CN112103989B - 一种考虑多类型负荷调控能力的新能源消纳贡献量化方法 - Google Patents

Abstract

一种考虑多类型负荷调控能力的新能源消纳贡献量化方法，第一步：采集柔性负荷参与调度后的大电网的供给侧与需求侧的电气数据；第二步：得出各柔性条件优化下时序运行模拟结果；第三步：得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；第四步：根据第三步中的得到各柔性负荷对可再生能源消纳的贡献度及相对联结度结合智能离线决策库得出不同情境下最优组合策略。本发明通过对传统量化评估模型进行改善与修正，得到了一种更能有效的揭示柔性负荷调控能力对可再生能源消纳贡献的量化评估模型，该模型能够有效应对因可再生能源接入大电网后日益增加的复杂因素而导致的量化评估难度增加的挑战。

Description

一种考虑多类型负荷调控能力的新能源消纳贡献量化方法

技术领域

本发明涉及电力系统中可再生能源消纳技术领域，是一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法。

背景技术

随着人类社会对可持续发展观念的不断认识与深入以及对能源安全、生态环境等问题的日益重视，减少化石能源消耗，促进可再生能源的开发和利用已得到世界上所有国家的普遍认可。目前，全球可再生能源开发利用规模不断扩大，应用成本快速下降，发展可再生能源已成为许多国家推进能源转型的核心内容和应对气候变化的重要途径，也是我国推进能源生产和消费革命、推动能源转型的重要措施。

近年来，我国可再生能源装机容量一直保持着快速增长的态势。国家能源局统计数据显示，截至2018年底，我国光伏新增装机容量3654万千瓦，累计7942万千瓦；2019年1-6月，全国新增风电装机容量909万千瓦，其中海上风电40万千瓦，累计并网装机容量达到1.93亿千瓦。2019年1-6月，全国风电发电量2145亿千瓦时，同比增长11.5％；全国平均风电利用小时数1133小时，同比下降10小时。与此同时也出现了较为严重的弃风弃光问题，据调查，风电弃风电量235亿千瓦时，直接经济损失为118亿元。我国弃风弃光问题在世界范围内仍然十分突出，有关可再生能源消纳的问题亟待解决。

通过研究发现，影响可再生能源消纳的因素包括政策层面上和技术层面上和的因素。在政策层面上，主要影响因素包括风电上网电价、相关补贴政策等；在技术层面上，主要影响因素包括系统的调峰能力、调频能力、备用水平、负荷特性、电网的输电容量等。但大部分研究着重于供给侧各种因素对可再生能源消纳的制约与影响。实践研究表明，电网具有不确定性及黑箱性，即电网内部复杂多变，影响因素繁多，只研究供给侧的影响因素未免过于片面。

目前，柔性负荷占总负荷比例越来越重，对柔性负荷的研究成为热点。研究发现柔性负荷接入区域电网参与功率调度在改善可再生能源消纳方面存在着巨大潜力，使得业界将研究重点一度从供给侧转移到需求侧，包括电动汽车、空调、储能等一系列柔性负荷参与功率调度以促进可再生能源消纳的研究层出不穷。相对的，大量关于评估柔性负荷促进可再生能源消纳能力的文献也随之出现，但目前的研究主要集中于定性评估柔性负荷促进消纳的贡献，评估结果并不准确且不够直观。如何量化评估柔性负荷对可再生能源消纳贡献的文献较少，并且大多只应用供给侧的线性指标进行评估，面对复杂多变的大电网，这样的评估指标并不能有效的揭示柔性负荷参与调度优化对可再生能源消纳的贡献。

发明内容

发明目的：

本发明提供了一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法。其目的是解决以往所存在的问题。

技术方案：

一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：

该方法步骤如下

第一步：采集柔性负荷参与调度后的大电网的供给侧与需求侧的电气数据；

第二步：将第一步中采集的数据代入至不同时序运行柔性条件下的可再生能源消纳系统优化模型，得出各柔性条件优化下时序运行模拟结果；

第三步：将第二步中的各柔性条件优化下时序运行模拟结果导入到均方根误差(RMSE)消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；

第四步：根据第三步中的得到各柔性负荷对可再生能源消纳的贡献度及相对联结度结合智能离线决策库得出不同情境下最优组合策略。

第一步中所述的电气数据为电气运行参数、电能产出量和电能需求量电气数据

所述智能离线决策库构建方法如下：

一、搭建均方根误差消纳贡献度量化评估模型和不同时序运行柔性条件下的可再生能源消纳系统优化模型；

二、根据不同时序运行柔性条件下的可再生能源消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，结合原始数据进行时序运行模拟，得出各柔性条件优化下时序运行模拟结果；

三、将各柔性条件优化下时序运行模拟结果导入到均方根误差消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；

四、根据得到各柔性负荷对可再生能源消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。

不同时序运行柔性条件下的可再生能源消纳系统优化模型的搭建方法为：

供给侧建模：

(1)热电联产机组

根据热电联产机组运行原理，将纯凝工况下的电功率P_ZS,i,t表示为：

P_ZS,i,t＝P_CHP,i,t+C_V,iH_CHP,i,t

式中：P_CHP,i,t为抽汽式机组i在t时刻的发电功率；H_CHP,i,t为抽汽式机组i在t时刻的供热功率；C_V,i为抽汽式机组i的热电比；

(2)风电机组：

风电机组的运行功率P_m表示为：

式中：C_p为风能利用系数；λ＝ωR/V_w定义为风轮的叶尖速比；ρ为空气密度；R为风轮半径；V_W为平均风速；ω为风轮角速度；β为桨距角；e为自然常数；k_opt为风轮最佳转速时的比例常数；λ_opt为风轮的最佳叶尖速比；

转化侧建模：

电锅炉的出力模型如下：

H_EB,t＝P_EB,tη_ah

式中：P_EB,t、H_EB,t分别表示时刻t时电锅炉的用电和制热功率；η_ah表示电锅炉的电热转换效率；

输出存储侧建模：

(1)电池储能模型

①荷电量与荷电状态

q＝q₁+q₂

式中：q表示电池总电荷量；q₁表示可用电荷量；q₂表示弹性电荷量；

每次充放电后电池电荷量变化为：

式中：q₁₀、q₂₀分别表示初始时刻的可用电荷量和弹性电荷量；e为自然常数；Δt为充放电步长；q₀表示初始时刻蓄电池的总电荷量(q₀＝q₁₀+q₂₀)；c表示可用电荷量q₁和总电荷量q的比值；k为比率常量；I表示蓄电池的充电电流或放电电流；

SOC＝q/q_max

式中：SOC表示荷电状态；q_max表示电池的最大荷电量；

电池的最大充/放电电流表示为^[56]：

式中：I_{ldc_cmax}、I_{ldc_fmax}分别表示电池的最大充/放电电流；

(2)蓄热罐模型：

假定在某一时间段内，蓄热罐的蓄热功率和放热功率保持不变，则其蓄放热前后蓄热罐的能量关系为：

式中：W₀、W₁分别代表蓄热或放热前后蓄热罐中所存储的能量；Q_c、Q_f分别代表蓄热罐存储或释放的能量；η_c、η_f分别代表蓄/放热的效率；

蓄热或放热前后蓄热罐的储能水平表示为：

式中：S表示蓄热罐的储能水平；W表示蓄热罐的当前储热量；W_R表示蓄热罐的额定储热量。

均方根误差(RMSE)消纳贡献度量化评估模型为：

对于柔性条件为单柔性负荷X，其RMSE可再生能源消纳贡献度Δε_x为：

式中，n为记点数，由全天候日负荷记录步长决定；Q_k为优化前时序运行模拟k记点的弃风功率；Q_k′为优化后时序运行模拟k记点的弃风功率；P_k为优化前时序运行模拟k记点的需求侧功率；P′P_k′为优化后时序运行模拟k记点的需求侧功率；

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy为：

传统的联结度模型没有考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题，因此可能导致不同因素间联结度比对困难；对传统的联结度模型进行改进，定义相对联结度模型λ_xy：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]

式子中，

为相对系数，Δε_x和Δε_y分别为柔性条件为单柔性负荷X和Y时的RMSE可再生能源消纳贡献度；

基于相对联结度模型对不同因素间相关作用进行表示能够有效缩小数量级差异带来的比对困难问题，根据λ_xy的值判断多种柔性负荷之间存在的相互作用。

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy的大小取决于4个分量：

根据定义，则λ_xy也表示为：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]＝γ(Δε_xy-Δε_x+y)

基于双柔性负荷X、Y参与调度的RMSE可再生能源消纳贡献度模型和相对联结度模型定义的RMSE可再生能源消纳贡献度的4个分量揭示了RMSE可再生能源消纳贡献度模型和相对联结度模型的内部构成，通过评估这4个分量，能够理清不同柔性负荷之间的相互作用，可以根据实际情况对不同柔性负荷参与调度进行逻辑分析。

多种柔性负荷之间存在的相互作用判断标准如下：

以往对于可再生能源消纳的不同柔性负荷调控能力之间存在的联系定性分析居多，且众说纷纭，没有建立一个直观的定量标准进行评估；基于相对联结度模型的多种柔性负荷之间相互作用的判断标准，结合相对联结度模型对不同柔性负荷调控能力之间存在的联系进行量化分析，结果更加直观，更具说服力。

智能离线决策库：

	优化目标1	优化目标2	…	优化目标n
					柔性条件1	Δε11	Δε12	…	Δε1n
柔性条件2	Δε21	Δε22	…	Δε2n
					…	…	…	…	…
柔性条件m	Δεm1	Δεm2	…	Δεmn

Δε_kl为在柔性条件k以优化目标l优化下模拟计算出的可再生能源消纳贡献度；

其中柔性条件k是单负荷、多负荷；；

优化目标l是单目标、多目标；；

基于RMSE消纳贡献度量化评估模型建立的智能离线决策库进一步直观的展示了柔性负荷在不同柔性条件和不同优化目标下参与调度对可再生能源消纳的贡献；智能离线决策库能够根据实际情况灵活改变，具有较高的操作自由度；实践中可比较不同情景下的可再生能源消纳贡献度来确定最优调度组合，提供了明确而又直观的参考标准。

根据不同时序运行柔性条件下的可再生能源消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，如下：

目标函数：

构建联合系统的优化调度模型；

式中：P_Wyc,t为t时刻风电预测出力；P_Wsj,t为t时刻风电实际出力；

约束条件：

(1)各供电机组运行约束：

供电机组运行约束包括：火电机组约束、热电联产机组约束和风电机组约束；

P_H,i,min≤P_H,i,t≤P_H,i,max

P_CHP,i,min≤P_CHP,i,t≤P_CHP,i,max

P_W,i,min≤P_W,i,t≤P_W,i,max

式中：P_H,i,t为火电机组i在t时刻的发电功率；P_CHP,i,t为热电联产机组i在t时刻的发电功率；P_W,i,t为风电机组i在t时刻的发电功率；P_H,i,max、P_H,i,min分别为火电机组i的最大、最小发电功率；P_CHP,i,max、P_CHP,i,min分别为热电联产机组i的最大、最小发电功率；P_W,i,max、P_W,i,min分别为风电机组i的最大、最小发电功率；

(2)能量平衡约束:

式中：P_dgl,t为t时刻电锅炉的运行功率；P_ldc,t为t时刻锂电池的放电功率；H_CHP,i,t为t时刻热电联产机组的产热量；H_dgl,t为t时刻电锅炉的产热量；H_{xr_f,t}为t时刻蓄热罐的放热量；P_LD,t和H_LD,t为t时刻的电负荷和热负荷；N为火电机组数量；R为热电联产机组数量；M为风电机组数量；

(3)锂电池储能系统约束:

蓄电池只能进行电能的充/放转换，它的电来自于电网，自身并不能产电，因此为满足这一特性需规定：

E_ldc,T＝E_ldc,0

式中：E_ldc,T和E_ldc,0分别为锂电池的终止容量和初始容量；

同时，蓄电池一经选择确定后，其运行功率和容量也就确定了，其限制范围如下：

0≤E_ldc,t≤E_ldc,nom

式中：E_ldc,t为t时刻蓄电池的容量；E_ldc,nom为蓄电池的额定容量；P_{ldc_c,t}和P_{ldc_f,t}分别为蓄电池在t时刻的充/放电功率；P_{ldc_cmax}和P_{ldc_fmax}分别为蓄电池的最大充/放电功率；

在同一时刻，蓄电池不能同时进行充电和放电，只能二者选其一进行运行，有：

P_{ldc_c,t}P_{ldc_f,t}＝0

(4)热储能系统运行约束

电锅炉运行约束为：

0≤P_dgl,t≤P_dgl,nom

式中：P_dgl,nom为电锅炉的额定运行功率；

蓄热装置运行约束为：

式中：S_xr,T和S_xr,0分别为蓄热装置的终止容量和初始容量；S_xr,t为t时刻蓄热装置的容量；S_xr,t-1为t-1时刻蓄热装置的容量；S_xr,nom为蓄热装置的额定容量；P_{xr_c,t}为蓄热罐在t时刻的蓄热功率；P_{xr_f,t}为蓄热罐在t时刻的放热功率；η_{xr_c,t}为蓄热罐的蓄热效率；η_{xr_f,t}为蓄热罐的放热效率；P_{xr_c,max}和P_{xr_f,max}分别为蓄热罐的最大储/放热功率；

结合原始数据，设定记录步长，进行时序运行模拟。

优点效果：

该方法对传统的量化评估模型进行了改善升级，提取柔性负荷参与调度后的大电网的供给侧与需求侧的数据建立均方根误差(RMSE)消纳贡献度量化评估模型，同时考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题，为便于比较，对传统联结度模型进行了改善，建立了相对联结度模型。该量化评估模型考虑了大电网的黑箱性，将电网黑箱内部复杂的参数看作随柔性条件变化的因变量，转化成简单的二端口网络，通过RMSE理论建立量化评估模型包括了电网中非线性因素带来的复杂影响。其目的在于改善简单的供给侧线性指标不能有效的揭示柔性负荷调控能力对可再生能源消纳贡献的现状。

该方法是一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法。首先，搭建RMSE消纳贡献度量化评估模型和不同时序运行柔性条件下的可再生能源消纳系统优化模型；其次，确定各柔性条件优化下消纳系统的最优目标函数和约束条件，结合原始数据进行时序运行模拟；再次，将时序运行模拟结果导入到RMSE消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；最后，根据得到各柔性负荷对可再生能源消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。

该方法步骤如下：

第一步：搭建RMSE消纳贡献度量化评估模型和不同时序运行柔性条件下的可再生能源消纳系统优化模型；

第二步：根据消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，结合原始数据进行时序运行模拟；

第三步：将各柔性条件优化下时序运行模拟结果导入到RMSE消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；

第四步：根据得到各柔性负荷对可再生能源消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。

第一步中，搭建的消纳贡献度量化评估模型为：

对于柔性条件为单负荷X，定义供给侧可再生能源消纳贡献度ΔQ为：

ΔQ＝Q-Q′

式中，Q为优化前的弃风功率；Q′为优化后的弃风功率。

定义需求侧可再生能源消纳贡献度ΔP为：

式中，P为优化前的需求侧功率；P′为优化后的需求侧功率。

为反映电网中非线性因素带来的影响，应用RMSE理论对供给侧和需求侧的贡献度模型进行优化得到供给侧RMSE可再生能源消纳贡献度模型：

式中，n为记点数，由全天候日负荷记录步长决定；Q_k为优化前时序运行模拟k记点的弃风功率；Q_k′为优化后时序运行模拟k记点的弃风功率。

需求侧RMSE可再生能源消纳贡献度量化评估模型：

式中，P_k为优化前时序运行模拟k记点的需求侧功率；P_k′为优化后时序运行模拟k记点的需求侧功率。

整合供给侧和需求侧RMSE可再生能源消纳贡献度量化评估模型得到RMSE可再生能源消纳贡献度Δε_x，

Δε_x值越大，该柔性负荷参与可再生能源消纳贡献越好。

同理，对于柔性条件为双负荷X、Y，其可再生能源消纳贡献度Δε_xy为：

多种柔性负荷之间存在联结作用，这种作用可能是正向联结的，也可能是反向排斥的，从而使得柔性条件为双负荷的总贡献度与两个单负荷的贡献度之和并不相等。这里给出传统的联结度模型：

λ_xy＝Δε_xy-(Δε_x+Δε_y)

传统的联结度模型没有考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题，因此可能导致不同因素间联结度比对困难。对传统的联结度模型进行改进，定义相对联结度模型λ_xy：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]

式子中，

为相对系数。

基于相对联结度模型对不同因素间相关作用进行表示能够有效缩小数量级差异带来的比对困难问题，根据λ_xy的值可以判断多种柔性负荷之间存在的相互作用。

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy的大小取决于4个分量：

根据定义，则λ_xy也可表示为：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]＝γ(Δε_xy-Δε_x+y)

基于双柔性负荷X、Y参与调度的RMSE可再生能源消纳贡献度模型和相对联结度模型定义的RMSE可再生能源消纳贡献度的4个分量揭示了RMSE可再生能源消纳贡献度模型和相对联结度模型的内部构成，通过评估这4个分量，能够理清不同柔性负荷之间的相互作用，可以根据实际情况对不同柔性负荷参与调度进行逻辑分析。

多种柔性负荷之间存在的相互作用判断标准如下：

λxy	相互作用种类
		λxy＞0	联结作用
λxy＜0	排斥作用
		λxy＝0	无相互作用

以往对于可再生能源消纳的不同柔性负荷调控能力之间存在的联系定性分析居多，且众说纷纭，没有建立一个直观的定量标准进行评估。基于相对联结度模型的多种柔性负荷之间相互作用的判断标准，结合相对联结度模型对不同柔性负荷调控能力之间存在的联系进行量化分析，结果更加直观，更具说服力。

第一步中，搭建不同时序运行柔性条件下的可再生能源消纳系统优化模型方法如下：

以某场景下储热-储电联合控制为柔性条件优化建模为例，实际应根据具体情况具体分析。

供给侧建模：

(1)热电联产机组

热电联产机组是典型的电热耦合单元，它既与电力网有电的联系，又与热力网有热的联系。不同类型的热电机组按其工作原理，电热特性曲线各不相同。本文采用典型的抽汽式热电联产机组。根据其运行原理，可将纯凝工况下的电功率P_ZS,i,t表示为：

P_ZS,i,t＝P_CHP,i,t+C_V,iH_CHP,i,t

式中：P_CHP,i,t为抽汽式机组i在t时刻的发电功率；H_CHP,i,t为抽汽式机组i在t时刻的供热功率；C_V为抽汽式机组的热电比。

(2)风电机组

风电机组是通过风轮利用自然界存在的风能来实现空气动能到机械能再到电能的转化。风电机组的运行功率P_m可以表示为：

/>

式中：C_p为风能利用系数；λ＝ωR/V_w定义为风轮的叶尖速比；ρ为空气密度；R为风轮半径；V_W为平均风速；ω为风轮角速度；β为桨距角；e为自然常数；k_opt为风轮最佳转速时的比例常数；λ_opt为风轮的最佳叶尖速比；

转化侧建模

在本例所给的联合系统中，转化元件只有电锅炉，通过电锅炉系统实现了电-热之间的能量转化。电锅炉的出力模型如下：

H_EB,t＝P_EB,tη_ah

式中：P_EB,t、H_EB,t分别表示时刻t时电锅炉的用电和制热功率；η_ah表示电锅炉的电热转换效率。

输出存储侧建模

(1)电池储能模型

①荷电量与荷电状态

q＝q₁+q₂

式中：q表示电池总电荷量；q₁表示可用电荷量；q₂表示弹性电荷量。

每次充放电后电池电荷量变化为：

式中：q₁₀、q₂₀分别表示初始时刻的可用电荷量和弹性电荷量；e为自然常数；q₀表示初始时刻蓄电池的总电荷量(q₀＝q₁₀+q₂₀)；c表示可用电荷量q₁和总电荷量q的比值；k为比率常量；I表示蓄电池的充电电流或放电电流。

SOC＝q/q_max

式中：SOC表示荷电状态；q_max表示电池的最大荷电量。

电池的最大充/放电电流表示为^[56]：

式中：I_{ldc_cmax}、I_{ldc_fmax}分别表示电池的最大充/放电电流。

(2)蓄热罐模型

假定在某一时间段内，蓄热罐的蓄热功率和放热功率保持不变，则其蓄放热前后蓄热罐的能量关系为：

式中：W₀、W₁分别代表蓄热或放热前后蓄热罐中所存储的能量；Q_c、Q_f分别代表蓄热罐存储或释放的能量；η_c、η_f分别代表蓄/放热的效率。

蓄热或放热前后蓄热罐的储能水平可表示为：

式中：S表示蓄热罐的储能水平；W表示蓄热罐的当前储热量；W_R表示蓄热罐的额定储热量。

第二步，根据消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件。

以某场景下储热-储电联合控制为例，实际应具体情况具体分析。

目标函数

本例以弃风功率最小为目标函数构建了联合系统的优化调度模型。

式中：P_Wyc,t为t时刻风电预测出力；P_Wsj,t为t时刻风电实际出力。

约束条件

(1)各供电机组运行约束

供电机组运行约束包括：火电机组约束、热电联产机组约束和风电机组约束。

P_H,i,min≤P_H,i,t≤P_H,i,max

P_CHP,i,min≤P_CHP,i,t≤P_CHP,i,max

P_W,i,min≤P_W,i,t≤P_W,i,max

式中：P_H,i,t为火电机组i在t时刻的发电功率；P_CHP,i,t为热电联产机组i在t时刻的发电功率；P_W,i,t为风电机组i在t时刻的发电功率；P_H,i,max、P_H,i,min分别为火电机组i的最大、最小发电功率；P_CHP,i,max、P_CHP,i,min分别为热电联产机组i的最大、最小发电功率；P_W,i,max、P_W,i,min分别为风电机组i的最大、最小发电功率。

(2)能量平衡约束

式中：P_dgl,t为t时刻电锅炉的运行功率；P_ldc,t为t时刻锂电池的放电功率；H_CHP,i,t为t时刻热电联产机组的产热量；H_dgl,t为t时刻电锅炉的产热量；H_{xr_f,t}为t时刻蓄热罐的放热量；P_LD,t和H_LD,t为t时刻的电负荷和热负荷；N为火电机组数量；R为热电联产机组数量；M为风电机组数量。

(3)锂电池储能系统约束

蓄电池只能进行电能的充/放转换，它的电来自于电网，自身并不能产电，因此为满足这一特性需规定：

E_ldc,T＝E_ldc,0

式中：E_ldc,T和E_ldc,0分别为锂电池的终止容量和初始容量。

同时，蓄电池一经选择确定后，其运行功率和容量也就确定了，其限制范围如下：

0≤E_ldc,t≤E_ldc,nom

式中：E_ldc,t为t时刻蓄电池的容量；E_ldc,nom为蓄电池的额定容量；P_{ldc_c,t}和P_{ldc_f,t}分别为蓄电池在t时刻的充/放电功率；P_{ldc_cmax}和P_{ldc_fmax}分别为蓄电池的最大充/放电功率。

在同一时刻，蓄电池不能同时进行充电和放电，只能二者选其一进行运行，因此有：

P_{ldc_c,t}P_{ldc_f,t}＝0

(4)热储能系统运行约束

电锅炉运行约束为：

0≤P_dgl,t≤P_dgl,nom

式中：P_dgl,nom为电锅炉的额定运行功率。

蓄热装置运行约束为：

式中：S_xr,T和S_xr,0分别为蓄热装置的终止容量和初始容量；S_xr,t为t时刻蓄热装置的容量；S_xr,t-1为t-1时刻蓄热装置的容量；S_xr,nom为蓄热装置的额定容量；P_{xr_c,t}为蓄热罐在t时刻的蓄热功率；P_{xr_f,t}为蓄热罐在t时刻的放热功率；η_{xr_c,t}为蓄热罐的蓄热效率；η_{xr_f,t}为蓄热罐的放热效率；P_{xr_c,max}和P_{xr_f,max}分别为蓄热罐的最大储/放热功率。

结合原始数据，设定记录步长，进行时序运行模拟。

第三步，将各柔性条件优化下时序运行模拟结果导入到RMSE消纳贡献度量化评估模型中，得到各柔性负荷对弃风消纳的贡献度及相对联结度。

第四步，根据得到各柔性负荷对弃风消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。智能离线决策库的建立方法为：

Δε_kl为在柔性条件k以优化目标l优化下模拟计算出的可再生能源消纳贡献度。

其中柔性条件k可以是单负荷、多负荷。例如，储热、储电、X、Y、Z、X+Y、Y+Z、X+Z、X+Y+Z等。种类包含以上而不限于。

优化目标l可以是单目标、多目标。例如，弃风功率最小、经济性最优、minF、maxR等。种类包含以上而不限于。

基于RMSE消纳贡献度量化评估模型建立的智能离线决策库进一步直观的展示了柔性负荷在不同柔性条件和不同优化目标下参与调度对可再生能源消纳的贡献。智能离线决策库能够根据实际情况灵活改变，具有较高的操作自由度。实践中可比较不同情景下的可再生能源消纳贡献度来确定最优调度组合，提供了明确而又直观的参考标准。

具体点的优点效果描述如下：

(1)、考虑了大电网的黑箱性。传统的量化评估模型仅使用供给侧数据进行量化评估，电网内部复杂多变，影响因素繁多，柔性条件的改变能够引起电网内部众多的连锁反应，导致需求侧与供给侧的数据变化并不是简单的线性关系，故仅使用供给侧数据进行量化评估并不能有效的揭示柔性负荷参与调度优化对可再生能源消纳的贡献。本发明将电网黑箱内部复杂的参数看作随柔性条件变化的因变量，转化成简单的二端口网络，提取柔性负荷参与调度后的大电网的供给侧与需求侧的数据建立量化评估模型，能够更加准确的量化柔性负荷参与调度优化对可再生能源消纳的贡献。

(2)、通过RMSE理论修正量化评估模型。传统的量化评估模型仅应用简单的线性指标进行量化评估，由于影响弃风的因素种类繁多，是线性因素与非线性因素的复杂组合关系，故柔性条件的变化对可再生能源消纳的影响因素同样复杂，仅应用简单的线性指标进行量化评估不能保证量化结果的准确性。本发明通过RMSE理论修正量化评估模型，不仅考虑了非线性因素分量的影响，更进一步细化为计算调度周期内各记录点的贡献度并进行均方根运算，代替传统的整体线性运算，使得量化结果与实际情况更加拟合。

(3)、考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题。传统的联结度模型没有考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题，因此可能导致不同因素间联结度对比困难。本发明通过对传统联结度模型进行改进，建立了相对联结度模型，该模型能够消除不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异，使得对比结果更加直观。

(4)、建立智能离线决策库，更加直观的比较不同情景下的可再生能源消纳贡献度来确定最优组合策略，用于指导实践。

综上所述，本发明通过对传统量化评估模型进行改善与修正，得到了一种更能有效的揭示柔性负荷调控能力对可再生能源消纳贡献的量化评估模型，该模型能够有效应对因可再生能源接入大电网后日益增加的复杂因素而导致的量化评估难度增加的挑战。

附图说明

图1为RMSE可再生能源消纳量化评估方法总体流程图

图2为储热-储电联合消纳并联关系逻辑图

图3为储热-储电联合消纳串联关系逻辑图

图4为储热-储电联合消纳混联关系逻辑图

具体实施方式

一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，

该方法步骤如下

第一步：采集柔性负荷参与调度后的大电网的供给侧与需求侧的电气数据；

第二步：将第一步中采集的数据代入至不同时序运行柔性条件下的可再生能源消纳系统优化模型，得出各柔性条件优化下时序运行模拟结果；

第三步：将第二步中的各柔性条件优化下时序运行模拟结果导入到均方根误差(RMSE)消纳贡献度量化评估模型中(根据不同时序运行柔性条件下的可再生能源消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，得出各柔性条件优化下时序运行模拟结果；将各柔性条件优化下时序运行模拟结果导入到均方根误差(RMSE)消纳贡献度量化评估模型中)，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；

第四步：根据第三步中的得到各柔性负荷对可再生能源消纳的贡献度及相对联结度结合智能离线决策库得出不同情境下最优组合策略。

第一步中所述的电气数据为电气运行参数、电能产出量和电能需求量等电气数据

所述智能离线决策库构建方法如下：

一、搭建均方根误差(RMSE)消纳贡献度量化评估模型和不同时序运行柔性条件下的可再生能源消纳系统优化模型；

二、根据不同时序运行柔性条件下的可再生能源消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，结合原始数据进行时序运行模拟，得出各柔性条件优化下时序运行模拟结果；

三、将各柔性条件优化下时序运行模拟结果导入到均方根误差(RMSE)消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；

四、根据得到各柔性负荷对可再生能源消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。

不同时序运行柔性条件下的可再生能源消纳系统优化模型的搭建方法为：

供给侧建模：

(1)热电联产机组

根据热电联产机组运行原理，将纯凝工况下的电功率P_ZS,i,t表示为：

P_ZS,i,t＝P_CHP,i,t+C_V,iH_CHP,i,t

式中：P_CHP,i,t为抽汽式机组i在t时刻的发电功率；H_CHP,i,t为抽汽式机组i在t时刻的供热功率；C_V,i为抽汽式机组i的热电比；

(2)风电机组：

风电机组的运行功率P_m表示为：

式中：C_p为风能利用系数；λ＝ωR/V_w定义为风轮的叶尖速比；ρ为空气密度；R为风轮半径；V_W为平均风速；ω为风轮角速度；β为桨距角；e为自然常数；k_opt为风轮最佳转速时的比例常数；λ_opt为风轮的最佳叶尖速比；

转化侧建模：

电锅炉的出力模型如下：

H_EB,t＝P_EB,tη_ah

式中：P_EB,t、H_EB,t分别表示时刻t时电锅炉的用电和制热功率；η_ah表示电锅炉的电热转换效率；

输出存储侧建模：

(1)电池储能模型

①荷电量与荷电状态

q＝q₁+q₂

式中：q表示电池总电荷量；q₁表示可用电荷量；q₂表示弹性电荷量；

每次充放电后电池电荷量变化为：

式中：q₁₀、q₂₀分别表示初始时刻的可用电荷量和弹性电荷量；e为自然常数；Δt为充放电步长；q₀表示初始时刻蓄电池的总电荷量(q₀＝q₁₀+q₂₀)；c表示可用电荷量q₁和总电荷量q的比值；k为比率常量；I表示蓄电池的充电电流或放电电流；

SOC＝q/q_max

式中：SOC表示荷电状态；q_max表示电池的最大荷电量；

电池的最大充/放电电流表示为^[56]：

式中：I_{ldc_cmax}、I_{ldc_fmax}分别表示电池的最大充/放电电流；

(2)蓄热罐模型：

假定在某一时间段内，蓄热罐的蓄热功率和放热功率保持不变，则其蓄放热前后蓄热罐的能量关系为：

式中：W₀、W₁分别代表蓄热或放热前后蓄热罐中所存储的能量；Q_c、Q_f分别代表蓄热罐存储或释放的能量；η_c、η_f分别代表蓄/放热的效率；

蓄热或放热前后蓄热罐的储能水平表示为：

式中：S表示蓄热罐的储能水平；W表示蓄热罐的当前储热量；W_R表示蓄热罐的额定储热量。

均方根误差(RMSE)消纳贡献度量化评估模型为：

对于柔性条件为单柔性负荷X，其RMSE可再生能源消纳贡献度Δε_x为：

式中，n为记点数，由全天候日负荷记录步长决定；Q_k为优化前时序运行模拟k记点的弃风功率；Q_k′为优化后时序运行模拟k记点的弃风功率；P_k为优化前时序运行模拟k记点的需求侧功率；P′P_k′为优化后时序运行模拟k记点的需求侧功率；

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy为：

传统的联结度模型没有考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题，因此可能导致不同因素间联结度比对困难；对传统的联结度模型进行改进，定义相对联结度模型λ_xy：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]

式子中，

为相对系数，Δε_x和Δε_y分别为柔性条件为单柔性负荷X和Y时的RMSE可再生能源消纳贡献度；

基于相对联结度模型对不同因素间相关作用进行表示能够有效缩小数量级差异带来的比对困难问题，根据λ_xy的值判断多种柔性负荷之间存在的相互作用。

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy的大小取决于4个分量：

根据定义，则λ_xy也表示为：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]＝γ(Δε_xy-Δε_x+y)

基于双柔性负荷X、Y参与调度的RMSE可再生能源消纳贡献度模型和相对联结度模型定义的RMSE可再生能源消纳贡献度的4个分量揭示了RMSE可再生能源消纳贡献度模型和相对联结度模型的内部构成，通过评估这4个分量，能够理清不同柔性负荷之间的相互作用，可以根据实际情况对不同柔性负荷参与调度进行逻辑分析。

多种柔性负荷之间存在的相互作用判断标准如下：

λxy	相互作用种类
		λxy＞0	联结作用
λxy＜0	排斥作用
		λxy＝0	无相互作用

以往对于可再生能源消纳的不同柔性负荷调控能力之间存在的联系定性分析居多，且众说纷纭，没有建立一个直观的定量标准进行评估；基于相对联结度模型的多种柔性负荷之间相互作用的判断标准，结合相对联结度模型对不同柔性负荷调控能力之间存在的联系进行量化分析，结果更加直观，更具说服力。

智能离线决策库：

	优化目标1	优化目标2	…	优化目标n
					柔性条件1	Δε11	Δε12	…	Δε1n
柔性条件2	Δε21	Δε22	…	Δε2n
					…	…	…	…	…
柔性条件m	Δεm1	Δεm2	…	Δεmn

Δε_kl为在柔性条件k以优化目标l优化下模拟计算出的可再生能源消纳贡献度；

其中柔性条件k是单负荷、多负荷；；

优化目标l是单目标、多目标；；

基于RMSE消纳贡献度量化评估模型建立的智能离线决策库进一步直观的展示了柔性负荷在不同柔性条件和不同优化目标下参与调度对可再生能源消纳的贡献；智能离线决策库能够根据实际情况灵活改变，具有较高的操作自由度；实践中可比较不同情景下的可再生能源消纳贡献度来确定最优调度组合，提供了明确而又直观的参考标准。

根据不同时序运行柔性条件下的可再生能源消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，如下：

目标函数：

构建联合系统的优化调度模型；

式中：P_Wyc,t为t时刻风电预测出力；P_Wsj,t为t时刻风电实际出力；

约束条件：

(1)各供电机组运行约束：

供电机组运行约束包括：火电机组约束、热电联产机组约束和风电机组约束；

P_H,i,min≤P_H,i,t≤P_H,i,max

P_CHP,i,min≤P_CHP,i,t≤P_CHP,i,max

P_W,i,min≤P_W,i,t≤P_W,i,max

式中：P_H,i,t为火电机组i在t时刻的发电功率；P_CHP,i,t为热电联产机组i在t时刻的发电功率；P_W,i,t为风电机组i在t时刻的发电功率；P_H,i,max、P_H,i,min分别为火电机组i的最大、最小发电功率；P_CHP,i,max、P_CHP,i,min分别为热电联产机组i的最大、最小发电功率；P_W,i,max、P_W,i,min分别为风电机组i的最大、最小发电功率；

(2)能量平衡约束:

式中：P_dgl,t为t时刻电锅炉的运行功率；P_ldc,t为t时刻锂电池的放电功率；H_CHP,i,t为t时刻热电联产机组的产热量；H_dgl,t为t时刻电锅炉的产热量；H_{xr_f,t}为t时刻蓄热罐的放热量；P_LD,t和H_LD,t为t时刻的电负荷和热负荷；N为火电机组数量；R为热电联产机组数量；M为风电机组数量；

(3)锂电池储能系统约束:

蓄电池只能进行电能的充/放转换，它的电来自于电网，自身并不能产电，因此为满足这一特性需规定：

E_ldc,T＝E_ldc,0

式中：E_ldc,T和E_ldc,0分别为锂电池的终止容量和初始容量；

同时，蓄电池一经选择确定后，其运行功率和容量也就确定了，其限制范围如下：

0≤E_ldc,t≤E_ldc,nom

式中：E_ldc,t为t时刻蓄电池的容量；E_ldc,nom为蓄电池的额定容量；P_{ldc_c,t}和P_{ldc_f,t}分别为蓄电池在t时刻的充/放电功率；P_{ldc_cmax}和P_{ldc_fmax}分别为蓄电池的最大充/放电功率；

在同一时刻，蓄电池不能同时进行充电和放电，只能二者选其一进行运行，有：

P_{ldc_c,t}P_{ldc_f,t}＝0

(4)热储能系统运行约束

电锅炉运行约束为：

0≤P_dgl,t≤P_dgl,nom

式中：P_dgl,nom为电锅炉的额定运行功率；

蓄热装置运行约束为：

式中：S_xr,T和S_xr,0分别为蓄热装置的终止容量和初始容量；S_xr,t为t时刻蓄热装置的容量；S_xr,t-1为t-1时刻蓄热装置的容量；S_xr,nom为蓄热装置的额定容量；P_{xr_c,t}为蓄热罐在t时刻的蓄热功率；P_{xr_f,t}为蓄热罐在t时刻的放热功率；η_{xr_c,t}为蓄热罐的蓄热效率；η_{xr_f,t}为蓄热罐的放热效率；P_{xr_c,max}和P_{xr_f,max}分别为蓄热罐的最大储/放热功率；

结合原始数据，设定记录步长，进行时序运行模拟。

本发明提供了一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法。该方法对传统的量化评估模型进行了改善升级，提取柔性负荷参与调度后的大电网的供给侧与需求侧的数据建立均方根误差(RMSE)消纳贡献度量化评估模型，同时考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题，为便于比较，对传统联结度模型进行了改善，建立了相对联结度模型。该量化评估模型考虑了大电网的黑箱性，将电网黑箱内部复杂的参数看作随柔性条件变化的因变量，转化成简单的二端口网络，通过RMSE理论建立量化评估模型包括了电网中非线性因素带来的复杂影响。本发明改善了简单的供给侧线性指标不能有效的揭示柔性负荷调控能力对可再生能源消纳贡献的现状。

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好的理解本发明。

为实现上述发明目的，本发明一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于，包括以下步骤：

附图1为RMSE可再生能源消纳量化评估方法总体流程图

首先搭建RMSE消纳贡献度量化评估模型和不同时序运行柔性条件下的可再生能源消纳系统优化模型；然后根据消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，结合原始数据进行时序运行模拟；之后将各柔性条件优化下时序运行模拟结果导入到RMSE消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；最后根据得到各柔性负荷对可再生能源消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。

具体实施方案如下：

首先搭建消纳贡献度量化评估模型：

对于柔性条件为单负荷X，定义供给侧可再生能源消纳贡献度ΔQ为：

ΔQ＝Q-Q′

式中，Q为优化前的弃风功率；Q′为优化后的弃风功率。

定义需求侧可再生能源消纳贡献度ΔP为：

式中，P为优化前的需求侧功率；P′为优化后的需求侧功率。

为反映电网中非线性因素带来的影响，应用RMSE理论对供给侧和需求侧的贡献度模型进行优化得到供给侧RMSE可再生能源消纳贡献度模型：

式中，n为记点数，由全天候日负荷记录步长决定；Q_k为优化前时序运行模拟k记点的弃风功率；Q_k′为优化后时序运行模拟k记点的弃风功率。

需求侧RMSE可再生能源消纳贡献度量化评估模型：

式中，P_k为优化前时序运行模拟k记点的需求侧功率；P_k′为优化后时序运行模拟k记点的需求侧功率。

整合供给侧和需求侧RMSE可再生能源消纳贡献度量化评估模型得到RMSE可再生能源消纳贡献度Δε_x，

/>

Δε_x值越大，该柔性负荷参与可再生能源消纳贡献越好。

同理，对于柔性条件为双负荷X、Y，其可再生能源消纳贡献度Δε_xy为：

传统的联结度模型没有考虑不同柔性条件下柔性负荷参与消纳的贡献度的数量级差异问题，因此可能导致不同因素间联结度比对困难。对传统的联结度模型进行改进，定义相对联结度模型λ_xy：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]

式子中，

为相对系数。

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy的大小取决于4个分量：

根据定义，则λ_xy也可表示为：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]＝γ(Δε_xy-Δε_x+y)

基于双柔性负荷X、Y参与调度的RMSE可再生能源消纳贡献度模型和相对联结度模型定义的RMSE可再生能源消纳贡献度的4个分量揭示了RMSE可再生能源消纳贡献度模型和相对联结度模型的内部构成，通过评估这4个分量，能够理清不同柔性负荷之间的相互作用，可以根据实际情况对不同柔性负荷参与调度进行逻辑分析。

以某场景下储热-储电联合控制为柔性条件调度场景为例，实际应根据具体情况具体分析。

(1)某时刻弃风功率小

储电、储热负荷对于风电消纳贡献的逻辑图如附图2所示。

在弃风功率小的情况下，储电和储热的弃风消纳能力都足够，故其中一种柔性负荷参与调度即可消纳弃风，两者逻辑关系为并联关系。

(2)某时刻弃风功率大

储电、储热负荷对于风电消纳贡献的逻辑图如附图3所示。

在弃风功率大的情况下，仅储电或储热的弃风消纳能力不足以消纳弃风，故需要两者联合消纳才可消纳弃风，两者逻辑关系为串联关系。

(3)全天各时刻弃风功率综合考虑

储电、储热负荷对于风电消纳贡献的逻辑图如附图4所示。

由于全天各时刻弃风功率大小不一，两者逻辑关系不再是简单的串并联关系，而是多条支路的混联关系。

基于相对联结度模型对不同因素间相关作用进行表示能够有效缩小数量级差异带来的比对困难问题，根据λ_xy的值可以判断多种柔性负荷之间存在的相互作用。

多种柔性负荷之间存在的相互作用判断标准如下：

然后搭建不同时序运行柔性条件下的可再生能源消纳系统优化模型，方法如下：

以某场景下储热-储电联合控制为柔性条件优化建模为例，实际应根据具体情况具体分析。

供给侧建模：

(1)热电联产机组

热电联产机组是典型的电热耦合单元，它既与电力网有电的联系，又与热力网有热的联系。不同类型的热电机组按其工作原理，电热特性曲线各不相同。本文采用典型的抽汽式热电联产机组。根据其运行原理，可将纯凝工况下的电功率P_ZS,i,t表示为：

P_ZS,i,t＝P_CHP,i,t+C_V,iH_CHP,i,t

式中：P_CHP,i,t为抽汽式机组i在t时刻的发电功率；H_CHP,i,t为抽汽式机组i在t时刻的供热功率；C_V为抽汽式机组的热电比。

(2)风电机组

风电机组是通过风轮利用自然界存在的风能来实现空气动能到机械能再到电能的转化。风电机组的运行功率P_m可以表示为：

/>

式中：C_p为风能利用系数；λ＝ωR/V_w定义为风轮的叶尖速比；ρ为空气密度；R为风轮半径；V_W为平均风速；ω为风轮角速度；β为桨距角；e为自然常数；k_opt为风轮最佳转速时的比例常数；λ_opt为风轮的最佳叶尖速比；

转化侧建模

在本例所给的联合系统中，转化元件只有电锅炉，通过电锅炉系统实现了电-热之间的能量转化。电锅炉的出力模型如下：

H_EB,t＝P_EB,tη_ah

式中：P_EB,t、H_EB,t分别表示时刻t时电锅炉的用电和制热功率；η_ah表示电锅炉的电热转换效率。

输出存储侧建模

(1)电池储能模型

①荷电量与荷电状态

q＝q₁+q₂

式中：q表示电池总电荷量；q₁表示可用电荷量；q₂表示弹性电荷量。

每次充放电后电池电荷量变化为：

式中：q₁₀、q₂₀分别表示初始时刻的可用电荷量和弹性电荷量；e为自然常数；q₀表示初始时刻蓄电池的总电荷量(q₀＝q₁₀+q₂₀)；c表示可用电荷量q₁和总电荷量q的比值；k为比率常量；I表示蓄电池的充电电流或放电电流。

SOC＝q/q_max

式中：SOC表示荷电状态；q_max表示电池的最大荷电量。

电池的最大充/放电电流表示为^[56]：

式中：I_{ldc_cmax}、I_{ldc_fmax}分别表示电池的最大充/放电电流。

(2)蓄热罐模型

假定在某一时间段内，蓄热罐的蓄热功率和放热功率保持不变，则其蓄放热前后蓄热罐的能量关系为：

式中：W₀、W₁分别代表蓄热或放热前后蓄热罐中所存储的能量；Q_c、Q_f分别代表蓄热罐存储或释放的能量；η_c、η_f分别代表蓄/放热的效率。

蓄热或放热前后蓄热罐的储能水平可表示为：

式中：S表示蓄热罐的储能水平；W表示蓄热罐的当前储热量；W_R表示蓄热罐的额定储热量。

然后，根据消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件。

以某场景下储热-储电联合控制为例，实际应具体情况具体分析。

目标函数

本例以弃风功率最小为目标函数构建了联合系统的优化调度模型。

式中：P_Wyc,t为t时刻风电预测出力；P_Wsj,t为t时刻风电实际出力。

约束条件

(1)各供电机组运行约束

供电机组运行约束包括：火电机组约束、热电联产机组约束和风电机组约束。

P_H,i,min≤P_H,i,t≤P_H,i,max

P_CHP,i,min≤P_CHP,i,t≤P_CHP,i,max

P_W,i,min≤P_W,i,t≤P_W,i,max

式中：P_H,i,t为火电机组i在t时刻的发电功率；P_CHP,i,t为热电联产机组i在t时刻的发电功率；P_W,i,t为风电机组i在t时刻的发电功率；P_H,i,max、P_H,i,min分别为火电机组i的最大、最小发电功率；P_CHP,i,max、P_CHP,i,min分别为热电联产机组i的最大、最小发电功率；P_W,i,max、P_W,i,min分别为风电机组i的最大、最小发电功率。

(2)能量平衡约束

式中：P_dgl,t为t时刻电锅炉的运行功率；P_ldc,t为t时刻锂电池的放电功率；H_CHP,i,t为t时刻热电联产机组的产热量；H_dgl,t为t时刻电锅炉的产热量；H_{xr_f,t}为t时刻蓄热罐的放热量；P_LD,t和H_LD,t为t时刻的电负荷和热负荷；N为火电机组数量；R为热电联产机组数量；M为风电机组数量。

(3)锂电池储能系统约束

蓄电池只能进行电能的充/放转换，它的电来自于电网，自身并不能产电，因此为满足这一特性需规定：

E_ldc,T＝E_ldc,0

式中：E_ldc,T和E_ldc,0分别为锂电池的终止容量和初始容量。

同时，蓄电池一经选择确定后，其运行功率和容量也就确定了，其限制范围如下：

0≤E_ldc,t≤E_ldc,nom

式中：E_ldc,t为t时刻蓄电池的容量；E_ldc,nom为蓄电池的额定容量；P_{ldc_c,t}和P_{ldc_f,t}分别为蓄电池在t时刻的充/放电功率；P_{ldc_cmax}和P_{ldc_fmax}分别为蓄电池的最大充/放电功率。

在同一时刻，蓄电池不能同时进行充电和放电，只能二者选其一进行运行，因此有：

P_{ldc_c,t}P_{ldc_f,t}＝0

(4)热储能系统运行约束

电锅炉运行约束为：

0≤P_dgl,t≤P_dgl,nom

式中：P_dgl,nom为电锅炉的额定运行功率。

蓄热装置运行约束为：

式中：S_xr,T和S_xr,0分别为蓄热装置的终止容量和初始容量；S_xr,t为t时刻蓄热装置的容量；S_xr,t-1为t-1时刻蓄热装置的容量；S_xr,nom为蓄热装置的额定容量；P_{xr_c,t}为蓄热罐在t时刻的蓄热功率；P_{xr_f,t}为蓄热罐在t时刻的放热功率；η_{xr_c,t}为蓄热罐的蓄热效率；η_{xr_f,t}为蓄热罐的放热效率；P_{xr_c,max}和P_{xr_f,max}分别为蓄热罐的最大储/放热功率。

结合原始数据，设定记录步长，进行时序运行模拟。

将各柔性条件优化下时序运行模拟结果导入到RMSE消纳贡献度量化评估模型中，得到各柔性负荷对弃风消纳的贡献度及相对联结度。

根据得到各柔性负荷对弃风消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。智能离线决策库的建立方法为：

	优化目标1	优化目标2	…	优化目标n
					柔性条件1	Δε11	Δε12	…	Δε1n
柔性条件2	Δε21	Δε22	…	Δε2n
					…	…	…	…	…
柔性条件m	Δεm1	Δεm2	…	Δεmn

Δε_kl为在柔性条件k以优化目标l优化下模拟计算出的可再生能源消纳贡献度。

其中柔性条件k可以是单负荷、多负荷。例如，储热、储电、X、Y、Z、X+Y、Y+Z、X+Z、X+Y+Z等。种类包含以上而不限于。

优化目标l可以是单目标、多目标。例如，弃风功率最小、经济性最优、minF、maxR等。种类包含以上而不限于。

通过建立智能离线决策库，比较不同情景下的可再生能源消纳贡献度来确定最优组合策略，用于指导实践。

以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (7)

1.一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：

该方法步骤如下：

第一步：采集柔性负荷参与调度后的大电网的供给侧与需求侧的电气数据；

第二步：将第一步中采集的数据代入至不同时序运行柔性条件下的可再生能源消纳系统优化模型，得出各柔性条件优化下时序运行模拟结果；

第三步：将第二步中的各柔性条件优化下时序运行模拟结果导入到均方根误差消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；

第四步：根据第三步中的得到各柔性负荷对可再生能源消纳的贡献度及相对联结度结合智能离线决策库得出不同情境下最优组合策略；

不同时序运行柔性条件下的可再生能源消纳系统优化模型的搭建方法为：

供给侧建模：

(1)热电联产机组：

根据热电联产机组运行原理，将纯凝工况下的电功率P_ZS,i,t表示为：

P_ZS,i,t＝P_CHP,i,t+C_V,iH_CHP,i,t

式中：P_CHP,i,t为抽汽式机组i在t时刻的发电功率；H_CHP,i,t为抽汽式机组i在t时刻的供热功率；C_V,i为抽汽式机组i的热电比；

(2)风电机组：

风电机组的运行功率P_m表示为：

式中：C_p为风能利用系数；λ＝ωR/V_w定义为风轮的叶尖速比；ρ为空气密度；R为风轮半径；V_W为平均风速；ω为风轮角速度；β为桨距角；e为自然常数；k_opt为风轮最佳转速时的比例常数；λ_opt为风轮的最佳叶尖速比；

转化侧建模：

电锅炉的出力模型如下：

H_EB,t＝P_EB,tη_ah

式中：P_EB,t、H_EB,t分别表示时刻t时电锅炉的用电和制热功率；η_ah表示电锅炉的电热转换效率；

输出存储侧建模：

(1)电池储能模型；

①荷电量与荷电状态；

q＝q₁+q₂

式中：q表示电池总电荷量；q₁表示可用电荷量；q₂表示弹性电荷量；

每次充放电后电池电荷量变化为：

式中：q₁₀、q₂₀分别表示初始时刻的可用电荷量和弹性电荷量；e为自然常数；Δt为充放电步长；q₀表示初始时刻蓄电池的总电荷量(q₀＝q₁₀+q₂₀)；c表示可用电荷量q₁和总电荷量q的比值；k为比率常量；I表示蓄电池的充电电流或放电电流；

SOC＝q/q_max

式中：SOC表示荷电状态；q_max表示电池的最大荷电量；

电池的最大充/放电电流表示为^[56]：

式中：I_{ldc_cmax}、I_{ldc_fmax}分别表示电池的最大充/放电电流；

(2)蓄热罐模型：

假定在某一时间段内，蓄热罐的蓄热功率和放热功率保持不变，则其蓄放热前后蓄热罐的能量关系为：

式中：W₀、W₁分别代表蓄热或放热前后蓄热罐中所存储的能量；Q_c、Q_f分别代表蓄热罐存储或释放的能量；η_c、η_f分别代表蓄/放热的效率；

蓄热或放热前后蓄热罐的储能水平表示为：

式中：S表示蓄热罐的储能水平；W表示蓄热罐的当前储热量；W_R表示蓄热罐的额定储热量；

均方根误差RMSE消纳贡献度量化评估模型为：

对于柔性条件为单柔性负荷X，其RMSE可再生能源消纳贡献度Δε_x为：

式中，n为记点数，由全天候日负荷记录步长决定；Q_k为优化前时序运行模拟k记点的弃风功率；Q_k′为优化后时序运行模拟k记点的弃风功率；P_k为优化前时序运行模拟k记点的需求侧功率；P′P′_k为优化后时序运行模拟k记点的需求侧功率；

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy为：

对传统的联结度模型进行改进，定义相对联结度模型λ_xy：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]

式子中，

为相对系数，Δε_x和Δε_y分别为柔性条件为单柔性负荷X和Y时的RMSE可再生能源消纳贡献度；

根据λ_xy的值判断多种柔性负荷之间存在的相互作用。

2.根据权利要求1所述的一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：第一步中所述的电气数据为电气运行参数、电能产出量和电能需求量电气数据。

3.根据权利要求1所述的一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：

所述智能离线决策库构建方法如下：

一、搭建均方根误差消纳贡献度量化评估模型和不同时序运行柔性条件下的可再生能源消纳系统优化模型；

二、根据不同时序运行柔性条件下的可再生能源消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，结合原始数据进行时序运行模拟，得出各柔性条件优化下时序运行模拟结果；

三、将各柔性条件优化下时序运行模拟结果导入到均方根误差消纳贡献度量化评估模型中，得到各柔性负荷对可再生能源消纳的贡献度及相对联结度；

四、根据得到各柔性负荷对可再生能源消纳的贡献度及相对联结度建立智能离线决策库，以用于确定不同情境下最优组合策略。

4.根据权利要求1所述的一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：

对于柔性条件为双柔性负荷X、Y，其RMSE可再生能源消纳贡献度Δε_xy的大小取决于4个分量：

Δε_x+y为X、Y中任意一个柔性负荷参与调度对可再生能源消纳带来的贡献；

Δε_x·y为X和Y两个柔性负荷协同作用参与调度对可再生能源消纳带来的贡献；

Δε_x-y＝Δε_x-Δε_x+y为仅单柔性负荷X参与调度对可再生能源消纳带来的贡献；

Δε_y-x＝Δε_y-Δε_x+y为仅单柔性负荷Y参与调度对可再生能源消纳带来的贡献；

根据定义，则λ_xy也表示为：

λ_xy＝γ[Δε_xy-(Δε_x+Δε_y)]＝γ(Δε_x·y-Δε_x+y)

基于双柔性负荷X、Y参与调度的RMSE可再生能源消纳贡献度模型和相对联结度模型定义的RMSE可再生能源消纳贡献度的4个分量揭示了RMSE可再生能源消纳贡献度模型和相对联结度模型的内部构成，通过评估这4个分量，能够理清不同柔性负荷之间的相互作用。

5.根据权利要求4所述的一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：

多种柔性负荷之间存在的相互作用判断标准如下：

λ_xy为相互作用种类；λ_xy＞0为联合作用；λ_xy＜0为排斥作用；λ_xy＝0为无相互作用；基于相对联结度模型的多种柔性负荷之间相互作用的判断标准，结合相对联结度模型对不同柔性负荷调控能力之间存在的联系进行量化分析。

6.根据权利要求1或3所述的一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：

智能离线决策库：

优化目标1 优化目标2 ··· 优化目标n 柔性条件1 Δε₁₁ Δε₁₂ ··· Δε_1n 柔性条件2 Δε₂₁ Δε₂₂ ··· Δε_2n ··· ··· ··· ··· ··· 柔性条件m Δε_m1 Δε_m2 ··· Δε_mn

Δε_kl为在柔性条件k以优化目标l优化下模拟计算出的可再生能源消纳贡献度；

其中柔性条件k是单负荷、多负荷；单负荷包括储热、储电、X、Y、Z、X+Y、Y+Z、X+Z、X+Y+Z中的一种；多负荷包括储热、储电、X、Y、Z、X+Y、Y+Z、X+Z、X+Y+Z中的多种；

优化目标l是单目标、多目标；单目标包括弃风功率最小、经济性最优、minF、maxR中的一种；多目标包括弃风功率最小、经济性最优、minF、maxR中的多种。

7.根据权利要求3所述的一种考虑综合柔性负荷调控能力的可再生能源消纳贡献度量化方法，其特征在于：

根据不同时序运行柔性条件下的可再生能源消纳系统优化模型构造包含不同消纳指标的最优目标函数，确定各柔性条件优化下消纳系统的约束条件，如下：

目标函数：

构建联合系统的优化调度模型；

式中：P_Wyc,t为t时刻风电预测出力；P_Wsj,t为t时刻风电实际出力；

约束条件：

(1)各供电机组运行约束：

供电机组运行约束包括：火电机组约束、热电联产机组约束和风电机组约束；

P_H,i,min≤P_H,i,t≤P_H,i,max

P_CHP,i,min≤P_CHP,i,t≤P_CHP,i,max

P_W,i,min≤P_W,i,t≤P_W,i,max

式中：P_H,i,t为火电机组i在t时刻的发电功率；P_CHP,i,t为热电联产机组i在t时刻的发电功率；P_W,i,t为风电机组i在t时刻的发电功率；P_H,i,max、P_H,i,min分别为火电机组i的最大、最小发电功率；P_CHP,i,max、P_CHP,i,min分别为热电联产机组i的最大、最小发电功率；P_W,i,max、P_W,i,min分别为风电机组i的最大、最小发电功率；

(2)能量平衡约束:

式中：P_dgl,t为t时刻电锅炉的运行功率；P_ldc,t为t时刻锂电池的放电功率；H_CHP,i,t为t时刻热电联产机组的产热量；H_dgl,t为t时刻电锅炉的产热量；H_{xr_f,t}为t时刻蓄热罐的放热量；P_LD,t和H_LD,t为t时刻的电负荷和热负荷；N为火电机组数量；R为热电联产机组数量；M为风电机组数量；

(3)锂电池储能系统约束:

蓄电池只能进行电能的充/放转换，它的电来自于电网，自身并不能产电，因此为满足这一特性需规定：

E_ldc,T＝E_ldc,0

式中：E_ldc,T和E_ldc,0分别为锂电池的终止容量和初始容量；

同时，蓄电池一经选择确定后，其运行功率和容量也就确定了，其限制范围如下：

0≤E_ldc,t≤E_ldc,nom

式中：E_ldc,t为t时刻蓄电池的容量；E_ldc,nom为蓄电池的额定容量；P_{ldc_c,t}和P_{ldc_f,t}分别为蓄电池在t时刻的充/放电功率；P_{ldc_cmax}和P_{ldc_fmax}分别为蓄电池的最大充/放电功率；

在同一时刻，蓄电池不能同时进行充电和放电，只能二者选其一进行运行，有：

P_{ldc_c,t}P_{ldc_f,t}＝0

(4)热储能系统运行约束；

电锅炉运行约束为：

0≤P_dgl,t≤P_dgl,nom

式中：P_dgl,nom为电锅炉的额定运行功率；

蓄热装置运行约束为：

式中：S_xr,T和S_xr,0分别为蓄热装置的终止容量和初始容量；S_xr,t为t时刻蓄热装置的容量；S_xr,t-1为t-1时刻蓄热装置的容量；S_xr,nom为蓄热装置的额定容量；P_{xr_c,t}为蓄热罐在t时刻的蓄热功率；P_{xr_f,t}为蓄热罐在t时刻的放热功率；η_{xr_c,t}为蓄热罐的蓄热效率；η_{xr_f,t}为蓄热罐的放热效率；P_{xr_c,max}和P_{xr_f,max}分别为蓄热罐的最大储/放热功率；

结合原始数据，设定记录步长，进行时序运行模拟。

Images