一种考虑需求侧响应的风电功率分层平滑系统及其方法

摘要

本发明公开了一种考虑需求侧响应的风电功率分层平滑系统及其方法，是按如下步骤进行：1建立源‑荷‑储互动分层平滑模型，包括风电分时电价数学模型、储能装置的充放电状态模型、负荷分层优化风电功率平滑模型、储能装置充放电状态优化模型；2基于PSO粒子群优化算法对模型进行求解，求得可平移负荷运行调度以及储能装置充放电的最佳方案。本发明能够使负荷有效“跟踪”风电机组出力，降低联络线上风电功率输出的波动性，使风电功率输出更加平滑，并提高系统内用户购电的经济性。

说明书

技术领域

本发明涉及需求侧响应技术领域，更具体地说就是用户侧负荷进行优化调度，减小大规模可再生能源接入电网的波动性，维持电网稳定运行的优化系统和方法。

背景技术

随着世界经济的不断发展，能源与环境问题日益突出，可再生能源已成为国家能源战略的重要组成部分。大规模的分布式电源的并网，其间歇性和波动性对电网的电能质量以及稳定性造成负面影响。研究表明用户负荷与储能作为需求侧资源的重要组成部分，可以有效地参与电网系统的运行优化，对维持电网安全、稳定的运行起着至关重要的作用。随着需求侧响应技术的不断发展，人们对电力的供求关系提出了更高的要求，用户根据电力需求和电力系统满足其需求的能力来调整其消费有助于平衡电力供求关系。然而，单一的储能技术并不能有效解决日益增长的电力需求与有限的电力资源之间的矛盾。为了充分利用电网中各种资源，实现良性互动，让用户侧更多地参与电网的优化运行，应从需求侧响应的角度，深入研究源-荷-储互动的风电功率平滑方法。

目前，平滑风电功率的方法一般是：利用超级电容储能与蓄电池储能组成混合储能系统，通过对运行控制方式的设计，使得该储能系统能够与风电系统进行功率交换；联合调度风电机组和常规机组，建立含风电机组的系统动态调度模型，使机组之间的出力互相协调。但单纯的用储能或者联合调度机组平滑风电功率，都只是从发电侧的角度优化控制，目前发电侧备用资源十分有限，这些方法不能有效的解决增长的电力需求与有限的电力资源之间的矛盾。

发明内容

本发明为克服上述现有技术中存在的不足之处，提供一种考虑需求侧响应的风电功率分层平滑系统及其方法，以期能够使负荷有效“跟踪”风电机组出力，降低供电侧联络线上风电功率输出的波动性，使风电功率平滑输出，从而维持电力系统的稳定运行，提高对用电侧系统内用户的经济性。

是把负荷作为需求侧资源的重要组成部分，通过分层优化多时间尺度可平移负荷，以实现风电功率的平滑输出。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种考虑需求侧响应的风电功率分层平滑系统的特点是包括：风电机组、储能装置、参与需求侧响应的负荷群、风电预测模块、负荷调度模块、负荷优化模块；所述负荷群包括：不可控负荷和可控负荷中的可平移负荷；

所述风电预测模块获取所述风电机组的历史出力数据并预测未来出力数据，从而建立分 时电价数学模型；

所述负荷调度模块获取所述可平移负荷的负荷参数信息，并按时间尺度的降序顺序对可平移负荷进行分层处理，获得N层可平移负荷曲线；记为{L₁,L₂,…,L_n,…,L_N}；L_n表示第n层可平移负荷曲线；1≤n≤N；同时，获取所述不可控负荷的负荷参数信息并得到不可控负荷曲线，记为L^*；

所述负荷调度模块从所述风电预测模块获取所述未来风电机组出力数据和分时电价，并建立所述储能装置的充放电状态数学模型；

所述负荷调度模块根据所述未来风电机组出力数据和不可控负荷曲线L^*获得N层可平移负荷调度的目标曲线；

所述负荷优化模块根据所述不可控负荷曲线L^*、分时电价数学模型和N层可平移负荷调度的目标曲线，建立可平移负荷的N层经济性目标函数；

所述负荷优化模块根据N层可平移负荷曲线、分时电价数学模型和N层可平移负荷调度的目标曲线，建立可平移负荷的N层波动性目标函数；

所述负荷优化模块根据N层可平移负荷曲线和N层可平移负荷调度的目标曲线，建立可平移负荷的N层平滑性目标函数；

所述负荷优化模块建立由所述N层经济性目标函数、N层波动性目标函数和N层平滑性目标函数，以及所设定的可平移负荷的时间范围约束组成的负荷分层优化风电功率平滑模型；

所述负荷优化模块求取所述负荷分层优化风电功率平滑模型的适应度函数，并利用PSO算法对所述负荷分层优化风电功率平滑模型进行求解，获得优化后的N层可平移负荷曲线；从而使得所述负荷群得到优化；

所述负荷调度模块根据所述风电机组未来出力数据、不可控负荷曲线L^*和优化后的N层可平移负荷曲线获得储能装置的目标曲线；

所述负荷调度模块根据所述储能装置充放电状态数学模型、储能装置的目标曲线和分时电价数学模型获得储能装置的波动性目标函数；

所述负荷调度模块建立由所述储能装置的目标曲线、储能装置的波动性目标函数以及所设定的充放电约束条件组成的所述储能装置的充放电状态优化模型；

所述负荷优化模块利用PSO算法对所述储能装置的充放电状态优化模型进行求解，获得优化后的储能装置的充放电状态，从而使得所述储能装置得到优化；

所述风电功率分层平滑系统通过联络线实现所述风电机组的输出功率、优化后的负荷群以及优化后的储能装置的充放电功率之间的功率流交换，并通过联络线将风电功率输送至电网，从而实现风电功率的平滑输出。

本发明一种考虑需求侧响应的风电功率分层平滑方法，是应用于由风电机组、储能装置和参与需求侧响应的负荷群通过联络线输出至电网而组成的风力发电系统中；所述负荷群包括：不可控负荷和可控负荷中的可平移负荷；其特点是，所述风电功率分层平滑方法是按如下步骤进行：

步骤1、根据所述风电机组的历史出力数据预测未来出力数据，从而利用式(1)-式(3)建立分时电价数学模型：

P_max(t)＝P_s(t)(1+K)>

P_min(t)＝P_s(t)(1-K)>

$C_{real}\left(t\right)=\left(\begin{array}{cc}{C}_{Low}& P_{wind}\left(t\right)\ge P_{\max }\left(t\right)\\ C_{Nomal}& P_{\min }\left(t\right)<P_{wind}\left(t\right)<P_{\max }\left(t\right)\\ C_{High}& P_{wind}\left(t\right)\le P_{\min }\left(t\right)\end{array}\right)---\left(3\right)$

式(1)中，P_s(t)为t时刻联络线输出至电网的目标输出功率，且为定值；K为基准变化率；P_max(t)为t时刻所述风电机组的输出功率的截止上限；P_min(t)为t时刻所述风电机组的输出功率的截止下限；P_wind(t)为t时刻所述风电机组的预测输出功率，C_real(t)为t时刻的分时电价；C_High、C_Nomal、C_Low分别为分时电价中的高中低电价；

步骤2、获取所述可平移负荷的负荷参数信息并对可平移负荷按时间尺度的降序顺序进行分层处理，获得N层可平移负荷曲线；记为{L₁,L₂,…,L_n,…,L_N}；L_n表示第n层可平移负荷曲线；1≤n≤N；同时，获取所述不可控负荷的负荷参数信息并得到不可控负荷曲线，记为L^*；

步骤3、根据分时电价和所述未来风电机组出力数据，建立如式(4)和式(5)所示的储能装置的充放电状态数学模型：

$S\left(t\right)=\left(\begin{array}{cc}1& C_{real}\left(t\right)=C_{High}\\ 0& C_{real}\left(t\right)=C_{Nomal}\\ -1& C_{real}\left(t\right)=C_{Low}\end{array}\right)---\left(4\right)$

$SOC(t+1)=SOC\left(t\right)-\frac{P_{BESS}\left(t\right)\Delta t}{S_{BESS}}---\left(5\right)$

式(4)中，S(t)为t时刻储能装置的充放电状态；S(t)＝1表示储能装置放电；S(t)＝0表示储能装置不工作；S(t)＝-1表示储能装置充电；

式(5)中，SOC(t)为t时刻储能装置的电荷状态，P_BESS(t)为t时刻储能装置的充放电功率，P_BESS(t)为正表示放电，P_BESS(t)为负表示充电；S_BESS为储能装置的总容量；Δt为充放电时间；

步骤4、利用式(6)获得N层可平移负荷调度的目标曲线；

$P_n\left(t\right)=\left(\begin{array}{cc}{P}_{wind}\left(t\right)-L^{*}\left(t\right)& n=1\\ P_{wind}\left(t\right)-L^{*}\left(t\right)-\underset{i=1}{\overset{n-1}{\Sigma }}{L}_t^{\prime }\left(t\right)& n>1\end{array}\right)---\left(6\right)$

式(6)中，P_n(t)为第n层可平移负荷调度的目标曲线，L_i′(t)为优化后的n-1层可平移负荷曲线中的第i层可平移负荷曲线；

步骤5、建立负荷分层优化风电功率平滑模型：

步骤5.1、利用式(7)建立可平移负荷的N层经济性目标函数：

$f_{1-n}=\underset{t=1}{\overset{24/T}{\Sigma }}{C}_{real}\left(t\right)\left(L^{*}\right(t)+L_n(t\left)\right)---\left(7\right)$

式(7)中，f_1-n为第n层可平移负荷的经济性目标函数；T为时间间隔；

步骤5.2、利用式(8)建立可平移负荷的N层波动性目标函数：

$f_{2-n}=\underset{t=1}{\overset{24/T}{\Sigma }}{\left(P_n\right(t)-L_n(t)-P_s(t\left)\right)}^2---\left(8\right)$

式(8)中，f_2-n为第n层可平移负荷的波动性目标函数；

步骤5.3、利用式(9)建立可平移负荷的N层平滑性目标函数：

$f_{3-n}=\underset{t=1}{\overset{(24/T)-1}{\Sigma }}{[\left(P_n\right(t+1)-L_n(t+1\left)\right)-\left(P_n\right(t)-L_n(t\left)\right)]}^2---\left(9\right)$

步骤5.4、利用式(10)和式(11)设定可平移负荷优化时间范围约束：

α≤t_on≤α+x-η>

t_off＝t_on+η>

式(10)和式(11)中，t_on为可平移负荷运行的起始时间；t_off为可平移负荷运行的结束时间；η为可平移负荷运行的时间；

步骤6、利用式(12)求取所述负荷分层优化风电功率平滑模型的适应度函数：

式(12)中，F_n为第n层可平移负荷的适应度函数；N_s为目标函数的个数；A为第n层可平移负荷的经济性目标函数f_1-n的权重系数，B为第n层可平移负荷的波动性目标函数f_2-n的权重系数，C为第n层可平移负荷的平滑性目标函数f_3-n的权重系数；

步骤7、利用PSO算法对所述负荷分层优化风电功率平滑模型进行求解，获得优化后的N层可平移负荷曲线；记为{L′₁,L′₂,…,L′_n,…,L′_N}；L′_n表示优化后的第n层可平移负荷曲线；

步骤8、建立所述储能装置的充放电状态优化模型：

步骤8.1、利用式(13)获得储能装置t时刻的目标曲线P_aim-BESS(t)：

$P_{aim-BESS}\left(t\right)=P_{wind}\left(t\right)-L^{*}\left(t\right)-\underset{n=1}{\overset{N}{\Sigma }}{L}_n^{\prime }\left(t\right)---\left(13\right)$

步骤8.2、利用式(14)获得储能装置的波动性目标函数f_BESS：

$f_{BESS}=\underset{t=1}{\overset{24/T}{\Sigma }}{\left(P_{aim-BESS}\right(t)-P_{BESS}(t)-P_s(t\left)\right)}^2---\left(14\right)$

步骤8.3、储能装置的充放电约束条件：

利用式(15)设定储能装置的荷电状态SOC(t)的约束条件：

SOC_min≤SOC(t)≤SOC_max>

式(15)中，SOC_min和SOC_max分别为SOC(t)的上下限；

利用式(16)设定储能装置的充放电功率约束条件：

P_BESS(t)≤P_BESS-max>

式(16)中，P_BESS-max表示储能装置的最大充放电功率；

利用式(17)设定储能装置的始末能量约束条件：

${\mathrm{SOC}}_0+\underset{t=2}{\overset{24/T}{\Sigma }}{P}_{BESS}\left(t\right)\Delta t={\mathrm{SOC}}_0^{\prime }---\left(17\right)$

式(17)中，SOC₀为储能装置的初始SOC状态；SOC′₀为储能装置的结束SOC状态；

步骤9、利用PSO算法对所述储能装置的充放电状态优化模型进行求解，获得优化后的储能装置的充放电状态；从而将所述风电机组的输出功率、优化后的负荷群、优化后的储能装置的充放电功率通过联络线输出至电网，以实现风电功率的平滑输出。

与已有技术相比，本发明的有益效果体现在：

1、本发明提出的考虑需求侧响应的风电功率分层平滑系统，由风电机组、储能装置、参与需求侧响应的负荷群、风电预测模块、负荷调度模块、负荷优化模块组成，充分利用了电网中各种资源，实现了各种资源直接的良性互动，降低联络线上风电功率输出的波动性，使风电功率输出更加平滑，维持了电力系统的稳定运行，并缓解增长的电力需求与有限的电力资源之间的矛盾，平衡了电力供求关系。

2、本发明建立了风电分时电价数学模型，将电价作为负荷分层优化风电功率平滑模型和储能装置充放电状态优化模型的重要指标，充分考虑了用户的利益，在提高用户侧经济性的同时，平滑了风电输出功率，降低了联络线上风电功率输出的波动性。

3、本发明采用了多时间尺度可平移负荷分层优化方法，建立负荷分层优化风电功率平滑模型；根据各层可平移负荷的特性，侧重不同的目标函数，设置不同的适应度函数，利用PSO 粒子群优化算法进行求解，从而更加有效、全面的反映可平移负荷的实际情况，达到了最佳的优化结果。利用负荷平滑风电功率，可以减少储能装置的容量配置，延长了储能装置中蓄电池的使用寿命，从而降低了风电平滑系统中储能装置的成本。

4、本发明建立了储能装置充放电状态优化模型，在负荷分层优化后，对储能装置进行了优化，进一步降低供电侧联络线上风电功率输出的波动性，并解决了可平移负荷优化调度中负荷随机性带来的系统内可平移负荷不足的问题，从而使得风电功率分层平滑系统达到最佳的优化效果。

附图说明

图1为本发明所涉及的风电功率平滑系统示意图；

图2为本发明所涉及的多时间尺度可平移负荷示意图。

具体实施方式

本实施例中，一种考虑需求侧响应的风电功率分层平滑系统，包括：风电机组、储能装置、参与需求侧响应的负荷群、风电预测模块、负荷调度模块、负荷优化模块；负荷群包括：不可控负荷和可控负荷中的可平移负荷；

风电预测模块获取风电机组的历史出力数据并预测未来出力数据，从而建立分时电价数学模型；

负荷调度模块获取可平移负荷的负荷参数信息，并按时间尺度的降序顺序对可平移负荷进行分层处理，获得N层可平移负荷曲线；记为{L₁,L₂,…,L_n,…,L_N}；L_n表示第n层可平移负荷曲线；1≤n≤N；同时，获取不可控负荷的负荷参数信息并得到不可控负荷曲线，记为L^*；

负荷调度模块从风电预测模块获取未来风电机组出力数据和分时电价，并建立储能装置的充放电状态数学模型；

负荷调度模块根据未来风电机组出力数据和不可控负荷曲线L^*获得N层可平移负荷调度的目标曲线；

负荷优化模块根据不可控负荷曲线L^*、分时电价数学模型和N层可平移负荷调度的目标曲线，建立可平移负荷的N层经济性目标函数；

负荷优化模块根据N层可平移负荷曲线、分时电价数学模型和N层可平移负荷调度的目标曲线，建立可平移负荷的N层波动性目标函数；

负荷优化模块根据N层可平移负荷曲线和N层可平移负荷调度的目标曲线，建立可平移负荷的N层平滑性目标函数；

负荷优化模块建立由N层经济性目标函数、N层波动性目标函数和N层平滑性目标函数，以及所设定的可平移负荷的时间范围约束组成的负荷分层优化风电功率平滑模型；

负荷优化模块求取负荷分层优化风电功率平滑模型的适应度函数，并利用PSO算法对负荷分层优化风电功率平滑模型进行求解，获得优化后的N层可平移负荷曲线；从而使得负荷群得到优化；

负荷调度模块根据风电机组未来出力数据、不可控负荷曲线L^*和优化后的N层可平移负荷曲线获得储能装置的目标曲线；

负荷调度模块根据储能装置充放电状态数学模型、储能装置的目标曲线和分时电价数学模型获得储能装置的波动性目标函数；

负荷调度模块建立由储能装置的目标曲线、储能装置的波动性目标函数以及所设定的充放电约束条件组成的储能装置的充放电状态优化模型；

负荷优化模块利用PSO算法对储能装置的充放电状态优化模型进行求解，获得优化后的储能装置的充放电状态，从而使得储能装置得到优化；

风电功率分层平滑系统通过联络线实现风电机组的输出功率、优化后的负荷群以及优化后的储能装置的充放电功率之间的功率流交换，并通过联络线将风电功率输送至电网，从而实现了源-荷-储的互动使负荷有效“跟踪”风电机组出力，使得风电功率能更平滑的输出。

本实施例中，一种考虑需求侧响应的风电功率分层平滑方法，是应用于由风电机组、储能装置和参与需求侧响应的负荷群通过联络线输出至电网而组成的风力发电系统中；负荷群包括：不可控负荷和可控负荷中的可平移负荷；如图1所示，风电机组通过联络线向电网中不参与需求响应的负荷群(即用电侧)送电，同时将风电数据发送给风电预测模块；实际情况下进行优化调度的风电机组出力数据应该为实际值，当预测值与实际值很接近的情况下，可将预测值替换实际值进行优化调度，风电预测模块接收风电机组出力的历史数据进行出力预测，将预测的风电数据发送到负荷调度模块；负荷优化模块接收负荷模块的优化数据，对负荷以及储能装置进行优化；负荷调度模块接收参与需求响应的负荷信息以及储能状态信息，按照负荷优化模块优化后的信息对负荷以及储能装置出力统一进行调度；具体的说，风电功率分层平滑方法是按如下步骤进行：

步骤1、根据风电机组的历史出力数据预测未来出力数据，从而利用式(1)-式(3)建立分时电价数学模型：

需求侧响应常通过价格信号引导用户改变自身的用电方式，减少或者推移某时段的用电负荷，促进供需两侧优化平衡。当风电机组预测输出功率波动较大，且超过截止上限功率值时，其电价较低，鼓励用电侧用电，当低于截止下限功率值时，其电价较高，则不鼓励用电侧在这个时刻用电。其分时电价模型可表示为：

P_max(t)＝P_s(t)(1+K)>

P_min(t)＝P_s(t)(1-K)>

$C_{real}\left(t\right)=\left(\begin{array}{cc}{C}_{Low}& P_{wind}\left(t\right)\ge P_{\max }\left(t\right)\\ C_{Nomal}& P_{\min }\left(t\right)<P_{wind}\left(t\right)<P_{\max }\left(t\right)\\ C_{High}& P_{wind}\left(t\right)\le P_{\min }\left(t\right)\end{array}\right)---\left(3\right)$

式(1)中，P_s(t)为t时刻联络线输出至电网的目标输出功率，且为定值，可由风电机组出力的平均功率与负荷群的平均功率的差值求出；K为基准变化率，通常把风电功率的波动控制在20％以内；P_max(t)为t时刻风电机组的输出功率的截止上限；P_min(t)为t时刻风电机组的输出功率的截止下限；P_wind(t)为t时刻风电机组的预测输出功率，C_real(t)为t时刻的分时电价；C_High、C_Nomal、C_Low分别为分时电价中的高中低电价；

步骤2、获取可平移负荷的负荷参数信息并对可平移负荷按时间尺度的降序顺序进行分层处理，获得N层可平移负荷曲线；记为{L₁,L₂,…,L_n,…,L_N}；L_n表示第n层可平移负荷曲线；1≤n≤N；同时，获取不可控负荷的负荷参数信息并得到不可控负荷曲线，记为L^*；

可平移负荷表示为L_shift-xh(α,β,η)。其中x表示可平移负荷的时间尺度；α，β分别表示可平移负荷运行的起始时间与终止时间；η表示可平移负荷运行的时间。根据可平移负荷的可平移时间尺度的长短特性，将负荷定义为多时间尺度的可平移负荷，如图2所示，本实例将可平移的时间尺度分为24h，9h以及3h，即L_shift-24h(α,β,η)，L_shift-9h(α,β,η)，L_shift-3h(α,β,η)。可平移时间尺度为24h的负荷一般为工业负荷，如：钢铁，工地施工，有色金属加工。这些负荷，可以调动的时间跨度大，负荷的量大，对电的价格十分敏感。可平移时间尺度为9h的负荷如：电动汽车，洗衣机。这类负荷可以调度的时间跨度也比较大，数量也较多，对电价也比较敏感，可以很好的平滑一段时间内风电功率的波动。可平移时间尺度为3h的负荷如：热水器，空调。这类负荷由于平移调度的时间跨度较小，数量较少，所以很难用价格引导来大尺度的调度，但其精确性很好，能很好的弥补短期内风电功率的波动。

步骤3、根据分时电价和未来风电机组出力数据，建立如式(4)和式(5)所示的储能装置的充放电状态数学模型，实现了源-储互动：

储能频繁切换充放电状态会大大缩短蓄电池的使用寿命，提高储能系统的成本，因此有必要确定储能系统的充放电状态，防止其频繁的充放电。根据启发式规则的思想，当电价低于平均电价时储能充电，当电价高于平均电价时储能放电，可以将储能装置的充放电状态表示为：

$S\left(t\right)=\left(\begin{array}{cc}1& C_{real}\left(t\right)=C_{High}\\ 0& C_{real}\left(t\right)=C_{Nomal}\\ -1& C_{real}\left(t\right)=C_{Low}\end{array}\right)---\left(4\right)$

$SOC(t+1)=SOC\left(t\right)-\frac{P_{BESS}\left(t\right)\Delta t}{S_{BESS}}---\left(5\right)$

式(4)中，S(t)为t时刻储能装置的充放电状态；S(t)＝1表示储能装置放电；S(t)＝0表示储能装置不工作；S(t)＝-1表示储能装置充电；

式(5)中，SOC(t)为t时刻储能装置的电荷状态，P_BESS(t)为t时刻储能装置的充放电功率，P_BESS(t)为正表示放电，P_BESS(t)为负表示充电；S_BESS为储能装置的总容量；Δt为充放电时间；

步骤4、利用式(6)获得N层可平移负荷调度的目标曲线；

$P_n\left(t\right)=\left(\begin{array}{cc}{P}_{wind}\left(t\right)-L^{*}\left(t\right)& n=1\\ P_{wind}\left(t\right)-L^{*}\left(t\right)-\underset{i=1}{\overset{n-1}{\Sigma }}{L}_t^{\prime }\left(t\right)& n>1\end{array}\right)---\left(6\right)$

式(6)中，P_n(t)为第n层可平移负荷调度的目标曲线，L_i′(t)为优化后的n-1层可平移负荷曲线中的第i层可平移负荷曲线；

步骤5、建立负荷分层优化风电功率平滑模型：

步骤5.1、利用式(7)建立可平移负荷的N层经济性目标函数：

可平移负荷的优化调度与用户的利益息息相关，所以应从用户的角度考虑，提高用户参与需求侧响应的经济性。由式(3)可知，分时电价由风电机组出力的波动性决定，因此经济性目标函数从一定程度上反应风电机组出力的波动性，实现了源-荷的互动。通过分时电价来调度可平移负荷负荷的经济性目标函数如下：

$f_{1-n}=\underset{t=1}{\overset{24/T}{\Sigma }}{C}_{real}\left(t\right)\left(L^{*}\right(t)+L_n(t\left)\right)---\left(7\right)$

式(7)中，f_1-n为第n层可平移负荷的经济性目标函数；T为时间间隔；

步骤5.2、利用式(8)建立可平移负荷的N层波动性目标函数，波动性目标函数可以使可平移负荷曲线贴近目标曲线：

$f_{2-n}=\underset{t=1}{\overset{24/T}{\Sigma }}{\left(P_n\right(t)-L_n(t)-P_s(t\left)\right)}^2---\left(8\right)$

式(8)中，f_2-n为第n层可平移负荷的波动性目标函数；

步骤5.3、利用式(9)建立可平移负荷的N层平滑性目标函数：

考虑到可平移负荷的优化调度后会改变原有负荷的曲线，使风电输出功率曲线变得不平滑，降低电能的质量，所以有必要对输出功率的平滑性进行优化。

通过相邻两个时间段的输出功率的起伏，可以反应整个输出功率曲线的平滑性。可平移负荷的N层平滑性目标函数可以表示为：

$f_{3-n}=\underset{t=1}{\overset{(24/T)-1}{\Sigma }}{[\left(P_n\right(t+1)-L_n(t+1\left)\right)-\left(P_n\right(t)-L_n(t\left)\right)]}^2---\left(9\right)$

步骤5.4、利用式(10)和式(11)设定可平移负荷优化时间范围约束：

α≤t_on≤α+x-η>

t_off＝t_on+η>

式(10)和式(11)中，t_on为可平移负荷运行的起始时间；t_off为可平移负荷运行的结束时间；η为可平移负荷运行的时间；

步骤6、利用式(12)求取负荷分层优化风电功率平滑模型的适应度函数：

考虑到本实例为多目标求解问题，考虑到多时间尺度可平移负荷每一层负荷的特性不同，所对应的各层目标函数的权重是不同的，因此采用设置权重系数的方法，将多目标加权求和得到适应度值F。第1层可平移负荷平移跨度大，对电价十分敏感，因此该层的可平移负荷的经济性目标函数的权重系数应较大；此后每层平移跨度逐渐减小，电价对其约束逐渐减小，因此经济性目标函数的权重系数逐渐减小，波动性目标函数的权重系数逐渐增大；各层可平移负荷曲线都需要进行平滑性的优化，因此各层平滑性目标函数的权重系数不变。

式(12)中，F_n为第n层可平移负荷的适应度函数；N_s为目标函数的个数；A为第n层可平移负荷的经济性目标函数f_1-n的权重系数，B为第n层可平移负荷的波动性目标函数f_2-n的权重系数，C为第n层可平移负荷的平滑性目标函数f_3-n的权重系数；本实例中，A＝3，B＝4，C＝1。

步骤7、利用PSO算法对负荷分层优化风电功率平滑模型进行求解，获得优化后的N层可平移负荷曲线；记为{L′₁,L′₂,…,L′_n,…,L′_N}；L′_n表示优化后的第n层可平移负荷曲线；

步骤8、建立储能装置的充放电状态优化模型，储能装置可以弥补优化调度中负荷随机性带来的系统内可平移负荷不足的问题：

步骤8.1、利用式(13)获得储能装置t时刻的目标曲线P_aim-BESS(t)：

$P_{aim-BESS}\left(t\right)=P_{wind}\left(t\right)-L^{*}\left(t\right)-\underset{n=1}{\overset{N}{\Sigma }}{L}_n^{\prime }\left(t\right)---\left(13\right)$

步骤8.2、利用式(14)获得储能装置的波动性目标函数f_BESS：

$f_{BESS}=\underset{t=1}{\overset{24/T}{\Sigma }}{\left(P_{aim-BESS}\right(t)-P_{BESS}(t)-P_s(t\left)\right)}^2---\left(14\right)$

步骤8.3、储能装置的充放电约束条件：

利用式(15)设定储能装置的荷电状态SOC(t)的约束条件：

SOC_min≤SOC(t)≤SOC_max>

式(15)中，SOC_min和SOC_max分别为SOC(t)的上下限；

利用式(16)设定储能装置的充放电功率约束条件：

P_BESS(t)≤P_BESS-max>

式(16)中，P_BESS-max表示储能装置的最大充放电功率；

利用式(17)设定储能装置的始末能量约束条件：

${\mathrm{SOC}}_0+\underset{t=2}{\overset{24/T}{\Sigma }}{P}_{BESS}\left(t\right)\Delta t={\mathrm{SOC}}_0^{\prime }---\left(17\right)$

式(17)中，SOC₀为储能装置的初始SOC状态；SOC′₀为储能装置的结束SOC状态；

步骤9、利用PSO算法对储能装置的充放电状态优化模型进行求解，获得优化后的储能装置的充放电状态；从而将风电机组的输出功率、优化后的负荷群、优化后的储能装置的充放电功率通过联络线输出至电网，以实现风电功率的平滑输出。

步骤10、本实例按如下方法求解负荷分层优化风电功率平滑模型以及储能装置的充放电状态优化模型：

步骤10.1、负荷调度模块从风电预测模块获取预测风电机组出力信息，读取用户设定的负荷参数信息。

步骤10.2、负荷调度模块设定分时电价；将可平移负荷按时间尺度分为N层，令n＝1；根据式(4)设定储能装置的充放电状态。

步骤10.3、根据式(6)求出第n层可平移负荷的目标曲线P_n(t)。

步骤10.4、初始化粒子种群：将第n层负荷作为一个粒子，设置m个粒子，粒子的个体极值p_best和全局极值g_best均设为粒子的初始位置。

步骤10.5、根据式(18)和式(19)更新权重因子w和学习因子c₁、c₂：

$w=w_{max}+\frac{(w_{\max }-w_{\min })*i}{N_{iter}}---\left(18\right)$

式(18)中，w_max、w_min为惯性权重因子的最大和最小值，取w_max＝1，w_min＝0.5；令迭代次数为N_iter。

$\left(\begin{array}{c}{c}_1=(c_{1f}-c_{1i})\frac{i}{N_{iter}}+c_{1i}\\ c_2=(c_{2f}-c_{2i})\frac{t}{N_{iter}}+c_{2i}\end{array}\right)---\left(19\right)$

式(19)中，c_1f和c_1i是c₁的最终值和初始值，c_2f和c_2i是c₂的最终值和初始值。

步骤10.6、对目标函数F_n进行计算，得到当前粒子的适应度。更新局部最优适应度，更新体局部最优向量；更新全局最优适应度，更新全局最优向量。

步骤10.7、在考虑约束条件的情况下，利用式(20)更新每个粒子的位置和速度。

$\left(\begin{array}{c}{x}_{i,d}^{k+1}=x_{i,d}^k+v_{i,d}^k\\ v_{i,d}^k={\mathrm{\omega v}}_{i,d}^k+c_1·{\mathrm{rand}}_1^k·({\mathrm{pbest}}_{i,d}^k-x_{i,d}^k)\\ +c_2·{\mathrm{rand}}_2^k·({\mathrm{gbest}}_d^k-x_{i,d}^k)\end{array}\right)---\left(20\right)$

式(20)中，i＝1，2，…，m，m为种群的规模，表示粒子在第k次迭代中第i个粒子的d维的速度；表示粒子在第k次迭代中第i个粒子的d维的位置；ω表示惯性权重；c1、c2表示学习因子，表示粒子i在第k次迭代中d维的个体极值；表示整个粒子群在第k次迭代中d维的全局极值；为(0,1)区间分布的随机数。

步骤10.8、若迭代次数N_iter到达最大值N_iter-max，则停止搜索，输出第n层可平移负荷平移优化后的负荷L′_n，否则返回⑤继续迭代计算。若n等于N则进入⑨，否则n＝n+1，返回③继续下一层优化。

步骤10.9、根据式(13)求得储能装置的目标曲线，以式(14)为适应度函数，按步骤④到⑧的方法求解储能装置的最优运行方式，输出P_BESS(t)储能系统的充放电功率。

步骤10.10、负荷调度模块根据优化后的可平移负荷{L′₁,L′₂,…,L′_n,…,L′_N}以及优化后的储能装置的充放电状态，调度参与需求响应的负荷群以及控制储能运行方式。