CN117578409A - 一种电力市场环境下的多能互补优化调度方法及系统 - Google Patents
一种电力市场环境下的多能互补优化调度方法及系统 Download PDFInfo
- Publication number
- CN117578409A CN117578409A CN202311523457.6A CN202311523457A CN117578409A CN 117578409 A CN117578409 A CN 117578409A CN 202311523457 A CN202311523457 A CN 202311523457A CN 117578409 A CN117578409 A CN 117578409A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- index
- load
- source network
- power
- 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 64
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 230000000295 complement effect Effects 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000004146 energy storage Methods 0.000 claims abstract description 39
- 238000010248 power generation Methods 0.000 claims abstract description 35
- 230000010152 pollination Effects 0.000 claims abstract description 27
- 240000002853 Nelumbo nucifera Species 0.000 claims abstract description 14
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims abstract description 14
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 230000010154 cross-pollination Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000005312 nonlinear dynamic Methods 0.000 claims description 13
- 230000010153 self-pollination Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 claims description 2
- 235000013809 polyvinylpolypyrrolidone Nutrition 0.000 claims description 2
- 229920000523 polyvinylpolypyrrolidone Polymers 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000037081 physical activity Effects 0.000 claims 1
- 239000002245 particle Substances 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000013598 vector Substances 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- H02J3/004—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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统运行调度技术领域,具体涉及一种电力市场环境下的多能互补优化调度方法及系统,包括:获取可再生能源发电量和负荷历史数据;构建预测模型;将可再生能源发电量和负荷历史数据输入到预测模型中,得到未来时段可再生能源发电量和负荷的数据;构建源网储能协同调度模型,将未来时段可再生能源发电量和负荷的数据输入到源网储能协同调度模型中,得到源网荷储协同调度的方案;采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验,得到最优的源网荷储协同调度的方案;本发明通过对正余弦算法进行优化,通过优化后的正余弦算法对粒子群算法进行优化,从而筛选出Bi‑LSTM网络的最优参数,提高了模型的预测准确率。
Description
技术领域
本发明属于电力系统运行调度技术领域,具体涉及一种电力市场环境下的多能互补优化调度方法及系统。
背景技术
目前,电力系统研究正面临着许多重要的挑战和机遇。一方面,全球对于可再生能源的需求不断增加,特别是高比例可再生能源的利用已经成为减少碳排放和应付气候变化的关键策略之一。这使得电力系统需要适应更加复杂的能源结构,包括风能和光能等不稳定的可再生能源。高比例可再生能源电力系统已成为我国乃至世界的必然趋势。由于风、光等能源的随机波动特性,电力系统不确定性激增,电网运行状态复杂多变,威胁电网可靠经济运行,甚至引发大停电事故。另一方面,电力电子技术的快速发展为电力系统的可靠性和效率提供了巨大潜力。高比例电力电子化意味着将更多的电力传输、分配和转换过程转变为基于电子器件和控制系统的方法,从而提高电力系统的灵活性和响应能力。然而,这种能源结构的变化和电力电子化带来了一系列新的挑战。其中最重要的一个问题就是:电力电量平衡。由于可再生能源的波动性,电力系统需要有效地管理电力供需平衡,以确保供电的稳定性和可靠性。传统的电力系统调度方法已经遇到瓶颈,迫切需要发展新的理论与技术。
发明内容
为解决以上现有技术存在的问题,本发明提出了一种电力市场环境下的多能互补优化调度方法,包括:
S1、获取可再生能源发电量和负荷历史数据;
S2、构建ISCA-Bi-LSTM预测模型;
S3、将可再生能源发电量和负荷历史数据输入到ISCA-Bi-LSTM预测模型中,得到未来时段可再生能源发电量和负荷的数据;
S4、构建源网储能协同调度模型,将未来时段可再生能源发电量和负荷的数据输入到源网储能协同调度模型中,得到源网荷储协同调度的方案;
S5、采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验,得到最优的源网荷储协同调度的方案。
一种电力市场环境下的多能互补优化调度系统,该系统采用分布区域控制模式,包括:预测网络、源网储能协同调度网络以及方案优化网络;
预测网络:实时获取可再生能源发电量和负荷历史数据,将可再生能源发电量和负荷历史数据输入到预测模型,得到未来时段可再生能源发电量和负荷的数据;
源网储能协同调度网络:获取综合评价指标,其中综合评价指标包括绿证证书交易价格指数、消纳责任权重指数、市场准入主体活跃指数、市场化交易规模指数、系统调峰灵活性评估指数和系统可再生能源渗透率指数;采用TOPSIS-CRITIC方法对综合评价指标进行电力市场可再生能源消纳评价,得到电力市场关键指标;基于可再生能源对应的虚拟电厂确定虚拟电厂在源网荷储协同调度中的影响因素;根据电力市场关键指标和影响因素构建源网储能协同调度模型;将未来时段可再生能源发电量和负荷的数据输入到源网储能协同调度模型中,得到源网荷储协同调度方案;
方案优化网络:将源网荷储协同调度方案输入到方案优化网络中,采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验;其中改进的花授粉优化算法为采用正弦非线性动态策略和柯西变异策略对花授粉优化算法进行优化;具体包括初始化授粉优化算法的参数;获取当前最优花粉,采用正弦非线性动态策略计算当前最优花粉的异花授粉和自花授粉的切换概率M1;设置阈值,当切换概率M1小于设置的阈值时,采用异花授粉策略,否则采用自花授粉策略。
本发明的有益效果:
本发明通过非线性控制参数、平衡因子以及精英导航策略对正余弦算法进行优化,通过优化后的正余弦算法对粒子群算法进行优化,从而筛选出Bi-LSTM网络的最优参数,并通过最优参数得到ISCA-Bi-LSTM预测模型,从而提高了模型的预测准确率;本发明通过对电力市场的综合评价指标进行分析,确定电力市场关键指标,并基于可再生能源对应的虚拟电厂确定虚拟电厂在源网荷储协同调度中的影响因素构建源网储能协同调度模型,通过源网储能协同调度模型确定调度方案,采用改进后的花授粉优化算法对源网荷储协同调度的方案进行筛选,从而得到最优的调度方案;本发明采用正弦非线性动态策略和柯西变异策略对花授粉优化算法进行优化,提高了算法的准确度。
附图说明
图1为本发明的构建ISCA-Bi-LSTM预测模型的流程图;
图2为本发明的构建源网储能协同调度模型的流程图;
图3为本发明的采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验的流程图;
图4为本发明的整体流程图;
图5为本发明的Bi-LSTM网络结构图。
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。
一种电力市场环境下的多能互补优化调度方法,如图4所示,该方法包括:
S1、获取可再生能源发电量和负荷历史数据;
S2、构建ISCA-Bi-LSTM预测模型;
S3、将可再生能源发电量和负荷历史数据输入到ISCA-Bi-LSTM预测模型中,得到未来时段可再生能源发电量和负荷的数据;
S4、构建源网储能协同调度模型,将未来时段可再生能源发电量和负荷的数据输入到源网储能协同调度模型中,得到源网荷储协同调度的方案;
S5、采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验,得到最优的源网荷储协同调度的方案。
在本实施例中,构建ISCA-Bi-LSTM预测模型包括:引入非线性控制参数、平衡因子以及精英导航策略对标准的正余弦算法进行改进,利用改进的正余弦算法对双向长短期记忆神经网络的隐含单元数,学习率和训练迭代次数进行优化预测,最终构建ISCA-Bi-LSTM预测模型,然后将可再生能源发电和负荷的历史数据作为预测模型的输入,输出未来时段可再生能源发电和负荷的数据。
由于LSTM只能进行单向预测,Bi-LSTM是改进LSTM只能单向预测的问题,Bi-LSTM包括两个LSTM网络,这两个网络之间没有联系,对输入的数据序列进行正向和反向的提取特征向量,在LSTM网络只能从时间正序的数据流向基础上,增加了从时间逆序的数据流向,且两个LSTM是独立的,隐藏层也是独立的,所以Bi-LSTM可以对时间序列预测的准确度进行提高。Bi-LSTM网络结构图如图5所示;在Bi-LSTM结构图中可以看到,在水平方向上与LSTM中的单元进行比较可以看出在当前时间与前一时间和之后时间的状态对当前时间单元细胞的影响,在垂直方向上为单向的信息流动。
在正余弦优化算法中会生成多个初始随机候选解,并使它们基于正弦和余弦的数学模型向外波动或向最优解的方向波动。利用多个随机变量和自适应变量来计算当前解的位置,进而可以搜索空间中的不同区域。具体更新方程的描述如下:
其中,X是当前个体的位置;r2是0到2π的随机数;r3是0到2的随机数;r4是0到1的随机数;P是当前个体的最优位置。
其中,a是一个常数;k是当前迭代次数;kmax是最大迭代次数。
通过SCA种群更新模型分析,在整个寻优迭代过程中,搜索个体的位置更新对于搜索个体本身位置的依赖程度始终不变,导致个体在寻优前期的全局搜索能力不强。种群在整个迭代过程中主要受当前最优解的影响,致使迭代后期种群多样性急剧下降,易于陷入局部最优,出现早熟收敛现象。
在本实施例中,采用三个策略对标准SCA进行改进,三个策略包括:非线性控制参数、平衡因子以及精英导航策略。
非线性控制参数ω用于调节种群迭代过程中搜索个体本身位置的依赖,以此提高算法的全局搜索能力。迭代前期,搜索个体的位置更新应该减少对本身位置的依赖;迭代后期搜索个体的位置应该提高对本身位置和最优位置的依赖程度。非线性控制参数为:
平衡因子来改变全局搜索和局部开发的比重,来实现更好的寻优策略。平衡因子为:
τ=0.6-0.1×(kmax-k)/kmax
为了增加种群的多样性,在全局最优解附近加入正态分布的随机数。精英导航策略为:
Xk=G+0.001×randn(1,Nsample)
其中,a为常数;k是当前迭代次数;kmax为最大迭代次数;G是全局最优解;Nsample是个体总数。
优化后的正余弦算法表达式为:
其中,X为当前个体的位置;r2为0到2π的随机数;r3是0到2的随机数;P是当前个体的最优位置,Xk表示精英导航策略,τ表示平衡因子,ω为非线性控制参数。
如图1所示,构建ISCA-Bi-LSTM预测模型的具有步骤为:
S21、获取历史可再生能源发电量和负荷数据,并对数据进行预处理;
S22、构建Bi-LSTM网络,初始化网络超参数,其中超参数包括Bi-LSTM网络的隐含单元数、学习率以及迭代次数;
S23、将隐含单元数、学习率以及迭代次数作为一个种群的个体;
S24、构建正余弦算法,采用非线性控制参数、平衡因子以及精英导航策略对正余弦算法进行优化;
S25、采用优化后的正余弦算法对种群进行寻优,得到下一代种群;
S26、根据预处理后的数据构建适应度函数,并计算种群中各个个体的适应度函数值;将预测模型的MAPE值作为适应度函数,其表达式为:
其中,表示预测值;yi表示真实值;n为负荷预测的次数。
S27、比较各个种群个体的适应度函数值,选取种群个体最优位置和全局最优位置,更新最优的适应度值;迭代次数加1;
S28、判断当前迭代次数是否达到最大迭代次数,若达到最大迭代次数,则将个体最优位置和全局最优位置传输给Bi-LSTM网络,得到ISCA-Bi-LSTM预测模型;否则返回步骤S25。
如图2所示,构建源网储能协同调度模型包括:获取综合评价指标,其中综合评价指标包括绿证证书交易价格指数、消纳责任权重指数、市场准入主体活跃指数、市场化交易规模指数、系统调峰灵活性评估指数和系统可再生能源渗透率指数;采用TOPSIS-CRITIC方法对综合评价指标进行电力市场可再生能源消纳评价,得到电力市场关键指标;基于可再生能源对应的虚拟电厂确定虚拟电厂在源网荷储协同调度中的影响因素,其中影响因素包括虚拟电厂的有功功率报价和无功功率报价;根据电力市场关键指标和影响因素构建源网储能协同调度模型。
绿色证书交易价格指数受多种因素共同作用,如碳市场价格、可再生能源的需求与产出、补贴、市场竞争和政策即配额制的变化影响。绿色证书交易价格指数公式为:
其中,Qprice为绿色证书交易单价;ΔPload为用电负荷差,Pload为用电负荷;
消纳责任权重指数的计算公式为:
其中,Phy,t,i为第i个水电站t时刻的水电站发电功率;Pw,t为t时刻风电发电功率;Ppv,t为t时刻光伏发电功率;Pload,t为t时刻的用电负荷;PTGC为购买绿证折算消纳量;Pcp为市场转让消纳量。
市场准入主体活跃指数体现了市场在促进电力资源优化配置中的作用,市场准入主体的增加,将有效激发市场活力,促进电力市场的发展。我国电力市场制度和机制的发展将进一步降低电力用户参与市场的门槛,因此市场准入主体活跃程度是评估电力市场和可再生能源发展的重要指标之一。市场准入主体活跃指数计算公式为:
其中,am为m月内参与市场化交易的市场准入主体数;Am为m月内所有市场准入主体数。
市场化交易规模指数就是在电力市场化交易过程中发挥市场配置作用,既体现电力的价格属性,也体现其商品属性。把发电企业和售电企业以及工商业用电企业统一到同一平台进行完成交易,有效激发市场主体活力、促进社会经济发展,因此市场化交易规模是评估电力市场和可再生能源发展的重要指标之一。市场化交易规模指数计算公式如下:
其中,am为m月内参与市场化交易的市场准入主体数;Am为m月内所有市场准入主体数。
根据灵活性需求和灵活性供给定义,从系统出力供需平衡的角度出发,将单位时间系统上调(下调)灵活性供给和需求的波动时间序列做差,得到系统的供需灵活性评估指数,计算公式如下:
其中,ΔPs,up为单位时间段内系统可再生能源出力供给增加量;ΔPd,up为单位时间段内系统净负荷出力需求增加量;ΔPs,down为单位时间段内系统可再生能源出力供给减少量;ΔPd,down为单位时间段内系统净负荷出力需求减少量;ΔPnet为系统净负荷的波动功率时间序列。
可再生能源渗透率是用来表征系统内可再生能源贡献度的大小,计算公式如下:
其中,Qrenew为系统中风能和太阳能的发电量;Qelc为系统中的总发电量。
采用TOPSIS-CRITIC方法对综合评价指标进行电力市场可再生能源消纳评价包括:对综合评价指标进行正向指标、负向指标和振荡区间指标区分,对区分后的指标矩阵进行规范化处理;对规范化处理后的矩阵求解正负理想点集合;计算解正负理想点集合中各个指标的客观权重;根据客观权重采用TOPSIS法计算正负理想点集合中各个指标的距离尺度,并根据距离尺度进行排序;根据排序结果筛选出电力市场关键指标。
正向指标与负向指标的计算公式分别为:
正向指标:
负向指标:
式中,Oij、aij为归一化前后矩阵i行j列数据;min(Oij)为对应指标的最小值;max(Oij)为对应指标的最大值;
由归一化矩阵构建正负理想点集合,即正理想点S+和负理想点S-,表示为:
采用预设的TOPSIS法通过距离尺度计算所述多个评价指数的贴近度值,以进行所述多个评价指数的排序;
其中,所述多个评价指数中的第j个指数的客观权重Wj计算公式为:
式中,rij表示评价指数i和j之间的相关系数;Sj表示评价指数j的标准差;Ti和Gi分别为第i个评价指数和对应的正负理想解;d为贴近度,指评价指数到正负理想解的距离,其中,贴近度d最大的前M个评价指数作为在电力市场下影响可再生能源消纳的目标评价指数。
确定虚拟电厂在源网荷储协同调度中的影响因素包括:
步骤1、确定虚拟电厂的输出功率范围;
其中,和/>分别为虚拟电厂输出有功功率的上限和下限;NSB为虚拟电厂中储能电池的个数;/>和/>分别为各储能电池输出的上下限;PDG,total为虚拟电厂分布式发电站的总有功输出;
步骤2、根据分布式发电机输出的无功功率确定虚拟电厂的无功输出范围;
其中,和/>分别为虚拟电厂无功输出的上限和下限;/>和/>分别为第i个分布式发电机输出的无功功率的上限和下限;
步骤3、根据虚拟电厂的有功输出确定所述虚拟电厂提供调压辅助的有功功率报价;
其中,为虚拟电厂提供调压辅助服务时的有功功率报价;PVPP为虚拟电厂的有功输出;/>为虚拟电厂的报价系数,与储能电池调节成本系数相同;
步骤4、根据虚拟电厂的无功输出,确定所述虚拟电厂提供调压辅助的无功功率报价;
其中,为虚拟电厂提供调压辅助服务时的无功功率报价;QVPP为虚拟电厂的无功输出;/>和/>分别为虚拟电厂向电网吸收/输送无功功率时的无功电价系数。
构建源网储能协同调度模型包括:
步骤101、根据关键指标和影响因素构建源网储能协同调度模型的目标函数;目标函数包括可再生能源惩罚成本、发电机组的总体成本、碳排放交易成本、碳排放罚金、激励成本以及虚拟电厂服务成本;
计算所述可再生能源惩罚成本的函数,表示为:
式中,分别为水能发电、风能发电、太阳能发电的实际出力与预测的差值;/>分别为弃水、弃风、弃光的单位惩罚成本;
计算所述发电机组的总体成本的函数,表示为:
式中,为火电机组i在时刻t的出力;成本系数ai,bi,ci,di,系统启停状态为i机组的启停成本、正负备用容量成本;/>为机组向上、向下备用容量;
计算所述碳排放交易成本的函数,表示为:
发电站所对应的碳分配限额Qlimit为:
Qlimit=εpload,t
式中,Cdr,Ceq为碳排放权对应的抵消/售出价格;Qlimit为t时刻碳排放分配的限额排放量;Qe,t为t时刻系统的实际碳排放量;Qdr,t为购买的碳排放权所对应的碳抵消排放量;ε为预设的区域碳分配限额系数;pload,t为t时刻当地负荷水平;
计算所述罚金与激励成本的函数,表示为:
式中,upd为惩罚系数;uen为奖励系数;当1.015<ωcsp时,受到激励;1<ωcsp<1.015时,不获得激励;
计算虚拟电厂服务成本为:
其中,NVPP为虚拟电厂数量,PVPP,i,t和QVPP,i,t分别为t时段内虚拟电厂的有功功率和无功功率输出。
步骤102、构建约束条件,根据约束条件构建基于约束条件的源网储能协同调度模型;其中约束条件包括电力电量平衡约束、系统传输能力约束、系统备用容量约束、机组出力阈值约束、机组最大爬坡速率约束和关键指标指数约束。
所述电力电量平衡约束,表示为:
式中,I为机组数;phy,i(t)为第i台机组t时刻的出力,单位MW;pw(t)为t时刻风电出力,单位MW;ppv(t)为t时刻光伏出力,单位MW;pload(t)为t时刻系统负荷,单位MW;
所述系统传输能力约束,表示为:
式中,为系统的最大传输能力;/>为系统的最大反向传输能力;
所述系统备用容量约束,表示为:
式中,和/>为机组在t时段的上下备用容量;/>和为系统在t时段的系统上下备用容量;
所述机组出力阈值约束,表示为:
式中,和/>分别为i水电机组在t时段的上下限出力;Pmin(t)和Pmax(t)为风电光伏在t时段的上下限出力;
所述机组最大爬坡速率约束,表示为:
|Phy(i,t)-Phy(i,t-1)|<R(hy,i)
式中,Phy(i,t)为i机组在t时段的出力;Phy(i,t-1)为i机组在t时段的出力;R(hy,i)为机组的最大机组爬坡速率;
所述关键指标指数约束,表示为:
式中,χ为电力市场下影响可再生能源消纳可再生能源的消纳的所述关键指标。
基于新型电力市场环境下的源网荷储协同调度结果,构建日前市场出清模型以验证协同调度的经济可行性。考虑多种能源联合优化出清,以市场交易总成本最小为优化目标,目标函数由日前市场购电成本、备用容量费用和实时市场平衡费用三部分构成。目标函数数学表达式为:
minC=Cdh+Crm+Csp
式中,C为市场交易总成本;Cdh为日前市场购电成本;Crm为备用容量费用;Csp为实时市场平衡费用。
日前市场购电成本包含常规机组的购电费用和启停费用,新能源机组的购电费用。模型中常规机组包含水电、火电机组,新能源机组包含风电机组、光伏电站。因此,日前市场购电成本可以表达为:
式中,Pt,g,分别为时段t常规机组g的日前市场中标出力及风电机组w,光伏电站pv的日前出力;λt,g,λt,w,λt,pv分别为时段t常规机组g,风电机组w,光伏电站pv的日前市场申报价格,在可再生能源全额保障性收购背景下,风电、光伏报价可视为0;sg为常规机组g的启动成本;ut,g为时段他常规机组g的启停状态,为0-1变量;T为时段总数;Ng,Nw,Npv分别为常规机组、风电机组、光伏电站个数。
以常规机组为例,机组日前市场申报价格与出力Pt,g有关,表达式为:
λt,g=aPt,g+b
式中,a,b分别为申报价格函数的一次项系数和常数项。
备用容量费用是市场为降低新能源出力不确定性对系统造成的不利影响而向常规机组购买备用容量产生的成本。备用容量费用包含上备用容量费用和下备用容量费用两部分,数学表达式为:
式中,分别为时段t常规机组g申报的上备用价格和下备用价格;分别为时段t常规机组g在备用容量市场中标的上备用容量和下备用容量。
实时市场平衡费用是实时市场中为平衡新能源机组出力偏差而产生的成本,包含出力偏差实际平衡费用以及系统惩罚费用。系统惩罚费用包括失负荷惩罚和弃能惩罚。实时市场平衡费用的数学表达式为:
式中,分别为风电出力典型场景sw和光伏出力典型场景spv的发生概率,风电出力典型场景和光伏出力典型场景默认相互独立,其概率密度为边缘密度的乘积;Csp,t为确定典型场景下时段t的实时不平衡费用;/>分别为实时市场时段t的上备用平衡价格和下备用平衡价格;dt,loss,dt,spl分别为时段t系统失负荷量和弃能电量;aloss为系统负荷惩罚系数;aspl为系统弃能惩罚系数;Pdev,t为时段t新能源机组出力偏差;分别为时段t风电机组w,光伏电站pv的实际出力;Sw,Spv分别为风电出力典型场景和光伏出力典型场景个数。
设置约束条件;具体包括:
1)系统负荷平衡约束
式中,Pt,g,Pt,w,Pt,pv分别为时段t常规机组g,风电机组w和光伏电站pv的出力;Dt为时段t系统总负荷。
2)线路潮流约束
式中,Pl,max为线路l的直流潮流传输极限;Gl,g,Gl,w,Gl,pv分别为常规机组g,风电机组w,光伏电站pv所在节点对线路l的输出功率转移分布因子;Gl,k为负荷节点k对线路l的功率转移分布因子;Dt,k为时段t节点k的负荷值。
3)系统备用容量约束
式中,分别为时段t常规机组g可申报的上备用容量最大值和下备用容量最大值;/>分别为时段t系统上备用容量和系统下备用容量。
4)系统失负荷、弃能约束
0≤dt,loss≤Pdev,t
0≤dt,spl≤-Pdev,t
5)常规机组运行约束
式中,Pg,max,Pg,min分别为常规机组g的出力上下限;分别为日前市场时段t常规机组g中标的上下备用容量;/>分别为时段t常规机组g申报的最大上下备用容量;Pg,up,Pg,down分别为常规机组g的上下爬坡速率;/>分别为常规机组g的最小启动持续时间和最小停机持续时间;xt,c为0-1变量,表示时段t常规机组g的状态改变情况,其中/>分别表示机组开机、状态不变、停机三种情况;Δt为相邻时段的时间间隔。
对于风电、光伏机组考虑出力上下限约束、出力偏差约束。
0≤Pt,w≤ut,wPw,max
0≤Pt,pv≤ut,pvPpv,max
式中,Pw,max,Ppv,max分别为风电机组w和光伏发电站pv的出力上限。
如图3所示,采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验包括:采用正弦非线性动态策略和柯西变异策略对花授粉优化算法进行优化;具体包括初始化授粉优化算法的参数;获取当前最优花粉,采用正弦非线性动态策略计算当前最优花粉的异花授粉和自花授粉的切换概率M1;设置阈值,当切换概率M1小于设置的阈值时,采用异花授粉策略,否则采用自花授粉策略。
正弦非线性动态策略,表示为:
式中,Tmax为最大迭代次数;t为当前迭代次数;M1max,M1min分别为0.8和0.2;
所述柯西变异策略,表示为:
式中,xbest为当前迭代的最优解,为柯西变异处理后的最优解,Cauchy(0,1)为服从柯西分布的随机变量,所述正弦非线性动态策略作为异花授粉和自花授粉的切换概率M1,当M1<0.7时,采用所述花授粉优化算法中的异花授粉策略;当M1≥0.7时,采用所述花授粉优化算法中的自花授粉策略;
异花授粉策略表示为:
式中,表示第t代的第i个解,/>为第t代的最优解,L为步长,其中,xbest替换/>得到改进的异花授粉策略;
自花授粉策略表示为:
其中,∈的取值范围为[0,1],和/>分别为第t代种群中的第j和第k个解。
一种电力市场环境下的多能互补优化调度系统,该系统采用分布区域控制模式,包括:预测网络、源网储能协同调度网络以及方案优化网络;
预测网络:实时获取可再生能源发电量和负荷历史数据,将可再生能源发电量和负荷历史数据输入到预测模型,得到未来时段可再生能源发电量和负荷的数据;
源网储能协同调度网络:获取综合评价指标,其中综合评价指标包括绿证证书交易价格指数、消纳责任权重指数、市场准入主体活跃指数、市场化交易规模指数、系统调峰灵活性评估指数和系统可再生能源渗透率指数;采用TOPSIS-CRITIC方法对综合评价指标进行电力市场可再生能源消纳评价,得到电力市场关键指标;基于可再生能源对应的虚拟电厂确定虚拟电厂在源网荷储协同调度中的影响因素;根据电力市场关键指标和影响因素构建源网储能协同调度模型;将未来时段可再生能源发电量和负荷的数据输入到源网储能协同调度模型中,得到源网荷储协同调度方案;
方案优化网络:将源网荷储协同调度方案输入到方案优化网络中,采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验;其中改进的花授粉优化算法为采用正弦非线性动态策略和柯西变异策略对花授粉优化算法进行优化;具体包括初始化授粉优化算法的参数;获取当前最优花粉,采用正弦非线性动态策略计算当前最优花粉的异花授粉和自花授粉的切换概率M1;设置阈值,当切换概率M1小于设置的阈值时,采用异花授粉策略,否则采用自花授粉策略。
在本实施例中,系统的具体实施方式与方法的具体实施方式相同。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力市场环境下的多能互补优化调度方法,其特征在于,包括:
S1、获取可再生能源发电量和负荷历史数据;
S2、构建ISCA-Bi-LSTM预测模型;
S3、将可再生能源发电量和负荷历史数据输入到ISCA-Bi-LSTM预测模型中,得到未来时段可再生能源发电量和负荷的数据;
S4、构建源网储能协同调度模型,将未来时段可再生能源发电量和负荷的数据输入到源网储能协同调度模型中,得到源网荷储协同调度的方案;
构建源网储能协同调度模型包括:获取综合评价指标,其中综合评价指标包括绿证证书交易价格指数、消纳责任权重指数、市场准入主体活跃指数、市场化交易规模指数、系统调峰灵活性评估指数和系统可再生能源渗透率指数;采用TOPSIS-CRITIC方法对综合评价指标进行电力市场可再生能源消纳评价,得到电力市场关键指标;基于可再生能源对应的虚拟电厂确定虚拟电厂在源网荷储协同调度中的影响因素,其中影响因素包括虚拟电厂的有功功率报价和无功功率报价;根据电力市场关键指标和影响因素构建源网储能协同调度模型;
S5、采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验,得到最优的源网荷储协同调度的方案。
2.根据权利要求1所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,构建ISCA-Bi-LSTM预测模型包括:
S21、获取历史可再生能源发电量和负荷数据,并对数据进行预处理;
S22、构建Bi-LSTM网络,初始化网络超参数,其中超参数包括Bi-LSTM网络的隐含单元数、学习率以及迭代次数;
S23、将隐含单元数、学习率以及迭代次数作为一个种群的个体;
S24、构建正余弦算法,采用非线性控制参数、平衡因子以及精英导航策略对正余弦算法进行优化;
S25、采用优化后的正余弦算法对种群进行寻优,得到下一代种群;
S26、根据预处理后的数据构建适应度函数,并计算种群中各个个体的适应度函数值;
S27、比较各个种群个体的适应度函数值,选取种群个体最优位置和全局最优位置,更新最优的适应度值;迭代次数加1;
S28、判断当前迭代次数是否达到最大迭代次数,若达到最大迭代次数,则将个体最优位置和全局最优位置传输给Bi-LSTM网络,得到ISCA-Bi-LSTM预测模型;否则返回步骤S25。
3.根据权利要求2所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,优化后的正余弦算法表达式为:
其中,X为当前个体的位置;r2为0到2π的随机数;r3是0到2的随机数;P是当前个体的最优位置,Xk表示精英导航策略,τ表示平衡因子,ω为非线性控制参数。
4.根据权利要求2所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,非线性控制参数为:
平衡因子为:
τ=0.6-0.1×(kmax-k)/kmax
精英导航策略为:
Xk=G+0.001×randn(1,Nsample)
其中,a为常数;k是当前迭代次数;kmax为最大迭代次数;G是全局最优解;Nsample是个体总数。
5.根据权利要求1所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,获取综合评价指标包括:
绿证证书交易价格指数的计算公式为:
其中,Qprice为绿色证书交易单价;ΔPload为用电负荷差,Pload为用电负荷;
消纳责任权重指数的计算公式为:
其中,Phy,t,i为第i个水电站t时刻的水电站发电功率;Pw,t为t时刻风电发电功率;Ppv,t为t时刻光伏发电功率;Pload,t为t时刻的用电负荷;PTGC为购买绿证折算消纳量;Pcp为市场转让消纳量;
市场准入主体活跃指数的计算公式为:
其中,am为m月内参与市场化交易的市场准入主体数;Am为m月内所有市场准入主体数;
市场化交易规模指数的表达式为:
其中,Bm为m月内的市场化交易成交量;为每月平均市场化交易成交量;
系统调峰灵活性评估指数的表达式为:
其中,ΔPs,up为单位时间段内系统可再生能源出力供给增加量;ΔPd,up为单位时间段内系统净负荷出力需求增加量;ΔPs,down为单位时间段内系统可再生能源出力供给减少量;ΔPd,down为单位时间段内系统净负荷出力需求减少量;ΔPnet为系统净负荷的波动功率时间序列;
系统可再生能源渗透率指数的表达式为:
其中,Qrenew为系统中风能和太阳能的发电量;Qelc为系统中的总发电量。
6.根据权利要求1所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,采用TOPSIS-CRITIC方法对综合评价指标进行电力市场可再生能源消纳评价包括:对综合评价指标进行正向指标、负向指标和振荡区间指标区分,对区分后的指标矩阵进行规范化处理;对规范化处理后的矩阵求解正负理想点集合;计算解正负理想点集合中各个指标的客观权重;根据客观权重采用TOPSIS法计算正负理想点集合中各个指标的距离尺度,并根据距离尺度进行排序;根据排序结果筛选出电力市场关键指标。
7.根据权利要求1所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,确定虚拟电厂在源网荷储协同调度中的影响因素包括:
步骤1、确定虚拟电厂的输出功率范围;
其中,和/>分别为虚拟电厂输出有功功率的上限和下限;NSB为虚拟电厂中储能电池的个数;/>和/>分别为各储能电池输出的上下限;PDG,total为虚拟电厂分布式发电站的总有功输出;
步骤2、根据分布式发电机输出的无功功率确定虚拟电厂的无功输出范围;
其中,和/>分别为虚拟电厂无功输出的上限和下限;/>和/>分别为第i个分布式发电机输出的无功功率的上限和下限;
步骤3、根据虚拟电厂的有功输出确定所述虚拟电厂提供调压辅助的有功功率报价;
其中,为虚拟电厂提供调压辅助服务时的有功功率报价;PVPP为虚拟电厂的有功输出;/>为虚拟电厂的报价系数,与储能电池调节成本系数相同;
步骤4、根据虚拟电厂的无功输出,确定所述虚拟电厂提供调压辅助的无功功率报价;
其中,为虚拟电厂提供调压辅助服务时的无功功率报价;QVPP为虚拟电厂的无功输出;/>和/>分别为虚拟电厂向电网吸收/输送无功功率时的无功电价系数。
8.根据权利要求1所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,构建源网储能协同调度模型包括:
步骤101、根据关键指标和影响因素构建源网储能协同调度模型的目标函数;目标函数包括可再生能源惩罚成本、发电机组的总体成本、碳排放交易成本、碳排放罚金、激励成本以及虚拟电厂服务成本;
步骤102、构建约束条件,根据约束条件构建基于约束条件的源网储能协同调度模型;其中约束条件包括电力电量平衡约束、系统传输能力约束、系统备用容量约束、机组出力阈值约束、机组最大爬坡速率约束和关键指标指数约束。
9.根据权利要求1所述的一种电力市场环境下的多能互补优化调度方法,其特征在于,采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验包括:采用正弦非线性动态策略和柯西变异策略对花授粉优化算法进行优化;具体包括:
S51、初始化授粉优化算法的参数;即将调度模型中的可再生能源发电机的有功输出、无功输出及电压作为种群;
S52、获取当前种群的最优花粉;
S53、采用正弦非线性动态策略计算当前最优花粉的异花授粉和自花授粉的切换概率M1;
S54、设置阈值,当切换概率M1小于设置的阈值时,采用异花授粉策略,否则采用自花授粉策略。
10.一种电力市场环境下的多能互补优化调度系统,该系统用于执行权利要求1~9所述的任意一种电力市场环境下的多能互补优化调度方法,其特征在于,该系统采用分布区域控制模式,包括:预测网络、源网储能协同调度网络以及方案优化网络;
预测网络:实时获取可再生能源发电量和负荷历史数据,将可再生能源发电量和负荷历史数据输入到预测模型,得到未来时段可再生能源发电量和负荷的数据;
源网储能协同调度网络:获取综合评价指标,其中综合评价指标包括绿证证书交易价格指数、消纳责任权重指数、市场准入主体活跃指数、市场化交易规模指数、系统调峰灵活性评估指数和系统可再生能源渗透率指数;采用TOPSIS-CRITIC方法对综合评价指标进行电力市场可再生能源消纳评价,得到电力市场关键指标;基于可再生能源对应的虚拟电厂确定虚拟电厂在源网荷储协同调度中的影响因素;根据电力市场关键指标和影响因素构建源网储能协同调度模型;将未来时段可再生能源发电量和负荷的数据输入到源网储能协同调度模型中,得到源网荷储协同调度方案;
方案优化网络:将源网荷储协同调度方案输入到方案优化网络中,采用改进后的花授粉优化算法对源网荷储协同调度的方案进行校验;其中改进的花授粉优化算法为采用正弦非线性动态策略和柯西变异策略对花授粉优化算法进行优化;具体包括初始化授粉优化算法的参数;获取当前最优花粉,采用正弦非线性动态策略计算当前最优花粉的异花授粉和自花授粉的切换概率M1;设置阈值,当切换概率M1小于设置的阈值时,采用异花授粉策略,否则采用自花授粉
策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523457.6A CN117578409A (zh) | 2023-11-14 | 2023-11-14 | 一种电力市场环境下的多能互补优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523457.6A CN117578409A (zh) | 2023-11-14 | 2023-11-14 | 一种电力市场环境下的多能互补优化调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117578409A true CN117578409A (zh) | 2024-02-20 |
Family
ID=89883700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523457.6A Pending CN117578409A (zh) | 2023-11-14 | 2023-11-14 | 一种电力市场环境下的多能互补优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117578409A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117977718A (zh) * | 2024-04-01 | 2024-05-03 | 浙电(宁波北仑)智慧能源有限公司 | 基于源网荷储的协调调度优化方法及系统 |
CN117913827B (zh) * | 2024-03-18 | 2024-05-28 | 广东电网有限责任公司广州供电局 | 一种计及触发功能的复杂配电网的优化方法 |
-
2023
- 2023-11-14 CN CN202311523457.6A patent/CN117578409A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117913827B (zh) * | 2024-03-18 | 2024-05-28 | 广东电网有限责任公司广州供电局 | 一种计及触发功能的复杂配电网的优化方法 |
CN117977718A (zh) * | 2024-04-01 | 2024-05-03 | 浙电(宁波北仑)智慧能源有限公司 | 基于源网荷储的协调调度优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN110276698A (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
CN110188950A (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
CN117578409A (zh) | 一种电力市场环境下的多能互补优化调度方法及系统 | |
CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
CN116388293A (zh) | 一种新能源配建储能电站的联合优化调度方法及系统 | |
Ceccon et al. | Intelligent electric power management system for economic maximization in a residential prosumer unit | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
CN114301081A (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
CN110472780A (zh) | 一种基于神经网络的配电优化调度方法 | |
Saini et al. | Data driven net load uncertainty quantification for cloud energy storage management in residential microgrid | |
Chang et al. | Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant | |
CN110648191A (zh) | 一种发电商电能及备用市场联合报价方法及系统 | |
CN116191493A (zh) | 一种火电机组深度调峰和复合储能协同规划方法与装置 | |
Fan et al. | Medium and long-term electricity trading considering renewable energy participation | |
Wang et al. | Adaptive forecasting of diverse electrical and heating loads in community integrated energy system based on deep transfer learning | |
CN115713252A (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
Tazvinga | Energy optimisation and management of off-grid hybrid power supply systems | |
CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及系统 | |
CN111967646A (zh) | 一种虚拟电厂可再生能源优化配置方法 | |
Fedorchuk et al. | Using the Concept of Prosumers as a Staff for Balancing at the Power Grid | |
Ren et al. | Scenario-Based Optimal Real-Time Charging Strategy of Electric Vehicles with Bayesian Long Short-Term Memory Networks | |
Song et al. | Research on Economic Load Distribution of Thermal Power Units with Price Demand Response |
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 |