CN116191508A - 一种计及风光出力的含储能有源配电网经济运行优化方法 - Google Patents

一种计及风光出力的含储能有源配电网经济运行优化方法 Download PDF

Info

Publication number
CN116191508A
CN116191508A CN202211670047.XA CN202211670047A CN116191508A CN 116191508 A CN116191508 A CN 116191508A CN 202211670047 A CN202211670047 A CN 202211670047A CN 116191508 A CN116191508 A CN 116191508A
Authority
CN
China
Prior art keywords
power
output
cost
wind
constraint
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
CN202211670047.XA
Other languages
English (en)
Inventor
李文佩
熊虎
向彬
杨帆
李家源
江晓光
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.)
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Hubei 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 Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Priority to CN202211670047.XA priority Critical patent/CN116191508A/zh
Publication of CN116191508A publication Critical patent/CN116191508A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • 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
    • H02J3/38—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种计及风光出力的含储能有源配电网经济运行优化方法，包括：建立各分布式电源数学模型；输入环境参数，采用神经网络得到风力和光伏发电的24小时出力预测值；以运行成本、污染成本和购售电成本为目标函数，以功率平衡约束、热平衡约束、蓄电池充放电约束、购售电约束、最小连续停运和连续运行时间为约束条件，建立有源配电网经济调度优化模型；对有源配电网经济调度优化模型求解，得到不同季节下配电网运行成本最低的日运行调度计划。本发明综合考虑了有源配电网分布式电源优化组合和负荷优化分配方式，从经济成本、污染排放物对环境的污染成本和购售电成本三个指标多方面量化分析含储能有源配电网对电网经济性和可靠性的影响。

Description

一种计及风光出力的含储能有源配电网经济运行优化方法
技术领域
本发明涉及含储能的有源配电网经济运行调度领域，具体是一种计及风光出力的含储能有源配电网经济运行优化方法。
背景技术
随着全球大力倡导使用可再生能源，各个国家都在寻求积极有效的应对措施，促进了分布式发电接入下新型智能电网的发展。分布式电源的种类众多，由于其安装位置灵活、运行维护费用低、网损小、可靠性高，从而得到了各个国家的支持，发展迅速。当大量分布式电源接入配电网后，传统配电网由原来的从输电网向用户配送功率逐渐演变为承载各种分布式电源和主动负荷功率多向流动的有源配电网，进一步加大了配网的控制难度。
同时，为提高有源配电网对可再生能源的吸纳能力，一些风电光伏电站以分布式电源的形式接入配网。但由于受风能、太阳能等新能源的影响，风电光伏的出力有很强的不确定性，导致电网运行不确定性增加、功率平衡难度大，对配电网***的可靠运行有着巨大挑战。研究表明，储能***在平滑新能源功率波动、削峰填谷等方面有着重要作用，但在配电网中大规模接入储能***，不仅成本高，而且利用效率低。
发明内容
本发明的主要目的在于一种一种计及风光出力的含储能有源配电网经济运行优化方法，提高有源配电网的可再生能源消纳能力，研究分布式电源在配电网中的优化调度管理，从经济、环境效益等多方面优化配电网的运行成本。
一种计及风光出力的含储能有源配电网经济运行优化方法，包括如下步骤：
S1.根据配电网总体结构以及分布式电源的发电特性，建立各分布式电源数学模型，得到分布式电源发电功率与发电成本之间、风光出力与环境参数之间的模型关系，建立发电成本、污染成本和购售电成本计算表达式；
S2.输入环境参数，包括当地每天的风速、日照、温度、负荷曲线，采用神经网络根据步骤S1中所建立的风光发电功率与环境参数之间的模型关系得到风光出力预测值；
S3.根据步骤S1建立的发电成本、污染成本和购售电成本计算表达式，以发电成本、污染成本和购售电成本的总成本最低为目标函数，以功率平衡约束、热平衡约束、最大出力约束、储能单元约束、购售电约束、最小连续停运和连续运行时间为约束条件，建立有源配电网经济调度优化模型，最大出力约束中风光最大出力约束值为步骤2得到的风光出力预测值；
S4.使用组合优化算法对步骤S3构建的有源配电网经济调度优化模型进行求解，即采用离散粒子群算法优化分布式电源组合状态，采用粒子群智能算法优化功率分布，对有源配电网经济调度优化模型求解得到满足负荷需求的使配电网运行成本最低的各分布式电源和储能每小时出力计划。
进一步的，所述步骤S1中分布式电源种类包括风力发电机、太阳能光伏发电、微型燃气轮机、燃料电池、蓄电池储能装置，建立的各分布式电源数学模型如下：
S11.微型燃气轮机的燃料成本FMT通过如下算式进行计算：
Figure SMS_1
式中，Fgas为天然气价格，LHVgas为天然气低热值，
Figure SMS_2
为在t时间内MT的输出功率，
Figure SMS_3
为t时刻时MT的效率，其与/>
Figure SMS_4
的关系为：
Figure SMS_5
微型燃气轮机所排烟气的余热量通过算式计算：
Figure SMS_6
Qhot＝QMT×COPhot
Qcool＝QMT×COPcool
式中，QMT为MT烟气余热值，ηl为散热损耗系数，Qhot、Qcool分别为烟气产生的热负荷和冷功率，COPhot、COPcool分别为溴冷机的供热、制冷系数；
S12.燃料电池的发电成本FFC由如下算式计算：
Figure SMS_7
式中，Fgas为天然气价格，LHVH2为氢气的低热值，
Figure SMS_8
为t时刻FC的输出功率，/>
Figure SMS_9
为t时刻FC的效率，计算为：
Figure SMS_10
S13.光伏发电(PV)的输出功率表示为：
Figure SMS_11
T(t)＝Tair(t)+0.0138·[1+0.031Tair(t)]·(1-0.042VW)·L(t)
Figure SMS_12
其中，
Figure SMS_13
为PV在太阳日照为L(t)时的输出功率；LSTC为在标准测试环境1000W/m2、25℃下的太阳日照；TSTC为标准测试环境下的PV温度；PSTC为标准环境下PV的最大输出功率；T(t)为t时刻的PV温度，VW为风速m/s；Tair(t)为该日任意时刻的气温值，Tmax、Tmin分别为该日最高温度和最低温度，tp为达到平均温度的某一时间；
S14.风力发电(WT)输出功率与风速之间的函数关系为：
Figure SMS_14
/>
Figure SMS_15
k2＝-k1·vci
式中，vci是切入风速，vr是额定风速，vco是切出风速，Pr为WT额定功率；
S15.蓄电池(BT)的荷电状态SOC计算表达式为：
Figure SMS_16
Figure SMS_17
式中，SOCt-1、SOCt分别为BTt-1、t时刻的荷电状态；τBT为BT的自放电率；ηc、ηf分别为BT充放电效率；WBT为BT的额定容量；
Figure SMS_18
为在t时间内BT的输出功率；/>
Figure SMS_19
为蓄电池充放电状态，值为1表示蓄电池充电，0表示蓄电池放电；/>
Figure SMS_20
分别为BTt时刻的充放电功率。
进一步的，根据所建立的数学模型，发电成本、污染成本和购售电成本的计算公式表示为：
Figure SMS_21
Figure SMS_22
Figure SMS_23
式中，FG为发电成本；FEn为环境污染成本；FEx为购售电成本；N为分布式电源的总数量；Pi为第i个分布式电源的输出功率；Fi(Pi)为第i个分布式电源的燃料成本；FOPi(Pi)为第i个分布式电源的运行维护成本，其计算式为FOPi(Pi)＝kPi，k为不同种类分布式电源的运行维护成本系数；M为污染物的总种类数；αj表示第种污染物的折算系数；Yi,j为第i个分布式电源在发电过程中产生的j种污染物的单位排放量；Cb(t)为购电成本；Pbuy(t)为t时刻的购电量；Cs(t)为售电成本；Psell(t)为t时刻的售电量。
进一步的，所述步骤S2具体包括：
S21.输入当地一个月的风速、日照、温度及负荷曲线；
S22.采用BP神经网络分别对典型日24小时的风速、日照、温度进行预测，根据BP神经网络的原理，构建其数学模型如下：
对于隐层，隐层神经元j的输入值xi与输出值hj的关系表示为：
Figure SMS_24
对于输出层，输出层神经元k的输入值hj与输出值yk的关系可以表示为：
Figure SMS_25
其中，m为隐层神经元的个数；n为输入层神经元的个数；l为输出层神经元的个数；aj、bk为各层之间阈值；wij、vjk为各层之间权重；函数f(x)为隐含层激励函数，采用sigmoid型函数其表达式如下：
Figure SMS_26
根据输出层输出向量组H和期望输出D可以计算出网络输出误差E：
Ek＝Dk-Hk,k＝1,2,...,l
权重wij、vjk及各层阈值aj、bk的更新公式为：
Figure SMS_27
Figure SMS_28
根据上述数学模型，将一个月前29天的风速、日照、温度设为样本值对BP神经网络进行训练，第30天的值作为目标值，训练步长设为10000，误差截止目标设为0.001，学习速率设置为0.1，隐含层和输出层激励函数均采用sigmoid型函数，反复训练网络，直到输出误差训练满足误差截止目标，重复上述步骤，即可得到典型日24小时的风速、日照、温度预测数据；
S23.将步骤S22得到的风速、日照、温度预测值带入步骤S13、步骤S14的风力光伏模型中，分别计算得到典型日24小时风力发电机和光伏发电机出力。
进一步的，所述步骤S3中的目标函数为：
minF＝FG+FEn+FEx
步骤S3约束条件中的功率平衡约束、热平衡约束、最大出力约束、储能单元约束、购售电约束、最小连续停运和连续运行时间，具体分别如下：
a.功率平衡约束：各分布式电源的发电量与从源侧电网的购电量之和减去售电量应大于等于负荷总需求：
Figure SMS_29
式中，
Figure SMS_31
为t时刻负荷总需求量，/>
Figure SMS_34
为t时刻微型燃气轮机发电功率，/>
Figure SMS_36
为t时刻燃料电池发电功率，/>
Figure SMS_32
为t时刻风力发电功率，/>
Figure SMS_33
为t时刻光伏发电功率，/>
Figure SMS_35
为t时刻蓄电池充放电功率，/>
Figure SMS_37
为t时刻与大电网购电量，/>
Figure SMS_30
为t时刻与大电网售电量。
b.热平衡约束：燃气轮机烟气进入溴冷机，余热产生的供热量与制冷量应该大于等于用户所需供热量与制冷量：
Qhot＝QMT×COPhot≥QL.hot
Qcool＝QMT×COPcool≥QL.cool
式中，Qhot、Qcool分别为烟气产生的热负荷和冷功率，QMT为微型燃气轮机烟气余热值，COPhot、COPcool分别为溴冷机的供热、制冷系数，QL.hot、QL.cool分别为用户所需供热量与制冷量。
c.最大出力约束：各个分布式电源的发电出力应处于最小出力与最大出力之间，燃气轮机与燃料电池的最大出力为已知定值，风力发电与光伏最大出力为步骤S2中风光出力预测值：
Pi min≤Pi≤Pi max，i＝1,......,N
式中，Pi为第i个分布式电源的发电功率，Pi min、Pi max分别为第i个分布式电源的最小出力与最大出力。
d.储能单元约束：为延长蓄电池使用寿命，蓄电池的荷电状态应处于最小荷电与最大荷电之间，一般设定为荷电范围的5％～95％，同时充放电功率应在最小充放电功率与最大充放电功率之间：
SOCmin＜SOCt＜SOCmax
Figure SMS_38
Figure SMS_39
式中，SOCt为蓄电池t时刻的荷电状态，SOCmin、SOCmax分别为蓄电池最小、最大荷电状态，
Figure SMS_40
分别为蓄电池充放电功率，/>
Figure SMS_41
Figure SMS_42
分别为充电最小、最大功率，
Figure SMS_43
分别为放电最小、最大功率。
e.购售电约束：与源侧电网的功率交互应处于最小传输功率与最大传输功率之间：
Figure SMS_44
Figure SMS_45
式中，
Figure SMS_46
分别为与大电网最小、最大购电功率，/>
Figure SMS_47
分别为与大电网最小、最大售电功率。
f.最小停运和运行时间约束：
Figure SMS_48
Figure SMS_49
式中，
Figure SMS_50
分别为第i个分布式电源的启动、停运时间，Ti on、Ti off分别为第i个分布式电源的最小启动、停运时间。
进一步的，步骤S4中使用组合优化算法对步骤S3构建的有源配电网经济调度优化模型进行求解，具体包括：采用离散粒子群算法对所有分布式电源随机组合，得到满足约束条件的可行组合状态，采用粒子群算法对各个组合状态分别进行优化，得到每个组合状态下各分布式电源的最优功率分布和最优目标函数值，从而得到不同季节下有源配电网运行成本最低的日运行调度计划，在离散粒子群算法中一个状态粒子代表了一种确定的分布式电源组合状态，在粒子群算法中一个功率粒子代表了该***所有分布式电源在此运行状态下的功率分布。
进一步的，所述步骤S4具体包括：
S41.确定状态粒子、功率粒子的数量及迭代次数；
S42.状态粒子、功率粒子的初始化：随机初始化状态粒子和功率粒子的位置和速度；
S43.极值的初始化：将状态粒子的初始位置作为其个体极值，纵向比较个体极值从而找到群体极值，将群体极值对应的状态粒子做为最佳状态粒子
Figure SMS_51
完成极值/>
Figure SMS_52
的初始化；
S44.对状态粒子的进行一次迭代，按照下式更新状态粒子的速度和位置，对于满足约束条件的组合进行功率分布的优化：
Figure SMS_53
Figure SMS_54
其中
Figure SMS_55
是第i个状态粒子找到的最佳位置；/>
Figure SMS_56
是整个粒子群找到的最佳位置；
Figure SMS_57
和/>
Figure SMS_58
分别表示d维搜索空间中第k次迭代中第i个状态粒子的速度和位置；c1和c2是学习因子；r1、r2和r3是均匀分布在0和1之间的随机数；利用sigmoid函数将速度转化为约束在区间[0,1]内的概率，并定义sigmoid函数为：
Figure SMS_59
S45.将功率粒子的最优目标函数值作为状态粒子的适应度，判断是否更新
Figure SMS_60
S46.令k＝k+1，判断是否满足收敛条件，若不满足，跳回步骤S44；若满足，输出状态粒子的最优目标函数值
Figure SMS_61
S47.比较各个组合状态下的各分布式电源的最优功率分布和最优目标函数值，选择最优的分布式电源的功率分布和最优目标函数值作为最终结果。
进一步的，步骤S44具体包括：
a.对功率粒子进行一次迭代，按照下式更新功率粒子的位置及速度；
Figure SMS_62
Figure SMS_63
Figure SMS_64
式中
Figure SMS_65
是第j个功率粒子找到的最佳位置；/>
Figure SMS_66
是整个粒子群找到的最佳位置；
Figure SMS_67
和/>
Figure SMS_68
分别表示d维搜索空间中第k次迭代中第j个粒子的速度和位置；c1和c2是学习因子；r1、r2是均匀分布在0和1之间的随机数；ω是惯性权重系数，表示当前速度对下一次迭代中速度的控制关系，ωmax取0.9，ωmin取0.4；
b.评价功率粒子的目标函数值，记录下功率粒子j当前的最佳位置
Figure SMS_69
及其对应的最优目标函数值/>
Figure SMS_70
判断是否更新/>
Figure SMS_71
c.纵向比较功率粒子的个体最佳位置
Figure SMS_72
得到群体最佳位置/>
Figure SMS_73
及其对应的最优目标函数值/>
Figure SMS_74
判断是否更新/>
Figure SMS_75
d.判断是否满足收敛条件，若不满足，跳回a步；若满足，输出功率粒子的最优目标函数值
Figure SMS_76
本发明综合考虑了有源配电网分布式电源优化组合和负荷优化分配方式，在了解有源配电网总体结构，掌握各分布式电源特性的基础上，研究了有源配电网对分布式电源、储能及负荷的能量管理策略。通过建立含储能有源配电网经济运行的优化模型，从经济成本、污染排放物对环境的污染成本和购售电成本三个指标多方面量化分析含储能有源配电网对电网经济性和可靠性的影响，制定了经济、环境效益等指标约束下的不同季节典型日的日运行调度计划。在实际应用中，输入某天24小时风速、日照、温度及日负荷功率等参数，即可通过本发明所建立的经济运行模型，对分布式电源进行优化组合后，输出当天24小时的有源配电网日运行调度计划，对提高有源配电网的安全、经济、可靠运行有着重要的理论意义和实际意义。
同时，在对模型进行求解分布式电源运行组合状态时，并没有采用场景随机生成的方法，而是采用了离散粒子群算法，在每次迭代中得到满足约束条件的可行组合状态，然后再采用粒子群算法进行迭代搜寻目标函数的最优值，从迭代收敛曲线和最终总成本来看，本发明所建立的经济优化模型很好地解决了含储能有源配电网运行当中的调度问题，不仅解决了可再生能源消纳困难的问题，而且还兼顾了配电网***的经济、环境效益，有着较好的可行性。
附图说明
图1为本发明一种计及风光出力的含储能有源配电网经济运行优化方法的流程图；
图2为本发明组合粒子群算法求解步骤流程图；
图3为该典型日负荷曲线；
图4为使用本发明提出的方法优化后的总成本图；
图5为总成本最低时各电源24小时的功率出力；
图6为总成本最低时蓄电池充放电功率。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种计及风光出力的含储能有源配电网经济运行优化方法，包括如下步骤：
S1.根据配电网总体结构以及分布式电源的发电特性，建立各分布式电源数学模型，得到分布式电源发电功率与发电成本之间、风光出力与环境参数之间的模型关系，建立发电成本、污染成本和购售电成本计算表达式。
步骤S1中所述的分布式电源种类有很多，包括风力发电机、太阳能光伏发电、微型燃气轮机、燃料电池、蓄电池储能装置等，通过分析各分布式电源的发电特性，建立如下数学模型：
S11.微型燃气轮机(MT)的燃料成本FMT通过如下算式进行计算：
Figure SMS_77
式中，Fgas为天然气价格(元/m3)，LHVgas为天然气低热值(kWh/m3)，
Figure SMS_78
为在t时间内MT的输出功率，/>
Figure SMS_79
为t时刻时MT的效率，其与/>
Figure SMS_80
的关系为：
Figure SMS_81
微型燃气轮机所排烟气的余热量通过算式计算：
Figure SMS_82
Qhot＝QMT×COPhot
Qcool＝QMT×COPcool
式中，QMT为MT烟气余热值，ηl为散热损耗系数，Qhot、Qcool分别为烟气产生的热负荷和冷功率，COPhot、COPcool分别为溴冷机的供热、制冷系数；
S12.燃料电池(FC)的发电成本FFC由如下算式计算：
Figure SMS_83
式中，Fgas为天然气价格(元/m3)，
Figure SMS_84
为氢气的低热值(假设其为LHVgas的75％)，/>
Figure SMS_85
为t时刻FC的输出功率，/>
Figure SMS_86
为t时刻FC的效率，计算为：
Figure SMS_87
S13.光伏发电(PV)的输出功率表示为：
Figure SMS_88
T(t)＝Tair(t)+0.0138·[1+0.031Tair(t)]·(1-0.042VW)·L(t)
Figure SMS_89
其中，
Figure SMS_90
为PV在太阳日照为L(t)时的输出功率；LSTC为在标准测试环境1000W/m2、25℃下的太阳日照；TSTC为标准测试环境下的PV温度；PSTC为标准环境下PV的最大输出功率；T(t)为t时刻的PV温度，VW为风速m/s；Tair(t)为该日任意时刻的气温值，Tmax、Tmin分别为该日最高温度和最低温度，tp为达到平均温度的某一时间；
S14.风力发电(WT)输出功率与风速之间的函数关系为：
Figure SMS_91
Figure SMS_92
k2＝-k1·vci
式中，vci是切入风速，vr是额定风速，vco是切出风速，Pr为WT额定功率；
S15.蓄电池(BT)的荷电状态SOC计算表达式为：
Figure SMS_93
Figure SMS_94
式中，SOCt-1、SOCt分别为BTt-1、t时刻的荷电状态；τBT为BT的自放电率；ηc、ηf分别为BT充放电效率；WBT为BT的额定容量；
Figure SMS_95
为在t时间内BT的输出功率；/>
Figure SMS_96
为蓄电池充放电状态，值为1表示蓄电池充电，0表示蓄电池放电；/>
Figure SMS_97
分别为BTt时刻的充放电功率。
根据所建立的数学模型，发电成本、污染成本和购售电成本的计算公式表示为：
Figure SMS_98
Figure SMS_99
Figure SMS_100
式中，FG为发电成本；FEn为环境污染成本；FEx为购售电成本；N为分布式电源的总数量；Pi为第i个分布式电源的输出功率；Fi(Pi)为第i个分布式电源的燃料成本，可以通过步骤S1中模型计算得到；FOPi(Pi)为第i个分布式电源的运行维护成本，其计算式为FOPi(Pi)＝kPi，k为不同种类分布式电源的运行维护成本系数；M为污染物的总种类数；αj表示第种污染物的折算系数；Yi,j为第i个分布式电源在发电过程中产生的j种污染物的单位排放量；Cb(t)为购电成本；Pbuy(t)为t时刻的购电量；Cs(t)为售电成本；Psell(t)为t时刻的售电量。
S2.输入环境参数，包括当地每天的风速、日照、温度、负荷曲线，采用神经网络根据步骤S1中所建立的风光发电功率与环境参数之间的模型关系得到风光出力预测值。
所述步骤S2具体包括如下步骤：
S21.输入当地一个月的风速、日照、温度及负荷曲线(即日用电负荷数据)；
S22.采用BP神经网络分别对典型日24小时的风速、日照、温度进行预测，根据BP神经网络的原理，构建其数学模型如下：
对于隐层，隐层神经元j的输入值xi与输出值hj的关系可以表示为：
Figure SMS_101
对于输出层，输出层神经元k的输入值hj与输出值yk的关系可以表示为：
Figure SMS_102
其中，m为隐层神经元的个数；n为输入层神经元的个数；l为输出层神经元的个数；aj、bk为各层之间阈值；wij、vjk为各层之间权重；函数f(x)为隐含层激励函数，采用sigmoid型函数其表达式如下：
Figure SMS_103
根据输出层输出向量组H和期望输出D可以计算出网络输出误差E：
Ek＝Dk-Hk,k＝1,2,...,l
权重wij、vjk及各层阈值aj、bk的更新公式为：
Figure SMS_104
Figure SMS_105
根据上述数学模型，将一个月前29天的风速、日照、温度设为样本值对BP神经网络进行训练，第30天的值作为目标值，训练步长设为10000，误差截止目标设为0.001，学习速率设置为0.1，隐含层和输出层激励函数均采用sigmoid型函数，反复训练网络，直到输出误差训练满足误差截止目标，重复上述步骤，即可得到典型日24小时的风速、日照、温度预测数据；
S23.将步骤S22得到的风速、日照、温度预测值带入步骤S13、步骤S14风力光伏模型中，分别计算得到典型日24小时风力发电机和光伏发电机出力，在步骤S3优化时以风光出力预测值为风光最大出力约束值，保证优化后的风光出力值不超过预测值。
S3.根据步骤S1建立的发电成本、污染成本和购售电成本计算表达式，以总成本最低为目标函数，以功率平衡约束、热平衡约束、最大出力约束、蓄电池充放电约束、购售电约束、最小连续停运和连续运行时间为约束条件，建立有源配电网经济调度优化模型，最大出力约束中风光最大出力约束值为步骤2得到的风光出力预测值。
所述步骤S3中的目标函数为：
minF＝FG+FEn+FEx
步骤S3约束条件中的功率平衡约束、热平衡约束、最大出力约束、储能单元约束、购售电约束、最小连续停运和连续运行时间，具体分别如下：
a.功率平衡约束：各分布式电源的发电量与从源侧电网的购电量之和减去售电量应大于等于负荷总需求：
Figure SMS_106
式中，
Figure SMS_108
为t时刻负荷总需求量，/>
Figure SMS_110
为t时刻微型燃气轮机发电功率，/>
Figure SMS_113
为t时刻燃料电池发电功率，/>
Figure SMS_109
为t时刻风力发电功率，/>
Figure SMS_111
为t时刻光伏发电功率，/>
Figure SMS_112
为t时刻蓄电池充放电功率，/>
Figure SMS_114
为t时刻与大电网购电量，/>
Figure SMS_107
为t时刻与大电网售电量。
b.热平衡约束：燃气轮机烟气进入溴冷机，余热产生的供热量与制冷量应该大于等于用户所需供热量与制冷量：
Qhot＝QMT×COPhot≥QL.hot
Qcool＝QMT×COPcool≥QL.cool
式中，Qhot、Qcool分别为烟气产生的热负荷和冷功率，QMT为微型燃气轮机烟气余热值，COPhot、COPcool分别为溴冷机的供热、制冷系数，QL.hot、QL.cool分别为用户所需供热量与制冷量。
c.最大出力约束：各个分布式电源的发电出力应处于最小出力与最大出力之间，燃气轮机与燃料电池的最大出力为已知定值，风力发电与光伏最大出力为步骤S2中风光出力预测值：
Pi min≤Pi≤Pi max，i＝1,......,N
式中，Pi为第i个分布式电源的发电功率，Pi min、Pi max分别为第i个分布式电源的最小出力与最大出力。
d.储能单元约束：为延长蓄电池使用寿命，蓄电池的荷电状态应处于最小荷电与最大荷电之间，一般设定为荷电范围的5％～95％，同时充放电功率应在最小充放电功率与最大充放电功率之间：
SOCmin＜SOCt＜SOCmax
Figure SMS_115
Figure SMS_116
式中，SOCt为蓄电池t时刻的荷电状态，SOCmin、SOCmax分别为蓄电池最小、最大荷电状态，
Figure SMS_117
分别为蓄电池充放电功率，/>
Figure SMS_118
Figure SMS_119
分别为充电最小、最大功率，
Figure SMS_120
分别为放电最小、最大功率。
e.购售电约束：与源侧电网的功率交互应处于最小传输功率与最大传输功率之间：
Figure SMS_121
Figure SMS_122
式中，
Figure SMS_123
分别为与大电网最小、最大购电功率，/>
Figure SMS_124
分别为与大电网最小、最大售电功率。
f.最小停运和运行时间约束：
Figure SMS_125
ti off≥Ti off，i＝1,......,N
式中，
Figure SMS_126
分别为第i个分布式电源的启动、停运时间，Ti on、Ti off分别为第i个分布式电源的最小启动、停运时间。S4.对步骤S3构建的有源配电网经济调度优化模型使用组合优化算法，即采用离散粒子群算法优化分布式电源组合状态，采用粒子群智能算法优化功率分布，求解得到满足负荷需求的使配电网运行成本最低的各分布式电源和储能每小时出力计划。
步骤S4所述的对步骤S3构建的模型进行求解，采用离散粒子群算法对所有分布式电源随机组合，得到满足约束条件的可行组合状态，采用粒子群算法对各个组合状态分别进行优化，得到每个组合状态下各分布式电源的最优功率分布和最优目标函数值，从而得到不同季节下有源配电网运行成本最低的日运行调度计划。在离散粒子群算法中一个状态粒子代表了一种确定的分布式电源组合状态，在粒子群算法中一个功率粒子代表了该***所有分布式电源在此运行状态下的功率分布。如图2所示，对于其求解主要包括以下几个步骤：
S41.确定状态粒子、功率粒子的数量及迭代次数。通常情况下，粒子的维度即为分布式电源的数目，粒子的数量为了方便算例分析时对比结果，本发明设状态粒子有30个，功率粒子有20个，迭代次数分别为50次和20次；
S42.状态粒子、功率粒子的初始化。随机初始化状态粒子和功率粒子的位置和速度；
S43.极值的初始化。将状态粒子的初始位置作为其个体极值，纵向比较个体极值从而找到群体极值，将群体极值对应的状态粒子做为最佳状态粒子
Figure SMS_127
完成极值/>
Figure SMS_128
的初始化；
S44.对状态粒子的进行一次迭代,按照下式更新状态粒子的速度和位置，对于满足约束条件的组合进行功率分布的优化；
Figure SMS_129
Figure SMS_130
其中
Figure SMS_131
是第i个状态粒子找到的最佳位置；/>
Figure SMS_132
是整个粒子群找到的最佳位置；
Figure SMS_133
和/>
Figure SMS_134
分别表示d维搜索空间中第k次迭代中第i个状态粒子的速度和位置；c1和c2是学习因子；r1、r2和r3是均匀分布在0和1之间的随机数；利用sigmoid函数将速度转化为约束在区间[0,1]内的概率，并定义sigmoid函数为：
Figure SMS_135
a.对功率粒子进行一次迭代，按照下式更新功率粒子的位置及速度；
Figure SMS_136
Figure SMS_137
Figure SMS_138
式中
Figure SMS_139
是第j个功率粒子找到的最佳位置；/>
Figure SMS_140
是整个粒子群找到的最佳位置；
Figure SMS_141
和/>
Figure SMS_142
分别表示d维搜索空间中第k次迭代中第j个粒子的速度和位置；c1和c2是学习因子；r1、r2是均匀分布在0和1之间的随机数；ω是惯性权重系数，表示当前速度对下一次迭代中速度的控制关系，ωmax一般取0.9，ωmin取0.4。
b.评价功率粒子的目标函数值，记录下功率粒子j当前的最佳位置
Figure SMS_143
及其对应的最优目标函数值/>
Figure SMS_144
判断是否更新/>
Figure SMS_145
c.纵向比较功率粒子的个体最佳位置
Figure SMS_146
得到群体最佳位置/>
Figure SMS_147
及其对应的最优目标函数值/>
Figure SMS_148
判断是否更新/>
Figure SMS_149
d.判断是否满足收敛条件，若不满足，跳回a步；若满足，输出功率粒子的最优目标函数值
Figure SMS_150
S45.将功率粒子的最优目标函数值作为状态粒子的适应度，判断是否更新
Figure SMS_151
S46.令k＝k+1，判断是否满足收敛条件，若不满足，跳回步骤S44；若满足，输出状态粒子的最优目标函数值
Figure SMS_152
S47.比较各个组合状态下的各分布式电源的最优功率分布和最优目标函数值，选择最优的分布式电源的功率分布和最优目标函数值作为最终结果。
以典型日配电网运行为例，采用本发明提出的含储能有源配电网经济运行优化方法进行求解，图3为该典型日负荷曲线，图4为使用本发明提出的方法优化后的总成本图：
同时总成本最低时，各微源24小时的功率出力和蓄电池充放电功率分别如图5、图6所示。
从上述算例可以看出，本发明提出的含储能的有源配电网经济调度优化策略不仅充分利用可再生能源发电，解决了可再生能源消纳困难的问题，而且还兼顾了配电网***的经济、环境效益，有效降低了配电网的运行总成本，有着较好的可行性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：包括如下步骤：
S1.根据配电网总体结构以及分布式电源的发电特性，建立各分布式电源数学模型，得到分布式电源发电功率与发电成本之间、风光出力与环境参数之间的模型关系，建立发电成本、污染成本和购售电成本计算表达式；
S2.输入环境参数，包括当地每天的风速、日照、温度、负荷曲线，采用神经网络根据步骤S1中所建立的风光发电功率与环境参数之间的模型关系得到风光出力预测值；
S3.根据步骤S1建立的发电成本、污染成本和购售电成本计算表达式，以发电成本、污染成本和购售电成本的总成本最低为目标函数，以功率平衡约束、热平衡约束、最大出力约束、储能单元约束、购售电约束、最小连续停运和连续运行时间为约束条件，建立有源配电网经济调度优化模型，最大出力约束中风光最大出力约束值为步骤2得到的风光出力预测值；
S4.使用组合优化算法对步骤S3构建的有源配电网经济调度优化模型进行求解，即采用离散粒子群算法优化分布式电源组合状态，采用粒子群智能算法优化功率分布，对有源配电网经济调度优化模型求解得到满足负荷需求的使配电网运行成本最低的各分布式电源和储能每小时出力计划。
2.如权利要求1所述的计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：所述步骤S1中分布式电源种类包括风力发电机、太阳能光伏发电、微型燃气轮机、燃料电池、蓄电池储能装置，建立的各分布式电源数学模型如下：
S11.微型燃气轮机的燃料成本FMT通过如下算式进行计算：
Figure FDA0004015949870000011
式中，Fgas为天然气价格，LHVgas为天然气低热值，
Figure FDA0004015949870000012
为在t时间内MT的输出功率，/>
Figure FDA0004015949870000013
为t时刻时MT的效率，其与/>
Figure FDA0004015949870000014
的关系为：
Figure FDA0004015949870000015
微型燃气轮机所排烟气的余热量通过算式计算：
Figure FDA0004015949870000016
Qhot＝QMT×COPhot
Qcool＝QMT×COPcool
式中，QMT为MT烟气余热值，ηl为散热损耗系数，Qhot、Qcool分别为烟气产生的热负荷和冷功率，COPhot、COPcool分别为溴冷机的供热、制冷系数；
S12.燃料电池的发电成本FFC由如下算式计算：
Figure FDA0004015949870000021
式中，Fgas为天然气价格，
Figure FDA0004015949870000022
为氢气的低热值，/>
Figure FDA0004015949870000023
为t时刻FC的输出功率，/>
Figure FDA0004015949870000024
为t时刻FC的效率，计算为：
Figure FDA0004015949870000025
S13.光伏发电(PV)的输出功率表示为：
Figure FDA0004015949870000026
T(t)＝Tair(t)+0.0138·[1+0.031Tair(t)]·(1-0.042VW)·L(t)
Figure FDA0004015949870000027
其中，
Figure FDA0004015949870000028
为PV在太阳日照为L(t)时的输出功率；LSTC为在标准测试环境1000W/m2、25℃下的太阳日照；TSTC为标准测试环境下的PV温度；PSTC为标准环境下PV的最大输出功率；T(t)为t时刻的PV温度，VW为风速m/s；Tair(t)为该日任意时刻的气温值，Tmax、Tmin分别为该日最高温度和最低温度，tp为达到平均温度的某一时间；
S14.风力发电(WT)输出功率与风速之间的函数关系为：
Figure FDA0004015949870000029
Figure FDA00040159498700000210
k2＝-k1·vci
式中，vci是切入风速，vr是额定风速，vco是切出风速，Pr为WT额定功率；
S15.蓄电池(BT)的荷电状态SOC计算表达式为：
Figure FDA00040159498700000211
Figure FDA00040159498700000212
式中，SOCt-1、SOCt分别为BTt-1、t时刻的荷电状态；τBT为BT的自放电率；ηc、ηf分别为BT充放电效率；WBT为BT的额定容量；
Figure FDA0004015949870000031
为在t时间内BT的输出功率；/>
Figure FDA0004015949870000032
为蓄电池充放电状态，值为1表示蓄电池充电，0表示蓄电池放电；/>
Figure FDA0004015949870000033
分别为BTt时刻的充放电功率。
3.如权利要求2所述的计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：根据所建立的数学模型，发电成本、污染成本和购售电成本的计算公式表示为：
Figure FDA0004015949870000034
Figure FDA0004015949870000035
Figure FDA0004015949870000036
式中，FG为发电成本；FEn为环境污染成本；FEx为购售电成本；N为分布式电源的总数量；Pi为第i个分布式电源的输出功率；Fi(Pi)为第i个分布式电源的燃料成本；FOPi(Pi)为第i个分布式电源的运行维护成本，其计算式为FOPi(Pi)＝kPi，k为不同种类分布式电源的运行维护成本系数；M为污染物的总种类数；αj表示第种污染物的折算系数；Yi,j为第i个分布式电源在发电过程中产生的j种污染物的单位排放量；Cb(t)为购电成本；Pbuy(t)为t时刻的购电量；Cs(t)为售电成本；Psell(t)为t时刻的售电量。
4.如权利要求2所述的计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：所述步骤S2具体包括：
S21.输入当地一个月的风速、日照、温度及负荷曲线；
S22.采用BP神经网络分别对典型日24小时的风速、日照、温度进行预测，根据BP神经网络的原理，构建其数学模型如下：
对于隐层，隐层神经元j的输入值xi与输出值hj的关系表示为：
Figure FDA0004015949870000037
对于输出层，输出层神经元k的输入值hj与输出值yk的关系可以表示为：
Figure FDA0004015949870000038
其中，m为隐层神经元的个数；n为输入层神经元的个数；l为输出层神经元的个数；aj、bk为各层之间阈值；wij、vjk为各层之间权重；函数f(x)为隐含层激励函数，采用sigmoid型函数其表达式如下：
Figure FDA0004015949870000041
根据输出层输出向量组H和期望输出D可以计算出网络输出误差E：
Ek＝Dk-Hk,k＝1,2,...,l
权重wij、vjk及各层阈值aj、bk的更新公式为：
Figure FDA0004015949870000042
Figure FDA0004015949870000043
根据上述数学模型，将一个月前29天的风速、日照、温度设为样本值对BP神经网络进行训练，第30天的值作为目标值，训练步长设为10000，误差截止目标设为0.001，学习速率设置为0.1，隐含层和输出层激励函数均采用sigmoid型函数，反复训练网络，直到输出误差训练满足误差截止目标，重复上述步骤，即可得到典型日24小时的风速、日照、温度预测数据；
S23.将步骤S22得到的风速、日照、温度预测值带入步骤S13、步骤S14的风力光伏模型中，分别计算得到典型日24小时风力发电机和光伏发电机出力。
5.如权利要求3所述的计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：所述步骤S3中的目标函数为：
minF＝FG+FEn+FEx
步骤S3约束条件中的功率平衡约束、热平衡约束、最大出力约束、储能单元约束、购售电约束、最小连续停运和连续运行时间，具体分别如下：
a.功率平衡约束：各分布式电源的发电量与从源侧电网的购电量之和减去售电量应大于等于负荷总需求：
Figure FDA0004015949870000044
式中，
Figure FDA0004015949870000045
为t时刻负荷总需求量，/>
Figure FDA0004015949870000046
为t时刻微型燃气轮机发电功率，/>
Figure FDA0004015949870000047
为t时刻燃料电池发电功率，/>
Figure FDA0004015949870000048
为t时刻风力发电功率，/>
Figure FDA0004015949870000049
为t时刻光伏发电功率，/>
Figure FDA0004015949870000051
为t时刻蓄电池充放电功率，/>
Figure FDA0004015949870000052
为t时刻与大电网购电量，/>
Figure FDA0004015949870000053
为t时刻与大电网售电量。
b.热平衡约束：燃气轮机烟气进入溴冷机，余热产生的供热量与制冷量应该大于等于用户所需供热量与制冷量：
Qhot＝QMT×COPhot≥QL.hot
Qcool＝QMT×COPcool≥QL.cool
式中，Qhot、Qcool分别为烟气产生的热负荷和冷功率，QMT为微型燃气轮机烟气余热值，COPhot、COPcool分别为溴冷机的供热、制冷系数，QL.hot、QL.cool分别为用户所需供热量与制冷量。
c.最大出力约束：各个分布式电源的发电出力应处于最小出力与最大出力之间，燃气轮机与燃料电池的最大出力为已知定值，风力发电与光伏最大出力为步骤S2中风光出力预测值：
Pi min≤Pi≤Pi max，i＝1,......,N
式中，Pi为第i个分布式电源的发电功率，Pi min、Pi max分别为第i个分布式电源的最小出力与最大出力。
d.储能单元约束：为延长蓄电池使用寿命，蓄电池的荷电状态应处于最小荷电与最大荷电之间，一般设定为荷电范围的5％～95％，同时充放电功率应在最小充放电功率与最大充放电功率之间：
SOCmin＜SOCt＜SOCmax
Figure FDA0004015949870000054
Figure FDA0004015949870000055
式中，SOCt为蓄电池t时刻的荷电状态，SOCmin、SOCmax分别为蓄电池最小、最大荷电状态，
Figure FDA0004015949870000056
分别为蓄电池充放电功率，/>
Figure FDA0004015949870000057
Figure FDA0004015949870000058
分别为充电最小、最大功率，/>
Figure FDA0004015949870000059
分别为放电最小、最大功率。
e.购售电约束：与源侧电网的功率交互应处于最小传输功率与最大传输功率之间：
Figure FDA00040159498700000510
Figure FDA00040159498700000511
/>
式中，
Figure FDA00040159498700000512
分别为与大电网最小、最大购电功率，/>
Figure FDA00040159498700000513
分别为与大电网最小、最大售电功率。
f.最小停运和运行时间约束：
Figure FDA00040159498700000514
Figure FDA00040159498700000515
式中，
Figure FDA00040159498700000516
分别为第i个分布式电源的启动、停运时间，Ti on、Ti off分别为第i个分布式电源的最小启动、停运时间。
6.如权利要求1所述的计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：步骤S4中使用组合优化算法对步骤S3构建的有源配电网经济调度优化模型进行求解，具体包括：采用离散粒子群算法对所有分布式电源随机组合，得到满足约束条件的可行组合状态，采用粒子群算法对各个组合状态分别进行优化，得到每个组合状态下各分布式电源的最优功率分布和最优目标函数值，从而得到不同季节下有源配电网运行成本最低的日运行调度计划，在离散粒子群算法中一个状态粒子代表了一种确定的分布式电源组合状态，在粒子群算法中一个功率粒子代表了该***所有分布式电源在此运行状态下的功率分布。
7.如权利要求6所述的计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：所述步骤S4具体包括：
S41.确定状态粒子、功率粒子的数量及迭代次数；
S42.状态粒子、功率粒子的初始化：随机初始化状态粒子和功率粒子的位置和速度；
S43.极值的初始化：将状态粒子的初始位置作为其个体极值，纵向比较个体极值从而找到群体极值，将群体极值对应的状态粒子做为最佳状态粒子
Figure FDA0004015949870000061
完成极值/>
Figure FDA0004015949870000062
的初始化；
S44.对状态粒子的进行一次迭代，按照下式更新状态粒子的速度和位置，对于满足约束条件的组合进行功率分布的优化：
Figure FDA0004015949870000063
Figure FDA0004015949870000064
其中
Figure FDA0004015949870000065
是第i个状态粒子找到的最佳位置；/>
Figure FDA0004015949870000066
是整个粒子群找到的最佳位置；/>
Figure FDA0004015949870000067
和
Figure FDA0004015949870000068
分别表示d维搜索空间中第k次迭代中第i个状态粒子的速度和位置；c1和c2是学习因子；r1、r2和r3是均匀分布在0和1之间的随机数；利用sigmoid函数将速度转化为约束在区间[0,1]内的概率，并定义sigmoid函数为：
Figure FDA0004015949870000069
/>
S45.将功率粒子的最优目标函数值作为状态粒子的适应度，判断是否更新
Figure FDA00040159498700000610
S46.令k＝k+1，判断是否满足收敛条件，若不满足，跳回步骤S44；若满足，输出状态粒子的最优目标函数值
Figure FDA00040159498700000611
S47.比较各个组合状态下的各分布式电源的最优功率分布和最优目标函数值，选择最优的分布式电源的功率分布和最优目标函数值作为最终结果。
8.如权利要求7所述的计及风光出力的含储能有源配电网经济运行优化方法，其特征在于：步骤S44具体包括：
a.对功率粒子进行一次迭代，按照下式更新功率粒子的位置及速度；
Figure FDA0004015949870000071
Figure FDA0004015949870000072
Figure FDA0004015949870000073
式中
Figure FDA0004015949870000074
是第j个功率粒子找到的最佳位置；/>
Figure FDA0004015949870000075
是整个粒子群找到的最佳位置；/>
Figure FDA0004015949870000076
和
Figure FDA0004015949870000077
分别表示d维搜索空间中第k次迭代中第j个粒子的速度和位置；c1和c2是学习因子；r1、r2是均匀分布在0和1之间的随机数；ω是惯性权重系数，表示当前速度对下一次迭代中速度的控制关系，ωmax取0.9，ωmin取0.4；
b.评价功率粒子的目标函数值，记录下功率粒子j当前的最佳位置
Figure FDA0004015949870000078
及其对应的最优目标函数值/>
Figure FDA0004015949870000079
判断是否更新/>
Figure FDA00040159498700000710
c.纵向比较功率粒子的个体最佳位置
Figure FDA00040159498700000711
得到群体最佳位置/>
Figure FDA00040159498700000712
及其对应的最优目标函数值/>
Figure FDA00040159498700000713
判断是否更新/>
Figure FDA00040159498700000714
d.判断是否满足收敛条件，若不满足，跳回a步；若满足，输出功率粒子的最优目标函数值
Figure FDA00040159498700000715
/>
CN202211670047.XA 2022-12-25 2022-12-25 一种计及风光出力的含储能有源配电网经济运行优化方法 Pending CN116191508A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211670047.XA CN116191508A (zh) 2022-12-25 2022-12-25 一种计及风光出力的含储能有源配电网经济运行优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211670047.XA CN116191508A (zh) 2022-12-25 2022-12-25 一种计及风光出力的含储能有源配电网经济运行优化方法

Publications (1)

Publication Number Publication Date
CN116191508A true CN116191508A (zh) 2023-05-30

Family

ID=86439442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211670047.XA Pending CN116191508A (zh) 2022-12-25 2022-12-25 一种计及风光出力的含储能有源配电网经济运行优化方法

Country Status (1)

Country Link
CN (1) CN116191508A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823520A (zh) * 2023-06-06 2023-09-29 淮阴工学院 分布式智能制造能源供给***及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823520A (zh) * 2023-06-06 2023-09-29 淮阴工学院 分布式智能制造能源供给***及方法

Similar Documents

Publication Publication Date Title
CN111463836B (zh) 一种综合能源***优化调度方法
CN111860937B (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
CN110333660A (zh) 一种冷热电联供***多目标优化方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN111242388B (zh) 一种考虑冷热电联供的微电网优化调度方法
Kong et al. Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm
CN112668791A (zh) 热电联供***的优化方法
CN112418488B (zh) 一种基于两阶段能量优化的综合能源***调度方法及装置
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN112580897A (zh) 基于鹦鹉算法的多能源电力***优化调度的方法
CN114519449A (zh) 一种园区能源***运行优化方法
CN116191508A (zh) 一种计及风光出力的含储能有源配电网经济运行优化方法
CN112883630B (zh) 用于风电消纳的多微网***日前优化经济调度方法
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
Ioakimidis et al. Solar power forecasting of a residential location as part of a smart grid structure
CN112561120B (zh) 一种基于微电网参考日前市场出清***优化运行方法
Wu et al. Study on optimal dispatching strategy of regional energy microgrid
Fang et al. Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient
CN111476424A (zh) 含电动汽车的热电联供型多微电网能量调度方法
Ul Hijaz Paul et al. Development of Short-Term Load Forecasting Model for DSM by Regulating Charging and Discharging of EVs and ESS with RES Based on the Prediction of this Model.
CN117391402B (zh) 一种面向碳中和的智慧工厂多能协同优化方法
CN114139830B (zh) 一种智慧能源站的优化调度方法、装置及电子设备
Wu et al. Study on Optimal Control Strategy for Cooling, Heating and Power (CCHP) System
Bian et al. Research on Evaluation Platform of Power System Operation Economy Index Based on Artificial Intelligence Technology
Senthilkumar et al. EV charging and fuel cell vehicle refuelling with distributed energy resources using hybrid approach

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