CN116613821B - 一种多能协同运行方法、运行平台、设备及存储介质 - Google Patents
一种多能协同运行方法、运行平台、设备及存储介质 Download PDFInfo
- Publication number
- CN116613821B CN116613821B CN202310855112.4A CN202310855112A CN116613821B CN 116613821 B CN116613821 B CN 116613821B CN 202310855112 A CN202310855112 A CN 202310855112A CN 116613821 B CN116613821 B CN 116613821B
- Authority
- CN
- China
- Prior art keywords
- energy
- time scale
- current time
- distributed
- power supply
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004146 energy storage Methods 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000005611 electricity Effects 0.000 claims description 54
- 238000010248 power generation Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000011017 operating method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—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
- H02J3/28—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
-
- 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
-
- 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
Abstract
本发明提供了一种多能协同运行方法、运行平台、设备及存储介质,涉及电力系统技术领域,基于多能源综合系统,多能源综合系统包括多个分布式能源和储能设备,多能协同运行方法包括:获取各分布式能源和储能设备的相关参数,相关参数包括设备特性、出力特性及连接方式;将相关参数输入多能协同优化模型中,采用交替方向乘子法对多能协同优化模型进行求解,输出多能源综合系统中各分布式能源和储能设备的运行方案,多能协同优化模型基于成本目标函数和多约束条件构建,并以当前时间尺度下的用户侧成本最小为目标,成本目标函数当前时间尺度下的用电负荷数据及各分布式能源和储能设备的供电能力得到;实现了及时对多种能源进行协同控制。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及一种多能协同运行方法、运行平台、设备及存储介质。
背景技术
近年来,风力、光伏等可再生能源发电的接入比例不断提高,因此如何对多能源形式的综合调度研究及实现多能源的协同优化运行显得尤为重要。
目前,对于多种能源形式的综合调度研究较少,尤其对多能源综合系统中电源侧的调度能力以及协同控制,因可再生能源发电的间歇性、波动性与不确定性,无法及时对多能源综合系统中电源侧多种能源进行协同控制,造成多种能源的利用率低,而对于用户侧在不同时段会出现用电需求不足或终端用户的费用高的情况,因此如何及时对多种能源进行协同控制,以此提升多种能源的利用率,保障用户负荷的供能可靠性,是该领域内的需要解决的难点。
发明内容
本发明解决的问题是如何及时对多种能源进行协同控制,以此提升多种能源的利用率,保障用户负荷的供能可靠性。
为解决上述问题,本发明提供一种多能协同运行方法,基于多能源综合系统,所述多能源综合系统包括多个分布式能源和储能设备,所述多能协同运行方法包括如下步骤:
获取各所述分布式能源和所述储能设备的相关参数,所述相关参数包括设备特性、出力特性及连接方式,其中,所述设备特性包括容量信息、电压等级和发电种类,所述出力特性包括波动特性和有效输出率,所述连接方式包括并联方式和通过联络开关切换方式;
将所述相关参数输入多能协同优化模型中,采用交替方向乘子法对所述多能协同优化模型进行求解,输出所述多能源综合系统中各所述分布式能源和所述储能设备的运行方案,其中,所述多能协同优化模型基于成本目标函数和多约束条件构建,并以当前时间尺度下的用户侧成本最小为目标,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到。
可选地,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到,包括:
获取所述当前时间尺度下的用电负荷数据及所述当前时间尺度下各所述分布式能源和所述储能设备的供电能力;
根据各所述供电能力、对应的权重比例、能源价格及设备用户侧成本,得到当前时间尺度下的用户侧成本;
基于所述当前时间尺度下的用电负荷数据,调整各所述权重比例,直至所述当前时间尺度下的用户侧成本最小,得到所述成本目标函数。
可选地,所述根据各所述供电能力、对应的权重比例和能源价格,得到所述当前时间尺度下的用户侧成本,包括:
根据各所述供电能力、对应的所述权重比例和所述能源价格,通过式一计算得到所述当前时间尺度下的用户侧成本;
所述式一为:
其中,C为所述当前时间尺度下的用户侧成本,为所述权重比例,/>为所述能源价格,/>为所述供电能力,N为所述分布式能源和所述储能设备的个数之和。
可选地,所述获取所述当前时间尺度下所述分布式能源的供电能力,包括;
获取所述当前时间尺度的地域信息和设备信息;
根据所述地域信息和所述设备信息得到当前时间尺度下的所述分布式能源的供电能力。
可选地,所述获取当前时间尺度的用电负荷数据,包括:
获取所述当前时间尺度;
将所述当前时间尺度输入负荷预测模型中,得到所述当前时间尺度的用电负荷数据。
可选地,所述负荷预测模型的构建方法包括:
获取历史时间尺度和获取历史用电负荷数据;
根据所述历史时间尺度对初始预测模型进行训练,得到初始预测用电负荷数据;
根据所述初始预测用电负荷数据和所述历史用电负荷数据进行损失计算,得到损失函数输出;
根据所述损失函数输出调整所述初始预测模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述初始预测模型作为所述负荷预测模型。
可选地,所述获取历史用电负荷数据,包括:
获取各用户用电种类的历史用电负荷;
根据所有所述用户用电种类的历史用电负荷和对应的预设权重系数,得到历史用电负荷数据;
其中,所述用电种类包括电负荷,热负荷和冷负荷,所述预设权重系数用于响应各所述用电种类的用电负荷。
本发明所述的多能协同运行方法相对于现有技术的优势在于:通过获取当前能源综合系统中各分布式能源和储能设备的设备特性、出力特性及连接方式,因多能协同优化模型基于成本目标函数和多约束条件构建,而成本目标函数根据当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到,通过多能协同优化模型对相关参数进行处理,以当前时间尺度的用户侧成本最小为目标,并利用交替方向乘子法将多约束条件融入成本目标函数中进行求解得到优化后的最终运行方案;因此,本申请通过多能协同优化模型对供电侧(各分布式能源和储能设备)容量信息、电压等级和发电种类,出力特性和连接方式进行处理,基于不同时段的用户侧负荷和各分布式能源和储能设备的供电能力,在供电侧的相关参数前提下,以当前用户侧负荷的成本最小为目的,即在降低用户侧成本的基础上,保障了供电侧及用户负荷的供能灵活性和可靠性,并利用交替方向乘子法,通过将多约束条件进行解耦,保障供电可靠性,通过并行计算来加速求解过程,进而可快速对多种能源进行协同控制,以此提升多种能源的利用率。
为解决上述技术问题,本发明还提供一种多能协同运行平台,基于多能源综合系统,所述多能源综合系统包括多个分布式能源和储能设备,所述多能协同运行平台包括:
获取单元,用于获取各所述分布式能源和所述储能设备的相关参数,所述相关参数包括设备特性、出力特性及连接方式,其中,所述设备特性包括容量信息、电压等级和发电种类,所述出力特性包括波动特性和有效输出率,所述连接方式包括并联方式和通过联络开关切换方式;
处理单元,用于将所述相关参数输入多能协同优化模型中,采用交替方向乘子法对所述多能协同优化模型进行求解,输出所述多能源综合系统中各所述分布式能源和所述储能设备的运行方案,其中,所述多能协同优化模型基于成本目标函数和多约束条件构建,并以当前时间尺度下的用户侧成本最小为目标,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到。
本发明所述的电力系统运行仿真平台与所述多能协同运行方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种计算机设备,包括存储器和处理器:
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现所述的所述多能协同运行方法。
本发明所述的计算机设备与所述多能协同运行方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现所述的多能协同运行方法的步骤。
本发明所述的计算机可读存储介质与所述多能协同运行方法相对于现有技术的优势相同,在此不再赘述。
附图说明
图1为本发明实施例中多能协同运行方法的流程图;
图2为本发明实施例中成本目标函数构建的流程图;
图3为本发明实施例中多能协同运行平台结构图;
图4为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
如图1所示,在一个实施例中,提供了一种多能协同运行方法,基于多能源综合系统,所述多能源综合系统包括多个分布式能源和储能设备,所述多能协同运行方法包括如下步骤:
步骤S1,获取各所述分布式能源和所述储能设备的相关参数,所述相关参数包括设备特性、出力特性及连接方式,其中,所述设备特性包括容量信息、电压等级和发电种类,所述出力特性包括波动特性和有效输出率,所述连接方式包括并联方式和通过联络开关切换方式;
具体地,分布式能源包括分布式风力发电、分布式光伏发电和冷热电三联供等;储能设备包括利用其他形式或化学反应等方式储存电量的设备,例如-硫、铅酸、锂离子等电池;设备特性包括容量信息,例如:分布式光伏发电的容量为20MW,分布式风力发电为6MW,电压等级包括35千伏及以下电压等级;发电种类包括风力发电、光伏发电和生物发电等;出力特性也就是分布式能源的实际供电能力,但出力特性根据各分布式能源的发电种类导致各不相同,例如分布式风力发电的影响因素包括平均风速、风能利用率和转换效率等,分布式光伏发电的影响因素包括光照强度、光照强度和太阳能电池的角度或面积等,而上述因素随季节、地域等信息而改变,例如某海域附近的分布式风力发电,和分布式光伏发电,相对于本区域的等同的分布式光伏发电,分布式风力发电的出力特性会相较稳定;出力特性包括波动特性和有效输出率,例如分布式风力发电,根据某一时刻风速变化不大,其波动特性就较小,进而使分布式风力发电输出电量波动小;有效输出率是各分布式能源的有效供能情况,有效输出率越高,说明损失率低,系统越稳定;连接方式,即各所述分布式能源和所述储能设备之间的连接方式或各所述分布式能源和所述储能设备与其他电网之间的连接方式等包括并联和通过联络开关切换方式,例如:各所述分布式能源和所述储能设备之间的并联,各所述分布式能源和所述储能设备与其他电网的通过联络开关切换方式等,连接方式不同,最终得到的各所述分布式能源和所述储能设备的运行方案也会相应不同,例如,当多能源综合系统包括储能设备,和均通过联络开关与储能设备相连的分布式风力发电和分布式光伏发电,当满足用户侧的负荷前提下,发电有余量时,可将多余电量存储至储能设备中;但当储能设备与分布式风力发电和分布式光伏发电均不相连,即以并联的连接方式连接,而分布式风力发电和分布式光伏发电均与其他电网之间的相连,且有发电余量时,会控制分布式风力发电和分布式光伏发电向其他电网进行输电。
步骤S2,将所述相关参数输入多能协同优化模型中,采用交替方向乘子法对所述多能协同优化模型进行求解,输出所述多能源综合系统中各所述分布式能源和所述储能设备的运行方案,其中,所述多能协同优化模型基于成本目标函数和多约束条件构建,并以当前时间尺度的用户侧成本最小为目标,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到。
具体地,多能协同优化模型用于响应在当前时间尺度下的用户侧成本最小为目标,当前时间尺度为选取用户侧某一时刻的用电负荷数据,例如,选取12点时刻时的用户侧的用电负荷数据,则当前时间尺度为12点时刻;通过多能协同优化模型对各所述分布式能源和所述储能设备的相关参数进行处理,且基于当前时间尺度的用户侧成本最小为目标,并利用交替方向乘子法进行求解得到优化后的最终运行方案,交替方向乘子法是一种结合了增广拉格朗日松弛算法 和块坐标下降方法的对偶分解算法。交替方向乘子法具有强凸性等天然优势,且可破除传统拉格朗日松弛法中对称性,同时能保持较好的问题分解结构,利用交替方向乘子法将多约束条件吸收到成本目标函数中,并基于成本目标函数求解带约束优化问题得到最优运行方案,其中,多约束条件包括功率平衡约束、安全约束(等式约束为潮流约束和不等式约束为设备运行参数的允许范围)和电力平衡约束等,融入多约束条件为了使系统更加稳定。
本实施例所述的多能协同运行方法通过获取当前能源综合系统中各分布式能源和储能设备的设备特性、出力特性及连接方式,因多能协同优化模型基于成本目标函数和多约束条件构建,而成本目标函数根据当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到,通过多能协同优化模型对相关参数进行处理,以当前时间尺度的用户侧成本最小为目标,并利用交替方向乘子法将多约束条件融入成本目标函数中进行求解得到优化后的最终运行方案;因此,本申请通过多能协同优化模型对供电侧(各分布式能源和储能设备)容量信息、电压等级和发电种类,出力特性和连接方式进行处理,基于不同时段的用户侧负荷和各分布式能源和储能设备的供电能力,在供电侧的相关参数前提下,以当前用户侧负荷的成本最小为目的,即在降低用户侧成本的基础上,保障了供电侧及用户负荷的供能灵活性和可靠性,并利用交替方向乘子法,通过将多约束条件进行解耦,保障供电可靠性,通过并行计算来加速求解过程,进而可快速对多种能源进行协同控制,以此提升多种能源的利用率。
在一些实施例中,如图2所示,步骤S2中,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到,包括:
步骤S21,获取所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力;
步骤S22,根据各所述供电能力、对应的权重比例和能源价格,得到所述当前时间尺度下的用户侧成本;
步骤S23,基于所述当前时间尺度下的用电负荷数据,调整各所述权重比例,直至所述当前时间尺度下的用户侧成本最小,得到所述成本目标函数。
在一些实施例中,步骤S22中,所述根据各所述供电能力、对应的权重比例和能源价格,得到所述当前时间尺度下的用户侧成本,包括:
根据各所述供电能力、对应的所述权重比例和所述能源价格,通过式一计算得到所述当前时间尺度下的用户侧成本;
所述式一为:
其中,C为所述当前时间尺度下的用户侧成本,为所述权重比例,/>为所述能源价格/>为所述供电能力,N为所述分布式能源和所述储能设备的个数之和。
具体地,能源价格包括购电价格和天然气价格,其中,购电价格包括从分布式能源购电价格和从储能设备购电价格;获取同一时间尺度的用电负荷数据、各分布式能源和储能设备的供电能力和能源价格,在满足用户的用电负荷的情况下,通过调整对应的权重比例使当前时间尺度下的用户侧成本最小,也就是在降低用户侧成本的基础上,保障用户负荷的供能灵活性和可靠性;例如,供能侧包括分布式能源为分布式光伏发电、冷热电三联供和储能设备,且此时用电能力和满足用户侧的用电负荷数据,则调整对应的权重比例,当此时从分布式光伏发电购电价格为高峰期的电价(电价最高时刻)P1,从储能设备购电价格为P2(P2<P1),天然气价格为P3,此时,可能就需提高储能设备的供电权重比例,降低分布式光伏发电的供电权重比例,但对于分布式光伏发电,若存在发电余量时,可将发电余量进行存储或传输至其他电网中,具体的可根据实际情况而定,需要说明的是,对于多能协调运行过程中,也可在本申请的基础上加入发电侧的成本预测来进行调控。
在一些实施例中,步骤S21中,获取所述当前时间尺度下所述分布式能源的供电能力,包括;
步骤S211,获取所述当前时间尺度下所述分布式能源的地域信息和设备信息;
步骤S212,根据所述地域信息和所述设备信息得到当前时间尺度下的所述分布式能源的供电能力。
具体地,地域信息包括地理位置、环境及天气情况等,例如分布式光伏发电,当处于新疆和处于内蒙古北部地区的分布式光伏发电,在其他相关参数等同的情况下,处于新疆的分布式光伏发电的供电能力会高于处于内蒙古北部地区的分布式光伏发电的供电能力;设备信息包括容量信息和电压等级等,例如分布式光伏发电中包含的太阳能电池组件的倾斜角度、面积及组件效率等都是影响分布式光伏发电的能力的因素。
在一些实施例中,步骤S21中,所述获取当前时间尺度的用电负荷数据,包括:
步骤S213,获取所述当前时间尺度;
步骤S214,将所述当前时间尺度输入负荷预测模型中,得到当前时间尺度的用电负荷数据。
在一些实施例中,步骤S214中,所述负荷预测模型的构建方法包括:
步骤A1,获取历史时间尺度和获取历史用电负荷数据;
步骤A2,根据所述历史时间尺度对初始预测模型进行训练,得到初始预测用电负荷数据;
步骤A3,根据所述初始预测用电负荷数据和所述历史用电负荷数据进行损失计算,得到损失函数输出;
步骤A4,根据所述损失函数输出调整所述初始预测模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述初始预测模型作为所述负荷预测模型。
具体地,获取历史时间尺度及对应的历史用电负荷数据,通过将历史时间尺度输入到预设预测模型进行训练,得到预测历史用电负荷数据,通过计算初始预测用电负荷数据和历史用电负荷数据之间的交叉熵损失,依据损失值对初始预测模型内部参数进行调整,即在模型训练过程中,通过损失计算(加权损失)进行反向传播对初始预测模型进行参数调优,将经参数调整后的初始预测模型作为负荷预测模型。
在一些实施例中,步骤A1中,获取历史用电负荷数据,包括:
步骤A11,获取各用户用电种类的历史用电负荷;
步骤A12,根据所有用户用电种类的历史用电负荷和对应的预设权重系数,得到历史用电负荷数据;
其中,所述用电种类包括电负荷,热负荷和冷负荷,所述预设权重系数用于响应各所述用电种类的用电负荷。
本实施例所述的多能协同运行方法通过获取当前能源综合系统中各分布式能源和储能设备的设备特性、出力特性及连接方式,因多能协同优化模型基于成本目标函数和多约束条件构建,而成本目标函数根据当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到,通过多能协同优化模型对相关参数进行处理,以当前时间尺度的用户侧成本最小为目标,并利用交替方向乘子法将多约束条件融入成本目标函数中进行求解得到优化后的最终运行方案;因此,本申请通过多能协同优化模型对供电侧(各分布式能源和储能设备)容量信息、电压等级和发电种类,出力特性和连接方式进行处理,基于不同时段的用户侧负荷和各分布式能源和储能设备的供电能力,在供电侧的相关参数前提下,以当前用户侧负荷的成本最小为目的,即在降低用户侧成本的基础上,保障了供电侧及用户负荷的供能灵活性和可靠性,并利用交替方向乘子法,通过将多约束条件进行解耦,保障供电可靠性,通过并行计算来加速求解过程,进而可快速对多种能源进行协同控制,以此提升多种能源的利用率。
如图3所示,本发明的又一个实施例提供一种电力系统运行仿真平台,包括:
获取单元,用于获取各所述分布式能源和所述储能设备的相关参数,所述相关参数包括设备特性、出力特性及连接方式,其中,所述设备特性包括容量信息、电压等级和发电种类,所述出力特性包括波动特性和有效输出率,所述连接方式包括并联方式和通过联络开关切换方式;
处理单元,用于将所述相关参数输入多能协同优化模型中,采用交替方向乘子法对所述多能协同优化模型进行求解,输出所述多能源综合系统中各所述分布式能源和所述储能设备的运行方案,其中,所述多能协同优化模型基于成本目标函数和多约束条件构建,并以当前时间尺度下的用户侧成本最小为目标,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到。
本实施例中的处理单元还用于获取所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力;根据各所述供电能力、对应的权重比例和能源价格,得到所述当前时间尺度下的用户侧成本;基于所述当前时间尺度下的用电负荷数据,调整各所述权重比例,直至所述当前时间尺度下的用户侧成本最小,得到所述成本目标函数。
本发明的另一个实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述多能协同运行方法的步骤。
需要注意的是,该设备可以为服务器、移动终端等计算机设备。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现多能协同运行方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行的多能协同运行方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述多能协同运行方法的步骤。
本领域普通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非易失性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,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (9)
1.一种多能协同运行方法,其特征在于,基于多能源综合系统,所述多能源综合系统包括多个分布式能源和储能设备,所述多能协同运行方法包括:
获取各所述分布式能源和所述储能设备的相关参数,所述相关参数包括设备特性、出力特性及连接方式,其中,所述设备特性包括容量信息、电压等级和发电种类,所述出力特性包括波动特性和有效输出率,所述连接方式包括并联方式和通过联络开关切换方式;
将所述相关参数输入多能协同优化模型中,采用交替方向乘子法对所述多能协同优化模型进行求解,输出所述多能源综合系统中各所述分布式能源和所述储能设备的运行方案,其中,所述多能协同优化模型基于成本目标函数和多约束条件构建,并以当前时间尺度下的用户侧成本最小为目标,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到,包括:
获取所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力,所述分布式能源的供电能力为各所述分布式能源的出力特性;
根据各所述供电能力、对应的权重比例和能源价格,得到所述当前时间尺度下的用户侧成本;
基于所述当前时间尺度下的用电负荷数据,调整各所述权重比例,直至所述当前时间尺度下的用户侧成本最小,得到所述成本目标函数。
2.根据权利要求1所述的多能协同运行方法,其特征在于,所述根据各所述供电能力、对应的权重比例和能源价格,得到所述当前时间尺度下的用户侧成本,包括:
根据各所述供电能力、对应的所述权重比例和所述能源价格,通过式一计算得到所述当前时间尺度下的用户侧成本;
所述式一为:
其中,C为所述当前时间尺度下的用户侧成本,为所述权重比例,/>为所述能源价格,为所述供电能力,N为所述分布式能源和所述储能设备的个数之和。
3.根据权利要求1所述的多能协同运行方法,其特征在于,所述获取所述当前时间尺度下所述分布式能源的供电能力,包括;
获取所述当前时间尺度的地域信息和设备信息;
根据所述地域信息和所述设备信息得到当前时间尺度下的所述分布式能源的供电能力。
4.根据权利要求3所述的多能协同运行方法,其特征在于,所述获取当前时间尺度的用电负荷数据,包括:
获取所述当前时间尺度;
将所述当前时间尺度输入负荷预测模型中,得到所述当前时间尺度的用电负荷数据。
5.根据权利要求4所述的多能协同运行方法,其特征在于,所述负荷预测模型的构建方法包括:
获取历史用电负荷数据和历史时间尺度;
根据所述历史时间尺度对初始预测模型进行训练,得到初始预测用电负荷数据;
根据所述初始预测用电负荷数据和所述历史用电负荷数据进行损失计算,得到损失函数输出;
根据所述损失函数输出调整所述初始预测模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述初始预测模型作为所述负荷预测模型。
6.根据权利要求5所述的多能协同运行方法,其特征在于,所述获取历史用电负荷数据,包括:
获取各用户用电种类的历史用电负荷;
根据所有所述用户用电种类的历史用电负荷和对应的预设权重系数,得到所述历史用电负荷数据;
其中,所述用电种类包括电负荷,热负荷和冷负荷,所述预设权重系数用于响应各所述用电种类的用电负荷。
7.一种多能协同运行平台,其特征在于,基于多能源综合系统,所述多能源综合系统包括多个分布式能源和储能设备,所述多能协同运行平台包括:
获取单元,用于获取各所述分布式能源和所述储能设备的相关参数,所述相关参数包括设备特性、出力特性及连接方式,其中,所述设备特性包括容量信息、电压等级和发电种类,所述出力特性包括波动特性和有效输出率,所述连接方式包括并联方式和通过联络开关切换方式;
处理单元,用于将所述相关参数输入多能协同优化模型中,采用交替方向乘子法对所述多能协同优化模型进行求解,输出所述多能源综合系统中各所述分布式能源和所述储能设备的运行方案,其中,所述多能协同优化模型基于成本目标函数和多约束条件构建,并以当前时间尺度下的用户侧成本最小为目标,所述成本目标函数根据所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力得到,包括:
获取所述当前时间尺度下的用电负荷数据及各所述分布式能源和所述储能设备的供电能力,所述分布式能源的供电能力为各所述分布式能源的出力特性;
根据各所述供电能力、对应的权重比例和能源价格,得到所述当前时间尺度下的用户侧成本;
基于所述当前时间尺度下的用电负荷数据,调整各所述权重比例,直至所述当前时间尺度下的用户侧成本最小,得到所述成本目标函数。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的多能协同运行方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1至6任一项中所述的多能协同运行方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855112.4A CN116613821B (zh) | 2023-07-13 | 2023-07-13 | 一种多能协同运行方法、运行平台、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855112.4A CN116613821B (zh) | 2023-07-13 | 2023-07-13 | 一种多能协同运行方法、运行平台、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116613821A CN116613821A (zh) | 2023-08-18 |
CN116613821B true CN116613821B (zh) | 2023-10-24 |
Family
ID=87680329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310855112.4A Active CN116613821B (zh) | 2023-07-13 | 2023-07-13 | 一种多能协同运行方法、运行平台、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116613821B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109327042A (zh) * | 2018-09-27 | 2019-02-12 | 南京邮电大学 | 一种微电网多能源联合优化调度方法 |
CN110210647A (zh) * | 2019-04-29 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种分布式电源、储能与柔性负荷联合调度方法及装置 |
WO2019165701A1 (zh) * | 2018-02-28 | 2019-09-06 | 东南大学 | 一种交直流混联微网的随机鲁棒耦合型优化调度方法 |
CN111277005A (zh) * | 2020-02-19 | 2020-06-12 | 东北电力大学 | 考虑源-荷协调优化的多源电力系统多时间尺度调度方法 |
CN112072712A (zh) * | 2020-08-31 | 2020-12-11 | 合肥工业大学 | 综合能源系统多时间尺度优化调度方法、系统及存储介质 |
CN112803446A (zh) * | 2021-01-28 | 2021-05-14 | 国网江苏省电力有限公司营销服务中心 | 基于客户侧需求响应的多能优化控制方法及控制系统 |
CN113488995A (zh) * | 2021-06-29 | 2021-10-08 | 国网安徽省电力有限公司电力科学研究院 | 基于储能成本的共享储能容量优化配置方法和装置 |
CN113794241A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 低压智能电网用户侧源储荷的优化调度方法及装置 |
CN114202176A (zh) * | 2021-11-26 | 2022-03-18 | 中国电力科学研究院有限公司 | 一种综合能源系统优化调度方法、系统、设备及存储介质 |
CN115099509A (zh) * | 2022-07-06 | 2022-09-23 | 国网山东省电力公司青岛供电公司 | 一种源网荷储多目标协同调控方法及系统 |
CN115170343A (zh) * | 2022-05-23 | 2022-10-11 | 国网江苏省电力有限公司南京供电分公司 | 一种区域综合能源系统分布式资源和储能协同规划方法 |
CN116345564A (zh) * | 2023-02-17 | 2023-06-27 | 国网山东省电力公司德州供电公司 | 综合能源系统多时间尺度分布式协同优化调度方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104993522B (zh) * | 2015-06-30 | 2018-01-19 | 中国电力科学研究院 | 一种基于mpc的主动配电网多时间尺度协调优化调度方法 |
-
2023
- 2023-07-13 CN CN202310855112.4A patent/CN116613821B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019165701A1 (zh) * | 2018-02-28 | 2019-09-06 | 东南大学 | 一种交直流混联微网的随机鲁棒耦合型优化调度方法 |
CN109327042A (zh) * | 2018-09-27 | 2019-02-12 | 南京邮电大学 | 一种微电网多能源联合优化调度方法 |
CN110210647A (zh) * | 2019-04-29 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种分布式电源、储能与柔性负荷联合调度方法及装置 |
CN111277005A (zh) * | 2020-02-19 | 2020-06-12 | 东北电力大学 | 考虑源-荷协调优化的多源电力系统多时间尺度调度方法 |
CN112072712A (zh) * | 2020-08-31 | 2020-12-11 | 合肥工业大学 | 综合能源系统多时间尺度优化调度方法、系统及存储介质 |
CN112803446A (zh) * | 2021-01-28 | 2021-05-14 | 国网江苏省电力有限公司营销服务中心 | 基于客户侧需求响应的多能优化控制方法及控制系统 |
CN113488995A (zh) * | 2021-06-29 | 2021-10-08 | 国网安徽省电力有限公司电力科学研究院 | 基于储能成本的共享储能容量优化配置方法和装置 |
CN113794241A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 低压智能电网用户侧源储荷的优化调度方法及装置 |
CN114202176A (zh) * | 2021-11-26 | 2022-03-18 | 中国电力科学研究院有限公司 | 一种综合能源系统优化调度方法、系统、设备及存储介质 |
CN115170343A (zh) * | 2022-05-23 | 2022-10-11 | 国网江苏省电力有限公司南京供电分公司 | 一种区域综合能源系统分布式资源和储能协同规划方法 |
CN115099509A (zh) * | 2022-07-06 | 2022-09-23 | 国网山东省电力公司青岛供电公司 | 一种源网荷储多目标协同调控方法及系统 |
CN116345564A (zh) * | 2023-02-17 | 2023-06-27 | 国网山东省电力公司德州供电公司 | 综合能源系统多时间尺度分布式协同优化调度方法及系统 |
Non-Patent Citations (5)
Title |
---|
Chao Zhu ; et al..A Multi-objective Chance-constrained Optimization Model for Distribution Networks Management Considering Source-Network-Load-Storage Interaction.《2022 IEEE/IAS Industrial and Commercial Power System Asia (I&CPS Asia)》.2022,全文. * |
基于ADMM-RGS 算法的综合能源系统多主体协同优化运行策略研究;杨海柱等;《电力系统及其自动化学报》;全文 * |
基于交替方向乘子法的超大规模储能系统分布式协同优化;李相俊等;《电网技术》;全文 * |
计及不确定性的主动配电网分布式能源多时间尺度消纳方法;李庆生等;《可再生能源》;全文 * |
计及需求响应的综合能源系统协同优化策略;马斌等;《可再生能源》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116613821A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bo et al. | Optimum structure of a combined wind/photovoltaic/fuel cell-based on amended Dragon Fly optimization algorithm: a case study | |
Sepulveda et al. | The design space for long-duration energy storage in decarbonized power systems | |
Kikuchi et al. | Battery-assisted low-cost hydrogen production from solar energy: Rational target setting for future technology systems | |
Samy et al. | A flower pollination optimization algorithm for an off-grid PV-Fuel cell hybrid renewable system | |
Al-Falahi et al. | A review on recent size optimization methodologies for standalone solar and wind hybrid renewable energy system | |
Shi et al. | Multi-objective optimal design of hybrid renewable energy systems using preference-inspired coevolutionary approach | |
Mbungu et al. | Optimisation of grid connected hybrid photovoltaic–wind–battery system using model predictive control design | |
Latif et al. | Maiden coordinated load frequency control strategy for ST‐AWEC‐GEC‐BDDG‐based independent three‐area interconnected microgrid system with the combined effect of diverse energy storage and DC link using BOA‐optimised PFOID controller | |
Kazem et al. | Sizing of a standalone photovoltaic/battery system at minimum cost for remote housing electrification in Sohar, Oman | |
Chen et al. | Multi-objective optimization of the hybrid wind/solar/fuel cell distributed generation system using Hammersley Sequence Sampling | |
Pietzcker et al. | Using the sun to decarbonize the power sector: The economic potential of photovoltaics and concentrating solar power | |
Deshmukh et al. | Modeling of hybrid renewable energy systems | |
Bigdeli | Optimal management of hybrid PV/fuel cell/battery power system: A comparison of optimal hybrid approaches | |
Khan et al. | Jaya learning-based optimization for optimal sizing of stand-alone photovoltaic, wind turbine, and battery systems | |
Konstantinopoulos et al. | Optimal management of hydrogen storage in stochastic smart microgrid operation | |
Abdelghany et al. | Optimal operations for hydrogen-based energy storage systems in wind farms via model predictive control | |
Khan et al. | Optimal sizing of a stand-alone photovoltaic, wind turbine and fuel cell systems | |
Narayan et al. | Exploring the boundaries of Solar Home Systems (SHS) for off-grid electrification: Optimal SHS sizing for the multi-tier framework for household electricity access | |
Sheng et al. | Reactive power coordinated optimisation method with renewable distributed generation based on improved harmony search | |
Marocco et al. | Towards 100% renewable energy systems: the role of hydrogen and batteries | |
Zhang et al. | Optimization and sustainability analysis of a hybrid diesel-solar-battery energy storage structure for zero energy buildings at various reliability conditions | |
Shi et al. | A hybrid model of energy scheduling for integrated multi-energy microgrid with hydrogen and heat storage system | |
Bouchebbat et al. | A novel optimal control and management strategy of stand-alone hybrid PV/wind/diesel power system | |
Falama et al. | A techno-economic comparative study of renewable energy systems based different storage devices | |
Zhang et al. | Decentralised coordination control strategy of the PV generator, storage battery and hydrogen production unit in islanded AC microgrid |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |