温控负荷(temperature control loads,TCLs)灵活性可行域的有效量化和聚合是其响应电价与调控信号的前提。由于TCLs能量在时间上耦合,且设备调节特性和物理参数各异,具有较高异质性,现有聚合方法面临计算复杂度高、适配性差等问题。该...温控负荷(temperature control loads,TCLs)灵活性可行域的有效量化和聚合是其响应电价与调控信号的前提。由于TCLs能量在时间上耦合,且设备调节特性和物理参数各异,具有较高异质性,现有聚合方法面临计算复杂度高、适配性差等问题。该文基于极端场景法建立了通用虚拟电池(virtual battery,VB)模型,即通过一套标准电池参数描述资源灵活性,其通用形式使得聚合可行域可以按一定规则线性求和获得。在此基础上,提出一种基于虚拟电池模型的外逼近闵可夫斯基聚合方法,并从数学上不失一般性地对不同异质性设备聚合的有效性进行了证明与推广。最后,提出了考虑系统灵活性供需平衡的负荷聚合商日前优化调度模型。算例结果表明,所提温控负荷可行域聚合方法在提高了外逼近精度的同时保证了较高的计算效率。相比传统模型,所提聚合模型有着更好的优化性能。展开更多
温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量...温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量庞大的负荷侧资源进行负荷跟随控制,该文建立温控负荷的虚拟电池模型和负荷集群的聚合模型,并提出基于双层分布式通信网络的控制策略。上层利用分布式交替方向乘子法(alternating direction method of multipliers,ADMM)来解决不同负荷聚合器的最佳跟随功率问题,以确保跟随效益最优;下层提出基于快速分布式平均一致性算法的深度神经网络(deep neural networks,DNN)的方法,使得聚合器内部的所有温控负荷以相等的虚拟电池荷电状态(state of charge,SoC)快速共享上层得到的跟随功率,并有效减少了通信数据量。不同时间尺度的算例验证提出的控制策略能够实现快速的负荷跟随,并保证用户侧的效益。展开更多
文摘温控负荷(temperature control loads,TCLs)灵活性可行域的有效量化和聚合是其响应电价与调控信号的前提。由于TCLs能量在时间上耦合,且设备调节特性和物理参数各异,具有较高异质性,现有聚合方法面临计算复杂度高、适配性差等问题。该文基于极端场景法建立了通用虚拟电池(virtual battery,VB)模型,即通过一套标准电池参数描述资源灵活性,其通用形式使得聚合可行域可以按一定规则线性求和获得。在此基础上,提出一种基于虚拟电池模型的外逼近闵可夫斯基聚合方法,并从数学上不失一般性地对不同异质性设备聚合的有效性进行了证明与推广。最后,提出了考虑系统灵活性供需平衡的负荷聚合商日前优化调度模型。算例结果表明,所提温控负荷可行域聚合方法在提高了外逼近精度的同时保证了较高的计算效率。相比传统模型,所提聚合模型有着更好的优化性能。
文摘温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量庞大的负荷侧资源进行负荷跟随控制,该文建立温控负荷的虚拟电池模型和负荷集群的聚合模型,并提出基于双层分布式通信网络的控制策略。上层利用分布式交替方向乘子法(alternating direction method of multipliers,ADMM)来解决不同负荷聚合器的最佳跟随功率问题,以确保跟随效益最优;下层提出基于快速分布式平均一致性算法的深度神经网络(deep neural networks,DNN)的方法,使得聚合器内部的所有温控负荷以相等的虚拟电池荷电状态(state of charge,SoC)快速共享上层得到的跟随功率,并有效减少了通信数据量。不同时间尺度的算例验证提出的控制策略能够实现快速的负荷跟随,并保证用户侧的效益。
