多微网多时间尺度交易机制设计和交易策略优化

黄弦超; 封钰; 丁肇豪

doi:10.7500/AEPS20200601001

您当前的位置：

首页 >

文章列表页 >

多微网多时间尺度交易机制设计和交易策略优化

学术研究 | 更新时间：2025-06-16

- 多微网多时间尺度交易机制设计和交易策略优化
- Design of Multi-time Scale Trading Mechanism and Trading Strategy Optimization for Multiple Microgrids
- 电力系统自动化-方正平台 2020年44卷第24期页码：77-88
- 作者机构：
  
  华北电力大学电气与电子工程学院，北京市 102206
- 作者简介：
  
  黄弦超(1980—)，女，博士，副教授，主要研究方向：电力市场及配电网优化运行。E-mail：hxc241@163.com
  封钰(1996—)，男，硕士研究生，主要研究方向：电力市场及配电网优化运行。E-mail：fengyuhm@163.com
  丁肇豪(1988—)，男，通信作者，博士，副教授，主要研究方向：电力市场和电动交通系统。E-mail：zhaohao.ding@ncepu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(51907063);中央高校基本科研业务费专项资金资助项目(2019MS054)
- DOI：10.7500/AEPS20200601001
  中图分类号：
- 收稿日期：2020-06-01，
  
  修回日期：2020-07-30，
  
  网络出版日期：2020-10-30，
  
  纸质出版日期：2020-12-25
- 稿件说明：
移动端阅览
黄弦超,封钰,丁肇豪.多微网多时间尺度交易机制设计和交易策略优化[J].电力系统自动化,2020,44(24):77-88.

HUANG Xianchao,FENG Yu,DING Zhaohao.Design of Multi-time Scale Trading Mechanism and Trading Strategy Optimization for Multiple Microgrids[J].Automation of Electric Power Systems,2020,44(24):77-88.
黄弦超,封钰,丁肇豪.多微网多时间尺度交易机制设计和交易策略优化[J].电力系统自动化,2020,44(24):77-88. DOI： 10.7500/AEPS20200601001.

HUANG Xianchao,FENG Yu,DING Zhaohao.Design of Multi-time Scale Trading Mechanism and Trading Strategy Optimization for Multiple Microgrids[J].Automation of Electric Power Systems,2020,44(24):77-88. DOI： 10.7500/AEPS20200601001.

摘要

为了在多微网交易中充分发挥分散调度的优势、保护各子微网的隐私，以及进行高效快速的计算，文中提出了一种并网型多微网系统多时间尺度交易机制和基于深度学习的交易策略优化算法。首先，建立了多微网内部交易价格模型，该模型可根据多微网内部供需形势的变化，动态调整内部交易价格，使多微网内部交易相对于微网直接与配电网交易更具经济性，从而激励各子微网参与内部交易。其次，建立了“报量不报价”的日前、日内交易机制。在日前交易中通过交易电量和内部交易价格的迭代，形成日前交易计划和交易价格，并进行日前电力交易出清；在日内交易中，各子微网仅申报一次不平衡功率的购售电需求，申报结束后直接出清。此外，基于多微网系统与配电网之间日前预期和实际交互功率的偏差，提出了联络线功率偏差的补偿方案，以降低多微网系统功率波动对配电网运行的影响。然后，基于生成的日内交易样本数据，引入深度神经网络算法训练学习各子微网的交易策略，以便子微网在日内交易阶段快速、准确地得到自身最优的购售电计划。最后，通过算例验证了所提出模型和算法的有效性。

Abstract

In order to give full play to the advantages of decentralized dispatching of multiple microgrids (MMGs) trading

protect the privacy of each sub-microgrid

and perform efficient and fast calculations

this paper proposes a multi-time scale trading mechanism of the grid-connected MMGs system and an optimization algorithm of trading strategy based on deep learning. Firstly

an internal electricity pricing model of MMGs is established

which can dynamically adjust the internal trading price according to the changes of supply and demand situations in MMGs

and make the internal trade among the MMGs more economical than the direct trade between the microgrid and the distribution network

thus encourages each sub-microgrid to participate in internal trade. Secondly

a day-ahead and intra-day trading mechanism of “quoted volume without quotation” is established. In the day-ahead trading

the trading plan and trading price are formed through iterations of the trading power and the internal trading prices

and the day-ahead power trade is cleared; in the intra-day trading

each sub-microgrid only declares the trading quantity of the unbalanced power once

and it is cleared directly after the declaration. In addition

based on the deviation of the expected and actual power exchange between the MMGs system and the distribution network

a compensation scheme is proposed to reduce the influence of the power fluctuations on the operation of distribution network. Then

based on the generated intra-day trading sample data

the deep neural network algorithm is introduced to train and learn the trading strategies of each sub-microgrid

so that the sub-microgrids can quickly and accurately obtain its own optimal power trading plan during the intra-day trading stage. Finally

an example is given to verify the effectiveness of the proposed model and algorithm.

关键词

Keywords

references

ZENGINIS I ， VARDAKAS J S ， ECHAVE C ， et al . Cooperation in microgrids through power exchange： an optimal sizing and operation approach ［J］. Applied Energy ， 2017 ， 203 ： 972 - 981 .

AREFIFAR S A ， ORDONEZ M ， MOHAMED Y A R I . Voltage and current controllability in multi-microgrid smart distribution systems ［J］. IEEE Transactions on Smart Grid ， 2016 ， 9 （ 2 ）： 817 - 826 .

NG E J ， EL-SHATSHAT R A . Multi-microgrid control systems （MMCS）［C］// IEEE PES General Meeting ， July 25 - 29 ， 2010 ， Providence， USA： 1 - 6 .

朱兰，周雪莹，唐陇军，等 . 计及可中断负荷的微电网多目标优化运行［J］. 电网技术， 2017 ， 41 （ 6 ）： 1847 - 1854 .

ZHU Lan ， ZHOU Xueying ， TANG Longjun ， et al . Multi-objective optimal operation for microgrid considering interruptible loads ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1847 - 1854 .

许志荣，杨苹，赵卓立，等 . 中国多微网系统发展分析［J］. 电力系统自动化， 2016 ， 40 （ 17 ）： 224 - 231 .

XU Zhirong ， YANG Ping ， ZHAO Zhuoli ， et al . Analysis on the development of multi-microgrid in China ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 17 ）： 224 - 231 .

张海涛，秦文萍，韩肖清，等 . 多时间尺度微电网能量管理优化调度方案［J］. 电网技术， 2017 ， 41 （ 5 ）： 1533 - 1542 .

ZHANG Haitao ， QIN Wenping ， HAN Xiaoqing ， et al . Multi-time scale optimization scheduling scheme of microgrid energy management ［J］. Power System Technology ， 2017 ， 41 （ 5 ）： 1533 - 1542 .

郭思琪，袁越，张新松，等 . 多时间尺度协调控制的独立微网能量管理策略［J］. 电工技术学报， 2014 ， 29 （ 2 ）： 122 - 129 .

GUO Siqi ， YUAN Yue ， ZHANG Xinsong ， et al . Energy management strategy of isolated microgrid based on multi-time scale coordinated control ［J］. Transactions of China Electrotechnical Society ， 2014 ， 29 （ 2 ）： 122 - 129 .

陈冰研 . 含多微网的主动配电网多时间尺度能量管理研究［D］. 北京：华北电力大学， 2018 .

CHEN Bingyan . Research on multi time scale energy management of active distribution network with multi-microgrids ［D］. Beijing ： North China Electric Power University ， 2018 .

陈浩东 . 多微网系统的优化调度研究［D］. 西安：西安理工大学， 2019 .

CHEN Haodong . Research on optimal scheduling of multi-micro network system ［D］. Xi’an ： Xi’an University of Technology ， 2019 .

沈珺，柳伟，李虎成，等 . 基于强化学习的多微电网分布式二次优化控制［J］. 电力系统自动化， 2020 ， 44 （ 5 ）： 198 - 206 .

SHEN Jun ， LIU Wei ， LI Hucheng ， et al . Reinforcement learning based distributed secondary optimal control for multiple microgrids ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 5 ）： 198 - 206 .

于丹文，杨明，翟鹤峰，等 . 鲁棒优化在电力系统调度决策中的应用研究综述［J］. 电力系统自动化， 2016 ， 40 （ 7 ）： 134 - 143 .

YU Danwen ， YANG Ming ， ZHAI Hefeng ， et al . An overview of robust optimization used for power system dispatch and decision-making ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 7 ）： 134 - 143 .

江润洲，邱晓燕，李丹 . 基于多代理的多微网智能配电网动态博弈模型［J］. 电网技术， 2014 ， 38 （ 12 ）： 3321 - 3327 .

JIANG Runzhou ， QIU Xiaoyan ， LI Dan . Multi-agent system based dynamic game model of smart distribution network containing multi-microgrid ［J］. Power System Technology ， 2014 ， 38 （ 12 ）： 3321 - 3327 .

刘洪，李吉峰，葛少云，等 . 基于多主体博弈与强化学习的并网型综合能源微网协调调度［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 40 - 50 .

LIU Hong ， LI Jifeng ， GE Shaoyun ， et al . Coordinated scheduling of grid-connected integrated energy microgrid based on multi-agent game and reinforcement learning ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 40 - 50 .

谈金晶，李扬 . 多能源协同的交易模式研究综述［J］. 中国电机工程学报， 2019 ， 39 （ 22 ）： 6483 - 6497 .

TAN Jinjing ， LI Yang . Review on transaction mode in multi-energy collaborative market ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 22 ）： 6483 - 6497 .

刘敦楠，唐天琦，杨建华，等 . 面向能源互联网的微平衡调度交易设计［J］. 电力系统自动化， 2017 ， 41 （ 10 ）： 1 - 8 .

LIU Dunnan ， TANG Tianqi ， YANG Jianhua ， et al . Energy Internet based micro balance dispatching and trading design ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 10 ）： 1 - 8 .

窦春霞，罗维，岳东，等 . 基于多智能体的微网群内电力市场交易策略［J］. 电网技术， 2019 ， 43 （ 5 ）： 1735 - 1744 .

DOU Chunxia ， LUO Wei ， YUE Dong ， et al . Multi-agent system based electricity market trading strategy within microgrid groups ［J］. Power System Technology ， 2019 ， 43 （ 5 ）： 1735 - 1744 .

任文诗，高红均，刘友波，等 . 智能建筑群电能日前优化共享［J］. 电网技术， 2019 ， 43 （ 7 ）： 2568 - 2577 .

REN Wenshi ， GAO Hongjun ， LIU Youbo ， et al . Optimal day-ahead electricity scheduling and sharing for smart building cluster ［J］. Power System Technology ， 2019 ， 43 （ 7 ）： 2568 - 2577 .

刘昭林 . 多微网接入配网环境下的协调优化与控制［D］. 哈尔滨：哈尔滨工业大学， 2018 .

LIU Zhaolin . Coordinated optimization and control of multiple microgrids in a distribution network ［D］. Harbin ： Harbin Institute of Technology ， 2018 .

LIU N ， YU X H ， WANG C ， et al . Energy-sharing model with price-based demand response for microgrids of peer-to-peer prosumers ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 5 ）： 3569 - 3583 .

DU Y ， LI F X . Intelligent multi-microgrid energy management based on deep neural network and model-free reinforcement learning ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 2 ）： 1066 - 1076 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 197 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 197 .

张育嘉 . 不平衡约束下多微网日前经济优化调度方法研究［D］. 广州：华南理工大学， 2018 .

ZHANG Yujia . The research of day-ahead economic dispatch methods for multi-microgrids under three-phase unbalance ［D］. Guangzhou ： South China University of Technology ， 2018 .

陈雨果，张轩，罗钢，等 . 用户报量不报价模式下电力现货市场需求响应机制与方法［J］. 电力系统自动化， 2019 ， 43 （ 9 ）： 179 - 186 .

CHEN Yuguo ， ZHANG Xuan ， LUO Gang ， et al . Demand response mechanism and approach of electricity spot market in bidding mode without price on user side ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 9 ）： 179 - 186 .

何浩，雷霞，黄涛，等 . 价格引导下多微网系统协调自治优化运行策略［J］. 电力系统保护与控制， 2019 ， 47 （ 16 ）： 17 - 26 .

HE Hao ， LEI Xia ， HUANG Tao ， et al . Coordinated and autonomous optimal operation strategy of multi-microgrid system under the guidance of price ［J］. Power System Protection and Control ， 2019 ， 47 （ 16 ）： 17 - 26 .

MEUS J ， PONCELET K ， DELARUE E . Applicability of a clustered unit commitment model in power system modeling ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 2 ）： 2195 - 2204 .

PALMINTIER B S ， WEBSTER M D . Heterogeneous unit clustering for efficient operational flexibility modeling ［J］. IEEE Transactions on Power Systems ， 2014 ， 29 （ 3 ）： 1089 - 1098 .

黄弦超，封钰 . 考虑机组灵活性的独立微网日前日内协调优化调度［J］. 电力自动化设备， 2020 ， 40 （ 4 ）： 125 - 131 .

HUANG Xianchao ， FENG Yu . Day-ahead and intra-day coordinated optimal scheduling of stand-alone microgrid considering unit flexibility ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 4 ）： 125 - 131 .

张重生 . 深度学习：原理与应用实践［M］. 北京：电子工业出版社， 2016 .

ZHANG Chongsheng . Deep learning： principle and application practice ［M］. Beijing ： Publishing House of Electronics Industry ， 2016 .

蒋玮，汤海波，祁晖，等 . 基于集成深度神经网络的配电网联络关系辨识技术［J］. 电力系统自动化， 2020 ， 44 （ 1 ）： 101 - 108 .

JIANG Wei ， TANG Haibo ， QI Hui ， et al . Distribution network connectivity recognition based on ensemble deep neural network ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 1 ）： 101 - 108 .

李正浩 . Python调用Matlab （Pycharm版本）_人工智能_李正浩的博客-CSDN博客［Z/OL］.［ 2020-02-10 ］. https：//blog.csdn.net/m0_37316917/article/details/90256563 https://blog.csdn.net/m0_37316917/article/details/90256563 .

LI Zhenghao . How to call MATLAB program by Python（Pycharm）_ artificial intelligence_ LI Zhenghao’s blog-CSDN BLOG ［Z/OL］. ［ 2020-02-10 ］. https：//blog.csdn.net/m0_37316917/article/details/90256563 https://blog.csdn.net/m0_37316917/article/details/90256563 .

包宇庆，王蓓蓓，李扬，等 . 考虑大规模风电接入并计及多时间尺度需求响应资源协调优化的滚动调度模型［J］. 中国电机工程学报， 2016 ， 36 （ 17 ）： 4589 - 4600 .

BAO Yuqing ， WANG Beibei ， LI Yang ， et al . Rolling dispatch model considering wind penetration and multi-scale demand response resources ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 17 ）： 4589 - 4600 .

马霖，张世荣 . 分时电价/阶梯电价下家庭并网光伏发电系统运行优化调度［J］. 电网技术， 2016 ， 40 （ 3 ）： 819 - 825 .

MA Lin ， ZHANG Shirong . Optimal operation scheduling of family grid-connected photovoltaic systems under time-of-use and ladder tariffs ［J］. Power System Technology ， 2016 ， 40 （ 3 ）： 819 - 825 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进时空图神经网络的高渗透率有源配电网故障定位

融入拓扑知识的图神经网络配电网抗差状态估计方法

计及多类型微网响应特性的城市配电系统分布式优化调度

弹性配电系统动态负荷恢复的深度强化学习方法

面向配用电侧负荷数据的深度端到端超分辨率感知方法