CN108599144A - 一种提高电力系统新能源利用率且最小化发电成本的方法 - Google Patents

Abstract

一种提高电力系统新能源利用率且最小化发电成本的方法。其鉴于激励型需求响应能够激励用户调整用电方式，积极参与削减负荷，根据用户削减负荷情况设计了一种直接负荷控制模型，同时为了使需求响应效果更好，考虑了用户满意度问题，设计了用户满意度函数，结合储能设备模型，通过构建了联合优化调度模型，利用相应的多目标粒子群优化算法，得到系统经济成本最低和最大化新能源的利用率。本发明提高了电网对新能源的利用效率，改善风力发电、光伏发电的反负荷调节特性，提高了电力系统的安全稳定性。考虑用户满意度后，需求响应实施力度增大，使负荷曲线与新能源发电曲线更为贴合。

Description

一种提高电力系统新能源利用率且最小化发电成本的方法

技术领域

本发明属于电力系统源网荷调度优化技术领域，具体涉及一种提高电力系统新能源利用率且最小化发电成本的方法。

背景技术

随着新能源发电的规模化并网应用，传统电网正在逐步向着新能源电力系统方向演变，并对其运行控制带来显著的影响。由于风电、光伏等新能源发电出力的不稳定性，要提高电力系统的安全可靠性，可将需求侧响应和储能技术纳入发电调度优化，以提高电网对新能源的利用效率，实现源荷互动与协同优化。

需求响应(DR)分为价格型DR和激励型DR。对于分时电价、实时电价和尖峰电价等价格型DR项目而言，由于相关控制信号大多以“小时级”作为控制周期，负荷无法及时根据新能源的出力情况做出响应，因此对于解决因新能源发电短时剧烈波动造成的并网难问题的帮助不大。而激励型DR属于一种直接控制方式，通过直接管理负荷的用电活动使其能够快速、可靠、精确地响应系统信号，追踪并匹配新能源出力。虽已有多篇文章提出在源网荷优化调度中实施激励型DR，但对新能源发电的反负荷调节特性的改善情况需要进一步加强。

目前只是将需求响应考虑到电力系统的调度优化中，但没有考虑用户满意度问题，即没有考虑需求响应的实施情况及用户的参与力度。

目前弃风弃光问题较为严重，需要加快优化电源结构与布局、多渠道拓展可再生能源电力本地消纳，使新能源发电尽可能地自发自用。

发明内容

为了解决上述问题，本发明的目的在于提供一种提高电力系统新能源利用率且最小化发电成本的方法。

为了达到上述目的，本发明提供的提高电力系统新能源利用率且最小化发电成本的方法包括按顺序进行的下列步骤：

步骤1：根据用户负荷消减情况建立直接负荷控制模型，并获得需求响应的成本；

步骤2：建立用户满意度函数，并计算出用户满意度；

步骤3：根据荷电状态建立储能系统模型，并获得调用储能成本；

步骤4：在步骤1获得的需求响应的成本、步骤2获得的用户满意度以及步骤3获得的调用储能成本基础上建立联合优化调度模型，以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数，并设定目标函数的约束条件；

步骤5：利用多目标粒子群算法对步骤4获得的目标函数进行求解，得到最优解。

在步骤1中，所述的根据用户负荷消减情况建立直接负荷控制模型，并获得需求响应的成本的方法是：

设定削减负荷的基本电价补偿率δ₀是统一的，δ₀∈(0,1)，定义用户的实际电价补偿率δ_k为：

C_DLC(x)＝0.55arctanh(x)+1

其中，C_DLC是根据用户削减负荷的多少计算出的差别补偿费率，Q_it为实行直接负荷控制前t时段用户i的原用电负荷，Q′_it为实行直接负荷控制后t时段用户i的用电负荷，δ_k为t时段用户i的实际削减负荷电价补偿率；

供电商提供的中断补偿费用，即一天需求响应的成本为：

其中，P_t为t时段的电价，ΔQ_it为t时段削减的负荷，当用户在t时段削减负荷时，ΔQ_it＝Q_it-Q′_it，当用户在t时段没有削减负荷时，ΔQ_it取0；n为参与直接负荷控制项目的用户数，总的研究时段T为24小时。

在步骤2中，所述的建立用户满意度函数，并计算出用户满意度的方法是：

用户满意度函数包括用户用电方式满意度函数和用户电费支出满意度函数；

利用下式的用户用电方式满意度函数计算出用户用电方式满意度S_way为：

S_itway是用户i在t时段的用电方式满意度，S_iway是用户i的用电方式满意度；

利用下式的用户电费支出满意度函数计算出用户电费支出满意度S_pay为：

S_ipay是用户i的电费支出满意度；

最后利用下式的用户满意度函数计算出用户满意度S_user为：

S_user＝w₁S_way+w₂S_pay

其中，w₁和w₂分别为用户用电方式满意度和电费支出满意度的权重，且w₁+w₂＝1。

在步骤3中，所述的根据荷电状态建立储能系统模型，并获得调用储能成本的方法是：

在工作过程中，蓄电池储能系统(BESS)的存储电量由荷电状态值(SOC)衡量，t时段蓄电池的荷电状态值S_SOC(t)与t-1时段的荷电状态值S_SOC(t-1)及本时段蓄电池储能系统的储能功率相关，可表示为：

E_BESS(t)为t时段内蓄电池储能系统充放电电量，为正时表示放电，为负时表示充电，设储能系统的充放电效率为η，E_E2Gt为t时段的储能放电功率，E_G2Et为t时段的储能充电功率，那么E_BESS(t)＝E_E2GtΔT/η＝-ηΔTE_G2Et，其中ΔT为调度步长，取值为1h；V_BESS为蓄电池储能系统的总容量，设调用储能成本与储能放电功率成二次函数关系，则其为：

式中，a₀、a₁、a₂分别为调用储能放电功率的成本权重。

在步骤4中，所述的在步骤1获得的需求响应的成本、步骤2获得的用户满意度以及步骤3获得的调用储能成本基础上建立联合优化调度模型，以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数，并设定目标函数的约束条件的方法是：

以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数：

其中，F₁为经济成本值，F₂为电量利用与新能源发电之间的差值，C_Fm和C_Fm0分别为火电机组m的发电成本和运行成本，C_Wf和C_PVg分别为风电机组f和光伏发电机组g的发电成本，G_Fm和G_Wf及G_PVg分别为火电机组m、风电机组f、光伏发电机组g的发电量，Q_PVgt和Q_Wft分别为光伏发电机组g和风力发电机组f在t时段的出力功率；Q_Lt为t时段的原用电负荷，则为实行直接负荷控制后t时段的负荷；

并设定目标函数的约束条件，目标函数的约束条件包括功率平衡约束、发电出力功率上下限约束、机组爬坡约束、蓄电池充放电约束、直接负荷控制约束和用户满意度约束；

(1)功率平衡约束：

其中，Q_Fmt为火电机组m在t时段的出力功率，Q_L为网络损耗，一般忽略不计。

(2)发电出力功率上下限约束：

Q_Ftmin≤Q_Fmt≤Q_Ftmax

Q_Wtmin≤Q_Wft≤Q_Wtmax

Q_PVtmin≤Q_PVgt≤Q_PVtmax

其中，Q_Ftmin，Q_Ftmax分别为火电机组m的最小和最大出力功率；Q_Wtmin，Q_Wtmax分别为风电机组f的最小和最大出力功率；Q_PVtmin，Q_PVtmax分别为光伏发电机组g的最小和最大出力功率。

(3)机组爬坡约束：

-r_Fm,dΔt≤ΔQ_Fm,t≤r_Fm,uΔt

其中，r_Fm,u、r_Fm,d为火电机组m的上下行爬坡速度，用于体现调峰机组的灵活性；ΔQ_Fm,t为火电机组m的出力功率变化，Δt为上下行爬坡持续时间。

(4)蓄电池充放电约束：

S_SOCmin≤S_SOC(t)≤S_SOCmax

E_E2Gt≤E_E2Gtmax

E_G2Et≤E_G2Etmax

其中，S_SOCmin、S_SOCmax分别为蓄电池的最小、最大荷电状态值；E_E2Gtmax、E_G2Etmax分别为t时段蓄电池的最大放电、充电功率。

(5)直接负荷控制约束：

ΔQ_itmin≤ΔQ_it≤ΔQ_itmax

δ₀≤δ_k≤δ_kmax

其中，ΔQ_itmin、ΔQ_itmax分别为用户i在t时段负荷削减量的最小值、最大值；δ_kmax为电价补偿率的最大值；

(6)用户满意度约束：

S_user≥S_user.set

其中，S_user.set为用户满意度设定值，由用户和供电商交涉后事先确定。

在步骤5中，所述的利用多目标粒子群算法对步骤4获得的目标函数进行求解，得到最优解的方法是：

由于两个目标函数值的量纲不同，为了二者可以在同一水平上比较，需要对两个目标函数值进行归一化处理，以避免因数值相差过大而造成的误差，令：

其中，F_1.max和F_1.min分别为第一个目标函数值即经济成本值F₁的最大值与最小值；F_2.max和F_2.min分别为第二个目标函数值即电量利用与新能源发电之间的差值F₂的最大值与最小值；

进行归一化处理后，采用加权法求解上述两个目标函数值，获得最终目标函数为：

minF＝min(γ₁F′₁+γ₂F′₂)

其中，γ₁和γ₂分别为归一化处理后经济成本值F₁和电量利用与新能源发电之间的差值F₂的权重，且γ₁+γ₂＝1；

之后，利用多目标粒子群算法对上述最终目标函数进行求解，步骤以下：

(1)：在初始范围里，对粒子群进行随机的初始化，生成规模为N的初始种群P，根据上述步骤4设定的各约束条件设置作为个体的粒子的初始位置和初始速度，令迭代次数q＝0，限定最大迭代次数；

(2)：设粒子j的位置即此刻的解：X_j＝(X_j1，X_j2，…X_jd),d为变量的个数，控制变量为x＝{x_Fm，x_Wf，x_PVg，x_ΔQit，x_E2Gt，x_G2Et}，其中x_Fm、x_Wf、x_PVg、x_ΔQit、x_E2Gt、x_G2Et分别为火电机组m出力功率、风电机组f出力功率、光伏发电机组g出力功率、负荷削减量、调用储能放电功率、储能充电功率；

粒子的速度即迭代的幅度：V_j＝(V_j1，V_j2，…V_jd)，设粒子j经历的最好位置为P_bestj＝(P_bestj1，P_bestj2，…P_bestjd)；种群经历的最好位置为G_best＝(G_best1，G_best2，…G_bestd)；

粒子j的第d维速度更新公式为：

粒子j的第d维位置更新公式为：

其中，c₁、c₂为加速度常数；r₁、r₂为两个随机数，取值范围为[0,1]，以增加搜索的随机性；w为惯性权重，随着迭代在0-1之间线性递减，使搜索空间随着迭代的进行而不断缩减；

计算各粒子的适应度函数值，更新粒子的个体最优位置和全局最优位置，形成Pareto解集；

(3)：引入存档机制，跟踪已找到的Pareto解集，更新外部档案集，若其中个体数目超出规模，则删除适应度最小的个体；

(4)：迭代更新粒子的速度和位置，更新粒子的个体最优值，同时搜索新的非支配解，更新外部档案集，计算新的全局最优位置；

(5)：取q＝q+1,若已达到最大迭代次数，则终止搜索，得到最优解F，即可得出使经济成本最小化且新能源利用率最大化的最优折衷解；否则返回步骤(2)。

本发明提供的提高电力系统新能源利用率且最小化发电成本的方法具有如下有益效果：鉴于激励型需求响应能够激励用户调整用电方式，积极参与削减负荷，根据用户削减负荷情况设计了一种直接负荷控制模型，同时为了使需求响应效果更好，考虑了用户满意度问题，设计了用户满意度函数，结合储能设备模型，通过构建了联合优化调度模型，利用相应的多目标粒子群优化算法，得到系统经济成本最低和最大化新能源的利用率。

本发明通过设计的直接负荷控制模型和储能调用，及火电机组与风力发电、光伏发电机组的协调互补，火电机组并未进行深度调峰的情况下就能满足各个时间段用户的用电负荷。提高了电网对新能源的利用效率，改善风力发电、光伏发电的反负荷调节特性，提高了电力系统的安全稳定性。考虑用户满意度后，需求响应实施力度增大，使负荷曲线与新能源发电曲线更为贴合。

附图说明

图1为差别补偿费率曲线图。

图2为本发明提供的提高电力系统新能源利用率且最小化发电成本的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

如图2所示，本发明提供的提高电力系统新能源利用率且最小化发电成本的方法包括按顺序进行的下列步骤：

步骤1：根据用户负荷消减情况建立直接负荷控制模型，并获得需求响应的成本；

用户参与直接负荷控制项目以后，供电商将以中断补偿的方式来激励用户参与需求响应，设定削减负荷的基本电价补偿率δ₀是统一的，δ₀∈(0,1)，为了更明确地区分直接负荷控制参与用户的贡献程度，对不同贡献的用户实行合理的差别补偿，定义用户的实际电价补偿率δ_k为：

C_DLC(x)＝0.55arctanh(x)+1

其中，C_DLC是根据用户削减负荷的多少计算出的差别补偿费率，如图1所示，Q_it为实行直接负荷控制前t时段用户i的原用电负荷，Q′_it为实行直接负荷控制后t时段用户i的用电负荷，δ_k为t时段用户i的实际削减负荷电价补偿率。

t时段用户i的实际削减负荷电价补偿率δ_k的大小取决于实行直接负荷控制前t时段用户i的原用电负荷Q_it超过实行直接负荷控制后t时段用户iQ′_it的程度，即负荷削减的程度，负荷削减的程度越大，即受控的有效性越大，用户所获得的电价补偿费率就越大，则供电商提供的中断补偿费用，即一天需求响应的成本为：

其中，P_t为t时段的电价，ΔQ_it为t时段削减的负荷，当用户在t时段削减负荷时，ΔQ_it＝Q_it-Q′_it，当用户在t时段没有削减负荷时，ΔQ_it取0；n为参与直接负荷控制项目的用户数，总的研究时段T为24小时。

步骤2：建立用户满意度函数，并计算出用户满意度；

用户满意度函数包括用户用电方式满意度函数和用户电费支出满意度函数；

用户用电方式满意度要求负荷需求被及时满足，由于对可中断负荷的控制会直接影响用户的用电习惯，所以负荷削减量越少，满意度越高，利用下式的用户用电方式满意度函数计算出用户用电方式满意度S_way为：

S_itway是用户i在t时段的用电方式满意度，S_iway是用户i的用电方式满意度；

用户电费支出满意度是衡量用户电费支出变化量的指标，利用下式的用户电费支出满意度函数计算出用户电费支出满意度S_pay为：

S_ipay是用户i的电费支出满意度；

最后利用下式的用户满意度函数计算出用户满意度S_user为：

S_user＝w₁S_way+w₂S_pay

其中，w₁和w₂分别为用户用电方式满意度和电费支出满意度的权重，且w₁+w₂＝1；

步骤3：根据荷电状态建立储能系统模型，并获得调用储能成本；

储能系统具有负荷与电源的双重特性，在用电高峰时段，储能系统中的储能设备相当于电源将储存的电能释放，为电力系统供电；在用电低谷时段，储能设备相当于负荷将电能储存起来；

在工作过程中，蓄电池储能系统(BESS)的存储电量由荷电状态值(SOC)衡量，t时段蓄电池的荷电状态值S_SOC(t)与t-1时段的荷电状态值S_SOC(t-1)及本时段蓄电池储能系统的储能功率相关，可表示为：

E_BESS(t)为t时段内蓄电池储能系统充放电电量，为正时表示放电，为负时表示充电，设储能系统的充放电效率为η，E_E2Gt为t时段的储能放电功率，E_G2Et为t时段的储能充电功率，那么E_BESS(t)＝E_E2GtΔT/η＝-ηΔTE_G2Et，其中ΔT为调度步长，取值为1h；V_BESS为蓄电池储能系统的总容量，设调用储能成本与储能放电功率成二次函数关系，则其为(这里假设是蓄电池集装箱，只能通过中间商调用后出售给用户，所以不存在用户自己使用的问题)：

式中，a₀、a₁、a₂分别为调用储能放电功率的成本权重；

步骤4：在步骤1获得的需求响应的成本、步骤2获得的用户满意度以及步骤3获得的调用储能成本基础上建立联合优化调度模型，以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数，并设定目标函数的约束条件；

目标函数：

设计的联合优化调度模型将实现两个目标：以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数：

其中，F₁为经济成本值，F₂为电量利用与新能源发电之间的差值，最小化电量利用与新能源发电之间的差值F₂能使电量利用曲线与新能源发电曲线在时序上尽可能的贴近，从而达到最大化新能源利用率，C_Fm和C_Fm0分别为火电机组m的发电成本和运行成本，C_Wf和C_PVg分别为风电机组f和光伏发电机组g的发电成本，G_Fm和G_Wf及G_PVg分别为火电机组m、风电机组f、光伏发电机组g的发电量，Q_PVgt和Q_Wft分别为光伏发电机组g和风力发电机组f在t时段的出力功率；Q_Lt为t时段的原用电负荷，则为实行直接负荷控制后t时段的负荷。

并设定目标函数的约束条件，目标函数的约束条件包括功率平衡约束、发电出力功率上下限约束、机组爬坡约束、蓄电池充放电约束、直接负荷控制约束和用户满意度约束；

(1)功率平衡约束：

其中，Q_Fmt为火电机组m在t时段的出力功率，Q_L为网络损耗，一般忽略不计。

(2)发电出力功率上下限约束：

Q_Ftmin≤Q_Fmt≤Q_Ftmax

Q_Wtmin≤Q_Wft≤Q_Wtmax

Q_PVtmin≤Q_PVgt≤Q_PVtmax

其中，Q_Ftmin，Q_Ftmax分别为火电机组m的最小和最大出力功率；Q_Wtmin，Q_Wtmax分别为风电机组f的最小和最大出力功率；Q_PVtmin，Q_PVtmax分别为光伏发电机组g的最小和最大出力功率。

(3)机组爬坡约束：

-r_Fm,dΔt≤ΔQ_Fm,t≤r_Fm,uΔt

其中，r_Fm,u、r_Fm,d为火电机组m的上下行爬坡速度，用于体现调峰机组的灵活性；ΔQ_Fm,t为火电机组m的出力功率变化，Δt为上下行爬坡持续时间。

(4)蓄电池充放电约束：

S_SOCmin≤S_SOC(t)≤S_SOCmax

E_E2Gt≤E_E2Gtmax

E_G2Et≤E_G2Etmax

其中，S_SOCmin、S_SOCmax分别为蓄电池的最小、最大荷电状态值；E_E2Gtmax、E_G2Etmax分别为t时段蓄电池的最大放电、充电功率。

(5)直接负荷控制约束：

ΔQ_itmin≤ΔQ_it≤ΔQ_itmax

δ₀≤δ_k≤δ_kmax

其中，ΔQ_itmin、ΔQ_itmax分别为用户i在t时段负荷削减量的最小值、最大值；δ_kmax为电价补偿率的最大值；

(6)用户满意度约束：

S_user≥S_user.set

其中，S_user.set为用户满意度设定值，由用户和供电商交涉后事先确定。

步骤5：利用多目标粒子群算法对步骤4获得的目标函数进行求解，得到最优解；

由于存在两个目标函数，因此需要采用多目标优化算法进行目标函数求解。在多目标优化问题中,各个子目标之间有可能是相互制约和相互冲突的,因而一般不存在绝对最优解,即不存在使各个子目标同时达到最优的解,而可以根据对各个子目标的不同要求找到Pareto最优解，Pareto解又称非支配解或不受支配解：在有多个目标时，由于存在目标之间的冲突和无法比较的现象，一个解在某个目标上是最好的，在其他的目标上可能是最差的；这些在改进任何目标函数的同时，必然会削弱至少一个其他目标函数的解称为非支配解或Pareto解；解决多目标优化问题的途径分为搜索和决策：搜索即找出Pareto最优解集；决策即从Pareto解集中选择合适的解；

由于两个目标函数值的量纲不同，为了二者可以在同一水平上比较，需要对两个目标函数值进行归一化处理，以避免因数值相差过大而造成的误差，令：

其中，F_1.max和F_1.min分别为第一个目标函数值即经济成本值F₁的最大值与最小值；F_2.max和F_2.min分别为第二个目标函数值即电量利用与新能源发电之间的差值F₂的最大值与最小值；

进行归一化处理后，采用加权法求解上述两个目标函数值，获得最终目标函数为：

minF＝min(γ₁F′₁+γ₂F′₂)

其中，γ₁和γ₂分别为归一化处理后经济成本值F₁和电量利用与新能源发电之间的差值F₂的权重，且γ₁+γ₂＝1；

之后，利用多目标粒子群算法对上述最终目标函数进行求解，步骤以下：

(1)：在初始范围里，对粒子群进行随机的初始化，生成规模为N的初始种群P，根据上述步骤4设定的各约束条件设置作为个体的粒子的初始位置和初始速度，令迭代次数q＝0，限定最大迭代次数；

(2)：设粒子j的位置即此刻的解：X_j＝(X_j1，X_j2，…X_jd),d为变量的个数，控制变量为x＝{x_Fm，x_Wf，x_PVg，x_ΔQit，x_E2Gt，x_G2Et}，其中x_Fm、x_Wf、x_PVg、x_ΔQit、x_E2Gt、x_G2Et分别为火电机组m出力功率、风电机组f出力功率、光伏发电机组g出力功率、负荷削减量、调用储能放电功率、储能充电功率；

粒子的速度即迭代的幅度：V_j＝(V_j1，V_j2，…V_jd)，设粒子j经历的最好位置为P_bestj＝(P_bestj1，P_bestj2，…P_bestjd)；种群经历的最好位置为G_best＝(G_best1，G_best2，…G_destd)；

粒子j的第d维速度更新公式为：

粒子j的第d维位置更新公式为：

其中，c₁、c₂为加速度常数；r₁、r₂为两个随机数，取值范围为[0,1]，以增加搜索的随机性；w为惯性权重，随着迭代在0-1之间线性递减，使搜索空间随着迭代的进行而不断缩减；

计算各粒子的适应度函数值，更新粒子的个体最优位置和全局最优位置，形成Pareto解集；

(3)：引入存档机制，跟踪已找到的Pareto解集，更新外部档案集，若其中个体数目超出规模，则删除适应度最小的个体；

(4)：迭代更新粒子的速度和位置，更新粒子的个体最优值，同时搜索新的非支配解，更新外部档案集，计算新的全局最优位置；

(5)：取q＝q+1,若已达到最大迭代次数，则终止搜索，得到最优解F，即可得出使经济成本最小化且新能源利用率最大化的最优折衷解；否则返回步骤(2)。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种提高电力系统新能源利用率且最小化发电成本的方法，其特征在于：所述的方法包括按顺序进行的下列步骤：

步骤1：根据用户负荷消减情况建立直接负荷控制模型，并获得需求响应的成本；

步骤2：建立用户满意度函数，并计算出用户满意度；

步骤3：根据荷电状态建立储能系统模型，并获得调用储能成本；

步骤4：在步骤1获得的需求响应的成本、步骤2获得的用户满意度以及步骤3获得的调用储能成本基础上建立联合优化调度模型，以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数，并设定目标函数的约束条件；

步骤5：利用多目标粒子群算法对步骤4获得的目标函数进行求解，得到最优解。

2.根据权利要求1所述的提高电力系统新能源利用率且最小化发电成本的方法，其特征在于：在步骤1中，所述的根据用户负荷消减情况建立直接负荷控制模型，并获得需求响应的成本的方法是：

设定削减负荷的基本电价补偿率δ₀是统一的，δ₀∈(0,1)，定义用户的实际电价补偿率δ_k为：

C_DLC(x)＝0.55arctanh(x)+1

其中，C_DLC是根据用户削减负荷的多少计算出的差别补偿费率，Q_it为实行直接负荷控制前t时段用户i的原用电负荷，Q′_it为实行直接负荷控制后t时段用户i的用电负荷，δ_k为t时段用户i的实际削减负荷电价补偿率；

供电商提供的中断补偿费用，即一天需求响应的成本为：

其中，P_t为t时段的电价，ΔQ_it为t时段削减的负荷，当用户在t时段削减负荷时，ΔQ_it＝Q_it-Q′_it，当用户在t时段没有削减负荷时，ΔQ_it取0；n为参与直接负荷控制项目的用户数，总的研究时段T为24小时。

3.根据权利要求1所述的提高电力系统新能源利用率且最小化发电成本的方法，其特征在于：在步骤2中，所述的建立用户满意度函数，并计算出用户满意度的方法是：

用户满意度函数包括用户用电方式满意度函数和用户电费支出满意度函数；

利用下式的用户用电方式满意度函数计算出用户用电方式满意度S_way为：

S_itway是用户i在t时段的用电方式满意度，S_iway是用户i的用电方式满意度；

利用下式的用户电费支出满意度函数计算出用户电费支出满意度S_pay为：

S_ipay是用户i的电费支出满意度；

最后利用下式的用户满意度函数计算出用户满意度S_user为：

S_user＝w₁S_way+w₂S_pay

其中，w₁和w₂分别为用户用电方式满意度和电费支出满意度的权重，且w₁+w₂＝1。

4.根据权利要求1所述的提高电力系统新能源利用率且最小化发电成本的方法，其特征在于：在步骤3中，所述的根据荷电状态建立储能系统模型，并获得调用储能成本的方法是：

在工作过程中，蓄电池储能系统(BESS)的存储电量由荷电状态值(SOC)衡量，t时段蓄电池的荷电状态值S_SOC(t)与t-1时段的荷电状态值S_SOC(t-1)及本时段蓄电池储能系统的储能功率相关，可表示为：

E_BESS(t)为t时段内蓄电池储能系统充放电电量，为正时表示放电，为负时表示充电，设储能系统的充放电效率为η，E_E2Gt为t时段的储能放电功率，E_G2Et为t时段的储能充电功率，那么E_BESS(t)＝E_E2GtΔT/η＝-ηΔTE_G2Et，其中ΔT为调度步长，取值为1h；V_BESS为蓄电池储能系统的总容量，设调用储能成本与储能放电功率成二次函数关系，则其为：

式中，a₀、a₁、a₂分别为调用储能放电功率的成本权重。

5.根据权利要求1所述的提高电力系统新能源利用率且最小化发电成本的方法，其特征在于：在步骤4中，所述的在步骤1获得的需求响应的成本、步骤2获得的用户满意度以及步骤3获得的调用储能成本基础上建立联合优化调度模型，以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数，并设定目标函数的约束条件的方法是：

以系统经济成本最低和新能源利用率最大化作为联合优化调度模型的两个目标函数：

其中，F₁为经济成本值，F₂为电量利用与新能源发电之间的差值，C_Fm和C_Fm0分别为火电机组m的发电成本和运行成本，C_Wf和C_PVg分别为风电机组f和光伏发电机组g的发电成本，G_Fm和G_Wf及G_PVg分别为火电机组m、风电机组f、光伏发电机组g的发电量，Q_PVgt和Q_Wft分别为光伏发电机组g和风力发电机组f在t时段的出力功率；Q_Lt为t时段的原用电负荷，则为实行直接负荷控制后t时段的负荷；

并设定目标函数的约束条件，目标函数的约束条件包括功率平衡约束、发电出力功率上下限约束、机组爬坡约束、蓄电池充放电约束、直接负荷控制约束和用户满意度约束；

(1)功率平衡约束：

其中，Q_Fmt为火电机组m在t时段的出力功率，Q_L为网络损耗，一般忽略不计；

(2)发电出力功率上下限约束：

Q_Ftmin≤Q_Fmt≤Q_Ftmax

Q_Wtmin≤Q_Wft≤Q_Wtmax

Q_PVtmin≤Q_PVgt≤Q_PVtmax

其中，Q_Ftmin，Q_Ftmax分别为火电机组m的最小和最大出力功率；Q_Wtmin，Q_Wtmax分别为风电机组f的最小和最大出力功率；Q_PVtmin，Q_PVtmax分别为光伏发电机组g的最小和最大出力功率；

(3)机组爬坡约束：

-r_Fm,dΔt≤ΔQ_Fm,t≤r_Fm,uΔt

其中，r_Fm,u、r_Fm,d为火电机组m的上下行爬坡速度，用于体现调峰机组的灵活性；ΔQ_Fm,t为火电机组m的出力功率变化，Δt为上下行爬坡持续时间；

(4)蓄电池充放电约束：

S_SOCmin≤S_SOC(t)≤S_SOCmax

E_E2Gt≤E_E2Gtmax

E_G2Et≤E_G2Etmax

其中，S_SOCmin、S_SOCmax分别为蓄电池的最小、最大荷电状态值；E_E2Gtmax、E_G2Etmax分别为t时段蓄电池的最大放电、充电功率；

(5)直接负荷控制约束：

ΔQ_itmin≤ΔQ_it≤ΔQ_itmax

δ₀≤δ_k≤δ_kmax

其中，ΔQ_itmin、ΔQ_itmax分别为用户i在t时段负荷削减量的最小值、最大值；δ_kmax为电价补偿率的最大值；

(6)用户满意度约束：

S_user≥S_user.set

其中，S_user.set为用户满意度设定值，由用户和供电商交涉后事先确定。

6.根据权利要求1所述的提高电力系统新能源利用率且最小化发电成本的方法，其特征在于：在步骤5中，所述的利用多目标粒子群算法对步骤4获得的目标函数进行求解，得到最优解的方法是：

由于两个目标函数值的量纲不同，为了二者可以在同一水平上比较，需要对两个目标函数值进行归一化处理，以避免因数值相差过大而造成的误差，令：

其中，F_1.max和F_1.min分别为第一个目标函数值即经济成本值F₁的最大值与最小值；F_2.max和F_2.min分别为第二个目标函数值即电量利用与新能源发电之间的差值F₂的最大值与最小值；

进行归一化处理后，采用加权法求解上述两个目标函数值，获得最终目标函数为：

minF＝min(γ₁F′₁+γ₂F′₂)

其中，γ₁和γ₂分别为归一化处理后经济成本值F₁和电量利用与新能源发电之间的差值F₂的权重，且γ₁+γ₂＝1；

之后，利用多目标粒子群算法对上述最终目标函数进行求解，步骤以下：

(1)：在初始范围里，对粒子群进行随机的初始化，生成规模为N的初始种群P，根据上述步骤4设定的各约束条件设置作为个体的粒子的初始位置和初始速度，令迭代次数q＝0，限定最大迭代次数；

(2)：设粒子j的位置即此刻的解：X_j＝(X_j1，X_j2，…X_jd),d为变量的个数，控制变量为x＝{x_Fm，x_Wf，x_PVg，x_ΔQit，x_E2Gt，x_G2Et}，其中x_Fm、x_Wf、x_PVg、x_ΔQit、x_E2Gt、x_G2Et分别为火电机组m出力功率、风电机组f出力功率、光伏发电机组g出力功率、负荷削减量、调用储能放电功率、储能充电功率；

粒子的速度即迭代的幅度：V_j＝(V_j1，V_j2，…V_jd)，设粒子j经历的最好位置为P_bestj＝(P_bestj1，P_bestj2，…P_bestjd)；种群经历的最好位置为G_best＝(G_best1，G_best2，…G_bestd)；

粒子j的第d维速度更新公式为：

粒子j的第d维位置更新公式为：

其中，c₁、c₂为加速度常数；r₁、r₂为两个随机数，取值范围为[0,1]，以增加搜索的随机性；w为惯性权重，随着迭代在0-1之间线性递减，使搜索空间随着迭代的进行而不断缩减；

计算各粒子的适应度函数值，更新粒子的个体最优位置和全局最优位置，形成Pareto解集；

(3)：引入存档机制，跟踪已找到的Pareto解集，更新外部档案集，若其中个体数目超出规模，则删除适应度最小的个体；

(4)：迭代更新粒子的速度和位置，更新粒子的个体最优值，同时搜索新的非支配解，更新外部档案集，计算新的全局最优位置；

(5)：取q＝q+1,若已达到最大迭代次数，则终止搜索，得到最优解F，即可得出使经济成本最小化且新能源利用率最大化的最优折衷解；否则返回步骤(2)。