CN107545364B - 激励型电力需求响应的用户响应策略优化方法 - Google Patents
激励型电力需求响应的用户响应策略优化方法 Download PDFInfo
- Publication number
- CN107545364B CN107545364B CN201710738345.0A CN201710738345A CN107545364B CN 107545364 B CN107545364 B CN 107545364B CN 201710738345 A CN201710738345 A CN 201710738345A CN 107545364 B CN107545364 B CN 107545364B
- Authority
- CN
- China
- Prior art keywords
- user
- response
- optimization
- users
- optimal
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005284 excitation Effects 0.000 title abstract description 12
- 238000011002 quantification Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 230000005611 electricity Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种激励型电力需求响应的用户响应策略优化方法,通过确认用户的资源参数;建立用户成本效益模型并设置目标函数;建立用户可靠性量化模型并设置目标函数;联立两个目标函数为多目标优化模型;采用多目标遗传算法NSGA‑II求解模型,获取用户响应策略的Pareto非劣解集和由用户利润和用户综合可靠性指标组成的优化结果集合;求取所有优化结果与构建的理想结果之间的归一化欧氏距离;按照归一化欧氏距离对优化结果排序,形成待评价集合,对于待评价集合中的优化结果采用熵权双基点法进行评价,最终获取用户最佳响应策略。本发明均衡了用户的经济性和可靠性,能够针对多元用户共同参与响应给出合理响应顺序,尤其适用于多元用户的响应策略优化。
Description
技术领域
本发明涉及电力需求响应的优化问题,具体涉及一种激励型电力需求响应的用户响应策略优化方法,属于电气工程领域。
技术背景
随着近年来能源危机的出现,依托智能电网的快速发展,需求响应项目越来越受到人们的关注,目前已在我国部分城市试点。作为需求侧管理的重要举措,激励型需求响应在优化供需平衡和电力资源配置等方面具有重要的作用。此外,负荷聚合商的出现,为具有不同用电特性的中小型多元用户提供了参与市场调控的机会,充分挖掘了用户侧资源的调度潜力。由于需求响应技术的研究尚不成熟,需求响应项目中各主体的优化问题凸显,用户侧参与响应项目的最佳响应策略是其中一种亟待研究的优化问题。
目前研究用户侧的最佳响应策略方法,多是以上层电网侧经济利益和系统可靠性为优化目标,部分研究考虑了用户的舒适度情况。传统的电力用户可靠性指标不能反映参与需求响应对用户可靠性的影响,若可靠性影响未被量化,会导致用户无法直观认识参与响应项目对自身的可靠性影响。若用户侧的最佳响应策略的研究未能考虑用户可靠性,可能导致用户的经济性和可靠性不均衡。此外,多元用户的共同参与使得负荷聚合商存在合理安排用户响应顺序的难题。
发明内容
本发明是为避免上述现有技术所存在的不足,提供一种激励型电力需求响应的用户响应策略优化方法,其给出用户可靠性量化指标以使用户直观认识参与响应对自身的可靠性影响;其求解结果均衡用户的经济性和可靠性;其基于多种单一用户的优化给出多元用户共同参与响应时的合理响应顺序,更适用于多元用户共同参与激励型需求响应趋势下的响应策略优化。
本发明为解决技术问题采用如下技术方案:
本发明激励型电力需求响应的用户响应策略优化方法的特点是:所述激励型电力需求响应的参与用户是在负荷聚合商的统一管理下,参与方式为可中断负荷的方式和直接负荷控制,以用户参与项目运行一年计,优化目标是获取电力用户的最佳响应策略,所述最佳响应策略为最优响应容量和最优响应持续时间,所述激励型电力需求响应的用户策略优化方法是按如下步骤进行:
步骤1、确认该类用户的资源参数,所述资源参数包括可调容量上限、响应速度、提前通知时间、最大响应持续时间、运行管理费、系统维护费用、行业电价和预期响应次数;
步骤2、根据用户参与激励型需求响应项目的成本C和收益B建立用户成本效益模型如式(1):W=B-C (1),
式(1)中,W为用户利润,设置用户成本效益模型的目标函数maxW为最大化用户利润W;
步骤3、根据用户参与激励型需求响应项目对自身可靠性的影响,建立用户可靠性量化模型,设置所述可靠性量化模型的目标函数maxR为响应时段中最大化用户综合可靠性指标R;
步骤4、将所述目标函数maxW和目标函数maxR联立为多目标优化模型,所述多目标优化模型是以用户利润W和用户综合可靠性指标R的最大化为目标;
步骤5、对于该类用户,利用步骤1中所述资源参数,并采用多目标优化遗传算法NSGA-II,求解步骤4中所述多目标优化模型,得到用户响应策略的Pareto非劣解集,所述Pareto非劣解集中每个解对应一组由用户利润和用户综合可靠性指标组成的优化结果(Wi,Ri),以i表示所述Pareto非劣解集中解的序数,且i也是优化结果的序数,i的初始值为1;
步骤6、在所有优化结果(Wi,Ri)中选取用户利润最大值Wmax和用户综合可靠性指标最大值Rmax,并以此构建理想结果(Wmax,Rmax),求取所有优化结果(Wi,Ri)与理想结果(Wmax,Rmax)之间的归一化欧氏距离Di;
步骤7、对于所有优化结果(Wi,Ri)按照归一化欧氏距离Di由小到大排序,选取前m个优化结果(Wi,Ri)组成待评价集合S,针对所述待评价集合S中的每个优化结果采用熵权双基点法进行评价,选取评价结果最佳的优化结果作为最佳优化结果(Wbest,Rbest),所述最佳优化结果包括用户利润最优值Wbest和用户综合可靠性指标最优值Rbest,所述最佳优化结果对应的所述Pareto非劣解集中的解作为所述多目标优化模型的最优解,所述最优解为最优响应容量xbest和最优响应持续时间tbest。
本发明激励型电力需求响应的用户响应策略优化方法的特点也在于:按如下过程建立步骤2中成本效益模型:
步骤a、用户参与激励型需求响应项目的成本C为:
C=Cyx+Cwh (2),
式(2)中,Cyx为用户参与激励型需求响应项目缴纳的运行管理费;Cwh为用户缴纳的系统维护费用;
步骤b、用户参与激励型需求响应项目的收益B为:
式(3)中,T为用户预期响应次数,Bbt为负荷聚合商支付给用户的前期补贴;p为用户的行业电价;bn、xn、tn依次为用户参与激励型需求响应项目第n次的响应补偿、响应容量及响应持续时间;
步骤c、所述响应补偿综合考虑用户的可调特性,所述可调特性包括响应容量、响应持续时间、响应速度和提前通知时间,所述响应补偿计算公式如式(4):
式(4)中,a1和a2分别为通过用户提前通知时间和响应速度确定的系数;k1和k2均为通过用户类型确定的缺电成本系数。
本发明激励型电力需求响应的用户响应策略优化方法的特点也在于:按如下方式建立步骤3中用户可靠性量化模型:
从容量可用情况描述用户可靠性,响应时段的用户平均容量可用率Ax由式(5)表示:
式(5)中,Ln是用户响应时段的基线负荷,所述基线负荷是指假定用户未参与第n次需求响应项目时的负荷数据预测值;对于采用直接负荷控制方式的用户,α为负荷受控占空比,对于可中断负荷,α=1;
从限电时间角度描述用户可靠性,响应时段的用户平均不限电率At为用户在参与响应的一个统计周期内,用户用电不受限制的总时间占该统计周期总时间的比值,由式(6)表示:
式(6)中,K为一个统计周期内用户参与响应的自然天数,设定统计周期为1年;
则,响应时段的用户综合可靠性指标R由式(7)表示:
R=λAx+(1-λ)At (7),
式(7)中,λ为用户平均容量可用率在用户综合可靠性指标中的权重,0≤λ≤1。
本发明激励型电力需求响应的用户响应策略优化方法的特点也在于:将多目标优化模型描述为式(8):
并且:W≥wmin,R≥rmin,xmin≤xn≤xmax,tmin≤tn≤tmax;
wmin为用户的利润心理最小期望值;rmin为用户的最低综合可靠性指标要求;xmax和xmin分别为用户响应容量的上限值和下限值;tmax和tmin分别为用户的响应持续时间上限值和下限值。
本发明激励型电力需求响应的用户响应策略优化方法的特点也在于:所述归一化欧氏距离Di的计算公式如式(9)所示:
式(9)中,Wi和Ri为所述第i个优化结果中的用户利润和用户综合可靠性指标,Wmin和Rmin为所有优化结果中用户利润最小值和用户综合可靠性指标最小值。
本发明激励型电力需求响应的用户响应策略优化方法的特点也在于:针对多元用户共同参与响应的情况,将各类用户分别按照步骤1至步骤7求解得到各类用户自身的最优解,所述多元用户是指参与需求响应的包含工业、商业和居民负荷的多元电力用户;负荷聚合商在决定各类用户参与响应的顺序时,按照以下步骤进行:
步骤a、根据各类用户的最优响应容量xbest和最优响应持续时间tbest、用户预期响应次数T以及最佳优化结果(Wbest,Rbest)中的Wbest,采用式(10)分别求取各类用户的单位响应电量的价格U:
步骤b、将所述各类用户的单位响应电量的价格U按照从小到大排序,序号越小则该类用户的响应优先级越高;
步骤c、各类用户根据响应优先级确定参与响应的顺序,响应优先级最高的用户首先参与响应,在响应需求容量仍然不足或已响应用户退出响应时,优先级次之的用户随之参与响应。
与已有技术相比,本发明有益效果体现在:
1、本发明通过建立用户受需求响应影响的可靠性量化模型,为用户提供了直观认识参与响应对自身可靠性影响的途径。
2、本发明建立了考虑用户经济性和可靠性的响应策略多目标优化模型,并通过求解该多目标优化模型获得用户最佳响应策略,该最佳响应策略的实施可以均衡用户经济性与可靠性,弥补了现有激励型需求响应策略优化过程中,未考虑参与需求响应对用户可靠性的影响的不足。
3、本发明通过求取用户的单位响应电量的价格,给出了多元用户共同参与时的合理响应顺序,方便负荷聚合商做出决策。
4、本发明的方法通用性较强,提出的优化模型可分别对不同类型用户优化而非局限于单一用户,更加适用于当前多元用户共同参与的激励型需求响应项目。
附图说明
图1为本发明方法的基本流程图;
图2为按本发明方法以工业用户求解为例的Pareto优化结果曲线图,其中曲线L为Pareto优化结果曲线,点Q为构建的理想结果;
图3为应用于本发明方法中的NSGA-II的算法流程。
具体实施方式
本实施例中激励型电力需求响应的参与用户是在负荷聚合商的统一管理下,参与方式为可中断负荷的方式和直接负荷控制,以用户参与项目运行一年计,优化目标是获取电力用户的最佳响应策略,最佳响应策略为最优响应容量和最优响应持续时间。
参见图1,本实施例中激励型电力需求响应的用户策略优化方法是按如下步骤进行:
步骤1、确认该类用户的资源参数,资源参数包括可调容量上限、响应速度、提前通知时间、最大响应持续时间、运行管理费、系统维护费用、行业电价和预期响应次数。
步骤2、根据用户参与激励型需求响应项目的成本C和收益B建立用户成本效益模型如式(1):
W=B-C (1),
式(1)中,W为用户利润,设置用户成本效益模型的目标函数maxW为最大化用户利润W。
步骤3、根据用户参与激励型需求响应项目对自身可靠性的影响,建立用户可靠性量化模型,设置可靠性量化模型的目标函数maxR为响应时段中最大化用户综合可靠性指标R。
步骤4、将目标函数maxW和目标函数maxR联立为多目标优化模型,多目标优化模型是以用户利润W和用户综合可靠性指标R的最大化为目标。
步骤5、对于该类用户,利用步骤1中资源参数,并采用多目标优化遗传算法NSGA-II,求解步骤4中多目标优化模型,得到用户响应策略的Pareto非劣解集,Pareto非劣解集中每个解对应一组由用户利润和用户综合可靠性指标组成的优化结果(Wi,Ri),以i表示Pareto非劣解集中解的序数,且i也是优化结果的序数,i的初始值为1。
步骤6、在所有优化结果(Wi,Ri)中选取用户利润最大值Wmax和用户综合可靠性指标最大值Rmax,并以此构建理想结果(Wmax,Rmax),求取所有优化结果(Wi,Ri)与理想结果(Wmax,Rmax)之间的归一化欧氏距离Di。
步骤7、对于所有优化结果(Wi,Ri)按照归一化欧氏距离Di由小到大排序,选取前m个优化结果(Wi,Ri)组成待评价集合S,针对待评价集合S中的每个优化结果采用熵权双基点法进行评价,选取评价结果最佳的优化结果作为最佳优化结果(Wbest,Rbest),最佳优化结果包括用户利润最优值Wbest和用户综合可靠性指标最优值Rbest,最佳优化结果对应的Pareto非劣解集中的解作为多目标优化模型的最优解,最优解为最优响应容量xbest和最优响应持续时间tbest。
本实施例中按如下过程建立步骤2中成本效益模型:
步骤a、用户参与激励型需求响应项目的成本C为:
C=Cyx+Cwh (2),
式(2)中,Cyx为用户参与激励型需求响应项目缴纳的运行管理费;Cwh为用户缴纳的系统维护费用;
步骤b、用户参与激励型需求响应项目的收益B为:
式(3)中,T为用户预期响应次数,Bbt为负荷聚合商支付给用户的前期补贴;p为用户的行业电价;bn、xn、tn依次为用户参与激励型需求响应项目第n次的响应补偿、响应容量及响应持续时间。
步骤c、响应补偿综合考虑用户的可调特性,可调特性包括响应容量、响应持续时间、响应速度和提前通知时间,响应补偿计算公式如式(4):
式(4)中,a1和a2分别为通过用户提前通知时间和响应速度确定的系数;k1和k2均为通过用户类型确定的缺电成本系数;
系数a1是根据负荷聚合商与该类用户确定的提前通知时间ttz进行取值,ttz越小a1取值越大;系数a2是根据该类用户的响应速度的快慢tsd进行取值,tsd越小a2取值越大,本实施例中采用如下取值方案:
系数k1和k2是根据不同类型的用户缺电成本进行取值,缺电成本高则取值大,本实施例中采用表1所示的取值方案:
表1缺电成本系数的取值方案
本实施例中按如下方式建立步骤3中用户可靠性量化模型:
从容量可用情况描述用户可靠性,响应时段的用户平均容量可用率Ax由式(5)表示:
式(5)中,Ln是用户响应时段的基线负荷,基线负荷是指假定用户未参与第n次需求响应项目时的负荷数据预测值;对于采用直接负荷控制方式的用户,α为负荷受控占空比,对于可中断负荷,α=1;直接负荷控制是以温控类负荷为主,温控类负荷是指通过控制温度设定值达到控制用电量目的的负荷,典型温控类负荷为空调,温控类负荷是商业和居民用户的主要响应负荷,可中断负荷是指接受响应通知后自行中断全部或部分负荷的用户,可中断负荷的方式是工业用户的主要响应手段;本实施例中对于商业和居民用户α取值为0.8,对于工业用户α取值为1。
从限电时间角度描述用户可靠性,响应时段的用户平均不限电率At为用户在参与响应的一个统计周期内,用户用电不受限制的总时间占该统计周期总时间的比值,由式(6)表示:
式(6)中,K为一个统计周期内用户参与响应的自然天数,设定统计周期为1年;
则,响应时段的用户综合可靠性指标R由式(7)表示:
R=λAx+(1-λ)At (7),
式(7)中,λ为用户平均容量可用率在用户综合可靠性指标中的权重,0≤λ≤1,λ的值是由用户所提供,λ越大表示用户希望响应时段的可用容量越大越好,越小表示用户希望用电受限制的时间越短越好,本实施例中取为λ=0.5。
本实施例中将多目标优化模型描述为式(8):
并且:W≥wmin,R≥rmin,xmin≤xn≤xmax,tmin≤tn≤tmax;
wmin为用户的利润心理最小期望值;rmin为用户的最低综合可靠性指标要求;xmax和xmin分别为用户响应容量的上限值和下限值;tmax和tmin分别为用户的响应持续时间上限值和下限值。具体实施中,wmin取为0;rmin取为0.9;xmax即为用户的可调容量上限,xmin取为0;tmax即为用户的最大响应持续时间,tmin取为0。
归一化欧氏距离Di的计算公式如式(9)所示:
式(9)中,Wi和Ri为第i个优化结果中的用户利润和用户综合可靠性指标,Wmin和Rmin为所有优化结果中用户利润最小值和用户综合可靠性指标最小值。
针对多元用户共同参与响应的情况,将各类用户分别按照步骤1至步骤7求解得到各类用户自身的最优解,多元用户是指参与需求响应的包含工业、商业和居民负荷的多元电力用户;负荷聚合商在决定各类用户参与响应的顺序时,按照以下步骤进行:
步骤a、根据各类用户的最优响应容量xbest、最优响应持续时间tbest、用户预期响应次数T以及最佳优化结果(Wbest,Rbest)中的Wbest,采用式(10)分别求取各类用户的单位响应电量的价格U:
步骤b、将各类用户的单位响应电量的价格U按照从小到大排序,序号越小则该类用户的响应优先级越高;
步骤c、各类用户根据响应优先级确定参与响应的顺序,响应优先级最高的用户首先参与响应,在响应需求容量仍然不足或已响应用户退出响应时,优先级次之的用户随之参与响应。
以中小型工业、商业和居民三类典型多元用户为例,已知各类用户资源参数如表2所示:
表2各类用户的资源参数
在参与激励型需求响应前期,三类用户均受到项目补贴1万元/年;工业用户的基线负荷为20MW,商业用户和居民用户的基线负荷均为15MW。
表3给出了优化前的用户响应策略及对应用户利润和可靠性相关指标,该策略的响应补偿依据我国上海地区的统一补偿标准:1000元/(MW·h),且该策略仅考虑了用户利润最大化。
表3优化前的多元用户策略及用户利润和可靠性指标
以工业用户的求解过程为例,采用多目标优化遗传算法NSGA-II求解工业用户的多目标优化模型得到Pareto优化结果曲线,参见图2,NSGA-II的具体算法流程参见图3。按照与理想结果之间的归一化欧氏距离排序,此处选取排序前9的优化结果形成待评价集合S,再针对S中的每个优化结果使用熵权双基点法进行评价,其结果如表4。
表4工业用户优化结果的熵权双基点法评价结果
根据表4中的熵权双基点法评价结果,以评价结果的值最大为依据,选取编号为7的优化结果作为最佳优化结果。
按同样的方法,分别针对商业用户和居民用户求解,所得多元用户最优解及优化结果如表5所示:
表5多元用户最优解及优化结果
从表3和表5可以看出,各类用户均可通过指标Ax、At和R的具体数值直观地认识参与激励型需求响应对自身可靠性的影响,方便了用户获取自身可靠性的相关信息。同时通过对比表3和表5,虽然经过优化求解之后得到的用户利润有所下降,但可以看出:优化前的可靠性相关指标均较低,其中指标Ax和R甚至出现了多个低于0.9的情况,可见按照优化前的用户策略参与响应,对用户带来了严重的用电可靠性影响,而优化后的指标Ax、At和R均大于0.9,用户的可靠性得到明显提升,可见通过本发明提出的方法可以达到用户经济性与可靠性的均衡。
在表5的基础上,表6给出了工业、商业和居民用户的单位响应电量的价格及各自的响应优先级。
表6各类用户单位响应电量的价格及用户响应优先级
由表6可以看出,当多元用户(包含工业、商业和居民)共同参与激励型需求响应时,负荷聚合商应优先安排商业用户参与响应,其次为居民用户,最后为工业用户,从而使负荷聚合商的支出尽可能少。
Claims (4)
1.激励型电力需求响应的用户响应策略优化方法,其特征是:所述激励型电力需求响应的参与用户是在负荷聚合商的统一管理下,参与方式为可中断负荷的方式和直接负荷控制,以用户参与项目运行一年计,优化目标是获取电力用户的最佳响应策略,所述最佳响应策略为最优响应容量和最优响应持续时间,所述激励型电力需求响应的用户策略优化方法是按如下步骤进行:
步骤1、确认该类用户的资源参数,所述资源参数包括可调容量上限、响应速度、提前通知时间、最大响应持续时间、运行管理费、系统维护费用、行业电价和预期响应次数;
步骤2、根据用户参与激励型需求响应项目的成本C和收益B建立用户成本效益模型如式(1):W=B-C (1)
式(1)中,W为用户利润,设置用户成本效益模型的目标函数maxW为最大化用户利润W;
步骤3、根据用户参与激励型需求响应项目对自身可靠性的影响,建立用户可靠性量化模型,设置所述可靠性量化模型的目标函数maxR为响应时段中最大化用户综合可靠性指标R;
步骤4、将所述目标函数maxW和目标函数maxR联立为多目标优化模型,所述多目标优化模型是以用户利润W和用户综合可靠性指标R的最大化为目标;
步骤5、对于该类用户,利用步骤1中所述资源参数,并采用多目标优化遗传算法NSGA-II,求解步骤4中所述多目标优化模型,得到用户响应策略的Pareto非劣解集,所述Pareto非劣解集中每个解对应一组由用户利润和用户综合可靠性指标组成的优化结果(Wi,Ri),以i表示所述Pareto非劣解集中解的序数,且i也是优化结果的序数,i的初始值为1;
步骤6、在所有优化结果(Wi,Ri)中选取用户利润最大值Wmax和用户综合可靠性指标最大值Rmax,并以此构建理想结果(Wmax,Rmax),求取所有优化结果(Wi,Ri)与理想结果(Wmax,Rmax)之间的归一化欧氏距离Di;
步骤7、对于所有优化结果(Wi,Ri)按照归一化欧氏距离Di由小到大排序,选取前m个优化结果(Wi,Ri)组成待评价集合S,针对所述待评价集合S中的每个优化结果采用熵权双基点法进行评价,选取评价结果最佳的优化结果作为最佳优化结果(Wbest,Rbest),所述最佳优化结果包括用户利润最优值Wbest和用户综合可靠性指标最优值Rbest,所述最佳优化结果对应的所述Pareto非劣解集中的解作为所述多目标优化模型的最优解,所述最优解为最优响应容量xbest和最优响应持续时间tbest;
按如下过程建立步骤2中成本效益模型:
步骤a、用户参与激励型需求响应项目的成本C为:
C=Cyx+Cwh (2)
式(2)中,Cyx为用户参与激励型需求响应项目缴纳的运行管理费;Cwh为用户缴纳的系统维护费用;
步骤b、用户参与激励型需求响应项目的收益B为:
式(3)中,T为用户预期响应次数,Bbt为负荷聚合商支付给用户的前期补贴;p为用户的行业电价;bn、xn、tn依次为用户参与激励型需求响应项目第n次的响应补偿、响应容量及响应持续时间;
步骤c、所述响应补偿综合考虑用户的可调特性,所述可调特性包括响应容量、响应持续时间、响应速度和提前通知时间,所述响应补偿计算公式如式(4):
式(4)中,a1和a2分别为通过用户提前通知时间和响应速度确定的系数;k1和k2均为通过用户类型确定的缺电成本系数;
按如下方式建立步骤3中用户可靠性量化模型:
从容量可用情况描述用户可靠性,响应时段的用户平均容量可用率Ax由式(5)表示:
式(5)中,Ln是用户响应时段的基线负荷,所述基线负荷是指假定用户未参与第n次需求响应项目时的负荷数据预测值;对于采用直接负荷控制方式的用户,α为负荷受控占空比,对于可中断负荷,α=1;
从限电时间角度描述用户可靠性,响应时段的用户平均不限电率At为用户在参与响应的一个统计周期内,用户用电不受限制的总时间占该统计周期总时间的比值,由式(6)表示:
式(6)中,K为一个统计周期内用户参与响应的自然天数,设定统计周期为1年;
则,响应时段的用户综合可靠性指标R由式(7)表示:
R=λAx+(1-λ)At (7)
式(7)中,λ为用户平均容量可用率在用户综合可靠性指标中的权重,0≤λ≤1。
4.根据权利要求1、2或3所述的激励型电力需求响应的用户响应策略优化方法,其特征是:针对多元用户共同参与响应的情况,将各类用户分别按照步骤1至步骤7求解得到各类用户自身的最优解,所述多元用户是指参与需求响应的包含工业、商业和居民负荷的多元电力用户;负荷聚合商在决定各类用户参与响应的顺序时,按照以下步骤进行:
步骤a、根据各类用户的最优响应容量xbest和最优响应持续时间tbest、用户预期响应次数T以及最佳优化结果(Wbest,Rbest)中的Wbest,采用式(10)分别求取各类用户的单位响应电量的价格U:
步骤b、将所述各类用户的单位响应电量的价格U按照从小到大排序,序号越小则该类用户的响应优先级越高;
步骤c、各类用户根据响应优先级确定参与响应的顺序,响应优先级最高的用户首先参与响应,在响应需求容量仍然不足或已响应用户退出响应时,优先级次之的用户随之参与响应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710738345.0A CN107545364B (zh) | 2017-08-25 | 2017-08-25 | 激励型电力需求响应的用户响应策略优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710738345.0A CN107545364B (zh) | 2017-08-25 | 2017-08-25 | 激励型电力需求响应的用户响应策略优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107545364A CN107545364A (zh) | 2018-01-05 |
CN107545364B true CN107545364B (zh) | 2020-08-07 |
Family
ID=60958940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710738345.0A Active CN107545364B (zh) | 2017-08-25 | 2017-08-25 | 激励型电力需求响应的用户响应策略优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545364B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109243547B (zh) * | 2018-07-09 | 2021-07-06 | 河海大学 | 一种空调负荷群需求响应潜力定量评估方法 |
CN109167350B (zh) * | 2018-09-04 | 2020-11-06 | 南方电网科学研究院有限责任公司 | 一种工业负荷响应模型的构建方法 |
CN110413231A (zh) * | 2019-07-16 | 2019-11-05 | 东华大学 | 一种多云环境下低成本高可用性的数据优化存储方法 |
CN111178581B (zh) * | 2019-11-28 | 2024-01-05 | 北京国电通网络技术有限公司 | 一种电力需求响应分配方法及装置 |
CN111244946B (zh) * | 2020-02-18 | 2021-11-09 | 国网江苏省电力有限公司 | 一种自备电厂发用电资源的调控方法和装置 |
CN111723456A (zh) * | 2020-05-08 | 2020-09-29 | 华南理工大学 | 一种基于nsga-ⅱ算法的中央空调系统能效优化方法 |
CN112556109B (zh) * | 2020-11-25 | 2022-07-12 | 国网上海市电力公司 | 一种基于全局温度调整的中央空调需求响应方案优化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712005A (zh) * | 2017-01-11 | 2017-05-24 | 东南大学 | 一种计及需求响应的电网安全优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140081704A1 (en) * | 2012-09-15 | 2014-03-20 | Honeywell International Inc. | Decision support system based on energy markets |
-
2017
- 2017-08-25 CN CN201710738345.0A patent/CN107545364B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712005A (zh) * | 2017-01-11 | 2017-05-24 | 东南大学 | 一种计及需求响应的电网安全优化调度方法 |
Non-Patent Citations (2)
Title |
---|
考虑用户可靠性的可中断负荷管理;刘国春 等;《上海大学学报(自然科学版)》;20090228;第15卷(第1期);正文第81-83页 * |
计及激励型需求响应的微电网可靠性分析;周宝荣 等;《电力系统自动化》;20170710;第41卷(第13期);第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107545364A (zh) | 2018-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545364B (zh) | 激励型电力需求响应的用户响应策略优化方法 | |
Samadi et al. | Advanced demand side management for the future smart grid using mechanism design | |
CN106846179B (zh) | 一种基于非合作博弈的居民负荷双层调度优化方法 | |
CN110728410A (zh) | 一种计及需求响应灵活性和不确定性的负荷聚合商经济调度方法 | |
Ahmadi et al. | Optimizing load control in a collaborative residential microgrid environment | |
Agnetis et al. | Optimization models for consumer flexibility aggregation in smart grids: The ADDRESS approach | |
CN103208085B (zh) | 企业用电提高负荷率与降低最大需量的分析智能系统 | |
CN107194514B (zh) | 一种针对风电功率预测误差的需求响应多时间尺度调度方法 | |
CN107194502B (zh) | 一种居民用户电力负荷预测方法 | |
CN103532157A (zh) | 一种针对融入储能设备的电网系统电能调度方法 | |
Mondal et al. | DEMANDS: Distributed energy management using noncooperative scheduling in smart grid | |
CN107341562A (zh) | 一种融合需求响应的楼宇能源管理系统及能源管理方法 | |
CN104408663A (zh) | 智能电网用户需求响应调度系统及方法 | |
Chakraborty et al. | Distributed control of flexible demand using proportional allocation mechanism in a smart grid: Game theoretic interaction and price of anarchy | |
Alshehri et al. | A Stackelberg game for multi-period demand response management in the smart grid | |
Wu et al. | Hierarchical hybrid multi-agent deep reinforcement learning for peer-to-peer energy trading among multiple heterogeneous microgrids | |
Liu et al. | A Bayesian game approach for demand response management considering incomplete information | |
Fernandes et al. | Near real-time management of appliances, distributed generation and electric vehicles for demand response participation | |
CN108062721B (zh) | 工业园区综合能源系统收益分配方法、装置和系统 | |
Yue et al. | Dual-pricing policy for controller-side strategies in demand side management | |
CN113052719A (zh) | 一种考虑需求响应的数据中心数据服务定价方法及装置 | |
Bandyopadhyay et al. | Energetic potential for demand response in detached single family homes in Austin, TX | |
Liu et al. | Market for multi-dimensional flexibility with parametric demand response bidding | |
AlSkaif et al. | A reputation-based centralized energy allocation mechanism for microgrids | |
Xiang et al. | Day-ahead probabilistic forecasting of smart households’ demand response capacity under incentive-based demand response program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |