CN116961008A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116961008A CN116961008A CN202310931201.2A CN202310931201A CN116961008A CN 116961008 A CN116961008 A CN 116961008A CN 202310931201 A CN202310931201 A CN 202310931201A CN 116961008 A CN116961008 A CN 116961008A
- Authority
- CN
- China
- Prior art keywords
- micro
- load
- power
- cost
- grid
- 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 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004044 response Effects 0.000 title claims abstract description 25
- 238000004146 energy storage Methods 0.000 claims abstract description 59
- 230000005611 electricity Effects 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 238000002485 combustion reaction Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 25
- 230000008859 change Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000000126 substance Substances 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
- H02J3/12—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
-
- 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
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了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。考虑到风光出力的随机性以及负荷预测与实际情况存在误差,构建源荷侧的盒式区间模型。搭建微电网的双层优化模型,外层负责求解微网系统容量规划问题,优化目标为整个系统成本最低;内层为负责求解功率层面的运行问题,目标函数为整个调度周期内系统的运维成本最小。采用列与约束生成算法进行迭代求解,得到最优经济下的容量配置方案。在微网系统中引入电力弹簧装置及负荷需求响应后可提高新能源消纳、降低系统的能量浪费率作用的同时能减少储能装置每个周期内的能量交换率,进而提高所配置微网系统的经济性,为微网容量优化提供了新思路。
Description
技术领域
本发明涉及微电网技术领域,具体涉及一种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。
背景技术
近年来,传统能源短缺问题日益凸显,有效利用可再生能源是当前解决能源危机的热点话题。风光等自然资源具有可持续性和绿色无污染的特点成为目前研究热点。微电网作为一个能有效将分布式电源DG(Distributed Generator),如风电和光伏等,进行多点分散接入并将能量进行有效分配的重要平台,因其绿色低碳的特点受到大力发展。因可再生能源出力具有不稳定性和间歇性,在接入微电网系统的过程中会带来电压跌落和频率波动的一系列问题。在确保微电网系统安全稳定运行的基础上,进一步对微电网系统设备进行合理的配置和规划,不仅能提高分布式电源的利用率,更能有效提高微电网的可靠性和经济性,对微网系统的长久发展具有重大意义。
目前对微电网容量配置的相关研究,国内外学者进行了大量探索。ATLAR等人考虑到风光的随机性以及负荷预测的不准确性,构建了随机模型,以规划成本最低为目标,通过混合整数线性规划求解模型,以实现微电网系统中分布式电源和储能装置的容量配置;以最大可靠性和最低投资成本为目标进行迭代搜索,实现微电网系统容量优化配置。在负荷管理侧,采用需求侧响应的方式引导用户改变自身用电习惯,使发电特性和负荷特性相互协调,从而达到减少储能设备和电源容量的目的。刘柏良等人构建风/光/储/柴等微电网系统,将海水淡化类设备作为需求侧响应类负荷参与调度,得到海岛微电网系统设备容量的最优配置方案;黄弦超等人建立计及可平移负荷和可中断负荷的优化模型,从而在运行层面上分析可控负荷对独立微网中分布式电源容量优化的影响。以上文献对微电网电源容量规划的研究在考虑到的含需求侧响应的容量优化策略中并未涉及到不断产生的新型柔性负荷及其负荷侧的调节媒介和手段,且不能实现电力供需的实时平衡。
2012年中国香港大学的许树源教授将机械弹簧对偶到电力领域,开创性得提出电力弹簧ES(Electric Spring)的理念。ES的核心装置是直流侧储能元件和逆变器。微电网中部分负荷在运行过程中对电能质量要求很高,要求电压几乎不能变动,比如监控设备、医疗设备和计算机设备等,这类用电设备称为关键负荷。非关键负荷可以在较宽电压范围内工作,如锅炉,空调,电灯等。ES与非关键负荷串联,形成智能负荷,再与关键负荷并联,整体形成用电小组。非关键负荷调控手段区别于现有可调负荷(可中断负荷,与直接负荷控制),电力弹簧装置可以有效调控市场中不断产生的柔性负荷,根据风光出力大小向上向下地调节智能负荷功率,而现有可调负荷只能通过减少用电量来响应能量优化目标,ES是能够根据负荷要求自动响应控制,自动追踪当前系统状态实现实时动态响应的电力电子设备。
同时在系统中加入常规需求侧负荷管理措施,通过控制可平移负荷进一步灵活地调整微电网的用电计划。在微电网系统中,增加电力弹簧装置和引用负荷需求响应后可显著减少风光资源的浪费量、减少储能设备的使用减缓储能的充放电深度、降低储能容量,进而提高所配置微网系统的经济性。
发明内容
针对上述现有技术中的不足,本发明提供了一种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,该方法在不确定场景分析的基础上,结合电力弹簧与负荷需求响应在计及储能充放电因素、补贴因素和设备折旧因素的微电网能量管理运行中带来的稳定性和运行效率的提升。克服了现有技术中决策保守,经济性不佳等缺陷,以期望的场景下微电网经济运行为目的,同时能够保证任意场景下微电网系统均能够保持可行的运行,还能使微电网能够消纳新能源发电带来的扰动,起到既能够确保微电网在不确定性环境下的安全稳定运行、实现实时功率平衡,又能保持较好的系统经济运行的目的。
本发明是采用如下技术方案实现的: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,由下列步骤实现:
S1:分析背靠背(B2B)型ES的拓扑结构和控制方式;
S2:构建含有B2B型ES的微电网系统结构图,并对微电网系统各模块进行建模;
S3:搭建不确定性模型,微电网的优化调度方案往往取决于预测的精度,然而微电网的运行过程中风光的随机波动性和负荷预测的不准确性,使得模型数据存在一定的误差。微电网运行过程若以确定模型进行优化,得到的结果往往过于冒险,因此本发明构建了源荷侧的盒式区间模型;
S4:构建微电网系统的外层优化模型,外层优化目标为整个系统的最小成本,具体为日投资成本和日运维成本最低,决策变量为系统设备容量和各设备台数,外层模型负责求解微电网系统容量规划问题。有具体以下约束条件:投资金额约束限制、由于场地和资金的限制,风光机组的装机数量限值约束、电量平衡约束;
S5:构建微电网系统的内层优化模型,内层优化考虑了源荷两侧短时间预测的不准确性,采用盒式区间模型的方式来解决内层功率层面的运行问题。内层优化的目标函数为整个调度周期内(24h)系统的运维成本最小,决策变量是各电源机组、储能系统在每个调度时间尺度内(1h)的实际出力情况。目标函数中分量包含购电成本、微型燃气轮机运行成本、储能系统充放电成本、电力弹簧的运行成本、智能负荷的调控补贴、可平移负荷的调节补贴、关键负荷的额外支出、售电收益。具体约束条件有:有功平衡约束、配电网交互、微型燃汽轮机的出力上下限和爬坡速度约束、光伏和风机的出力上下限和爬坡速度约束、储能约束、智能负荷约束、可平移负荷约束;
S6:将构建的原模型转换为主问题和子问题,采用列和约束生成算法C&CG(Columnand Constraint Generation Algorithm),对主问题和子问题进行交替迭代,直至算法收敛求解得到微电网目标函数的最优解和决策变量的取值。
进一步地,所述步骤S3包括:
考虑源荷的不确定性,构建盒式区间模型:
式中,upv,t和uwt,t分别为光伏、风机出力和负荷功率实际值;upvc,t、uwtc,t和ulc,t为光伏、风机出力和负荷功率预测值;和/>分别为光伏、风机和负荷功率波动的最大值;Bpv,t、Bwt,t、Bl,t均是二进制变量,取1时相应时间段的不确定变量取到边界值。
式中τpv、τwt和τl为缩放比例,即不确定度,分别取0.1、0.1、0.15。
式中,Γ为不确定性调节参数,可控制模型的保守度,本发明中取24。
进一步地,所述步骤S4包括:
引入源荷侧的盒式区间模型,以提高系统模型的鲁棒性,建立外层优化模型,目标函数为整个系统成本最小,包括初始设备投资成本,折算为日投资成本和日运维成本:
式中,Ci&o为系统总成本,Cinv为折算后的日投资成本,Cope为日运维成本。
Cinv=CDRE+CF+CESS+CES (5)
由(5)式可知,日投资成本分别由不可控分布式电源、微型燃气轮机、储能电池和电力弹簧的日平均投资成本组成。
式中,ηDPV、ηDWT、ηDF、ηDESS、ηDES分别为光伏、风机、微燃机、储能电池和ES的等值日系数,d为折现率,y*代表设备的使用年限;ηPV、ηWT、ηF、ηES分别为光伏、风机、微燃机、和电力弹簧的单位容量成本;ηB、ηP为储能元件单位能量容量和单位功率容量成本;ηinv为储能元件的逆变器成本系数;NPV、NWT、NF、NESS和NES分别为光伏、风机、微燃机、储能元件和电力弹簧的数量;PPV-unit、PWT-unit、PF-unit、PES-unit分别为光伏、风机、微燃机和电力弹簧的额定功率;BESS、PESS为储能元件的额定容量和额定功率。
进一步地,所述步骤S5包括:
内层优化的目标函数为外层优化考虑到的日运维成本最低,内层优化实质是在解决调度时间尺度内功率分配阶段的不同机组组合问题。
Cope=Cbuy+Cf+Cess+Ces+Cncl+Ckpy-Ccl-Csell (8)
式中,由购电成本Cbuy、购买燃料和燃气轮机运行费用Cf、储能设备Cess、电力弹簧的运行费用Ces、微电网向智能负荷用户和可平移负荷支付的调控补偿费用(Cncl、Ckpy)组成,关键负荷用户在每个调度时间尺度内愿意支付的保障费用Ccl和售电收益Csell作为微电网的额外收益。
式中:为调度周期内的分时电价;Pbuy为在分布式电源、储能和需求侧响应供应不足后向电网购买的功率。
式中:μf为微燃机发电成本;PFi,t为第i台机组在t时刻发出的功率。
式中:ksm储能的单位运行和维护成本;Pce,t、Pde,t分别为储能系统的充放电功率;储能电池的放电成本是充电成本的kd倍,但如果储能设备归微电网运营商所有,kd通常取1,储能电池的充放电成本相同。
式中:kESm为电力弹簧的单位运行和维护成本;ΔPESg,t为第g个ES在t时刻调节后的功率变化量。
式中:非关键负荷愿意牺牲自身的电压质量来换取一定的补贴收益,μES为微电网运营商为智能负荷用户支付的单位调节补贴;为ES调节时的反弹负荷量,这里采用通用的反弹负荷三阶段模型;a1、a2和a3分别为反弹负荷量在t-1、t-2和t-3区间的反弹系数。
式中:μkpy为运营商向可平移负荷支付的单位调控补贴;ΔPkpy,t为可平移负荷在调度时间尺度内接受的调控量。
式中:在微电网中,关键负荷有高电压质量要求,其除支付正常的电费之外,需额外支付电压质量保障费,μcl为用户在t时段愿意支付的单位保障费;Pcl,t为t时刻关键负荷的功率。
进一步地,所述步骤S6包括:
本发明采用列与约束生成算法进行求解,将原问题分解为主问题和子问题:
式中,是对子问题目标函数的预估值。子问题用于求解最恶劣场景下最低的运行成本,并将其对应的约束和决策变量返回到主问题当中,主问题用于求解当前得到的所有场景下的最优经济的机组容量配置方案。流程如下:
1)先设定松弛版本的主问题的目标函数值为整体模型函数值的下界:LB=-∞,子问题运行成本加上主问题投资成本部分为整体模型的上界:UB=+∞,迭代次数k=1;
2)随机给定一组不确定变量u的取值,作为初始最恶劣场景带入主问题计算出各机组的最大容量和最低成本值,LB更新为/>
3)将求解得到的主问题的决策变量代入子问题中,求解得到子问题的目标函数值和对应的不确定性变量的值,更新为/>更新上界为/>
4)算法的收敛域值为ε,为一个很小的数,当UB-LB≤ε时,停止迭代,返回目标函数的最优解和决策变量的取值;否则将子问题的割集返回到主问题当中进行迭代求解,即步骤2),直到算法收敛,得到经济性最优下的系统设备配置。
有益效果
与现有技术相比,本发明具有以下有益效果:
本发明提供了一种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,在考虑分布式电源出力间歇性和负荷预测不准确性的背景下引入电力弹簧装置和负荷需求侧响应的微网容量优化模型并进行分析可得:电力弹簧装置可以有效调控市场中不断产生的柔性负荷,根据风光出力大小向上向下地调节智能负荷功率;可平移负荷可以按照电源的出力大小改变负荷的工作时间。微电网系统中,在电力弹簧对智能负荷调度和可平移负荷的需求侧响应的配合下,可根据分布式电源的出力情况,有效调节系统内的负荷特性,改变传统的由用电侧决定发电侧的方式,更适用于具有间歇性和不确定性的风光发电形式。根据风光出力的情况,实时调整负荷特性,实现源-荷两侧的能量实时平衡。采用本文所提出方案的工作模式,可起到提高新能源消纳、降低系统的能量浪费率作用的同时能减少储能装置每个周期内的能量交换率,提高储能装置的使用寿命,进一步减少微电网系统的投资成本和运维成本,对新能源发电产业的发展具有重要参考意义。
附图说明
图1为计及电力弹簧与负荷需求响应的微电网容量双层优化模型,为主要示意图;
图2为B2B型电力弹簧结构及控制框图;
图3为含有B2B型ES的微电网结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。
本发明是采用如下技术方案实现的: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,由下列步骤实现:
S1:分析背靠背(B2B)型ES的拓扑结构和控制方式;
S2:构建含有B2B型ES的微电网系统结构图,并对微电网系统各模块进行建模;
S3:搭建不确定性模型,微电网的优化调度方案往往取决于预测的精度,然而微电网的运行过程中风光的随机波动性和负荷预测的不准确性,使得模型数据存在一定的误差。微电网运行过程若以确定模型进行优化,得到的结果往往过于冒险,因此本发明构建了源荷侧的盒式区间模型,具体包括如下步骤:
考虑源荷的不确定性,构建盒式区间模型:
式中,upv,t和uwt,t分别为光伏、风机出力和负荷功率实际值;upvc,t、uwtc,t和ulc,t为光伏、风机出力和负荷功率预测值;和/>分别为光伏、风机和负荷功率波动的最大值;Bpv,t、Bwt,t、Bl,t均是二进制变量,取1时相应时间段的不确定变量取到边界值。
式中τpv、τwt和τl为缩放比例,即不确定度,分别取0.1、0.1、0.15。
式中,Γ为不确定性调节参数,可控制模型的保守度,本发明中取24。
S4:构建微电网系统的外层优化模型,外层优化目标为整个系统的最小成本,具体为日投资成本和日运维成本最低,决策变量为系统容量和各设备台数,外层模型负责求解微电网系统容量规划问题。有具体以下约束条件:投资金额约束限制、由于场地和资金的限制,风光机组的装机数量限值约束、电量平衡约束,具体优化目标函数如下所示:
式中,Ci&o为系统总成本,Cinv为折算后的日投资成本,Cope为日运维成本。
Cinv=CDRE+CF+CESS+CES
由上式可知,日投资成本分别由不可控分布式电源、微型燃气轮机、储能电池和电力弹簧的日平均投资成本组成。
式中,ηDPV、ηDWT、ηDF、ηDESS、ηDES分别为光伏、风机、微燃机、储能电池和ES的等值日系数,d为折现率,y*代表设备的使用年限;ηPV、ηWT、ηF、ηES分别为光伏、风机、微燃机、和电力弹簧的单位容量成本;ηB、ηP为储能元件单位能量容量和单位功率容量成本;ηinv为储能元件的逆变器成本系数;NPV、NWT、NF、NESS和NES分别为光伏、风机、微燃机、储能元件和电力弹簧的数量;PPV-unit、PWT-unit、PF-unit、PES-unit分别为光伏、风机、微燃机和电力弹簧的额定功率;BESS、PESS为储能元件的额定容量和额定功率。
S5:构建微电网系统的内层优化模型,内层优化考虑了源荷两侧短时间预测的不准确性,采用盒式区间模型的方式来解决内层功率层面的运行问题。层优化的目标函数为整个调度周期内(24h)系统的运维成本最小,决策变量是各电源机组、储能系统在调度时间尺度内(1h)的实际出力情况。目标函数中分量包含购电成本、微型燃气轮机运行成本、储能系统充放电成本、电力弹簧的运行成本、智能负荷的调控补贴、可平移负荷的调节补贴、关键负荷的额外支出、售电收益。具体约束条件有:有功平衡约束、配电网交互、微型燃汽轮机的出力上下限和爬坡速度约束、光伏和风机的出力上下限和爬坡速度约束、储能约束、智能负荷约束、可平移负荷约束,具体内层优化模型如下所示:
Cope=Cbuy+Cf+Cess+Ces+Cncl+Ckpy-Ccl-Csell
式中,由购电成本Cbuy、购买燃料和燃气轮机运行费用Cf、储能设备Cess、电力弹簧的运行费用Ces、微电网向智能负荷用户和可平移负荷支付的调控补偿费用(Cncl、Ckpy)组成,关键负荷用户在每个调度时间尺度内愿意支付的保障费用Ccl和售电收益Csell作为微电网的额外收益。
式中:为调度周期内的分时电价;Pbuy为在分布式电源、储能和需求侧响应供应不足后向电网购买的功率。
式中:μf为微燃机发电成本;PFi,t为第i台机组在t时刻发出的功率。
式中:ksm储能的单位运行和维护成本;Pce,t、Pde,t分别为储能系统的充放电功率;储能电池的放电成本是充电成本的kd倍,但如果储能设备归微电网运营商所有,kd通常取1,储能电池的充放电成本相同。
式中:kESm为电力弹簧的单位运行和维护成本;ΔPESg,t为第g个ES在t时刻调节后的功率变化量。
式中:非关键负荷愿意牺牲自身的电压质量来换取一定的补贴收益,μES为微电网运营商为智能负荷用户支付的单位调节补贴;为ES调节时的反弹负荷量,这里采用通用的反弹负荷三阶段模型;a1、a2和a3分别为反弹负荷量在t-1、t-2和t-3区间的反弹系数。
式中:μkpy为运营商向可平移负荷支付的单位调控补贴;ΔPkpy,t为可平移负荷在调度时间尺度内接受的调控量。
式中:在微电网中,关键负荷有高电压质量要求,其除支付正常的电费之外,需额外支付电压质量保障费,μcl为用户在t时段愿意支付的单位保障费;Pcl,t为t时刻关键负荷的功率。
S6:将构建的原模型转换为主问题和子问题,采用列和约束生成算法C&CG(Columnand Constraint Generation Algorithm),对主问题和子问题进行交替迭代,直至算法收敛求解得到微电网目标函数的最优解和决策变量的取值,具体步骤如下:
式中,是对子问题目标函数的预估值。子问题用于求解最恶劣场景下最低的运行成本,并将其对应的约束和决策变量返回到主问题当中,主问题用于求解当前得到的所有场景下的最优经济的机组容量配置方案。流程如下:
1)先设定松弛版本的主问题的目标函数值为整体模型函数值的下界:LB=-∞,子问题运行成本加上主问题投资成本部分为整体模型的上界:UB=+∞,迭代次数k=1;
2)随机给定一组不确定变量u的取值,作为初始最恶劣场景带入主问题计算出各机组的最大容量和最低成本值,LB更新为/>
3)将求解得到的主问题的决策变量代入子问题中,求解得到子问题的目标函数值和对应的不确定性变量的值,更新为/>更新上界为/>
4)算法的收敛域值为ε,为一个很小的数,当UB-LB≤ε时,停止迭代,返回目标函数的最优解和决策变量的取值;否则将子问题的割集返回到主问题当中进行迭代求解,即步骤2),直到算法收敛,得到经济性最优下的系统设备配置。
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,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、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种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,其特征为:由下列步骤实现:
S1:分析背靠背(B2B)型ES的拓扑结构和控制方式;
S2:构建含有B2B型ES的微电网系统结构图,并对微电网系统各模块进行建模;
S3:搭建不确定性模型,微电网的优化调度方案往往取决于预测的精度,然而微电网的运行过程中风光的随机波动性和负荷预测的不准确性,使得模型数据存在一定的误差,微电网运行过程若以确定模型进行优化,得到的结果往往过于冒险,因此本发明构建了源荷侧的盒式区间模型;
S4:构建微电网系统的外层优化模型,外层优化目标为整个系统的最小成本,具体为日投资成本和日运维成本最低,决策变量为系统设备容量和各设备台数,外层模型负责求解微电网系统容量规划问题,有具体以下约束条件:投资金额约束限制、由于场地和资金的限制,风光机组的装机数量限值约束、电量平衡约束;
S5:构建微电网系统的内层优化模型,内层优化考虑了源荷两侧短时间预测的不准确性,采用盒式区间模型的方式来解决内层功率层面的运行问题;层优化的目标函数为整个调度周期内(24h)系统的运维成本最小,决策变量是各电源机组、储能系统在每个调度时间尺度内(1h)的实际出力情况;目标函数中分量包含购电成本、微型燃气轮机运行成本、储能系统充放电成本、电力弹簧的运行成本、智能负荷的调控补贴、可平移负荷的调节补贴、关键负荷的额外支出、售电收益;具体约束条件有:有功平衡约束、配电网交互、微型燃汽轮机的出力上下限和爬坡速度约束、光伏和风机的出力上下限和爬坡速度约束、储能约束、智能负荷约束、可平移负荷约束;
S6:将构建的原模型转换为主问题和子问题,采用列和约束生成算法C&CG(Column andConstraint Generation Algorithm),对主问题和子问题进行交替迭代,直至算法收敛求解得到微电网目标函数的最优解和决策变量的取值。
2.如权利要求1所述的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,其特征在于:本发明所述微电网系统由风机、光伏、微型燃气轮机、储能电池和电力弹簧组成。
3.如权利要求1所述的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,其特征在于:所述步骤S3中考虑源荷的不确定性,构建盒式区间模型,具体包括以下步骤:
式中,upv,t和uwt,t分别为光伏、风机出力和负荷功率实际值;upvc,t、uwtc,t和ulc,t为光伏、风机出力和负荷功率预测值;和/>分别为光伏、风机和负荷功率波动的最大值;Bpv,t、Bwt,t、Bl,t均是二进制变量,取1时相应时间段的不确定变量取到边界值;
式中τpv、τwt和τl为缩放比例,即不确定度,分别取0.1、0.1、0.15;
式中,Γ为不确定性调节参数,可控制模型的保守度,本发明中取24。
4.如权利要求1所述的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,其特征在于:所述步骤S4中,构建外层优化模型,具体优化目标函数如下所示:
式中,Ci&o为系统总成本,Cinv为折算后的日投资成本,Cope为日运维成本;
Cinv=CDRE+CF+CESS+CES
由上式可知,日投资成本分别由不可控分布式电源、微型燃气轮机、储能电池和电力弹簧的日平均投资成本组成;
式中,ηDPV、ηDWT、ηDF、ηDESS、ηDES分别为光伏、风机、微燃机、储能电池和ES的等值日系数,d为折现率,y*代表设备的使用年限;ηPV、ηWT、ηF、ηES分别为光伏、风机、微燃机、和电力弹簧的单位容量成本;ηB、ηP为储能元件单位能量容量和单位功率容量成本;ηinv为储能元件的逆变器成本系数;NPV、NWT、NF、NESS和NES分别为光伏、风机、微燃机、储能元件和电力弹簧的数量;PPV-unit、PWT-unit、PF-unit、PES-unit分别为光伏、风机、微燃机和电力弹簧的额定功率;BESS、PESS为储能元件的额定容量和额定功率。
5.如权利要求1所述的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,其特征在于:所述步骤S5中,构建内层优化模型,具体优化函数如下所示:
Cope=Cbuy+Cf+Cess+Ces+Cncl+Ckpy-Ccl-Csell
式中,由购电成本Cbuy、购买燃料和燃气轮机运行费用Cf、储能设备Cess、电力弹簧的运行费用Ces、微电网向智能负荷用户和可平移负荷支付的调控补偿费用(Cncl、Ckpy)组成,关键负荷用户在每个调度时间尺度内愿意支付的保障费用Ccl和售电收益Csell作为微电网的额外收益;
式中:λt buy为调度周期内的分时电价;Pbuy为在分布式电源、储能和需求侧响应供应不足后向电网购买的功率;
式中:μf为微燃机发电成本;PFi,t为第i台机组在t时刻发出的功率;
式中:ksm储能的单位运行和维护成本;Pce,t、Pde,t分别为储能系统的充放电功率;储能电池的放电成本是充电成本的kd倍,但如果储能设备归微电网运营商所有,kd通常取1,储能电池的充放电成本相同;
式中:kESm为电力弹簧的单位运行和维护成本;ΔPESg,t为第g个ES在t时刻调节后的功率变化量;
式中:非关键负荷愿意牺牲自身的电压质量来换取一定的补贴收益,μES为微电网运营商为智能负荷用户支付的单位调节补贴;为ES调节时的反弹负荷量,这里采用通用的反弹负荷三阶段模型;a1、a2和a3分别为反弹负荷量在t-1、t-2和t-3区间的反弹系数;
式中:μkpy为运营商向可平移负荷支付的单位调控补贴;ΔPkpy,t为可平移负荷在调度时间尺度内接受的调控量;
式中:在微电网中,关键负荷有高电压质量要求,其除支付正常的电费之外,需额外支付电压质量保障费,μcl为用户在t时段愿意支付的单位保障费;Pcl,t为t时刻关键负荷的功率。
6.如权利要求1所述的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,其特征在于:所述步骤S6中,采用列与约束生成算法进行求解,将原问题分解为主问题和子问题:
式中,是对子问题目标函数的预估值;子问题用于求解最恶劣场景下最低的运行成本,并将其对应的约束和决策变量返回到主问题当中,主问题用于求解当前得到的所有场景下的最优经济的机组容量配置方案,流程如下:
1)先设定松弛版本的主问题的目标函数值为整体模型函数值的下界:LB=-∞,子问题运行成本加上主问题投资成本部分为整体模型的上界:UB=+∞,迭代次数k=1;
2)随机给定一组不确定变量u的取值,作为初始最恶劣场景带入主问题计算出各机组的最大容量和最低成本值,LB更新为/>
3)将求解得到的主问题的决策变量代入子问题中,求解得到子问题的目标函数值和对应的不确定性变量的值,更新为/>更新上界为/>
4)算法的收敛域值为ε,为一个很小的数,当UB-LB≤ε时,停止迭代,返回目标函数的最优解和决策变量的取值;否则将子问题的割集返回到主问题当中进行迭代求解,即步骤2),直到算法收敛,得到经济性最优下的系统设备配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931201.2A CN116961008A (zh) | 2023-07-26 | 2023-07-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931201.2A CN116961008A (zh) | 2023-07-26 | 2023-07-26 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116961008A true CN116961008A (zh) | 2023-10-27 |
Family
ID=88456212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310931201.2A Pending CN116961008A (zh) | 2023-07-26 | 2023-07-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116961008A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332997A (zh) * | 2023-12-01 | 2024-01-02 | 国网江苏省电力有限公司经济技术研究院 | 一种综合能源系统低碳优化调度方法、装置及设备 |
-
2023
- 2023-07-26 CN CN202310931201.2A patent/CN116961008A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332997A (zh) * | 2023-12-01 | 2024-01-02 | 国网江苏省电力有限公司经济技术研究院 | 一种综合能源系统低碳优化调度方法、装置及设备 |
CN117332997B (zh) * | 2023-12-01 | 2024-02-23 | 国网江苏省电力有限公司经济技术研究院 | 一种综合能源系统低碳优化调度方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousri et al. | Integrated model for optimal energy management and demand response of microgrids considering hybrid hydrogen-battery storage systems | |
Li et al. | Improving wind power integration by regenerative electric boiler and battery energy storage device | |
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 | |
CN104881716A (zh) | 一种微电网电源的优化规划及评估方法 | |
CN111009895B (zh) | 一种微网优化调度方法、系统以及设备 | |
CN114707403B (zh) | 基于抽水蓄能调节的地区配电网多能源协调优化调度方法 | |
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 | |
CN113794244B (zh) | 含多微网主动配电系统的定价与最优能量调度方法和系统 | |
CN113241757A (zh) | 一种考虑柔性负荷与ess-sop的多时间尺度优化调度方法 | |
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 | |
CN115912419A (zh) | 一种基于负荷聚合商的储热-储电协同调度方法 | |
CN113746105B (zh) | 电力需求响应的优化控制方法、装置、设备和存储介质 | |
Fiorotti et al. | A novel strategy for simultaneous active/reactive power design and management using artificial intelligence techniques | |
Zhang et al. | Optimized scheduling model for isolated microgrid of wind-photovoltaic-thermal-energy storage system with demand response | |
Elazab et al. | Optimal techno-economic feasibility analysis of a grid-tied microgrid considering demand response strategy | |
Tian et al. | Coordinated RES and ESS Planning Framework Considering Financial Incentives Within Centralized Electricity Market | |
CN112350435A (zh) | 一种基于微电网群和电力可控负荷的虚拟电厂管控装置 | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
CN113158412B (zh) | 一种基于布谷鸟算法的光储电站协同优化方法 | |
Dorahaki et al. | Smart grids and building energy flexibility | |
Liu et al. | Hierarchical optimal dispatching strategy for microgrid system considering user-side resources | |
Qian et al. | Low carbon optimization dispatching of energy intensive industrial park based on adaptive stepped demand response incentive mechanism | |
Atif et al. | Solar power smoothing using battery energy storage system through fuzzy filtration technique | |
CN118137477B (zh) | 考虑通信基站和电能传输阻塞的多能系统配置方法及系统 | |
Ma et al. | Cooperative scheduling strategy of distributed energy storage system in regional grid with high proportion of renewable energy |
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 |