基于同步算法的智能电网需求侧管理方法与流程

本发明是关于一种基于同步算法的智能电网需求侧管理方法，涉及智能电网技术领域。

背景技术：

在智能电网领域，需求侧管理有利于改善用电消费和提高整个电网的可靠性，通常有两种方法来进行需求侧管理：一是基于激励的需求侧管理；二是基于时间的需求侧管理。

目前需求侧管理的研究很热门，但是现有技术仍旧有一些问题没有解决。例如，如何给出一个高效地策略来实现供电方、需求响应聚集方和用户方的最优资源配置，常用的方法是将多目标优化转化为单目标优化，虽然将多目标优化问题转化为单目标优化问题便于求解。但是由于在进行单个目标优化时，各个目标优化的目标在很大程度上是矛盾的，转化为单目标优化实际上是进行对各个目标的折中优化，优化结果不准确。

技术实现要素：

针对上述问题，本发明的目的是提供一种基于同步算法的智能电网需求侧管理方法，能够通过同步算法提供的技术实现供电方、需求响应聚集方和用户方的资源最优配置。

为实现上述目的，本发明采取以下技术方案：一种基于同步算法的智能电网需求侧管理方法，包括以下内容：

建立供电方目标电量模型，并设定约束条件i；

建立需求响应聚集方目标电量模型，并设定约束条件ii；

建立用户目标电量模型，并设定约束条件iii；

基于供电方目标电量模型、需求响应聚集方目标电量模型以及用户目标电量模型，建立需求侧管理模型，并在设定的约束条件x下进行优化求解，实现三方的资源最优配置。

进一步地，其特征在于，供电方目标电量模型以及约束条件i分别为：

约束i：

0≤μ＜1

式中，g^c表示日常传统能源的发电量向量，c¹表示运用需求侧管理后传统能源的发电价格，c⁰表示运用需求侧管理前传统能源的发电价格，t为某一个时刻，μ表示奖励系数，表示的最小值；表示的最大值，为时刻t时传统能源的发电量。

进一步地，需求响应聚集方目标电量模型以及约束条件ii为：

约束ii：

式中，g^c表示日常传统能源的发电量向量，x¹表示聚集消耗向量，表示的最小值，表示的最大值，α和β是赔偿系数，表示的最小值，表示的最大值，t为设定的时间段(例如24小时)，为时刻t时的聚集消耗电量。

进一步地，用户目标电量模型及约束条件iii具体为：

约束iii：α＞0

β＞0

ε＞0

式中，α和β是赔偿系数；表示的最小值；表示的最大值；ε表示非弹性系数，w为用户一天总用电量的参考值。

进一步地，需求侧管理模型及约束条件x为：

min：y＝f(g^c,x¹)＝(fu(g^c),-fa(g^c,x¹),-fc(x¹))

约束条件x：满足约束i、ii、iii。

进一步地，实现三方的资源最优配置的求解方法采用mo-soo算法。

本发明由于采取以上技术方案，其具有以下特点：对于供电方来讲，本发明提供一个最优策略，能够给出最优的日常传统能源的发电量向量，从而实现企业的优化目标；对于需求响应聚集方来讲，本发明给出了一个如何安排日常传统能源的发电量向量和聚集消耗向量的策略，实现需求响应聚集方的目标要求，极大降低运算时间和空间复杂度的；对于用户方来讲，如何给出日常传统能源的发电量向量和聚集消耗向量的最优策略，从而实现用户的利益最大化。因此，本发明同时考虑供电方、需求响应聚集方和用户方，通过同步算法实现三方的资源最优配置，更加精确。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于描述，本发明首先对参数进行定义：表示日常传统能源的发电量向量；c¹表示运用dsm(需求侧管理)后传统能源的发电价格；c⁰表示运用dsm前传统能源的发电价格；μ表示奖励系数；表示的最小值；表示的最大值；表示聚集消耗向量；α和β是赔偿系数；表示的最小值；表示的最大值；ε表示非弹性系数，表示期望发电量向量，表示可再生能量源产生的电量，表示在时间间隔t时的参考聚集需求电量，为时间间隔t的聚集消耗电量，w为用户一天总用电量的参考值。

基于上述设定参数，本实施例提供的基于同步算法的智能电网需求侧管理方法，具体过程为：

1、建立供电方目标电量模型

具体地，供电方目标电量模型是给出每个时间段t内传统能源的最优发电量和每个时间段t内给需求响应聚集方的最优补偿方案，并对建立的供电方目标电量模型在约束条件下进行优化，优化过程为：

约束i：

0≤μ＜1

2、建立需求响应聚集方的目标电量模型

具体地，需求响应聚集方的电量模型是给出每个时间段t的由供电方的补偿和用户方在每个时间段t的补偿，并对建立的目标电量模型在约束条件下进行优化，具体优化过程为：

约束ii：

3、建立用户的目标电量模型

具体地，用户的目标电量模型给出了每个时间段t的用户最优满意度和最优的需求响应聚集方补偿，并对建立的目标模型在约束条件下进行优化，优化过程为：

约束iii：α＞0

β＞0

ε＞0

4、基于供电方目标电量模型、需求响应聚集方的目标电量模型以及用户的目标电量模型，建立需求侧管理模型，并在约束条件下进行优化求解，实现三方的资源最优配置。

具体地，需求侧管理模型为：

min：y＝f(g^c,x¹)＝(fu(g^c),-fa(g^c,x¹),-fc(x¹))

约束条件：满足约束i、ii、iii的集合x

其中，实现三方的资源最优配置技术的具体优化采用现有mo-soo算法进行求解其中mo-soo算法具体过程为：

输入：需要优化的函数f＝f(g^c,x¹)＝f(x)

搜索空间x，x＝(g^c,x¹)

划分因子k，为指定的常数；

评价预算v；

最大深度函数hmax(t)；

深度函数depth(τt)；

初始化：τ1←{(0,0)}

t←1

输出：minx∈xf的逼近集；

优化过程为：

当评价预算v没被耗尽时，继续操作，

设定v←φ；

对h←0到min(hmax(t),depth(τt))进行如下操作；

pt←{在深度h的叶节点}

v←nd(pt∪v)

其中，nd表示非支配算子；

qt←pt∩v

展开qt中的所有节点，评价并将它们的k·|qt孩子加到τt

t←t+1

其中，i为层数；

返回

综上，在需求侧管理模型的前提下，给出每个时间段t的传统能源的最优发电量和每个时间段t的给需求响应聚集方的最优补偿方案，并给出每个时间段t的由供电方的补偿和用户方在每个时间段t的补偿，以及每个时间段t的用户最优满意度和最优的需求响应聚集方补偿。

最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。