CN116961044A - 基于模糊机会约束规划广义共享储能优化配置方法及系统 - Google Patents
基于模糊机会约束规划广义共享储能优化配置方法及系统 Download PDFInfo
- Publication number
- CN116961044A CN116961044A CN202310940622.1A CN202310940622A CN116961044A CN 116961044 A CN116961044 A CN 116961044A CN 202310940622 A CN202310940622 A CN 202310940622A CN 116961044 A CN116961044 A CN 116961044A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- model
- user
- generalized
- cost
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000005457 optimization Methods 0.000 title claims abstract description 71
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000004378 air conditioning Methods 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims description 45
- 238000004220 aggregation Methods 0.000 claims description 45
- 230000008901 benefit Effects 0.000 claims description 36
- 239000000178 monomer Substances 0.000 claims description 29
- 230000003993 interaction Effects 0.000 claims description 27
- 238000007599 discharging Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000006116 polymerization reaction Methods 0.000 claims description 9
- 230000000379 polymerizing effect Effects 0.000 claims description 6
- 241001274216 Naso Species 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000005059 dormancy Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 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
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000008054 signal transmission 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于模糊机会约束规划广义共享储能优化配置方法及系统,涉及电力技术领域,考虑多种广义储能资源的运行特性,分别对其进行储能建模,其中基站储能模型需考虑通信负载通信质量和基站供电可靠性,空调模型需考虑用户舒适度,电动汽车充电站模型需考虑用户行车特性,实现对于现有大量闲置多能广义储能资源的充分挖掘,本发明设计考虑多重不确定性的广义共享储能优化配置模型。共享储能运营商与用户群通过让渡储能使用权形成合作联盟,基于纳什议价理论将广义共享储能优化配置模型分解为联盟用能成本最小化和内部支付议价两个子问题;基于确定性模型,利用模糊机会约束规划理论量化用户群源荷出力和虚拟储能参数不确定性带来的风险。
Description
技术领域
本发明涉及电力技术领域,具体的是基于模糊机会约束规划广义共享储能优化配置方法及系统。
背景技术
目前,关于共享储能优化配置的研究尚存在发展壁垒,一方面,现有研究中关于共享储能的资源配置仅考虑投资建设常规的集中式储能或租赁常规分布式储能,未考虑到用户侧闲置的广义分布式储能资源整合后的优势;另一方面,目前共享储能优化配置的研究较少考虑到用户需求的不确定性,同时,引入上述广义储能资源势必导致原本为定参数的储能设备具有时变特性,最终将导致共享储能供应方和需求方均存在不确定性,如何量化多重不确定性影响、并基于此优化定制储能规模也是尚待解决的重难点。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供基于模糊机会约束规划广义共享储能优化配置方法及系统,从共享储能运营商SESO的角度出发,通过建设集中式储能,并租赁基站备用储能、空调、电动汽车充电站、常规分布式储能等广义储能资源,实现共享储能运营商的经济性最优配置目标,并利用模糊机会约束规划理论量化用户需求、虚拟储能可调潜力预测不确定性对配置方案的影响。
本发明的目的可以通过以下技术方案实现:基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,方法包括以下步骤:
接收多种广义储能资源,将多种广义储能资源的运行特性输入至预先建立广义储能通用模型内,得到多种广义储能的单体模型,其中,多种广义储能资源包括基站备用储能、空调、电动汽车充电站和常规储能;
将多种广义储能的单体模型进行聚合,得到广义共享储能资源聚合模型;
接收共享储能运营商的年固定投入成本、年可变运行净收益,并结合广义共享储能资源聚合模型约束,输入至预先建立的共享储能运营商优化配置模型内,得到一级模型;
接收用户的交互费用,结合现有电网约束输入至预先建立的用户优化运行模型内,得到二级模型;
根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型;
接收用户内部用户的风电、光伏、负荷的不确定性信息及空调、电动汽车充电站虚拟储能聚合模型充放电功率限值的不确定性信息,输入至广义共享储能优化配置模型内,得到三级模型;
根据模糊机会约束规划理论对三级模型进行转化求解,得到考虑多重不确定性的广义共享储能优化配置模型,利用考虑多重不确定性的广义共享储能优化配置模型输出广义共享储能优化配置结果。
优选地,所述多种广义储能资源的运行特性包括:
基站储能模型需考虑通信负载通信质量和基站供电可靠性,空调模型需考虑用户舒适度,电动汽车充电站模型需考虑用户行车特性。
优选地,所述共享储能运营商优化配置模型的目标函数如下:
以实现SESO年净收益最大化为目标,包括年固定投入成本和年可变运行净收益,其中,年可变运行净收益中考虑以天为优化周期;
maxRSES=[freven(X2)-fcost(X1)]
式中,RSES为SESO年净收益;fcost(X1)为SESO年固定投入成本;freven(X2)为SESO年可变运行净收益;X1、X2为决策变量。
优选地,所述共享储能运营商优化配置模型包括的年固定投入成本有:集中式储能的配置成本、广义储能资源的年度固定租赁成本;包括的年可变运行净收益有:广义储能资源的变动补偿成本、与上级配电网交互费用、储能使用权交互费用、网络传输费用。:
优选地,所述共享储能运营商优化配置模型的约束条件包括:功率平衡约束、集中式储能聚合模型约束条件、虚拟储能约束和储能容量始末约束。
优选地,所述用户优化运行模型的目标函数如下:
式中,fi为用户i年用能成本;Cpva,i,s为第s个典型日下用户i与上级配电网交互费用;Crent,i,s为第s个典型日下用户i向SESO购买储能使用权的交互费用;CNET,i,s为第s个典型日下用户i与SESO进行能量传输需支付的网络传输费用。
优选地,所述用户优化运行模型所包括的费用有:用户与上级配电网的交互费用、用户向SESO租赁储能使用权的交互费用、网络传输费用。
所述用户优化运行模型的约束条件包括功率平衡约束和从电网购售电约束。
优选地,所述根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型的过程如下:
式中,分别为SESO和用户i的谈判破裂点,取未参与共享储能模式时SESO年净收益和用户i的年用能成本作为谈判破裂点,/> 分别为SESO和用户i参与共享储能后的效益提升量;
由于纳什议价模型为非凸非线性优化问题,无法对模型直接进行求解,将其等价转换为联盟用能成本最小化和内部支付议价两个子问题进行求解,其中,子问题1用于求解SESO的储能最优配置方案、SESO与各用户的储能使用权交互量;子问题2用于求解SESO与各用户的储能使用权交互费用;
(1)子问题1:联盟用能成本最小化
根据均值不等式求最值可知:对于任意r1,r2,…,rN为非负数时,当r1=r2=…=rN时,不等式取等号,故当纳什议价模型取最大值时,满足如下约束:
由于且谈判破裂点下/>上式可转化为:
则SESO与用户群的纳什议价合作配置模型的目标函数可等价为:
由于为常数,且ln函数为单调递增函数,则上式可进一步转化为:
定义ZUSES,i、ZUSES,i,分别表示不计及内部储能使用权支付时SESO的年净收益和用户i的年用能成本:
将定义式代入得到子问题1的目标函数:
(2)子问题2:内部支付议价
基于子问题1中各用户与SESO间充放电量的求解结果,计算各用户对联盟的贡献度,为议价能力,SESO与各用户的议价能力之和满足:
则用户i的议价能力为:
式中,ηi,s为第s个典型日下用户i的议价能力,反映用户的贡献度,用户与SESO的交互量越多,对联盟和社会福利的贡献越大;ηSES,s为第s个典型日下SESO的议价能力,与市场竞争情况以及SESO的偏好有关;
基于子问题1求得的最优解和/>带入含议价能力的纳什议价模型,可得:
上式取对数后得到子问题2:
通过求解子问题2可得到SESO与各用户间的储能使用权交互费用,进而得到SESO的年净收益与各用户的年用能成本。
优选地,所述考虑多重不确定性的广义共享储能优化配置模型包括:
(1)用户风电、光伏、负荷相关模糊机会约束
当置信度β1≥0.5时,其清晰等价类为:
式中,β1为风电、光伏、负荷不确定性对应的置信度;分别为对应模糊变量的预测值,{ωload,3,ωload,4}、{ωWT,1,ωWT,2}、{ωPV,1,ωPV,2,}分别为对应模糊变量梯形隶属度的比例系数;
(2)虚拟储能参数相关模糊机会约束
当置信度β2≥0.5,β3≥0.5时,其清晰等价类为:
式中,β2、β3分别为空调、电动汽车虚拟储能聚合模型不确定性对应的置信度;分别为对应模糊变量的预测值,{ωFTCL,1,ωFTCL,2}、{ωEVCS,1,ωEVCS,2}分别为对应模糊变量梯形隶属度的比例系数。
第二方面,为了达到上述目的,本发明公开了基于模糊机会约束规划广义共享储能优化配置系统,包括:
接收模块:用于接收多种广义储能资源,将多种广义储能资源的运行特性输入至预先建立广义储能通用模型内,得到多种广义储能的单体模型,其中,多种广义储能资源包括基站备用储能、空调、电动汽车充电站和常规储能;
聚合模块:用于将多种广义储能的单体模型进行聚合,得到广义共享储能资源聚合模型;
一级输入模块:用于接收共享储能运营商的年固定投入成本、年可变运行净收益,并结合广义共享储能资源聚合模型约束,输入至预先建立的共享储能运营商优化配置模型内,得到一级模型;
二级输入模块:用于接收用户的交互费用,结合现有电网约束输入至预先建立的用户优化运行模型内,得到二级模型;
输出求解模块:用于根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型;
三级输入模块:用于接收用户内部用户的风电、光伏、负荷的不确定性信息及空调和电动汽车充电站虚拟储能聚合模型的充放电功率限值的不确定性信息,输入至广义共享储能优化配置模型内,得到三级模型;
优化配置模块:用于根据模糊机会约束规划理论对三级模型进行转化求解,得到考虑多重不确定性的广义共享储能优化配置模型,利用考虑多重不确定性的广义共享储能优化配置模型输出广义共享储能优化配置结果。
本发明的有益效果:
本发明考虑多种广义储能资源的运行特性,分别对其进行储能建模,其中基站储能模型需考虑通信负载通信质量和基站供电可靠性,空调模型需考虑用户舒适度,电动汽车充电站模型需考虑用户行车特性,实现对于现有大量闲置多能广义储能资源的充分挖掘,本发明设计考虑多重不确定性的广义共享储能优化配置模型。共享储能运营商与用户群通过让渡储能使用权形成合作联盟,基于纳什议价理论将广义共享储能优化配置模型分解为联盟用能成本最小化和内部支付议价两个子问题;基于确定性模型,利用模糊机会约束规划理论量化用户群源荷出力和虚拟储能参数不确定性带来的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;
图1是本发明方法流程示意图;
图2是本发明系统结构示意图。
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、完整地描述,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,方法包括以下步骤:
接收多种广义储能资源,将多种广义储能资源的运行特性输入至预先建立广义储能通用模型内,得到多种广义储能的单体模型,其中,多种广义储能资源包括基站备用储能、空调、电动汽车充电站和常规储能;
将多种广义储能的单体模型进行聚合,得到广义共享储能资源聚合模型;
接收共享储能运营商的年固定投入成本、年可变运行净收益,并结合广义共享储能资源聚合模型约束,输入至预先建立的共享储能运营商优化配置模型内,得到一级模型;
接收用户的交互费用,结合现有电网约束输入至预先建立的用户优化运行模型内,得到二级模型;
根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型;
接收用户内部用户的风电、光伏、负荷的不确定性信息及空调、电动汽车充电站虚拟储能聚合模型充放电功率限值的不确定性信息,输入至广义共享储能优化配置模型内,得到三级模型;
根据模糊机会约束规划理论对三级模型进行转化求解,得到考虑多重不确定性的广义共享储能优化配置模型,利用考虑多重不确定性的广义共享储能优化配置模型输出储能优化配置结果。
需要进一步进行说明的是,在具体实施过程中,步骤一:建立广义储能模型
A、基站储能建模
为充分挖掘基站备用储能的可调潜力,设计基于休眠技术的基站备用储能可调容量计算方法。
(1)单个基站业务流量与功耗模型
考虑某区域内建设有MBS个通信基站,NBS个通信用户;通信基站的集合为BBS={1,2,…,MBS},通信用户的集合为UBS={1,2,…,NBS}。
1)业务模型
设定区域内基站的业务量相互独立且呈周期性变化,单个基站的业务量模型如下:
LBS,m(t)=aL,m+bL,msin(ωL,mt)+cL,mcos(ωLt)
式中,LBS,m(t)为t时段单个基站的业务量;aL,m、bL,m、cL,m、ωL,m是基站业务量相关参数,通过调整上述参数获得不同基站的业务量模型。
2)功耗模型
基站功耗包括静态功耗和动态功耗,动态功耗与实时业务量相关,基站功耗模型:
式中,为基站m的功耗;νm为基站m的工作状态,1为活跃状态,0为休眠状态;/>为基站m处于活跃状态时的静态功耗;/>为基站m的最大发射功率,αb为功耗与业务量的线性系数;/>为t时处于活跃状态的基站动态功耗;/>为基站m处于休眠状态时的功耗。
(2)基站休眠模型
1)用户关联
定义:用户与基站间的关联矩阵xmn为基站m与用户n的关联关系,xmn=1表示用户n连接到基站m,否则为0。
2)基站m与用户n的信干噪比为:
式中,SINRmn为基站m与用户n间的信干噪比;ploss,mn为基站m与用户n之间的传输损耗,PTR,mn为基站m向用户n的发射功率;ploss,mnPTR,mn为用户n接收来自基站m的功率;ploss, jnPTR,jn为用户n接收来自基站j的干扰功率;σ2为噪声功率;εBS为信号传播衰落系数;dmn为基站m与用户n之间的距离;αBS为路径损耗系数。
3)传输速率与通信质量
传输速率:
Rmn=Blog2(1+SINRmn)
通信质量约束:
SINRmn≥xmnΛth或
式中,Rmn为基站m与用户n间的信号传输速率;B为系统带宽;为最小传输速率限制;Λth为最小信干噪比限制。当满足通信质量要求时,用户可连接到相应基站。
(3)考虑备用需求和休眠策略的通信基站备用储能模型
式中,为基站m所能服务的最大用户数;C1为基站工作状态及基站与用户关联情况;C2保证用户至多只与一个基站进行关联;C3保证基站服务的用户数不超过基站承载上限;C4保证用户关联的基站为非休眠状态;C5保证用户通信质量;C6保证用户的中断概率小于ζout;C7保证基站备用需求;/>为基站储能额定容量。
(4)通信基站备用储能单体模型如下:
充放电功率约束:
电池容量约束:
式中,为t时段基站m备用储能的剩余电量;/>分别为t时段基站m备用储能的充放电功率;/>为基站m储能设备储电量上下限;/>分别为基站m备用储能充放电效率;/>表示基站m备用储能充放电功率上下限;/>分别为t时段基站m备用储能充放电状态,为布尔变量。
(5)通信基站备用储能聚合模型如下:
令可得:
参数计算方式如下:
式中,EBSESs(t)为t时段基站储能聚合模型的剩余电量;分别为t时段基站储能聚合模型的充放电功率;/>分别为基站储能聚合模型的储电量上下限;/>分别为基站储能聚合模型的充放电效率,取基站储能群的充放电效率均值;/>分别为基站储能聚合模型的充放电功率上下限;分别为基站储能聚合模型的充放电状态,为布尔变量。
B、空调虚拟储能建模
(1)FTCL连续性模型
0≤Pj,cont(t)≤Pj,rated
式中,Pj,cont(t)为FTCL连续模型的用电功率;Cj,a、Rj,a分别为空调j的房间等效热容和等效热阻;Tj,in(t)、Tj,out(t)分别为t时段空调j的房间室内外温度;COPj为空调j的能效比;Pj,rated为空调j的额定功率。
Tj,set为空调j设定温度,δj为空调j运行的温度死区宽度;Tj,max、Tj,min分别为空调j正常运行时室内温度上下限。
(2)FTCL的基线功率
当没有外部控制信号时,FTCL工作温度为Tj,set,对应的基线功率Pj,base如下:
式中,Pj,base为空调j的基线功率。
(3)FTCL虚拟储能单体模型
将Pj,cont(t)与Pj,base的差值定义为FTCL虚拟储能模型的充放电功率,并将虚拟储能模型的储电量额定容量/>定义如下:
推导得到FTCL虚拟储能模型如下:
参数计算方式如下:
式中,为FTCL虚拟储能j单体模型的额定容量;/>为t时段FTCL虚拟储能j单体模型的剩余电量;/>分别为t时段FTCL虚拟储能j单体模型的充放电功率,均为正值;/>为FTCL虚拟储能j单体模型储电量上限;/>分别为FTCL虚拟储能j单体模型充放电功率上限;/>分别为FTCL虚拟储能j单体模型的充放电状态,均为布尔变量;/>分别为FTCL虚拟储能j单体模型相关转换参数。
(4)FTCL虚拟储能聚合模型
为表示聚合后的空调虚拟储能模型,进行如下操作:
定义FTCL虚拟储能聚合模型的储电量、额定容量和充放电功率:
综上,FTCLs虚拟储能聚合模型可改写如下:
参数计算方式如下:
式中,为FTCL虚拟储能聚合模型的额定容量;EFTCLs(t)为FTCL虚拟储能聚合模型在t时段的剩余电量;/>分别为FTCL虚拟储能聚合模型在t时段的充放电功率;/>为FTCL虚拟储能聚合模型储电量上限;/> 分别为FTCL虚拟储能聚合模型充放电功率上下限;/>分别为FTCL虚拟储能聚合模型的充放电状态,均为布尔变量;NFTCL为FTCL虚拟储能总数量;αFTCLs、γFTCLs分别为FTCL虚拟储能聚合模型的相关转换参数。
C、电动汽车充电站虚拟储能建模
(1)电动汽车虚拟储能单体模型
/>
式中,分别为电动汽车的充电、放电功率;/>为电动汽车到达充电站的时段;/>为电动汽车预期离开充电站的时段。
式中,XEV(t)为电动汽车在t时段的并网状态,即是否在充电站内。
各参数具体计算方式如下:
式中,为t时段电动汽车j虚拟储能单体模型的剩余电量;/>分别为t时段电动汽车j虚拟储能单体模型的充放电功率;/>为t时段电动汽车j虚拟储能单体模型储电量上下限;/>分别为t时段电动汽车j虚拟储能单体模型充放电功率的上下限;/>为t时段因电动汽车j并网状态发生变化导致充电站发生的电量变化量;/>分别为电动汽车j到达和离开充电站时的剩余电量;分别为t时段电动汽车储电量上下限;/>分别为t时段电动汽车充放电功率上限。
(2)电动汽车充电站虚拟储能模型
电动汽车充电站(Electric vehicles charging stations,EVCS)作为电动汽车的天然聚合控制器,其储能模型时段耦合约束与电动汽车群参数相关性如下:
本文为方便研究,仅考虑单个EVCS的建模。因此,将EVCS虚拟储能模型的储电量EEVCS(t)、额定容量和充放电功率/>定义如下:
利用闵可夫斯基和将单体模型的约束空间映射到聚合模型的约束空间,消去各电动汽车变量的细节。单个EVCS虚拟储能聚合模型如下:
参数计算方式如下:
式中,EEVCS(t)、分别为t时段EVCS虚拟储能模型的剩余电量和充放电功率;/>为t时段EVCS虚拟储能模型的储电量上下限;分别为t时段EVCS虚拟储能模型的充放电功率上下限;ΔEEVCS(t)为t时段因电动汽车并网状态发生变化导致EVCS发生的电量变化量;/>分别为EVCS虚拟储能模型的充放电效率,取电动汽车群的充放电效率均值;NEV为EVCS在全调度周期内电动汽车集群数量;/>分别为t时段EVCS虚拟储能模型的充放电状态,为布尔变量。
D、常规储能建模
常规集中式储能和分布式储能的单体模型与聚合模型一致,均如下所示:
式中,EESs(t)、/>为常规储能模型参数。
步骤二:建立共享储能运营商优化配置模型
(1)目标函数
以实现SESO年净收益最大化为目标,包括年固定投入成本和年可变运行净收益。其中,年可变运行净收益中考虑以天为优化周期。
maxRSES=[freven(X2)-fcost(X1)]
式中,RSES为SESO年净收益;fcost(X1)为SESO年固定投入成本;freven(X2)为SESO年可变运行净收益;X1、X2为决策变量。
1)年固定投入成本:
式中,CCES为集中式储能的配置成本;CBSES、CFTCL、CEVCS、CDES分别为基站储能、空调、电动汽车充电站和分布式储能的年度固定租赁成本;决策变量X1包括集中式储能的配置功率与容量/>
集中式储能的配置成本:
CCES=Cinv+Cop
式中,Cinv为等年值初始投资成本;Cop为年运行维护成本。
式中,Ln为等年值转换系数;lCES为储能的寿命年限;d表示折现率;cpinv、ceinv分别表示集中式储能的单位功率和单位容量建设成本;cCop表示集中式储能单位功率的年化运维成本。
广义储能资源的年度固定租赁成本:
式中,cBSES、cFTCL、cEVCS、cDES分别为基站储能、空调、电动汽车充电站、分布式储能单位容量的年均固定租赁成本系数;分别为各广义储能的租赁容量上限。
2)年可变运行净收益
式中,S为典型日个数,s代表第s个典型日,Ts为每种典型日的天数;Rpva,s为第s个典型日下SESO与电网交互产生的总费用;Rrent,s为第s个典型日下SESO与用户群间的储能使用权交互费用;CVES,D,s为第s个典型日下基站储能、空调、电动汽车充电站和分布式储能的变动补偿成本之和;CNET,s为第s个典型日下的网络传输费用。
决策变量X2包括第s个典型日下的t时段集中式储能充放电功率 基站储能聚合模型的充放电功率/>空调虚拟储能聚合模型的充放电功率电动汽车充电站虚拟储能聚合模型的充放电功率/>分布式储能聚合模型的充放电功率/>SESO向电网购买和出售的功率/>
广义储能资源的变动补偿成本:
CVES,D,s=CBSES,D,s+CFTCL,D,s+CEVCS,D,s+CDES,D,s
式中,T为一个优化周期,取24h,Δt为单位时段,取1h;CBSES,D,s、CFTCL,D,s、CEVCS,D,s、CDES,D,s分别为第s个典型日下基站备用储能、空调、电动汽车充电站和分布式储能的变动补偿成本,依据经验认为其与调用量成二次函数关系;aD1、aD2、aD3、aD4和bD1、bD2、bD3、bD4分别为各广义储能资源变动补偿成本的一次项、二次项系数。
与上级配电网交互费用:
式中,分别为向电网购电和售电电价,售电电价取上网电价。
储能使用权交互费用:
用户需向SESO支付租赁费从而获得储能使用权,期间还可进行电量交易,综合考虑下得到储能使用权交互费用:
式中,NUSES为具有储能充放电需求的用户总数;分别为第s个典型日下的t时段用户i购买储能使用权后的充放电功率,也即充电需求和放电需求;ps,t,s、pb,t ,s分别为第s个典型日下的t时段用户向SESO售电和购电电价,应介于电网购售电价格之间;vrent,t,s为第s个典型日下的t时段储能使用权租赁单价。
网络传输费用:
式中,cnet为网络传输费用单价,由配电网运营商核定后下发给用户和SESO。
(2)约束条件
1)功率平衡约束:
2)集中式储能聚合模型约束:
/>
集中式储能还需增加储能倍率约束:
式中,kmin、kmax分别为第s个典型日下的t时段集中式储能的剩余电量和最大、最小允许荷电状态系数;/>分别为集中式储能的充放电效率;/>分别为第s个典型日下的t时段集中式储能的充放电状态;βpe为储能能量倍率。
3)前文中的虚拟储能约束
4)储能容量始末约束
式中, 分别为第s个典型日下各广义储能资源在末时段T和初始时刻的剩余电量。
步骤三:建立用户优化运行模型
(1)目标函数
假设用户i存在光伏、风电和负荷,期望年用能总成本最低,则目标函数如下:
式中,fi为用户i年用能成本;Cpva,i,s为第s个典型日下用户i与上级配电网交互费用;Crent,i,s为第s个典型日下用户i向SESO购买储能使用权的交互费用;CNET,i,s为第s个典型日下用户i与SESO进行能量传输需支付的网络传输费用。
用户与上级配电网的交互费用:
式中,分别为第s个典型日下的t时段用户i向电网购电功率、售电功率。
用户向SESO租赁储能使用权的交互费用:
网络传输费用:
(2)约束条件
1)功率平衡约束:
/>
式中,分别为第s个典型日下的t时段用户i的风电、光伏出力和负荷。
2)从电网购售电约束:
式中,分别为第s个典型日下的t时段用户i与电网进行购售电的状态位,均为布尔变量;/>为用户i与电网购售电功率上限。
步骤四:建立基于纳什议价理论的广义共享储能优化配置模型
式中,分别为SESO和用户i的谈判破裂点,本文取未参与共享储能模式时SESO年净收益和用户i的年用能成本作为谈判破裂点,/>
由于纳什议价模型为非凸非线性优化问题,无法对模型直接进行求解,将其等价转换为联盟用能成本最小化和内部支付议价两个子问题进行求解。
(1)子问题1:联盟用能成本最小化
根据均值不等式求最值可知:对于任意r1,r2,…,rN为非负数时,当r1=r2=…=rN时,不等式取等号。故当纳什议价模型取最大值时,满足如下约束:
由于且谈判破裂点下/>
则SESO与用户群的纳什议价合作配置模型的目标函数可等价为:
由于为常数,且ln函数为单调递增函数,则上式可进一步转化为:
定义ZUSES,i、ZUSES,i,分别表示不计及内部储能使用权支付时SESO的年净收益和用户i的年用能成本:
将定义式代入得到子问题1的目标函数:
(2)子问题2:内部支付议价
基于子问题1中各用户与SESO间充放电量的求解结果,计算各用户对联盟的贡献度,即议价能力。SESO与各用户的议价能力之和满足:
则用户i的议价能力为:
式中,ηi,s为第s个典型日下用户i的议价能力,反映用户的贡献度,用户与SESO的交互量越多,对联盟和社会福利的贡献越大;ηSES,s为第s个典型日下SESO的议价能力,与市场竞争情况以及SESO的偏好有关。
基于子问题1求得的最优解和/>带入含议价能力的纳什议价模型,可得:
上式取对数后得到子问题2:
通过求解子问题2可得到SESO与各用户间的储能使用权交互费用,进而得到SESO的年净收益与各用户的年用能成本。
步骤五:建立考虑多重不确定性的广义共享储能优化配置模型
考虑多重不确定性因素带来的影响,一是用户内部用户的风电、光伏、负荷的不确定性;二是空调和电动汽车充电站虚拟储能聚合模型充放电功率限值的不确定性。采用梯形隶属度参数对涉及到的不确定性变量进行表述。
(1)用户风电、光伏、负荷相关模糊机会约束
当置信度β1≥0.5时,其清晰等价类为:
/>
式中,β1为风电、光伏、负荷不确定性对应的置信度;分别为对应模糊变量的预测值,{ωload,3,ωload,4}、{ωWT,1,ωWT,2}、{ωPV,1,ωPV,2,}分别为对应模糊变量梯形隶属度的比例系数。
(2)虚拟储能参数相关模糊机会约束
当置信度β2≥0.5,β3≥0.5时,其清晰等价类为:
式中,β2、β3分别为空调、电动汽车虚拟储能聚合模型不确定性对应的置信度;分别为对应模糊变量的预测值,{ωFTCL,1,ωFTCL,2}、{ωEVCS,1,ωEVCS,2}分别为对应模糊变量梯形隶属度的比例系数。
在另一方面,如图2所示,本发明还公开了基于模糊机会约束规划广义共享储能优化配置系统,包括:
接收模块:用于接收多种广义储能资源,将多种广义储能资源的运行特性输入至预先建立广义储能通用模型内,得到多种广义储能的单体模型,其中,多种广义储能资源包括基站备用储能、空调、电动汽车充电站和常规储能;
聚合模块:用于将多种广义储能的单体模型进行聚合,得到广义共享储能资源聚合模型;
一级输入模块:用于接收共享储能运营商的年固定投入成本、年可变运行净收益,并结合广义共享储能资源聚合模型约束,输入至预先建立的共享储能运营商优化配置模型内,得到一级模型;
二级输入模块:用于接收用户的交互费用,结合现有电网约束输入至预先建立的用户优化运行模型内,得到二级模型;
输出求解模块:用于根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型;
三级输入模块:用于接收用户内部用户的风电、光伏、负荷的不确定性信息及空调和电动汽车充电站虚拟储能聚合模型的充放电功率限值的不确定性信息,输入至广义共享储能优化配置模型内,得到三级模型;
优化配置模块:用于根据模糊机会约束规划理论对三级模型进行转化求解,得到考虑多重不确定性的广义共享储能优化配置模型,利用考虑多重不确定性的广义共享储能优化配置模型输出广义共享储能优化配置结果。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解,本公开不受上述实施例的限制,上述实施例和说明书中描述的只是说明本公开的原理,在不脱离本公开精神和范围的前提下,本公开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公开范围内容。
Claims (9)
1.基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,方法包括以下步骤:
接收多种广义储能资源,将多种广义储能资源的运行特性输入至预先建立广义储能通用模型内,得到多种广义储能的单体模型,其中,多种广义储能资源包括基站备用储能、空调、电动汽车充电站和常规储能;
将多种广义储能的单体模型进行聚合,得到广义共享储能资源聚合模型;
接收共享储能运营商的年固定投入成本、年可变运行净收益,并结合广义共享储能资源聚合模型约束,输入至预先建立的共享储能运营商优化配置模型内,得到一级模型;
接收用户的交互费用,结合现有电网约束,输入至预先建立的用户优化运行模型内,得到二级模型;
根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型;
接收用户内部用户的风电、光伏、负荷的不确定性信息及空调、电动汽车充电站虚拟储能聚合模型充放电功率限值的不确定性信息,输入至广义共享储能优化配置模型内,得到三级模型;
根据模糊机会约束规划理论对三级模型进行转化求解,得到考虑多重不确定性的广义共享储能优化配置模型,利用考虑多重不确定性的广义共享储能优化配置模型输出广义共享储能优化配置结果。
2.根据权利要求1所述的基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,所述多种广义储能资源的运行特性包括:基站储能模型需考虑通信负载通信质量和基站供电可靠性,空调模型需考虑用户舒适度,电动汽车充电站模型需考虑用户行车特性。
3.根据权利要求1所述的基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,所述共享储能运营商优化配置模型的目标函数如下:
以实现SESO年净收益最大化为目标,包括年固定投入成本和年可变运行净收益,其中,年可变运行净收益中考虑以天为优化周期;
maxRSES=[freven(X2)-fcost(X1)]
式中,RSES为SESO年净收益;fcost(X1)为SESO年固定投入成本;freven(X2)为SESO年可变运行净收益;X1、X2为决策变量。
4.根据权利要求3所述的基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,所述共享储能运营商优化配置模型包括的年固定投入成本有:集中式储能的配置成本、广义储能资源的年度固定租赁成本;所述共享储能运营商优化配置模型包括的年可变运行净收益有:广义储能资源的变动补偿成本、与上级配电网交互费用、储能使用权交互费用、网络传输费用;所述共享储能运营商优化配置模型的约束条件包括:功率平衡约束、集中式储能聚合模型约束条件、虚拟储能约束和储能容量始末约束。
5.根据权利要求1所述的基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,所述用户优化运行模型的目标函数如下:
式中,fi为用户i年用能成本;Cpva,i,s为第s个典型日下用户i与上级配电网交互费用;Crent,i,s为第s个典型日下用户i向SESO购买储能使用权的交互费用;CNET,i,s为第s个典型日下用户i与SESO进行能量传输需支付的网络传输费用。
6.根据权利要求5所述的基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,所述用户优化运行模型包括的成本有:用户与上级配电网的交互费用、用户向SESO租赁储能使用权的交互费用、网络传输费用;所述用户优化运行模型的约束条件包括功率平衡约束和从电网购售电约束。
用户与上级配电网的交互费用
式中,分别为第s个典型日下的t时段用户i向电网购电功率、售电功率;
用户向SESO租赁储能使用权的交互费用
网络传输费用
7.根据权利要求1所述的基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,所述根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型的过程如下:
式中,fi 0分别为SESO和用户i的谈判破裂点,取未参与共享储能模式时SESO年净收益和用户i的年用能成本作为谈判破裂点,/>fi 0-fi分别为SESO和用户i参与共享储能后的效益提升量;
由于纳什议价模型为非凸非线性优化问题,无法对模型直接进行求解,将其等价转换为联盟用能成本最小化和内部支付议价两个子问题进行求解,其中,子问题1用于求解SESO的储能最优配置方案、SESO与各用户的储能使用权交互量;子问题2用于求解SESO与各用户的储能使用权交互费用;
(1)子问题1:联盟用能成本最小化
根据均值不等式求最值可知:对于任意r1,r2,…,rN为非负数时,当r1=r2=…=rN时,不等式取等号,故当纳什议价模型取最大值时,满足如下约束:
由于且谈判破裂点下/>上式可转化为:
则SESO与用户群的纳什议价合作配置模型的目标函数可等价为:
由于fi 0为常数,且ln函数为单调递增函数,则上式可进一步转化为:
定义ZUSES,i、ZUSES,i,分别表示不计及内部储能使用权支付时SESO的年净收益和用户i的年用能成本:
将定义式代入得到子问题1的目标函数:
(2)子问题2:内部支付议价
基于子问题1中各用户与SESO间充放电量的求解结果,计算各用户对联盟的贡献度,为议价能力,SESO与各用户的议价能力之和满足:
则用户i的议价能力为:
式中,ηi,s为第s个典型日下用户i的议价能力,反映用户的贡献度,用户与SESO的交互量越多,对联盟和社会福利的贡献越大;ηSES,s为第s个典型日下SESO的议价能力,与市场竞争情况以及SESO的偏好有关;
基于子问题1求得的最优解和/>带入含议价能力的纳什议价模型,可得:
上式取对数后得到子问题2:
通过求解子问题2可得到SESO与各用户间的储能使用权交互费用,进而得到SESO的年净收益与各用户的年用能成本。
8.根据权利要求1所述的基于模糊机会约束规划广义共享储能优化配置方法,其特征在于,所述考虑多重不确定性的广义共享储能优化配置模型包括:
(1)用户风电、光伏、负荷相关模糊机会约束
当置信度β1≥0.5时,其清晰等价类为:
式中,β1为风电、光伏、负荷不确定性对应的置信度;分别为对应模糊变量的预测值,{ωload,3,ωload,4}、{ωWT,1,ωWT,2}、{ωPV,1,ωPV,2,}分别为对应模糊变量梯形隶属度的比例系数;
(2)虚拟储能参数相关模糊机会约束
当置信度β2≥0.5,β3≥0.5时,其清晰等价类为:
式中,β2、β3分别为空调、电动汽车虚拟储能聚合模型不确定性对应的置信度;分别为对应模糊变量的预测值,{ωFTCL,1,ωFTCL,2}、{ωEVCS,1,ωEVCS,2}分别为对应模糊变量梯形隶属度的比例系数。
9.基于模糊机会约束规划广义共享储能优化配置系统,其特征在于,包括:
接收模块:用于接收多种广义储能资源,将多种广义储能资源的运行特性输入至预先建立广义储能通用模型内,得到多种广义储能的单体模型,其中,多种广义储能资源包括基站备用储能、空调、电动汽车充电站和常规储能;
聚合模块:用于将多种广义储能的单体模型进行聚合,得到广义共享储能资源聚合模型;
一级输入模块:用于接收共享储能运营商的年固定投入成本、年可变运行净收益,并结合广义共享储能资源聚合模型约束,输入至预先建立的共享储能运营商优化配置模型内,得到一级模型;
二级输入模块:用于接收用户的交互费用,结合现有电网约束,输入至预先建立的用户优化运行模型内,得到二级模型;
输出求解模块:用于根据纳什议价理论对一级模型和二级模型进行转化求解,输出得到广义共享储能优化配置模型;
三级输入模块:用于接收用户内部用户的风电、光伏、负荷的不确定性信息及空调、电动汽车充电站虚拟储能聚合模型充放电功率限值的不确定性信息,输入至广义共享储能优化配置模型内,得到三级模型;
优化配置模块:用于根据模糊机会约束规划理论对三级模型进行转化求解,得到考虑多重不确定性的广义共享储能优化配置模型,利用考虑多重不确定性的广义共享储能优化配置模型输出广义共享储能优化配置结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940622.1A CN116961044A (zh) | 2023-07-28 | 2023-07-28 | 基于模糊机会约束规划广义共享储能优化配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940622.1A CN116961044A (zh) | 2023-07-28 | 2023-07-28 | 基于模糊机会约束规划广义共享储能优化配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116961044A true CN116961044A (zh) | 2023-10-27 |
Family
ID=88452595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310940622.1A Pending CN116961044A (zh) | 2023-07-28 | 2023-07-28 | 基于模糊机会约束规划广义共享储能优化配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116961044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117767375A (zh) * | 2024-02-22 | 2024-03-26 | 山东理工大学 | 基于风险约束非对称合作博弈的共享储能公平性分配策略 |
-
2023
- 2023-07-28 CN CN202310940622.1A patent/CN116961044A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117767375A (zh) * | 2024-02-22 | 2024-03-26 | 山东理工大学 | 基于风险约束非对称合作博弈的共享储能公平性分配策略 |
CN117767375B (zh) * | 2024-02-22 | 2024-05-14 | 山东理工大学 | 基于风险约束非对称合作博弈的共享储能公平性分配策略 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Optimal sizing of battery energy storage system in smart microgrid considering virtual energy storage system and high photovoltaic penetration | |
CN110188950A (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
Jo et al. | Optimal scheduling for a zero net energy community microgrid with customer-owned energy storage systems | |
CN112366704B (zh) | 一种基于激励需求响应的综合能源系统联络线功率控制方法 | |
Zheng et al. | Coordination of commercial prosumers with distributed demand-side flexibility in energy sharing and management system | |
CN111860965A (zh) | 考虑储能多类型服务的用户综合能源系统优化调度方法 | |
CN112036934A (zh) | 考虑热电协调运行的负荷聚合商参与需求响应的报价方法 | |
CN113888209A (zh) | 虚拟电厂参与电力市场和碳交易市场的协同竞价方法 | |
CN109462258A (zh) | 一种基于机会约束规划的家庭能量优化调度方法 | |
CN116231655A (zh) | 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 | |
CN112883584A (zh) | 一种考虑利益交互的多能微网群冷热电多能耦合优化方法 | |
CN112508325A (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN116961044A (zh) | 基于模糊机会约束规划广义共享储能优化配置方法及系统 | |
Hayati et al. | A two-stage stochastic optimization scheduling approach for integrating renewable energy sources and deferrable demand in the spinning reserve market | |
Yang et al. | Coordination and optimization of CCHP microgrid group game based on the interaction of electric and thermal energy considering conditional value at risk | |
Zhao et al. | Aggregated operation of heterogeneous small-capacity distributed energy resources in peer-to-peer energy trading | |
Ding et al. | A Stackelberg Game-based robust optimization for user-side energy storage configuration and power pricing | |
CN117154777A (zh) | 一种考虑频率动态约束的共享储能站和微网协同管理方法 | |
CN117332937A (zh) | 一种考虑需求响应的多能互补虚拟电厂经济调度方法 | |
Soleimani et al. | Enabling vehicle-to-grid and grid-to-vehicle transactions via a robust home energy management system by considering battery aging | |
Lu et al. | Optimizing Grid-Connected Multi-Microgrid Systems With Shared Energy Storage for Enhanced Local Energy Consumption | |
CN116432807A (zh) | 考虑耦合效应与不确定性的综合需求响应系统及其方法 | |
Kabirifar et al. | Optimal operation strategy of virtual power plant considering EVs and ESSs | |
CN117196173B (zh) | 一种考虑运行风险和网络传输的虚拟电厂分布式调度方法 | |
Liu et al. | Optimal allocation of battery energy storage in distribution network considering the co-operation of generalized demand side resources |
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 |