CN116365597A - 一种基于多代理算法的源-网-荷-储双层协同优化方法 - Google Patents

一种基于多代理算法的源-网-荷-储双层协同优化方法 Download PDF

Info

Publication number
CN116365597A
CN116365597A CN202310245943.XA CN202310245943A CN116365597A CN 116365597 A CN116365597 A CN 116365597A CN 202310245943 A CN202310245943 A CN 202310245943A CN 116365597 A CN116365597 A CN 116365597A
Authority
CN
China
Prior art keywords
load
network
cost
layer
agent
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
CN202310245943.XA
Other languages
English (en)
Inventor
陈健
黄一轩
胡明
鲁桂良
温见能
何磊
甘元兴
曾勇
周海伟
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.)
State Grid Corp of China SGCC
Fengdu Power Supply Co of State Grid Chongqing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Fengdu Power Supply Co of State Grid Chongqing 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 State Grid Corp of China SGCC, Fengdu Power Supply Co of State Grid Chongqing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Publication of CN116365597A publication Critical patent/CN116365597A/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
    • G06Q10/04—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution 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
    • 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
    • H02J3/46—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]

Landscapes

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

Abstract

本发明公开了一种基于多代理算法的源‑网‑荷‑储双层协同优化方法，包括以下步骤：构建源‑网‑荷‑储多代理系统；基于多代理系统，构建源‑网‑荷‑储协同优化模型；利用双层嵌套优化结构对协同优化模型进行层内目标求解，得到最小弃光量和最小运行成本，实现源‑网‑荷‑储双层协同优化，本方法结合多代理系统和协同优化模型相比现有技术解决了分布式发电存在较大的随机性，叠加多种类的负荷波动后将对电网优化调控和运行挑战大的问题，为新型电力系统的可靠运行提供了科学的指导。

Description

一种基于多代理算法的源-网-荷-储双层协同优化方法
技术领域
本发明涉及电力系统领域，具体为一种基于多代理算法的源-网-荷-储双层协同优化方法。
背景技术
随着国民生活水平和社会经济的高速发展，我国用电负荷也急剧增长，不仅对能源供给侧提出了更高的要求，同时也对电网优化调度运行提出了新的挑战。尤其是在传统能源日益匮乏，新型风电、光伏和储能等分布式发电渗透率越来越高的情况下，高比例可控分布式发电、柔性负荷、储能系统等设备的接入，传统电网逐渐过渡到新型电力系统时代。
由于分布式发电存在较大的随机性，叠加多种类的负荷波动后将对电网优化调控和运行带来一定的挑战。如何协调“源-网-荷-储”之间的优化调度关系，提高系统运行效率，是实现电网最优运行的重点研究内容。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于多代理算法的源-网-荷-储双层协同优化方法解决了分布式发电存在较大的随机性，叠加多种类的负荷波动后将对电网优化调控和运行挑战大的问题。
为了达到上述发明目的，本发明采用的技术方案为：提供一种基于多代理算法的源-网-荷-储双层协同优化方法，包括以下步骤：
S1、构建源-网-荷-储多代理系统；
S2、基于多代理系统，构建源-网-荷-储协同优化模型；
S3、利用双层嵌套优化结构对协同优化模型进行层内目标求解，得到最小弃光量和最小运行成本，实现源-网-荷-储双层协同优化。
进一步地：所述步骤S1的所述源-网-荷-储多代理系统包括上层代理和下层代理，采用分散协调控制模式；
所述上层代理包括电力网络和云计算平台，所述下层代理包括分布式发电代理、负荷代理和储能代理。
上述进一步方案的有益效果为：所述多代理系统实现了模块化运行，使系统更加灵活，保证了系统运行的经济稳定性。
进一步地：所述步骤S2所述的源-网-荷-储协同优化模型用于实现系统运行成本以及弃光量的最小化，其目标函数的数学表达式为：
Figure BDA0004125980380000021
其中，CΣ为运行成本，C1为能耗成本，C2为需求侧响应成本，C3为储能损耗成本，C4为环境保护成本，E为弃光量，T为光伏发电消耗的总时间，PPVt为光伏发电集群在t时刻的输出功率。
进一步地：所述能耗成本C1的数学表达式为：
Figure BDA0004125980380000022
Figure BDA0004125980380000023
其中，NF和NPV为发电机组和光伏集群的数量；Pit为i机组在t时刻的出力；ait为机组出力的决策量，0代表不出力，1代表出力；cS，it和cP，i分别为机组启动与出力时的能耗成本，cPV为光伏集群单位发电量的成本电价，PPV，it为i机组在t时刻光伏发电集群出力，P0为光伏发电集群的额定输出功率；S(t)和S0分别为t时刻接收的光照强度和标准光照强度；κT为温度系数；
Figure BDA0004125980380000024
和/>
Figure BDA0004125980380000025
分别为t时刻环境温度和标准环境温度；
所述需求侧响应成本C2的数学表达式为：
Figure BDA0004125980380000031
其中，NDR为可响应的用户数；
Figure BDA0004125980380000037
为响应补偿价格的临界功率；εb为响应系数；PDRk，t为高于临界功率的t时刻补偿量；PDRl，t为低于临界功率的t时刻补偿量；γa为补偿量高于/>
Figure BDA0004125980380000032
时的补偿系数；γb为补偿量低于/>
Figure BDA0004125980380000033
时的补偿系数；
所述储能损耗成本C3的数学表达式为：
Figure BDA0004125980380000034
其中，NES为储能装置数量；QES，i为i机组的存储容量、Qit为i机组在t时刻的放电量；cES，i为i机组的固有投资；αi和βi分别为机组i的充放电系数。
所述环境保护成本C4的数学表达式为：
Figure BDA0004125980380000035
其中，NEP为污染物类型个数，ci，t为各污染物类型对应的单位处理成本；τi，t是污染物排放量P′i，t与排放成本之间的系数；P′i，t是污染物排放量。
进一步地：所述源-网-荷-储协同优化模型的约束条件包括系统功率平衡约束、储能装置容量约束、可调负荷约束和可控分布式发电约束；
所述系统功率平衡约束的数学表达式为：
Figure BDA0004125980380000036
其中，PESt为t时刻储能装置的输出功率；PLt为t时刻负荷需求电量；PIt为t时刻其他类型机组输出功率；I为其他类型机组的数量。
所述储能装置容量Qt约束的数学表达式为：
Figure BDA0004125980380000041
其中，Qmin、Qmax为储能装置的最小、最大电量，χ为剩余电量每小时的损失率；
Figure BDA0004125980380000042
其中，Pe，c、Pe，dis分别为充电和放电功率，α为充电系数，β为放电系数，Δt为单位时间；
所述可调负荷PL，x约束的数学表达式为：
Figure BDA0004125980380000043
其中，
Figure BDA0004125980380000044
分别为可调负荷x功率的上下限。
所述可控分布式发电PDG，m约束的数学表达式为：
Figure BDA0004125980380000045
式中，
Figure BDA0004125980380000046
和/>
Figure BDA0004125980380000047
分别为m节点分布式发电的输出功率上下限；/>
Figure BDA0004125980380000048
和/>
Figure BDA0004125980380000049
分别为t时刻和t-1时刻的输出；ψLim，m为上下坡限值。
进一步地：所述步骤S3包括以下分步骤：
S31、分别以minE和minCΣ为单一优化目标，利用改进遗传算法求解得到最小弃光量Emin和运行成本
Figure BDA00041259803800000410
S32、以minCΣ为单一优化目标，并将minE等于Emin作为内层约束，利用改进遗传算法求解最小弃光量对应的最小运行成本
Figure BDA00041259803800000411
并将/>
Figure BDA00041259803800000412
作为Pareto最优集中的CΣ区间范围；
S33、将CΣ小于等于区间值作为外层约束，计算外层约束下对应的内层目标函数最优值
Figure BDA00041259803800000413
并将该最优值加入Pareto最优解集；
S34、判断是否遍历外层约束：
若是，则进入步骤S35；
若否，则返回步骤S33；
S35、使用模糊隶属函数选取Pareto最优解集的折中解，完成层内目标求解，得到最小弃光量和最小运行成本，实现源-网-荷-储双层协同优化。
本发明的有益效果为：
1.解决了分布式发电存在较大的随机性，叠加多种类的负荷波动后将对电网优化调控和运行挑战大的问题；
2.采用多代理系统架构实现了模块化运行，使系统更加灵活，保证了系统运行的经济稳定性；
3.采用基于双层嵌套优化结构的求解方法，解决了传统求解方法在求解中产生无效支配解的问题。
附图说明
图1为本发明所述的双层协同优化方法流程图。
图2为本发明所述的源-网-荷-储多代理系统架构。
图3为本发明的一个实施例协同优化前后的负荷曲线图。
图4为本发明的一个实施例储能装置充放电和荷电状态曲线图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，提供一种基于多代理算法的源-网-荷-储双层协同优化方法，包括以下步骤：
S1、构建源-网-荷-储多代理系统；
S2、基于多代理系统，构建源-网-荷-储协同优化模型；
S3、利用双层嵌套优化结构对协同优化模型进行层内目标求解，得到最小弃光量和最小运行成本，实现源-网-荷-储双层协同优化。
如图2所示，在本发明的一个实施例中，，所述步骤S1所述的源-网-荷-储多代理系统包括上层代理和下层代理，采用分散协调控制模式；所述上层代理包括电力网络和云计算平台，所述下层代理包括分布式发电代理、负荷代理和储能代理。
其中上层代理用于控制系统运行成本和弃光量，通过调节光伏集群等分布式发电出力、负荷工作时间等提高系统的经济性。上层代理部署在云计算平台上，结合系统实时运行情况与以往数据，利用协同控制方法调配网内各种代理资源，以保证电网的最优运行。
分布式发电代理通过调控分布式电源在时间和地域上的输出电量能够实现区域内能源互补，削减功率变化对系统造成的影响，提高可再生能源的利用率；负荷代理作为系统的末端，可利用分时电价等方式激励用户优化用电模式，以缩减用电成本，同时缓解系统不平衡的电力压力；储能代理根据系统的协同调度迅速完成装置的充放电功率调整，其响应耗时极短，能够实现长期的削峰填谷及低储高发，保证系统运行的经济性。
在本发明的一个实施例中，所述步骤S2所述的源-网-荷-储协同优化模型的目标在于实现系统运行成本以及弃光量的最小化，其目标函数的数学表达式为：
Figure BDA0004125980380000071
其中，CΣ为运行成本，C1为能耗成本，C2为需求侧响应成本，C3为储能损耗成本，C4为环境保护成本，E为弃光量，T为光伏发电消耗的总时间，PPVt为光伏发电集群在t时刻的输出功率。
其中，系统能耗成本为光伏的发电成本，以及火电的能耗；需求侧响应成本为当供电系统供需不平衡时，用户侧根据电网作出的电价调整以及负荷补偿后改变原先的用电方式，以响应系统调度，从而保障电网短时间内的可靠运行的成本；储能装置成本包括固有投资与运维费用，环境保护成本为治理系统运行时产生的主要污染物的成本。
在本发明的一个实施例中，述能耗成本C1的数学表达式为：
Figure BDA0004125980380000072
Figure BDA0004125980380000073
其中，NF和NPV为发电机组和光伏集群的数量；Pit为i机组在t时刻的出力；ait为机组出力的决策量，0代表不出力，1代表出力；cS，it和cP，i分别为机组启动与出力时的能耗成本，cPV为光伏集群单位发电量的成本电价，PPV，it为i机组在t时刻光伏发电集群出力，P0为光伏发电集群的额定输出功率；S(t)和S0分别为t时刻接收的光照强度和标准光照强度；κT为温度系数；
Figure BDA0004125980380000074
和/>
Figure BDA0004125980380000075
分别为t时刻环境温度和标准环境温度；
所述需求侧响应成本C2的数学表达式为：
Figure BDA0004125980380000076
其中，NDR为可响应的用户数；
Figure BDA0004125980380000081
为响应补偿价格的临界功率；εb为响应系数；PDRk，t为高于临界功率的t时刻补偿量；PDRl，t为低于临界功率的t时刻补偿量；γa为补偿量高于/>
Figure BDA0004125980380000082
时的补偿系数；γb为补偿量低于/>
Figure BDA0004125980380000083
时的补偿系数；
所述储能损耗成本C3的数学表达式为：
Figure BDA0004125980380000084
其中，NES为储能装置数量；QES，i为i机组的存储容量、Qit为i机组在t时刻的放电量；cES，i为i机组的固有投资；αi和βi分别为机组i的充放电系数；
所述环境保护成本C4的数学表达式为：
Figure BDA0004125980380000085
其中，NEP为污染物类型个数，ci，t为各污染物类型对应的单位处理成本；τi，t是污染物排放量P′i，t与排放成本之间的系数；P′i，t是污染物排放量。
在本发明的一个实施例中，所述源-网-荷-储协同优化模型的约束条件包括系统功率平衡约束、储能装置容量约束、可调负荷约束和可控分布式发电约束；
所述系统功率平衡约束的数学表达式为：
Figure BDA0004125980380000086
其中，PESt为t时刻储能装置的输出功率；PLt为t时刻负荷需求电量；PIt为t时刻其他类型机组输出功率；I为其他类型机组的数量。
所述储能装置容量Qt约束的数学表达式为：
Figure BDA0004125980380000087
其中，Qmin、Qmax为储能装置的最小、最大电量，χ为剩余电量每小时的损失率；
Figure BDA0004125980380000091
其中，Pe，c、Pe，dis分别为充电和放电功率，α为充电系数，β为放电系数，Δt为单位时间；
所述可调负荷PL，x约束的数学表达式为：
Figure BDA0004125980380000092
其中，
Figure BDA0004125980380000093
分别为可调负荷x功率的上下限。
所述可控分布式发电PDG，m约束的数学表达式为：
Figure BDA0004125980380000094
式中，
Figure BDA0004125980380000095
和/>
Figure BDA0004125980380000096
分别为m节点分布式发电的输出功率上下限；/>
Figure BDA0004125980380000097
和/>
Figure BDA0004125980380000098
分别为t时刻和t-1时刻的输出；ψLim，m为上下坡限值。
在本发明的一个实施例中，所述步骤S3包括以下分步骤：
S31、分别以minE和minCΣ为单一优化目标，利用改进遗传算法求解得到最小弃光量Emin和运行成本
Figure BDA0004125980380000099
S32、以minCΣ为单一优化目标，并将minE等于Emin作为内层约束，利用改进遗传算法求解最小弃光量对应的最小运行成本
Figure BDA00041259803800000910
并将/>
Figure BDA00041259803800000911
作为Pareto最优集中的CΣ区间范围；
S33、将CΣ小于等于区间值作为外层约束，计算外层约束下对应的内层目标函数最优值
Figure BDA00041259803800000912
并将该最优值加入Pareto最优解集；
S34、判断是否遍历外层约束：
若是，则进入步骤S35；
若否，则返回步骤S33；
S35、使用模糊隶属函数选取Pareto最优解集的折中解，完成层内目标求解，得到最小弃光量和最小运行成本，实现源-网-荷-储双层协同优化。
在本发明的一个实施例中，基于Matlab仿真平台，采用IEEE33节点系统，选择9个节点随机分布光伏发电集群、其他分布式发电机组和火电机组，2个节点分布可调负荷，3个节点分布储能，系统电压是12.66kV，额定功率是10MVA。光伏发电集群容量分别为2MW，储能的最大充放电功率为0.5MW；
将典型日光伏集群出力、负荷等数据输入所提方法中进行协同优化，得到如图3所示负荷曲线；由图3可得，优化后的负荷曲线变得较为平缓，较之前的波动幅度有了较大的减少，由此可得协同优化效果明显，基本达到了消峰填谷的目的。
在本实施例中，统优化后储能装置24小时的充放电的出力和每个时刻的荷电状态如图4所示；通过图4可得，由于光伏发电集群出力集中在10：00-17：00，而此时负荷量较大，很难满足负荷需求，因此储能处于放电状态，荷电量快速减少；在夜间，由于负荷量减少，且其他分布式电源发电持续进行，因此系统内电量增加，储能进行充电。储能在优化过程中得到了充分的利用，证明了所提方法的可行性。
表1源网荷储协同控制结果
Figure BDA0004125980380000101
由表1可知，优化后，弃光量仅为0.895MW，显著减少了53.07％。由于优化后的系统提高了分布式能源的利用率，从而减少了火电使用量，因此能耗和污染物排放量都有了一定的减少，具体体现在C1和C4，分别下降了14.74万元和1.45万元。但由于分布式发电需要更多的储能作为支撑，导致系统的C3明显增加，达到了34.52万元，同时协调可调负荷增加了系统运行成本。综合来看，系统运行成本整体上下降了9.85％，从而论证了本发明所述的基于多代理算法的源-网-荷-储双层协同优化方法的有效性。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
本发明提供了一种基于多代理算法的源-网-荷-储双层协同优化方法，结合多代理系统和协同优化模型相比现有技术解决了分布式发电存在较大的随机性，叠加多种类的负荷波动后将对电网优化调控和运行挑战大的问题，为新型电力系统的可靠运行提供了科学的指导。

Claims (6)

1.一种基于多代理算法的源-网-荷-储双层协同优化方法，其特征在于，包括以下步骤：
S1、构建源-网-荷-储多代理系统；
S2、基于多代理系统，构建源-网-荷-储协同优化模型；
S3、利用双层嵌套优化结构对协同优化模型进行层内目标求解，得到最小弃光量和最小运行成本，实现源-网-荷-储双层协同优化。
2.根据权利要求1所述的基于多代理算法的源-网-荷-储双层协同优化方法，其特征在于，所述步骤S1的所述源-网-荷-储多代理系统包括上层代理和下层代理，采用分散协调控制模式；
所述上层代理包括电力网络和云计算平台，所述下层代理包括分布式发电代理、负荷代理和储能代理。
3.根据权利要求1所述的基于多代理算法的源-网-荷-储双层协同优化方法，其特征在于：所述步骤S2所述的源-网-荷-储协同优化模型用于实现系统运行成本以及弃光量的最小化，其目标函数的数学表达式为：
Figure FDA0004125980370000011
其中，CΣ为运行成本，C1为能耗成本，C2为需求侧响应成本，C3为储能损耗成本，C4为环境保护成本，E为弃光量，T为光伏发电消耗的总时间，PPVt为光伏发电集群在t时刻的输出功率。
4.根据权利要求3所述的基于多代理算法的源-网-荷-储双层协同优化方法，其特征在于：所述能耗成本C1的数学表达式为：
Figure FDA0004125980370000012
Figure FDA0004125980370000021
其中，NF和NPV为发电机组和光伏集群的数量；Pit为i机组在t时刻的出力；ait为机组出力的决策量，0代表不出力，1代表出力；cS,it和cP,i分别为机组启动与出力时的能耗成本，cPV为光伏集群单位发电量的成本电价，PPV,it为i机组在t时刻光伏发电集群出力，P0为光伏发电集群的额定输出功率；S(t)和S0分别为t时刻接收的光照强度和标准光照强度；κT为温度系数；
Figure FDA0004125980370000022
和/>
Figure FDA0004125980370000023
分别为t时刻环境温度和标准环境温度；
所述需求侧响应成本C2的数学表达式为：
Figure FDA0004125980370000024
其中，NDR为可响应的用户数；
Figure FDA0004125980370000029
为响应补偿价格的临界功率；εb为响应系数；PDRk,t为高于临界功率的t时刻补偿量；PDRl,t为低于临界功率的t时刻补偿量；γa为补偿量高于/>
Figure FDA0004125980370000025
时的补偿系数；γb为补偿量低于/>
Figure FDA0004125980370000026
时的补偿系数；
所述储能损耗成本C3的数学表达式为：
Figure FDA0004125980370000027
其中，NES为储能装置数量；QES,i为i机组的存储容量、Qit为i机组在t时刻的放电量；cES,i为i机组的固有投资；αi和βi分别为机组i的充放电系数；
所述环境保护成本C4的数学表达式为：
Figure FDA0004125980370000028
其中，NEP为污染物类型个数，ci,t为各污染物类型对应的单位处理成本；τi,t是污染物排放量P′i,t与排放成本之间的系数；P′i,t是污染物排放量。
5.根据权利要求4所述的基于多代理算法的源-网-荷-储双层协同优化方法，其特征在于：所述源-网-荷-储协同优化模型的约束条件包括系统功率平衡约束、储能装置容量约束、可调负荷约束和可控分布式发电约束；
所述系统功率平衡约束的数学表达式为：
Figure FDA0004125980370000031
其中，PESt为t时刻储能装置的输出功率；PLt为t时刻负荷需求电量；PIt为t时刻其他类型机组输出功率；I为其他类型机组的数量；
所述储能装置容量Qt约束的数学表达式为：
Figure FDA0004125980370000032
其中，Qmin、Qmax为储能装置的最小、最大电量，χ为剩余电量每小时的损失率；
Figure FDA0004125980370000033
其中，Pe,c、Pe,dis分别为充电和放电功率，α为充电系数，β为放电系数，Δt为单位时间；
所述可调负荷PL,x约束的数学表达式为：
Figure FDA0004125980370000034
其中，
Figure FDA0004125980370000035
分别为可调负荷x功率的上下限。
所述可控分布式发电PDG,m约束的数学表达式为：
Figure FDA0004125980370000036
式中，
Figure FDA0004125980370000037
和/>
Figure FDA0004125980370000038
分别为m节点分布式发电的输出功率上下限；/>
Figure FDA0004125980370000039
和/>
Figure FDA0004125980370000041
分别为t时刻和t-1时刻的输出；ψLim,m为上下坡限值。
6.根据权利要求5所述的基于多代理算法的源-网-荷-储双层协同优化方法，其特征在于，所述步骤S3包括以下分步骤：
S31、分别以min E和min CΣ为单一优化目标，利用改进遗传算法求解得到最小弃光量Emin和运行成本
Figure FDA0004125980370000042
S32、以min CΣ为单一优化目标，并将min E等于Emin作为内层约束，利用改进遗传算法求解最小弃光量对应的最小运行成本
Figure FDA0004125980370000043
并将/>
Figure FDA0004125980370000044
作为Pareto最优集中的CΣ区间范围；
S33、将CΣ小于等于区间值作为外层约束，计算外层约束下对应的内层目标函数最优值
Figure FDA0004125980370000045
并将该最优值加入Pareto最优解集；
S34、判断是否遍历外层约束：
若是，则进入步骤S35；
若否，则返回步骤S33；
S35、使用模糊隶属函数选取Pareto最优解集的折中解，完成层内目标求解，得到最小弃光量和最小运行成本，实现源-网-荷-储双层协同优化。
CN202310245943.XA 2022-12-15 2023-03-14 一种基于多代理算法的源-网-荷-储双层协同优化方法 Pending CN116365597A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211618597 2022-12-15
CN2022116185977 2022-12-15

Publications (1)

Publication Number Publication Date
CN116365597A true CN116365597A (zh) 2023-06-30

Family

ID=86940939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310245943.XA Pending CN116365597A (zh) 2022-12-15 2023-03-14 一种基于多代理算法的源-网-荷-储双层协同优化方法

Country Status (1)

Country Link
CN (1) CN116365597A (zh)

Similar Documents

Publication Publication Date Title
CN109327042A (zh) 一种微电网多能源联合优化调度方法
AU2011213745B2 (en) System and method for distribution of inverter VAR support
CN110661301B (zh) 一种水光蓄多能互补发电系统的容量配置优化方法
Varghese et al. Energy storage management of hybrid solar/wind standalone system using adaptive neuro‐fuzzy inference system
CN112311017A (zh) 一种虚拟电厂与主网最优协同调度方法
Zhang et al. Optimized scheduling model for isolated microgrid of wind-photovoltaic-thermal-energy storage system with demand response
CN108667071B (zh) 一种主动配电网负荷精准控制计算方法
Gbadega et al. JAYA algorithm-based energy management for a grid-connected micro-grid with PV-wind-microturbine-storage energy system
CN106549421A (zh) 一种水电与光电多目标优化设计与协调控制方法
Li et al. Micro-grid resource allocation based on multi-objective optimization in cloud platform
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
Wang et al. Improved PSO-based energy management of Stand-Alone Micro-Grid under two-time scale
Huang et al. Optimal design of an island microgrid with considering scheduling optimization
CN116365597A (zh) 一种基于多代理算法的源-网-荷-储双层协同优化方法
CN114530848B (zh) 一种光储虚拟电厂多时间尺度动态划分方法
CN113890114B (zh) 一种主配用多层级电网灵活调节能力挖掘方法
CN110417002B (zh) 一种孤岛微电网能量模型的优化方法
CN113489429A (zh) 一种光伏储能系统的功率控制方法及系统
Zhang et al. The output optimization of multi-microgrids connected to distribution network during peak, flat and valley periods
Cong et al. Multi-objective capacity optimal allocation of photovoltaic microgrid energy storage system based on time-sharing energy complementarity
Li et al. Optimal Scheduling of Multi-Source Combined System with Pumped Storage Based on Improved Black Hole Algorithm
Ye et al. Planning of PV-ESS System for Distribution Network Considering PV Penetration
Ma et al. Multi-objective optimal scheduling of power system considering the coordinated operation of photovoltaic-wind-pumped storage hybrid power
CN111931322B (zh) 自主式元胞电网的电源及耦合点规划方法及系统
CN108377001A (zh) 一种用于用电量削峰填谷的光伏储能系统和方法

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