计及光伏出力和空调负荷动态相关性的经济调峰方法与流程

本发明涉及新能源综合利用技术领域，特别涉及一种计及光伏出力和空调负荷动态相关性的经济调峰方法。

背景技术：

气象系统是一个复杂的系统，光照、湿度、温度与风速等气象变量间具有一定的互异性、相似性、相关性和耦合性等。气象变量之间的相关性决定了分布式光伏电源和冷负荷之间的相关性。随着配电网光伏供电技术的快速发展，光伏电站已具备一定的无功输出和调节能力，但同时也带来了电压波动、越限和损耗增加等电能质量问题。对于光伏电站的电力系统，空调负荷作为柔性负荷存在着电力系统调控的巨大潜力，是优质的需求响应调控资源。现有的对于含光伏电站和空调负荷的同一地区电力系统的综合资源调度，仍然是分别只考虑光伏发电出力的参数和只考虑空调冷负荷的参数，这种方式没有考虑光伏出力和空调冷负荷之间的动态相关性对电力系统稳定运行的影响，从而导致最终的调度方案准确度和能源利用效率较低以及经济成本较高。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种计及光伏出力和空调负荷动态相关性的经济调峰方法，该方法可推广至更多分布式电源和不同类型负荷的配电系统，有效促进能源综合配置和协调规划，提高分布式电源的渗透率和发电效率。

为达到上述目的，本发明实施例提出了一种计及光伏出力和空调负荷动态相关性的经济调峰方法，包括：

s1，获取用户空调用电行为的控制温度和舒适温度区间、预设期间的室外环境温度和太阳光辐射度；

s2，根据所述预设期间的室外环境温度和太阳光辐射度计算光伏电源的电池温度；

s3，获取电力系统的光伏电源额定功率，根据所述太阳光辐射度、所述光伏电源的电池温度和所述电力系统的光伏电源额定功率求得光伏出力情况；

s4，根据所述用户空调用电行为的控制温度得到用户空调系统的开关状态，根据所述预设期间的室外环境温度和所述用户空调系统的开关状态计算空调负荷有功功率；

s5，计算所述光伏出力情况和所述空调负荷有功功率的边缘累积概率分布函数，再根据所述边缘累积概率分布函数计算copula函数求得联合概率分布函数，并转换为矩阵形式以得到初步多维变量矩阵；

s6，利用markov转移概率矩阵对所述初步多维变量矩阵进行时序重构计算新的多维变量矩阵以得到新的联合概率分布函数；

s7，根据所述新的联合概率分布函数随机生成预设数量的所述光伏出力情况和所述空调负荷有功功率的边缘累积概率分布值，将所述光伏出力情况和所述空调负荷有功功率的边缘累积概率分布值代入对应的所述边缘累积概率分布函数得到光伏有功出力样本值和用户空调负荷功率样本值；

s8，建立目标函数，由所述目标函数和约束条件组成规划问题，将所述光伏有功出力样本值作为电力系统中首节点的平衡功率输入，所述用户空调负荷功率样本值作为电力系统中pv节点的注入功率，根据所述舒适温度区间、所述光伏有功出力样本值和所述用户空调负荷功率样本值对所述规划问题进行迭代求解，获取所述目标函数的最小值为结果，根据所述结果得到用户空调用电行为模式调度方案。

本发明实施例的计及光伏出力和空调负荷动态相关性的经济调峰方法，通过将copula函数多维马尔科夫链的转移概率矩阵相结合，获取了分布式光伏电源系统中的有功出力和用户空调负荷功率分布两部分变量的动态联合概率分布，继而得到两部分变量的边缘累积概率分布样本，作为电力系统节点的输入，将该方法与分布式光伏电源系统和空调冷负荷系统的传统分开计算方法进行比较，充分考虑了分布式光伏电源系统和空调冷负荷系统之间的动态相关性和时序性，因而可以准确描绘出两个系统通过耦合对源-荷的联合影响，大大提高电力系统随机生产仿真的精度。

另外，根据本发明上述实施例的计及光伏出力和空调负荷动态相关性的经济调峰方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述根据所述用户空调用电行为的控制温度得到用户空调系统的开关状态，包括：

若用户室内温度大于所述用户空调用电行为的控制温度，则所述用户空调系统为开启状态；

若用户室内温度小于所述用户空调用电行为的控制温度，则所述用户空调系统的为关闭状态。

进一步地，在本发明的一个实施例中，所述空调负荷有功功率的计算公式为：

其中，pac为空调负荷有功功率，sac为用户空调系统的开关状态，1表示空调开启，0表示空调关闭；cop为空调能耗比，qac为等效热导率。

进一步地，在本发明的一个实施例中，所述s5包括：

s51，利用矩估计方法分别对所述光伏出力情况和所述空调负荷功率计算所述边缘累积概率分布函数；

s52，对步骤s51中得到的所述边缘累积概率分布函数的分布类型和参数性质进行t检验，并判断假设检验是否通过，若是则进入步骤s53，若否则返回步骤s51；

s53，根据所述光伏出力情况和所述空调负荷功率的边缘累积概率分布函数，计算所述光伏出力情况和所述用户空调负荷有功功率的copula函数表达式作为所述联合概率分布函数，并转换为矩阵形式以得到所述初步多维变量矩阵。

进一步地，在本发明的一个实施例中，计算所述光伏出力情况和所述用户空调负荷有功功率的copula函数表达式类型包括：正态copula函数、t-copula函数、gumbel-copula、clayton-copula和frank-copula函数，并采用欧式平方距离最小化原则确定欧式平方距离中最小值所对应的copula函数以作为所述联合概率分布函数。

进一步地，在本发明的一个实施例中，所述s6具体包括：

s61，在所述初步多维变量矩阵任意选取一组列向量作为所述新的多维变量矩阵的初始列，继而计算下一时刻多维变量的状态转移概率，依据最大状态转移概率原则选取下一时刻变量所属区域；

s62，对所述初步多维变量矩阵中从初始列开始按列依次判断所属区域，并寻找符合所属区域的多维列向量作为所述新的多维变量矩阵的下一列，得到所述新的多维变量矩阵，继而得到所述新的联合概率分布函数。

进一步地，在本发明的一个实施例中，所述markov转移概率矩阵为：

pij＝p(xn+1＝si|xn＝sj),si,sj∈s

其中，pij为状态转移概率；s为变量状态序列。

进一步地，在本发明的一个实施例中，所述目标函数为：

f＝max|pmax-pmax’|

其中，pmax，pmax’分别为未计及和已计及光伏出力和空调负荷相关性的有功功率峰值负荷。

进一步地，在本发明的一个实施例中，所述约束条件包括：

潮流方程等式约束：

p1＝ppv’

pi＝pac’,i∈{2，…,m}

其中，ui、pi和qi分别为每个节点的电压、有功和无功功率；gij和bij为每个节点的电导和电纳；n表示电力系统的节点个数；m表示电力系统的pv节点个数；p1为首节点的有功功率，ppv’为光伏有功出力样本值,pac’为空调负荷有功功率样本值，δpi为有功功率不平衡量，δij为节点i和节点j电压的相位差，δqi为无功功率不平衡量；

控制变量不等式约束：

为室内温度最小值，tindoor为室内温度，为室内温度最大值；

电压上下限约束：

为节点i电压最小值，为节点i电压最大值，β为节点电压置信水平。

进一步地，在本发明的一个实施例中，所述目标函数为最大化电力系统中峰值负荷削减量，所述目标函数的控制变量为用户室内温度，状态变量为节点电压。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的计及光伏出力和空调负荷动态相关性的经济调峰方法流程图；

图2为根据本发明一个实施例的计及光伏出力和空调负荷动态相关性的经济调峰方法流程框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的计及光伏出力和空调负荷动态相关性的经济调峰方法。

图1为根据本发明一个实施例的计及光伏出力和空调负荷动态相关性的经济调峰方法流程图。

如图1所示，该计及光伏出力和空调负荷动态相关性的经济调峰方法包括以下步骤：

步骤s1，获取用户空调用电行为的控制温度和舒适温度区间、预设期间的室外环境温度和太阳光辐射度。

具体地，用户空调用电行为的控制温度和舒适温度区间数据通过调查海量用户并收集问卷采集；从气象数据采集系统(包括各个传感器，智能气象数据采集仪，gprsdtu通讯模块)中获取整个夏季期间每日24点室外环境温度数据；从太阳辐射测量仪采集夏季期间每日24点的太阳辐射度；所述的气象数据采集系统、太阳辐射测量仪为一个系统，每小时采集的室外环境温度和太阳辐射量称为第i个变量，整个夏季期间共i×24×61有个变量。

可以理解的是，预设期间恶可以进行设置，在上述实施例中，预设期间为整个夏季期间每日24点。

步骤s2，根据预设期间的室外环境温度和太阳光辐射度计算光伏电源的电池温度。

具体地，通过采集的预设期间的室外环境温度和太阳光辐射度计算光伏电源的电池温度，通过如下公式计算：

式中，noct为工作单元温度，表示在入射辐射为0.8kw/m²、环境温度为20℃和无负载操作时的电池温度；gt是撞击pv阵列的太阳辐射[kw/m²]；ηmp,stc是标准测试条件下的最大功率点效率[％]；αp是功率的温度系数[％/℃]，；tc,stc是在标准测试条件下的电池温度[25℃]；τα为0.9；ta是环境温度[℃]。

步骤s3，获取电力系统的光伏电源额定功率，根据所述太阳光辐射度、所述光伏电源的电池温度和所述电力系统的光伏电源额定功率求得光伏出力情况。

具体地，通过如下公式计算光伏出力情况：

ypv为获取接入配电网的光伏电源额定容量[kw]；fpv是光伏电源系统的功率降额因数；gt，stc是在标准测试条件下的入射辐射[kw/m²]；tc为光伏电源的电池温度[℃]。

可以理解的是，通过获取电力系统的光伏电源额定功率，并结合采集的太阳光辐射度和计算出的光伏电源的电池温度，来求得光伏出力情况。其中，不同的电力系统有不同的光伏电源额定功率。

步骤s4，根据用户空调用电行为的控制温度得到用户空调系统的开关状态，根据预设期间的室外环境温度和用户空调系统的开关状态计算空调负荷有功功率。

进一步地，在本发明的一个实施例中，根据用户空调用电行为的控制温度得到用户空调系统的开关状态，包括：

若用户室内温度大于用户空调用电行为的控制温度，则用户空调系统为开启状态；

若用户室内温度小于用户空调用电行为的控制温度，则用户空调系统的为关闭状态。

具体地，在夏季，空调的模式为制冷模式，以降低室内温度，用户空调用电行为的控制温度为用户空调显示的温度，若用户室内温度大于用户空调用电行为的控制温度，则用户空调系统为开启状态。若用户室内温度小于用户空调用电行为的控制温度，则用户空调系统的为关闭状态。

进一步地，根据预设期间的室外环境温度和用户空调系统的开关状态计算空调负荷有功功率，其中，空调负荷有功功率的计算公式来源为dest软件，具体为：

其中，pac为空调负荷有功功率，sac为用户空调系统的开关状态，1表示空调开启，0表示空调关闭；cop为空调能耗比，qac为等效热导率。

步骤s5，计算光伏出力情况和空调负荷有功功率的边缘累积概率分布函数，再根据边缘累积概率分布函数计算copula函数求得联合概率分布函数，并转换为矩阵形式以得到初步多维变量矩阵。

进一步地，步骤s5进一步包括：

s51，利用矩估计方法分别对光伏出力情况和空调负荷功率计算边缘累积概率分布函数；

s52，对步骤s51中得到的边缘累积概率分布函数的分布类型和参数性质进行t检验，并判断假设检验是否通过，若是则进入步骤s53，若否则返回步骤s51；

s53，根据光伏出力情况和空调负荷功率的边缘累积概率分布函数，计算光伏出力情况和用户空调负荷有功功率的copula函数表达式作为联合概率分布函数，并转换为矩阵形式以得到初步多维变量矩阵。

进一步地，计算光伏出力情况和用户空调负荷有功功率的copula函数表达式类型包括：正态copula函数、t-copula函数、gumbel-copula、clayton-copula和frank-copula函数，并采用欧式平方距离最小化原则确定欧式平方距离中最小值所对应的copula函数以作为联合概率分布函数。

具体地，利用矩估计方法分别计算光伏出力情况和空调负荷有功功率的边缘累积概率分布函数，得到光伏出力情况的边缘累积概率分布函数和空调负荷有功功率的边缘累积概率分布函数，根据各自的边缘累积概率分布函数计算copula函数以得到联合概率分布函数。

可以理解的是，对各自的边缘累积概率分布函数计算copula函数的类型包括：正态copula函数、t-copula函数、gumbel-copula、clayton-copula和frank-copula函数，在计算出copula函数后通过欧式平方距离最小化原则确定出一个欧式平方距离最小的所对应的copula函数作为联合概率分布函数，将联合概率分布函数转换为矩阵形式得到初步多维变量矩阵。

步骤s6，利用markov转移概率矩阵对初步多维变量矩阵进行时序重构计算新的多维变量矩阵以得到新的联合概率分布函数。

进一步地，步骤s6进一步包括：

s61，在初步多维变量矩阵任意选取一组列向量作为新的多维变量矩阵的初始列，继而计算下一时刻多维变量的状态转移概率，依据最大状态转移概率原则选取下一时刻变量所属区域；

s62，对初步多维变量矩阵中从初始列开始按列依次判断所属区域，并寻找符合所属区域的多维列向量作为新的多维变量矩阵的下一列，得到新的多维变量矩阵，继而得到新的联合概率分布函数。

具体地，变量区域计算方法为：

xt+1＝xmin+ε1,t(xmax-xmin)

其中，ε1,t为服从均匀分布的随机数，ε1,t∈[0,1]；[xmin,xmax]为变量上下限。

markov转移概率矩阵为：

pij＝p(xn+1＝si|xn＝sj),si,sj∈s

其中，pij为状态转移概率；s为变量状态序列。

步骤s7，根据新的联合概率分布函数随机生成预设数量的光伏出力情况和空调负荷有功功率的边缘累积概率分布值，将光伏出力情况和空调负荷有功功率的边缘累积概率分布值代入对应的边缘累积概率分布函数得到光伏有功出力样本值和用户空调负荷功率样本值。

具体地，根据上述产生的新的联合概率分布函数随机生成预设数量的光伏出力情况的边缘累积概率分布值和空调负荷有功功率的边缘累积概率分布值，将光伏出力情况和空调负荷有功功率的边缘累积概率分布值分别代入各自对应的边缘累积概率分布函数得到光伏有功出力样本值和用户空调负荷功率样本值。

步骤s8，建立目标函数，由所述目标函数和约束条件组成规划问题，将所述光伏有功出力样本值作为电力系统中首节点的平衡功率输入，所述用户空调负荷功率样本值作为电力系统中pv节点的注入功率，根据所述舒适温度区间、所述光伏有功出力样本值和所述用户空调负荷功率样本值对所述规划问题进行迭代求解，获取所述目标函数的最小值为结果，根据所述结果得到用户空调用电行为模式调度方案。

可以理解的是，将所述光伏有功出力样本值作为电力系统中首节点的平衡功率输入，所述用户空调负荷功率样本值作为电力系统中pv节点的注入功率，来辅助求解目标函数和约束条件组成的规划问题。其中，目标函数为最大化电力系统中峰值负荷削减量，所述目标函数的控制变量为用户室内温度，状态变量为节点电压。

进一步地，目标函数为：

f＝max|pmax-pmax’|

其中，pmax，pmax’分别为未计及和已计及光伏出力和空调负荷相关性的有功功率峰值负荷。

约束条件包括：

潮流方程等式约束：

p1＝ppv’

pi＝pac’,i∈{2，…,m}

其中，ui、pi和qi分别为每个节点的电压、有功和无功功率；gij和bij为每个节点的电导和电纳；n表示电力系统的节点个数；m表示电力系统的pv节点个数；p1为首节点的有功功率，ppv’为光伏有功出力样本值,pac’为空调负荷有功功率样本值，δpi为有功功率不平衡量，δij为节点i和节点j电压的相位差，δqi为无功功率不平衡量；

控制变量不等式约束：

为室内温度最小值，tindoor为室内温度，为室内温度最大值；

电压上下限约束：

为节点i电压最小值，为节点i电压最大值，β为节点电压置信水平。

具体地，对由目标函数和约束条件组成规划问题进行迭代求解，以获取目标函数最小值为结果，获取用户空调用电24小时行为模式调度方案。

综上所述，通过进行具体的源荷一体化调度计算，来对本发明的方法进行详细说明，如图2所示。

(s1)用户空调用电行为的控制温度和舒适温度区间数据通过调查海量用户并收集问卷采集；从气象数据采集系统(包括各个传感器，智能气象数据采集仪，gprsdtu通讯模块)中获取整个夏季期间每日24点室外环境温度数据；从太阳辐射测量仪采集夏季期间每日24点的太阳辐射度；所述的气象数据采集系统、太阳辐射测量仪为一个系统，每小时采集的室外环境温度和太阳辐射量称为第i个变量，整个夏季期间共i×24×61有个变量。

(s2)根据上述步骤(s1)采集的室外环境温度或太阳光辐射度计算第i个变量的光伏电池温度。

(s3)根据上述步骤(s1)采集的太阳辐射度和上述步骤(s2)计算的光伏电池温度并通过获取的接入配电网的光伏电源额定容量和功率降额因数，计算第i个变量的光伏出力情况。

(s4)根据上述步骤(s1)采集的用户空调用电行为的控制温度确定空调开关状态，若用户室内温度高于控制温度，则空调模式为开启状态，反之，则为关闭状态。

(s5)根据上述步骤(s1)采集的室外环境温度和步骤(s4)确定的空调开关状态，获取用户空调的等效热容、等效热阻、等效热耗率并确定仿真时间间隔，可以计算用户室内温度随时间变化轨迹。

(s6)根据上述步骤(s4)确定的空调开关状态，获取用户的空调能效比，计算用户空调负荷有功功率。

(s7)根据上述步骤(s3)计算的光伏有功出力和步骤(s6)的用户空调负荷有功功率，采用矩估计方法分别计算第i个变量的边缘累积概率分布函数。

(s8)对上述步骤(s7)计算的边缘累积概率分布的分布类型和参数性质进行t检验。通过假设检验的继续步骤(s8)，未通过假设检验的返回步骤(s7)。

(s9)根据上述步骤(s1)采集的有功出力或热负荷功率和上述步骤(s7)计算的边缘累积概率分布函数并通过上述步骤(s8)检验的边缘概率分布公式，计算5个类型copula函数，计算欧式平方距离。

(s10)取上述步骤(s9)计算的欧式平方距离中最小所对应的copula函数作为联合概率分布函数，得到初步多维变量矩阵。

(s11)从上述步骤(s10)得到的初步多维变量矩阵任意选取一组列向量作为新的多维变量矩阵的初始列，继而计算下一时刻多维变量的状态转移概率，依据最大状态转移概率原则选取下一时刻变量所属的区域。

(s12)对初步多维变量矩阵中从初始列开始按列依次判断所属区域，并寻找符合所属区域的多维列向量作为新的多维变量矩阵的下一列，得到新的多维变量矩阵，继而得到新的联合概率分布函数。

(s13)根据上述步骤(s12)得到新的联合概率分布函数，随机生产各个变量的边缘累积概率分布值，代入至上述步骤(s7)的边缘累积概率分布函数中，得到光伏有功出力和用户空调负荷功率样本值；

(s14)将上述步骤(s13)计算的光伏有功出力样本值作为配电网(电力系统)首节点的平衡功率，用户空调负荷功率样本值作为配电网中pv节点的注入功率，结合上述步骤(s1)采集的用户空调用电行为的舒适温度区间数据，由目标函数和约束条件组成规划问题进行迭代求解，以获取目标函数最小值为结果，得到用户空调用电行为模式调度方案。目标函数是：

f＝max|pmax-pmax’|

约束条件表达式如下：

p1＝ppv’

pi＝pac’,i∈{2，…,m}

根据本发明实施例提出的计及光伏出力和空调负荷动态相关性的经济调峰方法，通过将copula函数多维马尔科夫链的转移概率矩阵相结合，获取了分布式光伏电源系统中的有功出力和用户空调负荷功率分布两部分变量的动态联合概率分布，继而得到两部分变量的边缘累积概率分布样本，作为电力系统节点的输入，将该方法与分布式光伏电源系统和空调冷负荷系统的传统分开计算方法进行比较，充分考虑了分布式光伏电源系统和空调冷负荷系统之间的动态相关性和时序性，因而可以准确描绘出两个系统通过耦合对源-荷的联合影响，大大提高电力系统随机生产仿真的精度。

该方法将分布式光伏电源系统和空调冷负荷系统看作一个整体进行分析，彰显不同类型能源供应商与用户协同合作的重要性，将需求侧与供给侧深度融合、统筹规划，促成能源运营管理更加高效。本方法中，计及了光伏发电出力和空调冷负荷动态相关性，显著提升空调负荷有功调节能力，缓解了夏季用电高峰期间的供需不平衡矛盾，降低最高峰值拉闸限电的可能性，调峰能力强，可靠性和经济性高。并且本方法可推广至更多分布式电源和不同类型负荷的配电系统，有效促进能源综合配置和协调规划，提高分布式电源的渗透率和发电效率。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。