本技术涉及充电负荷的需求侧响应,尤其涉及一种微能源网下的充电负荷聚合商需求侧响应方法及系统。
背景技术:
1、近年来,电动汽车已逐渐成为我国规模增速最快、发展潜力最大的电力系统负荷侧灵活性资源。预计到2030年,我国电动汽车的保有量将接近1亿辆,按照每一辆动力电池的容量50kwh估计,全国电动汽车车载储电容量将超过49亿kwh,其中蕴含着丰富的可调控负荷资源。因此,大量充电桩负荷通过负荷聚合商的聚合和统一调控能更有效地参与电网互动,而这种以充电负荷为主的负荷聚合商被称为eva(电动汽车充电负荷聚合商)。
2、现有技术中利用新兴的人工智能算法、深度学习等智能框架,致力于深度挖掘电动汽车作为储能及需求响应负荷的能力,同时在电动汽车负荷聚合商参与市场报价的策略上进行优化;但现有相关技术中,多数的研究建立在电动汽车及配套设施健全的默认场景下,未切合实际场景分析其具备的潜力,且现有的单独电动汽车充电负荷聚合商可调度的容量难以直接达到参与现货市场的门槛,不利于电动汽车聚合商在参与电力市场中的实际推广,此外也没有考虑电动汽车需求侧响应价格不确定性,使得日前决策在日内阶段实际不可行。
技术实现思路
1、本技术的主要目的在于克服现有技术的缺点与不足,提供一种微能源网下的充电负荷聚合商需求侧响应方法及系统,通过考虑电动汽车需求侧响应价格的不确定性,使得日前决策在日内阶段的策略实际可行,并能够更好地应对各种可能的价格走势,以得到最大化的电动汽车充电负荷参与需求侧响应收益。
2、为了达到上述目的,本技术采用以下技术方案:
3、第一方面,本技术提供了一种微能源网下的充电负荷聚合商需求侧响应方法,包括下述步骤:
4、基于充电负荷参与需求侧响应激励价格的不确定性,构建日前充电负荷参与需求侧响应优化模型;
5、根据所述日前充电负荷参与需求侧响应优化模型的第一目标函数和第一约束条件,求解所述日前充电负荷参与需求侧响应优化模型,得到日前最优策略;
6、基于所述第一目标函数,构建日内充电负荷参与需求侧响应优化模型;
7、根据所述日内充电负荷参与需求侧响应优化模型的第二目标函数和第二约束条件,求解所述日内充电负荷参与需求侧响应优化模型,得到最大化的充电负荷参与需求侧响应的收益。
8、作为优选的技术方案,根据所述充电负荷参与需求侧响应激励价格的不确定性,计算激励价格预测值,公式为:
9、
10、
11、其中,为激励价格预测值,为激励价格实际偏差值,i为系统节点编号,i为总节点数,t为决策时刻,t为决策时长,zi,t为第i个系统节点在t时段的激励价格的不确定性算子,为不确定性算子支撑集。
12、作为优选的技术方案,所述第一目标函数以日前微型发电机组启停成本最小和日内总调度成本的期望值最小为目标,第一目标函数的表达式为:
13、
14、其中,j为微型发电机组编号,j为总机组数,为第j台机组的开机/停机费用,为第j台机组在t时段的开停机状态变量,esc为储热设备的充热量,esd为储热设备的放热量,y(·)为第二目标函数,表示分布的期望,为规定的分布的模糊集,γ用于刻画模糊集范围,xsc和xsd分别为储热设备充热的状态变量和放热的状态变量,z[t]为不确定性算子。
15、作为优选的技术方案,所述第一约束条件包括储热设备的启停状态、充热量和放热量,具体的表达式为:
16、
17、
18、
19、其中,为第k台储热设备在t时段的充热量,为第k台储热设备在t时段的放热量,和分别为第k台储热设备在t时段的充热量上限和放热量上限。
20、作为优选的技术方案,还包括根据给定的不确定性支撑集包含了不确定性算子的所有分布以及模糊集规定与给定不确定性算子的经验分布之间距离小于γ的分布,对模糊集进行赋值,表达式为:
21、
22、其中,u为辅助变量;
23、另外,采用wasserstein距离度量实际分布与经验分布之间的距离:
24、
25、其中,为不确定性算子及不确定量性算子的样本之间的联合分布,‖•‖1为一范数。
26、作为优选的技术方案,所述第二目标函数以微型发电机组燃料和运行维护成本最小、购买天然气成本最小、冷热电联产运行维护成本最小、光伏运行维护成本最小、电动汽车需求侧响应成本最小、从现货市场购电的成本最小及向现货市场售电的收益最大为目标;第二目标函数的表达式为:
27、
28、其中,k为冷热电联产、热负荷、热锅炉编号,k为冷热电联产、热负荷、热锅炉的总数,l、l分别为光伏板编号及总数,m、m分别为微能源网系统参与市场的节点编号及总数,分别为第j台微型发电机组燃料成本系数和运行维护的成本系数,为微型发电机组出力,为第l台光伏运行维护成本系数,为光伏发电量,为天然气价格,为第k台冷热电联产机组及热锅炉t时刻的天然气耗量,为第k台冷热电联产机组运行维护的成本系数,为冷热电联产机组发电量,为电动汽车充电负荷需求响应量,τ=1表示一小时,用于将功率转换为能量,分别为m交易节点的购电价格与售电价格,分别为从现货市场购电量和向现货市场售电量。
29、作为优选的技术方案,所述第二约束条件包括:
30、电压变化约束:
31、其中,为节点电压,δvmax为电压容许的最大偏移量;
32、线路容量约束:
33、其中,为i节点在t时段的有功功率,为i节点在t时段的无功功率,为支路传输容量上限;
34、微型发电机组出力约束:
35、其中,为微型发电机组的出力,为对应机组数微型发电机组在t时段的无功功率,为第j台微型发电机组的视在功率;
36、微型发电机组爬坡约束:
37、其中,为第j台微型发电机组爬坡限制系数,为第j台微型发电机组的出力上限;
38、无功补偿约束:
39、其中,和分别为第l台光伏的视在功率和标准功率,为光伏在t时段的无功补偿量,为第l台光伏配套安装转换器的无功补偿上限;
40、电动汽车充电负荷需求侧响应量约束:
41、其中,为电动汽车充电负荷需求响应量,为电动汽车充电负荷的预测值;
42、电动汽车充电负荷需求侧响应量之和与实际充电量之和相等的约束:
43、
44、其中,为i节点t时段的电动汽车实际充电量;
45、冷热电联产出力爬坡约束:
46、
47、其中,为第k台冷热电联产机组爬坡限制系数,为第k台冷热电联产机组的出力上限;
48、冷热电联产出力约束:
49、其中,为第k台冷热电联产机组的出力下限;
50、储热设备状态约束:
51、
52、
53、其中,为第k台储热设备在t时段的储热量,分别为第k台储热设备在t时段的储热量上限和储热量下限,为调度日中储热量的初值,为调度日结束时储热设备的储热量;
54、热回收约束:
55、其中,为余热回收量,为第k台冷热电联产机组热回收设备在t时段的回热上限;
56、热锅炉产热约束:
57、其中,为第k台辅助锅炉在t时段的储热量,为第k台辅助锅炉在t时段的产热上限。
58、作为优选的技术方案,还包括对所述第二目标函数中的决策变量引入线性决策规则。
59、作为优选的技术方案,所述线性决策规则是指第二目标函数中的决策变量与不确定性算子、辅助变量及确定性偏移量之间关系;即首先描述第二目标函数中的决策变量与不确定性算子的关系,在时段结束时刻得到辅助变量后,再描述决策变量与辅助变量之间的关系。
60、第二方面,本技术提供了一种微能源网下的充电负荷聚合商需求侧响应系统,应用于所述的一种微能源网下的充电负荷聚合商需求侧响应方法,包括构建日前优化模型模块、求解日前优化模型模块、构建日内优化模型模块以及求解日内优化模型模块;
61、所述构建日前优化模型模块,用于基于充电负荷参与需求侧响应激励价格的不确定性,构建日前充电负荷参与需求侧响应优化模型;
62、所述求解日前优化模型模块,用于根据所述日前充电负荷参与需求侧响应优化模型的第一目标函数和第一约束条件,求解所述日前充电负荷参与需求侧响应优化模型,得到日前最优策略;
63、所述构建日内优化模型模块,用于基于所述第一目标函数,构建日内充电负荷参与需求侧响应优化模型;
64、所述求解日内优化模型模块,用于根据所述日内充电负荷参与需求侧响应优化模型的第二目标函数和第二约束条件,求解所述日内充电负荷参与需求侧响应优化模型,得到最大化的充电负荷参与需求侧响应的收益。
65、综上所述,与现有技术相比,本技术提供的技术方案带来的有效效果至少包括:
66、本技术通过考虑充电负荷参与需求侧响应激励价格的不确定性,构建日前充电负荷参与需求侧响应优化模型,并根据日前充电负荷参与需求侧响应优化模型的第一目标函数和第一约束条件对其进行求解,得到日前最优策略;基于第一目标函数,构建日内充电负荷参与需求侧响应优化模型;根据日内充电负荷参与需求侧响应优化模型的第二目标函数和第二约束条件对其进行求解,最终得到最大化的充电负荷参与需求侧响应的收益。与现有技术相比,本技术的技术方案能够满足直接参与现货市场的门槛,并考虑了电动汽车需求侧响应价格不确定性,聚合商可以更好地应对各种可能的价格走势,以得到最大化的电动汽车充电负荷参与需求侧响应收益。