CN116169723A - 一种平抑光伏发电不确定性的电压控制方法及相关装置 - Google Patents
一种平抑光伏发电不确定性的电压控制方法及相关装置 Download PDFInfo
- Publication number
- CN116169723A CN116169723A CN202310319351.8A CN202310319351A CN116169723A CN 116169723 A CN116169723 A CN 116169723A CN 202310319351 A CN202310319351 A CN 202310319351A CN 116169723 A CN116169723 A CN 116169723A
- Authority
- CN
- China
- Prior art keywords
- voltage
- air conditioner
- energy storage
- power generation
- photovoltaic power
- 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
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
- 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
- H02J3/007—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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- H02J3/38—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
-
- 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Abstract
本申请公开了一种平抑光伏发电不确定性的电压控制方法及相关装置,方法包括:构建日前源‑荷‑储电压控制模型;以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对日前源‑荷‑储电压控制模型进行求解,从而确定光伏发电功率波动区间;采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型;基于控制数学模型确定最优经济运行目标函数和最小节点电压波动率,当节点电压在光伏发电功率波动区间,输出实时源‑荷‑储各设备运行策略。从而解决现有技术维护成本、操作过程复杂且购置成本昂贵的问题。
Description
技术领域
本申请涉及电压控制技术领域,尤其涉及一种平抑光伏发电不确定性的电压控制方法及相关装置。
背景技术
随着分布式光伏发电在配电网中的渗透率逐渐提升,一方面由于光伏发电的容量较大,容易造成配电网逆潮流输送从而导致节点电压升高或者向上越限,另一方面由于光伏发电的功率预测受天气、环境等因素影响较大,其出力具有随机性和间歇性,容易造成节点电压波动。综合以上两点,分布式光伏发电会一定程度上影响配电网安全稳定运行,同时也大大限制了其在配电网中的消纳率。
现有的促进光伏发电在低压配电网中消纳的技术包括安装连续无功补偿装置(SVG)、调节变压器分接头、削减光伏容量等,该技术存在维护成本高,操作过程复杂,购置成本昂贵等问题。
发明内容
本申请提供了一种平抑光伏发电不确定性的电压控制方法及相关装置,用于解决现有技术维护成本、操作过程复杂且购置成本昂贵的问题。
有鉴于此,本申请第一方面提供了一种平抑光伏发电不确定性的电压控制方法,所述方法包括:
根据日前的负荷预测曲线、光伏发电预测曲线和虚拟储能参数,构建日前源-荷-储电压控制模型;
以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对所述日前源-荷-储电压控制模型进行求解,得到日内充放电功率大小,从而确定光伏发电功率波动区间;
采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型;
基于所述控制数学模型确定最优经济运行目标函数和最小节点电压波动率,当节点电压在光伏发电功率波动区间,输出实时源-荷-储各设备运行策略。
可选地,所述采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型,具体包括:
基于一阶ETP等效热力学模型、空调制冷量与耗电量关系式、室温与空调状态关系推导得到空调耗电量关系式;
根据空调耗电量关系确定一个周期内空调虚拟储能的充放电过程功率变化情况;
基于空调虚拟储能的充放电过程功率变化情况,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型。
可选地,配电网的成本目标函数为:
min F1=f1 es+f1 loss+f1 grid;
式中,F1为低压配电网运行成本,f1 es为电储能运行度电成本;f1 loss为低压配电网网损成本;f1 grid为低压配电网向上级电网购电成本。
可选地,所述日前源-荷-储电压控制模型的约束包括:Distflow潮流方程等式约束、状态变量不等式约束以及电储能相关约束。
本申请第二方面提供一种平抑光伏发电不确定性的电压控制系统,所述系统包括:
第一构建单元,用于根据日前的负荷预测曲线、光伏发电预测曲线和虚拟储能参数,构建日前源-荷-储电压控制模型;
计算单元,用于以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对所述日前源-荷-储电压控制模型进行求解,得到日内充放电功率大小,从而确定光伏发电功率波动区间;
第二构建单元,用于采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型;
输出单元,用于基于所述控制数学模型确定最优经济运行目标函数和最小节点电压波动率,当节点电压在光伏发电功率波动区间,输出实时源-荷-储各设备运行策略。
可选地,所述第二构建单元,具体包括:
基于一阶ETP等效热力学模型、空调制冷量与耗电量关系式、室温与空调状态关系推导得到空调耗电量关系式;
根据空调耗电量关系确定一个周期内空调虚拟储能的充放电过程功率变化情况;
基于空调虚拟储能的充放电过程功率变化情况,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型。
可选地,配电网的成本目标函数为:
min F1=f1 es+f1 loss+f1 grid;
式中,F1为低压配电网运行成本,f1 es为电储能运行度电成本;f1 loss为低压配电网网损成本;f1 grid为低压配电网向上级电网购电成本。
可选地,所述日前源-荷-储电压控制模型的约束包括:Distflow潮流方程等式约束、状态变量不等式约束以及电储能相关约束。
本申请第三方面提供一种平抑光伏发电不确定性的电压控制设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的平抑光伏发电不确定性的电压控制方法的步骤。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的平抑光伏发电不确定性的电压控制方法。
从以上技术方案可以看出,本申请具有以下优点:
1、日前基于低压配电负荷预测数据和光伏发电预测数据,构建源-荷-储协同优化电压控制模型,确保高渗透下的低压配电网各地节点电压运行在合理的范围内运行。
2、以IEEE33节点为例,在实时阶段,光伏发电作为一种随机性较强的可再生能源,其功率的实时波动会一定程度危机低压配电网的安全稳定运行,考虑具有时间解耦特性,快速响应特性的空调集群虚拟储能实时平抑可再生能源功率波动。通过仿真验证:源-荷-储协同优化运行可以有效缓解高渗透率下配电网节点异常等问题,但是基于电化学储能需要消耗一定的度电成本;考虑空调集群虚拟储能能够实时快速弥补光伏发电的功率波动,同时促进各节点电压更进一步趋近于额定电压。
3、本申请的平抑光伏发电不确定性的电压控制方法,不需要高昂的维护和购置成本,且方法简单。
附图说明
图1为本申请实施例中提供的一种平抑光伏发电不确定性的电压控制方法实施例的流程示意图;
图2为本申请实施例中提供的一种空调负荷功率变化曲线示意图;
图3为本申请实施例中提供的一种各目标函数隶属度函数示意图;
图4为本申请实施例中提供的一种考虑空调集群虚拟储能的新型低压配电网示意图;
图5为本申请实施例中提供的一种空调集群虚拟储能充放电上下限示意图;
图6为本申请实施例中提供的一种室外温度预测数据示意图;
图7为本申请实施例中提供的一种高渗透率光伏发电功率倒送导致部分节点电压越;
图8为本申请实施例中提供的一种源-荷-储协同优化电压控制效果示意图;
图9为本申请实施例中提供的一种调集群虚拟储能在实时阶段运行策略的示意图;
图10为本申请实施例中提供的一种考虑空调集群虚拟储能电压控制结果的示意图;
图11为本申请实施例中提供的一种平抑光伏发电不确定性的电压控制系统实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参阅图1,本申请实施例中提供的一种平抑光伏发电不确定性的电压控制方法,包括:
步骤101、根据日前的负荷预测曲线、光伏发电预测曲线和虚拟储能参数,构建日前源-荷-储电压控制模型;
需要说明的是,光伏发电输出有功功率,一部分由当地的负荷消纳,剩余的有功功率通过逆变器向低压配电网输送,需要对逆潮流问题进行合理的有功调度,即通过合理的控制手段合理控制源-荷-储协同优化运行。
因此,首先通过输入日前的负荷预测曲线、光伏发电预测曲线和虚拟储能参数,构建日前源-荷-储电压控制模型。
步骤102、以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对日前源-荷-储电压控制模型进行求解,得到日内充放电功率大小,从而确定光伏发电功率波动区间;
需要说明的是,当步骤101构建得到日前源-荷-储电压控制模型后,接着通过日前的负荷预测和光伏发电功率预测,制定合理的电压目标函数和成本目标函数,求解得到储能电站在日内各充电时刻和充电功率大小、放电时刻和放电功率大小,从而确定光伏发电功率波动区间。
本实施例以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对日前源-荷-储电压控制模型进行求解。
具体的:
定义低压配电网电压控制经济运行数学模型,低压配电网运行成本包含:网损成本、电储能运行度电成本和向上级电网购电成本,其成本目标函数为:
min F1=f1 es+f1 loss+f1 grid
式中,F1为低压配电网运行成本,f1 es为电储能运行度电成本;f1 loss为低压配电网网损成本;f1 grid为低压配电网向上级电网购电成本,根据分时工业电价,合理控制储能的充放电时刻,有利于降低低压配电网高峰时刻向上级电网购电成本,同时达到削峰填谷的目的。
确定日前源-荷-储协同优化约束条件为:
Distflow潮流方程等式约束:
状态变量不等式约束:
电储能相关约束:
其中,式中Mo表示母支路;chils表示子支路;任意一条母支路上流动的功率等于各子支路功率和,同理得到无功功率等式;u(i)表示支路之间具有连接关系;Ri=diag{R′}和Xi=diag{X′}是正定的严格对称阻抗矩阵;和/>分别表示节点有功负荷和支路损耗;/>表示节点无功负荷;Pi和Qi分别表示节点i注入的有功功率和无功功率。Vt i为节点i在时刻t的电压大小,Δt为低压配电网日前调度时间间隔,日前取Δt=1;Ei表示第i个电池储能系统的荷电状态,它等于前一个时刻充放电能量变化之和;/>分别表示第i个电池储能系统充放电效率;SOCi,min、SOCi,max分别表示充放电荷电状态上限和下限状态值,目的是为了避免过度充放电Pi DS,c、Pi DS,d分别表示分布式储能电池系统充放电功率;分别表示分布式储能电池系统充放电功率上限;DS(Distributed storage,DS)表示分布式储能系统;(α(+)=1)&(α(-)=0)表示储能系统充放电不能同时进行。
步骤103、采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型;
需要说明的是,基于日前源-荷-储协同电压控制模型,在实时控制中,考虑光伏发电存在随机性和不确定性影响节点电压功率波动,在实时阶段,空调集群虚拟储能作为一种具有快速响应特性、时间解耦特性,可作为一种有效的调节手段平抑实时光伏发电的功率波动。
对于空调集群虚拟储能数学模型及控制策略分析,具体说明如下:
1、目前针对空调负荷的建模方法已有大量研究,主要包括两种:一种是根据能量守恒定律构建空调负荷模型,一种是等效热力学参数(equvalent thermal parameters,ETP)模型。
本实施例采用一阶ETP等效热力学模型:
式中:Troom(t)为t时间段室内温度,Tout(t)为t时间段室外温度,Qac(t)为t时间段空调制冷量,C为建筑等效热容,R为建筑等效热阻。
空调制冷量与耗电量Pac(t)满足以下线性关系:
Qac(t)=λPac(t) (8)
式中:λ为空调热电转换系数。
在足够短的时间内,可认为室外的温度Tout(t)不变,假设此时室温为最舒适温度Tcomf(t),此时空调处于稳态,可得:
由式(5~7)推导空调耗电量关系式:
当某一时刻室内设定温度为Tset(t),该温度高于或低于最舒适温度Tcomf(t),空调运行进入暂态。如图2所示:若Tset1(t)<Tcomf(t),此时空调以最大功率运行,当室内温度达到Tset1(t),此时空调进入暂态模式,以功率Pac1运行维持Tset1(t)室内温度;若Tset2(t)>Tcomf(t),此时空调以最小功率/>运行,当室内温度达到Tset1(t),此时空调进入暂态模式,以功率Pac1运行维持Tset1(t)室内温度,由于居民空调响应速率小于5min,小于综合能源调度周期,因此为保证各个调度周期可以持续运行,在调度周期末需要调整室内温度重新回到最舒适温度Tcomf;同理若Tset2(t)<Tcomf(t),此时空调以最大功率/>运行,当室内温度达到Tset2(t),此时空调进入暂态模式,以功率Pac2运行维持Tset2(t)室内温度,同理在调度周期末时刻需要重新调整室温恢复到Tcomf,保证调度周期的可持续性。
空调虚拟储能的充放电过程:当空调以Pac1运行时,在一个调度周期内空调的平均输出功率小于Pac0,此过程称之为空调虚拟储能的放电过程;当空调以Pac2运行时,在一个调度周期内空调的平均功率大于Pac0,此过程称之为空调虚拟储能的充电过程。
现假设一个调度周期为Δt,已知空调以运行的时间为Δt1,以/>运行的时间为Δt2。当空调处于充电周期时,各充电时间计算公式如(13)、(14)所示,空调虚拟储能的最大充电功率为/>如式(15)所示;当空调处于放电周期时,各放电时间计算公式如式(16)、(17)所示,空调虚拟储能的最大放电功率/>如式(18)所示[27]。
本实施例选取室内最舒适温度为Tcomf=26℃,室内温度波动上限值Tset1=27.5℃,下限值Tset2=24.5℃。
2、本实施例选取具有时间解耦特性的空调集群虚拟储能,在实时阶段响应快速实时阶段光伏发电带来的不确定性,实时平抑光伏发电所带来的电压波动。
构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型(节点功率):
式中为实时阶段考虑空调集群虚拟储能快速响应弥补光伏发电,减少光伏发电的不确定性问题影响低压配电网的电能质量。
步骤104、基于控制数学模型确定最优经济运行目标函数和最小节点电压波动率,当节点电压在光伏发电功率波动区间,输出实时源-荷-储各设备运行策略。
需要说明的是,本实施例实时低压配网最优经济运行目标函数:
min F1=f1 es+f1 loss+f1 grid+γcon(|Tset-Tcomf|)
实现低压配电网节点电压波动率最小:
显然,该模型即考虑低压配电网运行成本,又考虑到各节点电压波动率最小。采用模糊多目标的数学方法,把多目标问题转换为求满足最小隶属度的最大值。该最大值即为该文最优解。
以下为模糊多目标转换步骤的说明:
请参阅图3,本申请采用构建目标函数的隶属度进行模糊化处理,确定各个目标函数的隶属度,隶属度越大表示决策者对结果满意度越高。本申请选用半梯形折线图表示各目标函数的隶属度,:
隶属度函数求解方法:
式中,为成本偏差最小值;/>为决策者可容忍的成本偏差量;/>为电网电压波动率;/>为决策者可容忍电压波动率增加值。设μ为两个目标函数隶属度中的最小值,它可以表示决策者的满意程度,两者的满意度指标表示为:
μ=min{μ(F1),μ(F2)} (22)
因此原问题经转化为求解满足所有约束条件的满意度指标μ最大的单目标非线性优化问题:
容忍度区间:
式中,F′1、F′2分别表示以电压波动最小为目标得到的电压波动值和配电网运行成本;F″1、F″2分别表示以配电网运行成本最小为目标得到的电压波动值和配电网运行成本;其中,表示决策者对于不同目标的意愿偏向程度,值越大说明决策者对于目标函数偏离期望值的容忍程度越大。
以下为本申请的仿真实验说明:
1、仿真条件
本申请仿真算例采用IEEE33节点低压配电网作为仿真对象,分别在(3、6、7、13、14、19、23、25、29、30)节点安装空调集群虚拟储能(virtual energy storage system,vess);其余光伏安装节点和电化学储能安装节点如下图4所示。
空调集群虚拟储能充放电上下限如图5所示;室外温度预测数据如图6所示。
2、日前源-荷-储协同优化电压控制仿真结果及分析
请参阅图7-8。
日前,根据预测到的电负荷数据、光伏发电数据和获取空调集群虚拟储能参数数据,构建源-荷-储协同优化电压控制模型,目标为了确保在源荷储协同优化策略下,高渗透率的光伏发电不会给低压配电网带来电能质量问题,影响配电网安全稳定运行。
3、实时考虑空调集群虚拟储能平抑光伏发电功率波动
在日前的优化调度控制中,采用源-荷-储协同优化控制,可以很好地把低压配电网的节点电压维持在合理的范围内波动运行。但是,在现实中,往往存在光伏发电功率预测与实际运行存在偏差,这种不确定性会影响负荷侧的正常运行,甚至危及到配电网的安全稳定运行。采用具有时间解耦特性的空调集群虚拟储能实时响应,实时“弥补”或“消纳”波动的光伏发电功率,无疑是一种良好的实时调节手段。
4、实时考虑空调集群虚拟储能平抑光伏发电功率波动仿真结果分析
请参阅图9-10所示,光伏发电作为一种具有较强随机性的可再生能源,实时运行尺度下会存在与日前预测功率存在偏差。本申请提一种具有时间解耦特性且快速响应的特性的空调集群虚拟储能实时平抑可再生能源的功率波动,同时空调集群虚拟储能相比电化学储能其响应成本低,在同时考虑稳定节点电压波动的目标函数下,显然考虑空调集群虚拟储能的低压配电网各节点电压波动率更小,电压更加趋近于额定电压。
以上为本申请实施例中提供的一种平抑光伏发电不确定性的电压控制方法,以下为本申请实施例中提供的一种平抑光伏发电不确定性的电压控制系统。
请参阅图2,本申请实施例中提供的一种平抑光伏发电不确定性的电压控制系统,包括:
第一构建单元201,用于根据日前的负荷预测曲线、光伏发电预测曲线和虚拟储能参数,构建日前源-荷-储电压控制模型;
计算单元202,用于以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对日前源-荷-储电压控制模型进行求解,得到日内充放电功率大小,从而确定光伏发电功率波动区间;
第二构建单元203,用于采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型;
输出单元204,用于基于控制数学模型确定最优经济运行目标函数和最小节点电压波动率,当节点电压在光伏发电功率波动区间,输出实时源-荷-储各设备运行策略。
进一步地,本申请实施例中还提供了一种平抑光伏发电不确定性的电压控制设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述方法实施例所述的平抑光伏发电不确定性的电压控制方法的步骤。
进一步地,本申请实施例中还提供了计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述方法实施例所述的平抑光伏发电不确定性的电压控制方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种平抑光伏发电不确定性的电压控制方法,其特征在于,包括:
根据日前的负荷预测曲线、光伏发电预测曲线和虚拟储能参数,构建日前源-荷-储电压控制模型;
以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对所述日前源-荷-储电压控制模型进行求解,得到日内充放电功率大小,从而确定光伏发电功率波动区间;
采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型;
基于所述控制数学模型确定最优经济运行目标函数和最小节点电压波动率,当节点电压在光伏发电功率波动区间,输出实时源-荷-储各设备运行策略。
2.根据权利要求1所述的平抑光伏发电不确定性的电压控制方法,其特征在于,所述采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型,具体包括:
基于一阶ETP等效热力学模型、空调制冷量与耗电量关系式、室温与空调状态关系推导得到空调耗电量关系式;
根据空调耗电量关系确定一个周期内空调虚拟储能的充放电过程功率变化情况;
基于空调虚拟储能的充放电过程功率变化情况,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型。
3.根据权利要求1所述的平抑光伏发电不确定性的电压控制方法,其特征在于,配电网的成本目标函数为:
min F1=f1 es+f1 loss+f1 grid;
式中,F1为低压配电网运行成本,f1 es为电储能运行度电成本;f1 loss为低压配电网网损成本;f1 grid为低压配电网向上级电网购电成本。
4.根据权利要求1所述的平抑光伏发电不确定性的电压控制方法,其特征在于,所述日前源-荷-储电压控制模型的约束包括:Distflow潮流方程等式约束、状态变量不等式约束以及电储能相关约束。
5.一种平抑光伏发电不确定性的电压控制系统,其特征在于,包括:
第一构建单元,用于根据日前的负荷预测曲线、光伏发电预测曲线和虚拟储能参数,构建日前源-荷-储电压控制模型;
计算单元,用于以配电网的运行成本最小和节点电压最小为目标函数,基于模糊多目标转换将双目标问题转换为单目标问题,对所述日前源-荷-储电压控制模型进行求解,得到日内充放电功率大小,从而确定光伏发电功率波动区间;
第二构建单元,用于采用一阶ETP等效热力学模型对空调集群虚拟储能数学模型及控制策略进行分析,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型;
输出单元,用于基于所述控制数学模型确定最优经济运行目标函数和最小节点电压波动率,当节点电压在光伏发电功率波动区间,输出实时源-荷-储各设备运行策略。
6.根据权利要求5所述的平抑光伏发电不确定性的电压控制系统,其特征在于,所述第二构建单元,具体包括:
基于一阶ETP等效热力学模型、空调制冷量与耗电量关系式、室温与空调状态关系推导得到空调耗电量关系式;
根据空调耗电量关系确定一个周期内空调虚拟储能的充放电过程功率变化情况;
基于空调虚拟储能的充放电过程功率变化情况,构建考虑空调集群虚拟储能实时协同优化电压的控制数学模型。
7.根据权利要求5所述的平抑光伏发电不确定性的电压控制系统,其特征在于,配电网的成本目标函数为:
min F1=f1 es+f1 loss+f1 grid;
式中,F1为低压配电网运行成本,f1 es为电储能运行度电成本;f1 loss为低压配电网网损成本;f1 grid为低压配电网向上级电网购电成本。
8.根据权利要求5所述的平抑光伏发电不确定性的电压控制系统,其特征在于,所述日前源-荷-储电压控制模型的约束包括:Distflow潮流方程等式约束、状态变量不等式约束以及电储能相关约束。
9.一种平抑光伏发电不确定性的电压控制设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的平抑光伏发电不确定性的电压控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的平抑光伏发电不确定性的电压控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310319351.8A CN116169723A (zh) | 2023-03-28 | 2023-03-28 | 一种平抑光伏发电不确定性的电压控制方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310319351.8A CN116169723A (zh) | 2023-03-28 | 2023-03-28 | 一种平抑光伏发电不确定性的电压控制方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116169723A true CN116169723A (zh) | 2023-05-26 |
Family
ID=86420312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310319351.8A Pending CN116169723A (zh) | 2023-03-28 | 2023-03-28 | 一种平抑光伏发电不确定性的电压控制方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116169723A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914749A (zh) * | 2023-09-11 | 2023-10-20 | 国网山西省电力公司运城供电公司 | 配电网调度方法和配电网调度系统 |
-
2023
- 2023-03-28 CN CN202310319351.8A patent/CN116169723A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914749A (zh) * | 2023-09-11 | 2023-10-20 | 国网山西省电力公司运城供电公司 | 配电网调度方法和配电网调度系统 |
CN116914749B (zh) * | 2023-09-11 | 2024-01-19 | 国网山西省电力公司运城供电公司 | 配电网调度方法和配电网调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | A bi-level scheduling model for virtual power plants with aggregated thermostatically controlled loads and renewable energy | |
Wu et al. | Deep learning adaptive dynamic programming for real time energy management and control strategy of micro-grid | |
Sun et al. | Optimization planning method of distributed generation based on steady-state security region of distribution network | |
Ma et al. | Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic | |
JP5110603B2 (ja) | 直接負荷制御システム | |
Hong et al. | Optimal VAR control considering wind farms using probabilistic load-flow and gray-based genetic algorithms | |
Song et al. | Energy storage modeling of inverter air conditioning for output optimizing of wind generation in the electricity market | |
CN108462212B (zh) | 一种新能源电力系统在多源多调控域运行方式下控制方法 | |
Wei et al. | Coordination optimization of multiple thermostatically controlled load groups in distribution network with renewable energy | |
Mohamed et al. | Microgrid online management and balancing using multiobjective optimization | |
CN112950098A (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
Lu et al. | Optimal operation scheduling of household energy hub: A multi-objective optimization model considering integrated demand response | |
CN116169723A (zh) | 一种平抑光伏发电不确定性的电压控制方法及相关装置 | |
Pandi et al. | Adaptive coordinated feeder flow control in distribution system with the support of distributed energy resources | |
Yu et al. | Optimal dispatching method for integrated energy system based on robust economic model predictive control considering source–load power interval prediction | |
Yang et al. | Building electrification and carbon emissions: Integrated energy management considering the dynamics of the electricity mix and pricing | |
Qu et al. | Synergetic power-gas flow with space-time diffusion control of air pollutants using a convex multi-objective optimization | |
Wang et al. | Distributed optimal voltage control strategy for AC grid with DC connection and offshore wind farms based on ADMM | |
Yu et al. | Optimization strategy of multiarea interconnected integrated energy system based on consistency theory | |
Linlin et al. | Research on Multi-Objective Reactive Power Optimization of Power Grid With High Proportion of New Energy | |
Sun et al. | Distributed optimal dispatching method of smart distribution network considering integrated energy microgrid with multiple gird‐connected points | |
Zhang et al. | Ensemble learning for optimal active power control of distributed energy resources and thermostatically controlled loads in an islanded microgrid | |
Nojavan et al. | Energy management concept of AC, DC, and hybrid AC/DC microgrids | |
Liang et al. | Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning | |
CN114400704A (zh) | 基于双q学习考虑经济调节的孤岛微电网多模式切换策略 |
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 |