CN113541198A - 一种主动配电网日前调度方法、装置、电子设备和存储介质 - Google Patents

一种主动配电网日前调度方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113541198A
CN113541198A CN202110698112.9A CN202110698112A CN113541198A CN 113541198 A CN113541198 A CN 113541198A CN 202110698112 A CN202110698112 A CN 202110698112A CN 113541198 A CN113541198 A CN 113541198A
Authority
CN
China
Prior art keywords
cluster
distribution network
day
active power
power distribution
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
CN202110698112.9A
Other languages
English (en)
Inventor
吴文传
王彬
李明节
孙宏斌
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.)
Tsinghua University
State Grid Corp of China SGCC
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
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 Tsinghua University, State Grid Corp of China SGCC filed Critical Tsinghua University
Priority to CN202110698112.9A priority Critical patent/CN113541198A/zh
Publication of CN113541198A publication Critical patent/CN113541198A/zh
Pending legal-status Critical Current

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
    • H02J3/38—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
    • 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
    • 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
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/40—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种主动配电网日前调度方法、装置、电子设备和存储介质，属于主动配电网经济调度技术领域。所述方法包括：对主动配电网各总线上的灵活性负荷进行集群负荷聚类分群；根据分群结果，建立基于灵活性负荷集群的主动配电网日前调度优化模型，求解得到日前调度的预优化结果，获得各集群的参考功率；对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；利用实际功率需求，完成基于灵活性负荷集群的主动配电网日前调度终优化，得到最终的日前调度优化方案。本发明可实现主动配电网中海量灵活性负荷协调调度，具有计算效率高、兼容性广、实用性强的优点。

Description

一种主动配电网日前调度方法、装置、电子设备和存储介质
技术领域
本发明属于主动配电网经济调度技术领域，特别提出一种主动配电网日前调度方法、装置、电子设备和存储介质。
背景技术
主动配电网中蕴含海量的灵活性负荷，对提升电力系统运行效率和经济性具有巨大潜力。然而，灵活性负荷数量大、规模小、种类多，对主动配电网运营商的集中管理和优化调度带来了挑战。为充分挖掘配电系统多种海量灵活性负荷的调度潜力，解决海量灵活性负荷带来的“维度灾”问题，需要制定一种考虑海量灵活性负荷的合理的主动配电网日前调度方法。
目前，学术界已经针对主动配电网的优化调度问题已经展开了大量研究，《计及储能和空调负荷的主动配电网多目标优化调度》和《协调储能与柔性负荷的主动配电网多目标优化调度》中分别对空调负荷和柔性负荷进行建模，旨在提升主动配电网的可调性和灵活性。《基于模型预测控制的主动配电网多时间尺度动态优化调度》基于模型预测控制和多步动态滚动优化理论提出了主动配电网的多时间尺度动态优化调度方法，实现了分布式电源、储能及灵活性负荷的协调管理。现有研究和技术主要存在以下不足之处：
(1)上述方案中仅对少量灵活性负荷进行逐一建模，然而，在实际系统中，灵活性负荷具有数量大、容量小和参数各异的特点，若对灵活性负荷进行逐一建模，主动配电网运营者将面临“维度灾”难题。因此，主动配电网调度方法需要和有效的集群聚合管理方法相结合，提升系统运营管理效率。
(2)上述方案主要关注配电系统内部的优化调度问题。
发明内容
本发明的目的是为克服已有技术的不足之处，提出一种主动配电网日前调度方法、装置、电子设备和存储介质。本发明可以实现主动配电网中海量灵活性负荷协调调度，具有计算效率高、兼容性广、实用性强的优点。
本公开第一方面实施例提出了一种主动配电网日前调度方法，包括：对主动配电网各节点下的灵活性负荷进行集群负荷聚类分群；根据分群结果，建立主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；利用所述实际功率需求，完成主动配电网日前调度终优化，得到最终的日前调度优化方案。
在本公开的一个实施例中，所述集群负荷聚类分群具体方法如下：
获取主动配电网各节点下灵活性负荷的需求参数，根据该需求参数基于NJW谱聚类算法对各节点下的灵活性负荷进行集群负荷聚类分群，得到各节点的灵活性负荷集群划分结果，并根据该结果计算每个集群的需求参数。
在本公开的一个实施例中，所述计算每个集群的需求参数，具体包括：
1-1)获取各灵活性负荷的需求参数；
所述灵活性负荷的需求参数为xL,j＝(Tstart,L,j,Tend,L,j,PL,j,max,PL,j,min,EL,j,max-de,EL,j,min-de)，该需求参数满足如下需求模型：
PL,j,min≤PL,j,t≤PL,j,max,Tstart,L,j≤t≤Tend,L,j (1)
PL,j,t＝0,t＜Tstart,L,j or t＞Tend,L,j (2)
EL,j,t＝EL,j,t-1+ΔT·PL,j,t (3)
Figure BDA0003128627930000021
其中，PL,j,min和PL,j,max分别为灵活性负荷j的功率需求下限和上限；EL,j,min-de和EL,j,max-de分别为灵活性负荷j的能量需求下限和上限；Tstart,L,j和Tend,L,j分别为灵活性负荷j的需求起始时间和终止时间；ΔT为调度时间间隔；PL,j,t为灵活性负荷j在t时刻的有功功率需求；EL,j,t为灵活性负荷j在t时刻的能量状态；
1-2)基于NJW谱聚类算法的灵活性负荷集群划分；包括：
1-2-1)获取各电网节点期望获得的集群数目，其中将节点i处期望获得的集群的数目记为NAGG,i；
1-2-2)将各节点下每个灵活性负荷的各需求参数分别进行极值归一化；
1-2-3)利用极值归一化后的需求参数，构建节点下的各灵活性负荷之间的差异矩阵；
1-2-4)将差异矩阵转换成邻接矩阵；
1-2-5)将邻接矩阵归一化，计算归一化后邻接矩阵K前NAGG,i个最大特征值及其对应的特征向量，利用该特征向量构建特征向量空间矩阵；
1-2-6)对所述特征向量空间矩阵U进行聚类，得到对应节点下灵活性负荷聚类分群结果；
1-3)根据所述所述灵活性负荷聚类分群结果，计算集群的需求参数包括：
节点i处集群k的起始需求时间和终止需求时间
Figure BDA0003128627930000031
和
Figure BDA0003128627930000032
节点i处集群k的功率需求上限和功率需求下限
Figure BDA0003128627930000033
和
Figure BDA0003128627930000034
节点i处集群k的能量需求上限和能量需求下限
Figure BDA0003128627930000035
和
Figure BDA0003128627930000036
各参数表达式分别为：
Figure BDA0003128627930000037
Figure BDA0003128627930000038
Figure BDA0003128627930000039
其中，NL,k,i为节点i处集群k内部灵活性负荷的数目。
在本公开的一个实施例中，所述各集群的参考功率计算方法如下：
2-1)建立主动配电网日前调度优化模型的目标函数，表达式如下：
Figure BDA00031286279300000310
其中，Ns和ρs分别为场景数目和各场景权重；NDG和NESS分别为主动配电网中分布式发电机组和储能设备的数量；T为主动配电网运营总时段数；
Figure BDA00031286279300000311
为t时刻场景s下日前能量市场预测电价；
Figure BDA00031286279300000312
为t时刻场景s下旋转备用市场预测电价；
Figure BDA00031286279300000313
为t时刻场景s下主动配电网向能量市场的投标功率；
Figure BDA00031286279300000314
为t时刻场景s下主动配电网向旋转备用市场的投标容量；
Figure BDA00031286279300000315
为分布式发电机组i在t时刻场景s下的有功出力；
Figure BDA00031286279300000316
为分布式发电机组i在t时刻场景s下的备用容量；
Figure BDA00031286279300000317
为分布式发电机组i在t时刻的启停状态；
Figure BDA00031286279300000318
和
Figure BDA00031286279300000319
分别为储能设备i在t时刻场景s下的有功功率输出和有功功率输入；
Figure BDA00031286279300000320
为储能设备i在t时刻场景s下的备用容量；
Fi DG(·)和Fi ESS(·)分别为分布式发电机组i和储能设备i的运行成本，表达式如下：
Figure BDA00031286279300000321
Figure BDA00031286279300000322
其中，
Figure BDA00031286279300000323
为t时刻旋转备用的调用概率，参考取值范围为(0,1)；ai，bi和ci分别为分布式发电机组i的运行成本系数；APi为储能设备i的运行成本系数；
2-2)确定主动配电网日前调度优化模型的约束条件，具体如下：
潮流方程模型约束；
Figure BDA0003128627930000041
Figure BDA0003128627930000042
Figure BDA0003128627930000043
Figure BDA0003128627930000044
Figure BDA0003128627930000045
Figure BDA0003128627930000046
其中，
Figure BDA0003128627930000047
NB为主动配电网中的节点总数；rij和xij分别为节点i和节点j之间线路的电阻和电抗；θi,s,t，Vi,s,t，Pi,s,t，Qi,s,t分别为节点i处t时刻场景s下的相位、电压幅值、注入有功功率和注入无功功率；
Figure BDA0003128627930000048
和
Figure BDA0003128627930000049
分别为风电场i和光伏电站i在t时刻场景s下的有功出力；
Figure BDA00031286279300000410
和
Figure BDA00031286279300000411
分别为风电场i和光伏电站i在t时刻场景s下的无功出力；
Figure BDA00031286279300000412
为节点i处集群k在t时刻场景s下的参考功率需求；
Figure BDA00031286279300000413
和
Figure BDA00031286279300000414
分别为节点i处t时刻的有功负荷和无功负荷；Pij,s,t和Qij,s,t分别为节点i和节点j之间线路在t时刻场景s下的有功潮流和无功潮流；
Figure BDA00031286279300000415
其中，Sij,N为节点i和节点j之间线路的额定容量；Vi,max和Vi,min分别为节点i电压幅值上限和下限；
分布式发电机组模型约束；
Figure BDA00031286279300000416
Figure BDA00031286279300000417
Figure BDA00031286279300000418
Figure BDA00031286279300000419
其中，
Figure BDA00031286279300000420
和
Figure BDA00031286279300000421
分别为分布式发电机组i的出力上限和下限；
Figure BDA00031286279300000422
为分布式发电机组i的最大爬坡速率；
Figure BDA0003128627930000051
为分布式发电机组i的额定容量；
可再生能源出力约束：
Figure BDA0003128627930000052
Figure BDA0003128627930000053
其中，
Figure BDA0003128627930000054
和
Figure BDA0003128627930000055
分别为风电场i和光伏电站i在t时刻场景s下的最大预测出力；
Figure BDA0003128627930000056
和
Figure BDA0003128627930000057
分别为风电场i和光伏电站i的额定容量；
储能模型约束：
Figure BDA0003128627930000058
Figure BDA0003128627930000059
Figure BDA00031286279300000510
Figure BDA00031286279300000511
其中，
Figure BDA00031286279300000512
分别为储能设备i的最大输入功率和最大输出功率，
Figure BDA00031286279300000513
分别为储能设备i的最小输入功率和最小输出功率；
Figure BDA00031286279300000514
和
Figure BDA00031286279300000515
分别为储能设备i的储能上限和储能下限；ηin和ηout分别为功率输入能量转换系数和功率输出能量转换系数；λ为储能的耗散系数；ΔT为调度时间间隔；
Figure BDA00031286279300000516
为储能设备i的初始能量；
系统旋转备用平衡约束：
Figure BDA00031286279300000517
其中，|ΔRL|为主动配电网内部负荷，
Figure BDA00031286279300000518
和
Figure BDA00031286279300000519
分别为t时刻风电场i和光伏电站i的备用需求；NWP和NPV分别为主动配电网中风电场和光伏电站的数量。
灵活性负荷集群模型约束：
Figure BDA00031286279300000520
Figure BDA00031286279300000521
Figure BDA00031286279300000522
其中，
Figure BDA00031286279300000523
为节点i处集群k在t时刻场景s下的参考能量状态；
2-3)式(11)-(34)构成的优化调度模型中的决策变量包括
Figure BDA00031286279300000524
Figure BDA00031286279300000525
对该模型求解得到日前调度的预优化结果，并利用各场景权重根据
Figure BDA0003128627930000061
计算各决策变量的总的优化值；
根据优化模型的预优化结果，获得各灵活性负荷集群在各场景下每个时刻的参考功率
Figure BDA0003128627930000062
在本公开的一个实施例中，所述集群中各灵活性负荷的实际功率需求计算方法如下：
3-1)各集群根据对应的参考功率
Figure BDA0003128627930000063
分别建立各自的灵活性负荷集群日前分解优化模型，表达式如下：
Figure BDA0003128627930000064
Figure BDA0003128627930000065
Figure BDA0003128627930000066
其中，集群中每个灵活性负荷在各时刻的功率满足如式(1)-(4)所示的需求模型；
F1 DIS(PL,j,t)表示灵活性负荷j所在集群的优化目标1，F2 DIS(PL,j,t)表示灵活性负荷j所在集群的优化目标2；M为一正数；
3-2)求解步骤3-1)建立的日前分解优化模型，获得集群中各灵活性负荷的PL,j,t的最优解，从而计算得到该灵活性负荷集群的实际功率需求
Figure BDA0003128627930000067
表达式如下：
Figure BDA0003128627930000068
其中，
Figure BDA0003128627930000069
为节点i处集群k在t时刻的实际功率需求。
在本公开的一个实施例中，所述主动配电网日前调度终优化，包括：
将主动配电网日前调度优化模型中的决策变量
Figure BDA00031286279300000610
替换为
Figure BDA00031286279300000611
此时模型的决策变量更新为
Figure BDA00031286279300000612
再次求解该日前调度优化模型，得到各决策变量的最优解，进而利用
Figure BDA00031286279300000613
得到各决策变量总的最终优化值，从而获取主动配电网的最终日前调度方案。
为达上述目的，本公开第二方面实施例提出了一种主动配电网日前调度装置，所述装置位于主动配电网日前调度系统中。所述装置包括：灵活性负荷集群聚类模块，用于对主动配电网各节点下灵活性负荷进行集群负荷聚类分群；主动配电网日前调度预优化模块，用于根据分群结果，建立主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；参考功率分解优化模块，用于对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；主动配电网日前调度终优化模块，用于利用所述实际功率需求，完成主动配电网日前调度终优化，得到最终的日前调度优化方案。
本公开第三方面实施例提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以用于：对主动配电网各节点下的灵活性负荷进行集群负荷聚类分群；根据分群结果，建立主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；利用所述实际功率需求，完成主动配电网日前调度终优化，得到最终的日前调度优化方案。
本公开第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于：对主动配电网各节点下的灵活性负荷进行集群负荷聚类分群；根据分群结果，建立主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；利用所述实际功率需求，完成主动配电网日前调度终优化，得到最终的日前调度优化方案。
本发明的特点及有益效果：
(1)考虑灵活性负荷聚合和解聚合过程，本发明可以实现主动配电网中海量灵活性负荷协调调度，具有高效的计算效率，能够充分挖掘电力系统负荷侧的灵活性，有效地解决了海量小规模的灵活性负荷给系统优化调度带来的“维度灾”难题；(2)本发明所提的主动配电网优化调度模型兼顾了配电网与上级电力市场的交互，可以实现内部调度计划和外部交互方案的协同优化，在电力市场背景下的主动配电网优化调度领域具有很强的普适性和实用价值。
附图说明
图1为本实施例所提供的一种主动配电网日前调度方法的流程示意图；
图2为本实施例所提供的一种主动配电网日前调度装置的结构示意图；
图3为本实施例所提供的一种主动配电网日前调度方法的硬件结构示意图。
具体实施方式
本发明提出一种主动配电网日前调度方法，流程如图1所示，包括以下步骤：
1)灵活性负荷集群聚合；
主动配电网代理应统计主动配电网每条总线上意愿参与主动配电网聚合运营的灵活性负荷，根据各灵活性负荷的需求参数对各节点下意愿参与主动配电网聚合运营的灵活性负荷进行集群负荷聚类分群，得到各节点的灵活性负荷集群划分结果，并根据该结果计算每个集群的需求参数。
2)建立基于灵活性负荷集群的主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果计算得到各集群的参考功率；
根据灵活性负荷集群聚合结果以及可再生能源和各类电价的预测信息，主动配电网代理需要进行预优化，并将预优化调度结果下发至各集群。在预优化步骤结束之后，每个集群都会收到参考功率。
3)对各集群建立灵活性负荷集群日前分解优化模型并求解；
各灵活性负荷集群将收到的参考功率分解给其内部每个灵活性负荷，通过优化，得到各集群中各灵活性负荷的实际功率需求并进行上报。
4)利用步骤3)得到的各集群中各灵活性负荷的实际功率需求，完成基于灵活性负荷集群的主动配电网日前调度终优化；
根据所有灵活性负荷的实际功率需求，再次求解基于灵活性负荷集群的主动配电网日前调度优化模型，得到最终的日前调度优化方案，包括：各可再生能源电站、分布式发电机组及储能设备的调度计划和向电力市场投标计划。
所述步骤1)具体方法实施例如下：
通过灵活性负荷集群，海量灵活性负荷可以给主动配电网代理提供巨大的灵活性，而且不会增加过大的计算负担。本发明提出了一种基于Ng-Jordan-Weiss(NJW)谱聚类算法的灵活性负荷集群聚合方法，将具有相似特征的灵活性负荷聚类划分为同一组，形成一个集群统一管理，从而参与主动配电网调度和运营。其中灵活性负荷的需求参数可以基于历史统计数据或概率分布获取。具体步骤如下：
1-1)获取各灵活性负荷的需求参数；
记每个灵活性负荷的需求参数为xL,j＝(Tstart,L,j,Tend,L,j,PL,j,max,PL,j,min,EL,j,max-de,EL,j,min-de)用于反映其需求信息，灵活性负荷的需求模型可表示如下：
PL,j,min≤PL,j,t≤PL,j,max,Tstart,L,j≤t≤Tend,L,j (1)
PL,j,t＝0,t＜Tstart,L,j or t＞Tend,L,j (2)
EL,j,t＝EL,j,t-1+ΔT·PL,j,t (3)
Figure BDA0003128627930000081
其中，PL,j,min和PL,j,max分别为灵活性负荷j的功率需求下限和上限；EL,j,min-de和EL,j,max-de分别为灵活性负荷j的能量需求下限和上限。Tstart,L,j和Tend,L,j分别为灵活性负荷j的需求起始时间和终止时间；ΔT为调度时间间隔；PL,j,t为灵活性负荷j在t时刻的有功功率需求；EL,j,t为灵活性负荷j在t时刻的能量状态。
1-2)基于NJW谱聚类算法的灵活性负荷集群划分；
采用NJW谱聚类算法，根据灵活性负荷的特点将其划分到不同的集群。具体步骤如下：
1-2-1)输入灵活性负荷需求参数和各电网节点期望获得的集群数目，其中将节点i处期望获得的集群的数目记为NAGG,i。
1-2-2)将各节点下每个灵活性负荷的各需求参数分贝进行极值归一化；
其中，对于节点i下的灵活性负荷j，归一化方法如下：
Figure BDA0003128627930000091
其中，NL,i为节点i处灵活性负荷的数目；xL,j＝(Tstart,L,j,Tend,L,j,PL,j,max,PL,j,min,EL,j,max-de,EL,j,min-de)为灵活性负荷j归一化前的原始需求参数；x'L,j＝(T'start,L,j,T'end,L,j,P'L,j,max,P'L,j,min,E'L,j,max-de,E'L,j,min-de)为灵活性负荷j经过归一化之后的需求参数。
1-2-3)采用欧式距离来衡量每个节点下不同灵活性负荷之间的差异；
对于任一节点i，将该节点下的各灵活性负荷之间的差异矩阵定义为D，其中该矩阵中各元素表达式如下：
Figure BDA0003128627930000092
其中，D(l,j)为矩阵D中第l行第j列的元素，其代表对应节点下灵活性负荷l和j之间的差异；α1，α2，α3，α4，α5和α6为权重系数，其取值范围为(0,1)，在实际实施中，应根据对应参数的标准差确定，其参考值设置为：α1＝α2＝0.2，α3＝α4＝0.5，α5＝α6＝0.8。
1-2-4)利用高斯核函数将差异矩阵D转换成邻接矩阵K，其中矩阵K中各元素表达式如下：
Figure BDA0003128627930000093
其中，
Figure BDA0003128627930000094
为高斯核函数参数，参考取值范围为[1,2]。
1-2-5)将邻接矩阵K归一化，计算归一化后矩阵K前NAGG,i个最大特征值及其对应的特征向量，将得到的特征向量分别记为
Figure BDA0003128627930000101
利用该特征向量构建特征向量空间矩阵
Figure BDA0003128627930000102
1-2-6)利用K-means算法对步骤1-2-5)得到的特征向量空间矩阵U进行聚类，节点i下灵活性负荷聚类分群结果。
1-3)根据步骤1-2-6)得到的灵活性负荷聚类分群结果，对于每个灵活性负荷集群，根据该集群内部所有灵活性负荷的需求参数，可以获取该集群需求参数如下：
Figure BDA0003128627930000103
Figure BDA0003128627930000104
Figure BDA0003128627930000105
其中，NL,k,i为节点i处集群k内部灵活性负荷的数目；
Figure BDA0003128627930000106
和
Figure BDA0003128627930000107
分别为节点i处集群k的起始需求时间和终止需求时间；
Figure BDA0003128627930000108
和
Figure BDA0003128627930000109
分别为节点i处集群k的功率需求上限和功率需求下限；
Figure BDA00031286279300001010
和
Figure BDA00031286279300001011
分别为节点i处集群k的能量需求上限和能量需求下限。
所述步骤2)具体步骤如下：
2-1)建立基于灵活性负荷集群的主动配电网日前调度优化模型的目标函数；
本发明适用于作为市场电价接收者的主动配电网运营商。采用基于典型场景集的随机优化方法来对主动配电网运营优化中可再生能源及电价不确定性进行建模，主动配电网日前调度优化模型以主动配电网代理的总运营成本最低为目标，模型中考虑的运营成本应包括以下四项：主动配电网从上层能量市场的电能购买成本，从旋转备用市场的备用购买成本，主动配电网内部分布式发电机组运行成本以及储能运行成本，具体的目标函数如下：
Figure BDA00031286279300001012
其中，Ns和ρs分别为场景数目和各场景权重；NDG和NESS分别为主动配电网中中分布式发电机组和储能设备的数量；T为主动配电网运营总时段数；
Figure BDA00031286279300001013
为t时刻场景s下日前能量市场预测电价；
Figure BDA00031286279300001014
为t时刻场景s下旋转备用市场预测电价；
Figure BDA00031286279300001015
为t时刻场景s下主动配电网向能量市场的投标功率；
Figure BDA00031286279300001016
为t时刻场景s下主动配电网向旋转备用市场的投标容量；
Figure BDA0003128627930000111
为分布式发电机组i在t时刻场景s下的有功出力；
Figure BDA0003128627930000112
为分布式发电机组i在t时刻场景s下的备用容量；
Figure BDA0003128627930000113
为分布式发电机组i在t时刻的启停状态；
Figure BDA0003128627930000114
和
Figure BDA0003128627930000115
分别为储能设备i在t时刻场景s下的有功功率输出和有功功率输入；
Figure BDA0003128627930000116
为储能设备i在t时刻场景s下的备用容量。
其中，Fi DG(·)和Fi ESS(·)分别为分布式发电机组i和储能设备i的运行成本，表示如下：
Figure BDA0003128627930000117
Figure BDA0003128627930000118
其中，γt RM为t时刻旋转备用的调用概率，参考取值范围为(0,1)；ai，bi和ci分别为分布式发电机组i的运行成本系数；APi为储能设备i的运行成本系数。
2-2)确定基于灵活性负荷集群的主动配电网日前调度优化模型的约束条件，具体如下：
2-2-1)潮流方程模型约束；
本发明采用一种线性化的潮流模型来描述主动配电网内部的有功和无功潮流平衡如下：
Figure BDA0003128627930000119
Figure BDA00031286279300001110
Figure BDA00031286279300001111
Figure BDA00031286279300001112
Figure BDA00031286279300001113
Figure BDA00031286279300001114
其中，
Figure BDA00031286279300001115
NB为主动配电网中的节点总数；rij和xij分别为节点i和节点j之间线路的电阻和电抗；θi,s,t，Vi,s,t，Pi,s,t，Qi,s,t分别为节点i处t时刻场景s下的相位、电压幅值、注入有功功率和注入无功功率；
Figure BDA00031286279300001116
和
Figure BDA00031286279300001117
分别为风电场i和光伏电站i在t时刻场景s下的有功出力；
Figure BDA00031286279300001118
和
Figure BDA00031286279300001119
分别为风电场i和光伏电站i在t时刻场景s下的无功出力；
Figure BDA00031286279300001120
为节点i处集群k在t时刻场景s下的参考功率需求；
Figure BDA00031286279300001121
和
Figure BDA00031286279300001122
分别为节点i处t时刻的有功负荷和无功负荷；Pij,s,t和Qij,s,t分别为节点i和节点j之间线路在t时刻场景s下的有功潮流和无功潮流。
此外，各支路潮流和节点电压应限制在一定的范围内：
Figure BDA0003128627930000121
其中，Sij,N为节点i和节点j之间线路的额定容量；Vi,max和Vi,min分别为节点i电压幅值上限和下限。
2-2-2)分布式发电机组模型约束；
分布式发电机组的模型约束包括机组出力、爬坡出力、启停机时长等：
Figure BDA0003128627930000122
Figure BDA0003128627930000123
Figure BDA0003128627930000124
Figure BDA0003128627930000125
其中，
Figure BDA0003128627930000126
和
Figure BDA0003128627930000127
分别为分布式发电机组i的出力上限和下限；
Figure BDA0003128627930000128
为分布式发电机组i的最大爬坡速率；
Figure BDA0003128627930000129
为分布式发电机组i的额定容量。
2-2-3)可再生能源出力约束：
Figure BDA00031286279300001210
Figure BDA00031286279300001211
其中，
Figure BDA00031286279300001212
和
Figure BDA00031286279300001213
分别为风电场i和光伏电站i在t时刻场景s下的最大预测出力；
Figure BDA00031286279300001214
和
Figure BDA00031286279300001215
分别为风电场i和光伏电站i的额定容量。
2-2-4)储能模型约束：
Figure BDA00031286279300001216
Figure BDA00031286279300001217
Figure BDA00031286279300001218
Figure BDA00031286279300001219
其中，
Figure BDA00031286279300001220
分别为储能设备i的最大输入功率和最大输出功率，
Figure BDA00031286279300001221
分别为储能设备i的最小输入功率和最小输出功率；
Figure BDA00031286279300001222
和
Figure BDA00031286279300001223
分别为储能设备i的储能上限和储能下限；ηin和ηout分别为功率输入能量转换系数和功率输出能量转换系数；λ为储能的耗散系数；ΔT为调度时间间隔；
Figure BDA00031286279300001224
为储能设备i的初始能量；。
2-2-5)系统旋转备用平衡约束：
Figure BDA0003128627930000131
其中，|ΔRL|为主动配电网内部负荷，
Figure BDA0003128627930000132
和
Figure BDA0003128627930000133
分别为t时刻风电场i和光伏电站i的备用需求；NWP和NPV分别为主动配电网中风电场和光伏电站的数量。
2-2-6)灵活性负荷集群模型约束：
Figure BDA0003128627930000134
Figure BDA0003128627930000135
Figure BDA0003128627930000136
其中，
Figure BDA0003128627930000137
为节点i处集群k在t时刻场景s下的参考能量状态。
2-3)上述式(11)-(34)构成的优化调度模型中的决策变量包括
Figure BDA0003128627930000138
Figure BDA0003128627930000139
对该模型求解得到日前调度的预优化结果，其中，最终的调度决策结果应根据各场景权重计算各决策变量的总的优化值
Figure BDA00031286279300001310
然后根据优化模型的预优化结果，可以获得各灵活性负荷集群在各场景下每个时刻的参考功率
Figure BDA00031286279300001311
并下发至各对应集群。
所述步骤3)具体方法如下：
各集群根据主动配电网预优化阶段获取的参考功率
Figure BDA00031286279300001312
各灵活性负荷集群需制定其内部灵活性负荷的运行计划。对于某个特定的集群k，有以下两个优化目标，目标1：集群整体输出功率应尽量追踪预优化阶段获取的参考功率F1 DIS(PL,j,t)；目标2：减小每个灵活性负荷的启停次数，促进灵活性负荷稳定运行F2 DIS(PL,j,t)；此外，通过设置分解优化的目标函数中系数M的取值可以调整不同优化目标之间的权重。一般来说，分解模型应优先保证集群的功率追踪精度，因此M通常取一个较大数值，参考取值范围为[1000,10000]。
对每个集群，分别建立各自的灵活性负荷集群日前分解优化模型，表达式如下：
Figure BDA00031286279300001313
Figure BDA00031286279300001314
Figure BDA00031286279300001315
此外每个灵活性负荷在各时刻的功率需求应满足其需求模型，如式(1)-(4)所示；
该优化模型为典型的二次规划模型，可直接利用CPLEX进行求解。
求解该优化模型，可以获得集群中各灵活性负荷的调度计划(PL,j,t)，以及该灵活性负荷集群的实际功率需求
Figure BDA0003128627930000141
具体计算公式如下：
Figure BDA0003128627930000142
其中，
Figure BDA0003128627930000143
为节点i处集群k在t时刻的实际功率需求。
值得注意的是，每个集群的参考功率
Figure BDA0003128627930000144
和实际功率
Figure BDA0003128627930000145
之间可能会存在一定的偏差，因此主动配电网代理需要一个终优化过程来计算最终的日前调度结果。
所述步骤4)具体方法如下：
终优化与预优化的模型完全相同，不过，在终优化阶段，所有灵活性负荷集群的功率需求已经确定，因此，需将步骤2)的模型式(11)-(34)中的决策变量
Figure BDA0003128627930000146
替换为步骤3)计算得到的
Figure BDA0003128627930000147
此时模型的决策变量更新为
Figure BDA0003128627930000148
Figure BDA0003128627930000149
再次求解步骤2)的模型，，得到各决策变量的最优解，，进而利用
Figure BDA00031286279300001410
得到各决策变量总的最终优化值，从而获取主动配电网内部其他可控设备(可再生能源电站，分布式发电机组和储能设备)的最终日前调度方案，以及主动配电网向能量市场及辅助服务市场的日前投标方案。
本实施例还提出一种主动配电网日前调度装置，结构如图2所示，
图2为本实施例所提供的一种主动配电网日前调度装置的结构示意图。
其中，主动配电网日前调度装置位于主动配电网日前调度系统中，其中，主动配电网日前调度系统位于电子设备。
如图2所示，该主动配电网日前调度装置的实现装置可以包括灵活性负荷集群聚类模块、主动配电网日前调度预优化模块、参考功率分解优化模块和主动配电网日前调度终优化模块；其中：
灵活性负荷集群聚类模块，用于对主动配电网各节点下灵活性负荷进行集群负荷聚类分群；
主动配电网日前调度预优化模块，用于根据分群结果，建立基于灵活性负荷集群的主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；
参考功率分解优化模块，用于对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；
主动配电网日前调度终优化模块，用于利用所述实际功率需求，完成基于灵活性负荷集群的主动配电网日前调度终优化，得到最终的日前调度优化方案。
为了实现上述实施例，本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，用于执行上述实施例的主动配电网日前调度方法。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备900的结构示意图。其中，需要说明的是，该电子设备900中包括主动配电网日前调度系统，其中，本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机、服务器等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对主动配电网各节点下的灵活性负荷进行集群负荷聚类分群；根据分群结果，建立基于灵活性负荷集群的主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；利用所述实际功率需求，完成基于灵活性负荷集群的主动配电网日前调度终优化，得到最终的日前调度优化方案。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤，可以通过程序来指令相关的硬件完成，所开发的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种主动配电网日前调度方法，其特征在于，包括：
对主动配电网各节点下的灵活性负荷进行集群负荷聚类分群；
根据分群结果，建立主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；
对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；
利用所述实际功率需求，完成主动配电网日前调度终优化，得到最终的日前调度优化方案。
2.如权利要求1所述的方法，其特征在于，所述集群负荷聚类分群具体方法如下：
获取主动配电网各节点下灵活性负荷的需求参数，根据该需求参数基于NJW谱聚类算法对各节点下的灵活性负荷进行集群负荷聚类分群，得到各节点的灵活性负荷集群划分结果，并根据该结果计算每个集群的需求参数。
3.如权利要求2所述的方法，其特征在于，所述计算每个集群的需求参数，具体包括：
1-1)获取各灵活性负荷的需求参数；
所述灵活性负荷的需求参数为xL,j＝(Tstart,L,j,Tend,L,j,PL,j,max,PL,j,min,EL,j,max-de,EL,j,min-de)，该需求参数满足如下需求模型：
PL,j,min≤PL,j,t≤PL,j,max,Tstart,L,j≤t≤Tend,L,j (1)
PL,j,t＝0,t＜Tstart,L,j or t＞Tend,L,j (2)
EL,j,t＝EL,j,t-1+ΔT·PL,j,t (3)
Figure FDA0003128627920000011
其中，PL,j,min和PL,j,max分别为灵活性负荷j的功率需求下限和上限；EL,j,min-de和EL,j,max-de分别为灵活性负荷j的能量需求下限和上限；Tstart,L,j和Tend,L,j分别为灵活性负荷j的需求起始时间和终止时间；ΔT为调度时间间隔；PL,j,t为灵活性负荷j在t时刻的有功功率需求；EL,j,t为灵活性负荷j在t时刻的能量状态；
1-2)基于NJW谱聚类算法的灵活性负荷集群划分；包括：
获取各电网节点期望获得的集群数目，其中将节点i处期望获得的集群的数目记为NAGG,i；
将各节点下每个灵活性负荷的各需求参数分别进行极值归一化；
利用极值归一化后的需求参数，构建节点下的各灵活性负荷之间的差异矩阵；
将差异矩阵转换成邻接矩阵；
将邻接矩阵归一化，计算归一化后邻接矩阵K前NAGG,i个最大特征值及其对应的特征向量，利用该特征向量构建特征向量空间矩阵；
对所述特征向量空间矩阵U进行聚类，得到对应节点下灵活性负荷聚类分群结果；
1-3)根据所述灵活性负荷聚类分群结果，计算集群的需求参数包括：
节点i处集群k的起始需求时间和终止需求时间
Figure FDA0003128627920000021
和
Figure FDA0003128627920000022
节点i处集群k的功率需求上限和功率需求下限
Figure FDA0003128627920000023
和
Figure FDA0003128627920000024
节点i处集群k的能量需求上限和能量需求下限
Figure FDA0003128627920000025
和
Figure FDA0003128627920000026
各参数表达式分别为：
Figure FDA0003128627920000027
Figure FDA0003128627920000028
Figure FDA0003128627920000029
其中，NL,k,i为节点i处集群k内部灵活性负荷的数目。
4.如权利要求3所述的方法，其特征在于，所述各集群的参考功率计算方法如下：
2-1)建立主动配电网日前调度优化模型的目标函数，表达式如下：
Figure FDA00031286279200000210
其中，Ns和ρs分别为场景数目和各场景权重；NDG和NESS分别为主动配电网中分布式发电机组和储能设备的数量；T为主动配电网运营总时段数；
Figure FDA00031286279200000211
为t时刻场景s下日前能量市场预测电价；
Figure FDA00031286279200000212
为t时刻场景s下旋转备用市场预测电价；
Figure FDA00031286279200000213
为t时刻场景s下主动配电网向能量市场的投标功率；
Figure FDA00031286279200000214
为t时刻场景s下主动配电网向旋转备用市场的投标容量；
Figure FDA00031286279200000215
为分布式发电机组i在t时刻场景s下的有功出力；
Figure FDA00031286279200000216
为分布式发电机组i在t时刻场景s下的备用容量；
Figure FDA00031286279200000217
为分布式发电机组i在t时刻的启停状态；
Figure FDA00031286279200000218
和
Figure FDA00031286279200000219
分别为储能设备i在t时刻场景s下的有功功率输出和有功功率输入；
Figure FDA00031286279200000220
为储能设备i在t时刻场景s下的备用容量；
Fi DG(·)和Fi ESS(·)分别为分布式发电机组i和储能设备i的运行成本，表达式如下：
Figure FDA0003128627920000031
Figure FDA0003128627920000032
其中，
Figure FDA0003128627920000033
为t时刻旋转备用的调用概率，参考取值范围为(0,1)；ai，bi和ci分别为分布式发电机组i的运行成本系数；APi为储能设备i的运行成本系数；
2-2)确定主动配电网日前调度优化模型的约束条件，具体如下：
潮流方程模型约束；
Figure FDA0003128627920000034
Figure FDA0003128627920000035
Figure FDA0003128627920000036
Figure FDA0003128627920000037
Figure FDA0003128627920000038
Figure FDA0003128627920000039
其中，
Figure FDA00031286279200000310
NB为主动配电网中的节点总数；rij和xij分别为节点i和节点j之间线路的电阻和电抗；θi,s,t，Vi,s,t，Pi,s,t，Qi,s,t分别为节点i处t时刻场景s下的相位、电压幅值、注入有功功率和注入无功功率；
Figure FDA00031286279200000311
和
Figure FDA00031286279200000312
分别为风电场i和光伏电站i在t时刻场景s下的有功出力；
Figure FDA00031286279200000313
和
Figure FDA00031286279200000314
分别为风电场i和光伏电站i在t时刻场景s下的无功出力；
Figure FDA00031286279200000315
为节点i处集群k在t时刻场景s下的参考功率需求；
Figure FDA00031286279200000316
和
Figure FDA00031286279200000317
分别为节点i处t时刻的有功负荷和无功负荷；Pij,s,t和Qij,s,t分别为节点i和节点j之间线路在t时刻场景s下的有功潮流和无功潮流；
Figure FDA00031286279200000318
其中，Sij,N为节点i和节点j之间线路的额定容量；Vi,max和Vi,min分别为节点i电压幅值上限和下限；
分布式发电机组模型约束；
Figure FDA0003128627920000041
Figure FDA0003128627920000042
Figure FDA0003128627920000043
Figure FDA0003128627920000044
其中，
Figure FDA0003128627920000045
和
Figure FDA0003128627920000046
分别为分布式发电机组i的出力上限和下限；
Figure FDA0003128627920000047
为分布式发电机组i的最大爬坡速率；
Figure FDA0003128627920000048
为分布式发电机组i的额定容量；
可再生能源出力约束：
Figure FDA0003128627920000049
Figure FDA00031286279200000410
其中，
Figure FDA00031286279200000411
和
Figure FDA00031286279200000412
分别为风电场i和光伏电站i在t时刻场景s下的最大预测出力；
Figure FDA00031286279200000413
和
Figure FDA00031286279200000414
分别为风电场i和光伏电站i的额定容量；
储能模型约束：
Figure FDA00031286279200000415
Figure FDA00031286279200000416
Figure FDA00031286279200000417
Figure FDA00031286279200000418
其中，
Figure FDA00031286279200000419
分别为储能设备i的最大输入功率和最大输出功率，
Figure FDA00031286279200000420
分别为储能设备i的最小输入功率和最小输出功率；
Figure FDA00031286279200000421
和
Figure FDA00031286279200000422
分别为储能设备i的储能上限和储能下限；ηin和ηout分别为功率输入能量转换系数和功率输出能量转换系数；λ为储能的耗散系数；ΔT为调度时间间隔；
Figure FDA00031286279200000423
为储能设备i的初始能量；
系统旋转备用平衡约束：
Figure FDA00031286279200000424
其中，|ΔRL|为主动配电网内部负荷，
Figure FDA00031286279200000425
和
Figure FDA00031286279200000426
分别为t时刻风电场i和光伏电站i的备用需求；NWP和NPV分别为主动配电网中风电场和光伏电站的数量；
灵活性负荷集群模型约束：
Figure FDA00031286279200000427
Figure FDA00031286279200000428
Figure FDA0003128627920000051
其中，
Figure FDA0003128627920000052
为节点i处集群k在t时刻场景s下的参考能量状态；
2-3)式(11)-(34)构成的优化调度模型中的决策变量包括
Figure FDA0003128627920000053
Figure FDA0003128627920000054
对该模型求解得到日前调度的预优化结果，并利用各场景权重根据
Figure FDA0003128627920000055
计算各决策变量的总的优化值；
根据优化模型的预优化结果，获得各灵活性负荷集群在各场景下每个时刻的参考功率
Figure FDA0003128627920000056
5.如权利要求4所述的方法，其特征在于，所述集群中各灵活性负荷的实际功率需求计算方法如下：
3-1)各集群根据对应的参考功率
Figure FDA0003128627920000057
分别建立各自的灵活性负荷集群日前分解优化模型，表达式如下：
Figure FDA0003128627920000058
Figure FDA0003128627920000059
Figure FDA00031286279200000510
其中，集群中每个灵活性负荷在各时刻的功率满足如式(1)-(4)所示的需求模型；
F1 DIS(PL,j,t)表示灵活性负荷j所在集群的优化目标1，F2 DIS(PL,j,t)表示灵活性负荷j所在集群的优化目标2；M为一正数；
3-2)求解步骤3-1)建立的日前分解优化模型，获得集群中各灵活性负荷的PL,j,t的最优解，计算得到该灵活性负荷集群的实际功率需求
Figure FDA00031286279200000511
表达式如下：
Figure FDA00031286279200000512
其中，
Figure FDA00031286279200000513
为节点i处集群k在t时刻的实际功率需求。
6.如权利要求5所述的方法，其特征在于，所述主动配电网日前调度终优化，包括：
将主动配电网日前调度优化模型中的决策变量
Figure FDA00031286279200000514
替换为
Figure FDA00031286279200000515
此时模型的决策变量更新为
Figure FDA00031286279200000516
再次求解该日前调度优化模型，得到各决策变量的最优解，进而利用
Figure FDA0003128627920000061
得到各决策变量总的最终优化值，从而获取主动配电网的最终日前调度方案。
7.一种主动配电网日前调度装置，其特征在于，包括：
灵活性负荷集群聚类模块，用于对主动配电网各节点下灵活性负荷进行集群负荷聚类分群；
主动配电网日前调度预优化模块，用于根据分群结果，建立主动配电网日前调度优化模型并求解，得到日前调度的预优化结果，根据预优化结果获得各集群的参考功率；
参考功率分解优化模块，用于对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；
主动配电网日前调度终优化模块，用于利用所述实际功率需求，完成主动配电网日前调度终优化，得到最终的日前调度优化方案。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述权利要求1-5任一项所述的主动配电网日前调度方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-5任一项所述的的主动配电网日前调度方法。
CN202110698112.9A 2021-06-23 2021-06-23 一种主动配电网日前调度方法、装置、电子设备和存储介质 Pending CN113541198A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110698112.9A CN113541198A (zh) 2021-06-23 2021-06-23 一种主动配电网日前调度方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110698112.9A CN113541198A (zh) 2021-06-23 2021-06-23 一种主动配电网日前调度方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113541198A true CN113541198A (zh) 2021-10-22

Family

ID=78125663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110698112.9A Pending CN113541198A (zh) 2021-06-23 2021-06-23 一种主动配电网日前调度方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113541198A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336735A (zh) * 2021-11-27 2022-04-12 深圳供电局有限公司 相变蓄冷空调电力调度方法、装置、计算机设备
CN116545037A (zh) * 2023-07-03 2023-08-04 广东电网有限责任公司中山供电局 一种面向分布式资源集群的轻量化边缘控制方法及装置
CN117057850A (zh) * 2023-10-12 2023-11-14 国网浙江省电力有限公司 一种考虑碳市场的分布式资源集群调度方法及装置
WO2024056050A1 (zh) * 2022-09-15 2024-03-21 清华大学 海量柔性负荷快速聚合控制方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336735A (zh) * 2021-11-27 2022-04-12 深圳供电局有限公司 相变蓄冷空调电力调度方法、装置、计算机设备
WO2024056050A1 (zh) * 2022-09-15 2024-03-21 清华大学 海量柔性负荷快速聚合控制方法及装置
CN116545037A (zh) * 2023-07-03 2023-08-04 广东电网有限责任公司中山供电局 一种面向分布式资源集群的轻量化边缘控制方法及装置
CN116545037B (zh) * 2023-07-03 2023-09-26 广东电网有限责任公司中山供电局 一种面向分布式资源集群的轻量化边缘控制方法及装置
CN117057850A (zh) * 2023-10-12 2023-11-14 国网浙江省电力有限公司 一种考虑碳市场的分布式资源集群调度方法及装置
CN117057850B (zh) * 2023-10-12 2024-01-26 国网浙江省电力有限公司 一种考虑碳市场的分布式资源集群调度方法及装置

Similar Documents

Publication Publication Date Title
CN113541198A (zh) 一种主动配电网日前调度方法、装置、电子设备和存储介质
Liu et al. A novel transactive energy control mechanism for collaborative networked microgrids
Alam et al. Peer-to-peer energy trading among smart homes
US9953117B2 (en) Planning economic energy dispatch in electrical grid under uncertainty
Yu et al. Optimal bidding strategy of prosumers in distribution-level energy markets
CN107069776B (zh) 一种平滑微网联络线功率的储能前瞻分布式控制方法
CN110137955A (zh) 一种计及CVaR的鲁棒机组组合调度的决策方法
CN109272353B (zh) 计及综合需求响应不确定性的系统动态概率能流分析方法
US12015275B2 (en) Hybrid power plant
Varzaneh et al. Optimal energy management for PV‐integrated residential systems including energy storage system
CN111222917A (zh) 一种与配电侧多元零售市场互动的虚拟电厂投标策略
Li et al. Two-stage community energy trading under end-edge-cloud orchestration
Pilz et al. Selfish energy sharing in prosumer communities: A demand-side management concept
CN115733178A (zh) 基于成本和风险多目标的光储充电站容量配置方法及系统
WO2023167631A1 (en) An electrical power system and a multi-timescale coordinated optimization scheduling method therefor
CN113937781A (zh) 一种考虑温控负荷聚合体的虚拟电厂滚动调度技术
CN116865270A (zh) 一种含嵌入式直流的柔性互联配电网优化调度方法及系统
CN113555887B (zh) 电网能源控制方法、装置、电子设备及存储介质
Zhou et al. Energy management for energy internet: a combination of game theory and big data-based renewable power forecasting
Chen et al. Pricing real-time stochastic storage operations
CN113011718A (zh) 基于和声搜索算法的配电网有功-无功联合优化调度方法
Han et al. Grid-to-vehicle (G2V) and vehicle-to-grid (V2G) technologies
Zhao et al. Optimal scheduling of home energy management system with plug-in electric vehicles using model predictive control
Wang et al. Peer-to-peer energy trading in a community based on deep reinforcement learning
CN117541300B (zh) 虚拟电厂交易管理方法、系统、设备及存储介质

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