一种计及需求侧管理的家庭能源局域网能量优化控制方法与流程

技术特征：

1.一种计及需求侧管理的家庭能源局域网能量优化控制方法，其特征在于：所述方法包括如下步骤：

S1：输入用户用电状态和需求信息；

S2：可再生能源出力预测；

S3：记录家庭能源局域网RELN中的储能系统状态信息；

S4：RELN能量动态优化；

S5：实时调度：在当前时段，各家庭电器、电动汽车PEV和储能系统根据步骤S4得出的用电方案进行具体用电、闲置或放电操作，并采用智能量测系统AMI传输调度信息；

S6：实时调度执行完毕后，RELN能量管理中心通过AMI接收并更新居民负荷的运行时间与能耗以及电动汽车、储能系统的荷电状态信息；

S7：重复步骤S1～S6，直至优化区间结束。

2.如权利要求1所述的一种计及需求侧管理的家庭能源局域网能量优化控制方法，其特征在于：所述步骤S1的过程如下：

将一天连续24h的时间进行离散化处理，均分为K个时段，对于任意第k时段，有k∈{1,2,...,K}，且第k时段的时长为Δt；当新的调度周期开始时，RELN内的能量管理中心通过智能量测系统接收居民电器与PEV的用电需求信息，包括各居民电器的最小运行功率、最大运行功率、最早用电开始时间、最晚用电结束时间、用电时时长和最小能耗以及PEV的入网时间、离网时间、入网荷电状态SOC、离网SOC和额定充和放电功率；

对于PEV入网信息的记录：设接入RELN的PEV集合为L，则对于任一电动汽车l，均有l∈L，其相关参数为：

$X_l=\[t_l^{in},t_l^{out},S_l^0,S_l^E,Q_l^s,P_l^c,P_l^d\]---\left(1\right)$

其中，分别表示电动汽车l接入RELN的时间和预期离开时间；分别表示PEV动力电池的初始SOC和离开RELN时的期望SOC，SOC表示电池剩余能量与电池容量的比值，因此有表示PEV动力电池容量；分别表示PEV动力电池的额定充、放电功率；

对于居民电器信息的记录：居民电器负荷根据其不同的运行特性和用户用电需求分为：不可转移负荷和可转移负荷，其中可转移负荷又分为可时间转移负荷和可功率转移负荷；基于以上分类，根据优化需求制定PLs的运行功率时间序列，另一方面，结合NSLs，可以预测该RELN的日负荷幅度和趋势；建立统一负荷模型，将连接入网的各类负荷归纳为具备一致属性的统一物理模型进行描述，只是由于各属性取值不同而显现出不同的特征；第i个家庭的第j个智能负荷的特征描述如下：

$A_{i,j}=\[P_{i,j}^{rat},{\mathrm{\δ}}_{i,j}^P,P_{i,j}^{\mathrm{\Δ}},t_{i,j}^{start},t_{i,j}^{end},{\mathrm{\δ}}_{i,j}^T,t_{i,j}^{\mathrm{\Δ}},Q_{i,j}\]---\left(2\right)$

式中：表示该RELN所有的家庭集合；表示第i个家庭的所有负荷数；表示第i个家庭的所有负荷集合；分别表示负荷A_i,j的额定用电功率和可调功率范围；表示负荷A_i,j期望运行区间；分别表示A_i,j的可调时间范围；Q_i,j表示用电需求；分别为可时间转移、可功率转移标志位，用于体现不同的负荷特征。

3.如权利要求1或2所述的一种计及需求侧管理的家庭能源局域网能量优化控制方法，其特征在于：所述步骤S2的过程如下：

根据已有的对风光可再生能源输出功率的研究结论，以当前时段的风光出力为起始值，预测未来一段时间内的风光出力；

设风机、光伏输出功率的预测值表示如下：

${\hat{P}}_{WT}^k=P_{WT}^k\left(1+E_{WT}^{\max }\·R_{WT}\right)---\left(3\right)$

${\hat{P}}_{PV}^k=P_{PV}^k(1+E_{PV}^{\max }\·R_{PV})---\left(4\right)$

式中，分别为风机在k时段的出力预测值和出力值，为光伏在k时段出力预测值和出力值；R_WT、R_PV均为一个处于-1和1之间的随机数；为风机、光伏的最大预测误差百分比：

$E_{WT}^{\max }=J\·E_{WT}^{basic}---\left(5\right)$

$E_{PV}^{\max }=J\·E_{PV}^{basic}---\left(6\right)$

式中，分别表示风机、光伏的基准预测误差百分比，J表示最大倍数。

4.如权利要求1或2所述的一种计及需求侧管理的家庭能源局域网能量优化控制方法，其特征在于：所述步骤S3的过程如下：

将储能系统视为全时段接入、无充电负荷需求的一类特殊PEV动力电池，此外，一天内储能系统的总充、放电电量需相等以满足充放电的循环：

$\underset{k=1}{\overset{K}{\Σ}}(P_{ESS}^k{\mathrm{\η}}_{ESS}^c+\frac{P_{ESS}^k}{{\mathrm{\η}}_{ESS}^d})\mathrm{\Δ}t=0---\left(7\right)$

式中，为储能系统在第k时段的充放电功率；分别表示储能系统的充、放电效率。

5.如权利要求1或2所述的一种计及需求侧管理的家庭能源局域网能量优化控制方法，其特征在于：所述步骤S4中，根据居民电器与电动汽车的用电需求信息、风、光出力的预测信息以及储能状态，基于模型预测控制方法，并结合实时电价机制，以最小化RELN运行总成本为目标制定各居民电器、EV与储能系统的最佳用电方案，过程如下：

S4-1：制定新型实时电价：结合实时电价RTP与负荷阻塞率电价IBR，基于RELN内部的供需关系提出一种实时电价机制；实时电价与系统净负荷关系如下：

${\mathrm{RTP}}_k=a_k{L}_k^2+b_k{L}_k+c_k---\left(8\right)$

式中：L_k为所有家庭在时段k的总净能耗；a_k、b_k与c_k为实时电价系数，在不同的时间段取不同的值，取决于用户的需求动态；

在IBR电价机制中，当系统总电量需求超过给定阈值时，电价将会达到一个更高水平，IBR电价的具体表示如下：

${\mathrm{IBR}}_k=\left\{\begin{array}{cc}{x}_k,& 0\≤L_k\≤{\mathrm{\δ}}_k^1\\ y_k,& {\mathrm{\δ}}_k^1\≤L_k\≤{\mathrm{\δ}}_k^2\\ z_k,& L_k\≥{\mathrm{\δ}}_k^2\end{array}\right.---\left(10\right)$

式中：与为不同电价等级之间的界限；x_k、y_k与z_k为三个等级下的组合电价，具体计算方法如下：

$\left\{\begin{array}{c}{x}_k={\mathrm{RTP}}_k\\ y_k={\mathrm{\λ}}_1*x_k\\ z_k={\mathrm{\λ}}_2*x_k\end{array}\right.---\left(11\right)$

式中：λ₁与λ₂为不同等级下的价格倍率，λ₂＞λ₁＞1；

实时电价pr(L_k)的计算方式为：

$pr\left(L_k\right)=\left\{\begin{array}{cc}{\mathrm{RTP}}_{re},& L_k\≤0\\ {\mathrm{RTP}}_k,& 0\<L_k\≤{\mathrm{\δ}}_k^1\\ {\mathrm{\λ}}_1*{\mathrm{RTP}}_k,& {\mathrm{\δ}}_k^1\<L_k\≤{\mathrm{\δ}}_k^2\\ {\mathrm{\λ}}_2*{\mathrm{RTP}}_k,& L_k\>{\mathrm{\δ}}_k^2\end{array}\right.---\left(12\right)$

式中：L_k≤0表示可再生能源出力过剩，RELN多余的可再生能源出力可以向大电网倒送，RTP_re为单位电量的倒送价格；

S4-2：建立RELN能量管理优化模型：

基于步骤S4-1建立的实时电价机制，结合用户用电习惯和用电意愿、以RELN综合运行总成本最小为目标决策RELN中储能系统、电动汽车的充放电规划以及居民电器中可转移负荷的用电计划：

式中：分别表示k时段分布式风光发电单元与储能单元的运行维护费用，分别为风机和光伏的运行维护系数，为储能单元的运行维护系数；表示k时段由PEV动力电池寿命损耗折算成本，表示k时段电动汽车l的充、放电功率，为PEV电池损耗折算系数；表示k时段用户对统一负荷调度产生的不满意费用，为统一负荷调度的不满意费用系数；表示k时段RELN交互成本，包括购电与售电费用，表示k时段RELN与大电网的交互功率；

上述优化模型中，除了考虑分布式发电单元、电动汽车、居民统一负荷、储能单元的运行约束外，还考虑以下系统约束：

1)系统功率平衡约束

式中：表示k时段RELN与大电网的交互功率；

2)倒送功率约束

对RELN倒送功率有所限制：

$P_{gridout}\≤P_{gridout}^{\max }---\left(15\right)$

式中：P_gridout表示RELN倒送功率；为倒送功率允许的最大值；

S4-3：基于MPC的RELN动态能量优化管理：

在每一个调度周期内，RELN能量管理中心以当前时刻的系统状态作为初始状态，基于预测模型对未来一段时间的预测结果，通过优化算法动态求解有限时长内的优化控制问题，该过程将滚动进行，直到达到要求的仿真时域；结合步骤S4-2建立的优化模型，得到动态优化过程中需要求解的目标函数为：

${\hat{J}}_T^k=D_{total}^k+\underset{\mathrm{\σ}=1}{\overset{T}{\Σ}}{\hat{D}}_{total}^{k+\mathrm{\σ}}{\mathrm{\γ}}_{k+\mathrm{\σ}}---\left(16\right)$

式中：为仿真时域内目标函数预测值；k+σ∈[k+1,k+T+1]，T为动态优化的仿真时域，且T≤K；为k+σ时段综合成本预测值；γ_k+σ∈(0,1)，其值取决于为k+σ时段下预测不确定度，用于调整预测不确定性所带来的影响。