CN116247745A - 考虑非计划离网风险的氢能微网滚动优化调度方法 - Google Patents

考虑非计划离网风险的氢能微网滚动优化调度方法 Download PDF

Info

Publication number
CN116247745A
CN116247745A CN202310369874.3A CN202310369874A CN116247745A CN 116247745 A CN116247745 A CN 116247745A CN 202310369874 A CN202310369874 A CN 202310369874A CN 116247745 A CN116247745 A CN 116247745A
Authority
CN
China
Prior art keywords
grid
energy
constraint
power
load
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
CN202310369874.3A
Other languages
English (en)
Inventor
刘一欣
郭力
安嬴东
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202310369874.3A priority Critical patent/CN116247745A/zh
Publication of CN116247745A publication Critical patent/CN116247745A/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
    • 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
    • H02J15/00—Systems for storing electric energy
    • H02J15/008—Systems for storing electric energy using hydrogen as energy vector
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种微电网优化调度方法，为提出以长周期视角优化微电网在并网和离网阶段的能量调度方案，提升微电网应对非计划离网的韧性，本发明，考虑非计划离网风险的氢能微网滚动优化调度方法,首先通过非计划离网风险评估获得微电网离网的预估开始时间和持续时间；然后进行长周期源荷能量匹配评估及优化：基于可再生能源和负荷长时间范围内的能量预测信息，制定长时间范围内与电网交互量、储能系统能量存储和负荷转移计划，在保证供电可靠概率最大化的同时最小化与电网交互量和负荷转移量；最后进行基于条件风险价值的日前随机优化调度：制定最优日前调度计划。本发明主要应用于微电网优化调度场合。

Description

考虑非计划离网风险的氢能微网滚动优化调度方法
技术领域
本发明涉及一种微电网优化调度方法，特别涉及一种考虑非计划离网风险的氢能微网滚动优化调度方法。
背景技术
近年来，以分布式可再生能源制氢的氢电耦合微电网已成为促进新能源消纳和氢能发展利用的新模式，尤其在中国东南沿海工商业密集地区，就近用氢需求强烈，氢能微电网具有良好的应用前景。然而，沿海地区台风频发，微电网所接入的配电网在台风过境期间极易发生线路、杆塔故障，导致微电网发生非计划孤岛，严重威胁微电网供电可靠性。
为了提升微电网运行的经济性和可靠性，国内外许多学者针对微电网能量管理策略进行了大量研究，主要包括基于规则的方法和基于优化的方法。国内外学者基于上述两种方法在微电网能量管理研究方面取得了丰富的研究成果，其中不乏有考虑微电网长周期内的调度问题，但大多是是基于每个月或每个季节的典型日建立优化调度模型，这也就意味着其依旧未考虑实际运行中未来可能出现的非计划孤岛风险。此外，现有研究在微电网离网后通过优化调度能够延长微电网的运行时间，但其仅考虑微电网的日前优化问题，无法在更长时间范围内优化微电网的源荷匹配及能量储备，且由于没有考虑孤岛风险，无法在并网阶段提前制定应对方案，提升微电网离网阶段的运行可靠性。
发明内容
为克服现有技术的不足，本发明旨在以长周期视角优化微电网在并网和离网阶段的能量调度方案，提升微电网应对非计划离网的韧性。为此，本发明采取的技术方案是，考虑非计划离网风险的氢能微网滚动优化调度方法,首先通过非计划离网风险评估获得微电网离网的预估开始时间和持续时间；然后进行长周期源荷能量匹配评估及优化：基于可再生能源和负荷长时间范围内的能量预测信息，制定长时间范围内与电网交互量、储能系统能量存储和负荷转移计划，在保证供电可靠概率最大化的同时最小化与电网交互量和负荷转移量；最后进行基于条件风险价值的日前随机优化调度：在日前调度阶段考虑日前调度结束后的能量备用约束制定最优日前调度计划。
非计划离网风险评估具体步骤如下：
根据Batts风场模型，台风的衰减以及持续时间和台风中心气压差相关，台风持续时间T如式(1)所示，ΔH0(t)是t0时刻的台风中心气压差，单位为hPa；ξ和θ分别表示海岸线、台风行进路径与正北方向的顺时针夹角，Tmax为台风持续时间上限；台风持续天数为dT天，则
Figure BDA0004168220550000012
Figure BDA0004168220550000011
首先根据杆塔和线路承受的风速计算其失效概率；其次利用微元法计算台风持续期间架空线路构件的累计失效概率；同一条架空线路上的杆塔和线路组成了一个串联系统，继而以计算出架空线路的累积失效概率：
Figure BDA0004168220550000021
对于离网时间，按照式(2)判断，式(2)表示架空线路失效概率pg大于80％时，认为微电网发生非计划离网，dbegin为开始离网的时间。
长周期源荷能量匹配评估及优化方法寻求在第i天到第i+n天之间可靠供电的最大概率、最小电网交互成本和最小负荷转移能量之间的平衡，同时考虑与运行相关的一组约束条件。数学公式表示为：
(1)目标函数
Figure BDA0004168220550000022
Figure BDA0004168220550000023
式中，可靠供电概率Pi,d的计算包含并网阶段和离网阶段两部分，如式(4)所示,等式右侧部分代表能量供给大于能量需求的概率，反映出该天的源荷能量匹配度特征,
Figure BDA0004168220550000024
Figure BDA0004168220550000025
和/>
Figure BDA0004168220550000026
分别为光伏、风电和负荷能量预测值/预测误差，均为随机变量，其累计概率分布可根据历史数据拟合得到；/>
Figure BDA0004168220550000027
和/>
Figure BDA0004168220550000028
分别为电池储能系统在第d天的能量净增加量和净减少量；/>
Figure BDA0004168220550000029
为第i次优化前的负荷净转移量；
Figure BDA00041682205500000210
和/>
Figure BDA00041682205500000211
分别为负荷转入量和转出量；/>
Figure BDA00041682205500000212
和/>
Figure BDA00041682205500000213
分别为购电量和售电量，离网期间均为0；/>
Figure BDA00041682205500000214
和/>
Figure BDA00041682205500000215
分别为燃料电池放电量和电解水制氢系统的耗电量；
(2)约束条件
1)储能系统约束
长周期能量匹配评估和优化模型中不考虑储能系统在充放电过程中的能量损耗，储能系统约束包括：
①储能系统的荷电状态SOC的时序约束；
②SOC的最大值和最小值约束；
③储能系统的运行状态约束；
2)燃料电池约束
燃料电池约束为燃料电池消耗的氢气量和燃料电池发电量之间的约束；
3)电解槽约束
电解槽约束为电解槽生产的氢气量和电解槽用电量之间的约束；
4)储氢罐约束
储氢罐约束包括：
①储氢罐的氢气压力水平LOH的时序约束；
②LOH的最大值和最小值约束；
5)负荷能量转移约束
受负荷特性的影响，不可转移负荷不参加负荷转移计划的制定，因此每日负荷转移量不超过当天负荷能量预测值的某一范围。负荷能量转移约束包括：
①负荷转移前后能量平衡约束；
②负荷转移量上下限约束。
6)与电网交互量约束
与电网交互量约束为微电网向配电网购/售电的最大值和最小值约束。
针对式(3)所示优化问题，采用多目标规划算法进行求解。
基于条件风险价值的日前随机优化调度具体步骤：
建立基于场景的日前随机优化模型来处理光伏和负荷的不确定性，条件风险价值CVaR用于衡量光伏和负荷的不确定性导致的风险成本,采用拉丁超立方采样法生成大量日前光伏、风电和负荷预测误差场景，并采用后向缩减法进行场景削减，得到光伏、风电和负荷的典型场景:
(1)目标函数
日前随机优化的目标函数为综合调度成本，包含调度成本和风险成本，公式如下：
f＝minCE+σCCVaR (5)
式(5)中，调度成本CE包括电解槽运行成本、燃料电池运行成本、储氢罐运行成本、电池储能运行成本、购售电成本、弃光惩罚成本、弃风惩罚成本和失负荷惩罚成本,调度风险成本CCVaR表示为：
Figure BDA0004168220550000031
式中，ζ为辅助变量，其最优值为风险价值(Value at Risk,VaR)；α为CVaR置信度；Cs为场景s下的调度成本；[x]+＝max{x,0}；
(2)约束条件
1)电功率平衡约束
2)储能运行约束
①考虑充/放电效率的储能系统的荷电状态SOC的时序约束；
②SOC的最大值和最小值约束；
③充/放电功率的最大值和最小值约束；
3)氢能子系统运行约束
④燃料电池功率和电解槽功率与氢气的物质的量之间的约束；
①燃料电池和电解槽最大功率约束；
②储氢罐的LOH时序约束；
③LOH的最大值和最小值约束；
4)与电网交互量约束
与电网交互量约束为微电网向配电网购/售电的最大值和最小值约束；
5)备用电量需求约束
为保障微网具有足够的应对离网风险的韧性，日前随机优化制定的调度策略在第i天调度结束时包括氢能系统和电池储能系统的备用能量应不低于第i次长周期源荷匹配评估与优化时第i+1～i+n天的备用能量；
日前随机优化模型是一个混合整数线性规划问题，通过商用求解器求解。
本发明的特点及有益效果是：
(1)建立了台风过境动态过程中的微电网孤岛风险评估模型，基于离网概率风险和离网起止时间评估，实现离网风险预警和预防控制。
(2)基于未来分布式可再生能源发电与负荷需求能量预测，建立并网和离网阶段内微电网源荷匹配滚动评估与优化模型，为潜在离网风险提前制定能量储备方案，用于指导微电网日前优化，从而提升日前决策方案应对未来离网风险的韧性。
附图说明：
图1是本发明中微电网的长周期优化框架。
图2是本发明中微电网的结构拓扑图。
图3是本发明实施例中台风对配电网影响示意图。
图4是本发明实施例中第1～2次源荷匹配模型的优化结果。其中：
(a)第1次源荷匹配优化结果；
(b)第2次源荷匹配优化结果。
图5是本发明实施例中日前优化的连续5天调度结果。
具体实施方式
针对现有技术中存在的问题，本发明的目的是以长周期视角优化微电网在并网和离网阶段的能量调度方案，提升微电网应对非计划离网的韧性。首先通过非计划离网风险评估方法获得微电网离网的预估开始时间和持续时间；然后基于可再生能源和负荷长时间范围内的能量预测信息，通过优化方法制定长时间范围内与电网交互量、储能系统能量存储和负荷转移计划，在保证供电可靠概率最大化的同时最小化与电网交互量和负荷转移量；最后在日前调度阶段考虑日前调度结束后的能量备用约束制定最优日前调度计划。
下面结合附图和实施例对本发明进行详细的描述。
1.非计划离网风险评估方法
根据Batts风场模型，台风的衰减以及持续时间和台风中心气压差相关，台风持续时间T如式(1)所示，ΔH0(t)是t0时刻的台风中心气压差，单位为hPa；ξ和θ分别表示海岸线、台风行进路径与正北方向的顺时针夹角。Tmax为台风持续时间上限，本发明中设定为240h；台风持续天数为dT天，则
Figure BDA0004168220550000054
Figure BDA0004168220550000051
台风通常难以破坏建筑物内的设施及埋在地下的元件，因此本发明只考虑架空输配电线路在台风灾害下的受损情况。首先根据杆塔和线路承受的风速计算其失效概率；其次利用微元法计算台风持续期间架空线路构件(包括杆塔和线路)的累计失效概率；同一条架空线路上的杆塔和线路组成了一个串联系统，继而可以计算出架空线路的累积失效概率。
Figure BDA0004168220550000052
对于离网时间，可按照式(2)判断，式(2)表示架空线路失效概率pg大于80％时，认为微电网发生非计划离网，dbegin为开始离网的时间，对应图1中的m。考虑到故障元件的维修时间，定义由台风造成的离网持续时间为第m～m+dT+1天。
2.长周期源荷能量匹配评估及优化
对于图2所示的微电网，本发明提出的长周期源荷能量匹配评估及优化方法寻求在第i天到第i+n天之间可靠供电的最大概率、最小电网交互成本和最小负荷转移能量之间的平衡，同时考虑与运行相关的一组约束条件。数学公式表示为：
(1)目标函数
Figure BDA0004168220550000053
Figure BDA0004168220550000061
/>
式中，可靠供电概率Pi,d的计算包含并网阶段和离网阶段两部分，如式(4)所示。等式右侧部分代表能量供给大于能量需求的概率，反映出该天的源荷能量匹配度特征。
Figure BDA0004168220550000062
Figure BDA0004168220550000063
和/>
Figure BDA0004168220550000064
分别为光伏、风电和负荷能量预测值/预测误差，均为随机变量，其累计概率分布可根据历史数据拟合得到；/>
Figure BDA0004168220550000065
和/>
Figure BDA0004168220550000066
分别为电池储能系统在第d天的能量净增加量和净减少量；/>
Figure BDA0004168220550000067
为第i次优化前的负荷净转移量；
Figure BDA0004168220550000068
和/>
Figure BDA0004168220550000069
分别为负荷转入量和转出量；/>
Figure BDA00041682205500000610
和/>
Figure BDA00041682205500000611
分别为购电量和售电量，离网期间均为0；/>
Figure BDA00041682205500000612
和/>
Figure BDA00041682205500000613
分别为燃料电池放电量和电解水制氢系统的耗电量。
(2)约束条件
1)储能系统约束
长周期能量匹配评估和优化模型中不考虑储能系统在充放电过程中的能量损耗。储能系统约束包括：
①储能系统的荷电状态(state of charge，SOC)的时序约束；
②SOC的最大值和最小值约束；
③储能系统的运行状态约束。
2)燃料电池约束
燃料电池约束为燃料电池消耗的氢气量和燃料电池发电量之间的约束。
3)电解槽约束
电解槽约束为电解槽生产的氢气量和电解槽用电量之间的约束。
4)储氢罐约束
储氢罐约束包括：
①储氢罐的氢气压力水平(level of hydrogen，LOH)的时序约束；
②LOH的最大值和最小值约束。
5)负荷能量转移约束
受负荷特性的影响，不可转移负荷不参加负荷转移计划的制定，因此每日负荷转移量不超过当天负荷能量预测值的某一范围。负荷能量转移约束包括：
①负荷转移前后能量平衡约束；
②负荷转移量上下限约束。
6)与电网交互量约束
与电网交互量约束为微电网向配电网购/售电的最大值和最小值约束。
针对式(3)所示优化问题，本发明采用多目标规划算法进行求解。
3.基于条件风险价值的日前随机优化调度
本发明建立了一个基于场景的日前随机优化模型来处理光伏和负荷的不确定性，CVaR(Conditional Value at Risk)用于衡量光伏和负荷的不确定性导致的风险成本。采用拉丁超立方采样法生成大量日前光伏、风电和负荷预测误差场景，并采用后向缩减法进行场景削减，得到光伏、风电和负荷的典型场景。
(1)目标函数
日前随机优化的目标函数为综合调度成本，包含调度成本和风险成本，公式如下：
f＝minCE+σCCVaR (5)
式(5)中，调度成本CE包括电解槽运行成本、燃料电池运行成本、储氢罐运行成本、电池储能运行成本、购售电成本、弃光惩罚成本、弃风惩罚成本和失负荷惩罚成本。调度风险成本CCVaR可表示为：
Figure BDA0004168220550000071
式中，ζ为辅助变量，其最优值为风险价值(Value at Risk,VaR)；α为CVaR置信度；Cs为场景s下的调度成本；[x]+＝max{x,0}。
(2)约束条件
1)电功率平衡约束
2)储能运行约束
①考虑充/放电效率的储能系统的荷电状态(state of charge，SOC)的时序约束；
②SOC的最大值和最小值约束；
③充/放电功率的最大值和最小值约束。
3)氢能子系统运行约束
①燃料电池功率和电解槽功率与氢气的物质的量之间的约束；
②燃料电池和电解槽最大功率约束；
③储氢罐的LOH时序约束；
④LOH的最大值和最小值约束。
4)与电网交互量约束
与电网交互量约束为微电网向配电网购/售电的最大值和最小值约束。
5)备用电量需求约束
为保障微网具有足够的应对离网风险的韧性，日前随机优化制定的调度策略在第i天调度结束时的备用能量(包括氢能系统和电池储能系统)应不低于第i次长周期源荷匹配评估与优化时第i+1～i+n天的备用能量。
日前随机优化模型是一个混合整数线性规划问题，本发明通过成熟的商用求解器求解。
4.实施例
台风对微电网接入的配电网影响示意图如图3所示。微电网经由杆塔1、4、5、8、9、10与上级变电站连接。台风从海岸线登陆，在运动过程中逐渐影响微电网与上级变电站之间的连接线路。
根据前述离网风险评估模型，台风登录后的第一、二天配电网失效概率为0.9238和0.9248，大于设定阈值0.8，因此台风持续时间为2天，考虑维修时间为1天，微电网的持续离网时间为3天。假定从气象部门提前2天获取台风信息，因此本算例并网运行时间为2天，离网运行时间为3天。
(1)能量匹配评估与优化结果分析
在连续5次长周期源荷匹配评估与优化中，每天的可靠供电概率均大于0.9，其中第1～2次匹配与优化结果如图4所示。从图中可以看出，在离网期间风光发电较低，部分负荷转移到并网阶段，以保证可靠供电概率最大。例如，图4(a)中部分负荷从第3天转移到第1天。并网期间风光富余的电量通过电解水制氢和电池储能充电以储备能量，如图4(a)中第1、2天和4(b)中第2天所示，在离网期间风光出力较低时，通过燃料电池和电池储能系统补充负荷功率缺额，如图中第3、4、5天所示。
(2)日前随机优化结果分析
优化周期内各天的日前随机优化调度结果如图5所示。从图5可以看出，第1天风光出力较高，离网阶段的部分负荷转入。同时，在风光出力较高的时段，除供给负荷外多余的风光发电量通过电池储能系统和电解水制氢储存，并且在电价较高时段售电(如第1天18-22点、第2天18-20点)，在电价较低时段购电(如第1天和第2天的23-0点)，以获取最大收益。
(3)结论
实施例结果表明：本发明所提出的方法能够显著增强微电网应对极端自然灾害的抗风险能力，提升供电可靠性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种考虑非计划离网风险的氢能微网滚动优化调度方法，其特征是，首先通过非计划离网风险评估获得微电网离网的预估开始时间和持续时间；然后进行长周期源荷能量匹配评估及优化：基于可再生能源和负荷长时间范围内的能量预测信息，制定长时间范围内与电网交互量、储能系统能量存储和负荷转移计划，在保证供电可靠概率最大化的同时最小化与电网交互量和负荷转移量；最后进行基于条件风险价值的日前随机优化调度：在日前调度阶段考虑日前调度结束后的能量备用约束制定最优日前调度计划。
2.如权利要求1所述的考虑非计划离网风险的氢能微网滚动优化调度方法，其特征是，非计划离网风险评估具体步骤如下：
根据Batts风场模型，台风的衰减以及持续时间和台风中心气压差相关，台风持续时间T如式(1)所示，ΔH0(t)是t0时刻的台风中心气压差，单位为hPa；ξ和θ分别表示海岸线、台风行进路径与正北方向的顺时针夹角，Tmax为台风持续时间上限；台风持续天数为
dT天，则
Figure FDA0004168220540000014
Figure FDA0004168220540000011
首先根据杆塔和线路承受的风速计算其失效概率；其次利用微元法计算台风持续期间架空线路构件的累计失效概率；同一条架空线路上的杆塔和线路组成了一个串联系统，继而以计算出架空线路的累积失效概率：
Figure FDA0004168220540000012
对于离网时间，按照式(2)判断，式(2)表示架空线路失效概率pg大于80％时，认为微电网发生非计划离网，dbegin为开始离网的时间。
3.如权利要求1所述的考虑非计划离网风险的氢能微网滚动优化调度方法，其特征是，长周期源荷能量匹配评估及优化方法寻求在第i天到第i+n天之间可靠供电的最大概率、最小电网交互成本和最小负荷转移能量之间的平衡，同时考虑与运行相关的一组约束条件，数学公式表示为：
(1)目标函数
Figure FDA0004168220540000013
/>
Figure FDA0004168220540000021
式中，可靠供电概率Pi,d的计算包含并网阶段和离网阶段两部分，如式(4)所示,等式右侧部分代表能量供给大于能量需求的概率，反映出该天的源荷能量匹配度特征,
Figure FDA0004168220540000022
Figure FDA0004168220540000023
和/>
Figure FDA0004168220540000024
分别为光伏、风电和负荷能量预测值/预测误差，均为随机变量，其累计概率分布可根据历史数据拟合得到；/>
Figure FDA0004168220540000025
和/>
Figure FDA0004168220540000026
分别为电池储能系统在第d天的能量净增加量和净减少量；/>
Figure FDA0004168220540000027
为第i次优化前的负荷净转移量；/>
Figure FDA0004168220540000028
和
Figure FDA0004168220540000029
分别为负荷转入量和转出量；/>
Figure FDA00041682205400000210
和/>
Figure FDA00041682205400000211
分别为购电量和售电量，离网期间均为0；/>
Figure FDA00041682205400000212
和/>
Figure FDA00041682205400000213
分别为燃料电池放电量和电解水制氢系统的耗电量；
(2)约束条件
1)储能系统约束
长周期能量匹配评估和优化模型中不考虑储能系统在充放电过程中的能量损耗，储能系统约束包括：
①储能系统的荷电状态SOC的时序约束；
②SOC的最大值和最小值约束；
③储能系统的运行状态约束；
2)燃料电池约束
燃料电池约束为燃料电池消耗的氢气量和燃料电池发电量之间的约束；
3)电解槽约束
电解槽约束为电解槽生产的氢气量和电解槽用电量之间的约束；
4)储氢罐约束
储氢罐约束包括：
①储氢罐的氢气压力水平LOH的时序约束；
②LOH的最大值和最小值约束；
5)负荷能量转移约束
受负荷特性的影响，不可转移负荷不参加负荷转移计划的制定，因此每日负荷转移量不超过当天负荷能量预测值的某一范围。负荷能量转移约束包括：
①负荷转移前后能量平衡约束；
②负荷转移量上下限约束；
6)与电网交互量约束
与电网交互量约束为微电网向配电网购/售电的最大值和最小值约束。
4.如权利要求3所述的考虑非计划离网风险的氢能微网滚动优化调度方法，其特征是，针对式(3)所示优化问题，采用多目标规划算法进行求解。
5.如权利要求3所述的考虑非计划离网风险的氢能微网滚动优化调度方法，其特征是，基于条件风险价值的日前随机优化调度具体步骤：
建立基于场景的日前随机优化模型来处理光伏和负荷的不确定性，条件风险价值CVaR用于衡量光伏和负荷的不确定性导致的风险成本,采用拉丁超立方采样法生成大量日前光伏、风电和负荷预测误差场景，并采用后向缩减法进行场景削减，得到光伏、风电和负荷的典型场景：
(1)目标函数
日前随机优化的目标函数为综合调度成本，包含调度成本和风险成本，公式如下：
f＝minCE+σCCVaR (5)
式(5)中，调度成本CE包括电解槽运行成本、燃料电池运行成本、储氢罐运行成本、电池储能运行成本、购售电成本、弃光惩罚成本、弃风惩罚成本和失负荷惩罚成本,调度风险成本CCVaR表示为：
Figure FDA0004168220540000031
式中，ζ为辅助变量，其最优值为风险价值(Value at Risk,VaR)；α为CVaR置信度；Cs为场景s下的调度成本；[x]+＝max{x,0}；
(2)约束条件
1)电功率平衡约束
2)储能运行约束
①考虑充/放电效率的储能系统的荷电状态SOC的时序约束；
②SOC的最大值和最小值约束；
③充/放电功率的最大值和最小值约束；
3)氢能子系统运行约束
①燃料电池功率和电解槽功率与氢气的物质的量之间的约束；
②燃料电池和电解槽最大功率约束；
③储氢罐的LOH时序约束；
④LOH的最大值和最小值约束；
4)与电网交互量约束
与电网交互量约束为微电网向配电网购/售电的最大值和最小值约束；
5)备用电量需求约束
为保障微网具有足够的应对离网风险的韧性，日前随机优化制定的调度策略在第i天调度结束时包括氢能系统和电池储能系统的备用能量应不低于第i次长周期源荷匹配评估与优化时第i+1～i+n天的备用能量；
日前随机优化模型是一个混合整数线性规划问题，通过成熟的商用求解器求解。
CN202310369874.3A 2023-04-09 2023-04-09 考虑非计划离网风险的氢能微网滚动优化调度方法 Pending CN116247745A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310369874.3A CN116247745A (zh) 2023-04-09 2023-04-09 考虑非计划离网风险的氢能微网滚动优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310369874.3A CN116247745A (zh) 2023-04-09 2023-04-09 考虑非计划离网风险的氢能微网滚动优化调度方法

Publications (1)

Publication Number Publication Date
CN116247745A true CN116247745A (zh) 2023-06-09

Family

ID=86624435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310369874.3A Pending CN116247745A (zh) 2023-04-09 2023-04-09 考虑非计划离网风险的氢能微网滚动优化调度方法

Country Status (1)

Country Link
CN (1) CN116247745A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备
CN116911076B (zh) * 2023-09-12 2024-03-19 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN107069814B (zh) 配网分布式电源容量布点的模糊机会约束规划方法与系统
CN110909954B (zh) 一种最大化可再生能源利用的多阶段电源规划方法
CN107482690B (zh) 风电与电动汽车协同调度的电力系统调度优化方法及系统
CN113850474B (zh) 一种热电氢多能流综合能源系统及其优化调度方法
CN110601260B (zh) 一种限定联络线上功率波动的光-蓄系统容量优化方法
CN107104462B (zh) 一种用于风电场储能调度的方法
CN114336599B (zh) 一种独立型微电网动态优化调度方法
CN112886645B (zh) 一种基于氢能超高比例的新能源电力系统运行模拟方法
CN112600209A (zh) 一种含潮流能的海岛独立微电网容量多目标优化配置方法
CN112990523A (zh) 基于多目标模型预测控制的区域综合能源系统分层优化运行方法
CN112366684A (zh) 一种海岛微电网系统
CN111585295B (zh) 一种基于laes-caes的储能配置方法
CN117175543A (zh) 一种可调节负荷的配电网规划策略优化方法及系统
CN114362268A (zh) 基于风光荷两级预测的综合能源供电系统优化调度方法
CN116247745A (zh) 考虑非计划离网风险的氢能微网滚动优化调度方法
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
CN110490479A (zh) 一种选择风电场储能的方法
CN110768306B (zh) 一种提高保底电网中微电网应急能力的电源容量配置方法
CN110417002B (zh) 一种孤岛微电网能量模型的优化方法
CN111985844A (zh) 一种风力及光能综合能源系统日前经济调度方法
Du et al. A bi-level multi-objective planning method for microgrid with offshore wind power
CN105939013A (zh) 最小化弃风电量的风电场发电权置换电量评估方法
Wang et al. Coordinated Economic Dispatch of Wind-Photovoltaic-Thermal-Storage System Considering the Environmental Cost
Zhao et al. Risk-constrained day-ahead scheduling for wind power and pumped hydro storage based on information-gap decision theory
CN116484553B (zh) 一种考虑多能互补的微电网优化设计方法

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