基于MIBE数据驱动的源网荷储多场景协同优化调度策略
Multi-Scenario Collaborative Optimization Scheduling Strategy for Source-Grid-Load-Storage Based on MIBE-Data Driven
DOI: 10.12677/sg.2025.154011, PDF,    科研立项经费支持
作者: 张天宇, 刘华志：国网天津市电力公司经济技术研究院，天津；罗凤章：天津大学智能电网教育部重点实验室，天津
关键词: 源网荷储；多场景；多类型储能；数据驱动；优化调度；Source-Grid-Load-Storage； Multi-Scenario； Multi-Type Energy Storage； Data Driven； Optimal Scheduling
摘要: 源网荷多端复杂类型储能资源的高效利用和配合，将显著提升新型电力系统的灵活性和新能源消纳能力。考虑电池储能电站、抽水蓄能和电动汽车储能等多类型储能的分布特性，首先构建计及多类型储能的源网荷储协同调度架构。其次，基于新能源消纳极限，采用拉丁超立方抽样和k-medoids聚类样本缩减方法，生成考虑电力系统紧急状况的源网荷储多场景。在此基础上，提出多场景电力系统灵活性评估指标，实现源、网、荷多端复杂类型储能的容量配置。随后，以经济环保为目标，建立考虑多类型储能的源网荷储多场景协同优化调度模型。基于数据驱动，结合流形插值批量进化(Manifold Interpolation Batch Evolution, MIBE)机制，提出一种基于MIBE-数据驱动的多目标优化算法，提升模型的求解效率。最后，利用实际区域电网数据进行验证，结果表明，所提策略可有效降低系统运行成本，保障储能的使用寿命，提高新能源消纳。
Abstract: The efficient use and cooperation of multi-terminal complex type energy storage resources on the source, grid, and load sides will significantly improve the flexibility of the new power system and the capacity of new energy consumption. Considering the distribution characteristics of multi-type energy storage, such as battery energy storage power station, pumped storage and Electric Vehicle (EV), a collaborative scheduling architecture of Source-Grid-Load-Storage (SGLS) considering multi-type energy storage is first constructed. Secondly, based on the consumption limit of new energy, Latin hypercube sampling and k-medoids clustering sample reduction method are used to generate multiple scenarios of SGLS considering the emergency situation of power system. On this basis, the flexibility evaluation index of multi-scenario power system is proposed to realize the capacity configuration of multi-side complex energy storage of source, grid and load. Then, aiming at economy and environmental protection, a multi-scenario cooperative optimization scheduling model of SGLS with multi-type energy storage is established. Based on data-driven and Manifold Interpolation Batch Evolution (MIBE) mechanism, a MIBE-data driven multi-objective optimization algorithm is proposed to improve the solving efficiency of the model. Finally, using the actual regional power grid data for verification, the results show that the proposed strategy can effectively reduce the operating cost of the system, ensure the service life of energy storage, and improve the consumption of new energy.
文章引用：张天宇, 刘华志, 罗凤章. 基于MIBE数据驱动的源网荷储多场景协同优化调度策略[J]. 智能电网, 2025, 15(4): 101-114. https://doi.org/10.12677/sg.2025.154011

参考文献

[1] 王振浩, 马爽, 李国庆, 等. 考虑复合储能电站接入的电网日前-日内两阶段滚动优化调度[J]. 太阳能学报, 2022, 43(10): 400-408.
[2] 王亚莉, 叶泽, 黄际元, 等. 基于动态峰谷时段划分的储能调峰调频经济调度研究[J]. 中国电力, 2022, 55(8): 64-72.
[3] Ela, E. and O’Malley, M. (2012) Studying the Variability and Uncertainty Impacts of Variable Generation at Multiple Timescales. IEEE Transactions on Power Systems, 27, 1324-1333. [Google Scholar] [CrossRef] 
[4] 栗然, 霍启敬, 陈宇, 等. 基于非零和博弈的互联系统协同消纳风电调度法[J]. 电力系统自动化, 2018, 42(13): 94-100.
[5] 丰俊杰. 基于储能寿命评估模型的分布式储能优化配置研究[D]: [硕士学位论文]. 杭州: 杭州电子科技大学, 2021.
[6] 叶放. 新能源与多类型储能联合发电系统能量管理策略研究[D]: [硕士学位论文]. 沈阳: 沈阳工业大学, 2021.
[7] 赵书强, 金天然, 李志伟, 等. 考虑时空相关性的多风电场出力场景生成方法[J]. 电网技术, 2019, 43(11): 3997-4004.
[8] 曹慧秋, 徐箭, 洪敏, 等. 基于通用分布的风电功率出力动态场景生成方法[J]. 电测与仪表, 2018, 55(24): 6-10.
[9] 廖文龙, 任翔, 杨哲, 等. 基于隐式最大似然估计的风电出力场景生成[J]. 电力自动化设备, 2022, 42(11): 56-63.
[10] 赵立军, 张秀路, 韩丽维, 等. 基于多场景的配电网分布式光伏及储能规划[J]. 现代电力, 2022, 39(4): 460-468.
[11] 江雪辰, 朱俊澎, 袁越, 等. 基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法[J]. 电力建设, 2018, 39(10): 63-70.
[12] 白斌, 韩明亮, 林江, 等. 含风电和光伏的可再生能源场景削减方法[J]. 电力系统保护与控制, 2021, 49(15): 141-149.
[13] 王群, 董文略, 杨莉. 基于Wasserstein距离和改进K-medoids聚类的风电/光伏经典场景集生成算法[J]. 中国电机工程学报, 2015, 35(11): 2654-2661.
[14] 王薪苹, 卫志农, 孙国强, 等. 计及分布式电源和负荷不确定性的多目标配网重构[J]. 电力自动化设备, 2016, 36(6): 116-121.

为你推荐