CN117013567A - 一种配电网群柔性资源协同调频方法、装置及介质 - Google Patents
一种配电网群柔性资源协同调频方法、装置及介质 Download PDFInfo
- Publication number
- CN117013567A CN117013567A CN202311008479.9A CN202311008479A CN117013567A CN 117013567 A CN117013567 A CN 117013567A CN 202311008479 A CN202311008479 A CN 202311008479A CN 117013567 A CN117013567 A CN 117013567A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- data
- power generation
- peak shaving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000010248 power generation Methods 0.000 claims abstract description 170
- 238000004146 energy storage Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000012954 risk control Methods 0.000 claims abstract description 23
- 238000003672 processing method Methods 0.000 claims abstract description 9
- 238000007599 discharging Methods 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 16
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 14
- 238000001816 cooling Methods 0.000 description 12
- 238000010438 heat treatment Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 239000003345 natural gas Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001960 triggered effect 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种配电网群柔性资源协同调频方法、装置及介质,所述方法包括:根据调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件,以调峰风险目标函数为目标函数,建立调峰风险优化模型;以锥处理方法对所述调峰风险优化模型进行求解,得到各种柔性资源的调频功率值。采用本发明,根据调峰风险控制约束条件和其他固有约束形成模型的约束,采用区块链方法确定调峰风险优化模型的解,得到各种柔性资源的调频功率值,实现新能源利用率、发电效率、发电设备利用率、发电设备年利用小时数最大化。
Description
技术领域
本发明涉及电网系统及其自动化领域,尤其涉及一种配电网群柔性资源协同调频方法、装置及介质。
背景技术
配电网是在其内部以一定方式集成分布式源(小水电、小风电、光伏发电)-荷(水、电、气、冷、热负荷功率)的一种电网形式。配电网以380V、10kV、35kV等电压等级与主电网联接,在一般正常运行条件下与主电网并网运行,在重负荷功率时配电网从主电网吸收功率,在轻负荷功率时可能向主电网注入功率;在主电网局部故障情况下或在邻近配电网故障情况下可以孤网运行,在确保电能质量的前提下由配电网内部分布式光伏发电系统向负荷功率提供电力电量,实现无故障配电网正常的供电状态,减小停电时间,提高供电可靠性。配电网构建和运行的目的是可持续高效利用/消纳配电网内部分布式光伏发电系统电力电量,最小化与主电网交换的电力电量。
光-车-储配电网是一种集成以光伏发电为主、电动汽车和储能装置充放电协同的配电网系统。在光-车-储配电网中,分布式光伏发电系统、一定容量负荷功率并以一定方式将分布式光伏发电系统和负荷功率联接起来的配电网。日照强度越大,光伏发电系统输出功率越大。在一年的不同季节日照强度完全不同,在一天的不同时段日照强度完全不同,日照强度具有随机性、波动性和间歇性。因此,光伏发电站日照强度往往也表现为最小日照强度、最大日照强度、平均日照强度、多年平均日照强度、计算平均日照强度、加权平均日照强度、数学平均日照强度等等表式形式。采用不同日照强度的表式形式,光伏发电站会获得不同装机容量水平。不同装机容量水平,在不同季节光伏发电站发电功率和发电量也往往不同,最优导致光伏发电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。现有的模型寿命评估方法通常采用阿伦尼乌斯模型型法,但该方法仅考虑了温度对产品的影响,且激活能通常又都是“查表法”获得,这就导致评估结果的可信性与精确度都很差。
光-车-储配电网中,分布式光伏发电系统是一种同时具有关系复杂并交互作用的随机和模糊不确定性事件或参量的系统。在各种不确定性随机和模糊事件或参量的影响下,配电网分布式光伏发电系统发电功率和发电量变得更具随机特性和模糊特性,这些特性极大影响配电网分布式光伏发电系统容量配置。以往配电网分布式光伏发电系统的系统发电功率和发电量通常采用确定性的计算方法,有些也采用概率分析的不确定性计算方法。确定性计算的方法通常是在假设区域内日照强度都确定的情况下计算配电网分布式光伏发电系统的系统发电功率、发电量及装机容量,也没有考虑配电网和配电网调压要求和柔性控制方式等因素的影响,计算结果是唯一性和确定性的,往往不能反映配电网分布式光伏发电系统发电功率、发电量及装机容量的实际情况。而概率分析的计算方法通常是在只假设区域内日照强度和风速等单一因素为不确定性因素的情况下计算配电网分布式光伏发电系统的系统发电功率、发电量及装机容量,计算结果是具有一定置信水平的概率值。实际上,配电网分布式光伏发电系统的系统发电功率、发电量及装机容量受多种不确定性因素影响。而且,这些影响因素通常都有随机不确定性或模糊不确定性,或者他是具有随机和模糊不确定性,往往以随机和模糊不确定性事件或参量而存在。由上可见,现有技术中配电网分布式光伏发电系统的系统发电功率、发电量及装机容量计算的都没有全面考虑影响因素的不确定性和随机性,相关计算方法的适用性、实用性和应用性难以得到满足。
发明内容
本发明实施例提供一种配电网群柔性资源协同调频方法、装置及介质,全面考虑各种电网运行因素后采用区块链方法确定柔性资源的调峰功率,实现电力系统调频控制的灵活性。
为实现上述目的,本申请实施例的第一方面提供了一种配电网群柔性资源协同调频方法,包括:
从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征;
根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件;
根据所述调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件,以调峰风险目标函数为目标函数,建立以调峰风险优化模型;
以锥处理方法对所述调峰风险优化模型进行求解,得到各种柔性资源的调频功率值。
在第一方面的一种可能的实现方式中,所述以锥处理方法对所述调峰风险优化模型进行求解,具体包括:
根据发电配电网群的柔性资源输出特征和非柔性资源输出特征,设置区块链变量;
根据发电配电网群的柔性资源分布特征和非柔性资源分布特征,设置区块节点、控制节点和状态节点;
不断对全部节点进行随机选择,根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,直至交易数据满足拜占庭容错共识要求;所述交易数据是所述目标函数中的决策变量。
在第一方面的一种可能的实现方式中,所述对全部节点进行随机选择,具体包括:
对所述区块节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求;
对所述控制节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求;
对所述状态节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求。
在第一方面的一种可能的实现方式中,所述根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,直至交易数据满足拜占庭容错共识要求,具体包括:
根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,使交易数据在配电网群中传送,产生新的交易数据、新的控制数据和新的状态数据;
不断验证传送后产生的交易数据、控制数据和状态数据,只保留通过拜占庭容错共识要求验证的交易数据、控制数据和状态数据,将保留的交易数据的值作为决策变量的优化值。
在第一方面的一种可能的实现方式中所述得到各种柔性资源的调频功率值,具体包括:
根据决策变量的优化值设置各种柔性资源的调频功率值。
在第一方面的一种可能的实现方式中,所述从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征,具体包括:
从历史数据库获取负荷功率历史数据矩阵、光伏发电历史数据矩阵和其他柔性资源历史数据矩阵;
从实时采集数据系统获取功率实时数据矩阵、光伏发电实时数据矩阵和其他柔性资源实时数据矩阵;
从未来预测系统获取功率预测数据矩阵、光伏发电预测数据矩阵和其他柔性资源预测数据矩阵。
在第一方面的一种可能的实现方式中,所述根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件,具体包括:
根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,分别确认负荷功率、光伏发电和其他柔性资源对应的历史记录数据、实时运行数据和未来预测数据的平均值;
分别根据负荷功率、光伏发电和其他柔性资源对应的历史记录数据、实时运行数据和未来预测数据的平均值,建立配电网冷热电负荷功率有功功率约束条件、配电网光伏发电功率数据制约关系条件、配电网电动汽车充放电功率数据制约关系条件和配电网储能装置充放电功率数据制约关系条件。
在第一方面的一种可能的实现方式中,所述调峰风险目标函数具体为光伏发电承担负荷的比例和其他柔性资源承担负荷的比例之和的最大值。
本申请实施例的第二方面提供了一种配电网群柔性资源协同调频装置,包括:
数据获取模块,用于从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征;
约束确认模块,用于根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件;
模型建立模块,用于根据所述调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件,以调峰风险目标函数为目标函数,建立调峰风险优化模型;
资源调频模块,用于以锥处理方法对所述调峰风险优化模型进行求解,得到各种柔性资源的调频功率值。
本申请实施例的第三方面提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述配电网群柔性资源协同调频方法。
相比于现有技术,本发明实施例提供的一种配电网群柔性资源协同调频方法、装置及介质,针对由光伏发电和其他柔性资源组成的配电网群,并考虑光伏发电站日照强度、日照时长、日照阴影、日照偏角等的不确定性和随机性后得到配电网群中光伏发电系统的运行特征,再结合配电网群中其他柔性资源运行特征,得到调峰风险控制约束条件;根据调峰风险控制约束条件和其他固有约束形成模型的约束,采用区块链方法确定调峰风险优化模型的解,得到各种柔性资源的调频功率值。
由于调峰风险优化模型包含配电网与主电网交换有功功率、光伏发电功率历史、实时和预测数据制约关系、电动汽车和储能装置充放电功率历史、实时和预测数据制约关系、冷热电负荷功率有功功率交互作用和制约关系等约束条件,充分考虑了影响因素的不确定性和随机性,进而满足适用性、实用性和应用性的需求。最后求解过程中,通过区块链方法将配电网中交易或运行控制数据存储在链中的特定块中优化求解,进而得到可靠的交易数据取值——目标函数的决策变量取值。只要根据调频功率值对各种柔性资源进行调整,便能实现新能源利用率、发电效率、发电设备利用率、发电设备年利用小时数最大化。
附图说明
图1是本发明一实施例提供一种配电网群柔性资源协同调频方法的流程示意图;
图2是本发明一实施例提供一种配电网群柔性资源协同调频装置的结构示意图。
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他实施例,都属于本发明保护的范围。
请参见图1,本发明一实施例提供一种配电网群柔性资源协同调频方法,包括:
S10、从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征。
S11、根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件。
S12、根据所述调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件,以调峰风险目标函数为目标函数,建立以调峰风险优化模型;
S13、以锥处理方法对所述调峰风险优化模型进行求解,得到各种柔性资源的调频功率值。
本实施例针对由光伏发电和其他柔性资源组成的配电网群,并考虑光伏发电站日照强度、日照时长、日照阴影、日照偏角等的不确定性和随机性,提出面向配电网多种柔性资源协同调频的调峰风险优化模型,采用区块链方法确定调峰风险优化模型中目标函数决策变量取值,即各种柔性资源对应调峰功率值。
需要说明的是,区块链是参与者共享的分布式账本,可以安全地存储数字交易,而无需集中式交易代理。配电网中交易或运行控制数据被聚合成块,通过加密方法相互链接,形成一个不可变信息链。传统上,区块链技术依赖于通过解决确保防篡改系统的通用复杂算法来验证参与者发出的新区块。当向区块链中添加智能合约时采用的是以太网技术,可以部署分散的算法。智能合约是可执行代码的一部分,由定义不可变规则的每个节点共享,直接在区块链中运行。配电网中交易或运行控制数据存储在链中的特定块中,由定义的规则触发后续逻辑以在链的其余部分中写入数据,取代了集中可信实体来保存算法逻辑的需要,促进了创新社区灾难恢复解决方案的快速部署。与传统的集中交易能源方案相比,区块链技术代表了一种可靠的能源交易机制。
一般而言,在配电网群中,常见的柔性资源包括但不限于光伏发电资源、电动汽车发电资源和储能发电资源。若在配电网群中存在没有提及的其他柔性资源,可以进一步考虑,为方便说明,下面以柔性资源只包括光伏发电资源、电动汽车发电资源和储能发电资源为例进行说明(光-车-储配电网是一种集成以光伏发电为主、电动汽车和储能装置充放电协同的常见配电网系统)。
利用本发明本实施提出模型,实现光-车-储配电网群协同调频优化运行,模型期望目标是在光-车-储配电网中实现新能源利用率、发电效率、发电设备利用率、发电设备年利用小时数最大化,增加在日、月、年、多年等运行周期内的发电量。这种配电网多种柔性资源协同调频的优化方法,同时反映了多年日照强度、日照阴影、日照偏角变化的随机性。总的而言,本实施例为配电网电源容量配置、发电出力预测、运行调度提供理论指导,为分布式新能源发电及智能电网调度运行提供必要的技术支撑。
示例性地,S10具体包括:
从历史数据库获取负荷功率历史数据矩阵、光伏发电历史数据矩阵和其他柔性资源历史数据矩阵。
从实时采集数据系统获取功率实时数据矩阵、光伏发电实时数据矩阵和其他柔性资源实时数据矩阵。
从未来预测系统获取功率预测数据矩阵、光伏发电预测数据矩阵和其他柔性资源预测数据矩阵。
首先说明负荷功率(负荷功率特征)的计算过程:
从历史数据库、实时采集数据系统、未来预测系统获取第i配电网中电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度等的数据,通过处理、计算和分析,得到第i个配电网中第t个时段负荷功率的历史平均值、实时平均值及未来第t+1个时段预测值:
式中分别为第i个配电网中第t个时段负荷功率的历史平均值、实时平均值,/>为第i个配电网中负荷功率的未来第t+1个时段预测值,i=1,2,...,NMG,NMG为配电网的数量。/>分别为第i个配电网中负荷功率历史数据矩阵/>里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的第j个元素数据集,分别为第i个配电网中负荷功率实时数据矩阵/>里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的数据集,/> 分别为第i个配电网中负荷功率预测数据矩阵/>里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的数据集,/> 数学上分别为:
其中分别为第i个配电网中负荷功率历史数据矩阵/>里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的第j个元素时段t的数据值,/>分别为第i个配电网中负荷功率实时数据矩阵/>里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度时段t的实时数据值,分别为第i个配电网中负荷功率预测数据矩阵/>里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的时段t的预测数据值,j=1,2,...,NPDi,NPDi为第i个配电网的负荷功率历史数据集的数量;t=1,2,...,T,T为配电网日运行的时段数。
接下来说明光伏发电的调频功率(光伏发电特征)的计算过程:
第i个配电网中第t+1个时段光伏发电的调频功率:
式中分别为第i个配电网中第t个时段光伏发电功率的历史平均值、实时平均值,/>为第i个配电网中光伏发电功率的未来第t+1个时段预测值。/> 分别为第i个配电网中第t个时段光伏发电承担历史负荷、实时负荷的比例,/>为第i个配电网中第t个时段光伏发电承担未来第t+1个时段预测负荷功率的比例。
从历史数据库、实时采集数据系统、未来预测系统获取第i个配电网中多年光伏发电系统输出有功功率、日照强度、日照时长、日照阴影、日照偏角等的数据,通过处理、计算和分析,得到第i个配电网中第t个时段光伏发电功率的历史平均值、实时平均值及未来第t+1个时段预测值:
其中分别为第i个配电网中第t个时段光伏发电功率的历史平均值、实时平均值及未来第t+1个时段预测值,i=1,2,...,NMG,NMG为配电网的数量。分别为第i个配电网中光伏发电历史数据矩阵/>里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的第j个元素数据集,分别为第i个配电网中光伏发电实时数据矩阵/>里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的数据集,
分别为第i个配电网中光伏发电预测数据矩阵/>里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的数据集,/> 数学上分别为:
其中分别为第i个配电网中光伏发电历史数据矩阵/>里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的第j个元素时段t的数据值,/>分别为第i个配电网中光伏发电实时数据矩阵/>里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角时段t的实时数据值,/>分别为第i个配电网中光伏发电预测数据矩阵/>里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的时段t的预测数据值,j=1,2,...,NPDi,NPDi为第i个配电网的光伏发电历史数据集的数量;t=1,2,...,T,T为配电网日运行的时段数。
接下来说明电动汽车的调频功率(电动汽车发电特征)的计算过程:
第i个配电网中第t+1个时段电动汽车的调频功率:
式中分别为第i个配电网中第t个时段电动汽车充放电功率的历史平均值、实时平均值,/>为第i个配电网中电动汽车充放电功率的未来第t+1个时段预测值。/>分别为第i个配电网中第t个时段电动汽车承担历史负荷、实时负荷的比例,为第i个配电网中第t个时段电动汽车承担未来第t+1个时段预测负荷功率的比例。为第i个配电网中在过去历史第t个时段电动汽车充放电运行状态变量,/>表示在过去历史第t个时段电动汽车处于放电运行状态,/>表示在过去历史第t个时段电动汽车处于充电运行状态;/>为第i个配电网中在实时第t个时段电动汽车充放电运行状态变量,/>表示在实时第t个时段电动汽车处于放电运行状态,/>表示在实时第t个时段电动汽车处于充电运行状态;/>为第i个配电网中在未来第t+1个时段电动汽车充放电运行状态变量,/>表示在未来第t+1个时段电动汽车处于放电运行状态,表示在未来第t+1个时段电动汽车处于充电运行状态。
从历史数据库、实时采集数据系统、未来预测系统获取第i配电网中充电电动汽车数量、充电有功功率、充电时长等的数据,通过处理、计算和分析,得到第i个配电网中第t个时段电动汽车充放电功率的历史平均值、实时平均值及未来第t+1个时段预测值:
其中分别为第i个配电网中第t个时段电动汽车充放电功率的历史平均值、实时平均值及未来第t+1个时段预测值,i=1,2,...,NMG,NMG为配电网的数量。/>分别为第i个配电网中电动汽车充放电历史数据矩阵/>里充电电动汽车数量、充电有功功率、充电时长的第j个元素数据集,/>分别为第i个配电网中电动汽车充放电实时数据矩阵/>里充电电动汽车数量、充电有功功率、充电时长的数据集,/>分别为第i个配电网中电动汽车充放电预测数据矩阵/>里充电电动汽车数量、充电有功功率、充电时长的数据集,数学上分别为:
其中分别为第i个配电网中电动汽车充放电历史数据矩阵里充电电动汽车数量、充电有功功率、充电时长的第j个元素时段t的数据值,分别为第i个配电网中电动汽车充放电实时数据矩阵/>里充电电动汽车数量、充电有功功率、充电时长时段t的实时数据值,/>分别为第i个配电网中电动汽车充放电预测数据矩阵/>里充电电动汽车数量、充电有功功率、充电时长的时段t的预测数据值,j=1,2,...,NPDi,NPDi为第i个配电网的电动汽车充放电历史数据集的数量;t=1,2,...,T,T为配电网日运行的时段数。
首先说明储能的调频功率(储能发电特征)的计算过程:
第i个配电网中第t+1个时段储能的调频功率:
式中分别为第i个配电网中第t个时段储能充放电功率的历史平均值、实时平均值,/>为第i个配电网中储能充放电功率的未来第t+1个时段预测值。分别为第i个配电网中第t个时段储能承担历史负荷、实时负荷的比例,/>为第i个配电网中第t个时段储能承担未来第t+1个时段预测负荷功率的比例。/>为第i个配电网中在过去历史第t个时段储能充放电运行状态变量,/>表示在过去历史第t个时段储能处于放电运行状态,/>表示在过去历史第t个时段储能处于充电运行状态;/>为第i个配电网中在实时第t个时段储能充放电运行状态变量,/>表示在实时第t个时段储能处于放电运行状态,/>表示在实时第t个时段储能处于充电运行状态;/>为第i个配电网中在未来第t+1个时段储能充放电运行状态变量,/>表示在未来第t+1个时段储能处于放电运行状态,/>表示在未来第t+1个时段储能处于充电运行状态。
从历史数据库、实时采集数据系统、未来预测系统获取第i配电网中储能装置数量、充电有功功率、充电时长等的数据,通过处理、计算和分析,第i个配电网中第t个时段储能充放电功率的历史平均值、实时平均值及未来第t+1个时段预测值:
其中分别为第i个配电网中储能装置充放电历史、实时和预测数据矩阵,i=1,2,...,NMG,NMG为配电网的数量。/>分别为第i个配电网中储能装置充放电历史数据矩阵/>里储能装置数量、充电有功功率、充电时长的第j个元素数据集,/>分别为第i个配电网中储能装置充放电实时数据矩阵/>里储能装置数量、充电有功功率、充电时长的数据集,/>分别为第i个配电网中储能装置充放电预测数据矩阵/>里储能装置数量、充电有功功率、充电时长的数据集,/> 数学上分别为:
其中分别为第i个配电网中储能装置充放电历史数据矩阵里储能装置数量、充电有功功率、充电时长的第j个元素时段t的数据值,/> 分别为第i个配电网中储能装置充放电实时数据矩阵/>里储能装置数量、充电有功功率、充电时长时段t的实时数据值,/>分别为第i个配电网中储能装置充放电预测数据矩阵/>里储能装置数量、充电有功功率、充电时长的时段t的预测数据值,j=1,2,...,NPDi,NPDi为第i个配电网的储能装置充放电历史数据集的数量;t=1,2,...,T,T为配电网日运行的时段数。
示例性地,S11具体包括:
根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,分别确认负荷功率、光伏发电和其他柔性资源对应的历史记录数据、实时运行数据和未来预测数据的平均值;
分别根据负荷功率、光伏发电和其他柔性资源对应的历史记录数据、实时运行数据和未来预测数据的平均值,建立配电网冷热电负荷功率有功功率约束条件、配电网光伏发电功率数据制约关系条件、配电网电动汽车充放电功率数据制约关系条件和配电网储能装置充放电功率数据制约关系条件。
S12中建立的调峰风险优化模型包括约束条件和目标函数,目标函数为调峰风险目标函数,约束条件包括所述调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件。资源功率约束条件是根据各种资源的运行数据得到的,固有的储能荷电状态约束条件是根据配电网冷热电“源”与“荷”能量平衡关系得到的。
示例性地,所述调峰风险目标函数具体为光伏发电承担负荷的比例和其他柔性资源承担负荷的比例之和的最大值。
配电网多种柔性资源协同调频的优化目标是实现柔性资源参与调频功率最大化,在本实施例中其决策变量是光伏发电、电动汽车、储能承担负荷的比例,其目标函数为:
在本实施例中,约束条件包括如下特征:
(1)光伏发电系统输出有功功率的约束条件:
第i个配电网分布式光伏发电系统输出有功功率要求小于其在日照正常、阴影、偏角条件下的允许最大值,大于其在日照正常、阴影、偏角条件下的允许最小值:
其中PPVit为第i个配电网光伏发电系统在时段t输出有功功率, P PVit分别为第i个配电网光伏发电系统在正常条件下时段t输出有功功率允许最大值、最小值,/> P YPVit分别为第i个配电网光伏发电系统在阴影条件下时段t输出有功功率允许最大值、最小值,/> P APVit分别为第i个配电网光伏发电系统在偏角条件下时段t输出有功功率允许最大值、最小值。
(2)光伏发电系统输出无功功率的约束条件:
第i个配电网分布式光伏发电系统输出无功功率要求小于其在日照正常、阴影、偏角条件下的允许最大值,大于其在日照正常、阴影、偏角条件下的允许最小值:
其中QPVit为第i个配电网光伏发电系统在时段t输出无功功率, Q PVit分别为第i个配电网光伏发电系统在正常条件下时段t输出无功功率允许最大值、最小值,/> Q YPVit分别为第i个配电网光伏发电系统在阴影条件下时段t输出无功功率允许最大值、最小值,/> Q APVit分别为第i个配电网光伏发电系统在偏角条件下时段t输出无功功率允许最大值、最小值。
(3)电动汽车充放电有功功率的约束条件:
第i个配电网电动汽车充放电有功功率要求小于其允许最大值,大于其允许最小值:
/>
其中PEVit、 P EVit分别为为第i个配电网在时段t电动汽车充放电有功功率实际值、允许最大值和最小值。
(4)电动汽车充放电无功功率的约束条件:
第i个配电网电动汽车充放电无功功率要求小于其允许最大值,大于其允许最小值:
其中QEVit、 Q EVit分别为为第i个配电网在时段t电动汽车充放电有功功率实际值、允许最大值和最小值。
(5)储能装置充放电有功功率的约束条件:
第i个配电网储能装置充放电有功功率要求小于其允许最大值,大于其允许最小值:
其中PDSit、 P DSit分别为为第i个配电网在时段t储能装置充放电有功功率实际值、允许最大值和最小值。
(6)储能装置充放电无功功率的约束条件:
第i个配电网储能装置充放电无功功率要求小于其允许最大值,大于其允许最小值:
其中QDSit、 Q DSit分别为为第i个配电网在时段t储能装置充放电有功功率实际值、允许最大值和最小值。
(7)配电网与主电网并网点电压的约束条件:
第i个配电网与主电网并网点电压要求小于其允许最大值,大于其允许最小值:
其中VMit、 V Mit分别为第i个配电网与主电网并网点电压的实际值、允许最大值和最小值。
(8)配电网与主电网交换有功功率的约束条件:
第i个配电网向主电网注入的有功功率的概率要求小于其允许最大值,大于其允许最小值:
其中 p M-D分别为第i个配电网向主电网注入的有功功率的概率允许最大值、最小值。PM-D、PPVit、PEVi、PDSi、PEi、PHi、PCi分别为第i个配电网在时段t与主电网交换的有功功率、电动汽车充放电有功功率、电动汽车充电有功功率、储能装置充电有功功率、电负荷功率有功功率、热负荷功率有功功率和冷负荷功率有功功率。kEVit为电动汽车充电状态变量,当充电时kEVit=1,当向电网送电时kEVit=-1。kDSit为储能装置充电状态变量,当充电时kDSit=1,当向电网送电时kDSit=-1。Pr()表示对括号内函数求概率值。
(9)配电网光伏发电功率历史、实时和预测数据制约关系条件:
第i个配电网光伏发电系统时段t输出有功功率要求不大于其预测值,大于其历史记录、实时运行和未来预测数据的平均值:
其中PCPVi1t、PCPVi2t、PCPVi3t分别为第i个配电网光伏发电系统在小发电功率时段t输出有功功率、在中发电功率时段输出有功功率、在大发电功率时段输出有功功率;kPVit为对光伏发电系统发电的限定系数,0.5≤kPVit≤1。
(10)配电网电动汽车充放电功率历史、实时和预测数据制约关系条件:
第i个配电网电动汽车时段t充放电有功功率要求不大于其预测值,大于其历史记录、实时运行和未来预测数据的平均值:
其中PCEVi1t、PCEVi2t、PCEVi3t分别为第i个配电网电动汽车在小充放电功率时段t输出有功功率、在中充放电功率时段输出有功功率、在大充放电功率时段输出有功功率;kPVit为对电动汽车充放电的限定系数,0.5≤kEVit≤1。
(11)配电网储能装置充放电功率历史、实时和预测数据制约关系条件:
第i个配电网储能装置时段t充放电有功功率要求不大于其预测值,大于其历史记录、实时运行和未来预测数据的平均值:
其中PCDSi1t、PCDSi2t、PCDSi3t分别为第i个配电网储能装置在小充放电功率时段t输出有功功率、在中充放电功率时段输出有功功率、在大发电功率时段输出有功功率;kPVit为对储能装置充放电的限定系数,0.5≤kDSit≤1。
(12)配电网冷热电负荷功率有功功率的约束条件:
第i个配电网冷热电负荷功率有功功率要求不大于其预测值,大于其历史记录、实时运行和未来预测数据的平均值:
其中PCCi1t、PCCi2t、PCCi3t分别为第i个配电网在小、中、大冷负荷功率时段t的电冷有功功率;kCit为对冷负荷功率的限定系数,0.5≤kCit≤1。PCHi1t、PCHi2t、PCHi3t分别为第i个配电网在小、中、大冷负荷功率时段t的电冷有功功率;kHit为对冷负荷功率的限定系数,0.5≤kCit≤1。PCEi1t、PCEi2t、PCEi3t分别为第i个配电网在小、中、大冷负荷功率时段t的电冷有功功率;kPVit为对冷负荷功率的限定系数,0.5≤kEit≤1。
(13)固有的储能荷电状态约束条件:
第i个配电网冷热电“源”与“荷”应该分别满足如下能源平衡关系:
kCitPCit+QCTriit+QCIit+QCSit=QCit
kHitPHit+QHTriit+QCSit=QHit
PM-Git+PPVit+PETriit-kEVitPEVit-kDSitPDSit=PEit+PHit+PCit
其中QCit、QCTriit、QCIit QCSit分别为时段t第i个配电网的冷负荷功率需求量、天然气冷热电联供机组输出的冷量、水蓄冷或冰蓄冷机组输出的冷量、地源/气源/水源热泵机组输出的冷量,QHit、QHTriit、QHSit分别为时段t第i个配电网的热负荷功率需求量、天然气冷热电联供机组输出的热量、地源/气源/水源热泵机组输出的热量,PM-Git、PPVit、PETriit分别为时段t第i个配电网与主电网交换的有功功率、光伏发电系统输出的有功功率、天然气冷热电联供机组输出的电力有功功率,kCit、kHit分别为时段t第i个配电网电冷和电热机组的制冷和制热效率。
示例性地,S13中所述以锥处理方法对所述调峰风险优化模型进行求解,具体包括:
根据发电配电网群的柔性资源输出特征和非柔性资源输出特征,设置区块链变量;
根据发电配电网群的柔性资源分布特征和非柔性资源分布特征,设置区块节点、控制节点和状态节点;
不断对全部节点进行随机选择,根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,直至交易数据满足拜占庭容错共识要求;所述交易数据是所述目标函数中的决策变量。
区块链变量选择过程:在优化中,以第i个配电网内部分布式光伏发电系统输出有功功率PPVi、电动汽车充放电有功功率PEVi、储能装置充放电有功功率PDSi、天然气冷热电联供机组输出电力有功功率PETriit、天然气冷热电联供机组输出冷量QCTriit、天然气冷热电联供机组输出热量QHTriit、地源/气源/水源热泵机组输出冷量QCSit、地源/气源/水源热泵机组输出热量QHSit、水蓄冷或冰蓄冷机组输出冷量QCIit、可控电负荷功率有功功率PAEit、可控热负荷功率有功功率PAHit、可控冷负荷功率有功功率PACit为控制变量,以节点电压、支路功率损耗、节点注入无功功率为状态变量。
进行区块链设置过程:在区块链中,设置区块节点、优化节点、控制节点和状态节点。分布式电源节点、电动汽车充放电节点、储能装置充放电节点、天然气冷热电联供机组节点、地源/气源/水源热泵机组节点、水蓄冷或冰蓄冷机组节点、可控电负荷功率节点、可控热负荷功率节点、可控冷负荷功率节点经过实名认证并按照控制和状态区域的不同需求成为区块节点,可以分为“源”区块节点、“荷”区块节点。通过随机选择方式确定优化节点,通过优化方式确定控制节点,通过仿真计算方式评估状态节点的实时状态和未来态势。
示例性地,所述对全部节点进行随机选择,具体包括:
对所述区块节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求;
对所述控制节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求;
对所述状态节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求。
1)区块链“源”“荷”区块节点随机选择:通过随机选择方式确定在t时段NDGit个电源区块节点、NHSit个冷源区块节点、NCSit个热源区块节点、NDit个“荷”区块节点、NOit个优化节点、NCtrlit个控制节点和NSit个状态节点。假设在t时段,一次优化中电源、冷源、热源、负荷功率区块节点被选择分别为kDGOit、kCOit、kHOit、kDOit次,那么保证拜占庭容错共识要求,每个“源”“荷”区块节点被优化次数大于一半的概率为:
其中NSDit为在t时段随机选择的“源”“荷”区块节点的数量,NSDit=NDGit+NCit+NHit+NDit;kSDOit为在t时段“源”“荷”区块节点被优化的次数,kSDOit=kDGOit+kCOit+kHOit+kDOit。
利用如下式子,可以计算并得到电源、冷源、热源、负荷功率区块节点被优化数量:
/>
2)区块链控制节点随机选择。假设在t时段,一次优化中控制节点被选择kCtrlOit次,那么保证拜占庭容错共识要求,控制节点满足由下式确定的数量:
3)区块链状态节点随机选择。假设在t时段,一次优化中状态节点被选择kSOit次,那么保证拜占庭容错共识要求,状态节点满足由下式确定的数量:
示例性地,所述根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,直至交易数据满足拜占庭容错共识要求,具体包括:
根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,使交易数据在配电网群中传送,产生新的交易数据、新的控制数据和新的状态数据;
不断验证传送后产生的交易数据、控制数据和状态数据,只保留通过拜占庭容错共识要求验证的交易数据、控制数据和状态数据,将保留的交易数据的值作为决策变量的优化值。
示例性地,S13中所述得到各种柔性资源的调频功率值,具体包括:
根据决策变量的优化值设置各种柔性资源的调频功率值。
在随机选择的NOit个优化节点中,按照上述的目标函数和约束条件进行优化。
需要注意的是,按照拜占庭容错共识的要求和规则,在交易数据、控制数据、状态数据等均在NOit个优化节点中存储。
相比于现有技术,本发明实施例提供的一种配电网群柔性资源协同调频方法,针对由光伏发电和其他柔性资源组成的配电网群,并考虑光伏发电站日照强度、日照时长、日照阴影、日照偏角等的不确定性和随机性后得到配电网群中光伏发电系统的运行特征,再结合配电网群中其他柔性资源运行特征,得到调峰风险控制约束条件;根据调峰风险控制约束条件和其他固有约束形成模型的约束,采用区块链方法确定调峰风险优化模型的解,得到各种柔性资源的调频功率值。
由于调峰风险优化模型包含配电网与主电网交换有功功率、光伏发电功率历史、实时和预测数据制约关系、电动汽车和储能装置充放电功率历史、实时和预测数据制约关系、冷热电负荷功率有功功率交互作用和制约关系等约束条件,充分考虑了影响因素的不确定性和随机性,进而满足适用性、实用性和应用性的需求。最后求解过程中,通过区块链方法将配电网中交易或运行控制数据存储在链中的特定块中优化求解,进而得到可靠的交易数据取值——目标函数的决策变量取值。只要根据调频功率值对各种柔性资源进行调整,便能实现新能源利用率、发电效率、发电设备利用率、发电设备年利用小时数最大化。
本申请一实施例的提供一种配电网群柔性资源协同调频装置,包括:数据获取模块20、约束确认模块21、模型建立模块22和资源调频模块23。
数据获取模块20,用于从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征。
约束确认模块21,用于根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件。
模型建立模块22,用于根据所述调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件,以调峰风险目标函数为目标函数,建立调峰风险优化模型。
资源调频模块23,用于以锥处理方法对所述调峰风险优化模型进行求解,得到各种柔性资源的调频功率值。
相比于现有技术,本发明实施例提供的一种配电网群柔性资源协同调频装置,针对由光伏发电和其他柔性资源组成的配电网群,并考虑光伏发电站日照强度、日照时长、日照阴影、日照偏角等的不确定性和随机性后得到配电网群中光伏发电系统的运行特征,再结合配电网群中其他柔性资源运行特征,得到调峰风险控制约束条件;根据调峰风险控制约束条件和其他固有约束形成模型的约束,采用区块链方法确定调峰风险优化模型的解,得到各种柔性资源的调频功率值。
由于调峰风险优化模型包含配电网与主电网交换有功功率、光伏发电功率历史、实时和预测数据制约关系、电动汽车和储能装置充放电功率历史、实时和预测数据制约关系、冷热电负荷功率有功功率交互作用和制约关系等约束条件,充分考虑了影响因素的不确定性和随机性,进而满足适用性、实用性和应用性的需求。最后求解过程中,通过区块链方法将配电网中交易或运行控制数据存储在链中的特定块中优化求解,进而得到可靠的交易数据取值——目标函数的决策变量取值。只要根据调频功率值对各种柔性资源进行调整,便能实现新能源利用率、发电效率、发电设备利用率、发电设备年利用小时数最大化。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赞述。
本申请一实施例提供一种计算机设备。该实施例的计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意方法实施例中的步骤。
所述计算机设备可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解,图仅仅是计算机设备的举例,并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器在一些实施例中可以是所述计算机设备的内部存储单元,例如计算机设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括所述计算机设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请一实施例提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述配电网群柔性资源协同调频方法。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中,可以理解的是,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种配电网群柔性资源协同调频方法,其特征在于,包括:
从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征;
根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件;
根据所述调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件,以调峰风险目标函数为目标函数,建立调峰风险优化模型;
以锥处理方法对所述调峰风险优化模型进行求解,得到各种柔性资源的调频功率值。
2.如权利要求1所述配电网群柔性资源协同调频方法,其特征在于,所述以锥处理方法对所述调峰风险优化模型进行求解,具体包括:
根据发电配电网群的柔性资源输出特征和非柔性资源输出特征,设置区块链变量;
根据发电配电网群的柔性资源分布特征和非柔性资源分布特征,设置区块节点、控制节点和状态节点;
不断对全部节点进行随机选择,根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,直至交易数据满足拜占庭容错共识要求;所述交易数据是所述目标函数中的决策变量。
3.如权利要求2所述配电网群柔性资源协同调频方法,其特征在于,所述对全部节点进行随机选择,具体包括:
对所述区块节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求;
对所述控制节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求;
对所述状态节点做随机选择使所述区块节点的被优化数量满足拜占庭容错共识要求。
4.如权利要求2所述配电网群柔性资源协同调频方法,其特征在于,所述根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,直至交易数据满足拜占庭容错共识要求,具体包括:
根据调峰风险优化模型的目标函数与约束条件对每次随机选出的优化节点进行优化,使交易数据在配电网群中传送,产生新的交易数据、新的控制数据和新的状态数据;
不断验证传送后产生的交易数据、控制数据和状态数据,只保留通过拜占庭容错共识要求验证的交易数据、控制数据和状态数据,将保留的交易数据的值作为决策变量的优化值。
5.如权利要求4所述配电网群柔性资源协同调频方法,其特征在于,所述得到各种柔性资源的调频功率值,具体包括:
根据决策变量的优化值设置各种柔性资源的调频功率值。
6.如权利要求1所述配电网群柔性资源协同调频方法,其特征在于,所述从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征,具体包括:
从历史数据库获取负荷功率历史数据矩阵、光伏发电历史数据矩阵和其他柔性资源历史数据矩阵;
从实时采集数据系统获取功率实时数据矩阵、光伏发电实时数据矩阵和其他柔性资源实时数据矩阵;
从未来预测系统获取功率预测数据矩阵、光伏发电预测数据矩阵和其他柔性资源预测数据矩阵。
7.如权利要求1所述配电网群柔性资源协同调频方法,其特征在于,所述根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件,具体包括:
根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,分别确认负荷功率、光伏发电和其他柔性资源对应的历史记录数据、实时运行数据和未来预测数据的平均值;
分别根据负荷功率、光伏发电和其他柔性资源对应的历史记录数据、实时运行数据和未来预测数据的平均值,建立配电网冷热电负荷功率有功功率约束条件、配电网光伏发电功率数据制约关系条件、配电网电动汽车充放电功率数据制约关系条件和配电网储能装置充放电功率数据制约关系条件。
8.如权利要求1所述配电网群柔性资源协同调频方法,其特征在于,所述调峰风险目标函数具体为光伏发电承担负荷的比例和其他柔性资源承担负荷的比例之和的最大值。
9.一种配电网群柔性资源协同调频装置,其特征在于,包括:
数据获取模块,用于从历史数据库、实时采集数据系统、未来预测系统获取配电网群的负荷功率特征、光伏发电特征、其他柔性资源对应的充放电特征;
约束确认模块,用于根据所述负荷功率特征、所述光伏发电特征、所述其他柔性资源对应的充放电特征,确立调峰风险控制约束条件;
模型建立模块,用于根据所述调峰风险控制约束条件、固有的资源功率约束条件、固有的储能荷电状态约束条件,以调峰风险目标函数为目标函数,建立以调峰风险优化模型;
资源调频模块,用于以锥处理方法对所述调峰风险优化模型进行求解,得到各种柔性资源的调频功率值。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述配电网群柔性资源协同调频方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008479.9A CN117013567A (zh) | 2023-08-10 | 2023-08-10 | 一种配电网群柔性资源协同调频方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008479.9A CN117013567A (zh) | 2023-08-10 | 2023-08-10 | 一种配电网群柔性资源协同调频方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117013567A true CN117013567A (zh) | 2023-11-07 |
Family
ID=88567047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311008479.9A Pending CN117013567A (zh) | 2023-08-10 | 2023-08-10 | 一种配电网群柔性资源协同调频方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117013567A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647043A (zh) * | 2024-01-30 | 2024-03-05 | 广州贝龙环保产业科技股份有限公司 | 一种用于冰蓄冷系统的云端控制系统 |
-
2023
- 2023-08-10 CN CN202311008479.9A patent/CN117013567A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647043A (zh) * | 2024-01-30 | 2024-03-05 | 广州贝龙环保产业科技股份有限公司 | 一种用于冰蓄冷系统的云端控制系统 |
CN117647043B (zh) * | 2024-01-30 | 2024-04-09 | 广州贝龙环保产业科技股份有限公司 | 一种用于冰蓄冷系统的云端控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Decentralized solution for combined heat and power dispatch through benders decomposition | |
US10103550B2 (en) | Aggregated and optimized virtual power plant control | |
Hedayati-Mehdiabadi et al. | Wind power dispatch margin for flexible energy and reserve scheduling with increased wind generation | |
Bu et al. | Stochastic unit commitment in smart grid communications | |
Carli et al. | Cooperative distributed control for the energy scheduling of smart homes with shared energy storage and renewable energy source | |
CN117013567A (zh) | 一种配电网群柔性资源协同调频方法、装置及介质 | |
CN110137981B (zh) | 一种基于一致性算法的分布式储能聚合器agc方法 | |
Yi et al. | Balancing cost and dissatisfaction in online EV charging under real-time pricing | |
Li et al. | Two-stage community energy trading under end-edge-cloud orchestration | |
CN111382939A (zh) | 虚拟电厂资源优化配置方法、装置及设备 | |
Veremiichuk et al. | Analysis of electric energy supply security attached to renewable energy sources implementation | |
Shanmugapriya et al. | IoT based approach in a power system network for optimizing distributed generation parameters | |
CN111585279A (zh) | 一种基于新能源消纳的微电网优化调度方法 | |
Valsomatzis et al. | Aggregating energy flexibilities under constraints | |
CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
Lamari et al. | Multi‐objective economic/emission optimal energy management system for scheduling micro‐grid integrated virtual power plant | |
CN111327076B (zh) | 一种基于分布式记账的储能型风机调度响应方法 | |
Lavania et al. | Reducing variation in solar energy supply through frequency domain analysis | |
CN107565606B (zh) | 计及预测可信度差异性的配电网风光水发电优化调度方法 | |
CN116502832A (zh) | 一种多微电网联合规划方法、系统、存储介质及电子设备 | |
Paliwal et al. | Short-term optimal energy management in stand-alone microgrid with battery energy storage | |
Odonkor et al. | Optimization of energy use strategies in building clusters using pareto bands | |
KR102562761B1 (ko) | 스마트 그리드에서 p2p 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법 | |
Kumar et al. | Real time Optimal Operation of an Indian Microgrid using Convex Optimisation | |
Chen et al. | Leaky bucket-inspired power output smoothing with load-adaptive algorithm |
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 |