CN117424204A - 一种计及源-荷不确定性的源-网-荷-储协同规划方法 - Google Patents
一种计及源-荷不确定性的源-网-荷-储协同规划方法 Download PDFInfo
- Publication number
- CN117424204A CN117424204A CN202311231187.1A CN202311231187A CN117424204A CN 117424204 A CN117424204 A CN 117424204A CN 202311231187 A CN202311231187 A CN 202311231187A CN 117424204 A CN117424204 A CN 117424204A
- Authority
- CN
- China
- Prior art keywords
- load
- scene
- source
- index
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000004146 energy storage Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 238000005452 bending Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 2
- 239000001569 carbon dioxide Substances 0.000 claims description 2
- 101150067055 minC gene Proteins 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及源‑荷不确定性的源‑网‑荷‑储协同规划方法，用以解决新型电力系统规划场景下由新能源出力和负荷需求的不确定性带来的问题。该方法考虑新能源和负荷出力曲线整体分布特性、时序相关性以及整体动态特性，通过随机‑鲁棒优化处理源‑荷不确定性，在降低源‑荷不确定性对系统影响的同时降低传统鲁棒优化方法保守性。利用迭代求解算法降低模型求解复杂度，提高模型求解效率。本发明能够提供兼顾考虑源‑荷不确定性影响及系统投资运行经济性最优的规划结果，从而为“双碳”目标下的新型电力系统规划提供支撑，具有一定的工程使用价值。
Description
技术领域
本发明涉及一种计及源-荷不确定性的源-网-荷-储协同规划方法，属于电力系统规划技术领域。
背景技术
随着全球化石能源日益枯竭、气候变暖加剧以及“双碳”大背景下相关政策的推动，开发和利用新能源成为当前电力系统转型的首要目标。当前风电、光伏发电发展迅速，其上网电量不断增大，使得能源结构发生了显著改变。受风光出力随机波动性的影响，大规模并网后容易引起电力系统功率波动，给电网调度与新能源消纳增加了难度。同时伴随着持续增长的负荷需求，负荷的不确定性问题也威胁着电力系统的稳定运行。
电力系统由以往传统的单侧随机系统转变为双侧随机系统，这不仅严重影响电力系统的安全稳定运行，还会降低系统的整体经济效率。双侧随机系统与传统电力系统相比，在规划、运行、控制等多个环节均存在本质差异，传统模式下的思路和方法既无法保证电力系统的安全稳定运行，也无法满足消纳大规模可再生能源的需求。如此背景之下，充分调用电力系统的各方面资源，综合电源、电网、负荷、储能各方优势的源-网-荷-储协调为促进可再生能源发电消纳、解决当前电力系统的双侧随机问题提供了思路。源-网-荷-储四个环节的整体协调优化，是解决当前双侧随机问题、可再生能源消纳难题的关键。构建源-网-荷-储协调的电力系统，必须从规划阶段入手，充分考虑未来系统上述四个环节的互联互动需求，在研究源-网-荷-储系统规划的过程中考虑源-荷不确定性也具有重要意义。
发明内容
本发明所要解决的技术问题是：提供一种计及源-荷不确定性的源-网-荷-储协同规划方法，用以提供考虑新能源、负荷出力不确定性以及系统经济性的源-网-荷-储协同规划方案。
本发明为解决上述技术问题采用以下技术方案：
一种计及源-荷不确定性的源-网-荷-储协同规划方法，包括如下步骤：
步骤1，构建源-荷联合时序场景，根据所述源-荷联合时序场景构建考虑新能源和负荷出力曲线的整体分布特性、时序相关性以及整体动态特性的综合度量指标，并根据所述综合度量指标设计基于优化聚类的相似日出力场景分类方法，对源-荷联合时序场景进行分类；
步骤2，在步骤1的基础上，构建基于场景的考虑碳排放和需求响应的源-网-荷-储一体化系统随机+鲁棒两阶段混合优化模型；
步骤3，将步骤2构建的混合优化模型拆分为主问题和子问题，利用交替迭代算法求解主问题和子问题，直至得到混合优化模型的最优规划策略。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明在利用综合度量指标对相似日出力场景进行优化聚类的基础上，搭建基于场景的考虑碳排放和需求响应的源-网-荷-储一体化系统随机+鲁棒两阶段混合模型优化处理源-荷不确定性，并设计了迭代求解算法降低模型求解复杂度，提高模型求解效率。
2、本发明能够降低传统鲁棒优化方法保守性，提供兼顾考虑源-荷不确定性影响及系统投资运行经济性最优的规划结果，为“双碳”目标下的新型电力系统规划提供支撑，具有一定的实用价值。
附图说明
图1是源-荷联合时序场景；
图2是场景聚类后各大类场景中的部分子场景；
图3是迭代求解算法流程；
图4是模型迭代求解过程；
图5是各次迭代求解过程中的配置结果；
图6是最优配置结果下场景A的单日运行情况；其中，(a)是日内平衡情况，(b)是储能状态，(c)是需求响应情况，(d)是碳排放情况。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提出一种计及源-荷不确定性的源-网-荷-储协同规划模型，包括以下步骤：
步骤1：构建了考虑新能源和负荷出力曲线整体分布特性、时序相关性以及整体动态特性的综合度量指标，并根据该指标设计了基于优化聚类的相似日出力场景分类方法；
步骤2：构建了基于场景的考虑碳排放和需求响应的源-网-荷-储一体化系统随机+鲁棒两阶段混合优化模型；
步骤3：设计了步骤2源-网-荷-储一体化系统随机+鲁棒两阶段混合优化模型的迭代求解算法进行求解。
步骤1包含如下内容：
构建了考虑新能源和负荷出力曲线整体分布特性、时序相关性以及整体动态特性的综合度量指标如下：
首先通过新能源和负荷的预测出力以及预测误差，筛选出初步的源-荷出力数据，根据同一日新能源出力曲线α＝[α1 α2 ... αn]和负荷出力曲线β＝[β1 β2 ... βn]的时序相关性，构建得到源-荷联合时序场景T，并引入δ(T)＝[δ1 δ2 ... δn]刻画场景曲线T内源-荷相关性：
δn＝αn-βn
式中，αn和βn分别表示n时刻新能源和负荷的出力系数，δn表示αn、βn之间的差值。
对于任意的两个源-荷联合时序场景Ti和Tj，构建评价两场景间新能源出力曲线相关性的指标Xnew，评价两场景间负荷出力曲线相关性的指标Xload以及评价两场景间源-荷曲线整体相关性的指标Y：
δi,n＝αi,n-βi,n
δj,n＝αj,n-βj,n
式中，αi,n和βi,n分别表示新能源和负荷联合时序场景i在n时刻新能源和负荷的出力系数；αj,n和βj,n分别表示新能源和负荷联合时序场景j在n时刻新能源和负荷的出力系数；δi,n表示αi,n和βi,n之间的差值，δj,n表示αj,n和βj,n之间的差值。
引入动态弯曲距离指标刻画时间序列的整体动态特性，辨别曲线间的动态相似度。对于任意的两个源-荷联合时序场景Ti和Tj中的新能源出力曲线，生成新能源出力相似匹配矩阵Θnew，矩阵各元素计算公式为：
式中，Θnew(αi,p,αj,q)为αi,p、αj,q两点间的曲线失真度，以两点间欧式距离的形式呈现。利用动态规划在Θnew中选出最优弯曲路径L，路径合集可表示为：
式中，L为最优弯曲路径集合；ha为弯曲路径的第a个点的失真度；m为弯曲路径集合中的弯曲路径数量。
动态弯曲距离的求取需满足：1)累计失真度最小；2)起点与终点位置需满足从点(1,1)出发到点(n,n)结束；3)需要满足路径的连续性及单调性。通过动态规划方法构建累计失真度矩阵D，最终两个场景新能源出力曲线的动态弯曲距离为累计失真度矩阵为：
式中，表示两场景新能源出力曲线路径终点为(n,n)时的累计失真度，即最终求解的新能源出力曲线间的动态弯曲距离，Fnew(Ti,Tj)表示评价源-荷联合时序场景Ti和Tj中新能源出力曲线动态相似度的评价指标。同理可以得到：
式中，表示两场景负荷出力曲线路径终点为(n,n)时的累计失真度，即最终求解的负荷出力曲线间的动态弯曲距离，Fload(Ti,Tj)表示评价源-荷联合时序场景Ti和Tj中负荷出力曲线动态相似度指标。
综合上述子指标，提出一种考虑新能源和负荷的整体分布特性、新能源和负荷的时序相关性以及整体动态特性的综合度量指标，即：
θi,j＝p1Fload(Ti,Tj)+p2Fnew(Ti,Tj)+p3Xload(Ti,Tj)+p4Xnew(Ti,Tj)+p5Y(Ti,Tj)
式中，p1、p2、p3、p4、p5为权重系数；Fload(Ti,Tj)和Fnew(Ti,Tj)分别为场景Ti、Tj中负荷、新能源出力曲线间的动态相似度指标；Xload(Ti,Tj)和Xnew(Ti,Tj)分别为场景Ti、Tj中负荷、新能源出力曲线间的相关性的指标；Y(Ti,Tj)为场景Ti、Tj的源-荷曲线整体相关性指标。
将各指标分量归一化处理：
式中：Fload(Ti,Tj)、Fnew(Ti,Tj)、Xload(Ti,Tj)、Xnew(Ti,Tj)和Y(Ti,Tj)为归一化前联合时序场景Ti和Tj间的相似性指标分量； 和Y*(Ti,Tj)为归一化后联合时序场景Ti和Tj间的相似性指标分量；/>Ymin为归一化前所有两两对比的联合时序场景中各相似性指标分量的最大值和最小值。
计算各指标分量信息熵、各指标分量的属性重要度以及各指标分量权重系数：
Df＝1-Ef,f＝1,2,3,4,5
式中：Ef为第f个分量的信息熵；N为每类指标个数；df,ij为各分量归一化后的相似性指标；pf,ij表示编号为ij的指标占该类总指标总和的比重；Df为信息属性重要度；pf为各个源-荷联合时序场景综合相关性指标的权重系数。
基于上述加权后的场景相似性的综合度量指标，提出了以最小化簇内误差二次方和为目标的优化聚类场景分类方法，优化聚类模型表述为：
式中：Nse为场景总数；yj为选择场景j为聚类中心的0/1变量，若选择第j个源-荷联合时序场景为聚类中心，yj＝1，否则为0；xi,j为场景分类的0/1状态变量，当场景i被归为以场景j为中心的类中时xi,j＝1，否则为0；K为聚类个数。
步骤2包括以下内容：
通过随机-鲁棒优化处理源-荷的不确定性，在降低新能源和负荷不确定性对系统影响的同时降低传统鲁棒优化方法保守性，优化规划机组的接入容量。构建的基于场景的考虑碳排放和需求响应的源-网-荷-储一体化系统随机+鲁棒两阶段混合优化模型如下：
minCTotal＝min(CInv+COpe)
0≤Ps,G,t≤QG
0≤Ps,WT,t≤τs,WT,tQWT
0≤Ps,PV,t≤τs,PV,tQPV
Emin≤Es,ES,t≤Emax
Ds,t＝ωGPs,G,t+ωWTPs,WT,t+ωPVPs,PV,t+ωBuyPs,Buy,t
式中，CTotal、CInv和COpe分别为年度系统综合成本、年度系统投资成本和年度系统运行成本；pG、pWT、pPV、pES分别为常规发电机组、风电场、光伏电站和储能的年度投资系数；和QG、QWT、QPV、QES分别为常规发电机组、风电场、光伏电站、储能的单位容量投资成本和规划容量；rG、rWT、rPV、rES分别为常规发电机组、风电场、光伏电站和储能的折旧率；yG、yWT、yPV、yES分别为常规发电机组、风电场、光伏电站和储能的寿命；λo ES分别为常规发电机组、风电场、光伏电站和储能的年运行维护费用系数；K为聚类个数；Ωk为第k类场景集合；T为时间集合；s为场景集合Ωk中的子场景；πk为第k类场景一年内出现的天数；/>分别为常规发电机组、风电场、光伏电站、储能设备、可削减负荷需求响应和可转移负荷需求响应的单位运行成本；分别为常规发电机组、风电场、光伏电站和储能设备的运行维护系数；Ps,G,t、Ps,WT,t、Ps,PV,t分别为场景s下t时刻常规发电机组、风电场和光伏电站的出力；分别为场景s下t时刻储能设备的充电和放电功率；/>分别为场景s下t时刻可削减负荷的削减量以及可转移负荷转入量和转出量；/>和/>分别场景s下t时刻系统的二氧化碳排放成本和购电成本；/>分别为常规发电机组、风电场、光伏电站、储能的规划容量上限；τs,WT,t、τs,PV,t分别表示场景s下t时刻风电场和光伏电站的出力系数；ρNew为新能源发电量占比系数；Ps,Load,t为场景s下t时刻的负荷水平；/>为新能源弃电限制系数；Ps,Buy,t为场景s下t时刻的系统购电量；/>为场景s下t时刻储能的充/放电的0/1变量，/>分别表示场景s下t时刻充电，放电，否则表示没有充放电行为；/>分别表示储能充放电功率最大值和最小值；ηCha、ηDis分别表示储能的充放电效率；Es,ES,t表示场景s下t时刻储能的电量；Emin和Emax分别表示储能的电量上下限；Δt表示时间间隔；/>分别表示场景s下t时刻可削减负荷削减，可转移负荷转入和转出的0/1变量；/>分别表示可削减负荷削减量，可转移负荷转入和转出量的最大值；/>分别表示可以进行可削减负荷削减的起始时间点、结束时间点以及最大削减时段数；/>分别表示可以进行可转移负荷转入和转出的起始时间点、结束时间点；λ为碳交易基准价格；l为碳排放区间长度；ψ为价格增长系数；Ds,t为场景s下t时刻的系统碳排放量；ωG、ωWT、ωPV、ωBuy分别表示常规发电机组出力、风电出力、光伏出力以及购电的单位碳排放系数。
步骤3包括以下内容：
设计了迭代求解算法以降低模型求解复杂度，提高模型求解效率，迭代求解算法表示如下：
首先将模型拆分为主子问题迭代求解：主问题为在有限恶劣场景下，最小化年度总成本；子问题在已知主问题求解获得的规划机组接入容量的情况下，最小化各类场景中最恶劣场景下的运行成本。
主问题的一般形式如下：
Ax+Byk,s+ζk,s＝c
f2k≥f2(yk,s,ζk,s)
子问题的一般形式如下：
Ax*+Byk,s+ζk,s＝c
式中，Ω'k为第k类场景的子集；x为第一阶段变量；yk,s、ζk,s为受场景影响的第二阶段变量；f1(x)为由第一阶段变量x决定的目标函数，对应上述模型的投资成本；f2(yk,s,ζk,s)为由第二阶段变量yk,s、ζk,s决定的目标函数，对应上述模型的运行成本；f2k为第k类场景集合内，所有子场景中的最大运行成本；A、B、c为系数；x*为求解主问题得到的第一阶段变量最优解。
交替迭代主问题和子问题直至满足最优解，模型求解流程如下：
(1)首先对于设置上下界UB＝+∞,LB＝-∞；
(2)接着求解主问题求解有限恶劣场景下的混合模型的最优规划策略x*，更新模型的下界
(3)随后对于带入主问题的最优解x*，反复求解子问题，得到各类中成本最高的样本/>(最恶劣场景下的运行成本)，将其添加到主问题子集中，更新模型上界/>
(4)最后判断是否满足UB-LB≥ζ(ζ为设定的模型收敛值)，若是则返回步骤(2)；否则得到混合模型的最优规划策略x*。
下面用一个实施例介绍本发明：
首先通过新能源和负荷的预测出力以及预测误差，筛选出初步的源-荷出力数据，根据同一日新能源出力曲线和负荷出力曲线的时序相关性，构建得到源-荷联合时序场景，如图1所示。
结合各联合场景源-荷时序出力数据，通过考虑新能源和负荷出力曲线整体分布特性、时序相关性以及整体动态特性的综合度量指标求解两两联合时序场景之间的相似度。在将两两场景间的各个指标归一化处理后，计算各指标分量信息熵、各指标分量的属性重要度，获取各指标分量的权重系数，得到最终划类指标，基于优化聚类的相似日出力场景分类方法将若干场景分类，分类结果中各大类中的部分场景如图2所示。
将联合时序场景聚类数据与各机组相关规划数据输入基于场景的考虑碳排放和需求响应的源-网-荷-储一体化系统随机+鲁棒两阶段混合优化模型；利用迭代求解算法进行求解，迭代算法流程如图3所示。
代入模型求解所需的参数，设定模型迭代求解的约束条件，得到模型迭代求解过程如图4所示，各次迭代求解过程中的配置结果如图5所示，最优配置结果下场景A的单日运行情况如图6所示，其中图6的(a)为场景A的日内平衡情况图；图6的(b)为场景A的储能状态图；图6的(c)为场景A的需求响应情况图；图6的(d)为场景A的碳排放情况图。
基于同一发明构思，本申请实施例提供一种计算机设备，包括存储器、处理器，以及存储在存储器中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前述的计及源-荷不确定性的源-网-荷-储协同规划方法的步骤。
基于同一发明构思，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现前述的计及源-荷不确定性的源-网-荷-储协同规划方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (8)
1.一种计及源-荷不确定性的源-网-荷-储协同规划方法，其特征在于，包括如下步骤：
步骤1，构建源-荷联合时序场景，根据所述源-荷联合时序场景构建考虑新能源和负荷出力曲线的整体分布特性、时序相关性以及整体动态特性的综合度量指标，并根据所述综合度量指标设计基于优化聚类的相似日出力场景分类方法，对源-荷联合时序场景进行分类；
步骤2，在步骤1的基础上，构建基于场景的考虑碳排放和需求响应的源-网-荷-储一体化系统随机+鲁棒两阶段混合优化模型；
步骤3，将步骤2构建的混合优化模型拆分为主问题和子问题，利用交替迭代算法求解主问题和子问题，直至得到混合优化模型的最优规划策略。
2.根据权利要求1所述的计及源-荷不确定性的源-网-荷-储协同规划方法，其特征在于，所述步骤1中，构建综合度量指标的具体过程如下：
根据同一日新能源出力曲线α＝[α1 α2 α3 ... αn]和负荷出力曲线β＝[β1 β2 β3 ...βn]的时序相关性，构建得到源-荷联合时序场景T，并引入δ(T)＝[δ1 δ2 δ3 ... δn]刻画场景T内源-荷相关性：
δe＝αe-βe
式中，αe和βe分别表示表示e时刻新能源和负荷的出力系数，δe表示αe和βe之间的差值，e＝1,…,n，n为一日内的总时刻数；
对于任意两个源-荷联合时序场景Ti和Tj，构建评价两场景间新能源出力曲线相关性的指标Xnew、评价两场景间负荷出力曲线相关性的指标Xload以及评价两场景间源-荷曲线整体相关性的指标Y：
δi,e＝αi,e-βi,e
δj,e＝αj,e-βj,e
式中，αi,e和βi,e分别表示源-荷联合时序场景Ti在e时刻新能源和负荷的出力系数，αj,e和βj,e分别表示源-荷联合时序场景Tj在e时刻新能源和负荷的出力系数，δi,e表示αi,e和βi,e之间的差值，δj,e表示αj,e和βj,e之间的差值，Xnew(Ti,Tj)为场景Ti、Tj中新能源出力曲线间的相关性指标，Xload(Ti,Tj)为场景Ti、Tj中负荷出力曲线间的相关性指标，Y(Ti,Tj)为场景Ti、Tj的源-荷曲线整体相关性指标；
对于任意两个源-荷联合时序场景Ti和Tj中的新能源出力曲线，生成新能源出力相似匹配矩阵Θnew，矩阵各元素计算公式为：
式中，Θnew(αi,p,αj,q)表示αi,p、αj,q两点间的曲线失真度；
利用动态规划在Θnew中选出最优弯曲路径，路径合集表示为：
式中，L为最优弯曲路径集合；ha为弯曲路径的第a个点的失真度，a＝1,…,m；m为最优弯曲路径集合中的弯曲路径数量；
引入动态弯曲距离指标刻画时间序列的整体动态特性，动态弯曲距离的求取满足以下条件：1)累计失真度最小；2)起点与终点位置满足从点(1,1)出发到点(n,n)结束；3)路径满足连续性及单调性；
通过动态规划方法构建累计失真度矩阵D，累计失真度矩阵D为：
式中，表示两场景新能源出力曲线弯曲路径终点为(n,n)时的累计失真度，即两场景新能源出力曲线间的动态弯曲距离，/>分别表示两场景新能源出力弯曲路径到点(n-1,n)、(n,n-1)、(n-1,n-1)时的累计失真度，Fnew(Ti,Tj)表示评价源-荷联合时序场景Ti和Tj中新能源出力曲线动态相似度的指标；
同理得到：
式中，表示两场景负荷出力曲线路径终点为(n,n)时的累计失真度，即两场景负荷出力曲线间的动态弯曲距离，Fload(Ti,Tj)表示评价源-荷联合时序场景Ti和Tj中负荷出力曲线动态相似度的指标；
则考虑新能源和负荷出力曲线的整体分布特性、时序相关性以及整体动态特性的综合度量指标θi,j为：
θi,j＝p1Fload(Ti,Tj)+p2Fnew(Ti,Tj)+p3Xload(Ti,Tj)+p4Xnew(Ti,Tj)+p5Y(Ti,Tj)
式中，p1、p2、p3、p4、p5为权重系数。
3.根据权利要求2所述的计及源-荷不确定性的源-网-荷-储协同规划方法，其特征在于，所述权重系数的求解过程如下：
将Fload(Ti,Tj)、Fnew(Ti,Tj)、Xload(Ti,Tj)、Xnew(Ti,Tj)和Y(Ti,Tj)视为指标分量，对指标分量归一化处理：
式中，和Y*(Ti,Tj)为归一化后源-荷联合时序场景Ti和Tj间的相似性指标分量；/>分别为所有指标分量Fload(Ti,Tj)中的最大值和最小值，/>分别为所有指标分量Fnew(Ti,Tj)中的最大值和最小值，/>分别为所有指标分量Xload(Ti,Tj)中的最大值和最小值，/>分别为所有指标分量Xnew(Ti,Tj)中的最大值和最小值，Ymax、Ymin分别为所有指标分量Y(Ti,Tj)中的最大值和最小值；
计算指标分量的信息熵、属性重要度以及权重系数：
Df＝1-Ef,f＝1,2,3,4,5
式中，Ef为第f类指标分量的信息熵；N为每类指标分量的个数；df,ij为第f类指标分量中编号为ij的指标分量归一化后的值，即 或Y*(Ti,Tj)；pf,ij表示第f类指标分量中编号为ij的指标分量占该类指标分量总和的比重；Df为第f类指标分量的属性重要度；pf为第f类指标分量的权重系数。
4.根据权利要求2所述的计及源-荷不确定性的源-网-荷-储协同规划方法，其特征在于，所述步骤1中，根据所述综合度量指标设计基于优化聚类的相似日出力场景分类方法，对源-荷联合时序场景进行分类，具体过程如下：
以最小化簇内误差二次方和为目标，优化聚类模型表述为：
式中，Nse为场景总数；yj为选择第j个源-荷联合时序场景为聚类中心的0/1变量，若选择第j个源-荷联合时序场景为聚类中心，yj＝1，否则为0；xi,j为场景分类的0/1状态变量，当第i个源-荷联合时序场景被归为以第j个源-荷联合时序场景为中心的类中时xi,j＝1，否则为0；K为聚类个数。
5.根据权利要求4所述的计及源-荷不确定性的源-网-荷-储协同规划方法，其特征在于，所述步骤2构建的混合优化模型如下：
minCTotal＝min(CInv+COpe)
0≤Ps,G,t≤QG
0≤Ps,WT,t≤τs,WT,tQWT
0≤Ps,PV,t≤τs,PV,tQPV
Emin≤Es,ES,t≤Emax
Ds,t＝ωGPs,G,t+ωWTPs,WT,t+ωPVPs,PV,t+ωBuyPs,Buy,t
式中，CTotal、CInv和COpe分别为年度系统综合成本、年度系统投资成本和年度系统运行成本；pG、pWT、pPV和pES分别为发电机组、风电场、光伏电站和储能的年度投资系数；和/>分别为发电机组、风电场、光伏电站和储能的单位容量投资成本；QG、QWT、QPV和QES分别为发电机组、风电场、光伏电站和储能的规划容量；rG、rWT、rPV和rES分别为发电机组、风电场、光伏电站和储能的折旧率；yG、yWT、yPV和yES分别为发电机组、风电场、光伏电站和储能的寿命；/>和/>分别为发电机组、风电场、光伏电站和储能的年运行维护费用系数；Ωk为第k类场景集合；T为时间集合；s为场景集合Ωk中的子场景；πk为第k类场景一年内出现的天数；/> 和/>分别为发电机组、风电场、光伏电站、储能、可削减负荷需求响应和可转移负荷需求响应的单位运行成本；和/>分别为发电机组、风电场、光伏电站和储能的运行维护系数；Ps,G,t、Ps,WT,t、Ps,PV,t分别为场景s下t时刻发电机组、风电场和光伏电站的出力；/>分别为场景s下t时刻储能的充电和放电功率；/>为场景s下t时刻可削减负荷的削减量，分别为场景s下t时刻可转移负荷转入量和转出量；/>和/>分别为场景s下t时刻系统的二氧化碳排放成本和购电成本；/>分别为发电机组、风电场、光伏电站、储能的规划容量上限；τs,WT,t、τs,PV,t分别表示场景s下t时刻风电场和光伏电站的出力系数；ρNew为新能源发电量占比系数；Ps,Load,t为场景s下t时刻的负荷水平；/>为新能源弃电限制系数；Ps,Buy,t为场景s下t时刻的系统购电量；/>为场景s下t时刻储能的充/放电的0/1变量，/>分别表示场景s下t时刻充电、放电，否则无充放电行为；/> 分别表示储能充放电功率最大值和最小值；ηCha、ηDis分别表示储能的充、放电效率；Es,ES,t、Es,ES,t-1表示场景s下t、t-1时刻储能的电量；Emax和Emin分别表示储能的电量上、下限；Δt表示时间间隔；/>分别表示场景s下t时刻可削减负荷削减、可转移负荷转入和可转移负荷转出的0/1变量；/> 分别表示可削减负荷削减量、可转移负荷转入量和可转移负荷转出量的最大值；/>分别表示进行可削减负荷削减的起始时间点、结束时间点以及最大削减时段数；/>分别表示进行可转移负荷转入的起始时间点、结束时间点；/>分别表示进行可转移负荷转出的起始时间点、结束时间点；λ为碳交易基准价格；l为碳排放区间长度；ψ为价格增长系数；Ds,t为场景s下t时刻的系统碳排放量；ωG、ωWT、ωPV、ωBuy分别表示发电机组出力、风电出力、光伏出力以及购电的单位碳排放系数。
6.根据权利要求5所述的计及源-荷不确定性的源-网-荷-储协同规划方法，其特征在于，所述步骤3的具体过程如下：
将混合优化模型拆分为主问题和子问题：主问题为在有限恶劣场景下，最小化年度总成本；子问题为在已知主问题求解获得的规划机组接入容量的情况下，最小化各类场景中最恶劣场景下的运行成本；
主问题的一般形式如下：
Ax+Byk,s+ζk,s＝c
f2k≥f2(yk,s,ζk,s)
子问题的一般形式如下：
Ax*+Byk,s+ζk,s＝c
式中，Ω′k为第k类场景的子集；x为第一阶段变量；yk,s、ζk,s为受场景影响的第二阶段变量；f1(x)为由第一阶段变量x决定的目标函数，对应混合优化模型的投资成本；f2(yk,s,ζk,s)为由第二阶段变量yk,s、ζk,s决定的目标函数，对应混合优化模型的运行成本；f2k为第k类场景集合内，所有子场景中的最大运行成本；A、B、c为系数；x*为求解主问题得到的第一阶段变量最优解；
交替迭代主问题和子问题直至得到最优规划策略，求解流程如下：
(1)对于设置上、下界UB＝+∞,LB＝-∞；
(2)添加初始场景至集合Ω′k内，求解有限恶劣场景下的混合模型的最优规划策略x*，即求解主问题，更新模型的下界f1(x*)为最优规划策略x*下的系统投资成本，/>为最优规划策略x*下第k类场景子集Ω′k中最大的子场景运行成本；
(3)对于带入主问题的最优解x*，反复求解子问题，得到各类中成本最高的样本/>即最恶劣场景下的运行成本，将其添加到主问题子集中，/>更新模型上界/> 为最优规划策略x*下第k类场景集合Ωk中最大的子场景运行成本；
(4)判断是否满足UB-LB≥ζ，ζ为设定的模型收敛值，若是则返回(2)继续迭代；否则得到混合模型的最优规划策略x*。
7.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述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至6任一项所述的计及源-荷不确定性的源-网-荷-储协同规划方法的步骤。
8.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的计及源-荷不确定性的源-网-荷-储协同规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311231187.1A CN117424204A (zh) | 2023-09-22 | 2023-09-22 | 一种计及源-荷不确定性的源-网-荷-储协同规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311231187.1A CN117424204A (zh) | 2023-09-22 | 2023-09-22 | 一种计及源-荷不确定性的源-网-荷-储协同规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117424204A true CN117424204A (zh) | 2024-01-19 |
Family
ID=89521915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311231187.1A Pending CN117424204A (zh) | 2023-09-22 | 2023-09-22 | 一种计及源-荷不确定性的源-网-荷-储协同规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117424204A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| KR102072969B1 (ko) * | 2019-07-16 | 2020-02-04 | 주식회사에이원엔지니어링 | 풍력발전을 연계한 배터리 전력저장장치의 최적용량 설계방법 |
| AU2020100983A4 (en) * | 2019-11-14 | 2020-07-16 | Shandong University | Multi-energy complementary system two-stage optimization scheduling method and system considering source-storage-load cooperation |
| CN113822319A (zh) * | 2021-07-01 | 2021-12-21 | 湖南大学 | 面向主动配电网的源-荷联合时序场景生成方法和系统 |
| CN115034670A (zh) * | 2022-06-30 | 2022-09-09 | 上海电力大学 | 一种基于模糊场景聚类的微电网容量优化配置方法 |
| CN115310797A (zh) * | 2022-07-29 | 2022-11-08 | 武汉大学 | 一种园区综合能源系统的鲁棒规划方法 |
| CN115663910A (zh) * | 2022-07-20 | 2023-01-31 | 东南大学 | 配电网规划层-运行层两阶段分布鲁棒优化治理方法 |
| CN115935664A (zh) * | 2022-12-13 | 2023-04-07 | 国网山西省电力公司经济技术研究院 | 一种网储协同规划方法、系统、介质及设备 |
| WO2023065552A1 (zh) * | 2021-10-21 | 2023-04-27 | 国网浙江省电力有限公司台州供电公司 | 一种新能源耦合背景下的源网荷储协同调度方法 |
-
2023
- 2023-09-22 CN CN202311231187.1A patent/CN117424204A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| KR102072969B1 (ko) * | 2019-07-16 | 2020-02-04 | 주식회사에이원엔지니어링 | 풍력발전을 연계한 배터리 전력저장장치의 최적용량 설계방법 |
| AU2020100983A4 (en) * | 2019-11-14 | 2020-07-16 | Shandong University | Multi-energy complementary system two-stage optimization scheduling method and system considering source-storage-load cooperation |
| CN113822319A (zh) * | 2021-07-01 | 2021-12-21 | 湖南大学 | 面向主动配电网的源-荷联合时序场景生成方法和系统 |
| WO2023065552A1 (zh) * | 2021-10-21 | 2023-04-27 | 国网浙江省电力有限公司台州供电公司 | 一种新能源耦合背景下的源网荷储协同调度方法 |
| CN115034670A (zh) * | 2022-06-30 | 2022-09-09 | 上海电力大学 | 一种基于模糊场景聚类的微电网容量优化配置方法 |
| CN115663910A (zh) * | 2022-07-20 | 2023-01-31 | 东南大学 | 配电网规划层-运行层两阶段分布鲁棒优化治理方法 |
| CN115310797A (zh) * | 2022-07-29 | 2022-11-08 | 武汉大学 | 一种园区综合能源系统的鲁棒规划方法 |
| CN115935664A (zh) * | 2022-12-13 | 2023-04-07 | 国网山西省电力公司经济技术研究院 | 一种网储协同规划方法、系统、介质及设备 |
Non-Patent Citations (7)
| Title |
|---|
| HONGJUN GAO; XIAODONG LYU; SHUAIJIA HE;: "Integrated Planning of Cyber-Physical Active Distribution System Considering Multidimensional Uncertainties", IEEE TRANSACTIONS ON SMART GRID, vol. 13, no. 4, 11 April 2022 (2022-04-11), pages 3145 - 3159, XP011912037, DOI: 10.1109/TSG.2022.3166194 * |
| ZHANG ZHANG; QIRUN SUN; GUANGYI LI;: "A Flexible Planning Model for Distribution Network and Renewable Energy Integration considering Source and Load Uncertainty", 2020 12TH IEEE PES ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE (APPEEC), 13 October 2020 (2020-10-13), pages 1 - 7 * |
| 刘名扬: "考虑阶梯型碳交易的多能微网运行与规划研究", 中国优秀硕士学位论文全文数据库, no. 02, 15 February 2023 (2023-02-15), pages 9 - 51 * |
| 曲福恒: "模糊聚类算法及应用", 30 September 2011, 国防工业出版社, pages: 7 - 8 * |
| 李勇;姚天宇;乔学博;: "基于联合时序场景和源网荷协同的分布式光伏与储能优化配置", 电工技术学报, vol. 37, no. 13, 4 January 2020 (2020-01-04), pages 3289 - 3303 * |
| 杨晓东: "舰船半解析式惯性导航原理及应用", 31 May 2014, 国防工业出版社, pages: 250 - 251 * |
| 衣立东;蒙金有;何川: "考虑系统一次频率响应特性的新型电力系统源网荷储协调鲁棒规划", 电网技术, vol. 47, no. 09, 3 March 2023 (2023-03-03), pages 3659 - 3672 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445067B (zh) | 一种适用于高铁站综合能源系统的多目标规划方法 | |
| CN107451686B (zh) | 考虑随机预测误差的遗传算法的微电网能源优化方法 | |
| CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
| CN109634119B (zh) | 一种基于日内滚动优化的能源互联网优化控制方法 | |
| CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
| CN111950807A (zh) | 计及不确定性与需求响应的综合能源系统优化运行方法 | |
| CN112084629B (zh) | 一种基于两阶段鲁棒优化的多能虚拟电厂聚合方法 | |
| Li et al. | Energy hub-based optimal planning for integrated energy systems considering part-load characteristics and synergistic effect of equipment | |
| CN112418488B (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
| CN116029490A (zh) | 考虑分布式资源区域容量限制的光网储协同规划方法 | |
| CN116245338A (zh) | 一种矿山综合能源系统低碳经济运行优化方法 | |
| CN113469412A (zh) | 一种综合能源系统实时运行策略优化方法及系统 | |
| CN115860413A (zh) | 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网系统经济调度方法 | |
| CN115577909A (zh) | 考虑价格型需求响应和v2g的园区综合能源系统调度方法 | |
| CN116523683A (zh) | 一种基于智能园区虚拟电厂的碳交易方法 | |
| CN111126675A (zh) | 多能互补微网系统优化方法 | |
| He et al. | Biobjective Optimization‐Based Frequency Regulation of Power Grids with High‐Participated Renewable Energy and Energy Storage Systems | |
| Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
| CN113708418A (zh) | 微电网优化调度方法 | |
| Li et al. | Coordinated planning of integrated electricity–heat–gas energy system considering renewable energy consumption | |
| CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| CN116957229A (zh) | 基于Hausdorff距离的微电网两阶段分布鲁棒优化调度方法 | |
| CN116258511A (zh) | 一种考虑碳交易价格不确定性的能源系统配置方法及装置 | |
| CN117057523A (zh) | 一种基于负荷预测的配电网储能双层规划方法 | |
| Foroozandeh et al. | Robust energy scheduling for smart buildings considering uncertainty in PV generation |
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 |