CN104578145B - 一种面向智能用电的连续任务型负荷能量控制方法 - Google Patents

Abstract

本发明公开了一种面向智能用电的连续任务型负荷能量控制方法，所述方法包括以下步骤：构建连续任务型负荷模型；构建能量控制优化决策模型；对所述连续任务型负荷模型和所述能量控制优化决策模型进行求解。本方法通过减少了负荷在高电价时段的使用时间，将负荷转移至分布式能源发电较为突出的时段，使总体负荷曲线得到改善，并通过储能设备的削峰填谷转移了部分分布式能源发电量，一方面提高了分布式发电电量自发自用就地消纳比例，使多余电量避免不经济的余电上网方式，取得更好的经济性，另一方面也减少了分布式电源对接入电网的不良影响，有利于其安全稳定运行。

Description

一种面向智能用电的连续任务型负荷能量控制方法

技术领域

本发明涉及智能用电领域，尤其涉及一种面向智能用电的连续任务型负荷能量控制方法。

背景技术

面对日益严峻的能源形势和愈发窘迫的环保现状，中国制定了大力发展可再生能源的相关政策和发展规划，其中一个重要目标就是，在用户侧提高可再生能源特别是太阳能光伏发电的接入容量，实现用户侧并网光伏系统的平价上网。

随着智能电网技术的发展和分布式光伏上网政策的实施，各种各样的用户开始尝试引入分布式新能源。但是由于光伏等大部分新能源的出力与用户负荷消费在时间上表现出较大的不匹配状况，导致新能源利用率低下，用户侧综合收益率偏低。更为严重的是，大量引入的新能源具有较广泛的间歇性，会对配电网造成不良影响，如若系统规划不合理或者配套方案不完善，很容易出现供电故障。所以，无论从电网运行角度还是从用户经济性角度来分析，实现分布式光伏的就地消纳最大化是用户侧能量控制的一个重要方向。

发明内容

本发明提供了一种面向智能用电的连续任务型负荷能量控制方法，本发明以用户侧光伏并网发电系统的最大本地消纳为出发点，通过对连续任务型负荷的优化调度来协调光伏出力，实现能量的控制，保障用户侧的经济效益，详见下文描述：

一种面向智能用电的连续任务型负荷能量控制方法，所述方法包括以下步骤：

构建连续任务型负荷模型；构建能量控制优化决策模型；

对所述连续任务型负荷模型和所述能量控制优化决策模型进行求解；

其中，所述连续任务型负荷模型具体为：

$P_i\left(k\right)=P_i*x_i\left(k\right)=\left\{\begin{array}{cc}{P}_i& x_i\left(k\right)=1\\ 0& x_i\left(k\right)=0\end{array}\right.$

其中，x_i(k)表示第i道工序设备在第k时段内的开关状态；1代表开启，0代表关闭；P_i为第i道工序设备的额定功率；P_i(k)为第k时段工序i的功率消耗；

其中，所述能量控制优化决策模型具体为：构建最大电费收益函数；

$\max F=\underset{k=1}{\overset{T}{\mathrm{\Σ}}}(C_{\mathrm{PV}}{P}_{\mathrm{PV}}\left(k\right)x_{\mathrm{PV}}\left(k\right)-C_B{P}_B\left(k\right)x_B\left(k\right)-C_G\left(k\right)P_G\left(k\right)x_G\left(k\right))\mathrm{\Δt}$

其中，x_PV(k)、x_B(k)、x_G(k)为模型的控制变量，分别表示光伏、蓄电池、市电的工作状态；P_PV(k)、P_B(k)、P_G(k)分别表示第k时段内光伏、蓄电池、市电的有功功率(W)；C_PV表示光伏自发自用收益价格，C_B表示蓄电池发电成本；当P_G(k)＞0时，C_G(k)为第k时段初始时刻的市电价格，当P_G(k)＜0时，C_G(k)为第k时段光伏上网收购电价和光伏自发自用补贴价格之差。

所述能量控制优化决策模型还需满足有功功率平衡约束条件、蓄电池约束条件、开启时间约束条件、连续运行约束条件以及工序次序约束条件。

所述有功功率平衡约束条件具体为：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i\left(k\right)x_i\left(k\right)=P_{\mathrm{PV}}\left(k\right)+P_B\left(k\right)+P_G\left(k\right)$

其中，N表示连续任务型负荷和不可控负荷的总个数，P_i(k)分别表示第k时段内第i个负荷设备的有功功率(W)，x_i(k)表示第k时段负荷的开关状态。

所述蓄电池约束条件具体为：

P_B(k)＜P_B,cmax

P_B(k)＜P_B,dmax

SOC_min＜SOC(k)＜SOC_max

|SOC(1)-SOC(n)|＜δ

其中，P_B,cmax为蓄电池最大充电功率，P_B,dmax为蓄电池最大放电功率；SOC_max、SOC_min分别代表剩余容量上下限，SOC(1)、SOC(n)代表生产计划周期开始和结束时刻的荷电状态，δ表示蓄电池在相邻生产计划周期之间荷电状态误差的限值；

电池寿命消耗D约束如下：

$D=\underset{i=0}{\overset{L\left(k\right)}{\mathrm{\&Sigma;}}}\frac{1}{a_1+a_2{e}^{-a_3(1-\mathrm{SOC}\left(i\right))}+a_4{e}^{-a_5(1-\mathrm{SOC}\left(i\right))}}<D_{\mathrm{day}-\max }$

其中，L(k)为从生产计划周期开始到第k时段内蓄电池放电循环的次数；SOC(i)是第i次放电循环完成时蓄电池的荷电状态；a₁,a₂,a₃,a₄,a₅为参数。

所述开启时间约束条件具体为：

$\underset{k=a}{\overset{b}{\mathrm{\&Sigma;}}}{x}_i\left(k\right)=0$

其中，a和b分别为时段。

所述连续运行约束条件具体为：

$\underset{k=c}{\overset{d}{\mathrm{\&Pi;}}}{x}_i\left(k\right)=1$

其中，c和d分别为时段。

所述工序次序约束条件具体为：

$x_i\left(k\right)*[\underset{k=1}{\overset{a-1}{\mathrm{\&Sigma;}}}{x}_j\left(k\right)/T_{j-1}]=0$

其中，a为时段，T_j为工序j在整个生产计划周期T中所占用的时间段数。

本发明提供的技术方案的有益效果是：本方法通过减少了负荷在高电价时段的使用时间，将负荷转移至分布式能源发电较为突出的时段，使总体负荷曲线得到改善，并通过储能设备的削峰填谷转移了部分分布式能源发电量，一方面提高了分布式发电电量自发自用就地消纳比例，使多余电量避免不经济的余电上网方式，取得更好的经济性，另一方面也减少了分布式电源对接入电网的不良影响，有利于其安全稳定运行。

附图说明

图1为典型用户侧能量系统配置结构的示意图；

图2为蓄电池寿命与放电深度关系的示意图；

图3为供电状态判断流程图；

图4为某市一般工商业电价曲线示意图；

图5为原始负荷曲线及分布式发电功率曲线的示意图；

图6为优化后系统工序顺序及功率分配的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

101：构建连续任务型负荷模型；

连续任务型负荷是一类比较有特色的负荷，广泛存在于工业生产的作业流程中，占据着用户总负荷的相当比例。此类负荷往往由生产过程中高度连贯的各类设备负荷构成，各设备在不同时刻开启，运行时段也各不相同，每个设备的工作代表了特定工艺的特定工序任务，设备之间服从前驱后继的工艺流程相互配合完成最终生产任务。

此类负荷的曲线表现为周期性的波动，且持续时间较长，比如：设备生产流水线、钢铁冶金设备负荷等。本方法以连续任务型负荷为考察对象进行研究，首先建立其作业模型。为方便起见，假设工业负荷的生产流程为I道工序，每道工序使用一台设备作业，将交货时间即生产计划周期(一般为1天)划分为T个时段，每个时段的时长为Δt，Δt一般取为1小时。

假设以k代表时段的序号，k∈{1，2，3，……,T}，x_i(k)表示第i道工序设备在第k时段内的开关状态；1代表开启，0代表关闭；若第i道工序设备的额定功率为P_i，则第k时段工序i的功率消耗P_i(k)如式(1)所示。

$P_i\left(k\right)=P_i*x_i\left(k\right)=\left\{\begin{array}{cc}{P}_i& x_i\left(k\right)=1\\ 0& x_i\left(k\right)=0\end{array}\right.---\left(1\right)$

连续任务型负荷所采用的工序设备还需满足如下几项约束条件：

1)开启时间约束：假设第i道工序设备的开启时间受上班时间或者工艺流程等因素的限制，必须在第a时段至第b时段之间保持关闭状态，则此约束表达如式(2)。

$\underset{k=a}{\overset{b}{\mathrm{\&Sigma;}}}{x}_i\left(k\right)=0---\left(2\right)$

2)连续运行约束：假设第i道工序设备因各种实际原因，必须保持连续生产，在第c时段开启，需要持续运行到第d时段，则此约束表达如式(3)。

$\underset{k=c}{\overset{d}{\mathrm{\&Pi;}}}{x}_i\left(k\right)=1---\left(3\right)$

3)工序次序约束：假设在第a时段，i工序需要开启，而同时要求其前驱工序j必须已经加工完成，则此约束表达如式(4)，其中T_j为工序j在整个生产计划周期T中所占用的时间段数。

$x_i\left(k\right)*[\underset{k=1}{\overset{a-1}{\mathrm{\&Sigma;}}}{x}_j\left(k\right)/T_{j-1}]=0---\left(4\right)$

102：构建能量控制优化决策模型；

智能用电环境下的用户侧能量控制是在用户生产计划与调度的基础上，考虑用电设备类型、重要程度，依据电价信息或激励信息，给出效益最佳的能源控制方案。效益最佳是指在特定环境下的某种性能指标的最优，包括：成本、时间、满意度、节能减排及需求响应指标等。

针对连续任务型负荷可引入需求响应机制对其进行转移调度。同时，配合储能设备的充放电规律，在满足任务要求的基础上，提高接入用户侧的风力发电、光伏发电等可再生分布式能源的就地消纳比例，实现其能量控制的优化决策。

典型的用户侧能量系统配置结构如图1所示，该系统由分布式发电单元、储能单元、逆变器、控制器、交/直流负载等部分组成。市电是用户侧能量系统的后备支撑，用于保证分布式电源出力无法满足的电力负荷能够正常工作。

1)构建最大电费收益函数；

对于实现光伏上网的用户，其能量控制的经济性体现在通过“自发自用”的电价补贴和“余电上网”的售电收入，以最短的时间回收分布式设备的发电成本，因此宜采用最大电费收益函数F。

$\max F=\underset{k=1}{\overset{T}{\mathrm{\&Sigma;}}}(C_{\mathrm{PV}}{P}_{\mathrm{PV}}\left(k\right)x_{\mathrm{PV}}\left(k\right)-C_B{P}_B\left(k\right)x_B\left(k\right)-C_G\left(k\right)P_G\left(k\right)x_G\left(k\right))\mathrm{\&Delta;t}---\left(5\right)$

式(5)中，生产计划周期(一般为1天)划分为T个时段，每个时段的时长为Δt，Δt一般取为1小时，k为时段的序号，优化决策在k时段初始时刻执行；x_PV(k)、x_B(k)、x_G(k)为模型的控制变量，分别表示光伏、蓄电池、市电的工作状态，1为连接，0为断开；P_PV(k)、P_B(k)、P_G(k)分别表示第k时段内光伏、蓄电池、市电的有功功率(W)，其中P_B(k)＞0表示放电，P_B(k)＜0表示充电，P_G(k)＞0表示市电供电，P_G(k)＜0表示光伏馈电；C_PV表示光伏“自发自用”收益价格，C_B表示蓄电池发电成本；当P_G(k)＞0时，C_G(k)为第k时段初始时刻的市电价格，当P_G(k)＜0时，C_G(k)为第k时段光伏上网收购电价和光伏自发自用补贴价格之差。

2)有功功率平衡约束；

$\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i\left(k\right)x_i\left(k\right)=P_{\mathrm{PV}}\left(k\right)+P_B\left(k\right)+P_G\left(k\right)---\left(6\right)$

式(6)中，N表示连续任务型负荷和不可控负荷的总个数，P_i(k)分别表示第k时段内第i个负荷设备的有功功率(W)，x_i(k)表示第k时段负荷的开关状态，1为开启，0为关闭。

3)蓄电池约束；

蓄电池是协调分布式发电和负荷优化运行实现的重要设备，合理地使用蓄电池，延长其使用寿命才能保证系统的经济运行。蓄电池需要满足其最大充放电功率约束式(7)、荷电状态约束式(8)，以及生产计划循环状态约束(9)和蓄电池寿命约束式(10)。

P_B(k)＜P_B，cmax

(7)

P_B(k)＜P_B，dmax

SOC_min＜SOC(k)＜SOC_max (8)

|SOC(1)-SOC(n)|＜δ (9)

式(7)～(9)中，P_B,cmax为蓄电池最大充电功率，P_B,dmax为蓄电池最大放电功率；SOC_max、SOC_min分别代表剩余容量上下限，一般取20％、80％；SOC(1)、SOC(n)代表生产计划周期开始和结束时刻的荷电状态，δ表示蓄电池在相邻生产计划周期之间荷电状态误差的限值，一般取5％。

此外，蓄电池的寿命与其放电深度及循环次数有关^[1]，假设折算电池寿命为1，用限制每个生产计划周期内蓄电池最大寿命损耗，则电池寿命消耗D可约束如下：

$D=\underset{i=0}{\overset{L\left(k\right)}{\mathrm{\&Sigma;}}}\frac{1}{a_1+a_2{e}^{-a_3(1-\mathrm{SOC}\left(i\right))}+a_4{e}^{-a_5(1-\mathrm{SOC}\left(i\right))}}<D_{\mathrm{day}-\max }---\left(10\right)$

式(10)中，L(k)为从生产计划周期开始到第k时段内蓄电池放电循环的次数，一次循环定义为电池放电到某一设定深度值然后开始下次充电的过程；SOC(i)是第i次放电循环完成时蓄电池的荷电状态；可以通过蓄电池生产厂商提供的循环寿命曲线加以拟合得到。图2为某型号铅酸蓄电池的寿命曲线，通过曲线拟合得到参数{a₁,a₂,a₃,a₄,a₅}＝{19120,16190,11.40,-15420,-0.1895}。

4)可转移负荷设备任务约束。

为保证生产流程的正常进行，连续任务型负荷的负荷转移能力需要满足执行生产任务的各类约束，包括开启时间约束、连续运行约束、工序次序约束。具体模型详见式(1)～(4)。

103：对连续任务型负荷模型和能量控制优化决策模型进行求解。

通过分析建立的连续任务型负荷模型和能量控制优化决策模型，可以发现能量管理的优化决策相当于一个背包问题：模型中的自变量全部为整数，且多数自变量取值为0或1，表示每个分布式电源或者负荷的开关状态，相当于背包问题中每个物品放入或者不放入背包，约束函数代表每个物品的重量之和小于等于背包容量，目标函数代表背包内物品的总价值最大。问题的求解其实是求各个物品的组合优化问题，解的个数为2n，n代表备选物品个数。由于问题为线性问题，问题的维数取决于调度周期的长度和可调度负荷的种类。

当每组解的控制变量确定后，首先要确定光伏、蓄电池和电网的功率大小，供电状态判断可按图3所示进行。首先，判断第k时段内光伏发电预测功率P_PV(k)与系统总负荷预测功率∑P_L(k)的相对大小，确定用户侧系统与电力系统的功率流向；然后，转入第二层逻辑判断，根据蓄电池当前荷电水平SOC(k)决定蓄电池的工作状态；最后，根据前面两步确定的市电和蓄电池工作状态，再结合蓄电池放电成本C_B和市电供电成本的比较，给出一个经济的调度分配。

例如，若用户侧系统负荷功率大于发电功率，用户侧系统从蓄电池或市电汲取电力，转入第二层判断，看蓄电池荷电状态是否适合放电(本方法以20％作为蓄电池荷电状态SOC的下限，以80％作为SOC的上限)，如果蓄电池不宜放电，则缺失电力全部由市电供给，反之若蓄电池可以放电，则再转入第三层判断蓄电池供电成本和市电供电成本的大小，若蓄电池供电成本较小则按照蓄电池最大放电功率P_B,dmax尽量安排蓄电池放电，其余短缺功率由市电供给。其它分支逻辑与上述类似，其中P_B,cmax为蓄电池的最大充电功率。

即步骤103的计算流程如下：

1)输入负荷、分布式能源发电预测数据，输入各控制变量初值；

其中，控制变量是指每个时间段内各个负荷的开关状态。

2)判断第k时段内光伏发电预测功率P_PV(k)是否大于系统总负荷预测功率∑P_L(k)，如果是，执行步骤3)，如果否，执行步骤4)；

3)判断蓄电池当前荷电水平SOC(k)是否小于等于SOC的上限，如果是，执行步骤5)，如果否，执行步骤6)；

4)判断蓄电池当前荷电水平SOC(k)是否大于等于SOC的下限，如果是，执行步骤7)，如果否，执行步骤6)；

5)判断蓄电池的最大充电功率P_B,cmax是否小于第k时段内光伏发电预测功率P_PV(k)与系统总负荷预测功率∑P_L(k)的差值，如果是，P_B(k)＝ΣP_L(k)-P_PV(k)；如果否，P_B(k)＝-P_B,cmax，P_G(k)＝ΣP_L(k)-P_PV(k)-P_B(k)，流程结束。

6)P_G(k)＝ΣP_L(k)-P_PV(k)，流程结束。

7)判断蓄电池发电成本C_B是否大于第k时段初始时刻的市电价格C_G(k)，如果是，执行步骤6)，如果否，执行步骤8)；

8)判断蓄电池的最大充电功率P_B,cmax是否小于系统总负荷预测功率∑P_L(k)与第k时段内光伏发电预测功率P_PV(k)的差值，如果是，P_B(k)＝P_B,dmax，P_G(k)＝ΣP_L(k)-P_PV(k)-P_B(k)；如果否，

P_B(k)＝ΣP_L(k)-P_PV(k)，流程结束。

9)求解最大电费收益函数；通过二进制粒子群对结果进行优化计算。

其中，二进制粒子群对结果进行优化计算，这一步骤是本领域技术人员所公知，本发明实施例对此不作赘述。

下面以具体的试验来验证本方法的可行性，详见下文描述：设定任务包括6个工序，其中工序1、2、3按照先后次序加工，工序4、5、6按照先后次序加工。

工业用电电价按照某市工业生产分时电价模式，包括峰谷平三个区段，如图4所示。集成分布式能源发电装置包括600kW光伏发电设备、300kW风力发电设备，并配置2000Ah/480V铅酸蓄电池作为储能元件，每天寿命损耗限制在1/1000。

原工件生产时间、负荷曲线、分布式电源输出功率曲线如图5所示。可见，原最大负荷功率达到800kW，而且发生在电价高峰期。其中，其他负荷指的是除连续任务型负荷之外的不可控负荷总量。

按照本方法进行优化计算，优化后的负荷曲线和储能设备的功率曲线如图6所示。

由优化前后的工序生产顺序和功率分配情况对比，可以发现，针对连续任务型可转移负荷的能量管理决策优化模型减少了负荷在高电价时段的使用时间，将负荷转移至分布式能源发电较为突出的时段，总体负荷曲线得到改善，有效地响应了电价信号。

参考文献：

[1]Liu Mengxuan,Wang Chengshan,Guo Li,et al.An optimal design method ofmulti-objective based island microgrid[J].Automation of Electric Power Systems.2012,36(17):34-39.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种面向智能用电的连续任务型负荷能量控制方法，其特征在于，所述方法包括以下步骤：

构建连续任务型负荷模型；构建能量控制优化决策模型；

对所述连续任务型负荷模型和所述能量控制优化决策模型进行求解；

其中，所述连续任务型负荷模型具体为：

$P_i\left(k\right)=P_i*x_i\left(k\right)=\left\{\begin{array}{cc}{P}_i& x_i\left(k\right)=1\\ 0& x_i\left(k\right)=0\end{array}\right.$

其中，x_i(k)表示第i道工序设备在第k时段内的开关状态；1代表开启，0代表关闭；P_i为第i道工序设备的额定功率；P_i(k)为第k时段工序i的功率消耗；

其中，所述能量控制优化决策模型具体为：构建最大电费收益函数；

$\max F=\underset{k=1}{\overset{T}{\&Sigma;}}\left(C_{PV}{P}_{PV}\right(k\left)x_{PV}\right(k)-C_B{P}_B(k\left)x_B\right(k)-C_G(k\left)P_G\right(k\left)x_G\right(k\left)\right)\mathrm{\&Delta;}t$

其中，x_PV(k)、x_B(k)、x_G(k)为模型的控制变量，分别表示光伏、蓄电池、市电的工作状态；P_PV(k)、P_B(k)、P_G(k)分别表示第k时段内光伏、蓄电池、市电的有功功率；C_PV表示光伏自发自用收益价格，C_B表示蓄电池发电成本；当P_G(k)＞0时，C_G(k)为第k时段初始时刻的市电价格，当P_G(k)＜0时，C_G(k)为第k时段光伏上网收购电价和光伏自发自用补贴价格之差。

2.根据权利要求1所述的一种面向智能用电的连续任务型负荷能量控制方法，其特征在于，所述能量控制优化决策模型还需满足有功功率平衡约束条件、蓄电池约束条件、开启时间约束条件、连续运行约束条件以及工序次序约束条件。

3.根据权利要求2所述的一种面向智能用电的连续任务型负荷能量控制方法，其特征在于，所述有功功率平衡约束条件具体为：

$\underset{i=1}{\overset{N}{\&Sigma;}}{P}_i\left(k\right)x_i\left(k\right)=P_{PV}\left(k\right)+P_B\left(k\right)+P_G\left(k\right)$

其中，N表示连续任务型负荷和不可控负荷的总个数。

4.根据权利要求2所述的一种面向智能用电的连续任务型负荷能量控制方法，其特征在于，所述蓄电池约束条件具体为：

P_B(k)＜P_B,cmax

P_B(k)＜P_B,dmax

SOC_min＜SOC(k)＜SOC_max

|SOC(1)-SOC(n)|＜δ

其中，P_B,cmax为蓄电池最大充电功率，P_B,dmax为蓄电池最大放电功率；SOC_max、SOC_min分别代表剩余容量上下限，SOC(1)、SOC(n)代表生产计划周期开始和结束时刻的荷电状态，δ表示蓄电池在相邻生产计划周期之间荷电状态误差的限值；

电池寿命消耗D约束如下：

$D=\underset{i=0}{\overset{L\left(k\right)}{\&Sigma;}}\frac{1}{a_1+a_2{e}^{-a_3(1-SOC(i\left)\right)}+a_4{e}^{-a_5(1-SOC(i\left)\right)}}<D_{day-max}$

其中，L(k)为从生产计划周期开始到第k时段内蓄电池放电循环的次数；SOC(i)是第i次放电循环完成时蓄电池的荷电状态；a₁,a₂,a₃,a₄,a₅为参数。

5.根据权利要求2所述的一种面向智能用电的连续任务型负荷能量控制方法，其特征在于，所述开启时间约束条件具体为：

$\underset{k=a}{\overset{b}{\&Sigma;}}{x}_i\left(k\right)=0$

其中，a和b分别为时段。

6.根据权利要求2所述的一种面向智能用电的连续任务型负荷能量控制方法，其特征在于，所述连续运行约束条件具体为：

$\underset{k=c}{\overset{d}{\&Pi;}}{x}_i\left(k\right)=1$

其中，c和d分别为时段。

7.根据权利要求2所述的一种面向智能用电的连续任务型负荷能量控制方法，其特征在于，所述工序次序约束条件具体为：

$x_i\left(k\right)*\&lsqb;\underset{k=1}{\overset{a-1}{\&Sigma;}}{x}_j\left(k\right)/T_j-1\&rsqb;=0$

其中，a为时段，T_j为工序j在整个生产计划周期T中所占用的时间段数。