CN114123315A - 一种基于需求响应控制的分布式能源系统优化调度方法 - Google Patents

一种基于需求响应控制的分布式能源系统优化调度方法 Download PDF

Info

Publication number
CN114123315A
CN114123315A CN202111314203.4A CN202111314203A CN114123315A CN 114123315 A CN114123315 A CN 114123315A CN 202111314203 A CN202111314203 A CN 202111314203A CN 114123315 A CN114123315 A CN 114123315A
Authority
CN
China
Prior art keywords
demand
power
active power
output
load
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
CN202111314203.4A
Other languages
English (en)
Inventor
郭新志
李秋燕
王利利
李小明
李科
吴豫
郭勇
马杰
孙义豪
全少理
于昊正
樊江川
皇甫霄文
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.)
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Henan Electric Power 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 Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Priority to CN202111314203.4A priority Critical patent/CN114123315A/zh
Publication of CN114123315A publication Critical patent/CN114123315A/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
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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]

Landscapes

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

Abstract

本发明公开了一种基于需求响应控制的分布式能源系统优化调度方法，首先，基于用电数据和仿真数据训练智能负荷神经网络模型，得到住宅可控有功功率需求关于需求响应控制信号的函数；然后，将该函数代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到当前需求响应控制信号；进而，将当前需求响应控制信号代入该函数，计算得到住宅可控有功功率需求；最后，将住宅可控有功功率需求、固定有功功率需求、商业有功功率需求、风机光伏出力、分布式发电机运行成本、储能系统成本代入分布式能源管理系统模型中，优化得到分布式能源系统的调度策略。该方案能够在降低系统运行成本的同时，提高分布式能源系统的负载能力和利用效率。

Description

一种基于需求响应控制的分布式能源系统优化调度方法
技术领域
本发明涉及能源调度技术领域，特别涉及一种基于需求响应控制的分布式能源系统优化调度方法。
背景技术
目前我国能源消费大部分仍依赖于煤炭等化石燃料，随着经济社会的发展，能源需求量也大大提高，这也造成了大量化石燃料的消耗，不利于环境的可持续发展。在能源和环境危机的双重背景下，分布式能源系统由于直接面向用户，按用户的需求就地生产并供应能量，既包含多种能源输入，又可同时满足用户的多种能量需求，具有环保、可靠、灵活的优点，因此得到了快速发展。但是分布式能源系统的应用还存在一些不足之处，例如负荷分析不够全面、准确、细致导致一次能源的利用效率低；由于分布式能源系统出力的波动性，在并网时会对电力系统产生一定冲击等。因此，合理调控分布式能源，对促进能源合理利用，缓解能源、环境危机，具有重要的意义。
目前，国内外学者已经对分布式能源系统的运行优化进行了一定的研究，例如，在考虑系统碳排放的基础上，进行不同建筑负荷的分布式能源系统优化研究；在考虑需求侧资源的的基础上，对分布式能源系统的经济优化运行进行研究；以光伏电池、燃料电池、蓄电池的住宅能源系统为研究对象，分析在满足住宅电力和热力需求的同时，年运行成本最小的运行策略；将启停逻辑和负荷限制等约束的各环节运行特性与经济、能效、环保等目标模型联立，建立适用于运行策略研究的滚动优化模型；根据冷热电负荷需求、能源价格和设备技术信息等，运用非线性整数规划方法，建立分布式能源系统的优化模型。但是，没有充分考虑需求响应的控制对系统运行经济性和稳定性的影响。
因此，需要一种基于需求响应控制的分布式能源系统优化调度方法，能够在降低系统运行成本的同时，提高分布式能源系统的负载能力和利用效率。
发明内容
为此，本发明综合考虑温度、电价、历史需求响应控制信号、时间等因素，对当前的需求响应控制信号进行优化，进而代入训练好的智能负荷神经网络模型计算得到住宅可控有功功率需求，能够提高负荷需求预测的准确性；最后将住宅可控有功功率需求代入分布式能源管理系统模型中优化得到分布式能源系统的调控策略，能够在降低系统运行成本的同时，提高分布式能源系统的负载能力和利用效率。
本发明提供一种基于需求响应控制的分布式能源系统优化调度方法，在该方法中，首先，基于智能电表采集的用电数据和住宅能源管理系统的仿真数据训练智能负荷神经网络模型，得到住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数；然后，将该函数代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到当前需求响应控制信号；进而，将时间、环境温度、电价、当前需求响应控制信号代入该函数，计算得到住宅可控有功功率需求；最后，将住宅可控有功功率需求、住宅固定有功功率需求、商业有功功率需求、风机出力、光伏出力、分布式发电机运行成本、储能系统成本代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到分布式能源系统的调度策略。
可选地，在上述方法中，智能负荷神经网络模型为包括输入层、隐藏层和输出层的前馈神经网络，基于智能电表采集的用电数据和家庭能源管理系统的仿真数据训练智能负荷神经网络模型的步骤可以包括：
步骤1：初始化前馈神经网络，包括权重和偏置、误差函数和最大学习次数，将智能电表采集的用电数据和家庭能源管理系统的仿真数据输入模型中进行训练；
步骤2：计算隐藏层的输入和输出、输出层的输入和输出；
步骤3：基于误差函数将输出层的实际输出值与期望输出值对比，得到输出误差；
步骤4：判断输出误差是否在预定范围内，当输出误差在预定范围内时，结束模型的训练，得到训练好的智能负荷神经网络模型；
步骤5：当输出误差不在预定范围内时，判断学习次数是否达到最大学习次数，当达到最大学习次数时，结束模型的训练，当未达到最大学习次数时，修正权重和偏置，返回步骤2。
可选地，在上述方法中，训练好的智能负荷神经网络模型为住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数，即：
Figure BDA0003343029620000031
其中，
Figure BDA0003343029620000032
式中，
Figure BDA0003343029620000033
为住宅可控有功功率需求，t为时间，T为环境温度，P为电价，Lmax为需求响应控制信号，X表示输入层神经元数值，X＝(1,2,3,4)，Y表示隐藏层神经元数值，Y＝(1,2,3,4,5,6,7,8)，x表示输入层神经元，y表示隐藏层神经元，IP1,t、IP2,t、IP3,t、IP4,t分别为输入的时间、需求响应控制信号、电价和环境温度，Hy,t为隐藏层的输出，Wx,y、Wy'分别为隐藏层的权重和输出层的权重，
Figure BDA0003343029620000034
Eop分别指隐藏层的误差及输出层的误差。
可选地，在上述方法中，分布式能源管理系统模型的目标函数为：
Figure BDA0003343029620000041
式中，a指成本函数的二次项，b指成本函数的一次项，c指成本函数的常数项，CLC指切负荷成本，
Figure BDA0003343029620000042
指发电机组停运成本，
Figure BDA0003343029620000043
指发电机组启动成本，
Figure BDA0003343029620000044
指发电机组有功功率，
Figure BDA0003343029620000045
为调度时间，
Figure BDA0003343029620000046
指切负荷，
Figure BDA0003343029620000047
指开/关决定，
Figure BDA0003343029620000048
指关机决定，
Figure BDA0003343029620000049
指开机决定。
约束条件包括有功和无功功率平衡约束、备用约束、机组约束、储能系统约束、电网约束和需求响应约束，所述有功和无功功率平衡约束为：
Figure BDA00033430296200000410
Figure BDA00033430296200000411
式中，
Figure BDA00033430296200000412
指发电机组有功功率，
Figure BDA00033430296200000413
分别为光伏出力和风机出力，Rg为分布式电源出力，
Figure BDA00033430296200000414
指发电机开/关决定，Yi,j为电网线路开/关决定，
Figure BDA00033430296200000415
指住宅可控有功功率需求，
Figure BDA00033430296200000416
为商业有功功率需求，
Figure BDA00033430296200000417
为住宅固定有功功率需求，
Figure BDA00033430296200000418
为需求响应需求，
Figure BDA00033430296200000419
指切负荷，Ni为储能设备数量，
Figure BDA00033430296200000420
指储能系统充电功率，
Figure BDA00033430296200000421
指储能系统放电功率，θi,j为节点i与节点j之间的电压相角差，
Figure BDA00033430296200000422
指第i个节点的相位角，
Figure BDA00033430296200000423
为第j个节点的相位角，
Figure BDA00033430296200000424
指第i个节点的开/关决定，f1、f2指无功功率负荷因子，
Figure BDA00033430296200000425
指有功负荷电压指数，
Figure BDA00033430296200000426
指无功负荷电压指数，
Figure BDA00033430296200000427
指储能系统无功功率出力，
Figure BDA00033430296200000428
为第i个节点的电压，
Figure BDA00033430296200000429
为第j个节点的电压。
备用约束为：
Figure BDA0003343029620000051
式中，
Figure BDA0003343029620000052
指发电机组有功功率，
Figure BDA0003343029620000053
为发电机组有功功率的上限，
Figure BDA0003343029620000054
指开/关决定，Rsv为备用分布式电源出力，
Figure BDA0003343029620000055
为第i个节点的电压
Figure BDA0003343029620000056
指有功负荷电压指数，
Figure BDA0003343029620000057
指住宅可控有功功率需求，
Figure BDA0003343029620000058
为商业有功功率需求，
Figure BDA0003343029620000059
为住宅固定有功功率需求，
Figure BDA00033430296200000510
为需求响应需求，
Figure BDA00033430296200000511
指切负荷；
机组约束为：
Figure BDA00033430296200000512
Figure BDA00033430296200000513
Figure BDA00033430296200000514
Figure BDA00033430296200000515
Figure BDA00033430296200000516
Figure BDA00033430296200000517
Figure BDA00033430296200000518
Figure BDA00033430296200000519
式中，
Figure BDA00033430296200000520
指发电机组有功功率，
Figure BDA00033430296200000521
为调度时间，
Figure BDA00033430296200000522
指发电机组无功功率，
Figure BDA00033430296200000523
指发电机组滑坡速率，
Figure BDA00033430296200000524
指发电机组爬坡速率，
Figure BDA00033430296200000525
指机组最小停止时间，
Figure BDA00033430296200000526
指机组最小启动时间，
Figure BDA00033430296200000527
指关机决定，
Figure BDA00033430296200000528
指开机决定，
Figure BDA00033430296200000529
指开/关决定，
Figure BDA00033430296200000530
为机组开启时间，
Figure BDA00033430296200000531
为机组关断时间，
Figure BDA00033430296200000532
分别为发电机组有功功率的上限和下限，
Figure BDA00033430296200000533
分别为发电机组无功功率的上限和下限；
储能系统约束为：
Figure BDA0003343029620000061
Figure BDA0003343029620000062
Figure BDA0003343029620000063
Figure BDA0003343029620000064
Figure BDA0003343029620000065
式中，
Figure BDA0003343029620000066
指储能系统的充电状态，ηch指储能系统充电效率，ηdch指储能系统放电效率，
Figure BDA0003343029620000067
为调度时间，
Figure BDA0003343029620000068
指储能系统充电功率，
Figure BDA0003343029620000069
指储能系统放电功率，
Figure BDA00033430296200000610
分别为储能系统出力的上限和下限，
Figure BDA00033430296200000611
为储能系统充放电功率的上限；
电网约束为：
Figure BDA00033430296200000612
Figure BDA00033430296200000613
式中，
Figure BDA00033430296200000614
为节点i的电压，
Figure BDA00033430296200000615
节点j的电压，
Figure BDA00033430296200000616
分别为节点i和节点j的相位角，
Figure BDA00033430296200000617
V分别为节点电压的上限和下限，
Figure BDA00033430296200000618
为节点i与节点j之间交互功率的最大值；
需求响应约束为：
Figure BDA00033430296200000619
其中，L max代表需求响应参与协议中规定的最小负荷，
Figure BDA00033430296200000620
代表设备最大高峰需求。
根据本发明的另一个方面，提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行上述方法。
根据本发明的再一个方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，该指令当由计算设备执行时，使得计算设备执行上述方法。
本发明方案将住宅可控有功功率需求表示为环境温度、电价、时间及需求响应控制信号的函数，并构建智能负荷神经网络模型对其求解，同时，在考虑机组运行约束和网络潮流约束的基础上，构建了分布式能源管理系统模型，并通过住宅可控有功功率需求将两个模型相关联，可以减小负荷需求的误差，提高分布式能源系统的利用效率；通过对需求响应的控制，可以减少用电高峰、减少切负荷、降低总成本，无需大规模投资便可提高分布式能源系统的负载能力。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的结构框图；
图2示出了根据本发明一个实施例的基于需求响应控制的分布式能源系统优化调度方法200的流程示意图；
图3示出了根据本发明一个实施例的智能负荷神经网络模型结构图；
图4示出了根据本发明的一个实施例的智能负荷神经网络模型的误差直方图；
图5示出了根据本发明的一个实施例的模型求解流程图；
图6示出了IEEE-6节点测试系统示意图；
图7示出了IEEE-6节点系统优化前的实际负荷曲线与负荷需求曲线图；
图8示出了IEEE-6节点系统优化后的实际负荷曲线与负荷需求曲线图；
图9示出了IEEE-6节点系统输出的功率曲线及电价曲线；
图10示出了IEEE-6节点系统考虑误差后的负荷曲线。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
通过需求响应控制来减少电力系统各个环节的浪费，是能源优化的一个重要步骤。在市场经济条件下，需求侧的电力使用结构越趋向合理，波动范围越小，需求越持续稳定，供电侧的发电效率就越高，设备使用率自然相应增加，这种优化的最终结果就是优化各方的经济效益，达到共赢。
图1示出了根据本发明一个实施例的计算设备100的结构图。如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器RAM，磁盘中的数据需要加载至物理内存中才能够被处理器104读取。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。应用122实际上是多条程序指令，其用于指示处理器104执行相应的操作。在一些实施方式中，在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是Linux、Windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令，应用122例如可以是浏览器、即时通讯软件、软件开发工具(例如集成开发环境IDE、编译器等)等，但不限于此。当应用122被安装到计算设备100中时，可以向操作系统120添加驱动模块。
在计算设备100启动运行时，处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上，利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时，应用122会加载至存储器106中，处理器104从存储器106中读取并执行应用122的程序指令。
计算设备100还包括储存设备132，储存设备132包括可移除储存器136和不可移除储存器138，可移除储存器136和不可移除储存器138均与储存接口总线134连接。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100还包括与总线/接口控制器130相连的储存接口总线134。储存接口总线134与储存设备132相连，储存设备132适于进行数据存储。示例的储存设备132可以包括可移除储存器136(例如CD、DVD、U盘、可移动硬盘等)和不可移除储存器138(例如硬盘驱动器HDD等)。在根据本发明的计算设备100中，应用122包括执行方法200的多条程序指令。
图2示出了根据本发明的一个实施例的基于需求响应控制的分布式能源系统优化调度方法200的流程示意图。
如图2所示，该方法200始于步骤S210，基于智能电表采集的用电数据和住宅能源管理系统的仿真数据训练智能负荷神经网络模型，得到住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数。
对于智能住宅，每个住宅均配备住宅能源管理系统(HEMS)以优化用户负荷，减少电力消费。假设HEMS通过双向通信网络与分布式能源系统相连接，后者可以借此向HEMS传递需求响应控制信号。因此，HEMS能够根据需求响应信号、天气情况及用户偏好制定住宅的负荷调度计划，进而基于家用电器的约束及需求响应控制相关约束，使用户能源消费最小化。智能电表采集的水、气、热能耗数据可以用来进行负荷分析和预测，通过将上述信息与负荷特性、时间变化等进行综合分析，可估算和预测出总的能耗和峰值需求。
在分布式能源系统中，用户的需求响应受多种因素影响，包括电价水平、气象条件、政策激励程度等，若仅凭经验或历史数据限定用户的需求量，该需求限制量与实际需求量之间可能会产生较大误差，影响供电质量。为了提高分布式能源系统需求响应的能源管理效率，应恰当估算住宅可控有功功率需求曲线。因此，本发明构建了智能负荷神经网络模型，该模型为包括输入层、隐藏层和输出层的前馈神经网络。
根据通用逼近定理，如果一个前馈神经网络具有线性输出层和至少一层隐藏层，只要给予网络足够数量的神经元，便可以实现以足够高精度来逼近任意一个连续函数。可以应用单隐藏层的神经网络求解任意连续函数。可以采用监督学习技术，例如利用MATLAB软件中Levenberg-Marquardt(LM)算法训练神经网络，训练步骤可以包括：
步骤1：初始化所述前馈神经网络，包括权重和偏置、误差函数和最大学习次数，将智能电表采集的用电数据和家庭能源管理系统的仿真数据输入模型中进行训练；
步骤2：计算隐藏层的输入和输出、输出层的输入和输出；
步骤3：基于误差函数将输出层的实际输出值与期望输出值对比，得到输出误差；
步骤4：判断所述输出误差是否在预定范围内，当输出误差在预定范围内时，结束模型的训练，得到训练好的智能负荷神经网络模型；
步骤5：当输出误差不在预定范围内时，判断学习次数是否达到最大学习次数，当达到最大学习次数时，结束模型的训练，当未达到最大学习次数时，修正权重和偏置，返回步骤2。
基于智能电表采集的用电数据和住宅能源管理系统的仿真数据训练神经网络，得出最优结果为8个隐藏层神经元，最终得到智能负荷神经网络模型的结构。图3示出了根据本发明一个实施例的智能负荷神经网络模型的结构图。如图3所示，训练好的智能负荷神经网络模型输入层包括时间t、环境温度T、需求响应控制信号Lmax和电价P四个神经元，隐藏层包括八个神经元，输出为住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数：
Figure BDA0003343029620000121
其中，
Figure BDA0003343029620000122
式中，
Figure BDA0003343029620000123
为住宅可控有功功率需求，t为时间，T为环境温度，P为电价，Lmax为需求响应控制信号，其中，时间t、电价P是已知量，环境温度T是预测值，需求响应控制信号是由分布式能源管理系统决定的变量。X表示输入层神经元数值，X＝(1,2,3,4)，Y表示隐藏层神经元数值，Y＝(1,2,3,4,5,6,7,8)，x表示输入层神经元，y表示隐藏层神经元，IP1,t、IP2,t、IP3,t、IP4,t分别为输入的时间、需求响应控制信号、电价和环境温度，Hy,t为隐藏层的输出，Wx,y、Wy'分别为隐藏层的权重和输出层的权重，
Figure BDA0003343029620000124
Eop分别指隐藏层的误差及输出层的误差。
训练过程完成之后，可以采用新的数据测试神经网络模型，以评价该神经网络的效果。图4示出了根据本发明的一个实施例的智能负荷神经网络模型的误差直方图，如图4所示，误差小且集中，表明该模型的得到的结果比较准确。
随后，执行步骤S220，将函数代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到当前需求响应控制信号。
其中，分布式能源管理系统模型以系统运行成本最小为目标，该成本包括发电成本、启停成本及切负荷相关成本等，其中，切负荷成本很高。根据本发明的一个实施例，，假定分布式能源系统运营者掌握所有分布式能源，分布式能源管理系统模型的目标函数为：
Figure BDA0003343029620000131
式中，a指成本函数的二次项，b指成本函数的一次项，c指成本函数的常数项，CLC指切负荷成本，
Figure BDA0003343029620000132
指发电机组停运成本，
Figure BDA0003343029620000133
指发电机组启动成本，
Figure BDA0003343029620000134
指发电机组有功功率，
Figure BDA0003343029620000135
为调度时间，
Figure BDA0003343029620000136
指切负荷，
Figure BDA0003343029620000137
指开/关决定，
Figure BDA0003343029620000138
指关机决定，
Figure BDA0003343029620000139
指开机决定。
约束条件包括有功和无功功率平衡约束、备用约束、机组约束、储能系统约束、电网约束和需求响应约束等，其中，母线的有功功率平衡考虑分布式电源、太阳能光伏、风机的输出，商业、居民用户负载的净功率，储能系统的充电、放电功率，以及网络潮流。有功和无功功率平衡约束为：
Figure BDA00033430296200001310
Figure BDA00033430296200001311
式中，
Figure BDA00033430296200001312
指发电机组有功功率，
Figure BDA00033430296200001313
分别为光伏出力和风机出力，Rg为分布式电源出力，
Figure BDA00033430296200001314
指发电机开/关决定，Yi,j为电网线路开/关决定，
Figure BDA00033430296200001315
指住宅可控有功功率需求，
Figure BDA00033430296200001316
为商业有功功率需求，
Figure BDA00033430296200001317
为住宅固定有功功率需求，
Figure BDA00033430296200001318
为需求响应需求，
Figure BDA00033430296200001319
指切负荷，Ni为储能设备数量，
Figure BDA00033430296200001320
指储能系统充电功率，
Figure BDA0003343029620000141
指储能系统放电功率，θi,j为节点i与节点j之间的电压相角差，
Figure BDA0003343029620000142
指第i个节点的相位角，
Figure BDA0003343029620000143
为第j个节点的相位角，
Figure BDA0003343029620000144
指第i个节点的开/关决定，f1、f2指无功功率负荷因子，
Figure BDA0003343029620000145
指有功负荷电压指数，
Figure BDA0003343029620000146
指无功负荷电压指数，
Figure BDA0003343029620000147
指储能系统无功功率出力，
Figure BDA0003343029620000148
为第i个节点的电压，
Figure BDA0003343029620000149
为第j个节点的电压。
在本发明的一个实施例中，住宅负荷包含固定负荷和可控负荷两部分，其中，固定负荷来自于可预测的电源，可控负荷是分布式能源管理系统中可调度的需求。住宅及商业负荷由恒定阻抗、恒定电流及恒定功率负载组成，在该模型中是电压的指数函数。
为确保分布式能源系统的备用需求由可调度的电源满足，备用约束可以表示为：
Figure BDA00033430296200001410
式中，
Figure BDA00033430296200001411
指发电机组有功功率，
Figure BDA00033430296200001412
为发电机组有功功率的上限，
Figure BDA00033430296200001413
指开/关决定，Rsv为备用分布式电源出力，
Figure BDA00033430296200001414
为第i个节点的电压
Figure BDA00033430296200001415
指有功负荷电压指数，
Figure BDA00033430296200001416
指住宅可控有功功率需求，
Figure BDA00033430296200001417
为商业有功功率需求，
Figure BDA00033430296200001418
为住宅固定有功功率需求，
Figure BDA00033430296200001419
为需求响应需求，
Figure BDA00033430296200001420
指切负荷。
机组约束包含有功和无功功率发电约束、爬坡约束、最小启停时间约束等，可表示为：
Figure BDA00033430296200001421
Figure BDA00033430296200001422
Figure BDA00033430296200001423
Figure BDA00033430296200001424
Figure BDA0003343029620000151
Figure BDA0003343029620000152
Figure BDA0003343029620000153
Figure BDA0003343029620000154
式中，
Figure BDA0003343029620000155
指发电机组有功功率，
Figure BDA0003343029620000156
为调度时间，
Figure BDA0003343029620000157
指发电机组无功功率，
Figure BDA0003343029620000158
指发电机组滑坡速率，
Figure BDA0003343029620000159
指发电机组爬坡速率，
Figure BDA00033430296200001510
指机组最小停止时间，
Figure BDA00033430296200001511
指机组最小启动时间，
Figure BDA00033430296200001512
指关机决定，
Figure BDA00033430296200001513
指开机决定，
Figure BDA00033430296200001514
指开/关决定，
Figure BDA00033430296200001515
为机组开启时间，
Figure BDA00033430296200001516
为机组关断时间，
Figure BDA00033430296200001517
分别为发电机组有功功率的上限和下限，
Figure BDA00033430296200001518
分别为发电机组无功功率的上限和下限。
储能系统约束包含电力平衡，充放电的约束及电荷状态的约束，可表示为：
Figure BDA00033430296200001519
Figure BDA00033430296200001520
Figure BDA00033430296200001521
Figure BDA00033430296200001522
Figure BDA00033430296200001523
式中，
Figure BDA00033430296200001524
指储能系统的充电状态，ηch指储能系统充电效率，ηdch指储能系统放电效率，
Figure BDA00033430296200001525
为调度时间，
Figure BDA00033430296200001526
指储能系统充电功率，
Figure BDA00033430296200001527
指储能系统放电功率，
Figure BDA00033430296200001528
分别为储能系统出力的上限和下限，
Figure BDA00033430296200001529
为储能系统充放电功率限制；
为了保证母线电压及功率传输在特定的限制内，电网约束表示为：
Figure BDA0003343029620000161
Figure BDA0003343029620000162
式中，
Figure BDA0003343029620000163
为节点i的电压，
Figure BDA0003343029620000164
节点j的电压，
Figure BDA0003343029620000165
分别为节点i和节点j的相位角，
Figure BDA0003343029620000166
V分别为节点电压的上限和下限，
Figure BDA0003343029620000167
为节点i与节点j之间交互功率的最大值。
给定时间段中的需求响应约束为：
Figure BDA0003343029620000168
其中，L max代表需求响应参与协议中规定的最小负荷，
Figure BDA0003343029620000169
代表设备最大高峰需求。
随后执行步骤S230，将时间、环境温度、电价、当前需求响应控制信号代入函数中，计算得到住宅可控有功功率需求。
最后执行步骤S240，将住宅可控有功功率需求、住宅固定有功功率需求、商业有功功率需求、风机出力、光伏出力、分布式发电机运行成本、储能系统出力代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到分布式能源系统的调度策略。
分布式能源管理系统模型的主要输出为可控负荷的调度策略，此外，在考虑可调度机组、潮流、储能系统能源平衡及旋转备用约束等约束条件的基础上，该模型还能得出其他可用资源的调度策略。
图5示出了根据本发明的一个实施例的模型求解流程图。如图5所示，首先，基于智能电表的测量数据及实际HEMS的仿真数据，包括时间(t)、环境温度(T)、电价(P)及历史需求响应控制信号Lhistory max训练神经网络，得到智能负荷神经网络模型，即住宅可控有功功率需求(Pdrc)关于时间(t)、环境温度(T)、电价(P)及需求响应控制信号Lmax的函数。其次，将上述函数代入分布式能源管理系统模型中，优化得到Lpresent max的值；将Lpresent max、t、T、P代入智能负荷神经网络模型中，计算得到Pdrc的值.最后，将住宅可控有功功率需求Pdrc、住宅固定有功功率需求Pdr、商业有功功率需求Pdc、储能系统成本ESSc、风机出力PW、光伏出力PV、分布式发电机运行成本DGc等参数代入分布式能源管理系统模型中进行优化，得到分布式能源系统的调控策略，包括电力潮流、发电调度和储能调度策略等。
本方案通过构建智能负荷神经网络模型，提高了住宅可控有功功率需求曲线预测的准确性，在降低系统运行成本的同时，提升了对需求响应的控制，从而提高了分布式能源系统的利用效率。
接下来，通过算例分析上述方案的有效性。图6示出了IEEE-6节点测试系统示意图。如图6所示，该6节点系统包含6个总容量为8000kW的电源及4个负荷节点，其中，G为传统分布式电源，S为分布式光伏，W为分布式风电，FC指燃料电池。
采用DICOPT求解器求解分布式能源管理系统的混合整数非线性规划问题。为得到最优的整数解，利用DICOPT求解器分别多次求解混合整数问题和非线性问题，直到非线性问题收敛。虽然对凸问题和非凸问题来说，DICOPT求解器包含其最优解，但不能保证一定能取到该最优解。但是，在分布式能源系统实际运行过程中，仍需要利用分布式能源管理系统模型求得该子优化问题的解。
为研究需求响应对分布式能源系统运行的影响，本方案设置了五个不同的场景，其可控负荷的比例分别为0，20％，40％，60％及100％，可控负荷的百分比由最优需求响应控制信号控制，进而在分布式能源管理系统中求解，得到的结果如表1所示：
表1分布式能源管理系统运行结果
Figure BDA0003343029620000171
Figure BDA0003343029620000181
由此可见，随着需求响应控制的加强，即可控负荷百分比提升，分布式能源系统切负荷不断降低，其切负荷成本也将不断减少，因此，分布式能源系统总运行成本将随着需求响应控制的加强而降低。此外，负荷因子(日平均负荷/高峰需求时的负荷)不断提高，这意味着负荷曲线随着需求响应控制的提升而变得更加平缓。最后，高峰需求也从6.5MW降低到了5.9MW。
图7示出了IEEE-6节点系统优化前的实际负荷曲线与负荷需求曲线图，图8示出了IEEE-6节点系统优化后的实际负荷曲线与负荷需求曲线图。图9示出了分布式能源系统输出的功率曲线及电价曲线。结合图7、图8、图9可见，在没有需求响应控制时，该6节点系统在6h-7.5h、19h-24h两个时间段中，产生了切负荷；当考虑需求响应控制时，HEMS能够控制负荷需求，因此高峰负荷需求降低，进而消除了切负荷。
此外，本方案借助一个实时运行场景，研究智能负荷神经网络模型中的误差对分布式能源管理系统负荷曲线的影响。在分布式能源管理系统中，基于图4所示误差直方图的标准概率密度函数，引入神经网络模型输出的误差
Figure BDA0003343029620000184
该函数放大了模型误差造成的影响，由此得到的结果为该测试中最坏的情形。该误差被表示为可控负荷中的随机偏离参数，如下式所示：
Figure BDA0003343029620000182
其中，
Figure BDA0003343029620000183
表示神经网络模型确定性的输出。
得到的随机模型与确定性模型的对比结果如表2所示，发现二者在运行成本、高峰需求及负荷因子三方面只有1％左右的差别。
表2随机模型与确定性模型的结果
Figure BDA0003343029620000191
图10示出了考虑误差后的IEEE-6节点系统负荷曲线。如图10所示，对比可发现其与图7之间没有明显的差别，因此，智能负荷神经网络模型输出的误差对分布式能源管理系统的负荷曲线只有很小的影响。
本方案将可控负荷需求表示为环境温度、电价、时间及需求限制的函数，并构建神经网络模型对其求解。同时，在考虑机组运行约束和网络潮流约束的基础上，构建了分布式能源管理系统模型，并通过住宅可控有功功率需求将两个模型相关联。通过模型预测控制方法减小了可再生能源及电力需求的误差。
分析算例结果可以发现，需求响应在减少用电高峰、减少切负荷、降低总成本及提高负荷因子等方面，都有积极的作用，无需大规模投资便可提高分布式的负载能力。并且需求响应还能够缓解在电价低谷时由于用户响应造成的计划之外的负荷高峰。
并且，在大数据的支持下，通过增加智能负荷神经网络模型中隐层神经元的个数及层数，可以进一步提高模型预测的精度，进而更准确地分析需求响应的作用及效益。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (6)

1.一种基于需求响应控制的分布式能源系统优化调度方法，适于在计算设备中执行，所述方法包括：
基于智能电表采集的用电数据和住宅能源管理系统的仿真数据训练智能负荷神经网络模型，得到住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数；
将所述函数代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到当前需求响应控制信号；
将时间、环境温度、电价、所述当前需求响应控制信号代入所述函数中，计算得到住宅可控有功功率需求；
将所述住宅可控有功功率需求、住宅固定有功功率需求、商业有功功率需求、风机出力、光伏出力、分布式发电机运行成本、储能系统成本代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到分布式能源系统的调度策略。
2.如权利要求1所述的方法，其中，所述智能负荷神经网络模型为包括输入层、隐藏层和输出层的前馈神经网络，所述基于智能电表采集的用电数据和家庭能源管理系统的仿真数据训练智能负荷神经网络模型的步骤包括：
步骤1：初始化所述前馈神经网络，包括权重和偏置、误差函数和最大学习次数，将智能电表采集的用电数据和家庭能源管理系统的仿真数据输入模型中进行训练；
步骤2：计算隐藏层的输入和输出、输出层的输入和输出；
步骤3：基于误差函数将输出层的实际输出值与期望输出值对比，得到输出误差；
步骤4：判断所述输出误差是否在预定范围内，当输出误差在预定范围内时，结束模型的训练，得到训练好的智能负荷神经网络模型；
步骤5：当输出误差不在预定范围内时，判断学习次数是否达到最大学习次数，当达到最大学习次数时，结束模型的训练，当未达到最大学习次数时，修正权重和偏置，返回步骤2。
3.如权利要求2所述的方法，其中，所述训练好的智能负荷神经网络模型为住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数：
Figure FDA0003343029610000021
其中，
Figure FDA0003343029610000022
式中，
Figure FDA0003343029610000023
为住宅可控有功功率需求，t为时间，T为环境温度，P为电价，Lmax为需求响应控制信号，X表示输入层神经元数值，X＝(1,2,3,4)，Y表示隐藏层神经元数值，Y＝(1,2,3,4,5,6,7,8)，x表示输入层神经元，y表示隐藏层神经元，IP1,t、IP2,t、IP3,t、IP4,t分别为输入的时间t、需求响应控制信号Lmax、电价P和环境温度T，Hy,t为隐藏层的输出，Wx,y、Wy'分别为隐藏层的权重和输出层的权重，
Figure FDA0003343029610000024
Eop分别指隐藏层的误差及输出层的误差。
4.如权利要求1所述的方法，其中，所述分布式能源管理系统模型的目标函数为：
Figure FDA0003343029610000025
式中，a指成本函数的二次项，b指成本函数的一次项，c指成本函数的常数项，CLC指切负荷成本，Cg sd指发电机组停运成本，Cg su指发电机组启动成本，
Figure FDA0003343029610000026
指发电机组有功功率，
Figure FDA0003343029610000027
为调度时间，
Figure FDA0003343029610000028
指切负荷，
Figure FDA0003343029610000029
指开/关决定，
Figure FDA00033430296100000210
指关机决定，
Figure FDA00033430296100000211
指开机决定；
约束条件包括有功和无功功率平衡约束、备用约束、机组约束、储能系统约束、电网约束和需求响应约束，所述有功和无功功率平衡约束为：
Figure FDA0003343029610000031
Figure FDA0003343029610000032
式中，
Figure FDA0003343029610000033
指发电机组有功功率，
Figure FDA0003343029610000034
分别为光伏出力和风机出力，Rg为分布式电源出力，
Figure FDA0003343029610000035
指发电机开/关决定，Yi,j为电网线路开/关决定，
Figure FDA0003343029610000036
指住宅可控有功功率需求，
Figure FDA0003343029610000037
为商业有功功率需求，
Figure FDA0003343029610000038
为住宅固定有功功率需求，
Figure FDA0003343029610000039
为需求响应需求，
Figure FDA00033430296100000310
指切负荷，Ni为储能设备数量，
Figure FDA00033430296100000311
指储能系统充电功率，
Figure FDA00033430296100000312
指储能系统放电功率，θi,j为节点i与节点j之间的电压相角差，
Figure FDA00033430296100000313
指第i个节点的相位角，
Figure FDA00033430296100000314
为第j个节点的相位角，
Figure FDA00033430296100000315
指第i个节点的开/关决定，f1、f2指无功功率负荷因子，
Figure FDA00033430296100000316
指有功负荷电压指数，
Figure FDA00033430296100000317
指无功负荷电压指数，
Figure FDA00033430296100000318
指储能系统无功功率出力，
Figure FDA00033430296100000319
为第i个节点的电压，
Figure FDA00033430296100000320
为第j个节点的电压；
所述备用约束为：
Figure FDA00033430296100000321
式中，
Figure FDA00033430296100000322
指发电机组有功功率，
Figure FDA00033430296100000323
为发电机组有功功率的上限，
Figure FDA00033430296100000324
指开/关决定，Rsv为备用分布式电源出力，
Figure FDA00033430296100000325
为第i个节点的电压
Figure FDA00033430296100000326
指有功负荷电压指数，
Figure FDA00033430296100000327
指住宅可控有功功率需求，
Figure FDA00033430296100000328
为商业有功功率需求，
Figure FDA00033430296100000329
为住宅固定有功功率需求，
Figure FDA00033430296100000330
为需求响应需求，
Figure FDA00033430296100000331
指切负荷；
所述机组约束为：
Figure FDA0003343029610000041
Figure FDA0003343029610000042
Figure FDA0003343029610000043
Figure FDA0003343029610000044
Figure FDA0003343029610000045
Figure FDA0003343029610000046
Figure FDA0003343029610000047
Figure FDA0003343029610000048
式中，
Figure FDA0003343029610000049
指发电机组有功功率，
Figure FDA00033430296100000410
为调度时间，
Figure FDA00033430296100000411
指发电机组无功功率，rg down指发电机组滑坡速率，rg up指发电机组爬坡速率，Tm dn指机组最小停止时间，Tm up指机组最小启动时间，
Figure FDA00033430296100000412
指关机决定，
Figure FDA00033430296100000413
指开机决定，
Figure FDA00033430296100000414
指开/关决定，
Figure FDA00033430296100000415
为机组开启时间，
Figure FDA00033430296100000416
为机组关断时间，
Figure FDA00033430296100000417
分别为发电机组有功功率的上限和下限，
Figure FDA00033430296100000418
分别为发电机组无功功率的上限和下限；
所述储能系统约束为：
Figure FDA00033430296100000419
Figure FDA00033430296100000420
Figure FDA00033430296100000421
Figure FDA00033430296100000422
Figure FDA00033430296100000423
式中，
Figure FDA00033430296100000424
指储能系统的充电状态，ηch指储能系统充电效率，ηdch指储能系统放电效率，
Figure FDA0003343029610000051
为调度时间，
Figure FDA0003343029610000052
指储能系统充电功率，
Figure FDA0003343029610000053
指储能系统放电功率，
Figure FDA0003343029610000054
分别为储能系统出力的上限和下限，
Figure FDA0003343029610000055
为储能系统充放电功率的上限；
所述电网约束为：
Figure FDA0003343029610000056
Figure FDA0003343029610000057
式中，
Figure FDA0003343029610000058
为节点i的电压，
Figure FDA0003343029610000059
节点j的电压，
Figure FDA00033430296100000510
分别为节点i和节点j的相位角，
Figure FDA00033430296100000511
V分别为节点电压的上限和下限，
Figure FDA00033430296100000512
为节点i与节点j之间交互功率的最大值；
所述需求响应约束为：
Figure FDA00033430296100000513
式中，L max代表需求响应参与协议中规定的最小负荷，
Figure FDA00033430296100000514
代表设备最大高峰需求。
5.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个装置，所述一个或多个装置包括用于执行根据权利要求1-4中任一项所述的方法的指令。
6.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1-4中任一项所述的方法。
CN202111314203.4A 2021-11-08 2021-11-08 一种基于需求响应控制的分布式能源系统优化调度方法 Pending CN114123315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111314203.4A CN114123315A (zh) 2021-11-08 2021-11-08 一种基于需求响应控制的分布式能源系统优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111314203.4A CN114123315A (zh) 2021-11-08 2021-11-08 一种基于需求响应控制的分布式能源系统优化调度方法

Publications (1)

Publication Number Publication Date
CN114123315A true CN114123315A (zh) 2022-03-01

Family

ID=80381365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111314203.4A Pending CN114123315A (zh) 2021-11-08 2021-11-08 一种基于需求响应控制的分布式能源系统优化调度方法

Country Status (1)

Country Link
CN (1) CN114123315A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029506A (zh) * 2022-12-28 2023-04-28 西安交通大学 一种基于需求侧响应的能源系统优化调度方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910016A (zh) * 2019-11-21 2020-03-24 青海格尔木鲁能新能源有限公司 一种计及需求响应资源的新能源储能系统调度优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910016A (zh) * 2019-11-21 2020-03-24 青海格尔木鲁能新能源有限公司 一种计及需求响应资源的新能源储能系统调度优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029506A (zh) * 2022-12-28 2023-04-28 西安交通大学 一种基于需求侧响应的能源系统优化调度方法

Similar Documents

Publication Publication Date Title
Sawle et al. PV-wind hybrid system: A review with case study
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
WO2019184344A1 (zh) 一种微能源网多目标运行控制方法
Li et al. A novel rolling optimization strategy considering grid-connected power fluctuations smoothing for renewable energy microgrids
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN103473393B (zh) 一种考虑随机概率的输电裕度控制模型建模方法
Ju et al. A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator
Yu et al. An adaptive Marine Predators Algorithm for optimizing a hybrid PV/DG/Battery System for a remote area in China
CN112270456A (zh) 一种热电联供系统多目标优化调度方法及装置
CN114519543B (zh) 一种乡村多能源系统边缘自治运行方法及系统
CN112131712B (zh) 客户侧多能源系统多目标优化方法和系统
Li et al. Optimized operation of hybrid system integrated with MHP, PV and PHS considering generation/load similarity
CN110910016A (zh) 一种计及需求响应资源的新能源储能系统调度优化方法
Yousefi et al. Energy management strategies for smart home regarding uncertainties: State of the art, trends, and challenges
CN115169723A (zh) 发电功率预测方法、负荷预测方法及模型训练方法
Sadeghi et al. Integrated long-term planning of conventional and renewable energy sources in Iran's off-grid networks
CN114123315A (zh) 一种基于需求响应控制的分布式能源系统优化调度方法
Ren et al. Analysis of the performance of the multi-objective hybrid hydropower-photovoltaic-wind system to reduce variance and maximum power generation by developed owl search algorithm
Chen et al. Robust optimal dispatching of wind fire energy storage system based on equilibrium optimization algorithm
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN115395579A (zh) 计及置信容量的光热光伏配置方法、系统、设备和介质
CN115313508A (zh) 一种微电网储能优化配置方法、装置及存储介质
Du et al. Configuration of thermal storage tank of microgrid clusters considering thermal interaction
Fu et al. A novel Mppt control strategy for partial shading situations based on the black widow spider optimization algorithm
Jegajothi et al. An Efficient MPPT Tracking in Solar PV System with Smart Grid Enhancement Using CMCMAC Protocol.

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220301