CN115528687B - 一种有限成本约束下的电力系统柔性响应能力优化方法 - Google Patents

一种有限成本约束下的电力系统柔性响应能力优化方法 Download PDF

Info

Publication number
CN115528687B
CN115528687B CN202211486595.7A CN202211486595A CN115528687B CN 115528687 B CN115528687 B CN 115528687B CN 202211486595 A CN202211486595 A CN 202211486595A CN 115528687 B CN115528687 B CN 115528687B
Authority
CN
China
Prior art keywords
power
constraint
function
response
representing
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
CN202211486595.7A
Other languages
English (en)
Other versions
CN115528687A (zh
Inventor
樊立攀
禹文静
彭涛
张�成
徐琰
明东岳
魏伟
邱艳
杜磊
殷明凯
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 Electric Vehicle Service Hubei Co ltd
Metering Center of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Electric Vehicle Service Hubei Co ltd
Metering Center of State Grid Hubei 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 Electric Vehicle Service Hubei Co ltd, Metering Center of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Electric Vehicle Service Hubei Co ltd
Priority to CN202211486595.7A priority Critical patent/CN115528687B/zh
Publication of CN115528687A publication Critical patent/CN115528687A/zh
Application granted granted Critical
Publication of CN115528687B publication Critical patent/CN115528687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (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

本申请涉及一种有限成本约束下的电力系统柔性响应能力优化方法，包括以下具体步骤：开展有限成本约束分析，基于高斯概率密度函数构建竞价函数，计算响应所需要抑制的电力总量，通过单次功率调节执行率，计算需求响应抑制因子，结合电力总量和执行率形成有限成本约束条件；构建电力紧急需求响应模型；根据电力紧急需求响应模型，在确定性模型中，以针对性的变量复制得到对偶目标的函数值，将最小运行成本的目标函数求解为基本条件，通过反复迭代形成电力系统柔性响应能力优化算法。本申请优化电力紧急需求响应模型求解结果，为减少电力成本，优化柔性响应能力提供帮助。

Description

一种有限成本约束下的电力系统柔性响应能力优化方法
技术领域
本申请涉及电力需求侧管理经济性分析领域，尤其涉及一种有限成本约束下的电力系统柔性响应能力优化方法。
背景技术
在现代能源危机的背景下，我国时刻面临着用电紧张的情况，因此使用可再生能源接入电网就成为了一个可以被接受的解决方法。但是风能、水能、太阳能等可再生能源具备间歇性存在的缺点，无法时刻为电力系统提供电能，这就导致了有一些时段，电力供应较为充足，但是还有一些时段，电力匮乏。而用户对于电力的需求是存在时间上的周期性变化的。目前响应优化机制存在决策过程冗余、控制效果较差和整体效果受限等因素制约，体应用效果受限。因此对柔性响应能力优化的研究迫在眉睫。
发明内容
本申请实施例的目的在于提供一种有限成本约束下的电力系统柔性响应能力优化方法，优化电力紧急需求响应模型求解结果，为减少电力成本，优化柔性响应能力提供帮助。
为实现上述目的，本申请提供如下技术方案：
本申请实施例提供一种有限成本约束下的电力系统柔性响应能力优化方法，包括以下具体步骤：
S1.开展有限成本约束分析，基于高斯概率密度函数构建竞价函数，计算响应所需要抑制的电力总量，通过单次功率调节执行率，计算需求响应抑制因子，结合电力总量和执行率形成有限成本约束条件；
S2.构建电力紧急需求响应模型，通过有限成本约束条件，对用户的实际监测数据进行特征识别，计算负荷匹配特征，设计最小运行成本的目标函数，形成一种电力紧急需求响应模型；
S3.设计电力系统柔性响应能力优化算法，根据电力紧急需求响应模型，在确定性模型中，以针对性的变量复制得到对偶目标的函数值，将最小运行成本的目标函数求解为基本条件，通过反复迭代形成电力系统柔性响应能力优化算法。
所述步骤S1中以所报电价为最低点，在高斯概率密度函数中，以数据中心的月度报价作为竞争模型，得到竞价函数，从而计算竞价响应所需要抑制的电力总量，作为约束的判别条件之一，竞价函数如公式（1）所示：
Figure 660578DEST_PATH_IMAGE001
（1）
式中，
Figure 225813DEST_PATH_IMAGE002
表示数据中心月度报价的竞争函数；
Figure 752610DEST_PATH_IMAGE003
表示分布幅度的标准差；
Figure 952647DEST_PATH_IMAGE004
表示电力公司抑制用电的期望值；
Figure 273907DEST_PATH_IMAGE005
表示需求响应因子作用下的高斯概率密度；
Figure 851738DEST_PATH_IMAGE006
表示尖峰报价的分布位置；e为自然对数。
所述单次功率调节执行率计算公式为：
Figure 651067DEST_PATH_IMAGE007
（2）
式中，
Figure 236769DEST_PATH_IMAGE008
表示数据衡量中心单次功率调节的执行率；
Figure 728930DEST_PATH_IMAGE009
表示单位时段内执行需求的基准措施所需容量；
Figure 268758DEST_PATH_IMAGE010
表示数据中心需求响应的平均功率；
Figure 871778DEST_PATH_IMAGE011
表示契约内电力响应容量的最小值，结合单次抑制率，计算需求响应抑制因子，作为约束判别条件之二，如公式（3）所示：
Figure 577565DEST_PATH_IMAGE012
（3）
式中，
Figure 975049DEST_PATH_IMAGE013
表示控制变量影响下实际用电量的需求响应抑制因子；
Figure 267752DEST_PATH_IMAGE014
表示单次需求响应的执行参数。
所述步骤S2中，构建电力紧急需求响应模型具体为，
对用户的实际监测数据进行特征识别得到两个相邻的特征点；
计算两个特征点之间的可信度，计算负荷特征的三重匹配特征，实现最低成本下的目标负荷分解；
结合现实可再生能源下的不确定性因素，解决随机变量的过程中完成决策结果的约束；
在终端的函数比中，得到最小运行成本的目标函数，形成一种电力紧急需求响应模型。
所述步骤S3中，
得到电力系统响应的最优解：
Figure 408883DEST_PATH_IMAGE015
（4）
式中，
Figure 969178DEST_PATH_IMAGE016
表示电力系统柔性响应的函数值；
Figure 537562DEST_PATH_IMAGE017
表示潮流约束参数；
Figure 317562DEST_PATH_IMAGE018
表示不同时段内的调用函数。
与现有技术相比，本发明的有益效果是：1）该方法解决了传统方法在响应能力优化方法的单一性，将优化方法分为有限成本约束和优化柔性响应能力两方面，优化电力紧急需求响应模型求解结果，为减少电力成本，优化柔性响应能力提供帮助。
2）该方法优化算法将决策过程分为不同时段，将最小运行成本的目标函数求解为基本条件，通过反复迭代的方法，进一步降低决策过程的冗余度和复杂度，在同样的日内用电总量下，本方法可以增大用电低谷期的电力用量，同步减少用电高峰期的电量使用，进而成功的减少电力成本。在用电高峰期，本方法可以减少该时段内的负荷功率，使其相比于同时期的其他算法用电更少。在用电低谷期内，该方法也同样能够增大负荷总功率，使其在该时段内的用电量增加。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本申请实施例方法流程示意图；
图2是本申请实施例电力系统柔性响应能力优化框架图；
图3是本申请实施例表示设计电力系统柔性响应能力优化算法流程示意图；
图4是本申请实施例小区居民在24h内的非柔性负荷与可中断负荷占比示意图；
图5是本申请实施例日内电力系统柔性响应能力优化方法将其与现有的成本与收益摊配方法、多层博弈方法、AE-MFCM技术、成本约束方法在用电高峰期仿真分析对比图；
图6是本申请实施例日内电力系统柔性响应能力优化方法将其与现有的成本与收益摊配方法、多层博弈方法、AE-MFCM技术、成本约束方法在用电低谷期仿真分析对比图；
图7是本申请实施例日内电力系统柔性响应能力优化方法将其与现有的成本与收益摊配方法、多层博弈方法、AE-MFCM技术、成本约束方法在一般用电时期仿真分析对比图；
图8是本申请实施例年内电力系统柔性响应能力优化方法将其与现有的成本与收益摊配方法、多层博弈方法、AE-MFCM技术、成本约束方法在用电高峰期仿真分析对比图；
图9是本申请实施例年内电力系统柔性响应能力优化方法将其与现有的成本与收益摊配方法、多层博弈方法、AE-MFCM技术、成本约束方法在用电低谷期仿真分析对比图。
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描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
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、物品或者设备中还存在另外的相同要素。
请参阅图1所示，本申请实施例提供一种有限成本约束下的电力系统柔性响应能力优化方法，包括以下具体步骤：
S1.开展有限成本约束分析，基于高斯概率密度函数构建竞价函数，计算响应所需要抑制的电力总量。通过单次功率调节执行率，计算需求响应抑制因子，结合总量和单次执行率形成有限成本约束条件。
S2.构建电力紧急需求响应模型。通过有限成本约束条件，对用户的实际监测数据进行特征识别，计算负荷匹配特征，设计最小运行成本的目标函数，形成一种电力紧急需求响应模型。
S3.设计电力系统柔性响应能力优化算法。根据电力紧急需求响应模型，在确定性模型中，以针对性的变量复制得到对偶目标的函数值，将最小运行成本的目标函数求解为基本条件，通过反复迭代形成电力系统柔性响应能力优化算法。
如图2所示，将响应能力优化方法分为有限成本约束和优化柔性响应能力两方面，基于高斯概率密度函数，得到响应抑制因子，计算不同数据特征之间的差异程度和两个特征点之间的可信度，重点分析随机变量过程中的约束条件成立概率，优化电力紧急需求响应模型求解结果，为减少电力成本，优化柔性响应能力提供帮助。
所述步骤S1中以所报电价为最低点，在高斯概率密度函数中，以数据中心的月度报价作为竞争模型，得到竞价函数，从而计算竞价响应所需要抑制的电力总量，作为约束的判别条件之一，竞价函数如公式（1）所示：
Figure 262384DEST_PATH_IMAGE001
（1）
式中，
Figure 677185DEST_PATH_IMAGE002
表示数据中心月度报价的竞争函数；
Figure 682050DEST_PATH_IMAGE003
表示分布幅度的标准差；
Figure 943486DEST_PATH_IMAGE004
表示电力公司抑制用电的期望值；
Figure 160841DEST_PATH_IMAGE005
表示需求响应因子作用下的高斯概率密度；
Figure 430148DEST_PATH_IMAGE006
表示尖峰报价的分布位置；e为自然对数。
所述步骤S1中为平衡电力系统的功率损耗，需要将抑制因子作为需求响应的参数，实施抑制因子单次抑制率的求取，其计算公式为：
Figure 605914DEST_PATH_IMAGE007
（2）
式中，
Figure 94927DEST_PATH_IMAGE008
表示数据衡量中心单次功率调节的执行率；
Figure 381552DEST_PATH_IMAGE009
表示单位时段内执行需求的基准措施所需容量；
Figure 567682DEST_PATH_IMAGE010
表示数据中心需求响应的平均功率；
Figure 478132DEST_PATH_IMAGE011
表示契约内电力响应容量的最小值。结合单次抑制率，可以计算需求响应抑制因子，作为约束判别条件之二，如公式（3）所示：
Figure 952976DEST_PATH_IMAGE012
（3）
式中，
Figure 607073DEST_PATH_IMAGE013
表示控制变量影响下实际用电量的需求响应抑制因子；
Figure 850973DEST_PATH_IMAGE014
表示单次需求响应的执行参数。
所述步骤S2中要基于有限成本约束理念建立电力紧急需求响应模型，首先需要对用户的实际监测数据进行特征识别，通过长度波形完成一维向量的计算：
Figure 871273DEST_PATH_IMAGE019
（4）
式中，
Figure 725091DEST_PATH_IMAGE020
表示不同特征点内特征波形向量的欧式距离，其中
Figure 150256DEST_PATH_IMAGE021
和
Figure 750127DEST_PATH_IMAGE022
表示两个相邻的特征点；
Figure 500914DEST_PATH_IMAGE023
表示欧式距离衡量特征的差异程度。在该公式内，
Figure 950350DEST_PATH_IMAGE024
，
Figure 415091DEST_PATH_IMAGE025
，通过该公式，计算不同数据特征之间的差异程度，
Figure 899162DEST_PATH_IMAGE020
取值范围为[0，1]，
Figure 24113DEST_PATH_IMAGE020
越接近1，两个数据之间的差异性越小，反之二者之间的差异性越大。
计算两个特征点之间的可信度，可以得到计算公式：
Figure 190871DEST_PATH_IMAGE026
（5）
式中，
Figure 754577DEST_PATH_IMAGE027
表示各模版可信度的最大值。在该公式下，计算负荷特征的三重匹配特征（目标函数 目标格式 检验约束条件），实现最低成本下的目标负荷分解。结合现实可再生能源下的不确定性因素，解决随机变量的过程中完成决策结果的约束：
Figure 329040DEST_PATH_IMAGE028
（6）
式中，
Figure 437941DEST_PATH_IMAGE029
表示该决策结果中的目标函数，其中
Figure 861969DEST_PATH_IMAGE030
表示函数的决策向量，
Figure 934093DEST_PATH_IMAGE031
表示函数的随机向量；
Figure 498148DEST_PATH_IMAGE032
表示约束条件的目标数量；
Figure 699323DEST_PATH_IMAGE033
表示不包括随机参数的目标格式；
Figure 236745DEST_PATH_IMAGE034
表示智能优化算法下随机模拟的检验约束条件；
Figure 548778DEST_PATH_IMAGE035
一般表示约束条件成立的概率。在终端的函数比中，可以得到最小运行成本的目标函数：
Figure 861948DEST_PATH_IMAGE036
式中，
Figure 532226DEST_PATH_IMAGE037
表示电力模型内系统运行的最小负荷；
Figure 930846DEST_PATH_IMAGE038
和
Figure 604492DEST_PATH_IMAGE039
分别表示电力系统内非柔性负荷、可中断负荷、可调节负荷以及可转移负荷的值；
Figure 772168DEST_PATH_IMAGE040
表示常规机组在可中断负荷内实际控制的用户数量；
Figure 580724DEST_PATH_IMAGE041
表示模型约束在系统内的负荷预测指标；
Figure 935482DEST_PATH_IMAGE042
表示柔性负荷在中断状态下的变量；
Figure 418678DEST_PATH_IMAGE043
表示柔性负荷在持续状态下的变量；
Figure 909702DEST_PATH_IMAGE044
表示系统功率的平衡值；
Figure 984100DEST_PATH_IMAGE045
表示系统总发电量的分布函数。
所述步骤S3中将设计算法的决策过程分为不同时段，筛选不确定因素后，输入初始的影响用电负荷柔性响应能力的参数，计算用电负荷功率响应结果。图3本申请实施例在设计电力系统柔性响应能力优化算法流程示意图。在确定性模型中，以针对性的变量复制得到对偶目标的函数值，将最小运行成本的目标函数求解为基本条件，通过反复迭代的方法，降低决策过程的冗余度和复杂度。
在确定性模型中，以针对性的变量复制得到对偶目标的函数值，将最小运行成本的目标函数求解为基本条件，即整体置信度最大，通过反复迭代的方法，降低决策过程的冗余度和复杂度，得到电力系统响应的最优解：
Figure 622892DEST_PATH_IMAGE046
（8）
式中，
Figure 345997DEST_PATH_IMAGE016
表示电力系统柔性响应的函数值；
Figure 192993DEST_PATH_IMAGE017
表示潮流约束参数；
Figure 343351DEST_PATH_IMAGE018
表示不同时段内的调用函数。
图4是本申请实施例小区居民在24h内的非柔性负荷与可中断负荷占比示意图。其结果是居民的非柔性负荷与可中断负荷均存在一定的周期性规律。其在4时前后的用电负荷普遍偏小，在8时-18时逐渐增长到最大值，又在18时-4时逐渐滑落至用电负荷的最低值。为保证居民节约用电，设定了三种不同的电价类型，将电力的价格分为三个时段，用电高峰期（14：00-22：00）的电价为0.65元/kW·h，用电低谷期（22：00-6：00）的电价为0.20元/kW·h，一般的用电时期（6：00-14：00）电力价格为0.45元/kW·h。
图5至图7是是本申请实施例日内电力系统柔性响应能力优化方法将其与现有的成本与收益摊配方法、多层博弈方法、AE-MFCM技术、成本约束方法。仿真算分析对比图，图5为用电高峰、图6为用电低谷、图7为一般用电时期。本方法可以有效束缚用电高峰期的电力负荷，使其在该时段内减少用电量。在用电低谷期，其他方法下的电力负荷均较低，有限成本约束方法却使用了较大的电量，在一般用电时期，四种响应能力优化方法很难分清其用电负荷的能力。因此可知，在同样的日内用电总量下，本文设计的优化方法可以增大用电低谷期的电力用量，同步减少用电高峰期的电量使用，进而成功的减少电力成本。
图8至图9是本申请实施例年内电力系统柔性响应能力优化方法将其与现有的成本与收益摊配方法、多层博弈方法、AE-MFCM技术、成本约束方法。仿真算分析对比图，图8为用电高峰期、图9为用电低谷期；在一年之内，夏季（6月-8月）和冬季（12月-2月）为用电的高峰期，春季（3月-5月）和秋季（9月-11月）为用电的低谷期，分析12个月内的负荷功率，可以明显看出，在用电高峰期，本文设计的有限成本约束算法可以减少该时段内的负荷功率，使其相比于同时期的其他算法用电更少。在用电低谷期内，该算法也同样能够增大负荷总功率，使其在该时段内的用电量增加。
本申请更加符合工作实际，在日内总用电量不变的情况下，可以增大用电低谷期的电力用量，同步减少用电高峰期的电量使用，进而成功的减少电力成本，在年度用电高峰期，可以减少该时段内的负荷功率，使其相比于同时期的其他算法用电更少。在用电低谷期内，该算法也同样能够增大负荷总功率，使其在该时段内的用电量增加。因而更具有实际意义。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种有限成本约束下的电力系统柔性响应能力优化方法，其特征在于，包括以下具体步骤：
S1.开展有限成本约束分析，基于高斯概率密度函数构建竞价函数，计算响应所需要抑制的电力总量，通过单次功率调节执行率，计算需求响应抑制因子，结合电力总量和执行率形成有限成本约束条件；
S2.构建电力紧急需求响应模型，通过有限成本约束条件，对用户的实际监测数据进行特征识别，计算负荷匹配特征，设计最小运行成本的目标函数，形成一种电力紧急需求响应模型；
S3.设计电力系统柔性响应能力优化算法，根据电力紧急需求响应模型，在确定性模型中，以针对性的变量复制得到对偶目标的函数值，将最小运行成本的目标函数求解为基本条件，通过反复迭代形成电力系统柔性响应能力优化算法。
2.根据权利要求1所述的一种有限成本约束下的电力系统柔性响应能力优化方法，其特征在于，所述步骤S1中以所报电价为最低点，在高斯概率密度函数中，以数据中心的月度报价作为竞争模型，得到竞价函数，从而计算竞价响应所需要抑制的电力总量，作为约束的判别条件之一，竞价函数如公式（1）所示：
Figure DEST_PATH_IMAGE001
（1）
式中，
Figure 71130DEST_PATH_IMAGE002
表示数据中心月度报价的竞争函数；
Figure DEST_PATH_IMAGE003
表示分布幅度的标准差；
Figure 709047DEST_PATH_IMAGE004
表示电力公司抑制用电的期望值；
Figure DEST_PATH_IMAGE005
表示需求响应因子作用下的高斯概率密度；
Figure 152885DEST_PATH_IMAGE006
表示尖峰报价的分布位置；e为自然对数。
3.根据权利要求2所述的一种有限成本约束下的电力系统柔性响应能力优化方法，其特征在于，所述单次功率调节执行率计算公式为：
Figure DEST_PATH_IMAGE007
（2）
式中，
Figure 869038DEST_PATH_IMAGE008
表示数据衡量中心单次功率调节的执行率；
Figure DEST_PATH_IMAGE009
表示单位时段内执行需求的基准措施所需容量；
Figure 720581DEST_PATH_IMAGE010
表示数据中心需求响应的平均功率；
Figure DEST_PATH_IMAGE011
表示契约内电力响应容量的最小值，结合单次抑制率，计算需求响应抑制因子，作为约束判别条件之二，如公式（3）所示：
Figure 559093DEST_PATH_IMAGE012
（3）
式中，
Figure DEST_PATH_IMAGE013
表示控制变量影响下实际用电量的需求响应抑制因子；
Figure 27246DEST_PATH_IMAGE014
表示单次需求响应的执行参数。
4.根据权利要求1所述的一种有限成本约束下的电力系统柔性响应能力优化方法，其特征在于，所述步骤S2中，构建电力紧急需求响应模型具体为，
对用户的实际监测数据进行特征识别得到两个相邻的特征点；
计算两个特征点之间的可信度，计算负荷特征的三重匹配特征，实现最低成本下的目标负荷分解；
结合现实可再生能源下的不确定性因素，解决随机变量的过程中完成决策结果的约束；
在终端的函数比中，得到最小运行成本的目标函数，形成一种电力紧急需求响应模型。
5.根据权利要求1所述的一种有限成本约束下的电力系统柔性响应能力优化方法，其特征在于，所述步骤S3中，
得到电力系统响应的最优解：
Figure DEST_PATH_IMAGE015
（4）
式中，
Figure 642029DEST_PATH_IMAGE016
表示电力系统柔性响应的函数值；
Figure DEST_PATH_IMAGE017
表示潮流约束参数；
Figure 466854DEST_PATH_IMAGE018
表示不同时段内的调用函数。
CN202211486595.7A 2022-11-25 2022-11-25 一种有限成本约束下的电力系统柔性响应能力优化方法 Active CN115528687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211486595.7A CN115528687B (zh) 2022-11-25 2022-11-25 一种有限成本约束下的电力系统柔性响应能力优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211486595.7A CN115528687B (zh) 2022-11-25 2022-11-25 一种有限成本约束下的电力系统柔性响应能力优化方法

Publications (2)

Publication Number Publication Date
CN115528687A CN115528687A (zh) 2022-12-27
CN115528687B true CN115528687B (zh) 2023-02-03

Family

ID=84705038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211486595.7A Active CN115528687B (zh) 2022-11-25 2022-11-25 一种有限成本约束下的电力系统柔性响应能力优化方法

Country Status (1)

Country Link
CN (1) CN115528687B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110401210A (zh) * 2019-07-22 2019-11-01 国网天津市电力公司 需求响应参与下风电储能系统调度方法
CN112396301A (zh) * 2020-11-05 2021-02-23 国网天津市电力公司 基于能源大数据驱动的电力用户需求响应特性控制方法
CN112488447A (zh) * 2020-11-02 2021-03-12 青海大学 一种基于需求响应合同的数据中心的功耗调控方法及系统
CN114154900A (zh) * 2021-12-09 2022-03-08 国网电子商务有限公司 供电控制方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110401210A (zh) * 2019-07-22 2019-11-01 国网天津市电力公司 需求响应参与下风电储能系统调度方法
CN112488447A (zh) * 2020-11-02 2021-03-12 青海大学 一种基于需求响应合同的数据中心的功耗调控方法及系统
CN112396301A (zh) * 2020-11-05 2021-02-23 国网天津市电力公司 基于能源大数据驱动的电力用户需求响应特性控制方法
CN114154900A (zh) * 2021-12-09 2022-03-08 国网电子商务有限公司 供电控制方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Construction of New Intelligent Power Demand Side Revenue Control System;lipan fan;《2022 The 4th International Conference on Power and Energy Technology》;20221019;1318-1322页，全文 *
考虑需求侧竞价的含风电电力系统经济调度;杨丽君等;《燕山大学学报》;20180930(第05期);174-21页，全文 *

Also Published As

Publication number Publication date
CN115528687A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
Zheng et al. Short-term power load forecasting of residential community based on GRU neural network
CN111555355B (zh) 水光蓄联合发电的调度策略及其优化方法
CN109214095A (zh) 电动汽车充放电多目标优化调度方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN104598986A (zh) 基于大数据的电力负荷预测方法
WO2023060815A1 (zh) 一种提高配电网可靠性的储能容量优化配置方法
CN104598985A (zh) 电力负荷预测方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN115205068A (zh) 计及净负荷需求分布式的储能最优峰谷时段划分方法
CN114358378A (zh) 一种用于考虑需量管理的用户侧储能优化配置系统及方法
CN105119285B (zh) 基于动态赋权的风储协调多目标优化控制方法
CN112821463B (zh) 基于风、光随机性的主动配电网多目标日前优化调度方法
CN105514986A (zh) 一种基于虚拟电厂技术的der用户竞价并网方法
CN115528687B (zh) 一种有限成本约束下的电力系统柔性响应能力优化方法
CN116914847A (zh) 一种虚拟电厂内多台发电机组聚合互补及优化调度方法
Wang et al. Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system
CN115689001A (zh) 基于模式匹配的短期负荷预测方法
Pang et al. A photovoltaic power predicting model using the differential evolution algorithm and multi-task learning
CN109149644B (zh) 一种基于大数据分析的光储一体在线策略匹配和协同优化方法
CN114844048A (zh) 一种面向电网调控需求的可调节负荷调节能力评估方法
Sun et al. Hybrid forecasting model of electric heating load based on CART decision tree regression
Xuan et al. Research on short-term load forecasting model of integral energy system considering demand side response
Xu et al. Electricity user schedulable load classification method based on mfnn algorithm

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