CN116937629A - 基于信息决策理论的多变压器微电网随机优化调度方法 - Google Patents

基于信息决策理论的多变压器微电网随机优化调度方法 Download PDF

Info

Publication number
CN116937629A
CN116937629A CN202310902868.XA CN202310902868A CN116937629A CN 116937629 A CN116937629 A CN 116937629A CN 202310902868 A CN202310902868 A CN 202310902868A CN 116937629 A CN116937629 A CN 116937629A
Authority
CN
China
Prior art keywords
micro
grid
model
energy storage
transformer
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
Application number
CN202310902868.XA
Other languages
English (en)
Inventor
荣爽
陈佳佳
赵艳雷
王延鑫
关万琳
崔佳鹏
刘延龙
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.)
State Grid Heilongjiang Electric Power Co Ltd Electric Power Research Institute
State Grid Corp of China SGCC
Shandong University of Technology
Original Assignee
State Grid Heilongjiang Electric Power Co Ltd Electric Power Research Institute
State Grid Corp of China SGCC
Shandong University of Technology
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 State Grid Heilongjiang Electric Power Co Ltd Electric Power Research Institute, State Grid Corp of China SGCC, Shandong University of Technology filed Critical State Grid Heilongjiang Electric Power Co Ltd Electric Power Research Institute
Priority to CN202310902868.XA priority Critical patent/CN116937629A/zh
Publication of CN116937629A publication Critical patent/CN116937629A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/003—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
    • H02J3/46—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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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

Abstract

基于信息决策理论的多变压器微电网随机优化调度方法，属于配电网储能技术领域。建立基于分布式储能和两部制电价的微电网调度模型；构建基于IGDT的不确定性微电网的调度模型；对不同偏差因子对调度模型进行模型求解，采用1％‑5％的偏差因子对多变压器微电网随机调度模型进行求解，利用Gurobi求解器以0.1％的误差进行求解，得到多变压器微电网运行策略。本发明构造了多变压器微电网随机优化调度运行策略，验证了在实际运行时，相比较于集中储能，分布式储能的经济性更高；相比较于传统鲁棒优化模型，本发明兼具鲁棒性和经济性且能够根据决策者的偏好调整机组出力，获得最优运行状态。

Description

基于信息决策理论的多变压器微电网随机优化调度方法
技术领域
基于信息决策理论的多变压器微电网随机优化调度方法，属于配电网储能技术领域。
背景技术
随着全球低碳目标的提出和用户侧储能的大量应用，微电网的规模会随之扩大。但是可再生能源的不确定性和波动性会严重影响微电网运行的安全性和稳定性。理论上，配置储能能够在一定程度上降低可再生能源的影响，但是储能的价格限制了储能配置的容量。
微电网由不同类型的微电网组成，每个微电网含有一个变压器，用来接入上层电网。多微电网协同调度可以提高系统运行的安全性和经济性，促进可再生能源消纳。但是，光伏和负荷预测误测是无法避免的，这对多微电网的协同调度会产生严重的影响。
光伏和负荷的预测误差是不确定性的体现，现有处理不确定性的方法主要有鲁棒优化和随机优化。然而鲁棒优化和随机优化都具有一定的缺点：鲁棒优化得到的结果太过保守，现实运行中收到成本的制约，不能够达到最优解。随机优化通过构建概率场景进行优化，需要大量的历史数据进行采样，过于依赖不确定性量的概率分布，且模型求解较为困难。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种能够提高微电网的经济性和鲁棒性的基于信息决策理论的多变压器微电网随机优化调度方法。
本发明解决其技术问题所采用的技术方案是：该基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：包括如下步骤：
S1建立基于分布式储能和两部制电价的微电网调度模型；
S2构建基于IGDT的不确定性微电网的调度模型；
S3对不同偏差因子对调度模型进行模型求解，采用1％-5％的偏差因子对多变压器微电网随机调度模型进行求解，利用Gurobi求解器以0.1％的误差进行求解，得到多变压器微电网运行策略。
优选的，所述方法还包括，建立如下微电网的经济优化模型：
其中，αi、βi、ci是微燃机的成本系数；Pi，g(t)是微燃机的功率；cb(t)、cdec、cs分别是分时电价、需量电价、上网电价；pb(t)、Pdec(t)、Ps(t)分别是买电功率、需量功率、上网功率；cv是储能充放电的运维费用；Pi，c(t)、Pi，d(t)分别为储能的充电和放电功率；T、N、Δt分别为优化的总时刻，微电网的数量，时间间隔。C是成本函数。
优选的，所述的微电网经济优化模型的约束包括分布式电源约束和功率平衡约束。
优选的，所述的分布式电源约束为：
其中，分别为微燃机功率的上下限；/>分别为储能充电的上下限；/>分别为储能放电的上下限；E、SOC分别为储能的容量和剩余容量，其中，SOC(0)为储能初始状态的剩余容量，SOC(T)为储能初始状态的剩余容量；SOC(t)、SOC(t-Δt)分别为t时刻和前一时刻储能的剩余容量；ηc、ηd分别为储能的充电和放电效率；μ1为0-1变量。
优选的，所述的功率平衡约束为：
其中，Pi，ex(t)为微电网的交换功率；Pi，in(t)、Pi，out(t)分别为微电网输入、输出功率；Pi，load(t)、Pi，pv(t)分别为负荷需求和光伏输出功率；ηtr为变压器的传输效率。
优选的，所述方法还包括，利用净负荷描述优化模型的不确定性，净负荷ΔPi，L被定义为：
ΔPi，L＝Pi，load-Pi，pv；
其中，Pi，load(t)、Pi，pv-(t)分别为负荷需求和光伏输出功率。
优选的，所述方法还包括，选择包络约束模型描述不确定性变量，包络约束模型如下：
其中，是净负荷的预测值，αi是不确定性半径。
优选的，所述方法还包括，微电网经济模型和包络约束模型建立的微电网IGDT随机优化模型为：
max[α1，α2，...，αi]
其中，C0和C分别为确定性和不确定性环境下微电网的成本；β为IGDT模型的成本偏差因子。
优选的，利用鲁棒优化的方法将所述微电网IGDT随机优化模型优化为如下模型：
max[α1，α2，...，αi]；
与现有技术相比，本发明所具有的有益效果是：
本基于信息决策理论的多变压器微电网随机优化调度方法构造了多变压器微电网随机优化调度运行策略，验证了在实际运行时，相比较于集中储能，分布式储能的经济性更高；相比较于传统鲁棒优化模型，本发明兼具鲁棒性和经济性且能够根据决策者的偏好调整机组出力，获得最优运行状态，为多变压器微电网的运行提供了一种解决思路；同时，该方法拓展了IGDT在微电网运行中的应用，可应用于储能配置等领域。
附图说明
图1为基于信息决策理论的多变压器微电网随机优化调度方法的流程图；
图2为多变压器微电网系统结构示意图；
图3为春季园区负荷需求和光伏出力示意图；
图4为夏季园区负荷需求和光伏出力示意图；
图5为春季不同运行策略下上层电网和微燃机出力对比示意图；
图6为春季不同运行策略下储能出力对比示意图；
图7为夏季不同运行策略下上层电网和微燃机出力对比示意图；
图8为夏季不同运行策略下储能出力对比示意图。
具体实施方式
下面结合具体实施例对本发明做进一步说明，然而熟悉本领域的人们应当了解，在这里结合附图给出的详细说明是为了更好的解释，本发明的结构必然超出了有限的这些实施例，而对于一些等同替换方案或常见手段，本文不再做详细叙述，但仍属于本申请的保护范围。
图1～8是本发明的最佳实施例，下面结合附图1～8对本发明做进一步说明。
如图1所示：基于信息决策理论的多变压器微电网随机优化调度方法，包括如下步骤：
S1建立基于分布式储能和两部制电价的微电网调度模型；
S2构建基于IGDT的不确定性微电网的调度模型；
S3对不同偏差因子对调度模型进行模型求解，采用1％-5％的偏差因子对多变压器微电网随机调度模型进行求解，利用Gurobi求解器以0.1％的误差进行求解，得到多变压器微电网运行策略。
本发明构造了多变压器微电网随机优化调度运行策略，验证了在实际运行时，相比较于集中储能，分布式储能的经济性更高。相比较于传统鲁棒优化模型，本发明兼具鲁棒性和经济性且能够根据决策者的偏好调整机组出力，获得最优运行状态。
作为本实施例一种可能的实现方式，基于分布式储能和两部制电价的微电网调度模型的过程为：
微电网由多个组成，互联的微电网可以促进可再生能源的消纳，提高系统的稳定性和安全性。并且分布式储能的应用，可以进一步提高可再生能源的渗透率，减少变压器损耗。
本发明基于实际运行场景，建立微电网的经济优化模型。微电网的经济优化模型包括两部制电价：分时电价、上网电价和需量电价；储能和微燃机的运维费用。微电网的经济优化模型如下所示：
其中，αi、βi、ci是微燃机的成本系数；Pi，g(t)是微燃机的功率；cb(t)、cbec、cs分别是分时电价、需量电价、上网电价；Pb(t)、Pdec(t)、Ps(t)分别是买电功率、需量功率、上网功率；cv是储能充放电的运维费用；Pi，c(t)、Pi，d(t)分别为储能的充电和放电功率；T、N、Δt分别为优化的总时刻，微电网的数量，时间间隔。C是成本函数。
为更好的进行模型求解，本发明提出的微电网经济优化模型的约束包括分布式电源约束和功率平衡约束。
其中分布式电源约束为：
其中，分别为微燃机功率的上下限；/>分别为储能充电的上下限；/>分别为储能放电的上下限；E、SOC分别为储能的容量和剩余容量，其中，SOC(0)为储能初始状态的剩余容量，SOC(T)为储能初始状态的剩余容量。公式(2e)代表储能的首末状态相等；SOC(t)、SOC(t-Δt)分别为t时刻和前一时刻储能的剩余容量；ηc、ηd分别为储能的充电和放电效率；μ1为0-1变量。
功率平衡约束为：
其中，Pi，ex(t)为微电网的交换功率；Pi，in(t)、Pi，out(t)分别为微电网输入、输出功率；Pi，load(t)、Pi，pv(t)分别为负荷需求和光伏输出功率；ηtr为变压器的传输效率。
微电网的经济模型仅仅考虑了园区的经济性，没有考虑光伏、负荷的不确定性的影响，进而导致微电网运行的安全性较低。因此，急需一种方法来处理光伏、负荷的不确定性，保证微电网优化模型的经济型和鲁棒性。
作为本实施例一种可能的实现方式，构建基于IGDT的不确定性微电网的调度模型的过程为：
处理不确定性量的基本方法有鲁棒优化和随机优化，但是鲁棒模型处理不确定性变量时的保守型太强，而随机优化需要大量的样本进行优化。IGDT对不确定性变量的信息需求较少且不依赖于变量的概率分布。鉴于此，本发明选择IGDT用于处理光伏和负荷的不确定性。
但是随着不确定变量的增加，IGDT模型由单目标问题转化为多目标问题，这极大的增大了模型求解难度。因此本发明选择利用净负荷描述优化模型的不确定性，减少模型的求解难度。净负荷被定义为：
ΔPx，L＝Pi，load-Pi，pv； (4)
其中，ΔPi，L为净负荷，Pi，load(t)、Pi，pv(t)分别为负荷需求和光伏输出功率。
为更好描述不确定性变量的信息，本发明选择包络约束模型描述不确定性变量。具体的形式为：
其中，是净负荷的预测值，αi是不确定性半径。
利用微电网经济模型和包络约束模型建立的微电网IGDT随机优化模型如下：
其中，C0和C分别为确定性和不确定性环境下微电网的成本；β为IGDT模型的成本偏差因子。
微电网IGDT随机优化模型是一个双层优化模型，难以直接求解。因此本发明利用鲁棒优化的思想将max[α1，，α2，...，αi]为min max[α1，α2，...，αi]。此外，当净负荷的波动达到最大波动时，即ΔPi，L＝(1+ΔPi，L)，此时所提的IGDT模型的成本达到最高。下层的max[α1，α2，...，αi]转化为C≤(1+β)C0。
综上，微电网IGDT随机优化模型可以表示为：
max[α1，α2，...，αi]；
综上，本发明提出的随机优化调度模型由式(1)-(3)、(7)组成，通过对该数学模型求解，可在保证微电网鲁棒性的同时，提升微电网的经济性。
作为本实施例一种可能的实现方式，对不同的偏差因子进行模型求解，得到多变压器微电网随机优化调度策略的过程为：采用1％-5％的偏差因子对多变压器微电网随机调度模型进行求解，利用Gurobi求解器以0.1％的误差进行求解。
下面以一个实例具体说明本发明基于IGDT的多变压器微电网随机调度模型，图2多变压器微电网系统结构，微电网内包含3个微电网，每个微电网包括一个微燃机、储能设备、光伏设备。春季和夏季的光伏出力和负荷需求如图3和图4所示。分时电价为：当时间为0:00至8:00时，电价为0.37元/千瓦。当8:00至12:00或17:00至21:00时，电价为1.3612元/千瓦。当时间为12:00至17:00或21:00至24:00时，电价为0.82元/千瓦。
表1微电网参数
园区 MT额定功率(kW) ES额定功率(kW) ES额定容量(kW·h)
1 800 250 800
2 800 350 1000
3 800 400 1200
本发明研究了偏差因子对优化成本和不确定性的影响，选择春季典型日进行仿真分析。从表2中可以得出结论，随着偏差因子的增大，成本和不确定性半径也随之增大。这是由于决策者对光伏和负荷的不确定性持悲观态度。经济性在逐渐降低，保守性在增加，应对风险的能力在增强。
表2不同偏差因子的仿真比较
β 0.01 0.02 0.03 0.04 0.05
C(CNY) 39120.699 39508.033 39895.367 40282.701 40670.034
α 0.00884 0.01729 0.02487 0.03272 0.04283
本发明研究了不同储能类型对系统成本为影响如表3所示，从表3可以得出，在不同的偏差因子下，微电网使用分布式储能的成本要低于使用集中式储能的成本。这是因为分布式储能可以减少变压器的损耗，从而降低了成本。同时，随着偏差因子的增加，分布式储能系统与集中式的成本差异增大，集中式储能的变压器损耗也越来越高。
表3不同储能类型的成本比较
β 0.01 0.02 0.03 0.04 0.05
分布式储能 39120.6995 39508.0332 39895.3668 40282.7005 40670.0341
集中式储能 39519.2745 39910.5545 40301.8344 40693.1144 41084.3943
本发明为证明所提运行策略的适用性，分别在春季典型日和夏季典型日进行仿真对比，如图5、图6、图7、图8所示。
根据图5和图6可以看出，在前33个时间间隔内，微电网主要依靠从上级电网购电来满足自身的能量缺口，这是由于在前33个时间间隔内，分时电价为谷时电价，远小于储能和微燃机的成本。当使用时间电价为峰时电价时，微电网的能量缺口主要由储能和微燃机提供，此时储能的SOC急剧下降。当分时电价为平时电价时，微电网购电给储能充电，这样就可以在峰时电价时削峰填谷，降低微电网的成本。比较图5中(a)和(b)的优化结果，可以看出，使用鲁棒优化方法的机组输出功率大于本发明提出的的方法，经济性较差。
结合春季典型日和夏季典型日的优化结果，可以推断出本发明的模型没有季节性限制，并确保了经济性和鲁棒性。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：包括如下步骤：
S1建立基于分布式储能和两部制电价的微电网调度模型；
S2构建基于IGDT的不确定性微电网的调度模型；
S3对不同偏差因子对调度模型进行模型求解，采用1％-5％的偏差因子对多变压器微电网随机调度模型进行求解，利用Gurobi求解器以0.1％的误差进行求解，得到多变压器微电网运行策略。
2.根据权利要求1所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：所述方法还包括，建立如下微电网的经济优化模型：
其中，αi、βi、ci是微燃机的成本系数；Pi，g(t)是微燃机的功率；cb(t)、cdec、cs分别是分时电价、需量电价、上网电价；Pb(t)、Pdec(t)、Ps(t)分别是买电功率、需量功率、上网功率；cv是储能充放电的运维费用；Pi，c(t)、Pi，d(t)分别为储能的充电和放电功率；T、N、Δt分别为优化的总时刻，微电网的数量，时间间隔；C是成本函数。
3.根据权利要求2所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：所述的微电网经济优化模型的约束包括分布式电源约束和功率平衡约束。
4.根据权利要求3所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：所述的分布式电源约束为：
其中，分别为微燃机功率的上下限；/>分别为储能充电的上下限；分别为储能放电的上下限；E、SOC分别为储能的容量和剩余容量，其中，SOC(0)为储能初始状态的剩余容量，SOC(T)为储能初始状态的剩余容量；SOC(t)、SOC(t-Δt)分别为t时刻和前一时刻储能的剩余容量；ηc、ηd分别为储能的充电和放电效率；μ1为0-1变量。
5.根据权利要求3所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：所述的功率平衡约束为：
其中，Pi，ex(t)为微电网的交换功率；Pi，in(t)、Pi，out(t)分别为微电网输入、输出功率；Pi，load(t)、Pi，pv(t)分别为负荷需求和光伏输出功率；ηtr为变压器的传输效率。
6.根据权利要求1所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：所述方法还包括，利用净负荷描述优化模型的不确定性，净负荷ΔPi，L被定义为：
ΔPi，L＝Pi，load-Pi，pv；
其中，Pi，load(t)、Pi，pv(t)分别为负荷需求和光伏输出功率。
7.根据权利要求6所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：所述方法还包括，选择包络约束模型描述不确定性变量，包络约束模型如下：
其中，是净负荷的预测值，αi是不确定性半径。
8.根据权利要求7所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：所述方法还包括，微电网经济模型和包络约束模型建立的微电网IGDT随机优化模型为：
max[α1，α2，...，αi]
其中，C0和C分别为确定性和不确定性环境下微电网的成本；β为IGDT模型的成本偏差因子。
9.根据权利要求8所述的基于信息决策理论的多变压器微电网随机优化调度方法，其特征在于：利用鲁棒优化的方法将所述微电网IGDT随机优化模型优化为如下模型：
max[α1，α2，...，αi]；
CN202310902868.XA 2023-07-21 2023-07-21 基于信息决策理论的多变压器微电网随机优化调度方法 Pending CN116937629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310902868.XA CN116937629A (zh) 2023-07-21 2023-07-21 基于信息决策理论的多变压器微电网随机优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310902868.XA CN116937629A (zh) 2023-07-21 2023-07-21 基于信息决策理论的多变压器微电网随机优化调度方法

Publications (1)

Publication Number Publication Date
CN116937629A true CN116937629A (zh) 2023-10-24

Family

ID=88382202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310902868.XA Pending CN116937629A (zh) 2023-07-21 2023-07-21 基于信息决策理论的多变压器微电网随机优化调度方法

Country Status (1)

Country Link
CN (1) CN116937629A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252034A (zh) * 2023-11-14 2023-12-19 山东理工大学 基于鲁棒优化和需量防守的共享租赁储能双层规划模型

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815081A (zh) * 2020-09-07 2020-10-23 华东交通大学 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法
CN114142527A (zh) * 2021-12-17 2022-03-04 宁波市电力设计院有限公司 一种多微网协同运行的经济调度优化方法
CN115912466A (zh) * 2022-11-11 2023-04-04 华中科技大学 基于信息间隙决策理论的有源配电网孤岛划分方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815081A (zh) * 2020-09-07 2020-10-23 华东交通大学 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法
CN114142527A (zh) * 2021-12-17 2022-03-04 宁波市电力设计院有限公司 一种多微网协同运行的经济调度优化方法
CN115912466A (zh) * 2022-11-11 2023-04-04 华中科技大学 基于信息间隙决策理论的有源配电网孤岛划分方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252034A (zh) * 2023-11-14 2023-12-19 山东理工大学 基于鲁棒优化和需量防守的共享租赁储能双层规划模型
CN117252034B (zh) * 2023-11-14 2024-02-02 山东理工大学 基于鲁棒优化和需量防守的共享租赁储能双层规划模型

Similar Documents

Publication Publication Date Title
Chen et al. Increasing the flexibility of combined heat and power for wind power integration in China: Modeling and implications
Yang et al. Optimal energy flow control strategy for a residential energy local network combined with demand-side management and real-time pricing
CN110659830A (zh) 面向综合能源系统的多能源微网规划方法
Arnold et al. Distributed predictive control for energy hub coordination in coupled electricity and gas networks
Zheng et al. IRSP (integrated resource strategic planning) with interconnected smart grids in integrating renewable energy and implementing DSM (demand side management) in China
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
Chen et al. A water mass method and its application to integrated heat and electricity dispatch considering thermal inertias
Yang et al. Research on heat and electricity coordinated dispatch model for better integration of wind power based on electric boiler with thermal storage
CN108133285B (zh) 一种接入大规模可再生能源的混合能源系统实时调度方法
Ju et al. A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator
Wang et al. Intelligent microgrid management and EV control under uncertainties in smart grid
CN111293682B (zh) 一种基于协同模型预测控制的多微网能量管理方法
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN114595868A (zh) 一种综合能源系统源网荷储协同规划方法及系统
Li et al. Optimized operation of hybrid system integrated with MHP, PV and PHS considering generation/load similarity
Arnold et al. Multi-area predictive control for combined electricity and natural gas systems
CN116937629A (zh) 基于信息决策理论的多变压器微电网随机优化调度方法
CN116365506A (zh) 含分布式光伏主动配电网节能降损优化方法及系统
Tan et al. Joint scheduling optimization of virtual power plants and equitable profit distribution using shapely value theory
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
Gao et al. A GA-based NZEB-cluster planning and design optimization method for mitigating grid overvoltage risk
Arnold On predictive control for coordination in multi-carrier energy systems
Li et al. Planning model of integrated energy system considering P2G and energy storage
CN116961008A (zh) 计及电力弹簧与负荷需求响应的微电网容量双层优化方法
Zhang et al. A Two-Stage Optimization Model of Capacity Allocation and Regulation Operation for Virtual Power Plant

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