文摘

本文旨在探讨能源管理的混合AC / DC微型智能电网"与分布式能源资源的高渗透(接单),如电动汽车、热泵、太阳能光电板。在前面的研究中,能源管理的混合动力微型智能电网"通常是由系统操作符在一个集中的方式,患有妥协的隐私信息保护和单点故障的风险。因此,本文提出了一个分布式能源管理方案的混合动力微型智能电网"使用基于函数投影交替方向法乘数(P-ADMM),它允许每一次网格,即。、AC次网格和直流次网格,日前安排独立信息交流而获得最优能源管理解决方案。混合动力微型智能电网"是制定的能源管理问题作为一个整数二次规划(MIQP)模型,考虑DER和储能系统运行约束,系统操作约束和转换器操作限制。然后MIQP模型分解,分成小规模QP模型使用P-ADMM算法之间的宫,它可以处理二进制变量通过投影函数。数值结果进行混合动力微型智能电网"证明提出的分布式方案可以有效地实现最优混合能源管理AC / DC微型智能电网"在一个分布式的方式。

1。介绍

下一代分布系统涉及到分布式能源的大规模部署(接单),如电动汽车(EVs)热泵(HPs)和光电(pv) [1]。采用微型智能电网"的概念(一个小规模的独立能源系统)已成为一个有效的和有前途的技术集成的单由于其技术和经济效益包括降低操作成本,更高的可靠性和更强的弹性(2]。

一般来说,微型电网可以放在三个主要类别根据电压类型:(1)AC微型电网,(2)直流微型电网,和(3)混合AC / DC微型电网3]。AC / DC混合动力微型智能电网"把交流和直流电源和负载,与交流总线和直流总线连接通过一个双向变换器(BC) (4]。相比与传统交流微型智能电网"要求的AC / DC转换器转换能力,AC / DC混合动力微型智能电网"的设备投资较低功率转换期间可以减少能量损失。因此,AC / DC混合动力微型智能电网"被认为是一种重要的微型电网为更多的直流电源和负载连接(5]。

虽然利用微型智能电网"带来的技术和经济效益,在微型智能电网"操作存在的挑战,如能源管理。能源管理指的是在微型电网优化运行可分派资源如可控发电单元和负载为了实现最好的微型智能电网"基于系统的技术经济运行信息和预测数据(6]。

交流或直流微型电网能量管理已被广泛研究。在[6),提出了一种双层协调能源管理方法为微型电网考虑发电和孤岛效应模式,它由两层组成:计划层获得经济运行方案基于预测数据,而调度层分派可控单元基于实时数据。集中优化微型智能电网"调度模型认为multiperiod孤岛的制约因素提出了7]。最优调度模型解决了使用本德分解技术,和获得的解决方案确保了微型智能电网"有足够的容量来切换到坐落模式如果需要通过检查解决方案提出孤岛的准则。在[8),一个实用的微型电网的能源管理模式,认为各级的操作约束,active-reactive权力平衡,不平衡的系统配置,制定和压敏电阻器负载。此外,一个新的线性化方法被用来降低计算复杂度。在[9),提出了一种模型预测控制的微型智能电网"能源管理框架,认为需求反应的智能负载和功率流模型和单元同时承诺的约束。多目标优化调度模型的直流微型智能电网"考虑pv和电动汽车在[制定10NSGA-II]和解决算法。在[11),能源管理的直流微型智能电网"与储能系统(ess)和电动汽车进行了研究。此外,可再生能源资源的不确定性被广泛研究和建模的微型智能电网"能源管理问题(12- - - - - -14]。

对于混合AC / DC微型电网,能源管理问题(混合动力微型智能电网"是建模的14多个分布式ess)考虑。在[15),提出了一种分散的权力分享方法分享权力的要求之间的交流和直流源无需电源之间的沟通。暂时协调能源管理策略的混合动力微型智能电网"提出了16)来处理不确定性的靓,负载和转换器而考虑变换器的动态转换效率模型。两阶段min-max-min稳健优化的混合动力微型智能电网"提出了能源管理(17)处理产生的不确定性来源和负载。一个上下能源管理计划(混合动力微型智能电网"提出的18),它包含两个层面:生成和负载平衡实现在系统层面,而权力converter-based资源用于控制电压变化在设备层面。然而,能源管理的混合动力微型智能电网"在上述研究进行系统操作符在一个集中的方式,患有妥协的隐私信息保护和单点故障风险。

解决上述问题,分布式的方法,如分析目标级联(ATC)和交替方向法乘数(小组ADMM),已被广泛应用于解决优化模型在分布式/分散的方式来设计分布式/分散的计划。例如,在[19- - - - - -22),使用ATC的方法。在[19),提出了一种分散的数据驱动的负载恢复方案的耦合基于ATC的输电和配电系统。风力发电和负荷消费的不确定性是由制定处理一个数据驱动的健壮的模型。在[20.),ATC-based分散的发电机的启动顺序为散装系统恢复方案提出了考虑可用的黑启动资源分配系统。在[21),提出了一种时空分解和协调方案为负载恢复在一个基于ATC AC / DC混合算法。在[22),小组ADMM算法被用来解决当地市场出清灵活性问题,设计一个分布式市场清算方案。

能源管理的微型智能电网",在23),提出了一种分布式能源管理方案的AC微型智能电网"基于预估近端乘数方法。方案,每个单元的本地控制器(单和负载)优化其成本函数和最优时间表发送给集中控制器,和集中控制器优化的总成本函数基于系统运行约束。然而,AC / DC混合配置是不考虑。在[24),一个分布式健壮的网络混合AC / DC微型电网的能源管理方案,提出了每一个混合AC / DC微型智能电网"运营商解决了可调节的鲁棒优化模型来优化其运营成本考虑的不确定性可再生发电和负载需求。网络化微型电网,协调能源共享减少功率损耗进行基于乘数的交替方向方法(小组ADMM)。然而,为了使用小组ADMM解决能源管理模式在一个分布式的方式,该模型是新配方凸模型通过消除非线性项基于严格的假设关于目标函数的结构,使得该分布式能源管理仅适用于特定的模型。为了解决上述问题,我们提出一个分布式能源管理方案的AC / DC混合微型智能电网"基于投影基于函数的交替方向法乘数(P-ADMM)可以有效地处理二进制变量。P-ADMM算法已被广泛用于解决非凸的实例。在[25- - - - - -28],P-ADMM算法是用来解决服务修复问题分销网络的分层分布式的方式。在[29日],P-ADMM-based分布式方案提出了光伏逆变器的快速调度配合缓慢的派遣抽头变换器的电压调节和电容器银行不平衡分配系统。实际在这些研究证据表明这个P-ADMM是一种有效的方法来获取质量解决方案混合整数二次规划(MIQP)和混合整数线性规划(MILP)模型。

在这项研究中,能源管理问题的混合动力微型智能电网"首先制定MIQP模型,考虑DER和ESS操作约束,系统操作约束和转换器操作限制。然后MIQP模型分解,使用P-ADMM-based分成小规模的子算法,可以处理二进制变量通过投影函数。在该方案中,每个次网格,即。,AC subgrid and DC subgrid, can make day-ahead schedules independently with information exchanges while achieving optimal energy management.

总结了本文的主要贡献如下:(1)提出了一种分布式能源管理方案的AC / DC混合动力微型智能电网",每一次网格可以让能源独立安排和信息交流,实现最佳的能源管理和(2)提出了一种P-ADMM-based算法有效解决MIQP能源管理模型在一个分布式的方式。

本文的其余部分组织如下。的框架下提出了分布式能源管理方案和能源管理模式提出了配方2。P-ADMM-based算法解决能源管理模式提出了部分3。案例研究介绍和讨论部分4,紧随其后的是结论。

2。框架和模型公式的分布式能源管理计划

2.1。框架的分布式能源管理计划

图1说明了物理和通信体系结构的混合AC / DC微型智能电网",各种来源和加载连接。直流的次网格,光伏(pv), ess,电动汽车,和热泵(HPs)相连,而柴油发电机(DGs)和常规交流负载连接到AC次网格。AC次网格和直流次网格与BC。

提出分布式方案,AC次网格操作员和直流次网格相互沟通使日前能源安排各自独立源和负载。

2.2。最优能源管理模型

在本节中,最优混合动力微型智能电网"是制定的能源管理模式。

2.2.1。目标函数

微型电网的能源管理,目标函数是最小化调度期内运营成本。目标函数制定如下:

目标函数的三项成本如下:前两项是减少能源成本DGs的地方N_T组调度时间,和代成本参数,DG的一代;最后一项是最小化的成本从外部采购能量网格,在哪里价格是能量运动,b是价格敏感系数,是购买的权力。

2.2.2。功率平衡方程

方程(2)和(3)是有功功率平衡方程的AC次网格和直流次网格,分别N_h和N_e分别组HPs和电动汽车;是将从直流到交流在小时吗t和是将交流到直流的时刻t;传统的交流负载消耗;电动汽车充电的力量吗我th电动车在小时t;的功耗是吗我热泵在小时t;和分别ESS充电和放电功率;是光伏发电功率;和和功率传输系数。

2.2.3。DG操作约束

约束(4)总干事能力约束,和的最大和最小限制发电DG活跃。约束(5)总干事积极约束,和upramping和downramping限制。

2.2.4。电动汽车运行的约束

约束(6)是EV SOC水平约束,的功耗是吗我th电动车在小时t由于驾驶,最初的SOC水平吗我th电动车,和的最小和最大SOC水平限制吗我电动汽车。约束(7)是电动汽车充电功率约束,和最小和最大充电功率限制的吗我th电动车在小时t和是收费的可用性我th电动车在小时t。

2.2.5。惠普操作约束

约束(8)和(9)代表热方程的房子配备了惠普(30.,31日),性能系数;k₁,k₂,k₃,k₄,k₅热效率系数;和 , ,和是家庭内部温度、室外温度和结构的温度,分别。约束(10)代表家庭温度限制,和是家庭内部的最大和最小极限温度。约束(11)代表惠普功耗约束,和的最大和最小限制吗我在小时th热泵能耗t。

2.2.6款。ESS操作约束

约束(12)和(13)ESS充电和放电功率约束,分别和ESS的最小和最大限制是充电电源,分别;和ESS的最小和最大限制是卸货能力,分别;和和是二进制变量代表ESS充电/放电状态,在充电模式下,如果是ESS= 1,ESS的放电模式= 1。约束(15)是ESS能量平衡约束,ESS SOC水平,是一个小时的时间间隔,和充电和放电系数。约束(16)是ESS SOC水平约束,和最小和最大限度的ESS SOC水平。

2.2.7。双向变换器运行约束

约束(17)代表传输功率极限,是在公元前和最大有功功率转换吗和是二进制变量代表能量变换方向,权力转移从交流到直流= 1,权力转移从直流到交流= 1,也代表了BC可以在充电模式或放电模式。

最后,能源管理问题是制定MIQP问题(1)- (17)。指出,AC子问题,通过直流转换电源直流子问题是耦合的和在功率平衡方程(2)和(3)和约束(17)。为了实现分布式能源管理,交流次网格算子和直流次网格算子应该独立解决自己的问题。因此,P-ADMM-based算法解决能源管理问题在一个分布式的方式,将在下一节详细。

3所示。P-ADMM-Based解决方法

在本节中,P-ADMM算法是用来解决最优能源管理问题在一个分布式的方式。首先,MIQP问题是新配方P-ADMM算法的实现。然后,介绍了增广拉格朗日的问题。最后,P-ADMM-based算法。

3.1。解耦耦合约束

解耦动力平衡方程和BC操作限制,介绍了一组辅助变量如下:

我们用辅助变量代替原始变量,模型是新配方。

新配方模型的目标函数是(1)。

新配方模型的约束包括原始约束(4)- (11),辅助约束(18),

假设变量的标“atd”附属AC次网格操作符的变量和变量的标“dta”附属直流次网格操作符的变量。因此,约束(4)- (11)和(19)- (25)充分交流和直流之间的可分解的宫,而等式约束(18)仍然是耦合的。

3.2。增广拉格朗日

通过添加等式约束(18)为目标函数(1通过双变量)=:{ , , , , , , , }和惩罚参数ρ的增广拉格朗日MIQP模型制定如下:

主题(4)- (11)和(19)- (25)。

增广拉格朗日对两组原始变量进行了优化X=:{ , , , , , , , , , , , , , , },Y=:{ , , , , , }和一群双变量 。

3.3。P-ADMM-Based算法

易于表示,增广拉格朗日函数的目标函数使用一个紧凑的形式表示l(X,Y, )。增广拉格朗日由P-ADMM-based解决算法迭代过程,如算法所示1,优化两个子问题和二元变量更新过程迭代进行。

3.4。子问题我

在kth迭代,原始变量X^k优化子问题我给出的(26),(4)- (11)和(19)- (25),参数和获得(k−1)迭代。 开始时间约束(4)- (11)和(19)- (25)。

我是QP子问题问题,其目标函数和约束可以交流和直流之间的完全解耦的宫。因此,子问题我可以解决在分布式的方式交流和直流之间的宫。

3.5。子问题二世

原始变量Y^k在优化子问题二世,由(27)与参数和获得的kth和(k−1)迭代。

指出,二子问题是nonconstrained MIQP问题。而不是直接解决MIQP问题优化二进制变量,二进制变量优化使用投影函数(28),P_x每个条目表示投影函数,该轮在其最近的二进制值。剩下的原始变量进行优化后,解决QP问题不包括二进制变量,可以充分交流和直流的宫之间的解耦。因此,二子问题可以解决在分布式的方式。

3.6。双变量的更新

求解子问题I和II之后,双变量更新(29日)。

3.7。停止条件

迭代过程仍在继续,直到原始和双残差低于指定的阈值,分别如下:

4所示。案例研究

进行了一个案例研究混合AC / DC系统图所示1证明的有效性提出了分布式能源管理计划。在系统中,一个DG和常规负载连接到交流总线,而一个ESS, 200电动汽车30.,32200 HPs),和一个光伏直流总线连接。数据2和3显示现货价格预测和PV活跃发电概要文件。DGs的关键参数,电动汽车,HPs, ess表1。使用gam (P-ADMM-based算法实现31日,33),和最大化策略规划求解的解34]。在算法收敛阈值σ₁和σ₂设置为0.01,和惩罚参数吗ρ是设置为50。

4.1。计算性能

虽然无法保证P-ADMM-based算法的收敛MIQP模型,该算法显示了良好的收敛性能。收敛性分析是由解决MIQP模型与不同的惩罚参数值介于10到150之间。表2表明该算法可以在650次迭代收敛,当惩罚参数值在10 - 150不等。可以看出,算法的收敛性能高度依赖的惩罚参数值的选择。例如,一个不当的价值ρ= 30会导致nonconvergence预设的迭代内(1000)。在一定的范围内,该算法ρ= 50最佳的收敛性能。P-ADMM-based算法的收敛过程ρ= 50图所示4。可以看出,原始的和双91次迭代后剩余工资低于阈值。

分布式解决方案年代^d较集中的解决方案吗年代^c在表3(以小时t₁₂作为一个例子)。集中解决MIQP模型获得的解决方案是使用gam /最大化策略解决零最优性差距。这是显示在表2分布式解决方案是几乎一样的集中解决方案。之间的最大相对误差(RE)集中式和分布式解决方案(重新计算1.28% (31日)),它非常小,表明该P-ADMM-based算法可以繁殖最优集中解决方案。

4.2。能源管理的结果

数据5和6显示最优日前能源时间表的交流和直流的宫,分别。直流次网格,PV有功功率,ESS放电功率和电源转换从AC subgird支持电动汽车的总能耗和HPs。为负载消耗,可以看出EVs和HPs往往收取更多的权力小时为了最小化日前现货价格较低能源成本。对权力代,在大多数时间,例如,小时t₁- - - - - -t₉和t₁₉- - - - - -t₂₄交流电源转换成直流电源,支持电动汽车和惠普功耗。在小时t₁₀- - - - - -t₁₆,因为有足够的PV有功功率,不需要交流电源转换成直流电源。特别是在小时t₁₄和t₁₆直流次网格提供剩余功率,交流电网。此外,ESS将多余的电力储存在小时相对较低的价格和较高的放电功率在这些时间现货价格以减少能源成本。

AC次网格,AC运营商选择调度DG单元或购买外部交流负载用电消费根据DG能源价格和现货价格。在这种情况下,自DG能源成本小于能源采购外部电力成本最小时,总干事最大容量几乎是使用。此外,外部购买电力档案几乎相反的变化趋势与预测相比现货价格配置文件,以减少能源成本。

5。结论

解决隐私信息保护妥协和单点故障问题集中能源管理方案时,提出了一种分布式能源管理方案的AC / DC混合微型智能电网"的基础上,提出P-ADMM-based算法。混合动力微型智能电网"是制定的能源管理问题作为MIQP模型,考虑DER操作约束,系统操作约束和转换器操作限制。然后,MIQP模型分解和分布式使用P-ADMM-based算法之间的小规模的子的宫。数值结果表明,该算法可以有效地解决MIQP模型在一个分布式的方式,可以处理二进制变量。提出的分布式方案允许每个次网格操作符让日前安排独立信息交流而获得最优能源管理解决方案。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。