WO2017000853A1 - 主动配电网多时间尺度协调优化调度方法和存储介质 - Google Patents

主动配电网多时间尺度协调优化调度方法和存储介质 Download PDF

Info

Publication number
WO2017000853A1
WO2017000853A1 PCT/CN2016/087234 CN2016087234W WO2017000853A1 WO 2017000853 A1 WO2017000853 A1 WO 2017000853A1 CN 2016087234 W CN2016087234 W CN 2016087234W WO 2017000853 A1 WO2017000853 A1 WO 2017000853A1
Authority
WO
WIPO (PCT)
Prior art keywords
time scale
long
scale
distribution network
energy storage
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/CN2016/087234
Other languages
English (en)
French (fr)
Inventor
王晓辉
蒲天骄
董雷
陈乃仕
李烨
于建成
黄仁乐
葛贤军
李志宏
艾明浩
屈富敏
赵立强
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.)
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
North China Electric Power University
State Grid Beijing Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
North China Electric Power University
State Grid Beijing 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 China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd, North China Electric Power University, State Grid Beijing Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to US15/740,847 priority Critical patent/US10833508B2/en
Publication of WO2017000853A1 publication Critical patent/WO2017000853A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

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
    • H02J3/38—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
    • H02J3/46—Controlling the sharing of generated power between the generators, sources or networks
    • H02J3/48—Controlling the sharing of active power
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G06F1/3209—Monitoring remote activity, e.g. over telephone lines or network connections
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G06F1/3228—Monitoring task completion, e.g. by use of idle timers, stop commands or wait commands
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/329—Power saving characterised by the action undertaken by task scheduling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/12—Arrangements for adjusting voltage in AC networks by changing a characteristic of the network load
    • 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
    • H02J3/46—Controlling the sharing of generated power between the generators, sources or networks
    • H02J3/466—Scheduling or selectively controlling the operation of the generators or sources, e.g. connecting or disconnecting generators to meet a demand
    • 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
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • 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
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • H02J2103/35—Grid-level management of power transmission or distribution systems, e.g. load flow analysis or active network management
    • 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
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Definitions

  • the invention relates to the field of multi-source coordinated optimization control of an active distribution network, and particularly relates to a multi-time scale coordinated optimization scheduling method and a storage medium for an active distribution network based on Model Predictive Control (MPC).
  • MPC Model Predictive Control
  • the distribution network With the massive access of distributed generation, energy storage, electric vehicles and flexible loads, the distribution network has become an active network, and the controllable resources have gradually increased.
  • the concept of active distribution network has been developed, and its optimized scheduling has become a distribution network. The key to safe, stable, economical and efficient operation.
  • the coordinated optimization scheduling of the active distribution network is based on the hierarchical management characteristics of the distribution network operation, and the layered optimization and coordination of the distribution network is achieved.
  • the coordination between the different levels is achieved through the uploading of the schedulable capacity and the delivery of the optimization target curve.
  • This time-based deterministic optimization strategy can not meet the needs of a large number of random and intermittent distributed power access. Therefore, a multi-time scale coordinated optimization scheduling technology is proposed to realize optimal resource allocation within the active distribution network. .
  • MPC is a kind of model-based finite time domain closed-loop optimal control algorithm, which has been well applied in industrial process control.
  • the controller takes the current state of the system as the initial state of control, based on the prediction result of the prediction model for the future state, and solves the optimal control problem of a finite duration by online scrolling to obtain the current control behavior, so that the current control behavior is obtained.
  • the difference between the future output and the reference trajectory is the smallest, and the model predictive control consists of three parts: predictive model, rolling optimization, and feedback correction.
  • the prediction model is based on the historical information of the process and the future output value of the future input prediction process, providing a priori knowledge for the optimization of the MPC; the rolling optimization is based on the output feedback result of the actual system, and the next step is obtained by repeatedly rolling the optimization of the control target.
  • embodiments of the present invention are expected to provide a multi-time scale coordinated optimization scheduling method and a storage medium for an active distribution network, thereby realizing optimal scheduling of an active distribution network, thereby reducing the prediction accuracy of distributed power and low voltage loads. Adverse effects on optimized scheduling.
  • the embodiment of the invention provides a multi-time scale coordinated optimization scheduling method for an active distribution network, which comprises the following steps:
  • the MPC-based short time scale rolling optimization scheduling is performed on the active distribution network.
  • the step (1) includes:
  • the optimization result includes: the energy storage output power P stori (t) and the flexible load output power ⁇ P Lj (t).
  • the active distribution network long-term scale optimization scheduling model includes: an objective function and a constraint condition of the long-term scale optimization scheduling;
  • the objective function of the long-term scale optimization scheduling is:
  • minF is the minimum value of the long-term optimization scheduling cost of the active distribution network
  • c grid (t) is the grid time-of-use electricity price
  • P grid (t) is the tie line output power of the long-term scale
  • Tl represents long-term scale optimization scheduling period
  • NL is the number of flexible loads in the active distribution network
  • NS is the number of energy storage devices
  • the constraints include: tie line power constraints of the active distribution network and the main network, power balance constraints, energy storage battery constraints, flexible load constraints, and network power flow security constraints.
  • the tie line power constraint of the active distribution network and the primary network includes: For the upper limit of the active power of the tie line at a long time scale, For the lower limit of the active power of the tie line at the long-term scale, P grid (t) is the output power of the tie line at the long-term scale; the power balance constraints include: P grid (t) is the output power of the tie line at the long-term scale, P stori (t) is the energy storage output power of the long-term scale optimal scheduling, and ⁇ P Lj (t) is the flexible load output power of the long-term scale optimal scheduling.
  • the step (2) includes:
  • the optimization results of the energy storage adjustable capacity and the flexible load adjustable capacity and the long-time scale optimization scheduling of the active distribution network, the optimization results of the active distribution network long-time scale optimization scheduling include: energy storage output power P stori (t) And flexible load output power ⁇ P Lj (t);
  • constructing an active distribution network short time scale optimization scheduling model includes:
  • the objective function of the short time scale optimized scheduling is:
  • T is the optimization period for the long-term optimal scheduling of the active distribution network.
  • P grid (t) is the tie line power for the long-term scale
  • P stori (t) is the energy storage output for the long-term scale optimization scheduling.
  • Power, ⁇ P Lj (t) is the flexible load output power for long-term scale optimization scheduling
  • P grid (t)′ is the tie line power at short time scale
  • P stori (t)′ is the energy storage output of short time scale optimized scheduling.
  • Power, ⁇ P Lj (t)′ is the flexible load output power of short-time scale optimized scheduling
  • ⁇ i is the energy storage weight coefficient
  • ⁇ j is the flexible load weight coefficient
  • ⁇ g is the tie line weight coefficient
  • t 0 is the initial time.
  • NL is the number of flexible loads in the active distribution network
  • NS is the number of energy storage devices
  • minf is the minimum time-optimized scheduling cost for the active distribution network;
  • the constraints include: tie line power constraints of the active distribution network and the main network, power balance constraints, energy storage battery constraints, flexible load constraints, and network power flow security constraints.
  • the tie line power constraint of the active distribution network and the primary network includes: The upper limit of the active power of the tie line for a short time scale, For the lower limit of the active power of the tie line at a short time scale, P grid (t)' is the tie line power at a short time scale; the power balance constraints include: P grid (t)' is the tie line power at short time scale, P stori (t)' is the energy storage output power of short-time scale optimized scheduling, and ⁇ P Lj (t)' is the flexible load output power of short-time scale optimized scheduling.
  • the flexible load constraint comprises: ⁇ P Limin' ⁇ P Li ' ⁇ P Limax', ⁇ P Limax ' is the upper limit load power in case the flexible short time scale, ⁇ P Limin' is a lower limit value of power change flexible short time scale under a load, ⁇ P Lj (t) 'is a short optimization of the time scale of a flexible scheduling load output power; security constraints said network flow comprising: V min ' ⁇ V n' ⁇ V max ', I b' ⁇ I b.rated ', V n' is the voltage at short time scales The amplitude, V max ⁇ V n' ⁇ V max ', I b' ⁇ I b.rated ', V n' is the voltage at short time scales The amplitude, V max ⁇ V max ', I b' ⁇ I b.rated ', V n' is the voltage at short time scales The amplitude, V max ⁇ V max ', I b' ⁇
  • the state provides feedback correction to the short-time scale optimization scheduling model of the active distribution network, including:
  • the embodiment of the present invention further provides a storage medium, where the computer executable instructions are used to execute the multi-time scale coordinated optimization scheduling of the active distribution network according to the embodiment of the present invention. method.
  • Multi-source optimization scheduling of active distribution network adopts multi-time scale coordination and coordination mode, which can not only meet the long-term scale economic dispatching factors, but also meet the short-time scale distribution network voltage quality, power supply smooth output and power balance.
  • the situation can achieve the goal of “multi-level coordination, step-by-step refinement, and economic dispatch” of the active distribution network;
  • the model predictive control is introduced in the short-time scale optimization scheduling.
  • the finite-time rolling optimization can be realized based on the latest forecast data, and the global optimality can be replaced by the time-optimal, and the distributed power supply and distribution network can be reduced.
  • the impact of low accuracy of load forecasting improves the optimal operation level of the active distribution network.
  • FIG. 1 is a flow chart of a multi-time scale coordinated optimization scheduling method for an active distribution network according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram of a process of a multi-time scale coordinated optimization scheduling method for an active distribution network according to an embodiment of the present invention
  • FIG 3 is a detailed step diagram of the method shown in the step (1) of Figure 1;
  • step 4 is a detailed step view of the method shown in step (2) of FIG. 1.
  • the tie line refers to the transmission line between the active distribution network and the main network
  • the scheduling cost refers to the cost generated by the scheduling process, that is, the cost of the transmission line of the tie line, and the flexible load
  • the scheduling cost and the energy storage scheduling cost are the sum of the three
  • the flexible load refers to the load that can be dynamically adjusted according to the needs
  • the long-term scale refers to the long-term optimization to meet the optimization scheduling economic demand, usually set For one day, you can also set it yourself according to your needs
  • the short time scale refers to the short-time optimization to meet the real-time requirements of optimal scheduling. It is usually set to 5 minutes, and can also be set according to the requirements.
  • the optimization period refers to the setting according to the requirements of long and short time scales. Optimize the time period.
  • a multi-time scale coordinated optimization scheduling method for an active distribution network includes the following steps:
  • the MPC-based short time scale rolling optimization scheduling is performed on the active distribution network.
  • the multi-time scale coordinated optimization scheduling scheme of the active distribution network in the embodiment of the present invention includes a long-time scale optimization scheduling scheme and a short-time scale optimization scheduling scheme; and the specific implementation process of the long-term scale optimization scheduling scheme can be referred to FIG. 3
  • the specific implementation process of the short time scale optimized scheduling scheme can be referred to FIG. 4 .
  • the step (1) includes:
  • the distributed power supply predictive value of the active distribution network under long-term scale Load forecast It is a power curve calculated over a long time scale.
  • the adjustable capacity of the energy storage includes the current capacity of the stored energy and the adjustable margin.
  • the adjustable capacity of the flexible load is based on the importance of the flexible load and the signed flexible load regulation protocol. , calculated flexible load adjustable margin.
  • optimization results including: energy storage output power P stori (t) and flexible load output power ⁇ P Lj (t);
  • the optimization result can be obtained by the optimization tool to solve the long-time scale optimization scheduling model of the active distribution network
  • the active distribution network has a long-term scale
  • the optimal scheduling model includes: objective function and constraint conditions for long-term scale optimization scheduling;
  • the long-time scale optimization scheduling model aims at minimizing the optimal scheduling cost of the active distribution network, emphasizing the operating cost of the entire scheduling period, and adopting the maximum power point tracking (MPPT) control mode to maximize the utilization of distributed energy.
  • MPPT maximum power point tracking
  • minF is the minimum value of the long-term optimization scheduling cost of the active distribution network
  • c grid (t) is the grid time-of-use electricity price
  • P grid (t) is the tie line output power of the long-term scale
  • Tl represents long-term scale optimization scheduling period
  • NL is the number of flexible loads in the active distribution network
  • NS is the number of energy storage devices
  • the constraints include: tie line power constraints of the active distribution network and the main network, power balance constraints, energy storage battery constraints, flexible load constraints, and network power flow security constraints.
  • the tie line power constraint of the active distribution network and the primary network includes: For the upper limit of the active power of the tie line at a long time scale, For the lower limit of the active power of the tie line at the long-term scale, P grid (t) is the output power of the tie line at the long-term scale; the power balance constraints include: P grid (t) is the output power of the tie line at the long-term scale, P stori (t) is the energy storage output power of the long-term scale optimal scheduling, and ⁇ P Lj (t) is the flexible load output power of the long-term scale optimal scheduling.
  • the charge and discharge power constraint of the energy storage battery under the long-term scale is: P storj min ⁇ P storj (t) ⁇ P storj max ; the energy storage battery capacity constraint for a long time scale: SOC j min ⁇ SOC j (t) ⁇ SOC j max , where ⁇ is the
  • the flexible load constraint comprises: ⁇ P Limin ⁇ P Li ⁇ P Limax, ⁇ P Limax to the long dimension of the flexible negative Upper limit value of power change, ⁇ P Limin is the lower limit value of the load power in case the flexible long time scale, ⁇ P Lj (t) of the flexible load output power to optimize the scheduling of long time scale; security constraints of the network flow comprising: V min ⁇ V n ⁇ V max, I b ⁇ I b.rated, V n is the time the node voltage amplitude, V max is the time scale of the upper limit value at node voltage amplitude scale, V min is the long time scale node The lower limit of the voltage amplitude, I b is the branch current at the long-term scale, and I b.rated is the rated current of the branch at the long-term scale.
  • the long-term scale optimization scheduling of active distribution network is to reduce network loss, improve voltage quality, reduce load peak-to-valley difference, and improve the utilization rate of clean renewable energy. It is necessary to calculate the temporary maintenance and power conservation requirements of the distribution network, and consider intermittent The predictive value of renewable distributed power supply and load power consumption characteristics increases with the prediction time scale and the error increases.
  • the multi-period distribution network operation mode and optimized scheduling scheme are formulated.
  • the step (2) includes:
  • the optimization results of the energy storage adjustable capacity and the flexible load adjustable capacity and the long-time scale optimization scheduling of the active distribution network, the optimization results of the active distribution network long-time scale optimization scheduling include: energy storage output power P stori (t) And flexible load output power ⁇ P Lj (t).
  • the adjustable capacity of the energy storage includes the current capacity of the stored energy and the adjustable margin.
  • the adjustable capacity of the flexible load is based on the importance of the flexible load and the signed flexible load regulation protocol. , calculated flexible load adjustable margin.
  • the energy storage output power P stori (t)′ and the flexible load output power ⁇ P Lj (t)′ of the short-time scale optimal scheduling of the active distribution network are obtained by an optimization tool for solving a short time scale optimized scheduling model.
  • the constructing an active distribution network short time scale optimization scheduling model includes:
  • the short time scale optimization scheduling model is based on long-term scale optimization results and is short
  • the time scale prediction model corrects the reference value, and on the basis of ensuring the long-term scale economic optimization, tracking the latest predicted value of the load and the intermittent new energy, and optimizing the scheduling of the schedulable resources, the short time scale optimization scheduling
  • the objective function is:
  • T is the optimization period for the long-term optimal scheduling of the active distribution network.
  • P grid (t) is the tie line power for the long-term scale
  • P stori (t) is the storage for the long-term scale optimization scheduling.
  • the output power, ⁇ P Lj (t) is the flexible load output power for long-term scale optimization scheduling
  • P grid (t)′ is the tie line power at short time scale
  • P stori (t)′ is the storage of short time scale optimized scheduling.
  • the output power, ⁇ P Lj (t)′ is the flexible load output power of the short-time scale optimized scheduling, ⁇ i is the energy storage weight coefficient, ⁇ j is the flexible load weight coefficient, ⁇ g is the tie line weight coefficient, t 0 is the initial At the moment, NL is the number of flexible loads in the active distribution network, NS is the number of energy storage devices, and minf is the minimum time-optimized scheduling cost for the active distribution network;
  • the constraints include: tie line power constraints of the active distribution network and the main network, power balance constraints, energy storage battery constraints, flexible load constraints, and network power flow security constraints.
  • the tie line power constraint of the active distribution network and the primary network includes: The upper limit of the active power of the tie line for a short time scale, For the lower limit of the active power of the tie line at a short time scale, P grid (t)' is the tie line power at a short time scale; the power balance constraints include: P grid (t)' is the tie line power at short time scale, P stori (t)' is the energy storage output power of short-time scale optimized scheduling, and ⁇ P Lj (t)' is the flexible load output power of short-time scale optimized scheduling.
  • the flexible load constraint comprises: ⁇ P Limin' ⁇ P Li ' ⁇ P Limax', ⁇ P Limax ' is the upper limit load power in case the flexible short time scale, ⁇ P Limin' is a lower limit value of power change flexible short time scale under a load, ⁇ P Lj (t) 'is a short optimization of the time scale of a flexible scheduling load output power; security constraints said network flow comprising: V min ' ⁇ V n' ⁇ V max ', I b' ⁇ I b.rated ', V n' is the voltage at short time scales The amplitude, V max ⁇ V n' ⁇ V max ', I b' ⁇ I b.rated ', V n' is the voltage at short time scales The amplitude, V max ⁇ V max ', I b' ⁇ I b.rated ', V n' is the voltage at short time scales The amplitude, V max ⁇ V max ', I b' ⁇
  • the feedback correction is performed on the short-time scale optimization scheduling model of the active distribution network according to the real-time operating state of the active distribution network, including:
  • the short-time scale optimization scheduling goal is to ensure the reliability of power supply, smooth power curve and improve voltage quality of important loads, and need to account for sudden factors such as faults and temporary power outages, for intermittent distributed energy and load forecasting values and long-term scale prediction.
  • the values are compared with the deviations, the long-term scale optimization scheduling scheme is modified, the fluctuation of the distributed power output is smoothed, and the power smoothing and energy balance are realized.
  • the foregoing program may be stored in a computer readable storage medium, and when executed, the program includes The foregoing steps of the method embodiment; and the foregoing storage medium includes: a removable storage device, a read-only memory (ROM), a magnetic disk or an optical disk, and the like, which can store program codes.
  • ROM read-only memory
  • the above-described integrated module of the embodiment of the present invention may be stored in a computer readable storage medium if it is implemented in the form of a software function module and sold or used as a stand-alone product.
  • the portion contributing to the operation may be embodied in the form of a software product stored in a storage medium, including instructions for causing a computer device (which may be a personal computer, server, or network device, etc.) to execute All or part of the method of the various embodiments of the invention.
  • the foregoing storage medium includes various media that can store program codes, such as a mobile storage device, a ROM, a magnetic disk, or an optical disk.
  • the technical solution of the embodiment of the invention adopts a model predictive control method, and performs rolling correction on a short time scale based on the optimized scheduling result of a long time scale, thereby realizing optimal scheduling of the active distribution network, thereby alleviating the distributed power supply and the low voltage load.
  • the adverse effect of prediction accuracy on optimal scheduling is not limited to:

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种主动配电网多时间尺度协调优化调度方法和存储介质；该方法包括如下步骤：对主动配电网进行长时间尺度优化调度；根据主动配电网长时间尺度优化调度的优化结果，对主动配电网进行基于MPC的短时间尺度滚动优化调度；该方法采用模型预测控制方法，以长时间尺度的优化调度结果为基准，在短时间尺度进行滚动修正，实现主动配电网的优化调度，从而减轻分布式电源和低压负荷的预测精度对优化调度的不利影响。

Description

主动配电网多时间尺度协调优化调度方法和存储介质 技术领域
本发明涉及主动配电网多源协调优化控制领域，具体涉及一种基于模型预测控制(MPC，Model Predictive Control)的主动配电网多时间尺度协调优化调度方法和存储介质。
背景技术
随着分布式发电、储能、电动汽车和柔性负荷的大量接入，配电网变成有源网，可控资源逐步增多，主动配电网的概念得到发展，其优化调度成为配电网安全、稳定、经济、高效运行的关键。
目前主动配电网的协调优化调度按照配电网运行的分层管理特性，对配电网进行分层优化协调，通过可调度容量的上传和优化目标曲线的下发实现不同层级之间的协调，这种基于时间点的确定性优化策略无法满足大量随机性和间歇性分布式电源接入的需求，因此提出了多时间尺度的协调优化调度技术，实现主动配电网范围内的资源优化配置。但是如何降低分布式电源、负荷的预测不准的影响，通过多时间尺度的协调优化调度达到“多级协调、逐级细化”，充分发挥各时间尺度优化调度的优势，一直是难以解决的问题。
MPC是一类基于模型的有限时域闭环最优控制算法，已在工业过程控制中的得到很好的应用。在每一采样周期，控制器以当前时刻的系统状态作为控制的初始状态，基于预测模型对未来状态的预测结果，通过在线滚动求解一个有限时长的最优控制问题从而获得当前的控制行为，使得未来输出与参考轨迹之差最小，模型预测控制有预测模型、滚动优化、反馈校正等三部分组成。
预测模型是根据过程的历史信息和未来输入预测过程的未来输出值，为MPC的优化提供先验知识；滚动优化基于实际系统的输出反馈结果，通过对控制目标的反复滚动寻优，获得将来一段时段的最优控制措施；反馈校正是采用反馈的方式，基于实际系统稳态输出量的量测值，对滚动优化算法提供的超前控制策略进行校正。
发明内容
针对现有技术的不足，本发明实施例期望提供一种主动配电网多时间尺度协调优化调度方法和存储介质，实现主动配电网的优化调度，从而减轻分布式电源和低压负荷的预测精度对优化调度的不利影响。
本发明实施例是采用下述技术方案实现的：
本发明实施例提供了一种主动配电网多时间尺度协调优化调度方法，包括如下步骤：
(1)对所述主动配电网进行长时间尺度优化调度；
(2)根据主动配电网长时间尺度优化调度的优化结果，对所述主动配电网进行基于MPC的短时间尺度滚动优化调度。
作为一种实施方式，所述步骤(1)包括：
(1-1)获取长时间尺度下主动配电网的分布式电源预测值
Figure PCTCN2016087234-appb-000001
负荷预测值
Figure PCTCN2016087234-appb-000002
储能可调容量和柔性负荷可调容量；
(1-2)构建主动配电网长时间尺度优化调度模型；
(1-3)获取主动配电网长时间尺度优化调度的优化结果，所述优化结果包括：储能输出功率Pstori(t)和柔性负荷输出功率ΔPLj(t)。
作为一种实施方式，所述步骤(1-2)中，所述主动配电网长时间尺度优化调度模型包括：长时间尺度优化调度的目标函数和约束条件；
所述长时间尺度优化调度的目标函数为：
Figure PCTCN2016087234-appb-000003
式(1)中，minF为主动配电网长时间尺度优化调度成本最小值，cgrid(t)表示电网分时电价，Pgrid(t)为长时间尺度下联络线输出功率，Cloadi(t)为柔性负荷调度成本，Cstorj(t)储能设备调度成本，Tl表示长时间尺度优化调度周期，NL为主动配电网中柔性负荷数量，NS为储能装置数量；
所述约束条件包括：主动配电网与主网的联络线功率约束、功率平衡约束、储能电池约束、柔性负荷约束和网络潮流安全约束。
作为一种实施方式，所述主动配电网与主网的联络线功率约束包括：
Figure PCTCN2016087234-appb-000004
Figure PCTCN2016087234-appb-000005
为长时间尺度下联络线有功功率的上限值，
Figure PCTCN2016087234-appb-000006
为长时间尺度下联络线有功功率的下限值，Pgrid(t)为长时间尺度下联络线输出功率；所述功率平衡约束包括：
Figure PCTCN2016087234-appb-000007
Pgrid(t)为长时间尺度下联络线输出功率，Pstori(t)为长时间尺度优化调度的储能输出功率，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率，
Figure PCTCN2016087234-appb-000008
为长时间尺度下主动配电网的分布式电源预测值，
Figure PCTCN2016087234-appb-000009
为长时间尺度下主动配电网的负荷预测值，Ploss(t)为长时间尺度下主动配电网的有功损耗；所述储能电池约束包括：当长时间尺度下储能电池放电时，Pstorj(t)>0，t时刻的剩余容量为：
Figure PCTCN2016087234-appb-000010
当长时间尺度下储能电池充电时，Pstorj(t)<0，t时刻的剩余容量为：SOCj(t)＝SOCj(t-1)(1-σ)-Pstorj(t)ηC；长时间尺度下储能电池充放电功率约束为：
Figure PCTCN2016087234-appb-000011
长时间尺度下储能电池容量约束：
Figure PCTCN2016087234-appb-000012
其中，σ为长时间尺度下储能电池的自放电率，ηC为长时间尺度下储能电池的充电效率、ηD为长时间尺度下储能电 池的放电效率；SOCj(t-1)为长时间尺度下上一时刻储能的剩余容量，SOCj(t)为长时间尺度下t时刻储能的剩余容量；
Figure PCTCN2016087234-appb-000013
为长时间尺度下储能电池剩余容量上限值、
Figure PCTCN2016087234-appb-000014
为长时间尺度下储能电池剩余容量下限值；Pstorj max为长时间尺度下储能电池充电功率上限值、Pstorj min为长时间尺度下储能电池放电功率下限值；所述柔性负荷约束包括：ΔPLimin≤ΔPLi≤ΔPLimax，ΔPLimax为长时间尺度下柔性负荷功率变化的上限值，ΔPLimin为长时间尺度下柔性负荷功率变化的下限值，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率；所述网络潮流安全约束包括：Vmin≤Vn≤Vmax，Ib≤Ib.rated，Vn为长时间尺度下节点电压幅值，Vmax为长时间尺度下节点电压幅值上限值，Vmin为长时间尺度下节点电压幅值下限值，Ib为长时间尺度下支路电流，Ib.rated为长时间尺度下支路额定电流。
作为一种实施方式，所述步骤(2)包括：
(2-1)获取短时间尺度下主动配电网的分布式电源预测值
Figure PCTCN2016087234-appb-000015
负荷预测值
Figure PCTCN2016087234-appb-000016
储能可调容量和柔性负荷可调容量以及主动配电网长时间尺度优化调度的优化结果，所述主动配电网长时间尺度优化调度的优化结果包括：储能输出功率Pstori(t)和柔性负荷输出功率ΔPLj(t)；
(2-2)构建主动配电网短时间尺度优化调度模型；
(2-3)获取主动配电网短时间尺度优化调度的储能输出功率Pstori(t)′和柔性负荷输出功率ΔPLj(t)′及解序列中第k时刻的优化结果
Figure PCTCN2016087234-appb-000017
包括第k时刻的储能输出功率Pstori(k)′和第k时刻的柔性负荷输出功率ΔPLj(k)′；
(2-4)根据主动配电网的实时运行状态对主动配电网短时间尺度优化调度模型进行反馈修正；
(2-5)若长时间尺度优化周期结束或者人为中断优化调度过程，则结束短时间尺度优化调度，否则根据反馈修正结果对短时间尺度优化调度进 行滚动优化。
作为一种实施方式，所述步骤(2-2)中，构建主动配电网短时间尺度优化调度模型包括：
(2-2-1)获取所述主动配电网长时间尺度优化调度的优化时段T，设置短时间尺度的优化调度周期；
(2-2-2)设计短时间尺度优化调度的目标函数和约束条件；
其中，所述短时间尺度优化调度的目标函数为：
Figure PCTCN2016087234-appb-000018
式(2)中，T为主动配电网长时间尺度优化调度的优化时段，Pgrid(t)为长时间尺度下联络线功率，Pstori(t)为长时间尺度优化调度的储能输出功率，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率，Pgrid(t)′为短时间尺度下联络线功率，Pstori(t)′为短时间尺度优化调度的储能输出功率，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率，ωi为储能权重系数，ωj为柔性负荷权重系数，ωg为联络线权重系数，t0为初始时刻，NL为主动配电网中柔性负荷数量，NS为储能装置数量，minf为主动配电网短时间尺度优化调度成本最小值；
所述约束条件包括：主动配电网与主网的联络线功率约束、功率平衡约束、储能电池约束、柔性负荷约束和网络潮流安全约束。
作为一种实施方式，所述主动配电网与主网的联络线功率约束包括：
Figure PCTCN2016087234-appb-000019
Figure PCTCN2016087234-appb-000020
为短时间尺度下联络线有功功率的上限值，
Figure PCTCN2016087234-appb-000021
为短时间尺度下联络线有功功率的下限值，Pgrid(t)′为短时间尺度下联络线功率；所述功率平衡约束包括：
Figure PCTCN2016087234-appb-000022
Pgrid(t)′为短时间尺度 下联络线功率，Pstori(t)′为短时间尺度优化调度的储能输出功率，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率，
Figure PCTCN2016087234-appb-000023
为短时间尺度下主动配电网的分布式电源预测值，
Figure PCTCN2016087234-appb-000024
为短时间尺度下主动配电网的负荷预测值，Ploss(t)′为短时间尺度下主动配电网的有功损耗；所述储能电池约束包括：当短时间尺度下储能电池放电时，Pstorj(t)′>0，t时刻的剩余容量为：
Figure PCTCN2016087234-appb-000025
当短时间尺度下储能电池充电时，Pstorj(t)′<0，t时刻的剩余容量为：SOCj(t)′＝SOCj(t-1)(1-σ)′-Pstorj(t)′ηC′；短时间尺度下储能电池充放电功率约束为：Pstorj min′≤Pstorj(t)′≤Pstorj max′；短时间尺度下储能电池容量约束：SOCj min′≤SOCj(t)′≤SOCj max′，其中，σ′为短时间尺度下储能电池的自放电率，ηC′为短时间尺度下储能电池的充电效率、ηD′为短时间尺度下储能电池的放电效率；SOCj(t-1)′为短时间尺度下上一时刻储能的剩余容量，SOCj(t)′为短时间尺度下t时刻储能的剩余容量；SOCj max′为短时间尺度下储能电池剩余容量上限值，SOCj min′为短时间尺度下储能电池剩余容量下限值；Pstorj max′为短时间尺度下储能电池充电功率上限值、Pstorj min′为短时间尺度下储能电池放电功率下限值；所述柔性负荷约束包括：ΔPLimin′≤ΔPLi′≤ΔPLimax′，ΔPLimax′为短时间尺度下柔性负荷功率变化的上限值，ΔPLimin′为短时间尺度下柔性负荷功率变化的下限值，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率；所述网络潮流安全约束包括：Vmin′≤Vn′≤Vmax′，Ib′≤Ib.rated′，Vn′为短时间尺度下节点电压幅值，Vmax′为短时间尺度下节点电压幅值上限值，Vmin′为短时间尺度下节点电压幅值下限值，Ib′为短时间尺度下支路电流，Ib.rated′为短时间尺度下支路额定电流。
作为一种实施方式，所述步骤(2-4)中，根据主动配电网的实时运行 状态对主动配电网短时间尺度优化调度模型进行反馈修正，包括：
(2-4-1)获取所述主动配电网长时间尺度优化调度的优化时段T并设置主动配电网短时间尺度优化调度的预测周期m，计算主动配电网短时间尺度优化调度的优化时段p；
(2-4-2)计算主动配电网第k时刻实际输出结果y(k)和主动配电网短时间尺度优化调度中第k时刻的优化结果
Figure PCTCN2016087234-appb-000026
之间的误差e(k)：
Figure PCTCN2016087234-appb-000027
(2-4-3)根据所述误差e(k)对主动配电网短时间尺度优化调度中第k+1至k+p时刻的优化结果进行修正：
Figure PCTCN2016087234-appb-000028
式(4)中，
Figure PCTCN2016087234-appb-000029
为对第k+p时刻优化结果
Figure PCTCN2016087234-appb-000030
的修正结果；hk+p为第k+p时刻的模型信息，通过离线辨识获得，是常量矩阵。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行本发明实施例所述的主动配电网多时间尺度协调优化调度方法。
本发明实施例的有益效果在于：
(1)主动配电网多源优化调度采用多时间尺度的协调配合方式，不仅能够满足长时间尺度的经济调度因素，同时也能满足短时间尺度配电网电压质量、电源平滑出力以及功率平衡的情况，能够达到主动配电网“多级协调、逐级细化、经济调度”的目标；
(2)长时间尺度优化调度以主动配电网优化调度成本最小为目标，强调整个调度周期的运行成本，可以实现分布式能源的最大化利用，实现主 动配电网的运行经济性；
(3)短时间尺度优化调度中引入模型预测控制，可以在每一个优化调度周期，基于最新的预测数据实现有限时段的滚动优化，以时段最优代替全局最优，降低分布式电源、配网负荷预测精度不高的影响，提高主动配电网的优化运行水平。
附图说明
图1是本发明实施例的主动配电网多时间尺度协调优化调度方法步骤图；
图2为本发明实施例的主动配电网多时间尺度协调优化调度方法的过程示意图；
图3是图1中步骤(1)所示方法的具体步骤图；
图4是图1中步骤(2)所示方法的具体步骤图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
另外，本发明提供的方法实施例中，联络线指的是主动配电网与主网之间的传输线路；调度成本指的是调度过程产生的成本，即联络线传输电量的费用，柔性负荷的调度成本，储能调度成本三者之和；柔性负荷指的是可根据需要动态调节的负荷；长时间尺度指的是为满足优化调度经济性需求，进行的较长时间的优化，通常设置为一天，也可根据需求自行设置； 短时间尺度指的是为满足优化调度实时性需求，进行的短时间的优化，通常设置为5分钟，也可根据需求自行设置；优化周期指的是根据长、短时间尺度的需求，设置的优化时间段。
本发明实施例提供的一种主动配电网多时间尺度协调优化调度方法，如图1所示，包括如下步骤：
(1)对所述主动配电网进行长时间尺度优化调度；
(2)根据主动配电网长时间尺度优化调度的优化结果，对所述主动配电网进行基于MPC的短时间尺度滚动优化调度。
具体的，本发明实施例的主动配电网多时间尺度协调优化调度方案包括长时间尺度优化调度方案和短时间尺度优化调度方案；所述长时间尺度优化调度方案的具体实现过程可参照图3所示；所述短时间尺度优化调度方案的具体实现过程可参照图4所示。
具体的，结合图2和图3所示，所述步骤(1)包括：
(1-1)获获取长时间尺度下主动配电网的分布式电源预测值
Figure PCTCN2016087234-appb-000031
负荷预测值
Figure PCTCN2016087234-appb-000032
储能可调容量和柔性负荷可调容量；
其中，长时间尺度下主动配电网的分布式电源预测值
Figure PCTCN2016087234-appb-000033
负荷预测值
Figure PCTCN2016087234-appb-000034
是在长时间尺度下计算的功率曲线，储能的可调容量包括当前储能的剩余容量以及可调节的裕度，柔性负荷可调容量是依据柔性负荷的重要性以及签订的柔性负荷调节协议，计算的柔性负荷可调裕度。
(1-2)构建主动配电网长时间尺度优化调度模型；
(1-3)获取主动配电网长时间尺度优化调度的优化结果，所述优化结果包括：储能输出功率Pstori(t)和柔性负荷输出功率ΔPLj(t)；
其中，所述优化结果能够由优化工具求解所述主动配电网长时间尺度优化调度模型所得；
作为一种实施方式，所述步骤(1-2)中，所述主动配电网长时间尺度 优化调度模型包括：长时间尺度优化调度的目标函数和约束条件；
所述长时间尺度优化调度模型以主动配电网优化调度成本最小为目标，强调整个调度周期的运行成本，同时采用最大功率点追踪(MPPT)控制模式，实现分布式能源的最大化利用，所述长时间尺度优化调度的目标函数为：
Figure PCTCN2016087234-appb-000035
式(1)中，minF为主动配电网长时间尺度优化调度成本最小值，cgrid(t)表示电网分时电价，Pgrid(t)为长时间尺度下联络线输出功率，Cloadi(t)为柔性负荷调度成本，Cstorj(t)储能设备调度成本，Tl表示长时间尺度优化调度周期，NL为主动配电网中柔性负荷数量，NS为储能装置数量；
所述约束条件包括：主动配电网与主网的联络线功率约束、功率平衡约束、储能电池约束、柔性负荷约束和网络潮流安全约束。
作为一种实施方式，所述主动配电网与主网的联络线功率约束包括：
Figure PCTCN2016087234-appb-000036
Figure PCTCN2016087234-appb-000037
为长时间尺度下联络线有功功率的上限值，
Figure PCTCN2016087234-appb-000038
为长时间尺度下联络线有功功率的下限值，Pgrid(t)为长时间尺度下联络线输出功率；所述功率平衡约束包括：
Figure PCTCN2016087234-appb-000039
Pgrid(t)为长时间尺度下联络线输出功率，Pstori(t)为长时间尺度优化调度的储能输出功率，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率，
Figure PCTCN2016087234-appb-000040
为长时间尺度下主动配电网的分布式电源预测值，
Figure PCTCN2016087234-appb-000041
为长时间尺度下主动配电网的负荷预测值，Ploss(t)为长时间尺度下主动配电网的有功损耗；所述储能电池约束包括：当长时间尺度下储能电池放电时，Pstorj(t)>0，t时刻的剩余容量为：
Figure PCTCN2016087234-appb-000042
当长时间尺度下储能电池充电时，Pstorj(t)<0，t时刻的剩余容量为：SOCj(t)＝SOCj(t-1)(1-σ)-Pstorj(t)ηC；长时间尺度下储能电池充放电功率约束为：Pstorj min≤Pstorj(t)≤Pstorj max；长时间尺度下储能电池容量约束：SOCj min≤SOCj(t)≤SOCj max，其中，σ为长时间尺度下储能电池的自放电率，ηC为长时间尺度下储能电池的充电效率、ηD为长时间尺度下储能电池的放电效率；SOCj(t-1)为长时间尺度下上一时刻储能的剩余容量，SOCj(t)为长时间尺度下t时刻储能的剩余容量；SOCj max为长时间尺度下储能电池剩余容量上限值、SOCj min为长时间尺度下储能电池剩余容量下限值；Pstorj max为长时间尺度下储能电池充电功率上限值、Pstorj min为长时间尺度下储能电池放电功率下限值；所述柔性负荷约束包括：ΔPLimin≤ΔPLi≤ΔPLimax，ΔPLimax为长时间尺度下柔性负荷功率变化的上限值，ΔPLimin为长时间尺度下柔性负荷功率变化的下限值，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率；所述网络潮流安全约束包括：Vmin≤Vn≤Vmax，Ib≤Ib.rated，Vn为长时间尺度下节点电压幅值，Vmax为长时间尺度下节点电压幅值上限值，Vmin为长时间尺度下节点电压幅值下限值，Ib为长时间尺度下支路电流，Ib.rated为长时间尺度下支路额定电流。
主动配电网长时间尺度优化调度目标是减少网络损耗、提高电压质量、降低负荷峰谷差、提高清洁可再生能源的利用率，需要计算配电网临时检修和保电需求，同时考虑间歇性可再生分布式电源及负荷用电特性预测值随着预测时间尺度的增长，误差增大的特性，制定多时段的配网运行方式及优化调度方案。
具体的，结合图2和图4所示，所述步骤(2)包括：
(2-1)获取短时间尺度下主动配电网的分布式电源预测值
Figure PCTCN2016087234-appb-000043
负荷 预测值
Figure PCTCN2016087234-appb-000044
储能可调容量和柔性负荷可调容量以及主动配电网长时间尺度优化调度的优化结果，所述主动配电网长时间尺度优化调度的优化结果包括：储能输出功率Pstori(t)和柔性负荷输出功率ΔPLj(t)。
其中，所述短时间尺度下主动配电网的分布式电源预测值
Figure PCTCN2016087234-appb-000045
和负荷预测值
Figure PCTCN2016087234-appb-000046
是在短时间尺度下计算的功率曲线，储能的可调容量包括当前储能的剩余容量以及可调节的裕度，柔性负荷可调容量是依据柔性负荷的重要性以及签订的柔性负荷调节协议，计算的柔性负荷可调裕度。
(2-2)构建主动配电网短时间尺度优化调度模型。
(2-3)获取主动配电网短时间尺度优化调度的储能输出功率Pstori(t)′和柔性负荷输出功率ΔPLj(t)′及解序列中第k时刻的优化结果
Figure PCTCN2016087234-appb-000047
包括第k时刻的储能输出功率Pstori(k)′和第k时刻的柔性负荷输出功率ΔPLj(k)′；
其中，所述主动配电网短时间尺度优化调度的储能输出功率Pstori(t)′和柔性负荷输出功率ΔPLj(t)′是由优化工具求解短时间尺度优化调度模型所得。
(2-4)根据主动配电网的实时运行状态对主动配电网短时间尺度优化调度模型进行反馈修正。
(2-5)若长时间尺度优化周期结束或者人为中断优化调度过程，则结束短时间尺度优化调度，否则根据反馈修正结果对短时间尺度优化调度进行滚动优化。
作为一种实施方式，所述步骤(2-2)中，所述构建主动配电网短时间尺度优化调度模型包括：
(2-2-1)获取所述主动配电网长时间尺度优化调度的优化时段T，设置短时间尺度的优化调度周期。
(2-2-2)设计短时间尺度优化调度的目标函数和约束条件。
所述短时间尺度优化调度模型以长时间尺度优化结果为基准，利用短 时间尺度的预测模型对基准值进行修正，在保证长时间尺度经济最优的基础上，跟踪负荷及间歇性新能源的最新预测值，对可调度资源进行优化调度，所述短时间尺度优化调度的目标函数为：
Figure PCTCN2016087234-appb-000048
式(1-2)中，T为主动配电网长时间尺度优化调度的优化时段，Pgrid(t)为长时间尺度下联络线功率，Pstori(t)为长时间尺度优化调度的储能输出功率，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率，Pgrid(t)′为短时间尺度下联络线功率，Pstori(t)′为短时间尺度优化调度的储能输出功率，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率，ωi为储能权重系数，ωj为柔性负荷权重系数，ωg为联络线权重系数，t0为初始时刻，NL为主动配电网中柔性负荷数量，NS为储能装置数量，minf为主动配电网短时间尺度优化调度成本最小值；
所述约束条件包括：主动配电网与主网的联络线功率约束、功率平衡约束、储能电池约束、柔性负荷约束和网络潮流安全约束。
作为一种实施方式，所述主动配电网与主网的联络线功率约束包括：
Figure PCTCN2016087234-appb-000049
Figure PCTCN2016087234-appb-000050
为短时间尺度下联络线有功功率的上限值，
Figure PCTCN2016087234-appb-000051
为短时间尺度下联络线有功功率的下限值，Pgrid(t)′为短时间尺度下联络线功率；所述功率平衡约束包括：
Figure PCTCN2016087234-appb-000052
Pgrid(t)′为短时间尺度下联络线功率，Pstori(t)′为短时间尺度优化调度的储能输出功率，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率，
Figure PCTCN2016087234-appb-000053
为短时间尺度下主动配电网的分布式电源预测值，
Figure PCTCN2016087234-appb-000054
为短时间尺度下主动配电网的负荷预测值， Ploss(t)′为短时间尺度下主动配电网的有功损耗；所述储能电池约束包括：当短时间尺度下储能电池放电时，Pstorj(t)′>0，t时刻的剩余容量为：
Figure PCTCN2016087234-appb-000055
当短时间尺度下储能电池充电时，Pstorj(t)′<0，t时刻的剩余容量为：SOCj(t)′＝SOCj(t-1)(1-σ)′-Pstorj(t)′ηC′；短时间尺度下储能电池充放电功率约束为：Pstorj min′≤Pstorj(t)′≤Pstorj max′；短时间尺度下储能电池容量约束：SOCj min′≤SOCj(t)′≤SOCj max′，其中，σ′为短时间尺度下储能电池的自放电率，ηC′为短时间尺度下储能电池的充电效率、ηD′为短时间尺度下储能电池的放电效率；SOCj(t-1)′为短时间尺度下上一时刻储能的剩余容量，SOCj(t)′为短时间尺度下t时刻储能的剩余容量；SOCj max′为短时间尺度下储能电池剩余容量上限值，SOCj min′为短时间尺度下储能电池剩余容量下限值；Pstorj max′为短时间尺度下储能电池充电功率上限值、Pstorj min′为短时间尺度下储能电池放电功率下限值；所述柔性负荷约束包括：ΔPLimin′≤ΔPLi′≤ΔPLimax′，ΔPLimax′为短时间尺度下柔性负荷功率变化的上限值，ΔPLimin′为短时间尺度下柔性负荷功率变化的下限值，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率；所述网络潮流安全约束包括：Vmin′≤Vn′≤Vmax′，Ib′≤Ib.rated′，Vn′为短时间尺度下节点电压幅值，Vmax′为短时间尺度下节点电压幅值上限值，Vmin′为短时间尺度下节点电压幅值下限值，Ib′为短时间尺度下支路电流，Ib.rated′为短时间尺度下支路额定电流。
作为一种实施方式，所述步骤(2-4)中，所述根据主动配电网的实时运行状态对主动配电网短时间尺度优化调度模型进行反馈修正，包括：
(2-4-1)获取所述主动配电网长时间尺度优化调度的优化时段T并设置主动配电网短时间尺度优化调度的预测周期m，计算主动配电网短时间 尺度优化调度的优化时段p；
(2-4-2)计算主动配电网第k时刻实际输出结果y(k)和主动配电网短时间尺度优化调度中第k时刻的优化结果
Figure PCTCN2016087234-appb-000056
之间的误差e(k)：
Figure PCTCN2016087234-appb-000057
(2-4-3)根据所述误差e(k)对主动配电网短时间尺度优化调度中第k+1至k+p时刻的优化结果进行修正：
Figure PCTCN2016087234-appb-000058
式(1-4)中，
Figure PCTCN2016087234-appb-000059
为对第k+p时刻优化结果
Figure PCTCN2016087234-appb-000060
的修正结果；hk+p为第k+p时刻的模型信息，通过离线辨识获得，是常量矩阵。
短时间尺度优化调度目标是保证重要负荷的供电可靠性、平滑功率曲线和提高电压质量，需要计及故障、临时停电等突发因素，针对间歇性分布式能源及负荷预测值与长时间尺度预测值相比较出现的偏差，修正长时间尺度的优化调度方案，平滑分布式电源出力的波动性，实现功率的平滑和能量的平衡。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明实施例上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技 术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例中记载的信息传输方法、装置只以上述实施例为例，但不仅限于此，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。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
工业实用性
本发明实施例的技术方案采用模型预测控制方法，以长时间尺度的优化调度结果为基准，在短时间尺度进行滚动修正，实现主动配电网的优化调度，从而减轻分布式电源和低压负荷的预测精度对优化调度的不利影响。

Claims (9)

  1. 一种主动配电网多时间尺度协调优化调度方法，包括如下步骤：
    (1)对所述主动配电网进行长时间尺度优化调度；
    (2)根据主动配电网长时间尺度优化调度的优化结果，对所述主动配电网进行基于MPC的短时间尺度滚动优化调度。
  2. 如权利要求1所述的方法，其中，所述步骤(1)包括：
    (1-1)获取长时间尺度下主动配电网的分布式电源预测值
    Figure PCTCN2016087234-appb-100001
    负荷预测值
    Figure PCTCN2016087234-appb-100002
    储能可调容量和柔性负荷可调容量；
    (1-2)构建主动配电网长时间尺度优化调度模型；
    (1-3)获取主动配电网长时间尺度优化调度的优化结果，所述优化结果包括：储能输出功率Pstori(t)和柔性负荷输出功率ΔPLj(t)。
  3. 如权利要求2所述的方法，其中，所述步骤(1-2)中，所述主动配电网长时间尺度优化调度模型包括：长时间尺度优化调度的目标函数和约束条件；
    所述长时间尺度优化调度的目标函数为：
    Figure PCTCN2016087234-appb-100003
    式(1)中，minF为主动配电网长时间尺度优化调度成本最小值，cgrid(t)表示电网分时电价，Pgrid(t)为长时间尺度下联络线输出功率，Cloadi(t)为柔性负荷调度成本，Cstorj(t)储能设备调度成本，Tl表示长时间尺度优化调度周期，NL为主动配电网中柔性负荷数量，NS为储能装置数量；
    所述约束条件包括：主动配电网与主网的联络线功率约束、功率平衡约束、储能电池约束、柔性负荷约束和网络潮流安全约束。
  4. 如权利要求3所述的方法，其中，
    所述主动配电网与主网的联络线功率约束包括：
    Figure PCTCN2016087234-appb-100004
    为长时间尺度下联络线有功功率的上限值，
    Figure PCTCN2016087234-appb-100005
    为长时间尺度下联络线有功功率的下限值，Pgrid(t)为长时间尺度下联络线输出功率；所述功率平衡约束包括：
    Figure PCTCN2016087234-appb-100006
    Pgrid(t)为长时间尺度下联络线输出功率，Pstori(t)为长时间尺度优化调度的储能输出功率，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率，
    Figure PCTCN2016087234-appb-100007
    为长时间尺度下主动配电网的分布式电源预测值，
    Figure PCTCN2016087234-appb-100008
    为长时间尺度下主动配电网的负荷预测值，Ploss(t)为长时间尺度下主动配电网的有功损耗；所述储能电池约束包括：当长时间尺度下储能电池放电时，Pstorj(t)>0，t时刻的剩余容量为：
    Figure PCTCN2016087234-appb-100009
    当长时间尺度下储能电池充电时，Pstorj(t)<0，t时刻的剩余容量为：SOCj(t)＝SOCj(t-1)(1-σ)-Pstorj(t)ηC；长时间尺度下储能电池充放电功率约束为：Pstorj min≤Pstorj(t)≤Pstorj max；长时间尺度下储能电池容量约束：SOCj min≤SOCj(t)≤SOCj max，其中，σ为长时间尺度下储能电池的自放电率，ηC为长时间尺度下储能电池的充电效率、ηD为长时间尺度下储能电池的放电效率；SOCj(t-1)为长时间尺度下上一时刻储能的剩余容量，SOCj(t)为长时间尺度下t时刻储能的剩余容量；SOCj max为长时间尺度下储能电池剩余容量上限值、SOCj min为长时间尺度下储能电池剩余容量下限值；Pstorj max为长时间尺度下储能电池充电功率上限值、Pstorj min为长时间尺度下储能电池放电功率下限值；所述柔性负荷约束包括：ΔPLimin≤ΔPLi≤ΔPLimax，ΔPLimax为长时间尺度下柔性负荷功率变化的上限值，ΔPLimin为长时间尺度下柔性负荷功率变化的下限值，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率；所述网 络潮流安全约束包括：Vmin≤Vn≤Vmax，Ib≤Ib.rated，Vn为长时间尺度下节点电压幅值，Vmax为长时间尺度下节点电压幅值上限值，Vmin为长时间尺度下节点电压幅值下限值，Ib为长时间尺度下支路电流，Ib.rated为长时间尺度下支路额定电流。
  5. 如权利要求1所述的方法，其中，所述步骤(2)包括：
    (2-1)获取短时间尺度下主动配电网的分布式电源预测值
    Figure PCTCN2016087234-appb-100010
    负荷预测值
    Figure PCTCN2016087234-appb-100011
    储能可调容量和柔性负荷可调容量以及主动配电网长时间尺度优化调度的优化结果，所述主动配电网长时间尺度优化调度的优化结果包括：储能输出功率Pstori(t)和柔性负荷输出功率ΔPLj(t)；
    (2-2)构建主动配电网短时间尺度优化调度模型；
    (2-3)获取主动配电网短时间尺度优化调度的储能输出功率Pstori(t)′和柔性负荷输出功率ΔPLj(t)′及解序列中第k时刻的优化结果
    Figure PCTCN2016087234-appb-100012
    包括第k时刻的储能输出功率Pstori(k)′和第k时刻的柔性负荷输出功率ΔPLj(k)′；
    (2-4)根据主动配电网的实时运行状态对主动配电网短时间尺度优化调度模型进行反馈修正；
    (2-5)若长时间尺度优化周期结束或者人为中断优化调度过程，则结束短时间尺度优化调度，否则根据反馈修正结果对短时间尺度优化调度进行滚动优化。
  6. 如权利要求5所述的方法，其中，所述步骤(2-2)中，构建主动配电网短时间尺度优化调度模型包括：
    (2-2-1)获取所述主动配电网长时间尺度优化调度的优化时段T，设置短时间尺度的优化调度周期；
    (2-2-2)设计短时间尺度优化调度的目标函数和约束条件；
    其中，所述短时间尺度优化调度的目标函数为：
    Figure PCTCN2016087234-appb-100013
    式(2)中，T为主动配电网长时间尺度优化调度的优化时段，Pgrid(t)为长时间尺度下联络线功率，Pstori(t)为长时间尺度优化调度的储能输出功率，ΔPLj(t)为长时间尺度优化调度的柔性负荷输出功率，Pgrid(t)′为短时间尺度下联络线功率，Pstori(t)′为短时间尺度优化调度的储能输出功率，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率，ωi为储能权重系数，ωj为柔性负荷权重系数，ωg为联络线权重系数，t0为初始时刻，NL为主动配电网中柔性负荷数量，NS为储能装置数量，min f为主动配电网短时间尺度优化调度成本最小值；
    所述约束条件包括：主动配电网与主网的联络线功率约束、功率平衡约束、储能电池约束、柔性负荷约束和网络潮流安全约束。
  7. 如权利要求6所述的方法，其中，所述主动配电网与主网的联络线功率约束包括：
    Figure PCTCN2016087234-appb-100014
    为短时间尺度下联络线有功功率的上限值，
    Figure PCTCN2016087234-appb-100015
    为短时间尺度下联络线有功功率的下限值，Pgrid(t)′为短时间尺度下联络线功率；所述功率平衡约束包括：
    Figure PCTCN2016087234-appb-100016
    Pgrid(t)′为短时间尺度下联络线功率，Pstori(t)′为短时间尺度优化调度的储能输出功率，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率，
    Figure PCTCN2016087234-appb-100017
    为短时间尺度下主动配电网的分布式电源预测值，
    Figure PCTCN2016087234-appb-100018
    为短时间尺度下主动配电网的负荷预测值，Ploss(t)′为短时间尺度下主动配电网的有功损耗；所述储能电池约束包括：当短时间尺度下储能电池放电时，Pstorj(t)′>0，t时刻的剩余容量为：
    Figure PCTCN2016087234-appb-100019
    当短时间尺度下储能电池充电时，Pstorj(t)′<0，t时刻的剩余容量为：SOCj(t)′＝SOCj(t-1)(1-σ)′-Pstorj(t)′ηC′；短时间尺度下储能电池充放电功率约束为：Pstorj min′≤Pstorj(t)′≤Pstorj max′；短时间尺度下储能电池容量约束：SOCj min′≤SOCj(t)′≤SOCj max′，其中，σ′为短时间尺度下储能电池的自放电率，ηC′为短时间尺度下储能电池的充电效率、ηD′为短时间尺度下储能电池的放电效率；SOCj(t-1)′为短时间尺度下上一时刻储能的剩余容量，SOCj(t)′为短时间尺度下t时刻储能的剩余容量；SOCj max′为短时间尺度下储能电池剩余容量上限值，SOCj min′为短时间尺度下储能电池剩余容量下限值；Pstorj max′为短时间尺度下储能电池充电功率上限值、Pstorj min′为短时间尺度下储能电池放电功率下限值；所述柔性负荷约束包括：ΔPLimin′≤ΔPLi′≤ΔPLimax′，ΔPLimax′为短时间尺度下柔性负荷功率变化的上限值，ΔPLimin′为短时间尺度下柔性负荷功率变化的下限值，ΔPLj(t)′为短时间尺度优化调度的柔性负荷输出功率；所述网络潮流安全约束包括：Vmin′≤Vn′≤Vmax′，Ib′≤Ib.rated′，Vn′为短时间尺度下节点电压幅值，Vmax′为短时间尺度下节点电压幅值上限值，Vmin′为短时间尺度下节点电压幅值下限值，Ib′为短时间尺度下支路电流，Ib.rated′为短时间尺度下支路额定电流。
  8. 如权利要求5所述的方法，其中，所述步骤(2-4)中，根据主动配电网的实时运行状态对主动配电网短时间尺度优化调度模型进行反馈修正，包括：
    (2-4-1)获取所述主动配电网长时间尺度优化调度的优化时段T并设置主动配电网短时间尺度优化调度的预测周期m，计算主动配电网短时间尺度优化调度的优化时段p；
    (2-4-2)计算主动配电网第k时刻实际输出结果y(k)和主动配电网短 时间尺度优化调度中第k时刻的优化结果
    Figure PCTCN2016087234-appb-100020
    之间的误差e(k)：
    Figure PCTCN2016087234-appb-100021
    (2-4-3)根据所述误差e(k)对主动配电网短时间尺度优化调度中第k+1至k+p时刻的优化结果进行修正：
    Figure PCTCN2016087234-appb-100022
    式(4)中，
    Figure PCTCN2016087234-appb-100023
    为对第k+p时刻优化结果的修正结果；hk+p为第k+p时刻的模型信息，通过离线辨识获得，是常量矩阵。
  9. 一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至8任一项所述的主动配电网多时间尺度协调优化调度方法。
PCT/CN2016/087234 2015-06-30 2016-06-27 主动配电网多时间尺度协调优化调度方法和存储介质 Ceased WO2017000853A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/740,847 US10833508B2 (en) 2015-06-30 2016-06-27 Active power distribution network multi-time scale coordinated optimization scheduling method and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510373573.3 2015-06-30
CN201510373573.3A CN104993522B (zh) 2015-06-30 2015-06-30 一种基于mpc的主动配电网多时间尺度协调优化调度方法

Publications (1)

Publication Number Publication Date
WO2017000853A1 true WO2017000853A1 (zh) 2017-01-05

Family

ID=54305296

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/087234 Ceased WO2017000853A1 (zh) 2015-06-30 2016-06-27 主动配电网多时间尺度协调优化调度方法和存储介质

Country Status (3)

Country Link
US (1) US10833508B2 (zh)
CN (1) CN104993522B (zh)
WO (1) WO2017000853A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148969A (zh) * 2019-03-26 2019-08-20 上海电力学院 基于模型预测控制技术的主动配电网优化运行方法
CN112381424A (zh) * 2020-11-17 2021-02-19 国网山东省电力公司电力科学研究院 新能源及负荷不确定性的多时间尺度有功优化决策方法
CN112651563A (zh) * 2020-12-29 2021-04-13 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备
CN113516278A (zh) * 2021-04-26 2021-10-19 山东大学 有源配电网多时间尺度有功无功协调优化调度方法及系统
CN113675894A (zh) * 2021-07-27 2021-11-19 国网河北省电力有限公司电力科学研究院 主动配电网云边协同调控方法、装置和终端设备
CN113762650A (zh) * 2021-11-10 2021-12-07 广东电网有限责任公司东莞供电局 一种分散式预测电网的优化方法及系统
CN114004550A (zh) * 2022-01-04 2022-02-01 山东大学 自然灾害下电网应急抢修与恢复调度协同决策方法及系统
CN114154772A (zh) * 2021-06-25 2022-03-08 中国农业大学 建筑用能参与区域配电网峰谷差调节效果综合评价方法
CN114156879A (zh) * 2021-12-06 2022-03-08 国网山东省电力公司电力科学研究院 基于集群划分的配电网优化调度方法和系统
CN114219205A (zh) * 2021-11-04 2022-03-22 国网山东省电力公司经济技术研究院 一种用于电网规划的柔性负荷可信容量计算方法
CN114255137A (zh) * 2021-12-09 2022-03-29 国网上海市电力公司 考虑清洁能源的低碳综合能源系统优化规划方法及系统
CN114336775A (zh) * 2021-11-23 2022-04-12 国网浙江省电力有限公司嘉兴供电公司 一种包含分布式能源接入的配电网调度控制系统及方法
CN114492966A (zh) * 2022-01-14 2022-05-13 国网山东省电力公司潍坊供电公司 基于两联络接线模式的城市配电网联络线优化方法及系统
CN115001054A (zh) * 2022-07-29 2022-09-02 东南大学溧阳研究院 一种基于模型预测含电动汽车的电力系统频率控制策略
CN116131274A (zh) * 2022-12-30 2023-05-16 东北电力大学 基于mpc-admm的耦合系统电压分层协同控制策略
CN117937625A (zh) * 2024-01-11 2024-04-26 北京中电飞华通信有限公司 主动配电网的调度方法、装置、存储介质和电子设备
CN120127712A (zh) * 2025-03-18 2025-06-10 荆州市荆力工程设计咨询有限责任公司 多元混合储能耦合新能源的控制方法及装置

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104993522B (zh) * 2015-06-30 2018-01-19 中国电力科学研究院 一种基于mpc的主动配电网多时间尺度协调优化调度方法
CN105375479B (zh) * 2015-12-14 2017-11-17 东南大学 一种基于模型预测控制的分布式能源能量管理方法
CN105515058B (zh) * 2015-12-24 2018-06-19 东南大学 一种光伏发电参与的功率就地消纳方法
CN107069776B (zh) * 2017-04-12 2019-12-24 东南大学 一种平滑微网联络线功率的储能前瞻分布式控制方法
EP3655914A1 (en) 2017-07-21 2020-05-27 Total Solar International System, device, and method for mode-based energy storage management
CN107732982B (zh) * 2017-10-20 2021-02-26 河海大学 考虑模型预测控制的综合能源系统多时间尺度调度方法
CN107887933A (zh) * 2017-11-17 2018-04-06 燕山大学 一种多时间尺度滚动优化微电网能量优化管理方法
CN108416476A (zh) * 2018-03-14 2018-08-17 华电电力科学研究院有限公司 一种分布式冷热负荷预测系统及预测方法
CN110635519B (zh) * 2018-06-22 2020-11-20 国网江苏省电力有限公司扬州供电分公司 一种主动配电网分布式新能源日前有功调度计划生成方法
CN109687530B (zh) * 2019-01-08 2022-06-10 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法
CN112787322B (zh) * 2019-10-23 2024-01-23 滕欣元 基于scada系统和多时间尺度的电网动态管理方法
CN110956329B (zh) * 2019-12-02 2023-04-25 国网浙江省电力有限公司绍兴供电公司 基于分布式光伏与电动汽车时空分布的负荷预测方法
US11455695B2 (en) * 2019-12-16 2022-09-27 Saudi Arabian Oil Company System and method for modelling and forecasting electricity demand
CN111262241B (zh) * 2020-03-02 2024-01-26 天津大学 一种考虑用户类型的柔性负荷优化调度策略研究方法
JP7256766B2 (ja) * 2020-03-04 2023-04-12 株式会社日立製作所 推測根拠分析装置及び推測根拠分析方法
CN111555370B (zh) * 2020-05-20 2023-08-11 云南电网有限责任公司电力科学研究院 一种基于云边协同的配电网分层协调调度方法及装置
CN111555297B (zh) * 2020-05-21 2022-04-29 广西大学 一种具有三态能源单元的统一时间尺度电压控制方法
CN111682568A (zh) * 2020-05-22 2020-09-18 上海电机学院 一种基于滚动优化和统计学原理的风储控制方法
CN112039080A (zh) * 2020-07-09 2020-12-04 国网山东省电力公司东营供电公司 一种基于蒙特卡洛模拟的园区能源差异化调度方法及系统
CN111799847B (zh) * 2020-07-16 2022-11-22 国网北京市电力公司 计及风险的主动配电网两阶段随机模型的预测控制方法
CN111786422B (zh) * 2020-08-04 2021-08-20 太原理工大学 基于bp神经网络的微电网参与上层电网实时优化调度方法
CN112288130B (zh) * 2020-09-24 2023-09-05 国网内蒙古东部电力有限公司 一种基于两阶段多目标优化的新能源消纳计算方法
AU2021229123A1 (en) * 2020-10-01 2022-04-21 Space Pte. Ltd. Ai-based software service to shave electricity consumption peak
CN112506057B (zh) * 2020-12-02 2021-09-17 郑州轻工业大学 不确定奇异摄动系统在线多时间尺度快速自适应控制方法
CN112199367B (zh) * 2020-12-04 2021-03-09 中国电力科学研究院有限公司 一种长时间尺度功率平衡校验和大数据分析方法及系统
CN112531703B (zh) * 2020-12-10 2023-05-23 国网上海市电力公司 一种多能源虚拟电厂提供多市场与本地服务的优化方法
CN112865174B (zh) * 2021-01-07 2022-06-07 福州大学 基于双层模型预测控制的微能网多时间尺度优化控制方法
CN112994027B (zh) * 2021-02-03 2023-02-03 国网河南省电力公司电力科学研究院 二级无功电压控制策略下储能容量的配置方法及装置
CN112990596B (zh) * 2021-03-31 2024-05-17 东南大学 一种主动配电网和虚拟电厂协同运行的分布式优化方法
CN113610659B (zh) * 2021-04-30 2023-12-19 中国农业大学 一种提升电网灵活性与经济性的多时间窗储能配置方法
CN113193577B (zh) * 2021-05-06 2022-07-12 浙江华云信息科技有限公司 一种增强用户侧弹性裕度的储能复合功能辅助决策方法
CN113824120B (zh) * 2021-08-11 2024-12-13 国网上海能源互联网研究院有限公司 一种用于降低多台区运行损耗的优化控制方法及系统
CN113629736B (zh) * 2021-08-12 2024-08-20 国网江苏省电力有限公司常州供电分公司 一种基于配电网氢储能系统日内滚动优化方法
CN113937752B (zh) * 2021-09-02 2024-12-13 国网山东省电力公司济南供电公司 基于随机模型预测控制的主动配电网优化调度方法及系统
CN113807029B (zh) * 2021-10-19 2022-07-29 华北电力大学（保定） 基于深度强化学习的双时间尺度新能源电网电压优化方法
CN114221435B (zh) * 2021-11-05 2023-07-07 国网浙江省电力有限公司嘉兴供电公司 一种基于电力载波的负荷资源调控系统及方法
CN114285085B (zh) * 2021-11-17 2024-08-09 国网浙江省电力有限公司杭州供电公司 一种基于网络重构的电网弹性资源广域调度方法
CN114142532B (zh) * 2021-11-26 2023-06-23 国网山东省电力公司电力科学研究院 分布式光伏参与源网荷储协调控制的方法及系统
CN114362260A (zh) * 2021-11-30 2022-04-15 中国电力科学研究院有限公司 一种配电网的源-荷能量协调控制方法及装置
CN114243736B (zh) * 2021-12-02 2025-03-25 华能浙江能源销售有限责任公司 电网优化调度方法、电子设备、存储介质及程序产品
CN114372638A (zh) * 2022-01-14 2022-04-19 国网浙江省电力有限公司 一种面向用户侧储能实时参与需求响应的调度方法及装置
CN114548524B (zh) * 2022-01-26 2025-07-15 国网河北省电力有限公司经济技术研究院 电动汽车需求响应与配电网运行的协同优化方法和装置
CN114221340B (zh) * 2022-02-21 2022-06-03 深圳江行联加智能科技有限公司 基于源网荷储分布式能源配网方法、装置、设备及介质
US12374891B2 (en) * 2022-02-25 2025-07-29 Sponge Microgrids Inc. System, controller, and method for predictive control of energy management for a segmented load centre
CN114781817B (zh) * 2022-03-30 2025-02-18 全球能源互联网集团有限公司 电-气互联系统多时间尺度联合优化调度方法及系统
CN114925962B (zh) * 2022-03-31 2025-02-28 天津大学 基于节点边际电价的有源配电网运行灵活性量化分析方法
CN114899825B (zh) * 2022-04-20 2024-04-16 国家电网有限公司技术学院分公司 一种基于网络等值变换的配电网综合优化方法
CN114841454B (zh) * 2022-05-19 2026-02-27 国网浙江省电力有限公司经济技术研究院 一种多时间尺度智慧能源站协同运行控制方法及装置
CN114725999B (zh) * 2022-05-20 2024-06-25 国网河北省电力有限公司经济技术研究院 微电网源荷储多端协调自治方法及系统
CN119109132B (zh) * 2022-05-31 2025-09-30 三峡大学 基于短期和超短期运行优化模型的电力系统调度方法
CN114938015B (zh) * 2022-05-31 2025-12-16 中国长江三峡集团有限公司 一种计及新能源消纳的储能控制方法及系统
CN115001037B (zh) * 2022-06-06 2024-03-29 国网山东省电力公司潍坊供电公司 一种多目标多时间尺度协同的储能系统调度运行方法
CN115204702B (zh) * 2022-07-22 2025-07-01 福州大学 一种基于动态分区的日前日内调度方法
CN115660346A (zh) * 2022-10-26 2023-01-31 国网天津市电力公司 一种基于边缘控制的规模化车网互动负荷调控方法
CN115603348A (zh) * 2022-11-07 2023-01-13 国网福建省电力有限公司（Cn） 考虑电池循环次数的电化学储能系统功率主动分配方法
CN116307071A (zh) * 2023-01-31 2023-06-23 襄阳诚智电力设计有限公司 一种高比例光伏接入低压配电网方法
CN115833115B (zh) * 2023-02-03 2023-05-09 南方电网数字电网研究院有限公司 多时间尺度分配模型的分布式资源边缘控制方法及装置
CN116070782B (zh) * 2023-03-06 2023-07-04 深圳市三和电力科技有限公司 一种基于大数据的能源储备管理方法及系统
CN115986850B (zh) * 2023-03-20 2023-06-06 国网湖北省电力有限公司经济技术研究院 一种考虑多源平衡动态全响应的输配协同优化调度方法
CN116760025B (zh) * 2023-06-25 2024-05-24 南京国电南自电网自动化有限公司 电力系统的风险调度优化方法和系统
CN116613821B (zh) * 2023-07-13 2023-10-24 国网浙江省电力有限公司宁波供电公司 一种多能协同运行方法、运行平台、设备及存储介质
CN116937710B (zh) * 2023-07-19 2026-03-20 中国长江三峡集团有限公司 新能源基地的功率控制方法、装置、设备及介质
CN117196256B (zh) * 2023-10-18 2024-06-18 阿里云计算有限公司 电力市场环境下数据中心工作负载的调度方法与设备
CN119024705B (zh) * 2024-10-29 2025-01-24 山东理工大学 基于模型预测和多时间尺度鲁棒的负荷控制方法
CN119582223B (zh) * 2024-11-06 2025-09-19 国网宁夏电力有限公司经济技术研究院 一种包含微电网群的主动配网调度优化方法、介质及系统
CN119154293A (zh) * 2024-11-20 2024-12-17 南京电力设计研究院有限公司 居配台区的光储充协同优化方法及系统
CN119891277B (zh) * 2024-12-11 2026-01-06 国网浙江省电力有限公司经济技术研究院 基于动态规划的多时间尺度储能可信容量测算方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120109705A1 (en) * 2010-10-28 2012-05-03 Microsoft Corporation Data center system that accommodates episodic computation
CN102810186A (zh) * 2012-08-01 2012-12-05 江苏省电力设计院 多时间尺度微网能量优化管理体系结构及其方法
CN103455854A (zh) * 2013-09-04 2013-12-18 国电南瑞科技股份有限公司 基于全局优化的配电网调度系统目标建模方法
CN104505826A (zh) * 2014-12-22 2015-04-08 国家电网公司 一种主动配电网协调优化控制方法
CN104993522A (zh) * 2015-06-30 2015-10-21 中国电力科学研究院 一种基于mpc的主动配电网多时间尺度协调优化调度方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9568901B2 (en) * 2012-08-27 2017-02-14 Nec Corporation Multi-objective energy management methods for micro-grids
US20140350743A1 (en) * 2012-08-27 2014-11-27 Nec Laboratories America, Inc. Tiered power management system for microgrids
CN103023074B (zh) * 2012-12-14 2014-12-10 贵州电网公司电力调度控制中心 一种基于模型预测控制的大电网有功实时调度方法
CN104181895A (zh) * 2014-08-28 2014-12-03 国家电网公司 适应新能源接入的短期与超短期协调滚动调度优化策略
CN104485681B (zh) * 2015-01-05 2016-12-07 国网新疆电力公司电力科学研究院 一种风电场储能系统的监控方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120109705A1 (en) * 2010-10-28 2012-05-03 Microsoft Corporation Data center system that accommodates episodic computation
CN102810186A (zh) * 2012-08-01 2012-12-05 江苏省电力设计院 多时间尺度微网能量优化管理体系结构及其方法
CN103455854A (zh) * 2013-09-04 2013-12-18 国电南瑞科技股份有限公司 基于全局优化的配电网调度系统目标建模方法
CN104505826A (zh) * 2014-12-22 2015-04-08 国家电网公司 一种主动配电网协调优化控制方法
CN104993522A (zh) * 2015-06-30 2015-10-21 中国电力科学研究院 一种基于mpc的主动配电网多时间尺度协调优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIU, CHANG ET AL.: "Application of Model Predictive Control Method in Active Distribution Network Coordination Control", ELECTRICAL & ENERGY MANAGEMENT TECHNOLOGY, 15 June 2015 (2015-06-15), pages 45 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148969A (zh) * 2019-03-26 2019-08-20 上海电力学院 基于模型预测控制技术的主动配电网优化运行方法
CN112381424A (zh) * 2020-11-17 2021-02-19 国网山东省电力公司电力科学研究院 新能源及负荷不确定性的多时间尺度有功优化决策方法
CN112651563A (zh) * 2020-12-29 2021-04-13 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备
CN113516278A (zh) * 2021-04-26 2021-10-19 山东大学 有源配电网多时间尺度有功无功协调优化调度方法及系统
CN113516278B (zh) * 2021-04-26 2023-08-22 山东大学 有源配电网多时间尺度有功无功协调优化调度方法及系统
CN114154772A (zh) * 2021-06-25 2022-03-08 中国农业大学 建筑用能参与区域配电网峰谷差调节效果综合评价方法
CN113675894A (zh) * 2021-07-27 2021-11-19 国网河北省电力有限公司电力科学研究院 主动配电网云边协同调控方法、装置和终端设备
CN113675894B (zh) * 2021-07-27 2023-09-26 国网河北省电力有限公司电力科学研究院 主动配电网云边协同调控方法、装置和终端设备
CN114219205A (zh) * 2021-11-04 2022-03-22 国网山东省电力公司经济技术研究院 一种用于电网规划的柔性负荷可信容量计算方法
CN113762650A (zh) * 2021-11-10 2021-12-07 广东电网有限责任公司东莞供电局 一种分散式预测电网的优化方法及系统
CN114336775A (zh) * 2021-11-23 2022-04-12 国网浙江省电力有限公司嘉兴供电公司 一种包含分布式能源接入的配电网调度控制系统及方法
CN114156879A (zh) * 2021-12-06 2022-03-08 国网山东省电力公司电力科学研究院 基于集群划分的配电网优化调度方法和系统
CN114255137A (zh) * 2021-12-09 2022-03-29 国网上海市电力公司 考虑清洁能源的低碳综合能源系统优化规划方法及系统
CN114004550A (zh) * 2022-01-04 2022-02-01 山东大学 自然灾害下电网应急抢修与恢复调度协同决策方法及系统
CN114492966A (zh) * 2022-01-14 2022-05-13 国网山东省电力公司潍坊供电公司 基于两联络接线模式的城市配电网联络线优化方法及系统
CN115001054A (zh) * 2022-07-29 2022-09-02 东南大学溧阳研究院 一种基于模型预测含电动汽车的电力系统频率控制策略
CN116131274A (zh) * 2022-12-30 2023-05-16 东北电力大学 基于mpc-admm的耦合系统电压分层协同控制策略
CN117937625A (zh) * 2024-01-11 2024-04-26 北京中电飞华通信有限公司 主动配电网的调度方法、装置、存储介质和电子设备
CN120127712A (zh) * 2025-03-18 2025-06-10 荆州市荆力工程设计咨询有限责任公司 多元混合储能耦合新能源的控制方法及装置

Also Published As

Publication number Publication date
US20200033933A1 (en) 2020-01-30
CN104993522B (zh) 2018-01-19
US10833508B2 (en) 2020-11-10
CN104993522A (zh) 2015-10-21

Similar Documents

Publication Publication Date Title
WO2017000853A1 (zh) 主动配电网多时间尺度协调优化调度方法和存储介质
CN103606967B (zh) 一种实现电力系统鲁棒运行的调度方法
CN107248751B (zh) 一种实现配电网负荷功率削峰填谷的储能站调度控制方法
US11326579B2 (en) Adaptive dynamic planning control method and system for energy storage station, and storage medium
CN105162149B (zh) 基于模糊自适应调节的光储系统跟踪发电计划出力方法
CN112103943B (zh) 日前电力现货市场出清的安全校核方法、装置及存储介质
CN113644670B (zh) 一种储能容量优化配置的方法及系统
CN103986190B (zh) 基于发电功率曲线的风光储联合发电系统平滑控制方法
CN112117760A (zh) 基于双q值网络深度强化学习的微电网能量调度方法
CN110581571A (zh) 一种主动配电网动态优化调度方法
CN104734200B (zh) 一种基于虚拟发电的主动配电网优化调度方法
WO2020143104A1 (zh) 一种考虑阻塞和储能分时电价的电网混合滚动调度方法
CN108964103B (zh) 一种考虑微网系统可调度性的微网储能配置方法
CN108736509A (zh) 一种主动配电网多源协调优化控制方法及系统
CN112398115A (zh) 一种基于改进模型预测控制的多时间尺度火电-光伏-抽水蓄能联合优化调度方案
CN112003330A (zh) 一种基于自适应控制的微网能量优化调度方法
CN116865270A (zh) 一种含嵌入式直流的柔性互联配电网优化调度方法及系统
CN112583053A (zh) 一种含分布式风电的微网能量优化调度方法
CN117458624A (zh) 考虑优先级别的微电网有功功率控制方法及系统
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN109995076A (zh) 一种基于储能的光伏汇集系统功率稳定输出协同控制方法
CN105391092B (zh) 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法
CN116565874A (zh) 一种考虑光储用户并网的配电网多时间尺度优化调度方法
CN106410833A (zh) 一种提升可再生能源发电可调度性的复合储能控制方法
CN107181270B (zh) 一种多储能柔性抑制风电的随机动态规划方法

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: 16817217

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16817217

Country of ref document: EP

Kind code of ref document: A1