考虑多类型用户和风光不确定性的需求响应调度方法

本发明涉及能源系统优化调度，特别涉及一种考虑多类型用户和风光不确定性的需求响应调度方法。

背景技术：

1、近年来，以风电、太阳能为主的新能源因存储量大、清洁可循环得到迅速发展，并网规模不断扩大，但因受到风光发电不确定性的影响，电力系统调峰难度也随之增大。电力系统安全稳定运行的基本要求是发电与负荷供需平衡，合理制定调度方法是大规模新能源高效消纳及电力系统科学规划运行的前提和基础。在风光大规模并网的情况下，由于系统调节能力有限，以需求响应资源来参与调度过程的方法受到了越来越多的关注。需求响应具有的多种响应模式有助于减少弃新能源，这在可再生能源消纳方面具有显著的理论和实践意义，因其具有不同类型的响应特性，因此在调度过程中应充分考虑其在响应形式、响应间隔时间、响应持续时间等特性上的显著差异。

2、目前，机组优化调度问题求解方法分为传统算法和智能算法两类。智能算法中的粒子群算法使用参数少且操作简单，是较为优秀的寻优算法，但在求解非线性问题中容易早熟，从而陷入局中最优。

技术实现思路

1、本发明所要解决的技术问题是提供一种考虑多类型用户和风光不确定性的需求响应调度方法，提升系统的风光消纳水平和降低系统综合成本。

2、为解决上述技术问题，本发明所采用的技术方案是：一种考虑多类型用户和风光不确定性的需求响应调度方法，包括如下步骤如下：

3、步骤一、对需求响应资源进行分类，分析每类需求响应资源的响应特性，建立需求响应资源多重响应的运行决策模型；

4、步骤二、分析风电场和光伏电站的预测出力误差，建立完整的风光出力预测模型；

5、步骤三、将步骤一的需求响应资源多重响应的运行决策模型和步骤二的风光出力预测误差模型结合，建立考虑多类型用户和风光不确定性的需求响应日前调度模型；

6、步骤四、引入线性惯性权重、学习因子和平均个体最优值，对基本粒子群算法进行改进，采用改进后的粒子群算法获得日前优化调度结果。

7、优选的方案中，所述步骤一中，需求响应资源分为价格型需求响应和激励型需求响应，对价格型需求响应和激励型需求响应单独进行分析：

8、对于价格型需求响应，考虑的用户响应模式为可中断负荷、直接控制负荷和可转移负荷三种，可中断负荷和直接控制负荷的响应成本表示如下：

9、wi,t＝λi·di,max·|di,t|·ui,t/ti

10、式中，wi,t为t时刻可中断负荷和直接控制负荷的调度成本；λi为基于响应特性的可中断负荷和直接控制负荷的成本权重系数；di,max为最大响应次数；di,t为t时刻可中断负荷和直接控制负荷的响应量；ui,t为第i个用户响应状态变量，ui,t＝0表示不参与响应，ui,t＝1表示参与响应；ti为相邻两次响应之间的间隔时间；

11、可转移负荷的响应成本表示如下：

12、wf,t＝df,t·cf,t·uf,t

13、式中，wf,t和df,t分别为可转移负荷在t时刻的响应成本和响应量；cf,t为t时刻可转移负荷的补偿价格；uf,t为第f个可转移负荷用户在t时刻是否参与响应的状态变量；

14、对于激励型需求响应，除以下情况之外的其他情况下其响应量为0：

15、

16、式中，dp,t为t时刻激励型用户资源的响应量；pp,t表示前一天的预测负荷；πt为t时刻的节点边际电价lmp，πset1和πset2分别为lmp的上限和下限；pp,max和pp,min分别为响应量的上限和下限；

17、当节点边际电价超出边界时，激励型需求响应资源可选择是否响应，参与响应可以从电力公司获得相应的补偿，此时响应成本表示为：

18、wp,t＝cp,t·dp,t·up.t

19、式中，wp,t和dp,t分别为t时刻激励型用户的响应成本和响应量；cp,t为t时刻的激励型需求响应量补偿单价；up.t为表示状态变量，表示t时刻第p个激励型需求响应用户是否参与响应过程。

20、优选的方案中，所述步骤一中，需求响应约束包括最小中断时间约束、最大响应持续时间约束、最大响应次数约束以及负荷响应量约束，表达式如下：

21、最小中断时间约束为：

22、

23、式中，td min为最小响应中断时间；xd,t为t时刻的响应状态，xd,t＝1表示参与，xd,t＝0表示未参与；

24、最大响应持续时间约束为：

25、

26、式中，td max为最大响应持续时间；

27、最大响应次数约束为：

28、

29、式中，nd max为最大响应持续时间；

30、负荷响应量约束为：

31、pd minxd,t≤|pd,t|≤pd maxxd,t

32、式中，pd max和pd min分别为需求响应量的上下限。

33、优选的方案中，所述步骤二中，对风力发电和光伏发电分析的时候应考虑其预测误差，实际出力应为确定的预测值和不确定的预测误差之和：

34、

35、式中，pw,t和ppv,t分别是风发电和光伏发电的实际功率；和是t时刻的风光预测出力；和分别是t时刻的预测误差；

36、风电场、光伏电站的出力预测误差服从均值为零的正态分布，标准差分别为：

37、

38、

39、式中，σw,t和σpv,t分别为t时刻风发电功率和光伏发电功率预测误差的标准差；pwn为风电场的装机容量；

40、风光出力存在约束，在系统联合调度过程中，风电与光电的并网功率不大于其最大并网功率，风光出力约束如下：

41、

42、式中，和分别是风发电、光伏发电最终并网出力；pw,max和ppv,max分别是风发电和光伏发电允许的最大并网功率；pw,t和ppv,t分别是风发电和光伏发电的实际功率。

43、优选的方案中，所述步骤三中，需求响应日前调度模型的目标函数为系统综合成本最小，表达式如下：

44、f＝min(c1+c2+c3+c4)

45、式中，c1为火电机组运行成本；c2为风光发电运维成本；c3为弃风弃光惩罚成本；c4为需求响应调用成本；

46、1)火电机组运行成本

47、火电作为基荷运行，不考虑启停成本，其运行成本主要表示为燃煤成本：

48、

49、

50、式中，ng是机组数目；fh(pgh,t)是机组h在t时刻的燃煤成本；sgh,t是机组h的启停成本；ugh,t是机组h在t时刻的启停状态，ugh,t＝1表示机组h处于启动状态；pgh,t是机组h在t时刻的出力；ah，bh，ch是火电机组h的煤耗成本系数；

51、2)风光发电运维成本

52、

53、式中，kw、kpv分别是风电场、光伏电站运维成本系数；pw,t和ppv,t分别是风发电和光伏发电的实际功率；

54、3)弃风弃光惩罚成本

55、

56、

57、式中，kf、kg分别是弃风、弃光惩罚成本系数；是t时刻的弃风、光电量；pw,t、ppv,t是t时刻的风、光实际出力；和是t时刻的风电最终上网出力和光伏最终并网出力；

58、4)需求响应调用成本

59、以负荷聚合商作为用户主体实施需求响应：

60、

61、式中，ni是可中断负荷用户数量，nn是可转移用户数量，np是激励型用户数量。

62、优选的方案中，所述步骤三中，需求响应日前调度模型的目标函数约束条件包括旋转备用约束、功率平衡约束、火电机组运行约束、风光出力约束、系统稳定性约束和需求响应约束，具体表达式如下：

63、1)旋转备用约束

64、

65、式中，ng是火电的机组数；sh,t是火电机组h在t时刻的运行状态；plt是t时刻的负荷量；pghmax是火电机组h的最大出力；是t时刻系统需要的旋转备用量；

66、2)功率平衡约束

67、

68、式中，pgh,t是第h台火电机组在t时刻的出力；di,t为t时刻可中断负荷和直接控制负荷的响应量；df,t为可转移负荷在t时刻的响应量；dp,t为t时刻激励型用户的响应量；和分别是风发电、光伏发电最终并网出力；

69、3)火电机组运行约束

70、火电机组出力约束：

71、

72、式中，pgh,max、pgh,min分别是火电机组h的出力上、下限；

73、火电机组启停约束：

74、

75、式中，uth和dth分别为第h台火电机组的最小开机小时数和最小停机小时数；和分别为第h台火电机组的累计停机时间和累计开机时间；ugh,t是机组h在t时刻的启停状态，ugh,t＝1表示机组h处于启动状态，ugh,t＝0表示机组h处于停机状态；

76、火电机组爬坡约束：

77、

78、式中，ru,h、rd,h分别是火电机组h的最大和最小爬坡速率；

79、4)系统稳定性约束

80、系统的稳定性要求火电机组提供的输出功率不能低于最低水平，具体表达式为：

81、

82、式中，β为满足系统稳定性要求的最小需求系数。

83、优选的方案中，所述步骤四中，对算法做出的改进如下：

84、基本粒子群算法中，迭代过程中粒子位置和速度的表达式为：

85、

86、

87、式中，vtm和分别为粒子m在第t次迭代时的速度和所处的位置；ptbest,m为粒子m在第t次迭代时的个体最优位置；为粒子m在第t次迭代时的群体最优位置；c1和c2为粒子群算法的学习因子；r1和r2为两个[0,1]内的随机数；

88、引入线性惯性权重和线性学习因子，其表达式为：

89、

90、

91、式中，t为当前迭代次数；n为迭代的总次数；ωmax和ωmin分别为惯性权重的上下限；cmax和cmin分别为学习因子的上下限；

92、采用粒子群个体最优值的算术平均值来代替每个粒子的个体最优值，表达式如下：

93、

94、式中，为第t次迭代时粒子个体最优值的算术平均值；z是粒子的总数量；

95、改进之后的速度更新公式为：

96、

97、本发明提供的一种考虑多类型用户和风光不确定性的需求响应调度方法，具有以下有益效果：

98、1、不同需求响应资源具有不同的响应模式，充分考虑其在响应形式、响应间隔时间、响应持续时间等特性上的差异，在步骤一中对每类需求响应资源的响应行为单独建模分析，能够综合考虑多种需求响应资源的相互配合，实现更优配置。

99、2、风光出力的不确定性会导致风光发电预测误差，在步骤二中，以服从高斯分布的误差公式的方式对风光发电的预测误差进行分析，从而使其与需求响应相结合，达到协同效应。

100、3、基础粒子群的搜索速度和学习因子固定不变，容易陷入局部最优而忽略全局最优，在步骤四进行日前调度过程中采用改进的粒子群算法，获得更好的全局搜索能力和局部搜索能力，从而得到更为精准的日前调度优化结果。