CN114884108B - 源网荷储一体化的微电网多时间尺度能量管理优化方法 - Google Patents
源网荷储一体化的微电网多时间尺度能量管理优化方法 Download PDFInfo
- Publication number
- CN114884108B CN114884108B CN202210668523.8A CN202210668523A CN114884108B CN 114884108 B CN114884108 B CN 114884108B CN 202210668523 A CN202210668523 A CN 202210668523A CN 114884108 B CN114884108 B CN 114884108B
- Authority
- CN
- China
- Prior art keywords
- power
- grid
- micro
- scheduling plan
- load
- 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 63
- 238000003860 storage Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 44
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 15
- 230000008901 benefit Effects 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000013486 operation strategy Methods 0.000 claims abstract description 4
- 238000011160 research Methods 0.000 claims abstract description 4
- 238000005096 rolling process Methods 0.000 claims abstract description 4
- 238000010248 power generation Methods 0.000 claims description 64
- 238000004146 energy storage Methods 0.000 claims description 35
- 230000003993 interaction Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 6
- 230000008451 emotion Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 210000001638 cerebellum Anatomy 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000002269 spontaneous effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 2
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000255588 Tephritidae Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出源网荷储一体化的微电网多时间尺度能量管理优化方法，所述优化方法为针对源网荷储一体化的微电网能量调度优化策略研究，在微电网可再生能源功率和负荷功率预测的基础上，设计所需的目标函数及约束条件，利用改进果蝇优化求解算法制定出多时间尺度相互配合的微电网能量调度计划；该多时间尺度的优化调度先通过制定周前、日前调度计划来确定整个微电网的总体运行策略，然后再根据日内滚动优化制定的调度计划对日前调度计划进行修正，制定出微电网***运行经济最优、环境效益最好、与大电网联络线功率最小为优化目标的能量调度计划；本发明能将微电网内“源网荷储”进行多时间尺度尺度统一管理。
Description
技术领域
本发明涉及电网运营技术领域，尤其是源网荷储一体化的微电网多时间尺度能量管理优化方法。
背景技术
当前，双碳目标加速了能源产业的变革，同时也为新能源产业的发展提供了新机遇与新挑战。风、光等分布式电源、储能装置的有效集成，组成源-网-荷-储协调互动的微电网能量管理***可以解决“源”出力与“荷”投切的双随机性问题，提高***对新能源发电的就地消纳能力；同时减少能量损耗、提高能源利用效率减少微电网的运行成本，缩短用户经济回报周期，降低用户的使用门槛，促进新能源微电网在社会上的全面普及，助力人人参与双碳，加快国家能源转型步伐，完成双碳目标。
现有的技术及所在问题(两个方面，源网荷储和时间尺度)：
1、传统电网的调度方式主要是“源”随“荷”动的方式，主要是针对负荷的变化，通过对电网发电侧电源出力的调整，最大限度地满足电网功率平衡。这种方法无法适应现有的大量分布式风、光等新能源发电接入电网的情况。新能源发电的随机性、不可控性需要电力***中“源网荷储”的相互配合，以保障电网的安全可靠运行。
2、现有的新型电力***的主要组成之一——微电网，能量管理方法往往只是在“源”、“储”上进行，未考虑“荷”可迁移、“网”可交流的特点，微电网能量未能得到充分利用，也存在微电网失电的风险。
3、目前，微电网能量调度方法主要都是基于多时间尺度制定的，这类方法大多是考虑在实时、短期或超短期预测的基础上制定调度计划，将调度计划分成了时、分、秒、毫秒等级，这样虽然能在一定程度上保证了微电网运行的可靠性，但忽视了精细调度计划实际运行的操作成本及难度和储能设备频繁充放电影响使用寿命，也忽视了大时间尺度调度计划(提前某一时间周期)对***运行经济性的影响。提前一定周期制定好与大电网的互动计划，并上传至相关部门，可以使得微电网与配电网之间的交流更友好，避免因风光等“源”的随机性而影响微电网与配电网联络线功率的波动性。
发明内容
本发明提出源网荷储一体化的微电网多时间尺度能量管理优化方法，能将微电网内“源网荷储”进行多时间尺度尺度统一管理。
本发明采用以下技术方案。
源网荷储一体化的微电网多时间尺度能量管理优化方法，其微电网拓扑结构中，源为新能源，网为交流配电网，荷为用户负荷，储为混合储能***，所述优化方法为针对源网荷储一体化的微电网能量调度优化策略研究，在微电网可再生能源功率和负荷功率预测的基础上，设计所需的目标函数及约束条件，利用改进果蝇优化求解算法制定出多时间尺度相互配合的微电网能量调度计划；该多时间尺度的优化调度先通过制定周前、日前调度计划来确定整个微电网的总体运行策略，然后再根据日内滚动优化制定的调度计划对日前调度计划进行修正，制定出微电网***运行经济最优、环境效益最好、与大电网联络线功率最小为优化目标的能量调度计划；
所述优化方法包括以下步骤；
步骤S1、根据交流配电网的新能源的不同对象特性确定功率预测算法；
步骤S2、建立三个时间尺度的优化调度策略；
步骤S3、利用基于反向学习和正余弦优化的果蝇优化方法进行应用求解；
步骤S4、在周前对源、荷的功率进行预测；
步骤S5、制定用于源网荷储互动的周前***一次调度计划；
步骤S6、在日前对源、荷的功率进行预测；
步骤S7、制定用于源荷储互动的日前***的二次调度计划；
步骤S8、在日内对功率进行预测；
步骤S9、制定用于源荷储互动的日内***的三次调度计划；
步骤S10、把完成的最终调度策略上传至源网荷储协调互动的微电网运行管理平台，并定期更新调度计划。
所述步骤S1中的预测包括新能源出力预测和负荷预测，新能源为风力发电或光伏发电；
新能源出力预测采用统计法进行预测，即基于数值天气预报和对历史数据进行统计，预测风力发电、光伏发电的出力；直接通过风力发电、光伏发电的历史出力数据作或利用历史天气数据得到环境变量与风力发电、光伏发电输出功率之间的映射关系，进行预测；在长期和短期预测中采用泛化能力强的模糊大脑情感学习神经网络，超短期预测采用动态特性强、响应速度快的递归小脑模型神经网络进行预测；
负荷预测的方法是对负荷历史数据进行统计以预测用户负荷功率，采用泛化能力强的模糊大脑情感学习神经网络进行预测。
所述步骤S2中，三个时间尺度的优化调度策略包括***的一次调度计划、二次调度计划和三次调度计划；
所述一次调度计划为针对我国现有新能源商业运行模式中的统购统销、自发自用、余量上网进行分析，通过长期预测，预测***未来一周内的风力发电、光伏发电的出力、负荷情况，来制定“源网荷储”互动的***一次调度计划，由此提前得到“网”侧调度计划，制定好“网”侧的调度计划，以减少微电网对大电网的冲击；
所述二次调度计划是针对微电网中风力发电、光伏发电的随机性、波动性，进行短期预测，预测***日前的风力发电、光伏发电的出力、负荷情况，制定第二个“源、荷、储”互动的***二次调度计划；
所述三次调度计划是进行超短期预测来预测***日内的风力发电、光伏发电的出力、负荷情况；
步骤S2中，采用的目标函数为
公式中，f为调度计划的目标值；d为微电网调度周期的时间段；α1～α4分别为每个调度周期的经济性目标f1，环境效益目标f2，与大电网的联络线稳定性目标f3，***内稳定性目标f4的权重系数，权重系数根据每次调度计划的实际情况而定；
步骤S2优化调度策略的约束条件包括以下几种：
风力发电、光伏发电的新能源输出功率不能超出功率上下限，以公式表述为：
Pi，min≤Pi(t)≤Pi，max
公式二；
式中Pi，maxPi，min分别为电源功率上下限；
微电网内电源输出功率、储能输出功率、与其并入的大电网交流功率之和应等于负荷功率，即微申网内部应保持功率平衡，以公式表述为
Ppv(t)+Pwind(t)+Pbattery(t)+Pg(t)＝Pload(t)
公式二；
式中Ppv(t)为光伏实际输出功率；Pwind(t)风电实际输出功率；Pbattery(t)为储能实际输出功率；Pg(t)为微电网与大电网交流功率；Pload(t)为负荷功率；
混合储能***在充放电过程中充放电功率应该在约束范围之内，并且储能的荷电量过高或过低都会影响混合储能***的正常工作及使用寿命，以公式表述为
式中Pbattery，min为储能最小充电功率；Pbattery，max为储能最大充电功率；Pbattery(t)为储能功率，取放电为正，充电为负；SOCmin储能最小荷电状态；SOC(t)储能t时刻的荷电状态；SOCmax储能最大荷电状态。
步骤S3中，针对果蝇算法初始种群个体的生成是给定范围内随机生成，导致初始个体具有较大的随机性和不确定性的问题，通过反向学***衡算法的全局搜索和局部搜索，进而提高算法的性能。
步骤S4中，将一周内每天分为四个时间段：即早高峰8点-12点、晚高峰 16点-22点、平段12点-16点、谷段22点-次日8点；预测数据以1h为分辨率，每个时间段为运行周期，周前预测每个时间段的数据。
步骤S5中，通过调度计划，使得“源”、“网”、“荷”、“储”各自在每个时间段内平均功率的净功率曲线波动率最小，由此可以提前得到“网”侧调度计划，制定好“网”侧的调度计划，减少微电网对大电网的冲击；同时制定以微电网的运行经济性最优：通过向大电网的购电成本、储能充放电的损耗、微电网售电获得的收益，来尽可能的消纳新能源，以与“网”的互动波动性最小为目标函数的一次调度计划。
步骤S6中，将一天分为96小时时间段，一个时间段15min。预测数据以15min 为分辨率，1h为运行周期，日前预测每小时的数据。
步骤S7中，在一次调度计划的基础上，设定“源、荷、储”不与“网”侧互动，以降低微电网对大电网的冲击，进而制定以微电网的经济性最优：减少储能中蓄电池充放电的损耗，“源”、“荷”、“储”各自在每个时间段内平均功率的净功率为最小，风力发电、光伏发电完全出力，可迁移负荷量最少等为目标函数的二次调度计划。
步骤S8中，预测数据以1min为分辨率，15min为运行周期。实时预测每分钟的数据，每分钟更正执行调度策略，具体为：每进入一个1min的时间段，利用前15min数据预测未来15min的数据，但只有第一个时间段执行调度计划。
步骤S9中，在***的二次调度计划的基础上，制定以微电网的经济性最优的三次调度计划，即：尽可能的减少储能中蓄电池充放电的损耗，尽可能利用功率密度大的储能元件平抑功率波动，日内“源”、“荷”、“储”各自在每个时间段内平均功率的净功率为最小，风光完全出力，可迁移负荷量最少等为目标函数的三次调度计划；所述功率密度大的储能元件包括超级电容。
本发明针对现有微电网的能量管理方法，提出一种将微电网内“源网荷储”进行多时间尺度尺度统一管理的能量管理方法；本发明针对我国现有新能源的两种商业运行模式：“统购统销”、“自发自用、余量上网”进行分析，需要“长期预测”***未来一周内的风光出力、负荷情况，来制定“源网荷储”互动的***长期调度计划，由此可以提前得到“网”侧调度计划，制定好“网”侧的调度计划，可将计划提前提交至相关部门，告知微电网未来一周内发电、用电计划，减少微电网对大电网的冲击。
本发明通过长期预测、短期预测、超短期预测的三时间尺度相结合的方法，同时考虑“源”、“荷”预测信息的准确性，制定出微电网***运行经济最优、环境效益最好、与大电网联络线功率最小为优化目标的能量调度计划，同时提出一种改进果蝇算法进行优化求解，解决了现有技术的问题及缺陷。
本发明可使***内如储能设备等的能量状态处于安全的工作范围内，延长***内设备的使用寿命，提高微电网运行的经济性、环保性和可靠性，为源网荷储一体化的微电网***的实际运行提供指导。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是源网荷储一体化的微电网***拓扑示意图；
附图2是微电网内源网荷储之间协调互动示意图；
附图3是源网荷储一体化的微电网策略模型及功能架构示意图；
附图4是微电网内能量管理策略的流程示意图；
附图5是微电网内能量管理策略的另一流程示意图。
具体实施方式
如图所示，源网荷储一体化的微电网多时间尺度能量管理优化方法，其微电网拓扑结构中，源为新能源，网为交流配电网，荷为用户负荷，储为混合储能***，所述优化方法为针对源网荷储一体化的微电网能量调度优化策略研究，在微电网可再生能源功率和负荷功率预测的基础上，设计所需的目标函数及约束条件，利用改进果蝇优化求解算法制定出多时间尺度相互配合的微电网能量调度计划；该多时间尺度的优化调度先通过制定周前、日前调度计划来确定整个微电网的总体运行策略，然后再根据日内滚动优化制定的调度计划对日前调度计划进行修正，制定出微电网***运行经济最优、环境效益最好、与大电网联络线功率最小为优化目标的能量调度计划；
所述优化方法包括以下步骤；
步骤S1、根据交流配电网的新能源的不同对象特性确定功率预测算法；
步骤S2、建立三个时间尺度的优化调度策略；
步骤S3、利用基于反向学习和正余弦优化的果蝇优化方法进行应用求解；
步骤S4、在周前对源、荷的功率进行预测；
步骤S5、制定用于源网荷储互动的周前***一次调度计划；
步骤S6、在日前对源、荷的功率进行预测；
步骤S7、制定用于源荷储互动的日前***的二次调度计划；
步骤S8、在日内对功率进行预测；
步骤S9、制定用于源荷储互动的日内***的三次调度计划；
步骤S10、把完成的最终调度策略上传至源网荷储协调互动的微电网运行管理平台，并定期更新调度计划。
所述步骤S1中的预测包括新能源出力预测和负荷预测，新能源为风力发电或光伏发电；
新能源出力预测采用统计法进行预测，即基于数值天气预报和对历史数据进行统计，预测风力发电、光伏发电的出力；直接通过风力发电、光伏发电的历史出力数据作或利用历史天气数据得到环境变量与风力发电、光伏发电输出功率之间的映射关系，进行预测；在长期和短期预测中采用泛化能力强的模糊大脑情感学习神经网络，超短期预测采用动态特性强、响应速度快的递归小脑模型神经网络进行预测；
负荷预测的方法是对负荷历史数据进行统计以预测用户负荷功率，采用泛化能力强的模糊大脑情感学习神经网络进行预测。
所述步骤S2中，三个时间尺度的优化调度策略包括***的一次调度计划、二次调度计划和三次调度计划；
所述一次调度计划为针对我国现有新能源商业运行模式中的统购统销、自发自用、余量上网进行分析，通过长期预测，预测***未来一周内的风力发电、光伏发电的出力、负荷情况，来制定“源网荷储”互动的***一次调度计划，由此提前得到“网”侧调度计划，制定好“网”侧的调度计划，以减少微电网对大电网的冲击；
所述二次调度计划是针对微电网中风力发电、光伏发电的随机性、波动性，进行短期预测，预测***日前的风力发电、光伏发电的出力、负荷情况，制定第二个“源、荷、储”互动的***二次调度计划；
所述三次调度计划是进行超短期预测来预测***日内的风力发电、光伏发电的出力、负荷情况；
步骤S2中，采用的目标函数为
公式中，f为调度计划的目标值；d为微电网调度周期的时间段；α1～α4分别为每个调度周期的经济性目标f1，环境效益目标f2，与大电网的联络线稳定性目标f3，***内稳定性目标f4的权重系数，权重系数根据每次调度计划的实际情况而定；
步骤S2优化调度策略的约束条件包括以下几种：
风力发电、光伏发电的新能源输出功率不能超出功率上下限，以公式表述为：
Pi，min≤Pi(t)≤Pi，max
公式二；
式中Pi，maxPi，min分别为电源功率上下限；
微电网内电源输出功率、储能输出功率、与其并入的大电网交流功率之和应等于负荷功率，即微申网内部应保持功率平衡，以公式表述为
Ppv(t)+Pwind(t)+Pbattery(t)+Pg(t)＝Pload(t)
公式二；
式中Ppv(t)为光伏实际输出功率；Pwind(t)风电实际输出功率；Pbattery(t)为储能实际输出功率；Pg(t)为微电网与大电网交流功率；Pload(t)为负荷功率；
混合储能***在充放电过程中充放电功率应该在约束范围之内，并且储能的荷电量过高或过低都会影响混合储能***的正常工作及使用寿命，以公式表述为
式中Pbattery,min为储能最小充电功率；Pbattery,max为储能最大充电功率；Pbattery(t)为储能功率，取放电为正，充电为负；SOCmin储能最小荷电状态；SOC(t)储能t时刻的荷电状态；SOCmax储能最大荷电状态。
步骤S3中，针对果蝇算法初始种群个体的生成是给定范围内随机生成，导致初始个体具有较大的随机性和不确定性的问题，通过反向学***衡算法的全局搜索和局部搜索,进而提高算法的性能。
步骤S4中，将一周内每天分为四个时间段：即早高峰8点-12点、晚高峰 16点-22点、平段12点-16点、谷段22点-次日8点；预测数据以1h为分辨率，每个时间段为运行周期，周前预测每个时间段的数据。
步骤S5中，通过调度计划，使得“源”、“网”、“荷”、“储”各自在每个时间段内平均功率的净功率曲线波动率最小，由此可以提前得到“网”侧调度计划，制定好“网”侧的调度计划，减少微电网对大电网的冲击；同时制定以微电网的运行经济性最优：通过向大电网的购电成本、储能充放电的损耗、微电网售电获得的收益，来尽可能的消纳新能源，以与“网”的互动波动性最小为目标函数的一次调度计划。
步骤S6中，将一天分为96小时时间段，一个时间段15min。预测数据以15min 为分辨率，1h为运行周期，日前预测每小时的数据。
步骤S7中，在一次调度计划的基础上，设定“源、荷、储”不与“网”侧互动，以降低微电网对大电网的冲击，进而制定以微电网的经济性最优：减少储能中蓄电池充放电的损耗，“源”、“荷”、“储”各自在每个时间段内平均功率的净功率为最小，风力发电、光伏发电完全出力，可迁移负荷量最少等为目标函数的二次调度计划。
步骤S8中，预测数据以1min为分辨率，15min为运行周期。实时预测每分钟的数据，每分钟更正执行调度策略，具体为：每进入一个1min的时间段，利用前15min数据预测未来15min的数据，但只有第一个时间段执行调度计划。
步骤S9中，在***的二次调度计划的基础上，制定以微电网的经济性最优的三次调度计划，即：尽可能的减少储能中蓄电池充放电的损耗，尽可能利用功率密度大的储能元件平抑功率波动，日内“源”、“荷”、“储”各自在每个时间段内平均功率的净功率为最小，风光完全出力，可迁移负荷量最少等为目标函数的三次调度计划；所述功率密度大的储能元件包括超级电容。
本例中，步骤S3中，在调度策略优化算法中，提出一种RL-SC的FOA(Based OnReverse Learning and Sine Cosine Fruit Fly OptimizationAlgorithm)，即利用基于反向学习和正余弦优化的果蝇优化方法进行应用求解。FOA算法是群体智能优化算法的代表性算法之一，具有结构简单、易于实际应用、求解速度快、计算成本低等优点。
步骤S10完成最终调度策略制定，在上传至源网荷储协调互动的微电网运行管理平台后，每min更新调度计划。
Claims (10)
1.源网荷储一体化的微电网多时间尺度能量管理优化方法，其微电网拓扑结构中，源为新能源，网为交流配电网，荷为用户负荷，储为混合储能***，其特征在于：所述优化方法为针对源网荷储一体化的微电网能量调度优化策略研究，在微电网可再生能源功率和负荷功率预测的基础上，设计所需的目标函数及约束条件，利用改进果蝇优化求解算法制定出多时间尺度相互配合的微电网能量调度计划；该多时间尺度的优化调度先通过制定周前、日前调度计划来确定整个微电网的总体运行策略，然后再根据日内滚动优化制定的调度计划对日前调度计划进行修正，制定出微电网***运行经济最优、环境效益最好、与大电网联络线功率最小为优化目标的能量调度计划；
所述优化方法包括以下步骤；
步骤S1、根据交流配电网的新能源的不同对象特性确定功率预测算法；
步骤S2、建立三个时间尺度的优化调度策略；
步骤S3、利用基于反向学习和正余弦优化的果蝇优化方法进行应用求解；
步骤S4、在周前对源、荷的功率进行预测；
步骤S5、制定用于源网荷储互动的周前***一次调度计划；
步骤S6、在日前对源、荷的功率进行预测；
步骤S7、制定用于源荷储互动的日前***的二次调度计划；
步骤S8、在日内对功率进行预测；
步骤S9、制定用于源荷储互动的日内***的三次调度计划；
步骤S10、把完成的最终调度策略上传至源网荷储协调互动的微电网运行管理平台，并定期更新调度计划。
2.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：所述步骤S1中的预测包括新能源出力预测和负荷预测，新能源为风力发电或光伏发电；
新能源出力预测采用统计法进行预测，即基于数值天气预报和对历史数据进行统计，预测风力发电、光伏发电的出力；直接通过风力发电、光伏发电的历史出力数据或利用历史天气数据得到环境变量与风力发电、光伏发电输出功率之间的映射关系，进行预测；在长期和短期预测中采用泛化能力强的模糊大脑情感学习神经网络，超短期预测采用动态特性强、响应速度快的递归小脑模型神经网络进行预测；
负荷预测的方法是对负荷历史数据进行统计以预测用户负荷功率，采用泛化能力强的模糊大脑情感学习神经网络进行预测。
3.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：所述步骤S2中，三个时间尺度的优化调度策略包括***的一次调度计划、二次调度计划和三次调度计划；
所述一次调度计划为针对我国现有新能源商业运行模式中的统购统销、自发自用、余量上网进行分析，通过长期预测，预测***未来一周内的风力发电、光伏发电的出力、负荷情况，来制定“源网荷储”互动的***一次调度计划，由此提前得到“网”侧调度计划，制定好“网”侧的调度计划，以减少微电网对大电网的冲击；
所述二次调度计划是针对微电网中风力发电、光伏发电的随机性、波动性，进行短期预测，预测***日前的风力发电、光伏发电的出力、负荷情况，制定第二个“源、荷、储”互动的***二次调度计划；所述三次调度计划是进行超短期预测来预测***日内的风力发电、光伏发电的出力、负荷情况；
步骤S2中，采用的目标函数为
公式中，f为调度计划的目标值；d为微电网调度周期的时间段；α1～α4分别为每个调度周期的经济性目标f1，环境效益目标f2，与大电网的联络线稳定性目标f3，***内稳定性目标f4的权重系数，权重系数根据每次调度计划的实际情况而定；
步骤S2优化调度策略的约束条件包括以下几种：
风力发电、光伏发电的新能源输出功率不能超出功率上下限，以公式表述为：
Pi，min≤Pi(t)≤Pi，max 公式二；
式中Pi，maxPi，min分别为电源功率上下限；
微电网内电源输出功率、储能输出功率、与其并入的大电网交流功率之和应等于负荷功率，即微电网内部应保持功率平衡，以公式表述为
Ppv(t)+Pwind(t)+Pbattery(t)+Pg(t)＝Pload(t) 公式三；
式中Ppv(t)为光伏实际输出功率；Pwind(t)风电实际输出功率；Pbattery(t)为储能实际输出功率；Pg(t)为微电网与大电网交流功率；Pload(t)为负荷功率；
混合储能***在充放电过程中充放电功率应该在约束范围之内，并且储能的荷电量过高或过低都会影响混合储能***的正常工作及使用寿命，以公式表述为
式中Pbattery,min为储能最小充电功率；Pbattery,max为储能最大充电功率；Pbattery(t)为储能功率，取放电为正，充电为负；SOCmin储能最小荷电状态；SOC(t)储能t时刻的荷电状态；SOCmax储能最大荷电状态。
4.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：步骤S3中，针对果蝇算法初始种群个体的生成是给定范围内随机生成，导致初始个体具有较大的随机性和不确定性的问题，通过反向学***衡算法的全局搜索和局部搜索,进而提高算法的性能。
5.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：步骤S4中，将一周内每天分为四个时间段：即早高峰8点-12点、晚高峰16点-22点、平段12点-16点、谷段22点-次日8点；预测数据以1h为分辨率，每个时间段为运行周期，周前预测每个时间段的数据。
6.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：步骤S5中，通过调度计划，使得“源”、“网”、“荷”、“储”各自在每个时间段内平均功率的净功率曲线波动率最小，由此可以提前得到“网”侧调度计划，制定好“网”侧的调度计划，减少微电网对大电网的冲击；同时制定以微电网的运行经济性最优：通过向大电网的购电成本、储能充放电的损耗、微电网售电获得的收益，来尽可能的消纳新能源，以与“网”的互动波动性最小为目标函数的一次调度计划。
7.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：步骤S6中，将一天分为96个时间段，一个时间段15min；预测数据以15min为分辨率，1h为运行周期，日前预测每小时的数据。
8.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：步骤S7中，在一次调度计划的基础上，设定“源、荷、储”不与“网”侧互动，以降低微电网对大电网的冲击，进而制定以微电网的经济性最优：减少储能中蓄电池充放电的损耗，“源”、“荷”、“储”各自在每个时间段内平均功率的净功率为最小，风力发电、光伏发电完全出力，可迁移负荷量最少为目标函数的二次调度计划。
9.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：步骤S8中，预测数据以1min为分辨率，15min为运行周期；实时预测每分钟的数据，每分钟更正执行调度策略，具体为：每进入一个1min的时间段，利用前15min数据预测未来15min的数据，但只有第一个时间段执行调度计划。
10.根据权利要求1所述的源网荷储一体化的微电网多时间尺度能量管理优化方法，其特征在于：步骤S9中，在***的二次调度计划的基础上，制定以微电网的经济性最优的三次调度计划，即：尽可能的减少储能中蓄电池充放电的损耗，尽可能利用功率密度大的储能元件平抑功率波动，日内“源”、“荷”、“储”各自在每个时间段内平均功率的净功率为最小，风光完全出力，可迁移负荷量最少为目标函数的三次调度计划；所述功率密度大的储能元件包括超级电容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210668523.8A CN114884108B (zh) | 2022-06-14 | 2022-06-14 | 源网荷储一体化的微电网多时间尺度能量管理优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210668523.8A CN114884108B (zh) | 2022-06-14 | 2022-06-14 | 源网荷储一体化的微电网多时间尺度能量管理优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114884108A CN114884108A (zh) | 2022-08-09 |
| CN114884108B true CN114884108B (zh) | 2024-06-25 |
Family
ID=82681864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210668523.8A Active CN114884108B (zh) | 2022-06-14 | 2022-06-14 | 源网荷储一体化的微电网多时间尺度能量管理优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114884108B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115714394B (zh) * | 2022-11-30 | 2024-06-18 | 国网北京市电力公司 | 微电网不同时间尺度协调控制方法、***、设备及介质 |
| CN117614039A (zh) * | 2024-01-24 | 2024-02-27 | 国网浙江省电力有限公司宁波供电公司 | 一种分布式资源管理方法、装置、计算机设备及存储介质 |
| CN118017604B (zh) * | 2024-04-09 | 2024-06-04 | 江苏谷峰电力科技股份有限公司 | 一种基于风光储一体化的智能微电网能源管理*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107196294A (zh) * | 2017-06-16 | 2017-09-22 | 国网江苏省电力公司电力科学研究院 | 源网荷互动模式下微电网多时间尺度自适应能量调度方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108695907B (zh) * | 2018-06-26 | 2020-09-29 | 四川大学 | 一种微电网多时间尺度优化调度方法 |
| CN109301853A (zh) * | 2018-12-17 | 2019-02-01 | 国网江苏省电力公司经济技术研究院 | 一种平抑功率波动的微电网多时间尺度能量管理方法 |
| CN114079285B (zh) * | 2020-08-13 | 2024-02-06 | 国网江苏省电力有限公司 | 基于多时间尺度的电网调度优化***及方法 |
| CN113937796A (zh) * | 2021-09-15 | 2022-01-14 | 东北电力大学 | 一种含风、光、储、蓄联合***多时间尺度优化方法 |
| CN114021361A (zh) * | 2021-11-10 | 2022-02-08 | 国网冀北电力有限公司 | 一种含蓄热电锅炉负荷的多时间尺度优化调度方法及*** |
-
2022
- 2022-06-14 CN CN202210668523.8A patent/CN114884108B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107196294A (zh) * | 2017-06-16 | 2017-09-22 | 国网江苏省电力公司电力科学研究院 | 源网荷互动模式下微电网多时间尺度自适应能量调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑随机性的微电网日前调度与储能优化模型;严海波;康林贤;周冬;;电网与清洁能源;20191125(第11期);第61-65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114884108A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114884108B (zh) | 源网荷储一体化的微电网多时间尺度能量管理优化方法 | |
| CN105024432B (zh) | 一种基于虚拟电价的电动汽车充放电优化调度方法 | |
| CN107565607A (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
| Zhang et al. | Research on bi-level optimized operation strategy of microgrid cluster based on IABC algorithm | |
| CN114336599B (zh) | 一种独立型微电网动态优化调度方法 | |
| CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
| CN113807569A (zh) | 一种多源储能型微网的完全分布式协同优化方法 | |
| Deng et al. | Hierarchical distributed frequency regulation strategy of electric vehicle cluster considering demand charging load optimization | |
| CN111864749A (zh) | 光伏***出力园区电动汽车充电方法、***及存储介质 | |
| CN105574681A (zh) | 一种多时间尺度社区能源局域网能量调度方法 | |
| Chang et al. | Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant | |
| CN116667406A (zh) | 基于非线性规划的储能充放电策略优化方法 | |
| Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
| CN113158412B (zh) | 一种基于布谷鸟算法的光储电站协同优化方法 | |
| CN110417002B (zh) | 一种孤岛微电网能量模型的优化方法 | |
| CN114091958A (zh) | 智能用电小区的综合能效评估方法及电网规划方法 | |
| CN109754128B (zh) | 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 | |
| Yang et al. | Energy Storage Configuration Optimization Method for Industrial Park Microgrid Based on Demand Side Response | |
| Jain et al. | A data driven approach for scheduling the charging of electric vehicles | |
| Li et al. | Influence on Stability Analysis in Distributed Smart Grids Using Computer Aimed Digital Decision Trees | |
| CN117332942B (zh) | 一种基于深度学习的车网调度管理优化方法 | |
| Xiong et al. | Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks | |
| Ren et al. | Decision-making approach in charging mode for electric vehicle based on cumulative prospect theory | |
| Jiang | Power distribution strategies to improve power distribution efficiency | |
| Jadallah | Multi-object model for the hybrid wind-solar power generation with energy storage and inverter access capacity configuration |
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 |