CN112510690A - 考虑风火储联合和需求响应奖惩的优化调度方法及系统 - Google Patents

考虑风火储联合和需求响应奖惩的优化调度方法及系统 Download PDF

Info

Publication number
CN112510690A
CN112510690A CN202011333953.1A CN202011333953A CN112510690A CN 112510690 A CN112510690 A CN 112510690A CN 202011333953 A CN202011333953 A CN 202011333953A CN 112510690 A CN112510690 A CN 112510690A
Authority
CN
China
Prior art keywords
load
demand response
user
scheduling
cost
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.)
Granted
Application number
CN202011333953.1A
Other languages
English (en)
Other versions
CN112510690B (zh
Inventor
张晓辉
贾惠芳
钟嘉庆
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.)
Wuhan Xinneng Era Technology Co ltd
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202011333953.1A priority Critical patent/CN112510690B/zh
Publication of CN112510690A publication Critical patent/CN112510690A/zh
Application granted granted Critical
Publication of CN112510690B publication Critical patent/CN112510690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明公开了一种考虑风火储联合和需求响应奖惩的优化调度方法及系统，涉及大电网调度技术领域，包括：获取当前调度周期内的用户需求响应负荷量和用户响应负荷量；根据电网系统调度模型以及当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用优化算法确定各个机组最优出力值，以对下一调度周期的电网系统进行调度；电网系统调度模型的目标函数为在用户需求响应机制下以最低电网系统运行成本为目标的函数；电网系统运行成本包括在源侧确定的火电机组运行成本、储能系统运行成本、风电机组运行成本以及在荷侧确定的用户需求响应调度成本。本发明提高了电网系统的灵活性和风电消纳能力。

Description

考虑风火储联合和需求响应奖惩的优化调度方法及系统
技术领域
本发明涉及大电网调度技术领域，特别是涉及一种考虑风火储联合和需求 响应奖惩的优化调度方法及系统。
背景技术
近年来，随着社会经济的发展和用户对用电需求的日益增长，能源问题日 益凸显，风能等清洁能源的大规模接入为缓解电力行业传统能源消耗提供了可 能。但是，由于风电的出力情况存在随机性、不确定性和间歇性，当风电接入 电网后，负荷侧的不确定性会进一步增加电网系统的不确定性，从而使得含风 电的电网系统调度运行面临调度困难、弃风现象严重的挑战，因此电网系统存 在的灵活性不足问题。
发明内容
本发明的目的是提供一种考虑风火储联合和需求响应奖惩的优化调度方 法及系统，以通过考虑“源-网-荷”之间的能量交互与耦合的方式，提高电网 系统的灵活性和风电消纳能力。
为实现上述目的，本发明提供了如下方案：
一种考虑风火储联合和需求响应奖惩的优化调度方法，包括：
获取当前调度周期内的用户需求响应负荷量和用户响应负荷量；所述用户 需求响应负荷量为用户与电网系统签订的需求响应量；
根据电网系统调度模型以及所述当前调度周期内的用户需求响应负荷量 和用户响应负荷量，采用优化算法，确定各个机组最优出力值；
根据各个所述机组最优出力值对下一调度周期的电网系统进行调度；
其中，所述电网系统调度模型包括目标函数以及所述目标函数对应的约束 条件；所述目标函数为在用户需求响应机制下以最低电网系统运行成本为目标 的函数；所述电网系统运行成本为火电机组运行成本、储能系统运行成本、风 电机组运行成本以及用户需求响应调度成本的和；所述约束条件包括火电机组 约束条件、储能系统约束条件、风电机组约束条件以及用户需求响应约束条件；
所述火电机组运行成本是根据火电机组运行成本模型确定的，所述储能系 统运行成本是根据储能系统运行成本模型确定，所述风电机组运行成本是根据 风电机组运行成本模型确定的，所述用户需求响应调度成本是根据用户需求响 应调度成本模型确定的；所述火电机组运行成本模型、所述储能系统运行成本 模型和所述风电机组运行成本模型均在源侧构建，所述用户需求响应调度成本 模型在荷侧构建；
所述用户需求响应调度成本为奖励成本与惩罚成本的差，所述奖励成本为 当用户响应负荷量时电网系统给用户支付的成本，所述惩罚成本为当用户未响 应负荷量时用户给电网系统支付的成本；所述用户未响应负荷量为所述用户需 求响应负荷量与所述用户响应负荷量的差；
所述火电机组约束条件包括火电机组出力约束，所述风电机组约束条件包 括风电机组出力约束。
可选的，在执行根据电网系统调度模型以及所述当前调度周期内的用户需 求响应负荷量和用户响应负荷量，采用优化算法，确定各个机组最优出力值步 骤之前，还包括：
确定典型负荷场景集；所述典型负荷场景集包括多个典型负荷场景发生概 率。
可选的，所述确定典型负荷场景集，具体包括：
获取相似日负荷历史数据；
采用层次聚类算法，对所述相似日负荷历史数据进行聚类，生成典型负荷 场景集。
可选的，所述根据电网系统调度模型以及所述当前调度周期内的用户需求 响应负荷量和用户响应负荷量，采用优化算法，确定各个机组最优出力值，具 体包括：
根据所述典型负荷场景集、电网系统调度模型以及所述当前调度周期内的 用户需求响应负荷量和用户响应负荷量，采用粒子群算法，确定各个机组最优 出力值。
可选的，所述火电机组约束条件还包括火电机组启停时间约束和火电机组 爬坡约束；所述储能系统约束条件包括存储能量上下限约束、充放电功率等式 约束和定义功率缺额约束；所述用户需求响应约束条件包括需求响应等式约 束、需求响应不等式约束、可平移负荷约束和可削减负荷约束。
可选的，所述目标函数为
Figure BDA0002796606350000031
其中，F为电网系统运行成本；F1为火电机组运行成本；Cop为储能系统 运行成本；Cpun为风电机组运行成本；F2为用户需求响应调度成本；Ns为典型 负荷场景集；ps为典型负荷场景发生概率。
一种考虑风火储联合和需求响应奖惩的优化调度系统，包括：
负荷量获取模块，用于获取当前调度周期内的用户需求响应负荷量和用户 响应负荷量；所述用户需求响应负荷量为用户与电网系统签订的需求响应量；
机组最优出力值计算模块，用于根据电网系统调度模型以及所述当前调度 周期内的用户需求响应负荷量和用户响应负荷量，采用优化算法，确定各个机 组最优出力值；
调度模块，用于根据各个所述机组最优出力值对下一调度周期的电网系统 进行调度；
其中，所述电网系统调度模型包括目标函数以及所述目标函数对应的约束 条件；所述目标函数为在用户需求响应机制下以最低电网系统运行成本为目标 的函数；所述电网系统运行成本为火电机组运行成本、储能系统运行成本、风 电机组运行成本以及用户需求响应调度成本的和；所述约束条件包括火电机组 约束条件、储能系统约束条件、风电机组约束条件以及用户需求响应约束条件；
所述火电机组运行成本是根据火电机组运行成本模型确定的，所述储能系 统运行成本是根据储能系统运行成本模型确定，所述风电机组运行成本是根据 风电机组运行成本模型确定的，所述用户需求响应调度成本是根据用户需求响 应调度成本模型确定的；所述火电机组运行成本模型、所述储能系统运行成本 模型和所述风电机组运行成本模型均在源侧构建，所述用户需求响应调度成本 模型在荷侧构建；
所述用户需求响应调度成本为奖励成本与惩罚成本的差，所述奖励成本为 当用户响应负荷量时电网系统给用户支付的成本，所述惩罚成本为当用户未响 应负荷量时用户给电网系统支付的成本；所述用户未响应负荷量为所述用户需 求响应负荷量与所述用户响应负荷量的差；
所述火电机组约束条件包括火电机组出力约束，所述风电机组约束条件包 括风电机组出力约束。
可选的，还包括：
典型负荷场景集确定模块，用于确定典型负荷场景集；所述典型负荷场景 集包括多个典型负荷场景发生概率。
可选的，所述典型负荷场景集确定模块，具体包括：
历史数据获取单元，用于获取相似日负荷历史数据；
典型负荷场景集生成单元，用于采用层次聚类算法，对所述相似日负荷历 史数据进行聚类，生成典型负荷场景集。
可选的，所述机组最优出力值计算模块，具体包括：
机组最优出力值计算单元，用于根据所述典型负荷场景集、电网系统调度 模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用 粒子群算法，确定各个机组最优出力值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明在源侧增加储能系统，在荷侧考虑需求响应奖惩机制，充分调动了 用户响应的积极性。本发明直接基于机组模型建立整个电网系统的优化调度模 型，充分考虑“源-网-荷”之间的能量交互，实现电网系统的调度优化，提高 了电网系统运行的灵活性和风电消纳能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性 的前提下，还可以根据这些附图获得其他的附图。
图1为本发明考虑风火储联合和需求响应奖惩的优化调度方法流程图；
图2为本发明考虑风火储联合和需求响应奖惩的优化调度系统结构图；
图3为本发明考虑风火储联合系统和需求响应奖惩机制的优化调度方法 的原理图；
图4为本发明提供的粒子群算法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种考虑风火储联合和需求响应奖惩的优化调度方 法及系统，以通过考虑“源-网-荷”之间的能量交互与耦合的方式，提高电网系 统的灵活性和风电消纳能力。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
实施例一
本发明在源侧接入储能系统以缓解电网系统存在的灵活性不足问题。且在 智能电网背景下，为了进一步提高电网系统的灵活性以及促进风电消纳，各类 需求响应(DR)项目正在展开，“源-网-荷”互动将成为电网发展的必然要求，基 于激励的需求响应已成为当前的研究热点。激励型需求响应的实施需要电力公 司与用户签订合约，若用户履行合约，电网公司则提供经济补偿，否则用户需 要承担未履行合约的经济赔偿，以此来调动用户响应的积极性。
基于此，本实施例提供了一种如图1所示的考虑风火储联合和需求响应奖 惩的优化调度方法，具体包括以下步骤。
步骤101：获取当前调度周期内的用户需求响应负荷量和用户响应负荷 量；所述用户需求响应负荷量为用户与电网系统签订的需求响应量。
步骤102：根据电网系统调度模型以及所述当前调度周期内的用户需求响 应负荷量和用户响应负荷量，采用优化算法，确定各个机组最优出力值。
步骤103：根据各个所述机组最优出力值对下一调度周期的电网系统进行 调度。
其中，所述电网系统调度模型包括目标函数以及所述目标函数对应的约束 条件；所述目标函数为在用户需求响应机制下以最低电网系统运行成本为目标 的函数；所述电网系统运行成本为火电机组运行成本、储能系统运行成本、风 电机组运行成本以及用户需求响应调度成本的和；所述约束条件包括火电机组 约束条件、储能系统约束条件、风电机组约束条件以及用户需求响应约束条件。
所述火电机组运行成本是根据火电机组运行成本模型确定的，所述储能系 统运行成本是根据储能系统运行成本模型确定，所述风电机组运行成本是根据 风电机组运行成本模型确定的，所述用户需求响应调度成本是根据用户需求响 应调度成本模型确定的；所述火电机组运行成本模型、所述储能系统运行成本 模型和所述风电机组运行成本模型均在源侧构建，所述用户需求响应调度成本 模型在荷侧构建。
所述用户需求响应调度成本为奖励成本与惩罚成本的差，所述奖励成本为 当用户响应负荷量时电网系统给用户支付的成本，所述惩罚成本为当用户未响 应负荷量时用户给电网系统支付的成本；所述用户未响应负荷量为所述用户需 求响应负荷量与所述用户响应负荷量的差。
所述火电机组约束条件包括火电机组出力约束、火电机组启停时间约束和 火电机组爬坡约束，所述风电机组约束条件包括风电机组出力约束。所述储能 系统约束条件包括存储能量上下限约束、充放电功率等式约束和定义功率缺额 约束；所述用户需求响应约束条件包括需求响应等式约束、需求响应不等式约 束、可平移负荷约束和可削减负荷约束。
作为优选实施方式，该考虑风火储联合和需求响应奖惩的优化调度方法， 还包括：确定典型负荷场景集；所述典型负荷场景集包括多个典型负荷场景发 生概率。其中，所述确定典型负荷场景集具体包括：获取相似日负荷历史数据； 采用层次聚类算法，对所述相似日负荷历史数据进行聚类，生成典型负荷场景 集。
作为优选实施方式，步骤103具体包括：根据所述典型负荷场景集、电网 系统调度模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负 荷量，采用粒子群算法，确定各个机组最优出力值。其电网系统调度模型的目标函数为
Figure BDA0002796606350000071
其中，F为电网系统运行成本；F1为 火电机组运行成本；Cop为储能系统运行成本；Cpun为风电机组运行成本；F2为 用户需求响应调度成本；Ns为典型负荷场景集；ps为典型负荷场景发生概率。
实施例二
为实现上述目的，本实施例提供了一种考虑风火储联合和需求响应奖惩的 优化调度系统，包括：
负荷量获取模块201，用于获取当前调度周期内的用户需求响应负荷量和 用户响应负荷量；所述用户需求响应负荷量为用户与电网系统签订的需求响应 量。
机组最优出力值计算模块202，用于根据电网系统调度模型以及所述当前 调度周期内的用户需求响应负荷量和用户响应负荷量，采用优化算法，确定各 个机组最优出力值。
调度模块203，用于根据各个所述机组最优出力值对下一调度周期的电网 系统进行调度。
其中，所述电网系统调度模型包括目标函数以及所述目标函数对应的约束 条件；所述目标函数为在用户需求响应机制下以最低电网系统运行成本为目标 的函数；所述电网系统运行成本为火电机组运行成本、储能系统运行成本、风 电机组运行成本以及用户需求响应调度成本的和；所述约束条件包括火电机组 约束条件、储能系统约束条件、风电机组约束条件以及用户需求响应约束条件。
所述火电机组运行成本是根据火电机组运行成本模型确定的，所述储能系 统运行成本是根据储能系统运行成本模型确定，所述风电机组运行成本是根据 风电机组运行成本模型确定的，所述用户需求响应调度成本是根据用户需求响 应调度成本模型确定的；所述火电机组运行成本模型、所述储能系统运行成本 模型和所述风电机组运行成本模型均在源侧构建，所述用户需求响应调度成本 模型在荷侧构建。
所述用户需求响应调度成本为奖励成本与惩罚成本的差，所述奖励成本为 当用户响应负荷量时电网系统给用户支付的成本，所述惩罚成本为当用户未响 应负荷量时用户给电网系统支付的成本；所述用户未响应负荷量为所述用户需 求响应负荷量与所述用户响应负荷量的差。
所述火电机组约束条件包括火电机组出力约束，所述风电机组约束条件包 括风电机组出力约束。
优选的，该系统还包括：典型负荷场景集确定模块，用于确定典型负荷场 景集；所述典型负荷场景集包括多个典型负荷场景发生概率。其中，所述典型 负荷场景集确定模块具体包括：历史数据获取单元，用于获取相似日负荷历史 数据；典型负荷场景集生成单元，用于采用层次聚类算法，对所述相似日负荷 历史数据进行聚类，生成典型负荷场景集。
所述机组最优出力值计算模块202，具体包括：
机组最优出力值计算单元，用于根据所述典型负荷场景集、电网系统调度 模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用 粒子群算法，确定各个机组最优出力值。
实施例三
本实施例公开了一种考虑风火储联合系统和需求响应奖惩机制的优化调 度方法。首先在源测构建考虑风火储联合系统的电网模型及其约束条件，针对 现有需求响应中存在响应不足带来的弃风问题，在荷侧考虑需求响应奖励和阶 梯惩罚机制，构建用电需求响应模型，并确定用电需求响应模型的约束条件； 然后在需求响应奖惩机制下以电网运行成本最低为目标建立目标函数及其约 束条件；再者对负荷需求响应量的不确定性进行处理，采用层次聚类生成典型 场景；最后，采用粒子群算法进行求解，并通过算例验证所提模型及算法的有 效性。
该优化调度方法的原理图如图3所示，其方法包括如下步骤。
步骤1：在源测构建考虑风火储联合系统的电网模型及其约束条件。该电 网模型包括储能系统模型以及风火储联合系统中每个机组的机组模型。
步骤2：在荷侧考虑需求响应奖惩机制，构建用电需求响应模型及其约束 条件。
步骤3：对负荷需求响应量的不确定性进行处理，采用层次聚类算法生成 典型负荷场景集。
步骤4：在需求响应奖惩机制下以电网系统运行成本最低为目标建立目标 函数及其约束条件，得到电网系统调度模型。
步骤5：以15min为调度间隔，将获取的当前调度周期内的用户需求响应 负荷量和用户响应负荷量输入到电网系统调度模型，并利用粒子群算法对该电 网系统调度模型进行求解，确定各个机组最优出力值。
步骤6：根据各个机组最优出力值对下一调度周期的电网系统进行调度。
步骤1，具体包括：
建立火电机组模型及其约束条件。
此火电机组模型的表达式为：
Figure BDA0002796606350000091
其中，f0为煤耗成本， ai，bi，ci为第i个火电机组的二次拟合系数，Pi,t为第i个火电机组在第t时刻 的实际功率。
由于火电机组在运行时存在功率上下限，启停时间和爬坡，故火电机组模 型的约束条件如下：
机组出力约束：
Figure BDA0002796606350000092
其中，
Figure BDA0002796606350000093
分别是常规机组出力下限和上限。
机组启停时间约束：
Figure BDA0002796606350000094
其中，
Figure BDA0002796606350000095
为火电机组截至(t-1)时刻持续在线时间；
Figure BDA0002796606350000096
为机组最短开机 时间；
Figure BDA0002796606350000101
为机组截至(t-1)时刻持续停机时间：
Figure BDA0002796606350000102
为机组最短停机时间。
机组爬坡约束：
Figure BDA0002796606350000103
其中Pi,t-1，Pi,t分别是机组(t-1)时刻 和t时刻的功率出力值，
Figure BDA0002796606350000104
分别是机组向上、向下最大爬坡速率。
建立风电机组模型及其约束条件。
此风电机组模型的表达式为：
Figure RE-GDA0002909469300000105
其中，Cpun为是风 电机组运行成本，具体包括弃风成本和缺电成本两部分，Nw为风电机组的总 数，μ为0-1变量，代表风电机组的状态，γ1和γ2分别为弃风惩罚系数和缺电 惩罚系数，Pw,t为风电机组的实际出力，Pref是联合系统在时段Δt的计划出力。
风电机组模型的机组出力约束：
Figure BDA0002796606350000106
其中，
Figure BDA0002796606350000107
分别是风电机组出力下限和上限。
建立储能系统模型及其约束条件。
此储能系统模型的表达式为：
Figure BDA0002796606350000108
其中，sb(t)为第 t时刻的电池荷电状态，β为储能系统的自放电系数，ηch、ηdis分别是充、放电 效率，uch(t)、udis(t)均为0-1变量，分别表示储能系统的充、放状态，Pch(t)、 Pdis(t)分别是充、放电功率，Eb为储能电池容量，Δt为一个调度间隔时段。
储能系统能够在电能相对富裕时储存电能，在需要时释放电能，能够在一 定程度上缓解大规模风电等可再生能源接入电网带来的功率波动及稳定性问 题，进而提高电网的灵活性。
储能系统模型的约束条件如下：
存储能量上下限约束：smin≤sb(t)≤smax，其中smin，smax分别是储能系统容量 的下限和上限。
充放电功率等式约束：Pb,t＝uch(t)Pch(t)-udis(t)Pdis(t)。
定义功率缺额约束：ΔP(t)＝Pi,t+Pw,t-Pref，当功率缺额ΔP(t)为正时，储能 系统应放电，此时udis＝1，
Figure BDA0002796606350000111
当功 率缺额ΔP(t)为负时，储能系统应充电，此时uch＝1，
Figure BDA0002796606350000112
为保证储能系统不能同时为生产者和消费者，需满足：uch(t)+udis(t)≤1。
步骤2，具体包括：
本实施例提出了新型“源-网-荷”互动模式，区别于传统的电网系统，在源 侧增加储能系统，负荷侧考虑需求响应奖励和阶梯惩罚法，有效缓解大规模风 电等可再生能源接入电网带来的弃风问题，进一步提高电网整体的灵活性和风 电消纳能力。
需求响应概念的提出充分调动了用户参与调度的积极性，可以有效地对负 荷曲线进行“削峰填谷”，促进风电等可再生能源的消纳。但现有的激励型需求 响应将负荷分成几类，仅仅考虑对用户响应部分进行奖励，而忽略了用户未响 应的部分，并且未考虑用户因突发性原因无法履行合约为电网运行调度带来的 不确定性问题，因此本实施例在这两个方面上加以创新；首先将负荷分为可削 减负荷和可平移负荷，针对可削减负荷考虑用户的重要级采用分档补偿法，针 对可平移负荷采用基准电价补偿法，针对用户未响应部分考虑阶梯惩罚法，针 对用户响应的不确定性采用层次聚类法。
针对用户未响应部分考虑阶梯惩罚法：假设Q0是用户与电网签订的需求响 应量(又称为用户需求响应负荷量)，Q1是用户未响应量(又称为用户未响应 负荷量)，代表惩罚深度，惩罚深度越大，用户违约越多，初始惩罚价格越高， 故定义初始单位惩罚价格
Figure BDA0002796606350000113
其中a，b为给定的惩罚系数，阶梯惩 罚系数为θ，并规定用户需求响应最小值为Qmin，则用户未响应量的最大值 Q01＝Q0-Qmin，定义惩罚单个区间大小
Figure BDA0002796606350000114
根据响应量的不确定性，则不 同区间对应的惩罚单价为：
Figure BDA0002796606350000121
根据上述不同形式的负荷量以及对应的电价构建用电需求响应模型。
用电需求响应模型的约束条件如下：
需求响应等式约束：
Figure BDA0002796606350000122
其中pTL是t时刻的可平移 功率，NA为可削减负荷的数目，
Figure BDA0002796606350000123
为分档数，
Figure BDA0002796606350000124
是t时刻的实际负荷削减 量。
需求响应不等式约束：
Figure BDA0002796606350000125
可平移负荷约束：
平移前后负荷总量不变：
Figure BDA0002796606350000126
平移容量约束：
Figure BDA0002796606350000127
其中
Figure BDA0002796606350000128
和
Figure BDA0002796606350000129
分别是可转移负荷的下限 和上限。
可削减负荷约束：
削减容量约束：
Figure BDA00027966063500001210
其中
Figure BDA00027966063500001211
和
Figure BDA00027966063500001212
分别是可削减负荷的 下限和上限；
削减总次数约束：
Figure BDA00027966063500001213
其中T1为本次调度阶段的时段总数，xm,i,t是采用二进制数表示可削减负荷的响应状态，0代表未响应合同，1代表响应 合同进行负荷削减，Mmax为最大削减总次数；
削减速率约束：
Figure BDA00027966063500001214
其中Rm为允许可削减负荷的最大变化率；
最小连续时间：(xm,i,t-xm,i,t-1)+(xm,i,t+γ-1-xm,i,t+γ)≤1γ∈{1,2,…,ton-1}，ton表示最 小连续时间；
最小间隔时间：(xm,i,t-1-xm,i,t)+(xm,i,t+χ-xm,i,t+χ-1)≤1χ∈{1,2,…,toff-1}，toff表示最 小间隔时间。
步骤3，具体包括：
针对负荷响应的不确定性，采用层次聚类，考虑对大量相似日负荷数据进 行聚类，生成具有不同概率的典型负荷场景集，将典型负荷场景集作为调度计 划制定的依据。
(1)将每个相似日的负荷场景日视作一个单独的聚类，所有相似日的负荷 场景表示为
Figure BDA0002796606350000131
其中
Figure BDA0002796606350000132
表示第i个相似日的负荷场景各个时 刻的负荷响应值。
(2)计算每个类之间的距离：
Figure BDA0002796606350000133
其中，
Figure BDA0002796606350000134
代表第k次迭代时，第p 个和第q个场景间的距离。m为Minkowski距离的距离系数，根据其值的不同， 它可以表示不同的距离量度方式。本实施例采用m＝2的欧氏距离。当每类场 景集合中包含多个场景时，采用平均距离进作为两类场景间的距离：
Figure BDA0002796606350000135
其中
Figure BDA0002796606350000136
代表第P个场景集合和第Q个场景集 合之间的距离，Np、NQ分别表示场景集合P、Q中的场景数量。
(3)寻找欧式距离矩阵中的最小值，将其对应的两类场景集中包含的场景 合并，生成新的场景集合代替原场景集合。
(4)重复(2)(3)，直到距离矩阵中的最小值不再小于给定值，即认为层次聚 类已经将所有相似日的负荷场景集聚为一定数量的典型负荷场景集Ns，每类 场景集中场景数占总场景数的比例，即为该典型负荷场景发生概率ps。
步骤4，具体包括：
目标函数为在用户需求响应机制下以最低电网系统运行成本为目标的函 数，电网系统运行成本为火电机组运行成本、储能系统运行成本、风电机组运 行成本以及用户需求响应调度成本的和。
所述目标函数为
Figure BDA0002796606350000141
式中，F为电网系统运行成本；F1为火电机组运行成本；Cop为储能系统 运行成本；Cpun为风电机组运行成本；F2为用户需求响应调度成本；Ns为典型 负荷场景集；ps为典型负荷场景发生概率。
其中，
Figure BDA0002796606350000142
F1是火电机组运行成本，T为调度周期，NG为机 组总数，f0和s0分别为火电机组的煤耗成本和启停成本；
Figure BDA0002796606350000143
ai， bi，ci为火电机组二次拟合系数，Pi,t为第i个火电机组在t时刻的火电出力； s0＝ui,t(1-ui,t-1)Si，ui,t为第i个火电机组在t时刻的启停状态，运行状态由1表 示，停止状态用0表示，Si为机组启动成本。
Cop＝ξCinv，Cop为储能系统运行成本，ξ为储能电站的年维护成本占年投资 成本的比例，Cinv为储能设备初始投资费用；
Figure BDA0002796606350000144
λ为年 利率，Cre为单位储能容量成本，n为储能设备的使用年限。
Figure RE-GDA0002909469300000145
Cpun是风电机 组运行成本，具体包括弃风成本和缺电成本两部分，Nw为风电机组的总数，μ 为0-1变量，代表风电机组的状态，γ1和γ2分别为弃风惩罚系数和缺电惩罚系 数，反映了电网系统对风火储联合发电系统执行计划出力要求的严格程度，惩 罚系数越高，对联合发电系统的可控性要求就越高，Pw,t为风电机组的实际出 力，Pref是联合系统在时段Δt的计划出力。
F2＝FLDR-pe，F2为用户需求响应调度成本，FLDR为电网支付给用户积极 响应的奖励成本，pe是用户因未遵守合约需要支付给电网的费用，
Figure BDA0002796606350000151
p1(t)为平移负荷的基准单位补偿电价，
Figure BDA0002796606350000152
是第m档可削减负荷i的单位补偿价格。
不同区间的负荷响应量对应的用户支付给电网的成本为
Figure BDA0002796606350000153
系统平衡约束：
Figure BDA0002796606350000154
其中Pb,t为储能系统出力，PL,t为负荷的计划出力，α是负荷中柔性负荷所占的比例。
步骤5，具体包括：
日内优化调度步骤：
步骤11、设定优化调度时间间隔为15min，转步骤2。
步骤12、从零点开始，判断运行时间是否到达15min，若是则执行步骤 13，若否执行步骤12。
步骤13：进行日内优化调度，并判断是否符合相应约束条件。
如图4所示，采用粒子群算法对调度模型进行求解，确定机组的最优输出 功率，具体流程包括：
S301、设定算例基本数据。
S302、随机初始化每个粒子，设定粒子的初始位置和速度，确定精度数据。
S303、离散化过程，确定粒子的位置和函数适应度，比较适应度进行局部 寻优。
S304、判断是否达到精度要求或收敛，若是，则输出全体最优值作为最优 出力方案，否则，更新历史粒子最优，直到获得全局最优值。
本发明提出的目标函数以电网系统运行成本最低为目标函数，作为极值优 化，粒子的运动轨迹是由一系列连续的直线组成，并且由运动方向和移动距离2个参数决定，运动方向与夹角由概率分布决定，由上一步的信息来确定下一 步的移动，粒子群会不断寻优，通过局部最优的比较来确定全局最优解，即本 发明目标函数的极小值点。
本发明的优化变量为电网中风火储联合系统各设备出力与目标函数中用 户需求响应功率交互，各电网间功率交互为优化变量，以各设备出力上下限， 爬坡速率，需求响应相关约束模型等作为目标函数的约束条件，通过粒子群算 法得出各机组最优出力方案与最低运行成本。
作为一种优选的实施方式，本实施例提供的调度方法，之后还包括：确定 设备的最优输出功率后对其进行仿真，具体包括：
(1)对以下3种场景进行仿真。
场景1，不考虑负荷侧需求响应的传统的风火储联合系统调度。
场景2，考虑负荷侧需求响应的传统的风火储联合系统调度，用户负荷响 应则提供给一定的经济补偿。
场景3，考虑负荷侧奖惩需求响应的传统的风火储联合系统调度，用户负 荷响应则提供给一定的经济补偿，未响应则按阶梯惩罚法赔偿电网公司。
(2)采用MATLAB软件编写粒子群算法程序对算例进行仿真分析。
通过仿真可知，该模型在相比传统风火储联合系统具有显著的风电消纳能 力与灵活性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较 简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种考虑风火储联合和需求响应奖惩的优化调度方法，其特征在于，包括：
获取当前调度周期内的用户需求响应负荷量和用户响应负荷量；所述用户需求响应负荷量为用户与电网系统签订的需求响应量；
根据电网系统调度模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用优化算法，确定各个机组最优出力值；
根据各个所述机组最优出力值对下一调度周期的电网系统进行调度；
其中，所述电网系统调度模型包括目标函数以及所述目标函数对应的约束条件；所述目标函数为在用户需求响应机制下以最低电网系统运行成本为目标的函数；所述电网系统运行成本为火电机组运行成本、储能系统运行成本、风电机组运行成本以及用户需求响应调度成本的和；所述约束条件包括火电机组约束条件、储能系统约束条件、风电机组约束条件以及用户需求响应约束条件；
所述火电机组运行成本是根据火电机组运行成本模型确定的，所述储能系统运行成本是根据储能系统运行成本模型确定，所述风电机组运行成本是根据风电机组运行成本模型确定的，所述用户需求响应调度成本是根据用户需求响应调度成本模型确定的；所述火电机组运行成本模型、所述储能系统运行成本模型和所述风电机组运行成本模型均在源侧构建，所述用户需求响应调度成本模型在荷侧构建；
所述用户需求响应调度成本为奖励成本与惩罚成本的差，所述奖励成本为当用户响应负荷量时电网系统给用户支付的成本，所述惩罚成本为当用户未响应负荷量时用户给电网系统支付的成本；所述用户未响应负荷量为所述用户需求响应负荷量与所述用户响应负荷量的差；
所述火电机组约束条件包括火电机组出力约束，所述风电机组约束条件包括风电机组出力约束。
2.根据权利要求1所述的一种考虑风火储联合和需求响应奖惩的优化调度方法，其特征在于，在执行根据电网系统调度模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用优化算法，确定各个机组最优出力值步骤之前，还包括：
确定典型负荷场景集；所述典型负荷场景集包括多个典型负荷场景发生概率。
3.根据权利要求2所述的一种考虑风火储联合和需求响应奖惩的优化调度方法，其特征在于，所述确定典型负荷场景集，具体包括：
获取相似日负荷历史数据；
采用层次聚类算法，对所述相似日负荷历史数据进行聚类，生成典型负荷场景集。
4.根据权利要求2所述的一种考虑风火储联合和需求响应奖惩的优化调度方法，其特征在于，所述根据电网系统调度模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用优化算法，确定各个机组最优出力值，具体包括：
根据所述典型负荷场景集、电网系统调度模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用粒子群算法，确定各个机组最优出力值。
5.根据权利要求1所述的一种考虑风火储联合和需求响应奖惩的优化调度方法，其特征在于，所述火电机组约束条件还包括火电机组启停时间约束和火电机组爬坡约束；所述储能系统约束条件包括存储能量上下限约束、充放电功率等式约束和定义功率缺额约束；所述用户需求响应约束条件包括需求响应等式约束、需求响应不等式约束、可平移负荷约束和可削减负荷约束。
6.根据权利要求2所述的一种考虑风火储联合和需求响应奖惩的优化调度方法，其特征在于，所述目标函数为
Figure FDA0002796606340000021
其中，F为电网系统运行成本；F1为火电机组运行成本；Cop为储能系统运行成本；Cpun为风电机组运行成本；F2为用户需求响应调度成本；Ns为典型负荷场景集；ps为典型负荷场景发生概率。
7.一种考虑风火储联合和需求响应奖惩的优化调度系统，其特征在于，包括：
负荷量获取模块，用于获取当前调度周期内的用户需求响应负荷量和用户响应负荷量；所述用户需求响应负荷量为用户与电网系统签订的需求响应量；
机组最优出力值计算模块，用于根据电网系统调度模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用优化算法，确定各个机组最优出力值；
调度模块，用于根据各个所述机组最优出力值对下一调度周期的电网系统进行调度；
其中，所述电网系统调度模型包括目标函数以及所述目标函数对应的约束条件；所述目标函数为在用户需求响应机制下以最低电网系统运行成本为目标的函数；所述电网系统运行成本为火电机组运行成本、储能系统运行成本、风电机组运行成本以及用户需求响应调度成本的和；所述约束条件包括火电机组约束条件、储能系统约束条件、风电机组约束条件以及用户需求响应约束条件；
所述火电机组运行成本是根据火电机组运行成本模型确定的，所述储能系统运行成本是根据储能系统运行成本模型确定，所述风电机组运行成本是根据风电机组运行成本模型确定的，所述用户需求响应调度成本是根据用户需求响应调度成本模型确定的；所述火电机组运行成本模型、所述储能系统运行成本模型和所述风电机组运行成本模型均在源侧构建，所述用户需求响应调度成本模型在荷侧构建；
所述用户需求响应调度成本为奖励成本与惩罚成本的差，所述奖励成本为当用户响应负荷量时电网系统给用户支付的成本，所述惩罚成本为当用户未响应负荷量时用户给电网系统支付的成本；所述用户未响应负荷量为所述用户需求响应负荷量与所述用户响应负荷量的差；
所述火电机组约束条件包括火电机组出力约束，所述风电机组约束条件包括风电机组出力约束。
8.根据权利要求7所述的一种考虑风火储联合和需求响应奖惩的优化系统，其特征在于，还包括：
典型负荷场景集确定模块，用于确定典型负荷场景集；所述典型负荷场景集包括多个典型负荷场景发生概率。
9.根据权利要求8所述的一种考虑风火储联合和需求响应奖惩的优化调度系统，其特征在于，所述典型负荷场景集确定模块，具体包括：
历史数据获取单元，用于获取相似日负荷历史数据；
典型负荷场景集生成单元，用于采用层次聚类算法，对所述相似日负荷历史数据进行聚类，生成典型负荷场景集。
10.根据权利要求8所述的一种考虑风火储联合和需求响应奖惩的优化调度系统，其特征在于，所述机组最优出力值计算模块，具体包括：
机组最优出力值计算单元，用于根据所述典型负荷场景集、电网系统调度模型以及所述当前调度周期内的用户需求响应负荷量和用户响应负荷量，采用粒子群算法，确定各个机组最优出力值。
CN202011333953.1A 2020-11-25 2020-11-25 考虑风火储联合和需求响应奖惩的优化调度方法及系统 Active CN112510690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011333953.1A CN112510690B (zh) 2020-11-25 2020-11-25 考虑风火储联合和需求响应奖惩的优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011333953.1A CN112510690B (zh) 2020-11-25 2020-11-25 考虑风火储联合和需求响应奖惩的优化调度方法及系统

Publications (2)

Publication Number Publication Date
CN112510690A true CN112510690A (zh) 2021-03-16
CN112510690B CN112510690B (zh) 2022-12-20

Family

ID=74959786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011333953.1A Active CN112510690B (zh) 2020-11-25 2020-11-25 考虑风火储联合和需求响应奖惩的优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN112510690B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968480A (zh) * 2021-03-31 2021-06-15 国网山东省电力公司电力科学研究院 基于机组负荷响应能力的风火电联合优化调度方法及系统
CN115864429A (zh) * 2022-08-31 2023-03-28 湖北工业大学 双碳目标下风储火协同的多目标优化agc方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179704A1 (en) * 2009-01-14 2010-07-15 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
CN110535185A (zh) * 2019-08-09 2019-12-03 东北电力大学 一种考虑需求响应的含光热电站多源优化运行方法
CN111969613A (zh) * 2020-07-30 2020-11-20 中国电力科学研究院有限公司 一种需求响应优化调度方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179704A1 (en) * 2009-01-14 2010-07-15 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
CN110535185A (zh) * 2019-08-09 2019-12-03 东北电力大学 一种考虑需求响应的含光热电站多源优化运行方法
CN111969613A (zh) * 2020-07-30 2020-11-20 中国电力科学研究院有限公司 一种需求响应优化调度方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
原睿萌等: "计及价格型需求响应负荷响应量与风电出力相关性的含风电电力系统优化调度研究", 《可再生能源》 *
崔雪等: "考虑风电消纳的电热联合系统源荷协调优化调度", 《电力自动化设备》 *
梁毅等: "含附加热源和需求响应的电热联合系统运行优化", 《电网与清洁能源》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968480A (zh) * 2021-03-31 2021-06-15 国网山东省电力公司电力科学研究院 基于机组负荷响应能力的风火电联合优化调度方法及系统
CN112968480B (zh) * 2021-03-31 2023-08-08 国网山东省电力公司电力科学研究院 基于机组负荷响应能力的风火电联合优化调度方法及系统
CN115864429A (zh) * 2022-08-31 2023-03-28 湖北工业大学 双碳目标下风储火协同的多目标优化agc方法

Also Published As

Publication number Publication date
CN112510690B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
Ju et al. Multi-objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic-electric vehicles considering uncertainties and demand response
CN107565607B (zh) 一种基于实时电价机制的微电网多时间尺度能量调度方法
CN105207259B (zh) 基于能量管理的并网状态下的微电网系统调度方法
CN111555281B (zh) 一种电力系统灵活性资源配置仿真方法及装置
CN112821465B (zh) 包含热电联产的工业微网负荷优化调度方法与系统
James et al. Optimal V2G scheduling of electric vehicles and unit commitment using chemical reaction optimization
CN105139147A (zh) 微电网系统的经济调度方法
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN110232583B (zh) 一种考虑碳排放权的电力市场边际价格规划方法
Dadashi et al. Coordination of wind power producers with an energy storage system for the optimal participation in wholesale electricity markets
CN115117940A (zh) 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法
CN116316567A (zh) 一种阶梯碳交易机制下综合能源需求响应优化方法
Bagheri et al. Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation
CN115169723A (zh) 发电功率预测方法、负荷预测方法及模型训练方法
CN111682536A (zh) 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
Li et al. A scheduling framework for VPP considering multiple uncertainties and flexible resources
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
CN114547821A (zh) 基于灰色关联理论的可调度柔性资源辨识方法、存储介质
Gong et al. Economic dispatching strategy of double lead-acid battery packs considering various factors
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统
Peivand et al. Wind curtailment mitigation in presence of battery energy storage and electric vehicle: A comprehensive multi-objective decision-support framework
Žnidarec et al. Double-layer microgrid energy management system for strategic short-term operation scheduling
Yan et al. Combined Source-Storage-Transmission Planning Considering the Comprehensive Incomes of Energy Storage System
Yang et al. Tight power balance multi-time scale disposal strategy for wind integrated system considering electric vehicle charging station
Huang et al. Optimal Configuration of Fire-Storage Capacity Considering Dynamic Charge-Discharge Efficiency of Hybrid Energy Storage

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240409

Address after: 073000 West 200m northbound at the intersection of Dingzhou commercial street and Xingding Road, Baoding City, Hebei Province (No. 1910, 19th floor, building 3, jueshishan community)

Patentee after: Hebei Kaitong Information Technology Service Co.,Ltd.

Country or region after: China

Address before: No.438, west section of Hebei Street, Haigang District, Qinhuangdao City, Hebei Province

Patentee before: Yanshan University

Country or region before: China

TR01 Transfer of patent right

Effective date of registration: 20240412

Address after: Room 306, 3rd Floor, Building G3, Wuhan New Energy Research Institute, No. 999 Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430400 (Free Trade Zone Wuhan Area)

Patentee after: Wuhan Xinneng era technology Co.,Ltd.

Country or region after: China

Address before: 073000 West 200m northbound at the intersection of Dingzhou commercial street and Xingding Road, Baoding City, Hebei Province (No. 1910, 19th floor, building 3, jueshishan community)

Patentee before: Hebei Kaitong Information Technology Service Co.,Ltd.

Country or region before: China