CN117526315B - 多能源微电网系统的优化配置方法及装置 - Google Patents
多能源微电网系统的优化配置方法及装置 Download PDFInfo
- Publication number
- CN117526315B CN117526315B CN202311845802.8A CN202311845802A CN117526315B CN 117526315 B CN117526315 B CN 117526315B CN 202311845802 A CN202311845802 A CN 202311845802A CN 117526315 B CN117526315 B CN 117526315B
- Authority
- CN
- China
- Prior art keywords
- representing
- capacity
- model
- scheduling period
- electric boiler
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004146 energy storage Methods 0.000 claims abstract description 77
- 230000007812 deficiency Effects 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 28
- 238000010248 power generation Methods 0.000 description 5
- 230000006735 deficit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及多能源微电网能量管理技术领域，提供一种多能源微电网系统的优化配置方法及装置，方法包括：构建电锅炉、蓄能装置和可再生能源发电机组的不确定性模型；构建变压器的不确定性模型；根据变压器的不确定性模型构建系统的容量不足期望模型；构建系统所需容量的数学模型，数学模型包括目标函数和约束模型；以目标函数最小化为优化目标、以约束模型为约束条件对目标函数进行求解得到系统的最小需用容量；根据最小需用容量对系统的容量进行优化配置。由此，以多能源微电网系统所需容量最小为目标对系统进行优化配置，可以在保证系统供能稳定性和可靠性的同时减少能源浪费，降低成本。
Description
技术领域
本发明涉及多能源微电网能量管理技术领域，具体涉及一种多能源微电网系统的优化配置方法和一种多能源微电网系统的优化配置装置。
背景技术
多能源微电网系统是由分布式电源(如太阳能、风能发电等可再生能源)、负荷、储能等设备组成的可以独立运行的发电系统，可提高能源利用效率，实现可再生能源规模化开发，因此对多能源微电网系统的能量管理极其重要。
相关技术中，通常仅从经济性即成本最优角度对多能源微电网系统进行能量管理，不能保证系统供能的稳定性和可靠性。
发明内容
本发明为解决上述技术问题，提出了如下技术方案。
本发明第一方面实施例提出了一种多能源微电网系统的优化配置方法，所述多能源微电网系统包括电锅炉、蓄能装置、可再生能源发电机组和变压器，所述方法包括以下步骤：构建所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型；基于所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型，构建所述变压器的不确定性模型；根据所述变压器的不确定性模型构建系统的容量不足期望模型；根据所述系统的容量不足期望模型、所述电锅炉的不确定性模型和所述蓄能装置的不确定性模型，构建系统所需容量的数学模型，所述数学模型包括目标函数和约束模型；以所述目标函数最小化为优化目标、以所述约束模型为约束条件对所述目标函数进行求解得到所述系统的最小需用容量；根据所述最小需用容量对所述系统的容量进行优化配置。
另外，根据本发明上述实施例的多能源微电网系统的优化配置方法还可以具有如下附加的技术特征。
根据本发明的一个实施例，所述电锅炉的不确定性模型为：
其中，和/>分别表示t调度时段电锅炉功率的期望值和预测值，/>表示t调度时段电锅炉的功率预测误差，/>表示t调度时段电锅炉的功率预测误差的方差，/>为预测精度系数。
根据本发明的一个实施例，所述蓄能装置的不确定性模型为：
其中，和/>分别表示t调度时段蓄能装置负荷的期望值和预测值，/>表示t调度时段蓄能装置的负荷预测误差，/>表示t调度时段蓄能装置的负荷预测误差的方差，/>为预测精度系数。
根据本发明的一个实施例，所述可再生能源发电机组包括光伏和空气源热泵，
所述光伏的不确定性模型为：
其中，和/>分别表示t调度时段光伏出力的期望值和预测值，/>表示t调度时段光伏的出力预测误差，/>表示t调度时段光伏的出力预测误差的方差；
所述空气源热泵的不确定性模型为：
其中，和/>分别表示t调度时段空气源热泵出力的期望值和预测值，/>表示t调度时段空气源热泵的出力预测误差，/>表示t调度时段空气源热泵的出力预测误差的方差。
根据本发明的一个实施例，所述变压器的不确定性模型为：
其中，t表示t调度时段，T表示调度时段的集合，和/>分别表示t调度时段变压器容量的期望值和预测值，/>表示t调度时段电锅炉功率的预测值，/>表示t调度时段蓄能装置负荷的预测值，/>表示t调度时段光伏出力的预测值，/>表示t调度时段空气源热泵出力的预测值，/>表示t调度时段的变压器容量预测误差；/>表示t调度时段的变压器容量预测误差的方差，M表示将变压器容量预测误差离散为M个偶数分段，m表示第m个偶数分段；表示t调度时段电锅炉的功率预测误差的方差，/>表示t调度时段蓄能装置的负荷预测误差的方差，/>表示t调度时段光伏的出力预测误差的方差，/>表示t调度时段空气源热泵的出力预测误差的方差，/>表示电锅炉的惯性权重，/>表示初始惯性权重。
根据本发明的一个实施例，所述系统的容量不足期望模型为：
其中，LBE为t调度时段系统的容量不足期望值，表示t调度时段的变压器容量预测误差，/>表示系统在t调度时段的可供容量，/>和/>分别表示在t调度时段运转中可再生能源发电机组和可用未运转可再生能源发电机组的集合，/>表示运转中可再生能源发电机组i在t调度时段的最大出力值，/>表示运转中可再生能源发电机组i在t调度时段的实际出力值，/>表示可用未运转机组j在t调度时段的最大出力值。
根据本发明的一个实施例，所述目标函数为：
其中，MRC表示目标函数，t表示调度时段，T表示调度时段的集合，为t调度时段电锅炉功率的期望值，/>为t调度时段蓄能装置负荷的期望值，LBE为t调度时段系统的容量不足期望值。
根据本发明的一个实施例，所述约束模型包括系统功率平衡约束模型、系统可供容量约束模型和潮流约束模型。
根据本发明的一个实施例，所述系统功率平衡约束模型为：
其中，表示t调度时段公共电网出力的期望值，/>表示t调度时段光伏出力的期望值，/>表示t调度时段空气源热泵出力的期望值，/>表示t调度时段电锅炉功率的期望值，/>为t调度时段蓄能装置负荷的期望值，G、PV、R、D和Q分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置，W1、W2、W3、W4和W5分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置的集合，
所述系统可供容量约束模型为：
其中，表示系统在t调度时段的可供容量，N表示系统可再生能源发电机组数量，和/>分别表示第n个可再生能源发电机组的最大出力值和额定出力值，
所述潮流约束模型为：
其中，、/>、/>、/>和/>分别为线路l上公共电网、光伏、空气源热泵、电锅炉和蓄能装置的功率转移分布因子矩阵，/>为线路l的额定传输容量。
本发明第二方面实施例提出了一种多能源微电网系统的优化配置装置，所述多能源微电网系统包括电锅炉、蓄能装置、可再生能源发电机组和变压器，所述装置包括：第一构建模块，用于构建所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型；第二构建模块，用于基于所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型，构建所述变压器的不确定性模型；第三构建模块，用于根据所述变压器的不确定性模型构建系统的容量不足期望模型；第四构建模块，用于根据所述系统的容量不足期望模型、所述电锅炉的不确定性模型和所述蓄能装置的不确定性模型，构建系统所需容量的数学模型，所述数学模型包括目标函数和约束模型；求解模块，用于以所述目标函数最小化为优化目标、以所述约束模型为约束条件对所述目标函数进行求解得到所述系统的最小需用容量；配置模块，用于根据所述最小需用容量对所述系统的容量进行优化配置。
本发明实施例的技术方案，首先，构建电锅炉、蓄能装置和可再生能源发电机组的不确定性模型，据此构建变压器的不确定性模型，然后根据变压器的不确定性模型构建系统的容量不足期望模型，构建系统所需容量的数学模型，该数学模型包括目标函数和约束模型，最后以目标函数最小化为优化目标、以约束模型为约束条件对目标函数进行求解得到系统的最小需用容量；根据最小需用容量对系统的容量进行优化配置。由此，以多能源微电网系统所需容量最小为目标对系统进行优化配置，可以在保证系统供能的稳定性和可靠性的同时减少能源浪费，降低成本。
附图说明
图1为本发明实施例的多能源微电网系统的优化配置方法的流程图。
图2为本发明实施例的多能源微电网系统的优化配置装置的方框示意图。
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。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。
本发明实施例将电锅炉应用到多能源微电网系统中，利用低廉的谷电、以及光伏风电等新能源，通过电锅炉将电能转化为热能并存储在蓄热器中，实现电热负荷的转换。
本发明实施例的多能源微电网系统包括电锅炉、蓄能装置、可再生能源发电机组和变压器。其中，蓄能装置包括蓄电池、蓄热器和蓄冷器，可再生能源发电机组包括光伏和空气源热泵。
图1为本发明实施例的多能源微电网系统的优化配置方法的流程图。
如图1所示，该多能源微电网系统的优化配置方法包括以下步骤S1至S6。
S1，构建电锅炉、蓄能装置和可再生能源发电机组的不确定性模型。
具体地，可基于电锅炉（比如电蒸汽锅炉）、蓄能装置和可再生能源发电机组的能源特性及不确定性因素构建其功率或出力的不确定性模型，不确定性模型表征功率或出力期望值与预测值之间因不确定性因素带来的关系。
S2，基于电锅炉、蓄能装置和可再生能源发电机组的不确定性模型，构建变压器的不确定性模型。
其中，变压器的不确定性模型表征变压器容量期望值与预测值之间的关系，变压器容量为系统负荷减去发电机组出力的值，即需要由公共电网进行平衡的负荷值。
S3，根据变压器的不确定性模型构建系统的容量不足期望模型。
具体地，根据变压器容量的不确定性模型构建多能源微电网系统的容量不足期望模型，容量不足期望模型表征系统可供容量是否能够应对或满足系统不确定性因素，如果能够应对，则无需增加系统容量，如果不能应对，则需要增加系统容量以达到平衡。
S4，根据系统的容量不足期望模型、电锅炉的不确定性模型和蓄能装置的不确定性模型，构建系统所需容量的数学模型，数学模型包括目标函数和约束模型。
具体地，目标函数表征系统所需的容量，其包括容量不足期望模型、电锅炉的不确定性模型和蓄能装置的不确定性模型，约束模型包括功率平衡约束模型、系统可供容量约束模型和潮流约束模型。
S5，以目标函数最小化为优化目标、以约束模型为约束条件对目标函数进行求解得到系统的最小需用容量。
具体地，可采用任何可行算法比如粒子群算法、遗传算法和/或模拟退火算法，以系统所需最小容量为优化目标、以约束模型为约束条件，对目标函数进行求解，以得到整个调度时段比如一年内系统的最小需用容量。
S6，根据最小需用容量对系统的容量进行优化配置。
具体地，在得到系统的最小需用容量后，据此可对系统相应设备比如发电机组和变压器的容量进行优化配置，可以在保证系统供能稳定性和可靠性的同时，将系统的需用容量降到最低，以减少能源浪费，达到节能的效果。
本发明实施例从能源性、节能性方面考虑电锅炉、蓄能装置、发电机组和变压器分别对多能源微电网系统供能的影响，据此进行优化配置得到系统最小需用容量的优化配置方案，最后根据优化配置方案对相应设备容量进行优化配置，达到减少能源浪费、系统稳定、可靠运行的目的。
由此，以多能源微电网系统所需容量最小为目标对系统进行优化配置，可以在保证系统供能的稳定性和可靠性的同时减少能源浪费，降低成本。
在本发明的一个实施例中，电锅炉的不确定性模型为：
其中，和/>分别表示t调度时段电锅炉功率的期望值和预测值，/>表示t调度时段电锅炉的功率预测误差，/>表示t调度时段电锅炉的功率预测误差的方差，电锅炉的功率预测误差的方差/>可以服从泊松分布，/>为预测精度系数。
在本发明的一个实施例中，蓄能装置的不确定性模型为：
其中，和/>分别表示t调度时段蓄能装置负荷的期望值和预测值，/>表示t调度时段蓄能装置的负荷预测误差，/>表示t调度时段蓄能装置的负荷预测误差的方差，蓄能装置的负荷预测误差的方差/>可以服从泊松分布，/>为预测精度系数。
在本发明的一个实施例中，可再生能源发电机组包括光伏和空气源热泵。空气源热泵通过获取空气中的热能制冷制热，具有安全性高、高效、节能环保等优点。
光伏的不确定性模型为：
其中，和/>分别表示t调度时段光伏出力的期望值和预测值，/>表示t调度时段光伏的出力预测误差，/>表示t调度时段光伏的出力预测误差的方差，光伏的出力预测误差的方差/>可以服从泊松分布。
空气源热泵的不确定性模型为：
其中，和/>分别表示t调度时段空气源热泵出力的期望值和预测值，/>表示t调度时段空气源热泵的出力预测误差，/>表示t调度时段空气源热泵的出力预测误差的方差，空气源热泵的出力预测误差的方差/>可以服从泊松分布。
在本发明的一个实施例中，变压器的不确定性模型为：
其中，t表示t调度时段，T表示调度时段的集合，和/>分别表示t调度时段变压器容量的期望值和预测值，/>表示t调度时段电锅炉功率的预测值，/>表示t调度时段蓄能装置负荷的预测值，/>表示t调度时段光伏出力的预测值，/>表示t调度时段空气源热泵出力的预测值，/>表示t调度时段的变压器容量预测误差；/>表示t调度时段的变压器容量预测误差的方差，M表示将变压器容量预测误差离散为M个偶数分段，m表示第m个偶数分段；表示t调度时段电锅炉的功率预测误差的方差，/>表示t调度时段蓄能装置的负荷预测误差的方差，/>表示t调度时段光伏的出力预测误差的方差，/>表示t调度时段空气源热泵的出力预测误差的方差，/>表示电锅炉的惯性权重，/>表示初始惯性权重，一般取0.5。
随着时段t的改变，电锅炉的负荷也在变化，因此为了更好地形容电锅炉功率对变压器容量的影响，在计算变压器容量预测误差的方差时，在电锅炉预测误差的方差上加入惯性权重，以考虑电锅炉功率对变压器容量的影响。
为了方便计算，将变压器容量预测误差离散为M个偶数分段，每个分段的宽度为变压器预测误差的方差，以每个分段的中间值作为该分段的预测误差，于是变压器容量预测误差为：
。
在本发明的一个实施例中，系统的容量不足期望模型为：
其中，LBE为t调度时段系统的容量不足期望值，表示t调度时段的变压器容量预测误差，/>表示系统在t调度时段的可供容量，/>和/>分别表示在t调度时段运转中可再生能源发电机组（处于运转状态的可再生能源发电机组）和可用未运转可再生能源发电机组（可用但是未运转状态的可再生能源发电机组）的集合，/>表示运转中可再生能源发电机组i在t调度时段的最大出力值，/>表示运转中可再生能源发电机组i在t调度时段的实际出力值，/>表示可用未运转机组j在t调度时段的最大出力值。
当系统负荷期望值大于系统负荷预测值与系统可供容量的和值时，需要增加系统容量以使系统的供需达到平衡，根据时段t中系统的运行情况，可通过上式计算该时段下整个系统的可供容量，然后通过上式计算t调度时段系统的容量不足期望值LBE，若LBE≤0，说明该场景中，系统可供容量能够应对系统中的不确定性因素；若LBE＞0，说明该场景中，系统可供容量不足以应对系统中的不确定性因素，需要增加系统容量以达到平衡。
在本发明的一个实施例中，系统所需容量的目标函数为：
其中，MRC表示目标函数，t表示调度时段，T表示调度时段的集合，为t调度时段电锅炉功率的期望值，/>为t调度时段蓄能装置负荷的期望值，LBE为t调度时段系统的容量不足期望值。
对该目标函数的最小值进行求解得到系统的最小需用容量，根据该最小需用容量对多能源微电网系统的容量进行配置，使系统运行于最小需用容量模式，使保证系统供能稳定性和可靠性的同时，将需用容量降到最低，从而降低成本，减少能源浪费。
在一个示例中，约束模型包括系统功率平衡约束模型、系统可供容量约束模型和潮流约束模型。
系统功率平衡约束模型为：
其中，表示t调度时段公共电网出力的期望值，/>表示t调度时段光伏出力的期望值，/>表示t调度时段空气源热泵出力的期望值，/>表示t调度时段电锅炉功率的期望值，/>为t调度时段蓄能装置负荷的期望值，G、PV、R、D和Q分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置，W1、W2、W3、W4和W5分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置的集合，
系统可供容量约束模型为：
其中，表示系统在t调度时段的可供容量，N表示系统可再生能源发电机组数量，和/>分别表示第n个可再生能源发电机组的最大出力值和额定出力值，
潮流约束模型为：
其中，、/>、/>、/>和/>分别为线路l上公共电网、光伏、空气源热泵、电锅炉和蓄能装置的功率转移分布因子矩阵，/>为线路l的额定传输容量。
本发明实施例基于电、热、冷的多元负荷需求，保证多能源微电网系统的稳定、可靠运行，以系统所需的最小需用容量为优化目标，对其进行优化配置。
具体而言，以T为一年，t为一小时，即以一年为时间单位进行优化求解，对于优化配置的时间尺度，时间尺度为分钟级的计算量巨大，若时间间隔更大，则可能导致求解结果不够准确，因此以1小时为调度时段，每1小时的运行计划不同，以此为基础运行并进行容量的优化配置。
具体求解过程如下：
第1步：根据约束模型对各设备的配置参数进行初始化；
第2步：以一年为运行时长，以一小时为调度时段，并采用粒子群算法对目标函数进行优化求解，以得到系统一年内所需的最小需用容量；
第3步：判断求解的最小需用容量是否为最优的最小需用容量或者是否达到迭代终止条件，若是，则执行下一步；若否，则改变配置参数，返回第2步；
第4步：根据最优的最小需用容量对系统的容量进行优化配置，比如增加或降低系统容量，以及系统各设备的容量分配等。
综上所述，本发明实施例基于容量最小指标对多能源微电网系统的容量进行优化配置，可以在保证系统供能稳定性和可靠性的同时，减少能源浪费，降低成本。
对应上述实施例的多能源微电网系统的优化配置方法，本发明还提出一种多能源微电网系统的优化配置装置。
图2为本发明实施例的多能源微电网系统的优化配置装置的方框示意图。
本发明实施例的多能源微电网系统包括电锅炉、蓄能装置、可再生能源发电机组和变压器。其中，蓄能装置包括蓄电池、蓄热器和蓄冷器，可再生能源发电机组包括光伏和空气源热泵。
如图2所示，该多能源微电网系统的优化配置装置包括：第一构建模块10、第二构建模块20、第三构建模块30、第四构建模块40、求解模块50和配置模块60。
其中，第一构建模块10用于构建所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型；第二构建模块20用于基于所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型，构建所述变压器的不确定性模型；第三构建模块30用于根据所述变压器的不确定性模型构建系统的容量不足期望模型；第四构建模块40用于根据所述系统的容量不足期望模型、所述电锅炉的不确定性模型和所述蓄能装置的不确定性模型，构建系统所需容量的数学模型，所述数学模型包括目标函数和约束模型；求解模块50用于以所述目标函数最小化为优化目标、以所述约束模型为约束条件对所述目标函数进行求解得到所述系统的最小需用容量；配置模块60用于根据所述最小需用容量对所述系统的容量进行优化配置。
在本发明的一个实施例中，所述电锅炉的不确定性模型为：
其中，和/>分别表示t调度时段电锅炉功率的期望值和预测值，/>表示t调度时段电锅炉的功率预测误差，/>表示t调度时段电锅炉的功率预测误差的方差，/>为预测精度系数。
在本发明的一个实施例中，所述蓄能装置的不确定性模型为：
其中，和/>分别表示t调度时段蓄能装置负荷的期望值和预测值，/>表示t调度时段蓄能装置的负荷预测误差，/>表示t调度时段蓄能装置的负荷预测误差的方差，/>为预测精度系数。
在本发明的一个实施例中，所述可再生能源发电机组包括光伏和空气源热泵。
所述光伏的不确定性模型为：
其中，和/>分别表示t调度时段光伏出力的期望值和预测值，/>表示t调度时段光伏的出力预测误差，/>表示t调度时段光伏的出力预测误差的方差；
所述空气源热泵的不确定性模型为：
其中，和/>分别表示t调度时段空气源热泵出力的期望值和预测值，/>表示t调度时段空气源热泵的出力预测误差，/>表示t调度时段空气源热泵的出力预测误差的方差。
在本发明的一个实施例中，所述变压器的不确定性模型为：
其中，t表示t调度时段，T表示调度时段的集合，和/>分别表示t调度时段变压器容量的期望值和预测值，/>表示t调度时段电锅炉功率的预测值，/>表示t调度时段蓄能装置负荷的预测值，/>表示t调度时段光伏出力的预测值，/>表示t调度时段空气源热泵出力的预测值，/>表示t调度时段的变压器容量预测误差；/>表示t调度时段的变压器容量预测误差的方差，M表示将变压器容量预测误差离散为M个偶数分段，m表示第m个偶数分段；表示t调度时段电锅炉的功率预测误差的方差，/>表示t调度时段蓄能装置的负荷预测误差的方差，/>表示t调度时段光伏的出力预测误差的方差，/>表示t调度时段空气源热泵的出力预测误差的方差，/>表示电锅炉的惯性权重，/>表示初始惯性权重。
在本发明的一个实施例中，所述系统的容量不足期望模型为：
其中，LBE为t调度时段系统的容量不足期望值，表示t调度时段的变压器容量预测误差，/>表示系统在t调度时段的可供容量，/>和/>分别表示在t调度时段运转中可再生能源发电机组和可用未运转可再生能源发电机组的集合，/>表示运转中可再生能源发电机组i在t调度时段的最大出力值，/>表示运转中可再生能源发电机组i在t调度时段的实际出力值，/>表示可用未运转机组j在t调度时段的最大出力值。
在本发明的一个实施例中，所述目标函数为：
其中，MRC表示目标函数，t表示调度时段，T表示调度时段的集合，为t调度时段电锅炉功率的期望值，/>为t调度时段蓄能装置负荷的期望值，LBE为t调度时段系统的容量不足期望值。
在本发明的一个实施例中，所述约束模型包括系统功率平衡约束模型、系统可供容量约束和潮流约束模型。
在本发明的一个实施例中，所述系统功率平衡约束模型为：
其中，表示t调度时段公共电网出力的期望值，/>表示t调度时段光伏出力的期望值，/>表示t调度时段空气源热泵出力的期望值，/>表示t调度时段电锅炉功率的期望值，/>为t调度时段蓄能装置负荷的期望值，G、PV、R、D和Q分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置，W1、W2、W3、W4和W5分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置的集合，所述系统可供容量约束模型为：
其中，表示系统在t调度时段的可供容量，N表示系统可再生能源发电机组数量，和/>分别表示第n个可再生能源发电机组的最大出力值和额定出力值，
所述潮流约束模型为：
其中，、/>、/>、/>和/>分别为线路l上公共电网、光伏、空气源热泵、电锅炉和蓄能装置的功率转移分布因子矩阵，/>为线路l的额定传输容量。
需要说明的是，该多能源微电网系统的优化配置装置的具体实施方式及实施原理可参见上述多能源微电网系统的优化配置方法的具体实施方式，为避免冗余，此处不再详细赘述。
本发明实施例的多能源微电网系统的优化配置装置，以多能源微电网系统所需容量最小为目标对系统进行优化配置，可以在保证系统供能的稳定性和可靠性的同时减少能源浪费，降低成本。
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。
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。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
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 (4)
1.一种多能源微电网系统的优化配置方法，其特征在于，所述多能源微电网系统包括电锅炉、蓄能装置、可再生能源发电机组和变压器，所述方法包括以下步骤：
构建所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型；
基于所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型，构建所述变压器的不确定性模型；
根据所述变压器的不确定性模型构建系统的容量不足期望模型；
根据所述系统的容量不足期望模型、所述电锅炉的不确定性模型和所述蓄能装置的不确定性模型，构建系统所需容量的数学模型，所述数学模型包括目标函数和约束模型；
以所述目标函数最小化为优化目标、以所述约束模型为约束条件对所述目标函数进行求解得到所述系统的最小需用容量；
根据所述最小需用容量对所述系统的容量进行优化配置，
所述电锅炉的不确定性模型为：
，
，
其中，和/>分别表示t调度时段电锅炉功率的期望值和预测值，/>表示t调度时段电锅炉的功率预测误差，/>表示t调度时段电锅炉的功率预测误差的方差，/>为预测精度系数，
所述蓄能装置的不确定性模型为：
，
，
其中，和/>分别表示t调度时段蓄能装置负荷的期望值和预测值，/>表示t调度时段蓄能装置的负荷预测误差，/>表示t调度时段蓄能装置的负荷预测误差的方差，/>为预测精度系数，
所述可再生能源发电机组包括光伏和空气源热泵，
所述光伏的不确定性模型为：
，
，
其中，和/>分别表示t调度时段光伏出力的期望值和预测值，/>表示t调度时段光伏的出力预测误差，/>表示t调度时段光伏的出力预测误差的方差；
所述空气源热泵的不确定性模型为：
，
，
其中，和/>分别表示t调度时段空气源热泵出力的期望值和预测值，/>表示t调度时段空气源热泵的出力预测误差，/>表示t调度时段空气源热泵的出力预测误差的方差，
所述变压器的不确定性模型为：
，
，
，
，
其中，t表示t调度时段，T表示调度时段的集合，和/>分别表示t调度时段变压器容量的期望值和预测值，/>表示t调度时段电锅炉功率的预测值，/>表示t调度时段蓄能装置负荷的预测值，/>表示t调度时段光伏出力的预测值，/>表示t调度时段空气源热泵出力的预测值，/>表示t调度时段的变压器容量预测误差；/>表示t调度时段的变压器容量预测误差的方差，M表示将变压器容量预测误差离散为M个偶数分段，m表示第m个偶数分段；/>表示t调度时段电锅炉的功率预测误差的方差，/>表示t调度时段蓄能装置的负荷预测误差的方差，/>表示t调度时段光伏的出力预测误差的方差，/>表示t调度时段空气源热泵的出力预测误差的方差，/>表示电锅炉的惯性权重，/>表示初始惯性权重，
所述系统的容量不足期望模型为：
，
，
其中，LBE为t调度时段系统的容量不足期望值，表示t调度时段的变压器容量预测误差，/>表示系统在t调度时段的可供容量，/>和/>分别表示在t调度时段运转中可再生能源发电机组和可用未运转可再生能源发电机组的集合，/>表示运转中可再生能源发电机组i在t调度时段的最大出力值，/>表示运转中可再生能源发电机组i在t调度时段的实际出力值，/>表示可用未运转机组j在t调度时段的最大出力值，
所述目标函数为：
，
其中，MRC表示目标函数，t表示调度时段，T表示调度时段的集合，为t调度时段电锅炉功率的期望值，/>为t调度时段蓄能装置负荷的期望值，LBE为t调度时段系统的容量不足期望值。
2.根据权利要求1所述的多能源微电网系统的优化配置方法，其特征在于，所述约束模型包括系统功率平衡约束模型、系统可供容量约束模型和潮流约束模型。
3.根据权利要求2所述的多能源微电网系统的优化配置方法，其特征在于，所述系统功率平衡约束模型为：
，
其中，表示t调度时段公共电网出力的期望值，/>表示t调度时段光伏出力的期望值，/>表示t调度时段空气源热泵出力的期望值，/>表示t调度时段电锅炉功率的期望值，为t调度时段蓄能装置负荷的期望值，G、PV、R、D和Q分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置，W1、W2、W3、W4和W5分别表示公共电网、光伏、空气源热泵、电锅炉和蓄能装置的集合，
所述系统可供容量约束模型为：
，
其中，表示系统在t调度时段的可供容量，N表示系统可再生能源发电机组数量，/>和/>分别表示第n个可再生能源发电机组的最大出力值和额定出力值，
所述潮流约束模型为：
，
其中，、/>、/>、/>和/>分别为线路l上公共电网、光伏、空气源热泵、电锅炉和蓄能装置的功率转移分布因子矩阵，/>为线路l的额定传输容量。
4.一种根据如权利要求1所述的多能源微电网系统的优化配置方法的多能源微电网系统的优化配置装置，其特征在于，所述多能源微电网系统包括电锅炉、蓄能装置、可再生能源发电机组和变压器，所述装置包括：
第一构建模块，用于构建所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型；
第二构建模块，用于基于所述电锅炉、所述蓄能装置和所述可再生能源发电机组的不确定性模型，构建所述变压器的不确定性模型；
第三构建模块，用于根据所述变压器的不确定性模型构建系统的容量不足期望模型；
第四构建模块，用于根据所述系统的容量不足期望模型、所述电锅炉的不确定性模型和所述蓄能装置的不确定性模型，构建系统所需容量的数学模型，所述数学模型包括目标函数和约束模型；
求解模块，用于以所述目标函数最小化为优化目标、以所述约束模型为约束条件对所述目标函数进行求解得到所述系统的最小需用容量；
配置模块，用于根据所述最小需用容量对所述系统的容量进行优化配置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845802.8A CN117526315B (zh) | 2023-12-29 | 2023-12-29 | 多能源微电网系统的优化配置方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845802.8A CN117526315B (zh) | 2023-12-29 | 2023-12-29 | 多能源微电网系统的优化配置方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117526315A CN117526315A (zh) | 2024-02-06 |
| CN117526315B true CN117526315B (zh) | 2024-03-26 |
Family
ID=89762959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311845802.8A Active CN117526315B (zh) | 2023-12-29 | 2023-12-29 | 多能源微电网系统的优化配置方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117526315B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
| CN111815025A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 考虑风光与负荷不确定性综合能源系统柔性优化调度方法 |
| CN113690879A (zh) * | 2021-08-05 | 2021-11-23 | 燕山大学 | 考虑电-热柔性负荷的区域综合能源系统容量配置方法 |
| CN116432807A (zh) * | 2022-12-14 | 2023-07-14 | 华北电力大学 | 考虑耦合效应与不确定性的综合需求响应系统及其方法 |
-
2023
- 2023-12-29 CN CN202311845802.8A patent/CN117526315B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
| CN111815025A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 考虑风光与负荷不确定性综合能源系统柔性优化调度方法 |
| CN113690879A (zh) * | 2021-08-05 | 2021-11-23 | 燕山大学 | 考虑电-热柔性负荷的区域综合能源系统容量配置方法 |
| CN116432807A (zh) * | 2022-12-14 | 2023-07-14 | 华北电力大学 | 考虑耦合效应与不确定性的综合需求响应系统及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑可再生能源不确定性的综合能源系统优化调度方法;张鹏;王丹;贾宏杰;黄仁乐;杨占勇;;电气应用;20171005(第19期);38-43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117526315A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Optimal configuration planning of multi-energy systems considering distributed renewable energy | |
| Lu et al. | Short-term scheduling of battery in a grid-connected PV/battery system | |
| Ruusu et al. | Direct quantification of multiple-source energy flexibility in a residential building using a new model predictive high-level controller | |
| Sreeraj et al. | Design of isolated renewable hybrid power systems | |
| Ru et al. | Storage size determination for grid-connected photovoltaic systems | |
| CN110620402B (zh) | 电-气混联系统分布式规划运行联合优化方法及系统 | |
| Hooshmand et al. | Experimental demonstration of a tiered power management system for economic operation of grid-tied microgrids | |
| Wang et al. | Operational reliability evaluation of urban multi-energy systems with equivalent energy storage | |
| Ang et al. | Multi-objective optimization of hybrid renewable energy systems with urban building energy modeling for a prototypical coastal community | |
| Aldaouab et al. | Model predictive control energy dispatch to optimize renewable penetration for a microgrid with battery and thermal storage | |
| CN105279707A (zh) | 一种综合考虑负荷与风电时序特性的随机生产模拟方法 | |
| KR20200114424A (ko) | 이종 신재생 에너지원이 결합된 발전원 운영 방법 및 장치 | |
| CN114444850A (zh) | 基于数字孪生的园区储能规划方法、装置、设备和介质 | |
| CN114142461B (zh) | 考虑电网形态演变和结构发展的新能源差异化配置方法 | |
| Valibeygi et al. | Robust power scheduling for microgrids with uncertainty in renewable energy generation | |
| Peng et al. | Balancing stakeholder benefits: A many-objective optimal dispatch framework for home energy systems inspired by Maslow's Hierarchy of needs | |
| CN117526315B (zh) | 多能源微电网系统的优化配置方法及装置 | |
| Bruno et al. | Managing networked hybrid-energy systems: A predictive dispatch approach | |
| CN117013531A (zh) | 配电网的容量域评估方法 | |
| Saini et al. | Digital Twin of a commercial building microgrid: Economic & environmental sustainability analysis | |
| Zhuang et al. | Two-stage energy management for energy storage system by using stochastic model predictive control approach | |
| Bourry et al. | Simulation for the evaluation of energy management algorithms at the district level-Example of use case from the AMBASSADOR project | |
| JP7040693B1 (ja) | 電力制御システム、給電指令システム、および電力制御方法 | |
| Liu et al. | Energy management for households considering uncertainty in solar irradiance with various probability distribution | |
| Gong et al. | Economic dispatching strategy of double lead-acid battery packs considering various factors |
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 |