CN116307505A - 一种企业微电网能量经济优化调度方法 - Google Patents

一种企业微电网能量经济优化调度方法 Download PDF

Info

Publication number
CN116307505A
CN116307505A CN202310082108.9A CN202310082108A CN116307505A CN 116307505 A CN116307505 A CN 116307505A CN 202310082108 A CN202310082108 A CN 202310082108A CN 116307505 A CN116307505 A CN 116307505A
Authority
CN
China
Prior art keywords
power
grid
micro
day
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
CN202310082108.9A
Other languages
English (en)
Inventor
司文旭
万俊杰
方严
李新颜
郑孝雨
史学超
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.)
Jiangsu Ankeri Microgrid Research Institute Co ltd
Acrel Co Ltd
Jiangsu Acrel Electrical Manufacturing Co Ltd
Original Assignee
Jiangsu Ankeri Microgrid Research Institute Co ltd
Acrel Co Ltd
Jiangsu Acrel Electrical Manufacturing 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 Jiangsu Ankeri Microgrid Research Institute Co ltd, Acrel Co Ltd, Jiangsu Acrel Electrical Manufacturing Co Ltd filed Critical Jiangsu Ankeri Microgrid Research Institute Co ltd
Priority to CN202310082108.9A priority Critical patent/CN116307505A/zh
Publication of CN116307505A publication Critical patent/CN116307505A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • H02J3/007—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种企业微电网能量经济优化调度方法，该方法包括1)分析企业微电网发电与用电系统运行特性，建立各系统运行模型；2)根据系统运行模型，结合各系统历史运行数据，采用最优预测算法，进行发电与用电功率预测；3)根据微电网系统功率预测结果，结合各系统运行成本与约束条件，建立基于日前的微电网经济环保最优、安全可靠的多目标函数，采用改进遗传算法进行求解，获取日前最优调度计划；4)基于日前最优调度计划，结合短时预测结果，建立日内优化目标函数和约束条件，采用改进遗传算法进行求解，获取日内最优调度计划；5)下发日内最优调度计划到各系统设备中。与现有技术相比，本发明具有实现微电网经济优化运行的目的等优点。

Description

一种企业微电网能量经济优化调度方法
技术领域
本发明涉及微电网优化调度领域，尤其是涉及一种企业微电网能量经济优化调度方法。
背景技术
新型电力系统下，以风力、光伏为主的清洁能源，在电力系统中的占比逐渐增加，而为了更好的降低这些清洁能源带来的波动、间歇以及不确定性的影响，同时为应对峰谷价差的逐渐拉大，一般通过配置储能系统给予解决，特别是在以园区、工商业企业为主的微电网系统中，风光配储系统更加普遍。
但限于原材料与技术的问题，导致储能系统的建设成本居高不下，传统的储能系统仅用于备用电源与削峰填谷的策略，已无法满足微电网系统经济性的要求，针对于此，相关研究采用优化调度方法实现系统运行的经济性，但相关调度方法多采用单一算法与单一尺度进行模型优化与求解，很难适应因运行条件与周围环境的变化，导致的系统运行不稳定与经济不最优的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种企业微电网能量经济优化调度方法。
本发明的目的可以通过以下技术方案来实现：
根据本发明的一个方面，提供了一种企业微电网能量经济优化调度方法，该方法包括以下步骤：
步骤1)分析企业微电网发电与用电系统运行特性，建立各系统运行模型；
步骤2)根据系统运行模型，结合各系统历史运行数据，采用最优预测算法，进行发电与用电功率预测；
步骤3)根据微电网系统功率预测结果，结合各系统运行成本与约束条件，建立基于日前的微电网经济环保最优、安全可靠的多目标函数，采用改进遗传算法进行求解，获取日前最优调度计划；
步骤4)基于日前最优调度计划，结合短时预测结果，建立日内优化目标函数和约束条件，采用改进遗传算法进行求解，获取日内最优调度计划；
步骤5)下发日内最优调度计划到各系统设备中，实现微电网安全可靠、经济最优的运行目的。
作为优选的技术方案，所述的步骤1)具体为：
分析微电网发用电系统运行特性，具体包括风电系统、光伏系统、储能系统、负荷系统的运行特性，并建立其数学模型；
其中所述风电系统的数学模型为一个分阶段函数，具体为：
Figure BDA0004067806820000021
其中，Pwind为风力发电的输出功率，Pwr为额定功率，R为实际风速，Ri为切入风速，Rt为额定风速，Ro为切出风速，a、b、c为模型参数，由风机厂家的风速功率曲线获得；
所述光伏系统的数学模型为：
Figure BDA0004067806820000022
其中，Ppv为光伏发电的输出功率，Pmax，0为光伏发电系统在标准测试条件下的最大输出功率，μpmax为温度引起输出最大功率变化系数，G为太阳能辐射强度，T为光伏电池绝对温度，Gref为标准环境下太阳能辐照强度，Tref为标准温度；
所述的储能系统的数学模型为：
Figure BDA0004067806820000023
其中，SOC(t)、SOC(t-1)为t、t-1时刻的电池剩余电能，ε为自放电率，Eb为电池的容量，Pb.c、Pb.d为电池充放电功率，ηc、ηd为充放电效率；
所述的负荷系统的数学模型为：。
P′Load(t)＝PLoad0(t)-μL*PLoad(t)
其中，P′Load(t)为t时段采用负荷中断后的负荷供给量；PLoad0(t)为t时段的可中断负荷用户需求量；PLoad0(t)为t时段的可中断负荷调整量；μL为0-1变量，表示可中断负荷的运行状态，0表示不进行中断，1表示进行中断。
作为优选的技术方案，所述的步骤2)中的结合各系统历史运行数据与环境信息，具体包括光伏系统的历史运行数据、温度、湿度、风速、辐照度；风电系统的历史运行数据、风速、风向角度、风力等级、降水量、气压；负荷系统的负荷历史运行数据、最高温度、最低温度、平均温度、相对湿度、降雨量。
作为优选的技术方案，所述的步骤2)中的采用各系统最优预测算法，进行发用电功率预测具体包括光伏系统采用鲸鱼优化算法优化长短期记忆网络的预测模型进行光伏输出功率预测；风电系统采用XGBOOST极限梯度提升模型进行风电输出功率预测；负荷系统采用随机森林回归模型进行负荷功率预测；结合未来环境信息，分别获取日前每小时各个系统的功率值。
作为优选的技术方案，所述的步骤3)中的各系统运行成本与约束条件，其中运行成本包括用电成本、维护成本、环境成本；约束条件包括功率平衡约束、储能容量约束、联络线功率约束。
作为优选的技术方案，所述的用电成本，计算如下：
Figure BDA0004067806820000031
其中，Cgrid为用电成本，esell(t)、ebuy(t)分别为t时售电价格和购电价格，Pgrid.sell(t)、Pgrid.buy(t)分别为微电网向电网售电量和购电量，t为时间，T为优化周期，Δt为第t时段的时长；
所述的维护成本，计算如下：
Figure BDA0004067806820000032
其中，Kom，i为设备i的运行维护系数，Pi(t)为所需维护的设备容量大小，N为设备总数，t为时间，T为优化周期；
所述的环境成本，计算如下：
Figure BDA0004067806820000033
其中，fi(t)为i设备排放的污染物，Ktre，i，j为相应污染物j的治理成本，Kex，i，j为相应污染物j的排放系数，N为设备总数，M为污染物种类，t为时间，T为优化周期。
作为优选的技术方案，所述的功率平衡约束具体为：
Pgrid(t)+Pbat(t)+Ppv(t)+Pwind(t)＝Pload(t)
其中，Pgrid(t)微电网与大电网交换功率，Pgrid(t)＞0表示电能从大电网流向微电网、Pgrid(t)＜0表示电能从微电网流向大电网；Pbat(t)为储能充放电功率，Pbat(t)＞0表示储能系统放电、Pbat(t)＜0表示储能系统充电，Ppu(t)表示光伏系统的有功功率输出、Pwind(t)表示风电系统的有功功率输出、Pload(t)表示负荷系统所吸收的有功功率；为保障微电网安全稳定的运行，延长分布式电源的使用寿命，还需要保证微电网中风电与光伏发电单元始终保持在其发电功率的上限和下限范围之内运行；
所述储能容量约束具体为：
SOCmin＜SOC(t)＜SOCmax
Figure BDA0004067806820000041
Figure BDA0004067806820000042
其中，SOCmin为保持电池正常运行的荷电水平下限、SOCmax为保持电池正常运行的荷电水平上限；SOC(t)为储能剩余容量与额定容量的百分比、
Figure BDA0004067806820000043
为储能的放电功率、
Figure BDA0004067806820000044
为储能的充电功率；/>
Figure BDA0004067806820000045
为放电功率上限，/>
Figure BDA0004067806820000046
为充电功率上限；
所述联络线功率约束：
Figure BDA0004067806820000047
Figure BDA0004067806820000048
其中
Figure BDA0004067806820000049
为从电网流向微电网时的联络线功率、/>
Figure BDA00040678068200000410
为从微电网流向电网时的联络线功率，/>
Figure BDA00040678068200000411
为功率从电网流向微电网时联络线所能达到的最大功率值，/>
Figure BDA00040678068200000412
为功率从微电网流向大电网时联络线所能达到的最大功率值。
作为优选的技术方案，所述的步骤3)中建立基于日前的微电网经济环保最优、安全可靠的多目标函数，具体为建立以用电费用最低、维护费用最低以及环境污染成本最小为目标，以功率平衡、满足设备运行范围为约束条件的多目标函数；
所述的步骤3)中采用改进优化算法进行求解，具体为采用改进的遗传算法进行求解，获取日前光伏、风电、储能系统日前各个小时功率出力值。
作为优选的技术方案，所述的步骤4)中短时预测结果，具体为预测未来4个小时16个时段微电网中光伏、风电和负荷功率值；
所述的步骤4)中建立日内优化目标函数和约束条件，具体参考日前目标函数和约束条件；
所述的步骤4)中采用改进算法进行求解，获取日内最优调度计划，具体为采用改进的遗传算法进行求解，获取日内光伏、风电、储能系统未来4小时每15min的出力值。
作为优选的技术方案，所述的步骤5)中下发日内最优调度计划到各系统设备中，具体为将日内生成的未来15min的各个系统出力值，下发到各系统设备中，实现微电网安全可靠、经济最优的运行目的。
与现有技术相比，本发明通过建立各系统功率预测模型进行功率预测、日前优化、日内优化模型与求解算法，改善日前调度中，因系统运行条件变化，导致的系统运行不稳定与经济不最优的问题，通过给出基于安全可靠、经济环保最优的多目标的功率调度计划，实现微电网经济优化运行的目的。
附图说明
图1为本发明的优化调度流程图。
图2为典型的企业微电网系统图。
图3为基于WOA-LSTM的光伏发电功率预测图。
图4为基于XGBOOST的风力发电功率预测图。
图5为基于随机森林回归模型的用电负荷预测图。
图6为改进遗传算法流程图。
图7为算法收敛曲线图。
图8为各系统出力计划示意图。
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明结合各系统运行特性、运行成本、环境影响度等几个维度，建立多目标多时间尺度的微电网运行模型，并采用改进的遗传算法，获取系统经济最优、效益最好的各系统出力计划，实现微电网微电网安全可靠、经济最优的运行目的。
参照附图1，是根据本发明的实施例提供的一种微电网优化调度的流程图。
参照附图2，为具体实施例所参考的企业微电网系统图，该系统包括：光伏系统、风电系统、储能系统、电网与负荷，具体的参数如图所示。
步骤1：分析微电网发电与用电系统运行特性，建立各系统运行模型；
步骤2：根据系统运行模型，结合各系统历史运行数据与环境信息，采用各系统最优预测算法，进行发用电功率预测；
步骤3：根据微电网系统预测结果，结合各系统运行成本与约束条件，建立基于日前的微电网经济环保最优、安全可靠的多目标函数，采用改进遗传算法进行求解，获取日前最优调度计划；
步骤4：基于日前最优调度计划，结合短时预测结果，建立日内优化目标函数和约束条件，采用改进优化算法进行求解，获取日内最优调度计划；
步骤5：下发日内最优调度计划到各系统设备中，实现微电网安全可靠、经济最优的运行目的。
步骤1：分析微电网发用电系统运行特性，具体包括风电系统、光伏系统、储能系统、负荷系统的运行特性，并建立其数学模型。
风电系统数学模型为一个分阶段函数，具体为：
Figure BDA0004067806820000061
其中，Pwind为风力发电的输出功率，Pwr为额定功率，R为实际风速，Ri为切入风速，Rt为额定风速，Ro为切出风速，a、b、c为模型参数，由风机厂家的风速功率曲线获得。
光伏系统数学模型为：
Figure BDA0004067806820000062
其中，Ppv为光伏发电的输出功率，Pmax，0为光伏发电系统在标准测试条件下的最大输出功率，μpmax为温度引起输出最大功率变化系数(W/℃)，G为太阳能辐射强度，T为光伏电池绝对温度，Gref为标准环境下太阳能辐照强度1000W/m2，Tref为标准温度298K。
储能系统数学模型为：
Figure BDA0004067806820000071
其中，SOC(t)、SOC(t-1)为t、t-1时刻的电池剩余电能，ε为自放电率，Eb为电池的容量，Pb.c、Pb.d为电池充放电功率，ηc、ηd为充放电效率。
各系统历史运行数据与环境信息，具体包括光伏系统包括历史运行数据、温度、湿度、风速、辐照度等；风电系统包括历史运行数据、风速、风向角度、风力等级、降水量、气压等；负荷系统包括负荷历史运行数据、最高温度、最低温度、平均温度、相对湿度、降雨量等。
步骤2：采用各系统最优预测算法，进行发用电功率预测，其中光伏系统采用鲸鱼优化算法(WOA)优化长短期记忆网络(LSTM)的预测模型进行光伏输出功率预测；风电系统采用XGBOOST极限梯度提升模型进行风电输出功率预测；负荷系统采用随机森林回归模型进行负荷功率预测。预测结果如图3、4、5所示。
步骤3：结合各系统运行成本与约束条件，其中运行成本有用电成本、维护成本、环境成本；约束条件有功率平衡约束、储能容量约束、联络线功率约束。
运行成本的用电成本，计算如下：
Figure BDA0004067806820000072
其中，Cgrid为用电成本，esell(t)、ebuy(t)为t时售购电价格，Pgrid.sell(t)*Δt、Pgrid.buy(t)*Δt为Δt时段微电网向电网售购电量，t为时间，T为优化周期。
运行成本的维护成本，计算如下：
Figure BDA0004067806820000073
其中，Kom，i为设备i的运行维护系数，Pi(t)*Δt为Δt时段所需维护的设备容量大小，N为设备总数，t为时间，T为优化周期。
运行成本的环境成本，计算如下：
Figure BDA0004067806820000074
其中，fi(t)*Δt为Δt时段i设备排放的污染物，Ktre，i，j为相应污染物j的治理成本，Kex，i，j为相应污染物j的排放系数，N为设备总数，M为污染物种类，t为时间，T为优化周期。
约束条件之功率平衡约束：
Pgrid(t)+Pbat(t)+Ppv(t)+Pwind(t)＝Pload(t)
其中，Pgrid(t)微电网与大电网交换功率，Pgrid(t)＞0表示电能从大电网流向微电网、Pgrid(t)＜0表示电能从微电网流向大电网；Pbat(t)为储能充放电功率，Pbat(t)＞0表示储能系统放电、Pbat(t)＜0表示储能系统充电。
约束条件之储能容量约束：
SOCmin＜SOC(t)＜SOCmax
Figure BDA0004067806820000081
Figure BDA0004067806820000082
其中，SOCmin为保持电池正常运行的荷电水平下限、SOCmax为保持电池正常运行的荷电水平上限；
Figure BDA0004067806820000083
为放电功率上限，/>
Figure BDA0004067806820000084
为充电功率上限。
约束条件之联络线功率约束：
Figure BDA0004067806820000085
Figure BDA0004067806820000086
其中，
Figure BDA0004067806820000087
为功率从电网流向微电网时联络线所能达到的最大功率值，
Figure BDA0004067806820000088
为功率从微电网流向大电网时联络线所能达到的最大功率值。
表1
WT PV BT
安装费用(万元/kW) 2.42 6.60 0.62
使用年限(年) 10 20 10
出力上限(kW) 250 120 60
出力下限(kW) 0 0 -60
运维护费用(元/kW) 0.314 0.014 0.0017
蓄电池额定容量300kWh；微网与大电网的交互功率为[-150kW，150kW]；光伏发电成本0.65元/kWh，风机发电成本0.52元/kWh，储能成本0.51元/kWh，储能充放电功率[-60kW，60kW]，储能电池SOC范围[0.15，0.9]，爬坡约束为[-0.05，0.05]，储能电池每天的充放电次数不超过8次。由于本实例不涉及柴油发电、燃气轮机发电，对于环境成本不做考虑。
步骤3：建立基于日前的微电网经济最优、安全可靠的多目标函数，具体为建立以用电费用最低、维护费用最低为目标，以功率平衡、满足设备运行范围为约束条件的多目标函数。并采用改进的遗传算法进行求解，具体的算法流程图如图6所示，获取日前光伏、风电、储能系统日前各个小时功率出力值。。
步骤4：结合日内天气预测，对未来4个小时16个时段(一个时段15min)微电网中光伏、风电和负荷功率值进行预测。同时建立日内优化目标函数和约束条件，具体参考日前目标函数和约束条件；同样采用改进遗传算法进行求解，获取日内最优调度计划，如图7所示。
步骤5：下发日内最优调度计划到各系统设备中，按照生成的调度计划进行出力。
通过算法收敛曲线可知，采用本发明的优化调度算法运行成本为1760.78元，相对于不采用调度算法的运行成本2078.26元，单日成本降低了317.48元。
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揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种企业微电网能量经济优化调度方法，其特征在于，该方法包括以下步骤：
步骤1)分析企业微电网发电与用电系统运行特性，建立各系统运行模型；
步骤2)根据系统运行模型，结合各系统历史运行数据，采用最优预测算法，进行发电与用电功率预测；
步骤3)根据微电网系统功率预测结果，结合各系统运行成本与约束条件，建立基于日前的微电网经济环保最优、安全可靠的多目标函数，采用改进遗传算法进行求解，获取日前最优调度计划；
步骤4)基于日前最优调度计划，结合短时预测结果，建立日内优化目标函数和约束条件，采用改进遗传算法进行求解，获取日内最优调度计划；
步骤5)下发日内最优调度计划到各系统设备中，实现微电网安全可靠、经济最优的运行目的。
2.根据权利要求1所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的步骤1)具体为：
分析微电网发用电系统运行特性，具体包括风电系统、光伏系统、储能系统、负荷系统的运行特性，并建立其数学模型；
其中所述风电系统的数学模型为一个分阶段函数，具体为：
Figure FDA0004067806800000011
其中，Pwind为风力发电的输出功率，Pwr为额定功率，R为实际风速，Ri为切入风速，Rt为额定风速，Ro为切出风速，a、b、c为模型参数，由风机厂家的风速功率曲线获得；
所述光伏系统的数学模型为：
Figure FDA0004067806800000012
其中，Ppv为光伏发电的输出功率，Pmax,为光伏发电系统在标准测试条件下的最大输出功率，μpmax为温度引起输出最大功率变化系数，G为太阳能辐射强度，T为光伏电池绝对温度，Gref为标准环境下太阳能辐照强度，Tref为标准温度；
所述的储能系统的数学模型为：
Figure FDA0004067806800000021
其中，SOC(t)、SOC(t-1)为t、t-1时刻的电池剩余电能，ε为自放电率，Eb为电池的容量，Pb.c、Pb.d为电池充放电功率，ηc、ηd为充放电效率；
所述的负荷系统的数学模型为：
P′Load(t)=PLoad0(t)-μL*PLoad(t)
其中，P′Load(t)为t时段采用负荷中断后的负荷供给量；PLoad0(t)为t时段的可中断负荷用户需求量；PLoad0(t)为t时段的可中断负荷调整量；μL为0-1变量，表示可中断负荷的运行状态，0表示不进行中断，1表示进行中断。
3.根据权利要求1所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的步骤2)中的结合各系统历史运行数据与环境信息，具体包括光伏系统的历史运行数据、温度、湿度、风速、辐照度；风电系统的历史运行数据、风速、风向角度、风力等级、降水量、气压；负荷系统的负荷历史运行数据、最高温度、最低温度、平均温度、相对湿度、降雨量。
4.根据权利要求1所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的步骤2)中的采用各系统最优预测算法，进行发用电功率预测具体包括光伏系统采用鲸鱼优化算法优化长短期记忆网络的预测模型进行光伏输出功率预测；风电系统采用XGBOOST极限梯度提升模型进行风电输出功率预测；负荷系统采用随机森林回归模型进行负荷功率预测；结合未来环境信息，分别获取日前每小时各个系统的功率值。
5.根据权利要求1所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的步骤3)中的各系统运行成本与约束条件，其中运行成本包括用电成本、维护成本、环境成本；约束条件包括功率平衡约束、储能容量约束、联络线功率约束。
6.根据权利要求5所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的用电成本，计算如下：
Figure FDA0004067806800000022
其中，Cgrid为用电成本，esell(t)、ebuy(t)分别为t时售电价格和购电价格，Pgrid.sell(t)、Pgrid.buy(t)分别为微电网向电网售电量和购电量，t为时间，T为优化周期，Δt为第t时段的时长；
所述的维护成本，计算如下：
Figure FDA0004067806800000031
其中，Kom,i为设备i的运行维护系数，Pi(t)为所需维护的设备容量大小，N为设备总数，t为时间，T为优化周期；
所述的环境成本，计算如下：
Figure FDA0004067806800000032
其中，fi(t)为i设备排放的污染物，Ktre,i,j为相应污染物j的治理成本，Kex,i,j为相应污染物j的排放系数，N为设备总数，M为污染物种类，t为时间，T为优化周期。
7.根据权利要求5所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的功率平衡约束具体为：
Pgrid(t)+Pbat(t)+Ppv(t)+Pwind(t)＝Pload(t)
其中，Pgrid(t)微电网与大电网交换功率，Pgrid(t)＞0表示电能从大电网流向微电网、Pgrid(t)＜0表示电能从微电网流向大电网；Pbat(t)为储能充放电功率，Pbat(t)＞0表示储能系统放电、Pbat(t)＜0表示储能系统充电，Ppv(t)表示光伏系统的有功功率输出、Pwind(t)表示风电系统的有功功率输出、Pload(t)表示负荷系统所吸收的有功功率；为保障微电网安全稳定的运行，延长分布式电源的使用寿命，还需要保证微电网中风电与光伏发电单元始终保持在其发电功率的上限和下限范围之内运行；
所述储能容量约束具体为：
SOCmin＜SOC(t)＜SOCmax
Figure FDA0004067806800000033
Figure FDA0004067806800000034
其中，SOCmin为保持电池正常运行的荷电水平下限、SOCmax为保持电池正常运行的荷电水平上限；SOC(t)为储能剩余容量与额定容量的百分比、
Figure FDA0004067806800000035
为储能的放电功率、
Figure FDA0004067806800000036
为储能的充电功率；/>
Figure FDA0004067806800000037
为放电功率上限，/>
Figure FDA0004067806800000038
为充电功率上限；
所述联络线功率约束：
Figure FDA0004067806800000041
Figure FDA0004067806800000042
其中
Figure FDA0004067806800000043
为从电网流向微电网时的联络线功率、/>
Figure FDA0004067806800000044
为从微电网流向电网时的联络线功率，/>
Figure FDA0004067806800000045
为功率从电网流向微电网时联络线所能达到的最大功率值，/>
Figure FDA0004067806800000046
为功率从微电网流向大电网时联络线所能达到的最大功率值。
8.根据权利要求1所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的步骤3)中建立基于日前的微电网经济环保最优、安全可靠的多目标函数，具体为建立以用电费用最低、维护费用最低以及环境污染成本最小为目标，以功率平衡、满足设备运行范围为约束条件的多目标函数；
所述的步骤3)中采用改进优化算法进行求解，具体为采用改进的遗传算法进行求解，获取日前光伏、风电、储能系统日前各个小时功率出力值。
9.根据权利要求1所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的步骤4)中短时预测结果，具体为预测未来4个小时16个时段微电网中光伏、风电和负荷功率值；
所述的步骤4)中建立日内优化目标函数和约束条件，具体参考日前目标函数和约束条件；
所述的步骤4)中采用改进算法进行求解，获取日内最优调度计划，具体为采用改进的遗传算法进行求解，获取日内光伏、风电、储能系统未来4小时每15min的出力值。
10.根据权利要求1所述的一种企业微电网能量经济优化调度方法，其特征在于，所述的步骤5)中下发日内最优调度计划到各系统设备中，具体为将日内生成的未来15min的各个系统出力值，下发到各系统设备中，实现微电网安全可靠、经济最优的运行目的。
CN202310082108.9A 2023-01-17 2023-01-17 一种企业微电网能量经济优化调度方法 Pending CN116307505A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310082108.9A CN116307505A (zh) 2023-01-17 2023-01-17 一种企业微电网能量经济优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310082108.9A CN116307505A (zh) 2023-01-17 2023-01-17 一种企业微电网能量经济优化调度方法

Publications (1)

Publication Number Publication Date
CN116307505A true CN116307505A (zh) 2023-06-23

Family

ID=86815873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310082108.9A Pending CN116307505A (zh) 2023-01-17 2023-01-17 一种企业微电网能量经济优化调度方法

Country Status (1)

Country Link
CN (1) CN116307505A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060408A (zh) * 2023-10-13 2023-11-14 国网浙江省电力有限公司宁波供电公司 新能源发电预测方法及系统
CN117254505A (zh) * 2023-09-22 2023-12-19 南方电网调峰调频(广东)储能科技有限公司 基于数据处理的储能电站优化运行模式决策方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117254505A (zh) * 2023-09-22 2023-12-19 南方电网调峰调频(广东)储能科技有限公司 基于数据处理的储能电站优化运行模式决策方法及系统
CN117254505B (zh) * 2023-09-22 2024-03-26 南方电网调峰调频(广东)储能科技有限公司 基于数据处理的储能电站优化运行模式决策方法及系统
CN117060408A (zh) * 2023-10-13 2023-11-14 国网浙江省电力有限公司宁波供电公司 新能源发电预测方法及系统
CN117060408B (zh) * 2023-10-13 2024-05-28 国网浙江省电力有限公司宁波供电公司 新能源发电预测方法及系统

Similar Documents

Publication Publication Date Title
Chen et al. Smart energy management system for optimal microgrid economic operation
CN102623989B (zh) 一种间歇分布式电源优化配置方法
Logenthiran et al. Short term generation scheduling of a microgrid
Palma-Behnke et al. Energy management system for a renewable based microgrid with a demand side management mechanism
US8718850B2 (en) Systems and methods for using electric vehicles as mobile energy storage
Meiqin et al. Multi-objective economic dispatch model for a microgrid considering reliability
CN111293691A (zh) 基于模型预测控制的微电网多时间尺度优化调度方法
CN116307505A (zh) 一种企业微电网能量经济优化调度方法
CN112039056A (zh) 一种新能源两阶段优化调度方法
CN110807588B (zh) 一种多能源耦合综合能源系统的优化调度方法
Liao et al. BESS-sizing optimization for solar PV system integration in distribution grid
Gitizadeh et al. Effects of electricity tariffs on optimal battery energy storage sizing in residential PV/storage systems
Nayak et al. Technoeconomic analysis of a grid-connected PV and battery energy storagesystem considering time of use pricing
CN116061742B (zh) 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN114944661B (zh) 一种基于储能系统滚动优化的微电网三阶段优化控制方法
Zheng et al. Optimal dispatch for reversible solid oxide cell-based hydrogen/electric vehicle aggregator via stimuli-responsive charging decision estimation
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
CN108667071B (zh) 一种主动配电网负荷精准控制计算方法
Mohamed et al. Domestic battery power management strategies to maximize the profitability and support the network
Tangwiwat et al. Benefit and cost analysis of the installation of rooftop solar PV with battery system
CN110119850B (zh) 基于光热发电调节的储热量双阶段优化调度方法
CN114491997B (zh) 考虑需求响应及电动汽车的虚拟电厂运行优化方法及系统
Awad et al. Exploiting day-ahead electricity price for maximized profit of photovoltaic systems
Yuasa et al. Power energy cost reduction effects by applying optimized long-term storage battery operation strategy
An et al. One-day-ahead cost optimisation for a multi-energy source building using a genetic algorithm

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