CN109742812B - 一种提高新能源消纳的源-荷-储协调调度方法 - Google Patents

Abstract

本发明公开一种提高新能源消纳的源‑荷‑储协调调度方法，步骤包括：S1.将火电厂和新能源电厂、用户负荷、储能设备聚合成为源‑荷‑储调度系统，分别获取系统的新能源出力曲线、用热负荷曲线、用电负荷曲线；S2.构建以新能源消纳量最大和系统运行成本最小为目标的源‑荷‑储协调调度模型；S3.利用改进的多目标粒子群算法求解源‑荷‑储协调调度模型，计算得到源‑荷‑储协调调度方法。本发明具有实现方法简单、应用灵活等优点，能够合理利用系统中电源设备、用户负荷、储能设备等可调度资源，在促进新能源消纳的同时，减少系统的运行成本。

Description

一种提高新能源消纳的源-荷-储协调调度方法

技术领域

本发明涉及新能源电力系统技术领域，尤其涉及一种提高新能源消纳的源-荷-储协调调度方法。

背景技术

近年来我国北方地区光伏发电和风力发电发展迅速，大量新能源的并网在一定程度上缓解了能源危机。然而在冬季供暖期，为满足热负荷需求，大量热电联产机组工作在“以热定电”的模式下，机组的电出力取决于供热负荷，导致在冬季供暖期热电机组的电出力调节能力受到很大限制。这种热电耦合关系使得电力系统调峰能力不足，系统通常需要舍弃部分新能源或者切除部分负荷来保障稳定运行，由此造成了大量能源浪费和降低了供电可靠性。

源-荷-储协调调度系统中的可调度资源包括新能源出力、热电联产机组、电锅炉、柔性电负荷、柔性热负荷、储电装置、储热装置。电力系统需要满足功率平衡，当电力系统无法消纳接入的新能源时，系统需要舍弃部分新能源。电网调度中心作为整个电网的信息中枢，负责根据天气以及历史情况预测次日负荷及新能源出力情况，在保证电、热负荷供应的情况下，并兼顾电力系统的运行成本，制定相应的调度方案，通过对系统中电源设备、用户负荷、储能设备等可调度资源进行调整，提高新能源消纳量，同时减少系统的运行成本。

但目前针对电力系统中提高新能源消纳的方法中，通常都是仅在电源侧增加调峰设备来进行“热电解耦”，通过突破热电耦合约束来促进新能源消纳，但是受设备投资和设备爬坡等因素的制约，系统灵活性不足，不能对新能源进行充分消纳。或者单从负荷侧对柔性电、热负荷进行调控，使其跟踪新能源出力进行“削峰填谷”，这样虽然能够增加系统调峰的灵活性，但是受用户满意度和高额调度成本的限制，其调节范围有限。因此，有必要进一步对电力系统的优化问题进一步研究，以得到更好的优化效果。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种能够充分利用电源系统、用户负荷、储能系统中的可调度资源促进新能源消纳，同时减少系统运行成本，且实现方法简单、应用灵活的提高新能源消纳的源-荷-储协调调度方法。

为解决上述技术问题，本发明提出的技术方案为：

一种提高新能源消纳的源-荷-储协调调度方法，步骤包括：

S1.将火电厂和新能源电厂、用户负荷、储能设备聚合成为源-荷-储调度系统，分别获取系统的新能源出力曲线、用热负荷曲线、用电负荷曲线；

S2.建立以新能源消纳量最大和系统运行成本最小为目标的源-荷-储协调调度模型；

S3.利用改进的多目标粒子群算法求解源-荷-储协调调度模型，计算得到源-荷-储协调调度方法。

作为本发明的进一步改进：所述步骤S2中具体根据新能源出力情况、用电负荷需求情况、用热负荷需求情况、热电联产等设备的运行成本、柔性负荷的调度成本建立源-荷-储协调调度模型，使得源-荷-储调度系统的新能源消纳量最大，同时最小化系统的运行成本。

作为本发明的进一步改进，所述源-荷-储调度系统的新能源消纳量具体按下式计算得到：

其中，f₁为源-荷-储调度系统的新能源消纳量，P_w,t表示系统在t时间段的新能源调度出力，Δt为单位时间段调度时长，T为整个周期的调度时段个数。

作为本发明的进一步改进，所述系统的运行成本具体按下式计算得到：

min f₂＝f_gen+f_D+f_S+f_DR

其中，f₂为系统的运行总成本，f_gen、f_D、f_S、f_DR分别为热电联产机组的运行成本、电锅炉的运行成本、储能装置的运行成本、柔性负荷的调度成本；P_Gi,t、H_Gi,t分别为热电联产机组i的电出力和热出力，P_D,t为电锅炉的运行功率，P_sto,t、P_rel,t分别为储电装置的充电功率和放电功率，H_sto,t、H_rel,t分别为储热装置的吸热功率和放热功率，ΔP_DR,t为t时段参与调度的柔性电负荷变化量，T_t ⁱⁿ为柔性热负荷的室内调节温度。

作为本发明的进一步改进：所述源-荷-储协调调度模型包括电功率平衡约束、热功率非实时平衡约束、热电联产机组运行特性约束、电锅炉运行约束、储能装置运行约束、柔性负荷响应阈值约束。

作为本发明的进一步改进：所述步骤S3中的源-荷-储协调调度方法就是源-荷-储协调调度方案，包括热电联产的电出力和热出力、电锅炉运行功率、新能源的消纳量、储能装置的运行情况、柔性负荷的调度情况，通过对其中的一种或者多种可调度资源进行调整来提高新能源的消纳量和减少系统的运行成本。

作为本发明的进一步改进，所述步骤S3中利用改进的多目标粒子群算法求解模型，计算得到源-荷-储协调调度方案，具体计算步骤为：

S31.设置粒子适应度函数，构建改进多目标粒子群算法模型

S32.根据所述源-荷-储协调调度模型的约束条件生成N组调度方案作为改进多目标粒子群算法模型的初代粒子群。

S33.通过所述改进多目标粒子群算法模型的迭代计算，得到优化后的源-荷-储调度方案。

作为本发明的进一步改进，所述步骤S31中粒子适应度函数为所述源-荷-储协调调度模型的运行成本函数，可以表示为：

其中，F为粒子适应度函数值，f₂为源-荷-储调度系统的运行总成本，f_gen、f_D、f_S、f_DR分别为热电联产机组的运行成本、电锅炉的运行成本、储能装置的运行成本、柔性负荷的调度成本。

作为本发明的进一步改进：所述新能源指的是风电、光伏等新型清洁能源中的一种或者多种。

作为本发明的进一步改进：所述各种可调度资源的调整情况具体由电网调度中心确定。

与现有技术相比，本发明的优点在于：

1)本发明针对接入新能源的电力系统，在电源侧增设电锅炉、储能装置进行热电解耦，在负荷侧利用柔性电负荷的激励响应特性和柔性热负荷的供热舒适度模糊性来提高系统的调峰能力，能够综合利用电源侧和负荷侧的资源，在保证用户供热、用电满意度的情况下，进一步扩大新能源消纳空间，提高新能源消纳率。

2)本发明将电力系统中的热电联产的电出力和热出力、电锅炉运行功率、新能源的消纳量、储能装置的运行情况、柔性电负荷和柔性热负荷的调度情况作为可调度资源，并根据热电联供系统的运行成本、电锅炉的运行成本、储能装置的运行成本和柔性负荷的调度成本来调整系统中的可调度资源，在保证系统运行稳定性和供电、供热性能的基础上，使得电力系统的总运行成本最小。

3)本发明将柔性电负荷和柔性热负荷作为电力系统的可调度资源，通过调节柔性电负荷和柔性热负荷，可以平缓电负荷、热负荷的峰谷差，使得火电厂中的热电联产机组能够更好的调节电、热出力，有助于降低设备的维护成本；同时对于参与调节的电、热用户，在满足用电、供热需求的同时，还可以获得一定的调节补偿费用，可以有效提高能源利用率、降低碳排放和煤耗。

4)本发明通过改进的多目标粒子群算法能够快速的计算得到源-荷-储协调调度方案，求解效果好、速度快，不但能够提供系统优化的调度方案，还能够提供该调度方案下的系统运行成本，能够为电力系统的运行提供良好的决策支持。

附图说明

图1是本发明实施例提高新能源消纳的源-荷-储协调调度方法的实现流程示意图。

图2是本发明实施例提高新能源消纳的源-荷-储协调调度方法的调度原理示意图。。

图3是本发明实施例基于改进多目标粒子群算法的模型求解过程示意图。

图4是本发明具体实施例中的风电、光伏联合出力曲线和电、热负荷曲线示意图。

图5是本发明具体实施例中不同运行方式下热电联产的电出力曲线示意图。

图6是本发明具体实施例中不同运行方式下热电联产的热出力曲线示意图。

图7是本发明具体实施例中不同运行方式下电负荷的优化曲线示意图。

图8是本发明具体实施例中不同运行方式下热负荷的优化曲线示意图。

图9是本发明具体实施例中不同运行方式下新能源实际出力曲线示意图。

图10是本发明具体实施例中运行方式4下可调度资源的电出力曲线示意图。

图11是本发明具体实施例中运行方式4下可调度资源的热出力曲线示意图。

图12是本发明具体实施例中两种算法的系统运行成本收敛曲线对比示意图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本发明实施例提高新能源消纳的源-荷-储协调调度方法，步骤包括：

S1.将火电厂和新能源电厂、用户负荷、储能设备聚合成为源-荷-储调度系统，分别获取系统的新能源出力曲线、用热负荷曲线、用电负荷曲线；

S2.建立以新能源消纳量最大和系统运行成本最小为目标的源-荷-储协调调度模型；

S3.利用改进的多目标粒子群算法求解源-荷-储协调调度模型，计算得到源-荷-储协调调度方法。

本实施例中，“源”指的是风电、光伏等新能源和热电联产机组、电锅炉等传统电源设备；“荷”指的是具有调节特性的柔性电、热负荷；“储”指的是储电和储热装置。在电源侧增设电锅炉来消耗电能产生热能，能够在降低热电联产机组承担的热负荷峰值的同时平缓电负荷曲线谷值；在储能侧增设储电和储热装置，利用其工作特性在时间上平移电、热负荷，通过源-储协调运行达到热电解耦的目的。在负荷侧利用激励手段对柔性电、热负荷进行调控来平抑电、热负荷需求曲线，通过源-荷-储协调优化可以在减少煤耗的基础上为消纳新能源提供更大的空间。本实施例的源-荷-储协调优化调度方法的基本原理如图2所示。

本实施例中，步骤S2以新能源消纳量最大和系统运行成本最小为目标，建立的源-荷-储协调调度模型包括热电联产机组模型、电锅炉模型、储能系统模型、柔性负荷模型、新能源消纳模型。热电联产机组模型用于表征热电联产机组的运行成本；电锅炉模型用于表征电锅炉的运行成本；储能系统模型用于表征储能装置的运行成本；柔性负荷模型用于表征柔性负荷的调度成本；新能源消纳模型用于表征电力系统中风电和光伏的消纳量。

在本实施例中，热电联产机组既能满足电负荷需求，又能满足热负荷需求，热电厂通常配置背压式和抽凝式热电联产机组，背压式热电联产机组的热电比固定不变，而抽凝式热电联产机组的热出力一定时，其电出力可在仍具有一定的调节能力。本实施例以抽凝式热电联产机组进行分析，考虑热电联产机组的燃料成本、启停成本和运维成本，热电联供系统的运行成本表示为如式(1)所示：

在式(1)中，f_gen为热电联产机组的运行成本，T为整个周期的调度时段个数,N_g为热电联产机组台数；P_Gi,t、H_Gi,t分别为热电联产机组i的电出力和热出力；a_1,i到a_6,i为热电联产机组i的耗能函数拟合为二次函数后的单位耗能系数；

为热电联产机组i的启停成本系数，U_Gi,t及U_Gi,t-1分别表示热电联产机组i在t和t-1时段的启停状态；

表示热电联产机组i的单位功率运维成本系数。

在本实施例中，利用电锅炉将电能转化为热能来满足热负荷需求，通过随时启停以及调整制热功率来适应热负荷波动，有利于减少热电联产机组承担的热负荷，增强系统运行的灵活性；同时增加低谷时段的电负荷，进一步扩大热电联产机组的发电调节能力，能够起到双重调峰的效果。在本实施例中考虑电锅炉的运维成本和设备折旧成本，则电锅炉的运行成本表示为如式(2)至式(3)所示：

在式(2)和式(3)中，f_D为电锅炉的运行成本，H_D,t、P_D,t分别为电锅炉的制热功率和用电功率；

为电锅炉的电热转换效率；

表示电锅炉的单位功率运维成本系数；

P_DN、n_d、r表示电锅炉的单位容量造价成本、装机容量、折旧年限、基准折现率。

本实施例中，电力系统中的负荷包括传统负荷和柔性负荷，其中传统负荷值指的是不可中断的刚性负荷，柔性负荷指的是可以通过激励手段来调控的响应负荷。通过调整柔性电负荷和柔性热负荷来实现负荷侧在空间上的可控性，从而达到负荷侧调峰的效果。根据柔性电负荷的特性，柔性电负荷的调度成本表示如式(4)所示：

在式(4)中，f_EDR为柔性电负荷的调度成本；ΔP_DR,t为t时段参与调度的柔性电负荷变化量，其值为正时，代表电负荷增加，其值为负时，代表电负荷减少；C_EDR为参与调度的柔性电负荷单位补偿成本系数。

本实施例中，利用热网供热的延时特性以及热用户对温度的舒适模糊性来增加热负荷的柔性调节能力。影响用户温度舒适度需要向用户进行补偿，柔性热负荷的调度成本表示如式(5)至式(8)所示：

f_DR＝f_EDR+f_HDR (8)

在式(5)中和式(8)中，f_DR为柔性负荷的总调度成本；f_EDR、f_HDR分别为柔性电负荷和柔性热负荷的调度成本；H_L,t为系统中的热负荷需求量；S为供热面积，m²；C为单位供热面积下的热容，优选取值1.63×10⁵J/m²℃；ω为建筑物内外温差散热系数，优选取值1.037×10⁵J/m²℃；

分别为t时间段室内、外温度，利用式(8)及温度数据折算出用户热负荷需求；T₀为用户初始设置温度，优选取值20℃；σ为温度可调量；γ为调节单位面积单位室内温度的补贴成本系数。

在本实施例中，利用储电、储热装置与热电联产机组配合参与系统调峰，可以达到转移峰时段的用电、用热负荷的目的，能够有效的提高热电联产机组的调节能力。考虑储电、储热装置的运维成本和设备折旧成本，则储能装置的运行成本表示为如式(9)至式(11)所示：

f_S＝f_ESS+f_TES (9)

在式(9)和式(11)中，f_S为储能装置的运行成本；f_ESS、f_TES分别为储电、储热装置的运行成本；P_sto,t、P_rel,t分别为储电装置的充电功率和放电功率；H_sto,t、H_rel,t分别为储热装置的吸热功率和放热功率；C_ESS、ρ_ESS、H_ESS、L_E和C_TES、ρ_TES、H_TES、L_H分别表示储电装置和储热装置的单位功率运维成本系数、单位容量投资成本、额定配置容量、使用寿命。

本实施例构建以降低系统运行成本和增加新能源消纳量为目标的源-荷-储协调优化调度模型时，具体包括：

1)系统运行成本最小

min f₁＝f_gen+f_D+f_S+f_DR (12)

在式(12)中，f₁为系统总运行成本，f_gen为热电联供机组的运行成本，f_D为电锅炉的运行成本，f_S为储能装置的运行成本，f_DR为柔性负荷的调度成本。

2)新能源消纳量最大

在式(13)中，f₂为系统的新能源消纳量，P_w,t为系统在t时间段的风电、光伏联合调度出力，Δt为单位时间段调度时长，T为整个周期的调度时段个数。

本实施例中，控制目标电力系统在构建源-荷-储协调优化调度模型时，需要考虑电功率平衡约束、热功率非实时平衡约束、热电联产机组运行特性约束、电锅炉运行约束、储能装置运行约束和柔性负荷响应阈值约束中的一种或多种约束条件。约束条件包括如下电功率平衡约束、热功率非实时平衡约束、热电联产机组运行特性约束、电锅炉运行约束、储能装置运行约束和柔性负荷响应阈值约束等：

①电功率平衡约束

在式(14)中，P_L,t为t时间段系统中的总电负荷，其余各参数的定义同上。

②热功率非实时平衡约束

系统中的电功率需要满足实时平衡，而热功率在传输过程中具有延迟性的特点，所以供热功率与热负荷不必满足实时平衡，可以在一定范围内适当的供需不平衡，将热功率曲线转换为空间，使供需关系在一定时间段内具有弹性，其约束可表示为：

在式(15)中，H_L0,t为t时段未实施激励手段时的热负荷需求；H_t、H_L,t分别t时间段系统中的供热功率和热负荷需求；ΔH_DR,t为t时段柔性热负荷变动量；ζ为热功率供需不平衡系数，其余各参数的定义同上。

③热电联产机组运行特性约束

热电联产机组运行特性约束包括电热出力约束、热电比约束、机组爬坡速率约束。

在式(16)中，

分别热电联产机组i的最大、最小热出力；λ_i,t为热电联产机组i在t时段的热电比；

分别热电联产机组i的最大、最小电出力；ΔP_Gi为热电联产机组i的最大爬坡速率，其余各参数的定义同上。

④柔性负荷响应阈值约束

为了不影响用户满意度和保证调度周期内用户整体用电量的平衡，柔性电、热负荷的变动量应保持一定的平衡，因此引入单时段柔性负荷响应阀值约束和响应容量约束。

在式(17)中，K_P为单时段柔性负荷响应阀值；S_Pmax、S_Pmin和S_Hmax、S_Hmin分别表示整个调度周期的柔性电、热负荷响应总容量上下限，其余各参数的定义同上。

⑤储能系统出力约束

储能系统包括储电装置和储热装置，其约束条件包括充放能功率约束、充放能状态约束和储能容量约束等，具体可根据实际需求设定。

采用加权法将多目标问题转化为单目标进行求解，转化过程需要先确定惩罚系数和权重系数，此过程需要大量的经验判断，主观性较强。而智能搜索算法能够有效的避免主观因素影响求解结果。常用的智能算法有多目标粒子群算法、多目标差分进化算法等。

本实施例中，步骤S3利用改进的目标粒子群算法求解源-荷-储协调调度模型，有利于求解得到更为可行的调度方法。本实施例基于改进多目标粒子群算法的模型求解过程如图3所示，具体求解步骤为：

步骤1：根据所述源-荷-储协调调度模型，设定算法基本参数。所述基本参数包括粒子个数N，变量个数M，最大迭代次数k_max,惯性权重最大值w_max,惯性权重最小值w_min,学习因子c₁、c₂；所述变量个数M表示调度模型中待优化的变量个数。

步骤2：初始化每个粒子的位置x₀、速度v₀，粒子群全局极小值，粒子个体极小值；所述粒子为所述调度模型中的可调节量，即热电联产的电出力和热出力、电锅炉的运行功率、新能源的消纳量、储能装置的运行情况、柔性负荷的调度情况。

步骤3：根据粒子适应度函数评价粒子群中的每个粒子，将所述粒子群中的所有粒子代入粒子适应度函数中计算得到各个粒子的适应度和所有粒子的平均适应度；将所述粒子群全局极小值代入粒子适应度函数计算全局适应度值，将所述粒子个体极小值代入粒子适应度函数计算个体适应度值。

步骤4：按修正次数指数衰减的形式改变惯性权重；同时引入惯性权重修正项，通过比较相邻两次迭代粒子种群对应的适应度来调整惯性权重。

步骤5：按照修正方法更新粒子群中每个粒子的位置x_ij，速度v_ij，计算更新后的每个粒子的粒子个体极值和粒子群全局极值。

步骤6：将更新后的粒子个体极小值代入所述粒子适应度函数，获得当前个体适应度值，将所述当前个体适应度值与历史个体适应度值比较，如果所述当前个体适应度值较小，则确定所述当前个体适应度值为更新的历史个体适应度值；更新后的粒子群全局极小值代入所述适应度函数，获得当前全局适应度值，将所述当前全局适应度值与历史全局适应度值比较，如果所述当前全局适应度值较小，则确定所述当前全局适应度值为更新的历史全局适应度值。

步骤7：判断修正次数k是否达到最大迭代次数k_max，若不满足，则返回步骤4；若满足，则执行步骤8。

步骤8：输出所述粒子群全局极小值和所述全局适应度值。

在本实施例中，改进的多目标粒子群算法的每个粒子即为一个决策向量X，也即一个优化控制周期内的调度方案。如图3所示，首先，需要为改进的多目标粒子群算法生成N个调度方案作为初代粒子群，初代粒子群可以在上述式(14)至(17)所示的约束条件范围内随机生成，优选通过经验而人为设置。优选N的取值大于等于100。

在本实施例中，改进的多目标粒子群算法输出的粒子群全局极小值为优化后的源-荷-储协调调度方案，即热电联产的电出力和热出力、电锅炉运行功率、新能源的消纳量、储能装置的运行情况、柔性负荷的调度情况；改进的多目标粒子群算法输出的全局适应度值为所述在优化后的源-荷-储协调调度方案下的系统运行成本。

在本实施例中，通过如式(18)和式(20)所示的修正方法来对粒子进行更新：

在式(18)和式(20)中，i＝1,2,…,N(N为粒子种群规模)；j＝1,2,…,M(M为每个粒子中的变量个数)；

为粒子i对应第j个变量在第k次寻优迭代对应的位置，

为粒子i对应第j个变量在第k次寻优迭代对应的速度；

为粒子i对应第j个变量在第k+1次修正时对应的速度；

为第i个粒子在第k次迭代后需增加的惯性权重扰动量；

为第j个变量在第k次寻优迭代后对应的个体最优位置，

为第j个变量在第k次寻优迭代后对应的全局最优位置；

为第i个粒子在第k次寻优迭代后的惯性权重；c₁、c₂为学习因子；r₁、r₂为服从0～1均匀分布的独立随机数；w_max、w_min为最大、最小惯性权重；k_max为最大迭代次数；f_i ^k为第i个粒子种群在第k次迭代的适应度；

为整个粒子种群在第k次迭代时所对应的平均适应度，

为整个粒子种群在第k次迭代时所对应的全局最优适应度。

在本实施例中，以具体的实验来对本优化调度方法进行验证，选取某风光火储联合发电系统作为研究对象，其中包含3台热电联产机组，总装机容量1200MW；风电装机容量250MW，光伏装机容量50MW，风电、光伏联合预测出力曲线和电、热负荷预测曲线如图4所示；电锅炉的额定容量为80MW；储电、储热装置的额定容量均为80MW；柔性电负荷单位调节成本取值180元/MWh。优选温度可调量σ为2℃，优选柔性负荷阈值K_P为0.2，优选热功率供需不平衡系数ζ为0.2。改进的多目标粒子群算法的主要参数配置为：最大迭代次数K_max为200，粒子个数N为100，最大惯性权重w_max为0.9，最小惯性权重w_min为0.4，学习因子c₁、c₂均取1.5。

在本实施例中，为了验证所提源-荷-储协调优化调度方法的优越性，以系统总运行成本最小和新能源消纳量最大为目标，选取一天24h为调度控制周期，单位调度时段为0.5h，设置以下4种运行方式进行对比分析：

1)方式1：系统调度资源仅考虑热电联产机组的常规运行方式；

2)方式2：源-储实施热电解耦策略，不考虑负荷侧调度；

3)方式3：考虑负荷侧调度，不实施源-储热电解耦策略；

4)方式4：源-荷-储协调优化调度策略。

在本实施例中，通过改进的多目标粒子群算法进行求解，得到优化后的源-荷-储协调调度方案，不同运行方式下热电联产的电出力和热出力情况如图5和图6所示；不同运行方式下电负荷、热负荷的优化情况如图7和图8所示；不同运行方式下新能源实际出力情况如图9所示；4种运行方式下系统运行费用情况如表1所示。

表1：4种运行方式下系统运行费用情况

通过对图5至图9及表1进行分析，方式3和方式4考虑了柔性电、热负荷，有利于平缓电、热负荷需求曲线，热电联产机组的启停成本显著低于方式1和方式2；在方式2下，储能装置也有一定的平缓电、热负荷需求曲线的作用，但是平缓效果不如方式3和4，电锅炉能够利用新能源制热，降低热电联产机组承担的热负荷，减小其燃料成本。

在4-17时段，电、热负荷需求曲线差异明显，系统受热电耦合约束比较大，造成大量新能源的舍弃。方式2利用电锅炉和储能装置解耦热电刚性约束，增加热电联产机组运行的灵活性，但是受到设备额定容量和热电联产机组爬坡调节性能的约束，无法最大化消纳新能源；方式3利用柔性电、热负荷虽然能够平缓热电联产机组的出力曲线，使得系统不受系统爬坡调节性能的限制，但是受柔性负荷阈值约束和高额负荷调度成本的限制，在此运行方式下也不能最大限度消纳新能源；方式4利用电源侧的设备解耦热电刚性约束来扩大新能源消纳空间，同时调度负荷侧资源配合电源侧提高系统新能源消纳率，该运行方式能够有效兼顾新能源消情况和系统运行的经济性。

在20-45时段，虽然电、热负荷需求曲线差异明显，但电负荷需求高于热负荷需求，新能源的电出力缓解了热电联产机组的热电约束，在运行方式2、3、4下，系统均能完全消纳新能源；而在运行方式1下，由于系统缺乏热电调节装置，仅能通过热电联产机组调整出力来适应新能源的波动，导致机组出力波动较大，同时受机组爬坡调节性能和运行经济性的限制，其出力无法完全适应新能源的波动，使得系统舍弃大量新能源。

在本实施例中，源-荷-储协调优化调度运行方式下可调度资源的电出力、热出力如图10和图11所示。通过对图10和图11进行分析，柔性电、热负荷和储能装置能够平移电、热负荷，能够有效的降低系统的峰谷差，同时增加热电联产机组运行的灵活性，减小机组出力的波动性，降低机组启停成本。在源-荷-储协调优化运行方式下仍存在部分新能源未被消纳，一方面的原因在于受电锅炉和储能装置的容量限制；另一方面，柔性电、热负荷通过平缓电、热出力曲线，增加热电联产机组的调节能力，达到增加新能源消纳量和降低系统燃料成本的双重效果，单方面调度柔性电、热负荷增加新能源消纳量而不能降低系统燃料成本是不经济的，由于柔性热负荷受响应总容量的限制，在7-12时段不能增加其响应量来配合柔性电负荷平缓机组的出力曲线，机组受热电耦合约束无法继续减小运行出力来降低燃料成本，故造成部分新能源无法消纳。

在本实施例中，利用改进的多目标粒子群算法求解源-荷-储协调调度模型，为了说明改进的多目标粒子群算法在处理本实施例所提方法的有效性，与传统的多目标粒子群算法的收敛曲线对比结果如图12所示。从图12中收敛曲线可以看出，2种算法在经过200次迭代后都能有效的求解出模型；传统的多目标粒子群算法大约在40多次的迭代后开始收敛，而改进的多目标粒子群算法虽然经过大约70次的迭代后开始收敛，但是其收敛曲线出现了阶段性的平稳后又下降的现象，表明随着迭代的进行不断寻得更优解，体现了改进算法提高跳出局部最优解的能力，且求得结果优于传统的多目标粒子群算法，由此验证了改进算法的有效性。

通过上述实验可以确定，本实施例利用改进的多目标粒子群算法能够有效的求解源-荷-储协调调度模型，所得源-荷-储协调优化调度方法能够综合利用电源侧和负荷侧的可调度资源，在保证用户供热、用电满意度的情况下，进一步扩大新能源消纳空间，提高新能源消纳率，有效的降低系统运行成本。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (6)

1.一种提高新能源消纳的源-荷-储协调调度方法，其特征在于，步骤包括：

S1.将火电厂和新能源电厂、用户负荷、储能设备聚合成为源-荷-储调度系统，分别获取系统的新能源出力曲线、用热负荷曲线、用电负荷曲线；

S2.构建以新能源消纳量最大和系统运行成本最小为目标的源-荷-储协调调度模型；

S3.利用改进的多目标粒子群算法求解源-荷-储协调调度模型，计算得到源-荷-储协调调度方法；

所述步骤S2中具体根据新能源出力情况、用电负荷需求情况、用热负荷需求情况、热电联产设备的运行成本、柔性负荷的调度成本建立源-荷-储协调调度模型，使得源-荷-储调度系统的新能源消纳量最大，同时最小化系统的运行成本；

所述系统的运行成本具体按下式计算得到：

min f₂＝f_gen+f_D+f_S+f_DR

其中，f₂为系统的运行总成本，f_gen、f_D、f_S、f_DR分别为热电联产机组的运行成本、电锅炉的运行成本、储能装置的运行成本、柔性负荷的调度成本；N_g为热电联产机组台数，P_Gi，t、H_Gi，t分别为热电联产机组i的电出力和热出力，a_1，i到a_6，i为热电联产机组i的耗能函数拟合为二次函数后的单位耗能系数，

为热电联产机组i的启停成本系数，U_Gi，t及U_Gi，t-1分别表示热电联产机组i在t和t-1时段的启停状态，

表示热电联产机组i的单位功率运维成本系数；

表示电锅炉的单位功率运维成本系数，P_D，t为电锅炉的运行功率，

P_DN、n_d、r表示电锅炉的单位容量造价成本、装机容量、折旧年限、基准折现率；C_ESS、ρ_ESS、H_EES、L_E和C_TES、ρ_TES、H_TES、L_H分别表示储电装置和储热装置的单位功率运维成本系数、单位容量投资成本、额定配置容量、使用寿命，P_sto，t、P_rel，t分别为储电装置的充电功率和放电功率，H_sto，t、H_rel，t分别为储热装置的吸热功率和放热功率；ΔP_DR，t为t时段参与调度的柔性电负荷变化量，C_EDR为参与调度的柔性电负荷单位补偿成本系数，γ为调节单位面积单位室内温度的补贴成本系数，S为供热面积，m²；T_t ⁱⁿ为柔性热负荷的室内调节温度，T₀为用户初始设置温度。

2.根据权利要求1中所述的提高新能源消纳的源-荷-储协调调度方法，其特征在于，所述源-荷-储调度系统的新能源消纳量具体按下式计算得到：

其中，f₁为源-荷-储调度系统的新能源消纳量，P_w，t表示系统在t时间段的新能源调度出力，Δt为单位时间段调度时长，T为整个周期的调度时段个数。

3.根据权利要求1～2中任意一项所述的提高新能源消纳的源-荷-储协调调度方法，其特征在于，所述源-荷-储协调调度模型包括电功率平衡约束、热功率非实时平衡约束、热电联产机组运行特性约束、电锅炉运行约束、储能装置运行约束、柔性负荷响应阈值约束。

4.根据权利要求1中所述的提高新能源消纳的源-荷-储协调调度方法，其特征在于，所述步骤S3中的源-荷-储协调调度方法就是源-荷-储协调调度方案，包括热电联产的电出力和热出力、电锅炉运行功率、新能源的消纳量、储能装置的运行情况、柔性负荷的调度情况，通过对其中的一种或者多种可调度资源进行调整来提高新能源的消纳量和减少系统的运行成本。

5.根据权利要求1～4中任意一项所述的提高新能源消纳的源-荷-储协调调度方法，其特征在于，所述步骤S3中利用改进的多目标粒子群算法求解源-荷-储协调调度模型，计算得到源-荷-储协调调度方案，具体计算步骤为：

S31.设置粒子适应度函数，构建改进的多目标粒子群算法模型；

S32.根据所述源-荷-储协调调度模型的约束条件生成N组调度方案作为改进多目标粒子群算法模型的初代粒子群；

S33.通过所述改进多目标粒子群算法模型的迭代计算，得到优化后的源-荷-储调度方案。

6.根据权利要求5所述的提高新能源消纳的源-荷-储协调调度方法，其特征在于，所述步骤S31中粒子适应度函数为所述源-荷-储协调调度模型的运行成本函数，表示为：

其中，F为粒子适应度函数值，f₂为源-荷-储调度系统的运行总成本，f_gen、f_D、f_S、f_DR分别为热电联产机组的运行成本、电锅炉的运行成本、储能装置的运行成本、柔性负荷的调度成本。

Images