CN116247682A - 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质 - Google Patents

蓄热式电采暖参与配电网负荷调控方法、装置及存储介质 Download PDF

Info

Publication number
CN116247682A
CN116247682A CN202310505281.5A CN202310505281A CN116247682A CN 116247682 A CN116247682 A CN 116247682A CN 202310505281 A CN202310505281 A CN 202310505281A CN 116247682 A CN116247682 A CN 116247682A
Authority
CN
China
Prior art keywords
distribution network
electric heating
load
power distribution
regulation
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.)
Granted
Application number
CN202310505281.5A
Other languages
English (en)
Other versions
CN116247682B (zh
Inventor
刘盛琳
冯忠楠
宋丽
喻明明
由广浩
梁妍妍
刘述鑫
张宇博
王冠夫
赵娜
袁帅
贾丹
谢欣
田庚
刘璐
杨磊
李昊禹
曹双鹏
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.)
Liaoyang Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Original Assignee
Liaoyang Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
State Grid Liaoning 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 Liaoyang Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd, State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd filed Critical Liaoyang Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
Priority to CN202310505281.5A priority Critical patent/CN116247682B/zh
Publication of CN116247682A publication Critical patent/CN116247682A/zh
Application granted granted Critical
Publication of CN116247682B publication Critical patent/CN116247682B/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
    • G06Q10/067—Enterprise or organisation modelling
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1096—Arrangement or mounting of control or safety devices for electric heating systems
    • 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
    • H02J3/12—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
    • H02J2203/20—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
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H02J2310/14—The load or loads being home appliances
    • 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

Landscapes

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

Abstract

本发明涉及电网运行与控制技术领域，具体涉及蓄热式电采暖参与配电网负荷调控方法、装置及存储介质，该方法包括：考虑用户自身特性与外界环境因素，获取参数构建综合考虑负荷温度的电热耦合模型；进行随机性因素分析；运用拉丁超立方抽样生成不同负荷与温度的随机场景；在随机场景下构建蓄热式电采暖的配电网负荷优化调控模型；通过量子遗传算法求解来实现基于随机场景的蓄热式电采暖参与配电网负荷调控策略；输出基于随机场景的蓄热式电采暖参与配电网负荷调控策略。通过本发明的方法，能够更有效和可靠的进行基于随机场景的蓄热式电采暖参与配电网负荷调控策略的制定，为现代电网的负荷调控提供技术依据和实用化方法。

Description

蓄热式电采暖参与配电网负荷调控方法、装置及存储介质
技术领域
本发明涉及电网运行与控制技术领域，具体涉及蓄热式电采暖参与配电网负荷调控方法、装置及存储介质。
背景技术
加快推进能源结构转型以及全社会电能替代是实现目标的重要途径。我国东北地区冬季气温较低，每家每户都需要供暖来满足生活需求。电采暖作为目前最重要的一种清洁供暖方法，由于其安装与布置方便、操作模式灵活和可再生能源的利用率高等特点，目前已成为了国内外研究的热点。随着电采暖的广泛应用和配电网中新能源等电源的增加，也给配电网运行和控制带来挑战。在传统的控制策略下蓄热式电采暖的大规模使用会使配电网等值负荷增大，与此同时负荷需求具有不可控制性，就会导致配电网调度运行更加困难，不能让配电网获得更好的负荷特性，特别是随着蓄热式电采暖的大规模并网，将会导致配电网的等值负荷波动性更加强烈，对此传统的配电网负荷调控策略已经不适用于现在的电网，需要更加符合当前电网情况的新的配电网负荷调控策略。
影响配电网负荷调控的不确定性因素有很多，如台区类型、天气情况、运行容量等等，如何实现适应各种基于随机场景的蓄热式电采暖参与配电网负荷调控策略制定是首要问题。
发明内容
针对传统调控策略所造成的配电网等值负荷波动性增大的问题，提出了蓄热式电采暖参与配电网负荷调控方法、装置及存储介质，基于拉丁超立方抽样法生成不同负荷和温度的随机场景，以平抑配电网负荷波动为目标，构建考虑蓄热式电采暖负荷调节作用的配电网负荷优化调控模型，通过量子遗传算法进行调控策略求解，得到基于随机场景的蓄热式电采暖参与配电网负荷调控策略。为现代电网的协调运行和控制提供技术依据和实用化方法。
为了实现上述目的，本发明通过如下的技术方案来实现：
蓄热式电采暖参与配电网负荷调控方法，所述方法包括以下步骤：
S1：考虑用户自身特性与外界环境因素，获取参数构建综合考虑负荷温度的电热耦合模型；所述参数包括室内温度
Figure SMS_1
、室外温度
Figure SMS_2
、墙体温度
Figure SMS_3
和采暖设备的温度
Figure SMS_4
；
S2：对所述电热耦合模型进行随机性因素分析；所述随机性因素包括台区类型、线路长度、负载率、供电半径、供电量、耗电量、运行容量和天气温度；
S3：根据随机性因素分析结果，运用拉丁超立方抽样生成不同负荷与温度的随机场景；
S4：确定用户全天24h内曲线平坦程度为目标函数，确定配电网负荷优化调控约束条件，在随机场景下构建蓄热式电采暖的配电网负荷优化调控模型；
所述的蓄热式电采暖的工作原理为用户根据自己的使用热舒适度，通过控制器设置蓄热功率、峰谷时段和加热温度。控制器会依据当前时段和蓄热器的温度进行电发热元件的启动和关闭，并且通过调控放热口和循环风机控制放热速率，从而使房间的温度保持在所需求的范围之内。
S5：通过量子遗传算法对所述配电网负荷优化调控模型进行调控策略求解，实现基于随机场景的蓄热式电采暖参与配电网负荷调控策略；
S6：输出基于随机场景的蓄热式电采暖参与配电网负荷调控策略；所述基于随机场景的蓄热式电采暖参与配电网负荷调控策略是指基于拉丁超立方抽样生成不同负荷和温度的随机场景，再通过量子遗传算法求解给出适应当前场景状态的配电网负荷调控策略。
作为本发明的一种优选方案，所述步骤S3中，用拉丁超立方抽样生成不同负荷和温度的随机场景的步骤具体为：用拉丁超立方抽样从一日中不同时间点随机抽取一组气温和负荷数据，利用双向场景削减方法对所述气温和负荷数据进行削减，找出具有典型情景的场景，将所述场景拼合在一起，生成日温度变化曲线和负荷波动场景集。
作为本发明的一种优选方案，所述拉丁超立方抽样的方法具体包括：
S31：运用正态分布将不同时间点的负荷数据和不同时间点的气温数据整合到一起，得到均值和方差；
S32：根据得到的均值和方差计算累计分布函数
Figure SMS_5
，将累计分布函数
Figure SMS_6
平均分为
Figure SMS_7
个间距为
Figure SMS_8
的互不重叠的区间；
S33：对于
Figure SMS_10
个区间中任意的第
Figure SMS_13
个区间，
Figure SMS_14
，随机产生一个随机数
Figure SMS_11
，
Figure SMS_12
，通过所述随机数
Figure SMS_15
求得区间
Figure SMS_16
对应的累计分布函数值
Figure SMS_9
；
Figure SMS_17
；
S34：设累计分布函数
Figure SMS_19
的反函数为
Figure SMS_25
，将累计分布函数值
Figure SMS_27
带入所述反函数
Figure SMS_20
求得气温数据的抽样值
Figure SMS_21
和负荷数据的抽样值
Figure SMS_22
，
Figure SMS_24
、
Figure SMS_18
，其中
Figure SMS_23
表示
Figure SMS_26
时刻。
作为本发明的一种优选方案，所述双向场景削减方法具体为：在纵轴优化方向，采用单时段场景削弱；在横轴优化方向，采用多时段场景生成。
作为本发明的一种优选方案，所述步骤S4中，用户全天24h内曲线平坦程度为目标函数是指以平抑配电网台区总负荷曲线、减小峰谷差为目标，用配电网台区总负荷曲线的方差来衡量曲线平坦程度，从而得到的目标函数，目标函数表达式如下：
Figure SMS_28
；
式中，
Figure SMS_31
为目标函数的最小值；
Figure SMS_32
为将1天分为
Figure SMS_34
个时间段，
Figure SMS_30
为第
Figure SMS_33
个时间段；
Figure SMS_35
为时刻配电网台区总负荷；
Figure SMS_36
为
Figure SMS_29
时刻配电网台区总负荷曲线的数学期望。
作为本发明的一种优选方案，所述步骤S4中，确定配电网负荷优化调控约束条件，是指在多时段动态优化模型中，使得配电网负荷优化调控满足预测场景下的相关约束，包括热平衡约束、电采暖直热设备运行约束、电采暖蓄热设备运行约束、直流潮流配电网运行约束和线路传输容量约束，具体如下：
（1）热平衡约束：
Figure SMS_37
；
式中，
Figure SMS_40
为
Figure SMS_43
时刻电采暖直热设备的电功率；
Figure SMS_45
为电采暖直热设备的电热转换效率；
Figure SMS_39
为
Figure SMS_47
时刻电采暖蓄热设备的电功率；
Figure SMS_48
为电采暖蓄热设备的放能效率；
Figure SMS_49
为
Figure SMS_38
时刻用户热量总需求；
Figure SMS_42
为仿真步长，取1小时；
Figure SMS_44
、
Figure SMS_46
、
Figure SMS_41
分别表示电采暖蓄热设备蓄热、放热和中止工作时段的集合；
Figure SMS_50
；
式中，
Figure SMS_52
和
Figure SMS_58
分别为电价峰段和电价谷段的热量需求；
Figure SMS_59
为各时段用户设定的平均采暖温度；
Figure SMS_53
为互联网获取的用户当地24h室外温度预报数据；
Figure SMS_54
为峰值电价起始时刻；
Figure SMS_56
为峰值电价结束时刻；
Figure SMS_57
为谷值电价起始时刻；
Figure SMS_51
为谷值电价结束时刻；
Figure SMS_55
为室内-室外之间的等值热阻；
（2）电采暖直热设备运行约束：
Figure SMS_60
；
式中，
Figure SMS_61
为
Figure SMS_62
时刻电采暖直热设备的电功率；
Figure SMS_63
为电采暖直热设备电功率上限值；
（3）电采暖蓄热设备运行约束：
Figure SMS_64
；
式中，
Figure SMS_67
为
Figure SMS_69
时刻电采暖蓄热设备的电功率；
Figure SMS_72
为电采暖蓄热设备的蓄热能效率；
Figure SMS_66
为电采暖蓄热设备的放能效率；
Figure SMS_70
为电采暖蓄热设备自身向环境散能损失或自损耗的能量系数；
Figure SMS_71
为电采暖蓄热设备在
Figure SMS_73
时刻储存的能量；
Figure SMS_65
为电采暖蓄热设备在
Figure SMS_68
时刻储存的能量；
Figure SMS_74
；
式中，
Figure SMS_75
为
Figure SMS_76
时刻电采暖蓄热设备的电功率；
Figure SMS_77
为电采暖蓄热设备电功率上限值；
Figure SMS_78
；
式中，
Figure SMS_79
为电采暖蓄热设备在
Figure SMS_80
时刻储存的能量；
Figure SMS_81
和
Figure SMS_82
分别为蓄热状态的上下限；
（4）直流潮流配电网运行约束：
Figure SMS_83
；
式中，
Figure SMS_84
为
Figure SMS_85
时刻有功出力和有功负荷的差；
Figure SMS_86
为节点
Figure SMS_87
和节点
Figure SMS_88
的相角差；
Figure SMS_89
为支路
Figure SMS_90
的导纳；
Figure SMS_91
；
式中，
Figure SMS_94
为
Figure SMS_96
，
Figure SMS_102
分别表示节点1、节点2至节点
Figure SMS_93
的有功出力和有功负荷的差；
Figure SMS_95
为
Figure SMS_99
，
Figure SMS_101
分别表示节点1、节点2至节点
Figure SMS_92
的相角；Y表示矩阵的转置；
Figure SMS_97
为
Figure SMS_98
的矩阵，
Figure SMS_100
表示矩阵中变量的个数；
（5）线路传输容量约束：
Figure SMS_103
；
式中，
Figure SMS_107
，
Figure SMS_113
分别为线路传输容量上下界；
Figure SMS_115
为节点
Figure SMS_106
与节点
Figure SMS_108
之间在
Figure SMS_112
时刻的电抗；
Figure SMS_116
表示
Figure SMS_104
时刻节点
Figure SMS_111
的相角；
Figure SMS_114
表示
Figure SMS_117
时刻节点
Figure SMS_105
的相角；
Figure SMS_109
表示
Figure SMS_110
时刻线路传输容量。
作为本发明的一种优选方案，所述步骤S5中，通过量子遗传算法对所述配电网负荷优化调控模型进行调控策略求解的步骤包括：
S51：输入原始参数，对量子比特编码后第
Figure SMS_118
代的第
Figure SMS_119
个基因的初始染色体编码；
S52：进行个体评价，记录种群中最优个体及对应的适应度值大小，以当前最优个体，即配电网台区总负荷曲线平抑效果最优为目标；
S53：通过量子旋转门操作更新染色体编码，生成下一代群体；
S54：进行多次迭代，从而输出规划结果。
作为本发明的一种优选方案，所述步骤S51中，输入原始参数是指设置当前迭代数
Figure SMS_120
，及种群最大迭代次数
Figure SMS_121
，随机生成个体为
Figure SMS_122
的初始种群
Figure SMS_123
；所述初始染色体编码为采用量子比特法对采暖设备启停时刻和运行状态进行编码。
作为本发明的一种优选方案，所述步骤S52中，个体评价为测量初始种群
Figure SMS_124
中的
Figure SMS_125
个个体，得到确定解，即染色体优化解
Figure SMS_126
的二进制编码，求得种群个体适应度值得到对应的十进制数。
作为本发明的一种优选方案，所述步骤S53中，通过量子旋转门操作更新染色体编码，生成下一代群体具体为：采取旋转复数幅的表达方式，基于量子比特基态的染色体进化方式的量子旋转门，如下式所示：
Figure SMS_127
；
式中，
Figure SMS_130
表示采用量子比特编码后迭代
Figure SMS_137
次；
Figure SMS_138
、
Figure SMS_129
表示量子旋转门更新前的染色体中第
Figure SMS_131
个基因；
Figure SMS_134
表示采用量子比特编码后迭代
Figure SMS_135
次；
Figure SMS_128
、
Figure SMS_132
表示通过量子旋转门更新后的染色体中第
Figure SMS_133
个基因；
Figure SMS_136
表示旋转角；
基于量子旋转门更新采暖设备启停时刻和运行状态染色体编码的结果，进一步得到新的种群
Figure SMS_139
。
本发明还提供蓄热式电采暖参与配电网负荷调控装置，所述装置包括：
电热耦合模型构建模块，用于考虑用户自身特性与外界环境因素，获取室内温度
Figure SMS_140
、室外温度
Figure SMS_141
、墙体温度
Figure SMS_142
和采暖设备的温度
Figure SMS_143
，构建综合考虑负荷温度的电热耦合模型；
随机性因素分析模块，用于对所述电热耦合模型进行随机性因素分析；
随机场景生成模块，用于根据随机性因素分析结果，运用拉丁超立方抽样生成不同负荷与温度的随机场景；
调控模型模块，用于在随机场景下构建蓄热式电采暖的配电网负荷优化调控模型；
调控策略模块，用于根据所述配电网负荷优化调控模型求解得到基于随机场景的蓄热式电采暖参与配电网负荷调控策略。
优选地，所述调控模型模块包括目标函数模块、约束条件模块、构建模块；所述目标函数模块用于确定用户全天24h内曲线平坦程度为目标函数，用户全天24h内曲线平坦程度为目标函数是指以平抑配电网台区总负荷曲线、减小峰谷差为目标，用配电网台区总负荷曲线的方差来衡量曲线平坦程度，从而得到的目标函数，目标函数表达式如下：
Figure SMS_144
；
式中，
Figure SMS_147
为目标函数的最小值；
Figure SMS_152
为将1天分为
Figure SMS_153
个时间段，
Figure SMS_146
为第
Figure SMS_149
个时间段；
Figure SMS_150
为
Figure SMS_151
时刻配电网台区总负荷；
Figure SMS_145
为
Figure SMS_148
时刻配电网台区总负荷曲线的数学期望；
所述约束条件模块用于确定配电网负荷优化调控约束条件，在多时段动态优化模型中，使得配电网负荷优化调控满足预测场景下的热平衡约束、电采暖直热设备运行约束、电采暖蓄热设备运行约束、直流潮流配电网运行约束和线路传输容量约束；
所述构建模块用于构建蓄热式电采暖的配电网负荷优化调控模型。
优选地，所述调控策略模块包括量子遗传算法求解模块和策略输出模块；所述量子遗传算法求解模块用于通过量子遗传算法对所述配电网负荷优化调控模型进行调控策略求解；所述策略输出模块用于输出基于随机场景的蓄热式电采暖参与配电网负荷调控策略。
本发明还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的蓄热式电采暖参与配电网负荷调控方法。
与现有技术相比，本发明具有的有益效果是：本发明通过考虑蓄热式电采暖和配电网的运行特性，基于拉丁超立方抽样生成不同负荷与温度的随机场景，构建考虑蓄热式电采暖负荷调节作用的配电网负荷优化调控模型，通过量子遗传算法进行调控策略求解，提高了配电网负荷调控的可靠性和可行性；在原有的配电网负荷调控策略的基础上，加入考虑约束条件和随机场景的模型搭建环节，使得生成的配电网负荷调控策略适用于各种随机场景的情况，从控制上易于实施，同时，各预测函数有现成的算法或软件，控制策略也易于实施；通过本发明的基于随机场景的蓄热式电采暖参与配电网负荷调控策略，不仅减少了采暖用户自身消耗电量和电费支出，而且实现了平抑配电网台区总负荷曲线的目标，使配电网台区总负荷峰谷差率和波动率逐渐减小，且均小于优化前。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。其中：
图1为本发明中蓄热式电采暖参与配电网负荷调控方法的总体流程图；
图2为本发明实施例中电热耦合模型的示意图；
图3为本发明实施例中配电网台区负荷优化前后对比图；
图4为本发明实施例中四个随机采暖负荷算例场景的仿真最优采暖负荷曲线图；
图5为本发明中的装置结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在同一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
如图1所示，为本发明的一个实施例，该实施例提供了蓄热式电采暖参与配电网负荷调控方法，本实施例中的基于随机场景的蓄热式电采暖参与配电网负荷调控策略与传统的调控策略的不同之处在于，传统的调控策略不能让配电网获得更好的负荷特性，特别是随着蓄热式电采暖的大规模并网，将会导致配电网的等值负荷波动性更加强烈。而通过本发明所提出的蓄热式电采暖参与配电网负荷调控方法不仅可以使采暖用户减少自身消耗电量，降低自身电费支出，还可以实现平抑配电网台区总负荷曲线的目标，从而使配电网台区总负荷峰谷差率和波动率逐渐减小。
解决问题的关键是如何满足基于随机场景的蓄热式电采暖参与配电网负荷调控策略的制定，使得配电网在当前场景下负荷调控效果达到最佳。该策略的制定的难点在于影响配电网负荷调控的不确定性因素有很多，如台区类型、天气情况、运行容量等等，所以要采用拉丁超立方抽样的方法进行随机场景的生成，通过量子遗传算法求解出最优解和最劣解，再根据各方案到最优解和最劣解的距离，确定方案的最终排序，进而得到最优的调度策略。如何实现适应各种基于随机场景的蓄热式电采暖参与配电网负荷调控策略制定是首要问题。
从图中的流程可以看出，本方法是通过构建考虑蓄热式电采暖负荷调节作用的配电网负荷优化调控模型，在模型中采用拉丁超立方抽样生成不同负荷和温度的随机场景来实现基于随机场景的蓄热式电采暖参与配电网负荷调控策略的制定，这是与其它方法本质的区别所在。具体包括以下步骤：
S1：考虑用户自身特性与外界环境因素，获取参数构建综合考虑负荷温度的电热耦合模型；获取的参数包括室内温度
Figure SMS_154
、室外温度
Figure SMS_155
、墙体温度
Figure SMS_156
和采暖设备的温度
Figure SMS_157
。
如图2所示，装设采暖设备的建筑物房间的热平衡过程可等效为介质（空气，墙壁等）温度随介质热容得热、散热的时变过程，且其传热过程可等效为经介质热阻的传热过程。将温度与房间热力学参数、采暖设备之间建立联系，构建房间温变-采暖设备功率的电热耦合模型。
S2：进行随机性因素分析；随机性因素包括台区类型、线路长度、负载率、供电半径、供电量、耗电量、运行容量和天气温度等。
S3：运用拉丁超立方抽样生成不同负荷与温度的随机场景：用拉丁超立方抽样从一日中不同时间点随机抽取一组气温和负荷数据；利用双向场景削减方法对气温和负荷数据进行削减，找出具有典型情景的场景；将场景拼合在一起，生成日温度变化曲线和负荷波动场景集；
在一个具体实施例中，拉丁超立方抽样的方法具体包括：
S31：运用正态分布将不同时间点的负荷数据和不同时间点的气温数据整合到一起，得到均值和方差；
S32：根据得到的均值和方差计算累计分布函数
Figure SMS_158
，将累计分布函数
Figure SMS_159
平均分为
Figure SMS_160
个间距为
Figure SMS_161
的互不重叠的区间；
S33：对于
Figure SMS_163
个区间中任意的第
Figure SMS_166
个区间，
Figure SMS_169
，随机产生一个随机数
Figure SMS_164
，
Figure SMS_165
，通过随机数
Figure SMS_167
求得区间
Figure SMS_168
对应的累计分布函数值
Figure SMS_162
；
Figure SMS_170
；
S34：设累计分布函数
Figure SMS_172
的反函数为
Figure SMS_176
，将累计分布函数值
Figure SMS_177
带入反函数
Figure SMS_173
求得气温数据的抽样值
Figure SMS_175
和负荷数据的抽样值
Figure SMS_178
，
Figure SMS_180
、
Figure SMS_171
，其中
Figure SMS_174
表示
Figure SMS_179
时刻。
双向场景削减方法具体为：在纵轴优化方向，采用单时段场景削弱；在横轴优化方向，采用多时段场景生成。
S4：确定用户全天24h内曲线平坦程度为目标函数，用户全天24h内曲线平坦程度为目标函数是指以平抑配电网台区总负荷曲线、减小峰谷差为目标，用配电网台区总负荷曲线的方差来衡量曲线平坦程度，从而得到的目标函数，目标函数表达式如下：
Figure SMS_181
；
式中，
Figure SMS_183
为目标函数的最小值；
Figure SMS_186
为将1天分为
Figure SMS_190
个时间段，
Figure SMS_184
为第
Figure SMS_187
个时间段；
Figure SMS_188
为
Figure SMS_189
时刻配电网台区总负荷；
Figure SMS_182
为
Figure SMS_185
时刻配电网台区总负荷曲线的数学期望。
确定配电网负荷优化调控约束条件是指在多时段动态优化模型中，使得配电网负荷优化调控满足预测场景下的相关约束，包括热平衡约束、电采暖直热设备运行约束、电采暖蓄热设备运行约束、直流潮流配电网运行约束和线路传输容量约束，具体如下：
（1）热平衡约束：
Figure SMS_191
；
式中，
Figure SMS_195
为
Figure SMS_197
时刻电采暖直热设备的电功率；
Figure SMS_198
为电采暖直热设备的电热转换效率；
Figure SMS_193
为
Figure SMS_196
时刻电采暖蓄热设备的电功率；
Figure SMS_199
为电采暖蓄热设备的放能效率；
Figure SMS_200
为
Figure SMS_192
时刻用户热量总需求；
Figure SMS_201
为仿真步长，取1小时；
Figure SMS_202
、
Figure SMS_203
、
Figure SMS_194
分别表示电采暖蓄热设备蓄热、放热和中止工作时段的集合；
Figure SMS_204
；
式中，
Figure SMS_206
和
Figure SMS_210
分别为电价峰段和电价谷段的热量需求；
Figure SMS_211
为各时段用户设定的平均采暖温度；
Figure SMS_207
为互联网获取的用户当地24h室外温度预报数据；
Figure SMS_209
为峰值电价起始时刻；
Figure SMS_212
为峰值电价结束时刻；
Figure SMS_213
为谷值电价起始时刻；
Figure SMS_205
为谷值电价结束时刻；
Figure SMS_208
为室内-室外之间的等值热阻；
（2）电采暖直热设备运行约束：
Figure SMS_214
；
式中，
Figure SMS_215
为
Figure SMS_216
时刻电采暖直热设备的电功率；
Figure SMS_217
为电采暖直热设备电功率上限值；
（3）电采暖蓄热设备运行约束：
Figure SMS_218
；
式中，
Figure SMS_220
为
Figure SMS_223
时刻电采暖蓄热设备的电功率；
Figure SMS_228
为电采暖蓄热设备的蓄热能效率；
Figure SMS_221
为电采暖蓄热设备的放能效率；
Figure SMS_222
为电采暖蓄热设备自身向环境散能损失或自损耗的能量系数；
Figure SMS_225
为电采暖蓄热设备在
Figure SMS_227
时刻储存的能量；
Figure SMS_219
为电采暖蓄热设备在
Figure SMS_224
时刻储存的能量；
Figure SMS_226
；
式中，
Figure SMS_229
为
Figure SMS_230
时刻电采暖蓄热设备的电功率；
Figure SMS_231
为电采暖蓄热设备电功率上限值；
Figure SMS_232
；
式中，
Figure SMS_233
为电采暖蓄热设备在
Figure SMS_234
时刻储存的能量；
Figure SMS_235
和
Figure SMS_236
分别为蓄热状态的上下限；
（4）直流潮流配电网运行约束：
Figure SMS_237
；
式中，
Figure SMS_238
为
Figure SMS_239
时刻有功出力和有功负荷的差；
Figure SMS_240
为节点
Figure SMS_241
和节点
Figure SMS_242
的相角差；
Figure SMS_243
为支路
Figure SMS_244
的导纳；
Figure SMS_245
；
式中，
Figure SMS_247
为
Figure SMS_255
，
Figure SMS_256
分别表示节点1、节点2至节点
Figure SMS_248
的有功出力和有功负荷的差；
Figure SMS_249
为
Figure SMS_251
，
Figure SMS_253
分别表示节点1、节点2至节点
Figure SMS_246
的相角；Y表示矩阵的转置；
Figure SMS_250
为
Figure SMS_252
的矩阵，
Figure SMS_254
表示矩阵中变量的个数；
（5）线路传输容量约束：
Figure SMS_257
；
式中，
Figure SMS_260
，
Figure SMS_262
分别为线路传输容量上下界；
Figure SMS_266
为节点
Figure SMS_261
与节点
Figure SMS_264
之间在
Figure SMS_269
时刻的电抗；
Figure SMS_271
表示
Figure SMS_258
时刻节点
Figure SMS_263
的相角；
Figure SMS_267
表示
Figure SMS_268
时刻节点
Figure SMS_259
的相角；
Figure SMS_265
表示
Figure SMS_270
时刻线路传输容量。
在随机场景下构建蓄热式电采暖的配电网负荷优化调控模型；蓄热式电采暖的工作原理为用户根据自己的使用热舒适度，通过控制器设置蓄热功率、峰谷时段和加热温度。控制器会依据当前时段和蓄热器的温度进行电发热元件的启动和关闭，并且通过调控放热口和循环风机控制放热速率，从而使房间的温度保持在所需求的范围之内。
如图3所示，在符合约束条件的情况下，优化后配电网台区蓄热式电采暖高峰负荷由3.84MW削减至2.4MW左右，但负荷曲线趋势仍和优化前相近，呈现中间低两边高的形态。由此可知，调控策略实施效果较明显，在满足用户热需求的同时削弱了由于供暖集中带来的负荷高峰，优化后蓄热式电采暖负荷仍保留了原有的负荷特性。
S5：通过量子遗传算法对配电网负荷优化调控模型进行调控策略求解，实现基于随机场景的蓄热式电采暖参与配电网负荷调控策略；
S51：输入原始参数，对量子比特编码后第
Figure SMS_272
代的第
Figure SMS_273
个基因的初始染色体编码；输入原始参数是指设置当前迭代数
Figure SMS_274
，及种群最大迭代次数
Figure SMS_275
，随机生成个体为
Figure SMS_276
的初始种群
Figure SMS_277
；初始染色体编码为采用量子比特法对采暖设备启停时刻和运行状态进行编码，因为建立的蓄热式电采暖负荷调节作用的配电网负荷优化调度模型共有1个待求解的目标函数，该部分表示染色体所构成的个体基因即配电网台区总负荷曲线平抑效果最优；
S52：进行个体评价，记录种群中最优个体及对应的适应度值大小，以当前最优个体，即配电网台区总负荷曲线平抑效果最优为目标；个体评价为测量初始种群
Figure SMS_278
中的
Figure SMS_279
个个体，得到确定解，即染色体优化解
Figure SMS_280
的二进制编码，求得种群个体适应度值得到对应的十进制数；
S53：通过量子旋转门操作更新染色体编码，生成下一代群体，具体为：采取旋转复数幅的表达方式，基于量子比特基态的染色体进化方式的量子旋转门，如下式所示：
Figure SMS_281
；
式中，
Figure SMS_284
表示采用量子比特编码后迭代
Figure SMS_285
次；
Figure SMS_286
、
Figure SMS_283
表示量子旋转门更新前的染色体中第
Figure SMS_287
个基因；
Figure SMS_288
表示采用量子比特编码后迭代
Figure SMS_290
次；
Figure SMS_282
、
Figure SMS_289
表示通过量子旋转门更新后的染色体中第
Figure SMS_291
个基因；
Figure SMS_292
表示旋转角；
生成下一代群体是指基于量子旋转门更新采暖设备启停时刻和运行状态染色体编码的结果，进一步得到新的种群
Figure SMS_293
；
S54：进行多次迭代，从而输出规划结果。
S6：输出基于随机场景的蓄热式电采暖参与配电网负荷调控策略；基于随机场景的蓄热式电采暖参与配电网负荷调控策略是指基于拉丁超立方抽样生成不同负荷和温度的随机场景，再通过量子遗传算法求解给出适应当前场景状态的配电网负荷调控策略。
如图4所示，优化策略计算分析如下：算例1实际温度与预测温度比较接近，所以整体采暖负荷是趋于稳定的，白天时段(7:00-18:00)室外温度升高，光照强度增大，采暖负荷逐步减少，并于13点减少至770kW后又逐步回升，于17点回升至夜间采暖负荷平均水平，负荷曲线优化明显；算例2相较于算例1上午的实际温度较低，与预测温度偏差较大，因此采暖负荷增加了3.92%并进行了超前加热，在午后温度上升的情况下，采暖负荷降低了2.89%，部分用户进行了补充制热，采暖负荷曲线产生起伏是由于气温和气象预报的气温有着很大差异，用户基于自己的需要和负荷调控策略进行需求响应；算例3相较于算例1，一天中的真实气温与预计气温相差较大，所以采暖负荷增加了9.79%，许多用户利用直接供热和蓄热式设备来满足自身的采暖需求，可以看出当下午温度上升的时候，采暖负荷虽然降低了5.36%，不过，总体负荷曲线起伏较大；算例3采暖负荷波动比算例2的剧烈，主要是由于出现了一些无法预测的极端天气，导致台区的负荷波动较大；算例4相较于算例1，夜间采暖负荷增加了2.06%，白天采暖负荷减少了3.16%；尽管真实气温与预测气温相差很大，但是算例4的采暖负荷波动比算例2小，这是因为部分采暖用户更加注重自己的经济利益，因此负荷曲线的波动较小。
调控策略效果分析如下：通过分析算例2与算例3数据可以得知，当真实气温偏离预期气温时，在满足用户舒适度的基础上，用户侧参与需求响应的积极性明显增加，从而致使采暖负荷降低了1.89%。分析算例4和算例2的数据可知，不同类型用户响应容量相互叠加体现了蓄热式电采暖负荷与配电网台区的互动潜力。经优化的配电网，各个台区总负荷的峰谷差率和波动率逐渐降低，并且都比优化前的要小。
如图5所示，为本发明的另一实施例，该实施例提供了蓄热式电采暖参与配电网负荷调控装置，包括：
电热耦合模型构建模块，用于考虑用户自身特性与外界环境因素，获取室内温度
Figure SMS_294
、室外温度
Figure SMS_295
、墙体温度
Figure SMS_296
和采暖设备的温度
Figure SMS_297
构建综合考虑负荷温度的电热耦合模型。
随机性因素分析模块，用于对电热耦合模型进行随机性因素分析。随机场景生成模块，用于根据随机性因素分析结果，运用拉丁超立方抽样生成不同负荷与温度的随机场景。
调控模型模块，用于在随机场景下构建蓄热式电采暖的配电网负荷优化调控模型，包括目标函数模块、约束条件模块、构建模块；目标函数模块用于确定用户全天24h内曲线平坦程度为目标函数，用户全天24h内曲线平坦程度为目标函数是指以平抑配电网台区总负荷曲线、减小峰谷差为目标，用配电网台区总负荷曲线的方差来衡量曲线平坦程度，从而得到的目标函数，目标函数表达式如下：
Figure SMS_298
；
式中，
Figure SMS_300
为目标函数的最小值；
Figure SMS_303
为将1天分为
Figure SMS_304
个时间段，
Figure SMS_301
为第
Figure SMS_302
个时间段；
Figure SMS_305
为
Figure SMS_307
时刻配电网台区总负荷；
Figure SMS_299
为
Figure SMS_306
时刻配电网台区总负荷曲线的数学期望；
约束条件模块用于确定配电网负荷优化调控约束条件，在多时段动态优化模型中，使得配电网负荷优化调控满足预测场景下的热平衡约束、电采暖直热设备运行约束、电采暖蓄热设备运行约束、直流潮流配电网运行约束和线路传输容量约束；
构建模块用于构建蓄热式电采暖的配电网负荷优化调控模型；
调控策略模块，用于根据所述配电网负荷优化调控模型求解得到基于随机场景的蓄热式电采暖参与配电网负荷调控策略，包括量子遗传算法求解模块和策略输出模块；量子遗传算法求解模块用于通过量子遗传算法对配电网负荷优化调控模型进行调控策略求解；策略输出模块用于输出基于随机场景的蓄热式电采暖参与配电网负荷调控策略。
本发明还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的蓄热式电采暖参与配电网负荷调控方法。
综上所述，本发明的蓄热式电采暖参与配电网负荷调控方法中的调控策略，不仅减少了采暖用户自身消耗电量和电费支出，而且实现了平抑配电网台区总负荷曲线的目标，使配电网台区总负荷峰谷差率和波动率逐渐减小，且均小于优化前。传统的配电网负荷调控策略，未考虑蓄热式电采暖的大规模使用、新能源电源大规模并网情况和各种不确定因素的影响，从而导致配电网等值负荷波动性增强是系统的稳定性下降。本发明通过考虑蓄热式电采暖和配电网的运行特性，基于拉丁超立方抽样生成不同负荷与温度的随机场景，构建考虑蓄热式电采暖负荷调节作用的配电网负荷优化调控模型，通过量子遗传算法进行调控策略求解，提高了配电网负荷调控的可靠性和可行性。相较传统的配电网负荷调控策略，本发明的策略更易于实施，在原有的配电网负荷调控策略的基础上，加入考虑约束条件和随机场景的模型搭建环节，使得生成的配电网负荷调控策略适用于各种随机场景的情况，从控制上易于实施；同时，各预测函数有现成的算法或软件，控制策略也易于实施。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器、磁盘或光盘等。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (12)

1.蓄热式电采暖参与配电网负荷调控方法，其特征在于，所述方法包括以下步骤：
S1：考虑用户自身特性与外界环境因素，获取参数构建综合考虑负荷温度的电热耦合模型；所述参数包括室内温度
Figure QLYQS_1
、室外温度
Figure QLYQS_2
、墙体温度
Figure QLYQS_3
和采暖设备的温度
Figure QLYQS_4
；
S2：对所述电热耦合模型进行随机性因素分析；所述随机性因素包括台区类型、线路长度、负载率、供电半径、供电量、耗电量、运行容量和天气温度；
S3：根据随机性因素分析结果，运用拉丁超立方抽样生成不同负荷与温度的随机场景；
S4：确定用户全天24h内曲线平坦程度为目标函数，确定配电网负荷优化调控约束条件，在随机场景下构建蓄热式电采暖的配电网负荷优化调控模型；
S5：通过量子遗传算法对所述配电网负荷优化调控模型进行调控策略求解，实现基于随机场景的蓄热式电采暖参与配电网负荷调控策略；
S6：输出基于随机场景的蓄热式电采暖参与配电网负荷调控策略。
2.根据权利要求1所述的蓄热式电采暖参与配电网负荷调控方法，其特征在于，所述步骤S3中，用拉丁超立方抽样生成不同负荷和温度的随机场景具体为：用拉丁超立方抽样从一日中不同时间点随机抽取一组气温和负荷数据，利用双向场景削减方法对所述气温和负荷数据进行削减，找出具有典型情景的场景，将所述场景拼合在一起，生成日温度变化曲线和负荷波动场景集；所述双向场景削减方法具体为：在纵轴优化方向，采用单时段场景削弱；在横轴优化方向，采用多时段场景生成。
3.根据权利要求2所述的蓄热式电采暖参与配电网负荷调控方法，其特征在于，所述拉丁超立方抽样的方法具体包括：
S31：运用正态分布将不同时间点的负荷数据和不同时间点的气温数据整合到一起，得到均值和方差；
S32：根据得到的均值和方差计算累计分布函数
Figure QLYQS_5
，将累计分布函数
Figure QLYQS_6
平均分为
Figure QLYQS_7
个间距为
Figure QLYQS_8
的互不重叠的区间；
S33：对于
Figure QLYQS_9
个区间中任意的第
Figure QLYQS_12
个区间，
Figure QLYQS_13
，随机产生一个随机数
Figure QLYQS_14
，
Figure QLYQS_15
，通过所述随机数
Figure QLYQS_16
求得区间
Figure QLYQS_17
对应的累计分布函数值
Figure QLYQS_10
；
Figure QLYQS_11
；
S34：设累计分布函数
Figure QLYQS_19
的反函数为
Figure QLYQS_20
，将累计分布函数值
Figure QLYQS_22
带入所述反函数
Figure QLYQS_24
求得气温数据的抽样值
Figure QLYQS_25
和负荷数据的抽样值
Figure QLYQS_26
，
Figure QLYQS_27
、
Figure QLYQS_18
，其中
Figure QLYQS_21
表示
Figure QLYQS_23
时刻。
4.根据权利要求1所述的蓄热式电采暖参与配电网负荷调控方法，其特征在于，所述步骤S4中，用户全天24h内曲线平坦程度为目标函数是指以平抑配电网台区总负荷曲线、减小峰谷差为目标，用配电网台区总负荷曲线的方差来衡量曲线平坦程度，从而得到的目标函数，目标函数表达式如下：
Figure QLYQS_28
；
式中，
Figure QLYQS_30
为目标函数的最小值；
Figure QLYQS_31
为将1天分为
Figure QLYQS_33
个时间段，
Figure QLYQS_34
为第
Figure QLYQS_35
个时间段；
Figure QLYQS_36
为
Figure QLYQS_37
时刻配电网台区总负荷；
Figure QLYQS_29
为
Figure QLYQS_32
时刻配电网台区总负荷曲线的数学期望。
5.根据权利要求1所述的蓄热式电采暖参与配电网负荷调控方法，其特征在于，所述步骤S4中，确定配电网负荷优化调控约束条件，是指在多时段动态优化模型中，使得配电网负荷优化调控满足预测场景下的相关约束，包括热平衡约束、电采暖直热设备运行约束、电采暖蓄热设备运行约束、直流潮流配电网运行约束和线路传输容量约束，具体如下：
（1）热平衡约束：
Figure QLYQS_38
；
式中，
Figure QLYQS_40
为
Figure QLYQS_42
时刻电采暖直热设备的电功率；
Figure QLYQS_43
为电采暖直热设备的电热转换效率；
Figure QLYQS_46
为
Figure QLYQS_48
时刻电采暖蓄热设备的电功率；
Figure QLYQS_49
为电采暖蓄热设备的放能效率；
Figure QLYQS_50
为
Figure QLYQS_39
时刻用户热量总需求；
Figure QLYQS_41
为仿真步长，取1小时；
Figure QLYQS_44
、
Figure QLYQS_45
、
Figure QLYQS_47
分别表示电采暖蓄热设备蓄热、放热和中止工作时段的集合；
Figure QLYQS_51
；
式中，
Figure QLYQS_53
和
Figure QLYQS_54
分别为电价峰段和电价谷段的热量需求；
Figure QLYQS_56
为各时段用户设定的平均采暖温度；
Figure QLYQS_57
为互联网获取的用户当地24h室外温度预报数据；
Figure QLYQS_58
为峰值电价起始时刻；
Figure QLYQS_59
为峰值电价结束时刻；
Figure QLYQS_60
为谷值电价起始时刻；
Figure QLYQS_52
为谷值电价结束时刻；
Figure QLYQS_55
为室内-室外之间的等值热阻；
（2）电采暖直热设备运行约束：
Figure QLYQS_61
；
式中，
Figure QLYQS_62
为
Figure QLYQS_63
时刻电采暖直热设备的电功率；
Figure QLYQS_64
为电采暖直热设备电功率上限值；
（3）电采暖蓄热设备运行约束：
Figure QLYQS_65
；
式中，
Figure QLYQS_66
为
Figure QLYQS_68
时刻电采暖蓄热设备的电功率；
Figure QLYQS_70
为电采暖蓄热设备的蓄热能效率；
Figure QLYQS_72
为电采暖蓄热设备的放能效率；
Figure QLYQS_73
为电采暖蓄热设备自身向环境散能损失或自损耗的能量系数；
Figure QLYQS_74
为电采暖蓄热设备在
Figure QLYQS_75
时刻储存的能量；
Figure QLYQS_67
为电采暖蓄热设备在
Figure QLYQS_69
时刻储存的能量；
Figure QLYQS_71
；
式中，
Figure QLYQS_76
为
Figure QLYQS_77
时刻电采暖蓄热设备的电功率；
Figure QLYQS_78
为电采暖蓄热设备电功率上限值；
Figure QLYQS_79
；
式中，
Figure QLYQS_80
为电采暖蓄热设备在
Figure QLYQS_81
时刻储存的能量；
Figure QLYQS_82
和
Figure QLYQS_83
分别为蓄热状态的上下限；
（4）直流潮流配电网运行约束：
Figure QLYQS_84
；
式中，
Figure QLYQS_85
为
Figure QLYQS_86
时刻有功出力和有功负荷的差；
Figure QLYQS_87
为节点
Figure QLYQS_88
和节点
Figure QLYQS_89
的相角差；
Figure QLYQS_90
为支路
Figure QLYQS_91
的导纳；
Figure QLYQS_92
；
式中，
Figure QLYQS_93
为
Figure QLYQS_96
，分别表示节点1、节点2至节点
Figure QLYQS_97
的有功出力和有功负荷的差；
Figure QLYQS_98
为
Figure QLYQS_99
，分别表示节点1、节点2至节点
Figure QLYQS_100
的相角；Y表示矩阵的转置；
Figure QLYQS_101
为
Figure QLYQS_94
的矩阵，
Figure QLYQS_95
表示矩阵中变量的个数；
（5）线路传输容量约束：
Figure QLYQS_102
；
式中，
Figure QLYQS_103
，
Figure QLYQS_105
分别为线路传输容量上下界；
Figure QLYQS_107
为节点
Figure QLYQS_109
与节点
Figure QLYQS_111
之间在
Figure QLYQS_113
时刻的电抗；
Figure QLYQS_115
表示
Figure QLYQS_104
时刻节点
Figure QLYQS_106
的相角；
Figure QLYQS_108
表示
Figure QLYQS_110
时刻节点
Figure QLYQS_112
的相角；
Figure QLYQS_114
表示
Figure QLYQS_116
时刻线路传输容量。
6.根据权利要求1所述的蓄热式电采暖参与配电网负荷调控方法，其特征在于，所述步骤S5中，通过量子遗传算法对所述配电网负荷优化调控模型进行调控策略求解的步骤包括：
S51：输入原始参数，对量子比特编码后第
Figure QLYQS_117
代的第
Figure QLYQS_118
个基因的初始染色体编码；
S52：进行个体评价，记录种群中最优个体及对应的适应度值大小，以当前最优个体，即配电网台区总负荷曲线平抑效果最优为目标；
S53：通过量子旋转门操作更新染色体编码，生成下一代群体；
S54：进行多次迭代，从而输出规划结果。
7.根据权利要求6所述的蓄热式电采暖参与配电网负荷调控方法，其特征在于， 所述步骤S51中，输入原始参数是指设置当前迭代数
Figure QLYQS_119
，及种群最大迭代次数
Figure QLYQS_120
，随机生成个体为
Figure QLYQS_121
的初始种群
Figure QLYQS_122
；
所述初始染色体编码为采用量子比特法对采暖设备启停时刻和运行状态进行编码；所述步骤S52中，个体评价为测量初始种群
Figure QLYQS_123
中的
Figure QLYQS_124
个个体，得到确定解，即染色体优化解
Figure QLYQS_125
的二进制编码，求得种群个体适应度值得到对应的十进制数。
8.根据权利要求7所述的蓄热式电采暖参与配电网负荷调控方法，其特征在于，所述步骤S53中，通过量子旋转门操作更新染色体编码，生成下一代群体具体为：采取旋转复数幅的表达方式，基于量子比特基态的染色体进化方式的量子旋转门，如下式所示：
Figure QLYQS_126
；
式中，
Figure QLYQS_128
表示采用量子比特编码后迭代
Figure QLYQS_129
次；
Figure QLYQS_131
、
Figure QLYQS_133
表示量子旋转门更新前的染色体中第
Figure QLYQS_135
个基因；
Figure QLYQS_137
表示采用量子比特编码后迭代
Figure QLYQS_138
次；
Figure QLYQS_127
、
Figure QLYQS_130
表示通过量子旋转门更新后的染色体中第
Figure QLYQS_132
个基因；
Figure QLYQS_134
表示旋转角；基于量子旋转门更新采暖设备启停时刻和运行状态染色体编码的结果，进一步得到新的种群
Figure QLYQS_136
。
9.蓄热式电采暖参与配电网负荷调控装置，其特征在于，所述装置包括：
电热耦合模型构建模块，用于考虑用户自身特性与外界环境因素，获取室内温度
Figure QLYQS_139
、室外温度
Figure QLYQS_140
、墙体温度
Figure QLYQS_141
和采暖设备的温度
Figure QLYQS_142
构建综合考虑负荷温度的电热耦合模型；
随机性因素分析模块，用于对所述电热耦合模型进行随机性因素分析；
随机场景生成模块，用于根据随机性因素分析结果，运用拉丁超立方抽样生成不同负荷与温度的随机场景；
调控模型模块，用于在随机场景下构建蓄热式电采暖的配电网负荷优化调控模型；
调控策略模块，用于根据所述配电网负荷优化调控模型求解得到基于随机场景的蓄热式电采暖参与配电网负荷调控策略。
10.根据权利要求9所述的蓄热式电采暖参与配电网负荷调控装置，其特征在于，所述调控模型模块包括目标函数模块、约束条件模块、构建模块；所述目标函数模块用于确定用户全天24h内曲线平坦程度为目标函数，用户全天24h内曲线平坦程度为目标函数是指以平抑配电网台区总负荷曲线、减小峰谷差为目标，用配电网台区总负荷曲线的方差来衡量曲线平坦程度，从而得到的目标函数，目标函数表达式如下：
Figure QLYQS_143
；
式中，
Figure QLYQS_145
为目标函数的最小值；
Figure QLYQS_147
为将1天分为
Figure QLYQS_148
个时间段，
Figure QLYQS_149
为第
Figure QLYQS_150
个时间段；
Figure QLYQS_151
为
Figure QLYQS_152
时刻配电网台区总负荷；
Figure QLYQS_144
为
Figure QLYQS_146
时刻配电网台区总负荷曲线的数学期望；
所述约束条件模块用于确定配电网负荷优化调控约束条件，在多时段动态优化模型中，使得配电网负荷优化调控满足预测场景下的热平衡约束、电采暖直热设备运行约束、电采暖蓄热设备运行约束、直流潮流配电网运行约束和线路传输容量约束；
所述构建模块用于构建蓄热式电采暖的配电网负荷优化调控模型。
11.根据权利要求9所述的蓄热式电采暖参与配电网负荷调控装置，其特征在于，所述调控策略模块包括量子遗传算法求解模块和策略输出模块；所述量子遗传算法求解模块用于通过量子遗传算法对所述配电网负荷优化调控模型进行调控策略求解；所述策略输出模块用于输出基于随机场景的蓄热式电采暖参与配电网负荷调控策略。
12.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的蓄热式电采暖参与配电网负荷调控方法。
CN202310505281.5A 2023-05-08 2023-05-08 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质 Active CN116247682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310505281.5A CN116247682B (zh) 2023-05-08 2023-05-08 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310505281.5A CN116247682B (zh) 2023-05-08 2023-05-08 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116247682A true CN116247682A (zh) 2023-06-09
CN116247682B CN116247682B (zh) 2023-07-25

Family

ID=86631657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310505281.5A Active CN116247682B (zh) 2023-05-08 2023-05-08 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116247682B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117709554A (zh) * 2024-02-04 2024-03-15 天津龙海科技有限公司 一种储热与电磁加热器联合的能源调度方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111668851A (zh) * 2020-05-14 2020-09-15 中国电力科学研究院有限公司 一种电采暖负荷调节优化方法及装置
CN112116150A (zh) * 2020-09-17 2020-12-22 河北工业大学 一种负荷聚合商参与蓄热式电采暖电力市场调节方法
CN114169236A (zh) * 2021-12-03 2022-03-11 国网新疆电力有限公司昌吉供电公司 基于lstm算法的相变蓄热式电采暖负控系统控制方法
CN114462308A (zh) * 2022-01-18 2022-05-10 三峡大学 一种考虑配电网潮流均衡性的蓄热式电采暖优化配置方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111668851A (zh) * 2020-05-14 2020-09-15 中国电力科学研究院有限公司 一种电采暖负荷调节优化方法及装置
CN112116150A (zh) * 2020-09-17 2020-12-22 河北工业大学 一种负荷聚合商参与蓄热式电采暖电力市场调节方法
CN114169236A (zh) * 2021-12-03 2022-03-11 国网新疆电力有限公司昌吉供电公司 基于lstm算法的相变蓄热式电采暖负控系统控制方法
CN114462308A (zh) * 2022-01-18 2022-05-10 三峡大学 一种考虑配电网潮流均衡性的蓄热式电采暖优化配置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋杰 等: "蓄热式电采暖负荷参与风电消纳运行策略研究", 蓄热式电采暖负荷参与风电消纳运行策略研究, vol. 49, no. 3, pages 80 - 87 *
陆斯悦 等: "基于需求侧调峰的农村电采暖设备负荷优化控制策略", 农业工程学报, vol. 36, no. 09, pages 229 - 234 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117709554A (zh) * 2024-02-04 2024-03-15 天津龙海科技有限公司 一种储热与电磁加热器联合的能源调度方法及系统
CN117709554B (zh) * 2024-02-04 2024-04-16 天津龙海科技有限公司 一种储热与电磁加热器联合的能源调度方法及系统

Also Published As

Publication number Publication date
CN116247682B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Wei et al. A bi-level scheduling model for virtual power plants with aggregated thermostatically controlled loads and renewable energy
CN110458443B (zh) 一种基于深度强化学习的智慧家庭能量管理方法及系统
CN108321793B (zh) 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法
CN107732897B (zh) 融合虚拟储能系统的楼宇微网模型预测调控方法
Hong et al. Optimal sizing of renewable energy generations in a community microgrid using Markov model
Li et al. Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response
CN112036934A (zh) 考虑热电协调运行的负荷聚合商参与需求响应的报价方法
CN116247682B (zh) 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质
CN110474370B (zh) 一种空调可控负荷、光伏储能系统的协同控制系统及方法
Jones et al. Evaluation of distributed building thermal energy storage in conjunction with wind and solar electric power generation
CN107994574B (zh) 面向新能源消纳的集中式温控负荷侧需求响应的决策方法
Ma et al. Two-stage stochastic robust optimization model of microgrid day-ahead dispatching considering controllable air conditioning load
Yang et al. Building electrification and carbon emissions: Integrated energy management considering the dynamics of the electricity mix and pricing
CN116365592B (zh) 一种光储柔系统设计与运行协同优化方法、装置、介质
Ruan et al. Optimization on building combined cooling, heating, and power system considering load uncertainty based on scenario generation method and two-stage stochastic programming
CN109784554A (zh) 一种基于主从博弈的电力系统最优调度方法
Alahäivälä et al. A framework for the assessment of electric heating load flexibility contribution to mitigate severe wind power ramp effects
CN113328432A (zh) 一种家庭能量管理优化调度方法及系统
Hakimi et al. Smart virtual energy storage control strategy to cope with uncertainties and increase renewable energy penetration
Dorahaki et al. A sharing economy model for a sustainable community energy storage considering end-user comfort
CN111555291A (zh) 一种基于自适应粒子群的负荷集群控制方法
Wang et al. Event-triggered online energy flow control strategy for regional integrated energy system using Lyapunov optimization
CN111523697A (zh) 一种综合能源服务成本分摊与定价计算方法
Pacaud et al. Stochastic optimal control of a domestic microgrid equipped with solar panel and battery
CN109343461A (zh) 一种楼宇自动化控制系统的节能控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant