高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ

基于风-光-储联合优化的最优潮流

刘中华 牛玉刚 贾廷纲

刘中华, 牛玉刚, 贾廷纲. 基于风-光-储联合优化的最优潮流[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20201214001
引用本文: 刘中华, 牛玉刚, 贾廷纲. 基于风-光-储联合优化的最优潮流[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20201214001
LIU Zhonghua, NIU Yugang, JIA Tinggang. Optimal Power Flow Based on Optimization of Wind-Photovoltaic-Storage Hybrid System[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20201214001
Citation: LIU Zhonghua, NIU Yugang, JIA Tinggang. Optimal Power Flow Based on Optimization of Wind-Photovoltaic-Storage Hybrid System[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20201214001

基于风-光-储联合优化的最优潮流

doi: 10.14135/j.cnki.1006-3080.20201214001
详细信息
    作者简介:

    刘中华(1996—),男,安徽人,硕士生,主要研究方向为微电网能量调度与控制。E-mail:liuzhonghua2333@163.com

    通讯作者:

    牛玉刚,E-mail:acniuyg@ecust.edu.cn

Optimal Power Flow Based on Optimization of Wind-Photovoltaic-Storage Hybrid System

  • 摘要: 针对分布式能源发电的间歇性和不确定性,提出了风、光互补发电和储能实时在线优化结合的方法。以风、光日前预测发电与实时发电误差最小、储能出力最少为目标,建立风-光-储联合优化模型;使用改进PSO算法对风、光出力进行实时优化,优化后的分布式发电可以有效降低分布式电源带来的日前调度偏差。通过储能优化后的风、光出力在进行潮流计算时可直接处理为负荷模型,可以有效降低分布式能源建模复杂度。最后,以IEEE30节点系统为例,以发电机发电费用最低为目标函数,将风-光-储联合出力等效为单个节点,利用GA算法对最优潮流模型进行求解,验证了本文方法的正确性和有效性。

     

  • 图  1  风-光-储最优潮流结构图

    Figure  1.  Structure of wind-solar-storage optimal power flow

    图  2  风-光-储粒子群优化结构图

    Figure  2.  PSO structure of wind-solar-storage

    图  3  最优潮流遗传算法优化结构图

    Figure  3.  GA optimal structure of optimal power flow

    图  4  风速历史数据

    Figure  4.  Wind speed history data

    图  5  风速概率分布拟合偏差

    Figure  5.  Fitting deviation of wind speed probability distribution

    图  6  实际风力发电与光伏发电

    Figure  6.  Actual wind and photovoltaic power generation

    图  7  实际发电与预测发电

    Figure  7.  Actual generation with predictive power

    图  8  储能补偿效果

    Figure  8.  Energy storage compensation effect

    图  9  储能补偿前后风光出力预测绝对偏差

    Figure  9.  Forecast deviation of wind and solar output before and after energy storage compensation

    图  10  储能荷电状态

    Figure  10.  Energy storage state of charge

    图  11  IEEE30节点系统

    Figure  11.  IEEE30 bus system

    图  12  负荷需求信息

    Figure  12.  Information of load

    图  13  单个发电机出力

    Figure  13.  Single generation output

    图  14  优化前后偏差

    Figure  14.  Deviation before and after optimization

    图  15  各时段节点电压

    Figure  15.  Node voltage in each period

    图  16  GA算法求解最优潮流收敛情况

    Figure  16.  GA to solve OPF convergence

    表  1  两种优化结果对比

    Table  1.   Result comparsion between two methods

    MethodMatching degree with planned/%Energy storage charge/%Power difference/MW
    This paper99.488.5718.2255
    Literature[14]93.2619.322.2041
    下载: 导出CSV

    表  2  发电机损耗参数

    Table  2.   Generation parameters setting

    NodeabcMinimum
    generation/MW
    Maximum
    generation/MW
    10.03753.0001080
    20.04751.1501080
    50.03251.2001080
    80.04301.2501080
    110.04502.0001080
    130.03502.5001080
    下载: 导出CSV
  • [1] 常硕, 牛玉刚, 陈凯炎. 多目标约束的电动汽车实时调度策略[J]. 华东理工大学学报, $ref.ref_year. doi: 10.14135/j.cnki.1006-3080.2020081700
    [2] 陈磊, 牛玉刚, 贾廷纲. 基于主从博弈的多微网能量调度策略[J]. 电力系统保护与控制, 2020, 48(19): 35-42.
    [3] 曾丹, 姚建国, 杨胜春, 等. 应对风电消纳中基于安全约束的价格型需求响应优化调度建模[J]. 中国电机工程学报, 2014, 34(31): 5571-5578.
    [4] 牛瑞杰, 郭俊文, 李晓博, 等. 风光储联合发电系统储能控制策略[J]. 热力发电, 2020, 49(8): 150-155.
    [5] 戚永志, 刘玉田. 风光储联合系统输出功率滚动优化与实时控制[J]. 电工技术学报, 2014, 29(8): 265-273.
    [6] 何宇斌, 文云峰, 戴赛, 等. 基于故障风险指标排序的安全约束最优潮流[J]. 电力系统保护与控制, 2015, 43(13): 52-59.
    [7] YORINO N, ABDILLAH M, SASAKI Y, et al. Robust power system security assessment under uncertainties using bi-level optimization[J]. IEEE Transactions on Power Systems, 2018, 33(1): 352-62. doi: 10.1109/TPWRS.2017.2689808
    [8] TEEPARTHI K, KUMAR D M. Security-constrained optimal power flow with wind and thermal power generators using fuzzy adaptive artificial physics optimization algorithm[J]. Neural Computing and Applications, 2018, 29(3): 855-871. doi: 10.1007/s00521-016-2476-4
    [9] 廖迎晨, 甘德强, 陈星莺, 等. 考虑分布式电源出力不确定性的城市电网模糊最优潮流分析[J]. 电力自动化设备, 2012, 32(9): 35-39.
    [10] 曹佳, 曹建国, 胡家喜, 等. 考虑需求响应的多目标概率最优潮流问题研究[J]. 控制与信息技术, 2019(2): 32-39.
    [11] 崔杨, 张家瑞, 王铮, 等. 计及价格型需求响应的风–光–光热联合发电系统日前调度策略[J]. 中国电机工程学报, 2020, 40(10): 3103-3114.
    [12] CARPENTIER J. Contribution al'etude du dispatching economique[J]. Bulletin de la Societe Francaise des Electriciens, 1962, 12(1): 444-447.
    [13] MAZIDI M, ZAKARIAZADEH A, JADID S, et al. Integrated scheduling of renewable generation and demand response programs in a microgrid[J]. Energy Conversion and Management, 2014, 86: 1118-1127. doi: 10.1016/j.enconman.2014.06.078
    [14] 赵书强, 刘大正, 谢宇琪, 等. 基于相关机会目标规划的风光储联合发电系统储能调度策略[J]. 电力系统自动化, 2015, 14(39): 30-36, 53.
    [15] AKDAG S A, DINLER A. A new method to estimate Weibull parameters for wind energy applications[J]. Energy Conversion and Management, 2009, 50: 1761-1766. doi: 10.1016/j.enconman.2009.03.020
    [16] BOUKTIR T, SLIMANI L, BELKACEMI M. A genetic algorithm for solving the optimal power flow problem[J]. Leonardo Journal of Sciences, 2004, 3(4): 44-58.
    [17] FRANK S, STEPONAVICE I, REBENNACK S. Optimal power flow: A bibliographic survey II[J]. Energy System, 2012, 3: 259-289. doi: 10.1007/s12667-012-0057-x
    [18] ROY P, CHAKRABARTI A. Modified shuffled frog leaping algorithm with genetic algorithm crossover for solving economic load dispatch problem with valve-point effect[J]. Applied Soft Computing, 2013, 13(11): 4244-4252. doi: 10.1016/j.asoc.2013.07.006
    [19] 曹佳, 严正, 李建华, 等. 含风电场交直流混联系统的概率潮流计算[J]. 电力自动化设备, 2016, 36(11): 94-100.
    [20] SUN D I, ASHLEY B, BREWER B, et al. Optimal power flow by newton approach[J]. IEEE Transactions on Power Apparatus and Systems, 1984, 103(10): 2864-2880.
    [21] BURCHETT R C, HAPP H H, VIERATH D R. Quadratically convergent optimal power flow[J]. IEEE Transactions on Power Apparatus and Systems, 1984, 4(11): 3267-3275.
    [22] 陈兰萍, 牛玉刚. 基于多代理的微电网分区分布式最优潮流分析[J]. 华东理工大学学报(自然科学版), 2020, 46(4): 549-555.
    [23] 王思明, 牛玉刚, 祖其武. 并网模式下基于多代理技术的微电网多目标优化[J]. 华东理工大学学报(自然科学版), 2017, 43(6): 829-836, 889.
    [24] YANG X D, ZHANG Y B, ZHAO B, et al. Optimal energy flow control strategy for a residential energy local network combined with demand-side management and real-time pricing[J]. Energy and Buildings, 2017, 150(1): 177-188.
    [25] MO N, ZOU Z, CHAN K, et al. Transient stability constrained optimal power flow using particle swarm optimization[J]. IET Generation, Transmission and Distribution, 2007, 1(3): 476-483. doi: 10.1049/iet-gtd:20060273
    [26] SELVAKUMAR A I, THANUSHKODI K. A new particle swarm optimization solution to nonconvex economic dispatch problems[J]. IEEE Transactions on Power Systems, 2007, 22(1): 42-51. doi: 10.1109/TPWRS.2006.889132
    [27] 祖其武, 牛玉刚, 邹媛媛, 等. 基于弹性负荷分时调度和多电源联合供电的微网经济运行[J]. 电力系统保护与控制, 2018, 46(4): 20-27.
  • 加载中
图(16) / 表(2)
计量
  • 文章访问数:  290
  • HTML全文浏览量:  174
  • PDF下载量:  12
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-14
  • 网络出版日期:  2021-03-24

目录

    /

    返回文章
    返回