一种大功率缺额下的可控负荷双层调度方法与流程

本发明涉及一种大功率缺额下的可控负荷双层调度方法，属于电力系统需求响应技术领域。

背景技术

2017年7月，江苏电网成为首个负荷破1亿千瓦的省级电网，峰时用电最高达10002.4万千瓦，也成为了全国用电负荷最高的省级电网。其中空调用电负荷占比超过40％。夏季的负荷高峰也是空调的用电高峰，但是高峰持续时间却很短，始终提高装机容量来满足尖峰用电，需要大量投资。而空调负荷本身具有良好的需求响应特性，有着可调度的潜力。例如居民式分散式空调，通过合理的调控，可以作为一定的备用容量，可避免仅依靠增加装机容量的资源浪费，是实现夏季削峰的有效方式。

空调的建模方法主要有：等效热参数建模方法和基于冷(热)负荷计算的模型。周期性暂停控制作为其中最实用的方法，兼具了开关控制和调温控制的优点。周期性暂停控制的研究中起初提出了以舒适度为目标的状态阵列模型，对空调进行有效地调度。一些文献在此基础上，结合温度区间的分离控制，改善了调控中负荷波动的现象。一些学者提出了3种空调负荷主动响应方式：集中式、分布式和分层分布式。丰富了空调的调度模式。但是以上研究都没有考虑如何在空间合理地调控空调，基本假设一个节点下包含多台空调，或者脱离配电网的结构假设空调所处的位置都是一样的。然而实际上空调会处在配电网中的不同位，而负荷的不同变化，对网损有着不同的影响。特别是当电网处于大功率缺额情况时，随意选取一点进行负荷削减，更不利于电网的稳定。

为此本发明在调度中充分考虑了集群空调负荷在空间上的优化组合，提出了一种大功率缺额下，考虑网损和调度偏差最小的自上而下双层优化动态调度方法。通过最优潮流计算，合理地分配空间上调度的容量，改善电网的运行情况。基于此，结合动态调度，实现调度的准确性。

技术实现要素：

本发明正是针对现有技术中存在的技术问题，提供一种大功率缺额下的可控负荷双层调度方法，当电网处于大功率缺额情况时，不同位置负荷的不同削减量，对网损有着不同的影响，随意选取一点进行负荷削减，更不利于电网的稳定。

为了解决上述技术问题，本发明的技术方案如下：一种大功率缺额下的可控负荷双层调度方法，包括：

步骤s1，各负荷聚合商根据预测的温度及用户可调度潜力计算各节点下总可调度潜力，进而进行申报；

步骤s2，电力公司根据功率缺额情况制定负荷削减方案，考虑到各节点的可调度潜力的上限，对电网进行最优潮流计算，得到各节点的负荷削减量和最优网损值；

步骤s3，负荷聚合商确定优化时间窗和优化周期，每到新的时间窗，更新外界温度和空调的运行状态；

步骤s4，对各节点下的负荷根据当前的可调潜力进行聚类分析，得到k个聚类组；

步骤s5，运用智能算法以调度偏差最小为目标求解各节点下的调度优化模型；

步骤s6，进入新的优化时间窗，重复s3-5，直到调度周期结束。

进一步地，所述步骤s1中具体为：各负荷聚合商根据预测的温度及用户可调度潜力计算各节点下总可调度潜力，进而进行申报，以空调作为可控负荷，空调负荷的等效热参数模型：

式中：s表示开关状态，1表示关闭，0表示开启；表示t时刻的室内温度；相应地，为t+1时刻的室内、室外温度；p为空调负荷的热功率；η表示空调能效比，表示空调器的制冷性能系数：即额定制冷量与额定功耗p的比值；ε表示散热系数：ε＝e^-δh/rc；(δh为仿真步长)，c为房屋的等效热容；r为房屋的等效热阻。

周期性暂停控制方式基于舒适度准则，将室温tout变化设定在一个区间中，温度变化至区间上/下限时，空调会开/关，当温度到达tmax时，空调开启，直到温度下降至tmin，空调关停，接着由于传热和散热，温度再次升高，直到需要空调重新开启，不断循环。假设tout、p、r为恒定值，一个启停控制周期h内关停时间为hoff，开启时间为hon。可得：

进一步得：

由于线性仿真模型与等效热参数模型相差不大，为简化计算，采用简化的线性仿真模型，

空调关闭、开启时室内温度变化为^]：

空调的一个控制周期包括关停时间hoff和开启时间hon。关停时间长短则可以反映空调可调度潜力大小。每台空调的可关断时间h和相应等效热阻r、等效热容c及空调的初始状态有很大的关联。用a表示空调的初始状态：

a(t)＝0表示空调位于温度上限tmax，a(t)＝1表示空调位于温度下限tmin。

假设一个调度周期为t,空调的可关断时间为：

h＝a(0)·hoff+q1·hoff+q3(6)

其中：

a(0)·hoff为空调由初始状态上升至温度区间上限时的关断时间。在余下的时间里，空调进行反复多次的轮控,但是调度时间t-a(0)·hoff往往不能被控制周期h整除，所以q1为轮控的次数，q2为余下不满一个控制周期的时间。当q2大于hon时，可关断时间仍需加上q3。可以看出，可关断时间h既考虑了由于等效参数差异导致的hoff的差异，又考虑了因为初始状态不同，导致的a(0)差异，可以较为真实地反映每台空调的可调度潜力。

空调的实时运行状态也随着空调的关停和开启发生变化：

用c表示n台空调总的可调度潜力：

进一步地，所述步骤s2中具体为：在空调优化调度中，一般文献仅考虑负荷削减总量，没有考虑在空间上如何削减，这样可能会出现在某一节点切除大负荷,影响系统稳定运行。一般来说配电网中往往存在多个节点与负荷聚合商签订协议，可以获得多点控制决策权。因此通过合理调控可以使在保证节点电压不越限的情况，减小配电网的网损，优化配电网的运行。

假设配电网的网损为ploss.ploss与各节点的有功功率、无功功率、电压有关。因此负荷空间上削减的差异性将导致网损的不同。假设节点系统中共有n个节点，其中节点1-m可进行空调的调控操作，总共需要削减负荷为pcut，x1,x2,…xm分别为相应节点的空调削减量。系统的潮流方程为：

式中，p′i为节点i原注入有功功率，pi,qi分别计及削减后的为节点的有功功率和无功功率；ui,uj为节点i和节点j的电压，gij,bij,δij分别为i与节点j之间的电导、电纳及相角差。

计算1-m节点的可调度潜力，分别为c1,c2,…cm，这也是节点空调负荷削减的上限，考虑电压越限约束，以网损最小为目标，进行最优潮流计算，求出最优网损值。所得解x1,x2,…xm为各节点在下层调度中设定的负荷削减目标。优化目标定义为：

rij,xij分别为第i,j节点之间的电阻和电抗。在计算中主要考虑电压约束与负荷削减约束，vi，是i节点电压的下限和上限。

进一步地，所述步骤s4中具体为：可关断时间h是反映可调度潜力的综合指标，

而聚类分析的目的就是将可调度潜力接近的空调聚类为一组，从而在调度方便的同时，

充分发挥空调的可调度潜力，因此选取h作为判断各对象之间的相似性的聚类指标。

对可调控节点下的空调分别进行聚类分析，假设一个节点下有n台空调，sh为n台空调可关断时间的样本，h按照从小到大排序，h越大，表示可关断时间越长。

sh＝{h1,h2,…hn|h1≤h2≤…≤hn}(13)

常用的聚类算法中选择了可操作性高，最为经典的k-means算法。k-means算法的原理就是选取空间中的k个点为中心进行聚类(k为聚类组数)，将最靠近中心点的对象依次归类。因此选择合适的初始中心对聚类效果至关重要。为了合理地选择初始聚类中心，使得各聚类组的容量基本接近，初始中心按照以下方式选取：

为第j组的聚类中心，为聚类组第j组的第一个元素编号，为聚类组第j组的最后一个元素编号。聚类的过程如下:

由于可关断时间样本sh是按从小到大排序，从编号i＝1的样本开始聚类，依次在聚类组j＝1中加入编号更大的样本直至满足式(15)。依次重复，得到j＝2,3,…k的聚类组。根据式(15)可将空调分为k个组，每组功率总和基本为每组内编号邻近，可关断时间接近，同时j越大的聚类组可关断时间越长。

聚类的目标函数：

为了使得聚类的误差z最小，用整个聚类的均方差来表示：

为了使聚类的结果更加合理，需要考虑以空调为聚类对象后，聚类及调控过程中一些实际约束条件。

约束条件一：

是第j个聚类组中的所有空调的功率总和。是所有聚类组的功率和的集合。为了调度的便捷性和准确性，各组的功率不应相差太大，因此在聚类分组时要求各组的功率偏差要小于δ^p。

约束条件二：

一组内的空调可能具有不同的初始状态，例如当pi＝1.5mw,ai(0)＝0；pj＝1.5mw,aj(0)＝1时，两台空调虽然有着相同的功率，但是一个需要

sa是所有聚类组初始状态的集合。δ^a是初始运行状态的约束偏差，δ^a的选取值也会影响到调度的精度。

由于聚类中要满足双重约束，所以采取反复修正来满足约束，即：以ik(i1)为起点，令总功率之和越限的组中初始状态较小(大)的移到相邻编号小(大)一级的组中。

由于k-means算法一开始需要确定k值，k值的选取也直接影响了调控的精度，所以选取合适的k值至关重要。k值过小会影响聚类效果，造成较大的调度偏差，k值太大也会超出负荷聚合商的调度能力。为了选取合适的k值，基于负荷聚合商的调度能力确定最大的k值，然后再选择最佳k值。

进一步地，所述步骤s5中具体为：运用智能算法以调度偏差最小为目标求解各节点下的调度优化模型。为了达到实时又准确的调度，必须考虑到调度的实际问题：

1.当调度时间t过长时，外界温度已经发生变化，无法作为准确的调度标准，而且各地的温度也存在差异。

2.当空调经过调控后，空调的运行状态发生了变化，需要对空调的状态进行更新修正，也需要进行新一轮的聚类分组。

因此将较长的调度时间t采用优化时间窗进行划分，得到多个优化周期topt。

t＝topt·w(19)

w表示优化时间窗的个数。在每个新的优化时间窗，更新室外的温度和空调的运行状态，在一个优化周期中，对空调进行聚类分析和优化调度。

假设已经得到1-m节点对应的负荷削减目标x1,x2,…xm，现在依次对各节点进行最优调度。以节点r为例，需要削减的空调负荷量为xr。r节点共有nr台空调，聚类成kr组，用表示第kr个聚类组中的所有空调的功率总和。s表示开关状态，sw,v(kr)代表第kr组空调在第w个优化时间窗的第v个时刻的关停与开启状态。sw,v(kr)＝1表示关闭，sw,v(kr)＝0表示开启。perror为一个调度周期各时刻调度偏差之和。调度目标为：

考虑到用户的舒适性，在优化过程中的，每个优化时间窗内，针对每一个聚类组的可选择的决策样本需要进行筛选，以保证在开关操作的整个周期内满足空调温度不越限的约束。考虑到优化周期topt偏小，需要进行多次的数据采集和调度决策，调度成本增大；优化周期topt偏大，调度偏差也会相应增大，因此优化周期的确定必须综合考虑调度的成本和精度。

进一步地，所述步骤s6中具体为：进入新的优化时间窗，重复s3-5，直到调度周期结束。

相对于现有技术，本发明的优点如下：

1)配电网的网损与负荷削减的位置有关，该技术方案对系统进行最优潮流计算，按照计算的削减量在空间上合理调控空调，可以有效地减少配电的网损，优化配电网的运行。

2)由于空调负荷参数与运行状态的多样性，对调度有着直接的影响，本发明在空调的聚类建模中也考虑了空调的多样性。

3)本发明提出的双层优化方法可以使调度偏差较小，同时和常规的直接切负荷方式相比，极大地改善了用户的舒适性，减小了电压越限的可能性。

附图说明

图1所示为本发明提供的一种大功率缺额下的可控负荷双层调度方法的流程图；

图2所示为本发明中最优潮流迭代过程中的网损值；

图3所示为本发明中不同功率偏差约束下的功率值及误差；

图4所示为本发明中不同功率偏差约束下的网损值

具体实施方式

为了加深对本发明的认识和理解，下面结合附图和具体实施方式进一步介绍该方案：

实施例1：

本发明提供一种大功率缺额下的可控负荷双层调度方法，其方法流程如图1所示，由图1可知，该方法包括：

步骤s1，各负荷聚合商根据预测的温度及用户可调度潜力计算各节点下总可调度潜力，进而进行申报；

步骤s2，电力公司根据功率缺额情况制定负荷削减方案。考虑到各节点的可调度潜力的上限，对电网进行最优潮流计算，得到各节点的负荷削减量和最优网损值；

步骤s3，负荷聚合商确定优化时间窗和优化周期，每到新的时间窗，更新外界温度和空调的运行状态；

步骤s4，对各节点下的负荷根据当前的可调潜力进行聚类分析，得到k个聚类组

步骤s5，运用智能算法以调度偏差最小为目标求解各节点下的调度优化模型；

步骤s6，进入新的优化时间窗，重复s3-5，直到调度周期结束。

进一步地，步骤s1包括：各负荷聚合商根据预测的温度及用户可调度潜力计算各节点下总可调度潜力，进而进行申报，以空调作为可控负荷，空调负荷的等效热参数模型：

式中：s表示开关状态，1表示关闭，0表示开启；表示t时刻的室内温度；相应地，为t+1时刻的室内、室外温度；p为空调负荷的热功率，；η表示空调能效比，表示空调器的制冷性能系数：即额定制冷量与额定功耗p的比值；ε表示散热系数：ε＝e^-δh/rc；(δh为仿真步长)，c为房屋的等效热容；r为房屋的等效热阻。

周期性暂停控制方式基于舒适度准则，将室温tout变化设定在一个区间中，温度变化至区间上/下限时，空调会开/关。当温度到达tmax时，空调开启，直到温度下降至tmin，空调关停，接着由于传热和散热，温度再次升高，直到需要空调重新开启，不断循环。假设tout、p、r为恒定值，一个启停控制周期h内关停时间为hoff，开启时间为hon。可得：

进一步得：

由于线性仿真模型与等效热参数模型相差不大，为简化计算，采用简化的线性仿真模型，

空调关闭、开启时室内温度变化为^]：

空调的一个控制周期包括关停时间hoff和开启时间hon。关停时间长短则可以反映空调可调度潜力大小。每台空调的可关断时间h和相应等效热阻r、等效热容c及空调的初始状态有很大的关联。用a表示空调的初始状态：

a(t)＝0表示空调位于温度上限tmax，a(t)＝1表示空调位于温度下限tmin。

假设一个调度周期为t,空调的可关断时间为：

h＝a(0)·hoff+q1·hoff+q3(6)

其中：

a(0)·hoff为空调由初始状态上升至温度区间上限时的关断时间。在余下的时间里，空调进行反复多次的轮控,但是调度时间t-a(0)·hoff往往不能被控制周期h整除，所以q1为轮控的次数，q2为余下不满一个控制周期的时间。当q2大于hon时，可关断时间仍需加上q3。可以看出，可关断时间h既考虑了由于等效参数差异导致的hoff的差异，又考虑了因为初始状态不同，导致的a(0)差异，可以较为真实地反映每台空调的可调度潜力。

空调的实时运行状态也随着空调的关停和开启发生变化：

用c表示n台空调总的可调度潜力：

步骤s2包括：在空调优化调度中，一般文献仅考虑负荷削减总量，没有考虑在空间上如何削减，这样可能会出现在某一节点切除大负荷,影响系统稳定运行。一般来说配电网中往往存在多个节点与负荷聚合商签订协议，可以获得多点控制决策权。因此通过合理调控可以使在保证节点电压不越限的情况，减小配电网的网损，优化配电网的运行。

假设配电网的网损为ploss.ploss与各节点的有功功率、无功功率、电压有关。因此负荷空间上削减的差异性将导致网损的不同。假设节点系统中共有n个节点，其中节点1-m可进行空调的调控操作，总共需要削减负荷为pcut，x1,x2,…xm分别为相应节点的空调削减量。系统的潮流方程为：

式中，pi'为节点i原注入有功功率，pi,qi分别计及削减后的为节点的有功功率和无功功率；ui,uj为节点i和节点j的电压，gij,bij,δij分别为i与节点j之间的电导、电纳及相角差。

计算1-m节点的可调度潜力，分别为c1,c2,…cm，这也是节点空调负荷削减的上限，考虑电压越限约束，以网损最小为目标，进行最优潮流计算，求出最优网损值。如图2所示为本发明中最优潮流迭代过程中的网损值。

所得解x1,x2,…xm为各节点在下层调度中设定的负荷削减目标。优化目标定义为：

rij,xij分别为第i,j节点之间的电阻和电抗。在计算中主要考虑电压约束与负荷削减约束，vi，是i节点电压的下限和上限。

步骤s3包括：负荷聚合商确定优化时间窗和优化周期，每到新的时间窗，更新外界温度和空调的运行状态。

步骤s4包括：可关断时间h是反映可调度潜力的综合指标，而聚类分析的目的就是将可调度潜力接近的空调聚类为一组，从而在调度方便的同时，充分发挥空调的可调度潜力，因此选取h作为判断各对象之间的相似性的聚类指标。

对可调控节点下的空调分别进行聚类分析，假设一个节点下有n台空调，sh为n台空调可关断时间的样本，h按照从小到大排序，h越大，表示可关断时间越长。

sh＝{h1,h2,…hn|h1≤h2≤…≤hn}(13)

常用的聚类算法中选择了可操作性高，最为经典的k-means算法。k-means算法的原理就是选取空间中的k个点为中心进行聚类(k为聚类组数)，将最靠近中心点的对象依次归类。因此选择合适的初始中心对聚类效果至关重要。为了合理地选择初始聚类中心，使得各聚类组的容量基本接近，初始中心按照以下方式选取：

为第j组的聚类中心，为聚类组第j组的第一个元素编号，为聚类组第j组的最后一个元素编号。聚类的过程如下:

由于可关断时间样本sh是按从小到大排序，从编号i＝1的样本开始聚类，依次在聚类组j＝1中加入编号更大的样本直至满足式(15)。依次重复，得到j＝2,3,…k的聚类组。根据式(15)可将空调分为k个组，每组功率总和基本为每组内编号邻近，可关断时间接近，同时j越大的聚类组可关断时间越长。

聚类的目标函数：

为了使得聚类的误差z最小，用整个聚类的均方差来表示：

为了使聚类的结果更加合理，需要考虑以空调为聚类对象后，聚类及调控过程中一些实际约束条件。

约束条件一：

是第j个聚类组中的所有空调的功率总和。是所有聚类组的功率和的集合。为了调度的便捷性和准确性，各组的功率不应相差太大，因此在聚类分组时要求各组的功率偏差要小于δ^p。

约束条件二：

一组内的空调可能具有不同的初始状态，例如当pi＝1.5mw,ai(0)＝0；pj＝1.5mw,aj(0)＝1时，两台空调虽然有着相同的功率，但是一个需要

sa是所有聚类组初始状态的集合。δ^a是初始运行状态的约束偏差，δ^a的选取值也会影响到调度的精度。

由于聚类中要满足双重约束，所以采取反复修正来满足约束，即：以ik(i1)为起点，令总功率之和越限的组中初始状态较小(大)的移到相邻编号小(大)一级的组中。

由于k-means算法一开始需要确定k值，k值的选取也直接影响了调控的精度，所以选取合适的k值至关重要。k值过小会影响聚类效果，造成较大的调度偏差，k值太大也会超出负荷聚合商的调度能力。为了选取合适的k值，基于负荷聚合商的调度能力确定最大的k值，然后再选择最佳k值。

步骤s5中包括：运用智能算法以调度偏差最小为目标求解各节点下的调度优化模型。为了达到实时又准确的调度，必须考虑到调度的实际问题：

1.当调度时间t过长时，外界温度已经发生变化，无法作为准确的调度标准，而且各地的温度也存在差异。

2.当空调经过调控后，空调的运行状态发生了变化，需要对空调的状态进行更新修正，也需要进行新一轮的聚类分组。

因此将较长的调度时间t采用优化时间窗进行划分，得到多个优化周期topt。

t＝topt·w(19)

w表示优化时间窗的个数。在每个新的优化时间窗，更新室外的温度和空调的运行状态，在一个优化周期中，对空调进行聚类分析和优化调度。

假设已经得到1-m节点对应的负荷削减目标x1,x2,…xm，现在依次对各节点进行最优调度。以节点r为例，需要削减的空调负荷量为xr。r节点共有nr台空调，聚类成kr组，用表示第kr个聚类组中的所有空调的功率总和。s表示开关状态，sw,v(kr)代表第kr组空调在第w个优化时间窗的第v个时刻的关停与开启状态。sw,v(kr)＝1表示关闭，sw,v(kr)＝0表示开启。perror为一个调度周期各时刻调度偏差之和。调度目标为：

考虑到用户的舒适性，在优化过程中的，每个优化时间窗内，针对每一个聚类组的可选择的决策样本需要进行筛选，以保证在开关操作的整个周期内满足空调温度不越限的约束。考虑到优化周期topt偏小，需要进行多次的数据采集和调度决策，调度成本增大；优化周期topt偏大，调度偏差也会相应增大，因此优化周期的确定必须综合考虑调度的成本和精度。

步骤s6中包括：进入新的优化时间窗，重复s3-5，直到调度周期结束。

如图3所示为本发明中不同功率偏差约束下的功率值及误差，如图4所示为本发明中不同功率偏差约束下的网损值；由图3可以看出，随着功率偏差δ^p不断增大，调度偏差不断增大：三次调度的平均误差分别为4.2％，4.8％，5.7％。由于δ^p越大，各组的功率相差较大，在选择调控各组的空调时便会产生较大的差异。当提供削减的负荷功率大于1000kw时，网损一般会变小。相应地，当负荷削减不足时，网损也会增加。由图4可以看出，网损在最优网损值323.0086kw上下波动，网损最大增幅为最优值的3％左右。调度功率的误差直接会影响到网损的大小。

以上对本申请进行了详细介绍，本发明中应用了具体个例对本申请的原理及实施方式进行了阐释，以上实施例的说明只是用于帮助理解本申请的方法及核心思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明不应理解为对本申请的限制。