考虑新能源发电不确定性的含微电网群共享储能优化调度方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115764938A(43)申请公布日2023.03.07(21)申请号202211361933.4H02J15/00(2006.01)(22)申请日2022.11.02G06Q10/0631(2023.01)G06Q10/067(2023.01)(71)申请人三峡大学G06Q30/0203(2023.01)地址443002湖北省宜昌市西陵区大学路8G06Q50/06(2012.01)号(72)发明人付文龙陈曦张赟宁谭超李佰霖(74)专利代理机构宜昌市三峡专利事务所42103专利代理师吴思高(51)Int.Cl.H02J3/28(2006.01)H02J3/00(2006.01)H02J3/24(2006.01)H02J3/38(2006.01)权利要求书6页说明书14页附图2页(54)发明名称考虑新能源发电不确定性的含微电网群共享储能优化调度方法(57)摘要考虑新能源发电不确定性的含微电网群共享储能优化调度方法，包括以下步骤：根据历史数据得到日状态类型转移过程集；利用条件生成对抗网络生成海量日场景；将日场景代入日状态类型转移过程，得到周场景集；通过场景削减得到典型场景集；将生成的典型场景集作为运行模拟的数据，建立以共享储能运营商作为领导者各微电网作为跟随者构建一主多从博弈模型；利用粒子群算法嵌套求解器对建立的主从博弈模型求解纳什均衡策略，实现共享储能与微电网的优化调度。本发明提高了含微电网共享储能系统对新能源出力不确定性的适应能力，提高了各微电网及共享储能运营商效益。CN115764938ACN115764938A权利要求书1/6页1.考虑新能源发电不确定性的含微电网群共享储能优化调度方法，其特征在于包括以下步骤：步骤1：根据微电网历史发电数据与负荷数据，得到日状态类型转移过程集；步骤2：利用条件生成对抗网络生成带日状态类型标签的日场景；步骤3：将步骤2中日场景，根据其日状态类型标签代入日状态类型转移过程，得到周场景集；步骤4：通过场景削减，得到少量且最大限度保留场景信息的典型场景集；步骤5：将步骤4生成的典型场景集作为运行模拟的数据，以共享储能运营商作为领导者各微电网作为跟随者构建一主多从博弈模型；步骤6：对步骤5建立的一主多从博弈模型求解纳什均衡策略，实现共享储能与微电网的优化调度。2.根据权利要求1所述考虑新能源发电不确定性的含微电网群共享储能优化调度方法，其特征在于：所述步骤1中，微电网的净发电功率pG表示如式(1)：pG＝pw+ppv‑pload(1)；式(1)中，pw、ppv、pload分别代表微电网的风电功率、光伏发电功率、负荷功率；采用K‑means聚类算法将历史净发电功率场景集合中的场景聚为K种状态类型，根据聚类所得日状态及其频数，计算出Markov状态转移概率矩阵Pr：式(2)中，元素pij代表日状态由状态k转移到状态j的概率(k,l＝1,2,…,K)；式(3)中，nij与nik分别为历史数据中由状态i转移到状态j与状态k的转移次数；然后，基于Markov状态转移概率矩阵，采用Markov链蒙特卡洛(MarkovChainMonteCarlo，MCMC)算法随机生成一周内日状态转移过程的集合；具体流程如下：1)初始化i＝1，随机生成范围在[1,K]的整数来代表第1天场景状态；2)i＝i+1，生成范围在[0,1]的随机数u，并得到代表第i天场景状态的整数；3)若i≥7，则输出一个周场景状态转移样本，否则回到流程2)；重复上述流程NS次，即可得到NS个净发电功率日状态转移过程的集合。3.根据权利要求1所述考虑新能源发电不确定性的含微电网群共享储能优化调度方法，其特征在于：所述步骤2中，以场景日状态类型为标签c与历史场景x分别作为条件与真实样本输入CGAN进行训练，通过生成器G输出生成场景x′＝G(z|c)；生成器和判别器的损失函数LG和LD如下：LG＝‑Ex′～p(x′)[D(x′∣c)](4)；式(4)中，Ex′～p(x′)表示对应x′在p(x′)分布下的期望值；D(～)表示判别器函数；LD＝‑Ex～p(x)[D(x∣c)]+Ex′～p(x′)[D(x′∣c)](5)；2CN115764938A权利要求书2/6页式(5)中，Ex～p(x)表示对应x在p(x)分布下的期望值；E表示对应分布的期望值；使用Wasserstein距离的CGAN训练的目标函数：式(6)中，λ表示正则项系数。4.根据权利要求1所述考虑新能源发电不确定性的含微电网群共享储能优化调度方法，其特征在于：所述步骤2中，带日状态类型标签的日场景为包含微电网一天内各时段的净发电功率序列。5.根据权利要求1所述考虑新能源发电不确定性的含微电网群共享储能优化调度方法，其特征在于：所述步骤