CN109995091B - 一种考虑预测误差的交直流混合微电网经济调度方法 - Google Patents

一种考虑预测误差的交直流混合微电网经济调度方法 Download PDF

Info

Publication number
CN109995091B
CN109995091B CN201910346544.6A CN201910346544A CN109995091B CN 109995091 B CN109995091 B CN 109995091B CN 201910346544 A CN201910346544 A CN 201910346544A CN 109995091 B CN109995091 B CN 109995091B
Authority
CN
China
Prior art keywords
power
day
time period
lithium battery
period
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.)
Active
Application number
CN201910346544.6A
Other languages
English (en)
Other versions
CN109995091A (zh
Inventor
秦文萍
于浩
王祺
魏斌
肖莹
朱云杰
韩肖清
任春光
尹琦琳
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University 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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201910346544.6A priority Critical patent/CN109995091B/zh
Publication of CN109995091A publication Critical patent/CN109995091A/zh
Application granted granted Critical
Publication of CN109995091B publication Critical patent/CN109995091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

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

Abstract

一种考虑预测误差的交直流混合微电网经济调度方法，属于交直流混合微电网领域，它包括日前调度阶段、日内预调度阶段和日内调度阶段；所述日前调度阶段包括下述内容：(1)按小时分段，将1天分为24时段，每一时段中各分布式单元的功率输出与吸收为定值；(2)预测未来一天各时段的风机发电功率、光伏发电功率、交流重要负荷和直流重要负荷波动情况；(3)建立分布式电源数学模型。本发明解决了现有研究对交直流混合微电网运行状态考虑不全面、对交直流混合微电网分布式电源与负荷预测存在误差、对交直流混合微电网难以实现日内经济调度等问题。

Description

一种考虑预测误差的交直流混合微电网经济调度方法
技术领域
本发明属于交直流混合微电网领域，具体涉及一种考虑预测误差的交直流混合微电网经济调度方法。
背景技术
交直流混合微电网在既能高效率解决分布式电源的大规模分散接入问题，也可作为传统电网的有益补充，是使分布式发电成为传统电网可接纳利用能源的有效载体。交直流混合微电网中分为交流区域和直流区域，交流区域与直流区域相互协调配合。各分布式在功率平衡前提下，进行分布式电源(DER)、储能与负荷之间的功率优化调度，使交直流混合微电网最优化运行。
对于交直流混合微电网的经济优化运行，现有研究存在对交直流混合微电网预测误差考虑不全面，无法实现微电网日内经济运行，存在对微网运行状态考虑不全面、对微网各运行状态下的控制策略不够详尽、过度追求日前调度规划等问题。有关学者提出一种分时段电价机制下的微电网实时调度方案，但未将谷电价与平电价时段完全分开，而且各时段控制策略过于简略。为了考虑需求侧响应，有关学者将微电网内的负荷分3类，以停电损失和总运行成本最小为目标建立了独立微网能量管理模型，但是未考虑可中断负荷的中断时长限制。有关学者提出使用模型预测控制方式，针对预测误差对日内调度进行滚动优化，但需要追踪日前调度计划，当微电网内不可控单元波动过大时，无法对交直流混合微电网进行经济调度。此外，现有多时间尺度交直流混合微电网能量管理的研究未考虑日内运行经济最优。因此，一种考虑日前预测与日内实际存在误差的交直流混合微电网经济调度方法亟待建立。
发明内容
为了解决交直流混合微电网中分布式电源和负荷的日前预测与日内实际运行情况存在误差，致使微电网日内无法实现经济调度的问题。本发明兼顾了交直流混合微电网中交流区域与直流区域协调控制和微电网运行经济性和可靠性，针对现有研究存在对交直流混合微网日前预测与日内运行存在误差、运行状态考虑不全面、交直流混合微电网日内调度策略经济性不足等问题，建立了一种考虑预测误差的交直流混合微电网经济调度方法。
本发明提供了一种考虑预测误差的交直流混合微电网经济调度方法，包括日前调度阶段、日内预调度阶段和日内调度阶段；
所述日前调度阶段包括下述内容：
(1)按小时分段，将1天分为24时段，每一时段中各分布式单元的功率输出与吸收为定值；
(2)预测未来一天各时段的风机发电功率、光伏发电功率、交流重要负荷和直流重要负荷波动情况；
(3)建立分布式电源数学模型：
a.燃料电池的运行维护成本
燃料电池的发电成本与燃气的价格CFC、燃气的低热值LHVFC、燃料电池的效率ηFC有关，其运行成本可表示为：
Figure BDA0002042446540000031
燃料电池的维护成本与燃料电池发电功率成正比，其维护成本可表示为：
COMFi(PFi(t))＝KOMFCPFi(t)Δt
其中，KOMFC表示燃料电池维护成本系数。
b.锂电池的运行维护成本
放电深度(Depth of Discharge,DOD)指锂电池在运行过程中，电池放出的能量占其额定容量的百分比。放电深度与锂电池的寿命有很大关系，锂电池放电深度越深，则运行寿命越短，因而在锂电池使用过程中，应尽量避免深度充放电。本发明中将充电损耗和放电损耗按近似相同考虑，得放电深度计算如下式所示：
Figure BDA0002042446540000032
其中，Ich(t)为0-1整数变量，取1时表示锂电池在t时段处于充电状态； Idis(t)为0-1整数变量，取1时表示锂电池在t时段处于放电状态；Pch(t)表示 t时段内锂电池充电功率，Pdis(t)表示t时段内锂电池放电功率；Dod(t)表示锂电池在t时段的放电深度，ELB表示锂电池额定容量。
有关学者采用雨流(Rain Flow)计数法统计出锂电池的运行寿命与放电深度之间的关系，并将其拟合成如下公式：
Nlife(t)＝-3278Dod(t)4-5Dod(t)3+12823Dod(t)2-14122Dod(t)+5112
其中，Nlife(t)表示t时段锂电池在放电深度Dod(t)下的循环寿命。
考虑锂电池循环寿命的运行成本函数如下式所示：
Figure BDA0002042446540000033
其中，CB(t)表示t时段内锂电池的运行成本，Cinv表示锂电池的初始投资费用。该式既可以较准确定量估算锂电池的运行成本，也自然将锂电池运行寿命损耗归于目标函数中，完成多目标向单目标的转化，减少计算复杂度。
锂电池的维护成本与锂电池的充放电功率的绝对值成正比，如下式所示：
COMB(t)＝KOMB|Ich(t)Pch(t)+Idis(t)Pdis(t)|Δt
其中，COMB(t)表示t时段内锂电池的维护成本，KOMB表示锂电池的维护成本系数。
c.双向AC/DC变换器的运行和维护成本
Figure BDA0002042446540000041
其中：CCV表示双向AC/DC变换器成本；PCV(t)表示时段t内双向AC/DC 变换器功率；mCV-loss表示折算到双向AC/DC变换器运行功率下的换流损耗成本系数；gCV-loss表示双向AC/DC变换器的损耗成本系数；ηCV表示双向 AC/DC变换器的变换效率。
(4)在日前调度阶段建立的优化模型包括微网总运行成本最低目标函数和分布式电源约束条件；
(5)日前调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本、分时段购售电和可中断负荷的中断补偿等，表达式如下所示：
Figure BDA0002042446540000042
其中，n表示微网中燃料电池数量，PFi(t)表示燃料电池i在时段t内发出的功率，CFi(PFi(t))表示燃料电池i在时段t内的运行成本，COMFi(PFi(t))表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，CBj(t)表示锂电池j在时段t内的寿命周期运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；h表示微网中可中断负荷的数量，Ilk(t)为0-1整数变量，为0 时表示可中断负荷k在t时段内切除，为1时表示可中断负荷k在时段t内运行，Clk表示可中断负荷k单位时段内的中断补偿金额，各可中断负荷的中断补偿价格因负荷的重要程度而异，Plk(t)表示可中断负荷k在时段t内的功率大小，Δt表示单位时间段，本发明中取为1小时；IPgrid(t)与ISgrid(t)为0-1 整数变量，其组合表示微电网向大电网购售电情况；CP(t)表示t时段购电价， CS(t)表示t时段售电价，考虑售电和购电价格各分为峰谷平3个时段；PPgrid(t) 表示t时段购电功率，PSgrid(t)表示t时段售电功率；CCV(PCV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本。
(6)为保证微网的安全可靠运行，微网中各单元在每个时段中均需满足下述的等式约束或不等式约束条件，包括：
a.交直流混合微电网中直流区域功率平衡等式约束：
Figure BDA0002042446540000051
其中，PPV(t)表示日前预测在时段t内光伏发出的功率，Pldc(t)表示日前预测在时段t内的直流重要负荷功率，Pli(t)表示锂电池在时段t内输出的功率。
b.交直流混合微电网中交流区域功率平衡等式约束：
PWT(t)+Pgrid(t)+PCV(t)＝Plac(t)
其中，PWT(t)表示日前预测在时段t内风机发出的功率，Plac(t)表示日前预测在时段t内的交流重要负荷功率，Pgrid(t)表示联络线在时段t内交互功率。
c.燃料电池应满足t时段输出功率在一定范围：
PFCmin≤PFi(t)≤PFCmax
其中，PFCmax与PFCmin分别表示t时段内燃料电池输出功率的上下限。
d.锂电池运行约束：
荷电状态(State of Charge,SOC)，表示锂电池剩余容量与它满充电状态时容量比值的百分数。锂电池荷电状态SOC(t)在t时段内的表达式如下式所示：
Figure BDA0002042446540000061
其中，ELB(t)表示在t时段内锂电池的剩余容量。
锂电池荷电状态约束为：
SOCmin≤SOC(t)≤SOCmax
其中，SOCmax与SOCmin分别表示荷电状态的上下限。
在t时段时锂电池的剩余容量ELB(t)可表示为：
Figure BDA0002042446540000062
其中，γ表示锂电池的充放电效率，ELB(0)表示锂电池初始剩余容量。
为了方便日前周期性调度，锂电池每日的始末剩余容量或荷电状态需保持一致：
ELB(0)＝ELB(24)
同一时段t内，锂电池或者处于充电状态，或者处于放电状态，故其运行状态需满足如下约束：
Ich(t)+Idis(t)≤1
此外，每时段t内锂电池考虑实时运行状态的充放电功率需满足下式约束:
Figure BDA0002042446540000071
0≤Pdis(t)≤min{Pdismax,γ[ELB(t-1)-SOCminELB]}
其中Pchmax与Pdismax分别表示锂电池充放电功率限值。
e.联络线交互功率约束：
同一时段t内，或者处于购电状态，或者处于售电状态，故联络线交互功率需满足下式约束：
IPgrid(t)+ISgrid(t)≤1
此外，每时段t内需满***互功率上下限约束如下：
PPgridmin≤PPgrid(t)≤PPgridmax
PSgridmin≤PSgrid(t)≤PSgridmax
f.可中断负荷约束：
各可中断负荷根据其重要程度不同，有着不同的每日最大中断时长，其一天内可中断时长约束如下：
Figure BDA0002042446540000072
其中，Tlk表示可中断负荷k在一天内可中断最大时长。
g.双向AC/DC变换器约束：
Figure BDA0002042446540000073
其中：
Figure BDA0002042446540000074
和
Figure BDA0002042446540000075
表示换流器交互功率上下限。
(7)根据步骤(5)的目标函数，以及步骤(6)的约束条件，通过MATLAB 的yalmip软件模块求解出：未来一天各时段可中断负荷运行状态、联络线交互功率、燃料电池发电功率、锂电池充放电功率、锂电池SOC值、双向AC/DC变换器交互功率；日前调度***运行总成本。
所述日内预调度阶段包括下述内容：
(1)以15分钟作为单位时段，将全天分为96个时段；
(2)模拟生成日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况；
(3)将模拟生成的日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况与日前调度数据合并作为神经网络输入样本；
(4)在日内预调度阶段，可中断负荷和联络线调度计划执行日前调度计划；
(5)日内预调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本等，表达式如下所示：
Figure BDA0002042446540000181
其中，n表示微网中燃料电池数量，PS-Fi(t)表示燃料电池i在时段t内发出的功率，CS-Fi(PS-Fi(t))表示燃料电池i在时段t内的运行成本，CS-OMFi(PS-Fi(t)) 表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，CS-Bj(t) 表示锂电池j在时段t内的寿命周期运行成本，CS-OMBj(t)表示锂电池j在时段t内的维护成本；Δt表示单位时间段，本发明中在日内预调度阶段取为 0.25小时；CS-CV(PS-CV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本。
(6)为保障微电网安全可靠运行，在日内预调度阶段微电网中各单元满足约束条件与日前调度阶段相同；
(7)根据步骤(5)的目标函数，以及步骤(6)的约束条件，通过MATLAB 的yalmip软件模块求解出日内预调度阶段：燃料电池模拟发电功率、锂电池模拟充放电功率、锂电池模拟SOC值、双向AC/DC变换器模拟交互功率；日内预调度***运行总成本等，将求解出的燃料电池模拟发电功率、锂电池模拟充放电功率作为神经网络的输出样本；
(8)重复(2)～(7)步骤增加输入样本和输出样本，训练神经网络得到日内调度模型。
3.日内调度阶段
(1)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；
(2)超短期预测日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况；
(3)将下一时刻超短期预测数据与日前调度计划输入到日内调度模型中，得到燃料电池发电功率、锂电池充放电功率作为下一时刻调度值。
本发明解决了现有研究对交直流混合微电网运行状态考虑不全面、对交直流混合微电网分布式电源与负荷预测存在误差、对交直流混合微电网难以实现日内经济调度等问题。
本发明具有的下述有益效果：
(1)在日前调度阶段，考虑峰、谷、平各时段电价，考虑交流区域平衡和直流区域平衡，根据日前风机、日前光伏、交流重要负荷与直流重要负荷预测，以包含锂电池和燃料电池的运行维护成本、可中断负荷的中断补偿、从大电网购售电价格等总运行成本为目标函数进行微网内分布式电源功率优化分配，对微网运行状态的处理更加全面；
(2)本发明在传统多时间尺度优化调度方案中增加日内预调度阶段，通过模拟日内风机、光伏、交流重要负荷与直流重要负荷的波动情况，进行模拟调度。并将日内风机、光伏、交流重要负荷与直流重要负荷的波动和日前计划作为输入样本，模拟调度的调度结果作为输出样本，训练神经网络作为日内调度模型，便于日内调度处理不同情况的电源和负荷波动；
(3)本发明在日内调度阶段，通过超短期预测与日前调度结果输入到日内调度模型中，输出调度结果。日内调度模型可以在既满足日前调度计划的前提下，应对日前预测误差，实现微电网日内的经济调度。
附图说明
图1是本发明所涉及的交流微电网实验室***拓扑结构图；
图2是本发明所涉及的光伏日前预测曲线；
图3是本发明所涉及的光伏日内实际曲线；
图4是本发明所涉及的风机日前预测曲线；
图5是本发明所涉及的风机日内实际曲线；
图6是本发明所涉及的交流重要负荷日前预测曲线；
图7是本发明所涉及的交流重要负荷日内实际曲线；
图8是本发明所涉及的直流重要负荷日前预测曲线；
图9是本发明所涉及的直流重要负荷日内实际曲线；
图10是本发明所涉及的日前可中断负荷运行曲线；
图11是本发明所涉及的日前规划的锂电池SOC值、日内调度的锂电池SOC值和日后验证的锂电池SOC值曲线；
图12是本发明所涉及的日内交流区域联络线交互功率、风机输出功率、双向AC/DC变换器换流功率和交流区域负荷曲线；
图13是本发明所涉及的日内直流区域联络线交互功率、光伏输出功率、双向AC/DC变换器换流功率、燃料电池输出功率、锂电池输出功率和直流区域负荷曲线；
图14是本发明所涉及的考虑预测误差的交直流混合微电网经济调度策略流程图。
具体实施方式
如图1所示，微电网实验室交流母线通过静态开关与大电网相连，380V 交流母线与风机和交流重要负荷相连，交流母线通过双向AC/DC变化器与直流母线相连，直流母线与光伏、燃料电池、锂电池、直流重要负荷和可中断负荷相连；在实施例中，燃料电池选择天然气燃料电池计算，其额定功率为3kW，燃气价格为1.81元/m3，燃气低热值取9.7，燃料电池效率取 40％，燃料电池维护成本系数取0.1元/kWh；锂电池容量为50Ah，最大充放电功率限值为25kW，运行维护成本系数为0.0832元/kWh，初期投资成本为30000元；双向AC/DC变换器的损耗成本系数为0.4元/kWh，工作效率为95％，功率限值为15kW；联络线交互功率限值为5kW，峰谷平时段划分及购售电价见表1；可中断负荷数据见表2；
表1峰谷平时段购售电价
Figure BDA0002042446540000111
Figure BDA0002042446540000121
表2可中断负荷数据
Figure BDA0002042446540000122
2.日前调度阶段：
(1)日前调度过程中，按小时分段，将1天分为24时段，假设每一时段中各分布式单元的功率输出与吸收为定值；
(2)预测未来一天各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流重要负荷波动情况，图2为日前预测光伏输出功率曲线，图4 日前预测风机输出功率曲线，图6为日前预测交流重要负荷需求曲线，图8 为日前预测直流重要负荷需求曲线，图10为4种不同的可中断负荷日前调度运行曲线；
(3)查询锂电池的最大容量和初始状态SOC值，实施例中取最大容量为 26kWh，初始状态SOC值为0.6；
(4)分布式电源数学模型的建立：
a.燃料电池的运行维护成本
燃料电池的发电成本与燃气的价格CFC、燃气的低热值LHVFC、燃料电池的效率ηFC有关，其运行成本可表示为：
Figure BDA0002042446540000123
燃料电池的维护成本与燃料电池发电功率成正比，其维护成本可表示为：
COMFi(PFi(t))＝KOMFCPFi(t)Δt
其中，KOMFC表示燃料电池维护成本系数。
b.锂电池的运行维护成本
放电深度(Depth of Discharge,DOD)指锂电池在运行过程中，电池放出的能量占其额定容量的百分比。放电深度与锂电池的寿命有很大关系，锂电池放电深度越深，则运行寿命越短，因而在锂电池使用过程中，应尽量避免深度充放电。本发明中将充电损耗和放电损耗按近似相同考虑，得放电深度计算如下式所示：
Figure BDA0002042446540000131
其中，Ich(t)为0-1整数变量，取1时表示锂电池在t时段处于充电状态； Idis(t)为0-1整数变量，取1时表示锂电池在t时段处于放电状态；Pch(t)表示 t时段内锂电池充电功率，Pdis(t)表示t时段内锂电池放电功率；Dod(t)表示锂电池在t时段的放电深度，ELB表示锂电池额定容量。
有关学者采用雨流(Rain Flow)计数法统计出锂电池的运行寿命与放电深度之间的关系，并将其拟合成如下公式：
Nlife(t)＝-3278Dod(t)4-5Dod(t)3+12823Dod(t)2-14122Dod(t)+5112
其中，Nlife(t)表示t时段锂电池在放电深度Dod(t)下的循环寿命。
考虑锂电池循环寿命的运行成本函数如下式所示：
Figure BDA0002042446540000132
其中，CB(t)表示t时段内锂电池的运行成本，Cinv表示锂电池的初始投资费用。该式既可以较准确定量估算锂电池的运行成本，也自然将锂电池运行寿命损耗归于目标函数中，完成多目标向单目标的转化，减少计算复杂度。
锂电池的维护成本与锂电池的充放电功率的绝对值成正比，如下式所示：
COMB(t)＝KOMB|Ich(t)Pch(t)+Idis(t)Pdis(t)|Δt
其中，COMB(t)表示t时段内锂电池的维护成本，KOMB表示锂电池的维护成本系数。
c.双向AC/DC变换器的运行和维护成本
Figure BDA0002042446540000141
其中：CCV表示双向AC/DC变换器成本；PCV(t)表示时段t内双向AC/DC 变换器功率；mCV-loss表示折算到双向AC/DC变换器运行功率下的换流损耗成本系数；gCV-loss表示双向AC/DC变换器的损耗成本系数；ηCV表示双向 AC/DC变换器的变换效率。
(5)在日前调度阶段建立的优化模型包括微网总运行成本最低目标函数和分布式电源约束条件；
(6)日前调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本、分时段购售电和可中断负荷的中断补偿等，表达式如下所示：
Figure BDA0002042446540000142
其中，n表示微网中燃料电池数量，PFi(t)表示燃料电池i在时段t内发出的功率，CFi(PFi(t))表示燃料电池i在时段t内的运行成本，COMFi(PFi(t))表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，CBj(t)表示锂电池j在时段t内的寿命周期运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；h表示微网中可中断负荷的数量，Ilk(t)为0-1整数变量，为0 时表示可中断负荷k在t时段内切除，为1时表示可中断负荷k在时段t内运行，Clk表示可中断负荷k单位时段内的中断补偿金额，各可中断负荷的中断补偿价格因负荷的重要程度而异，Plk(t)表示可中断负荷k在时段t内的功率大小，Δt表示单位时间段，本发明中取为1小时；IPgrid(t)与ISgrid(t)为0-1 整数变量，其组合表示微电网向大电网购售电情况；CP(t)表示t时段购电价， CS(t)表示t时段售电价，考虑售电和购电价格各分为峰谷平3个时段；PPgrid(t) 表示t时段购电功率，PSgrid(t)表示t时段售电功率；CCV(PCV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本。
(7)为保证微网的安全可靠运行，微网中各单元在每个时段中均需满足一定的等式约束或不等式约束条件，包括：
a.交直流混合微电网中直流区域功率平衡等式约束：
Figure BDA0002042446540000151
其中，PPV(t)表示日前预测在时段t内光伏发出的功率，Pldc(t)表示日前预测在时段t内的直流重要负荷功率，Pli(t)表示锂电池在时段t内输出的功率。
b.交直流混合微电网中交流区域功率平衡等式约束：
PWT(t)+Pgrid(t)+PCV(t)＝Plac(t)
其中，PWT(t)表示日前预测在时段t内风机发出的功率，Plac(t)表示日前预测在时段t内的交流重要负荷功率，Pgrid(t)表示联络线在时段t内交互功率。
c.燃料电池应满足t时段输出功率在一定范围：
PFCmin≤PFi(t)≤PFCmax
其中，PFCmax与PFCmin分别表示t时段内燃料电池输出功率的上下限。
d.锂电池运行约束：
荷电状态(State of Charge,SOC)，表示锂电池剩余容量与它满充电状态时容量比值的百分数。锂电池荷电状态SOC(t)在t时段内的表达式如下式所示：
Figure BDA0002042446540000161
其中，ELB(t)表示在t时段内锂电池的剩余容量。
锂电池荷电状态约束为：
SOCmin≤SOC(t)≤SOCmax
其中，SOCmax与SOCmin分别表示荷电状态的上下限。
在t时段时锂电池的剩余容量ELB(t)可表示为：
Figure BDA0002042446540000162
其中，γ表示锂电池的充放电效率，ELB(0)表示锂电池初始剩余容量。
为了方便日前周期性调度，锂电池每日的始末剩余容量或荷电状态需保持一致：
ELB(0)＝ELB(24)
同一时段t内，锂电池或者处于充电状态，或者处于放电状态，故其运行状态需满足如下约束：
Ich(t)+Idis(t)≤1
此外，每时段t内锂电池考虑实时运行状态的充放电功率需满足下式约束:
Figure BDA0002042446540000171
0≤Pdis(t)≤min{Pdismax,γ[ELB(t-1)-SOCminELB]}
其中Pchmax与Pdismax分别表示锂电池充放电功率限值。
e.联络线交互功率约束：
同一时段t内，或者处于购电状态，或者处于售电状态，故联络线交互功率需满足下式约束：
IPgrid(t)+ISgrid(t)≤1
此外，每时段t内需满***互功率上下限约束如下：
PPgridmin≤PPgrid(t)≤PPgridmax
PSgridmin≤PSgrid(t)≤PSgridmax
f.可中断负荷约束：
各可中断负荷根据其重要程度不同，有着不同的每日最大中断时长，其一天内可中断时长约束如下：
Figure BDA0002042446540000172
其中，Tlk表示可中断负荷k在一天内可中断最大时长。
g.双向AC/DC变换器约束：
Figure BDA0002042446540000173
其中：
Figure BDA0002042446540000174
和
Figure BDA0002042446540000175
表示换流器交互功率上下限。
(8)根据建立的模型求解出：未来一天各时段可中断负荷运行状态、联络线交互功率、燃料电池发电功率、锂电池充放电功率、锂电池SOC值，分别见图5、图6和图7；日前调度预测出的***运行总成本为62.44元/天；
3.日内预调度阶段：
(1)日内预调度计划中，以15分钟作为单位时段，将全天分为96个时段；
(2)模拟生成本日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流重要负荷波动情况；
(3)将模拟生成的日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况与日前调度数据合并作为神经网络输入样本；
(4)在日内预调度阶段，可中断负荷和联络线调度计划执行日前调度计划；
(5)日内预调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本等，表达式如下所示：
Figure BDA0002042446540000181
其中，n表示微网中燃料电池数量，PS-Fi(t)表示燃料电池i在时段t内发出的功率，CS-Fi(PS-Fi(t))表示燃料电池i在时段t内的运行成本，CS-OMFi(PS-Fi(t)) 表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，CS-Bj(t) 表示锂电池j在时段t内的寿命周期运行成本，CS-OMBj(t)表示锂电池j在时段t内的维护成本；Δt表示单位时间段，本发明中在日内预调度阶段取为 0.25小时；CS-CV(PS-CV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本。
(6)为保障微电网安全可靠运行，在日内预调度阶段微电网中各单元满足约束条件与日前调度阶段相同；
(7)根据步骤(5)的目标函数，步骤(6)的约束条件，通过MATLAB的 yalmip软件模块求解出日内预调度阶段：燃料电池模拟发电功率、锂电池模拟充放电功率、锂电池模拟SOC值、双向AC/DC变换器模拟交互功率；日内预调度***运行总成本等，将求解出的燃料电池模拟发电功率、锂电池模拟充放电功率作为神经网络的输出样本；
a.在日内预调度阶段，神经网络训练样本中的输入数据为：
Figure BDA0002042446540000191
式中：ΔPS-PV(t)表示时段t内预调度阶段模拟光伏功率与日前预测光伏功率差额；ΔPS-WT(t)表示时段t内预调度阶段模拟风机功率与日前预测风机功率差额；ΔPS-lac(t)表示时段t内预调度阶段模拟交流重要负荷功率与日前预测交流重要负荷功率差额；ΔPS-ldc(t)表示时段t内预调度阶段模拟直流重要负荷功率与日前预测直流重要负荷功率差额。
输入样本为：
Ninput(t)＝[t,ΔPS-PV(t),ΔPS-WT(t),ΔPS-lac(t),ΔPS-ldc(t),PF1(t),…,PFi(t),PL1(t),…,PLj(t),Pgrid(t),PCV(t)]
式中：Ninput(t)表示时段t内神经网络模拟输入样本。
b.输出样本为：
Noutput(t)＝[PS-F1(t),…,PS-Fi(t),PS-L1(t),…,PS-Lj(t)]
式中：Noutput(t)表示表示时段t内神经网络输出样本。
(8)重复(2)～(7)步骤增加输入样本和输出样本，训练神经网络得到日内调度模型。
3.日内调度阶段
(1)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；
(2)超短期预测日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况；
各分布式单元的日前预测与日内实际运行数据差值为：
Figure BDA0002042446540000201
式中：ΔPD-PV(t)表示时段t内日内预测光伏功率与日前预测光伏功率的差额；ΔPD-WT(t)表示时段t内日内预测风机功率与日前预测风机功率的差额；ΔPD-lac(t)表示时段t内日内预测交流重要负荷功率与日前预测交流重要负荷功率的差额；ΔPD-ldc(t)表示时段t内日内预测直流重要负荷功率与日前预测直流重要负荷功率的差额。
(3)将下一时刻超短期预测数据与日前调度计划输入到日内调度模型中，得到燃料电池发电功率、锂电池充放电功率作为下一时刻调度值。
神经网络的输入数据为：
ND-input(t)＝[t,ΔPD-PV(t),ΔPD-WT(t),ΔPD-lac(t),ΔPD-ldc(t),PF1(t),…,PFi(t),PL1(t),…,PLj(t),Pgrid(t),PCV(t)]
式中：ND-input(t)表示时段t内神经网络实时输入数据。
神经网络的输出数据为：
ND-output(t)＝[PD-F1(t),…,PD-Fi(t),PD-L1(t),…,PD-Lj(t)]
式中：ND-output(t)表示表示时段t内神经网络输出数据；PD-Fi(t)表示燃料电池i在时段t内日内实际输出功率；PD-Lj(t)表示锂电池j在时段t内日内实际输出功率。
日内调度结果如图12图13所示，日内调度成本为64.00元。
(4)增加日后调度验证日内调度的经济性，收集日内全天数据，在日后阶段重新规划。日后调度成本为63.99元。

Claims (1)

1.一种考虑预测误差的交直流混合微电网经济调度方法，其特征在于，包括日前调度阶段、日内预调度阶段、日内调度阶段；
所述日前调度阶段包括下述步骤：
(1)日前调度过程中，按小时分段，将1天分为24时段，假设每一时段中各分布式单元的功率输出与吸收为定值；
(2)预测未来一天各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流重要负荷波动情况；
(3)查询锂电池的最大容量和初始状态SOC值，实施例中取最大容量为26kWh，初始状态SOC值为0.6；
(4)分布式电源数学模型的建立：
A.燃料电池的运行维护成本
燃料电池的发电成本与燃气的价格CFC、燃气的低热值LHVFC、燃料电池的效率ηFC有关，其运行成本表示为：
Figure FDA0003888293710000011
燃料电池的维护成本与燃料电池发电功率成正比，其维护成本表示为：
COMFi(PFi(t))＝KOMFCPFi(t)Δt
其中，KOMFC表示燃料电池维护成本系数；
B.锂电池的运行维护成本
将充电损耗和放电损耗按近似相同考虑，得放电深度计算如下式所示：
Figure FDA0003888293710000021
其中，Ich(t)为0-1整数变量，取1时表示锂电池在t时段处于充电状态；Idis(t)为0-1整数变量，取1时表示锂电池在t时段处于放电状态；Pch(t)表示t时段内锂电池充电功率，Pdis(t)表示t时段内锂电池放电功率；Dod(t)表示锂电池在t时段的放电深度，ELB表示锂电池额定容量；
采用雨流计数法统计出锂电池的运行寿命与放电深度之间的关系，并将其拟合成如下公式：
Nlife(t)＝-3278Dod(t)4-5Dod(t)3+12823Dod(t)2-14122Dod(t)+5112
其中，Nlife(t)表示t时段锂电池在放电深度Dod(t)下的循环寿命；
考虑锂电池循环寿命的运行成本函数如下式所示：
Figure FDA0003888293710000022
其中，CB(t)表示t时段内锂电池的运行成本，Cinv表示锂电池的初始投资费用；
锂电池的维护成本与锂电池的充放电功率的绝对值成正比，如下式所示：
COMB(t)＝KOMB|Ich(t)Pch(t)+Idis(t)Pdis(t)|Δt
其中，COMB(t)表示t时段内锂电池的维护成本，KOMB表示锂电池的维护成本系数；
C.双向AC/DC变换器的运行和维护成本
Figure FDA0003888293710000023
其中：CCV表示双向AC/DC变换器成本；PCV(t)表示时段t内双向AC/DC变换器功率；mCV-loss表示折算到双向AC/DC变换器运行功率下的换流损耗成本系数；gCV-loss表示双向AC/DC变换器的损耗成本系数；ηCV表示双向AC/DC变换器的变换效率；
(5)在日前调度阶段建立的优化模型包括微网总运行成本最低目标函数和分布式电源约束条件；
(6)日前调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本、分时段购售电和可中断负荷的中断补偿，表达式如下所示：
Figure FDA0003888293710000031
其中，n表示微网中燃料电池数量，PFi(t)表示燃料电池i在时段t内发出的功率，CFi(PFi(t))表示燃料电池i在时段t内的运行成本，COMFi(PFi(t))表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，CBj(t)表示锂电池j在时段t内的寿命周期运行成本，COMBj(t)表示锂电池j在时段t内的维护成本；h表示微网中可中断负荷的数量，Ilk(t)为0-1整数变量，为0时表示可中断负荷k在t时段内切除，为1时表示可中断负荷k在时段t内运行，Clk表示可中断负荷k单位时段内的中断补偿金额，各可中断负荷的中断补偿价格因负荷的重要程度而异，Plk(t)表示可中断负荷k在时段t内的功率大小，Δt表示单位时间段，本发明中取为1小时；IPgrid(t)与ISgrid(t)为0-1整数变量，其组合表示微电网向大电网购售电情况；CP(t)表示t时段购电价，CS(t)表示t时段售电价，考虑售电和购电价格各分为峰谷平3个时段；PPgrid(t)表示t时段购电功率，PSgrid(t)表示t时段售电功率；CCV(PCV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本；
(7)为保证微网的安全可靠运行，微网中各单元在每个时段中均需满足一定的等式约束或不等式约束条件，包括：
a.交直流混合微电网中直流区域功率平衡等式约束：
Figure FDA0003888293710000041
其中，PPV(t)表示日前预测在时段t内光伏发出的功率，Pldc(t)表示日前预测在时段t内的直流重要负荷功率，Pli(t)表示锂电池在时段t内输出的功率；
b.交直流混合微电网中交流区域功率平衡等式约束：
PWT(t)+Pgrid(t)+PCV(t)＝Plac(t)
其中，PWT(t)表示日前预测在时段t内风机发出的功率，Plac(t)表示日前预测在时段t内的交流重要负荷功率，Pgrid(t)表示联络线在时段t内交互功率；
c.燃料电池应满足t时段输出功率在一定范围：
PFCmin≤PFi(t)≤PFCmax
其中，PFCmax与PFCmin分别表示t时段内燃料电池输出功率的上下限；
d.锂电池运行约束：
锂电池荷电状态SOC(t)在t时段内的表达式如下式所示：
Figure FDA0003888293710000042
其中，ELB(t)表示在t时段内锂电池的剩余容量；
锂电池荷电状态约束为：
SOCmin≤SOC(t)≤SOCmax
其中，SOCmax与SOCmin分别表示荷电状态的上下限；
在t时段时锂电池的剩余容量ELB(t)表示为：
Figure FDA0003888293710000051
其中，γ表示锂电池的充放电效率，ELB(0)表示锂电池初始剩余容量；
为了方便日前周期性调度，锂电池每日的始末剩余容量或荷电状态需保持一致：
ELB(0)＝ELB(24)
同一时段t内，锂电池或者处于充电状态，或者处于放电状态，故其运行状态需满足如下约束：
Ich(t)+Idis(t)≤1
此外，每时段t内锂电池考虑实时运行状态的充放电功率需满足下式约束:
Figure FDA0003888293710000052
0≤Pdis(t)≤min{Pdismax,γ[ELB(t-1)-SOCminELB]}
其中Pchmax与Pdismax分别表示锂电池充放电功率限值；
e.联络线交互功率约束：
同一时段t内，或者处于购电状态，或者处于售电状态，故联络线交互功率需满足下式约束：
IPgrid(t)+ISgrid(t)≤1
此外，每时段t内需满***互功率上下限约束如下：
PPgridmin≤PPgrid(t)≤PPgridmax
PSgridmin≤PSgrid(t)≤PSgridmax
f.可中断负荷约束：
各可中断负荷根据其重要程度不同，有着不同的每日最大中断时长，其一天内可中断时长约束如下：
Figure FDA0003888293710000061
其中，Tlk表示可中断负荷k在一天内可中断最大时长；
g.双向AC/DC变换器约束：
Figure FDA0003888293710000062
其中：
Figure FDA0003888293710000063
和
Figure FDA0003888293710000064
表示换流器交互功率上下限；
(8)根据建立的模型求解出：未来一天各时段可中断负荷运行状态、联络线交互功率、燃料电池发电功率、锂电池充放电功率、锂电池SOC值；
日内预调度阶段包括下述步骤：
(ⅰ)日内预调度计划中，以15分钟作为单位时段，将全天分为96个时段；
(ⅱ)模拟生成本日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流重要负荷波动情况；
(ⅲ)将模拟生成的日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况与日前调度数据合并作为神经网络输入样本；
(ⅳ)在日内预调度阶段，可中断负荷和联络线调度计划执行日前调度计划；
(ⅴ)日内预调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本，表达式如下所示：
Figure FDA0003888293710000071
其中，n表示微网中燃料电池数量，PS-Fi(t)表示燃料电池i在时段t内发出的功率，CS-Fi(PS-Fi(t))表示燃料电池i在时段t内的运行成本，CS-OMFi(PS-Fi(t))表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，CS-Bj(t)表示锂电池j在时段t内的寿命周期运行成本，CS-OMBj(t)表示锂电池j在时段t内的维护成本；Δt表示单位时间段，本发明中在日内预调度阶段取为0.25小时；CS-CV(PS-CV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本；
(ⅵ)为保障微电网安全可靠运行，在日内预调度阶段微电网中各单元满足约束条件与日前调度阶段相同；
(ⅶ)根据步骤(ⅴ)的目标函数，步骤(ⅵ)的约束条件，通过MATLAB的yalmip软件模块求解出日内预调度阶段：燃料电池模拟发电功率、锂电池模拟充放电功率、锂电池模拟SOC值、双向AC/DC变换器模拟交互功率；日内预调度***运行总成本，将求解出的燃料电池模拟发电功率、锂电池模拟充放电功率作为神经网络的输出样本；
在日内预调度阶段，神经网络训练样本中的输入数据为：
Figure FDA0003888293710000081
式中：ΔPS-PV(t)表示时段t内预调度阶段模拟光伏功率与日前预测光伏功率差额；ΔPS-WT(t)表示时段t内预调度阶段模拟风机功率与日前预测风机功率差额；ΔPS-lac(t)表示时段t内预调度阶段模拟交流重要负荷功率与日前预测交流重要负荷功率差额；ΔPS-ldc(t)表示时段t内预调度阶段模拟直流重要负荷功率与日前预测直流重要负荷功率差额；
输入样本为：
Ninput(t)＝[t,ΔPS-PV(t),ΔPS-WT(t),ΔPS-lac(t),ΔPS-ldc(t),PF1(t),…,PFi(t),PL1(t),…,PLj(t),Pgrid(t),PCV(t)]
式中：Ninput(t)表示时段t内神经网络模拟输入样本；
输出样本为：
Noutput(t)＝[PS-F1(t),…,PS-Fi(t),PS-L1(t),…,PS-Lj(t)]
式中：Noutput(t)表示时段t内神经网络输出样本；
(ⅷ)重复(ⅱ)～(ⅶ)步骤增加输入样本和输出样本，训练神经网络得到日内调度模型；
日内调度阶段包括下述步骤：
(Ⅰ)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；
(Ⅱ)超短期预测日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况；各分布式单元的日前预测与日内实际运行数据差值为：
Figure FDA0003888293710000091
式中：ΔPD-PV(t)表示时段t内日内预测光伏功率与日前预测光伏功率的差额；ΔPD-WT(t)表示时段t内日内预测风机功率与日前预测风机功率的差额；ΔPD-lac(t)表示时段t内日内预测交流重要负荷功率与日前预测交流重要负荷功率的差额；ΔPD-ldc(t)表示时段t内日内预测直流重要负荷功率与日前预测直流重要负荷功率的差额；
(Ⅲ)将下一时刻超短期预测数据与日前调度计划输入到日内调度模型中，得到燃料电池发电功率、锂电池充放电功率作为下一时刻调度值；
神经网络的输入数据为：
ND-input(t)＝[t,ΔPD-PV(t),ΔPD-WT(t),ΔPD-lac(t),ΔPD-ldc(t),PF1(t),…,PFi(t),PL1(t),…,PLj(t),Pgrid(t),PCV(t)]
式中：ND-input(t)表示时段t内神经网络实时输入数据；
神经网络的输出数据为：
ND-output(t)＝[PD-F1(t),…,PD-Fi(t),PD-L1(t),…,PD-Lj(t)]
式中：ND-output(t)表示时段t内神经网络输出数据；PD-Fi(t)表示燃料电池i在时段t内日内实际输出功率；PD-Lj(t)表示锂电池j在时段t内日内实际输出功率。
CN201910346544.6A 2019-04-26 2019-04-26 一种考虑预测误差的交直流混合微电网经济调度方法 Active CN109995091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910346544.6A CN109995091B (zh) 2019-04-26 2019-04-26 一种考虑预测误差的交直流混合微电网经济调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910346544.6A CN109995091B (zh) 2019-04-26 2019-04-26 一种考虑预测误差的交直流混合微电网经济调度方法

Publications (2)

Publication Number Publication Date
CN109995091A CN109995091A (zh) 2019-07-09
CN109995091B true CN109995091B (zh) 2022-11-29

Family

ID=67135332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910346544.6A Active CN109995091B (zh) 2019-04-26 2019-04-26 一种考虑预测误差的交直流混合微电网经济调度方法

Country Status (1)

Country Link
CN (1) CN109995091B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112398115B (zh) * 2019-08-14 2023-06-09 海南电网有限责任公司 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
CN110739684B (zh) * 2019-10-15 2023-04-07 上海电力大学 基于多时间尺度的多交直流混合微电网优化调度方法
CN111244952A (zh) * 2020-03-12 2020-06-05 珠海格力电器股份有限公司 复合供电***及其供电调控方法
CN111293725B (zh) * 2020-03-24 2023-07-21 安徽海螺新能源有限公司 一种光储结合稳定出力的光伏储能***的控制方法
CN111626527B (zh) * 2020-06-10 2023-02-03 太原理工大学 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
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
CN112086998B (zh) * 2020-08-20 2022-05-10 国网山西省电力公司电力科学研究院 孤岛模式下直流微电网的能量优化调度方法
CN112688328B (zh) * 2020-12-04 2024-02-13 国网江苏省电力有限公司连云港供电分公司 一种交直流混合微电网时间协调能量优化配置方法
CN114744632B (zh) * 2022-04-22 2024-01-23 国网江苏省电力有限公司电力科学研究院 一种含快充负荷的低压直流互联配电网调度方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2722960A1 (en) * 2011-06-17 2014-04-23 Hitachi, Ltd. Microgrid control system
CN104617590A (zh) * 2014-07-18 2015-05-13 国网上海市电力公司 不同时间尺度下基于混合储能调度的微网能量优化方法
CN106451553A (zh) * 2016-11-22 2017-02-22 安徽工程大学 一种多时间尺度的光伏微网区间优化调度方法
CN106651026A (zh) * 2016-12-20 2017-05-10 太原理工大学 多时间尺度微电网能量管理优化调度方法
CN108448632A (zh) * 2018-04-26 2018-08-24 东南大学 计及储能荷电状态循环的交直流微网日内滚动优化调度方法
CN109245176A (zh) * 2018-11-24 2019-01-18 太原理工大学 计及风险的含大规模风电的互联电网机组组合方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2010204729A1 (en) * 2009-01-14 2011-09-01 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
WO2013082698A1 (en) * 2011-12-05 2013-06-13 Hatch Ltd. System, method and controller for managing and controlling a micro-grid
US9846886B2 (en) * 2013-11-07 2017-12-19 Palo Alto Research Center Incorporated Strategic modeling for economic optimization of grid-tied energy assets
WO2017023852A1 (en) * 2015-07-31 2017-02-09 Exelon Generation Company, Llc Methods and systems for determining economic viability of a microgrid
CN109088442B (zh) * 2018-10-29 2021-12-14 国网山东省电力公司日照供电公司 多时间尺度下考虑多种储能的微能源网优化调度模型
CN109301853A (zh) * 2018-12-17 2019-02-01 国网江苏省电力公司经济技术研究院 一种平抑功率波动的微电网多时间尺度能量管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2722960A1 (en) * 2011-06-17 2014-04-23 Hitachi, Ltd. Microgrid control system
CN104617590A (zh) * 2014-07-18 2015-05-13 国网上海市电力公司 不同时间尺度下基于混合储能调度的微网能量优化方法
CN106451553A (zh) * 2016-11-22 2017-02-22 安徽工程大学 一种多时间尺度的光伏微网区间优化调度方法
CN106651026A (zh) * 2016-12-20 2017-05-10 太原理工大学 多时间尺度微电网能量管理优化调度方法
CN108448632A (zh) * 2018-04-26 2018-08-24 东南大学 计及储能荷电状态循环的交直流微网日内滚动优化调度方法
CN109245176A (zh) * 2018-11-24 2019-01-18 太原理工大学 计及风险的含大规模风电的互联电网机组组合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
交直流混合微电网关键技术及其示范工程;任春光等;《太原理工大学学报》;20170515;第48卷(第03期);第486-491页 *
多时间尺度协调控制的独立微网能量管理策略;郭思琪等;《电工技术学报》;20140226;第29卷(第02期);第122-129页 *
高可再生能源渗透率下考虑预测误差的微电网经济调度模型;赵波等;《电力***自动化》;20140410;第38卷(第07期);第1-8页 *

Also Published As

Publication number Publication date
CN109995091A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109995091B (zh) 一种考虑预测误差的交直流混合微电网经济调度方法
CN106651026B (zh) 多时间尺度微电网能量管理优化调度方法
CN109301818B (zh) 一种考虑调峰、调压需求的广域分布式储能***调度方法
CN102184475B (zh) 基于多时间尺度协调的微网经济运行优化调度方法
CN102289566B (zh) 独立运行模式下的微电网多时间尺度能量优化调度方法
CN103236718B (zh) 一种智能微网的源-网-荷自动控制***及控制方法
CN105071389B (zh) 计及源网荷互动的交直流混合微电网优化运行方法及装置
CN111293691A (zh) 基于模型预测控制的微电网多时间尺度优化调度方法
CN104362677A (zh) 一种主动配电网优化配置结构及其配置方法
CN111786422B (zh) 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
CN112598224A (zh) 一种园区综合能源***群与电网的互动博弈调度方法
CN105117797B (zh) 基于孤岛划分的微网日前经济最优调度方法
CN113285479A (zh) 一种超大容量的区域微电网***及运行方法
CN111293718B (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
Zhang et al. Grid-connected photovoltaic battery systems: A comprehensive review and perspectives
Zheng et al. Optimal short-term power dispatch scheduling for a wind farm with battery energy storage system
CN107134771B (zh) 一种基于经济效益评估的微网模式切换控制方法
CN112886624A (zh) 一种三站合一变电站储能装置规划设计***及方法
Bu et al. An integrated demand response dispatch strategy for low-carbon energy supply park considering electricity–hydrogen–carbon coordination
CN109119988B (zh) 基于动态批发市价的光伏-电池微电网能量调度管理方法
CN114938040B (zh) 源-网-荷-储交直流***综合优化调控方法和装置
Liu et al. Hierarchical optimal dispatching strategy for microgrid system considering user-side resources
Zhang et al. Optimal bidding strategy of PV-storage system in the electricity market
Kang et al. Day-ahead microgrid energy management optimization scheduling scheme
Luo et al. Multi-Objective Optimization Scheduling of Microgrids Based on Particle Swarm Optimization Algorithm

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
GR01 Patent grant
GR01 Patent grant