CN110729726A - 一种智慧社区能量优化调度方法和系统 - Google Patents

一种智慧社区能量优化调度方法和系统 Download PDF

Info

Publication number
CN110729726A
CN110729726A CN201911030450.4A CN201911030450A CN110729726A CN 110729726 A CN110729726 A CN 110729726A CN 201911030450 A CN201911030450 A CN 201911030450A CN 110729726 A CN110729726 A CN 110729726A
Authority
CN
China
Prior art keywords
air conditioner
optimization scheduling
day
energy
energy optimization
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
CN201911030450.4A
Other languages
English (en)
Other versions
CN110729726B (zh
Inventor
钱科军
李晋
刘乙
李雪明
顾少平
宋杰
童充
李亚飞
朱超群
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.)
Nari Technology Co Ltd
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nari Technology Co Ltd
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Nari Technology Co Ltd, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN201911030450.4A priority Critical patent/CN110729726B/zh
Publication of CN110729726A publication Critical patent/CN110729726A/zh
Application granted granted Critical
Publication of CN110729726B publication Critical patent/CN110729726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种智慧社区能量优化调度方法和系统，所述方法包括：获取智慧社区需求侧资源配置参数、负荷需求和电价信息；建立聚合空调近似负荷模型；在调温控制方式下，评估聚合空调的响应潜力和空调响应后的反弹负荷；建立多时间尺度能量优化调度模型；将多时间尺度能量优化调度模型中的随机变量转化为确定等价类，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。本申请以调温控制的方法调节空调负荷，减少了对用户舒适度的影响；建立了多时间尺度的能量优化调度模型，可协调确定性资源和不确定性资源的出力，降低社区的电量缺额，提高社区运行的经济性。

Description

一种智慧社区能量优化调度方法和系统
技术领域
本发明属于电力需求侧管理技术领域，涉及一种智慧社区能量优化调度方法和系统，尤其涉及一种考虑空调响应不确定性的智慧社区能量优化调度方法和系统。
背景技术
随着全球温度变暖等极端性天气不断出现，建筑能耗不断提高，宾馆/酒店等单位面积耗电量更是普通民宅的10到15倍。另一方面，从经济性上考虑，酒店经营已步入微利时代，这就要求酒店管理者重视节能。据统计酒店建筑电力消耗平均约占总能耗的51.5％，其平均能耗接近169kWh/(m2·a)，同时，酒店用电费用约占经营收入的8％。由此看出，大型公共建筑存在巨大的能源浪费现象。
空调负荷占电力终端设备的比重逐年增长，已成为高峰负荷最重要的组成部分。但同时空调负荷具备一定的热存储能力，具备巨大的负荷调节潜力，可在较小影响用户舒适度的情况下快速响应系统调度。通过合理的控制手段，可将其纳入到用户侧能量管理中，目前国内外学者已从不同角度进行了相关研究。但目前的研究中还存在以下不足：1)多是是考虑分散的单体空调负荷参与能量调度，缺少对空调负荷的聚合；2)多是通过启停控制来调节空调负荷，对用户舒适度影响较大；3)在空调负荷参与调度过程中缺少对响应不确定性的考虑。
发明内容
为解决现有技术中的不足，本申请提供一种智慧社区能量优化调度方法和系统，以最小化智慧社区的用电成本为目标，聚合分散的家用空调，评估调温控制下聚合空调的响应潜力，综合考虑智慧社区中的光伏、储能和聚合空调三种需求侧资源，对日前和日内两个时间尺度的运行出力进行优化调度，并在采用储能备用和日内购电的方式应对空调响应缺额。
为了实现上述目标，本申请的第一件发明采用如下技术方案：
一种智慧社区能量优化调度方法，包括以下步骤：
步骤1：获取智慧社区需求侧资源配置参数、负荷需求和电价信息；
步骤2：建立表述空调聚合功率与室外温度、空调温度设定值之间关系的聚合空调近似负荷模型；
步骤3：在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力和空调响应后的反弹负荷；
步骤4：基于智慧社区中的光伏、储能和聚合空调三种需求侧资源，建立多时间尺度能量优化调度模型；
步骤5：将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。
本发明进一步包括以下优选方案：
优选地，步骤2所述建立表述空调聚合功率与室外温度、空调温度设定值之间关系的聚合空调近似负荷模型，具体为：
基于单体空调的等效热参数模型(equivalent thermal parameters model,ETPmodel)，通过能量守恒定律和大数定律，推导空调聚合功率与室外温度、空调温度设定值之间的关系。
优选地，步骤3所述在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力，具体为：
基于所述聚合空调近似负荷模型，估算出调温后的空调聚合功率，并用概率函数描述出聚合空调响应潜力的分布。
优选地，步骤3所述空调响应后的反弹负荷采用分时段控制策略中的单时段控制策略和三阶段负荷反弹模型进行评估。
优选地，步骤4所述多时间尺度能量优化调度模型包括日前能量优化调度模型和日内能量优化调度模型；
所述日前能量优化调度模型，用于在日前调度阶段，以智慧社区用电成本最低为目标优化决策出聚合空调响应时段和响应量、储能出力和日前购电计划；
所述日内能量优化调度模型以社区运营商利益最大为目标，用于在日内调度阶段，对日前计划进行修正，以减小光伏出力预测偏差和空调响应不确定的影响。
优选地，所述智慧社区用电成本包括购电费用、空调调度补偿费和储能折旧费，所述日前能量优化调度模型的约束条件包括社区有功功率平衡、储能充放电功率和剩余电量约束、空调响应量及响应次数约束和联络线功率约束。
优选地，所述社区运营商利益为光伏上网收益减去日内购电费用和储能折旧费用，所述日内能量优化调度模型的约束条件包括社区有功功率平衡和储能充放电功率约束。
优选地，步骤5所述将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果，具体为：
通过机会约束规划的方法将社区有功功率平衡约束中的随机变量转化为确定等价类，并基于步骤3的评估结果，采用优化软件Guribo求解日内能量优化调度模型，从而得到各资源优化调度结果。
优选地，所述日内能量优化调度模型在日内调度阶段，对日前计划进行修正，具体为：
将日前能量优化调度模型优化出的决策量作为确定常量代入日内能量优化调度模型；
日内能量优化调度模型通过新的系统运行数据和光伏预测数据，修正后续储能出力、购电计划和光伏上网电量。
优选地，步骤5所述将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果，具体为：
通过机会约束规划的方法将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，采用优化软件Guribo求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。
本申请还公开了另一件发明，即一种智慧社区能量优化调度系统，包括获取单元、聚合空调近似负荷模型建立单元、评估单元、多时间尺度能量优化调度模型建立单元和求解单元；
所述获取单元，用于获取智慧社区需求侧资源配置参数、负荷需求和电价信息；
所述聚合空调近似负荷模型建立单元，用于建立表述空调聚合功率与室外温度、空调温度设定值之间关系的聚合空调近似负荷模型；
所述评估单元，用于在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力和空调响应后的反弹负荷；
所述多时间尺度能量优化调度模型建立单元，用于基于智慧社区中的光伏、储能和聚合空调三种需求侧资源，建立多时间尺度能量优化调度模型；
所述求解单元，用于将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于评估单元的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。
优选地，所述多时间尺度能量优化调度模型包括日前能量优化调度模型和日内能量优化调度模型；
所述日前能量优化调度模型，用于在日前调度阶段，以智慧社区用电成本最低为目标优化决策出聚合空调响应时段和响应量、储能出力和日前购电计划；
所述日内能量优化调度模型以社区运营商利益最大为目标，用于在日内调度阶段，对日前计划进行修正，以减小光伏出力预测偏差和空调响应不确定的影响。
本申请所达到的有益效果：
1)本申请采用调温控制的方法调节空调负荷，减少了对用户舒适度的影响；
2)本申请建立了多时间尺度的能量优化调度模型，可协调确定性资源和不确定性资源的出力，降低社区的电量缺额，提高社区运行的经济性。
附图说明
图1是本申请的一种智慧社区能量优化调度方法流程图；
图2是本申请实施例的聚合空调响应示意图；
图3是本申请实施例的多时间尺度能量优化调度模型的框架；
图4是本申请的一种智慧社区能量优化调度系统的结构框图；
图5是本申请实施例的负荷和气温预测曲线；
图6是本申请实施例的日前和日内光伏出力预测曲线；
图7是本申请实施例的聚合空调响应潜力评估结果；
图8是本申请实施例的储能和聚合空调的调度结果。
具体实施方式
下面结合附图对本申请作进一步描述。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申请的保护范围。
如图1所示，本申请的一种智慧社区能量优化调度方法，包括以下步骤：
步骤1：获取智慧社区需求侧资源配置参数、负荷预测和电价信息，包括但不限于以下对象：
(1)储能的充放电参数、容量配置参数和折旧参数；
(2)负荷设备的额定功率；
(3)第二日社区总负荷、光伏出力及气温预测曲线和分时电价信息，电价信息包括峰谷时段划分及对应的电价信息。
步骤2：建立聚合空调近似负荷模型，所述聚合空调近似负荷模型为空调聚合功率与室外温度、空调温度设定值等参数之间的关系模型，具体为：
基于单体空调的ETP模型，通过能量守恒定律和大数定律，推导空调聚合功率与室外温度、空调温度设定值等参数之间的关系。
实施例中，单体空调的ETP模型如式(1)。
式中，θout为室外温度；θin为室内温度；R为等效热阻，℃/kW；C为等效热容，kWh/℃；Q为空调的制冷量，空调的制冷量Q和空调的额定功率P保持的比例关系为：Q＝ηP，其中，η为空调能效比；P为空调额定功率。
当空调稳定运行时，通过间歇性的启停来维持室内温度在舒适区的区间。假设室内平均温度为
Figure BDA0002250002440000052
根据能量守恒定律，空调的制冷量和房间的散热量相同，那么空调t时刻的平均功率可表示为：
Figure BDA0002250002440000053
根据大数定律，当空调数量足够大时，由于每台空调稳态运行时状态的随机性，N台空调的总功率可近似为：
Figure BDA0002250002440000054
由于每台空调的设定温度、能效比和等效热阻各不相同且独立分布，则(3)式可写为：
Figure BDA0002250002440000055
式中，E(·)表示期望值；当空调稳态运行时，室内平均温度可用设定温度θset代替，最终得到聚合空调近似负荷模型。
步骤3：在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力和空调响应后的反弹负荷，具体为：
基于聚合空调近似负荷模型，估算出调温后的空调聚合功率，并用概率函数描述出聚合空调响应潜力的分布。
实施例中，为减小对用户舒适度影响并提高用户的可接受度，选取调温控制来调节空调负荷。
基于公式(3)，当空调设定温度调整且运行平稳后，参与响应的空调聚合功率近似为：
Figure BDA0002250002440000061
式中，NDR为参与响应的空调数目。
同时，可削减负荷为：
Figure BDA0002250002440000062
由于用户参与度等主观因素限制，以及设备和通信可靠度影响，一定比例的空调负荷无法参与需求响应。
本申请实施例认为聚合空调响应潜力Ucut为随机变量，服从正态分布，可用期望和标准差来表示如下：
Ucut:N(Scutvcut,(kVθset)2) (7)
式中，vcut为用户参与度，实际可削减负荷占理论削减负荷的比重；k为标准差系数，标准差与设定温度成正比原因在于当温度调整量越大时，对用户的舒适度影响越大，则用户参与度的不确定越高；Vθset为需求响应时段空调温度设定值的调整量。
如图2所示，实施例中，当调控结束后，出于舒适度考虑，部分用户上调设定温度，会出现负荷反弹效应，即空调功率会超过原有的正常运行功率。本申请所述空调响应后的反弹负荷采用分时段控制策略中的单时段控制策略和三阶段负荷反弹模型进行评估，反弹负荷表达式如下：
Preb(t)＝aPcut(t-1)+bPcut(t-2)+cPcut(t-3) (8)
式中：Preb(t)为反弹负荷；a、b、c为反弹系数。由于采取的是调温控制，负荷反弹量相比直接中断要得少。
步骤4：基于智慧社区中的光伏、储能和聚合空调三种需求侧资源，建立多时间尺度能量优化调度模型；
如图3所示，实施例中，为充分调动需求侧资源，减小光伏预测偏差对调度的影响，将能量优化调度模型分为日前-日内两个时间尺度；
日前调度为：社区运营商接收售电公司的电价信息和负荷日前预测信息，评估聚合空调负荷的响应潜力，以社区用电成本最低为目标，优化决策出聚合空调响应时段和响应量、储能出力和日前购电计划。
日内调度为：针对光伏出力预测偏差和空调响应不确定性，为保证社区用电的可靠性和经济性，利用新的系统运行数据和光伏预测数据对后续储能出力、购电计划和光伏上网电量不断修正。
即实施例中，所述多时间尺度能量优化调度模型包括日前能量优化调度模型和日内能量优化调度模型所述日前能量优化调度模型，用于在日前调度阶段，以智慧社区用电成本最低为目标优化决策出聚合空调响应时段和响应量、储能出力和日前购电计划；
所述日内能量优化调度模型以社区运营商利益最大为目标，用于在日内调度阶段，对日前计划进行修正，以减小光伏出力预测偏差和空调响应不确定的影响。
实施例中，所述智慧社区用电成本包括购电费用、空调调度补偿费和储能折旧费，日前能量优化调度模型的目标函数如下：
Figure BDA0002250002440000071
式中，T1为日前调度周期；ccell,t为售电公司的销售电价；Pt G为社区t时段日前计划购买功率；cDR为空调负荷削减的补偿价格；cb为储能的折旧费用；Pt ES为储能充放电功率；Pt L为社区负荷的预测值；Pt PV为光伏的预测值；
Figure BDA0002250002440000072
为聚合空调负荷的计划削减功率；
Figure BDA0002250002440000073
为聚合空调负荷的反弹功率。
日前能量优化调度模型的约束条件包括社区有功功率平衡、储能充放电功率和剩余电量约束、空调响应量及响应次数约束和联络线功率约束。
式中，
Figure BDA0002250002440000082
为储能额定充放电功率；
Figure BDA0002250002440000083
和
Figure BDA0002250002440000084
分别为储能SOC的上下限；
Figure BDA0002250002440000085
和
Figure BDA0002250002440000086
为储能日前计划的备用功率和备用容量；Ucut,t为聚合空调响应潜力的期望值；NDRmax为一个调度周期内，进行空调调温的最大次数；Pline_max为联络线最大传输功率。
所述日内能量优化调度模型在日内调度阶段，对日前计划进行修正，具体为：
将日前能量优化调度模型优化出的决策量作为确定常量代入日内能量优化调度模型；
日内能量优化调度模型通过新的系统运行数据和光伏预测数据，修正后续储能出力、购电计划和光伏上网电量。
实施例中，所述社区运营商利益为光伏上网收益减去日内购电费用和储能折旧费用，日前能量优化调度模型的目标函数为：
Figure BDA0002250002440000087
式中，t0为当前时段；T1日内调度周期；ΔPt G为日内购电量与日前计划的偏差；cp,t为社区在日内向上级购买电电量的价格，由于社区运营商在日前已签订各时段购买电量，为减小购电偏差，这里取日前电价的2倍；Pt S为光伏上网电量；cs,t为售电价格；ΔPt ES为日内储能出力与日前决策的偏差。
日内能量优化调度模型的约束条件包括社区有功功率平衡和储能充放电功率约束。
Figure BDA0002250002440000091
式中，ΔPt PV为光伏日前预测与日内预测的偏差；
Figure BDA0002250002440000092
为聚合空调响应量偏差；
Figure BDA0002250002440000093
为空调反弹量偏差。
在日内调度中，光伏预测偏差作为确定量代入日内能量优化调度模型，而空调响应量偏差和反弹量偏差是随机变量，服从一定的概率分布，对此采用机会约束规划的方法，使有功平衡满足一定的置信度即可。
式中：Pr{g}为置信度表达式；α为满足功率平衡的置信度。
步骤5所述将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果，具体为：
通过机会约束规划的方法将社区有功功率平衡约束中的随机变量转化为确定等价类，并基于步骤3的评估结果，采用优化软件Guribo求解日内能量优化调度模型，从而得到各资源优化调度结果。
实施例中，针对日内决策的有功平衡约束，由于负荷削减时段和反弹时段不在同一个时段，式(13)可分解成两个方程：
假设
Figure BDA0002250002440000097
分布函数为Φ，若存在Kα使得Kα＝sup{K|K＝Φ-1(1-α)}等式成立，则式(14)的可信性约束可转化为下式的确定性等价形式：-ΔPt G-ΔPt PV-ΔPt ES≤Kα。
经清晰等价类转化后，在MATLAB软件中，借助YALMIP工具包调用Gurobi对模型进行求解。
如图4所示，一种智慧社区能量优化调度系统，包括获取单元、聚合空调近似负荷模型建立单元、评估单元、多时间尺度能量优化调度模型建立单元和求解单元；
所述获取单元，用于获取智慧社区需求侧资源配置参数、负荷需求和电价信息；
所述聚合空调近似负荷模型建立单元，用于建立聚合空调近似负荷模型，所述聚合空调近似负荷模型为空调聚合功率与室外温度、空调温度设定值之间的关系模型；
所述评估单元，用于在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力和空调响应后的反弹负荷；
所述多时间尺度能量优化调度模型建立单元，用于基于智慧社区中的光伏、储能和聚合空调三种需求侧资源，建立多时间尺度能量优化调度模型；
实施例中，所述多时间尺度能量优化调度模型包括日前能量优化调度模型和日内能量优化调度模型；
所述日前能量优化调度模型，用于在日前调度阶段，以智慧社区用电成本最低为目标优化决策出聚合空调响应时段和响应量、储能出力和日前购电计划；
所述日内能量优化调度模型以社区运营商利益最大为目标，用于在日内调度阶段，对日前计划进行修正，以减小光伏出力预测偏差和空调响应不确定的影响。
所述求解单元，用于将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于评估单元的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。
为了验证本申请的有效性，进行如下仿真实验。
1、选取某中等规模的智慧社区，社区用户数500户，户均空调为2台，共1000台空调。社区光伏配置铅酸蓄电池储能的额定容量为200kWh；额定充/放电功率为40kW；荷电状态的上限和下限
Figure BDA0002250002440000102
分别为1.0和0.2；充/放电效率为0.9；初始荷电状态为0.6；平均折旧成本cb取0.42元/(kWh)。聚合空调调度补偿成本cDR为0.5元/(kWh)。
选取夏季某高温日进行仿真验证，该日气温预测情况和第二日社区总负荷预测如图5所示；光伏出力曲线日前和日内预测如图6所示；智慧社区与售电公司之间电能交易采用分时电价，具体价格如表1所示。
表1 分时电价情况
Figure BDA0002250002440000111
2、以预测气温作为室外温度，假设居民空调设定温度在各时段分布及范围相同。考虑到用户的舒适度，温度设定值调整的方式为：向空调设定温度在25℃及以下的用户，发布空调温度设定值上调2℃的指令。空调各参数如表2所示。
表2 空调参数范围
Figure BDA0002250002440000112
3、评估调温控制方式下的聚合空调响应潜力，基于聚合空调近似负荷模型，估算出调温后的聚合功率，并用概率函数描述出响应潜力的分布。空调参与度和反弹系数如表3所示，评估出各时段的聚合空调响应潜力如图7所示。由图7可看出，响应潜力的期望值在中午和晚间较大，最高可达到80kW左右；而占总负荷的比重则与气温负相关，气温越高，可削减负荷占比越小。以12:00为例，室外温度为35℃，响应潜力的期望值为135kW，概率分布为：Ucut,12:N(135,42)。
表3 空调响应及反弹系数
Figure BDA0002250002440000113
4、计算空调响应后反弹负荷，基于评估出的响应潜力，依据式(8)可计算出聚合空调的反弹负荷。
5、建立考虑聚合空调响应不确定性的智慧社区多时间尺度能量优化调度模型，将空调潜力评估结果作为已知量输入到模型中，多时间尺度能量优化调度模型分为日前-日内两个时间尺度。
为验证聚合空调负荷和储能在能量调度中的效果，选取了4个调度方案进行对比。方案1：无储能和聚合空调负荷。方案2：仅含储能。方案3：仅含聚合空调负荷。方案4：同时包含储能和聚合空调负荷，即为本申请调度方案。
6、通过机会约束规划的方法将多时间尺度能量优化调度模型中的随机变量转化为确定等价类，多时间尺度能量优化调度模型中含有随机变量，根据机会约束规划理论将其转化为清晰等价类；
经清晰等价类转化后，在MATLAB软件中，借助YALMIP工具包调用Gurobi对模型进行求解。
日内决策的置信度α取0.8，各方案下社区用电成本对比如表4。本申请方案下储能和空调负荷的调度结果如图8所示。
表4 不同方案的用电成本对比
Figure BDA0002250002440000121
通过各类用电费用的对比可得：
1)储能或聚合空调参与能量优化调度后，均能降低智慧社区的用电成本，尤其是降低购电费用。
2)通过方案3和方案4的对比，储能作为确定性的可调资源，可有效修正光伏预测偏差，减少光伏上网电量；并作为空调响应不确定性的备用资源，能减少在日内的购电费用。
3)聚合空调负荷以及储能参与调度后，光伏上网的收益减少，光伏发电量更多的被社区内部负荷消纳。
综上所述，本申请所提出的考虑空调响应不确定性的智慧社区能量优化调度方法，聚合分散的家用空调，对聚合空调的响应潜力进行评估，并将聚合空调负荷纳入到智慧社区负荷调度中，建立了考虑空调响应不确定性的多时间尺度能量优化调度方法。本申请可充分利用聚合空调负荷削减潜力，并在日内利用储能备用功率来应对空调响应的不确定性，不仅减少了智慧社区的用电成本，同时也有利于光伏出力的就地消纳，对含多种需求侧资源的居民社区能量管理问题有一定的参考意义。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (12)

1.一种智慧社区能量优化调度方法，其特征在于：
所述方法包括以下步骤：
步骤1：获取智慧社区需求侧资源配置参数、负荷需求和电价信息；
步骤2：建立表述空调聚合功率与室外温度、空调温度设定值之间关系的聚合空调近似负荷模型；
步骤3：在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力和空调响应后的反弹负荷；
步骤4：基于智慧社区中的光伏、储能和聚合空调三种需求侧资源，建立多时间尺度能量优化调度模型；
步骤5：将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。
2.根据权利要求1所述的一种智慧社区能量优化调度方法，其特征在于：
步骤2所述建立表述空调聚合功率与室外温度、空调温度设定值之间关系的聚合空调近似负荷模型，具体为：
基于单体空调的ETP模型，通过能量守恒定律和大数定律，推导空调聚合功率与室外温度、空调温度设定值之间的关系。
3.根据权利要求1所述的一种智慧社区能量优化调度方法，其特征在于：
步骤3所述在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力，具体为：
基于所述聚合空调近似负荷模型，估算出调温后的空调聚合功率，并用概率函数描述出聚合空调响应潜力的分布。
4.根据权利要求1所述的一种智慧社区能量优化调度方法，其特征在于：
步骤3所述空调响应后的反弹负荷采用分时段控制策略中的单时段控制策略和三阶段负荷反弹模型进行评估。
5.根据权利要求1所述的一种智慧社区能量优化调度方法，其特征在于：
步骤4所述多时间尺度能量优化调度模型包括日前能量优化调度模型和日内能量优化调度模型；
所述日前能量优化调度模型，用于在日前调度阶段，以智慧社区用电成本最低为目标优化决策出聚合空调响应时段和响应量、储能出力和日前购电计划；
所述日内能量优化调度模型以社区运营商利益最大为目标，用于在日内调度阶段，对日前计划进行修正，以减小光伏出力预测偏差和空调响应不确定的影响。
6.根据权利要求5所述的一种智慧社区能量优化调度方法，其特征在于：
所述智慧社区用电成本包括购电费用、空调调度补偿费和储能折旧费，所述日前能量优化调度模型的约束条件包括社区有功功率平衡、储能充放电功率和剩余电量约束、空调响应量及响应次数约束和联络线功率约束。
7.根据权利要求5所述的一种智慧社区能量优化调度方法，其特征在于：
所述社区运营商利益为光伏上网收益减去日内购电费用和储能折旧费用，所述日内能量优化调度模型的约束条件包括社区有功功率平衡和储能充放电功率约束。
8.根据权利要求7所述的一种智慧社区能量优化调度方法，其特征在于：
步骤5所述将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果，具体为：
通过机会约束规划的方法将社区有功功率平衡约束中的随机变量转化为确定等价类，并基于步骤3的评估结果，采用优化软件Guribo求解日内能量优化调度模型，从而得到各资源优化调度结果。
9.根据权利要求5所述的一种智慧社区能量优化调度方法，其特征在于：
所述日内能量优化调度模型在日内调度阶段，对日前计划进行修正，具体为：
将日前能量优化调度模型优化出的决策量作为确定常量代入日内能量优化调度模型；
日内能量优化调度模型通过新的系统运行数据和光伏预测数据，修正后续储能出力、购电计划和光伏上网电量。
10.根据权利要求1所述的一种智慧社区能量优化调度方法，其特征在于：
步骤5所述将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果，具体为：
通过机会约束规划的方法将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于步骤3的评估结果，采用优化软件Guribo求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。
11.一种智慧社区能量优化调度系统，其特征在于：
所述系统包括获取单元、聚合空调近似负荷模型建立单元、评估单元、多时间尺度能量优化调度模型建立单元和求解单元；
所述获取单元，用于获取智慧社区需求侧资源配置参数、负荷需求和电价信息；
所述聚合空调近似负荷模型建立单元，用于建立表述空调聚合功率与室外温度、空调温度设定值之间关系的聚合空调近似负荷模型；
所述评估单元，用于在调温控制方式下，基于聚合空调近似负荷模型，评估聚合空调的响应潜力和空调响应后的反弹负荷；
所述多时间尺度能量优化调度模型建立单元，用于基于智慧社区中的光伏、储能和聚合空调三种需求侧资源，建立多时间尺度能量优化调度模型；
所述求解单元，用于将所述多时间尺度能量优化调度模型中的随机变量转化为确定等价类，并基于评估单元的评估结果，求解多时间尺度能量优化调度模型，从而得到各资源优化调度结果。
12.根据权利要求11所述的一种智慧社区能量优化调度系统，其特征在于：
所述多时间尺度能量优化调度模型包括日前能量优化调度模型和日内能量优化调度模型；
所述日前能量优化调度模型，用于在日前调度阶段，以智慧社区用电成本最低为目标优化决策出聚合空调响应时段和响应量、储能出力和日前购电计划；
所述日内能量优化调度模型以社区运营商利益最大为目标，用于在日内调度阶段，对日前计划进行修正，以减小光伏出力预测偏差和空调响应不确定的影响。
CN201911030450.4A 2019-10-28 2019-10-28 一种智慧社区能量优化调度方法和系统 Active CN110729726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911030450.4A CN110729726B (zh) 2019-10-28 2019-10-28 一种智慧社区能量优化调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911030450.4A CN110729726B (zh) 2019-10-28 2019-10-28 一种智慧社区能量优化调度方法和系统

Publications (2)

Publication Number Publication Date
CN110729726A true CN110729726A (zh) 2020-01-24
CN110729726B CN110729726B (zh) 2022-07-01

Family

ID=69222205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911030450.4A Active CN110729726B (zh) 2019-10-28 2019-10-28 一种智慧社区能量优化调度方法和系统

Country Status (1)

Country Link
CN (1) CN110729726B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111342446A (zh) * 2020-03-02 2020-06-26 国网天津市电力公司电力科学研究院 三维家庭智慧用能泛在调度控制方法及系统
CN111681133A (zh) * 2020-06-19 2020-09-18 国网北京市电力公司 电负荷信息的处理方法和装置
CN113610426A (zh) * 2021-08-19 2021-11-05 长沙理工大学 基于用户满意度的智能用电社区能量管理方法
CN113623838A (zh) * 2021-08-06 2021-11-09 重庆美的制冷设备有限公司 厨房空调的控制方法、厨房空调的控制器和厨房空调
CN115048773A (zh) * 2022-05-24 2022-09-13 西安交通大学 双时间尺度室温控制建模方法
CN115730725A (zh) * 2022-11-24 2023-03-03 国网江苏省电力有限公司营销服务中心 空调负荷和新风机联合参与室温调节的用能优化方法和系统
CN115755657A (zh) * 2021-09-03 2023-03-07 北京机械设备研究所 一种基于车载系统的临近错峰控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107143968A (zh) * 2017-04-14 2017-09-08 东南大学 基于空调聚合模型的调峰控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107143968A (zh) * 2017-04-14 2017-09-08 东南大学 基于空调聚合模型的调峰控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
袁泉等: "计及源荷不确定性的多时间尺度滚动调度计划模型与方法", 《电力系统保护与控制》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111342446A (zh) * 2020-03-02 2020-06-26 国网天津市电力公司电力科学研究院 三维家庭智慧用能泛在调度控制方法及系统
CN111342446B (zh) * 2020-03-02 2023-10-27 国网天津市电力公司电力科学研究院 三维家庭智慧用能泛在调度控制方法及系统
CN111681133A (zh) * 2020-06-19 2020-09-18 国网北京市电力公司 电负荷信息的处理方法和装置
CN111681133B (zh) * 2020-06-19 2023-10-27 国网北京市电力公司 电负荷信息的处理方法和装置
CN113623838A (zh) * 2021-08-06 2021-11-09 重庆美的制冷设备有限公司 厨房空调的控制方法、厨房空调的控制器和厨房空调
CN113623838B (zh) * 2021-08-06 2022-08-26 重庆美的制冷设备有限公司 厨房空调的控制方法、厨房空调的控制器和厨房空调
CN113610426A (zh) * 2021-08-19 2021-11-05 长沙理工大学 基于用户满意度的智能用电社区能量管理方法
CN115755657A (zh) * 2021-09-03 2023-03-07 北京机械设备研究所 一种基于车载系统的临近错峰控制方法
CN115048773A (zh) * 2022-05-24 2022-09-13 西安交通大学 双时间尺度室温控制建模方法
CN115048773B (zh) * 2022-05-24 2024-03-29 西安交通大学 双时间尺度室温控制建模方法
CN115730725A (zh) * 2022-11-24 2023-03-03 国网江苏省电力有限公司营销服务中心 空调负荷和新风机联合参与室温调节的用能优化方法和系统
CN115730725B (zh) * 2022-11-24 2023-11-07 国网江苏省电力有限公司营销服务中心 空调负荷和新风机联合参与室温调节的用能优化方法和系统

Also Published As

Publication number Publication date
CN110729726B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110729726B (zh) 一种智慧社区能量优化调度方法和系统
Vrettos et al. Predictive control of buildings for demand response with dynamic day-ahead and real-time prices
CN113222227B (zh) 基于建筑特性和虚拟电厂的建筑综合能源系统调度方法
CN107276096A (zh) 一种光伏与空调负荷协调优化的配电网电压控制方法
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
Wang et al. Load curve smoothing strategy based on unified state model of different demand side resources
CN105356491B (zh) 一种基于储能和虚拟储能最优控制的功率波动平抑方法
CN107069773B (zh) 基于需求侧资源统一状态模型的负荷平滑控制方法
Wang et al. Optimal coordination control strategy of hybrid energy storage systems for tie-line smoothing services in integrated community energy systems
CN112803446A (zh) 基于客户侧需求响应的多能优化控制方法及控制系统
CN110474370B (zh) 一种空调可控负荷、光伏储能系统的协同控制系统及方法
CN111737884A (zh) 一种含多种清洁能源微能源网多目标随机规划方法
Yang et al. Building electrification and carbon emissions: Integrated energy management considering the dynamics of the electricity mix and pricing
CN116780619A (zh) 考虑电力交易的分布式源-储聚合功率调节特性评价方法
Zhang et al. Research on scheduling control strategy of large-scale air conditioners based on electric spring
CN116384155A (zh) 考虑用户行为不确定性的家庭能量管理优化方法
CN113315135B (zh) 低碳楼宇优化调度方法、系统、终端及介质
CN115693753A (zh) 一种基于负荷虚拟储能的多区域协调控制方法
Liu et al. Load optimization and control strategy research based on flexible and controllable load characteristics
Wang et al. Two-stage cooperative operation strategy for home management systems with smart appliances
Qi et al. Chance constrained economic dispatch of central air conditionings in large-scale commercial buildings considering demand response
Rezaei et al. A network of BIMGs participating in demand response using EVs and HVAC units
Gu et al. Energy management strategy of smart residential community considering aggregated air-conditioning loads
Song et al. Energy management optimization strategy for industrial enterprises based on demand response
Lujie et al. The Load Aggregation Strategy of Central Air-conditioning for Smoothing Wind Power Fluctuation

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