一种考虑新型电力系统特征的负荷调控优化方法与流程

1.本发明涉及一种新型电力系统特征的负荷调控优化方法，属于电力系统调控优化技术领域。


背景技术：

2.光伏、风电等新能源具有波动性、间歇性等特征，集群化/分布式储能、规模化电动汽车等设备接入的开放性、不确定性切都对新型电力系统的规划、运行、调控和分析提出了新的挑战。
3.为了降低新能源发电波动性带来的影响，常常为系统配备相当规模的储能设备来转移新能源的时空不确定性，增加了系统建设及维护成本，也降低了能源的使用率。近些年，随着智能预测手段的发展，对新能源发电规律的掌握也更加成熟，能够为引导用户侧用电行为提供合理的支撑。因此，可以将新能源和传统能源的发电能力以及用户侧负荷和电动汽车的用能习惯进行统筹考虑，合理地设计用户侧负荷调控优化策略，进而提高新型电力系统“消纳”水平。
4.公开号为cn112134272a的中国发明专利申请提出一种配网电动汽车负荷调控方法，通过实时监测系统内电动汽车充电行为、频繁要求用户对充电价格与充电需求进行提交来确认充电需求，但缺乏考虑系统内电力的提供能力以及大规模充电行为对电力峰谷值的影响。公开号为cn110807598a的中国发明专利申请提出一种参与有序用电的用户负荷调控价值评估方法，将用户侧负荷峰谷值纳入了考虑范畴进行了价值评估体系的涉及，但缺乏对新能源等非传统供能方式和电动汽车等可具备用能时空变化特性设备的考虑，其以供电公司利润和用户用电成本为考虑的目标函数，无法为提高新型电力系统“消纳”能力提供支撑。


技术实现要素：

5.本发明的目的是：针对新型电力系统的高渗透率可再生能源、高比例电力电子设备接的“双高”特性，将系统内发电能力与用能习惯进行统筹考虑，设计用户侧负荷调控优化策略，促进新型电力系统“消纳”水平。
6.为了达到上述目的，本发明的技术方案是提供了一种考虑新型电力系统特征的负荷调控优化，其特征在于，包括以下步骤：
7.步骤1：获取历史气象样本信息，利用bp神经网络预测日前新能源发电，获得日前新能源发电数据p
re-power
(t)；
8.步骤2：获取历史日类型样本信息，利用时间序列神经网络预测台区常规电力负荷，获得日前用户侧常规电力负荷预测数据p
consumption
(t)；
9.步骤3：获取台区电动汽车历史数据及实时数据，通过台区电动汽车充电需求计算模型，估算日前台区电动汽车充电需求，包括以下步骤：
10.步骤301：当天0时刻处于在网充电状态的台区电动汽车为n台、处于离网状态的台
区电动汽车为k台；处于在网充电状态的第i台电动汽车的容量为qi，处于在网充电状态的第i台电动汽车在当天0时刻的充电功率为p
i,t＝0
、soc状态为soc
i,t＝0
，i＝1,2,
……
,n；处于离网状态的第j台电动汽车的容量为qj，j＝1,2,
……
,k；
11.经由公式(1)预计当天0点时刻处于在网充电状态的每台电动汽车充满所需时长t
est,i,t＝0
：
[0012][0013]
步骤302：当天0点时刻处于离网状态的第j台电动汽车的soc状态socj低于20％时将进行充电，其再充电的充电功率为pj，则处于离网状态的第j台电动汽车的当天充电需求时长t
est,j
按公式(2)计算：
[0014][0015]
式(2)中，对当天0点时刻处于离网状态的第j台电动汽车的再充电的充电功率pj利用公式(3)由样本历史充电行为数据进行估算：
[0016][0017]
式(3)中，分别为样本历史充电行为数据中第j台电动汽车第m次充电的平均值及中位数，m为样本历史充电行为数据的总充电次数；
[0018]
步骤4：进行用户侧负荷调控优化，计算得出包含台区电动汽车充电功率和充电时间安排的计划，具体包括以下步骤：
[0019]
将步骤1获得的日前新能源发电数据p
re-power
(t)以及步骤2获得的日前用户侧常规电力负荷预测数据p
consumption
(t)按时间维度进行比对，计算每个时间间隔的整体充电功率裕度，其中，第t个时间间隔的整体充电功率裕度表示为p
total,t
，则有下式(4)：
[0020][0021]
式(4)中，p
t＝peak,peak-1,
…
,1
表示步骤1中预测的新能源发电数据从峰值时刻对应发电量到次峰值时刻对应发电量，一直到低谷时刻对应发电量；
[0022]
将当天0点时刻处于离网状态的k台电动汽车的再充电充电功率pj从大到小排序后，以高充电裕度时刻安排高充电功率需求的原则，以下式(5)对再充电电动汽车的充电行为进行安排：
[0023][0024]
式(5)中，tj为第j台电动汽车计划充电时刻，t
peak,peak-1,
…
,1
为充电裕度从高到低的对应时刻，pj为第j台电动汽车计划充电功率。
[0025]
以下式(6)对再充电电动汽车的充电行为进行约束，同一时间间隔内充电功率合∑p
j,t＝peak,peak-1,
…
,1
不超过充电功率裕度p
total,t
、充电时间安排在新能源发电p
re-power
(t)能力的20％以上，确保新能源发电处于持续稳定状态：
[0026][0027]
式(6)中，p
j,t＝peak,peak-1,
…
,1
表示步骤1中预测新能源发电数据峰值时刻逐一递减对应的电动汽车充电功率，tj表示电动汽车再充电时长，p
re-power-peak
表示步骤1中预测的新能源发电数据峰值；
[0028]
步骤5：根据步骤4计算所的电动汽车的充电功率pj及充电时间tj下发充电计划。
[0029]
优选地，所述步骤1具体包括以下步骤：
[0030]
步骤101：选取光照强度信息数据及温度信息数据为bp神经网络的特征量输入，以光伏出力为bp神经网络的特征量输出，向bp神经网络灌入一定时间间隔的历史数据对其进行训练，从而建立基于bp神经网络的光伏出力预测模型；
[0031]
步骤102：选取风速信息数据为bp神经网络的特征量输入，以风机出力为bp神经网络的特征量输出，向bp神经网络灌入一定时间间隔的历史数据对其进行训练，从而建立基于bp神经网络的风机出力预测模型；
[0032]
步骤103：将日前天气气象信息作为光伏出力预测模型以及风机出力预测模型的输入，获得光伏出力预测模型以及风机出力预测模型输出的光伏出力预测结果p
solar
(t)以及风机出力预测结果p
wind
(t)，将光伏出力预测结果p
solar
(t)与风机出力预测结果p
wind
(t)按照时间维度进行叠加，获得日前新能源发电数据p
re-power
(t)。
[0033]
优选地，所述步骤2具体包括以下步骤：
[0034]
步骤201：选取最高温度、最低温度、平均温度、平均相对湿度、降雨量为时间序列神经网络的特征量输入，以台区常规电力负荷为时间序列神经网络的特征量输出，向时间序列神经网络灌入一定时间间隔的历史数据进行训练，从而建立基于时间序列神经网络的常规电力负荷预测模型；
[0035]
步骤202：将日前日类型信息作为常规电力负荷预测模型的输入，获得常规电力负荷预测模型输出的日前用户侧常规电力负荷预测数据p
consumption
(t)。
[0036]
与现有技术相比，本发明具有以下有益效果：
[0037]
(1)基于新能源出力与用户侧常规负荷预测的负荷调控策略，让电动汽车充电计划与新能源电力数据峰值与用户侧常规负荷谷值相结合，在提升新能源“消纳”的同时，也有利于降低系统负荷峰谷差值，促进新型电力系统稳定性；
[0038]
(2)减少大规模部署储能设备来转移新能源出力的时空特性，在降低系统建设及维护成本的同时，也能提高对新能源的利用率，降低对上级电网的电力需求，促进“双碳”目标的实现。
附图说明
[0039]
图1为本发明设计的考虑新型电力系统特征的负荷调控策略架构图；
[0040]
图2为本发明基于bp神经网络进行光伏出力预测的与预测值与实际值对比图；
[0041]
图3为本发明基于bp神经网络进行风机出力预测的与预测值与实际值对比图；
[0042]
图4为本发明基于时间序列神经网络进行负荷预测的与预测值与实际值对比图；
[0043]
图5为本发明日前新能源发电及用户侧负荷预测对比图；
[0044]
图6为本发明日前电动汽车充电需求响应图。
具体实施方式
[0045]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0046]
本发明设计的考虑新型电力系统特征的负荷调控策略架构图如图1所示，通过新能源发电预测模块、用户侧负荷预测模块及台区电动汽车充电需求估算模块获取对应输入，经由考虑系统内时间维度上功率峰谷差值设计的负荷调控优化模块，将计算出的电动汽车充电功率及充电时间进行下发，完成对系统内新能源发电的“消纳”并降低台区电力峰谷差。
[0047]
为了便于理解本发明的控制方案，以下结合图2、图3、图4、图5和图6对本发明的策略方案进行阐述。
[0048]
首先，根据历史气象信息对光伏出力和风机出力分别搭建bp神经网络进行训练，分别选取光照强度、温度和风速为对应模型特征量输入，网络参数如下表。
[0049]
名称类型隐藏层数节点数训练次数学习速率目标最小误差光伏bp神经网络1810000.010.000001风机bp神经网络1430000.050.000001
[0050]
灌入历史数据训练，其训练结果分别为图2、图3，平均绝对误差分别为0.00139和0.025，预测结果较为准确。部分历史数据如下表：
[0051]
日期时刻温度光照强度光伏出力风速风机出力2020/3/111:3025531677.038.72693.262020/3/112:0015543738.488.97718.892020/3/112:3026537680.119.49761.25
[0052]
根据历史日类型信息对用户侧常规电力负荷搭建时间序列神经网络进行训练，选取最高温度、最低温度、平均温度、相对湿度(平均)、降雨量为特征量输入，网络参数如下：
[0053]
名称类型隐藏层数节点数训练次数学习速率目标最小误差负荷时间序列神经网络2[6,6]30000.0010.000001
[0054]
灌入历史数据训练，其训练结果分别为图4，平均绝对误差为0.00271，预测结果较为准确。部分历史负荷数据如下表：
[0055]
ymdt0700t0730t0800t0830t0900t0930201412014340.2334833.1166159.9117581.2798009.9528253.632201412025296.3195713.0946935.5378158.8388491.9818688.653201412035447.4055866.2016971.5048273.6598567.5038745.38
[0056]
部分历史日类型数据如下表：
[0057] 最高温度℃最低温度℃平均温度℃相对湿度(平均)降雨量(mm)2014120125.616.519.9700.3
2014120216.512.413.9823.62014120317.912.815.1926
[0058]
从气象台等平台获取日前气象信息和日类型信息特征量，给到对应模型进行预测，即可获得日前新能源发电数据与用户侧常规负荷数据，如图5。
[0059]
然后，设定台区电动汽车共100台，容量及台数如下表：
[0060]
容量(kwh)台数16524830173275720601110010111.5715015
[0061]
设定当天0时刻在网充电56台，离网44台，部分参数如下表：
[0062]
汽车编号容量(kwh)0:00状态接入时soc21610.617111.510.44152410.82162410.692310010.37
[0063]
根据步骤3设定电动汽车soc处于10％～20％时进行再充电，进行计算获得台区每台电动汽车的t
est,i,t＝0
、t
est,j
以及pj，部分结果如下表：
[0064]
汽车编号容量(kwh)0:00状态接入时soc接入时功率(kw)充满耗时(mins)再接入功率(kw)再接入时soc再接入后充满耗时(mins)51610.204915.7300.000.0011111.500.0000370.10162.00172410.544614.5200.000.002310010.3712315.8300.000.003515000.0000300.12264.53503210.702423.7400.000.00566000.0000380.1580.48663010.344029.6600.000.00825710.554633.4100.000.00
[0065]
接着根据步骤4中本发明设计的约束条件，在以新能源发电峰值为中心点进行充电行为的优化调控安排，部分优化结果如下表，包含电动汽车充电需求计划的对照图如图6。