CN112564151A - 一种计及隐私意识的多微网云储能优化调度方法及*** - Google Patents
一种计及隐私意识的多微网云储能优化调度方法及*** Download PDFInfo
- Publication number
- CN112564151A CN112564151A CN202011429607.3A CN202011429607A CN112564151A CN 112564151 A CN112564151 A CN 112564151A CN 202011429607 A CN202011429607 A CN 202011429607A CN 112564151 A CN112564151 A CN 112564151A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- cloud energy
- cloud
- scheduling
- day
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 252
- 238000005457 optimization Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007599 discharging Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 238000013486 operation strategy Methods 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000013589 supplement Substances 0.000 claims description 7
- 241000135164 Timea Species 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 230000005684 electric field Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 43
- 238000010248 power generation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000022852 Letis Species 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- H02J3/28—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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种计及隐私意识的多微网云储能优化调度方法及***。该方法包括:在云储能模式下建立多微电网用户充放电行为策略模型;在用户运行策略的基础上建立云储能运营商运行基础行为模型;根据用户充放电行为策略模型和云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数;引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对云储能运营商日前调度目标函数优化处理;根据模糊化处理后的云储能运营商日前调度优化调度目标函数,确定云储能运营商的充放电优化调度方案。本发明通过考虑微网之间的能量交互与耦合的方式,提高多源电场的经济性能。
Description
技术领域
本发明涉及电能存储调度领域,特别是涉及一种计及隐私意识的多微网云储能优化调度方法及***。
背景技术
当前电力市场不断改革下,综合能源供给环境改变和新能源的渗透率提高使得储能(如电池)变得极为有吸引力。传统发展应用的分布式储能方式,投资成本高、资金回收慢、利用率低导致大宗量储能建设发展缓慢。伴随着微电网技术的快速发展,分布式储能的不断增加传统的调度方法已经不能适应现在的发展情况。云储能(Cloud Energy Storage)通过将过去分散在各微网的分布式储能装置集中于云端通过运营商统一调控,为微网用户提供方便低价的储能服务。在地理位置不远,电气位置相近的区域中的多个微电网可以共享一个大容量储能资源以减轻经济上的投资困难,利用用户的用电活动模式不一定重叠情况减少容量和功率投资。然而,电池是在用户之间共享的,由云储能运营商(Cloud EnergyStorage Operator)代表所有用户来管理。与此同时,由于不可直接的用电监测情况,云储能控制器通常依靠通信网络来接收用户的状态报告。根据接收到的信息,云端电池控制器决定为每个用户执行服务内容。然而,基于信用的集中式最优电池管理,需要建立长期的观察,用户也被迫与控制器精确地分享他们的能源需求,这导致了隐私问题产生。如果商业竞争对手知道详细的能耗,则可以依据设备特征显示用户的生产活动。因此,了解有隐私需求的用户在使用云储能时的行为策略,为用户在通信网络上的消息传递中可能出现的不确定性做好准备是非常必要的。在考虑隐私意识的盲信息调度会导致运营商常规调度方法不再适用,实际情况会与常规基于完全信息调度产生较大误差。
发明内容
本发明的目的是提供一种计及隐私意识的多微网云储能优化调度方法及***,能够解决由于长期建立用户观察产生隐私意识所导致用户i在t时刻的需求信息集|Mi,t|不确定性对运营商日前充放电调度的影响;在需求信息集0<|Mi,t|<1时,即多微网用户为保护隐私做出不完整信息通讯时,引入盲数理论处理调度模型不确定性的问题,进而满足优化调度的需求。
为实现上述目的,本发明提供了如下方案:
一种计及隐私意识的多微网云储能优化调度方法,包括:
在云储能模式下建立多微电网用户充放电行为策略模型;
在用户运行策略的基础上建立云储能运营商运行基础行为模型;
根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数;
引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理;
根据模糊化处理后的云储能运营商日前调度优化调度目标函数,确定云储能运营商的充放电优化调度方案。
可选地,所述用户充放电行为策略模型为:
其中:和分别为微电网用户i在t时段内所要求的充放电功率;在t时段充放电权重系数、充电和放电临界权重系数分别为λt,λl,λh;和分别为用户i的云储能充放电效率;和分别为云储能剩余容量最高和最低限度值;和分别为t和t-1时段末时刻的云储能剩余容量;Δt为时间间隔,时间间隔采样为1h。
可选地,所述云储能运营商运行基础行为模型为:
可选地,所述根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数,具体包括:
根据所述用户充放电行为策略模型,确定功率最大值和容量最大值;
根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值,建立云储能运营商日前调度优化调度目标函数:
其中,F是云储能运营商日前调度成本;和分别是配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买电量总和;N为参与用户总数。
可选地,所述引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理,具体包括:
采用判断矩阵法确定盲数模型可信度;
根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理,得到处理后的云储能运营商日前调度优化调度目标函数:
其中,是云储能运营商日前模糊调度成本;和分别是模糊化处理后配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买模糊电量总和;N为参与用户总数。
一种计及隐私意识的多微网云储能优化调度***,包括:
用户充放电行为策略模型建立模块,用于在云储能模式下建立多微电网用户充放电行为策略模型;
云储能运营商运行基础行为模型建立模块,用于在用户运行策略的基础上建立云储能运营商运行基础行为模型;
云储能运营商日前调度优化调度目标函数建立模块,用于根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数;
模糊化处理模块,用于引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理;
优化调度方案确定模块,用于根据模糊化处理后的云储能运营商日前调度优化调度目标函数,确定云储能运营商的充放电优化调度方案。
可选地,所述用户充放电行为策略模型为:
其中:和分别为微电网用户i在t时段内所要求的充放电功率;在t时段充放电权重系数、充电和放电临界权重系数分别为λt,λl,λh;和分别为用户i的云储能充放电效率;和分别为云储能剩余容量最高和最低限度值;和分别为t和t-1时段末时刻的云储能剩余容量;Δt为时间间隔,时间间隔采样为1h。
可选地,所述云储能运营商运行基础行为模型为:
可选地,所述云储能运营商日前调度优化调度目标函数建立模块,具体包括:
功率/容量最大值确定单元,用于根据所述用户充放电行为策略模型,确定功率最大值和容量最大值;
云储能运营商日前调度优化调度目标函数建立单元,用于根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值,建立云储能运营商日前调度优化调度目标函数:
其中,F是云储能运营商日前调度成本;和分别是配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买电量总和;N为参与用户总数。
可选地,所述模糊化处理模块,具体包括:
盲数模型可信度确定单元,用于确定盲数模型可信度;
模糊化处理单元,用于根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理,得到处理后的云储能运营商日前调度优化调度目标函数:
其中,是云储能运营商日前模糊调度成本;和分别是模糊化处理后配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买模糊电量总和;N为参与用户总数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
尽管采用盲数模型的云储能调度优化方法所得到的优化方案要比常规方法成本较多,但是由于本发明考虑了云储能用户考虑隐私意思导致信息传递不全的不确定影响,对未来环境变化的适应性强,其成本效益指标也明显比常规方法高,因此,采用盲数模型的云储能调度优化方案得到的云储能调度方法具有更好的灵活性和适应性。采用盲数对云储能运营中各种不确定性信息进行表述比较详细,所以其包含的信息量较多,对未来环境的近似也越接近,因此可以较好地适应未来可能的变化,具有较高的应用价值背景。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,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他的附图。
图1为本发明中多微网云储能的结构示意图;
图2为本发明计及隐私意识的多微网云储能优化调度方法流程图;
图3为本发明计及隐私意识的多微网云储能优化调度***结构图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种计及隐私意识的多微网云储能优化调度方法及***,能够解决由于长期建立用户观察产生隐私意识所导致用户i在t时刻的需求信息集|Mi,t|不确定性对运营商日前充放电调度的影响;在需求信息集0<|Mi,t|<1时,即多微网用户为保护隐私做出不完整信息通讯时,引入盲数理论处理调度模型不确定性的问题,进而满足优化调度的需求。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在云储能的运行调度阶段,云储能提供商的实体储能行为与反映给用户的云端电池虚拟储能行为不一定一致,运营商只需要及时满足用户充电需求即可,在充电时运营商可以根据当前电价和云端电池的荷电状态来判断当下是否要及时补充容量备用。影响云储能运营商充放电策略的一些不确定性信息同时具有多种特点和性质,与环境因素和对带有隐私意识未来需求申报都有关系,这些不确定的因素既有随机性又具有模糊性和灰性(部分信息已知,部分未知)等,属于盲信息。对于盲信息可以采用盲数理论进行描述和处理。
在如图1所描述的多微网云储能结构示意图中,本发明采取配置有光伏发电设施多微网作为研究对象之一,其可以实现一部分负荷的自我供给,在光伏出力不足时其需要从电网购电满足需求;在光伏出力过剩时,需要将多余功率返送回电网。在购买云储能服务后,获得云端电池的功率容量和能量容量。此时多微网侧需要向云储能提供历史用电信息和自身用电行为信息,云储能运营商根据日前获得信息作出云端电池的调度优化。此时多微网在分时电价市场中,低电价或光伏出力过剩时优先对云端电池充电以备峰值电价时节约用电成本。图1中展示了信息能量的交互,在云储能运营商、电网以及多微网三个主体下,开展了一种计及隐私意识的多微网云储能优化调度方法。
图2为本发明计及隐私意识的多微网云储能优化调度方法流程图。如图2所示,一种计及隐私意识的多微网云储能优化调度方法包括:
步骤101:在云储能模式下建立多微电网用户充放电行为策略模型。
本发明所研究的多微电网云储能用户存假设已有的一定规模分布式的光伏发电设备,一般情况用户不会考虑复杂的储能控制策略,而是根据综合状态权重系数向云储能预报未来需求。云储能给予用户即买即用的用电机会,用户会根据自己需求购买合适的能量,根据自身用电负荷光量伏出力等来配置最优的储能容量。
本发明使用一个核心权重系数λ∈Ω描述环境状态包括天气、温度、时间等因素影响,用户的能源需求和电力价格是权重系数所定义的。为了便于分析我们将理想的临界充放电值进行统一化处理,本发明设用户i在t时段综合动态充放电权重系数为λt,充电临界逻辑系数设为λl,放电临界逻辑系数设为λh。
在综合光伏出力,市场价值导向和用户负荷等因素下,单个用户i在t时段合理的充放电策略是:当用户i在t时段的光伏发电大于负荷或当充电权重系数小于等于λl,为了过量光伏发电功率有效利用及储能容量的考虑,此时应该向云端电池充电;光伏发电小于负荷或当充电权重系数大于等于λh时,为了减少电网供电并满足用户负荷要求,此时云端电池放电;当光伏发电小于负荷要求且当前权重系数处在充放电系数当中,此时用户仍有额外负荷需求,直接从电网购电满足负荷需求,减少充放电次数,延长电池寿命。
在上述逻辑分析下,建立云储能用户i的运行模型的公式化展现如下。为了方便说明公式表达,定义了运算(x)+如下:
综合上述研究内容,总结出用户在每个时间段的充放电行为的数学模型如下:
在上述公式中:和分别为微电网用户i在t时段内所要求的充放电功率;在t时段充放电权重系数、充电和放电临界权重系数分别为λt,λl,λh;和分别为用户i的云储能充放电效率;和分别为云储能剩余容量最高和最低限度值;和分别为t和t-1时段末时刻的云储能剩余容量;Δt为时间间隔,时间间隔采样为1h。
此外每个用户在相邻时段内云端电池的容量的递推关系如下表示:
为了更好的消纳新能源提高光伏的利用率,在云储能用户的日常用电行为逻辑设定时,应该将消纳过剩的光伏出力放在首位。本发明假设用户所产生的光伏电量首先满足自身能耗,过剩能量再优先存储在云端储能当中,当过剩光伏出力不足时,对于不足需求部分直接向电网购买缺额功率。因此,个体云储能用户i充电功率中的光伏过剩功率可以如下表示:
用户需要通过网络向运营商发送充放电请求,当前时段所有的用户需求参数的合计是云储能控制端的决策参数。
式中:MgCES为云储能微网用户的集合。
步骤102:在用户运行策略的基础上建立云储能运营商运行基础行为模型。
CESO需要在日前综合所有用户的充放电需求,在及时满足用户需求的基础上,根据对当前环境,不确定因素下优化云储能充放电调度策略。调度过程中,用户在对购得云端电池发出充放电指令后,云储能运营商只需及时响应用户的放电需求即可,然后选择有利的充电时段,满足优化调度的需求。根据所有用户在t时段的放电和光伏出力情况,建立云储能运营商行为策略数学模型。云储能运营商的云端电池从电网补充的功率表示为:
CESO在聚合全部用户的储能充放电策略后在进行集中式优化调度出云端电池的充放电策略。由于云储能的共享模式可以充分利用全部用户的用能的互补性和时间差进行优化调度,能够在一定程度上改善预测误差。
步骤103:根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数。
CESO是为使用集中云端电池的所有用户累计放电曲线服务。根据所有用户的合计放电曲线和电价,通过充放电决策优化CES的最优功率和能量容量。在本发明云储能优化调度方法中,为了方便分析用户保护隐私意识传递负荷信息不完整对优化调度影响,考虑设备功率容量和能量容量配置和日前调度最优,暂时忽略其他储能技术因素影响。
首先,建立在完整信息传递下云储能充放电策略的研究,本发明基于模型预测理论,采用滚动优化算法求解。本发明的滚动优化时间尺度选取储能充放电的时间尺度,即1h。为使云储能充放电策略误差更小,在每一次的滚动优化中,输入数据为该时段及后一天时段的光伏和负荷预测值;输出结果包含两部分:下一时段充放电策略作为最终优化结果,一天内其余时段结果仅作辅助优化。循环优化一次后,选取最终优化结果作为下一时段滚动优化的初始值,以呈现云端储能的充放电连续属性。应用目标函数只采用第一次优化结果即可。
步骤103,具体包括:
根据所述用户充放电行为策略模型,确定功率最大值和容量最大值:
根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值,建立云储能运营商日前调度优化调度目标函数:
其中,F是云储能运营商日前调度成本;和分别是配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买电量总和;N为参与用户总数。在进行步骤103时,|Mi,t|=1。即传递信息集完整传递时进行步骤103。
云储能模式虽然设计为云端虚拟电池,但是实际控制是物理电池实体,所以同样配置了相同的物理参数,因此云端电池仍需要执行储能的物理属性的约束条件。其中包括储能的功率要在最大设定值以内,各个时段储能动态存储情况不能超出最大容量设定并且也不能低于最小的容量限额,在相邻时段中的容量应该存在和充放电策略的递推关系。因此云储能物理约束条件表达如下:
式中:和分别为云储能运营商在t时段的云端电池充放电功率;和分别为云储能运营商的储能剩余容量最大和最小限值;kmin和kmax分别是储能的最大和最小的允许荷电状态系数;是云端电池在t时段的剩余容量;和分别是配置的实体储能装置的充电和放电效率因数;SCES为运营商侧配置储能装置的自放电率。
步骤104:引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理。这里需求信息集为0<|Mi,t|<1,即当需求信息集不完全传递时进行步骤104。
步骤104具体包括:
步骤1041:采用判断矩阵法确定盲数模型可信度。
在模型控制预测理论中根据用户负荷预测、充放电策略和当前储能的荷电状态的完整信息能够得到优化调度策略。隐私是所有用户最优先考虑的问题,因此用户希望尽可能多的向消息接收者隐藏关他们实际能耗的信息,用户会主动选择信息传递策略而不是遵循预先设定的协议时,会出于隐私考虑不愿透露足够的信息。因此云端电池控制器不能完全通过观察消息集和其他公共信息来确定实际的能量需求。在环境因素和人为因素下的需求预测具有不确定性又具有模糊性和灰性,属于盲信息。对于盲信息可以采用盲数理论进行描述和处理。
设云储能微电网用户i在t时段的负荷变化因素集合为U,则Ui,t={u1,u2,…,um,},其中ui(i=1,2,…,m)表示该负荷变化可能区间,即ui∈g(i),其中g(i)为区间型灰数集。它通过对已知信息的分析和整理可以由数学计算直接得到。同时U也为用户建立盲数模型提供了区间灰数值,即用户i在t时段m阶盲数模型。完整的盲数模型还需要求得ui的可信度值αi,是一个模糊择优问题,即相当于要求得因素集U上的模糊子集其中αi是ui对A的隶属度,是所求模型的可信度值。本发明所采用的方法是判断矩阵法来建立考虑隐私意识的云储能优化调度的盲数模型。
判断矩阵法是把m个评价因素排成一个m阶的判断矩阵,专家通过对因素两两比较,根据各个因素(负荷所在区间)可信度值大小来确定矩阵的元素值,然后计算矩阵的最大特征根以及对应的特征向量。这个特征向量就是所求的盲数模型可信度αi。该方法的步骤如下:
1)判断值选取
根据云储能用户i在t时段的负荷变化实际情况将所要分析的数据分为n个区间,用Ui,t={u1,u2,…,um,}表示。从中任意取出一对因素ui,uj,对ui,uj的可能性程度进行比较,设是ui对uj的可能程度的判断值,是uj对ui的可能程度的判断值,该值为判断值的选择方法见表1。
表1盲数模型可信度的判断值表
2)构造判断矩阵
可得判断矩阵为:
显然,bii=1,bij=1/bji。
3)确定各负荷的可信度值
根据判断矩阵B,计算它的最大特征根λmax,得到最大特征跟λmax的特征相量ξ=(x1,x2,…,xm),取xi作为因素ui的可信度值αi,必要时对特征相量ξ进行归一化处理,即:
从而得到最终所求的盲数模型的可信度αi。
在计算判断矩阵B的最大特征根λmax及其特征相量ξ比较繁琐时,为了简化计算,可以求解可信度αi的近似值αi',计算公式为:
对其进行归一化处理为:
盲数均值是未确知期望和有理灰数心的延伸,体现了盲数的平均取值。设a、b均为实数,且a<b,称(a+b)/2为有理灰数[a,b]的心,记为⊙(a,b)。根据盲数均值的定义可知,对于m阶盲数f(x),记则其均值为:
步骤1042:根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理,得到处理后的云储能运营商日前调度优化调度目标函数:
其中,是云储能运营商日前模糊调度成本;和分别是模糊化处理后配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买模糊电量总和;N为参与用户总数。
步骤105:根据模糊化处理后的云储能运营商日前调度优化调度目标函数,确定云储能运营商的充放电优化调度方案。
对计及隐私意识的云储能调度优化模型中,预测值的不确定性可能存在三种情况即,实际值与预测值偏差小、中、较大三种情况,为了避免盲数模型因为高阶计算周期长,本发明定义为3阶云储能盲数运行模型。其中:
因此考虑隐私意识的功率盲数模型为:
式中:是云储能运营商日前模糊调度成本;和分别是模糊化处理后配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买模糊电量总和;N为参与用户总数。
因此云储能在盲数理论下的物理约束条件表达如下。
由于目标函数中有(x)+型的分段函数,因此引入辅助变量z,将z=x带入原目标函数当中,并加入如下约束条件:
通过步骤101-104将整个模型化为便于求解的线性规划问题,能够在Matlab内调用CPLEX求解器对上述优化模型经行求解,确定云储能运营商的充放电优化调度方案。
图3为本发明计及隐私意识的多微网云储能优化调度***结构图。如图3所示,一种计及隐私意识的多微网云储能优化调度***包括:
用户充放电行为策略模型建立模块201,用于在云储能模式下建立多微电网用户充放电行为策略模型。
云储能运营商运行基础行为模型建立模块202,用于在用户运行策略的基础上建立云储能运营商运行基础行为模型。
云储能运营商日前调度优化调度目标函数建立模块203,用于根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数。
模糊化处理模块204,用于引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理。
优化调度方案确定模块205,用于根据模糊化处理后的云储能运营商日前调度优化调度目标函数,确定云储能运营商的充放电优化调度方案。
所述用户充放电行为策略模型为:
其中:和分别为微电网用户i在t时段内所要求的充放电功率;在t时段充放电权重系数、充电和放电临界权重系数分别为λt,λl,λh;和分别为用户i的云储能充放电效率;和分别为云储能剩余容量最高和最低限度值;和分别为t和t-1时段末时刻的云储能剩余容量;Δt为时间间隔,时间间隔采样为1h。
所述云储能运营商运行基础行为模型为:
所述云储能运营商日前调度优化调度目标函数建立模块203,具体包括:
功率/容量最大值确定单元,用于根据所述用户充放电行为策略模型,确定功率最大值和容量最大值;
云储能运营商日前调度优化调度目标函数建立单元,用于根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值,建立云储能运营商日前调度优化调度目标函数:
其中,F是云储能运营商日前调度成本;和分别是配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买电量总和;N为参与用户总数。
所述模糊化处理模块204,具体包括:
盲数模型可信度确定单元,用于确定盲数模型可信度。
模糊化处理单元,用于根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理,得到处理后的云储能运营商日前调度优化调度目标函数:
其中,是云储能运营商日前模糊调度成本;和分别是模糊化处理后配置的云端电池储能功率和容量的最大值;λp和λE分别是配置储能单位功率和容量的成本;λt为该t时段电价;为全部参与用户一天调度从电网中购买模糊电量总和;N为参与用户总数。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应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 (10)
1.一种计及隐私意识的多微网云储能优化调度方法,其特征在于,包括:
在云储能模式下建立多微电网用户充放电行为策略模型;
在用户运行策略的基础上建立云储能运营商运行基础行为模型;
根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数;
引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理;
根据模糊化处理后的云储能运营商日前调度优化调度目标函数,确定云储能运营商的充放电优化调度方案。
4.根据权利要求1所述的计及隐私意识的多微网云储能优化调度方法,其特征在于,所述根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数,具体包括:
根据所述用户充放电行为策略模型,确定功率最大值和容量最大值;
根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值,建立云储能运营商日前调度优化调度目标函数:
5.根据权利要求1所述的计及隐私意识的多微网云储能优化调度方法,其特征在于,所述引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理,具体包括:
采用判断矩阵法确定盲数模型可信度;
根据所述盲数模型可信度对所述云储能运营商日前调度优化调度目标函数模糊化处理,得到处理后的云储能运营商日前调度优化调度目标函数:
6.一种计及隐私意识的多微网云储能优化调度***,其特征在于,包括:
用户充放电行为策略模型建立模块,用于在云储能模式下建立多微电网用户充放电行为策略模型;
云储能运营商运行基础行为模型建立模块,用于在用户运行策略的基础上建立云储能运营商运行基础行为模型;
云储能运营商日前调度优化调度目标函数建立模块,用于根据所述用户充放电行为策略模型和所述云储能运营商运行基础行为模型,建立完整需求信息集云储能运营商日前调度优化调度目标函数;
模糊化处理模块,用于引入盲数理论模型表征用户对于竞争和隐私意识做出具有不确定性的需求信息集传递,对所述云储能运营商日前调度目标函数优化处理;
优化调度方案确定模块,用于根据模糊化处理后的云储能运营商日前调度优化调度目标函数,确定云储能运营商的充放电优化调度方案。
9.根据权利要求6所述的计及隐私意识的多微网云储能优化调度***,其特征在于,所述云储能运营商日前调度优化调度目标函数建立模块,具体包括:
功率/容量最大值确定单元,用于根据所述用户充放电行为策略模型,确定功率最大值和容量最大值;
云储能运营商日前调度优化调度目标函数建立单元,用于根据所述云储能运营商运行基础行为模型、所述功率最大值和所述容量最大值,建立云储能运营商日前调度优化调度目标函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429607.3A CN112564151B (zh) | 2020-12-07 | 2020-12-07 | 一种计及隐私意识的多微网云储能优化调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429607.3A CN112564151B (zh) | 2020-12-07 | 2020-12-07 | 一种计及隐私意识的多微网云储能优化调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112564151A true CN112564151A (zh) | 2021-03-26 |
CN112564151B CN112564151B (zh) | 2023-03-28 |
Family
ID=75060769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011429607.3A Active CN112564151B (zh) | 2020-12-07 | 2020-12-07 | 一种计及隐私意识的多微网云储能优化调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112564151B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744078A (zh) * | 2021-07-28 | 2021-12-03 | 天津大学 | 一种具有更小互信息的智能电表用户隐私保护方法 |
CN115471091A (zh) * | 2022-09-22 | 2022-12-13 | 国网江苏省电力有限公司宿迁供电分公司 | 一种对电力***负荷进行短期预测的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224997A (zh) * | 2015-09-01 | 2016-01-06 | 国家电网公司 | 一种含有多种不确定性因素影响的规划负荷预测方法 |
CN111784540A (zh) * | 2020-07-07 | 2020-10-16 | 河海大学 | 一种基于多目标粒子群算法的云储能优化出清方法 |
-
2020
- 2020-12-07 CN CN202011429607.3A patent/CN112564151B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224997A (zh) * | 2015-09-01 | 2016-01-06 | 国家电网公司 | 一种含有多种不确定性因素影响的规划负荷预测方法 |
CN111784540A (zh) * | 2020-07-07 | 2020-10-16 | 河海大学 | 一种基于多目标粒子群算法的云储能优化出清方法 |
Non-Patent Citations (1)
Title |
---|
刘静琨等: "电力***云储能研究框架与基础模型", 《中国电机工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744078A (zh) * | 2021-07-28 | 2021-12-03 | 天津大学 | 一种具有更小互信息的智能电表用户隐私保护方法 |
CN115471091A (zh) * | 2022-09-22 | 2022-12-13 | 国网江苏省电力有限公司宿迁供电分公司 | 一种对电力***负荷进行短期预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112564151B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
CN109492815B (zh) | 一种市场机制下面向电网的储能电站选址定容优化方法 | |
Sandgani et al. | Coordinated optimal dispatch of energy storage in a network of grid-connected microgrids | |
Jiao et al. | Online optimal dispatch based on combined robust and stochastic model predictive control for a microgrid including EV charging station | |
US11011913B2 (en) | Multifunction power management system | |
US20140129040A1 (en) | Adaptive energy management system | |
De Santis et al. | Genetic optimization of a fuzzy control system for energy flow management in micro-grids | |
CN112217195B (zh) | 一种基于gru多步预测技术的云储能充放电策略形成方法 | |
CN107231001B (zh) | 一种基于改进灰色预测的楼宇微网在线能量管理方法 | |
CN112564151B (zh) | 一种计及隐私意识的多微网云储能优化调度方法及*** | |
Hou et al. | Data-driven economic dispatch for islanded micro-grid considering uncertainty and demand response | |
CN111817296B (zh) | 一种微电网用电能调度方法及*** | |
CN116054241B (zh) | 一种新能源微电网群***鲁棒能量管理方法 | |
Wen et al. | Optimal intra-day operations of behind-the-meter battery storage for primary frequency regulation provision: A hybrid lookahead method | |
CN110866647A (zh) | 用户侧储能控制方法、装置、设备及存储介质 | |
Kermani et al. | Energy management system for smart grid in the presence of energy storage and photovoltaic systems | |
CN110445173B (zh) | 一种基于多代理的分层多微网能量管理***及调度方法 | |
Zhang et al. | Distributed energy storage operation strategy for retailers based on evolutionary game theory | |
Chen et al. | Value stacking of a behind-the-meter utility-scale battery for demand response markets and demand charge management: real-world operation on the UC San Diego campus | |
Yu et al. | A fuzzy Q-learning algorithm for storage optimization in islanding microgrid | |
CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及*** | |
CN113964852A (zh) | 一种面向共享储能的虚拟电厂的发电控制方法及装置 | |
CN107134773B (zh) | 一种基于事件的智能微电网运行优化方法 | |
Zhang et al. | A distributed AGC power sharing strategy considering BESS participation factors | |
CN113904385B (zh) | 新能源发电侧虚拟电厂共享储能方法、***及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230803 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Dayu Chuangfu Technology Co.,Ltd. Address before: No.438, west section of Hebei Street, Haigang District, Qinhuangdao City, Hebei Province Patentee before: Yanshan University |