CN117952401A - 基于灵活性分析的源网荷储协同优化调度方法及系统 - Google Patents

Abstract

本发明属于源网荷储协同优化领域，提供了基于灵活性分析的源网荷储协同优化调度方法及系统，考虑到新型电力系统建设和发展过程中对源网荷储协同优化以及电力系统灵活性能力提升的迫切需求这一现状，首先进行新型电力系统灵活性供需平衡分析；在对新型电力系统的灵活性供需平衡进行分析时，引入灵活性需求的不确定性因素，之后结合了具体场景下的灵活性平衡的特点，进行考虑多类灵活性资源参与的新型电力系统灵活性提升建模；最后进行新型电力系统源网荷储日前、日内协同优化调度建模。极大地提升了源网荷储协同优化调度的灵活性，实现了新型电力系统多时间尺度下的灵活性提升。

Description

基于灵活性分析的源网荷储协同优化调度方法及系统

技术领域

本发明属于源网荷储协同优化领域，尤其涉及基于灵活性分析的源网荷储协同优化调度方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

可再生能源发电占电力系统总发电量占比不断增加，可再生能源势必成为电力系统的重要主体，建设新型电力系统成为重要发展方向。

现有技术采用的“源随荷动”的调度方式，如公开号为CN115833255A，发明名称为“一种灵活性供需平衡的源荷协同优化调度方法及终端”，其虽然分析了灵活性供需平衡的源荷协同优化调度，但是其考虑的是如何实现源荷双侧的灵活性，并未考虑新型电力系统的灵活性供需平衡进行分析时，存在的不确定性因素；

再如公开号为CN115222195A，发明名称为“考虑源-网-荷-储灵活性资源的配电网优化调度方法”，其虽然提及了上调灵活性不足指标和下调灵活性不足指标，但是并未考虑该指标在具体场景下的灵活性平衡的特点以及新型电力系统源网荷储日前、日内协同优化调度，因此，无法保证新型电力系统的灵活性供需平衡在可控范围。

发明内容

为了解决上述背景技术中存在的至少一项技术问题，本发明提供基于灵活性分析的源网荷储协同优化调度方法及系统，其在对新型电力系统的灵活性供需平衡进行分析时，引入灵活性需求的不确定性因素，之后，进行考虑多类灵活性资源参与的新型电力系统灵活性提升建模时，结合了具体场景下的灵活性平衡的特点；最后进行新型电力系统源网荷储日前、日内协同优化调度建模，极大地提升了源网荷储协同优化调度的灵活性，实现了新型电力系统多时间尺度下的灵活性提升。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一方面提供基于灵活性分析的源网荷储协同优化调度方法，包括如下步骤：

对电力系统涉及的灵活性供给资源分类，引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标；

基于第一灵活性指标，结合构建的考虑多类灵活性资源参与的新型电力系统灵活性提升模型，得到第二灵活性指标；其中，对新能源弃风弃光量分配，得到考虑电源侧灵活性资源参与的系统灵活性指标，基于电动汽车负荷的可控负荷，构建相应的负荷调节潜力模型，得到考虑负荷侧灵活性资源参与的系统灵活性指标；

根据第二灵活性指标构建新型电力系统源网荷储日前、日内协同优化调度模型，并对所述优化调度模型进行求解，得到调度方案。

进一步地，所述引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标，包括如下步骤：

分别构建可再生能源的出力不确定性和负荷不确定性模型；

结合可再生能源的出力不确定性和负荷不确定性模型得到整个系统的净负荷；

基于整个系统的净负荷得到任意时刻节点的上调灵活性需求和下调灵活性需求；

结合任意时刻节点的上调灵活性需求和下调灵活性需求，通过电力平衡推导得出满足灵活性供需平衡的第一灵活性指标。

进一步地，所述任意时刻节点的上调灵活性需求和下调灵活性需求表示为：

，

，

，

，

，

其中，为任意时刻节点的上调灵活性需求，/>为/>时刻的实际净负荷，/>为/>时刻实际净负荷，/>为任意时刻节点的下调灵活性需求，为/>时刻实际负荷；/>为/>时刻实际可再生能源出力，/>为/>时刻负荷预测值，/>为/>时刻负荷预测值，/>为/>时刻预测的负荷偏差变量，/>为/>时刻预测的可再生能源出力偏差变量，/>为/>时刻预测的净负荷偏差变量，/>、/>、分别为净负荷、负荷、风电不确定性的概率分布函数，/>为时间尺度。

进一步地，所述满足灵活性供需平衡的第一灵活性指标为：任意时刻净负荷的向上波动不能超过机组的上爬坡速率，否则会出现供不应求的情况，向下波动也不能超过机组的下爬坡速率，否则会出现供大于求的情况。

进一步地，所述对新能源弃风弃光量分配，得到考虑电源侧灵活性资源参与的系统灵活性指标，包括：

构建有效向上、向下爬坡容量分布；

将机组组合有效向上、向下爬坡容量分布，经过半不变量法和Gram-Charlier级数展开后，得到机组组合爬坡速率连续概率分布函数；

基于机组组合爬坡速率连续概率分布函数，进行新能源弃风弃光量分配，得到弃风弃光下的灵活性指标。

进一步地，所述基于机组组合爬坡速率连续概率分布函数，进行新能源弃风弃光量分配，包括：

将原净负荷曲线中，将净负荷由下降到上升的拐点视为时刻，对时刻/>后的上升阶段不做弃风弃光处理，对时刻/>的原下调灵活性不足概率乘以修正系数使其概率为1，对时刻/>前的下降阶段进行弃风弃光处理；

通过允许弃风弃光量和基于修正析出修正后的下调灵活性不足概率得到每一时刻的允许弃风弃光量。

进一步地，所述基于电动汽车负荷的可控负荷，构建相应的负荷调节潜力模型，得到考虑负荷侧灵活性资源参与的系统灵活性指标，包括：

构建考虑充放电效率的电动汽车的剩余电量与充放电状态的关系；

将充放电系数变量转换为需求响应系数变量；

结合需求响应系数变量和充放电状态的变化，得到可控电动汽车的功率最大可调减潜力和最大可调增潜力变化规律。

进一步地，所述可控电动汽车的功率最大可调减潜力和最大可调增潜力变化规律为：

当所有汽车都由原计划的状态变化为放电状态时，呈现最大调减潜力，此时；当所有汽车都由原计划的状态变化为充电状态时，呈现最大调增潜力，此时/>，其中，/>表示电动汽车参与响应需求响应后同一时刻充放电状态。

进一步地，新型电力系统源网荷储日前协同优化调度模型中，目标函数为：

，

其中，为风电、光伏、火电、储能以及负荷参与优化调度时系统的综合成本；/>为火电机组运行煤耗成本、/>为火电机组启停成本；/>为风电、光伏弃风弃光惩罚成本；/>为储能设备调用成本，

约束条件包括：功率平衡约束、机组出力约束、机组爬坡约束、机组启停时间约束、机组起停费用约束、价格型需求响应约束、潮流安全约束和储能设备约束。

新型电力系统源网荷储日内协同优化调度模型中，目标函数为：

，

式中，为日内优化调度时系统的综合成本，/>为激励型需求响应成本，

约束条件包括：功率平衡约束和机组爬坡约束。

本发明的第二方面提供基于灵活性分析的源网荷储协同优化调度系统，包括：

供需平衡分析模块，其用于对电力系统涉及的灵活性供给资源分类，引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标；

灵活性指标获取模块，其用于基于第一灵活性指标，结合构建的考虑多类灵活性资源参与的新型电力系统灵活性提升模型，得到第二灵活性指标；其中，对新能源弃风弃光量分配，得到考虑电源侧灵活性资源参与的系统灵活性指标，基于电动汽车负荷的可控负荷，构建相应的负荷调节潜力模型，得到考虑负荷侧灵活性资源参与的系统灵活性指标；

调度方案生成模块，其用于根据第二灵活性指标构建新型电力系统源网荷储日前、日内协同优化调度模型，并对所述优化调度模型进行求解，得到调度方案。

进一步地，供需平衡分析模块中，所述引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标，包括如下步骤：

分别构建可再生能源的出力不确定性和负荷不确定性模型；

结合可再生能源的出力不确定性和负荷不确定性模型得到整个系统的净负荷；

基于整个系统的净负荷得到任意时刻节点的上调灵活性需求和下调灵活性需求；

结合任意时刻节点的上调灵活性需求和下调灵活性需求，通过电力平衡推导得出满足灵活性供需平衡的第一灵活性指标。

与现有技术相比，本发明的有益效果是：

本发明在对新型电力系统的灵活性供需平衡进行分析时，引入灵活性需求的不确定性因素，保证了新型电力系统的灵活性供需平衡在可控范围；之后，进行考虑多类灵活性资源参与的新型电力系统灵活性提升建模时，结合了具体场景下的灵活性平衡的特点；最后进行新型电力系统源网荷储日前、日内协同优化调度建模，极大地提升了源网荷储协同优化调度的灵活性，实现了源网荷储灵活性资源的互联互通，以及新型电力系统多时间尺度下的灵活性提升。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例提供的基于灵活性分析的源网荷储协同优化调度方法整体流程示意图；

图2是本发明实施例提供的电力系统灵活性供需平衡示意图；

图3是本发明实施例提供的电力平衡和灵活性平衡对比图；其中，图3中(a)为电力平衡原理示意图，图3中(b)为灵活性平衡原理示意图；

图4是本发明实施例提供的有效爬坡容量概率分布图；其中，图4中(a)为机组组合有效向上爬坡容量分布图，图4中（b）为机组组合有效向下爬坡容量分布图；

图5是本发明实施例提供的主动弃风弃光具体流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

如图1所示，本实施例提供了一种基于灵活性分析的电力系统源网荷储协同优化调度方法，包括如下步骤：

S101：对新型电力系统的灵活性供需平衡进行分析；

S101中，所述对新型电力系统的灵活性供需平衡进行分析，具体包括：

S1011：对灵活性供给资源进行分类；

电力系统中的灵活性供给可以来源于源、网、荷、储各个环节和主体，包括电源侧、输电网侧、负荷侧、储能侧四个方面的灵活性供给资源如下：

（1）电源侧

电力系统中最广泛应用、最主要的灵活性资源就是常规机组，其具有较快的调节速率，能够响应从分钟级到小时级的灵活性需求，其在最大、最小技术出力区间内，按照其爬坡速率进行调节。

火电机组在时刻可以提供的上调灵活性和下调灵活性如下：

，

，

式中，为时间尺度；/>、/>为火电机组额定爬坡速率；/>和/>分别为火电机组额定最大、最小输出功率；/>为/>时刻火电机组实际输出功率。

（2）输电网侧

网络传输灵活性是指在满足潮流约束和其他系统约束的情况下，网架结构传输其他灵活性资源发出功率的能力。网络侧灵活性资源不直接参与优化调度手段，而是通过相应的潮流约束对电力系统平衡状态求解进行约束，以使电力系统处于潮流稳态并满足灵活性供需平衡。

（3）负荷侧

如果市场有一定的需求响应机制，负荷侧在某些条件下也能够提供一定的调节能力。根据负荷响应激励机制的不同，可将需求响应简单分类为价格型需求响应和激励型需求响应。

（4）储能侧

电力系统内的储能设备，其放电时可视为向上灵活性资源，相反充电时可视为向下灵活性资源，具有双向调节的特征，并且储能充放电速度较快，具有调节速率高的优点，可运用于各个时间尺度的调度中。储能设备在时刻可以提供的上调灵活性容量、下调灵活性容量如下：

，

，

式中，和/>分别为储能设备的放、充电功率；/>和/>分别为储能设备的额定最大、最小电能量；/>为/>时刻储能装置剩余电量。

S1012：对灵活性需求的不确定性分析；

灵活性需求来源于可再生能源的波动、负荷的预测误差、发电机组意外故障停机造成的输出功率骤降、输电网传输功率限制造成的故障或缺负荷等。

电力系统灵活性需求的不确定性是影响电力系统灵活性供需平衡的主要因素。

对于可再生能源而言，其出力取决于自然资源，属于强不确定性资源，其出力的随机性较强；

对于负荷而言，由于其存在较强的规律性，但仍存在一定的不确定性。

因此，为使可再生能源曲线和负荷曲线包含不确定性，以更准确反应系统灵活性需求，本实施例中，借助相关预测模型结论对可再生能源出力和负荷用电预测曲线做相应的误差处理，具体包括：

S10121：对可再生能源出力不确定性分析；

其中，以风电和光伏发电为代表的可再生能源出力不确定性可表示为：

，

式中，为/>时刻可再生能源出力预测值；/>为/>时刻负荷预测值，为/>时刻预测的可再生能源出力偏差变量，该随机变量服从期望为0、方差为/>的正态分布。

S10122：对负荷不确定性分析；

负荷不确定性是由于用户行为不确定引起的，获得足够的历史数据来确定负荷不确定性概率分布类型是困难的，采用给定标准偏差的正态分布来描述负荷的不确定性，因此负荷出力的不确定性模型可表示为：

，

式中，为/>时刻负荷预测值；/>为/>时刻预测的负荷偏差变量，该随机变量服从期望为0、方差为/>的正态分布，标准方差可通过历史数据计算得到。

S10123：结合可再生能源出力不确定性和负荷不确定性模型得到时刻节点的上调灵活性需求和下调灵活性需求；

对于整个系统，可再生能源出力与负荷的预测误差存在叠加，导致灵活性需求进一步增强，进而影响系统的实时供需平衡。

因此，定义负荷与可再生能源出力之差为净负荷，净负荷表达如下：

，

式中，为/>时刻实际净负荷；/>为/>时刻实际负荷；/>为/>时刻实际可再生能源出力。

定义为/>时刻预测的净负荷偏差变量，该偏差变量的概率分布可由可再生能源出力不确定性模型和负荷不确定性模型通过卷积原理得到。

因此，净负荷的偏差变量及其概率分布如下：

，

，

式中，、/>、/>分别为净负荷、负荷、风电不确定性的概率分布函数。视原预测曲线在实际运行时会在预测偏差变量的区间内随机波动，从而通过上述计算得到的净负荷预测曲线为考虑一定置信度下不确定性的预测曲线。

综上，时刻节点的上调灵活性需求和下调灵活性需求可表示为：

，

。

基于时刻节点的上调灵活性需求和下调灵活性需求，分析考虑电源侧灵活性资源参与的系统灵活性指标（新能源弃风弃光量分配）和考虑负荷侧灵活性资源参与的系统灵活性指标（基于电动汽车负荷的可控负荷）。

S1013：通过电力平衡推导灵活性平衡的特点；

电力系统灵活性供需平衡示意图如图2所示。电力系统灵活性平衡由电力平衡推导而来，但二者并不相同，灵活性平衡更多地针对于系统功率波动下的平衡。灵活性平衡由电力平衡差分得到，电力平衡中包含了灵活性平衡，但电力平衡侧重于实时的功率平衡，而灵活性平衡关注于功率的波动、变化。

电力平衡和灵活性平衡的对比如图3中(a)和（b）所示。

如图3中(a)为电力平衡的原理示意图，净负荷曲线落在机组出力上、下限曲线之间，机组的出力区间能够满足净用电需求，系统实现电力平衡；任意时刻净负荷既不能大于机组出力上限，否则会出现失负荷现象，也不能小于机组出力下限，否则会造成发电量浪费。

如图3中(b)为灵活性平衡的原理示意图，净负荷波动曲线落在机组上、下调能力曲线之间，上下调能力即机组的上、下爬坡速率，因此机组的爬坡速率能够满足净用电的变动率，系统实现灵活性平衡；

任意时刻净负荷的向上波动不能超过机组的上爬坡速率，否则会出现供不应求的情况，向下波动也不能超过机组的下爬坡速率，否则会出现供大于求的情况。

S102：构建考虑多类灵活性资源参与的新型电力系统灵活性提升模型；

所述的考虑多类灵活性资源参与的新型电力系统灵活性提升建模具体是指考虑电源侧灵活性资源和负荷侧灵活性资源参与的新型电力系统灵活性提升建模，建模过程如下：

具体包括如下步骤：

S201：构建考虑电源侧灵活性资源参与的系统灵活性提升模型，具体包括：

S2011：构建有效向上、向下爬坡容量分布，将机组组合有效向上、向下爬坡容量分布经过半不变量法和Gram-Charlier级数展开后，得到机组组合爬坡速率连续概率分布函数；

考虑机组的随机停运概率，即考虑正常开机状态、强制停机状态，并构建综合发电量概率分布模型，则机组可提供的有效爬坡速率如下：

，

，

式中，为第/>个机组在第/>个发电出力区间的向上爬坡容量；/>为向下爬坡容量；/>为强迫停运率。

前个机组开机后，/>个机组整体在第/>个出力区间的有效向上、向下爬坡容量分布为：

，

，

为了解决离散函数为后续计算带来的不便，进一步采用半不变量法Gram-Charlier级数展开的方法对上述离散有效爬坡速率进行处理，以得到精度较高，并易于计算的有效爬坡速率连续分布函数。

将机组组合有效向上、向下爬坡容量分布经过半不变量法和Gram-Charlier级数展开后，可得到机组组合爬坡速率连续概率分布函数。前台机组开机后，考虑其随机停运率的有效向上、向下爬坡容量的分布函数分别为/>、/>，如图4所示。

S2012：基于净负荷曲线和机组组合爬坡速率连续概率分布函数，进行新能源弃风弃光量分配；

高可再生能源渗透率的电力系统具有下调灵活性不足风险较大，具体的弃风弃光手段为：将原净负荷预测曲线中，净负荷由下降到上升的拐点视为时刻，对时刻/>后的上升阶段不做弃风弃光处理，对时刻/>的原下调灵活性不足概率乘以修正系数使其概率为1，对时刻/>前的下降阶段进行弃风弃光处理。

定义修正系数：

，

式中，，/>代表/>前一个净负荷曲线由上升变为下降的时刻。

那么，对于至/>时刻之间的下调灵活性不足概率为：

，

每一时刻的允许弃风弃光量由上式的系数决定，分配方法如下：

，

式中，为允许弃风弃光量，/>为/>时刻分配的弃风弃光量。

依据修正后的下调灵活性不足概率指标，对弃风弃光量进行分配，此方法可以较好地改善爬坡速率不足问题，使弃风弃光后的净负荷曲线尽可能的平滑，具有一定的填谷作用，并提升系统灵活性。

主动弃风弃光具体流程如图5所示。在日前阶段，通过预测次日负荷曲线和风、光发电出力曲线，确定净负荷曲线及新能源渗透率，同时制定次日开机组合计划，并根据计划进行出力区间的划分和爬坡有效容量概率分布的计算。

在此基础上，进行主动弃风弃光分配，基于弃风弃光后的风、光发电出力曲线，重新计算净负荷曲线并进行日前阶段的开机组合计划制定。

S202：构建考虑负荷侧灵活性资源参与的系统灵活性提升模型；

本实施例基于电动汽车负荷这一典型可控负荷，构建相应的负荷调节潜力模型。

电动汽车负荷是一种常见的柔性可控负荷，电动汽车可以反向，向电网或配电系统输送电能，但电动汽车的电池充放电效率受到许多因素的影响，如电池寿命、充放电频率等。

因此考虑充放电效率的电动汽车的剩余电量与充放电状态的关系可表示为：

，

式中，为电动汽车在/>时刻的剩余电量，单位为kWh；/>为电动汽车在/>时刻的充电状态，值为1表示汽车充电，值为0表示汽车不充电，值为-1时表示反向放电；/>为引入的充放电系数变量；/>为充放电功率，单位为kW；/>为单位充放电时间，单位为h。

考虑到充电过程中消耗的功率与其充电效率无关，而在反向放电时，输送的功率与其放电效率有关，因此将充放电系数变量/>转换为需求响应系数变量/>：

，

定义第台电动汽车原始充电状态为/>且/>为0或1，若参与需求响应，响应后同一时刻充放电状态/>变化为0或1或-1。

电动汽车的充放电应按照额定功率和效率进行，并且在两个控制时刻之间维持上一时刻的状态不改变，因此其可调节潜力为：

，

电动汽车的调减工作功率和调增工作功率可表示为：

，

，

设有台可控电动汽车的聚合汽车群，当所有汽车都由原计划的状态变化为放电状态时，呈现最大调减潜力，此时/>；当所有汽车都由原计划的状态变化为充电状态时，呈现最大调增潜力，此时/>。因此，聚合汽车群的功率最大可调减潜力、最大可调增潜力分别为：

，

，

其中，为第/>台电动汽车原始充电状态/>所对应的充电效率，/>为第/>台电动汽车的功率；

S103：构建新型电力系统源网荷储日前、日内协同优化调度模型：

S301：日前调度模型的构建过程包括：

S3011：构建日前调度模型的目标函数，具体包括：

日前调度模型中包含传统火电机组、风电与光伏电站、储能设备、PDR负荷、大用户。综合考虑源、网、荷、储各个主体的调度成本，建立综合成本最优的电力系统日前调度模型，目标函数如下：

，

式中，为风电、光伏、火电、储能以及负荷参与优化调度时系统的综合成本；/>为火电机组运行煤耗成本、/>为火电机组启停成本；/>为风电、光伏弃风弃光惩罚成本；/>为储能设备调用成本。

火电机组运行煤耗成本如下：

，

式中，为调度时间；/>为火电机组台数；/>为机组启停状态，其值为1时表示机组开启，其值为0时表示机组关停；/>为机组向系统的输出功率；/>、/>、/>为机组的煤耗成本系数。

火电机组启停成本如下：

，

式中，为机组开机成本系数；/>为机组关机成本系数。

风电、光伏弃风弃光惩罚成本如下：

，

式中，为风电每弃发单位功率的惩罚成本系数；/>为风电日前预测的输出功率；/>为光伏每弃发单位功率的惩罚成本系数；/>为光伏日前预测的输出功率。

储能设备调用成本如下：

，

式中，为储能设备充、放电单位功率的运行维护成本，/>为储能的充、放电功率，其为正时表示设备充电。

S3011：构建日前调度模型的约束条件，具体包括：

功率平衡约束如下：

，

式中，为大用户运营商向电网购电量；/>为价格型需求响应后的负荷功率；/>为激励型需求响应前的负荷功率。

机组出力约束如下：

，

式中，、/>分别为火电机组最小、最大出力。

机组爬坡约束如下：

，

式中，、/>分别为火电机组最大下坡、上坡功率。

机组启停时间约束如下：

，

，

式中，、/>分别为火电机组最小开机、关机时长。

机组起停费用约束如下：

，

采用峰、谷、平三时段分时电价，并用弹性矩阵描述电价变化对负荷响应的影响，价格型需求响应约束如下：

，

式中，为需求弹性矩阵；/>、/>、/>为峰、谷、平三时段负荷变化率；/>、/>、/>为峰、谷、平三时段电价变化率。

由于用户用电计划调整量有限，设置价格型需求响应量的上限，约束如下：

，

式中，为价格型需求响应前的负荷，/>为上限值。

计算潮流的转移分布因子矩阵G，潮流安全约束如下：

，

式中，、/>分别为第l条支路上最小、最大输送功率，/>为系统转移分布因子矩阵；/>为系统节点数；/>为系统节点数减1。

储能设备约束如下：

，/>

，

经过上述调度阶段后，可将部分调度结果作为确定量代入日内调度阶段中，包括：火电机组启停计划，即将作为确定量代入下一阶段；各时刻价格型需求响应量，即将作为确定量代入下一阶段；各时刻大用户购电量，即将/>作为确定量代入下一阶段。

S302：日内调度模型的构建过程包括：

与日前调度阶段相比，日内调度阶段不考虑启停机成本，需确定火电机组的出力计划与激励型需求响应负荷调用计划，可再生能源日内预测功率的变化使弃风弃光惩罚成本或储能调用成本发生变化，也需对其重新修正。

S3021：构建日内调度模型的目标函数，日内调度阶段以系统成本最优为目标函数，其表达式如下：

，

式中，为日内优化调度时系统的综合成本，/>为激励型需求响应成本。

风电、光伏弃风弃光惩罚成本可表示为：

，

式中，为风电日内预测的输出功率；/>为光伏日内预测的输出功率。

激励型需求响应成本可表示为：

，

式中，为激励型需求响应资源调用成本系数；/>为/>时刻调用的激励型需求响应负荷量。

S3022：构建日内调度模型的约束条件，日内调度中各机组出力约束、直流潮流约束及储能设备约束与日前阶段类似。由于时间尺度变小，故火电机组爬坡约束发生变化。

功率平衡约束如下：

，

机组爬坡约束如下：

，

式中，为日前调度时间尺度与日内调度时间尺度的比值。

S104:对新型电力系统源网荷储日前、日内协同优化调度模型求解，得到相应的调度方案。

实施例二

本实施例提供基于灵活性分析的源网荷储协同优化调度系统，包括：

供需平衡分析模块，其用于对电力系统涉及的灵活性供给资源分类，引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标；

灵活性指标获取模块，其用于基于第一灵活性指标，结合构建的考虑多类灵活性资源参与的新型电力系统灵活性提升模型，得到第二灵活性指标；其中，对新能源弃风弃光量分配，得到考虑电源侧灵活性资源参与的系统灵活性指标，基于电动汽车负荷的可控负荷，构建相应的负荷调节潜力模型，得到考虑负荷侧灵活性资源参与的系统灵活性指标；

调度方案生成模块，其用于根据第二灵活性指标构建新型电力系统源网荷储日前、日内协同优化调度模型，并对所述优化调度模型进行求解，得到调度方案。

供需平衡分析模块中，所述引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标，包括如下步骤：

分别构建可再生能源的出力不确定性和负荷不确定性模型；

结合可再生能源的出力不确定性和负荷不确定性模型得到整个系统的净负荷；

基于整个系统的净负荷得到任意时刻节点的上调灵活性需求和下调灵活性需求；

结合任意时刻节点的上调灵活性需求和下调灵活性需求，通过电力平衡推导得出满足灵活性供需平衡的第一灵活性指标。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的基于灵活性分析的源网荷储协同优化调度方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的基于灵活性分析的源网荷储协同优化调度方法中的步骤。

实施例五

本实施例提供了一种程序产品，所述程序产品为计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如实施例一所述的基于灵活性分析的源网荷储协同优化调度方法中的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于灵活性分析的源网荷储协同优化调度方法，其特征在于，包括如下步骤：

对电力系统涉及的灵活性供给资源分类，引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标；

基于第一灵活性指标，结合构建的考虑多类灵活性资源参与的新型电力系统灵活性提升模型，得到第二灵活性指标；其中，对新能源弃风弃光量分配，得到考虑电源侧灵活性资源参与的系统灵活性指标，基于电动汽车负荷的可控负荷，构建相应的负荷调节潜力模型，得到考虑负荷侧灵活性资源参与的系统灵活性指标；

根据第二灵活性指标构建新型电力系统源网荷储日前、日内协同优化调度模型，并对所述优化调度模型进行求解，得到调度方案。

2.如权利要求1所述的基于灵活性分析的源网荷储协同优化调度方法，其特征在于，所述引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标，包括如下步骤：

分别构建可再生能源的出力不确定性和负荷不确定性模型；

结合可再生能源的出力不确定性和负荷不确定性模型得到整个系统的净负荷；

基于整个系统的净负荷得到任意时刻节点的上调灵活性需求和下调灵活性需求；

结合任意时刻节点的上调灵活性需求和下调灵活性需求，通过电力平衡推导得出满足灵活性供需平衡的第一灵活性指标。

3.如权利要求2所述的基于灵活性分析的源网荷储协同优化调度方法，其特征在于，所述任意时刻节点的上调灵活性需求和下调灵活性需求表示为：

，

，

，

，

，

其中，为任意时刻节点的上调灵活性需求，/>为/>时刻的实际净负荷，/>为/>时刻实际净负荷，/>为任意时刻节点的下调灵活性需求，/>为时刻实际负荷；/>为/>时刻实际可再生能源出力，/>为/>时刻负荷预测值，为/>时刻负荷预测值，/>为/>时刻预测的负荷偏差变量，/>为/>时刻预测的可再生能源出力偏差变量，/>为/>时刻预测的净负荷偏差变量，/>、/>、/>分别为净负荷、负荷、风电不确定性的概率分布函数，/>为时间尺度。

4.如权利要求1所述的基于灵活性分析的源网荷储协同优化调度方法，其特征在于，所述满足灵活性供需平衡的第一灵活性指标为：任意时刻净负荷的向上波动不能超过机组的上爬坡速率，否则会出现供不应求的情况，向下波动也不能超过机组的下爬坡速率，否则会出现供大于求的情况。

5.如权利要求1所述的基于灵活性分析的源网荷储协同优化调度方法，其特征在于，所述对新能源弃风弃光量分配，得到考虑电源侧灵活性资源参与的系统灵活性指标，包括：

构建有效向上、向下爬坡容量分布；

将机组组合有效向上、向下爬坡容量分布，经过半不变量法和Gram-Charlier级数展开后，得到机组组合爬坡速率连续概率分布函数；

基于机组组合爬坡速率连续概率分布函数，进行新能源弃风弃光量分配，得到弃风弃光下的灵活性指标；

或，

所述基于机组组合爬坡速率连续概率分布函数，进行新能源弃风弃光量分配，包括：

将原净负荷曲线中，将净负荷由下降到上升的拐点视为时刻，对时刻/>后的上升阶段不做弃风弃光处理，对时刻/>的原下调灵活性不足概率乘以修正系数使其概率为1，对时刻/>前的下降阶段进行弃风弃光处理；

通过允许弃风弃光量和基于修正析出修正后的下调灵活性不足概率得到每一时刻的允许弃风弃光量。

6.如权利要求1所述的基于灵活性分析的源网荷储协同优化调度方法，其特征在于，所述基于电动汽车负荷的可控负荷，构建相应的负荷调节潜力模型，得到考虑负荷侧灵活性资源参与的系统灵活性指标，包括：

构建考虑充放电效率的电动汽车的剩余电量与充放电状态的关系；

将充放电系数变量转换为需求响应系数变量；

结合需求响应系数变量和充放电状态的变化，得到可控电动汽车的功率最大可调减潜力和最大可调增潜力变化规律。

7.如权利要求6所述的基于灵活性分析的源网荷储协同优化调度方法，其特征在于，所述可控电动汽车的功率最大可调减潜力和最大可调增潜力变化规律为：

当所有汽车都由原计划的状态变化为放电状态时，呈现最大调减潜力，此时；当所有汽车都由原计划的状态变化为充电状态时，呈现最大调增潜力，此时/>，其中，/>表示电动汽车参与响应需求响应后同一时刻充放电状态。

8.如权利要求1所述的基于灵活性分析的源网荷储协同优化调度方法，其特征在于，新型电力系统源网荷储日前协同优化调度模型中，目标函数为：

，

其中，为风电、光伏、火电、储能以及负荷参与优化调度时系统的综合成本；/>为火电机组运行煤耗成本、/>为火电机组启停成本；/>为风电、光伏弃风弃光惩罚成本；/>为储能设备调用成本，

约束条件包括：功率平衡约束、机组出力约束、机组爬坡约束、机组启停时间约束、机组起停费用约束、价格型需求响应约束、潮流安全约束和储能设备约束；

新型电力系统源网荷储日内协同优化调度模型中，目标函数为：

，

式中，为日内优化调度时系统的综合成本，/>为激励型需求响应成本，

约束条件包括：功率平衡约束和机组爬坡约束。

9.基于灵活性分析的源网荷储协同优化调度系统，其特征在于，包括：

供需平衡分析模块，其用于对电力系统涉及的灵活性供给资源分类，引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标；

灵活性指标获取模块，其用于基于第一灵活性指标，结合构建的考虑多类灵活性资源参与的新型电力系统灵活性提升模型，得到第二灵活性指标；其中，对新能源弃风弃光量分配，得到考虑电源侧灵活性资源参与的系统灵活性指标，基于电动汽车负荷的可控负荷，构建相应的负荷调节潜力模型，得到考虑负荷侧灵活性资源参与的系统灵活性指标；

调度方案生成模块，其用于根据第二灵活性指标构建新型电力系统源网荷储日前、日内协同优化调度模型，并对所述优化调度模型进行求解，得到调度方案。

10.如权利要求9所述的基于灵活性分析的源网荷储协同优化调度系统，其特征在于，供需平衡分析模块中，所述引入灵活性需求的不确定性因素，对新型电力系统的灵活性供需平衡进行分析，得到满足灵活性供需平衡的第一灵活性指标，包括如下步骤：

分别构建可再生能源的出力不确定性和负荷不确定性模型；

结合可再生能源的出力不确定性和负荷不确定性模型得到整个系统的净负荷；

基于整个系统的净负荷得到任意时刻节点的上调灵活性需求和下调灵活性需求；

结合任意时刻节点的上调灵活性需求和下调灵活性需求，通过电力平衡推导得出满足灵活性供需平衡的第一灵活性指标。