CN116799830B - 刻画负荷不确定性的广域独立多微网共享储能配置方法 - Google Patents

刻画负荷不确定性的广域独立多微网共享储能配置方法 Download PDF

Info

Publication number
CN116799830B
CN116799830B CN202311074527.4A CN202311074527A CN116799830B CN 116799830 B CN116799830 B CN 116799830B CN 202311074527 A CN202311074527 A CN 202311074527A CN 116799830 B CN116799830 B CN 116799830B
Authority
CN
China
Prior art keywords
micro
energy storage
load
network
alliance
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
Application number
CN202311074527.4A
Other languages
English (en)
Other versions
CN116799830A (zh
Inventor
叶宏
吴文清
贺燕
程朝阳
王珂
杨剑
沃建栋
单卡迪
李毓
黄红辉
季克勤
侯健生
郭创新
杨艳天
徐敏
王宁
朱君兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinhua Bada Group Co ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jinhua Bada Group Co ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinhua Bada Group Co ltd, Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jinhua Bada Group Co ltd
Priority to CN202311074527.4A priority Critical patent/CN116799830B/zh
Publication of CN116799830A publication Critical patent/CN116799830A/zh
Application granted granted Critical
Publication of CN116799830B publication Critical patent/CN116799830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/381—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
    • H02J3/38—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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

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

Abstract

为解决现有技术中难以组建大规模多微网联盟，以及多微网联盟结构简单但配置繁琐的问题，本发明提出刻画负荷不确定性的广域独立多微网共享储能配置方法，包括对于微网联盟的硬件建设和机制建立，然后在长短期神经网络对时序数据具有较强适应性的基础上，结合分位数回归算法并引入核密度估计的负荷功率概率密度预测，对于负荷的波动范围有了更精确的计算，从而可以组建广域独立的多微网联盟。本发明的有益效果如下：对于组建后的广域独立的多微网联盟提出LSTMQR‑KDE对其负荷进行概率密度预测，其中不同微网的储能不再独立配置，而是在负荷预测的基础上进行联合配置，同时在共享储能联合配置模型中加入联络线故障因素进一步提高配置的可靠性。

Description

刻画负荷不确定性的广域独立多微网共享储能配置方法
技术领域
本发明涉及多微网联合运行领域，具体涉及刻画负荷不确定性的广域独立多微网共享储能配置方法。
背景技术
在建设新型电力系统的大背景下，分布式能源在电力系统中的渗透率不断提高，但是风、光等新能源的随机性和波动性引起的出力不稳定性对电网的稳定运行带来挑战。而储能设备的使用是缓解不稳定的新能源出力波动并提高新能源消纳率的有效手段。随着分布式能源的推进和落地，微电网逐渐与大电网形成兼容互补的关系。微电网作为分布式电源、储能设备、能量转换装置、负荷的组成体，不仅能作为有效消纳分布式能源出力的工具，也能通过自身的储能设备参与电力市场调度。不过现有技术中大多是针对单个微网进行配置，鲜有进行更高层次的统一协作管理。现有技术中专利申请号为CN202211182656.0的发明专利《一种考虑低碳经济的多微网合作联盟交易方法》中就公开了一种基于多微网合作的联盟概念，包括：构建多微网合作联盟交易的框架，建立多微网合作联盟的低碳经济优化运行目标，建立多微网合作联盟内部的单个微网模型，多微网合作联盟优化运行时需要满足微网间的电能共享平衡约束，采用Shapley分配法将多微网合作联盟产生的收益在所有多微网合作联盟成员间进行公平分配。该发明提供的方法可实现多微网内部资源合理共享，提升多微网合作联盟微网整体经济效益，减少多微网合作联盟整体碳排放。
但是该技术还是基于多微网联盟的经济价值进行设计和规划。整个技术内容偏于金融方向，而非技术角度。现有技术中对于联盟的总体规划，尤其是针对联盟内各个微网储能规划的研究大多是站在微网独立配置自身储能的角度。实际上，工业微网、商业微网、居民微网由于负荷具有不同的峰谷特性，各自独立配置储能效率低下，还会造成储能设备容量的浪费。
现有技术中专利申请号为：202111470539.X的发明专利《基于区块链合作博弈的能量共享联盟灵活性交易方法》中提及了一种基于区块链合作博弈的能量共享联盟灵活性交易方法，其基于合作博弈理论提出包括储能、多微网、上级电网的多区块链节点的能量共享联盟，以联盟内各参与主体的支付效益最大建立各区块链节点优化决策模型；并设计基于多目标鲸鱼算法为嵌套算法的智能合约与适合多区块链节点间交易的区块链数据层级构架。该发明在合作模式的能量去中心化交易下较非合作模式的中心化交易显著提高参与主体在能量交易中的收益，并在能量共享模式下保证各参与主体之间公平、透明交易；同时去中心化合作交易模式能够充分发挥需求侧参与调度的主动性、提高储能系统的利用率、促进能源的有效利用与共享机制的可持续性发展。
现有技术中还有如《分布式多区域多能微网群协同 AGC 算法》（《自动化学报》第46卷第9期 2020年9月）中记载的搭建了融入大量新能源的分布式多区域多能微网群协同AGC 模型,以验证 DQ的实际工程应用效果. 模型中包括光伏、风电、小水电、微型燃气轮机、柴油发电机储、生物质能、燃料电池。但是该文献中的微网群还是围绕主网构建，其中仅有光伏发电、风电和电动汽车不参与系统调频,仅作负荷扰动处理，其余新能源均需要接入主网。这样的多能微网群虽然覆盖区域非常大，但是无法自主运行，需要接入主网来实现其功能。
综上可见，现有技术中大规模的多微网共享储能联盟中缺不了上级电网的支持。如果仅仅是通过微网之间的互联，则微网之间的最大距离与电力传输损耗、电压降、电力传输容量及系统稳定性等因素相关。在设计和规划微网系统时，需要综合考虑这些因素，以确保微网之间的距离在可接受范围内，从而实现可靠和高效的能源传输。实际在微网联盟的在这个储能过程中，电力传输损耗、电压降、电力传输容量都是和硬件设备相关，通过设备投入可以改良，但是针对负荷具有不确定性所带来的系统稳定性问题一直难以解决。负荷的准确预测对储能设备的配置具有重要意义。鉴于此，现有技术中也无法在微网间距较大的情况下脱离主网进行联盟组网。
发明内容
为解决所述问题，本发明提出了刻画负荷不确定性的广域独立多微网共享储能配置方法，在储能配置时充分考虑负荷的不确定性。为了准确预测负荷功率，在长短期神经网络对时序数据具有较强适应性的基础上，结合分位数回归算法并引入核密度估计的负荷功率概率密度预测，对于负荷的波动范围有了更精确的估计，而且概率密度函数能给出更直观、更全面的信息，从而可以配置在距离较远的多微网联盟中。
为实现所述目的，本发明一种刻画负荷不确定性的广域独立多微网共享储能配置方法，建立多微网联盟，所述多微网联盟建立包括硬件建设和机制建立；
其中硬件建设包括以下步骤：通信互联：建立有线或无线通信网络，以实现数据交换、指令传递和协同操作；在建立通信后运行模拟微电网运行动态仿真测试平台判定微网互联的可行性。电网运行动态仿真测试平台在现有技术中已经广泛应用，通常是将实际微网电源的运行特性引入仿真机当中，实现整体微网运行特性的真实化，为互联后的微网设备测试和仿真分析提供更真实的环境。再由平台验证的基础上架设联络线来实现连接、传输和平衡能源的作用；通过数据采集和监控设备记录微网的负荷数据；
硬件建设完毕后再由平台验证的基础上对多微网联盟中的微网进行自动配置，具体配置方法为：S1：对各微网的负荷历史数据做归一化处理，利用长短期神经网络分位数回归算法得到各微网的典型日的负荷输出分位数；
S2：将S1中的输出分位数作为核密度估计算法的输入数据，得到各微网的典型日下各时刻的负荷概率密度函数，以所述负荷概率密度函数峰值作为典型日下各时刻的负荷准确值参与共享储能联合配置模型；
S3：集合各微网的数据建立共享储能联合配置目标函数；
S4：针对储能设备建立满足多微网联合配置的状态约束；
S5：在共享储能联合配置模型的目标函数中加入0-1变量来刻画联络线的运行状态，从而完成配置；
S6：观察联络线的运行状态，检测负荷波动突发点；
S7：对每个负荷波动突发点进行判定，并通过执行对应处理方案以消除负荷波动带来的不利影响。
优选的，多微网联盟建立过程中的机制建立包括：制定联盟协议并确定联盟目标：制定详细的联盟协议，明确联盟成员的权责、利益分配、决策机制、运营模式、技术标准等内容。明确联盟的共同目标，例如能源互补、供需平衡、经济效益最大化等。确保联盟成员对这些目标有共识，并致力于共同实现。协议应充分考虑各个微网的需求和利益，保证各方在合作中得到公平和稳定的回报。并且确定协同运营机制；在达成公式后建立数据共享和通信网络：实现多微网之间的协同运作。共享实时数据和监控信息，能够更好地进行协调、优化能源调度、预测负荷等工作。基于这些数据最终部署共享调度中心，在共享调度中心中完成自动配置；建立信任机制进行风险管理。确定微网之间的能源调度、能量交换和分配机制。可以采用集中式管理、分布式自治或混合模式，根据联盟成员的特点和资源优势，制定适合的运营机制。最后通过部署智能能源管理系统实现联盟的协同运作，对微网进行实时监控、优化和调度，提高能源的整体效益和稳定性。这里尤其需要注意的是，在部署共享调度中心配置之前，多微网联盟中的各个微网之间依然只能通过各自的通信设备进行成对的通信，只有在部署共享调度中心后才能实现多微网联盟的统一配置。
优选的，S1中为了克服原始负荷数据的收敛性差的问题，先对数据进行归一化处理，同时确定LSTMQR算法中的分位点。
优选的，S2中利用S1得到的多个在不同分位点下的分位数后，将多个分位数组成列向量作为KDE模型的输入数据，得到负荷在各个预测时间点的概率密度函数，而概率密度函数的峰值为当前时刻最大的预测负荷值。鉴于此，将概率密度函数的峰值作为典型日下各时刻的负荷准确值参与共享储能联合配置模型。
优选的， S4中面向具有不同峰谷特性的微网时需要通过联络线优先平衡各自功率需求，再对储能进行联合配置。单独配置存在同一时刻微网A需要储能A放电以弥补新能源出力的不足功率，微网B需要储能B充电来消纳过剩新能源出力的情况，这会造成配置效率低下。
而在本发明中微网之间通过联络线实现优先平衡微网功率需求的方法，其中主要使用的技术是功率优先控制（Power Priority Control）。该策略通过监测微网的功率需求和发电能力，以及联络线上的功率流动情况来进行控制。当一个微网的功率需求超过其本地发电能力时，它可以通过联络线从其它微网获取所需的功率。而当一个微网的功率产生能力超过其本地负荷需求时，它可以通过联络线将多余的功率传输给其它微网。虽然其功能较为单一简单，但是这个过程中需要实时掌控多微网联盟中各个微网的监测功率需求和发电能力：每个微网都需要实时监测本地的功率需求和发电能力。这需要通过测量本地负荷和可再生能源发电设备的输出功率来实现。然后通过联络线确保通信与协调，微网之间建立通信机制实时共享功率需求和发电能力信息。而联络线的运行方式通过部署共享调度中心中的通信网络和协议来实现。在此基础上可以进行功率调节和功率流动控制，根据微网之间的功率需求和发电能力信息，以及联络线上的功率流动情况，每个微网可以通过调节自身的发电设备输出功率来实现功率优先控制。因此本发明的微网之间通过联络线优先平衡各自功率需求，对储能进行联合配置能保证配置效率高。
优选的，S7中针对负荷波动突发点，通过联络线上控制器和功率分配模块的构建来进行控制。
优选的，S7中针对负荷波动突发点，采用协同控制算法、自适应控制算法或比例-积分控制器来进行处理。协同控制算法是通过不同设备之间的协同控制，以及设备与电网之间的协同控制，实现负荷的平衡和优化。自适应控制算法是根据实时监测数据和反馈信息，自动调整控制策略，以适应负荷波动和突发点的变化。但是在本发明中采用比例-积分控制器为最优解。
优选的，联络线为带有通信线缆的微网间交换功率的电力线路，微网间的交互功率需要满足联络线承载能力的上限。微网间的交互功率受到联络线承载能力的约束，交互功率不能超过承载能力的上限。
进一步的，本发明所述的多微网联盟由三个及以上个数的位于指定地理区域的微网组成，该联盟中的微网共享储能设备，并通过共享调度中心进行协同配置，且在协同配置过程中的收益大于过程损耗。这里需要指明的是文中所述的“位于指定地理区域”是针对整个电网配置而言。本发明中的微网地理位置距离根据需求，理论上限可以配置到75公里，实际案例中配置距离最高也达到了35公里。选择75公里作为上限是由于超过这个距离后，协同配置的过程损耗将远大于收益。
优选的，在多微网联盟中，为了实现信息的交互，在共享调度中心中设置一台应用服务器，所述应用服务器至少连接两个微网节点、多条能源主链，微网节点与多条能源主链构成联盟链，通过联络线进行策略交互。能源主链中设置有配合联络线运营的各种设备，例如功率电子器件、有源电力过滤器以及智能逆变器。通过操作这些设备来实现联络线的功能。
本发明还包括一种存储设备，存储有刻画负荷不确定性的广域独立多微网共享储能配置方法的程序。所述存储设备在读取到对应的硬件配置请求后才能被读取，这样避免了在不合适的场景下贸然配置。
本发明的有益效果如下：将现有技术中并不考虑的不接入主网的长距离多微网并入到一个多微网联盟中进行集中管理。其中独立指的是可以不接入主网，广域指的是多微网之间的距离要远大于同类的多微网之间间距。考虑到工业微网、居民微网、商业微网具有不同的峰谷特性，独立配置储能效率低下，且会造成储能容量的浪费。本发明提出在微网联盟基础上对储能设备联合配置，联盟的共享调度中心对联盟内的储能统一管理，实现各微网储能的共享。联盟内微网可以通过联络线交互功率，维持多微网联盟所覆盖区域中的用电需求。也可以作为一个集体以相同的分时电价向主网售购电。考虑到联络线可能出现故障状态，在配置模型中加入0-1变量来描述联络线的运行状态，从而进一步提高本发明所述多微网联盟的可靠性。
且本发明考虑到长短期神经网络对时间序列形式的数据具有较强的适应性，分位数回归预测方法可以获得相应变量的全局信息，而核密度估计由于不需要假设分布函数的特定形式，因此概率密度估计结果完全由样本数据本身的分布决定，从而对于具有强非高斯性的数据概率密度预测具有强适应性，故本方法提出LSTMQR-KDE对负荷进行概率密度预测。不同微网的储能也不必独立配置，而是在负荷预测的基础上进行联合配置。同时在共享储能联合配置模型中加入联络线故障因素分析，从而进一步提高配置的可靠性。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
图1为本发明的基于LSTMQR-KDE的负荷概率密度预测流程示意图；
图2为本发明的多微网共享储能框架结构示意图。
具体实施方式
下面结合说明书附图对本发明作进一步的说明。
首先对本发明所记载的多微网联盟进行说明，如图2所示，本发明所述的多微网联盟由三个及以上个数的位于指定地理区域的微网组成，该联盟中的微网共享储能设备，并通过共享调度中心进行协同配置，不依靠主网即可满足区域内的用电需求，且在协同配置过程中的收益大于过程损耗。尤其是整个多微网联盟中的信息流都是单个微网和共享调度中心进行交互而无需微网之间的信息交互。微网之间只进行功率流的交换。现有技术中虽然也有微网联盟的记载，但是这些微网必须接入主网用于减少传输时的损耗，或者处于物理位置非常接近的场景下才能实施应用。
一旦脱离主网，多微网联盟的拓扑结构和带电距离也直接影响其控制难度和稳定性。近距离的微网控制较为简单，而长距离的微网则需要考虑各种影响因素，其控制和保护机制相对复杂，一旦发生故障很难判断其故障的原因。现有技术中的多微网联盟大多用于厂区微网：即邻近但相对独立的厂区之间的微网物理距离通常在0.5-3公里左右。可连接相邻厂区的微网实现电力负载平衡。而最远的微网间配置为城乡微网：城市和周边乡村地区之间的微网物理距离可以在5-20公里，从而将城市的电力资源输出到周边农村地区。随着国内的能源基础建设的不断发展，这类微网现在多见于国外。此外微网之间共享储能设备后需要相互协同配置，在这个过程中的损耗是随着距离的增加而增大的。当微网之间存在较大的距离后，很难计算这样的协同配置是否符合经济效益。
同时，现有技术中的多微网联盟对于其中的不同属性的微网（工业微网、居民微网或商业微网）需要单独配置。这样也导致不同属性的微网组成联盟前期技术投入较大，维护也很困难。而本发明为了实现信息的交互，在共享调度中心中设置一台应用服务器，所述应用服务器包括至少两个微网节点以及多条能源主链，微网节点与多条能源主链构成联盟链，通过网络与联盟内的微网进行策略交互，通过一套策略兼容不同属性的微网。图2中的信息流和功率流均通过联络线进行传输。需要注意的是，在图2中虽然也绘制了主网，但是该主网只是用于区别联盟内多微网和联盟外微网之间的关系。实际本发明所记载的多微网联盟即便不接入主网依然可以独立运作，实现较大范围内独立供电、能源平衡与优化的效果。但是在接入主网后还具备提高电网稳定性以及能源共享与交易的效果。
本发明是基于上述多微网联盟进行的方法。首先建立规模更大覆盖面更广的多微网联盟，具体包括：建立包括硬件建设和机制建立。其中硬件建设包括以下步骤：通信互联：建立有线或无线通信网络，以实现数据交换、指令传递和协同操作。此时建立通信互联采用的还是每个微网原本就自带的通信设备进行点对点的匹配，但是在最后组成多微网联盟后就完全通过共享调度中心进行集中管控了。在建立通信后执行模拟微电网运行动态仿真测试平台判定微网互联的可行性，再由平台验证的基础上架设联络线来实现连接、传输和平衡能源的作用。实际操作过程中会设计多套传输方案，最终由模拟微电网运行动态仿真测试平台仿真测试后选择最优方案。微网在应用时均通过数据采集和监控设备记录微网的负荷数据。
再由平台验证的基础上通过部署智能能源管理系统对多微网联盟中的微网进行自动配置，具体配置方法为：S1：对各微网的负荷历史数据做归一化处理，利用长短期神经网络分位数回归算法得到各微网的典型日的负荷输出分位数；
S2：将S1中的输出分位数作为核密度估计算法的输入数据，得到各微网的典型日下各时刻的负荷概率密度函数，以所述负荷概率密度函数峰值作为典型日下各时刻的负荷准确值参与共享储能联合配置模型；
S3：集合各微网的数据建立共享储能联合配置目标函数；
S4：针对储能设备建立满足多微网联合配置的状态约束；
S5：在共享储能联合配置模型的目标函数中加入0-1变量来刻画联络线的运行状态，从而完成配置；
S6：观察联络线的运行状态，检测负荷波动突发点；
S7：对每个负荷波动突发点进行判定，并通过执行对应处理方案以消除负荷波动带来的不利影响。
而多微网联盟建立过程中的机制建立包括：制定联盟协议并确定联盟目标：制定详细的联盟协议，明确联盟成员的权责、利益分配、决策机制、运营模式、技术标准等内容。明确联盟的共同目标，例如能源互补、供需平衡、经济效益最大化等。确保联盟成员对这些目标有共识，并致力于共同实现。协议应充分考虑各个微网的需求和利益，保证各方在合作中得到公平和稳定的回报。并且确定协同运营机制；在达成公式后建立数据共享和通信网络：实现多微网之间的协同运作。共享实时数据和监控信息，能够更好地进行协调、优化能源调度、预测负荷等工作。基于这些数据最终部署共享调度中心，在共享调度中心中完成自动配置；建立信任机制和风险管理。确定微网之间的能源调度、能量交换和分配机制。可以采用集中式管理、分布式自治或混合模式，根据联盟成员的特点和资源优势，制定适合的运营机制。最后通过部署智能能源管理系统实现联盟的协同运作，对微网进行实时监控、优化和调度，提高能源的整体效益和稳定性。
对于成熟的多微网联盟还需要建立信任机制和风险管理：在多个微网组成的联盟中，采取透明的决策机制、共享风险和收益的机制，确保各方的权益得到保护，并规定相应的解决纠纷的机制。同时还需要完善法律和监管框架：将微网组成的联盟纳入合适的法律和监管框架，确保联盟的合法性和可持续发展。在制定和实施相关政策和标准时，需要考虑到微网联盟的特殊需求和特点。
但是从技术层面而言，本发明主要解决的还是通过采集的数据对多微网联盟中的微网进行自动配置，而配置的依据还是基于多个微网之间的负荷关系。在本实施例中，微网内配置了西门子（Siemens）的Sentron PAC3200 数据采集器进行数据采集；以及施耐德的PowerLogic ION 8650 控制器来进行负荷监测。以采集的数据为基础进行负荷功率预测。目前对负荷功率的预测可以分为确定性预测和不确定性预测，前者又称为点预测，后者又称概率预测。点预测方法将预测变量视作确定值，该方法预测结果为未来待预测时刻的单一值。然而实际负荷波动具有随机性，如果利用点预测方法对负荷进行预测，在预测结果只有一个数值的情况下，如果结果远远偏离实际值，就会使得基于负荷数据对储能配置规划以及调度计划的相关部门人员做出错误的判断。鉴于此，需要对负荷的波动区间有可靠的预测。在现有技术中联盟的多个微网之间的间距较近，因此只需考虑多个微网同时充放电时所引起的剧烈负荷变化，导致电压波动、频率偏差等问题。而不必考虑联络线所带来的负荷的波动。
而在本发明所述的多微网联盟中，为了更精确的预测需要关注联络线的状态。基于联络线的概率预测的理念被提出。概率预测方法具有表现不确定性的优越能力，不仅能像单点值预测方法得到负荷的最有可能的值，还能给出分布特征。其中QR和密度预测由于能在预测结果中反映更丰富的负荷未来信息，已成为负荷预测研究者们重点关注和高频使用的方法。更丰富的功率信息意味着为相关工作部门提供更多的参考资料，工作人员通过运行计划的制定和调度计划的调整可以消除负荷波动带来的不利影响。
本发明基于LSTMQR-KDE概率密度的预测方法，对负荷进行更准确的预测，为多微网储能联合配置提供数据基础。
LSTMQR算法指的是长短期记忆神经网络分位数回归算法。它是一种利用深度学习中的长短期记忆神经网络（LSTM）来进行分位数回归的方法。它可以通过学习数据的分位数信息来进行预测，具有很好的鲁棒性和稳定性。在传统的回归问题中，我们通常会使用均方误差作为损失函数来进行优化，然而对于本发明中这样存在异常值等极端情况，这种方法可能不太适用。因此分位数回归是一种更加鲁棒的回归方法，它不仅可以预测出中位数等典型情况下的结果，还可以根据分位数的不同得到更全面和准确的预测结果。LSTMQR 将LSTM 网络和分位数回归相结合，利用 LSTM 网络来处理序列数据，通过输入当前时间步前面的所有数据来预测下一个时间步的数据。而分位数回归则可以在损失函数中引入分位数信息，使得模型能够更好地处理极端情况下的数据。具体来说，LSTMQR 的训练过程中，通过最小化分位数损失函数来学习模型的参数，从而得到一个能够输入历史数据并输出对应各个分位数的预测结果的 LSTMQR 模型。
KDE(Kernel Density Estimation)指的是核密度估计。它是一种用于估计随机变量概率密度函数的非参数方法，它通过在每个数据点处放置一个核函数，然后将这些核函数加权平均起来得到密度估计结果。核密度估计的思想很简单，即对于给定的一组数据，我们尝试去计算每一个数据点附近的密度大小。具体来说，我们在每一个数据点上放置一个核函数，然后将这些核函数加权平均起来，形成一个平滑的密度曲线，该密度曲线可以描述原始数据分布的概率密度函数。本发明将长短期记忆神经网络分位数回归算法结合了核密度估计，如附图1所示是基于LSTMQR-KDE的概率密度预测流程。
S1中利用LSTMQR模型得到输出分位数分为以下两步：
(1) 数据归一化
为了克服原始负荷数据的收敛性差的问题，先对各个微网的数据进行归一化处理，归一化本质上是对原始数据做线性变换，将原始数据范围变换到0、1之间，本发明采用Min-Max归一化算法，计算公式如所示：
(1)
式中，为负荷原始历史数据；/>、/>分别为负荷历史数据集中的最小值、最大值；/>为经归一化处理后的负荷历史数据值。
(2) 基于LSTMQR算法得到负荷输出分位数
在对数据做归一化处理后，确定LSTMQR算法中的分位点，即本发明的模型中以0.01作为步长，分位点取值为0.01~0.99，每个分位点下进行回归估计运算，取平均数作为这一分位点下的输出分位数。LSTMQR算法模型如下：
设是分位数回归神经网络（quantile regression neuralnetwork，QRNN）算法的解释变量，在本方法中即得到的经归一化处理后的负荷历史数据；数据Y是响应变量，在本发明中即要进行预测的未来典型调度日中各时刻的功率分位数。则公式(2)、(3)可以表示QRNN利用神经网络分析X对Y的非线性影响：
(2)
(3)
式中，、/>隐含层和输入层节点数量；/>在第/>分位点下的分位数；/>隐含层与输出层间的激活函数；/>、/>输出层的权值和偏置；输出层的结果；/>输入层与隐含层之间的转换函数；/>、/>输入层的权值和偏置。
QRNN模型对权值和偏置估计是通过公式(4)将损失函数最小化完成的：
(4)
(5)
式中，是第/>个样本的响应变量；/>是损失函数；/>是指示函数；/>是将第/>个样本的解释变量代入到公式(2)得到的响应变量的/>条件分位数。/>为QRNN模型的神经元数量。
假设LSTM网络中LSTM中隐含层神经元有个，将隐含层输出向量作为全连接层输入即可得到LSTM网络的输出值为：
(6)
式中，、/>分别是隐含层输出与全连接层输入之间的权值和偏置；/>是全连接层的输入数量；/>是线性激活函数。其中/>、/>是LSTM网络通过公式(3)和公式(4)最小化损失函数后估计得到。/>为隐含层-输出层的权重。
步骤S2中采用KDE算法，由于KDE不需要假设分布函数的特定形式，因此概率密度估计结果完全由样本数据本身的分布决定，从而对于具有强非高斯性的数据概率密度预测具有强适应性。本步骤利用S1得到的在不同分位点下的分位数后，将分位数组成列向量作为KDE模型的输入数据，S1分位点步长选取过大会导致预测结果精度较低，步长过小会导致求解效率低下，本发明采用以0.01为步长，从0开始选取99个分位点，最后得到负荷在各个预测时间点的概率密度函数，而概率密度函数的峰值为当前时刻最大的预测负荷值，鉴于此，将概率密度函数的峰值作为典型日下各时刻的负荷准确值参与共享储能联合配置模型。概率密度函数（Probability Density Function，简称 PDF），是概率论和统计学中用于描述连续型随机变量的一种函数。
LSTMQR-KDE算法如下：
利用上节内容LSTMQR模型，得到了未来典型日内任一时刻里99个在不同分位点下的分位数。设是具有绝对连续分布函数/>的随机变量，在本发明即各个预测时间点的99个分位数组成的列向量。此外，设/>为相应的密度函数，并且/>是/>的一个样本，样本中的数据即当前预测时间点的各个分位数，那么通过高斯核密度估计得到的当前预测时刻的负荷概率密度函数可以由公式(7)表示：
(7)
式中，是带宽参数，/>是内核函数。/>是随机变量的总数、/>是初始的随机变量，此处的初始值并非一定从第一个值进行取值。/>为第/>个随机变量。确定核函数后，可以通过KDE方法估计总体分位数。设/>为KDE算法得到的连续分布函数。则/>的推导过程由公式(8)表示：
(8)
式中，是内核函数/>的累积分布函数，/>为积分变量。然后，对于任意的，基于KDE的分位数函数/>为/>。内核函数和带宽是影响KDE最关键的参数。但是，当样本数量足够大时，核函数的选择对估计结果的影响很小。带宽选择方法包括参数方法和最小二乘交叉验证。本发明中采用高斯核函数和参考方法进行带宽选择，带宽/>的求解由公式(9)表示：
(9)
其中，可以替换为/>，并且是/>的四分位距。
进一步地，步骤S3中共享储能联合配置目标函数为联盟总投资成本最小，其中总投资成本由三部分组成，包括联盟储能投资总成本、售购电成本、过网税费。目标函数如下：
(10)
式中，为总投资成本；/>、 />、/>分别为储能投资总成本、售购电总成本、过网税费。各部分如下：
(1) 联盟储能投资总成本
不同微网形成联盟，储能投资总成本取决于微网的储能总容量和功率，还需考虑储能设备的使用年限和年利率，将初始投资成本转换成等年值，公式如下：
(11)
(12)
(13)
式中，为储能投资总成本；/>为等年值转换系数；/>为储能初始投资成本；、/>分别为单位容量投资系数、单位功率投资系数；/>为微网个数；/>为第/>个微网的储能设备的容量；/>为第/>个微网的储能设备的功率；/>为年利率；/>为储能设备使用寿命。
(2) 售购电总成本
(14)
(15)
(16)
式中，为售购电总成本；/>为微网在时刻/>将分布式能源过剩电能出售给主网的单价；/>为微网在分布式能源出力不足时在时刻/>向主网购买电能的单价；为微网在时刻/>的分布式能源过剩电能；/>为微网在时刻/>的分布式能源缺省电能；为联盟内各微网间线路传输功率。
(3) 过网税费
微网通过形成联盟能彼此以更低的成本交互功率，减少各自和主网之间的交易，但是由于电网络中的线路所有权仍然属于电网，所以在模型中需要考虑使用联络线交互成本而向电网支付的过网税费，计算如下：
(17)
(18)/>
式中，为过网税费；/>为过网税率；/>为联盟内各微网间线路传输功率；为微网联盟在时刻/>与联盟外的成员通过联络线交换的功率。以上设置通常在多微网联盟组成前，通过电网运行动态仿真测试平台进行测试和计算。不过在多微网覆盖且不接入主网的情况下，该费用视为0。
步骤S4中具有不同峰谷特性的微网不再单独配置储能。因为各微网负荷呈现不同的峰谷特性，单独配置会存在同一时刻微网需要储能/>放电以弥补新能源出力的不足功率，微网/>需要储能/>充电来消纳过剩新能源出力，这会造成配置效率低下。在组成联盟的基础上，微网之间通过联络线优先平衡各自功率需求，对储能进行联合配置使得储能资源充分利用。鉴于此，联盟内需要通过能源管理系统对各微网的储能进行统一管理、联合配置。储能设备的运行约束需要满足其各自荷电状态不能超过上下限，如公式(19)(20)所示；储能设备充放电功率不能超过最大充放电功率，如公式(21)所示；多微网联盟要求联盟内的各微网自身储能应同时充电或同时放电，约束如式(22)(23)所示：
(19)
(20)
(21)
(22)
(23)
式中，、/>分别为时刻t、t-1的储能设备的荷电状态；/>、/>为储能设备荷电容量上下限，一般下限在20%~30%，上限在80%~90%；/>为储能设备的能量转换效率； />为微网/>的储能设备在时刻/>的充放电功率，其符合为正表示在充电，为负则在放电；/>为微网/>的储能设备的容量；/>、/>分别为微网/>的储能设备的充放电上下限；为时刻/>联盟内微网储能的总充放电功率；/>为微网/>的储能设备的充放电功率与微网联盟储能的总充放电功率之比。/>
步骤S5中考虑联络线可能出现的故障情况，在共享储能联合配置模型中加入0-1变量来表征联络线的运行状态，进一步提高所提方法的可靠性。具体模型如下：
(24)
(25)
(26)
(27)
(28)
(29)
式中，、/>、/>为0-1二进制变量，描述联盟微网之间联络线的运行状态，联络线为故障状态时为0，正常运行时则为1。式中，/>表示时刻/>流过联络线ij />的功率；/>分别为联络线/>可承受功率的上下限。其中上标的/>即表达从第/>组微网连接到第/>组微网的联络线，例如12即表达从第1组微网连接到第2组微网的联络线，其余的以此类推。通过上述的联盟微网之间联络线的运行状态，可以预测负荷波动突发机率；
此时需要根据负荷波动突发机率进行判定，对于一些在规范范围内的负荷波动可以无视。但是对于机率较高的负荷波动执行相应的处理方案，并通过执行对应处理方案以消除负荷波动带来的不利影响。
针对突发的负荷波动，控制的关键是联络线上控制器和功率分配模块的构建，在本实施例中采用较为成熟的比例-积分控制器。
比例-积分控制器（Proportional-Integral Controller，简称PI控制器）是一种常用的反馈控制器。它结合了比例控制和积分控制两个部分，以实现对系统的精确控制。比例控制（Proportional Control）是一种基本的反馈控制方式，它的输出与偏差（目标值与实际值之间的差异）成比例。比例控制可以快速响应系统的变化，并使系统快速接近设定目标，但可能存在稳态误差，即无法完全消除偏差。积分控制（Integral Control）是为了解决比例控制的稳态误差问题而引入的。积分控制器根据偏差的积分值来产生控制信号，这样可以持续减小偏差，并在稳定状态时消除偏差。PI控制器将比例控制和积分控制结合起来，通过调节比例项和积分项的权重来实现对系统动态特性和稳态特性的控制。比例项对于快速响应和抑制振荡具有重要作用，而积分项对于消除稳态误差和提高系统精度至关重要。因此在本发明所述的状况下上述的方案是最佳的处理方案。现有技术中所记载的多微网群大多依靠主网自身消纳来解决负荷波动问题。而其它没有得到共享调度中心统一配置的微网由于无法准确定位负荷波动突发点，从而无法对其进行处理，只能通过减少多微网之间距离，简化多微网的结构来减少负荷波动的发生。
虽然本发明所述的多微网联盟能达到所述的效果，但是在现实的场景下应用还是比较有限。申请人现已将其在某学校的多个校区配置使用，微网间最大的距离达到35千米。在这个多微网联盟中日常可以实现多个校区内的功率互补。而在7月放假后，其中的电能可以供其覆盖区域的住宅和商业店铺使用。经过1个月的使用结果，其整体功能比例较原有多个区域单独微网的供能总和提升了14%，且其中已经包含了额外增加的配置带来的额外损耗。在其它地区发生停电的情况下也实现了不断电的自给自足。从总体使用而言，整个多微网联盟脱离于主网更节能且更有效。在使用过程中也碰到负载波动的场景，整个多微网联盟在脱离主网的前提下也能妥善处理这些突发状况。本发明所述的多微网联盟在满足其覆盖区域内有余力的情况下，例如在实际操作中，设置在学校多个校区内的多微网联盟在假期即便增加了供电的对象，依然出现了供能大于区域需求的情况，在此情况下，如图2所示该多微网联盟可以接入主网进行售电，或者针对性支援某一特定联盟外的用电区域。
为了便于配置，本发明所记载的方法配置在存储设备中。但是所述存储设备在读取到对应的硬件配置请求后才能被读取，从而避免被配置在不合适的场合。
虽然本发明以较佳实施例揭露如上，但并非用以限定本发明实施的范围。任何本领域的普通技术人员，在不脱离本发明的发明范围内，当可作些许的改进，即凡是依照本发明所做的同等改进，应为本发明的范围所涵盖。在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (10)

1.刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，建立多微网联盟，所述多微网联盟建立包括硬件建设和机制建立；
其中硬件建设包括以下步骤：利用单个微网中配置的通信设备实现通信互联：建立有线或无线通信网络，以实现数据交换、指令传递和协同操作；在建立通信后搭建模拟微电网运行动态仿真测试平台；通过模拟微电网运行动态仿真测试平台判定微网互联的可行性，再由平台验证可行性后架设联络线来实现连接；安装数据采集和监控设备记录微网的负荷数据；
硬件建设完毕后在平台验证的基础上对多微网联盟中的微网进行自动配置，具体配置方法为：S1：对各微网的负荷历史数据做归一化处理，利用长短期神经网络分位数回归算法得到各微网的典型日的负荷输出分位数；
S2：将S1中的输出分位数作为核密度估计算法的输入数据，得到各微网的典型日下各时刻的负荷概率密度函数，以所述负荷概率密度函数峰值作为典型日下各时刻的负荷准确值参与共享储能联合配置模型；
S3：集合各微网的数据建立共享储能联合配置目标函数；共享储能联合配置目标函数为联盟总投资成本最小，其中总投资成本由三部分组成，包括联盟储能投资总成本、售购电成本、过网税费；目标函数如下：
minob＝obSto+obSale_Buy+obTax
式中，ob为总投资成本；obSto、obSale_Buy、obTax分别为储能投资总成本、售购电总成本、过网税费；
S4：针对储能设备建立满足多微网联合配置的状态约束；
S5：在共享储能联合配置模型的目标函数中加入0-1变量来刻画联络线的运行状态，从而完成配置；
S6：观察联络线的运行状态，检测负荷波动突发点；
S7：对每个负荷波动突发点进行判定，并通过联络线上控制器和功率分配模块的构建来进行控制，以消除负荷波动带来的不利影响。
2.根据权利要求1所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，多微网联盟建立过程中的机制建立包括：制定联盟协议并确定联盟目标；建立统一数据共享的通信网络；并且确定协同运营机制；部署共享调度中心，在共享调度中心中完成自动配置；最后建立信任机制进行风险管理。
3.根据权利要求1所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，S1中先对数据进行归一化处理，同时确定LSTMQR算法中的分位点。
4.根据权利要求1所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，S2中利用S1得到的多个在不同分位点下的分位数后，将多个分位数组成列向量作为KDE模型的输入数据，得到负荷在各个预测时间点的概率密度函数，概率密度函数的峰值为当前时刻最大的预测负荷值，将概率密度函数的峰值作为典型日下各时刻的负荷准确值参与共享储能联合配置模型。
5.根据权利要求1所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，S4中面向具有不同峰谷特性的微网时需要通过联络线优先平衡各自功率需求，再对储能进行联合配置。
6.根据权利要求1所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，S7中针对负荷波动突发点，采用协同控制算法、自适应控制算法或比例-积分控制器来进行处理。
7.根据权利要求1-6其中任一所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，联络线为带有通信线缆的微网间交换功率的电力线路，微网间的交互功率需要满足联络线承载能力的上限。
8.根据权利要求1所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，所述多微网联盟由三个及以上个数的位于指定地理区域的微网组成，该联盟中的微网共享储能设备，并通过共享调度中心进行协同配置，且在协同配置过程中的收益大于过程损耗。
9.根据权利要求8所述的刻画负荷不确定性的广域独立多微网共享储能配置方法，其特征在于，在共享调度中心中设置一台应用服务器，所述应用服务器包括至少两个微网节点以及多条能源主链，微网节点与多条能源主链构成联盟链，通过联络线进行策略交互。
10.一种存储设备，其特征在于：存储有实现权利要求1-7其中任一所述的刻画负荷不确定性的广域独立多微网共享储能配置方法的程序，所述存储设备在读取到对应的硬件配置请求后才能被读取。
CN202311074527.4A 2023-08-24 2023-08-24 刻画负荷不确定性的广域独立多微网共享储能配置方法 Active CN116799830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311074527.4A CN116799830B (zh) 2023-08-24 2023-08-24 刻画负荷不确定性的广域独立多微网共享储能配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311074527.4A CN116799830B (zh) 2023-08-24 2023-08-24 刻画负荷不确定性的广域独立多微网共享储能配置方法

Publications (2)

Publication Number Publication Date
CN116799830A CN116799830A (zh) 2023-09-22
CN116799830B true CN116799830B (zh) 2023-11-10

Family

ID=88045069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311074527.4A Active CN116799830B (zh) 2023-08-24 2023-08-24 刻画负荷不确定性的广域独立多微网共享储能配置方法

Country Status (1)

Country Link
CN (1) CN116799830B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107658867A (zh) * 2017-10-16 2018-02-02 华北电力大学 多主体参与的交直流混合配电网动态重构方法
CN109884888A (zh) * 2018-12-30 2019-06-14 国网天津市电力公司电力科学研究院 一种基于非合作博弈的多楼宇微网模型预测调控方法
CN111200281A (zh) * 2019-12-23 2020-05-26 北京交通大学 互联微网储能配置扩容优化方法
CN111293682A (zh) * 2020-02-10 2020-06-16 浙江工业大学 一种基于协同模型预测控制的多微网能量管理方法
CN111682526A (zh) * 2020-05-28 2020-09-18 国网浙江省电力有限公司湖州供电公司 一种基于合作博弈的虚拟电厂能量管理方法
CN112398164A (zh) * 2020-10-30 2021-02-23 东南大学 含共享储能系统的微能源网群优化运行及成本分配方法
CN114155103A (zh) * 2021-12-03 2022-03-08 国网新疆电力有限公司电力科学研究院 基于区块链合作博弈的能量共享联盟灵活性交易方法
CN114530872A (zh) * 2021-11-16 2022-05-24 国网浙江省电力有限公司乐清市供电公司 一种多边共享的储能优化配置及其成本分摊方法
CN115021327A (zh) * 2022-05-19 2022-09-06 合肥工业大学 基于虚拟储能的互联微电网系统的协同日前优化调度方法
CN115204562A (zh) * 2022-05-10 2022-10-18 浙江工业大学 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统
CN115498623A (zh) * 2022-06-28 2022-12-20 广东电网有限责任公司 多微电网的储能配置优化方法、装置、设备及存储介质
CN115618984A (zh) * 2022-09-27 2023-01-17 云南电网有限责任公司昆明供电局 一种考虑低碳经济的多微网合作联盟交易方法
WO2023103385A1 (zh) * 2021-12-09 2023-06-15 国网上海市电力公司 一种多能微网群自身及市场决策协同优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114938035B (zh) * 2022-05-06 2023-06-09 合肥工业大学 考虑储能退化成本的共享储能能量调度方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107658867A (zh) * 2017-10-16 2018-02-02 华北电力大学 多主体参与的交直流混合配电网动态重构方法
CN109884888A (zh) * 2018-12-30 2019-06-14 国网天津市电力公司电力科学研究院 一种基于非合作博弈的多楼宇微网模型预测调控方法
CN111200281A (zh) * 2019-12-23 2020-05-26 北京交通大学 互联微网储能配置扩容优化方法
CN111293682A (zh) * 2020-02-10 2020-06-16 浙江工业大学 一种基于协同模型预测控制的多微网能量管理方法
CN111682526A (zh) * 2020-05-28 2020-09-18 国网浙江省电力有限公司湖州供电公司 一种基于合作博弈的虚拟电厂能量管理方法
CN112398164A (zh) * 2020-10-30 2021-02-23 东南大学 含共享储能系统的微能源网群优化运行及成本分配方法
CN114530872A (zh) * 2021-11-16 2022-05-24 国网浙江省电力有限公司乐清市供电公司 一种多边共享的储能优化配置及其成本分摊方法
CN114155103A (zh) * 2021-12-03 2022-03-08 国网新疆电力有限公司电力科学研究院 基于区块链合作博弈的能量共享联盟灵活性交易方法
WO2023103385A1 (zh) * 2021-12-09 2023-06-15 国网上海市电力公司 一种多能微网群自身及市场决策协同优化方法
CN115204562A (zh) * 2022-05-10 2022-10-18 浙江工业大学 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统
CN115021327A (zh) * 2022-05-19 2022-09-06 合肥工业大学 基于虚拟储能的互联微电网系统的协同日前优化调度方法
CN115498623A (zh) * 2022-06-28 2022-12-20 广东电网有限责任公司 多微电网的储能配置优化方法、装置、设备及存储介质
CN115618984A (zh) * 2022-09-27 2023-01-17 云南电网有限责任公司昆明供电局 一种考虑低碳经济的多微网合作联盟交易方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Game Theoretic Coalition Formulation Strategy for Reducing Power Loss in Micro Grids;Chao Wei等;《IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》;全文 *
Coalitional Game Theory for Cooperative Micro-Grid Distribution Networks;Walid Saad等;《2011 IEEE International Conference on Communications Workshops (ICC)》;全文 *
基于自适应鲁棒优化的互联微网能量/备用共享调度;赵天阳;陈奇芳;张建华;于雷;;电网技术(第12期);全文 *

Also Published As

Publication number Publication date
CN116799830A (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Shrestha et al. Peer-to-peer energy trading in micro/mini-grids for local energy communities: A review and case study of Nepal
Luo et al. Short‐term operational planning framework for virtual power plants with high renewable penetrations
Ouammi et al. Coordinated model predictive-based power flows control in a cooperative network of smart microgrids
Zhao et al. Distributed model predictive control strategy for islands multimicrogrids based on noncooperative game
Zhou et al. Optimal operation of regional microgrids with renewable and energy storage: Solution robustness and nonanticipativity against uncertainties
Zhang et al. Planning for distributed wind generation under active management mode
Steghöfer et al. A system of systems approach to the evolutionary transformation of power management systems
Kou et al. A comprehensive scheduling framework using SP-ADMM for residential demand response with weather and consumer uncertainties
Yin et al. Hybrid metaheuristic multi-layer reinforcement learning approach for two-level energy management strategy framework of multi-microgrid systems
Taherkhani et al. Scenario-based probabilistic multi-stage optimization for transmission expansion planning incorporating wind generation integration
Yan et al. Peer-to-Peer transactive energy trading of multiple microgrids considering renewable energy uncertainty
Vera et al. Two-stage stochastic optimization model for multi-microgrid planning
Li et al. Co‐optimisation model for the long‐term design and decision making in community level cloud energy storage system
Zhang et al. Trading-oriented battery energy storage planning for distribution market
Liu et al. Bi-level fuzzy stochastic expectation modelling and optimization for energy storage systems planning in virtual power plants
Nair et al. A hierarchical local electricity market for a der-rich grid edge
Elgamal et al. Robust multi‐agent system for efficient online energy management and security enforcement in a grid‐connected microgrid with hybrid resources
Wen et al. Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration
Wang et al. Optimal dispatch of integrated energy system considering integrated demand response resource trading
Mendes et al. Pushing the transition towards transactive grids through local energy markets
Qiu et al. Resilience-Oriented Coordination of Networked Microgrids: a Shapley Q-Value Learning Approach
Liu et al. Network-Constrained Peer-to-Peer energy trading for multiple microgrids considering zoning pricing
Klaimi et al. Energy management algorithms in smart grids: State of the art and emerging trends
CN117114877A (zh) 一种基于虚拟电厂的中长期电力交易方法及系统
CN116799830B (zh) 刻画负荷不确定性的广域独立多微网共享储能配置方法

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