CN107994574B - 面向新能源消纳的集中式温控负荷侧需求响应的决策方法 - Google Patents

Abstract

本发明涉及一种面向新能源消纳的集中式温控负荷侧需求响应的决策方法，包括以下步骤：步骤1：计算集中式温控负荷某一时段的用电量和分布式新能源同一时段的发电量；步骤2：构建负荷侧需求响应模型，模型包括由用户电费构成的目标函数和包含负荷侧的实时功率、最大额定功率和实时温度的约束条件，以负荷用电量和新能源发电量作为待优化的初始数据；步骤3：采用遗传算法确定所述目标函数的最优解。本发明利用遗传算法对中集中式温控负荷何时使用系统内电以及经济性进行优化计算，保证了集中式温控负荷经济性，将电费降到最低，同时消纳新能源发电有利于提高电网的稳定性和经济运行水平。

Description

面向新能源消纳的集中式温控负荷侧需求响应的决策方法

技术领域

本发明属于电气工程有功调度领域，涉及面向新能源消纳的集中式温控负荷侧需求响应的决策方法。

背景技术

随着新能源接入电网规模日益增加，弃风、弃光现象也日益明显，造成了对新能源资源的浪费及电力系统资源的损失，并极大地限制了新能源的进一步发展。

同时，随着电力竞争市场的发展与完善，电力系统的利益主体逐步走向多元化，需求侧资源在竞争市场中的作用被重新认识———从垂直一体化的电力公司的负荷管理工具转变为与供应侧相对应的重要系统侧资源。

需求侧响应是指在不同市场化程度下，通过技术、经济、行政、法律等手段鼓励和引导用户主动改变常规用电方式、进行科学合理用电，以促进电力资源优化配置，保证电力系统安全、可靠、经济运行的管理工作。

需求侧响应的特点适应当前电力系统的发展要求，不仅促进电力市场的稳定运行，对整个电力工业和经济发展以及环保等方面都有着重要的战略作用，由此可见，需求侧响应的研究与实施有着重要的现实意义。

发明内容

本发明实施例提供一种面向新能源消纳的集中式温控负荷侧需求响应的决策方法，采用遗传算法将分布式发电出力、可控负荷用电量、电价等因素相结合向负荷给出建议，减少弃风弃光现象的出现，提高能源的利用率，还有效的改善生态环境。

本发明提供一种面向新能源消纳的集中式温控负荷侧需求响应的决策方法，包括以下步骤：

步骤1：计算集中式温控负荷某一时段的用电量和分布式新能源同一时段的发电量；

步骤2：构建负荷侧需求响应模型，模型包括由用户电费构成的目标函数和包含负荷侧的实时功率、最大额定功率和实时温度的约束条件，以负荷用电量和新能源发电量作为待优化的初始数据；

步骤3：采用遗传算法确定所述目标函数的最优解。

本发明提供的一种面向新能源消纳的集中式温控负荷侧需求响应的决策方法，采用数学建模对面向新能源消纳的集中式温控负荷侧需求响应进行优化处理，并采集获取实时分布式发电功率数据、中央空调和电加热干燥塔的相关数据。同时利用遗传算法对中央空调和电加热干燥塔何时使用系统内电以及经济性进行优化计算，保证了中央空调和电加热干燥塔负荷的经济性，将电费降到最低，同时消纳新能源发电有利于提高电网的稳定性和经济运行水平。通过给出这种面向新能源消纳的中央空调和电加热干燥塔负荷侧需求响应的决策支持，在保证用户用电和经济性的基础上，可以最大程度消纳新能源发电，具有很高的社会经济效益。

附图说明

图1是本发明的面向新能源消纳的集中式温控负荷侧需求响应的决策方法的流程图；

图2是本发明的决策方法中采用的遗传算法的优化流程图。

具体实施方式

如图1所示，本发明的一种面向新能源消纳的集中式温控负荷侧需求响应的决策方法，包括以下步骤：

步骤1：计算集中式温控负荷某一时段的用电量和分布式新能源同一时段的发电量；

步骤2：构建负荷侧需求响应模型，模型包括由用户电费构成的目标函数和包含负荷侧的实时功率、最大额定功率和实时温度的约束条件，以负荷用电量和新能源发电量作为待优化的初始数据；

步骤3：采用遗传算法确定所述目标函数的最优解。

所述步骤2中的构建的目标函数设为：

其中，minS₁为最低电费，G_z为负荷某一时段用电量，G_g为分布式新能源同一时段发电量，P_L为集中式温控负荷实时功率，P_N(t)分布式新能源的实时功率，k₁为系统电价，k₂为新能源电价，k₃为电网补偿负荷侧电价，满足k₁＞k₂＞k₃。

根据式(2)计算集中式温控负荷某一时段的用电量G_z：

根据式(3)计算分布式新能源同一时段的发电量G_g：

其中，Δt为某一时段时长，P_L为集中式温控负荷实时功率，P_N(t)分布式新能源的实时功率。

根据式(4)计算分布式新能源的实时功率：

P_N(t)＝P_NS(t)+P_NW(t) (4)

其中，P_NS(t)为光伏发电的实时功率，P_NW(t)为风力发电的实时功率。

采集获取光伏发电区域平均光照强度l_q，光伏电池板面积S，光伏发电区域平均温度T_q，光伏发电区域平均湿度h_q，入射光线与光伏电池板夹角θ，根据MPPT算法，可推算出光伏发电的实时功率为：

其中，m₁为温度影响因子，m₂为湿度影响因子，T为实时温度，h为实时湿度。

采集获取风力发电区域实时大气压强p_q，标准大气压强p_b，风机额定功率g_p，风机启动风速v₀，风机额定风速v₁，实时风速v_r，可推算出风力发电的实时功率为：

其中，n为大气压强影响因子。

具体实施时，集中式温控负荷可以为中央空调或电加热干燥塔；

实时例1：根据现场实证实据，中央空调系统适宜使用全局温度控制，全局温度控制是指改变空调作用区域的整体温度设定值。当室内环境温度在24～26℃时，人体将处于最舒适状态，以室温设定24℃最低为基础，空调设定温度每提升1℃，空调能耗降低大约8％。其中，降负荷功率计算公式(7)所示：

ΔP_t＝8％×P_air×ΔT (7)

其中，ΔP_t为降负荷功率，P_air为24℃室温下空调的最大额定功率，ΔT为下降温度值。

考虑到经济性的问题，构造主动负荷与分布式新能源配合程度指标D_tu，如下式所示：

其中，P_NR(t)为负荷逐时用电功率，P_NRE(t)为分布式发电逐时出力功率。

此外，中央空调能耗还受负荷率R_k影响，R_k定义如下：

其中，M_o为中央空调所处房屋面积总和，M_t为供冷面积总和。

当中央空调系统作为集中式温控负荷时，构造目标函数的约束条件为：

其中，P_air为24℃室温下空调的最大额定功率，T_air为实时室温，y₁为D_tu的上限，D_tu理论上越小越好，u₁为R_k的下限，u₂为R_k的上限。

实时例2：化工生产过程中，干燥塔是个能耗较大的设备，当电加热干燥塔作为集中式温控负荷时，构造目标函数的约束条件为：

其中，P_g为干燥塔最大工作功率，T_lg为干燥塔环境温度，η为干燥塔内的热效率，x₁为效率的下限值。

干燥塔内的热效率η满足下式：

其中，m为进入干燥塔热风质量，c为比热容，T₁为进风温度，T₂为出风绝对温度。

步骤3采用遗传算法确定所述目标函数的最优解，具体包括：

步骤3.1：初始化遗传算法的各个参数，并随机挑选有效个体组成初始种群P，个体为负荷用电量和新能源发电量组成的向量；

具体为，采用随机选择初始种群的方法，确定中央空调和电加热干燥塔负荷侧需求响应的目标函数即电费S₁解的个数X，采用实数编码，每个个体为一个实数向量，每代中目标函数解的交叉概率为δ_j，交叉概率在0和1之间选择，变异概率为δ_b，变异概率在0和1之间选择，根据目标函数解的个数随机挑选有效个体组成初始化种群P，遗传代数计算器初始化t→0。

步骤3.2：将所述目标函数的倒数作为适应度函数，计算种群中每个个体的适应度值；

将经过初始化的目标函数的解，即负荷用电量和新能源发电量组成的向量代入所述适应度函数，适应度值越大，个体越优，从而确定各个体的适应度值。

步骤3.3：利用遗传选择算子获取K组适应度值高的个体构成父代种群；

从旧群体中以一定概率选择优良个体组成新的种群，以繁殖下一代个体，个体被选中的概率跟适应度值有关，适应度值越大，被选中的概率越高，本发明实施中采用轮盘赌法，个体被选中的概率为：

其中，

表示个体的适应度函数，随机选取w个适应度值进行大小比较，将其中适应度值最大的那个遗传到下一代，将上述过程重复K次，就可得到下一代种群的K个个体。

步骤3.4：按交叉概率对所述父代种群中的个体进行交叉操作，生成子代种群；

交叉操作是指从种群中随机选择两个个体，通过基因的交换组合，把上一代的优秀特征遗传给下一代，从而产生新的优秀个体。比如我们随机选择了第K组和第一组进行交叉操作，生成了新的组合子代个体，那么我再将新的子代个体与上一代个体进行适应度值的大小比较，若新的子代个体的适应度值大于上一代个体，则说明新的组合小于上一代组合，则接受新子代个体为当前解。

步骤3.5：按变异概率对所述生成子代种群进行变异操作；

变异操作主要目的是为了维持种群多样性，变异操作从种群中随机选取一个个体，选择个体中的一点进行变异以产生更优秀的个体。

步骤3.6：返回所述步骤3.2，若种群中最优个体的适应度值连续若干次迭代没有增加或连续若干次迭代后种群中最优个体的适应度值的平均值没有增加，则停止迭代，输出最优个体，即所述目标函数的最优解。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，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 (6)

1.一种面向新能源消纳的集中式温控负荷侧需求响应的决策方法，其特征在于，包括以下步骤：

步骤1：计算集中式温控负荷某一时段的用电量和分布式新能源同一时段的发电量；

步骤2：构建负荷侧需求响应模型，模型包括由用户电费构成的目标函数和包含负荷侧的实时功率、最大额定功率和实时温度的约束条件，以负荷用电量和新能源发电量作为待优化的初始数据；

步骤3：采用遗传算法确定所述目标函数的最优解；

所述目标函数设定为：

其中，k₁为系统电价，k₂为新能源电价，k₃为电网补偿负荷侧电价，G_z为负荷某一时段用电量，G_g为分布式新能源同一时段发电量，P_L为集中式温控负荷实时功率，P_N(t)分布式新能源的实时功率；

所述集中式温控负荷为中央空调或电加热干燥塔；

(1)当集中式温控负荷为中央空调时，目标函数的约束条件为：

其中，P_air为24℃室温下空调的最大额定功率，T_air为实时室温，D_tu为主动负荷与分布式新能源配合程度指标，y₁为D_tu的上限，R_k为负荷率，u₁为R_k的下限，u₂为R_k的上限；

根据下式计算主动负荷与分布式新能源配合程度指标D_tu：

其中，P_NR(t)为负荷逐时用电功率，P_NRE(t)为分布式发电逐时出力功率；

根据下式计算负荷率R_k：

其中，M_o为中央空调所处房屋面积总和，M_t为供冷面积总和；

(2)当集中式温控负荷为电加热干燥塔时，目标函数的约束条件为：

其中，P_g为干燥塔最大工作功率，T_lg为干燥塔环境温度，η为干燥塔内的热效率，x₁为效率的下限值；

干燥塔内的热效率η满足下式：

其中，m为进入干燥塔热风质量，c为比热容，T₁为进风温度，T₂为出风绝对温度。

2.如权利要求1所述的面向新能源消纳的集中式温控负荷侧需求响应的决策方法，其特征在于，所述集中式温控负荷某一时段的用电量为：

所述分布式新能源同一时段的发电量为：

其中，Δt为某一时段时长,P_L为集中式温控负荷实时功率，P_N(t)分布式新能源的实时功率。

3.如权利要求1或2所述的面向新能源消纳的集中式温控负荷侧需求响应的决策方法，其特征在于，所述分布式新能源的实时功率为：

P_N(t)＝P_NS(t)+P_NW(t)

其中，P_NS(t)为光伏发电的实时功率，P_NW(t)为风力发电的实时功率。

4.如权利要求3所述的面向新能源消纳的集中式温控负荷侧需求响应的决策方法，其特征在于，所述光伏发电的实时功率为：

其中，l_q为光伏发电区域平均光照强度，S为光伏电池板面积，T_q为光伏发电区域平均温度，h_q为光伏发电区域平均湿度，θ为入射光线与光伏电池板夹角，m₁为温度影响因子，m₂为湿度影响因子，T为实时温度，h为实时湿度。

5.如权利要求3所述的面向新能源消纳的集中式温控负荷侧需求响应的决策方法，其特征在于，所述风力发电的实时功率为：

其中，n为大气压强影响因子，p_q为风力发电区域实时大气压强，p_b为标准大气压强，g_p为风机额定功率，v₀为风机启动风速，v₁为风机额定风速，v_r为实时风速。

6.如权利要求1所述的面向新能源消纳的集中式温控负荷侧需求响应的决策方法，所述步骤3包括：

步骤3.1：初始化遗传算法的各个参数，并随机挑选有效个体组成初始种群，个体为负荷用电量和新能源发电量组成的向量；

步骤3.2：将所述目标函数的倒数作为适应度函数，计算种群中每个个体的适应度值；

步骤3.3：利用遗传选择算子获取K组适应度值高的个体构成父代种群；

步骤3.4：按交叉概率对所述父代种群中的个体进行交叉操作，生成子代种群；

步骤3.5：按变异概率对所述生成子代种群进行变异操作；

步骤3.6：返回所述步骤3.2，若种群中最优个体的适应度值连续若干次迭代没有增加或连续若干次迭代后种群中最优个体的适应度值的平均值没有增加，则停止迭代，输出最优个体，即所述目标函数的最优解。

Images