CN115114854A - 一种虚拟电厂分布式资源两级自组织优化聚合方法及*** - Google Patents
一种虚拟电厂分布式资源两级自组织优化聚合方法及*** Download PDFInfo
- Publication number
- CN115114854A CN115114854A CN202210759376.5A CN202210759376A CN115114854A CN 115114854 A CN115114854 A CN 115114854A CN 202210759376 A CN202210759376 A CN 202210759376A CN 115114854 A CN115114854 A CN 115114854A
- Authority
- CN
- China
- Prior art keywords
- virtual
- model
- energy storage
- synchronous generator
- power distribution
- 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.)
- Pending
Links
- 230000002776 aggregation Effects 0.000 title claims abstract description 66
- 238000004220 aggregation Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 90
- 230000001360 synchronised effect Effects 0.000 claims abstract description 69
- 238000004146 energy storage Methods 0.000 claims abstract description 42
- 230000004931 aggregating effect Effects 0.000 claims abstract description 20
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013178 mathematical model Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 230000009194 climbing Effects 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 238000013016 damping Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- H02J3/38—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种虚拟电厂分布式资源两级自组织优化聚合方法及***,将配电台区中的DERs构成的自然物理集群作为第一级,由配电台区部署的边缘计算服务器进行聚合;构建含风电、光伏和负荷的广义台区负荷模型;对于配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机模型;对于配电台区内的分布式储能,将其聚合为一台集中式的虚拟储能模型,即可完成面向配电台区的第一级聚合;通过将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,完成跨配电台区的第二级聚合。本发明能充分进行配电网分布式电力资源调控,且能提高能源利用率。
Description
技术领域
本发明属于虚拟电厂技术领域,具体涉及一种虚拟电厂分布式资源两级自组织优化聚合方法及***。
背景技术
随着风电、光伏、电动汽车等DERs(分布式电力资源)数量的跳跃式增长,未来将有海量的分布式电力资源以多种形式接入配电网。尽管DERs在配电网中占的比重愈来愈大,其优势却难以得到充分有效发挥。这是由于DERs具有高度的分散性、不确定性和异构性,分布式电源、可控负荷、电动汽车等大量小容量DER难以直接参与电网的调控:对于基于电价的间接调控模式,由于每个DER个体的容量小,对电力***的影响通常较低,其参与电网调控带来的经济效益往往较小,因此其参与调控的积极性较低;而对于DER直接参与***调度的直接调控模式,***运营商需求解复杂的高维优化模型,带来较大的计算负担,从而降低运行效率,无法保证电力***的高效有序运行。因此,资源的聚合是实现配电网分布式电力资源调控、提高能源利用率的关键。虚拟电厂(virtual power plant,VPP)作为聚合DERs的有效手段,借助先进的计量、通信、控制等技术,无需改变DERs各自的并网方式和地理位置即可实现聚能、供能、用能与储能,有效连接DERs与电力***,实现资源整合、分配与重组,并作为聚合实体直接参与电力***的调度运行,是智能电网在能源供给侧实现互动化、智能化的重要途径。
发明内容
有鉴于此,本发明提供一种虚拟电厂分布式资源两级自组织优化聚合方法及***。
本发明解决其技术问题采用的技术方案是:
一种虚拟电厂分布式资源两级自组织优化聚合方法,包括以下步骤:
1)面向配电台区的第一级聚合,具体包括:
S100、将配电台区中的DERs构成的自然物理集群作为第一级,由配电台区部署的边缘计算服务器进行聚合;
S200、利用向云端调取的历史数据,基于深度贝叶斯网络在边缘计算服务器中针对整个配电台区风能、太阳能的出力及台区负荷曲线进行不确定性建模,构建小时级预测模型;
S300、根据所述小时级预测模型,构建包含风电、光伏和负荷的广义台区负荷模型;
S400、对于配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机出力的数学模型;
S500、对于配电台区内的分布式储能,将其聚合为一个集中式的虚拟储能模型容量的数学模型;
2)跨配电台区的第二级聚合:将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,进行第二级聚合。
作为进一步的改进,所述步骤S400包括如下步骤:
S401、将序号为i的发电机的向上爬坡速率Rampi,up和向下爬坡速率Rampi,down分别进行累加,得到虚拟同步发电机的向上爬坡速率Rampsum,up和向下爬坡速率Rampsum,down,其中,N为大于0的正整数;
S402、根据每一台发电机的向上爬坡速率和向下爬坡速率,计算对应的虚拟同步发电机在t时刻出力的上限和下限,其中,Pi,max(t)=Pi(t-1)+Δt×Rampi,up,Pi,min(t)=Pi(t-1)-Δt×Rampi,down,Pi,max(t)≤Pi,max,Pi,min(t)≤Pi,min,Pi,max(t)表示第i台虚拟同步发电机在t时刻出力的上限,Pi,min(t)表示第i台虚拟同步发电机在t时刻出力的上限,Δt表示前一个时刻与当前时刻之间的时间差,Pi(t-1)表示前一个时刻的虚拟同步发电机出力,Pi,max和Pi,min分别为第i台虚拟同步发电机相应的出力上限最大值和下限最大值;
S403、把各台发电机在t时刻出力的上限和下限累加起来,得到对应的虚拟同步发电机在t时刻总的出力限值:其中,Pmax(t)表示虚拟同步发电机t时刻的出力上限,Pmin(t)表示虚拟同步发电机t时刻的出力下限,最终得到虚拟同步发电机出力的数学模型。
作为进一步的改进,所述步骤S500包括以下过程:
S501、将序号为j的储能设备的额定充电功率Pessj,char_N和额定放电功率Pessj,disc_N分别进行累加,得到虚拟储能模型的最大充电功率Pesschar,max(t)和Pessdisc,max(t),其中,M为大于0的正整数;
S502、设定t时刻储能设备的容量上限为Ej,max(t)=Ej(t-1)+Δt×Pessj,char_N,其中,Ej(t-1)表示前一个时刻的储能设备容量上限,Ej,max(t)≤Ej,max,Ej,max为储能设备的容量的最大值;设定t时刻储能设备的容量下限为Ej,min(t)=Ej(t-1)-Δt×Pessj,disc_N,其中Ej,min(t)≥Ej,min,Ej,min为储能设备的容量的最小值;
作为进一步的改进,所述跨配电台区的第二级聚合具体包括:
S601、以虚拟电厂内部运行成本最小为优化目标,构建虚拟电厂内部供需互动优化调度模型:
其中,CostVS,k(t)表示第k个配电台区内虚拟同步发电机的运行成本,CostESS,k(t)为第k个配电台区虚拟储能模型的运行成本,CostGrid(t)为虚拟电厂整体从外网购电的成本,CostGrid(t)为正则表示购电,CostGrid(t)为负则表示售电,T表示以时刻统计的总的时长,K表示参与聚合的配电台区的总数量;
S602、通过所述虚拟电厂内部供需互动优化调度模型,得到一个经优化的虚拟电厂运行的数据集,将所述数据集中各广义台区负荷模型、虚拟储能模型和虚拟同步发电机的出力作为预设值保存;
S603、将虚拟电厂内部所有发电单元的出力减去内部总负荷需求,得到剩余的总有功出力与剩余的储能容量,根据所述剩余的总有功出力与剩余的储能容量,计算相应有功出力容量的虚拟同步发电机的惯量、阻尼系数,并基于所述惯量、阻尼系数构建虚拟同步发电机数学模型,将不同容量水平的所述虚拟电厂内部供需互动优化调度模型总有功出力值作为所述虚拟同步发电机数学模型的输入,将所述输入和所述虚拟同步发电机数学模型输出组合形成训练数据集;
S604、采用深度Q学习算法,构建深度强化学习模型,通过训练得到容量自适应的模拟真实大型虚拟同步发电机组特性的虚拟发电厂聚合数据模型;
S605、将所述虚拟发电厂聚合数据模型作为虚拟电厂模型上传至云端的调度平台,进行第二级聚合。
作为进一步的改进,所述配电台区为包括楼宇、小区、工厂、学校的400V配电台区。
一种实现其上所述的虚拟电厂分布式资源两级自组织优化聚合方法的***,所述***包括配电台区、第一级聚合模块、第二级聚合模块、边缘计算服务器和云端,所述边缘计算服务器部署在配电台区,所述第一级聚合模块包括广义负荷模块、集中式发电机模块和集中式储能模块:
所述配电台区内设有若干DERs,若干所述DERs构成自然物理集群,将所述自然物理集群作为第一级,由配电台区部署的边缘计算服务器进行聚合;
所述边缘计算服务器利用向云端调取的历史数据,在边缘计算服务器中针对整个配电台区风能、太阳能的出力及台区负荷曲线基于深度贝叶斯网络学习的不确定性建模方法构建小时级预测模型;
所述广义负荷模块用于根据所述小时级预测模型,构建包含风电、光伏和负荷的广义台区负荷模型;
所述集中式发电机模块用于对配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机模型;
所述集中式储能模块用于对配电台区内的分布式储能,将其聚合为一台集中式的虚拟储能模型;
所述第二级聚合模块用于将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,进行第二级聚合。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述虚拟电厂分布式资源两级自组织优化聚合方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述虚拟电厂分布式资源两级自组织优化聚合方法的步骤。
上述虚拟电厂分布式资源两级自组织优化聚合方法及***,首先,将配电台区中的DERs构成的自然物理集群作为第一级,由配电台区部署的边缘计算服务器进行聚合;其次,利用向云端调取的历史数据,基于深度贝叶斯网络在边缘计算服务器中针对整个配电台区风能、太阳能的出力及台区负荷曲线进行不确定性建模,构建小时级预测模型,根据所述小时级预测模型,构建含风电、光伏和负荷的广义台区负荷模型;接着,对于配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机出力的数学模型;再次,对于配电台区内的分布式储能,将其聚合为一个集中式的虚拟储能模型容量的数学模型,通过上述过程,完成面向配电台区的第一级聚合;最后,通过将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,进行第二级聚合,完成跨配电台区的第二级聚合。本发明能充分进行配电网分布式电力资源调控,且能提高能源利用率。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是一种虚拟电厂分布式资源两级自组织优化聚合方法的流程图。
图2是一种虚拟电厂分布式资源两级自组织优化聚合***的模型图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作进一步的详细说明。
在一个实施例中,如图1所示,一种虚拟电厂分布式资源两级自组织优化聚合方法,包括以下步骤:
1)面向配电台区的第一级聚合,具体包括:
S100、将配电台区中的DERs构成的自然物理集群作为第一级,由配电台区部署的边缘计算服务器进行聚合;
需要说明的是,上述配电台区优选为包括楼宇、小区、工厂、学校的400V配电台区;自然物理集群就是分布式光伏、储能、电动汽车、分布式风力发电机构成的分布式电力资源(DERs)构成的集群。
S200、利用向云端调取的历史数据,基于深度贝叶斯网络在边缘计算服务器中针对整个配电台区风能、太阳能的出力及台区负荷曲线进行不确定性建模,构建小时级预测模型;
具体地,历史数据包括负荷基线数据、风电、光伏发电出力的数据,
S300、根据所述小时级预测模型,构建包含风电、光伏和负荷的广义台区负荷模型;
S400、对于配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机出力的数学模型;
S500、对于配电台区内的分布式储能,将其聚合为一个集中式的虚拟储能模型容量的数学模型;
2)跨配电台区的第二级聚合:将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,进行第二级聚合。
具体的,虚拟储能模型的所有参数包括容量、有功功率出力、无功功率出力、虚拟同步发电机的惯量系数和阻尼系数。
本发明基于资源聚合部分实现配电网中广域分布的分布式电力资源的自组织聚合,根据DERs的地理分布特性、负荷密度、用电水平等因素,提出了海量分布式电力资源的两级聚合模式,首先,由楼宇、小区、工厂、学校等400V配电台区中的DERs构成的自然物理集群作为第一级,由400V配电台区部署的边缘计算服务器进行聚合;其次,考虑DERs资源的随机性和负荷的波动性,利用向云端调取的历史数据,在边缘计算服务器中针对整个配电台区风能、太阳能的出力及台区负荷曲线基于深度贝叶斯网络学习的不确定性建模方法构建小时级预测模型,根据所述小时级预测模型,构建含风电、光伏和负荷的广义台区负荷模型;接着,对于配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机模型;再次,对于配电台区内的分布式储能,将其聚合为一台集中式的虚拟储能模型,通过上述过程,完成面向配电台区的第一级聚合;最后,通过将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,进行第二级聚合,完成跨配电台区的第二级聚合。本发明能充分进行配电网分布式电力资源调控,且能提高能源利用率。
在一个实施例中,步骤S400中对于配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机模型,包括如下步骤:
S401、将序号为i的发电机的向上爬坡速率Rampi,up和向下爬坡速率Rampi,down分别进行累加,得到虚拟同步发电机的向上爬坡速率Rampsum,up和向下爬坡速率Rampsum,down,其中,N为大于0的正整数;
S402、根据每一台发电机的向上爬坡速率和向下爬坡速率,计算对应的虚拟同步发电机在t时刻出力的上限和下限,其中,Pi,max(t)=Pi(t-1)+Δt×Rampi,up,Pi,min(t)=Pi(t-1)-Δt×Rampi,dowm,Pi,max(t)≤Pi,max,Pi,min(t)≤Pi,min,Pi,max(t)表示第i台虚拟同步发电机在t时刻出力的上限,Pi,min(t)表示第i台虚拟同步发电机在t时刻出力的上限,Δt表示前一个时刻与当前时刻之间的时间差,Pi(t-1)表示前一个时刻的虚拟同步发电机出力,Pi,max和Pi,min分别为第i台虚拟同步发电机相应的出力上限最大值和下限最大值;
S403、把各台发电机在t时刻出力的上限和下限累加起来,得到对应的虚拟同步发电机在t时刻总的出力限值:其中,Pmax(t)表示虚拟同步发电机t时刻的出力上限,Pmin(t)表示虚拟同步发电机t时刻的出力下限,最终得到虚拟同步发电机出力的数学模型。
在一个实施例中,步骤S500包括以下过程:
S501、将序号为j的储能设备的额定充电功率Pessj,char_N和额定放电功率Pessj,disc_N分别进行累加,得到虚拟储能模型的最大充电功率Pesschar,max(t)和Pessdisc,max(t),其中,M为大于0的正整数;
S502、设定t时刻储能设备的容量上限为Ej,max(t)=Ej(t-1)+Δt×Pessj,char_N,其中,Ej(t-1)表示前一个时刻的储能设备容量上限,Ej,max(t)≤Ej,max,Ej,max为储能设备的容量的最大值;设定t时刻储能设备的容量下限为Ej,min(t)=Ej(t-1)-Δt×Pessj,disc_N,其中Ej,min(t)≥Ej,min,Ej,min为储能设备的容量的最小值;
在一个实施例中,上述跨配电台区的第二级聚合具体包括:
S601、以虚拟电厂内部运行成本最小为优化目标,构建虚拟电厂内部供需互动优化调度模型:
其中,CostVS,k(t)表示第k个配电台区内虚拟同步发电机的运行成本,CostESS,k(t)为第k个配电台区虚拟储能模型的运行成本,CostGrid(t)为虚拟电厂整体从外网购电的成本,CostGrid(t)为正则表示购电,CostGrid(t)为负则表示售电,T表示以时刻统计的总的时长,K表示参与聚合的配电台区的总数量;
S602、通过所述虚拟电厂内部供需互动优化调度模型,得到一个经优化的虚拟电厂运行的数据集,将所述数据集中各广义台区负荷模型、虚拟储能模型和虚拟同步发电机的出力作为预设值保存;
S603、将虚拟电厂内部所有发电单元的出力减去内部总负荷需求,得到剩余的总有功出力与剩余的储能容量,根据所述剩余的总有功出力与剩余的储能容量,计算相应有功出力容量的虚拟同步发电机的惯量、阻尼系数,并基于所述惯量、阻尼系数构建虚拟同步发电机数学模型,将不同容量水平的所述虚拟电厂内部供需互动优化调度模型总有功出力值作为所述虚拟同步发电机数学模型的输入,将所述输入和所述虚拟同步发电机数学模型输出组合形成训练数据集;
具体地,发电单元包括燃气轮机、小水电站发电机,总负荷需求为负荷基线数据与风电、光伏发电出力相加后的广义负荷需求数据。
S604、采用深度Q学习算法,构建深度强化学习模型,通过训练得到容量自适应的模拟真实大型虚拟同步发电机组特性的虚拟发电厂聚合数据模型;
S605、将所述虚拟发电厂聚合数据模型作为虚拟电厂模型上传至云端的调度平台,进行第二级聚合。
总之,本发明通过两级聚合模式,很好地实现了配电网分布式电力资源调控,且能源利用率高。
在一个实施例中,一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现虚拟电厂分布式资源两级自组织优化聚合方法的步骤。
在一个实施例中,一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现虚拟电厂分布式资源两级自组织优化聚合方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上对本发明所提供的一种虚拟电厂分布式资源两级自组织优化聚合方法及***进行了详细介绍。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核心思想。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,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种虚拟电厂分布式资源两级自组织优化聚合方法,其特征在于,包括以下步骤:
1)面向配电台区的第一级聚合,具体包括:
S100、将配电台区中的DERs构成的自然物理集群作为第一级,由配电台区部署的边缘计算服务器进行聚合;
S200、利用向云端调取的历史数据,基于深度贝叶斯网络在边缘计算服务器中针对整个配电台区风能、太阳能的出力及台区负荷曲线进行不确定性建模,构建小时级预测模型;
S300、根据所述小时级预测模型,构建包含风电、光伏和负荷的广义台区负荷模型;
S400、对于配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机出力的数学模型;
S500、对于配电台区内的分布式储能,将其聚合为一个集中式的虚拟储能模型容量的数学模型;
2)跨配电台区的第二级聚合:将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,进行第二级聚合。
2.根据权利要求1所述的虚拟电厂分布式资源两级自组织优化聚合方法,其特征在于,所述步骤S400包括如下步骤:
S401、将序号为i的发电机的向上爬坡速率Rampi,up和向下爬坡速率Rampi,down分别进行累加,得到虚拟同步发电机的向上爬坡速率Rampsum,up和向下爬坡速率Rampsum,down,其中,N为大于0的正整数;
S402、根据每一台发电机的向上爬坡速率和向下爬坡速率,计算对应的虚拟同步发电机在t时刻出力的上限和下限,其中,Pi,max(t)=Pi(t-1)+Δt×Rampi,up,Pi,min(t)=Pi(t-1)-Δt×Rampi,down,Pi,max(t)≤Pi,max,Pi,min(t)≤Pi,min,Pi,max(t)表示第i台虚拟同步发电机在t时刻出力的上限,Pi,min(t)表示第i台虚拟同步发电机在t时刻出力的上限,Δt表示前一个时刻与当前时刻之间的时间差,Pi(t-1)表示前一个时刻的虚拟同步发电机出力,Pi,max和Pi,min分别为第i台虚拟同步发电机相应的出力上限最大值和下限最大值;
3.根据权利要求2所述的虚拟电厂分布式资源两级自组织优化聚合方法,其特征在于,所述步骤S500包括以下过程:
S501、将序号为j的储能设备的额定充电功率Pessj,char_N和额定放电功率Pessj,disc_N分别进行累加,得到虚拟储能模型的最大充电功率Pesschar,max(t)和Pessdisc,max(t),其中,M为大于0的正整数;
S502、设定t时刻储能设备的容量上限为Ej,max(t)=Ej(t-1)+Δt×Pessj,char_N,其中,Ej(t-1)表示前一个时刻的储能设备容量上限,Ej,max(t)≤Ej,max,Ej,max为储能设备的容量的最大值;设定t时刻储能设备的容量下限为Ej,min(t)=Ej(t-1)-Δt×Pessj,disc_N,其中Ej,min(t)≥Ej,min,Ej,min为储能设备的容量的最小值;
4.根据权利要求3所述的虚拟电厂分布式资源两级自组织优化聚合方法,其特征在于,所述跨配电台区的第二级聚合具体包括:
S601、以虚拟电厂内部运行成本最小为优化目标,构建虚拟电厂内部供需互动优化调度模型:
其中,CostVS,k(t)表示第k个配电台区内虚拟同步发电机的运行成本,CostESS,k(t)为第k个配电台区虚拟储能模型的运行成本,CostGrid(t)为虚拟电厂整体从外网购电的成本,CostGrid(t)为正则表示购电,CostGrid(t)为负则表示售电,T表示以时刻统计的总的时长,K表示参与聚合的配电台区的总数量;
S602、通过所述虚拟电厂内部供需互动优化调度模型,得到一个经优化的虚拟电厂运行的数据集,将所述数据集中各广义台区负荷模型、虚拟储能模型和虚拟同步发电机的出力作为预设值保存;
S603、将虚拟电厂内部所有发电单元的出力减去内部总负荷需求,得到剩余的总有功出力与剩余的储能容量,根据所述剩余的总有功出力与剩余的储能容量,计算相应有功出力容量的虚拟同步发电机的惯量、阻尼系数,并基于所述惯量、阻尼系数构建虚拟同步发电机数学模型,将不同容量水平的所述虚拟电厂内部供需互动优化调度模型总有功出力值作为所述虚拟同步发电机数学模型的输入,将所述输入和所述虚拟同步发电机数学模型输出组合形成训练数据集;
S604、采用深度Q学习算法,构建深度强化学习模型,通过训练得到容量自适应的模拟真实大型虚拟同步发电机组特性的虚拟发电厂聚合数据模型;
S605、将所述虚拟发电厂聚合数据模型作为虚拟电厂模型上传至云端的调度平台,进行第二级聚合。
5.根据权利要求4所述的虚拟电厂分布式资源两级自组织优化聚合方法,其特征在于,所述配电台区为包括楼宇、小区、工厂、学校的400V配电台区。
6.一种实现权利要求1至5中任一项所述的虚拟电厂分布式资源两级自组织优化聚合方法的***,其特征在于,所述***包括配电台区、第一级聚合模块、第二级聚合模块、边缘计算服务器和云端,所述边缘计算服务器部署在配电台区,所述第一级聚合模块包括广义负荷模块、集中式发电机模块和集中式储能模块:
所述配电台区内设有若干DERs,若干所述DERs构成自然物理集群,将所述自然物理集群作为第一级,由配电台区部署的边缘计算服务器进行聚合;
所述边缘计算服务器利用向云端调取的历史数据,在边缘计算服务器中针对整个配电台区风能、太阳能的出力及台区负荷曲线基于深度贝叶斯网络学习的不确定性建模方法构建小时级预测模型;
所述广义负荷模块用于根据所述小时级预测模型,构建包含风电、光伏和负荷的广义台区负荷模型;
所述集中式发电机模块用于对配电台区内的分布式的燃气轮机与小水电站的发电机,将其聚合为一个统一的虚拟同步发电机模型;
所述集中式储能模块用于对配电台区内的分布式储能,将其聚合为一台集中式的虚拟储能模型;
所述第二级聚合模块用于将所述广义台区负荷模型、所述虚拟同步发电机模型和所述虚拟储能模型的所有参数上传至云端,进行第二级聚合。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的虚拟电厂分布式资源两级自组织优化聚合方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的虚拟电厂分布式资源两级自组织优化聚合方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210759376.5A CN115114854A (zh) | 2022-06-30 | 2022-06-30 | 一种虚拟电厂分布式资源两级自组织优化聚合方法及*** |
US18/343,169 US20240006891A1 (en) | 2022-06-30 | 2023-06-28 | Two-stage self-organizing optimized aggregation method and system for distributed resources of virtual power plant (vpp) |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210759376.5A CN115114854A (zh) | 2022-06-30 | 2022-06-30 | 一种虚拟电厂分布式资源两级自组织优化聚合方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115114854A true CN115114854A (zh) | 2022-09-27 |
Family
ID=83329505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210759376.5A Pending CN115114854A (zh) | 2022-06-30 | 2022-06-30 | 一种虚拟电厂分布式资源两级自组织优化聚合方法及*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240006891A1 (zh) |
CN (1) | CN115114854A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833266A (zh) * | 2023-02-14 | 2023-03-21 | 中国科学院电工研究所 | 新能源电力***中跟网型变流器集群聚合控制方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674303B (zh) * | 2024-02-02 | 2024-05-14 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
-
2022
- 2022-06-30 CN CN202210759376.5A patent/CN115114854A/zh active Pending
-
2023
- 2023-06-28 US US18/343,169 patent/US20240006891A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833266A (zh) * | 2023-02-14 | 2023-03-21 | 中国科学院电工研究所 | 新能源电力***中跟网型变流器集群聚合控制方法 |
Also Published As
Publication number | Publication date |
---|---|
US20240006891A1 (en) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
CN108599206B (zh) | 高比例不确定电源场景下的配电网混合储能配置方法 | |
CN109636056B (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
CN109672184B (zh) | 一种含光伏的配电网电压控制方法和*** | |
Wu et al. | A multi-agent-based energy-coordination control system for grid-connected large-scale wind–photovoltaic energy storage power-generation units | |
CN110429649B (zh) | 考虑灵活性的高渗透率可再生能源集群划分方法 | |
CN110826880B (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN105005872A (zh) | 一种移峰填谷的储能***的容量配置方法 | |
CN103544655A (zh) | 一种含微电网的区域配电网分层优化方法 | |
CN108039737B (zh) | 一种源网荷协调运行模拟*** | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及*** | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能***能量协同优化调控方法 | |
CN104517161B (zh) | 虚拟发电厂的分布式电源组合规划***和方法 | |
CN111786422B (zh) | 基于bp神经网络的微电网参与上层电网实时优化调度方法 | |
CN112928767B (zh) | 一种分布式储能协同控制方法 | |
CN105741027A (zh) | 一种含电动汽车的虚拟电厂优化调度方法 | |
CN104253439B (zh) | 电池储能电站无功功率分配与控制方法 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力***动态经济调度的方法 | |
CN110867907B (zh) | 一种基于多类型发电资源同质化的电力***调度方法 | |
CN116957294A (zh) | 基于数字孪生的虚拟电厂参与电力市场交易的调度方法 | |
CN116914821A (zh) | 一种基于改进粒子群算法的微电网低碳优化调度方法 | |
CN108667077A (zh) | 一种风蓄联合***优化调度方法 | |
CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
CN114938040B (zh) | 源-网-荷-储交直流***综合优化调控方法和装置 | |
CN114884101B (zh) | 一种基于自适应模型控制预测的抽水蓄能调度方法 |
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 |