CN109272353A - 计及综合需求响应不确定性的系统动态概率能流分析方法 - Google Patents
计及综合需求响应不确定性的系统动态概率能流分析方法 Download PDFInfo
- Publication number
- CN109272353A CN109272353A CN201811051850.9A CN201811051850A CN109272353A CN 109272353 A CN109272353 A CN 109272353A CN 201811051850 A CN201811051850 A CN 201811051850A CN 109272353 A CN109272353 A CN 109272353A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- integration requirement
- gas
- period
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000010354 integration Effects 0.000 title claims abstract description 86
- 238000005206 flow analysis Methods 0.000 title claims description 8
- 230000005611 electricity Effects 0.000 claims abstract description 93
- 230000004044 response Effects 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 74
- 239000007789 gas Substances 0.000 claims description 71
- 239000003345 natural gas Substances 0.000 claims description 37
- 240000002853 Nelumbo nucifera Species 0.000 claims description 24
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 24
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 23
- 238000010248 power generation Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 239000000567 combustion gas Substances 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 37
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000012546 transfer Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 10
- 239000000243 solution Substances 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 230000003993 interaction Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000004907 flux Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000143252 Idaea infirmaria Species 0.000 description 1
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000012581 transferrin Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及综合需求响应不确定性的系统动态概率能流分析方法及计算设备，该方法包括：据电‑气互联系统的特性，建立面向动态概率能流分析的源网侧模型；基于所述源网侧模型，结合终端用能负荷的特性，构建综合需求侧响应模型，所述综合需求侧响应模型中包括多个传统概率性变量和不确定变量；对所述综合需求侧响应模型中的各不确定变量进行一致化处理，以更新所述综合需求侧响应模型；确定最优动态电价，根据所述最优动态电价下各类负荷的实际响应量分布，对更新后的综合需求侧响应模型进行再次更新；求解再次更新后的综合需求侧响应模型，以计算出所述电‑气互联系统的动态概率能流。
Description
技术领域
本发明涉及能源电力领域，特别涉及一种计及综合需求响应不确定性的系统动态概率能流分析方法及计算设备。
背景技术
提高终端能源消费效率、促进清洁能源规模化利用是未来能源电力系统发展面临的重要目标。综合能源系统(integrated energy system，IES)通过借助新型转换设备(如电转气等)将不同能源形式耦合，利用统一的运行调度平台对其进行协调管理，为上述目标实现提供了有效解决方案。在IES中，以电-气互联系统(interconnected electricity-gasenergy system，IEGES)的使用最为广泛。
然而，不同于传统电力系统，IES下多种能源载体互联融合，加之大量不确定性因素的存在(如可再生能源发电)，将显著改变各能源系统原有运行状态。目前，针对IES下多能流计算分析，考虑到IES中负荷及可再生能源发电存在的不确定性，通过借鉴电力系统概率潮流的概念，提出了面向IES的概率能流(probabilistic energy flow，PEF)计算方法。进一步的，根据能源集线器模型，提出了适用于含高比例风电的IEGES的PEF分析框架。但是，上述分析方案中，终端负荷大多被视为恒定参数，并未考虑实际情况下可能存在的各类需求侧管理措施对IES运行的影响。而在实际IES中，由于各类信息通讯技术的广泛应用，系统运行者可采用必要的技术经济手段引导用户主动调整自身用能行为，通过改变负荷的时空分布，从而推动系统整体运行效率的提高。
在以上研究中，针对综合需求响应(integrated demand response，IDR)的特性分析大多仅局限于直控型负荷情况，而对于非直控型IDR(例如实时价格项目)及用户响应行为不确定性的影响尚未充分关注。与直控型IDR项目不同，非直控模式下用户根据实时价格信号调整自身用能行为，不同用户在生活习惯、理性程度与行为偏好上的天然差异使其需求响应能力(responsivity)存在高度的不确定性与特异性。然而，在实际工程中，由于IES运营者受测量手段等限制，很多情况下往往难以获得用户对于不同类型能源使用偏好及替代意愿的准确信息，因此为IDR不确定性建模及其在IES中的运行状态分析带来巨大挑战。
发明内容
为此，本发明提供一种计及综合需求响应不确定性的系统动态概率能流分析的技术方案，以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面，提供一种计及综合需求响应不确定性的系统动态概率能流分析方法，适于在计算设备中执行，该方法包括如下步骤：首先，根据电-气互联系统的特性，建立面向动态概率能流分析的源网侧模型；基于源网侧模型，结合终端用能负荷的特性，构建综合需求侧响应模型，综合需求侧响应模型中包括多个传统概率性变量和不确定变量；对综合需求侧响应模型中的各不确定变量进行一致化处理，以更新综合需求侧响应模型；确定最优动态电价，根据最优动态电价下各类负荷的实际响应量分布，对更新后的综合需求侧响应模型进行再次更新；求解再次更新后的综合需求侧响应模型，以计算出电-气互联系统的动态概率能流。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，电-气互联系统为以燃气机组和电转气设备作为耦合元件，通过集成整合电力网络和天然气网络而形成的系统。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，源网侧模型包括源侧模型和网侧模型，源侧模型包括由常规发电机组、可再生能源发电机组、上级电网和天然气站形成的发电模型中至少一种。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，可再生能源发电机组为风电机组，由风电机组形成的发电模型以如下公式确定：
其中，Pt WT表示单台风电机组在时段t的输出功率，Pn WT表示单台风电机组在时段t的额定功率，vt、vin，vout和vn分别表示在时段t的瞬时风速、切入风速、切出风速和额定风速。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，源网侧模型包括源侧模型和网侧模型，网侧模型包括电力潮流模型、天然气传输模型、天然气传输模型和耦合元件模型中至少一种。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，终端用能负荷包括电负荷和燃气负荷，电负荷包括刚性负荷和柔性负荷。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，刚性负荷的运行特性以如下公式确定：
其中，表示节点i刚性负荷在时段t的用电需求和用气需求，表示常规电价下节点i刚性负荷在时段t的用能基准值。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，柔性负荷包括可削减负荷、可转移负荷和可替代负荷。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，可削减负荷与的变化特性以如下公式确定：
其中，和分别表示动态电价下用户对应节点i在时段t的可削减负荷功率及其基准值，表示用户对应节点i在时段t下可削减负荷的弹性系数，和分别表示用户对应节点i在时段t的购电电价和基准电价。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，可转移负荷的价格响应特性以如下公式确定：
其中，表示用户对应节点i在时段t下可转移负荷的价格弹性系数，及分别表示动态电价下用户对应节点i在时段t下的可转移负荷功率及其基准值，表示可转移负荷由时段t转移至时段t'的负荷值，表示可转移负荷由时段t转移至时段t+1的负荷值，TR表示可转移负荷转移的最大持续时间，表示用户对应节点i的渐退系数，和分别表示用户对应节点i在时段t的购电电价和基准电价。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，可替代负荷的价格响应特性以如下公式确定：
其中，和分别表示动态电价下用户对应节点i在时段t的可替代负荷功率及其基准值，表示用户对应节点i在时段t下可替代负荷的价格弹性系数，和分别表示实施综合需求响应前后、用户对应节点i的可替代负荷在时段t下的燃气需求，表示用户对应节点i的电-气热值转换率，表示用户通过对应节点i从电-气互联系统购买天然气的购气价格，表示用户对应节点i在时段t的购电电价。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，基于源网侧模型，结合终端用能负荷的特性，构建综合需求侧响应模型的步骤包括：基于源网侧模型，结合终端用能负荷的特性，通过Z-number方法构建综合需求侧响应模型。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，传统概率性变量包括单台风电机组在时段t的输出功率Pt WT、常规电价下节点i刚性负荷在时段t的用能基准值动态电价下用户对应节点i在时段t的可削减负荷功率基准值动态电价下用户对应节点i在时段t下的可转移负荷功率基准值以及动态电价下用户对应节点i在时段t的可替代负荷功率基准值中至少一种。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，不确定变量包括用户对应节点i在时段t下可削减负荷的弹性系数用户对应节点i在时段t下可转移负荷的价格弹性系数用户对应节点i在时段t下可替代负荷的价格弹性系数用户对应节点i的渐退系数以及可转移负荷转移的最大持续时间TR中至少一种。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，对综合需求侧响应模型中的各不确定变量进行一致化处理的步骤包括：通过模糊期望法将综合需求侧响应模型中的各不确定变量转换为标准的模糊变量；采用重心法对得到的各模糊变量进行概率化变换。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，最优动态电价为系统源荷互动成本期望值最小时的电价，系统源荷互动成本的最小期望值以如下公式确定：
min F＝C1+C2
其中，F表示系统源荷互动成本，C1表示供应侧产生的增量运行费用，C2表示需求侧产生的增量运行费用，min(·)表示求最小值。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，系统源荷互动成本的最小期望值基于电价优化约束条件获取，电价优化约束条件包括系统功率平衡约束、定价范围约束、功率交互约束和负荷可调特性约束中至少一种。
可选地，在根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法中，求解再次更新后的综合需求侧响应模型的步骤包括：基于分段线性化的改进半不变量法，对再次更新后的综合需求侧响应模型进行求解。
根据本发明的又一个方面，提供一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法的指令。
根据本发明的又一个方面，还提供一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法。
根据本发明的计及综合需求响应不确定性的系统动态概率能流分析的技术方案，通过深入分析电-气互联系统下不同类型用能负荷的可调特性，提出了一种基于Z-number的综合需求响应不确定性描述模型。与传统分析方法不同，本发明的技术方案不仅能够有效描述非直控型综合需求响应项目中用户响应行为的主观随机性，还充分考虑了基础信息可靠性对建模过程的影响，因此可更为全面地刻画综合需求响应的真实作用效果。通过综合利用模糊期望法和重心法对综合需求侧响应模型中的不确定变量(即Z-number参数)进行概率化转换，实现了对不同类型不确定性变量的统一。将转化后的负荷响应量视作新的随机变量引入电-气互联系统中概率能流计算模型，并利用基于分段线性化的半不变量法实现求解，从而可有效评估综合需求响应对未来综合供能系统的影响。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一个实施例的计算设备100的结构框图；
图2示出了根据本发明的一个实施例的计及综合需求响应不确定性的系统动态概率能流分析方法200的流程图；
图3示出了根据本发明的一个实施例的电-气互联系统的基本架构图；以及
图4示出了根据本发明的一个实施例的电-气互联系统的系统结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程序数据124。在一些实施方式中，程序122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等，也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。
在一些实施例中，计算设备100被配置为执行根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法200。其中，计算设备100的一个或多个程序122包括用于执行根据本发明的计及综合需求响应不确定性的系统动态概率能流分析方法200的指令。
图2示出了根据本发明一个实施例的计及综合需求响应不确定性的系统动态概率能流分析方法200的流程图。计及综合需求响应不确定性的系统动态概率能流分析方法200适于在计算设备(例如图1所示的计算设备100)中执行。
如图2所示，方法200始于步骤S210。在步骤S210中，根据电-气互联系统的特性，建立面向动态概率能流分析的源网侧模型。根据本发明的一个实施例，电-气互联系统为以燃气机组(gas turbine，GT)和电转气(power to gas，P2G)设备作为耦合元件，通过集成整合电力网络和天然气网络而形成的系统，可向终端用户同时提供供电和供气服务。
图3示出了根据本发明的一个实施例的电-气互联系统的基本架构图。如图3所示，在该系统中，电力网络经公共耦合点(point of common coupling，PCC)与上级电网相连，IEGES运营商通过调用内部分布式电源及从上级电网购电，满足用户的用电需求；此外，天然气网络与天然气站(以G表示)相连，燃气资源经由燃气管道配送至终端用户，以满足用气需求。此外，作为能源耦合单元，系统中的GT和P2G设备可根据运行者需要，实现电力与天然气之间的双向转换。在需求侧，用户拥有不同类型用能设备并与电力和天然气网络相连，IDR中涉及的负荷包括电负荷和气负荷，电负荷又可以进一步分为刚性负荷、可削减负荷、可转移负荷和可替代负荷。此外，假设每个用户均配有终端能量管理系统(terminalenergy management system，TEMS)。通过TEMS，用户可获得系统中能源的实时价格信息，并据此优化自身能源使用策略(包括用能形式及负荷需求)，以实现综合效益最大化。
在该实施方式中，源网侧模型包括源侧模型和网侧模型，源侧模型包括由常规发电机组、可再生能源发电机组、上级电网和天然气站形成的发电模型中至少一种，网侧模型包括电力潮流模型、天然气传输模型、天然气传输模型和耦合元件模型中至少一种。
常规发电机组一般使用传统化石燃料(如柴油)作为能源，因此其发电出力通常完全可控。假设动态概率能流(dynamic probabilistic energy flow，DPEF)计算框架中，常规机组有功输出为恒定且等于其额定功率。
与常规发电机组不同，可再生能源发电(renewable energy generation，REG)的输出功率主要受一次能源供给的影响。当可再生能源发电机组为风电机组(wind turbine，WT)时，风电机组发电出力主要取决于其安装位置的瞬时风速。由风电机组形成的发电模型以如下公式确定：
其中，Pt WT表示单台风电机组在时段t的输出功率，Pn WT表示单台风电机组在时段t的额定功率，vt、vin，vout和vn分别表示在时段t的瞬时风速、切入风速、切出风速和额定风速。假设vt符合以预测值为期望且标准差为的高斯分布，且IEGES中所有风电机组功率因数恒定为1。
IEGES中电力网经PCC与上级电网相连，因此在PEF中PCC被视作电力子系统的平衡节点。IEGES中的燃气主要来源于天然气站，假定气站有充足的天然气储量可保证系统燃气负荷需求，故在PEF计算中可将其视为天然气子系统中的平衡节点。
与传统电力系统相同，采用经典的交流潮流模型描述电能在IEGES中的传输过程，即以如下公式确定电力潮流模型：
其中，Pi,t、Qi,t分别表示时段t系统电网节点i的有功和无功功率注入量，Ui,t、Uj,t表示时段t系统电网节点i和j的电压矢量大小，Gij、Bij分别表示电力网络节点导纳矩阵中对应元素的实部和虚部，θij,t表示节点i的电压矢量与节点j的电压矢量的夹角，n为节点总数。
对于天然气网络，其输送燃气流量主要与网络中节点压力有关，则天然气传输模型具体可表示为：
其中，fij,t表示时段t流经管道ij的燃气流量，Kij为管道常数，Πij,t表示时段t气网节点i压力的平方值，ΔΠij,t表示管道ij的压力降，sij,t为时段t管道内天然气的流向，当Πi>Πj时，sij＝1，否则sij＝-1。此外，Ag为天然气网络的节点-支路关联矩阵，为Ag的转置矩阵，Li为系统中各节点流出的燃气量。
耦合元件包括燃气轮机和电转气设备，GT将天然气转化为电能，因此是天然气网络的“荷”和电力网络的“源”。通常认为GT的燃气耗量是其有功出力的二次函数：
其中，λ1、λ2、λ3为GT的能耗系数。
P2G通过化学过程将电能转化为天然气，因此可将其视为燃气子系统的“源”和电力子系统的“荷”。P2G的燃气产量与其电能消耗量之间可近似通过以下线性函数描述：
其中，ηP2G和βg分别代表P2G设备的电-气转换效率及所用天然气的热值。在PEF计算中，假设P2G设备为恒定负荷，且功率因数为1。
随后，进入步骤S220，基于源网侧模型，结合终端用能负荷的特性，构建综合需求侧响应模型，综合需求侧响应模型中包括多个传统概率性变量和不确定变量。其中，终端用能负荷包括电负荷和燃气负荷，电负荷包括刚性负荷(fixed load，FL)和柔性负荷(elastic load，EL)。
刚性负荷一般指用能优先级较高且不具备需求调整潜力的负荷。由于刚性负荷多与民生有关(例如照明用电或生活用气等)，且必须在规定时间内使用，因此刚性负荷通常不具备参与IDR的能力。根据本发明的一个实施例，刚性负荷的运行特性以如下公式确定：
其中，表示节点i刚性负荷在时段t的用电需求(包括有功功率和无功功率)和用气需求 表示常规电价下节点i刚性负荷在时段t的用能基准值。
由于需求侧用能的天然随机性，为随机变量。假设服从以预测值为期望，方差为的高斯分布。
柔性负荷是指用户可根据自身意愿，在满足舒适度的前提下可灵活调整的负荷。因此，柔性负荷可用于参与IDR项目。在IEGES中，根据用户响应方式的不同，柔性负荷可进一步细分为可削减负荷(curtailable load，CL)、可转移负荷(shiftable load，SL)与可替代负荷(transformable load，TL)。下面将对这三类负荷的数学模型分别进行说明。
可削减负荷是指用户可根据自身需要进行部分或全部中断的用能负荷，这类负荷通常包括民用洗衣机、洗碗机设备等。可削减负荷与的变化特性以如下公式确定：
其中，和分别表示动态电价下用户对应节点i在时段t的可削减负荷功率(包括有功功率和无功功率)及其基准值，表示用户对应节点i在时段t下可削减负荷的弹性系数，和分别表示用户对应节点i在时段t的购电电价和基准电价。
根据基本经济学原理，由于需求与价格之间通常为负相关关系，因此有在非直控模式下，受用户理性程度、适应能力及其他不可预知因素影响，相同价格水平下不同用户的实际响应量往往存在较大差异。因此，对于IEGES运营商而言，式(7)中为不确定变量。
可转移负荷是指在一定时间范围内总用电量恒定但用电时间可灵活调整的负荷，常见的可转移负荷包括电动汽车及蓄冷设备等。可转移负荷的价格响应特性以如下公式确定：
其中，表示用户对应节点i在时段t下可转移负荷的价格弹性系数，(包括有功功率和无功功率)及分别表示动态电价下用户对应节点i在时段t下的可转移负荷功率及其基准值，(包括有功和无功)表示可转移负荷由时段t转移至时段t'的负荷值，表示可转移负荷由时段t转移至时段t+1的负荷值，TR表示可转移负荷转移的最大持续时间，表示用户对应节点i的渐退系数，和分别表示用户对应节点i在时段t的购电电价和基准电价。
式(8)描述了动态电价下可转移负荷功率随电价的变化关系。式(9)表示可转移负荷用电转移过程的恒定电量约束。式(10)则用于描述可转移负荷参与响应后在后续各时段的负荷弹回与分配。在实际情况下，由于终端用户具有不同的生活习惯及行为偏好，相同电价下不同用户可转移负荷的响应特性往往存在巨大差异。因此，对于IEGES运营商而言，可转移负荷特征参数( 及TR)的取值具有高度不确定性。与可削减负荷的情况相似，假设服从的高斯分布，为对应的期望值。
与可削减负荷和可转移负荷不同，可替代负荷是指可根据需要灵活选择用能形式的多能耦合负荷。在IEGES中，可替代负荷主要包括基于电/气混合制冷的空调设备、居民厨房电器等。为实现自身用能成本最小化，可替代负荷的能量选择将主要取决于系统提供的动态电价与天然气价格之间的相对关系。可替代负荷的价格响应特性以如下公式确定：
其中，和分别表示动态电价下用户对应节点i在时段t的可替代负荷功率(包括有功功率和无功功率)及其基准值，表示用户对应节点i在时段t下可替代负荷的价格弹性系数，和分别表示实施综合需求响应前后、用户对应节点i的可替代负荷在时段t下的燃气需求，表示用户对应节点i的电-气热值转换率，表示用户通过对应节点i从电-气互联系统购买天然气的购气价格，为恒定值，表示用户对应节点i在时段t的购电电价。假设服从的高斯分布，为对应的期望值。
具体的，基于源网侧模型，结合上述终端用能负荷的特性，通过Z-number方法构建综合需求侧响应模型。Z-number是在模糊理论的基础上，提出的一种全新不确定性量化方法，Z-number的加入使综合需求侧响应模型同时存在多种类型的不确定变量，需要采用等效概率转化方法以适应DPEF求解。
根据本发明的一个实施例，传统概率性变量包括单台风电机组在时段t的输出功率Pt WT、常规电价下节点i刚性负荷在时段t的用能基准值动态电价下用户对应节点i在时段t的可削减负荷功率基准值动态电价下用户对应节点i在时段t下的可转移负荷功率基准值以及动态电价下用户对应节点i在时段t的可替代负荷功率基准值中至少一种。不确定变量包括用户对应节点i在时段t下可削减负荷的弹性系数用户对应节点i在时段t下可转移负荷的价格弹性系数用户对应节点i在时段t下可替代负荷的价格弹性系数用户对应节点i的渐退系数以及可转移负荷转移的最大持续时间TR中至少一种。
接下来，在步骤S230中，对综合需求侧响应模型中的各不确定变量进行一致化处理，以更新综合需求侧响应模型。根据本发明的一个实施例，可通过如下方式实现不确定变量的一致化处理。首先，通过模糊期望法将所述综合需求侧响应模型中的各不确定变量转换为标准的模糊变量，再采用重心法对得到的各模糊变量进行概率化变换。关于这一处理方法，可参见现有成熟技术，此处不再赘述。此时，IEGES下DPEF的计算式可表示为：
W＝f(X,Y) (13)
其中，W为系统节点输入变量构成的列向量，包括各时段t下节点有功/无功注入功率Pi,t、Qi,t以及节点天然气注入流量Li,t，X为系统待求节点状态变量构成的列向量，包括各时段下电压相角θi,t、电压幅值Ui,t以及节点压力平方Πi,t，Y为系统网络结构参数，f表示函数映射。
IEGES节点输入变量由WT出力、各类负荷用能及其需求响应量共同决定。由于本文将负荷响应视作一类新的随机注入变量纳入计算模型，这使得计及IDR的DPEF与现有PEF算法在系统节点处理方法上具有一致性。节点输入变量的具体计算式如下：
其中，及分别代表时段t系统从外部电网获得的有功功率、无功功率及从天然气站购入的燃气量。
采用扩展牛顿拉夫逊算法对IEGES综合需求侧响应模型进行求解，其修正方程式如下：
其中，ΔP、ΔQ为电力系统节点的有功和无功偏差，ΔL为节点天然气流量偏差，Δθ、ΔU为电力系统节点电压的相角和幅值偏差，ΔП为天然气管道节点压力的平方偏差，J为雅可比矩阵，由电力子阵JE、电气子阵JEG、气电子阵JGE、天然气子阵JG组成。
在步骤S240中，确定最优动态电价，根据最优动态电价下各类负荷的实际响应量分布，对更新后的综合需求侧响应模型进行再次更新。根据本发明的一个实施例，最优动态电价为系统源荷互动成本期望值最小时的电价，系统源荷互动成本的最小期望值以如下公式确定：
min F＝C1+C2 (16)
其中，F表示系统源荷互动成本，C1表示供应侧产生的增量运行费用，C2表示需求侧产生的增量运行费用，min(·)表示求最小值。
进一步的，系统源荷互动成本的最小期望值基于电价优化约束条件获取，电价优化约束条件包括系统功率平衡约束、定价范围约束、功率交互约束和负荷可调特性约束中至少一种。
最后，执行步骤S250，求解再次更新后的综合需求侧响应模型，以计算出电-气互联系统的动态概率能流。根据本发明的一个实施例，基于分段线性化的改进半不变量法(piecewise linearization-based cumulant method，PLCM)，对再次更新后的综合需求侧响应模型进行求解。与传统半不变量法不同，PLCM通过对复杂输入函数进行多点泰勒展开，再根据各分段化样本离散点求取输入变量的半不变量值，有效克服了原算法因输入变量波动范围大而导致的截断误差问题。同时，相比于点估计法等其他算法，PLCM使用方便，鲁棒性好，求解速度快且精度更高。假设各不确定变量之间相互独立，则基于PLCM的DPEF整体计算流程如下：
步骤1：算法初始化及预处理。
1)数据输入及算法初始化。确定系统各节点的性质以及风电出力节点负荷和柔性负荷响应能力 等不确定变量的特征描述参数。
2)统一不确定性变量描述形式。将综合需求侧响应模型中的Z-number参数等效转换为概率形式，以实现对系统中不同类型随机变量的一致化处理。
3)确定最优动态电价。根据系统运行目标，基于相关优化模型确定各时段对应的最优售电电价及各类负荷在该电价下实际响应量分布。
步骤2：计算各输入变量的半不变量。
1)针对各个时段，根据系统各随机输入变量的分布函数，将其分布区间等跨度划分为N个场景并基于扩展牛顿拉夫逊法形成各场景下的能流计算表达式：
Xn-Xn0＝-(Jn)-1(Wn-Wn0) (17)
其中，n代表系统运行场景，Xn、Wn为场景n下系统节点状态变量和输入变量，Xn0、Wn0为场景n下系统状态变量和输入变量的期望值(即基准运行点)，Jn为场景n下的雅可比矩阵，(Jn)-1为Jn的逆。
2)根据各场景下系统输入变量Wn，计算其各阶原点矩e(k)(Wn)：
其中，k代表阶数。
3)基于所得各阶原点矩，进一步求取各场景下系统输入变量的各阶半不变量κ(k)(Wn)：
其中，表示从k个元素中抽取k'个的组合数。
步骤3：计算各状态变量的半不变量。
1)根据式(17)，计算各场景下系统的雅克比矩阵Jn。
2)根据步骤2所得各输入变量的半不变量，由式(19)求取系统状态变量的各阶半不变量κ(k)(Xn)：
其中，代表Jn求逆后各元素的k次方值。
步骤4：计算状态变量的概率分布。
1)基于所得κ(k)(Xn)，利用Cornish-Fisher级数展开求取其在各场景n下的累积概率分布函数H(Xn)。若状态变量的分位数为y，则H(Xn)计算式可表示为：
H(Xn)＝Xn -1(y) (21)
其中，g(y)＝Φ-1(y)，Φ(·)为标准正态分布函数，[σ(Xn)]i代表场景n下系统状态变量标准差的i次方值。
2)根据各预想运行场景发生概率ξn，计算系统各状态变量的累积分布函数H(X)，进而得到关于系统能流分布的相关统计信息：
为验证以上综合需求侧响应模型与动态概率能流分析方法的有效性，以修改的IEEE 9节点电力系统与7节点天然气系统构成的电-气互联系统为例进行计算。图4示出了根据本发明的一个实施例的电-气互联系统的系统结构图。
如图4所示，在该系统中，电力网络共包含2个发电机节点、9个负荷节点和9条支路，并由节点9的PCC与外部电网相连。其中，风电场位于节点5，总装机容量50MW(兆瓦)。假设单台WT额定功率2.5MW，其切入风速、额定风速和切出风速分别为3m/s(米/秒)、15m/s和25m/s。天然气网络包括1个气源节点，7个负荷节点和7条管道支路。GT与P2G设备分别位于天然气系统中的节点6和4，通过上述单元实现电力系统的耦合及能源双向转换。
假设电负荷用户和气负荷用户分别位于电力网络中的节点1、6以及燃气网络中的节点2、4，电-气综合用能用户则位于电网节点2、3、4以及气网节点1、3、5。此外，设用户可转移负荷的特性参数分别满足 以及其中，和分别表示对应的梯形/三角形隶属度函数，和分别表示TR对应的梯形/三角形隶属度函数。从天然气站的购气价格统一为每立方米2.5元，针对终端用户，在常规电价模式下，假设系统售电电价恒定为0.5元/千瓦时，供气价格为每立方米2.8元。
为揭示IDR对IEGES运行的影响作用，假设IEGES中用户的需求价格弹性分别为0(即假定所有负荷均为刚性负荷，不考虑IDR)以及中心点等于-0.6和-1的Z-number，如表1所示。
表1
应用PLCM对不同价格弹性场景下系统24小时概率能流分布进行计算。首先，为验证所得计算结果的准确性，先将基于计及综合需求响应不确定性的系统动态概率能流分析方法200与10000次蒙特卡罗模拟法(Monte-Carlo simulation，MCS)的计算结果进行对比。采用经典的方差和的根均值(average root mean square，ARMS)作为指标，以定量评价PLCM性能与计算误差。将MCS结果作为参考值，得到各时段系统节点电压最大ARMS为0.505％(电网节点5，19:00)，节点气压最大ARMS为0.354％(气网节点4，18:00)。由于上述各值所代表的计算误差均在工程可接受范围之内，说明方法200具有良好的计算准确性。而在计算时间方面，在相同运行环境下(2.8GHz Intel Core i5，8G RAM PC机)，采用方法200所需平均计算时间为5.835秒，而MCS为65.628秒。故方法200在计算效率方面具有明显优势。
IDR的加入使得系统能流的时空分布及节点状态均发生了显著变化。具体而言，当不考虑IDR时(场景I)，由于风力发电和终端用能的双重随机性，系统支路潮流和节点电/气压在一天之内高度波动，进而导致系统在某些时段面临较大越限风险。以电网支路5-4为例，当不计及源荷互动时，由于17:00-18:00时段馈线的负载率较高，且与风电场的电气距离较小，其传输功率将受源荷变化的显著影响，导致其过载概率达到20.7％。而在实施IDR后，由于动态电价使得用户主动追踪风电出力曲线，提高了源荷之间的匹配度；另一方面，可替代负荷的多能替代特性降低了电网侧的功率传输压力。因此，在相同条件下，场景II中支路5-4的期望负载率及潮流波动程度均有明显降低，潮流过载的概率也由原来的20.7％减小到5.1％。然而，随着场景III中需求价格弹性的进一步增大，可替代负荷能源替代的影响将逐渐显现。用气需求的增加会导致天然气网在部分时段(如高电价时段)发生越限的风险随之上升。以燃气支路4-5为例，该支路在场景III下过载概率为10.1％，较场景II高7.5％。
以系统中混合负荷节点2-1为例，与场景I相比，考虑IDR后电价在一天中不同时段变化明显。其中，尖峰电价时段主要出现在傍晚17:00-21:00，而低谷电价则集中在凌晨0:00-4:00期间。这主要因为傍晚17:00-21:00是系统负荷用能高峰时段，而此时从外网购电价格却较高，因此为实现经济性最优的目标，IEGES运营商通过提高售电电价激励用户进行负荷削减或转移替代以降低自身用电需求，从而最大限度减少系统购电成本。而凌晨0:00-4:00属于用电低谷时段，此时REG发电出力大且外购电价格较低，通过实施低位电价可激励用户将SL向该时段转移，同时增加TL用电量而减少用气量，以促进系统经济运行。由于动态电价机制使得需求侧用能可根据系统运行状态灵活调整，因此IDR下用户总体日负荷曲线与REG出力之间具有一致性，而与系统购电成本之间呈现反相关关系。此外，随着需求价格弹性的提高，用户TL由电能向天然气的转移量不断增加，从而导致场景III下系统燃气网在某些时段(如:19:00-21:00)较场景II具有更大的载流压力和越限概率。
以上研究表明，IEGES下IDR对系统运行及其能流分布具有重要影响。合理的IDR管理策略有助于平抑可再生能源发电波动，降低系统运行越限风险，从而提高IEGES的安全性和可靠性。
在IDR建模中，特别考虑了非直控模式下各类不确定性因素及其对系统运行的影响。为验证上述考虑的必要性，分别对计及IDR后系统的DPEF和确定性能流结果进行对比。在DPEF中，相关参数设置与上述场景III相同。而在确定性能流计算中，设终端用户柔性负荷价格弹性系数(和)及响应特性(和TR)均为恒定，其取值为各变量在DPEF中各自对应的期望值。以确定性能流运算结果为参考值，采用ARMS指标以定量评价IDR不确定性对IEGES运行的作用影响。两种方法下各输出变量对应的平均ARMS和最大ARMS情况如表2所示。
表2
由上表结果可见，两种模型下各输出变量的ARMS值均较大，说明IDR不确定性对IEGES能流分布具有重要影响。以电网支路3-4为例，当不考虑IDR不确定性时，该支路在各时段的潮流计算结果均小于其对应的最大载流量限制，因此不存在运行越限风险；而在计及IDR不确定性后，该支路潮流在各时段的最大越限概率达12％。上述差异表明，在非直控模式下，需求侧行为的随机特性会增大系统能流及运行工况的变化，并显著影响IDR效益。因此，在DPEF计算中，计及上述不确定性有助于系统运营商更准确地评估IDR对IEGES真实贡献，从而为系统投资规划和运行决策提供可靠依据。
通过引入Z-number理论，在IDR建模中不仅考虑了用户自身行为的不确定性，还充分计及了信息质量对IDR特性描述的影响。为表明所用方法的有效性，对不同信息可信度下含IDR的系统DPEF计算结果进行对比分析，相关参数设置如表3所示。
表3
假设三种场景下用户的需求价格弹性相同，但相关信息的可靠性不同。其中，场景I假定IDR信息完全可信，即不考虑数据可靠性对IDR建模的影响。因此，该场景下，IDR的Z-number模型将还原为传统模糊模型。而在场景II和III中，假设IDR数据的可靠性分别为低和高，其Z-number模型中的中心点分别等于0.6和0.9。以场景I下系统DPEF结果为参考值，分别计算不同场景下系统输出变量对应的平均和最大ARMS值，如表4所示。
表4
由表4可见，各场景下DPEF输出变量的ARMS值均较大。此外，信息可靠程度越高，ARMS值越大。通过进一步计算可知，随着信息可靠性的降低，系统各支路能流及节点电/气压力的波动增大，导致运行越限风险亦上升。以上结果表明，数据质量对IDR建模及IEGES运行分析具有重要影响。在实际工程中，若忽略IDR项目中可能存在的信息失真问题，可能会极大降低DPEF计算结果的有效性。而本发明所提Z-number方法由于能够灵活计及IDR中相关不确定性信息的影响作用，因此有助于IEGES运营者更为准确地评估IDR预期效益。
通过采用PLCM对模型求解并根据算例分析结果，所得主要结论如下：
1)方法200能够有效分析供需互动环境下IEGES能流分布及预期运行效益，因此可为综合能源运营商实施IDR及最优控制决策提供丰富的信息支持。此外，与传统MCS法相比，方法200在保证相同求解准确性的条件下，大大缩短了计算时间，从而具有更好的工程实用价值。
2)实施IDR将改变IEGES运行特性及能流分布，且其影响程度与终端用户的需求弹性(负荷响应潜力)密切相关。合理的IDR策略有助于减小因源荷随机波动引起的系统运行风险，并提高供能服务的安全性和可靠性。
3)在非直控模式下，用户响应行为的随机性对IEGES运行具有重要影响。因此在PEF分析中，需充分计及IDR中各类不确定因素的作用，以保证最终计算结果的有效性。
4)相比传统不确定建模方法，Z-number模型能够同时考虑用户响应本身及可用数据两方面因素对IDR特性描述的影响，从而可更好地满足实际工程中在有限可靠信息条件下PEF计算需求。
现有的综合需求响应不确定性的系统概率能流分析研究中，并未考虑实际情况下可能存在的各类需求侧管理措施对综合能源系统运行的影响。根据本发明实施例的计及综合需求响应不确定性的系统动态概率能流分析的技术方案，通过深入分析电-气互联系统下不同类型用能负荷的可调特性，提出了一种基于Z-number的综合需求响应不确定性描述模型。与传统分析方法不同，本发明的技术方案不仅能够有效描述非直控型综合需求响应项目中用户响应行为的主观随机性，还充分考虑了基础信息可靠性对建模过程的影响，因此可更为全面地刻画综合需求响应的真实作用效果。通过综合利用模糊期望法和重心法对综合需求侧响应模型中的不确定变量(即Z-number参数)进行概率化转换，实现了对不同类型不确定性变量的统一。将转化后的负荷响应量视作新的随机变量引入电-气互联系统中概率能流计算模型，并利用基于分段线性化的半不变量法实现求解，从而可有效评估综合需求响应对未来综合供能系统的影响。
A9.如A8所述的方法，所述可削减负荷与的变化特性以如下公式确定：
其中，和分别表示动态电价下用户对应节点i在时段t的可削减负荷功率及其基准值，表示用户对应节点i在时段t下可削减负荷的弹性系数，和分别表示用户对应节点i在时段t的购电电价和基准电价。
A10.如A8或9所述的方法，所述可转移负荷的价格响应特性以如下公式确定：
其中，表示用户对应节点i在时段t下可转移负荷的价格弹性系数，及分别表示动态电价下用户对应节点i在时段t下的可转移负荷功率及其基准值，表示可转移负荷由时段t转移至时段t'的负荷值，表示可转移负荷由时段t转移至时段t+1的负荷值，TR表示可转移负荷转移的最大持续时间，表示用户对应节点i的渐退系数，和分别表示用户对应节点i在时段t的购电电价和基准电价。
A11.如A8-10中任一项所述的方法，所述可替代负荷的价格响应特性以如下公式确定：
其中，和分别表示动态电价下用户对应节点i在时段t的可替代负荷功率及其基准值，表示用户对应节点i在时段t下可替代负荷的价格弹性系数，和分别表示实施综合需求响应前后、用户对应节点i的可替代负荷在时段t下的燃气需求，表示用户对应节点i的电-气热值转换率，表示用户通过对应节点i从电-气互联系统购买天然气的购气价格，表示用户对应节点i在时段t的购电电价。
A12.如A1-11中任一项所述的方法，其中，所述基于所述源网侧模型，结合终端用能负荷的特性，构建综合需求侧响应模型的步骤包括：
基于所述源网侧模型，结合终端用能负荷的特性，通过Z-number方法构建综合需求侧响应模型。
A13.如A1-12中任一项所述的方法，其中，所述传统概率性变量包括单台风电机组在时段t的输出功率Pt WT、常规电价下节点i刚性负荷在时段t的用能基准值动态电价下用户对应节点i在时段t的可削减负荷功率基准值动态电价下用户对应节点i在时段t下的可转移负荷功率基准值以及动态电价下用户对应节点i在时段t的可替代负荷功率基准值中至少一种。
A14.如A1-13中任一项所述的方法，其中，所述不确定变量包括用户对应节点i在时段t下可削减负荷的弹性系数用户对应节点i在时段t下可转移负荷的价格弹性系数用户对应节点i在时段t下可替代负荷的价格弹性系数用户对应节点i的渐退系数以及可转移负荷转移的最大持续时间TR中至少一种。
A15.如A12-14中任一项所述的方法，其中，所述对所述综合需求侧响应模型中的各不确定变量进行一致化处理的步骤包括：
通过模糊期望法将所述综合需求侧响应模型中的各不确定变量转换为标准的模糊变量；
采用重心法对得到的各模糊变量进行概率化变换。
A16.如A1-15中任一项所述的方法，其中，所述最优动态电价为系统源荷互动成本期望值最小时的电价，所述系统源荷互动成本的最小期望值以如下公式确定：
min F＝C1+C2
其中，F表示系统源荷互动成本，C1表示供应侧产生的增量运行费用，C2表示需求侧产生的增量运行费用，min(·)表示求最小值。
A17.如A16所述的方法，其中，所述系统源荷互动成本的最小期望值基于电价优化约束条件获取，所述电价优化约束条件包括系统功率平衡约束、定价范围约束、功率交互约束和负荷可调特性约束中至少一种。
A18.如A1-17中任一项所述的方法，其中，所述求解再次更新后的综合需求侧响应模型的步骤包括：
基于分段线性化的改进半不变量法，对再次更新后的综合需求侧响应模型进行求解。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的计及综合需求响应不确定性的系统动态概率能流分析方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (10)
1.一种计及综合需求响应不确定性的系统动态概率能流分析方法，适于在计算设备中执行，所述方法包括：
根据电-气互联系统的特性，建立面向动态概率能流分析的源网侧模型；
基于所述源网侧模型，结合终端用能负荷的特性，构建综合需求侧响应模型，所述综合需求侧响应模型中包括多个传统概率性变量和不确定变量；
对所述综合需求侧响应模型中的各不确定变量进行一致化处理，以更新所述综合需求侧响应模型；
确定最优动态电价，根据所述最优动态电价下各类负荷的实际响应量分布，对更新后的综合需求侧响应模型进行再次更新；
求解再次更新后的综合需求侧响应模型，以计算出所述电-气互联系统的动态概率能流。
2.如权利要求1所述的方法，其中，所述电-气互联系统为以燃气机组和电转气设备作为耦合元件，通过集成整合电力网络和天然气网络而形成的系统。
3.如权利要求1或2所述的方法，其中，所述源网侧模型包括源侧模型和网侧模型，所述源侧模型包括由常规发电机组、可再生能源发电机组、上级电网和天然气站形成的发电模型中至少一种。
4.如权利要求4所述的方法，其中，所述可再生能源发电机组为风电机组，由所述风电机组形成的发电模型以如下公式确定：
其中，Pt WT表示单台风电机组在时段t的输出功率，Pn WT表示单台风电机组在时段t的额定功率，vt、vin，vout和vn分别表示在时段t的瞬时风速、切入风速、切出风速和额定风速。
5.如权利要求1-4中任一项所述的方法，其中，所述源网侧模型包括源侧模型和网侧模型，所述网侧模型包括电力潮流模型、天然气传输模型、天然气传输模型和耦合元件模型中至少一种。
6.如权利要求1-5中任一项所述的方法，其中，所述终端用能负荷包括电负荷和燃气负荷，所述电负荷包括刚性负荷和柔性负荷。
7.如权利要求6所述的方法，所述刚性负荷的运行特性以如下公式确定：
其中，表示节点i刚性负荷在时段t的用电需求和用气需求，表示常规电价下节点i刚性负荷在时段t的用能基准值。
8.如权利要求6或7所述的方法，其中，所述柔性负荷包括可削减负荷、可转移负荷和可替代负荷。
9.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811051850.9A CN109272353B (zh) | 2018-09-10 | 2018-09-10 | 计及综合需求响应不确定性的系统动态概率能流分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811051850.9A CN109272353B (zh) | 2018-09-10 | 2018-09-10 | 计及综合需求响应不确定性的系统动态概率能流分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109272353A true CN109272353A (zh) | 2019-01-25 |
| CN109272353B CN109272353B (zh) | 2020-06-26 |
Family
ID=65187753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811051850.9A Active CN109272353B (zh) | 2018-09-10 | 2018-09-10 | 计及综合需求响应不确定性的系统动态概率能流分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272353B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532642A (zh) * | 2019-08-07 | 2019-12-03 | 西安交通大学 | 一种综合能源系统概率能流的计算方法 |
| CN110555606A (zh) * | 2019-08-21 | 2019-12-10 | 天津大学 | 一种基于总量提高配电网dg消纳水平的方法 |
| CN111404153A (zh) * | 2020-04-16 | 2020-07-10 | 华北电力大学 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
| CN111489193A (zh) * | 2020-03-31 | 2020-08-04 | 杭州鸿晟电力设计咨询有限公司 | 一种电-气互联能源系统下用户价格响应特性的计算方法 |
| CN113379233A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 一种基于高阶矩的行程时间可靠性估计方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102945296A (zh) * | 2012-10-15 | 2013-02-27 | 河海大学 | 一种需求响应视角下的配电网不确定性重构建模方法 |
| CN105634018A (zh) * | 2015-09-22 | 2016-06-01 | 长沙理工大学 | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 |
| WO2016125107A1 (en) * | 2015-02-04 | 2016-08-11 | Bipco-Soft R3 Inc. | Demand response implemented in an infrastructure having a dc link |
| CN106877339A (zh) * | 2017-04-05 | 2017-06-20 | 长沙理工大学 | 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 |
| CN107069773A (zh) * | 2017-02-28 | 2017-08-18 | 天津大学 | 基于需求侧资源统一状态模型的负荷平滑控制方法 |
| CN108256772A (zh) * | 2018-01-25 | 2018-07-06 | 国网浙江省电力有限公司经济技术研究院 | 一种用户侧灵活资源调度不确定性风险评估方法及系统 |
| CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
-
2018
- 2018-09-10 CN CN201811051850.9A patent/CN109272353B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102945296A (zh) * | 2012-10-15 | 2013-02-27 | 河海大学 | 一种需求响应视角下的配电网不确定性重构建模方法 |
| WO2016125107A1 (en) * | 2015-02-04 | 2016-08-11 | Bipco-Soft R3 Inc. | Demand response implemented in an infrastructure having a dc link |
| CN105634018A (zh) * | 2015-09-22 | 2016-06-01 | 长沙理工大学 | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 |
| CN107069773A (zh) * | 2017-02-28 | 2017-08-18 | 天津大学 | 基于需求侧资源统一状态模型的负荷平滑控制方法 |
| CN106877339A (zh) * | 2017-04-05 | 2017-06-20 | 长沙理工大学 | 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 |
| CN108256772A (zh) * | 2018-01-25 | 2018-07-06 | 国网浙江省电力有限公司经济技术研究院 | 一种用户侧灵活资源调度不确定性风险评估方法及系统 |
| CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
Non-Patent Citations (3)
| Title |
|---|
| HAMID REZA MASSRUR 等: "Investigation of Carrier Demand Response", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
| 曾丹 等: "计及价格型负荷响应不确定性的概率潮流计算", 《电力系统自动化》 * |
| 鲍海波 等: "考虑风速相关性和可调度负荷不确定性的区间最优潮流", 《中国电机工程学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532642A (zh) * | 2019-08-07 | 2019-12-03 | 西安交通大学 | 一种综合能源系统概率能流的计算方法 |
| CN110555606A (zh) * | 2019-08-21 | 2019-12-10 | 天津大学 | 一种基于总量提高配电网dg消纳水平的方法 |
| CN110555606B (zh) * | 2019-08-21 | 2023-01-13 | 天津大学 | 一种基于总量提高配电网dg消纳水平的方法 |
| CN111489193A (zh) * | 2020-03-31 | 2020-08-04 | 杭州鸿晟电力设计咨询有限公司 | 一种电-气互联能源系统下用户价格响应特性的计算方法 |
| CN111489193B (zh) * | 2020-03-31 | 2023-08-15 | 杭州鸿晟电力设计咨询有限公司 | 一种电-气互联能源系统下用户价格响应特性的计算方法 |
| CN111404153A (zh) * | 2020-04-16 | 2020-07-10 | 华北电力大学 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
| CN111404153B (zh) * | 2020-04-16 | 2023-08-01 | 华北电力大学 | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 |
| CN113379233A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 一种基于高阶矩的行程时间可靠性估计方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109272353B (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dinh et al. | A home energy management system with renewable energy and energy storage utilizing main grid and electricity selling | |
| Han et al. | Incentivizing prosumer coalitions with energy management using cooperative game theory | |
| Ciupageanu et al. | Real-time stochastic power management strategies in hybrid renewable energy systems: A review of key applications and perspectives | |
| Liu et al. | Optimal coordinated operation of a multi-energy community considering interactions between energy storage and conversion devices | |
| Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
| CN109272353A (zh) | 计及综合需求响应不确定性的系统动态概率能流分析方法 | |
| Cui et al. | Game-based peer-to-peer energy sharing management for a community of energy buildings | |
| Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
| Park et al. | Event-driven energy trading system in microgrids: Aperiodic market model analysis with a game theoretic approach | |
| CN111404153B (zh) | 计及可再生能源与需求响应的能量枢纽规划模型构建方法 | |
| Fan et al. | Review of uncertainty modeling for optimal operation of integrated energy system | |
| Huo et al. | Chance-constrained optimization for integrated local energy systems operation considering correlated wind generation | |
| Fan et al. | A Bi-level optimization model of integrated energy system considering wind power uncertainty | |
| Edwards et al. | Assessing the contribution of nightly rechargeable grid-scale storage to generation capacity adequacy | |
| Gruber et al. | Two-stage optimization for building energy management | |
| Tostado-Véliz et al. | Uncertainty-aware day-ahead scheduling of microgrids considering response fatigue: An IGDT approach | |
| Li et al. | Negotiation-based task scheduling and storage control algorithm to minimize user's electric bills under dynamic prices | |
| Dou et al. | A decentralized multi-energy resources aggregation strategy based on bi-level interactive transactions of virtual energy plant | |
| Wang et al. | Optimal scheduling for integrated energy system considering scheduling elasticity of electric and thermal loads | |
| Wen et al. | Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration | |
| Bentley et al. | Pathways to energy autonomy–challenges and opportunities | |
| Yuan et al. | Bess aided renewable energy supply using deep reinforcement learning for 5g and beyond | |
| Lu et al. | Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties | |
| Qiu et al. | Multi‐objective generation dispatch considering the trade‐off between economy and security | |
| CN104112168B (zh) | 一种基于多代理系统的智能家居优化方法 |
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 |