获取配电网中的分布式风光发电设备、储能设备及可调控负荷的状态；
步骤4：基于步骤1预测的风力和光伏的发电的出力得到的风电光伏出力曲线及负荷曲线与步骤3储能设备的状态，建立源网荷储的配电网运行状态模型；
步骤5：根据上级电网购电成本、分布式电源发电成本、储能成本及售电电价，在考虑电网稳定性的前提下，构建配电网经济性目标函数；
步骤6：根据步骤4的含源网荷储的配电网运行状态模型及步骤5的配电网经济性目标函数，使用哈里斯鹰优化算法进行寻优，得到最大经济效益的配电网的调度方案。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤1具体分为两部分，
根据日照强度、温度、湿度对光伏发电输出功率的影响，并结合以往气象数据及天气预报数据，对未来光伏出力使用神经网络算法进行预测；
根据风速、机组对风角度、空气密度对风力发电输出功率的影响，并结合以往气象数据及天气预报数据，对未来风电出力使用神经网络算法进行预测。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，在神经网络算法的输入层输入日照强度、温度及湿度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的光伏出力预测结果；
在神经网络算法的输入层输入风速、机组对风角度及空气密度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的风电出力预测结果。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤2具体为，根据温度、日照强度、风力及湿度对配电网负荷的影响，并结合以往气象数据及天气预报数据，对未来配电网负荷使用神经网络算法进行预测；
在神经网络算法的输入层输入风速、温度、光照及空气湿度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的电力负荷预测结果。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤4具体为，建立的源网荷储的配电网运行状态模型为，
Figure BDA0004089352280000021
其中节点注入功率Pi(t)、Qi(t)为节点注入功率；Ppv(t)、Qpv(t)为节点分布式发电、Pwind(t)、Qwind(t)为储能充电；Pst(t)、Qst(t)为储能放电；PL(t)、QL(t)为节点负荷。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述配电网运行状态模型的约束条件为，配电网系统安全约束为：
Figure BDA0004089352280000031
配电网频率约束为：
fmin≤f≤fmax(3)
储能电池约束为：
Figure BDA0004089352280000032
分布式电源运行约束为：
PDGimin≤PDGi≤PDGimax(5)。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤5具体为，根据上级电网购电成本、分布式电源发电成本、储能成本及售电电价，构建的配电网经济性目标函数如下：
minCtotal＝min(Cb+Cs+Cpv+Cwind+Cst)(6)
其中，Ctotal为配电网总费用，Cb为向上级电网的购电成本，Cs为配电网的损耗成本，Cpv为光伏电池的发电成本，Cwind为风电的发电成本，Cst为储能电池的成本。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤6具体为，哈里斯鹰优化算法根据鹰群的狩猎行为，提出来以下规则：
(1)每一次进行迭代前都对搜索界限、猎物位置及适应度进行判断和更新；
(2)根据猎物是否被发现采用不同的搜索方法；
(3)随着迭代次数的不断增加，猎物的逃逸能力不断下降；
(4)当猎物的逃逸能力降到阈值以下时，鹰群的捕猎策略将由搜索转为团队围猎；
(5)每一次的围猎中猎物都有一定几率逃跑；
(6)根据猎物的逃逸能量、是否从围猎中逃脱，鹰群采用四种不同的围捕策略；(7)每一次围猎成功后都会产生一个新的猎物，与前面获得的猎物相比，适应度最优的将会保留。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，以经济效益为目标使用哈里斯鹰优化算法进行寻优，得到最大经济效益的配电网的调度方案；此处所使用哈里斯鹰优化方法的过程如下：
S1：对哈里斯鹰算法的参数进行设置并进行种群初始化；假设其初始种群规模为T，则有初始种群为T0＝(N1,N2,…,NT)T，初始种群定位阵为
Figure BDA0004089352280000041
在式(7)中N(a,b)表示第a个个体在第b个维度的取值，T是哈里斯鹰的种群规模，y是问题的求解维度；为了对每个个体哈里斯鹰的适应度进行评价，建立适应度矩阵如下式所示
Figure BDA0004089352280000042
上式中f为适应度函数，并设置最大迭代次数为X；
S2：根据迭代结果对种群的位置、猎物的位置及猎物的逃逸能力进行更新；在迭代过程中要保证所有求解得到的维度都在限定的范围内，并根据迭代后哈里斯鹰种群的位置求解各个个体的适应度值，与原来的适应度值相比较择优留存；除此之外每次迭代还要更新猎物的逃逸能力，其值一般随着迭代次数的增加而衰减；
S3：哈里斯鹰算法根据猎物的逃逸能力E进行决策选择；逃逸能力的表达式如下
Figure BDA0004089352280000043
式(9)中x是当前的迭代次数，E代表当前猎物的逃逸能力；当E的绝对值大于1时认为猎物逃逸能力较强，鹰群继续寻找猎物；针对鹰群是否发现猎物，有如下式子进行描述
Figure BDA0004089352280000051
其中N(x+1)表示迭代后哈里斯鹰的位置，Nprey(x)表示猎物的位置，Nm(x)是种群平均位置，Nrand(x)是随机某个哈里斯鹰的位置，UL和LL为该变量的上下界，q1、q1、q1、q1和p是0到1之间的随机数；
当p≥0.5时代表未有哈里斯鹰个体发现猎物，p<0.5时代表哈里斯鹰个体发现猎物；
S4：当E的绝对值小于1时，哈里斯鹰群则会对猎物进行围捕；
S5：根据当前迭代次数是否达到最大迭代次数X，若达到则输出当前最优解，否则继续迭代求解。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述S4哈里斯鹰群则会对猎物进行围捕，具体包括4种方式：
盘旋围捕模式：此时猎物的逃跑能力E的绝对值大于0.5，鹰群继续对猎物进行体力消耗，鹰群的位置公式如下
Figure BDA0004089352280000052
ΔN(x)代表当前迭代时哈里斯鹰与猎物的位置之差，Sj表示猎物的随机跳跃强度，0≤Sj≤2；
强势突袭模式：当E的绝对值小于0.5且猎物未突破鹰群的包围时，表达式如下
N(x+1)＝Nprey(x)-E|ΔN(x)|(12)
盘旋围捕与渐进俯冲进攻模式：此时猎物的逃跑能力E的绝对值大于0.5且猎物突破鹰群的包围时，利用Levy飞行来模拟猎物多变的逃跑路线，以及哈里斯鹰群的追捕行为；鹰群根据下式来评估猎物的下一步行为：
F＝Nprey(x)-E|SjNprey|(13)
将式(13)得到的结果F与当前适应度相比较，来判断此次围捕是否成功；如果此次围捕不成功，则鹰群会根据Levy飞行规则更新位置；
强势突袭与渐进俯冲进攻模式：此时猎物的逃跑能力E的绝对值小于0.5且猎物突破鹰群的包围时，鹰群下一步的移动规则与盘旋围捕与渐进俯冲进攻模式相似，不同之处在于平均距离的降低。
本发明的有益效果是：
本发明能够实现配电网源网荷储的协同控制，实现配电网经济性优化调度。
本发明通过配电网源网荷储数据的分析处理，实现了对有源配电网的分布式发电出力预测及负荷预测，能够帮助更好地了解地区有源配电网的运行特点，将分布式出力不可控的风险由“被动处理”转变成“主动预防”，保障有源配电网的安全、稳定运行，增强配电网的新能源接入与消纳能力。
本发明所提出的考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法及系统能够实现配电网的经济性优化调度，能够在考虑购电成本、新能源发电成本、输电损耗、储能成本的基础上，实现配电网安全稳定、高质量运行下的经济性调度。
附图说明
图1是本发明的方法流程示意图。
图2是本发明光伏输出的神经网络示意图。
图3是本发明风电输出的神经网络示意图。
图4是本发明负荷预测输出的神经网络示意图。
图5是本发明哈里斯鹰优化算法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述方法包括以下步骤：
步骤1：根据分布式风力、光伏发电的历史数据及天气情况，使用神经网络算法对分布式风力和光伏的发电的出力进行预测；
步骤2：根据用户电力负荷历史数据，使用神经网络算法对配电网的电力负荷进行预测；
步骤3：获取配电网中的分布式风光发电设备、储能设备及可调控负荷的状态；一种分布式发电设备、储能设备的状态采集模块，用以获得当前的分布式发电出力及余量、储能装置状态及余量。
步骤4：基于步骤1预测的风力和光伏的发电的出力得到的风电光伏出力曲线及负荷曲线与步骤3储能设备的状态，建立源网荷储的配电网运行状态模型；
步骤5：根据上级电网购电成本、分布式电源发电成本、储能成本及售电电价等因素，在考虑电网稳定性的前提下，构建配电网经济性目标函数；
步骤6：根据步骤4的含源网荷储的配电网运行状态模型及步骤5的配电网经济性目标函数，使用哈里斯鹰优化算法进行寻优，得到最大经济效益的配电网的调度方案。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤1具体分为两部分，
根据日照强度、温度、湿度对光伏发电输出功率的影响，并结合以往气象数据及天气预报数据，对未来光伏出力使用神经网络算法进行预测；
根据风速、机组对风角度、空气密度等因素对风力发电输出功率的影响，并结合以往气象数据及天气预报数据，对未来风电出力使用神经网络算法进行预测。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，在神经网络算法的输入层输入日照强度、温度及湿度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的光伏出力预测结果；
在神经网络算法的输入层输入风速、机组对风角度及空气密度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的风电出力预测结果。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤2具体为，根据温度、日照强度、风力及湿度等因素对配电网负荷的影响，并结合以往气象数据及天气预报数据，对未来配电网负荷使用神经网络算法进行预测；
在神经网络算法的输入层输入风速、温度、光照及空气湿度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的电力负荷预测结果。
使用人工神经网络算法对分布式电源的出力进行预测。人工神经网络具有自学习、自组织的特点，并具有较好的容错性和非线性拟合能力。
人工神经网络由一个个人工神经元构成，模型分为三层，包括：输入层、隐藏层和输出层。其中，输入层负责输入的变量，输出层负责输出模型处理后的结果，隐藏层负责对机器进行数据训练。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤4具体为，建立的源网荷储的配电网运行状态模型为，
Figure BDA0004089352280000081
其中节点注入功率Pi(t)、Qi(t)为节点注入功率；Ppv(t)、Qpv(t)为节点分布式发电、Pwind(t)、Qwind(t)为储能充电；Pst(t)、Qst(t)为储能放电；PL(t)、QL(t)为节点负荷。
式(1)表示了节点注入功率、节点分布式发电、储能充放电及节点负荷的平衡关系。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述配电网运行状态模型的约束条件为，配电网系统安全约束为：
Figure BDA0004089352280000082
式(2)表示了节点电压Ui和支路电流Iij在一个系统允许的范围内；
配电网频率约束为：
fmin≤f≤fmax(3)
式(3)表示了配电网系统的频率f在一个系统允许的范围内；
储能电池约束为：
Figure BDA0004089352280000083
式(4)表示了储能电池的充放电在一天内维持了平衡；
分布式电源运行约束为：
PDGimin≤PDGi≤PDGimax(5)
式(5)表示了分布式发电的功率PDGi输出在一个范围内变化。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤5具体为，根据上级电网购电成本、分布式电源发电成本、储能成本及售电电价等因素，构建的配电网经济性目标函数如下：
minCtotal＝min(Cb+Cs+Cpv+Cwind+Cst)(6)
其中，Ctotal为配电网总费用，Cb为向上级电网的购电成本，Cs为配电网的损耗成本，Cpv为光伏电池的发电成本，Cwind为风电的发电成本，Cst为储能电池的成本。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述步骤6具体为，哈里斯鹰优化算法将哈里斯鹰团队狩猎方法和Levy飞行相结合实现了高维度优化问题的求解；哈里斯鹰个体间互相熟悉，并通过团队协作的方式进行捕猎；在狩猎初期，哈里斯鹰会分散巡视，各自负责在不同的区域搜索猎物，并且在狩猎中互相传达信息；狩猎团队中分工明确，幼小的哈里斯鹰负责驱赶猎物，强壮的哈里斯鹰负责进行真正的捕猎；当某一区域发现了猎物时，鹰群会从各个方向对猎物进行包围；哈里斯鹰会根据猎物的反应采取不同的捕猎策略；当首先追捕的哈里斯鹰失败时，猎物逃跑方向的哈里斯鹰将对其进行追捕，直到猎物被捕获；哈里斯鹰优化算法根据鹰群的狩猎行为，提出来以下规则：
(1)每一次进行迭代前都对搜索界限、猎物位置及适应度进行判断和更新；
(2)根据猎物是否被发现采用不同的搜索方法；
(3)随着迭代次数的不断增加，猎物的逃逸能力不断下降；
(4)当猎物的逃逸能力降到阈值以下时，鹰群的捕猎策略将由搜索转为团队围猎；
(5)每一次的围猎中猎物都有一定几率逃跑；
(6)根据猎物的逃逸能量、是否从围猎中逃脱，鹰群采用四种不同的围捕策略；
(7)每一次围猎成功后都会产生一个新的猎物，与前面获得的猎物相比，适应度最优的将会保留。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，以经济效益为目标使用哈里斯鹰优化算法进行寻优，得到最大经济效益的配电网的调度方案；此处所使用哈里斯鹰优化方法的过程如下：
S1：对哈里斯鹰算法的参数进行设置并进行种群初始化；假设其初始种群规模为T，则有初始种群为T0＝(N1,N2,…,NT)T，初始种群定位阵为
Figure BDA0004089352280000101
在式(7)中N(a,b)表示第a个个体在第b个维度的取值，T是哈里斯鹰的种群规模，y是问题的求解维度；为了对每个个体哈里斯鹰的适应度进行评价，建立适应度矩阵如下式所示
Figure BDA0004089352280000102
上式中f为适应度函数，并设置最大迭代次数为X；
S2：根据迭代结果对种群的位置、猎物的位置及猎物的逃逸能力进行更新；在迭代过程中要保证所有求解得到的维度都在限定的范围内，并根据迭代后哈里斯鹰种群的位置求解各个个体的适应度值，与原来的适应度值相比较择优留存；除此之外每次迭代还要更新猎物的逃逸能力，其值一般随着迭代次数的增加而衰减；
S3：哈里斯鹰算法根据猎物的逃逸能力E进行决策选择；逃逸能力的表达式如下
Figure BDA0004089352280000103
式(9)中x是当前的迭代次数，E代表当前猎物的逃逸能力；当E的绝对值大于1时认为猎物逃逸能力较强，鹰群继续寻找猎物；针对鹰群是否发现猎物，有如下式子进行描述
Figure BDA0004089352280000104
其中N(x+1)表示迭代后哈里斯鹰的位置，Nprey(x)表示猎物的位置，Nm(x)是种群平均位置，Nrand(x)是随机某个哈里斯鹰的位置，UL和LL为该变量的上下界，q1、q1、q1、q1和p是0到1之间的随机数；
当p≥0.5时代表未有哈里斯鹰个体发现猎物，p<0.5时代表哈里斯鹰个体发现猎物；
S4：当E的绝对值小于1时，哈里斯鹰群则会对猎物进行围捕；
S5：根据当前迭代次数是否达到最大迭代次数X，若达到则输出当前最优解，否则继续迭代求解。
一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，所述S4哈里斯鹰群则会对猎物进行围捕，具体包括4种方式：
盘旋围捕模式：此时猎物的逃跑能力E的绝对值大于0.5，鹰群继续对猎物进行体力消耗，鹰群的位置公式如下
Figure BDA0004089352280000111
ΔN(x)代表当前迭代时哈里斯鹰与猎物的位置之差，Sj表示猎物的随机跳跃强度，0≤Sj≤2；
强势突袭模式：当E的绝对值小于0.5且猎物未突破鹰群的包围时，表达式如下
N(x+1)＝Nprey(x)-E|ΔN(x)|(12)
盘旋围捕与渐进俯冲进攻模式：此时猎物的逃跑能力E的绝对值大于0.5且猎物突破鹰群的包围时，利用Levy飞行来模拟猎物多变的逃跑路线，以及哈里斯鹰群的追捕行为；鹰群根据下式来评估猎物的下一步行为：
F＝Nprey(x)-E|SjNprey|(13)
上式(13)得到的结果F与当前适应度相比较，来判断此次围捕是否成功；如果此次围捕不成功，则鹰群会根据Levy飞行规则更新位置；
强势突袭与渐进俯冲进攻模式：此时猎物的逃跑能力E的绝对值小于0.5且猎物突破鹰群的包围时，鹰群下一步的移动规则与盘旋围捕与渐进俯冲进攻模式相似，不同之处在于平均距离的降低。

Claims (10)

1.一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述方法包括以下步骤：
步骤1：根据分布式风力、光伏发电的历史数据及天气情况，使用神经网络算法对分布式风力和光伏的发电的出力进行预测；
步骤2：根据用户电力负荷历史数据，使用神经网络算法对配电网的电力负荷进行预测；
步骤3：获取配电网中的分布式风光发电设备、储能设备及可调控负荷的状态；
步骤4：基于步骤1预测的风力和光伏的发电的出力得到的风电光伏出力曲线及负荷曲线与步骤3储能设备的状态，建立源网荷储的配电网运行状态模型；
步骤5：根据上级电网购电成本、分布式电源发电成本、储能成本及售电电价，在考虑电网稳定性的前提下，构建配电网经济性目标函数；
步骤6：根据步骤4的含源网荷储的配电网运行状态模型及步骤5的配电网经济性目标函数，使用哈里斯鹰优化算法进行寻优，得到最大经济效益的配电网的调度方案。
2.根据权利要求1所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述步骤1具体分为两部分，
根据日照强度、温度、湿度对光伏发电输出功率的影响，并结合以往气象数据及天气预报数据，对未来光伏出力使用神经网络算法进行预测；
根据风速、机组对风角度、空气密度对风力发电输出功率的影响，并结合以往气象数据及天气预报数据，对未来风电出力使用神经网络算法进行预测。
3.根据权利要求2所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，在神经网络算法的输入层输入日照强度、温度及湿度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的光伏出力预测结果；
在神经网络算法的输入层输入风速、机组对风角度及空气密度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的风电出力预测结果。
4.根据权利要求1所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述步骤2具体为，根据温度、日照强度、风力及湿度对配电网负荷的影响，并结合以往气象数据及天气预报数据，对未来配电网负荷使用神经网络算法进行预测；
在神经网络算法的输入层输入风速、温度、光照及空气湿度的变量，经过隐藏层对机器进行数据训练，在输出层输出模型处理后的电力负荷预测结果。
5.根据权利要求1所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述步骤4具体为，建立的源网荷储的配电网运行状态模型为，
Figure FDA0004089352270000021
其中节点注入功率Pi(t)、Qi(t)为节点注入功率；Ppv(t)、Qpv(t)为节点分布式发电、Pwind(t)、Qwind(t)为储能充电；Pst(t)、Qst(t)为储能放电；PL(t)、QL(t)为节点负荷。
6.根据权利要求5所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述配电网运行状态模型的约束条件为，配电网系统安全约束为：
Figure FDA0004089352270000022
配电网频率约束为：
fmin≤f≤fmax(3)
储能电池约束为：
Figure FDA0004089352270000023
分布式电源运行约束为：
PDGimin≤PDGi≤PDGimax(5)。
7.根据权利要求1所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述步骤5具体为，根据上级电网购电成本、分布式电源发电成本、储能成本及售电电价，构建的配电网经济性目标函数如下：
minCtotal＝min(Cb+Cs+Cpv+Cwind+Cst)(6)
其中，Ctotal为配电网总费用，Cb为向上级电网的购电成本，Cs为配电网的损耗成本，Cpv为光伏电池的发电成本，Cwind为风电的发电成本，Cst为储能电池的成本。
8.根据权利要求1所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述步骤6具体为，哈里斯鹰优化算法根据鹰群的狩猎行为，提出来以下规则：
(1)每一次进行迭代前都对搜索界限、猎物位置及适应度进行判断和更新；
(2)根据猎物是否被发现采用不同的搜索方法；
(3)随着迭代次数的不断增加，猎物的逃逸能力不断下降；
(4)当猎物的逃逸能力降到阈值以下时，鹰群的捕猎策略将由搜索转为团队围猎；
(5)每一次的围猎中猎物都有一定几率逃跑；
(6)根据猎物的逃逸能量、是否从围猎中逃脱，鹰群采用四种不同的围捕策略；
(7)每一次围猎成功后都会产生一个新的猎物，与前面获得的猎物相比，适应度最优的将会保留。
9.根据权利要求8所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，以经济效益为目标使用哈里斯鹰优化算法进行寻优，得到最大经济效益的配电网的调度方案；此处所使用哈里斯鹰优化方法的过程如下：
S1：对哈里斯鹰算法的参数进行设置并进行种群初始化；假设其初始种群规模为T，则有初始种群为T0＝(N1,N2,…,NT)T，初始种群定位阵为
Figure FDA0004089352270000031
在式(7)中N(a,b)表示第a个个体在第b个维度的取值，T是哈里斯鹰的种群规模，y是问题的求解维度；为了对每个个体哈里斯鹰的适应度进行评价，建立适应度矩阵如下式所示
Figure FDA0004089352270000041
上式中f为适应度函数，并设置最大迭代次数为X；
S2：根据迭代结果对种群的位置、猎物的位置及猎物的逃逸能力进行更新；在迭代过程中要保证所有求解得到的维度都在限定的范围内，并根据迭代后哈里斯鹰种群的位置求解各个个体的适应度值，与原来的适应度值相比较择优留存；除此之外每次迭代还要更新猎物的逃逸能力，其值一般随着迭代次数的增加而衰减；
S3：哈里斯鹰算法根据猎物的逃逸能力E进行决策选择；逃逸能力的表达式如下
Figure FDA0004089352270000042
式(9)中x是当前的迭代次数，E代表当前猎物的逃逸能力；当E的绝对值大于1时认为猎物逃逸能力较强，鹰群继续寻找猎物；针对鹰群是否发现猎物，有如下式子进行描述
Figure FDA0004089352270000043
其中N(x+1)表示迭代后哈里斯鹰的位置，Nprey(x)表示猎物的位置，Nm(x)是种群平均位置，Nrand(x)是随机某个哈里斯鹰的位置，UL和LL为该变量的上下界，q1、q1、q1、q1和p是0到1之间的随机数；
当p≥0.5时代表未有哈里斯鹰个体发现猎物，p<0.5时代表哈里斯鹰个体发现猎物；
S4：当E的绝对值小于1时，哈里斯鹰群则会对猎物进行围捕；
S5：根据当前迭代次数是否达到最大迭代次数X，若达到则输出当前最优解，否则继续迭代求解。
10.根据权利要求9所述一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法，其特征在于，所述S4哈里斯鹰群则会对猎物进行围捕，具体包括4种方式：
盘旋围捕模式：此时猎物的逃跑能力E的绝对值大于0.5，鹰群继续对猎物进行体力消耗，鹰群的位置公式如下
Figure FDA0004089352270000051
ΔN(x)代表当前迭代时哈里斯鹰与猎物的位置之差，Sj表示猎物的随机跳跃强度，0≤Sj≤2；
强势突袭模式：当E的绝对值小于0.5且猎物未突破鹰群的包围时，表达式如下
N(x+1)＝Nprey(x)-E|ΔN(x)| (12)
盘旋围捕与渐进俯冲进攻模式：此时猎物的逃跑能力E的绝对值大于0.5且猎物突破鹰群的包围时，利用Levy飞行来模拟猎物多变的逃跑路线，以及哈里斯鹰群的追捕行为；鹰群根据下式来评估猎物的下一步行为：
F＝Nprey(x)-E|SjNprey| (13)
将式(13)得到的结果F与当前适应度相比较，来判断此次围捕是否成功；如果此次围捕不成功，则鹰群会根据Levy飞行规则更新位置；
强势突袭与渐进俯冲进攻模式：此时猎物的逃跑能力E的绝对值小于0.5且猎物突破鹰群的包围时，鹰群下一步的移动规则与盘旋围捕与渐进俯冲进攻模式相似，不同之处在于平均距离的降低。
CN202310146526.XA 2023-02-20 2023-02-20 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法 Pending CN116054152A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310146526.XA CN116054152A (zh) 2023-02-20 2023-02-20 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310146526.XA CN116054152A (zh) 2023-02-20 2023-02-20 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法

Publications (1)

Publication Number Publication Date
CN116054152A true CN116054152A (zh) 2023-05-02

Family

ID=86133230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310146526.XA Pending CN116054152A (zh) 2023-02-20 2023-02-20 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法

Country Status (1)

Country Link
CN (1) CN116054152A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632878A (zh) * 2023-07-19 2023-08-22 国网江苏省电力有限公司常州供电分公司 一种面向台区自治的分布式储能功率分配及协调控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632878A (zh) * 2023-07-19 2023-08-22 国网江苏省电力有限公司常州供电分公司 一种面向台区自治的分布式储能功率分配及协调控制方法
CN116632878B (zh) * 2023-07-19 2023-11-14 国网江苏省电力有限公司常州供电分公司 一种面向台区自治的分布式储能功率分配及协调控制方法

Similar Documents

Publication Publication Date Title
Zhang et al. Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs
Zheng et al. Advanced optimizer for maximum power point tracking of photovoltaic systems in smart grid: A roadmap towards clean energy technologies
Motevasel et al. Multi-objective energy management of CHP (combined heat and power)-based micro-grid
CN110070292B (zh) 基于交叉变异鲸鱼优化算法的微网经济调度方法
CN109636056B (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
CN108347062A (zh) 基于势博弈的微电网能量管理分布式多目标协同优化算法
CN106451550A (zh) 一种基于改进次梯度粒子群的微电网并网优化调度方法
CN106712075A (zh) 一种考虑风电并网系统安全约束的调峰策略优化方法
CN114400712B (zh) 一种基于改进二阶粒子群算法的微电网群优化调度方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
Safari et al. Optimal load sharing strategy for a wind/diesel/battery hybrid power system based on imperialist competitive neural network algorithm
CN116054152A (zh) 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法
CN118174355A (zh) 一种微电网能量优化调度方法
CN109950933B (zh) 一种基于改进粒子群算法的风光储联合调峰优化方法
CN112836423B (zh) 基于改进差分进化算法的微网容量优化配置方法
Li et al. Energy management of multiple microgrids considering missing measurements: A novel MADRL approach
El Bourakadi et al. Multi-agent system based on the fuzzy control and extreme learning machine for intelligent management in hybrid energy system
CN116882543A (zh) 一种虚拟电厂源-荷协调优化调度方法
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
Jadhav et al. An elitist artificial bee colony algorithm for combined economic emission dispatch incorporating wind power
CN114943448A (zh) 一种微电网优化调度模型的构建方法和系统
Aydoğmuş et al. Multi-Objective Optimization of Microgrids Based on Recent Metaheuristic Methods
CN112134304B (zh) 一种基于深度学习的微电网全自动导航方法、系统与装置
Ameur et al. Enhancing hybrid renewable energy performance through deep Q-learning networks improved by fuzzy reward control
Sarangi Particle Swarm Optimisation applied to Economic Load Dispatch problem

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