CN110991773A - 一种面向风电消纳的两阶段源荷储优化调度方法 - Google Patents

Abstract

本发明涉及一种面向风电消纳的两阶段源荷储优化调度方法，针对风电出力的不确定性，该方法利用日内调度对日前调度进行修正；划分负荷侧响应，以价格措施调动负荷响应的积极性；建立电、热负荷分时响应模型、激励型负荷响应模型和采暖负荷模型，在日前、日内时段分别调用；建立不同情况下的源荷储优化调度模型，日前调度以经济成本最小为目标，日内调度以弃风量最小为目标进行优化调度；最后用优化粒子群算法求解优化调度模型，避免算法陷入全局最优或局部最优。本发明能够充分调用源荷储侧资源灵活应对风电出力，充分消纳风电，便于快速、精确地求解模型，得到灵活、经济的消纳风电的源荷储优化调度结果。

Description

一种面向风电消纳的两阶段源荷储优化调度方法

技术领域

本发明涉及电热联合系统经济调度技术领域，具体涉及一种面向风电消纳的两阶段源荷储优化调度方法。

背景技术

随着我国风电装机容量的快速增长，风电占系统总发电比例逐渐增加，但目前风电弃风问题突出，在冬季供暖季，大量热电联产机组(CHP)工作在“以热定电”的模式下以满足热负荷需求，其调节能力受到限制，制约了风电的消纳，同时其出力的随机性、不确定性和间歇性导致系统的功率波动进一步扩大，常规电源的调节能力难以有效应对，给电网传统调度运行方式带来了新的挑战，风电预测的不确定性对调度计划的制定与实施产生了很大的影响，且预测误差与预测时间跨度呈正相关，根据日前预测数据制定调度计划与实际参考计划偏差较大，无法满足系统的调度要求。

在实际中需要常规机组提供备用和频繁调峰，系统整体的运行成本上升，单独调度发电侧资源，会受到设备投资和爬坡等因素的限制，导致调度灵活性不足，不能充分消纳风电，但从负荷侧调控，虽然实现了“削峰填谷”，但受用户满意度和高额的调度成本，其调节范围有限，仅调度储能设备，受到设备容量、充放电成本，其消纳能力有限，源荷储协调调度通过对系统中电源侧资源、储能设备和需求响应等可调度资源进行综合调度，提高风电消纳量，减小系统运行成本。

因此需要制定优化调度策略，充分调用系统源荷储资源，通过制定电价、热价提升负荷响应的积极性，同时通过储能将能量进行时间上的平移，起到“削峰填谷”的作用，提升系统运行调度的灵活性，平滑风电波动。随预测时间的临近，风电的预测的准确性越高，用精确度高的预测值对精确度低的进行修正，提高风电预测的精度，从而制定更为合理的调度策略，减小弃风量。

发明内容

针对现有的技术的不足，本发明提供一种面向风电消纳的两阶段源荷储优化调度方法，该方法通过建立两阶段调度模型，综合调用源荷储资源，进行削峰填谷，平滑风电波动，促进风电消纳，保证电热联合系统运行的经济性，并采用改进粒子群算法对两阶段调度模型进行求解。

一种面向风电消纳的两阶段源荷储优化调度方法，包括以下步骤：

步骤1：获取电热联合系统中日前的风电出力预测值、电、热负荷的预测功率值，所述电热联合系统包括风电机组、常规机组、热电联产机组三大机组；

步骤2：根据电负荷的预测功率制定峰、谷、平的分时电价；

步骤3：根据热负荷的预测功率制定峰、谷、平的分时热价；

步骤4：根据电、热负荷对分时价格的响应，建立电、热负荷需求响应模型；

步骤5：根据日前风电出力预测值和电负荷的需求响应模型、热负荷的需求响应模型，以电热联合系统的总运行费用—发电费用和分时价格用户的费用最小为目标，建立日前调度模型；

步骤6：根据实时采集的环境温度和PMV指标，建立激励型负荷、采暖负荷的日内调度响应模型；

步骤7：以弃风量最小为目标，建立电热联合系统的日内调度模型，更新风电预测功率，调用电储能、激励型负荷和采暖负荷，对日前调度进行微调；

步骤8：分别采用改进的粒子群算法求解两阶段源荷储优化调度模型，得到在风电消纳情况下N个常规机组的出力值、M个热电联产机组的出力值、蓄热式电锅炉出力值、调用的激励型负荷值P_L1,t、采暖负荷的热功率值Q_t、电储能出力值以及风电机组出力值，所述两阶段源荷储优化调度模型包括日前调度模型和日内调度模型。

所述的步骤2具体步骤如下：

2.1)利用公式(1)～公式(2)对一天内的电负荷进行峰、谷、平分时段的划分：

式中，P_av表示电负荷的平均功率，P_L,t ⁰表示t时段电负荷的预测功率值，t_g,p表示电负荷在t时段被划分为谷时段，t_p,p表示电负荷在t时段被划分为平时段，t_f,p表示电负荷在t时段被划分为峰时段，α_p、β_p分别表示电负荷在划分时段时的比例系数；

2.2)利用公式(3)～公式(5)，根据电负荷峰谷电量的比值，制定电负荷峰、谷、平的分时电价；

其中，当k_p取值范围为1<k_p<k_1,p时，电负荷峰、谷、平的分时电价C_t,p表示为：

其中，当k_p取值范围为k_1,p≤k_p时，电负荷峰、谷、平的分时电价C'_t,p表示为：

式中，k_p表示电负荷峰谷功率比，k_1,p表示预设电负荷峰谷功率值，其中k_p根据一天中的电负荷功率最大值P_max和电负荷功率最小值P_min确定，P_max表示一天中的电负荷功率最大值，P_min表示一天中的电负荷功率最小值，k_p越大表示电负荷峰谷电量差越大，C_0,p表示未实行分时电价时的统一电价，M_1,p、M_2,p、M_3,p、M_4,p分别表示电负荷不同分时段的比例系数，且满足M_3,p<M_1,p、M_2,p<M_4,p、M_1,p<M_2,p、M_3,p<M_4,p。

所述的步骤3具体表述为：

3.1)利用公式(6)～公式(7)对一天内的热负荷进行峰、谷、平分时段的划分：

式中，Q_av表示热负荷的平均功率，Q_L,t ⁰表示t时段热负荷的预测功率值，t_g,q表示热负荷在t时段被划分为谷时段，t_p,q表示热负荷在t时段被划分为平时段，t_f,q表示热负荷在t时段被划分为峰时段，α_q、β_q分别表示热负荷在划分时段时的比例系数；

3.2)利用公式(8)～公式(10)，根据热负荷峰谷电量的比值，制定热负荷峰、谷、平的分时热价；

其中，当k_q取值范围为1<k_q<k_1,q时，热负荷峰、谷、平的分时热价C_t,q表示为：

其中，当k_q取值范围为k_1,q≤k_q时，热负荷峰、谷、平的分时热价C'_t,q表示为：

式中，k_q表示热负荷峰谷功率比，k_1,q表示预设热负荷峰谷功率值，其中k_q根据一天中的热负荷功率最大值Q_max和热负荷功率最小值Q_min确定，Q_max表示一天中的热负荷功率最大值，Q_min表示一天中的热负荷功率最小值，k_q越大表示热负荷峰谷电量差越大，C_0,q表示未实行分时热价时的统一热价，M_1,q、M_2,q、M_3,q、M_4,q分别表示热负荷不同分时段的比例系数，且满足M_3,q<M_1,q、M_2,q<M_4,q、M_1,q<M_2,q、M_3,q<M_4,q，分时电/热价格引导电/热负荷削峰填谷，电/热峰谷差越大，采用的电/热分时价格差越大，越能调动电/热负荷响应的积极性。

所述的步骤4中根据电负荷对分时价格的响应，建立的电负荷需求响应模型为：

式中，P_L,f ⁰、P_L,g ⁰、P_L,p ⁰分别表示未实施分时电价时电负荷峰、谷、平的分时用电负荷，P_L,f、P_L,g、P_L,p分别表示实施分时电价后电负荷峰、谷、平的分时用电负荷，E表示电负荷的价格弹性需求矩阵，C_f,p ⁰、C_g,p ⁰、C_p,p ⁰分别表示实施分时电价前电负荷峰、谷、平的用电价格，△C_f,p、△C_g,p、△C_p,p分别表示实施分时电价后的电负荷峰、谷、平的电价变化；

所述的步骤4中根据热负荷对分时价格的响应，建立的热负荷需求响应模型为：

式中，Q_L,f ⁰、Q_L,g ⁰、Q_L,p ⁰分别表示未实施分时热价时热负荷峰、谷、平的分时用热负荷，Q_L,f、Q_L,g、Q_L,p分别表示实施分时热价后热负荷峰、谷、平的分时用热负荷，E'表示热负荷的价格弹性需求矩阵，C_f,q ⁰、C_g,q ⁰、C_p,q ⁰分别表示实施分时热价前热负荷峰、谷、平的用热价格，△C_f,q、△C_g,q、△C_p,q分别表示实施分时热价后的热负荷峰、谷、平的热价变化。

所述的步骤5具体步骤如下：

5.1)根据常规机组的经济成本系数建立常规机组一天内的成本函数：

式中，P_i,t表示第i个常规机组在t时刻的出力值，a_i、b_i、c_i分别表示第i个常规机组的经济成本系数，N表示常规机组的总个数；

5.2)根据热电联产机组的经济成本系数建立热电联产机组一天内的成本函数：

式中，P_j,t表示第j个热电联产机组在t时刻的输出电功率，H_j,t表示第j个热电联产机组在t时刻的输出热功率，a_j、b_j、c_j、d_j、e_j、f_j分别表示第j个热电联产机组的经济成本系数，M表示热电联产机组的总个数；

5.3)存在弃风时蓄热式电锅炉开启，利用弃风供热，利用的是弃风电量，不存在成本；

5.4)建立电负荷一天内的分时电价成本f_PL为：

式中，P_L,t表示分时电价负荷；

5.5)建立热负荷一天内的分时热价成本f_QL为：

式中，P_L,t表示分时热价负荷；

5.6)以电热联合系统的总运行费用—发电费用和分时价格用户的费用最小为目标，建立日前调度模型为：

所述的步骤6具体表述为：

6.1)由于工业用户的可调度容量大，可以应对风电的波动，促进风电的消纳，对激励型负荷增加或削减的负荷，由电网公司予以补偿，则激励型负荷的日内调度响应约束及调用成本为：

P_Lmin≤P_L1,t≤P_Lmax (18)

式中：P_L1,t为t时刻调用的激励型负荷值，P_Lmin、P_Lmax分别表示可调用的激励型负荷的下限值、上限值，C_DR表示激励型负荷的调用成本，ρ表示激励型负荷的电网公司补偿成本。

6.2)根据PMV指标以及室外建筑物的一阶热力学模型，建立采暖负荷的日内调度响应模型为：

Q_t,min≤Q_t≤Q_t,max (20)

其中，

式中，Q_t,min表示采暖负荷的最小值，Q_t,max表示采暖负荷的最大值，I_t ^PMV表示PMV指标，θ_t ⁱⁿ表示t时刻的室内温度，θ_sk表示人体舒适状态的皮肤温度值，M_t表示人体代谢率，r表示服装热阻，Q_t表示采暖负荷的热功率，θ_t+1 ⁱⁿ表示t+1时刻的室内温度值，R表示建筑物的等效热阻，θ_t ^out表示t时刻的室外温度值，H为常数，且满足

其中对于特定的建筑物在△t时刻C_air为常数。

所述的步骤7具体表述为：

7.1)以弃风电量最小为目标，建立电热联合系统的日内调度模型为：

min(P_w,rel,t-P_w,t)² (22)

式中，P_w,rel,t表示t时段消纳的风电量，P_w,t表示t时段风电出力值；

7.2)根据电热联合系统的日内调度模型，对电热联合系统的日前调度进行微调时，由于日内的风电出力预测值比日前的风电出力预测值准确，所以通过电热联合系统的日内调度模型对电热联合系统的日前调度模型进行修正，具体表述为：若产生弃风现象，首先调用激励型负荷的需求响应和采暖负荷的需求响应消纳风电负荷，若激励型负荷和采暖负荷的需求响应仍不能完全消纳风电负荷，调用电储能负荷的需求响应来消纳风电负荷。

所述的步骤8中的采用改进的粒子群算法求解日前调度模型的具体步骤为：

8.1.1)设置求解日前调度模型时的粒子的最大速度值v_u,max、最大迭代次数K_max、种群规模F₁，以及初始化粒子的位置x_u ⁰和速度v_u ⁰，为了缩短收敛时间，各粒子的初始位置选择时应满足公式(23)给出的取值范围，

x_u,min≤x_u ⁰≤x_u,max(u＝1,2...U) (23)

式中，x_u ⁰表示粒子u的初始位置，U表示求解日前调度模型时的粒子总个数，x_u,min表示粒子u初始位置的最小值，x_u,max表示粒子u初始位置的最大值，其中x_u,min和x_u,max根据电热联合系统中三大机组出力的上限值和下限值、蓄热式电锅炉出力的上限值和下限值确定；

8.1.2)计算每个粒子的适应值，并与粒子最优值和全局最优值作比较，更新粒子u的个体极值pbest_u和粒子u的全局极值gbest_u；

8.1.3)为了避免粒子群算法陷入全局最优或局部最优，利用公式(24)对ω^g进行动态调整，以保证算法的收敛性，

式中，ω^g表示第g次迭代的惯性权重，ω_max表示最大惯性权重，ω_min表示最小惯性权重，K_max表示求解日前调度模型时的迭代总次数；

8.1.4)利用公式(25)将第g次迭代的惯性权重ω^g代入速度更新公式中，更新微粒速度；

V_ud ^g＝ω^gV_ud ^g-1+c₁rand(0,1)(pbest_u-x_u ^g)+c₂rand(0,1)(gbest_u-x_u ^g) (25)

式中，V_ud ^g表示粒子u第g次迭代的速度，V_ud ^g-1表示粒子u第g-1次迭代的速度，c₁、c₂分别表示学习因子，pbest_u表示粒子u的个体极值，gbest_u表示粒子u的全局极值，x_u ^g表示粒子u第g次迭代的位置；

8.1.5)利用公式(26)迭代更新粒子的位置，

x_u ^g＝x_u ^g-1+V_ud ^g (26)

式中，x_u ^g-1表示粒子u第g-1次迭代的位置，x_u ^g表示粒子u第g次迭代的位置，V_ud ^g表示粒子u第g次迭代的速度；

8.1.6)重复执行步骤8.1.2)～步骤8.1.5)，直至达到求解日前调度模型时的迭代总次数K_max或全局最优位置满足最小界限，算法执行结束，输出在风电消纳情况下的N个常规机组的出力值、M个热电联产机组的出力值，蓄热式电锅炉的出力值以及风电机组的出力值；

所述的步骤8中的采用改进的粒子群算法求解日内调度模型的具体步骤如下：

8.2.1)设置求解日内调度模型时的粒子的最大速度值v_v,max、最大迭代次数K'_max、种群规模F₂，以及初始化粒子的位置x_v ⁰和速度v_v ⁰，为了缩短收敛时间，各粒子的初始位置选择时应满足公式(27)给出的取值范围，

x_v,min≤x_v ⁰≤x_v,max(v＝1,2...V) (27)

式中，x_v ⁰表示粒子v的初始位置，V表示求解日内调度模型时的粒子总个数，x_v,min表示粒子v初始位置的最小值，x_v,max表示粒子v初始位置的最大值，其中x_v,min和x_v,max根据电热联合系统中风电机组出力的上限值和下限值、可调用的激励型负荷的上限值P_Lmax、下限值P_Lmin，采暖负荷的最小值Q_t,min、最大值Q_t,max，电储能出力的上限值和下限值确定；

8.2.2)计算每个粒子的适应值，并与粒子最优值和全局最优值作比较，更新粒子v的个体极值pbest_v和粒子v的全局极值gbest_v；

8.2.3)为了避免粒子群算法陷入全局最优或局部最优，利用公式(28)对ω^h进行动态调整，以保证算法的收敛性，

式中，ω^h表示第h次迭代的惯性权重，ω_max表示最大惯性权重，ω_min表示最小惯性权重，K'_max表示求解日内调度模型时的迭代总次数；

8.2.4)利用公式(29)将第h次迭代的惯性权重ω^h代入速度更新公式中，更新微粒速度；

V_vd ^h＝ω^hV_vd ^h-1+c₃rand(0,1)(pbest_v-x_v ^h)+c₄rand(0,1)(gbest_v-x_v ^h) (29)

式中，V_vd ^h表示粒子v第h次迭代的速度，V_vd ^h表示粒子v第h-1次迭代的速度，c₃、c₄分别表示学习因子，pbest_v表示粒子v的个体极值，gbest_v表示粒子v的全局极值，x_v ^h表示粒子v第h次迭代的位置；

8.2.5)利用公式(30)迭代更新粒子的位置，

x_v ^h＝x_v ^h-1+V_vd ^h (30)

式中，x_v ^h-1表示粒子v第h-1次迭代的位置，x_v ^h表示粒子v第h次迭代的位置，V_vd ^h表示粒子v第h次迭代的速度；

8.2.6)重复执行步骤8.2.2)～步骤8.2.5)，直至达到求解日内调度模型时的迭代总次数K'_max或全局最优位置满足最小界限，算法执行结束，输出在风电消纳情况下调用的激励型负荷值P_L1,t、采暖负荷的热功率值Q_t、电储能出力值以及风电机组的出力值。

本发明的有益效果：

1)本发明考虑了风电的不确定性，随着时间的临近，风电的预测精度逐渐增大，通过时前风电预测对日前预测进行修正，提高了风电的预测精度；

2)本发明通过日前负荷预测，得出峰谷电量比，根据峰谷电量比制定合适的分时电价，峰谷比大时，分时电价的价格差异性大，峰谷比小时，分时电价的价格差异性小，提高负荷参与需求响应的积极性，实现负荷的削峰填谷；

3)本发明在日内调度时，调用激励型负荷和采暖负荷，激励型负荷可根据电网的调度要求适时地调整用电，可调度量大；采暖负荷的可调范围为一个区间，可以根据风电出力的情况实时调整采暖负荷的用热量，提高风电的利用率；

4)本发明将需求响应模型按照不同的特性分类，即分为电、热负荷分时响应模型、激励型负荷响应模型和采暖负荷响应模型，在日前和日内调度两个不同的时间尺度下选取相应的需求响应进行调度；

附图说明

图1为本发明中的一种面向风电消纳的两阶段源荷储优化调度方法流程图。

图2为本发明中的分时电价制定流程图。

图3为本发明中的改进粒子群算法求解流程图。

图4为本发明中的建筑物一节热力学模型图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明。

如图1所示，一种面向风电消纳的两阶段源荷储优化调度方法，包括以下步骤：

步骤1：获取电热联合系统中日前的风电出力预测值、电热负荷预测功率值，所述电热联合系统包括风电机组、常规机组、热电联产机组三大机组，本发明中所述常规机组为纯发电的火电机组；

步骤2：根据电负荷的预测功率制定峰、谷、平的分时电价，具体步骤如下：

2.1)利用公式(1)～公式(2)对一天内的电负荷进行峰、谷、平分时段的划分：

式中，P_av表示电负荷的平均功率，P_L,t ⁰表示t时段电负荷的预测功率值，t_g,p表示电负荷在t时段被划分为谷时段，t_p,p表示电负荷在t时段被划分为平时段，t_f,p表示电负荷在t时段被划分为峰时段，α_p、β_p分别表示电负荷在划分时段时的比例系数；

2.2)利用公式(3)～公式(5)，根据电负荷峰谷电量的比值，制定电负荷峰、谷、平的分时电价，其流程图如图2所示；

其中，当k_p取值范围为1<k_p<k_1,p时，电负荷峰、谷、平的分时电价C_t,p表示为：

其中，当k_p取值范围为k_1,p≤k_p时，电负荷峰、谷、平的分时电价C'_t,p表示为：

式中，k_p表示电负荷峰谷功率比，k_1,p表示预设电负荷峰谷功率值，其中k_p根据一天中的电负荷功率最大值P_max和电负荷功率最小值P_min确定，P_max表示一天中的电负荷功率最大值，P_min表示一天中的电负荷功率最小值，k_p越大表示电负荷峰谷电量差越大，C_0,p表示未实行分时电价时的统一电价，M_1,p、M_2,p、M_3,p、M_4,p分别表示电负荷不同分时段的比例系数，且满足M_3,p<M_1,p、M_2,p<M_4,p、M_1,p<M_2,p、M_3,p<M_4,p；

步骤3：根据热负荷的预测功率制定峰、谷、平的分时热价，具体表述为：

3.1)利用公式(6)～公式(7)对一天内的热负荷进行峰、谷、平分时段的划分：

式中，Q_av表示热负荷的平均功率，Q_L,t ⁰表示t时段热负荷的预测功率值，t_g,q表示热负荷在t时段被划分为谷时段，t_p,q表示热负荷在t时段被划分为平时段，t_f,q表示热负荷在t时段被划分为峰时段，α_q、β_q分别表示热负荷在划分时段时的比例系数；

3.2)利用公式(8)～公式(10)，根据热负荷峰谷电量的比值，制定热负荷峰、谷、平的分时热价；

其中，当k_q取值范围为1<k_q<k_1,q时，热负荷峰、谷、平的分时热价C_t,q表示为：

其中，当k_q取值范围为k_1,q≤k_q时，热负荷峰、谷、平的分时热价C'_t,q表示为：

式中，k_q表示热负荷峰谷功率比，k_1,q表示预设热负荷峰谷功率值，其中k_q根据一天中的热负荷功率最大值Q_max和热负荷功率最小值Q_min确定，Q_max表示一天中的热负荷功率最大值，Q_min表示一天中的热负荷功率最小值，k_q越大表示热负荷峰谷电量差越大，C_0,q表示未实行分时热价时的统一热价，M_1,q、M_2,q、M_3,q、M_4,q分别表示热负荷不同分时段的比例系数，且满足M_3,q<M_1,q、M_2,q<M_4,q、M_1,q<M_2,q、M_3,q<M_4,q，分时电/热价格引导电/热负荷削峰填谷，电/热峰谷差越大，采用的电/热分时价格差越大，越能调动电/热负荷响应的积极性；

步骤4：根据电、热负荷对分时价格的响应，建立电、热负荷需求响应模型；

其中电负荷的需求响应模型为：

式中，P_L,f ⁰、P_L,g ⁰、P_L,p ⁰分别表示未实施分时电价时电负荷峰、谷、平的分时用电负荷，P_L,f、P_L,g、P_L,p分别表示实施分时电价后电负荷峰、谷、平的分时用电负荷，E表示电负荷的价格弹性需求矩阵，C_f,p ⁰、C_g,p ⁰、C_p,p ⁰分别表示实施分时电价前电负荷峰、谷、平的用电价格，△C_f,p、△C_g,p、△C_p,p分别表示实施分时电价后的电负荷峰、谷、平的电价变化；

其中热负荷的需求响应模型为：

式中，Q_L,f ⁰、Q_L,g ⁰、Q_L,p ⁰分别表示未实施分时热价时热负荷峰、谷、平的分时用热负荷，Q_L,f、Q_L,g、Q_L,p分别表示实施分时热价后热负荷峰、谷、平的分时用热负荷，E'表示热负荷的价格弹性需求矩阵，C_f,q ⁰、C_g,q ⁰、C_p,q ⁰分别表示实施分时热价前热负荷峰、谷、平的用热价格，△C_f,q、△C_g,q、△C_p,q分别表示实施分时热价后的热负荷峰、谷、平的热价变化；

步骤5：根据日前风电出力预测值和电负荷的需求响应模型、热负荷的需求响应模型，以电热联合系统的总运行费用—发电费用和分时价格用户的费用最小为目标，建立日前调度模型，具体步骤如下：

5.1)根据常规机组的经济成本系数建立常规机组一天内的成本函数：

式中，P_i,t表示第i个常规机组在t时刻的出力值，a_i、b_i、c_i分别表示第i个常规机组的经济成本系数，N表示常规机组的总个数；

5.2)根据热电联产机组的经济成本系数建立热电联产机组一天内的成本函数：

式中，P_j,t表示第j个热电联产机组在t时刻的输出电功率，H_j,t表示第j个热电联产机组在t时刻的输出热功率，a_j、b_j、c_j、d_j、e_j、f_j分别表示第j个热电联产机组的经济成本系数，M表示热电联产机组的总个数；

5.3)存在弃风时蓄热式电锅炉开启，利用弃风供热，利用的是弃风电量，不存在成本；

5.4)建立电负荷一天内的分时电价成本

为：

式中，P_L,t表示分时电价负荷；

5.5)建立热负荷一天内的分时热价成本

为：

式中，P_L,t表示分时热价负荷；

5.6)以电热联合系统的总运行费用—发电费用和分时价格用户的费用最小为目标，建立日前调度模型为：

步骤6：根据实时采集的环境温度和PMV指标，建立激励型负荷、采暖负荷的日内调度响应模型，具体表述为：

6.1)由于工业用户的可调度容量大，可以应对风电的波动，促进风电的消纳，对激励型负荷增加或削减的负荷，由电网公司予以补偿，则激励型负荷的日内调度响应约束及调用成本为：

P_Lmin≤P_L1,t≤P_Lmax (18)

式中：P_L1,t为t时刻调用的激励型负荷值，P_Lmin、P_Lmax分别表示可调用的激励型负荷的下限值、上限值，C_DR表示激励型负荷的调用成本，ρ表示激励型负荷的电网公司补偿成本；

6.2)根据PMV指标以及室外建筑物的一阶热力学模型，其中建筑物的一阶热力学模型如图4所示，建立采暖负荷的日内调度响应模型为：

Q_t,min≤Q_t≤Q_t,max (20)

其中，

式中，Q_t,min表示采暖负荷的最小值，Q_t,max表示采暖负荷的最大值，I_t ^PMV表示PMV指标，θ_t ⁱⁿ表示t时刻的室内温度，θ_sk表示人体舒适状态的皮肤温度值，θ_sk近似取为33.5℃，M_t表示人体代谢率，M_t取为60W/m²，r表示服装热阻，r取为0.11(m²·℃)/W，Q_t表示采暖负荷的热功率，θ_t+1 ⁱⁿ表示t+1时刻的室内温度值，R表示建筑物的等效热阻，θ_t ^out表示t时刻的室外温度值，H为常数，且满足

其中对于特定的建筑物在△t时刻C_air为常数；

步骤7：以弃风量最小为目标，建立电热联合系统的日内调度模型，更新风电预测功率，调用电储能、激励型负荷和采暖负荷，对日前调度进行微调，具体表述为：

7.1)以弃风电量最小为目标，建立电热联合系统的日内调度模型为：

min(P_w,rel,t-P_w,t)² (22)

式中，P_w,rel,t表示t时段消纳的风电量，P_w,t表示t时段风电出力值；

7.2)根据电热联合系统的日内调度模型，对电热联合系统的日前调度进行微调时，由于日内的风电出力预测值比日前的风电出力预测值准确，所以通过电热联合系统的日内调度模型对电热联合系统的日前调度模型进行修正，具体表述为：若产生弃风现象，首先调用激励型负荷的需求响应和采暖负荷的需求响应消纳风电负荷，若激励型负荷和采暖负荷的需求响应仍不能完全消纳风电负荷，调用电储能负荷的需求响应来消纳风电负荷；

仅调风电机组、CHP机组、风电机组及分时负荷不能满足功率平衡条件，出现弃风时的判断条件如公式(31)所示，此时考虑调用激励型负荷和采暖负荷消纳风电：

P_w,t+P_j,t+P_i,t＞P_L,t+P_dg,t (31)

式中：P_w,t表示风电机组的出力值，P_j,t表示表示第j个热电联产机组在t时刻的输出电功率，P_i,t表示常规机组的电出力，P_dg,t表示蓄热式电锅炉用电量。

调节激励型负荷仍产生弃风时的判断条件如公式(32)所述，此时考虑调用储电设备消纳风电：

P_w,t+P_j,t+P_i,t＞P_L,t+P_L1,t+P_dg,t (32)

式中：P_L1,t表示t时刻调用的激励型负荷值；

步骤8：分别采用改进的粒子群算法求解两阶段源荷储优化调度模型，得到在风电消纳情况下N个常规机组的出力值、M个热电联产机组的出力值，蓄热式电锅炉出力值，调用的激励型负荷值P_L1,t、采暖负荷的热功率值Q_t、电储能出力值以及风电机组出力值，所述两阶段源荷储优化调度模型包括日前调度模型和日内调度模型；

如图3所示，采用改进的粒子群算法求解日前调度模型的具体步骤为：

8.1.1)设置求解日前调度模型时的粒子的最大速度值v_u,max、最大迭代次数K_max、种群规模F₁，以及初始化粒子的位置x_u ⁰和速度v_u ⁰，为了缩短收敛时间，各粒子的初始位置选择时应满足公式(23)给出的取值范围，

x_u,min≤x_u ⁰≤x_u,max (u＝1,2...U) (23)

式中，x_u ⁰表示粒子u的初始位置，U表示求解日前调度模型时的粒子总个数，x_u,min表示粒子u初始位置的最小值，x_u,max表示粒子u初始位置的最大值，其中x_u,min和x_u,max根据电热联合系统中三大机组出力的上限值和下限值、蓄热式电锅炉出力的上限值和下限值确定；

8.1.2)计算每个粒子的适应值，并与粒子最优值和全局最优值作比较，更新粒子u的个体极值pbest_u和粒子u的全局极值gbest_u；

8.1.3)为了避免粒子群算法陷入全局最优或局部最优，利用公式(24)对ω^g进行动态调整，以保证算法的收敛性，

式中，ω^g表示第g次迭代的惯性权重，ω_max表示最大惯性权重，ω_max＝0.9，ω_min表示最小惯性权重，ω_min＝0.4，K_max表示求解日前调度模型时的迭代总次数；

8.1.4)利用公式(25)将第g次迭代的惯性权重ω^g代入速度更新公式中，更新微粒速度；

V_ud ^g＝ω^gV_ud ^g-1+c₁rand(0,1)(pbest_u-x_u ^g)+c₂rand(0,1)(gbest_u-x_u ^g) (25)

式中，V_ud ^g表示粒子u第g次迭代的速度，V_ud ^g-1表示粒子u第g-1次迭代的速度，c₁、c₂分别表示学习因子，c₁＝c₂＝2，pbest_u表示粒子u的个体极值，gbest_u表示粒子u的全局极值，x_u ^g表示粒子u第g次迭代的位置；

8.1.5)利用公式(26)迭代更新粒子的位置，

x_u ^g＝x_u ^g-1+V_ud ^g (26)

式中，x_u ^g-1表示粒子u第g-1次迭代的位置，x_u ^g表示粒子u第g次迭代的位置，V_ud ^g表示粒子u第g次迭代的速度；

8.1.6)重复执行步骤8.1.2)～步骤8.1.5)，直至达到求解日前调度模型时的迭代总次数K_max或全局最优位置满足最小界限，算法执行结束，输出在风电消纳情况下的N个常规机组的出力值、M个热电联产机组的出力值，蓄热式电锅炉的出力值以及风电机组的出力值；

其中采用改进的粒子群算法求解日内调度模型的具体步骤如下：

8.2.1)设置求解日内调度模型时的粒子的最大速度值v_v,max、最大迭代次数K'_max、种群规模F₂，以及初始化粒子的位置x_v ⁰和速度v_v ⁰，为了缩短收敛时间，各粒子的初始位置选择时应满足公式(27)给出的取值范围，

x_v,min≤x_v ⁰≤x_v,max (v＝1,2...V) (27)

式中，x_v ⁰表示粒子v的初始位置，V表示求解日内调度模型时的粒子总个数，x_v,min表示粒子v初始位置的最小值，x_v,max表示粒子v初始位置的最大值，其中x_v,min和x_v,max根据电热联合系统中风电机组出力的上限值和下限值、可调用的激励型负荷的上限值P_Lmax、下限值P_Lmin，采暖负荷的最小值Q_t,min、最大值Q_t,max，电储能出力的上限值和下限值确定；

8.2.2)计算每个粒子的适应值，并与粒子最优值和全局最优值作比较，更新粒子v的个体极值pbest_v和粒子v的全局极值gbest_v；

8.2.3)为了避免粒子群算法陷入全局最优或局部最优，利用公式(28)对ω^h进行动态调整，以保证算法的收敛性，

式中，ω^h表示第h次迭代的惯性权重，ω_max表示最大惯性权重，ω_min表示最小惯性权重，K'_max表示求解日内调度模型时的迭代总次数；

8.2.4)利用公式(29)将第h次迭代的惯性权重ω^h代入速度更新公式中，更新微粒速度；

V_vd ^h＝ω^hV_vd ^h-1+c₃rand(0,1)(pbest_v-x_v ^h)+c₄rand(0,1)(gbest_v-x_v ^h) (29)

式中，V_vd ^h表示粒子v第h次迭代的速度，V_vd ^h表示粒子v第h-1次迭代的速度，c₃、c₄分别表示学习因子，c₃＝c₄＝2，pbest_v表示粒子v的个体极值，gbest_v表示粒子v的全局极值，x_v ^h表示粒子v第h次迭代的位置；

8.2.5)利用公式(30)迭代更新粒子的位置，

x_v ^h＝x_v ^h-1+V_vd ^h (30)

式中，x_v ^h-1表示粒子v第h-1次迭代的位置，x_v ^h表示粒子v第h次迭代的位置，V_vd ^h表示粒子v第h次迭代的速度；

8.2.6)重复执行步骤8.2.2)～步骤8.2.5)，直至达到求解日内调度模型时的迭代总次数K'_max或全局最优位置满足最小界限，算法执行结束，输出在风电消纳情况下调用的激励型负荷值P_L1,t、采暖负荷的热功率值Q_t、电储能出力值以及风电机组的出力值。

Claims (8)

1.一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，包括以下步骤：

步骤1：获取电热联合系统中日前的风电出力预测值、电、热负荷的预测功率值，所述电热联合系统包括风电机组、常规机组、热电联产机组三大机组；

步骤2：根据电负荷的预测功率制定峰、谷、平的分时电价；

步骤3：根据热负荷的预测功率制定峰、谷、平的分时热价；

步骤4：根据电、热负荷对分时价格的响应，建立电、热负荷需求响应模型；

步骤5：根据日前风电出力预测值和电负荷的需求响应模型、热负荷的需求响应模型，以电热联合系统的总运行费用—发电费用和分时价格用户的费用最小为目标，建立日前调度模型；

步骤6：根据实时采集的环境温度和PMV指标，建立激励型负荷、采暖负荷的日内调度响应模型；

步骤7：以弃风量最小为目标，建立电热联合系统的日内调度模型，更新风电预测功率，调用电储能、激励型负荷和采暖负荷，对日前调度进行微调；

步骤8：分别采用改进的粒子群算法求解两阶段源荷储优化调度模型，得到在风电消纳情况下N个常规机组的出力值、M个热电联产机组的出力值、蓄热式电锅炉出力值、调用的激励型负荷值P_L1,t、采暖负荷的热功率值Q_t、电储能出力值以及风电机组出力值，所述两阶段源荷储优化调度模型包括日前调度模型和日内调度模型。

2.根据权利要求1所述的一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，所述的步骤2具体步骤如下：

2.1)利用公式(1)～公式(2)对一天内的电负荷进行峰、谷、平分时段的划分：

式中，P_av表示电负荷的平均功率，P_L,t ⁰表示t时段电负荷的预测功率值，t_g,p表示电负荷在t时段被划分为谷时段，t_p,p表示电负荷在t时段被划分为平时段，t_f,p表示电负荷在t时段被划分为峰时段，α_p、β_p分别表示电负荷在划分时段时的比例系数；

2.2)利用公式(3)～公式(5)，根据电负荷峰谷电量的比值，制定电负荷峰、谷、平的分时电价；

其中，当k_p取值范围为1<k_p<k_1,p时，电负荷峰、谷、平的分时电价C_t,p表示为：

其中，当k_p取值范围为k_1,p≤k_p时，电负荷峰、谷、平的分时电价C'_t,p表示为：

式中，k_p表示电负荷峰谷功率比，k_1,p表示预设电负荷峰谷功率值，P_max表示一天中的电负荷功率最大值，P_min表示一天中的电负荷功率最小值，k_p根据一天中的电负荷功率最大值P_max和电负荷功率最小值P_min确定，k_p越大表示电负荷峰谷电量差越大，C_0,p表示未实行分时电价时的统一电价，M_1,p、M_2,p、M_3,p、M_4,p分别表示电负荷不同分时段的比例系数，且满足M_3,p<M_1,p、M_2,p<M_4,p、M_1,p<M_2,p、M_3,p<M_4,p。

3.根据权利要求1所述的一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，所述的步骤3具体表述为：

3.1)利用公式(6)～公式(7)对一天内的热负荷进行峰、谷、平分时段的划分：

式中，Q_av表示热负荷的平均功率，Q_L,t ⁰表示t时段热负荷的预测功率值，t_g,q表示热负荷在t时段被划分为谷时段，t_p,q表示热负荷在t时段被划分为平时段，t_f,q表示热负荷在t时段被划分为峰时段，α_q、β_q分别表示热负荷在划分时段时的比例系数；

3.2)利用公式(8)～公式(10)，根据热负荷峰谷电量的比值，制定热负荷峰、谷、平的分时热价；

其中，当k_q取值范围为1<k_q<k_1,q时，热负荷峰、谷、平的分时热价C_t,q表示为：

其中，当k_q取值范围为k_1,q≤k_q时，热负荷峰、谷、平的分时热价C'_t,q表示为：

式中，k_q表示热负荷峰谷功率比，k_1,q表示预设热负荷峰谷功率值，Q_max表示一天中的热负荷功率最大值，Q_min表示一天中的热负荷功率最小值，k_q根据一天中的热负荷功率最大值Q_max和热负荷功率最小值Q_min确定，k_q越大表示热负荷峰谷电量差越大，C_0,q表示未实行分时热价时的统一热价，M_1,q、M_2,q、M_3,q、M_4,q分别表示热负荷不同分时段的比例系数，且满足M_3,q<M_1,q、M_2,q<M_4,q、M_1,q<M_2,q、M_3,q<M_4,q，分时电/热价格引导电/热负荷削峰填谷，电/热峰谷差越大，采用的电/热分时价格差越大，越能调动电/热负荷响应的积极性。

4.根据权利要求1所述的一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，所述的步骤4中根据电负荷对分时价格的响应，建立的电负荷需求响应模型为：

式中，P_L,f ⁰、P_L,g ⁰、P_L,p ⁰分别表示未实施分时电价时电负荷峰、谷、平的分时用电负荷，P_L,f、P_L,g、P_L,p分别表示实施分时电价后电负荷峰、谷、平的分时用电负荷，E表示电负荷的价格弹性需求矩阵，C_f,p ⁰、C_g,p ⁰、C_p,p ⁰分别表示实施分时电价前电负荷峰、谷、平的用电价格，△C_f,p、△C_g,p、△C_p,p分别表示实施分时电价后的电负荷峰、谷、平的电价变化；

所述的步骤4中根据热负荷对分时价格的响应，建立的热负荷需求响应模型为：

式中，Q_L,f ⁰、Q_L,g ⁰、Q_L,p ⁰分别表示未实施分时热价时热负荷峰、谷、平的分时用热负荷，Q_L,f、Q_L,g、Q_L,p分别表示实施分时热价后热负荷峰、谷、平的分时用热负荷，E'表示热负荷的价格弹性需求矩阵，C_f,q ⁰、C_g,q ⁰、C_p,q ⁰分别表示实施分时热价前热负荷峰、谷、平的用热价格，△C_f,q、△C_g,q、△C_p,q分别表示实施分时热价后的热负荷峰、谷、平的热价变化。

5.根据权利要求1所述的一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，所述的步骤5具体步骤如下：

5.1)根据常规机组的经济成本系数建立常规机组一天内的成本函数：

式中，P_i,t表示第i个常规机组在t时刻的出力值，a_i、b_i、c_i分别表示第i个常规机组的经济成本系数，N表示常规机组的总个数；

5.2)根据热电联产机组的经济成本系数建立热电联产机组一天内的成本函数：

式中，P_j,t表示第j个热电联产机组在t时刻的输出电功率，H_j,t表示第j个热电联产机组在t时刻的输出热功率，a_j、b_j、c_j、d_j、e_j、f_j分别表示第j个热电联产机组的经济成本系数，M表示热电联产机组的总个数；

5.3)存在弃风时蓄热式电锅炉开启，利用弃风供热，利用的是弃风电量，不存在成本；

5.4)建立电负荷一天内的分时电价成本

为：

式中，P_L,t表示分时电价负荷；

5.5)建立热负荷一天内的分时热价成本

为：

式中，P_L,t表示分时热价负荷；

5.6)以电热联合系统的总运行费用—发电费用和分时价格用户的费用最小为目标，建立日前调度模型为：

6.根据权利要求1所述的一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，所述的步骤6具体表述为：

6.1)由于工业用户的可调度容量大，可以应对风电的波动，促进风电的消纳，对激励型负荷增加或削减的负荷，由电网公司予以补偿，则激励型负荷的日内调度响应约束及调用成本为：

P_Lmin≤P_L1,t≤P_Lmax (18)

式中：P_L1,t为t时刻调用的激励型负荷值，P_Lmin、P_Lmax分别表示可调用的激励型负荷的下限值、上限值，C_DR表示激励型负荷的调用成本，ρ表示激励型负荷的电网公司补偿成本；

6.2)根据PMV指标以及室外建筑物的一阶热力学模型，建立采暖负荷的日内调度响应模型为：

Q_t,min≤Q_t≤Q_t,max (20)

其中，

式中，Q_t,min表示采暖负荷的最小值，Q_t,max表示采暖负荷的最大值，I_t ^PMV表示PMV指标，θ_t ⁱⁿ表示t时刻的室内温度，θ_sk表示人体舒适状态的皮肤温度值，M_t表示人体代谢率，r表示服装热阻，Q_t表示采暖负荷的热功率，θ_t+1 ⁱⁿ表示t+1时刻的室内温度值，R表示建筑物的等效热阻，θ_t ^out表示t时刻的室外温度值，H为常数，且满足

其中对于特定的建筑物在△t时刻C_air为常数。

7.根据权利要求1所述的一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，所述的步骤7具体表述为：

7.1)以弃风电量最小为目标，建立电热联合系统的日内调度模型为：

min(P_w,rel,t-P_w,t)² (22)

式中，P_w,rel,t表示t时段消纳的风电量，P_w,t表示t时段风电出力值；

7.2)根据电热联合系统的日内调度模型，对电热联合系统的日前调度进行微调时，由于日内的风电出力预测值比日前的风电出力预测值准确，所以通过电热联合系统的日内调度模型对电热联合系统的日前调度模型进行修正，具体表述为：若产生弃风现象，首先调用激励型负荷的需求响应和采暖负荷的需求响应消纳风电负荷，若激励型负荷和采暖负荷的需求响应仍不能完全消纳风电负荷，调用电储能负荷的需求响应来消纳风电负荷。

8.根据权利要求1所述的一种面向风电消纳的两阶段源荷储优化调度方法，其特征在于，所述的步骤8中的采用改进的粒子群算法求解日前调度模型的具体步骤为：

8.1.1)设置求解日前调度模型时的粒子的最大速度值v_u,max、最大迭代次数K_max、种群规模F₁，以及初始化粒子的位置x_u ⁰和速度v_u ⁰，为了缩短收敛时间，各粒子的初始位置选择时应满足公式(23)给出的取值范围，

x_u,min≤x_u ⁰≤x_u,max(u＝1,2…U) (23)

式中，x_u ⁰表示粒子u的初始位置，U表示求解日前调度模型时的粒子总个数，x_u,min表示粒子u初始位置的最小值，x_u,max表示粒子u初始位置的最大值，其中x_u,min和x_u,max根据电热联合系统中三大机组出力的上限值和下限值、蓄热式电锅炉出力的上限值和下限值确定；

8.1.2)计算每个粒子的适应值，并与粒子最优值和全局最优值作比较，更新粒子u的个体极值pbest_u和粒子u的全局极值gbest_u；

8.1.3)为了避免粒子群算法陷入全局最优或局部最优，利用公式(24)对ω^g进行动态调整，以保证算法的收敛性，

式中，ω^g表示第g次迭代的惯性权重，ω_max表示最大惯性权重，ω_min表示最小惯性权重，K_max表示求解日前调度模型时的迭代总次数；

8.1.4)利用公式(25)将第g次迭代的惯性权重ω^g代入速度更新公式中，更新微粒速度；

V_ud ^g＝ω^gV_ud ^g-1+c₁rand(0,1)(pbest_u-x_u ^g)+c₂rand(0,1)(gbest_u-x_u ^g) (25)

式中，V_ud ^g表示粒子u第g次迭代的速度，V_ud ^g-1表示粒子u第g-1次迭代的速度，c₁、c₂分别表示学习因子，pbest_u表示粒子u的个体极值，gbest_u表示粒子u的全局极值，x_u ^g表示粒子u第g次迭代的位置；

8.1.5)利用公式(26)迭代更新粒子的位置，

x_u ^g＝x_u ^g-1+V_ud ^g (26)

式中，x_u ^g-1表示粒子u第g-1次迭代的位置，x_u ^g表示粒子u第g次迭代的位置，V_ud ^g表示粒子u第g次迭代的速度；

8.1.6)重复执行步骤8.1.2)～步骤8.1.5)，直至达到求解日前调度模型时的迭代总次数K_max或全局最优位置满足最小界限，算法执行结束，输出在风电消纳情况下的N个常规机组的出力值、M个热电联产机组的出力值，蓄热式电锅炉的出力值以及风电机组的出力值；

所述的步骤8中的采用改进的粒子群算法求解日内调度模型的具体步骤如下：

8.2.1)设置求解日内调度模型时的粒子的最大速度值v_v,max、最大迭代次数K'_max、种群规模F₂，以及初始化粒子的位置x_v ⁰和速度v_v ⁰，为了缩短收敛时间，各粒子的初始位置选择时应满足公式(27)给出的取值范围，

x_v,min≤x_v ⁰≤x_v,max(v＝1,2...V) (27)

式中，x_v ⁰表示粒子v的初始位置，V表示求解日内调度模型时的粒子总个数，x_v,min表示粒子v初始位置的最小值，x_v,max表示粒子v初始位置的最大值，其中x_v,min和x_v,max根据电热联合系统中风电机组出力的上限值和下限值、可调用的激励型负荷的上限值P_Lmax、下限值P_Lmin，采暖负荷的最小值Q_t,min、最大值Q_t,max，电储能出力的上限值和下限值确定；

8.2.2)计算每个粒子的适应值，并与粒子最优值和全局最优值作比较，更新粒子v的个体极值pbest_v和粒子v的全局极值gbest_v；

8.2.3)为了避免粒子群算法陷入全局最优或局部最优，利用公式(28)对ω^h进行动态调整，以保证算法的收敛性，

式中，ω^h表示第h次迭代的惯性权重，ω_max表示最大惯性权重，ω_min表示最小惯性权重，K'_max表示求解日内调度模型时的迭代总次数；

8.2.4)利用公式(29)将第h次迭代的惯性权重ω^h代入速度更新公式中，更新微粒速度；

V_vd ^h＝ω^hV_vd ^h-1+c₃rand(0,1)(pbest_v-x_v ^h)+c₄rand(0,1)(gbest_v-x_v ^h) (29)

式中，V_vd ^h表示粒子v第h次迭代的速度，V_vd ^h表示粒子v第h-1次迭代的速度，c₃、c₄分别表示学习因子，pbest_v表示粒子v的个体极值，gbest_v表示粒子v的全局极值，x_v ^h表示粒子v第h次迭代的位置；

8.2.5)利用公式(30)迭代更新粒子的位置，

x_v ^h＝x_v ^h-1+V_vd ^h (30)

式中，x_v ^h-1表示粒子v第h-1次迭代的位置，x_v ^h表示粒子v第h次迭代的位置，V_vd ^h表示粒子v第h次迭代的速度；

8.2.6)重复执行步骤8.2.2)～步骤8.2.5)，直至达到求解日内调度模型时的迭代总次数K'_max或全局最优位置满足最小界限，算法执行结束，输出在风电消纳情况下调用的激励型负荷值P_L1,t、采暖负荷的热功率值Q_t、电储能出力值以及风电机组的出力值。

Images