CN117639105A - 一种考虑火电机组爬坡影响的微电网容量优化配置方法 - Google Patents

一种考虑火电机组爬坡影响的微电网容量优化配置方法 Download PDF

Info

Publication number
CN117639105A
CN117639105A CN202311674069.8A CN202311674069A CN117639105A CN 117639105 A CN117639105 A CN 117639105A CN 202311674069 A CN202311674069 A CN 202311674069A CN 117639105 A CN117639105 A CN 117639105A
Authority
CN
China
Prior art keywords
grid
power
micro
cost
capacity
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
Application number
CN202311674069.8A
Other languages
English (en)
Inventor
庄会永
王振江
戴璟
张沐瑶
闫爱云
金硕巍
许万源
王长瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NATIONAL BIO ENERGY GROUP CO LTD
Tsinghua University
Original Assignee
NATIONAL BIO ENERGY GROUP CO LTD
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NATIONAL BIO ENERGY GROUP CO LTD, Tsinghua University filed Critical NATIONAL BIO ENERGY GROUP CO LTD
Priority to CN202311674069.8A priority Critical patent/CN117639105A/zh
Publication of CN117639105A publication Critical patent/CN117639105A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/38—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
    • 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
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种考虑火电机组爬坡影响的微电网容量优化配置方法，包括以下步骤：建立并网型微电网系统的模型；建立微电网容量优化配置模型的目标函数；建立多目标优化方法的相关约束条件；建立并网型微电网系统的能源管理策略；根据多目标粒子群算法求解并网型微电网最佳容量配置问题。本发明利用多目标粒子群算法求解各发电单元的最优容量配置。本发明在并网型微电网运行中增加火电机组爬坡约束后，储能装置容量提升，有效减少环境保护成本，提高了系统运行的可靠性。

Description

一种考虑火电机组爬坡影响的微电网容量优化配置方法
技术领域
本发明涉及电网配制的技术领域，具体而言，尤其涉及一种考虑火电机组爬坡影响的微电网容量优化配置方法。
背景技术
在能源紧缺和环境危机的推动下，新能源技术已然成为国家的发展战略。合理配置微电网中各分布式电源容量，在解决可再生能源发电和储能技术的应用推广问题上有明显帮助，也对促进可再生能源等新能源大力发展和微电网技术持续进步有积极作用。风、光资源的随机性、波动性和时间上的互补性，在风、光、生物质、储的微电网中对风、光、生物质微电源和储能的容量进行优化配置，不仅可以保证资源的合理、有效利用，还可降低建设和运营成本，增强环保效益。现阶段研究微电网的运行特性中并未考虑火电机组的爬坡约束。而事实上，火电机组的爬坡条件对微电网并网运行的平稳性可靠性起着重要作用。增加火电机组的爬坡约束可以防止机组过快地启动或停机，从而减少微电网系统的不稳定性，同时能够增加备用储能容量应对突发情况，为微电网安全稳定的运行提供了更为可靠的保障。因此，需要研究考虑火电机组爬坡约束的并网条件下微电网电源容量优化配置方法。
发明内容
根据上述背景技术中提到的技术问题，而提供一种考虑火电机组爬坡影响的微电网容量优化配置方法。
本发明采用的技术手段如下：
一种考虑火电机组爬坡影响的微电网容量优化配置方法，包括以下步骤：
步骤一：建立并网型微电网系统的模型；所述并网型微电网系统的模型包括：风力发电机，光伏发电装置，生物质发电机和蓄电池存储装置；
步骤二：建立微电网容量优化配置模型的目标函数，所述目标函数包括最小运行经济成本和最小化环保折算成本；所述运行经济成本，包括：总资本成本，总运营维护成本，总购电成本和扣除的总售电收益；所述环保折算成本，包括：对污染物的处理成本；
步骤三：建立多目标优化方法的相关约束条件；所属约束条件包括：微电网内外的功率平衡约束、储能和生物质发电机的运行约束、与配电网的联络线功率约束、火电机组爬坡约束以及微电网可靠性指标约束；
步骤四：建立并网型微电网系统的能源管理策略；
步骤五：根据多目标粒子群算法求解并网型微电网最佳容量配置问题。
进一步地，所述步骤四中建立并网型微电网系统的模型，包括：风速建模、光伏建模、生物质发电建模以及蓄电池储能建模。
进一步地，所述风速建模为风力发电机由非线性发电曲线控制；风力发电机在风速vt下产生的功率，具体计算如下：
其中，PWP表示风力发电机的实际输出功率；PR表示风力发电机的额定功率；vci、vco、vr分别表示切入风速、切出风速和额定风速；
所述光伏建模为：
其中，PPV表示光伏电池板发电功率；βpv表示光伏电池板实际条件下输出功率与额定条件下输出功率的比值；PPV,rc表示额定容量；IAC、IAC,STC分别为实际条件和光伏标准测试条件下的光照强度；TAC、TAC,STC分别表示实际条件和光伏标准测试条件下的光伏电池温度；α表示光伏电池板的温度系数；
所述生物质发电模型为：
其中，PBM表示生物质发电机组的输出功率；FPR表示沼气压强；FBM表示沼气消耗量；θ0、θ1、θ2、θ3均表示沼气发电模型根据拟合函数得到的参数；
所述蓄电池储能建模中，剩余容量表达式如下：
其中，EBESS(t)表示储能装置在t时刻的剩余容量；分别表示储能装置的充电和放电效率；PBESS(t)＞0表示储能装置处于充电阶段，PBESS(t)≤0表示储能装置处于放电阶段。
进一步地，所述微电网系统经济成本包括各分布式电源的投资成本、运维成本、向主电网购售电成本，同时考虑环保折算成本进行双目标优化；所述微电网整体优化函数为：
f＝min(CSUM+CEP)。
其中，CSUM表示总经济成本，CEP表示环保折算成本。
进一步地，所述微电网容量优化配置模型的目标函数运行经济成本，所述微电网系统运行的总经济成本是总资本成本，总运营维护成本，总购电成本和扣除总售电收益的总和，用公式表示如下：
CSUM＝CT+OMT+Cgd-Csd；
总资本成本CT包括：风力发电机CWP、太阳能光伏电池板CPV、电池存储系统CBESS和生物质发电机CBM，用公式表示为：
CT＝CWP+CPV+CBESS+CBM；
总运营和维护成本OMT包括风力发电机MWP、太阳能光伏电池板MPV、电池存储系统MBESS和生物质发电机MBM：
OMT＝MWP+MPV+MBESS+MBM；
微电网向主电网购电成本：
Cgd＝Egd(t)·cgd(t)；
其中，Egd(t)表示t时向主电网购入电量，cgd(t)表示t时购电电价
微电网向主电网售电收益：
Csd＝Esd(t)·csd(t)；
其中，Esd(t)表示t时向主电网售出电量，csd(t)表示t时售电电价
进一步地，所述微电网容量优化配置模型的目标函数环保折算成本包括：所述处理成本为：
其中，xk表示对第k类污染物治理所需要的费用；yi,k表示第k类污染物的排放系数；Pi,t表示生物质发电机组在t时刻的发电量和微电网在t时刻向主电网购入的电量。
进一步地，所述功率平衡约束为：
当微电网运行时，系统内外功率是处于平衡的；微电网既可购电，也可售电，其中购电功率为正，售电功率为负；储能电池充电功率为正，放电功率为负；则系统运行的相关约束如下：
PWP+PPV+PBM+PBESS+PGRID＝PLOAD；
其中，PGRID表示微电网与主电网交换的功率，当PGRID为正值时表示微电网向主电网购入电量，为负值时表示售出电量；PLOAD表示当前时段的负荷值。
所述生物质发电机出力约束：
考虑到生物质发电机组发电功率与沼气量有关，消耗沼气量如下式约束：
其中，分别表示沼气消耗量的最大和最小值；
所述储能装置运行约束为：
其中，分别表示蓄电池出力的上限和下限；/>分别表示蓄电池储能容量的上限和下限；
所述微电网与主电网交换功率约束
微电网与电网进行电能交易，在系统内部供电不足时，则系统向电网进行购电；在系统内部风光生物质能出力大于负荷需求和储能容量时，则系统将多于的电量出售给电网；为减少系统能源浪费，减少系统对电网电压波动的影响，则购售电功率约束如下：
其中，分别为微电网与主电网交换功率的上限和下限；
所述火电机组爬坡约束为：
Pg,t-Pg,t-1≤RUg
Pg,t-1-Pg,t≤RDg
其中，Pg,t、Pg,t-1分别表示t时刻与t-1时刻的发电功率，RUg、RDg分别表示为火电机组单位时间内的增加或减少的出力；
所述微电网可靠性指标约束为：将负荷缺电量与系统正常运行T个时段总负荷量的比值作为系统供电损失概率LPSP：
供电损失概率越低证明微电网的可靠性越高，将供电损失概率作为约束条件，设定微电网系统运行时不超过其最大值范围；
LPSP≤LPSPmax
供电损失概率可作为衡量微电网可靠性运行的指标。
进一步地，所述步骤四中，计算风力发电机、光伏发电装置与负载功率的差值
ΔP＝PL-PWP-PPV
当ΔP＞0时，若蓄电池中剩余电量达到下限值或蓄电池输出功率与风光输出功率之和小于负载功率，启动生物质发电机；受生物质发电机最大输出功率影响，若生物质发电机、蓄电池输出功率与风光输出功率之和仍然小于负载功率，则向主电网购电；若蓄电池剩余电量未达到下限值且风光储输出功率之和大于负载功率，只需要蓄电池放电弥补功率缺值，不启动生物质发电机，也无需向主电网购电；
当ΔP＜0时，若蓄电池中剩余电量超过上限值，蓄电池停止充电，多余发电量向主电网售出；若蓄电池中剩余电量未达到上限值，则蓄电池进行充电。
进一步地，所述步骤五包括以下步骤：
步骤五一：初始化数据；初始化粒子种群，种群中每个粒子都对应一个微电网系统最优容量配置方案；同时输入构成微电网系统的模型参数、MOPSO算法参数；
步骤五二：将微电网系统运行的经济成本和环保折算成本以及惩罚项作为粒子种群的个体适应度值并计算；
步骤五三：根据粒子的速度和位置公式对粒子进行更新，计算方式如下：
其中，表示下一时刻的粒子i的k维速度，/>表示当前α时刻的粒子i的k维速度，c1、c2为加速度常数，r1、r2为两个随机数函数。w为收缩因子，/>为个体极值，/>为全局最优值，/>为当前时刻粒子i的k维位置，/>为下一时刻粒子i的k维位置；
步骤五四：更新存档，对粒子种群进行分级排序，把最优的非支配解Pareto存入至外部存档集合，同时除去非Pareto解；
步骤五五：确定个体极值pbest；将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前粒子作为pbes个体极值；如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多则作为个体极值pbest；
步骤五六：确定全局最优值gbest.采用外部存档集合保存pareto前沿的最优解；
步骤五七：返回至步骤五三循环迭代到满足终止运行条件。
较现有技术相比，本发明具有以下优点：
本发明提出一种考虑火电机组爬坡约束的并网型微电网系统容量优化配置方法。针对风机、光伏电池、生物质发电机以及电池储能装置构成的并网型微电网容量配置问题进行研究，在满足微电网系统基本约束条件下，同时考虑火电机组爬坡速率约束，将供电损失概率作为系统运行的可靠性指标，建立了包含微电网系统运行成本和环境保护成本的多目标优化模型。利用多目标粒子群算法求解各发电单元的最优容量配置。本发明在并网型微电网运行中增加火电机组爬坡约束后，储能装置容量提升，有效减少环境保护成本，提高了系统运行的可靠性。
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，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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为本发明的并网型微电网的结构。
图2为典型日24h风速、光照强度曲线。
图3为典型日负荷变化曲线。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明提供了一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，包括以下步骤：
步骤一：建立并网型微电网系统的模型；所述并网型微电网系统的模型包括：风力发电机，光伏发电装置，生物质发电机和蓄电池存储装置；
步骤二：建立微电网容量优化配置模型的目标函数，所述目标函数包括最小运行经济成本和最小化环保折算成本；所述运行经济成本，包括：总资本成本，总运营维护成本，总购电成本和扣除的总售电收益；所述环保折算成本，包括：对污染物的处理成本；
步骤三：建立多目标优化方法的相关约束条件；所属约束条件包括：微电网内外的功率平衡约束、储能和生物质发电机的运行约束、与配电网的联络线功率约束、火电机组爬坡约束以及微电网可靠性指标约束；
步骤四：建立并网型微电网系统的能源管理策略；
步骤五：根据多目标粒子群算法求解并网型微电网最佳容量配置问题。
作为一种优选的实施方式，在本申请中，所述步骤四中建立并网型微电网系统的模型，包括：风速建模、光伏建模、生物质发电建模以及蓄电池储能建模。所述风速建模为风力发电机由非线性发电曲线控制；风力发电机在风速vt下产生的功率，具体计算如下：
其中，PWP表示风力发电机的实际输出功率；PR表示风力发电机的额定功率；vci、vco、vr分别表示切入风速、切出风速和额定风速；
所述光伏建模为：
其中，PPV表示光伏电池板发电功率；βpv表示光伏电池板实际条件下输出功率与额定条件下输出功率的比值；PPV,rc表示额定容量；IAC、IAC,STC分别为实际条件和光伏标准测试条件下的光照强度；TAC、TAC,STC分别表示实际条件和光伏标准测试条件下的光伏电池温度；α表示光伏电池板的温度系数；
所述生物质发电模型为：
其中，PBM表示生物质发电机组的输出功率；FPR表示沼气压强；FBM表示沼气消耗量；θ0、θ1、θ2、θ3均表示沼气发电模型根据拟合函数得到的参数；
所述蓄电池储能建模中，剩余容量表达式如下：
其中，EBESS(t)表示储能装置在t时刻的剩余容量；分别表示储能装置的充电和放电效率；PBESS(t)＞0表示储能装置处于充电阶段，PBESS(t)≤0表示储能装置处于放电阶段。
优选地，所述微电网系统经济成本包括各分布式电源的投资成本、运维成本、向主电网购售电成本，同时考虑环保折算成本进行双目标优化；所述微电网整体优化函数为：
f＝min(CSUM+CEP)。
其中，CSUM表示总经济成本，CEP表示环保折算成本。
同时，所述微电网容量优化配置模型的目标函数运行经济成本，所述微电网系统运行的总经济成本是总资本成本，总运营维护成本，总购电成本和扣除总售电收益的总和，用公式表示如下：
CSUM＝CT+OMT+Cgd-Csd；
总资本成本CT包括：风力发电机CWP、太阳能光伏电池板CPV、电池存储系统CBESS和生物质发电机CBM，用公式表示为：
CT＝CWP+CPV+CBESS+CBM；
总运营和维护成本OMT包括风力发电机MWP、太阳能光伏电池板MPV、电池存储系统MBESS和生物质发电机MBM：
OMT＝MWP+MPV+MBESS+MBM；
微电网向主电网购电成本：
Cgd＝Egd(t)·cgd(t)；
其中，Egd(t)表示t时向主电网购入电量，cgd(t)表示t时购电电价
微电网向主电网售电收益：
Csd＝Esd(t)·csd(t)；
其中，Esd(t)表示t时向主电网售出电量，csd(t)表示t时售电电价
在本申请中，所述微电网容量优化配置模型的目标函数环保折算成本包括：所述处理成本为：
其中，xk表示对第k类污染物治理所需要的费用；yi,k表示第k类污染物的排放系数；Pi,t表示生物质发电机组在t时刻的发电量和微电网在t时刻向主电网购入的电量。
作为一种优选的微电网模型中主要考虑微电网内外的功率平衡约束、储能和生物质发电机的运行约束、与配电网的联络线功率约束，此外本文在微电网模型中加入火电机组爬坡约束，并将供电损失概率作为约束条件和评价指标。
所述功率平衡约束为：
当微电网运行时，系统内外功率是处于平衡的；微电网既可购电，也可售电，其中购电功率为正，售电功率为负；储能电池充电功率为正，放电功率为负；则系统运行的相关约束如下：
PWP+PPV+PBM+PBESS+PGRID＝PLOAD；
其中，PGRID表示微电网与主电网交换的功率，当PGRID为正值时表示微电网向主电网购入电量，为负值时表示售出电量；PLOAD表示当前时段的负荷值。
所述生物质发电机出力约束：
考虑到生物质发电机组发电功率与沼气量有关，消耗沼气量如下式约束：
其中，分别表示沼气消耗量的最大和最小值；
所述储能装置运行约束为：
其中，分别表示蓄电池出力的上限和下限；/>分别表示蓄电池储能容量的上限和下限；
所述微电网与主电网交换功率约束
微电网与电网进行电能交易，在系统内部供电不足时，则系统向电网进行购电；在系统内部风光生物质能出力大于负荷需求和储能容量时，则系统将多于的电量出售给电网；为减少系统能源浪费，减少系统对电网电压波动的影响，则购售电功率约束如下：
其中，分别为微电网与主电网交换功率的上限和下限；
所述火电机组爬坡约束为：
Pg,t-Pg,t-1≤RUg
Pg,t-1-Pg,t≤RDg
其中，Pg,t、Pg,t-1分别表示t时刻与t-1时刻的发电功率，RUg、RDg分别表示为火电机组单位时间内的增加或减少的出力；
所述微电网可靠性指标约束为：将负荷缺电量与系统正常运行T个时段总负荷量的比值作为系统供电损失概率LPSP：
供电损失概率越低证明微电网的可靠性越高，将供电损失概率作为约束条件，设定微电网系统运行时不超过其最大值范围；
LPSP≤LPSPmax
供电损失概率可作为衡量微电网可靠性运行的指标。
作为优选的实施方式，所述步骤四中，计算风力发电机、光伏发电装置与负载功率的差值
ΔP＝PL-PWP-PPV
当ΔP＞0时，若蓄电池中剩余电量达到下限值或蓄电池输出功率与风光输出功率之和小于负载功率，启动生物质发电机；受生物质发电机最大输出功率影响，若生物质发电机、蓄电池输出功率与风光输出功率之和仍然小于负载功率，则向主电网购电；若蓄电池剩余电量未达到下限值且风光储输出功率之和大于负载功率，只需要蓄电池放电弥补功率缺值，不启动生物质发电机，也无需向主电网购电；
当ΔP＜0时，若蓄电池中剩余电量超过上限值，蓄电池停止充电，多余发电量向主电网售出；若蓄电池中剩余电量未达到上限值，则蓄电池进行充电。
本发明以微电网运行经济成本和环保折算成本为优化变量，将风、光、生物质、储能容量作为决策变量，利用多目标粒子群算法求解并网型微电网的最佳容量配置。多目标粒子群算法是一种常用于多目标优化问题的启发式算法。能够在不同的目标函数中寻找最佳解，解决了单目标优化算法无法解决的问题，同时也可以避免在多目标问题中出现的局部最优解的问题。
所述步骤五包括以下步骤：
步骤五一：初始化数据；初始化粒子种群，种群中每个粒子都对应一个微电网系统最优容量配置方案；同时输入构成微电网系统的模型参数、MOPSO算法参数；
步骤五二：将微电网系统运行的经济成本和环保折算成本以及惩罚项作为粒子种群的个体适应度值并计算；
步骤五三：根据粒子的速度和位置公式对粒子进行更新，计算方式如下：
其中，表示下一时刻的粒子i的k维速度，/>表示当前α时刻的粒子i的k维速度，c1、c2为加速度常数，r1、r2为两个随机数函数。w为收缩因子，/>为个体极值，/>为全局最优值，/>为当前时刻粒子i的k维位置，/>为下一时刻粒子i的k维位置；
步骤五四：更新存档，对粒子种群进行分级排序，把最优的非支配帕累托解存入至外部存档集合，同时除去非帕累托解；
步骤五五：确定(个体极值)pbest；将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前粒子作为个体极值；如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多则作为pbest；
步骤五六：确定(全局最优值)gbest.采用外部存档集合保存帕累托前沿的最优解；
步骤五七：返回至步骤五三循环迭代到满足终止运行条件。
在上述步骤S6中，针对所提出优化配置方法，搭建仿真模型，本发明中搭建包含风力发电机、光伏发电装置、蓄电池储能装置、生物质发电机，对考虑火电机组爬坡约束的并网型微电网系容量优化配置方法的有效性进行验证。
典型日24h风速、光照强度曲线如图2所示，典型日负荷变化曲线如图3所示。
组成微电网系统的各类分布式电源相关参数如表1所示。微电网系统运行过程中污染物的排放费用以及处理参数如表2所示。每个时间段的购电和售电价格如表3所示。
表1微电网系统设备相关参数
表2污染物治理系数及费用
表3分时段购售电电价
表4容量优化配置结果
表4展示了加入火电机组爬坡约束前后的微电网容量配置情况，方案一为未添加爬坡约束的情况。增加火电机组的爬坡约束后，储能容量和风机容量有所上升，同时由于储能装置的增加微电网运行成本有所提高，而风力发电机的容量提升使得可再生能源发电比例提高从而降低了微电网运行的环保成本。通过对比两种方案的供电损失概率，可以发现增加火电机组爬坡约束后供电损失概率有明显的下降，这表明微电网的可靠性水平有所提高。仿真结果验证了本发明所提建立模型及控制策略的有效性及正确性。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，包括以下步骤：
步骤一：建立并网型微电网系统的模型；所述并网型微电网系统的模型包括：风力发电机，光伏发电装置，生物质发电机和蓄电池存储装置；
步骤二：建立微电网容量优化配置模型的目标函数，所述目标函数包括最小运行经济成本和最小化环保折算成本；所述运行经济成本，包括：总资本成本，总运营维护成本，总购电成本和扣除的总售电收益；所述环保折算成本，包括：对污染物的处理成本；
步骤三：建立多目标优化方法的相关约束条件；所属约束条件包括：微电网内外的功率平衡约束、储能和生物质发电机的运行约束、与配电网的联络线功率约束、火电机组爬坡约束以及微电网可靠性指标约束；
步骤四：建立并网型微电网系统的能源管理策略；
步骤五：根据多目标粒子群算法求解并网型微电网最佳容量配置问题。
2.根据权利要求1所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，所述步骤四中建立并网型微电网系统的模型，包括：风速建模、光伏建模、生物质发电建模以及蓄电池储能建模。
3.根据权利要求2所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，所述风速建模为风力发电机由非线性发电曲线控制；风力发电机在风速v t下产生的功率，具体计算如下：
其中，PWP表示风力发电机的实际输出功率；PR表示风力发电机的额定功率；vci、vco、vr分别表示切入风速、切出风速和额定风速；
所述光伏建模为：
其中，PPV表示光伏电池板发电功率；βpv表示光伏电池板实际条件下输出功率与额定条件下输出功率的比值；PPV,rc表示额定容量；IAC、IAC,STC分别为实际条件和光伏标准测试条件下的光照强度；TAC、TAC,STC分别表示实际条件和光伏标准测试条件下的光伏电池温度；α表示光伏电池板的温度系数；
所述生物质发电模型为：
其中，PBM表示生物质发电机组的输出功率；FPR表示沼气压强；FBM表示沼气消耗量；θ0、θ1、θ2、θ3均表示沼气发电模型根据拟合函数得到的参数；
所述蓄电池储能建模中，剩余容量表达式如下：
其中，EBESS(t)表示储能装置在t时刻的剩余容量；分别表示储能装置的充电和放电效率；PBESS(t)＞0表示储能装置处于充电阶段，PBESS(t)≤0表示储能装置处于放电阶段。
4.根据权利要求1所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，所述微电网系统经济成本包括各分布式电源的投资成本、运维成本、向主电网购售电成本，同时考虑环保折算成本进行双目标优化；所述微电网整体优化函数为：
f＝min(CSUM+CEP)。；
其中，CSUM表示总经济成本，CEP表示环保折算成本。
5.根据权利要求4所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，
所述微电网容量优化配置模型的目标函数运行经济成本，所述微电网系统运行的总经济成本是总资本成本，总运营维护成本，总购电成本和扣除总售电收益的总和，用公式表示如下：
CSUM＝CT+OMT+Cgd-Csd；
总资本成本CT包括：风力发电机CWP、太阳能光伏电池板CPV、电池存储系统CBESS和生物质发电机CBM，用公式表示为：
CT＝CWP+CPV+CBESS+CBM；
总运营和维护成本OMT包括风力发电机MWP、太阳能光伏电池板MPV、电池存储系统MBESS和生物质发电机MBM：
OMT＝MWP+MPV+MBESS+MBM；
微电网向主电网购电成本：
Cgd＝Egd(t)·cgd(t)；
其中，Egd(t)表示t时向主电网购入电量，cgd(t)表示t时购电电价
微电网向主电网售电收益：
Csd＝Esd(t)·csd(t)；
其中，Esd(t)表示t时向主电网售出电量，csd(t)表示t时售电电价。
6.根据权利要求4所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，所述微电网容量优化配置模型的目标函数环保折算成本包括：所述处理成本为：
其中，xk表示对第k类污染物治理所需要的费用；yi,k表示第k类污染物的排放系数；Pi,t表示生物质发电机组在t时刻的发电量和微电网在t时刻向主电网购入的电量。
7.根据权利要求1所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，
所述功率平衡约束为：
当微电网运行时，系统内外功率是处于平衡的；微电网既可购电，也可售电，其中购电功率为正，售电功率为负；储能电池充电功率为正，放电功率为负；则系统运行的相关约束如下：
PWP+PPV+PBM+PBESS+PGRID＝PLOAD；
其中，PGRID表示微电网与主电网交换的功率，当PGRID为正值时表示微电网向主电网购入电量，为负值时表示售出电量；PLOAD表示当前时段的负荷值。
所述生物质发电机出力约束：
考虑到生物质发电机组发电功率与沼气量有关，消耗沼气量如下式约束：
其中，分别表示沼气消耗量的最大和最小值；
所述储能装置运行约束为：
其中，分别表示蓄电池出力的上限和下限；/>分别表示蓄电池储能容量的上限和下限；
所述微电网与主电网交换功率约束
微电网与电网进行电能交易，在系统内部供电不足时，则系统向电网进行购电；在系统内部风光生物质能出力大于负荷需求和储能容量时，则系统将多于的电量出售给电网；为减少系统能源浪费，减少系统对电网电压波动的影响，则购售电功率约束如下：
其中，分别为微电网与主电网交换功率的上限和下限；
所述火电机组爬坡约束为：
Pg,t-Pg,t-1≤RUg
Pg,t-1-Pg,t≤RDg
其中，Pg,t、Pg,t-1分别表示t时刻与t-1时刻的发电功率，RUg、RDg分别表示为火电机组单位时间内的增加或减少的出力；
所述微电网可靠性指标约束为：将负荷缺电量与系统正常运行T个时段总负荷量的比值作为系统供电损失概率LPSP：
供电损失概率越低证明微电网的可靠性越高，将供电损失概率作为约束条件，设定微电网系统运行时不超过其最大值范围；
LPSP≤LPSPmax
供电损失概率可作为衡量微电网可靠性运行的指标。
8.根据权利要求1所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，
所述步骤四中，计算风力发电机、光伏发电装置与负载功率的差值
ΔP＝PL-PWP-PPV
当ΔP＞0时，若蓄电池中剩余电量达到下限值或蓄电池输出功率与风光输出功率之和小于负载功率，启动生物质发电机；受生物质发电机最大输出功率影响，若生物质发电机、蓄电池输出功率与风光输出功率之和仍然小于负载功率，则向主电网购电；若蓄电池剩余电量未达到下限值且风光储输出功率之和大于负载功率，只需要蓄电池放电弥补功率缺值，不启动生物质发电机，也无需向主电网购电；
当ΔP＜0时，若蓄电池中剩余电量超过上限值，蓄电池停止充电，多余发电量向主电网售出；若蓄电池中剩余电量未达到上限值，则蓄电池进行充电。
9.根据权利要求1所述的一种考虑火电机组爬坡影响的微电网容量优化配置方法，其特征在于，所述步骤五包括以下步骤：
步骤五一：初始化数据；初始化粒子种群，种群中每个粒子都对应一个微电网系统最优容量配置方案；同时输入构成微电网系统的模型参数、MOPSO算法参数；
步骤五二：将微电网系统运行的经济成本和环保折算成本以及惩罚项作为粒子种群的个体适应度值并计算；
步骤五三：根据粒子的速度和位置公式对粒子进行更新，计算方式如下：
其中，表示下一时刻的粒子i的k维速度，/>表示当前α时刻的粒子i的k维速度，c1、c2为加速度常数，r1、r2为两个随机数函数。w为收缩因子，/>为个体极值，/>为全局最优值，/>为当前时刻粒子i的k维位置，/>为下一时刻粒子i的k维位置；
步骤五四：更新存档，对粒子种群进行分级排序，把最优的非支配帕累托解存入至外部存档集合，同时除去非帕累托解；
步骤五五：确定个体极值pbest；将个体极值pbest作为粒子的初始个体极值，如果当前的粒子支配个体极值pbest，则将当前粒子作为个体极值；如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多则作为个体极值pbest；
步骤五六：确定全局最优值gbest.采用外部存档集合保存帕累托前沿的最优解；
步骤五七：返回至步骤五三循环迭代到满足终止运行条件。
CN202311674069.8A 2023-12-07 2023-12-07 一种考虑火电机组爬坡影响的微电网容量优化配置方法 Pending CN117639105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311674069.8A CN117639105A (zh) 2023-12-07 2023-12-07 一种考虑火电机组爬坡影响的微电网容量优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311674069.8A CN117639105A (zh) 2023-12-07 2023-12-07 一种考虑火电机组爬坡影响的微电网容量优化配置方法

Publications (1)

Publication Number Publication Date
CN117639105A true CN117639105A (zh) 2024-03-01

Family

ID=90021353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311674069.8A Pending CN117639105A (zh) 2023-12-07 2023-12-07 一种考虑火电机组爬坡影响的微电网容量优化配置方法

Country Status (1)

Country Link
CN (1) CN117639105A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977664A (zh) * 2024-04-02 2024-05-03 国网山东省电力公司诸城市供电公司 一种微电网储能控制系统、方法、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977664A (zh) * 2024-04-02 2024-05-03 国网山东省电力公司诸城市供电公司 一种微电网储能控制系统、方法、设备及介质

Similar Documents

Publication Publication Date Title
Yousif et al. An optimal dispatch strategy for distributed microgrids using PSO
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN103490410B (zh) 一种基于多目标优化的微电网规划和容量配置方法
CN111293691A (zh) 基于模型预测控制的微电网多时间尺度优化调度方法
CN105207259B (zh) 基于能量管理的并网状态下的微电网系统调度方法
Deng et al. System modeling and optimization of microgrid using genetic algorithm
CN112270433B (zh) 考虑可再生能源不确定性和用户满意度的微电网优化方法
CN107425534A (zh) 一种基于优化蓄电池充放电策略的微电网调度方法
CN111293718B (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
CN109873449A (zh) 一种户用微网中光储容量优化配置方法
CN111555364A (zh) 一种使用改进的灰狼优化器的微电网能量管理方法
CN115693793B (zh) 一种区域微电网能源优化控制方法
CN112952915B (zh) 一种综合能源系统中平抑电网峰谷的优化调度方法
CN112541778B (zh) 一种基于微电网参与两阶段市场出清系统优化运行方法
CN112561120B (zh) 一种基于微电网参考日前市场出清系统优化运行方法
CN117639105A (zh) 一种考虑火电机组爬坡影响的微电网容量优化配置方法
CN110943487B (zh) 一种园区能源系统能量优化的方法和装置
Daneshvar et al. Optimal Stochastic Water-Energy Nexus Management for Cooperative Prosumers in Modern Multi-Energy Networks
CN111064188A (zh) 一种基于净现值计算的光储系统容量配置方法
CN112636391B (zh) 一种风光储分布式能源系统容量配置方法
Yu et al. Research on the Optimal Capacity Configuration Method of Park-type Wind-photovoltaic Storage Complementary Power Generation System
Luo et al. The dynamic multi-objective optimal dispatch of grid-connected micro grid
An et al. A multi-energy microgrid configuration method in remote rural areas considering the condition value at risk
Jadallah Multi-object model for the hybrid wind-solar power generation with energy storage and inverter access capacity configuration
Wentao et al. Multi-objective optimization of capacity configuration for grid-connected microgrid system

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