CN110518570A - 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法 - Google Patents

一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法 Download PDF

Info

Publication number
CN110518570A
CN110518570A CN201910594673.7A CN201910594673A CN110518570A CN 110518570 A CN110518570 A CN 110518570A CN 201910594673 A CN201910594673 A CN 201910594673A CN 110518570 A CN110518570 A CN 110518570A
Authority
CN
China
Prior art keywords
microgrid
load
power
family
energy
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
Application number
CN201910594673.7A
Other languages
English (en)
Other versions
CN110518570B (zh
Inventor
张有兵
吴杭飞
王国烽
杨宇
王力成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910594673.7A priority Critical patent/CN110518570B/zh
Publication of CN110518570A publication Critical patent/CN110518570A/zh
Application granted granted Critical
Publication of CN110518570B publication Critical patent/CN110518570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，根据户用多微网系统的供需两侧供用电信息，建立多微网系统模型。分析户用多微网系统的运行状况，确定事件类型以及触发条件，建立事件触发机制；针对微网内部事件类型，建立户用资源调度模型，以户用微网整体日运行成本最低为目标，结合实时电价以及调度潜力，引导入网负荷完成自身用电优化；针对微网间的功率交互建立能量共享模型，以系统总体交互利益最大为目的，微网群服务器计算系统中各个子微网的能级，并根据其历史参与度以及相关调度准则，决策出微网间的交互功率。本发明在有效降低户用多微网系统的运行成本的同时，提高系统可再生能源消纳率，实现系统的自动需求响应。

Description

一种基于事件驱动型自动需求响应的户用多微网系统优化控 制方法
技术领域
本发明涉及一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法。
背景技术
面对日益严峻的能源和环境问题，单靠化石能源供给人类日常生活工作已经不再是长久之计，因此可再生能源的开发已成为世界各国能源领域当下的主流方向。其中由信息技术和可再生能源相结合的能源互联网是目前的主流研究方向，然而从微电网到能源互联网跨度过大，难以实现。因此，有学者提出了互联微网群的概念，互联微网群也叫做多微网系统，能够将地域临近的多个微电网互联，对整个系统内的多个微电网进行协调管理，其作为连接微电网和能源互联网之间的桥梁，是未来能源互联网的主要组成部分。
而户用微电网(Residential Microgrid，RMG)作为能源互联网的一类子网，不仅是解决城市转型的有效载体，更是智能电网实现提供用户个性化、差异化服务的重要手段。由于RMG本身是微电网，为了将其接入电网系统并能够方便地实现RMG与电网的能量交互，有一种方式是先由多个RMG互联而形成RMG群，再由RMG群作为整体与电网进行能量交互。在这种方式下，能源互联网在具体实现方面不再局限于微网互联系统，而是与更微观的RMG相联系，在RMG群的基础上建立更系统化的能源互联网，并在此系统的基础上进行智能优化，提高能源利用率，减少电网成本，同时提升RMG主体的运行经济效益。RMG的普及，由于其内部自由负荷资源丰富，使得从负荷侧消纳可再生能源拥有非常巨大的潜力，而且RMG管控成本较低，其作为小型分布式能源的运行系统，能够极大的改善经济性，适合代替投资成本高、维护运行复杂的供求侧消纳措施。同时户用微网以多微网的方式接入主动配电网系统，具有良好的发展前景。
发明内容
为了克服现有技术的不足，本发明针对户用多微电网系统提出一种基于事件驱动机制的自动需求响应方法(Event-triggered Automatic Demand Response，EADR)。引入事件触发机制和能级概念，通过价格激励和能量共享模型分别引导微网内负荷完成自身用电优化以及微网间的交互功率，在有效降低户用多微网系统的运行成本的同时，提高系统可再生能源消纳率，实现系统的自动需求响应。
本发明中，所述户用多微网系统环境由多个RMG和微电网群服务器组成，在每个RMG内部的供电侧由光伏、风机和储能系统组成，需求侧则由基本负荷、非温控负荷、温控负荷以及电动汽车(Electric Vehicle，EV)组成。整体户用微网群由各个户用微网以及外部电网提供或消耗电能，如图1所示。其中单个RMG系统由多个家庭、可再生能源出力单元、储能系统以及EADR系统等构成，EADR系统结构如图2所示。
为了实现上述目的，本发明的技术方案为：
一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，包括以下步骤：
S1：构建户用多微网系统模型，初始化系统模型并获取优化所需的相关参数，包括风能、光能的日前预测数据；
S2：设定优化周期为24h，并将其离散化为K个时段，时间间隔为Δt，分析户用多微网系统的运行状况，确定事件类型以及触发条件，建立事件触发机制；
S3：针对微网内部事件类型即户用微网内部需求响应，构建户用资源调度模型，以户用微网整体日运行成本最低为目标，由EADR伺服器计算出实时电价以及调度潜力，户用微网根据触发事件类型结合实时电价和调度潜力引导入网负荷完成自身用电优化；
S4：针对微网间的功率交互建立能量共享模型，以系统总体交互利益最大为目的，微网群服务器计算系统中各个子微网的能级，并根据其历史参与度以及相关调度准则，决策出微网间的交互功率；
S5：由系统判断触发的事件是否完全消除，若是，则将当前的优化结果作为户用多微网系统中各个微网内部以及微网间的实际调度结果，求解完成；若否，返回步骤S2根据更新后的微网信息重新进行优化。
进一步，所述步骤S1中，户用多微网系统由多个RMG和微电网群服务器组成，其中户用微网模型包括以下构成：
S1-1：根据微网中各类负荷的运行特性和功能将户用负荷分为非温控负荷(Nonthermostatically Loads，NTL)、温控负荷、EV，并分别建立模型；
1)非温控负荷是指负荷运行时不受外界或自身温度的约束，包括洗衣机和洗碗机；
洗衣机和洗碗机：输出功率与其所处的运行阶段有关，且运行时不可中断，描述如下：
其中，g为非温控负荷的运行阶段数；为负荷l在运行阶段g的额定功率；和均为二元变量，分别表示阶段g的运行、开始和结束状态；表示非温控负荷l在阶段g的运行时长；Ng和Nl分别表示非温控负荷运行所需的阶段数和日运行次数；
2)温控负荷是指负荷运行时受外界或自身的温度限制，这类负荷通常表现为热水器(Electric Water Heater，EWH)和空调(Air Conditioner，AC)；
热水器：输出功率与水箱内的水温呈非线性关系，而水温主要受热水器加热、用户用水以及和外界空气进行热交换的影响，则热水器水温模型如下：
其中，TOUT(k)、Tl h(k)分别表示在k时段的外界空气温度和热水器l的水温；为热水器l的额定运行功率；表示热水器l在k时段的运行状态；REWH和C分别是热水器的热阻和热电容；
当用户使用热水后，需注入冷水以确保正常生活，则注入冷水后的热水器水温则为：
其中，Ml和mk分别为热水器l的水箱容量和注入冷水的水量；Tow(k)为k时段注入冷水水温；
空调：输出功率与室内温度呈非线性关系，而室温又受房屋面积、空气的热特性等因素的影响，则室温计算公式如下：
其中，为k时刻空调l所在的室内温度；MAC和RAC分别为空气的热容比和等效热阻；和COP分别为空调的运行状态、额定功率和性能系数；
由于热水器和空调的用电功率受限于温度，即温控负荷还须对温度进行约束：
其中，和分别为热水器l的水温上下限；和分别为空调l的室温上下限。
3)电动汽车：户用微网系统中EV的电池均为锂电池且在每个优化时段内，均采用恒功率充放电，在忽略自放电率的影响下，EV的电池模型如下：
其中，Sl(k+1)、Sl(k)以及分别表示在第k+1、k时段和EV离开时用户期望的荷电状态；为电动汽车l的电池容量；表示在k时段EV的充放电功率；是与正负相关的充放电效率，表示为：
其中，ηch、ηdch分别表示充放电效率；
此外，户用微网内的电动汽车还应约束自身的充、放电功率以及入网时的荷电状态(State of Charge，SoC)：
其中，分别表示电动汽车l的额定充、放电功率；和为电动汽车电池荷电状态的上、下限；
S1-2：类比S1-1中的EV模型建立储能系统的模型，其中式(15)～(17)仍然成立，但是为了保证储能系统的后续正常使用，需满足储存系统的能量运行一日前后维持不变，即：
其中，Pl ESS(k)为k时段户用微网i储能系统充放电功率；
S1-3：假定由光伏阵列和风机构成的可再生能源供电单元均具有最大功率点跟踪功能，能够根据外界环境变化跟踪并输出所在时段的最大功率，则户用微网i的光伏出力和风机出力如下：
其中，和分别为户用微网i在k时刻的光伏和风机发电功率；和分别为用户m在k时刻的光伏和风机发电功率；为户用微网i内的用户集合；
S1-4：根据户用微网供需两侧的负荷各个组成部分，得到第i个户用微网的电功率平衡模型：
其中，为户用微网i与电网的交易功率，其值为正时表示倒送功率；[]*为负荷类型，包括NTL、EWH、AC和EV；为最大倒送功率。
再进一步，在所述步骤S2中，根据户用多微网系统的运行状况，制定的事件触发机制如下：
S2-1：根据户用多微网系统运行状况，进行事件分析，定义的事件类型和触发条件如下：
1)接入事件，当微网中的用户依照自身用电习惯将负荷接入微网时，该事件触发；触发后，智能控制系统基于EADR伺服器发布的电价信号，通过经济激励的方式合理引导入网负荷的用电行为；
2)缺额事件，即功率失衡事件，通过设置一个失衡度用来表征供需两侧的不匹配程度，当预测净负荷和实际净负荷之间的差值率超过失衡度时，则监测器应生成缺额事件触发信号：
其中，λ为失衡度；为在k时段调度负荷α时的预测净负荷。因此，该事件触发时，由智能控制系统整合各类申报负荷信息并上报给EADR伺服器进行调度潜力评估，基于评估结果以及服务器发布的事件需求通知，对具备参与需求响应资格的负荷重新制定用电计划，以消除触发条件，进而达到缓解电力失衡的目的；
3)失约事件，当负荷提早使用、EV提前离网时触发，与上述缺额事件类似，需评估其余负荷的调度潜力，然后对具有较高评估值的负荷进行重新调整，以弥补由失约负荷引起的微网功率缺额，描述如下：
其中，Bk表示当前时段的失约负荷集合；RPk表示重定用电计划的负荷集合；
4)过载事件，当电力用户的集中用电使得微网总负荷超过外接线路的容量时，过载事件触发：
其中，κT为微网与配电网连接线路最大可承载的容量。过载事件触发后，智能控制系统根据调度潜力评估结果依次切除潜力最小的负荷，直至触发条件消失；
5)能量共享事件，当户用多微网系统同时存在出力缺额微网和出力富裕微网时触发，即当微网出力缺额或是富裕时，EADR伺服器需向微网群服务器发送相应信号，微网群服务器统筹网群内所有相关信息后发送反馈信号，决定是否进行能量共享。
在所述步骤S3中，户用微网内部需求响应包括以下步骤：
S3-1：以整体日运行成本最低为目标，建立户用资源调度模型，通过价格激励的方式引导微网内的户用负荷参与需求响应，一旦户用负荷入网或其申报请求获得批准，通过下面的日运营成本最小化模型确定负荷最优调度策略：
其中，和分别为负荷α在k时段的用电成本和调度后用户的不舒适度折算费用；δ为不舒适度折算系数；λα为实时电价；
S3-2：根据负荷用电信息，确定调度潜力评价因子：
将负荷用电的急迫程度、执行信用度和用户偏好程度作为3个评价因子，计算公式如下：
1)用电迫切性因子：
其中，表示申报负荷α的用电迫切性；为温控负荷上下限的中间值；Qα表示负荷α一天的用电需求量；为最迟离网时间；
2)可靠性因子：
其中，表示负荷α的可靠性因子；H表示总考察天数；和分别表示第s天负荷l的调度外总负荷量和调度内总负荷量，Evfl 2*较小意味着该设备可能无法执行响应计划，较大则表示该负荷的执行信用很强，对微网的稳定运行贡献较大；
3)用电偏好因子：
其中，表示申报负荷α的用户偏好；表示第s天负荷α实际运行和优化结果之间误差，其值越高的负荷，受用户干扰的可能性越大；
S3-3：EADR伺服器对评价因子进行无量纲化处理：
其中，dα,a为负荷α在k时段的第a个评价因子无量纲化值，a＝1,2,3；和分别表示关于第a个评价因子的户用微网内所有负荷最大值和最小值；
S3-4：根据无量纲化的评价因子通过平均差最大化方法确定客观权重，进而得出负荷的调度潜力评估值：
其中，Dα,a为负荷α的第a个评价因子在k时段的客观权重；为负荷α在k时刻的调度潜力评估值；wta表示第a个评价指标的主权权重，通过层次分析法计算得出。
在所述步骤S4中，多微网系统中微网间交互功率的求解过程如下：
S4-1：微网群服务器根据各个子微网上传的功率、电价等信息，以多微网系统整体交互满意度最大为目标，建立能量共享模型：
其中，Fsat(k)表示系统在k时刻下的交互满意度；λi buy和λsell分别为微网i与电网交易的购售电价，其中 和分别为微网间能量交易的购售电价；和分别为微网i在能量共享中购售功率；MCB和MCS分别表示购电微网集合和售电微网集合，前者的实际净负荷均大于0，后者则相反；
S4-2：微网群服务器根据历史数据计算各个子网的历史参与度以及微网间的交易电价：
其中，Ctbi为微网i的历史参与度；为参与能量调度的天数；和分别为微网i在第n天能量共享前、后的功率需求。其值越大则微网参与能量共享的意愿越强烈，在能量共享中应优先考虑；print为微网间的交易电价，并且
S4-3：微网群服务器综合考虑微网历史参与度以及EADR伺服器上传的当前时段调度需求情况，计算子网在能量共享模型中的能级，并划分为不同的能层：
Eli(k)＝Pdi(k)/Ctbi (36)
其中，Eli(k)和Pdi(k)分别表示第k时段下微网i的能级和调度需求；
微网群服务器依据能级计算结果按±10％的能级宽度将微网划分到不同的能层d，其中d∈{1,2,...,DN},DN为当前时刻微网群服务器划分的能层总数；
根据式(36)可知临近两个能层的跃迁所需的能量为：
其中，表示能层d跃迁至能层d+1所需的能量；Epd表示能层d的能量区间下限；表示处于能层d的所有微网集合；
S4-4：微网群服务器根据购售电微网集合所需的功率需求，确定整个多微网系统的调度总功率并建立共享调度队列将能层1添加至队列中，对队列中的微网进行能量调度。由于微网每次只能跃迁一个能层，则在调度过程中会遇到如下3种情况：
1)队列中微网跃迁所需能量大于系统总调度功率；
2)系统总调度功率能够支撑队列中微网跃迁至能层d+1，且无微网达到电离态；
3)系统总调度功率能够支撑队列中微网跃迁至能层d+1，且有微网满足了自身功率需求；
S4-5：微网群服务器根据这3种进行不同的操作，在情况(1)下，多微网系统结束能量共享；针对情况(2)，将中的微网添加至队列中去，并将系统调度总需求更新为情况(3)则是在情况(2)的基础上，除去队列中到达电离态的微网，因此，微网i在能量共享中的调度功率表示如下：
其中，x为微网i参与能量共享调度前所处的能层；Com表示在能量共享过程中满足了自身功率需求的微网集合；
S4-6：微网群服务器首先对根据历史参与度对MCB和MCS集合中各微网进行降序排序，通过比较两个集合中最大历史参与度的共享调度功率Edis，确定微网间的交互功率为：
其中，Esi,j为能量共享过程中微网i和微网j间的交互功率；Esmax为微网间联络线最大承载功率。
本发明的有益效果是：
1.完成户用多微网系统中子网运行控制以及子网间的互联控制，实现多微网系统可再生能源的合理分配；充分发挥用户侧潜力，实现坚强智能电网的建设。
2.利用事件触发机制模拟户用多微网系统的运行状况，根据事件触发信号，结合价格激励与调度潜力引导负荷完成自身用电优化，在提高能源利用率的同时有效降低用户用电成本。
3.在保障负荷用电需求的基础上，增强了户用多微网系统内各个微网之间的联系，进一步降低了用户的用电成本，提高了系统整体的风光消纳率。
附图说明
图1是户用多微网系统结构示意图。
图2是EADR系统框架示意图。
图3是事件触发机制示意图。
图4是能量共享中户用多微网系统功率调度示意图。
图5是能量共享中各个子微网间交互功率分配示意图。
图6是3种模式下户用多微网系统的净负荷曲线图。
图7是采用本发明所提方法的户用微网间的交互功率图。
图8是风光出力不确定下对系统净负荷波动率的对比图。
图9是风光出力不确定下对系统运行总成本的对比图。
图10是失约和缺额事件对系统净负荷波动率影响的对比图。
图11是不同用户规模下所需优化时间的对比图。
图12是一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法的流程图。
具体实施方法
下面结合附图对本发明做进一步说明。
参照图1～图12，一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，包括以下步骤：
S1：构建户用多微网系统模型，初始化系统模型并获取优化所需的相关参数，包括风能、光能的日前预测数据；
S2：设定优化周期为24h，并将其离散化为K个时段，时间间隔为Δt，分析户用多微网系统的运行状况，确定事件类型以及触发条件，建立事件触发机制；
S3：针对微网内部事件类型即户用微网内部需求响应，构建户用资源调度模型，以户用微网整体日运行成本最低为目标，由EADR伺服器计算出实时电价以及调度潜力，户用微网根据触发事件类型结合实时电价和调度潜力引导入网负荷完成自身用电优化；
S4：针对微网间的功率交互建立能量共享模型，以系统总体交互利益最大为目的，微网群服务器计算系统中各个子微网的能级，并根据其历史参与度以及相关调度准则，决策出微网间的交互功率；
S5：由系统判断触发的事件是否完全消除，若是，则将当前的优化结果作为户用多微网系统中各个微网内部以及微网间的实际调度结果，求解完成；若否，返回步骤S2根据更新后的微网信息重新进行优化；
所述步骤S1中，户用多微网系统由多个RMG和微电网群服务器组成，其中户用微网模型包括以下构成：
S1-1：根据微网中各类负荷的运行特性和功能将户用负荷分为非温控负荷(Nonthermostatically Loads，NTL)、温控负荷、EV，并分别建立模型；
1)非温控负荷是指负荷运行时不受外界或自身温度的约束，包括洗衣机和洗碗机；
洗衣机和洗碗机：输出功率与其所处的运行阶段有关，且运行时不可中断，具体描述如下：
其中，g为非温控负荷的运行阶段数；为负荷l在运行阶段g的额定功率；和均为二元变量，分别表示阶段g的运行、开始和结束状态；表示非温控负荷l在阶段g的运行时长；Ng和Nl分别表示非温控负荷运行所需的阶段数和日运行次数；
2)温控负荷是指负荷运行时受外界或自身的温度限制，这类负荷通常表现为热水器(Electric Water Heater，EWH)和空调(Air Conditioner，AC)；
热水器：输出功率与水箱内的水温呈非线性关系，而水温主要受热水器加热、用户用水以及和外界空气进行热交换的影响，则热水器水温模型如下：
其中，TOUT(k)、Tl h(k)分别表示在k时段的外界空气温度和热水器l的水温；为热水器l的额定运行功率；表示热水器l在k时段的运行状态；REWH和C分别是热水器的热阻和热电容；
当用户使用热水后，需注入冷水以确保正常生活，则注入冷水后的热水器水温则为：
其中，Ml和mk分别为热水器l的水箱容量和注入冷水的水量；Tow(k)为k时段注入冷水水温；
空调：输出功率与室内温度呈非线性关系，而室温又受房屋面积、空气的热特性等因素的影响，则室温计算公式如下：
其中，Tl c(k)为k时刻空调l所在的室内温度；MAC和RAC分别为空气的热容比和等效热阻；和COP分别为空调的运行状态、额定功率和性能系数；
由于热水器和空调的用电功率受限于温度，即温控负荷还须对温度进行约束：
其中，和分别为热水器l的水温上下限；和分别为空调l的室温上下限；
3)电动汽车：户用微网系统中EV的电池均为锂电池且在每个优化时段内，均采用恒功率充放电，在忽略自放电率的影响下，EV的电池模型如下：
其中，Sl(k+1)、Sl(k)以及分别表示在第k+1、k时段和EV离开时用户期望的荷电状态；为电动汽车l的电池容量；Pl EV(k)表示在k时段EV的充放电功率；η(Pl EV)是与Pl EV正负相关的充放电效率，表示为：
其中，ηch、ηdch分别表示充放电效率；
此外，户用微网内的电动汽车还应约束自身的充、放电功率以及入网时的荷电状态(State of Charge，SoC)：
其中，分别表示电动汽车l的额定充、放电功率；和为电动汽车电池荷电状态的上、下限；
S1-2：类比S1-1中的EV模型建立储能系统的模型，其中式(15)～(17)仍然成立，但是为了保证储能系统的后续正常使用，需满足储存系统的能量运行一日前后维持不变，即：
其中，Pl ESS(k)为k时段户用微网i储能系统充放电功率；
S1-3：本发明假定由光伏阵列和风机构成的可再生能源供电单元均具有最大功率点跟踪功能，能够根据外界环境变化跟踪并输出所在时段的最大功率，则户用微网i的光伏出力和风机出力如下：
其中，Pi PV(k)和Pi WT(k)分别为户用微网i在k时刻的光伏和风机发电功率；和分别为用户m在k时刻的光伏和风机发电功率；为户用微网i内的用户集合；
S1-4：根据户用微网供需两侧的负荷各个组成部分，得到第i个户用微网的电功率平衡模型：
其中，为户用微网i与电网的交易功率，其值为正时表示倒送功率；[]*为负荷类型，包括NTL、EWH、AC和EV；为最大倒送功率。
在所述步骤S2中，根据户用多微网系统的运行状况，制定的事件触发机制如下：
S2-1：根据户用多微网系统运行状况，进行事件分析，定义的事件类型和触发条件如下：
1)接入事件，当微网中的用户依照自身用电习惯将负荷接入微网时，该事件触发。触发后，智能控制系统基于EADR伺服器发布的电价信号，通过经济激励的方式合理引导入网负荷的用电行为；
2)缺额事件，即功率失衡事件，通过设置一个失衡度用来表征供需两侧的不匹配程度，当预测净负荷和实际净负荷之间的差值率超过失衡度时，则监测器应生成缺额事件触发信号:
其中，λ为失衡度；为在k时段调度负荷α时的预测净负荷。因此，该事件触发时，由智能控制系统整合各类申报负荷信息并上报给EADR伺服器进行调度潜力评估。基于评估结果以及服务器发布的事件需求通知，对具备参与需求响应资格的负荷重新制定用电计划，以消除触发条件，进而达到缓解电力失衡的目的；
3)失约事件，当负荷提早使用、EV提前离网时触发，与上述缺额事件类似，需评估其余负荷的调度潜力，然后对具有较高评估值的负荷进行重新调整，以弥补由失约负荷引起的微网功率缺额，描述如下：
其中，Bk表示当前时段的失约负荷集合；RPk表示重定用电计划的负荷集合；
4)过载事件，当电力用户的集中用电使得微网总负荷超过外接线路的容量时，过载事件触发：
其中，κT为微网与配电网连接线路最大可承载的容量。过载事件触发后，智能控制系统根据调度潜力评估结果依次切除潜力最小的负荷，直至触发条件消失；
5)能量共享事件，当户用多微网系统同时存在出力缺额微网和出力富裕微网时触发，即当微网出力缺额或是富裕时，EADR伺服器需向微网群服务器发送相应信号，微网群服务器统筹网群内所有相关信息后发送反馈信号，决定是否进行能量共享；
S2-2：根据S2-1定义的事件类型和触发条件，建立的事件触发机制如图3所示，由图3可知，负荷入网、微网净负荷失衡过大、负荷未能如期入离网等现象均会导致RMG系统由监测状态向事件分析状态转变。当事件监测器对上述现象进行分析与归类后，微网进入事件触发状态并由监测器生成相应的触发信号与调度需求，随后上报给EADR伺服器。EADR伺服器接收到后，根据事件优先级和基于调度潜力评估的负荷调度优先级等信息向控制系统发布相应的事件通知，RMG系统进入事件响应状态。控制系统通过调度申报负荷以此完成事件响应，消除触发信号，直至监测出的所有事件处理完毕。
在所述步骤S3中，户用微网内部需求响应包括以下步骤：
S3-1：以整体日运行成本最低为目标，建立户用资源调度模型。通过价格激励的方式引导微网内的户用负荷参与需求响应，一旦户用负荷入网或其申报请求获得批准，通过下面的日运营成本最小化模型确定负荷最优调度策略：
其中，和分别为负荷α在k时段的用电成本和调度后用户的不舒适度折算费用；δ为不舒适度折算系数；λα为实时电价；
S3-2：根据负荷用电信息，确定调度潜力评价因子：
将负荷用电的急迫程度、执行信用度和用户偏好程度作为3个评价因子，的计算公式如下：
1)用电迫切性因子：
其中，表示申报负荷α的用电迫切性；为温控负荷上下限的中间值；Qα表示负荷α一天的用电需求量；为最迟离网时间；
2)可靠性因子：
其中，表示负荷α的可靠性因子；H表示总考察天数；和分别表示第s天负荷l的调度外总负荷量和调度内总负荷量。Evfl 2*较小意味着该设备可能无法执行响应计划，较大则表示该负荷的执行信用很强，对微网的稳定运行贡献较大；
3)用电偏好因子：
其中，表示申报负荷α的用户偏好；表示第s天负荷α实际运行和优化结果之间误差，其值越高的负荷，受用户干扰的可能性越大；
S3-3：EADR伺服器对评价因子进行无量纲化处理：
其中，dα,a为负荷α在k时段的第a个评价因子无量纲化值，a＝1,2,3；和分别表示关于第a个评价因子的户用微网内所有负荷最大值和最小值；
S3-4：根据无量纲化的评价因子通过平均差最大化方法确定客观权重，进而得出负荷的调度潜力评估值：
其中，Dα,a为负荷α的第a个评价因子在k时段的客观权重；为负荷α在k时刻的调度潜力评估值；wta表示第a个评价指标的主权权重，可通过层次分析法计算得出。
在所述步骤S4中，多微网系统中微网间交互功率的求解过程如下：
S4-1：微网群服务器根据各个子微网上传的功率、电价等信息，以多微网系统整体交互满意度最大为目标，建立能量共享模型：
其中，Fsat(k)表示系统在k时刻下的交互满意度；λi buy和λsell分别为微网i与电网交易的购售电价，其中 和分别为微网间能量交易的购售电价；和分别为微网i在能量共享中购售功率；MCB和MCS分别表示购电微网集合和售电微网集合，前者的实际净负荷均大于0，后者则相反；
S4-2：微网群服务器根据历史数据计算各个子网的历史参与度以及微网间的交易电价：
其中，Ctbi为微网i的历史参与度；为参与能量调度的天数；和分别为微网i在第n天能量共享前、后的功率需求，其值越大则微网参与能量共享的意愿越强烈，在能量共享中应优先考虑；print为微网间的交易电价，并且
S4-3：微网群服务器综合考虑微网历史参与度以及EADR伺服器上传的当前时段调度需求情况，计算子网在能量共享模型中的能级，并划分为不同的能层：
Eli(k)＝Pdi(k)/Ctbi (36)
其中，Eli(k)和Pdi(k)分别表示第k时段下微网i的能级和调度需求；
微网群服务器依据能级计算结果按±10％的能级宽度将微网划分到不同的能层d，其中d∈{1,2,...,DN},DN为当前时刻微网群服务器划分的能层总数；
根据式(36)可知临近两个能层的跃迁所需的能量为：
其中，表示能层d跃迁至能层d+1所需的能量；Epd表示能层d的能量区间下限；表示处于能层d的所有微网集合；
S4-4：微网群服务器根据购售电微网集合所需的功率需求，确定整个多微网系统的调度总功率并建立共享调度队列将能层1添加至队列中，对队列中的微网进行能量调度，由于微网每次只能跃迁一个能层，则在调度过程中会遇到如下3种情况：
1)队列中微网跃迁所需能量大于系统总调度功率；
2)系统总调度功率能够支撑队列中微网跃迁至能层d+1，且无微网达到电离态；
3)系统总调度功率能够支撑队列中微网跃迁至能层d+1，且有微网满足了自身功率需求；
S4-5：微网群服务器根据这3种进行不同的功率调度，其功率调度如图4所示，在情况(1)下，多微网系统结束能量共享；针对情况(2)，将中的微网添加至队列中去，并将系统调度总需求更新为情况(3)则是在情况(2)的基础上，除去队列中到达电离态的微网，因此，微网i在能量共享中的调度功率表示如下：
其中，x为微网i参与能量共享调度前所处的能层；Com表示在能量共享过程中满足了自身功率需求的微网集合；
S4-6：微网群服务器首先对根据历史参与度对MCB和MCS集合中各微网进行降序排序，通过比较两个集合中最大历史参与度的共享调度功率Edis，确定微网间的交互功率为：
其中，Esi,j为能量共享过程中微网i和微网j间的交互功率；Esmax为微网间联络线最大承载功率，所提的微网间交互功率分配方法如图5所示。
为使本领域技术人员更好地理解本发明，算例分析包括以下构成：
一、算例描述及仿真结果分析
本发明以3个户用微网互联组成的户用多微网集群为例验证所提户用多微网系统的事件驱动型自动需求响应策略的有效性与正确性。仿真中将一天划分为48时段，即Δt＝30min，K＝48。其中这3个户用微网均由8个家庭用户以及风光出力组件和储能系统构成，3个微网光伏的额定容量分别为65、60、90kW，3个微网风机的额定容量分别为70、90、90kW。不舒适度折算费用系数δ设置为0.05，失衡度λ为0.8，外接线、联络线以及倒送功率的功率限制均设置为10kW。
为了充分体现所提方法的有效性，另外设置两种模式进行对比仿真分析：
1)模式1：无序模式，即负荷按照用户的用电习惯用电，微网内负荷不进行需求响应；
2)模式2：基于模型预测的滚动优化模式，即剥离了事件驱动机制的自动需求响应模式，这是一种时间驱动策略；
3)模式3：运用本发明所提的事件驱动型自动需求响应方法。
仿真程序在Windows10，Intel(R)CoreTM i5CPU@3.5GHz，8GB内存的计算机中的Matlab环境下实现。分别就以上3种运行模式下的户用多微网系统负荷特性和经济性进行计算和比较。3种模式下的系统净负荷特性如图6所示，具体地统计数据如表1。
表1
由图6和表1可知，由于模式1是无序用电，负荷未参与需求响应，使得用户在14-21时段内集中用电，加剧户用多微网系统的负荷峰谷差，可再生能源出力无法得到及时消纳。相较于模式1，模式2和模式3在净负荷波动率、峰谷差等方面均有较大的改善。在可再生能源利用率上分别提高了8.45％和8.61％。然而模式2并没有考虑由运行时突发事件导致负荷用电计划发生的改变，无法调整其它负荷减轻由突发事件造成的功率不平衡。因此在负荷特性的表现上弱于模式3。由此可见，本发明所提事件驱动型自动需求响应方法能够更好的利用微网内的可再生能源，有效地改善多微网系统的负荷特性。
上述3种模式下的系统总运行成本以及各个子微网运行成本的统计数据如表2所示。
由表2可知，相较于模式1，模式2和模式3极大的减少了多微网系统的运行成本，分别降低了90.34％和97.05％。结合表1和图6进一步分析可知，模式2和模式3通过新型电价，使负荷用电动态的匹配可再生能源出力，减少了与大电网的功率交互，从而降低了系统总运行成本。相较于模式2，模式3通过能量共享，在多微网系统中同时存在富裕出力和功率缺额的微网时,促进子微网之间的能量交易，在联络线承载能力之内进一步降低了子微网的运行成本，其中模式3下的子微网交互功率如图7所示。
由此可见，本发明所提的自动需求响应策略通过能量共享，能够促进微网间的能量交互，大幅提高了系统以及子微网的经济性。
表2
二、可再生能源出力不确定性分析
由于太阳能、风能这类可再生能源无法精准预测，仿真程序通过随机场景分析法模拟实际生活中RMG的风光出力不确定性，将RMG的风光出力预测误差划分为6个不确定度J，其中J∈{1,3,5,7,9,11}，则风光出力预测值计算公式如下：
其中，n＝1，2分别表示风机和光伏；Pn(k)为风机或光伏在k时段的实际输出功率；Rn为介于-1和1之间的随机值；表示风机或光伏的基本不确定性百分比，其值分别为3％和2％(n＝1，2)。
本发明根据权衡仿真精度和仿真时间，在每个不确定度下生成100个随机场景，采用箱线图的方式量化不同不确定度下户用多微网系统优化运行结果。系统在600个随机场景下的总成本和净负荷波动率如图8、9所示。
从图8、9可知，随着不确定度的增大，模式2和模式3下的系统总成本和净负荷波动率呈现增大的趋势，并且它们的均值呈现单调递增的情况。这表明，风光出力预测误差会对系统优化运行的负荷特性和经济性造成不利的影响，并且该影响会随着不确定度即预测误差的增大而增大。
从图8、9中可以看出模式3的净负荷波动率变化趋势与模式2的相同，但是两者曲线在不确定度J＝5附近相交，其原因在于模式2的需求响应策略是时间驱动型的，即系统在每个优化时段都要进行调度优化；本发明所提的控制方法是事件驱动型的，只有满足相关触发条件，负荷才进行需求响应，否则延续上一次响应的结果。因此在不确定度较低时，风光预测误差不大，使得失约事件对负荷调度的影响大于缺额事件，导致模式2净负荷波动率大于模式3；而当不确定度较高时，缺额事件的影响大于失约事件。失约事件对于模式2的影响与缺额事件对于模式3的影响如图10所示。
三、可行性分析
为了验证本发明所提方法在实际的户用多微网系统中的可行性，因此在不同的用户尺度下，比较模式2、3运行所需的时间，如图11所示。
由图11可知，在相同用户规模下，模式3完成一次优化所需时间远小于模式2，并且随着用户规模的增加，模式2的优化时长的上升幅度明显高于模式3。出现这种现象的原因在于模式2是一种时间驱动型的自动需求响应策略，需要根据预测数据不断更新调度计划，即每个时段微网内的所有负荷都进行优化。而本发明所提的控制方法是一种基于事件驱动型的自动需求响应，所有的需求响应均只针对符合条件的入网负荷。在模式3中在每时刻参与需求响应的负荷数近乎是模式2的一半。结合上述分析可知，本发明所提的事件驱动型自动需求响应策略通过牺牲一定的负荷特性，大幅度提高了系统的优化运行效率，在占用较少计算资源的同时进一步削减系统总成本。
在本说明书中，对本发明的示意性表述不是必须针对的是相同的实施例或示例,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。此外，本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式，本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (5)

1.一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，其特征在于，所述方法包括以下步骤：
S1：构建户用多微网系统模型，初始化系统模型并获取优化所需的相关参数，包括风能、光能的日前预测数据；
S2：设定优化周期为24h，并将其离散化为K个时段，时间间隔为Δt，分析户用多微网系统的运行状况，确定事件类型以及触发条件，建立事件触发机制；
S3：针对微网内部事件类型即户用微网内部需求响应，构建户用资源调度模型，以户用微网整体日运行成本最低为目标，由EADR伺服器计算出实时电价以及调度潜力，户用微网根据触发事件类型结合实时电价和调度潜力引导入网负荷完成自身用电优化；
S4：针对微网间的功率交互建立能量共享模型，以系统总体交互利益最大为目的，微网群服务器计算系统中各个子微网的能级，并根据其历史参与度以及相关调度准则，决策出微网间的交互功率；
S5：由系统判断触发的事件是否完全消除，若是，则将当前的优化结果作为户用多微网系统中各个微网内部以及微网间的实际调度结果，求解完成；若否，返回步骤S2根据更新后的微网信息重新进行优化。
2.如权利要求1所述的一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，其特征在于，所述步骤S1中，户用多微网系统由多个RMG和微电网群服务器组成，其中户用微网模型包括以下构成：
S1-1：根据微网中各类负荷的运行特性和功能将户用负荷分为非温控负荷NTL、温控负荷、EV，并分别建立模型；
1)非温控负荷是指负荷运行时不受外界或自身温度的约束，包括洗衣机和洗碗机；
洗衣机和洗碗机：输出功率与其所处的运行阶段有关，且运行时不可中断，描述如下：
其中，g为非温控负荷的运行阶段数；为负荷l在运行阶段g的额定功率；和均为二元变量，分别表示阶段g的运行、开始和结束状态；表示非温控负荷l在阶段g的运行时长；Ng和Nl分别表示非温控负荷运行所需的阶段数和日运行次数；
2)温控负荷是指负荷运行时受外界或自身的温度限制，这类负荷表现为热水器EWH和空调AC；
热水器：输出功率与水箱内的水温呈非线性关系，而水温受热水器加热、用户用水以及和外界空气进行热交换的影响，则热水器水温模型如下：
其中，TOUT(k)、Tl h(k)分别表示在k时段的外界空气温度和热水器l的水温；为热水器l的额定运行功率；表示热水器l在k时段的运行状态；REWH和C分别是热水器的热阻和热电容；
当用户使用热水后，需注入冷水以确保正常生活，则注入冷水后的热水器水温则为：
其中，Ml和mk分别为热水器l的水箱容量和注入冷水的水量；Tow(k)为k时段注入冷水水温；
空调：输出功率与室内温度呈非线性关系，而室温又受房屋面积、空气的热特性因素的影响，则室温计算公式如下：
其中，Tl c(k)为k时刻空调l所在的室内温度；MAC和RAC分别为空气的热容比和等效热阻；和COP分别为空调的运行状态、额定功率和性能系数；
由于热水器和空调的用电功率受限于温度，即温控负荷还须对温度进行约束：
其中，和分别为热水器l的水温上下限；和分别为空调l的室温上下限；
3)电动汽车：户用微网系统中EV的电池均为锂电池且在每个优化时段内，均采用恒功率充放电；在忽略自放电率的影响下，EV的电池模型如下：
其中，Sl(k+1)、Sl(k)以及分别表示在第k+1、k时段和EV离开时用户期望的荷电状态；为电动汽车l的电池容量；Pl EV(k)表示在k时段EV的充放电功率；η(Pl EV)是与Pl EV正负相关的充放电效率，表示为：
其中，ηch、ηdch分别表示充放电效率；
此外，户用微网内的电动汽车还应约束自身的充、放电功率以及入网时的荷电状态SoC：
其中，分别表示电动汽车l的额定充、放电功率；和为电动汽车电池荷电状态的上、下限；
S1-2：满足储存系统的能量运行一日前后维持不变，即：
其中，Pl ESS(k)为k时段户用微网i储能系统充放电功率；
S1-3：假定由光伏阵列和风机构成的可再生能源供电单元均具有最大功率点跟踪功能，能够根据外界环境变化跟踪并输出所在时段的最大功率，则户用微网i的光伏出力和风机出力如下：
其中，Pi PV(k)和Pi WT(k)分别为户用微网i在k时刻的光伏和风机发电功率；和分别为用户m在k时刻的光伏和风机发电功率；为户用微网i内的用户集合；
S1-4：根据户用微网供需两侧的负荷各个组成部分，得到第i个户用微网的电功率平衡模型：
其中，为户用微网i与电网的交易功率，其值为正时表示倒送功率；[]*为负荷类型，包括NTL、EWH、AC和EV；为最大倒送功率。
3.如权利要求2所述的一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，其特征在于，在所述步骤S2中，根据户用多微网系统的运行状况，制定的事件触发机制如下：
S2-1：根据户用多微网系统运行状况，进行事件分析，定义的事件类型和触发条件如下：
1)接入事件，当微网中的用户依照自身用电习惯将负荷接入微网时，该事件触发；触发后，智能控制系统基于EADR伺服器发布的电价信号，通过经济激励的方式合理引导入网负荷的用电行为；
2)缺额事件，即功率失衡事件，通过设置一个失衡度用来表征供需两侧的不匹配程度，当预测净负荷和实际净负荷之间的差值率超过失衡度时，则监测器应生成缺额事件触发信号:
其中，λ为失衡度；为在k时段调度负荷α时的预测净负荷；因此，该事件触发时，由智能控制系统整合各类申报负荷信息并上报给EADR伺服器进行调度潜力评估；基于评估结果以及服务器发布的事件需求通知，对具备参与需求响应资格的负荷重新制定用电计划，以消除触发条件，进而达到缓解电力失衡的目的；
3)失约事件，当负荷提早使用、EV提前离网时触发；评估其余负荷的调度潜力，然后对具有较高评估值的负荷进行重新调整，以弥补由失约负荷引起的微网功率缺额；描述如下：
其中，Bk表示当前时段的失约负荷集合；RPk表示重定用电计划的负荷集合；
4)过载事件，当电力用户的集中用电使得微网总负荷超过外接线路的容量时，过载事件触发：
其中，κT为微网与配电网连接线路最大可承载的容量；过载事件触发后，智能控制系统根据调度潜力评估结果依次切除潜力最小的负荷，直至触发条件消失；
5)能量共享事件，当户用多微网系统同时存在出力缺额微网和出力富裕微网时触发；即当微网出力缺额或是富裕时，EADR伺服器需向微网群服务器发送相应信号；微网群服务器统筹网群内所有相关信息后发送反馈信号，决定是否进行能量共享。
4.如权利要求3所述的一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，其特征在于，在所述步骤S3中，户用微网内部需求响应包括以下步骤：
S3-1：以整体日运行成本最低为目标，建立户用资源调度模型；通过价格激励的方式引导微网内的户用负荷参与需求响应，一旦户用负荷入网或其申报请求获得批准，通过下面的日运营成本最小化模型确定负荷最优调度策略：
其中，和分别为负荷α在k时段的用电成本和调度后用户的不舒适度折算费用；δ为不舒适度折算系数；λα为实时电价；
S3-2：根据负荷用电信息，确定调度潜力评价因子：
将负荷用电的急迫程度、执行信用度和用户偏好程度作为3个评价因子，具体的计算公式如下：
1)用电迫切性因子：
其中，表示申报负荷α的用电迫切性；为温控负荷上下限的中间值；Qα表示负荷α一天的用电需求量；为最迟离网时间；
2)可靠性因子：
其中，表示负荷α的可靠性因子；H表示总考察天数；和分别表示第s天负荷l的调度外总负荷量和调度内总负荷量；较小意味着该设备可能无法执行响应计划，较大则表示该负荷的执行信用很强，对微网的稳定运行贡献较大；
3)用电偏好因子：
其中，表示申报负荷α的用户偏好；表示第s天负荷α实际运行和优化结果之间误差，其值越高的负荷，受用户干扰的可能性越大；
S3-3：EADR伺服器对评价因子进行无量纲化处理：
其中，dα,a为负荷α在k时段的第a个评价因子无量纲化值，a＝1,2,3；和分别表示关于第a个评价因子的户用微网内所有负荷最大值和最小值；
S3-4：根据无量纲化的评价因子通过平均差最大化方法确定客观权重，进而得出负荷的调度潜力评估值：
其中，Dα,a为负荷α的第a个评价因子在k时段的客观权重；为负荷α在k时刻的调度潜力评估值；wta表示第a个评价指标的主权权重，可通过层次分析法计算得出。
5.如权利要求4所述的一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法，其特征在于，在所述步骤S4中，多微网系统中微网间交互功率的求解过程如下：
S4-1：微网群服务器根据各个子微网上传的功率、电价信息，以多微网系统整体交互满意度最大为目标，建立能量共享模型：
其中，Fsat(k)表示系统在k时刻下的交互满意度；λi buy和λsell分别为微网i与电网交易的购售电价，其中 和分别为微网间能量交易的购售电价；和分别为微网i在能量共享中购售功率；MCB和MCS分别表示购电微网集合和售电微网集合，前者的实际净负荷均大于0，后者则相反；
S4-2：微网群服务器根据历史数据计算各个子网的历史参与度以及微网间的交易电价：
其中，Ctbi为微网i的历史参与度；为参与能量调度的天数；和分别为微网i在第n天能量共享前、后的功率需求；其值越大则微网参与能量共享的意愿越强烈，在能量共享中应优先考虑；print为微网间的交易电价，并且
S4-3：微网群服务器综合考虑微网历史参与度以及EADR伺服器上传的当前时段调度需求情况，计算子网在能量共享模型中的能级，并划分为不同的能层：
Eli(k)＝Pdi(k)/Ctbi (36)
其中，Eli(k)和Pdi(k)分别表示第k时段下微网i的能级和调度需求；
微网群服务器依据能级计算结果按±10％的能级宽度将微网划分到不同的能层d，其中d∈{1,2,...,DN},DN为当前时刻微网群服务器划分的能层总数；
根据式(36)可知临近两个能层的跃迁所需的能量为：
其中，表示能层d跃迁至能层d+1所需的能量；Epd表示能层d的能量区间下限；表示处于能层d的所有微网集合；
S4-4：微网群服务器根据购售电微网集合所需的功率需求，确定整个多微网系统的调度总功率并建立共享调度队列将能层1添加至队列中，对队列中的微网进行能量调度；由于微网每次只能跃迁一个能层，则在调度过程中会遇到如下3种情况：
1)队列中微网跃迁所需能量大于系统总调度功率；
2)系统总调度功率能够支撑队列中微网跃迁至能层d+1，且无微网达到电离态；
3)系统总调度功率能够支撑队列中微网跃迁至能层d+1，且有微网满足了自身功率需求；
S4-5：微网群服务器根据这3种进行不同的操作；在情况(1)下，多微网系统结束能量共享；针对情况(2)，将中的微网添加至队列中去，并将系统调度总需求更新为情况(3)则是在情况(2)的基础上，除去队列中到达电离态的微网；因此，微网i在能量共享中的调度功率表示如下：
其中，x为微网i参与能量共享调度前所处的能层；Com表示在能量共享过程中满足了自身功率需求的微网集合；
S4-6：微网群服务器首先对根据历史参与度对MCB和MCS集合中各微网进行降序排序，通过比较两个集合中最大历史参与度的共享调度功率Edis，确定微网间的交互功率为：
其中，Esi,j为能量共享过程中微网i和微网j间的交互功率；Esmax为微网间联络线最大承载功率。
CN201910594673.7A 2019-07-03 2019-07-03 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法 Active CN110518570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910594673.7A CN110518570B (zh) 2019-07-03 2019-07-03 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910594673.7A CN110518570B (zh) 2019-07-03 2019-07-03 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法

Publications (2)

Publication Number Publication Date
CN110518570A true CN110518570A (zh) 2019-11-29
CN110518570B CN110518570B (zh) 2021-06-18

Family

ID=68623593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910594673.7A Active CN110518570B (zh) 2019-07-03 2019-07-03 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法

Country Status (1)

Country Link
CN (1) CN110518570B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111641205A (zh) * 2020-05-11 2020-09-08 浙江工业大学 一种基于随机优化的主动配电网故障管理方法
CN112288242A (zh) * 2020-10-19 2021-01-29 国网四川省电力公司经济技术研究院 一种基于闲置量聚合的分布式能源共享服务资源匹配方法
CN117556549A (zh) * 2024-01-08 2024-02-13 山东大学 一种面向风光氢储充综合能源的时空联合运行优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179704A1 (en) * 2009-01-14 2010-07-15 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
JP2013121205A (ja) * 2011-12-06 2013-06-17 Shimizu Corp 分散型電源の自立運転システム及びその方法
US20140118864A1 (en) * 2012-10-31 2014-05-01 General Electric Company Method and system for power swing detection in a generator
CN106602555A (zh) * 2016-12-27 2017-04-26 上海中兴电力建设发展有限公司 具有分层分布式结构的能源互联网能量管理系统
CN107196339A (zh) * 2017-07-04 2017-09-22 安徽大学 基于事件触发机制的微网分层采样分布式协调控制方法
CN107612041A (zh) * 2017-08-23 2018-01-19 浙江工业大学 一种考虑不确定性的基于事件驱动的微电网自动需求响应方法
CN108306288A (zh) * 2018-02-13 2018-07-20 华东理工大学 一种基于需求侧响应的微网社区分布式能量分配方法
US20180262007A1 (en) * 2015-09-18 2018-09-13 Abb Schweiz Ag Micro-grid having a diesel generator with clutch

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179704A1 (en) * 2009-01-14 2010-07-15 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
JP2013121205A (ja) * 2011-12-06 2013-06-17 Shimizu Corp 分散型電源の自立運転システム及びその方法
US20140118864A1 (en) * 2012-10-31 2014-05-01 General Electric Company Method and system for power swing detection in a generator
US20180262007A1 (en) * 2015-09-18 2018-09-13 Abb Schweiz Ag Micro-grid having a diesel generator with clutch
CN106602555A (zh) * 2016-12-27 2017-04-26 上海中兴电力建设发展有限公司 具有分层分布式结构的能源互联网能量管理系统
CN107196339A (zh) * 2017-07-04 2017-09-22 安徽大学 基于事件触发机制的微网分层采样分布式协调控制方法
CN107612041A (zh) * 2017-08-23 2018-01-19 浙江工业大学 一种考虑不确定性的基于事件驱动的微电网自动需求响应方法
CN108306288A (zh) * 2018-02-13 2018-07-20 华东理工大学 一种基于需求侧响应的微网社区分布式能量分配方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
NIAN LIU,MINYANG CHENG,ET AL.: "Energy-Sharing Provider for PV Prosumer Clusters: A Hybrid Approach Using Stochastic Programming and Stackelberg Game", 《 IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
NIAN LIU,XINGHUO YU,ET AL.: "Energy Sharing Management for Microgrids With PV Prosumers: A Stackelberg Game Approach", 《 IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
SANGDON PARK,JOOHYUNG LEE,ET AL.: "Event-Driven Energy Trading System in Microgrids: Aperiodic Market Model Analysis With a Game Theoretic Approach", 《IEEE ACCESS》 *
XIAODONG YANG,ET AL.: "Online energy flow control for residential microgrids with URGs: An event-driven approach", 《IECON 2017 - 43RD ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》 *
XIAODONG YANG,YOUBING ZHANG,ET AL.: "An Event-Driven ADR Approach for Residential Energy Resources in Microgrids With Uncertainties", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
任帅杰，杨晓东等: "不确定性环境下基于可调度能力的微电网优化运行实时控制策略", 《中国电机工程学报》 *
周念成，金明等: "串联和并联结构的多微网系统分层协调控制策略", 《电力系统自动化》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111641205A (zh) * 2020-05-11 2020-09-08 浙江工业大学 一种基于随机优化的主动配电网故障管理方法
CN111641205B (zh) * 2020-05-11 2021-12-17 浙江工业大学 一种基于随机优化的主动配电网故障管理方法
CN112288242A (zh) * 2020-10-19 2021-01-29 国网四川省电力公司经济技术研究院 一种基于闲置量聚合的分布式能源共享服务资源匹配方法
CN112288242B (zh) * 2020-10-19 2022-07-15 国网四川省电力公司经济技术研究院 一种基于闲置量聚合的分布式能源共享服务资源匹配方法
CN117556549A (zh) * 2024-01-08 2024-02-13 山东大学 一种面向风光氢储充综合能源的时空联合运行优化方法
CN117556549B (zh) * 2024-01-08 2024-04-19 山东大学 一种面向风光氢储充综合能源的时空联合运行优化方法

Also Published As

Publication number Publication date
CN110518570B (zh) 2021-06-18

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
Wang et al. Energy management of smart micro-grid with response loads and distributed generation considering demand response
Marzband et al. Framework for smart transactive energy in home-microgrids considering coalition formation and demand side management
Li et al. Emission-concerned wind-EV coordination on the transmission grid side with network constraints: Concept and case study
Chen et al. Multi-objective residential load scheduling approach for demand response in smart grid
CN105225022A (zh) 一种热电联产型微电网的经济性优化运行方法
Zhou Sustainable energy sharing districts with electrochemical battery degradation in design, planning, operation and multi-objective optimisation
CN110518570A (zh) 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法
Rajeev et al. Dynamic load-shifting program based on a cloud computing framework to support the integration of renewable energy sources
Yang et al. Improved PSO based home energy management systems integrated with demand response in a smart grid
CN107292516A (zh) 一种计及负荷分级和能量调度的负荷可靠性评估方法
Cao et al. Reducing electricity cost of smart appliances via energy buffering framework in smart grid
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
Rossi et al. Real-time optimization of the battery banks lifetime in hybrid residential electrical systems
CN113328432A (zh) 一种家庭能量管理优化调度方法及系统
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN115169723A (zh) 发电功率预测方法、负荷预测方法及模型训练方法
Liu et al. Grid-friendly energy prosumers based on the energy router with load switching functionality
Bai et al. Flexibility quantification and enhancement of flexible electric energy systems in buildings
Kumar et al. Smart home energy management with integration of PV and storage facilities providing grid support
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
Tazi et al. Demand and energy management in smart grid: Techniques and implementation
CN114498769B (zh) 一种高比例风光孤岛微电网群能量调度方法及系统
CN114285093B (zh) 一种源网荷储互动调度方法及系统
Gong et al. Economic dispatching strategy of double lead-acid battery packs considering various factors

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