CN116739141A - 一种考虑需求响应的独立型微电网优化配置方法 - Google Patents
一种考虑需求响应的独立型微电网优化配置方法 Download PDFInfo
- Publication number
- CN116739141A CN116739141A CN202310499570.9A CN202310499570A CN116739141A CN 116739141 A CN116739141 A CN 116739141A CN 202310499570 A CN202310499570 A CN 202310499570A CN 116739141 A CN116739141 A CN 116739141A
- Authority
- CN
- China
- Prior art keywords
- grid
- power
- demand response
- load
- independent micro
- 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
Links
- 230000004044 response Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005611 electricity Effects 0.000 claims abstract description 44
- 238000004146 energy storage Methods 0.000 claims abstract description 34
- 238000003860 storage Methods 0.000 claims abstract description 20
- 230000005484 gravity Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 claims abstract description 9
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 claims abstract description 9
- 241001559542 Hippocampus hippocampus Species 0.000 claims abstract description 9
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000002699 waste material Substances 0.000 claims abstract description 3
- 230000000971 hippocampal effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005653 Brownian motion process Effects 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000009395 breeding Methods 0.000 claims description 2
- 230000001488 breeding effect Effects 0.000 claims description 2
- 238000005537 brownian motion Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000036316 preload Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 210000001320 hippocampus Anatomy 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007726 management method Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- H02J3/28—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种考虑需求响应的独立型微电网优化配置方法,包括以下步骤:步骤1:建立含重力储能与蓄电池混合储能的独立型微电网数学模型,计算出周期内目标地区的负荷出力数据;步骤2:利用需求响应模型处理得到的负荷出力数据,以系统年均综合成本最小作为目标函数,以弃风弃光率作为评价指标;并以系统稳定运行及性能指标为约束条件,建立独立性微电网系统优化配置模型,以年均综合成本最小为目标对分布式电源容量及峰谷电价进行优化;步骤3:采用改进海马优化算法,对建立的独立性微电网系统优化配置模型进行求解,获得最优配置方案。本发明一种考虑需求响应的独立型微电网优化配置方法,该方法能够满足系统约束条件的同时,得出经济性好的配置方案。
Description
技术领域
本发明涉及微电网系统容量优化配置技术领域,具体涉及一种考虑需求响应的独立型微电网优化配置方法。
背景技术
随着传统化石能源逐渐退出历史舞台,依靠可再生能源发电和储能技术构建微电网系统,并通过需求响应机制引导系统进一步提高效益,是目前公认的有效措施。合理的配置微电网中的各个分布式电源的容量是保证系统稳定运行和良好收益的重要前提,因此通过引入动态分时电价机制促进用户和系统进行交互,改善微电网运行具有重要意义。
现有技术中,独立型微电网优化配置仍存在一些缺陷。例如,现有文献[1]:“独立型海岛微电网系统优化技术综述及展望[J].电器与能效管理技术,2019(06):1-6+26.DOI:10.16628/j.cnki.2095-8188.2019.06.001.”,提出由于独立型微电网系统与大电网不存在交互,仅依靠系统本身进行供电,存在能源输入波动大,用电成本国过高。因此提出利用重力储能装置配合蓄电池,可以有效结合重力储能装置成本低,能源可以长期保存的特点与蓄电池进行优势互补。例如,现有文献[2]:“基于改进DEC算法的风光氢系统容量配置[J].电网与清洁能源,2022,38(11):98-106.”,为改善微电网的供电经济性和可靠性及可再生能源消纳率,提出了改进DEC算法,建立了风光氢储微电网双层配置模型。现有文献[3]:“含深冷液化空气储能的离网型CCHP微网容量配置[J].计算机仿真,2022,39(07):112-116.”,针对深冷液化空气储能这一新型储能方式,提出了一种离网型冷热电联供系统。现有文献[4]:“计及碳收益的风电场混合储能容量优化配置[J].中国电力,2022,55(12):22-33.”,利用飞轮储能和锂电池组成的混合储能,建立含碳收益的风储系统容量配置。随着技术的成熟,这些新型储能技术会在未来得到广泛应用。同时基于现有文献[5]:“Se a-horse optimizer:a novel nature-inspired meta-heuristic for globaloptimiza tion problems.Appl Intell(2022).”,提出的海马优化算法,具有收敛速度快,效率高等优点。为了提高种群初始质量,利用logistic混沌映射改进策略,对算法性能进行改善。
发明内容
为解决上述技术问题,本发明提供一种普适性强,效果佳,能够满足独立型微电网运行可靠性的要求下,综合考虑系统经济性和可靠性的考虑需求响应的独立型微电网优化配置方法,该方法能够满足系统约束条件的同时,得出经济性好的配置方案。
本发明采取的技术方案为:
一种考虑需求响应的独立型微电网优化配置方法,包括以下步骤:
步骤1:获取目标地区全年风速、温度、太阳辐照度和负荷的历史数据集,建立含重力储能与蓄电池混合储能的独立型微电网数学模型,输入历史数据,计算出周期内目标地区的负荷出力数据;
步骤2:利用需求响应模型处理步骤1得到负荷出力数据,以系统年均综合成本最小作为目标函数,以弃风弃光率作为评价指标;并以系统稳定运行及性能指标为约束条件,建立独立性微电网系统优化配置模型,以年均综合成本最小为目标对分布式电源容量及峰谷电价进行优化;
步骤3:采用改进海马优化算法,对步骤2建立的独立性微电网系统优化配置模型进行求解,获得最优配置方案。
所述步骤1中,独立型微电网数学模型包括:
1)风力发电机模型:
其中,Pwt(t)为风力发电机实时功率;α1=Pn/(vr 3-vci 3),α2=vci 3/(vr 3-vci 3);Pn为风力发电机额定功率;v为实时风速;vci为切入风速;vco为切出风速;vr为额定风速。
2)光伏阵列模型:
其中,Ppv(t)光伏阵列实时功率;PSTC为太阳能板在标准条件下(25℃,1.0MPa)的最大输出功率;GSTC为标准条件下太阳辐照度,取1kW/m2;k为功率温度系数,取-0.4%/℃;Tc(t)为t时刻太阳能板表面温度;TSTC为参考的工作温度,取25℃。
3)蓄电池模型:
SOC(t)=Ebat(t)/Emax(t);
Soc(t)=Soc(t-1)(1-σ)+Pc(t)△tηc/Emax;
其中,SOC(t)为荷电状态;Soc(t-1)为前一时间段电池荷电状态;Ebat(t)为蓄电池剩余电量;Emax为蓄电池的额定最大容量;σ为每小时蓄电池自放电率;△t为t时间段长度;Pc(t)为蓄电池第t时间段的充电功率;Pd(t)为蓄电池第t时间段的放电功率;ηc,ηd分别为蓄电池充电、放电效率。
4)重力储能模型:
充电过程:
Fμ=μmg·cosθ;
PGRC(t)=FC·V=(mg·sinθ+μmg·cosθ)·V;
放电过程:
PGRD(t)=FD·V=(mg·sinθ-μmg·cosθ)·V;
理论重力储能容量:
WGR=mghg;
其中,PGRC(t)为上升过程中第t时间段的电动机功率;FC为上升过程中的电动机牵引力;Fμ为摩擦力;m为重物质量;g为重力加速度;θ为轨道的水平夹角的角度;μ为摩擦系数;V为重物匀速下滑过程中的速度;PGRD(t)为下滑过程中第t时间段的发电机功率;FD为下滑过程中的发电机所受到的牵引力;WGR为重力储能容量;hg为有效储能高度。
所述步骤2中,需求响应模型中以可再生能源发电功率和符合需求功率差值的累积和最小为目标,优化变量为峰谷电价;
需求响应模型包括价格型需求响应模型,具体为:
其中:p(t)是t时刻的实时电价;pp峰时段电价;pv为谷时段电价;L(t)为需求响应前t时刻的负荷需求;Pwt(t)和Ppv(t)分别t时刻的风机和光伏阵列的发电功率。
其中:sec,d为替代弹性系数;Qc和Qd分别是c时刻、d时刻的负荷需求;pc和pd分别是c时刻,d时刻的电价。
替代弹性给定后,基于峰谷时段下负荷降低比例△Lp和升高比例△Lv,表达式如下:
其中,sep,v为给定的替代弹性;Cp和Cv分别为峰时段和谷时段电费和一日电费的比值;p为平均电价。
需求响应后的负荷需求量为:
其中,LDR(t)需求响应后的负荷功率,Tp为峰时电价时段,Tv为谷时电价时段。
建立目标函数:
其中,LDR(t)需求响应后的负荷功率;T为整个时间周期24h;该目标函数中的优化变量为峰时电价pp和谷时电价pv。
建立约束条件:
约束1:负荷转移电量约束:
其中,为需求响应前负荷总量,/>为需求响应后负荷总量;
约束2:电价约束:
Pp>Pv
其中,Pp为峰时电价,Pv为谷时电价。
所述步骤2中,独立性微电网系统优化配置模型中:
年均综合成本F为:
minF=f1+f2-f3;
f2=0.02f1;
其中,F为系统年均综合总成本;f1为系统初始投资成本;f2为运行维护成本;f3为新能源补贴收益。fcr为等年值成本计算;Nn为各个分布式电源的数量;Cn为各个分布式电源的成本;n为分布式电源数量;τ为折现率;γ为设备寿命;β为补贴系数;Npv为光伏组件数量;Nwt为风电组件数量。
评价指标弃风弃光率D为:
其中,Eloss(t)为负荷缺电量;
系统稳定运行的约束条件为:
约束1:分布式电源数量约束:
Nn<Nn max n=1,2,3,4;
其中,Nn为实际安装的各个分布式电源的数量;Nn max为各个分布式电源的最大安装数量。约束2:储能容量约束:
其中,分别为蓄电池最小和最大剩余容量;/>分别为重力储能设备最小和最大剩余容量。Eb(t)为第t时间段的蓄电池容量;Eg(t)为第t时间段的重力储能设备容量。
约束3:负荷缺电率约束:
其中,Elpsp为负荷缺电率;Eload(t)为负荷需求量;为允许的最大值。
所述步骤3包括如子步骤:
步骤301、输入获取的气象数据和负荷数据,利用k-means聚类得到典型日场景,进行独立型微电网优化配置;
步骤302、初始化种群个体,为了使得种群更具有多样性,防止陷入局部最优,因此引入Logistic混沌映射提高种群初始质量,公式为:
Yn+1=ζYn(1-Yn)
其中,Yn∈[0,1];ξ∈[0,4]为logistic参数,取为4。
步骤303、根据需求响应模型,计算响应后的负荷曲线和峰谷电价,并模拟微电网运行计算目标函数值;
步骤304、根据公式更新每个个体位置;
分为移动行为和捕食行为,移动行为为:
其中,r1=randn()为标准正态随机数;Xi(t)为海马个体当前位置;为海马个体移动后的位置;Levy(λ)为莱维飞行分布函数;Xelite为适应度最小的海马个体,记为精英个体;Xelite(t)为当前精英个体位置;rand*为rand的转置;l*为设置的常数系数;/>为布朗运动的游走系数;x、y、z为移动行为下的坐标的三维分量。
捕食行为为:
其中,r2=是[0,1]之间的随机数;α随迭代减小,调整捕食行为的移动步长;itar表示最大迭代次数。为捕食行为后的海马位置α*为α的转置;/>上一次移动行为后的位置。
步骤305、判断海马个体的迭代是否达到最大迭代次数,否则进行选择繁殖下一代,公式为:
其中,表示/>以适应度值升序排序。fathers为适应度较好的一半海马个体;mothers为另一半海马个体;pop为种群数量。
再通过随机选择雄性和雌性/>繁殖,第i个子代/>计算公式如下:
其中,r3是[0,1]之间的随机数。
步骤306、输出目标函数指和对应的决策变量,得到最优配置方案。
本发明一种考虑需求响应的独立型微电网优化配置方法,技术效果如下:
1)本发明构建考虑需求响应的独立型微电网数学模型,进一步降低微电网配置成本。
2)本发明实施改进海马优化算法微电网容量进行优化,有效识别储能容量配置与经济性的关系,为规划决策提供重要参考。
3)本发明优化配置中,根据实际情况,设置合理替代弹性系数有助于配置容量。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1是本发明的独立型微电网系统的容量配置方法的流程图。
图2是本发明独立微网系统结构图。
图3是本发明独立微网内全年风速变化曲线图。
图4是本发明独立微网内全年太阳辐照度变化曲线图。
图5是本发明独立微网内全年温度变化曲线图。
图6是本发明独立微网内全年负荷变化曲线图。
具体实施方式
一种考虑需求响应的独立型微电网优化配置方法,首先,构建了含重力储能与蓄电池混合储能的独立型微电网数学模型,从而建立微电网内各个设备的数学模型;其次,基于可再生能源发电功率和符合需求功率时序不一致对微电网运行的影响,引入动态分时电价机制,以可再生能源发电功率和符合需求功率差值的累积和最小为目标,建立了价格型需求响应模型;然后,构建独立性微电网系统优化配置模型,以年均综合成本最小为目标对分布式电源容量及峰谷电价进行优化;最后利用提出的改进海马优化算法对模型进行求解。
实施例:
独立型微电网数学模型,参照图2知,主要有风力发电机,光伏发电,蓄电池及重力储能设备组成,主要有风光发电系统对整个系统进行供电,由储能系统对多余的电量及缺额电量进行存储及供电。根据图3~图6分别提供的风速、光照强度、温度及负荷的数据图,进行k-means聚类处理后导入微电网模型进行运行求解,分布式电源经济数据如下表1。
表1分布式电源的经济数据
电源类型 | 单位购买安装成本(元/kW) |
风力发电机 | 5700 |
光伏阵列 | 6000 |
蓄电池 | 2000 |
重力储能 | 3000 |
进一步设置场景1:固定电价下的配置方案;场景2:计及价格型需求响应分时电价下的配置方案;场景3:计及价格型需求响应动态分时电价下的配置方案。突出本文所提方法的优越性。根据所建模型在不同场景下的配置结果如下表2所示。
表2模型在不同场景下的配置结果
由表2可知,通过本发明所提方法能够实现微电网系统的经济性和可靠性。本发明中独立性微电网系统优化配置模型以系统年均综合总成本作为目标函数,弃风弃光率作为评价指标,以系统稳定运行为约束条件,利用改进海马优化算法,进一步提高微电网系统配置方案的准确性,为计算系统容量提供理论依据;本发明采用改进海马优化算法对独立型微电网系统容量配置数学模型进行求解,该算法通过改进初始化种群策略,提高种群质量,保证种群多样性。
Claims (7)
1.一种考虑需求响应的独立型微电网优化配置方法,其特征在于包括以下步骤:
步骤1:建立独立型微电网数学模型,计算出周期内目标地区的负荷出力数据;
步骤2:利用需求响应模型处理步骤1得到负荷出力数据,以系统年均综合成本最小作为目标函数,以弃风弃光率作为评价指标;并以系统稳定运行及性能指标为约束条件,建立独立性微电网系统优化配置模型,以年均综合成本最小为目标对分布式电源容量及峰谷电价进行优化;
步骤3:采用改进海马优化算法,对步骤2建立的独立性微电网系统优化配置模型进行求解,获得最优配置方案。
2.根据权利要求1所述一种考虑需求响应的独立型微电网优化配置方法,其特征在于:所述步骤1中,独立型微电网数学模型包括:
1)风力发电机模型:
其中,Pwt(t)为风力发电机实时功率;α1=Pn/(vr 3-vci 3),α2=vci 3/(vr 3-vci 3);Pn为风力发电机额定功率;v为实时风速;vci为切入风速;vco为切出风速;vr为额定风速;
2)光伏阵列模型:
其中,Ppv(t)光伏阵列实时功率;PSTC为太阳能板在标准条件下的最大输出功率;GSTC为标准条件下太阳辐照度;k为功率温度系数;Tc(t)为t时刻太阳能板表面温度;TSTC为参考的工作温度;
3)蓄电池模型:
SOC(t)=Ebat(t)/Emax(t);
Soc(t)=Soc(t-1)(1-σ)+Pc(t)△tηc/Emax;
其中,SOC(t)为荷电状态;Soc(t-1)为前一时间段电池荷电状态;Ebat(t)为蓄电池剩余电量;Emax为蓄电池的额定最大容量;σ为每小时蓄电池自放电率;△t为t时间段长度;Pc(t)为蓄电池第t时间段的充电功率;Pd(t)为蓄电池第t时间段的放电功率;ηc,ηd分别为蓄电池充电、放电效率;
4)重力储能模型:
充电过程:
Fμ=μmg·cosθ;
PGRC(t)=FC·V=(mg·sinθ+μmg·cosθ)·V;
放电过程:
PGRD(t)=FD·V=(mg·sinθ-μmg·cosθ)·V;
理论重力储能容量:
WGR=mghg;
其中,PGRC(t)为上升过程中第t时间段的电动机功率;FC为上升过程中的电动机牵引力;Fμ为摩擦力;m为重物质量;g为重力加速度;θ为轨道的水平夹角的角度;μ为摩擦系数;V为重物匀速下滑过程中的速度;PGRD(t)为下滑过程中第t时间段的发电机功率;FD为下滑过程中的发电机所受到的牵引力;WGR为重力储能容量;hg为有效储能高度。
3.根据权利要求1所述一种考虑需求响应的独立型微电网优化配置方法,其特征在于:所述步骤2中,需求响应模型中以可再生能源发电功率和符合需求功率差值的累积和最小为目标,优化变量为峰谷电价;
需求响应模型包括价格型需求响应模型,具体为:
其中:p(t)是t时刻的实时电价;pp峰时段电价;pv为谷时段电价;L(t)为需求响应前t时刻的负荷需求;Pwt(t)和Ppv(t)分别t时刻的风机和光伏阵列的发电功率;
其中:sec,d为替代弹性系数;Qc和Qd分别是c时刻、d时刻的负荷需求;pc和pd分别是c时刻,d时刻的电价;
替代弹性给定后,基于峰谷时段下负荷降低比例△Lp和升高比例△Lv,表达式如下:
其中,sep,v为给定的替代弹性;Cp和Cv分别为峰时段和谷时段电费和一日电费的比值;为平均电价;
需求响应后的负荷需求量为:
其中,LDR(t)需求响应后的负荷功率,Tp为峰时电价时段,Tv为谷时电价时段;
建立目标函数:
其中,LDR(t)需求响应后的负荷功率;T为整个时间周期24h;该目标函数中的优化变量为峰时电价pp和谷时电价pv。
4.根据权利要求3所述一种考虑需求响应的独立型微电网优化配置方法,其特征在于:建立约束条件:
约束1:负荷转移电量约束:
其中,为需求响应前负荷总量,/>为需求响应后负荷总量;约束2:电价约束:
Pp>Pv
其中,Pp为峰时电价,Pv为谷时电价。
5.根据权利要求4所述一种考虑需求响应的独立型微电网优化配置方法,其特征在于:所述步骤2中,独立性微电网系统优化配置模型中,
年均综合成本F为:
minF=f1+f2-f3;
f2=0.02f1;
其中,F为系统年均综合总成本;f1为系统初始投资成本;f2为运行维护成本;f3为新能源补贴收益;fcr为等年值成本计算;Nn为各个分布式电源的数量;Cn为各个分布式电源的成本;n为分布式电源数量;τ为折现率;γ为设备寿命;β为补贴系数;Npv为光伏组件数量;Nwt为风电组件数量;
评价指标弃风弃光率D为:
其中,Eloss(t)为负荷缺电量。
6.根据权利要求5所述一种考虑需求响应的独立型微电网优化配置方法,其特征在于:系统稳定运行的约束条件为:
约束1:分布式电源数量约束:
其中,Nn为实际安装的各个分布式电源的数量;为各个分布式电源的最大安装数量;约束2:储能容量约束:
其中,分别为蓄电池最小和最大剩余容量;/>分别为重力储能设备最小和最大剩余容量;Eb(t)为第t时间段的蓄电池容量;Eg(t)为第t时间段的重力储能设备容量;
约束3:负荷缺电率约束:
其中,Elpsp为负荷缺电率;Eload(t)为负荷需求量;为允许的最大值。
7.根据权利要求1所述一种考虑需求响应的独立型微电网优化配置方法,其特征在于:所述步骤3包括如子步骤:
步骤301、输入获取的气象数据和负荷数据,利用k-means聚类得到典型日场景,进行独立型微电网优化配置;
步骤302、初始化种群个体,引入Logistic混沌映射提高种群初始质量,公式为:
Yn+1=ζYn(1-Yn)
其中,Yn∈[0,1];ξ∈[0,4]为logistic参数;
步骤303、根据需求响应模型,计算响应后的负荷曲线和峰谷电价,并模拟微电网运行计算目标函数值;
步骤304、根据公式更新每个个体位置;
分为移动行为和捕食行为,移动行为为:
其中,r1=randn()为标准正态随机数;Xi(t)为海马个体当前位置;为海马个体移动后的位置;Levy(λ)为莱维飞行分布函数;Xelite为适应度最小的海马个体,记为精英个体;Xelite(t)为当前精英个体位置;rand*为rand的转置;l*为设置的常数系数;βt *为布朗运动的游走系数;x、y、z为移动行为下的坐标的三维分量;
捕食行为为:
其中,r2=是[0,1]之间的随机数;α随迭代减小,调整捕食行为的移动步长;itar表示最大迭代次数;为捕食行为后的海马位置α*为α的转置;/>上一次移动行为后的位置;
步骤305、判断海马个体的迭代是否达到最大迭代次数,否则进行选择繁殖下一代,公式为:
其中,表示/>以适应度值升序排序;fathers为适应度较好的一半海马个体;mothers为另一半海马个体;pop为种群数量;
再通过随机选择雄性和雌性/>繁殖,第i个子代/>计算公式如下:
其中,r3是[0,1]之间的随机数;
步骤306、输出目标函数指和对应的决策变量,得到最优配置方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499570.9A CN116739141A (zh) | 2023-05-05 | 2023-05-05 | 一种考虑需求响应的独立型微电网优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499570.9A CN116739141A (zh) | 2023-05-05 | 2023-05-05 | 一种考虑需求响应的独立型微电网优化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739141A true CN116739141A (zh) | 2023-09-12 |
Family
ID=87906872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310499570.9A Pending CN116739141A (zh) | 2023-05-05 | 2023-05-05 | 一种考虑需求响应的独立型微电网优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739141A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117277444A (zh) * | 2023-11-17 | 2023-12-22 | 中国电力科学研究院有限公司 | 一种新能源基地电源容量优化配置方法及装置 |
-
2023
- 2023-05-05 CN CN202310499570.9A patent/CN116739141A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117277444A (zh) * | 2023-11-17 | 2023-12-22 | 中国电力科学研究院有限公司 | 一种新能源基地电源容量优化配置方法及装置 |
CN117277444B (zh) * | 2023-11-17 | 2024-03-19 | 中国电力科学研究院有限公司 | 一种新能源基地电源容量优化配置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
CN109816171B (zh) | 一种电动汽车区域微网群双层分布式优化调度方法 | |
CN110365013B (zh) | 一种光热-光伏-风电联合发电系统的容量优化方法 | |
CN108599206B (zh) | 高比例不确定电源场景下的配电网混合储能配置方法 | |
CN111525627B (zh) | 含抽蓄与新能源发电的柔性直流输电系统日前调度方法 | |
CN110689189A (zh) | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 | |
CN110994606B (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
CN113159407B (zh) | 基于区域综合能源系统的多能储存模块容量优化配置方法 | |
CN116739141A (zh) | 一种考虑需求响应的独立型微电网优化配置方法 | |
CN112886645A (zh) | 一种基于氢能超高比例的新能源电力系统运行模拟方法 | |
CN112865097A (zh) | 一种基于风光火储一体化基地收益的电源配比优化方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN116961114A (zh) | 基于分区自治的多虚拟电厂协调调度优化方法 | |
CN117096908A (zh) | 基于麻雀搜索的并网型微电网优化调度方法 | |
CN112134307A (zh) | 多能互补系统的电储能/热储能容量联合优化方法及系统 | |
CN117013522A (zh) | 考虑分布式电源和气电协同的综合能源系统调度优化方法 | |
CN116979578A (zh) | 一种风光水火储的电气热三联产优化调度方法和系统 | |
CN116526544A (zh) | 新能源发电系统灵活性资源规划方法、系统及设备 | |
CN114039384A (zh) | 基于新能源消纳的源-储协调优化调度方法 | |
CN111786419A (zh) | 一种区域电网能源配置系统 | |
CN111062532A (zh) | 一种考虑v2g的增量配电园区内电网容量配置优化方法 | |
CN114024325B (zh) | 电能替代下基于大数据分析的储能容量配置方法 | |
Shi et al. | Research on Energy Management Optimization Strategy of Integrated Energy System in Wind Photovoltaic Hydrogen Energy Storage Area | |
Liu et al. | Multi-objective optimal dispatch with electricity and heat energy | |
Abdelghani et al. | Analysis the operation of Smart Microgrid using the'V2G'in the management of balance production and consumption |
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 |