CN112101607A - 一种考虑需求响应时间效应的主动配电网滚动优化调度方法 - Google Patents

一种考虑需求响应时间效应的主动配电网滚动优化调度方法 Download PDF

Info

Publication number
CN112101607A
CN112101607A CN201910523854.0A CN201910523854A CN112101607A CN 112101607 A CN112101607 A CN 112101607A CN 201910523854 A CN201910523854 A CN 201910523854A CN 112101607 A CN112101607 A CN 112101607A
Authority
CN
China
Prior art keywords
adn
power
day
microgrid
load
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.)
Pending
Application number
CN201910523854.0A
Other languages
English (en)
Inventor
盛四清
顾清
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201910523854.0A priority Critical patent/CN112101607A/zh
Publication of CN112101607A publication Critical patent/CN112101607A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明设计一种考虑需求响应时间效应的主动配电网滚动优化调度方法，属于电力系统优化调度技术领域。不同类型的需求响应执行方式不同，因而响应速度也不同。为应对新能源渗透率逐渐提高带来的波动性，建立了考虑需求响应时间效应的多时间尺度调度模型。在日前阶段，以主动配电网与微网运行成本、负荷峰谷差和用户平均电价最小为目标函数，运用蝙蝠算法求解，为次日制定合理的电价方案。在日内滚动优化阶段，利用模型预测控制方法，以日内与日前出力偏差最小为目标函数进行滚动优化，调用可中断负荷资源，降低新能源和负荷波动带来的不平衡风险。

Description

一种考虑需求响应时间效应的主动配电网滚动优化调度方法
技术领域
本发明涉及一种考虑需求响应时间效应的主动配电网滚动优化调度方法，属于电力系统优化调度技术领域。
背景技术
传统的中低压配电网向用户单方向分配电力，是一个“被动”地从主网接收功率的电力网络，无法对异常运行状态与故障进行有效地控制，难以保证供电质量、实现最优经济运行。随着分布式电源、分布式储能装置、电动汽车及可控负荷快速发展和大量接入，电力系统，尤其是中低压配电系统发生了重大改变。
2008年国际大电网会议(CIGRE)成立的C6.11工作组正式提出了主动配电网(active distribution network，ADN)的概念：具有对包括发电机、负载和储能装置在内的分布式资源组合进行控制的系统。配电运行人员能够应用灵活的网络拓扑，调整潮流的分布；分布式资源可以根据适当的监管政策以及用户接入协议，向系统提供一定程度的辅助服务支撑。在2012的CGRE会议上，C6.11工作组将“主动配电网”改称为“主动配电系统(active distribution system，ADS)”，以便于更好地反映其对负荷进行控制的特征。
需求响应利用经济激励来引导用户根据系统运行要求而灵活使用电能，促进电网削峰填谷，用户响应电价模型多基于电力需求价格弹性矩阵，包括自弹性和互弹性，由于算法简单、直观，得到了广泛应用。
但是许多调度方法只调用了价格型需求响应资源，没有考虑激励型需求响应资源的作用。可中断负荷(interruptible load，IL)可根据合同要求被切除，其作用相当与切除容量相当的“虚拟电源”，因此日渐被重视。
发明内容
本发明要解决的问题是提供一种调度方法考虑需求响应时间效应，以及其他出力资源，以降低运行成本和安全风险。
实现本发明目的的的技术解决方案为：一种考虑需求响应时间效应的主动配电网滚动优化调度方法，包括以下步骤：
步骤1、建立不同类型需求响应的数学模型；针对电价型需求响应，引入电价弹性系数描述各时段用电量对价格的灵敏度，参考相关文献中的历史数据，得到电价弹性系数的具体数值；针对激励型需求响应，电力公司与用户签订协议，提前约定用户的基本负荷量和削减负荷量的计算方法、激励费率的确定方法以及违约的惩罚措施等内容，引导柔性负荷参与电网调度运行。
步骤2、在日前阶段，以ADN运行成本、负荷峰谷差、ADN内平均电价以及微网运行成本的加权值最小为目标函数，各单元出力上下限和爬坡上下限为约束，求得日前阶段的电价和日前计划出力等；在日内阶段，在日前调度确定了24小时电价的基础上，以对负荷和新能源出力的超短期预测为基础，以各可控出力单元与日前调度计划的变化绝对值最小为目标函数，对超短期内的下一时刻各发电单元的出力进行优化。
步骤3、针对日前阶段的多目标函数，用隶属度函数将其转化为单目标函数，并利用蝙蝠算法求解；日内阶段滚动优化调度则利用在MATLAB中由yamilp建模后调用CPLEX求解器进行求解。
具体的，步骤1中，电价弹性系数可表示如下：
Figure BSA0000184580970000011
式中：m(x，y)表示y时段的电价变化百分比与x时段的负荷电量变化百分比的比值，当x＝y时，m(x，y)表示自弹性系数，当x≠y时，m(x，y)表示交叉弹性系数；Ex、ΔEx分别为x时段原电量和参与ToU后的电量变化；cy、Δcy分别为y时段原电价和参与ToU后的电价变化。一般，自弹性系数为负值，而交叉弹性系数为正值或零。
一天被分为T个时段，响应后各时段负荷电量可由下式求得：
Figure BSA0000184580970000021
式中：ETOU表示实行电价响应后的各时段用电量列向量；E0是电价响应前各时段用电量列向量；E0.t表示t时段的初始负荷量，t＝1，2，...，T；M是电量电价弹性矩阵，它的表达式如下：
M＝[m(x，y)]T×T
式中x，y＝1，2，...，T。
在激励型需求响应项目中，电力公司通过与用户签订协议，提前约定用户的基本负荷量和削减负荷量的计算方法、激励费率的确定方法以及违约的惩罚措施等内容，引导柔性负荷参与电网调度运行。基于这种合同约定的模式，需求响应机制包括直接负荷控制(direct load control，DLC)、可中断负荷(Interruptible load，IL)和紧急需求响应(emergency demand response，EDR)。
基于我国电力市场现状，现行主要的激励型需求响应为IL，其执行方法是合同制。为了鼓励用户积极参与DR，增大中断容量，本文设定在同一类可中断合同中对用户的补偿单价根据用户可中断容量分档，可中断容量越大，补偿单价越高。
由上可知，在t时段，当用户j的中断量共有l档时，该用户补偿总价如下：
Figure BSA0000184580970000022
其中，ΔPIL.j.i为用户j在第i档的中断量；当ADN共有J个IL用户时，在t时段的IL资源补偿总价为：
Figure BSA0000184580970000023
其中，J为参与IL的总用户数，
Figure BSA0000184580970000024
表用户j的调用状态，被调用时为1，否则为0。
具体的，步骤2中，日前模型的参数包括ADN内风电、光伏出力和负荷的日前预测结果，以及微网内风光出力和负荷的日前预测结果；本模型的决策变量包括：ADN内的燃气轮机出力、每小时电价、微网内蓄电池充放电量、燃气轮机出力、微网与ADN交换功率；以ADN运行成本、负荷峰谷差、ADN内平均电价以及微网运行成本的加权值最小为目标函数。目标函数如下：
min F日前＝w1CADN+w2Cprice+w3Cload+w4CMG
式中：F日前表示各目标函数加权值，CADN、Cprice、Cload、CMG分别为ADN的运行成本、平均电价、24小时内ADN负荷的峰谷差和微网的运行成本，w1、w2、w3、w4分别是以上四项的加权权重。
(1)ADN的运行成本
ADN的运行成本包括风电和光伏的发电成本、燃气轮机的发电成本、主网购电成本、微网购电成本的和与ADN向微网售电收入的差。表达式如下：
Figure BSA0000184580970000025
其中，ΩWT、Ωpv和Ωmt表示ADN中风电、光伏和燃气轮机节点的集合；cWT.i、cpv.i和cmt.i表示在i节点处风电机组、光伏和燃气轮机的单位电量发电成本，
Figure BSA0000184580970000026
和
Figure BSA0000184580970000027
表示i节点处风电机组、光伏机组和燃气轮机在t时段的出力。
Figure BSA0000184580970000028
表示该时段的ADN主网向购电电价，
Figure BSA0000184580970000029
表示在该时段主网向ADN输电功率。
Figure BSA00001845809700000210
表示该时段ADN的售电电价，
Figure BSA00001845809700000211
表示该时段ADN对微网的输电功率。
Figure BSA00001845809700000212
表示微网在该时段的售电电价，
Figure BSA0000184580970000031
表示该时段微网向ADN的输电功率，Δt表示每个时段的时长。
(2)用户平均电价
从用户的经济利益角度考虑，实施电价型需求响应后，用户不应负担过高的电价。因此24小时内的平均电价应当尽量低。平均电价表达式如下：
Figure BSA0000184580970000032
Figure BSA0000184580970000033
表示t时段实施需求响应后的ADN总负荷。
(3)负荷峰谷差
引入电价型需求响应的重要目的就是削峰填谷，缓解用电高峰带来的供电压力，减少用电低谷时的供电能力浪费。负荷峰谷差的表达式如下：
Figure BSA0000184580970000034
式中，t＝1，2，...，24。
(4)微网运行成本
微电网是一个可以孤网运行的有源配电单元，并不完全服从ADN的统一调度。其运行成本如下：
Figure BSA0000184580970000035
其中，ΩWT-v、Ωpv-v和Ωmt-v表示微网中风电、光伏和燃气轮机节点的集合；cWT-v.i、cpv-v.i、cmt-v.i和cess.i表示微网中i节点处风电机组、光伏机组、燃气轮机和储能系统的单位电量成本，
Figure BSA0000184580970000036
和
Figure BSA0000184580970000037
表示微网中i节点处风力发电、光伏机组和燃气轮机在t时段的出力。
Figure BSA0000184580970000038
表示储能电池在t时段内的输出(包含充放电)。
(5)约束条件
a)ADN和微网功率平衡约束
Figure BSA0000184580970000039
Figure BSA00001845809700000310
Figure BSA00001845809700000311
表示t时段内微网的总负荷；
Figure BSA00001845809700000312
和
Figure BSA00001845809700000313
表示i节点处储能电池的充电或放电的工作状态，启用时为1，否则为0，
Figure BSA00001845809700000314
表示i节点处储能系统在t时段内的充、放电功率。
b)ADN中i节点处各单元出力约束
Figure BSA00001845809700000315
其中，PWT.i.max、PWT.i.min为风电机组的上下限，Ppv.i.max、Ppv.i.min为光伏机组的上下限，Pmt.i.max、Pmt.i.min为燃气轮机的上下限。
c)ADN向主网购电约束
Figure BSA00001845809700000316
其中，Pbuy.max、Pbuy.min为从主网购电功率的上下限。
d)微网与ADN的功率交换约束
Figure BSA0000184580970000041
Pbuy-v.max、Pbuy-v.min为微网从ADN购电的上下限，Psale.max、Psale.min为微网对ADN售电上下限。
e)微网中i节点各单元的出力约束
Figure BSA0000184580970000042
其中，PWT-v.i.max、PWT-v.i.min为微网中风电出力的上下限，Ppv-v.i.max、Ppv-v.i.min为光伏机组的上下限，Pmt-v.i.max、Pmt-v.i.min为燃气轮机的出力上下限。
f)储能系统约束
Figure BSA0000184580970000043
其中，Pre.i.max、Pch.i.max为i节点处储能系统的最大放电、充电功率，
Figure BSA0000184580970000044
表示储能装置在t时段的荷电量，Ei.max、Ei.min表示荷电量的上下限。
g)燃气轮机爬坡约束
Figure BSA0000184580970000045
其中，γi.up和γi.down表示ADN中i节点燃气轮机出力爬坡速率的上限；γv.k.up和γv.k.down表示微网中k节点燃气轮机出力爬坡速率的上限。
具体的，步骤2中，在日前调度确定了24小时电价的基础上，以对负荷和新能源出力的超短期预测为基础，以各可控出力单元与日前调度计划的变化绝对值最小为目标函数，对超短期内的下一时刻各发电单元的出力进行优化。该过程主要利用了模型预测控制的滚动优化和反馈的闭环优化的优势。具体步骤如下：
(1)预测
自回归模型(Autoregressive model，简称AR模型)是统计学上处理时间序列的方法，该模型认为通过时间序列中过去时点的线性组合加上白噪声即可预测当前时点。按照AR模型，每个时点的预测值如下：
yt＝a1yt-1+a2yt-2+...+apyt-p+ut
其中，yt-1，yt-2，...，yt-p是预测时点的前p个时点，yt是需要预测的时点，a1，a2，...，ap是p个预测参数；ut为白噪声，满足一定分布的随机误差。
在日内滚动调度模型中，ADN负荷、ADN内风电和光伏出力和ADN与微网交互功率(ADN向微网售电则为正，反之则为负)的预测模型如下：
Figure BSA0000184580970000051
其中，a1...ap、b1...bp、c1...cp和d1...dp分别为ADN负荷、ADN内风电和光伏出力和与微网交互功率的预测参数；
Figure SA00001845809736480
则分别为ADN负荷、ADN内风电和光伏出力和同微网交互功率的前p个时段的实际值，uL.0、uWT.0、upv.0和uMGex.0则为各个预测量的随机扰动值。Ut的对角线各元素即为t时段的预测值
Figure SA00001845809736682
和
Figure SA00001845809736695
(2)优化
滚动优化的进行建立在系统的预测值上。优化的过程就是根据预测值找出当前预测时段的最优解，且在下一时段中重新进行优化，避免每次误差在接下来的优化中被累积和放大。
日内调度阶段主要考虑在满足约束的前提下，尽量减少各单元日内出力与日前计划的偏差。该目标函数如下：
min F日内＝||Pt||
其中，
Figure SA00001845809736765
Figure SA00001845809736787
为日内阶段t时段中，ADN中i节点燃气轮机出力与日前计划值的偏差，
Figure SA00001845809736935
为该时段主网购电量与日前计划的偏差
Figure SA00001845809736973
为t时段中IL资源的中断量，有关系如下：
Figure BSA0000184580970000056
其中，J为参与IL的总用户数，
Figure BSA0000184580970000057
为t时段中用户j的中断量，
Figure BSA0000184580970000058
表示用户j的调用状态，被调用时为1，否则为0。日内滚动优化阶段的约束如下：
a)ADN功率平衡约束
Figure BSA0000184580970000059
b)ADN内燃气轮机约束
Figure BSA00001845809700000510
c)ADN向主网购电约束
Figure BSA00001845809700000511
d)IL约束
对于第j个参与激励型需求响应的用户在t时段有以下约束：
Figure BSA00001845809700000512
其中，Pmax.j、Pmin.j分别表示一次响应出力的下限和上限，
Figure BSA00001845809700000513
表示单次响应时间，Dmax.j、Dmin.j表示单次响应时间的下限和上限，N为响应次数的上限，Dj为响应总时间的上限。
(3)反馈
为了避免每次优化的误差被多次累加，每次优化后该时刻新能源出力与负荷的测量值都反馈回用于预测的相应时间序列，对先前的预测值进行修正。即：
Preal.t＝Pmea.t
其中，
Figure BSA0000184580970000061
Pmea.t则为t时段中ADN负荷、风光出力和ADN与微网交互功率测量值向量。
模型预测控制在每一次进行优化后，都在测量值的基础上对预测值进行修正，再进行下一次优化，避免误差的累加增长。
具体的，步骤3中，由于日前阶段有4个子目标需要考虑，且各个子目标的范围相差较大，可使用隶属度函数对子目标进行归一化处理。隶属度函数越大，函数值越小，结果越优。隶属度函数如下：
Figure BSA0000184580970000062
其中，μi为第i个目标函数的隶属度函数，Fi为第i个目标函数值，Fi.max为该目标函数单独优化时的最大值，Fi.min则为单独优化时的最小值。归一化处理后，日前阶段的目标函数可转化为以下形式：
minμ日前＝w1μ1+w2μ2+w3μ3+w4μ4
蝙蝠算法(BA)是一种搜索全局最优解的方法，模仿了蝙蝠寻找猎物的过程。每个蝙蝠在每个时刻有速度
Figure BSA0000184580970000063
和位置
Figure BSA0000184580970000064
通过改变自身的频率fi、响度
Figure BSA0000184580970000065
和脉冲发射率
Figure BSA0000184580970000066
去寻找最优解，其准确性和有效性十分突出。
该算法的迭代公式和更新公式如下：
Figure BSA0000184580970000067
其中fmax、fmin为脉冲频率的上下限；β为[0，1]上均匀分布的随机变量；x*为当前最优蝙蝠位置；
Figure BSA0000184580970000068
是蝙蝠i在t时刻的速度；
Figure BSA0000184580970000069
是蝙蝠i在t时刻的位置。
响度和脉冲发射率的更新公式如下：
Figure BSA00001845809700000610
其中，a为脉冲衰减系数；
Figure BSA00001845809700000611
为最大脉冲响度；λ为频率增强系数。
本发明的有益效果是：
(1)考虑到不同种类需求响应的作用机制，按照其不同的响应速度将其分别配置在不同的时间尺度，提高了需求响应资源的利用率，有利于平抑新能源出力不确定性带来的的波动性，并降低运行成本。
(2)在日前阶段考虑电价型需求响应对负荷的引导作用，建立多目标函数，满足了电力系统复杂、多元的需求，既保证了较低的运行成本也保证了用户的利益；在日内阶段，考虑激励型需求响应的响应速度，针对分布式能源的不确定性，运用模型预测控制在短时尺度上对各单元出力滚动优化，及时纠正日前调度的偏差。
(3)模型预测控制的闭环优化和反馈校正环节，不仅保证了优化结果的时效性，还提高预测模型的预测精度，减少扰动产生的误差。
(4)隶属度函数将不同量级的子目标函数进行归一化处理后再进行求和处理，避免了直接将其相加造成较小量级的目标函数失去对最优解的影响力。
附图说明
图1为本发明整体流程
图2为IL的补偿单价示意图，cIL表示IL的补偿单价，PIL表示某用户的中断量；PILl是第l档的最大中断量；cILl是第l档中断容量的补偿单价。
图3为主动配电网多时间尺度调度框架
图4为蝙蝠算法流程
具体实施方式
为说明本发明的目的、技术方案和优点，下面对本发明作进一步说明：
一种考虑需求响应时间效应的主动配电网滚动优化调度方法，包括以下步骤：
步骤1、建立不同类型需求响应的数学模型；针对电价型需求响应，引入电价弹性系数描述各时段用电量对价格的灵敏度，参考相关文献中的历史数据，得到电价弹性系数的具体数值；针对激励型需求响应，电力公司与用户签订协议，提前约定用户的基本负荷量和削减负荷量的计算方法、激励费率的确定方法以及违约的惩罚措施等内容，引导柔性负荷参与电网调度运行。
步骤2、在日前阶段，以ADN运行成本、负荷峰谷差、ADN内平均电价以及微网运行成本的加权值最小为目标函数，各单元出力上下限和爬坡上下限为约束，求得日前阶段的电价和日前计划出力等；在日内阶段，在日前调度确定了24小时电价的基础上，以对负荷和新能源出力的超短期预测为基础，以各可控出力单元与日前调度计划的变化绝对值最小为目标函数，对超短期内的下一时刻各发电单元的出力进行优化。
步骤3、针对日前阶段的多目标函数，用隶属度函数将其转化为单目标函数，并利用蝙蝠算法求解；日内阶段滚动优化调度则利用在MATLAB中由yamilp建模后调用CPLEX求解器进行求解。
步骤1中，
Figure BSA0000184580970000071
式中：m(x，y)表示y时段的电价变化百分比与x时段的负荷电量变化百分比的比值，当x＝y时，m(x，y)表示自弹性系数，当x≠y时，m(x，y)表示交叉弹性系数；Ex、ΔEx分别为x时段原电量和参与ToU后的电量变化；cy、Δcy分别为y时段原电价和参与ToU后的电价变化。一般，自弹性系数为负值，而交叉弹性系数为正值或零。
一天被分为T个时段，响应后各时段负荷电量可由下式求得：
Figure BSA0000184580970000072
式中：ETOU表示实行电价响应后的各时段用电量列向量；E0是电价响应前各时段用电量列向量；E0.t表示t时段的初始负荷量，t＝1，2，...，T；M是电量电价弹性矩阵，它的表达式如下：
M＝[m(x，y)]T×T (3)
式中x，y＝1，2，...，T。
在激励型需求响应项目中，电力公司通过与用户签订协议，提前约定用户的基本负荷量和削减负荷量的计算方法、激励费率的确定方法以及违约的惩罚措施等内容，引导柔性负荷参与电网调度运行。基于这种合同约定的模式，需求响应机制包括直接负荷控制(direct load control，DLC)、可中断负荷(Interruptible load，IL)和紧急需求响应(emergency demand response，EDR)。
基于我国电力市场现状，现行主要的激励型需求响应为IL，其执行方法是合同制。为了鼓励用户积极参与DR，增大中断容量，本文设定在同一类可中断合同中对用户的补偿单价根据用户可中断容量分档，可中断容量越大，补偿单价越高。
由上可知，在t时段，当用户j的中断量共有l档时，该用户补偿总价如下：
Figure BSA0000184580970000081
其中，ΔPIL.j.i为用户j在第i档的中断量；当ADN共有J个IL用户时，在t时段的IL资源补偿总价为：
Figure BSA0000184580970000082
其中，J为参与IL的总用户数，
Figure BSA0000184580970000083
表用户j的调用状态，被调用时为1，否则为0。
步骤2中，日前模型的参数包括ADN内风电、光伏出力和负荷的日前预测结果，以及微网内风光出力和负荷的日前预测结果；本模型的决策变量包括：ADN内的燃气轮机出力、每小时电价、微网内蓄电池充放电量、燃气轮机出力、微网与ADN交换功率；以ADN运行成本、负荷峰谷差、ADN内平均电价以及微网运行成本的加权值最小为目标函数。目标函数如下：
min F日前＝w1CADN+w2Cprice+w3Cload+w4CMG (6)
式中：F日前表示各目标函数加权值，CADN、Cprice、Cload、CMG分别为ADN的运行成本、平均电价、24小时内ADN负荷的峰谷差和微网的运行成本，w1、w2、w3、w4分别是以上四项的加权权重。
(1)ADN的运行成本
ADN的运行成本包括风电和光伏的发电成本、燃气轮机的发电成本、主网购电成本、微网购电成本的和与ADN向微网售电收入的差。表达式如下：
Figure BSA0000184580970000084
其中，ΩWT、Ωpv和Ωmt表示ADN中风电、光伏和燃气轮机节点的集合：cWT.i、cpv.i和cmt.i表示在i节点处风电机组、光伏和燃气轮机的单位电量发电成本，
Figure BSA0000184580970000085
和
Figure BSA0000184580970000086
表示i节点处风电机组、光伏机组和燃气轮机在t时段的出力。
Figure BSA0000184580970000087
表示该时段的ADN主网向购电电价，
Figure BSA0000184580970000088
表示在该时段主网向ADN输电功率。
Figure BSA0000184580970000089
表示该时段ADN的售电电价，
Figure BSA00001845809700000810
表示该时段ADN对微网的输电功率。
Figure BSA00001845809700000811
表示微网在该时段的售电电价，
Figure BSA00001845809700000812
表示该时段微网向ADN的输电功率，Δt表示每个时段的时长。
(2)用户平均电价
从用户的经济利益角度考虑，实施电价型需求响应后，用户不应负担过高的电价。因此24小时内的平均电价应当尽量低。平均电价表达式如下：
Figure BSA00001845809700000813
Figure BSA00001845809700000814
表示t时段实施需求响应后的ADN总负荷。
(3)负荷峰谷差
引入电价型需求响应的重要目的就是削峰填谷，缓解用电高峰带来的供电压力，减少用电低谷时的供电能力浪费。负荷峰谷差的表达式如下：
Figure BSA00001845809700000815
式中，t＝1，2，...，24。
(4)微网运行成本
微电网是一个可以孤网运行的有源配电单元，并不完全服从ADN的统一调度。其运行成本如下：
Figure BSA0000184580970000091
其中，ΩWT-v、Ωpv-v和Ωmt-v表示微网中风电、光伏和燃气轮机节点的集合；cWT-v.i、cpv-v.i、cmt-v.i和cess.i表示微网中i节点处风电机组、光伏机组、燃气轮机和储能系统的单位电量成本，
Figure BSA0000184580970000092
和
Figure BSA0000184580970000093
表示微网中i节点处风力发电、光伏机组和燃气轮机在t时段的出力。
Figure BSA0000184580970000094
表示储能电池在t时段内的输出(包含充放电)。
(5)约束条件
a)ADN和微网功率平衡约束
Figure BSA0000184580970000095
Figure BSA0000184580970000096
Figure BSA0000184580970000097
表示t时段内微网的总负荷；
Figure BSA0000184580970000098
和
Figure BSA0000184580970000099
表示i节点处储能电池的充电或放电的工作状态，启用时为1，否则为0，
Figure BSA00001845809700000910
表示i节点处储能系统在t时段内的充、放电功率。.
b)ADN中i节点处各单元出力约束
Figure BSA00001845809700000911
其中，PWT.i.max、PWT.i.min为风电机组的上下限，Ppv.i.max、Ppv.i.min为光伏机组的上下限，Pmt.i.max、Pmt.i.min为燃气轮机的上下限。
c)ADN向主网购电约束
Figure BSA00001845809700000912
其中，Pbuy.max、Pbuy.min为从主网购电功率的上下限。
d)微网与ADN的功率交换约束
Figure BSA00001845809700000913
Pbuy-v.max、Pbuy-v.min为微网从ADN购电的上下限，Psale.max、Psale.min为微网对ADN售电上下限。
e)微网中i节点各单元的出力约束
Figure BSA00001845809700000914
其中，PWT-v.i.max、PWT-v.i.min为微网中风电出力的上下限，Ppv-v.i.max、Ppv-v.i.min为光伏机组的上下限，Pmt-v.i.max、Pmt-v.i.min为燃气轮机的出力上下限。
f)储能系统约束
Figure BSA0000184580970000101
其中，Pre.i.max、Pch.i.max为i节点处储能系统的最大放电、充电功率，
Figure BSA0000184580970000102
表示储能装置在t时段的荷电量，Ei.max、Ei.min表示荷电量的上下限。
g)燃气轮机爬坡约束
Figure BSA0000184580970000103
其中，γi.up和γi.down表示ADN中i节点燃气轮机出力爬坡速率的上限；γv.k.up和γv.k.down表示微网中k节点燃气轮机出力爬坡速率的上限。
步骤2中，在日前调度确定了24小时电价的基础上，以对负荷和新能源出力的超短期预测为基础，以各可控出力单元与日前调度计划的变化绝对值最小为目标函数，对超短期内的下一时刻各发电单元的出力进行优化。该过程主要利用了模型预测控制的滚动优化和反馈的闭环优化的优势。具体步骤如下：
(1)预测
自回归模型(Autoregressive model，简称AR模型)是统计学上处理时间序列的方法，该模型认为通过时间序列中过去时点的线性组合加上白噪声即可预测当前时点。按照AR模型，每个时点的预测值如下：
yt＝a1yt-1+a2yt-2+...+apyt-p+ut (19)
其中，yt-1，yt-2，...，yt-p是预测时点的前p个时点，yt是需要预测的时点，a1，a2，...，ap是p个预测参数；ut为白噪声，满足一定分布的随机误差。
在日内滚动调度模型中，ADN负荷、ADN内风电和光伏出力和ADN与微网交互功率(ADN向微网售电则为正，反之则为负)的预测模型如下：
Figure BSA0000184580970000104
其中a1...ap、b1...bp、c1...cp和d1...dp分别为ADN负荷、ADN内风电和光伏出力和与微网交互功率的预测参数；
Figure SA00001845809737187
则分别为ADN负荷、ADN内风电和光伏出力和同微网交互功率的前p个时段的实际值，uL.0、uWT.0、upv.0和uMGex.0则为各个预测量的随机扰动值。Ut的对角线各元素即为t时段的预测值
Figure BSA0000184580970000106
和
Figure BSA0000184580970000107
(2)优化
滚动优化的进行建立在系统的预测值上。优化的过程就是根据预测值找出当前预测时段的最优解，且在下一时段中重新进行优化，避免每次误差在接下来的优化中被累积和放大。
日内调度阶段主要考虑在满足约束的前提下，尽量减少各单元日内出力与日前计划的偏差。该目标函数如下：
min F日内＝||Pt|| (21)
其中，
Figure SA00001845809736886
Figure SA00001845809736842
为日内阶段t时段中，ADN中i节点燃气轮机出力与日前计划值的偏差，
Figure SA00001845809736908
为该时段主网购电量与日前计划的偏差
Figure SA00001845809736968
为t时段中IL资源的中断量，有关系如下：
Figure BSA0000184580970000111
其中，J为参与IL的总用户数，
Figure BSA0000184580970000112
为t时段中用户j的中断量，
Figure BSA0000184580970000113
表示用户j的调用状态，被调用时为1，否则为0。日内滚动优化阶段的约束如下：
a)ADN功率平衡约束
Figure BSA0000184580970000114
b)ADN内燃气轮机约束
Figure BSA0000184580970000115
c)ADN向主网购电约束
Figure BSA0000184580970000116
d)IL约束
对于第j个参与激励型需求响应的用户在t时段有以下约束：
Figure BSA0000184580970000117
其中，Pmax.j、Pmin.j分别表示一次响应出力的下限和上限，
Figure BSA0000184580970000118
表示单次响应时间，Dmax.j、Dmin.j表示单次响应时间的下限和上限，N为响应次数的上限，Dj为响应总时间的上限。
(3)反馈
为了避免每次优化的误差被多次累加，每次优化后该时刻新能源出力与负荷的测量值都反馈回用于预测的相应时间序列，对先前的预测值进行修正。即：
Preal.t＝Pmea.t (27)
其中，
Figure BSA0000184580970000119
Pmea.t则为t时段中ADN负荷、风光出力和ADN与微网交互功率测量值向量。
模型预测控制在每一次进行优化后，都在测量值的基础上对预测值进行修正，再进行下一次优化，避免误差的累加增长。
步骤3中，由于日前阶段有4个子目标需要考虑，且各个子目标的范围相差较大，可使用隶属度函数对子目标进行归一化处理。隶属度函数越大，函数值越小，结果越优。隶属度函数如下：
Figure BSA00001845809700001110
其中，μi为第i个目标函数的隶属度函数，Fi为第i个目标函数值，Fi.max为该目标函数单独优化时的最大值，Fi.min则为单独优化时的最小值。归一化处理后，式(6)，即日前阶段的目标函数可转化为以下形式：
minμ日前＝w1μ1+w2μ2+w3μ3+w4μ4 (29)
蝙蝠算法(BA)是一种搜索全局最优解的方法，模仿了蝙蝠寻找猎物的过程。每个蝙蝠在每个时刻有速度
Figure BSA00001845809700001111
和位置
Figure BSA00001845809700001112
通过改变自身的频率fi、响度
Figure BSA00001845809700001113
和脉冲发射率
Figure BSA00001845809700001114
去寻找最优解，其准确性和有效性十分突出。
该算法的迭代公式和更新公式如下：
Figure BSA0000184580970000121
其中fmax、fmin为脉冲频率的上下限；β为[0，1]上均匀分布的随机变量；x*为当前最优蝙蝠位置；
Figure BSA0000184580970000122
是蝙蝠i在t时刻的速度；
Figure BSA0000184580970000123
是蝙蝠i在t时刻的位置。
响度和脉冲发射率的更新公式如下：
Figure BSA0000184580970000124
其中，a为脉冲衰减系数；
Figure BSA0000184580970000125
为最大脉冲响度；λ为频率增强系数。
本发明提出了，考虑需求响应时间效应的主动配电网滚动优化调度方法，在日前阶段考虑电价型需求响应对负荷的引导作用，以负荷峰谷差、ADN经济效益等作为目标函数，用蝙蝠算法求解ADN中各出力单元的日前出力和分时电价；在日内阶段，考虑激励型需求响应的响应速度，针对分布式能源的不确定性，调用IL资源，运用模型预测控制在短时尺度上对各单元出力滚动优化，及时纠正日前调度的偏差。该模型降低了运行成本，降低新能源出力不确定性造成的系统危险因素。
但本发明不限于以上实施方式，在本领域的技术人员专业知识范围内，可以在不脱离发明宗旨的前提下做出各种变化。

Claims (5)

1.一种考虑需求响应时间效应的主动配电网滚动优化调度方法，其特征在于，包括以下步骤：
步骤1、建立不同类型需求响应的数学模型；针对电价型需求响应，引入电价弹性系数描述各时段用电量对价格的灵敏度，参考相关文献中的历史数据，得到电价弹性系数的具体数值；针对激励型需求响应，电力公司与用户签订协议，提前约定用户的基本负荷量和削减负荷量的计算方法、激励费率的确定方法以及违约的惩罚措施等内容，引导柔性负荷参与电网调度运行；
步骤2、在日前阶段，以ADN运行成本、负荷峰谷差、ADN内平均电价以及微网运行成本的加权值最小为目标函数，各单元出力上下限和爬坡上下限为约束，求得日前阶段的电价和日前计划出力等；在日内阶段，在日前调度确定了24小时电价的基础上，以对负荷和新能源出力的超短期预测为基础，以各可控出力单元与日前调度计划的变化绝对值最小为目标函数，对超短期内的下一时刻各发电单元的出力进行优化；
步骤3、针对日前阶段的多目标函数，用隶属度函数将其转化为单目标函数，并利用蝙蝠算法求解；日内阶段滚动优化调度则利用在MATLAB中由yamilp建模后调用CPLEX求解器进行求解。
2.如权利要求1所述考虑需求响应时间效应的主动配电网滚动优化调度方法，其特征在于，步骤1中电价弹性系数见下：
Figure FSA0000184580960000011
式中：m(x，y)表示y时段的电价变化百分比与x时段的负荷电量变化百分比的比值，当x＝y时，m(x，y)表示自弹性系数，当x≠y时，m(x，y)表示交叉弹性系数；Ex、ΔEx分别为x时段原电量和参与ToU后的电量变化；cy、Δcy分别为y时段原电价和参与ToU后的电价变化；一般，自弹性系数为负值，而交叉弹性系数为正值或零；
一天被分为T个时段，响应后各时段负荷电量可由下式求得：
Figure FSA0000184580960000012
式中：ETOU表示实行电价响应后的各时段用电量列向量；E0是电价响应前各时段用电量列向量；E0.t表示t时段的初始负荷量，t＝1，2，...，T；M是电量电价弹性矩阵，它的表达式如下：
M＝[m(x，y)]T×T
式中x，y＝1，2，...，T；
在激励型需求响应项目中，电力公司通过与用户签订协议，提前约定用户的基本负荷量和削减负荷量的计算方法、激励费率的确定方法以及违约的惩罚措施等内容，引导柔性负荷参与电网调度运行；基于这种合同约定的模式，需求响应机制包括直接负荷控制(direct load control，DLC)、可中断负荷(Interruptible load，IL)和紧急需求响应(emergency demand response，EDR)；
基于我国电力市场现状，现行主要的激励型需求响应为IL，其执行方法是合同制；为了鼓励用户积极参与DR，增大中断容量，本文设定在同一类可中断合同中对用户的补偿单价根据用户可中断容量分档，可中断容量越大，补偿单价越高；
由上可知，在t时段，当用户j的中断量共有l档时，该用户补偿总价如下：
Figure FSA0000184580960000013
其中，ΔPIL.j.i为用户j在第i档的中断量；当ADN共有J个IL用户时，在t时段的IL资源补偿总价为：
Figure FSA0000184580960000014
其中，J为参与IL的总用户数，
Figure FSA0000184580960000021
表用户j的调用状态，被调用时为1，否则为0。
3.如权利要求1所述考虑需求响应时间效应的主动配电网滚动优化调度方法，其特征在于，步骤2中，日前模型的参数包括ADN内风电、光伏出力和负荷的日前预测结果，以及微网内风光出力和负荷的日前预测结果；本模型的决策变量包括：ADN内的燃气轮机出力、每小时电价、微网内蓄电池充放电量、燃气轮机出力、微网与ADN交换功率；以ADN运行成本、负荷峰谷差、ADN内平均电价以及微网运行成本的加权值最小为目标函数；目标函数如下：
min F日前＝w1CADN+w2Cprice+w3Cload+w4CMG
式中：F日前表示各目标函数加权值，CADN、Cprice、Cload、CMG分别为ADN的运行成本、平均电价、24小时内ADN负荷的峰谷差和微网的运行成本，w1、w2、w3、w4分别是以上四项的加权权重；
(1)ADN的运行成本
ADN的运行成本包括风电和光伏的发电成本、燃气轮机的发电成本、主网购电成本、微网购电成本的和与ADN向微网售电收入的差；表达式如下：
Figure FSA0000184580960000022
其中，ΩwT、Ωpv和Ωmt表示ADN中风电、光伏和燃气轮机节点的集合；cWT.i、cpv.i和cmt.i表示在i节点处风电机组、光伏和燃气轮机的单位电量发电成本，
Figure FSA0000184580960000023
和
Figure FSA0000184580960000024
表示i节点处风电机组、光伏机组和燃气轮机在t时段的出力；
Figure FSA0000184580960000025
表示该时段的ADN主网向购电电价，
Figure FSA0000184580960000026
表示在该时段主网向ADN输电功率；
Figure FSA0000184580960000027
表示该时段ADN的售电电价，
Figure FSA0000184580960000028
表示该时段ADN对微网的输电功率；
Figure FSA0000184580960000029
表示微网在该时段的售电电价，
Figure FSA00001845809600000210
表示该时段微网向ADN的输电功率，Δt表示每个时段的时长；
(2)用户平均电价
从用户的经济利益角度考虑，实施电价型需求响应后，用户不应负担过高的电价；因此24小时内的平均电价应当尽量低；平均电价表达式如下：
Figure FSA00001845809600000211
Figure FSA00001845809600000212
表示t时段实施需求响应后的ADN总负荷；
(3)负荷峰谷差
引入电价型需求响应的重要目的就是削峰填谷，缓解用电高峰带来的供电压力，减少用电低谷时的供电能力浪费；负荷峰谷差的表达式如下：
Figure FSA00001845809600000213
式中，t＝1，2，...，24；
(4)微网运行成本
微电网是一个可以孤网运行的有源配电单元，并不完全服从ADN的统一调度；其运行成本如下：
Figure FSA00001845809600000214
其中，ΩWT-v、Ωpv-v和Ωmt-v表示微网中风电、光伏和燃气轮机节点的集合；cWT-v.i、cpv-v.i、cmt-v.i和cess.i表示微网中i节点处风电机组、光伏机组、燃气轮机和储能系统的单位电量成本，
Figure FSA00001845809600000215
和
Figure FSA00001845809600000216
表示微网中i节点处风力发电、光伏机组和燃气轮机在t时段的出力；
Figure FSA00001845809600000217
表示储能电池在t时段内的输出(包含充放电)；
(5)约束条件
a)ADN和微网功率平衡约束
Figure FSA0000184580960000031
Figure FSA0000184580960000032
Figure FSA0000184580960000033
表示t时段内微网的总负荷；
Figure FSA0000184580960000034
和
Figure FSA0000184580960000035
表示i节点处储能电池的充电或放电的工作状态，启用时为1，否则为0，
Figure FSA0000184580960000036
表示i节点处储能系统在t时段内的充、放电功率；
b)ADN中i节点处各单元出力约束
Figure FSA0000184580960000037
其中，PWT.i.max、PWT.i.min为风电机组的上下限，Ppv.i.max、Ppv.i.min为光伏机组的上下限，Pmt.i.max、Pmt.i.min为燃气轮机的上下限；
c)ADN向主网购电约束
Figure FSA0000184580960000038
其中，Pbuy.max、Pbuy.min为从主网购电功率的上下限；
d)微网与ADN的功率交换约束
Figure FSA0000184580960000039
Pbuy-v.max、Pbuy-v.min为微网从ADN购电的上下限，Psale.max、Psale.min为微网对ADN售电上下限；
e)微网中i节点各单元的出力约束
Figure FSA00001845809600000310
其中，PWT-v.i.max、PWT-v.i.min为微网中风电出力的上下限，Ppv-v.i.max、Ppv-v.i.min为光伏机组的上下限，Pmt-v.i.max、Pmt-v.i.min为燃气轮机的出力上下限；
f)储能系统约束
Figure FSA00001845809600000311
其中，Pre.i.max、Pch.i.max为i节点处储能系统的最大放电、充电功率，
Figure FSA00001845809600000312
表示储能装置在t时段的荷电量，Ei.max、Ei.min表示荷电量的上下限；
g)燃气轮机爬坡约束
Figure FSA00001845809600000313
其中，γi.up和γi.down表示ADN中i节点燃气轮机出力爬坡速率的上限；γv.k.up和γv.k.down表示微网中k节点燃气轮机出力爬坡速率的上限。
4.如权利要求1所述考虑需求响应时间效应的主动配电网滚动优化调度方法，其特征在于，步骤2中，在日前调度确定了24小时电价的基础上，以对负荷和新能源出力的超短期预测为基础，以各可控出力单元与日前调度计划的变化绝对值最小为目标函数，对超短期内的下一时刻各发电单元的出力进行优化；该过程主要利用了模型预测控制的滚动优化和反馈的闭环优化的优势；具体步骤如下：
(1)预测
自回归模型(Autoregressive model，简称AR模型)是统计学上处理时间序列的方法，该模型认为通过时间序列中过去时点的线性组合加上白噪声即可预测当前时点；按照AR模型，每个时点的预测值如下：
yt＝a1yt-1+a2yt-2+…+apyt-p+ut
其中，yt-1，yt-2，...，yt-p是预测时点的前p个时点，yt是需要预测的时点，a1，a2，...，ap是p个预测参数；ut为白噪声，满足一定分布的随机误差；
在日内滚动调度模型中，ADN负荷、ADN内风电和光伏出力和ADN与微网交互功率(ADN向微网售电则为正，反之则为负)的预测模型如下：
Figure FSA0000184580960000041
其中，a1...ap、b1...bp、c1...cp和d1...dp分别为ADN负荷、ADN内风电和光伏出力和与微网交互功率的预测参数；
Figure SA00001845809635874
则分别为ADN负荷、ADN内风电和光伏出力和同微网交互功率的前p个时段的实际值，uL.0、uWT.0、upv.0和uMGex.0则为各个预测量的随机扰动值；Ut的对角线各元素即为t时段的预测值
Figure FSA0000184580960000043
和
Figure FSA0000184580960000044
(2)优化
滚动优化的进行建立在系统的预测值上；优化的过程就是根据预测值找出当前预测时段的最优解，且在下一时段中重新进行优化，避免每次误差在接下来的优化中被累积和放大；
日内调度阶段主要考虑在满足约束的前提下，尽量减少各单元日内出力与日前计划的偏差；该目标函数如下：
min F日内＝||Pt||
其中，
Figure SA00001845809635969
Figure SA00001845809636066
为日内阶段t时段中，ADN中i节点燃气轮机出力与日前计划值的偏差，
Figure SA00001845809636084
为该时段主网购电量与日前计划的偏差，
Figure SA00001845809636120
为t时段中IL资源的中断量，有关系如下：
Figure FSA0000184580960000046
其中，J为参与IL的总用户数，
Figure FSA0000184580960000047
为t时段中用户j的中断量，
Figure FSA0000184580960000048
表示用户j的调用状态，被调用时为1，否则为0；日内滚动优化阶段的约束如下：
a)ADN功率平衡约束
Figure FSA0000184580960000049
b)ADN内燃气轮机约束
Figure FSA00001845809600000410
c)ADN向主网购电约束
Figure FSA0000184580960000051
d)IL约束
对于第j个参与激励型需求响应的用户在t时段有以下约束：
Figure FSA0000184580960000052
其中，Pmax.j、Pmin.j分别表示一次响应出力的下限和上限，
Figure FSA0000184580960000053
表示单次响应时间，Dmax.j、Dmin.j表示单次响应时间的下限和上限，N为响应次数的上限，Dj为响应总时间的上限；
(3)反馈
为了避免每次优化的误差被多次累加，每次优化后该时刻新能源出力与负荷的测量值都反馈回用于预测的相应时间序列，对先前的预测值进行修正；即：
Preal.t＝Pmea.t
其中，
Figure FSA0000184580960000054
Pmea.t则为t时段中ADN负荷、风光出力和ADN与微网交互功率测量值向量；
模型预测控制在每一次进行优化后，都在测量值的基础上对预测值进行修正，再进行下一次优化，避免误差的累加增长。
5.如权利要求1所述考虑需求响应时间效应的主动配电网滚动优化调度方法，其特征在于，步骤3中，由于日前阶段有4个子目标需要考虑，且各个子目标的范围相差较大，可使用隶属度函数对子目标进行归一化处理；隶属度函数越大，函数值越小，结果越优；隶属度函数如下：
Figure FSA0000184580960000055
其中，μi为第i个目标函数的隶属度函数，Fi为第i个目标函数值，Fi.max为该目标函数单独优化时的最大值，Fi.min则为单独优化时的最小值；归一化处理后，日前阶段的目标函数可转化为以下形式：
min μ日前＝w1μ1+w2μ2+w3μ3+w4μ4
蝙蝠算法(BA)是一种搜索全局最优解的方法，模仿了蝙蝠寻找猎物的过程；每个蝙蝠在每个时刻有速度
Figure FSA0000184580960000056
和位置
Figure FSA0000184580960000057
通过改变自身的频率fi、响度
Figure FSA0000184580960000058
和脉冲发射率
Figure FSA0000184580960000059
去寻找最优解，其准确性和有效性十分突出；
该算法的迭代公式和更新公式如下：
Figure FSA00001845809600000510
其中fmax、fmin为脉冲频率的上下限；β为[0，1]上均匀分布的随机变量；x*为当前最优蝙蝠位置；
Figure FSA00001845809600000511
是蝙蝠i在t时刻的速度；
Figure FSA00001845809600000512
是蝙蝠i在t时刻的位置；
响度和脉冲发射率的更新公式如下：
Figure FSA0000184580960000061
其中，α为脉冲衰减系数；
Figure FSA0000184580960000062
为最大脉冲响度；λ为频率增强系数。
CN201910523854.0A 2019-06-18 2019-06-18 一种考虑需求响应时间效应的主动配电网滚动优化调度方法 Pending CN112101607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910523854.0A CN112101607A (zh) 2019-06-18 2019-06-18 一种考虑需求响应时间效应的主动配电网滚动优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910523854.0A CN112101607A (zh) 2019-06-18 2019-06-18 一种考虑需求响应时间效应的主动配电网滚动优化调度方法

Publications (1)

Publication Number Publication Date
CN112101607A true CN112101607A (zh) 2020-12-18

Family

ID=73749173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910523854.0A Pending CN112101607A (zh) 2019-06-18 2019-06-18 一种考虑需求响应时间效应的主动配电网滚动优化调度方法

Country Status (1)

Country Link
CN (1) CN112101607A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113098073A (zh) * 2021-04-06 2021-07-09 合肥工业大学 一种考虑源荷双侧弹性空间的日前调度优化方法
CN113240178A (zh) * 2021-05-14 2021-08-10 国网上海能源互联网研究院有限公司 一种用于电热互联系统的多时间尺度优化调度方法及系统
CN114006399A (zh) * 2021-09-30 2022-02-01 华北电力大学 一种规模化5g基站参与配电网需求响应的优化调度方法
CN114021787A (zh) * 2021-10-25 2022-02-08 国网河北省电力有限公司 一种考虑需求响应的配电网两阶段风险控制方法及系统
CN114707896A (zh) * 2022-04-28 2022-07-05 河北工业大学 一种考虑混合型需求响应的分层能量管理运行策略
CN114944661A (zh) * 2022-07-13 2022-08-26 西南交通大学 一种基于储能系统滚动优化的微电网三阶段优化控制方法
CN115207911A (zh) * 2022-07-27 2022-10-18 安徽理工大学 一种基于电价激励的工业厂级及微网负荷优化调度方法
CN118232387A (zh) * 2024-05-21 2024-06-21 西安奇点能源股份有限公司 光伏储能充电站的运行控制方法、系统、设备及存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113098073A (zh) * 2021-04-06 2021-07-09 合肥工业大学 一种考虑源荷双侧弹性空间的日前调度优化方法
CN113098073B (zh) * 2021-04-06 2022-09-27 合肥工业大学 一种考虑源荷双侧弹性空间的日前调度优化方法
CN113240178A (zh) * 2021-05-14 2021-08-10 国网上海能源互联网研究院有限公司 一种用于电热互联系统的多时间尺度优化调度方法及系统
CN114006399A (zh) * 2021-09-30 2022-02-01 华北电力大学 一种规模化5g基站参与配电网需求响应的优化调度方法
CN114006399B (zh) * 2021-09-30 2024-04-09 华北电力大学 一种规模化5g基站参与配电网需求响应的优化调度方法
CN114021787A (zh) * 2021-10-25 2022-02-08 国网河北省电力有限公司 一种考虑需求响应的配电网两阶段风险控制方法及系统
CN114021787B (zh) * 2021-10-25 2024-06-14 国网河北省电力有限公司 一种考虑需求响应的配电网两阶段风险控制方法及系统
CN114707896A (zh) * 2022-04-28 2022-07-05 河北工业大学 一种考虑混合型需求响应的分层能量管理运行策略
CN114944661A (zh) * 2022-07-13 2022-08-26 西南交通大学 一种基于储能系统滚动优化的微电网三阶段优化控制方法
CN115207911A (zh) * 2022-07-27 2022-10-18 安徽理工大学 一种基于电价激励的工业厂级及微网负荷优化调度方法
CN118232387A (zh) * 2024-05-21 2024-06-21 西安奇点能源股份有限公司 光伏储能充电站的运行控制方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112101607A (zh) 一种考虑需求响应时间效应的主动配电网滚动优化调度方法
Jiang et al. Optimal economic scheduling of microgrids considering renewable energy sources based on energy hub model using demand response and improved water wave optimization algorithm
CN110188950B (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
Zhang et al. Optimal bidding strategy and profit allocation method for shared energy storage-assisted VPP in joint energy and regulation markets
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
WO2024092954A1 (zh) 基于深度强化学习的电力系统调控方法
CN109858774B (zh) 提高系统安全性和协调性的源网荷规划方法
CN107492886A (zh) 一种区域电力市场下含风电的电网月度购电方案优化方法
CN111311012A (zh) 基于多智能体的微电网电力市场双层竞价优化方法
CN112101689A (zh) 一种考虑多种类需求响应不确定性的日前日内调度方法
Peng et al. Optimized economic operation strategy for distributed energy storage with multi-profit mode
CN114301081A (zh) 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法
CN115764863A (zh) 一种基于数据驱动的多微网合作运行方法
CN116402223A (zh) 一种配电网协同调度方法、系统及设备
Tan et al. Joint scheduling optimization of virtual power plants and equitable profit distribution using shapely value theory
Zhang et al. A master-slave game optimization model for electric power companies considering virtual power plant
CN108446967A (zh) 虚拟电厂竞价方法
CN113690875B (zh) 一种微网实时互动等值模型建立方法
Luo et al. Bi-level load peak shifting and valley filling dispatch model of distribution systems with virtual power plants
Yang et al. Two-stage coordinated optimal dispatching model and benefit allocation strategy for rural new energy microgrid
Dai et al. An equilibrium model of the electricity market considering the participation of virtual power plants
CN113870029A (zh) 跨省区电力现货市场多主体出清方法、系统及计算机设备
CN117391718A (zh) 一种基于动态减排因子的绿电-ccer互认交易系统
Jiang et al. Monthly electricity purchase and decomposition optimization considering wind power accommodation and day-ahead schedule
CN111160767A (zh) 一种综合能源服务效益评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
DD01 Delivery of document by public notice

Addressee: Gu Qing

Document name: Notice of publication of application for patent for invention

DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Gu Qing

Document name: Notice before the expiration of the time limit for actual examination request

DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Gu Qing

Document name: deemed notice of withdrawal

DD01 Delivery of document by public notice
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201218

WD01 Invention patent application deemed withdrawn after publication