CN113627807A - 一种网源荷互动风险控制方法 - Google Patents

一种网源荷互动风险控制方法 Download PDF

Info

Publication number
CN113627807A
CN113627807A CN202110940467.4A CN202110940467A CN113627807A CN 113627807 A CN113627807 A CN 113627807A CN 202110940467 A CN202110940467 A CN 202110940467A CN 113627807 A CN113627807 A CN 113627807A
Authority
CN
China
Prior art keywords
risk control
load
time period
time
power
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
CN202110940467.4A
Other languages
English (en)
Other versions
CN113627807B (zh
Inventor
程维杰
刘金生
陈择栖
林子钊
程韧俐
马伟哲
张俊芳
柳伟
何晓峰
翁毅选
黄双
吴新
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.)
Shenzhen Power Supply Co ltd
Original Assignee
Shenzhen Power Supply Co ltd
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 Shenzhen Power Supply Co ltd filed Critical Shenzhen Power Supply Co ltd
Priority to CN202110940467.4A priority Critical patent/CN113627807B/zh
Publication of CN113627807A publication Critical patent/CN113627807A/zh
Application granted granted Critical
Publication of CN113627807B publication Critical patent/CN113627807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种网源荷互动风险控制方法，包括：步骤S1，建立考虑实时电价的需求响应机制，步骤S2，建立以社会效益最大化为目标的风险控制模型；步骤S3，根据保留精英的种群寻优策略，莱维飞行以及自适应步长策略，获取改进型天牛须算法；步骤S4，采用所述改进型天牛须算法求解所述风险控制模型，评估风险控制前后各时段内的综合风险。本发明提供的网源荷互动风险控制方法能引导负荷需求主动参与系统调节，实现削峰填谷，促进新能源的消纳，在保证电网安全可靠运行的同时，使社会效益最大化。

Description

一种网源荷互动风险控制方法
技术领域
本发明涉及电力系统安全稳定控制技术领域，具体涉及一种网源荷互动风险控制方法。
背景技术
为构建清洁、低碳的现代能源体系，我国大力发展风电、光伏等新能源。但新能源的大规模接入，其出力的间歇性、波动性会使得配电网处于不确定的状态，使配电网运行参数更易越限；同时分布式电源的接入，改变了配电网的拓扑结构，使得潮流分布变得更为复杂，对配电网的电压、有功功率等状态量都产生了不容忽视的影响，大大提高了电力系统的风险水平，同时也对网源荷互动的风险控制提出了更高的要求。
风险控制即在风险评估及预警的基础上，通过实施与评估结果相适应的预防控制和应急管理等手段，降低那些高风险发生的可能性或后果的严重程度，为运行调度人员提供决策方案。对此问题，传统的风险控制方法建立的风险控制模型中可控资源单一，难以协调利用需求侧和供电侧的全部资源，达不到最佳的风险控制效果，而考虑实时电价的需求响应机制能及时将用户的用电需求反映至供电侧，供电侧结合分布式能源出力情况后制定电价，用户再根据电价对自身用电需求进行调整，不仅能充分发挥电价的杠杆作用，调动用户的积极性，而且实现了网源荷的智能互动，提高了电力系统的安全性。此外，电价和电力需求信息需要通过通信网络在供电侧与需求侧之间传递，因此这就要求网源荷之间的通信要具备较高的稳定性，较短的时延以及数据传输的完整性，以保证配电网供需之间的平衡和控制的可靠性。传统的风险控制模型在考虑约束条件时并没有考虑到通信故障的影响。最后，传统的风险控制模型的求解算法，例如遗传算法、蚁群算法、粒子群算法等，求解时间较长且精度不够，难以满足紧急情况下风险控制的快速性与精确性的要求。
发明内容
本发明所要解决的技术问题在于，提供一种网源荷互动风险控制方法，以提高新能源接入下网源荷互动的风险控制能力。
为解决上述技术问题，本发明提供一种网源荷互动风险控制方法，包括：
步骤S1，建立考虑实时电价的需求响应机制；
步骤S2，建立以社会效益最大化为目标的风险控制模型；
步骤S3，根据保留精英的种群寻优策略，莱维飞行以及自适应步长策略，获取改进型天牛须算法；
步骤S4，采用所述改进型天牛须算法求解所述风险控制模型，评估风险控制前后各时段内的综合风险。
进一步地，所述步骤S1具体包括：
步骤S11，通过实时电价将光伏出力和负荷水平联系起来，并根据光伏渗透率高低分别建立实时电价模型；
步骤S12，使用价格弹性矩阵来表示多个时段的价格弹性，所述价格弹性包括自弹性和互弹性；
步骤S13，根据响应电价的方式，即纵向和横向两种方式，将家庭用电负荷分为可转移负荷和可替代负荷，分别建立家庭用电负荷模型。
进一步地，所述步骤S11具体包括：
光伏渗透率较低时，时段t内的期望电价pe(t)为：
Figure BDA0003214636380000021
其中，p(t)是时段t内的电价；l(t)是时段t内的负荷需求；lsum为所有时段内的负荷需求总和，T为需求响应的时段总数；
光伏渗透率较高时，时段t内的期望电价pe(t)为：
Figure BDA0003214636380000022
其中，p(t)、l(t)和pPV(t)分别为时段t内的电价、负荷需求和光伏出力；μ为光伏补偿系数，其值等于单位光伏电能补贴金额pa和固定电价ps的比值。
进一步地，所述步骤S12中，自弹性e(i，i)和互弹性e(i，j)分别为：
Figure BDA0003214636380000023
Figure BDA0003214636380000024
其中，Δli为时段ti内的负荷需求变化量；Δpi和Δpj分别为时段ti和时段tj内的电价变化量；
Figure BDA0003214636380000031
和
Figure BDA0003214636380000032
分别为时段i和时段j内的初始电价；
Figure BDA0003214636380000033
和
Figure BDA0003214636380000034
分别为时段i和时段j内的初始负荷需求；
使用价格弹性矩阵E来表示多个时段的价格弹性，选取时段数为n，具体如下：
Figure BDA0003214636380000035
其中，对角线元素表示自弹性系数，非对角线元素则表示互弹性系数。
进一步地，步骤S13建立的可转移负荷模型如下：
Figure BDA0003214636380000036
其中，ltra,i为时段ti内的可转移负荷需求；
Figure BDA0003214636380000037
为时段ti内的初始负荷需求；建立的可替代负荷模型如下：
Figure BDA0003214636380000038
其中，lrep,i和pi分别为时段ti内的可转移负荷需求和电价；ci为时段ti内的补偿价格。
进一步地，步骤S2具体包括：
步骤S21，从网源荷智能互动角度出发，以考虑实时电价的需求响应机制为基础建立风险控制模型；
步骤S22，确定模型约束条件。
进一步地，所述步骤S21具体包括：将用户总效用与储能成本、供电商的发电成本相减，得到用于表示需求侧和供应侧的整体效用的社会效益，以社会效益的最大化作为目标函数如下：
Figure BDA0003214636380000039
其中，Nuser为用户总数；ln(t)、ωn(t)和sn(t)分别为用户n在时段t内的用电需求、购电意愿和蓄电池充电(或放电)电量，L(t)为时段t内的供电量；Un(·)为用户效用函数，Cb(·)为储能成本函数，Cs(·)为发电成本函数。
进一步地，所述用户效用函数具体是：
Figure BDA0003214636380000041
其中，C为常数；
所述储能成本函数具体是：
Figure BDA0003214636380000042
其中，bn(t)为时段t内蓄电池的电量；Bn为蓄电池的容量；ρ1、ρ2、ρ3、ρ4,n
Figure BDA0003214636380000043
所述发电成本函数具体是：
Cst(L(t))＝a1(t)(L(t))2+a2(t)L(t)+a3(t)
其中，a1(t)、a2(t)和a3(t)为发电侧预设参数，且a1(t)>0、a2(t)、a3(t)≥0。
进一步地，所述模型约束条件包括功率平衡约束、风险指标约束、电价约束、电量约束和通信约束；
所述功率平衡约束具体是：
Figure BDA0003214636380000044
其中，PPVGi和QPVGi分别为节点i处光伏系统输出的有功和无功功率；PLi和QLi分别为节点i处负荷的有功和无功功率；
所述风险指标约束具体是：
Figure BDA0003214636380000045
其中，RVi(t)为节点电压越限风险；
Figure BDA0003214636380000046
为支路潮流越限风险；
Figure BDA0003214636380000047
和
Figure BDA0003214636380000048
分别为电压风险限值和潮流风险限值；
所述电价约束具体是：
pmin(t)≤p(t)≤pmax(t)
其中，pmin(t)和pmax(t)分别为时段t内电价的下限和上限；
所述电量约束具体是：
Figure BDA0003214636380000051
其中，Lmin(t)和Lmax(t)分别为时段t内供电量的下限和上限；lrep,min(t)为时段t内可替代负荷的最小用电需求；Ltra,down(t)与Ltra,up(t)分别为可转移负荷时段t内减少的用电量总和与增加的用电量总和；sn，min(t)、sn，max(t)为时段t内蓄电池充放电电量的上、下限；Bn为蓄电池的容量；
所述通信约束具体是：
Figure BDA0003214636380000052
其中，Cmax是通讯中断CK的上界；τmin为通信延迟的下界，τmax为通信延迟τk的上界，τallowable最大允许延迟时间，Nk是周期k处的数据包丢失数量，Nmax是允许的最大数据包丢失数。
进一步地，所述步骤S3具体包括：
将精英个体加入种群更新中，以使算法充分利用现有优质解的信息，加快寻优的速度，提高求解的精度；
通过莱维飞行优化算法，获得随机步长公式为：
Figure BDA0003214636380000053
其中，λ＝1+β,β∈(1,2]，μ和v由高斯分布得出：
Figure BDA0003214636380000054
σv＝1，σμ表示为：
Figure BDA0003214636380000061
其中，Γ(·)是标准伽马函数，β为莱维飞行权重；
采用自适应步长更新策略，获得优化后的步长更新公式为：
Figure BDA0003214636380000062
其中，rand(1)为取值范围为0到1的随机比例因子；
Figure BDA0003214636380000063
表示第i只天牛在t时刻与第i个精英个体在第j维上的距离。
进一步地，所述步骤S4具体是：仿真并对比风险控制前后各时段内的综合风险；设定算例参数，通过仿真得到风险控制前后的综合风险以及收益。
进一步地，所述步骤S4具体包括：
步骤S41，初始化风险控制模型参数；
步骤S42，随机初始化天牛种群并计算适应度；
步骤S43，根据适应度选出精英个体并存储其位置；
步骤S44，计算每只天牛与其相应精英天牛的位置，根据莱维飞行和比例因子生成搜索步长；
步骤S45，根据步长计算天牛两须位置及其适应度函数；
步骤S46，选取适应度较高的一侧更新天牛位置；
步骤S47，判断是否达到最大迭代次数或满足精度要求，若不满足则返回步骤S43；
步骤S48，输出最优解。
实施本发明具有如下有益效果：构建了考虑实时电价的需求响应机制，能及时将用户的用电需求反映至供电侧，供电侧结合分布式能源出力情况后制定电价，用户再根据电价对自身用电需求进行调整，从而充分发挥了电价的杠杆作用，调动了用户的积极性；基于需求响应机制，建立了以社会效益最大化为目标的风险控制模型，并充分考虑了各项约束条件，在保证电网运行安全可靠的基础上，兼顾了经济性；提出了一种改进型天牛须算法，避免了陷入局部最优，并且有较高的搜索全局度和搜索效率。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种网源荷互动风险控制方法的流程示意图。
图2是本发明实施例中求解风险控制模型流程图。
图3是某地区光伏电站的光伏出力曲线图。
图4是本发明实施例中农实时电价曲线图。
图5是本发明实施例中风险控制前后的电价曲线对比图。
图6是本发明实施例中风险控制前后的负荷需求曲线对比图。
图7是本发明实施例中风险控制前后各时段内的综合风险示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
请参照图1所示，本发明实施例一提供一种网源荷互动风险控制方法，包括：
步骤S1，建立考虑实时电价的需求响应机制；
步骤S2，建立以社会效益最大化为目标的风险控制模型；
步骤S3，根据保留精英的种群寻优策略，莱维飞行以及自适应步长策略，获取改进型天牛须算法；
步骤S4，采用所述改进型天牛须算法求解所述风险控制模型，评估风险控制前后各时段内的综合风险。
具体地，步骤S1建立考虑实时电价的需求响应机制具体包括：
步骤S11，通过实时电价将光伏出力和负荷水平联系起来，以光伏出力为激励源引导用户调整用电，并根据光伏渗透率高低分别建立实时电价模型。
(1)光伏渗透率低时，电价一般与当前时段负荷水平成正比，时段t内的期望电价pe(t)为：
Figure BDA0003214636380000071
其中，p(t)是时段t内的电价；l(t)是时段t内的负荷需求；lsum为所有时段内的负荷需求总和，T为需求响应的时段总数；
(2)光伏渗透率较高时，电价与当前时段光伏出力成反比，时段t内的期望电价pe(t)为：
Figure BDA0003214636380000081
其中，p(t)、l(t)和pPV(t)分别为时段t内的电价、负荷需求和光伏出力；μ为光伏补偿系数，其值等于单位光伏电能补贴金额pa和固定电价ps的比值。
步骤S12，将价格弹性分为为自弹性e(i，i)和互弹性e(i，j)两种：
Figure BDA0003214636380000082
Figure BDA0003214636380000083
其中，Δli为时段ti内的负荷需求变化量；Δpi和Δpj分别为时段ti和时段tj内的电价变化量；
Figure BDA0003214636380000084
和
Figure BDA0003214636380000085
分别为时段i和时段j内的初始电价；
Figure BDA0003214636380000086
和
Figure BDA0003214636380000087
分别为时段i和时段j内的初始负荷需求；
使用价格弹性矩阵E来表示多个时段的价格弹性，选取时段数为n：
Figure BDA0003214636380000088
其中，对角线元素表示自弹性系数，非对角线元素则表示互弹性系数。
步骤S13，建立家庭用电负荷模型：根据响应电价的方式，即纵向和横向两种方式，将家庭用电负荷分为可转移负荷和可替代负荷，分别建立模型：
(1)可转移负荷模型
Figure BDA0003214636380000089
其中，ltra,i为时段ti内的可转移负荷需求；
Figure BDA00032146363800000810
为时段ti内的初始负荷需求；
(2)可替代负荷模型
Figure BDA00032146363800000811
其中，lrep,i和pi分别为时段ti内的可转移负荷需求和电价；ci为时段ti内的补偿价格。
步骤S2建立以社会效益最大化为目标的风险控制模型具体包括：
步骤S21，从网源荷智能互动角度出发，以考虑实时电价的需求响应机制为基础建立风险控制模型，即通过需求响应调整用户负荷使用情况，使得社会总效益达到最大化。
将用户总效用与储能成本、供电商的发电成本相减，得到的结果表示需求侧和供应侧的整体效用，即社会效益，以社会效益的最大化作为目标函数，如下：
Figure BDA0003214636380000091
其中，Nuser为用户总数；ln(t)、ωn(t)和sn(t)分别为用户n在时段t内的用电需求、购电意愿和蓄电池充电(或放电)电量，L(t)为时段t内的供电量；Un(·)为用户效用函数，Cb(·)为储能成本函数，Cs(·)为发电成本函数。
(1)用户效用函数
Figure BDA0003214636380000092
其中，C为常数。
(2)储能成本函数
Figure BDA0003214636380000093
其中，bn(t)为时段t内蓄电池的电量；Bn为蓄电池的容量；ρ1、ρ2、ρ3、ρ4,n和δ均为常数；该式中第一项
Figure BDA0003214636380000094
为快速充放电的惩罚项，第二项
Figure BDA0003214636380000095
为充放电循环的惩罚项，第三项
Figure BDA0003214636380000096
为深度放电的惩罚项。
(3)发电成本函数
Cst(L(t))＝a1(t)(L(t))2+a2(t)L(t)+a3(t)
其中，a1(t)、a2(t)和a3(t)为发电侧预设参数，且a1(t)>0、a2(t)、a3(t)≥0。
步骤S22，确定模型约束条件。
(1)功率平衡约束
Figure BDA0003214636380000101
其中，PPVGi和QPVGi分别为节点i处光伏系统输出的有功和无功功率；PLi和QLi分别为节点i处负荷的有功和无功功率。
(2)风险指标约束
Figure BDA0003214636380000102
其中，
Figure BDA0003214636380000103
为节点电压越限风险；
Figure BDA0003214636380000104
为支路潮流越限风险；
Figure BDA0003214636380000105
和
Figure BDA0003214636380000106
分别为电压风险限值和潮流风险限值，本发明设定为正常运行条件下风险值的1.1倍。
(3)电价约束
pmin(t)≤p(t)≤pmax(t)
其中，pmin(t)和pmax(t)分别为时段t内电价的下限和上限。
(4)电量约束
Figure BDA0003214636380000107
其中，Lmin(t)和Lmax(t)分别为时段t内供电量的下限和上限；lrep,min(t)为时段t内可替代负荷的最小用电需求；Ltra,down(t)与Ltra,up(t)分别为可转移负荷时段t内减少的用电量总和与增加的用电量总和；sn，min(t)、sn，max(t)为时段t内蓄电池充放电电量的上、下限；Bn为蓄电池的容量。
(5)通信约束
Figure BDA0003214636380000108
其中，Cmax是通讯中断CK的上界；τmin为通信延迟的下界，τmax为通信延迟τk的上界，τallowable最大允许延迟时间，Nk是周期k处的数据包丢失数量，Nmax是允许的最大数据包丢失数。
步骤S3获取改进型天牛须算法具体包括：
(1)保留精英的种群寻优策略。
精英个体是指适应度较好的天牛个体，将精英个体加入种群更新中可以让算法充分利用现有优质解的信息，加快寻优的速度，提高求解的精度。精英个体用矩阵Y表示为：
Figure BDA0003214636380000111
其中，n’表示当前适应度最优的个体数，本发明令n’＝n，矩阵的每一行都表示一个迭代到现在为止的精英个体。
此外，因为每个个体是不断更新的，所以天牛不会一直在某一个解附近搜索，这也增加了对整个搜索空间的探索能力，避免陷入局部最优。
(2)莱维飞行。莱维飞行是一种随机游走策略，其特点是几次短距离局部搜索之后，会出现一次长距离的跳跃并且方向也会产生巨大变化，因此通过莱维飞行优化算法可以避免陷入局部最优。随机步长公式为：
Figure BDA0003214636380000112
其中，λ＝1+β,β∈(1,2]，μ和v由高斯分布得出：
Figure BDA0003214636380000113
其中σv＝1，σμ表示为：
Figure BDA0003214636380000114
其中，Γ(·)是标准伽马函数，β为莱维飞行权重。
(3)自适应步长策略。为了合理调整算法参数，提高搜索的速度和精度，本发明采用自适应步长更新策略，并在检测后使用适应度更好的参数来更新天牛位置。优化后的步长更新公式为：
Figure BDA0003214636380000121
其中，rand(1)为取值范围为0到1的随机比例因子；
Figure BDA0003214636380000122
表示第i只天牛在t时刻与第i个精英个体在第j维上的距离；Levy(λ)是服从莱维分布的随机数。
通过上述步骤对传统天牛须算法进行改进，可以获得改进型天牛须算法。
步骤S4将采用改进型天牛须算法求解风险控制模型，评估风险控制前后各时段内的综合风险。具体地，仿真并对比风险控制前后各时段内的综合风险。设定算例参数，通过仿真得到风险控制前后的综合风险以及收益。
如图2所示，步骤S4基于改进型天牛须算法的模型求解流程可以表示为：
步骤S41，初始化风险控制模型参数；
步骤S42，随机初始化天牛种群并计算适应度；
步骤S43，根据适应度选出精英个体并存储其位置；
步骤S44，计算每只天牛与其相应精英天牛的位置，根据莱维飞行和比例因子生成搜索步长；
步骤S45，根据步长计算天牛两须位置及其适应度函数；
步骤S46，选取适应度较高的一侧更新天牛位置；
步骤S47，判断是否达到最大迭代次数或满足精度要求，若不满足则返回步骤S43；
步骤S48，输出最优解。
为了说明本发明的有益效果，给出如下实施例。该实施例的光伏出力数据来源于某地区光伏电站的历史出力情况，如图3所示。
设定单位光伏电能补贴金额pa为0.5元，固定电价ps为0.5元，自弹性系数取-0.02，互弹性系数取0.0032，由实时电价模型得到期望的实时电价曲线，如图4所示。
设定仿真单位时段为1h，时段总数T＝24；各时段内的电价下限pmin(t)＝0.2元，电价上限pmax(t)＝0.8元；本发明考虑的主要可替代负荷主要为热水器和空调，因此时段t内可替代负荷的最小用电需求lrep,min(t)取3.8kW；设定每条通信线路的时延不超过30ms，丢包时产生的误码率不超过10-8，无通信中断时通信系统能够正常通信。IBAS算法最大迭代次数kmax＝100；天牛种群规模n＝50；精英天牛规模n’＝n＝50；优化目标变量维度T＝24，表示24个时段；莱维飞行权重β＝1.5。
通过仿真得到风险控制后的实时电价曲线如图5所示。从附图5可见，控制风险后的实时电价曲线相比控制之前，在有光伏出力时，电价略微上升，而在无光伏出力或出力较少时电价略微下降，但总体变化不是很大。
风险控制后的负荷需求如图6所示。由图6可见，风险控制后在光伏出力为0时，峰时的负荷需求减小，而谷时的负荷需求增大；在有光伏出力时，光伏渗透率较高时负荷需求增大，较低时负荷需求减小。
风险控制前后该典型日的总负荷需求如表1所示：
表1典型日内的总负荷需求
Figure BDA0003214636380000131
由表1可知，风险控制前的负荷峰谷差为4.5824MW·h，而风险控制后的负荷峰谷差为3.5362MW·h，峰谷差显著减小。因此，本发明建立的基于实时电价的需求响应机制能够有效引导用户改变其用电习惯，促进可调节资源参与电力系统调峰，实现了负荷需求曲线的“削峰填谷”，充分发挥网源荷友好互动的作用，达到电网供需平衡，安全运行的目的。
风险预防控制后各个时段内的综合风险如图7所示，用户效用和社会效益如表2所示：
表2风险控制前后的收益
Figure BDA0003214636380000132
由图7可知，经过基于需求响应机制的风险控制后，大部分时段的综合越限风险都得到了不同程度的降低，且都被控制在安全限值以内。而第7、8、14、18、19时段风险的增加是由于风险控制使得该时段负荷需求减小，导致光伏渗透率增加，增加了系统风险，但其风险值仍在安全限值之下。同时，由表2可知，风险控制后的用电费用和发电成本较风险控制前分别减少了8.68％和30.78％，并且社会效益增加了9.17％。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (12)

1.一种网源荷互动风险控制方法，其特征在于，包括：
步骤S1，建立考虑实时电价的需求响应机制；
步骤S2，建立以社会效益最大化为目标的风险控制模型；
步骤S3，根据保留精英的种群寻优策略，莱维飞行以及自适应步长策略，获取改进型天牛须算法；
步骤S4，采用所述改进型天牛须算法求解所述风险控制模型，评估风险控制前后各时段内的综合风险。
2.根据权利要求1所述的网源荷互动风险控制方法，其特征在于，所述步骤S1具体包括：
步骤S11，通过实时电价将光伏出力和负荷水平联系起来，并根据光伏渗透率高低分别建立实时电价模型；
步骤S12，使用价格弹性矩阵来表示多个时段的价格弹性，所述价格弹性包括自弹性和互弹性；
步骤S13，根据响应电价的方式，即纵向和横向两种方式，将家庭用电负荷分为可转移负荷和可替代负荷，分别建立家庭用电负荷模型。
3.根据权利要求2所述的网源荷互动风险控制方法，其特征在于，所述步骤S11具体包括：
光伏渗透率较低时，时段t内的期望电价pe(t)为：
Figure FDA0003214636370000011
其中，p(t)是时段t内的电价；l(t)是时段t内的负荷需求；lsum为所有时段内的负荷需求总和，T为需求响应的时段总数；
光伏渗透率较高时，时段t内的期望电价pe(t)为：
Figure FDA0003214636370000012
其中，p(t)、l(t)和pPV(t)分别为时段t内的电价、负荷需求和光伏出力；μ为光伏补偿系数，其值等于单位光伏电能补贴金额pa和固定电价ps的比值。
4.根据权利要求3所述的网源荷互动风险控制方法，其特征在于，所述步骤S12中，自弹性e(i，i)和互弹性e(i，j)分别为：
Figure FDA0003214636370000021
Figure FDA0003214636370000022
其中，Δli为时段ti内的负荷需求变化量；Δpi和Δpj分别为时段ti和时段tj内的电价变化量；
Figure FDA0003214636370000023
和
Figure FDA0003214636370000024
分别为时段i和时段j内的初始电价；
Figure FDA0003214636370000025
和
Figure FDA0003214636370000026
分别为时段i和时段j内的初始负荷需求；
使用价格弹性矩阵E来表示多个时段的价格弹性，选取时段数为n，具体如下：
Figure FDA0003214636370000027
其中，对角线元素表示自弹性系数，非对角线元素则表示互弹性系数。
5.根据权利要求4所述的网源荷互动风险控制方法，其特征在于，步骤S13建立的可转移负荷模型如下：
Figure FDA0003214636370000028
其中，ltra,i为时段ti内的可转移负荷需求；
Figure FDA0003214636370000029
为时段ti内的初始负荷需求；
建立的可替代负荷模型如下：
Figure FDA00032146363700000210
其中，lrep,i和pi分别为时段ti内的可转移负荷需求和电价；ci为时段ti内的补偿价格。
6.根据权利要求5所述的网源荷互动风险控制方法，其特征在于，步骤S2具体包括：
步骤S21，从网源荷智能互动角度出发，以考虑实时电价的需求响应机制为基础建立风险控制模型；
步骤S22，确定模型约束条件。
7.根据权利要求6所述的网源荷互动风险控制方法，其特征在于，所述步骤S21具体包括：将用户总效用与储能成本、供电商的发电成本相减，得到用于表示需求侧和供应侧的整体效用的社会效益，以社会效益的最大化作为目标函数如下：
Figure FDA0003214636370000031
其中，Nuser为用户总数；ln(t)、ωn(t)和sn(t)分别为用户n在时段t内的用电需求、购电意愿和蓄电池充电(或放电)电量，L(t)为时段t内的供电量；Un(·)为用户效用函数，Cb(·)为储能成本函数，Cs(·)为发电成本函数。
8.根据权利要求7所述的网源荷互动风险控制方法，其特征在于，所述用户效用函数具体是：
Figure FDA0003214636370000032
其中，C为常数；
所述储能成本函数具体是：
Figure FDA0003214636370000033
其中，bn(t)为时段t内蓄电池的电量；Bn为蓄电池的容量；ρ1、ρ2、ρ3、ρ4,n
Figure FDA0003214636370000034
所述发电成本函数具体是：
Cst(L(t))＝a1(t)(L(t))2+a2(t)L(t)+a3(t)
其中，a1(t)、a2(t)和a3(t)为发电侧预设参数，且a1(t)>0、a2(t)、a3(t)≥0。
9.根据权利要求8所述的网源荷互动风险控制方法，其特征在于，所述模型约束条件包括功率平衡约束、风险指标约束、电价约束、电量约束和通信约束；
所述功率平衡约束具体是：
Figure FDA0003214636370000035
其中，PPVGi和QPVGi分别为节点i处光伏系统输出的有功和无功功率；PLi和QLi分别为节点i处负荷的有功和无功功率；
所述风险指标约束具体是：
Figure FDA0003214636370000041
其中，
Figure FDA0003214636370000042
为节点电压越限风险；
Figure FDA0003214636370000043
为支路潮流越限风险；
Figure FDA0003214636370000044
和
Figure FDA0003214636370000045
分别为电压风险限值和潮流风险限值；
所述电价约束具体是：
pmin(t)≤p(t)≤pmax(t)
其中，pmin(t)和pmax(t)分别为时段t内电价的下限和上限；
所述电量约束具体是：
Figure FDA0003214636370000046
其中，Lmin(t)和Lmax(t)分别为时段t内供电量的下限和上限；lrep,min(t)为时段t内可替代负荷的最小用电需求；Ltra,down(t)与Ltra,up(t)分别为可转移负荷时段t内减少的用电量总和与增加的用电量总和；sn，min(t)、sn，max(t)为时段t内蓄电池充放电电量的上、下限；Bn为蓄电池的容量；
所述通信约束具体是：
Figure FDA0003214636370000047
其中，Cmax是通讯中断CK的上界；τmin为通信延迟的下界，τmax为通信延迟τk的上界，τallowable最大允许延迟时间，Nk是周期k处的数据包丢失数量，Nmax是允许的最大数据包丢失数。
10.根据权利要求9所述的网源荷互动风险控制方法，其特征在于，所述步骤S3具体包括：
将精英个体加入种群更新中，以使算法充分利用现有优质解的信息，加快寻优的速度，提高求解的精度；
通过莱维飞行优化算法，获得随机步长公式为：
Figure FDA0003214636370000051
其中，λ＝1+β,β∈(1,2]，μ和v由高斯分布得出：
Figure FDA0003214636370000052
σv＝1，σμ表示为：
Figure FDA0003214636370000053
其中，Γ(·)是标准伽马函数，β为莱维飞行权重；
采用自适应步长更新策略，获得优化后的步长更新公式为：
Figure FDA0003214636370000054
其中，rand(1)为取值范围为0到1的随机比例因子；
Figure FDA0003214636370000055
表示第i只天牛在t时刻与第i个精英个体在第j维上的距离。
11.根据权利要求1所述的网源荷互动风险控制方法，其特征在于，所述步骤S4具体是：仿真并对比风险控制前后各时段内的综合风险；设定算例参数，通过仿真得到风险控制前后的综合风险以及收益。
12.根据权利要求11所述的网源荷互动风险控制方法，其特征在于，所述步骤S4具体包括：
步骤S41，初始化风险控制模型参数；
步骤S42，随机初始化天牛种群并计算适应度；
步骤S43，根据适应度选出精英个体并存储其位置；
步骤S44，计算每只天牛与其相应精英天牛的位置，根据莱维飞行和比例因子生成搜索步长；
步骤S45，根据步长计算天牛两须位置及其适应度函数；
步骤S46，选取适应度较高的一侧更新天牛位置；
步骤S47，判断是否达到最大迭代次数或满足精度要求，若不满足则返回步骤S43；
步骤S48，输出最优解。
CN202110940467.4A 2021-08-17 2021-08-17 一种网源荷互动风险控制方法 Active CN113627807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940467.4A CN113627807B (zh) 2021-08-17 2021-08-17 一种网源荷互动风险控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940467.4A CN113627807B (zh) 2021-08-17 2021-08-17 一种网源荷互动风险控制方法

Publications (2)

Publication Number Publication Date
CN113627807A true CN113627807A (zh) 2021-11-09
CN113627807B CN113627807B (zh) 2024-04-09

Family

ID=78385877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940467.4A Active CN113627807B (zh) 2021-08-17 2021-08-17 一种网源荷互动风险控制方法

Country Status (1)

Country Link
CN (1) CN113627807B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116245259A (zh) * 2023-05-11 2023-06-09 华能山东发电有限公司众泰电厂 基于深度特征选择的光伏发电预测方法、装置和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334914A (zh) * 2019-06-12 2019-10-15 国网经济技术研究院有限公司 一种基于风险思想的源网荷储协调水平评价方法
CN110350523A (zh) * 2019-07-10 2019-10-18 佳源科技有限公司 基于需求响应的多能源互补优化调度方法
CN112598313A (zh) * 2020-12-29 2021-04-02 南方电网数字电网研究院有限公司 基于天牛须搜索算法的用电调度方法、装置和计算机设备
CN112800658A (zh) * 2020-11-30 2021-05-14 浙江中新电力工程建设有限公司自动化分公司 一种考虑源储荷互动的主动配电网调度方法
CN112819290A (zh) * 2021-01-11 2021-05-18 西安交通大学 一种分布式电力交易风险自平衡方法、系统、介质及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334914A (zh) * 2019-06-12 2019-10-15 国网经济技术研究院有限公司 一种基于风险思想的源网荷储协调水平评价方法
CN110350523A (zh) * 2019-07-10 2019-10-18 佳源科技有限公司 基于需求响应的多能源互补优化调度方法
CN112800658A (zh) * 2020-11-30 2021-05-14 浙江中新电力工程建设有限公司自动化分公司 一种考虑源储荷互动的主动配电网调度方法
CN112598313A (zh) * 2020-12-29 2021-04-02 南方电网数字电网研究院有限公司 基于天牛须搜索算法的用电调度方法、装置和计算机设备
CN112819290A (zh) * 2021-01-11 2021-05-18 西安交通大学 一种分布式电力交易风险自平衡方法、系统、介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔杨 等: "考虑风电消纳的区域综合能源系统源荷协调经济调度", 电网技术, vol. 44, no. 7, 18 March 2020 (2020-03-18), pages 2474 - 2482 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116245259A (zh) * 2023-05-11 2023-06-09 华能山东发电有限公司众泰电厂 基于深度特征选择的光伏发电预测方法、装置和电子设备
CN116245259B (zh) * 2023-05-11 2023-10-31 华能山东泰丰新能源有限公司 基于深度特征选择的光伏发电预测方法、装置和电子设备

Also Published As

Publication number Publication date
CN113627807B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN107994595B (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN108183500B (zh) 一种多能互补的农村微能网容量优化配置方法及装置
CN110994694B (zh) 计及差异化需求响应的微电网源荷储协调优化调度方法
CN106953316B (zh) 微电网变时间尺度优化调度方法
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
CN109904869A (zh) 一种微电网混合储能容量配置的优化方法
CN106712075B (zh) 一种考虑风电并网系统安全约束的调峰策略优化方法
CN111509743A (zh) 一种应用储能装置提高电网稳定性的控制方法
CN107045655A (zh) 基于多智能体随机一致博弈和虚拟发电部落的狼群部落策略方法
CN103914734B (zh) 基于改进型蚁群算法的微网容量优化布址方法
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN105896596B (zh) 一种考虑需求侧响应的风电功率分层平滑系统及其方法
CN112821470A (zh) 基于小生境混沌粒子群算法的微网群优化调度策略
CN109167347A (zh) 基于云自适应粒子群多目标电动汽车充放电优化调度方法
CN108808737A (zh) 促进可再生分布式电源消纳的主动配电网优化调度方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN109217351A (zh) 兼顾不同主体利益的主动配电网优化调度方法
CN113972645A (zh) 基于多智能体深度确定策略梯度算法的配电网优化方法
CN115147245A (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN113627807B (zh) 一种网源荷互动风险控制方法
CN109950933B (zh) 一种基于改进粒子群算法的风光储联合调峰优化方法
CN117595300A (zh) 电池储能参与电网自动发电控制调频方法及系统
CN110322092B (zh) 一种源网荷多层博弈经济调度方法
CN110994654A (zh) 一种区域配电网中光储系统综合运行控制方法

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