CN114612021B - 计及多粒度属性的热力负荷协同调控方法 - Google Patents

计及多粒度属性的热力负荷协同调控方法 Download PDF

Info

Publication number
CN114612021B
CN114612021B CN202210511990.XA CN202210511990A CN114612021B CN 114612021 B CN114612021 B CN 114612021B CN 202210511990 A CN202210511990 A CN 202210511990A CN 114612021 B CN114612021 B CN 114612021B
Authority
CN
China
Prior art keywords
load
power
thermal load
granularity
user
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
CN202210511990.XA
Other languages
English (en)
Other versions
CN114612021A (zh
Inventor
郑子萱
庞思勉
肖先勇
张姝
汪颖
李长松
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202210511990.XA priority Critical patent/CN114612021B/zh
Publication of CN114612021A publication Critical patent/CN114612021A/zh
Application granted granted Critical
Publication of CN114612021B publication Critical patent/CN114612021B/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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management

Landscapes

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

Abstract

本发明公开了计及多粒度属性的热力负荷协同调控方法，涉及负荷调控技术领域。其包括：获取各热力负荷的用电特征和粒度属性，建立热力负荷的功率粒度模型和时间粒度模型；热力负荷用户通过需求侧响应向负荷聚合商提交初始响应计划；根据热力负荷用户的响应计划和粒度属性计算热力负荷用户响应优先级；根据用户经济性、满意度、碳排放社会成本以及净交换功率指标建立热力负荷协同响应目标函数，结合热力负荷协同响应约束条件得到次日各热力负荷用户的调控指令；热力负荷用户在次日通过改变热力设备的用电行为跟踪各自调控指令。该方法在不占用火电、储能等灵活性资源的前提下，仅通过热力负荷内部的协同优化即可完成对调控指令的精准跟踪。

Description

计及多粒度属性的热力负荷协同调控方法
技术领域
本发明涉及能源领域，具体涉及计及多粒度属性的热力负荷协同调控方法。
背景技术
在构建新型电力系统，实现碳达峰、碳中和目标的背景下，电源侧风、光等清洁能源占比将持续增大，高比例清洁能源并网导致发电侧灵活性降低、电力潮流不确定性增加，电网整体处于紧平衡状态。如何提高系统灵活性，削弱间歇性清洁能源带来的负面影响，是建立绿色低碳电力系统亟待解决的问题。热力负荷是城市综合能源系统中的一类优质需求侧响应资源，在响应的过程中表现出可调容量大、响应速率快、调节时间灵活、持续时间长等特点。考虑到部分具有调节潜力的热力负荷表现出较强的灵活性和响应意愿，通过需求响应的手段使这类负荷主动参与并维持电网电力电量平衡，使电网从传统源随荷动运行策略向荷随源动运行策略过渡，是提升电网清洁能源消纳能力的关键。
当前热力负荷以聚合商或集中供热站为主体参与现货交易和有序用电，通过电价引导或经济激励实现需求侧响应。考虑当前现货市场和电力调度的规则已趋于完善，尽管多粒度热力负荷具有互补协同调控的潜力，也难以通过修改市场或调度规则突破热力负荷的粒度属性限制。国内外对负荷的分层调控已取得一定研究进展。因此在电力调度与热力负荷用户之间建立热力负荷聚合商，上层对接现货市场和调度中心获取负荷聚合商指令，下层协同优化多粒度热力负荷用户的用电计划，是解决电力交易和调度控制向快速、精准化发展与热力用户多粒度属性不匹配问题的重要方法。
发明内容
针对现有技术中的上述不足，本发明提供了计及多粒度属性的热力负荷协同调控方法。
为了达到上述发明目的，本发明采用的技术方案为：
计及多粒度属性的热力负荷协同调控方法，包括如下步骤：
S1、获取热力负荷聚合商响应计划；
S2、建立热力负荷的功率粒度模型和时间粒度模型，热力负荷用户通过需求侧响应向负荷聚合商提交初始用户响应计划；
S3、对不同粒度属性的热力负荷用户进行分级得到热力负荷用户的调控优先级，并根据多个指标建立热力负荷协同响应目标函数，结合热力负荷协同约束条件得到次日各热力负荷用户的调控指令；
S4、热力负荷用户在次日通过改变热力设备的用电行为跟踪各自调控指令。
进一步的，所述S2中粒度化后初始用户响应计划表示为：
Figure GDA0003772775190000021
其中，t为响应时段；i为热力负荷用户；I为参与负荷聚合商响应的热力负荷用户总数；PDR为负荷聚合商获取的响应计划；P'i为用户通过需求侧响应向负荷聚合商申报的响应计划；Δp为指令的功率粒度；αi为用户i的功率粒度属性；αiΔp为用户i的功率粒度；y'i为用户i实际功率与粒度的比值；yDR为负荷聚合商响应计划与粒度的比值。
进一步的，所述S2中热力负荷用户和负荷聚合商的时间粒度关系表示为：
Figure GDA0003772775190000022
其中，x为数据点；tDR(x)为负荷聚合商响应计划的时间序列；Δt为负荷聚合商的时间粒度；ti(x)为用户i实际运行功率的时间序列；βi为用户时间粒度与负荷聚合商指令粒度的比值，N为正数；εi为用户时间粒度与负荷聚合商指令粒度的余数；(εi+βi)Δt为用户的时间粒度。
进一步的，所述S2中热力负荷的时间粒度模型表示为：
Figure GDA0003772775190000023
其中，t为响应时段；xi为用户时间粒度与负荷聚合商时间粒度之比；P(tDR)为负荷聚合商总调控计划；P'i(tDR)为负荷聚合商下发到用户的调控指令；i为热力负荷用户；；I为参与负荷聚合商响应的热力负荷用户总数；δi(t)为受到时间粒度影响后，用户i在tDR时段功率偏差；Δt为热力负荷聚合商的时间粒度；tDR为负荷聚合商响应计划的时间序列；Pi(xiβiΔt)为用户实际的响应功率；βi为热力负荷的时间粒度属性。。
进一步的，所述S3中热力用户调的调控优先级表示为：
Figure GDA0003772775190000031
其中，PLi为热力用户i的调控优先级；αi和βi分别为热力负荷的功率和时间粒度属性；Ci为热力负荷用户的信誉度；G为划分的优先级数量，当G取1时，无优先级。
进一步的，所述S3中协同指标包括负荷侧的用热满意度、以及负荷聚合商侧的功率偏差和碳排放社会成本，根据该协同指标建立的热力负荷协同响应目标函数表示为：
Figure GDA0003772775190000032
其中，PNeP,t、Crt、ΔPi,t、Si,t分别为系统净交换功率、系统碳排放量、用户响应功率、用户满意度；
Figure GDA0003772775190000033
分别为系统净交换功率的惩罚、单位碳排放社会成本、用户电价、不同优先级用户的经济补贴以及满意度降低的惩罚。
进一步的，所述S3中热力负荷协同约束条件分别为：
建立热力负荷功率约束，包括对热力负荷功率的额定功率约束和最小负荷约束，表示为：
Figure GDA0003772775190000034
其中：P(t)是t时段热力负荷的运行功率；Pmax是热力负荷的最大功率；Pmin是热力负荷的最小功率；
建立热力负荷响应潜力约束，包含对热力负荷响应速率、可调容量和持续时间的电气约束，表示为：
Figure GDA0003772775190000035
其中，v－,v+分别为t时段热力负荷参与负荷聚合商响应的上调和下调响应速率；C－(t),C+(t)分别为t时段热力负荷参与负荷聚合商响应的下调和上调容量；D－,D+分别为热力负荷参与负荷聚合商响应的最小和最大持续时段；Δt是热力负荷实际参与响应的时间段；
建立热力负荷响应的热力约束，包含对用户温度阈值的约束和储热装置容量的约束，表示为：
Figure GDA0003772775190000041
其中：T－,T+分别为用户温度T(t)变化的上下限；T(t)为t时段热力负荷的温度；TC－,TC+为储热装置的最小和最大储热量；TC(t)为t时段储热装置的蓄热量；
建立热力负荷的用电平衡和用热平衡约束，表示为：
Figure GDA0003772775190000042
其中，PL(t)为刚性电负荷的用电功率；PDR(t)为负荷聚合商响应计划；PPV(t)为光伏发电出力；PW(t)为风力发电出力；PT(t)为火电出力；PNE(t)为地区电网与外部电网的净交换功率；Pi(t)是热力负荷i在t时段的用电功率；C(t)是由于是热力负荷无法完全响应指令而出现的松弛变量；TC(t)是t时刻蓄热罐的总储热量；TCL(t)是t时段蓄热罐的热量损失；η是热力负荷的热电转化比；PH(t)是热力负荷在t时段的用热功率；PTL(t)是热力负荷在t时段在热量传输过程中损失的热量。
本发明具有以下有益效果：
多种不同功率和时间粒度的热力负荷用户协同优化，在不占用火电、储能等灵活性资源的前提下，仅通过热力负荷内部的协同优化完成负荷聚合商响应计划的精准跟踪，有效提高了热力负荷聚合商管控下海量热力用户群的灵活性，实现了灵活性资源的合理配置。此外，将用户主动响应与负荷聚合商优化调控相结合，按优先级设定经济激励以引导热力用户群主动参与负荷聚合商负荷调整，充分调动热力负荷用户参与响应的积极性。
附图说明
图1为本发明计及多粒度属性的热力负荷协同调控方法流程示意图。
图2为本发明实施例实施例不考虑粒度属性的热力负荷运行功率偏差示意图。
图3(a)-(e)为本发明实施例热力用户在不同场景的调节指令，其中(a)为热力负荷用户1：0.5MW,15min；(b)为热力负荷用户2：1MW,30min；(c)为热力负荷用户3：5MW,2h；(d)为热力负荷用户4：2MW,2h；(e)为热力负荷用户5：0.01MW,1h。
图4为本发明实施例多粒度属性对热力负荷聚合商功率偏差的影响示意图。
图5为本发明实施例多粒度属性对热力用户用电量偏差的影响示意图。
图6(a)-(c)为本发明实施例不同场景下用户电量偏差随粒度属性的变化趋势示意图，其中，(a)为用户电量偏差与粒度属性的关系，(b)为用户电量偏差与时间粒度属性的关系，(c)为用户电量偏差与功率粒度属性的关系。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
计及多粒度属性的热力负荷协同调控方法，如图1所示，包括如下步骤：
S1、获取热力负荷聚合商响应计划；
热力负荷聚合商整合各类热力负荷资源，以负荷聚合商为主体参与电力系统优化调度和电力市场交易，其用户群体包括集中供热站和分布式热力用户。其中集中供热站是用于城市建筑集中供暖的蓄热锅炉、电热泵、蒸汽锅炉等热力负荷；而暖通空调、热水器等热力负荷因为容量小，数量多等特点，以分布式热力用户的形式参与负荷聚合商调控。
本实施例里，热力负荷聚合商获取负荷聚合商响应计划，在综合考虑电力系统次日发电计划与用电计划后，以降低区域电网净交换功率，提高系统经济性为目标，计算出次日负荷聚合商响应计划，通过现货市场交易和辅助服务市场调整负荷聚合商响应计划。
S2、建立热力负荷的功率粒度模型和时间粒度模型，热力负荷用户通过需求侧响应向负荷聚合商提交初始用户响应计划；
本实施例里，用户在综合考虑自身响应特征、用热特性、市场电价等指标后，将用户响应计划、粒度信息、响应潜力提交到热力负荷聚合商，具体而言，
具有大功率可中断设备的热力负荷用户功率粒度较粗。对于连续变化的调控指令，当热力负荷用户的功率粒度远大于调控指令粒度时，热力负荷无法精准跟踪指令变化。为实现不同功率粒度属性热力负荷的协同互补调控，首先应对功率粒度进行准确的数学刻画。建立热力负荷的功率粒度模型，有助于实现粗功率粒度热力负荷与细功率粒度热力负荷的协同互补响应，共同完成对负荷聚合商响应计划的精准跟踪。
假设热力负荷聚合商响应计划的粒度为Δp；热力负荷用户通过需求侧响应，向负荷聚合商申报的用户响应计划粒度为αΔp，粒度化后该响应计划表示为：
Figure GDA0003772775190000061
其中，t为响应时段；i为热力负荷用户；I为参与负荷聚合商响应的热力负荷用户总数；PDR为负荷聚合商获取的响应计划；P'i为用户通过需求侧响应向负荷聚合商申报的响应计划；Δp为指令的功率粒度；Pi为用户的功率粒度；αiΔp为用户i的功率粒度；y'i为用户i实际功率与粒度的比值；yDR为负荷聚合商响应计划与粒度的比值。
当地区热力负荷响应潜力充足时，全部热力负荷的响应计划总体大于负荷聚合商响应计划。经负荷聚合商优化调控后，热力负荷用户得到的调控指令如(2)所示。负荷聚合商的优化调控过程考虑了用户功率粒度属性，因此负荷聚合商的功率和电量偏差基本为0。
Figure GDA0003772775190000062
其中，Pi为负荷聚合商响应优化后，热力负荷用户i分配到的调控指令；PD(t)为负荷聚合商在t时段负荷总运行功率与负荷聚合商响应计划的偏差；DPG为负荷聚合商在一天内的电量偏差。
当负荷聚合商优化调控不考虑用户功率粒度属性时，此时热力负荷用户的实际运行功率因无法准确跟踪调控指令而出现功率偏差与负荷聚合商电量偏差，如公式(3)。
Figure GDA0003772775190000063
其中：δi是用户i受到功率粒度属性影响引起的功率偏差。Δt是负荷聚合商的粒度。
当地区热力负荷响应潜力不足时，全部热力负荷用户按公式(1)中的用户主动申报的需求响应计划运行，负荷聚合商不再进行优化调控。由于用户主动申报的响应计划已经考虑了自身的功率粒度，因此不存在由于功率粒度属性引起的功率偏差，此时负荷聚合商的功率偏差与电量偏差是由于负荷响应潜力不足引起的。
Figure GDA0003772775190000064
图2给出热力负荷用户的实际运行功率受功率粒度属性影响而无法准确跟踪调控指令的典型示例。图中调控指令的功率粒度为Δp，热力用户的实际运行功率的粒度为nΔp。因为热力用户的功率粒度大于调控指令的功率粒度，因此用户无法精准跟踪指令，导致用户出现功率偏差。该偏差值随用户功率粒度nΔp增大，当偏差量超出考核标准后，给负荷聚合商和用户带来经济损失。
当前各国现货市场的时间粒度基本在1小时以内，而我国的电力实时调度的时间粒度基本为15分钟，部分地区甚至达到了5分钟。1.1小节中给出负荷聚合商响应计划从电力系统优化调度、现货市场、辅助服务市场获取，因此负荷聚合商的时间粒度也在15分钟以内。考虑部分热力负荷受到设备控制时延、操作员工作时间等因素影响，时间粒度大多在15分钟以上，无法适应现货市场和实时调度的快速功率变化。
当用户运行功率的时间粒度大于负荷聚合商响应计划的时间粒度时，认为该用户在时间尺度上的灵活性较低，不能单独的精确跟踪指令。当用户实际运行功率的时间粒度小于等于负荷聚合商响应计划的时间粒度时，认为该用户在时间尺度上具有较高的灵活性，可以单独的精确跟踪指令。不同时间粒度的热力负荷用户协同优化，需要通过向上取整的方式将用户时间粒度限制为负荷聚合商时间粒度的整数倍。用户与负荷聚合商的时间粒度如公式(5)所示：
Figure GDA0003772775190000071
其中，x为数据点；tDR(x)为负荷聚合商响应计划的时间序列；Δt为负荷聚合商的时间粒度；t(x)为用户实际运行功率的时间序列；βi为用户时间粒度与负荷聚合商指令粒度的比值，N为正数；εi为用户时间粒度与负荷聚合商指令粒度的余数；(εi+βi)Δt为用户的时间粒度。
当负荷聚合商优化调控不考虑用户时间粒度属性时，负荷聚合商的调控指令、用户的运行功率以及由时间粒度属性引起的功率偏差计算方法如下。
Figure GDA0003772775190000072
其中：δ(t)为受到时间粒度影响后，用户在tDR时段功率偏差；P'i(tDR)为负荷聚合商下发到用户的调控指令；Pi(ti(y))为用户的实际运行功率；DTG为一天内由多时间粒度引起的负荷聚合商电量偏差。
当负荷聚合商优化调控考虑用户时间粒度属性时，由热力负荷的时间粒度属性的引起的功率偏差近似为0。
Figure GDA0003772775190000081
结合公式(5)-(7)，得到用户多时间粒度的模型如下。
Figure GDA0003772775190000082
式中，xi为用户时间粒度与负荷聚合商时间粒度之比。
图2中给出了热力用户的实际运行功率受时间粒度属性影响而无法准确跟踪负荷聚合商调控指令的典型示例。图中调控指令的时间粒度为Δt，用户运行功率的时间粒度为nΔt。因为热力用户的时间粒度大于调控指令的时间粒度，因此用户无法精准跟踪指令，导致用户出现功率偏差。该偏差值随用户时间粒度nΔt增大，当偏差量超出考核标准后，给负荷聚合商和用户带来经济损失。
S3、对不同粒度属性的热力负荷用户进行分级得到热力负荷用户的调控优先级，并根据多个指标建立热力负荷协同响应目标函数，结合热力负荷协同约束条件得到次日各热力负荷用户的调控指令；
对于本申请而言，热力负荷聚合商需要在负荷用电特性、用热特性、舒适度等约束下，以用户经济性、满意度、碳排放社会成本以及运行功率偏差为优化目标，调整各交易时段的用户响应计划，根据不同粒度属性热力负荷的协同互补原则得到次日各用户调控指令。
在热力负荷优化调控的过程中，为消除多粒度属性带来的功率偏差，实现多种粒度热力用户的协同互补，首先应对不同粒度属性的热力负荷用户进行分级。粒度大的热力负荷优先级低，粒度小的热力负荷优先级高。用户分级制度可以指导热力负荷聚合商补贴价格设定和机制建设，激励更多热力负荷用户参与热力控制负荷聚合商业务，增强负荷聚合商整体响应潜力，结合功率粒度属性和时间粒度属性，得到热力负荷用户的调控优先级如下：
Figure GDA0003772775190000083
其中：PLi是热力用户i的调控优先级；αi和βi分别表示热力负荷的功率和时间粒度属性；Ci是热力负荷用户的信誉度；G是划分的优先级数量，当G取1时无优先级。
在公式(9)中，两种粒度属性的大小差异对优先级的贡献相同。考虑时间粒度粒度属性与功率粒度属性对功率偏差的贡献可能不同，因此推导两种粒度属性对功率偏差的贡献度计算如下：
Figure GDA0003772775190000091
其中：
Figure GDA0003772775190000092
为用户功率粒度对偏差的贡献率；
Figure GDA0003772775190000093
为用户时间粒度对偏差的贡献率，vi,max为用户的最大响应速率。
结合公式(9)和公式(10)，得到热力负荷用户的响应优先级计算如下：
Figure GDA0003772775190000094
在热力负荷用户的协同优化调控中，准确的优先级量化评估方法是计算各用户经济补贴大小的基础，同时综合量化负荷聚合商与用户的效益，将负荷聚合商与用户需求精准匹配，实现多方共赢的目标。在高比例新能源并网的背景下，热力负荷的协同优化调控目标是获得最大的效用价值，而不仅是最大的用户经济性，因此本文在考虑热力负荷经济效益的基础上，额外考虑了负荷侧的用热满意度、以及负荷聚合商侧的功率偏差和碳排放社会成本三项指标。根据上述指标建立热力负荷协同响应的目标函数如下：
Figure GDA0003772775190000095
其中：PNeP,t、Crt、ΔPi,t、Si,t分别表示系统净交换功率、系统碳排放量、用户响应功率、用户满意度；
Figure GDA0003772775190000096
分别表示系统净交换功率的惩罚、单位碳排放社会成本、用户电价、不同优先级用户的经济补贴以及满意度降低的惩罚。
上述指标计算方法如下：
Figure GDA0003772775190000101
其中：PPV、PW、PT、PL分别为光伏发电、风电、火电以及刚性电负荷功率，Pi,t和P0,i,t为热力用户i的调控后的用电功率和不参与调控时的计划用电功率；
Figure GDA0003772775190000102
和
Figure GDA0003772775190000103
是负荷聚合商根据优先级计算经济补贴的参数。
其中具体的约束条件为：
建立热力负荷功率约束，包含对热力负荷功率的额定功率约束和最小负荷约束。
Figure GDA0003772775190000104
其中：P(t)是t时段热力负荷的运行功率；Pmax是热力负荷的最大功率；Pmin是热力负荷的最小功率。
建立热力负荷响应潜力约束，包含对热力负荷响应速率、可调容量和持续时间的电气约束。
Figure GDA0003772775190000105
其中：v－,v+分别为t时段热力负荷参与负荷聚合商响应的上调和下调响应速率；C－(t),C+(t)分别为t时段热力负荷参与负荷聚合商响应的下调和上调容量；D－,D+分别为热力负荷参与负荷聚合商响应的最小和最大持续时段；Δt是热力负荷实际参与响应的时间段。
建立热力负荷响应的热力约束，包含对用户温度阈值的约束和储热装置容量的约束。
Figure GDA0003772775190000106
其中：T－,T+分别为用户温度T(t)变化的上下限；T(t)为t时段热力负荷的温度；TC－,TC+为储热装置的最小和最大储热量；TC(t)为t时段储热装置的蓄热量。
建立热力负荷的用电平衡和用热平衡约束如下：
Figure GDA0003772775190000111
其中：PL(t)为刚性电负荷的用电功率；PDR(t)为负荷聚合商响应计划；PPV(t)为光伏发电出力；PW(t)为风力发电出力；PT(t)为火电出力；PNE(t)为地区电网与外部电网的净交换功率；Pi(t)是热力负荷i在t时段的用电功率；C(t)是由于是热力负荷无法完全响应指令而出现的松弛变量；TC(t)是t时刻蓄热罐的总储热量；TCL(t)是t时段蓄热罐的热量损失；η是热力负荷的热电转化比；PH(t)是热力负荷在t时段的用热功率；PTL(t)是热力负荷在t时段在热量传输过程中损失的热量。
S4、热力负荷用户在次日通过改变热力设备的用电行为跟踪各自调控指令。
具体实验验证
为验证在热力负荷聚合商参与地区电网需求响应的过程中，是否考虑热力负荷粒度属性对协同优化调控的影响，本文场景设置如下：
场景一：热力负荷用户存在如表1所示的功率粒度和时间粒度差异，但负荷聚合商的分层优化调控不考虑用户粒度属性。
场景二：热力负荷存在粒度差异，结合负荷的功率粒度模型，负荷聚合商采用计及功率粒度属性的调控方法，实现不同功率粒度热力负荷的协同响应，同时忽略用户的时间粒度属性。
场景三：热力负荷存在粒度差异，结合负荷的时间粒度模型，负荷聚合商采用计及时间粒度属性的调控方法，实现不同时间粒度热力负荷的协同响应，同时忽略用户的功率粒度属性。
场景四：热力负荷存在粒度差异，负荷聚合商采用考虑负荷多粒度属性的分层优化调控方法，实现不同功率粒度和时间粒度热力负荷的互补协同响应。
表1热力负荷的功率粒度与时间粒度
编号 类型 功率粒度 时间粒度
用户1 集中供热站 0.5MW 15分钟
用户2 集中供热站 1.0MW 30分钟
用户3 工业热力负荷 5.0MW 2小时
用户4 工业热力负荷 2.0MW 2小时
用户5 分布式热力用户 0.01MW 1小时
热力负荷聚合商 热力负荷聚合商 0.01MW 15分钟
功率粒度是对热力用户功率离散化程度的度量，是热力用户的最小功率单位；时间粒度属性是对热力用户响应时间分散度的度量。图3给出协同优化后各热力负荷的调控指令。场景一中负荷聚合商优化调控未考虑各用户的功率粒度与时间粒度属性，因此图3(a)中阶梯图的粒度与热力负荷聚合商粒度保持一致，为0.01MW和15分钟，此时仅用户一因其功率和时间粒度较小而可以准确跟踪调节指令；场景二中负荷聚合商优化调控仅考虑各用户的功率粒度属性，因此图3(b)中阶梯图的功率粒度与表1中各用户功率粒度保持一致，因为未考虑时间粒度影响，所以优化后各用户调节指令的时间粒度均为15分钟，其中用户一的时间粒度为15分钟，可以准确跟踪调节指令；场景三中负荷聚合商优化调控仅考虑各用户的时间粒度属性，因此图3(c)中阶梯图的时间粒度与表1中各用户时间粒度保持一致，同时因为未考虑功率粒度影响，故优化后各用户调节指令的功率粒度均为0.01MW，用户三、四因功率粒度较大而无法准确跟踪调节指令；场景四中负荷聚合商优化调控考虑了多粒度属性，因此图3(d)中阶梯图的时间、功率粒度与表1中各用户时间、功率粒度保持一致，全部用户能够准确跟踪调节指令，此时粒度属性不会导致用户功率偏差。
图4给出场景一到四中热力负荷聚合商的功率偏差，负荷聚合商功率偏差是各用户因粒度属性而无法准确跟踪图3(e)中调节指令产生的用户功率偏差总和。可以看出场景一和场景二的负荷聚合商功率偏差较大，偏差峰值分别为90MW和77MW，场景二的负荷聚合商功率偏差较小，是因为场景二不存在功率粒度属性引起的偏差。场景三和场景四的负荷聚合商功率偏差较小，其中场景三的负荷聚合商功率偏差峰值为2.5MW，而场景四的负荷聚合商功率偏差为0，因为场景三中存在用户功率粒度引起的偏差，而场景四则消除了这一影响。考虑实际调控中的不确定性，热力用户的实际响应时间和功率在小范围内随机波动，因此不会出现场景四中功率偏差为0的情况，本算例仅用于验证理想状态下考虑多粒度属性的优化调控方法对运行功率偏差的影响。从图4中各场景的负荷聚合商功率偏差变化可以初步得到以下结论：考虑时间粒度属性的优化调控方法可以大幅降低功率偏差；考虑功率粒度属性的优化调控方法仅能小幅降低功率偏差。
为验证考虑多粒度属性协同优化方法的有效性，图5统计了场景一到四中各热力用户在一天内的总用电量偏差。热力用户一因为其本身较小的功率粒度和时间粒度，在上述场景中基本不存在用电量偏差；热力用户二和五在上述场景中的总电量偏差均不超过50MWh。热力用户三和四作为工业热力负荷，受到粒度属性影响最为明显，在考虑时间粒度属性后，工业热力用户的电量偏差得到明显改善，也降低到了50MWh以下。除用户一外，其余用户在场景一到四的电量偏差基本呈现递减趋势。
除了由粒度属性引起的功率、电量偏差外，为验证所提方法对用户用电成本、用户平均满意度、碳排放社会成本以及净交换电量四项指标的贡献，将统计后的结果记录到表2。从净交换电量的角度看，从场景一到场景四的净交换功率依次递减。考虑时间粒度的场景中，地区电网与外部电网在一天内的净交换电量有明显降低，相对于不考虑时间粒度的场景平均降低300MWh；从用户用电成本的角度看，考虑时间粒度属性后的协同优化方法对用户用电成本的降低明显，降低幅度在30％以上。从用户用电满意度的角度看，考虑时间粒度属性的协同优化略微提高了用户的平均用电满意度，是否考虑功率粒度属性对用户的平均满意度基本无影响。从碳排放社会成本的角度看，仅在考虑时间粒度属性后降低了系统碳排放成本。综上得到结论如下：考虑时间粒度属性和功率粒度属性均对地区电网的净交换功率有明显改善；考虑时间粒度属性对用户平均满意度、碳排放社会成本以及净交换电量三项指标有所改善，但考虑功率粒度属性后对上述三项指标影响不明显。
进一步探究四种场景下，用户电量偏差随粒度属性的变化趋势，统一表1中各热力用户的粒度属性，使全部用户功率粒度在0.01W到8MW连续变化，时间粒度在15分钟到90分钟连续变化，运行场景一到四的优化调控方法。在图6(a)给出用户电量偏差随功率粒度和时间粒度变化的曲面图；图6(b)给出用户功率粒度限制为4MW时，不同场景下用户电量偏差随时间粒度的变化趋势，相对于场景二，场景一对时间粒度的大小更敏感。图6(b)给出用户时间粒度限制为1小时，不同场景下用户电量偏差随功率粒度的变化趋势，场景三比场景一对功率粒度的变化更敏感，需要注意的是场景二在用户功率粒度大于3MW后，其电量偏差随功率粒度增大而减小，这是因为相对于调度粒度大、灵活性低的热力用户，此时电力系统倾向于通过火力发电降低系统净交换功率，因此随着用户功率粒度的增大，负荷聚合商对用户的调控功率降低，由粒度属性引起的电量偏差降低。结合图6(a)-(c)，得到以下结论：时间粒度给用户带来的电量偏差远大于带来粒度给用户造成的电量偏差，因此在实际调控过程中，应优先考虑调控时间粒度较低的热力负荷用户。
为验证热力负荷用户通过热力负荷聚合商协同优化间接分层参与电力系统需求响应的有效性，与热力负荷用户直接参与电力现货市场并实现需求响应进行对比分析。热力负荷用户直接参与需求侧响应作为场景五记录在表2中。对比场景四和场景五的各项指标可以看出，经热力负荷聚合商的协同优化调控后，地区电网的净交换功率和碳排放社会成本低于用户直接响应后得的净交换功率和碳排放社会成本，并且用户整体用电成本有所降低。
表2各场景指标对比
负荷类型 用户成本 平均满意度 碳排放成本 净交换电量
场景1 46.6万元 96.2％ 43.9万元 351.2MWh
场景2 49.0万元 96.2％ 43.3万元 324.0MWh
场景3 28.4万元 97.9％ 33.6万元 27.9MWh
场景4 31.6万元 97.8％ 34.0万元 6.4MWh
场景5 38.3万元 97.5％ 36.8万元 163.0MWh
综上而言，对海量热力负荷资源中不同用户的功率粒度和时间粒度差异，提出了面向用户多粒度属性的热力负荷分层调控方法，得到如下结论：多种不同功率和时间粒度的热力负荷用户协同优化，在不占用火电、储能等灵活性资源的前提下，仅通过热力负荷内部的协同优化完成负荷聚合商响应计划的精准跟踪，有效提高了热力负荷聚合商管控下海量热力用户群的灵活性，实现了灵活性资源的合理配置。此外，将用户主动响应与负荷聚合商优化调控相结合，按优先级设定经济激励以引导热力用户群主动参与负荷聚合商负荷调整，充分调动热力负荷用户参与响应的积极性。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.计及多粒度属性的热力负荷协同调控方法，其特征在于，包括如下步骤：
S1、获取热力负荷聚合商响应计划；
S2、建立热力负荷的功率粒度模型和时间粒度模型，热力负荷用户通过需求侧响应向负荷聚合商提交初始用户响应计划；
S3、对不同粒度属性的热力负荷用户进行分级得到热力负荷用户的调控优先级，并根据多个指标建立热力负荷协同响应目标函数，结合热力负荷协同约束条件得到次日各热力负荷用户的调控指令；
S4、热力负荷用户在次日通过改变热力设备的用电行为跟踪各自调控指令。
2.根据权利要求1所述的计及多粒度属性的热力负荷协同调控方法，其特征在于，所述S2中粒度化后初始用户响应计划表示为：
Figure FDA0003784958590000011
其中，t为响应时段；i为热力负荷用户；I为参与负荷聚合商响应的热力负荷用户总数；PDR为负荷聚合商获取的响应计划；P'i为用户通过需求侧响应向负荷聚合商申报的响应计划；Δp为指令的功率粒度；αi为用户i的功率粒度属性；αiΔp为用户i的功率粒度；y'i为用户i实际功率与粒度的比值；yDR为负荷聚合商响应计划与粒度的比值。
3.根据权利要求1所述的计及多粒度属性的热力负荷协同调控方法，其特征在于，所述S2中热力负荷用户和负荷聚合商的时间粒度关系表示为：
Figure FDA0003784958590000012
其中，x为数据点；tDR(x)为负荷聚合商响应计划的时间序列；Δt为负荷聚合商的时间粒度；ti(x)为用户i实际运行功率的时间序列；βi为用户时间粒度与负荷聚合商指令粒度的比值，N为正数；εi为用户时间粒度与负荷聚合商指令粒度的余数；(εi+βi)Δt为用户的时间粒度。
4.根据权利要求3所述的计及多粒度属性的热力负荷协同调控方法，其特征在于，所述S2中热力负荷的时间粒度模型表示为：
Figure FDA0003784958590000021
其中，t为响应时段；xi为用户时间粒度与负荷聚合商时间粒度之比；P(tDR)为负荷聚合商总调控计划；P'i(tDR)为负荷聚合商下发到用户的调控指令；i为热力负荷用户；I为参与负荷聚合商响应的热力负荷用户总数；δi(t)为受到时间粒度影响后，用户i在tDR时段功率偏差；Δt为热力负荷聚合商的时间粒度；tDR为负荷聚合商响应计划的时间序列；Pi(xiβiΔt)为用户i实际的响应功率；βi为热力负荷的时间粒度属性。
5.根据权利要求1所述的计及多粒度属性的热力负荷协同调控方法，其特征在于，所述S3中热力用户调的调控优先级表示为：
Figure FDA0003784958590000022
其中，PLi为热力用户i的调控优先级；αi和βi分别为热力负荷的功率和时间粒度属性；Ci为热力负荷用户的信誉度；G为划分的优先级数量，当G取1时，无优先级。
6.根据权利要求5所述的计及多粒度属性的热力负荷协同调控方法，其特征在于，所述S3中协同指标包括负荷侧的用热满意度、以及负荷聚合商侧的功率偏差和碳排放社会成本，根据该协同指标建立的热力负荷协同响应目标函数表示为：
Figure FDA0003784958590000023
其中，PNeP,t、Crt、ΔPi,t、Si,t分别为系统净交换功率、系统碳排放量、用户响应功率、用户满意度；
Figure FDA0003784958590000024
分别为系统净交换功率的惩罚、单位碳排放社会成本、用户电价、不同优先级用户的经济补贴以及满意度降低的惩罚。
7.根据权利要求6所述的计及多粒度属性的热力负荷协同调控方法，其特征在于，所述S3中热力负荷协同约束条件分别为：
建立热力负荷功率约束，包括对热力负荷功率的额定功率约束和最小负荷约束，表示为：
Figure FDA0003784958590000031
其中：P(t)是t时段热力负荷的运行功率；Pmax是热力负荷的最大功率；Pmin是热力负荷的最小功率；
建立热力负荷响应潜力约束，包含对热力负荷响应速率、可调容量和持续时间的电气约束，表示为：
Figure FDA0003784958590000032
其中，v－,v+分别为t时段热力负荷参与负荷聚合商响应的上调和下调响应速率；C－(t),C+(t)分别为t时段热力负荷参与负荷聚合商响应的下调和上调容量；D－,D+分别为热力负荷参与负荷聚合商响应的最小和最大持续时段；Δt是热力负荷实际参与响应的时间段；
建立热力负荷响应的热力约束，包含对用户温度阈值的约束和储热装置容量的约束，表示为：
Figure FDA0003784958590000033
其中：T－,T+分别为用户温度T(t)变化的上下限；T(t)为t时段热力负荷的温度；TC－,TC+为储热装置的最小和最大储热量；TC(t)为t时段储热装置的蓄热量；
建立热力负荷的用电平衡和用热平衡约束，表示为：
Figure FDA0003784958590000034
其中，PL(t)为刚性电负荷的用电功率；PDR(t)为负荷聚合商响应计划；PPV(t)为光伏发电出力；PW(t)为风力发电出力；PT(t)为火电出力；PNE(t)为地区电网与外部电网的净交换功率；Pi(t)是热力负荷i在t时段的用电功率；C(t)是由于是热力负荷无法完全响应指令而出现的松弛变量；TC(t)是t时刻蓄热罐的总储热量；TCL(t)是t时段蓄热罐的热量损失；η是热力负荷的热电转化比；PH(t)是热力负荷在t时段的用热功率；PTL(t)是热力负荷在t时段在热量传输过程中损失的热量。
CN202210511990.XA 2022-05-12 2022-05-12 计及多粒度属性的热力负荷协同调控方法 Active CN114612021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210511990.XA CN114612021B (zh) 2022-05-12 2022-05-12 计及多粒度属性的热力负荷协同调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210511990.XA CN114612021B (zh) 2022-05-12 2022-05-12 计及多粒度属性的热力负荷协同调控方法

Publications (2)

Publication Number Publication Date
CN114612021A CN114612021A (zh) 2022-06-10
CN114612021B true CN114612021B (zh) 2022-09-13

Family

ID=81870584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210511990.XA Active CN114612021B (zh) 2022-05-12 2022-05-12 计及多粒度属性的热力负荷协同调控方法

Country Status (1)

Country Link
CN (1) CN114612021B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726151B (zh) * 2024-02-08 2024-05-03 四川大学 考虑决策依赖不确定性和流量平衡的eipscn协同规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022548A (zh) * 2016-07-11 2016-10-12 东南大学 一种针对聚合空调的变时段尖峰电价优化方法
CN113794232A (zh) * 2021-09-16 2021-12-14 国电南瑞科技股份有限公司 一种适应多区域多类型负荷资源灵活交互的接入方法及系统
CN113962537A (zh) * 2021-10-09 2022-01-21 中国电力科学研究院有限公司 面向电网调控应用的可调度负荷资源分类建模方法及系统
CN114399115A (zh) * 2022-01-17 2022-04-26 国网甘肃省电力公司 以多目标均衡为导向的热力控制平台用户响应优化方法
CN114421467A (zh) * 2022-01-26 2022-04-29 新奥数能科技有限公司 一种负荷聚合调度方法、装置及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563676A (zh) * 2017-10-11 2018-01-09 华中科技大学 考虑多时间尺度多类型需求响应的源荷协调运行调度方法
CN112163687B (zh) * 2020-06-28 2024-03-22 国家电网有限公司西北分部 一种基于负荷聚合商的用户侧两阶段调峰响应方法
CN114362189A (zh) * 2020-10-12 2022-04-15 中国电力科学研究院有限公司 一种可调节负荷参与需求响应的调用方法、系统及装置
CN113344388B (zh) * 2021-06-08 2022-10-14 国电南瑞科技股份有限公司 面向台区多类型用户参与的需求响应优化调度方法、装置及系统
CN113554354A (zh) * 2021-09-02 2021-10-26 国网甘肃省电力公司经济技术研究院 一种考虑用户多元响应特性的负荷聚合商最优调度方法
CN114362212B (zh) * 2022-03-21 2022-06-10 北京鼎诚鸿安科技发展有限公司 一种多类型电网负荷资源数据处理与调节方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022548A (zh) * 2016-07-11 2016-10-12 东南大学 一种针对聚合空调的变时段尖峰电价优化方法
CN113794232A (zh) * 2021-09-16 2021-12-14 国电南瑞科技股份有限公司 一种适应多区域多类型负荷资源灵活交互的接入方法及系统
CN113962537A (zh) * 2021-10-09 2022-01-21 中国电力科学研究院有限公司 面向电网调控应用的可调度负荷资源分类建模方法及系统
CN114399115A (zh) * 2022-01-17 2022-04-26 国网甘肃省电力公司 以多目标均衡为导向的热力控制平台用户响应优化方法
CN114421467A (zh) * 2022-01-26 2022-04-29 新奥数能科技有限公司 一种负荷聚合调度方法、装置及电子设备

Also Published As

Publication number Publication date
CN114612021A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN109727158B (zh) 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
CN110188950A (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
CN110729726B (zh) 一种智慧社区能量优化调度方法和系统
CN112116150A (zh) 一种负荷聚合商参与蓄热式电采暖电力市场调节方法
CN114662752A (zh) 基于价格型需求响应模型的综合能源系统运行优化方法
CN106877339A (zh) 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法
CN111313400A (zh) 一种基于鲁棒修正的多能虚拟电厂运行参数聚合方法
CN105576684A (zh) 一种含高渗透率光电微电网中的电动汽车优化调度方法
CN111047097A (zh) 一种综合能源系统日中滚动优化方法
CN113128844A (zh) 一种基于供电设备容量限制下分布式电源规划方法
CN114612021B (zh) 计及多粒度属性的热力负荷协同调控方法
CN114825371B (zh) 基于调节前后节点电压约束的聚合温控负荷多层调控方法
CN115689166A (zh) 一种区域分布式能源资源聚合利用方法及系统
CN109978331B (zh) 一种高比例水电现货市场下日电量分解方法
CN105811454A (zh) 一种考虑风电接入的直接负荷控制资源优化方法
CN116070801B (zh) 一种负荷聚合平台多站点最优运行策略生成方法
CN116823020A (zh) 一种考虑负荷侧减碳潜力的台区低碳运行综合评估方法
CN115438981A (zh) 一种园区智慧能源系统动态用能优化提升方法
CN112749843A (zh) 用于区域电网新能源消纳的虚拟电厂可控热负荷调度方法
CN113450186A (zh) 一种适用于耦合系统参与的月度集中市场的竞价策略
Hu et al. Demand Response Optimization Strategy for Multi-Level Intelligent Regulation under the Power Internet of Things
CN112766680B (zh) 虚拟电厂可控热负荷调度方法
CN112785094B (zh) 基于斯塔克尔伯格博弈的光伏储能电站容量配置优化方法
Liang et al. User Adjustable Load Demand Response Optimization Strategy Considering Multi-level Dynamic Regulation

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