CN114462727B - 基于多主体联合的新能源系统能源优化调度方法及系统 - Google Patents

基于多主体联合的新能源系统能源优化调度方法及系统 Download PDF

Info

Publication number
CN114462727B
CN114462727B CN202210387578.1A CN202210387578A CN114462727B CN 114462727 B CN114462727 B CN 114462727B CN 202210387578 A CN202210387578 A CN 202210387578A CN 114462727 B CN114462727 B CN 114462727B
Authority
CN
China
Prior art keywords
energy
coefficient
electricity
user
model
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.)
Active
Application number
CN202210387578.1A
Other languages
English (en)
Other versions
CN114462727A (zh
Inventor
刘帅
刘龙成
孙波
王瑞琪
王小文
叶梦婷
邢兰涛
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.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202210387578.1A priority Critical patent/CN114462727B/zh
Publication of CN114462727A publication Critical patent/CN114462727A/zh
Application granted granted Critical
Publication of CN114462727B publication Critical patent/CN114462727B/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
    • G06Q10/04—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
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于多主体联合的新能源系统能源优化调度方法及系统，涉及能源优化及数据处理方法技术领域，包括：构建多主体能源调度模型，所述多主体能源调度模型包括用户用电模型、分布式能源站供能模型和调度管理系统模型；根据获取的分布式能源站的历史产能数据、调度管理系统的历史时段购电价格系数和历史时段售电价格系数以及用户的新能源用电量占比，对多主体能源调度模型采用逆向归纳法求解后，得到系统整体最优用电量策略。采用三方模型来优化整个能源调度策略，优化整个新能源系统的新能源生产消纳情况，提高新能源利用率，提供用电和供电质量。利用分布式算法，在便于较高计算效率的情况下同时保护个体隐私信息安全。

Description

基于多主体联合的新能源系统能源优化调度方法及系统
技术领域
本发明涉及能源优化及数据处理方法技术领域，特别是涉及一种基于多主体联合的新能源系统能源优化调度方法及系统。
背景技术
目前，大规模的风光等新能源接入电网，且新能源用户的数量也在逐步增加，由此，接入风光等新能源的电网在整体运行规划上至少存在以下问题：
其一，由于电网供能侧的分布式、随机性、波动性的发电特性，大量供能个体独立地接入电网将对电网的运行规划造成较大的影响；
其二，由于用户容量小、数量多，供能侧和用户侧的用电负荷不匹配，供能侧与用户侧难以平衡供能与用能，极大地影响整体电网电能消纳能力。
其三，由于风光等新能源的发电和用户侧用电负荷的不匹配，导致能源利用效率不能得到有效提高，会造成能源的浪费，影响电网的供电质量；虽然可以通过储能系统提高新能源利用率并减少对电网的危害，但是会增加储能系统部分的投资成本，所以优化调节能力有限。
其四，由于用户侧具有不同的用电需求，那么如何分配能源使得在满足用户侧用电负荷需求的同时保证供能侧的稳定性是目前需要解决的问题；而传统的能源分配方法和控制方法是采用远程直接调控方法，大电网直接通过峰谷调节设置某时刻的负荷需求，存在两方面问题，一方面，这种负荷需求的设置不一定符合用户需求；另一方面，若获取用户的具体用电需求来进行调节的话，涉及用户的隐私信息；而且当用户基数过大时，中控需要极大的计算能力和通信能力，具有更高的控制成本。
以上问题，是多个主体联合的复杂优化调度问题。常规的优化方法难以解决这类比较复杂的电网运行优化问题。
发明内容
为了解决上述多主体联合的复杂优化调度问题，本发明提出了一种基于多主体联合的新能源系统能源优化调度方法及系统，设计有效的区域内能量消纳策略，满足区域内用户的用电需求，提高整体能源利用效率，提高新能源占比率，保证各时段的能量平衡，实现能源的分配在满足用户侧用电负荷需求的同时，保证供能侧的稳定。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种基于多主体联合的新能源系统能源优化调度方法，包括：
构建多主体能源调度模型，所述多主体能源调度模型包括用户用电模型、分布式能源站供能模型和调度管理系统模型；所述用户用电模型以最大化新能源用电量占比和最小化用能支出为目标函数，以用电需求量范围为约束条件而构建；所述分布式能源站供能模型以最大化产能利用率为目标函数，以供电量约束和产量平衡约束为约束条件而构建；所述调度管理系统模型以最优能源供需匹配和最小化损耗成本为目标函数，以时段购电价格系数范围和时段售电价格系数范围为约束条件而构建；
根据获取的分布式能源站的历史供电量、调度管理系统的历史时段购电价格系数和历史时段售电价格系数以及用户的新能源用电量占比，对多主体能源调度模型采用逆向归纳法求解后，得到各个主体的最优策略。
作为可选择的实施方式，所述用户用电模型的目标函数J j 为：
Figure 474725DEST_PATH_IMAGE001
其中，T为时段总数，R h 为h时段用户的新能源用电量占比；P h s 为时段售电价格系数；U h j 为在h时段用户j的用电量；
Figure 998110DEST_PATH_IMAGE002
、
Figure 224692DEST_PATH_IMAGE003
分别指用户j的用能支出系数和用电满意度系数。
作为可选择的实施方式，所述分布式能源站供能模型的目标函数J i 为：
Figure 466317DEST_PATH_IMAGE004
其中，T为时段总数，
Figure 69337DEST_PATH_IMAGE005
、
Figure 447229DEST_PATH_IMAGE006
分别指分布式能源站i的交易收益系数、分布式能源站i与用户需求衡量系数；C i 是供能成本系数；P h b 为时段购电价格系数；Q h i 为在h时段分布式能源站i的供电量；U h 为h时段总用电量，N j 为用户总数，N i 为分布式能源站总数，S h i 为h时段分布式能源站i的储能；
Figure 110291DEST_PATH_IMAGE008
为储能损耗系数。
作为可选择的实施方式，所述调度管理系统模型的目标函数J 0为：
Figure 573633DEST_PATH_IMAGE009
其中，T为时段总数，U h R 为h时段用户按比例配置的新能源用电总量，P h b 为时段购电价格系数；P h s 为时段售电价格系数；Q h 为h时段总供电量；
Figure 499387DEST_PATH_IMAGE010
、
Figure 997364DEST_PATH_IMAGE011
、
Figure 565749DEST_PATH_IMAGE012
分别是调度管理系统的损失系数、收益系数和社区供需影响系数。
作为可选择的实施方式，采用逆向归纳法求解的过程具体包括：
根据调度管理系统的历史时段售电价格系数和分布式能源站的历史供电量，采用用户用电模型，优化用户的新能源用电量占比，得到用户的初始最优用电量策略；
根据调度管理系统的历史时段购电价格系数和用户的初始最优用电量策略，采用分布式能源站供能模型，得到分布式能源站的初始最优供电量策略；
根据用户的初始最优用电量策略和分布式能源站的初始最优供电量策略，采用调度管理系统模型，得到调度管理系统的最优价格系数策略；所述最优价格系数策略包括时段售电价格系数和时段购电价格系数；
根据调度管理系统的时段售电价格系数，采用分布式能源站供能模型，更新分布式能源站的供电量策略，得到最优供电量策略；
根据调度管理系统的时段购电价格系数和最优供电量策略，采用用户用电模型，更新用户的用电量策略，得到用户的最优用电量策略。
作为可选择的实施方式，所述逆向归纳法求解的过程采用迭代计算方法，所述迭代计算方法包括：以前一次迭代得到的输出为当前迭代的输入；具体包括：以前一次迭代得到的用电量策略为当前迭代的输入，直至当前迭代得到的用电量策略与前一次迭代得到的用电量策略的差值满足条件；以前一次迭代得到的供电量策略为当前迭代的输入，直至当前迭代得到的供电量策略与前一次迭代得到的供电量策略的差值满足条件。
作为可选择的实施方式，用户的初始最优用电量策略的求解过程包括：
Figure 781967DEST_PATH_IMAGE013
其中，
Figure 664472DEST_PATH_IMAGE014
为投影算子，
Figure 282535DEST_PATH_IMAGE015
为用户j的用电量策略集，
Figure 959504DEST_PATH_IMAGE016
为梯度算子，
Figure 256493DEST_PATH_IMAGE017
为梯度下降的步长；U h j (k+1)为第k+1次迭代时用户j在h时段的用电量；U h j (k)为第k次迭代时用户j在h时段的用电量；R h (k)为第k次迭代时用户j在h时段的新能源用电量占比；U h j 为在h时段用户j的用电量；
Figure 942690DEST_PATH_IMAGE018
、
Figure 713462DEST_PATH_IMAGE003
分别指用户j的用能支出系数和用电满意度系数；P h s 为时段售电价格系数；
当
Figure 826911DEST_PATH_IMAGE019
时，迭代结束，
Figure 814459DEST_PATH_IMAGE020
是误差界限阈值。
作为可选择的实施方式，分布式能源站的初始最优供电量策略的求解过程包括：
Figure 38767DEST_PATH_IMAGE021
其中，
Figure 428160DEST_PATH_IMAGE014
为投影算子，
Figure 774828DEST_PATH_IMAGE016
为梯度算子，
Figure 921775DEST_PATH_IMAGE017
为梯度下降的步长，
Figure 513556DEST_PATH_IMAGE022
为分布式能源站i的供电策略集，Q h i (k+1)为第k+1次迭代时分布式能源站i在h时段的供电量；Q h i (k)为第k次迭代时分布式能源站i在h时段的供电量；S h i (k)为第k次迭代时分布式能源站i在h时段的储电量；
Figure 695138DEST_PATH_IMAGE023
为全体用户的初始最优用电策略；Q h i 为分布式能源站i在h时段的供电量；
Figure 212707DEST_PATH_IMAGE005
、
Figure 112530DEST_PATH_IMAGE006
分别指分布式能源站i的交易收益系数、分布式能源站i与用户需求衡量系数；C i 是供能成本系数；
Figure 944220DEST_PATH_IMAGE008
为储能损耗系数；P h b 为时段购电价格系数，Q h (k)为第k次迭代时的总供电量，N j 为用户总数，N i 为分布式能源站总数；
当
Figure 980309DEST_PATH_IMAGE024
时，迭代结束，
Figure 465517DEST_PATH_IMAGE020
是误差界限阈值。
作为可选择的实施方式，调度管理系统的最优价格系数策略的求解过程包括：
Figure 587057DEST_PATH_IMAGE025
其中，P h b 为时段购电价格系数，P h s 为时段售电价格系数，P h b* 为最优时段购电价格系数，P h s* 为最优时段售电价格系数；
Figure 520640DEST_PATH_IMAGE026
为优化后的新能源用电量占比，
Figure 676815DEST_PATH_IMAGE010
、
Figure 536187DEST_PATH_IMAGE011
、
Figure 145022DEST_PATH_IMAGE027
分别是调度管理系统的损失系数、收益系数、社区供需影响系数；
Figure 115252DEST_PATH_IMAGE028
为所有分布式能源站的初始最优供电量策略，
Figure 125934DEST_PATH_IMAGE023
为所有用户的初始最优用电量策略。
第二方面，本发明提供一种基于多主体联合的新能源系统能源优化调度系统，包括：
模型构建模块，被配置为构建多主体能源调度模型，所述多主体能源调度模型包括用户用电模型、分布式能源站供能模型和调度管理系统模型；所述用户用电模型以最大化新能源用电量占比和最小化用能支出为目标函数，以用电需求量范围为约束条件而构建；所述分布式能源站供能模型以最大化产能利用率为目标函数，以供电量约束和产量平衡约束为约束条件而构建；所述调度管理系统模型以最优能源供需匹配和最小化损耗成本为目标函数，以购电价格系数范围和售电价格系数范围为约束条件而构建；
能源优化调度模块，被配置为根据获取的分布式能源站的历史供电量、调度管理系统的历史时段购电价格系数和历史时段售电价格系数以及用户的新能源用电量占比，对多主体能源调度模型采用逆向归纳法求解后，得到用户的最优用电量策略。
与现有技术相比，本发明的有益效果为：
本发明提出的一种基于多主体联合的新能源系统能源优化调度方法及系统，设计了有效的区域内能量消纳策略，满足区域内用户的用电需求，提高整体能源利用效率，提高新能源占比率，保证各时段的能量平衡，实现能源的分配在满足用户侧用电负荷需求的同时，抑制分布式能源站弃风弃光和储能损耗。
本发明提出的一种基于多主体联合的新能源系统能源优化调度方法及系统，将分布式能源站群体与用户群体通过交互平台的连接，指导两侧的产能和用能，平衡两侧的产能和用能，促进新能源就地消纳前水平，减小电网功率波动，提高供电及用电质量。
本发明提出的一种基于多主体联合的新能源系统能源优化调度及系统，构建多主体能源调度模型，采用逆向归纳法不仅得到用户在满足约束条件下的最优需求策略，相应的，也实现供能侧的最优供能策略，以此优化整个电力系统的功能和用能的均衡策略，优化整个电力系统的新能源生产消纳情况，提高整体经济效益。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于多主体联合的新能源系统能源优化调度方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提出一种基于多主体联合的新能源系统能源优化调度方法，如图1所示，包括以下过程：
S1：获取各类历史数据并进行数据预处理。
在本实施例中，对获取的分布式能源站的历史供电量、调度管理系统的历史时段购电价格系数和历史时段售电价格系数以及用户的新能源用电量占比进行数据标准化，即采用常规的Min-max标准化方法，以使得不同单位或量级的指标能够进行比较和加权。
S2：建立多主体能源调度模型。
本实施例构建的多主体能源调度模型包括用户用电模型、分布式能源站供能模型和调度管理系统模型；其中，分布式能源站的供能方式包括光伏发电、风力发电等新能源发电。
具体地，多主体能源调度模型中包括主体间博弈和群体内博弈；
其中，在主体间博弈中：调度管理系统为主要领导者，分布式能源站和用户为调度管理系统的跟随者，形成一主二从的主从博弈；调度管理系统分别向分布式能源站和用户公开价格策略，在给定调度管理系统的价格策略后，分布式能源站根据分布式能源站发布的时段购买电价来决定电力出售量和电力存储量，用户依据分布式能源站发布的时段售电电价来做出最优响应，决定用电量和新能源用电量占比。
其次，在分布式能源站和用户之间也存在主从博弈，分布式能源站为领导者，用户作为跟随者，用户依据分布式能源站的历史发电量来选择用电量中的新能源用电量占比。
在群体内博弈中：在分布式能源站内部和用户内部的个体也存在着和群体的用能聚合量/需求聚合量有关的群体聚合博弈。
在本实施例中，在多主体能源调度模型中，分别构建三方各自的能源调度策略、约束条件和目标函数，其中，将总时段划分为T个时段，具体地：
（1）构建调度管理系统模型；具体地：
（1.1）调度管理系统模型的能源调度策略为优化时段购电价格系数P h b 和优化时段售电价格系数P h s ；
那么，调度管理系统的能源调度策略集为
Figure 93890DEST_PATH_IMAGE029
；其中，
Figure 252339DEST_PATH_IMAGE030
是购电价格系数策略集，由多个h时段的P h b 构成；
Figure 963943DEST_PATH_IMAGE031
是售电价格系数策略集，由多个h时段的P h s 构成。
（1.2）调度管理系统的目标函数J 0为最优能源供需匹配和最小化损耗成本的综合目标函数，则目标函数J 0为：
Figure 652632DEST_PATH_IMAGE032
（1）
其中，
Figure 791489DEST_PATH_IMAGE033
、
Figure 171655DEST_PATH_IMAGE034
、
Figure 686950DEST_PATH_IMAGE035
分别是调度管理系统的损失系数、收益系数、社区供需影响系数；
Figure 937803DEST_PATH_IMAGE036
表示h时段总供电量，Q h i 为在h时段分布式能源站i的供电量，如
Figure 247562DEST_PATH_IMAGE037
分别为第一个分布式能源站、第二个分布式能源站和第N i 个分布式能源站在h时段的供电量，N i 为分布式能源站总数；
Figure 911761DEST_PATH_IMAGE038
表示h时段用户按比例配置的新能源用电总量，
Figure 965168DEST_PATH_IMAGE039
为h时段用户的新能源用电量占比；K为占比系数，P h s_min 为最低时段售电价格系数；
Figure 804948DEST_PATH_IMAGE040
为用户总用电量；U h j 为在h时段用户j的用电量，
Figure 849389DEST_PATH_IMAGE041
分别为第一个用户、第二个用户和第N j 个用户在h时段的用电量；N j 为用户总数。
（1.3）调度管理系统的约束条件为时段购电价格系数范围约束和时段售电价格系数范围约束，具体地：
Figure 407410DEST_PATH_IMAGE042
（2）
其中，P h b_min 、P h b_max 、P h s_min 和P h s_max 分别为调度管理系统h时段的最低时段购电价格系数、最高时段购电价格系数、最低时段售电价格系数、最高时段售电价格系数。
（2）构建分布式能源站供能模型，具体地：
（2.1）分布式能源站i的能源调度策略为优化供电量Q h i ；
那么，分布式能源站i的能源调度策略集为
Figure 61245DEST_PATH_IMAGE043
，
Figure 21111DEST_PATH_IMAGE044
是供电量策略集，由多个h时段的Q h i 构成。
（2.2）分布式能源站i以最大化产能利用率为目标函数，目标函数J i 为：
Figure 734989DEST_PATH_IMAGE045
（3）
其中，
Figure 514726DEST_PATH_IMAGE046
、
Figure 972252DEST_PATH_IMAGE047
分别指分布式能源站i的交易收益系数、分布式能源站i与用户需求衡量系数；C i 是供能成本系数；
Figure 786624DEST_PATH_IMAGE008
为储能损耗系数。
（2.2）分布式能源站i的约束条件以当天产能数据为约束，降低弃风弃光率，由于新能源的随机性和波动性，所以约束为动态约束；包括供电量约束和产量平衡约束，分别为：
Figure 172869DEST_PATH_IMAGE048
（4）
其中，Q h i_min 为h时段分布式能源站i的最小供电量；Q h i_max 为h时段分布式能源站i的最大供电量；S h i 为h时段分布式能源站i的储电量；I h i 为h时段分布式能源站i的产能；I h i 由于受到设备、环境影响，它是随机的、波动大的，而且由于电能不易存储特性，会带来存储损耗。
（3）构建用户用电模型，具体地：
（3.1）用户j的能源调度策略为优化h时段用电量U h j ；
那么，用户j的能源调度策略集为
Figure 439902DEST_PATH_IMAGE049
，表示用电量策略集。
（3.2）构建用户j的目标函数J j 为最大化新能源用电量占比和最小化用能支出的综合目标函数，具体为：
Figure 701119DEST_PATH_IMAGE050
（5）
其中，
Figure 369998DEST_PATH_IMAGE051
、
Figure 363361DEST_PATH_IMAGE052
分别指用户j的用能支出系数和用电满意度系数。
（3.2）用户j以用电需求量范围为约束条件，具体为：
Figure 383270DEST_PATH_IMAGE053
（6）
其中，U h j_min 、U h j_max 分别表示最小用电需求量、最大用电需求量。
S3：求解用户的初始最优用电量策略；具体地：
（1）根据调度管理系统历史时段售电价格系数和分布式能源站的历史供电量，根据第j个用户的目标函数使用分布式投影梯度算法进行优化，得到用户在不依赖其他参与用户信息的数据下的初始最优用电量策略：
Figure 385861DEST_PATH_IMAGE054
（7）
其中，
Figure 768301DEST_PATH_IMAGE014
为投影算子，
Figure 932566DEST_PATH_IMAGE016
为梯度算子，
Figure 737973DEST_PATH_IMAGE017
为梯度下降的步长；U h j (k+1)为第k+1次迭代时用户j在h时段的用电量；U h j (k)为第k次迭代时用户j在h时段的用电量；
Figure 278676DEST_PATH_IMAGE055
为第k次迭代时用户j在h时段的新能源用电量占比；
Figure 718885DEST_PATH_IMAGE056
为第k次迭代时的用户总用电量。在该步骤中，时段售电价格系数P h s 和h时段总供电量Q h 为待解参数。
第一次迭代时使用获取的历史用户供电量，该算法不需要个体知道其他个体的隐私数据，只需要知道总用电量即可。
（2）当
Figure 319630DEST_PATH_IMAGE019
时，迭代结束，
Figure 782973DEST_PATH_IMAGE020
是误差界限阈值；迭代结束后，得到用户的初始最优用电量策略
Figure 189683DEST_PATH_IMAGE057
，
并记
Figure 422081DEST_PATH_IMAGE058
为h时段所有用户初始最优用电量策略；
此时的
Figure 256045DEST_PATH_IMAGE059
和
Figure 206684DEST_PATH_IMAGE060
的取值依赖于待解参数P h s 和Q h ，是一个集值映射，
所以又可以写作
Figure 647111DEST_PATH_IMAGE061
和
Figure 999595DEST_PATH_IMAGE062
。
S4：求解分布式能源站的初始最优供电量策略；具体地：
（1）根据历史时段购电价格系数和步骤S3得到的用户初始最优用电量策略
Figure 4460DEST_PATH_IMAGE059
，使用分布式投影梯度算法，得到分布式能源站在不依赖全体参与分布式能源站供能信息数据下的初始最优供电量策略；
Figure 442395DEST_PATH_IMAGE063
（8）
其中，Q h i (k+1)为第k+1次迭代时分布式能源站i在h时段的供电量；Q h i (k)第k次迭代时分布式能源站i在h时段的供电量；S h i (k)第k次迭代时分布式能源站i在h时段的储电量；Q h (k)为第k次迭代时h时段总供电量；在本步骤求解时，
Figure 128591DEST_PATH_IMAGE064
中的总供电量Q h 参与此次迭代计算，且在第一次迭代时使用获取的历史供电量数据。
在该步骤中，时段购电价格系数P h b 和时段售电价格系数P h s 作为待解参数。
（2）当
Figure 601161DEST_PATH_IMAGE065
时，迭代结束，得到分布式能源站的初始最优供电量策略
Figure 714610DEST_PATH_IMAGE066
，
并记
Figure 498896DEST_PATH_IMAGE067
为h时段所有分布式能源站的初始最优供电量策略。
此时的
Figure 723204DEST_PATH_IMAGE068
和
Figure 614062DEST_PATH_IMAGE069
的取值依赖于待解参数P h b 和P h s ，是一个集值映射，所以又写作
Figure 632833DEST_PATH_IMAGE070
和
Figure 107677DEST_PATH_IMAGE071
。
再通过
Figure 197993DEST_PATH_IMAGE072
反向更新步骤S3中的
Figure 192625DEST_PATH_IMAGE073
，则更新后的
Figure 211658DEST_PATH_IMAGE074
，由于
Figure 908219DEST_PATH_IMAGE075
是P h b 和P h s 的集值映射，因此更新后的
Figure 474329DEST_PATH_IMAGE076
也是P h b 和P h s 的集值映射。
S5：求解调度管理系统的最优价格系数策略；具体地：
根据步骤S3的初始最优用电量策略
Figure 838315DEST_PATH_IMAGE077
和步骤S4的初始最优供电量策略
Figure 464468DEST_PATH_IMAGE078
，求解调度管理系统的最优价格系数策略(P h b* ,P h s* )，即最优时段购电价格系数P h b* 和最优时段售电价格系数P h s* ：
Figure 648325DEST_PATH_IMAGE079
（9）
其中，
Figure 18126DEST_PATH_IMAGE080
，
Figure 732223DEST_PATH_IMAGE081
为优化后的新能源用电量占比。
由于式（9）中
Figure 529278DEST_PATH_IMAGE082
、
Figure 200431DEST_PATH_IMAGE083
、
Figure 108344DEST_PATH_IMAGE084
都是时段售电价格系数P h s 和时段购电价格系数P h b 的集值映射，所以通过极值必要条件求解出满足式（9）的价格系数策略，并选取使得时段目标函数最小的策略作为最优解。
S6：更新分布式能源站的供电量策略；
将获得的最优价格系数策略(P h b* ,P h s* )代入
Figure 384605DEST_PATH_IMAGE085
和
Figure 352561DEST_PATH_IMAGE086
，此时得到分布式能源站的供电量策略个体和全体的最优供电量策略Q h i* 和Q h * 。
S7：更新用户的用电量策略；
将获得的最优时段购电价格系数P h b* 和总体最优供电量策略Q h * 代入
Figure 307747DEST_PATH_IMAGE087
，得到用户的个体最优用电量策略和总体最优用电量策略U h j* 和U h * 。
并将总体最优用电量策略U h * 、全体分布式能源站的最优供电量策略Q h * 、最优时段售电价格系数P h s* 代入
Figure 19351DEST_PATH_IMAGE088
，得到用户最优新能源用电占比R h * 。
通过以上算法，得到h时段用户最优用电量策略、分布式能源站最优供电量策略、调度管理系统最优时段购电价格系数和最优时段售电价格系数。多主体联合的新能源优化调度系统h时段各方最优策略计算完毕。
整个过程中，以调度管理系统作为主要领导者，分布式能源站作为调度管理系统跟随着和用户的次要领导者，用户作为主要跟随者为三方主从博弈模型，通过设计的目标函数使用后向归纳和分布式投影梯度算法，优化了各方的目标函数，提高能源利用率，提高电力系统消纳能力，并使得系统利益最大化。
受到新能源随机性强波动性大的特点的影响，每个时段的能源站产能不同，分布式能源站的预测产电能力、用户用电需求等会发生改变，则重新计算，进入下一个时段的最优策略计算。
具体地，当时段h改变，由于新能源发电的随机性和波动性以及用户时段用电需求不同，各个主体的约束条件范围会改变，整个能源系统各个主体在h+1时段的最优策略需要重新计算，此时使用h时段的各个主体的最优策略作为初始策略，在大致预测下一时段分布式能源站产能和用户需求的前提下，进行h+1时段的优化，直至一天共计T个时段全部优化结束。采用上述方法，能够高效地计算求解多主体联合的复杂能源调度优化问题。
实施例2
本实施例提供一种基于多主体联合的新能源系统能源优化调度系统，包括：
模型构建模块，被配置为构建多主体能源调度模型，所述多主体能源调度模型包括用户用电模型、分布式能源站供能模型和调度管理系统模型；所述用户用电模型以最大化新能源用电量占比和最小化用能支出为目标函数，以用电需求量范围为约束条件而构建；所述分布式能源站供能模型以最大化产能利用率为目标函数，以供电量约束和产量平衡约束为约束条件而构建；所述调度管理系统模型以最优能源供需匹配和最小化损耗成本为目标函数，以时段购电价格系数范围和时段售电价格系数范围为约束条件而构建；
能源优化调度模块，被配置为根据获取的分布式能源站的历史供电量、调度管理系统的历史时段购电价格系数和历史时段售电价格系数以及用户的新能源用电量占比，对多主体能源调度模型采用逆向归纳法求解后，得到用户的最优用电量策略。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例提出一种基于多主体联合的新能源系统能源优化调度方法及系统，设计一种社区能源调度管理系统，采用分布式能源站-调度管理系统-用户三方主从博弈模型，利用后向归纳法和分布式投影梯度算法来优化整个电力系统三方间均衡策略，其中后向归纳法用于解决不同主体间的博弈问题，分布式投影梯度算法解决同一主体内的博弈问题，优化整个电力系统的新能源生产消纳情况，提高整体经济效益。
并且，使用聚合博弈刻画分布式能源站群体和用户群体，使得群体内的个体成员仅需要知道全局的聚合信息而不需要了解其他个体具体情况，利用分布式算法计算参与者众多的聚合博弈模型，高效率地计算群体内均衡策略去优化整个电力系统的能源利用效率并且保护能源站点数据隐私和用户的信息安全。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.基于多主体联合的新能源系统能源优化调度方法，其特征在于，包括：
构建多主体能源调度模型，所述多主体能源调度模型包括用户用电模型、分布式能源站供能模型和调度管理系统模型；所述用户用电模型以最大化新能源用电量占比和最小化用能支出为目标函数，以用电需求量范围为约束条件而构建；所述分布式能源站供能模型以最大化产能利用率为目标函数，以供电量约束和产量平衡约束为约束条件而构建；所述调度管理系统模型以最优能源供需匹配和最小化损耗成本为目标函数，以时段购电价格系数范围和时段售电价格系数范围为约束条件而构建；
根据获取的分布式能源站的历史供电量、调度管理系统的历史时段购电价格系数和历史时段售电价格系数以及用户的新能源用电量占比，对多主体能源调度模型采用逆向归纳法求解后，得到用户的最优用电量策略；
所述用户用电模型的目标函数J j 为：
Figure 580475DEST_PATH_IMAGE001
所述分布式能源站供能模型的目标函数J i 为：
Figure 720470DEST_PATH_IMAGE002
所述调度管理系统模型的目标函数J 0为：
Figure 425120DEST_PATH_IMAGE003
其中，T为时段总数，R h 为h时段用户的新能源用电量占比；P h s 为时段售电价格系数；U h j 为在h时段用户j的用电量；
Figure 232539DEST_PATH_IMAGE004
、
Figure 731654DEST_PATH_IMAGE005
分别指用户j的用能支出系数和用电满意度系数；
Figure 562207DEST_PATH_IMAGE006
、
Figure 804969DEST_PATH_IMAGE007
分别指分布式能源站i的交易收益系数、分布式能源站i与用户需求衡量系数；C i 是供能成本系数；P h b 为时段购电价格系数；Q h i 为在h时段分布式能源站i的供电量；U h 为h时段总用电量，N j 为用户总数，N i 为分布式能源站总数，S h i 为h时段分布式能源站i的储能；
Figure 466895DEST_PATH_IMAGE009
为储能损耗系数；U h R 为h时段用户按比例配置的新能源用电总量，Q h 为h时段总供电量；
Figure 340173DEST_PATH_IMAGE010
、
Figure 454759DEST_PATH_IMAGE011
、
Figure 734169DEST_PATH_IMAGE012
分别是调度管理系统的损失系数、收益系数和社区供需影响系数。
2.如权利要求1所述的基于多主体联合的新能源系统能源优化调度方法，其特征在于，采用逆向归纳法求解的过程具体包括：
根据调度管理系统的历史时段售电价格系数和分布式能源站的历史供电量，采用用户用电模型，优化用户的新能源用电量占比，得到用户的初始最优用电量策略；
根据调度管理系统的历史时段购电价格系数和用户的初始最优用电量策略，采用分布式能源站供能模型，得到分布式能源站的初始最优供电量策略；
根据用户的初始最优用电量策略和分布式能源站的初始最优供电量策略，采用调度管理系统模型，得到调度管理系统的最优价格系数策略；所述最优价格系数策略包括时段售电价格系数和时段购电价格系数；
根据调度管理系统的时段售电价格系数，采用分布式能源站供能模型，更新分布式能源站的供电量策略，得到最优供电量策略；
根据调度管理系统的时段购电价格系数和最优供电量策略，采用用户用电模型，更新用户的用电量策略，得到用户的最优用电量策略。
3.如权利要求2所述的基于多主体联合的新能源系统能源优化调度方法，其特征在于，所述逆向归纳法求解的过程采用迭代计算方法，所述迭代计算方法包括：以前一次迭代得到的输出为当前迭代的输入；具体包括：以前一次迭代得到的用电量策略为当前迭代的输入，直至当前迭代得到的用电量策略与前一次迭代得到的用电量策略的差值满足条件；以前一次迭代得到的供电量策略为当前迭代的输入，直至当前迭代得到的供电量策略与前一次迭代得到的供电量策略的差值满足条件。
4.如权利要求2所述的基于多主体联合的新能源系统能源优化调度方法，其特征在于，用户的初始最优用电量策略的求解过程包括：
Figure 516180DEST_PATH_IMAGE013
其中，
Figure 357097DEST_PATH_IMAGE014
为投影算子，
Figure 162242DEST_PATH_IMAGE015
为用户j的用电量策略集，
Figure 746807DEST_PATH_IMAGE016
为梯度算子，
Figure 383325DEST_PATH_IMAGE017
为梯度下降的步长；U h j (k+1)为第k+1次迭代时用户j在h时段的用电量；U h j (k)为第k次迭代时用户j在h时段的用电量；R h (k)为第k次迭代时用户j在h时段的新能源用电量占比；U h j 为在h时段用户j的用电量；
Figure 395143DEST_PATH_IMAGE018
、
Figure 422005DEST_PATH_IMAGE005
分别指用户j的用能支出系数和用电满意度系数；P h s 为时段售电价格系数；
当
Figure 810261DEST_PATH_IMAGE019
时，迭代结束，
Figure 301285DEST_PATH_IMAGE020
是误差界限阈值。
5.如权利要求2所述的基于多主体联合的新能源系统能源优化调度方法，其特征在于，分布式能源站的初始最优供电量策略的求解过程包括：
Figure 985469DEST_PATH_IMAGE021
其中，
Figure 765207DEST_PATH_IMAGE014
为投影算子，
Figure 691574DEST_PATH_IMAGE016
为梯度算子，
Figure 37105DEST_PATH_IMAGE017
为梯度下降的步长，
Figure 390726DEST_PATH_IMAGE022
为分布式能源站i的供电策略集，Q h i (k+1)为第k+1次迭代时分布式能源站i在h时段的供电量；Q h i (k)为第k次迭代时分布式能源站i在h时段的供电量；S h i (k)为第k次迭代时分布式能源站i在h时段的储电量；
Figure 454497DEST_PATH_IMAGE023
为全体用户的初始最优用电策略；Q h i 为分布式能源站i在h时段的供电量；
Figure 387818DEST_PATH_IMAGE006
、
Figure 322276DEST_PATH_IMAGE007
分别指分布式能源站i的交易收益系数、分布式能源站i与用户需求衡量系数；C i 是供能成本系数；
Figure 377957DEST_PATH_IMAGE009
为储能损耗系数；P h b 为时段购电价格系数，Q h (k)为第k次迭代时的总供电量，N j 为用户总数，N i 为分布式能源站总数；
当
Figure 663444DEST_PATH_IMAGE024
时，迭代结束，
Figure 134877DEST_PATH_IMAGE020
是误差界限阈值。
6.如权利要求2所述的基于多主体联合的新能源系统能源优化调度方法，其特征在于，调度管理系统的最优价格系数策略的求解过程包括：
Figure 687956DEST_PATH_IMAGE025
其中，P h b 为时段购电价格系数，P h s 为时段售电价格系数，P h b* 为最优时段购电价格系数，P h s* 为最优时段售电价格系数；
Figure 914538DEST_PATH_IMAGE026
为优化后的新能源用电量占比，
Figure 421742DEST_PATH_IMAGE010
、
Figure 696866DEST_PATH_IMAGE027
、
Figure 871495DEST_PATH_IMAGE028
分别是调度管理系统的损失系数、收益系数、社区供需影响系数；
Figure 737820DEST_PATH_IMAGE029
为所有分布式能源站的初始最优供电量策略，
Figure 263480DEST_PATH_IMAGE023
为所有用户的初始最优用电量策略。
7.基于多主体联合的新能源系统能源优化调度系统，其特征在于，包括：
模型构建模块，被配置为构建多主体能源调度模型，所述多主体能源调度模型包括用户用电模型、分布式能源站供能模型和调度管理系统模型；所述用户用电模型以最大化新能源用电量占比和最小化用能支出为目标函数，以用电需求量范围为约束条件而构建；所述分布式能源站供能模型以最大化产能利用率为目标函数，以供电量约束和产量平衡约束为约束条件而构建；所述调度管理系统模型以最优能源供需匹配和最小化损耗成本为目标函数，以时段购电价格系数范围和时段售电价格系数范围为约束条件而构建；
所述用户用电模型的目标函数J j 为：
Figure 873452DEST_PATH_IMAGE001
所述分布式能源站供能模型的目标函数J i 为：
Figure 105851DEST_PATH_IMAGE002
所述调度管理系统模型的目标函数J 0为：
Figure 408656DEST_PATH_IMAGE003
其中，T为时段总数，R h 为h时段用户的新能源用电量占比；P h s 为时段售电价格系数；U h j 为在h时段用户j的用电量；
Figure 657497DEST_PATH_IMAGE004
、
Figure 274423DEST_PATH_IMAGE005
分别指用户j的用能支出系数和用电满意度系数；
Figure 158065DEST_PATH_IMAGE006
、
Figure 897351DEST_PATH_IMAGE007
分别指分布式能源站i的交易收益系数、分布式能源站i与用户需求衡量系数；C i 是供能成本系数；P h b 为时段购电价格系数；Q h i 为在h时段分布式能源站i的供电量；U h 为h时段总用电量，N j 为用户总数，N i 为分布式能源站总数，S h i 为h时段分布式能源站i的储能；
Figure 866444DEST_PATH_IMAGE009
为储能损耗系数；U h R 为h时段用户按比例配置的新能源用电总量，Q h 为h时段总供电量；
Figure 21482DEST_PATH_IMAGE010
、
Figure 290790DEST_PATH_IMAGE011
、
Figure 669818DEST_PATH_IMAGE012
分别是调度管理系统的损失系数、收益系数和社区供需影响系数；
能源优化调度模块，被配置为根据获取的分布式能源站的历史供电量、调度管理系统的历史时段购电价格系数和历史时段售电价格系数以及用户的新能源用电量占比，对多主体能源调度模型采用逆向归纳法求解后，得到用户的最优用电量策略。
CN202210387578.1A 2022-04-14 2022-04-14 基于多主体联合的新能源系统能源优化调度方法及系统 Active CN114462727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210387578.1A CN114462727B (zh) 2022-04-14 2022-04-14 基于多主体联合的新能源系统能源优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210387578.1A CN114462727B (zh) 2022-04-14 2022-04-14 基于多主体联合的新能源系统能源优化调度方法及系统

Publications (2)

Publication Number Publication Date
CN114462727A CN114462727A (zh) 2022-05-10
CN114462727B true CN114462727B (zh) 2022-07-15

Family

ID=81418442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210387578.1A Active CN114462727B (zh) 2022-04-14 2022-04-14 基于多主体联合的新能源系统能源优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN114462727B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252043B (zh) * 2023-11-17 2024-04-09 山东大学 针对区域多能互补能源系统的多目标优化调度方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902884A (zh) * 2019-03-27 2019-06-18 合肥工业大学 一种基于主从博弈策略的虚拟电厂优化调度方法
CN113224761A (zh) * 2021-05-20 2021-08-06 东北电力大学 面向能源社区能量管理的配网产消者分布式优化调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872005A (zh) * 2019-03-11 2019-06-11 三峡大学 基于Stackelberg博弈的智能电网完全分布式需求响应调度方法
CN110210712A (zh) * 2019-05-05 2019-09-06 三峡大学 一种考虑不确定性和多主体博弈的综合能源系统规划方法
AU2019101317A4 (en) * 2019-10-30 2019-12-05 Southeast University A Bi-level Game-Based Planning Framework for Distribution Networks with multiple Micro-girds
CN112308334B (zh) * 2020-11-12 2022-11-08 国网江苏省电力有限公司南京供电分公司 一种基于主从合作博弈的多虚拟电厂联合优化调度方法
CN112801513B (zh) * 2021-01-29 2023-04-07 山东大学 一种综合能源系统协同优化方法及系统
CN114202176A (zh) * 2021-11-26 2022-03-18 中国电力科学研究院有限公司 一种综合能源系统优化调度方法、系统、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902884A (zh) * 2019-03-27 2019-06-18 合肥工业大学 一种基于主从博弈策略的虚拟电厂优化调度方法
CN113224761A (zh) * 2021-05-20 2021-08-06 东北电力大学 面向能源社区能量管理的配网产消者分布式优化调度方法

Also Published As

Publication number Publication date
CN114462727A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
Chiş et al. Coalitional game-based cost optimization of energy portfolio in smart grid communities
Jadhav et al. Priority-based energy scheduling in a smart distributed network with multiple microgrids
Wei et al. Charging strategies of EV aggregator under renewable generation and congestion: A normalized Nash equilibrium approach
CN107706921B (zh) 基于纳什博弈的微电网电压调节方法和装置
Xu et al. Challenges in future competition of electric vehicle charging management and solutions
CN113592648B (zh) 一种综合能源系统的多主体交易方法及系统
Li et al. Incentivizing distributed energy trading among prosumers: A general Nash bargaining approach
CN111082451A (zh) 基于场景法的增量配电网多目标优化调度模型
CN112488744A (zh) 一种交易驱动的虚拟电厂定制化构建方法
Mondal et al. DEMANDS: Distributed energy management using noncooperative scheduling in smart grid
Karaca et al. Designing coalition-proof reverse auctions over continuous goods
CN112688335A (zh) 一种基于博弈均衡的实时需求响应建模方法
CN115526550B (zh) 适应新能源电力与常规火电同台竞争的现货市场组织方法
CN114462727B (zh) 基于多主体联合的新能源系统能源优化调度方法及系统
Ghosh et al. Strategic prosumers: How to set the prices in a tiered market?
CN114037192A (zh) 基于大数据的虚拟电厂交易管理方法、装置、设备及介质
Zhang et al. A master-slave game optimization model for electric power companies considering virtual power plant
CN112862175B (zh) 基于p2p电力交易的本地优化控制方法及装置
CN110941798A (zh) 储能共享数据处理系统和方法、设备及介质
CN111008463A (zh) 一种考虑发电侧储能的容量配置优化方法、装置及设备
CN114372641A (zh) 一种基于合作博弈的微网端对端电力交易阻塞管理方法
CN116488156A (zh) 一种配电网多类型柔性资源集群调控方法
Zhu et al. Transmission loss-aware peer-to-peer energy trading in networked microgrids
CN116154760A (zh) 基于区块链的分布式光伏发电点对点交易方法及系统
CN113283655B (zh) 一种基于共识优化算法的分布式智能电网能源调度方法

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