CN110739696B - 智能配网环境中需求侧资源与可再生能源的集成调度方法 - Google Patents
智能配网环境中需求侧资源与可再生能源的集成调度方法 Download PDFInfo
- Publication number
- CN110739696B CN110739696B CN201910999468.9A CN201910999468A CN110739696B CN 110739696 B CN110739696 B CN 110739696B CN 201910999468 A CN201910999468 A CN 201910999468A CN 110739696 B CN110739696 B CN 110739696B
- Authority
- CN
- China
- Prior art keywords
- response
- scheduling
- demand side
- load
- distribution network
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004044 response Effects 0.000 claims abstract description 201
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000005096 rolling process Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims description 60
- 230000005611 electricity Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 25
- 239000000126 substance Substances 0.000 claims description 19
- 241000544061 Cuculus canorus Species 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 230000004043 responsiveness Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 235000013601 eggs Nutrition 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 241000272177 Cuculiformes Species 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000271566 Aves Species 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 235000005770 birds nest Nutrition 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 235000005765 wild carrot Nutrition 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000024241 parasitism Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种智能配网环境中需求侧资源与可再生能源的集成调度方法，包括步骤：获取配电网系统的基本信息，配电网系统包括调度中心、与调度中心通信连接的至少一个响应代理、以及与响应代理通信连接的至少一个需求侧资源；根据基本信息，建立多时间尺度下的滚动优化调度模型，调度模型包括目标函数和约束条件，目标函数用于计算配电网系统的运行成本，调度模型的优化目标为使目标函数的值最小；计算调度模型的最优解，最优解包括各需求侧资源的最优负荷；将各需求侧资源的负荷调整为最优负荷，从而对分布式需求侧资源进行有序调度，降低配电网系统的运行成本，实现削峰填谷，提高可再生能源消纳的效果。本发明一并公开了相应的计算设备。
Description
技术领域
本发明涉及分布式资源调度技术领域，尤其涉及一种智能配网环境中需求侧资源与可再生能源的集成调度方法。
背景技术
放眼全球，各国在电力系统供应侧扩容方面均面临着不同程度的困难。许多国家开始将研究重点转向电力需求侧，需求侧资源的价值逐渐受到重视，并在电力系统规划和调度运行等环节越来越多地发挥作用。电力需求侧管理政策体系逐渐完善、技术水平有所提高，尤其是近年，相关政策不断密集出台，可以预测需求侧资源将具有更好的发展前景。
在智能配网环境下，需求侧资源(Demand Side Resource，DSR)是位于不同位置的电动汽车、储能、可控负荷等资源，呈现出单体容量小、布局分散的特性。如何建立多时间尺度下需求侧资源与可再生能源集成调度框架，对分布式需求侧资源进行有序调度，实现需求侧资源与可再生能源的高效集成，是目前需求侧资源参与电网调度的关键问题。
发明内容
为此，本发明提供一种智能配网环境中需求侧资源与可再生能源的集成调度方法及计算设备，以力图解决或至少缓解上面存在的问题。
根据本发明的第一个方面，提供一种智能配网环境中需求侧资源与可再生能源的集成调度方法，在计算设备中执行，包括步骤：获取配电网系统的基本信息，所述配电网系统包括调度中心、与所述调度中心通信连接的至少一个响应代理、以及与所述响应代理通信连接的至少一个需求侧资源；根据所述基本信息，建立多时间尺度下的滚动优化调度模型，所述调度模型包括目标函数和约束条件，所述目标函数用于计算所述配电网系统的运行成本，所述调度模型的优化目标为使所述目标函数的值最小；计算所述调度模型的最优解，所述最优解包括各需求侧资源的最优负荷；将各需求侧资源的负荷调整为所述最优负荷。
根据本发明的第二个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如上所述的智能配网环境中需求侧资源与可再生能源的集成调度方法。
根据本发明的第三个方面，提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述的智能配网环境中需求侧资源与可再生能源的集成调度方法。
根据本发明的需求侧资源与可再生能源的集成调度方案，结合需求侧资源分散化的特点，建立了需求侧资源参与系统调度的分层调度框架，配电网系统自下而上包括需求侧资源层、响应代理层和调度中心层。利用需求侧资源响应特性与可再生能源出力特性在时间尺度上的匹配性，在多个时间尺度下(例如日前24h、日内1h、日内15min)建立需求侧响应的调度模型，并以使配电网系统的运行成本最小为优化目标，确定各需求侧资源的最优负荷。通过将各需求侧资源的负荷调整为最优负荷，可以降低配电网系统的运行成本，实现削峰填谷，提高可再生能源消纳的效果，从而实现可再生能源的优化配置。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的示意图；
图2示出了根据本发明一个实施例的智能配网环境中需求侧资源与可再生能源的集成调度方法200的流程图；以及
图3示出了根据本发明一个实施例的配电网系统的示意图；
图4示出了根据本发明一个实施例的多时间尺度滚动调度模型的示意图；
图5示出了根据本发明一个实施例的电动汽车与可再生能源集成调度框架的示意图；
图6示出了根据本发明一个实施例的可再生能源出力、电动汽车充电负荷及总负荷的日前预测曲线的示意图；
图7示出了根据本发明一个实施例的实施需求侧响应前后，电动汽车充电负荷曲线的示意图；
图8、图9分别示出了根据本发明一个实施例的引导电动汽车参与系统需求侧响应后，系统的总负荷曲线和弃风弃光曲线的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了更便于理解本发明的技术方案，以下对分布式资源调度的模式、可再生能源出力预测的时间尺度、以及需求侧响应机制进行介绍。
1、分布式资源调度的模式
分布式资源调度主要包括三种模式，即集中式调度、分散式调度和分层式调度。
集中式调度方式是指由电网调度中心直接对分散于各处的需求侧资源进行直接调度，且这种调度模式下，数据传输量大，传输速度高，对通信网络的可靠性要求也较高，且会加重调度中心的计算负担，甚至出现“维数灾”等问题。
分散式调度方式是指由在区域设置响应代理，响应代理负责本区域内需求侧资源的调度，但这种调度模式使得各响应代理之间无法深入协同，难以保证各代理的优化目标与全系统优化目标一致。
分层式调度模式集合上述两种调度模式，在需求侧资源层的基础上建立响应代理层、电网调度中心层，在电网调度中心层采用集中式调度方式，在响应代理层采取分散式调度方式。这种调度模式既解决了集中式调度计算量过大的问题，又可以有效的发挥需求侧资源的集群效应。
2、可再生能源出力预测的时间尺度
在不同时间尺度下，可再生能源出力预测精度不同。时间尺度越短，可再生能源出力预测的精度越高，对系统运行带来的不确定性波动越小。
在目前的技术条件下，单个风电场日前24小时的出力预测误差一般为20％～40％，日内1小时出力预测误差一般在10％以内，日内15分钟预测误差一般在5％以内。
3、需求侧响应机制
不同类型的需求侧响应机制，需求侧资源响应特性不同。比较典型的需求侧响应机制包括实时电价机制、可中断负荷机制和直接负荷控制机制，这三种响应机制中，需求侧响应的敏捷性不同。
实时电价机制中，需求侧资源的电价是每天持续波动的。实时电价机制下需求侧资源的响应时间一般为24h。
可中断负荷机制中，供电方和需求侧资源方提前签订合同，当峰荷来临时，调度中心向需求侧资源发出中断负荷的指令，如果需求侧资源进行响应则中断事先约定好的那部分负荷。在电网高峰时段，需求侧资源可以选择通过降低自己的用电需求，来从供电方获得相应的经济补偿。可中断负荷机制下需求侧资源的响应时间一般为小时级。
直接负荷控制机制中，当系统处于负荷高峰时，调度中心可以选择强行切断负荷。直接负荷控制机制下需求侧资源的响应时间可达分钟级。
本发明针对目前需求侧资源参与电网调度的关键问题——如何建立多时间尺度下需求侧资源与可再生能源集成调度框架，对分布式需求侧资源进行有序调度，实现需求侧资源与可再生能源的高效集成，提出了一种基于分层调度的智能配网环境中的需求侧资源(DSR)与可再生能源的多时间尺度的集成调度方法，该方法可以对分布式需求侧资源进行有序调度，降低配电网系统的运行成本，实现削峰填谷，提高可再生能源消纳的效果，从而实现可再生能源的优化配置。
本发明的智能配网环境中需求侧资源与可再生能源的集成调度方法在计算设备中执行。图1示出了根据本发明一个实施例的计算设备100的示意图。需要说明的是，图1所示的计算设备100仅为一个示例，在实践中，用于实施本发明的集成调度方法的计算设备可以是任意型号的设备，其硬件配置情况可以与图1所示的计算设备100相同，也可以与图1所示的计算设备100不同。实践中用于实施本发明的集成调度方法的计算设备可以对图1所示的计算设备100的硬件组件进行增加或删减，本发明对计算设备的具体硬件配置情况不做限制。
如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器RAM，磁盘中的数据需要加载至物理内存中才能够被处理器104读取。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是Linux、Windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令，应用122例如可以是浏览器、即时通讯软件、软件开发工具(例如集成开发环境IDE、编译器等)等，但不限于此。当应用122被安装到计算设备100中时，可以向操作系统120添加驱动模块。
在计算设备100启动运行时，处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上，利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时，应用122会加载至存储器106中，处理器104从存储器106中读取并执行应用122的程序指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
在根据本发明的计算设备100中，应用122包括用于执行本发明的集成调度方法200的指令，该指令可以指示处理器104执行本发明的智能配网环境中需求侧资源与可再生能源的集成调度方法200，以对分布式需求侧资源进行有序调度，实现需求侧资源与可再生能源的高效集成，实现可再生能源的优化配置。
图2示出了根据本发明一个实施例的集成调度方法200的流程图。方法200在计算设备(例如前述计算设备100)中执行。如图2所示，方法200始于步骤S210。
在步骤S210中，获取配电网系统的基本信息，配电网系统包括调度中心、与调度中心通信连接的至少一个响应代理、以及与响应代理通信连接的至少一个需求侧资源。
参考上文描述，目前电力系统对于分布式资源调度主要有三种模式，即集中式调度、分散式调度和分层式调度。其中，分层式调度模式集合了集中式调度和分散式调度两种调度模式，在需求侧资源层的基础上建立响应代理层、电网调度中心层，在电网调度中心层采用集中式调度方式，在响应代理层采取分散式调度方式。这种调度模式既解决了集中式调度计算量过大的问题，又可以有效的发挥需求侧资源的集群效应。因此，本发明的配电网系统采用分层调度模式。本发明的配电网系统包括调度中心、与调度中心通信连接的至少一个响应代理、以及与响应代理通信连接的至少一个需求侧资源，形成需求侧资源与可再生能源集成的分层调度框架，框架自上而下分别为电网调度中心层、响应代理层和需求侧资源层。
图3示出了根据本发明一个实施例的配电网系统的分层调度框架的示意图。框架自上而下分别为调度中心层、响应代理层和需求侧资源层，系统各层功能如下：
1、调度中心层：调度中心层主要负责系统的安全经济运行。调度中心层负责收集下层上传的需求侧响应信息和可再生能源出力信息。在系统调节能力不足，出现弃风弃光时，调度中心层根据功率调整需求，实施需求侧响应，制定引导电价引导需求侧资源调整出力或者直接发出功率调整需求要求需求侧资源调整出力。
2、响应代理层：响应代理层主要负责各需求侧资源的协调优化和需求侧资源与电网调度中心的通信。在实施需求侧响应时，响应代理层将引导电价传递给需求侧资源或者直接发出功率调整指令调整需求侧资源出力。
3、需求侧资源层：需求侧资源层主要负责用电负荷的出力实际调整工作，根据价格信息或者功率指令信息调整用电负荷。
分层调度框架的运行主要包括需求侧资源响应状态的上行和调度中心指令下行两个方面：
1、需求侧资源响应能力信息按照“自下而上”的方式进行采集：每个需求侧资源负责获取下属各个用电设备的状态，计算本需求侧资源的响应容量、响应速率和可持续时间，并上传给所辖的响应代理。响应代理采集所辖各个需求侧资源的响应能力信息，并计算出本代理的响应能力，上传至电网调度中心。
2、需求侧资源响应指令按照“自上而下”的方式进行发布：电网调度中心根据可再生能源消纳需要的需响应量，计算出引导电价或者功率指令，下发至各个响应代理，各响应代理根据需求侧资源的响应能力和系统其它约束，计算出各需求侧资源的响应量，将功率指令发送至各需求侧资源，需求侧资源执行功率指令，控制所辖各设备的运行状态。
根据一种实施例，配电网系统的基本信息包括配电网系统的配置信息、外部供电系统的出力信息、可再生能源的出力信息以及需求侧资源的响应能力信息等，但不限于此。配电网系统的配置信息例如包括响应代理的数量、各响应代理所辖的需求侧资源的数量等；外部供电系统的出力信息包括配电网在各时段从外部供电系统购电的电价和功率等；可再生能源的出力信息包括各时段可再生能源出力的预测值等；需求侧资源的响应能力信息包括响应类型(即响应机制，包括实时电价机制、可中断负荷机制和直接负荷控制机制等)、响应容量、响应时间、响应速度等。
随后，在步骤S220中，根据基本信息，建立多时间尺度下的滚动优化调度模型，调度模型包括目标函数和约束条件，目标函数用于计算配电网系统的运行成本，调度模型的优化目标为使目标函数的值最小。
参考上文描述，时间尺度用于指示可再生能源出力的预测精度，时间尺度越短，预测精度越高。根据一种实施例，步骤S220中的多时间尺度下的滚动优化调度模型包括第一调度模型、第二调度模型和第三调度模型，其中，第一调度模型、第二调度模型和第三调度模型所对应的时间尺度依次递减。
根据一种实施例，调度模型还包括需求侧响应机制属性，需求侧响应机制用于指示需求侧响应的敏捷性，响应机制包括实时电价机制、可中断负荷机制和直接负荷控制机制等，但不限于此。
参考上文描述，在不同时间尺度下，可再生能源出力的预测精度不同。时间尺度越短，可再生能源出力预测的精度越高，对系统运行带来的不确定性波动越小。在目前的技术条件下，单个风电场日前24小时的出力预测误差一般为20％～40％，日内1小时出力预测误差一般在10％以内，日内15分钟预测误差一般在5％以内。同样，不同响应机制的需求侧资源响应特性也不一样，实时电价机制下需求侧资源的响应时间一般为24h，可中断负荷机制下需求侧资源的响应时间一般为小时级，直接负荷控制机制下需求侧资源的响应时间可达分钟级。因此，可以利用需求侧资源响应特性与可再生能源出力特性在时间尺度上的匹配性，在日前、日内和实时不同时间尺度下采用相适应的需求侧响应实施机制。
因此，根据一种实施例，多时间尺度下的滚动优化调度模型包括第一调度模型、第二调度模型和第三调度模型，其中，第一调度模型的时间尺度为24小时，响应机制为实时电价机制；第二调度模型的时间尺度为1小时，响应机制为可中断负荷机制；第三调度模型的时间尺度为15分钟，响应机制为直接负荷控制机制。基于第一～第三调度模型，调度策略如图4所示，分为以下三个层次：
1、日前调度策略：对应于第一调度模型，每24h执行一次，调度中心在日前对次日可再生能源出力和负荷进行预测，根据预测结果和系统能量平衡要求，实施实时电价机制，调整需求侧资源的负荷。
2、日内1h调度策略：对应于第二调度模型，每1h执行一次，调度中心每1h对可再生能源出力进行预测和负荷进行预测，根据预测结果和系统能量平衡要求，实施可中断负荷机制，调整需求侧资源的负荷。
3、日内15min调度策略：对应于第三调度模型，每15min执行一次，调度中心每15min对可再生能源出力进行预测和负荷进行预测，根据预测结果和系统能量平衡要求，实施直接负荷控制机制，调整需求侧资源的负荷。
在日前调度策略中，系统根据可再生能源出力和负荷的日前预测值，实施实时电价响应机制，引导需求侧资源调整用电行为，维持系统能量平衡。但由于可再生能源出力日前预测值、负荷预测值以及负荷响应量均存在不确定性，因此日前调度决策往往偏离实际较大。因此，需要在日内、实时时间尺度上根据可再生能源出力和负荷预测值进一步对调度计划进行调整。由于日内、实时时间尺度可再生能源出力和负荷预测的预测精度一般较高，因此经过滚动调整后的系统调度计划更负荷系统实际运行工况。
日前调度策略由第一调度模型实现，第一调度模型进一步包括调度中心决策模型和响应代理决策模型两部分：
1、调度中心决策模型
在日前调度策略中，调度中心通过对可再生能源出力、需求侧资源调整功率、外部购电功率进行调度，在保证系统的能量平衡的前提下，实现系统运行经济性最优。
1)调度中心的目标函数为：
其中，
为考虑需求侧响应的配电网日前调度总成本；T24h为配电网日前调度的总时段数；
为t时段配电网从外部供电系统购电的电价；
为t时段配电网从外部购电的功率；Nagent为响应代理数量；
为t时段配电网支付给响应代理k的单位响应成本；
为t时段响应代理k的响应调整功率，即需求侧响应削减的负荷。
2)调度中心的约束条件包括：
a.功率平衡约束
为了保证配电网系统的功率平衡，系统可再生能源出力、外部购电功率应与实施电价响应后的系统的用电负荷平衡，而实施电价响应后系统的用电负荷为系统基线负荷与需求侧响应削减负荷之差，即：
其中，
为t时段系统日前负荷预测值；
为t时段系统日前可再生能源出力预测值。
b.购电功率约束
配电网从大电网(外部供电系统)购电，购电功率受购电合同和输送通道容量的约束，可表示为：
其中，
分别为外部购电功率的上、下限。
c.响应代理可调整量约束
对于响应代理，其可调整量受负荷特性的约束，在一定的范围内变动。
可表示为：
其中，
分别为响应代理k可调整功率的上、下限。
2、响应代理决策模型
在日前调度策略中，响应代理根据调度中心下发的功率指令，制定引导电价，引导需求侧资源调整用电行为。
1)响应代理的目标函数
响应代理的决策目标是代理的负荷群运行成本最低，可表示为：
其中，
为考虑需求侧响应的响应代理k日前调度总成本；Ndr,k为代理k所辖需求侧资源总数；ρ24h(t)为t时段实施电价响应前的售电电价；
为t时段实施电价响应的电价调整量；
为t时段响应代理k所辖的需求侧资源i日前负荷预测值；
为t时段响应代理k所辖的需求侧资源i在实施电价响应后负荷的调整量。
对于实时电价响应，在实施电价响应后，需求侧资源i的负荷的调整量与电价的调整量之间的关系为：
其中，
为需求侧资源i的价格弹性系数矩阵。
2)响应代理的约束条件包括：
a.能量平衡约束
为了保证系统能量平衡，响应代理k所辖属的各需求侧资源的负荷调整量应当与响应代理k的响应功率相等，有：
b.需求侧资源响应调整量约束
对于需求侧资源，其可调整量受负荷特性的约束，在一定的范围内变动，可表示为：
其中，
为响应代理k所辖需求侧资源i可调整负荷的上、下限。
日内1h调度策略由第二调度模型实现，第二调度模型进一步包括调度中心决策模型和响应代理决策模型两部分：
1、调度中心决策模型
在日内1h调度中，调度中心通过对日内可再生能源出力、需求侧资源调整功率、外部购电功率进行调度，在保证系统的能量平衡的前提下，实现系统运行经济性最优。
1)调度中心的目标函数为：
其中，
为考虑需求侧响应的配电网日内1h调度总成本；T1h为配电网日内调度的总时段数；
为日内t时段配电网从外部供电系统购电的电价；
为日内t时段配电网从外部购电的功率；Nagent为响应代理数量；
为日内t时段配电网支付给响应代理k的单位响应成本；
为日内t时段响应代理的响应调整功率。
2)调度中心的约束条件包括：
a.功率平衡约束
为了保证配电网系统的功率平衡，日内系统可再生能源出力、外部购电功率应与实施激励响应后的系统的用电负荷平衡，即：
其中，
为t时段系统日内1小时的负荷预测值；
为t时段系统日内1小时的可再生能源出力预测值。
b.购电功率约束
配电网从大电网购电，购电功率受购电合同和输送通道容量的约束，可表示为：
其中，
分别为外部购电功率的上、下限。
c.响应代理可调整量约束
对于响应代理，其可调整量受负荷特性的约束，在一定的范围内变动，可表示为：
其中，
分别为响应代理k可调整功率的上、下限。
2、响应代理决策模型
在日内调度策略中，响应代理根据调度中心下发的功率指令，制定激励措施，激励需求侧资源调整用电行为。
1)响应代理的目标函数
响应代理的决策目标是代理的负荷群运行成本最低，可表示为：
其中，
为考虑需求侧响应的响应代理k日前调度总成本；Ndr,k为响应代理k所辖需求侧资源总数；
为日内t时段响应代理k支付给需求侧资源i的单位响应成本；
为t时段响应代理k所辖的需求侧资源i在实施电价响应后负荷的调整量。
2)响应代理的约束条件包括：
a.能量平衡约束
为了保证系统能量平衡，响应代理k所辖的各需求侧资源的负荷调整量应当与响应代理k的响应功率相等，有：
b.需求侧资源响应调整量约束
对于需求侧资源，其可调整量受负荷特性的约束，在一定的范围内变动，可表示为：
其中，
为响应代理k所辖需求侧资源i可调整负荷的上、下限。
日内15min调度策略由第三调度模型实现，第三调度模型进一步包括调度中心决策模型和响应代理决策模型两部分。应当指出，日内15分钟系统的调度策略与日内1h系统的调度策略一致，即，第三调度模型与前述第二调度模型一致，第三调度模型与第二调度模型的区别仅在于时段的长度。因此，将第二调度模型中的上标“1h”相应替换为“15min”即可得到第三调度模型。篇幅所限，本发明对第三调度模型不再做具体描述。
建立了多时间尺度下的滚动优化调度模型后，执行步骤S230。
在步骤S230中，计算调度模型的最优解，最优解包括各需求侧资源的最优负荷。
根据一种实施例，采用改进的布谷鸟算法(Modified Cuckoo Search，MCS)来确定调度模型的最优解，改进的布谷鸟算法中引入了编译、交叉、选择等机制。
布谷鸟算法(CS)由杨新社与Deb Suash于2009年提出，该算法通过模拟某些种属布谷鸟的寄生育雏来有效地求解优化问题。算法根据Levy飞行进行搜索，其方向和距离都具有高度随机性，能轻易地从当前搜索区域跳出而对另一区域进行搜索，具有非常强大的全局寻优能力。但同时，CS也存在一些问题。因此，本发明提出一种改进的布谷鸟算法来求解调度模型。
布谷鸟算法启发于自然界中布谷鸟的寄巢产卵的行为，与一般鸟类繁殖方式不同，布谷鸟采用寄生产卵的方式繁衍其下一代，它们将自己的蛋存放到其他鸟类的鸟窝中，让其他鸟类为其孵化。当其他的鸟类发现其窝里有外来的蛋，则会将外来的蛋丢弃或放弃自己的窝，然后另选它处搭建新的鸟窝。其主要思想是通过Levy飞行路径产生候选鸟窝以及采用精英保留策略更新当前鸟窝位置，最终使鸟窝位置能够达到或接近全局最优解。该算法在处理单目标优化问题时显现独特的寻优性能。这一算法包含三个理想假设：
假设1：每只布谷鸟一次只产一个鸟蛋，且随机选择一个鸟窝来存放该鸟蛋。
假设2：在一组随机选择的鸟窝中，具有适应性最好鸟蛋的鸟窝将被保留到下一代。
假设3：可用的鸟窝数量n是不变的，外来鸟蛋以概率P∈[0,1]被寄主鸟窝的主人发现。
基于上述假设，得到CS中布谷鸟寻找最优鸟窝的更新公式如下：
首先，通过Levy flight更新。在智能算法中采用Levy flight搜索机制，能扩大搜索范围，增加种群多样性，更容易跳出局部最优解。建立更新公式如下：
L(λ)～u＝g–λ,1<λ≤3 (17)
其中，xi g+1为第g+1代中的个体i，xi g为第g代中的个体i；α为步长控制量，用于控制随机搜索的范围；
为点对点乘法；L(λ)为Levy随机搜索步长，服从Levy分布，Levy分布的公式如式(17)所示，其中，u为重尾幂律分布函数，λ为指数相关部分。该方法可以更加有效的在整个可行域内搜寻最优解。
其次，通过固定发现概率P更新。每次迭代产生新的鸟窝后，将布谷鸟所产的鸟蛋被寄主发现的概率P与随机产生的[0,1]区间的随机数
进行比对，若
则对xi g+1进行随机改变以生成新个体，反之不变。新个体生成方式如下：
式中，xj g与xk g表示第g代的两个随机解，更新后的个体(鸟窝位置)仍记为xi g+1。在CS中，P与α是两个非常重要的参数，一般设为固定值，在迭代过程中保持数值不变。在迭代寻优过程中，如果P较大，α较小，算法收敛速度将会加快但难以得到高精度全局最优解；而如果α较大，P较小，会导致寻优的迭代次数明显增加。
可以看到，一方面，CS初始解的生成方式具有较大随机性，要获得高质量的初始种群，就必须加大种群规模。另一方面，CS主要依赖于Levy飞行来更新种群的宿主鸟窝位置，群体间缺乏有效的信息沟通，种群个体间不能分享各自的知识与经验，充分发挥群体协作的优势，因此需要通过改进提高算法性能。
基于上述问题，本发明从两个方面对CS进行改进：(1)借鉴遗传算法的思想，在算法进化过程中引入变异机制，以进一步增加种群多样性；(2)借鉴差分进化算法的思想，在算法中嵌入变异、交叉、选择操作，促进群体间的竞争与合作，进而增加优化结果的精度。
1、增加种群多样性
CS算法中初始个体生成方式如下：
xi＝xMIN+ω(xMAX–xMIN),i∈[1,SIZE] (19)
其中，xi为初始种群中个体i；xMAX和xMIN分别为生成个体的上、下限；ω为[0,1]之间均匀分布的随机数；SIZE为种群规模。随着种群规模的增加，优化计算的范围也不断增加，不利于算法寻优。因此，本发明对CS每代最佳个体进行变异，以进一步提高个体的质量。
变异机制如下：在CS算法迭代至第g代，选择当前最佳的鸟窝xbest g，不让其直接遗传到下一代，而是继续进行变异操作，并且变异步长随着进化代数的增加逐渐减小。变异机制如下：
其中，xbest' g为变异后的鸟窝位置；α1为缩放因子；τ∈[0,1]为1×D向量，服从标准正态分布，D为优化问题的维数。GMAX为算法的最大进化代数；Giter为当前进化代数，。
为保证变异沿着有利的方向进行，比较xbest' g与xbest g的适应度值，保留适应度值较优的个体xBEST g并遗传到下一代，以实现有效变异操作。
xBEST g＝xbest g,FIT·(xbest g)≥FIT·(xbest' g)
xBEST g＝xbest' g,FIT·(xbest g)<FIT·(xbest' g) (21)
其中，FIT为个体的适应度值。在本发明中，微网储能系统控制运行优化属于极小值优化问题，而CS算法同样朝最小值的方向进行优化。因此，本发明直接将按照公式(1)计算出的目标函数值作为CS的适应度FIT。
2、差分进化算子
差分进化算法作为一种基于种群差异的进化算法，通过变异、交叉、选择操作促进群体间的竞争与合作，形成有效的信息共享机制，是一种有效的全局优化算法。鉴于差分算法的信息共享机制，本发明按照如下方式构造差分算子嵌入多目标布谷鸟算法中：
1)变异操作。将所有鸟窝视为一个种群，xi g为需要变异的个体，在当前种群随机选择两个个体xrand1 g，xrand2 g，并采用如下差分策略产生变异个体yi g：
yi g＝xi g+M(xrand1 g-xrand2 g) (22)
其中，M为缩放因子。变异后的个体保留了父体xi g的部分信息，同时借鉴了个体xrand1 g，xrand2 g的信息，实现了个体间信息的传递。
2)交叉操作。交叉操作是重组父体xi g与变异个体yi g以产生候选个体zi g。个体zi g第σ维分量ziσ g的取值按下式所示的规则生成：
ziσ g＝yiσ g，r＜CR或σ＝d
ziσ g＝xiσ g，其他 (23)
其中，r为[0，1]的随机数；CR为交叉概率；d为随机选定的某一维度，以保证至少有一维的分量值由变异个体贡献。
3)选择操作。选择操作是通过比较候选个体zi g与父体xi g的支配关系以将优势个体继承到下一代，是算子精英保留策略的具体实现。两个个体中，适应度值较大的个体处于支配地位。选择操作规则如下式所示：
xi g+1＝zi g，FIT(zi g)>FIT(xi g)
xi g+1＝xi g，FIT(xi g)>FIT(zi g)
xi g+1＝random(zi g,xi g)，其他 (24)
其中，random(zi g，xi g)表示等概率随机选择zi g和xi g中某一个体。
采用上述改进的布谷鸟算法确定各需求侧资源的最优负荷后，执行步骤S240。
在步骤S240中，将各需求侧资源的负荷调整为步骤S240中所计算出的最优负荷。从而对分布式需求侧资源进行有序调度，降低配电网系统的运行成本，实现削峰填谷，提高可再生能源消纳的效果，实现可再生能源的优化配置。
以下给出本发明的一个具体实施例，来说明本发明的调度方法的有效性。
本发明针对未来充电设施数量庞大且分散的特点，以电网负责的调度中心和代理商负责的区域级管控系统、充电站级管控系统的电动汽车充电分层能量管理架构为依托，制定了由充电站间能量协调调度和站内功率优化分配配合实现的实时能量管理机制和策略。电动汽车与可再生能源集成调度框架如图5所示。
集成调度框架的运行包括充电需求状态信息反馈和充电控制指令下达两个方面，具体过程如下：
1、站域管理系统根据站内各车的荷电状态和车主响应意愿，计算可以参与响应的电动汽车的充电功率上下界和累计能量上下界，并将计算结果上传给区域管理系统，不参与优化的电动汽车则直接从控制时段开始以额定功率充电直至充到预期荷电状态。
2、区域管理系统接收下辖的N个充电站上传的充电功率上下界和累计能量上下界信息，以此为约束，同时以整体充电成本最小为目标，得出N个充电站的指导充电功率并对应下达。
3、站域管理系统接收指导充电功率指令，以此为参照依次对M辆车中的交流慢充电动汽车和直流快充电动汽车进行充电功率分配，计算得到相应车辆的充电控制矩阵，并下发到对应充电设施。充电控制矩阵计算完成后不再更改，此后的功率分配不再涉及已经完成的电动汽车。
为了验证本发明所提模型和算法有效性和正确性，以我国某地区实际配电网作为测试系统，进行仿真分析。系统中可再生能源、电动汽车负荷和其他负荷的相关参数如下：可再生能源方面，该地区共有风电发电机组42台，总装机容量为35.5MW，分布式光伏总面积约1.7平方千米，总装机3.2MW，可再生能源典型日最大出力为34.03MW，最小出力为12.79MW；电动汽车负荷方面，该地区共有充电桩约3200个，电动汽车日最大充电负荷为8.2MW，最小充电负荷为0.4MW；其他负荷方面包含商业负荷和居民负荷，日最大负荷为39.80MW，最小负荷为12.44MW。在外部购电电价方面，设计分时购电电价如下表1。
表1外网购电电价
典型日可再生能源出力、电动汽车充电负荷及总负荷的日前预测曲线如
图6所示。图6中对应于夜间3时的位置，由上到下的三条曲线分别为可再生能源出力、总负荷和电动汽车负荷。
如图6所示，在该地区，夜间0时到6时，系统总负荷较小，但可再生能源出力较大，可再生能源出力高于负荷需求。白天，负荷需求较大，但可再生能源出力并没有明显增加，负荷需求高于可再生能源出力。电动汽车充电负荷主要集中在下午17时至早上5时，但由于该地区电动汽车渗透率不高，电动汽车高峰充电负荷仅有8MW左右。
图7给出了按照本发明的调度方法实施需求侧响应前后，电动汽车充电负荷曲线的对比。图7中对应于夜间3时的位置，位于上方的曲线为响应后的充电负荷曲线，位于下方的曲线为响应前的充电负荷曲线。
如图7所示，电动汽车参与需求侧响应后，电动汽车负荷有所转移。响应前，电动汽车充电负荷主要集中在下午17时至早上5时；响应后，电动汽车充电负荷转移至下午14时至15时和夜间0时至6时，这两个时段正好是可再生能源出力高于负荷时段。分析可知，实施响应后，当可再生能源出力高于负荷需求，系统存在弃风弃光风险时，电动汽车增加充电负荷。当可再生能源出力低于负荷需求时，而此时从外网购电成本较高，则电动汽车削减充电负荷，为系统提供响应量，降低系统运行成本。下表2列出了实施响应前后系统的运行成本。
表2响应前后的系统的运行成本
从表2中可以看出，实施需求侧响应后，虽然系统向电动汽车用户支付了一定的响应成本，但总体来看，系统的总成本仍然呈现下降的趋势。这是由于实施需求侧响应后，从系统总体来看，优先消纳了可再生能源使得可再生能源的消纳比例上升，而可再生能源的发电成本较低，因此系统总体运行成本有所下降。
以下给出电动汽车削峰填谷、消纳可再生能源效果验证。
引导电动汽车参与系统需求侧响应后，系统的总负荷曲线和弃风弃光曲线如图8、图9所示。图8中对应于夜间3时的位置，位于上方的曲线为响应后的系统负荷曲线，位于下方的曲线为响应前的系统负荷曲线。图9中对应于夜间3时的位置，位于上方的曲线为响应前的弃风量曲线，位于下方的曲线为响应后的弃风量曲线。
从图8、图9中可以看出，开展需求侧响应后，当系统负荷高于可再生能源出力时，电动汽车削减充电负荷，当可再生能源出力高于系统负荷时，电动汽车增加充电负荷，即电动汽车充电负荷从负荷高峰转移至可再生能源出力的高峰期，有效的实现了削峰填谷，同时系统的弃风弃光情况得到改善。但同时也可以看出，虽然在需求侧响应实施后，电动汽车能够实现一定程度上的削峰填谷，但由于目前电动汽车接入比例仍然较低，因此弃风弃光问题依然存在。因此，为了彻底解决弃风弃光问题，需要提高电动汽车的接入规模或者开发其他类型的需求侧资源。
本发明针对目前需求侧资源参与电网调度的关键问题展开研究。首先分析了分布式资源调度的几种典型模式，结合需求侧资源分散化的特点，建立了需求侧资源参与系统调度的分层调度框架，自下而上建立需求侧资源层、响应代理层和调度中心层。然后利用需求侧资源响应特性与可再生能源出力特性在时间尺度上的匹配性，在日前、日内和实时多个时间尺度下建立需求侧响应的调度模型，制定了相应的调度策略。最后以电动汽车参与需求侧响应为例，建立了电动汽车参与电网调度的三层调度框架，验证了电动汽车参与需求侧响应降低系统运行成本，削峰填谷，提高可再生能源消纳的效果。
A11、一种计算设备，包括：
至少一个处理器；和
存储有程序指令的存储器；
当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如权利要求1-10中任一项所述的方法。
A12、一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-10中任一项所述的方法。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的集成调度方法。
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。
Claims (11)
1.一种智能配网环境中需求侧资源与可再生能源的集成调度方法，在计算设备中执行，所述方法包括步骤：
获取配电网系统的基本信息，所述配电网系统包括调度中心、与所述调度中心通信连接的至少一个响应代理、以及与所述响应代理通信连接的至少一个需求侧资源；
根据所述基本信息，建立多时间尺度下的滚动优化调度模型，所述时间尺度用于指示可再生能源出力的预测精度，所述多时间尺度下的滚动优化调度模型包括：第一调度模型、第二调度模型和第三调度模型，所述第一调度模型、第二调度模型和第三调度模型所对应的时间尺度依次递减，时间尺度越短，预测精度越高，所述调度模型包括目标函数和约束条件，所述目标函数用于计算所述配电网系统的运行成本，所述调度模型的优化目标为使所述目标函数的值最小；
计算所述调度模型的最优解，所述最优解包括各需求侧资源的最优负荷；
将各需求侧资源的负荷调整为所述最优负荷。
2.如权利要求1所述的方法，其中，所述基本信息包括所述配电网系统的配置信息、外部供电系统的出力信息、可再生能源的出力信息以及需求侧资源的响应能力信息。
3.如权利要求2所述的方法，其中，所述调度模型还包括需求侧响应机制属性，所述需求侧响应机制用于指示需求侧响应的敏捷性，所述响应机制包括实时电价机制、可中断负荷机制和直接负荷控制机制。
4.如权利要求3所述的方法，其中，
所述第一调度模型的时间尺度为24小时，响应机制为实时电价机制；
所述第二调度模型的时间尺度为1小时，响应机制为可中断负荷机制；
所述第三调度模型的时间尺度为15分钟，响应机制为直接负荷控制机制。
5.如权利要求4所述的方法，其中，所述第一调度模型的目标函数包括：
调度中心的目标函数：
其中，
为考虑需求侧响应的配电网日前调度总成本；T24h为配电网日前调度的总时段数；
为t时段配电网从外部供电系统购电的电价；
为t时段配电网从外部购电的功率；Nagent为响应代理数量；
为t时段配电网支付给响应代理k的单位响应成本；
为t时段响应代理k的响应调整功率；以及
响应代理的目标函数：
其中，
为考虑需求侧响应的响应代理k日前调度总成本；Ndr,k为响应 代理k所辖需求侧资源总数；ρ24h(t)为t时段实施电价响应前的售电电价；
为t时段实施电价响应的电价调整量；
为t时段响应代理k所辖的需求侧资源i日前负荷预测值；
为t时段响应代理k所辖的需求侧资源i在实施电价响应后负荷的调整量。
6.如权利要求5所述的方法，其中，所述第一调度模型的约束条件包括：
其中，
为t时段系统日前负荷预测值；
为t时段系统日前可再生能源出力预测值；
7.如权利要求4所述的方法，所述第二调度模型的目标函数包括：
调度中心的目标函数：
其中，
为考虑需求侧响应的配电网日内1h调度总成本；T1h为配电网日内调度的总时段数；
为日内t时段配电网从外部供电系统购电的电价；
为日内t时段配电网从外部购电的功率；Nagent为响应代理数量；
为日内t时段配电网支付给响应代理k的单位响应成本；
为日内t时段响应代理的响应调整功率；以及
响应代理的目标函数：
其中，
为考虑需求侧响应的响应代理k日前调度总成本；Ndr,k为响应代理k所辖需求侧资源总数；
为日内t时段响应代理k支付给需求侧资源i的单位响应成本；
为t时段响应代理k所辖的需求侧资源i在实施电价响应后负荷的调整量。
8.如权利要求7所述的方法，其中，所述第二调度模型的约束条件包括：
其中，
为t时段系统日内1小时的负荷预测值；
为t时段系统日内1小时的可再生能源出力预测值；
9.如权利要1-8中任一项所述的方法，其中，采用改进的布谷鸟算法来确定所述调度模型的最优解，所述改进的布谷鸟算法中引入了变异、交叉和选择机制。
10.一种计算设备，包括：
至少一个处理器；和
存储有程序指令的存储器；
当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如权利要求1-9中任一项所述的方法。
11.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910999468.9A CN110739696B (zh) | 2019-10-21 | 2019-10-21 | 智能配网环境中需求侧资源与可再生能源的集成调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910999468.9A CN110739696B (zh) | 2019-10-21 | 2019-10-21 | 智能配网环境中需求侧资源与可再生能源的集成调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110739696A CN110739696A (zh) | 2020-01-31 |
| CN110739696B true CN110739696B (zh) | 2021-06-29 |
Family
ID=69270637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910999468.9A Active CN110739696B (zh) | 2019-10-21 | 2019-10-21 | 智能配网环境中需求侧资源与可再生能源的集成调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110739696B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111668858B (zh) * | 2020-06-15 | 2021-07-27 | 中国电力科学研究院有限公司 | 一种计及间歇特性的需求侧资源最优协调控制方法及系统 |
| CN111738621B (zh) * | 2020-07-17 | 2020-11-24 | 深圳华工能源技术有限公司 | 需求侧可调节资源分时间尺度聚合参与需求响应的方法 |
| CN112785048B (zh) * | 2021-01-07 | 2023-09-08 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
| CN112927095B (zh) * | 2021-01-11 | 2022-04-15 | 东北电力大学 | 一种电热联合系统多时间尺度协调调度方法 |
| CN116029506A (zh) * | 2022-12-28 | 2023-04-28 | 西安交通大学 | 一种基于需求侧响应的能源系统优化调度方法 |
| CN115882479B (zh) * | 2023-02-21 | 2023-07-14 | 国网江西省电力有限公司经济技术研究院 | 一种面向韧性提升的分布式储能系统多目标优化配置方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
| CN108667012A (zh) * | 2018-05-21 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 基于多场景的区域能源互联网源荷储双阶段协调优化方法 |
| CN110197312A (zh) * | 2019-06-28 | 2019-09-03 | 东南大学 | 一种基于多时间尺度的用户级综合能源系统优化调度方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9188109B2 (en) * | 2012-02-16 | 2015-11-17 | Spyros James Lazaris | Virtualization, optimization and adaptation of dynamic demand response in a renewable energy-based electricity grid infrastructure |
| US10860959B2 (en) * | 2016-05-10 | 2020-12-08 | Conectric, Llc | Method and system for ranking control schemes optimizing peak loading conditions of built environment |
| US10673242B2 (en) * | 2017-11-13 | 2020-06-02 | Nec Corporation | Demand charge and response management using energy storage |
| CN108695851B (zh) * | 2018-06-28 | 2020-06-23 | 国网湖南省电力有限公司 | 一种基于负荷分区电价的发电优化调度方法 |
| CN110137952B (zh) * | 2019-05-16 | 2022-09-23 | 长沙理工大学 | 一种实现源-荷-储协调运行的优化模型与方法 |
-
2019
- 2019-10-21 CN CN201910999468.9A patent/CN110739696B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
| CN108667012A (zh) * | 2018-05-21 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 基于多场景的区域能源互联网源荷储双阶段协调优化方法 |
| CN110197312A (zh) * | 2019-06-28 | 2019-09-03 | 东南大学 | 一种基于多时间尺度的用户级综合能源系统优化调度方法 |
Non-Patent Citations (4)
| Title |
|---|
| 多形态激励型需求侧响应协同平衡可再生能源波动的鲁棒优化配置;易文飞 等;《电工技术学报》;20181231;全文 * |
| 综合能源系统关键技术综述与展望;宫飞翔 等;《可再生能源》;20190831;全文 * |
| 综合能源系统建模及效益评价体系综述与展望;曾鸣 等;《电网技术》;20180630;全文 * |
| 考虑综合需求侧响应的区域性综合能源系统运行优化;易文飞 等;《华北电力大学学报》;20190531;第33-41页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110739696A (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110739696B (zh) | 智能配网环境中需求侧资源与可再生能源的集成调度方法 | |
| Liu et al. | Dynamic pricing for decentralized energy trading in micro-grids | |
| Zhang et al. | Intelligent electric vehicle charging recommendation based on multi-agent reinforcement learning | |
| Yang et al. | Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review | |
| Khajeh et al. | Robust bidding strategies and scheduling of a price‐maker microgrid aggregator participating in a pool‐based electricity market | |
| Attaviriyanupap et al. | A hybrid LR-EP for solving new profit-based UC problem under competitive environment | |
| Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
| Küster et al. | Distributed evolutionary optimisation for electricity price responsive manufacturing using multi-agent system technology | |
| Sedighizadeh et al. | A two-stage optimal energy management by using ADP and HBB-BC algorithms for microgrids with renewable energy sources and storages | |
| Pandžić et al. | Coordination of regulated and merchant energy storage investments | |
| CN109800917A (zh) | 一种电动汽车停车场的规划方法、装置和计算设备 | |
| Chung et al. | Optimal energy trading with demand responses in cloud computing enabled virtual power plant in smart grids | |
| Bazmohammadi et al. | Optimal operation management of a microgrid based on MOPSO and Differential Evolution algorithms | |
| Rajani et al. | An optimal energy management among the electric vehicle charging stations and electricity distribution system using GPC-RERNN approach | |
| Maghsoudlou et al. | A framework for preemptive multi-skilled project scheduling problem with time-of-use energy tariffs | |
| WO2021033024A1 (en) | Hybrid machine learning and simulation based system for forecasting in electricity systems | |
| Wang et al. | Multi-objective optimization of IoT-based green building energy system using binary metaheuristic algorithms | |
| Chasparis et al. | A cooperative demand-response framework for day-ahead optimization in battery pools | |
| Shi et al. | Efficient energy management of wireless charging roads with energy storage for coupled transportation–power systems | |
| Lohat et al. | AROA: Adam Remora Optimization Algorithm and Deep Q network for energy harvesting in Fog-IoV network | |
| Mishra et al. | A multi-objective optimization framework for electric vehicle charge scheduling with adaptable charging ports | |
| CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
| Wang et al. | A novel scheduling strategy for virtual power plant based on power market dynamic triggers | |
| Datta et al. | Energy Management Study of Interconnected Microgrids Considering Pricing Strategy Under the Stochastic Impacts of Correlated Renewables | |
| Huang et al. | A multi-timescale energy scheduling model for microgrid embedded with differentiated electric vehicle charging management strategies |
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 |