CN114626603A - 一种配电网需求响应调度运行方案的优化处理方法和装置 - Google Patents

一种配电网需求响应调度运行方案的优化处理方法和装置 Download PDF

Info

Publication number
CN114626603A
CN114626603A CN202210242806.6A CN202210242806A CN114626603A CN 114626603 A CN114626603 A CN 114626603A CN 202210242806 A CN202210242806 A CN 202210242806A CN 114626603 A CN114626603 A CN 114626603A
Authority
CN
China
Prior art keywords
load
demand response
response
distribution network
scheduling
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
CN202210242806.6A
Other languages
English (en)
Inventor
王世君
许仕伟
袁绍军
李文龙
李佳骥
于宝鑫
陈东洋
夏革非
褚铁柱
陈广宇
张华东
席海阔
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.)
State Grid Corp of China SGCC
Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Chengde Power Supply Co of State Grid Jibei 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 State Grid Corp of China SGCC, Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210242806.6A priority Critical patent/CN114626603A/zh
Publication of CN114626603A publication Critical patent/CN114626603A/zh
Pending legal-status Critical Current

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
    • G06Q10/063—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
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供了一种配电网需求响应调度运行方案的优化处理方法和装置，具体为建立调度模型，并确定需求响应激励策略；根据当地气象数据预测调度范围内光伏电站的出力数据；根据光伏电站的历史出力数据计算次日光伏出力的不确定性置信度集；依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；收集调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；以经济性最优为目标，并根据需求响应激励策略，利用调度模型对处理数据、不确定性置信度集、负荷曲线、负荷类型、响应时段以及响应裕度进行计算，得到配电网需求响应调度运行方案。相比于现有方案，本申请得到的调度运行方案能够使配电网的负荷曲线得到明显改善。

Description

一种配电网需求响应调度运行方案的优化处理方法和装置
技术领域
本申请涉及电网技术领域，更具体地说，涉及一种配电网需求响应调度运行方案的优化处理方法和装置。
背景技术
电力系统中引入配电网需求响应能够引导用户针对市场价格信号或激励机制作出响应，并改变正常电力消费模式。其中，用户侧峰谷分时电价作为需求响应项目的核心措施已在国内外逐渐普及和推广并呈现多样性。峰谷分时电价机制直接起到与市场接轨的作用，合理科学地设计峰谷分时电价，能够充分发挥经济杠杆作用，使用户从经济角度上更合理地调整用电时间及用电需求量，提高用户用电效率，改变电力系统负荷特性曲线。采用基于激励的需求响应方式，在负荷低谷时段向参与需求响应增加负荷的用户支付补偿，能够鼓励用户将高峰时段的负荷转移至低谷时段；在高峰时段向参与需求响应减少负荷的用户支付补偿，能够减少高峰时段的系统负荷。需求响应作为一种典型的电网与用户互动策略，通过价格或激励机制引导用户参与到电力系统的削峰填谷行为中，能够改善负荷曲线，降低网络投入，使供需双方都能获益。
目前电网中由于接入了风力发电和光伏发电等新能源电力，导致电网中增加了大量的不确定出力因素，需要针对用户需求响应对电网调度方案进行进一步的优化。针对优化调度中的不确定性因素，当前主要的常用方法为随机优化方法和鲁棒优化方法。随机优化因为影响变量不确定性的因素比较复杂，导致无法优化方案无法准确反映实际规律，鲁棒优化方法得到的是最差场景下的优化结果，从而使得优化结果偏向保守。上述两种方法均无法得到能够使配电网的负荷曲线得到明显改善的调度运行方案。
发明内容
有鉴于此，本申请提供一种配电网需求响应调度运行方案的优化处理方法和装置，用于得到能够改善配电网负荷曲线的调度运行方案。
为了实现上述目的，现提出的方案如下：
一种配电网需求响应调度运行方案的优化处理方法，所述优化处理方法包括步骤：
建立考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略；
根据当地气象数据预测调度范围内光伏电站的出力数据；
根据所述光伏电站的历史出力数据，计算次日所述光伏电站的光伏出力的不确定性置信度集；
依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；
收集所述调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；
以经济性最优为目标，并根据所述需求响应激励策略，利用所述调度模型对所述出力数据、所述不确定性置信度集、所述负荷曲线、所述负荷类型、所述响应时段以及所述响应裕度进行计算，得到配电网需求响应调度运行方案。
可选的，所述需求响应策略包括可削减负荷控制策略、可转移负荷控制策略和可平移负荷控制策略。
可选的，所述不确定性置信度集通过如下步骤得到：
选取所述历史出力数据进行聚类，得到有限个数光伏出力场景及其对应的初始概率；
选取置信度水平，利用距离度量约束的分布，完成所述不确定性置信度集的构建。
可选的，还包括步骤：
向所述电力大用户下方所述配电网需求响应调度运行方案。
可选的，还包括步骤：
获取所述电力大用户对所述配电网需求响应调度运行方案执行后的反馈信息，如反馈不能满足削峰填谷需求，则重新对配电网需求响应调度方案再次进行优化。
一种配电网需求响应调度运行方案的优化处理装置，所述优化处理装置包括：
模型构建模块，被配置为建立考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略；
第一预测模块，被配置为根据当地气象数据预测调度范围内光伏电站的出力数据；
数据集构建模块，被配置为根据所述光伏电站的历史出力数据，计算次日所述光伏电站的光伏出力的不确定性置信度集；
第二预测模块，被配置为依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；
数据收集模块，被配置为收集所述调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；
优化执行模块，被配置为以经济性最优为目标，并根据所述需求响应激励策略，利用所述调度模型对所述出力数据、所述不确定性置信度集、所述负荷曲线、所述负荷类型、所述响应时段以及所述响应裕度进行计算，得到配电网需求响应调度运行方案。
可选的，所述需求响应策略包括可削减负荷控制策略、可转移负荷控制策略和可平移负荷控制策略。
可选的，所述数据集构建模块包括：
聚类处理单元，用于选取所述历史出力数据进行聚类，得到有限个数光伏出力场景及其对应的初始概率；
构建执行单元，用于选取置信度水平，利用距离度量约束的分布，完成所述不确定性置信度集的构建。
可选的，还包括：
方案下发模块，被配置为向所述电力大用户下方所述配电网需求响应调度运行方案。
可选的，还包括：
反馈收集模块，被配置为获取所述电力大用户对所述配电网需求响应调度运行方案执行后的反馈信息，如反馈不能满足削峰填谷需求，则重新对配电网需求响应调度方案再次进行优化。
从上述的技术方案可以看出，本申请公开了一种配电网需求响应调度运行方案的优化处理方法和装置，具体为建立考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略；根据当地气象数据预测调度范围内光伏电站的出力数据；根据光伏电站的历史出力数据，计算次日光伏电站的光伏出力的不确定性置信度集；依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；收集调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；以经济性最优为目标，并根据需求响应激励策略，利用调度模型对处理数据、不确定性置信度集、负荷曲线、负荷类型、响应时段以及响应裕度进行计算，得到配电网需求响应调度运行方案。相比于现有方案，本申请得到的调度运行方案能够使配电网的负荷曲线得到明显改善。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例的一种配电网需求响应调度运行方案的优化处理方法的流程图；
图2为本申请实施例的另一种配电网需求响应调度运行方案的优化处理方法的流程图；
图3为本申请实施例的又一种配电网需求响应调度运行方案的优化处理方法的流程图；
图4为本申请实施例的一种配电网需求响应调度运行方案的优化处理装置的框图；
图5为本申请实施例的另一种配电网需求响应调度运行方案的优化处理装置的框图；
图6为本申请实施例的又一种配电网需求响应调度运行方案的优化处理装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
图1为本申请实施例的一种配电网需求响应调度运行方案的优化处理方法的流程图。
如图1所示，本实施例提供了一种优化处理方法，用于得到能够基于配电网需求响应的调度运行方案，该优化处理方法包括如下步骤：
S1、建立调度模型，并确定响应激励策略。
具体为考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略。在调度模型中，以电网收益最大化为目标函数：
max P＝Pload-(Csub+CPV+CDG+CDR+Closs) (1)
其中Pload为向用户收取的电费，Csub为向上级电网购电费用，CPV及CDG分别为向集中式光伏电站及分布式光伏购电费用，CDR为需求响应支出费用，Closs为网损惩罚成本。
为便于用求解器计算，上述目标函数可以转化为min形式：
min C＝-P (2)
此为确定性模型，计及光伏出力的不确定性后，可将模型表述为如下形式：
Figure BDA0003543291830000051
其中，E(*)表示求参数的期望值，Nsc为光伏出力可能性场景数，psc为相应场景发生的概率，Csc为对应的原确定性模型在该场景下的目标函数值。
S2、根据当地气象数据预测调度范围内光伏电站的出力数据。
当地气象数据通过通信系统从当地或远程的气象数据服务器获取，在得到气象数据后基于光伏电站的发电参数进行预测，从而得到该调度范围内光伏电站的处力数据。本申请的光伏电站包括分布式光伏电站和集中式光伏电站。
S3、根据历史出力数据计算次日的不确定性置信度集。
根据预先收集的光伏电站，即集中式光伏电站和分布式光伏电站的历史出力数据，对上述历史出力数据进行计算，得到次日相应光伏电站的光伏出力的不确定性置信度集。
本文采用基于数据驱动的分布式鲁棒方法来描述光伏出力不确定性，利用风光出力的历史数据构建关于psc分布的置信度集ψ，使得psc可能服从的任意分布均位于ψ中。
本文构建置信度集ψ的方法为：首先选取大量光伏出力的历史数据进行聚类，得到有限的Nsc个光伏出力场景及其对应的初始概率
Figure BDA0003543291830000064
；然后选取合适的置信度水平，利用距离度量约束psc的分布，完成置信度集的构建，本文同时采用1-范数和∞-范数作为距离度量约束：
Figure BDA0003543291830000061
式中，psc为Nsc维向量，包含Nsc个场景的概率分布，
Figure BDA0003543291830000062
为Nsc维向量，包含Nsc个场景的初始概率分布(基于历史数据获得)，θ1与θ∞分别为1-范数和∞-范数对应约束下的概率偏差限值。
利用上述分布式鲁棒方法处理光伏出力不确定性后，模型目标函数转化为：
Figure BDA0003543291830000063
本申请的响应激励策略包括可削减负荷控制策略、可转移负荷控制策略和可平移负荷控制策略。
可削减负荷控制策略：可削减负荷可承受一定中断或降功率、减少时间运行的负荷，根据供需情况对其进行部分或全部削减，由于可削减负荷灵活度极高，故对其而言除上下限约束外无其他约束：
ΔPmin(i,k)<＝ΔP(i,k)<＝ΔPmax(i,k)i＝1,2...,k＝1,2...,T (6)
式中，ΔP(i,k)为节点i在k时段的负荷变化量，ΔPmin(i,k)和ΔPmax(i,k)分别为该节点在该时段负荷变化量的下限与上限，T为调度时段总数。
可转移负荷控制策略：可转移负荷在一个调度周期内所需要的总电能不变，但各时段的用电功率可以在一定范围内波动，相较于可削减负荷只考虑上下限的约束，可转移负荷的控制策略增加了对负荷变动总量的约束：
Figure BDA0003543291830000071
可平移负荷控制策略：可平移负荷需要整体平移，而其用电持续时间常常跨越多个调度时段，除计及上述可削减负荷、可转移负荷的控制策略外，对可平移负荷采用的控制策略，假设调度周期为T个时段，对负荷节点i引入整型变量τ(i)表征可平移负荷平移后的起始时段。对每个负荷节点的可平移负荷，原始负荷的持续时间为D(i)，其处于运行状态的时段集合为on_ini(i)＝[o1(i),o2(i)..o.D(i)]，各时段的负荷功率为Pini(i,k)，原始负荷起始时段为tst(i)，可接受的移入时段区间为[t1(i),t2(i)...tend(i)]，则可接受的平移后起始时段集合Sshift＝[t1(i),t2(i),..te.nd(i)-D(i)]Utst(i)。由以上的已知数据，可对节点i的可平移负荷提出相关控制策略：
τ(i)∈Sshift (8)
ΔPin(i,k)∈Pini(i,:) (9)
ΔPin(i,τ(i):τ(i)+D(i)-1)＝Pload(i,on_ini(i,1:D)) (10)
Figure BDA0003543291830000072
式中，ΔPin(i,k)为节点i在k时段的移入负荷；·(i,a:b)为某矩阵·的第i行第a列到第b列元素，·(i,:)为某矩阵·的第i行全部元素。上述控制策略中的(9)、(10)、(11)共同约束了负荷只能平移不能随意转移、分散。
故而可以得出节点可平移负荷各时段的负荷变化量：
ΔP(i,k)＝ΔPin(i,k)-Pload(i,k) (12)
S4、依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线。
当地负荷水平是指前述调度范围内的所有用电用户的负荷水平，基于该历史负荷数据进行预测，得到调度周期内的负荷曲线，该调度周期可以按日、周或月。
S5、收集电力大用户的负荷类型、响应时段以及响应裕度。
这里的电力大用户是指上述调度范围内能够参与响应的对负荷产生较大影响的工业用户或其他用户。负荷类型是指用电设备的类型，响应时段是指能够参与响应的时间，响应裕度是指能够参与响应的设备的调节范围。
S6、以经济性最优为目标执行需求响应方案。
以经济性最优为目标，并根据上述需求响应激励策略，利用调度模型对出力数据、不确定性置信度集、负荷曲线、负荷类型、响应时段以及响应裕度进行计算，得到能够有效实现削峰填谷、并避免光伏出力高峰期配网电压越限的配电网需求响应调度运行方案。
本申请的调度模型的目标函数：
max P＝Pload-(Csub+CPV+CDG+CDR+Closs) (13)
其中Pload为向用户收取的电费，Csub为向上级电网购电费用，CPV及CDG分别为向集中式光伏电站及分布式光伏购电费用，CDR为需求响应支出费用，Closs为网损惩罚成本。
为便于用求解器计算，将上述目标函数转化为min形式：
min C＝-P (14)
此为确定性模型，计及光伏出力的不确定性后，可将模型表述为如下形式：
Figure BDA0003543291830000081
调度母线的约束条件如下：
1)配网dist-flow约束
Figure BDA0003543291830000082
Figure BDA0003543291830000083
Figure BDA0003543291830000084
I2(j,k)U2(i,k)＝P2(j,k)+Q2(j,k) (19)
其中j→i表示所有注入i节点的线路集合，i→m表示所有流出i节点的线路集合；P(j,k)、Q(j,k)为线路j在时段k的有功、无功传输功率；I(j,k)线路j在时段k的传输电流，rij、xij为节点i与节点j之间的线路阻抗；U(i,k)为i节点在时段k的电压模值。
上述约束条件(19)非凸，引入中间变量i(j,k)＝I2(j,k)、u(i,k)＝U2(i,k)进行二阶锥松弛后化为下式：
Figure BDA0003543291830000091
锥优化是线性优化的一种推广，由于凸锥具有的特定的几何结构和特殊的处理方式，在求解优化问题时具有求解速度较快，效率高等优点，而且可以保证求解的最优性。锥优化是线性空间中凸锥上的数学规划，其对优化问题的数学模型有着较为严格的限制：即锥优化的目标函数必须是决策变量的线性函数，约束条件由线性等式或不等式以及非线性二阶锥或旋转锥构成。
2)配网安全运行约束及平衡节点电压约束
0≤I(j,k)≤Imax (21)
0≤U(i,k)≤Umax (22)
U(nb,k)＝Ub (23)
其中，nb为平衡节点的节点标号，Ub为平衡节点的电压标准值。
3)需求响应量约束
ΔPmin(i,k)≤ΔP(i,k)≤ΔPmax(i,k) (24)
其中，ΔPmin(i,k)、ΔPmax(i,k)分别为节点i在k时段的需求响应下限、上限值。
4)多种响应模式控制策略约束。
针对可削减负荷、可转移负荷与可平移负荷，分别有相对应的约束条件来执行其控制策略，如前小节所述。
从上述技术方案可以看出，本申请提供了一种配电网需求响应调度运行方案的优化处理方法，具体为建立考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略；根据当地气象数据预测调度范围内光伏电站的出力数据；根据光伏电站的历史出力数据，计算次日光伏电站的光伏出力的不确定性置信度集；依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；收集调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；以经济性最优为目标，并根据需求响应激励策略，利用调度模型对处理数据、不确定性置信度集、负荷曲线、负荷类型、响应时段以及响应裕度进行计算，得到配电网需求响应调度运行方案。相比于现有方案，本申请得到的调度运行方案能够使配电网的负荷曲线得到明显改善。
在本申请的一个具体实施方式中，还包括如下步骤，如图2所示：
S7、向电力大用户下发配电网需求响应调度运行方案。
通过下发该调度运行方案，以使电力大用户按该调度运行方案执行，以便实现对负荷曲线的改善。
在本申请的另一个具体实施方式中，还包括如下步骤，如图3所示。
S8、收集电力大用户的反馈信息。
即收集电力大用户通过对该调度运行方案的运行结果，确定是否能够满足削峰填谷需求，若满足则完成本次优化处理过程；否则，则返回到前面依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线步骤，实现对调度运行方案的再次优化处理。
实施例二
图4为本申请实施例的一种配电网需求响应调度运行方案的优化处理装置的框图。
如图4所示，本实施例提供了一种优化处理装置，用于得到能够基于配电网需求响应的调度运行方案，该优化处理装置包括模型构建模块10、第一预测模块20、数据集构建模块30、第二预测模块40、数据收集模块50和优化执行模块60。
模型构建模块用于建立调度模型，并确定响应激励策略。
具体为考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略。在调度模型中，以电网收益最大化为目标函数：
max P＝Pload-(Csub+CPV+CDG+CDR+Closs) (25)
其中Pload为向用户收取的电费，Csub为向上级电网购电费用，CPV及CDG分别为向集中式光伏电站及分布式光伏购电费用，CDR为需求响应支出费用，Closs为网损惩罚成本。
为便于用求解器计算，上述目标函数可以转化为min形式：
min C＝-P (26)
此为确定性模型，计及光伏出力的不确定性后，可将模型表述为如下形式：
Figure BDA0003543291830000111
其中，E(*)表示求参数的期望值，Nsc为光伏出力可能性场景数，psc为相应场景发生的概率，Csc为对应的原确定性模型在该场景下的目标函数值。
第一预测模块用于根据当地气象数据预测调度范围内光伏电站的出力数据。
当地气象数据通过通信系统从当地或远程的气象数据服务器获取，在得到气象数据后基于光伏电站的发电参数进行预测，从而得到该调度范围内光伏电站的处力数据。本申请的光伏电站包括分布式光伏电站和集中式光伏电站。
数据集构建模块用于根据历史出力数据计算次日的不确定性置信度集。
根据预先收集的光伏电站，即集中式光伏电站和分布式光伏电站的历史出力数据，对上述历史出力数据进行计算，得到次日相应光伏电站的光伏出力的不确定性置信度集。
本文采用基于数据驱动的分布式鲁棒方法来描述光伏出力不确定性，利用风光出力的历史数据构建关于psc分布的置信度集ψ，使得psc可能服从的任意分布均位于ψ中。
该模块包括聚类处理单元和构建执行单元，聚类处理单元用于选取大量光伏出力的历史数据进行聚类，得到有限的Nsc个光伏出力场景及其对应的初始概率
Figure BDA0003543291830000112
构建执行单元用于选取合适的置信度水平，利用距离度量约束psc的分布，完成置信度集的构建，本文同时采用1-范数和∞-范数作为距离度量约束：
Figure BDA0003543291830000113
式中，psc为Nsc维向量，包含Nsc个场景的概率分布，
Figure BDA0003543291830000121
为Nsc维向量，包含Nsc个场景的初始概率分布(基于历史数据获得)，θ1与θ∞分别为1-范数和∞-范数对应约束下的概率偏差限值。
利用上述分布式鲁棒方法处理光伏出力不确定性后，模型目标函数转化为：
Figure BDA0003543291830000122
本申请的响应激励策略包括可削减负荷控制策略、可转移负荷控制策略和可平移负荷控制策略。
可削减负荷控制策略：可削减负荷可承受一定中断或降功率、减少时间运行的负荷，根据供需情况对其进行部分或全部削减，由于可削减负荷灵活度极高，故对其而言除上下限约束外无其他约束：
ΔPmin(i,k)<＝ΔP(i,k)<＝ΔPmax(i,k)i＝1,2...,k＝1,2...,T (30)
式中，ΔP(i,k)为节点i在k时段的负荷变化量，ΔPmin(i,k)和ΔPmax(i,k)分别为该节点在该时段负荷变化量的下限与上限，T为调度时段总数。
可转移负荷控制策略：可转移负荷在一个调度周期内所需要的总电能不变，但各时段的用电功率可以在一定范围内波动，相较于可削减负荷只考虑上下限的约束，可转移负荷的控制策略增加了对负荷变动总量的约束：
Figure BDA0003543291830000123
可平移负荷控制策略：可平移负荷需要整体平移，而其用电持续时间常常跨越多个调度时段，除计及上述可削减负荷、可转移负荷的控制策略外，对可平移负荷采用的控制策略，假设调度周期为T个时段，对负荷节点i引入整型变量τ(i)表征可平移负荷平移后的起始时段。对每个负荷节点的可平移负荷，原始负荷的持续时间为D(i)，其处于运行状态的时段集合为on_ini(i)＝[o1(i),o2(i)..o.D(i)]，各时段的负荷功率为Pini(i,k)，原始负荷起始时段为tst(i)，可接受的移入时段区间为[t1(i),t2(i)...tend(i)]，则可接受的平移后起始时段集合Sshift＝[t1(i),t2(i),...tend(i)-D(i)]Utst(i)。由以上的已知数据，可对节点i的可平移负荷提出相关控制策略：
τ(i)∈Sshift (32)
ΔPin(i,k)∈Pini(i,:) (33)
ΔPin(i,τ(i):τ(i)+D(i)-1)＝Pload(i,on_ini(i,1:D)) (34)
Figure BDA0003543291830000131
式中，ΔPin(i,k)为节点i在k时段的移入负荷；·(i,a:b)为某矩阵·的第i行第a列到第b列元素，·(i,:)为某矩阵·的第i行全部元素。上述控制策略中的(9)、(10)、(11)共同约束了负荷只能平移不能随意转移、分散。
故而可以得出节点可平移负荷各时段的负荷变化量：
ΔP(i,k)＝ΔPin(i,k)-Pload(i,k) (36)
第二预测模块用于依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线。
当地负荷水平是指前述调度范围内的所有用电用户的负荷水平，基于该历史负荷数据进行预测，得到调度周期内的负荷曲线，该调度周期可以按日、周或月。
数据收集模块用于收集电力大用户的负荷类型、响应时段以及响应裕度。
这里的电力大用户是指上述调度范围内能够参与响应的对负荷产生较大影响的工业用户或其他用户。负荷类型是指用电设备的类型，响应时段是指能够参与响应的时间，响应裕度是指能够参与响应的设备的调节范围。
优化执行模块用于以经济性最优为目标执行需求响应方案。
以经济性最优为目标，并根据上述需求响应激励策略，利用调度模型对出力数据、不确定性置信度集、负荷曲线、负荷类型、响应时段以及响应裕度进行计算，得到能够有效实现削峰填谷、并避免光伏出力高峰期配网电压越限的配电网需求响应调度运行方案。
本申请的调度模型的目标函数：
max P＝Pload-(Csub+CPV+CDG+CDR+Closs) (37)
其中Pload为向用户收取的电费，Csub为向上级电网购电费用，CPV及CDG分别为向集中式光伏电站及分布式光伏购电费用，CDR为需求响应支出费用，Closs为网损惩罚成本。
为便于用求解器计算，将上述目标函数转化为min形式：
min C＝-P (38)
此为确定性模型，计及光伏出力的不确定性后，可将模型表述为如下形式：
Figure BDA0003543291830000141
调度母线的约束条件如下：
1)配网dist-flow约束
Figure BDA0003543291830000142
Figure BDA0003543291830000143
Figure BDA0003543291830000144
I2(j,k)U2(i,k)＝P2(j,k)+Q2(j,k) (43)
其中j→i表示所有注入i节点的线路集合，i→m表示所有流出i节点的线路集合；P(j,k)、Q(j,k)为线路j在时段k的有功、无功传输功率；I(j,k)线路j在时段k的传输电流，rij、xij为节点i与节点j之间的线路阻抗；U(i,k)为i节点在时段k的电压模值。
上述约束条件(19)非凸，引入中间变量i(j,k)＝I2(j,k)、u(i,k)＝U2(i,k)进行二阶锥松弛后化为下式：
Figure BDA0003543291830000145
锥优化是线性优化的一种推广，由于凸锥具有的特定的几何结构和特殊的处理方式，在求解优化问题时具有求解速度较快，效率高等优点，而且可以保证求解的最优性。锥优化是线性空间中凸锥上的数学规划，其对优化问题的数学模型有着较为严格的限制：即锥优化的目标函数必须是决策变量的线性函数，约束条件由线性等式或不等式以及非线性二阶锥或旋转锥构成。
2)配网安全运行约束及平衡节点电压约束
0≤I(j,k)≤Imax (45)
0≤U(i,k)≤Umax (46)
U(nb,k)＝Ub (47)
其中，nb为平衡节点的节点标号，Ub为平衡节点的电压标准值。
3)需求响应量约束
ΔPmin(i,k)≤ΔP(i,k)≤ΔPmax(i,k) (48)
其中，ΔPmin(i,k)、ΔPmax(i,k)分别为节点i在k时段的需求响应下限、上限值。
4)多种响应模式控制策略约束。
针对可削减负荷、可转移负荷与可平移负荷，分别有相对应的约束条件来执行其控制策略，如前小节所述。
从上述技术方案可以看出，本申请提供了一种配电网需求响应调度运行方案的优化处理方法，具体为建立考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略；根据当地气象数据预测调度范围内光伏电站的出力数据；根据光伏电站的历史出力数据，计算次日光伏电站的光伏出力的不确定性置信度集；依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；收集调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；以经济性最优为目标，并根据需求响应激励策略，利用调度模型对处理数据、不确定性置信度集、负荷曲线、负荷类型、响应时段以及响应裕度进行计算，得到配电网需求响应调度运行方案。相比于现有方案，本申请得到的调度运行方案能够使配电网的负荷曲线得到明显改善。
在本申请的一个具体实施方式中，还包括方案下发模块70，如图5所示：
方案下发模块用于向电力大用户下发配电网需求响应调度运行方案。
通过下发该调度运行方案，以使电力大用户按该调度运行方案执行，以便实现对负荷曲线的改善。
在本申请的另一个具体实施方式中，还包括反馈收集模块80，如图6所示。
反馈收集模块用于收集电力大用户的反馈信息。
即收集电力大用户通过对该调度运行方案的运行结果，确定是否能够满足削峰填谷需求，若满足则完成本次优化处理过程；否则，则返回到前面依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线步骤，实现对调度运行方案的再次优化处理。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个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。

Claims (10)

1.一种配电网需求响应调度运行方案的优化处理方法，其特征在于，所述优化处理方法包括步骤：
建立考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略；
根据当地气象数据预测调度范围内光伏电站的出力数据；
根据所述光伏电站的历史出力数据，计算次日所述光伏电站的光伏出力的不确定性置信度集；
依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；
收集所述调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；
以经济性最优为目标，并根据所述需求响应激励策略，利用所述调度模型对所述出力数据、所述不确定性置信度集、所述负荷曲线、所述负荷类型、所述响应时段以及所述响应裕度进行计算，得到配电网需求响应调度运行方案。
2.如权利要求1所述的优化处理方法，其特征在于，所述需求响应策略包括可削减负荷控制策略、可转移负荷控制策略和可平移负荷控制策略。
3.如权利要求1所述的优化处理方法，其特征在于，所述不确定性置信度集通过如下步骤得到：
选取所述历史出力数据进行聚类，得到有限个数光伏出力场景及其对应的初始概率；
选取置信度水平，利用距离度量约束的分布，完成所述不确定性置信度集的构建。
4.如权利要求1～3任一项所述的优化处理方法，其特征在于，还包括步骤：
向所述电力大用户下方所述配电网需求响应调度运行方案。
5.如权利要求4所述的优化处理方法，其特征在于，还包括步骤：
获取所述电力大用户对所述配电网需求响应调度运行方案执行后的反馈信息，如反馈不能满足削峰填谷需求，则重新对配电网需求响应调度方案再次进行优化。
6.一种配电网需求响应调度运行方案的优化处理装置，其特征在于，所述优化处理装置包括：
模型构建模块，被配置为建立考虑分布式电源与多元负荷互动模式的配电网需求响应的调度模型，并确定需求响应激励策略；
第一预测模块，被配置为根据当地气象数据预测调度范围内光伏电站的出力数据；
数据集构建模块，被配置为根据所述光伏电站的历史出力数据，计算次日所述光伏电站的光伏出力的不确定性置信度集；
第二预测模块，被配置为依据当地负荷水平及历史负荷数据预测调度周期内的负荷曲线；
数据收集模块，被配置为收集所述调度范围内的电力大用户能够参与需求响应的负荷类型、响应时段以及响应裕度；
优化执行模块，被配置为以经济性最优为目标，并根据所述需求响应激励策略，利用所述调度模型对所述出力数据、所述不确定性置信度集、所述负荷曲线、所述负荷类型、所述响应时段以及所述响应裕度进行计算，得到配电网需求响应调度运行方案。
7.如权利要求6所述的优化处理装置，其特征在于，所述需求响应策略包括可削减负荷控制策略、可转移负荷控制策略和可平移负荷控制策略。
8.如权利要求6所述的优化处理装置，其特征在于，所述数据集构建模块包括：
聚类处理单元，用于选取所述历史出力数据进行聚类，得到有限个数光伏出力场景及其对应的初始概率；
构建执行单元，用于选取置信度水平，利用距离度量约束的分布，完成所述不确定性置信度集的构建。
9.如权利要求6～8任一项所述的优化处理装置，其特征在于，还包括：
方案下发模块，被配置为向所述电力大用户下方所述配电网需求响应调度运行方案。
10.如权利要求9所述的优化处理装置，其特征在于，还包括：
反馈收集模块，被配置为获取所述电力大用户对所述配电网需求响应调度运行方案执行后的反馈信息，如反馈不能满足削峰填谷需求，则重新对配电网需求响应调度方案再次进行优化。
CN202210242806.6A 2022-03-11 2022-03-11 一种配电网需求响应调度运行方案的优化处理方法和装置 Pending CN114626603A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210242806.6A CN114626603A (zh) 2022-03-11 2022-03-11 一种配电网需求响应调度运行方案的优化处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210242806.6A CN114626603A (zh) 2022-03-11 2022-03-11 一种配电网需求响应调度运行方案的优化处理方法和装置

Publications (1)

Publication Number Publication Date
CN114626603A true CN114626603A (zh) 2022-06-14

Family

ID=81902543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210242806.6A Pending CN114626603A (zh) 2022-03-11 2022-03-11 一种配电网需求响应调度运行方案的优化处理方法和装置

Country Status (1)

Country Link
CN (1) CN114626603A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115377990A (zh) * 2022-10-24 2022-11-22 国网浙江省电力有限公司宁波市北仑区供电公司 配电网网架优化方法、系统、配电网、设备及介质
CN115936260A (zh) * 2023-01-13 2023-04-07 智光研究院(广州)有限公司 虚拟电厂用户储能调度方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115377990A (zh) * 2022-10-24 2022-11-22 国网浙江省电力有限公司宁波市北仑区供电公司 配电网网架优化方法、系统、配电网、设备及介质
CN115936260A (zh) * 2023-01-13 2023-04-07 智光研究院(广州)有限公司 虚拟电厂用户储能调度方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Luo et al. Optimal home energy management system with demand charge tariff and appliance operational dependencies
Celik et al. Decentralized neighborhood energy management with coordinated smart home energy sharing
CN107301470B (zh) 一种配电网扩展规划与光储选址定容的双层优化方法
Zhou et al. Game-theoretical energy management for energy Internet with big data-based renewable power forecasting
Dehnavi et al. Optimal pricing in time of use demand response by integrating with dynamic economic dispatch problem
Sandgani et al. Energy management in a network of grid-connected microgrids/nanogrids using compromise programming
Mondal et al. Distributed home energy management system with storage in smart grid using game theory
Zheng et al. Distributed optimal residential demand response considering operational constraints of unbalanced distribution networks
Xie et al. Use of demand response for voltage regulation in power distribution systems with flexible resources
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
CN114626603A (zh) 一种配电网需求响应调度运行方案的优化处理方法和装置
Lim et al. Optimal allocation of energy storage and solar photovoltaic systems with residential demand scheduling
Khalili et al. Impact study of demand response program on the resilience of dynamic clustered distribution systems
Li et al. Two-stage community energy trading under end-edge-cloud orchestration
Liu et al. Research on cloud energy storage service in residential microgrids
Tumuluru et al. Integrating price responsive demand into the unit commitment problem
Lee et al. Cooperative decentralized peer‐to‐peer electricity trading of nanogrid clusters based on predictions of load demand and PV power generation using a gated recurrent unit model
Zheng et al. Stochastic programming model for incentive‐based demand response considering complex uncertainties of consumers
Tan et al. Joint scheduling optimization of virtual power plants and equitable profit distribution using shapely value theory
Fang et al. Energy management strategy based on energy storage equalization technology and transferable load
CN111193293A (zh) 配电网协调多主体调度处理方法及装置
Banfield et al. Comparison of economic model predictive control and rule‐based control for residential energy storage systems
CN113052719B (zh) 一种考虑需求响应的数据中心数据服务定价方法及装置
Sharifinia et al. Extended Kalman filter-based approach for nodal pricing in active distribution networks
Li et al. Deep reinforcement learning based explainable pricing policy for virtual storage rental service

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