CN104376385A - 一种微电网电价优化方法 - Google Patents
一种微电网电价优化方法 Download PDFInfo
- Publication number
- CN104376385A CN104376385A CN201410707586.5A CN201410707586A CN104376385A CN 104376385 A CN104376385 A CN 104376385A CN 201410707586 A CN201410707586 A CN 201410707586A CN 104376385 A CN104376385 A CN 104376385A
- Authority
- CN
- China
- Prior art keywords
- period
- particle
- electricity price
- value
- micro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000002245 particle Substances 0.000 claims abstract description 314
- 230000004044 response Effects 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000005611 electricity Effects 0.000 claims description 310
- 239000002253 acid Substances 0.000 claims description 149
- 238000002485 combustion reaction Methods 0.000 claims description 122
- 238000012546 transfer Methods 0.000 claims description 28
- 238000009987 spinning Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 5
- 244000287680 Garcinia dulcis Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000013439 planning Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 8
- 240000005373 Panax quinquefolius Species 0.000 description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 description 6
- 230000000638 stimulation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种微电网电价优化方法,其考虑了分时电价对用户需求侧响应以及微电网经济运行的影响,以供电企业总收益最大为目标,计及用户需求侧响应和微电网经济运行建立了微电网电价优化模型,采用粒子群算法对微电网电价优化模型进行求解,确定微电网最佳分时电价和最优发电调度方案,能够帮助减少微电网***出现发电量过盛、电力资源浪费的情况,更加有效地确保微电网***的运行可靠性,降低用户购电风险和微电网***运行成本,确保供电企业能够具有良好的收益;并且,本发明的微电网电价优化方法的运算流程较为简单,通用性较好,可广泛应用于不同应用场合下采用峰谷分时电价机制的微电网电价优化方案的规划,具有很好的市场推广应用价值。
Description
技术领域
本发明涉及电力***分时段电价制定技术,具体涉及一种微电网电价优化方法,属于电力***电价制定技术领域。
背景技术
随着电力行业的发展,智能电网逐渐成为人们关注的焦点。传统电网中,由于用户用电具有波动性,峰谷负荷差异较大,造成了电网投资的增加和能量的浪费。为了节约电网投资成本和提高能源的利用率,提出了采用峰谷分时电价来引导用户调整用电结构。峰谷分时电价是一种有效的需求响应方式,其通过在负荷高峰时段适当调高电价、负荷低谷时段适当降低电价,来引导用户制定合理的用电计划,从而将高峰时段的部分负荷转移到低谷时段,使负荷曲线更加平坦,达到削峰填谷、平衡负荷的目的。
作为供电企业而言,微电网电价机制的研究工作主要包括两个方面:提高供电收益和***的运行可靠性。现有技术中针对微电网运行方面的研究,关注的较多的是经济调度方面,较少的研究考虑了微电网***的可靠性、运行成本以及用户需求侧响应对微电网经济运行的影响。然而,微电网***的高可靠性常常以高经济投入或改变用户的用电方式为代价。如果微电网采用峰谷分时电价,其电价机制将直接影响用户的用电需求响应,不恰当的电价机制将可能引起用户需求侧的负荷转移,产生用户购电风险,反而导致供电企业的收益降低;并且因用户购电风险导致的用户负荷减少,也会导致出现***发电量过盛、电力资源浪费、运行成本偏高的问题,并且过盛的电力生产也随之使得***设备的寿命和运行可靠性受到影响。因此,在微电网采用峰谷分时电价的电价机制制定过程中,需要寻求供电可靠性、经济性以及用户用电舒适度的平衡点,才能够尽可能地达到供电企业的收益最大化,确保微电网的经营利益。但是,现有的研究中针对微电网采用峰谷分时电价模型的优化过程,往往都以负荷峰谷差最小或峰负荷最小为目标函数,而负荷的峰谷差或峰负荷并不能表征微电网***的运行可靠性和存在购电风险情况下供电企业的收益情况。现有技术中,针对于微电网采用峰谷分时电价机制,缺乏一种能够有效确保微电网***的运行可靠性、并确保供电企业收益良好的微电网电价优化方案。
发明内容
针对现有技术中存在的不足,本发明针对于微电网采用峰谷分时电价机制,考虑了分时电价对用户需求侧响应以及微电网经济运行的影响,以供电企业总收益最大为目标,计及用户需求侧响应和微电网经济运行建立了微电网电价优化模型,并采用粒子群算法对微电网电价优化模型进行求解,确定微电网最佳分时电价和最优发电调度方案,以减少微电网***出现发电量过盛、电力资源浪费的情况,更加有效地确保微电网***的运行可靠性,降低用户购电风险,在满足供电负荷需求的情况下帮助降低微电网***运行成本,确保供电企业能够具有良好的收益。
为实现上述目的,本发明采用了如下技术手段:
微电网电价优化方法,针对于微电网采用峰谷分时电价机制,建立计及用户需求侧响应和微电网经济运行的微电网电价优化模型,采用粒子群算法对所建立的微电网电价优化模型进行求解,确定微电网最佳分时电价和最优发电调度方案;该方法具体包括如下步骤:
(1)统计微电网***中风速及负荷的历史数据,根据历史数据对调度周期内各时段的风电功率以及未实行峰谷分时电价状态下的负荷进行预测;
(2)根据用户对电价的响应特性,建立用户负荷对分时电价的响应模型:
负荷转移率为实行峰谷分时电价后,负荷从电价较高时段向电价较低时段的转移量与高电价时段负荷的比值,包括电价峰谷负荷转移率、电价平谷负荷转移率和电价峰平负荷转移率;
其中,电价峰谷负荷转移率λpv、电价平谷负荷转移率λfv和电价峰平负荷转移率λpf的表达式分别为:
式中,Δppv为负荷峰时段与负荷谷时段的电价差,即Δppv=pp-pv;Δpfv为负荷平时段与负荷谷时段的电价差,即Δpfv=pf-pv;Δppf为负荷峰时段与负荷平时段的电价差,即Δppf=pp-pf;pp为负荷峰时段的电价,pf为负荷平时段的电价,pv为负荷谷时段的电价;apv、afv、apf分别为电价峰谷负荷转移最小阀值、电价平谷负荷转移最小阀值、电价峰平负荷转移最小阀值;bpv、bfv、bpf分别为电价峰谷负荷转移最大阀值、电价平谷负荷转移最大阀值、电价峰平负荷转移最大阀值;Kpv为电价峰谷负荷转移率λpv随负荷峰时段与负荷谷时段的电价差Δppv的增加从最小阀值apv线性增长至最大阀值bpv的增长速率;Kfv为电价平谷负荷转移率λfv随负荷平时段与负荷谷时段的电价差Δpfv的增加从最小阀值afv线性增长至最大阀值bfv的增长速率;Kpf为电价峰平负荷转移率λpf随负荷峰时段与负荷平时段的电价差Δppf的增加从最小阀值apf线性增长至最大阀值bpf的增长速率;λpv max、λfv max、λpf max分别为电价峰谷负荷最大转移率、电价平谷负荷最大转移率、电价峰平负荷最大转移率;
实行峰谷分时电价状态下,调度周期内各时段的拟合负荷为:
式(2)即作为用户负荷对分时电价的响应模型;式中,Lt0为未实行峰谷分时电价状态下调度周期中第t个时段的负荷预测值;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Tv、Tf、Tp分别为调度周期内负荷谷时段、负荷平时段、负荷峰时段的时段数;分别为未实行峰谷分时电价状态下平时段、峰时段的负荷平均值;
(3)基于用户负荷对分时电价的响应模型,建立微电网电价优化模型:
根据用户负荷对分时电价的响应模型确定调度周期内各时段的负荷,并以供电企业收益最大、微电网运行成本最小为目标,建立计及用户需求侧响应和微电网经济运行的微电网电价优化模型;
(4)采用粒子群算法对所建立的微电网电价优化模型进行求解,确定微电网在调度周期内的最佳分时电价和最优发电调度方案。
上述的微电网电价优化方法中,具体而言,所述微电网电价优化模型具体为:
以供电企业收益最大为目标,微电网电价优化模型的上层目标函数为:
式中,Cbenefit为供电企业的总收益;Csale,t为实行峰谷分时电价状态下调度周期中第t个时段供电企业向用户的售电价格;T为调度周期包含的总时段数;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Δt为相邻两时段的时间间隔;Ctotal为微电网的运行总成本;
以微电网的运行总成本最小为目标,微电网电价优化模型的下层目标函数为:
其中,
式中,为调度周期中第t个时段中第n组微燃机的开机成本;N为微电网中微燃机的总组数;un,t为调度周期中第t个时段中第n组微燃机的开、停机状态变量,处于开机状态时un,t取值为1,处于停机状态时un,t取值为0;T为调度周期内包含的总时段数;Cbat为铅酸蓄电池的寿命损耗成本;σn、δn、τn为第n组微燃机的启动成本系数;为第n组微燃机在调度周期中第t个时段内的停运时间;FFC,tn为调度周期中第t个时段中第n组微燃机的运行成本;Ff为燃料价格;Ptn为调度周期中第t个时段中第n组微燃机的输出功率;ηtn为调度周期中第t个时段中第n组微燃机的效率;
铅酸蓄电池寿命损耗成本Cbat计算方法如下:
当铅酸蓄电池充放电循环深度为R时,故障前最大循环充放电次数NESS表示为:
α1~α5为铅酸蓄电池的特征参数,这些参数可由厂商提供的寿命测试数据得到;
铅酸蓄电池充放电循环一次,电池寿命损耗占总寿命百分比为1/NESS,等效经济损耗成本C1为:
C1=Cinitial-bat/NESS; (7)
微电网运行过程中,在调度周期内,铅酸蓄电池的寿命损耗成本Cbat为:
式中,Cinitial-bat为铅酸蓄电池投资成本;C1,j为铅酸蓄电池第j次充放电的等效经济损耗成本;NT为调度周期中铅酸蓄电池的充放电次数;
微电网电价优化模型的约束条件:
①用户购电成本约束条件:
为鼓励用户响应分时电价这一政策,应保证实施分时电价后用户的购电成本不增加,即:
M0≥M1; (9)
其中,
式中,M0、M1分别为未实行峰谷分时电价状态下和实行峰谷分时电价状态下调度周期内用户总的购电成本;Csale,t为未实行峰谷分时电价状态下供电企业向用户的售电价格;Lt0为未实行峰谷分时电价状态下调度周期中第t个时段的负荷预测值;Csale,t为实行峰谷分时电价状态下调度周期中第t个时段供电企业向用户的售电价格;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Δt为相邻两时段的时间间隔;
②电量约束条件:
与未实行峰谷分时电价状态下相比,实行峰谷分时电价状态下用户的用电需求量不变:
Tp+Tf+Tv=T (11)
式中,Qp,t、Qf,t、Qv,t分别为实行峰谷分时电价状态下调度周期中第t个时段为峰时段、平时段或谷时段的用户用电量;Qt未实行峰谷分时电价状态下调度周期中第t个时段的用户用电量;Tp、Tf、Tv分别为实行峰谷分时电价状态下调度周期中峰时段、平时段、谷时段的时段数量;
③电价约束条件:
Pp>Pf>Pv; (12)
式中,Pp、Pf、Pv分别为实行峰谷分时电价状态下调度周期中峰时段、平时段、谷时段供电企业向用户的售电价格,且峰时段售电价格与谷时段售电价格之比介于2到5之间;
④微电网经济运行约束条件,包括:
1)功率平衡约束条件:
式中:Pnt为调度周期中第t个时段中第n组微燃机的出力,un,t为调度周期中第t个时段中第n组微燃机的开、停机状态变量;Pwt为调度周期中第t个时段的风电功率预测值;PESSt为调度周期中第t个时段中铅酸蓄电池的充放电功率,放电时为正,充电时为负;
2)微燃机出力约束条件:
式中,分别为第n组微燃机的最小、最大出力限值;
3)铅酸蓄电池约束条件:
在运行过程中,铅酸蓄电池处于充电状态时满足:
铅酸蓄电池处于放电状态时,满足:
式中:Soc(t+1)、Soc(t)分别调度周期中第t+1个时段和第t个时段铅酸蓄电池的剩余容量;分别为调度周期中第t个时段铅酸蓄电池的充、放电功率;ηc、ηd分别为铅酸蓄电池的充、放电效率;Δt为相邻两时段的时间间隔;
铅酸蓄电池的额定功率限制为:
式中:Pch,max、Pdch,max分别为铅酸蓄电池的最大充、放电功率;
铅酸蓄电池的剩余容量限制为:
Socmin≤Soc(t)≤Socmax; (20)
Soc(0)=Soc(Tend)=Socinitial (21)
式中:Socmin、Socmax分别为铅酸蓄电池的最小、最大剩余容量限值;Soc(0)表示调度周期中最初始的一个时段铅酸蓄电池的剩余容量值,Soc(Tend)表示调度周期中最后一个时段铅酸蓄电池的剩余容量值,Socinitial表示铅酸蓄电池的原始容量值;
4)旋转备用约束条件:
调度周期中第t个时段中微燃机提供的最大正备用为:
调度周期中第t个时段中铅酸蓄电池提供的最大正备用为:
调度周期中第t个时段中微燃机提供的最大负备用为:
调度周期中第t个时段中铅酸蓄电池提供的最大负备用为:
采用概率约束确定旋转备用容量,即:
Rt=ΔPDt+ΔPwt; (27)
式中,Rt为调度周期中第t个时段微电网***所需的旋转备用容量;P{}表示概率;α为置信度水平;ΔPDt为调度周期中第t个时段的负荷预测误差,服从正态分布,即ΔPDt~N(0,(σ2·PDt)2);ΔPwt为调度周期中第t个时段的风电功率预测误差,服从正态分布,即ΔPwt~N(0,(σ1·Pwt)2);Δt为相邻两时段的时间间隔。
上述的微电网电价优化方法中,具体而言,采用粒子群算法对所述微电网电价优化模型的求解过程具体包如下步骤:
Step1:将根据历史数据预测得到的调度周期内各时段的风电功率预测值以及未实行峰谷分时电价状态下的负荷预测值作为微电网电价优化模型的输入参数;
Step2:产生外层粒子群算法的外层初始粒子群:
随机生成峰时段、平时段、谷时段的电价值构成一个包含三个数值元素的电价数组,将该电价数组作为外层粒子群中的一个粒子的位置值,并随机生成该粒子的速度值;由此,根据设定的外层粒子群规模Ng,随机生成包含Ng个粒子的外层粒子群;
Step3:对当前外层粒子群中各个粒子中的电价数组进行调整,使得各个粒子电价数组中峰时段、平时段、谷时段的电价值满足微电网电价优化模型的电价约束条件;
Step4:根据预测得到的调度周期内各时段未实行峰谷分时电价状态下的负荷预测情况,确定未实行峰谷分时电价状态下调度周期内各时段负荷的谷时段、平时段、峰时段分布情况,并连同当前外层粒子群中的各个粒子的电价数组一并作为用户负荷对分时电价的响应模型的输入,分别计算出当前外层粒子群中每个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值;
Step5:完成步骤Step4后,根据当前外层粒子群中各个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值,针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解,得到当前外层粒子群中各个粒子的电价数组所对应的微电网最优供电调度方案及其运行总成本Ctotal,进而根据微电网电价优化模型的上层目标函数计算得到当前外层粒子群中各个粒子的电价数组所对应的总收益Cbenefit;
所述外层粒子群中每个粒子的电价数组所对应的微电网最优供电调度方案,是指在该粒子的电价数组所对应的实行峰谷分时电价状态下的调度周期中各个时段的拟合负荷值情况下,微电网***运行总成本最小时,所对应的调度周期内各个时段的各组微燃机的出力值和铅酸蓄电池Soc值;
Step6:计算当前外层粒子群中的每个粒子的适应值,并计算当前外层粒子群的粒子个体极值和全局极值;外层粒子群中每个粒子的适应值函数为:
Fitness=A-Cbenefit(x)+B(x) (28)
式中,Cbenefit(x)为外层粒子群中粒子x在微电网电价优化模型的目标函数下对应的总收益值;A为大于总收益值Cbenefit最大可能取值的的正常数;B(x)为外层粒子群中粒子x对应的惩罚项,当式(9)中约束条件不满足时,B(x)取值为一个正常数β,当满足式(9)中约束条件,B(x)取值为0;
Step7:更新外层粒子群中各个粒子的位置和速度:根据当前外层粒子群算法的第k代粒子群中各个粒子的位置和速度,更新外层粒子群算法的第k+1代粒子群中各个粒子的位置和速度:
vi(k+1)=ωvi(k)+c1r1(k)(Pbest_i(k)-xi(k))+c2r2(k)(Pg(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
式中,ω为惯性权重系数,为一个常数;c1、c2为加速常数,在(0,2]之间取值;k为外层粒子群算法的当前迭代代数;r1(k)、r2(k)为[0,1]之间取值的随机数;i表示外层粒子群中第i个粒子;vi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的速度值;vi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的速度值;xi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的位置值;xi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的位置值;Pg(k)为外层粒子群算法的第k代粒子群的全局极值,Pbest_i(k)为外层粒子群算法的第k代粒子群中第i个粒子的个体极值;
Step8:重复步骤Step3~Step7,直到达到外层粒子群算法预先设定的最大迭代代数;
Step9:将最终所得外层粒子群中作为全局极值的粒子作为微电网电价优化模型的最优解,从而将该最优解粒子中电价数组所表示的峰时段、平时段、谷时段的电价值作为微电网峰谷分时电价的最优定价方案,并按照该最优解粒子的电价数组所对应的微电网最优供电调度方案对微电网在调度周期内各时段的微燃机出力和铅酸蓄电池充放电功率加以调度控制。
上述的微电网电价优化方法中,具体而言,所述步骤Step5中,针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解的过程具体包如下步骤:
(1)将当前外层粒子群中的一个粒子作为外层对象粒子,将该外层对象粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值,作为微电网电价优化模型的下层目标函数的输入参数;
(2)产生内层粒子群算法的内层初始粒子群:
针对调度周期内每一个时段的拟合负荷值,随机生成该时段内各组微燃机的出力值,并随机生成该时段内的铅酸蓄电池Soc值,构成一个包含N+1个数值元素的数组,N为微电网***中微燃机的总组数,从而针对调度周期内包含的T个时段,随机生成得到T个数组,形成一个(N+1)×T维的搜索空间矩阵,作为粒子群中的一个粒子的位置值,并随机生成该粒子的速度值;由此,根据设定的内层粒子群规模M,随机生成包含M个粒子的内层粒子群;
(3)对当前内层粒子群中各个粒子中的微燃机的出力值和铅酸蓄电池Soc值进行调整,使得当前内层粒子群中各个粒子满足微电网电价优化模型的微电网经济运行约束条件,同时保证微电网***功率平衡;
(4)计算当前内层粒子群中的每个粒子的适应值,并计算当前内层粒子群的粒子个体极值和全局极值;内层粒子群中每个粒子的适应值函数为:
式中:Ctotal为微电网***的总运行成本;δ惩罚因子;mt为取值为0或1的状态变量,若调度周期中第t个时段中微燃机的出力值和铅酸蓄电池Soc值不满足旋转备用约束条件,mt取1,反之,mt取0;A为正常数;
(5)更新内层粒子群中各个粒子的位置和速度:根据当前内层粒子群算法的第k代粒子群中各个粒子的位置和速度,更新内层粒子群算法的第k+1代粒子群中各个粒子的位置和速度:
vi(k+1)=ωvi(k)+c1r1(k)(Pbest_i(k)-xi(k))+c2r2(k)(Pg(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
式中,ω为惯性权重系数,为一个常数;c1、c2为加速常数,在(0,2]之间取值;k为内层粒子群算法的当前迭代代数;r1(k)、r2(k)为[0,1]之间取值的随机数;i表示内层粒子群中第i个粒子;vi(k)表示内层粒子群算法的第k代粒子群中第i个粒子的速度值;vi(k+1)表示内层粒子群算法的第k+1代粒子群中第i个粒子的速度值;xi(k)表示内层粒子群算法的第k代粒子群中第i个粒子的位置值;xi(k+1)表示内层粒子群算法的第k+1代粒子群中第i个粒子的位置值;Pg(k)为内层粒子群算法的第k代粒子群的全局极值,Pbest_i(k)为内层粒子群算法的第k代粒子群中第i个粒子的个体极值;
(6)重复步骤(3)~(5),直到达到内层粒子群算法预先设定的最大迭代代数;
(7)将最终所得内层粒子群中作为全局极值的粒子所表示的调度周期内包含的T个时段中各组微燃机的出力值和铅酸蓄电池Soc值,作为该外层对象粒子的电价数组所对应的微电网最优供电调度方案,并计算该微电网最优供电调度方案下微电网***的运行总成本Ctotal;
(8)重复执行步骤(1)~(7),分别得到当前外层粒子群中每个粒子的电价数组所对应的微电网最优供电调度方案及其运行总成本Ctotal。
上述的微电网电价优化方法中,具体而言,所述步骤(3)具体为:
3.1)检测当前内层粒子群中各个粒子所表示的微燃机出力值是否越限,如果大于微燃机的最大出力限值则取为最大出力限值如果小于最小出力限值则取为0,即表示相应组的微燃机处于停运状态;
3.2)检测当前内层粒子群中各个粒子所表示的铅酸蓄电池Soc值是否越限,如果大于铅酸蓄电池的最大剩余容量限值Socmax,则取为铅酸蓄电池的最大剩余容量限值Socmax;如果小于铅酸蓄电池的最小剩余容量限值Socmin,则取为最小剩余容量限值Socmin;
3.3)采用推回代法对铅酸蓄电池的充放电功率进行调整,使其满足微电网电价优化模型的铅酸蓄电池约束条件;具体的前推回代过程如下:
3.3.1)分别令t=0,1,2,…,T-1;对于调度周期中第t个时段铅酸蓄电池的剩余容量Soc(t),如果满足式(30),通过式(32)调整后一时段的铅酸蓄电池剩余容量Soc(t+1);如果满足式(31),则通过式(33)调整后一时段的铅酸蓄电池剩余容量Soc(t+1):
Soc(t+1)>Soc(t)+Pch,maxηcΔt; (30)
Soc(t+1)<Soc(t)-Pdch,maxΔt/ηd; (31)
Soc(t+1)=Soc(t)+Pch,maxηcΔt; (32)
Soc(t+1)=Soc(t)-Pdch,maxΔt/ηd; (33)
3.3.2)执行完步骤3.3.1后,判断式(21)是否满足,如果满足,则转到步骤3.3.4;如果不满足,则令Soc(Tend)=Socinitial,分别令t=T-1,T-2,…,0;然后对于调度周期中第t+1个时段铅酸蓄电池的剩余容量Soc(t+1),如果满足式(30),通过式(34)调整前一时段的铅酸蓄电池剩余容量Soc(t);如果满足式(31),则通过式(35)调整前一时段的铅酸蓄电池剩余容量Soc(t)值:
Soc(t)=Soc(t+1)-Pch,maxηcΔt; (34)
Soc(t)=Soc(t+1)+Pdch,maxΔt/ηd; (35)
3.3.3)再次判断式(21)是否满足,如果满足转到3.3.4;如果不满足,则令Soc(0)=Socinitial,并转到3.3.1;
3.3.4)进行下一步计算;
3.4)开机调整策略:根据粒子群中各个粒子所表示的微燃机出力值和铅酸蓄电池Soc值,结合风电功率预测值和拟合负荷值,分别判断每个粒子所表示的每一时段的微燃机出力值和铅酸蓄电池Soc值加上同时段的风电功率预测值能否满足同时段的拟合负荷值,如果不满足,则增加相应粒子中相应时段的微燃机开机运行数目直至满足同时段的负荷要求为止;
3.5)停机调整策略:在当前内层粒子群中粒子所表示的每一时段的微燃机出力值和铅酸蓄电池Soc值加上同时段的风电功率预测值能够满足同时段的拟合负荷值时,分别判断每个粒子中每一时段停运任意一组微燃机能否满足同时段的拟合负荷值;如果满足,则在相应粒子的相应时段中停运相应组的微燃机,直至该时段若再停运任意一组微燃机则不能满足同时段的拟合负荷值要求为止;如果粒子中一个时段任意一组处于开机状态的微燃机停运后都不能满足同时段的拟合负荷值要求和旋转备用约束条件,则该时段的微燃机开机运行组数保持不变;
3.6)功率平衡调整:对于当前内层粒子群中的每个粒子,分别调整每一时段中各组微燃机的出力值,使微电源***功率平衡,调整过程中不平衡功率根据各组微燃机所承担的负荷大小按比例分摊,分摊方法为:
式中,Pnt、P′nt分别为进行功率平衡调整前、后调度周期中第t个时段处于开机运行的第n组微燃机的出力值;ΔPt为调度周期中第t个时段微电源***的功率缺额,当ΔPt<0时,表示微电源***的发电总功率小于拟合负荷值,需增加微燃机出力,反之ΔPt>0时,则表示能够减小微燃机出力。
相比于现有技术,本发明具有如下有益效果:
1、本发明的微电网电价优化方法,考虑了分时电价对用户需求侧响应以及微电网经济运行的影响,以供电企业总收益最大为目标,所建立的微电网电价优化模型计及了用户需求侧响应和微电网经济运行等多方面因素,与微电网实际运行情况更加相符,减少微电网***出现发电量过盛、电力资源浪费的情况。
2、本发明的微电网电价优化方法中,基于消费者心理学原理,分析了用户负荷对分时电价的响应模型,并借助该响应模型来拟合实行峰谷分时电价状态下调度周期中各个时段的负荷情况,充分考虑了因峰谷分时电价机制引起的负荷转移率。
3、本发明的微电网电价优化方法中,以根据用户负荷对分时电价的响应模型而拟合的负荷情况为基础,以供电企业收益最大化为目标,所建立的微电网电价优化模型综合衡量用户和供电企业双方利益,并采用了粒子群算法用于求解该模型,确定微电网最佳分时电价和最优发电调度方案,能够减少微电网***出现发电量过盛、电力资源浪费的情况,更加有效地确保微电网***的运行可靠性,降低用户购电风险,在满足供电负荷需求的情况下帮助降低微电网***运行成本,确保供电企业能够具有良好的收益。
4、本发明的微电网电价优化方法的运算流程较为简单,便于工程人员学习使用,并且通用性较好,可广泛应用于不同应用场合下采用峰谷分时电价机制的微电网电价优化方案的规划,具有很好的市场推广应用价值。
附图说明
图1为本发明微电网电价优化方法的流程图。
图2为实行峰谷分时电价机制后,峰时段向谷时段负荷转移率与电价差之间的响应曲线关系图。
图3为本发明微电网电价优化方法中,采用粒子群算法对微电网电价优化模型进行求解的流程图。
图4为本发明微电网电价优化方法中针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解的流程图。
图5为本发明实施例中孤立微电网***采用分时电价前后的负荷曲线对比图。
图6为本发明实施例中孤立微电网***采用峰谷分时电价机制前的发电调度方案曲线图。
图7为本发明实施例中孤立微电网***采用峰谷分时电价机制之后,通过本发明的微电网优化方法而确定的最优发电调度方案曲线图。
具体实施方式
本发明提供了一种微电网电价优化方法,其针对于微电网采用峰谷分时电价机制,基于消费者心理学原理,分析了用户对电价响应模型;其次,以用户对分时电价响应预测的负荷曲线为基础,考虑了分时电价对用户需求侧响应以及微电网经济运行的影响,并以供电企业收益最大化为目标,综合衡量用户和供电企业双方利益,建立计及用户需求侧响应和微电网经济运行的微电网电价优化模型,并采用粒子群算法对微电网电价优化模型进行求解,确定微电网最佳分时电价和最优发电调度方案。借助该微电网最佳分时电价和最优发电调度方案,能够帮助减少微电网***出现发电量过盛、电力资源浪费的情况,更加有效地确保微电网***的运行可靠性,降低用户购电风险,在满足供电负荷需求的情况下帮助降低微电网***运行成本,从而确保供电企业能够具有良好的收益。
下面对本发明的微电网电价优化方法进行展开说明。
1、本发明微电网电价优化方法的流程如图1所示,具体步骤为:
(1)统计微电网***中风速及负荷的历史数据,根据历史数据对调度周期内各时段的风电功率以及未实行峰谷分时电价状态下的负荷进行预测;
(2)根据用户对电价的响应特性,建立用户负荷对分时电价的响应模型:
在购买商品过程中,消费者通常会根据商品价格变化选择购买商品的时机。电能与人们的日常生活紧密相关,作为一种特殊的商品,其价格的变动通常也会影响消费者的购买行为。当采用分时电价(Time Of Use Price,缩写为TOU)时,购买电能的消费者受到电价的刺激,通常会改变传统的用电结构,在用电高峰期,电价较高时段,用户可能会减少用电,并将部分高电价时段的负荷转移到电价较低的时段。用户对电价的响应通常表现为电网负荷曲线的变动,研究用户对分时电价的响应,并在此基础上对负荷进行预测是分析电网经济运行的基础。本发明在现有研究的基础上,基于消费者心理学原理确定采用分时电价后的负荷曲线。
基于消费者心理学原理可知,商品价格不同时,消费者的响应程度也不同。用户对商品价格的刺激有一个最小阀值,当刺激小于这个最小阀值时,用户对刺激不作响应;当外界刺激较大,超过一定限制时,用户对刺激的响应又趋于稳定,在此阶段用户的响应程度与刺激的大小无关;当外界刺激在最小阀值和最大阀值之间,用户响应随着刺激的增大而呈现增长状态。根据这一原理,引入了负荷转移率的概念。
负荷转移率为实行峰谷分时电价后,负荷从电价较高时段向电价较低时段的转移量与高电价时段负荷的比值,包括电价峰谷负荷转移率、电价平谷负荷转移率和电价峰平负荷转移率。大量的调研结果表明,转移率与电价差可近似用分段线性函数来表示。实行峰谷分时电价机制后,部分用户调整自己的用电结构,致使峰谷负荷转移率与峰谷电价差之间的响应曲线如图2所示。电价峰谷负荷转移率λpv、电价平谷负荷转移率λfv和电价峰平负荷转移率λpf的表达式分别为:
式中,Δppv为负荷峰时段与负荷谷时段的电价差,即Δppv=pp-pv;Δpfv为负荷平时段与负荷谷时段的电价差,即Δpfv=pf-pv;Δppf为负荷峰时段与负荷平时段的电价差,即Δppf=pp-pf;pp为负荷峰时段的电价,pf为负荷平时段的电价,pv为负荷谷时段的电价;apv、afv、apf分别为电价峰谷负荷转移最小阀值、电价平谷负荷转移最小阀值、电价峰平负荷转移最小阀值;bpv、bfv、bpf分别为电价峰谷负荷转移最大阀值、电价平谷负荷转移最大阀值、电价峰平负荷转移最大阀值;Kpv为电价峰谷负荷转移率λpv随负荷峰时段与负荷谷时段的电价差Δppv的增加从最小阀值apv线性增长至最大阀值bpv的增长速率;Kfv为电价平谷负荷转移率λfv随负荷平时段与负荷谷时段的电价差Δpfv的增加从最小阀值afv线性增长至最大阀值bfv的增长速率;Kpf为电价峰平负荷转移率λpf随负荷峰时段与负荷平时段的电价差Δppf的增加从最小阀值apf线性增长至最大阀值bpf的增长速率;λpv max、λfv max、λpf max分别为电价峰谷负荷最大转移率、电价平谷负荷最大转移率、电价峰平负荷最大转移率;
实施分时电价后,用户负荷发生一定的转移,不同电价差对应的负荷转移率可用以上介绍的分段线性曲线表示,则调度周期内各时段的拟合负荷如式(2)所示:
式(2)即作为用户负荷对分时电价的响应模型;式中,Lt0为未实行峰谷分时电价状态下调度周期中第t个时段的负荷预测值;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Tv、Tf、Tp分别为调度周期内负荷谷时段、负荷平时段、负荷峰时段的时段数;分别为未实行峰谷分时电价状态下平时段、峰时段的负荷平均值。
(3)基于用户负荷对分时电价的响应模型,建立微电网电价优化模型:
实行峰谷分时电价以后,用户的负荷发生转移,整个***的负荷曲线发生变动,运行成本、售电成本等都可能发生变化。为研究分时电价对微电网经济运行的影响,本发明根据用户负荷对分时电价的响应模型确定调度周期内各时段的负荷,并以供电企业收益最大、微电网运行成本最小为目标,建立计及用户需求侧响应和微电网经济运行的微电网电价优化模型。
(4)采用粒子群算法对所建立的微电网电价优化模型进行求解,确定微电网在调度周期内的最佳分时电价和最优发电调度方案。
2、具体的微电网电价优化模型为:
2.1本发明微电网电价优化方法中,以供电企业收益最大为目标,微电网电价优化模型的上层目标函数为:
式中,Cbenefit为供电企业的总收益;Csale,t为实行峰谷分时电价状态下调度周期中第t个时段供电企业向用户的售电价格;T为调度周期包含的总时段数;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Δt为相邻两时段的时间间隔;Ctotal为微电网的运行总成本。
微电网***的运行总成本Ctotal的与微电网的运行情况紧密相关,在给定负荷条件下,不同的微燃机出力和蓄电池出力分配所构成的发电调度方案,将导致微电网运行总成本的不同。因此,本发明所建立的微电网电价优化模型中,在建立上层目标函数的基础上,根据用户负荷对分时电价的响应模型,可以初步拟合出微电网实行峰谷分时电价状态下调度周期内各时段的负荷情况,再在拟合的负荷条件下,以微电网的运行总成本最小为目标,建立了微电网电价优化模型的下层目标函数:
其中,
式中,为调度周期中第t个时段中第n组微燃机的开机成本;N为微电网中微燃机的总组数;un,t为调度周期中第t个时段中第n组微燃机的开、停机状态变量,处于开机状态时un,t取值为1,处于停机状态时un,t取值为0;T为调度周期内包含的总时段数;Cbat为铅酸蓄电池的寿命损耗成本;σn、δn、τn为第n组微燃机的启动成本系数;为第n组微燃机在调度周期中第t个时段内的停运时间;FFC,tn为调度周期中第t个时段中第n组微燃机的运行成本;Ff为燃料价格;Ptn为调度周期中第t个时段中第n组微燃机的输出功率;ηtn为调度周期中第t个时段中第n组微燃机的效率。
铅酸蓄电池寿命损耗成本Cbat计算方法如下:
当铅酸蓄电池充放电循环深度为R时,故障前最大循环充放电次数NESS可表示为:
α1~α5为铅酸蓄电池的特征参数,这些参数可由厂商提供的寿命测试数据得到。
铅酸蓄电池充放电循环一次,电池寿命损耗占总寿命百分比为1/NESS,等效经济损耗成本C1为:
C1=Cinitial-bat/NESS; (7)
微电网运行过程中,在调度周期内,铅酸蓄电池的寿命损耗成本Cbat为:
式中,Cinitial-bat为铅酸蓄电池投资成本;C1,j为铅酸蓄电池第j次充放电的等效经济损耗成本;NT为调度周期中铅酸蓄电池的充放电次数。
微电网电价优化模型的约束条件:由于本发明所建立的微电网电价优化模型计及了用户需求侧响应和微电网经济运行,因此约束条件如下几个方面:
①用户购电成本约束条件:
为鼓励用户响应分时电价这一政策,应保证实施分时电价后用户的购电成本不增加,即:
M0≥M1; (9)
其中,
式中,M0、M1分别为未实行峰谷分时电价状态下和实行峰谷分时电价状态下调度周期内用户总的购电成本;Csale,t为未实行峰谷分时电价状态下供电企业向用户的售电价格;Lt0为未实行峰谷分时电价状态下调度周期中第t个时段的负荷预测值;Csale,t为实行峰谷分时电价状态下调度周期中第t个时段供电企业向用户的售电价格;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Δt为相邻两时段的时间间隔;
②电量约束条件:
与未实行峰谷分时电价状态下相比,实行峰谷分时电价状态下用户的用电需求量不变:
Tp+Tf+Tv=T (11)
式中,Qp,t、Qf,t、Qv,t分别为实行峰谷分时电价状态下调度周期中第t个时段为峰时段、平时段或谷时段的用户用电量;Qt未实行峰谷分时电价状态下调度周期中第t个时段的用户用电量;Tp、Tf、Tv分别为实行峰谷分时电价状态下调度周期中峰时段、平时段、谷时段的时段数量;
③电价约束条件:
Pp>Pf>Pv; (12)
式中,Pp、Pf、Pv分别为实行峰谷分时电价状态下调度周期中峰时段、平时段、谷时段供电企业向用户的售电价格,且峰时段售电价格与谷时段售电价格之比介于2到5之间;
④微电网经济运行约束条件,包括:
1)功率平衡约束条件:
式中:Pnt为调度周期中第t个时段中第n组微燃机的出力,un,t为调度周期中第t个时段中第n组微燃机的开、停机状态变量;Pwt为调度周期中第t个时段的风电功率预测值;PESSt为调度周期中第t个时段中铅酸蓄电池的充放电功率,放电时为正,充电时为负;
2)微燃机出力约束条件:
式中,分别为第n组微燃机的最小、最大出力限值;
3)铅酸蓄电池约束条件:
在运行过程中,铅酸蓄电池处于充电状态时满足:
铅酸蓄电池处于放电状态时,满足:
式中:Soc(t+1)、Soc(t)分别调度周期中第t+1个时段和第t个时段铅酸蓄电池的剩余容量;分别为调度周期中第t个时段铅酸蓄电池的充、放电功率;ηc、ηd分别为铅酸蓄电池的充、放电效率;Δt为相邻两时段的时间间隔。
铅酸蓄电池的额定功率限制为:
式中:Pch,max、Pdch,max分别为铅酸蓄电池的最大充、放电功率。
铅酸蓄电池的剩余容量限制为:
Socmin≤Soc(t)≤Socmax; (20)
式中:Socmin、Socmax分别为铅酸蓄电池的最小、最大剩余容量限值。
与大电网一样,微电网的调度会呈现一定的周期性,通常每个调度周期末铅酸蓄电池的剩余容量(Soc)与调度周期起始时刻保持一致,即在每个调度周期末,铅酸蓄电池的剩余容量为一个定值。因此有:
Soc(0)=Soc(Tend)=Socinitial (21)
式中:Soc(0)表示调度周期中最初始的一个时段铅酸蓄电池的剩余容量值,Soc(Tend)表示调度周期中最后一个时段铅酸蓄电池的剩余容量值,Socinitial表示铅酸蓄电池的原始容量值。
4)旋转备用约束条件:
微电网在运行过程中,存在负荷波动、风电出力波动等不确定性因素。为保证电网安全可靠运行,需配置一定的旋转备用。微电网中备用通常由(运行中的)常规机组和铅酸蓄电池共同提供。
为平衡(负荷和风电机组出力)正、负双向波动,***提供的旋转备用分为正旋转备用(正备用)和负旋转备用(负备用)两类。
对于正备用,调度周期中第t个时段中微燃机提供的最大正备用为:
调度周期中第t个时段中铅酸蓄电池提供的最大正备用为:
调度周期中第t个时段铅酸蓄电池提供的正备用容量同时受到铅酸蓄电池最小容量和最大放电功率两个约束的限制。若调度周期中第t个时段铅酸蓄电池处于充电状态,为平衡风电机组出力和负荷波动,铅酸蓄电池需减小充电功率甚至由充电状态过渡到放电状态,该时段铅酸蓄电池所能提供的最大正备用同样可以通过式(23)得到。
对于负备用,调度周期中第t个时段中微燃机提供的最大负备用为:
调度周期中第t个时段中铅酸蓄电池提供的最大负备用为:
孤立微电网运行过程中,若要平衡所有时段可能出现的风电机组出力和负荷波动,所需的旋转备用容量较大,相应的投资运行维护成本也会提高。实际上,大多数极端工况发生的概率非常小且持续时间远小于正常运行工况,可以考虑牺牲一定的***可靠性换取较好的***经济性。本发明采用概率约束确定旋转备用容量,即:
Rt=ΔPDt+ΔPwt; (27)
式中,Rt为调度周期中第t个时段微电网***所需的旋转备用容量;P{}表示概率;α为置信度水平;ΔPDt为调度周期中第t个时段的负荷预测误差,服从正态分布,即ΔPDt~N(0,(σ2·PDt)2);ΔPwt为调度周期中第t个时段的风电功率预测误差,服从正态分布,即ΔPwt~N(0,(σ1·Pwt)2);Δt为相邻两时段的时间间隔。在分别对负荷和风电功率进行预测的过程中,如果风电功率和负荷预测误差服从正态分布且相互独立,则两者之和也是服从正态分布的。
3、对所建立的微电网电价优化模型,采用粒子群算法对模型进行求解,确定微电网在调度周期内的最佳分时电价和最优发电调度方案。其求解过程的流程如图3所示,具体步骤为:
Step1:将根据历史数据预测得到的调度周期内各时段的风电功率预测值以及未实行峰谷分时电价状态下的负荷预测值作为微电网电价优化模型的输入参数。
Step2:产生外层粒子群算法的外层初始粒子群:
随机生成峰时段、平时段、谷时段的电价值构成一个包含三个数值元素的电价数组,将该电价数组作为外层粒子群中的一个粒子的位置值,并随机生成该粒子的速度值;由此,根据设定的外层粒子群规模Ng,随机生成包含Ng个粒子的外层粒子群。
Step3:对当前外层粒子群中各个粒子中的电价数组进行调整,使得各个粒子电价数组中峰时段、平时段、谷时段的电价值满足微电网电价优化模型的电价约束条件。
Step4:根据预测得到的调度周期内各时段未实行峰谷分时电价状态下的负荷预测情况,确定未实行峰谷分时电价状态下调度周期内各时段负荷的谷时段、平时段、峰时段分布情况,并连同当前外层粒子群中的各个粒子的电价数组一并作为用户负荷对分时电价的响应模型的输入,分别计算出当前外层粒子群中每个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值。
Step5:完成步骤Step4后,根据当前外层粒子群中各个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值,针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解,得到当前外层粒子群中各个粒子的电价数组所对应的微电网最优供电调度方案及其运行总成本Ctotal,进而根据微电网电价优化模型的上层目标函数计算得到当前外层粒子群中各个粒子的电价数组所对应的总收益Cbenefit。
所述外层粒子群中每个粒子的电价数组所对应的微电网最优供电调度方案,是指在该粒子的电价数组所对应的实行峰谷分时电价状态下的调度周期中各个时段的拟合负荷值情况下,微电网***运行总成本最小时,所对应的调度周期内各个时段的各组微燃机的出力值和铅酸蓄电池Soc值。
Step6:计算当前外层粒子群中的每个粒子的适应值,并计算当前外层粒子群的粒子个体极值和全局极值。针对微电网电价优化模型的用户购电成本约束条件,本发明采用了罚函数法对用户购电成本约束条件加以限制,因此外层粒子群中每个粒子的适应值函数为:
Fitness=A-Cbenefit(x)+B(x) (28)
式中,Cbenefit(x)为外层粒子群中粒子x在微电网电价优化模型的目标函数下对应的总收益值;A为大于总收益值Cbenefit最大可能取值的的正常数;B(x)为外层粒子群中粒子x对应的惩罚项,当式(9)中约束条件不满足时,B(x)取值为一个正常数β,当满足式(9)中约束条件,B(x)取值为0。
Step7:更新外层粒子群中各个粒子的位置和速度:根据当前外层粒子群算法的第k代粒子群中各个粒子的位置和速度,更新外层粒子群算法的第k+1代粒子群中各个粒子的位置和速度:
vi(k+1)=ωvi(k)+c1r1(k)(Pbest_i(k)-xi(k))+c2r2(k)(Pg(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
式中,ω为惯性权重系数,为一个常数;c1、c2为加速常数,在(0,2]之间取值;k为外层粒子群算法的当前迭代代数;r1(k)、r2(k)为[0,1]之间取值的随机数;i表示外层粒子群中第i个粒子;vi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的速度值;vi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的速度值;xi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的位置值;xi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的位置值;Pg(k)为外层粒子群算法的第k代粒子群的全局极值,Pbest_i(k)为外层粒子群算法的第k代粒子群中第i个粒子的个体极值;
Step8:重复步骤Step3~Step7,直到达到外层粒子群算法预先设定的最大迭代代数;
Step9:将最终所得外层粒子群中作为全局极值的粒子作为微电网电价优化模型的最优解,从而将该最优解粒子中电价数组所表示的峰时段、平时段、谷时段的电价值作为微电网峰谷分时电价的最优定价方案,并按照该最优解粒子的电价数组所对应的微电网最优供电调度方案对微电网在调度周期内各时段的微燃机出力和铅酸蓄电池充放电功率加以调度控制。
下面结合具体实施方式,进一步说明本发明的技术特点和效果。
实施实例:
为验证本发明微电网电价优化方法的有效性,通过一个实施例,以某孤立微电网为研究对象进行电价优化分析。该孤立微电网中包含3台微燃机、2台风电机组和一台铅酸蓄电池,微燃机、风电机组、铅酸蓄电池的相关参数分别见表1、2、3。
表1 微燃机参数
表2 风电机组参数
表3 铅酸蓄电池参数
本实施例中,规划的调度周期为1天,一个时段t设定为1小时;因此1天的调度周期中包含的总时段数T=24个时段。经过测量,调度周期中最初始时段,该孤立微电网中铅酸蓄电池的剩余容量Socinitial=48kWh。通过统计该孤立微电网***中风速及负荷的历史数据,预测得到未实行峰谷分时电价状态下该微电网中用户用电负荷的峰、平、谷时段分布情况为:谷时段,0:00-0:07,共8小时;峰时段,10:00~12:00,18:00~21:00,共7小时;其余时间段为平时段,共9小时。未实行峰谷分时电价状态下,用户购电的平均电价为0.65元/kWh。
按照本发明方法,针对于该孤立微电网建立计及用户需求侧响应和微电网经济运行的微电网电价优化模型,由于该模型中涉及到经济运行问题,本发明采用粒子群算法对该模型进行求解,其求解流程如图3所示,具体步骤如下:
具体步骤为:
Step1:将根据历史数据预测得到的调度周期内各时段的风电功率预测值以及未实行峰谷分时电价状态下的负荷预测值作为微电网电价优化模型的输入参数。
Step2:产生外层粒子群算法的外层初始粒子群:
随机生成峰时段、平时段、谷时段的电价值构成一个包含三个数值元素的电价数组,将该电价数组作为外层粒子群中的一个粒子的位置值,并随机生成该粒子的速度值;由此,根据设定的外层粒子群规模Ng,随机生成包含Ng个粒子的外层粒子群。
Step3:对当前外层粒子群中各个粒子中的电价数组进行调整,使得各个粒子电价数组中峰时段、平时段、谷时段的电价值满足微电网电价优化模型的电价约束条件。
Step4:根据预测得到的调度周期内各时段未实行峰谷分时电价状态下的负荷预测情况,确定未实行峰谷分时电价状态下调度周期内各时段负荷的谷时段、平时段、峰时段分布情况,并连同当前外层粒子群中的各个粒子的电价数组一并作为用户负荷对分时电价的响应模型的输入,分别计算出当前外层粒子群中每个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值。
Step5:完成步骤Step4后,根据当前外层粒子群中各个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值,针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解,得到当前外层粒子群中各个粒子的电价数组所对应的微电网最优供电调度方案及其运行总成本Ctotal,进而根据微电网电价优化模型的上层目标函数计算得到当前外层粒子群中各个粒子的电价数组所对应的总收益Cbenefit。
所述外层粒子群中每个粒子的电价数组所对应的微电网最优供电调度方案,是指在该粒子的电价数组所对应的实行峰谷分时电价状态下的调度周期中各个时段的拟合负荷值情况下,微电网***运行总成本最小时,所对应的调度周期内各个时段的各组微燃机的出力值和铅酸蓄电池Soc值。
Step6:计算当前外层粒子群中的每个粒子的适应值,并计算当前外层粒子群的粒子个体极值和全局极值;针对微电网电价优化模型的用户购电成本约束条件,本发明采用了罚函数法对用户购电成本约束条件加以限制,因此外层粒子群中每个粒子的适应值函数为:
Fitness=A-Cbenefit(x)+B(x) (28)
式中,Cbenefit(x)为外层粒子群中粒子x在微电网电价优化模型的目标函数下对应的总收益值;A为大于总收益值Cbenefit最大可能取值的的正常数;B(x)为外层粒子群中粒子x对应的惩罚项,当式(9)中约束条件不满足时,B(x)取值为一个正常数β,当满足式(9)中约束条件,B(x)取值为0。
Step7:更新外层粒子群中各个粒子的位置和速度:根据当前外层粒子群算法的第k代粒子群中各个粒子的位置和速度,更新外层粒子群算法的第k+1代粒子群中各个粒子的位置和速度:
vi(k+1)=ωvi(k)+c1r1(k)(Pbest_i(k)-xi(k))+c2r2(k)(Pg(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
式中,ω为惯性权重系数,为一个常数;c1、c2为加速常数,在(0,2]之间取值;k为外层粒子群算法的当前迭代代数;r1(k)、r2(k)为[0,1]之间取值的随机数;i表示外层粒子群中第i个粒子;vi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的速度值;vi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的速度值;xi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的位置值;xi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的位置值;Pg(k)为外层粒子群算法的第k代粒子群的全局极值,Pbest_i(k)为外层粒子群算法的第k代粒子群中第i个粒子的个体极值。
Step8:重复步骤Step3~Step7,直到达到外层粒子群算法预先设定的最大迭代代数。
Step9:将最终所得外层粒子群中作为全局极值的粒子作为微电网电价优化模型的最优解,从而将该最优解粒子中电价数组所表示的峰时段、平时段、谷时段的电价值作为微电网峰谷分时电价的最优定价方案,并按照该最优解粒子的电价数组所对应的微电网最优供电调度方案对微电网在调度周期内各时段的微燃机出力和铅酸蓄电池充放电功率加以调度控制。
在上述流程的步骤Step5中,针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解的流程如图4所示,具体包如下步骤:
(1)将当前外层粒子群中的一个粒子作为外层对象粒子,将该外层对象粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值,作为微电网电价优化模型的下层目标函数的输入参数。
(2)产生内层粒子群算法的内层初始粒子群:
针对调度周期内每一个时段的拟合负荷值,随机生成该时段内各组微燃机的出力值,并随机生成该时段内的铅酸蓄电池Soc值,构成一个包含N+1个数值元素的数组,N为微电网***中微燃机的总组数,从而针对调度周期内包含的T个时段,随机生成得到T个数组,形成一个(N+1)×T维的搜索空间矩阵,作为粒子群中的一个粒子的位置值,并随机生成该粒子的速度值;由此,根据设定的内层粒子群规模M,随机生成包含M个粒子的内层粒子群。
(3)对当前内层粒子群中各个粒子中的微燃机的出力值和铅酸蓄电池Soc值进行调整,使得当前内层粒子群中各个粒子满足微电网电价优化模型的微电网经济运行约束条件,同时保证微电网***功率平衡。
该步骤的具体调整处理方式为:
3.1)检测当前内层粒子群中各个粒子所表示的微燃机出力值是否越限,如果大于微燃机的最大出力限值则取为最大出力限值如果小于最小出力限值则取为0,即表示相应组的微燃机处于停运状态;
3.2)检测当前内层粒子群中各个粒子所表示的铅酸蓄电池Soc值是否越限,如果大于铅酸蓄电池的最大剩余容量限值Socmax,则取为铅酸蓄电池的最大剩余容量限值Socmax;如果小于铅酸蓄电池的最小剩余容量限值Socmin,则取为最小剩余容量限值Socmin;
3.3)采用推回代法对铅酸蓄电池的充放电功率进行调整,使其满足微电网电价优化模型的铅酸蓄电池约束条件;具体的前推回代过程如下:
3.3.1)分别令t=0,1,2,…,T-1;对于调度周期中第t个时段铅酸蓄电池的剩余容量Soc(t),如果满足式(30),通过式(32)调整后一时段的铅酸蓄电池剩余容量Soc(t+1);如果满足式(31),则通过式(33)调整后一时段的铅酸蓄电池剩余容量Soc(t+1):
Soc(t+1)>Soc(t)+Pch,maxηcΔt; (30)
Soc(t+1)<Soc(t)-Pdch,maxΔt/ηd; (31)
Soc(t+1)=Soc(t)+Pch,maxηcΔt; (32)
Soc(t+1)=Soc(t)-Pdch,maxΔt/ηd; (33)
3.3.2)执行完步骤3.3.1后,判断式(21)是否满足,如果满足,则转到步骤3.3.4;如果不满足,则令Soc(Tend)=Socinitial,分别令t=T-1,T-2,…,0;然后对于调度周期中第t+1个时段铅酸蓄电池的剩余容量Soc(t+1),如果满足式(30),通过式(34)调整前一时段的铅酸蓄电池剩余容量Soc(t);如果满足式(31),则通过式(35)调整前一时段的铅酸蓄电池剩余容量Soc(t)值:
Soc(t)=Soc(t+1)-Pch,maxηcΔt; (34)
Soc(t)=Soc(t+1)+Pdch,maxΔt/ηd; (35)
3.3.3)再次判断式(21)是否满足,如果满足转到3.3.4;如果不满足,则令Soc(0)=Socinitial,并转到3.3.1;
3.3.4)进行下一步计算;
3.4)开机调整策略:根据粒子群中各个粒子所表示的微燃机出力值和铅酸蓄电池Soc值,结合风电功率预测值和拟合负荷值,分别判断每个粒子所表示的每一时段的微燃机出力值和铅酸蓄电池Soc值加上同时段的风电功率预测值能否满足同时段的拟合负荷值,如果不满足,则增加相应粒子中相应时段的微燃机开机运行数目直至满足同时段的负荷要求为止;
3.5)停机调整策略:在当前内层粒子群中粒子所表示的每一时段的微燃机出力值和铅酸蓄电池Soc值加上同时段的风电功率预测值能够满足同时段的拟合负荷值时,分别判断每个粒子中每一时段停运任意一组微燃机能否满足同时段的拟合负荷值;如果满足,则在相应粒子的相应时段中停运相应组的微燃机,直至该时段若再停运任意一组微燃机则不能满足同时段的拟合负荷值要求为止;如果粒子中一个时段任意一组处于开机状态的微燃机停运后都不能满足同时段的拟合负荷值要求和旋转备用约束条件,则该时段的微燃机开机运行组数保持不变;
3.6)功率平衡调整:对于当前内层粒子群中的每个粒子,分别调整每一时段中各组微燃机的出力值,使微电源***功率平衡,调整过程中不平衡功率根据各组微燃机所承担的负荷大小按比例分摊,分摊方法为:
式中,Pnt、P′nt分别为进行功率平衡调整前、后调度周期中第t个时段处于开机运行的第n组微燃机的出力值;ΔPt为调度周期中第t个时段微电源***的功率缺额,当ΔPt<0时,表示微电源***的发电总功率小于拟合负荷值,需增加微燃机出力,反之ΔPt>0时,则表示能够减小微燃机出力。
(4)计算当前内层粒子群中的每个粒子的适应值,并计算当前内层粒子群的粒子个体极值和全局极值;内层粒子群中每个粒子的适应值函数为:
式中:Ctotal为微电网***的总运行成本;δ惩罚因子;mt为取值为0或1的状态变量,若调度周期中第t个时段中微燃机的出力值和铅酸蓄电池Soc值不满足旋转备用约束条件,mt取1,反之,mt取0;A为正常数。
(5)更新内层粒子群中各个粒子的位置和速度:根据当前内层粒子群算法的第k代粒子群中各个粒子的位置和速度,更新内层粒子群算法的第k+1代粒子群中各个粒子的位置和速度:
vi(k+1)=ωvi(k)+c1r1(k)(Pbest_i(k)-xi(k))+c2r2(k)(Pg(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
式中,ω为惯性权重系数,为一个常数;c1、c2为加速常数,在(0,2]之间取值;k为内层粒子群算法的当前迭代代数;r1(k)、r2(k)为[0,1]之间取值的随机数;i表示内层粒子群中第i个粒子;vi(k)表示内层粒子群算法的第k代粒子群中第i个粒子的速度值;vi(k+1)表示内层粒子群算法的第k+1代粒子群中第i个粒子的速度值;xi(k)表示内层粒子群算法的第k代粒子群中第i个粒子的位置值;xi(k+1)表示内层粒子群算法的第k+1代粒子群中第i个粒子的位置值;Pg(k)为内层粒子群算法的第k代粒子群的全局极值,Pbest_i(k)为内层粒子群算法的第k代粒子群中第i个粒子的个体极值。
(6)重复步骤(3)~(5),直到达到内层粒子群算法预先设定的最大迭代代数。
(7)将最终所得内层粒子群中作为全局极值的粒子所表示的调度周期内包含的T个时段中各组微燃机的出力值和铅酸蓄电池Soc值,作为该外层对象粒子的电价数组所对应的微电网最优供电调度方案,并计算该微电网最优供电调度方案下微电网***的运行总成本Ctotal。
(8)重复执行步骤(1)~(7),分别得到当前外层粒子群中每个粒子的电价数组所对应的微电网最优供电调度方案及其运行总成本Ctotal。
在本实施例中,采用本发明所建立的模型求解而确定的最佳分时电价方案如表4所示。
表4 孤立微电网最佳分时电价方案
在本实施例的最佳分时电价方案下,该微电网供电企业实行峰谷分时电价机制一个调度周期(即一天)的总收益为631.70元,其中,在该最佳分时电价方案所对应的最优发电调度方案下,该微电网***的运行总成本为1280.33元;而原本该微电网供电企业未实行峰谷分时电价状态下一天的总收益为587.56元,其中微电网***的运行总成本为1325.3元。可见,实施峰谷分时电价机制并结合本发明的微电网电价优化方法,供电企业总收益增加7.5%,且用户的购电成本不增加。
本实施例中的孤立微电网***采用分时电价前后的负荷曲线如图5所示。从图5中可以看出,实施峰谷分时电价极值后,用户调整用电结构,将部分高电价时段负荷转移到低电价时段,整个负荷曲线变得比较平滑,达到了削峰填谷的目的。此外,本实施例中,该孤立微电网***采用峰谷分时电价机制前,其发电调度方案情况如图6所示;而采用峰谷分时电价机制之后,通过本发明的微电网优化方法而确定的最优发电调度方案情况如图7所示。从图6和图7对比可以看出:
①用户响应峰谷分时电价政策,将部分负荷从高电价时段转移到低电价时段,负荷曲线峰谷差减小,负荷曲线变得更加平滑;
②峰谷分时电价机制下,由于负荷曲线峰谷差较小,而***中承担基荷的微燃机MT3运行成本较低,同时微燃机MT3出力波动较小,且一直处于较大出力状态,因此降低了孤立微电网运行成本;
③采用峰谷分时电价机制后,峰时段负荷减小,降低了***备用需求,储能设备的充放电功率减小,降低了储能设备的寿命损耗,减小运行成本,在实际微电网中,考虑了需求侧响应的影响,可适当减少储能设备的装机容量,从而减少微电网***出现发电量过盛、电力资源浪费的情况。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.微电网电价优化方法,其特征在于,针对于微电网采用峰谷分时电价机制,建立计及用户需求侧响应和微电网经济运行的微电网电价优化模型,采用粒子群算法对所建立的微电网电价优化模型进行求解,确定微电网最佳分时电价和最优发电调度方案;该方法具体包括如下步骤:
(1)统计微电网***中风速及负荷的历史数据,根据历史数据对调度周期内各时段的风电功率以及未实行峰谷分时电价状态下的负荷进行预测;
(2)根据用户对电价的响应特性,建立用户负荷对分时电价的响应模型:
负荷转移率为实行峰谷分时电价后,负荷从电价较高时段向电价较低时段的转移量与高电价时段负荷的比值,包括电价峰谷负荷转移率、电价平谷负荷转移率和电价峰平负荷转移率;
其中,电价峰谷负荷转移率λpv、电价平谷负荷转移率λfv和电价峰平负荷转移率λpf的表达式分别为:
式中,Δppv为负荷峰时段与负荷谷时段的电价差,即Δppv=pp-pv;Δpfv为负荷平时段与负荷谷时段的电价差,即Δpfv=pf-pv;Δppf为负荷峰时段与负荷平时段的电价差,即Δppf=pp-pf;pp为负荷峰时段的电价,pf为负荷平时段的电价,pv为负荷谷时段的电价;apv、afv、apf分别为电价峰谷负荷转移最小阀值、电价平谷负荷转移最小阀值、电价峰平负荷转移最小阀值;bpv、bfv、bpf分别为电价峰谷负荷转移最大阀值、电价平谷负荷转移最大阀值、电价峰平负荷转移最大阀值;Kpv为电价峰谷负荷转移率λpv随负荷峰时段与负荷谷时段的电价差Δppv的增加从最小阀值apv线性增长至最大阀值bpv的增长速率;Kfv为电价平谷负荷转移率λfv随负荷平时段与负荷谷时段的电价差Δpfv的增加从最小阀值afv线性增长至最大阀值bfv的增长速率;Kpf为电价峰平负荷转移率λpf随负荷峰时段与负荷平时段的电价差Δppf的增加从最小阀值apf线性增长至最大阀值bpf的增长速率;λpv max、λfvmax、λpf max分别为电价峰谷负荷最大转移率、电价平谷负荷最大转移率、电价峰平负荷最大转移率;
实行峰谷分时电价状态下,调度周期内各时段的拟合负荷为:
式(2)即作为用户负荷对分时电价的响应模型;式中,Lt0为未实行峰谷分时电价状态下调度周期中第t个时段的负荷预测值;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Tv、Tf、Tp分别为调度周期内负荷谷时段、负荷平时段、负荷峰时段的时段数;分别为未实行峰谷分时电价状态下平时段、峰时段的负荷平均值;
(3)基于用户负荷对分时电价的响应模型,建立微电网电价优化模型:
根据用户负荷对分时电价的响应模型确定调度周期内各时段的负荷,并以供电企业收益最大、微电网运行成本最小为目标,建立计及用户需求侧响应和微电网经济运行的微电网电价优化模型;
(4)采用粒子群算法对所建立的微电网电价优化模型进行求解,确定微电网在调度周期内的最佳分时电价和最优发电调度方案。
2.根据权利要求1所述的微电网电价优化方法,其特征在于,所述微电网电价优化模型具体为:
以供电企业收益最大为目标,微电网电价优化模型的上层目标函数为:
式中,Cbenefit为供电企业的总收益;Csale,t为实行峰谷分时电价状态下调度周期中第t个时段供电企业向用户的售电价格;T为调度周期包含的总时段数;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Δt为相邻两时段的时间间隔;Ctotal为微电网的运行总成本;
以微电网的运行总成本最小为目标,微电网电价优化模型的下层目标函数为:
其中,
式中,为调度周期中第t个时段中第n组微燃机的开机成本;N为微电网中微燃机的总组数;un,t为调度周期中第t个时段中第n组微燃机的开、停机状态变量,处于开机状态时un,t取值为1,处于停机状态时un,t取值为0;T为调度周期内包含的总时段数;Cbat为铅酸蓄电池的寿命损耗成本;σn、δn、τn为第n组微燃机的启动成本系数;为第n组微燃机在调度周期中第t个时段内的停运时间;FFC,tn为调度周期中第t个时段中第n组微燃机的运行成本;Ff为燃料价格;Ptn为调度周期中第t个时段中第n组微燃机的输出功率;ηtn为调度周期中第t个时段中第n组微燃机的效率;
铅酸蓄电池寿命损耗成本Cbat计算方法如下:
当铅酸蓄电池充放电循环深度为R时,故障前最大循环充放电次数NESS表示为:
α1~α5为铅酸蓄电池的特征参数,这些参数可由厂商提供的寿命测试数据得到;
铅酸蓄电池充放电循环一次,电池寿命损耗占总寿命百分比为1/NESS,等效经济损耗成本C1为:
C1=Cinitial-bat/NESS; (7)
微电网运行过程中,在调度周期内,铅酸蓄电池的寿命损耗成本Cbat为:
式中,Cinitial-bat为铅酸蓄电池投资成本;C1,j为铅酸蓄电池第j次充放电的等效经济损耗成本;NT为调度周期中铅酸蓄电池的充放电次数;
微电网电价优化模型的约束条件:
①用户购电成本约束条件:
为鼓励用户响应分时电价这一政策,应保证实施分时电价后用户的购电成本不增加,即:
M0≥M1; (9)
其中,
式中,M0、M1分别为未实行峰谷分时电价状态下和实行峰谷分时电价状态下调度周期内用户总的购电成本;Csale,t为未实行峰谷分时电价状态下供电企业向用户的售电价格;Lt0为未实行峰谷分时电价状态下调度周期中第t个时段的负荷预测值;Csale,t为实行峰谷分时电价状态下调度周期中第t个时段供电企业向用户的售电价格;PDt为实行峰谷分时电价状态下调度周期中第t个时段的拟合负荷值;Δt为相邻两时段的时间间隔;
②电量约束条件:
与未实行峰谷分时电价状态下相比,实行峰谷分时电价状态下用户的用电需求量不变:
Tp+Tf+Tv=T (11)
式中,Qp,t、Qf,t、Qv,t分别为实行峰谷分时电价状态下调度周期中第t个时段为峰时段、平时段或谷时段的用户用电量;Qt未实行峰谷分时电价状态下调度周期中第t个时段的用户用电量;Tp、Tf、Tv分别为实行峰谷分时电价状态下调度周期中峰时段、平时段、谷时段的时段数量;
③电价约束条件:
Pp>Pf>Pv; (12)
式中,Pp、Pf、Pv分别为实行峰谷分时电价状态下调度周期中峰时段、平时段、谷时段供电企业向用户的售电价格,且峰时段售电价格与谷时段售电价格之比介于2到5之间;
④微电网经济运行约束条件,包括:
1)功率平衡约束条件:
式中:Pnt为调度周期中第t个时段中第n组微燃机的出力,un,t为调度周期中第t个时段中第n组微燃机的开、停机状态变量;Pwt为调度周期中第t个时段的风电功率预测值;PESSt为调度周期中第t个时段中铅酸蓄电池的充放电功率,放电时为正,充电时为负;
2)微燃机出力约束条件:
式中,分别为第n组微燃机的最小、最大出力限值;
3)铅酸蓄电池约束条件:
在运行过程中,铅酸蓄电池处于充电状态时满足:
铅酸蓄电池处于放电状态时,满足:
式中:Soc(t+1)、Soc(t)分别调度周期中第t+1个时段和第t个时段铅酸蓄电池的剩余容量;分别为调度周期中第t个时段铅酸蓄电池的充、放电功率;ηc、ηd分别为铅酸蓄电池的充、放电效率;Δt为相邻两时段的时间间隔;
铅酸蓄电池的额定功率限制为:
式中:Pch,max、Pdch,max分别为铅酸蓄电池的最大充、放电功率;
铅酸蓄电池的剩余容量限制为:
Socmin≤Soc(t)≤Socmax; (20)
Soc(0)=Soc(Tend)=Socinitial (21)
式中:Socmin、Socmax分别为铅酸蓄电池的最小、最大剩余容量限值;Soc(0)表示调度周期中最初始的一个时段铅酸蓄电池的剩余容量值,Soc(Tend)表示调度周期中最后一个时段铅酸蓄电池的剩余容量值,Socinitial表示铅酸蓄电池的原始容量值;
4)旋转备用约束条件:
调度周期中第t个时段中微燃机提供的最大正备用为:
调度周期中第t个时段中铅酸蓄电池提供的最大正备用为:
调度周期中第t个时段中微燃机提供的最大负备用为:
调度周期中第t个时段中铅酸蓄电池提供的最大负备用为:
采用概率约束确定旋转备用容量,即:
Rt=△PDt+△Pwt; (27)
式中,Rt为调度周期中第t个时段微电网***所需的旋转备用容量;P{}表示概率;α为置信度水平;ΔPDt为调度周期中第t个时段的负荷预测误差,服从正态分布,即ΔPDt~N(0,(σ2·PDt)2);ΔPwt为调度周期中第t个时段的风电功率预测误差,服从正态分布,即ΔPwt~N(0,(σ1·Pwt)2);Δt为相邻两时段的时间间隔。
3.根据权利要求2所述的微电网电价优化方法,其特征在于,采用粒子群算法对所述微电网电价优化模型的求解过程具体包如下步骤:
Step1:将根据历史数据预测得到的调度周期内各时段的风电功率预测值以及未实行峰谷分时电价状态下的负荷预测值作为微电网电价优化模型的输入参数;
Step2:产生外层粒子群算法的外层初始粒子群:
随机生成峰时段、平时段、谷时段的电价值构成一个包含三个数值元素的电价数组,将该电价数组作为外层粒子群中的一个粒子的位置值,并随机生成该粒子的速度值;由此,根据设定的外层粒子群规模Ng,随机生成包含Ng个粒子的外层粒子群;
Step3:对当前外层粒子群中各个粒子中的电价数组进行调整,使得各个粒子电价数组中峰时段、平时段、谷时段的电价值满足微电网电价优化模型的电价约束条件;
Step4:根据预测得到的调度周期内各时段未实行峰谷分时电价状态下的负荷预测情况,确定未实行峰谷分时电价状态下调度周期内各时段负荷的谷时段、平时段、峰时段分布情况,并连同当前外层粒子群中的各个粒子的电价数组一并作为用户负荷对分时电价的响应模型的输入,分别计算出当前外层粒子群中每个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值;
Step5:完成步骤Step4后,根据当前外层粒子群中各个粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值,针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解,得到当前外层粒子群中各个粒子的电价数组所对应的微电网最优供电调度方案及其运行总成本Ctotal,进而根据微电网电价优化模型的上层目标函数计算得到当前外层粒子群中各个粒子的电价数组所对应的总收益Cbenefit;
所述外层粒子群中每个粒子的电价数组所对应的微电网最优供电调度方案,是指在该粒子的电价数组所对应的实行峰谷分时电价状态下的调度周期中各个时段的拟合负荷值情况下,微电网***运行总成本最小时,所对应的调度周期内各个时段的各组微燃机的出力值和铅酸蓄电池Soc值;
Step6:计算当前外层粒子群中的每个粒子的适应值,并计算当前外层粒子群的粒子个体极值和全局极值;外层粒子群中每个粒子的适应值函数为:
Fitness=A-Cbenefit(x)+B(x) (28)
式中,Cbenefit(x)为外层粒子群中粒子x在微电网电价优化模型的目标函数下对应的总收益值;A为大于总收益值Cbenefit最大可能取值的的正常数;B(x)为外层粒子群中粒子x对应的惩罚项,当式(9)中约束条件不满足时,B(x)取值为一个正常数β,当满足式(9)中约束条件,B(x)取值为0;
Step7:更新外层粒子群中各个粒子的位置和速度:根据当前外层粒子群算法的第k代粒子群中各个粒子的位置和速度,更新外层粒子群算法的第k+1代粒子群中各个粒子的位置和速度:
vi(k+1)=ωvi(k)+c1r1(k)(Pbest_i(k)-xi(k))+c2r2(k)(Pg(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
式中,ω为惯性权重系数,为一个常数;c1、c2为加速常数,在(0,2]之间取值;k为外层粒子群算法的当前迭代代数;r1(k)、r2(k)为[0,1]之间取值的随机数;i表示外层粒子群中第i个粒子;vi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的速度值;vi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的速度值;xi(k)表示外层粒子群算法的第k代粒子群中第i个粒子的位置值;xi(k+1)表示外层粒子群算法的第k+1代粒子群中第i个粒子的位置值;Pg(k)为外层粒子群算法的第k代粒子群的全局极值,Pbest_i(k)为外层粒子群算法的第k代粒子群中第i个粒子的个体极值;
Step8:重复步骤Step3~Step7,直到达到外层粒子群算法预先设定的最大迭代代数;
Step9:将最终所得外层粒子群中作为全局极值的粒子作为微电网电价优化模型的最优解,从而将该最优解粒子中电价数组所表示的峰时段、平时段、谷时段的电价值作为微电网峰谷分时电价的最优定价方案,并按照该最优解粒子的电价数组所对应的微电网最优供电调度方案对微电网在调度周期内各时段的微燃机出力和铅酸蓄电池充放电功率加以调度控制。
4.根据权利要求3所述的微电网电价优化方法,其特征在于,所述步骤Step5中,针对微电网电价优化模型的下层目标函数采用内层粒子群算法进行求解的过程具体包如下步骤:
(1)将当前外层粒子群中的一个粒子作为外层对象粒子,将该外层对象粒子的电价数组所对应的实行峰谷分时电价状态下调度周期中各个时段的拟合负荷值,作为微电网电价优化模型的下层目标函数的输入参数;
(2)产生内层粒子群算法的内层初始粒子群:
针对调度周期内每一个时段的拟合负荷值,随机生成该时段内各组微燃机的出力值,并随机生成该时段内的铅酸蓄电池Soc值,构成一个包含N+1个数值元素的数组,N为微电网***中微燃机的总组数,从而针对调度周期内包含的T个时段,随机生成得到T个数组,形成一个(N+1)×T维的搜索空间矩阵,作为粒子群中的一个粒子的位置值,并随机生成该粒子的速度值;由此,根据设定的内层粒子群规模M,随机生成包含M个粒子的内层粒子群;
(3)对当前内层粒子群中各个粒子中的微燃机的出力值和铅酸蓄电池Soc值进行调整,使得当前内层粒子群中各个粒子满足微电网电价优化模型的微电网经济运行约束条件,同时保证微电网***功率平衡;
(4)计算当前内层粒子群中的每个粒子的适应值,并计算当前内层粒子群的粒子个体极值和全局极值;内层粒子群中每个粒子的适应值函数为:
式中:Ctotal为微电网***的总运行成本;δ惩罚因子;mt为取值为0或1的状态变量,若调度周期中第t个时段中微燃机的出力值和铅酸蓄电池Soc值不满足旋转备用约束条件,mt取1,反之,mt取0;A为正常数;
(5)更新内层粒子群中各个粒子的位置和速度:根据当前内层粒子群算法的第k代粒子群中各个粒子的位置和速度,更新内层粒子群算法的第k+1代粒子群中各个粒子的位置和速度:
vi(k+1)=ωvi(k)+c1r1(k)(Pbest_i(k)-xi(k))+c2r2(k)(Pg(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
式中,ω为惯性权重系数,为一个常数;c1、c2为加速常数,在(0,2]之间取值;k为内层粒子群算法的当前迭代代数;r1(k)、r2(k)为[0,1]之间取值的随机数;i表示内层粒子群中第i个粒子;vi(k)表示内层粒子群算法的第k代粒子群中第i个粒子的速度值;vi(k+1)表示内层粒子群算法的第k+1代粒子群中第i个粒子的速度值;xi(k)表示内层粒子群算法的第k代粒子群中第i个粒子的位置值;xi(k+1)表示内层粒子群算法的第k+1代粒子群中第i个粒子的位置值;Pg(k)为内层粒子群算法的第k代粒子群的全局极值,Pbest_i(k)为内层粒子群算法的第k代粒子群中第i个粒子的个体极值;
(6)重复步骤(3)~(5),直到达到内层粒子群算法预先设定的最大迭代代数;
(7)将最终所得内层粒子群中作为全局极值的粒子所表示的调度周期内包含的T个时段中各组微燃机的出力值和铅酸蓄电池Soc值,作为该外层对象粒子的电价数组所对应的微电网最优供电调度方案,并计算该微电网最优供电调度方案下微电网***的运行总成本Ctotal;
(8)重复执行步骤(1)~(7),分别得到当前外层粒子群中每个粒子的电价数组所对应的微电网最优供电调度方案及其运行总成本Ctotal。
5.根据权利要求4所述的微电网电价优化方法,其特征在于,所述步骤(3)具体为:
3.1)检测当前内层粒子群中各个粒子所表示的微燃机出力值是否越限,如果大于微燃机的最大出力限值则取为最大出力限值如果小于最小出力限值则取为0,即表示相应组的微燃机处于停运状态;
3.2)检测当前内层粒子群中各个粒子所表示的铅酸蓄电池Soc值是否越限,如果大于铅酸蓄电池的最大剩余容量限值Socmax,则取为铅酸蓄电池的最大剩余容量限值Socmax;如果小于铅酸蓄电池的最小剩余容量限值Socmin,则取为最小剩余容量限值Socmin;
3.3)采用推回代法对铅酸蓄电池的充放电功率进行调整,使其满足微电网电价优化模型的铅酸蓄电池约束条件;具体的前推回代过程如下:
3.3.1)分别令t=0,1,2,…,T-1;对于调度周期中第t个时段铅酸蓄电池的剩余容量Soc(t),如果满足式(30),通过式(32)调整后一时段的铅酸蓄电池剩余容量Soc(t+1);如果满足式(31),则通过式(33)调整后一时段的铅酸蓄电池剩余容量Soc(t+1):
Soc(t+1)>Soc(t)+Pch,maxηc△t; (30)
Soc(t+1)<Soc(t)-Pdch,max△t/ηd; (31)
Soc(t+1)=Soc(t)+Pch,maxηc△t; (32)
Soc(t+1)=Soc(t)-Pdch,max△t/ηd; (33)
3.3.2)执行完步骤3.3.1后,判断式(21)是否满足,如果满足,则转到步骤3.3.4;如果不满足,则令Soc(Tend)=Socinitial,分别令t=T-1,T-2,…,0;然后对于调度周期中第t+1个时段铅酸蓄电池的剩余容量Soc(t+1),如果满足式(30),通过式(34)调整前一时段的铅酸蓄电池剩余容量Soc(t);如果满足式(31),则通过式(35)调整前一时段的铅酸蓄电池剩余容量Soc(t)值:
Soc(t)=Soc(t+1)-Pch,maxηc△t; (34)
Soc(t)=Soc(t+1)+Pdch,max△t/ηd; (35)
3.3.3)再次判断式(21)是否满足,如果满足转到3.3.4;如果不满足,则令Soc(0)=Socinitial,并转到3.3.1;
3.3.4)进行下一步计算;
3.4)开机调整策略:根据粒子群中各个粒子所表示的微燃机出力值和铅酸蓄电池Soc值,结合风电功率预测值和拟合负荷值,分别判断每个粒子所表示的每一时段的微燃机出力值和铅酸蓄电池Soc值加上同时段的风电功率预测值能否满足同时段的拟合负荷值,如果不满足,则增加相应粒子中相应时段的微燃机开机运行数目直至满足同时段的负荷要求为止;
3.5)停机调整策略:在当前内层粒子群中粒子所表示的每一时段的微燃机出力值和铅酸蓄电池Soc值加上同时段的风电功率预测值能够满足同时段的拟合负荷值时,分别判断每个粒子中每一时段停运任意一组微燃机能否满足同时段的拟合负荷值;如果满足,则在相应粒子的相应时段中停运相应组的微燃机,直至该时段若再停运任意一组微燃机则不能满足同时段的拟合负荷值要求为止;如果粒子中一个时段任意一组处于开机状态的微燃机停运后都不能满足同时段的拟合负荷值要求和旋转备用约束条件,则该时段的微燃机开机运行组数保持不变;
3.6)功率平衡调整:对于当前内层粒子群中的每个粒子,分别调整每一时段中各组微燃机的出力值,使微电源***功率平衡,调整过程中不平衡功率根据各组微燃机所承担的负荷大小按比例分摊,分摊方法为:
式中,Pnt、P′nt分别为进行功率平衡调整前、后调度周期中第t个时段处于开机运行的第n组微燃机的出力值;ΔPt为调度周期中第t个时段微电源***的功率缺额,当ΔPt<0时,表示微电源***的发电总功率小于拟合负荷值,需增加微燃机出力,反之ΔPt>0时,则表示能够减小微燃机出力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410707586.5A CN104376385A (zh) | 2014-11-27 | 2014-11-27 | 一种微电网电价优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410707586.5A CN104376385A (zh) | 2014-11-27 | 2014-11-27 | 一种微电网电价优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104376385A true CN104376385A (zh) | 2015-02-25 |
Family
ID=52555280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410707586.5A Pending CN104376385A (zh) | 2014-11-27 | 2014-11-27 | 一种微电网电价优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376385A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104901338A (zh) * | 2015-06-25 | 2015-09-09 | 华北电力大学(保定) | 一种海岛孤立微电网能量控制方法 |
CN104915790A (zh) * | 2015-06-26 | 2015-09-16 | 国网山西省电力公司 | 一种促进风电消纳的峰谷电价优化方法 |
CN105958498A (zh) * | 2016-04-28 | 2016-09-21 | 东南大学 | 一种考虑电动汽车的机组组合与分时电价联合优化方法 |
CN106056256A (zh) * | 2016-06-28 | 2016-10-26 | 华北电力大学 | 一种平衡电力供需关系的互动化微网调度方法 |
CN106532769A (zh) * | 2016-11-25 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 基于光伏并网不确定性的需求侧分时电价的优化方法 |
CN106600024A (zh) * | 2016-09-29 | 2017-04-26 | 重庆大学 | 一种计及温控设备的社区级微电网经济运行建模及其求解方法 |
CN107181257A (zh) * | 2017-06-19 | 2017-09-19 | 华中科技大学 | 一种基于工业柔性负荷确定峰平谷电价的年光伏消纳方法 |
CN107358462A (zh) * | 2017-07-03 | 2017-11-17 | 国电南瑞科技股份有限公司 | 一种基于负荷转移率模型的尖峰电价制定方法 |
CN108022055A (zh) * | 2017-12-28 | 2018-05-11 | 无锡英臻科技有限公司 | 一种基于粒子群模型的微电网经济调度方法 |
CN108099634A (zh) * | 2017-10-19 | 2018-06-01 | 中国电力科学研究院有限公司 | 一种电动汽车有序充电方法及*** |
CN108539784A (zh) * | 2018-04-13 | 2018-09-14 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN108964050A (zh) * | 2018-08-26 | 2018-12-07 | 燕山大学 | 基于需求侧响应的微电网双层优化调度方法 |
CN109214597A (zh) * | 2018-10-25 | 2019-01-15 | 浙江工业大学 | 一种微电网功率和运行储备容量的优化规划方法 |
CN109272355A (zh) * | 2018-09-18 | 2019-01-25 | 国家能源投资集团有限责任公司 | 基于微网的虚拟售电模块构建方法及装置 |
CN110020742A (zh) * | 2018-12-25 | 2019-07-16 | 广东电网有限责任公司 | 一种工业用户源荷储需求响应优化方法及设备 |
CN110535130A (zh) * | 2019-09-10 | 2019-12-03 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于细粒度用户数据的需求侧响应方法 |
CN110829424A (zh) * | 2019-11-21 | 2020-02-21 | 国网四川省电力公司经济技术研究院 | 一种考虑风电消纳的区域多微网配电网互动方法 |
CN112084705A (zh) * | 2020-08-25 | 2020-12-15 | 华北电力大学 | 一种用于综合能源***的并网协调规划方法及*** |
CN112270433A (zh) * | 2020-10-14 | 2021-01-26 | 中国石油大学(华东) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 |
CN112884242A (zh) * | 2021-03-13 | 2021-06-01 | 国网山东省电力公司泰安供电公司 | 一种短流程钢企需求响应潜力分析方法及*** |
CN114301081A (zh) * | 2022-01-11 | 2022-04-08 | 大连理工大学 | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 |
CN115459348A (zh) * | 2022-10-17 | 2022-12-09 | 东南大学溧阳研究院 | 一种考虑峰谷电价的微电网最优资源调控方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104251A (zh) * | 2011-02-24 | 2011-06-22 | 浙江大学 | 一种并网运行模式下的微电网实时能量优化调度方法 |
-
2014
- 2014-11-27 CN CN201410707586.5A patent/CN104376385A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104251A (zh) * | 2011-02-24 | 2011-06-22 | 浙江大学 | 一种并网运行模式下的微电网实时能量优化调度方法 |
Non-Patent Citations (5)
Title |
---|
沈玉明 等: "计及储能寿命损耗的孤立微电网最优经济运行", 《电网技术》 * |
沈玉明: "微电网电源容量优化配置与最优经济运行的模型和算法研究", 《万方学位论文库》 * |
罗运虎 等: "峰谷分时电价用户响应模型参数的最小二乘估计", 《华东电力》 * |
郜璘: "基于用于响应的峰谷分时电价决策优化模型的应用研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
阮文骏 等: "峰谷分时电价下的用户响应行为研究", 《电网技术》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104901338B (zh) * | 2015-06-25 | 2018-01-12 | 华北电力大学(保定) | 一种海岛孤立微电网能量控制方法 |
CN104901338A (zh) * | 2015-06-25 | 2015-09-09 | 华北电力大学(保定) | 一种海岛孤立微电网能量控制方法 |
CN104915790A (zh) * | 2015-06-26 | 2015-09-16 | 国网山西省电力公司 | 一种促进风电消纳的峰谷电价优化方法 |
CN105958498A (zh) * | 2016-04-28 | 2016-09-21 | 东南大学 | 一种考虑电动汽车的机组组合与分时电价联合优化方法 |
CN106056256A (zh) * | 2016-06-28 | 2016-10-26 | 华北电力大学 | 一种平衡电力供需关系的互动化微网调度方法 |
CN106600024A (zh) * | 2016-09-29 | 2017-04-26 | 重庆大学 | 一种计及温控设备的社区级微电网经济运行建模及其求解方法 |
CN106532769B (zh) * | 2016-11-25 | 2019-04-30 | 云南电网有限责任公司电力科学研究院 | 基于光伏并网不确定性的需求侧分时电价的优化方法 |
CN106532769A (zh) * | 2016-11-25 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 基于光伏并网不确定性的需求侧分时电价的优化方法 |
CN107181257A (zh) * | 2017-06-19 | 2017-09-19 | 华中科技大学 | 一种基于工业柔性负荷确定峰平谷电价的年光伏消纳方法 |
CN107358462A (zh) * | 2017-07-03 | 2017-11-17 | 国电南瑞科技股份有限公司 | 一种基于负荷转移率模型的尖峰电价制定方法 |
CN108099634B (zh) * | 2017-10-19 | 2022-02-11 | 中国电力科学研究院有限公司 | 一种电动汽车有序充电方法及*** |
CN108099634A (zh) * | 2017-10-19 | 2018-06-01 | 中国电力科学研究院有限公司 | 一种电动汽车有序充电方法及*** |
CN108022055A (zh) * | 2017-12-28 | 2018-05-11 | 无锡英臻科技有限公司 | 一种基于粒子群模型的微电网经济调度方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN108539784A (zh) * | 2018-04-13 | 2018-09-14 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN108964050A (zh) * | 2018-08-26 | 2018-12-07 | 燕山大学 | 基于需求侧响应的微电网双层优化调度方法 |
CN109272355A (zh) * | 2018-09-18 | 2019-01-25 | 国家能源投资集团有限责任公司 | 基于微网的虚拟售电模块构建方法及装置 |
CN109214597A (zh) * | 2018-10-25 | 2019-01-15 | 浙江工业大学 | 一种微电网功率和运行储备容量的优化规划方法 |
CN109214597B (zh) * | 2018-10-25 | 2021-08-03 | 浙江工业大学 | 一种微电网功率和运行储备容量的优化规划方法 |
CN110020742A (zh) * | 2018-12-25 | 2019-07-16 | 广东电网有限责任公司 | 一种工业用户源荷储需求响应优化方法及设备 |
CN110535130A (zh) * | 2019-09-10 | 2019-12-03 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于细粒度用户数据的需求侧响应方法 |
CN110829424A (zh) * | 2019-11-21 | 2020-02-21 | 国网四川省电力公司经济技术研究院 | 一种考虑风电消纳的区域多微网配电网互动方法 |
CN112084705A (zh) * | 2020-08-25 | 2020-12-15 | 华北电力大学 | 一种用于综合能源***的并网协调规划方法及*** |
CN112084705B (zh) * | 2020-08-25 | 2024-05-24 | 华北电力大学 | 一种用于综合能源***的并网协调规划方法及*** |
CN112270433A (zh) * | 2020-10-14 | 2021-01-26 | 中国石油大学(华东) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 |
CN112270433B (zh) * | 2020-10-14 | 2023-05-30 | 中国石油大学(华东) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 |
CN112884242B (zh) * | 2021-03-13 | 2022-09-16 | 国网山东省电力公司泰安供电公司 | 一种短流程钢企需求响应潜力分析方法及*** |
CN112884242A (zh) * | 2021-03-13 | 2021-06-01 | 国网山东省电力公司泰安供电公司 | 一种短流程钢企需求响应潜力分析方法及*** |
CN114301081A (zh) * | 2022-01-11 | 2022-04-08 | 大连理工大学 | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 |
CN114301081B (zh) * | 2022-01-11 | 2024-06-14 | 大连理工大学 | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 |
CN115459348A (zh) * | 2022-10-17 | 2022-12-09 | 东南大学溧阳研究院 | 一种考虑峰谷电价的微电网最优资源调控方法 |
CN115459348B (zh) * | 2022-10-17 | 2023-10-20 | 东南大学溧阳研究院 | 一种考虑峰谷电价的微电网最优资源调控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104376385A (zh) | 一种微电网电价优化方法 | |
CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
Yang et al. | Optimal two-stage dispatch method of household PV-BESS integrated generation system under time-of-use electricity price | |
CN110689189A (zh) | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 | |
CN109472394A (zh) | 一种储能成本和收益的经济优化方法及*** | |
CN107565607A (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
CN110244566A (zh) | 计及柔性负荷的冷热电联供***容量优化配置方法 | |
CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
CN103997062A (zh) | 一种微网能量管理控制方法 | |
CN114069678A (zh) | 一种考虑储能退化成本的光储直流微电网能量调度方法 | |
WO2024092954A1 (zh) | 基于深度强化学习的电力***调控方法 | |
Kleinschmidt et al. | Unlocking flexibility in multi-energy systems: A literature review | |
Li et al. | Energy management model of charging station micro-grid considering random arrival of electric vehicles | |
CN116470543A (zh) | 一种虚拟电厂的运行控制方法、装置、设备及介质 | |
CN116090675B (zh) | 基于区块链与神经网络联合的短时充电调度方法 | |
TW201915838A (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
Zhang et al. | Optimal configuration of user-side energy storage considering load response and demand management | |
CN111144657B (zh) | 协同售用双方的多家庭能源优化方法 | |
Yang et al. | Energy Storage Configuration Optimization Method for Industrial Park Microgrid Based on Demand Side Response | |
CN112508241A (zh) | 一种智能电网能量优化调度方法 | |
Wang et al. | Study on the economic dispatch of regional integrated energy system based on master-slave game | |
Chen et al. | Optimal scheduling strategy with multi-time scales for PV-storage based charging station | |
CN117291756B (zh) | 一种储能设备配置调整方法、装置和存储介质 | |
Ye et al. | A multi-objective time of use pricing strategy for the net-zero microgrid considering uncertainty in loads and renewable energy resources | |
Elio et al. | Seasonal Impact on Optimal Energy Storage Sizing in Residential Applications. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150225 |