一种考虑需求响应的多时间尺度源网荷协调调度方法与流程

本发明属于电网调度技术领域，具体涉及一种考虑需求响应的多时间尺度源网荷协调调度方法。

背景技术：

随着风电等新能源的不断接入，电网的安全可靠运行面临着挑战。风电接入电网后，其间歇性和不确定性给电力系统的调度和运行增加了难度。风电功率预测存在误差，且误差大小与预测时间有关，越接近预测点时误差越小。日前风电预测的误差一般为25％-40％，日内4h风电预测误差为10％-20％，1h风电预测误差则在10％以内。可见对于时间尺度的不同，风电预测的误差也会不一样，因此在调度过程中需要考虑到多个时间尺度。由于日前调度是提前制定的调度计划，受新能源和负荷预测精度以及电力系统实际状况变化影响，要通过实时调度来调整日前调度计划的客观技术需求。现有模型与方法中对于需求响应(demandresponse，dr)资源的调度多集中在某一个固定的时间尺度上，忽略了dr资源具有的多时间尺度特性，不能充分调用所有的dr资源。

技术实现要素：

发明目的：针对现有技术的不足，本发明提出一种考虑需求响应的多时间尺度源网荷协调调度方法，能够充分调动dr资源，实现dr和电源侧、电网侧资源的协调优化。

技术方案：为实现以上目的，本发明所采用以下技术方案：

一种考虑需求响应的多时间尺度源网荷协调调度方法，根据需求响应和调度的时间特性，将整体调度过程分为日前调度、日内调度和实时调度三个阶段，建立网络约束条件下基于多时间尺度需求响应的源网荷经济调度模型，并基于调度模型的求解结果制定调度计划，具体包括以下步骤：

(1)在已知单个风电场预测出力、负荷预测曲线和a类负荷响应潜力的情况下，以发电机成本、弃风成本和负荷响应成本总和最小为目标，建立考虑需求响应的日前调度模型，确定日前调度计划中常规发电机组出力、风电场出力和a类负荷的调整量，以第一时间间隔制定日前调度计划；

(2)将日前调度的优化决策变量中的发电机组出力和a类负荷的调整量作为日内调度的已知量，输入风电场的日内预测曲线和b类负荷响应潜力，以总成本最小为目标建立考虑需求响应的日内调度模型，进而确定日内调度计划中发电机组出力、风电场出力和b类负荷调整量，以第二时间间隔制定日内调度计划；

(3)将日内调度的优化决策变量中的发电机组出力和b类负荷调整量作为实时调度的已知量，输入风电场的实时预测曲线和当前时刻c类负荷响应潜力，以总成本最小为目标建立考虑需求响应的实时调度模型，进而确定实时调度计划中发电机组出力、风电场出力和c类负荷调整量，以第三时间间隔制定实时调度计划；

其中，第一时间间隔>第二时间间隔>第三时间间隔；

(4)调度中心向参与dr计划的智能家电下发状态指令，智能家电进行多次响应至满足系统c类负荷调整量的需求；c类负荷响应动作之后，更新下一阶段的c类负荷总功率，对下一时间段进行实时调度。

作为优选，所述步骤(1)中日前调度将第一时间间隔划分为若干个时段，计算每个时段的日前优化决策量，日前调度模型具体如下：

日前调度模型的目标函数为：

其中，nt为调度时段个数；ng为发电机个数；cg,i,t和pg,i,t分别为第i台发电机在t时段的发电成本和输出功率；nla为a类可响应负荷个数；和c-la,j,t分别为第j个a类负荷在t时段响应增加负荷信号和减少负荷信号的成本；和s-la,j,t分别为第j个a类负荷在t时段是否响应增加负荷信号和减少负荷信号的状态，表示第j个a类负荷在t时段参与响应增加负荷信号，表示第j个a类负荷在t时段未响应增加负荷信号，s-la,j,t＝1表示第j个a类负荷在t时段参与响应减少负荷信号，s-la,j,t＝0表示第j个a类负荷在t时段未响应减少负荷信号；pla,j为第j个a类负荷的额定功率；nw为风电场个数；cw,k,t为第k个风电场在t时段的弃风成本；pw,ahead,k,t为第k个风电场在t时段的日前风电预测功率；pw,k,t为第k个风电场在t时段的风电输出功率；

日前调度模型的约束条件为：

①有功功率平衡约束：

其中，nl为除a类负荷以外的负荷个数；pl,t为第l个负荷的额定功率；

②a类负荷响应平衡约束：

③线路潮流约束：

pmn,t＝bmn(θn,t-θm,t)

其中，pmn,t为线路mn在t时段的传输功率；bmn为线路mn的电纳；θm,t和θn,t分别为t时段线路mn中m节点和n节点的相角；

④发电机出力上下限约束：

pg,i,min≤pg,i,t≤pg,i,max

其中，pg,i,min和pg,i,max分别为第i台发电机的出力最小值和最大值；

⑤发电机爬坡约束：

-rd,iδt1≤pg,i,t-pg,i,t-1≤ru,iδt1

其中，pg,i,t和pg,i,t-1分别为第i台发电机在t时段和t-1时段的输出功率；rd,i和ru,i分别为第i台发电机单位时间内可以降低和升高的发电出力，即爬坡率；δt1为每个t时段的时长；

⑥安全约束：

|pmn,t|≤pmn,lim

-π≤θt≤π

其中，pmn,lim为线路mn的传输极限；θt为各节点的相角；

⑦风电出力上下限约束：

0≤pw,k,t≤pw,ahead,k,t

⑧a类负荷响应约束：

其中，drpahead,u和drpahead,d分别为a类负荷响应增加负荷信号和减少负荷信号的潜力最大值。

作为优选，所述日前调度模型确定的决策变量包括各发电机组日前调度计划中的发电功率pg,i,t、风电出力pw,k,t和a类负荷的调整量，t时段的调整量为其中常规火电机组的发电功率和a类负荷的调整量用于日内调度模型的输入。

作为优选，所述步骤(2)中日内调度在基于日前调度的第一时间间隔划分的时间段内，以第二时间间隔计算日内调度的优化决策变量，日内调度模型具体如下：

日内调度模型的目标函数为：

其中，为日内调度中第i台发电机出力变化成本；为第i台发电机日内调度输出功率；pg,i为日前调度的第i台发电机输出功率；nlb为b类负荷个数；和c-lb,j分别为第j个b类负荷响应增加负荷信号和减少负荷信号的成本；和s-lb,j分别为第j个b类负荷是否响应增加负荷信号和减少负荷信号的状态，表示第j个b类负荷参与响应增加负荷信号，表示第j个b类负荷未响应增加负荷信号，s-lb,j＝1表示第j个b类负荷参与响应减少负荷信号，s-lb,j＝0表示第j个b类负荷未响应减少负荷信号；plb,j为第j个b类负荷的额定功率；cw,k为第k个风电场的弃风成本；pw,nei,k为基于第一时间间隔划分的时间段内日内风电预测功率；为第k个风电场日内调度输出功率；

日内调度的约束条件为：

①有功功率平衡约束：

其中，nl1为除b类负荷以外的负荷个数；pl为第l个负荷的额定功率；δbj为第j个未参与响应的b类负荷运行状态，δbj＝1表示第j个b类负荷正在工作，δbj＝0表示第j个b类负荷停止工作；

②线路潮流约束：

pmn＝bmn(θn-θm)

其中，pmn为线路mn的传输功率；bmn为线路mn的电纳；θm和θn分别为线路mn中m节点和n节点的相角；

③发电机出力上下限约束：

其中，pg,i,min和pg,i,max分别为第i台发电机的出力最小值和最大值；

④发电机爬坡约束：

其中，rd,i和ru,i分别为第i台发电机单位时间内可以降低和升高的发电出力，即爬坡率；δt2为第二时间间隔；

⑤安全约束：

|pmn|≤pmn,lim

-π≤θ≤π

其中，pmn,lim为线路mn的传输极限；θ为各节点的相角；

⑥风电出力上下限约束：

⑦b类负荷响应约束：

其中，drpnei,u和drpnei,d分别为b类负荷响应增加负荷信号和减少负荷信号的潜力最大值。

作为优选，所述日内调度模型确定的决策变量包括各发电机组的出力风电出力和b类负荷的调整量其中发电机组的日内功率和b类负荷的调整量用于实时调度模型的输入。

作为优选，所述步骤(3)中实时调度在第二时间间隔范围内以第三时间间隔计算实时调度的优化决策变量，实时调度模型具体如下：

实时调度模型的目标函数为：

其中，为实时调度中第i台发电机出力变化成本；为第i台发电机实时输出功率；和分别为第j个c类负荷响应增加负荷信号和减少负荷信号的成本；和分别为第j个c类负荷是否响应增加负荷信号和减少负荷信号的状态，表示第j个c类负荷参与响应增加负荷信号，表示第j个c类负荷未响应增加负荷信号，表示第j个c类负荷参与响应减少负荷信号，表示第j个c类负荷未响应减少负荷信号；plc,j为第j个c类负荷的额定功率；pw,real,k为实时风电预测功率；prealw,k为第k个风电场实时输出功率；

实时调度的约束条件为：

①有功功率平衡约束：

其中，nl2为除c类负荷以外的负荷个数；pl为第l个负荷的额定功率；δcj为第j个未参与响应的c类负荷运行状态，δcj＝1表示第j个c类负荷正在工作，δcj＝0表示第j个c类负荷停止工作；

②线路潮流约束：

pmn＝bmn(θn-θm)

其中，pmn为线路mn的传输功率；bmn为线路mn的电纳；θm和θn分别为线路mn中m节点和n节点的相角；

③发电机出力上下限约束：

其中，pg,i,min和pg,i,max分别为第i台发电机的出力最小值和最大值；

④发电机爬坡约束：

其中，rd,i和ru,i分别为第i台发电机单位时间内可以降低和升高的发电出力，即爬坡率；δt3为第三时间间隔；

⑤安全约束：

|pmn|≤pmn,lim

-π≤θt≤π

其中，pmn,lim为线路mn的传输极限；θ为各节点的相角；

⑥风电出力上下限约束：

⑦c类负荷响应约束：

其中，

其中，drpreal,u和drpreal,d分别为c类负荷响应增加负荷信号和减少负荷信号的潜力最大值；n1为空调个数；为第a个空调的额定功率(kw)；为第a个空调在t时刻响应增加负荷信号或者减少负荷信号的dr潜力状态；n2为热水器个数；为第h个热水器的额定功率(kw)；为第h个热水器在t时刻响应增加负荷信号或者减少负荷信号的dr潜力状态；n3为电动汽车的个数；为第e个电动汽车的额定功率(kw)；为第e个电动汽车在t时刻响应增加负荷信号或者减少负荷信号dr潜力状态；re(t)为根据历史数据预估的t时刻智能家电反悔度。

作为优选，所述实时调度模型最终计算得到的优化结果包括各常规发电机组的出力风电机组的出力pw,real,k和c类负荷的调整量

作为优选，所述第一时间间隔为24h。

作为优选，所述第二时间间隔为15min。

作为优选，所述第三时间间隔为1min。

有益效果：本发明在高风电渗透率和高预测误差情况下，充分利用智能家电参与响应，利用智能家电的需求响应潜力，分析多时间尺度的需求响应过程中用户行为的时变性和作用，建立网络约束条件下基于多时间尺度需求响应的源网荷经济调度模型，实现日前、日内和实时调度。与现有日前-实时调度模型进行对比，利用本发明所提模型和方法能够得到更低的调度成本和显著更低的调度响应量。

附图说明

图1是本发明考虑需求响应的多时间尺度源网荷协调调度方法的整体技术框架图；

图2是本发明考虑需求响应的多时间尺度源网荷协调调度方法的流程图；

图3是实现算例的系统仿真线路图；

图4是风电不同时间尺度下预测功率曲线。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

本发明提供了一种考虑需求响应的多时间尺度源网荷协调调度方法，在一个实施例中，根据需求响应和调度的时间特性，将整体过程分为日前24h调度、日内15min调度和实时1min调度三个阶段，建立了网络约束条件下基于多时间尺度需求响应的源网荷经济调度模型，包括日前调度、日内调度和实时调度模型。但是本领域技术人员应当理解，这里划分的24h、15min和1min的时间尺度仅仅是用于说明本发明，而不是对本发明的限制。

如图1所示是根据该实施例的考虑需求响应的多时间尺度源网荷协调调度方法的整体技术框架图，每个时间尺度的调度分为输入层、调度控制层、代理协调层和本地响应层。输入层将风电场和负荷侧常规负荷(不包括参与dr的负荷)的预测功率作为输入参与各阶段的调度，其中pwfa和plfa、pwfn和plfn、pwfr和plfr分别为日前调度、日内调度、实时调度的风电场和负荷侧常规负荷的预测功率。调度控制层负责制定并实施调度计划，日前调度计划为24h执行一次，分辨率为1h，调度任务包括确定发电机组出力和需要提前一天通知的负荷所在各负荷聚合商的响应量，需要提前一天通知的负荷下文中称为a类负荷；日内调度计划为每15min执行一次，分辨率为15min，调度任务包括确定发电机组出力变化量和提前1h通知的负荷所在各负荷聚合商的响应量，需要提前1h通知的负荷在下文中称为b类负荷；实时调度计划为每1min执行一次，分辨率为1min，调度任务包括发电机组出力变化量和能够实时参与调度的负荷所在各负荷聚合商的响应量，能够实时参与调度的负荷在下文中称为c类负荷。日前调度计划每天24:00制定一次，与此同时每15min滚动制定一次日内调度计划，每1min滚动制定一次实时调度计划。随着时间的推移，日内、实时调度计划对应的时段不断向前推移。也就是说，日前调度是提前24h制定接下来24h的计划，1h为分辨率，即未来24个1h的出力，包括常规发电机组的出力、风电场出力和a类负荷的调整量。而日内调度计划就是每15min制定接下来15min的计划，实时是1min执行一次，日内计划其实是对日前计划的修正，常规发电机组出力会发生改变，b类负荷参与调整，而风电场出力由于时间尺度不同导致预测数据不一样，使得出力也会不一样，实时调度也是如此。pga和pla、pgn和pln、pgr和plr分别为日前调度、日内调度、实时调度的发电机和负荷的输出结果。代理协调层协调系统侧调度信息和负荷侧响应资源，做出针对某一优化目标的最优决策，向参与响应的负荷下发控制信号。在实时调度中，代理协调层的各负荷聚合商向调度控制层上传负荷实时聚合需求响应潜力dlr。本地响应层向各负荷聚合商上传参与响应的负荷用电信息。

如图2所示是考虑需求响应的多时间尺度源网荷协调调度方法的流程图。本发明的方法具体包括以下步骤：

步骤(1)、已知单个风电场预测出力、负荷预测曲线和a类负荷的响应潜力，以发电机成本、弃风成本和负荷响应成本总和最小为目标，建立考虑需求响应的日前调度模型，确定日前调度计划中常规发电机组出力、风电场出力和a类负荷的调整量；日前调度计划24h执行一次，分辨率为1h，即包括24个时间段。

所述日前调度模型为：

1)日前调度计划模型的目标函数：

式中：nt为调度时段个数；ng为发电机个数；cg,i,t和pg,i,t分别为第i台发电机在t时段的发电成本和输出功率；nla为a类可响应负荷个数；和c-la,j,t分别为第j个a类负荷在t时段响应增加负荷信号和减少负荷信号的成本；和s-la,j,t分别为第j个a类负荷在t时段是否响应增加负荷信号和减少负荷信号的状态，表示第j个a类负荷在t时段参与响应增加负荷信号，表示第j个a类负荷在t时段未响应增加负荷信号，s-la,j,t＝1表示第j个a类负荷在t时段参与响应减少负荷信号，s-la,j,t＝0表示第j个a类负荷在t时段未响应减少负荷信号；pla,j为第j个a类负荷的额定功率；nw为风电场个数；cw,k,t为第k个风电场在t时段的弃风成本；pw,ahead,k,t为第k个风电场在t时段的日前风电预测功率；pw,k,t为第k个风电场在t时段的风电输出功率。

2)约束条件：

①有功功率平衡约束：

式中：nl为除a类负荷以外的负荷个数；pl,t为第l个负荷的额定功率。

②a类负荷响应平衡约束：

③线路潮流约束：

pmn,t＝bmn(θn,t-θm,t)

式中：pmn,t为线路mn在t时段的传输功率；bmn为线路mn的电纳；θm,t和θn,t分别为t时段线路mn中m节点和n节点的相角。

④发电机出力上下限约束：

pg,i,min≤pg,i,t≤pg,i,max

式中：pg,i,min和pg,i,max分别为第i台发电机的出力最小值和最大值。

⑤发电机爬坡约束：

-rd,iδt1≤pg,i,t-pg,i,t-1≤ru,iδt1

式中：pg,i,t和pg,i,t-1分别为第i台发电机在t时段和t-1时段的输出功率；rd,i和ru,i分别为第i台发电机单位时间内可以降低和升高的发电出力，即爬坡率；δt1为t时段时长，即1h。

⑥安全约束：

|pmn,t|≤pmn,lim

-π≤θt≤π

式中：pmn,lim为线路mn的传输极限；θt为各节点的相角。

⑦风电出力上下限约束：

0≤pw,k,t≤pw,ahead,k,t

⑧a类负荷响应约束：

式中：drpahead,u和drpahead,d分别为a类负荷响应增加负荷信号和减少负荷信号的潜力最大值。

上述1)和2)决定的日前调度计划模型确定的决策变量包括各发电机组日前调度计划中的发电功率、风电出力和a类负荷的调整量将常规火电机组的发电功率和a类负荷的调整量带入日内调度模型并作为基准值求解后续的优化模型。

步骤(2)、将日前调度的24个时间点优化决策变量作为日内调度的已知量，输入风电场的日内预测曲线和b类负荷响应潜力，以总成本最小建立考虑需求响应的日内调度模型，进而确定发电机出力变化量、风电场出力和b类负荷调整量。

所述日内调度模型为：

1)日前调度计划模型的目标函数：

式中：为日内调度中第i台发电机出力变化成本；为第i台发电机日内调度输出功率；pg,i为日前调度的第i台发电机输出功率；nlb为b类负荷个数；和c-lb,j分别为第j个b类负荷响应增加负荷信号和减少负荷信号的成本；和s-lb,j分别为第j个b类负荷是否响应增加负荷信号和减少负荷信号的状态，表示第j个b类负荷参与响应增加负荷信号，表示第j个b类负荷未响应增加负荷信号，s-lb,j＝1表示第j个b类负荷参与响应减少负荷信号，s-lb,j＝0表示第j个b类负荷未响应减少负荷信号；plb,j为第j个b类负荷的额定功率；cw,k为第k个风电场的弃风成本；pw,nei,k为日内1h风电预测功率；为第k个风电场日内调度输出功率。

2)约束条件

①有功功率平衡约束：

式中：nl1为除b类负荷以外的负荷个数；pl为第l个负荷的额定功率；δbj为第j个未参与响应的b类负荷运行状态，δbj＝1表示第j个b类负荷正在工作，δbj＝0表示第j个b类负荷停止工作。

②线路潮流约束：

pmn＝bmn(θn-θm)

式中：pmn为线路mn的传输功率；bmn为线路mn的电纳；θm和θn分别为线路mn中m节点和n节点的相角。

③发电机出力上下限约束：

式中：pg,i,min和pg,i,max分别为第i台发电机的出力最小值和最大值。

④发电机爬坡约束：

式中：rd,i和ru,i分别为第i台发电机单位时间内可以降低和升高的发电出力，即爬坡率；δt2为第二时间间隔，即15min。

⑤安全约束：

|pmn|≤pmn,lim

-π≤θ≤π

式中：pmn,lim为线路mn的传输极限；θ为各节点的相角。

⑥风电出力上下限约束：

⑦b类负荷响应约束：

式中：drpnei,u和drpnei,d分别为b类负荷响应增加负荷信号和减少负荷信号的潜力最大值。

上述1)和2)决定的日内调度计划模型确定的决策变量包括各发电机组的发电功率、风电出力和b类负荷的调整量将发电机组的日内功率和b类负荷的调整量带入实时调度模型并作为基准值求解后续的优化模型。

步骤(3)、日内调度的优化决策变量作为实时调度的已知量，输入风电场的实时预测曲线和当前时刻c类负荷响应潜力，以总成本最小建立考虑需求响应的实时调度模型，进而确定发电机出力变化量、风电场出力和c类负荷调整量。在本发明的模型中，实时参与调度的c类负荷主要包括智能家电，可根据c类负荷调整量的大小实时动作。考虑到用户存在反悔的可能性，也就是参与dr计划的智能家电未能及时动作，多次响应至满足系统负荷调整量的需求。多次响应的意思是调度策略的多次实施，先对某智能家电下发指令，看其是否响应状态反馈，如果不能响应则对其他的智能家电继续下发指令，直至满足系统负荷调整量的需求。c类负荷响应动作之后，更新下一阶段的c类负荷总功率，对下一时间段进行实时调度。

所述实时调度模型为：

1)实时调度计划模型的目标函数：

式中：为实时调度中第i台发电机出力变化成本；为第i台发电机实时输出功率；和分别为第j个c类负荷响应增加负荷信号和减少负荷信号的成本；和分别为第j个c类负荷是否响应增加负荷信号和减少负荷信号的状态，表示第j个c类负荷参与响应增加负荷信号，表示第j个c类负荷未响应增加负荷信号，表示第j个c类负荷参与响应减少负荷信号，表示第j个c类负荷未响应减少负荷信号；plc,j为第j个c类负荷的额定功率；pw,real,k为实时风电预测功率；prealw,k为第k个风电场实时输出功率。

2)约束条件

①有功功率平衡约束：

式中：nl2为除c类负荷以外的负荷个数；pl为第l个负荷的额定功率；δcj为第j个未参与响应的c类负荷运行状态，δcj＝1表示第j个c类负荷正在工作，δcj＝0表示第j个c类负荷停止工作。

②线路潮流约束：

pmn＝bmn(θn-θm)

式中：pmn,t为线路mn的传输功率；bmn为线路mn的电纳；θm和θn分别为线路mn中m节点和n节点的相角。

③发电机出力上下限约束：

④发电机爬坡约束：

⑤安全约束：

|pmn|≤pmn,lim

-π≤θt≤π

式中：pmn,lim为线路mn的传输极限；θ为各节点的相角。

⑥风电出力上下限约束：

⑦c类负荷响应约束：

其中：

其中，drpreal,u和drpreal,d分别为c类负荷响应增加负荷信号和减少负荷信号的潜力最大值；n1为空调个数；为第a个空调的额定功率(kw)；为第a个空调在t时刻响应增加负荷信号或者减少负荷信号的dr潜力状态；n2为热水器个数；为第h个热水器的额定功率(kw)；为第h个热水器在t时刻响应增加负荷信号或者减少负荷信号的dr潜力状态；n3为电动汽车的个数；为第e个电动汽车的额定功率(kw)；为第e个电动汽车在t时刻响应增加负荷信号或者减少负荷信号dr潜力状态；re(t)为根据历史数据预估的t时刻智能家电反悔度。

上述1)和2)决定的实时调度计划模型最终计算得到的优化结果包括各火电机组的出力、风电机组的调度结果和c类负荷的调整量

图3所示为根据一个实现算例的仿真线路图，该系统包括12台发电机和17个负荷节点，其中风电场位于节点19。设置10个负荷聚合商，每个聚合商均包含a类、b类和c类负荷，负荷聚合商所在节点分别为节点3、4、5、6、8、9、10、14、19和20。各发电机所在节点位置和发电成本如表1所示，弃风成本为21$/mwh，a类、b类和c类负荷的响应成本分别为9.87$/mwh、12$/mwh和14$/mwh。

表1

假设系统中可调用的a类和b类负荷的容量不大于总负荷的5％，系统中可调用的c类负荷容量随着时间会发生改变，其额定功率总和不大于总负荷的25％。总负荷各时间段的功率如表2所示。为阐述本发明模型影响因素的应用效果，系统中各线路传输功率极限减少至所允许容量的50％。模型采用matlab软件进行求解。日前24h、日内15min和实时系统风电出力预测曲线如图4所示。

表2

为了验证本发明提出的日前-日内-实时多级调度模型的有效性，设置2个仿真条件：条件一为考虑日前-日内-实时调度配合的调度策略；条件二为考虑日前-实时调度配合的策略。相关仿真结果如表3所示。

表3

由表3的仿真结果可见，两种调度测量下最终都能实现风电消纳率为1。在条件一所描述的调度策略下，虽然包括了日前、日内和实时三个阶段的成本，但是总调度成本仍然比条件二调度策略下的成本低，并且负荷响应量显著降降低。