CN112541612B - 一种基于多网耦合的虚拟电厂经济优化调度方法 - Google Patents
一种基于多网耦合的虚拟电厂经济优化调度方法 Download PDFInfo
- Publication number
- CN112541612B CN112541612B CN202011230419.8A CN202011230419A CN112541612B CN 112541612 B CN112541612 B CN 112541612B CN 202011230419 A CN202011230419 A CN 202011230419A CN 112541612 B CN112541612 B CN 112541612B
- Authority
- CN
- China
- Prior art keywords
- load
- period
- power
- wpp
- power plant
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000010168 coupling process Methods 0.000 title claims abstract description 35
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 35
- 230000008878 coupling Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 63
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 33
- 230000008901 benefit Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 239000003345 natural gas Substances 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 11
- IVBHGBMCVLDMKU-GXNBUGAJSA-N piperacillin Chemical compound O=C1C(=O)N(CC)CCN1C(=O)N[C@H](C=1C=CC=CC=1)C(=O)N[C@@H]1C(=O)N2[C@@H](C(O)=O)C(C)(C)S[C@@H]21 IVBHGBMCVLDMKU-GXNBUGAJSA-N 0.000 claims description 90
- 230000006870 function Effects 0.000 claims description 59
- 238000012423 maintenance Methods 0.000 claims description 41
- 239000007789 gas Substances 0.000 claims description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 25
- 239000002918 waste heat Substances 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000005086 pumping Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005610 quantum mechanics Effects 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多网耦合的虚拟电厂经济优化调度方法,其中,所述方法包括:建立包括风电机组、热电联产机组和小水电机组的能源供给侧模型,设计含居民可调电负荷、热负荷和电动汽车负荷的广义需求响应效益模型;基于电网络、天然气网络和交通网络的多重耦合效应,形成电‑气‑交通多网耦合模型;以虚拟电厂运营利润为目标,在描述收益函数、线路安全惩罚函数基础上建立经济优化调度目标函数;基于电负荷、热负荷、风电出力的不确定性,描述功率平衡约束条件,并采用量子粒子群算法进行求解。在本发明实施例中,可以实现通过虚拟电厂优化调度来实现小水电的经济运行。
Description
技术领域
本发明涉及电力***领域,尤其涉及一种基于多网耦合的虚拟电厂经济优化调度方法。
背景技术
大力发展和使用可再生分布式电源,提高综合能源利用效率成为当今的热点研究话题,南方电网区域内小水电数量多、地域分布广、受季节影响明显,但运行信息缺乏,且小水电远离负荷中心,因此,如何优化调度小水电以提高电网运行经济性是当前面临的突出问题。
针对大量分布式能源接入电网的实际情况,通过引入虚拟电厂技术,将区域内供给侧能源(小水电、风电和热电联产机组)与广义需求响应侧资源(居民可调电负荷、热负荷和电动汽车负荷)集成为虚拟电厂,同时考虑电、气和交通之间的多网耦合,构建虚拟电厂经济运行优化调度模型,通过虚拟电厂优化调度来实现小水电的经济运行。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于多网耦合的虚拟电厂经济优化调度方法,其有利于通过虚拟电厂优化调度实现小水电的经济运行。
为了解决上述技术问题,本发明实施例提供了一种基于多网耦合的虚拟电厂经济优化调度方法,包括步骤:
(1)建立包括风电机组、热电联产机组和小水电机组的能源供给侧模型,设计含居民可调电负荷、热负荷和电动汽车负荷的广义需求响应效益模型;
(2)基于电网络、天然气网络和交通网络的多重耦合效应,形成电-气-交通多网耦合模型;
(3)以虚拟电厂运营利润为目标,在描述收益函数、线路安全惩罚函数基础上建立经济优化调度目标函数;
(4)基于电负荷、热负荷、风电出力的不确定性,描述功率平衡约束条件,并采用量子粒子群算法进行求解。
可选的,所述步骤(1)中的所述小水电机组的模型为:
PHYD(t)=[kfQf(t)-kcQc(t)](hu-hd);
式中:PHYD(t)为t时段小水电机组的出力;kf、kc分别为小水电发电、抽水运行时的出力系数;Qf(t)、Qc(t)分别为t时段小水电发电、抽水运行时的流量;hu、hd为上下游水库的水位;
小水电机组t时段的运维成本SHYD(t)可用下式表示:
SHYD(t)=CHPHYD(t)mhyd+mhydCU+(1-mhyd)CD;
式中:SHYD(t)为t时段小水电机组的运维成本;CH为水电站单位发电量成本;CU、CD为起机、停机成本;mhyd为0-1变量,1表示起机,0表示停机;
小水电出力受季节影响明显,枯水期时,在运维成本函数中加入惩罚因子来表征枯水期运行成本,修正后的运行成本为:
S'HYD(t)=SHYD(t)+λ;
λ=k(hu,max-hd);
式中:S'HYD(t)为修正后t时段枯水期运维成本;SHYD(t)为修正前t时段小水电机组的运维成本;λ为惩罚因子,蓄水库水位越低,则λ越大;k为惩罚因子系数;hu,max为上游最大水位。
可选的,所述步骤(1)中对于额定功率为PN的风电机组,其t时段发电功率PWPP(t)与风速v满足下列关系:
式中:PWPP(t)为t时段风电机组发电功率;v为风速;η为风能利用系数;Sw为风在叶片流过区域的投影面积;Vin、VN和Vout为切入、额定和切出风速;PN为风电机组的额定功率;
实际应用时,风电机组t时段的运维成本SWPP(t)可简化为发电功率PWPP(t)的线性模型,其表达式为:
SWPP(t)=eWPP·PWPP(t);
式中:SWPP(t)为t时段风电机组的运维成本;eWPP为单位发电功率成本系数。
可选的,所述步骤(1)中热电联产机组由燃气轮机和余热锅炉组成,采用二次函数的形式来表示热电联产机组的运维成本SCHP(t):
式中:SCHP(t)为t时段热电联产机组的运维成本;αq、βq、γq为机组发电成本的二次系数、一次系数和无成本系数;αh、βh、γh为机组供热成本的二次系数、一次系数和无成本系数;无成本系数一般取正值;PCHP(t)为t时段燃气轮机出力;QGL(t)为t时段余热锅炉的供热出力;CS、CT为起机、停机成本;mchp为0-1变量,1表示起机,0表示停机。
可选的,所述步骤(1)中设计含居民可调电负荷、热负荷和电动汽车负荷的广义需求响应效益模型:
对于居民可调电负荷,基于电网分时电价政策来改变用户的用电行为,在响应前后不同电价Rm0、Rm下电负荷需求关系Ut0、Ut可表示为:
式中:Rm0、Rm为响应前后的电价;Ut0、Ut为响应前后的电负荷需求;fm、fn分别m、n时段的电力价格弹性系数,一般fm取负值,fn取正值;
对于居民热负荷,通过改变温度值来实现热负荷的需求响应;假设t时段房间的室内和室外温度分别维持在温度Tin(t)和Tout(t),选取供暖负荷作为研究对象,对其采取需求响应措施,其供暖功率Q(t)可表示为:
式中:Q(t)为t时段的供暖功率;Tin(t)、Tout(t)为t时段房间的室内、室外温度;L为建筑物等热阻;Tin(t+1)为t时段下一时段的室内温度;Δt为时间步长;C为室内比热容;
对于电动汽车负荷,只考虑其充电行为,相应约束条件写为:
广义需求响应效益模型为:
CDR(t)=Iin(t)-Iout(t);
Iin(t)=L(t)[JE(t)+JH(t)+JV(t)];
Iout(t)=βE[JE(t)+εE(t)]2+βH[JH(t)+εH(t)]2+βV[JV(t)+εV(t)]2;
式中:CDR(t)表示t时段需求响应总的收益;Iin(t)、Iout(t)为t时段的需求响应收入、下发给用户的激励成本;L(t)为t时段的边际电价;JE(t)、JH(t)、JV(t)为用户t时段居民可调电负荷、热负荷、电动汽车负荷的削减量;βE、βH、βV分别为t时段居民可调电负荷、热负荷、电动汽车负荷的响应效益系数;εE(t)、εH(t)、εV(t)分别为t时段不同负荷的响应偏差。
可选的,所述步骤(2)中基于电网络、天然气网络和交通网络的多重耦合效应,形成电-气-交通多网耦合模型:
假设天然气热值为H,电网与天然气网之间的耦合关系则可通过燃气轮机t时段的耗气量DCHP(t)予以描述,即:
式中:DCHP(t)为燃气轮机t时段的耗气量;PCHP(t)为t时段燃气轮机出力;H为天然气热值;aCHP、bCHP和cCHP为耗气量参数;
式中:为节点a的有功负荷预测值;为节点a的传统电力负荷预测值;节点a的充电站负荷预测值;ζ为对应单位交通流量的充电率系数;表示交通网中由节点a向该线路所设充电站供应电能的线路集;yb为线路的交通流量;N为接有充电站的配网节点集合。
可选的,所述步骤(3)中以虚拟电厂运营利润为目标,在描述收益函数、线路安全惩罚函数基础上建立经济优化调度目标函数,计算周期取24小时,其目标函数F由净收益函数Cg、线路安全惩罚函数Sg两部分组成,即:
F=Cg-Sg;
式中:F为目标函数;Cg为净收益函数;Sg为线路安全惩罚函数;
其中净收益函数可由t时段虚拟电厂收益减去运维成本获得;其中收益包括向电网售电收益CDEAL(t)、向用户所供电热负荷收益CLOAD(t)和广义需求响应收益CDR(t)组成;运维成本包括小水电S'HYD(t)、风电SWPP(t)、热电联产机组SCHP(t);模型处理时,把供给能源和需求响应负荷视为整体净收益函数Cg建立如下:
式中:Cg为净收益函数;CDEAL(t)为t时段虚拟电厂与主网间的电力交易收入;CLOAD(t)为t时段虚拟电厂负荷侧收益;CDR(t)为t时段需求响应收益;S'HYD(t)为t时段小水电机组运维成本;SWPP(t)为t时段风电机组运维成本;SCHP(t)为t时段热电联产机组运维成本;
安全性通过在目标函数中加入惩罚函数的形式来予以描述,线路安全惩罚函数Sg写为:
式中:Sg为线路安全惩罚函数;ΔU(t)、ΔP(t)为t时段电压和有功功率越限量,lU、lP为电压、有功功率的越限成本系数。
可选的,所述步骤(4)基于电负荷、热负荷、风电出力的不确定性,描述功率平衡、描述功率平衡约束条件,并采用量子粒子群算法进行求解:
虚拟电厂内电功率平衡约束如下式:
PWPP(t)+PCHP(t)+PHYD(t)=PELOAD(t)+PDEAL(t);
式中:PWPP(t)、PCHP(t)、PHYD(t)分别为t时段风机、燃气轮机、小水电出力;PELOAD(t)为t时段虚拟电厂内的电负荷功率;PDEAL(t)为t时段虚拟电厂与电网的交换功率;
将风电实际出力值PWPP(t)用其预测值PWPP0(t)与误差值εWPP(t)之和来表示,其中εWPP(t)服从均值为0,标准差为σWPP(t)的正态分布;同理,用户负荷值PELOAD(t)也可表示为其预测值PELOAD0(t)与误差值εELOAD(t)之和的形式,其中εELOAD(t)服从均值为0,标准差为σELOAD(t)的正态分布;
PWPP(t)=PWPP0(t)+εWPP(t);
PELOAD(t)=PELOAD0(t)+εELOAD(t);
式中:PWPP(t)为t时段风电机组实际出力值;PWPP0(t)为t时段风电机组出力预测值;εWPP(t)为t时段风电机组出力预测误差值;PELOAD(t)为t时段用户实际电负荷值;PELOAD0(t)为t时段用户电负荷预测值;εELOAD(t)为t时段用户电负荷预测误差值;
由于风电出力和负荷预测偏差均服从正态分布,确定性功率平衡约束可转化为机会约束,机会约束规划可表示为:
式中:PWPP(t)、PCHP(t)、PHYD(t)分别为t时段风机、燃气轮机、小水电出力;PELOAD(t)为t时段虚拟电厂内的电负荷功率;PDEAL(t)为t时段虚拟电厂与电网的交换功率;φ为概率分布函数;α为置信水平;σWPP(t)为t时段风机出力预测误差值服从正态分布的标准差;σELOAD(t)为t时段用户电负荷预测误差值服从正态分布的标准差;
虚拟电厂内热功率平衡可用下式描述:
QGL(t)=QHLOAD(t);
式中:QGL(t)为t时段余热锅炉的供热出力;QHLOAD(t)为t时段虚拟电厂内热负荷功率;
与电负荷处理方法类似,由于热负荷QHLOAD(t)预测同样也存在不确定性,εHLOAD(t)还是服从均值为0、标准差为σHLOAD(t)的正态分布;
QHLOAD(t)=QHLOAD0(t)+εHLOAD(t);
式中:QHLOAD(t)为t时段用户实际热负荷值;QHLOAD0(t)为t时段用户热负荷预测值;εHLOAD(t)为t时段用户热负荷预测误差值;
类似地,可将式QGL(t)=QHLOAD(t)转化为机会约束来表达:
QGL(t)-QHLOAD(t)≥-1(α)σHLOAD(t);
式中:QGL(t)为t时段余热锅炉的供热出力;QHLOAD(t)为t时段虚拟电厂内热负荷功率;φ为概率分布函数;α为置信水平;σHLOAD(t)为t时段用户热负荷预测误差值服从正态分布的标准差;
采用量子粒子群算法来求解上述优化调度问题。
在本发明实施例中,采用量子粒子群算法来求解优化调度问题,含小水电的虚拟电厂优化调度问题涉及了大量的求解变量,并需要考虑诸多约束条件,传统粒子群算法可能会遭遇收敛速度慢、可操作性低等问题。以量子力学为基础,通过假设粒子具有量子行为,最近研究提出了量子粒子群算法,该算法极大提升了传统粒子群算法的全局搜索能力。此外,传统粒子群算法一般通过速度和位置来描述粒子所处的状态,而引入量子空间后,粒子的状态需要借助波函数来进行描述,利用薛定谔方程确定粒子出现的概率,并通过蒙特卡洛模拟最终获取粒子的位置方程。因此,相比普通粒子群算法,量子粒子群算法在收敛速度上具备明显的优势,本发明就选其作为求解算法。
本发明提供的技术方案具有的有益效果如下:通过引入虚拟电厂技术,将区域内供给侧能源(小水电、风电和热电联产机组)与广义需求响应侧资源(居民可调电负荷、热负荷和电动汽车负荷)集成为虚拟电厂,同时考虑电、气和交通之间的多网耦合,构建虚拟电厂经济运行优化调度模型,通过虚拟电厂优化调度来实现小水电的经济运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于多网耦合的虚拟电厂经济优化调度方法的流程示意图;
图2是本发明实施例中的虚拟电厂基本结构图;
图3是本发明实施例中的虚拟电厂机组出力曲线优化结果图;
图4是本发明实施例中的备用容量与置信度关系曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
将多类型分布式能源集成为虚拟电厂,能够发挥不同类型能源的优势,实现能源的互补共济。根据广西电网实际情况,确定本研究虚拟电厂的基本架构如图2所示,该虚拟电厂由供给侧能源和需求侧负荷两大部分构成,其中,供给侧包括小水电、风电和热电联产机组(燃气轮机和余热锅炉),需求侧不仅考虑了常规居民可调电负荷,还计及了热负荷和电动汽车负荷。此外,电力与天然气、电力与交通之间分别通过燃气轮机和电动汽车实现耦合。
本发明提出了一种基于多网耦合的虚拟电厂经济优化调度方法,如图1所示,其实施流程包括如下详细步骤:
S11:建立包括风电、热电联产和小水电的能源供给侧模型,设计含居民可调电负荷、热负荷和电动汽车负荷的广义需求响应效益模型;
可逆小水电机组模型为:
PHYD(t)=[kfQf(t)-kcQc(t)](hu-hd) (1)
式中:PHYD(t)为t时段小水电机组的出力;kf、kc分别为小水电发电、抽水运行时的出力系数;Qf(t)、Qc(t)分别为t时段小水电发电、抽水运行时的流量;hu、hd为上下游水库的水位。
小水电机组t时段的运维成本SHYD(t)可用下式表示:
SHYD(t)=CHPHYD(t)mhyd+mhydCU+(1-mhyd)CD (2)
式中:SHYD(t)为t时段小水电机组的运维成本;CH为水电站单位发电量成本;CU、CD为起机、停机成本;mhyd为0-1变量,1表示起机,0表示停机。
小水电出力受季节影响明显,在丰水期、枯水期的调度策略应有所不同。丰水期时,小水电应尽可能多的发电,不对总用水量加以限制;枯水期时,需要保证蓄水库的水量,可通过在运维成本函数中加入惩罚因子来表征枯水期运行成本,修正后的运行成本为:
S'HYD(t)=SHYD(t)+λ (3)
λ=k(hu,max-hd) (4)
式中:S'HYD(t)为修正后t时段枯水期运维成本;SHYD(t)为修正前t时段小水电机组的运维成本;λ为惩罚因子,蓄水库水位越低,则λ越大;k为惩罚因子系数;hu,max为上游最大水位。
虚拟电厂中风电机组是供给侧重要组成部分,对于额定功率为PN的风电机组,其t时段发电功率PWPP(t)与风速v满足下列关系:
式中:PWPP(t)为t时段风电机组发电功率;v为风速;η为风能利用系数;Sw为风在叶片流过区域的投影面积;Vin、VN和Vout为切入、额定和切出风速;PN为风电机组的额定功率。
实际应用时,风电机组t时段的运维成本SWPP(t)可简化为发电功率PWPP(t)的线性模型,其表达式为:
SWPP(t)=eWPP·PWPP(t) (6)
式中:SWPP(t)为t时段风电机组的运维成本;eWPP为单位发电功率成本系数。
热电联产机组由燃气轮机和余热锅炉组成,将燃气轮机视为可控电源,做功结束后的高温气体经余热锅炉收集后供给热负荷。通常可采用二次函数的形式来表示热电联产机组的运行成本SCHP(t):
式中:αq、βq、γq为机组发电成本的二次系数、一次系数和无成本系数;αh、βh、γh为机组供热成本的二次系数、一次系数和无成本系数;无成本系数一般取正值;PCHP(t)为t时段燃气轮机出力;QGL(t)为t时段余热锅炉的供热出力;CS、CT为起机、停机成本;mchp为0-1变量,1表示起机,0表示停机。
用户负荷需求在高峰段时增长,低谷段时降低,具有明显的特征。广西电网区域内除了居民可调电负荷外,热负荷和电动汽车负荷也发展迅速,为此,本发明引入广义需求响应的概念,将居民可调电负荷、热负荷和电动汽车负荷三者结合进行综合调节,建立广义需求响应模型。
对于居民可调电负荷,基于广西电网分时电价政策来改变用户的用电行为,实现削峰填谷,在响应前后不同电价Rm0、Rm下电负荷需求关系Ut0、Ut可表示为:
式中:Rm0、Rm为响应前后的电价;Ut0、Ut为响应前后的电负荷需求;fm、fn分别m、n时段的电力价格弹性系数,一般fm取负值,fn取正值。
对于居民热负荷,温度小范围的改变不会影响人体的舒适度,故本研究通过改变温度值来实现热负荷的需求响应。假设t时段房间的室内和室外温度分别维持在温度Tin(t)和Tout(t),选取供暖负荷作为研究对象,对其采取需求响应措施,其供暖功率Q(t)可表示为:
式中:Q(t)为t时段的供暖功率;Tin(t)、Tout(t)为t时段房间的室内、室外温度;L为建筑物等热阻;Tin(t+1)为t时段下一时段的室内温度;Δt为时间步长;C为室内比热容。
对于电动汽车负荷,由于具有极强的可调度性。考虑电动汽车的实际运行情况,本发明只考虑其充电行为,相应约束条件可写为:
为更好地反映广义需求响应的综合效益,本发明将需求响应的收益及付出成本组成效益模型,该效益模型能够更好地将需求响应以经济效益的形式反应给虚拟电厂管理者,为其决策提供参考。虚拟电厂管理者在日前能量市场上报负荷削减量及相应的价格,经过电力市场统一出清之后,低于出清价格的削减量成交,且统一以出清价格进行结算。虚拟电厂以需求响应收益最大为目标,目标函数为:
CDR(t)=Iin(t)-Iout(t) (13)
Iin(t)=L(t)[JE(t)+JH(t)+JV(t)] (14)
Iout(t)=βE[JE(t)+εE(t)]2+βH[JH(t)+εH(t)]2+βV[JV(t)+εV(t)]2 (15)
式中:CDR(t)表示t时段总的收益;Iin(t)、Iout(t)为t时段的需求响应收入、下发给用户的激励成本;L(t)为t时段的边际电价;JE(t)、JH(t)、JV(t)为用户t时段居民可调电负荷、热负荷、电动汽车负荷的削减量;βE、βH、βV分别为t时段居民可调电负荷、热负荷、电动汽车负荷的响应效益系数;εE(t)、εH(t)、εV(t)分别为t时段不同负荷的响应偏差。
S12:进一步考虑电网络、天然气网络和交通网络的多重耦合效应,形成电气交通多网耦合模型;
电网与天然气网络的深度融合、电网与交通网的深度互动,对水电、风电等新能源的安全经济运行提出了极大挑战,因此,本文综合考虑了天然气网、交通网和配电网的多元化耦合关系,将虚拟电厂内热电联产机组中的燃气轮机作为天然气网与配电网的耦合元件,实现气电能量的转换;电动汽车作为交通网与配电网的耦合元件,实现电力交通流量的耦合;最终构建了电气交通多网耦合模型。
假设天然气热值为H,电网与天然气网之间的耦合关系则可通过燃气轮机t时段的耗气量DCHP(t)予以描述,即:
式中:DCHP(t)为燃气轮机t时段的耗气量;PCHP(t)为t时段燃气轮机出力;H为天然气热值;aCHP、bCHP和cCHP为耗气量参数。
式中:为节点a的有功负荷预测值;为节点a的传统电力负荷预测值;节点a的充电站负荷预测值;ζ为对应单位交通流量的充电率系数;表示交通网中由节点a向该线路所设充电站供应电能的线路集;yb为线路的交通流量;N为接有充电站的配网节点集合。
S13:以最大化虚拟电厂运营利润为目标,在描述收益函数、线路安全惩罚函数基础上建立经济优化调度目标函数;
虚拟电厂经济调度模型以实现其利润最大化为目标,计算周期取24小时,其目标函数F由净收益函数Cg、线路安全惩罚函数Sg两部分组成,即:
F=Cg-Sg(18)
式中:F为目标函数;Cg为净收益函数;Sg为线路安全惩罚函数。
其中净收益函数可由t时段虚拟电厂收益减去运维成本获得。其中收益包括向电网售电收益CDEAL(t)、向用户所供电热负荷收益CLOAD(t)和广义需求响应收益CDR(t)组成;运维成本包括小水电S'HYD(t)、风电SWPP(t)、热电联产***SCHP(t)。模型处理时,把供给能源和需求响应负荷视为整体净收益函数Cg建立如下:
式中:Cg为净收益函数;CDEAL(t)为t时段虚拟电厂与主网间的电力交易收入;CLOAD(t)为t时段虚拟电厂负荷侧收益;CDR(t)为t时段需求响应收益;S'HYD(t)为t时段小水电机组运维成本;SWPP(t)为t时段风电机组运维成本;SCHP(t)为t时段热电联产机组运维成本。
若只考虑经济收益最大化有可能会不满足线路潮流约束,出现功率越限及电压越限等问题。为此,本发明虚拟电厂经济调度模型中不仅考虑了经济效益最大化,还计及了虚拟电厂运行的安全性。安全性通过在目标函数中加入惩罚函数的形式来予以描述,线路安全惩罚函数Sg写为:
式中:ΔU(t)、ΔP(t)为t时段电压和有功功率越限量,lU、lP为电压、有功功率的越限成本系数。有效的惩罚函数依赖于合理的设置成本系数,将线路安全问题融入到经济调度中,以形成经济问题统一解决,有利于虚拟电厂的安全稳定运行。
S14:考虑电负荷、热负荷、风电出力的不确定性,描述功率平衡等约束条件,并采用量子粒子群算法进行求解:
虚拟电厂内电功率平衡约束如下式:
PWPP(t)+PCHP(t)+PHYD(t)=PELOAD(t)+PDEAL(t) (21)
式中:PWPP(t)、PCHP(t)、PHYD(t)分别为t时段风机、燃气轮机、小水电出力;PELOAD(t)为t时段虚拟电厂内的电负荷功率;PDEAL(t)为t时段虚拟电厂与电网的交换功率。
预测模型的构建依赖于地理环境、历史数据等因素,由于虚拟电厂内风电出力、电动汽车及其它用电负荷存在不确定性,风电机组出力、电负荷预测值存在着误差。故将风机出力值PWPP(t)用其预测值PWPP0(t)与误差值εWPP(t)之和来表示,其中εWPP(t)服从均值为0,标准差为σWPP(t)的正态分布;同理,用户负荷值PELOAD(t)也可表示为其预测值PELOAD0(t)与误差值εELOAD(t)之和的形式,其中εELOAD(t)服从均值为0,标准差为σELOAD(t)的正态分布。
PWPP(t)=PWPP0(t)+εWPP(t) (22)
PELOAD(t)=PELOAD0(t)+εELOAD(t) (23)
式中:PWPP(t)为t时段风电机组实际出力值;PWPP0(t)为t时段风电机组出力预测值;εWPP(t)为t时段风电机组出力预测误差值;PELOAD(t)为t时段用户实际电负荷值;PELOAD0(t)为t时段用户电负荷预测值;εELOAD(t)为t时段用户电负荷预测误差值。
由于风机出力和负荷预测偏差均服从正态分布,确定性功率平衡约束可转化为机会约束,机会约束规划可表示为:
式中:PWPP(t)、PCHP(t)、PHYD(t)分别为t时段风机、燃气轮机、小水电出力;PELOAD(t)为t时段虚拟电厂内的电负荷功率;PDEAL(t)为t时段虚拟电厂与电网的交换功率;φ为概率分布函数;α为置信水平;σWPP(t)为t时段风机出力预测误差值服从正态分布的标准差;σELOAD(t)为t时段用户电负荷预测误差值服从正态分布的标准差。式(24)右边表示t时段虚拟电厂***的备用容量。
虚拟电厂内热功率平衡可用下式描述:
QGL(t)=QHLOAD(t) (25)
式中:QGL(t)为t时段余热锅炉的供热出力;QHLOAD(t)为t时段虚拟电厂内热负荷功率。
与电负荷处理方法类似,由于热负荷QHLOAD(t)预测同样也存在不确定性,故也将其写为确定预测值QHLOAD0(t)与不确定误差εHLOAD(t)之和的形式(25),εHLOAD(t)还是服从均值为0、标准差为σHLOAD(t)的正态分布。
QHLOAD(t)=QHLOAD0(t)+εHLOAD(t) (26)
式中:QHLOAD(t)为t时段用户实际热负荷值;QHLOAD0(t)为t时段用户热负荷预测值;εHLOAD(t)为t时段用户热负荷预测误差值。
类似地,可将式(25)转化为机会约束来表达:
QGL(t)-QHLOAD(t)≥φ-1(α)σHLOAD(t) (27)
式中:QGL(t)为t时段余热锅炉的供热出力;QHLOAD(t)为t时段虚拟电厂内热负荷功率;φ为概率分布函数;α为置信水平;σHLOAD(t)为t时段用户热负荷预测误差值服从正态分布的标准差。
本发明采用量子粒子群算法来求解优化调度问题,含小水电的虚拟电厂优化调度问题涉及了大量的求解变量,并需要考虑诸多约束条件,传统粒子群算法可能会遭遇收敛速度慢、可操作性低等问题。以量子力学为基础,通过假设粒子具有量子行为,最近研究提出了量子粒子群算法,该算法极大提升了传统粒子群算法的全局搜索能力。此外,传统粒子群算法一般通过速度和位置来描述粒子所处的状态,而引入量子空间后,粒子的状态需要借助波函数来进行描述,利用薛定谔方程确定粒子出现的概率,并通过蒙特卡洛模拟最终获取粒子的位置方程。因此,相比普通粒子群算法,量子粒子群算法在收敛速度上具备明显的优势,本发明就选其作为求解算法。
为了进一步理解本发明,下面以一个广西某开发区简单多能源中心***为例,来解释本发明的实际应用。
统内包括1个8MW的带蓄水库的可调小水电、1个5MW的风电场、1个20MW的热电联产机组,以及可作为需求响应的可调居民电负荷、热负荷和电动汽车负荷,其中包括电动汽车在内的可控负荷为8MW,风机的预测功率波动方差为0.1MW2,负荷预测波动方差为0.01MW2。
为更好地讨论小水电和广义需求响应在虚拟电厂运行中的作用,本文中设定了以下4种情景来进行算例分析:
情景1:不考虑广义需求响应措施及小水电的调节效应;
情景2:仅考虑小水电的调节效应;
情景3:仅考虑广义需求响应;
情景4:同时考虑广义需求响应措施和小水电的调节效应。
通过对虚拟电厂发电出力的仿真来研究小水电及广义需求响应的削峰填谷作用,图3描绘了四种场景下虚拟电厂发电出力曲线的优化结果。
对于情景1,由于未考虑小水电的调节效应及广义需求响应措施,虚拟电厂发电出力曲线的峰谷差较大,给虚拟电厂调度及收益带来不利影响。
对于情景2,当小水电参与调节时,小水电由于具有抽水蓄能的功能,在负荷高峰时发电,在负荷低谷时抽水蓄能,因此虚拟电厂内机组出力曲线在低谷部分有所抬升,在高峰部分有所削减。但是,考虑小水电容量及抽水蓄能的运行成本等因素,曲线的优化程度比较有限。
对于情景3,仅考虑广义需求响应补偿机制的激励下,出力曲线同样有所优化。但是受补偿过程中成本的制约,优化结果并不是十分理想。
对于情景4,在广义需求响应措施及小水电调节效应的双重调节影响下,曲线变得相对平缓,优化结果达到较为理想的状态。
通过上述4个情景分析可看出,虚拟电厂中小水电配合需求响应可充分发挥削峰填谷的积极作用,使小水电运行变无序为有序,实现经济优化运行。
根据虚拟电厂经济效益模型,计算出虚拟电厂收益数据如表1所示。从结果来看,场景4下考虑小水电调节效应及广义需求响应时,虚拟电厂与主网间电力交易量少,交易收费低,并且由于减少了对热电联产机组的依赖,机组启停次数减少,降低了机组的运维成本。因此,与其它情景相比,场景4的网络越限惩罚大大降低,使其实现了总的收益最大化。可见,对于本算例,同时加入小水电及广义需求响应措施对于虚拟电厂经济效益的提升尤为明显。
表1不同情景下虚拟电厂收益(万元)
Tab.1 Revenue of虚拟电厂in different scenarios
不同的置信水平对备用容量有较大的影响。图4描述了情景4里不同置信度α对应的虚拟电厂***备用容量,可见备用容量越大,***运行越可靠,但相应的虚拟电厂运营成本越高。由图3可知,发电备用容量会随着α增大变得越来越快,从虚拟电厂收益角度考虑,α不宜设置得过大。因此,虚拟电厂决策者需要在经济性和可靠性之间取一个平衡。
多场景算例比较表明,综合考虑小水电调节效应和广义需求响应能够优化虚拟电厂出力曲线,获得最优的经济效益,由此验证了本发明模型的可行性和有效性。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于多网耦合的虚拟电厂经济优化调度方法进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于多网耦合的虚拟电厂经济优化调度方法,其特征在于,包括步骤:
(1)建立包括风电机组、热电联产机组和小水电机组的能源供给侧模型,设计含居民可调电负荷、热负荷和电动汽车负荷的广义需求响应效益模型;
(2)基于电网络、天然气网络和交通网络的多重耦合效应,形成电-气-交通多网耦合模型;
(3)以虚拟电厂运营利润为目标,在描述收益函数、线路安全惩罚函数基础上建立经济优化调度目标函数;
(4)基于电负荷、热负荷、风电出力的不确定性,描述功率平衡约束条件,并采用量子粒子群算法进行求解;
所述步骤(1)中设计含居民可调电负荷、热负荷和电动汽车负荷的广义需求响应效益模型:
对于居民可调电负荷,基于电网分时电价政策来改变用户的用电行为,在响应前后不同电价Rm0、Rm下电负荷需求关系Ut0、Ut可表示为:
式中:Rm0、Rm为响应前后的电价;Ut0、Ut为响应前后的电负荷需求;fm、fn分别m、n时段的电力价格弹性系数,fm取负值,fn取正值;
对于居民热负荷,通过改变温度值来实现热负荷的需求响应;假设t时段房间的室内和室外温度分别维持在温度Tin(t)和Tout(t),选取供暖负荷作为研究对象,对其采取需求响应措施,其供暖功率Q(t)可表示为:
式中:Q(t)为t时段的供暖功率;Tin(t)、Tout(t)为t时段房间的室内、室外温度;L为建筑物热阻;Tin(t+1)为t时段下一时段的室内温度;Δt为时间步长;C为室内比热容;
对于电动汽车负荷,只考虑其充电行为,相应约束条件写为:
式中:和分别为用户i接入充电站时的电量、目标充电量和最大电池容量;为用户i接入和离开充电站的时间;t为用户i处于充电状态的时段;为t时段用户i的负荷量、最大负荷量;Pi l为用户i的充电效率和充电功率;
广义需求响应效益模型为:
CDR(t)=Iin(t)-Iout(t);
Iin(t)=L(t)[JE(t)+JH(t)+JV(t)];
Iout(t)=βE[JE(t)+εE(t)]2+βH[JH(t)+εH(t)]2+βV[JV(t)+εV(t)]2;
式中:CDR(t)表示t时段需求响应总的收益;Iin(t)、Iout(t)为t时段的需求响应收入、下发给用户的激励成本;L(t)为t时段的边际电价;JE(t)、JH(t)、JV(t)为用户t时段居民可调电负荷、热负荷、电动汽车负荷的削减量;βE、βH、βV分别为t时段居民可调电负荷、热负荷、电动汽车负荷的响应效益系数;εE(t)、εH(t)、εV(t)分别为t时段不同负荷的响应偏差。
2.根据权利要求1所述的虚拟电厂经济优化调度方法,其特征在于,所述步骤(1)中的所述小水电机组的模型为:
PHYD(t)=[kfQf(t)-kcQc(t)](hu-hd);
式中:PHYD(t)为t时段小水电机组的出力;kf、kc分别为小水电发电、抽水运行时的出力系数;Qf(t)、Qc(t)分别为t时段小水电发电、抽水运行时的流量;hu、hd为上下游水库的水位;
小水电机组t时段的运维成本SHYD(t)可用下式表示:
SHYD(t)=CHPHYD(t)mhyd+mhydCU+(1-mhyd)CD;
式中:SHYD(t)为t时段小水电机组的运维成本;CH为水电站单位发电量成本;CU、CD为起机、停机成本;mhyd为0-1变量,1表示起机,0表示停机;
小水电出力受季节影响明显,枯水期时,在运维成本函数中加入惩罚因子来表征枯水期运行成本,修正后的运行成本为:
S'HYD(t)=SHYD(t)+λ;
λ=k(hu,max-hd);
式中:S'HYD(t)为修正后t时段枯水期运维成本;SHYD(t)为修正前t时段小水电机组的运维成本;λ为惩罚因子,蓄水库水位越低,则λ越大;k为惩罚因子系数;hu,max为上游最大水位。
5.根据权利要求1所述的虚拟电厂经济优化调度方法,其特征在于,所述步骤(2)中基于电网络、天然气网络和交通网络的多重耦合效应,形成电-气-交通多网耦合模型:
假设天然气热值为H,电网与天然气网之间的耦合关系则可通过燃气轮机t时段的耗气量DCHP(t)予以描述,即:
式中:DCHP(t)为燃气轮机t时段的耗气量;PCHP(t)为t时段燃气轮机出力;H为天然气热值;aCHP、bCHP和cCHP为耗气量参数;
6.根据权利要求1所述的虚拟电厂经济优化调度方法,其特征在于,所述步骤(3)中以虚拟电厂运营利润为目标,在描述收益函数、线路安全惩罚函数基础上建立经济优化调度目标函数,计算周期取24小时,其目标函数F由净收益函数Cg、线路安全惩罚函数Sg两部分组成,即:
F=Cg-Sg;
式中:F为目标函数;Cg为净收益函数;Sg为线路安全惩罚函数;
其中净收益函数可由t时段虚拟电厂收益减去运维成本获得;其中收益包括向电网售电收益CDEAL(t)、向用户所供电热负荷收益CLOAD(t)和广义需求响应收益CDR(t)组成;运维成本包括小水电S'HYD(t)、风电SWPP(t)、热电联产机组SCHP(t);模型处理时,把供给能源和需求响应负荷视为整体净收益函数Cg建立如下:
式中:Cg为净收益函数;CDEAL(t)为t时段虚拟电厂与主网间的电力交易收入;CLOAD(t)为t时段虚拟电厂负荷侧收益;CDR(t)为t时段需求响应收益;S'HYD(t)为t时段小水电机组运维成本;SWPP(t)为t时段风电机组运维成本;SCHP(t)为t时段热电联产机组运维成本;
安全性通过在目标函数中加入惩罚函数的形式来予以描述,线路安全惩罚函数Sg写为:
式中:Sg为线路安全惩罚函数;ΔU(t)、ΔP(t)为t时段电压和有功功率越限量,lU、lP为电压、有功功率的越限成本系数。
7.根据权利要求1所述的虚拟电厂经济优化调度方法,其特征在于,所述步骤(4)基于电负荷、热负荷、风电出力的不确定性,描述功率平衡、描述功率平衡约束条件,并采用量子粒子群算法进行求解:
虚拟电厂内电功率平衡约束如下式:
PWPP(t)+PCHP(t)+PHYD(t)=PELOAD(t)+PDEAL(t);
式中:PWPP(t)、PCHP(t)、PHYD(t)分别为t时段风机、燃气轮机、小水电出力;PELOAD(t)为t时段虚拟电厂内的电负荷功率;PDEAL(t)为t时段虚拟电厂与电网的交换功率;
将风电实际出力值PWPP(t)用其预测值PWPP0(t)与误差值εWPP(t)之和来表示,其中εWPP(t)服从均值为0,标准差为σWPP(t)的正态分布;同理,用户负荷值PELOAD(t)表示为其预测值PELOAD0(t)与误差值εELOAD(t)之和的形式,其中εELOAD(t)服从均值为0,标准差为σELOAD(t)的正态分布;
PWPP(t)=PWPP0(t)εWPP(t);
PELOAD(t)=PELOAD0(t)+εELOAD(t);
式中:PWPP(t)为t时段风电机组实际出力值;PWPP0(t)为t时段风电机组出力预测值;εWPP(t)为t时段风电机组出力预测误差值;PELOAD(t)为t时段用户实际电负荷值;PELOAD0(t)为t时段用户电负荷预测值;εELOAD(t)为t时段用户电负荷预测误差值;
由于风电出力和负荷预测偏差均服从正态分布,确定性功率平衡约束可转化为机会约束,机会约束规划可表示为:
式中:PWPP(t)、PCHP(t)、PHYD(t)分别为t时段风机、燃气轮机、小水电出力;PELOAD(t)为t时段虚拟电厂内的电负荷功率;PDEAL(t)为t时段虚拟电厂与电网的交换功率;φ为概率分布函数;α为置信水平;σWPP(t)为t时段风机出力预测误差值服从正态分布的标准差;σELOAD(t)为t时段用户电负荷预测误差值服从正态分布的标准差;
虚拟电厂内热功率平衡可用下式描述:
QGL(t)=QHLOAD(t);
式中:QGL(t)为t时段余热锅炉的供热出力;QHLOAD(t)为t时段虚拟电厂内热负荷功率;
由于热负荷QHLOAD(t)预测同样也存在不确定性,εHLOAD(t)还是服从均值为0、标准差为σHLOAD(t)的正态分布;
QHLOAD(t)=QHLOAD0(t)+εHLOAD(t);
式中:QHLOAD(t)为t时段用户实际热负荷值;QHLOAD0(t)为t时段用户热负荷预测值;εHLOAD(t)为t时段用户热负荷预测误差值;
可将式QGL(t)=QHLOAD(t)转化为机会约束来表达:
QGL(t)-QHLOAD(t)≥φ-1(α)σHLOAD(t);
式中:QGL(t)为t时段余热锅炉的供热出力;QHLOAD(t)为t时段虚拟电厂内热负荷功率;φ为概率分布函数;α为置信水平;σHLOAD(t)为t时段用户热负荷预测误差值服从正态分布的标准差;
采用量子粒子群算法来求解上述优化调度问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011230419.8A CN112541612B (zh) | 2020-11-06 | 2020-11-06 | 一种基于多网耦合的虚拟电厂经济优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011230419.8A CN112541612B (zh) | 2020-11-06 | 2020-11-06 | 一种基于多网耦合的虚拟电厂经济优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541612A CN112541612A (zh) | 2021-03-23 |
CN112541612B true CN112541612B (zh) | 2022-12-16 |
Family
ID=75014123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011230419.8A Active CN112541612B (zh) | 2020-11-06 | 2020-11-06 | 一种基于多网耦合的虚拟电厂经济优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541612B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113991753B (zh) * | 2021-12-01 | 2023-07-11 | 山东科技大学 | 一种输电网结构优化调度方法及*** |
CN117096948B (zh) * | 2023-08-21 | 2024-05-03 | 湖北清江水电开发有限责任公司 | 基于风电和水电的虚拟电厂调度方法、设备以及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768108A (zh) * | 2020-07-01 | 2020-10-13 | 长沙理工大学 | 一种含用热综合满意度的虚拟电厂热电联合经济调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102437645B (zh) * | 2011-10-23 | 2013-11-06 | 西安交通大学 | 热电联产与采暖负荷联合控制的风电出力调度***与方法 |
US9960637B2 (en) * | 2015-07-04 | 2018-05-01 | Sunverge Energy, Inc. | Renewable energy integrated storage and generation systems, apparatus, and methods with cloud distributed energy management services |
CN107579544B (zh) * | 2017-08-09 | 2019-11-22 | 广西电网有限责任公司电力科学研究院 | 基于用户侧需求响应和分布式储能的风电并网控制方法 |
CN110175421B (zh) * | 2019-05-31 | 2020-10-27 | 杭州电子科技大学 | 一种新型水光互补多目标优化运行方法 |
CN110571867B (zh) * | 2019-09-18 | 2022-12-30 | 东北大学 | 一种计及风电不确定性的虚拟电厂日前优化调度***方法 |
CN111724253A (zh) * | 2020-05-21 | 2020-09-29 | 中国南方电网有限责任公司 | 一种水电交易执行偏差调度方法、***、装置及存储介质 |
-
2020
- 2020-11-06 CN CN202011230419.8A patent/CN112541612B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768108A (zh) * | 2020-07-01 | 2020-10-13 | 长沙理工大学 | 一种含用热综合满意度的虚拟电厂热电联合经济调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112541612A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
Wang et al. | Synergistic planning of an integrated energy system containing hydrogen storage with the coupled use of electric-thermal energy | |
Yang et al. | Research on heat and electricity coordinated dispatch model for better integration of wind power based on electric boiler with thermal storage | |
Liu et al. | Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios | |
CN112541612B (zh) | 一种基于多网耦合的虚拟电厂经济优化调度方法 | |
Du et al. | RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm | |
CN116050637A (zh) | 基于分时电价的综合能源虚拟电厂优化调度方法及*** | |
Jintao et al. | Optimized operation of multi-energy system in the industrial park based on integrated demand response strategy | |
Yu et al. | Research on energy management of a virtual power plant based on the improved cooperative particle swarm optimization algorithm | |
CN111126675A (zh) | 多能互补微网***优化方法 | |
Lamari et al. | Multi‐objective economic/emission optimal energy management system for scheduling micro‐grid integrated virtual power plant | |
Gbadega et al. | JAYA algorithm-based energy management for a grid-connected micro-grid with PV-wind-microturbine-storage energy system | |
CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
Zhang et al. | Low carbon multi‐objective scheduling of integrated energy system based on ladder light robust optimization | |
CN116914732A (zh) | 基于深度强化学习的热电联产***低碳调度方法及*** | |
Liao et al. | Use a new method to solve the economic dispatch problem of smart microgrid including distributed generation | |
Zhang et al. | Dual Stochastic Dual Dynamic Programming for Multi-Stage Economic Dispatch With Renewable Energy and Thermal Energy Storage | |
Chang et al. | Research on Low‐Carbon Economic Operation Strategy of Renewable Energy‐Pumped Storage Combined System | |
Tu et al. | A multi-objective scheduling method for hybrid integrated energy systems via Q-learning-based multi-population dung beetle optimizers | |
Fu et al. | Clean heating scheduling optimization with wind power in Northern China | |
Zhang et al. | Frequency-constrained expansion planning for wind and photovoltaic power in wind-photovoltaic-hydro-thermal multi-power system | |
CN118052418B (zh) | 基于模糊规划的综合能源需求响应调度方法及装置 | |
Zhang et al. | Two‐Stage Optimization Model of Centralized Energy Storage Participating in Peak Shaving with Maximum Reserve Capacity and Minimum Carbon Emission of the System | |
Chen et al. | Optimal Configuration of Multi-Energy Storage in an Electric–Thermal–Hydrogen Integrated Energy System Considering Extreme Disaster Scenarios | |
Wang et al. | Economic Scheduling of CHP Systems Considering Two-Stage Demand Response and Carbon Trading |
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 |