👨🎓个人主页
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
在本文中，提出了作者的策略和算法来管理微电网中优化问题，更具体地说，在考虑消费者负荷、太阳能发电和动态电价的情况下，每小时与主电网的能量交易。 该算法的主要目标是在用户负荷、太阳能发电和电价波动的情况下，优化储能系统( ESS )的运行，最大化微电网的收益。除了收益外，该算法还考虑了需要保留的最小电能，因为这对于确保微电网中关键任务操作的连续性至关重要。研究分析了两种能量管理算法的性能：
1 )具有预测未来知识的模型预测控制线性规划( MPCLPF )；
2 )不具有未来知识的强化学习。在MPCLPF中，分析了不同的预测算法，并对最优预测算法进行了整合。下面是文章目录：
详细文章见第4部分。
并网微电网运行经济性研究解析
一、并网微电网的定义与运行特性
并网微电网是指通过公共连接点（PCC）与大电网互联的微型电力系统，具备双向电能交换能力。其核心特征包括：
- 电能双向流动：可从大电网购电或售电，实现余电上网。
- 电压与频率同步：依赖大电网维持系统稳定，减少对储能容量的需求。
- 运行模式切换：支持计划性与非计划性切换至孤岛模式，需满足电压、频率标准及快速响应要求（切换时间≤20ms）。
二、经济性影响因素分析
并网微电网的经济性受多维度因素影响，需综合技术、市场、政策等多层面考量：
-
技术因素：
- 分布式能源（DERs）效率：光伏、风电的利用率直接影响发电收益。
- 储能系统成本与寿命：锂电池需充放电6000次以上才能收回成本，且储能策略影响全生命周期经济性。
- 能源管理系统（EMS） ：需优化调度算法以平衡功率波动与成本。
-
经济因素：
- 初始投资成本：典型1MW光伏系统投资约1000万元，回收期约8.3年。
- 运维成本：包括设备维护、燃料费用（如燃气轮机）及储能更换成本。
- 电价机制：峰谷电价差影响购售电策略，实时电价需动态响应。
- 市场收益：参与需求响应（DR）的补偿收入、辅助服务（调峰、黑启动）收益。
-
政策因素：
- 补贴政策：新能源发电项目可纳入可再生能源基金补贴范围。
- 交叉补贴与税费：需缴纳政府性基金，但部分地区提供绿色信贷支持。
三、成本构成与收益来源
-
成本结构：
- 设备成本：分布式电源（光伏、风电）、储能（锂电池、超级电容）、控制系统（EMS、逆变器）。
- 运维成本：年均维护费用按设备容量估算，含性能损耗修复与通胀影响。
- 调度成本：购电成本（公式：购电量×电价）、燃料成本（微型燃气轮机）、污染物治理费用。
- 隐性成本：并网审批流程产生的行政成本、需求响应参与成本。
-
收益来源：
- 售电收入：余电上网按标杆电价结算，或通过市场化交易获取溢价。
- 需求响应补偿：基于分时电价调整负荷，或接受电网激励参与调峰。
- 环境收益：减少化石能源使用带来的碳减排收益，可折算为碳交易收入。
- 延缓电网投资：降低配网扩容需求，减少区域电网建设成本。
四、经济性评估模型与方法
-
全生命周期成本-效益模型：
- 目标函数：最大化净收益=总收入（售电+补贴+DR）-总成本（投资+运维+购电）。
- 约束条件：功率平衡、储能充放电深度、DERs出力限制。
-
优化算法：
- 多目标优化：平衡经济性（成本最小）与环保性（排放最低），常用粒子群算法（PSO）或CPLEX求解。
- 鲁棒优化：应对可再生能源出力不确定性，以经济性为代价提升可靠性。
-
案例分析工具：
- 敏感性分析：测试光伏单价、电价差对内部收益率（IRR）的影响。
- 等年值法：将初始投资与置换成本折算为年均费用，便于跨周期比较。
五、典型案例与经济性对比
-
小水电型微电网：
- 配置：1650kW光伏+250kW储能，年用电量0.035亿kWh。
- 效益：IRR达11.32%，投资回收期9年，经济性显著。
-
商业楼宇微电网：
- 挑战：IRR仅1.71%，因负荷波动大且DERs利用率低。
- 优化方向：引入需求响应与储能峰谷套利提升收益。
-
工业园区微电网：
- 关键参数：储能容量与自平衡能力正相关，需权衡投资与收益。
- 政策依赖：补贴政策退出后，需通过市场机制弥补收益缺口。
六、挑战与未来研究方向
-
现存问题：
- 技术成熟度：控制系统定制化程度高，缺乏标准化方案。
- 储能成本瓶颈：锂电池成本占比超30%，制约经济性提升。
- 市场机制缺失：辅助服务市场不完善，DR补偿标准不统一。
-
发展趋势：
- 混合储能系统：氢储能与锂电池互补，降低全生命周期成本。
- 数字孪生技术：通过实时仿真优化调度策略。
- 政策创新：探索微电网作为虚拟电厂（VPP）参与电力市场。
七、结论
并网微电网的经济性取决于技术配置、市场环境与政策支持的协同优化。未来需重点突破储能成本、调度算法与商业模式瓶颈，并通过多目标优化模型量化经济-环保-社会效益的综合最优解。随着电力市场改革深化与技术进步，微电网有望从示范项目向规模化商业应用转型。
📚2 运行结果
fig, ax = plt.subplots(1, 1, figsize = (7.5,5))
ax2 = ax.twinx()
PV_plot = ax.step(np.arange(24), df.iloc[0:24,0], 'ro-', label = "PV")
load_plot = ax.step(np.arange(24), df.iloc[0:24,1], 'b*-', label = "Load")
price_plot = ax2.step(np.arange(24), df.iloc[0:24,2], 'k.-', label = "RTP")
# Display all label in one box
plots = PV_plot + load_plot + price_plot
labels = [plot.get_label() for plot in plots]
ax.legend(plots, labels, loc = 0)
ax.set_xlabel("Hour")
ax.set_ylabel("Power (kW)")
ax2.set_ylabel("Price ($/ kWh)")
plt.show()
fig, ax = plt.subplots(3, 2, figsize = (15, 15))
ax[0, 0].step(np.arange(len(x[:,0])), x[:,0])
ax[0, 0].set_xlabel("Hour")
ax[0, 0].set_ylabel("PV (kW)")
ax[0, 1].step(np.arange(len(x[0:24,0])), x[0:24,0])
ax[0, 1].set_xlabel("Hour")
ax[0, 1].set_ylabel("PV (pu)")
ax[1, 0].step(np.arange(len(x[:,1])), x[:,1])
ax[1, 0].set_xlabel("Hour")
ax[1, 0].set_ylabel("Load (kW)")
ax[1, 1].step(np.arange(len(x[0:24,1])), x[0:24,1])
ax[1, 1].set_xlabel("Hour")
ax[1, 1].set_ylabel("Load (pu)")
ax[2, 0].step(np.arange(len(x[:,2])), x[:,2])
ax[2, 0].set_xlabel("Hour")
ax[2, 0].set_ylabel("Price ($/kWh)")
ax[2, 1].step(np.arange(len(x[0:24,2])), x[0:24,2])
ax[2, 1].set_xlabel("Hour")
ax[2, 1].set_ylabel("Price (pu)")
plt.show()
plt.plot(lstm.history.history["loss"], "-*", label="training")
plt.plot(lstm.history.history["val_loss"], "-o", label="validation")
plt.xticks(np.arange(0, 20, 2), np.arange(0, 20, 2))
plt.xlabel("Epoch")
plt.ylabel("MAE")
plt.legend()
plt.show()
encoder.load_weights(encoder.weights_dir)
decoder.load_weights(decoder.weights_dir)
y_train_pred, attentions = predict(x_train, y_train)
print ("Training MAE: {:.4f} pu\n".format(mae(y_train[:, :, 0], y_train_pred[:, :, 0])))
fig = plt.figure(figsize=(24, 5))
for idx, i in enumerate([0, 1000, 2000, 3000]):
ax = fig.add_subplot(1, 4, idx+1)
ax.plot(y_train_pred[i], "-*", label="prediction")
ax.plot(y_train[i, :, 0], "-o", label="actual")
ax.set_xlabel("Hour")
ax.set_ylabel("Power (pu)")
ax.legend(loc=2)
plt.show()
plt.plot(lstm.history.history["loss"], "-*", label="training")
plt.plot(lstm.history.history["val_loss"], "-o", label="validation")
plt.xticks(np.arange(0, 20, 2), np.arange(0, 20, 2))
plt.xlabel("Epoch")
plt.ylabel("MAE")
plt.legend()
plt.show()
idx = -10
num_steps_display = timesteps_in
attention = attention_weights
attention = tf.squeeze(attention["decoder_layer1_block2"][idx:idx+1], axis=0)
for head in range(0, num_heads):
fig = plt.figure(figsize=(32,8))
spec = gridspec.GridSpec(ncols=90, nrows=100)
top_ax = fig.add_subplot(spec[0:15, 15:75])
left_ax = fig.add_subplot(spec[25:, 0:10])
right_ax = fig.add_subplot(spec[25:, 15:])
top_ax.plot(x_train[idx, :num_steps_display, 0])
top_ax.set_xlim([0, num_steps_display])
top_ax.set_xticks(range(0, num_steps_display, 4))
top_ax.set_xticklabels(range(0, num_steps_display, 4))
left_ax.plot(decoder_input[idx, :, 0], range(0, timesteps_out))
left_ax.set_yticks(range(0, timesteps_out, 4))
left_ax.set_yticklabels(range(0, timesteps_out, 4))
left_ax.invert_yaxis()
sns.heatmap(attention[head][:, :num_steps_display], cmap="viridis", ax=right_ax)
right_ax.set_xticks(range(0, num_steps_display, 4))
right_ax.set_xticklabels(range(0, num_steps_display, 4))
right_ax.set_yticks(range(0, timesteps_out, 4))
right_ax.set_yticklabels(range(0, timesteps_out, 4))
plt.title("Head {}".format(head+1))
plt.show()
def get_resultplot(SOC_list, action_list, x, start_idx, end_idx):
hours = end_idx - start_idx
if hours == 24:
plt.figure(figsize = (8,7))
plt.xticks(range(0, 24), range(1, 25))
else:
plt.figure(figsize = (25,5))
plt.xticks(range(0, end_idx-start_idx, 24), range(1, end_idx-start_idx+1, 24))
plt.step(range(0, hours), SOC_list[start_idx:end_idx], "ro-", label = "SOC")
plt.step(range(0, hours), x[start_idx:end_idx, 2], "bs-", label = "price")
plt.step(range(0, hours), x[start_idx:end_idx, 0], "g*-", label = "pv")
plt.step(range(0, hours), x[start_idx:end_idx, 1], "m--", label = "load")
plt.bar(range(0, hours), action_list[start_idx:end_idx],
facecolor = "w", edgecolor = "k", label = "action")
plt.ylabel("SOC/ Normalized Price")
plt.xlabel("Hour")
plt.legend(loc=2)
plt.show()
# Case 1 - Charged with PV not with grid to contain excess PV even the price is higher than average # Use the spare capacity to store PV # Not below the target SOC start_idx = len(SOC_list) - 192 end_idx = len(SOC_list) - 168 get_resultplot(SOC_list, action_list, x, start_idx, end_idx)
# Zoom of case 3
fig, ax = plt.subplots(1, 1, figsize = (8,6))
#ax2 = ax.twinx()
ln1 = ax.step(range(0, 24), SOC_list[13079:13103], "ro-", label = "SOC")
ln2 = ax.bar(range(0, 24), action_list[13079:13103],
facecolor = "w", edgecolor = "k", label = "action")
ln3 = ax.axhline(y = 0.5, linestyle = "--", label = "target SOC")
ax.set_xlabel("Hour")
ax.set_ylabel("SOC")
lns = ln1 + [ln2] + [ln3]
labs = [l.get_label() for l in lns]
ax.legend(lns, labs, loc = 3)
plt.xticks(range(0, 24), range(1, 25))
plt.show()
其余详细部分见第4部分。
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
扫一扫
645
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
