一种基于需求响应的工业负荷优化调度建模方法与流程

本发明涉及工业负荷优化调度领域，具体来说是一种基于需求响应的工业负荷优化调度建模方法。

背景技术：

随着经济和社会的发展，电力的需求日益增长。工业用户相比较于居民和商业用户，具有更高的电力消费水平，它已占到世界电力消费的40％以上。发电侧为了满足不断增长的电力消费需要进一步的扩建发电容量，这给电力系统的运行带来了巨大的成本负担。而从需求侧管理的角度，需求响应是指电力用户对价格信号或激励机制做出响应，改变原有的一些电力消费行为，从而促进电力系统的优化运行。因此对工业企业实施需求响应具有重要的意义和较大的潜力。

对于工业负荷的优化调度问题，现有模型大多采用负荷转移的方法，即将峰时段的负荷转移到谷时段或平时段，但现有的工业负荷优化调度模型对工业生产相关的约束条件考虑的不是很完善，如往往没有考虑工业产品的储存容量限制，这不利于负荷调度模型在实际中的应用。同时现有的工业负荷优化调度模型往往没有考虑能量储能单元，这削弱了工业负荷优化调度对主电网削峰填谷的作用；另外现有的工业负荷优化调度模型大多没有考虑分布式发电单元对工业负荷优化调度的影响，分布式发电单元能更灵活地为工业企业提供电能，因此现有技术无法进一步的降低工业企业的生产能耗成本。

技术实现要素：

本发明针对现有技术中存在的不足之处，提出来一种基于需求响应的工业负荷优化调度建模方法，以期将能量储能单元和分布式发电单元纳入调度模型中，建立更加完善的工业负荷优化调度模型，从而降低工业企业的负荷运行成本，对主电网来说能够达到削峰填谷的作用，继而提高分时电价环境下主电网运行的安全性和稳定性。

本发明为解决技术问题采用如下技术方案：

本发明一种基于需求响应的工业负荷优化调度建模方法，是应用于包含能量储能单元、分布式发电单元和主电网构成的工业企业生产环境中，其特点包括以下步骤：

步骤一、根据工业负荷特性，将工业负荷分为可调度负荷和不可调度负荷；并将所述可调度负荷分为可转移负荷和可控制负荷，所述可转移负荷有开和关两种运行点，所述可控制负荷有多种不同功率的运行点；

步骤二、对所述可调度负荷的运行过程进行建模，得到工业生产的储存模型和电力需求量；对所述能量储能单元进行建模，得到储电量模型；对所述分布式发电单元进行建模，得到发电量；

步骤三、建立分时电价环境下所述工业负荷优化调度模型的目标函数；

步骤四、确定所述工业负荷优化调度模型的约束条件，并与所述目标函数构成基于需求响应的工业负荷优化调度模型。

本发明所述的基于需求响应的工业负荷优化调度建模方法的特点也在于，所述步骤二中的工业生产的储存模型如式(1)所示：

式(1)中,t为时段编号，k为生产任务编号，s为工业产品的储存编号；ss,t为第s个储存编号的工业产品在第t个时段的储存数量；ss,t-1为第s个储存编号的工业产品在第t-1个时段的储存数量；tp,s为所有生产第s个储存编号的工业产品的生产任务集合，tc,s为所有消耗第s个储存编号的工业产品的生产任务集合；ps,k,t为第k个编号的生产任务在第t个时段生产所述第s个储存编号的工业产品的数量，并由式(2)获得；cs,k,t为第k个编号的生产任务在第t个时段消耗所述第s个储存编号的工业产品的数量，并由式(3)获得：

式(2)中,pk,m,s为所述第k个编号的生产任务在第m个运行点运行时生产所述第s个储存编号的工业产品的速率；zk,m,t为二进制变量，表示所述第k个编号的生产任务在第t个时段的第m个运行点的运行状态；

式(3)中,ck,m,s为所述第k个编号的生产任务在第m个运行点运行时消耗所述第s个储存编号的工业产品的速率；

所述步骤二中的电力需求量是由式(4)得到：

式(4)中，et为工业生产中第t个时段的电力需求量；ek,t为所述第k个编号的生产任务在第t个时段的耗电量，并由式(5)获得：

式(5)中,ek,m为所述第k个编号的生产任务在第m个运行点运行时单位时间的耗电量；

所述步骤二中的能量储能单元的储电量模型为：

式(6)中，和分别为所述能量储能单元在第t个时段结束时和第t-1个时段结束时的储电量；和分别为所述能量储能单元在第t时段内的充电量和放电量；ηch和ηdis分别为所述能量储能单元的充电效率和放电效率；

所述步骤二中的发电量是利用式(7)得到：

式(7)中，eder,t为所述分布式发电单元在第t个时段的发电量；i为所述分布式发电单元中分布式电源的编号，n为所述分布式发电单元中分布式电源的总数；pi,t为第i个分布式电源在第t个时段的发电量。

所述步骤三中，基于需求响应的工业负荷优化调度模型的目标函数如式(8)所示：

式(8)中，c为所述工业负荷优化调度后的总成本；t为所述工业负荷优化调度在一个周期内的总时段数；ppt和pst分别为分时电价环境下第t个时段的购电价格和售电价格；ep,t和es,t分别为第t个时段的购电量和售电量；cder为所述分布式发电单元的电力生产成本，并由式(9)获得：

式(9)中，pi,t为第i个分布式电源在第t个时段内的输出功率；fi(pi,t)为第i个分布式电源在第t个时段内的燃料成本，并由式(10)获得；omi(pi,t)为第i个分布式电源在第t个时段内的运行维护成本，并由式(11)获得：

fi(pi,t)＝ai+bipi,t+ci(pi,t)²(10)

式(10)中，ai，bi和ci为第i个分布式电源的燃料成本系数；

式(11)中，为第i个分布式电源的运行维护成本系数。

所述步骤四中，工业负荷优化调度模型的约束条件如式(12)-式(21)所示：

zch,t+zdis,t≤1(17)

pi^min≤pi≤pi^max(18)

|pi,t-pi,t-1|≤ri(19)

式(12)表示所述第s个储存编号的工业产品的储存容量约束，和分别为所述第s个储存编号的工业产品的最小和最大储存容量；

式(13)表示所述第k个编号的生产任务的运行点的约束，第k个编号的生产任务在第t个时段内只能在一种运行点上运行；

式(14)表示所述能量储能单元的容量约束，0和分别为所述能量储能单元的最小和最大储存容量限制；

式(15)表示所述能量储能单元的最大充电速率限制，为所述能量储能单元的最大充电速率；zch,t为二进制变量，表示所述能量储能单元在第t个时段是否充电；

式(16)表示所述能量储能单元的最大放电速率限制，为所述能量储能单元的最大放电速率；zdis,t为二进制变量，表示所述能量储能单元在第t个时段是否放电；

式(17)表示所述能量储能单元在第t个时段不能同时充电和放电约束；

式(18)表示所述第i个分布式电源自身发电能力的约束，pi^max和pi^min分别为所述第i个分布式电源的输出功率的上限和下限；

式(19)表示所述第i个分布式电源的爬坡速率限制，pi,t-1为所述第i个分布式电源在第t-1个时段内的输出功率；ri为所述第i个分布式电源的最大爬坡速率；

式(20)表示能量平衡约束；为工业企业与主电网在第t个时段的实际交互电量；

式(21)为工业企业与主电网间的传输容量约束；l1为工业企业向所述主电网输送电力的功率下限，l2为所述主电网向工业企业输送电力的功率上限。

与已有技术相比，本发明有益效果体现在：

1、本发明通过实施需求响应将峰时段的工业负荷向谷时段和平时段转移，达到了削峰填谷的作用，提高了分时电价环境下主电网运行的安全性和稳定性，并降低了工业企业的用电成本。

2、本发明将能量储能单元纳入到调度模型中，考虑了能量储能单元的储电量模型，能量储能单元通过谷时段充电和峰时段放电，使削峰填谷的效果更加显著，并有助于降低工业企业的用电成本。

3、本发明考虑了分布式发电单元对工业负荷优化调度的影响，将分布式发电单元的发电成本纳入到调度目标中，分布式发电单元能更灵活地为工业企业提供电能，这能进一步的减少工业企业的用电成本。

4、本发明考虑了工业生产中工业产品的储存容量约束和生产任务的运行点约束，并将能量储能单元和分布式发电单元的相关约束条件纳入到调度模型中，使调度模型的约束条件更加完善，更符合实际情况。

附图说明

图1为本发明的整体结构图；

图2为本发明的粒子群算法流程图。

具体实施方式

本实施例中，一种基于需求响应的工业负荷优化调度建模方法，如图1所示，是应用于包含能量储能单元、分布式发电单元和主电网构成的工业企业生产环境中，包括以下步骤：

步骤一、根据工业负荷特性，将工业负荷分为可调度负荷和不可调度负荷；并将可调度负荷分为可转移负荷和可控制负荷，可转移负荷有开和关两种运行点，可控制负荷有多种不同功率的运行点；某汽车制造业的零部件生产系统中的生产任务和运行点如表一所示；其中零部件生产任务1为不可调度负荷；零部件生产任务2为可转移负荷；零部件生产任务3为可调度负荷，有3种不同功率的运行点；

表一

步骤二、对可调度负荷的运行过程进行建模，得到工业生产的储存模型和电力需求量；对能量储能单元进行建模，得到储电量模型；对分布式发电单元进行建模，得到发电量；

工业生产的储存模型如式(1)所示：

式(1)中,t为时段编号，k为生产任务编号，s为工业产品的储存编号；ss,t为第s个储存编号的工业产品在第t个时段的储存数量；ss,t-1为第s个储存编号的工业产品在第t-1个时段的储存数量；tp,s为所有生产第s个储存编号的工业产品的生产任务集合，tc,s为所有消耗第s个储存编号的工业产品的生产任务集合；ps,k,t为第k个编号的生产任务在第t个时段生产第s个储存编号的工业产品的数量，并由式(2)获得；cs,k,t为第k个编号的生产任务在第t个时段消耗第s个储存编号的工业产品的数量，并由式(3)获得：

式(2)中,pk,m,s为第k个编号的生产任务在第m个运行点运行时生产第s个储存编号的工业产品的速率；zk,m,t为二进制变量，表示第k个编号的生产任务在第t个时段的第m个运行点的运行状态；

式(3)中,ck,m,s为第k个编号的生产任务在第m个运行点运行时消耗第s个储存编号的工业产品的速率；

工业生产的电力需求量是由式(4)得到：

式(4)中，et为工业生产中第t个时段的电力需求量；ek,t为第k个编号的生产任务在第t个时段的耗电量，并由式(5)获得：

式(5)中,ek,m为第k个编号的生产任务在第m个运行点运行时单位时间的耗电量；

能量储能单元的储电量模型为：

式(6)中，和分别为能量储能单元在第t个时段结束时和第t-1个时段结束时的储电量；和分别为能量储能单元在第t时段内的充电量和放电量；ηch和ηdis分别为能量储能单元的充电效率和放电效率，充电效率和放电效率通常都取0.9；

分布式发电单元的发电量是利用式(7)得到：

式(7)中，eder,t为分布式发电单元在第t个时段的发电量；i为分布式发电单元中分布式电源的编号，n为分布式发电单元中分布式电源的总数；pi,t为第i个分布式电源在第t个时段的发电量。

步骤三、建立分时电价环境下工业负荷优化调度模型的目标函数；

基于需求响应的工业负荷优化调度模型的目标函数如式(8)所示：

式(8)中，c为工业负荷优化调度后的总成本；t为工业负荷优化调度在一个周期内的总时段数；ppt和pst分别为分时电价环境下第t个时段的购电价格和售电价格，某分时电价环境下的购售电价格如表二所示：

表二

ep,t和es,t分别为第t个时段的购电量和售电量；cder为分布式发电单元的电力生产成本，并由式(9)获得：

式(9)中，pi,t为第i个分布式电源在第t个时段内的输出功率；fi(pi,t)为第i个分布式电源在第t个时段内的燃料成本，并由式(10)获得；omi(pi,t)为第i个分布式电源在第t个时段内的运行维护成本，并由式(11)获得：

fi(pi,t)＝ai+bipi,t+ci(pi,t)²(10)

式(10)中，ai，bi和ci为第i个分布式电源的燃料成本系数；

式(11)中，为第i个分布式电源的运行维护成本系数，表三为常见的分布式电源的运行维护成本系数。

表三

步骤四、确定工业负荷优化调度模型的约束条件，并与目标函数构成基于需求响应的工业负荷优化调度模型。

工业负荷优化调度模型的约束条件如式(12)-式(21)所示：

zch,t+zdis,t≤1(17)

pi^min≤pi≤pi^max(18)

|pi,t-pi,t-1|≤ri(19)

式(12)表示第s个储存编号的工业产品的储存容量约束，和分别为第s个储存编号的工业产品的最小和最大储存容量；

式(13)表示第k个编号的生产任务的运行点的约束，第k个编号的生产任务在第t个时段内只能在一种运行点上运行；

式(14)表示能量储能单元的容量约束，0和分别为能量储能单元的最小和最大储存容量限制；

式(15)表示能量储能单元的最大充电速率限制，为能量储能单元的最大充电速率，zch,t为二进制变量，表示能量储能单元在第t个时段是否充电；

式(16)表示能量储能单元的最大放电速率限制，为能量储能单元的最大放电速率，zdis,t为二进制变量，表示能量储能单元在第t个时段是否放电；

式(17)表示能量储能单元在第t个时段不能同时充电和放电约束；

式(18)表示第i个分布式电源自身发电能力的约束，pi^max和pi^min分别为第i个分布式电源的输出功率的上限和下限；

式(19)表示第i个分布式电源的爬坡速率限制，pi,t-1为第i个分布式电源在第t-1个时段内的输出功率；ri为第i个分布式电源的最大爬坡速率；

式(20)表示能量平衡约束；为工业企业与主电网在第t个时段的实际交互电量；

式(21)为工业企业与主电网间的传输容量约束；l1为工业企业向主电网输送电力的功率下限，l2为主电网向工业企业输送电力的功率上限。

步骤五、通过优化算法对工业负荷优化调度模型进行求解，获得对可调度负荷的最优调度结果；本实施例采用粒子群优化算法，图2为粒子群算法的求解流程图；粒子群算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子的特征，适应度值由适应度函数计算得到，其值的好坏表示粒子的优劣。粒子在解空间中运行，通过跟踪个体极值和群体极值更新个体位置。个体极值是指个体粒子搜索到的适应度值最优位置，群体极值是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新的适应度值和个体极值、群体极值的适应度值更新个体极值和群体极值的位置。