本发明涉及微网社区建设中的一种基于需求侧响应技术的分布式能量分配方法，尤其针对含大量单微网的微网社区系统，优化整个微网社区的负荷需求以满足接入大电网的要求，摒弃传统中央控制器方式，采用分布式控制方法提高微网社区系统的稳定性和经济性，以及减少微网之间隐私数据的传递，保证了单微网关键负荷数据的隐私性。
背景技术：
微电网作为一种整合分布式发电的集成系统，由分布式电源、储能装置、负荷和能量分配系统等组成，能够有效解决新能源接入电网问题。微网社区则是由两个或多个单微网、微网社区层设备(储能装置、柴油机)组成的微网群体，由于微网社区系统中各微网的分布式单元组成不同，且负荷侧的各类用电负荷具有不同的用电需求，如何协调各单微网以及微网社区层设备的功率输出，在保障微电社区系统优质高效运行的同时满足单微网的稳定性和经济性，其中能量分配技术是关键。因此，探究新型的能量分配方法和控制方式，解决传统中央控制模式的计算量大、稳定性差等问题，在微网社区的建设与推广具有十分重大的实践意义。
目前针对微网能量分配的研究主要集中在需求侧响应技术的应用，可以分为两个种类：第一种是电价间接调控，通过电价的高低，智能用户会调节自己的用电需求，从而达到高峰期(电价设置高)用电需求少，低谷期(电价设置低)用电需求多。这种调节方式在小范围内的微网系统往往能取得较好的结果，但是当用户基数太大时，用户的统一选择将导致产生新的负荷峰值，即峰值转移现象；第二种是远程直接调控，大电网通过峰谷调节设置该时刻的最佳负荷需求，通过签订协议获取用户设备的启停权，从而远程操作负荷需求的大小。这种调节方式需要获得用户的隐私信息(设备的具体用电需求)，且属于远程中央调节，当用户基数过大时，中央控制器需要极大的计算能力和通信能力，另外，远程控制具有更高的控制成本，所以这种方式往往是用于一些紧急情况下，如发生短路故障等。
因此，开发一种服务于微网社区的新型需求侧响应技术，解决已有需求侧响应技术的不足，减少传统中央控制方式所需的计算能力和通信能力，提高用户的隐私性、降低分布式单元的发电成本，以及降低多类智能用户的供电成本具有重要的理论和实践意义。
技术实现要素：
本发明提供了一种服务于微网社区的新型需求侧响应的微网社区分布式能量分配方法，以多智能体系统中有限时间内达到一致性为理论指导，通过微网之间的信息传递，获取微网社区的整体负荷需求信息，目的是避免了隐私信息的暴露以及中央控制器的使用；以粒子群算法为优化算法，计算微网社区层设备的最优出力；以par(峰均比)为参考值，提出了一个间接负荷调节算法，计算调整后负荷需求曲线，目的是满足设定的par。
本发明的需求侧响应技术采用分布式控制方法，每个微网并行运算，有效的避免了隐私信息的泄露，且不会出现单点故障问题，且可以通过par的设定协调控制整个微网社区的负荷需求，通过粒子群智能优化算法，保证了微网的运行成本最优，降低了用户的用电成本。
微网社区模型
近年来，为了减少新能源不确定性对微网产生的影响，满足所处区域的整体运行目标(经济性、环境性等)，提高单微网的稳定性，如图1所示，一种新型的微网系统——微网社区系统开始得到应用，其思想是将微网连接到微网社区的低压层，依靠微网社区的能量分配系统，整个微网社区可以监控电力消耗以及低压层每个微网的需求，分配微网社区的中压层储能系统，为高峰用电需求买单的客户进行智能调节，在紧急情况下，微网社区系统将启动微网社区的中压层柴油机系统，控制、平衡能量需求。
微网社区包括低压层的微电网和中压层的微网社区层设备，社区层设备主要包括储能装置和柴油机，可以保证微网社区的供需平衡，并协调微网达到微网社区的整体运行目标。微网社区环境类似于多微网环境，但两者仍然存在以下不同：
1)微网社区拥有微网社区层设备以保证供需平衡，多微网环境仅依靠微网自身或者大电网。
2)微网社区属于合作环境，低压层微电网和社区层设备相互协调控制达到微网社区整体运行目标。多微网环境多处于非合作环境或者联盟环境。
3)微网社区结构是时变的，低压层微网都可以选择接入微网社区或者孤岛运行。多微网环境下微网的个数是已知的。
微网净负荷模型
净负荷模型包括需求侧的负荷模型与发电侧的新能源模型。负荷模型包括不可调节负荷(btagent)、可调节负荷(rtagent)。btagent包括不可中断负荷(冰箱、重要照明等)，该类负荷需求必须满足。rtagent包括可平移负荷(充放电控制器、洗衣机等)和可中断负荷(空调、非重要照明等)，rtagent具有划分负荷优先级，保证优先级高的负荷供电，并根据实际情况平移和切断负荷功能。本文根据生活中居民的用电习惯，一般的，将可调节负荷大致分为四个时间段，第一时段为早晨用电时段：00:00～08:00，第二时段为中午用电时段：08:00～13:00，第三时段为下午用电时段：13:00～19:00，第四时段为夜晚用电时段：19:00～00:00。可调节负荷只能在各自所时间段内调节，以防出现可调节负荷调度跨度大，与微网实际运行相悖。因此，负荷模型可以描述为：
dmin-b(t)≤r(t)≤dmax-b(t)(2)
式中，y(t)表示可调节负荷的期望值，也就是可调节负荷在每个时段的日前预测值。b(t)表示不可调节负荷在每个时段的日前预测值。r(t)表示可调节负荷的经过上级agent优化后的调度值，dimin保证第i个时间段内可调节负荷需求功率的最小值，防止出现切除全部可调节负荷的情况。dmin和dmax是需求侧物理进线容量的上下限约束。
新能源模型在微电网中主要包括光伏发电模型与风机发电模型。作为新能源发电端，环境效益很高，在不考虑初始投资成本时，发电成本可忽略不计，故在实际调度过程中，应该优先使用新能源发电功率。新能源发电满足如下约束：
式中，pi(t)为上级调度决策信息，
由于本文不考虑新能源预测和负荷预测误差问题，那么新能源和负荷需求就可以用“净负荷”一个变量来表示：
式中，
微网社区层设备模型
社区层设备主要包括储能装置和柴油机，可以保证微网社区的供需平衡，并协调微网达到微网社区的整体运行目标。
储能装置与其他分布式电源相协调，共同维持微电网稳定运行。由于新能源出力的波动性，储能装置可以作为缓冲装置平滑新能源波动。然而，储能装置安装成本相对较高，考虑将储能投资成本折合到储能使用寿命上，即优化储能的使用寿命，相当于减少了储能成本。研究发现，储能充放电次数和充放电深度都会影响储能寿命，因此，将储能装置寿命与充放电功率相结合，得到储能装置充放电成本为：
式中，
其中，soci(t)是第i个微网t时刻的荷电状态。αba是储能容量，和分别是储能装置最大充放电功率，和分别是储能装置最大最小荷电状态，一般设为0.8和0。为了保证调度周期之间的独立性，我们规定调度周期末的电池状态soc(24)与周期开始状态socint相等。
柴油机模型一般考虑二项式形式，发电产生的成本主要与输出功率相关：
式中，k1，k2，k3是柴油机的成本系数，pd(t)表示柴油机的输出功率，它满足如下约束：
s.t.sd(t)∈{0,1}(8)
式中，sd(t)是柴油机的启停状态，1表示开启，0表示关闭。
operator优化模型
微网社区的主要运行目标是系统运行的经济性和稳定性，配合微网社区中压层的设备以及低压层的需求侧响应，满足如下等式约束：
式中，pgrid(t)表示从大电网购买的电量，由于微网中的新能源并不是一直能满足用户需求，这部分的功率缺额由operator向电网购电进行弥补，从而产生购电成本：
其中，cb(t)是t时刻的购电电价。谷时段为10:00～15:00，平时段为01:00～09:00、23:00～00:00，峰时段为16:00～22:00。本发明假设电网各时段的电价如表1所示。
表1电网分时电价
由于微电网与电网物理联络线的约束，购电功率满足如下约束：
综上所述，本发明所考虑的问题如下所示：
subjectto(1)-(5),(8),(9),(11)
基于需求侧响应的分布式优化算法
为了保证每个微网的隐私数据，避免关键负荷用电信息泄露，每个微网向外公布的只有净负荷信息——
nj表示第j个微网的邻居微网集合，理论证明，迭代会在有限时间内趋向一致性，我们可以得到最终的负荷信息条：
由此，每个微网可以得到全局的负荷信息。
为了解决已有需求侧响应技术的不足，开发一种服务于微网社区的新型需求侧响应技术，本发明引入了一个par(峰均比)的概念，来调节负荷侧以满足大电网要求，如下式所示：
较高的par表示在时间周期内有较高的峰值，若par＝1则表示负荷需求是一条水平直线。
本发明涉及的新型需求侧响应方法如下所示：
基于以上分析，在微网社区的运行过程中，利用粒子群的等智能算法，定义相应的operator决策变量，如微网社区的中压层设备：储能装置和柴油机的出力，再根据本文所提的新型需求侧响应技术可以很好的宏观调控微网社区中低压层的负荷需求。
本发明提供了一种基于需求侧响应技术的微网社区能量分配算法，从operator的角度提出了一种为微网社区系统最优经济运行的理论框架。该方法解决了已有需求侧响应技术的不足，减少了传统中央控制方式所需的计算能力和通信能力，提高了用户的隐私性、降低了分布式单元的发电成本。
附图说明
图1是微网社区系统结构示意图。
图2是基于需求侧响应技术的微网社区能量分配算法的总体流程图。
图3是微网信息条迭代的比较图。
图4是部分效果图。
附图符号说明
图1中，微网社区系统结构示意图。微网社区日前调度周期t为一天，最小调度时间为1小时，一天划分为24个调度时间段，假设每个时段内发电侧的输出功率以及需求侧的需求功率保持不变。
图2中，基于需求侧响应技术的微网社区能量管理算法的总体流程图。aca表示的有限时间达到一致性，从而获取全局负荷信息，保证了用户的隐私性，icla表示的是本发明提出得新型需求侧响应方法。pso则表示智能粒子群算法。
图3中，微网信息条迭代的比较图。基于多智能体的有限时间一致性理论，上面的迭代曲线是实际情况，下面的迭代曲线是理论情况。两者之间的差异主要是由于实际情况的网络丢包，网络延迟造成的。
图4中，红色表示为原始负荷曲线，效果图展示了当设定值par为1,1.5,2这三种情况下的负荷调节后的效果图曲线。
具体实施方式
以下结合附图并通过实例对本发明进一步说明。
如图1所示，本发明所采用的微网社区系统包括5个微网系统，以及中压层设备：一套储能系统和柴油机系统。技术参数设置如下：
下面给出基于需求侧响应技术的微网社区能量分配算法的总体流程，如图2所示：
1.运用aca理论，在充分保证用户的隐私性的前提下，每个微网计算自身的净负荷量，并按照本发明所提方法进行信息条迭代。
2.迭代结束，每个微网获得整体负荷需求信息，中压层设备分配获得该信息，并运用智能算法决策中压层设备(储能装置和柴油机)的最优出力。
3.判断第k步的适应度函数值ffit(k)是否满足ffit(k+1)-ffit(k)＝e＜ξ，若满足则进行第4步，若不满足则跳回第2步。
4.运用本发明提出的新型需求侧响应方法，每个微网同时并行计算自身的负荷调整额度，一直迭代直到满足par＜＝par。
本发明是服务于微网社区的新型需求侧响应的技术，以多智能体系统中有限时间内达到一致性为理论指导，通过微网之间的信息传递，获取微网社区的整体负荷需求信息，目的是避免了隐私信息的暴露以及中央控制器的使用；以粒子群算法为优化算法，计算微网社区层设备的最优出力；以par(峰均比)为参考值，提出了一个间接负荷调节算法，计算调整后负荷需求曲线，目的是满足设定的par。该需求侧响应技术采用分布式控制策略，每个微网并行运算，有效的避免了隐私信息的泄露，且不会出现单点故障问题，且可以通过par的设定协调控制整个微网社区的负荷需求，通过粒子群智能优化算法，保证了微网的运行成本最优，降低了用户的用电成本。
综上所述仅为发明的较佳实例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应该为本发明的技术范畴。