CN115833258A - 多能微网能量功率匹配优化方法及装置、电子设备、介质 - Google Patents

多能微网能量功率匹配优化方法及装置、电子设备、介质 Download PDF

Info

Publication number
CN115833258A
CN115833258A CN202211546768.XA CN202211546768A CN115833258A CN 115833258 A CN115833258 A CN 115833258A CN 202211546768 A CN202211546768 A CN 202211546768A CN 115833258 A CN115833258 A CN 115833258A
Authority
CN
China
Prior art keywords
energy
period
stage
constraint
short
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
Application number
CN202211546768.XA
Other languages
English (en)
Inventor
陈哲
赵波
林达
李志浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202211546768.XA priority Critical patent/CN115833258A/zh
Publication of CN115833258A publication Critical patent/CN115833258A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种多能微网能量功率匹配优化方法及装置、电子设备、介质，属于电力***优化运行领域，该方法为：通过可再生能源与负荷预测数据，建立长周期能量平衡模型与短周期功率平衡模型；采用基于数据驱动的两阶段分布鲁棒优化模型，刻画源荷双侧不确定性，建立两阶段三层日前功率平衡模型；采用列约束生成算法，并行处理第二阶段问题，获取日内功率调度最经济方案；采用长周期能量平衡模型与短周期功率平衡模型滚动求解的方法，获得多能微网能量功率匹配策略。与现有技术相比，本发明将周前等长周期调度方案与日前等短周期调度方案相协调，降低了可再生能源与负荷长周期预测误差对调度结果的影响，增强了多能微网长期自治运行的可靠性。

Description

多能微网能量功率匹配优化方法及装置、电子设备、介质
技术领域
本发明属于电力***优化运行领域，特别涉及一种基于长短周期混合储能的多能微网能量功率匹配优化方法及装置、电子设备、介质。
背景技术
随着微网技术的发展与可再生能源渗透率的提高，能量生产与消费将逐步呈现出分布式与就地化趋势，但可再生能源固有的随机性、间歇性与波动性，给多能微网的自治可靠运行带来了挑战。储能作为一种灵活性调节资源，可平抑分布式可再生能源波动，促进消纳。然而，目前大多数储能技术储能能力有限，无法解决长时间尺度可再生能源与负荷之间的功率不平衡问题。
国内外学者也相继展开了相关研究，包括氢储能应用、氢储能(长期储能)与蓄电池(短期储能)的复合能源***等问题。目前常用的方法为鲁棒优化考虑微网日前调度问题中可再生能源与负荷的不确定性。
然而目前仍有两方面的问题需要解决。第一，未能将周前等长周期调度方案与日前等短周期调度方案相协调，导致调度结果不经济或不可靠。第二，传统的鲁棒优化模型难以确定合适的不确定集。当事先设定的不确定集过大时，调度策略将会非常保守；反之，又会过于激进。
发明内容
为了解决上述问题，本发明提出了一种基于长短周期混合储能的多能微网能量功率匹配优化方法及装置、电子设备、介质。
本发明采用如下的技术方案：
本发明的第一方面，提供一种基于长短周期混合储能的多能微网能量功率匹配优化方法，包括：根据可再生能源与负荷长周期预测数据，建立长周期能量平衡模型；采用基于数据驱动的分布鲁棒优化模型刻画日内源荷双侧不确定性，建立两阶段三层短周期功率平衡模型；采用列约束生成算法，并行求解子问题，主子问题迭代求解短周期功率平衡经济调度策略；采用滚动优化的方法滚动求解多能微网能量-功率匹配策略。
本发明的第二方面，提供一种基于长短周期混合储能的多能微网能量功率匹配优化装置，包括：
长周期能量平衡模型生成模块，用于基于长周期可再生能源与负荷预测数据，建立长周期(周前)功率平衡模型；
短周期功率平衡模型生成模块，用于采用基于数据驱动的分布鲁棒算法，建立两阶段三层短周期(日前)功率平衡模型；
短周期功率平衡模型求解模块，用于采用列约束生成的算法，主子问题迭代求解短周期功率平衡模型；
能量-功率匹配模型求解模块，用于采用滚动优化的方式，迭代立长周期能量平衡模型和短周期功率平衡模型，获得多能微网能量-功率匹配策略。
本发明的第三方面，提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
本发明提供的技术方案具有以下有益效果：
由上可知，本发明基于长周期能量平衡模型与短周期功率平衡模型滚动优化的方式，统筹考虑长短周期源荷匹配，提升了***的经济性与可靠性。在日前调度阶段，建立了基于数据驱动的两阶段分布鲁棒优化模型，综合1-范数和∞-范数对不确定性场景概率分布进行约束，保证了微网的鲁棒性和经济性。
应当申明的是，以上描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图为说明书的一部分，展示了本发明的实施例子，与说明书一起用于解释本发明原理。
图1为长短周期混合储能的多能微网能量功率匹配优化方法流程图；
图2为长短周期混合储能的多能微网能量功率匹配优化装置示意图。
具体实施方式
下面结合本发明的附图，对本实施例中的技术方案进行清晰、***地介绍，然而，本发明描述地实施例只是本发明实例地一个效果较好实例，任何本领域技术人员在没有付出创造性工作的前提下所获得所有相关实施例，皆所以本发明的保护范围。
图1为一种基于长短周期混合储能的多能微网能量功率匹配优化方法流程图，根据图1所示，本发明提供了一种基于长短周期混合储能的多能微网能量功率匹配优化方法，该方法包括以下步骤：
步骤1，根据可再生能源与负荷长周期预测数据，建立长周期能量平衡模型；
步骤2，采用基于数据驱动的分布鲁棒优化模型刻画日内源荷双侧不确定性，建立两阶段三层短周期功率平衡模型；
步骤3，采用列约束生成算法，并行求解子问题，主子问题迭代求解短周期功率平衡经济调度策略；
步骤4，采用滚动优化的方法滚动求解多能微网能量-功率匹配策略。
由上述可知，本发明基于长周期能量平衡模型与短周期功率平衡模型滚动优化的方式，统筹考虑长短周期源荷匹配，提升了***的经济性与可靠性。在日前调度阶段，建立了基于数据驱动的两阶段分布鲁棒优化模型，综合1-范数和∞-范数对不确定性场景概率分布进行约束，保证了微网的鲁棒性和经济性。
在步骤1的具体实施中，根据可再生能源与负荷长周期预测数据，建立长周期能量平衡模型。
1)目标函数
Figure BDA0003980309000000041
式中：I为长周期能量平衡调度周期；Ci为第i次长周期能量平衡调度总成本；
Figure BDA0003980309000000042
和
Figure BDA0003980309000000043
分别为第i次长周期能量平衡调度第t天传统发电机所消耗的燃油成本、氢储能设备储能成本和***弃电惩罚成本。
2)能量平衡约束
对于长周期能量平衡模型，能量平衡约束如下：
Figure BDA0003980309000000044
Figure BDA0003980309000000045
Figure BDA0003980309000000046
式中：
Figure BDA0003980309000000047
为发电机发电量；
Figure BDA0003980309000000048
和
Figure BDA0003980309000000049
为分别为光伏和风电的实际发电量；
Figure BDA00039803090000000410
为氢燃料电池装置发电量；
Figure BDA00039803090000000411
为电负荷；
Figure BDA00039803090000000412
为P2H装置消耗能量；
Figure BDA00039803090000000413
为电热装置消耗能量；
Figure BDA00039803090000000414
为P2H装置的产氢量；
Figure BDA00039803090000000415
和
Figure BDA00039803090000000416
分别为氢储能装置充氢量和放氢量；
Figure BDA00039803090000000417
为氢负荷；
Figure BDA00039803090000000418
为氢燃料电池消耗的氢量；
Figure BDA00039803090000000419
为热回收装置回收的热量；
Figure BDA00039803090000000420
电热装置生成的热量；
Figure BDA00039803090000000421
为热负荷。
3)传统发电机模型
传统发电机成本函数：
Figure BDA0003980309000000051
式中：
Figure BDA0003980309000000052
为第i次长周期能量平衡调度第t天燃油发电机的成本；CO为燃油发电机的成本系数；Oi,t为第i次长周期能量平衡调度第t天发电机消耗的燃油量。
微网采取自治运行策略，传统发电机在一个调度区间内的耗油量应小于该地区的储油量，因此出力需要满足如下平衡约束：
Figure BDA0003980309000000053
Figure BDA0003980309000000054
Figure BDA0003980309000000055
式中：O0为第i次长周期能量平衡调度储存燃油初始储存量；τ为传统发电机燃油发电的转换效率；
Figure BDA0003980309000000056
为
Figure BDA0003980309000000057
的最大值。
4)可再生能源模型
可再生能源弃电成本包括弃风、弃光两部分，其成本函数为：
Figure BDA0003980309000000058
式中：
Figure BDA0003980309000000059
和
Figure BDA00039803090000000510
为第i次长周期能量平衡调度第t天光伏和风电预测值；CLV为弃光惩罚系数；CLW为弃风惩罚系数。
可再生能源出力约束：
Figure BDA00039803090000000511
Figure BDA00039803090000000512
5)氢储能模型
氢储能装置成本函数：
Figure BDA00039803090000000513
式中：CHS为储氢成本系数；ηCH为氢储能装置储氢效率；ηDH为氢储能装置放氢效率。
氢储能装置出力约束：
Figure BDA0003980309000000061
Hmin≤Hi,t≤Hmax (14)
Figure BDA0003980309000000062
Figure BDA0003980309000000063
Figure BDA0003980309000000064
Figure BDA0003980309000000065
式中：
Figure BDA0003980309000000066
为0-1变量，表示氢储能装置充放状态；Hi,t为第i次长周期能量平衡调度第t天氢储能装置储氢量；Hmin和Hmax为氢储能装置储氢总量的下限和上限；
Figure BDA0003980309000000067
和
Figure BDA0003980309000000068
为氢储能装置一天内放氢量和充氢量上限。
氢储能装置为长周期储能，其平衡约束为：
H0＝HI (19)
式中：H0为第i次长周期能量平衡调度氢储能装置初始储氢量；HI第i次长周期能量平衡调度氢储能装置最终储氢量。
6)P2H装置模型
电制氢装置功率约束：
Figure BDA0003980309000000069
Figure BDA00039803090000000610
式中：ηP2H为电制氢转换效率；
Figure BDA00039803090000000611
为电制氢装置一天内产氢量上限。
7)氢燃料电池模型
Figure BDA00039803090000000612
Figure BDA00039803090000000613
式中：ηFC为氢燃料电池转换效率；
Figure BDA00039803090000000614
为氢燃料电池一天内发电量上限。
8)热回收装置模型
热回收装置出力约束：
Figure BDA0003980309000000071
Figure BDA0003980309000000072
式中：
Figure BDA0003980309000000073
为热回收装置回收P2H装置余热的效率；
Figure BDA0003980309000000074
为热回收装置回收氢燃料电池余热的效率；
Figure BDA0003980309000000075
为热回收装置一天内回收热量上限。
9)电制热装置模型
电制热装置出力约束为：
Figure BDA0003980309000000076
Figure BDA0003980309000000077
式中：ηp为电热装置的转换效率；
Figure BDA0003980309000000078
为电热装置一天内回收热量上限。
在步骤2的具体实施中，采用基于数据驱动的分布鲁棒优化模型刻画日内源荷双侧不确定性，建立三层两阶段短周期功率平衡模型。
(2.1)短周期功率平衡日前计划
1)目标函数
Figure BDA0003980309000000079
Figure BDA00039803090000000710
Figure BDA00039803090000000711
式中：
Figure BDA00039803090000000712
为第i天t时刻燃油成本；
Figure BDA00039803090000000713
为第i天t时刻机组启停成本；
Figure BDA00039803090000000714
为当天第i天t时刻储能装置储能成本；
Figure BDA00039803090000000715
为第i天t时刻***弃风和弃光成本；
Figure BDA00039803090000000716
Figure BDA00039803090000000717
和
Figure BDA00039803090000000718
分别为传统发电机、P2H装置和氢燃料电池启停成本；
Figure BDA00039803090000000719
和
Figure BDA00039803090000000720
分别为电、氢、热三种储能装置储能成本。
2)功率平衡约束
对于短周期功率平衡模型日前阶段，功率平衡约束如下：
Figure BDA0003980309000000081
Figure BDA0003980309000000082
Figure BDA0003980309000000083
式中：
Figure BDA0003980309000000084
为发电机功率；
Figure BDA0003980309000000085
和
Figure BDA0003980309000000086
分别为光伏和风电实际发电功率；
Figure BDA0003980309000000087
为氢燃料电池发电功率；
Figure BDA0003980309000000088
和
Figure BDA0003980309000000089
分别为电储能装置取电与储电功率；
Figure BDA00039803090000000810
为P2H装置耗电功率；
Figure BDA00039803090000000811
为电热装置耗电功率；
Figure BDA00039803090000000812
为电负荷功率；
Figure BDA00039803090000000813
为P2H装置产氢速率；
Figure BDA00039803090000000814
和
Figure BDA00039803090000000815
分别为氢储能装置取氢与储氢速率；
Figure BDA00039803090000000816
为氢燃料电池耗氢速率；
Figure BDA00039803090000000817
为氢负荷速率；
Figure BDA00039803090000000818
为热回收装置回收热功率；
Figure BDA00039803090000000819
为电热装置产热功率；
Figure BDA00039803090000000820
和
Figure BDA00039803090000000821
分别为热储能装置取热与储热功率；
Figure BDA00039803090000000822
为热负荷功率。
3)传统发电机补充约束
传统发生电机长周期能量平衡调度策略出力约束：
Figure BDA00039803090000000823
Figure BDA00039803090000000824
Figure BDA00039803090000000825
式中：
Figure BDA00039803090000000826
和
Figure BDA00039803090000000827
分别为传统发电机发电量上调和下调松弛系数；Oi,1为第i次长周期能量平衡调度第1天传统发电机燃油消耗量；
Figure BDA00039803090000000828
为第i次长周期能量平衡调度第1天传统发电机能量。
传统发电机启停成本：
Figure BDA00039803090000000829
式中：
Figure BDA0003980309000000091
为传统发电机组空载成本；
Figure BDA0003980309000000092
为传统发电机组停机成本；
Figure BDA0003980309000000093
为传统传统发电机停机成本；
Figure BDA0003980309000000094
和
Figure BDA0003980309000000095
为0-1整数变量；
Figure BDA0003980309000000096
和
Figure BDA0003980309000000097
分别表示传统发电机启动状态和关闭状态；
Figure BDA0003980309000000098
为传统发电机开停状态。
传统发电机启停约束：
Figure BDA0003980309000000099
Figure BDA00039803090000000910
Figure BDA00039803090000000911
Figure BDA00039803090000000912
Figure BDA00039803090000000913
Figure BDA00039803090000000914
式中：
Figure BDA00039803090000000915
和
Figure BDA00039803090000000916
分别为传统发电机的初始开机和停机时间段；
Figure BDA00039803090000000917
和
Figure BDA00039803090000000918
分别为机组最小开机和停机时间；
Figure BDA00039803090000000919
和
Figure BDA00039803090000000920
分别为机组需要持续开机和停机时间；NT为短周期功率平衡模型调度时长；
Figure BDA00039803090000000921
表示传统发电机初始运行状态；
传统发电机爬坡约束：
Figure BDA00039803090000000922
Figure BDA00039803090000000923
式中：
Figure BDA0003980309000000101
为传统发电机最大爬坡功率。
4)氢储能装置长周期能量平衡调度出力约束
Figure BDA0003980309000000102
Figure BDA0003980309000000103
式中：
Figure BDA0003980309000000104
和
Figure BDA0003980309000000105
分别为储氢量上调和下调松弛系数；
Figure BDA0003980309000000106
和
Figure BDA0003980309000000107
分别为第i次长周期能量平衡调度第1天氢储能装置的储氢总量和放氢总量。
5)短周期储能装置模型
短周期储能装置包括电化学储能和热储能，两者模型结构相似，形式相同。电化学储能成本：
Figure BDA0003980309000000108
式中：CES为储电成本系数；ηCE为电化学储能装置充电效率；ηDE为电化学储能装置放电效率。
电化学储能出力约束：
Figure BDA0003980309000000109
Figure BDA00039803090000001010
Figure BDA00039803090000001011
Figure BDA00039803090000001012
式中：
Figure BDA00039803090000001013
为第i天t时刻电化学储能的荷电荷量；
Figure BDA00039803090000001014
和
Figure BDA00039803090000001015
为电化学储能装置储电量下限和上限；
Figure BDA00039803090000001016
和
Figure BDA00039803090000001017
为电化学储能装置放电和充电功率上限；
Figure BDA00039803090000001018
为0-1变量，表示电储能装置的充放电状态。
与氢储能不同，电储能装置储能周期较短，需满足1天内能量平衡：
Figure BDA0003980309000000111
6)P2H装置模型
Figure BDA0003980309000000112
Figure BDA0003980309000000113
Figure BDA0003980309000000114
Figure BDA0003980309000000115
式中：
Figure BDA0003980309000000116
为P2H装置最大制氢速率；ΔMP2H为P2H装置最大爬坡速率。
7)氢燃料电池模型
氢燃料电池约束：
Figure BDA0003980309000000117
Figure BDA0003980309000000118
Figure BDA0003980309000000119
Figure BDA00039803090000001110
式中：ΔPFC为P2H装置氢燃料电池最大爬坡功率；
Figure BDA00039803090000001111
为
Figure BDA00039803090000001112
的最大值。
(2.2)不确定集
本发明采用基于数据驱动的分布鲁棒模型刻画新能源出力与负荷的日前预测不确定性。通过场景聚类确定N个离散场景初始概率p0，以场景初始概率为中心，综合考虑1-范数和∞-范数约束条件，从而求解得到最恶劣场景概率分布概率。综合范数约束下可行域为ψ。
ψ＝ψ1∩ψ∞ (62)
Figure BDA0003980309000000121
Figure BDA0003980309000000122
式中:ψ1为1-范数约束下的置信空间；p为离散场景概率分布概率；
Figure BDA0003980309000000123
为正实数集；||p-p0||1≤θ1为1-范数约束条件；pn为第n个离散场景分布概率；
Figure BDA0003980309000000124
为第n个离散场景初始概率；ψ∞为∞-范数约束下的置信空间；||p-p0||∞≤θ∞为∞-范数约束条件；θ1和θ∞为概率允许的偏差限值。
离散场景分布概率p满足式(65)和式(66)的置信度。
Figure BDA0003980309000000125
Pr{||p-p0||∞≤θ∞}≥1-2Nexp(-2Kθ∞) (66)
令1-2N exp(-2Kθ1/Ν)＝α1，1-2N exp(-2Kθ∞)＝α∞，则偏差限值为：
Figure BDA0003980309000000126
上式表明随着历史数据数量K增加，场景概率分布的估计将更接近真实值，θ1和θ∞都会减小直至为0。α1和α∞分别为1-范数约束和∞-范数约束的置信度，置信度设置的越大，模型考虑的不确定性则越大，求解得到的调度策略鲁棒性越强。同时，调度策略也更加保守，导致微网运行的经济性降低。因此，合理的调节两个置信度参数，可以实现模型经济性与可靠性的平衡。
(2.3)短周期功率平衡日内调整
1)目标函数
Figure BDA0003980309000000131
式中：CGE为传统发电机成本系数；CES、CHS和CTS分别为电、氢、热3种储能设备出力调整惩罚系数；CLO为弃电调整惩罚系数；
Figure BDA0003980309000000132
为传统发电机出力调整值；
Figure BDA0003980309000000133
为t时刻电储能设备充电调整值；
Figure BDA0003980309000000134
为t时刻电储能设备放电调整值；
Figure BDA0003980309000000135
为t时刻氢储能设备储氢调整值；
Figure BDA0003980309000000136
为t时刻氢储能设备放氢调整值；
Figure BDA0003980309000000137
为t时刻热储能设备储热调整值；
Figure BDA0003980309000000138
为t时刻热储能设备放热调整值；
Figure BDA0003980309000000139
为t时刻弃电量调整值。
2)功率平衡约束
Figure BDA00039803090000001310
Figure BDA00039803090000001311
Figure BDA00039803090000001312
式中：变量上标s表示该变量的短周期功率平衡第二阶段。
3)传统发电机出力调节约束
Pt GE,s＝Pt GE+ΔPt GE (72)
Figure BDA00039803090000001313
Figure BDA00039803090000001314
式中：
Figure BDA00039803090000001315
为Pt GE的最小值；
Figure BDA00039803090000001316
为Pt GE的最大值；
4)电储能出力调节约束
Pt dis,s＝Pt dis+ΔPt dis (75)
Pt ch,s＝Pt ch+ΔPt ch (76)
Figure BDA0003980309000000141
Figure BDA0003980309000000142
Figure BDA0003980309000000143
Figure BDA0003980309000000144
Figure BDA0003980309000000145
Figure BDA0003980309000000146
式中：Δt为短周期功率平衡日内调整单位时间；
Figure BDA0003980309000000147
为第二阶段电储能装置的储能状态；
Figure BDA0003980309000000148
为Pt ch的最小值；
Figure BDA0003980309000000149
为Pt dis的最小值；
5)可再生能源调节约束
0≤Pt PV,s≤Pt PV,y (83)
0≤Pt PW,s≤Pt PW,y (84)
式中：Pt PV,y、Pt PW,y分别为光伏和风电t时刻预测功率。
除上述约束外，本发明建立多能微网短周期功率平衡日内调整模型仍需受到氢储能出力调节和热储能设备出力调节约束，但由于与电储能出力调节约束结构相似，形式相同，为避免重复，本发明不再详细介绍。
步骤3，采用列约束生成算法，并行求解子问题，主子问题迭代求解短周期功率平衡经济调度策略。
主问题在已知的离散场景最恶劣概率分布下，基于日前计划约束，求解经济最优解，并为短周期功率平衡模型提供下界值。第j次主子问题迭代中，主问题模型如式(85)和式(86)所示：
Figure BDA00039803090000001410
Figure BDA00039803090000001411
式中：X为日前阶段约束条件；x为第一阶段离散型决策变量；η为待优化的日内阶段目标函数值；yn,j为第j次迭代第n个场景下第二阶段决策变量；
Figure BDA0003980309000000155
为第j次迭代子问题求解出的最恶劣离散场景概率分布；aT和bT为对应目标函数的常数矩阵。
子问题为max-min两层优化问题，基于给定的第一阶段离散型决策变量x，寻找***实时运行时最恶劣场景概率分布。将计算结果返回主问题供下次迭代使用，为短周期功率平衡模型提供一个上界值。子问题模型如式(87)所示：
Figure BDA0003980309000000151
式中：ψ为场景概率的置信集合；Yn为各场景下日内阶段变量约束范围集合；yn为第n个场景下第二阶段决策变量。
由于分布鲁棒模型子问题中，第二阶段的变量约束范围在场景间相互独立，所以式(87)可以分解为max和min两个函数分步求解。
Figure BDA0003980309000000152
Figure BDA0003980309000000153
通过式(85)、式(86)和(87)之间的迭代更新，求解两阶段短周期功率平衡调度模型，当结果达到预定的精度值时，停止迭代。
步骤4，采用滚动优化的方法滚动求解多能微网能量-功率匹配策略。
如式(1)-式(27)所示，长周期能量平衡模型为单层线性规划问题，可以使用Gurobi等商用求解器直接求解。其紧凑形式如下：
Figure BDA0003980309000000154
s.t. Dx≥d (90)
式中：i表示长周期能量平衡模型迭代次数；zt为长周期能量平衡调度阶段决策变量；D、d表示上文中变量相应的矩阵或向量形式；cT为对应目标函数的常数矩阵。
求解式(90)，获得第i次长周期能量调度计划。其中，第i天燃油消耗量为Oi,1、储氢量为
Figure BDA0003980309000000161
短周期功率平衡调度模型紧凑形式如下：
Figure BDA0003980309000000162
根据短周期功率平衡求解方法，结合第i天燃油消耗量和氢储量限制，求解短周期功率平衡对调度策略，得到第i天实际燃油消耗量和氢储量。
Figure BDA0003980309000000163
Figure BDA0003980309000000164
式中：Ot为第i天t时刻传统发电机实际燃油消耗量；
Figure BDA0003980309000000165
为第i天实际燃油消耗量；
Figure BDA0003980309000000166
为第i天实际储氢量。
将
Figure BDA0003980309000000167
和
Figure BDA0003980309000000168
返回长周期能量平衡调度模型，更新燃油初始储存量O0与氢储能装置初始储氢量H0。
根据上述内容，求解步骤如下：
1)设置长周期能量平衡调度次数i＝1，燃油初始储存总量O0和氢储能装置初始储氢量H0，获取i至I天新能源发电和负荷预测数据。其中第i天数据由日前预测给出，第(i+1)到I天数据由长时间预测给出。
2)求解长周期能量平衡模型，得到i-I天能量分配策略，确定调度计划第1天燃油消耗总量Oi,1和储氢量
Figure BDA0003980309000000169
3)设置短周期功率平衡模型主子问题迭代次数j＝0，目标函数上界UB＝∞,下界LB＝-∞,初始场景概率分布p0。
4)更新燃油消耗总量约束(35)、(36)和储氢量约束(46)、(47)，求解式(85)和式(86)主问题，得到主问题最优解
Figure BDA0003980309000000171
更新下界值
Figure BDA0003980309000000172
5)固定
Figure BDA0003980309000000173
求解式(87)子问题，得到子问题的第j次迭代目标函数值
Figure BDA0003980309000000174
和最恶劣场景的概率分布pn，更新上界值
Figure BDA0003980309000000175
6)收敛性判断，若(UB-LB)/LB≤e，停止迭代，得到
Figure BDA0003980309000000176
和
Figure BDA0003980309000000177
否则，更新主问题中最恶劣场景概率分布
Figure BDA0003980309000000178
并在主问题中定义新的变量yj+1并添加与新变量相关的约束Yk+1，j＝j+1返回第3)步；
7)如果，i＝I,停止迭代。否则，令
Figure BDA0003980309000000179
i＝i+1，返回第1)步。
图2是为一种基于长短周期储能的多能微网能量-功率匹配优化装置框图。
该装置：
长周期能量平衡模型生成模块，用于基于长周期可再生能源与负荷预测数据，建立长周期功率平衡模型；
短周期功率平衡模型生成模块，用于采用基于数据驱动的分布鲁棒算法，建立两阶段三层短周期功率平衡模型；
短周期功率平衡模型求解模块，用于采用列约束生成的算法，主子问题迭代求解短周期功率平衡模型；
能量-功率匹配模型求解模块，用于采用滚动优化的方式，迭代立长周期能量平衡模型和短周期功率平衡模型，获得多能微网能量-功率匹配策略。
于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置的实施，基本对应于基于长短周期储能的多能微网能量-功率匹配优化方法，相关之处，参见方法实施部分即可。
本发明还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的能微网能量-功率匹配优化方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的能微网能量-功率匹配优化方法。
应当理解的是，以上叙述仅为本发明的较佳实施例而已，不能用于限制本发明，本发明涵盖任何在本发明精神与原则之内的，所有修改、等同替换、改进等。

Claims (10)

1.多能微网能量功率匹配优化方法，其特征在于，包括：
根据可再生能源与负荷长周期预测数据，建立长周期能量平衡模型；
采用基于数据驱动的分布鲁棒优化模型刻画日内源荷双侧不确定性，建立两阶段三层短周期功率平衡模型；
采用列约束生成算法，并行求解子问题，主子问题迭代求解短周期功率平衡经济调度策略；
采用滚动优化的方法滚动求解多能微网能量-功率匹配策略。
2.根据权利要求1所述的方法，其特征在于，所述两阶段三层多能微网短周期功率平衡模型，包括以下四个部分：第一阶段目标函数、第一阶段约束条件、第二阶段目标函数、第二阶段约束条件；
(1.1)第一阶段目标函数
将短周期功率平衡模型分为日前与日内两个阶段，其目标函数式最小化各子***总运行成本；
(1.2)第一阶段约束条件
所述第一阶段约束条件包括：电、氢、热三网功率平衡约束、机组爬坡约束、机组出力约束、风电出力约束、储能平衡约束；
(1.3)第二阶段目标函数
第二阶段目标函数为依据第一阶段的调度计划最小化最恶劣运行工况下运行成本；
(1.4)第二阶段约束条件
所述第二阶段约束条件包括：电、氢、热三网功率平衡约束、松弛变量约束、机组调节约束、不确定集约束。
3.根据权利要求1所述的方法，其特征在于，根据分布鲁棒模型结构特征，采用列约束生成算法，并行求解子问题，迭代主子问题求解短周期功率平衡模型，包括：
(2.1)初始化：设置迭代次数m＝1；
(2.2)求解主问题，得到主问题的控制变量；
(2.3)根据主问题结果求解子问题，得到其目标函数值S以及最恶劣离散场景的概率分布；
(2.4)收敛性判断：如果S＝0，则问题收敛，停止迭代；否则，将最恶劣离散场景的概率分布约束添加至主问题，继续迭代，m＝m+1，返回(2.2)。
4.根据权利要求1所述方法，其特征在于，滚动求解多能微网能量-功率匹配策略，包括：
(2.1)初始化：设置长周期能量平衡模型和短周期功率平衡模型迭代次数i＝1；
(2.2)求解长周期能量平衡模型，获得第i次微网能量分配策略，确定第i天燃油消耗量与储氢量限制；
(2.3)根据燃油消耗量与储氢量限制，求解短周期功率平衡模型，获得第i天功率分配策略；
(2.4)判断：如果i＝I，停止迭代；否则，将第i天燃油消耗量与储氢量返回到长周期能量平衡模型，继续滚动，i＝i+1，返回(2.2)。
5.多能微网能量功率匹配优化装置，其特征在于，包括：
长周期能量平衡模型生成模块，用于基于长周期可再生能源与负荷预测数据，建立长周期功率平衡模型；
短周期功率平衡模型生成模块，用于采用基于数据驱动的分布鲁棒算法，建立两阶段三层短周期功率平衡模型；
短周期功率平衡模型求解模块，用于采用列约束生成的算法，主子问题迭代求解短周期功率平衡模型；
能量-功率匹配模型求解模块，用于采用滚动优化的方式，迭代立长周期能量平衡模型和短周期功率平衡模型，获得多能微网能量-功率匹配策略。
6.根据权利要求5所述的装置，其特征在于，所述两阶段三层多能微网短周期功率平衡模型，包括以下四个部分：第一阶段目标函数、第一阶段约束条件、第二阶段目标函数、第二阶段约束条件；
(1.1)第一阶段目标函数
将短周期功率平衡模型分为日前与日内两个阶段，其目标函数式最小化各子***总运行成本；
(1.2)第一阶段约束条件
所述第一阶段约束条件包括：电、氢、热三网功率平衡约束、机组爬坡约束、机组出力约束、风电出力约束、储能平衡约束；
(1.3)第二阶段目标函数
第二阶段目标函数为依据第一阶段的调度计划最小化最恶劣运行工况下运行成本；
(1.4)第二阶段约束条件
所述第二阶段约束条件包括：电、氢、热三网功率平衡约束、松弛变量约束、机组调节约束、不确定集约束。
7.根据权利要求5所述的装置，其特征在于，根据分布鲁棒模型结构特征，采用列约束生成算法，并行求解子问题，迭代主子问题求解短周期功率平衡模型，包括：
(2.1)初始化：设置迭代次数m＝1；
(2.2)求解主问题，得到主问题的控制变量；
(2.3)根据主问题结果求解子问题，得到其目标函数值S以及最恶劣场景的概率分布；
(2.4)收敛性判断：如果S＝0，则问题收敛，停止迭代；否则，将最恶劣场景的概率分布约束添加至主问题，继续迭代，m＝m+1，返回(2.2)。
8.根据权利要求5所述的装置，其特征在于，滚动求解多能微网能量-功率匹配策略，包括：
(3.1)初始化：设置长周期能量平衡模型和短周期功率平衡模型迭代次数i＝1；
(3.2)求解长周期能量平衡模型，获得第i次微网能量分配策略，确定第i天燃油消耗量与储氢量限制；
(3.3)根据燃油消耗量与储氢量限制，求解短周期功率平衡模型，获得第i天功率分配策略；
(3.4)判断：如果i＝I，停止迭代；否则，将第i天燃油消耗量与储氢量返回到长周期能量平衡模型，继续滚动，i＝i+1，返回(3.2)。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-4中任一项所述方法的步骤。
CN202211546768.XA 2022-12-05 2022-12-05 多能微网能量功率匹配优化方法及装置、电子设备、介质 Pending CN115833258A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211546768.XA CN115833258A (zh) 2022-12-05 2022-12-05 多能微网能量功率匹配优化方法及装置、电子设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211546768.XA CN115833258A (zh) 2022-12-05 2022-12-05 多能微网能量功率匹配优化方法及装置、电子设备、介质

Publications (1)

Publication Number Publication Date
CN115833258A true CN115833258A (zh) 2023-03-21

Family

ID=85545109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211546768.XA Pending CN115833258A (zh) 2022-12-05 2022-12-05 多能微网能量功率匹配优化方法及装置、电子设备、介质

Country Status (1)

Country Link
CN (1) CN115833258A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备
CN116911076B (zh) * 2023-09-12 2024-03-19 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Similar Documents

Publication Publication Date Title
Konstantinopoulos et al. Optimal management of hydrogen storage in stochastic smart microgrid operation
JP5789792B2 (ja) 需給制御装置、需給制御方法、および、需給制御システム
US20030227276A1 (en) Control system for a renewable energy system
CN116187601B (zh) 一种基于负荷预测的综合能源***运行优化方法
CN109687479B (zh) 功率波动平抑方法、***、存储介质和计算机设备
CN113541191A (zh) 考虑大规模可再生能源接入的多时间尺度调度方法
US11710964B2 (en) Managing off-grid energy generation and storage
CN107017625B (zh) 用于独立微电网的能量动态调度的方法和设备
JP2021192570A (ja) 電力調整システム、電力調整方法、及びプログラム
CN115833258A (zh) 多能微网能量功率匹配优化方法及装置、电子设备、介质
CN115688970A (zh) 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
CN114362218B (zh) 基于深度q学习的微电网内多类型储能的调度方法及装置
Syed et al. Machine learning based controlled filtering for solar PV variability reduction with BESS
CN115189367A (zh) 一种多时间尺度下的风光储蓄联合优化调度方法及装置
WO2022054442A1 (ja) 電力調整方法および電力調整装置
CN106786702A (zh) 用于混合储能***的全状态模型预测能量调度方法
Zidane et al. A new fuzzy logic solution for energy management of hybrid photovoltaic/battery/hydrogen system
Poggi et al. The PV-Hydrogen MYRTE platform-PV output power fluctuations smoothing
CN115907393A (zh) 一种含长时储能虚拟电厂的多时间尺度调度方法
CN115809593A (zh) 一种包含多元储能装置的综合能源***的运行控制方法
CN115759683A (zh) 电氢耦合微能网能量管理方法及装置、电子设备、介质
Yoon et al. A multiagent-based hybrid power control and management of distributed power sources
Rezk et al. Hydrogen reduction-based energy management strategy of hybrid fuel cell/PV/battery/supercapacitor renewable energy system
CN117578449A (zh) 一种计及可再生能源不确定性的多能微能网优化调度方法
JP7494665B2 (ja) 水素製造システム、制御装置、水素発生装置の制御方法、及びコンピュータプログラム

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