CN112508221A - 一种有限储能下考虑源-荷不确定性的日前调度决策方法 - Google Patents

Abstract

本发明涉及一种有限储能下考虑源‑荷不确定性的日前调度决策方法，步骤为：步骤1：根据用户的负荷特性，建立考虑需求侧管理的系统负荷不确定模型；步骤2：根据历史数据及基于电价的系统负荷不确定模型预测次日数据，包含风速、风电厂出力、室外温度、光伏电站出力、系统负荷及电价波动；步骤3：以低碳经济为目标，考虑火电机组的深度调峰工况和正常运行工况建立日前低碳经济调度模型；步骤4：利用蒙特卡洛法进行随机抽样，基于改进蝙蝠算法求解日前低碳经济调度模型，确定机组出力、各时段电价及价格型需求响应量。本方法实现了电力系统的低碳经济调度，避免了在高维情况下陷入局部最优，较快求得全局最优解。

Description

一种有限储能下考虑源-荷不确定性的日前调度决策方法

技术领域

本发明属于电力系统及其自动化技术领域，涉及电力系统低碳经济调度，具体涉及一种有限储能下考虑源-荷不确定性的日前调度决策方法。

背景技术

现阶段，随着大力推进坚强智能电网和泛在电力物联网两网融合的建设，高比例可再生能源接入电网，人工智能、传感器、先进的通信技术获取全面的新能源、储能及负荷数据应用于电力系统优化调度。同时，全球温室效应对生态系统的影响日益增加，电力行业的CO2减排对降低温室气体的排放起到关键作用。在“三型两网”战略下，面对新能源高渗透率的智能电网，充分运用源荷储数据，解决多时间尺度下风电、光伏发电、火电、储能等多种能源的低碳经济调度问题十分紧迫。

对此，一方面从发电侧考虑，可再生能源发电厂代替传统电厂发电，可大幅度降低电力系统整体的碳排放量，储能的充放电特性可解决风、光发电相关的不确定性，缓解线路拥堵，合理利用火、风、光、储能电站多能互补特性可缓解新能源对电网的冲击。大规模可再生能源电站的快速发展使调度数据爆发式增长，解析水、光、风等新能源发电的特性及相互关联、建立调度计划是电网运行的一项挑战。另一方面，从用户侧考虑，积极引导用户参与需求响应，优化负荷曲线。需求侧资源对负荷峰值削减量的影响，电价型需求响应占8％，激励型需求响应占绝大部分，而将需求响应与风力发电变化特性相结合可解决风力发电的波动性对电力系统的影响。

上述文献的研究主要集中在考虑大规模可再生能源发电的波动性和间歇性对电力调度影响，但对将用户侧的需求响应不确定性与多种能源联合调度的关注较少。随着构建坚强智能电网的逐步深入，可再生能源的渗透率不断增加，其间歇性和波动性对电网调峰带来极大的困难，火电机组将时常处于深度调峰状态和频繁爬坡状态，对系统运行成本的影响不可忽略。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种有限储能下考虑源-荷不确定性的日前调度决策方法。

本发明为解决上述技术问题采取的技术方案为：

一种有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于，该方法包括以下步骤：

步骤1：根据用户的负荷特性，建立考虑需求侧管理的系统负荷不确定模型；

步骤2：根据历史数据及基于电价的系统负荷不确定模型预测次日数据，包含风速、风电厂出力、室外温度、光伏电站出力、系统负荷及电价波动；

步骤3：以低碳经济为目标，考虑火电机组的深度调峰工况和正常运行工况建立日前低碳经济调度模型；

步骤4：利用蒙特卡洛法进行随机抽样，基于改进蝙蝠算法求解日前低碳经济调度模型，确定机组出力、各时段电价及价格型需求响应量。

进一步的：所述步骤1的具体步骤包括：

步骤1.1：将一定区域内可调度的电价型需求响应集合成一个虚拟机组进行调度，基于电量价格弹性系数建立电价型需求响应虚拟响应机组不确定性模型，具体为：

在能源物联网的背景下，基于坚强智能电网体系，用户参与需求响应的数量增多，可将一定区域内可调度的电价型需求响应集合成一个虚拟机组进行调度，命名为日前电价型虚拟响应机组，决策变量为电价，由价格机制的变化影响该虚拟机组的出力；

从经济角度上可看出，基于电量价格弹性系数的需求响应在电价较高时，用电量较少；反之，用电量较多；电力部门通过电价改善用户用电，电价变化率对负荷变化率的影响由自弹性系数表征，定义如下：

φ_△L,t＝e_tt×φ_△ρ,t

式中，φ_△L,t为t时刻负荷响应率；φ_△ρ,t为t时刻电价的变化率；e_tt为t时刻的自弹性系数；

用户按自愿原则参与需求响应，负荷实际响应量具有随机性，无法完全确定，采用三角隶属度函数描述电价型DR负荷响应率的不确定性：

式中，

为t时段负荷响应率φ_△L,t的模糊表达式；φ_△L1,t，φ_△L2,t，φ_△L3,t为隶属度参数；e_tt为价格弹性矩阵中t时段的自弹性系数；△δ_t≥0，为t时刻负荷响应率预测的最大误差值，与电价变化率有关；

负荷需求响应率的模糊表达式中的三角数转换成确定变量后的期望值可表示因价格变动用户实际响应电量，则电价需求响应虚拟机组的不确定性模型可表示为：

式中，P_PDR,t,act为t时刻日前电价型需求响应用户的实际响应功率；P_PDR,t为t时刻用户参与电价需求响应前的用电负荷；

步骤1.2：基于电价型需求响应的用户响应情况，建立考虑需求侧管理的系统负荷不确定性模型，具体为：

在任何时段，下一时刻的系统负荷需求都是不确定的，通常可正态分布和均匀分布概率密度函数对负荷需求不确定性进行建模；采用正态分布的概率密度函数来对参与需求响应前的系统负荷建模，系统负荷的不确定模型为：

式中，l为系统负荷；μ_L和σ_L分别是不确定负荷的均值和标准差。

P_L,t,act＝P_L,t-P_DR,t

式中，P_L,act,t为t时刻用户参与需求响应后系统负荷实际功率；P_L,t为该时刻系统负荷功率；P_DR,t为t时刻用户参与需求响应的功率，包含价格型和激励型需求响应的电量。

进一步的：步骤3的具体步骤为：

引入碳排放成本，构建日前低碳经济调度模型：

式中，F₁为系统运行成本函数，元；C_tax为市场上的单位碳处理成本，美元/吨；E_C,t为火电机组碳排放量，吨；E_D,t为发电机组t时段的碳分配额，吨，当机组碳排放量在碳分配额范围内时，碳处理成本为0；T为调度周期中的分段数，对于日前调度，T＝24；

风电、光伏为可再生能源发电，发电过程中不产生碳排放，不考虑风电光伏的碳排放；电力系统中的碳排放来自火电机组的煤耗，t时段机组的碳排放额度分配额如下：

式中，N_F为火电机组数量；η_D为发电机组单位有功出力碳排放分配额；

火电机组在t时段的实际碳排放量为：

式中，α_i、β_i、δ_i分别为火电机组i的排放因子；

采用火电厂与可再生能源电厂联合运行的优化调度策略，系统运行成本为：

式中，f_G,t、f_GO,t、f_E,t、f_DR,t分别为t时刻电源运行成本、电源调度成本、储能电站充放电成本、日前需求响应虚拟机组的调度成本。

更进一步的：电源运行成本，包括火电机运行成本、风光可再生能源发电机组的运维成本，可表示为：

f_G,t＝f_F,t+f_W,t+f_PV,t

式中，f_F,t、f_W,t、f_PV,t分别为各时段内火电机组运行成本、风电、光伏发电运维成本。

(1)火电机组的运行成本

由于大规模具有波动性的可再生能源并网，传统火电机组爬坡和启动次数增加，深度调峰成本不可忽略，根据汽轮机的特性，当汽轮机的负荷越低，热耗越高，机组寿命损耗极大；深度调峰成本包含机组运行煤耗成本、深度调峰时机组损耗成本；火电机组在运行过程中可分为正常运行状态和深度调峰状态，其运行成本可表示为：

式中，u_F,i,t为火电机组启停0-1变量；P_F,i,t为t时刻第i台火电机组出力；a_i，b_i，c_i分别表示正常运行状态第i台火力发电机组的燃料成本系数。当火电机组进行深度调峰时，因转子热应力过大引起的机组损耗成本。w_cost为深度调峰的额外运行成本，计算公式为：

式中，α表示低负荷状态的边界，通常为0.6；χ为火电机组实际运行的损耗系数；N_f(P_F,i)为转子致裂循环周次，由转子材料低周疲劳特性确定；C_unit为机组购机成本。

(2)风光等可再生能源的运维成本

风和光伏发电不消耗燃料，但考虑到风、光的随机性和波动性，会影响机组正常运行，产生一定的运维成本，可近似表示为机组发电功率的线性关系，可表示为；

式中，N_W、N_PV分别为风电和光伏机组的数量；ρ_W,j、ρ_PV,k分别为风电场和光伏电站运行维护成本系数；P_W,j,t、P_PV,k,t分别表示t时刻风电场和光伏有功输出功率限制发电量。

更进一步的：电源的调度成本，包括常规火电机组的启停和爬坡成本，可再生能源发电机组的限制发电成本，可表示为：

f_GO,t＝C_F1,i+C_F2,i+C_WL,i+C_PVL,i

(1)火电厂的启停和爬坡成本

规模化可再生能源并网，其间歇性和波动性必然造成火电机组频繁启停和爬坡，从而导致运行成本增加；启停和爬坡成本函数如下：

C_F1,i＝u_F,i,t(1-u_F,i,t-1)S_F,i,t

式中，u_F,i,t为第t时段内火电机组启停的台数；S_F,i,t为第t时段内火电机组的启停成本；γ_F为火电机组爬坡成本函数系数；

(2)风光可再生能源机组的限制发电成本，可表示为：

式中，c_WL、c_PVL为单位限制发电成本；P_W,Q,j为第j个风电机组的限制发电量；P_PV,Q,k为第k个风电机组的限制发电量。

更进一步的：储能电站充放电成本，可表示为：

f_E,t＝△P_BESS,tρ_E

式中，△P_BESS,t为t时刻的储能调节功率，以放电为正方向，当储能设备充电时为负值；ρ_E为储能调节单位功率的成本，美元/kW。

更进一步的：日前需求响应虚拟机组的调度成本，在日前阶段，仅电价型需求响应虚拟机组参与调度，可由电网侧售电收入变化表示：

f_DR,t＝P_PDR,tρ_t,0-P_PDR,t,actρ_t

式中，ρ_t,0为t时刻的初始电价；ρ_t为t时刻电价。

更进一步的：日前低碳经济调度模型的约束条件包括：

(1)系统负荷平衡约束

对于任意时刻，系统的发电和储能火电机组、风机、光伏、抽水电站、蓄电池电站的出力总和与系统参与需求响应后的负荷相等，可表示为：

式中，P_L,act,t为t时刻系统负荷的实际功率。

(2)发电机组约束

火电机组的输出功率受到其最小、最大出力和发电机向上、向下爬坡速率的限制，且机组的启停状态受最大、最小启停时间约束；

风力发电机输出功率约束为：

0≤P_W,j≤P_W,j,r

式中，P_W,j,r为各风机额定输出功率，由风电场提供；风机实际出力P_W,j变化范围为：

式中，

是第j个风电机组根据预测风速求得风机各时刻的最大出力，是变化且有波动性。光伏电站输出功率约束同上；

(3)蓄电池储能电站约束

蓄电池储能电站的功率需满足：

0≤P_B,c≤P_B,c,max

0≤P_B≤P_B，max

式中，P_B,c，P_B分别表示储能电站充放电功率；P_B,c,max、P_B，max分别表示充放电功率的最大值；

储能电站电量平衡及电力约束如下：

W_B,t+1＝W_B,t+P_B,t△t

W_B,min≤W_B,t≤W_B,max

式中，W_B,min、W_B,max分别为储能电站的最小及最大剩余电量；W_B,t为第t时段内储能电站剩余电量。

进一步的：步骤4中基于改进蝙蝠算法对日前低碳经济调度模型进行求解，具体步骤如下：

(1)初始化算法参数，生成蝙蝠个体基因序列，个体基因片段中风机、光伏、负荷等参数根据源-荷不确定性模型设定，并确定迭代次数1000次，目标函数f(X)，设定蝙蝠总数N_pop，位置X₀、飞行速度v₀、响度A₀及频率f₀；

(2)在控制变量的可行域范围内随机生成N_pop只蝙蝠作为当前最优解集，计算当前蝙蝠基因序列下的目标函数值并从小到大进行排序，保留排序前1/2的蝙蝠个体进行更新、增殖过程；

(3)开始进行迭代计算；改变频率和更新个体速度，将新的蝙蝠群体看作父代进行选择、速度推进平均交叉、变异操作，组成子代蝙蝠种群的前半部分；

(4)更新父代蝙蝠种群个体位置，并判断是否满足局部搜索条件随机数rand1>r_I，若满足，选取最优解进行局部搜索得到新位置替换原位置；

(5)判断新的适应度值是否满足f(X_I)<f_best且随机数rand2<A_I；若满足，接受新解，组成子代蝙蝠种群的后半部分，并更新蝙蝠个体的目标函数值；

(6)对整个子代种群目标函数值进行排序评价，并更新当前最优位置(解)X_*；

(7)判断是否超过最大迭代次数，若超过，则返回(2)；否则，算法结束，输出最优值。

本发明具有的优点和积极效果：

(1)本发明针对大规模可再生能源并网的电力系统，提出的日前调度模型考虑火电机组正常运行状态和深度调峰状态，量化大规模风光并网时火电机组的发电成本，模型更加真实地反应实际工况。随着火电机组调峰深度的增加，火电机组启停次数减少，有利于消纳可再生能源发电的间歇性和波动性，为大规模可再生能源并网情况下电力系统的低碳经济调度提高有力支撑。

(2)本发明基于电价型需求响应虚拟机组在日前阶段的响应量，在经济调度模型中引入碳处理成本，实现电力系统的低碳经济调度。需求响应的引入，在一定程度上调整了用户用电时间，源-荷互动在很大程度上降低了可再生能源限制发电成本。

(3)本发明采用改进的蝙蝠算法求解电力系统日前调度优化模型，在蝙蝠算法的基础上引入遗传算法，使蝙蝠个体间具备遗传算法的基因特性，通过融合遗传算法的基因提高了蝙蝠的种群的多样性，避免在高维情况下陷入局部最优，较快求得全局最优解。

附图说明

图1为本发明提供的一种有限储能下考虑源-荷不确定性的日前调度决策方法流程图。

图2为本发明提供的基于改进蝙蝠算法的两阶段模型求解流程图。

图3为具体应用实例的风、光预测出力曲线及系统负荷预测曲线。

图4为具体应用实例的不同调峰深度下火电机组启停成本及损耗成本曲线。

具体实施方式

下面结合图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种有限储能下考虑源-荷不确定性的日前调度决策方法，请参阅图1-4，其发明点为，该方法包括以下步骤：

步骤1：根据用户的负荷特性，建立考虑需求侧管理的系统负荷不确定模型；具体包括如下步骤：

步骤1.1：将一定区域内可调度的电价型需求响应集合成一个虚拟机组进行调度，基于电量价格弹性系数建立电价型需求响应虚拟响应机组不确定性模型，具体为：

电价型需求响应的用户用电行为习惯固定，响应时间长且可调整范围有限，在日前调度阶段利用电价机制引导用户选择更经济的用电方式，从而实现对负荷的弹性调整。在能源物联网的背景下，基于坚强智能电网体系，用户参与需求响应的数量增多，可将一定区域内可调度的电价型需求响应集合成一个虚拟机组进行调度，命名为日前电价型虚拟响应机组，决策变量为电价，由价格机制的变化影响该虚拟机组的出力。

从经济角度上可看出，基于电量价格弹性系数的需求响应在电价较高时，用电量较少；反之，用电量较多；电力部门通过电价改善用户用电，电价变化率对负荷变化率的影响由自弹性系数表征，定义如下：

φ_△L,t＝e_tt×φ_△ρ,t

式中，φ_△L,t为t时刻负荷响应率；φ_△ρ,t为t时刻电价的变化率；e_tt为t时刻的自弹性系数；

用户按自愿原则参与需求响应，负荷实际响应量具有随机性，无法完全确定，采用三角隶属度函数描述电价型DR负荷响应率的不确定性：

式中，

为t时段负荷响应率φ_△L,t的模糊表达式；φ_△L1,t，φ_△L2,t，φ_△L3,t为隶属度参数；e_tt为价格弹性矩阵中t时段的自弹性系数；△δ_t≥0，为t时刻负荷响应率预测的最大误差值，与电价变化率有关；

负荷需求响应率的模糊表达式中的三角数转换成确定变量后的期望值可表示因价格变动用户实际响应电量，则电价型需求响应虚拟机组的不确定性模型可表示为：

式中，P_PDR,t,act为t时刻日前电价型需求响应用户的实际响应功率；P_PDR,t为t时刻用户参与电价需求响应前的用电负荷；

步骤1.2：基于电价型需求响应的用户响应情况，建立考虑需求侧管理的系统负荷不确定性模型，具体为：

在任何时段，下一时刻的系统负荷需求都是不确定的，通常可正态分布和均匀分布概率密度函数对负荷需求不确定性进行建模；采用正态分布的概率密度函数来对参与需求响应前的系统负荷建模，系统负荷的不确定模型为：

式中，l为系统负荷；μ_L和σ_L分别是不确定负荷的均值和标准差。

P_L,t,act＝P_L,t-P_DR,t

式中，P_L,act,t为t时刻用户参与需求响应后系统负荷实际功率；P_L,t为该时刻系统负荷功率；P_DR,t为t时刻用户参与需求响应的功率，包含价格型和激励型需求响应的电量。

步骤2：根据历史数据及基于电价的系统负荷不确定模型预测次日数据，包含风速、风电厂出力、室外温度、光伏电站出力、系统负荷及电价波动；

步骤3：以低碳经济为目标，考虑火电机组的深度调峰工况和正常运行工况建立日前低碳经济调度模型；具体包括如下步骤：

引入碳排放成本，构建日前低碳经济调度模型：

式中，F₁为系统运行成本函数，元；C_tax为市场上的单位碳处理成本，美元/吨；E_C,t为火电机组碳排放量，吨；E_D,t为发电机组t时段的碳分配额，吨，当机组碳排放量在碳分配额范围内时，碳处理成本为0；T为调度周期中的分段数，对于日前调度，T＝24；

风电、光伏为可再生能源发电，发电过程中不产生碳排放，不考虑风电光伏的碳排放；电力系统中的碳排放来自火电机组的煤耗，t时段机组的碳排放额度分配额如下：

式中，N_F为火电机组数量；η_D为发电机组单位有功出力碳排放分配额；

火电机组在t时段的实际碳排放量为：

式中，α_i、β_i、δ_i分别为火电机组i的排放因子；

采用火电厂与可再生能源电厂联合运行的优化调度策略，系统运行成本为：

式中，f_G,t、f_GO,t、f_E,t、f_DR,t分别为t时刻电源运行成本、电源调度成本、储能电站充放电成本、日前需求响应虚拟机组的调度成本。

上述电源运行成本，包括火电机运行成本、风光可再生能源发电机组的运维成本，可表示为：

f_G,t＝f_F,t+f_W,t+f_PV,t

式中，f_F,t、f_W,t、f_PV,t分别为各时段内火电机组运行成本、风电、光伏发电运维成本。

(1)火电机组的运行成本

由于大规模具有波动性的可再生能源并网，传统火电机组爬坡和启动次数增加，深度调峰成本不可忽略，根据汽轮机的特性，当汽轮机的负荷越低，热耗越高，机组寿命损耗极大；深度调峰成本包含机组运行煤耗成本、深度调峰时机组损耗成本；火电机组在运行过程中可分为正常运行状态和深度调峰状态，其运行成本可表示为：

式中，u_F,i,t为火电机组启停0-1变量；P_F,i,t为t时刻第i台火电机组出力；a_i，b_i，c_i分别表示正常运行状态第i台火力发电机组的燃料成本系数。当火电机组进行深度调峰时，因转子热应力过大引起的机组损耗成本。w_cost为深度调峰的额外运行成本，计算公式为：

式中，α表示低负荷状态的边界，通常为0.6；χ为火电机组实际运行的损耗系数；N_f(P_F,i)为转子致裂循环周次，由转子材料低周疲劳特性确定；C_unit为机组购机成本。

(2)风光等可再生能源的运维成本

风和光伏发电不消耗燃料，但考虑到风、光的随机性和波动性，会影响机组正常运行，产生一定的运维成本，可近似表示为机组发电功率的线性关系，可表示为；

式中，N_W、N_PV分别为风电和光伏机组的数量；ρ_W,j、ρ_PV,k分别为风电场和光伏电站运行维护成本系数；P_W,j,t、P_PV,k,t分别表示t时刻风电场和光伏有功输出功率限制发电量。

上述电源的调度成本，包括常规火电机组的启停和爬坡成本，可再生能源发电机组的限制发电成本，可表示为：

f_GO,t＝C_F1,i+C_F2,i+C_WL,i+C_PVL,i

(1)火电厂的启停和爬坡成本

规模化可再生能源并网，其间歇性和波动性必然造成火电机组频繁启停和爬坡，从而导致运行成本增加；启停和爬坡成本函数如下：

C_F1,i＝u_F,i,t(1-u_F,i,t-1)S_F,i,t

式中，u_F,i,t为第t时段内火电机组启停的台数；S_F,i,t为第t时段内火电机组的启停成本；γ_F为火电机组爬坡成本函数系数；

(2)风光可再生能源机组的限制发电成本，可表示为：

式中，c_WL、c_PVL为单位限制发电成本；P_W,Q,j为第j个风电机组的限制发电量；P_PV,Q,k为第k个风电机组的限制发电量。

上述储能电站充放电成本，可表示为：

f_E,t＝△P_BESS,tρ_E

式中，△P_BESS,t为t时刻的储能调节功率，以放电为正方向，当储能设备充电时为负值；ρ_E为储能调节单位功率的成本，美元/kW。

上述日前需求响应虚拟机组的调度成本，在日前阶段，仅电价型需求响应虚拟机组参与调度，可由电网侧售电收入变化表示：

f_DR,t＝P_PDR,tρ_t,0-P_PDR,t,actρ_t

式中，ρ_t,0为t时刻的初始电价；ρ_t为t时刻电价。

上述日前低碳经济调度模型的约束条件包括：

(1)系统负荷平衡约束

对于任意时刻，系统的发电和储能火电机组、风机、光伏、抽水电站、蓄电池电站的出力总和与系统参与需求响应后的负荷相等，可表示为：

式中，P_L,act,t为t时刻系统负荷的实际功率。

(2)发电机组约束

火电机组的输出功率受到其最小、最大出力和发电机向上、向下爬坡速率的限制，且机组的启停状态受最大、最小启停时间约束；

风力发电机输出功率约束为：

0≤P_W,j≤P_W,j,r

式中，P_W,j,r为各风机额定输出功率，由风电场提供；风机实际出力P_W,j变化范围为：

式中，

是第j个风电机组根据预测风速求得风机各时刻的最大出力，是变化且有波动性。光伏电站输出功率约束同上；

(3)蓄电池储能电站约束

蓄电池储能电站的功率需满足：

0≤P_B,c≤P_B,c,max

0≤P_B≤P_B，max

式中，P_B,c，P_B分别表示储能电站充放电功率；P_B,c,max、P_B，max分别表示充放电功率的最大值；

储能电站电量平衡及电力约束如下：

W_B,t+1＝W_B,t+P_B,t△t

W_B,min≤W_B,t≤W_B,max

式中，W_B,min、W_B,max分别为储能电站的最小及最大剩余电量；W_B,t为第t时段内储能电站剩余电量。

步骤4：利用蒙特卡洛法进行随机抽样，基于改进蝙蝠算法求解日前低碳经济调度模型，确定机组出力、各时段电价及价格型需求响应量。具体为：

1、基于遗传算法的蝙蝠算法：

蝙蝠算法参数设置简单且原理易懂而广泛应用于工程中，在寻优过程中，随机分配每只蝙蝠的位置X_I、飞行速度v_I、脉冲频率f_I、脉冲音量A_I及脉冲波发射频率r_I，但容易早熟收敛，引入遗传算法，使蝙蝠个体间具备GA的基因特性，个体间联系增强，有利于实现全局搜索。

本发明将风-光-火-储系统的日前调度模型中的目标函数作为蝙蝠食物在空间随机分布的位置点，蝙蝠个体搜索食物和更新位置的过程为寻找源-荷最优调度计划的过程，目标函数的大小表明蝙蝠个体的位置优劣，经过数次优化，蝙蝠个体位置不断接近目标函数全局最优值，解空间内系统赋予蝙蝠个体的脉冲频率增高和响度降低以提高求解的精度。

将联合调度系统运行的约束条件构成的多维解空间内生成N_pop蝙蝠个体，每一种源-荷调度方案作为一个蝙蝠个体进行编码，可组成基因序列^[27]，且任意一个蝙蝠个体均包含风电、光伏发电及负荷信息：

X_I＝[P_W,P_PV,P_L,P_DR]I＝1,2,…N_pop

对编码后的蝙蝠个体进行遗传算法的选择、交叉和变异，并进行编码将个体信息传递给子代。

2、基于改进蝙蝠算法的模型求解流程：

基于遗传算法的蝙蝠算法应用于求解风光火储的两阶段优化调度，算法步骤如下：

(1)初始化算法参数，生成蝙蝠个体基因序列，个体基因片段中风机、光伏、负荷等参数根据源-荷不确定性模型设定，并确定迭代次数1000次，目标函数f(X)，设定蝙蝠总数N_pop，位置X₀、飞行速度v₀、响度A₀及频率f₀；

(2)在控制变量的可行域范围内随机生成N_pop只蝙蝠作为当前最优解集，计算当前蝙蝠基因序列下的目标函数值并从小到大进行排序，保留排序前1/2的蝙蝠个体进行更新、增殖过程；

(3)开始进行迭代计算。改变频率和更新个体速度，将新的蝙蝠群体看作父代进行选择、速度推进平均交叉、变异操作，组成子代蝙蝠种群的前半部分；

(4)更新父代蝙蝠种群个体位置，并判断是否满足局部搜索条件随机数rand1>r_I，若满足，选取最优解进行局部搜索得到新位置替换原位置；

(5)判断新的适应度值是否满足f(X_I)<f_best且随机数rand2<A_I。若满足，接受新解，组成子代蝙蝠种群的后半部分，并更新蝙蝠个体的目标函数值。

(6)对整个子代种群目标函数值进行排序评价，并更新当前最优位置(解)X_*。

(7)判断是否超过最大迭代次数，若超过，则返回步骤2；否则，算法结束，输出最优值。

尽管为说明目的公开了本发明的实施例和图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和图所公开的内容。

Claims (9)

1.一种有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于，该方法包括以下步骤：

步骤1：根据用户的负荷特性，建立考虑需求侧管理的系统负荷不确定模型；

步骤2：根据历史数据及基于电价的系统负荷不确定模型预测次日数据，包含风速、风电厂出力、室外温度、光伏电站出力、系统负荷及电价波动；

步骤3：以低碳经济为目标，考虑火电机组的深度调峰工况和正常运行工况建立日前低碳经济调度模型；

步骤4：利用蒙特卡洛法进行随机抽样，基于改进蝙蝠算法求解日前低碳经济调度模型，确定机组出力、各时段电价及价格型需求响应量。

2.根据权利要求1所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：所述步骤1的具体步骤包括：

步骤1.1：将一定区域内可调度的电价型需求响应集合成一个虚拟机组进行调度，基于电量价格弹性系数建立电价型需求响应虚拟响应机组不确定性模型，具体为：

在能源物联网的背景下，基于坚强智能电网体系，用户参与需求响应的数量增多，可将一定区域内可调度的电价型需求响应集合成一个虚拟机组进行调度，命名为日前电价型虚拟响应机组，决策变量为电价，由价格机制的变化影响该虚拟机组的出力；

从经济角度上可看出，基于电量价格弹性系数的需求响应在电价较高时，用电量较少；反之，用电量较多；电力部门通过电价改善用户用电，电价变化率对负荷变化率的影响由自弹性系数表征，定义如下：

φ_△L,t＝e_tt×φ_△ρ,t

式中，φ_△L,t为t时刻负荷响应率；φ_△ρ,t为t时刻电价的变化率；e_tt为t时刻的自弹性系数；

用户按自愿原则参与需求响应，负荷实际响应量具有随机性，无法完全确定，采用三角隶属度函数描述电价型DR负荷响应率的不确定性：

式中，

为t时段负荷响应率φ_△L,t的模糊表达式；φ_△L1,t，φ_△L2,t，φ_△L3,t为隶属度参数；e_tt为价格弹性矩阵中t时段的自弹性系数；△δ_t≥0，为t时刻负荷响应率预测的最大误差值，与电价变化率有关；

负荷需求响应率的模糊表达式中的三角数转换成确定变量后的期望值可表示因价格变动用户实际响应电量，则电价需求响应虚拟机组的不确定性模型可表示为：

式中，P_PDR,t,act为t时刻日前电价型需求响应用户的实际响应功率；P_PDR,t为t时刻用户参与电价需求响应前的用电负荷；

步骤1.2：基于电价型需求响应的用户响应情况，建立考虑需求侧管理的系统负荷不确定性模型，具体为：

在任何时段，下一时刻的系统负荷需求都是不确定的，通常可正态分布和均匀分布概率密度函数对负荷需求不确定性进行建模；采用正态分布的概率密度函数来对参与需求响应前的系统负荷建模，系统负荷的不确定模型为：

式中，l为系统负荷；μ_L和σ_L分别是不确定负荷的均值和标准差；

P_L,t,act＝P_L,t-P_DR,t

式中，P_L,act,t为t时刻用户参与需求响应后系统负荷实际功率；P_L,t为该时刻系统负荷功率；P_DR,t为t时刻用户参与需求响应的功率，包含价格型和激励型需求响应的电量。

3.根据权利要求1所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：步骤3的具体步骤为：

引入碳排放成本，构建日前低碳经济调度模型：

式中，F₁为系统运行成本函数，元；C_tax为市场上的单位碳处理成本，美元/吨；E_C,t为火电机组碳排放量，吨；E_D,t为发电机组t时段的碳分配额，吨，当机组碳排放量在碳分配额范围内时，碳处理成本为0；T为调度周期中的分段数，对于日前调度，T＝24；

风电、光伏为可再生能源发电，发电过程中不产生碳排放，不考虑风电光伏的碳排放；电力系统中的碳排放来自火电机组的煤耗，t时段机组的碳排放额度分配额如下：

式中，N_F为火电机组数量；η_D为发电机组单位有功出力碳排放分配额；

火电机组在t时段的实际碳排放量为：

式中，α_i、β_i、δ_i分别为火电机组i的排放因子；

采用火电厂与可再生能源电厂联合运行的优化调度策略，系统运行成本为：

式中，f_G,t、f_GO,t、f_E,t、f_DR,t分别为t时刻电源运行成本、电源调度成本、储能电站充放电成本、日前需求响应虚拟机组的调度成本。

4.根据权利要求3所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：电源运行成本，包括火电机运行成本、风光可再生能源发电机组的运维成本，可表示为：

f_G,t＝f_F,t+f_W,t+f_PV,t

式中，f_F,t、f_W,t、f_PV,t分别为各时段内火电机组运行成本、风电、光伏发电运维成本；

(1)火电机组的运行成本

由于大规模具有波动性的可再生能源并网，传统火电机组爬坡和启动次数增加，深度调峰成本不可忽略，根据汽轮机的特性，当汽轮机的负荷越低，热耗越高，机组寿命损耗极大；深度调峰成本包含机组运行煤耗成本、深度调峰时机组损耗成本；火电机组在运行过程中可分为正常运行状态和深度调峰状态，其运行成本可表示为：

式中，u_F,i,t为火电机组启停0-1变量；P_F,i,t为t时刻第i台火电机组出力；a_i，b_i，c_i分别表示正常运行状态第i台火力发电机组的燃料成本系数；当火电机组进行深度调峰时，因转子热应力过大引起的机组损耗成本；w_cost为深度调峰的额外运行成本，计算公式为：

式中，α表示低负荷状态的边界，通常为0.6；χ为火电机组实际运行的损耗系数；N_f(P_F,i)为转子致裂循环周次，由转子材料低周疲劳特性确定；C_unit为机组购机成本；

(2)风光等可再生能源的运维成本

风和光伏发电不消耗燃料，但考虑到风、光的随机性和波动性，会影响机组正常运行，产生一定的运维成本，可近似表示为机组发电功率的线性关系，可表示为；

式中，N_W、N_PV分别为风电和光伏机组的数量；ρ_W,j、ρ_PV,k分别为风电场和光伏电站运行维护成本系数；P_W,j,t、P_PV,k,t分别表示t时刻风电场和光伏有功输出功率限制发电量。

5.根据权利要求3所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：电源的调度成本，包括常规火电机组的启停和爬坡成本，可再生能源发电机组的限制发电成本，可表示为：

f_GO,t＝C_F1,i+C_F2,i+C_WL,i+C_PVL,i

(1)火电厂的启停和爬坡成本

规模化可再生能源并网，其间歇性和波动性必然造成火电机组频繁启停和爬坡，从而导致运行成本增加；启停和爬坡成本函数如下：

C_F1,i＝u_F,i,t(1-u_F,i,t-1)S_F,i,t

式中，u_F,i,t为第t时段内火电机组启停的台数；S_F,i,t为第t时段内火电机组的启停成本；γ_F为火电机组爬坡成本函数系数；

(2)风光可再生能源机组的限制发电成本，可表示为：

式中，c_WL、c_PVL为单位限制发电成本；P_W,Q,j为第j个风电机组的限制发电量；P_PV,Q,k为第k个风电机组的限制发电量。

6.根据权利要求3所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：储能电站充放电成本，可表示为：

f_E,t＝△P_BESS,tρ_E

式中，△P_BESS,t为t时刻的储能调节功率，以放电为正方向，当储能设备充电时为负值；ρ_E为储能调节单位功率的成本，美元/kW。

7.根据权利要求3所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：日前需求响应虚拟机组的调度成本，在日前阶段，仅电价型需求响应虚拟机组参与调度，可由电网侧售电收入变化表示：

f_DR,t＝P_PDR,tρ_t,0-P_PDR,t,actρ_t

式中，ρ_t,0为t时刻的初始电价；ρ_t为t时刻电价。

8.根据权利要求3所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：日前低碳经济调度模型的约束条件包括：

(1)系统负荷平衡约束

对于任意时刻，系统的发电和储能火电机组、风机、光伏、抽水电站、蓄电池电站的出力总和与系统参与需求响应后的负荷相等，可表示为：

式中，P_L,act,t为t时刻系统负荷的实际功率；

(2)发电机组约束

火电机组的输出功率受到其最小、最大出力和发电机向上、向下爬坡速率的限制，且机组的启停状态受最大、最小启停时间约束；

风力发电机输出功率约束为：

0≤P_W,j≤P_W,j,r

式中，P_W,j,r为各风机额定输出功率，由风电场提供；风机实际出力P_W,j变化范围为：

式中，

是第j个风电机组根据预测风速求得风机各时刻的最大出力，是变化且有波动性；光伏电站输出功率约束同上；

(3)蓄电池储能电站约束

蓄电池储能电站的功率需满足：

0≤P_B,c≤P_B,c,max

0≤P_B≤P_B，_max

式中，P_B,c，P_B分别表示储能电站充放电功率；P_B,c,max、P_B，max分别表示充放电功率的最大值；

储能电站电量平衡及电力约束如下：

W_B,t+1＝W_B,t+P_B,t△t

W_B,min≤W_B,t≤W_B,max

式中，W_B,min、W_B,max分别为储能电站的最小及最大剩余电量；W_B,t为第t时段内储能电站剩余电量。

9.根据权利要求1所述的有限储能下考虑源-荷不确定性的日前调度决策方法，其特征在于：步骤4中基于改进蝙蝠算法对日前低碳经济调度模型进行求解，具体步骤如下：

(1)初始化算法参数，生成蝙蝠个体基因序列，个体基因片段中风机、光伏、负荷等参数根据源-荷不确定性模型设定，并确定迭代次数1000次，目标函数f(X)，设定蝙蝠总数N_pop，位置X₀、飞行速度v₀、响度A₀及频率f₀；

(2)在控制变量的可行域范围内随机生成N_pop只蝙蝠作为当前最优解集，计算当前蝙蝠基因序列下的目标函数值并从小到大进行排序，保留排序前1/2的蝙蝠个体进行更新、增殖过程；

(3)开始进行迭代计算；改变频率和更新个体速度，将新的蝙蝠群体看作父代进行选择、速度推进平均交叉、变异操作，组成子代蝙蝠种群的前半部分；

(4)更新父代蝙蝠种群个体位置，并判断是否满足局部搜索条件随机数rand1>r_I，若满足，选取最优解进行局部搜索得到新位置替换原位置；

(5)判断新的适应度值是否满足f(X_I)<f_best且随机数rand2<A_I；若满足，接受新解，组成子代蝙蝠种群的后半部分，并更新蝙蝠个体的目标函数值；

(6)对整个子代种群目标函数值进行排序评价，并更新当前最优位置(解)X_*；

(7)判断是否超过最大迭代次数，若超过，则返回(2)；否则，算法结束，输出最优值。

Images