CN117371755A - 多微网综合能源系统分布式优化方法、装置、设备及介质 - Google Patents
多微网综合能源系统分布式优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117371755A CN117371755A CN202311512758.9A CN202311512758A CN117371755A CN 117371755 A CN117371755 A CN 117371755A CN 202311512758 A CN202311512758 A CN 202311512758A CN 117371755 A CN117371755 A CN 117371755A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- optimization
- distributed
- microgrid
- charge
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004146 energy storage Methods 0.000 claims abstract description 135
- 230000006870 function Effects 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 29
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000009977 dual effect Effects 0.000 claims description 19
- 238000007599 discharging Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000452 restraining effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 241001137251 Corvidae Species 0.000 claims 5
- 235000015108 pies Nutrition 0.000 claims 5
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 238000011217 control strategy Methods 0.000 description 14
- 230000008901 benefit Effects 0.000 description 12
- 230000005611 electricity Effects 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000002411 adverse Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009966 trimming Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- G06Q10/06313—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Operations Research (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及新能源电力系统技术领域,尤其涉及一种多微网综合能源系统分布式优化方法、装置、设备及介质,其中方法包括:输入含多种能源的多微网综合能源系统拓扑;以多微网综合能源系统的运行成本最小和基于碳排放的环境成本最小为目标函数,建立多目标分布式优化调度模型;对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,使其一个周期内的充电次数和放电次数不超过设定值,对储能设备在一个周期内的充放电次数进行约束,可以尽量延长储能设备的使用寿命;使用改进的自适应步长ADMM分布式算法,对多目标分布式优化调度模型进行迭代优化,得到最优调度策略。本发明中可实现园区微网主体决策的自主权,保证微网隐私性。
Description
技术领域
本发明涉及新能源电力系统技术领域,尤其涉及一种多微网综合能源系统分布式优化方法、装置、设备及介质。
背景技术
随着当今世界工业的快速发展,社会面临着能源短缺和环境恶化的问题,因此迫切需要合理的手段来提高各类能源的利用率,减少碳排放以降低环境的压力。冷、热、电、气四种能源相互耦合的综合能源系统在电力行业的广泛应用成为了解决问题的重要方法之一。不同微网之间进行功率互济,能有效解决供需平衡问题,降低成本,如何对多微网进行优化调度成为当前的研究热点问题。
目前对多微网进行优化调度主要可以分为集中式和分布式两类。集中式优化算法虽然简便快捷,但需要将系统中所有微网的各种数据传输到控制中心进行统一调度,通信量巨大,灵活性和稳定性不强,所以大部分学者采用分布式算法进行研究,以保证各个微网隐私性和安全性。
现有技术中,对于单个微网的隐私性和安全性,采用分布式算法进行优化,但多数仅以经济成本为目标来进行优化,目前对多微网内储能设备的充放电次数控制研究较少,若直接基于现有的控制策略进行优化,可能会存在频繁充放电现象,会对储能电池使用寿命造成不良影响。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种多微网综合能源系统分布式优化方法、装置、设备及介质,从而有效解决背景技术中的问题。
为了达到上述目的,本发明所采用的技术方案是:一种多微网综合能源系统分布式优化方法,包括如下步骤:
输入含多种能源的多微网综合能源系统拓扑;
以多微网综合能源系统的运行成本最小和基于碳排放的环境成本最小为目标函数,建立多目标分布式优化调度模型;
对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,使其一个周期内的充电次数和放电次数不超过设定值;
使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化,得到最优调度策略。
进一步地,所述多目标分布式优化调度模型包括:
式中,表示第i个微网的运行成本目标函数,N表示所有微网的集合,Pi,exc,t表示第i个微网在t时刻与其他微网的交互功率,正表示接受功率,负表示送出功率;/>表示第i个微网的环境成本目标函数,T为一个周期。
进一步地,所述使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化前,先将运行成本最小的目标函数分别分解至单个微网,包括:
式中,λi,t为迭代计算的拉格朗日乘子,表示计算环境成本目标函数时得到的互济功率协调变量,ρ表示迭代计算的惩罚参数。
进一步地,所述使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化前,先将环境成本最小的目标函数分别分解至单个微网,包括:
式中,表示计算运行成本目标函数时得到的互济功率协调变量。
进一步地,使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化,包括如下步骤:
输入设备参数、拉格朗日乘子λi,t和惩罚参数ρ;
各PIES子系统独立并行求解自治优化问题,进行运行优化;
根据各PIES子系统的优化结果更新协调变量和拉格朗日乘子,传递最新的协调变量及更新后的拉格朗日乘子λi,t;
更新步长;
对优化结果进行判断是否满足条件,若优化结果的原始残差和对偶残差分别小于设定阈值,则判断此时达到最优调度策略,输出优化结果;
若优化结果未满足条件,则迭代次数加一,重复运行优化的过程。
进一步地,所述各PIES子系统独立并行求解自治优化问题,进行运行优化,包括:
对单个微网的运行成本最小的目标函数进行求解,并得到优化结果Pi,exc,t,根据结果更新协调变量,令得到的协调变量/>用于与其他PIES以及能源节点处进行通信,其中/>表示计算运行成本目标函数时得到的互济功率协调变量;
考虑在能源节点产生的碳排放对区域整体经济性的影响,对单个微网的环境成本最小的目标函数进行求解,并得到优化结果Pi,exc,t,根据结果更新协调变量,令得到的协调变量/>用于与其他PIES进行通信,其中/>表示计算环境成本目标函数时得到的互济功率协调变量。
进一步地,所述传递最新的协调变量及更新后的拉格朗日乘子包括:
其中,λi,t [k+1]为更新后的拉格朗日乘子,λi,t [k]为原拉格朗日乘子,和分别为最新的协调变量。
进一步地,所述更新步长包括:
其中,ρ[k]为原惩罚参数,ρ[k+1]为新的惩罚参数,δpri、δdual分别为原始残差和对偶残差。
进一步地,所述对优化结果进行判断是否满足条件中,所述条件包括:
其中δpri、δdual分别为原始残差和对偶残差。
进一步地,所述对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,包括如下步骤:
对储能设备进行建模,确定运行约束;
设定在一个周期内的充放电次数,建立充放电次数约束。
进一步地,所述对储能设备进行建模,确定运行约束包括:
其数学模型为:
SOC=ESB/ESB_r
充电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_in×PSB_in,t×Δt/ESB_r
放电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_out×PSB_out,t×Δt/ESB_r
运行约束:
式中,SOC表示荷电状态,ESB为当前储能设备储能电量,ESB_r为储能设备的最大储能电量,SOCSB,t、SOCSB,t-1表示储能设备在t时刻及t-1时刻的荷电状态,σSB为储能设备自身电力消耗率,ηSB_in为储能设备吸收电量的转化效率,ηSB_out为储能设备提供电量的转化效率,PSB_in,t为储能设备吸收电量,PSB_out,t为储能设备提供电量,uSB为储能设备的充放电状态。
进一步地,所述设定在一个周期内的充放电次数,建立充放电次数约束,包括:
若初始处于充电状态:
uSB,in,n,t+uSB,in,n,t+1+...+uSB,in,n,24=0uSB,out,n,t=1;
若初始处于放电状态:
uSB,out,n,t+uSB,out,n,t+1+...+uSB,out,n,24=0uSB,in,n,t=1;
同时需满足:
uSB,in,n,t+uSB,out,n,t<=σ;
式中,uSB,in,n,t表示第n个微网中储能设备在t时刻的充电状态,1表示充电,uSB,out,n,t表示第n个微网中储能设备在t时刻的放电状态,1表示放电,σ为设定的在一个周期内的充放电次数,PSB,in,n,t表示表示第n个微网中储能设备在t时刻的充电功率,PSB,out,n,t表示第n个微网中储能设备在t时刻的放电功率,T为周期。
本发明还包括一种多微网综合能源系统分布式优化装置,使用如上述的方法,包括:
输入单元,所述输入单元用于输入含多种能源的多微网综合能源系统拓扑;
建模单元,所述建模单元用于以多微网综合能源系统的运行成本最小和基于碳排放的环境成本最小为目标函数,建立多目标分布式优化调度模型;
约束单元,所述约束单元用于对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,使其一个周期内的充电次数和放电次数不超过设定值;
优化单元,所述优化单元用于使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化,得到最优调度策略。
本发明还包括一种计算机设备,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,所述处理器执行所述计算机程序时,实现如上述的方法。
本发明还包括一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法。
本发明的有益效果为:本发明中方法具有与集中式算法基本一致的计算结果,这意味着在不牺牲经济效益的情况下,可以通过ADMM分布式算法实现园区微网主体决策的自主权,该分布式调度与集中式调度效益几乎相同。在多目标优化调度结果中,各微网之间的交互功率、功率注入情况都符合约束,储能也在控制策略的约束下完成每天的充放电次数不超过设定值,因此既能够削峰填谷,又能对电池不造成太大损害,保证了系统稳定、经济、低碳环保地运行。改进的自适应步长分布式迭代优化的方法,在原本步长不变的基础上会根据计算情况对步长进行一定的修整,以尽量提高计算效率和减少迭代次数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为实施例1中方法的流程图;
图2为实施例1中装置的结构示意图;
图3为实施例2中多微网综合能源系统拓扑图;
图4(a)至图4(c)分别为实施例2中各微网输入数据;
图5为实施例2中多微网综合能源系统分布式优化调度流程;
图6(a)至图6(b)分别为实施例2中各微网储能运行情况;
图7为实施例2中不同惩罚倍数下成本变化情况;
图8(a)至图8(b)分别为实施例2中迭代残差变化情况;
图9为计算机设备的结构示意图。
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。
实施例1:
如图1所示:一种多微网综合能源系统分布式优化方法,包括如下步骤:
输入含多种能源的多微网综合能源系统拓扑;
以多微网综合能源系统的运行成本最小和基于碳排放的环境成本最小为目标函数,建立多目标分布式优化调度模型;
对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,使其一个周期内的充电次数和放电次数不超过设定值,此设定值可以设定为1,即每个周期内进行充电1次和放电1次,对储能设备在一个周期内的充放电次数进行约束,可以尽量延长储能设备的使用寿命;
使用改进的自适应步长ADMM(Alternating Direction Method of Multipliers,交替方向乘子)分布式算法,对多目标分布式优化调度模型进行迭代优化,得到最优调度策略。
多目标分布式优化调度模型包括:
式中,表示第i个微网的运行成本目标函数,N表示所有微网的集合,Pi,exc,t表示第i个微网在t时刻与其他微网的交互功率,正表示接受功率,负表示送出功率;/>表示第i个微网的环境成本目标函数,T为一个周期。
使用改进的自适应步长ADMM分布式算法,对多目标分布式优化调度模型进行迭代优化前,先将运行成本最小的目标函数分别分解至单个微网,包括:
式中,λi,t为迭代计算的拉格朗日乘子,表示计算环境成本目标函数时得到的互济功率协调变量,ρ表示迭代计算的惩罚参数。
使用改进的自适应步长ADMM分布式算法,对多目标分布式优化调度模型进行迭代优化前,先将环境成本最小的目标函数分别分解至单个微网,包括:
式中,表示计算运行成本目标函数时得到的互济功率协调变量。
使用改进的自适应步长ADMM分布式算法,对多目标分布式优化调度模型进行迭代优化,包括如下步骤:
输入设备参数、拉格朗日乘子λi,t和惩罚参数ρ;
各PIES(park-level integrated energy system,园区综合能源系统)子系统独立并行求解自治优化问题,进行运行优化;
根据各PIES子系统的优化结果更新协调变量和拉格朗日乘子,传递最新的协调变量及更新后的拉格朗日乘子λi,t;
更新步长;
对优化结果进行判断是否满足条件,若优化结果的原始残差和对偶残差分别小于设定阈值,则判断此时达到最优调度策略,输出优化结果;
若优化结果未满足条件,则迭代次数加一,重复运行优化的过程。
各PIES子系统独立并行求解自治优化问题,进行运行优化,包括:
对单个微网的运行成本最小的目标函数进行求解,并得到优化结果Pi,exc,t,根据结果更新协调变量,令得到的协调变量/>用于与其他PIES以及能源节点处进行通信,其中/>表示计算运行成本目标函数时得到的互济功率协调变量;
考虑在能源节点产生的碳排放对区域整体经济性的影响,对单个微网的环境成本最小的目标函数进行求解,并得到优化结果Pi,exc,t,根据结果更新协调变量,令得到的协调变量/>用于与其他PIES进行通信,其中/>表示计算环境成本目标函数时得到的互济功率协调变量。
传递最新的协调变量及更新后的拉格朗日乘子包括:
其中,λi,t [k+1]为更新后的拉格朗日乘子,λi,t [k]为原拉格朗日乘子,和分别为最新的协调变量。
更新步长包括:
其中,ρ[k]为原惩罚参数,ρ[k+1]为新的惩罚参数,δpri、δdual分别为原始残差和对偶残差。
对优化结果进行判断是否满足条件中,条件包括:
其中δpri、δdual分别为原始残差和对偶残差。
对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,包括如下步骤:
对储能设备进行建模,确定运行约束;
设定在一个周期内的充放电次数,建立充放电次数约束。
对储能设备进行建模,确定运行约束包括:
储能设备的状态在此也就是蓄电池中可用电能的状态,用荷电状态(State ofCharge,SOC)来描述。荷电状态能准确地显示蓄电池的剩余容量,其数学模型为:
SOC=ESB/ESB_r
充电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_in×PSB_in,t×Δt/ESB_r
放电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_out×PSB_out,t×Δt/ESB_r
运行约束:
式中,SOC表示荷电状态,ESB为当前储能设备储能电量,ESB_r为储能设备的最大储能电量,SOCSB,t、SOCSB,t-1表示储能设备在t时刻及t-1时刻的荷电状态,σSB为储能设备自身电力消耗率,ηSB_in为储能设备吸收电量的转化效率,ηSB_out为储能设备提供电量的转化效率,PSB_in,t为储能设备吸收电量,PSB_out,t为储能设备提供电量,uSB为储能设备的充放电状态。
储能设备可以很好地消纳新能源发电,起到削峰填谷的作用,可是在单微网综合能源系统中,为了使经济成本最小化,储能运行通常处于反复充放电的状态,这会对储能设备的容量和使用寿命造成不良影响。而储能设备的价格偏高,不能充分利用则会进一步整个系统的经济性和环保性。
然而,在多微网综合能源系统中,可以存在多个储能设备,制定合理的储能控制策略可以有效解决上述问题。当系统中有多个可以分别控制的相同类型的储能电池并行使用时,可以考虑按照一定的规则,根据系统的预测或实时储能需求,有选择地让这些储能电池部分或全部参与功率和能量分配,以提高储能系统的使用效率,电池的循环寿命与充放电次数、峰值电流以及温度有关。
在本文的多微网综合能源系统中,含多个储能电池,为了尽可能延长电池的循环寿命,为系统制定了一种储能设备充放电的控制策略。由于电网之间存在功率互济,某个电网缺电时可以得到其他电网互济电能,不一定需要电池反复的充放电来降低成本,制定策略使每个微网中的蓄电池在24小时内只完成一充一放,而不要反复充放电对电池造成损害。在一个周期内,若电池先充电,则开始放电后不能够再充电,反之若电池先放电,则开始放充后不能够再放电,且始末的荷电状态保持统一,使得电池可按周期循环充放电。具体实现如下:
若初始处于充电状态:
uSB,in,n,t+uSB,in,n,t+1+...+uSB,in,n,24=0uSB,out,n,t=1;
若初始处于放电状态:
uSB,out,n,t+uSB,out,n,t+1+...+uSB,out,n,24=0uSB,in,n,t=1;
同时需满足:
uSB,in,n,t+uSB,out,n,t<=σ;
式中,uSB,in,n,t表示第n个微网中储能设备在t时刻的充电状态,1表示充电,uSB,out,n,t表示第n个微网中储能设备在t时刻的放电状态,1表示放电,σ为设定的在一个周期内的充放电次数,此处设置为1,PSB,in,n,t表示表示第n个微网中储能设备在t时刻的充电功率,PSB,out,n,t表示第n个微网中储能设备在t时刻的放电功率,T为周期。
本实施例中具有与集中式算法基本一致的计算结果,这意味着在不牺牲经济效益的情况下,可以通过ADMM分布式算法实现园区微网主体决策的自主权,该分布式调度与集中式调度效益几乎相同。考虑到碳排放环境成本的多目标优化,随着惩罚倍数的增高,可以有效减少碳排放量,但也会造成运行成本的增加,可以为决策者提供惩罚机制的参考。在多目标优化调度结果中,各微网之间的交互功率、功率注入情况都符合约束,储能也在控制策略的约束下完成每天一充一放,既能够削峰填谷,又能对电池不造成太大损害,保证了系统稳定、经济、低碳环保地运行。改进的自适应步长分布式迭代优化的方法,在原本步长不变的基础上会根据计算情况对步长进行一定的修整,以尽量提高计算效率和减少迭代次数。
如图2所示,本实施例中还包括一种多微网综合能源系统分布式优化装置,使用如上述的方法,包括:
输入单元,输入单元用于输入含多种能源的多微网综合能源系统拓扑;
建模单元,建模单元用于以多微网综合能源系统的运行成本最小和基于碳排放的环境成本最小为目标函数,建立多目标分布式优化调度模型;
约束单元,约束单元用于对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,使其一个周期内的充电次数和放电次数不超过设定值;
优化单元,优化单元用于使用改进的自适应步长ADMM分布式算法,对多目标分布式优化调度模型进行迭代优化,得到最优调度策略。
实施例2:
本实施例中,包括如下步骤:
1)、提出一种储能协调控制策略,对储能设备在一个周期内的充放电次数进行约束,可以尽量延长储能设备的使用寿命,
2)、提出一种碳排放管理策略,以运行经济成本和基于碳排放的环境成本为目标函数,形成保护各微网隐私的多目标分布式优化调度模型;
3)、为了保证多目标分布式迭代计算的收敛速度,将基础ADMM分布式算法进行改进为自适应步长的ADMM算法,可以有效减少计算迭代的次数。
步骤1)中储能协调控制策略建立步骤为:
1.1)、首先对储能设备进行建模,储能设备的状态在此也就是蓄电池中可用电能的状态,用荷电状态(State of Charge,SOC)来描述。荷电状态能准确地显示蓄电池的剩余容量,其数学模型为:
SOC=ESB/ESB_r
充电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_in×PSB_in,t×Δt/ESB_r
放电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_out×PSB_out,t×Δt/ESB_r
同时需满足运行约束:
式中,ESB为当前储能设备储能电量,ESB_r为储能设备的最大储能电量,SOCSB,t、SOCSB,t-1表示储能设备在t时刻及t-1时刻的荷电状态,σSB为储能设备自身电力消耗率,ηSB_in为储能设备吸收电量的转化效率,ηSB_out为储能设备提供电量的转化效率,PSB_in,t为储能设备吸收电量,PSB_out,t为储能设备提供电量。uSB为储能设备的充放电状态。
1.2)、所述储能协调控制策略优化效果预计如下:
储能设备可以很好地消纳新能源发电,起到削峰填谷的作用,可是在单微网综合能源系统中,为了使经济成本最小化,储能运行通常处于反复充放电的状态,这会对储能设备的容量和使用寿命造成不良影响。而储能设备的价格偏高,不能充分利用则会进一步整个系统的经济性和环保性。
然而,在多微网综合能源系统中,可以存在多个储能设备,制定合理的储能控制策略可以有效解决上述问题。当个系统中有多个可以分别控制的相同类型的储能电池并行使用时,可以考虑按照一定的规则,根据系统的预测或实时储能需求,有选择地让这些储能电池部分或全部参与功率和能量分配,以提高储能系统的使用效率,电池的循环寿命与充放电次数、峰值电流以及温度有关。
在本文的多微网综合能源系统中,含多个储能电池,为了尽可能延长电池的循环寿命,为系统制定了一种储能设备充放电的控制策略。由于电网之间存在功率互济,某个电网缺电时可以得到其他电网互济电能,不一定需要电池反复的充放电来降低成本,制定策略使每个微网中的蓄电池在24小时内只完成一充一放,而不要反复充放电对电池造成损害。在一个周期内,若电池先充电,则开始放电后不能够再充电,反之若电池先放电,则开始放充后不能够再放电,且始末的荷电状态保持统一,使得电池可按周期循环充放电。具体实现如下:
若初始处于充电状态:
uSB,in,n,t+uSB,in,n,t+1+...+uSB,in,n,24=0uSB,out,n,t=1
若初始处于放电状态:
uSB,out,n,t+uSB,out,n,t+1+...+uSB,out,n,24=0uSB,in,n,t=1
同时需满足:
uSB,in,n,t+uSB,out,n,t<=1
式中,uSB,in,n,t表示第n各微网中储能设备在t时刻的充电状态,1表示充电,uSB,out,n,t表示第n各微网中储能设备在t时刻的放电状态,1表示放电。PSB,in,n,t表示表示第n各微网中储能设备在t时刻的充电功率,PSB,out,n,t表示表示第n各微网中储能设备在t时刻的放电功率。
更进一步的,步骤2)中优化调度目标函数处理步骤为:
2.1)、首先对运行成本进行优化,整体目标表达式为:
2.2)、通过加入一致性约束,利用ADMM算法分解技术,将多主体协同优化问题式可以分解为各微网自治调度子问题。单个微网目标函数可表示为:
2.3)、接着对碳排放管理系统的环境成本目标函数进行优化,整体目标表达式为:
其分布式迭代形式为:
更进一步的,步骤3)中经改进的自适应步长ADMM分布式算法包括以下步骤:
3.1)输入原始数据及设备参数,包括各负荷数据,分布式电源出力,CHP机组运行参数、拉格朗日乘子λi,t、惩罚参数ρ等。
3.2)各PIES子系统独立并行求解自治优化问题,进行运行优化,对式求解得到优化结果Pi,exc,t,根据结果更新协调变量/>得到的协调变量/>用于与其他PIES以及能源节点处进行通信。
3.3)考虑在能源节点产生的碳排放对区域整体经济性的影响,对式求解得到优化结果Pi,exc,t,根据结果更新协调变量/>得到的协调变量/>用于与其他PIES进行通信。
3.4)根据各园区的优化结果更新协调变量更新拉格朗日乘子传递最新的协调变量及更新后的乘子λi,t。
3.5)更新步长:
3.6)若满足:
即可认为此时达到最优策略调度,其中δpri、δdual分别为原始残差和对偶残差;否则,令k=k+1,返回步骤3.2)。
有益效果:本发明的计及储能协调控制策略和碳排放管理策略的多微网综合能源系统分布式优化方法及装置,具有与集中式算法基本一致的计算结果,这意味着在不牺牲经济效益的情况下,可以通过ADMM分布式算法实现园区微网主体决策的自主权,该分布式调度与集中式调度效益几乎相同。考虑到碳排放环境成本的多目标优化,随着惩罚倍数的增高,可以有效减少碳排放量,但也会造成运行成本的增加,可以为决策者提供惩罚机制的参考。在多目标优化调度结果中,各微网之间的交互功率、功率注入情况都符合约束,储能也在控制策略的约束下完成每天一充一放,既能够削峰填谷,又能对电池不造成太大损害,保证了系统稳定、经济、低碳环保地运行。改进的自适应步长分布式迭代优化的方法,在原本步长不变的基础上会根据计算情况对步长进行一定的修整,以尽量提高计算效率和减少迭代次数。
为了更好的说明本实施例中方案的优越性,以下使用具体数据进行对比分析。
其中,多微网综合能源系统如图3所示。该系统中三个微网的输入数据如图4所示,图4(a)至图4(c)分别1号、2号和3号微网综合能源系统输入数据。
依据本发明的分布式优化调度流程,如图5,可以得到各微网的优化调度结果如表1。
表1优化结果比较
综合能源系统 | 1号微网 | 2号微网 | 3号微网 | 碳排放管理系统 |
集中式计算 | 1647.72 | 1102.38 | 974.32 | 806.05 |
分布式计算 | 1647.70 | 1102.29 | 974.34 | 806.01 |
采用分布式算法和集中式算法,计算得到各园区的运行费用如表1,表明对本文所建立的多微网综合能源系统,ADMM分布式算法与集中式算法的计算结果基本一致,误差仅为0.0035%。这意味着在不牺牲经济效益的情况下,可以通过ADMM分布式算法实现园区微网主体决策的自主权,该分布式调度与集中式调度效益几乎相同。
(1)各微网储能运行情况对比分析
图6反映了三个微网中储能设备分别在储能控制前后的荷电状态变化,图6(a)为采用储能协调控制策略前的运行情况,图6(b)为采用储能协调控制策略后的运行情况。各个微网中的电储能充放电受实时电价影响,也和当时系统中的新能源发电量和负荷需求有关。在储能控制前,如12:00-14:00风力和光伏发电大于负荷需求,各微网中电储能设备开始进行大规模充电,荷电状态从最低的0.1陆续到达最高0.9,后续几小时内,各微网分别响应各自负荷需求进行小规模充放电,以满足微网中电能的供需平衡。直至20:00-22:00附近,电价处于全天最高水平,而负荷需求较大,储能设备均开始大规模放电,减少购电成本,提高经济效益。
在储能控制后,三台储能设备都能够在一个周期内有序充放电,完成一天一充一放,不仅能实现控制前储能削峰填谷的作用,还能尽量延长电池寿命。在储能控制前,如13:00-14:00和20:00-21:00,都会存在某些电池充电而某些电池放电的现象,储能控制后会达到某些电池荷电状态不变,而某些电池按需充放电,这样既能满足供需平衡,不影响系统的经济性,又能避免电池的非必要充放电现象,减少整体充放电次数,对系统运行有利。
(2)碳排放权重对多微网整体优化调度对比分析
为了进一步探讨两个目标函数之间的关系,说明排放CO2的惩罚因子λD对系统低碳经济的影响,分别将λD设定为0、0.5、1、1.5、2、2.5、3、3.5和4倍,得到不同倍数下运行成本和碳排放环境成本的变化趋势,如图7所示。可以明显看出随着上层协调系统中对于排放CO2的惩罚力度的增加,CO2排放量逐步下降,碳排放环境成本逐渐下降,而运行成本有所上升。2.5倍以后趋势慢慢变缓直至不再变化,这是因为CO2排放量的下降是通过改变电、气供能功率的比例来实现的,但在系统中各项供能约束下二者之比已达到极限,故不能通过进一步改变来满足系统的负荷需求。对于不同的系统来说,可以根据当地的碳排放政策和决策者的需求,合理选择惩罚因子倍数,来达到不同的整体优化调度效果。
(3)改进自适应步长方法的迭代结果对比分析
为了解决目标函数增多,计算难度增大的问题,本文在单目标分布式迭代计算的基础上,对模型进行了改进,提出了一种基于自适应步长的分布式迭代优化的方法,在原本步长不变的基础上会根据计算情况对步长进行一定的修整,以尽量提高计算效率和减少迭代次数。对比结果如图8。
图8(a)表示自适应步长前各个微网分布式计算的迭代收敛情况,此处取最大残差限度为10-2,可以看出,原始残差下降速度较快,在第40次计算时收敛条件就在收敛条件边缘徘徊,对偶残差下降速度较慢,最后在第96次计算结束时,原始残差对偶残差才同时满足收敛条件,计算结束,得到最终优化结果。
图8(b)表示自适应步长前各个微网分布式计算的迭代收敛情况,相比于以额定步长进行迭代计算时,原始残差的下降速度得到了明显提升,总体在第65次迭代后就达到了收敛条件,迭代次数减少了32.3%。说明本文改进的自适应步长分布式迭代方法可以有效减少迭代次数,提高计算效率。
请参见图9示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400,包括:处理器410和存储器420,存储器420存储有处理器410可执行的计算机程序,计算机程序被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430,该存储介质430上存储有计算机程序,该计算机程序被处理器410运行时执行如上的方法。
其中,存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (15)
1.一种多微网综合能源系统分布式优化方法,其特征在于,包括如下步骤:
输入含多种能源的多微网综合能源系统拓扑;
以多微网综合能源系统的运行成本最小和基于碳排放的环境成本最小为目标函数,建立多目标分布式优化调度模型;
对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,使其一个周期内的充电次数和放电次数不超过设定值;
使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化,得到最优调度策略。
2.根据权利要求1所述的多微网综合能源系统分布式优化方法,其特征在于,所述多目标分布式优化调度模型包括:
式中,表示第i个微网的运行成本目标函数,N表示所有微网的集合,Pi,exc,t表示第i个微网在t时刻与其他微网的交互功率,正表示接受功率,负表示送出功率;/>表示第i个微网的环境成本目标函数,T为一个周期。
3.根据权利要求2所述的多微网综合能源系统分布式优化方法,其特征在于,所述使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化前,先将运行成本最小的目标函数分别分解至单个微网,包括:
式中,λi,t为迭代计算的拉格朗日乘子,表示计算环境成本目标函数时得到的互济功率协调变量,ρ表示迭代计算的惩罚参数。
4.根据权利要求3所述的多微网综合能源系统分布式优化方法,其特征在于,所述使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化前,先将环境成本最小的目标函数分别分解至单个微网,包括:
式中,表示计算运行成本目标函数时得到的互济功率协调变量。
5.根据权利要求2所述的多微网综合能源系统分布式优化方法,其特征在于,使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化,包括如下步骤:
输入设备参数、拉格朗日乘子λi,t和惩罚参数ρ;
各PIES子系统独立并行求解自治优化问题,进行运行优化;
根据各PIES子系统的优化结果更新协调变量和拉格朗日乘子,传递最新的协调变量及更新后的拉格朗日乘子λi,t;
更新步长;
对优化结果进行判断是否满足条件,若优化结果的原始残差和对偶残差分别小于设定阈值,则判断此时达到最优调度策略,输出优化结果;
若优化结果未满足条件,则迭代次数加一,重复运行优化的过程。
6.根据权利要求5所述的多微网综合能源系统分布式优化方法,其特征在于,所述各PIES子系统独立并行求解自治优化问题,进行运行优化,包括:
对单个微网的运行成本最小的目标函数进行求解,并得到优化结果Pi,exc,t,根据结果更新协调变量,令得到的协调变量/>用于与其他PIES以及能源节点处进行通信,其中/>表示计算运行成本目标函数时得到的互济功率协调变量;
考虑在能源节点产生的碳排放对区域整体经济性的影响,对单个微网的环境成本最小的目标函数进行求解,并得到优化结果Pi,exc,t,根据结果更新协调变量,令得到的协调变量/>用于与其他PIES进行通信,其中/>表示计算环境成本目标函数时得到的互济功率协调变量。
7.根据权利要求6所述的多微网综合能源系统分布式优化方法,其特征在于,所述传递最新的协调变量及更新后的拉格朗日乘子包括:
其中,λi,t [k+1]为更新后的拉格朗日乘子,λi,t [k]为原拉格朗日乘子,和/>分别为最新的协调变量。
8.根据权利要求5所述的多微网综合能源系统分布式优化方法,其特征在于,所述更新步长包括:
其中,ρ[k]为原惩罚参数,ρ[k+1]为新的惩罚参数,δpri、δdual分别为原始残差和对偶残差。
9.根据权利要求5所述的多微网综合能源系统分布式优化方法,其特征在于,所述对优化结果进行判断是否满足条件中,所述条件包括:
其中δpri、δdual分别为原始残差和对偶残差。
10.根据权利要求1所述的多微网综合能源系统分布式优化方法,其特征在于,所述对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,包括如下步骤:
对储能设备进行建模,确定运行约束;
设定在一个周期内的充放电次数,建立充放电次数约束。
11.根据权利要求10所述的多微网综合能源系统分布式优化方法,其特征在于,所述对储能设备进行建模,确定运行约束包括:
其数学模型为:
SOC=ESB/ESB_r
充电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_in×PSB_in,t×Δt/ESB_r
放电时:
SOCSB,t=(1-σSB)×SOCSB,t-1+ηSB_out×PSB_out,t×Δt/ESB_r
运行约束:
式中,SOC表示荷电状态,ESB为当前储能设备储能电量,ESB_r为储能设备的最大储能电量,SOCSB,t、SOCSB,t-1表示储能设备在t时刻及t-1时刻的荷电状态,σSB为储能设备自身电力消耗率,ηSB_in为储能设备吸收电量的转化效率,ηSB_out为储能设备提供电量的转化效率,PSB_in,t为储能设备吸收电量,PSB_out,t为储能设备提供电量,uSB为储能设备的充放电状态。
12.根据权利要求10所述的多微网综合能源系统分布式优化方法,其特征在于,所述设定在一个周期内的充放电次数,建立充放电次数约束,包括:
若初始处于充电状态:
uSB,in,n,t+uSB,in,n,t+1+...+uSB,in,n,24=0 uSB,out,n,t=1;
若初始处于放电状态:
uSB,out,n,t+uSB,out,n,t+1+...+uSB,out,n,24=0 uSB,in,n,t=1;
同时需满足:
uSB,in,n,t+uSB,out,n,t<=σ;
式中,uSB,in,n,t表示第n个微网中储能设备在t时刻的充电状态,1表示充电,uSB,out,n,t表示第n个微网中储能设备在t时刻的放电状态,1表示放电,σ为设定的在一个周期内的充放电次数,PSB,in,n,t表示表示第n个微网中储能设备在t时刻的充电功率,PSB,out,n,t表示第n个微网中储能设备在t时刻的放电功率,T为周期。
13.一种多微网综合能源系统分布式优化装置,其特征在于,使用如权利要求1至12中任一项所述的方法,包括:
输入单元,所述输入单元用于输入含多种能源的多微网综合能源系统拓扑;
建模单元,所述建模单元用于以多微网综合能源系统的运行成本最小和基于碳排放的环境成本最小为目标函数,建立多目标分布式优化调度模型;
约束单元,所述约束单元用于对多微网综合能源系统中各储能设备在一个周期内的充放电次数进行约束,使其一个周期内的充电次数和放电次数不超过设定值;
优化单元,所述优化单元用于使用改进的自适应步长ADMM分布式算法,对所述多目标分布式优化调度模型进行迭代优化,得到最优调度策略。
14.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-12中任一项所述的方法。
15.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311512758.9A CN117371755A (zh) | 2023-11-14 | 2023-11-14 | 多微网综合能源系统分布式优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311512758.9A CN117371755A (zh) | 2023-11-14 | 2023-11-14 | 多微网综合能源系统分布式优化方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117371755A true CN117371755A (zh) | 2024-01-09 |
Family
ID=89389298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311512758.9A Pending CN117371755A (zh) | 2023-11-14 | 2023-11-14 | 多微网综合能源系统分布式优化方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371755A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557067A (zh) * | 2024-01-10 | 2024-02-13 | 缔索新能源科技发展有限公司 | 分布式能源协同优化系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339778A (zh) * | 2016-09-30 | 2017-01-18 | 安徽工程大学 | 一种考虑多目标的光蓄微电网运行优化方法 |
CN107453407A (zh) * | 2017-07-03 | 2017-12-08 | 东华大学 | 一种智能微电网分布式能源调度方法 |
CN112290531A (zh) * | 2020-07-27 | 2021-01-29 | 四川大学 | 一种用于交直流配电网结合改进乘子法的优化系统和方法 |
CN113159366A (zh) * | 2020-12-31 | 2021-07-23 | 贵州电网有限责任公司 | 一种多微电网系统多时间尺度自适应优化调度方法 |
WO2022018552A1 (en) * | 2020-07-24 | 2022-01-27 | International Business Machines Corporation | Automated generation of optimization model for system-wide plant optimization |
CN115187316A (zh) * | 2022-09-14 | 2022-10-14 | 国网湖北省电力有限公司经济技术研究院 | 一种适应现货市场交易的风储微电网分布式交易方法 |
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 |
CN116388246A (zh) * | 2023-03-20 | 2023-07-04 | 华中科技大学 | 一种电氢综合能源系统的优化调度方法及系统 |
CN116822831A (zh) * | 2023-04-27 | 2023-09-29 | 国网江苏省电力有限公司南通市海门区供电分公司 | 含共享储能系统的微能源网群优化规划方法 |
CN116865271A (zh) * | 2023-05-26 | 2023-10-10 | 南京航空航天大学 | 一种基于数字孪生驱动的微电网多智能体协调优化控制策略 |
-
2023
- 2023-11-14 CN CN202311512758.9A patent/CN117371755A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339778A (zh) * | 2016-09-30 | 2017-01-18 | 安徽工程大学 | 一种考虑多目标的光蓄微电网运行优化方法 |
CN107453407A (zh) * | 2017-07-03 | 2017-12-08 | 东华大学 | 一种智能微电网分布式能源调度方法 |
WO2022018552A1 (en) * | 2020-07-24 | 2022-01-27 | International Business Machines Corporation | Automated generation of optimization model for system-wide plant optimization |
CN112290531A (zh) * | 2020-07-27 | 2021-01-29 | 四川大学 | 一种用于交直流配电网结合改进乘子法的优化系统和方法 |
CN113159366A (zh) * | 2020-12-31 | 2021-07-23 | 贵州电网有限责任公司 | 一种多微电网系统多时间尺度自适应优化调度方法 |
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 |
CN115187316A (zh) * | 2022-09-14 | 2022-10-14 | 国网湖北省电力有限公司经济技术研究院 | 一种适应现货市场交易的风储微电网分布式交易方法 |
CN116388246A (zh) * | 2023-03-20 | 2023-07-04 | 华中科技大学 | 一种电氢综合能源系统的优化调度方法及系统 |
CN116822831A (zh) * | 2023-04-27 | 2023-09-29 | 国网江苏省电力有限公司南通市海门区供电分公司 | 含共享储能系统的微能源网群优化规划方法 |
CN116865271A (zh) * | 2023-05-26 | 2023-10-10 | 南京航空航天大学 | 一种基于数字孪生驱动的微电网多智能体协调优化控制策略 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557067A (zh) * | 2024-01-10 | 2024-02-13 | 缔索新能源科技发展有限公司 | 分布式能源协同优化系统 |
CN117557067B (zh) * | 2024-01-10 | 2024-04-02 | 缔索新能源科技发展有限公司 | 分布式能源协同优化系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rezk et al. | Comparison among various energy management strategies for reducing hydrogen consumption in a hybrid fuel cell/supercapacitor/battery system | |
Liu et al. | Decentralized charging control of electric vehicles in residential distribution networks | |
CN110119886B (zh) | 一种主动配网动态规划方法 | |
CN107887903B (zh) | 考虑元件频率特性的微电网鲁棒优化调度方法 | |
CN112039069B (zh) | 一种配电网储能与柔性开关的双层协同规划方法及系统 | |
Moghaddam et al. | Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source | |
Singh et al. | Real-time coordination of electric vehicles to support the grid at the distribution substation level | |
CN106408216B (zh) | 基于电动汽车换电站时序响应模型的充电计划制定方法 | |
CN110826880A (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN117371755A (zh) | 多微网综合能源系统分布式优化方法、装置、设备及介质 | |
Zhang et al. | Microgrid cooperative distributed energy scheduling (CoDES) considering battery degradation cost | |
CN112952847B (zh) | 考虑用电需求弹性的多区域主动配电系统调峰优化方法 | |
CN116151486B (zh) | 含储能系统的光伏充电站多时间尺度随机优化方法及装置 | |
Aldaouab et al. | Model predictive control energy dispatch to optimize renewable penetration for a microgrid with battery and thermal storage | |
Shotorbani et al. | Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid | |
CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
Leo et al. | Multi agent reinforcement learning based distributed optimization of solar microgrid | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
US20230148201A1 (en) | Method and system for supplying power to device, and related device | |
CN117374975A (zh) | 一种基于近似动态规划的配电网实时协同调压方法 | |
CN117081119A (zh) | 一种多种储能协同接入下配电网运行优化方法及系统 | |
CN114759616B (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 | |
CN111509716A (zh) | 电网柔性负荷控制方法、装置、计算机设备和存储介质 | |
CN114784831A (zh) | 一种基于移动储能的主动配电网多目标无功优化方法 | |
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 |
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 |