CN117254491A - 一种风光氢储微网***时域滚动优化方法及*** - Google Patents
一种风光氢储微网***时域滚动优化方法及*** Download PDFInfo
- Publication number
- CN117254491A CN117254491A CN202311152873.XA CN202311152873A CN117254491A CN 117254491 A CN117254491 A CN 117254491A CN 202311152873 A CN202311152873 A CN 202311152873A CN 117254491 A CN117254491 A CN 117254491A
- Authority
- CN
- China
- Prior art keywords
- power
- energy storage
- wind
- grid
- hydrogen
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 161
- 239000001257 hydrogen Substances 0.000 title claims abstract description 161
- 238000005457 optimization Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005096 rolling process Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 58
- 238000004146 energy storage Methods 0.000 claims abstract description 204
- 230000008569 process Effects 0.000 claims abstract description 26
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 94
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 58
- 229910052744 lithium Inorganic materials 0.000 claims description 58
- 238000010248 power generation Methods 0.000 claims description 30
- 238000007599 discharging Methods 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000000670 limiting effect Effects 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 claims description 4
- 238000009472 formulation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 101100116390 Schizosaccharomyces pombe (strain 972 / ATCC 24843) ded1 gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005261 decarburization Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003313 weakening 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of 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
- H02J15/00—Systems for storing electric energy
- H02J15/008—Systems for storing electric energy using hydrogen as energy vector
-
- 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
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种风光氢储微网***时域滚动优化方法及***，涉及风光氢储微网***优化调度领域。该方法包括：获取风光氢储能微网***的基础数据以及拓扑结构信息，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件，以构建多目标函数；获取风光氢储能微网***调度指令，基于模型预测控制理论，构建风光氢储能微网***对应的状态空间模型，构建任一时刻风光氢储能微网***中各子***运行状态信息的时域滚动优化调度模型，制定日内微网能量优化调度策略，以对风光氢储能微网***中各子***的当前状态进行修正，形成风电、光伏、储能***控制出力序列，确定最终日内优化调度结果。本发明很大程度上削弱了微电网中不确定性因素的影响。
Description
技术领域
本发明涉及风光氢储微网***优化调度领域，特别是涉及一种风光氢储微网***时域滚动优化方法及***。
背景技术
由于传统化石能源的过度消耗以及不可再生性，建立以安全可靠、经济高效、清洁环保为目标的先进综合能源供给***，已经成为全球各地共同追求的发展目标。作为综合能源***内的关键环节，储能***可以发挥平滑负荷以及平抑可再生能源出力不确定性的作用；同时当***处于孤岛独立运行状态时，储能设备是决定负荷能否持续供应的关键因素。因此，研究多元储能设备对综合能源***的影响十分必要。
氢储能技术作为一种新型、绿色的储能技术是实现工业、交通及建筑行业深度脱碳的重要解决路径之一。电制氢既可产生大量清洁的氢气，又具有无可比拟的灵活调节能力和储能优势，能有效抵消风电太阳能随机波动的不良影响，可对电力***灵活性、安全性做出重大贡献。面向电网调峰场景，电制氢***可发挥装机容量大、调节范围宽的特点，可提高电力***灵活性，促进提升电网对新能源消纳。面向电网调频场景，锂电储能可发挥响应速度快、调节精度高、爬坡能力强的特点，通过灵活性缓和***的短期功率不平衡，提高***快速调节能力，保障电力***稳定安全运行。因此由锂电储能及氢储能优势互补去解决含高比例新能源的微网***能量管理问题有助于提升综合能源利用率，提高能源互联网的经济效益。
氢储能***由电解槽制氢单元、储氢罐单元和氢燃料电池发电单元组成，三个单元功率解耦，充放电灵活，是一种极佳的绿色储能***，锂电储能***是一种当前应用比较成熟的储能形式，具有启停速度快，经济性好等优势。
考虑到电池储能***(Battery Energy Storage System，BESS)和氢储能***(Hydrogen Energy Storage System，HESS)的协调互动，且电力负荷需求具有较强的不确定性，因此，在电网调度指令下BESS和HESS的功率分配及控制策略及其关键，这将会直接影响到微网运行的经济性和稳定性、储能***的使用寿命以及微网***内新能源利用率。
多元储能联合运行优化是建立在储能***布局以及经济性建模基础之上开展的，同时储能***的规划和经济性又受联合运行方式策略影响，联合运行策略优化是一个多方面角力的耦合问题，新能源最大消纳与储能最经济运行的矛盾、当前与计及未来需求的最优出力抉择的矛盾，使得多元储能***联合运行策略优化过程困难。HESS***中SOHR、充放电效率等技术指标具有时变、非线性的特点，且运行过程中涉及到多种形式约束条件，难以对微网中新能源出力、HESS和BESS的调度做到实时精确控制。
发明内容
本发明的目的是提供一种风光氢储微网***时域滚动优化方法及***，以削弱微电网中不确定性因素的影响，确保***短时滚动调度计划的合理性及***运行的稳定性。
为实现上述目的，本发明提供了如下方案：
一种风光氢储微网***时域滚动优化方法，包括：
获取风光氢储能微网***的基础数据以及拓扑结构信息；所述基础数据包括风电、光伏日前预测可调度功率信息、电网负荷需求预测信息、额定功率，HESS和BESS额定功率及额定运行参数、SOC和SOHR状态以及电网分时电价曲线；所述拓扑结构信息包括***连接方式以及供电母线形式；
基于所述拓扑结构信息，依据所述基础数据，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件；所述约束条件包括***功率平衡约束、风电光伏发电能力约束、风电光伏日前预测可调度出力功率区间约束、储能安全运行区间及运行状态约束以及日前日内调度曲线残差约束；
基于所述约束条件构建多目标函数；所述多目标函数包括日前计划跟踪函数、最大新能源利用函数、根据需求扩展目标函数以及对应耦合的约束条件对优化调度过程中的风光氢储各单元运行特性起到约束作用的函数及经济收益最大函数；
获取风光氢储能微网***调度指令，基于模型预测控制理论，构建所述风光氢储能微网***对应的状态空间模型；
根据所述状态空间模型、所述多目标函数以及所述约束条件构建任一时刻所述风光氢储能微网***中各子***运行状态信息的时域滚动优化调度模型；
求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略；
根据所述日内微网能量优化调度策略对所述风光氢储能微网***中各子***的当前状态进行修正，采样实时***状态，并更新超短期预测功率值，形成风电、光伏、储能***控制出力序列，确定最终日内优化调度结果。
可选的，所述***功率平衡约束为：
其中，Pload(k)为负荷需求功率；NPV为光伏数量；为第k时刻第i个光伏出力功率；i为光伏序号；NWind为风电数量；j为风电序号；/>为第k时刻第j个风电出力功率；NBESS为锂电储能数量；l为锂电储能序号；/>为第k时刻第l个锂电储能充放电功率；NHESS为氢储能装机数量；m为氢储能序号；/>为第k时刻第m个氢储能充放电功率；Pgrid(k)为第k时刻微网联络线交换功率。
可选的，所述风电光伏发电能力约束为：
其中，PPV(k)为光伏出力功率；PWind(k)为风电出力功率。
可选的，所述风电光伏日前预测可调度出力功率区间约束为：
其中，为最小光伏出力功率；/>为最大光伏出力功率；/>为最小风电出力功率；/>为最大风电出力功率；/>为最小锂电储能充放电功率；PBESS(k)为锂电储能充放电功率；/>为最大锂电储能充放电功率；/>为最小氢储能充放电功率；PHESS(k)为氢储能充放电功率；/>为最大氢储能充放电功率；为最小微网联络线交换功率；Pgrid(k)为微网联络线交换功率；/>为最大微网联络线交换功率。
可选的，所述储能安全运行区间及运行状态约束包括储能***运行状态约束以及储能***安全运行区间；
所述储能***运行状态约束为：其中，SOCBESS(k)为锂电储能***荷电状态；SOHRHESS(k)为氢储能***氢压状态；/>为锂电储能***荷电状态限制值；/>为氢储能***氢压状态限制值；
所述储能***安全运行区间为其中，/>为最小锂电储能***荷电状态；/>为最大锂电储能***荷电状态；/>为最低氢储能***氢压状态；/>为最高/>
可选的，所述日前日内调度曲线残差约束为：
其中，为第k时刻光伏发电优化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为光伏发电优化曲线对应的日前优化曲线残差平方和均方根值；/>为第k时刻光伏发电优化曲线对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻风力发电优化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为风力发电优化曲线对应的日前优化曲线残差平方和均方根值；为第k时刻风力发电优化曲线对应的日前优化曲线残差平方和均方根值的上限、/>为第k时刻锂电储能出力功率对应的日前优化曲线残差平方和均方根值的下限；/>为锂电储能出力功率对应的日前优化曲线残差平方和均方根值；为第k时刻锂电储能出力功率对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻锂电储能SOC变化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为锂电储能SOC变化曲线对应的日前优化曲线残差平方和均方根值；/>为第k时刻锂电储能SOC变化曲线对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻氢储能出力功率对应的日前优化曲线残差平方和均方根值的下限；/>为氢储能出力功率对应的日前优化曲线残差平方和均方根值；/>为第k时刻氢储能出力功率对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻氢储能SOHR变化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为氢储能SOHR变化曲线对应的日前优化曲线残差平方和均方根值；/>为第k时刻氢储能SOHR变化曲线对应的日前优化曲线残差平方和均方根值的上限；RSSPgrid_min(k)为第k时刻微网联络线功率对应的日前优化曲线残差平方和均方根值的下限；RSSPgrid(k)为微网联络线功率对应的日前优化曲线残差平方和均方根值；RSSPgrid_max(k)为第k时刻微网联络线功率对应的日前优化曲线残差平方和均方根值的上限。
可选的，所述多目标函数J为：
其中，Jn为第n个目标函数，n＝1,2,3....；PWind_ab(k)为第k时刻弃风量；PPV_ab(k)为第k时刻弃光量；Cgrid(k)为k时刻微电网与大电网能量交互成本；CBESS(k)为k时刻电池折损成本；CHESS(k)为k时刻氢储***折损成本。
可选的，所述状态空间模型为：
其中，x(k+Δt)为状态向量在k+Δt时刻的状态；PPV(k+Δt)为光伏***在k+Δt时刻功率状态值；PWind(k+Δt)为风电***在k+Δt时刻功率状态值；PBESS(k+Δt)为锂电储能***在k+Δt时刻功率状态值；PHESS(k+Δt)为氢储能***在k+Δt时刻功率状态值；SOCBESS(k+Δt)为锂电储能***在k+Δt时刻SOC状态值；SOHRHESS(k+Δt)为氢储能***在k+Δt时刻SOHR状态值；Pgrid(k+Δt)为电网联络线交换功率状态值；Δt为滚动优化单次步进时长；QBESS为锂电储能***总装机容量；σB为锂电储能自放电功率；QHESS为氢储能***总装机容量；σH为氢储能自放电功率；ΔPPV(k)为光伏***可调度出力增量；ΔPWind(k)为风电***可调度出力增量；ΔPBESS(k)为锂电储能***可调度出力增量；ΔPHESS(k)为氢储能***可调度出力增量；ΔPload(k)为符合需求功率变化增量；y(k)为***输出变量，是由各子***出力及SOC、SOHR构成的向量。
可选的，求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略，具体包括：
利用公式求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略；其中，Jmix为综合上述n种目标函数的融合目标函数；Jr为第r个目标函数下优化出的各子***出力值构成的向量；/>为第r个目标函数下优化出的各子***出力值构成的向量参考值。
一种风光氢储微网***时域滚动优化***，包括：
参数获取模块，用于获取风光氢储能微网***的基础数据以及拓扑结构信息；所述基础数据包括风电、光伏日前预测可调度功率信息、电网负荷需求预测信息、额定功率，HESS和BESS额定功率及额定运行参数、SOC和SOHR状态以及电网分时电价曲线；所述拓扑结构信息包括***连接方式以及供电母线形式；
约束条件确定模块，用于基于所述拓扑结构信息，依据所述基础数据，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件；所述约束条件包括***功率平衡约束、风电光伏发电能力约束、风电光伏日前预测可调度出力功率区间约束、储能安全运行区间及运行状态约束以及日前日内调度曲线残差约束；
多目标函数构建模块，用于基于所述约束条件构建多目标函数；所述多目标函数包括日前计划跟踪函数、最大新能源利用函数、根据需求扩展目标函数以及对应耦合的约束条件对优化调度过程中的风光氢储各单元运行特性起到约束作用的函数及经济收益最大函数；
状态空间模型构建模块，用于获取风光氢储能微网***调度指令，基于模型预测控制理论，构建所述风光氢储能微网***对应的状态空间模型；
时域滚动优化调度模型构建模块，用于根据所述状态空间模型、所述多目标函数以及所述约束条件构建任一时刻所述风光氢储能微网***中各子***运行状态信息的时域滚动优化调度模型；
日内微网能量优化调度策略制定模块，用于求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略；
最终日内优化调度结果确定模块，用于根据所述日内微网能量优化调度策略对所述风光氢储能微网***中各子***的当前状态进行修正，采样实时***状态，并更新超短期预测功率值，形成风电、光伏、储能***控制出力序列，确定最终日内优化调度结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种风光氢储微网***时域滚动优化方法及***，充分考虑风电光伏发电的不确定性及储能***时空平移特性，将差异化需求响应与模型预测控制方法相结合对由多目标函数构建的时域滚动优化调度模型进行优化求解，结合时域滚动和***实时状态的反馈校正，很大程度上削弱了微电网中不确定性因素的影响，确保了***短时滚动调度计划的合理性及***运行的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的风光氢储微网***时域滚动优化方法流程图；
图2为本发明所提供的所用风光氢储能微网***的拓扑结构信息示例图；
图3为本发明所提供的BESS和HESS***、SOC和SOHR不同区间指示图；
图4为本发明所提供的模型预测控制流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
本发明的目的是提供一种风光氢储微网***时域滚动优化方法及***，很大程度上削弱了微电网中不确定性因素的影响，确保了***短时滚动调度计划的合理性及***运行的稳定性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的微网***中包含风、光等可再生能源发电设备及储能设备，储能设备主要是指锂电储能和氢储能***，本发明主要是模型预测控制思想，对风光氢储微网***中各个子***能量分配过程进行优化调度。
模型预测控制思想是一种反馈控制策略，通过实时获取***测量数据，在线对***开环优化问题进行求解，得到一组未来的控制指令后仅采用本时刻的控制值，并在下一滚动周期到来时重复优化过程，发到反馈校正的效果。该方法可以考虑多种约束条件并对多个目标函数进行优化调度，非常适用于微网***中含高比例波动性新能源及储能设备的优化调度。
针对微网***内多目标优化问题，提出基于模型预测控制的时域滚动优化调度方法具体步骤如下所述：
考虑到微网日前预测信息的误差问题，在日内进行调度过程中会产生各机组出力偏离计划值较多的情况，因此在日内时域滚动优化过程中，每次向前预测p步，对日内时间分段，以Δt时间为一个周期，在预测时长pΔt内得到预估输出值，再分别以日前计划跟踪、日内能量平衡、最大化新能源利用、经济效益最高等目标函数对模型优化求解，得到的微网***内各子***出力调整量控制序列中的当前时刻控制值输出，等待下一个调度周期到来重复上述步骤。
如图1所示，本发明提供了一种风光氢储微网***时域滚动优化方法，包括：
步骤101：获取风光氢储能微网***的基础数据以及拓扑结构信息；所述基础数据包括风电、光伏日前预测可调度功率信息、电网负荷需求预测信息、额定功率，HESS和BESS额定功率及额定运行参数、SOC和SOHR状态以及电网分时电价曲线；所述拓扑结构信息包括***连接方式以及供电母线形式。图2为本发明所提供的所用风光氢储能微网***的拓扑结构信息示例图，如图2所示。
步骤102：基于所述拓扑结构信息，依据所述基础数据，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件；所述约束条件包括***功率平衡约束、风电光伏发电能力约束、风电光伏日前预测可调度出力功率区间约束、储能安全运行区间及运行状态约束以及日前日内调度曲线残差约束。
在实际应用中，获取风光氢储微网***日前预测信息，并依据日前预测风电、光伏数据，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件，包括***功率平衡约束、风电光伏发电能力约束、风电光伏日前预测可调度出力功率区间约束、储能安全运行区间及运行状态约束、微网联络线传输功率约束等共用基础约束，基于不同目标函数需采用对应针对性约束，具体包含如下内容：
***功率平衡约束：
风电光伏发电能力约束：
风电光伏日前预测可调度功率约束、储能***最优运行区间约束、联络线交换功率上下限约束如下式所示：
储能***运行状态约束：
储能***安全运行区间：
以日前计划跟踪为例增加对应约束条件为日前日内调度曲线残差约束如下式：
步骤103：基于所述约束条件构建多目标函数；所述多目标函数包括日前计划跟踪函数、最大新能源利用函数、根据需求扩展目标函数以及对应耦合的约束条件对优化调度过程中的风光氢储各单元运行特性起到约束作用的函数及经济收益最大函数。
步骤104：获取风光氢储能微网***调度指令，基于模型预测控制理论，构建所述风光氢储能微网***对应的状态空间模型。
在实际应用中，获取微网***调度指令，电网调度指令的下发依据是微网内源荷不平衡量的变化，具体通过以下过程对每时刻风光氢储微网***的能量不平衡关系进行分析：
ΔP为需要大电网和储能***补偿的功率不平衡量。
若ΔP>0，则需要储能装置放电或由大电网向微电网输送电能以补偿功率不平衡量。
若ΔP<0，则需要储能装置充电或向大电网输送电能以补偿功率不平衡量。
若ΔP＝0，则储能装置和大电网均不向负荷供电，但是储能装置之间及大电网和储能装置之间可以进行电能转换，使储能装置的荷电状态在最佳工作范围内，即BESS运行过程中，在满足调度指令的前提下，优先考虑控制充放电过程中的荷电状态SOC在最优运行区间Smin～Smax之间，氢储能同理，SOHR在满足调度指令的前提下，优先考虑控制制氢/发电过程中的储氢量SOHR处于Slow～Shigh，如图3所示。
在实际应用中，基于模型预测控制理论，对风光氢储微网***内构建对应状态空间模型以多目标函数进行多目标优化求解，建立微网日内时域滚动优化调度策略，优化调度方法中的模型特征在于，包括如下输入输出信息：
根据微电网每时段的功率平衡方程及储能SOC迭代方程，以可调度风电光伏出力功率、HESS和BESS的充放电功率、储能SOC和氢储能SOHR值以及微网联络线交换功率构成的向量作为状态向量：
x(k)＝[PPV(k),PWind(k),PBESS(k),PHESS(k),SOCBESS(k),SOHRHESS(k),Pgrid(k)]T。
以可调度风电和光伏机组以及储能***的出力增量构成的向量u(k)＝[ΔPPV(k),ΔPWind(k),ΔPBESS(k),ΔPHESS(k)]T作为控制变量。
以风电、光伏及微网负荷需求的超短期预测功率增量构成的向量d(k)＝[ΔPPV(k),ΔPWind(k),ΔPload(k)]T作为时域滚动优化过程中的扰动输入。
***输出向量为由微网与大电网之间的联络线交换功率和储能***SOC、SOHR构成的向量y(k)＝[Pgrid(k)，SOCBESS(k)，SOHRHESS(k)]T。
建立对应状态空间模型：
其中，x(k+Δt)为状态向量在k+Δt时刻的状态；PPV(k+Δt)为光伏***在k+Δt时刻功率状态值；PWind(k+Δt)为风电***在k+Δt时刻功率状态值；PBESS(k+Δt)为锂电储能***在k+Δt时刻功率状态值；PHESS(k+Δt)为氢储能***在k+Δt时刻功率状态值；SOCBESS(k+Δt)为锂电储能***在k+Δt时刻SOC状态值；SOHRHESS(k+Δt)为氢储能***在k+Δt时刻SOHR状态值；Pgrid(k+Δt)为电网联络线交换功率状态值；Δt为滚动优化单次步进时长；QBESS为锂电储能***总装机容量；σB为锂电储能自放电功率；QHESS为氢储能***总装机容量；σH为氢储能自放电功率；ΔPPV(k)为光伏***可调度出力增量；ΔPWind(k)为风电***可调度出力增量；ΔPBESS(k)为锂电储能***可调度出力增量；ΔPHESS(k)为氢储能***可调度出力增量；ΔPload(k)为符合需求功率变化增量；y(k)为***输出变量，是由各子***出力及SOC、SOHR构成的向量。
进一步的，所述多目标函数包括：J1：日前计划跟踪，J2：最大新能源利用，J……：根据需求扩展目标函数以及对应耦合的约束条件对优化调度过程中的风光氢储各单元运行特性起到约束作；Jn：经济收益最大。
多目标函数具体如下式所示：
目标函数J1中的残差计算公式如下：
PBESS_opt(k)、PWind(k)分别表示锂电储能***日内优化出力值与日前优化出力值；SOCBESS_opt(k)、SOCBESS(k)分别表示锂电储能***日内优化荷电状态变化曲线与日前优化荷电状态变化曲线；PHESS_opt(k)、PHESS(k)分别表示氢储能***日内优化出力值与日前优化出力值；SOHRHESS_opt(k)、SOHRHESS(k)分别表示氢储能***日内优化储氢状态变化曲线与日前优化储氢状态变化曲线；PPV_opt(k)、PPV(k)分别表示光伏发电日内优化出力曲线与日前优化出力曲线；PWind_opt(k)、PWind(k)分别表示风力发电日内优化出力曲线与日前优化出力曲线。
目标函数J2中PWind_ab(k)、PPV_ab(k)分别表示第k时刻弃风弃光量；
目标函数Jn中经济计算公式：
Cgrid(k)表示(k)时刻微电网与大电网能量交互成本，CHgrid9k)表示k时刻氢储能***制氢/发电成本，正表示购电制氢成本，负数表示氢发电成本，CBgrid(k)表示k时刻储能电池与充放电成本，正表示充电储能成本，负数表示给电网售电成本；CBESS(k)表示k时刻电池(BESS)折损成本，CHESS(k)表示k时刻氢储***(HESS)折损成本；Pgrid(k)表示k时刻微电网向大电网交互时购电及售电联络线功率，Pprice(k)表示k时刻微电网与大电网功率交互电价；Kdep1为锂电池储能***折旧系数，QBESS(k)表示k时刻锂电储能***剩余容量，QBESS表示锂电储能***总容量；Kdep2氢储能***折旧系数，QHESS(k)表示k时刻氢储能***剩余容量，QHESS表示氢储能***总容量；Pgrid(k)、PWind(k)、PPV(k)、Pload(k)、PBESS(k)、PHESS(k)分别表示k时刻电网交互功率、风电提供功率、光伏提供功率、负荷需求功率、电池储能及氢储能提供电力。
步骤105：根据所述状态空间模型、所述多目标函数以及所述约束条件构建任一时刻所述风光氢储能微网***中各子***运行状态信息的时域滚动优化调度模型。
步骤106：求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略。
步骤107：根据所述日内微网能量优化调度策略对所述风光氢储能微网***中各子***的当前状态进行修正，采样实时***状态，并更新超短期预测功率值，形成风电、光伏、储能***控制出力序列，确定最终日内优化调度结果。
在实际应用中，基于前面得到的时域滚动优化调度模型进行优化求解，建立日内微网能量优化调度策略。
通过模型预测控制进行滚动优化得到未来pΔt时段内的风电、光伏、锂电储能、氢储能的发电功率计划(PPV(k+pΔt) PWind(k+pΔt) … PHESS(k+pΔt))。
仅执行第k时刻的风光氢储各单元控制量对应的发电功率计划，并计算得到k+1时刻的对应状态信息。
令k＝k+1,重复上述滚动优化步骤。
由于每次执行滚动优化，MPC算法在通过优化计算得到一组未来的控制指令后，为抑制模型不匹配和外部干扰导致控制对目标状态的偏差，仅起用本时刻的控制值；且***真实的状态可能于本状态的估计值不符，因此需要随时对微网***内各子***当前状态进行修正，采样实时***状态，并更新超短期预测功率值，进而达到校正的目的。
对上述n目标函数进行优化求解后，需再将前面得到的控制量的调度值进行组合形成矩阵形式构成新的参考值，最终实现对n个目标的综合优化。
其中，Jmix为综合上述n种目标函数的融合目标函数；Jr为第r个目标函数下优化出的各子***出力值构成的向量；为第r个目标函数下优化出的各子***出力值构成的向量参考值。
通过上式目标函数，求解得到最终***中风电、光伏、储能***控制出力序列，形成最终的优化调度结果。
本发明采用模型预测控制方式可以解决时变、非线性***的超短期优化调度问题。模型预测控制基本思想就是利用反馈控制策略，在每一采样时刻，根据获得的当前测量信息，在线求解一个有限时域开环优化问题，并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时刻，重复上述过程：用新的测量值刷新优化问题并重新求解。在线求解开环优化问题获得开环优化序列是模型预测控制和传统控制方法的主要区别，因为后者通常是离线求解一个反馈控制律，并将得到的反馈控制律一直作用于***，如图4所示。
本发明通过获取***基础数据和拓扑结构信息；确定***状态空间模型；确定***运行约束条件；利用模型预测控制思想，以各机组出力跟踪日前计划、最大化新能源利用、经济收益最大等n项需求为目标函数，建立日内微网能量管理优化策略；根据多目标下日内微网能量管理优化策略进行优化求解；对n目标优化求解得出的各单元处理功率控制量序列进行矩阵化组合，构成新的优化目标参考值，构成最新的偏差最小化优化计算，得到最终的微网***各单元出力功率优化调度结果。本发明通过利用多元储能***解决含高比例新能源的微网***能量管理问题，构建基于模型预测控制的多目标日内优化调度策略，有助于提升综合能源利用率，提高能源互联网的经济效益，对实现微电网高效稳定运行具有重要参考价值。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种风光氢储微网***时域滚动优化***。
一种风光氢储微网***时域滚动优化***，包括：
参数获取模块，用于获取风光氢储能微网***的基础数据以及拓扑结构信息；所述基础数据包括风电、光伏日前预测可调度功率信息、电网负荷需求预测信息、额定功率，HESS和BESS额定功率及额定运行参数、SOC和SOHR状态以及电网分时电价曲线；所述拓扑结构信息包括***连接方式以及供电母线形式。
约束条件确定模块，用于基于所述拓扑结构信息，依据所述基础数据，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件；所述约束条件包括***功率平衡约束、风电光伏发电能力约束、风电光伏日前预测可调度出力功率区间约束、储能安全运行区间及运行状态约束以及日前日内调度曲线残差约束。
多目标函数构建模块，用于基于所述约束条件构建多目标函数；所述多目标函数包括日前计划跟踪函数、最大新能源利用函数、根据需求扩展目标函数以及对应耦合的约束条件对优化调度过程中的风光氢储各单元运行特性起到约束作用的函数及经济收益最大函数。
状态空间模型构建模块，用于获取风光氢储能微网***调度指令，基于模型预测控制理论，构建所述风光氢储能微网***对应的状态空间模型。
时域滚动优化调度模型构建模块，用于根据所述状态空间模型、所述多目标函数以及所述约束条件构建任一时刻所述风光氢储能微网***中各子***运行状态信息的时域滚动优化调度模型。
日内微网能量优化调度策略制定模块，用于求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略。
最终日内优化调度结果确定模块，用于根据所述日内微网能量优化调度策略对所述风光氢储能微网***中各子***的当前状态进行修正，采样实时***状态，并更新超短期预测功率值，形成风电、光伏、储能***控制出力序列，确定最终日内优化调度结果。
本发明针对微网***中风光氢储单元的运行特性及电网调度需求，考虑电网不同时段差异化价格需求响应，以最大化新能源消纳、***收益最大、日前计划跟踪等为目标函数，采用一种考虑储能***集群差异性的多目标模型预测滚动优化方法实现各分布式能源出力的最优分配以满足电网调度需求。具体包括以下步骤：在功率平衡、氢储能***SOHR、锂电储能***SOC值、风电光伏出力上下限等条件约束下，将电网调度指令作为***输入，根据电网需求确定风光氢储微网***中各分布式电源充放电状态，分别以日前计划跟踪、最大新能源消纳、***收益最大等n个优化目标对风电、光伏、氢储能、锂电储能在滚动预测空间内进行预测，得出各部分在滚动窗口区域内的优化出力序列并取第一时刻预测值作为风电、光伏、氢储能、锂电储能***下一时刻输入给微网的功率值，在当前时刻仅输出向后一个时间周期内的修正计划，在下一个滚动周期到来时重复上述优化过程，最终将n个目标函数下优化求解得到的***各部分出力再进行综合评价得出风光氢储微网***最终调度结果进行输出。本发明充分考虑风电光伏发电的不确定性及储能***时空平移特性，将差异化需求响应与模型预测控制方法相结合对多目标函数进行优化求解，结合时域滚动和***实时状态的反馈校正，很大程度上削弱了微电网中不确定性因素的影响，确保了***短时滚动调度计划的合理性及***运行的稳定性，可为氢储能***的大规模示范提供理论依据，加快氢能与储能领域的耦合发展。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风光氢储微网***时域滚动优化方法，其特征在于，包括：
获取风光氢储能微网***的基础数据以及拓扑结构信息；所述基础数据包括风电、光伏日前预测可调度功率信息、电网负荷需求预测信息、额定功率，HESS和BESS额定功率及额定运行参数、SOC和SOHR状态以及电网分时电价曲线；所述拓扑结构信息包括***连接方式以及供电母线形式；
基于所述拓扑结构信息，依据所述基础数据，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件；所述约束条件包括***功率平衡约束、风电光伏发电能力约束、风电光伏日前预测可调度出力功率区间约束、储能安全运行区间及运行状态约束以及日前日内调度曲线残差约束；
基于所述约束条件构建多目标函数；所述多目标函数包括日前计划跟踪函数、最大新能源利用函数、根据需求扩展目标函数以及对应耦合的约束条件对优化调度过程中的风光氢储各单元运行特性起到约束作用的函数及经济收益最大函数；
获取风光氢储能微网***调度指令，基于模型预测控制理论，构建所述风光氢储能微网***对应的状态空间模型；
根据所述状态空间模型、所述多目标函数以及所述约束条件构建任一时刻所述风光氢储能微网***中各子***运行状态信息的时域滚动优化调度模型；
求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略；
根据所述日内微网能量优化调度策略对所述风光氢储能微网***中各子***的当前状态进行修正，采样实时***状态，并更新超短期预测功率值，形成风电、光伏、储能***控制出力序列，确定最终日内优化调度结果。
2.根据权利要求1所述的风光氢储微网***时域滚动优化方法，其特征在于，所述***功率平衡约束为：
其中，Pload(k)为负荷需求功率；NPV为光伏数量；为第k时刻第i个光伏出力功率；i为光伏序号；NWind为风电数量；j为风电序号；/>为第k时刻第j个风电出力功率；NBESS为锂电储能数量；l为锂电储能序号；/>为第k时刻第l个锂电储能充放电功率；NHESS为氢储能装机数量；m为氢储能序号；/>为第k时刻第m个氢储能充放电功率；Pgrid(k)为第k时刻微网联络线交换功率。
3.根据权利要求2所述的风光氢储微网***时域滚动优化方法，其特征在于，所述风电光伏发电能力约束为：
其中，PPV(k)为光伏出力功率；PWind(k)为风电出力功率。
4.根据权利要求3所述的风光氢储微网***时域滚动优化方法，其特征在于，所述风电光伏日前预测可调度出力功率区间约束为：
其中，为最小光伏出力功率；/>为最大光伏出力功率；/>为最小风电出力功率；/>为最大风电出力功率；/>为最小锂电储能充放电功率；PBESS(k)为锂电储能充放电功率；/>为最大锂电储能充放电功率；/>为最小氢储能充放电功率；PHESS(k)为氢储能充放电功率；/>为最大氢储能充放电功率；为最小微网联络线交换功率；Pgrid(k)为微网联络线交换功率；/>为最大微网联络线交换功率。
5.根据权利要求4所述的风光氢储微网***时域滚动优化方法，其特征在于，所述储能安全运行区间及运行状态约束包括储能***运行状态约束以及储能***安全运行区间；
所述储能***运行状态约束为：其中，SOCBESS(k)为锂电储能***荷电状态；SOHRHESS(k)为氢储能***氢压状态；/>为锂电储能***荷电状态限制值；/>为氢储能***氢压状态限制值；
所述储能***安全运行区间为其中，/>为最小锂电储能***荷电状态；/>为最大锂电储能***荷电状态；/>为最低氢储能***氢压状态；/>为最高/>
6.根据权利要求5所述的风光氢储微网***时域滚动优化方法，其特征在于，所述日前日内调度曲线残差约束为：
其中，为第k时刻光伏发电优化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为光伏发电优化曲线对应的日前优化曲线残差平方和均方根值；为第k时刻光伏发电优化曲线对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻风力发电优化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为风力发电优化曲线对应的日前优化曲线残差平方和均方根值；为第k时刻风力发电优化曲线对应的日前优化曲线残差平方和均方根值的上限、/>为第k时刻锂电储能出力功率对应的日前优化曲线残差平方和均方根值的下限；/>为锂电储能出力功率对应的日前优化曲线残差平方和均方根值；为第k时刻锂电储能出力功率对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻锂电储能SOC变化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为锂电储能SOC变化曲线对应的日前优化曲线残差平方和均方根值；/>为第k时刻锂电储能SOC变化曲线对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻氢储能出力功率对应的日前优化曲线残差平方和均方根值的下限；/>为氢储能出力功率对应的日前优化曲线残差平方和均方根值；/>为第k时刻氢储能出力功率对应的日前优化曲线残差平方和均方根值的上限；/>为第k时刻氢储能SOHR变化曲线对应的日前优化曲线残差平方和均方根值的下限；/>为氢储能SOHR变化曲线对应的日前优化曲线残差平方和均方根值；/>为第k时刻氢储能SOHR变化曲线对应的日前优化曲线残差平方和均方根值的上限；RSSPgrid_min(k)为第k时刻微网联络线功率对应的日前优化曲线残差平方和均方根值的下限；RSSPgrid(k)为微网联络线功率对应的日前优化曲线残差平方和均方根值；RSSPgrid_max(k)为第k时刻微网联络线功率对应的日前优化曲线残差平方和均方根值的上限。
7.根据权利要求6所述的风光氢储微网***时域滚动优化方法，其特征在于，所述多目标函数J为：
其中，Jn为第n个目标函数，n＝1,2,3....；PWind_ab(k)为第k时刻弃风量；PPV_ab(k)为第k时刻弃光量；Cgrid(k)为k时刻微电网与大电网能量交互成本；CBESS(k)为k时刻电池折损成本；CHESS(k)为k时刻氢储***折损成本。
8.根据权利要求7所述的风光氢储微网***时域滚动优化方法，其特征在于，所述状态空间模型为：
其中，x(k+Δt)为状态向量在k+Δt时刻的状态；PPV(k+Δt)为光伏***在k+Δt时刻功率状态值；PWind(k+Δt)为风电***在k+Δt时刻功率状态值；PBESS(k+Δt)为锂电储能***在k+Δt时刻功率状态值；PHESS(k+Δt)为氢储能***在k+Δt时刻功率状态值；SOCBESS(k+Δt)为锂电储能***在k+Δt时刻SOC状态值；SOHRHESS(k+Δt)为氢储能***在k+Δt时刻SOHR状态值；Pgrid(k+Δt)为电网联络线交换功率状态值；Δt为滚动优化单次步进时长；QBESS为锂电储能***总装机容量；σB为锂电储能自放电功率；QHESS为氢储能***总装机容量；σH为氢储能自放电功率；ΔPPV(k)为光伏***可调度出力增量；ΔPWind(k)为风电***可调度出力增量；ΔPBESS(k)为锂电储能***可调度出力增量；ΔPHESS(k)为氢储能***可调度出力增量；ΔPload(k)为符合需求功率变化增量；y(k)为***输出变量，是由各子***出力及SOC、SOHR构成的向量。
9.根据权利要求8所述的风光氢储微网***时域滚动优化方法，其特征在于，求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略，具体包括：
利用公式求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略；其中，Jmix为综合上述n种目标函数的融合目标函数；Jr为第r个目标函数下优化出的各子***出力值构成的向量；/>为第r个目标函数下优化出的各子***出力值构成的向量参考值。
10.一种风光氢储微网***时域滚动优化***，其特征在于，包括：
参数获取模块，用于获取风光氢储能微网***的基础数据以及拓扑结构信息；所述基础数据包括风电、光伏日前预测可调度功率信息、电网负荷需求预测信息、额定功率，HESS和BESS额定功率及额定运行参数、SOC和SOHR状态以及电网分时电价曲线；所述拓扑结构信息包括***连接方式以及供电母线形式；
约束条件确定模块，用于基于所述拓扑结构信息，依据所述基础数据，判断BESS及HESS充放电状态，确定优化调度过程中的约束条件；所述约束条件包括***功率平衡约束、风电光伏发电能力约束、风电光伏日前预测可调度出力功率区间约束、储能安全运行区间及运行状态约束以及日前日内调度曲线残差约束；
多目标函数构建模块，用于基于所述约束条件构建多目标函数；所述多目标函数包括日前计划跟踪函数、最大新能源利用函数、根据需求扩展目标函数以及对应耦合的约束条件对优化调度过程中的风光氢储各单元运行特性起到约束作用的函数及经济收益最大函数；
状态空间模型构建模块，用于获取风光氢储能微网***调度指令，基于模型预测控制理论，构建所述风光氢储能微网***对应的状态空间模型；
时域滚动优化调度模型构建模块，用于根据所述状态空间模型、所述多目标函数以及所述约束条件构建任一时刻所述风光氢储能微网***中各子***运行状态信息的时域滚动优化调度模型；
日内微网能量优化调度策略制定模块，用于求解所述时域滚动优化调度模型，制定日内微网能量优化调度策略；
最终日内优化调度结果确定模块，用于根据所述日内微网能量优化调度策略对所述风光氢储能微网***中各子***的当前状态进行修正，采样实时***状态，并更新超短期预测功率值，形成风电、光伏、储能***控制出力序列，确定最终日内优化调度结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152873.XA CN117254491A (zh) | 2023-09-08 | 2023-09-08 | 一种风光氢储微网***时域滚动优化方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152873.XA CN117254491A (zh) | 2023-09-08 | 2023-09-08 | 一种风光氢储微网***时域滚动优化方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117254491A true CN117254491A (zh) | 2023-12-19 |
Family
ID=89134159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311152873.XA Pending CN117254491A (zh) | 2023-09-08 | 2023-09-08 | 一种风光氢储微网***时域滚动优化方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117254491A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556549A (zh) * | 2024-01-08 | 2024-02-13 | 山东大学 | 一种面向风光氢储充综合能源的时空联合运行优化方法 |
| CN118137572A (zh) * | 2024-05-06 | 2024-06-04 | 国网天津市电力公司物资公司 | 一种基于电力负荷分配的清洁能源消纳能力提升方法 |
-
2023
- 2023-09-08 CN CN202311152873.XA patent/CN117254491A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556549A (zh) * | 2024-01-08 | 2024-02-13 | 山东大学 | 一种面向风光氢储充综合能源的时空联合运行优化方法 |
| CN117556549B (zh) * | 2024-01-08 | 2024-04-19 | 山东大学 | 一种面向风光氢储充综合能源的时空联合运行优化方法 |
| CN118137572A (zh) * | 2024-05-06 | 2024-06-04 | 国网天津市电力公司物资公司 | 一种基于电力负荷分配的清洁能源消纳能力提升方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Petrollese et al. | Real-time integration of optimal generation scheduling with MPC for the energy management of a renewable hydrogen-based microgrid | |
| CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
| CN110970912B (zh) | 一种含储能的新能源电力***运行模拟方法 | |
| CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
| CN117254491A (zh) | 一种风光氢储微网***时域滚动优化方法及*** | |
| CN112865174B (zh) | 基于双层模型预测控制的微能网多时间尺度优化控制方法 | |
| CN106058855A (zh) | 协调储能与柔性负荷的主动配电网多目标优化调度方法 | |
| 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 | |
| CN113516278B (zh) | 有源配电网多时间尺度有功无功协调优化调度方法及*** | |
| CN110165715B (zh) | 一种将电动汽车储能式充电站接入虚拟电厂的方法 | |
| Qiu et al. | Charging-rate-based battery energy storage system in wind farm and battery storage cooperation bidding problem | |
| Belkhier et al. | Novel design and adaptive coordinated energy management of hybrid fuel‐cells/tidal/wind/PV array energy systems with battery storage for microgrids | |
| Gbadega et al. | Predictive control of adaptive micro-grid energy management system considering electric vehicles integration | |
| CN116805803A (zh) | 基于自适应mpc的风光储离网制氢***能量调度方法 | |
| Wang et al. | Multi-objective optimal dispatch of wind-integrated power system based on distributed energy storage | |
| CN116191463A (zh) | 基于氢能虚拟惯量模型的大规模氢能***优化调度方法 | |
| Shan et al. | Optimization scheduling of multi-battery energy storage system and interruptible load with iterative adaptive dynamic programming | |
| CN114336703A (zh) | 一种大规模风光储电站自动协同控制方法 | |
| CN108183498B (zh) | 一种含风光储配电网背景下的车储混合配置方法 | |
| Cuiqing et al. | A hybrid ac/dc microgrid energy management strategy based on neural network | |
| Yang et al. | Multi-time scale collaborative scheduling strategy of distributed energy systems for energy Internet | |
| Li et al. | An Optimal Operation Method of Hybrid AC/DC Distribution Network Under the Goal of Peaking Carbon Dioxide Emissions and Carbon Neutrality | |
| Lu et al. | Research on Distributed Control of Energy Storage Based on Big Data Algorithm | |
| Mary et al. | Neural network based predictive algorithm for peak shaving application using behind the meter battery energy storage system | |
| Song et al. | Optimal Energy for Grid-Connected Microgrid with Battery Swapping Station and Wind Photovoltaic and Energy Storage |
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 |