文章解读与仿真程序复现思路——EI\CSCD\北大核心《光-储电站参与多应用场景的日前-日内协同滚动优化策略》

本文链接：https://blog.youkuaiyun.com/LIANG674027206/article/details/144274556

本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

论文与完整源程序_电网论文源程序的博客-优快云博客https://blog.youkuaiyun.com/liang674027206/category_12531414.html

电网论文源程序-优快云博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.youkuaiyun.com/LIANG674027206?type=download

这篇文章《光-储电站参与多应用场景的日前-日内协同滚动优化策略》由刘自发等人撰写，发表在《电网技术》上，主要研究了光伏电站和储能系统联合运行的优化策略，以减少电源侧出力不确定性，提高电网稳定性。以下是文章的核心内容：

研究背景：随着新能源发电比例的增加，电力系统面临低惯量挑战，需要新的运行策略以适应电力市场和调频服务的需求。
研究目标：提出一种考虑电能量市场和一、二次调频服务的多场景兼容的日前-日内滚动优化运行策略，以最大化光-储电站的联合收益。
策略框架：分析了一、二次调频信号特性，建立了光伏电站混合储能在多应用场景调度分辨率下的协同优化策略框架。
优化模型：建立了日前优化模型，考虑储能的二次调频能力，并在日内阶段考虑实际各场景出力优先级，动态滚动优化求解得到储能系统运行计划。
算例分析：利用黑龙江大庆地区某光伏电站实际数据进行仿真验证，并对模型进行灵敏度分析，结果表明所提出的优化策略能有效提升电站上报准确率和调频能力。
主要贡献：
- 提出了计及二次调频能力的混合储能协同优化运行策略，实现电站一次、二次调频和联合售电的多场景兼容运行。
- 构建了考虑场景优先级的场站日前-日内滚动优化策略模型，提高了储能系统利用率。
结论：提出的日前-日内滚动优化策略能有效发挥不同储能资源的调度潜力，提升电站的经济性和调频能力，对储能投资经济效益具有吸引力。

文章的关键词包括光-储电站、混合储能、一次调频、二次调频和协同运行策略。

为了复现文章中的仿真算例，我们需要构建一个日前-日内滚动优化策略模型，该模型将包括日前优化和日内优化两个阶段。以下是复现仿真的步骤和伪代码：

# 步骤 1: 导入必要的库
import numpy as np
from gurobipy import Model, GRB, quicksum

# 步骤 2: 定义参数和数据
# 假设我们有以下参数和数据，实际使用时需要根据具体情况进行调整
pv_capacity = 200  # 光伏容量（MW）
battery_capacity = 48  # 电池储能容量（MWh）
supercapacitor_capacity = 4  # 超级电容器容量（MWh）
price_data = [...]  # 电价数据（元/kWh）
frequency_params = {...}  # 调频参数

# 步骤 3: 构建日前优化模型
def day-ahead_optimization(pv_capacity, battery_capacity, price_data, frequency_params):
    m = Model("Day-Ahead Optimization")
    
    # 定义决策变量
    battery_SOC = m.addVar(vtype=GRB.CONTINUOUS, name="Battery_SOC")
    supercapacitor_SOC = m.addVar(vtype=GRB.CONTINUOUS, name="Supercapacitor_SOC")
    sell_power = m.addVar(vtype=GRB.CONTINUOUS, name="Sell_Power")
    
    # 目标函数：最大化日前阶段的总收益
    m.setObjective(
        quicksum(sell_power * price_data[t] for t in range(len(price_data))),
        GRB.MAXIMIZE
    )
    
    # 添加约束条件
    # 光伏出力约束
    m.addConstr(pv_capacity <= sell_power)
    
    # 储能容量约束
    m.addConstr(0 <= battery_SOC <= battery_capacity)
    m.addConstr(0 <= supercapacitor_SOC <= supercapacitor_capacity)
    
    # 求解日前优化问题
    m.optimize()
    
    return battery_SOC.X, supercapacitor_SOC.X, sell_power.X

# 步骤 4: 构建日内优化模型
def intraday_optimization(battery_SOC, supercapacitor_SOC, sell_power, price_data, frequency_params):
    m = Model("Intraday Optimization")
    
    # 定义决策变量
    adjusted_sell_power = m.addVar(vtype=GRB.CONTINUOUS, name="Adjusted_Sell_Power")
    
    # 目标函数：最小化日内调整量
    m.setObjective(
        quicksum((sell_power - adjusted_sell_power)**2),
        GRB.MINIMIZE
    )
    
    # 添加约束条件
    # 储能容量约束
    m.addConstr(0 <= battery_SOC <= battery_capacity)
    m.addConstr(0 <= supercapacitor_SOC <= supercapacitor_capacity)
    
    # 求解日内优化问题
    m.optimize()
    
    return adjusted_sell_power.X

# 步骤 5: 主程序 - 运行仿真
def main_simulation(pv_capacity, battery_capacity, supercapacitor_capacity, price_data, frequency_params):
    # 运行日前优化
    battery_SOC, supercapacitor_SOC, sell_power = day-ahead_optimization(pv_capacity, battery_capacity, price_data, frequency_params)
    
    # 运行日内优化
    adjusted_sell_power = intraday_optimization(battery_SOC, supercapacitor_SOC, sell_power, price_data, frequency_params)
    
    # 输出优化结果
    print("Optimized Battery SOC:", battery_SOC)
    print("Optimized Supercapacitor SOC:", supercapacitor_SOC)
    print("Optimized Sell Power:", sell_power)
    print("Adjusted Sell Power:", adjusted_sell_power)

# 步骤 6: 初始化参数和数据
# 这里需要根据实际数据初始化光伏容量、储能容量、电价数据和调频参数
pv_capacity = 200  # MW
battery_capacity = 48  # MWh
supercapacitor_capacity = 4  # MWh
price_data = [...]  # 电价数据（元/kWh）
frequency_params = {...}  # 调频参数

# 运行仿真
main_simulation(pv_capacity, battery_capacity, supercapacitor_capacity, price_data, frequency_params)

注释解释：