核心内容摘要
Spring Cloud GateWay搭建
微电网优化考虑风光不确定储能容量配置调度策略附资料微电网这玩意儿现在越来越火但真要落地的时候总得和老天爷较劲。
风光发电就跟开盲盒似的今天艳阳高照明天乌云密布这不确定性直接能把传统优化模型整懵圈。
上个月帮朋友调了个农村微电网项目实测数据里的光伏出力波动比过山车还刺激。
对付这种随机性蒙特卡洛模拟算是基础操作。
拿Python举个栗子咱们可以这么生成风光场景import numpy as np import pandas as pd def generate_wind_scenarios(base_speed, num
: shape
5 # 形状参数 scale base_speed *
8 # 尺度参数 return np.random.weibull(shape, num) * scale def create_pv_scenarios(irradiance): # Beta分布更适合处理
区间的辐照度 alpha, beta 3,
5 return irradiance * np.random.beta(alpha, beta,
# 生成1000个风光场景 wind_scenarios [generate_wind_scenarios(
6.
for _ in range(
] pv_scenarios [create_pv_scenarios(
0.
for _ in range(
]这代码里有个坑要注意——不同时间段的参数得跟着实际天气走比如中午的光照分布参数肯定和傍晚不一样。
之前有项目直接全天用同一组参数结果调度策略凌晨三点疯狂调用储能后来发现是模拟的光伏半夜还在发电。
微电网优化考虑风光不确定储能容量配置调度策略附资料储能配置这块很多论文喜欢搞复杂的目标函数。
其实实操中要考虑电池循环寿命的衰减曲线这里边有个暴力的办法把电池损耗成本折算到目标函数里。
用Pyomo建模的话大概长这样from pyomo.environ import * model ConcreteModel() model.capacity Var(withinNonNegativeReals) # 储能容量 model.cycle_cost
02 # 元/次循环每kWh # 目标函数既要考虑投资成本又要算循环损耗 def objective_rule(model): return 5000*model.capacity model.cycle_cost*sum( charge_discharge[i] for i in time_steps) model.obj Objective(ruleobjective_rule)重点是这个
02元的循环成本系数得根据实际电池参数换算。
某次调试发现这个参数差个
005元整个储能配置方案能差出30%的容量比想象中敏感多了。
调度策略方面强化学习现在挺热门但实际项目里混合整数规划反而更稳当。
特别是当风光预测误差超过阈值时得启动备用策略。
这里有个动态调整的trickdef real_time_adjustment(forecast, actual, storage): error abs(forecast - actual)/forecast if error
3: # 开启备用模式提升储能放电优先级 storage.discharge_limit *
5 return emergency_mode elif error
15: # 调整储能充放电速率 storage.charge_rate min(
2*storage.charge_rate, storage.max_rate) return adjust_mode else: return normal_mode这种三层判断结构在多个项目里验证过比固定阈值的策略能提升8%左右的鲁棒性。
不过要注意模式切换不要太频繁否则储能系统扛不住。
说到这想起来个真事某实验室微电网因为调度策略切换太频繁三个月把新换的锂电池干废了。
后来加了模式持续时间的约束类似进入紧急模式后至少维持2小时这才解决问题。
代码里加个计时器就能搞定class ModeTimer: def __init__(self): self.current_mode None self.start_time 0 def check_switch(self, new_mode, current_time): if new_mode ! self.current_mode: if current_time - self.start_time 2: # 单位小时 self.current_mode new_mode self.start_time current_time return True return False return True搞微电网优化就像在玩动态拼图风光预测、储能配置、调度策略这三块得严丝合缝。
有时候加个简单的约束条件比换算法管用得多。
下次再聊怎么用历史数据反推配置参数那才是真刀真枪的功夫。