WO2014153946A1 - 独立微网系统的优化方法 - Google Patents

独立微网系统的优化方法 Download PDF

Info

Publication number
WO2014153946A1
WO2014153946A1 PCT/CN2013/085158 CN2013085158W WO2014153946A1 WO 2014153946 A1 WO2014153946 A1 WO 2014153946A1 CN 2013085158 W CN2013085158 W CN 2013085158W WO 2014153946 A1 WO2014153946 A1 WO 2014153946A1
Authority
WO
WIPO (PCT)
Prior art keywords
energy storage
storage battery
load
diesel generator
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.)
Ceased
Application number
PCT/CN2013/085158
Other languages
English (en)
French (fr)
Inventor
赵波
陈健
张雪松
周金辉
葛晓慧
李鹏
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.)
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
State Grid Corp of China SGCC
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 Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to US14/779,951 priority Critical patent/US9985438B2/en
Publication of WO2014153946A1 publication Critical patent/WO2014153946A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; 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 networks by storage of energy
    • H02J3/32—Arrangements for balancing of the load in networks by storage of energy using batteries or super capacitors with converting means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; 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 feeding a single network from two or more generators or sources in parallel; Arrangements for feeding already energised networks from additional generators or sources in parallel
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/14—District level solutions, i.e. local energy networks

Definitions

  • the present application relates to the field of independent microgrid systems, and in particular to an optimization method for an independent piconet system.
  • the independent microgrid system refers to a small power system that is isolated and operated independently from the large power grid. It is mainly used for power supply in remote areas or islands, and makes full use of renewable energy to generate electricity, such as photovoltaic arrays and wind power generation.
  • the units are combined to effectively utilize the advantages of a single energy system, achieve multiple energy complements, improve the efficiency and energy efficiency of the entire independent microgrid system, and have lower cost than a single optical storage system or wind storage system. And higher power supply reliability.
  • the quasi-steady-time simulation optimization design method based on meteorological data and load data is used.
  • the quasi-steady state simulation program is used according to the raw data of wind speed, illumination intensity, temperature and load obtained during the whole life cycle of the system. , Calculate the indicators of the system under different types of renewable energy portfolios.
  • This method can simulate the renewable energy resources and load changes in the whole life cycle in detail, and the operation control strategy of the independent microgrid system, but it takes a lot of simulation calculation time.
  • the optimization problem is A hybrid optimization planning problem involving discrete variables and continuous variables is generally solved by artificial intelligence algorithms.
  • it is usually desirable to meet multiple index constraints at the same time.
  • different targets often conflict with each other.
  • the size of the single-machine capacity of the diesel generator and the combined startup mode of the multi-machine equipment directly affect the whole.
  • the existing independent microgrid optimization design method are simplified for this problem.
  • the total power of the diesel generator set can only be optimized, and the type and multi-machine of the diesel generator are not considered.
  • the combination optimization of the device type and the device capacity is not considered at the same time.
  • the embodiment of the present application provides an independent micro-network system optimization design method, so as to realize multi-objective optimization design of an independent micro-network system, more economical operation, higher reliability, higher utilization rate of renewable energy, and technology.
  • the plan is as follows:
  • the present application provides an independent microgrid system optimization method, the independent microgrid system including at least a diesel generator, a wind power generator, a photovoltaic array, and an energy storage battery, including:
  • a multi-objective genetic algorithm is used to solve the genetic algorithm, and a quasi-steady-state simulation strategy is adopted in the process of solving the problem. And presetting a preset spare capacity for the independent microgrid system, obtaining an optimization indicator of the independent microgrid system, and finally obtaining an optimization result by using the multi-objective genetic algorithm;
  • the optimization index of the independent microgrid system is a total cost present value, a load capacity missing rate, and a pollution level in a full life cycle, and the total cost in the full life cycle is the value in the independent microgrid system.
  • Present value of the cost and residual value of all equipment over the life of the project; the rate of missing capacity The ratio of the load capacity that does not meet the demand to the total load demand capacity; the pollutant discharge is the total annual discharge of various pollutants;
  • the quasi-steady-state simulation strategy includes a hard charging strategy and a smoothing power strategy, wherein, under the hard charging strategy, the diesel generator and the energy storage battery take turns as the main power source to meet the net load demand, allowing the diesel generator to be The energy storage battery is charged; under the smooth power strategy, the energy storage battery is only used as a supplementary power source for the diesel generator, and is discharged when the diesel generator cannot separately satisfy the load.
  • the preset spare capacity reserved for the independent microgrid system is specifically: in the optimized planning and design model of the independent microgrid system, the diesel generator and the energy storage battery with stable voltage frequency are maintained as The main power source, at each operating time, reserves a preset spare capacity according to the actual power of the wind turbine, the photovoltaic array, and the load.
  • selecting the type of the wind power generator in the independent microgrid system, the number of the wind power generators, and the diesel power generation are optimized variables.
  • the obtaining the total cost present value, the pollution level and the load capacity missing rate in the whole life cycle of the independent microgrid system specifically:
  • the quasi-steady state simulation of each device in the independent microgrid system during the whole life cycle Determining, according to a preset control strategy, the number of inputs and the fuel consumption of the diesel generator, the charge and discharge power and the remaining capacity of the energy storage battery, and the time step within each time step.
  • the unsatisfied load and waste power indicators calculate the total cost present value, pollution level and load loss rate over the life cycle.
  • the hard charging strategy is:
  • the determining the number of inputs of the diesel generator set in the current time step and calculating the capacity shortage under the current load specifically includes:
  • the platform is powered by a new diesel generator, wherein the input new diesel generator does not charge the energy storage battery;
  • the smoothing power policy is specifically: Calculating the net load in the current time step, which is the load power minus the power generated by the wind turbine and the photovoltaic array;
  • the energy storage battery is preferentially used to supplement a capacity deficiency caused by insufficient capacity of the diesel generator;
  • the new diesel generator is input one by one;
  • the calculated unsatisfied load power is the load missing power
  • the number of inputs of the diesel generator is reduced until all of the diesel generators are restored to the normal working range. If it is reduced to only one of the diesel generators, and the output of the diesel generator is still less than the minimum output level, a part of the power generation output is discarded, and the abandoned power generation output is used as the remaining power, and the diesel The generator does not charge the battery;
  • the diesel generator When the net load is less than zero, the diesel generator is turned off, and the energy storage battery is charged by the wind generator and/or the photovoltaic array, if the charging power of the energy storage battery exceeds the When the maximum charging power of the energy storage battery, or the capacity of the energy storage battery reaches the maximum capacity, a part of the output power of the wind power generator and/or the photovoltaic array is discarded, and the remaining power is calculated.
  • the independent microgrid system optimization design method the independent microgrid system includes a diesel generator, a wind power generator, a photovoltaic array, and an energy storage battery
  • the specific optimization method refers to Based on the multi-objective optimization design model of the independent microgrid system, on the optimization planning design model, the combined startup mode of multiple diesel generators, the coordinated control strategy between the energy storage battery and the diesel generator are considered, and the independent microgrid system is adopted. Renewable energy utilization is higher and the operation is more economical.
  • FIG. 1 is a schematic structural diagram of an independent network system according to an embodiment of the present application
  • FIG. 2 is a schematic flowchart of a method for optimizing an independent micro network according to an embodiment of the present application
  • FIG. 3 is a schematic diagram of a control flow of a hard charging policy according to an embodiment of the present application
  • DETAILED DESCRIPTION OF THE EMBODIMENTS The embodiments of the present application provide an optimization method for an independent micro-grid system, which is a multi-objective optimization design model based on an independent micro-grid system. In the optimization planning design model, a combination of multiple diesel generators is considered.
  • the multi-objective genetic algorithm based on NSGA-II is used to solve the multi-objective problem, and finally realize the economics, reliability and environmental protection of the independent microgrid system. Multi-objective optimization of large targets.
  • FIG. 1 a schematic structural diagram of an independent micro network system including a wind power generator 101 , a photovoltaic array 102 , an energy storage battery 103 , and a diesel generator 104 , wherein the wind power generator 101 and the photovoltaic system are illustrated
  • the array 102 and the energy storage battery 103 are connected to the AC grid system through respective converters, and the diesel generators are directly integrated into the AC grid by using synchronous generators.
  • the AC grid is connected to the load and supplies power to the load.
  • FIG. 2 is a schematic flowchart showing an optimization method of an independent microgrid system provided by an embodiment of the present application, including the following steps:
  • Using a multi-objective genetic algorithm to optimize the genetic algorithm adopt a quasi-steady-state simulation strategy in the process of solving, and reserve a preset spare capacity for the independent micro-grid system to obtain an optimization index of the independent micro-grid system.
  • the multi-objective genetic algorithm is used to obtain optimization results.
  • the optimization indicator is a total cost present value, a load capacity missing rate, and a pollution level in a full life cycle of the independent piconet system.
  • the present value of the total cost in the full life cycle is the present value of the cost and the present value of the residual value of all the equipment in the independent microgrid system;
  • the load capacity missing rate is the load that does not meet the demand
  • the pollutant emissions are the total annual emissions of various pollutants;
  • the quasi-steady-state simulation strategy includes a hard charging strategy and a smoothing power strategy, wherein, under the hard charging strategy, the diesel generator and the energy storage battery take turns as the main power source to meet the net load demand, allowing the diesel generator to be The energy storage battery is charged; under the smooth power strategy, the energy storage battery is only used as a supplementary power source for the diesel generator, and is discharged when the diesel generator cannot separately satisfy the load.
  • the independent microgrid system optimization design method provided by the embodiments of the present application is applied to an independent microgrid system including a diesel generator, a wind power generator, a photovoltaic array and an energy storage battery, and the specific optimization method refers to multiple independent microgrid systems.
  • the target optimization design model, in the optimization planning design model considers the combined starting mode of multiple diesel generators, the coordinated control strategy between the energy storage battery and the diesel generator, The utilization of renewable energy in the independent microgrid system is higher, the operation is more economical and more environmentally friendly.
  • the spare capacity considering the stability requirements of the independent microgrid is considered;
  • the multi-objective genetic algorithm is used to solve the multi-objective problem, so as to achieve multi-objective optimization of the three goals of economical, reliability and environmental protection of the independent microgrid system.
  • the optimized design of the independent microgrid system mainly focuses on three indicators: the total cost present value, the load capacity missing rate and the pollutant emission level in the whole life cycle.
  • the objective function is expressed as:
  • J ⁇ - ( + salvage , ⁇ > where represents the engineering life of the entire system, in years; is the discount rate; 3 ⁇ 4 represents the cost of the first year, the unit is yuan/year; & ⁇ / ⁇ represents the residual value of the equipment, The residual value is generated in the last year of the economic assessment life.
  • G Rbattery (k:> represents the renewal cost of the energy storage battery in year k
  • C Rpv (k) represents the kth year
  • C Rwind (k) represents the renewal cost of the wind turbine for the kth year
  • CRD G (k) represents the renewal cost of the diesel generator for the kth year
  • C RC erter (h) represents the kth year
  • the renewal cost of the converter for energy storage batteries is in yuan.
  • C atte k represents the maintenance cost of the energy storage battery in the kth year
  • C Mp c) represents the maintenance cost of the photovoltaic array in the kth year
  • c Mwi represents the maintenance cost of the wind generator in the kth year
  • CMDcik represents the maintenance cost of the diesel generator in year k
  • C MComerter ⁇ K represents the maintenance cost of the energy storage battery converter for the kth year, in units of yuan.
  • LOC Loss of Capacity
  • the emission coefficient representing 0 2 , ⁇ ⁇ represents the emission coefficient of CO
  • the emission coefficient representing hydrocarbon HC 0 represents the emission coefficient of NO
  • the emission coefficient representing S in units of kg/L
  • / Mfe Represents the annual diesel consumption of diesel generators in the first year, in liters.
  • the above formula is used to calculate the total cost present value, load capacity missing rate and pollutant emission level in the full cycle life of the independent microgrid system.
  • the multi-objective genetic algorithm of NSGA-II is used to solve the multi-objectives of the optimized planning design model of the independent microgrid.
  • system initialization is performed, parameters of each device in the independent microgrid system and parameters of the genetic algorithm are read, a first generation parent population is generated by using a random function, and a quasi-steady state simulation strategy is invoked to calculate the first generation father.
  • the fitness function value of each individual in the population and performs a Pareto sorting operation.
  • the progeny population is obtained through the selection, crossover and mutation operations.
  • the quasi-steady-state simulation strategy the fitness function values of each individual in the progeny population are calculated, and merged with the parent population.
  • An intermediate population and performing a Pareto sorting operation, selecting to generate a next-generation parent population, and finally, determining whether the number of iterations of the population satisfies the termination condition. Specifically, determining whether the termination condition is satisfied is determining whether the number of iterations of the population reaches a preset number of times If yes, the optimization result is output. Otherwise, repeat the above operation.
  • the parameters of each device of the independent microgrid system specifically include a device type, a technical parameter, and an economic parameter, thereby obtaining parameters necessary for quasi-steady state simulation.
  • the parameters of the genetic algorithm mainly include population size, number of iterations, crossover probability, and probability of variation.
  • the invention solves by the multi-objective genetic algorithm described above, and obtains a set of all non-dominated solutions of the last generation population, that is, a Pareto optimal solution set of the studied problem; and a solution set composed of the objective functions corresponding to each non-dominated solution, that is, the solution The Pareto optimal boundary of the problem, that is, the optimal solution set of the multi-objective problem of the present invention.
  • the quasi-steady-state simulation control strategy includes a hard charging strategy and a smoothing power strategy
  • the hour is the simulation step size according to the area of the independent microgrid system.
  • Internal wind resources, lighting resources and load demand conditions, each device in the system is subjected to quasi-steady state simulation during the whole life cycle, and each time step is determined according to a preset control strategy, that is, a hard charging strategy and a smoothing power strategy.
  • the diesel generator 104 and the energy storage battery 103 take turns as the main power source to meet the net load demand, allowing the diesel generator to charge the energy storage battery, thereby minimizing the running time of the diesel unit, generally applicable to renewable energy resources. It is rich in occasions where the operating time of diesel generators is limited due to environmental or energy constraints.
  • the hard charging strategy is divided into the following steps:
  • FIG. 3 shows a schematic diagram of a specific control flow of the hard charging strategy, including the following steps:
  • step 202 determining whether the total power generation capacity of the diesel generator that has not reached the minimum operating hours can meet the net load (P2) considering the spare capacity and the charging demand of the energy storage battery, and if so, executing step 204; otherwise, executing step 203;
  • the total number of diesel generators is m
  • the number of diesel generators put into operation at the previous moment is n
  • the number of diesel generators whose current step size does not meet the minimum operating hours is nl.
  • the maximum output of the diesel generator is P5
  • the minimum output of the diesel generator is P6.
  • This step actually determines whether nl P5 is greater than P2+P3.
  • step 203 Determine whether the total power of the diesel generator input at the last moment satisfies the net load considering the spare capacity and the charging demand of the energy storage battery. If yes, go to step 205; otherwise, go to step 206.
  • This step actually determines whether n X P5 is greater than P2+P3. If n X P5 P2+P3, it indicates that the total power of n diesel generators put in the previous moment cannot meet the net load (P2) considering the reserve capacity and the energy storage battery. The charging requirement; if nx P5 > P2+P3, it indicates that the total power of the n diesel generators put in the last moment can meet the net load (P2) considering the reserve capacity and the charging demand of the energy storage battery.
  • the diesel generator that has met the minimum operating hours is turned off, which can extend the service life of the diesel generator.
  • the process of withdrawing the diesel generators that have been put into operation one by one includes:
  • n X P5 > P2 that is, the total power of the diesel generator put in the last moment can meet the net load P2 considering the reserve capacity; if it is specifically nx P5 P2, that is, the last moment of input The total power of the diesel generator cannot meet the net load P2 considering the spare capacity.
  • the number of diesel generators currently determined to be input is determined as n t .
  • step 208 Determine whether the number of diesel generators n that was operated at the previous time exceeds the total number of diesel generators, and if yes, execute step 210; otherwise, go to step 209.
  • step 2092 after determining whether a new diesel generator is put into operation, whether the total power of all running diesel generators can satisfy the net load P2 considering the spare capacity, and if yes, proceed to step 207; otherwise, return to step 208.
  • This step actually determines whether the total power of the diesel generator is greater than P2 after the new diesel generator is put in step 208.
  • step 210 Determine whether the sum of the discharge capacity of the energy storage battery and the total power of the diesel generator meets P2. If yes, execute step 207; otherwise, perform step 211.
  • step 207 is performed; if m x P5+P4 P2, the capacity shortage Ecs (t) is calculated.
  • step 207 it is determined that the number of operating diesel generators need to invest in the current time step n diesel generator after t, determines all the running minimum output level and meets the payload storage The charging requirement of the battery, if yes, step 213; otherwise, step 214 is performed.
  • step 214 determine whether all running diesel generators are in a rated state (maximum output level), can meet the requirement of the net load P1, and if so, proceed to step 215; otherwise, perform step 216;
  • the diesel generator is powered by the rated operating state and charges the energy storage battery.
  • step 216 Determine whether the stored energy of the energy storage battery and the total power of the diesel generator meet the requirement of the payload P1. If yes, go to step 217; otherwise, go to step 218.
  • the hard charging strategy provided by the embodiment considers the combination mode of multiple diesel generators and the coordinated control mode between the energy storage battery and the diesel generator, thereby making the independent microgrid system more economical; considering the spare capacity, The independent micro-grid system runs more stably; the coordinated control between the energy storage battery and the diesel generator, in the operation process of the diesel generator, fully considers the running time and output state of the diesel generator, so that the diesel generator operates in the economic zone. , thereby extending the service life of the diesel generator.
  • FIG. 4 the control flow of the smoothing power policy provided by the present application is shown, which includes the following steps:
  • the energy storage battery is preferentially used to supplement the capacity shortage caused by the insufficient capacity of the diesel generator.
  • the calculated unsatisfied load power is the load missing power.
  • the charging power of the energy storage battery exceeds the maximum charging power of the energy storage battery, or the capacity of the energy storage battery reaches the maximum capacity, the output power of part of the wind power generator and/or the photovoltaic array is discarded, and the remaining power is calculated.
  • the smooth power strategy provided in this embodiment has a relatively low capacity requirement for the energy storage battery.
  • the energy storage battery is only used as a supplementary power source for the diesel generator, and is discharged when the diesel generator cannot separately satisfy the load, and is mainly used for satisfying the diesel fuel. The part of the load that the generator can't meet, and absorbs the excess renewable energy.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)

Abstract

本申请公开了一种独立微网系统优化设计方法，所述独立微网系统包括柴油发电机、风力发电机、光伏阵列和储能电池，具体的优化方法是指基于独立微网系统的多目标优化设计模型，在优化规划设计模型上，考虑了多台柴油发电机的组合开机方式、储能电池与柴油发电机之间的协调控制策略，使得独立微网系统中的可再生能源利用率更高，运行更经济，更环保；针对系统优化规划设计模型的稳定性，考虑了独立微网稳定性需求的备用容量；在优化规划设计模型的求解算法上，采用基于NSGA-II的多目标遗传算法进行多目标问题求解，从而实现对独立微网系统的经济性、可靠性和环保性三大目标的多目标优化。

Description

独立微网系统的优化方法
本申请要求于 2013年 3月 27日提交中国专利局、 申请号 201310103553.5 , 发明名称为 "独立微网系统的优化方法"的中国专利申请的优先权， 其全部内 容通过引用结合在本申请中。
技术领域
本申请涉及独立微网系统技术领域， 特别是涉及独立微网系统的优化方 法。
背景技术
独立微网系统是指与大电网隔离、独立运行的小型电力系统， 以偏远地区 或者海岛为主要供电对象， 并充分利用可再生能源发电，如光伏阵列和风力发 电等多种类型的分布式发电单元组合在一起构成，可以有效发挥单一能源系统 的优点， 实现多种能源互补， 提高整个独立微网系统的效率和能源利用率， 相 比单一的光储系统或者风储系统具有更低的成本和更高的供电可靠性。
开展独立微网系统的优化规划设计，需要充分考虑独立微网系统内分布式 发电单元的组合方案和运行控制策略。国内外的研究多采用基于气象数据和负 荷数据的准稳态逐时仿真优化设计方法， 根据已获得系统全寿命周期内的风 速、 光照强度、 温度和负荷的原始数据， 利用准稳态仿真程序， 计算不同类型 可再生能源组合方案下系统的各项指标。该方法在优化规划中可以详细模拟全 寿命周期内可再生能源资源、 负荷变化情况， 以及独立微网系统的运行控制策 略， 但需要占用大量的仿真计算时间； 在优化算法上， 由于优化问题是一个包 含离散变量和连续变量的混合优化规划问题，一般采用人工智能算法对该类问 题进行求解， 在进行优化规划时， 通常希望能够同时满足多个指标约束条件， 但实际上在多目标优化问题的求解中， 不同目标之间往往是相互冲突的，在优 化规划设计上， 所配置柴油发电机单机容量的大小、 多机设备的组合开机方式 等都直接影响整个系统的技术经济指标，现有的独立微网优化设计方法中针对 这一问题均对其简化处理， 通常只能对柴油发电机组的总功率进行优化设计， 未考虑柴油发电机的类型和多机组合方案，在优化变量中， 未同时考虑设备类 型和设备容量的组合优化。
发明内容
为解决上述技术问题，本申请实施例提供一种独立微网系统优化设计方法， 以 实现独立微网系统的多目标优化设计运行更经济， 可靠性更高， 可再生能源利 用率更高， 技术方案如下：
本申请提供一种独立微网系统优化方法，所述独立微网系统至少包括柴油发电 机、 风力发电机、 光伏阵列和储能电池， 包括：
获取所述柴油发电机、所述风力发电机、所述光伏阵列和所述储能电池的设备 参数；
依据所述柴油发电机、所述风力发电机、所述光伏阵列及所述储能电池的设备 参数， 利用多目标遗传算法进行遗传算法求解优化，在求解的过程中采用准稳 态仿真策略， 并为所述独立微网系统预留预设的备用容量， 获得所述独立微网 系统的优化指标， 最终通过所述多目标遗传算法获得优化结果；
其中， 所述独立微网系统的优化指标为全寿命周期内的总成本现值、 负荷容量 缺失率和污染水平，所述全寿命周期内的总成本现值为所述独立微网系统中的 所有设备的在整个工程寿命内的成本现值和残值现值；所述负荷容量缺失率为 未满足需求的负荷容量与整个负荷需求容量的比值；所述污染物排放为各种污 染物每年的排放总量；
所述准稳态仿真策略包括硬充电策略和平滑功率策略， 其中，在所述硬充电策 略下， 柴油发电机与储能电池轮流作为主电源满足净负荷需求， 允许所述柴油 发电机为所述储能电池充电； 在所述平滑功率策略下，储能电池仅作为所述柴 油发电机的补充电源， 当所述柴油发电机无法单独满足负荷的情况下放电。 优选的， 所述为所述独立微网系统预留预设的备用容量具体为，在所述独立微 网系统的优化规划设计模型中，将维持电压频率稳定的柴油发电机和储能电池 作为主电源， 在每一个运行时刻， 根据所述风力发电机、 所述光伏阵列、 以及 负荷的实际功率， 预留预设的备用容量。
优选的， 所述利用 NSGA-II多目标遗传算法进行遗传算法求解的过程中， 选取 所述独立微网系统中的所述风力发电机的类型、所述风力发电机的台数、所述 柴油发电机的类型、 所述柴油发电机的台数、 所述光伏阵列的容量、 所述储能 电池的类型、并联支路数， 以及所述储能电池用的双向变流器的容量为优化变 量。
优选的， 所述获得所述独立微网系统的全寿命周期内的总成本现值、 污染水平 和负荷容量缺失率， 具体为：
以小时为仿真步长，依据所述独立微网系统所在区域内的风力资源、光照资源 和负荷需求情况，对所述独立微网系统内的每个设备进行全寿命周期内的准稳 态仿真， 根据预设的控制策略， 确定每个时间步长内， 所述柴油发电机的投入 台数和耗油量、所述储能电池的充放电功率和剩余容量， 以及所述时间步长内 的未满足的负荷量和浪费功率指标，计算得到全寿命周期内的总成本现值、 污 染水平和负荷缺失率。
优选的， 所述硬充电策略为：
计算所述独立微网系统的净负荷及考虑备用容量的净负荷，所述净负荷为负荷 功率减去风力发电机和光伏阵列的发电功率；
依据考虑备用容量的净负荷的大小、上一时间步长内所述柴油发电机的开机情 况、储能电池的最大充放电功率，确定当前时间步长内的所述柴油发电机的投 入台数， 并计算当前负荷下的容量短缺；
确定出当前时间步长内需投入的所述柴油发电机的台数后， 依据净负荷需求， 计算出当前时间步长内实际的所述柴油发电机的耗油量、所述储能电池的充放 电量、 未满足的负荷量和浪费能量指标；
优选的， 所述确定当前时间步长内的所述柴油发电机组的投入台数， 并计算当 前负荷下的容量短缺具体包括：
若未满足最小运行小时数的所述柴油发电机的总功率，能够满足所述考虑备用 容量的净负荷及所述储能电池的充电需求，则允许所有达到最小运行时间要求 的柴油发电机退出运行；否则，逐台退出达到最小运行时间要求的柴油发电机， 直到未退出的柴油发电机能满足所述考虑备用容量的净负荷和所述储能电池 的充电需求；
若未满足最小运行小时数的所述柴油发电机的总功率，不能满足所述考虑备用 容量的净负荷及所述储能电池的充电需求，且已投入运行的所述柴油发电机的 总功率未能满足所述考虑备用容量的净负荷及所述储能电池的充电需求，则逐 台投入新的柴油发电机， 其中， 所述投入的新的柴油发电机不为所述储能电池 充电；
若逐台投入的新的柴油发电机之后，所有运行的所述柴油发电机仍不能满足所 述考虑备用容量的净负荷的需求，则计算由于所述柴油发电机的能量不足导致 的容量缺额；
由所述储能电池放电补充所述容量缺额；
若所述储能电池的放电功率和所有的所述柴油发电机的总功率之和，仍不能满 足所述考虑备用容量的净负荷， 则计算当前负荷下的容量短缺， 进而计算得到 负荷容量缺失率。
优选的，在确定出当前时间步长内所需投入的柴油机台数后，计算出当前时间 步长内所述柴油发电机的实际耗油量、 所述储能电池的充放电量、 未满足的负 荷量和浪费能量指标时， 还包括：
判断所有运行的柴油发电机运行在最小出力水平是否满足所述净负荷及所述 储能电池的充电需求，若是，则使所有运行的柴油发电机运行在最小出力水平， 并计算由于最小出力水平限制而产生的过剩电能； 否则， 所述柴油发电机的总 出力水平由所述净负荷及所述储能电池的充电需求来确定；
若所有运行的柴油发电机处于额定运行状态仍不能满足所述净负荷的需求，则 使所述储能电池放电和所述柴油发电机共同为所述负荷供电；
若在所述储能电池放电后，所述储能电池的放电功率和所述柴油发电机的总功 率仍不能满足所述净负荷， 则计算得到当前负荷的实际容量缺额。
优选的， 所述平滑功率策略具体为： 计算当前时间步长内的净负荷，所述净负荷为负荷功率减去风力发电机和光伏 阵列的发电功率；
当所述净负荷大于零时，且所述柴油发电机超出正常运行区间的上限时，优先 使用所述储能电池补充由于所述柴油发电机的容量不足导致的容量缺额； 若所述储能电池无法满足所述容量缺额，或所述储能电池的容量低于所述储能 电池的最小下限时， 则逐台投入新的所述柴油发电机；
若在逐台投入新的所述柴油发电机后， 仍无法满足所述净负荷， 则计算出的未 满足的负荷功率为负荷缺失功率；
若所述净负荷大于零，但单台所述柴油发电机的出力小于最小出力水平， 则减 少所述柴油发电机的投入台数，直至所有的所述柴油发电机的处理恢复至正常 工作区间， 若减小至仅剩一台所述柴油发电机， 且所述柴油发电机的出力仍小 于所述最小出力水平， 则放弃部分发电出力， 并将放弃的发电出力作为剩余功 率， 且所述柴油发电机不给所述电池充电；
当所述净负荷小于零时， 关闭所述柴油发电机， 利用所述风力发电机和 /或所 述光伏阵列为所述储能电池充电，若为所述储能电池的充电功率超过所述储能 电池的最大充电功率， 或所述储能电池的容量达到最大容量时，放弃部分所述 风力发电机和 /或所述光伏阵列的输出功率， 并计算剩余功率。
由以上本申请实施例提供的技术方案可见， 所述独立微网系统优化设计方法， 所述独立微网系统包括柴油发电机、 风力发电机、 光伏阵列和储能电池， 具体 的优化方法是指基于独立微网系统的多目标优化设计模型，在优化规划设计模 型上， 考虑了多台柴油发电机的组合开机方式、储能电池与柴油发电机之间的 协调控制策略， 使得独立微网系统中的可再生能源利用率更高， 运行更经济， 更环保； 针对系统优化规划设计模型的稳定性， 考虑了独立微网稳定性需求的 备用容量； 在优化规划设计模型的求解算法上， 采用基于 NSGA-II的多目标遗 传算法进行多目标问题求解，从而实现对独立微网系统的经济性、可靠性和环 保性三大目标的多目标优化。 附图说明 为了更清楚地说明本申请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作简单地介绍，显而易见地， 下面描述 中的附图仅仅是本申请中记载的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。 图 1为本申请实施例独立 网系统的结构示意图； 图 2为本申请实施例提供的独立微网优化方法流程示意图； 图 3为本申请实施例提供的硬充电策略的控制流程示意图； 图 4为本申请实施例提供的平滑功率策略的控制流程示意图。 具体实施方式 本申请实施例提供一种独立微网系统的优化方法，其具体内容为基于独立 微网系统的多目标优化设计模型，在优化规划设计模型上， 考虑了多台柴油发 电机的组合开机方式、储能电池与柴油发电机之间的协调控制策略； 在优化模 型的稳定性上， 考虑了针对系统稳定性需求的备用容量； 在优化变量选取上， 针对独立微网系统内的设备类型和装机容量同时进行优化设计；在优化模型的 求解算法上， 采用基于 NSGA-II的多目标遗传算法进行多目标问题求解， 最 终实现对独立微网系统的经济性、 可靠性和环保性三大目标的多目标优化。
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本 申请实施例中的附图， 对本申请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申请一部分实施例， 而不是全部的实施例。 基 于本申请中的实施例，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， 都应当属于本申请保护的范围。
请参见图 1 , 示出了独立微网系统的结构示意图， 所述独立微网系统包括 风力发电机 101、 光伏阵列 102、 储能电池 103、 柴油发电机 104, 其中， 风力 发电机 101、 光伏阵列 102、 储能电池 103通过各自的变流器接入交流电网系 统， 柴油发电机采用同步发电机， 直接并入交流电网。 同时， 交流电网连接负 荷， 并为负荷供电。
请参见图 2 示出了本申请实施例提供的独立微网系统的优化方法流程示 意图， 包括以下步骤：
110, 获取所述柴油发电机、 所述风力发电机、 所述光伏阵列和所述储能 电池的设备参数。
120, 利用多目标遗传算法进行遗传算法求解优化， 在求解的过程中采用 准稳态仿真策略， 并为独立微网系统预留预设的备用容量， 获得独立微网系统 的优化指标， 通过所述多目标遗传算法获得优化结果。
其中， 所述优化指标为独立微网系统的全寿命周期内的总成本现值、 负荷 容量缺失率和污染水平。
所述全寿命周期内的总成本现值为所述独立微网系统中的所有设备的在 整个工程寿命内的成本现值和残值现值；所述负荷容量缺失率为未满足需求的 负荷容量与整个负荷需求容量的比值；所述污染物排放为各种污染物每年的排 放总量；
所述准稳态仿真策略包括硬充电策略和平滑功率策略， 其中，在所述硬充 电策略下， 柴油发电机与储能电池轮流作为主电源满足净负荷需求， 允许所述 柴油发电机为所述储能电池充电； 在所述平滑功率策略下，储能电池仅作为所 述柴油发电机的补充电源， 当所述柴油发电机无法单独满足负荷的情况下放 电。
本申请实施例提供的独立微网系统优化设计方法， 应用于包括柴油发电 机、 风力发电机、 光伏阵列和储能电池的独立微网系统， 具体的优化方法是指 基于独立微网系统的多目标优化设计模型，在优化规划设计模型上， 考虑了多 台柴油发电机的组合开机方式、 储能电池与柴油发电机之间的协调控制策略， 使得独立微网系统中的可再生能源利用率更高， 运行更经济， 更环保； 针对系 统优化规划设计模型的稳定性， 考虑了独立微网稳定性需求的备用容量； 在优 化规划设计模型的求解算法上， 采用多目标遗传算法进行多目标问题求解，从 而实现对独立微网系统的经济性、 可靠性和环保性三大目标的多目标优化。 所述独立微网系统的优化设计主要围绕三个指标分别是：全寿命周期内的 总成本现值、 负荷容量缺失率和污染物排放水平。
目标函数表示为：
Min{ft) i=l,2,3 ( 1 ) 全寿命周期内的总成本现值包括成本现值和残值现值两个部分，其数学表 达式为:
J\ - ( + salvage 、 Δ > 式中， 代表整个系统的工程寿命， 单位为年； 为折现率； ¾代表第 年的成本， 单位为元 /年； &α/ν 代表设备残值， 残值产生于经济评估寿命的最 后一年。
C(k)的计算公式如下：
Figure imgf000011_0001
式中， 代表第 k年的初始投资， Q^)代表第 k年的更新费用， C 代表第 k年的维护费用， 代表第 k年的燃料费用， 单位均为元 /年。
具体变量计算公式分列如下：
(k)_C Ibattery +C ^ lwind +C/Z)G +C Co 4 ) 式中， 代表储能电池的投资费用、 ν代表光伏阵列的投资费用、 CW 代表风力发电机的投资费用、 ^代表柴油发电机的投资费用、 CIC—er 代表储能电池用变流器的投资费用， 单位均为元。 需要说明的是， 初始投资只 产生于经济评估寿命的第一年， 其他年份不存在初始投资费用。
CR
Figure imgf000011_0002
(k)+CRConverter (k) ( 5 ) 式中， GRbattery(k:> 代表第 k年的储能电池的更新费用、 CRpv(k) 代表第 k年 的光伏阵列的更新费用 CRwind(k) 代表第 k年的风力发电机的更新费用 CRDG(k) 代表第 k年的柴油发电机的更新费用、 CRC erter(h) 代表第 k年的储能电池用 变流器的更新费用， 单位均为元。
CM
Figure imgf000012_0001
( ) 式中， C atte k)代表第 k年的储能电池的维护费用、 CMp c) 代表第 k 年的光伏阵列的维护费用、 cMwi 代表第 k年的风力发电机的维护费用、
CMDcik) 代表第 k年的柴油发电机的维护费用、 CMComerter{K)代表第 k年的储 能电池用变流器的维护费用， 单位均为元。
负荷容量缺失率 （LOC, Loss of Capacity )其数学表达式为： f2 = LOC = ( 7 ) 式中， ra为总的未满足需求的负荷容量， 。,为总的负荷需求容量， LOC 表示未满足需求的负荷容量与总的负荷需求容量的比值。
独立微网年污染物排放水平的数学表达式为： f3 =∑ (σε + aco + a0C + σΝΟ + σ8 )vfule (k) ( 8 ) k=l
式中， 代表 02的排放系数、 σσσ代表 CO的排放系数、 代表碳氢 化合物 HC的排放系数、 0代表 NO的排放系数、 代表 S的排放系数， 单 位均为 kg/L; /Mfe( 代表第 年柴油发电机的柴油年消耗量， 单位是升。
利用上述的公式计算独立微网系统的全周期寿命内的总成本现值、负荷容 量缺失率和污染物排放水平。
利用 NSGA-II的多目标遗传算法对独立微网的优化规划设计模型的多目 标进行求解，
基于 NSGA-II的多目标遗传算法的求解过程如下：
首先， 进行系统初始化，读取独立微网系统中的各个设备的参数及遗传算 法的参数， 利用随机函数产生第一代父代种群， 调用准稳态仿真策略， 计算所 述第一代父代种群中的各个个体的适应度函数值， 并执行 Pareto排序操作。 同 时， 从第一代父代种群中通过选择、 交叉和变异操作得到子代种群， 通过准稳 态仿真策略，计算子代种群中各个个体的适应度函数值， 与父代种群合并后生 成中间种群， 并执行 Pareto排序操作， 选择生成下一代父代种群， 最后， 判断 种群的迭代次数是否满足终止条件， 具体的， 判断是否满足终止条件是判断种 群的迭代次数是否达到预设的次数， 若满足， 则输出优化结果， 否则， 重复以 上操作。
具体的 , 所述独立微网系统的各个设备的参数具体包括设备的类型、技术 参数和经济参数等， 从而获取准稳态仿真所必须的参数。
所述遗传算法的参数主要包括种群大小、迭代次数、交叉概率、变异概率。 本发明通过上述的多目标遗传算法求解，得到最后一代种群的所有非支配 解构成的集合， 即所研究问题的 Pareto最优解集；各非支配解对应的目标函数 构成的解集，即该问题的 Pareto最优边界，也即本发明多目标问题的最优解集。
在利用 NSGA-II 的多目标遗传算法进行最优解求解时， 采用的准稳态仿 真控制策略包括硬充电策略和平滑功率策略， 以小时为仿真步长，根据所述独 立微网系统所在区域内风力资源、光照资源和负荷需求情况，对系统中的每个 设备进行全寿命周期内的准稳态仿真，根据预设的控制策略， 即硬充电策略和 平滑功率策略， 确定每个时间步长内， 柴油发电机的投入台数和耗油量、 储能 电池的充放电功率、剩余容量， 以及该步长内的未满足的负荷容量和浪费功率 等指标， 从而， 利用上述的公式计算全寿命周期内的总成本现值、 污染物排放 水平和负荷缺失率。
在硬充电策略下，柴油发电机 104与储能电池 103轮流作为主电源满足净 负荷需求， 允许柴油发电机为储能电池充电，从而尽量减少柴油机组的运行时 间， 一般适用于可再生能源资源较为丰富， 因环境或能源约束对柴油发电机运 行时间有限制的场合。
硬充电策略分为以下步骤：
计算独立微网系统的净负荷 P1 , 其中， 所述独立微网的净负荷 Pl=负荷 功率- (风力发电 +光伏阵列的发电功率）。
确定当前时间步长内的柴油发电机的投入台数； 其中，依据考虑备用容量 的净负荷 P2的大小， 上一时间步长内柴油发电机的开机情况、 储能电池的最 大充放电功率， 确定柴油发电机的投入台数。
在确定出当前时间步长内需要投入的柴油发电机的台数后，计算出当前负 荷下的容量短缺 Ecs ( t )。
在确定出当前时间步长内需要投入的柴油发电机的台数后 ,依据净负荷需 求，计算出当前时间步长内实际的所述柴油发电机的耗油量、所述储能电池的 充放电量、 未满足的负荷量和浪费能量指标。
具体的， 请参见图 3 , 示出了硬充电策略的具体控制流程示意图， 包括以 下步骤：
该策略的仿真步长为 t=l小时， 每次执行该硬充电策略前判断 t是否大于 8760小时 (一年有 8760个小时）。
201 ,计算所述独立微网系统的净负荷（ P1 )及考虑备用容量的净负荷（ P2 ) 的大小， 同时计算储能电池的最大充电功率 （P3 )和最大放电功率（P4 )。
202, 判断未达到最小运行小时数的柴油发电机的总发电容量是否能满足 考虑备用容量的净负荷（P2 )和储能电池的充电需求， 若是， 则执行步骤 204; 否则， 执行步骤 203;
考虑备用容量的净负荷 Ρ2=Ρ1+ δ , 其中 δ是为独立微网系统预留的备用 容量， 从而使系统运行更稳定。
具体实施时， 柴油发电机的总台数为 m, 上一时刻的投入运行的柴油发电 机的台数为 n, 当前步长未满足最小运行小时数的柴油发电机台数为 nl。 柴油 发电机的最大出力为 P5, 柴油发电机的最小出力为 P6。
本步骤实际是判断 nl P5是否大于 P2+P3。
203 , 判断上一时刻投入的柴油发电机的总功率是否满足考虑备用容量的 净负荷和储能电池的充电需求， 若是， 则执行步骤 205; 否则， 执行步骤 206。
本步骤实际判断 n X P5是否大于 P2+P3 , 若 n X P5 P2+P3 , 表明上一时 刻投入的 n台柴油发电机的总功率不能满足考虑备用容量的净负荷（ P2 )和储 能电池的充电需求； 若 n x P5 > P2+P3 , 表明上一时刻投入的 n台柴油发电机 的总功率能满足考虑备用容量的净负荷（P2 )和储能电池的充电需求。
204, 允许满足最小运行小时数的柴油发电机退出运行；
即关闭已经满足最小运行小时数的柴油发电机，这样能够延长柴油发电机 的使用寿命。
205, 逐台退出已投入的柴油发电机， 直到处于运行的柴油发电机的容量 能够满足考虑备用容量的净负荷（P2 )和储能电池的充电需求。
逐台退出已投入的柴油发电机的过程包括：
2051 , 关闭一台正在运行的柴油发电机， 即 n=n- l。
2052,判断当前运行的柴油发电机的总功率是否满足考虑备用容量的净负 荷 P2和储能电池的充电需求 P3。
206， 判断已投入的柴油发电机的容量是否满足考虑备用容量的净负荷 ( P2 ), 若是， 则执行步骤 207; 否则， 执行步骤 208。
本步骤中的若是具体是指 n X P5 > P2, 即上一时刻投入的柴油发电机的总 功率能满足考虑备用容量的净负荷 P2; 若否具体是指 n x P5 P2, 即上一时 刻投入的柴油发电机的总功率不能满足考虑备用容量的净负荷 P2。
207, 确定当前需要投入的柴油发电机的台数。
具体的， 将确定出的当前需要投入的柴油发电机的台数记为 nt。
208, 判断上一时刻运行的柴油发电机的台数 n是否超过柴油发电机的总 台数 m, 若是则执行步骤 210; 否则执行步骤 209。
若 n < m, 则 n=n+l ; 若 n=m , 贝1 J储能电池放电和柴油发电机共同为负荷 供电。
2091 , 投入一台新的柴油发电机， n=n+ l。
2092, 判断投入新的柴油发电机后， 所有的处于运行的柴油发电机的总功 率是否能满足考虑备用容量的净负荷 P2, 若是， 则执行步骤 207; 否则， 则返 回执行步骤 208。
本步骤实际是判断在步骤 208投入新的柴油发电机后，柴油发电机的总功 率是否大于 P2。
210, 判断储能电池的放电容量与柴油发电机的总功率之和是否满足 P2, 若是， 则执行步骤 207; 否则， 执行步骤 211。
本步骤实际是判断 m X P5+P4是否大于 P2 ,若 m x P5+P4 > P2 , 则执行步 骤 207; 若 m x P5+P4 P2, 则计算容量短缺 Ecs ( t )。
211 , 计算当前负荷的容量短缺 Ecs ( t )。
212, 在步骤 207确定出当前时间步长内需要投入的柴油发电机的台数 nt 之后，判断所有运行的柴油发电机运行在最小出力水平是否满足净负荷和储能 电池的充电需求， 若是， 则执行步骤 213; 否则， 执行步骤 214。
213 , 控制所有运行的柴油发电机运行在最小出力水平， 并计算由于最小 出力水平限制而产生的过剩电能。
214, 判断所有运行的柴油发电机处于额定状态 （最大出力水平） 时， 能 否满足净负荷 P1的需求， 若是， 则执行步骤 215; 否则， 执行步骤 216;
215 , 柴油发电机以额定运行状态为负荷供电， 同时为储能电池充电。
216, 判断储能电池放电和柴油发电机的总功率能否满足净负荷 P1 的需 求， 若是， 则执行步骤 217; 否则， 执行步骤 218。
217, 使储能电池放电和柴油发电机共同来满足净负荷 P1.
218, 计算净负荷 P1对应的实际容量缺额 Ucs ( t )。
本实施例提供的硬充电策略考虑了多台柴油发电机的开机组合方式，以及 储能电池与柴油发电机之间的协调控制方式， 从而使得独立微网系统更经济； 考虑了备用容量，使得独立微网系统运行更稳定； 储能电池与柴油发电机之间 协调控制，在柴油发电机的运行过程中， 充分考虑了柴油发电机的运行时间和 出力状态， 使柴油发电机运行在经济区， 从而延长柴油发电机的使用寿命。 请参见图 4, 示出了本申请提供的平滑功率策略的控制流程， 包括以下步 骤：
301 , 计算当前时间步长内的净负荷 Pl。
302, 判断净负荷与 0的大小关系；
303 , 当净负荷大于 0, 且柴油发电机超出正常运行区间的上限时， 优先 使用储能电池补充由于柴油发电机的容量不足导致的容量缺额。
304, 若储能电池无法满足所述容量缺额， 或储能电池的容量低于储能电 池的最小下限时， 则逐台投入新的柴油发电机。 相同， 此处不再贅述。
305 , 若在逐台投入新的柴油发电机后， 仍无法满足净负荷， 则计算出的 未满足的负荷功率为负荷缺失功率。
306, 若净负荷大于 0, 但单台柴油发电机的出力小于最小出力水平， 则 减少柴油发电机的投入台数，直至所有的柴油发电机的处理恢复至正常工作区 间；
307, 若减小至仅剩一台柴油发电机， 且柴油发电机的出力仍小于最小出 力水平， 则放弃部分发电出力， 并将关闭的发电出力作为剩余功率， 且柴油发 电机不给电池充电；
308, 当净负荷小于 0时， 关闭柴油发电机， 利用风力发电机和 /或光伏阵 列为储能电池充电；
309, 若为储能电池的充电功率超过储能电池的最大充电功率， 或储能电 池的容量达到最大容量时， 放弃部分风力发电机和 /或光伏阵列的输出功率， 并计算剩余功率。
本实施例提供的平滑功率策略，对储能电池的容量要求相对较低，储能电 池仅作为柴油发电机的补充电源，在柴油发电机无法单独满足负荷的情况下放 电， 主要用于满足柴油发电机不能满足的那部分负荷， 并吸收多余的可再生能 源的能量。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通 技术人员来说， 在不脱离本申请原理的前提下， 还可以做出若干改进和润饰， 这些改进和润饰也应视为本申请的保护范围。
+

Claims

权 利 要 求
1、一种独立微网系统优化方法， 所述独立微网系统至少包括柴油发电机、 风力发电机、 光伏阵列和储能电池， 其特征在于， 包括：
获取所述柴油发电机、所述风力发电机、所述光伏阵列和所述储能电池的 设备参数；
依据所述柴油发电机、所述风力发电机、所述光伏阵列及所述储能电池的 设备参数， 利用多目标遗传算法进行遗传算法求解优化，在求解的过程中采用 准稳态仿真策略， 并为所述独立微网系统预留预设的备用容量， 获得所述独立 微网系统的优化指标， 最终通过所述多目标遗传算法获得优化结果；
其中， 所述独立微网系统的优化指标为全寿命周期内的总成本现值、 负荷 容量缺失率和污染水平，所述全寿命周期内的总成本现值为所述独立微网系统 中的所有设备的在整个工程寿命内的成本现值和残值现值；所述负荷容量缺失 率为未满足需求的负荷容量与整个负荷需求容量的比值；所述污染物排放为各 种污染物每年的排放总量；
所述准稳态仿真策略包括硬充电策略和平滑功率策略， 其中，在所述硬充 电策略下， 柴油发电机与储能电池轮流作为主电源满足净负荷需求， 允许所述 柴油发电机为所述储能电池充电； 在所述平滑功率策略下，储能电池仅作为所 述柴油发电机的补充电源， 当所述柴油发电机无法单独满足负荷的情况下放 电。
2、 根据权利要求 1所述的方法， 其特征在于， 所述为所述独立微网系统 预留预设的备用容量具体为， 在所述独立微网系统的优化规划设计模型中， 将 维持电压频率稳定的柴油发电机和储能电池作为主电源， 在每一个运行时刻， 根据所述风力发电机、 所述光伏阵列、 以及负荷的实际功率， 预留预设的备用 容量。
3、 根据权利要求 1所述的方法， 其特征在于， 所述利用 NSGA-II多目标 遗传算法进行遗传算法求解的过程中，选取所述独立微网系统中的所述风力发 电机的类型、 所述风力发电机的台数、 所述柴油发电机的类型、 所述柴油发电 机的台数、 所述光伏阵列的容量、 所述储能电池的类型、 并联支路数， 以及所 述储能电池用的双向变流器的容量为优化变量。 4、 根据权利要求 1所述的方法， 其特征在于， 所述获得所述独立微网系 统的全寿命周期内的总成本现值、 污染水平和负荷容量缺失率， 具体为： 以小时为仿真步长，依据所述独立微网系统所在区域内的风力资源、光照 资源和负荷需求情况，对所述独立微网系统内的每个设备进行全寿命周期内的 准稳态仿真， 根据预设的控制策略， 确定每个时间步长内， 所述柴油发电机的 投入台数和耗油量、所述储能电池的充放电功率和剩余容量， 以及所述时间步 长内的未满足的负荷量和浪费功率指标， 计算得到全寿命周期内的总成本现 值、 污染水平和负荷缺失率。
5根据权利要求 1所述的方法， 其特征在于， 所述硬充电策略为： 计算所述独立微网系统的净负荷及考虑备用容量的净负荷，所述净负荷为 负荷功率减去风力发电机和光伏阵列的发电功率；
依据考虑备用容量的净负荷的大小、上一时间步长内所述柴油发电机的开 机情况、储能电池的最大充放电功率， 确定当前时间步长内的所述柴油发电机 的投入台数， 并计算当前负荷下的容量短缺；
确定出当前时间步长内需投入的所述柴油发电机的台数后 ,依据净负荷需 求，计算出当前时间步长内实际的所述柴油发电机的耗油量、所述储能电池的 充放电量、 未满足的负荷量和浪费能量指标。
6、 根据权利要求 5所述的方法， 其特征在于， 所述确定当前时间步长内 的所述柴油发电机组的投入台数， 并计算当前负荷下的容量短缺具体包括： 若未满足最小运行小时数的所述柴油发电机的总功率，能够满足所述考虑 备用容量的净负荷及所述储能电池的充电需求，则允许所有达到最小运行时间 要求的柴油发电机退出运行； 否则，逐台退出达到最小运行时间要求的柴油发 电机，直到未退出的柴油发电机能满足所述考虑备用容量的净负荷和所述储能 电池的充电需求；
若未满足最小运行小时数的所述柴油发电机的总功率，不能满足所述考虑 备用容量的净负荷及所述储能电池的充电需求，且已投入运行的所述柴油发电 机的总功率未能满足所述考虑备用容量的净负荷及所述储能电池的充电需求， 则逐台投入新的柴油发电机， 其中， 所述投入的新的柴油发电机不为所述储能 电池充电； 若逐台投入的新的柴油发电机之后，所有运行的所述柴油发电机仍不能满 足所述考虑备用容量的净负荷的需求，则计算由于所述柴油发电机的能量不足 导致的容量缺额；
由所述储能电池放电补充所述容量缺额；
若所述储能电池的放电功率和所有的所述柴油发电机的总功率之和，仍不 能满足所述考虑备用容量的净负荷， 则计算当前负荷下的容量短缺， 进而计算 得到负荷容量缺失率。
7、 根据权利要求 5所述的方法， 其特征在于， 在确定出当前时间步长内 所需投入的柴油机台数后，计算出当前时间步长内所述柴油发电机的实际耗油 量、 所述储能电池的充放电量、 未满足的负荷量和浪费能量指标时， 还包括： 判断所有运行的柴油发电机运行在最小出力水平是否满足所述净负荷及 所述储能电池的充电需求， 若是， 则使所有运行的柴油发电机运行在最小出力 水平， 并计算由于最小出力水平限制而产生的过剩电能； 否则， 所述柴油发电 机的总出力水平由所述净负荷及所述储能电池的充电需求来确定；
若所有运行的柴油发电机处于额定运行状态仍不能满足所述净负荷的需 求， 则使所述储能电池放电和所述柴油发电机共同为所述负荷供电；
若在所述储能电池放电后，所述储能电池的放电功率和所述柴油发电机的 总功率仍不能满足所述净负荷， 则计算得到当前负荷的实际容量缺额。
8、根据权利要求 1所述的方法， 其特征在于， 所述平滑功率策略具体为： 计算当前时间步长内的净负荷，所述净负荷为负荷功率减去风力发电机和 光伏阵列的发电功率；
当所述净负荷大于零时， 且所述柴油发电机超出正常运行区间的上限时， 优先使用所述储能电池补充由于所述柴油发电机的容量不足导致的容量缺额； 若所述储能电池无法满足所述容量缺额，或所述储能电池的容量低于所述 储能电池的最小下限时， 则逐台投入新的所述柴油发电机；
若在逐台投入新的所述柴油发电机后，仍无法满足所述净负荷， 则计算出 的未满足的负荷功率为负荷缺失功率；
若所述净负荷大于零， 但单台所述柴油发电机的出力小于最小出力水平， 则减少所述柴油发电机的投入台数，直至所有的所述柴油发电机的处理恢复至 正常工作区间， 若减小至仅剩一台所述柴油发电机，且所述柴油发电机的出力 仍小于所述最小出力水平， 则放弃部分发电出力， 并将放弃的发电出力作为剩 余功率， 且所述柴油发电机不给所述电池充电；
当所述净负荷小于零时， 关闭所述柴油发电机， 利用所述风力发电机和 / 或所述光伏阵列为所述储能电池充电，若为所述储能电池的充电功率超过所述 储能电池的最大充电功率， 或所述储能电池的容量达到最大容量时，放弃部分 所述风力发电机和 /或所述光伏阵列的输出功率， 并计算剩余功率。
+
PCT/CN2013/085158 2013-03-27 2013-10-14 独立微网系统的优化方法 Ceased WO2014153946A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/779,951 US9985438B2 (en) 2013-03-27 2013-10-14 Optimization method for independent micro-grid system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310103553.5 2013-03-27
CN201310103553.5A CN103151798B (zh) 2013-03-27 2013-03-27 独立微网系统的优化方法

Publications (1)

Publication Number Publication Date
WO2014153946A1 true WO2014153946A1 (zh) 2014-10-02

Family

ID=48549729

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2013/085158 Ceased WO2014153946A1 (zh) 2013-03-27 2013-10-14 独立微网系统的优化方法

Country Status (3)

Country Link
US (1) US9985438B2 (zh)
CN (1) CN103151798B (zh)
WO (1) WO2014153946A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105406507A (zh) * 2015-12-07 2016-03-16 浙江工业大学 一种光伏微网微源动态切换方法
CN106953358A (zh) * 2017-04-20 2017-07-14 国网江西省电力公司电力科学研究院 一种主动配电网优化调度策略确定方法
CN106998077A (zh) * 2017-03-09 2017-08-01 国网新疆电力公司 一种长距离输电型电网光伏最大消纳能力的确定方法
CN112491041A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种储能混合微电网混合线性经济性规划方法
CN112488370A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种采用需求侧响应规划的储能优化方法
CN113361096A (zh) * 2021-06-02 2021-09-07 国网辽宁省电力有限公司 一种微电网反渗透海水淡化技术的建设规模的建模方法
CN113555908A (zh) * 2021-06-24 2021-10-26 国网山东省电力公司济宁市任城区供电公司 一种智能配电网储能优化配置方法
CN114172183A (zh) * 2021-12-09 2022-03-11 清华大学 电力系统中储能的多目标协同控制方法及装置
CN114357739A (zh) * 2021-12-21 2022-04-15 北京科东电力控制系统有限责任公司 含风热机组的多能流系统优化控制方法、装置及存储介质
CN114649822A (zh) * 2022-03-31 2022-06-21 上海电力大学 一种考虑风光三状态的微电网混合储能双层容量配置方法
CN115099118A (zh) * 2022-06-24 2022-09-23 中国人民解放军海军工程大学 基于nsgaⅲ的高维多目标联合并行仿真优化方法
CN115189414A (zh) * 2022-06-17 2022-10-14 云南电网有限责任公司 一种基于isodata场景聚类的电网新能源承载能力评估方法
CN116031955A (zh) * 2023-03-31 2023-04-28 赫里欧新能源有限公司 一种微电网型风光柴热储智能互补电力供应方法及系统
CN117973098A (zh) * 2024-04-01 2024-05-03 国家电投集团综合智慧能源科技有限公司 一种基于可拆分优化模型的储能控制策略优化方法和系统
CN118232499A (zh) * 2024-05-22 2024-06-21 深圳市名洋能源科技有限公司 光伏储能系统的充电控制方法、系统、装置及存储介质

Families Citing this family (112)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103151798B (zh) * 2013-03-27 2015-02-04 浙江省电力公司电力科学研究院 独立微网系统的优化方法
US10074984B2 (en) * 2013-04-09 2018-09-11 Nec Corporation Electric power control system
CN103414213B (zh) * 2013-08-13 2015-09-16 中国能源建设集团广东省电力设计研究院有限公司 一种海岛型微电网的电源优化配置方法
CN103544655B (zh) * 2013-10-18 2017-02-08 国家电网公司 一种含微电网的区域配电网分层优化方法
JP6223833B2 (ja) * 2014-01-09 2017-11-01 株式会社東芝 電力系統安定化装置
CN103927408A (zh) * 2014-03-05 2014-07-16 哈尔滨电机厂有限责任公司 水轮发电机质量控制设计方法
CN103854070A (zh) * 2014-03-07 2014-06-11 天津大学 独立微网系统的随机优化规划方法
CN103971172A (zh) * 2014-04-18 2014-08-06 国家电网公司 一种电网故障条件下微电网的优化配置方法
CN105016428B (zh) * 2014-04-26 2017-02-08 江苏丰海新能源淡化海水发展有限公司 孤网风电海水淡化集成系统及方法
US20150339266A1 (en) * 2014-05-23 2015-11-26 King Fahd University Of Petroleum And Minerals Ranking method for hybrid renewable distributed generation systems
CN104167762B (zh) * 2014-08-18 2016-08-03 国家电网公司 一种含化学储能系统和间歇式电源的机组组合优化方法
JP6402002B2 (ja) * 2014-10-30 2018-10-10 株式会社日立製作所 電力貯蔵システムの評価装置、評価方法および評価プログラム
CN104701842B (zh) * 2015-03-26 2016-08-24 中国电力工程顾问集团西南电力设计院有限公司 一种独立微网供电系统及其供电可靠性评估方法
CN105205552B (zh) * 2015-09-11 2018-11-16 东南大学 一种独立新能源混合发电系统优化规划方法
CN105337315B (zh) * 2015-10-21 2017-03-08 温州大学 一种风光蓄互补独立微电网高维多目标优化配置方法
CN105871301B (zh) * 2016-05-26 2018-08-17 江苏苏美达机电科技有限公司 一种供电系统和方法
CN106022533B (zh) * 2016-05-27 2020-03-10 国网北京市电力公司 基于云平台计算能量与信息二元融合元件的优化接入方法
CN106058900B (zh) * 2016-07-21 2018-06-15 南京工程学院 一种并网风光发电中混合储能容量优化配置方法
CN106295853B (zh) * 2016-07-28 2020-09-25 华北电力大学（保定） 基于储能调度模式的分布式光伏两阶段多目标就地消纳法
NL2017316B1 (en) 2016-08-15 2018-02-21 Danvest Energy As Renewable energy supply system, island operation powerline and method
CN106300425B (zh) * 2016-09-09 2019-04-05 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于用户舒适度的分布式能源管理方法
CN106505633B (zh) * 2016-12-07 2020-12-15 中国电力科学研究院有限公司 一种风光接入容量确定方法及装置
CN106779250B (zh) * 2017-01-16 2020-07-24 浙江大学城市学院 一种基于新型优化模型的孤立分布式电网配置方法
CN106849159B (zh) * 2017-01-25 2019-09-03 东南大学 基于mas多尺度的风光波互补海岛微电网能量控制方法
CN107294122B (zh) * 2017-04-17 2020-04-21 国网浙江省电力公司电力科学研究院 一种混合储能系统分层动态控制方法
CN106992543B (zh) * 2017-04-27 2019-04-12 太原理工大学 柴油发电机和蓄电池组构成的独立微电网
CN107196296B (zh) * 2017-06-26 2020-03-20 国电南瑞科技股份有限公司 一种基于波浪发电的海岛微电网经济运行优化方法
CN107317356B (zh) * 2017-07-14 2024-10-18 国网河南省电力公司内黄县供电公司 微电网控制装置及电力系统
CN107508293B (zh) * 2017-07-17 2020-05-15 国家电网公司 一种提高双区域互联电力系统频率稳定性的控制装置及方法
CN108233359B (zh) * 2017-08-22 2020-08-28 中国电力科学研究院 一种特高压交直流馈入受端电网的分区优化方法及系统
CN107732958B (zh) * 2017-09-15 2023-08-15 国网浙江省电力公司温州供电公司 一种计及源荷协同恢复的独立微电网黑启动优化方法
CN110679079B (zh) * 2017-09-22 2023-02-17 株式会社日立产机系统 水力发电并网系统
CN108053069A (zh) * 2017-12-15 2018-05-18 南京工程学院 一种适用于多目标优化场景的综合能源系统运行调度方法
CN108599138B (zh) * 2017-12-30 2021-11-26 国网天津市电力公司电力科学研究院 计及微电网分布式能源不确定性的储能系统容量配置方法
CN110297456B (zh) * 2018-03-23 2020-10-16 中国石油化工股份有限公司 一种油电一体化供给过程的调控系统及方法
CN109149627B (zh) * 2018-07-19 2021-02-12 中国科学院电工研究所 一种石油钻机供电系统
CN109066739B (zh) * 2018-07-26 2020-02-21 西南交通大学 一种牵引供电系统再生制动能量储能介质功率及容量配置方法
CN108985524B (zh) * 2018-08-07 2020-11-17 南京南瑞继保电气有限公司 一种多能互补系统的协调控制方法
CN108988390A (zh) * 2018-08-13 2018-12-11 国网江西省电力有限公司电力科学研究院 一种基于最佳弃光率的配电网电压控制方法
CN109193626B (zh) * 2018-09-15 2021-08-20 天津大学 一种分布式能源站选型与定容优化规划统一求解方法
CN109217369A (zh) * 2018-10-17 2019-01-15 国网辽宁省电力有限公司经济技术研究院 一种计及储能寿命的风储电站分层优化控制方法
CN109472716B (zh) * 2018-11-09 2022-05-17 浙江大学 一种基于遗传算法的考虑多因素的产能端功率分配方法
CN109409615A (zh) * 2018-11-19 2019-03-01 三峡大学 基于非合作博弈的充换储一体化电站微电网优化调度方法
CN109474015B (zh) * 2018-12-17 2020-11-17 国家电网有限公司 基于两层优化的主动配电网储能系统优化配置方法及系统
CN109713702A (zh) * 2019-02-27 2019-05-03 新奥数能科技有限公司 一种确定光伏微网的储能容量的方法及装置
CN110033124B (zh) * 2019-03-13 2021-11-02 华中科技大学 一种分布式交互的能源楼宇点对点能量分享方法及系统
GB201903895D0 (en) * 2019-03-21 2019-05-08 Univ Birmingham Energy system control
CN109980684A (zh) * 2019-04-02 2019-07-05 云南电网有限责任公司电力科学研究院 一种基于柔性互联微电网的分布式优化调度方法
CN109936165A (zh) * 2019-04-10 2019-06-25 中国恩菲工程技术有限公司 柴油发电机系统
CN110222867B (zh) * 2019-04-28 2024-08-02 广东工业大学 一种热电联供型微网经济运行优化方法
CN111913110B (zh) * 2019-05-10 2023-03-14 维谛技术有限公司 一种市电电池配置评估方法和系统
CN110224444B (zh) * 2019-05-16 2022-01-11 广东电网有限责任公司 一种海岛微电网多时间尺度协调控制方法
CN110417045A (zh) * 2019-06-03 2019-11-05 湖北省电力勘测设计院有限公司 一种针对交直流混合微电网容量配置的优化方法
CN110266026B (zh) * 2019-06-26 2022-10-18 中国能源建设集团广东省电力设计研究院有限公司 一种电厂储能辅助调频的储能定容方法
CN110417002B (zh) * 2019-07-09 2021-02-12 华中科技大学 一种孤岛微电网能量模型的优化方法
CN110460090B (zh) * 2019-07-22 2023-01-20 广东工业大学 一种水风光微电网电源容量配置方法
CN110457859B (zh) * 2019-08-22 2021-06-01 广东海洋大学 混合电力船舶推进系统的优化控制方法
FR3100397B1 (fr) * 2019-09-02 2022-02-25 Commissariat Energie Atomique Procédé de gestion d’un système hybride renouvelables/groupes électrogènes et dispositif associé
CN110912119B (zh) * 2019-10-28 2023-09-26 四川大学 一种基于暂态频率指标的互补系统控制策略组合优化方法
CN111082475B (zh) * 2019-12-04 2021-03-30 四川大学 一种基于交直流混合配电网协调能量管控方法
CN110943487B (zh) * 2019-12-31 2021-07-27 四川大学 一种园区能源系统能量优化的方法和装置
CN111199317B (zh) * 2020-01-02 2023-09-29 阳光新能源开发股份有限公司 虚拟电厂的应急能源调度方法、系统及设备
CN111210079B (zh) * 2020-01-09 2022-05-10 华北电力大学 一种分布式能源虚拟电厂运行优化方法及系统
CN111242806B (zh) * 2020-02-19 2023-06-20 武汉理工大学 一种考虑不确定性的电-热-氢多能量系统的规划方法
CN111224428B (zh) * 2020-03-02 2023-01-10 阳光新能源开发股份有限公司 光储柴微网系统及其控制方法
CN111293725B (zh) * 2020-03-24 2023-07-21 安徽海螺新能源有限公司 一种光储结合稳定出力的光伏储能系统的控制方法
CN111401665B (zh) * 2020-04-22 2022-04-15 山东大学 协同优化的综合能源系统设计方案的获取方法和系统
CN111628522A (zh) * 2020-04-27 2020-09-04 合肥阳光新能源科技有限公司 一种光储柴微网系统及其控制方法
CN111723528B (zh) * 2020-07-23 2021-02-02 长春理工大学 光学薄膜高维多目标优化设计方法
CN112186786B (zh) * 2020-09-27 2024-03-15 国网辽宁省电力有限公司经济技术研究院 一种基于虚拟同步发电机的储能辅助调频容量配置方法
CN112491087B (zh) * 2020-11-20 2023-02-07 西安热工研究院有限公司 一种基于需求侧响应的风光储独立微电网经济优化方法
CN112488378A (zh) * 2020-11-25 2021-03-12 国网辽宁省电力有限公司 一种可再生能源驱动反渗透海水淡化技术的成本建模方法
CN112636337A (zh) * 2020-12-08 2021-04-09 南京首风智慧电力研究院有限公司 一种独立微电网大扰动故障动态鉴别及功率紧急控制策略
CN112713621B (zh) * 2020-12-22 2023-06-09 广东电网有限责任公司电力科学研究院 一种交直流混合系统的多目标优化配置方法和系统
CN112615398A (zh) * 2020-12-30 2021-04-06 天津瑞能电气有限公司 一种柴油发电机与储能系统联调的模拟系统及测试方法
CN112668240B (zh) * 2020-12-30 2023-06-09 上海交通大学 一种基于虚拟储能的全电力船舶经济性调度方法及系统
CN112952820B (zh) * 2021-03-19 2021-10-22 长沙理工大学 考虑退役电池的智能社区微网超多目标能量管理方法
CN113394807B (zh) * 2021-06-23 2023-03-31 黄河勘测规划设计研究院有限公司 清洁能源互补基地装机配比的优化方法和装置
CN113343478B (zh) * 2021-06-24 2022-09-20 东北电力大学 考虑不确定性和需求响应的独立微网容量优化配置方法
CN113359464A (zh) * 2021-06-30 2021-09-07 贵州大学 一种基于决策树进行能源管理的多重能源系统及控制方法
CN113659613A (zh) * 2021-07-07 2021-11-16 杭州中恒电气股份有限公司 独立微电网优化的方法
CN113644669B (zh) * 2021-08-17 2023-10-13 山东电力工程咨询院有限公司 一种基于储能容量利用率的储能容量配置方法及系统
CN114881385B (zh) * 2021-09-30 2024-12-06 中国电力科学研究院有限公司 考虑储能运行模式的微电网电力平衡功率确定方法及系统
CN115965100A (zh) * 2021-10-19 2023-04-14 国网上海能源互联网研究院有限公司 一种适用于油井微电网系统的运行优化方法及系统
CN113988392B (zh) * 2021-10-19 2024-05-28 华北电力大学（保定） 一种考虑可靠性需求响应的微网优化规划方法
CN113991648A (zh) * 2021-10-25 2022-01-28 国网山东省电力公司青岛供电公司 一种微电网群源网荷储双层优化调度方法及系统
CN114004082B (zh) * 2021-10-29 2022-06-28 中节能风力发电股份有限公司 一种风储能量控制方法、系统、存储介质及计算设备
CN114142458A (zh) * 2021-11-10 2022-03-04 国网内蒙古东部电力有限公司电力科学研究院 一种离网型风电、光伏和储能一体化供电优化方法及系统
CN114583716B (zh) * 2021-12-07 2025-07-18 湖南大学 一种自治微网风储联合调频方法及系统
CN114218780B (zh) * 2021-12-09 2024-11-22 大连海事大学 一种船舶微电网中混合储能系统容量配置方法
CN114492983B (zh) * 2022-01-24 2024-11-29 燕山大学 一种高海拔地区配电网规划研究方法
US12556001B2 (en) * 2022-05-06 2026-02-17 Ge Vernova Infrastructure Technology Llc System and method for controlling a plurality of power generators
CN115296318A (zh) * 2022-08-31 2022-11-04 中国华能集团清洁能源技术研究院有限公司 以阶梯发电计划为目标的光储系统储能容量优化配置方法
CN115378034A (zh) * 2022-09-02 2022-11-22 北方工业大学 一种孤岛微电网系统可靠性评估方法以及装置
CN115833093B (zh) * 2022-11-22 2025-04-15 浙江大学 一种制氢系统中的制氢装置冷热备用运行状态调控方法
CN116307087B (zh) * 2023-02-07 2023-12-15 帕诺(常熟)新能源科技有限公司 考虑电动汽车充放电的微电网系统储能优化配置方法和系统
CN116027757B (zh) * 2023-03-27 2023-06-16 中国科学院电工研究所 光催化-热化学耦合制燃料的综合能源系统运行调控方法
CN116623229B (zh) * 2023-07-24 2023-10-20 长江三峡集团实业发展(北京)有限公司 一种风电制氢系统的控制方法、装置、介质、设备
CN117239800B (zh) * 2023-08-25 2024-06-18 武汉科技大学 应用于可再生能源的储能系统的控制方法及计算机设备
CN117277434B (zh) * 2023-09-15 2025-04-15 南京金源巨能能源装备制造有限公司 发电机组优化控制方法
CN117977564B (zh) * 2024-01-02 2024-12-31 国网江苏省电力有限公司宿迁供电分公司 一种区域配电网双侧优化调度方法
CN117892884B (zh) * 2024-03-08 2025-01-03 国网北京市电力公司 一种综合能源系统优化设计方法、装置、设备及介质
CN118300519B (zh) * 2024-03-26 2024-11-22 深圳绿合岛能源科技有限公司 基于人工智能的分布式光伏发电控制系统及方法
CN118100254B (zh) * 2024-04-28 2024-08-02 杭州微慕科技有限公司 多能源离网架构和运行方法
CN118713062B (zh) * 2024-06-18 2026-02-03 华南理工大学 基于多方博弈的保供电型光储微电网运行方法、系统、设备及介质
CN118659419B (zh) * 2024-08-20 2024-11-26 厦门闽投科技服务有限公司 一种微电网关键节点缺陷跟踪方法及系统
CN119419811A (zh) * 2024-10-15 2025-02-11 北京建筑大学 一种交直流混合微电网优化调度方法
CN119209525A (zh) * 2024-10-22 2024-12-27 深圳市恩玖科技有限公司 一种光储柴微电网的智能控制方法、系统和存储介质
US12444943B1 (en) * 2024-10-25 2025-10-14 BrightNight Power LLC Co-optimization of dispatch of multiple types of renewable energy assets to simulate a renewable energy system
CN119651597A (zh) * 2024-12-11 2025-03-18 浙江大学绍兴研究院 一种多目标优化的多模型综合能源系统配置方法
CN119783299B (zh) * 2025-03-10 2025-05-06 中南大学 铁路站场排水设施网络系统布设方法、存储介质及设备
CN120914921B (zh) * 2025-10-13 2025-12-12 国冶天泰电力科技(河北)有限公司 基于甲醇燃料的分布式微网电站系统及动力输出优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274407A1 (en) * 2009-04-24 2010-10-28 Hunter Defense Technologies, Inc. Mobile micro-grid power system controller and method
CN102354334A (zh) * 2011-09-27 2012-02-15 浙江省电力试验研究院 基于全寿命周期净费用最小的微网系统优化设计方法
CN102593874A (zh) * 2012-03-19 2012-07-18 合肥工业大学 一种用于微电网的能量调度方法
CN103151798A (zh) * 2013-03-27 2013-06-12 浙江省电力公司电力科学研究院 独立微网系统的优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7274975B2 (en) * 2005-06-06 2007-09-25 Gridpoint, Inc. Optimized energy management system
CN102184475B (zh) * 2011-05-11 2013-10-16 浙江大学 基于多时间尺度协调的微网经济运行优化调度方法
JP5908302B2 (ja) * 2012-02-27 2016-04-26 株式会社東芝 蓄電蓄熱最適化装置、最適化方法及び最適化プログラム
CN102694391B (zh) * 2012-05-31 2014-09-03 国电南瑞科技股份有限公司 风光储联合发电系统日前优化调度方法
CN102904289A (zh) * 2012-10-18 2013-01-30 长沙学院 基于果蝇优化算法的海岛新能源系统最优容量配置方法
US20150277410A1 (en) * 2014-03-25 2015-10-01 Arizona Board Of Regents On Behalf Of Arizona State University Power delivery system management

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274407A1 (en) * 2009-04-24 2010-10-28 Hunter Defense Technologies, Inc. Mobile micro-grid power system controller and method
CN102354334A (zh) * 2011-09-27 2012-02-15 浙江省电力试验研究院 基于全寿命周期净费用最小的微网系统优化设计方法
CN102593874A (zh) * 2012-03-19 2012-07-18 合肥工业大学 一种用于微电网的能量调度方法
CN103151798A (zh) * 2013-03-27 2013-06-12 浙江省电力公司电力科学研究院 独立微网系统的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIU , MENGXUAN ET AL.: "An Optimal Design Method of Multi-objective Based Island Microgrid.", AUTOMATION OF ELECTRIC POWER SYSTEMS., vol. 36, no. 17, 10 September 2012 (2012-09-10), pages 34 - 37 *
LIU, MENGXUAN ET AL.: "A Coordinated Operating Control Strategy for Hybrid Isolated Microgrid Including Wind Power , Photovoltaic System, Diesel Generator, and Battery Storage", AUTOMATION OF ELECTRIC POWER SYSTEMS., vol. 36, no. 15, 10 August 2012 (2012-08-10), pages 19 - 20 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105406507A (zh) * 2015-12-07 2016-03-16 浙江工业大学 一种光伏微网微源动态切换方法
CN106998077A (zh) * 2017-03-09 2017-08-01 国网新疆电力公司 一种长距离输电型电网光伏最大消纳能力的确定方法
CN106953358A (zh) * 2017-04-20 2017-07-14 国网江西省电力公司电力科学研究院 一种主动配电网优化调度策略确定方法
CN112491041B (zh) * 2020-11-20 2023-02-07 西安热工研究院有限公司 一种储能混合微电网混合线性经济性规划方法
CN112488370B (zh) * 2020-11-20 2023-09-22 西安热工研究院有限公司 一种采用需求侧响应规划的储能优化方法
CN112488370A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种采用需求侧响应规划的储能优化方法
CN112491041A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种储能混合微电网混合线性经济性规划方法
CN113361096A (zh) * 2021-06-02 2021-09-07 国网辽宁省电力有限公司 一种微电网反渗透海水淡化技术的建设规模的建模方法
CN113555908A (zh) * 2021-06-24 2021-10-26 国网山东省电力公司济宁市任城区供电公司 一种智能配电网储能优化配置方法
CN113555908B (zh) * 2021-06-24 2023-11-14 国网山东省电力公司济宁市任城区供电公司 一种智能配电网储能优化配置方法
CN114172183A (zh) * 2021-12-09 2022-03-11 清华大学 电力系统中储能的多目标协同控制方法及装置
CN114357739A (zh) * 2021-12-21 2022-04-15 北京科东电力控制系统有限责任公司 含风热机组的多能流系统优化控制方法、装置及存储介质
CN114649822A (zh) * 2022-03-31 2022-06-21 上海电力大学 一种考虑风光三状态的微电网混合储能双层容量配置方法
CN115189414A (zh) * 2022-06-17 2022-10-14 云南电网有限责任公司 一种基于isodata场景聚类的电网新能源承载能力评估方法
CN115099118A (zh) * 2022-06-24 2022-09-23 中国人民解放军海军工程大学 基于nsgaⅲ的高维多目标联合并行仿真优化方法
CN115099118B (zh) * 2022-06-24 2024-04-09 中国人民解放军海军工程大学 基于nsgaⅲ的高维多目标联合并行仿真优化方法
CN116031955A (zh) * 2023-03-31 2023-04-28 赫里欧新能源有限公司 一种微电网型风光柴热储智能互补电力供应方法及系统
CN117973098A (zh) * 2024-04-01 2024-05-03 国家电投集团综合智慧能源科技有限公司 一种基于可拆分优化模型的储能控制策略优化方法和系统
CN118232499A (zh) * 2024-05-22 2024-06-21 深圳市名洋能源科技有限公司 光伏储能系统的充电控制方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN103151798B (zh) 2015-02-04
CN103151798A (zh) 2013-06-12
US9985438B2 (en) 2018-05-29
US20160064934A1 (en) 2016-03-03

Similar Documents

Publication Publication Date Title
WO2014153946A1 (zh) 独立微网系统的优化方法
CN114243795B (zh) 一种典型充电站综合能源协同交互优化配置方法及系统
CN109327042B (zh) 一种微电网多能源联合优化调度方法
CN105205552B (zh) 一种独立新能源混合发电系统优化规划方法
CN108233430B (zh) 一种计及系统能源波动性的交直流混合微网优化方法
CN106485358A (zh) 结合序列运算和粒子群算法的独立微电网优化配置方法
CN107425534B (zh) 一种基于优化蓄电池充放电策略的微电网调度方法
CN103151803A (zh) 一种含风电系统机组及备用配置的优化方法
CN105244869A (zh) 一种含微网的配电网动态随机调度控制方法
CN111884253B (zh) 一种风光储充校园微电网系统及其控制方法
CN110417045A (zh) 一种针对交直流混合微电网容量配置的优化方法
CN106549419A (zh) 基于万有引力算法的独立微网系统设计方法
CN105958537A (zh) 面向能源互联网的能源转换系统及其优化控制方法
CN108539732A (zh) 基于多区间不确定性鲁棒优化的交直流微网经济调度
CN110601260A (zh) 一种限定联络线上功率波动的光-蓄系统容量优化方法
CN102593855A (zh) 平抑电力系统中可再生能源电源输出功率波动的方法
CN112307603A (zh) 考虑大规模风电接入的混合储能容量优化配置方法及系统
CN207819466U (zh) 一种适用零碳建筑的多能互补协调控制供电系统
CN113364051B (zh) 考虑海上风电接入的多电源系统容量配置调度方法及装置
CN118971021A (zh) 一种含高渗透率新能源的主动配电网储能控制方法
CN118214008A (zh) 一种计及源荷不确定性的储能和dpfc鲁棒协同最优配置方法
CN103972913B (zh) 一种基于边际发电能耗的抽蓄电站日运行方式优化方法
CN115459358A (zh) 一种考虑多类新能源不同配比的储能容量优化配置方法
CN115081700A (zh) 基于综合储能技术的数据中心多能协同优化方法及系统
CN114398777B (zh) 一种基于巴什博弈理论的电力系统灵活性资源配置方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13880596

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14779951

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13880596

Country of ref document: EP

Kind code of ref document: A1