CN116187099B - 一种基于双层迭代的用户侧储能配置方法 - Google Patents

一种基于双层迭代的用户侧储能配置方法 Download PDF

Info

Publication number
CN116187099B
CN116187099B CN202310443101.5A CN202310443101A CN116187099B CN 116187099 B CN116187099 B CN 116187099B CN 202310443101 A CN202310443101 A CN 202310443101A CN 116187099 B CN116187099 B CN 116187099B
Authority
CN
China
Prior art keywords
user
energy storage
power
dso
electricity
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
CN202310443101.5A
Other languages
English (en)
Other versions
CN116187099A (zh
Inventor
陈佳佳
潘璐雯
徐丙垠
陈文钢
丛新棚
王敬华
赵艳雷
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 Kehui Power Automation Co ltd
Shandong University of Technology
Original Assignee
Shandong Kehui Power Automation Co ltd
Shandong University of Technology
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 Kehui Power Automation Co ltd, Shandong University of Technology filed Critical Shandong Kehui Power Automation Co ltd
Priority to CN202310443101.5A priority Critical patent/CN116187099B/zh
Publication of CN116187099A publication Critical patent/CN116187099A/zh
Application granted granted Critical
Publication of CN116187099B publication Critical patent/CN116187099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Engineering & Computer Science (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

本发明提供了一种基于双层迭代的用户侧储能配置方法，属于用户侧储能优化配置领域。其特征在于：包括如下步骤：S1：建立用户侧峰谷平时段划分模型；S2：构建DSO的利润最大化模型；S3：构建计及光伏不确定性的用户效益最大化模型；S4：对双层模型进行求解，确定用户侧最优储能配置。本发明在上层，首先对消费者和产消者的峰谷平时段进行划分。然后，针对配电系统运营商(DSO)提出一个利润最大化模型来优化运行成本、功率损耗和峰谷差。其次，为了对冲不确定光伏的风险，更好的优化储能的相关配置，在下层针对用户和产消者提出了以电度电费、需量电费和储能生命周期成本最小化为目标的随机优化模型。

Description

一种基于双层迭代的用户侧储能配置方法
技术领域
一种基于双层迭代的用户侧储能配置方法，属于用户侧储能优化配置领域。
背景技术
随着传统能源的日益短缺和环境污染的加剧，用户侧配备光伏和储能的产消者大量涌现，这使得负载的波动性加剧，对电网运行稳定性、基础性电能质量等方面提出了新的挑战。需求响应（DR）作为一种需求侧管理手段，通过电价调整或激励措施引导用户的用电行为，使电网运行更加可靠，高效和环保，显示出巨大的潜力。现有的研究已为普通住宅用户和商业产消者开发了各种可用的DR机制，其应用结果表明在进行配电网规划时计及需求响应的影响是十分必要的。
需求响应的核心是价格响应，成功的定价方式应该提高用户参与响应的积极性，通过提供有吸引力的价格引导用户的能耗习惯。科学的两部制电价机制，有利于合理分割纵向产业链上电力发输配售各环节电价空间、科学确定横向不同电源的比价关系，优化电力资源配置，促进电力工业低碳转型和高质量发展。另外，可再生能源的开发利用是解决能源短缺困境的必然趋势，为推动可再生能源参与电力市场交易，上网电价政策是鼓励可再生能源发电的应用最为广泛的工具，因此如何制定一个合理的上网电价也显得至关重要。
用电成本是电力大用户经营成本的重要组成部分。储能可通过“低储高放”策略，即在用户电力负荷及电价较低的时候存储电能，在用户电力负荷及电价较高的时候放出电能，在不改变用户用电行为的情况下，削减用户负荷月最大需量值，减少基本电费的同时产生削峰填谷收益。中国用户侧储能市场发展空间巨大，然而目前，用户侧储能的发展并没有达到预期，一方面用户仍难以承担储能较高的投资成本，另一方面，储能运行效率较低，未能充分发挥储能优化运行带来的经济效益。因此，对用户侧储能的配置及运行进行优化研究，具有重要意义。
此外，现有研究电力定价的文献大多没有考虑可再生能源并网带来的不确定风险，这对电力系统稳定运行有很大的影响。光伏作为具有良好发展前景的可再生能源发电方式，近年来得到了迅速发展。然而光伏发电的随机性、波动性和间歇性使整个电力系统的不确定风险增大，这将极大影响系统决策的准确性和有效性，是影响光伏大规模消纳的主要因素。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种基于双层迭代的用户侧储能配置方法,可以在保证DSO和用户利益的同时，降低可再生能源出力不确定性对产消者造成的风险，促进可再生能源消纳，还能调节峰值负荷，提高电力系统稳定性.
本发明解决其技术问题所采用的技术方案是：该基于双层迭代的用户侧储能配置方法，其特征在于：包括如下步骤：
S1：建立用户侧峰谷平时段划分模型；
S2：构建DSO的利润最大化模型；
S3：构建计及光伏不确定性的用户效益最大化模型；
S4：对双层模型进行求解，确定用户侧最优储能配置。
优选的，所述方法还包括，电网需要根据每个用户的负荷曲线将一天的24小时划分为相应的峰时段、平时段和谷时段，根据最短距离原则，三个时段按照以下标准建立：
；
；
；
；
；
；
其中，，/>为用户k在h小时的电力需求， />为产消者k在h小时的光伏功率，/>，/>、/>、/>分别是用户k的谷平峰时段集合，、/>、/>分别为用户k在谷时段、平时段和峰时段的净电力需求，/>为用户k在谷平峰时段的净电力需求。
优选的，所述方法还包括，峰时段、平时段和谷时段的快速迭代算法包括如下步骤：
S1.1：将用户k的进行排序，得到，然后得到/>、/>、/>，设/>；
S1.2：如果，且/>，则属于谷时段；否则/>属于平时段；
S1.3：如果，且/>，则属于平时段，否则/>属于峰时段；
S1.4：使，并再次执行步骤S2，直至/>时停止。
优选的，所述方法还包括，利润最大化模型为：
；
其中，R为DSO一天的总利润；S、D分别为DSO向用户收取的电度电费和需量电费；B为DSO向产消者支付的上网费用；为DSO的网损成本系数；/>是系统一天内的功率损耗；h，g为二次成本函数的系数；G为DSO一天内需要向发电商购买的总能量；
；
其中，为产消者k在h小时的并网功率，/>是产消者k在h时刻需要向DSO购买的电量，K为用户数量。
优选的，所述的DSO向用户收取的需量电费D为：
；
其中，是需量电价；
DSO向产消者支付的上网费用B为：
；
其中，为DSO在h小时需要从产消者k处购买的能量，/>为上网电价；
DSO向用户收取的电度电费S为：
；
其中，、/>、/>分别为峰谷平电价。
优选的，所述的利润最大化模型的约束条件包括潮流约束以及价格约束，其中：
潮流约束为：
；
其中，是线路的集合，/>是节点的集合，/>和/>分别为节点b在h小时内从DSO注入的有功功率和无功功率，/>和/>分别为h时线路l注入的有功功率和无功功率，/>和/>分别为h小时内l线路流出的有功功率和无功功率，/>和/>分别为h小时内b节点的有功负荷和无功负荷，/>、/>分别为l线路的电阻和电抗，/>、/>分别为b节点的电导和电磁，/>是h小时内b节点电压的平方，/>和/>分别是l线起始点和端点电压的平方，/>是h小时内l线路电流的平方，/>和/>分别为h小时l线路的有功功率和无功功率，/>是h小时内l线路视在功率的上限；
价格约束为：
；
；
其中，为DSO决策下用户可以达到的效用，/>为用户理想的效用值，/>为比例系数，/>为光伏上网电价。
优选的，所述计及光伏不确定性的用户侧效益模型包括一般消费者的效益模型以及光伏产消者的效益模型，其中：
一般消费者的效益模型为：
；
光伏产消者的效益模型为：
；
其中：、/>为消费者二次效用函数的系数，K表示第K类用户，即一般消费者，/>、为产消者k的二次效用函数系数，/>为h小时的并网功率，满足，/>和/>分别为储能的运行成本和投资成本，其中，，/>为其储能容量， />为产消者k的分时电价，/>为弃光风险，/>为失负荷风险，/>、/>、/>分别为第k个用户的峰谷平电价。
优选的，所述的弃光风险为：
；
失负荷风险为：
；
其中，、/>为用户k的置信区间上下限。
优选的，计及光伏不确定性的用户侧效益模型的约束条件为：
；
其中，是每小时的最大充放电功率，/>为储能荷电状态(SOC)，/>为产消者k在h小时的剩余储能量，/>、/>为储能约束系数，/>为充放电功率效率。
与现有技术相比，本发明所具有的有益效果是：
本基于双层迭代的用户侧储能配置方法的建立了DSO和用户之间的两层迭代优化模型，研究了光伏不确定下最优需量电价和上网电价的公式。上层选择DSO作为研究对象，首先用时段划分模型确定了产消者和消费者的峰平谷周期，然后提出了利润最大化模型来确定最优需量电价和上网电价。下层以产消者和消费者为研究对象，以电度电费，需量电费和储能成本最小为目标，建立了考虑光伏不确定性风险规避的实用模型，确定用户侧最优储能配置。本发明可以引导用户以更低的电价安装储能和光伏，缓解电力短缺，提高终端绿色电力比例。其次，本发明能平滑负载曲线，其峰谷差较初始负载减小29%。最后，该发明计及了光伏的不确定性，可以引导用户合理配置储能和光伏，提高产消者的经济效益，促进储能和光伏用户的绿色低碳可持续发展。
此外，该定价策略的应用使整个社会效益较传统的定价形式也得到了提高。
附图说明
图1为基于双层迭代的用户侧储能配置方法的流程图；
图2为15节点辐射状配电系统结构示意图；
图3为15节点系统的初始负荷示意图；
图4为消费者峰谷平时段划分结果示意图；
图5为产消者1峰谷平时段划分结果示意图；
图6为产消者2谷平时段划分结果示意图；
图7为产消者3峰谷平时段划分结果示意图；
图8为采用用户侧储能配置方法后消费者的负荷波动曲线对比示意图；
图9为采用用户侧储能配置方法后产消者1的负荷波动曲线对比示意图；
图10为采用用户侧储能配置方法后产消者2的负荷波动曲线对比示意图；
图11为采用用户侧储能配置方法后产消者3的负荷波动曲线对比示意图；
图12为不确定条件下产消者最优光伏功率示意图；
图13为不确定条件下产消者1最优光伏功率和效用示意图；
图14为不确定条件下产消者2最优光伏功率和效用示意图；
图15为不确定条件下产消者3最优光伏功率和效用示意图；
图16为产消者1储能充放电状态示意图；
图17为产消者2储能充放电状态示意图；
图18为产消者3储能充放电状态示意图。
具体实施方式
下面结合具体实施例对本发明做进一步说明，然而熟悉本领域的人们应当了解，在这里结合附图给出的详细说明是为了更好的解释，本发明的结构必然超出了有限的这些实施例，而对于一些等同替换方案或常见手段，本文不再做详细叙述，但仍属于本申请的保护范围。
图1~图18是本发明的最佳实施例，下面结合附图1~图18对本发明做进一步说明。
如图1所示：一种基于双层迭代的用户侧储能配置方法，包括如下步骤：
S1：建立用户侧峰谷平时段划分模型；
S2：构建DSO的利润最大化模型；
S3：构建计及光伏不确定性的用户效益最大化模型；
S4：对双层模型进行求解，确定用户侧最优储能配置。
作为本实施例一种可能的实现方式，建立用户侧峰谷平时段划分模型的方法如下：
时段划分的原理及模型：本发明研究的对象可以分为DSO和用户。用户又进一步分为产消者和一般消费者，其中，产消者采用两部制电价，用户采用分时电价。为不失一般性，假设有K个用户，产消者和消费者的数量分别设置为K-1和1
时段划分是执行分时电价的前提，考虑到每个用户的用电需求和新能源接入规模的不同，为了使分时电价的执行更加具有针对性，更好地激励用户参与需求响应，平抑负荷波动，电网需要根据每个用户的负荷曲线将一天的24小时划分为相应的峰时段、平时段和谷时段。因此，建立了以下峰平谷时段划分模型：
以用户k为例，定义，，/>，/>。然后，根据最短距离原则，三个时段可以按照以下标准建立：
； （1）
； （2）
； （3）
其中，为用户k在h小时的电力需求， />为产消者k在h小时的光伏功率，，/>、/>、/>分别是用户k的谷平峰时段集合，/>、/>、/>分别为用户k在谷时段、平时段和峰时段的净电力需求，/>为用户k在谷平峰时段的净电力需求。
快速迭代算法的计算步骤如下：
S1.1：将用户k的进行排序，得到，然后得到/>、/>、/>，设/>；
S1.2：如果，根据公式(1)、(2)，确定h属于平时段还是谷时段。如果/>，则/>属于谷时段，即/>；否则/>属于平时段，即/>；
S1.3：如果，根据公式(2)、(3)，确定h属于平时段还是峰时段。如果/>，则/>属于平时段，即/>；否则/>属于峰时段，即/>；
S1.4：使，并再次执行步骤S2，直至/>时停止。
作为本实施例一种可能的实现方式，构建DSO利润最大化模型的方法如下：
随着分时电价差持续拉大，光伏发电成本不断下降，用户尤其是两部制电价下的工商业园区试图通过安装光伏和储能来降低其电度电费和需量电费。然而，用户侧光伏电源的无序接入加剧了配电网净负荷的波动性和不确定性，导致电网灵活性不足的问题日益突出，对DSO的运行提出了新的挑战。因此，这迫切要求DSO制定有效的定价机制来引导消费者和产消者的用电行为，在不增加额外投资的情况下保证供需平衡。本发明的价格制定主要考虑以下几个部分：
需量电价：需量电价作为两部制电价的一部分，其设定是为了帮助用户公平合理地承担发电和供电的成本，促进用户提高电力负荷率，从而提高设备利用率，减少高峰负荷。在实际用电场景中，DSO根据需量电价与最大用电需求的乘积按月收取用电需量电费。本发明将最大需求简化为一天中每小时平均负荷的最大值，然后将需量电费等分到每天进行分析计算。
日需量电费是根据PV产消者每小时的最大需求来收取的，是两部制电价下他们需要支付给DSO的一部分电费，具体表示为：
； （4）
其中，是需量电价；一个月假设30天，/>是产消者k在h时刻需要向DSO购买的电量。
上网电价：为了缓解光伏发电无序接入造成的净负荷波动，促进其就地消纳，DSO设计一个合适的上网价格非常重要。当光伏发电满足生产消费者自己的电力需求，并且电池充满电时，DSO将以上网价格容纳多余的光伏电力。DSO的购电成本可表示为：
； （5）
其中，为DSO在h小时需要从产消者k处购买的能量，/>为上网电价。
本发明不涉及对分时电价的制定，采用统一的分时电价，用户通过调整自身的用电需求响应电价信号，由DSO收取对应的电度电费。对于消费者来讲，电度电费为其全部应缴电费；对执行两部制电价的产消者来说，电度电费仅为应缴纳电费的一部分，具体表示为：
； （6）
其中，、/>、/>分别为峰谷平电价。
利润最大化模型为：
； （7）
其中，R为DSO一天的总利润；S、D分别为DSO向用户收取的电度电费和需量电费；B为DSO向产消者支付的上网费用；为DSO的网损成本系数；/>是系统一天内的功率损耗；h，g为二次成本函数的系数；G为DSO一天内需要向发电商购买的总能量；
； （8）
其中，为产消者k在h小时的并网功率，/>是产消者k在h时刻需要向DSO购买的电量，K为用户数量。
利润最大化模型的约束条件包括潮流约束以及价格约束，其中：
潮流约束为：
；
其中，(9a)，(9b)分别为节点的有功功率平衡约束和无功功率平衡约束，(9c)为线路潮流与节点电压的关系，(9d)为各线路接收节点的视在潮流限制，(9e)为各线路发射节点的视在潮流限制，是线路的集合，/>是节点的集合，/>和/>分别为节点b在h小时内从DSO注入的有功功率和无功功率，/>和/>分别为h时线路l注入的有功功率和无功功率，/>和/>分别为h小时内l线路流出的有功功率和无功功率，/>和分别为h小时内b节点的有功负荷和无功负荷，/>、/>分别为l线路的电阻和电抗，/>、/>分别为b节点的电导和电磁，/>是h小时内b节点电压的平方，/>和/>分别是l线起始点和端点电压的平方，/>是h小时内l线路电流的平方，/>和/>分别为h小时l线路的有功功率和无功功率，/>是h小时内l线路视在功率的上限。
价格约束为：
分时电价的制定应在削峰填谷的同时，还要在一定程度上保证用户的利润，该约束可以表示为：
； （10）
其中，为DSO决策下用户可以达到的效用，/>为用户理想的效用值，/>为比例系数。
此外，为鼓励用户就地消纳光伏，上网电价的设定应低于分时电价的最小值，即：
； （11）
为光伏上网电价。
作为本实施例一种可能的实现方式，构建计及光伏不确定性的用户效益最大化模型的方法如下：
模型构建：光伏和储能的配合，不仅可以促进光伏的就地消纳，在与配电网相连接时，还能通过合理调整储能系统的充放电时间以及次数，利用分时电价赚取收益。对含光伏和储能的产消者以及一般消费者的详细描述如下：
基本需求：用户的需求包括弹性需求和非弹性需求两部分，用户可以通过调整弹性需求部分的用电时间段响应分时电价，这里，我们用表示用户k在h小时的电力需求，用/>表示用户k在不考虑储能的情况下从DSO购买的电量。对于普通消费者来说，其用电需求与用电购买量是一致的，即/>，但对于产消者来说，即使没有储能，其用电购买也会受到该时刻光伏功率的影响，具体表示为：
； （12）
其中，为产消者k在h小时的光伏功率。
储能配置：储能的配置可以帮助生产消费者利用峰谷差更灵活地参与DR和套利，但储能的高成本限制了其大规模应用。储能的主要成本由两部分组成：投资成本和运行维护成本。
将用户k的单位存储容量投资成本表示为。为了便于优化问题公式化，根据基于比例因子/>的/>，将一次性单位投资成本/>转换为每日成本/>。为了推导/>，首先用年利率r计算年金（一系列相等的年现金流）的现值，然后将年金等分到每天。因此，因子/>的表达式如下：
； （13）
其中，y是电池的使用寿命，是一年内的总天数。
储能电站的运行维护成本是为了维持储能电站处于良好的待机状态所需要的费用，其与储能充放电的量成正比。储能一天的运行成本可用表示，其计算公式为：
； （14）
其中，、/>均为储能的成本系数，/>、/>为h时段用户k储能充放电的量，均为正值。需要注意的是，/>的来源有两个：一是从电网购买，用/>表示；二是多余的光伏产能，用/>表示，即/>，/>。基于此，光伏产消者与DSO的交易量可以进一步表示为：
； （15）
光伏不确定性：光伏发电极强的随机性和波动性使其很难被准确预测，这会直接影响其所需缴纳的电费。因此，本发明从风险规避的角度出发，推导了预期功率不足（EPNS）和预期功率削减（EPC）指标，并基于此建立了一个风险评估模型，以此来确定光伏不确定性对产消者收益的影响。
以产消者k为例，假设光伏产能的预测误差服从高斯分布，光伏发电的随机特性可以表示为概率密度函数：
； （16）
其中，和/>分别为h小时光伏功率的预测值和标准差。
在给定值下，光伏发电的置信区间可以由以下公式计算得到：/>
； （17）
如果置信水平设置为95%，即，/>，则光伏的发电的置信区间可以被评估为：/>，即/>，为方便表示，我们分别用/>、/>来表示用户k的置信区间上下限。
当实际光伏出力大于用户的预测值时，若储能容量不足，则会有弃光风险，该风险可以表示为：
； （18）
反之，当实际光伏出力小于可消纳光伏的下界时，则会导致失负荷风险，为保证自身效益，产消者需支出额外的电费向DSO购电。失负荷风险可以表示为：
； （19）
针对用户侧光伏发电不稳定所导致的效益损失以及储能设备充放电不合理导致的电池成本损耗过高的问题，在分时电价的背景下，以电度电费、需量电费和储能总寿命周期成本最小化为目标函数，建立了计及光伏不确定性的用户侧效益模型，确定用户侧最优储能配置。
计及光伏不确定性的用户侧效益模型包括一般消费者的效益模型以及光伏产消者的效益模型，其中：
一般消费者的效益模型为：
；（20）
光伏产消者的效益模型为：
；（21）
其中：式(20)为消费者的效用，、/>为消费者二次效用函数的系数，K表示第K类用户，即一般消费者。式(21)是产消者的效用，/>、/>为产消者k的二次效用函数系数，/>为h小时的并网功率，满足/>，/>和/>分别为储能的运行成本和投资成本，其中，/>，/>为其储能容量，式(21)最后两项为产消者的PV不确定性风险评估指标，/>为产消者k的分时电价在h时，如果实际PV值大于预测值，则将产消者的冗余功率以上网价格/>卖给DSO以获得收益。相反，如果实际PV值不足，则从DSO以该小时的分时电价/>购买不足的电力，/>、/>、/>分别为第k个用户的峰谷平电价。
计及光伏不确定性的用户侧效益模型的约束条件为：
；
其中，式(22a)确保储能充放电不能同时进行，(22b)，(22c)为各个用户储能充放电的有功功率限制，是每小时的最大充放电功率，(22d)为产消者k的储能容量计算公式，/>为储能荷电状态(SOC)，/>为产消者k在h小时的剩余储能量，(22e)为储能剩余功率约束，/>、/>为储能约束系数，(22f)表示h小时储能的电能与h-1小时的充放电有关，/>为充放电功率效率。(22f)表示h小时储能的电能与h-1小时的充放电有关，
作为本实施例一种可能的实现方式，对双层模型进行求解，确定用户侧储能配置的过程为：用户首先向DSO提交自己的负载曲线；根据式(1)~(3)，DSO采用快速迭代算法划分每种用户的峰平谷周期；根据划分的时段以及当前的分时电价、需求电价和上网电价，用户根据(20)和(21)确定最优储能配置和充放电策略，并更新自己的能耗行为；DSO接收用户的决策信息，然后，根据(7)，DSO更新需量电价和上网电价，并向用户广播价格信息，使他们能够管理自己的生产和消费行为，以适应可再生能源和调节峰值负荷。如果用户的能耗行为没有变化，则停止迭代，否则，重新执行上述步骤。
下面以一个实例具体说明本发明基于双层迭代的用户侧储能配置方法，
图2是15节点辐射状配电系统结构示意图。不失一般性，在15节点系统中，高负荷需求的节点2、5、13在两部制电价下被视为工业或商业用户，被选为产消者并配备光伏和储能。对于15节点系统的其它负荷节点，将其视为一般消费者。因此，在该系统中，用户的类型数k=4，我们给定四类用户的二次效用函数的系数、/>、/>、/>分别为/>、/>、、/>，/>、/>、/>、/>分别为2.5，2.0，2.6，2.5 ；DSO的二次发电成本系数/>、/>，充放电效率/>。
图3是15节点系统的初始负荷示意图，大型工商业用户用电量在总用电量中占据较大比重。
图4~图7是峰谷平时段划分结果示意图。从图中可以看出，每类消费者的高峰负荷出现的时间不同，为消费者设计定制化的峰谷平时段，充分激励消费者参与需求响应的意愿是合理的。对于一般用户来说，其用电高峰时段集中在中午12-13时和晚上19-21时，谷时段在3-8小时，平时段包括1-2，9-11，14-18，22-24时。对于光伏产消者来说，由于光伏发电量集中在7-17时，特别是11-14时，因此，其午间时段虽然用电需求大，但其净负荷量非常小，甚至是负值。在确定峰谷平周期划分结果之后，用户以现行的分时电价为参考进行决策，峰谷平电价分别为0.9857CNY/kWh，0.4192 CNY/kWh，0.7027 CNY/kWh，需量电价为38CNY/kWh，上网电价为0.394 CNY/kWh。用户侧将决策结果反馈给DSO之后，DSO便可以根据公式（7）进行上网电价和需量电价的确定，最终确定最优上网电价为0.1272 CNY/kWh，最优需量电价为28.0892 CNY/kWh。
图8~图11是采用用户侧储能配置方法后不同类型用户的负荷波动曲线对比示意图。对于一般消费者来说，其初始负荷在12h和20h存在的两个用电高峰期，在采用此方法之后均有明显的削弱，用户将这部分负荷转移到了10h之前的用电低谷期。图9~图11显示了产消者的负荷变化情况，可以看出，虽然三个产消者的峰谷平周期不同，但是在该模型下，他们都有明显的削峰填谷效果，其中以产消者1和产消者3的削峰效果最为显著。
图12~图15是不确定条件下产消者最优光伏功率和效用示意图。从图中可以看出，在8小时之前，产消者1的用电需求较大，电价相对较高。因此，在这段时间内，光伏的最优出力倾向于选择区间的最大值，这可以使产消者1降低用电成本。相反，在第11 ~ 15小时，产消者的用电需求相对较小，光伏最优出力倾向于选择置信区间内的最小值，可以最大限度地降低光伏发电功率低带来的损失，减少产消者1的储能容量配置。产消者2的结论与产消者1类似，但产消者3在整个周期内倾向于选择更高的光伏出力和更大的储能容量。这是因为与产消者1相比，其光伏功率的预测值相对较低，为了获得更高的收益，产消者3更愿意通过更高的光伏出力来降低电价高峰时段的电费。
图16~图18产消者储能充放电状态示意图，其中蓝线表示h时刻储能充放电功率，大于0表示储能充电，否则放电，红线为储能剩余电量百分比，和/>分别设置为0.2和1。三个产消者最终确定的最优储能容量分别为225,6,330kWh，结合图3可知，在第8小时之前，储能基本处于放电状态，SOC呈下降趋势，这是由于此时段没有光伏发电，电价较高。因此，储能放电可以降低产消者在该时段所需的电价。8 时后，各产消者光伏出力逐渐增大，用电时段转为低谷时段，储能开始充电，SOC由最小值逐渐增大，为夜间用电高峰期做准备。这样既可以提高新能源消纳，又可以降低产消者负荷峰值，从而节省需量电价。
综上所述，本发明提出的一种基于双层迭代的用户侧储能配置方法，对用户侧储能的配置及运行进行优化研究，可以在保证DSO和用户利益的同时，降低光伏出力不确定性对产消者造成的风险，促进可再生能源消纳，还能调节峰值负荷，提高电力系统稳定性。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.一种基于双层迭代的用户侧储能配置方法，其特征在于：包括如下步骤：
S1：建立用户侧峰谷平时段划分模型；
S2：构建DSO的利润最大化模型；
S3：构建计及光伏不确定性的用户效益最大化模型；
S4：对双层模型进行求解，确定用户侧最优储能配置；
所述方法还包括，利润最大化模型为：
maxR＝S+D-B-λXloss-(hG2-gG)；
其中，R为DSO一天的总利润；S、D分别为DSO向用户收取的电度电费和需量电费；B为DSO向产消者支付的上网费用；λ为DSO的网损成本系数；Xloss是系统一天内的功率损耗；h，g为二次成本函数的系数；G为DSO一天内需要向发电商购买的总能量；
其中，为产消者k在h小时的并网功率，/>是产消者k在h时刻需要向DSO购买的电量，K为用户数量；
所述的利润最大化模型的约束条件包括潮流约束以及价格约束，其中：
潮流约束为：
其中，l∈L是线路的集合，b∈B是节点的集合，和/>分别为节点b在h小时内从DSO注入的有功功率和无功功率，/>和/>分别为h时线路l注入的有功功率和无功功率，/>和/>分别为h小时内l线路流出的有功功率和无功功率，/>和/>分别为h小时内b节点的有功负荷和无功负荷，Rl、Xl分别为l线路的电阻和电抗，Gb、Bb分别为b节点的电导和电磁，Uh，b是h小时内b节点电压的平方，Uh，s(l)和Uh，f(l)分别是l线起始点和端点电压的平方，ah，l是h小时内l线路电流的平方，/>和/>分别为h小时l线路的有功功率和无功功率，/>是h小时内l线路视在功率的上限；
价格约束为：
pp≥pf≥pv≥ppv；
其中，Uk为DSO决策下用户可以达到的效用，为用户理想的效用值，ε1为比例系数，ppv为光伏上网电价；
所述计及光伏不确定性的用户侧效益模型包括一般消费者的效益模型以及光伏产消者的效益模型，其中：
一般消费者的效益模型为：
光伏产消者的效益模型为：
其中：aK、bK为消费者二次效用函数的系数，K表示第K类用户，即一般消费者，ak、bk为产消者k的二次效用函数系数，为h小时的并网功率，满足/> 和分别为储能的运行成本和投资成本，其中，/>ESk为其储能容量，/>为产消者k的分时电价，/>为弃光风险，/>为失负荷风险，/>分别为第k个用户的峰谷平电价。
2.根据权利要求1所述的基于双层迭代的用户侧储能配置方法，其特征在于：所述方法还包括，电网需要根据每个用户的负荷曲线将一天的24小时划分为相应的峰时段、平时段和谷时段，根据最短距离原则，三个时段按照以下标准建立：
其中，为用户k在h小时的电力需求，/>为产消者k在h小时的光伏功率，h∈H，H＝{1，2，…，24}，/>分别是用户k的谷平峰时段集合，分别为用户k在谷时段、平时段和峰时段的净电力需求，/>为用户k在谷平峰时段的净电力需求。
3.根据权利要求2所述的基于双层迭代的用户侧储能配置方法，其特征在于：所述方法还包括，峰时段、平时段和谷时段的快速迭代算法包括如下步骤：
S1.1：将用户k的进行排序，得到然后得到/>设h＝1；
S1.2：如果且/>则属于谷时段；否则/>属于平时段；
S1.3：如果且/>则属于平时段，否则/>属于峰时段；
S1.4：使h＝h+1，并再次执行步骤S2，直至h＞24时停止。
4.根据权利要求1所述的基于双层迭代的用户侧储能配置方法，其特征在于：所述的DSO向用户收取的需量电费D为：
其中，pd是需量电价；
DSO向产消者支付的上网费用B为：
其中，为DSO在h小时需要从产消者k处购买的能量，ppv为上网电价；
DSO向用户收取的电度电费S为：
其中，pp、pv、pf分别为峰谷平电价。
5.根据权利要求1所述的基于双层迭代的用户侧储能配置方法，其特征在于：所述的弃光风险为：
失负荷风险为：
其中，为用户k的置信区间上下限。
6.根据权利要求1所述的基于双层迭代的用户侧储能配置方法，其特征在于：计及光伏不确定性的用户侧效益模型的约束条件为：
其中，是每小时的最大充放电功率，/>为储能荷电状态(SOC)，/>为产消者k在h小时的剩余储能量，σmin、σmax为储能约束系数，η为充放电功率效率。
CN202310443101.5A 2023-04-24 2023-04-24 一种基于双层迭代的用户侧储能配置方法 Active CN116187099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310443101.5A CN116187099B (zh) 2023-04-24 2023-04-24 一种基于双层迭代的用户侧储能配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310443101.5A CN116187099B (zh) 2023-04-24 2023-04-24 一种基于双层迭代的用户侧储能配置方法

Publications (2)

Publication Number Publication Date
CN116187099A CN116187099A (zh) 2023-05-30
CN116187099B true CN116187099B (zh) 2023-07-28

Family

ID=86452397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310443101.5A Active CN116187099B (zh) 2023-04-24 2023-04-24 一种基于双层迭代的用户侧储能配置方法

Country Status (1)

Country Link
CN (1) CN116187099B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107578182A (zh) * 2017-09-16 2018-01-12 兰州理工大学 基于需求侧响应下光储微电网运行控制方法
CN110717259A (zh) * 2019-09-25 2020-01-21 浙江大学 面向用户侧的电池储能配置与运行优化方法
CN115207949A (zh) * 2022-07-11 2022-10-18 华北电力大学（保定） 一种考虑时段划分的光储系统优化运行方法
CN115205068A (zh) * 2022-07-04 2022-10-18 国网河南省电力公司经济技术研究院 计及净负荷需求分布式的储能最优峰谷时段划分方法
CN115829112A (zh) * 2022-11-25 2023-03-21 国网江苏省电力有限公司南京供电分公司 基于配电网运行约束的产消者分布式交易双层优化方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488362A (zh) * 2020-11-06 2021-03-12 华北电力大学 一种协调电动汽车参与辅助服务市场的储能优化配置方法
US11887140B2 (en) * 2021-02-25 2024-01-30 Mitsubishi Electric Research Laboratories, Inc. Risk-constrained optimization of virtual power plants in pool and future markets
CN113610426B (zh) * 2021-08-19 2024-03-29 长沙理工大学 基于用户满意度的智能用电社区能量管理方法
CN115566689A (zh) * 2022-09-14 2023-01-03 南昌大学 一种改进天鹰优化算法优化负荷峰谷时段划分以及峰谷电价方法
CN115759623A (zh) * 2022-11-17 2023-03-07 辽宁电力交易中心有限公司 一种储能参与电力市场交易特征关系的调度方法
CN115912442A (zh) * 2022-11-28 2023-04-04 国网湖北省电力有限公司技术培训中心 一种用户侧光储优化配置及其盈亏平衡分析方法
CN115882486A (zh) * 2022-12-07 2023-03-31 国网上海市电力公司经济技术研究院 一种基于双层模型的配电网综合效益最优储能配置方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107578182A (zh) * 2017-09-16 2018-01-12 兰州理工大学 基于需求侧响应下光储微电网运行控制方法
CN110717259A (zh) * 2019-09-25 2020-01-21 浙江大学 面向用户侧的电池储能配置与运行优化方法
CN115205068A (zh) * 2022-07-04 2022-10-18 国网河南省电力公司经济技术研究院 计及净负荷需求分布式的储能最优峰谷时段划分方法
CN115207949A (zh) * 2022-07-11 2022-10-18 华北电力大学（保定） 一种考虑时段划分的光储系统优化运行方法
CN115829112A (zh) * 2022-11-25 2023-03-21 国网江苏省电力有限公司南京供电分公司 基于配电网运行约束的产消者分布式交易双层优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑需量管理的用户侧储能优化配置策略研究;张继元;陈皓勇;王卫宏;;电力需求侧管理(第05期);全文 *

Also Published As

Publication number Publication date
CN116187099A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN110188950B (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
CN110912166B (zh) 一种多用户共享储能模式的储能容量配置方法
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN115994656A (zh) 分时电价下计及激励需求响应的虚拟电厂经济调度方法
Saini et al. An environmental based techno-economic assessment for battery energy storage system allocation in distribution system using new node voltage deviation sensitivity approach
CN110829424A (zh) 一种考虑风电消纳的区域多微网配电网互动方法
Zhang et al. Optimal selection of energy storage system sharing schemes in industrial parks considering battery degradation
CN116845929A (zh) 一种储能参与的电能量与调频辅助服务市场协调出清方法
Mohamed et al. Residential battery energy storage sizing and profitability in the presence of PV and EV
Bian et al. Peer-to-peer energy sharing model considering multi-objective optimal allocation of shared energy storage in a multi-microgrid system
Song et al. A low-carbon peak-load regulation trading strategy for large-scale wind power integration using information gap decision theory
Peng et al. Energy storage capacity optimization of residential buildings considering consumer purchase intention: A mutually beneficial way
Fan et al. Benefit analysis and preliminary decision-making of electrical and thermal energy storage in the regional integrated energy system
CN116187099B (zh) 一种基于双层迭代的用户侧储能配置方法
Zhong et al. A logic-based geometrical model for the next day operation of PV-battery systems
Guo et al. How to realize the power demand side actively matching the supply side?——A virtual real-time electricity prices optimization model based on credit mechanism
CN115441494A (zh) 基于柔性直流互联系统的换流站容量优化配置方法和装置
CN111952996B (zh) 一种基于经济效益评估的含储能的分布式光伏调峰控制方法
Xie et al. Design of Peak Cutting Listing Trading Considering Strategic Quotation of Load Aggregators
Ning et al. A two-layer optimal scheduling method for multi-energy virtual power plant with source-load synergy
Liu et al. Research on Demand Response Bidding Strategy of Virtual Power Plant Considering Uncertainty
Li et al. Research on optimal scheduling of photovoltaic cluster based on game pricing
CN116362400A (zh) 一种基于光储系统配置的大工业用户电费优化方法
Zhu et al. Two Stage Optimal Dispatching of Distribution Network With User Side Energy Storage
CN116885800A (zh) 基于实体运营商的云储能模式构建方法及装置

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