CN117057583A - 基于双层分布鲁棒预测博弈的园区综合能源系统调度方法 - Google Patents

基于双层分布鲁棒预测博弈的园区综合能源系统调度方法 Download PDF

Info

Publication number
CN117057583A
CN117057583A CN202311165489.3A CN202311165489A CN117057583A CN 117057583 A CN117057583 A CN 117057583A CN 202311165489 A CN202311165489 A CN 202311165489A CN 117057583 A CN117057583 A CN 117057583A
Authority
CN
China
Prior art keywords
energy
load
game
storage device
comprehensive energy
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.)
Granted
Application number
CN202311165489.3A
Other languages
English (en)
Other versions
CN117057583B (zh
Inventor
赵卓立
徐家文
刘昶
卢健钊
谭翰袁
张泽瀚
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.)
Guangdong University of Technology
Original Assignee
Guangdong 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202311165489.3A priority Critical patent/CN117057583B/zh
Publication of CN117057583A publication Critical patent/CN117057583A/zh
Application granted granted Critical
Publication of CN117057583B publication Critical patent/CN117057583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，首先建立园区综合能源系统调度模型，并采集未来一段时间系统的参考运行信息；将综合能源服务商作为博弈上层方，构建售电效益损失函数并转化为多阶段分布鲁棒混合整数规划问题；将负荷聚合商作为博弈下层方，构建用能效益损失函数并转化为多时域最优决策约束；电力市场决策交易中心根据获取到的问题和约束进行优化求解，根据求解结果进行能源调度；本发明以斯坦伯格博弈理论为基础，结合了模型预测控制滚动优化框架，提出了双层预测博弈机制，决策结果更具有合理性，另外，本发明进一步考虑鲁棒决策因素，调度方案可以有效兼顾经济性与鲁棒性。

Description

基于双层分布鲁棒预测博弈的园区综合能源系统调度方法
技术领域
本发明涉及能源系统的控制和调度技术领域，更具体地，涉及一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法。
背景技术
近年来，工业群落化和发展工业园区正逐渐成为工业发展和经济增长的重要载体。与建筑物等其他终端能源需求相比，工业用能需求更大，工业园区大规模的发展往往伴随着对高效安全可靠能源供应的重要需求。然而，传统工业园区供能都是单独规划和运行调控，不同种类和形式的能源系统之间缺乏有效的协调。随着用户用能需求的多样化，实现多类型能源互补运行的园区综合能源系统应运而生。园区综合能源系统可以实现多系统能源的互补融合，将资源的利用效率发挥到最佳的状态，以达到节能和经济的目的，是构建以新能源为主体的新型电力系统的重要物理载体。
与此同时，随着新一轮电力体制改革的开启，太阳能、风能以及燃气热电等各类分布式电源准许接入各电压等级的配电网络和终端用电系统，有效竞争的市场结构和市场体系正逐渐形成。在此背景下，工业园区传统垂直垄断、割裂分散供能模式正逐渐向电力市场环境下多能互补和梯级利用综合能源系统转型。然而，由于工业园区综合能源系统存在源荷多重不确定性、多元利益主体、多类型能源耦合、多时间尺度诧异等区别于传统配用电系统的内在特征，工业园区综合能源系统优化运行和调度控制将面临严峻的挑战。
目前的技术方案大多基于确定性的综合能源系统进行博弈建模，然而，确定性优化方法无法有效应对综合能源系统实际运行工况的多重不确定性，包括可再生能源出力的不确定性，负荷响应的不确定性等因素。除此以外，尽管考虑到不确定性因素影响，现有技术方案大多基于随机优化与鲁棒优化方法实现可靠决策，然而，随机优化方法依赖确定性的随机变量概率分布特征，量化分析系统的不确定性表现，其容易受到真实数据缺失进而无法准确刻画系统不确定性的复杂变化规律的影响。另一方面，鲁棒优化虽然不需要设定随机变量的概率分布，但由于仅考虑“最坏”场景下的最优解使得鲁棒优化调度方案过于保守。综上所述，在电力市场开放环境下，考虑多重不确定性的园区综合能源系统的分布鲁棒预测博弈方法具有广泛的应用前景。
现有技术中公开了一种基于主从博弈的园区综合能源系统双层优化控制方法，包括：建立上层能源服务商收益模型目标函数及约束条件；建立下层能源用户收益模型目标函数及约束条件；建立以能源价格为信号的运行调控模型；上层优化问题以能源服务商年盈利最大为目标，对设备容量和运营策略进行优化，降低了能源用户峰值负荷，减少了能源服务商的配置运行成本；下层优化问题是考虑能源用户主体特征的用能策略优化问题，以能源用户年用能费用最低为目标，减少用户负荷的峰谷差，根据上层能源服务商制定的能源价格，对能源用户的用能策略进行优化；该现有技术中的博弈方法是基于斯坦伯格博弈理论的单点博弈，单点博弈仅能根据当前调度时刻的可再生能源情况做出决策，决策结果不具有前瞻性，不能良好的应对新能源高渗透带来的出力波动影响；另外，该方法是基于确定性优化问题的博弈，并未考虑可再生能源多时域不确定性预测误差为系统运行可靠性带来的影响，使得决策结果鲁棒性不足，在直接实施时可能会影响综合能源系统的稳定性，带来不必要的经济损失。
发明内容
本发明为克服上述现有技术的决策结果不具有前瞻性和鲁棒性不足的缺陷，提供一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，决策结果更具有合理性，经济表现也将进一步的提升，另外，本发明进一步考虑鲁棒决策因素，可以实现经济性与鲁棒性有效结合的决策。
为解决上述技术问题，本发明的技术方案如下：
一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，包括以下步骤：
S1：建立园区综合能源系统调度模型，所述园区综合能源系统包括电网公司、电力市场交易控制中心、综合能源服务商和负荷聚合商；
S2：基于所建立的园区综合能源系统调度模型，以m分钟为一个时间段，综合能源服务商采集未来M个时间段的综合能源参考信息，负荷聚合商采集未来M个时间段的负荷参考信息；其中，m、M分别为第一、第二正整数；
S3：构建基于斯坦伯格博弈的双层博弈问题，将综合能源服务商作为博弈上层方，根据获取到的未来M个时间段的综合能源参考信息，构建紧凑预测调控模型和数据驱动模糊集，并根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数；
将负荷聚合商作为博弈下层方，根据获取到的未来M个时间段的负荷参考信息，构建用能效益损失函数；
S4：所述博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束并发送至电力市场交易控制中心；
所述博弈上层方根据强对偶理论和线性化技术，将售电效益损失函数转化为多阶段混合整数规划问题并发送至电力市场决策交易中心；
S5：电力市场决策交易中心将多时域最优决策约束作为多阶段混合整数规划问题的约束条件，进而将双层博弈问题转化为基于多阶段混合整数规划的单层多时域预测优化问题，对单层多时域预测优化问题进行求解，获取决策求解结果；
综合能源服务商和负荷聚合商分别根据决策求解结果进行未来m分钟的能源调度；
S6：滚动重复步骤S3～S5，依次对未来M个时间段的能源调度决策进行优化求解，完成未来M个时间段内园区综合能源系统的双层鲁棒博弈调度。
优选地，所述步骤S1中，园区综合能源系统调度模型包括综合能源服务商调度模型和负荷聚合商调度模型；
所述综合能源服务商调度模型包括：风力和光伏发电机组子模型、热电联产机组子模型、燃气锅炉机组子模型、电储能装置子模型和热储能装置子模型。
优选地，所述综合能源服务商调度模型具体为：
所述风力和光伏发电机组子模型具体为：
其中，t表示时刻；Ppv和Pwt分别表示光伏和风力发电机组的实际出力；和/>分别表示光伏和风力发电机组的日前预测出力值；ΔPpv和ΔPwt分别表示不同时间段内光伏和风力发电机组出力的预测误差阈值；δpv和δwt分别表示第一和第二随机变量；
所述热电联产机组具体为带有溴冷机的燃气轮机组，热电联产机组子模型和燃气锅炉机组子模型具体为：
Pmt(t+1)＝Pmt(t)+ΔPmt(t+1)
Hbo(t+1)＝Hbo(t)+ΔHbo(t+1)
其中，Pmt和Hmt分别表示燃气轮机的电供能和热供能大小；ΔPmt为燃气轮机电供能的调整量；ηmt为燃气轮机的发电效率；ηL为散热率；ηh为烟气回收效率；Coph为溴冷机制热系数；Hbo为燃气锅炉的输出热功率，ΔHbo为燃气锅炉的功率调整量；和/>分别为燃气轮机电供能的最小值和最大值；/>和/>分别为燃气锅炉输出热功率的最小值和最大值；和/>分别表示燃气轮机电供能调整量的最小值和最大值；/>和/>分别表示燃气锅炉功率调整量的最小值和最大值；
所述电储能装置子模型和热储能装置子模型具体为：
其中，ξbes和ξtes分别为电储能装置和热储能装置的自放能系数；和/>分别表示电储能装置和热储能装置的充能效率；/>和/>分别表示电储能装置和热储能装置的放能效率；Pch和Pdis分别表示电储能装置的充电和放电功率大小；Hch和Hdis分别表示热储能装置的热能补充和释放大小；Ebes和Etes分别为电储能装置和热储能装置的荷能状态；和/>分别为第一、第二、第三和第四二元变量；/>和/>分别为电储能装置和热储能装置的充能最大值；/>和/>分别为电储能装置荷能状态的最小值和最大值；和/>分别为热储能装置荷能状态的最小值和最大值；/>和/>分别为当日调度结束时，电储能装置和热储能装置的荷能状态；κ为预设的荷能状态系数；/>和/>分别为电储能装置和热储能装置的总容量大小。
优选地，所述负荷聚合商调度的负荷包括电负荷和热负荷，负荷类型包括可控负荷和不可控负荷；
负荷聚合商调度模型具体为：
Pld(t)＝Pfl(t)+ΔPdr(t)
Hld(t)＝Hfl(t)+ΔHdr(t)
其中，Pld和Hld分别表示电负荷和热负荷大小；Pfl和Hfl分别为不可控电负荷和不可控热负荷大小；ΔPdr和ΔHdr分别为可控电负荷和可控热负荷大小；和/>分别为预测的电负荷和热负荷大小；εel和εhl分别为可控电负荷和可控热负荷的占比系数。
优选地，所述步骤S2中，综合能源参考信息包括：风力和光伏发电机组出力预测信息、用户用能信息、综合能源服务商所调度的所有分布式发电机组的运行状态信息，以及电价信息；
负荷参考信息具体为用户用能信息。
优选地，所述步骤S3中构建的紧凑预测调控模型的状态空间方程具体为：
xo＝[Ebes Etes Pmt Hmt Hbo]T
uo＝[Pch Pdis Hch Hdis ΔPmt ΔHbo Pgrid]T
yo＝[Pld Hld]T
wo＝[Ppv Pwt]T
其中，Pgd为综合能源服务商向电网公司的购电量；xo、uo、yo和wo分别为紧凑预测调控模型的状态变量、控制变量、输出变量和不确定变量；Ao、Bo、Co、Do和Eo分别为第一、第二、第三、第四和第五系数矩阵；
所述数据驱动模糊集用于表示在不同场景下可再生能源的概率分布的约束集合，可再生能源包括风力和光伏，数据驱动模糊集具体为：
其中，P0为可再生能源的初始概率分布；ρs表示场景概率变量；Ξρ表示场景概率变量的可行域；Ns表示缩减后的场景总数；s表示场景；P为概率变量的集合；θ1和θ∞分别为1范数和无穷范数的约束系数。
优选地，所述步骤S3中，根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数，具体方法为：
将所述数据驱动模糊集进行重构，重构后的数据驱动模糊集具体为：
其中，α1和α∞分别为预设的第一和第二置信参数；M0为原始总场景数；
根据紧凑预测调控模型和重构后的数据驱动模糊集构建基于分布鲁棒的售电效益损失函数Φop，售电效益损失函数Φop具体为：
y＝[Pmt Pch Pdis Pgd Hbo Hch Hdis csell,e csell,h]T
JIEO＝Jsp-Jco+Jsa
其中，xt为第t时刻的第一阶段变量；y为第二阶段变量，yt为第t时刻的第二阶段变量，为第二阶段变量初始值；JIEO为场景目标函数，/>为初始场景目标函数；/>和/>分别为燃气轮机和燃气锅炉对应的成本系数；/>和/>分别为电储能装置的充电和放电成本系数；/>和/>分别为热储能装置的充能和放能成本系数；/>为电网公司的电价信息；Jsp为综合能源服务商的总成本；Jco和Jsa分别为负荷聚合商的总成本和满意度；T为时刻总数；/>为综合能源服务商的总成本期望。
优选地，所述步骤S3中，负荷聚合商构建的用能效益损失函数Φag具体为：
其中，和/>分别为电能和热能的满意度系数；/>和/>分别为综合能源服务商的电能和热能单位售价；Δt为用户的用能时间。
优选地，所述步骤S4中，博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束，所述多时域最优决策约束具体为：
其中，L为根据用能效益损失函数构建的拉格朗日函数；和/>分别为第一、第二、第三和第四拉格朗日乘子。
优选地，所述步骤S4中，博弈上层方根据强对偶理论和线性化技术，将售电效益损失函数转化为多阶段混合整数规划问题，所述多阶段混合整数规划问题具体为：
其中，c为成本系数的集合；yt′转化后的第二阶段变量，为转化后的第二阶段变量初始值；/>为第s个场景下变量yt对应的约束条件集合；/>为初始场景下变量yt对应的约束条件集合；k为索引变量。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，首先建立园区综合能源系统调度模型；基于所建立的园区综合能源系统调度模型，以m分钟为一个时间段，综合能源服务商采集未来M个时间段的综合能源参考信息，负荷聚合商采集未来M个时间段的负荷参考信息；构建双层博弈问题，将综合能源服务商作为博弈上层方，根据获取到的未来M个时间段的综合能源参考信息，构建紧凑预测调控模型和数据驱动模糊集，并根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数；将负荷聚合商作为博弈下层方，根据获取到的未来M个时间段的负荷参考信息，构建用能效益损失函数；所述博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束并发送至电力市场交易控制中心；所述博弈上层方根据强对偶理论和线性化技术，将售电效益损失函数转化为多阶段混合整数规划问题并发送至电力市场决策交易中心；电力市场决策交易中心将多时域最优决策约束作为多阶段混合整数规划问题的约束条件，进而将双层博弈问题转化为基于多阶段混合整数规划的单层多时域预测优化问题，对单层多时域预测优化问题进行求解，获取决策求解结果；综合能源服务商和负荷聚合商分别根据决策求解结果进行未来m分钟的能源调度；滚动重复上述步骤，依次对未来M个时间段的能源调度决策进行优化求解，完成未来M个时间段内园区综合能源系统的双层鲁棒博弈调度；
本发明以斯坦伯格博弈理论为基础，结合了模型预测控制滚动优化框架，提出了双层预测博弈框架，能使得园区综合能源系统中博弈双方作出更为经济理性的决策；同时，本发明针对多主体园区综合能源系统，提出了双层分布鲁棒博弈框架，在上层重点考虑可再生能源预测误差带来的决策影响，建立了基于分布鲁棒优化的多时域决策函数，可以实现经济性与鲁棒性有效结合的决策；另外，本发明在构建的双层鲁棒博弈模型的基础上，进一步根据最优化理论提出了有效计算双层鲁棒优化问题的方法，能够实现博弈双方的收益最大化，调度更加合理精确。
附图说明
图1为实施例1所提供的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法流程图。
图2为实施例1所提供的园区综合能源系统示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，本实施例提供一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，包括以下步骤：
S1：建立园区综合能源系统调度模型，所述园区综合能源系统包括电网公司、电力市场交易控制中心、综合能源服务商和负荷聚合商；
S2：基于所建立的园区综合能源系统调度模型，以m分钟为一个时间段，综合能源服务商采集未来M个时间段的综合能源参考信息，负荷聚合商采集未来M个时间段的负荷参考信息；其中，m、M分别为第一、第二正整数；
S3：构建基于斯坦伯格博弈的双层博弈问题，将综合能源服务商作为博弈上层方，根据获取到的未来M个时间段的综合能源参考信息，构建紧凑预测调控模型和数据驱动模糊集，并根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数；
将负荷聚合商作为博弈下层方，根据获取到的未来M个时间段的负荷参考信息，构建用能效益损失函数；
S4：所述博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束并发送至电力市场交易控制中心；
所述博弈上层方根据强对偶理论和线性化技术，将售电效益损失函数转化为多阶段混合整数规划问题并发送至电力市场决策交易中心；
S5：电力市场决策交易中心将多时域最优决策约束作为多阶段混合整数规划问题的约束条件，进而将双层博弈问题转化为基于多阶段混合整数规划的单层多时域预测优化问题，对单层多时域预测优化问题进行求解，获取决策求解结果；
综合能源服务商和负荷聚合商分别根据决策求解结果进行未来m分钟的能源调度；
S6：滚动重复步骤S3～S5，依次对未来M个时间段的能源调度决策进行优化求解，完成未来M个时间段内园区综合能源系统的双层鲁棒博弈调度。
在具体实施过程中，首先建立园区综合能源系统调度模型，基于所建立的园区综合能源系统调度模型，以m分钟为一个时间段，综合能源服务商采集未来M个时间段的综合能源参考信息，负荷聚合商采集未来M个时间段的负荷参考信息；将综合能源服务商作为斯坦伯格博弈上层方，根据获取到的未来M个时间段的综合能源参考信息，构建紧凑预测调控模型和数据驱动模糊集，并根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数；将负荷聚合商作为斯坦伯格博弈下层方，根据获取到的未来M个时间段的负荷参考信息，构建用能效益损失函数；博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束并发送至电力市场交易控制中心；博弈上层方根据强对偶理论，将售电效益损失函数转化为多阶段混合整数规划问题并发送至电力市场决策交易中心；电力市场决策交易中心将多时域最优决策约束作为多阶段混合整数规划问题的约束条件，进而将双层博弈问题转化为单层多时域预测优化问题进行优化求解，获取决策求解结果；最后综合能源服务商和负荷聚合商分别根据决策求解结果进行未来m分钟的能源调度；滚动重复上述步骤，依次对未来M个时间段的能源调度决策进行优化求解，完成未来M个时间段内园区综合能源系统的双层鲁棒博弈调度；
本方法以斯坦伯格博弈理论为基础，结合了模型预测控制滚动优化框架，提出了双层预测博弈框架，能使得园区综合能源系统中博弈双方作出更为经济理性的决策；同时，本方法针对多主体园区综合能源系统，提出了双层分布鲁棒博弈框架，在上层重点考虑可再生能源预测误差带来的决策影响，建立了基于分布鲁棒优化的多时域决策函数，可以实现经济性与鲁棒性有效结合的决策；另外，本方法在构建的双层鲁棒博弈模型的基础上，进一步根据最优化理论提出了有效计算双层鲁棒优化问题的方法，能够实现博弈双方的收益最大化，调度更加合理精确。
实施例2
本实施例提供一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，包括以下步骤：
S1：建立园区综合能源系统调度模型，所述园区综合能源系统包括电网公司、电力市场交易控制中心、综合能源服务商和负荷聚合商；
S2：基于所建立的园区综合能源系统调度模型，以m分钟为一个时间段，综合能源服务商采集未来M个时间段的综合能源参考信息，负荷聚合商采集未来M个时间段的负荷参考信息；其中，m、M分别为第一、第二正整数；
S3：构建基于斯坦伯格博弈的双层博弈问题，将综合能源服务商作为博弈上层方，根据获取到的未来M个时间段的综合能源参考信息，构建紧凑预测调控模型和数据驱动模糊集，并根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数；
将负荷聚合商作为博弈下层方，根据获取到的未来M个时间段的负荷参考信息，构建用能效益损失函数；
S4：所述博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束并发送至电力市场交易控制中心；
所述博弈上层方根据强对偶理论和线性化技术，将售电效益损失函数转化为多阶段混合整数规划问题并发送至电力市场决策交易中心；
S5：电力市场决策交易中心将多时域最优决策约束作为多阶段混合整数规划问题的约束条件，进而将双层博弈问题转化为基于多阶段混合整数规划的单层多时域预测优化问题，对单层多时域预测优化问题进行求解，获取决策求解结果；
综合能源服务商和负荷聚合商分别根据决策求解结果进行未来m分钟的能源调度；
S6：滚动重复步骤S3～S5，依次对未来M个时间段的能源调度决策进行优化求解，完成未来M个时间段内园区综合能源系统的双层鲁棒博弈调度。
在具体实施过程中，首先建立园区综合能源系统调度模型，如图2所示，园区综合能源系统包括电网公司、电力市场交易控制中心、综合能源服务商和负荷聚合商；电网公司根据实时的售电价格、供气价格为综合能源服务商提供可供选择的电能支撑以及天然气的补充；综合能源服务商作为新能源及分布式设备的投资企业，主要负责运营园区的综合能源系统设备，为园区的用能消费者提供不同类型的能量支撑；负荷聚合商主要代表了用户的用能需求以及用能满意度，针对综合能源服务商的电价变化来做出最优的负荷响应决策；
综合能源服务商包括若干个分布式设备单元，负荷聚合商包括园区内可供响应的电热负荷，分布式设备单元包括风力发电机组、光伏发电机组、热电联产机组、燃气锅炉机组、电储能系统和热储能系统；负荷聚合商所管理的负荷资源包括可控负荷资源以及不可控负荷资源；
本实施例所建立的园区综合能源系统调度模型包括综合能源服务商调度模型和负荷聚合商调度模型；
所述综合能源服务商调度模型包括：风力和光伏发电机组子模型、热电联产机组子模型、燃气锅炉机组子模型、电储能装置子模型和热储能装置子模型；
所述风力和光伏发电机组子模型具体为：
其中，t表示时刻；Ppv和Pwt分别表示光伏和风力发电机组的实际出力；和/>分别表示光伏和风力发电机组的日前预测出力值；ΔPpv和ΔPwt分别表示不同时间段内光伏和风力发电机组出力的预测误差阈值；δpv和δwt分别表示第一和第二随机变量；
所述热电联产机组具体为带有溴冷机的燃气轮机组，热电联产机组子模型和燃气锅炉机组子模型具体为：
Pmt(t+1)＝Pmt(t)+ΔPmt(t+1)
Hbo(t+1)＝Hbo(t)+ΔHbo(t+1)
其中，Pmt和Hmt分别表示燃气轮机的电供能和热供能大小；ΔPmt为燃气轮机电供能的调整量；ηmt为燃气轮机的发电效率；ηL为散热率；ηh为烟气回收效率；Coph为溴冷机制热系数；Hbo为燃气锅炉的输出热功率，ΔHbo为燃气锅炉的功率调整量；和/>分别为燃气轮机电供能的最小值和最大值；/>和/>分别为燃气锅炉输出热功率的最小值和最大值；和/>分别表示燃气轮机电供能调整量的最小值和最大值；/>和/>分别表示燃气锅炉功率调整量的最小值和最大值；
所述电储能装置子模型和热储能装置子模型具体为：
其中，ξbes和ξtes分别为电储能装置和热储能装置的自放能系数；和/>分别表示电储能装置和热储能装置的充能效率；/>和/>分别表示电储能装置和热储能装置的放能效率；Pch和Pdis分别表示电储能装置的充电和放电功率大小；Hch和Hdis分别表示热储能装置的热能补充和释放大小；Ebes和Etes分别为电储能装置和热储能装置的荷能状态；和/>分别为第一、第二、第三和第四二元变量；/>和/>分别为电储能装置和热储能装置的充能最大值；/>和/>分别为电储能装置荷能状态的最小值和最大值；和/>分别为热储能装置荷能状态的最小值和最大值；/>和/>分别为当日调度结束时，电储能装置和热储能装置的荷能状态；κ为预设的荷能状态系数；/>和/>分别为电储能装置和热储能装置的总容量大小；
所述负荷聚合商调度的负荷包括电负荷和热负荷，负荷类型包括可控负荷和不可控负荷；
负荷聚合商调度模型具体为：
Pld(t)＝Pfl(t)+ΔPdr(t)
Hld(t)＝Hfl(t)+ΔHdr(t)
其中，Pld和Hld分别表示电负荷和热负荷大小；Pfl和Hfl分别为不可控电负荷和不可控热负荷大小；ΔPdr和ΔHdr分别为可控电负荷和可控热负荷大小；和/>分别为预测的电负荷和热负荷大小；εel和εhl分别为可控电负荷和可控热负荷的占比系数；
之后基于所建立的园区综合能源系统调度模型，以m分钟为一个时间段，综合能源服务商采集未来M个时间段的综合能源参考信息，负荷聚合商采集未来M个时间段的负荷参考信息；
综合能源参考信息包括：风力和光伏发电机组出力预测信息、用户用能信息、综合能源服务商所调度的所有分布式发电机组的运行状态信息，以及电价信息；
负荷参考信息具体为用户用能信息；
将综合能源服务商作为斯坦伯格博弈上层方，根据获取到的未来M个时间段的综合能源参考信息，构建紧凑预测调控模型和数据驱动模糊集，并根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数；
紧凑预测调控模型的状态空间方程具体为：
xo＝[Ebes Etes Pmt Hmt Hbo]T
uo＝[Pch Pdis Hch Hdis ΔPmt ΔHbo Pgrid]T
yo＝[Pld Hld]T
wo＝[Ppv Pwt]T
其中，Pgd为综合能源服务商向电网公司的购电量；xo、uo、yo和wo分别为紧凑预测调控模型的状态变量、控制变量、输出变量和不确定变量；Ao、Bo、Co、Do和Eo分别为第一、第二、第三、第四和第五系数矩阵；
所述数据驱动模糊集用于表示在不同场景下可再生能源的概率分布的约束集合，可再生能源包括风力和光伏，数据驱动模糊集具体为：
其中，P0为可再生能源的初始概率分布；ρs表示场景概率变量；Ξρ表示场景概率变量的可行域；Ns表示缩减后的场景总数；s表示场景；P为概率变量的集合；θ1和θ∞分别为1范数和无穷范数的约束系数；
根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数，具体方法为：
将所述数据驱动模糊集进行重构，重构后的数据驱动模糊集具体为：
其中，α1和α∞分别为预设的第一和第二置信参数；M0为初始总场景数；
根据紧凑预测调控模型和重构后的数据驱动模糊集构建基于分布鲁棒的售电效益损失函数Φop，售电效益损失函数Φop具体为：
y＝[Pmt Pch Pdis Pgd Hbo Hch Hdis csell,e csell,h]T
JIEO＝Jsp-Jco+Jsa
其中，xt为第t时刻的第一阶段变量；y为第二阶段变量，yt为第t时刻的第二阶段变量，为第二阶段变量初始值；JIEO为场景目标函数，/>为初始场景目标函数；/>和/>分别为燃气轮机和燃气锅炉对应的成本系数；/>和/>分别为电储能装置的充电和放电成本系数；/>和/>分别为热储能装置的充能和放能成本系数；/>为电网公司的电价信息；Jsp为综合能源服务商的总成本；Jco和Jsa分别为负荷聚合商的总成本和满意度；T为时刻总数；/>为综合能源服务商的总成本期望；
将负荷聚合商作为(斯坦伯格)博弈下层方，根据获取到的未来第1个时间段的负荷参考信息，构建用能效益损失函数；
负荷聚合商构建的用能效益损失函数Φag具体为：
/>
其中，和/>分别为电能和热能的满意度系数；/>和/>分别为综合能源服务商的电能和热能单位售价；Δt为用户的用能时间；
博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束并发送至电力市场交易控制中心；
多时域最优决策约束具体为：
其中，L为根据用能效益损失函数构建的拉格朗日函数；和/>分别为第一、第二、第三和第四拉格朗日乘子；
博弈上层方根据强对偶理论，将售电效益损失函数转化为多阶段混合整数规划问题并发送至电力市场决策交易中心；
多阶段混合整数规划问题具体为：
其中，c为成本系数的集合；yt′转化后的第二阶段变量，为转化后的第二阶段变量初始值；/>为第s个场景下变量yt对应的约束条件集合；/>为初始场景下变量yt对应的约束条件集合；k为索引变量；
电力市场决策交易中心将多时域最优决策约束作为多阶段混合整数规划问题的约束条件，并将多阶段混合整数规划问题转化为单层多时域预测优化问题进行优化求解，获取决策求解结果；
最后综合能源服务商和负荷聚合商分别根据决策求解结果进行未来m分钟的能源调度；
滚动重复上述步骤，依次对未来M个时间段的能源调度决策进行优化求解，完成未来M个时间段内园区综合能源系统的双层鲁棒博弈调度；
本方法创新性地提出了一种双层预测博弈策略，与传统仅及于单点可再生能源及负荷预测情况的博弈不同，本方法的博弈决策过程考虑了多时域的能源波动情况，决策结果更具有合理性，经济表现也将进一步的提升；另外，本方法中着重考虑到综合能源服务商作为能源供给方法所需承担的由新能源出力不确定性带来的调度计划影响，在双层预测博弈策略的基础上，进一步考虑鲁棒决策因素，发展出双层分布鲁棒预测博弈机制，并给予了所提机制中模型的转化求解方案；
面对双层博弈问题，大多数技术方案都采用了斯坦伯格博弈方法，本方法同样采用了斯坦伯格双层博弈方法，但在此基础上加以改进；
针对考虑可再生能源不确定性方面，现有技术大多采用鲁棒优化以及随机优化的方法，但鲁棒优化方法决策过于保守，会带来极大的经济损失；随机优化方法基于给定的概率分布进行决策，计算量较大，决策的鲁棒性表现仍有不足；本方法在博弈问题中创新结合了分布鲁棒优化的方法，能够良好的平衡鲁棒性与经济性。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，包括以下步骤：
S1：建立园区综合能源系统调度模型，所述园区综合能源系统包括电网公司、电力市场交易控制中心、综合能源服务商和负荷聚合商；
S2：基于所建立的园区综合能源系统调度模型，以m分钟为一个时间段，综合能源服务商采集未来M个时间段的综合能源参考信息，负荷聚合商采集未来M个时间段的负荷参考信息；其中，m、M分别为第一、第二正整数；
S3：构建基于斯坦伯格博弈的双层博弈问题，将综合能源服务商作为博弈上层方，根据获取到的未来M个时间段的综合能源参考信息，构建紧凑预测调控模型和数据驱动模糊集，并根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数；
将负荷聚合商作为博弈下层方，根据获取到的未来M个时间段的负荷参考信息，构建用能效益损失函数；
S4：所述博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束并发送至电力市场交易控制中心；
所述博弈上层方根据强对偶理论和线性化技术，将售电效益损失函数转化为多阶段混合整数规划问题并发送至电力市场决策交易中心；
S5：电力市场决策交易中心将多时域最优决策约束作为多阶段混合整数规划问题的约束条件，进而将双层博弈问题转化为基于多阶段混合整数规划的单层多时域预测优化问题，对单层多时域预测优化问题进行求解，获取决策求解结果；
综合能源服务商和负荷聚合商分别根据决策求解结果进行未来m分钟的能源调度；
S6：滚动重复步骤S3～S5，依次对未来M个时间段的能源调度决策进行优化求解，完成未来M个时间段内园区综合能源系统的双层鲁棒博弈调度。
2.根据权利要求1所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述步骤S1中，园区综合能源系统调度模型包括综合能源服务商调度模型和负荷聚合商调度模型；
所述综合能源服务商调度模型包括：风力和光伏发电机组子模型、热电联产机组子模型、燃气锅炉机组子模型、电储能装置子模型和热储能装置子模型。
3.根据权利要求2所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述综合能源服务商调度模型具体为：
所述风力和光伏发电机组子模型具体为：
其中，t表示时刻；Ppv和Pwt分别表示光伏和风力发电机组的实际出力；和/>分别表示光伏和风力发电机组的日前预测出力值；ΔPpv和ΔPwt分别表示不同时间段内光伏和风力发电机组出力的预测误差阈值；δpv和δwt分别表示第一和第二随机变量；
所述热电联产机组具体为带有溴冷机的燃气轮机组，热电联产机组子模型和燃气锅炉机组子模型具体为：
Pmt(t+1)＝Pmt(t)+ΔPmt(t+1)
Hbo(t+1)＝Hbo(t)+ΔHbo(t+1)
其中，Pmt和Hmt分别表示燃气轮机的电供能和热供能大小；ΔPmt为燃气轮机电供能的调整量；ηmt为燃气轮机的发电效率；ηL为散热率；ηh为烟气回收效率；Coph为溴冷机制热系数；Hbo为燃气锅炉的输出热功率，ΔHbo为燃气锅炉的功率调整量；和/>分别为燃气轮机电供能的最小值和最大值；/>和/>分别为燃气锅炉输出热功率的最小值和最大值；/>和分别表示燃气轮机电供能调整量的最小值和最大值；/>和/>分别表示燃气锅炉功率调整量的最小值和最大值；
所述电储能装置子模型和热储能装置子模型具体为：
其中，ξbes和ξtes分别为电储能装置和热储能装置的自放能系数；和/>分别表示电储能装置和热储能装置的充能效率；/>和/>分别表示电储能装置和热储能装置的放能效率；Pch和Pdis分别表示电储能装置的充电和放电功率大小；Hch和Hdis分别表示热储能装置的热能补充和释放大小；Ebes和Etes分别为电储能装置和热储能装置的荷能状态；/>和/>分别为第一、第二、第三和第四二元变量；/>和/>分别为电储能装置和热储能装置的充能最大值；/>和/>分别为电储能装置荷能状态的最小值和最大值；/>和/>分别为热储能装置荷能状态的最小值和最大值；/>和/>分别为当日调度结束时，电储能装置和热储能装置的荷能状态；κ为预设的荷能状态系数；/>和/>分别为电储能装置和热储能装置的总容量大小。
4.根据权利要求2或3所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述负荷聚合商调度的负荷包括电负荷和热负荷，负荷类型包括可控负荷和不可控负荷；
负荷聚合商调度模型具体为：
Pld(t)＝Pfl(t)+ΔPdr(t)
Hld(t)＝Hfl(t)+ΔHdr(t)
其中，Pld和Hld分别表示电负荷和热负荷大小；Pfl和Hfl分别为不可控电负荷和不可控热负荷大小；ΔPdr和ΔHdr分别为可控电负荷和可控热负荷大小；和/>分别为预测的电负荷和热负荷大小；εel和εhl分别为可控电负荷和可控热负荷的占比系数。
5.根据权利要求4所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述步骤S2中，综合能源参考信息包括：风力和光伏发电机组出力预测信息、用户用能信息、综合能源服务商所调度的所有分布式发电机组的运行状态信息，以及电价信息；
负荷参考信息具体为用户用能信息。
6.根据权利要求5所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述步骤S3中构建的紧凑预测调控模型的状态空间方程具体为：
xo＝[Ebes Etes Pmt Hmt Hbo]T
uo＝[Pch Pdis Hch Hdis ΔPmt ΔHbo Pgrid]T
yo＝[Pld Hld]T
wo＝[Ppv Pwt]T
其中，Pgd为综合能源服务商向电网公司的购电量；xo、uo、yo和wo分别为紧凑预测调控模型的状态变量、控制变量、输出变量和不确定变量；Ao、Bo、Co、Do和Eo分别为第一、第二、第三、第四和第五系数矩阵；
所述数据驱动模糊集用于表示在不同场景下可再生能源的概率分布的约束集合，可再生能源包括风力和光伏，数据驱动模糊集具体为：
其中，P0为可再生能源的初始概率分布；ρs表示场景概率变量；Ξρ表示场景概率变量的可行域；Ns表示缩减后的场景总数；s表示场景；P为概率变量的集合；θ1和θ∞分别为1范数和无穷范数的约束系数。
7.根据权利要求6所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述步骤S3中，根据紧凑预测调控模型和数据驱动模糊集构建基于分布鲁棒的售电效益损失函数，具体方法为：
将所述数据驱动模糊集进行重构，重构后的数据驱动模糊集具体为：
其中，α1和α∞分别为预设的第一和第二置信参数；M0为原始总场景数；
根据紧凑预测调控模型和重构后的数据驱动模糊集构建基于分布鲁棒的售电效益损失函数Φop，售电效益损失函数Φop具体为：
y＝[Pmt Pch Pdis Pgd Hbo Hch Hdis csell,e csell,h]T
JIEO＝Jsp-Jco+Jsa
其中，xt为第t时刻的第一阶段变量；y为第二阶段变量，yt为第t时刻的第二阶段变量，为第二阶段变量初始值；JIEO为场景目标函数，/>为初始场景目标函数；/>和/>分别为燃气轮机和燃气锅炉对应的成本系数；/>和/>分别为电储能装置的充电和放电成本系数；/>和/>分别为热储能装置的充能和放能成本系数；/>为电网公司的电价信息；Jsp为综合能源服务商的总成本；Jco和Jsa分别为负荷聚合商的总成本和满意度；T为时刻总数；/>为综合能源服务商的总成本期望。
8.根据权利要求7所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述步骤S3中，负荷聚合商构建的用能效益损失函数Φag具体为：
其中，和/>分别为电能和热能的满意度系数；/>和/>分别为综合能源服务商的电能和热能单位售价；Δt为用户的用能时间。
9.根据权利要求8所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述步骤S4中，博弈下层方根据KKT最优条件，将用能效益损失函数转化为多时域最优决策约束，所述多时域最优决策约束具体为：
其中，L为根据用能效益损失函数构建的拉格朗日函数；和/>分别为第一、第二、第三和第四拉格朗日乘子。
10.根据权利要求9所述的一种基于双层分布鲁棒预测博弈的园区综合能源系统调度方法，其特征在于，所述步骤S4中，博弈上层方根据强对偶理论和线性化技术，将售电效益损失函数转化为多阶段混合整数规划问题，所述多阶段混合整数规划问题具体为：
其中，c为成本系数的集合；yt′转化后的第二阶段变量，为转化后的第二阶段变量初始值；/>为第s个场景下变量yt对应的约束条件集合；/>为初始场景下变量yt对应的约束条件集合；k为索引变量。
CN202311165489.3A 2023-09-08 2023-09-08 基于双层分布鲁棒预测博弈的园区综合能源系统调度方法 Active CN117057583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311165489.3A CN117057583B (zh) 2023-09-08 2023-09-08 基于双层分布鲁棒预测博弈的园区综合能源系统调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311165489.3A CN117057583B (zh) 2023-09-08 2023-09-08 基于双层分布鲁棒预测博弈的园区综合能源系统调度方法

Publications (2)

Publication Number Publication Date
CN117057583A true CN117057583A (zh) 2023-11-14
CN117057583B CN117057583B (zh) 2024-01-26

Family

ID=88667641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311165489.3A Active CN117057583B (zh) 2023-09-08 2023-09-08 基于双层分布鲁棒预测博弈的园区综合能源系统调度方法

Country Status (1)

Country Link
CN (1) CN117057583B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689179A (zh) * 2024-01-30 2024-03-12 山东建筑大学 基于多阶段鲁棒的综合能源系统运行优化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110112728A (zh) * 2019-05-10 2019-08-09 四川大学 一种考虑风电鲁棒不确定性的多园区微网合作博弈方法
CN113222249A (zh) * 2021-05-12 2021-08-06 天津大学 基于主从博弈的园区综合能源系统双层优化控制方法
CN113393125A (zh) * 2021-06-16 2021-09-14 沈阳工程学院 基于源荷双侧互动博弈的综合能源系统协同调度方法
CN115293502A (zh) * 2022-06-30 2022-11-04 河海大学 一种基于数据驱动的园区综合能源系统随机—分布鲁棒低碳调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110112728A (zh) * 2019-05-10 2019-08-09 四川大学 一种考虑风电鲁棒不确定性的多园区微网合作博弈方法
CN113222249A (zh) * 2021-05-12 2021-08-06 天津大学 基于主从博弈的园区综合能源系统双层优化控制方法
CN113393125A (zh) * 2021-06-16 2021-09-14 沈阳工程学院 基于源荷双侧互动博弈的综合能源系统协同调度方法
CN115293502A (zh) * 2022-06-30 2022-11-04 河海大学 一种基于数据驱动的园区综合能源系统随机—分布鲁棒低碳调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689179A (zh) * 2024-01-30 2024-03-12 山东建筑大学 基于多阶段鲁棒的综合能源系统运行优化方法及系统
CN117689179B (zh) * 2024-01-30 2024-05-03 山东建筑大学 基于多阶段鲁棒的综合能源系统运行优化方法及系统

Also Published As

Publication number Publication date
CN117057583B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Wang et al. A review on virtual power plant concept, application and challenges
Yan et al. Operation and design optimization of microgrids with renewables
CN103346562A (zh) 计及需求响应的多时间尺度微网能量控制方法
Yin et al. Energy pricing and sharing strategy based on hybrid stochastic robust game approach for a virtual energy station with energy cells
CN117057583B (zh) 基于双层分布鲁棒预测博弈的园区综合能源系统调度方法
Kok Multi-agent coordination in the electricity grid, from concept towards market introduction
CN110690702A (zh) 一种考虑综合承载力的主动配电网优化调度及运行方法
Zhang Optimal design and planning of energy microgrids
Mekontso et al. Review of optimization techniques for sizing renewable energy systems
Saha Adaptive model-based receding horizon control of interconnected renewable-based power micro-grids for effective control and optimal power exchanges
Sheikhi et al. A novel method to determine the best size of CHP for an energy hub system
Ma et al. Energy storage capacity optimization for improving the autonomy of grid-connected microgrid
Ravindra et al. Microgrids: A Value-Based Paradigm: The need for the redefinition of microgrids
Elazab et al. Optimal techno-economic feasibility analysis of a grid-tied microgrid considering demand response strategy
Rizvi et al. Optimal scheduling of virtual power plants utilizing wind power and electric vehicles
Han et al. Optimal design of an on-grid microgrid considering long-term load demand forecasting: A case study
Ma et al. Decentralized robust optimal dispatch of user-level integrated electricity-gas-heat systems considering two-level integrated demand response
Wang et al. A robust planning model for offshore microgrid considering tidal power and desalination
Li et al. Economic and optimal planning of a multi-carrier microgrid consisting of electricity to gas conversion system and storage with developed algorithm of championship in sports leagues
Zhu et al. Review of demand-side energy sharing and collective self-consumption schemes in future power systems
Golshannavaz et al. Cloud-Based Energy Storage Systems: A shared pool of benefits in distributed electric power systems
Correa et al. Optimal Operation of Microgrids in the Colombian energy market
Liu et al. A probabilistic chance-constrained day-ahead scheduling model for grid-connected microgrid
Parastegari et al. Coordinated scheduling of renewable energy sources in the unit commitment problem: a review of recent literature
Tan et al. Distributed demand response for plug-in electrical vehicles in the smart grid

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant