One embodiment of the invention provides considering uncertainties of family economic dispatch optimization grid coordination method, including: the establishment of family scenery optimization scheduling model of power system storage; establishment and family scheduling optimization model of power system load corresponding scenery storage probability of wind power, photovoltaic, model; the Latin hypercube sampling method for wind power, PV and load probability model were obtained through sampling, sample; scenario reduction algorithm and reduce the probability and statistics of the sample, obtain a pre-set number of scenes set; through improved adaptive differential evolution algorithm for solving the scene set, obtaining the optimal solution corresponding with the scene. The embodiment of the invention by Latin hypercube sampling, scenario reduction and adaptive differential evolution algorithm for improved family scene optimization scheduling model for power system storage, solved the existing optimization algorithm in low computation efficiency and easy to fall into local optimum, the slow convergence rate of technical problems.
【技术实现步骤摘要】
一种计及不确定性因素的家庭并网协同经济调度优化方法
本专利技术涉及电力系统并网协同经济调度
,尤其涉及一种计及不确定性因素的家庭并网协同经济调度优化方法。
技术介绍
在电力市场和雾霾天气常态化的大背景下,发电行业向经济化、清洁化转型已经迫在眉睫。近年来,以风电、光伏为主要形式的大量分布式电源接入使得原来的配电网由单电源、辐射状拓扑结构转变为多电源复杂网络结构。各种分布式电源的灵活并网不仅可以有效地降低网络损耗,提高电网电压的调整能力,而且还可以减少输电线路的投资。风能、太阳能发电作为分布式发电的主要能源形式,具有分布广、储量大、环境友好等优点。目前,对此已有不少国内外学者从多个角度进行了大量的研究分析,并取得一定的成果。然而,由于风电、光伏等分布式电源的出力具有较强的间歇性、波动性等特点,使其难以灵活控制,因此随着家庭并网分布式发电渗透率的不断提高,给电力系统调度方式的智能性和灵活性带来极大的挑战。其中,在处理电力系统经济调度的时候,通常采用一些优化算法来实现经济调度。但是计算效率低、容易陷入局部最优、收敛速度慢是现有的优化算法中需要解决的技术问题。
技术实现思路
本专利技术实施例提供了一种计及不确定性因素的家庭并网协同经济调度优化方法,用于解决现有优化算法中的计算效率低、容易陷入局部最优、收敛速度慢的技术问题。本专利技术实施例提供的一种计及不确定性因素的家庭并网协同经济调度优化方法,包括:S1:建立家庭风光蓄发电系统优化调度模型;S2:建立与家庭风光蓄发电系统优化调度模型对应的风电、光伏、负荷概率模型;S3:通过拉丁超立方采样法对风电、光伏、负荷概率模 ...
【技术保护点】
一种计及不确定性因素的家庭并网协同经济调度优化方法,其特征在于,包括:S1:建立家庭风光蓄发电系统优化调度模型;S2:建立与家庭风光蓄发电系统优化调度模型对应的风电、光伏、负荷概率模型;S3:通过拉丁超立方采样法对风电、光伏、负荷概率模型进行抽样,获得样本;S4:通过场景缩减算法对样本进行缩减和概率统计,获得预设数目的场景集合;S5:通过自适应改进差分进化算法求解场景集合,获得与场景对应的最优解。
【技术特征摘要】
1.一种计及不确定性因素的家庭并网协同经济调度优化方法,其特征在于,包括:S1:建立家庭风光蓄发电系统优化调度模型;S2:建立与家庭风光蓄发电系统优化调度模型对应的风电、光伏、负荷概率模型;S3:通过拉丁超立方采样法对风电、光伏、负荷概率模型进行抽样,获得样本;S4:通过场景缩减算法对样本进行缩减和概率统计,获得预设数目的场景集合;S5:通过自适应改进差分进化算法求解场景集合,获得与场景对应的最优解。2.根据权利要求1所述的一种计及不确定性因素的家庭并网协同经济调度优化方法,其特征在于,所述步骤S1具体包括:A1:建立如第一公式和第二公式所示的风力发电系统模型,所述第一公式为:其中,v为风速;c为尺度参数;k为形状参数;所述第二公式为:其中,PWN为风电机组的额定输出功率;vin、vr、vout分别为切入、额定和切出风速;A2:建立如第三公式和第四公式所示的光伏发电系统模型,所述第三公式为:其中,PSTC为STC标准测试条件下的最大测试功率;TC为电池工作温度;GC为太阳光照强度;k为功率温度系数,取值为-0.0047/℃;所述第四公式为:其中,Ta为环境温度,单位为℃;A3:建立如第五公式所示的储能系统模型,所述第五公式为:其中,SOCt为t时段蓄电池的荷电量;Pbat,t为蓄电池的充/放电功率;ηd、ηc分别为蓄电池的充放电效率。3.根据权利要求2所述的一种计及不确定性因素的家庭并网协同经济调度优化方法,其特征在于,所述步骤S1还包括:A4:建立如第六公式所示的优化目标函数,所述第六公式为:其中,Csell,t=Ps,t·Cs,tCbuy,t=Pg,t·Cg,tCsub,t=(Pw,t+Pv,t)·F其中,T为调度周期;Ctotal为调度周期内的总收益;Csell,t、Cbuy,t、Csub,t分别为用户在调度时段t内的售电收益、购电成本以及政府对分布式发电的补贴收益;Crw,t、Crv,t、Crs,t、Cset,t分别为风电机组、光伏阵列、蓄电池的运行维护成本和折算为单位时间的分布式发电投资建设成本;Pw,t、Pv,t、Ps,t、Pg,t、PD,t分别为调度时段t内的风电出力、光伏出力、蓄电池出力、上网电量、用户购电电量及家庭负荷需求;Cs,t、Cg,t分别为用户实时售电价格和购电电价;F为政府对分布式发电的补贴电价0.42元/(kW·h);kwu、kwd分别为风电机组运行时单位电量的维护成本和停运单位时间的维护成本;kvu、kvd分别为光伏阵列运行时单位电量的维护成本和停运单位时间的维护成本;ksu为蓄电池运行时单位电量的维护成本;kb为考虑资金时间价值的系统投资建设成本系数;r、n分别为系统折现率和投资偿还期。4.根据权利要求3所述的一种计及不确定性因素的家庭并网协同经济调度优化方法,其特征在于,所述步骤S1还包括:A5:建立如第十四公式、第十五公式、第十六公式、第十七公式、第十八公式、第十九公式、第二十公式、第二十一公式、第二十二公式所示的约束条件,所述第十四公式为:|PN,t|≤PNr;所述第十五公式为:其中,PNr为联络线传输容量;SOCmax、SOCmin分别为蓄电池的最大、最小荷电量;分别为蓄电池的最大充、放电功率;所述第十六公式为:所述第十七公式为:所述第十八公式为:PD,t=Pw,t+Pv,t-PN,t-Pbat,t;所述第十九公式为:SOCmin≤SOCt≤SOCmax;所述第二十公式为:-0.2SOCn≤Pbat,t≤0.2SOCn;所述第二十一公式为:SOC0=0.2SOCn;所述第二十二公式为:SOCT=0.2SOCn;其中,SOCn、SOC0、SOCT分别为蓄电池的额定容量、初始状态、末端状态。5.根据权利要求1所述的一种计及不确定性因素的家庭并网协同经济调度优化方法,其特征在于,所述步骤S2具体包括:B1:建立有边界的正态分布概率模型,如第二十三公式所示,所述第二十三公式为:其中,μ0和σ0分别为正态分布的期望和标准差;B2:将家庭风光蓄发电系统优化调度模型中的参数与正态分布概率模型进行匹配,建立包含匹配关系和相应参数的风电、光伏、负荷概率模型。6.根据权利要求1所述的一种计及不确定性因素的家庭并网协同经济调度优化方法,其特征在于,所述步骤S3具体包括:C1:根据风电、光伏、负荷概...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。