CN110212584A - 一种风电与大规模电动汽车协调优化的调度方法 - Google Patents
一种风电与大规模电动汽车协调优化的调度方法 Download PDFInfo
- Publication number
- CN110212584A CN110212584A CN201910570581.5A CN201910570581A CN110212584A CN 110212584 A CN110212584 A CN 110212584A CN 201910570581 A CN201910570581 A CN 201910570581A CN 110212584 A CN110212584 A CN 110212584A
- Authority
- CN
- China
- Prior art keywords
- electric car
- wind
- electricity generation
- powered electricity
- unit
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 29
- 230000005619 thermoelectricity Effects 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 3
- 238000003462 Bender reaction Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 108010074506 Transfer Factor Proteins 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009194 climbing Effects 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 claims description 2
- 238000012887 quadratic function Methods 0.000 claims description 2
- 238000009987 spinning Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000005553 drilling Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 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
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000108 ultra-filtration Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/50—Charging stations characterised by energy-storage or power-generation means
- B60L53/52—Wind-driven generators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
-
- H02J3/386—
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Transportation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种风电与大规模电动汽车协调优化的调度方法,包括以下步骤:1)构建风电与大规模电动汽车协调优化调度模型;2)在上层优化模型中,建立使传统发电机运行费用最小的优化模型;3)将考虑风电不确定性的鲁棒机组组合主问题分解为鲁棒机组组合主问题和风电不确定性校验子问题;4)在下层优化模型中,使每个时刻的电动汽车聚合商的调度计划应与其管辖的总的电动汽车的充放电计划相等并给出电动汽车充放电约束;5)电动汽车约束子问题接收考虑风电不确定性的鲁棒机组组合主问题传递来的优化解;6)进行求解获得风电、电动汽车、火电的调度方案。与现有技术相比,本发明具有快速可靠、适用性强、优化效果好等优点。
Description
技术领域
本发明涉及风电场和电动汽车调度技术领域,尤其是涉及一种风电与大规模电动汽车协调优化的调度方法。
背景技术
风力发电是发展最快、最有前途的可再生能源,在缓解能源危机、节能减排方面发挥了重要作用。然而,由于其随机性和间歇性,大规模风电的并网给电力***运行带来了诸多挑战,严重影响电力***的安全稳定运行。近年来,随着电动汽车的普及,为应对大规模风电并网带来的影响提供了新的思路,亟需对风电和电动汽车的协调调度深入研究。
目前,风车协调调度中对于如何处理风电出力的研究方面,通常采用概率模型来描述风电的不确定性,但是其在实际应用中还存在一些难题,比如计算量大和可靠性无法保证等问题。而鲁棒优化采用不确定集来描述不确定性参数,不要求获取变量的具体概率分布,较好地解决了该问题,近年来被应用于风电优化。但其在风车协调调度中较少应用,需要进一步研究。
在电动汽车参与风车协调调度中,考虑到大量的电动汽车参与调度,集中控制由于是单向控制无法满足用户的充电需求,难以提供可行的充电方案,而分散控制由于是自治容易缺少协调,因此分层框架更加可行,其结合了集中控制和分散控制的优点。然而,该方法的关键是如何协调不同的层次。因此,本文提出基于近似Benders算法的两层协调调度模型,将问题分解为两个层次:上层引入电动汽车聚合商来处理与火电和风电的约束问题,下层为大规模电动汽车优化问题,并用罚函数来协调这两个层次。
对于大规模电动汽车优化方面,文献提出了利用纳什均衡原理控制电动汽车使负荷的波动最小。文献中利用凸分析方法用于跟踪给定的负荷曲线来求解电动汽车充放电优化,但该方法用于大规模电动汽车时,会影响其适用性。可知,这些方法仅考虑了电动汽车间的协调,忽略了电动汽车与火电机组和风电的协调;另外当电动汽车数量众多时不适用。
因此,急需一种风电与大规模电动汽车协调优化的调度方法,既能够充分考虑风电场的空间集群效应和时间平滑效应,又能够考虑电动汽车接入电网的充放电作用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电与大规模电动汽车协调优化的调度方法。
本发明的目的可以通过以下技术方案来实现:
一种风电与大规模电动汽车协调优化的调度方法,包括以下步骤:
1)构建风电与大规模电动汽车协调优化调度模型,该模型包括上层优化模型-考虑风电不确定性的鲁棒机组组合主问题和下层优化模型-电动汽车约束子问题;
2)在上层优化模型中,建立使传统发电机运行费用最小的优化模型;
3)采用鲁棒优化算法将考虑风电不确定性的鲁棒机组组合主问题分解为鲁棒机组组合主问题和风电不确定性校验子问题;
4)在下层优化模型中,使每个时刻的电动汽车聚合商的调度计划应与其管辖的总的电动汽车的充放电计划相等并给出电动汽车充放电约束;
5)电动汽车约束子问题接收考虑风电不确定性的鲁棒机组组合主问题传递来的优化解,并降低求解规模;
6)利用近似Benders算法进行求解,获得风电、电动汽车、火电的调度方案。
所述的步骤2)中,使传统发电机运行费用最小的优化模型的目标函数为:
其中,F为发电成本和弃风惩罚成本之和,sui为***机组的启动费用,sdi为***机组的停机费用,zi,t和ui,t均为第一阶段的0/1变量,用以表示机组i的启停状态转变,若机组i在时段t由停机变为启动,则zi,t=1,否则zi,t=0,若机组i在时段t由运行变为停机,则ui,t=1,否则zi,t=0,fi,t(pi,t)为机组的运行成本二次函数,T为调度时段总数,N为机组总数;
约束条件包括:
A)最小开机时间约束:
其中,为机组i的最小开机时间,yi,t-1为基准状态下机组i在t-1时段的运行状态变量,yi,t为机组i在t时段的运行状态变量,yi,h为机组i在已经运行/停运时间内的运行状态变量,h为已经运行/停运时间;
B)最小停机时间约束:
其中,为机组i的最小停机时间;
C)机组状态与状态转换的逻辑约束:
-yi,t-1+yi,t-zi,t≤0
yi,t-1-yi,t-ui,t≤0
zi,t,ui,t,yi,t∈{0,1};
D)***备用约束:
其中,pb,t为t时段节点b处的负荷,r为旋转备用率,pi,max为机组i的最大出力值,ND为节点总数,xk,t分为xk,t>0和xk,t<0两种状态,分别表示聚合商k所管辖的电动汽车整体呈现出充电特性和放电特性,NK为聚合商总数;
E)机组出力约束:
yi,tpi,min≤pi,t≤yi,tpi,max;
其中,pi,min分别为机组i的最小出力值;
F)功率平衡约束:
其中,pi,t为机组i在t时段的出力,为基准状态下第j个风电场在t时刻的最优调度出力,NW为风电场总数,上标w表示风电;
G)机组爬坡约束:
pi,t-pi,t-1≤yi,tRUi+(1-yi,t-1)pi,max+pi,min(yi,t-yi,t-1)
pi,t-1-pi,t≤yi,tRDi+(1-yi,t-1)pi,max+pi,min(yi,t-1-yi,t)
其中,RUi和RDi分别为机组i的上、下爬坡率;
H)输电线路容量约束:
其中,分别为机组i、风电场j、节点b、聚合商k到线路l的功率转移因子,为线路最大的传输容量;
I)风电场的出力约束:
其中,为第j个风电场在t时刻的风电输出功率,为第j个风电场在t时刻的最优调度出力,W为风电空间和时间约束的不确定集;
J)风电出力鲁棒模型约束:
采用鲁棒优化描述风电出力,综合考虑风电场的空间集群效应和时间平滑效应构建风电鲁棒不确定集,具体如下:
其中,wj,t为第j个风电场在t时刻的期望出力,Δwj,t为风电输出功率与期望值的最大偏差量,为0/1变量,为风电输出功率的空间约束参数,为风电输出功率的时间约束参数;
K)电动汽车聚合商在各时段的调度约束:
xk,t,min≤xk,t≤xk,t,max
其中,xk,t,max,xk,t,min分别为聚合商k在时段t的调度最大值和最小值, 为聚合商k的第v辆电动汽车在时段t的最大充/放电功率,KV为电动汽车数量。
所述的步骤3)中,所述的鲁棒机组组合主问题的表达式为:
所述的步骤3)中,风电不确定性校验子问题表达为max-min问题,其表达式为:
约束条件为:
υ1,lt≥0
υ2t≥0
υ3t≥0
其中,υ1,lt,υ2,t,υ3,t分别为引入的松弛变量,为基准状态下机组i在t时段的出力,为基准状态下机组i在t时段的运行状态变量,为求解鲁棒机组组合主问题得到的机组i在t时段的运行状态变量,为考虑风电不确定性优化的风电出力,为考虑风电不确定性优化的机组出力,上标b表示基准状态,上标u表示考虑风电不确定的状态。
所述的步骤4)中,使下层优化模型中每个时刻的电动汽车聚合商的调度计划与其管辖的总的电动汽车的充放电计划相等,则有:
其中,pk,v,t为属于聚合商k的第v辆电动汽车在时段t的实际调度结果,为聚合商k的第v辆电动汽车在时段t的充电功率,为聚合商k的第v辆电动汽车在时段t的放电功率。
所述的步骤4)中,电动汽车充放电约束包括:
L)电动汽车聚合商在各时段的调度约束:
其中,Sk,v(t+1)和Sk,v(t)为聚合商k的第v辆电动汽车在t+1时段和t时段的电能,ηC和ηD分别为电动汽车的充电和放电效率,Sconsk,v(t)为t时段聚合商k第v辆电动汽车行驶耗能,Δt为时段持续时间;
M)电动汽车聚合商在各时段的调度约束:
Smin≤Sk,v(t+1)≤Smax
其中,Smax和Smin分别为电动汽车蓄电池电能的上下限;
N)电动汽车聚合商在各时段的调度约束:
其中,Xk,v,t为聚合商k的第v辆电动汽车t时段的充电状态,取值为1代表接入电网并处于充电状态,取值为0代表处于非充电状态,Yk,v,t为聚合商k的第v辆电动汽车t时段的放电状态,取值为1代表接入电网并处于放电状态,取值为0代表处于非放电状态;
O)电动汽车充放电的不同时约束:
Xk,v,t+Yk,v,t≤1。
所述的步骤5)中,电动汽车约束子问题的表达式为:
所述的步骤5)中,由于电动汽车数量规模大,电动汽车约束子问题直接求解难度高,运用辅助问题原理对电动汽车约束子问题进行求解,包括以下步骤:
51)遵循拉格朗日构造函数:
其中,ηk为引入的参数,且),λk,t为对偶变量,为第n次迭代时第k个代理商的第v辆电动汽车充放电功率,为求解得到的电动汽车聚合商的调度计划;
52)对单个电动汽车充放电功率求解:
521)在第n次迭代中,每辆电动汽车的充放电功率为初始化每辆电动汽车充放电功率
522)对每辆电动汽车计算得到一个新的充电控制计划使其通过下式满足电动汽车充放电约束:
523)计算迭代间隙,如果其小于给定的阈值,则停止迭代收敛,否则令n=n+1,并返回步骤522),迭代间隙e的计算式为:
所述的步骤6)具体包括以下步骤:
61)采用Benders算法求解鲁棒机组组合主问题,得到风电、火电以及电动汽车聚合商的调度方案,若其通过风电的不确定性检验,则传递给电动汽车约束子问题,否则,生成相应的Benders割添加到鲁棒机组组合主问题;
62)电动汽车聚合商接收制定的调度计划,并给电动汽车车主传递充放电控制计划;
63)运用辅助问题原理求解电动汽车约束子问题;当迭代间隙小于给定的阈值时,表明迭代收敛,得到电动汽车可行的充放电计划;
64)把电动汽车可行的充放电计划传递给聚合商进行检验,如果结果收敛,得到最优结果,否则,将生成的相应的近似Benders割添加到鲁棒机组组合主问题。
与现有技术相比,本发明具有以下优点:
一、快速可靠:本发明公开的求解方法能够快速可靠地获得决策变量的优化调度结果,有效提高计算效率。
二、增加模型的适用性:在考虑风电场时空关联约束的日前优化调度基础上考虑电动汽车充放电能够保证降低常规机组的运行成本和减少弃风量,增加了模型的适用性。
三、考虑风电的空间集群效应和时间平滑效应:考虑风电时间和空间约束的不确定集能够更加细致地描述风电的不确定性,进而获得了优化效果更好、更符合实际运行情况的调度方案。
附图说明
图1为加入风电场的IEEE39节点***图。
图2为不同运行模式下的弃风量对比图。
图3为误差随迭代次数的变化曲线示意图。
图4为总成本随电动汽车变化数量的变化趋势的示意图。
图5为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图5所示,本发明提出了一种风电与大规模电动汽车协调优化的调度方法,不仅能考虑每辆电动汽车的充放电约束,而且可以协调电动汽车与火电机组和风电的运行,降低了求解规模,具体包括以下步骤:
本发明首先建立了电动汽车与风电/火电协同调度的数学模型,该模型以传统发电机的运行成本最小为目标,同时满足多种火电机组、风电机组和电动汽车代理商的约束。
其次,在下层模型中,使得每个时刻的电动汽车聚合商的调度计划应该与其管辖的总的电动汽车的充放电计划相等。
然后,考虑风电-电动汽车协同调度优化模型为大规模、多约束、非线性的优化问题。为此,首先利用近似Benders算法将风电-电动汽车协同调度优化模型分解为考虑风电不确定性的鲁棒机组组合主问题(上层优化模型)和电动汽车约束子问题(下层优化模型),再利用Benders算法将考虑风电不确定性的鲁棒机组组合主问题分解为鲁棒机组组合主问题和风电不确定性校验子问题,电动汽车约束子问题接收传递过来的优化解,并利用辅助问题原理降低其求解规模。
实施例1:
下面具体结合一个包含1个风电场的IEEE39节点***进行详细分析,如图1所示。为了分析不同充电模式下的结果,分为三种模式进行分析。
模式1是无序充电运行模式,在这个情况下,没有任何控制方案,一旦电动汽车接入,电动汽车就会充电;
模式2是纯充电控制运行模式,即控制电动汽车的充电时间,不考虑电动汽车的反向放电;
模式3是V2G运行模式,即电动汽车可以从电网充电,也可以向电网放电。
为了研究3种充电模式下的风车协调调度***的运行成本和弃风量的变化,其优化结果表1和图2所示。由表1可以看出,相比于模式1,模式2可以降低***的燃料成本约1.9%,并降低总成本约2.1%,模式3利用V2G则可以进一步优化***运行,这是由于实行V2G技术后比常规机组具有更大的灵活性。另外,由图2可知,模式1的弃风量明显大于模式2和模式3,在负荷低谷时段(1~7h,16~18h,22~24h)模式2由于纯充电控制比模式3弃风量少,而在负荷高峰时段(8~15h,19~21h)两者都能全部消纳风电。虽然模式3弃风量比模式2略大,但V2G有助于常规机组高效运行,降低其运行成本。
表1不同运行模式下的优化结果对比
生产指标 | 模式1 | 模式2 | 模式3 |
燃料成本($) | 256467 | 251505 | 248332 |
启停成本($) | 2900 | 2680 | 2400 |
总成本($) | 259376 | 254185 | 250732 |
为证明本文所提风电鲁棒模型的有效性,将其与传统的随机优化方法进行计算结果对比分析,对比结果如表2所示。
表2 2种模型的结果比较
从表2可知,随着鲁棒保守度因子α的减小,鲁棒优化模型运行成本降低,弃风量也在减少,这是由于鲁棒保守度因子α越小,风电出力的不确定性越小。与随机优化相比,鲁棒保守度因子α=0.9,0.7时鲁棒优化模型运行成本和弃风量偏大,表明鲁棒优化模型较随机优化比较保守,而当鲁棒保守度因子α=0.5,0.3时鲁棒优化模型运行成本和弃风量偏低,表明鲁棒优化模型保守性已经弱于随机优化。
为了分析近似Benders算法的有效性,将其与传统的Benders分解法进行对比。由表3可知,采用近似Benders算法得到的发电成本比传统的Benders算法得到的发电成本略大,但近似Benders算法的迭代次数明显小于传统的Benders算法。此外,进一步对比两种算法的收敛曲线,如图3所示,传统的Benders分解算法的收敛过程比较缓慢并会出现一些小的振荡,而近似Benders算法的迭代收敛过程较为迅速可靠。因此,近似Benders算法不仅可以实现分层框架,还可以加快模型的收敛速度。
表3 2种算法的计算性能比较
计算方法 | 总成本/$ | 迭代次数 |
Benders算法 | 250629 | 31 |
近似Benders算法 | 250732 | 13 |
为了分析不同规模电动汽车数量对风-车协调调度模型调度决策的影响,其计算结果如图4所示。
由图4可知,随着电动汽车并网数量越来越多,相应的运行总成本也随之不断减小。可知,电动汽车参与调度确实可以有助于常规机组高效运行,降低其运行成本。然而,当电动汽车数量达到60000辆之后,相应的运行总成本反而增大,因为大规模电动汽车充电需求的不断增加,***需要为此牺牲一定的燃料费用。
为了验证基于辅助问题原理的电动汽车并行计算的有效性,将其与不使用辅助问题原理得到的优化结果进行对比,计算结果对比如表4所示。
表4是否使用辅助问题原理的对比
由表4可知,使用辅助问题原理计算时间明显小于不使用辅助问题原理,至少可缩短一个数量级,而且随着电动汽车数量的增加,辅助问题原理优化时间变化并不明显,这是因为采用辅助问题原理将大规模电动汽车求解问题解耦为单一电动汽车求解问题,通过并行计算降低了计算负担,大大提高了计算效率。因此,辅助问题原理对于求解大规模电动汽车具有明显的优势。
Claims (9)
1.一种风电与大规模电动汽车协调优化的调度方法,其特征在于,包括以下步骤:
1)构建风电与大规模电动汽车协调优化调度模型,该模型包括上层优化模型-考虑风电不确定性的鲁棒机组组合主问题和下层优化模型-电动汽车约束子问题;
2)在上层优化模型中,建立使传统发电机运行费用最小的优化模型;
3)采用鲁棒优化算法将考虑风电不确定性的鲁棒机组组合主问题分解为鲁棒机组组合主问题和风电不确定性校验子问题;
4)在下层优化模型中,使每个时刻的电动汽车聚合商的调度计划应与其管辖的总的电动汽车的充放电计划相等并给出电动汽车充放电约束;
5)电动汽车约束子问题接收考虑风电不确定性的鲁棒机组组合主问题传递来的优化解,并降低求解规模;
6)利用近似Benders算法进行求解,获得风电、电动汽车、火电的调度方案。
2.根据权利要求1所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤2)中,使传统发电机运行费用最小的优化模型的目标函数为:
其中,F为发电成本和弃风惩罚成本之和,sui为***机组的启动费用,sdi为***机组的停机费用,zi,t和ui,t均为第一阶段的0/1变量,用以表示机组i的启停状态转变,若机组i在时段t由停机变为启动,则zi,t=1,否则zi,t=0,若机组i在时段t由运行变为停机,则ui,t=1,否则zi,t=0,fi,t(pi,t)为机组的运行成本二次函数,T为调度时段总数,N为机组总数;
约束条件包括:
A)最小开机时间约束:
其中,为机组i的最小开机时间,yi,t-1为基准状态下机组i在t-1时段的运行状态变量,yi,t为机组i在t时段的运行状态变量,yi,h为机组i在已经运行/停运时间内的运行状态变量,h为已经运行/停运时间;
B)最小停机时间约束:
其中,为机组i的最小停机时间;
C)机组状态与状态转换的逻辑约束:
-yi,t-1+yi,t-zi,t≤0
yi,t-1-yi,t-ui,t≤0
zi,t,ui,t,yi,t∈{0,1};
D)***备用约束:
其中,pb,t为t时段节点b处的负荷,r为旋转备用率,pi,max为机组i的最大出力值,ND为节点总数,xk,t分为xk,t>0和xk,t<0两种状态,分别表示聚合商k所管辖的电动汽车整体呈现出充电特性和放电特性,NK为聚合商总数;
E)机组出力约束:
yi,tpi,min≤pi,t≤yi,tpi,max;
其中,pi,min分别为机组i的最小出力值;
F)功率平衡约束:
其中,pi,t为机组i在t时段的出力,为基准状态下第j个风电场在t时刻的最优调度出力,NW为风电场总数,上标w表示风电;
G)机组爬坡约束:
pi,t-pi,t-1≤yi,tRUi+(1-yi,t-1)pi,max+pi,min(yi,t-yi,t-1)
pi,t-1-pi,t≤yi,tRDi+(1-yi,t-1)pi,max+pi,min(yi,t-1-yi,t)
其中,RUi和RDi分别为机组i的上、下爬坡率;
H)输电线路容量约束:
其中,分别为机组i、风电场j、节点b、聚合商k到线路l的功率转移因子,为线路最大的传输容量;
I)风电场的出力约束:
其中,为第j个风电场在t时刻的风电输出功率,为第j个风电场在t时刻的最优调度出力,W为风电空间和时间约束的不确定集;
J)风电出力鲁棒模型约束:
采用鲁棒优化描述风电出力,综合考虑风电场的空间集群效应和时间平滑效应构建风电鲁棒不确定集,具体如下:
其中,wj,t为第j个风电场在t时刻的期望出力,Δwj,t为风电输出功率与期望值的最大偏差量,为0/1变量,为风电输出功率的空间约束参数,为风电输出功率的时间约束参数;
K)电动汽车聚合商在各时段的调度约束:
xk,t,min≤xk,t≤xk,t,max
其中,xk,t,max,xk,t,min分别为聚合商k在时段t的调度最大值和最小值, 为聚合商k的第v辆电动汽车在时段t的最大充/放电功率,KV为电动汽车数量。
3.根据权利要求2所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤3)中,所述的鲁棒机组组合主问题的表达式为:
4.根据权利要求2所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤3)中,风电不确定性校验子问题表达为max-min问题,其表达式为:
约束条件为:
υ1,lt≥0
υ2t≥0
υ3t≥0
其中,υ1,lt,υ2,t,υ3,t分别为引入的松弛变量,为基准状态下机组i在t时段的出力,为基准状态下机组i在t时段的运行状态变量,为求解鲁棒机组组合主问题得到的机组i在t时段的运行状态变量,为考虑风电不确定性优化的风电出力,为考虑风电不确定性优化的机组出力,上标b表示基准状态,上标u表示考虑风电不确定的状态。
5.根据权利要求2所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤4)中,使下层优化模型中每个时刻的电动汽车聚合商的调度计划与其管辖的总的电动汽车的充放电计划相等,则有:
其中,pk,v,t为属于聚合商k的第v辆电动汽车在时段t的实际调度结果,为聚合商k的第v辆电动汽车在时段t的充电功率,为聚合商k的第v辆电动汽车在时段t的放电功率。
6.根据权利要求5所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤4)中,电动汽车充放电约束包括:
L)电动汽车聚合商在各时段的调度约束:
其中,Sk,v(t+1)和Sk,v(t)为聚合商k的第v辆电动汽车在t+1时段和t时段的电能,ηC和ηD分别为电动汽车的充电和放电效率,Sconsk,v(t)为t时段聚合商k第v辆电动汽车行驶耗能,Δt为时段持续时间;
M)电动汽车聚合商在各时段的调度约束:
Smin≤Sk,v(t+1)≤Smax
其中,Smax和Smin分别为电动汽车蓄电池电能的上下限;
N)电动汽车聚合商在各时段的调度约束:
其中,Xk,v,t为聚合商k的第v辆电动汽车t时段的充电状态,取值为1代表接入电网并处于充电状态,取值为0代表处于非充电状态,Yk,v,t为聚合商k的第v辆电动汽车t时段的放电状态,取值为1代表接入电网并处于放电状态,取值为0代表处于非放电状态;
O)电动汽车充放电的不同时约束:
Xk,v,t+Yk,v,t≤1。
7.根据权利要求5所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤5)中,电动汽车约束子问题的表达式为:
8.根据权利要求7所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤5)中,由于电动汽车数量规模大,电动汽车约束子问题直接求解难度高,运用辅助问题原理对电动汽车约束子问题进行求解,包括以下步骤:
51)遵循拉格朗日构造函数:
其中,ηk为引入的参数,且λk,t为对偶变量,为第n次迭代时第k个代理商的第v辆电动汽车充放电功率,为求解得到的电动汽车聚合商的调度计划;
52)对单个电动汽车充放电功率求解:
521)在第n次迭代中,每辆电动汽车的充放电功率为初始化每辆电动汽车充放电功率
522)对每辆电动汽车计算得到一个新的充电控制计划使其通过下式满足电动汽车充放电约束:
523)计算迭代间隙,如果其小于给定的阈值,则停止迭代收敛,否则令n=n+1,并返回步骤522),迭代间隙e的计算式为:
9.根据权利要求1所述的一种风电与大规模电动汽车协调优化的调度方法,其特征在于,所述的步骤6)具体包括以下步骤:
61)采用Benders算法求解鲁棒机组组合主问题,得到风电、火电以及电动汽车聚合商的调度方案,若其通过风电的不确定性检验,则传递给电动汽车约束子问题,否则,生成相应的Benders割添加到鲁棒机组组合主问题;
62)电动汽车聚合商接收制定的调度计划,并给电动汽车车主传递充放电控制计划;
63)运用辅助问题原理求解电动汽车约束子问题;当迭代间隙小于给定的阈值时,表明迭代收敛,得到电动汽车可行的充放电计划;
64)把电动汽车可行的充放电计划传递给聚合商进行检验,如果结果收敛,得到最优结果,否则,将生成的相应的近似Benders割添加到鲁棒机组组合主问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570581.5A CN110212584B (zh) | 2019-06-27 | 2019-06-27 | 一种风电与大规模电动汽车协调优化的调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570581.5A CN110212584B (zh) | 2019-06-27 | 2019-06-27 | 一种风电与大规模电动汽车协调优化的调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110212584A true CN110212584A (zh) | 2019-09-06 |
CN110212584B CN110212584B (zh) | 2021-04-30 |
Family
ID=67795196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910570581.5A Active CN110212584B (zh) | 2019-06-27 | 2019-06-27 | 一种风电与大规模电动汽车协调优化的调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110212584B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475909A (zh) * | 2019-10-28 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
CN111798038A (zh) * | 2020-06-11 | 2020-10-20 | 东南大学 | 基于Logic-Benders分解算法的电动汽车有序充电优化调度方法 |
CN111845426A (zh) * | 2020-07-01 | 2020-10-30 | 大连理工大学 | 基于列生成框架的纯电动公交车充电功率分配及优化方法 |
CN112003268A (zh) * | 2020-07-27 | 2020-11-27 | 四川大学 | 基于模型预测控制的智能建筑群电能优化共享***和方法 |
CN112018762A (zh) * | 2020-08-31 | 2020-12-01 | 南京工程学院 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
CN112736894A (zh) * | 2020-11-30 | 2021-04-30 | 国网陕西省电力公司电力科学研究院 | 一种计及风电与电动汽车随机性的两阶段机组组合建模方法 |
CN113890075A (zh) * | 2021-09-28 | 2022-01-04 | 国网安徽省电力有限公司经济技术研究院 | 一种大规模电动汽车作为灵活爬坡资源的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280822A (zh) * | 2013-05-27 | 2013-09-04 | 东南大学 | 一种电动汽车充电行为的智能配网调度管理*** |
CN103632205A (zh) * | 2013-11-05 | 2014-03-12 | 常州大学 | 一种考虑风电和负荷不确定性的含电动汽车优化调度方法 |
CN104361416A (zh) * | 2014-11-27 | 2015-02-18 | 国家电网公司 | 一种考虑大规模电动汽车接入的电网双层优化调度方法 |
CN108009693A (zh) * | 2018-01-03 | 2018-05-08 | 上海电力学院 | 基于两级需求响应的并网微电网双层优化方法 |
CN108599268A (zh) * | 2018-04-17 | 2018-09-28 | 上海电力学院 | 一种考虑风电场时空关联约束的日前优化调度方法 |
CN109146201A (zh) * | 2018-09-13 | 2019-01-04 | 三峡大学 | 基于合作博弈的充换储一体化电站微电网优化调度方法 |
-
2019
- 2019-06-27 CN CN201910570581.5A patent/CN110212584B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280822A (zh) * | 2013-05-27 | 2013-09-04 | 东南大学 | 一种电动汽车充电行为的智能配网调度管理*** |
CN103632205A (zh) * | 2013-11-05 | 2014-03-12 | 常州大学 | 一种考虑风电和负荷不确定性的含电动汽车优化调度方法 |
CN104361416A (zh) * | 2014-11-27 | 2015-02-18 | 国家电网公司 | 一种考虑大规模电动汽车接入的电网双层优化调度方法 |
CN108009693A (zh) * | 2018-01-03 | 2018-05-08 | 上海电力学院 | 基于两级需求响应的并网微电网双层优化方法 |
CN108599268A (zh) * | 2018-04-17 | 2018-09-28 | 上海电力学院 | 一种考虑风电场时空关联约束的日前优化调度方法 |
CN109146201A (zh) * | 2018-09-13 | 2019-01-04 | 三峡大学 | 基于合作博弈的充换储一体化电站微电网优化调度方法 |
Non-Patent Citations (4)
Title |
---|
CHENGCHENG SHAO等: "Hierarchical Charge Control of Large Populations of EVs", 《IEEE TRANSACTIONS ON SMART GRID》 * |
SHU XIA等: "An Improved Robust Optimization Algorithm for Short-Term Scheduling with Wind Power Integration", 《2018 2ND IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
刘国静: "电力***协同的经济调度理论研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈宇,等: "电动汽车参与风电场输出功率波动平抑方法研究", 《发电技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475909A (zh) * | 2019-10-28 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
CN111475909B (zh) * | 2019-10-28 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
CN111798038A (zh) * | 2020-06-11 | 2020-10-20 | 东南大学 | 基于Logic-Benders分解算法的电动汽车有序充电优化调度方法 |
CN111798038B (zh) * | 2020-06-11 | 2022-03-18 | 东南大学 | 基于Logic-Benders分解算法的电动汽车有序充电优化调度方法 |
CN111845426A (zh) * | 2020-07-01 | 2020-10-30 | 大连理工大学 | 基于列生成框架的纯电动公交车充电功率分配及优化方法 |
CN111845426B (zh) * | 2020-07-01 | 2021-09-24 | 大连理工大学 | 基于列生成框架的纯电动公交车充电功率分配及优化方法 |
CN112003268A (zh) * | 2020-07-27 | 2020-11-27 | 四川大学 | 基于模型预测控制的智能建筑群电能优化共享***和方法 |
CN112018762A (zh) * | 2020-08-31 | 2020-12-01 | 南京工程学院 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
CN112736894A (zh) * | 2020-11-30 | 2021-04-30 | 国网陕西省电力公司电力科学研究院 | 一种计及风电与电动汽车随机性的两阶段机组组合建模方法 |
CN113890075A (zh) * | 2021-09-28 | 2022-01-04 | 国网安徽省电力有限公司经济技术研究院 | 一种大规模电动汽车作为灵活爬坡资源的方法 |
CN113890075B (zh) * | 2021-09-28 | 2023-10-20 | 国网安徽省电力有限公司经济技术研究院 | 一种大规模电动汽车作为灵活爬坡资源的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110212584B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110212584A (zh) | 一种风电与大规模电动汽车协调优化的调度方法 | |
CN109559035B (zh) | 一种考虑灵活性的城市配电网双层规划方法 | |
CN110322372B (zh) | 区域电力***中多级电网联动的机组组合调度方法 | |
US11703032B2 (en) | Optimal dispatching method and system for wind power generation and energy storage combined system | |
CN110826880B (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN107633333A (zh) | 柔性变电站区域电网的源‑荷‑储调度优化方法及*** | |
Wang et al. | Electric vehicle fleet integration in a virtual power plant with large-scale wind power | |
CN113098011B (zh) | 一种基于改进NashQ算法的风电调度方法及*** | |
CN112993979A (zh) | 配电网无功优化方法、装置、电子设备和存储介质 | |
CN110796373B (zh) | 面向风电消纳的多阶段场景生成电热***优化调度方法 | |
CN105305423A (zh) | 一种考虑间歇性能源不确定性的最优误差边界的确定方法 | |
CN109038532B (zh) | 一种基于直流潮流等值的分布式输配协同机组组合方法 | |
CN104393619A (zh) | 一种考虑风电机组安全约束的机组组合方法 | |
CN112053035A (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN116629421A (zh) | 计及综合能效的综合能源***多目标分布鲁棒优化调度方法 | |
CN115954882A (zh) | 一种电碳融合配电***调度优化方法及设备 | |
CN115036914A (zh) | 考虑灵活性与新能源消纳的电网储能双层优化方法及*** | |
CN115000985A (zh) | 一种用户侧分布式储能设施聚合管控方法及*** | |
CN117374975A (zh) | 一种基于近似动态规划的配电网实时协同调压方法 | |
CN116937637A (zh) | 一种多能互补提供频率支撑的储能容量分布鲁棒规划方法 | |
CN116865270A (zh) | 一种含嵌入式直流的柔性互联配电网优化调度方法及*** | |
Rezk et al. | Hydrogen reduction-based energy management strategy of hybrid fuel cell/PV/battery/supercapacitor renewable energy system | |
CN114398777A (zh) | 一种基于巴什博弈理论的电力***灵活性资源配置方法 | |
CN114298383A (zh) | 一种虚拟电厂储能容量配置方法及装置 | |
Liang et al. | Risk Stabilization and Market Bidding Strategy of Virtual Power Plant Alliance Based on Multi-stage Robust Optimization |
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 |