以多目标均衡为导向的热力控制平台用户响应优化方法与流程

1.本发明属于热力控制平台用户响应技术领域，尤其涉及一种以多目标均衡为导向的热力控制平台用户响应优化方法。


背景技术：

2.新能源发电过程中的随机性和波动性将导致电力潮流不确定性增加、发电侧灵活性降低等问题，如何提高系统灵活性，减小发电侧高比例新能源并网带来的负面影响，是建立新型电力系统亟待解决的问题。在此背景下，依靠发电侧资源维持电力电量平衡变得愈发困难，具有热储能性质的热力负荷是一种优质需求侧响应资源，在响应过程中表现出可调容量大、响应速率快、调节时间灵活、持续时间长的特点，通过负荷中断、负荷转移以及负荷调节的方式参与削峰填谷、新能源消纳等需求侧响应。考虑到部分热力负荷单体容量小、分散分布的特点，其响应潜力会随着聚合程度增长，因此通过热力控制平台整合热力资源是提升负荷响应潜力的关键，而建立合适的热力控制平台负荷调控策略能够在提高用户效益的基础上保证用户用热满意度，有效缓解电网压力。
3.现有研究通过市场机制或调度控制的方式，在保障电力系统的安全可靠运行的前提下提升热力负荷消纳不平衡电量的能力，例如热力负荷群的需求侧响应，热力负荷群的集中控制，热力负荷群的分布式控制等方法。然而热力负荷作为需求侧响应资源的重要组成部分，不同的热力负荷具有不同用热特性和用电特性，其中用热特性差异主要体现在热力负荷的供热对象不同，例如工商业用热的差异；用电特性差异主要体现在热力负荷种类上，例如蓄热式电锅炉和电热泵在响应特性上的差别较大。
4.由于参与热力控制平台的一个用户主体可能管理着多个不同种类的热力负荷，并且不同热力负荷具有各自的响应特征和用热特性，因此用户主体参与热力控制平台响应时应考虑其控制的居民用户、工业用户、商业用户等多种用热特性的热力负荷协同响应，同时考虑其控制的蓄热式电锅炉和电热泵等不同用电特性的热力负荷互补调控。并且，传统电力调度模式下的蓄热式电锅炉和电热泵等热力负荷通常以集中供热站的形式直接参与用电调度，较少考虑不同热力负荷的协同响应与互补调控，且无法利用一些容量较小的热力负荷资源如暖通空调。


技术实现要素：

5.针对现有技术中的上述不足，本发明提供的一种以多目标均衡为导向的热力控制平台用户响应优化方法，解决了热力平台用户在制定响应计划时难以最大化挖掘自身响应潜力的问题，同时提高了热力平台用户的响应意愿，以及解决了用户对热力平台指令响应积极性不高的问题。
6.为了达到以上目的，本发明采用的技术方案为：
7.本方案提供一种以多目标均衡为导向的热力控制平台用户响应优化方法，包括以下步骤：
8.s1、由热力控制平台通过最大化利用自身的响应潜力，得到热力控制平台的总负荷指令，并向下辖的集中供热站、负荷聚合商以及虚拟电厂的热力用户公示所述总负荷指令；
9.s2、由所述热力用户根据所述总负荷指令，向热力控制平台提交响应信息；
10.s3、判断是否由热力控制平台对热力用户的用电和用热进行优化，若是，则进入步骤s4，否则，结束流程；
11.s4、由热力用户向热力控制平台提交次日的用电计划和用热计划；
12.s5、构建热力控制平台负荷响应的约束条件以及目标函数，并根据所述响应信息、用电计划以及用热计划，利用粒子群算法计算得到热力用户的最优响应计划；
13.s6、利用约束条件对所述最优响应计划进行校核，并根据校核结果由热力控制平台将所述最优响应计划发送至热力用户；
14.s7、由热力用户确认并提交所述最优响应计划至热力控制平台，完成以多目标均衡为导向的热力控制平台用户响应优化。
15.本发明的有益效果是：本发明提出的热力控制平台用户响应优化方法主要针对现货市场模式下，通过整合分布式热力负荷资源方式使同一热力用户管控多个不同的热力负荷，提升热力负荷响应潜力，同时，该方法通过评估不同热力负荷的用户舒适度、用户效益指标，采用费效比函数实现了多优化目标的均衡量化，考虑同一热力用户的不同热力负荷之间协同优化，提升地区不平衡电量消纳和热力负荷跨时段转移能力。
16.再进一步地，所述步骤s5中约束条件包括：热力控制平台热力负荷功率约束、第一热力负荷响应潜力约束、第二热力负荷响应潜力约束以及热力负荷的用电平衡约束。
17.上述进一步方案的有益效果是：本发明通过设计约束条件，保证热力负荷在响应优化后，得到的响应计划具有较高的可行性，且用户可以有效的执行该响应计划。
18.再进一步地，所述热力控制平台热力负荷功率约束包括：热力负荷最大功率约束p
max
、基准用电曲线的功率约束p0(t)以及最小负荷约束p
min
；
19.所述热力负荷最大功率约束p
max
和最小负荷约束p
min
的表达式如下：
20.p
min
≤p(t)≤p
max
或p(t)＝0
21.其中，p(t)表示t时段热力负荷参与平台响应后的响应曲线；
22.所述基准用电曲线的功率约束p0(t)的表达式如下：
23.0.9*min(p(t-24*n))≤p0(t)≤1.1*max(p(t-24*n)),n＝1,2,3,4,5
24.其中，p0(t)表示t时段热力负荷参与平台响应前的基准用电曲线的功率约束，n表示历史天数。
25.上述进一步方案的有益效果是：本发明通过设置以上的约束条件保证热力用户申报的基准用电曲线不会与申报日前5日用户不参与平台响应的正常的用电负荷偏差太多，防止用户篡改申报的基准曲线。
26.再进一步地，所述第一热力负荷响应潜力约束条件的表达式如下：
27.28.其中，v-和v
+
分别表示t时段热力负荷参与平台响应的上调响应速率和下调响应速率，c-(t)和c
+
(t)分别表示t时段热力负荷参与平台响应的下调容量和上调容量，d-和d
+
分别表示热力负荷参与平台响应的最小持续时段和最大持续时段，δt表示热力负荷实际参与响应的时间段，p(t)表示t时段热力负荷参与平台响应后的响应曲线，p(t-1)表示t-1时段热力负荷参与平台响应后的响应曲线，p0(t)表示t时段热力负荷参与平台响应前的基准用电曲线的功率约束。
29.上述进一步方案的有益效果是：考虑到实际中热力负荷存在最大响应速率限制、最大调节容量限制以及最大响应持续时间限制，通过上述约束条件，确保了热力负荷在响应优化后得到的响应计划具有执行可行性。
30.再进一步地，所述第二热力负荷响应潜力约束条件的表达式如下：
[0031][0032]
其中，t-和t
+
分别表示t时段热力负荷温度t(t)变化的上下限，t(t)表示t时段热力负荷的温度，tc-和tc
+
表示储热装置的最小储热量和最大储热量，tc(t)表示t时段蓄热罐的蓄热量。
[0033]
上述进一步方案的有益效果是：响应优化会改变热力负荷的用电计划，上述储热量约束保证了带有蓄热装置热力负荷的用热计划不会改变，用户的用热感知和满意度也不会改变；温度约束确保了不带有蓄热装置热力负荷虽然改变了负荷原本的用热计划，但不会降低用户的用热感知和满意度。
[0034]
再进一步地，所述热力负荷的用电平衡约束的表达式如下：
[0035]
δp(t)＝p(t)-p0(t)+c(t)
[0036]
其中，c(t)表示由于是热力负荷无法完全响应指令时出现的松弛变量，δp(t)表示热力负荷实际响应曲线与基准用电曲线的差值，是负荷的净响应曲线,p(t)表示t时段热力负荷参与平台响应后的响应曲线，p0(t)表示t时段热力负荷参与平台响应前的基准用电曲线的功率约束。
[0037]
上述进一步方案的有益效果是：考虑到大部分热力负荷在执行负荷响应计划时会存在一定的偏差，无法完全响应指令，因此本约束通过松弛变量的方式，保证等式约束一定成立，且该变量可作为热力负荷执行响应计划的考核指标。
[0038]
再进一步地，所述步骤s5中构建热力控制平台负荷响应的目标函数，其具体为：利用费效比函数构建热力负荷用电效益和用户满意度的热力控制平台负荷响应的目标函数。
[0039]
上述进一步方案的有益效果是：用费效比函数实现了多优化目标的均衡量化，考虑同一热力用户的不同热力负荷之间协同优化，提升地区不平衡电量消纳和热力负荷跨时段转移能力。
[0040]
再进一步地，所述热力负荷用电效益的表达式如下：
[0041][0042]
其中，i表示热力用户管控下的第i个热力负荷，i表示热力用户管控下的热力负荷数量，表示t时段热力负荷i参与平台响应前用电量，表示t时段热力负荷i参与平
台响应后用电量，表示t时段热力负荷i参与平台响应的平台激励，e(t)表示t时段热力用户管控下各热力负荷的总效益。
[0043]
上述进一步方案的有益效果是：本发明通过热力负荷用电效益和用户满意度均衡优化的方法实现了热力控制平台负荷用户的有效整合，充分调动了热力负荷资源的响应潜力，通过不同热力负荷之间协同优化的方法实现了同一热力用户的不同热力负荷协同响应与互补调控，有效降低了地区弃风量，提高了热力负荷效益，一定程度的改善电力系统负荷峰谷差异。
[0044]
再进一步地，所述用户满意度的表达式如下：
[0045][0046]
其中，i表示热力用户管控下的第i个热力负荷，i表示热力用户管控下的热力负荷数量，α表示热力负荷类型，当热力负荷具有蓄热罐时，α取0，反之α取1，ti(t)表示热力用户管控下的热力负荷i在t时段的温度，t
max
表示用户感知的最高温度，t
min
表示用户感知的最低温度，h
i,0
(t)表示热力负荷i不参与响应的基准用热，hi(t)表示热力负荷i参与响应后的实际用热，s(t)表示t时段热力用户的满意度，其取值为热力用户管控下全部热力负荷满意度的平均值。
[0047]
上述进一步方案的有益效果是：本发明通过热力负荷用电效益和用户满意度均衡优化的方法实现了热力控制平台负荷用户的有效整合，充分调动了热力负荷资源的响应潜力，通过不同热力负荷之间协同优化的方法实现了同一热力用户的不同热力负荷协同响应与互补调控，有效降低了地区弃风量，提高了热力负荷效益，一定程度的改善电力系统负荷峰谷差异。
附图说明
[0048]
图1为本发明的方法流程图。
具体实施方式
[0049]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0050]
实施例
[0051]
如图1所示，本发明提供了一种以多目标均衡为导向的热力控制平台用户响应优化方法，其实现方法如下：
[0052]
s1、由热力控制平台通过最大化利用自身的响应潜力，得到热力控制平台的总负荷指令，并向下辖的集中供热站、负荷聚合商以及虚拟电厂的热力用户公示所述总负荷指令；
[0053]
本实施例中，热力控制平台通过参与电力调度、现货市场、辅助服务等方式最大化利用自身的响应潜力，并得到热力控制平台的总负荷指令，同时向下辖的集中供热站、负荷
聚合商以及虚拟电厂三类热力用户公示该指令，通过完善热力控制平台用户响应优化策略以充分调动热力负荷响应潜力，有效提升热力用户主体的不平衡电量消纳能力和负荷跨时段转移能力。
[0054]
s2、由所述热力用户根据所述总负荷指令，向热力控制平台提交响应信息；
[0055]
本实施例中，热力控制平台管控下的三类热力用户需要向平台补全、修改并提交相关信息，包括响应速率、可调容量、持续时间、储热量、温度阈值等。用户未提交的部分信息由平台根据用户的历史信息、数据补全。
[0056]
s3、判断是否由热力控制平台对热力用户的用电和用热进行优化，若是，则进入步骤s4，否则，结束流程；
[0057]
本实施例中，参与热力控制平台的各类热力用户根据自身情况和热力控制平台指令，通过自己的决策人员制定并提交响应计划，或委托热力控制平台对其热力负荷用电和用热进行优化，代为制定并提交响应计划。
[0058]
s4、由热力用户向热力控制平台提交次日的用电计划和用热计划；
[0059]
本实施例中，用户选择委托热力控制平台制定响应计划，则需要向平台提交次日的用电计划和用热计划。
[0060]
s5、构建热力控制平台负荷响应的约束条件以及目标函数，并根据所述响应信息、用电计划以及用热计划，利用粒子群算法计算得到热力用户的最优响应计划；
[0061]
本实施例中，约束条件包括：热力控制平台热力负荷功率约束、第一热力负荷响应潜力约束、第二热力负荷响应潜力约束以及热力负荷的用电平衡约束。
[0062]
本实施例中，热力负荷功率约束包含对热力负荷功率的三种基本电气约束：热力负荷最大功率约束p
max
、基准用电曲线的功率约束p0(t)以及最小负荷约束p
min
，其中，热力负荷最大功率约束p
max
和最小负荷约束p
min
如下所示：
[0063][0064]
其中，p(t)表示t时段热力负荷参与平台响应后的响应曲线，p
max
是热力负荷的最大功率，p
min
表示热力负荷的最小功率。
[0065]
通常情况下，对于可削减热力负荷，其功率应保证在0和最大值之间连续可调，但实际中受到最小负荷限制，热力负荷应在最小负荷和最大负荷之间连续可调，当热力负荷具有可中断特性时，热力负荷可以通过负荷中断取到0，因此上式可以改写为：
[0066]
p
min
≤p(t)≤p
max
或p(t)＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0067]
建立历史功率约束p0(t)如下，保证热力用户申报的基准用电曲线不会与申报日前5日不参与平台响应的正常的用电负荷偏差太多。主要目的是防止用户通过虚报基准曲线来增大与响应曲线的差值。
[0068]
0.9*min(p(t-24*n))≤p0(t)≤1.1*max(p(t-24*n)),n＝1,2,3,4,5
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0069]
其中，p0(t)表示t时段热力负荷参与平台响应前的基准用电曲线的功率约束，n表示历史天数。
[0070]
本实施例中，第一热力负荷响应潜力约束包含对热力负荷响应潜力的三种基本电气约束：响应速率v、可调容量c、持续时间d。
[0071][0072]
其中，v-和v
+
分别表示t时段热力负荷参与平台响应的上调响应速率和下调响应速率，c-(t)和c
+
(t)分别表示t时段热力负荷参与平台响应的下调容量和上调容量，d-和d
+
分别表示热力负荷参与平台响应的最小持续时段和最大持续时段，δt表示热力负荷实际参与响应的时间段，p(t)表示t时段热力负荷参与平台响应后的响应曲线，p(t-1)表示t-1时段热力负荷参与平台响应后的响应曲线，p0(t)表示t时段热力负荷参与平台响应前的基准用电曲线的功率约束。
[0073]
本实施例中，热力负荷响应潜力约束，包含对热力负荷响应潜力的两种基本热力约束：温度阈值t、蓄热罐容量tc。
[0074][0075]
其中，t-和t
+
分别表示t时段热力负荷温度t(t)变化的上下限，t(t)表示t时段热力负荷的温度，tc-和tc
+
表示储热装置的最小储热量和最大储热量，tc(t)表示t时段蓄热罐的蓄热量。
[0076]
本实施例中，第二热力负荷的用电平衡约束：
[0077]
δp(t)＝p(t)-p0(t)+c(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0078]
其中，c(t)表示由于是热力负荷无法完全响应指令时出现的松弛变量，δp(t)表示热力负荷实际响应曲线与基准用电曲线的差值，p(t)表示t时段热力负荷参与平台响应后的响应曲线。
[0079]
本实施例中，采用费效比函数构造热力负荷用电效益和用户满意度的综合目标函数，用电效益s(t)和用户满意度e(t)可以分别由公式(8)和(9)确定。其中，费效比函数法构造响应优化的目标函数如下所示：
[0080][0081]
其中，si(t)表示t时段用户满意度，ei(t)表示t时段热力负荷的用户效益。
[0082]
本实施例中，热力负荷用户满意度计算公式，当热力负荷类型为不配置储热装置的温控负荷时，热力负荷用户的满意度与用户温度变化相关；当热力负荷配置储热装置时，热力负荷用户的满意度与实际用热量和计划用热量的差值相关。
[0083][0084]
其中，i表示热力用户管控下的第i个热力负荷，i表示热力用户管控下的热力负荷数量，α表示热力负荷类型，当热力负荷具有蓄热罐时，α取0，反之α取1，ti(t)表示热力用户管控下的热力负荷i在t时段的温度，t
max
表示用户感知的最高温度，t
min
表示用户感知的最低温度，h
i,0
(t)表示热力负荷i不参与响应的基准用热，hi(t)表示热力负荷i参与响应后的实际用热，s(t)表示t时段热力用户的满意度，其取值为热力用户管控下全部热力负荷满意
度的平均值。
[0085]
本实施例中，热力负荷效益指标计算公式如下：
[0086][0087]
其中，i表示热力用户管控下的第i个热力负荷，i表示热力用户管控下的热力负荷数量，表示t时段热力负荷i参与平台响应前用电量，表示t时段热力负荷i参与平台响应后用电量，表示t时段热力负荷i参与平台响应的平台激励，e(t)表示t时段热力用户管控下各热力负荷的总效益。
[0088]
本实施例中，粒子群算法属于启发式算法的一种，该方法根据初始设定的随机解通过不断进行迭代寻找最优解，在热力控制平台用户响应优化的过程中，每个粒子可以向其他粒子传递信息，让各个粒子知道自己的位置，通过这样的信息传递来判断每个粒子的位置是不是最优解。在一次迭代中，粒子通过追踪两个“极值”来更新自己，第一个是粒子本身寻找到的最优解，称为个体极值pbest；另一个极值是整个种群目前找到的极值，称为全局极值gbest。
[0089]
首先，粒子具有两个基本属性：粒子位置和粒子速度，其中，粒子的位置表示粒子的移动方向，粒子的速度表示粒子移动的快慢。在n维空间中粒子的位置表示为空间矢量xi，粒子的速度表示为速度矢量vi，表示形式分别如公式(10)、(11)所示：
[0090]
xi＝(x1,x2,
…
xn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0091]vi
＝(v1,v2,
…
vn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0092]
每一个粒子所在的位置不同其由目标函数所决定的适应值也不同，储存截止到最新一次迭代时的最好位置pbest和当前位置作为本粒子的飞行经验，整个粒子群中的最好位置gbest作为同伴经验，在下一次迭代时由飞行经验和同伴经验来决定下一步运动，在每一次迭代过程中，粒子通过追踪两个极值(pbest,gbest)对位置进行更新，速度更新方法的标准形式如公式(12)和公式(13)所示：
[0093]vi
＝v
i-1
+c1×
rand
×
(pbest
i-xi)+c2×
rand
×
(gbest
i-xi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0094]
xi＝xi+viꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0095]
其中，vi表示粒子在本次迭代中的速度，其最大值为v
max
，若迭代时出现vi≥v
max
则取vi＝v
max
，rand表示介于(0,1)之间的随机数，xi表示粒子在本次迭代中的位置，c1和c2均表示学习因子，通常取c1＝c2＝2。
[0096]
公式(12)中的第一项为上次迭代的速度大小和方向，称为记忆项；第二项是从当前位置指向自身最好位置pbest的矢量，用于表示粒子自身经验对于速度的修正程度，成为自身认知项；第三项是从当前位置指向种群最好位置gbest的矢量，用于表示粒子之间的信息交流对于粒子速度的修正程度，称为群体认知项。
[0097]
粒子群算法的具体流程如下：
[0098]
(1)设定种群规模为n，初始化粒子群的随机位置和速度；
[0099]
(2)计算每个粒子的适应度；
[0100]
(3)对于每一个粒子，判断其适应值和经过最好位置pbest进行比较，如果较好，则将其作为当前最好位置pbest；
[0101]
(4)对于每一个粒子，判断其适应值和经过最好位置gbest进行比较，如果较好，则将其作为当前最好位置gbest；
[0102]
(5)根据速度和位置更新公式对粒子的速度和位置进行更新；
[0103]
(6)判断迭代结果是否满足设定的收敛条件，若满足则输出最后结果，得到热力用户的最优响应计划，若不满足则转到第(2)步再次进行迭代。
[0104]
s6、利用约束条件对所述最优响应计划进行校核，并根据校核结果由热力控制平台将所述最优响应计划发送至热力用户；
[0105]
s7、由热力用户确认并提交所述最优响应计划至热力控制平台，完成以多目标均衡为导向的热力控制平台用户响应优化。
[0106]
本实施例中，热力控制平台利用约束条件对最优响应计划进行校核，确保热力用户可以正常执行优化后的响应计划，热力控制平台将该响应计划发还给热力用户，由热力用户确认并提交该响应计划到热力控制平台。
[0107]
本发明通过以上设计，整合分布式热力负荷资源方式使同一热力用户管控多个不同的热力负荷，提升热力负荷响应潜力，同时，该方法通过评估不同热力负荷的用户舒适度、用户效益指标，采用费效比函数实现了多优化目标的均衡量化，考虑同一热力用户的不同热力负荷之间协同优化，提升地区不平衡电量消纳和热力负荷跨时段转移能力。