CN116629633A - 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 - Google Patents
含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 Download PDFInfo
- Publication number
- CN116629633A CN116629633A CN202310547010.6A CN202310547010A CN116629633A CN 116629633 A CN116629633 A CN 116629633A CN 202310547010 A CN202310547010 A CN 202310547010A CN 116629633 A CN116629633 A CN 116629633A
- Authority
- CN
- China
- Prior art keywords
- intelligent building
- adn
- distributed photovoltaic
- model
- photovoltaic maximum
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000010438 heat treatment Methods 0.000 claims abstract description 47
- 238000005265 energy consumption Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000004378 air conditioning Methods 0.000 claims abstract description 16
- 238000009423 ventilation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005056 compaction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000029087 digestion Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002195 synergetic effect Effects 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
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/38—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
- H02J2203/20—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
Abstract
本发明涉及一种含智能楼宇的ADN分布式光伏最大准入容量计算方法及系统，该方法包括以下步骤：获取待优化区域的全年时序智能楼宇数据及外界温度数据；基于所述智能楼宇数据及其外界温度数据构建含暖通空调系统的智能楼宇总耗能模型及热平衡模型；基于所述智能楼宇总耗能模型及热平衡模型构建含智能楼宇的ADN分布式光伏最大准入容量优化模型；求解含智能楼宇的ADN分布式光伏最大准入容量优化模型，获得含智能楼宇的ADN分布式光伏最大准入容量。与现有技术相比，本发明具有能够显著提升配电网运行安全可靠性、高效利用分布式光伏资源等优点。
Description
技术领域
本发明涉及配电网优化运行技术领域，尤其是涉及一种含智能楼宇的ADN分布式光伏最大准入容量计算方法及系统。
背景技术
随着全球能源危机的不断加剧和环境污染的日益严峻，可再生能源发电得到了广泛应用。分布式光伏作为一种资源丰富、安全可靠的新能源，近年来得到了大力发展。然而，由于分布式光伏出力存在不确定性和波动性，其大规模并网可能会对配电网造成潮流越限、网损增大等不利影响。为了保证配电网运行的安全可靠，配电网应合理利用各类型灵活性资源。
专利CN115566716A公开了一种基于储能调节的配电网高比例分布式光伏消纳能力提升方法，该方法通过采用FCM方法聚类历史数据、生成光伏出力典型场景，对储能等各项措施进行建模，综合考虑配电网中各项电气限制建立高比例分布式光伏配电网光伏消纳能力计算模型，分析储能接入对光伏消纳的促进作用。但是该方法并不能高效利用分布式光伏资源。专利CN115173464A公开了一种基于大数据分析的分布式光伏消纳能力评估方法及系统，该方法利用大数据可以揭示事物之间相关性的特点，通过大数据挖掘有效量化各影响因素之间关联关系。然而，该方法并不能使得配电网合理利用灵活性资源。
为适应新形势下分布式光伏大规模接入的需求，需要对现有的主动配电网(Active Distribution Network，ADN)分布式光伏最大准入容量计算方法进行进一步研发。
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能够显著提升配电网运行安全可靠性、高效利用分布式光伏资源的含智能楼宇的ADN分布式光伏最大准入容量计算方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，包括以下步骤：
获取待优化区域的全年时序智能楼宇数据及其外界温度数据；
基于所述智能楼宇数据及其外界温度数据构建含暖通空调系统的智能楼宇总耗能模型及热平衡模型；
基于所述智能楼宇总耗能模型及热平衡模型构建含智能楼宇的ADN分布式光伏最大准入容量优化模型；
求解含智能楼宇的ADN分布式光伏最大准入容量优化模型，获得含智能楼宇的ADN分布式光伏最大准入容量。
进一步地，所述的智能楼宇总耗能模型为：
所述的智能楼宇热平衡模型为：
其中，为t时刻节点i处连接的智能楼宇集群耗能，/>为t时刻节点i处连接的暖通空调系统总耗能，/>为t时刻节点i处连接的智能楼宇内部照明设备及其他用电器等电力负荷；/>为t时刻节点i处供暖区域k的室温；Ccop为暖通空调系统能效比；/>为t时刻节点i处供暖区域k的暖通空调系统供暖耗能；/>为t时刻节点i处供暖区域k的暖通空调系统制换风耗能；Hr为室内-外部环境热能交互的等效热导；Croom为室内等效热容；Tt ext为外界温度变化率。
进一步地，所述的暖通空调系统的总耗能模型为：
其中，为t时刻节点i处供暖区域k的HVAC系统供暖耗能；/>为t时刻节点i处供暖区域k的HVAC系统制换风耗能；Nk为该节点连接的所有供暖区域。
进一步地，所述含智能楼宇的ADN分布式光伏最大准入容量优化模型包括由所述智能楼宇总耗能模型及热平衡模型形成的约束条件和目标函数，所述目标函数为：
其中，ΩPV为主动配电网分布式光伏待选节点i的集合；Pi PV为待选节点i的分布式光伏准入容量。
进一步地，获得含智能楼宇的ADN分布式光伏最大准入容量的具体步骤包括：
基于线性化和凸松弛方法，将含智能楼宇的ADN分布式光伏最大准入容量优化模型转化为混合整数二阶锥优化模型；
基于动态紧缩凸松弛算法求解所述混合整数二阶锥优化模型，获得含智能楼宇的ADN分布式光伏最大准入容量。
进一步地，基于动态紧缩凸松弛算法求解所述混合整数二阶锥优化模型的具体步骤包括：
步骤1、设置动态紧缩凸松弛算法的收敛阈值ε和ADN相关数据；
步骤2、基于ADN相关数据求解混合整数二阶锥优化模型，获得此次含智能楼宇的ADN分布式光伏最大准入容量；
步骤3、在所述混合整数二阶锥优化模型中添加线性切平面约束，获得更新后的混合整数二阶锥优化模型；
步骤4、计算更新后的混合整数二阶锥优化模型优化结果的凸松弛间隙
步骤5、判断凸松弛间隙与收敛阈值ε的大小，若/>重复步骤3-步骤4；若则迭代终止。
进一步地，所述的线性切平面约束为：
其中，Iij,t为t时刻支路ij通过的电流；vi,r,t、Pij,r,t和Qij,r,t分别为第r次迭代时模型在t时刻的节点i电压平方值、支路ij有功和无功功率的最优解。
进一步地，所述的凸松弛间隙为：
其中，为第r次迭代时模型在t时刻的优化结果的凸松弛间隙，ΩT为调度时刻集合。
进一步地，通过调用商业求解器求解所述混合整数二阶锥优化模型。
本发明还提供了一种含智能楼宇的ADN分布式光伏最大准入容量计算系统，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行上述含智能楼宇的ADN分布式光伏最大准入容量计算方法的指令。
与现有技术相比，本发明具有以下有益效果：
(1)本发明通过将智能楼宇与主动配电网分布式光伏最大准入容量优化相结合，充分发挥了智能楼宇的用电灵活性，进一步丰富了配电网优化元素，能够满足高比例分布式光伏的接入要求，且利用智能楼宇内部HVAC系统，提高了ADN的分布式光伏消纳能力。
(2)本发明通过在基于智能楼宇构建主动配电网分布式光伏最大准入容量优化模型，并设定了功率平衡约束、节点电压约束、支路电流约束、储能调节约束、网络重构约束和智能楼宇总耗能和热平衡约束等约束条件，能够显著提升配电网运行安全可靠性，积极应对高比例分布式光伏接入对主动配电网带来的不利影响，有效提升主动配电网的分布式光伏消纳能力。
(3)本发明通过线性化和凸松弛方法，将原始非凸非线性优化模型转化为方便求解的混合整数二阶锥优化模型，由于线性化和凸松弛方法转化非线性约束时会不可避免地引入间隙，本发明通过采用动态紧缩凸松弛算法收缩凸松弛间隙，使得转化后的模型与原模型近似等同，使转化后模型的最优解恢复为原模型可行解，实现了规划结果的高效求解。
附图说明
图1为本发明的流程示意图；
图2为实施例中33节点主动配电网结构示意图；
图3为典型日分布式光伏与负荷功率系数曲线图；
图4为室外温度和单栋建筑其他电负荷；
图5为不同调控场景下的室温对比结果；
图6为不同调控场景下的暖通空调系统送风温度对比结果；
图7为不同调控场景下的暖通空调系统送风质量流量对比结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，如图1所示，该方法包括以下步骤：
S1、获取待优化区域的全年时序智能楼宇数据及其外界温度数据，智能楼宇数据包括负荷数据、暖通空调数据等；
S2、基于所述智能楼宇数据及其外界温度数据构建含暖通空调系统的智能楼宇的总耗能模型及热平衡模型；
智能楼宇(Intelligent Buildings)可通过需求侧响应，作为灵活性资源应用于主动配电网(Active Distribution Network，ADN)优化运行，降低智能楼宇能耗的同时积极促进ADN分布式光伏消纳。智能楼宇用电灵活性主要体现在暖通空调(Heating，Ventilation and Air Conditioning，HVAC)系统。在用户舒适温度区间内，ADN可充分利用智能楼宇内部HVAC系统送风温度和送风质量流量，提高ADN的分布式光伏消纳能力。本实施例针对智能楼宇构建智能楼宇总耗能模型及热平衡模型。
(1)智能楼宇总耗能模型
智能楼宇总耗能由HVAC系统能耗与内部照明设备及其他用电器等电力负荷组成，该模型如公式(1)所示：
其中，为t时刻节点i处连接的智能楼宇集群耗能；/>为t时刻节点i处连接的HVAC系统总耗能；/>为t时刻节点i处连接的智能楼宇内部照明设备及其他用电器等电力负荷。
HVAC系统总能耗模型如公式(2)所示：
其中，为t时刻节点i处供暖区域k的HVAC系统供暖耗能；/>为t时刻节点i处供暖区域k的HVAC系统制换风耗能；Nk为该节点连接的所有供暖区域。
HVAC系统中供暖、换风能耗模型分别如公式(3)、(4)所示：
其中，为t时刻节点i处供暖区域k的HVAC系统送风质量流量；cp为空气比热容；/>为t时刻节点i处供暖区域k的室温；/>为t时刻节点i处供暖区域k的HVAC系统送风温度；ρ为空气密度；Ccop为HVAC系统能效比；Pstatic为静态压强差；v为风速；ηfan为HVAC系统风机系数；ηmotor为HVAC系统电机系数。
在HVAC系统运行过程中需要对其送风温度和送风质量流量进行限制，如下公式(5)-(8)所示：
其中，和/>分别为空调系统送风温度和送风质量流量的上下限；/>和/>分别为空调系统送风温度和送风质量流量的变化上、下限。
(2)智能楼宇热平衡模型
本实施例采用的智能楼宇热平衡模型为广泛使用的等效热参数模型。该模型通过热导传递热量，通过热容储存热量。在满足用户舒适度需求的前提下，考虑建筑物蓄热特性，供暖区域k的室温可表示为关于时间的函数，如公式(9)、(10)所示：
其中，为t时刻节点i处供暖区域k的室温；Ccop为HVAC系统能效比；/>为t时刻节点i处供暖区域k的HVAC系统供暖耗能；/>为t时刻节点i处供暖区域k的HVAC系统制换风耗能；Hr为室内-外部环境热能交互的等效热导；Tt ext为外界温度变化率；Croom为室内等效热容；/>和/>分别为满足用户舒适度需求的室温上、下限。
S3、基于所述智能楼宇总耗能模型及热平衡模型构建含智能楼宇的ADN分布式光伏最大准入容量优化模型。
在基于上述步骤构建的智能楼宇总耗能模型和智能楼宇热平衡模型的基础上，本步骤构建含智能楼宇的ADN分布式光伏最大准入容量优化模型，该模型的目标函数可通过数学表达式(11)进行表示：
其中，ΩPV为主动配电网分布式光伏待选节点i的集合；Pi PV为待选节点i的分布式光伏准入容量。
为使得含智能楼宇的ADN分布式光伏最大准入容量计算的准确性，还需要对该模型进一步添加约束条件，所述约束条件分别包括功率平衡约束、节点电压约束、支路电流约束、储能调节约束、网络重构约束、智能楼宇的总耗能和热平衡约束。
(1)功率平衡约束
ADN潮流变量应满足DistFlow方程约束，如公式(12)-(15)所示：
其中，和/>分别为t时刻从节点i注入的有功功率和无功功率；Pij,t和Qij,t分别为t时刻支路ij上的有功功率和无功功率；Iij,t为t时刻支路ij上的电流；Ui,t为t时刻节点i的电压值；rij为支路ij的电阻；xij为支路ij的电抗；ρ(i)和κ(i)分别为节点i的父节点集合和子节点集合。
上述公式(12)和(13)中的和/>的表达式如式(16)和(17)所示。如果节点i上未接有分布式光伏、智能楼宇或储能等设备，则对应项为0。
其中，ηi,t为t时刻接在节点i上的分布式光伏出力系数，表示t时刻接在节点i上的分布式光伏有功功率；/>为t时刻节点i处连接的智能楼宇集群耗能；/>为t时刻节点i上的负荷；/>和/>分别为接在节点i上的分布式光伏、智能楼宇集群耗能与负荷的功率因数角。
(2)节点电压约束
ADN各个节点电压需要保持在允许范围内，约束如公式(18)所示：
(1-εlow)UN≤Ui,t≤(1+εup)UN (18)
其中，Ui,t为t时刻节点电压，εlow和εup分别为节点电压偏差的下限和上限；UN为标称电压。
(3)支路电流约束
支路电流影响ADN网络损耗，在ADN运行过程中，需要对支路电流进行限制，使其不高于上限，其约束如公式(19)所示：
|Iij,t|≤Iij,max (19)
其中，Iij,t为t时刻支路ij上的电流；Iij,max为支路ij允许通过的电流上限。
(4)储能调节约束
通过调节储能的充、放电状态与功率，可实现ADN灵活性资源配置。接入ADN节点i的储能运行应满足以下约束：
其中，和/>分别为储能充、放电功率；0-1变量γi,t表征储能充放电状态，1为放电，0为充电；Pi BES为单个储能模块的额定功率；/>为t时刻储能电量；Δt为相邻时刻时间变化量；ηi ch和ηi dis分别为储能充、放电效率；Si,min和Si,max分别为储能荷电状态上、下限；和/>分别为调度始、末储能电量。
上述公式(20)和(21)分别约束储能的充、放电功率；公式(22)表示相邻时刻储能的电量关系；公式(23)确保避免出现储能过度充、放电的现象，延长储能寿命；公式(24)确保储能可以顺利循环。
通过考虑储能调节约束后，公式(16)修正为公式(25)：
其中，为t时刻从节点i注入的有功功率；/>表示t时刻接在节点i上的分布式光伏有功功率；/>和/>分别为储能充、放电功率；/>为t时刻节点i处连接的智能楼宇集群耗能。
(5)网络重构约束
ADN运行时可控制支路分段开关和联络开关的组合状态，从而改变ADN的拓扑结构。使用big-M法对网络重构进行如下建模，如公式(26)-(28)：
-Mαij,t≤Fij,t≤Mαij,t,ij∈Ωb (28)
其中，N为ADN节点集合；Fij,t为t时刻从节点i流向节点j的虚拟功率；ρ(i)和κ(i)分别为节点i的父节点集合和子节点集合；Ωb为ADN支路集合；<·>为集合中元素个数；M为极大数；0-1变量αij,t表示t时刻支路ij状态，1表示连通状态，0表示断开状态。
上述公式(26)确保ADN连通性；公式(27)确保ADN辐射性；公式(28)限制断开支路ij上的虚拟功率为0。
基于上述网络重构后，公式(15)和(19)修正为式(29)-(31)所示：
|Iij,t|≤αij,tIij,max (31)
其中，Pij,t和Qij,t分别为t时刻支路ij上的有功功率和无功功率；Ui,t为t时刻节点i的电压值；Iij,t为t时刻支路ij上的电流；rij为支路ij的电阻；xij为支路ij的电抗；M为极大数；0-1变量αij,t表示t时刻支路ij状态，1表示连通状态，0表示断开状态，Iij,max为支路ij允许通过的电流上限。
(6)OLTC调节约束
OLTC用于调控节点电压分布，保持ADN电压稳定、优化潮流。t时刻OLTC的数学模型如公式(32)和(33)所示：
其中，U1,t和Ub,t分别为t时刻ADN首节点和虚拟节点b的电压；整数变量表征OLTC抽头挡位；ΔkO为OLTC抽头相邻档位匝数比变化量；/>为OLTC抽头正、负向最大挡位数。
(7)智能楼宇的总耗能和热平衡约束
该约束条件如上述公式(1)-(10)所示，此处不再赘述。
S4、求解所述含智能楼宇的ADN分布式光伏最大准入容量优化模型，获得含智能楼宇的ADN分布式光伏最大准入容量。
由于约束公式(14)存在非线性项，导致含智能楼宇的ADN分布式光伏最大准入容量优化模型难以直接求解，因此需要将模型进行线性化和凸松弛。
为方便求解，本实施例引入辅助变量和/>则公式(12)-(14)和公式(29)-(30)可转化为：
公式(14)经转化为公式(36)后依旧是非线性约束，采用线性化和凸松弛方法，对其进行二阶锥转化，如公式(39)所示：
相应地，公式(18)与公式(31)可分别等效为：
至此，所述含智能楼宇的ADN分布式光伏最大准入容量优化模型由原问题转化为混合整数二阶锥优化问题，所述混合整数二阶锥优化模型如公式(42)所示：
由于约束(34)-(41)在含智能楼宇的ADN分布式光伏最大准入容量优化模型中自然成立，所以模型转换不会改变原问题解，在保证松弛精确度的前提下，可以直接调用商业求解器进行求解。
由于使用线性化和凸松弛方法转化非线性约束时会不可避免地引入间隙。当凸松弛间隙过大时，转化后的模型与原模型不能近似等同，导致两者的最优解存在差距。因此，有必要收缩凸松弛间隙，使转化后模型的最优解恢复为原模型可行解。本实施例所提出的混合整数二阶锥优化模型在公式(40)和(41)引入凸松弛间隙该凸松弛间隙/>的数学表达式为：
其中，||·||∞为无穷范数。
为减小凸松弛间隙，通过采用动态紧缩凸松弛算法求解所述混合整数二阶锥优化模型。动态紧缩凸松弛算法可基于前一次模型的变量最优解，计算凸松弛间隙，在模型中增添新的线性切平面，逐次迭代，直至凸松弛间隙降低至可接受水平。本实施例应用动态紧缩凸松弛算法后，具体步骤如下：
S41、设置动态紧缩凸松弛算法收敛阈值ε，并给定ADN相关数据，包括分布式光伏和负荷功率系数预测值、支路电流上限、节点电压上下限、ADN设施参数等；
S42、基于所述ADN相关数据求解混合整数二阶锥优化模型，获得此次含智能楼宇的ADN分布式光伏最大准入容量；
通过直接调用商业求解器对混合整数二阶锥优化模型进行求解。
S43、在所述混合整数二阶锥优化模型中添加线性切平面约束，获得更新后的混合整数二阶锥优化模型；
在该步骤中，线性切平面约束是在原来混合整数二阶锥优化模型的约束条件的基础上又增加的约束条件，用于收缩凸松弛间隙，该线性切平面约束如公式(44)所示：
其中，vi,r,t、Pij,r,t和Qij,r,t分别为第r次迭代时模型在t时刻的节点i电压平方值、支路ij有功和无功功率的最优解。
在该步骤中，更新后的混合整数二阶锥优化模型如公式(45)所示：
S44、计算更新后的混合整数二阶锥优化模型优化结果的凸松弛间隙
凸松弛间隙用于评估迭代过程的近似程度，以及判断下一步迭代是否需要进行。第r次迭代后模型优化结果的凸松弛间隙的表达式如公式(46)所示：
其中，为第r次迭代时模型在t时刻的优化结果的凸松弛间隙，ΩT为调度时刻集合。
S45、判断凸松弛间隙与收敛阈值ε的大小，若/>说明凸松弛间隙/>已经降低至可接受水平，终止迭代；否则，重复步骤S43-步骤S44，直到满足收敛条件为止。
在整个求解过程中，需要不断调整算法的参数，动态地调节线性切平面约束等，以获得更优的分布式光伏最大准入容量。
为验证上述方法的有效性，本实施例以33节点主动配电网为场景进行算例分析，算例网络结构如图2所示。相关规划参数设置如下：
(1)ADN相关数据：ADN支路电流上限为500A，节点电压上下限为额定电压的±7％。节点10、17、25和32分别接入分布式光伏和智能楼宇集群，典型日的分布式光伏出力和负荷功率系数曲线如图3所示。OLTC挡位数为9，调节范围在0.95～1.05p.u.之间。每个智能楼宇集群内设有储能装置，单个储能装置的额定容量为1000kW·h，额定功率为250kW，充电效率和放电效率均为95％，运行时的荷电状态始终处于20～100％之间。支路12-13、20-21和6-26装有分段开关；支路8-21、9-15和25-29装有联络开关。凸松弛间隙阈值为0.5％。
(2)智能楼宇相关数据：测试系统共连接4个智能楼宇集群，每个智能楼宇集群含10栋测试智能楼宇，每栋测试智能楼宇含40个供暖区域。智能楼宇室内-外部环境热能交互的等效热导为2.8kW/℃，室内的等效热容为250kJ/K，满足用户舒适度需求的室温设置在为22到26℃之间，HVAC系统送风温度设置在24到30℃之间，送风质量流量设置在0.4到0.6kg·s之间。
表1 HVAC系统参数信息
智能楼宇内部的HVAC系统参数信息如表1所示。室外温度以及单栋建筑内非HVAC系统负荷的其它电负荷如图4所示。
基于上述设定，对本实施例提出的含智能楼宇的ADN分布式光伏最大准入容量计算方法进行计算。经计算，节点10、17、25和32分别可接入1.6180MW、3.7051MW、1.7479MW和3.1461MW的分布式光伏，此时含智能楼宇的ADN分布式光伏准入容量最大，为10.2171MW。动态紧缩凸松弛算法迭代过程如表2所示：
表2动态紧缩凸松弛算法迭代过程
根据表2可知，动态紧缩凸松弛算法经过2次迭代后，可将凸松弛间隙减小至0.43％。若不应用动态紧缩凸松弛算法，得到的结果如表2第一行所示，凸松弛间隙高达11.96％，说明此时凸松弛转化后的模型与原模型不能近似等同，得到的分布式光伏最大准入容量为28.5456MW，远远超过了算例中ADN的负荷功率需求。因此，在求解含智能楼宇的ADN分布式光伏最大准入容量优化模型时引入动态紧缩凸松弛算法是有效的，可以获得精确的最优解。
此外，还针对不同智能楼宇可调特性影响分析。通过控制不同的智能楼宇可调特性，可以设置5个调控场景，如表3所示。根据以上场景，可进一步分析智能楼宇可调特性对含智能楼宇的ADN分布式光伏最大准入容量的影响。
表3智能楼宇可调特性调控场景
不同调控场景下的各个智能楼宇可调特性调控结果如图5-图7所示。图5描述了不同调控场景下的智能楼宇内部室温对比结果。由图可知，5个场景下的室温均满足用户温度舒适需求。由于室温恒定，场景1和4无法充分考虑用户的舒适温度范围；由于HVAC系统送风温度或送风质量流量存在固定值，场景2和3无法充分利用送风温度和送风质量流量的调控区间，导致室温变化区间较小；而场景5充分考虑了用户舒适度需求和HVAC系统灵活性，从而得到的室温变化范围较大。
图6和图7分别描述了不同调控场景下的送风温度和送风质量流量对比结果。由图可知，场景1、3和4中，送风温度和送风质量流量至少存在一个固定值，导致无法充分利用HVAC系统运行的灵活性，使得HVAC系统可调特性的调控范围较小。场景2中，由于室温恒定，无法充分考虑用户舒适度需求，得到的HVAC系统调控范围同样较小。而与其他场景相比，场景5充分考虑了用户舒适度需求和HVAC系统运行的灵活性，从而得到了较大的HVAC系统调控范围。
不同调控场景对应的含智能楼宇的ADN分布式光伏最大准入容量计算结果如表4所示。相较场景1，在场景2-4中，含智能楼宇的ADN分布式光伏最大准入容量分别提升了18.56％、6.06％和19.74％；在综合协同所有智能楼宇可调特性的场景5中，含智能楼宇的ADN分布式光伏最大准入容量提升了31.46％。鉴于上述结果对比，可以看出智能楼宇可调特性都能在一定程度上促进含智能楼宇的ADN分布式光伏消纳，本算例中HVAC系统送风温度较室温和HVAC系统送风质量流量促进作用更强，三者协同作用对含智能楼宇的ADN分布式光伏消纳的促进效果最为明显。
表4不同调控场景下分布式光伏最大准入容量
实施例2
本发明还提供了一种含智能楼宇的ADN分布式光伏最大准入容量计算系统，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述的含智能楼宇的ADN分布式光伏最大准入容量计算方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，包括以下步骤：
获取待优化区域的全年时序智能楼宇数据及其外界温度数据；
基于所述智能楼宇数据及其外界温度数据构建含暖通空调系统的智能楼宇总耗能模型及热平衡模型；
基于所述智能楼宇总耗能模型及热平衡模型构建含智能楼宇的ADN分布式光伏最大准入容量优化模型；
求解所述含智能楼宇的ADN分布式光伏最大准入容量优化模型，获得含智能楼宇的ADN分布式光伏最大准入容量。
2.根据权利要求1所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，所述的智能楼宇总耗能模型为：
所述的智能楼宇热平衡模型为：
其中，为t时刻节点i处连接的智能楼宇集群耗能，/>为t时刻节点i处连接的暖通空调系统总耗能，/>为t时刻节点i处连接的智能楼宇内部照明设备及其他用电器等电力负荷；/>为t时刻节点i处供暖区域k的室温；Ccop为暖通空调系统能效比；/>为t时刻节点i处供暖区域k的暖通空调系统供暖耗能；/>为t时刻节点i处供暖区域k的暖通空调系统制换风耗能；Hr为室内-外部环境热能交互的等效热导；Croom为室内等效热容；Tt ext为外界温度变化率。
3.根据权利要求2所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，所述的暖通空调系统总耗能为：
其中，为t时刻节点i处供暖区域k的HVAC系统供暖耗能；/>为t时刻节点i处供暖区域k的HVAC系统制换风耗能；Nk为该节点连接的所有供暖区域。
4.根据权利要求1所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，所述ADN分布式光伏最大准入容量优化模型包括由所述智能楼宇总耗能模型及热平衡模型形成的约束条件和目标函数，所述目标函数为：
其中，ΩPV为主动配电网分布式光伏待选节点i的集合；Pi PV为待选节点i的分布式光伏准入容量。
5.根据权利要求1所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，获得含智能楼宇的ADN分布式光伏最大准入容量的具体步骤包括：
基于线性化和凸松弛方法，将含智能楼宇的ADN分布式光伏最大准入容量优化模型转化为混合整数二阶锥优化模型；
基于动态紧缩凸松弛算法求解所述混合整数二阶锥优化模型，获得含智能楼宇的ADN分布式光伏最大准入容量。
6.根据权利要求5所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，基于动态紧缩凸松弛算法求解所述混合整数二阶锥优化模型的具体步骤包括：
步骤1、设置动态紧缩凸松弛算法的收敛阈值ε和ADN相关数据；
步骤2、基于ADN相关数据求解混合整数二阶锥优化模型，获得此次含智能楼宇的ADN分布式光伏最大准入容量；
步骤3、在所述混合整数二阶锥优化模型中添加线性切平面约束，获得更新后的混合整数二阶锥优化模型；
步骤4、计算更新后的混合整数二阶锥优化模型优化结果的凸松弛间隙
步骤5、判断凸松弛间隙与收敛阈值ε的大小，若/>重复步骤3-步骤4；若则迭代终止。
7.根据权利要求6所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，所述的线性切平面约束为：
其中，Iij,t为t时刻支路ij上的电流；vi,r,t、Pij,r,t和Qij,r,t分别为第r次迭代时模型在t时刻的节点i电压平方值、支路ij有功和无功功率的最优解。
8.根据权利要求6所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，所述的凸松弛间隙为：
其中，为第r次迭代时模型在t时刻的优化结果的凸松弛间隙；ΩT为调度时刻集合。
9.根据权利要求6所述的一种含智能楼宇的ADN分布式光伏最大准入容量计算方法，其特征在于，通过调用商业求解器求解所述混合整数二阶锥优化模型。
10.一种含智能楼宇的ADN分布式光伏最大准入容量计算系统，其特征在于，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述的含智能楼宇的ADN分布式光伏最大准入容量计算方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310547010.6A CN116629633B (zh) | 2023-05-16 | 2023-05-16 | 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310547010.6A CN116629633B (zh) | 2023-05-16 | 2023-05-16 | 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629633A true CN116629633A (zh) | 2023-08-22 |
| CN116629633B CN116629633B (zh) | 2024-02-09 |
Family
ID=87591236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310547010.6A Active CN116629633B (zh) | 2023-05-16 | 2023-05-16 | 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629633B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105870950A (zh) * | 2016-05-05 | 2016-08-17 | 国家电网公司 | 一种智能楼宇可调资源多目标协调系统及优化控制方法 |
| CN108321793A (zh) * | 2018-01-17 | 2018-07-24 | 东北电力大学 | 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法 |
| CN109270841A (zh) * | 2018-10-11 | 2019-01-25 | 东北电力大学 | 一种基于模型预测控制的智能楼宇用能灵活性调控方法 |
| CN109740899A (zh) * | 2018-12-25 | 2019-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种考虑主动配电网的楼宇集群多阶段优化调度方法 |
| CN115456250A (zh) * | 2022-08-18 | 2022-12-09 | 国网上海能源互联网研究院有限公司 | 一种适用于楼宇微网能源系统容量的优化配置方法及系统 |
-
2023
- 2023-05-16 CN CN202310547010.6A patent/CN116629633B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105870950A (zh) * | 2016-05-05 | 2016-08-17 | 国家电网公司 | 一种智能楼宇可调资源多目标协调系统及优化控制方法 |
| CN108321793A (zh) * | 2018-01-17 | 2018-07-24 | 东北电力大学 | 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法 |
| CN109270841A (zh) * | 2018-10-11 | 2019-01-25 | 东北电力大学 | 一种基于模型预测控制的智能楼宇用能灵活性调控方法 |
| CN109740899A (zh) * | 2018-12-25 | 2019-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种考虑主动配电网的楼宇集群多阶段优化调度方法 |
| CN115456250A (zh) * | 2022-08-18 | 2022-12-09 | 国网上海能源互联网研究院有限公司 | 一种适用于楼宇微网能源系统容量的优化配置方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| YING ZHANG 等: "Calculation Method for Maximum Accommodation Capacity of Distributed Photovoltaic in Distribution Network Considering Various Electrical Constraints", 《2022 IEEE/IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA (I&CPS ASIA)》 * |
| 蔡秀雯 等: "考虑主动管理与需求侧管理的主动配电网分布式光伏最大准入容量计算方法", 《电力建设》, vol. 42, no. 5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629633B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khatod et al. | Evolutionary programming based optimal placement of renewable distributed generators | |
| Ma et al. | Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic | |
| Sun et al. | Optimal local volt/var control for photovoltaic inverters in active distribution networks | |
| Zhu et al. | A hierarchical VLSM-based demand response strategy for coordinative voltage control between transmission and distribution systems | |
| CN105243516B (zh) | 基于主动配电网的分布式光伏发电最大消纳能力计算系统 | |
| CN108695857B (zh) | 风电场自动电压控制方法、装置及系统 | |
| Wei et al. | Coordination optimization of multiple thermostatically controlled load groups in distribution network with renewable energy | |
| CN105322550A (zh) | 一种家居微电网运行的优化方法 | |
| CN114595868A (zh) | 一种综合能源系统源网荷储协同规划方法及系统 | |
| CN111245025A (zh) | 综合能源系统运行策略的优化方法、终端设备及存储介质 | |
| CN110912177A (zh) | 一种多端柔性直流输电系统多目标优化设计方法 | |
| CN115425668A (zh) | 一种基于电力系统时序生产模拟的储能容量优化配置方法 | |
| CN111193295A (zh) | 一种考虑动态重构的配网灵活性提升鲁棒优化调度方法 | |
| CN104037814A (zh) | 一种分段平滑法与邻域搜索算法相结合的多电网调峰负荷分配方法 | |
| CN107528321B (zh) | 互联电网交直流并联输电通道功率随机优化分配方法 | |
| CN112467748A (zh) | 三相不平衡主动配电网双时标分布式电压控制方法及系统 | |
| Liu et al. | A comprehensive control strategy for photovoltaic virtual synchronous generator considering frequency regulation capability | |
| CN116629633B (zh) | 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 | |
| CN115496427A (zh) | 一种多微网系统柔性互联投资规划决策方法 | |
| Eissa et al. | A novel approach for optimum allocation of Flexible AC Transmission Systems using Harmony Search technique | |
| Ma et al. | Research on two-stage optimization control method for energy storage systems based on multi service attribute utility evaluation | |
| CN108009665A (zh) | 一种考虑柔性电力负荷的最优潮流优化模型 | |
| Oshnoei et al. | Optimal model predictive control of photovoltaic plants for frequency regulation in an interconnected power system | |
| CN106410867B (zh) | 一种电能路由器功率流优化分析方法 | |
| CN112651128B (zh) | 一种面向交直流系统机组出力与拓扑结构的随机优化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |