一种新能源耦合背景下的源网荷储协同调度方法与流程

1.本发明属于电力系统调度技术领域，尤其涉及一种新能源耦合背景下的源网荷储协同调度方法。


背景技术：

2.未来在以新能源为主体的新型电力系统中，以氢储为代表的新型储能系统广泛应用将极大提升新能源并网及消纳水平，并表现出源网荷储协同的特点，更经济、高效、安全地提高电力系统的动态平衡能力，从而实现能源资源最大化利用。但维持电力系统稳定、经济运行需要考虑的不确定性因素也随之增加，影响了调度策略的准确性。


技术实现要素：

3.为了解决现有技术中存在的缺点和不足，本发明提出了一种新能源耦合背景下的源网荷储协同调度方法，包括：
4.以最低电网运行成本在未来调度周期的期望作为目标函数，
5.生成新能源机组和用户负荷的近似值函数，结合目标函数构建源网荷储协同的调度模型；
6.获取对新能源机组出力和用户负荷的预测数据，将预测数据输入调度模型中进行求解；
7.对近似值函数进行迭代更新，将迭代更新后的近似值函数导入调度模型中迭代求解，直至求解结果符合预设收敛条件时停止迭代；
8.将最后一次迭代的求解结果作为新能源机组和用户负荷的调度策略。
9.可选的，所述以最低电网运行成本在未来调度周期的期望作为目标函数，包括：
10.将调度周期划分为t个时段，建立电网运行成本函数为
[0011][0012]cf，t
＝k
dg
·
p
dg，t
·
δt；
[0013][0014]cp，t
＝p
t
·
p
grid，t
·
δt；
[0015][0016]cf，t
表示t时段内柴油机组的燃料成本，c
m，t
表示t时段内柴油机组、风电机组、光伏机组和氢储能系统的运行维护成本，c
p，t
表示t时段内通过海底电缆的购售电成本，c
cur，t
表示t时段内弃风、弃光、削负荷成本；k
dg
表示单位有功发电量的柴油机组燃料成本，p
dg，t
表示t时段内柴油机组的有功功率，l
dg
表示柴油机组运行维护成本，l
wt
表示单位有功发电量的风电机组运行维护成本，l
pv
表示单位有功发电量的光伏机组运行维护成本，l
hs
表示单位有功发电量的氢储能系统运行维护成本，p
wt，t
表示调度策略在t时段内风电机组的有功发电
量，p
pv，t
表示调度策略在t时段内光伏机组的有功发电量，表示调度策略在t时段内氢储能系统的充电功率，表示调度策略在t时段内氢储能系统的方电功率，pt表示通过联络线购售电的电价，p
grid，t
表示通过联络线购售电的电量，c
wt
表示单位电量的弃风成本，c
pv
表示单位电量的弃光成本，c
load
表示单位电量的削负荷成本，表示t时段内风电机组的可用出力，表示t时段内光伏机组的可用出力，表示t时段内的削负荷，δt表示t时段的时长；
[0017]
成本函数的约束条件包括：
[0018][0019]
hs
t
表示t时段的氢气储量，hs
t-1
表示t-时段的氢气储量，ηc为制氢效率，ηd为氢燃料电池放电效率，d
t
表示t时段的用户负荷；
[0020]
将电网运行成本函数在调度周期的期望作为目标函数。
[0021]
可选的，所述p
grid，t
取值为正时，表示电网在t时段由联络线向外购电，所述p
grid，t
取值为负时，表示电网在t时段由联络线向外售电。
[0022]
可选的，所述生成新能源机组和用户负荷的近似值函数，结合目标函数构建源网荷储协同的调度模型，包括：
[0023]
将目标函数划分为
[0024]
min{c
t
(s
k，t
，x
k，t
)+γe[v
t+1
(s
k，t+1
)|(s
k，t
，x
k，t
)]}；
[0025]
x
k，t
为第k次迭代下的决策变量，包括t时段内柴油机组的有功功率、风电机组的有功发电量、光伏机组的有功发电量、氢储能系统的充放电功率以及削负荷；s
k，t
为第k次迭代下执行决策变量前的预状态变量，包括t时段内光伏机组的可用出力、风电机组的可用出力、氢气储量、用户负荷限值、通过联络线购售电的电价以及t-1时段内柴油机组的有功功率；c
t
(s
k，t
，x
k，t
)为确定因子，指第k次迭代时t时段内状态为s
k，t
下执行决策变量前的电网运行成本；e[v
t+1
(s
k，t+1
)|(s
k，t
，x
k，t
)]为期望因子，表示在预状态变量为s
k，t
、决策变量为x
k，t
时v
t+1
(s
k，t+1
)的期望，v
t+1
(s
k，t+1
)表示s
k，t+1
的值函数，指从t+1时段起在预状态变量s
k，t+1
下执行不同的决策变量得到的电网运行成本；γ表示预设的折扣系数；
[0026]
在t时段执行决策变量x
k，t
，生成执行后的状态变量的近似值函数以近似值函数替换目标函数的期望因子，得到源网荷储协同的调度模型为
[0027][0028]
可选的，所述对近似值函数进行迭代更新，将迭代更新后的近似值函数导入调度模型中迭代求解，包括：
[0029]
将电网的实时成本与上一次迭代的近似值函数相加作为观测成本，第k次迭代的观测成本f
k，s
(s
k，t
，x
k，t
)表示为
[0030][0031]ct
(s
k，t
，x
k，t
)表示第k次迭代时t时段内状态为s
k，t
下执行决策变量前的电网运行成本，表示第k-1次迭代时在t时段执行决策变量x
k-1，t
后状态变量的近似值函数；
[0032]
将第k次的近似值函数迭代更新为
[0033][0034]
α为预设的平滑步长，α∈[0，1]，表示第k-1次迭代时在t-1时段执行决策变量后状态变量的近似值函数；
[0035]
将代入调度模型，对调度模型中的决策变量x
k，t
进行求解。
[0036]
可选的，所述近似值函数的初始值为0。
[0037]
可选的，所述直至求解结果符合预设收敛条件时停止迭代，包括：
[0038]
当相邻两次的求解结果的差值小于预设阈值停止迭代，所述求解结果包括最后一次迭代时的决策变量和状态变量。
[0039]
可选的，所述获取对新能源机组出力和用户负荷的预测数据，包括
[0040]
分别获取新能源机组出力和用户负荷的历史数据，对历史数据进行非线性拟合，根据拟合结果获取新能源机组出力和用户负荷在调度周期内的预测数据。
[0041]
本发明提供的技术方案带来的有益效果是：
[0042]
利用近似动态规划技术，基于值函数对调度的期望进行分时段的近似动态规划，消除了现有的调度模型中对期望值的运算，降低了源网荷储优化调度模型中新能源、用户负荷不确定性对调度计划的影响，并通过迭代使函数值收敛的方式逐渐逼近期望值，从而减小了调度策略的计算量，可以有效降低不确定性因素对电力系统稳定、经济运行的影响，实现源荷波动下的能源高效稳定供应，提高能源利用效率。
附图说明
[0043]
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为本发明一实施例提出的一种新能源耦合背景下的源网荷储协同调度方法的流程示意图。
具体实施方式
[0045]
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中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
[0046]
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第
四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
[0047]
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0048]
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0049]
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
[0050]
应当理解，在本发明中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
[0051]
取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
[0052]
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0053]
实施例一
[0054]
如图1所述，本实施例提出了一种新能源耦合背景下的源网荷储协同调度方法，其特征在于，所述源网荷储协同调度方法包括：
[0055]
s1：以最低电网运行成本在未来调度周期的期望作为目标函数；
[0056]
s2：生成新能源机组和用户负荷的近似值函数，结合目标函数构建源网荷储协同的调度模型；
[0057]
s3：获取对新能源机组出力和用户负荷的预测数据，将预测数据输入调度模型中进行求解；
[0058]
s4：对近似值函数进行迭代更新，将迭代更新后的近似值函数导入调度模型中迭代求解，直至求解结果符合预设收敛条件时停止迭代；
[0059]
s5：将最后一次迭代的求解结果作为新能源机组和用户负荷的调度策略。
[0060]
未来在以新能源为主体的新型电网系统中，以风电、光伏、氢储为代表的新能源的广泛应用，将极大提升新能源并网及消纳水平，并表现出源网荷储协同的特点，更经济、高效、安全地提高电力系统的动态平衡能力，从而实现能源资源最大化利用。但由于新能源自身的局限性，维持电力系统稳定、经济运行需要考虑的不确定性因素也随之增加，求解优化调度问题更容易出现“维度爆炸”的情况本实施例基于值函数对调度的期望进行分时段的近似动态规划，实现期望的近似估计，减轻了计算压力，在避免了“维数灾”问题的同时，可
以有效降低不确定性因素对电力系统稳定、经济运行的影响，实现源荷波动下的能源高效稳定供应，提高能源利用效率。
[0061]
首先，本实施例在确保电网可靠运行和可再生能源最大化利用的前提下，以整个调度周期内的电网运行成本最低为目标函数，目标函数为确定性模型，在确定性模型中，风电、光伏出力、负荷被假设为确定值。划分调度周期为t个时段，时间间隔为dt，例如，记dt＝1h，若调度周期为1天，则划分为24个时段。目标函数如下：
[0062][0063]cf，t
＝k
dg
·
p
dg，t
·
δt；
[0064][0065]cp，t
＝p
t
·
p
grid，t
·
δt；
[0066][0067]cf，t
表示t时段内柴油机组的燃料成本，c
m，t
表示t时段内柴油机组、风电机组、光伏机组和氢储能系统的运行维护成本，c
p，t
表示t时段内通过海底电缆的购售电成本，c
cur，t
表示t时段内弃风、弃光、削负荷成本；k
dg
表示单位有功发电量的柴油机组燃料成本，p
dg，t
表示t时段内柴油机组的有功功率，l
dg
表示柴油机组运行维护成本，l
wt
表示单位有功发电量的风电机组运行维护成本，l
pv
表示单位有功发电量的光伏机组运行维护成本，l
hs
表示单位有功发电量的氢储能系统运行维护成本，p
wt，t
表示调度策略在t时段内风电机组的有功发电量，p
pv，t
表示调度策略在t时段内光伏机组的有功发电量，表示调度策略在t时段内氢储能系统的充电功率，表示调度策略在t时段内氢储能系统的方电功率，p
t
表示通过联络线购售电的电价，p
grid，t
表示通过联络线购售电的电量，p
grid，t
取值为正时，表示电网在t时段由联络线向外购电，p
grid，t
取值为负时，表示电网在t时段由联络线向外售电，c
wt
表示单位电量的弃风成本，c
pv
表示单位电量的弃光成本，c
load
表示单位电量的削负荷成本，表示t时段内风电机组的可用出力，表示t时段内光伏机组的可用出力，表示t时段内的削负荷，δt表示t时段的时长。
[0068]
对目标函数中的各个变量，为电网可靠运行设置了以下约束条件：
[0069][0070]
式中，t＝1，2，...，t，d
t
表示t时段内的用户负荷，分别表示柴油机组有功出力的上下限，分别表示t时段内柴油机组有功出力向下、向上的最大爬坡速率，分别表示通过海底电缆售电和购电的上限，hs
t
表示t时段氢储能系统中储氢罐内的氢气储量，hs
t-1
表示t-时段的氢气储量，ηc为制氢效率，ηd为氢燃料电池放电效率，hs
min
、hs
max
分别表示氢储能系统中储氢罐内氢气的储量上下限。
[0071]
确定性的目标函数的基础上考虑风电、光伏出力、负荷的不确定性，构建不确定性的源网荷储协同的调度模型，即为目标函数的期望，以期望函数的符号e表示：
[0072][0073]
为了后续期望值的近似计算，本实施例基于强化学习理论中的近似动态规划技术将源网荷储协同优化调度模型求解问题转化为多阶段动态规划，引入预决策状态s
k，t
和决策后状态具体包括：
[0074]
将目标函数划分为
[0075]
min{c
t
(s
k，t
，x
k，t
)+γe[v
t+1
(s
k，t+1
)|(s
k，t
，x
k，t
)]}；
[0076]
x
k，t
为第k次迭代下的决策变量，包括t时段内柴油机组的有功功率、风电机组的有功发电量、光伏机组的有功发电量、氢储能系统的充放电功率以及削负荷，即有s
k，t
为执行决策变量前的预状态变量，包括t时段内光伏机组的可用出力、风电机组的可用出力、氢气储量、用户负荷限值、通过联络线购售电的电价以及t-1时段内柴油机组的有功功率，既有
[0077]ct
(s
k，t
，x
k，t
)为确定因子，指第k次迭代时t时段内状态为s
k，t
下执行决策变量前的电网运行成本；e[v
t+1
(s
k，t+1
)|(s
k，t
，x
k，t
)]为期望因子，表示在预状态变量为s
k，t
、决策变量为x
k，t
时v
t+1
(s
k，t+1
)的期望v
t+1
(s
k，t+1
)表示s
k，t+1
的值函数，值函数定义为从指定的状态s开始，从现在这一步触发，对应某一决策能够在未来得到的期望回报，由此可知在本实施例中v
t+1
(s
k，t+1
)的含义为从t+1时段起在预状态变量s
k，t+1
下执行不同的决策变量得到的电网运
行成本；γ表示预设的折扣系数，介于0到1之间，是指对未来期望成本的关注程度，γ为0时，代表仅关注当前阶段的成本，γ为1时，代表关注未来所有阶段的期望成本；
[0078]
在t时段执行决策变量x
k，t
，生成执行后的状态变量的近似值函数以近似值函数替换目标函数的期望因子，得到源网荷储协同的调度模型为
[0079][0080]
至此，问题的焦点转移到关于决策后值函数的求取上，从形式上消除了对期望值的计算。
[0081]
本实施例中以迭代更新的方式求取在这个过程中需要借助观测成本函数，本实施例定义观测成本为电网的实时成本与上一次迭代的近似值函数的和，将第k次迭代的观测成本函数具体表示为：
[0082][0083]ct
(s
k，t
，x
k，t
)表示第k次迭代时t时段内状态为s
k，t
下执行决策变量前的电网运行成本，表示第k-1次迭代时在t时段执行决策变量x
k-1，t
后状态变量的近似值函数。
[0084]
本实施例在迭代开始时，即k＝0时，设置近似值函数的初始值为0。基于上述观测成本函数，将第k次的近似值函数迭代更新为
[0085][0086]
α为预设的平滑步长，用于控制算法迭代更新的速率，α∈[0，1]，表示第k-1次迭代时在t-1时段执行决策变量后状态变量的近似值函数。
[0087]
本实施例在开始迭代前，需要获取对新能源机组出力和用户负荷的预测数据，目的是在迭代前为状态变量和决策变量设置更易收敛的初始值，加快收敛速度。分别获取新能源机组出力和用户负荷的历史数据，对历史数据进行非线性拟合，根据拟合结果获取新能源机组出力和用户负荷在调度周期内的预测数据。在本实施例中，基于常规的matlab拟合函数实现非线性拟合，此处不再赘述。
[0088]
将得到的预测数据输入调度模型后，迭代开始，每一次迭代中都将更新好的近似值函数代入调度模型中，进而对调度模型整体求解，得到v
t
(s
k，t
)在满足约束条件的前提下达到最小值时的决策变量x
t
，当相邻两次的求解结果的差值小于预设阈值停止迭代，视为求解结果符合预设收敛条件时停止迭代，即求解结果收敛，由最后依次迭代求解出的决策变量x
t
构成调度策略，供调度人员参考决策变量x
t
调整柴油机组的有功功率、风电机组的有功发电量、光伏机组的有功发电量、氢储能系统的充放电功率以及削负荷。
[0089]
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
[0090]
以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则
之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。