CN117477557A - 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 - Google Patents
一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN117477557A CN117477557A CN202311496183.6A CN202311496183A CN117477557A CN 117477557 A CN117477557 A CN 117477557A CN 202311496183 A CN202311496183 A CN 202311496183A CN 117477557 A CN117477557 A CN 117477557A
- Authority
- CN
- China
- Prior art keywords
- virtual
- power
- time
- hydrogen
- energy storage
- 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 96
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 230000033228 biological regulation Effects 0.000 title claims description 18
- 230000009467 reduction Effects 0.000 claims abstract description 30
- 229910052739 hydrogen Inorganic materials 0.000 claims description 135
- 239000001257 hydrogen Substances 0.000 claims description 135
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 117
- 238000004378 air conditioning Methods 0.000 claims description 54
- 238000003860 storage Methods 0.000 claims description 36
- 230000003993 interaction Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 5
- 238000005057 refrigeration Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 7
- 238000012725 vapour phase polymerization Methods 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 150000002431 hydrogen Chemical class 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种虚拟电厂调峰优化调度方法、系统、电子设备及介质,涉及虚拟电厂调峰领域,方法包括:建立虚拟电厂的分布式资源的虚拟储能模型;利用闵可夫斯基和方法和内嵌超盒方法,确定分布式资源的虚拟储能模型的解耦降维后的功率可行域;基于分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型;利用McCormick包络法对调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度。本发明利用分布式资源对虚拟电厂进行调峰优化调度,提高了虚拟电厂调峰优化调度的灵活性。
Description
技术领域
本发明涉及虚拟电厂调峰领域,特别是涉及一种虚拟电厂调峰优化调度方法、系统、电子设备及介质。
背景技术
可再生能源(RES)在电力系统中的应用日益广泛,其固有的不确定性和多变性,给电力系统的安全高效运行带来了巨大挑战。为了应对峰谷负荷差异的增大,需要提高调峰资源的灵活性,以实现供需平衡。此外,氢气(H2)具有长期储存、大容量、可持续和零碳排放等特点,在适应电力系统中分布式可再生能源的高渗透率方面具有重要潜力。利用水电解技术将可再生能源发电转化为分布式氢能,是一种可持续且低成本的制氢途径。目前,许多地方政府支持私人投资分布式氢能,例如:氢燃料加氢站(HRSs)。
虚拟电厂(Virtual PowerPlant,VPP)是一种集成管理分布式能源的业务模式,VPP可以通过协调配电网中分散的可再生能源和其他分布式能源,减少可再生能源发电不确定性对电力系统带来的影响,并为电力系统的运行提供能源和辅助服务。同时,随着氢能电动汽车、分布式氢能生产和储能设备以及氢燃料电池在运输和配电网中的成功应用,电氢交互成为VPPs发展的新趋势。
目前,为了解决可再生能源发电不确定性和多变性导致的峰谷负荷差异问题,通常采用具有负荷跟随能力的火电机组作为主要的调峰资源。然而,火电机组在深度调峰过程中不能始终工作在理想的最优运行点,从而造成了发电效率低下、燃料成本增加和碳排放增加等问题。此外,由于运行经济性和热效率的限制,火电机组的调节能力通常有限,尤其是在负荷变化幅度较大的运行条件下,火电机组的调节能力难以满足电力系统的运行要求。氢能项目的设备投资回收周期长以及生产成本高制约了分布式氢能项目的发展。在氢负荷的非高峰期,这些氢能电站的卓越储能能力并未得到充分利用,其用于调峰服务的聚合灵活性往往被VPPs忽视。
调峰电力市场(PRM)通常对最小投标量有要求,小型的分布式能源难以满足其要求,VPPs可以聚集大量的分布式电能以达到电力市场的要求。VPPs的灵活性可以建模为等效的虚拟储能或虚拟同步机,其虚拟参数包括充放电功率约束、能量约束、斜率和自放电率等。然而,这些工作主要集中在VPP的功率灵活性上,没有考虑分布式氢能资源的影响,也没有涉及电氢交互的虚拟电厂(EH-VPP)的灵活性评估。
发明内容
本发明的目的是提供一种虚拟电厂调峰优化调度方法、系统、电子设备及介质,以提高虚拟电厂利用分布式资源调峰优化调度的灵活性。
为实现上述目的,本发明提供了如下方案:
一种虚拟电厂调峰优化调度方法,包括:
建立虚拟电厂的分布式资源的虚拟储能模型;所述分布式资源的虚拟储能模型包括电动汽车的虚拟储能模型、空调系统的虚拟储能模型和可再生能源供电的加氢站的虚拟储能模型;
利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域;其中,所述内嵌超盒方法为在高维的聚合多边体内找到最大内接长方体,使用最大内接长方体代表高维多面体;
基于所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型;
利用McCormick包络法对所述调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度;所述最优解为所述分布式资源的功率值。
可选地,可再生能源供电的加氢站的虚拟储能模型为其中,/>为t时刻储氢罐的储氢量;/>为t-1时刻储氢罐的储氢量;/>为可再生能源供电的加氢站在t时刻在设定置信水平α下的等效外部功率特性;ηP2H为电氢转换装置的制氢转换效率;/>为氢的热值;KHS,min为储氢罐的最小储氢容量;KHS,max为储氢罐的最大储氢容量;/>为PVs在t时刻在设定置信水平α下的预测能力的下限;/>为PVs在t时刻在设定置信水平α下的预测能力的上限;/>为氢能汽车在t时刻在设定置信水平α下的预测能力的下限;为氢能汽车在t时刻在设定置信水平α下的预测能力的上限;/>为PVs在t时刻的预测能力的平均值;/>为PVs在t时刻的预测能力的标准差;/>为氢能汽车在t时刻的预测能力的平均值;/>为氢能汽车在t时刻的预测能力的标准差;α为设定置信水平。
可选地,电动汽车的虚拟储能模型为其中,/>为电动汽车在t时刻的虚拟充电状态;/>为电动汽车在t-1时刻的虚拟充电状态;/>为电动汽车在t时刻的等效充放电功率;ηEV为电动汽车的充放电效率;/>为电动汽车在t时刻的虚拟充电状态上限;/>为电动汽车在t时刻的虚拟充电状态下限;/>为电动汽车在t时刻的等效充放电功率上限;/>为电动汽车在t时刻的等效充放电功率下限;/>为第i簇中电动汽车v在t时刻的并网状态;Ni为集群i中电动汽车的数量;/>为第i簇中电动汽车v在t时刻的虚拟充电状态最大值;/>为第i簇中电动汽车v在t时刻的虚拟充电状态最小值;/>为第i簇中电动汽车v在t时刻的等效充放电功率最大值;为第i簇中电动汽车v在t时刻的等效充放电功率最小值。
可选地,空调系统的虚拟储能模型为
为t时刻空调的放电功率;J为空调系统组数;Nj为第j组空调系统中的房间数;/>为在第j组空调系统中第a个房间在t时刻的空调开关状态,/>表示空调开,表示空调关;/>为第j组空调系统中第a个房间t时刻空调的放电功率;为t时刻空调的充电功率;/>为第j组空调系统中第a个房间t时刻空调的充电功率;/>为t时刻空调的功率;/>为第j组空调系统中第a个房间t时刻空调的最大稳态充电功率;/>为t时刻的室外温度;/>为第j组空调系统中第a个房间的等效热阻;为第j组空调系统中第a个房间的制冷量;/>为第j组空调系统中第a个房间空调的能效比;/>为第j组空调系统中第a个房间t时刻空调在人体最舒适温度下的功率;Tset ,min为人体舒适温度下限;Tcomf为人体最舒适温度;/>为第j组空调系统中第a个房间中空调最大制冷功率;/>为第j组空调系统中第a个房间中空调最小制冷功率;/>为充电周期中空调最大制冷功率运行时长;/>为充电周期中空调最小制冷功率运行时长;Δt为充电/放电周期;/>为第j组空调系统中第a个房间t时刻空调的最大稳态放电功率;/>为放电周期中空调最大制冷功率运行时长;/>为放电周期中空调最小制冷功率运行时长。
可选地,利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,具体包括:
计算所述分布式资源的虚拟储能模型的时间耦合功率可行域;
根据所述时间耦合功率可行域,利用闵可夫斯基和方法,确定聚合高维可行域;
利用内嵌超盒方法,对所述聚合高维可行域进行降维解耦,得到解耦降维后的功率可行域。
可选地,所述调峰优化调度双目标调度模型为其中,/>为条件风险值的离散表达式;b为损失函数阈值;L为随机变量离散化的分段数;α为设定置信水平;/>为在参与调峰电力市场后的电氢交互的虚拟电厂在t时刻的向上调节能力;/>为调度前电氢交互的虚拟电厂在设定置信水平α下的总运行功率;/>为在置信度α下t时刻的虚拟电厂最大评估功率;/>为在置信度α下t时刻的虚拟电厂最小评估功率;/>为参与调峰电力市场后的电氢交互的虚拟电厂在t时刻的向下调节能力;zl=[f(x,yl)-b]+,(l=1,2,…,L);f(x,yl)为离散化的损失函数。
一种虚拟电厂调峰优化调度系统,包括:
储能模型建立模块,用于建立虚拟电厂的分布式资源的虚拟储能模型;所述分布式资源的虚拟储能模型包括电动汽车的虚拟储能模型、空调系统的虚拟储能模型和可再生能源供电的加氢站的虚拟储能模型;
可行域确定模块,用于利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域;其中,所述内嵌超盒方法为在高维的聚合多边体内找到最大内接长方体,使用最大内接长方体代表高维多面体;
调度模型建立模块,用于基于所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型;
调度模块,用于利用McCormick包络法对所述调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度;所述最优解为所述分布式资源的功率值。
一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的虚拟电厂调峰优化调度方法。
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的虚拟电厂调峰优化调度方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种虚拟电厂调峰优化调度方法、系统、电子设备及介质,通过建立虚拟电厂的分布式资源的虚拟储能模型;利用闵可夫斯基和方法和内嵌超盒方法,确定分布式资源的虚拟储能模型的解耦降维后的功率可行域;基于分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型;利用McCormick包络法对调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度。本发明通过建立虚拟电厂中分布式资源的虚拟储能模型,并利用闵可夫斯基和和内嵌超盒的方法,对分布式资源的虚拟储能模型进行降维解耦,提供了紧凑简洁的调度区域,另外,利用分布式资源对虚拟电厂进行调峰优化调度,提高了虚拟电厂调峰优化调度的灵活性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的虚拟电厂调峰优化调度方法流程图;
图2为充放电循环中交流负荷的功率变化曲线图;
图3为闵可夫斯基和规则的示意图;
图4为聚合功率多面体的内嵌超盒近似示意图;
图5为置信水平α为90%的R-HRSs的光伏PVs在t时刻的预测能力和光伏出力波动范围曲线图;
图6为置信水平α为90%的R-HRSs的氢能汽车HVs在t时刻的预测能力和氢负荷波动范围曲线图;
图7为方案1、方案2和方案3分别在置信水平α为90%和50%时的聚合功率曲线图;
图8为方案1在不同置信水平下的随机聚合功率曲线图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种虚拟电厂调峰优化调度方法、系统、电子设备及介质,以提高虚拟电厂利用分布式资源调峰优化调度的灵活性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明将各种分布式资源,如电动汽车(EVs)、空调系统(ACs)和可再生能源供电的加氢站(R-HRSs)建模为具有充放电响应参数特征的虚拟储能(VS)模型,并采用光谱聚类的方法对模型中的聚合参数进行调整;此外,VS的时间耦合功率曲线可以从几何角度抽象为多面体,VPP的聚合高维柔性区域由这些多面体的闵可夫斯基和构成利用内嵌超盒的方法进一步近似降低了聚合多面体的维数;针对参与调峰电力市场的电氢融合虚拟电厂,建立了考虑降维预测柔性区域和条件风险值的日前调峰优化调度模型(调峰优化调度双目标调度模型),并通过内嵌超盒近似降低了聚合多边形的维度,提供了紧凑简洁的调度区域。
如图1所示,本发明提供的虚拟电厂调峰优化调度方法,包括:
步骤101:建立虚拟电厂的分布式资源的虚拟储能模型;所述分布式资源的虚拟储能模型包括电动汽车的虚拟储能模型、空调系统的虚拟储能模型和可再生能源供电的加氢站的虚拟储能模型。
考虑分布式资源(DERs)的响应特性和电氢的相互作用,将异质分布式资源,如电动汽车、空调系统和电氢耦合加氢站(可再生能源供电的加氢站)统一建模为具有充放电响应特征的一阶虚拟储能(VS)模型,以捕捉异质DERs的灵活性,结合谱聚类,得到异质分布式资源的聚合参数。
步骤101具体如下:
步骤1011:建立VS模型。DERs容量小、数量多且具有异构性,为了简化这些DERs在EH-VPP调度中运行非线性和高阶约束,引入了降阶VS模型。该模型既考虑了DERs的内部参数(如充电状态(SOC)、阻抗和能源使用习惯),也考虑了外部参数(如温度和辐射强度)。该VS模型如下:
其中,和/>分别为t时刻和t-1时刻的虚拟存储(SOVC)状态;/>是充放电功率;/>和/>表示充放电功率的下界和上界;/>和/>反映了虚拟存储状态的下界和上界;ηVS是充放电效率;/>和/>由DERs各自的响应特性确定。
1)确定可再生能源供电的加氢站R-HRSs的VS模型。可再生能源供电的加氢站R-HRS内的资源包括四类:储氢单元、供氢单元、需氢单元和可再生能源发电单元。光伏(PV)发电产生的电能全部被电氢转换装置(P2Hs)消耗,电氢转换装置P2Hs(供氢单元)产生的氢气首先供给氢能汽车HVs(需氢单元),剩余的储存在储氢罐HSs(储氢单元)中。当电氢转换装置P2Hs的氢气供应不足以满足氢能汽车HVs的需求时,储氢罐HSs将代替电氢转换装置P2Hs成为氢气供应单元,直到氢气储存耗尽,之后加氢站要从当地电网购买电力以满足氢能汽车HVs的需求。
根据加氢站的工作模式,可再生能源供电的加氢站R-HRSs内的电氢的转移和转换过程可以描述为:
PP2H,min≤Pt P2H≤PP2H,max。
Pt P2H=Pt PV+Pt M。
Ht P2H=Ht HV+Ht HS。
Kt HS,min≤Kt HS≤Kt HS,max。
是电氢转换装置P2Hs的用电功率;/>是电氢转换装置P2Hs输入输出的氢流量;/>为t时刻储氢罐的储氢量;/>为t-1时刻储氢罐的储氢量;/>为储氢罐HSs输入输出的氢流量;/>是电氢转换装置P2Hs的最大输入功率;/>是电氢转换装置P2Hs的最小输入功率;/>表示储氢罐HSs的最小储氢容量;/>表示储氢罐HSs的最大储氢容量;ηP2H为电氢转换装置的制氢转换效率;/>为氢的热值;/>表示t时刻HV的换氢需求;/>是从电网购买的电力。
R-HRSs的能量存储的时间耦合可以重新表述如下:
其中,和/>分别是光伏PVs和氢能汽车HVs在t时刻的预测能力。
此外,由于PV发电和HV需求的不确定性,R-HRSs应遵守以下操作约束条件:
其中,表示R-HRSs在t时刻的等效外部功率特性;/>和/>为R-HRSs在设定置信水平α下的最小功率和最大功率;为光伏PVs在t时刻在设定置信水平α下的预测能力的下限;/>为光伏PVs在t时刻在设定置信水平α下的预测能力的上限;/>为氢能汽车在t时刻在设定置信水平α下的预测能力的下限;/>为氢能汽车在t时刻在设定置信水平α下的预测能力的上限。
由于各种人为和自然的不确定性,氢气消耗量和光伏发电量的实际值围绕预测值波动,可将其视为随机变量。采用乐观值sup{·}和悲观值inf{·}的转换方法,进一步确定设定置信水平α下的PV和HV的输出/输入极限:
其中,(ΦPV)-1和(ΦHV)-1分别表示随机变量和/>的逆累积分布函数(ICDF)。
每个时间间隔内HVs和PVs产生的耗氢量通常遵循正态分布,对于任何服从正态分布N(e,σ),其ICDF可以表示为:
在设定置信水平α下随机变量的上界和下界,即置信区间,可按下式求得:
其中,为PVs在t时刻的预测能力的平均值;/>为PVs在t时刻的预测能力的标准差;/>为氢能汽车在t时刻的预测能力的平均值;/>为氢能汽车在t时刻的预测能力的标准差;α为设定置信水平,α在[0.5,1)的范围内,以确保置信区间的可行性。
综上,R-HRS的VS模型可以表述如下:
2)确定电动汽车的VS模型。假设电动汽车从并网时开始充电,可以计算出电动汽车在t时刻的虚拟充电状态(SOVC)的上限;在汽车离网时满足最小充电量的条件下,可以计算出电动汽车在t时刻虚拟充电状态的下限。通过分析,建立电动汽车的VS模型为:
其中,下标i表示簇数;;为第i簇中电动汽车v在t时刻的虚拟充电状态最大值;/>为第i簇中电动汽车v在t时刻的虚拟充电状态最小值;/>表示技术允许的最大储能;/>表示EVs离网时初始储能;/>表示EVs离网时最小储能;ηEV是EVs的充放电效率;/>为簇i中电动汽车v的最大充电功率;/>为簇i中电动汽车v的离网时间;/>为簇i中电动汽车v的并网时间。其中,电动汽车是根据其需求特征采用Ng-Jordan-Weiss(NJW)光谱聚类算法进行聚类的。
利用自底向上聚合方法,根据不同集群中电动汽车的独特驱动模式和特征,得到了电动汽车VS的等效聚合参数,如下:
其中,为电动汽车在t时刻的虚拟充电状态上限;/>为电动汽车在t时刻的虚拟充电状态下限;/>为电动汽车在t时刻的等效充放电功率上限;/>为电动汽车在t时刻的等效充放电功率下限;/>为第i簇中电动汽车v在t时刻的等效充放电功率最大值;/>为第i簇中电动汽车v在t时刻的等效充放电功率最小值。/>表示簇i中电动汽车v在t时刻的并网状态,i为EVs簇数;Ni是集群i中电动汽车的数量。
综上所述,电动汽车的VS模型如下:
其中,和/>为电动汽车在t时刻的SOVC和等效充放电功率。
3)确定空调系统的VS模型。考虑到室内外热量的传递,采用经典的集总等效热参数(LETP)建模方法来模拟传热过程。
其中,和/>分别为第j组a房间空调在t时刻的制冷量和运行功率;/>为第j组a房间在t时刻的室内温度;/>为第t时刻的室外温度;/>和/>分别为第j组a房间的等效热阻和制冷量;/>为第j组a房间空调的能效比。同时,根据热力学参数/>和/>以及空调的运行参数(包括最大制冷功率/>和能效比/>),采用NJW频谱聚类算法对空调房间进行聚类。
当a房间的空调处于稳态时,与室外传入的热量相平衡,因此/>和/>保持不变。因此,空调的稳态运行功率可求解如下:
图2为充放电循环中交流负荷的功率变化曲线图,如图2所示,展示了不同设定温度下空调运行功率的时变特征。
以充电周期为例,在充电瞬态状态下,室内的ACs以最大的冷却功率运行,直到达到设定的下限。然后,室温和ACs的功率达到如下稳定状态:/>
为第j组空调系统中第a个房间t时刻空调的最大稳态充电功率。此外,为了保证用户的舒适性,AC在充电期结束时以最小制冷功率/>运行,直到/>下降到最舒适的温度Tcomf,相应的冷却功率/>可以表示为:
为第j组空调系统中第a个房间t时刻空调在人体最舒适温度下的功率;将等效AC的充电功率视为充电期间的平均冷却功率,当室温设置为人体舒适温度下限Tset ,min时,可获得最大充电功率/>如下:
其中,为第j组空调系统中第a个房间中空调最大制冷功率;/>为第j组空调系统中第a个房间中空调最小制冷功率;/>为充电周期中空调最大制冷功率运行时长;/>为充电周期中空调最小制冷功率运行时长;Δt为充电/放电周期。
同样,当室温设置为Tset,max时,可以获得a时刻的最大放电功率
其中,为第j组空调系统中第a个房间t时刻空调的最大稳态放电功率;/>为放电周期中空调最大制冷功率运行时长;/>为放电周期中空调最小制冷功率运行时长。
因此,ACs的VS模型表述如下:
为二维变量,表示在第a个房间的j类空调在t时刻的开关状态,/>表示空调开,/>表示空调关。
A2、VS参数确定。根据A1中建立的VS模型,考虑可再生能源供电的加氢站、电动汽车和空调的特点,确定各个考虑分布式资源DERs的VS参数。VS参数包括t时刻的最小虚拟储能状态和最大虚拟储能状态/>t时刻最小虚拟充电/放电功率/>和最大虚拟充电/放电功率/>在下面的步骤102中要利用代入VS参数的VS模型计算功率可行域。/>
步骤102:利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域。其中,所述内嵌超盒(Inscribed hyperbox)方法为在高维的聚合多边体内找到最大内接长方体,使用最大内接长方体代表高维多面体,从而实现降维的目的。
利用步骤A提出的一阶VS模型,计算得出VS的具有时间耦合功率特性的可行域,并将可行域从几何角度抽象为多面体。将考虑分布式资源DERs的可行域用闵可夫斯基和的方法,绘出总可调功率高维多面体。再通过内嵌超盒的方法近似降低聚合多面体的维度,提供紧凑简洁的调度区域,对时间耦合的DERs的功率可行性域进行解耦降维。
步骤102,具体包括:
计算所述分布式资源的虚拟储能模型的时间耦合功率可行域。
根据所述时间耦合功率可行域,利用闵可夫斯基和方法,确定聚合高维可行域。
利用内嵌超盒方法,对所述聚合高维可行域进行降维解耦,得到解耦降维后的功率可行域。
在实际应用中,分布式资源的可调节功率具有时间耦合性和不确定性,因此,在一定置信度下,以各时段功率为坐标轴,可调节功率区间被可视化为凸多面体。由于分布式资源的可调节功率具有可加性,因此引入闵可夫斯基和(符号为)来计算虚拟电厂的聚合可调节功率区间(聚合高维可行域)。将上述单个DER的功率可行曲线映射为集合功率曲线:
其中,D为集合Δ中的DER类型的数量。
以两种连续时间段t和t+1中两种类型的DER的闵可夫斯基和为例,如图3所示,pt和pt+1聚合功率可以表示为:
p1,t、p1,t+1、p2,t和p2,t+1分别表示两种DER在两个时间段t和t+1内的工作功率。
在VS模型中存在能量动态变化,因此每个DER的功率可行性曲线是时间耦合的。随着时间间隔和分布式资源的增加,聚合可调节功率区间的求解维数急剧增加,导致相应的闵可夫斯基和成为无法直接求解的NP-hard问题。因此,用内嵌超盒方法对聚合可调节功率区间进行了近似求解。考虑到调峰电力市场对灵活性的追求,如图4所示,采用内嵌超盒进行近似灵活性评价,通过求解不规则聚集可调节功率区间多面体中最大的内嵌高维矩形,求解EH-VPP在每个时间间隔内的最大可行功率范围:
和/>分别表示内嵌超盒的边长,/>和/>分别为置信水平α下t时刻的最小计算功率和最大计算功率。/>
内嵌超盒在不同时间段的上功率极限和下功率极限是相互独立的,实现了聚合可调节功率区间的时间解耦。其中,每个时间段的功率区间被组装成一个盒形可行区域,即EH-VPP的近似随机聚合功率灵活性。
步骤103:基于所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型。
结合步骤102中提出的解耦降维后的DERs的功率可行域,针对参与调峰电力市场的EH-VPP,建立了考虑解耦降维的预测灵活性区域和条件风险值的调峰优化调度双目标调度模型,最大化调峰市场的预期经济效益,并降低EH-VPP的收益风险。
步骤103具体如下:
首先确定目标函数。可再生能源输出和负荷能源需求的不确定性带来了随机聚合功率区域,从而导致了EH-VPP在PRM中的风险效益。EH-VPP在降低风险的同时追求效益最大化,因此EH-VPP的最优调峰调度模型可以表述为基于多目标优化理论的风险条件(CVaR)优化模型。CVaR优化模型的损失函数f(x,y)定义如下:
其中,Ct和Rt分别为调峰调度成本和收益;和/>分别为置信水平α下t时刻PVs、ACs、EVs和HVs的输出/输入功率;/>为调度前EH-VPP在置信水平α下的总运行功率;/>是决策向量并且/>和/>表示在参与PRM后的EH-VPP在t时刻的向下和向上的调节能力;/>是考虑输入和输出不确定性的随机向量;/>和/>是EH-VPP提供调峰和填谷的单元调度成本和效益。
在置信水平α下给定x的CVaR值VCVaR,α(x)定义为损失函数超过悲观值时的期望值bα(x):
式中为y的概率密度函数(PDF)。
由于bα(x)的解析表达式难以推导,因此引入Fα(x,b)该函数得到CVaR的值,然后离散为如下所示:
其中,[f(x,y)-b]+定义为max{f(x,y)-b,0},yl(l=1,2,…,L)是在置信区间内的给定步骤中获得的样本值。
然后确定约束条件。
设虚拟变量zk(k=1,2,…,q),令zk=[f(x,yk)-b]+,则zk约束如下:
灵活性聚合功率下调峰模型的约束条件为:
综上所述,最小化CVaR的调峰市场优化调度问题转化为线性规划问题(调峰优化调度双目标调度模型):
其中,为条件风险值的离散表达式;b为损失函数阈值;L为随机变量离散化的分段数;α为设定置信水平;/>为在参与调峰电力市场后的电氢交互的虚拟电厂在t时刻的向上调节能力;/>为调度前电氢交互的虚拟电厂在设定置信水平α下的总运行功率;/>为在置信度α下t时刻的虚拟电厂最大评估功率;/>为在置信度α下t时刻的虚拟电厂最小评估功率;/>为参与调峰电力市场后的电氢交互的虚拟电厂在t时刻的向下调节能力;zl=[f(x,yl)-b]+,(l=1,2,…,L);f(x,yl)为离散化的损失函数。
步骤104:利用McCormick包络法对所述调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度。最优解为使目标函数达到最优值(最大值或最小值)的任一可行解,都称为该线性规划的一个最优解,在本发明中是指当实现收益最大同时风险最小这一目标函数时,对应的各类分布式资源的功率值。
将步骤C中的调峰调度模型离散化,转化为一个凸优化问题,针对方程中投标数量和价格的双线性积项引起的非线性,采用McCormick包络法对模型中的双线性乘积项进行连续空间上的松弛,防止出现局部最优,保证所求解为全局最优解。
关于调峰优化调度双目标调度模型中双线性乘积项引起的非线性问题,采用McCormick包络法对模型中的双线性乘积项进行连续空间上的松弛。McCormick包络法进行松弛的关键是找到双线性乘积项各自的上界和下界,在本实施例中主要涉及单位成本和单位收益的界限。
就单位成本的界限而言,平衡EH-VPP和DER的收益至关重要。一方面,考虑到DER的利润,EH-VPP的单位成本应大于DER的平均运维成本。另一方面,EH-VPP的单位成本不应超过EH-VPP在PRM中的最低投标价格。
综上所述,方程的松弛线性形式如下:
为了分析本发明的方法在处理大量异质DERs时的性能,使用拉丁超立方采样方法随机生成了不同DERs的唯一操作参数。假设R-HRSs、EVs和ACs的运行参数服从表1、表2和表3中的概率分布函数(nd表示正态分布)。
表1 R-HRSs参数的概率分布表
表2 EVs参数的概率分布表
表3 ACs参数的概率分布表
参数 | 分布 | 平均 | 偏差 |
RAC/(℃/kW) | nd | 7.12 | 1.00 |
CAC/(kJ/℃) | nd | 690.87 | 1.00 |
λAC | nd | 3.40 | 1.00 |
PAC,max/kW | nd | 2.80 | 1.00 |
开启时间/小时 | nd | 12:00 | 3.00 |
关闭时间/小时 | nd | 21:00 | 3.00 |
图5为置信水平α为90%的R-HRSs的光伏PVs在t时刻的预测能力和光伏出力波动范围曲线图,图6为置信水平α为90%的R-HRSs的氢能汽车HVs在t时刻的预测能力和氢负荷波动范围曲线图。
从数值上分析加入电氢相互作用和NJW频谱聚类过程的影响,图7给出了不同情况下的多时段聚类结果比较。
方案1:EH-VPP,包括集群电动汽车、集群空调房间和电氢相互作用的R-HRSs。
方案2:EH-VPP,包括集群电动汽车、集群空调房间和R-HRSs,但不考虑用电氢相互作用。
方案3:EH-VPP,包括均匀电动汽车、均匀空调房间和R-HRSs,但不考虑光谱聚类过程。
图7中的(a)、(c)、(e)分别展示了方案1、2、3在置信度为90%时的优化调度结果,图7中的(b)、(d)、(f)分别展示了方案1、2、3在置信度为50%时的优化调度结果。从图7中的(b)和(f)可以看出,加入DERs聚类过程后,功率内的功率范围和功率范围内的功率范围可以提高聚合结果。数值模拟结果表明,α=50%、α=90%的总体可调度功率范围比方案3增加了3.42%和4.29%,反映了聚类过程的稳定增强。
对比图7中的(b)和(d),可以看出,加入电氢相互作用后,可调度的功率范围显著扩大,当α=50%、α=90%时,交互作用分别增加了4.80%和15.04%。得益于电能和氢能的互补性,灵活性范围增强,特别是在氢负荷的高峰期。此外,由于在较高的置信水平下氢负荷的波动更大,柔性范围的增加逐渐增大。总之,仿真结果表明,与传统的VPP相比,具有聚类过程和电-氢相互作用的EH-VPP能更灵活地利用DERs,增强DERs的灵活性。
对EH-VPP经济调度的实施效果。
将调峰调度问题表述为一个CVaR优化模型,以定量地说明该方法的实用价值。由图8可知,功率范围随α值逐渐增大,且在8:00-16:00期间增大尤为明显。可以表明,在较高的α下实现了较高的经济,这与市场风险水平成正比。EH-VPP系统的峰值调节经济调度模型旨在在考虑市场风险的情况下实现整体运营利润最大化,问题的决策内容包括投标数量和投标价格。
EH-VPP参与PRM的经济调度计划和净收入如表Ⅳ所示。EH-VPP的主动电力和监管服务的调度计划是时变的,在一定的PRM价格范围内,投标决策全面受到上下聚合功率范围的影响。因此,方案2、方案3的投标数量与方案1相比相应下降。在表4中,方案2和方案3的净收入比方案1下降了约11%和3%,这表明在给定的置信水平下,具有聚类过程和电-氢交互作用的EH-VPP在PRM中实现了更高的经济性。
由结果可以看出投标数量随着置信水平的增加而减小。相应地,方案1中α=90%的净收入比表4中α=70%和α=50%高出12.08%和16.71%。由于在较高的置信水平上波动较大,当EH-VPP倾向于对风险产生厌恶时,监管能力和净收益呈下降趋势,反之亦然。
表4在不同情况下的净收入的比较表
情况 | 案例1 | 案例2 | 案例3 |
α=90%(¥) | 35912.03 | 31199.01 | 35261.57 |
α=70%(¥) | 32042.70 | 29011.05 | 31087.89 |
α=50%(¥) | 30771.61 | 27240.06 | 29347.52 |
本发明利用电氢交互灵活性增强机制,提高VPP面向调峰辅助服务的聚合灵活性可调度范围,提高VPP运营收益,同时促进可再生能源发电的消纳。
本发明针对电动汽车、空调系统和以可再生能源为主、配备分布式氢能生产和储存设备的加氢站设计了不同类型的具有时间耦合和能量、功率约束的VS模型,以捕捉各种DER簇的灵活性。通过频谱聚类调整VS模型的聚合参数,以反映DERs的不同响应特性和电氢相互作用。
本发明提出了一种基于内嵌超盒的聚合柔性投影方法(内嵌超盒法),从几何角度估算电氢交互虚拟电厂(EH-VPP)的可用功率和能量空间。将DER簇的时间耦合功率分布视为多面体,用多个多面体的闵可夫斯基和表示VPP的聚合高维灵活性区域。通过内嵌超盒近似法进一步降低了聚合多面体的维度。
针对EH-VPP,建立了考虑降维预测灵活性区域和条件风险值(CVaR)的日前调峰优化调度模型,以最大化调峰市场(PRM)的预期经济效益。将调峰调度模型离散化并转化为凸优化模型,并采用McCrmick包络法处理投标量和投标价格的双线性项。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种虚拟电厂调峰优化调度系统,包括:
储能模型建立模块,用于建立虚拟电厂的分布式资源的虚拟储能模型;所述分布式资源的虚拟储能模型包括电动汽车的虚拟储能模型、空调系统的虚拟储能模型和可再生能源供电的加氢站的虚拟储能模型。
可行域确定模块,用于利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域。
调度模型建立模块,用于基于所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型。
调度模块,用于利用McCormick包络法对所述调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度。
实施例三
本发明提供了一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行实施例一的虚拟电厂调峰优化调度方法。
实施例四
本发明提供了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实施例一的虚拟电厂调峰优化调度方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种虚拟电厂调峰优化调度方法,其特征在于,包括:
建立虚拟电厂的分布式资源的虚拟储能模型;所述分布式资源的虚拟储能模型包括电动汽车的虚拟储能模型、空调系统的虚拟储能模型和可再生能源供电的加氢站的虚拟储能模型;
利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域;其中,所述内嵌超盒方法为在高维的聚合多边体内找到最大内接长方体,使用最大内接长方体代表高维多面体;
基于所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型;
利用McCormick包络法对所述调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度;所述最优解为所述分布式资源的功率值。
2.根据权利要求1所述的虚拟电厂调峰优化调度方法,其特征在于,可再生能源供电的加氢站的虚拟储能模型为其中,/>为t时刻储氢罐的储氢量;/>为t-1时刻储氢罐的储氢量;/>为可再生能源供电的加氢站在t时刻在设定置信水平α下的等效外部功率特性;ηP2H为电氢转换装置的制氢转换效率;/>为氢的热值;KHS,min为储氢罐的最小储氢容量;KHS,max为储氢罐的最大储氢容量;/>为PVs在t时刻在设定置信水平α下的预测能力的下限;/>为PVs在t时刻在设定置信水平α下的预测能力的上限;/>为氢能汽车在t时刻在设定置信水平α下的预测能力的下限;/>为氢能汽车在t时刻在设定置信水平α下的预测能力的上限;/>为PVs在t时刻的预测能力的平均值;/>为PVs在t时刻的预测能力的标准差;/>为氢能汽车在t时刻的预测能力的平均值;/>为氢能汽车在t时刻的预测能力的标准差;α为设定置信水平。
3.根据权利要求1所述的虚拟电厂调峰优化调度方法,其特征在于,电动汽车的虚拟储能模型为其中,/>为电动汽车在t时刻的虚拟充电状态;/>为电动汽车在t-1时刻的虚拟充电状态;/>为电动汽车在t时刻的等效充放电功率;ηEV为电动汽车的充放电效率;/>为电动汽车在t时刻的虚拟充电状态上限;为电动汽车在t时刻的虚拟充电状态下限;/>为电动汽车在t时刻的等效充放电功率上限;/>为电动汽车在t时刻的等效充放电功率下限;/>为第i簇中电动汽车v在t时刻的并网状态;Ni为集群i中电动汽车的数量;/>为第i簇中电动汽车v在t时刻的虚拟充电状态最大值;/>为第i簇中电动汽车v在t时刻的虚拟充电状态最小值;/>为第i簇中电动汽车v在t时刻的等效充放电功率最大值;/>为第i簇中电动汽车v在t时刻的等效充放电功率最小值。
4.根据权利要求1所述的虚拟电厂调峰优化调度方法,其特征在于,空调系统的虚拟储能模型为其中,为t时刻空调的放电功率;J为空调系统组数;Nj为第j组空调系统中的房间数;/>为在第j组空调系统中第a个房间在t时刻的空调开关状态,/>表示空调开,表示空调关;/>为第j组空调系统中第a个房间t时刻空调的放电功率;为t时刻空调的充电功率;/>为第j组空调系统中第a个房间t时刻空调的充电功率;/>为t时刻空调的功率;/>为第j组空调系统中第a个房间t时刻空调的最大稳态充电功率;/>为t时刻的室外温度;/>为第j组空调系统中第a个房间的等效热阻;为第j组空调系统中第a个房间的制冷量;/>为第j组空调系统中第a个房间空调的能效比;/>为第j组空调系统中第a个房间t时刻空调在人体最舒适温度下的功率;Tset ,min为人体舒适温度下限;Tcomf为人体最舒适温度;/>为第j组空调系统中第a个房间中空调最大制冷功率;/>为第j组空调系统中第a个房间中空调最小制冷功率;/>为充电周期中空调最大制冷功率运行时长;/>为充电周期中空调最小制冷功率运行时长;Δt为充电/放电周期;/>为第j组空调系统中第a个房间t时刻空调的最大稳态放电功率;/>为放电周期中空调最大制冷功率运行时长;/>为放电周期中空调最小制冷功率运行时长。
5.根据权利要求1所述的虚拟电厂调峰优化调度方法,其特征在于,利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,具体包括:
计算所述分布式资源的虚拟储能模型的时间耦合功率可行域;
根据所述时间耦合功率可行域,利用闵可夫斯基和方法,确定聚合高维可行域;
利用内嵌超盒方法,对所述聚合高维可行域进行降维解耦,得到解耦降维后的功率可行域。
6.根据权利要求1所述的虚拟电厂调峰优化调度方法,其特征在于,所述调峰优化调度双目标调度模型为其中,/>为条件风险值的离散表达式;b为损失函数阈值;L为随机变量离散化的分段数;α为设定置信水平;/>为在参与调峰电力市场后的电氢交互的虚拟电厂在t时刻的向上调节能力;/>为调度前电氢交互的虚拟电厂在设定置信水平α下的总运行功率;/>为在置信度α下t时刻的虚拟电厂最大评估功率;/>为在置信度α下t时刻的虚拟电厂最小评估功率;/>为参与调峰电力市场后的电氢交互的虚拟电厂在t时刻的向下调节能力;zl=[f(x,yl)-b]+,(l=1,2,…,L);f(x,yl)为离散化的损失函数。
7.一种虚拟电厂调峰优化调度系统,其特征在于,包括:
储能模型建立模块,用于建立虚拟电厂的分布式资源的虚拟储能模型;所述分布式资源的虚拟储能模型包括电动汽车的虚拟储能模型、空调系统的虚拟储能模型和可再生能源供电的加氢站的虚拟储能模型;
可行域确定模块,用于利用闵可夫斯基和方法和内嵌超盒方法,确定所述分布式资源的虚拟储能模型的解耦降维后的功率可行域;其中,所述内嵌超盒方法为在高维的聚合多边体内找到最大内接长方体,使用最大内接长方体代表高维多面体;
调度模型建立模块,用于基于所述分布式资源的虚拟储能模型的解耦降维后的功率可行域,建立调峰优化调度双目标调度模型;
调度模块,用于利用McCormick包络法对所述调峰优化调度双目标调度模型进行求解,确定所述分布式资源的最优解,以根据所述最优解对所述虚拟电厂进行优化调度;所述最优解为所述分布式资源的功率值。
8.一种电子设备,其特征在于,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-6任一项所述的虚拟电厂调峰优化调度方法。
9.一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1-6任一项所述的虚拟电厂调峰优化调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311496183.6A CN117477557A (zh) | 2023-11-10 | 2023-11-10 | 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311496183.6A CN117477557A (zh) | 2023-11-10 | 2023-11-10 | 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117477557A true CN117477557A (zh) | 2024-01-30 |
Family
ID=89623577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311496183.6A Pending CN117477557A (zh) | 2023-11-10 | 2023-11-10 | 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117477557A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674141A (zh) * | 2024-01-31 | 2024-03-08 | 国网上海能源互联网研究院有限公司 | 一种虚拟电厂集群双层低碳经济调度方法和装置 |
CN117791627A (zh) * | 2024-02-26 | 2024-03-29 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
-
2023
- 2023-11-10 CN CN202311496183.6A patent/CN117477557A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674141A (zh) * | 2024-01-31 | 2024-03-08 | 国网上海能源互联网研究院有限公司 | 一种虚拟电厂集群双层低碳经济调度方法和装置 |
CN117674141B (zh) * | 2024-01-31 | 2024-04-16 | 国网上海能源互联网研究院有限公司 | 一种虚拟电厂集群双层低碳经济调度方法和装置 |
CN117791627A (zh) * | 2024-02-26 | 2024-03-29 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
CN117791627B (zh) * | 2024-02-26 | 2024-05-14 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Data-driven distributionally robust scheduling of community integrated energy systems with uncertain renewable generations considering integrated demand response | |
Wei et al. | Planning integrated energy systems coupling V2G as a flexible storage | |
Ju et al. | A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion | |
Jiao et al. | Online optimal dispatch based on combined robust and stochastic model predictive control for a microgrid including EV charging station | |
CN117477557A (zh) | 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 | |
Wang et al. | Optimal scheduling of micro-energy grid with integrated demand response based on chance-constrained programming | |
Wang et al. | Optimal coordination control strategy of hybrid energy storage systems for tie-line smoothing services in integrated community energy systems | |
Lu et al. | Multi-objective optimization of combined cooling, heating and power system considering the collaboration of thermal energy storage with load uncertainties | |
Wang et al. | Scenario analysis, management, and optimization of a new Vehicle-to-Micro-Grid (V2μG) network based on off-grid renewable building energy systems | |
Huang et al. | A mixed integer optimization method with double penalties for the complete consumption of renewable energy in distributed energy systems | |
Chen et al. | A two-stage robust optimization model for a virtual power plant considering responsiveness-based electric vehicle aggregation | |
Yusuf et al. | A comprehensive optimization solution for buildings with distributed energy resources and V2G operation in smart grid applications | |
Zhou et al. | Optimal scheduling of integrated energy system for low carbon considering combined weights | |
CN115912342A (zh) | 基于云模型的区域柔性负荷低碳调度方法 | |
CN114362218B (zh) | 基于深度q学习的微电网内多类型储能的调度方法及装置 | |
Jiang et al. | Two-stage joint optimal scheduling of a distribution network with integrated energy systems | |
Si et al. | Cost-effective operation of the urban energy system with variable supply and demand via coordination of multi-energy flows | |
Wang et al. | Distributionally robust optimal scheduling of integrated energy systems including hydrogen fuel cells considering uncertainties | |
Ried et al. | Aggregating load shifting potentials of electric vehicles for energy system models | |
Chen et al. | Techno-economic comparison of cooling storage and battery for electricity flexibility at long and short timescales in buildings | |
Lu et al. | Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties | |
Busisiwe et al. | A fuzzy logic based residential electrical energy optimisation system based on time of use tariffs | |
Wang et al. | Day-ahead economic optimization scheduling model for electricity–hydrogen collaboration market | |
CN117332989A (zh) | 一种区域综合能源系统削峰填谷方法 | |
Qiu et al. | Multi-objective optimal sizing for grid-connected LVDC system with consideration of demand response of electric vehicles |
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 |