CN117252034B - 基于鲁棒优化和需量防守的共享租赁储能双层规划模型 - Google Patents

基于鲁棒优化和需量防守的共享租赁储能双层规划模型 Download PDF

Info

Publication number
CN117252034B
CN117252034B CN202311506615.7A CN202311506615A CN117252034B CN 117252034 B CN117252034 B CN 117252034B CN 202311506615 A CN202311506615 A CN 202311506615A CN 117252034 B CN117252034 B CN 117252034B
Authority
CN
China
Prior art keywords
energy storage
shared
power
model
optimization
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
CN202311506615.7A
Other languages
English (en)
Other versions
CN117252034A (zh
Inventor
陈佳佳
王延鑫
赵艳雷
徐丙垠
王敬华
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.)
Shandong University of Technology
Original Assignee
Shandong 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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202311506615.7A priority Critical patent/CN117252034B/zh
Publication of CN117252034A publication Critical patent/CN117252034A/zh
Application granted granted Critical
Publication of CN117252034B publication Critical patent/CN117252034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于配电网储能规划技术领域，具体涉及一种基于鲁棒优化和需量防守的共享租赁储能双层规划模型，构建过程包括：S1、基于鲁棒信息间隙决策理论，构建上层的鲁棒IGDT优化模型；S2、基于分布式模型预测控制DMPC，构建下层的滚动优化模型；S3、推导基于一致性理论的同步交替方向乘子法SADMM；S4、对上下两层进行迭代优化求解，得到共享租赁储能最优规划结果。本发明构建了共享租赁储能双层规划模型，利用上下两层迭代优化求解，得到共享租赁储能最优规划结果，能够实现灵活的共享租赁储能容量配置，降低了净负荷不确定性的影响，提高了需量防守能力，增强了系统的整体经济性，可在保证园区运行经济性的同时，保证工业园区的需量防守。

Description

基于鲁棒优化和需量防守的共享租赁储能双层规划模型
技术领域
本发明属于配电网储能规划技术领域，具体涉及一种基于鲁棒优化和需量防守的共享租赁储能双层规划模型。
背景技术
目前，随着以光伏为代表的可再生能源发电成本已接近传统发电的上网电价，其大规模接入用户侧是未来的发展趋势。然而，可再生能源出力难以准确预测，具有较强的不确定性和波动性，这对工业园区的优化运行带来了巨大的挑战。对于一个工业园区而言，一般采用的电价方式为两部制电价，包括按照用户一个月中的最大需量进行计费的需量电费和按照用户的实际用电量进行计费的电度电费。储能(ES)的部署为工业园区提供了许多优势，包括削峰填谷和降低需量电价的能力。此外，它还可以实现峰谷套利，从而有效地降低电费。这种方法被证明在解决与光伏和负荷相关的不确定性和波动性方面是非常有效的。然而ES存在投资成本高和回收周期长等障碍，不利于大规模储能。
在工业园区储能的研究中，租赁ES不仅解决了单个工业园区用户难以独立承担ES基础设施投资和建设费用的问题，而且提供了一种灵活的解决方案，以根据这些用户的独特需量来提供ES的容量和功率，从而缓解产能过剩和短缺。
此外，值得注意的是，工业园区的峰值负荷在不同的季节之间会发生显著的波动。共建和共享ES的解决方案可以同时适应这些变化的月峰值负载，这是可能的次优的配置解决方案。相比之下，租赁型ES在规划模型中引入了动态维度，允许根据用户的ES需量进行精确的季节调整，从而最大限度地优化资源配置。然而，在实际工程中，园区光伏发电和负荷曲线难以精确预测，如何考虑光伏和负荷进行储能规划，对需量进行有效防守是工业园区储能规划面临的主要挑战。
现有关于工业园区储能规划方法有以下不足：
1)主要关注自建和共建领域的ES规划，忽略了与共享租赁储能相关的商业模式。而自建ES和共建ES通常涉及大量的前期投资和建设成本，这可能会阻碍用户的广泛部署；
2)大多数已建立的双层ES规划方法主要强调迭代和不确定性等因素，但往往忽略了与需量防守相关的重要考虑；
3)ES规划的文献主要倾向于集中式控制策略，对分布式控制策略的关注有限。
发明内容
根据以上现有技术中的不足，本发明提供了一种基于鲁棒优化和需量防守的共享租赁储能双层规划模型，实现了最优的共享租赁储能规划，降低了净负荷不确定性的影响，提高了需量防守能力，增强了系统的整体经济性。
为达到以上目的，本发明提供了一种基于鲁棒优化和需量防守的共享租赁储能双层规划模型，构建过程包括以下步骤：
S1、基于鲁棒信息间隙决策理论，构建上层的鲁棒IGDT优化模型，构建方法为：
S11、在两部制电价下，建立确定性环境下以总成本最小化为目标的工业园区共享租赁储能规划模型；
S12、对工业园区共享租赁储能规划模型设定约束；
S13、结合工业园区共享租赁储能规划模型和IGDT理论，建立IGDT共享租赁储能规划模型；
S14、利用鲁棒的IGDT方法，将IGDT共享租赁储能规划模型的目标函数转化，最终得到不确定环境下的鲁棒IGDT优化模型；
S2、基于分布式模型预测控制DMPC，构建下层的滚动优化模型，构建方法为，结合DMPC的特性，将鲁棒IGDT优化模型的目标函数进一步改写；
S3、推导基于一致性理论的同步交替方向乘子法SADMM；
S4、对上下两层进行迭代优化求解，得到共享租赁储能最优规划结果。
所述的S11中，工业园区共享租赁储能规划模型的构建方法为：
总成本C由微燃机MT的运营成本、与电网交易的净成本、以及共享租赁储能（以下简称共享租赁储能）的租赁成本组成，具体表达如公式（1）所示：
；
式中：(1a)代表MT的运营成本，是用户i的MT的成本系数，/>是用户i的MT在时刻t的输出功率；T、N和/>分别是优化时刻、用户的数量和时间间隔；（1b）表示与电网交易的净成本，/>、/>和/>分别是分时电价、需量电价和上网电价；/>、和/>分别是在时刻t的购买功率、需量功率和上网功率；(1c)代表共享租赁储能的租赁成本，/>、/>和/>分别为共享租赁储能的运维、功率租赁和容量租赁的成本系数，/>分别是t时刻共享租赁储能的放电和充电功率，/>分别为共享租赁储能的最大功率和容量。
共享租赁储能规划的过程中，为了保证工业园区的平稳运行需要满足一些固有约束。
所述的S12中，约束包括分布式发电的运行约束和功率平衡约束：
S121、分布式发电的运行约束为：
；
式中：(2a)代表第i个用户的MT输出功率限制，分别为用户i的MT输出功率的上限和下限；(2b)和(2c)分别是共享租赁储能的充电和放电功率限制，/>分别为共享租赁储能充电功率的上下限，/>共享租赁储能放电功率的上下限；(2d)确保共享租赁储能的充放电不能同时进行；(2e)和(2f)分别是共享租赁储能的功率和容量约束，SOE（t）、SOC（t）分别是在t时刻共享租赁储能的能量状态和荷电状态；(2g)表示t时刻的共享租赁储能的能量与/>时刻的充放电有关,/>分别是共享租赁储能的充电和放电的效率；(2h)代表共享租赁储能的剩余电量需在0.2和1之间；(2i)表明在一个优化周期内共享租赁储能的充放电量应保持一致；
S122、功率平衡约束为：
；
式中：(3a)和(3b)分别表示工业园区和用户的功率平衡；、/>和分别表示在t时刻第i个用户的交换功率、负荷需量和光伏出力。
然后，本发明开发了一种鲁棒的IGDT方法处理负荷和光伏的不确定性问题以降低对储能规划的影响。IGDT方法在处理不确定性时，对不确定性信息的需量较低，并且考虑了决策者的风险偏好，可获得不同期望目标下的运行策略。首先确定IGDT共享租赁储能规划模型。
所述的S13中，IGDT共享租赁储能规划模型的构建方法为：
S131、IGDT共享租赁储能规划模型由系统模型和不确定模型组成，设定C（X，d）为系统模型的目标函数，系统模型包含等式约束G（X，d）=0和不等式约束B（X，d）≥0，优化问题表示为：
（4）；
式中：X、d分别为系统模型的不确定性变量、决策变量，U是不确定性集；
S132、变量的不确定性通表示为：
（5）；
式中：α，分别为不确定性半径和不确定性变量的最大期望值；
S133、以最大化不确定性参数的取值范围为目标，建立不确定模型，优化结果不差于预期值：
（6）；
式中：代表不确定性变量的最大偏差，C0、CC分别是确定性环境下的最优成本和决策者所能接受的最大成本预期值，β是由决策者制定的风险规避因子，为决策者能够接受的成本偏差度；
S134、当IGDT共享租赁储能规划模型同时应用到多个用户处理不确定性时，IGDT共享租赁储能规划模型变为：
（7）；
式中：、/>和/>分别是第i个用户的不确定性半径、净负荷和净负荷的最大期望值。
本发明注意到IGDT模型一个双层优化问题，上层模型设定为在可接受的成本内最大化不确定性范围，而下层的目标是寻找一个最优解来应对集合中的不确定性量/>的所有变化，难以直接求解。因此本发明提出了一种鲁棒IGDT的优化方法解决此问题。
所述的S14中，目标函数转化过程为：
S141、利用鲁棒优化思想，将目标函数转化为；
S142、在公式(7)中，净负荷的需量越高，工业园区的能耗越大，此时共享租赁储能的规划成本最大，其中的公式转化成/>；
S143、不确定环境下的鲁棒IGDT优化模型最终表示为：
（8）。
在实际运行时，光伏和负荷的预测值会存在预测误差，导致实时运行中需量防守失败，进而增加需量电费的支出。所以为防止工业园区成本的提高，需要对工业园区在实时运行时需量防守。除此之外，工业园区每个用户都需要满足自身利益最大化，按照上层规划结果分别进行实时运行优化。而DMPC可以将一个大规模系统问题分解为若干个相互独立、相互耦合的子问题，各子问题之间可以相互独立求解，从而降低了优化问题的规模和复杂度，提高了求解效率。同时，DMPC将实时控制和反馈校正结合在一起，能够按照实际运行情况对上层规划结果进行实时跟踪和修正。
所述的S2中，构建下层的滚动优化模型时，将鲁棒IGDT优化模型的目标函数进一步改写的过程为：
结合DMPC的特性建立预测时域为H的DMPC需量防守滚动优化模型，目标函数改写为：
（9）；
式中：代表在t时刻第m个子系统DMPC需量防守模型的目标函数，子系统包括电网、MT和共享租赁储能；/>表示第m个子系统功率组成的向量，子系统为电网时其包括/>、/>，子系统为MT时，其为/>，子系统为共享租赁储能时，其包括/>、；/>、/>分别为滚动优化模型的购买功率、上网功率，/>为滚动优化模型中用户i的MT的功率，/>、/>分别为滚动优化模型的共享租赁储能的放电、充电功率。
所述的S3中，推导SADMM的方法为：
S31、ADMM算法的一般形式：
（10）；
式中：，/>，/>，/>，/>，y，z是决策变量；分别是y和z的目标函数；
S32、将公式(10)构造成增广拉格朗日函数：
（11）；
式中：l，分别为拉格朗日乘子和惩罚因子；
S33、用梯度下降法迭代求解公式（11），设，得到第k次不同优化区域的迭代公式：
；
然而标准的ADMM需要子系统交替求解，从而得到系统的最优解，属于异步迭代。为避免迭代混乱并提高计算速度，推导出同步型ADMM，使各子系统进行并行计算。
S34、根据公式（9）和SADMM的原理，推导出下层需量防守模型分布式迭代优化的最终形式为：
；
式中：分别是本次迭代和上次迭代的功率交换值，/>是上次迭代的系统功率交换的平均值；
为了优化迭代公式，需要收集功率交换的平均值。传统的方法是基于集中控制中心进行统一采集和调度，这将大大增加系统的维护成本和信息泄漏的风险。因此，需要一种安全可靠的方法收集功率交换的平均值。
本发明探索了一种由一致性理论形成的完全分布式控制算法，此算法不依赖集中控制中心进行调度，每个用户与相邻的用户进行功率和信息交换。信息通过局域网进行交换，提高了信息的安全性，减少了通信线路，降低了系统维护和通信成本。下面将详细介绍完全分布式控制算法的实现过程。
S35、根据图论的概念，将由用户、电网和共享租赁储能组成的通信网络拓扑描述成一个无向图；用户，电网和共享租赁储能都是无向图中的一个节点，通信线路被视为边；由此，工业园区的拉普拉斯矩阵被描述为：
（14）；
式中：E是邻接矩阵，用来描述节点之间的连接关系；D是度矩阵，用来表示与每个节点相关的边的数量；是指与节点o有通信连接的节点的集合，/>是该集合中节点的数量，o、p是网络拓扑中的节点；
S36、根据一致性理论，对于拉普拉斯矩阵，如果有K个非零特征值，经过K次迭代就得到平均值：
（15）；
S37、无向图中每个节点的迭代规则被描述为：
（16）；
（17）；
式中：是节点o在K次迭代后的更新值，/>为第d次迭代时的权重因子，/>是拉普拉斯矩阵中第d+1个非零的特征值。
所述的S4中，利用Gurobi求解器，以0.01%的误差，对由公式(1)-(17)组成的双层规划模型进行求解，得到共享租赁储能最优规划结果。
本发明中涉及到的模型计算可以通过电子设备执行，电子设备包括存储器、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，通过处理器执行程序（求解器）实现上述的算法。
本发明所具有的有益效果是：
本发明构造了共享租赁储能双层规划模型，利用上下两层迭代优化求解，得到共享租赁储能最优规划结果，能够实现灵活的共享租赁储能容量配置，降低了净负荷不确定性的影响，提高了需量防守能力，增强了系统的整体经济性，可在保证园区运行经济性的同时，保证工业园区的需量防守。
本发明实现了最优的共享租赁储能规划，验证过程中本发明与共建型和自建型共享租赁储能相比经济性分别提高了6.391%和7.714%，为需量防守下的共享租赁储能的规划提供了一种新的解决思路。
附图说明
图1是本发明的流程原理图；
图2是本发明实施例的工业园区结构示意图；
图3是图2中用户的负荷需量和光伏出力示意图；
图4是本发明实施例中夏季电网、微燃机、共享租赁储能输出功率示意图；
图5是本发明实施例中冬季电网、微燃机、共享租赁储能输出功率示意图；
图6是本发明实施例中不同储能模型抵御风险能力的比较示意图；
图7是本发明实施例中不确定性半径和上层规划成本随风险规避因子变化情况示意图。
具体实施方式
下面结合附图对本发明的实施例做进一步描述：如图1所示，基于鲁棒优化和需量防守的共享租赁储能双层规划模型，构建过程包括以下步骤：
S1、基于鲁棒信息间隙决策理论，构建上层的鲁棒IGDT优化模型：
S2、基于分布式模型预测控制DMPC，构建下层的滚动优化模型；
S3、推导基于一致性理论的同步交替方向乘子法SADMM；
S4、对上下两层进行迭代优化求解，得到共享租赁储能最优规划结果。
下面以一个实例具体说明本发明基于鲁棒优化和需量防守的共享租赁储能双层规划模型。
图2为工业园区结构示意图，工业园区内包含3个用户，每个用户均由光伏、负载、MT组成，同时，利用关口计费器记录工业园区使用的电量，用户、共享租赁储能、电网通过信息流交换需求信息，通过功率流交换需求功率。各用户的负荷需量和光伏出力如图3所示（图3的4个分图中，光伏出力为最下方曲线，其余曲线从下到上依次为负荷3、负荷2、负荷1，分别对应用户3、用户2和用户1的负荷需量）。
本发明采用两部制电价，其分时电价具体表述为：谷时电价为0.3700CNY/kWh(00:00-08:00)，峰时电价为1.3612CNY/kWh(08:00-12:00，17:00-21:00)，平时电价为0.8200CNY/kWh(12:00-17:00，21:00-24:00)。需量电价一个月为38CNY/kW，上网电价为0.3CNY/kWh。共享租赁储能的功率和能量的年租赁费用分别为280CNY/kW，110CNY/kWh。自建和共建储能的费用为1200CNY/kWh，贴现率为6%，寿命为8年。
首先，本发明选择在β=0.05和下层光伏和负荷的预测误差=0.05下分析基于共享租赁储能的商业模式的工业园区的仿真结果。图4和图5详细展示了夏季/冬季电网、MT、共享租赁储能的出力结果。
图4和图5中的DE代表确定性环境下的共享租赁储能的上层规划结果，图4（a）和图5（a）描述了电网和MT在DE、上层、下层三种情况下的输出功率，具体包括电网的购买功率Pb和上网功率Ps，以及三个用户的MT功率，/>，/>和分时电价cb。图4（b）和图5（b）描述了共享租赁储能在DE、上层、下层三种情况下的输出功率，具体包括充电功率Pc，放电功率Pd和SOC（荷电状态）的变化情况。
图4和图5的结果首先展示共享租赁储能可以根据分时电价和负荷需量实现高价放电，低成本充电，这样既可以降低电度电费，又可以增加峰谷套利。具体表现为：储能（此段落中储能即为共享租赁储能）在前16个时刻，处于充电状态，SOC（荷电状态）不断上升，这是由于这段时间的电价和负荷需量较低，储能充电为接下来的用电高峰和峰时电价时段做好准备。之后在第17到24时刻，电价变为峰时电价，此时的光伏输出功率不足以满足负荷需量，需要储能放电来降低电度电费，SOC不断下降。在第25到33时刻，电价降低为平时电价，储能开始充电，SOC值再次上升，为接下来的降低用户电费再次储存能量。在第34到42时刻，储能不断放电直到最低水平以降低工业园区的电度电费。最后的43到48时刻，电价再次降低，储能为满足循环利用，不在进行充电，SOC值保持不变，此时的负荷需量由MT和电网供应。本发明可以从图4和图5中观察SOC的上下两层的变化曲线可以得出，DMPC一直在实时跟踪上层SOC的变化，进而调整系统的功率输出。同时，冬季仿真结果的各部分变化趋势与夏季的仿真结果相似，说明本发明的模型没有季节性限制，适用于多种场景下。
其次，本发明进行了三种不同的储能模型进行对比，他们是共享租赁储能、共建储能、自建储能。得到三种储能模型的年规划成本，如表1所示。在表1中F1为MT的运营成本，F2为与电网交易的成本，F3为共享租赁储能的租赁成本或者共建和自建储能的建设投资成本。
如表1所示，共享租赁储能的工业园区上层模型的总成本比使用其他两种储能模型的上层模型的总成本分别降低了6.391%和7.714%。其中，相比较于共建和自建储能，共享租赁储能的MT的运营成本分别高33.873%和30.258%，这是因为MT的单位运营成本较低，用户在减少与电网交易的功率后，需要利用MT进行发电满足功率平衡。其次，因为用户不用承担共享租赁的投资建设费用，刺激了用户使用共享租赁储能降低自身成本，所以本发明发现共享租赁储能的F3成本比共建储能高6.163%。同时，本发明发现自建储能的F3成本比共享租赁储能高38.847%，这是因为自建储能需要每个用户各自承担投资建设成本，导致其成本增加。最后，利用共享租赁储能的F2的成本分别比其他两种储能降低了15.670%和10.456%。这是因为共享租赁储能可以最大限度的通过分时电价进行峰谷差套利，并且削减峰值负荷减少需量电费，从而减少与电网交易的成本。
为进一步考察本发明双层规划模型的优势，进行上层和下层模型的成本对比，如表2所示，表中的下层模型的费用是将下层运行结果带入上层模型中得到的结果。从表2中，本发明观察到下层运行模型可以在上层规划模型的模型下进行实时运行，使下层模型的成本不超过决策者的预期。但是自建储能使用相同的下层运行数据，不能保证将需量防守在1%内，会增加工业园区的需量防守费用。
最后，本发明分析了共享租赁储能在抵御风险方面的优越性。图6给出了不同储能模型抵御风险能力的结果，其中自建储能的不确定性半径选取三个用户不确定性半径的平均值。图6(a)描述了三种储能工业园区在同一风险规避因子下的不确定性半径，图6(b)展示了三种储能工业园区在同一不确定性半径下的成本。不确定半径越大，表明系统对于不确定量的波动越不敏感，鲁棒性越强，规避风险的能力越强。
从图6(a)，可以看出共享租赁储能在相同的风险规避因子下，净负荷的不确定性半径平均比自建和共建储能高40.329%和55.854%，抵御净负荷不确定性风险的能力明显高于其他两种模型。除此之外，从图6(b)的结果中，可以看出在共享租赁储能最小的不确定性半径下，共建储能和自建储能模型想要获得相同的抵御净负荷不确定性能力需要付出的上层成本分别比共享租赁储能高6.515%和7.767%。综上所述，图6整体反映出共享租赁储能在抵御净负荷不确定性的能力明显高于自建储能和共建储能。
本发明还研究了鲁棒IGDT中的风险规避因子对不确定性半径和上层规划成本的影响，如图7所示。从图7中，本发明注意到随之风险规避因子的增大，上层规划成本和不确定性半径随之增大。这是因为决策者认为不确定性对上层规划成本降低产生负面影响。而且上层规划成本均不大于预期成本（1+β）C0，决策者可以根据自己的风险偏好设定合理的成本偏差因子β，从而获得满意的策略。除此之外，随着不确定性半径的增加，净负荷大于预测值，需要增加从上层电网购买功率的数量，实际运行成本进一步提高。发展趋势和图像变化趋势一致，证明了鲁棒IGDT模型的有效性。
为证明完全分布式优化算法与集中式算法的结果一致性，本发明分别采用集中式和完全分布式的算法对下层运行模型进行了结果对比。表3列出了在下层误差为0.05时公式（1a），（1b），(1c)的成本和模型的总成本。
从表3中对比可以知道基于集中式算法和完全分布式算法的方法优化出来的成本近似相等。在夏季和冬季两种场景下两种方法的总成本相差分别为2.7049*10-4%、7.4813*10-5%，结果基本一致。因而可以说明本发明提出的完全分布式算法的优化结果为最优解。
综上所述，本发明提出的基于鲁棒优化和需量防守的共享租赁储能双层规划模型能够实现灵活的ES容量配置，降低了净负荷不确定性的影响，提高需量防守能力，增强了系统的整体经济性，为工业园区的需量防守提供了解决思路。

Claims (3)

1.一种基于鲁棒优化和需量防守的共享租赁储能双层规划模型，其特征在于构建过程包括以下步骤：
S1、基于鲁棒信息间隙决策理论，构建上层的鲁棒IGDT优化模型，构建方法为：
S11、在两部制电价下，建立确定性环境下以总成本最小化为目标的工业园区共享租赁储能规划模型；
S12、对工业园区共享租赁储能规划模型设定约束；
S13、结合工业园区共享租赁储能规划模型和IGDT理论，建立IGDT共享租赁储能规划模型；
S14、利用鲁棒的IGDT方法，将IGDT共享租赁储能规划模型的目标函数转化，最终得到不确定环境下的鲁棒IGDT优化模型；
S2、基于分布式模型预测控制DMPC，构建下层的滚动优化模型，构建方法为，结合DMPC的特性，将鲁棒IGDT优化模型的目标函数进一步改写；
S3、推导基于一致性理论的同步交替方向乘子法SADMM；
S4、对上下两层进行迭代优化求解，得到共享租赁储能最优规划结果；
所述的S11中，工业园区共享租赁储能规划模型的构建方法为：
总成本C由微燃机MT的运营成本、与电网交易的净成本、以及共享租赁储能的租赁成本组成，具体表达如公式（1）所示：
；
式中：式中：(1a)代表MT的运营成本，是用户i的MT的成本系数，/>是用户i的MT在时刻t的输出功率；T、N和/>分别是优化时刻、用户的数量和时间间隔；（1b）表示与电网交易的净成本，/>、/>和/>分别是分时电价、需量电价和上网电价；/>、和/>分别是在时刻t的购买功率、需量功率和上网功率；(1c)代表共享租赁储能的租赁成本，/>、/>和/>分别为共享租赁储能的运维、功率租赁和容量租赁的成本系数，/>分别是t时刻共享租赁储能的放电和充电功率，/>分别为共享租赁储能的最大功率和容量；
所述的S12中，约束包括分布式发电的运行约束和功率平衡约束：
S121、分布式发电的运行约束为：
；
式中：(2a)代表第i个用户的MT输出功率限制，分别为用户i的MT输出功率的上限和下限；(2b)和(2c)分别是共享租赁储能的充电和放电功率限制，/>分别为共享租赁储能充电功率的上下限，/>共享租赁储能放电功率的上下限；(2d)确保共享租赁储能的充放电不能同时进行；(2e)和(2f)分别是共享租赁储能的功率和容量约束，SOE（t）、SOC（t）分别是在t时刻共享租赁储能的能量状态和荷电状态；(2g)表示t时刻的共享租赁储能的能量与/>时刻的充放电有关,/>分别是共享租赁储能的充电和放电的效率；(2h)代表共享租赁储能的剩余电量需在0.2和1之间；(2i)表明在一个优化周期内共享租赁储能的充放电量应保持一致；
S122、功率平衡约束为：
；
式中：(3a)和(3b)分别表示工业园区和用户的功率平衡；、/>和/>分别表示在t时刻第i个用户的交换功率、负荷需量和光伏出力；
所述的S13中，IGDT共享租赁储能规划模型的构建方法为：
S131、IGDT共享租赁储能规划模型由系统模型和不确定模型组成，设定C（X，d）为系统模型的目标函数，系统模型包含等式约束G（X，d）=0和不等式约束B（X，d）≥0，优化问题表示为：
（4）；
式中：X、d分别为系统模型的不确定性变量、决策变量，U是不确定性集；
S132、变量的不确定性通表示为：
（5）；
式中：α、分别为不确定性半径和不确定性变量的最大期望值；
S133、以最大化不确定性参数的取值范围为目标，建立不确定模型，优化结果不差于预期值：
（6）；
式中：代表不确定性变量的最大偏差，C0、CC分别是确定性环境下的最优成本和决策者所能接受的最大成本预期值，β是由决策者制定的风险规避因子，为决策者能够接受的成本偏差度；
S134、当IGDT共享租赁储能规划模型同时应用到多个用户处理不确定性时，IGDT共享租赁储能规划模型变为：
（7）；
式中：、/>和/>分别是第i个用户的不确定性半径、净负荷和净负荷的最大期望值；
所述的S14中，目标函数转化过程为：
S141、利用鲁棒优化思想，将目标函数转化为/>；
S142、在公式(7)中，净负荷的需量越高，工业园区的能耗越大，此时共享租赁储能的规划成本最大，其中的公式转化成/>；
S143、不确定环境下的鲁棒IGDT优化模型最终表示为：
（8）；
所述的S2中，构建下层的滚动优化模型时，将鲁棒IGDT优化模型的目标函数进一步改写的过程为：
结合DMPC的特性建立预测时域为H的DMPC需量防守滚动优化模型，目标函数改写为：
（9）；
式中：代表在t时刻第m个子系统DMPC需量防守模型的目标函数，子系统包括电网、MT和共享租赁储能；/>表示第m个子系统功率组成的向量，子系统为电网时其包括、/>，子系统为MT时，其为/>，子系统为共享租赁储能时，其包括/>、；/>、/>分别为滚动优化模型的购买功率、上网功率，/>为滚动优化模型中用户i的MT的功率，/>、/>分别为滚动优化模型的共享租赁储能的放电、充电功率。
2.根据权利要求1所述的基于鲁棒优化和需量防守的共享租赁储能双层规划模型，其特征在于：所述的S3中，推导SADMM的方法为：
S31、ADMM算法的一般形式：
（10）；
式中：，/>，/>，/>，/>，y，z是决策变量；分别是y和z的目标函数；
S32、将公式(10)构造成增广拉格朗日函数：
（11）；
式中：l，分别为拉格朗日乘子和惩罚因子；
S33、用梯度下降法迭代求解公式（11），设，得到第k次不同优化区域的迭代公式：
；
S34、根据公式（9）和SADMM的原理，推导出下层需量防守模型分布式迭代优化的最终形式为：
；
式中：分别是本次迭代和上次迭代的功率交换值，/>是上次迭代的系统功率交换的平均值；
S35、根据图论的概念，将由用户、电网和共享租赁储能组成的通信网络拓扑描述成一个无向图；用户，电网和共享租赁储能都是无向图中的一个节点，通信线路被视为边；由此，工业园区的拉普拉斯矩阵被描述为：
（14）；
式中：E是邻接矩阵，用来描述节点之间的连接关系；D是度矩阵，用来表示与每个节点相关的边的数量；是指与节点o有通信连接的节点的集合，/>是该集合中节点的数量，o、p是网络拓扑中的节点；
S36、根据一致性理论，对于拉普拉斯矩阵，如果有K个非零特征值，经过K次迭代就得到平均值：
（15）；
S37、无向图中每个节点的迭代规则被描述为：
（16）；
（17）；
式中：是节点o在K次迭代后的更新值，/>为第d次迭代时的权重因子，/>是拉普拉斯矩阵中第d+1个非零的特征值。
3.根据权利要求2所述的基于鲁棒优化和需量防守的共享租赁储能双层规划模型，其特征在于：所述的S4中，利用Gurobi求解器，以0.01%的误差，对由公式(1)-(17)组成的双层规划模型进行求解，得到共享租赁储能最优规划结果。
CN202311506615.7A 2023-11-14 2023-11-14 基于鲁棒优化和需量防守的共享租赁储能双层规划模型 Active CN117252034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311506615.7A CN117252034B (zh) 2023-11-14 2023-11-14 基于鲁棒优化和需量防守的共享租赁储能双层规划模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311506615.7A CN117252034B (zh) 2023-11-14 2023-11-14 基于鲁棒优化和需量防守的共享租赁储能双层规划模型

Publications (2)

Publication Number Publication Date
CN117252034A CN117252034A (zh) 2023-12-19
CN117252034B true CN117252034B (zh) 2024-02-02

Family

ID=89131608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311506615.7A Active CN117252034B (zh) 2023-11-14 2023-11-14 基于鲁棒优化和需量防守的共享租赁储能双层规划模型

Country Status (1)

Country Link
CN (1) CN117252034B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515301A (zh) * 2019-08-06 2019-11-29 大连理工大学 一种结合dmpc的改进的admm算法
CN113743989A (zh) * 2021-08-30 2021-12-03 国网青海省电力公司 一种基于区块链和分散交易理论的共享储能联合调频交易方法
CN115102201A (zh) * 2022-07-20 2022-09-23 华北电力大学 面向5g基站的共享储能优化配置方法、装置和存储介质
CN116316583A (zh) * 2023-03-08 2023-06-23 深能南京能源控股有限公司 一种基于储能共享的配电网系统韧性提升方法、装置、设备及存储介质
CN116937629A (zh) * 2023-07-21 2023-10-24 国网黑龙江省电力有限公司电力科学研究院 基于信息决策理论的多变压器微电网随机优化调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11887140B2 (en) * 2021-02-25 2024-01-30 Mitsubishi Electric Research Laboratories, Inc. Risk-constrained optimization of virtual power plants in pool and future markets

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515301A (zh) * 2019-08-06 2019-11-29 大连理工大学 一种结合dmpc的改进的admm算法
CN113743989A (zh) * 2021-08-30 2021-12-03 国网青海省电力公司 一种基于区块链和分散交易理论的共享储能联合调频交易方法
CN115102201A (zh) * 2022-07-20 2022-09-23 华北电力大学 面向5g基站的共享储能优化配置方法、装置和存储介质
CN116316583A (zh) * 2023-03-08 2023-06-23 深能南京能源控股有限公司 一种基于储能共享的配电网系统韧性提升方法、装置、设备及存储介质
CN116937629A (zh) * 2023-07-21 2023-10-24 国网黑龙江省电力有限公司电力科学研究院 基于信息决策理论的多变压器微电网随机优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Distributed Model Predictive Control-based Collaborative Scheduling for Multi-microgrids Industrial Park;Yanxin Wang .etal;IEEE;491-496 *
Information Gap Decision Theory-Based Stochastic Optimization for Smart Microgrids with Multiple Transformers;Shuang Rong .etal;applied sciences;1-13 *
考虑多主体电力负荷不确定性的工业园区共享储能配置与运行策略;潘倩华 等;软件(第07期);全文 *

Also Published As

Publication number Publication date
CN117252034A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN109492815B (zh) 一种市场机制下面向电网的储能电站选址定容优化方法
JP7261507B2 (ja) 電気ヒートポンプ－熱電併給システムを最適化する調整方法及びシステム
Chen et al. Research on day-ahead transactions between multi-microgrid based on cooperative game model
Gao et al. Demand-side response strategy of multi-microgrids based on an improved co-evolution algorithm
Ma et al. Decentralized and coordinated scheduling model of interconnected multi-microgrid based on virtual energy storage
Lahon et al. Risk‐based coalition of cooperative microgrids in electricity market environment
CN112651105A (zh) 一种基于博弈论的微网容量配置优化方法
CN114243727B (zh) 一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法
Du et al. RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm
Zhou et al. Multi-objective optimization and decision making for integrated energy system using STA and fuzzy TOPSIS
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
CN114970986A (zh) 一种基于纳什均衡的分布式电源及储能的协同规划方法
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
CN116307029A (zh) 促进多虚拟网格间源储荷协调的双层优化调度方法及系统
Yang et al. Multi-objective planning and optimization of microgrid lithium iron phosphate battery energy storage system consider power supply status and CCER transactions
Wang et al. Incorporate robust optimization and demand defense for optimal planning of shared rental energy storage in multi-user industrial park
CN112713621B (zh) 一种交直流混合系统的多目标优化配置方法和系统
Lu et al. Optimizing Grid-Connected Multi-Microgrid Systems With Shared Energy Storage for Enhanced Local Energy Consumption
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
CN117252034B (zh) 基于鲁棒优化和需量防守的共享租赁储能双层规划模型
Zhou et al. An integrated two-level distributed dispatch for interconnected microgrids considering unit commitment and transmission loss
CN117132040A (zh) 一种基于极限场景驱动的多能微网二阶段鲁棒优化方法
CN115441494A (zh) 基于柔性直流互联系统的换流站容量优化配置方法和装置
CN115496256A (zh) 一种基于神经网络预测的共享储能容量优化方法
Li et al. Multi-timescale scheduling strategy for multi-microgrids with accelerated alternating direction method of multipliers and stochastic model predictive control

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