1.本发明涉及微电网调度优化领域,尤其是涉及一种基于负荷侧灵活性资源的微电网低碳优化调度方法。
背景技术:
2.对于微电网而言,用电负荷是不断波动的,且微电网中的清洁能源出力具有随机性,可能导致系统供需不均衡的问题,对微电网的安全稳定运行构成威胁。微电网的优化调度是提高微电网稳定性、安全性、经济型的关键手段。
3.为提高微电网的稳定性,需要在微电网运行过程中挖掘灵活性资源应用带来的良好效益。随着能源互联网逐步建成,源网荷储各环节间协调互动将成为常态,负荷侧灵活性资源作为微电网灵活性的一个重要来源,将更加高频度地参与微电网运行,增强微电网运行稳定性的同时提升微电网对分布式能源的消纳能力。
4.灵活性资源是解决分布式能源不确定性、波动性过强而导致消纳困难的有效途径,一定程度上能够提升电力系统运行的稳定性和可靠性。但目前灵活性资源的相关研究缺少在微电网背景下对灵活性资源潜力的挖掘和分析,尤其是缺少对微电网中负荷侧灵活性资源的深入研究,未能对负荷侧灵活性资源进行有效建模,无法量化其灵活性供给能力。
5.因此,有必要设计一种基于负荷侧灵活性资源的微电网低碳优化调度运行方法,从而协调利用灵活性资源。
技术实现要素:
6.本发明的目的就是为了克服上述现有技术存在的难以对负荷侧灵活性资源进行有效建模的缺陷而提供了一种基于负荷侧灵活性资源的微电网低碳优化调度方法,有效提升了微电网分布式电源整体的消纳水平和微电网的低碳效益。
7.本发明的目的可以通过以下技术方案来实现:
8.本发明提供了一种基于负荷侧灵活性资源的微电网低碳优化调度方法,该方法包括以下步骤:
9.步骤s1、基于价格型需求响应机制,采用电价弹性系数描述电力用户对电价的响应程度,建立负荷侧灵活性资源模型;
10.步骤s2、基于负荷侧灵活性资源模型、储能出力以及分布式电源出力,建立灵活性资源负荷优化模型;
11.步骤s3、基于灵活性资源负荷优化模型,以微电网优化运行的总体费用和低碳效益为优化目标,建立微电网优化调度模型;
12.步骤s4、采用改进模拟退火遗传算法saga求解微电网优化调度模型。
13.优选地,所述步骤s1中的负荷侧灵活性资源模型为:
14.15.其中,pa、pb分别为需求响应前后的负荷量,ρa为根据需求调整后的电价,ρb为调整前的实际参考电价,a为设定的常数;e为电价弹性系数,表示负荷相对变化量与电价相对变化量的比值。
16.优选地,所述电价弹性系数e的表达式为:
[0017][0018]
其中,为电价型需求响应前i时刻的负荷,δp
d,i
为电价型需求响应后i时刻的负荷变化量;为电价型需求响应前j时刻的电价,δρj为电价型需求响应j时刻的电价变化量。
[0019]
优选地,所述步骤s2中的分布式电源出力包括风电机组出力和光伏机组出力;所述风电机组出力采用威布尔分布对风速特性进行描述;所述光伏机组出力采用beta分布函数对水平面日照辐射的强度进行描述。
[0020]
优选地,所述风电机组出力为:
[0021][0022]
其中,g
w,t
为风电机组在t时刻的发电出力;v
in
和v
out
为切入风速和切出风速;v
rated
为额定风速;gr为风电机组额定输出功率;v
t
为t时刻的风速,服从威布尔分布,其概率分布函数为:
[0023][0024]
其中,v为风速,为形状参数,θ为尺度参数。
[0025]
优选地,所述光伏机组出力为:
[0026]gpv,t
=η
pvspv
θ
t
[0027]
其中,η
pv
为发电效率,s
pv
为光伏板总面积;θ
t
为t时刻的太阳能光伏辐射强度,服从beta分布,其概率分布函数为:
[0028][0029]
其中,α、β为beta分布函数的形状参数,θ为光伏辐射强度。
[0030]
优选地,所述灵活性资源负荷优化模型为:
[0031][0032][0033]
[0034][0035]
其中,为优化后的等效负荷,为风力机组的预测出力,为光伏机组的预测出力;为优化前的总负荷,为优化过程中转出的负荷量,为优化过程中转入的负荷量;n
t
表示可转移负荷种类;为从j时刻转移到t时刻的单元数;pk为第k类负荷的单位转移量。
[0036]
优选地,所述步骤s3中的微电网优化调度模型为:
[0037]
1)目标函数:
[0038][0039][0040][0041][0042]cgrid
(t)=k
grid
(t)p
grid
(t)
[0043][0044]
其中,ce(t)为碳排放环境污染惩罚函数,c
grid
(t)为购售电成本函数,c
p
(t)为出力成本函数;为微电网中不同电源出力所引起的碳排放惩罚成本,为向电网购电部分产生的碳排放惩罚成本;pi(t)为第i种分布式电源t时刻产生的电量,qi为第i种分布式电源输出单位电量引起的碳排放量,v为碳排放环境污染惩罚系数,p
grid
(t)为t时刻微电网需要向外界获取的功率,q
grid
为单位电网电量产生时引起的碳排放量,k
grid
(t)为t时刻电网购售电的实时电价,c
p,i
为第i种分布式电源生产单位电量对应的成本;
[0045]
2)约束条件包括功率平衡约束、可转移负荷约束、储能蓄电池约束和微燃机组约束。
[0046]
优选地,所述步骤s4中改进模拟退火遗传算法saga具体为:以遗传算法ga运算流程作为主体流程,融入模拟退火机制sa,基于metropolis准则,进一步调整优化群体。
[0047]
优选地,所述metropolis准则为:
[0048][0049]
其中,p为个体被选中的概率;x
new
为当前决策变量x
old
生成的新变量;e(x
new
)和e(x
old
)为分别为决策变量x
old
和新变量x
new
的适应度值;k为boltzmann常数;t为温度。
[0050]
与现有技术相比,本发明具有以下优点:
[0051]
1)本发明的微电网优化调度运行方法,能够使负荷侧灵活资源可以根据电源实际出力水平进行负荷的优化,使得风电、光伏等分布式能源出力与负荷需求更加匹配,有效提升微电网分布式清洁电源整体的消纳水平和微电网的低碳效益;
[0052]
2)相较于传统遗传算法ga存在收敛速度慢、易陷于局部极值点等缺陷,本发明模拟退火遗传算法saga对微电网优化调度模型进行求解,融合了模拟退火算法sa良好的局部搜索能力和遗传算法sa擅长的全局搜索,收敛速度更快且不易陷入局部最优。
[0053]
3)仿真结果表明,本发明灵活性资源在微电网运行过程中的应用将带来多个方面的良好效益;在用电高峰时刻,负荷侧灵活性资源在价格型需求响应机制的刺激下调整负荷,进行负荷的转移或削减,起到了平抑负荷波动、优化负荷曲线的作用;由于负荷侧灵活资源可以根据电源实际出力水平进行负荷的优化,使得风电、光伏等分布式能源出力与负荷需求更加匹配,减少了弃风、弃光量,提升了微电网分布式清洁电源整体的消纳水平;同时,灵活性资源参与微电网优化调度,日前碳排放总量和碳排放峰值都大幅下降,为促进能源绿色转型提供了可行方案,对保护环境有高度的现实意义。
附图说明
[0054]
图1为本发明的方法流程图;
[0055]
图2为本发明的saga算法实现流程图;
[0056]
图3为实施例中优化调度前后负荷对比图;
[0057]
图4为实施例中优化前后风电出力对比图;
[0058]
图5为实施例中优化前后光伏出力对比图;
[0059]
图6为实施例中优化前后碳排放量曲线图;
[0060]
图7为实施例中优化前后碳排放量对比图。
具体实施方式
[0061]
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
[0062]
如图1所示,本实施例设计的基于负荷侧灵活性资源的微电网低碳优化调度方法,包括以下步骤:
[0063]
步骤s1、基于价格型需求响应机制,采用电价弹性系数描述电力用户对电价的响应程度,建立负荷侧灵活性资源模型:
[0064][0065]
其中,pa、pb分别为需求响应前后的负荷量,ρa为根据需求调整后的电价,ρb为调整前的实际参考电价,a为设定的常数;e为电价弹性系数,表示负荷相对变化量与电价相对变化量的比值,其表达形式为:
[0066][0067]
其中,为电价型需求响应前i时刻的负荷,δp
d,i
为电价型需求响应后i时刻的
负荷变化量;为电价型需求响应前j时刻的电价,δρj为电价型需求响应j时刻的电价变化量。
[0068]
步骤s2、基于负荷侧灵活性资源、储能出力以及分布式电源出力,建立灵活性资源负荷优化模型,具体为:
[0069]
所述分布式电源出力包括风电机组出力和光伏机组出力;所述风电机组出力采用威布尔分布对风速特性进行描述;所述光伏机组出力采用beta分布函数对水平面日照辐射的强度进行描述。
[0070]
a.风电机组出力
[0071]
风速的不确定性会导致风力机组输出功率的不确定性,本实施例采用威布尔分布对风速特性进行描述:
[0072][0073]
其中,v为风速,为形状参数,θ为尺度参数;
[0074]
则风速v的概率p(v)为:
[0075][0076]
其中,va和vb分别为风速v的下限和上限;
[0077]
假设v
t
为时刻t的实际风速,表达式为:
[0078]vt
=(v
a,t
v
b,t
)/2
[0079]
即风电机组出力为:
[0080][0081]
其中,g
w,t
为风电机组在t时刻的发电出力;v
in
和v
out
为切入风速和切出风速;v
rated
为额定风速;gr为风电机组额定输出功率;v
t
为t时刻的风速,服从威布尔分布,其概率分布函数为:
[0082]
b.所述光伏机组出力为:
[0083]gpv,t
=η
pvspv
θ
t
[0084]
其中,η
pv
为发电效率,s
pv
为光伏板总面积;θ
t
为t时刻的太阳能光伏辐射强度,服从beta分布,其概率分布函数为:
[0085][0086]
其中,α、β为beta分布函数的形状参数,表达式分别为:
[0087]
[0088][0089]
式中,光伏辐射强度θ的均值μ和标准差σ利用历史数据的模拟获取;
[0090]
则光伏辐射θ的发生概率p(θ)为:
[0091][0092]
其中:θc、θd分别为光伏辐射θ上限和下限。
[0093]
所述灵活性资源负荷优化模型为:
[0094][0095][0096][0097][0098]
其中,为优化后的等效负荷,为风力发电机组的预测出力,为光伏发电机组的预测出力;为优化前的总负荷,为优化过程中转出的负荷量,为优化过程中转入的负荷量;n
t
表示可转移负荷种类;为从j时刻转移到t时刻的单元数;pk为第k类负荷的单位转移量。
[0099]
步骤s3、基于灵活性资源负荷优化模型,以微电网优化运行的总体费用和低碳效益为优化目标,建立所述微电网优化调度模型:
[0100]
1)目标函数:
[0101][0102]
其中,ce(t)为碳排放环境污染惩罚函数,c
grid
(t)为购售电成本函数,c
p
(t)为出力成本函数;
[0103]
对于碳排放环境污染惩罚函数ce(t),碳排放量过多会引起温室效应等一系列严重的环境问题,将对人类未来的生存空间造成不可逆转的伤害。在碳达峰、碳中和的背景下,尽可能降低微电网运行时引起的碳排放量具有非常重大的意义。本发明考虑了微电网中不同能源出力可能引起的碳排放量以及微电网向电网购得部分电能造成的碳排放量(默认电能由火力发电获得),其表达式为:
[0104][0105][0106][0107]
其中,为微电网中不同电源出力所引起的碳排放惩罚成本,为向电网
购电部分产生的碳排放惩罚成本;pi(t)为第i种分布式电源t时刻产生的电量,qi为第i种分布式电源输出单位电量引起的碳排放量,v为碳排放环境污染惩罚系数,p
grid
(t)为t时刻微电网需要向外界获取的功率,q
grid
为单位电网电量产生时引起的碳排放量;
[0108]
对于购售电成本函数c
grid
(t),表达式为:
[0109]cgrid
(t)=k
grid
(t)p
grid
(t)
[0110]
其中,k
grid
(t)为t时刻电网购售电的实时电价,p
grid
(t)为t时刻微电网需要向外界获取的功率;
[0111]
对于,考虑到微电网中各分布式电源发电过程各设备会出现一定程度的老化以及分布式能源发电需要消耗燃料等一系列成本,对微电网的经济运行产生影响;所述出力成本函数c
p
(t)表达式为:
[0112][0113]
其中,c
p,i
为第i种分布式电源生产单位电量对应的成本,pi(t)为第i种分布式电源t时刻产生的电量。
[0114]
2)约束条件包括:
[0115]
a.功率平衡约束;在微电网优化运行过程中,各时刻分布式电源的出力以及向电网购得的部分功率之和应当与实际负荷的大小达到平衡状态,功率平衡约束方程为:
[0116][0117]
其中,分别为;
[0118]
b.可转移负荷约束;为保障微电网的安全稳定运行,对可转移负荷的最大容量设置上限,可转移负荷约束方程为:
[0119][0120][0121]
其中,为可转移负荷,分别为可转移负荷最大转入和转出容量;
[0122]
c.储能蓄电池约束方程为:
[0123][0124][0125][0126]
其中,为储能蓄电池的容量,s
rate
为蓄电池的额定容量;soc
max
和soc
min
分别为蓄电池荷电状态的最大值与最小值;为蓄电池t时刻放电功率,和分别为蓄电池t时刻放电功率的最大值和最小值;为蓄电池t时刻充电功率,和分别为蓄电池t时刻充电功率的最大值和最小值;
[0127]
d.微燃机组约束,微电网中的分布式电源出力包含微燃机组,为保证系统的安全稳定运行,要对微燃机组的运行过程予以约束,微燃机组约束方程为:
[0128][0129][0130][0131]
其中,为微燃机的出力,和分别表示微燃机的最小和最大出力;和分别为微燃机最小和最大额定功率;δ
up
和δ
down
分别为上爬坡率和下爬坡率。
[0132]
步骤s4、如图2所示,采用改进模拟退火遗传算法saga求解微电网优化调度模型,具体为:以遗传算法ga运算流程作为主体流程,融入模拟退火机制sa,基于metropolis准则,进一步调整优化群体;其中metropolis准则为:
[0133][0134]
其中,p为个体被选中的概率;x
new
为当前决策变量x
old
生成的新变量;e(x
new
)和e(x
old
)为分别为决策变量x
old
和新变量x
new
的适应度值;k为boltzmann常数;t为温度。
[0135]
为了验证灵活性资源在微电网优化调度中的有效性,本实施例针对以下三个场景进行对比:
[0136]
场景1:不含灵活性资源负荷优化的微电网优化调度场景;
[0137]
场景2:含灵活性资源负荷优化的微电网优化调度场景;
[0138]
场景3:进行优化调度前的场景。
[0139]
通过上述方法对微电网进行调度优化,实验结果图3至图7所示。其中图3为微电网优化调度方法前后微电网的负荷曲线图;图4为微电网优化调度方法前后风力发电机组出力对比图;图5为微电网优化调度方法前后光伏发电机组出力对比图;图6为微电网优化调度方法前后碳排放量曲线图;图7为微电网优化调度方法前后碳排放量对比图。
[0140]
综上所述,本发明的方法具有以下优点:
[0141]
1)建立价格型需求响应机制,引导用户合理安排用电计划以最大程度上提升微电网系统的灵活性,在负荷高峰期间时适当地提高电价,引导用户追逐经济效益,从而减小用电,达到削峰效果;在负荷低谷时适当地降低电价,激励用户增加用电,达到填谷效果;采用电价弹性系数来描述电力用户对电价的响应程度,建立了电价响应模型;
[0142]
2)建立灵活性资源负荷优化模型,根据负荷侧可利用的需求响应量预测值和分布式电源的出力建立灵活性资源优化模型,使得负荷侧灵活性资源和分布式电源出力实现更好的一个协调;
[0143]
3)建立风力机组出力和光伏机组出力模型。由于风速的不确定性会导致风力机组输出功率的不确定性,因此利用威布尔分布对风速特性进行描述,并根据风速与风电出力的关系建立风力发电机组出力模型;光伏发电机组的出力水平主要取决于水平面日照辐射的强度,因此应用beta分布函数对水平面日照辐射的强度进行描述;
[0144]
4)建立微电网优化调度模型,优化调度的总体目标是微电网优化运行的总体费用和低碳效益达到一个最优值;其中,为实现碳排放量的最小化,建立了碳排放环境污染惩罚函数,以实现微电网低碳优化运行;
[0145]
5)利用改进模拟退火遗传算法saga,对建立的微电网优化调度模型进行求解。
[0146]
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。