一种对电源电网负荷三者之间进行相互协调优化的方法与流程

本发明属于电网优化技术领域，具体涉及一种对电源电网负荷三者之间进行相互协调优化的方法。

背景技术

随着工业生产和居民生活对能源需求的日益增加以及环境问题与能源开发的日益矛盾，能源问题成为近年来探讨的热点。而随着能源与电力领域供给侧改革的推广，能源互联网这一概念逐渐出现在人们面前，成为城市配电网的主要发展趋势。

在能源互联网的体系下，城市电网利用互联网技术正在逐步实现区域内的电源、储能设备与负荷的协调。逐步减少火力发电在传统电网中所占的比重，从源头上形成横向与纵向的互补，除此之外，负荷再也不是电网优化的无关者，而是成为优化的参与者，与电源、电网形成多方面的互补，做到经济环境一手抓，可使城市电网的运行更加的安全可靠。但目前尚缺少有效的方法。

技术实现要素：

为了解决上述问题，本发明的目的在于提供一种对电源电网负荷三者之间进行相互协调优化的方法。

为了达到上述目的，本发明提供的对电源电网负荷三者之间进行相互协调优化的方法包括按顺序进行的下列步骤：

步骤1：建立经济成本模型和环境成本模型，其中经济成本包括燃料成本、分布式电源成本、需求侧响应成本、储能成本和机组启动成本；

步骤2：利用小生境多目标遗传粒子群法对上述经济成本fc和环境成本fe进行优化，得到pareto最优解集；

步骤3：利用最优解集决策方法结合上述pareto最优解集，得到最优决策量，之后根据最优决策量得到各个机组的功率。

在步骤1中，所述的建立经济成本模型和环境成本模型，其中经济成本包括燃料成本、分布式电源成本、需求侧响应成本、储能成本和机组启动成本的方法是：

燃料成本：

燃料成本为传统火电机组的燃料成本，其与发电功率成二次函数的关系：

pit表示传统火电机组i在t时段的发电功率，ai，bi，ci表示传统火电机组i的成本系数；

分布式电源成本：

分布式电源只考虑发电输送给电网的部分，将分布式电源的用户传输电网部分看为一个特殊的机组，那么其发电成本就如同传统火电机组一样与发电功率成二次函数的关系；

dgt表示分布式电源在t时段的输出功率，adg，bdg，cdg表示分布式电源的成本系数；

需求侧响应成本：

通过直接负荷控制的特点，求出控制系数矩阵nxn的方阵，取值范围在[-1,1]；0表示不受控制，-1表示最大消减负荷，1表示最大反弹负荷；控制系数矩阵是一个下三角阵，对角线上是该时段的受控状态，其它是反弹影响；

受控负荷与反弹负荷的关系为：

δpt＝α^fpt-1+β^fpt-2+γ^fpt-3(3)

其中，α^f，β^f，γ^f表示反弹系数，且α^f+β^f+γ^f＝1；

δpt表示t时段的反弹负荷，pt表示t时段的可控负荷，表示t时段实际改变负荷；

则需求侧响应成本为：

lk，ρk-1表示第k级负荷削减和消减成本，l表示每级负荷消减的步长；

储能成本：

储能成本为：

lck，ρc(k-1)表示第k级储能调用和储能调用成本，lc表示每级储能调用的步长,表示t时段的储能调用量；

机组启动成本：

机组启动成本sci,t为：

hcosti表示机组i的热启动成本，ccosti表示机组i的冷启动成本，cdti表示机组i允许的最小连续停机时间，cshi表示机组i的冷启动时间，dt表示机组i的停机时间；

因此，经济成本fc为：

uit表示机组i在t时段的开关状态；

环境成本：

环境成本fe为：

δi，εi，∈i表示机组i的排放系数。

在步骤2中，所述的利用小生境多目标遗传粒子群法对上述经济成本fc和环境成本fe进行优化，得到pareto最优解集的方法是：

粒子群算法的位置更新公式，

其中，c1,c2为两个常数值，rand1，rand2是介于[-1,1]之间的随机数，pbest表示个体最优位置，gbest表示全局最优位置；xi表示个体；表示个体i第k+1次迭代时的速度；

权重系数ω为：

ω＝ωmax-(ωmax-ωmin)iter/maxgen(16)

ωmax与ωmin是设置的最大与最小权重值，iter是当前的迭代次数，maxgen是最大迭代次数；

对经济成本fc和环境成本fe进行优化，得到pareto最优解集的方法包括以下步骤：

a：生成初始种群p0和速度v0，如果初始种群p0中某一个体非劣于种群中半数以上的其它个体，则初始个体最优位置pbest＝x0，否则用随机法选出个体最优位置pbest；

设置一个最优种群h，假使种群可以容纳一定数量的个体，将初始种群p0中的个体全都放入最优种群h；

b：计算最优种群h中每个个体的经济成本fc和环境成本fe；

c：利用小生境共享机制计算最优种群h中个体xi的适应度fi，计算公式如下：

dij是个体xi与xj的欧氏距离，σshare是事先设定的共享距离；

根据适应度比例用轮盘赌法选出全局最佳位置gbest；

d：通过式(14)、(15)和(16)更新粒子群，同时更新个体最优位置pbest；根据pareto多解的定义，对种群中的非劣解通过小生境机制完成对最优种群h更新，若个体数量超出最优种群h的最大数量，则依据适应度删除适应度小的个体，由此完成对最优种群h的更新；

e：选出最优种群h中的部分个体进行交叉变异，如果结果非劣且适应度优于先前个体，则保留本次交叉变异；否则放弃；

交叉变异过程为：

(1)交叉过程

1)生成一个随机数，如果这个随机数大于式(25)所定义的数值，就进行下一步，否则结束交叉；

式中：cpmax与cpmin分别表示最大与最小交叉概率；

2)选择两个自由个体xi＝(xi1,xi2,…xin)和xj＝(xj1,xj2,…xjn)，并随机选择个体位置向量的维度；

3)令v1＝xik，v2＝xjk，生成一个(0,1)的随机数r，利用式(26)(27)完成对xik和xjk的更新；

xik＝r·v2+(1-r)·v1(26)

xjk＝r·v1+(1-r)·v2(27)

(2)变异过程

1)生成一个随机数，如果这个随机数大于式(28)所定义的数值，就进行下一步，否则结束变异；

式中：mpmax和mpmin分别表示最大和最小变异概率；

2)选择一个自由个体xj＝(xj1,xj2,…xjn)，并随机选择个体位置向量的维度xjk；

3)令生成两个(0,1)的随机数r，接着利用式(29)和(30)更新xjk；

f：若达到最大迭代次数，就输出pareto最优解集，否则，返回步骤c。

在步骤3中，所述的利用最优解集决策方法结合上述pareto最优解集，得到最优决策量，之后根据最优决策量得到各个机组的功率的方法是：

a：不考虑环境成本大小，只考虑最优经济成本，得到最低成本fm，然后计算这时的排放量，记为em；

b：不考虑经济成本大小，只考虑最优环境成本，得到最低排放量em，然后计算这时的经济成本，记为fm；

c：建立经济满意度函数、环境满意度函数和消减负荷满意度函数；

经济满意度函数为：

环境满意度函数为：

考虑用户满意度，建立消减负荷满意度函数为：

其中f1为pareto最优解集中经济成本的值，f2为pareto最优解集中环境成本的值，为全天消减负荷的值；

d：根据步骤c中的经济满意度函数、环境满意度函数和消减负荷满意度函数得知，满意度的全局最优决策位置是(1，1，1)，因此得到最终的决策式为：

y是决策量，α、β、γ是经济因素、环境因素和消减负荷因素的权重系数；

e：最终，得到一组兼顾经济、环境和用户三方的决策数据，通过这组数据得到各个机组的功率。

本发明提供的对电源电网负荷三者之间进行相互协调优化的方法具有如下有益效果：

在城市能源互联网的背景下，除了对传统的机组考虑之外，对分布式新能源发电，储能系统有系统的考虑，对区域用户实行直接负荷控制的需求响应政策，结合用户满意度，采用机组组合的方法对上述体系进行规划而搭建经济环境优化模型，并利用小生境遗传粒子群法和最优解集决策方法对模型进行优化，得到最优的决策数据。该方法考虑经济与环境因素的同时，兼顾用户用电体验满意度，充分考虑了供应端和需求端的功率交互问题，利用该方法能有效地减少系统的排放量和花费，有利于保护环境。

附图说明

图1为需求侧响应成本的特点图。

图2为控制系数矩阵nxn的方阵图。

图3为储能成本特点图。

图4为本发明提供的对电源电网负荷三者之间进行相互协调优化的方法流程图。

图5为实施例1中需求侧响应的负荷优化曲线图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

如图4所示，本发明提供的对电源电网负荷三者之间进行相互协调优化的方法包括按顺序进行的下列步骤：

步骤1：建立经济成本模型和环境成本模型，其中经济成本包括燃料成本、分布式电源成本、需求侧响应成本、储能成本和机组启动成本；

燃料成本：

燃料成本为传统火电机组的燃料成本，其与发电功率成二次函数的关系：

pit表示传统火电机组i在t时段的发电功率，ai，bi，ci表示传统火电机组i的成本系数(学者们根据数据统计，发现传统机组的发电成本与发电出力可以近似地拟合成一元二次函数曲线，这里系数的确定是由论文《anovelapproachforunitcommitmentproblemviaaneffectivehybridparticleswarmoptimization》中提供的，具体数值请参见后文中的表一)。

分布式电源成本：

分布式电源只考虑发电输送给电网的部分，将分布式电源的用户传输电网部分看为一个特殊的机组，那么其发电成本就如同传统火电机组一样与发电功率成二次函数的关系；

dgt表示分布式电源在t时段的输出功率，adg，bdg，cdg表示分布式电源的成本系数(这里系数的确定是由论文《afuzzybi-objectiveunitcommitmentmodelconsideringsource-grid-loadinteractions》中提供的，具体数值请参见后文中的表三)。

需求侧响应成本：

考虑城市电网区域内的需求响应，采用直接负荷控制法控制该区域进行激励响应。其成本特点如图1所示。

消减用户负荷，在不同负荷的等级上给出补偿,而这些补偿也要算作是总运营成本的一部分。

通过直接负荷控制的特点，求出控制系数矩阵nxn的方阵。取值范围在[-1,1]。0表示不受控制，-1表示最大消减负荷，1表示最大反弹负荷。控制系数矩阵是一个下三角阵，对角线上是该时段的受控状态，其它是反弹影响，如图2所示。

受控负荷与反弹负荷的关系为：

δpt＝α^fpt-1+β^fpt-2+γ^fpt-3(3)

其中，α^f，β^f，γ^f表示反弹系数，且α^f+β^f+γ^f＝1；

δpt表示t时段的反弹负荷，pt表示t时段的可控负荷，表示t时段实际改变负荷；

则需求侧响应成本为：

lk，ρk-1表示第k级负荷削减和消减成本，l表示每级负荷消减的步长。

储能成本：

储能成本的计算方式与需求侧响应成本类似，也是采用分段处理方法，如图3所示，

储能成本为：

lck，ρc(k-1)表示第k级储能调用和储能调用成本，lc表示每级储能调用的步长,表示t时段的储能调用量；

机组启动成本：

机组启动成本sci,t为：

hcosti表示机组i的热启动成本，ccosti表示机组i的冷启动成本，cdti表示机组i允许的最小连续停机时间，cshi表示机组i的冷启动时间，dt表示机组i的停机时间；

因此，经济成本fc为：

uit表示机组i在t时段的开关状态；

环境成本：

本发明认为环境成本只来自于传统火电机组，其它部分被认为是零排放，且污染排放与发电功率成二次函数的关系；

则环境成本fe为：

δi，εi，∈i表示机组i的排放系数(这里系数的确定是由论文《intelligentunitcommitmentwithvehicle-to-grid》中提供的，具体数值请参见后文中的表二)；

步骤2：利用小生境多目标遗传粒子群法对上述经济成本fc和环境成本fe进行优化，得到pareto最优解集；

粒子群算法的位置更新公式，

其中，c1,c2为两个常数值，rand1，rand2是介于[-1,1]之间的随机数，pbest表示个体最优位置，gbest表示全局最优位置；xi表示个体；表示个体i第k+1次迭代时的速度；

权重系数ω为：

ω＝ωmax-(ωmax-ωmin)iter/maxgen(16)

ωmax与ωmin是设置的最大与最小权重值，iter是当前的迭代次数，maxgen是最大迭代次数。

对经济成本fc和环境成本fe进行优化，得到pareto最优解集的方法包括以下步骤：

a：生成初始种群p0和速度v0，如果初始种群p0中某一个体非劣于种群中半数以上的其它个体，则初始个体最优位置pbest＝x0，否则用随机法选出个体最优位置pbest；

设置一个最优种群h，假使种群可以容纳一定数量的个体，将初始种群p0中的个体全都放入最优种群h；

b：计算最优种群h中每个个体的经济成本fc和环境成本fe；

c：利用小生境共享机制计算最优种群h中个体xi的适应度fi，计算公式如下：

dij是个体xi与xj的欧氏距离，σshare是事先设定的共享距离；

根据适应度比例用轮盘赌法选出全局最佳位置gbest；

d：通过式(14)、(15)和(16)更新粒子群，同时更新个体最优位置pbest。根据pareto多解的定义，对种群中的非劣解通过小生境机制完成对最优种群h更新，若个体数量超出最优种群h的最大数量，则依据适应度删除适应度小的个体，由此完成对最优种群h的更新；

e：选出最优种群h中的部分个体进行交叉变异，如果结果非劣且适应度优于先前个体，则保留本次交叉变异；否则放弃。

交叉变异过程为：

(1)交叉过程

1)生成一个随机数，如果这个随机数大于式(25)所定义的数值，就进行下一步，否则结束交叉。

式中：cpmax与cpmin分别表示最大与最小交叉概率；

2)选择两个自由个体xi＝(xi1,xi2,…xin)和xj＝(xj1,xj2,…xjn)，并随机选择个体位置向量的维度；

3)令v1＝xik，v2＝xjk，生成一个(0,1)的随机数r，利用式(26)(27)完成对xik和xjk的更新；

xik＝r·v2+(1-r)·v1(26)

xjk＝r·v1+(1-r)·v2(27)

(2)变异过程

1)生成一个随机数，如果这个随机数大于式(28)所定义的数值，就进行下一步，否则结束变异；

式中：mpmax和mpmin分别表示最大和最小变异概率；

2)选择一个自由个体xj＝(xj1,xj2,…xjn)，并随机选择个体位置向量的维度xjk；

3)令生成两个(0,1)的随机数r，接着利用式(29)和(30)更新xjk。

f：若达到最大迭代次数，就输出pareto最优解集，否则，返回步骤c。

步骤3：利用最优解集决策方法结合上述pareto最优解集，得到最优决策量，之后根据最优决策量得到各个机组的功率。

具体步骤如下：

a：不考虑环境成本大小，只考虑最优经济成本，得到最低成本fm，然后计算这时的排放量，记为em；

b：不考虑经济成本大小，只考虑最优环境成本，得到最低排放量em，然后计算这时的经济成本，记为fm；

c：建立经济满意度函数、环境满意度函数和消减负荷满意度函数；

经济满意度函数为：

环境满意度函数为：

考虑用户满意度，建立消减负荷满意度函数为：

其中f1为pareto最优解集中经济成本的值，f2为pareto最优解集中环境成本的值，为全天消减负荷的值；

d：根据步骤c中的经济满意度函数、环境满意度函数和消减负荷满意度函数得知，满意度的全局最优决策位置是(1，1，1)，因此得到最终的决策式为：

y是决策量，α、β、γ是经济因素、环境因素和消减负荷因素的权重系数；

e：最终，得到一组兼顾经济、环境和用户三方的决策数据，通过这组数据得到各个机组的功率。

实施例1

本发明以十个机组为例说明：

十个机组的系统经济系数如表1所示，十个机组的系统排放系数如表2所示，表3为分布式电源看作特殊机组的参数，根据表1—表3的系数值，经过小生境多目标遗传粒子群法和最优解集决策方法，得到十个机组的功率、分布式电源功率、需求侧响应功率和储能系统功率，如表4所示。最终优化的经济成本和排放量见表5。

表1：十个机组的系统经济系数

表2：十个机组的系统排放系数

表3：分布式电源看作特殊机组的参数

表4：优化后各个机组的功率表

表5：最终优化的经济成本和排放量

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。