CN110350523A - 基于需求响应的多能源互补优化调度方法 - Google Patents

Abstract

本发明公开了一种基于需求响应的多能源互补优化调度方法，属于电力系统自动化的技术领域。所述方法包括：建立基于需求响应调度模型的多能源互补优化调度模型并设置约束条件；采用粒子群算法对多能源互补优化调度模型进行仿真求解：根据所述仿真求解的结果，调度微电网中的可调负荷。本发明实现了削峰填谷以及双方经济效益最优的目的，且经济效益也有所增加。

Description

基于需求响应的多能源互补优化调度方法

技术领域

本发明属于电力系统自动化技术领域，具体涉及一种基于需求响应的多能源互补优化调度方法。

背景技术

随着全球气候变暖与化石燃料的极度消耗，新型清洁式能源越来越得到世界范围的广泛关注。为满足国家“十三五”的能源战略要求，间歇式清洁能源并网的渗透率将日益增加。通过研究“风、光、储”的发电特性，合理构建能源结构是未来大量间歇式能源并网的首要选择。但大量间歇式能源并网对配电网的冲击越来越险峻，且风光日前出力预测技术、鲁棒优化理论等对电能日前调度策略的实施均有一定的局限性，同时储能的投资收益回收缓慢，这些对供电侧的安全性以及经济效益有较大影响；且随着智能电网的快速发展，传统固定电价和峰时电价的延时性已经不适用于对不确定性电能的调控以及智能微电网的发展。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于需求响应的多能源互补优化调度方法，以解决现有技术中存在的固定电价和峰时电价的延时性不适用于对不确定性电能的调控的问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于需求响应的多能源互补优化调度方法，所述方法包括：

建立基于需求响应调度模型的多能源互补优化调度模型并设置约束条件；

采用粒子群算法对多能源互补优化调度模型进行仿真求解：

根据所述仿真求解的结果，调度微电网中的可调负荷。

进一步的，所述多能源互补优化调度模型包括：

以微电网系统经济效益收益最大为目标建立多能源互补优化调度模型：

maxC＝C_out-C_in+C_PV，

其中，C为微电网系统的总收益；C_out为微电网向用户出售电能的电价收益；C_in为微电网向配电网购买电能的电价成本；C_PV为政府给予光伏电站发电功率的电能补贴；c_sell为微电网向用户出售电能的电价；c_buy为微电网向配电网购买单位电能的电价，c_PVsub为分布式光伏电站发电单位补贴；P_out,t表示在t时段微电网向用户侧出售的电能；P_in,t表示在t时段微电网向配电网购买的电能；P_PV,t表示在t时段分布式光伏电站发电的电能。

进一步的，所述约束条件包括系统功率平衡约束、储能充放电功率约束、储能电池荷电状态约束、基于价格型需求响应的电价约束。

进一步的，所述系统功率平衡约束为：

P_PV,t+P_wind,t-P_PVcur,t-P_windcur,t+P_BESS,t＝P_load,t+P_in,t (3)，

其中，P_PV,t表示在t时段分布式光伏电站发电的电能，P_wind,t为t时段风机发电的电能；P_PVcur,t为t时段光伏电站的弃光功率；P_windcur,t为t时段弃风的功率；P_BESS,t为t时段储能的充放电功率；P_load,t为t时段微电网内用户侧的响应负荷功率；P_in,t表示在t时段微电网向配电网购买的电能；当P_BESS,t≥0时表示储能处于放电状态，当P_BESS,t＜0时表示储能处于充电状态；

所述储能充放电功率约束为：

η_BESS·P_BESS,min≤P_BESS,t≤η_BESSP_BESS,max (4)，

其中，η_BESS为储能充放电的效率；P_BESS,min为储能最小充放电功率的绝对值，P_BESS,max为储能最大的充放电功率的绝对值；

所述储能电池荷电状态约束为：

其中，SOC_t表示t时刻储能的荷电状态；SOC_min、SOC_max分别为储能荷电状态的上、下限；Q_BESS为储能容量；P_BESS为储能的充放电功率。

所述基于价格型需求响应的电价约束为：

R_min≤R_t≤R_max (6)，

其中，R_t表示t时段的响应电价；R_min和R_max分别表示电价的上下限。

进一步的，所述用户侧的负荷需求求解方法包括：

a、数据初始化，根据微电网优化调度模型输入模型参数和PSO算法参数，初始化粒子种群，种群中每一个粒子个体都对应着一个调度周期内的调度方案；

b、将粒子个体作为系统变量输入仿真模型，基于约束条件产生可行解，对违背约束的变量进行修正，并计算系统的运行成本作为个体适应度值；

c、将个体适应度作为优化模型的输入，更新粒子速度、位置得到子代种群；

对每个粒子，将其适应值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的pbest和gbest的值，更新gbest；

返回步骤c，判断是否满足终止条件，取终止条件为最大迭代次数或满足约束条件，若满足则程序结束，输出最终的优化调度结果。

进一步的，所述需求响应调度模型包括：

以用户侧负荷曲线尽量贴近风电、光伏出力的曲线为目标建立需求响应调度模型；

其中，价格弹性系数ε_st用来表示电价的变动引起相对的用电需求量的变动，当s＝t时表示自弹性，s≠t时表示互弹性，计算公式如下：

式中：P_load,t分别为t时刻需求响应前、后的负荷量；R_t分别为t时刻需求响应前后的用电价格，R_s分别为s时刻需求响应前后的用电价格；s、t代表时间，其中，s表示其他时刻，t表示当前时刻，s、t＝1,2,…,T；为数学求偏导符号；ε_ss为自弹性的价格弹性系数。

与现有技术相比，本发明所达到的有益效果是：

本发明通过建立需求响应调度模型的多能源互补优化调度模型，在满足当地负荷需求的前提下，实现了可再生能源的最大消纳量，减少了弃风、光成本与效益；同时考虑到用户侧用能的随机性与固定性，基于价格型的需求响应理论，充分利用电价策略引导用户侧的用能，从而达到削峰填谷以及双方经济效益最优的目的；利用带压缩因子的粒子群算法对模型进行求解，仿真结果表明了基于价格型的需求响应对风光储能源结构有较大调整，可以有效进行削峰填谷，且经济效益也有所增加。

附图说明

图1为多能源互补优化调度方法的结构图；

图2为需求响应前后的负荷曲线变化图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

为平抑大量分布式能源并入配电网带来的波动性、安全性影响，研究多种能源的出力特性，在满足当地负荷需求的前提下，追求可再生能源的最大消纳量，减少弃风、光成本与效益；同时考虑到用户侧用能的随机性与固定性，基于价格型的需求响应理论，充分利用电价策略引导用户侧的用能，从而达到削峰填谷以及双方经济效益最优的目的。并利用带压缩因子的粒子群算法对所建模型进行求解，通过分析有无储能及有无采用价格型的需求响应方法的分析，可以得出相关建议与结论。

下面结合图1对发明的技术方案进行详细说明。本发明提出基于需求响应的多能源互补优化调度方法。

(一)建立基于需求响应调度模型的多能源互补优化调度模型：

(1)优化目标：

经济利益最大化：

max C＝C_out-C_in+C_PV (1)，

其中：

其中，C为微电网系统的总收益；C_out为微电网向用户出售电能的电价收益；C_in为微电网向配电网购买电能的电价成本；C_PV为政府给予光伏电站发电功率的电能补贴；c_sell为微电网向用户出售电能的电价；c_buy为微电网向配电网购买单位电能的电价，c_PVsub为分布式光伏电站发电单位补贴；P_out,t表示在t时段微电网向用户侧出售的电能；P_in,t表示在t时段微电网向配电网购买的电能；P_PV,t表示在t时段分布式光伏电站发电的电能。

(2)系统功率平衡约束：

P_PV,t+P_wind,t-P_PVcur,t-P_windcur,t+P_BESS＝P_load,t+P_in,t (3)，

其中，P_PV,t表示在t时段分布式光伏电站发电的电能，P_wind,t为t时段风机发电的电能；P_PVcur,t为t时段光伏电站的弃光功率；P_windcur,t为t时段弃风的功率；P_BESS,t为t时段储能的充放电功率；P_load,t为t时段微电网内用户侧的响应负荷功率；P_in,t表示在t时段微电网向配电网购买的电能；当P_BESS,t≥0时表示储能处于放电状态，当P_BESS,t＜0时表示储能处于充电状态。

(3)储能充放电功率约束：

η_BESS·P_BESS,min≤P_BESS,t≤η_BESSP_BESS,max (4)，

其中，η_BESS为储能充放电的效率；P_BESS,min为储能最小充放电功率的绝对值，P_BESS,max为储能最大的充放电功率的绝对值。

(4)储能电池荷电状态约束：

其中，SOC_t表示t时刻储能的荷电状态；SOC_min、SOC_max分别为储能荷电状态的上、下限；Q_BESS为储能容量；P_BESS为储能的充放电功率。

(5)基于价格型需求响应的电价约束：

R_min≤R_t≤R_max (6)，

其中，R_t表示t时段的响应电价；R_min和R_max分别表示电价的上下限。

(二)建立基于价格的需求响应调度模型：

并网型微电网内含有分布式光伏、风机以及储能系统、负荷，实行“自发自用、余电上网、电网调剂”的调度策略。在风电、光伏发电电量满足负荷需求、储能系统完成充电情况下电量仍然富裕时，富裕电量上网由此产生售电收益；而在风电、光伏出力无法满足负荷需求时，首先考虑利用储能系统对负荷实现消纳，此外不足电量从配电网购买。而日常生活中，负荷由于用户侧生活作息有着明显的峰谷特性，基于此，考虑基于价格的需求响应调度模型。利用用户侧对电价的敏感信息，通过对微电网内用电电价的调整，利用电价信息引导用户侧用电，使得负荷曲线尽量贴近风电、光伏出力的曲线，从而降低对微电网内储能系统的配置需求。

微电网电价的变化，将会直接影响到用户的用电行为，从而影响系统内可调负荷的变化，忽略其他因素影响，只考虑电价对用户用电行为的影响。

基于价格型的需求响应(PBDR)通过实施峰谷分时电价，转移部分峰时段的负荷需求到谷时段，由此达到平缓负荷用电曲线的目的。PBDR后负荷需求计算公式如下：

其中，价格弹性系数ε_st用来表示电价的变动引起相对的用电需求量的变动，当s＝t时表示自弹性，s≠t时表示互弹性，计算公式如下：

式中：P_load,t分别为t时刻需求响应前、后的负荷量；R_t分别为t时刻需求响应前后的用电价格，R_s分别为s时刻需求响应前后的用电价格；s、t代表时间，其中，s表示其他时刻，t表示当前时刻，s、t＝1,2,…,T；为数学求偏导符号；ε_ss为自弹性的价格弹性系数。

本发明中基于价格型的需求响应主要作用是改善负荷的峰谷特性，平滑负荷出力，使得负荷与分布式新能源在时序上更加贴近，从而有利于消纳分布式清洁能源，并减少储能系统的配置需求与成本问题。因此，本专利首先对典型日的负荷需求数据，建立计及价格型的需求响应进行优化运行。且模型中峰时电价周期为24h，单位分段时长为1h。

(三)采用粒子群算法对上述模型进行仿真求解：

以上是一个复杂的微电网优化调度模型，采用粒子群优化算法对模型进行求解。该算法从随机解出发，在当前最优解的基础上不断迭代，寻找全局最优解。具体步骤如下：

Step1：数据初始化。根据微电网优化调度模型输入模型参数和PSO算法参数等。同时，初始化粒子种群，种群中每一个粒子个体都对应着一个调度周期内的调度方案；

Step2：将粒子个体作为系统变量输入仿真模型，基于约束条件产生可行解，对违背约束的变量进行修正，并计算系统的运行成本作为个体适应度值；

Step3：将个体适应度作为优化模型的输入，更新粒子速度、位置得到子代种群；

Step4：对每个粒子，将其适应值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的pbest和gbest的值，更新gbest；

Step5：返回步骤3)，判断是否满足终止条件。本文取终止条件为最大迭代次数或满足约束条件，若满足则程序结束，输出最终的优化调度结果。

为对所建模型进行算例仿真，选择某地区典型日负荷为需求负荷，考虑微电网系统接入2*1MW风电机组和5*0.2MW光伏发电机组，以及1*0.5MW的储能系统。本发明首先对典型日的负荷需求数据，建立计及价格型的需求响应进行优化运行。模型周期为24h，单位分段时长为1h。划分峰、平、谷时段，并确定电力价格弹性矩阵，设定PBDR前用电价格为0.55元/(KW.h)，光伏发电每度补贴价格为0.62元/(KW.h)，PBDR后峰、谷时段分别上调25％和下调40％。

具体峰平谷时段划分如下：

表1.峰平谷时段的划分

并由此可以得出，需求响应前后负荷需求的变化曲线图，如图2所示，从图中的两条曲线可以清楚地看出，与原始负荷相比，需求响应后相邻时间间隔内的负荷相对稳定，降低了微电网电能调节和控制的难度。在基于价格型的需求响应情况下，由于电价的引导，对微电网中明显起着调峰填谷的重要作用。

为验证基于价格型的需求响应对微电网储能系统配置需求成本具有一定的降低作用，且可有效提高微电网的运营效益。故设置3种场景来分析PBDR对微电网储能系统的配置成本以及系统净收益的影响问题。场景1：微电网不包含储能系统，且不考虑PBDR；场景2：微电网包含储能系统，但不考虑PBDR；场景3：微电网包含储能系统，且考虑PBDR。4种场景下的系统优化结果列表如下所示：

表2.三种场景的对比结果

通过对比表中场景1和场景2中数据可知：配置储能系统后，微电网内的弃风光降为0，全天弃风光量减少了1.5MW.h，且储能系统带来的效益比其成本更为明显，微电网整个系统效益增加了0.15千元。由此可以说明，配置储能系统不仅可以减少微电网内的弃风光率，还可以增加整个系统的经济效益。

通过对比表中场景2和场景3的数据可知：在考虑PBDR前后，微电网系统的净收益增加了0.53千元，且蓄电池配置数量减少了7724个。由此可以发现在考虑基于价格型的需求响应方法后，微电网系统的购电成本和储能系统成本均有较大幅度的削减。

为实现微电网中可再生能源的最大消纳，实现微电网系统经济效益最大化的目的，采用电价变化引导负荷需求，并利用储能系统来应对风光发电和负荷用电的不确定性，建立了考虑需求响应的多能源优化调度模型，分析基于价格型的需求响应方法对微电网储能系统优化配置的影响机理。该算例结果表明了PBDR具有较好的削峰填谷效果，不仅降低了储能系统配置的成本，同时增加了微电网运营的效益。

以微电网系统经济效益收益最大为目标建立基于需求响应的多能源互补优化调度模型，考虑分布式风电、光伏出力的不确定性问题，利用基于价格型的需求响应调度策略引导用户侧用电，使之与分布式风电、光伏出力曲线贴近，探讨在有无需求响应、有无储能系统的场景下，微电网的弃风光成本、微电网购售电收益、储能系统成本等数据的对比，通过利用带压缩因子的粒子群算法对所建模型进行求解，得到本发明的相关结论，所述基于需求响应的多能源互补优化调度方法以微电网系统利益最大化为目标且包含计及微电网、储能系统以及配电网的购售电量的负荷平衡约束等相关约束。

本发明针对大规模间歇式能源并网对配电网引起的波动性问题，基于多能源优化互补调度模型，一方面，利用储能灵活的吞吐特性对间歇性可再生能源进行联合互补优化调度；另一方面，要对多种能源出力进行研究以实现高比例可再生能源的安全入网。考虑分布式新能源的不确定性以及储能的经济收益，基于需求响应原理，建立价格型的响应模型，合理利用电价策略引导用户侧的用能，更好的消纳新能源，利用带压缩因子的粒子群算法对模型进行求解，仿真结果表明了基于价格型的需求响应对风光储能源结构有较大调整，可以有效进行削峰填谷，且经济效益也有所增加。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于需求响应的多能源互补优化调度方法，其特征在于，所述方法包括：

建立基于需求响应调度模型的多能源互补优化调度模型并设置约束条件；

采用粒子群算法对多能源互补优化调度模型进行仿真求解：

根据所述仿真求解的结果，调度微电网中的可调负荷。

2.根据权利1所述的一种基于需求响应的多能源互补优化调度方法，其特征在于，所述多能源互补优化调度模型包括：

以微电网系统经济效益收益最大为目标建立多能源互补优化调度模型：

max C＝C_out-C_in+C_PV，

其中，C为微电网系统的总收益；C_out为微电网向用户出售电能的电价收益；C_in为微电网向配电网购买电能的电价成本；C_PV为政府给予光伏电站发电功率的电能补贴；c_sell为微电网向用户出售电能的电价；c_buy为微电网向配电网购买单位电能的电价，c_PVsub为分布式光伏电站发电单位补贴；P_out,t表示在t时段微电网向用户侧出售的电能；P_in,t表示在t时段微电网向配电网购买的电能；P_PV,t表示在t时段分布式光伏电站发电的电能。

3.根据权利1所述的一种基于需求响应的多能源互补优化调度方法，其特征在于，所述约束条件包括系统功率平衡约束、储能充放电功率约束、储能电池荷电状态约束、基于价格型需求响应的电价约束。

4.根据权利3所述的一种基于需求响应的多能源互补优化调度方法，其特征在于，所述系统功率平衡约束为：

P_PV,t+P_wind,t-P_PVcur,t-P_windcur,t+P_BESS,t＝P_load,t+P_in,t(3)，

其中，P_PV,t表示在t时段分布式光伏电站发电的电能，P_wind,t为t时段风机发电的电能；P_PVcur,t为t时段光伏电站的弃光功率；P_windcur,t为t时段弃风的功率；P_BESS,t为t时段储能的充放电功率；P_load,t为t时段微电网内用户侧的响应负荷功率；P_in,t表示在t时段微电网向配电网购买的电能；当P_BESS,t≥0时表示储能处于放电状态，当P_BESS,t＜0时表示储能处于充电状态；

所述储能充放电功率约束为：

η_BESS·P_BESS,min≤P_BESS,t≤η_BESSP_BESS,max(4)，

其中，η_BESS为储能充放电的效率；P_BESS,min为储能最小充放电功率的绝对值，P_BESS,max为储能最大的充放电功率的绝对值；

所述储能电池荷电状态约束为：

其中，SOC_t表示t时刻储能的荷电状态；SOC_min、SOC_max分别为储能荷电状态的上、下限；Q_BESS为储能容量；P_BESS为储能的充放电功率。

所述基于价格型需求响应的电价约束为：

R_min≤R_t≤R_max(6)，

其中，R_t表示t时段的响应电价；R_min和R_max分别表示电价的上下限。

5.根据权利1所述的一种基于需求响应的多能源互补优化调度方法，其特征在于，所述用户侧的负荷需求求解方法包括：

a、数据初始化，根据微电网优化调度模型输入模型参数和PSO算法参数，初始化粒子种群，种群中每一个粒子个体都对应着一个调度周期内的调度方案；

b、将粒子个体作为系统变量输入仿真模型，基于约束条件产生可行解，对违背约束的变量进行修正，并计算系统的运行成本作为个体适应度值；

c、将个体适应度作为优化模型的输入，更新粒子速度、位置得到子代种群；

对每个粒子，将其适应值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的pbest和gbest的值，更新gbest；

返回步骤c，判断是否满足终止条件，取终止条件为最大迭代次数或满足约束条件，若满足则程序结束，输出最终的优化调度结果。

6.根据权利1所述的一种基于需求响应的多能源互补优化调度方法，其特征在于，所述需求响应调度模型包括：

以用户侧负荷曲线尽量贴近风电、光伏出力的曲线为目标建立需求响应调度模型；

其中，价格弹性系数ε_st用来表示电价的变动引起相对的用电需求量的变动，当s＝t时表示自弹性，s≠t时表示互弹性，计算公式如下：

式中：P_load,t分别为t时刻需求响应前、后的负荷量；R_t分别为t时刻需求响应前后的用电价格，R_s分别为s时刻需求响应前后的用电价格；s、t代表时间，其中，s表示其他时刻，t表示当前时刻，s、t＝1,2,…,T；为数学求偏导符号；ε_ss为自弹性的价格弹性系数。