CN116760103A - 虚拟电厂在线优化电力调度的自适应预测能量管理方法 - Google Patents
虚拟电厂在线优化电力调度的自适应预测能量管理方法 Download PDFInfo
- Publication number
- CN116760103A CN116760103A CN202310721031.5A CN202310721031A CN116760103A CN 116760103 A CN116760103 A CN 116760103A CN 202310721031 A CN202310721031 A CN 202310721031A CN 116760103 A CN116760103 A CN 116760103A
- Authority
- CN
- China
- Prior art keywords
- prediction
- power
- power plant
- energy
- virtual power
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000007726 management method Methods 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 35
- 238000005096 rolling process Methods 0.000 claims description 32
- 238000004146 energy storage Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 230000003749 cleanliness Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 2
- 230000005855 radiation Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- 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
本发明涉及电力智能调度技术领域,具体地说,涉及虚拟电厂在线优化电力调度的自适应预测能量管理方法。在每个时间间隔内使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求;使用预测信息进行优化并计算下一个时间间隔的调度;并通过监控数据更新历史数据;利用超短期预测,根据最新信息确定可再生能源和负荷需求的预测误差,并根据预测误差调整调度计划;更新t+Δt,检查t是否达到下一个时间间隔。本发明设计基于模型预测控制的自适应预测能量管理策略用于虚拟电厂在线优化运行,并通过反馈校正来补偿预测误差,可以更好地跟踪实际可用资源,并且使得能源需求和供应之间的不匹配最小。
Description
技术领域
本发明涉及电力智能调度技术领域,具体地说,涉及虚拟电厂在线优化电力调度的自适应预测能量管理方法。
背景技术
风电、光伏等可再生能源以及电网中的其他分布式资源发电具有随机性、间断性的特点。大范围、高百分比接入会增加电网峰值压力,而高比例可再生能源的接入弱化了系统转动惯量进一步为电力系统功率的平衡和电网坚强智能运行增加一系列新的挑战。此外,过去一个大中型电网只需要连接几十个或几百个发电厂,就可以将电能从生产侧输送到用户侧;随着新能源技术的发展以及能源与数字技术的集成,以后的电网将连接成千上万个功率特性各异的电能生产机组和兼具生产者与消费者双重身份的新型并网主体。
常规能源主要是依靠化石燃料燃烧供能。它采用单方向树状潮流形式拓扑架构,集中化管理和控制、垂直集成的供能用能方式,以及不同种类的能源系统供能采用互不影响、条块化分割的模式。随着用户侧分布式能源以及需求响应技术的快速发展,传统以大量消耗不可再生的化石能源来解决用能需求的方式不再可取,因此,寻找一种能够有效解决对高比例分布式能源接入和可持续能源供应需求的问题,如采用云计算技术提高电动汽车等分布式资源的利用率等国家战略新兴产业,将能源结构从根本上使之变化,提高分布式能源的整体产用能效率,已成为产、用、研各层各界人民的共识。
虚拟电厂通过基于云的访问控制系统来聚合异构分布式能源资源,提供高效的集中管理、可见性和控制。大多数虚拟电厂的操作策略都是基于日前的配置文件设计的。然而,可再生能源和负荷需求的预测误差会导致调度中的次优运行。
鉴于虚拟电厂技术在高比例可再生能源系统中,对于资源整合提高利用率和可持续运行配网调峰的重要性,虚拟电厂调度控制中心须在实际中制定合理可靠的规划策略来切实提高源网荷的经济效益,促进能源产业发展。由于多能源虚拟电厂的结构和组成与传统能源电厂存在差异,因此在不同输出功率下的调节控制能力也有所不同。此外,虚拟电厂含有大量的可再生能源,其出力波动会导致虚拟电厂输出功率性能的不确定性,因此在调度指令的响应层面上将虚拟电厂与传统的电厂相比较是没有意义的。因而,如何解决含有可再生能源和储能系统的虚拟电厂智能调度和能量管理是亟须解决的关键问题。鉴于此,我们提出了虚拟电厂在线优化电力调度的自适应预测能量管理方法。
发明内容
本发明的目的在于提供虚拟电厂在线优化电力调度的自适应预测能量管理方法,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明提供了虚拟电厂在线优化电力调度的自适应预测能量管理方法,首先提出用于虚拟电厂的在线运行的基于模型预测控制的自适应预测能量管理策略,该管理政策包括滚动时域优化和基于误差校正的反馈控制两个部分,其中:
滚动时域优化:在每个时间间隔,对不确定参数(可再生能源和负荷需求)进行预测,并将预测信息用于滚动时域优化模型,以最小化虚拟电厂在一段时间内的运行成本;之后,应用第一个时间间隔的结果,时间范围向前移动到下一个时间间隔;
基于误差校正的反馈控制:在滚动时域优化的每个时间间隔内,多次应用基于误差校正的反馈控制模型来调整虚拟电厂中的分布式能源的出力,以平衡预测值和实际值之间的不匹配;
具体包括如下步骤:
S1、在每个时间间隔内,使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求;
S2、使用步骤S1中的预测信息,进行优化并计算下一个时间间隔的调度;并通过监控数据,更新历史数据;
S3、利用超短期预测,根据最新信息确定可再生能源和负荷需求的预测误差,并根据预测误差调整调度计划;
S4、更新t+Δt,检查t是否达到下一个时间间隔;如果是,则跳到步骤S1,如果否,则跳到步骤S2。
作为本技术方案的进一步改进,所述滚动时域优化模型中:
在虚拟电厂的滚动时域优化模型中,每个时间间隔k中进行不确定参数(可再生能源发电和负荷需求)的预测和优化,优化的目标是在一个固定的未来时间范围内最小化总运营成本;
从时间间隔k开始,在时间间隔k+1之前,基于对未来时间范围(从时间间隔k+1到时间间隔k+M)内不确定参数的预测对优化问题进行求解,但只执行时间间隔k+1的调度;这里,M表示预测范围的长度;
类似地,在下一个时间间隔,时间范围向前移动一个时间间隔,并根据最新信息再次重复预测和优化;
优化过程会考虑未来的时间间隔,以便控制实施保持最佳状态。
作为本技术方案的进一步改进,所述滚动时域优化模型中,对不确定参数进行预测的方法包括如下步骤:
A1、根据太阳辐照度数据计算的净度指数确定太阳能光伏的功率;太阳辐照度不确定性的主要原因是多云天气条件的变化;光伏能源系统吸收的太阳辐照度hpv,t(kWm-2)可以准确地计算地外太阳辐照度hex,t(kWm-2)和净度指数st估算:
hpv,t=sthex,t
根据场地的地理信息和地球轨道可得出hex,t,使用格雷厄姆算法可生成清晰度指数st;一旦模拟了太阳辐照度,额定容量Ppv,r(kW)和额定太阳辐照度hr(kWm-2)的光伏能源系统产生的功率可计算为:
由于太阳辐照度数据是一维的,因此根据Akaike准则可确定时间序列模型ARIMA(自回归积分移动平均),模型的方程可以得到为:
h(k)=α1h(k-1)+α2h(k-2)+...+αmh(k-m)+αm+1h(k-m-1)+βk
其中,h(k)表示间隔k处的太阳辐照度,α1,...,αm+1是系数,βk是ARIMA模型中的残差;
A2、利用模型方程和状态方程,卡尔曼滤波器的观测方程如下:
令h1(k)=h(k),h2(k)=h(k-1),...,hm+1(k)=h(k-m),这样模型方程可以改写为:
h(k+1)=α1h(k)+α2h(k-1)+...+αm+1h(k-m)+βk+1
通过设置h2(k)=h(k+1),...,hm+1(k)=h(k+m),状态方程变为:
其中,w(k)是卡尔曼滤波器中的系统噪声向量;则上式可以进一步写为:
H(k+1)=φ(k+1,k)H(k)+Γ(k+1,k)w(k)
其中,H(k)是状态向量,φ(k+1,k)是状态转移矩阵,Γ(k+1,k)是卡尔曼滤波器中的激励转移矩阵;此外,观测方程还可以表示为:
Z(k+1)=ψ(k+1)H(k+1)+n(k+1)
其中,Z(k+1)是观测向量,ψ(k+1)是预测输出转移矩阵,n(k+1)是卡尔曼滤波器中的测量噪声;
A3、太阳辐照度预测由卡尔曼预测递推方程确定,光伏能源系统产生的输出功率如步骤A1所示;相同的方法用于预测负荷需求,并可应用于更多的可再生能源。
作为本技术方案的进一步改进,所述滚动时域优化模型的实现方法包括如下:
一旦在特定的有限时间范围内获得预测结果,就会执行滚动时域优化;虚拟电厂包含分布式光伏发电、负荷和储能,其连接到配电系统并通过通信网络运行,虚拟电厂中存在双向的能量流动;该优化问题被表述为混合整数线性规划问题;
优化的目标是使虚拟电厂的运行成本最小化;其公式为:
其中,Jc(t)表示虚拟电厂的运行成本,而Jp表示电池储能系统充电和放电的潜在利润;具体如下:
Jc(t)=πg(t)Pg,i(t)-πd(t)Pd,i(t)·Ts
Jp=(Sb,i(k+M)-Sb,i(k))πg,avg(k)
其中,πg表示第i条母线上与电网进行电力交换Pg,i的能源价格,πd表示在第i条母线上负载需求Pd,i的电价,Ts是采样时间,Sb,i表示第i条母线上储能的电荷状态(SoC),πg,avg是预测范围内能源价格的平均值。
作为本技术方案的进一步改进,所述滚动时域优化模型中,所提出的优化问题中涉及的约束表述如下:
a)光伏能源系统的约束:
来自光伏能源系统的发电功率Ppv,T(t)是采样时间T内第i条母线上的光伏利用功率Ppv(t)和弃光功率Ppv,c之和,例如:
Ppv,Ti(t)=Ppv,i(t)+Ppv,ci(t)
在间隔t期间,第i条母线的光伏能源系统具有由逆变器施加的最大功率限制为:
其中,upv,i是光伏能源系统在第i条母线上的运行状态的二元决策变量;
b)电池储能系统的约束:
第i条母线上储能系统的电荷状态可以通过一个简化的离散动态方程来估计:
式中,σbi为自放电能量损失,Pch,i为充电功率,Pdch,i为放电功率,ηch,i为充电效率,ηdch,i为储能系统在第i条母线的放电效率;第i条母线上电池储能的电荷状态约束可以表示为:
电池储能的充放电功率的限值可表示为:
其中,uch,,i和udcg,i是第i条母线充电和放电决策的二元决策变量;此外,充电和放电速率的约束可以表示为:
其中,Rch,i和Rdch,i是储能系统在第i条母线上的充电和放电率;电池储能的电荷状态的时域终点可以表示为:
Sbi(t+(M-1))=Sbi,ini
其中,Sbi,ini是电池储能的电荷状态的时域起点;
c)虚拟电厂运行的约束:
虚拟电厂系统的约束包括电网功率交换约束、线路载流约束和功率平衡;虚拟电厂的功率平衡约束公式为:
其中,Pd,i表示母线i处的负载需求,li,j表示连接母线i和j的输电线路的直流功率流;通过该线路的功率流可计算为:
li,j(t)=Bi,j(θi(t)-θj(t))
其中,Bi,j是母线i和j之间的线路电纳;此外,θi和θj是母线i与j的电压相量角;每条线路上的功率流必须在该线路的承载能力范围内,以便:
-li,j,max≤li,j(t)≤li,j,max
其中,li,j,max表示连接总线i至j的线路的最大容量限制;
虚拟电厂和电网之间的电力交换受到接触器容量的限制,即:
Pg,i,min≤Pg,i(t)≤Pg,i,max
其中,Pg,i,min和Pg,i,max是母线i与电网的最小和最大功率交换的约束;此外,斜坡速率约束Rg,i也可以施加在母线i到电网的电力交换上,即:
-TsRg,i≤Pg,i(t)-Pg,i(t-1)≤TsRg,i
其中,Rg,i为斜坡速率约束。
作为本技术方案的进一步改进,所述基于误差校正的反馈控制模型中:
在实时运行中,由于可再生能源和负荷的不确定性,参数的预测值和实际值总是存在偏差;预测中的误差会对虚拟电厂的运行产生重大影响,使用超短期误差预测模型进行超短期误差预测,可以对超短期预测的误差进行校正,并根据这个预测误差通过反馈修正来进行快速的调整。
作为本技术方案的进一步改进,所述基于误差校正的反馈控制模型中,超短期误差预测模型的实现方法包括如下:
B1、根据母线i处光伏功率的预测和测量数据更新误差序列使得:
其中,和/>是光伏功率的预测值和实际值,Nt是观测数据的时间;
B2、将误差序列进行累加形成一个新的序列,使得:
其中,Nt同上;
B3、将GM(1,1)模型表示为一阶常微分方程和对应的向量Ai:
通过使用最小二乘法计算ci和di,即Ai:
其中,λi和Yi可以定义为:
此外,可以估计为:
其中,为母线i处光伏功率的预测和测量数据更新误差序列平均值;
B4、计算预测误差和所需的误差校正,使得:
其中,和/>分别是预测误差和所需的校正;
B5、对于反馈控制的下一个间隔,转到步骤B1;
对虚拟电厂的所有母线上的负载需求执行相同的程序。
作为本技术方案的进一步改进,所述基于误差校正的反馈控制模型的实现方法包括如下:
具有校正功能的反馈控制不会中断调度,而是根据超短期预测误差调整发电机组的出力;该反馈控制模型是静态模型,仅在下一个区间(k+1)调整发电机组的出力,该模型被表述为线性规划问题;
该模型的目标函数是最大限度地减少发电机组的调整以提高虚拟电厂的灵活性和弹性。
其中,F代表虚拟电厂在调度设定点的总调整量,ω1和ω2是权重系数,同时使得ω1远大于ω2,因为线路流量的小幅波动不会太大影响虚拟电厂的客户消费和运营成本;
虚拟电厂的系统约束根据预测误差的调整进行更新,调整光伏发电和弃电使得约束变为:
与储能系统相关的约束也根据预测误差进行了调整,如下:
其中,t′表示反馈控制模型中的时间间隔。
功率平衡约束被调整为:
其中,ΔPch,i,ΔPpv,c,i,Δli,j,ΔPdch,i和ΔPg,i是响应误差和/>的调整,功率流约束保持不变,使得:
-li,j,max≤li,j(t)+Δli,j≤li,j,max
由于响应预测误差而导致的注入或吸取的电网功率调整可以并入约束中:
反馈校正(ΔPch,i,ΔPpv,c,i,Δli,j,ΔPdch,i和ΔPg,i)作为该误差校正模型的结果用于执行所需的调整。
与现有技术相比,本发明的有益效果:
1.该虚拟电厂在线优化电力调度的自适应预测能量管理方法中,基于模型预测控制的自适应预测能量管理策略用于虚拟电厂在线优化运行,并通过反馈校正来补偿预测误差,该策略分为滚动时域优化和基于反馈控制的误差校正两个部分;该策略可以更好地跟踪实际可用资源,并且使得能源需求和供应之间的不匹配最小;
2.该虚拟电厂在线优化电力调度的自适应预测能量管理方法中,在滚动时域优化中,基于时间序列分析和卡尔曼滤波器的混合预测算法用于预测可再生能源的输出功率和负荷需求;滚动时域优化模型以混合整数线性规划的形式实现,以根据最新的预测信息实施调度操作,然后根据超短期误差预测调整电力调度的计划;同时,应用基于反馈控制的误差校正以最小化地调整修正预测误差,并以线性规划的形式实现。
附图说明
图1为本发明中示例性的虚拟电厂的电气单线接线图;
图2为本发明中示例性的基于虚拟电厂的自适应预测能源管理策略流程图;
图3为本发明中示例性的滚动时域优化算法的执行框图;
图4为本发明中示例性的基于虚拟电厂的自适应预测能源管理策略的执行框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅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。
实施例1
如图1-图4所示,本实施例提供了虚拟电厂在线优化电力调度的自适应预测能量管理方法,具体包括如下步骤,如图2:
S1、在每个时间间隔内,使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求;
S2、使用步骤S1中的预测信息,进行优化并计算下一个时间间隔的调度;并通过监控数据,更新历史数据;
S3、利用超短期预测,根据最新信息确定可再生能源和负荷需求的预测误差,并根据预测误差调整调度计划;
S4、更新t+Δt,检查t是否达到下一个时间间隔;如果是,则跳到步骤S1,如果否,则跳到步骤S2。
本实施例中,在实施上述的虚拟电厂在线优化电力调度的自适应预测能量管理方法之前,首先提出用于虚拟电厂的在线运行的基于模型预测控制的自适应预测能量管理策略,本实施例根据图1所示的含有可再生能源和储能系统的虚拟电厂的电气单线图,分析基于模型预测控制的自适应预测能量管理策略;该管理政策包括滚动时域优化和基于误差校正的反馈控制两个部分。
其一,如图3所示,滚动时域优化:在每个时间间隔,对不确定参数(可再生能源和负荷需求)进行预测,并将预测信息用于滚动时域优化模型,以最小化虚拟电厂在一段时间内的运行成本;之后,应用第一个时间间隔的结果,时间范围向前移动到下一个时间间隔;
其中,在虚拟电厂的滚动时域优化模型中,每个时间间隔k中进行不确定参数(可再生能源发电和负荷需求)的预测和优化,优化的目标是在一个固定的未来时间范围内最小化总运营成本;
从时间间隔k开始,在时间间隔k+1之前,基于对未来时间范围(从时间间隔k+1到时间间隔k+M)内不确定参数的预测对优化问题进行求解,但只执行时间间隔k+1的调度;这里,M表示预测范围的长度;
类似地,在下一个时间间隔,时间范围向前移动一个时间间隔,并根据最新信息再次重复预测和优化;
优化过程会考虑未来的时间间隔,以便控制实施保持最佳状态。
进一步地,滚动时域优化模型中,对不确定参数进行预测的方法包括如下步骤:
A1、根据太阳辐照度数据计算的净度指数确定太阳能光伏的功率。太阳辐照度不确定性的主要原因是多云天气条件的变化。光伏能源系统吸收的太阳辐照度hpv,t(kWm-2)可以准确地计算地外太阳辐照度hex,t(kWm-2)和净度指数st估算:
hpv,t=sthex,t
根据场地的地理信息和地球轨道可得出hex,t,使用格雷厄姆算法可生成清晰度指数st;一旦模拟了太阳辐照度,额定容量Ppv,r(kW)和额定太阳辐照度hr(kWm-2)的光伏能源系统产生的功率可计算为:
由于太阳辐照度数据是一维的,因此根据Akaike准则可确定时间序列模型ARIMA(自回归积分移动平均),模型的方程可以得到为:
h(k)=α1h(k-1)+α2h(k-2)+...+αmh(k-m)+αm+1h(k-m-1)+βk
其中,h(k)表示间隔k处的太阳辐照度,α1,...,αm+1是系数,βk是ARIMA模型中的残差;
A2、利用模型方程和状态方程,卡尔曼滤波器的观测方程如下:
令h1(k)=h(k),h2(k)=h(k-1),...,hm+1(k)=h(k-m),这样模型方程可以改写为:
h(k+1)=α1h(k)+α2h(k-1)+...+αm+1h(k-m)+βk+1
通过设置h2(k)=h(k+1),...,hm+1(k)=h(k+m),状态方程变为:
其中,w(k)是卡尔曼滤波器中的系统噪声向量;则上式可以进一步写为:
H(k+1)=φ(k+1,k)H(k)+Γ(k+1,k)w(k)
其中,H(k)是状态向量,φ(k+1,k)是状态转移矩阵,Γ(k+1,k)是卡尔曼滤波器中的激励转移矩阵;此外,观测方程还可以表示为:
Z(k+1)=ψ(k+1)H(k+1)+n(k+1)
其中,Z(k+1)是观测向量,ψ(k+1)是预测输出转移矩阵,n(k+1)是卡尔曼滤波器中的测量噪声;
A3、太阳辐照度预测由卡尔曼预测递推方程确定,光伏能源系统产生的输出功率如步骤A1所示;相同的方法用于预测负荷需求,并可应用于更多的可再生能源。
具体地,滚动时域优化模型的实现方法包括如下:
一旦在特定的有限时间范围内获得预测结果,就会执行滚动时域优化;虚拟电厂包含分布式光伏发电、负荷和储能,其连接到配电系统并通过通信网络运行,虚拟电厂中存在双向的能量流动;该优化问题被表述为混合整数线性规划问题;
优化的目标是使虚拟电厂的运行成本最小化。其公式为:
其中,Jc(t)表示虚拟电厂的运行成本,而Jp表示电池储能系统充电和放电的潜在利润;具体如下:
Jc(t)=πg(t)Pg,i(t)-πd(t)Pd,i(t)·Ts
Jp=(Sb,i(k+M)-Sb,i(k))πg,avg(k)
其中,πg表示第i条母线上与电网进行电力交换Pg,i的能源价格,πd表示在第i条母线上负载需求Pd,i的电价,Ts是采样时间,Sb,i表示第i条母线上储能的电荷状态(SoC),πg,avg是预测范围内能源价格的平均值。
具体地,滚动时域优化模型中,所提出的优化问题中涉及的约束表述如下:
a)光伏能源系统的约束:
来自光伏能源系统的发电功率Ppv,T(t)是采样时间T内第i条母线上的光伏利用功率Ppv(t)和弃光功率Ppv,c之和,例如:
Ppv,Ti(t)=Ppv,i(t)+Ppv,ci(t)
在间隔t期间,第i条母线的光伏能源系统具有由逆变器施加的最大功率限制为:
其中,upv,i是光伏能源系统在第i条母线上的运行状态的二元决策变量;
b)电池储能系统的约束:
第i条母线上储能系统的电荷状态可以通过一个简化的离散动态方程来估计:
式中,σbi为自放电能量损失,Pch,i为充电功率,Pdch,i为放电功率,ηch,i为充电效率,ηdch,i为储能系统在第i条母线的放电效率。第i条母线上电池储能的电荷状态约束可以表示为:
电池储能的充放电功率的限值可表示为:
其中,uch,i和udcg,i是第i条母线充电和放电决策的二元决策变量;此外,充电和放电速率的约束可以表示为:
其中,Pch,i和Rdch,i是储能系统在第i条母线上的充电和放电率;电池储能的电荷状态的时域终点可以表示为:
Sbi(t+(M-1))=Sbi,ini
其中,Sbi,ini是电池储能的电荷状态的时域起点;
c)虚拟电厂运行的约束:
虚拟电厂系统的约束包括电网功率交换约束、线路载流约束和功率平衡;虚拟电厂的功率平衡约束公式为:
其中,Pd,i表示母线i处的负载需求,li,j表示连接母线i和j的输电线路的直流功率流;通过该线路的功率流可计算为:
li,j(t)=Bi,j(θi(t)-θj(t))
其中,Bi,j是母线i和j之间的线路电纳;此外,θi和θj是母线i与j的电压相量角;每条线路上的功率流必须在该线路的承载能力范围内,以便:
-li,j,max≤li,j(t)≤li,j,max
其中,li,j,max表示连接总线i至j的线路的最大容量限制;
虚拟电厂和电网之间的电力交换受到接触器容量的限制,例如:
Pg,i,min≤Pg,i(t)≤Pg,i,max
其中,Pg,i,min和Pg,i,max是母线i与电网的最小和最大功率交换的约束;此外,斜坡速率约束Rg,i也可以施加在母线i到电网的电力交换上,例如:
-TsRg,i≤Pg,i(t)-Pg,i(t-1)≤TsRg,i
其中,Rg,i为斜坡速率约束。
其二,如图4所示,基于误差校正的反馈控制:在滚动时域优化的每个时间间隔内,多次应用带有基于误差校正的反馈控制来调整虚拟电厂中的分布式能源的出力,以平衡预测值和实际值之间的不匹配。
其中,在实时运行中,由于可再生能源和负荷的不确定性,参数的预测值和实际值总是存在偏差;预测中的误差会对虚拟电厂的运行产生重大影响,因此使用超短期误差预测模型进行了超短期误差预测,可以对超短期预测的误差进行校正,并根据这个预测误差通过反馈修正来进行快速的调整。
进一步地,基于误差校正的反馈控制模型中,超短期误差预测模型的实现方法包括如下:
B1、根据母线i处光伏功率的预测和测量数据更新误差序列使得:
其中,和/>是光伏功率的预测值和实际值,Nt是观测数据的时间;
B2、将误差序列进行累加形成一个新的序列,使得:
其中,Nt同上;
B3、将GM(1,1)模型表示为一阶常微分方程和对应的向量Ai:
通过使用最小二乘法计算ci和di,即Ai:
其中,λi和Yi可以定义为:
此外,可以估计为:
其中,为母线i处光伏功率的预测和测量数据更新误差序列平均值;
B4、计算预测误差和所需的误差校正,使得:
其中,和/>分别是预测误差和所需的校正;
B5、对于反馈控制的下一个间隔,转到步骤B1。
对虚拟电厂的所有母线上的负载需求执行相同的程序。
进一步地,基于误差校正的反馈控制模型的实现方法包括如下:
具有校正功能的反馈控制不会中断调度,而是根据超短期预测误差调整发电机组的出力;该反馈控制模型是静态模型,仅在下一个区间(k+1)调整发电机组的出力,该模型被表述为线性规划问题;
该模型的目标函数是最大限度地减少发电机组的调整以提高虚拟电厂的灵活性和弹性;
其中,F代表虚拟电厂在调度设定点的总调整量,ω1和ω2是权重系数,同时使得ω1远大于ω2,因为线路流量的小幅波动不会太大影响虚拟电厂的客户消费和运营成本;
虚拟电厂的系统约束根据预测误差的调整进行更新,调整光伏发电和弃电使得约束变为:
与储能系统相关的约束也根据预测误差进行了调整,如下:
其中,t′表示反馈控制模型中的时间间隔;
功率平衡约束被调整为:
其中,ΔPch,i,ΔPpv,c,i,Δli,j,ΔPdch,i和ΔPg,i是响应误差和/>的调整,功率流约束保持不变,使得:
-li,j,max≤li,j(t)+Δli,j≤li,j,max
由于响应预测误差而导致的注入或吸取的电网功率调整可以并入约束中:
反馈校正(ΔPch,i,ΔPpv,c,i,Δli,j,ΔPdch,i和ΔPg,i)作为该误差校正模型的结果用于执行所需的调整,如图3所示。
图3中,Xk是对未来时间范围内(从k+1到k+M)的光伏功率和负荷的预测。另外,ξk+1表示下一个时间间隔的调度计划。光伏功率和负载的预测误差用表示,Δξ是误差校正反馈控制的调整值,/>是修正后的出力。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤的过程可以通过硬件来完成,也可以通过程序来指令相关的硬件完成。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,首先提出用于虚拟电厂的在线运行的基于模型预测控制的自适应预测能量管理策略,该管理政策包括滚动时域优化和基于误差校正的反馈控制两个部分,其中:
滚动时域优化:在每个时间间隔,对不确定参数进行预测,并将预测信息用于滚动时域优化模型,以最小化虚拟电厂在一段时间内的运行成本;其中,不确定参数包括可再生能源和负荷需求;
基于误差校正的反馈控制:在滚动时域优化的每个时间间隔内,多次应用基于误差校正的反馈控制来调整虚拟电厂中的分布式能源的出力,以平衡预测值和实际值之间的不匹配;
具体包括如下步骤:
S1、在每个时间间隔内,使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求;
S2、使用步骤S1中的预测信息,进行优化并计算下一个时间间隔的调度;并通过监控数据,更新历史数据;
S3、利用超短期预测,根据最新信息确定可再生能源和负荷需求的预测误差,并根据预测误差调整调度计划;
S4、更新t+Δt,检查t是否达到下一个时间间隔;如果是,则跳到步骤S1,如果否,则跳到步骤S2。
2.根据权利要求1所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,所述滚动时域优化模型中:
在虚拟电厂的滚动时域优化模型中,每个时间间隔k中进行不确定参数的预测和优化,优化的目标是在一个固定的未来时间范围内最小化总运营成本;
从时间间隔k开始,在时间间隔k+1之前,基于对未来时间范围内不确定参数的预测对优化问题进行求解,但只执行时间间隔k+1的调度;其中,未来时间范围为从时间间隔k+1到时间间隔k+M;这里,M表示预测范围的长度;
类似地,在下一个时间间隔,时间范围向前移动一个时间间隔,并根据最新信息再次重复预测和优化。
3.根据权利要求2所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,所述滚动时域优化模型中,对不确定参数进行预测的方法包括如下步骤:
A1、根据太阳辐照度数据计算的净度指数确定太阳能光伏的功率;光伏能源系统吸收的太阳辐照度hpv,t(kWm-2)可以准确地计算地外太阳辐照度hex,t(kWm-2)和净度指数st估算:
hpv,t=sthex,t
根据场地的地理信息和地球轨道可得出hex,t,使用格雷厄姆算法可生成清晰度指数st;一旦模拟了太阳辐照度,额定容量Ppv,r(kW)和额定太阳辐照度hr(kWm-2)的光伏能源系统产生的功率可计算为:
由于太阳辐照度数据是一维的,因此根据Akaike准则可确定时间序列模型ARIMA,模型的方程可以得到为:
h(k)=α1h(k-1)+α2h(k-2)+...+αmh(k-m)+αm+1h(k-m-1)+βk
其中,h(k)表示间隔k处的太阳辐照度,α1,...,αm+1是系数,βk是ARIMA模型中的残差;
A2、利用模型方程和状态方程,卡尔曼滤波器的观测方程如下:
令h1(k)=h(k),h2(k)=h(k-1),...,hm+1(k)=h(k-m),这样模型方程可以改写为:
h(k+1)=α1h(k)+α2h(k-1)+...+αm+1h(k-m)+βk+1
通过设置h2(k)=h(k+1),...,hm+1(k)=h(k+m),状态方程变为:
其中,w(k)是卡尔曼滤波器中的系统噪声向量;则上式可以进一步写为:
H(k+1)=φ(k+1,k)H(k)+Γ(k+1,k)w(k)
其中,H(k)是状态向量,φ(k+1,k)是状态转移矩阵,Γ(k+1,k)是卡尔曼滤波器中的激励转移矩阵;此外,观测方程还可以表示为:
Z(k+1)=ψ(k+1)H(k+1)+n(k+1)
其中,Z(k+1)是观测向量,ψ(k+1)是预测输出转移矩阵,n(k+1)是卡尔曼滤波器中的测量噪声;
A3、太阳辐照度预测由卡尔曼预测递推方程确定,光伏能源系统产生的输出功率如步骤A1所示。
4.根据权利要求3所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,所述滚动时域优化模型的实现方法包括如下:
一旦在特定的有限时间范围内获得预测结果,就会执行滚动时域优化;该优化问题被表述为混合整数线性规划问题;优化的目标是使虚拟电厂的运行成本最小化;其公式为:
其中,Jc(t)表示虚拟电厂的运行成本,而Jp表示电池储能系统充电和放电的潜在利润;具体如下:
Jc(t)=πg(t)Pg,i(t)-πd(t)Pd,i(t)·Ts
Jp=(Sb,i(k+M)-Sb,i(k))πg,avg(k)
其中,πg表示第i条母线上与电网进行电力交换Pg,i的能源价格,πd表示在第i条母线上负载需求Pd,i的电价,Ts是采样时间,Sb,i表示第i条母线上储能的电荷状态,πg,avg是预测范围内能源价格的平均值。
5.根据权利要求4所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,所述滚动时域优化模型中,所提出的优化问题中涉及的约束表述如下:
a)光伏能源系统的约束:
来自光伏能源系统的发电功率Ppv,T(t)是采样时间T内第i条母线上的光伏利用功率Ppv(t)和弃光功率Ppv,c之和,即:
Ppv,Ti(t)=Ppv,i(t)+Ppv,ci(t)
在间隔t期间,第i条母线的光伏能源系统具有由逆变器施加的最大功率限制为:
其中,upv,i是光伏能源系统在第i条母线上的运行状态的二元决策变量;
b)电池储能系统的约束:
第i条母线上储能系统的电荷状态可以通过一个简化的离散动态方程来估计:
式中,σbi为自放电能量损失,Pch,i为充电功率,Pdch,i为放电功率,ηch,i为充电效率,ηdch,ii为储能系统在第i条母线的放电效率;第i条母线上电池储能的电荷状态约束可以表示为:
电池储能的充放电功率的限值可表示为:
其中,uch,i和udcg,i是第i条母线充电和放电决策的二元决策变量;此外,充电和放电速率的约束可以表示为:
其中,Pch,i和Rdch,,i是储能系统在第i条母线上的充电和放电率;电池储能的电荷状态的时域终点可以表示为:
Sbi(t+(M-1))=Sbi,ini
其中,Sbi,ini是电池储能的电荷状态的时域起点;
c)虚拟电厂运行的约束:
虚拟电厂系统的约束包括电网功率交换约束、线路载流约束和功率平衡;虚拟电厂的功率平衡约束公式为:
其中,Pd,i表示母线i处的负载需求,li,j表示连接母线i和j的输电线路的直流功率流;通过该线路的功率流可计算为:
li,j(t)=Bi,j(θi(t)-θj(t))
其中,Bi,j是母线i和j之间的线路电纳;此外,θi和θj是母线i与j的电压相量角;每条线路上的功率流必须在该线路的承载能力范围内,以便:
-li,j,max≤li,j(t)≤li,j,max
其中,li,j,max表示连接总线i至j的线路的最大容量限制;
虚拟电厂和电网之间的电力交换受到接触器容量的限制,即:
Pg,i,min≤Pg,i(t)≤Pg,i,max
其中,Pg,i,min和Pg,i,max是母线i与电网的最小和最大功率交换的约束;此外,斜坡速率约束Rg,i也可以施加在母线i到电网的电力交换上,即:
-TsRg,i≤Pg,i(t)-Pg,i(t-1)≤TsRg,i
其中,Rg,i为斜坡速率约束。
6.根据权利要求1所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,所述基于误差校正的反馈控制模型中:
在实时运行中,由于可再生能源和负荷的不确定性,参数的预测值和实际值总是存在偏差;预测中的误差会对虚拟电厂的运行产生重大影响,使用超短期误差预测模型进行超短期误差预测,可以对超短期预测的误差进行校正,并根据这个预测误差通过反馈修正来进行快速的调整。
7.根据权利要求6所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,所述基于误差校正的反馈控制模型中,超短期误差预测模型的实现方法包括如下:
B1、根据母线i处光伏功率的预测和测量数据更新误差序列使得:
其中,和/>是光伏功率的预测值和实际值,Nt是观测数据的时间;
B2、将误差序列进行累加形成一个新的序列,使得:
其中,Nt同上;
B3、将GM(1,1)模型表示为一阶常微分方程和对应的向量Ai:
通过使用最小二乘法计算ci和di,即Ai:
其中,λi和Yi可以定义为:
此外,可以估计为:
其中,为母线i处光伏功率的预测和测量数据更新误差序列平均值;
B4、计算预测误差和所需的误差校正,使得:
其中,和/>分别是预测误差和所需的校正;
B5、对于反馈控制的下一个间隔,转到步骤B1。
8.根据权利要求7所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法,其特征在于,所述基于误差校正的反馈控制模型的实现方法包括如下:
该反馈控制模型是静态模型,仅在下一个区间(k+1)调整发电机组的出力,该模型被表述为线性规划问题;
该模型的目标函数是最大限度地减少发电机组的调整以提高虚拟电厂的灵活性和弹性,如下:
其中,F代表虚拟电厂在调度设定点的总调整量,ω1和ω2是权重系数,同时使得ω1远大于ω2,因为线路流量的小幅波动不会太大影响虚拟电厂的客户消费和运营成本;
虚拟电厂的系统约束根据预测误差的调整进行更新,调整光伏发电和弃电使得约束变为:
与储能系统相关的约束也根据预测误差进行了调整,如下:
其中,t′表示反馈控制模型中的时间间隔;
功率平衡约束被调整为:
其中,ΔPch,i,ΔPpv,c,i,Δli,j,ΔPdch,i和ΔPg,i是响应误差和/>的调整,功率流约束保持不变,使得:
-li,j,max≤li,j(t)+Δli,j≤li,j,max
由于响应预测误差而导致的注入或吸取的电网功率调整可以并入约束中:
则将上述的ΔPch,i,ΔPpv,c,i,Δli,j,ΔPdch,i和ΔPg,i作为该误差校正模型的结果用于执行所需的调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721031.5A CN116760103A (zh) | 2023-06-19 | 2023-06-19 | 虚拟电厂在线优化电力调度的自适应预测能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721031.5A CN116760103A (zh) | 2023-06-19 | 2023-06-19 | 虚拟电厂在线优化电力调度的自适应预测能量管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116760103A true CN116760103A (zh) | 2023-09-15 |
Family
ID=87960315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310721031.5A Pending CN116760103A (zh) | 2023-06-19 | 2023-06-19 | 虚拟电厂在线优化电力调度的自适应预测能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116760103A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674197A (zh) * | 2024-01-31 | 2024-03-08 | 南京邮电大学 | 利用虚拟电厂主动支撑的频率调节方法、存储介质及设备 |
-
2023
- 2023-06-19 CN CN202310721031.5A patent/CN116760103A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674197A (zh) * | 2024-01-31 | 2024-03-08 | 南京邮电大学 | 利用虚拟电厂主动支撑的频率调节方法、存储介质及设备 |
CN117674197B (zh) * | 2024-01-31 | 2024-04-16 | 南京邮电大学 | 利用虚拟电厂主动支撑的频率调节方法、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119886B (zh) | 一种主动配网动态规划方法 | |
Chen et al. | Smart energy management system for optimal microgrid economic operation | |
Chen et al. | Jump and shift method for multi-objective optimization | |
CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
EP4246751A1 (en) | Method of controlling of battery energy storage system of power system with high dynamic loads | |
Karandeh et al. | Optimal scheduling of battery energy storage systems for solar power smoothing | |
CN112651634A (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN115907213A (zh) | 基于云集端分层架构的考虑设备健康度的群控群调策略 | |
CN116760103A (zh) | 虚拟电厂在线优化电力调度的自适应预测能量管理方法 | |
Saha | Adaptive model-based receding horizon control of interconnected renewable-based power micro-grids for effective control and optimal power exchanges | |
CN112366684A (zh) | 一种海岛微电网系统 | |
Alanazi et al. | Optimal energy storage sizing and siting in hybrid AC/DC microgrids | |
Tungadio et al. | Energy flow estimation-control of two interconnected microgrids | |
CN110739684B (zh) | 基于多时间尺度的多交直流混合微电网优化调度方法 | |
CN111555369A (zh) | 一种配电网中压-低压协同优化方法 | |
CN115632393A (zh) | 一种考虑灵活性资源的多级电网协调鲁棒调度方法及装置 | |
Sathishkumar et al. | Adaptive power management strategy-based optimization and estimation of a renewable energy storage system in stand-alone microgrid with machine learning and data monitoring | |
JP2019187022A (ja) | 発電システムおよびその制御方法 | |
Huang et al. | A multi-time scale scheduling method for wind-PV-pumped storage-electrochemical energy storage integrated generation system | |
JP7084351B2 (ja) | 直流電力網および直流電力網の制御システム | |
Ramesh et al. | Cost Optimization by Integrating PV-System and Battery Energy Storage System into Microgrid using Particle Swarm Optimization | |
Yu et al. | A Two-stage Model Predictive Control Strategy for Economical Operation of Microgrid | |
Bazmohammadi et al. | An efficient decision-making approach for optimal energy management of microgrids |
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 |