CN112883630B - 用于风电消纳的多微网***日前优化经济调度方法 - Google Patents
用于风电消纳的多微网***日前优化经济调度方法 Download PDFInfo
- Publication number
- CN112883630B CN112883630B CN202110353189.2A CN202110353189A CN112883630B CN 112883630 B CN112883630 B CN 112883630B CN 202110353189 A CN202110353189 A CN 202110353189A CN 112883630 B CN112883630 B CN 112883630B
- Authority
- CN
- China
- Prior art keywords
- grid
- micro
- microgrid
- load
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 48
- 230000005611 electricity Effects 0.000 claims abstract description 13
- 239000007789 gas Substances 0.000 claims description 91
- 239000002918 waste heat Substances 0.000 claims description 35
- 238000010438 heat treatment Methods 0.000 claims description 20
- 238000010521 absorption reaction Methods 0.000 claims description 18
- 238000001816 cooling Methods 0.000 claims description 16
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 14
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 10
- 239000003546 flue gas Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 239000003345 natural gas Substances 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000005057 refrigeration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000002737 fuel gas Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000011164 primary particle Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 241000254173 Coleoptera Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于风电消纳的多微网***日前优化经济调度方法，包括：建立用于风电消纳的多微网***优化调度模型：考虑风电消纳，以多微网***中功率、负荷获取约束条件，以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，对多微网***日前经济调度进行优化，建立用于风电消纳的多微网***优化调度模型；模型求解和求解优化：采用改进后的多目标粒子群算法对求解集合进行优化获取最优解集，并利用空间最短归一化距离得到最优解集中的最优结果。本发明通过优化微网***之间的交易电价，协调不同微电网之间的机组出力，解决多微网***中存在的“弃风”的现象，满足多种能源的需求，达到整体的经济性与环保性。
Description
技术领域
本发明涉及配电网优化调度领域，尤其涉及一种用于风电消纳的多微网***日前优化经济调度方法。
背景技术
近年来，清洁可再生能源的开发和利用受到各国重视，多数国家亦出台了与新能源发电相关的政策，其核心思想是引导新能源发电发展，以对环境没有污染的风力、光伏发电来取代传统火力发电，最终为能源危机、温室效应、大气污染等全球性问题的解决作出努力。然而，在可再生能源发电发展的过程中，显现出众多亟待解决的问题，如风力发电具有间歇性，且风电场发电功率等级一般较高，目前单个风力发电机容量已高达10MW，大功率风电入网时势必对电力***造成较大冲击，这也导致风电弃电率比较高，当微电网独立运行时，有可能产生风力发电过剩导致“弃风现象”的发生，也有可能出现新能源发电不足，采用增加柴油机的处理方式，产生较高的发电成本与较大的环境污染。根据国家能源局数据，2015年上半年全国风电上网电量虽然同比增长20.7％，但弃风电量也同比上升6.8％，平均弃风电率已高达15.2％，远超过同期光伏发电弃电率。所以，如何消纳大功率风电，便是亟待解决的问题。
发明内容
技术目的：针对现有技术中风力发电过剩、发电成本高和环境污染严重的缺陷，本发明公开了一种用于风电消纳的多微网***日前优化经济调度方法，通过优化微网***之间的交易电价，协调调度不同微电网之间的机组出力，可以有效的解决多微网***中存在的“弃风”的现象，满足多种能源的需求，达到整体的经济性与环保性。
技术方案：为实现上述技术目的，本发明采用以下技术方案。
一种用于风电消纳的多微网***日前优化经济调度方法，包括以下步骤：
S1、建立用于风电消纳的多微网***优化调度模型：考虑风电消纳和大电网对多微网***的电能交换，其中，考虑风电消纳具体指在预测的风电功率前提下，利用风能产生的电能；基于多微网***中功率、负荷获取约束条件，以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，控制多微网***日前经济调度，建立用于风电消纳的多微网***优化调度模型；
S2、采用改进的多目标粒子群算法对模型进行求解和优化：将所述多微网***中功率、负荷约束条件转换为等式约束和不等式约束，将多微网***中的所有出力设备的每一时刻出力作为未知变量，同时将多微网***中微电网之间的每一时刻的交换电量以及交换电价作为未知变量，将所有变量的维度设定为多目标粒子群算法中每一粒子的空间维度，多微网***的发电总成本和污染气体排放治理总成本设定为每一个粒子的目标函数，利用改进的多目标粒子群算法对多微网***优化调度模型进行求解和优化，利用多微网***的发电总成本最小和污染气体排放治理总成本最少的指标获取最优解。
优选地，所述步骤S2中改进后的多目标粒子群算法包括：引入对立学习策略初始化粒子群中每一粒子的初始位置，每一粒子的初始位置为所有未知变量的初始值，每个粒子包含多微网***中所有微电网的目标函数，每个微电网的目标函数包含自身的发电成本和污染气体排放治理成本。
优选地，所述引入对立学习策略初始化粒子群中每一粒子的初始位置，具体包括：
设置粒子种群包含S个个体，初始化粒子群中的每一个***置，每一个体的维度为D维：其中/>li、ui表示的第i维变量的下限与上限；
构建对立点：结合原粒子群S个个体共获取2S个体；
将Xi与得到的适应度值进行对比，如果/>的适应度值为非支配解，而Xi的适应度值为支配解，那么则用/>取代Xi；如果/>的适应度值为支配解，而Xi的适应度值为非支配解，则采用随机函数的方法判断是否要更新Xi。
优选地，所述步骤S1中多微网***包含通过电能进行联系的第一微电网、第二微电网和第三微电网，所述第一微电网仅包含电负荷，第一微电网通过电负荷方式与第二微电网和第三微电网进行电能交换和供给；第二微电网中包含热负荷、电负荷和冷负荷，其中热、电、冷耦合，第二微电网中通过电负荷、热负荷和冷负荷联供的方式与第一微电网和第三微电网进行电能交换给；第三微电网中包含电负荷和冷负荷，通过电负荷和冷负荷方式与第一微电网和第二微电网进行电能交换和供给。
优选地，所述电负荷包括蓄电池、风机、光伏电池及燃气轮机；所述热负荷包括燃气锅炉、余热锅炉和换热装置；所述冷负荷包括电制冷机和吸收式制冷机；
所述热、电和冷耦合具体指：燃气轮机消耗天然气产生电能的同时会产生烟气余热，烟气余热会进入余热锅炉中，余热锅炉将热量一部分会进入换热装置，从而供给热负荷，另一部分会进入吸收式制冷机，供给冷负荷。
优选地，所述步骤S1中以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，其中发电总成本包括燃料成本、运行管理成本、大电网与微电网之间以及微电网和微电网之间的电能交易成本，污染气体排放指多微网***中的每个微电网在发电的同时产生的污染气体。
优选地，所述步骤S1中以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，目标的函数公式为：
其中，F1，m(x)为多微网***中第m个微电网在24小时内的发电总成本，m＝1，2，...，M，表示多微网***中第m个微电网，i＝1，2，...，N，表示微电网中第i个发电机组，t＝1，2，...，24，表示第t时刻，Ci，t为微电网中第i个发电机组在第t时刻产生的发电及运行管理费用，Cgrid，t为大电网在第t时刻产生的发电及运行管理费用，Pj，t为第j个微电网和第m个微电网在第t时刻的交换电量，Cj，t为第j个微电网和第m个微电网在第t时刻交换电量的单价，F2，m(x)为多微网***中第m个微电网在24小时内的污染气体排放，T＝24，表示一天24小时，h＝1，2，...，R，表示多微网***中排放的第h种污染气体，βi，h表示微电网中第i个发电机组排放第h种污染气体的排放系数，βgrid，h表示大电网排放第h种污染气体的排放系数，λi，h为微电网中第i个发电机组排放第h种污染气体的单位治理费，λgrid，h为大电网排放第h种污染气体的单位治理费，Pi，t，m和Pgrid，t分别表示第m个微电网在t时刻的第i个发电机组发出的电能与大电网在t时刻发出的电能。
优选地，所述步骤S2中等式约束为电能供需之间的平衡，具体包含热负荷、电负荷和冷负荷之间的供需平衡，不等式约束包括微电网之间以及微电网和大电网之间的传输功率限制、蓄电池容量限制和微电网中发电机组的出力大小限制。
优选地，所述等式约束的计算公式为：
QEC(t)＝pEC(t)ηEC
QAC(t)＝PGT(t)ηGTηWHηcoolingηAC
QGB(t)＝FGB(t)LNGηGB
QHX(t)＝PGT(t)ηGTηWHηheatingηHX
QEC(t)+QAC(t)＝Pcooling(t)
QGB(t)+QHX(t)＝Pheating(t)
其中，pEC(t)、ηEC分别表示电制冷机消耗的电功率与能效比；QEC(t)表示电制冷机产出的制冷量；QAC(t)表示吸收式制冷机的输出制冷量；PGT(t)、ηGT分别表示的是燃气轮机t时刻的发电量及热电比，ηWH表示的是余热锅炉的效率，ηcooling表示的是燃气轮机余热用来制冷的比例，ηAC表示的是吸收式制冷机的能效比；FGB(t)、LNG、ηGB分别表示的是燃气锅炉在t时刻的消耗天然气量、燃气热值以及燃气锅炉的效率；ηheating、ηHX分别表示的是燃气余热用来制热的比例以及换热装置的能效比；QGB(t)为燃气锅炉的制热量；QHX(t)为换热装置的制热量；Pcooling(t)、Pheating(t)及Pi(t)分别是冷负荷功率、热负荷功率及电负荷功率；PGT.m(t)、PWT.m(t)、PGRID(t)及分别是第m个微电网的燃气轮机发电量、风机发电量及电网交互量以及其他微电网对第m个微电网的交换电量，m＝1，2，...，M，表示多微网***中第m个微电网。
优选地，所述不等式约束的计算公式为：
Pi，min≤Pi，t≤Pi，max
Pgrid，min≤Pgrid，t≤Pgrid，max
PES，min≤PES，t≤PES，max
Emin≤Et≤Emax
其中，i＝1，2，...，N，表示微电网中第i个发电机组，t＝1，2，...，24，表示第t时刻，Pi，min、Pi，t和Pi，max分别表示微电网中第i个发电机组在第t时刻的最小有功功率、实际有功功率和最大有功功率，Pgrid，min、Pgrid，t和Pgrid，max分别表示第t时刻大电网与微电网交换的最小有功功率、实际有功功率和最大有功功率，PES，min、PES，t和PES，max分别表示第t时刻蓄电池的最小有功功率、实际有功功率和最大有功功率，Emin、Et和Emax分别表示蓄电池容量的最小值、第t时刻容量的使用值和最大值。
有益效果：本发明通过优化多微网***之间的交易电价，协调调度不同微网***之间的机组出力，可以有效的解决多微网***中存在的“弃风”的现象，满足多种能源的需求，达到整体的经济性与环保性。
附图说明
图1为本发明的总方法流程图；
图2为本发明中改进后的多目标粒子群算法流程图；
图3为本发明实施例中多微网***的结构示意图。
具体实施方式
以下结合附图和实施例对本发明的一种用于风电消纳的多微网***日前优化经济调度方法做进一步的说明和解释。
如附图1所示，一种用于风电消纳的多微网***日前优化经济调度方法，包括以下步骤：
步骤一、建立用于风电消纳的多微网***优化调度模型：考虑风电消纳和大电网对多微网***的电能交换，其中，考虑风电消纳具体指在预测的风电功率前提下，利用风能产生的电能；微电网指的是小型电力***，而大电网指的是大型电力***，可以与微电网进行能量交换的电力***。在本发明中大电网仅考虑与微电网交换的电能，而不考虑发电设备。以多微网***中功率、负荷获取约束条件，以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放最少为目标，对多微网***日前经济调度进行优化，建立用于风电消纳的多微网***优化调度模型；将微电网之间电量的交易电价作为优化变量，同时考虑机组之间的冷、热、电耦合。日前经济主要指的是：一天24小时的时间里，时间刻度是1小时，所有发电设备的发电成本及污染治理成本的管理。
考虑风电消纳具体指：在预测的风电功率前提下，利用风能产生的电能。预测方式主要是：提出一种基于时间序列与天牛须搜索算法改进BP神经网络的组合预测模型。首先分别利用时间序列法与天牛须搜索算法改进的BP神经网络得到两个风电功率预测模型，其次根据误差平方和最小的原则利用粒子群算法寻找两个模型的权重系数，建立时间序列与改进BP神经网络的组合预测模型，最后以微电网的数据为基础，进行数据分析、预测与对比。关于预测方式的内容可以参考2020年10月份公开的论文“基于组合模型预测短期风电功率”。
其中，多微网***包含通过电能进行联系的第一微电网、第二微电网和第三微电网，所述第一微电网仅包含电负荷，第一微电网通过电负荷方式与第二微电网和第三微电网进行电能交换和供给；第二微电网中包含热负荷、电负荷和冷负荷，其中热、电、冷耦合，第二微电网中通过电负荷、热负荷和冷负荷联供的方式与第一微电网和第三微电网进行电能交换给；第三微电网中包含电负荷和冷负荷，通过电负荷和冷负荷方式与第一微电网和第二微电网进行电能交换和供给。
多微网***中热负荷、电负荷和冷负荷耦合方式包括：燃气轮机消耗天然气产生电能的同时会产生热量，余热锅炉中的热量一部分会进入换热装置，从而供给热负荷，另一部分会进入吸收式制冷机，供给冷负荷。
电负荷，即供电装置为蓄电池、风机、光伏电池及燃气轮机；
热负荷，即供热装置包括：燃气锅炉、余热锅炉、换热装置，换热装置主要是通过余热锅炉中的热量从而产生热量供给热负荷，而余热锅炉则是收集燃气轮机的烟气余热；
冷负荷，即供冷装置包括：电制冷机、吸收式制冷机，吸收式制冷机主要是通过余热锅炉的热量供给冷负荷，而余热锅炉则是收集燃气轮机的烟气余热；
此外燃气轮机也称为耦合装置，燃气轮机在消耗天然气产生电能的同时会排放温度高的烟气余热。
本发明中的耦合装置主要是燃气轮机，在微电网的发展初始阶段，燃气轮机主要是作为生产电能，而排放出来的烟气余热得不到利用，但是将排放的烟气余热收集起来输送至余热锅炉，从而可以供给冷负荷与热负荷，减轻电制冷机与燃气锅炉的负担。
对于热负荷、冷负荷的出力是采用“以热定电”、“以冷定电”的模式。以燃气轮机、吸收式制冷机、换热装置、燃气锅炉和电制冷机为例，固定燃气轮机的出力，因此可以求出吸收式制冷机与换热装置的出力，用热负荷与冷负荷减去两者的出力就可以算出燃气锅炉与电制冷机的出力。
以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，其中发电总成本包括燃料成本、运行管理成本、大电网与微电网之间以及微电网和微电网之间的电能交易成本，污染气体排放指多微网***中的每个微电网在发电的同时产生的污染气体，其计算公式为：
其中，F1，m(x)为多微网***中第m个微电网在24小时内的发电总成本，x代表的一个解决方案，当前微电网中所有出力设备的每一时刻出力，以及每一时刻的交换电量以及交换电价，并作为下一步骤中多目标粒子群中的一个粒子。m＝1，2，...，M，表示多微网***中第m个微电网，i＝1，2，...，N，表示微电网中第i个发电机组，t＝1，2，...，24，表示第t时刻，Ci，t为微电网中第i个发电机组在第t时刻产生的发电及运行管理费用，Cgrid，t为大电网在第t时刻产生的发电及运行管理费用，Pj，t为第j个微电网和第m个微电网在第t时刻的交换电量，Cj，t为第j个微电网和第m个微电网在第t时刻交换电量的单价，F2，m(x)为多微网***中第m个微电网在24小时内的污染气体排放，T＝24，表示一天24小时，h＝1，2，...，R，表示多微网***中排放的第h种污染气体，污染气体的类型包括NOx、SO2；βi，h表示微电网中第i个发电机组排放第h种污染气体的排放系数，βgrid，h表示大电网排放第h种污染气体的排放系数，λi，h为微电网中第i个发电机组排放第h种污染气体的单位治理费，λgrid，h为大电网排放第h种污染气体的单位治理费，Pi，t，n，m和Pgrid，t，m分别表示第m个微电网在t时刻的第i个发电机组发出的电能与大电网在t时刻发出的电能。
等式约束为电能供需之间的平衡，具体包含热负荷、电负荷和冷负荷之间的供需平衡，不等式约束包括微电网之间以及微电网和大电网之间的传输功率限制、蓄电池容量限制和微电网中发电机组的出力大小限制。等式约束的计算公式为：
QEC(t)＝pEC(t)ηEC (3)
QAC(t)＝PGT(t)ηGTηWHηcoolingηAC (4)
QGB(t)＝FGB(t)LNGηGB (5)
QHX(t)＝PGT(t)ηGTηWHηheatingηHX (6)
QEC(t)+QAC(t)＝Pcooling(t) (7)
QGB(t)+QHX(t)＝Pheating(t) (8)
其中，pEC(t)、ηEC分别表示电制冷机消耗的电功率与能效比；QEC(t)表示电制冷机产出的制冷量；QAC(t)表示吸收式制冷机的输出制冷量；PGT(t)、ηGT分别表示的是燃气轮机t时刻的发电量及热电比，ηWH表示的是余热锅炉的效率，ηcooling表示的是燃气轮机余热用来制冷的比例，ηAC表示的是吸收式制冷机的能效比；FGB(t)、LNG、ηGB分别表示的是燃气锅炉在t时刻的消耗天然气量、燃气热值以及燃气锅炉的效率；ηheating、ηHX分别表示的是燃气余热用来制热的比例以及换热装置的能效比；QGB(t)为燃气锅炉的制热量；QHX(t)为换热装置的制热量；Pcooling(t)、pHeating(t)及Pi(t)分别是冷负荷功率、热负荷功率及电负荷功率；PGT.m(t)、PWT.m(t)、PGRID(t)及分别是第m个微电网的燃气轮机发电量、风机发电量及电网交互量以及其他微电网对第m个微电网的交换电量，m＝1，2，...，M，表示多微网***中第m个微电网。
不等式约束的计算公式为：
Pi，min≤Pi，t≤Pi，max (10)
Pgrid，min≤Pgrid，t≤Pgrid，max (11)
PES，min≤PES，t≤PES，max (12)
Emin≤Et≤Emax (13)
其中，i＝1，2，...，N，表示微电网中第i个发电机组，t＝1，2，...，24，表示第t时刻，Pi，min、Pi，t和Pi，max分别表示微电网中第i个发电机组在第t时刻的最小有功功率、实际有功功率和最大有功功率，Pgrid，min、Pgrid，t和Pgrid，max分别表示第t时刻大电网与微电网交换的最小有功功率、实际有功功率和最大有功功率，PES，min、PES，t和PES，max分别表示第t时刻蓄电池的最小有功功率、实际有功功率和最大有功功率，Emin、Et和Emax分别表示蓄电池容量的最小值、第t时刻容量的使用值和最大值。
步骤二、采用改进的多目标粒子群算法对模型进行求解和优化：将所述多微网***中功率、负荷约束条件转换为等式约束和不等式约束，将多微网***中的所有出力设备的每一时刻出力作为未知变量，同时将多微网***中微电网之间的每一时刻的交换电量以及交换电价作为未知变量，将所有变量的维度设定为多目标粒子群算法中每一粒子的空间维度，多微网***的发电总成本和污染气体排放治理总成本设定为每一个粒子的目标函数，利用改进的多目标粒子群算法对多微网***优化调度模型进行求解和优化，利用多微网***的发电总成本最小和污染气体排放治理总成本最少的指标获取最优解。
如附图3所示，采用改进后的多目标粒子群算法对多微网***优化调度模型获取最优解集，并利用空间最短归一化距离得到最优解集中的最优结果。引入对立学习策略初始化粒子群中每一粒子的初始位置，尽可能的扩大搜索的范围，利用空间最短归一化距离得到最优解集中的最好的一个解。具体过程如下：
1、引入对立学习策略初始化粒子群中每一粒子的初始位置，产生初始调度方案，具体包括：
首先，设置粒子种群包含S个个体，初始化粒子群中的每一个***置，每一个体的维度为D维：
其中li、ui表示的第i维变量的下限与上限；
其次，构建对立点：
这样便可以得到一共2S个体。将Xi与得到的适应度值进行对比，如果/>的适应度值为非支配解，而Xi的适应度值为支配解，那么则用/>取代Xi，但是如果/>的适应度值为支配解，而Xi的适应度值为非支配解，则采用随机函数的方法判断是否要更新Xi，即K＝rand(0，1)，当K所得值大于等于0.5，则/>取代Xi，若小于0.5，则保持Xi不变。这样便能保证个体在解空间中的分布均匀性，进而扩大解的范围。
2、初始解进行支配关系计算选出非支配解进入外部档案；
3、粒子群进行速度与位置更新，利用Metropolis准则进行更新；
4、随机从外部档案选择非支配解与新解比较，若新解不被原解支配，则将新解加入外部档案；
5、外部档案重新支配排序，选择非支配解留在外部档案；
6、外部档案解数量超过容量拥堵距离排序，删除多余解；
7、判断是否达到最大代数，若是，则利用空间最短归一化距离得到最优解集中的最好的一个解，并输出最优解；若否，则返回步骤3，重新对粒子群进行速度与位置更新。
本发明所阐述的风电的消纳方法主要指的是将3个微电网进行联合调度，微电网与微电网之间、微电网与大电网之间可以进行电能的交换，可以将多余的风能输送到能量不足的地方，既可以避免污染气体的产生，同时将交换电能的电价作为优化变量之一进行优化，而且将多目标粒子群算法进行改进，扩大搜索的范围。通过优化***之间的交换电价，保证供需平衡的条件下，兼顾经济性与环保性。本发明有效解决“弃风”现象的产生，加大新能源的使用力度，避免能源的浪费。
实施例：
在本实施例中，多微网***的结构示意图如附图3所示，其中，热负荷通过燃气锅炉、燃气轮机与换热装置进行供给，冷负荷通过吸收式制冷机与电制冷机进行供给。多微网***中包含了3个微电网，微电网1仅需要考虑电负荷，因此包括了蓄电池、光伏电池与风机；微电网2则是需要考虑热、电、冷负荷，微电网3则是考虑冷负荷及电负荷，热负荷通过燃气锅炉与燃气轮机进行供给，冷负荷则是通过吸收式制冷机与电制冷机进行供给。
微电网1中的电能通过蓄电池、风机、光伏电池、主动配电网及微电网2与微电网3之间的电能交换进行供给。
微电网2中的电能通过风机、蓄电池、燃气轮机、主动配电网及其他微电网之间的电能供应。微电网2中的冷负荷一方面可以通过电制冷机进行供应，另一方面，燃气轮机产生的烟气余热通过余热锅炉收集起来，然后吸收式制冷机将余热锅炉中的热量进行转换。热负荷一方面可以通过燃气锅炉进行制热，另一方面利用余热锅炉中的热量进行制热。
微电网3中的电能供给通过燃气轮机、风机、主动配电网及其他微电网的电能交换。热负荷一方面可以通过燃气锅炉进行制热，另一方面利用余热锅炉中的热量进行制热。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种用于风电消纳的多微网***日前优化经济调度方法，其特征在于，包括以下步骤：
S1、建立用于风电消纳的多微网***优化调度模型：考虑风电消纳和大电网对多微网***的电能交换，其中，考虑风电消纳具体指在预测的风电功率前提下，利用风能产生的电能；基于多微网***中功率、负荷获取约束条件，以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，控制多微网***日前经济调度，建立用于风电消纳的多微网***优化调度模型；
S2、采用改进的多目标粒子群算法对模型进行求解和优化：将所述多微网***中功率、负荷约束条件转换为等式约束和不等式约束，将多微网***中的所有出力设备的每一时刻出力作为未知变量，同时将多微网***中微电网之间的每一时刻的交换电量以及交换电价作为未知变量，将所有变量的维度设定为多目标粒子群算法中每一粒子的空间维度，多微网***的发电总成本和污染气体排放治理总成本设定为每一个粒子的目标函数，利用改进的多目标粒子群算法对多微网***优化调度模型进行求解和优化，利用多微网***的发电总成本最小和污染气体排放治理总成本最少的指标获取最优解；
所述步骤S1中以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，其中发电总成本包括燃料成本、运行管理成本、大电网与微电网之间以及微电网和微电网之间的电能交易成本，污染气体排放指多微网***中的每个微电网在发电的同时产生的污染气体；
所述步骤S1中以多微网***中的每个微电网在24小时内的发电总成本最小和污染气体排放治理总成本最少为目标，目标的函数公式为：
其中，F1，m(x)为多微网***中第m个微电网在24小时内的发电总成本，m＝1，2，...，M，表示多微网***中第m个微电网，i＝1，2，...，N，表示微电网中第i个发电机组，t＝1，2，...，24，表示第t时刻，Ci，t为微电网中第i个发电机组在第t时刻产生的发电及运行管理费用，Cgrid，t为大电网在第t时刻产生的发电及运行管理费用，Pj，t为第j个微电网和第m个微电网在第t时刻的交换电量，Cj，t为第j个微电网和第m个微电网在第t时刻交换电量的单价，F2，m(x)为多微网***中第m个微电网在24小时内的污染气体排放，T＝24，表示一天24小时，h＝1，2，...，R，表示多微网***中排放的第h种污染气体，βi，h表示微电网中第i个发电机组排放第h种污染气体的排放系数，βgrid，h表示大电网排放第h种污染气体的排放系数，λi，h为微电网中第i个发电机组排放第h种污染气体的单位治理费，λgrid，h为大电网排放第h种污染气体的单位治理费，Pi，t，m和Pgrid，t分别表示第m个微电网在t时刻的第i个发电机组发出的电能与大电网在t时刻发出的电能；
所述步骤S2中改进后的多目标粒子算法包括：引入对立学习策略初始化粒子群中每一粒子的初始位置，每一粒子的初始位置为所有未知变量的初始值，每个粒子包含多微网***中所有微电网的目标函数，每个微电网的目标函数包含自身的发电成本和污染气体排放治理成本；
所述引入对立学习策略初始化粒子群中每一粒子的初始位置，具体包括：
设置粒子种群包含S个个体，初始化粒子群中的每一个***置，每一个体的维度为D维：其中/>li、ui表示的第i维变量的下限与上限；
构建对立点：结合原粒子群S个个体共获取2S个体；
将Xi与得到的适应度值进行对比，如果/>的适应度值为非支配解，而Xi的适应度值为支配解，那么则用/>取代Xi；如果/>的适应度值为支配解，而Xi的适应度值为非支配解，则采用随机函数的方法判断是否要更新Xi。
2.根据权利要求1所述的一种用于风电消纳的多微网***日前优化经济调度方法，其特征在于：所述步骤S1中多微网***包含通过电能进行联系的第一微电网、第二微电网和第三微电网，所述第一微电网仅包含电负荷，第一微电网通过电负荷方式与第二微电网和第三微电网进行电能交换和供给；第二微电网中包含热负荷、电负荷和冷负荷，其中热、电、冷耦合，第二微电网中通过电负荷、热负荷和冷负荷联供的方式与第一微电网和第三微电网进行电能交换和供给；第三微电网中包含电负荷和冷负荷，通过电负荷和冷负荷方式与第一微电网和第二微电网进行电能交换和供给。
3.根据权利要求2所述的一种用于风电消纳的多微网***日前优化经济调度方法，其特征在于：所述电负荷包括蓄电池、风机、光伏电池及燃气轮机；所述热负荷包括燃气锅炉、余热锅炉和换热装置；所述冷负荷包括电制冷机和吸收式制冷机；
所述热、电和冷耦合具体指：燃气轮机消耗天然气产生电能的同时会产生烟气余热，烟气余热会进入余热锅炉中，余热锅炉将热量一部分会进入换热装置，从而供给热负荷，另一部分会进入吸收式制冷机，供给冷负荷。
4.根据权利要求1所述的一种用于风电消纳的多微网***日前优化经济调度方法，其特征在于：所述步骤S2中等式约束为电能供需之间的平衡，具体包含热负荷、电负荷和冷负荷之间的供需平衡，不等式约束包括微电网之间以及微电网和大电网之间的传输功率限制、蓄电池容量限制和微电网中发电机组的出力大小限制。
5.根据权利要求4所述的一种用于风电消纳的多微网***日前优化经济调度方法，其特征在于，所述等式约束的计算公式为：
QEC(t)＝pEC(t)ηEC
QAC(t)＝PGT(t)ηGTηWHηcoolingηAC
QGB(t)＝FGB(t)LNGηGB
QHX(t)＝PGT(t)ηGTηWHηheatingηHX
QEC(t)+QAC(t)＝Pcooling(t)
QGB(t)+QHX(t)＝Pheating(t)
其中，pEC(t)、ηEC分别表示电制冷机消耗的电功率与能效比；QEC(t)表示电制冷机产出的制冷量；QAC(t)表示吸收式制冷机的输出制冷量；PGT(t)、ηGT分别表示的是燃气轮机t时刻的发电量及热电比，ηWH表示的是余热锅炉的效率，ηcooling表示的是燃气轮机余热用来制冷的比例，ηAC表示的是吸收式制冷机的能效比；FGB(t)、LNG、ηGB分别表示的是燃气锅炉在t时刻的消耗天然气量、燃气热值以及燃气锅炉的效率；ηheating、ηHX分别表示的是燃气余热用来制热的比例以及换热装置的能效比；QGB(t)为燃气锅炉的制热量；QHX(t)为换热装置的制热量；Pcooling(t)、Pheating(t)及Pi(t)分别是冷负荷功率、热负荷功率及电负荷功率；PGT.m(t)、PWT.m(t)、PGRID(t)及分别是第m个微电网的燃气轮机发电量、风机发电量及电网交互量以及其他微电网对第m个微电网的交换电量，m＝1，2，...，M，表示多微网***中第m个微电网。
6.根据权利要求4所述的一种用于风电消纳的多微网***日前优化经济调度方法，其特征在于，所述不等式约束的计算公式为：
Pi，min≤Pi，t≤Pi，max
Pgrid，min≤Pgrid，t≤Pgrid，max
PES，min≤PES，t≤PES，max
Emin≤Et≤Emax
其中，i＝1，2，...，N，表示微电网中第i个发电机组，t＝1，2，...，24，表示第t时刻，Pi，min、Pi，t和Pi，max分别表示微电网中第i个发电机组在第t时刻的最小有功功率、实际有功功率和最大有功功率，Pgrid，min、Pgrid，t和Pgrid，max分别表示第t时刻大电网与微电网交换的最小有功功率、实际有功功率和最大有功功率，PES，min、PES，t和pES，max分别表示第t时刻蓄电池的最小有功功率、实际有功功率和最大有功功率，Emin、Et和Emax分别表示蓄电池容量的最小值、第t时刻容量的使用值和最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353189.2A CN112883630B (zh) | 2021-03-31 | 2021-03-31 | 用于风电消纳的多微网***日前优化经济调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353189.2A CN112883630B (zh) | 2021-03-31 | 2021-03-31 | 用于风电消纳的多微网***日前优化经济调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112883630A CN112883630A (zh) | 2021-06-01 |
| CN112883630B true CN112883630B (zh) | 2023-10-31 |
Family
ID=76040418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110353189.2A Active CN112883630B (zh) | 2021-03-31 | 2021-03-31 | 用于风电消纳的多微网***日前优化经济调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883630B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114035434B (zh) * | 2021-11-22 | 2023-09-01 | 西南石油大学 | 一种燃气-蒸汽联合循环发电***运行优化方法 |
| CN115169950B (zh) * | 2022-07-26 | 2023-03-24 | 山东大学 | 一种基于多参数规划的电-气***分布式协同方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833607A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 双馈风力发电机多目标混合粒子群优化设计方法 |
| CN105958482A (zh) * | 2016-05-31 | 2016-09-21 | 天津天大求实电力新技术股份有限公司 | 基于佳点集量子粒子群算法的微网优化方法 |
| CN108229025A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 一种冷热电联供型多微网主动配电***经济优化调度方法 |
| CN108717594A (zh) * | 2018-04-16 | 2018-10-30 | 东南大学 | 一种冷热电联供型多微网***经济优化调度方法 |
| CN110504684A (zh) * | 2019-08-21 | 2019-11-26 | 东北大学 | 一种区域多微网***日前优化调度方法 |
| CN110571863A (zh) * | 2019-08-06 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 一种考虑配电网灵活性的分布式电源最大接纳能力评估方法 |
| CN111478312A (zh) * | 2019-11-20 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 一种提升电网稳定性的综合能源集群协调控制方法 |
| CN112069720A (zh) * | 2020-09-18 | 2020-12-11 | 西安交通大学 | 一种综合能源***及其运行优化方法 |
| CN112329260A (zh) * | 2020-11-24 | 2021-02-05 | 国网黑龙江省电力有限公司电力科学研究院 | 一种多能互补微网多元多目标优化配置与优化运行方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9367108B2 (en) * | 2012-06-28 | 2016-06-14 | Nec Corporation | Reduction of operational cost using energy storage management and demand response |
-
2021
- 2021-03-31 CN CN202110353189.2A patent/CN112883630B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833607A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 双馈风力发电机多目标混合粒子群优化设计方法 |
| CN105958482A (zh) * | 2016-05-31 | 2016-09-21 | 天津天大求实电力新技术股份有限公司 | 基于佳点集量子粒子群算法的微网优化方法 |
| CN108229025A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 一种冷热电联供型多微网主动配电***经济优化调度方法 |
| CN108717594A (zh) * | 2018-04-16 | 2018-10-30 | 东南大学 | 一种冷热电联供型多微网***经济优化调度方法 |
| CN110571863A (zh) * | 2019-08-06 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 一种考虑配电网灵活性的分布式电源最大接纳能力评估方法 |
| CN110504684A (zh) * | 2019-08-21 | 2019-11-26 | 东北大学 | 一种区域多微网***日前优化调度方法 |
| CN111478312A (zh) * | 2019-11-20 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 一种提升电网稳定性的综合能源集群协调控制方法 |
| CN112069720A (zh) * | 2020-09-18 | 2020-12-11 | 西安交通大学 | 一种综合能源***及其运行优化方法 |
| CN112329260A (zh) * | 2020-11-24 | 2021-02-05 | 国网黑龙江省电力有限公司电力科学研究院 | 一种多能互补微网多元多目标优化配置与优化运行方法 |
Non-Patent Citations (3)
| Title |
|---|
| Economic-environmental dispatch of microgrid based on improved quantum particle swarm optimization;Zhao Xin-gang et al.;《Energy》;1-15 * |
| 基于蜂群算法的冷热电联供型微网优化调度研究;王文静;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C042-2018 * |
| 电力***无功优化多目标处理与算法改进;陈前宇 等;《电力***保护与控制》;129-135 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112883630A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445090B (zh) | 一种离网型综合能源***双层规划方法 | |
| CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
| CN103151797B (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 | |
| CN107958300A (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
| CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
| CN108229025A (zh) | 一种冷热电联供型多微网主动配电***经济优化调度方法 | |
| Liu et al. | Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN112883630B (zh) | 用于风电消纳的多微网***日前优化经济调度方法 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和*** | |
| CN114330827B (zh) | 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 | |
| CN111047097A (zh) | 一种综合能源***日中滚动优化方法 | |
| CN115099007B (zh) | 基于综合成本-能耗曲线的综合能源***优化运行方法 | |
| CN115170343A (zh) | 一种区域综合能源***分布式资源和储能协同规划方法 | |
| Kang et al. | Feed-forward active operation optimization for CCHP system considering thermal load forecasting | |
| CN113255224A (zh) | 一种基于发光萤火虫算法的能源***配置优化方法 | |
| CN111585279A (zh) | 一种基于新能源消纳的微电网优化调度方法 | |
| CN116468215A (zh) | 计及源荷不确定性的综合能源***调度方法及装置 | |
| CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源***协调优化运行方法 | |
| CN115241923A (zh) | 一种基于蛇优化算法的微电网多目标优化配置方法 | |
| CN116432824A (zh) | 基于多目标粒子群的综合能源***优化方法及*** | |
| Ren et al. | Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers | |
| Mohamed et al. | Modelling and environmental/economic power dispatch of microgrid using multiobjective genetic algorithm optimization | |
| CN117175555A (zh) | 一种考虑微网功率支撑能力的主动配电网经济调度方法 | |
| CN116502921A (zh) | 一种园区综合能源***优化管理***及其协调调度方法 |
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 |