CN116436048A - 一种多目标驱动的微电网群云储能优化配置方法及装置 - Google Patents

一种多目标驱动的微电网群云储能优化配置方法及装置 Download PDF

Info

Publication number
CN116436048A
CN116436048A CN202310247004.9A CN202310247004A CN116436048A CN 116436048 A CN116436048 A CN 116436048A CN 202310247004 A CN202310247004 A CN 202310247004A CN 116436048 A CN116436048 A CN 116436048A
Authority
CN
China
Prior art keywords
energy storage
micro
grid
power
grid group
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
CN202310247004.9A
Other languages
English (en)
Inventor
苏一博
张世旭
张险峰
李姚旺
周登科
张宁
潘智轩
黄敏丽
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.)
Tsinghua University
China Three Gorges Corp
Original Assignee
Tsinghua University
China Three Gorges Corp
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 Tsinghua University, China Three Gorges Corp filed Critical Tsinghua University
Priority to CN202310247004.9A priority Critical patent/CN116436048A/zh
Publication of CN116436048A publication Critical patent/CN116436048A/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
    • H02J3/28—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
    • H02J3/003—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
    • H02J3/007—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
    • H02J3/04—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
    • 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]
    • 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
    • H02J2300/40—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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明提供一种多目标驱动的微电网群云储能优化配置方法及装置，该方法，包括：基于经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数，经过投资决策约束条件，构建微电网群云储能优化配置规划层模型；构建微电网群云储能优化配置调度层模型；利用第二代非支配遗传算法，对微电网群云储能优化配置规划层模型和微电网群云储能优化配置调度层模型进行迭代求解，生成帕累托解集；对帕累托解集分别进行经济评估、低碳评估和可靠性评估，基于评估结果确定微电网群云储能优化配置方案，微电网群云储能优化配置方案用于多目标驱动微电网运行。该方法综合考虑了经济、低碳及可靠性多类型效益，实现了微电网群云储能系统容量的优化配置。

Description

一种多目标驱动的微电网群云储能优化配置方法及装置
技术领域
本发明涉及储能优化配置技术领域，尤其是涉及一种多目标驱动的微电网群云储能优化配置方法及装置。
背景技术
储能技术具备灵活的功率调节与电能时移能力，合理配置储能装置将能有效提升微电网运行灵活性，促进高比例可再生能源在为微电网系统内的可靠消纳。现有研究已从多时间尺度源荷不确性及系统功率平衡等角度研究了微电网储能优化配置方法，为高比例可再生能源微电网的储能投资应用提供了一定参考。然而，目前储能设施投资成本依旧高昂，微电网等小型储能用户独立投资运营储能装置仍存在容量定制困难、利用效率低下、投资回收路径不清晰等诸多问题。
通过储能资源的聚合复用，实现不同储能用户的需求互补，提升储能资源的利用率，并在投资维度实现规模效应，有效降低储能服务使用成本。
然而，虽然目前云储能技术在用户电费削减、风光机组调频、多类型辅助服务供应等场景的应用效益已获得了较为广泛的研究，但面向微电网群的云储能优化配置研究及应用效益分析仍然较少。部分研究虽然提出了以微电网群为目标用户的云储能系统优化调度及利益协调策略，但均未考虑云储能应用为微电网群创造的低碳效益。此外，云储能将为系统引入额外的功率传输并可能导致系统拥塞，如何在微电网群功率互济场景中有效避免由于云储能服务导致的潮流拥塞，也尚未获得深入分析。
发明内容
因此，本发明技术方案主要解决现有云储能技术未考虑云储能应用为微电网群创造的低碳效益，未考虑云储能系统为微电网群提供可靠性支撑的缺陷，从而提供一种多目标驱动的微电网群云储能优化配置方法及装置。
第一方面，本发明实施例提供了一种多目标驱动的微电网群云储能优化配置方法，包括：
获取微电网群云储能数据，基于所述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数；
基于所述经济性优化目标函数、所述低碳性优化目标函数和所述可靠性优化目标函数，经过投资决策约束条件，构建所述微电网群云储能优化配置规划层模型；
基于所述微电网群云储能数据建立运行收益目标函数，并基于所述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型；
利用第二代非支配遗传算法，对所述微电网群云储能优化配置规划层模型和所述微电网群云储能优化配置调度层模型进行迭代求解，生成帕累托解集；
对所述帕累托解集分别进行经济评估、低碳评估和可靠性评估，基于评估结果确定微电网群云储能优化配置方案，所述微电网群云储能优化配置方案用于多目标驱动微电网运行。
本发明实施例提供的一种多目标驱动的微电网群云储能优化配置方法，综合考虑了经济、低碳及可靠性多类型效益，实现了微电网群云储能系统容量的优化配置，通过储能资源的聚合与共享、不同储能用户的充放电需求互补提升储能资源利用效率，通过集中投资的规模效应降低单位储能投资成本，从而降低用户使用储能服务的成本，有效降低了储能服务的使用成本及储能装置的利用效率，并同时降低了微电网群的碳排放，提升了微电网群的运行可靠性。
结合第一方面，在一种可能的实施方式中，所述基于所述微电网群云储能数据确定储能装置的电量电费削减收益、储能装置初始投资资本、储能装置替换成本、储能装置运维成本、潮流拥塞惩罚成本；
基于所述储能装置的电量电费削减收益、所述储能装置初始投资资本、所述储能装置替换成本、所述储能装置运维成本、所述潮流拥塞惩罚成本构建经济性优化目标函数；
提取所述微电网群云储能数据中的单位电量碳排放系数和微电网群向上级电网的购电功率，基于所述单位电量碳排放系数和所述微电网群向上级电网的购电功率构建低碳性优化目标函数；
提取所述微电网群云储能数据中的微电网紧急负荷备用和微电网重要负荷量，基于所述微电网紧急负荷备用和所述微电网重要负荷量构建可靠性优化目标函数。
结合第一方面，在另一种可能的实施方式中，所述基于所述微电网群云储能数据确定储能装置的电量电费削减收益、储能装置初始投资资本、储能装置替换成本、储能装置运维成本、潮流拥塞惩罚成本，包括：
提取所述微电网群云储能数据中集中式储能电站的充放电功率、分布式储能电站充放电功率、云储能场景下微电网内的分布式光伏电站有功功率、无储能场景下微电网内的分布式光伏电站有功功率和分时电价，并基于所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率、所述云储能场景下微电网内的分布式光伏电站有功功率、所述无储能场景下微电网内的分布式光伏电站有功功率和所述分时电价确定微电网群的单日电量电费削减收益；
提取所述微电网群云储能数据中云储能系统的运行天数和折现值，并基于所述云储能系统的运行天数、所述折现值和所述微电网群的单日电量电费削减收益确定所述储能装置的电量电费削减收益；
提取所述微电网群云储能数据中的储能单位容量、功率投资成本、云储能系统中集中式储能电站的额定容量和额定功率以及微电网内的分布式储能电站的额定容量和额定功率，并基于所述储能单位容量、所述功率投资成本、所述云储能系统中集中式储能电站的额定容量和额定功率以及所述微电网内的分布式储能电站的额定容量和额定功率确定储能装置初始投资资本；
基于所述折现值与所述储能装置初始投资资本确定储能装置替换成本；
提取所述微电网群云储能数据中的储能设备的单位固定运维成本和单位可变运维成本，并基于集中式储能电站的额定功率、分布式储能电站的额定功率、所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率、所述单位固定运维成本、所述单位可变运维成本、所述云储能系统的运行天数和所述折现值确定储能装置运维成本；
提取所述微电网群云储能数据中的联络线有功功率拥塞惩罚成本、联络线无功功率拥塞惩罚成本和配电网节点电压越限惩罚成本，并基于所述联络线有功功率拥塞惩罚成本、所述联络线无功功率拥塞惩罚成本、所述配电网节点电压越限惩罚成本、所述折现值和所述云储能系统的年运行天数确定潮流拥塞惩罚成本。
结合第一方面，在另一种可能的实施方式中，所述基于所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率、所述云储能场景下微电网内的分布式光伏电站有功功率、所述无储能场景下微电网内的分布式光伏电站有功功率和所述分时电价确定微电网群的单日电量电费削减收益，包括：
基于所述云储能场景下微电网内的分布式光伏电站有功功率、所述无储能场景下微电网内的分布式光伏电站有功功率和所述分时电价确定微电网群的单日弃光削减收益；
基于所述分时电价、所述微电网群的单日弃光削减收益、所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率确定所述微电网群的单日电量电费削减收益。
结合第一方面，在另一种可能的实施方式中，所述基于所述联络线有功功率拥塞惩罚成本、所述联络线无功功率拥塞惩罚成本、所述配电网节点电压越限惩罚成本、所述折现值和所述云储能系统的年运行天数确定潮流拥塞惩罚成本，包括：
基于所述联络线有功功率拥塞惩罚成本、所述联络线无功功率拥塞惩罚成本和所述配电网节点电压越限惩罚成本分别确定投资云储能后配电网系统的拥塞惩罚成本和未投资云储能时配电网系统的拥塞惩罚成本；
基于所述折现值、所述云储能系统的年运行天数、所述投资云储能后配电网系统的拥塞惩罚成本和所述未投资云储能时配电网系统的拥塞惩罚成本确定潮流拥塞惩罚成本。
结合第一方面，在另一种可能的实施方式中，所述基于所述微电网群云储能数据建立运行收益目标函数，并基于所述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型，包括：
基于所述微电网群的单日电量电费削减收益、所述投资云储能后配电网系统的拥塞惩罚成本和所述未投资云储能时配电网系统的拥塞惩罚成本建立所述运行收益目标函数；
基于所述运行收益目标函数，经过预设约束条件集，构建所述微电网群云储能优化配置调度层模型。
结合第一方面，在另一种可能的实施方式中，所述预设约束条件集，包括：
云储能系统功率平衡约束条件、分布式光伏就地消纳约束条件、微电网紧急备用约束条件、储能装置运行约束条件和潮流反送约束条件。
第二方面，本发明实施例还提供了一种多目标驱动的微电网群云储能优化配置装置，包括：
建立模块，用于获取微电网群云储能数据，基于所述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数；
第一构建模块，用于基于所述经济性优化目标函数、所述低碳性优化目标函数和所述可靠性优化目标函数，经过投资决策约束条件，构建所述微电网群云储能优化配置规划层模型；
第二构建模块，用于基于所述微电网群云储能数据建立运行收益目标函数，并基于所述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型；
迭代求解模块，用于利用第二代非支配遗传算法对所述微电网群云储能优化配置规划层模型和所述微电网群云储能优化配置调度层模型进行迭代求解，生成帕累托解集；
评估模块，用于对所述帕累托解集分别进行经济评估、低碳评估和可靠性评估，基于评估结果确定微电网群云储能优化配置方案，所述微电网群云储能优化配置方案用于多目标驱动微电网运行。
第三方面，本发明实施例还公开了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一可选实施方式所述的一种多目标驱动的微电网群云储能优化配置方法的步骤。
第四方面，本发明实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的一种多目标驱动的微电网群云储能优化配置方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多目标驱动的微电网群云储能优化配置方法的流程图；
图2为本发明实施例提供的微电网群云储能系统架构示意图；
图3为本发明实施例提供的微电网群云储能多目标优化配置模型求解流程图；
图4为本发明实施例提供的S101的流程图；
图5为本发明实施例提供的S1011的流程图；
图6为本发明实施例提供的S10111的流程图；
图7为本发明实施例提供的S10116的流程图；
图8为本发明实施例提供的S103的流程图；
图9为本发明实施例提供的基于IEEE 33节点配电系统的微电网群；
图10为本发明实施例提供的各典型日下光伏出力预测值标幺值曲线图；
图11为本发明实施例提供的各典型日下微电网群总负荷预测值曲线图；
图12为本发明实施例提供的峰谷电价曲线图；
图13为本发明实施例提供的储能投资规模效应曲线图；
图14为本发明实施例提供的评估经济、低碳性能的帕累托解集示意图；
图15为本发明实施例提供的评估经济、可靠性能的佩雷托解集示意图；
图16为本发明实施例提供的经济性能最优配置方案下系统春秋典型日优化运行方案示意图；
图17为本发明实施例提供的低碳性能最优配置方案下系统春秋典型日优化运行方案示意图；
图18为本发明实施例提供的可靠性能最优配置方案下系统春秋典型日优化运行方案示意图；
图19为本发明实施例提供的一种多目标驱动的微电网群云储能优化配置装置的框图；
图20为本发明实施例中电子设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中，需要说明的是，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。另外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接、机械连接，也可以是电连接；或者可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供了一种多目标驱动的微电网群云储能优化配置方法，如图1所示，包括：
S101、获取微电网群云储能数据，基于上述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数。
具体地，如图2所示，多个微电网共同投资建设集中式云储能装置，并共同作为云储能运营商优化制定云储能资源充放电策略。
S102、基于上述经济性优化目标函数、上述低碳性优化目标函数和上述可靠性优化目标函数，经过投资决策约束条件，构建上述微电网群云储能优化配置规划层模型。
具体地，面向如图2所示的微电网群云储能系统，建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数，以及确定投资决策约束条件，其优化决策变量为微电网群云储能系统额定容量，进而构建上述微电网群云储能优化配置规划层模型。
S103、基于上述微电网群云储能数据建立运行收益目标函数，并基于上述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型。
具体地，考虑云储能系统经配电网为微电网提供充放电服务，以及预设约束条件集，即云储能系统功率平衡约束条件、分布式光伏就地消纳约束条件、微电网紧急备用约束条件、储能装置运行约束条件、潮流反送约束条件构建微电网群云储能优化配置调度层模型。
S104、利用第二代非支配遗传算法，对上述微电网群云储能优化配置规划层模型和上述微电网群云储能优化配置调度层模型进行迭代求解，生成帕累托解集。
具体地，如图3所示，利用第二代非支配遗传算法，对上述微电网群云储能优化配置规划层模型和上述微电网群云储能优化配置调度层模型进行迭代求解的步骤如下：
a.输入微电网群云储能系统拓扑、各典型日系统光伏出力、负荷预测曲线等参数；
b.调用配置层模型，随机初始化决策变量种群P；
c.调用调度层模型，计算初始种群个体的适应度函数，开展非支配排序和拥挤度计算；
d.从父代种群P中通过选择、交叉及变异操作产生子代种群；
e.校验是否达到计算终止条件，若是，进入f，若没有，返回b；
f.输出Pareto(帕累托)最优解集；
g.调用博弈层模型，量化各微电网在云储能系统中的收益贡献，实现各微电网利润分配。
S105、对上述帕累托解集分别进行经济评估、低碳评估和可靠性评估，基于评估结果确定微电网群云储能优化配置方案，上述微电网群云储能优化配置方案用于多目标驱动微电网运行。
具体地，基于Shapley值法(夏普利值法)对参与微电网群云储能系统的微电网进行利润分配，对帕累托解集内的微电网群云储能配置方案进行经济、低碳及可靠性能评估，根据实际投资偏好优选微电网群云储能系统配置方案。
进一步地，针对参与云储能投资的各微电网，基于Shapley值法进行收益分配，量化不同微电网在云储能系统投资运行过程中的贡献。
其中，Shapley值法的具体计算过程为：假设微电网群包含m个微电网，其集合为M＝{1,2,...,m}，s为M的一个子集且
Figure BDA0004126388640000051
并用v(s)表示子集s所应获取的利润，则集合M中各微电网所应分得的利润为：
Figure BDA0004126388640000061
上式中，ρm为微电网m所应获得的利润，Sm为所有包含微电网m的用户子集，v(s/{m})为子集s去除微电网m后所应获得的利润，v(s)-v(s/{m})为微电网m在子集s中所占据的利润额，ω(|s|)是子集s的概率权重，其计算方式为：
Figure BDA0004126388640000062
上式中，n！表示微电网群的全排列，(|s|-1)！表示子集s中除微电网m外剩余微电网的排列数，(n-|s|)！表示除子集s外剩余子集的排列数。
本实施例提出的一种多目标驱动的微电网群云储能优化配置方法，通过建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数，进而构建微电网群云储能优化配置规划层模型，并通过构建微电网群云储能优化配置调度层模型，并对微电网群云储能优化配置规划层模型和微电网群云储能优化配置调度层模型进行迭代求解，对其生成的帕累托解集分别进行经济评估、低碳评估和可靠性评估，综合考虑了经济、低碳及可靠性多类型效益，实现了微电网群云储能系统容量的优化配置，通过储能资源的聚合与共享、不同储能用户的充放电需求互补提升储能资源利用效率，通过集中投资的规模效应降低单位储能投资成本，从而降低用户使用储能服务的成本，有效降低了储能服务的使用成本及储能装置的利用效率，并同时降低了微电网群的碳排放，提升了微电网群的运行可靠性。
作为本发明一个可选实施方式，如图4所示，上述S101，即上述基于上述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数，包括：
S1011、基于上述微电网群云储能数据确定储能装置的电量电费削减收益、储能装置初始投资资本、储能装置替换成本、储能装置运维成本、潮流拥塞惩罚成本。
S1012、基于上述储能装置的电量电费削减收益、上述储能装置初始投资资本、上述储能装置替换成本、上述储能装置运维成本、上述潮流拥塞惩罚成本构建经济性优化目标函数。
具体地，经济性优化目标函数可表示为：
maxF＝max(Bele-Cins-Crep-Com-Ccon) (3)
上式中，F为系统总投资成本，Bele为储能装置的电量电费削减收益，Cins为储能装置初始投资成本，Crep为储能装置替换成本，Com为储能装置运维成本，Ccon为云储能服务导致的潮流拥塞惩罚成本。
S1013、提取上述微电网群云储能数据中的单位电量碳排放系数和微电网群向上级电网的购电功率，基于上述单位电量碳排放系数和上述微电网群向上级电网的购电功率构建低碳性优化目标函数。
具体地，低碳性优化目标函数可表示为：
Figure BDA0004126388640000071
上式中，E表示系统年碳排放量，单位为t(吨)，cemi表示单位电量碳排放系数，单位为t/kWh(吨/千瓦小时)，Pgrid_MG,t为微电网群在t时刻向上级电网的购电功率。
S1014、提取上述微电网群云储能数据中的微电网紧急负荷备用和微电网重要负荷量，基于上述微电网紧急负荷备用和上述微电网重要负荷量构建可靠性优化目标函数。
具体地，可靠性优化目标函数可表示为：
Figure BDA0004126388640000072
上式中，R表示重要负荷支撑系数，
Figure BDA0004126388640000073
为第m个微电网的紧急负荷备用，Limp,m表示第m个微电网的重要负荷量。
进一步地，微电网群云储能优化配置规划层模型的投资决策约束条件为：
Figure BDA0004126388640000074
上式中，NESS_cen表示集中式储能规划台数，
Figure BDA0004126388640000075
和
Figure BDA0004126388640000076
分别为集中式储能规划台数的上、下限，NESS_dis,m表示第m台分散式储能规划台数、
Figure BDA0004126388640000077
和
Figure BDA0004126388640000078
分别为分散式储能规划台数的上、下限。
作为本发明一个可选实施方式，如图5所示，上述S1011，即上述基于上述微电网群云储能数据确定储能装置的电量电费削减收益、储能装置初始投资资本、储能装置替换成本、储能装置运维成本、潮流拥塞惩罚成本，包括：
S10111、提取上述微电网群云储能数据中集中式储能电站的充放电功率、分布式储能电站充放电功率、云储能场景下微电网内的分布式光伏电站有功功率、无储能场景下微电网内的分布式光伏电站有功功率和分时电价，并基于上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率、上述云储能场景下微电网内的分布式光伏电站有功功率、上述无储能场景下微电网内的分布式光伏电站有功功率和上述分时电价确定微电网群的单日电量电费削减收益。
S10112、提取上述微电网群云储能数据中云储能系统的运行天数和折现值，并基于上述云储能系统的运行天数、上述折现值和上述微电网群的单日电量电费削减收益确定上述储能装置的电量电费削减收益。
具体地，储能装置的电量电费削减收益Bele的计算公式如下所示：
Figure BDA0004126388640000079
上式中，Tpro为储能系统的工程寿命，τ为储能工程运行年份的计数变量，r为折现值，D为云储能系统的年运行天数，去除维护时间，取D＝345天，Sele为微电网群单日的电量电费削减收益。
S10113、提取上述微电网群云储能数据中的储能单位容量、功率投资成本、云储能系统中集中式储能电站的额定容量和额定功率以及微电网内的分布式储能电站的额定容量和额定功率，并基于上述储能单位容量、上述功率投资成本、上述云储能系统中集中式储能电站的额定容量和额定功率以及上述微电网内的分布式储能电站的额定容量和额定功率确定储能装置初始投资资本。
具体地，储能装置初始投资资本Cins的计算公式如下所示：
Figure BDA0004126388640000081
上式中，cESS,E表示储能单位容量，
Figure BDA0004126388640000082
表示集中式储能电站的额定容量，cESS,P表示功率投资成本，
Figure BDA0004126388640000083
表示集中式储能电站的额定功率，
Figure BDA0004126388640000084
表示第m个微电网内分布式储能电站的额定容量，
Figure BDA0004126388640000085
表示第m个微电网内的分布式储能电站的额定功率，M表示群内微电网个数。
S10114、基于上述折现值与上述储能装置初始投资资本确定储能装置替换成本。
具体地，储能装置替换成本Crep的计算公式如下所示：
Figure BDA0004126388640000086
上式中，ρ表示储能设备需要进行置换的次数，TESS表示储能设备寿命，a表示指储能设备运行年份的计数变量。
S10115、提取上述微电网群云储能数据中的储能设备的单位固定运维成本和单位可变运维成本，并基于集中式储能电站的额定功率、分布式储能电站的额定功率、上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率、上述单位固定运维成本、上述单位可变运维成本、上述云储能系统的运行天数和上述折现值确定储能装置运维成本。
具体地，基于集中式储能电站的额定功率、分布式储能电站的额定功率、上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率、上述单位固定运维成本、上述单位可变运维成本、上述云储能系统的运行天数确定储能年运行维护成本，储能年运行维护成本Com,y的计算公式如下所示：
Figure BDA0004126388640000087
上式中，cESS,OM,fix表示储能设备的单位固定运维成本，cESS,OM,var表示储能设备的单位可变运维成本，
Figure BDA0004126388640000091
为t时段云储能系统中集中式储能电站的充电功率，
Figure BDA0004126388640000092
为t时段云储能系统中集中式储能电站的放电功率，
Figure BDA0004126388640000093
为t时段第m个微电网的分布式储能电站充电功率，
Figure BDA0004126388640000094
为t时段第m个微电网的分布式储能电站放电功率。
进一步地，储能装置运维成本Com的计算公式如下所示：
Figure BDA0004126388640000095
S10116、提取上述微电网群云储能数据中的联络线有功功率拥塞惩罚成本、联络线无功功率拥塞惩罚成本和配电网节点电压越限惩罚成本，并基于上述联络线有功功率拥塞惩罚成本、上述联络线无功功率拥塞惩罚成本、上述配电网节点电压越限惩罚成本、上述折现值和上述云储能系统的年运行天数确定潮流拥塞惩罚成本。
上述可选实施方式通过潮流优化缓解云储能服务可能导致的潮流拥塞问题，为面向不同运行偏好的微电网群储能建设方案制定提供了依据，避免了云储能服务可能导致的潮流拥塞。
作为本发明一个可选实施方式，如图6所示，上述S10111，即上述基于上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率、上述云储能场景下微电网内的分布式光伏电站有功功率、上述无储能场景下微电网内的分布式光伏电站有功功率和上述分时电价确定微电网群的单日电量电费削减收益，包括：
S101111、基于上述云储能场景下微电网内的分布式光伏电站有功功率、上述无储能场景下微电网内的分布式光伏电站有功功率和上述分时电价确定微电网群的单日弃光削减收益。
具体地，微电网群的单日弃光削减收益Spv的计算公式如下所示：
Figure BDA0004126388640000096
上式中，T为单日调度时长，取时段间隔为1h(即Δt＝1h)，Ppv,pro,m,t表示云储能场景第m个微电网内的分布式光伏电站在t时段输出的有功功率，Ppv,ben,m,t表示无储能场景下第m个微电网内的分布式光伏电站在t时段输出的有功功率，
Figure BDA0004126388640000097
为微电网群集合，指代微电网数目，fgrid,t表示t时段的分时电价。
S101112、基于上述分时电价、上述微电网群的单日弃光削减收益、上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率确定上述微电网群的单日电量电费削减收益。
具体地，微电网群的单日电量电费削减收益的计算公式如下所示：
Figure BDA0004126388640000101
上式中，
Figure BDA0004126388640000102
为t时段云储能系统中集中式储能电站的充电功率，
Figure BDA0004126388640000103
为t时段云储能系统中集中式储能电站的放电功率，
Figure BDA0004126388640000104
为t时段第m个微电网的分布式储能电站充电功率，
Figure BDA0004126388640000105
为t时段第m个微电网的分布式储能电站放电功率。
作为本发明一个可选实施方式，如图7所示，上述S10116，即上述基于上述联络线有功功率拥塞惩罚成本、上述联络线无功功率拥塞惩罚成本、上述配电网节点电压越限惩罚成本、上述折现值和上述云储能系统的年运行天数确定潮流拥塞惩罚成本，包括：
S101161、基于上述联络线有功功率拥塞惩罚成本、上述联络线无功功率拥塞惩罚成本和上述配电网节点电压越限惩罚成本分别确定投资云储能后配电网系统的拥塞惩罚成本和未投资云储能时配电网系统的拥塞惩罚成本。
具体地，未投资云储能时配电网系统的拥塞惩罚成本Cben_con的计算公式如下所示：
Cben_con＝CPline_con+CQline_con+Cnode_con
Figure BDA0004126388640000106
Figure BDA0004126388640000107
Figure BDA0004126388640000108
上式中，CPline_con表示联络线有功功率拥塞惩罚成本、CQline_con表示联络线无功功率拥塞惩罚成本，Cnode_con表示配电网节点电压越限惩罚成本，L表示联络线条数，N表示节点个数，
Figure BDA0004126388640000109
表示t时段第i条线路有功功率，
Figure BDA00041263886400001010
表示t时段第i条线路无功功率，
Figure BDA00041263886400001011
表示第i条联络线额定有功功率，
Figure BDA00041263886400001012
表示第i条联络线额定无功功率，
Figure BDA00041263886400001013
表示t时段第i个节点电压标幺值，fline表示单位线路功率越限惩罚成本，fnode表示单位节点电压越限惩罚成本。
进一步地，投资云储能后配电网系统的拥塞惩罚成本和未投资云储能时配电网系统的拥塞惩罚成本的计算方式相同。
S101162、基于上述折现值、上述云储能系统的年运行天数、上述投资云储能后配电网系统的拥塞惩罚成本和上述未投资云储能时配电网系统的拥塞惩罚成本确定潮流拥塞惩罚成本。
具体地，潮流拥塞惩罚成本Ccon的计算公式如下所示：
Figure BDA0004126388640000111
作为本发明一个可选实施方式，如图8所示，上述S103，即上述基于上述微电网群云储能数据建立运行收益目标函数，并基于上述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型，包括：
S1031、基于上述微电网群的单日电量电费削减收益、上述投资云储能后配电网系统的拥塞惩罚成本和上述未投资云储能时配电网系统的拥塞惩罚成本建立上述运行收益目标函数。
具体地，运行收益目标函数可表示为：
maxFd＝min[Sele-(Cpro_con-Cben_con)] (16)
上式中，Fd为微电网群的日运行收益。
S1032、基于上述运行收益目标函数，经过预设约束条件集，构建上述微电网群云储能优化配置调度层模型。
具体地，上述预设约束条件集，包括：云储能系统功率平衡约束条件、分布式光伏就地消纳约束条件、微电网紧急备用约束条件、储能装置运行约束条件和潮流反送约束条件。
进一步地，保证云储能设施仅为微电网提供储能服务的云储能系统功率平衡约束条件为：
Figure BDA0004126388640000112
上式中，Pgrid,t为t时刻上级电网供电功率，Pgrid_DN,t别表示t时段配电网负荷向上级电网购电功率，Ppv,m,t表示第p个分布式光伏系统在t时刻的实际发电上网功率，PMload,t、PDload,t分别表示t时段微电网群负荷和配电网负荷。
进一步地，配电网向上级电网的潮流反送约束条件为：
Pgrid,t≥0
其中，采用线性化的配电网潮流模型约束系统潮流，忽略了云储能系统网损。
进一步地，各微电网内分布式光伏就地消纳率约束条件为：
Figure BDA0004126388640000121
式中，PfPV,m,t为第m个分布式光伏系统在t时刻的总发电功率，ζPV为光伏就地消纳率下限。
进一步地，微电网紧急备用约束条件为：
Figure BDA0004126388640000122
上式中，
Figure BDA0004126388640000123
和
Figure BDA0004126388640000124
分别为第m个微电网内的分布式储能在t时刻的充电功率及充电功率最小值。
Figure BDA0004126388640000125
和
Figure BDA0004126388640000126
分别为第m个微电网内的分布式储能在t时刻的放电功率及放电功率最大值。考虑到微电网的紧急备用一般在离网运行、事故停电的应急场景获得实际应用，因此微电网内部备用主要为向上备用，其中，RESS,m,t是第m个微电网内的分布式储能在t时段的备用容量；RESS_C,t是第m个微电网内的分布式储能在t时段处于充电状态的备用容量；RESS_G,m,t是第m个微电网内的分布式储能在t时段处于放电状态的备用容量。
Figure BDA0004126388640000127
为第m个微电网内的分布式储能的荷电状态下限。
Figure BDA0004126388640000128
表示重要负荷比例系数；
Figure BDA0004126388640000129
为t时刻第m个微电网的本地负荷量。
进一步地，采用储能运行约束描述集中式储能电站及分布式储能的运行约束，包括储能电站充放电功率上下限约束、储能电站运行状态约束，储能电站荷电状态约束。
下面通过一个具体的实施例来说明一种多目标驱动的微电网群云储能优化配置方法的有效性的。
如图9所示，微电网群云储能系统19～22号节点聚合为微电网I，12～18号节点聚合为微电网II，26～33号节点聚合为微电网III，各微电网中均包含分布式光伏发电(PV1～PV3)及一定比例需保障供电可靠性的重要负荷；各微电网配备分布式储能系统DE1～DE3，在促进分布式光伏就地消纳的同时，充当应急场景下重要负荷的不间断电源，集中式储能装置(CE)分布在6号节点。
如图10和图11所示，分别为春秋季、夏季及冬季典型日光伏出力预测值标幺值曲线及微电网群总负荷预测值曲线，光伏阵列单元的额定功率为300千瓦，额定寿命为25年，单位光伏运维成本为0.0075元/千瓦，单位弃光惩罚成本为0.05元/千瓦时。蓄电池组的最大荷电状态为0.9倍额定容量，最小荷电状态为0.2倍额定容量，充放电效率为0.86，额定寿命为10年，单位容量成本为300元/千瓦时，单位功率成本为80元/千瓦，单位固定运维成本为1元/千瓦，单位可变运维成本为0.01元/千瓦。
如图12和图13所示，分别是本实施例采用的峰谷电价曲线与储能投资成本规模效应曲线，折现率r为8％，重要负荷占各微电网负荷总量的5％，微电网解列运行等应急场景下重要负荷持续供电不低于两小时，各微电网分布式消纳率下限为85％。
如图14及图15所示，分别为云储能系统容量优化配置结果的经济-低碳性能帕累托解集及经济-可靠性能帕累托解集，分别选取经济、低碳及可靠性优化目标最大的配置方案为方案1-3，方案1～方案3优化配置方案及效益参数如下表3所示。
表3
微电网群年度经济利润/万元 2322.89 2050.68 2200.31
微电网群年度碳排放/t 4985.40 4839.22 5104.40
重要负荷支撑系数 1.28 3.04 8.08
微电网群年度储能费用/万元 1056.35 872.12 1304.80
等年值储能投资成本/万元 634.53 520.91 794.31
年度储能更新成本/万元 293.91 241.28 367.92
年度储能运维成本/万元 127.90 110.53 142.56
蓄电池组配置组数 [220，4，18，4] [140，36，4，10] [154，44，44，44]
光伏总出力/(MW·h/d，兆瓦时/度) 35.34 35.34 35.34
上级电网购电/(MW·h/d) 24.00 23.22 24.68
对比方案1-3，由方案1可知，为最大化云储能系统的经济效益，需集中配备大容量的共享储能装置。集中投资的规模效应可有效降低储能的单位投资成本，同时，更大容量的储能装置有利于面向峰谷电价的套利，进一步降低系统运行成本。
由方案2可知，全可再生能源微电网内电源发电不直接产生碳排放，系统的主要碳排放为向上级电网购电结算的间接碳排放。因此，为最优化系统低碳性能指标，优化配置策略及典型日运行模拟策略将倾向于在最大化系统光伏消纳的同时降低从上级电网购电量，从而最小化由于采购外部电量导致的用电碳排放；由于储能充放电存在能量损耗，面向低碳性能优化的储能配置及云储能运行策略将倾向于减少储能充放，这虽然降低了储能的投资需求与成本，但同样也削弱了储能面向峰谷电价套利、削减电量电费的效益；采用固定的平均碳排放因子进行碳排放计量，若进一步考虑具备时空差异性的动态碳排放因子，将通过云储能装置的低碳响应与调控进一步降低系统碳排放。
由方案3可知，微电网的可靠性支撑主要由本地灵活性资源提供；为了提升微电网在紧急场景下为重要负荷持续供电的能力，各微电网需提升其内部分布式储能容量。实际上，考虑各微电网的功率互济，各微电网的分布式储能除提供本地的应急备用以外，其剩余功率与容量仍能为其他微电网提供储能服务；在集群调控与协调的多微电网中，云储能技术将能够同时聚合集中式及分布式储能资源，合理配比集中式储能及分布式储能将有利于微电网群运行经济性及可靠性的有效平衡。
以春秋典型日运行结果为例，如图16～图18所示，方案1配备了最大容量的集中式储能装置，主要通过集中式储能消纳富余光伏，并面向峰谷电价在高电价、高负荷、光伏低出力时段放电，进一步削减微电网群运行成本；方案2中系统在充分消纳光伏发电后并未进一步进行大规模的谷时段充电，牺牲了部分“低储高放”的套利收益，减少了由于充放电电能损耗导致的额外电能消耗，从而减少了从上级电网购电量及由此导致的间接碳排放；方案3中各微电网分布式储能配备容量提升，与集中式储能同步进行充放电，构成云储能系统，支撑系统经济运行；此外，对比方案1传统微电网独立投资运营储能模式下配电网的潮流分布情况可知，无共享储能时系统潮流与辐射状拓扑相契合，引入共享储能之后系统潮流发生改变，但仅在低电价的期间，产生了从上级电网大量购电行为，导致配电网与上级电网互联线路产生较大功率流，但从全日时间尺度及线路尺度观察，没有优化配电网的整体潮流分布情况。
如下表4所示，对比了云储能模式方案1即经济性最优配置方案与独立投资模式下微电网群及各微电网的盈利情况。
表4
Figure BDA0004126388640000141
可见，相较独立配置储能模式，云储能模式下各微电网均能获得更高的盈利水平。
此外，对比方案1传统微电网独立投资运营储能模式下配电网的潮流分布情况可知，无共享储能时系统潮流与辐射状拓扑相契合，引入共享储能之后系统潮流发生改变，但仅在低电价的期间，产生了从上级电网大量购电行为，导致配电网与上级电网互联线路产生较大功率流，但从全日时间尺度及线路尺度观察，本发明所提模型优化配电网的整体潮流分布情况。
综上上述，上述实施例证明了一种多目标驱动的微电网群云储能优化配置方法在聚合复用储能资源、提升储能利用率、降低单位储能投资成本方面的有效性，能够为微电网群的储能投资提供计及经济性、低碳性及可靠性的方案集合。
本发明实施例还公开了一种多目标驱动的微电网群云储能优化配置装置，如图19所示，包括：
建立模块191，用于获取微电网群云储能数据，基于上述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数。
第一构建模块192，用于基于上述经济性优化目标函数、上述低碳性优化目标函数和上述可靠性优化目标函数，经过投资决策约束条件，构建上述微电网群云储能优化配置规划层模型。
具体地，面向如图2所示的微电网群云储能系统，建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数，以及确定投资决策约束条件，其优化决策变量为微电网群云储能系统额定容量，进而构建上述微电网群云储能优化配置规划层模型。
第二构建模块193，用于基于上述微电网群云储能数据建立运行收益目标函数，并基于上述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型。
具体地，考虑云储能系统经配电网为微电网提供充放电服务，以及预设约束条件集，即云储能系统功率平衡约束条件、分布式光伏就地消纳约束条件、微电网紧急备用约束条件、储能装置运行约束条件、潮流反送约束条件构建微电网群云储能优化配置调度层模型。
迭代求解模块194，用于利用第二代非支配遗传算法对上述微电网群云储能优化配置规划层模型和上述微电网群云储能优化配置调度层模型进行迭代求解，生成帕累托解集。
具体地，如图3所示，利用第二代非支配遗传算法，对上述微电网群云储能优化配置规划层模型和上述微电网群云储能优化配置调度层模型进行迭代求解的步骤如下：
a.输入微电网群云储能系统拓扑、各典型日系统光伏出力、负荷预测曲线等参数；
b.调用配置层模型，随机初始化决策变量种群P；
c.调用调度层模型，计算初始种群个体的适应度函数，开展非支配排序和拥挤度计算；
d.从父代种群P中通过选择、交叉及变异操作产生子代种群；
e.校验是否达到计算终止条件，若是，进入f，若没有，返回b；
f.输出Pareto(帕累托)最优解集；
g.调用博弈层模型，量化各微电网在云储能系统中的收益贡献，实现各微电网利润分配。
评估模块195，用于对上述帕累托解集分别进行经济评估、低碳评估和可靠性评估，基于评估结果确定微电网群云储能优化配置方案，上述微电网群云储能优化配置方案用于多目标驱动微电网运行。
具体地，基于Shapley值法(夏普利值法)对参与微电网群云储能系统的微电网进行利润分配，对帕累托解集内的微电网群云储能配置方案进行经济、低碳及可靠性能评估，根据实际投资偏好优选微电网群云储能系统配置方案。
进一步地，针对参与云储能投资的各微电网，基于Shapley值法进行收益分配，量化不同微电网在云储能系统投资运行过程中的贡献。
其中，Shapley值法的具体计算过程为：假设微电网群包含m个微电网，其集合为M＝{1,2,...,m}，s为M的一个子集且
Figure BDA0004126388640000151
并用v(s)表示子集s所应获取的利润，则集合M中各微电网所应分得的利润为：
Figure BDA0004126388640000152
上式中，ρm为微电网m所应获得的利润，Sm为所有包含微电网m的用户子集，v(s/{m})为子集s去除微电网m后所应获得的利润，v(s)-v(s/{m})为微电网m在子集s中所占据的利润额，ω(|s|)是子集s的概率权重，其计算方式为：
Figure BDA0004126388640000153
上式中，n！表示微电网群的全排列，(|s|-1)！表示子集s中除微电网m外剩余微电网的排列数，(n-|s|)！表示除子集s外剩余子集的排列数。
本发明提供的一种多目标驱动的微电网群云储能优化配置装置，综合考虑了经济、低碳及可靠性多类型效益，实现了微电网群云储能系统容量的优化配置，通过储能资源的聚合与共享、不同储能用户的充放电需求互补提升储能资源利用效率，通过集中投资的规模效应降低单位储能投资成本，从而降低用户使用储能服务的成本，有效降低了储能服务的使用成本及储能装置的利用效率，并同时降低了微电网群的碳排放，提升了微电网群的运行可靠性。
作为本发明一个可选实施方式，上述建立模块191，包括：
确定子模块，用于基于上述微电网群云储能数据确定储能装置的电量电费削减收益、储能装置初始投资资本、储能装置替换成本、储能装置运维成本、潮流拥塞惩罚成本。
第一构建子模块，用于基于上述储能装置的电量电费削减收益、上述储能装置初始投资资本、上述储能装置替换成本、上述储能装置运维成本、上述潮流拥塞惩罚成本构建经济性优化目标函数。
具体地，经济性优化目标函数可表示为：
maxF＝max(Bele-Cins-Crep-Com-Ccon) (3)
上式中，F为系统总投资成本，Bele为储能装置的电量电费削减收益，Cins为储能装置初始投资成本，Crep为储能装置替换成本，Com为储能装置运维成本，Ccon为云储能服务导致的潮流拥塞惩罚成本。
第二构建子模块，用于提取上述微电网群云储能数据中的单位电量碳排放系数和微电网群向上级电网的购电功率，基于上述单位电量碳排放系数和上述微电网群向上级电网的购电功率构建低碳性优化目标函数。
具体地，低碳性优化目标函数可表示为：
Figure BDA0004126388640000161
上式中，E表示系统年碳排放量，单位为t(吨)，cemi表示单位电量碳排放系数，单位为t/kWh(吨/千瓦小时)，Pgrid_MG,t为微电网群在t时刻向上级电网的购电功率。
第三构建子模块，用于提取上述微电网群云储能数据中的微电网紧急负荷备用和微电网重要负荷量，基于上述微电网紧急负荷备用和上述微电网重要负荷量构建可靠性优化目标函数。
具体地，可靠性优化目标函数可表示为：
Figure BDA0004126388640000162
上式中，R表示重要负荷支撑系数，
Figure BDA0004126388640000163
为第m个微电网的紧急负荷备用，Limp,m表示第m个微电网的重要负荷量。
进一步地，微电网群云储能优化配置规划层模型的投资决策约束条件为：
Figure BDA0004126388640000164
上式中，NESS_cen表示集中式储能规划台数，
Figure BDA0004126388640000165
和
Figure BDA0004126388640000166
分别为集中式储能规划台数的上、下限，NESS_dis,m表示第m台分散式储能规划台数、
Figure BDA0004126388640000167
和
Figure BDA0004126388640000168
分别为分散式储能规划台数的上、下限。
作为本发明一个可选实施方式，上述确定子模块，包括：
第一确定单元，用于提取上述微电网群云储能数据中集中式储能电站的充放电功率、分布式储能电站充放电功率、云储能场景下微电网内的分布式光伏电站有功功率、无储能场景下微电网内的分布式光伏电站有功功率和分时电价，并基于上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率、上述云储能场景下微电网内的分布式光伏电站有功功率、上述无储能场景下微电网内的分布式光伏电站有功功率和上述分时电价确定微电网群的单日电量电费削减收益。
第二确定单元，用于提取上述微电网群云储能数据中云储能系统的运行天数和折现值，并基于上述云储能系统的运行天数、上述折现值和上述微电网群的单日电量电费削减收益确定上述储能装置的电量电费削减收益。
具体地，储能装置的电量电费削减收益Bele的计算公式如下所示：
Figure BDA0004126388640000171
上式中，Tpro为储能系统的工程寿命，τ为储能工程运行年份的计数变量，r为折现值，D为云储能系统的年运行天数，去除维护时间，取D＝345天，Sele为微电网群单日的电量电费削减收益。
第三确定单元，用于提取上述微电网群云储能数据中的储能单位容量、功率投资成本、云储能系统中集中式储能电站的额定容量和额定功率以及微电网内的分布式储能电站的额定容量和额定功率，并基于上述储能单位容量、上述功率投资成本、上述云储能系统中集中式储能电站的额定容量和额定功率以及上述微电网内的分布式储能电站的额定容量和额定功率确定储能装置初始投资资本。
具体地，储能装置初始投资资本Cins的计算公式如下所示：
Figure BDA0004126388640000172
上式中，cESS,E表示储能单位容量，
Figure BDA0004126388640000173
表示集中式储能电站的额定容量，cESS,P表示功率投资成本，
Figure BDA0004126388640000174
表示集中式储能电站的额定功率，
Figure BDA0004126388640000175
表示第m个微电网内分布式储能电站的额定容量，
Figure BDA0004126388640000176
表示第m个微电网内的分布式储能电站的额定功率，M表示群内微电网个数。
第四确定单元，用于基于上述折现值与上述储能装置初始投资资本确定储能装置替换成本。
具体地，储能装置替换成本Crep的计算公式如下所示：
Figure BDA0004126388640000177
上式中，ρ表示储能设备需要进行置换的次数，TESS表示储能设备寿命，a表示指储能设备运行年份的计数变量。
第五确定单元，用于提取上述微电网群云储能数据中的储能设备的单位固定运维成本和单位可变运维成本，并基于集中式储能电站的额定功率、分布式储能电站的额定功率、上述云储能系统中集中式储能电站的充放电功率、上述微电网内分布式储能电站充放电功率、上述单位固定运维成本、上述单位可变运维成本、上述云储能系统的运行天数和上述折现值确定储能装置运维成本。
具体地，基于集中式储能电站的额定功率、分布式储能电站的额定功率、上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率、上述单位固定运维成本、上述单位可变运维成本、上述云储能系统的运行天数确定储能年运行维护成本，储能年运行维护成本Com,y的计算公式如下所示：
Figure BDA0004126388640000181
上式中，cESS,OM,fix表示储能设备的单位固定运维成本，cESS,OM,var表示储能设备的单位可变运维成本，
Figure BDA0004126388640000182
为t时段云储能系统中集中式储能电站的充电功率，
Figure BDA0004126388640000183
为t时段云储能系统中集中式储能电站的放电功率，
Figure BDA0004126388640000184
为t时段第m个微电网的分布式储能电站充电功率，
Figure BDA0004126388640000185
为t时段第m个微电网的分布式储能电站放电功率。
进一步地，储能装置运维成本Com的计算公式如下所示：
Figure BDA0004126388640000186
第六确定单元，用于提取上述微电网群云储能数据中的联络线有功功率拥塞惩罚成本、联络线无功功率拥塞惩罚成本和配电网节点电压越限惩罚成本，并基于上述联络线有功功率拥塞惩罚成本、上述联络线无功功率拥塞惩罚成本、上述配电网节点电压越限惩罚成本、上述折现值和上述云储能系统的年运行天数确定潮流拥塞惩罚成本。
作为本发明一个可选实施方式，上述第一确定单元，包括：
第一确定子单元，用于基于上述云储能场景下微电网内的分布式光伏电站有功功率、上述无储能场景下微电网内的分布式光伏电站有功功率和上述分时电价确定微电网群的单日弃光削减收益。
具体地，微电网群的单日弃光削减收益Spv的计算公式如下所示：
Figure BDA0004126388640000187
上式中，T为单日调度时长，取时段间隔为1h(即Δt＝1h)，Ppv,pro,m,t表示云储能场景第m个微电网内的分布式光伏电站在t时段输出的有功功率，Ppv,ben,m,t表示无储能场景下第m个微电网内的分布式光伏电站在t时段输出的有功功率，
Figure BDA0004126388640000191
为微电网群集合，指代微电网数目，fgrid,t表示t时段的分时电价。
第二确定子单元，用于基于上述分时电价、上述微电网群的单日弃光削减收益、上述集中式储能电站的充放电功率、上述分布式储能电站充放电功率确定上述微电网群的单日电量电费削减收益。
具体地，微电网群的单日电量电费削减收益的计算公式如下所示：
Figure BDA0004126388640000192
上式中，
Figure BDA0004126388640000193
为t时段云储能系统中集中式储能电站的充电功率，
Figure BDA0004126388640000194
为t时段云储能系统中集中式储能电站的放电功率，
Figure BDA0004126388640000195
为t时段第m个微电网的分布式储能电站充电功率，
Figure BDA0004126388640000196
为t时段第m个微电网的分布式储能电站放电功率。
作为本发明一个可选实施方式，上述第六确定单元，包括：
第三确定子单元，用于基于上述联络线有功功率拥塞惩罚成本、上述联络线无功功率拥塞惩罚成本和上述配电网节点电压越限惩罚成本分别确定投资云储能后配电网系统的拥塞惩罚成本和未投资云储能时配电网系统的拥塞惩罚成本。
具体地，未投资云储能时配电网系统的拥塞惩罚成本Cben_con的计算公式如下所示：
Cben_con＝CPline_con+CQline_con+Cnode_con
Figure BDA0004126388640000197
Figure BDA0004126388640000198
Figure BDA0004126388640000199
上式中，CPline_con表示联络线有功功率拥塞惩罚成本、CQline_con表示联络线无功功率拥塞惩罚成本，Cnode_con表示配电网节点电压越限惩罚成本，L表示联络线条数，N表示节点个数，
Figure BDA00041263886400001910
表示t时段第i条线路有功功率，
Figure BDA00041263886400001911
表示t时段第i条线路无功功率，
Figure BDA00041263886400001912
表示第i条联络线额定有功功率，
Figure BDA00041263886400001913
表示第i条联络线额定无功功率，
Figure BDA00041263886400001914
表示t时段第i个节点电压标幺值，fline表示单位线路功率越限惩罚成本，fnode表示单位节点电压越限惩罚成本。
进一步地，投资云储能后配电网系统的拥塞惩罚成本和未投资云储能时配电网系统的拥塞惩罚成本的计算方式相同。
第四确定子单元，用于基于上述折现值、上述云储能系统的年运行天数、上述投资云储能后配电网系统的拥塞惩罚成本和上述未投资云储能时配电网系统的拥塞惩罚成本确定潮流拥塞惩罚成本。
具体地，潮流拥塞惩罚成本Ccon的计算公式如下所示：
Figure BDA0004126388640000201
作为本发明一个可选实施方式，上述第二构建模块193，包括：
建立子模块，用于基于上述微电网群的单日电量电费削减收益、上述投资云储能后配电网系统的拥塞惩罚成本和上述未投资云储能时配电网系统的拥塞惩罚成本建立上述运行收益目标函数。
具体地，运行收益目标函数可表示为：
maxFd＝min[Sele-(Cpro_con-Cben_con)] (16)
上式中，Fd为微电网群的日运行收益。
第四构建子模块，用于基于上述运行收益目标函数，经过预设约束条件集，构建上述微电网群云储能优化配置调度层模型。
具体地，上述预设约束条件集，包括：云储能系统功率平衡约束条件、分布式光伏就地消纳约束条件、微电网紧急备用约束条件、储能装置运行约束条件和潮流反送约束条件。
进一步地，保证云储能设施仅为微电网提供储能服务的云储能系统功率平衡约束条件为：
Figure BDA0004126388640000202
上式中，Pgrid,t为t时刻上级电网供电功率，Pgrid_DN,t别表示t时段配电网负荷向上级电网购电功率，Ppv,m,t表示第p个分布式光伏系统在t时刻的实际发电上网功率，PMload,t、PDload,t分别表示t时段微电网群负荷和配电网负荷。
进一步地，配电网向上级电网的潮流反送约束条件为：
Pgrid,t≥0
其中，采用线性化的配电网潮流模型约束系统潮流，忽略了云储能系统网损。
进一步地，各微电网内分布式光伏就地消纳率约束条件为：
Figure BDA0004126388640000211
式中，PfPV,m,t为第m个分布式光伏系统在t时刻的总发电功率，ζPV为光伏就地消纳率下限。
进一步地，微电网紧急备用约束条件为：
Figure BDA0004126388640000212
上式中，
Figure BDA0004126388640000213
和
Figure BDA0004126388640000214
分别为第m个微电网内的分布式储能在t时刻的充电功率及充电功率最小值。
Figure BDA0004126388640000215
和
Figure BDA0004126388640000216
分别为第m个微电网内的分布式储能在t时刻的放电功率及放电功率最大值。考虑到微电网的紧急备用一般在离网运行、事故停电的应急场景获得实际应用，因此微电网内部备用主要为向上备用，其中，RESS,m,t是第m个微电网内的分布式储能在t时段的备用容量；RESS_C,t是第m个微电网内的分布式储能在t时段处于充电状态的备用容量；RESS_G,m,t是第m个微电网内的分布式储能在t时段处于放电状态的备用容量。
Figure BDA0004126388640000217
为第m个微电网内的分布式储能的荷电状态下限。
Figure BDA0004126388640000218
表示重要负荷比例系数；
Figure BDA0004126388640000219
为t时刻第m个微电网的本地负荷量。
进一步地，采用储能运行约束描述集中式储能电站及分布式储能的运行约束，包括储能电站充放电功率上下限约束、储能电站运行状态约束，储能电站荷电状态约束。
另外，本发明实施例还提供了一种电子设备，如图20所示，该电子设备可以包括处理器110和存储器120，其中处理器110和存储器120可以通过总线或者其他方式连接，图20中以通过总线连接为例。此外，该电子设备中还包括至少一个接口130，该至少一个接口130可以是通信接口或其他接口，本实施例对此不做限制。
其中，处理器110可以为中央处理器(Central Processing Unit，CPU)。处理器110还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器120作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的视频合成方法对应的程序指令/模块。处理器110通过运行存储在存储器120中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的一种多目标驱动的微电网群云储能优化配置方法。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器110所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至处理器110。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
另外，至少一个接口130用于电子设备与外部设备的通信，比如与服务器通信等。可选的，至少一个接口130还可以用于连接外设输入、输出设备，比如键盘、显示屏等。
所述一个或者多个模块存储在所述存储器120中，当被所述处理器110执行时，执行如图1所示实施例中的一种多目标驱动的微电网群云储能优化配置方法。
上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种多目标驱动的微电网群云储能优化配置方法，其特征在于，包括：
获取微电网群云储能数据，基于所述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数；
基于所述经济性优化目标函数、所述低碳性优化目标函数和所述可靠性优化目标函数，经过投资决策约束条件，构建所述微电网群云储能优化配置规划层模型；
基于所述微电网群云储能数据建立运行收益目标函数，并基于所述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型；
利用第二代非支配遗传算法，对所述微电网群云储能优化配置规划层模型和所述微电网群云储能优化配置调度层模型进行迭代求解，生成帕累托解集；
对所述帕累托解集分别进行经济评估、低碳评估和可靠性评估，基于评估结果确定微电网群云储能优化配置方案，所述微电网群云储能优化配置方案用于多目标驱动微电网运行。
2.根据权利要求1所述的一种多目标驱动的微电网群云储能优化配置方法，其特征在于，所述基于所述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数，包括：
基于所述微电网群云储能数据确定储能装置的电量电费削减收益、储能装置初始投资资本、储能装置替换成本、储能装置运维成本、潮流拥塞惩罚成本；
基于所述储能装置的电量电费削减收益、所述储能装置初始投资资本、所述储能装置替换成本、所述储能装置运维成本、所述潮流拥塞惩罚成本构建经济性优化目标函数；
提取所述微电网群云储能数据中的单位电量碳排放系数和微电网群向上级电网的购电功率，基于所述单位电量碳排放系数和所述微电网群向上级电网的购电功率构建低碳性优化目标函数；
提取所述微电网群云储能数据中的微电网紧急负荷备用和微电网重要负荷量，基于所述微电网紧急负荷备用和所述微电网重要负荷量构建可靠性优化目标函数。
3.根据权利要求2所述的一种多目标驱动的微电网群云储能优化配置方法，其特征在于，所述基于所述微电网群云储能数据确定储能装置的电量电费削减收益、储能装置初始投资资本、储能装置替换成本、储能装置运维成本、潮流拥塞惩罚成本，包括：
提取所述微电网群云储能数据中集中式储能电站的充放电功率、分布式储能电站充放电功率、云储能场景下微电网内的分布式光伏电站有功功率、无储能场景下微电网内的分布式光伏电站有功功率和分时电价，并基于所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率、所述云储能场景下微电网内的分布式光伏电站有功功率、所述无储能场景下微电网内的分布式光伏电站有功功率和所述分时电价确定微电网群的单日电量电费削减收益；
提取所述微电网群云储能数据中云储能系统的运行天数和折现值，并基于所述云储能系统的运行天数、所述折现值和所述微电网群的单日电量电费削减收益确定所述储能装置的电量电费削减收益；
提取所述微电网群云储能数据中的储能单位容量、功率投资成本、云储能系统中集中式储能电站的额定容量和额定功率以及微电网内的分布式储能电站的额定容量和额定功率，并基于所述储能单位容量、所述功率投资成本、所述云储能系统中集中式储能电站的额定容量和额定功率以及所述微电网内的分布式储能电站的额定容量和额定功率确定储能装置初始投资资本；
基于所述折现值与所述储能装置初始投资资本确定储能装置替换成本；
提取所述微电网群云储能数据中的储能设备的单位固定运维成本和单位可变运维成本，并基于集中式储能电站的额定功率、分布式储能电站的额定功率、所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率、所述单位固定运维成本、所述单位可变运维成本、所述云储能系统的运行天数和所述折现值确定储能装置运维成本；
提取所述微电网群云储能数据中的联络线有功功率拥塞惩罚成本、联络线无功功率拥塞惩罚成本和配电网节点电压越限惩罚成本，并基于所述联络线有功功率拥塞惩罚成本、所述联络线无功功率拥塞惩罚成本、所述配电网节点电压越限惩罚成本、所述折现值和所述云储能系统的年运行天数确定潮流拥塞惩罚成本。
4.根据权利要求3所述的一种多目标驱动的微电网群云储能优化配置方法，其特征在于，所述基于所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率、所述云储能场景下微电网内的分布式光伏电站有功功率、所述无储能场景下微电网内的分布式光伏电站有功功率和所述分时电价确定微电网群的单日电量电费削减收益，包括：
基于所述云储能场景下微电网内的分布式光伏电站有功功率、所述无储能场景下微电网内的分布式光伏电站有功功率和所述分时电价确定微电网群的单日弃光削减收益；
基于所述分时电价、所述微电网群的单日弃光削减收益、所述集中式储能电站的充放电功率、所述分布式储能电站充放电功率确定所述微电网群的单日电量电费削减收益。
5.根据权利要求3所述的一种多目标驱动的微电网群云储能优化配置方法，其特征在于，所述基于所述联络线有功功率拥塞惩罚成本、所述联络线无功功率拥塞惩罚成本、所述配电网节点电压越限惩罚成本、所述折现值和所述云储能系统的年运行天数确定潮流拥塞惩罚成本，包括：
基于所述联络线有功功率拥塞惩罚成本、所述联络线无功功率拥塞惩罚成本和所述配电网节点电压越限惩罚成本分别确定投资云储能后配电网系统的拥塞惩罚成本和未投资云储能时配电网系统的拥塞惩罚成本；
基于所述折现值、所述云储能系统的年运行天数、所述投资云储能后配电网系统的拥塞惩罚成本和所述未投资云储能时配电网系统的拥塞惩罚成本确定潮流拥塞惩罚成本。
6.根据权利要求5所述的一种多目标驱动的微电网群云储能优化配置方法，其特征在于，所述基于所述微电网群云储能数据建立运行收益目标函数，并基于所述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型，包括：
基于所述微电网群的单日电量电费削减收益、所述投资云储能后配电网系统的拥塞惩罚成本和所述未投资云储能时配电网系统的拥塞惩罚成本建立所述运行收益目标函数；
基于所述运行收益目标函数，经过预设约束条件集，构建所述微电网群云储能优化配置调度层模型。
7.根据权利要求1所述的一种多目标驱动的微电网群云储能优化配置方法，其特征在于，所述预设约束条件集，包括：
云储能系统功率平衡约束条件、分布式光伏就地消纳约束条件、微电网紧急备用约束条件、储能装置运行约束条件和潮流反送约束条件。
8.一种多目标驱动的微电网群云储能优化配置装置，其特征在于，包括：
建立模块，用于获取微电网群云储能数据，基于所述微电网群云储能数据建立经济性优化目标函数、低碳性优化目标函数和可靠性优化目标函数；
第一构建模块，用于基于所述经济性优化目标函数、所述低碳性优化目标函数和所述可靠性优化目标函数，经过投资决策约束条件，构建所述微电网群云储能优化配置规划层模型；
第二构建模块，用于基于所述微电网群云储能数据建立运行收益目标函数，并基于所述运行收益目标函数，经过预设约束条件集，构建微电网群云储能优化配置调度层模型；
迭代求解模块，用于利用第二代非支配遗传算法对所述微电网群云储能优化配置规划层模型和所述微电网群云储能优化配置调度层模型进行迭代求解，生成帕累托解集；
评估模块，用于对所述帕累托解集分别进行经济评估、低碳评估和可靠性评估，基于评估结果确定微电网群云储能优化配置方案，所述微电网群云储能优化配置方案用于多目标驱动微电网运行。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器与所述处理器耦合；
所述存储器上存储有计算机可读程序指令，当所述指令被所述处理器执行时，实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202310247004.9A 2023-03-10 2023-03-10 一种多目标驱动的微电网群云储能优化配置方法及装置 Pending CN116436048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310247004.9A CN116436048A (zh) 2023-03-10 2023-03-10 一种多目标驱动的微电网群云储能优化配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310247004.9A CN116436048A (zh) 2023-03-10 2023-03-10 一种多目标驱动的微电网群云储能优化配置方法及装置

Publications (1)

Publication Number Publication Date
CN116436048A true CN116436048A (zh) 2023-07-14

Family

ID=87078762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310247004.9A Pending CN116436048A (zh) 2023-03-10 2023-03-10 一种多目标驱动的微电网群云储能优化配置方法及装置

Country Status (1)

Country Link
CN (1) CN116436048A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578467A (zh) * 2024-01-17 2024-02-20 苏州新能量能源科技有限公司 一种基于电量权重的微电网集群运行控制方法及装置
CN118472949A (zh) * 2024-07-11 2024-08-09 国网浙江省电力有限公司温州供电公司 微电网运行优化调度方法、装置、设备、介质及产品

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578467A (zh) * 2024-01-17 2024-02-20 苏州新能量能源科技有限公司 一种基于电量权重的微电网集群运行控制方法及装置
CN117578467B (zh) * 2024-01-17 2024-03-29 苏州新能量能源科技有限公司 一种基于电量权重的微电网集群运行控制方法及装置
CN118472949A (zh) * 2024-07-11 2024-08-09 国网浙江省电力有限公司温州供电公司 微电网运行优化调度方法、装置、设备、介质及产品
CN118472949B (zh) * 2024-07-11 2024-09-17 国网浙江省电力有限公司温州供电公司 微电网运行优化调度方法、装置、设备、介质及产品

Similar Documents

Publication Publication Date Title
Sevilla et al. Techno-economic analysis of battery storage and curtailment in a distribution grid with high PV penetration
CN109508857B (zh) 一种主动配电网多阶段规划方法
CN107301470B (zh) 一种配电网扩展规划与光储选址定容的双层优化方法
CN109755967B (zh) 一种配电网中光储系统的优化配置方法
Li et al. Techno-economic performance of battery energy storage system in an energy sharing community
CN116436048A (zh) 一种多目标驱动的微电网群云储能优化配置方法及装置
Anderson et al. Increasing resiliency through renewable energy microgrids
Narimani et al. SAIDI constrained economic planning and utilization of central storage in rural distribution networks
CN112671022B (zh) 光储充电站容量优化配置方法、系统、终端及存储介质
CN105760993A (zh) 一种多源接入主动配电网评估方法
Qi et al. When shared autonomous electric vehicles meet microgrids: Citywide energy-mobility orchestration
CN109873449A (zh) 一种户用微网中光储容量优化配置方法
Awasthi et al. Operation of datacenter as virtual power plant
Abdelwahab et al. An optimal resource allocation for future parking lots with charger assignment considering uncertainties
Pruckner et al. A study on the impact of packet loss and latency on real-time demand response in smart grid
CN117543655A (zh) 计及辅助服务的微电网群退役电池共享储能优化配置方法
CN112132638A (zh) 一种储能上网定价系统及方法
CN112721706A (zh) 考虑弹性的电动汽车充电站储能系统的容量优化方法
CN114039351B (zh) 一种储能容量配置方法及装置
CN112865101B (zh) 一种考虑可再生能源出力不确定性的线性化交易方法
Barberi et al. Assessing the Economic Benefit due to BESS Management in a Renewable Energy Community of a Small Island
CN112102047A (zh) 虚拟电厂优化组合竞价方法、装置、设备和存储介质
Majzoobi et al. Microgrid value of ramping
Nick et al. A robust optimization framework for the day-ahead scheduling of active distribution networks including energy storage systems
Mišljenović et al. Optimal Utilization of Electric Vehicles in the Parking Lot of the Faculty Building to Increase Social Welfare

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