CN109617138A - 一种考虑随机预测误差的独立微电网能量管理方法 - Google Patents

一种考虑随机预测误差的独立微电网能量管理方法 Download PDF

Info

Publication number
CN109617138A
CN109617138A CN201910039847.3A CN201910039847A CN109617138A CN 109617138 A CN109617138 A CN 109617138A CN 201910039847 A CN201910039847 A CN 201910039847A CN 109617138 A CN109617138 A CN 109617138A
Authority
CN
China
Prior art keywords
energy
micro
power
storage battery
micro turbine
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.)
Withdrawn
Application number
CN201910039847.3A
Other languages
English (en)
Inventor
陈亚红
和军平
陶耀东
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201910039847.3A priority Critical patent/CN109617138A/zh
Publication of CN109617138A publication Critical patent/CN109617138A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种考虑随机预测误差的独立微电网能量管理方法，所述独立微电网包括风电‑光伏‑微燃机‑储能电池和能量管理***EMS，EMS实时监测储能电池的SOC状态，测量风电、光伏的实际发电功率，测量微燃机和储能电池的实际功率；根据预测与实际监测的功率，得到净负荷随机预测误差；根据净负荷随机预测误差的大小，通过多变量、多约束的数学优化方法及设定流程对可控微燃机及储能电池的出力进行安排和调整，使得储能电池正常运行。采用本发明的技术方案，克服了负荷及可再生能源功率预测误差带来的不利影响，根据净负荷随机预测误差的大小，通过数学优化方法对可控微源及储能的出力合理安排，实现微电网稳定、可靠和经济的运行。

Description

一种考虑随机预测误差的独立微电网能量管理方法
技术领域
本发明属于电力调度及管理技术领域，涉及一种考虑随机预测误差的独立微电网能量管理方法，尤其涉及一种考虑负荷和可再生能源功率随机预测误差的独立微电网能量管理方法。
背景技术
微电网能方便地接入分布式可再生能源、在联网和孤岛状态时可靠工作，是智能电网的一种基本组成结构。为实现微网中光伏、风力发电等不可控微电源、微燃机与储能等可控微电源以及用户负荷的长期稳定、经济运行，通常需要能量管理***进行协调管理。目前，微电网常根据预测的可再生能源发电功率和负荷功率，经优化后确定日前计划，来达到运行费用最低或可再生能源利用最大化等目的。然而，由于风力、光照及负荷的随机波动属性，预测值与实际值之间常有误差，并且误差程度随预测时间间隔的加大而恶化。较大预测误差的存在不仅直接影响微电网的电能质量，也会造成EMS制定的微电源经济运行计划的有效性下降，严重时甚至危及微电网的稳定运行。随着微电网中可再生能源比重不断的提高，预测误差的影响会更加严重。
目前，国内外在微电网能量管理方面已经做了一些研究，有的文献提出随机规划方法，通过利用蒙特卡洛仿真产生若干场景，将不确定问题转化为确定性问题处理。然而，这类方法因场景多而计算量大、不适合波动变化快的场合；一些研究者则提出通过预留备用功率的方法来缓和波动功率带来的冲击。有的文献提出通过考虑间歇能源的误差水平制定有备用功率的日前计划,再根据实时功率误差修正运行计划的两层调度方案，但该些方法中备用功率系数的确定主要靠经验，也没有考虑到储能设备实际荷电容量会受功率误差的累积影响。有研究表明根据年供电可靠性指标来确定备用容量，但没有考虑储能；此外，研究者还探索了其它方法。有些研究者提出通过使用精度较高的短期可再生能源出力预测+在线滚动优化改善运行计划的办法。还有些研究者通过引入、控制可调度负载来缓和预测误差的影响。虽有以上不少研究成果，但人们对预测误差的积累作用和不良影响的改善研究却尚少，特别对负荷和可再生能源功率随机预测误差研究很少。
发明内容
针对以上技术问题，本发明公开了一种考虑随机预测误差的独立微电网能量管理方法，克服了负荷及可再生能源功率预测误差给独立微电网运行带来的不利影响，以实现独立微电网的可靠、经济运行。
对此，本发明采用的技术方案为：
一种考虑随机预测误差的独立微电网能量管理方法，所述独立微电网包括风电-光伏-微燃机-储能电池，其包括微电网的能量管理***EMS，其采用以下步骤进行管理：
步骤S1，能量管理***EMS预测未来一段时间内负荷和风电、光伏发电可再生能源的功率；
步骤S2，EMS实时监测储能电池的SOC状态，测量风电、光伏的实际发电功率，测量微燃机和储能电池的实际功率；
步骤S3，根据预测与实际监测的功率，得到净负荷随机预测误差；根据净负荷随机预测误差的大小，通过多变量、多约束的数学优化方法对可控微燃机及储能电池的出力进行安排和调整，使得储能电池正常运行；然后重复步骤S1～步骤S3；
所述多变量、多约束的数学优化方法包括如下的运行目标函数和一组等式/不等式约束式：
式中，x为微电源与储能环节出力安排的优化变量；cTx为目标函数；Ax＝b为等式约束；Dx<d为不等式约束；X为变量的值域；其中，A为微电网有功功率平衡约束系数矩阵，其值为0、1取值的矩阵，即连接到微电网电压母线上的微电源、储能设备或负载，则其相应位取值为1。如某设备或负载脱离了微电网电压母线，则其相应位取值为0b为常数，在有功功率平衡时取值为0；D为包含微燃机与储能电池环节的功率限制、储能电池荷电容量SOC限制、微燃机功率变化速率限制的约束矩阵，其值为0、1取值的矩阵，即连接到微电网电压母线上的微电源、储能设备或负载，则其相应位取值为1。如某设备或负载脱离了微电网电压母线，则其相应位取值为0；d为不等式中的常数，其由微燃机、储能设备的产品技术规格中所列的功率容量、储能SOC限值、允许功率变化速率等参数来确定。作为本发明的进一步改进，目标函数cTx包含微燃机功率-燃料二次成本函数CFuel、微燃机启停机成本函数CStartShut及储能充放电惩罚成本函数Cesspenalty，具体为：
式中，i与Iset分别为微燃机索引和索引集合，t与Tset分别为运行时间索引和索引集合。
由于风电、光伏发电等可再生能源出力的间歇性、波动性和随机性突出，导致预测误差较大。该预测误差导致微电网实际运行点会偏离日计划运行点，并在储能环节的SOC中积累，导致储能SOC实际值与计划值的偏差随时间而加大。
作为本发明的进一步改进，独立微电网的能量管理每间隔3～5分钟对微电网的可控微燃机及储能电池的出力进行调整和安排。
作为本发明的进一步改进，步骤S3中，进行安排和调整时，使储能电池的实际SOC维持在上极限值SOCmax和下极限值SOCmin之间。
作为本发明的进一步改进，步骤S3中，根据预测误差对微电网中微燃机、储能环节功率及SOC影响的大小，确定净负荷随机预测误差阈值ε；其中随机预测误差阈值ε可取10％或更大，具体由微电网使用者确定。
当净负荷随机预测误差≤ε时，微电网能量管理***EMS实时监测净负荷的预测误差，如误差在误差限ε内，且储能电池的实际SOC也在储能电池的上/下限值(SOChigh/SOClow)内，则按原定计划运行；如储能电池的实际SOC越过了储能电池的上/下限值，则对微燃机与储能电池的出力进行安排和调整，并更新计划。
作为本发明的进一步改进，如储能电池的实际SOC越过了储能电池的上/下限值，采用滚动优化策略(CPLEX Rolling Optimization,CRO)对微燃机与储能电池的出力进行安排和调整，所述滚动优化策略包括：
在时刻tk，当储能电池的实际SOC越过其下限SOClow或上限SOChigh，EMS根据微燃机、储能电池的当前运行状态信息及净负荷从tk到T的预测值，调用IBM公司CPLEX求解算法，对剩余时段微燃机、储能电池的运行计划进行新求解，并更新tk到T运行计划。
作为本发明的进一步改进，调用IBM CPLEX求解算法求解时，使用微燃机、储能当前实际功率pi[tk]、pess[tk]和微燃机、储能当前状态vi[tk]、Eess[tk]为计算初始条件，使新运行计划初始状态与原运行计划末尾状态光滑衔接。
作为本发明的进一步改进，当净负荷随机预测误差>ε，储能电池实际SOC也越过储能电池的上/下限值SOChigh/SOClow时，微电网能量管理***EMS对微燃机及储能电池进行控制，优先使储能电池的SOC恢复到上/下限范围内，维持储能电池正常运行。
作为本发明的进一步改进，采用维持稳定控制策略(Keep Stable Operation,KSO)对微燃机及储能电池进行控制，所述维持稳定控制策略包括：
当储能电池的实际SOC≤SOClow，EMS先检测储能电池的功率流向和微燃机的开关机状态，若储能电池的功率为流出且微燃机MT关机，则立刻启动微燃机为储能电池进行充电；
若储能电池的功率为流出且微燃机已开机，则增大微燃机的出力给储能电池充电；如果净负荷太大，微燃机出力已达其最大值而储能电池的充电功率仍低于其最大值Pmax，则将微燃机出力设定为其额定功率储能电池的充电功率随净负荷功率相应变动，其值为微燃机额定功率与净负荷功率的差；
若储能电池的功率为流入且微燃机关机，利用风电、光伏可再生能源对储能进行充电；若储能功率为流入且微燃机开机，则逐步增大微燃机的出力，以储能允许的最大充电功率对储能电池充电；当微燃机出力已达其最大值而储能电池的充电功率仍低于允许的最大值充电功率时，将微燃机出力设定为其额定功率；
当储能电池的实际SOC≥SOChigh，EMS首先检测储能电池的功率流向及微燃机开关机状态，若储能电池的功率流向为流出，则微燃机和储能电池继续跟随原定运行计划指令；若储能电池的功率流向为流入且微燃机开机，EMS降低微燃机出力使储能电池的充电功率下降；若微燃机出力已达其最低值Pi ，而储能电池仍在充电，则切除部分可再生能源来弃用部分可再生能源功率，使储能电池放电；若已切除放弃全部可再生能源功率，但储能电池仍在充电，则关闭燃机；若在切除可再生能源功率过程中，储能电池持续充电而致SOC越过储能电池的最大允许值SOCmax，则直接关闭微燃机和切除所有可再生能源。
作为本发明的进一步改进，启动微燃机时，微燃机启动的第一个周期内其出力为其额定最小功率，第二个周期时，微燃机的出力跟随负荷或运行计划指令。
与现有技术相比，本发明的有益效果为：
本发明的技术方案考虑了负荷和可再生能源功率随机预测误差会使微电源实际运行点与日前运行计划产生偏差，而该偏差长期积累可导致储能SOC在非计划时刻超过其工作限值，影响微电网稳定运行；本发明的技术方案克服负荷及可再生能源功率预测误差给独立微电网运行带来的不利影响，根据净负荷随机预测误差的大小，通过数学优化方法对可控微源及储能的出力合理安排，实现微电网稳定、可靠和经济的运行。
具体而言，本发明提出在净负荷小随机预测误差下，当储能电池的SOC超限时，通过滚动优化CRO策略来使储能SOC保持在合理范围内的微电网EMS稳定控制方法，使得整体优化结果更好、更可行，也使独立微电网运行更加经济；在净负荷大随机预测误差下，当储能SOC超限时，通过维持稳定优先的KSO策略使储能SOC快速恢复到合理范围内的方法，使独立微电网运行更加稳定。
附图说明
图1是本发明一种考虑随机预测误差的独立微电网能量管理方法的总流程图。
图2是本发明中CRO滚动优化策略的流程图。
图3是本发明中CRO能量管理滚动更新时序图。
图4是本发明中KSO维持稳定EMS策略流程图。
图5是本发明中KSO维持稳定策略时序图。
图6是本发明小随机预测误差下采用CRO微电源运行结果示例图，其中，a)为微燃机的实际功率运行状态图，b)为储能电池的实际功率运行状态图，c)为微燃机的实际功率与运行计划之差，d)为储能电池的实际功率与运行计划之差，e)为储能电池的计划SOC与更改计划后的SOC变化曲线。
图7是本发明大随机预测误差下采用KSO微电源运行结果示例图，其中，a)为微燃机的实际功率运行状态图，b)为储能电池的实际功率运行状态图，c)为微燃机的实际功率与运行计划之差，d)为储能电池的实际功率与运行计划之差，e)为储能电池的计划SOC与更改计划后的SOC变化曲线。
具体实施方式
下面对本发明的较优的实施例作进一步的详细说明。
如图1所示，一种考虑随机预测误差的独立微电网能量管理方法，其包括以下步骤：
(1)能量管理***EMS对未来一段时间内负荷和再生能源(风电、光伏)的功率进行预测；
(2)采用CPLEX进行优化，指定日前运行计划，微电源(微燃机和储能电池)按照计划运行；
(3)EMS实时监测储能电池的SOC状态，测量风电、光伏的实际发电功率，测量微燃机和储能电池的实际功率；根据预测与实际监测的功率，得到净负荷随机预测误差即实际运行误差；
(4)根据预测误差对微电网中微燃机、储能环节功率及SOC影响的大小，确定净负荷随机预测误差阈值ε；
当净负荷随机预测误差≤ε时，微电网能量管理***EMS实时监测净负荷的预测误差，如误差在误差限ε内，且储能电池的实际SOC也在储能电池的上/下限值(SOChigh/SOClow)内，则按原定计划运行；如储能电池的实际SOC越过了储能电池的上/下限值，采用滚动优化策略(CPLEX Rolling Optimization,CRO)对微燃机与储能电池的出力进行安排和调整，所述滚动优化策略CRO包括：
在时刻tk，当储能电池的实际SOC越过其下限SOClow或上限SOChigh，EMS根据微燃机、储能电池的当前运行状态信息及净负荷从tk到T的预测值，调用IBM CPLEX求解算法，对剩余时段微燃机、储能电池的运行计划进行新求解，并更新tk到T运行计划。调用IBM CPLEX求解算法求解时，使用微燃机、储能当前实际功率pi[tk]、pess[tk]和微燃机、储能当前状态vi[tk]、Eess[tk]为计算初始条件，使新运行计划初始状态与原运行计划末尾状态光滑衔接。
当净负荷随机预测误差>ε时，采用维持稳定控制策略(Keep Stable Operation,KSO)对微燃机及储能电池进行控制，优先使储能电池的SOC恢复到上/下限范围内，维持储能电池正常运行。
所述维持稳定控制策略KSO包括：
当储能电池的实际SOC≤SOClow，EMS先检测储能电池的功率流向和微燃机的开关机状态，若储能电池的功率为流出且微燃机MT关机，则立刻启动微燃机为储能电池进行充电；启动微燃机时，微燃机启动的第一个周期内其出力为其额定最小功率，第二个周期时，微燃机的出力跟随负荷或运行计划指令。
若储能电池的功率为流出且微燃机已开机，则增大微燃机的出力给储能电池充电；如果净负荷太大，微燃机出力已达其最大值而储能电池的充电功率仍低于其最大值Pmax，则将微燃机出力设定为其额定功率储能电池的充电功率随净负荷功率相应变动，其值为微燃机额定功率与净负荷功率的差；
若储能电池的功率为流入且微燃机关机，利用风电、光伏可再生能源对储能进行充电；若储能功率为流入且微燃机开机，则逐步增大微燃机的出力，以储能允许的最大充电功率对储能电池充电；当微燃机出力已达其最大值而储能电池的充电功率仍低于允许的最大值充电功率时，将微燃机出力设定为其额定功率；
当储能电池的实际SOC≥SOChigh，EMS首先检测储能电池的功率流向及微燃机开关机状态，若储能电池的功率流向为流出，则微燃机和储能电池继续跟随原定运行计划指令；若储能电池的功率流向为流入且微燃机开机，EMS降低微燃机出力使储能电池的充电功率下降；若微燃机出力已达其最低值Pi ，而储能电池仍在充电，则通过切除放弃部分可再生能源功率，使储能电池放电；若已切除全部可再生能源功率，但储能电池仍在充电，则关闭燃机；若在切除可再生能源功率过程中，储能电池持续充电而致SOC越过最大允许值SOCmax，则直接关闭微燃机和切除所有可再生能源。
上述方案基于滚动优化(CRO)与维持稳定(KSO)的两种新型EMS策略，旨在减小负荷及可再生能源功率预测误差给独立微电网运行带来的不利影响，以实现独立微电网的可靠、经济运行。本发明的技术方案首先根据随机理论，对微网中预测预测误差随机特性及其传播过程进行数学建模，随后分析其对EMS可控微电源及储能环节运行计划的具体影响；进而，根据预测误差的大小会造成使储能SOC越过其上/下限值的快慢不同，分别设计了滚动优化CRO和维持稳定KSO两种控制策略，来使运行中储能SOC始终保持在正常运行范围，从而改善微电网长时间运行稳定性。
本发明的技术方案适用于以风-光-微燃机-电池储能为主要构成的独立运行微电网。微电网的能量管理***EMS在预测未来一段时间内负荷和可再生能源功率基础上，通过数学优化方法对可控微源及储能的出力合理安排，来达到微电网运行的稳定和经济。
微电网能量管理***EMS的数学优化模型通常由运行目标函数和一组等式/不等式约束式构成，具体为：
式中，x为微电源与储能环节出力安排的优化变量；cTx为目标函数；Ax＝b为等式约束；Dx<d为不等式约束；X为变量的值域。其中，A为有功功率平衡约束矩阵，b为常数，D为微源与储能环节的功率容量限制、微源功率变化速率限制等约束矩阵，d为不等式中的一些常数值。对该混合整数非线性规划模型，可采用动态规划、混合整数线性规划(MILP)、微粒群(PSO)等方法求解。
独立微电网的目标函数包含微燃机功率-燃料二次成本函数CFuel、微燃机启停机成本函数CStartShut及储能充放电惩罚成本函数Cesspenalty，具体为：
式中，i与Iset分别为微燃机索引和索引集合，t与Tset分别为运行时间索引和索引集合。
在约束条件中，本微电网中的微燃机与储能功率之和要时刻等于净负荷功率，来满足功率平衡等式的要求；此外，微燃机和储能环节因其物理结构与制造水平的限制，还分别需要满足多组运行约束条件。如微燃机需要满足：(1)最大可用功率在机组上/下功率限内及旋转备用容量的要求；(2)最大可用功率的爬坡率、启动爬坡率及关机爬坡率的要求；(3)微燃机启动和停机要满足最小开机时间和最小关机时间限制，以延长使用寿命。类似的，由于储能环节的使用寿命受充放电功率、充放电转换频率及充放电深度等因素影响，储能环节正常运行需要满足：(1)充放电功率与充放电变化率限制；(2)充放电转换频率限制；(3)连续大功率充放电时间与SOC上下极限限制；(4)为最大化储能环节使用寿命，一旦开始充电则尽量一直充电到SOC的规定最大值，一旦开始放电则尽量一直放电到SOC的规定最小值。由于不等式较多，本处未列出具体表达式。
针对可再生能源出力的间歇性、波动性和随机性突出，准确预测建模困难、预测误差较大的特点，人们提出了正态分布、高斯函数、贝塔分布等多种概率密度办法来拟合风电、光伏发电的预测误差。虽然正态分布与风电实测的误差分布也还存有一些差异，如实际误差曲线收尾比正态分布曲线缓慢、正态分布密度函数变量的正负无穷大取值范围超出了实际可再生能源出力范围，但由于误差出现在曲线尾端的概率很小、预测误差存在范围也有限。
下面统一采用正态分布来描述可再生能源实时出力以及负荷用电的概率密度分布。
令负荷和可再生能源的预测值即为数学期望值，则风电、光伏发电、负荷的预测误差这个随机变量服从正态分布，具体为：
式中，pθ[t]和pθ *[t]分别为负荷和可再生能源θ在时刻t的实际输出功率和预测功率，N表示正态分布函数，μθ[t]和δθ[t]分别为pθ[t]在时刻t数学期望和方差，Tset为预测时刻的集合，其有T个元素，pθ *[t]＝μθ[t]，Θ表示负荷、可再生能源的集合。根据概率论正态分布特性，随机变量的值落在(-3σθ[t],+3σθ[t])区间内的概率为99.74％，故可以认为微电网在未来24小时运行中，其负荷和可再生能源功率实际值与预测值间的随机误差也落在(-3σθ[t],+3σθ[t])误差限以内。
本发明中微电网负荷实际功率和预测功率间的随机误差设为均值为0、方差为的正态分布，标准差计算具体为：
式中，k取值为1，pload *[t]为负荷在时刻t短期预测值。
风力发电、光伏发电的实际出力和短期预测出力间的随机误差设为均值为0的正态分布，标准差计算具体为：
式中，pθrate为光伏、风机装机容量，pθ *[t]为光伏、风机在时刻t短期预测值。
微电网的净负荷功率为负荷功率与可再生能源发电功率之差，算式具体为：
净负荷功率的随机误差变量pnet[t]-pnet *[t]服从正态分布，具体为：
为便于对负荷、光伏及风机发电功率各自预测误差的随机变化进行比较，设随机变量pθ[t]-pθ *[t]有相同的变异系数C[t]，具体为：
式中，K为常数；于是可得：
σload[t]+σsolar[t]+σwind[t]＝K2pload *[t]+K2psolar *[t]+K2pwind *[t]
净负荷功率的预测误差随机变量的方差比负荷、光伏及风机功率各自预测误差随机变量的方差要大得多，表明负荷、光伏及风机发电功率的预测误差会传递到净负荷中，并且变得更大。故如果负荷、光伏及风机功率的预测值不够准，则计算得到的净负荷预测值就可能与实际值相差很大。
由于负荷、可再生能源的功率变化实际上还是受一些共同因素，如温度、空气密度和湿度等的影响，因而功率实测值、预测值在各个离散时间点上也存在着一定的相关性，并且时间间隔越短，前后2个离散时间点上的功率相关性就越强，功率变化越小。因此，净负荷随机变量pnet[t]-pnet *[t]在整体上也是T维随机向量，具体为：
Pnet＝(Pnet[t1],...,Pnet[tk],...,Pnet[tT])＝(pnet[t1]-pnet *[t1],...,pnet[tk]-pnet *[tk],...,pnet[tT]-pnet *[tT])
设随机变量pnet[t]-pnet *[t]联合概率分布也服从T维正态分布，各离散点功率值间的相关程度由协方差误差矩阵的非对角项元素反映，具体为：
式中，净负荷的T元总体平均值向量μnet具体为：
μnet＝(μnet[t1],...,μnet[tk],...,μnet[tT])
Enet为Pnet的T元正态分布的协方差误差矩阵，且Enet为T×T维实对称正定矩阵，具体为：
式中，Cov(Pnet[ti],Pnet[tj ])为Pnet[t]在时刻ti和tj之间协方差。ρij为相关系数，其值为：
净负荷的预测误差会使微电网中微电源与储能环节的实际运行点偏离日前运行计划的设定点。微电网在进行EMS计划求解时，其使用负荷和可再生能源功率预测值作为输入数据，经过数学优化计算，得出微燃机和储能在未来一段时间的离散时间序列的运行计划。
在微电网运行和计划中，净负荷与微电源、储能环节均保持功率平衡关系，具体为：
式中，pi *[t]为第i台微燃机时刻t功率；pess *[t]为储能在时刻t的功率。
储能环节的荷电状态则由储能功率的积分确定，具体为：
Eess *[t]＝Eess *[t-1]-η(pess *[t-1])·pess *[t-1]
式中，Eess *[t]为储能的SOC；η为符号函数。
在每个t∈Tset时刻的净负荷预测值误差都会递到微电源和储能中，并在储能中积累起来。即净负荷的T元随机误差向量Pnet传递到微燃机和储能的T元运行计划向量Pi *和Pess *中。微网EMS模型使用的净负荷T元预测值向量具体为：
Pnet *＝(pnet *[t1],...,pnet *[tk],...,pnet *[tT])
优化求解EMS模型后，假设由Pnet *通过第i个T×T维系数矩阵Ai得到第i台微燃机的T元运行计划向量Pi *，以及通过一个T×T维系数矩阵B得到储能的T元运行计划向量Pess *，具体为：
Pess *＝B·Pnet *
微燃机集合Iset中第i台微燃机的T元运行计划向量Pi *和储能T元运行计划向量Pess *具体为：
Pess *＝(pess *[t1],...,pess *[tk],...,pess *[tT])
在Pnet中的随机误差通过Ai和B分别传递到Pi *和Pess *中。其中Pi *和Pess *相应的T×T维协方差误差矩阵具体为：
Epess＝B·Enet·BT
储能运行功率设定点的值按照Pess *设定，由于运行中储能实际运行点与设定点不一致，在随机误差由Pnet传递到Pess *后，随机误差会通过储能能量守恒方程传递到储能SOC中，每次迭代计算储能SOC后都会使误差增大，运行结束后储能实际SOC与运行计划SOC之间误差具体为：
其中，和Cov(pess *[t]，pess*[l])分别为Pess *的T×T维协方差误差矩阵Epess的对角项元素和非对角项元素；T为运行时间的周期总数。
微电网EMS优化计算模型中包含了储能SOC运行有上/下限的限制约束，其制定出的储能运行计划会使储能SOC保持在上/下限范围内。然而，净负荷的预测误差则使微燃机、储能环节实际运行功率偏离计划值，该偏差在储能SOC内不断积累，可使储能SOC超过其上/下限值。为避免过充/过放而损害寿命，储能环节会自行限制充/放电或停运，这就给微网稳定经济运行带来潜在冲击。
通过单纯增加储能容量的办法会带来微网造价上升，实际中并不可取。由分析可知，预测偏差大小不同，对微燃机与储能运行功率、状态改变的剧烈程度不同，对储能SOC越过上/下限的快慢也不同。因此，本发明提出一种基于预测误差和储能SOC安全的微电网能量管理策略。其在日前计划基础上，根据预测误差和储能SOC的不同状态进行按原定计划、滚动优化计划或储能SOC恢复稳定计划运行，从而使储能SOC在微网经济运行中维持在合理的极限范围内。
微网中可再生能源发电功率的短期预测误差较小，误差小于10％的置信区间为95％。即微网一天绝大部分时间内，净负荷的随机误差将会落在(-3σθ[t],+3σθ[t])误差限以内。根据预测误差对微网中微燃机、储能环节功率及SOC影响大小的不同，可确定一个适当的净负荷随机误差阈值ε。当随机预测误差≤ε时，可认为是小误差，反之则视为大误差。
由于日前运行计划的时间跨度大，小随机预测误差也可能使储能环节可调容量不足，影响微网稳定。本发明EMS实时监测净负荷预测误差，如误差在误差限ε内，且储能实际SOC也在上限/下限值(SOChigh/SOClow)内，则按原定(日前)计划运行；如储能实际SOC已越过了上/下限值，则启动滚动优化策略CRO，制定并更新计划，使储能SOC逐步恢复。
如图2所示为CRO滚动优化EMS策略流程图。其启动条件具体为：
Eess *[tk]≤SOClow OR Eess *[tk]≥SOChigh
在时刻tk储能实际SOC越过其下限SOClow或上限SOChigh，EMS根据微燃机、储能环节当前运行状态信息及净负荷从tk到T的预测值，调用IBM CPLEX求解算法，对剩余时段微燃机、储能的运行计划进行新求解，并更新tk到T运行计划。由于EMS中对储能环节过冲/过放设置了罚函数，新制定的运行计划会修正微燃机、储能出力，使储能SOC逐渐恢复正常运行范围内。
为避免微燃机和储能功率或状态出现大波动，CRO调用CPLEX求解时，使用微燃机、储能当前实际功率pi[tk]、pess[tk]和状态vi[tk]、Eess[tk]为计算初始条件，使新运行计划初始状态与原运行计划末尾状态光滑衔接。如图3所示为CRO能量管理运行计划更新时序图。
当净负荷的随机误差大于阈值ε时，微网中微燃机、储能环节的功率变化会较大，储能实际SOC也变化加速。若该误差持续较长时间，储能实际SOC就可能在原计划SOC到达上/下限时间点前越过限值，储能为安全将限制充/放电或停运。若SOC到达上限时可再生能源充足或SOC到达下限时微燃机正关机，就会使微网的功率平衡受到冲击。本发明为此设计了维持稳定(Keep Stable Operation,KSO)能量管理策略，其对微燃机及储能进行控制，优先使储能SOC恢复到上/下限范围内，从而维持储能正常运行。
如图4中所示，左侧虚框为KSO维持稳定策略的主要流程图。EMS实时检测净负荷预测误差，如tk时刻其超过阈值ε，但储能SOC还在上/下限内，则微燃机、储能仍按原运行计划运行；如此时储能实际SOC已越过上/下限值，则启用KSO策略，即其启动条件具体为：
Eess *[tk]≤SOClow OR Eess *[tk]≥SOChigh
KSO控制时，微电网中微燃机、储能环节的主要控制流程介绍如下：
1)SOC≤SOClow此时储能电量已不足，为避免储能过放，需限制放电、对储能尽快充电。EMS***先检测储能功率流向和微燃机MT的开关机状态。若储能功率为流出(pess负为放电、正为充电)且微燃机MT关机，则紧急启动微燃机为储能充电。为保护微燃机，启动的第一个周期内其出力为其额定最小功率，启动第二个周期才能跟随负荷或运行计划指令，图中Ontime参量代表微燃机启动的周期数，Disp参量代表微电网各微电源的运行计划。若储能功率为流出且微燃机已开机，则增大微燃机出力给储能充电。如果净负荷太大，微燃机出力已达其最大值而储能充电功率仍低于其最大值Pmax，则将微燃机出力设定为其额定功率储能的充电功率随净负荷功率相应变动，其值为微燃机额定功率与净负荷功率的差；若储能功率为流入且微燃机关机，此时表明可再生能源发电功率充沛，即可充分利用可再生能源对储能进行充电；若储能功率为流入且微燃机开机，则逐步增大微燃机出力，尽可能以储能允许的最大充电功率充电；当微燃机出力已达其最大值而储能充电功率仍低于允许最大值充电功率时，将微燃机出力设定为其额定功率。为延长储能环节的使用寿命，储能一旦开始充电则尽可能一直充电到SOChigh。
2)SOC≥SOChigh此时表明储能电能充足，为保护储能不因过充而损害使用寿命，须限制其充电。EMS首先检测储能的功率流向及微燃机开关机状态。若储能功率流向为流出，说明储能在放电，则微燃机和储能继续跟随原定运行计划指令；若储能功率流向为流入且微燃机开机，表明储能仍在继续充电，EMS即降低微燃机出力使储能充电功率下降。若微燃机出力已达其最低值Pi，而储能仍在充电，则切除部分可再生能源PRES即弃用部分可再生能源功率以使储能开始放电。若已切除全部可再生能源功率，但储能仍在充电，则关闭燃机。若在切除可再生能源功率过程中，储能持续充电而致SOC越过最大允许值SOCmax，则直接关闭微燃机和可再生能源。KSO维持稳定策略时序图如图5所示。
KSO策略针对净负荷大随机预测误差时储能SOC越限的情况进行处理。当大误差消失，在小误差下储能SOC越限时用CRO策略处理。CRO和KSO两种策略互补配合，可保证储能SOC基本在上/下极限值范围内工作，维持微电网稳定和经济运行。小随机预测误差下采用CRO微电源运行结果示例如图6所示，其中ε取值为微电网容量的25％。可见在小随机预测误差下采用CRO滚动优化策略，能将储能实际SOC式中维持在上极限值SOCmax和下极限值SOCmin之间。
大随机预测误差下采用KSO微源运行结果示例如图7所示，其中ε取值为微电网容量的25％。可见在大随机预测误差下采用KSO维持稳定策略，储能SOC能够式中维持在上极限值SOCmax和下极限值SOCmin之间。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种考虑随机预测误差的独立微电网能量管理方法，其特征在于：所述独立微电网包括风电-光伏-微燃机-储能电池和能量管理***EMS，其采用以下步骤进行能量管理：
步骤S1，能量管理***EMS预测未来一段时间内负荷和风电、光伏可再生能源的功率；
步骤S2，EMS实时监测储能电池的SOC状态，测量风电、光伏的实际发电功率，测量微燃机和储能电池的实际功率；
步骤S3，根据预测与实际监测的功率，得到净负荷随机预测误差；根据净负荷随机预测误差的大小，通过多变量、多约束的数学优化方法对可控微燃机及储能电池的出力进行安排和调整，使得储能电池正常运行；然后重复步骤S1～步骤S3；
所述多变量、多约束的数学优化方法包括如下的运行目标函数和一组等式/不等式约束式：
式中，x为微电源与储能环节出力安排的优化变量；cTx为目标函数；Ax＝b为等式约束；Dx<d为不等式约束；X为变量的值域；其中，A为微电网有功功率平衡约束系数矩阵，其值为0、1取值的矩阵；b为常数，在有功功率平衡时取值为0；D为包含微燃机与储能电池环节的功率限制、储能电池荷电容量SOC限制、微燃机功率变化速率限制的约束矩阵，其值为0、1取值的矩阵；d为不等式中的常数，其由微燃机、储能设备的产品技术规格中所列的功率容量、储能SOC限值、允许功率变化速率等参数来确定。
2.根据权利要求1所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：目标函数cTx包含微燃机功率-燃料二次成本函数CFuel、微燃机启停机成本函数CStartShut及储能充放电惩罚成本函数Cesspenalty，具体为：
式中，i与Iset分别为微燃机索引和索引集合，t与Tset分别为运行时间索引和索引集合。
3.根据权利要求1所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：独立微电网的能量管理每间隔3～5分钟对微电网的可控微燃机及储能电池的出力进行调整和安排。
4.根据权利要求1～3任意一项所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：步骤S3中，进行安排和调整时，使储能电池的实际SOC维持在储能电池的上极限值和下极限值之间。
5.根据权利要求4所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：步骤S3中，根据预测误差对微电网中微燃机、储能环节功率及SOC影响的大小，确定净负荷随机预测误差阈值ε；
当净负荷随机预测误差≤ε时，微电网能量管理***EMS实时监测净负荷的预测误差，如误差在误差限ε内，且储能电池的实际SOC也在储能电池的上/下限值即SOChigh/SOClow内，则按原定计划运行；如储能电池的实际SOC越过了储能电池的上/下限值，则对微燃机与储能电池的出力进行安排和调整，并更新计划。
6.根据权利要求5所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：如储能电池的实际SOC越过了储能电池的上/下限值，采用滚动优化策略对微燃机与储能电池的出力进行安排和调整，所述滚动优化策略包括：
在时刻tk，当储能电池的实际SOC越过其下限值或上限值，EMS根据微燃机、储能电池的当前运行状态信息及净负荷从tk到T的预测值，调用CPLEX求解算法，对剩余时段微燃机、储能电池的运行计划进行新求解，并更新tk到T运行计划。
7.根据权利要求6所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：调用IBM CPLEX求解算法求解时，使用微燃机、储能当前实际功率pi[tk]、pess[tk]和微燃机、储能当前状态vi[tk]、Eess[tk]为计算初始条件，使新运行计划初始状态与原运行计划末尾状态光滑衔接。
8.根据权利要求5所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：当净负荷随机预测误差>ε，储能电池实际SOC也越过储能电池的上/下限值SOChigh/SOClow时，微电网能量管理***EMS对微燃机及储能电池进行控制，优先使储能电池的SOC恢复到上/下限范围内，维持储能电池正常运行。
9.根据权利要求8所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：采用维持稳定控制策略对微燃机及储能电池进行控制，所述维持稳定控制策略包括：当储能电池的实际SOC≤SOClow，EMS先检测储能电池的功率流向和微燃机的开关机状态，若储能电池的功率为流出且微燃机MT关机，则立刻启动微燃机为储能电池进行充电；
若储能电池的功率为流出且微燃机已开机，则增大微燃机的出力给储能电池充电；如果净负荷太大，微燃机出力已达其最大值而储能电池的充电功率仍低于其最大值，则将微燃机出力设定为其额定功率，储能电池的充电功率随净负荷功率相应变动，其值为微燃机额定功率与净负荷功率的差；
若储能电池的功率为流入且微燃机关机，利用包括风电、光伏的可再生能源对储能进行充电；若储能功率为流入且微燃机开机，则逐步增大微燃机的出力，以储能允许的最大充电功率对储能电池充电；当微燃机出力已达其最大值而储能电池的充电功率仍低于允许的最大值充电功率时，将微燃机出力设定为其额定功率；
当储能电池的实际SOC≥SOChigh，EMS首先检测储能电池的功率流向及微燃机开关机状态，若储能电池的功率流向为流出，则微燃机和储能电池继续跟随原定运行计划指令；若储能电池的功率流向为流入且微燃机开机，EMS降低微燃机出力使储能电池的充电功率下降；若微燃机出力已达其最低值，而储能电池仍在充电，则通过切除部分可再生能源而弃用部分可再生能源功率，使储能电池放电；若已切除全部可再生能源，但储能电池仍在充电，则关闭燃机；若在切除可再生能源功率过程中，储能电池持续充电而致SOC越过储能电池的最大允许值SOCmax，则直接关闭微燃机和切除所有可再生能源。
10.根据权利要求9所述的考虑随机预测误差的独立微电网能量管理方法，其特征在于：启动微燃机时，微燃机启动的第一个周期内其出力为其额定最小功率，第二个周期时，微燃机的出力跟随负荷或运行计划指令。
CN201910039847.3A 2019-01-16 2019-01-16 一种考虑随机预测误差的独立微电网能量管理方法 Withdrawn CN109617138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910039847.3A CN109617138A (zh) 2019-01-16 2019-01-16 一种考虑随机预测误差的独立微电网能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910039847.3A CN109617138A (zh) 2019-01-16 2019-01-16 一种考虑随机预测误差的独立微电网能量管理方法

Publications (1)

Publication Number Publication Date
CN109617138A true CN109617138A (zh) 2019-04-12

Family

ID=66016904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910039847.3A Withdrawn CN109617138A (zh) 2019-01-16 2019-01-16 一种考虑随机预测误差的独立微电网能量管理方法

Country Status (1)

Country Link
CN (1) CN109617138A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110034569A (zh) * 2019-04-29 2019-07-19 武汉大学 一种含可变速海水抽蓄机组和化学储能的联合***混合模型预测控制方法
CN110034570A (zh) * 2019-05-16 2019-07-19 阳光电源股份有限公司 储能设备的控制方法、装置及光伏电站
CN110261673A (zh) * 2019-05-14 2019-09-20 哈尔滨工业大学 一种基于电压、电流双脉冲信号的虚拟脉冲功率测量***及方法
WO2020219078A1 (en) * 2019-04-26 2020-10-29 Pason Power, Inc. Intelligent energy management system for distributed energy resources and energy storage systems using machine learning
WO2021103357A1 (zh) * 2019-11-28 2021-06-03 山东理工大学 基于Fourier-Legendre级数的配电网移动储能配置方法
CN113131498A (zh) * 2019-12-31 2021-07-16 南京南瑞继保电气有限公司 一种独立微电网控制方法
CN113373457A (zh) * 2021-06-11 2021-09-10 河北建投新能源有限公司 电解水制氢的控制方法、装置和计算机可读存储介质
CN113422390A (zh) * 2021-08-24 2021-09-21 中国人民解放军国防科技大学 零碳5g移动通信基站供电方法、***、设备和存储介质
CN113765105A (zh) * 2021-09-24 2021-12-07 国网黑龙江省电力有限公司电力科学研究院 基于动态随机模型的微电网群能量管理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149567A (zh) * 2018-09-10 2019-01-04 华南理工大学 含混合储能的独立型微电网的多时间尺度协调控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149567A (zh) * 2018-09-10 2019-01-04 华南理工大学 含混合储能的独立型微电网的多时间尺度协调控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈亚红: "微电网能量管理策略研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020219078A1 (en) * 2019-04-26 2020-10-29 Pason Power, Inc. Intelligent energy management system for distributed energy resources and energy storage systems using machine learning
CN110034569A (zh) * 2019-04-29 2019-07-19 武汉大学 一种含可变速海水抽蓄机组和化学储能的联合***混合模型预测控制方法
CN110261673A (zh) * 2019-05-14 2019-09-20 哈尔滨工业大学 一种基于电压、电流双脉冲信号的虚拟脉冲功率测量***及方法
CN110261673B (zh) * 2019-05-14 2021-10-15 哈尔滨工业大学 一种基于电压、电流双脉冲信号的虚拟脉冲功率测量***及方法
CN110034570A (zh) * 2019-05-16 2019-07-19 阳光电源股份有限公司 储能设备的控制方法、装置及光伏电站
WO2021103357A1 (zh) * 2019-11-28 2021-06-03 山东理工大学 基于Fourier-Legendre级数的配电网移动储能配置方法
CN113131498A (zh) * 2019-12-31 2021-07-16 南京南瑞继保电气有限公司 一种独立微电网控制方法
CN113373457A (zh) * 2021-06-11 2021-09-10 河北建投新能源有限公司 电解水制氢的控制方法、装置和计算机可读存储介质
CN113373457B (zh) * 2021-06-11 2022-11-15 河北建投新能源有限公司 电解水制氢的控制方法、装置和计算机可读存储介质
CN113422390A (zh) * 2021-08-24 2021-09-21 中国人民解放军国防科技大学 零碳5g移动通信基站供电方法、***、设备和存储介质
CN113765105A (zh) * 2021-09-24 2021-12-07 国网黑龙江省电力有限公司电力科学研究院 基于动态随机模型的微电网群能量管理方法
CN113765105B (zh) * 2021-09-24 2023-07-25 国网黑龙江省电力有限公司电力科学研究院 基于动态随机模型的微电网群能量管理方法

Similar Documents

Publication Publication Date Title
CN109617138A (zh) 一种考虑随机预测误差的独立微电网能量管理方法
Tan et al. Evaluation of the risk and benefit of the complementary operation of the large wind-photovoltaic-hydropower system considering forecast uncertainty
Cao et al. Battery energy storage sizing based on a model predictive control strategy with operational constraints to smooth the wind power
Li et al. Stratified optimization strategy used for restoration with photovoltaic-battery energy storage systems as black-start resources
CN111969593B (zh) 基于混合储能的热电联供微网模型预测控制优化调度方法
Zhang et al. Battery ESS planning for wind smoothing via variable-interval reference modulation and self-adaptive SOC control strategy
Yousri et al. Integrated model for optimal energy management and demand response of microgrids considering hybrid hydrogen-battery storage systems
US9733623B2 (en) Microgrid energy management system and method for controlling operation of a microgrid
US8886362B2 (en) Integrated distribution system optimization
CN105207259B (zh) 基于能量管理的并网状态下的微电网***调度方法
CN107565607B (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
Qiu et al. Multi-interval-uncertainty constrained robust dispatch for AC/DC hybrid microgrids with dynamic energy storage degradation
CN105162149B (zh) 基于模糊自适应调节的光储***跟踪发电计划出力方法
Khosravi et al. Optimal sizing and technology selection of hybrid energy storage system with novel dispatching power for wind power integration
CN110581571A (zh) 一种主动配电网动态优化调度方法
CN106410824A (zh) 计及温控设备的社区微电网储能容量优化配置方法
CN111555366B (zh) 一种基于多时间尺度的微网三层能量优化管理方法
CN105140941A (zh) 考虑锂电池可变折旧成本与实用充放电策略的微电网优化调度方法
CN114884108B (zh) 源网荷储一体化的微电网多时间尺度能量管理优化方法
CN109858697A (zh) 计及源荷随机的冷热电联供***优化运行方法及***
Martins et al. Optimization of photovoltaic power self-consumption using linear programming
Zhang et al. Energy optimal management of microgrid with high photovoltaic penetration
CN107947166B (zh) 一种基于动态矩阵控制的多能微网变时调度方法及装置
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
Hau et al. A novel spontaneous self-adjusting controller of energy storage system for maximum demand reductions under penetration of photovoltaic system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190412