CN106971280A - 智能电网中公司和用户的实时优化模型和需求响应方法 - Google Patents
智能电网中公司和用户的实时优化模型和需求响应方法 Download PDFInfo
- Publication number
- CN106971280A CN106971280A CN201710320194.7A CN201710320194A CN106971280A CN 106971280 A CN106971280 A CN 106971280A CN 201710320194 A CN201710320194 A CN 201710320194A CN 106971280 A CN106971280 A CN 106971280A
- Authority
- CN
- China
- Prior art keywords
- electricity
- user
- moment
- need
- utilities electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明针对一个电力公司多个用户的情况,提供了电力公司的产电量优化模型、电力公司的定价模型、用户的用电量优化模型、以及智能电网的需求响应方法,解决了智能电网中未来信息未知的情况下在线实时需求响应管理的问题。本发明的启发式算法,能够得到电力公司各个时刻的优化产电量和定价以及用户各个时刻的优化用电需求量,在保持电力系统供需平衡的同时使产电平滑化,在保证电力公司利益的同时使用户的用电代价最小。
Description
技术领域
本发明涉及智能电网中的需求响应管理领域,特别是涉及智能电网中公司和用户的实时优化模型和需求响应方法。
背景技术
需求响应是智能电网的重要组成部分,它通过智能电表的数据统计和供电公司与用户间的相互交流,达到调整用户用电负载和供电公司产电量的效果。其定义为:电网系统中的用电用户接收到公司的电力价格信息或者直接激励后对其响应,调整原有的用电方式,减少峰时用电量或整体用电量,保障电网的稳定性。需求响应对智能电网减少峰时负载、提高系统稳定性、平衡电力供需、提高能源利用效率都起着重要的作用。用户需求响应离不开智能电网的建立与发展。智能电网的高速双向交流网络能够让用户和电力公司进行即时交流,从而得以实现电力公司实时定价的策略,用户可根据实时电价决定用电策略避开用电高峰,降低用电成本。
由于智能电表和高级量测体系的建立以及智能家居的发展使得用户的用电策略和电力公司的定价策略的实施过程可以实现全自动化进行。用户的一些灵活用电需求可以通过提前决定的策略和计算方法自动从用电高峰期转移至非用电高峰期,方便用户的同时优化了电网的稳定性。而电力公司可以根据所有用户的用电负载和电网情况自动调整自身供电量和实时电价,从而引导用户调整用电负载,减轻系统的压力。另外,新能源如风能、太阳能由于受环境因素影响,并且储电设施容量有限,所以在传统电网中新能源在各个时刻的供电量非常不稳定,但在智能电网中同样电力公司可以通过调整定价策略,在新能源供电量较低的时候提高电价引导用户减少用电需求,在新能源供电量较高的时候降低电价引导用户增加用电需求。另外,智能电网可以接入用户的蓄电池、电动汽车、微电网等能够自由充放电的设备,这样用户的可调整用电需求量空间进一步增大。在电力价格低的时候用户可以给蓄电池和电动汽车充电,在电力价格高的时候少用电力公司的电力,而利用蓄电池和电动汽车放电来满足用电需求,电力公司甚至可以在自身产电不足的情况下通过购入用户的储电量来平衡电网需求。但如果电力公司定价不合适,会造成另一个用电高峰的出现。因此,如何设计电力公司的实时定价策略以及在线优化用户的用电量是国际研究的热点,也是本发明要解决的技术难点。
时至今日,已经有很多需求响应策略被提出并有部分已经应用于实际中。基于市场的需求响应管理在电力市场改革不断完善的国家(如美国、英国、北欧、澳大利亚等)中越来越受重视。但我国的需求响应管理存在明显问题:相关电价制定不合理、定价方法和策略研究相对较少。电价提高幅度与实施时段的确定往往缺乏坚实的理论基础,随意性较大;而且需求响应项目非常依赖于配套基础设备、测量设备以及通讯设备的统一标准。假设在基础设备完善的情况下,我们需要设计合理的定价策略引导用户调整用电,当有足够的利益驱使时,用户会通过合理调整用电计划使得自身获得的收益最大。
目前已有的关于需求响应管理的研究文献主要是从不同的研究对象出发,研究公司最优定价和产电策略,以及用户对应电价变化的用电策略,是用户和公司互相耦合、共同作用演化的过程。本发明也会以此为出发点,在前人的研究基础上进行改进与创新。以往实时定价的研究关注的目标大多是最大化电力公司的利益,而很少考虑电力公司产电和负载的平滑化。但实际上,平滑公司产电和负载也应该是电力系统中一个重要指标,它能够减少用户由于产电量波动太大而造成的额外成本,而且减少峰时负载还能够提高电网的稳定性。如今,有学者提出了一种保持电力系统供需平衡且使负载平滑化的策略,但该研究通过前一段时间确定接下来一整段时间的电力价格以及用电需求。这一策略需要的信息量比较多,且用户不能改变整个时段内任何时刻的用电需求量,这使得电力系统难以应对紧急情况,适应性和鲁棒性受到影响。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供智能电网中公司和用户的实时优化模型和需求响应方法,目标是在未来信息未知的前提下实时确定当前时刻的用电需求量和电力供电量,在平衡负载的同时尽量满足用户整个时段的总计划用电需求量,最终得到公司的优化产电定价策略以及用户的优化用电策略。
为实现上述目的及其他相关目的,本发明提供一种电力公司的产电量优化模型,所述优化模型为:
其中,lh是电力公司在一个时刻h的产电量,UUc是电力公司的效用函数,是整个时段H的平均产电量、Xh是h时刻所有用户的用电需求量、是电力公司的产电量上限、是所有用户在h时刻的用电最大需求量总和。
于本发明一实施例中,所述l的计算公式为:
其中,lh'表示的是当前时段h'时刻的产电量,lpast,h'表示的是过去时段h'时刻的产电量。
于本发明一实施例中,所述时段H包括多个时刻h,用户的用电需求量在每个时刻h变化且在一个时刻内保持不变。
为实现上述目的及其他相关目的,本发明提供一种电力公司的定价模型,所述定价模型ph(lh)为:
ph(lh)=λhC'h(lh)=λh(ahlh+bh),λh≥1
其中,lh是电力公司在一个时刻h的产电量,C'h(lh)为边际成本,是成本函数的一阶导数,ah,bh,ch分别是常系数,λh是时变效益系数。
为实现上述目的及其他相关目的,本发明提供一种用户的用电量优化模型,所述优化模型为:
其中,xn,h是h时刻用户n的用电需求量,是用户n在时刻h消耗xn,h电力获得的效用,ph是电价,Un(xn,h)为用户总的效用函数,xminn,h是用户n在时刻h的用电需求量下限,xmaxn,h是用户n在时刻h的用电需求量上限。
于本发明一实施例中,所述的计算公式为:
其中,ωn,h是表示用户偏好的常数,θn对每个用户是确定的常数。
于本发明一实施例中,所述电价ph在每个时刻h变化且在一个时刻h内保持不变。
为实现上述目的及其他相关目的,本发明提供一种智能电网的实时需求响应方法,包括:建立期望电力价格阈值模型并计算得到期望电力价格阈值,其中,pth n,h是用户n在时刻h的期望电力价格阈值,pave是过去一个时段H所有时刻的电力价格的平均值,α为大于0的常系数,用于表示已用电量对期望电力价格阈值的影响程度,xused n,h为当前时段内已过去时刻用户n使用的总电量,xtotal n,h为用户计划的当前时段的总用电量;根据前述的用户的用电量优化模型,结合电力公司给出的当前时刻的电价计算最优用电需求量。
于本发明一实施例中,利用所述期望电力价格阈值模型,并结合电力公司给出的当前时刻的电价计算最优用电需求量,包括以下方式中的任一种:方式1)直接比较电力公司价格和期望电力价格阈值;方式2)把期望电力价格阈值的影响整合到用户的效用函数中。
于本发明一实施例中,对于所述方式1)用户n在时刻h用电需求量为:
于本发明一实施例中,对于所述方式2),把期望电力价格阈值的影响P(xn,h,pth n,h)加入到用户的效用函数中,得到更新后的效用函数为:
其中,xn,h是h时刻用户n的用电需求量,是用户n在时刻h消耗xn,h电力获得的效用,ph是电价。
于本发明一实施例中,所述P(xn,h,pth n,h)的实现方式如下:
其中,xminn,h是用户n在时刻h的用电需求量下限,xmaxn,h是用户n在时刻h的用电需求量上限,μn,h是调节参数。
于本发明一实施例中,所述方法还包括迭代执行以下步骤:在计算出最优用电需求量后告知电力公司;当电力公司得到所有用户的用电需求量后,根据如上任一所述的电力公司的产电量优化模型,计算出当前时刻的最优产电量;电力公司根据所述最优产电量,利用如上所述的电力公司的定价模型,更新电力定价,并告知各用户;各用户分别根据更新的电力定价更新自己的用电需求量,并把更新后的用电需求量告知电力公司。
于本发明一实施例中,当两次迭代之间所有用户的用电需求量都不改变时,认为此时各用户的用电需求量和电力电价都是最优的。
如上所述,本发明的智能电网中公司和用户的实时优化模型和需求响应方法,解决了以单公司多用户为对象,未来信息未知的情况下的在线实时需求响应管理的问题。本发明的目标是:在保持电力系统供需平衡的同时使产电平滑化,在保证电力公司利益的同时使用户的用电代价最小。本发明针对一个电力公司多个用户的情况,提出了需求响应模型,其中包括了电力公司的电力价格、产电量和用户的用电需求量的优化模型,并且给出了用户与公司对应的优化目标函数。此外,提出了对应的启发式算法,有利于得到电力公司各个时刻的优化产电量和定价以及用户各个时刻的优化用电需求量。
附图说明
图1显示为本发明的应用场景示意图。
图2显示为本发明一实施例中的启发式算法流程示意图。
图3A显示为仿真实例一即使用方法1的实时电力价格图。
图3B显示为仿真实例一中住宅区用户实时用电需求量图。
图3C显示为仿真实例一中商业区用户实时用电需求量图。
图3D显示为仿真实例一中工业区用户实时用电需求量图。
图3E显示为仿真实例一的电力实时供需情况图。
图4A显示为仿真实例二即使用方法2的实时电力价格图。
图4B显示为仿真实例二中住宅区用户实时用电需求量图。
图4C显示为仿真实例二中商业区用户实时用电需求量图。
图4D显示为仿真实例二中工业区用户实时用电需求量图。
图4E显示为仿真实例二的电力实时供需情况图。
图5显示为随着用户数增加算法的最大迭代次数变化情况图。
图6显示为200个用户的电力供需情况图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
需求响应管理是智能电网的重要部分,有效地利用需求响应管理策略可以平衡用电需求量和电力供给量,保持电力系统的稳定性,让用户根据实际电价和供电量重新安排用电计划,减少用户负载或使负载从用电高峰期转移到非高峰期,能够同时减少用户的支出和电力公司的成本支出。
鉴于此,本发明针对一个电力公司多个用户的情况,提出了需求响应管理模型并且给出了相应的优化目标。单公司多用户是我国目前电力系统的主要结构,一个地区的所有用户都只有一个电力公司产电供电,也是目前国内外研究的主要对象。
不同于很多过去研究的目标主要是使电力公司的利益最大化和用户的用电代价最小化,本发明研究的优化目标是保持电力系统供需平衡的同时使负载平滑化,同时保证电力公司的利益且用户的用电代价最小。过去研究类似优化目标的文献是通过提前一天确定接下来一整天的电力价格以及用电需求,需要得知未来一天中用户的用电信息以及电价情况,会使用户和电力公司不方便应对紧急状况,而且用户需要严格按照前一天确定后一天每个时刻的用电需求量,不能随时改变任何时刻的用电需求量。为了避免这样的情况,我们对其进行了改进创新。本发明研究了实时情况下,用户和电力公司只通过当前时刻和过去时刻的信息确定当前时刻的用电需求和供电量,并且结合用户的总用电量计划使用户的计划用电需求量尽可能被满足。提出启发式算法最终得到电力公司的优化产电和定价策略,以及用户的优化用电策略,以应用于电力系统中得到公司与用户希望得到的优化效果。
以下将详细介绍本发明的数学模型和算法策略:
1.系统模型
本发明考虑的情况是智能电网系统包含了一个电力公司和多种类型的用户。图1表示的是本发明的智能电网系统的需求响应管理模型的应用场景,本发明的用户需求响应管理模型应用于单个电力公司与多个用户之间,电力公司与用户相互交流电力价格与用电需求量的信息,从而优化各自的目标。假设系统配备了高级量测体系使电力公司和n个用户能够进行实时交流和信息交互。在智能电网中,电力公司根据所有用户的用电需求量提供给不同用户相同的电力价格,并且满足用户的用电需求,然后,每个用户会根据电力公司的电力价格和自身情况决定用电需求量。在此,我们主要考虑了常见并且各有特点的三种用户类型,分别是:住宅区用户、商业区用户、工业区用户。商业区用户由于产出价值高,更注重优先完成工作,所以对于需求响应管理的可接受度最低,即可改变的用电需求量最低。而工业区用户由于生产批量大,重视用电成本,对于需求响应管理的可接受度最高,更愿意通过改变用电需求来降低自身的用电成本,可改变的用电需求量最高。住宅区用户则介于两者之间。另外,我们假设把一个时段H分成h个时刻,电力价格和用户用电需求每个时刻变化并且在一个时刻内保持不变。
a)电力公司模型
用Ch(lh)来表示电力公司在一个时刻h产出电量lh的成本函数。对任意的电力公司,其生产成本随着产电量的增加而增加,而且增加幅度会增大,所以公司成本函数是单调递增并且是严格凸的,符合该特点的常用函数主要有二次函数和对数函数,它们都是非减且导数是非减的。本发明优选使用二次函数模型来描述成本函数:
其中,ah,bh,ch是常系数,不同时刻不同用户可以是不同的数值。边际成本为每增加一单位产电量带来产电成本的增量,于是边际成本函数可以通过计算成本函数的导数得到,即:
C'h(lh)=ahlh+bh。
电力公司需要通过调整电力价格引导用户调整用电量,通过电力公司和用户共同调整优化电网系统。为了保证公司的利益,电力公司给用户的定价需要不小于其边际成本。参照现有技术中的定价模型,公司在时刻h给用户的定价ph(lh)可以是边际成本乘以一个时变效益系数λh,即:
ph(lh)=λhC'h(lh)=λh(ahlh+bh),λh≥1。
该定价函数能够通过调整价格引导用户调整用电需求量,最终使得电力公司的产电成本达到最小。
对于电力公司来说,除了削减成本以外,平滑各个时刻的产电量也是很重要的。平滑产电量既可以保持电网的稳定性,也可以避免用电高峰期负载太多而导致的额外维护支出。所以我们假设公司的优化目标是平均化整个时段的产电量,同时满足用户的用电需求以保持供需平衡。于是优化问题可以表示为:
其中,UUc是电力公司的效用函数,表示的是整个时段的平均产电量,其计算方法见下文。Xh是h时刻所有用户的用电需求量,即其中,xn,h为h时刻用户n的用电需求量。约束条件s.t.限制了公司的产电量需要大于或等于用户的需求量,这是为了让公司的产电量能够保证用户的需求。是所有用户在h时刻的用电最大需求量总和,是电力公司的产电容量上限。产电容量上限是由产电基础设施的限制决定的,其中包括了产电热量限制、产电设备的数量限制和设备的产电上限等等。整个时段H平均产电量的定义如下:
由于每时刻的电价和产电量是实时计算的,公司可以获得当前时段过去时刻的信息,但不能获取未来的产电量信息。因此,我们参考过去时段中同一时刻的信息,将整个时段H平均产电量改写成:
其中,lh'表示的是当前时段h'时刻的产电量,lpast,h'表示的是过去时段h'时刻的产电量。
可以看到,上面的公司优化目标不同于一般的最大化公司利益的优化目标,然而在前文提出的定价模型中,公司的生产成本相对较低得到了证明,也就间接的保证了公司的利益。而上文定义的优化目标除了能够平滑各个时刻产电量,还有另外的优点。在电力系统中,负载系数是用于衡量电力使用的效率的参数,定义为一个时段里平均负载量和最大负载量的比值,负载系数越大表示了电力使用效率越高,负载系数LF表示为:
其中,表示的是系统的平均负载,代表了一个时段中的最大负载。
由于把各时段的产电量变化最小化实际上相当于最大化负载系数,所以我们定的电力公司的优化目标可以提高电力使用效率。
b)用户模型
一般来说,每个用户都是通过消耗电力来满足自身的用电需求,用户的用电需求被满足之前,用户的效用随着用电量单调递增,而当用户用电需求被满足以后,随着用电量增加效用反而会下降。除此之外,随着用户的用电需求被满足,用户的效用增长速度变慢,这意味着效用函数是凹的。综合上述特点,我们定义用户用电获得效用的效用函数为:
其中,是用户n在时刻h消耗xn,h的电力获得的效用。ωn,h是用户的偏好时变常数,不同时刻不同用户可以变化,θn对每个用户是确定的常数。从上面式子可以看到,ωn,h越大,意味着该用户愿意消耗更多的电力来提升自身的效用。
当用户在时刻h从电力公司以价格ph消耗电力xn,h时,需要付给电力公司phxn,h,我们可以定义用户总的效用函数Un(xn,h)为:
每个用户通过最大化效用函数确定出当前时刻的最优用电量:
max Un(xn,h)
s.t.xmin n,h≤xn,h≤xmax n,h,
其中,xminn,h表示的是用户n在时刻h的基本用电需求,xmaxn,h表示的是用户n在时刻h的最大用电需求。求解得到该二次函数最大值,就可以得到用户最优用电需求与电力价格的关系为:
2.需求响应管理算法
在智能电网系统中,智能型电表可以让电力公司和用户之间进行实时的信息交流,互相告知用电需求和电力价格等信息。公司确定的实时电价会影响用户的最优用电需求,而反过来由于电力公司想要保持供需平衡,用户新的用电需求会使电力公司制定新的产电计划,进而改变电力价格。这构成了用户和电力公司间的相互耦合关系。针对用户和电力公司各自的优化目标,我们提出一个启发式算法来使用户和公司都能实时达到最优或次优的结果。
假设一个时段为一天,每个时刻为一个小时。则H={1,2,…,24}。开始时,电力公司根据过去初始时刻价格经验,给出初始价格,并把初始价格告知用户,用户得知电力价格后会根据电价和自身情况确定自己当前时刻的用电需求。
由于用户实时根据电价确定用电需求,我们引入一个新的参数期望价格阈值来作为用户的参考对象。实际电力公司定价比期望价格阈值低会更吸引用户提高用电需求,而实际电力公司定价比期望价格阈值高会让用户更倾向于降低自身的用电需求。直观来看,影响用户期望价格阈值的因素主要包括电力公司的平均电力价格和用户自身的用电量情况。当前时刻电力公司定价比平均价格低会吸引用户提高用电需求量,电力公司定价比平均价格高则会让用户降低用电需求量,与期望价格阈值趋势一样,用户的期望价格阈值正比于用户的平均价格。用户的一个时段的总用电量可以提前计划,即前一天用户可以确定接下来一天总用电量的计划。如果当前时刻之前的用电量已经超出了用户的用电预期,用户的用电需求就会减少,需要电力公司更低的电力价格才能吸引用户提高用电需求量,相对于一般情况,用户希望该时刻的电价更低。换而言之,用户的期望价格阈值更低。相反的,如果用户远没有达到总用电计划的预期,用户的用电需求就会提高,即使稍高的用电价格也能吸引用户提高用电需求量,即用户的期望价格阈值较高。综合上述情况,期望价格阈值的定义如下:
其中,pth n,h是用户n在时刻h的期望价格阈值,pave是过去一个时段(如:昨天)所有时刻的电力价格的平均值,ppasth是过去时段的电力价格,α为大于0的常系数,表示了已用电量对期望价格阈值的影响程度。xusedn,h为当前时段已过去时刻用户n使用的总电量,xtotal n,h为用户计划的全天的总用电量。从上式的后半部分可以看出,如果当前时刻已用电比例大于该时刻占的平均比例,则后半项为正数,期望价格阈值会较低,用户会更容易降低用电需求量。
用户得到期望价格阈值后,结合电力公司给出的当前时刻的价格计算最优用电量。考虑两种利用期望价格阈值的方法:一是直接比较电力公司价格和期望价格阈值,二是把期望价格阈值的影响整合到用户的效用函数中。第一种方法中,若电力公司定价大于期望价格阈值,用户n在时刻h用电需求量为他该时刻的最小用电量xminn,t;若公司定价小于期望价格阈值,用户n在时刻h最大化其效用函数来决定用电需求量。可以表示为:
第二种方法中,在效用函数中引入期望价格阈值的影响,效用函数可以改写成:
可以看出,函数P(xn,pth n,h)设计的不同有不同的结果。前文提到,实际价格若比期望价格阈值大越多,用户用同样的电力情况下效用越低。所以用户的效用应该与实际价格和期望价格阈值的差成反比,于是函数P(xn,pthn,h)设计如下:
P(xn,h,pth n,h)=μn,h(ph-pth n,h)·xn,h,
s.t.xminn,h≤xn,h≤xmaxn,h
其中,μn,h<0是参数,可通过反复实验仿真观察效果选取合适的数值。
用户计算出最优用电需求量后告知电力公司,电力公司得到所有用户的用电需求量后,通过用电需求量与价格的关系式计算出公司当前时刻的最优产电量,电力公司再利用该产电量通过定价策略更新电力定价并告知用户。用户进而更新用电需求量并把新的用电需求量告知电力公司。该过程是一个迭代过程。当两次迭代之间所有用户的用电需求量都不改变之后,可以认为此时的用户的用电需求和电力电价都是最优的。该过程可以用一个启发式算法来描述,如图2所示:
步骤201:电力公司根据过去初始时刻价格经验,给出当前时刻的初始价格,并把初始价格告知各用户,各用户分别根据初始电力价格计算出各自的初始最优用电需求量并告知电力公司;
步骤202:当电力公司得到所有用户的用电需求量后,根据通过用户用电需求量和自身情况计算出当前时刻的最优产电量;
步骤203:电力公司基于最优产电量通过定价策略更新当前时刻的电力价格并告知各用户;
步骤204:用户更新各自最优用电需求量并告知公司。
以下将通过具体例子详细说明本发明的实现过程,针对提出的启发式算法结合实际电网数据做数值仿真并且分析结果。
如前文所说,现有一个电力公司和三种类型的用户,分别是住宅区用户、商业区用户、工业区用户。整个时段被分为二十四个时刻,表示了一天的二十四个小时。公司的产电成本在一天的不同时刻会变化,我们假定用户在凌晨的产电成本比平时更低。仿真参数如下:ah在8:00到24:00之间为0.02,在0点到8:00之间为0.01,bh=0.2,ch=0,λh=0.2,θn=0.1,ωn,h对不同用户分别为5.5、6.0、6.5,启发式算法中的参数α=10,μn,h=-1,平均价格pave=2.3。我们通过用户没有任何用电策略的一部分地区的实际用电量数据,取其中三个用户为例做仿真分析,仿真中提到的用户的原始用电量和电力公司的原始产量都为该地区的实际用电量和产电量数据。用户的基本用电量和最大用电量根据实际用电量计算得到,不同类型用户愿意改变的用电需求量不一样,工业区用户由于生产批量大,重视用电成本,更愿意通过改变用电需求来降低自身的用电成本,所以可改变的用电需求量最大,而商业区用户产出价值高,注重优先完成工作,可改变的用电需求量最低。具体设定如表1所示:
表1不同类型用户的基本用电量和最大用电量
用户类型 | 住宅区用户 | 商业区用户 | 工业区用户 |
基本用电量 | 75% | 80% | 70% |
最大用电量 | 140% | 120% | 150% |
图3A是使用方法1——直接比较电力公司价格和期望价格阈值的启发式算法得到的一天各个时刻实时电价的仿真结果。本仿真的图表示24小时变化情况的曲线图像为24个散点连接得到的曲线,而每个散点对应的是每小时实时计算出的结果。由于电力公司在凌晨的产电成本低,所以产出同样的电力的情况下,电力价格更低。而在8:00之后产电成本变高,所以电力价格有突增情况。
图3B~图3D是各个用户一天所有时刻用电需求量的仿真结果。可以看到我们的算法能够驱使用户在原始用电量低的情况下提高用电量,在原始用电量较高的时候降低用电量,起到平滑负载的作用。但是由于电价比期望价格阈值大的时候用户的用电需求量会减少到基本用电需求量,当电力价格在期望价格阈值附近上下浮动时,用户的用电需求量会上下跳变而导致用电需求量相对不太稳定。
图3E是使用方法1的启发式算法得到电力供需情况的仿真结果。可以看出电力公司的供电量相比原始供电量平滑了许多,算法达到了减少供电高峰供电量、增加供电低谷的供电量的效果,同时用电需求量也平滑了许多。
可以看到方法1有着不错的效果,接下来观察使用第二种方法——把期望价格阈值的影响整合到用户的效用函数中的启发式算法的仿真结果。
图4A是使用方法2的启发式算法得到的电力价格仿真结果。图4B~图4D分别是对应的用户用电需求量结果。对比图3C和图4C可以明显看到,第二种方法比第一种方法得到的用户用电需求量更大、更能满足用户的需求,让用户不至于放弃掉一些需要的用电需求,另外用电需求更平滑,对电力公司的供电更有帮助。
图4E是使用第二种方法的启发式算法得到的电力供需情况仿真结果。可见,通过启发式算法使原来的用电高峰期的用电需求量下降,用电低谷期的用电需求量上升。对比图3E和图4E可以看到,第二种方法得到的用户需求量和电力公司供电量曲线比第一种方法的更平滑,并且需求量和供电量的差更小。
为了更清晰的看到启发式算法的效果和两种方法的比较,一些仿真结果表示在表2中。通过启发式算法,用户最大的用电需求量有了明显的下降,第二种方法的总用电需求量比第一种方法下降的要少,用户需要放弃的用电需求较少,而两种方法的用电总量基本一样,所以第二种方法的产电总量和总需求量的差异更小。启发式算法使负载系数明显上升,这对电力公司平滑电力系统的负载有很大的帮助。从各个时刻产电量的方差可以看到,启发式算法有效的减小了产电量的差距,很好的平滑了电力系统的负载。
表2两种启发式算法的仿真结果对比
情况 | 最大需求量 | 总需求量 | 负载系数(LF) | 产电总量 | 产电量方差 |
原始情况 | 159 | 2354 | 0.617 | 2583 | 1040 |
方法1 | 119 | 2117 | 0.74 | 2347 | 145 |
方法2 | 119 | 2150 | 0.753 | 2346 | 140 |
在只有三种用户的情况下,启发式算法每个时刻都只需要几次迭代就可以得出结果,为了验证算法在用户多的情况下的有效性,用户数量从20增加至200,观察算法收敛的最大迭代次数。其中,参数ωn,h从[5:0;6:0]区间随机选择,各个用户每个时刻的用电需求在示例用户对应时刻的范围中随机选择,公司的成本函数的参数根据用户数量做出相应的调整。迭代次数的结果如图5所示,可以看到随着用户不断增加,最大迭代次数基本没有改变,说明了我们启发式算法的迭代次数受用户数量的影响不大,可以适用于用户数量大且用户类型各不相同的场景。
图6是200个用户时供需情况的仿真结果。可以看到,启发式算法对于大量用户同样保证公司的产电量和用户的负载得以平滑化,达到较好的削峰填谷的效果。
综上所述,本发明给出各时刻公司的优化电价产电量以及用户的优化用电需求量,能够平滑产电量,减少产电成本、提高电力利用效率,同时,能够优化用户效用,平滑电力系统的负载,有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (14)
1.一种电力公司的产电量优化模型,其特征在于,所述优化模型为:
其中,lh是电力公司在一个时刻h的产电量,UUc是电力公司的效用函数,是整个时段H的平均产电量、Xh是h时刻所有用户的用电需求量、是电力公司的产电量上限、是所有用户在h时刻的用电最大需求量总和。
2.根据权利要求1所述的电力公司的产电量优化模型,其特征在于,所述的计算公式为:
其中,lh'表示的是当前时段h'时刻的产电量,lpast,h'表示的是过去时段h'时刻的产电量。
3.根据权利要求1所述的电力公司的产电量优化模型,其特征在于,所述时段H包括多个时刻h,用户的用电需求量在每个时刻h变化且在一个时刻内保持不变。
4.一种电力公司的定价模型,其特征在于,所述定价模型ph(lh)为:
ph(lh)=λhC'h(lh)=λh(ahlh+bh),λh≥1
其中,lh是电力公司在一个时刻h的产电量,C'h(lh)为边际成本,是成本函数的一阶导数,ah,bh,ch分别是常系数,λh是时变效益系数。
5.一种用户的用电量优化模型,其特征在于,所述优化模型为:
其中,xn,h是h时刻用户n的用电需求量,是用户n在时刻h消耗xn,h电力获得的效用,ph是电价,Un(xn,h)为用户总的效用函数,xminn,h是用户n在时刻h的用电需求量下限,xmaxn,h是用户n在时刻h的用电需求量上限。
6.根据权利要求5所述的用户的用电量优化模型,其特征在于,所述的计算公式为:
其中,ωn,h是表示用户偏好的常数,θn对每个用户是确定的常数。
7.根据权利要求5所述的用户的用电量优化模型,其特征在于,所述电价ph在每个时刻h变化且在一个时刻内保持不变。
8.一种智能电网的实时需求响应方法,其特征在于,包括:
建立期望电力价格阈值模型并计算得到期望电力价格阈值,其中,pthn,h是用户n在时刻h的期望电力价格阈值,pave是过去一个时段H所有时刻的电力价格的平均值,α为大于0的常系数,用于表示已用电量对期望电力价格阈值的影响程度,xusedn,h为当前时段内已过去时刻用户n使用的总电量,xtotal n,h为用户计划的当前时段的总用电量;
根据如权利要求5至7中任一所述的用户的用电量优化模型,结合电力公司给出的当前时刻的电价计算最优用电需求量。
9.根据权利要求8所述的智能电网的实时需求响应方法,其特征在于,利用所述期望电力价格阈值模型,并结合电力公司给出的当前时刻的电价计算最优用电需求量,包括以下方式中的任一种:
方式1)直接比较电力公司价格和期望电力价格阈值;
方式2)把期望电力价格阈值的影响整合到用户的效用函数中。
10.根据权利要求9所述的智能电网的实时需求响应方法,其特征在于,对于所述方式1),用户n在时刻h用电需求量为:
11.根据权利要求9所述的智能电网的实时需求响应方法,其特征在于,对于所述方式2),把期望电力价格阈值的影响P(xn,h,pth n,h)加入到用户的效用函数中,得到更新后的效用函数为:
其中,xn,h是h时刻用户n的用电需求量,是用户n在时刻h消耗xn,h电力获得的效用,ph是电价。
12.根据权利要求11所述的智能电网的实时需求响应方法,其特征在于,所述P(xn,h,pth n,h)的实现方式如下:
P(xn,h,pth n,h)=μn,h(ph-pth n,h)·xn,h,μn,h<0
s.t.xminn,h≤xn,h≤xmaxn,h,
其中,xminn,h是用户n在时刻h的用电需求量下限,xmaxn,h是用户n在时刻h的用电需求量上限,μn,h是调节参数。
13.根据权利要求8所述的智能电网的实时需求响应方法,其特征在于,还包括迭代执行以下步骤:
在计算出最优用电需求量后告知电力公司;
当电力公司得到所有用户的用电需求量后,根据如权利要求1至3中任一所述的电力公司的产电量优化模型,计算出当前时刻的最优产电量;
电力公司根据所述最优产电量,利用如权利要求4所述的电力公司的定价模型,更新电力定价,并告知各用户;
各用户分别根据更新的电力定价更新自己的用电需求量,并把更新后的用电需求量告知电力公司。
14.根据权利要求13所述的智能电网的实时需求响应方法,其特征在于,当两次迭代之间所有用户的用电需求量都不改变时,认为此时各用户的用电需求量和电力电价都是最优的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320194.7A CN106971280A (zh) | 2017-05-09 | 2017-05-09 | 智能电网中公司和用户的实时优化模型和需求响应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320194.7A CN106971280A (zh) | 2017-05-09 | 2017-05-09 | 智能电网中公司和用户的实时优化模型和需求响应方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971280A true CN106971280A (zh) | 2017-07-21 |
Family
ID=59331518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710320194.7A Pending CN106971280A (zh) | 2017-05-09 | 2017-05-09 | 智能电网中公司和用户的实时优化模型和需求响应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971280A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107734696A (zh) * | 2017-11-06 | 2018-02-23 | 湖南大学 | 通信与能量调度交互方法及装置 |
CN111369108A (zh) * | 2020-02-20 | 2020-07-03 | 华中科技大学鄂州工业技术研究院 | 一种电网实时定价方法和装置 |
CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
CN112232858A (zh) * | 2020-09-29 | 2021-01-15 | 国网山东省电力公司冠县供电公司 | 一种电力市场绩效评测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617566A (zh) * | 2013-12-05 | 2014-03-05 | 中国能源建设集团广东省电力设计研究院 | 一种基于实时电价的智能用电系统 |
CN106230002A (zh) * | 2016-07-29 | 2016-12-14 | 上海市南变配电站服务有限公司 | 一种基于指数移动平均的空调负荷需求响应方法 |
-
2017
- 2017-05-09 CN CN201710320194.7A patent/CN106971280A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617566A (zh) * | 2013-12-05 | 2014-03-05 | 中国能源建设集团广东省电力设计研究院 | 一种基于实时电价的智能用电系统 |
CN106230002A (zh) * | 2016-07-29 | 2016-12-14 | 上海市南变配电站服务有限公司 | 一种基于指数移动平均的空调负荷需求响应方法 |
Non-Patent Citations (1)
Title |
---|
MENGMENG YU等: "Supply–demand balancing for power management in smart grid: A Stackelberg game approach", 《APPLIED ENERGY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107734696A (zh) * | 2017-11-06 | 2018-02-23 | 湖南大学 | 通信与能量调度交互方法及装置 |
CN107734696B (zh) * | 2017-11-06 | 2019-10-29 | 湖南大学 | 通信与能量调度交互方法及装置 |
CN111369108A (zh) * | 2020-02-20 | 2020-07-03 | 华中科技大学鄂州工业技术研究院 | 一种电网实时定价方法和装置 |
CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
CN112232858A (zh) * | 2020-09-29 | 2021-01-15 | 国网山东省电力公司冠县供电公司 | 一种电力市场绩效评测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Real-time renewable energy incentive system for electric vehicles using prioritization and cryptocurrency | |
Yu et al. | Supply–demand balancing for power management in smart grid: A Stackelberg game approach | |
Li et al. | Trading strategy and benefit optimization of load aggregators in integrated energy systems considering integrated demand response: A hierarchical Stackelberg game | |
Mediwaththe et al. | Game-theoretic electric vehicle charging management resilient to non-ideal user behavior | |
Wang et al. | Forecasting China's oil consumption: a comparison of novel nonlinear-dynamic grey model (GM), linear GM, nonlinear GM and metabolism GM | |
Xiao et al. | Prospect theoretic analysis of energy exchange among microgrids | |
US20180083482A1 (en) | Supply-demand balancing method and system for power management in smart grid | |
CN106971280A (zh) | 智能电网中公司和用户的实时优化模型和需求响应方法 | |
Radenković et al. | Assessing consumer readiness for participation in IoT-based demand response business models | |
CN105429218B (zh) | 一种电动汽车群有序充电管理的分布式控制方法 | |
Xiao et al. | A new energy storage sharing framework with regard to both storage capacity and power capacity | |
CN112467722A (zh) | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 | |
CN107104454A (zh) | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 | |
CN107565585B (zh) | 储能装置调峰回报时间预测方法及其模型创建方法 | |
CN106877339B (zh) | 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法 | |
CN105978016A (zh) | 一种基于最优潮流的多端柔性直流输电系统优化控制方法 | |
CN108321796A (zh) | 家庭能量管理系统与方法 | |
Khalkhali et al. | Novel residential energy demand management framework based on clustering approach in energy and performance-based regulation service markets | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
CN111047097A (zh) | 一种综合能源系统日中滚动优化方法 | |
CN106372752A (zh) | 一种变频空调热电池建模及其调度方法 | |
CN108808655A (zh) | 一种用于对电动汽车参与微网调频的经济性评估方法及系统 | |
CN109800927B (zh) | 双边电力市场环境下的配电网分布式优化方法 | |
Zhang et al. | A comprehensive model with fast solver for optimal energy scheduling in RTP environment | |
Cui et al. | Improved normal-boundary intersection algorithm: A method for energy optimization strategy in smart buildings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Lin Inventor after: Yang Zijian Inventor after: Zhou Shenyu Inventor before: Wang Lin Inventor before: Yang Zijian Inventor before: Zhou Kunyu |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170721 |