CN117057850B - 一种考虑碳市场的分布式资源集群调度方法及装置 - Google Patents

一种考虑碳市场的分布式资源集群调度方法及装置 Download PDF

Info

Publication number
CN117057850B
CN117057850B CN202311316497.3A CN202311316497A CN117057850B CN 117057850 B CN117057850 B CN 117057850B CN 202311316497 A CN202311316497 A CN 202311316497A CN 117057850 B CN117057850 B CN 117057850B
Authority
CN
China
Prior art keywords
cluster
energy
distributed
clusters
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.)
Active
Application number
CN202311316497.3A
Other languages
English (en)
Other versions
CN117057850A (zh
Inventor
冯华
孙宏斌
章寒冰
叶吉超
金文德
赵汉鹰
王笑棠
徐永海
丁宁
李乃一
张程翔
黄慧
胡鑫威
季奥颖
潘昭光
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.)
Tsinghua University
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Tsinghua University, State Grid Zhejiang Electric Power Co Ltd, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd, Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN202311316497.3A priority Critical patent/CN117057850B/zh
Publication of CN117057850A publication Critical patent/CN117057850A/zh
Application granted granted Critical
Publication of CN117057850B publication Critical patent/CN117057850B/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch

Landscapes

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

Abstract

本申请涉及一种考虑碳市场的分布式资源集群调度方法及装置，其方法包括创建分布式能源集群；当分布式能源集群与主动配电网进行能源交易时，预测集群成本和碳排放成本，以构建优化目标函数，并设置分布式能源集群的正常运行约束；执行优化流程，包括，通过增量近似法更新优化目标函数的决策变量和辅助乘子，得到优化目标函数的中间值；采用多智能体共识算法更新中间值，并计算更新的中间值与原中间值的差值；重复执行优化流程，直至迭代的各差值的总和小于预设值，输出与中间值对应的决策变量；根据决策变量执行分布式资源集群的能源调度。本申请具有优化电网分布式资源调度，改善调度精度和通讯效率的效果。

Description

一种考虑碳市场的分布式资源集群调度方法及装置
技术领域
本申请涉及电力系统技术领域，尤其是涉及一种考虑碳市场的分布式资源集群调度方法及装置。
背景技术
为了实现“碳达峰”（二氧化碳排放不再增加）和“碳中和”（排放的二氧化碳使用各种方法全部抵消）的碳排放目标，发展可再生能源技术是一个重要手段，例如风能和太阳能。此外，近年来电动汽车的数量剧增，电动汽车也成为一种小规模分布式发电能源。可再生能源和小规模分布式发电能源均可接入智能电网中进行能源管理。
智能电网能源管理是指在优化发电成本的同时，满足供需平衡、各种运行不等式约束和网络安全约束。主动配电网中存在大量的分布式资源，随着可再生能源和其他小规模分布式发电能源的深度渗透，如何设计考虑分布式的多要素资源，并且同时满足最小化运行成本、电网约束和碳排放目标的能源管理策略，成为智能电网能源管理问题的难点之一。
针对上述中的相关技术，发明人发现现有的智能电网能源管理方式存在有不适用于可再生能源和小规模分布式发电能源等分布式多要素资源调度的问题。
发明内容
为了优化智能电网中可再生能源和小规模分布式发电能源等分布式多要素资源调度，本申请提供了一种考虑碳市场的分布式资源集群调度方法及装置。
第一方面，本申请提供一种考虑碳市场的分布式资源集群调度方法。
本申请是通过以下技术方案得以实现的：
一种考虑碳市场的分布式资源集群调度方法，包括以下步骤，
基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群；
当所述分布式能源集群与主动配电网进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，以构建优化目标函数，并设置所述分布式能源集群的正常运行约束,得到第一多要素集群调度模型；
对所述第一多要素集群调度模型执行优化流程，包括，
通过增量近似法更新所述优化目标函数的决策变量和辅助乘子，得到所述优化目标函数的中间值；
采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；
重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量；
根据所述决策变量执行所述分布式资源集群的能源调度。
本申请在一较佳示例中可以进一步配置为：预测所述分布式能源集群的碳排放成本的步骤包括，
获取实际碳排量和碳配额交易价格；
基于基准线法计算碳配额；
根据碳排放成本=碳配额交易价格(实际碳排量-碳配额)，计算所述分布式能源集群的碳排放成本。
本申请在一较佳示例中可以进一步配置为：设置所述分布式能源集群的正常运行约束包括，
采用基于Distflow的潮流模型，对所述分布式能源集群的配电网络进行约束，并将所述主动配电网的电压幅值和功率控制在预设范围内。
本申请在一较佳示例中可以进一步配置为：设置所述分布式能源集群的正常运行约束包括，
当某电动汽车发电能源接入电网时，记录其存储电量的初始值；
获取存储电量的当前值，判断所述当前值与所述初始值的差值是否满足预设阈值，包括，
式中，为第i辆电动汽车的充电目标值，E EVi,t为某电动汽车发电能源的存储电量的初始值，δ i为预设的误差值，t 1为接入电网的时刻，t 2为离开电网的时刻，为电动汽车发电能源的存储电量的损失百分比参数，E EVi,t-1为t时刻的前一时刻的电动汽车SOC，x EVi,t为第i辆电动汽车t时刻的实际出力，为模型的颗粒度；
当所述当前值与所述初始值的差值满足预设阈值时，允许电动汽车发电能源离开电网。
本申请在一较佳示例中可以进一步配置为：所述分布式能源集群至少有两个，相邻的分布式能源集群之间相互通讯，还包括以下步骤，
当所述分布式能源集群与主动配电网进行能源交易，并与其他所述分布式能源集群进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，建立第二多要素集群调度模型，以及设置所述分布式能源集群的正常运行约束；
基于纳什议价理论，对所述第二多要素集群调度模型进行利益分配，最大化所述分布式能源集群的纳什乘积，得到分配目标函数和设置所述分布式能源集群之间的交易约束；
对所述第二多要素集群调度模型执行优化流程，包括，
通过增量近似法更新所述分配目标函数的决策变量和辅助乘子，得到所述分配目标函数的中间值；
将所述中间值广播给相邻的所述分布式能源集群，采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；
重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量。
本申请在一较佳示例中可以进一步配置为：所述分布式能源集群之间的交易约束满足以下条件：
式中，是集群m给集群j的能源交易支出，是集群j给集群m的能源交易支出，d i是分布式能源集群仅与主动配电网进行能源交易的成本，u i是分布式能源集群与主动配电网进行能源交易，并与其他分布式能源集群进行能源交易的成本，是分布式能源集群仅与主动配电网进行能源交易的成本和分布式能源集群与主动配电网进行能源交易，并与其他分布式能源集群进行能源交易时的成本的差值。
本申请在一较佳示例中可以进一步配置为：通过增量近似法更新决策变量时，采用以下规则，
式中，是更新的决策变量，是更新前的决策变量，k是迭代次数，η(k)是一个逐渐递减的步长，是每个分布式能源集群的目标函数，为所有不等式约束的表达式，为所有等式约束的表达式，是当地的所有决策变量的复制矩阵，β 1和β 2是常数，λ和μ是辅助乘子。
本申请在一较佳示例中可以进一步配置为：通过增量近似法更新辅助乘子λ和μ时，采用以下规则，
式中，和为更新的辅助乘子，和为更新前的辅助乘子，为所有不等式约束表达式在第k次迭代时的值，为所有等式约束表达式在第k次迭代时的值。
本申请在一较佳示例中可以进一步配置为：采用多智能体共识算法更新所述中间值时，采用以下规则，
式中，和是二次更新的第i个节点的辅助乘子，和为一次更新的第p个节点的辅助乘子，w ip是定义的信息交换权重，为所有节点的数量，为与i节点相邻的节点个数，为与p节点相邻的节点个数,为所有节点的数量除去i个节点的数值。
本申请在一较佳示例中可以进一步配置为：所述采用多智能体共识算法更新所述中间值时，还包括以下步骤，
采用投影协议，对更新的所述中间值进行投影保证，限制所述决策变量的上下限。
第二方面，本申请提供一种考虑碳市场的分布式资源集群调度装置。
本申请是通过以下技术方案得以实现的：
一种考虑碳市场的分布式资源集群调度装置，包括，
集群模块，用于基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群；
第一模型模块，用于当所述分布式能源集群与主动配电网进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，以构建优化目标函数，并设置所述分布式能源集群的正常运行约束,得到第一多要素集群调度模型；
第一调度优化模块，用于对所述第一多要素集群调度模型执行优化流程，包括，通过增量近似法更新所述优化目标函数的决策变量和辅助乘子，得到所述优化目标函数的中间值；采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量；
调度模块，用于根据所述决策变量执行所述分布式资源集群的能源调度。
本申请在一较佳示例中可以进一步配置为：还包括，
第二模型模块，用于当所述分布式能源集群与主动配电网进行能源交易，并与其他所述分布式能源集群进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，建立第二多要素集群调度模型，以及设置所述分布式能源集群的正常运行约束；
议价模块，用于基于纳什议价理论，对所述第二多要素集群调度模型进行利益分配，最大化所述分布式能源集群的纳什乘积，得到分配目标函数和设置所述分布式能源集群之间的交易约束；
第二调度优化模块，用于对所述第二多要素集群调度模型执行优化流程，包括，通过增量近似法更新所述分配目标函数的决策变量和辅助乘子，得到所述分配目标函数的中间值；将所述中间值广播给相邻的所述分布式能源集群，采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量。
本申请在一较佳示例中可以进一步配置为：还包括，
投影模块，用于采用多智能体共识算法更新所述中间值时，采用投影协议，对更新的所述中间值进行投影保证，限制所述决策变量的上下限。
第三方面，本申请提供一种计算机设备。
本申请是通过以下技术方案得以实现的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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一种考虑碳市场的分布式资源集群调度方法的步骤。
第四方面，本申请提供一种计算机可读存储介质。
本申请是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种考虑碳市场的分布式资源集群调度方法的步骤。
综上所述，与现有技术相比，本申请提供的技术方案带来的有益效果至少包括：
基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群，以在优化调度时考虑分布式的多要素资源；预测储能的集群成本、电动汽车发电能源的集群成本、可再生能源的集群成本、可平移负荷的集群成本和化石燃料发电机的集群成本，以及，预测分布式能源集群的碳排放成本，以构建优化目标函数，并设置分布式能源集群的正常运行约束,得到第一多要素集群调度模型，用于细致描述分布式能源集群仅与主动配电网进行能源交易的场景，设计满足最小化运行成本、电网约束和碳排放目标的电网能源管理策略；对第一多要素集群调度模型执行优化流程，包括，通过增量近似法更新优化目标函数的决策变量和辅助乘子，以平滑振荡并加快收敛速度，得到优化目标函数的中间值；基于完全分布式架构的多智能体共识算法，更新中间值，使得通讯任务被分解到各个相邻的节点，可以同步进行，提高通讯效率，避免了所有智能体同时与配电网通讯，降低了对通讯带宽的要求，并计算更新的中间值与原中间值的差值；重复执行优化流程，直至迭代的各差值的总和小于预设值，输出与中间值对应的决策变量，用于调度分布式资源集群，优化了智能电网中可再生能源和小规模分布式发电能源等分布式多要素资源调度，调度精度更高，减少了计算量，优化效率更高。
附图说明
图1为本申请一个示例性实施例提供的一种考虑碳市场的分布式资源集群调度方法的流程示意图。
图2为本申请又一个示例性实施例提供的一种考虑碳市场的分布式资源集群调度方法的流程示意图。
图3为本申请另一个示例性实施例提供的一种考虑碳市场的分布式资源集群调度装置的结构框图。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
主动配电网中存在大量的分布式资源，以及，随着智能电网引入可再生能源和其他小规模分布式发电能源，如何考虑分布式的多要素资源，设计满足电网约束、最小化运行成本和碳排放的能源管理策略，给智能电网的能源管理问题带来了挑战。
传统的集中式优化方法需要收集所有的电网信息，存在计算负担较重，缺乏对于单点故障和隐私信息的鲁棒性，通信所需带宽较大等问题。
本申请一种考虑碳市场的分布式资源集群调度方法可以看作是一个多参与者的议价问题，参与者是主动配电网中的分布式资源集群。总体优化框架中包含三个优化问题，问题A：不考虑多个集群之间能源交易的情形，其中分布式能源集群仅与主网进行交易。问题B：考虑多个集群之间能源交易的情形，其中分布式能源集群与主网和其他分布式能源集群进行交易。问题C：不同集群之间的交易利益分配冲突问题。
故本申请通过考虑碳市场的分布式资源集群调度方法，结合传统化石燃料发电机的碳排放成本，构建多要素集群优化调度模型，以借助分布式优化方法，可以起到加速收敛，保护隐私信息，降低通信带宽需求等作用，优化分布式能源集群与主网之间的交易。多要素集群优化调度模型基于电网拓扑结构，设置电网潮流和电压幅值约束。进一步地，基于纳什议价理论公平地协商各个分布式资源集群之间的收益，刺激集群之间建立能源协作关系，优化分布式能源集群与主网和其他分布式能源集群之间的交易，以合作方式解决集群交易的利益分配问题。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1，本申请实施例提供一种考虑碳市场的分布式资源集群调度方法，所述方法的主要步骤描述如下。
S1:基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群；
S21:当所述分布式能源集群与主动配电网进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，以构建优化目标函数，并设置所述分布式能源集群的正常运行约束,得到第一多要素集群调度模型；
对所述第一多要素集群调度模型执行优化流程，包括，
S311:通过增量近似法更新所述优化目标函数的决策变量和辅助乘子，得到所述优化目标函数的中间值；
S312:采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；
S313:重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量；
S4:根据所述决策变量执行所述分布式资源集群的能源调度。
具体地，根据接入的能源类型，分布式能源集群可分为五类，包括可平移负荷（shiftable demand, SD）、电动汽车（electric vehicle, EV）发电能源、可再生能源（renewable energy, RE），储能（energy storage, ES）和传统化石燃料发电机（conventional generator，CG），例如，针对无环状网络的配电网，多种分布式要素可以接在配电网的各个节点上，在主动配电网的所有负载中，包括部分可调度的SD，与EV、RE、CG和ES连接的节点的负荷则是固定的。在第一多要素集群调度模型中，可再生能源集群在满足与EV、RE、CG和ES连接的节点的固定负荷需求之后，再与电网公司之间进行买卖电力交易。
针对问题A：不考虑多个集群之间能源交易的情形。
(1) 构建优化目标函数
优化问题的目标函数是最小化分布式资源集群的运行成本，包括电市场和碳市场成本，各个分布式要素的碳市场成本和收益管理如下：
(1)
其中，y为分布式资源集群中各个要素的电市场成本，是各个要素与配电网的碳市场成本，各成本函数和自变量的具体细节如下：
(a) EV集群成本
当EV接入电网，才考虑优化EV成本，接入电网时间为t 1，离开时间为t 2。
(2)
其中，n EV是集群里EV的数量，对于第i个EV，x EVi是充放电功率，a EVi是成本系数，分布式能源集群内的分布要素总共有M个，则认为该EV集群是第m个分布式能源集群，PL m,t是其固定负载，x EVb,t是集群和主网买卖的电力功率，当其大于/小于零时，集群从/向电网购买/出售电力，a是集群从/向主网购买/出售电力时的预定义价格，a=a b/a=a s。
(b) RE集群成本
(3)
其中，x REi,t是RE被削减后的实际出力，a REi是削减惩罚成本系数，x REb,t是和主网买卖的电力功率。
(c) SD集群成本
(4)
其中，n SD是集群里SD的数量，对于第i个SD，x SDi是实际的功率，a SDi是成本系数，是负载期望值。x SDb,t是集群与电网公司的买卖的电力功率。
(d) CG集群成本
(5)
其中，n CG是集群里CG的数量，对于第i个CG，x CGi,t是实际的功率，a CGi，b CGi，c CGi是运行成本系数。x SDb,t是集群与电网公司的买卖的电力功率。
(e) ES集群成本
(6)
其中，n ES是集群里ES的数量，对于第i个ES，x ESi,t是ES充放电的功率，x ESi,t为正值表示ES放电，负值表示充电，a ESi，b ESi，c ESi是运行成本系数。x ESb,t是集群与电网公司的买卖的电力功率。
(f) 碳市场成本
以上各个要素中，CG出力和从主网购电会产生碳排，RE是清洁能源，其出力产生的碳排不计，ES认为没有初始能量，因此其充放电的能量源头来自电网，碳排在计算时已经被包含。对于EV，为鼓励其充分发挥减排效应，认为其比传统燃油汽车节省的碳排放量可以作为碳排放配额在电力市场上交易获得额外的收益。各个要素产生的碳排成本的总和如下：
(7)
其中，为实际碳排量，为碳配额，可以由基准线法计算得到，为碳配额交易价格。
(8)
式中，为从主动配电网购电产生的碳排放因子，为化石燃料发电机产生的碳排放因子，为电动汽车充电负荷，为时间段，为单位电量电动汽车发电能源行驶的公里数，为燃油汽车行驶1km时的碳排放量。
由于电动汽车充电的来源难以确定，因此从整体上认为可以按照比例计算，即EV的充电碳排放量等于电网中单位能量的充电产生的碳排放量，当可再生能源更多地被EV消纳用于充电时，EV将比传统汽车降低更多的碳排放，这样的作用是鼓励电动汽车更多地消纳可再生能源。
(2) 约束条件：
(a) 出力功率约束
(9)
(10)
(11)
(12)
(13)
其中x SDi,min，x EVi,min，x REi,min，x CGi,min,x ESi,min和x SDi,max，x EVi,max，x REi,max，x CGi,max,x ESi,max分别是x SDi，x EVi，x REi，x CGi,x ESi的下限和上限，由实际的出力能力确定。Δt是预先设定的时间间隔。R CGi是CG的爬坡功率。
(b) EV约束
EV集群接入和离开电网的时间为t 1和t 2，则有：
(14)
(15)
(16)
(17)
(18)
(19)
其中，对于第i个EV，E EVi,t,是其储存的能量，是定量表示EV存储能量损失百分比的参数。
如公式(14)所示，当EV接入电网前，优化问题中可认为E EVi,t,为零。
如公式(15)所示，当EV接入电网的时刻t 1，其存储的电量为E arr,i。
如公式(16)所示，当EV离开电网的时刻t 2，其存储的电量需要达到一个目标值E obj,i，并允许有δ i的误差。为第i辆电动汽车的充电目标值，E EVi,t为某电动汽车发电能源的存储电量的初始值。
如公式（17）中，E EVi,min和E EVi,max是E EVi,t,的下限和上限。
公式（18）表示EV接入电网时间内，E EVi,t和x EVi,t之间的关系，为电动汽车发电能源的存储电量的损失百分比参数，E EVi,t-1为t时刻的前一时刻的电动汽车SOC，x EVi,t为第i辆电动汽车t时刻的实际出力，为模型的颗粒度。
结合公式（17）和（18）得到公式（19）。
上述约束条件刻画了电动汽车的能量可行域，能在保证电动汽车的充电需求的同时，充分挖掘负荷的灵活特性。
(c) ES约束
(20)
(21)
(22)
其中，为ES的初始荷电状态（state of charge, SOC），为ES的容量，,分别为SOC的下界和上界，保证储能装置的SOC满足要求。
(d) 配电网络约束
为了解决电力网络线路阻塞问题，并且将电压幅值和功率保持在可行范围内，采用了Distflow潮流模型如下：
(23)
(24)
(25)
(26)
(27)
(28)
(29)
(30)
其中，P ij,t和Q ij,t是线路有功和无功功率潮流，r ij和x ij是线路i-j的电阻和电抗，B ij是预定义的电力网络连接参数，当节点i-j没有连接时，B ij为零。当电力潮流方向定义从节点i到节点j时，B ij为1。当潮流方向定义从节点j到节点i时，B ij定义为-1。V i,t是电压幅值，P i,t和Q i,t是节点i的有功和无功功率注入。P ij,max/Q ij,max/V i,max和P ij,min/Q ij,min/V i,min是有功/无功功率潮流和电压幅值的上限和下限。
等式（23）和（24）是节点i的有功和无功功率平衡约束。
等式（25）和（26）表示分别具有RE，SD，EV，CG，ES集群的节点，没有集群的节点，与上级电网交易的节点的有功和无功功率注入，其中Q EVi,t，Q CGi,t，Q REi,t，Q REi,t是EV，CG，RE，和ES的固定无功功率，QL i,t是固定无功负载。
公式（27）表示节点i和j之间的电压幅值和功率潮流的关系。
（28）-（30）为电压、功率、上级电网交易的幅值约束。
上述潮流模型能够满足配电网节点电压、线路功率的安全约束，防止电压和功率流超出安全范围。
在一实施例中，分布式资源集群不仅可以与主网进行能源交易，还可以与其他集群进行能源交易。参照图2，所述分布式能源集群至少有两个，相邻的分布式能源集群之间相互通讯，还包括以下步骤，
S22:当所述分布式能源集群与主动配电网进行能源交易，并与其他所述分布式能源集群进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，建立第二多要素集群调度模型，以及设置所述分布式能源集群的正常运行约束；
S23:基于纳什议价理论，对所述第二多要素集群调度模型进行利益分配，最大化所述分布式能源集群的纳什乘积，得到分配目标函数和设置所述分布式能源集群之间的交易约束；
对所述第二多要素集群调度模型执行优化流程，包括，
S321:通过增量近似法更新所述分配目标函数的决策变量和辅助乘子，得到所述分配目标函数的中间值；
S322:将所述中间值广播给相邻的所述分布式能源集群，采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；
S323:重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量。
针对问题B：考虑多个集群之间能源交易的情形，具体地，
(1) 成本目标函数如下：
(31)
(a) EV集群成本
(32)
其中，是EV出力，是和电网公司买卖的电力功率，N为分布式能源集群的集合，对于第m个分布式能源集群而言，它与其它分布式集群交换功率，交换量为x mj,t，为了促进就近的能量交换并且减少网络损耗，将P2P能量交换带来的有功功率损耗项CL m加入总成本中，成本系数为a b.
对于集群m，P2P能量交换带来的总网损为:
(33)
其中，是从分布式资源集群m到集群j的路径上的节点的集合，由于放射状配电网络的特点，可以唯一确定从m到j的路径，r mk是已知的，V m和P mk是在问题1中计算得到的数值，因此，公式（33）是e mj的二次函数。
(b) RE集群成本
(34)
其中，是RE削减后的出力，是和主网买卖的电力功率。
(c) SD集群成本
(35)
其中，是SD实际的功率，是和主网买卖的电力功率。
(d) CG集群成本
(36)
其中，是CG出力，是和电网公司买卖的电力功率。
(e) ES集群成本
(37)
其中，是ES出力，是和电网公司买卖的电力功率。
(f) 碳市场成本
碳市场成本与问题A的形式相同，此处不再列出。
构建的成本目标函数为第二多要素集群调度模型。
(2) 集群约束
问题B的约束条件仍然包含功率上下限约束（9）-（13），EV约束（14）-（19），ES约束（20）-（22）和网络约束（23）-（30），在此不再赘述。
除上述约束外，根据x mj和x jm的定义，还应满足以下约束：
(38)
由于不同集群中的种类、容量、负荷特性等存在差异，多集群之间进行信息与能量交换，相比仅考虑多个集群与配电网之间交易，进一步挖掘了灵活性，能够促进分布式能源就地消纳，提升整体的经济效益，增强配电网的可靠性，并降低电力系统损耗，进一步降低智能电网的调度总成本。
同时，又由于多集群之间进行信息与能量交换，存在难以实现公平的利益分配和通讯与计算量增大等问题。故针对问题C：不同集群之间的交易利益分配冲突问题，基于纳什议价理论，对所述第二多要素集群调度模型进行利益分配，最大化所述分布式能源集群的纳什乘积，得到分配目标函数和所述分布式能源集群之间的交易约束，具体如下：
(1) 纳什议价定义
在多人议价问题中，假设总共有k个参与者，u=(u 1,u 2,…,u k)和d=(d 1,d 2,…,d k)分别是他们从达成协议场景和产生分歧场景中获得的报酬。纳什议价解在数学上定义为以下优化问题的最优解，使得个体参与者进行谈判并达成协议或产生分歧：
(39a)
(39b)
(39c)
其中，U是u的可行域，被称为纳什乘积。
本申请采用基于纳什议价的模型，以平衡效率和利益公平，具有以下优点：
公平性：纳什议价模型保证了公平分配，即所有参与主体之间的利益平衡，这确保了部分主体不会承受过多的负担；
稳定性：该模型获得的解决方案是稳定的，即参与者没有动机单方面偏离调度结果；
有效性：纳什讨价还价确保最终解决方案是帕累托有效的，即没有其他可行的解决方案可以使至少一个参与者的境况更好，而所有其他参与者的境况至少与纳什解决方案一样好。
(2) 分配目标函数
为了确定集群之间能源交易支付成本，该优化模型采用合作博弈纳什议价理论，即最大化所有集群的纳什乘积。问题C的目标函数如下：
(40)
纳什议价模型的目标函数是纳什积，属于高度非线性的。
上述公式也可被写作如下形式：
(41)
通过利用对数损失函数(41)将纳什议价模型目标函数的乘积化为求和求解，以优化非凸的目标函数的求解，减少计算量。
(3) 交易约束
(42)
(43)
其中，是问题A和问题B的成本之差，/是集群m/j给集群j/m的能源交易支出。
在问题C中，对于集群m，d i是问题1计算的成本，u i是问题B计算的成本加上能源交易支付成本。因此，可以得到。
与问题A相比，不同集群之间能源交易的目的是进一步降低各自的成本，因此应满足要求。
采用分布式优化方法对问题A、B或C进行优化。
具体地，为简化问题描述形式，在时间t下，A、B和C问题均可归纳为以下形式：
(44a)
(44b)
(44c)
其中是每个集群的自变量向量，,是所有自变量的矩阵。优化问题中(44a)是目标函数，其中为每个集群自身的目标函数，如式(41)所示的形式。(44b)是不等式约束，包括式(9)-(13), (16)-(19), (22), (28)-(30), (43)。(44c)是等式约束，包括式(14)(15)(20)(21), (23)-(27), (38), (42)。Ω是自变量的可行域。
接着，使用增广拉格朗日方法处理等式和不等式约束，原始问题的对偶问题如(45)所示：
(45)
其中β 1和β 2是常数。λ和μ是辅助乘子。
此后，对于M个分布式能源集群，集中式的问题可以被划分为M个子问题，每个子问题的形式如(46)：
(46)
其中是每个资源集群的目标函数，是当地的所有决策变量的复制矩阵，λ i和μ i是X，λ和μ的当地的复制变量。
采用如(47)-(49)的增量近似法制定更新规则，以平滑振荡并加快收敛速度，如下所示：
(47)
(48)
(49)
其中k是迭代次数，η(k)是一个逐渐递减的步长。
式中（47）为决策变量的更新规则，式（48）和式（49）为辅助乘子的更新规则。
利用局部的信息在本地采用增量近似法更新决策变量，如式(47)-(49)，得到决策变量的中间值。
基于多智能体一致性算法和投影协议的信息交换如(50)-(54)所示：
(50)
(51)
(52)
式中，表示，if a>0，=a，if a<=0，=0，即当a为正数时=a，当a为非正数时=0。和为更新的辅助乘子，即中间值。和是二次更新的第i个节点的辅助乘子，和为一次更新的第p个节点的辅助乘子。
通过多智能体一致性算法，仅需要相邻的节点进行通讯，与相邻的智能体进行通讯，交换信息，各个节点与其相邻节点的通讯过程以分布式并行方式进行，再次更新中间值，如式(50)-(52)，与相邻的智能体通讯促进达成一致解，避免了所有智能体同时与配电网通讯，从而降低了对通讯带宽的要求，且通讯任务被分解到各个节点，可以同步进行，提高通讯效率。这样充分利用了主体的所有计算能力，在实际应用中可能带来更快的结果，具有良好的可扩展性。
基于多智能体共识算法的完全分布式架构，具有以下优点：
减少通信开销：仅需要相邻个体之间通信，且通信可以同步进行，所需的带宽更低，通信效率更高；
可扩展性：分布式算法比集中式算法具有更好的扩展性，特别是当代理或节点数量增加时，不需要集中控制器处理所有计算，允许系统根据需要进行扩展；
韧性和鲁棒性：在分布式系统中，一个或几个主体的故障并不一定会导致整个系统崩溃，具有更高的容错能力；
并行性：任务可以并行处理，利用主体的所有计算能力，这可以带来更快的结果；
灵活性：多代理系统可以设计为模块化，无需重新设计整个系统即可添加或删除代理。
其中，w ip是(53)中定义的信息交换权重。
(53)
PΩi是(54)中定义的投影协议，通过投影保证所得到的解不超过安全范围，即限制决策变量不能超过其上下限。w ip是定义的信息交换权重，为所有节点的数量，为与i节点相邻的节点个数，为与p节点相邻的节点个数,为除第i个节点外的所有节点。
(54)
式（47）-（49）在本地更新决策变量，得到中间值，（50）-（52）进一步更新中间值，完成一次迭代的变量更新。通过增量近似法更新决策变量得到中间值，再通过多智能体一致性算法得到最终决策变量的更新结果，在每一个迭代中，均重复上述两个步骤。
当式(55)满足时，即连续次迭代的目标函数与前一次的结果之差的总和小于预设值算法收敛，迭代结束，输出的结果为所有决策变量。
(55)
根据所述决策变量执行所述分布式资源集群的能源调度，以解决问题A、B或C。
综上所述，一种考虑碳市场的分布式资源集群调度方法基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群，以在优化调度时考虑分布式的多要素资源；预测储能的集群成本、电动汽车发电能源的集群成本、可再生能源的集群成本、可平移负荷的集群成本和化石燃料发电机的集群成本，以及，预测分布式能源集群的碳排放成本，以构建优化目标函数，并设置分布式能源集群的正常运行约束,得到第一多要素集群调度模型，用于细致描述分布式能源集群仅与主动配电网进行能源交易的场景，设计满足最小化运行成本、电网约束和碳排放目标的电网能源管理策略；对第一多要素集群调度模型执行优化流程，包括，通过增量近似法更新优化目标函数的决策变量和辅助乘子，以平滑振荡并加快收敛速度，得到优化目标函数的中间值；基于完全分布式架构的多智能体共识算法，更新中间值，使得通讯任务被分解到各个相邻的节点，可以同步进行，提高通讯效率，避免了所有智能体同时与配电网通讯，降低了对通讯带宽的要求，并计算更新的中间值与原中间值的差值；重复执行优化流程，直至迭代的各差值的总和小于预设值，输出与中间值对应的决策变量，用于调度分布式资源集群，优化了智能电网中可再生能源和小规模分布式发电能源等分布式多要素资源调度，调度精度更高，减少了计算量，优化效率更高。
采用增量近似法和多智能体一致性算法优化分布式多主体问题，有利于快速收敛至最优值并形成共识解。
进一步地，建立第二多要素集群调度模型，设置多个分布式能源集群的正常运行约束，并基于纳什议价理论，对第二多要素集群调度模型进行利益分配，最大化分布式能源集群的纳什乘积，得到分配目标函数和设置分布式能源集群之间的交易约束，执行优化流程，以细致描述分布式资源集群与主网和其他集群进行能源交易的场景，进一步降低智能电网的调度总成本，促进可再生能源消纳，并降低电力系统损耗；同时，采用纳什议价理论以公平地协商多个分布式能源集群的收益，刺激集群之间建立能源协作关系，即使存在线路阻塞问题，仍能为所有分布式资源集群带来公平的收益。
在具有不同目标的多个利益相关者相互作用的现实电力市场中，通过将纳什议价模型纳入电力系统的经济调度中，决策者可以确保效率与公平之间的平衡。
进一步地，通过对每次迭代的结果进行投影保证所得到的解不超过安全范围，增强适用性。
分布式优化算法减少了计算量和通信量，优化流程具有较快的收敛速度，以及，优化方法对故障具有更好的鲁棒性，当部分节点出现故障后不容易导致整个系统崩溃，具有更高的容错能力，实用价值较高。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参照图3，本申请实施例还提供一种考虑碳市场的分布式资源集群调度装置，该一种考虑碳市场的分布式资源集群调度装置与上述实施例中一种考虑碳市场的分布式资源集群调度方法一一对应。该一种考虑碳市场的分布式资源集群调度装置包括,
集群模块，用于基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群；
第一模型模块，用于当所述分布式能源集群与主动配电网进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，以构建优化目标函数，并设置所述分布式能源集群的正常运行约束,得到第一多要素集群调度模型；
第一调度优化模块，用于对所述第一多要素集群调度模型执行优化流程，包括，通过增量近似法更新所述优化目标函数的决策变量和辅助乘子，得到所述优化目标函数的中间值；采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量；
调度模块，用于根据所述决策变量执行所述分布式资源集群的能源调度。
进一步地，一种考虑碳市场的分布式资源集群调度装置还包括，
第二模型模块，用于当所述分布式能源集群与主动配电网进行能源交易，并与其他所述分布式能源集群进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，建立第二多要素集群调度模型，以及设置所述分布式能源集群的正常运行约束；
议价模块，用于基于纳什议价理论，对所述第二多要素集群调度模型进行利益分配，最大化所述分布式能源集群的纳什乘积，得到分配目标函数和设置所述分布式能源集群之间的交易约束；
第二调度优化模块，用于对所述第二多要素集群调度模型执行优化流程，包括，通过增量近似法更新所述分配目标函数的决策变量和辅助乘子，得到所述分配目标函数的中间值；将所述中间值广播给相邻的所述分布式能源集群，采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量。
进一步地，一种考虑碳市场的分布式资源集群调度装置还包括，
投影模块，用于采用多智能体共识算法更新所述中间值时，采用投影协议，对更新的所述中间值进行投影保证，限制所述决策变量的上下限。
关于一种考虑碳市场的分布式资源集群调度装置的具体限定可以参见上文中对于一种考虑碳市场的分布式资源集群调度方法的限定，在此不再赘述。
上述一种考虑碳市场的分布式资源集群调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种考虑碳市场的分布式资源集群调度方法。
在一个实施例中，提供了一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S1:基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群；
S21:当所述分布式能源集群与主动配电网进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，以构建优化目标函数，并设置所述分布式能源集群的正常运行约束,得到第一多要素集群调度模型；
对所述第一多要素集群调度模型执行优化流程，包括，
S311:通过增量近似法更新所述优化目标函数的决策变量和辅助乘子，得到所述优化目标函数的中间值；
S312:采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；
S313:重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量；
S4:根据所述决策变量执行所述分布式资源集群的能源调度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

Claims (10)

1.一种考虑碳市场的分布式资源集群调度方法，其特征在于，包括以下步骤，
基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群；
所述分布式能源集群与主动配电网进行能源交易，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，以构建优化目标函数，并设置所述分布式能源集群的正常运行约束,得到第一多要素集群调度模型；
设置所述分布式能源集群的正常运行约束包括，
采用基于Distflow的潮流模型，对所述分布式能源集群的配电网络进行约束，并将所述主动配电网的电压幅值和功率控制在预设范围内；
设置所述分布式能源集群的正常运行约束还包括，
当某电动汽车发电能源接入电网时，记录其存储电量的初始值；
获取存储电量的当前值，判断所述当前值与所述初始值的差值是否满足预设阈值，包括，
式中，为第i辆电动汽车的充电目标值，E EVi,t为某电动汽车发电能源的存储电量的初始值，δ i为预设的误差值，t 1为接入电网的时刻，t 2为离开电网的时刻，为电动汽车发电能源的存储电量的损失百分比参数，E EVi,t-1为t时刻的前一时刻的电动汽车SOC，x EVi,t为第i辆电动汽车t时刻的实际出力，为模型的颗粒度；
当所述当前值与所述初始值的差值满足预设阈值时，允许电动汽车发电能源离开电网；
对所述第一多要素集群调度模型执行优化流程，包括，
通过增量近似法更新所述优化目标函数的决策变量和辅助乘子，得到所述优化目标函数的中间值；
采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；
重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量；
根据所述决策变量执行所述分布式资源集群的能源调度；
通过增量近似法更新决策变量时，采用以下规则，
式中，是更新的决策变量，是更新前的决策变量，k是迭代次数，η(k)是一个逐渐递减的步长，是每个分布式能源集群的目标函数，为所有不等式约束的表达式，为所有等式约束的表达式，是当地的所有决策变量的复制矩阵，β 1和β 2是常数，λ和μ是辅助乘子；
通过增量近似法更新辅助乘子λ和μ时，采用以下规则，
式中，和为更新的辅助乘子，和为更新前的辅助乘子，为所有不等式约束表达式在第k次迭代时的值，为所有等式约束表达式在第k次迭代时的值；
采用多智能体共识算法更新所述中间值时，采用以下规则，
式中，和是二次更新的第i个节点的辅助乘子，和为一次更新的第p个节点的辅助乘子，w ip是定义的信息交换权重，为所有节点的数量，为与i节点相邻的节点个数，为与p节点相邻的节点个数,为所有节点的数量除去i个节点的数值。
2.根据权利要求1所述的考虑碳市场的分布式资源集群调度方法，其特征在于，预测所述分布式能源集群的碳排放成本的步骤包括，
获取实际碳排量和碳配额交易价格；
基于基准线法计算碳配额；
根据碳排放成本=碳配额交易价格(实际碳排量-碳配额)，计算所述分布式能源集群的碳排放成本。
3.根据权利要求1所述的考虑碳市场的分布式资源集群调度方法，其特征在于，
所述分布式能源集群至少有两个，相邻的分布式能源集群之间相互通讯，还包括以下步骤，
当所述分布式能源集群与主动配电网进行能源交易，并与其他所述分布式能源集群进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，建立第二多要素集群调度模型，以及设置所述分布式能源集群的正常运行约束；
基于纳什议价理论，对所述第二多要素集群调度模型进行利益分配，最大化所述分布式能源集群的纳什乘积，得到分配目标函数和设置所述分布式能源集群之间的交易约束；
对所述第二多要素集群调度模型执行优化流程，包括，
通过增量近似法更新所述分配目标函数的决策变量和辅助乘子，得到所述分配目标函数的中间值；
将所述中间值广播给相邻的所述分布式能源集群，采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；
重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量。
4.根据权利要求3所述的考虑碳市场的分布式资源集群调度方法，其特征在于，所述分布式能源集群之间的交易约束满足以下条件：
式中，是集群m给集群j的能源交易支出，是集群j给集群m的能源交易支出，d i是分布式能源集群仅与主动配电网进行能源交易的成本，u i是分布式能源集群与主动配电网进行能源交易，并与其他分布式能源集群进行能源交易的成本，是分布式能源集群仅与主动配电网进行能源交易的成本和分布式能源集群与主动配电网进行能源交易，并与其他分布式能源集群进行能源交易时的成本的差值。
5.根据权利要求1所述的考虑碳市场的分布式资源集群调度方法，其特征在于，所述采用多智能体共识算法更新所述中间值时，还包括以下步骤，
采用投影协议，对更新的所述中间值进行投影保证，限制所述决策变量的上下限。
6.一种考虑碳市场的分布式资源集群调度装置，其特征在于，包括，
集群模块，用于基于主动配电网中的储能、电动汽车发电能源、可再生能源和可平移负荷，结合化石燃料发电机，创建分布式能源集群；
第一模型模块，用于所述分布式能源集群与主动配电网进行能源交易，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，以构建优化目标函数，并设置所述分布式能源集群的正常运行约束,得到第一多要素集群调度模型；设置所述分布式能源集群的正常运行约束包括，采用基于Distflow的潮流模型，对所述分布式能源集群的配电网络进行约束，并将所述主动配电网的电压幅值和功率控制在预设范围内；设置所述分布式能源集群的正常运行约束还包括，当某电动汽车发电能源接入电网时，记录其存储电量的初始值；获取存储电量的当前值，判断所述当前值与所述初始值的差值是否满足预设阈值，包括，
式中，为第i辆电动汽车的充电目标值，E EVi,t为某电动汽车发电能源的存储电量的初始值，δ i为预设的误差值，t 1为接入电网的时刻，t 2为离开电网的时刻，为电动汽车发电能源的存储电量的损失百分比参数，E EVi,t-1为t时刻的前一时刻的电动汽车SOC，x EVi,t为第i辆电动汽车t时刻的实际出力，为模型的颗粒度；
当所述当前值与所述初始值的差值满足预设阈值时，允许电动汽车发电能源离开电网；
第一调度优化模块，用于对所述第一多要素集群调度模型执行优化流程，包括，通过增量近似法更新所述优化目标函数的决策变量和辅助乘子，得到所述优化目标函数的中间值；采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量；通过增量近似法更新决策变量时，采用以下规则，
式中，是更新的决策变量，是更新前的决策变量，k是迭代次数，η(k)是一个逐渐递减的步长，是每个分布式能源集群的目标函数，为所有不等式约束的表达式，为所有等式约束的表达式，是当地的所有决策变量的复制矩阵，β 1和β 2是常数，λ和μ是辅助乘子；
通过增量近似法更新辅助乘子λ和μ时，采用以下规则，
式中，和为更新的辅助乘子，和为更新前的辅助乘子，为所有不等式约束表达式在第k次迭代时的值，为所有等式约束表达式在第k次迭代时的值；
以及，采用多智能体共识算法更新所述中间值时，采用以下规则，
式中，和是二次更新的第i个节点的辅助乘子，和为一次更新的第p个节点的辅助乘子，w ip是定义的信息交换权重，为所有节点的数量，为与i节点相邻的节点个数，为与p节点相邻的节点个数,为所有节点的数量除去i个节点的数值；
调度模块，用于根据所述决策变量执行所述分布式资源集群的能源调度。
7.根据权利要求6所述的考虑碳市场的分布式资源集群调度装置，其特征在于，还包括，
第二模型模块，用于当所述分布式能源集群与主动配电网进行能源交易，并与其他所述分布式能源集群进行能源交易时，预测所述储能的集群成本、所述电动汽车发电能源的集群成本、所述可再生能源的集群成本、所述可平移负荷的集群成本和所述化石燃料发电机的集群成本，以及，预测所述分布式能源集群的碳排放成本，建立第二多要素集群调度模型，以及设置所述分布式能源集群的正常运行约束；
议价模块，用于基于纳什议价理论，对所述第二多要素集群调度模型进行利益分配，最大化所述分布式能源集群的纳什乘积，得到分配目标函数和设置所述分布式能源集群之间的交易约束；
第二调度优化模块，用于对所述第二多要素集群调度模型执行优化流程，包括，通过增量近似法更新所述分配目标函数的决策变量和辅助乘子，得到所述分配目标函数的中间值；将所述中间值广播给相邻的所述分布式能源集群，采用多智能体共识算法更新所述中间值，并计算更新的所述中间值与原中间值的差值；重复执行所述优化流程，直至迭代的各差值的总和小于预设值，输出与所述中间值对应的决策变量。
8.根据权利要求6-7任意一项所述的考虑碳市场的分布式资源集群调度装置，其特征在于，还包括，
投影模块，用于采用多智能体共识算法更新所述中间值时，采用投影协议，对更新的所述中间值进行投影保证，限制所述决策变量的上下限。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至5任意一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任意一项所述方法的步骤。
CN202311316497.3A 2023-10-12 2023-10-12 一种考虑碳市场的分布式资源集群调度方法及装置 Active CN117057850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311316497.3A CN117057850B (zh) 2023-10-12 2023-10-12 一种考虑碳市场的分布式资源集群调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311316497.3A CN117057850B (zh) 2023-10-12 2023-10-12 一种考虑碳市场的分布式资源集群调度方法及装置

Publications (2)

Publication Number Publication Date
CN117057850A CN117057850A (zh) 2023-11-14
CN117057850B true CN117057850B (zh) 2024-01-26

Family

ID=88666709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311316497.3A Active CN117057850B (zh) 2023-10-12 2023-10-12 一种考虑碳市场的分布式资源集群调度方法及装置

Country Status (1)

Country Link
CN (1) CN117057850B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117687754A (zh) * 2023-12-05 2024-03-12 北京泛睿云图科技有限公司 一种基于碳强度的gpu调度系统、方法和产品

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109687454A (zh) * 2019-01-24 2019-04-26 南方电网科学研究院有限责任公司 一种分布式能源集群优化调度系统、方法及装置
CN112529256A (zh) * 2020-11-24 2021-03-19 华中科技大学 考虑多重不确定性的分布式电源集群日前调度方法和系统
CN113541198A (zh) * 2021-06-23 2021-10-22 清华大学 一种主动配电网日前调度方法、装置、电子设备和存储介质
CN115333110A (zh) * 2022-08-31 2022-11-11 武汉大学 基于admm的配电网-微电网群协同分布式优化调度方法及系统
CN115842333A (zh) * 2022-01-10 2023-03-24 国网上海能源互联网研究院有限公司 一种分布式电源集群短期联合优化调度方法及系统
CN116488156A (zh) * 2023-04-24 2023-07-25 广西电网有限责任公司 一种配电网多类型柔性资源集群调控方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9373960B2 (en) * 2013-03-13 2016-06-21 Oracle International Corporation Computerized system and method for distributed energy resource scheduling

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109687454A (zh) * 2019-01-24 2019-04-26 南方电网科学研究院有限责任公司 一种分布式能源集群优化调度系统、方法及装置
CN112529256A (zh) * 2020-11-24 2021-03-19 华中科技大学 考虑多重不确定性的分布式电源集群日前调度方法和系统
CN113541198A (zh) * 2021-06-23 2021-10-22 清华大学 一种主动配电网日前调度方法、装置、电子设备和存储介质
CN115842333A (zh) * 2022-01-10 2023-03-24 国网上海能源互联网研究院有限公司 一种分布式电源集群短期联合优化调度方法及系统
CN115333110A (zh) * 2022-08-31 2022-11-11 武汉大学 基于admm的配电网-微电网群协同分布式优化调度方法及系统
CN116488156A (zh) * 2023-04-24 2023-07-25 广西电网有限责任公司 一种配电网多类型柔性资源集群调控方法

Also Published As

Publication number Publication date
CN117057850A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
Das et al. Multi-objective techno-economic-environmental optimisation of electric vehicle for energy services
Ma et al. Optimal sizing and operations of shared energy storage systems in distribution networks: A bi-level programming approach
Gazijahani et al. Integrated DR and reconfiguration scheduling for optimal operation of microgrids using Hong’s point estimate method
Wang et al. Energy management for a commercial building microgrid with stationary and mobile battery storage
Tabatabaee et al. Stochastic scheduling of local distribution systems considering high penetration of plug-in electric vehicles and renewable energy sources
Zheng et al. The economic analysis of electric vehicle aggregators participating in energy and regulation markets considering battery degradation
Ramachandran et al. Intelligent power management in micro grids with EV penetration
CN117057850B (zh) 一种考虑碳市场的分布式资源集群调度方法及装置
Zheng et al. Two-phase operation for coordinated charging of electric vehicles in a market environment: From electric vehicle aggregators’ perspective
Liu et al. Distributed energy management for the multi-microgrid system based on ADMM
Mirzaei et al. Probabilistic optimal bi-level scheduling of a multi-microgrid system with electric vehicles
Zhou et al. Correlated deep q-learning based microgrid energy management
Fanti et al. District microgrid management integrated with renewable energy sources, energy storage systems and electric vehicles
Roccotelli et al. Smart district energy management with cooperative microgrids
Yi et al. Optimal energy management strategy for smart home with electric vehicle
Ansari et al. Optimal charging strategies for unidirectional vehicle-to-grid using fuzzy uncertainties
Liu et al. Multi-VPPs power-carbon joint trading optimization considering low-carbon operation mode
Roche et al. Optimized fuel cell array energy management using multi-agent systems
Singh et al. Shapley value method and stochastic Dantzig–Wolfe decomposition for decentralized scheduling of multimicrogrid
Hassija et al. A blockchain-based framework for energy trading between solar powered base stations and grid
Pan et al. Online EVs Vehicle-to-Grid Scheduling Coordinated with Multi-Energy Microgrids: A Deep Reinforcement Learning-Based Approach
Saber et al. Two-Stage Coordination Scheme for Multiple EV Charging Stations Connected to an Exclusive DC Feeder Considering Grid-Tie Converter Limitation
Wang et al. Multi-agent deep reinforcement learning based fully decentralized aggregation frequency regulation of electric vehicle
Kanai et al. V2G Contribution to Reduction of Renewable Energy Curtailment by Valley-filling Approach
Rivera Optimal charging of electric vehicles with renewable energy in smart grids

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