基于需求侧响应的微电网最优机组及分时电价的优化方法

摘要

本发明公开了一种基于需求侧响应的微电网最优机组及分时电价的优化方法，包括步骤：1)获取微电网供需历史数据，包括微电网内部负荷数据，分布式可再生能源的供给情况，各类供能机组的基本信息；2)利用历史数据分析各供能系统出力，进行微电网内部的供需情况分析；3)设定分散优化的优化目标函数；4)利用粒子群搜索算法和内点法进行优化求解。本发明将微电网可再生能源供能情况和分时电价激励下的需求侧响应有机结合，通过粒子群算法和内点法对微电网最优机组组合和分时电价策略进行分散优化，从而有效缓解微电网运营成本过高，内部缺负荷量过大的问题，确保了用户的用电需求得到了很好的满足。

说明书

技术领域

本发明涉及微电网最优机组组合及分时电价优化的技术领域，尤其是指一种基于需求侧响应的微电网最优机组及分时电价的优化方法。

背景技术

截至2017年底，随着我国电力市场改革的推进和伴之而出的增量配网的推出，微电网作为增量配网的一种实际运行模式，受到了各界的高度关注和重视。微电网做为一种解决新能源就地消纳，提高新能源消纳率的一种可靠形式，其高效，安全运营是微电网建设需要关心的重点内容。

在微电网的运营过程当中，首先针对供能侧来说，电能的供给有一部分源于微电网所在地区的可再生能源，如风能，太阳能等可再生能源的转化。对于这一部分能源出力，风能和太阳能均存在出力随机性过高的问题，而没法保证在任何时候都满足负荷的需求，故时常存在弃风，弃光等问题。因此，为提高可再生能源的消纳率，充分保证微电网的绿色运营，有必要对风力发电机组，光伏发电机组进行合理的配置。与此同时，针对需求侧，越来越多的大型电力用户参与需求侧响应，即在用电高峰，电能供应不足的情况下适当调整自身的用电计划来响应供需变化，而与此相对应，在用电低谷阶段，增加可调节负荷的投入，以满足自身对电能消耗的需求。用户的响应在是在电价变化的刺激下进行的，因此对分时电价策略的合理优化有助于刺激电力用户在适当的时机调整用电计划，以同时保证用户侧的缺负荷量和微电网运营成本的最小化。

发明内容

本发明的目的在于克服现有技术的缺点与不足，突破传统微电网运营成本不理想以及微电网用户侧的缺负荷量过高的问题，提出了一种基于需求侧响应的微电网最优机组及分时电价的优化方法，将微电网供能侧和需求侧有机结合在一起，通过基于粒子群搜索算法和内点法分散优化来获得来针对供能侧的运营成本和需求侧的缺负荷量的最小化优化获得针对微电网最有利运营的最优机组组合以及分时电价策略，从而在满足需求侧用电需求的前提下最大程度地降低微电网的运营成本。

为实现上述目的，本发明所提供的技术方案为：一种基于需求侧响应的微电网最优机组及分时电价的优化方法，所述微电网为含有可再生能源的典型微电网，由风力发电机组、光伏发电机组、柴油发电机组、大型储能系统供能，以所述微电网的总运行成本最低为第一优化目标，微电网缺负荷量最小为第二优化目标，基于微电网历史负荷数据、风能、太阳能这些分布式能源的历史数据，以获得微电网供需历史数据，通过粒子群搜索算法和内点法对两个优化目标进行分散优化；针对微电网总运行成本的目标函数考虑各类机组的调度成本，运营成本以及柴油机组的油耗成本，大型储能电池的转换效率，与此同时还将微电网与主网之间电能交换所引起的的购电成本考虑在内；运用电价来激励用户参与需求侧响应来降低微电网全年缺负荷总量，确保微电网内部供能得到满足；所述优化方法包括以下步骤：

1)获取微电网供需历史数据，包括微电网内部负荷数据，地区分布式可再生能源数据：风速、光强，各类发电机组：风力发电机、光伏发电机、柴油发电机和大型储能系统的机组参数；

2)利用获取的数据和各机组出力模型计算出各供能系统的出力大小，进行微电网内部的电能供给和需求情况分析；

3)以微电网运营成本最低和需求侧的缺负荷量最小为两个分散优化的目标，设定目标函数；

4)利用粒子群搜索算法Particle Swarm Optimization(PSO)和内点法InteriorPoint Method(IPM)进行优化，求解出微电网的各供能系统最优机组组合和分时电价策略。

在步骤1)中，所述微电网供需历史数据是指调度部门获取的微电网内部的负荷数据，气象部门获取的该地区的风速以及光强；同时还获取该微电网内部各类机组的基本参数。

在步骤2)中，所述供给和需求情况分为‘供’和‘需’两个方面：在供能方面，由于微电网是一个含分布式可再生能源的典型微电网，供能来源包括：风力发电机组、光伏发电机组、柴油发电机组以及微电网内部的由储能电池构成的大型储能系统，其中风力发电机组和光伏发电机组模型如下：

2.1)风力发电机组模型

风力发电机组是利用风能的主要方式，通常情况不同类型的风力发电机组有不同的切入风速、额定风速和切出风速，风力发电机组的输出功率由风速来表示，即：

其中，P_WT(t)是风力发电机组在t时刻的总输出功率，V(t)是该时刻对应的风速，V_in、V_R、V_out分别是风力发电机组的切入、切出和额定风速，N_WT是风力发电厂的风力发电机组数，P₀是单台风力发电机组的额定输出功率；为了准确地描述不同位置风力发电机组的出力情况，对不同高度的风力发电机组所吸收的风速进行如下转换：

其中，V和V_ref分别为在高度h和h_ref时的风速，f为摩擦系数，通常白天取1/7，夜晚取1/2；

2.2)光伏发电机组模型

光伏太阳能板吸收太阳能转化为直流电能，其转化过程受到太阳辐射强度以及环境、温度这些外界条件的影响，典型光伏太阳能板的输出功率表示为：

其中，P_PV(t)是t时刻光伏发电机组的总输出功率，N_PV是光伏太阳能板的数量，P_PV0是一个光伏太阳能板的额定功率，T(t)和G(t)分别是t时刻的温度(25℃)和光照强度(1kW/m²)，T₀和G₀分别是标准测试条件下的温度(25℃)和光照强度(1kW/m²)，k_PV是光伏温度系数；

在从气象部门获得该地区风速、光强这些自然气象数据之后，根据新能源发电出力模型获得各系统的供能情况，并在此基础上通过柴油发电机组，大型储能系统和与主网之间的电能交流来满足微电网内部的供需平衡，与此同时，在需求侧方面，由于微电网模型的负荷包括一部分可进行需求侧响应的负荷类型，即：该类型负荷能够根据电价的变动来实时调整需求曲线，采用用户响应峰谷分时电价来量化负荷变动情况，以响应前后总负荷不变为前提，基于响应弹性矩阵M来说明用户对电价的响应情况，描述如下：

其中，P_TOU是采用峰谷电价之后的负荷；P_L0是原始负荷，P_f0、P_p0、P_g0和x₀分别是未采用峰谷电价之前，在负荷高峰段、平段和低谷段对应的负荷以及电价；x_f、x_p和x_g分别表示采用峰谷电价之后，在负荷高峰段，平段和低谷段对应的电价。

在步骤3)中，为满足微电网内部用户的用电需求的同时降低运营成本，将用户侧的缺负荷量最小和微电网运营成本最低分别设为分散优化的两个目标函数，具体描述如下：

3.1)用户侧的缺负荷量

从用户侧出发，微电网运营应尽量保证较低的甩负荷/切负荷量，以满足用户的用电需求，故用户侧的缺负荷量最小为分散优化的第一优化目标：

其中，Ω_im是微电网需求侧缺负荷量，P_im是微电网向主网的购电总量，x_t是一天之内的实时电价，P_L是微电网的总负荷，由于该分散优化用户侧有部分负荷属于可参与需求侧响应的负荷，故：微电网在t时刻的负荷总量与该时段的电价相关，P_di(t)是柴油发电机组在t出力；P_wt(t)、P_pv(t)和P_ba(t)分别是风力发电机组、光伏发电机组和大型储能系统在t时刻的出力，由于风力发电机组、光伏发电机组和大型储能系统在直流侧，故需考虑直流侧到交流侧的转换效率，表示为θ^inv；

3.2)微电网运营成本

从微电网运营经济性的角度出发，在满足用户侧用电需求的前提下应降低微电网运营成本，故：微电网运营成本最低为分散优化的第二优化目标，描述如下：

其中，Ψ_cos是微电网运营总成本，包括各类机组的调度成本、各类机组的运行成本、柴油发电机的耗油成本、大型储能系统的电池损耗、购电成本、售电收益；X表示机组类型；A_i(t)取值为0或1，代表机组i在t时刻是否被调用；λ_i(t)表示机组i在t时刻的调度成本；C_op(i)表示机组i的运行成本；P_fuel(t)表示t时刻柴油机的出力，V_fuel(t)表示柴油的价格；表示大型储能系统在t时刻的放/充电功率，σ表示该大型储能系统的能量转换效率；P_ex(t)，P_im(t)分别表示微电网在t时刻的购/售电量，P_imp(t)和P_exp(t)分别表示t时刻的实时购、售电价格；各供能系统满足各自的出力约束。

在步骤4)中，分别利用粒子群搜索算法Particle Swarm Optimization(PSO)和内点法Interior Point Method(IPM)进行分散优化求解；其中，粒子群搜索算法是一种基于全体的全局优化算法，是对鸟群觅食过程中的迁徙和群聚行为的模拟，该算法将鸟群运动过程中的栖息地看作目标问题中可能的解，每个个体间互相传递信息，从而引导整个群体向可能是最优解的方向移动，并在移动的过程中不断提高发现更好解的可能性；每一只鸟被看做是一个“粒子”，其自身的位置及速度分别按下式进行更新：

v_ij(t)＝wv_ij(t-1)+c₁r₁[pbest_ij(t-1)-x_ij(t-1)]+c₂r₂[gbest_ij(t-1)-x_ij(t-1)]

其中，ij为粒子的运动轨迹，t为迭代次数，v_ij(t)和x_ij(t)分别为第t次迭代时粒子的速度和所处的位置，c₁、c₂分别为调节自身最优pbest和全局最优gbest的学习因子，r₁、r₂是0至1之间的随机数，w为粒子运动的惯性权重；

内点法是用于求解带约束的优化命题的方法，无论是面对线性规划命题还是带约束的二次规划问题，内点法都显示出极好的性能；内点法属于约束优化算法，基本思想是通过引入效用函数的方法将约束优化问题转换成无约束问题，再利用优化迭代过程不断地更新效用函数，以使得算法收敛；

在各个供能系统的出力约束下，由粒子群搜索算法来搜索求解得基于历史数据的各供能系统的最优机组组合，同时由内点法求得使得微电网缺负荷量最小的分时电价策略，极大程度得减小计算量，促进优化效率。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次实现了微电网运营成本和用户缺负荷量最小化的有机结合，突破了传统‘源’和‘荷’之间的相对独立。

2、本发明首次实现了基于微电网所有历史数据，包括各类可再生能源的供给情况在内的供需情况分析，深入剖析了该微电网长期以来的历史供需情况。

3、本发明首次基于微电网长期的供需情况，利用智能算法，即粒子群搜索算法和内点法来求解该微电网运营最优机组组合和分时电价的分散优化，将二者合理，有效地结合在一起，极大地提高了优化速度。

4、本发明通过利用分时电价刺激用户提前调整自身用电计划来达到迎合该微电网内部供需情况的负荷曲线的目的，直接降低了微电网的购电成本。

5、本发明方法在电力市场进一步推广以及伴之而生的增量配网初露头角的现实条件下具有广泛的使用空间，该优化方法耗时段、效率高、适应性强，在降低微电网运营成本、降低用户侧的缺负荷量以及提高新能源消纳率上有广阔的前景。

附图说明

图1为本发明搭建的微电网供能和典型负荷示意图。

图2为本发明逻辑流程示意图。

图3为本发明采集的微电网供需数据，包括该地区气象局采集的风速和光照强度数据以及历史负荷数据。

图4为本发明通过分散优化前后得到的微电网的购售电曲线对比图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的基于需求侧响应的微电网最优机组及分时电价的优化方法，搭建了包含图1所示供需两侧参与者的典型微电网模型，其优化过程由图2逻辑流程示意图所示，包括以下步骤：

1)获取基础数据，包括微电网负荷历史数据、风速、光强等分布式可再生能源数据，其中，所述微电网负荷历史数据是指通过调度部门获取的该微电网地区长期以来的负荷数据，包括时间戳、负荷量等；所述风速、光强等信息是指气象部门获取的该地区风电场，光伏发电站所在地的风速和光强，为了能更清楚地表示该数据，图3历史数据均只画出了1000个采样点。

获取的各类型机组参数如表1所示：

表1各类型机组参数

其中SOC是构成大型储能系统的储能电池参数，SOC表示电池的状态。

2)获取风速、光强等数据后进行风力发电机组和光伏发电机组的出力计算，包括以下步骤：

2.1)风力发电机组模型

风力发电机组是利用风能的主要方式，通常情况不同类型的风力发电机组有不同的切入风速，额定风速和切出风速，风力发电机组的输出功率可由风速来表示，即：

其中P_WT(t)是风力发电机组在t时刻的总输出功率，V(t)是该时刻对应的风速，V_in、V_R、V_out分别是风力发电机组的切入、切出和额定风速，N_WT是风力发电厂的风力发电机组数，P₀是单台风力发电机组的额定输出功率；为了准确地描述不同位置风力发电机组的出力情况，对不同高度的风力发电机组所吸收的风速进行如下转换：

其中V和V_ref分别为在高度h和h_ref时的风速，f为摩擦系数，一般而言，白天取1/7，夜晚取1/2。

2.2)光伏发电机组模型

光伏太阳能板吸收太阳能转化为直流电能，其转化过程受到太阳辐射强度以及环境，温度等外界条件的影响，典型光伏太阳能板的输出功率可表示为：

其中P_PV(t)是t时刻光伏发电机组的总输出功率，N_PV是光伏太阳能板的数量，P_PV0是一个光伏太阳能板的额定功率，T(t)和G(t)分别是t时刻的温度(25℃)和光照强度(1kW/m²)，T₀和G₀分别是标准测试条件下的温度(25℃)和光照强度(1kW/m²)，k_PV是光伏温度系数。

在从气象部门获得该地区风速，光强等自然气象数据之后，根据如上的新能源发电出力模型获得各系统的供能情况，并在此基础上通过柴油发电机组，大型储能系统和与主网之间的电能交流来满足微电网内部的供需平衡，与此同时，在需求侧方面，由于该微电网模型的负荷包括了一部分可进行需求侧响应的负荷类型，即：该类型负荷可以根据电价的变动来实时调整需求曲线，采用用户响应峰谷分时电价来量化负荷变动情况，以响应前后总负荷不变为前提，基于响应弹性矩阵M来说明用户对电价的响应情况，描述如下：

其中P_TOU是采用峰谷电价之后的负荷，P_L0是原始负荷，P_f0，P_p0，P_g0和x₀分别是未采用峰谷电价之前，在负荷高峰段，平段和低谷段对应的负荷以及电价，x_f，和x_g分别表示采用峰谷电价之后，在负荷高峰段，平段和低谷段对应的电价。

3)以微电网运营成本最低和需求侧的缺负荷量最小为两个分散优化的目标，设定目标函数，如图2所示的分散优化流程进行基于历史供需数据的分散优化，为满足微电网内部用户的用电需求的同时降低运营成本，将用户侧的缺负荷量最小和微电网运营成本最低分别设为分散优化的两个目标函数，具体描述如下：

3.1)用户侧的缺负荷量

从用户侧出发，微电网运营应尽量保证较低的甩负荷/切负荷量，以满足用户的用电需求，故用户侧的缺负荷量最小为分散优化的第一优化目标：

其中Ω_im是微电网需求侧的缺负荷量，P_im是微电网向主网的购电总量，x_t是一天之内的实时电价，P_L是微电网的总负荷，由于该分散优化用户侧有部分负荷属于可参与需求侧响应的负荷，故：微电网在t时刻的负荷总量与该时段的电价相关，P_di(t)是柴油发电系统在t出力，P_wt(t)、P_pv(t)和P_ba(t)分别是风力发电机组、光伏发电机组和大型储能系统在t时刻的出力，由于风力发电机组、光伏发电机组和大型储能系统在直流侧，故需考虑直流侧到交流侧的转换效率，表示为θ^inv。

3.2)微电网运营成本

从微电网运营经济性的角度出发，在满足用户侧用电需求的前提下应降低微电网运营成本，故：微电网运营成本最低为分散优化的第二优化目标，描述如下：

其中Ψ_cos是微电网运营总成本，包括各类机组的调度成本(第一项)，其中X表示机组类型，A_i(t)取值为0或1，代表机组i在t时刻是否被调用，λ_i(t)表示机组i在t时刻的调度成本；各类机组的运行成本(第二项)，其中C_op(i)表示机组i的运行成本；柴油发电机的耗油成本(第三项)，其中P_fuel(t)表示t时刻柴油机的出力，V_fuel(t)表示柴油的价格；大型储能系统的电池损耗(第四项)，其中表示大型储能系统在t时刻的放/充电功率，σ表示该大型储能系统的能量转换效率；购电成本(第五项)，售电收益(第六项)，其中P_ex(t)，P_im(t)分别表示微电网在t时刻的购/售电量，P_imp(t)和P_exp(t)分别表示t时刻的实时购、售电价格；各供能系统满足各自的出力约束。

4)分别利用粒子群搜索算法Particle Swarm Optimization(PSO)和内点法Interior Point Method(IPM)进行分散优化求解。

粒子群搜索算法是一种基于全体的全局优化算法，是对鸟群觅食过程中的迁徙和群聚行为的模拟，该算法将鸟群运动过程中的栖息地看作目标问题中可能的解，每个个体间互相传递信息，从而引导整个群体向可能是最优解的方向移动，并在移动的过程中不断提高发现较好解的可能性。每一只鸟被看做是一个“粒子”，其自身的位置及速度分别按下式进行更新：

v_ij(t)＝wv_ij(t-1)+c₁r₁[pbest_ij(t-1)-x_ij(t-1)]+c₂r₂[gbest_ij(t-1)-x_ij(t-1)]

其中ij为粒子的运动轨迹，t为迭代次数，v_ij(t)和x_ij(t)分别为第t次迭代时粒子的速度和所处的位置，c₁、c₂分别为调节自身最优pbest和全局最优gbest的学习因子，r₁、r₂是0至1之间的随机数，w为粒子运动的惯性权重。

内点法是用于求解带约束的优化命题的方法，无论是面对线性规划命题还是带约束的二次规划问题，内点法都显示出了相当的极好的性能。内点法属于约束优化算法，基本思想是通过引入效用函数的方法将约束优化问题转换成无约束问题，再利用优化迭代过程不断地更新效用函数，以使得算法收敛，在获得最优机组组合和分时电价策略之后运用到微电网实时运行当中，得到微电网与主网之间的购售电曲线图，如图4所示，其中购售电曲线大于零时表示微电网向主网购电，小于零时向主网售电。在使用提出的分散优化之前，利用传统的基于经验的机组组合和电价方案，其购售电曲线分布在零刻度线以上，即购电需求大于售电能力，在使用提出的分散优化之后，购售电曲线较为均衡地分布在零刻度线上下，即购电需求比优化之前降低的同时售电能力得到了提升。

使用上述优化方法之后，日平均购售电量及微电网日平均运营成本如表2所示：

表2各类型机组参数

本发明优化方法具有以下优点：

1、将最优机组组合和分时电价策略有机结合，分散处理；

2、克服传统的基于经验的机组组合和峰谷电价方案；

3、针对不同的可再生能源供给情况获得不同的风力发电机组和光伏发电机组的出力情况之后再进行分时电价策略的优化，使得分时电价策略更优；

4、用户进行需求侧响应的效果更加突出有效。

综上所述，在采用以上方案后，本发明为微电网的经济合理运营提供了新的方法，将历史供需数据作为优化最优机组组合和分时电价的有力根据，从而有效缓解微电网运营成本过高，内部缺负荷量过大的问题，确保了用户的用电需求得到了很好的满足。为有效推动我国微电网运营模式的建设和发展提供了良好的借鉴，具有实际推广价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。