CN117937598A - 一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法 - Google Patents
一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法 Download PDFInfo
- Publication number
- CN117937598A CN117937598A CN202311787974.4A CN202311787974A CN117937598A CN 117937598 A CN117937598 A CN 117937598A CN 202311787974 A CN202311787974 A CN 202311787974A CN 117937598 A CN117937598 A CN 117937598A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- photovoltaic power
- power generation
- low
- resident user
- 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 71
- 238000009826 distribution Methods 0.000 title claims abstract description 39
- 230000029087 digestion Effects 0.000 title claims abstract description 24
- 238000003763 carbonization Methods 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 106
- 238000010248 power generation Methods 0.000 claims abstract description 101
- 230000008901 benefit Effects 0.000 claims abstract description 76
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 67
- 238000011065 in-situ storage Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000002699 waste material Substances 0.000 claims abstract description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 28
- 238000010521 absorption reaction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 231100000719 pollutant Toxicity 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
本发明涉及一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,包括以下步骤:步骤1、建立光伏就地消纳收益模型;步骤2、采用Stackelberg博弈模型,确定光伏发电方和居民用户方的最优的交易电价,并得到各光伏电站在TPV内的弃光电量;步骤3、建立居民用户的低碳消纳控制模型;步骤4、建立双层优化模型,处理步骤1中建立的居民用户收益模型和光伏发电方收益模型和步骤3中建立的居民用户的低碳消纳控制模型,输出最大低碳消纳效益,实现配电网分布式光伏低碳化消纳。本发明能够解决现有技术中配电网分布式光伏发电功率不能大量就地消纳的问题。
Description
技术领域
本发明属于以电网低碳化运行为目标的区域分布式光伏无模型自适应调控技术领域,涉及一种配电网分布式光伏低碳化消纳方法,尤其是一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法。
背景技术
随着可再生能源的快速发展和环境保护意识的增强,分布式光伏发电系统在配电网中的规模不断增大。传统的中央化发电方式存在着能源资源集中、输电损耗大、环境污染等问题,而分布式光伏发电系统具有分布广泛、可再生、清洁无污染等优势,成为实现能源转型和低碳经济的重要手段。然而,由于光伏发电的间歇性和波动性,将大量分布式光伏系统接入配电网可能引发一系列的问题,如电网稳定性、能量消纳和经济效益等。
另外,分布式光伏发电系统的接入对配电网的运行和规划也提出了新的挑战。传统的配电网结构设计是基于中央化发电和单向电力流动的模式,而分布式光伏发电系统的接入使得电力流动变得复杂多样。光伏发电系统所有者(售电公司)和居民用户之间的交互变得更加复杂。售电公司需要制定合理的电价策略,以吸引居民用户参与光伏电力消纳,而居民用户则需要根据电价策略来决定自己的用电行为。因此,需要一种方法来协调售电公司和居民用户之间的交互行为,以实现最优的能量消纳。
在解决光伏发电消纳问题的研究中,有诸如基于优化的方法、基于人工智能的方法和基于需求响应的方法。基于优化的方法主要是通过数学模型来优化电力系统的运行,以实现光伏发电的最大消纳。这种方法的优点是可以得到全局最优解,但是,由于电力系统的复杂性,这种方法可能需要大量的计算资源,而且对于实时的电力系统运行可能不适用。
基于人工智能的方法主要是通过机器学习和深度学习等人工智能技术,对光伏发电的产量进行预测,然后根据预测结果调整电力系统的运行。这种方法的优点是可以实现实时的电力系统运行,但是对数据的质量和数量有很高的要求,而且预测的准确性也会直接影响电力系统的运行。
基于需求响应的方法主要是通过调整电力消费者的电力需求,来实现光伏发电的消纳。这种方法的优点是可以直接影响电力消费者的电力消费行为,但是需要电力消费者的积极参与,而且可能会影响电力消费者的正常生活。
综上所述,现有技术中的配电网分布式光伏低碳化消纳方法,存在如下缺陷:(1)现有技术中配电网分布式光伏发电功率难以实现大量就地消纳;(2)难以平衡售电公司和居民用户之间的交互行为,实现最优的能量消纳。
经检索,未发现与本发明相同或相似的现有技术的文献。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,能够解决现有技术中配电网分布式光伏发电功率不能大量就地消纳的问题。
本发明解决其现实问题是采取以下技术方案实现的:
一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,包括以下步骤:
步骤1、建立光伏就地消纳收益模型;
步骤2、基于步骤1所建立的居民用户收益模型和光伏发电方收益模型,采用Stackelberg博弈模型,确定光伏发电方和居民用户方的最优的交易电价,并得到各光伏电站在TPV内的弃光电量。
步骤3、基于步骤2确定最优的交易电价和获得的各光伏电站在光伏控制消纳时段TPV内的弃光电量的基础上,建立居民用户的低碳消纳控制模型;
步骤4、建立双层优化模型,处理步骤1中建立的居民用户收益模型和光伏发电方收益模型和步骤3中建立的居民用户的低碳消纳控制模型,输出最大低碳消纳效益,实现配电网分布式光伏低碳化消纳;
而且,所述步骤1的光伏就地消纳收益模型包括居民用户收益模型和光伏发电方收益模型,其中,居民用户收益模型为:
以15min为一个计量时段T,认为此时段内用电设备功率和光伏出力不变。居民用户i在T内从电网购电的综合收益如下式所示,与光伏电站以交易电价直接交易的综合收益/>如下式所示:
式中,为居民用户i在T内的效益系数;p'g为居民用户平均电价;ps为交易电价;和/>分别为居民用户i在T内的正常用电量和消纳的分布式光伏电量。
其中,光伏发电方收益模型为:
若仅考虑光伏发电相对煤电在同等电量下节省的污染物环境价值,假设共有n个居民用户,则光伏发电方在T内的低碳效益可以表示为:
式中,e1为传统煤电生产单位电能的环境价值,在本发明中取值为0.9739元/(kW·h)。
将光伏发电碳成本折算到T内为
式中:β为运维过程与生产运输过程碳排放的比例,在本发明中取5%;ypv为光伏有效使用年限,一般为25a;Ppv,j为第j个光伏电站的接入容量;e2为CO2的碳交易价格,在本发明中取0.0528元/kg;e3为光伏发电的运行可变碳成本,取0.0042元/(kW·h);m为光伏电站的数量。
光伏发电方在T内的低碳运行效益如下式所示:
光伏发电方的售电收益包括采用交易电价ps就地消纳的收益和电网收购的收益,其中光伏上网电价需要考虑指导电价、补贴电价和过网费;
设定光伏并网母线电压越限时段为光伏控制消纳时段TPV,则m个光伏发电方在TPV内的售电收益可以表示为:
式中,npv为TPV内包含的计量时段个数;
ps为光伏发电方j在T内的发电量;pA为光伏上网电价,如下式所示:
pA=pgs+ppol-pμ
式中,pgs为集中式光伏电站指导电价;ppol为补贴电价;pμ为过网费。
而且,所述步骤2的具体步骤包括:
(1)基于步骤1所建立的居民用户收益模型和光伏发电方收益模型,采用Stackelberg博弈模型证明存在纳什均衡,以光伏发电方为领导者、农业园区方为跟随者,通过最大化两者整体综合收益,确定最优交易电价;为节省居民用户的用电成本,需要满足ps≤p′g;
(2)在TPV内,以最大化光伏发电方和居民用户方整体综合收益F1为目标函数,如下式所示:
(3)证明最优交易电价ps,best存在后,确定光伏发电方最优博弈策略为ΩT(ps,best);光伏发电方收集博弈信息后,根据下式分别判断最优时移消纳光伏电量是否满足居民用户当前时段最大负荷限制,以及其是否满足当前时段光伏最大待消纳电量限制,若越限则取临界值:
式中,分别是居民用户i在T内消纳光伏电量的上、下限。
(4)按照电压质量的相关标准,光伏并网母线电压偏移不得超过额定电压UN的±7%,表示为下式:
0.93UN≤Upv,j≤1.07UN
式中:Upv,j为第j个分布式光伏电站的并网母线电压。
(5)采用最优交易电价ps,best进行光伏发电功率就地消纳时,居民用户i在T内存在最优时移消纳功率Ppvbest,i,可以确定居民用户方最优博弈策略计算TPV内各光伏电站正常出力;根据各光伏并网母线的电压波动情况,令不满足光伏并网母线电压偏移约束的光伏并网母线取电压临界值,并重新计算TPV内各光伏电站正常出力;最后确定满足该约束的各光伏电站在TPV内的弃光电量。
而且,所述步骤3的居民用户的低碳消纳控制模型包括:
(1)以居民用户i在T内的最大低碳消纳效益为目标函数,表示为:
式中,narg为居民用户的时移设备种类数;Parg,s为第s类时移设备的额定功率;为第s类时移设备在T内的使用数量;Aarg,s为第s类时移设备的低碳效益。
(2)居民用户按照生活需求配备不同的用电设备,在T内控制时移设备进行光伏发电功率就地消纳时,不能超过其最大配置数量,如下式所示:
式中,Nmax,s为居民用户第s类时移设备的配置数量。
(3)最优时移消纳功率完成度用就地消纳违约率/>来衡量,可以表示为:
(4)设置的限制条件如下式所示:
而且,所述步骤4的具体步骤包括:
4.1确定光伏控制消纳时段TPV以及光伏代消纳功率。
4.2光伏发电方执行ps,通过Stackelberg博弈确定TPV内光伏发电和居民用户整体综合收益F1。
4.3判断F1是否最大,最大则进行下一步,否则跳到步骤4.2继续计算。
4.4根据max F1确定ps,best和输出F1和/>
4.5根据F1和确定TPV内各光伏电站出力。
4.6判断光伏并网母线电压是否越限,若未越限,则直接得出各光伏电站的弃光电量;若越限,则令Upv,j=1.07UN或0.93UN,跳到步骤4.5继续计算。
4.7根据弃光电量建立最大低碳消纳效益函数,确定居民用户时移设备信息,建立初始种群。
4.8使用NSGA-II算法,根据设备配置数量约束以及就地消纳违约率约束,得到Pareto解,输出最大低碳消纳效益,实现配电网分布式光伏低碳化消纳。
本发明的优点和有益效果:
1、本发明提出一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,为光伏发电系统的优化运行提供了一种有效的策略。本发明针对配电网分布式光伏发电功率不能大量就地消纳的问题,以光伏发电和居民用户的整体综合收益最大为目标函数,通过Stackelberg博弈模型确定最优交易电价和最优时移消纳功率;在满足就地消纳违约率约束要求的情况下,确定不同分布式光伏配电网的最大低碳消纳效益。最终,光伏发电与居民用户各方的收益均得到提高,减少了弃光电量,增加了低碳效益;各居民用户具有就地消纳光伏发电功率的能力,且附加低碳效益得到有效提高。
2、本发明通过协调售电公司和居民用户之间的交互行为,可以实现最优的能量消纳,同时降低碳排放。该方法具有潜力在配电网领域得到广泛应用,并推动可持续发展实现。
附图说明
图1是本发明的一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法的流程图,分为上层控制和下层控制;
图2是本发明使用的IEEE33节点配电系统结构图;
图3是未引入本发明前光伏并网母线电压的波动曲线图;
图4是本发明中F1与ps的关系曲线图;
图5是本发明的最优博弈策略下光伏并网母线的电压波动曲线图;
图6是本发明在时段TPV内各计量时段T中的Pareto前沿曲线图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,包括以下步骤:
步骤1、建立光伏就地消纳收益模型;
所述步骤1的光伏就地消纳收益模型包括居民用户收益模型和光伏发电方收益模型,以便于在后续步骤2中进行最优交易电价的确定。
其中,居民用户收益模型为:
以15min为一个计量时段T,认为此时段内用电设备功率和光伏出力不变。居民用户i在T内从电网购电的综合收益如下式所示,与光伏电站以交易电价直接交易的综合收益/>如下式所示:
式中,为居民用户i在T内的效益系数;p'g为居民用户平均电价;ps为交易电价;和/>分别为居民用户i在T内的正常用电量和消纳的分布式光伏电量。
其中,光伏发电方收益模型为:
若仅考虑光伏发电相对煤电在同等电量下节省的污染物环境价值,假设共有n个居民用户,则光伏发电方在T内的低碳效益可以表示为:
式中,e1为传统煤电生产单位电能的环境价值,在本发明中取值为0.9739元/(kW·h)。
此外,光伏板的生产需要使用传统煤电,运输安装时也会产生CO2,假设此部分碳排放通过参与碳交易成为光伏发电的固定碳成本。光伏电站运行维护阶段的碳成本主要是破损光伏板的替换和光伏设备维护的碳排放,研究表明光伏电站运维可变成本为0.0042元/(kW·h),将其作为光伏发电的运维可变碳成本。生产和运输1MW光伏系统所产生CO2约为1924.378t。
将光伏发电碳成本折算到T内为
式中:β为运维过程与生产运输过程碳排放的比例,在本发明中取5%;ypv为光伏有效使用年限,一般为25a;Ppv,j为第j个光伏电站的接入容量;e2为CO2的碳交易价格,在本发明中取0.0528元/kg;e3为光伏发电的运行可变碳成本,取0.0042元/(kW·h);m为光伏电站的数量。
光伏发电方在T内的低碳运行效益如下式所示:
光伏发电方的售电收益包括采用交易电价ps就地消纳的收益和电网收购的收益,其中光伏上网电价需要考虑指导电价、补贴电价和过网费;
设定光伏并网母线电压越限时段为光伏控制消纳时段TPV,则m个光伏发电方在TPV内的售电收益可以表示为:
式中,npv为TPV内包含的计量时段个数;
ps为光伏发电方j在T内的发电量;pA为光伏上网电价,如下式所示:
pA=pgs+ppol-pμ
式中,pgs为集中式光伏电站指导电价;ppol为补贴电价;pμ为过网费。
步骤2、基于步骤1所建立的居民用户收益模型和光伏发电方收益模型,采用Stackelberg博弈模型,确定光伏发电方和居民用户方的最优的交易电价,并得到各光伏电站在TPV内的弃光电量。
在步骤2中,为了实现这一目标,基于步骤1所建立的居民用户收益模型和光伏发电方收益模型,本发明采用Stackelberg博弈模型,并证明存在纳什均衡。在这个模型中,光伏发电方作为领导者,居民用户方作为跟随者,通过最大化两者的整体综合收益,可以确定最优的交易电价,并得到各光伏电站在光伏控制消纳时段TPV内的弃光电量。
所述步骤2的具体步骤包括:
(1)基于步骤1所建立的居民用户收益模型和光伏发电方收益模型,采用Stackelberg博弈模型证明存在纳什均衡,以光伏发电方为领导者、农业园区方为跟随者,通过最大化两者整体综合收益,确定最优交易电价。为节省居民用户的用电成本,需要满足ps≤p'g;
(2)在TPV内,以最大化光伏发电方和居民用户方整体综合收益F1为目标函数,如下式所示:
在本实施例中,并非所有的博弈都存在数值解,但可以证明该博弈模型存在最优解,即存在最优交易电价,具体证明过程如下所示:
(1)对居民用户i在T内从电网购电的综合收益求关于/>的一阶偏导,得到下式:
(2)居民用户i正常使用电量时,存在效益系数/>使居民用户i的综合收益最大。令(1)中等式为0,得到下式:
(3)假定不变,参与最优交易电价就地消纳模型中各方收益的计算。计算/>关于/>的一阶和二阶导数分别如下式所示:
(4)由(3)中的式子可知,是关于/>的严格凸函数,因此,存在/>使得最大。令(3)中的一阶导数为0,可以得到下式:
将(2)中的等式代入上式,简化ps与的博弈关系,如下式所示:
(5)将(4)中简化博弈关系后的等式代入目标函数等式,计算F1关于ps的二阶导数,如下式所示:
由上式可知,F1是关于ps的严格凸函数,由此证明存在最优交易电价ps,best,使得F1最大。
(3)证明最优交易电价ps,best存在后,确定光伏发电方最优博弈策略为ΩT(ps,best);光伏发电方收集博弈信息后,根据下式分别判断最优时移消纳光伏电量是否满足居民用户当前时段最大负荷限制,以及其是否满足当前时段光伏最大待消纳电量限制,若越限则取临界值:
式中,分别是居民用户i在T内消纳光伏电量的上、下限。
(4)按照电压质量的相关标准,光伏并网母线电压偏移不得超过额定电压UN的±7%,表示为下式:
0.93UN≤Upv,j≤1.07UN
式中:Upv,j为第j个分布式光伏电站的并网母线电压。
(5)采用最优交易电价ps,best进行光伏发电功率就地消纳时,居民用户i在T内存在最优时移消纳功率Ppvbest,i,可以确定居民用户方最优博弈策略计算TPV内各光伏电站正常出力;根据各光伏并网母线的电压波动情况,令不满足光伏并网母线电压偏移约束的光伏并网母线取电压临界值,并重新计算TPV内各光伏电站正常出力;最后确定满足该约束的各光伏电站在TPV内的弃光电量。
步骤3、基于步骤2确定最优的交易电价和获得的各光伏电站在光伏控制消纳时段TPV内的弃光电量的基础上,建立居民用户的低碳消纳控制模型;
在步骤2的基础上,通过控制居民用户的负荷,可以确保居民用户获得最大的低碳消纳效益。
所述步骤3的居民用户的低碳消纳控制模型包括:
(1)以居民用户i在T内的最大低碳消纳效益为目标函数,表示为:
式中,narg为居民用户的时移设备种类数;Parg,s为第s类时移设备的额定功率;为第s类时移设备在T内的使用数量;Aarg,s为第s类时移设备的低碳效益。
(2)居民用户按照生活需求配备不同的用电设备,在T内控制时移设备进行光伏发电功率就地消纳时,不能超过其最大配置数量,如下式所示:
式中,Nmax,s为居民用户第s类时移设备的配置数量。
(3)最优时移消纳功率完成度用就地消纳违约率/>来衡量,可以表示为:
(4)此外,为了更好地完成最优时移消纳功率策略,设置的限制条件如下式所示:
步骤4、建立双层优化模型,处理步骤1中建立的居民用户收益模型和光伏发电方收益模型和步骤3中建立的居民用户的低碳消纳控制模型,输出最大低碳消纳效益,实现配电网分布式光伏低碳化消纳。
所述步骤4的双层优化模型为:
在上层,确定最优交易电价,并设置了一个目标函数控制模型,考虑到光伏并网母线电压的限制条件,采用Stackelberg博弈求解。在下层,使用居民用户的低碳消纳控制模型,并设置了一个目标函数优化模型,采用改进的非支配排序遗传算法(non-dominatedsorted genetic algorithm-II,NSGA-II)以实数形式编码,求解Pareto最优解。
其求解流程图如图1所示。
所述步骤4的具体步骤包括:
4.1确定光伏控制消纳时段TPV以及光伏代消纳功率。
4.2光伏发电方执行ps,通过Stackelberg博弈确定TPV内光伏发电和居民用户整体综合收益F1。
4.3判断F1是否最大,最大则进行下一步,否则跳到步骤4.2继续计算。
4.4根据max F1确定ps,best和输出F1和/>
4.5根据F1和确定TPV内各光伏电站出力。
4.6判断光伏并网母线电压是否越限,若未越限,则直接得出各光伏电站的弃光电量;若越限,则令Upv,j=1.07UN或0.93UN,跳到步骤4.5继续计算。
4.7根据弃光电量建立最大低碳消纳效益函数,确定居民用户时移设备信息,建立初始种群。
4.8使用NSGA-II算法,根据设备配置数量约束以及就地消纳违约率约束,得到Pareto解,输出最大低碳消纳效益,实现配电网分布式光伏低碳化消纳。
下面通过具体算例对本发明作进一步说明:
本发明的可行性通过在电压等级为12.66kV的IEEE33总线系统上进行测试来验证,该配电区域总负荷为3.78+j1.135MV·A。对测试系统稍作修改,修改后的IEEE33总线系统结构图见图2。
设有6个集中式并网的村级光伏电站,安装在节点7、9、15、27、29、32,接入容量分别为1100、1100、600、1000、900、600kW。其余节点为普通居民用户,负荷信息见表1。
表1 IEEE 33节点配电网负荷信息
/>
在引入最优交易电价就地消纳模型前,光伏出力时段08:00—18:00内各光伏并网母线电压波动如图3所示,图中电压为标幺值。由图3可知,光伏并网母线电压在时段12:00—14:45之间出现越限,电压偏移超过规定值7%。
设置ps的仿真步长为0.001元/(kW·h),光伏发电方选择交易电价ps从0.350元/(kW·h)变化到0.450元/(kW·h)时,在整个TPV内,F1与ps的关系如图4所示。
由图4可知,当光伏发电方选择最优交易电价ps,best=0.390元/(kW·h)时,F1取得最大值,为4014.222元,即光伏发电方最优博弈策略为ΩT(0.390)。由于所选计量时段为15min,且认为此时段内用电设备功率和光伏出力不变,则有根据博弈关系式,确定部分居民用户满足约束的最优时移消纳功率/>如表2所示。
表2居民用户最优时移消纳功率
将居民用户部分用电负荷转移至时段TPV后,选择光伏并网节点7、9、15、27、28、32,判断居民用户方最优博弈策略能否维持光伏并网母线电压在允许范围内,弃光电量问题是否得到缓解。在/>情况下的光伏并网母线如图5所示。
在居民用户方最优博弈策略下,考虑居民用户用电成本,采用最优交易电价就地消纳模型之后,居民用户和光伏发电方的经济效益如表3所示。
表3采用就地消纳模型前后的经济效益对比
由表3可知,采用最优交易电价就地消纳模型可促进居民用户方的就地消纳意愿,光伏电站通过减少弃光电量产生的额外收益为355.037元,增加了低碳运行效益。
选取居民用户2为例进行控制,经过仿真,在满足的约束条件时,以/> 分别为横、纵轴,确定在时段TPV内各计量时段T中的Pareto前沿,如图6所示。由图6可知,居民用户在各计量时段的Pareto前沿变化趋势都是倾向于左下方,表明最优解集在各个计量时段内都互不支配,满足非支配解定义,从而证明采用NSGA-Ⅱ求解出的最优解是可信任的。
本发明的工作原理是:
相比于上述的方法,本发明提出基于Stackelberg博弈的方法有以下的优势:1)动态性:Stackelberg博弈方法考虑了电力市场的动态性,可以根据市场条件的变化动态调整电力价格,从而实现光伏发电的有效消纳。2)灵活性:Stackelberg博弈方法可以处理电力系统的不确定性,通过博弈论的思想,可以找到电力市场的纳什均衡,从而实现电力系统的稳定运行。3)公平性:Stackelberg博弈方法考虑了电力公司和消费者的利益,通过博弈论的思想,可以实现电力公司和消费者的公平交易。4)可扩展性:Stackelberg博弈方法可以扩展到多领导者和多跟随者的情况,可以处理复杂的电力市场。总的来说,基于Stackelberg博弈的方法通过考虑电力市场的动态性、灵活性、公平性和可扩展性,可以有效地解决光伏发电的消纳问题,具有很大的应用潜力。
Stackelberg博弈是一种策略优化方法,可用于分析和优化多个参与者之间的决策问题。在该方法中,售电公司被视为领导者,居民用户被视为追随者,建立了售电公司与居民用户之间的非完全信息Stackelberg博弈模型。通过逆向归纳法获取博弈的纳什均衡解,可以确定最优的电价策略和用电行为。
该方法的核心思想是通过博弈模型的求解,实现售电公司和居民用户之间的协同优化,以实现最大的能量消纳。具体而言,售电公司通过制定合理的电价策略来吸引居民用户参与光伏电力消纳,而居民用户根据电价策略来决定自己的用电行为。通过博弈模型的求解,可以确定最优的交易电价和用电行为。
此外,分时电价策略在该方法中起到了重要的作用。分时电价策略是根据电力系统的负荷需求和供给情况,将一天分为不同时间段,并对不同时间段的电价进行调整。通过合理设置分时电价,可以引导用户在高光伏发电功率时段增加用电负荷,从而提高光伏电力的消纳率,减少对传统电力的依赖,实现低碳化消纳。
综上所述,基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法为光伏发电系统的优化运行提供了一种有效的策略。通过协调售电公司和居民用户之间的交互行为,可以实现最优的能量消纳,同时降低碳排放。该方法具有潜力在配电网领域得到广泛应用,并推动可持续发展的实现。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,其特征在于:包括以下步骤:
步骤1、建立光伏就地消纳收益模型;
步骤2、基于步骤1所建立的居民用户收益模型和光伏发电方收益模型,采用Stackelberg博弈模型,确定光伏发电方和居民用户方的最优的交易电价,并得到各光伏电站在TPV内的弃光电量;
步骤3、基于步骤2确定最优的交易电价和获得的各光伏电站在光伏控制消纳时段TPV内的弃光电量的基础上,建立居民用户的低碳消纳控制模型;
步骤4、建立双层优化模型,处理步骤1中建立的居民用户收益模型和光伏发电方收益模型和步骤3中建立的居民用户的低碳消纳控制模型,输出最大低碳消纳效益,实现配电网分布式光伏低碳化消纳。
2.根据权利要求1所述的一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,其特征在于:所述步骤1的光伏就地消纳收益模型包括居民用户收益模型和光伏发电方收益模型,其中,居民用户收益模型为:
以15min为一个计量时段T,认为此时段内用电设备功率和光伏出力不变;居民用户i在T内从电网购电的综合收益如下式所示,与光伏电站以交易电价直接交易的综合收益如下式所示:
式中,为居民用户i在T内的效益系数;p'g为居民用户平均电价;ps为交易电价;/>和分别为居民用户i在T内的正常用电量和消纳的分布式光伏电量;
其中,光伏发电方收益模型为:
若仅考虑光伏发电相对煤电在同等电量下节省的污染物环境价值,假设共有n个居民用户,则光伏发电方在T内的低碳效益可以表示为:
式中,e1为传统煤电生产单位电能的环境价值,在本发明中取值为0.9739元/(kW·h);
将光伏发电碳成本折算到T内为
式中:β为运维过程与生产运输过程碳排放的比例,在本发明中取5%;ypv为光伏有效使用年限,一般为25a;Ppv,j为第j个光伏电站的接入容量;e2为CO2的碳交易价格,在本发明中取0.0528元/kg;e3为光伏发电的运行可变碳成本,取0.0042元/(kW·h);m为光伏电站的数量;
光伏发电方在T内的低碳运行效益如下式所示:
光伏发电方的售电收益包括采用交易电价ps就地消纳的收益和电网收购的收益,其中光伏上网电价需要考虑指导电价、补贴电价和过网费;
设定光伏并网母线电压越限时段为光伏控制消纳时段TPV,则m个光伏发电方在TPV内的售电收益可以表示为:
式中,npv为TPV内包含的计量时段个数;
ps为光伏发电方j在T内的发电量;pA为光伏上网电价,如下式所示:
pA=pgs+ppol-pμ
式中,pgs为集中式光伏电站指导电价;ppol为补贴电价;pμ为过网费。
3.根据权利要求1所述的一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,其特征在于:所述步骤2的具体步骤包括:
(1)基于步骤1所建立的居民用户收益模型和光伏发电方收益模型,采用Stackelberg博弈模型证明存在纳什均衡,以光伏发电方为领导者、农业园区方为跟随者,通过最大化两者整体综合收益,确定最优交易电价;为节省居民用户的用电成本,需要满足ps≤p'g;
(2)在TPV内,以最大化光伏发电方和居民用户方整体综合收益F1为目标函数,如下式所示:
(3)证明最优交易电价ps,best存在后,确定光伏发电方最优博弈策略为ΩT(ps,best);光伏发电方收集博弈信息后,根据下式分别判断最优时移消纳光伏电量是否满足居民用户当前时段最大负荷限制,以及其是否满足当前时段光伏最大待消纳电量限制,若越限则取临界值:
式中,分别是居民用户i在T内消纳光伏电量的上、下限;
(4)按照电压质量的相关标准,光伏并网母线电压偏移不得超过额定电压UN的±7%,表示为下式:
0.93UN≤Upv,j≤1.07UN
式中:Upv,j为第j个分布式光伏电站的并网母线电压;
(5)采用最优交易电价ps,best进行光伏发电功率就地消纳时,居民用户i在T内存在最优时移消纳功率Ppvbest,i,可以确定居民用户方最优博弈策略计算TPV内各光伏电站正常出力;根据各光伏并网母线的电压波动情况,令不满足光伏并网母线电压偏移约束的光伏并网母线取电压临界值,并重新计算TPV内各光伏电站正常出力;最后确定满足该约束的各光伏电站在TPV内的弃光电量。
4.根据权利要求1所述的一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,其特征在于:所述步骤3的居民用户的低碳消纳控制模型包括:
(1)以居民用户i在T内的最大低碳消纳效益为目标函数,表示为:
式中,narg为居民用户的时移设备种类数;Parg,s为第s类时移设备的额定功率;为第s类时移设备在T内的使用数量;Aarg,s为第s类时移设备的低碳效益;
(2)居民用户按照生活需求配备不同的用电设备,在T内控制时移设备进行光伏发电功率就地消纳时,不能超过其最大配置数量,如下式所示:
式中,Nmax,s为居民用户第s类时移设备的配置数量;
(3)最优时移消纳功率完成度用就地消纳违约率/>来衡量,可以表示为:
(4)设置的限制条件如下式所示:
5.根据权利要求1所述的一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法,其特征在于:所述步骤4的具体步骤包括:
4.1确定光伏控制消纳时段TPV以及光伏代消纳功率;
4.2光伏发电方执行ps,通过Stackelberg博弈确定TPV内光伏发电和居民用户整体综合收益F1;
4.3判断F1是否最大,最大则进行下一步,否则跳到步骤4.2继续计算;
4.4根据max F1确定ps,best和输出F1和/>
4.5根据F1和确定TPV内各光伏电站出力;
4.6判断光伏并网母线电压是否越限,若未越限,则直接得出各光伏电站的弃光电量;若越限,则令Upv,j=1.07UN或0.93UN,跳到步骤4.5继续计算;
4.7根据弃光电量建立最大低碳消纳效益函数,确定居民用户时移设备信息,建立初始种群;
4.8使用NSGA-II算法,根据设备配置数量约束以及就地消纳违约率约束,得到Pareto解,输出最大低碳消纳效益,实现配电网分布式光伏低碳化消纳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787974.4A CN117937598A (zh) | 2023-12-25 | 2023-12-25 | 一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787974.4A CN117937598A (zh) | 2023-12-25 | 2023-12-25 | 一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117937598A true CN117937598A (zh) | 2024-04-26 |
Family
ID=90756556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311787974.4A Pending CN117937598A (zh) | 2023-12-25 | 2023-12-25 | 一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117937598A (zh) |
-
2023
- 2023-12-25 CN CN202311787974.4A patent/CN117937598A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reddy | Optimal scheduling of thermal-wind-solar power system with storage | |
CN107958300B (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
Nikmehr et al. | Reliability evaluation of multi-microgrids considering optimal operation of small scale energy zones under load-generation uncertainties | |
Zhao et al. | Distributed model predictive control strategy for islands multimicrogrids based on noncooperative game | |
Ju et al. | A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator | |
CN112564102B (zh) | 多微网负荷优化调度方法和系统 | |
Li et al. | Two-stage community energy trading under end-edge-cloud orchestration | |
CN112085327B (zh) | 一种配电商参与的主动配电网多层分区调控方法及系统 | |
Peng et al. | Optimized economic operation strategy for distributed energy storage with multi-profit mode | |
Du et al. | RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm | |
Meena et al. | Modified taguchi-based approach for optimal distributed generation mix in distribution networks | |
CN111563637A (zh) | 基于需求响应的多目标概率最优潮流计算方法及装置 | |
Liu et al. | Optimal dispatch strategy of virtual power plants using potential game theory | |
CN115759610A (zh) | 一种电力系统源网荷储协同的多目标规划方法及其应用 | |
Tan et al. | Joint scheduling optimization of virtual power plants and equitable profit distribution using shapely value theory | |
Dai et al. | An equilibrium model of the electricity market considering the participation of virtual power plants | |
Yin et al. | Collaborative decision-making model for capacity allocation of photovoltaics energy storage system under Energy Internet in China | |
Liang et al. | Optimal unit commitment integrated energy storage system, renewable energy sources and FACTS devices with robust method | |
CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
Tang et al. | Unit maintenance strategy considering the uncertainty of energy intensive load and wind power under the carbon peak and carbon neutral target | |
Hu et al. | A low‐carbon dispatch of power system incorporating active distribution networks based on locational marginal emission | |
Ma et al. | Evaluation model for economic operation of active distribution network orienting to energy internet | |
CN117937598A (zh) | 一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法 | |
Fiorotti et al. | A novel strategy for simultaneous active/reactive power design and management using artificial intelligence techniques | |
Wang et al. | Multi-timescale risk scheduling for transmission and distribution networks for highly proportional distributed energy access |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |