CN110401210A - 需求响应参与下风电储能系统调度方法 - Google Patents

Abstract

本发明涉及需求响应参与下风电储能系统调度方法，包括如下步骤：搭建两阶段调度优化模型，所述两阶段调度优化模型包括日前调度模型、实时调度模型；搭建日前调度模型，且搭建过程中需要满足的约束条件包括：负载平衡的约束、储能系统的最大功率约束、风电机组输出的约束、需求响应的实施约束；搭建实时调度模型，以风电机组风能波动最小化为主要目标，依据前一小时的风力预测值对整个系统的火力机组和风能机组进行综合优化调度；应用粒子群优化算法对调度优化模型进行求解，首先是对系统的参数值进行二进制编码，然后利用应用粒子群优化算法按照以下流程对模型进行求解：本发明可以解决电网系统吸收风电能力降低发电成本的问题。

Description

需求响应参与下风电储能系统调度方法

技术领域

本发明属于电网优化调度技术领域，尤其涉及需求响应参与下风电储能系统调度方法。

背景技术

大规模风力发电的集成需要得到发电侧和用户侧的协作支持。在发电侧，风力资源的不确定性导致应选择高质量的电力储能系统以配合系统的发电调度。在用户侧，通过合理的需求响应以引导用电客户尽量错峰用电，优化负载结构。风电储存系统的研究与需求响应参与下的优化调度相结合，有利于提高风电的消纳能力。对于风电储能系统问题的研究，结合需求响应下的优化调度，目前多数的学者主要聚焦于风电不确定性预测、综合调度模型的建立和模型求解算法的优化。

因此，基于这些问题，提供一种以系统最低发电成本为主要目标建立综合优化调度模型并对该模型进行求解的需求响应参与下风电储能系统调度方法，具有重要的现实意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种以系统最低发电成本为主要目标建立综合优化调度模型并对该模型进行求解的需求响应参与下风电储能系统调度方法。

本发明解决其技术问题是采取以下技术方案实现的：

需求响应参与下风电储能系统调度方法，包括如下步骤：

S1、搭建两阶段调度优化模型，所述两阶段调度优化模型包括日前调度模型、实时调度模型；

S101、搭建日前调度模型，且搭建过程中需要满足的约束条件包括：负载平衡的约束、储能系统的最大功率约束、风电机组输出的约束、需求响应的实施约束；

以火力机组最小燃煤成本为主要目标，依据前一天的风力预测值对整个系统的火力机组和风能机组进行综合优化调度，调度目标函数为：

式中，E是当前系统的调度模型的预期成本；t表示时间；i是火力发电机的组数；h是风电场的数量；P_h是风电场h的输出功率；C_i,t是火力机组的燃煤成本；是风力机组的启动和停止的成本；是储能系统的并网成本；是实施用电需求响应的系统成本；

其中，C_i,t＝α_i+β_ig_it+γ_i(g_it)²；

式中：α_i、β_i、γ_i是火力发电机组i的燃料成本系数；g_it是火力发电机组i的发电量；u_it代表火力发动机组i工作状态，当工作时取1，当非工作状态，取0；N_it是发电机组启动和停止的成本；a和b是线性函数的系数；ΔL_t为实施需求响应后用电缩减量；是是实施需求响应前的用电量；

S102、搭建实时调度模型，以风电机组风能波动最小化为主要目标，依据前一小时的风力预测值对整个系统的火力机组和风能机组进行综合优化调度，调度目标函数为：

式中，g_w,t表示在当天t时刻的实时风能的预测结果，所述g'_w,t表示储能系统在t时刻修正后的输出；所述D^t表示未来一小时阶段风能的波动，所述g_s,t为储能系统t时刻的电能转换的功率，所述为储能系统t时刻修正后的电能转换的功率；

S2、应用粒子群优化算法对调度优化模型进行求解，首先是对系统的参数值进行二进制编码，然后利用应用粒子群优化算法按照以下流程对模型进行求解：

S201、根据更新粒子的位置和速度为二进制粒子群优化算法应用于模型求解作准备；

S202、计算步骤S201所更新的粒子与最优粒子群之间的距离，k_i表示位于i位置处的任何粒子，k_r表示最优粒子的当前位置，两个粒子之间的距离为：

d_i＝(k_i-k_r)²

如果d_i小于10^-3阈值，则在粒子群中按照既定的规则进行混沌搜索，并用搜索得出的新粒子取代k_i粒子，形成新的粒子群；

S203、判断搜索完成后粒子群是否满足各种约束条件，如果满足条件则保持不变，如果不满足条件则取10^-3；

S204、计算完成搜索后的粒子群的参数值：全局最优F_best、全局最优位置K和最佳粒子位置

S205、判断当前迭代次数是否达到最大值，如果达到最大值，则输出结果，否则迭代次数应设置为并转到步骤S201。

进一步的，所述步骤S101中储能系统的最大功率约束包括电能存储最大功率值的约束、充电放电周期的时间约束以及电池的能量存储容量的约束；

所述步骤S101中风电机组输出的约束包括输出约束、爬升约束和启动和停止时间约束；

所述步骤S101中需求响应的实施约束包括如下约束条件：

式中，v_t是值为0-1的变量，当v_t＝1时表示低压负载减少；当v_t<1时表示低压负载没有减少，表示在t时刻低压负载减少的最大量；

0≤ΔL_t-ΔL_t-1≤L_U；

0≤ΔL_t-ΔL_t-1≤L_D

式中，L_U、L_D分别是需求响应下用电量减少幅值的上下限值；

式中，所述表示用电负载峰值负载上升周期时间约束；所述表示用电负载峰值负载下降的周期时间约束；T_U、T_D分别是用电负载峰值的上升、下降的最小时间；

式中，所述表示在t时刻的最大负载；所述M^max是最大负载。本发明的优点和积极效果是：

本发明以系统最低发电成本为主要目标建立综合优化调度模型并对该模型进行求解，具有很高的可信度；将当前风电预测结果和超短期风电预测结果作为变化变量及其效果，建立了日前和实时两阶段风电储能系统优化调度模型，并采用优化的粒子群算法进行模型求解，具有很高的可靠性，通过多种应用场景分析了所提调度策略，可以解决电网系统吸收风电能力降低发电成本的问题。

附图说明

以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。

图1是本发明实施例提供的混沌粒子群优化算法的实现流程示意图；

图2是本发明实施例提供的需求响应参与下风电储能系统调度方法所用的终端设备的示意图。

图3是本发明实施例提供的4个场景中的系统负载需求曲线；

图4是本发明实施例提供的4个场景中风电并网的出力状态。

具体实施方式

首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

下面就结合图1至图4来具体说明本发明。

实施例1

本实施例提供的需求响应参与下风电储能系统调度方法，其特征在于：包括如下步骤：

S1、搭建两阶段调度优化模型，所述两阶段调度优化模型包括日前调度模型、实时调度模型；

S101、搭建日前调度模型，且搭建过程中需要满足的约束条件包括：负载平衡的约束、储能系统的最大功率约束、风电机组输出的约束、需求响应的实施约束；

以火力机组最小燃煤成本为主要目标，依据前一天的风力预测值对整个系统的火力机组和风能机组进行综合优化调度，调度目标函数为：

式中，E是当前系统的调度模型的预期成本；t表示时间；i是火力发电机的组数；h是风电场的数量；P_h是风电场h的输出功率；C_i,t是火力机组的燃煤成本；是风力机组的启动和停止的成本；是储能系统的并网成本；是实施用电需求响应的系统成本；

其中，C_i,t＝α_i+β_ig_it+γ_i(g_it)²；

式中：α_i、β_i、γ_i是火力发电机组i的燃料成本系数；g_it是火力发电机组i的发电量；u_it是火力发动机组i的工作状态，启动为1，停机为0；N_it是发电机组启动和停止的成本；a和b是线性函数的系数；ΔL_t为实施需求响应后用电缩减量；是实施需求响应前的用电量；

S102、搭建实时调度模型，以风电机组风能波动最小化为主要目标，依据前一小时的风力预测值对整个系统的火力机组和风能机组进行综合优化调度，调度目标函数为：

'

式中，g_w,t表示在当天t时刻的实时风能的预测结果，所述g_w,t表示储能系统在t时刻修正后的输出；所述D^t表示未来一小时阶段风能的波动，所述g_s,t为储能系统t时刻的电能转换的功率，所述为储能系统t时刻修正后的电能转换的功率

S2、应用粒子群优化算法对调度优化模型进行求解，首先是对系统的参数值进行二进制编码，然后利用应用粒子群优化算法按照以下流程对模型进行求解：

S201、根据更新粒子的位置和速度为二进制粒子群优化算法应用于模型求解作准备；

S202、计算步骤S201所更新的粒子与最优粒子群之间的距离，k_i表示位于i位置处的任何粒子，k_r表示最优粒子的当前位置，两个粒子之间的距离为：

d_i＝(k_i-k_r)²

如果d_i小于10^-3阈值，则在粒子群中按照既定的规则进行混沌搜索，并用搜索得出的新粒子取代k_i粒子，形成新的粒子群；

S203、判断搜索完成后粒子群是否满足各种约束条件，如果满足条件则保持不变，如果不满足条件则取10^-3；

S204、计算完成搜索后的粒子群的参数值：全局最优F_best、全局最优位置K和最佳粒子位置

S205、判断当前迭代次数是否达到最大值，如果达到最大值，则输出结果，否则迭代次数应设置为并转到步骤S201。

需要说明的是，所述步骤S101中储能系统的最大功率约束包括电能存储最大功率值的约束、充电放电周期的时间约束以及电池的能量存储容量的约束；

所述步骤S101中风电机组输出的约束包括输出约束、爬升约束和启动和停止时间约束；

所述步骤S101中需求响应的实施约束包括如下约束条件：

式中，v_t是值为0-1的变量，当v_t＝1时表示低压负载减少；当v_t<1时表示低压负载没有减少，表示在t时刻低压负载减少的最大量；

0≤ΔL_t-ΔL_t-1≤L_U；

0≤ΔL_t-ΔL_t-1≤L_D

式中，L_U、L_D分别是需求响应下用电量减少幅值的上下限值；

式中，所述表示用电负载峰值负载上升周期时间约束；所述表示用电负载峰值负载下降的周期时间约束；T_U、T_D分别是用电负载峰值的上升、下降的最小时间；

式中，所述表示在t时刻的最大负载；所述M^max是最大负载。

图2是本发明提供的需求响应参与下风电储能系统调度方法提供的终端设备的示意图。如图2所示，该实施例的终端设备500包括：处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序503，例如需求响应参与下风电储能系统调度方法的评价程序。所述处理器501执行所述计算机程序503时实现上述需求响应参与下风电储能系统调度方法，例如图1所示的步骤。

示例性的，所述计算机程序503可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器502中，并由所述处理器501执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序503在所述需求响应参与下风电储能系统调度方法装置或者终端设备500中的执行过程。

所述终端设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。图2仅仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器502可以是所述终端设备500的内部存储单元，例如终端设备500的硬盘或内存。所述存储器502也可以是所述终端设备500的外部存储设备，例如所述终端设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括所述终端设备500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述终端设备500所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

作为举例，在本实施例中，将风电储能系统调度方法应用于4种应用场景，分析储能系统和需求响应对系统吸收风能的能力的影响。

其中，

应用场景1：该场景中没有将风电储能系统和需求响应引入电网调度程序中；

应用场景2：该场景中引入储能系统进行电网调度，所引入的储能系统容量为200MW，充放电最大功率为80MW，系统额定损耗为0.04MW；

应用场景3：该场景中引入需求响应的实施。需求响应中用电量最大减少幅值设置为不超过原用电量的1/4，负载曲线上峰值和谷值之差不超过100MW；

应用场景4：该场景可以同时引入需求响应和风电储能系统。所引入风电储能系统和实施的需求响应的参数与场景2和场景3相同。

四个场景下火力机组煤耗成本分别为1.1983kt、1.1901kt、1.0052kt和9.8326kt。四个场景中火力机组启停耗煤成本分别为145.8t、128t、122t和95.4t。对上述四个应用场景下系统发电成本进行分析可以发现，综合发电储能系统和需求响应的两阶段调度策略有效地降低了负载水平和火力机组的煤耗费用，具有显著的经济效益。

如图3，图3是4个场景中的系统负载需求曲线：对场景1和场景2下应用数据进行分析可以发现，储能系统的引入可以将峰值负载需求转移到低谷负载期，从而改变负载结构，没有减少总用电量。对场景3进行分析可知，需求响应的实施可以减少峰值负载时期的总体用电量，但不会将峰值期的负载转移至低谷期。

在单独风电并网的输出以及能量存储系统和需求响应都被引入时(场景4)，系统吸收风能的能力最强，风能的损失率从场景1中的12％降至场景4中5.06％。与场景2和场景3相比，可以发现优化效果与风电机组的输出结构相同，即单一引入需求响应的场景中风电并网输出(场景3)将比单一引入能量存储系统(场景2)的场景更好。

如图4，图4是4个场景中风电并网的出力状态：场景4与场景2相比，储能系统并网出力增大，导致火力机组的煤耗成本得到下降，这说明对风电储能系统的科学调度推动了系统综合发电经济成本的下降。场景4和场景3相比，可以看出实施需求响应可以使得负载曲线的波动更加平缓，为电网调度提供了更好的条件。下表是四个场景下储能系统的运行结果。

综上所述，本发明可提供一种以系统最低发电成本为主要目标建立综合优化调度模型并对该模型进行求解的需求响应参与下风电储能系统调度方法。

以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (2)

1.需求响应参与下风电储能系统调度方法，其特征在于：包括如下步骤：

S1、搭建两阶段调度优化模型，所述两阶段调度优化模型包括日前调度模型、实时调度模型；

S101、搭建日前调度模型，且搭建过程中需要满足的约束条件包括：负载平衡的约束、储能系统的最大功率约束、风电机组输出的约束、需求响应的实施约束；

以火力机组最小燃煤成本为主要目标，依据前一天的风力预测值对整个系统的火力机组和风能机组进行综合优化调度，调度目标函数为：

式中，E是当前系统的调度模型的预期成本；t表示时间；i是火力发电机的组数；h是风电场的数量；P_h是风电场h的输出功率；C_i,t是火力机组的燃煤成本；是风力机组的启动和停止的成本；是储能系统的并网成本；是实施用电需求响应的系统成本；

其中，C_i,t＝α_i+β_ig_it+γ_i(g_it)²；

式中：α_i、β_i、γ_i是火力发电机组i的燃料成本系数；g_it是火力发电机组i的发电量；u_it代表火力发动机组i工作状态，当工作时取1，当非工作状态，取0；N_it是发电机组启动和停止的成本；a和b是线性函数的系数；ΔL_t为实施需求响应后用电缩减量；是是实施需求响应前的用电量；

S102、搭建实时调度模型，以风电机组风能波动最小化为主要目标，依据前一小时的风力预测值对整个系统的火力机组和风能机组进行综合优化调度，调度目标函数为：

式中，g_w,t表示在当天t时刻的实时风能的预测结果，所述g'_w,t表示储能系统在t时刻修正后的输出；所述D^t表示未来一小时阶段风能的波动，所述g_s,t为储能系统t时刻的电能转换的功率，所述为储能系统t时刻修正后的电能转换的功率；

S2、应用粒子群优化算法对调度优化模型进行求解，首先是对系统的参数值进行二进制编码，然后利用应用粒子群优化算法按照以下流程对模型进行求解：

S201、根据更新粒子的位置和速度为二进制粒子群优化算法应用于模型求解作准备；

S202、计算步骤S201所更新的粒子与最优粒子群之间的距离，k_i表示位于i位置处的任何粒子，k_r表示最优粒子的当前位置，两个粒子之间的距离为：

d_i＝(k_i-k_r)²

如果d_i小于10^-3阈值，则在粒子群中按照既定的规则进行混沌搜索，并用搜索得出的新粒子取代k_i粒子，形成新的粒子群；

S203、判断搜索完成后粒子群是否满足各种约束条件，如果满足条件则保持不变，如果不满足条件则取10^-3；

S204、计算完成搜索后的粒子群的参数值：全局最优F_best、全局最优位置K和最佳粒子位置

S205、判断当前迭代次数是否达到最大值，如果达到最大值，则输出结果，否则迭代次数应设置为并转到步骤S201。

2.根据权利要求1所述的需求响应参与下风电储能系统调度方法，其特征在于：

所述步骤S101中储能系统的最大功率约束包括电能存储最大功率值的约束、充电放电周期的时间约束以及电池的能量存储容量的约束；

所述步骤S101中风电机组输出的约束包括输出约束、爬升约束和启动和停止时间约束；

所述步骤S101中需求响应的实施约束包括如下约束条件：

式中，v_t是值为0-1的变量，当v_t＝1时表示低压负载减少；当v_t<1时表示低压负载没有减少，表示在t时刻低压负载减少的最大量；

0≤ΔL_t-ΔL_t-1≤L_U；

0≤ΔL_t-ΔL_t-1≤L_D

式中，L_U、L_D分别是需求响应下用电量减少幅值的上下限值；

式中，所述表示用电负载峰值负载上升周期时间约束；所述表示用电负载峰值负载下降的周期时间约束；T_U、T_D分别是用电负载峰值的上升、下降的最小时间；

式中，所述表示在t时刻的最大负载；所述M^max是最大负载。