CN113471966A - 一种计及中断优先级的大工业负荷柔性调控方法 - Google Patents

Abstract

本发明公开了一种计及中断优先级的大工业负荷柔性调控方法，包括步骤：获取负荷历史数据，并对数据进行预处理；建立短期和超短期负荷预测模型；制定大工业负荷参与电网调峰的滚动控制策略；建立双向调峰优化模型；获取负荷实时数据、中断特性及火电机组的属性，选择合适的双向调峰优化模型；获取负荷预测数据；运用多目标智能优化算法求解该包含复杂约束的多目标优化模型；制定大工业负荷和火电机组的调峰控制方案。本发明充分考虑了发电侧与需求侧参与电网调峰的经济性和调峰效果，并计及不同大工业负荷可中断能力的差异，优先调节中断优先级较高的负荷，制定出最优的大工业负荷和火电机组的调峰控制方案，具有较强的工程实用性和推广价值。

Description

一种计及中断优先级的大工业负荷柔性调控方法

技术领域

本发明属于电力需求侧管理技术领域，具体涉及一种计及中断优先级的大工业负荷柔性调控方法。

背景技术

随着社会经济的迅猛发展，产业结构快速升级，人民生活水平不断提高，社会各界对于电力供应的需求早已今非昔比，供需矛盾日益凸显出来，极大地增加了电网运行的风险和成本。针对当前的用电情况，负荷刚性调节、简单切除等传统方法已经无法满足智能用电的需求，对电力需求侧管理技术的研究就显得极为重要。

而对电力需求侧管理技术的研究中，国家近年来对于需求侧柔性控制技术的重视程度与日俱增，但由于该项技术才刚刚起步，很多方法、理论还不够成熟。当前的国内外学者对于需求侧管理的研究大多局限于一些小型柔性负荷，如：电动汽车、空调等；反观一些用电体量较大的工业负荷，其自身具有相对较高的调节潜力，相关的研究刚刚起步，值得深入研究。

发明内容

本发明的技术目的是提供一种计及中断优先级的大工业负荷柔性调控方法，填补相关技术领域研究的空白，以改善现有技术的不足。

为实现上述目的，本发明采用以下技术方案：

一种计及中断优先级的大工业负荷柔性调控方法，其特征在于，包括如下步骤：

S1、制定大工业负荷参与电网调峰的滚动控制策略；

S2、获取各个参与调峰的工业用户近期的用电负荷历史数据；

S3、对所述用电负荷历史数据进行预处理；

S4、根据用电负荷历史数据，建立短期和超短期负荷预测模型；

所述短期负荷预测模型是指依据用户日用电负荷历史数据预测未来一天或多天的用电负荷数据；

所述超短期负荷预测模型是指在一天内设置多个采样时间点，根据用户在各采样时间点的用电负荷历史数据预测下一个或多个时间点的用电负荷数据；

S5、根据大工业负荷参与电网调峰的滚动控制策略，建立发电侧和需求侧双向调峰的日前-日内-实时三阶段滚动优化模型；

S6、获取各个参与电网调峰的工业用户的负荷实时数据、中断特性以及火电机组的属性；

S7、根据负荷实际运行情况，判断应该选择何种调峰优化模型，并运用短期或超短期负荷预测模型获取负荷预测数据；

S8、运用多目标智能优化算法对优化模型进行求解；

S9、根据模型优化求解的结果，制定大工业负荷和火电机组的调峰控制方案。

在上述方案的基础上，进一步改进或优选的方案还包括：

进一步的，步骤S1制定的大工业负荷参与电网调峰的滚动控制策略包括：

S11、设置3级时间尺度，分别通过日前优化控制、日内滚动调整、实时紧急调度三大环节实现；

S12、日前优化控制环节的时间尺度为24小时，即每隔24小时循环1次，该环节根据近期一段时间内各工业用户的日用电负荷数据，预测后一天的用电负荷，然后以此为基准，以火力发电成本和负荷调控成本的最小化为目标，兼顾负荷特性曲线的平稳程度，确定各工业用户在新一天里的用电负荷中断时间以及火电厂的机组启停状态；

S13、日内滚动调整环节的时间尺度为4小时，即每隔4小时循环1次，该环节在日前优化控制的基础上，以用户负荷中断时间以及火电机组组合为基准，考虑当天内用电负荷的变化，对负荷进行滚动预测，以提高负荷预测精度，并根据实际情况制定火电机组出力计划以及负荷用电计划；

S14、实时紧急调度环节的时间尺度为15分钟，即每隔15分钟会循环1次，该环节主要存在两大场景：一种是应对工业用户无法执行用电计划导致用电负荷突变的情况，若工业用户无法停止用电，修改其中断特性，将其中断优先级置底，并对该用户的用电负荷重新进行预测，调节步骤S13制定的火电机组出力计划以及负荷用电计划；另一种是在用户按照用电计划用电的正常情况下，实时调整火电机组出力，以保证发电成本时刻保持最小化。

进一步的，步骤S5中建立的发电侧和需求侧双向调峰的日前-日内-实时三阶段滚动优化模型具体如下：

S51、日前优化控制模型

目标函数为：

该式中，f_c表示用电负荷和火电机组调节的总成本，f_p表示负荷特性曲线的平稳程度，即负荷标准差，m表示参与电网调峰的工业用户总数为m，y_i表示第i个用户的负荷中断优先级对应的调节成本系数，d_j表示各个时间段的电价，p_ij表示第i个用户在第j个时刻的计划用电负荷，p_ij′表示第i个用户在第j个时刻的预测用电负荷，

表示第i个用户的用电负荷中断开始时间，

表示第i个用户的用电负荷中断结束时间，b_i表示单位功率负荷中断补偿成本系数，

表示第i个用户在第j个时刻的用电负荷中断量，用户负荷调节成本C_load由负荷中断损失的电价成本和补偿成本组成；u表示参与电网调峰的火电机组数量为u，a_i″、e_i″、v_i″分别为第i″个火电机组常规调峰下的煤耗成本系数，q_i″j表示第i″个火电机组在第j个时刻的出力，这里用二次函数来描述火电机组发电的煤耗成本，

表示第i″个火电机组的启动成本，

表示第i″个火电机组的关停成本，z_i″j表示第i″个火电机组在第j个时刻的启、停状态，开机状态下置1，关停状态下置0，火电的总成本C_fire由火电机组发电的煤耗成本和启停成本构成；F＝min(f_c,f_p)表示该模型有两个目标函数f_c和f_p，且它们的函数值均要最小化；

约束条件为：

该式中，

表示电网负荷高峰期的开始时间点，

表示电网负荷高峰期的结束时间点，p_i.min表示第i个用户的最小用电负荷，p_i.max表示第i个用户的最大用电负荷，T_i.min表示第i个用户用电负荷的最小可中断时间，T_i.max表示第i个用户用电负荷的最大可中断时间，

表示第i个用户用电负荷的最小可中断容量，

表示第i个用户用电负荷的最大可中断容量，t表示当前制定工业用户用电计划的时间点，此时t＝1，s_i表示第i个用户的中断响应时间，roundup()函数表示对数值向上取整；q_i″.min表示第i″个火电机组的最小出力，q_i″.max表示第i″个火电机组的最大出力，r_i″.down表示第i″个火电机组的最大向下爬坡速率，r_i″.up表示第i″个火电机组的最大向上爬坡速率，t′表示火电机组开机或关停的起始时刻，T_i″.on表示第i″个火电机组的最小连续开机时间，T_i″.off表示第i″个火电机组的最小连续关机时间，X_up表示正旋转备用容量，X_down表示负旋转备用容量；

S52、日内滚动调整模型

目标函数为：

该式中，k′表示第k′+1次滚动，

表示第k′+1次滚动控制所需要的用电负荷和火电机组调节的总成本，

表示第k′+1次滚动控制后负荷特性曲线的平稳程度，即负荷标准差，

表示第k′+1次滚动中第一种情况下的用户负荷调节成本，

表示第k′+1次滚动中第二种情况下的用户负荷调节成本，

表示第k′+1次滚动中火力发电的总成本；

表示该模型有两个目标函数

和

且它们的函数值均要最小化；

约束条件为：

日内滚动调整模型中的第一种情况是：当滚动开始前，用户未中断用电，其负荷调节成本函数为：

式中，km1表示一共存在km1个用户未中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，t＝16×k′+1；

日内滚动调整模型中的第二种情况是：当滚动开始前，用户正在中断用电，其负荷调节成本函数为：

式中，km2表示一共存在km2个用户正在中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，T_i.ready表示第i个用户在此次滚动控制开始前已经中断用电的时间；

S53、实时紧急调度模型

该模型主要有2个场景，一种是用户无法执行用电计划的情况，需要重新制定火电机组出力计划以及负荷用电计划；另一种是所有用户按照用电计划用电，为保证发电成本时刻保持最小化，需要实时调整火电机组出力；

S531、场景一下的目标函数为：

该式中，h表示第h个时间点检测到未执行用电计划的用户，l表示该时刻一共有l位用户未执行用电计划，

表示经过第h个时间点的调控后所需要的用电负荷和火电机组调节的总成本，

表示经过第h个时间点的调控后负荷特性曲线的平稳程度，即负荷标准差；

表示第h个时间点第一种情况下的用户负荷调节成本，

表示第h个时间点第二种情况下的用户负荷调节成本，

表示第h个时间点火力发电的总成本；

表示该模型有两个目标函数

和

且它们的函数值均要最小化；

约束条件为：

实时紧急调度模型场景一的第一种情况是：当紧急调节开始前，用户未中断用电，其负荷调节成本函数为：

式中，hm1表示一共存在hm1个用户未中断用电；

此时，对于这部分用户对象，附加的约束条件为：

实时紧急调度模型场景一的第二种情况是：当紧急调节开始前，用户正在中断用电，其负荷调节成本函数为：

式中，hm2表示一共存在hm2个用户正在中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，t＝h；

S532、场景二下的目标函数为：

约束条件为：

式中，q′_i″j表示第i″个火电机组在第j个时刻的计划出力，A_i″、B_i″为第i″个火电机组的调整出力成本系数，Tz是一个0-1变量，当需要调节机组出力，即q_i″j-q′_i″j≠0时，置1，否则置0。

进一步的，步骤S52的日内滚动调整模型和步骤S53的实时紧急调度模型中均存在第三种情况，即当滚动开始前，用户已经完成一次中断用电，则不再中断其用电负荷，此时负荷调节成本记为0。

进一步的，步骤S6中：

所述中断特性包括：可中断时间、可中断容量、响应时间、单位电量调节成本以及负荷中断优先级；

所述火电机组属性包括：煤耗成本系数、启停成本系数、机组出力区间、爬坡速率、最小连续启停时间、旋转备用容量。

作为优选，步骤S2中获取各个参与调峰的工业用户一个月内的用电负荷历史数据。

作为优选，对用电负荷历史数据的预处理，采用Newton插值法填补负荷历史数据中的缺失值。

作为优选，步骤S4中，基于GRU神经网络，利用电负荷历史数据，建立和训练所述短期与超短期负荷预测模型。

本发明从需求侧参与电网调峰的实际应用出发，提出了一种计及中断优先级的大工业负荷柔性调控方法。在传统滚动调度方法的基础上，本发明充分考虑了大工业负荷的中断优先级，针对大工业用户，制定全新的大工业负荷参与电网调峰的滚动控制策略，大大提高了方案的可行性；同时。提出了利用负荷历史数据训练短期和超短期负荷预测模型，为双向调峰的研究作铺垫；然后，根据大工业负荷参与电网调峰的滚动控制策略，创新性地建立了双向调峰日前优化控制模型、日内滚动调整模型以及日内紧急调节模型，并讨论了多种情况下双向调峰模型可能出现的变化，以保证模型的准确性；最后，运用多目标智能优化算法求解模型，可依次为依据制定出合理的大工业负荷和火电机组的调峰控制方案。

附图说明

图1是本发明的方法流程图；

图2是大工业负荷参与电网调峰的滚动控制策略流程图；

图3是负荷预测模型建立步骤的具体流程图；

图4是双向调峰模型求解步骤的具体流程图。

具体实施方式

为了阐明本发明的技术方案，下面结合附图与具体实施例对本发明做详细的说明。

参考图1所示的一实施例，本实施例方法的总体流程步骤如下：

1)基于多时间尺度和负荷中断优先级的分析，制定大工业负荷参与电网调峰的滚动控制策略；

2)获取各个参与调峰的工业用户近一个月的用电负荷历史数据；

3)对原始的用电负荷历史数据进行预处理，填补缺失值，并去除噪声值；

4)若数据预处理成功，则跳转至步骤5)，进行下一步操作，否则跳转至步骤2)，重新获取负荷历史数据；

5)搭建GRU神经网络，利用处理后的用电负荷历史数据训练模型，完成短期负荷预测模型的建立；

6)重新搭建GRU神经网络，利用短期负荷预测模型预测出的负荷数据训练模型，建立超短期负荷预测模型；

7)获取各个参与电网调峰的工业用户的负荷实时数据、中断特性以及火电机组特性，中断特性包括：可中断时间、可中断容量、响应时间、单位电量调节成本以及负荷中断优先级，火电机组特性包括：煤耗成本系数、启停成本系数、机组出力区间、爬坡速率、最小连续启停时间、旋转备用容量；

8)根据工业用户的负荷中断特性、火电机组属性以及负荷短期预测结果，建立双向调峰的日前优化控制模型；

9)根据工业用户的负荷中断特性、火电机组属性以及负荷超短期预测结果，建立双向调峰的日内滚动调整模型；

10)根据工业用户的负荷中断特性、火电机组属性以及负荷超短期预测结果，建立双向调峰的实时紧急调度模型；

11)根据负荷运行状态，判断选择何种双向调峰优化模型，即日前优化控制模型、日内滚动调整模型、实时紧急调度模型；

12)根据选择的双向调峰优化模型，采用短期或超短期负荷预测模型进行相应时段的负荷预测，更新预测数据；

13)运用多目标智能优化算法对该优化模型(计及复杂约束的多目标优化问题)进行求解；所述多目标智能优化算法为现有技术，此处不再展开叙述；

14)根据模型优化求解的结果，制定大工业负荷和火电机组的调峰控制方案，实现电网调峰。

为了更清楚地说明本发明，下面对上述相关内容进行展开描述或举例说明。

(一)大工业负荷参与电网调峰的滚动控制策略

当前，在负荷高峰期时，仅仅依靠发电侧调整机组组合已经难以满足调峰要求，需要通过中断部分工业负荷并将其转移至低谷期的方式，缓解电网运行的压力；而且，实现“调峰”的同时，还要充分考虑经济的损失以及工业用户参与电网调峰的可行性。

如图2所示，大工业负荷参与电网调峰的滚动控制策略的具体方法如下：

该控制策略主要设置了3级时间尺度，分别通过日前优化控制、日内滚动调整、实时紧急调度三大环节实现。

日前优化控制环节主要是根据近期各工业用户的日用电负荷数据，预测后一天的用电负荷，然后以此为基准，以火力发电成本和负荷调控成本的最小化为目标，兼顾负荷特性曲线的平稳程度，确定各工业用户在新一天里的用电负荷中断时间以及火电厂的机组启停状态。

日内滚动调整环节主要是在日前优化控制的基础上，以用户负荷中断时间以及火电机组组合为基准，考虑当天内用电负荷的变化，对负荷进行滚动预测，以提高负荷预测精度，并根据实际情况制定的火电机组出力计划以及负荷用电计划。

实时紧急调度环节主要存在两大场景，一种是为了应对工业用户无法执行用电计划导致用电负荷突变的情况，如果工业用户因特殊情况无法停止用电，可以修改其中断特性，将其中断优先级置底，并对该用户的用电负荷重新进行预测，重新调节原本的发电、用电计划；另一种是在用户按照用电计划用电的正常情况下，为了保证发电成本时刻保持最小化，需要实时调整火电机组出力。

日前优化控制环节的时间尺度为24小时，每隔24小时循环1次，确定各工业用户在新一天里的用电负荷中断时间以及火电厂的机组启停状态；日内滚动调整环节的时间尺度为4小时，每隔4小时循环1次，即一天内需要进行6次滚动调整，兼顾经济和安全的因素，制定火电机组出力计划以及负荷用电计划。实时紧急调度的时间尺度为15分钟，每隔15分钟会对各工业用户的用电负荷自动进行1次检测，根据实际用电负荷情况，对之前制定的火电机组出力计划以及负荷用电计划进行调整。

(二)用电负荷历史数据预处理

S21、将原始的负荷历史数据进行整理，生成数据矩阵X：

该式中，M表示第M天，N表示一天内第N个观测时间点，x表示某一时刻的用电负荷量；

S22、运用Newton插值法填补负荷历史数据中的缺失值，具体为：

S221、检测矩阵中是否存在缺失值NAN，若存在则记录下缺失值的位置，方便应用Newton插值法进行填补；

S222、以矩阵X的行为单位进行缺失值填补，若该行缺失值较多(即超过预设的缺失阈值)，则视为无效数据，删除整行，否则在缺失值附近随机选择k个完整数据；

S223、根据抽取的完整数据，建立均差表：

y	f[y]	1阶均差	2阶均差	…	k阶均差
						y<sub>0</sub>	f[y<sub>0</sub>]
y<sub>1</sub>	f[y<sub>1</sub>]	f[y<sub>0</sub>,y<sub>1</sub>]
						y<sub>2</sub>	f[y<sub>2</sub>]	f[y<sub>1</sub>,y<sub>2</sub>]	f[y<sub>0</sub>,y<sub>1</sub>,y<sub>2</sub>]
…	…	…	…
						y<sub>k</sub>	f[y<sub>k</sub>]	f[y<sub>k-1</sub>,y<sub>k</sub>]	f[y<sub>k-2</sub>,y<sub>k-1</sub>,y<sub>k</sub>]	…	f[y<sub>0</sub>,y<sub>1</sub>,…,y<sub>k</sub>]

均差表中，y_k表示抽取的k个完整数据在矩阵X中的列坐标，f[y_k]表示矩阵X中对应记录的负荷数据，f[y₀,y₁,…,y_k]的计算公式如下：

S224、根据均差表，建立Newton差值多项式P(y)：

整理可得：

式中，各c_J分别对应为均差表对角线上的计算值，即f[y₀],f[y₀,y₁],…,f[y₀,y₁,…,y_k]；

S225、通过Newton差值多项式P(y)，分别计算各个时刻的缺失值，并进行填补；

S23、运用3σ准则去除负荷历史数据中的噪声值；

S231、根据3σ准则，以矩阵X的行为单位，检测数据噪声值，并记录下噪声值的位置；

以矩阵X中任一行[x₁,x₂,…,x_N]为例，介绍3σ准则：

首先，计算该行的算术平均值

和剩余误差

然后按照贝塞尔公式计算标准误差σ：

若某个时刻的测量值x_K的剩余误差v′_K，满足条件|v′_K|＞3×σ，则认为x_K为噪声值，应当进行处理；

S232、随机选取噪声值附近的k个正常数据，运用Newton插值法(与步骤S22相同)，计算可以替代噪声值的正常数据。

(三)短期和超短期负荷预测模型

考虑到连续的负荷运行数据具有强烈的时变性和复杂的非线性，本发明采用一种基于门控循环网络(GRU)的负荷预测方法，分别建立短期和超短期负荷预测模型。

如图3所示，具体的模型建立步骤如下：

S41、基于GRU神经网络，建立短期负荷预测模型，具体过程为：

S411、首先，从预处理后的负荷历史数据中随机抽取连续的16天数据，将前15天的负荷数据作为输入值A，将第16天的负荷数据作为目标值B：

B′＝[b′₁,b′₂,…,b′₉₆]；

式中，i′、j作为下标分别表示第i′天和第j个时间点，A′表示负荷历史运行数据，B′表示第16天的负荷历史运行数据；

S412、搭建一个循环神经网络模型，分为一个GRU层和一个Dense层，并利用随机抽取的负荷数据训练模型；

S413、通过平均绝对误差MAE来评估模型的训练集误差和验证集误差；若预测效果不好，则重新调节GRU模型的层数、每层的单位元数以及正则化系数，并跳转至步骤S413，重新评估预测效果；否则，跳转至步骤S414，进行下一步操作；

S414、完成短期负荷预测模型的建立，该模型输入前15天的96点负荷历史数据(每15分钟为一个采样点)，输出需要预测的未来24小时的96点负荷数据；

S42、基于GRU神经网络，建立超短期负荷预测模型，具体过程为：

S421、基于负荷历史数据，采用步骤S41中的短期负荷预测模型，预测出某连续4天的负荷数据，并将其与真实值作比较，得到这4天的负荷预测偏差X：

式中，Δx表示负荷预测偏差值；

将负荷预测偏差矩阵ΔX摊平，转换为一维向量Δx：

x＝[Δx₁,Δx₂,…,Δx₂₈₈,…,Δx₃₈₄]；

假设负荷偏差值预测向量为Δy，对应于第4天的负荷预测偏差，即

[Δx₂₈₉,Δx₂₉₀,…,Δx₃₈₄]：

ΔY＝[Δy₁,Δy₂,…,Δy₉₆]；

式中，Δy表示第4天中的负荷偏差预测值；

S422、搭建一个GRU网络模型；选取向量[Δx_j,Δx_j+1,…,Δx₂₈₈]和[Δy₁,Δy₂,…,Δy_j-1](j∈[1,96])合并作为输入值，Δx_288+j作为目标值，输出第4天中第j个时间点的负荷偏差预测值Δy_j；

S423、通过平均绝对误差MAE来评估模型的训练集误差和验证集误差；若预测效果不好，则重新调节GRU模型的层数、每层的单位元数以及正则化系数，并跳转至步骤S423，重新评估预测效果；否则，跳转至步骤S424，进行下一步操作；

S424、设置滚动预测次数k′，应用负荷偏差预测模型滚动预测一段时间内的负荷偏差值；

假设在第j个时间点需要进行超短期负荷预测，此时需要滚动预测之后k′个时间点的负荷偏差；

k′＝17-mod(j/16)；

式中，mod()表示取余数；

S425、将预测得到的负荷偏差加入到负荷短期预测模型求得的负荷预测值中，实现负荷预测结果的实时更新，完成超短期负荷预测模型的建立。

(四)日前-日内-实时三阶段滚动优化模型

具体包括：

S51、日前优化控制模型

目标函数为：

该式中，f_c表示用电负荷和火电机组调节的总成本，f_p表示负荷特性曲线的平稳程度，即负荷标准差，m表示参与电网调峰的工业用户总数为m，y_i表示第i个用户的负荷中断优先级对应的调节成本系数，d_j表示各个时间段的电价，p_ij表示第i个用户在第j个时刻的计划用电负荷，p_ij′表示第i个用户在第j个时刻的预测用电负荷，

表示第i个用户的用电负荷中断开始时间，

表示第i个用户的用电负荷中断结束时间，b_i表示单位功率负荷中断补偿成本系数，

表示第i个用户在第j个时刻的用电负荷中断量，用户负荷调节成本C_load由负荷中断损失的电价成本和补偿成本组成；u表示参与电网调峰的火电机组数量为u，a_i″、e_i″、v_i″分别为第i″个火电机组常规调峰下的煤耗成本系数，q_i″j表示第i″个火电机组在第j个时刻的出力，这里用二次函数来描述火电机组发电的煤耗成本，

表示第i″个火电机组的启动成本，

表示第i″个火电机组的关停成本，z_i″j表示第i″个火电机组在第j个时刻的启、停状态，开机状态下置1，关停状态下置0，火电的总成本C_fire由火电机组发电的煤耗成本和启停成本构成；F＝min(f_c,f_p)表示该模型有两个目标函数f_c和f_p，且它们的函数值均要最小化；

约束条件为：

该式中，

表示电网负荷高峰期的开始时间点，

表示电网负荷高峰期的结束时间点，p_i.min表示第i个用户的最小用电负荷，p_i.max表示第i个用户的最大用电负荷，T_i.min表示第i个用户用电负荷的最小可中断时间，T_i.max表示第i个用户用电负荷的最大可中断时间，

表示第i个用户用电负荷的最小可中断容量，

表示第i个用户用电负荷的最大可中断容量，t表示当前制定工业用户用电计划的时间点，此时t＝1，s_i表示第i个用户的中断响应时间，roundup()函数表示对数值向上取整；q_i″.min表示第i″个火电机组的最小出力，q_i″.max表示第i″个火电机组的最大出力，r_i″.down表示第i″个火电机组的最大向下爬坡速率，r_i″.up表示第i″个火电机组的最大向上爬坡速率，t′表示火电机组开机或关停的起始时刻，T_i″.on表示第i″个火电机组的最小连续开机时间，T_i″.off表示第i″个火电机组的最小连续关机时间，X_up表示正旋转备用容量，X_down表示负旋转备用容量。

S52、日内滚动调整模型

目标函数为：

该式中，k′表示第k′+1次滚动，

表示第k′+1次滚动控制所需要的用电负荷和火电机组调节的总成本，

表示第k′+1次滚动控制后负荷特性曲线的平稳程度，即负荷标准差，

表示第k′+1次滚动中第一种情况下的用户负荷调节成本，

表示第k′+1次滚动中第二种情况下的用户负荷调节成本，

表示第k′+1次滚动中火力发电的总成本；

表示该模型有两个目标函数

和

且它们的函数值均要最小化；

约束条件为：

日内滚动调整模型中的第一种情况是：当滚动开始前，用户未中断用电，其负荷调节成本函数为：

式中，km1表示一共存在km1个用户未中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，t＝16×k′+1；

日内滚动调整模型中的第二种情况是：当滚动开始前，用户正在中断用电，其负荷调节成本函数为：

式中，km2表示一共存在km2个用户正在中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，T_i.ready表示第i个用户在此次滚动控制开始前已经中断用电的时间；

第三种情况是：当滚动开始前，用户已经完成一次中断用电，考虑到多次中断同一个工业用户的负荷易造成较大的经济损失，所以不再中断其用电负荷，此时负荷调节成本记为0。

日内滚动调整模型在日前计划的基础上，同时考虑了双向调峰的成本和负荷曲线的平稳程度，并根据当天内的各个用户的实际负荷情况，进行负荷超短期预测，提高负荷预测精度，以制定一天内剩余时间段的发电和用电计划。

S53、实时紧急调度模型

该模型主要有2个场景，一种是用户因特殊原因无法执行用电计划的情况，此时需要重新制定火电机组出力计划以及负荷用电计划；另一种是所有用户按照用电计划用电，为了保证发电成本时刻保持最小化，此时需要实时调整火电机组出力。

所述实时紧急调度模型具体包括：

S531、场景一下的目标函数为：

该式中，h表示第h个时间点检测到未执行用电计划的用户，l表示该时刻一共有l位用户未执行用电计划，

表示经过第h个时间点的调控后所需要的用电负荷和火电机组调节的总成本，

表示经过第h个时间点的调控后负荷特性曲线的平稳程度，即负荷标准差；

表示第h个时间点第一种情况下的用户负荷调节成本，

表示第h个时间点第二种情况下的用户负荷调节成本，

表示第h个时间点火力发电的总成本；

表示该模型有两个目标函数

和

且它们的函数值均要最小化；

约束条件为：

实时紧急调度模型场景一的第一种情况是：当紧急调节开始前，用户未中断用电，其负荷调节成本函数为：

式中，hm1表示一共存在hm1个用户未中断用电；

此时，对于这部分用户对象，附加的约束条件为：

实时紧急调度模型场景一的第二种情况是：当紧急调节开始前，用户正在中断用电，其负荷调节成本函数为：

式中，hm2表示一共存在hm2个用户正在中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，t＝h；

第三种情况是：当紧急调节开始前，用户已经完成一次中断用电，考虑到多次中断易造成较大的经济损失，所以不再中断其用电负荷，此时负荷调节成本记为0；

S532、场景二下的目标函数为：

约束条件为：

式中，q′_i″j表示第i″个火电机组在第j个时刻的计划出力，A_i″、B_i″为第i″个火电机组的调整出力成本系数，Tz是一个0-1变量，当需要调节机组出力，即q_i″j-q′_i″j≠0时，置1，否则置0。

(五)双向调峰模型的求解步骤

鉴于本发明建立的双向调峰模型充分考虑了各个可能发生的场景以及参与电网调峰的工业用户的用电负荷中断情况，所以在求解模型时需要根据时间周期以及用户的实时用电负荷，判断应该使用何种情况下的模型。

如图4所示，模型优化求解的具体步骤如下：

步骤1、设置表征用户位数的循环参数i＝1；

步骤2、根据时间周期，选择使用何种双向调峰模型，即日前优化控制模型、日内滚动调整模型或实时紧急调度模型；

步骤3、根据用电负荷数据，进行短期或超短期负荷预测，以获取用电负荷的预测值；

步骤4、根据选择的双向调峰模型，获取所需要的输入数据；

步骤5、根据第i位用户的用电负荷情况，判断该用户当前时刻的负荷中断情况属于双向调峰模型下的何种情况；

步骤6、根据具体的双向调峰模型，初始化模型优化参数，包括：机组启停和出力、中断开始和结束时间以及用户用电负荷中断量；

步骤7、运用多目标智能优化算法对双向调峰模型进行优化求解；

步骤8、输出所有用户用电负荷和火电机组出力的最终优化结果。

综上，本发明从需求侧参与电网调峰的实际应用出发，提出了一种计及中断优先级的大工业负荷柔性调控方法。在参考了传统滚动调度方法的基础上，本发明充分考虑了大工业负荷的中断优先级，针对大工业用户，制定全新的大工业负荷参与电网调峰的滚动控制策略，大大提高了方案的可行性；同时，基于GRU神经网络，利用负荷历史数据训练短期和超短期负荷预测模型，为双向调峰的研究作铺垫；然后，根据大工业负荷参与电网调峰的滚动控制策略，创新性地建立了双向调峰日前优化控制模型、日内滚动调整模型以及日内紧急调节模型，并讨论了多种情况下双向调峰模型可能出现的变化，以保证模型的准确性；最后，运用多目标智能优化算法求解模型，并制定出合理的大工业负荷和火电机组的调峰控制方案。

以上结合附图详细描述了本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种计及中断优先级的大工业负荷柔性调控方法，其特征在于，包括如下步骤：

S1、制定大工业负荷参与电网调峰的滚动控制策略；

S2、获取各个参与调峰的工业用户近期的用电负荷历史数据；

S3、对所述用电负荷历史数据进行预处理；

S4、根据用电负荷历史数据，建立短期和超短期负荷预测模型；

所述短期负荷预测是指依据用户日用电负荷历史数据预测未来一天或多天的用电负荷数据；

所述超短期负荷预测是指在一天内设置多个采样时间点，根据用户在各采样时间点的用电负荷历史数据预测下一个或多个时间点的用电负荷数据；

S5、根据大工业负荷参与电网调峰的滚动控制策略，建立发电侧和需求侧双向调峰的日前-日内-实时三阶段滚动优化模型；

S6、获取各个参与电网调峰的工业用户的负荷实时数据、中断特性以及火电机组的属性；

S7、根据负荷实际运行情况，判断应该选择何种调峰优化模型，并运用短期或超短期负荷预测模型获取负荷预测数据；

S8、运用多目标智能优化算法对优化模型进行求解；

S9、根据模型优化求解的结果，制定大工业负荷和火电机组的调峰控制方案。

2.如权利要求1所述的一种计及中断优先级的大工业负荷柔性调控方法，其特征在于，步骤S1制定的大工业负荷参与电网调峰的滚动控制策略包括：

S11、设置3级时间尺度，分别通过日前优化控制、日内滚动调整、实时紧急调度三大环节实现；

S12、日前优化控制环节的时间尺度为24小时，即每隔24小时循环1次，该环节根据近期一段时间内各工业用户的日用电负荷数据，预测后一天的用电负荷，然后以此为基准，以火力发电成本和负荷调控成本的最小化为目标，兼顾负荷特性曲线的平稳程度，确定各工业用户在新一天里的用电负荷中断时间以及火电厂的机组启停状态；

S13、日内滚动调整环节的时间尺度为4小时，即每隔4小时循环1次，该环节在日前优化控制的基础上，以用户负荷中断时间以及火电机组组合为基准，考虑当天内用电负荷的变化，对负荷进行滚动预测，以提高负荷预测精度，并根据实际情况制定火电机组出力计划以及负荷用电计划；

S14、实时紧急调度环节的时间尺度为15分钟，即每隔15分钟会循环1次，该环节主要存在两大场景：一种是应对工业用户无法执行用电计划导致用电负荷突变的情况，若工业用户无法停止用电，修改其中断特性，将其中断优先级置底，并对该用户的用电负荷重新进行预测，调节步骤S13制定的火电机组出力计划以及负荷用电计划；另一种是在用户按照用电计划用电的正常情况下，实时调整火电机组出力，以保证发电成本时刻保持最小化。

3.如权利要求1或2所述的一种计及中断优先级的大工业负荷柔性调控方法，其特征在于，步骤S5中建立的发电侧和需求侧双向调峰的日前-日内-实时三阶段滚动优化模型具体如下：

S51、日前优化控制模型

目标函数为：

该式中，f_c表示用电负荷和火电机组调节的总成本，f_p表示负荷特性曲线的平稳程度，即负荷标准差，m表示参与电网调峰的工业用户总数为m，y_i表示第i个用户的负荷中断优先级对应的调节成本系数，d_j表示各个时间段的电价，p_ij表示第i个用户在第j个时刻的计划用电负荷，p_ij′表示第i个用户在第j个时刻的预测用电负荷，

表示第i个用户的用电负荷中断开始时间，

表示第i个用户的用电负荷中断结束时间，b_i表示单位功率负荷中断补偿成本系数，

表示第i个用户在第j个时刻的用电负荷中断量，用户负荷调节成本C_load由负荷中断损失的电价成本和补偿成本组成；u表示参与电网调峰的火电机组数量为u，a_i″、e_i″、v_i″分别为第i″个火电机组常规调峰下的煤耗成本系数，q_i″j表示第i″个火电机组在第j个时刻的出力，这里用二次函数来描述火电机组发电的煤耗成本，

表示第i″个火电机组的启动成本，

表示第i″个火电机组的关停成本，z_i″j表示第i″个火电机组在第j个时刻的启、停状态，开机状态下置1，关停状态下置0，火电的总成本C_fire由火电机组发电的煤耗成本和启停成本构成；F＝min(f_c,f_p)表示该模型有两个目标函数f_c和f_p，且它们的函数值均要最小化；

约束条件为：

该式中，

表示电网负荷高峰期的开始时间点，

表示电网负荷高峰期的结束时间点，p_i.min表示第i个用户的最小用电负荷，p_i.max表示第i个用户的最大用电负荷，T_i.min表示第i个用户用电负荷的最小可中断时间，T_i.max表示第i个用户用电负荷的最大可中断时间，

表示第i个用户用电负荷的最小可中断容量，

表示第i个用户用电负荷的最大可中断容量，t表示当前制定工业用户用电计划的时间点，此时t＝1，s_i表示第i个用户的中断响应时间，roundup()函数表示对数值向上取整；q_i″.min表示第i″个火电机组的最小出力，q_i″.max表示第i″个火电机组的最大出力，r_i″.down表示第i″个火电机组的最大向下爬坡速率，r_i″.up表示第i″个火电机组的最大向上爬坡速率，t′表示火电机组开机或关停的起始时刻，T_i″.on表示第i″个火电机组的最小连续开机时间，T_i″.off表示第i″个火电机组的最小连续关机时间，X_up表示正旋转备用容量，X_down表示负旋转备用容量；

S52、日内滚动调整模型

目标函数为：

该式中，k′表示第k′+1次滚动，

表示第k′+1次滚动控制所需要的用电负荷和火电机组调节的总成本，

表示第k′+1次滚动控制后负荷特性曲线的平稳程度，即负荷标准差；

表示第k′+1次滚动中第一种情况下的用户负荷调节成本，

表示第k′+1次滚动中第二种情况下的用户负荷调节成本，

表示第k′+1次滚动中火力发电的总成本；

表示该模型有两个目标函数

和

且它们的函数值均要最小化；

约束条件为：

日内滚动调整模型中的第一种情况是：当滚动开始前，用户未中断用电，其负荷调节成本函数为：

式中，km1表示一共存在km1个用户未中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，t＝16×k′+1；

日内滚动调整模型中的第二种情况是：当滚动开始前，用户正在中断用电，其负荷调节成本函数为：

式中，km2表示一共存在km2个用户正在中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，T_i.ready表示第i个用户在此次滚动控制开始前已经中断用电的时间；

S53、实时紧急调度模型

该模型主要有2个场景，一种是用户无法执行用电计划的情况，需要重新制定火电机组出力计划以及负荷用电计划；另一种是所有用户按照用电计划用电，为保证发电成本时刻保持最小化，需要实时调整火电机组出力；

S531、场景一下的目标函数为：

该式中，h表示第h个时间点检测到未执行用电计划的用户，l表示该时刻一共有l位用户未执行用电计划，

表示经过第h个时间点的调控后所需要的用电负荷和火电机组调节的总成本，

表示经过第h个时间点的调控后负荷特性曲线的平稳程度，即负荷标准差；

表示第h个时间点第一种情况下的用户负荷调节成本，

表示第h个时间点第二种情况下的用户负荷调节成本，

表示第h个时间点火力发电的总成本；

表示该模型有两个目标函数

和

且它们的函数值均要最小化；

约束条件为：

实时紧急调度模型场景一的第一种情况是：当紧急调节开始前，用户未中断用电，其负荷调节成本函数为：

式中，hm1表示一共存在hm1个用户未中断用电；

此时，对于这部分用户对象，附加的约束条件为：

实时紧急调度模型场景一的第二种情况是：当紧急调节开始前，用户正在中断用电，其负荷调节成本函数为：

式中，hm2表示一共存在hm2个用户正在中断用电；

此时，对于这部分用户对象，附加的约束条件为：

式中，t＝h；

S532、场景二下的目标函数为：

约束条件为：

式中，q′_i″j表示第i″个火电机组在第j个时刻的计划出力，A_i″、B_i″为第i″个火电机组的调整出力成本系数，Tz是一个0-1变量，当需要调节机组出力，即q_i″j-q′_i″j≠0时，置1，否则置0。

4.如权利要求3所述的一种计及中断优先级的大工业负荷柔性调控方法，其特征在于：

步骤S52的日内滚动调整模型和步骤S53的实时紧急调度模型中均存在第三种情况，即当滚动开始前，用户已经完成一次中断用电，则不再中断其用电负荷，此时负荷调节成本记为0。

5.如权利要求1所述的一种计及中断优先级的大工业负荷柔性调控方法，其特征在于：

步骤S2中获取各个参与调峰的工业用户一个月内的用电负荷历史数据。

6.根据权利要求1所示一种计及中断优先级的大工业负荷柔性调控方法，其特征在于，步骤S6中：

中断特性包括：可中断时间、可中断容量、响应时间、单位电量调节成本以及负荷中断优先级；

火电机组属性包括：煤耗成本系数、启停成本系数、机组出力区间、爬坡速率、最小连续启停时间、旋转备用容量。

7.根据权利要求1所示一种计及中断优先级的大工业负荷柔性调控方法，其特征在于，对用电负荷历史数据的预处理，采用Newton插值法填补负荷历史数据中的缺失值。

8.根据权利要求1所示一种计及中断优先级的大工业负荷柔性调控方法，其特征在于，步骤S4中，基于GRU神经网络，利用电负荷历史数据，建立和训练所述短期与超短期负荷预测模型。

Images