CN109816556A - 促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略 - Google Patents

Abstract

本发明公开了促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，属于电力系统自动化技术领域。本发明针对弃光现象严重以及综合能源利用率低，无法集中调度引起的资源浪费的问题，建立基于需求响应下，考虑热电联产系统，以分布式光伏发电以及热电联产系统发电为主，向主电网购电为辅的微电网经济调度优化模型。热电联产系统，以同时满足热、电等多种能量的需求，加上分布式光伏的并网运行，更好的提高光伏消纳率以及综合能源的利用效率，保证微电网的安全稳定运行；需求侧响应能够减少储能的容量配置，进一步提高微电网的经济效益。

Description

促进光伏消纳考虑热电联产及需求响应的并网型微电网经济 优化调度策略

技术领域

本发明属于电力系统自动化的技术领域，具体涉及促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略。

背景技术

在电力系统中，光伏发电具有很大的波动性，不利于微电网的安全稳定和经济运行，配备一定的储能系统可以有效的改善这一缺点。在微电网中，加入热电联产系统，同时满足热、电等多种的能量需求，有效提高综合能源的利用效率并产生一定的节能效益。将需求侧响应考虑进微电网系统中，通过可切负荷的方式，使负荷用电与光伏发电以及热电联产系统发电在时间上更加贴近，并减少储能配置的需求，提高光伏消纳率以及微电网整体的安全稳定经济运行。

传统的能源供给方式存在着不能实现多种能源的梯度利用的问题，热电联产系统可以很好的解决这一问题，并获得一定的节能效益。基于需求响应下，将光伏发电与热电联产系统并网运行，能够有效提高光伏消纳率。在微电网系统中，将电源优先给本地负荷供电，多余电量送至电网，当微电网供电不足时，向电网购电并切掉一定不必要的负荷给予赔偿费用，采用这种方式实现微电网的安全稳定运行，提高经济收益。在优化模型上，使用粒子群优化算法，通过粒子之间的不断比较，得到微电网的最佳收益。

发明内容

本发明针对上述背景技术的不足，提出促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略。本发明中，微电网通过分布式光伏发电以及热电联产系统发电满足尽可能热负荷以及其他本地负荷的需求，否则通过切负荷以及向电网购电的方式提高光伏消纳率以及满足微电网的安全稳定运行，并且在满足各个约束条件下，实现微电网自身利益的最大化。

促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，包括如下步骤：

步骤1，在并网运行状态下建立包含热电联产系统的微电网优化调度模型；

所述微电网优化调度模型包括优化目标函数和相应的约束条件两部分，所述优化目标为微电网总运行费用最低，所述约束条件包括功率平衡约束、热电联产调度功率约束、电网与微电网之间交换的传输功率约束和储能充放电功率约束；

步骤2，在所述微电网优化调度模型的基础上建立需求侧响应模型；

所述需求侧响应模型，具体为可切负荷的目标函数及其约束条件；

步骤3，采用粒子群优化算法求解需求侧响应的微电网优化调度的模型，包括首先使用粒子群优化算法求解需求侧响应模型，然后采用粒子群优化算法求解考虑需求侧响应的微电网优化调度模型；

步骤3-1，使用粒子群优化算法求解需求侧响应模型，先缩小可行解的范围，再确定可切负荷切断的时段以及各时段可切负荷的种类和单元数，最后使用粒子群算法求解可切负荷的结果；

步骤3-2，采用粒子群优化算法求解考虑需求侧响应的微电网优化调度模型，包括如下步骤；

步骤3-2-1，在初始范围里，对粒子群进行随机的初始化，随机设置粒子数目、速度和位置，设置迭代的次数，精度的要求；

步骤3-2-2，计算每个粒子的适应度，并根据下式计算适应值更新的惯性权重ω；

ω_max为迭惯性权重上限，是初始值；ω_min为惯性权重下限，是结束值；iter为迭代次数；iter_max为迭代次数的上限；

步骤3-2-3，对于每个粒子将其适应值与经历过最好位置的适应值进行比较，如果当前值更好，使用当前位置更新历史的最优值，否则不变；

步骤3-2-4，将每个粒子的适应值跟全局最佳位置的适应值进行比较，若更好，则将其作为当前全局最好位置，否则不变；

步骤3-2-5，更新每个粒子的速度v；

步骤3-2-6，若粒子的速度小于粒子最大速度，即v＜v_max，速度保持不变，否则v＝v_max；

步骤3-2-7，更新每个粒子的速度v；

步骤3-2-8，若达到精度要求或迭代次数达到上限，则输出结果，得到全局最优值，即微电网的经济最优值；否则，执行步骤3-2-2。

进一步地，所述步骤1中，所述优化目标函数为：

minF(P)＝U_bP(t)P_bgrid(t)c_bP(t)-U_sP(t)P_sgrid(t)c_sP(t)+C_chp(t)

其中

以微电网总运行费用F(P)最低为目标函数，U_bP为t时刻微电网向电网购电的状态(为0时表示不购电，为1时表示购电)，P_bgrid(t)为t 时刻微电网向电网购电的功率，C_bP(t)为t时刻微电网向电网购电的单价，U_sP为t时刻微电网向电网售电的状态(为0时表示不售电，为1 时表示售电)，P_sgrid(t)为t时刻微电网向电网售电的功率，C_sP(t)为t时刻微电网向电网售电的单价，C_chp(t)为t时刻热电联产机组的发电成本； a_i、b_i、c_i为成本函数的系数，P_chp(t)为t时刻热电联产发电功率。

进一步地，所述步骤1中，所述约束条件，具体为：

功率平衡约束：P_grid(t)+P_chp(t)+μP_bat(t)+P_V(t)-P_load(t)＝0

μ为储能充放电状态(为0表示既不充电也不放电，为1表示充电，为-1表示放电)；P_bat(t)为t时刻储能充放电功率；P_V(t)为光伏的预测功率；P_load(t)为负荷预测功率；

热电联产调度功率约束：P_chpmin≤P_chp(t)≤P_chpmax

P_chpmin为热电功联产调度功率的最小值；P_chpmax为热电功联产调度功率的最大值；

电网与微电网之间交换的传输功率约束：P_gridmin≤P_grid(t)≤P_gridmax

P_gridmin为电网与微电网之间交换得传输功率的最小值；P_gridmax为电网与微电网之间交换得传输功率的最大值；其中P_gridmin＝-P_gridmax；

储能充放电功率约束：P_sbat,min(t)＜P_bat(t)＜P_cbat,max(t)

P_sbat,min为储能放电功率的最小值；P_cbat,max为储能充电功率的最大值。

进一步地，所述步骤2中，所述可切负荷目标函数为：

minF₁＝C_LΔP_L(t)，其中F₁为切负荷所产生的赔偿费用，C_L为可切负荷的单位赔偿费用，ΔP_L(t)为t时刻可切负荷的功率；所述约束条件为： 0≤ΔP_L(t)≤P_Lmax(t)，其中P_Lmax(t)为t时刻可切负荷功率的最大值。

进一步地，所述步骤3中，步骤3-1使用粒子群优化算法求解需求侧响应模型，其具体步骤为：

步骤3-1-1，输入基础数据，具体地，输入响应时间内光伏发电和负荷的数据，设定可切负荷的信息；

步骤3-1-2，确定可切负荷接入和切断的时间；

计算出一个周期内每个时段光伏发电功率、热电联产系统发电功率、负荷以及可切负荷的功率；将每个时段的发电和热电联产系统发电功率和负荷侧进行比较，如果某个时段负荷大于或者等于光伏发电以及热电联产发电功率，则为负荷可切时段，否则为负荷接入时段；

步骤3-1-3，确定切断时段可切负荷的种类以及数量；

计算可切负荷接入时段光伏与热电联产系统的发电量与负荷电量的差值为可接入的电量，负荷切断时段负荷电量大于光伏以及热电联产系统发电量中可切负荷部分为切断负荷的总量，以此确定每个时段需要切断的负荷的种类和数量；

步骤3-1-4，求解负荷可切过程；

采用粒子群算法获取各时间段负荷可切的结果。

本发明提出促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，通过微电网中分布式光伏发电以及热电联产系统发电，提高光伏消纳率以及综合能源的利用效率，实现整个微电网系统的安全稳定运行，提高经济收益。

附图说明

图1为本发明所述优化调度策略流程框图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，包括如下步骤：

步骤1，在并网运行状态下建立包含热电联产系统的微电网优化调度模型。

所述微电网优化调度模型包括优化目标函数和相应的约束条件两部分，所述优化目标为微电网总运行费用最低，所述约束条件包括功率平衡约束、热电联产调度功率约束、电网与微电网之间交换的传输功率约束和储能充放电功率约束。

所述优化目标函数为：

minF(P)＝U_bP(t)P_bgrid(t)c_bP(t)-U_sP(t)P_sgrid(t)c_sP(t)+C_chp(t)

其中

以微电网总运行费用F(P)最低为目标函数，U_bP为t时刻微电网向电网购电的状态(为0时表示不购电，为1时表示购电)，P_bgrid(t)为t 时刻微电网向电网购电的功率，C_bP(t)为t时刻微电网向电网购电的单价，U_sP为t时刻微电网向电网售电的状态(为0时表示不售电，为1 时表示售电)，P_sgrid(t)为t时刻微电网向电网售电的功率，C_sP(t)为t时刻微电网向电网售电的单价，C_chp(t)为t时刻热电联产机组的发电成本； a_i、b_i、c_i为成本函数的系数，P_chp(t)为t时刻热电联产发电功率。

所述约束条件，具体为：

功率平衡约束：

P_grid(t)+P_chp(t)+μP_bat(t)+P_V(t)-P_load(t)＝0

μ为储能充放电状态(为0表示既不充电也不放电，为1表示充电，为-1表示放电)；P_bat(t)为t时刻储能充放电功率；P_V(t)为光伏的预测功率；P_load(t)为负荷预测功率。

热电联产调度功率约束：

P_chpmin≤P_chp(t)≤P_chpmax

P_chpmin为热电功联产调度功率的最小值；P_chpmax为热电功联产调度功率的最大值。

电网与微电网之间交换的传输功率约束：

P_gridmin≤P_grid(t)≤P_gridmax

P_gridmin为电网与微电网之间交换得传输功率的最小值；P_gridmax为电网与微电网之间交换得传输功率的最大值；其中P_gridmin＝-P_gridmax。

储能充放电功率约束：

P_sbat,min(t)＜P_bat(t)＜P_cbat,max(t)

P_sbat,min为储能放电功率的最小值；P_cbat,max为储能充电功率的最大值。

步骤2，在所述微电网优化调度模型的基础上建立需求侧响应模型。

所述需求侧响应模型，具体为可切负荷的目标函数及其约束条件。

所述可切负荷目标函数为：minF₁＝C_LΔP_L(t)，其中F₁为切负荷所产生的赔偿费用，C_L为可切负荷的单位赔偿费用，ΔP_L(t)为t时刻可切负荷的功率。

所述约束条件为：0≤ΔP_L(t)≤P_Lmax(t)，其中P_Lmax(t)为t时刻可切负荷功率的最大值。

步骤3，采用粒子群优化算法求解需求侧响应的微电网优化调度的模型，包括首先使用粒子群优化算法求解需求侧响应模型，然后采用粒子群优化算法求解考虑需求侧响应的微电网优化调度模型。

步骤3-1，使用粒子群优化算法求解需求侧响应模型，先缩小可行解的范围，再确定可切负荷切断的时段以及各时段可切负荷的种类和单元数，最后使用粒子群算法求解可切负荷的结果，其具体步骤为：

步骤3-1-1，输入基础数据，具体地，输入响应时间内光伏发电和负荷的数据，设定可切负荷的信息。

步骤3-1-2，确定可切负荷接入和切断的时间。

计算出一个周期内每个时段光伏发电功率、热电联产系统发电功率、负荷以及可切负荷的功率；将每个时段的发电和热电联产系统发电功率和负荷侧进行比较，如果某个时段负荷大于或者等于光伏发电以及热电联产发电功率，则为负荷可切时段，否则为负荷接入时段。

步骤3-1-3，确定切断时段可切负荷的种类以及数量。

计算可切负荷接入时段光伏与热电联产系统的发电量与负荷电量的差值为可接入的电量，负荷切断时段负荷电量大于光伏以及热电联产系统发电量中可切负荷部分为切断负荷的总量，以此确定每个时段需要切断的负荷的种类和数量。

步骤3-1-4，求解负荷可切过程；采用粒子群算法获取各时间段负荷可切的结果。

步骤3-2，采用粒子群优化算法求解考虑需求侧响应的微电网优化调度模型，包括如下步骤。

步骤3-2-1，在初始范围里，对粒子群进行随机的初始化，随机设置粒子数目、速度和位置，设置迭代的次数，精度的要求。

步骤3-2-2，计算每个粒子的适应度，并根据下式计算适应值更新的惯性权重ω。

ω_max为迭惯性权重上限，是初始值；ω_min为惯性权重下限，是结束值；iter为迭代次数；iter_max为迭代次数的上限。

步骤3-2-3，对于每个粒子将其适应值与经历过最好位置的适应值进行比较，如果当前值更好，使用当前位置更新历史的最优值，否则不变。

步骤3-2-4，将每个粒子的适应值跟全局最佳位置的适应值进行比较，若更好，则将其作为当前全局最好位置，否则不变。

步骤3-2-5，更新每个粒子的速度v。

步骤3-2-6，若粒子的速度小于粒子最大速度，即v＜v_max，速度保持不变，否则v＝v_max。

步骤3-2-7，更新每个粒子的速度v。

步骤3-2-8，若达到精度要求或迭代次数达到上限，则输出结果，得到全局最优值，即微电网的经济最优值；否则，执行步骤3-2-2。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (5)

1.促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，其特征在于：所述优化调度策略包括如下步骤：

步骤1，在并网运行状态下建立包含热电联产系统的微电网优化调度模型；

所述微电网优化调度模型包括优化目标函数和相应的约束条件两部分，所述优化目标为微电网总运行费用最低，所述约束条件包括功率平衡约束、热电联产调度功率约束、电网与微电网之间交换的传输功率约束和储能充放电功率约束；

步骤2，在所述微电网优化调度模型的基础上建立需求侧响应模型；

所述需求侧响应模型，具体为可切负荷的目标函数及其约束条件；

步骤3，采用粒子群优化算法求解需求侧响应的微电网优化调度的模型，包括首先使用粒子群优化算法求解需求侧响应模型，然后采用粒子群优化算法求解考虑需求侧响应的微电网优化调度模型；

步骤3-1，使用粒子群优化算法求解需求侧响应模型，先缩小可行解的范围，再确定可切负荷切断的时段以及各时段可切负荷的种类和单元数，最后使用粒子群算法求解可切负荷的结果；

步骤3-2，采用粒子群优化算法求解考虑需求侧响应的微电网优化调度模型，包括如下步骤；

步骤3-2-1，在初始范围里，对粒子群进行随机的初始化，随机设置粒子数目、速度和位置，设置迭代的次数，精度的要求；

步骤3-2-2，计算每个粒子的适应度，并根据下式计算适应值更新的惯性权重ω；

ω_max为迭惯性权重上限，是初始值；ω_min为惯性权重下限，是结束值；iter为迭代次数；iter_max为迭代次数的上限；

步骤3-2-3，对于每个粒子将其适应值与经历过最好位置的适应值进行比较，如果当前值更好，使用当前位置更新历史的最优值，否则不变；

步骤3-2-4，将每个粒子的适应值跟全局最佳位置的适应值进行比较，若更好，则将其作为当前全局最好位置，否则不变；

步骤3-2-5，更新每个粒子的速度v；

步骤3-2-6，若粒子的速度小于粒子最大速度，即v＜v_max，速度保持不变，否则v＝v_max；

步骤3-2-7，更新每个粒子的速度v；

步骤3-2-8，若达到精度要求或迭代次数达到上限，则输出结果，得到全局最优值，即微电网的经济最优值；否则，执行步骤3-2-2。

2.根据权利要求1所述的促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，其特征在于：所述步骤1中，所述优化目标函数为：

minF(P)＝U_bP(t)P_bgrid(t)c_bP(t)-U_sP(t)P_sgrid(t)c_sP(t)+C_chp(t)

其中

以微电网总运行费用F(P)最低为目标函数，U_bP为t时刻微电网向电网购电的状态(为0时表示不购电，为1时表示购电)，P_bgrid(t)为t时刻微电网向电网购电的功率，C_bP(t)为t时刻微电网向电网购电的单价，U_sP为t时刻微电网向电网售电的状态(为0时表示不售电，为1时表示售电)，P_sgrid(t)为t时刻微电网向电网售电的功率，C_sP(t)为t时刻微电网向电网售电的单价，C_chp(t)为t时刻热电联产机组的发电成本；a_i、b_i、c_i为成本函数的系数，P_chp(t)为t时刻热电联产发电功率。

3.根据权利要求1所述的促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，其特征在于：所述步骤1中，所述约束条件，具体为：

功率平衡约束：P_grid(t)+P_chp(t)+μP_bat(t)+P_V(t)-P_load(t)＝0

μ为储能充放电状态(为0表示既不充电也不放电，为1表示充电，为-1表示放电)；P_bat(t)为t时刻储能充放电功率；P_V(t)为光伏的预测功率；P_load(t)为负荷预测功率；

热电联产调度功率约束：P_chpmin≤P_chp(t)≤P_chpmax

P_chpmin为热电功联产调度功率的最小值；P_chpmax为热电功联产调度功率的最大值；

电网与微电网之间交换的传输功率约束：P_gridmin≤P_grid(t)≤P_gridmax

P_gridmin为电网与微电网之间交换得传输功率的最小值；P_gridmax为电网与微电网之间交换得传输功率的最大值；其中P_gridmin＝-P_gridmax；

储能充放电功率约束：P_sbat,min(t)＜P_bat(t)＜P_cbat,max(t)

P_sbat,min为储能放电功率的最小值；P_cbat,max为储能充电功率的最大值。

4.根据权利要求1所述的促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，其特征在于：所述步骤2中，所述可切负荷目标函数为：minF₁＝C_LΔP_L(t)，其中F₁为切负荷所产生的赔偿费用，C_L为可切负荷的单位赔偿费用，ΔP_L(t)为t时刻可切负荷的功率；所述约束条件为：0≤ΔP_L(t)≤P_Lmax(t)，其中P_Lmax(t)为t时刻可切负荷功率的最大值。

5.根据权利要求1所述的促进光伏消纳考虑热电联产及需求响应的并网型微电网经济优化调度策略，其特征在于：所述步骤3中，步骤3-1使用粒子群优化算法求解需求侧响应模型，其具体步骤为：

步骤3-1-1，输入基础数据，具体地，输入响应时间内光伏发电和负荷的数据，设定可切负荷的信息；

步骤3-1-2，确定可切负荷接入和切断的时间；

计算出一个周期内每个时段光伏发电功率、热电联产系统发电功率、负荷以及可切负荷的功率；将每个时段的发电和热电联产系统发电功率和负荷侧进行比较，如果某个时段负荷大于或者等于光伏发电以及热电联产发电功率，则为负荷可切时段，否则为负荷接入时段；

步骤3-1-3，确定切断时段可切负荷的种类以及数量；

计算可切负荷接入时段光伏与热电联产系统的发电量与负荷电量的差值为可接入的电量，负荷切断时段负荷电量大于光伏以及热电联产系统发电量中可切负荷部分为切断负荷的总量，以此确定每个时段需要切断的负荷的种类和数量；

步骤3-1-4，求解负荷可切过程；

采用粒子群算法获取各时间段负荷可切的结果。