CN117748622A - 一种微电网多态协调控制方法及*** - Google Patents
一种微电网多态协调控制方法及*** Download PDFInfo
- Publication number
- CN117748622A CN117748622A CN202410182848.4A CN202410182848A CN117748622A CN 117748622 A CN117748622 A CN 117748622A CN 202410182848 A CN202410182848 A CN 202410182848A CN 117748622 A CN117748622 A CN 117748622A
- Authority
- CN
- China
- Prior art keywords
- micro
- grid
- power
- control method
- coordination control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013178 mathematical model Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000005611 electricity Effects 0.000 claims description 40
- 238000010248 power generation Methods 0.000 claims description 29
- 239000000446 fuel Substances 0.000 claims description 26
- 239000007789 gas Substances 0.000 claims description 19
- 230000008901 benefit Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000003912 environmental pollution Methods 0.000 claims description 12
- 230000001932 seasonal effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000002737 fuel gas Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 230000001052 transient effect Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 102000054765 polymorphisms of proteins Human genes 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及微电网技术领域,具体为一种微电网多态协调控制方法及***。方法包括以下步骤:收集微电网的实时数据,确定微电网的结构和运行状态;建立微电网分布式电源数学模型;根据所述微电网中分布式电源的类型建立微电网多目标优化调度模型;求解所述微电网优化调度模型,得到所述微电网并网运行时的优化调度策略。本发明通过采集微电网的实时数据,建立微电网分布式电源的数学模型,根据分布式电源的类型建立优化调度模型,进一步得出微电网并网运行时的优化调度策略,本发明解决了交直流混合微电网多类型电源组合中各种电源体对电网影响调度问题,提升了规模化电源电网调度的能力,满足了微电网负荷用户的用电量需求。
Description
技术领域
本发明涉及微电网技术领域,具体为一种微电网多态协调控制方法及***。
背景技术
随着社会经济的发展和进步,人们对电力的需求不断增长,对供电质量和可靠信提出了更高的标准。基于可再生能源的分布式发电技术具有投资成本低、发电方式灵活、与环境兼容等优点,发展迅速,它主要有太阳能光伏发电和风力发电,还有燃料电池发电、微燃机发电和柴油发电机发电等。分布式发电尽管优点突出,但由于光伏发电及风力发电的随机性、波动性、间歇性等特点,由其并入电网引发的问题通常局限了分布式发电的普遍使用。为了解决大型电网和分布式电源之间的冲突,充分发挥分布式发电为电网和用户带来的价值和利益,产生了微电网。微电网既可以和主网并网运行,也可以在主网发生故障或其他情况下与主网断开进行孤岛运行。微电网包含了大量的分布式能源、储能设备和通信***,将可再生资源和一种或多种常规电源相结合,以产生清洁、可持续、稳定、可靠的电力,已成为电力***中重要的组成部分。
由于微电网***包含了风力发电、光伏发电等不可控的可再生能源,其***调度和控制的机制更加复杂,因此,需要一种创新性的交直流电网暂态、动态、稳定态微网控制方法,以解决交直流混合微电网多类型电源组合中各种电源体对电网影响调度问题,提升规模化电源电网调度的能力,满足微电网负荷用户的用电量需求。
发明内容
针对现有方法的不足以及实际应用的需求,为了解决交直流混合微电网多类型电源组合中各种电源体对电网影响调度问题,提升规模化电源电网调度的能力,满足微电网负荷用户的用电量需求,一方面本发明提供了一种微电网多态协调控制方法,方法包括以下步骤:收集微电网的实时数据,确定微电网的结构和运行状态;建立微电网分布式电源数学模型,所述分布式电源数学模型包括太阳能光伏发电数学模型、风力发电数学模型、微型燃气轮机数学模型、燃料电池数学模型;根据所述微电网中分布式电源的类型建立微电网多目标优化调度模型;求解所述微电网优化调度模型,得到所述微电网并网运行时的优化调度策略。本发明解决了交直流混合微电网多类型电源组合中各种电源体对电网影响调度问题,提升了规模化电源电网调度的能力,满足了微电网负荷用户的用电量需求。
可选地,所述建立微电网多目标优化调度模型包括:建立以微电网运行成本最小、环境污染排放成本最小、额外效益最大的目标函数,所述目标函数满足如下公式:
,
其中,为综合成本,/>为微电网运行成本,/>为环境污染排放成本,/>为额外效益,/>、/>、/>分别为微电网运行成本、环境污染排放成本、额外效益对应的权重系数;分析微电网并网运行时的约束条件,所述约束条件包括功率平衡约束、各分布式电源功率约束和微电网与主网的联络线功率约束;在满足所述约束条件下,建立所述微电网多目标优化调度模型。本发明综合考虑了微电网运行时功率平衡约束、各项分布式电源功率约束和微电网与主网的联络线功率约束,在满足上述约束条件时构建微电网优化调度模型,使得模型预测结果更准确客观。
可选地,所述微电网多态控制协调方法还包括:采集用户历史用电量,确定用户用电量的影响因素;确定不同影响因素对用户用电量影响的权重系数;根据所述权重系数和影响因素建立预测用户用电量的回归方程;通过所述回归方程得出用户用电量预测值;根据所述用户用电量预测值调整所述优化调度策略。本发明通过采集用户的历史用电量,进一步确定用户用电量的影响因素,根据影响因素和对应的权重系数建立回归方程,并通过所述回归方程输出用户用电量预测值,根据输出的用户用电量预测值调整优化调度策略,保证用户的用电需求得到满足。
可选地,所述太阳能光伏发电数学模型,光伏电池的输出功率表示为:
,
其中,为光伏电池的输出功率,k为温度补偿系数,S为太阳辐射强度,/>为电池板倾斜角度,A为电池板面积,η为电池板转换效率。本发明通过分析光伏发电的影响因素,建立太阳能光伏发电数学模型,计算得出光伏电池的输出功率,有利于进一步建立微电网分布式电源的优化调度模型,提升微电网多电源优化调度的能力。
可选地,所述风力发电数学模型,风力发电机的输出功率与风速大小有关,所述风力发电机的输出功率满足如下公式:
,
其中,为风力发电机的输出功率,/>为扰流因素补偿系数,/>为风机叶轮半径,/>为风速,/>为空气密度,/>为风能转换系数。本发明通过分析风力发电的影响因素,建立风力发电数学模型,计算得出风力发电机的输出功率,有利于进一步建立微电网分布式电源的优化调度模型,提升微电网多电源优化调度的能力。
可选地,所述微型燃气轮机数学模型,满足如下公式:
,
其中,为微型燃气轮机的输出功率,/>为燃气的流量,/>为燃气的压力,/>为燃气的湿度,/>为燃气的含硫量,exp为自然对数的底数e的指数函数,/>、/>、/>为经验系数。本发明通过分析微燃型气轮机发电的影响因素,建立微型燃气轮机数学模型,计算得出微型燃气轮机的输出功率,有利于进一步建立微电网分布式电源的优化调度模型,提升微电网多电源优化调度的能力。
可选地,所述燃料电池数学模型,满足如下公式:
,
其中,为燃料电池的输出功率,/>为燃料电池的温度修正因子,U为燃料电池的输出电压,I为通过燃料电池的电流,/>为燃料电池的效率。本发明通过分析燃料电池输出功率的影响因素,建立燃料电池的数学模型,有利于进一步建立微电网分布式电源的优化调度模型,提升微电网多电源优化调度的能力。
可选地,所述回归方程满足如下公式:
,
其中,为用电量预测值,/>为截距,/>为天气因素的权重系数,/>为天气因素,/>为季节因素的权重系数,/>为季节因素,/>为时间因素的权重系数,/>为时间因素。本发明通过分析用户用电量的影响因素,根据天气因素、季节因素和时间因素以及它们对应的权重系数建立预测用户用电量的回归方程,通过该回归方程计算得出用电量预测值,根据该预测值进一步优化微电网多电源优化策略,提高微电网中各项分布式电源的利用率。
可选地,所述约束条件满足如下公式:
,
其中,为微电网总负荷,/>为分布式电源/>功率,/>为微电网与主网的联络线功率,和/>分别为第/>个分布式电源输出功率的最小值和最大值,/>和/>分别为微电网与主网的联络线功率的最小值和最大值。本发明通过设置功率平衡约束、各分布式电源功率约束和微电网与主网的联络线功率约束,在所述约束条件下保证微电网安全稳定地运行。
第二方面,为能够高效地执行本发明所提供的一种微电网多态协调控制方法,本发明还提供了一种微电网多态协调控制***,***包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行本发明第一方面所述的微电网多态协调控制方法。本发明的微电网多态协调控制***,结构紧凑、性能稳定,能够稳定地执行本发明提供的微电网多态协调控制方法,提升本发明整体适用性和实际应用能力。
附图说明
图1为本发明实施例所提供的微电网多态协调控制方法流程图;
图2为本发明实施例所提供的微电网多态协调控制***结构图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路,软件或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。
在一个可选的实施例中,请参见图1,图1为本发明实施例所提供的一种微电网多态协调控制方法流程图。如图1所示,所述微电网多态协调控制方法,包括如下步骤:
S1、收集微电网的实时数据,确定微电网的结构和运行状态。
在本实施例中,通过在微电网中安装数据采集装置采集微电网中各个节点的实时数据,采集的数据包括电压、电流、功率以及微电网的负荷电量,所述数据采集装置包括电压传感器、电流传感器和功率传感器,通过所述数据采集装置收集微电网中各个节点的电压、电流和功率,分析得到此时微电网的运行状态。
具体地,微电网的运行状态包括暂态、动态和稳定态。暂态是指电力***变动较大的瞬时过程。在微电网中,暂态可能发生在***发生故障、大负荷突然接入或断开、能源资源突发变化等情况下。在暂态过程中,电压、电流、功率等电力参数可能会发生瞬时的波动和变化,***需要时间来重新建立稳态运行。动态是指电力***随时间发生变化的过程。在微电网中,动态过程通常涉及能源资源的变化、负荷变化、电池充放电等情况。在动态过程中,***会根据外部输入和内部控制信号作出相应的调整和响应,以保持稳定运行。稳态是指电力***在相对稳定的操作状态下运行的情况。在微电网中,稳态下电力***的各项参数(如电压、电流、功率等)会保持稳定的数值,并且***中的能量产生与消耗基本平衡。本发明结合人工智能学习技术,对交直流微电网暂态、动态、稳定态进行计算分析并形成智能控制。目前国内主要以KW级发电的***为主,缺少MW级大规模、多种类型分布式电源项目,本发明所提供的一种微电网多态协调控制方法稳定可靠,解决了交直流混合微电网多类型电源组合中各种电源体对电网影响调度问题。
本发明提供的一种基于MW级人工智能交直流微电网暂态、动态、稳定态控制方法,还包括对所述微电网进行等值处理。微电网的等值过程是指在将微电网与主干网连接时,通过设置使得微电网在与主干网连接后能够保持原有的特性和功能。微电网的等值过程包括以下步骤:
建立电气连接:将微电网与35kV主干网架进行电气连接。该过程可以通过电缆、开关装置以及连接器来实现。
计算短路电流:对于等值分布式发电机,需要计算其在主干网架支撑下的短路电流,确保与原网络相同。该过程可以通过计算微电网中每个电源单元的发电能力和电气参数,再应用短路电流计算方法来得出结果。
控制电压和功率:为了保持微电网与主干网同步运行,在等值过程中需要对微电网进行电压和功率的控制。可以使用电压和功率控制器来实现对微网电压和功率的调节,使其与主干网保持同步。
监测与保护:在等值过程中,需要监测微电网与主干网之间的交流联系。该过程可以通过安装传感器和监测设备,并使用监测和保护***来实现。监测***可以实时监测微电网与主干网之间的电流、电压、功率等参数。
模拟和验证:在等值过程完成后,进行模拟和验证,确保微电网与主干网连接的稳定性和可靠性。通过仿真软件或实验设备对等值后的***进行电气特性模拟和性能验证。
通过以上步骤,微电网可以在等值过程中保留35kV主干网架、重要直流线路以及它们之间的交流联系,并保证等值分布式发电机对主干网架支撑的短路电流与原网络相同,并且在等值过程中不需要解开35kV、10kV、04KV电压等级之间的电磁环网,等值后的***可以用于在电磁暂态控制平台中计算大规模交直流***间的相互作用特性,该动态等值方法很好地保留了大规模交直流***的动态特性,进一步地,微电网与主干网之间可以有效地连接,并且共同运行,为用户提供可靠、高效的电力供应。
S2、建立微电网分布式电源数学模型,所述分布式电源数学模型包括太阳能光伏发电数学模型、风力发电数学模型、微型燃气轮机数学模型、燃料电池数学模型。
在本实施例中,采用了matlab模型仿真设计以实现多电源多态仿真模拟功能,对比传统的分项电源仿真设计,该模型仿真设计适用于多类型电源,运行效率显著提升,该模型仿真设计方法还可以应用于无人海岛的多类型能源特性研究领域。
进一步地,基于matlab仿真以实现多电源多态仿真模拟功能包括以下步骤:
确定仿真***的基本结构:确定***中的多个电源和其它相关组件,并建立它们之间的连接关系。涉及的电源包括光伏电池、风力发电机、微型燃气轮机和燃料电池。
建立电源模型:为每个电源设计相应的数学模型,以表示其电气特性。
具体地,在本实施例中,所述太阳能光伏发电数学模型,光伏电池的输出功率主要与温度、光照强度等因素有关,光伏电池的输出功率表示为:
,
其中,为光伏电池的输出功率,k为温度补偿系数,S为太阳辐射强度,/>为电池板倾斜角度,A为电池板面积,η为电池板转换效率。
具体地,在本实施例中,所述风力发电数学模型,风力发电机的输出功率与风速大小有关,所述风力发电机的输出功率满足如下公式:
,
其中,为风力发电机的输出功率,/>为扰流因素补偿系数,/>为风机叶轮半径,/>为风速,/>为空气密度,/>为风能转换系数。
具体地,在本实施例中,所述微型燃气轮机数学模型,满足如下公式:
,
其中,为微型燃气轮机的输出功率,/>为燃气的流量,/>为燃气的压力,/>为燃气的湿度,/>为燃气的含硫量,exp为自然对数的底数e的指数函数,/>、/>、/>为经验系数。
具体地,在本实施例中,所述燃料电池数学模型,满足如下公式:
,
其中,为燃料电池的输出功率,/>为燃料电池的温度修正因子,U为燃料电池的输出电压,I为通过燃料电池的电流,/>为燃料电池的效率。
设计多态控制策略:多电源***需要合理的控制策略来管理不同电源之间的切换和功率分配。通过控制算法,在不同情况下动态选择电源,实现功率分配的优化。
搭建仿真模型:在matlab中搭建仿真模型,使用Simulink工具箱构建电路和***模型,集成所需的电源模型、控制策略和其他相关组件。通过连接各个模块,并设置仿真参数,构建一个完整的多电源多态仿真模型。
进一步地,运行搭建好的仿真模型,可以通过输出信号和仿真结果来分析电源的状态、功率输出以及进行控制策略的调整等,并根据需要进行优化和改进。
S3、根据所述微电网中分布式电源的类型建立微电网多目标优化调度模型。
具体地,在本实施例中,根据微电网的需求和优化目标,结合微电网中包含的不同类型的分布式电源,确定目标函数,进一步地,建立微电网多目标优化调度模型,所述建立微电网多目标优化调度模型包括:
S31、建立以微电网运行成本最小、环境污染排放成本最小、额外效益最大的目标函数,所述目标函数满足如下公式:
,
其中,为综合成本,/>为微电网运行成本,/>为环境污染排放成本,/>为额外效益,/>、/>、/>分别为微电网运行成本、环境污染排放成本、额外效益对应的权重系数。
本发明以微电网运行成本最小、环境污染排放成本最小、额外效益最大为目标,并对微电网的运行成本、环境污染排放成本和额外效益根据其对微电网运行综合成本的影响程度,赋予不同的权重系数,实现对微电网运行综合成本的优化。
S32 、分析微电网并网运行时的约束条件,所述约束条件包括功率平衡约束、各分布式电源功率约束和微电网与主网的联络线功率约束。
进一步地,在本实施例中,所述约束条件满足如下公式:
,
其中,为微电网总负荷,/>为分布式电源/>功率,/>为微电网与主网的联络线功率,和/>分别为第/>个分布式电源输出功率的最小值和最大值,/>和/>分别为微电网与主网的联络线功率的最小值和最大值。
本发明综合考虑了微电网运行时的功率平衡条件、各分布式电源输出功率的限制条件以及微电网与主网联络线功率的限制条件,通过设置功率平衡约束、各分布式电源功率约束和微电网与主网的联络线功率约束,在所述约束条件下保证微电网安全稳定地运行。
S33、在满足所述约束条件下,建立所述微电网多目标优化调度模型。
具体地,根据微电网状态和用户需求,确定所述微电网中不同分布式电源的选择权重。根据分布式电源的类型、成本、可靠性、环境条件等因素来赋予不同分布式电源对应的权重值,将加权求和的结果作为其在微电网中贡献度的评价指标。应当理解,可以根据实际情况对微电网中分布式电源权重值的影响因素进行调整。
进一步地,设计动态电源选择规则以根据微电网状态和分布式电源的权重值来选择微电网中的分布式电源。具体规则如下:
根据微电网中包含的分布式电源的输出功率,计算各个分布式电源的可用电量,将分布式电源的权重值与可用电量相乘得出该分布式电源在微电网运行过程中的出力上限,若该上限无法满足当前微电网负荷用户的用电量需求,则选择其他分布式电源进行替代,若几种分布式电源均无法单独满足当前微电网负荷用户的用电量需求,则通过多种分布式电源组合的方式运行,满足微电网负荷用户的用电量需求。
进一步地,在微电网运行过程中,根据微电网状态的变化,及时更新分布式电源的选择,可以周期性地或根据事件触发来重新评估并更新分布式电源的选择。
S4、求解所述微电网优化调度模型,得到所述微电网并网运行时的优化调度策略。
具体地,在本实施例中,根据建立的所述微电网优化调度模型,得出微电网与主网并网运行时的优化调度策略。根据该策略实现对微电网中各项分布式电源的合理分配,实现能源的合理利用,以及降低微电网的运行成本,减少对环境造成的污染,增大微电网运行的额外收益,提高微电网的安全性和可靠性。更进一步地,根据微电网实际运行情况,不断调整控制策略。监测微电网中各项分布式电源的功率波动以及微电网负荷用户用电量需求变化情况,根据反馈信息对微电网中各项分布式电源进行合理分配,保证微电网的稳定运行。
在又一个或者一些可选的实施例中,为了调整所述优化调度策略,满足所述微电网负荷用户的用电量需求,提高所述微电网的运行效率和可靠性,如图1所示,所述微电网多态协调控制方法,还包括如下步骤:
S5、采集用户历史用电量,确定用户用电量的影响因素。
具体地,在本实施例中,为了准确测量用户用电量,需要安装电能表或智能电表来记录实际用电数据。电能表和智能电表可以提供微电网负荷用户各时段准确的用电数据。定期记录电能表或智能电表的读数,可以是每天、每周或每月进行一次,记录周期可以根据实际情况进行设置。通过传感器网络监测用户环境信息,并利用信息处理平台对所述环境信息进行分析,确定用户用电量的影响因素。
S6、确定不同影响因素对用户用电量影响的权重系数。
具体地,在本实施例中,根据不同影响因素对用户用电量的影响程度对其赋予不同的权重系数。该权重系数可以通过机器学习算法、神经网络模型等对输入的历史用电量数据结合其对应的天气、季节和时间因素进行分析处理,进一步地,得出天气、季节和时间因素对用户用电量的影响程度,输出对应的权重系数。
S7、根据所述权重系数和影响因素建立预测用户用电量的回归方程。
具体地,在本实施例中,根据天气因素、季节因素和时间因素以及它们对应的权重系数建立预测用户用电量的回归方程,所述回归方程满足如下公式:
,
其中,为用电量预测值,/>为截距,/>为天气因素的权重系数,/>为天气因素,/>为季节因素的权重系数,/>为季节因素,/>为时间因素的权重系数,/>为时间因素。
S8、通过所述回归方程得出用户用电量预测值。
具体地,在本实施例中,通过该回归方程计算得出用户用电量预测值,更准确地预测微电网负荷用户未来的用电量情况,所述回归方程可通过残差分析来检验回归方程的拟合效果,得出实际测量值与预测值的差距,进一步地,根据残差分析的反馈值,调整所述回归方程中影响因素的权重系数,使得所述回归方程具有更好的拟合效果,输出更准确的用电量预测值。
对比原有的用户用电量数据预测方法,本发明创新性地对用户用电量进行采集,综合考虑影响用户用电量的多种因素,并根据用户用电量的影响因素拟合回归方程,进一步输出更准确的预测值,该方法还可应用在微电网智能用电在线监测领域。
S9、根据所述用户用电量预测值调整所述优化调度策略。
具体地,在本实施例中,根据该预测值进一步调整所述优化调度策略,对微电网中各项分布式电源根据其出力上限进行合理分配,提高微电网中各项分布式电源的利用率,满足所述微电网负荷用户的用电量需求,提高所述微电网的运行效率和可靠性。
请参见图2,在一个可选的实施例中,为能够高效地执行本发明所提供的一种微电网多态协调控制方法,本发明还提供了一种微电网多态协调控制***,所述***包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如本发明所提供的微电网多态协调控制方法相关实施例的具体步骤。本发明的微电网多态协调控制***,结构完整、客观稳定,能够高效地执行本发明的微电网多态协调控制方法,提升本发明整体适用性和实际应用能力。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种微电网多态协调控制方法,其特征在于,包括以下步骤:
收集微电网的实时数据,确定微电网的结构和运行状态;
建立微电网分布式电源数学模型,所述分布式电源数学模型包括太阳能光伏发电数学模型、风力发电数学模型、微型燃气轮机数学模型、燃料电池数学模型;
根据所述微电网中分布式电源的类型建立微电网多目标优化调度模型;
求解所述微电网优化调度模型,得到所述微电网并网运行时的优化调度策略。
2.根据权利要求1所述的微电网多态协调控制方法,其特征在于,所述建立微电网多目标优化调度模型包括:
建立以微电网运行成本最小、环境污染排放成本最小、额外效益最大的目标函数,所述目标函数满足如下公式:
,
其中,为综合成本,/>为微电网运行成本,/>为环境污染排放成本,/>为额外效益,/>、/>、分别为微电网运行成本、环境污染排放成本、额外效益对应的权重系数;
分析微电网并网运行时的约束条件,所述约束条件包括功率平衡约束、各分布式电源功率约束和微电网与主网的联络线功率约束;
在满足所述约束条件下,建立所述微电网多目标优化调度模型。
3.根据权利要求1所述的微电网多态协调控制方法,其特征在于,所述微电网多态控制协调方法还包括:
采集用户历史用电量,确定用户用电量的影响因素;
确定不同影响因素对用户用电量影响的权重系数;
根据所述权重系数和影响因素建立预测用户用电量的回归方程;
通过所述回归方程得出用户用电量预测值;
根据所述用户用电量预测值调整所述优化调度策略。
4.根据权利要求1所述的微电网多态协调控制方法,其特征在于,所述太阳能光伏发电数学模型,光伏电池的输出功率表示为:
,
其中,为光伏电池的输出功率,k为温度补偿系数,S为太阳辐射强度,/>为电池板倾斜角度,A为电池板面积,η为电池板转换效率。
5.根据权利要求1所述的微电网多态协调控制方法,其特征在于,所述风力发电数学模型,风力发电机的输出功率与风速大小有关,所述风力发电机的输出功率满足如下公式:
,
其中,为风力发电机的输出功率,/>为扰流因素补偿系数,/>为风机叶轮半径,/>为风速,/>为空气密度,/>为风能转换系数。
6.根据权利要求1所述的微电网多态协调控制方法,其特征在于,所述微型燃气轮机数学模型,满足如下公式:
,
其中,为微型燃气轮机的输出功率,/>为燃气的流量,/>为燃气的压力,/>为燃气的湿度,/>为燃气的含硫量,exp为自然对数的底数e的指数函数,/>、/>、/>为经验系数。
7.根据权利要求1所述的微电网多态协调控制方法,其特征在于,所述燃料电池数学模型,满足如下公式:
,
其中,为燃料电池的输出功率,/>为燃料电池的温度修正因子,U为燃料电池的输出电压,I为通过燃料电池的电流,/>为燃料电池的效率。
8.根据权利要求3所述的微电网多态协调控制方法,其特征在于,所述回归方程满足如下公式:
,
其中,为用电量预测值,/>为截距,/>为天气因素的权重系数,/>为天气因素,/>为季节因素的权重系数,/>为季节因素,/>为时间因素的权重系数,/>为时间因素。
9.根据权利要求2所述的微电网多态协调控制方法,其特征在于,所述约束条件满足如下公式:
,
其中,为微电网总负荷,/>为分布式电源/>功率,/>为微电网与主网的联络线功率,/>和/>分别为第/>个分布式电源输出功率的最小值和最大值,/>和/>分别为微电网与主网的联络线功率的最小值和最大值。
10.一种微电网多态协调控制***,其特征在于,***包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-9中任一项所述的微电网多态协调控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410182848.4A CN117748622B (zh) | 2024-02-19 | 2024-02-19 | 一种微电网多态协调控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410182848.4A CN117748622B (zh) | 2024-02-19 | 2024-02-19 | 一种微电网多态协调控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117748622A true CN117748622A (zh) | 2024-03-22 |
CN117748622B CN117748622B (zh) | 2024-05-10 |
Family
ID=90281547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410182848.4A Active CN117748622B (zh) | 2024-02-19 | 2024-02-19 | 一种微电网多态协调控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117748622B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130079939A1 (en) * | 2011-09-28 | 2013-03-28 | Ii Thomas Francis Darden | Systems and methods for optimizing microgrid power generation and management with predictive modeling |
CN106786547A (zh) * | 2017-01-12 | 2017-05-31 | 沃太能源南通有限公司 | 一种新型微网***以及基于该***的组网调度方法 |
CN109327042A (zh) * | 2018-09-27 | 2019-02-12 | 南京邮电大学 | 一种微电网多能源联合优化调度方法 |
CN109449971A (zh) * | 2018-10-29 | 2019-03-08 | 国网甘肃省电力公司 | 一种新能源消纳的多目标电力***源荷互动优化调度方法 |
CN116937569A (zh) * | 2023-07-26 | 2023-10-24 | 广东永光新能源设计咨询有限公司 | 光伏发电智能储能方法、装置及电子设备 |
WO2023201916A1 (zh) * | 2022-04-18 | 2023-10-26 | 国网智能电网研究院有限公司 | 一种分布式灵活资源聚合控制装置及控制方法 |
-
2024
- 2024-02-19 CN CN202410182848.4A patent/CN117748622B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130079939A1 (en) * | 2011-09-28 | 2013-03-28 | Ii Thomas Francis Darden | Systems and methods for optimizing microgrid power generation and management with predictive modeling |
CN106786547A (zh) * | 2017-01-12 | 2017-05-31 | 沃太能源南通有限公司 | 一种新型微网***以及基于该***的组网调度方法 |
CN109327042A (zh) * | 2018-09-27 | 2019-02-12 | 南京邮电大学 | 一种微电网多能源联合优化调度方法 |
CN109449971A (zh) * | 2018-10-29 | 2019-03-08 | 国网甘肃省电力公司 | 一种新能源消纳的多目标电力***源荷互动优化调度方法 |
WO2023201916A1 (zh) * | 2022-04-18 | 2023-10-26 | 国网智能电网研究院有限公司 | 一种分布式灵活资源聚合控制装置及控制方法 |
CN116937569A (zh) * | 2023-07-26 | 2023-10-24 | 广东永光新能源设计咨询有限公司 | 光伏发电智能储能方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
SHIJIA REN ET AL.: "Multi-Objective Optimal Control of Micro-Grid Based on Economic Model Predictive Control", 《2019 CHINESE CONTROL CONFERENCE (CCC)》, 17 October 2019 (2019-10-17), pages 1 - 6 * |
李建杰 等: "基于PCC⁃ML深度学习的微电网多目标协调优化运行", 《电气传动》, vol. 53, no. 5, 31 May 2023 (2023-05-31), pages 17 - 24 * |
王凌云 等: "基于自然选择-杂交PSO算法的微电网并网多目标优化调度", 《电气应用》, vol. 36, no. 16, 31 August 2017 (2017-08-31), pages 50 * |
Also Published As
Publication number | Publication date |
---|---|
CN117748622B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Application of energy storage in integrated energy systems—A solution to fluctuation and uncertainty of renewable energy | |
Li et al. | A coordinated dispatch method with pumped-storage and battery-storage for compensating the variation of wind power | |
Ma et al. | Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic | |
Reddy | Optimal scheduling of thermal-wind-solar power system with storage | |
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN104319768B (zh) | 一种微电网供电及监控方法 | |
Deng et al. | System modeling and optimization of microgrid using genetic algorithm | |
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 | |
CN112734098B (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及*** | |
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 | |
Liu et al. | Two cases studies of model predictive control approach for hybrid renewable energy systems | |
Datta et al. | Hybrid PV–wind renewable energy sources for microgrid application: an overview | |
CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
CN115017854A (zh) | 一种基于多维评估指标体系的配电网dg最大准入容量计算方法 | |
CN115907213A (zh) | 基于云集端分层架构的考虑设备健康度的群控群调策略 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
Huang et al. | Optimal energy management of grid-connected photovoltaic micro-grid | |
Kyrylenko et al. | Power Systems Research and Operation: Selected Problems III | |
Peng et al. | Research on inter-regional renewable energy accommodation assessment method based on time series production simulation | |
jing Hu et al. | Capacity optimization of wind/PV/storage power system based on simulated annealing-particle swarm optimization | |
CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
CN117748622B (zh) | 一种微电网多态协调控制方法及*** | |
CN115800306A (zh) | 考虑风机故障的风光储无功补偿方法、装置及介质 | |
CN112165089A (zh) | 微电网的多目标调度方法、***、设备及可存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |