基于激励的需求响应计划下弹性微电网的短期可靠性和经济性评估（Matlab代码实现）

 💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

摘要

1 简介

2 面向灵活性的随机调度

3 数学模型

3.1 不确定性表征和建模程序

3.2.IBDR项目模型

3.3 实施短期可靠性评估程序

3.4 目标函数（OF）

3.5 网络和市场约束

3.6 解决方法

4 案例研究和测试结果

4.1 案例研究

4.2 结果和讨论

5 结论

6 Matlab代码实现

---

摘要

本文提出了一种面向灵活性的随机调度框架，用于评估孤岛微电网（MGs）在不同基于激励的DR（IBDR）计划下的短期可靠性和经济性。考虑多周期孤岛约束，以便在主电网发生扰动时，使MG做好弹性响应准备。此外，采用多段最优潮流（OPF）方法对IBDR动作和备用资源进行建模。此外，还考虑了与电价、负荷、可再生能源发电、备用需求以及MG孤岛持续时间相关的不确定性。MG运营商的最终目标是在一定的安全性和可靠性水平下最大化其预期利润，同时最小化客户的能源采购成本。基于设备特性、客户和运营商的行为，考虑正常运行和弹性条件，研究了MG的经济性和可靠性指标。该模型可以有效地管理MGs在正常和弹性条件下的运行，以提高经济性和可靠性指标。数值结果表明，通过实施IBDR，在正常和弹性运行的情况下，MG运营商的预期利润分别提高了4%和2.7%，可靠性指标分别提高了60%和56%。

1 简介

当主网电网发生扰动时，以孤岛模式运行的能力是MGs的最显著特征。大量文献[14–16]研究了孤岛事件的普遍不确定性对MGs优化调度的影响。在[14]中，提出了一种面向弹性的MG优化调度模型，其目的是在主电网供电中断较长时间时，通过有效调度可用资源，将MG负荷削减降至最低。考虑了负载、RESs功率以及主电网供电中断时间和持续时间中的主要运行不确定性，并使用稳健优化方法获取这些不确定性。在[15]中，一个两阶段随机问题被建模为弹性MGs的最优调度。在该模型中，MGs的运行成本最小化，同时考虑了与风力发电、电动汽车（EV）相关的普遍不确定性，该工作还考虑了实时市场价格。[16]中提出了一种两阶段自适应鲁棒优化模型，用于考虑孤岛运行模式的MGs调度。在该模型中，在与RESs发电和孤岛持续时间相关的最坏情况下，MG的运营成本最小化

在[17]中，为MG调度提出了一个面向弹性的随机框架，以最小化运行成本，并减少天气相关事件下的强制甩负荷。在上述研究中，发生孤岛事件时未考虑可靠性问题。此外，不确定因素（如孤岛事件和灾难恢复参与者）对系统可靠性的影响未得到解决。

本文提出了一个面向灵活性的随机框架，用于考虑基于激励的 DR (IBDR) 计划的弹性 MG 联合能源和储备调度。风险约束被添加到数学调度公式中，以控制与电价、负荷、可再生能源发电、储备需求和 MG 孤岛持续时间相关的不确定性。研究了不同情况下运营商行为和激励价格因素对MG短期可靠性的影响。现有的可靠性评估技术更侧重于稳态（时间无关）可靠性评估，并已成功应用于电力系统规划和扩展[18,19]。在本文中，考虑了MG在短期调度中的孤岛持续时间，研究了弹性MG的短期可靠性。所提出的方法为MG运营商提供了一个准确的模型来评估可靠性并安排储备以维持MG在短期内考虑孤岛持续时间的安全运行。

用于弹性MG的短期调度和运行，以及DR程序对其可靠性改进的影响。为了评估IBDR计划对MG可靠性的真实影响，将最优潮流（OPF）方法用于问题公式。考虑到紧急情况，仔细评估MGs的可靠性和经济指标非常重要。这样，MG运营商可以有效地检查不同情况下可靠性指标的状态，并做出必要的决策

对正常和弹性条件下的风险参数和激励因素进行了各种敏感性分析，以验证MG在不同状态下的短期可靠性。研究结果表明，所提出的调度和定价方案可以有效管理机会需求，提高系统可靠性，从而有可能提高风力发电的渗透率。此外，结果证实，所提出的随机策略有助于运营商有效管理非计划岛模式下的MGs运行。

 本文的创新贡献有三个方面：

•提出了一个面向柔性的随机框架，用于弹性MGs的联合能量和储备调度。

•提出的模型处理了孤岛持续时间、组件意外事件以及负荷预测误差、日前（DA）和实时（RT）市场价格、可再生能源发电和备用供应等主要不确定性为了评估DR对可靠性的影响。

•定义了两个新的基于可靠性的指标，以比较正常运行和弹性条件下的MG运行通过灵敏度分析，研究了经营者行为和激励价格因素对经济性和可靠性指标的影响论文的其余部分组织如下。第2节描述了所提出的随机调度框架。第3节介绍了数学公式。第4节和第5节给出了数值分析和结果。 

2 面向灵活性的随机调度

在这项研究中，提出了一个面向灵活性的MG调度随机框架，其中的主要目标是通过需求侧和供给侧资源的优化调度，使MG运营商的预期利润最大化。MG包括一些可调度的DG和RESs，提供大量本地客户。假设MG具有与最终用户通信并在需要时控制其响应负载的能力。每个客户都有许多电气设备，其中一些是必不可少的，另一些是灵活和可管理的。MG在并网模式下正常运行，并在上游发生扰动时进入孤岛模式。一旦干扰消除，将建立与主电网的重新连接。

3 数学模型

3.1 不确定性表征和建模程序

本研究考虑了两类主要的不确定性。第一类称为正常运行不确定性，包括与负荷预测误差、电价、可再生能源发电和备用需求相关的不确定性。每小时的随机变量值等于该小时的预测值加上基于从历史数据获得的分布随机产生的误差[20]。首先，使用正态概率分布函数（PDF）对一类不确定性的预测误差进行建模，然后应用蒙特卡罗模拟（MCS）[20]根据相关PDF的随机抽样生成许多场景。（详细数学模型见第5部分）。

3.2.IBDR项目模型

响应负载在IBDR计划中的参与基于对客户施加的激励和惩罚进行建模。当客户j参与IBDR计划时，其每小时需求从初始值变为修正值，如下所示：

                                 

3.3 实施短期可靠性评估程序

以评估MG的短期运行可靠性、在时间t未服务的预期需求指数（EDNSt）和能源可靠性指数（EIRt），定义如下：

                         

                      

3.4 目标函数（OF）

考虑到不同风险规避水平下的条件风险值（CVaR），目标是最大化MG运营商（EP）的预期利润，如下所示：

详细模型见第5部分。 

3.5 网络和市场约束

所提出的优化问题受到以下网络和市场的约束：1）有功和无功功率平衡约束：等式（26）和（27）分别给出了节点n在时间t和场景s的有功和无功率平衡极限。 

3.6 解决方法

图2表示拟议的面向灵活性的调度问题的解决方法。首先，收集负荷、市场价格、RESs和备用需求的历史数据，并根据其预测误差生成大量场景。此外，根据分布式发电机组的意外事件和MG的孤岛持续时间生成另一组场景。在本研究中，MCS用于根据相应的分布函数生成表示上述不确定参数的场景.

4 案例研究和测试结果

4.1 案例研究

描述所提出的方法用于在每日时间范围内对图3所示的测试MG进行调度[28]。MG由五台可控分布式发电机组组成，包括两台微型涡轮机（MT1和MT2）、两台燃料电池（FC1和FC2）和一台柴油发动机（DE），其技术数据如表1[28]所示。如图2所示，MG在八组客户中提供200个聚合住宅负荷，这些客户配备了房屋能源管理和控制器（Hex MCs），以实现与最终用户控制系统的自动化连接。如图4所示，考虑了八组客户的总需求、风力涡轮机（WTs）的输出功率以及DA电价的预测值。从Nordpool市场提取的每小时DA电价[29]。假设与负荷、风电、电价和备用需求相关的预测误差为10%，正平衡价格和负平衡价格分别为0.9 PrDAt，s和1.1 PrDAt。此外，时间t内DGs和DR资源的上/下旋转备用服务的价格分别为0.2 PrDAt，s和0.15 PrDAt。

4.2 结果和讨论

本节基于经济性和可靠性指标分析了实施IBDR计划对正常和弹性MG的影响。

  

5 结论

提出了一个面向灵活性的MGs调度随机模型，以同时解决IBDR计划对经济性和可靠性指标的影响。解决了与负荷、可再生能源、电价、备用需求以及MG孤岛持续时间相关的不确定性，其影响由CVaR工具控制。研究了用户在正常运行和弹性条件下对不同可靠性指标的不确定性行为。

6 Matlab代码实现