【技术实现步骤摘要】
负荷侧资源优化决策方法、系统、设备及介质
[0001]本专利技术属于电网调峰领域,具体涉及一种负荷侧资源优化决策方法、系统、设备及介质。
技术介绍
[0002]在负荷侧资源平衡能力分析方面,目前开展的研究多基于物理建模的方法,不能计及用户生产和生活用电需求造成的多时间尺度耦合特征对电力平衡的影响,此外,随着华北、江苏、浙江、北京等各地方源网荷储平台的建设,目前已经积累了一定量的负荷侧资源历史运行数据,有必要基于数据挖掘的方法对负荷侧资源参与电力平衡时的不确定性等特征开展进一步分析。
技术实现思路
[0003]本专利技术的目的在于提供一种负荷侧资源优化决策方法、系统、设备及介质,以解决现有技术存在的问题,本专利技术能够快速、准确地寻求最优解,实现电网平衡。
[0004]为达到上述目的,本专利技术采用如下技术方案:
[0005]负荷侧资源优化决策方法,包括:
[0006]通过分层、分时段的调度方法,挖掘各类负荷调节潜力;
[0007]基于各类负荷调节潜力建立基于优先级的负荷侧资源参与电网平衡、实现削峰填谷的优化调度模型;
[0008]对优化调度模型进行求解,得到各类负荷的调节量。
[0009]进一步地,所述通过分层、分时段的调度方法,挖掘各类负荷调节潜力,具体为:
[0010]对于负荷高峰期,在规定时段内,每次削峰预设百分值,通过多次削峰后,当所有负荷的调节潜力降为0且削峰后的负荷最高峰未能达到设定值,则表明该时段,调节潜力已达到最大值,目标函数如下 ...
【技术保护点】
【技术特征摘要】
1.负荷侧资源优化决策方法,其特征在于,包括:通过分层、分时段的调度方法,挖掘各类负荷调节潜力;基于各类负荷调节潜力建立基于优先级的负荷侧资源参与电网平衡、实现削峰填谷的优化调度模型;对优化调度模型进行求解,得到各类负荷的调节量。2.根据权利要求1所述的负荷侧资源优化决策方法,其特征在于,所述通过分层、分时段的调度方法,挖掘各类负荷调节潜力,具体为:对于负荷高峰期,在规定时段内,每次削峰预设百分值,通过多次削峰后,当所有负荷的调节潜力降为0且削峰后的负荷最高峰未能达到设定值,则表明该时段,调节潜力已达到最大值,目标函数如下:P
’
=P+ΔP
’
ΔP
’
=P
’
car
+P
’
tem
+P
’
storage
+P
’
industry
其中,P
’
max
为削峰后负荷最高峰设定值,P
max
为削峰前负荷的最大值,为削峰前负荷的平均值,分别为削峰单倍预设百分值时对应的负荷调节区域的开始时间、结束时间,分别为削峰双倍预设百分值时对应的负荷调节区域的开始时间、结束时间,分别为削峰三倍预设百分值时对应的负荷调节区域的开始时间、结束时间,P'为削峰后的负荷曲线函数,P为削峰前的负荷曲线函数,ΔP'为各类负荷总调节功率,P
’
car
为电动汽车调节功率,P
’
tem
为温控负荷调节功率,P
’
storage
为储能负荷调节功率,P
’
industry
为工业负荷调节功率。3.根据权利要求2所述的负荷侧资源优化决策方法,其特征在于,所述基于各类负荷调节潜力建立基于优先级的负荷侧资源参与电网平衡、实现削峰填谷的优化调度模型,具体为:建立负荷侧资源优先级评估指标;基于负荷侧资源优先级评估指标,以削峰量或填谷量最大及运行成本最小为目标建立优化调度模型。4.根据权利要求3所述的负荷侧资源优化决策方法,其特征在于,所述建立负荷侧资源优先级评估指标,具体为:基于层次分析熵权法,从主观和客观两个角度确定各项影响因素指标的综合权重,表达式如下:其中,λ
cm,q
λ
AHP,q
λ
EM,q
分别为第q个影响因素指标的综合权重、AHP权重及熵权法权重;根据各项影响因素指标综合权重及综合指标值对可调度负荷的调度优先级进行评估,然后基于综合指标值大小确立各可调度负荷的调度优先级,可调度负荷b在t时刻的综合指
标值表示为:其中,B为某种可调度负荷的数量;n为影响因素指标的总数;D
b,q
为可调度负荷b的第q个评估指标值。5.根据权利要求3所述的负荷侧资源优化决策方法,其特征在于,所述以削峰量或填谷量最大及运行成本最小为目标建立优化调度模型,具体包括:第一、以负荷高峰或低谷时段削峰或填谷量最大为目标:其中,F为目标函数,P'(t)为调节前的总负荷,P(t)为调节后的总负荷,t
c
,t
n
分别为负荷高峰或低谷的开始时间、结束时间;第二、以各时刻负荷调节成本最低为目标:其中,k1、k2、k3、k4分别为电动汽车、温控负荷、工业负荷、储能负荷的单位负荷调节成本系数,分别为电动汽车、温控负荷、工业负荷、储能负荷在t时刻的削峰量;第三、设置电动汽车约束、温控负荷约束、工业负荷约束、储能负荷约束和削峰量约束;所述电动汽车约束表示如下:所述电动汽车约束表示如下:其中,为由电动汽车下调潜力模型依据负荷曲线计算出的电动汽车负荷在t时刻的最大削峰量,为电动汽车在t时刻的实际削峰量,为保证电动汽车正常运行的最小荷电系数,为受电动汽车蓄电池自身性能影响的最大荷电系数;所述温控负荷约束表示如下:T
min
≤T≤T
max
其中,T
min
、T
max
为保证温控负荷舒适度的最小设定温度、最大设定温度,T为温控负荷的实际运行温度,为由温控负荷下调潜力模型依据负荷曲线计算出的温控负荷在t时刻的最大削峰量,为温控负荷在t时刻的实际削峰量;所述工业负荷约束表示如下:其中,为由工业负荷下调潜力模型依据负荷曲线计算出的工业负荷在t时刻的最大削峰量,为工业负荷在t时刻的实际削峰量;所述储能负荷约束表示如下:
E
start
=E
end
其中,为储能负荷的最小、最大荷电系数,SOC
storage
为储能负荷的实际荷电系数,为储能负荷的最大充电功率,为由储能负荷下调潜力模型依据负荷曲线计算出的储能负荷在t时刻的最大削峰量,E
start
、E
end
分别为储能负荷在零点时、24点时的剩余电量;所述削峰量约束表示如下:ΔP
i,min
≤ΔP
i
(t)≤ΔP
i,max
其中,ΔP
i
(t)为第i次调节中可调负荷在t时刻的实际削峰量,ΔP
i,max
、ΔP
i,min
分别为第i次调节中可调负荷削峰量的上下限。6.根据权利要求3所述的负荷侧资源优化决策方法,其特征在于,所述对优化调度模型进行求解,得到各类负荷的调节量,具体为:采用改进禁忌
‑
哈里斯鹰算法对优化调度模型进行求解,包括:种群初始化:获得空调负荷调节量、电动汽车调节量、工业负荷调节量、储能负荷调节量的调节范围,根据调节范围初始化每个个体;选取猎物位置:计算所有个体的初始适应度,选取适应度最高的个体作为猎物,其余个体作为哈里斯鹰进行捕猎;更新哈里斯鹰位置:确定哈里斯鹰为搜索状态或开发状态,依据哈里斯鹰的状态类型更新哈里斯鹰的位置;计算适应度:计算哈里斯鹰更新后位置的适应度,若适应度大于猎物的位置,则对猎物进行更新,选取适应度最高的位置作为新的猎物;迭代循环:重复更新哈里斯鹰位置及计算适应度,直至达到最大迭代数,并输出猎物的位置,所述猎物的位置表示各类负荷的调节量。7.根据权利要求6所述的负荷侧资源优化决策方法,其特征在于,所述依据哈里斯鹰的状态类型更新哈里斯鹰的位置,具体为:如果哈里斯鹰处于搜索状态,则根据下式式更新哈里斯鹰的位置:其中,D
hawk
(h+1)表示h+1次迭代后的哈里斯鹰的位置;D
rand
(h)表示第h次迭代中随机分布在规定范围内的哈里斯鹰位置;D
hawk
(h)表示第h次迭代前的哈里斯鹰的位置;D
rabbit
(h)表示第h次迭代中猎物的位置;D
ave
(h)表示第h次迭代前哈里斯鹰的平均位置;D
down
表示规定位置的下边界;D
up
表示规定位置的上边界;q
h
、ρ1、ρ2、ρ3和ρ4表示随机数,其中q
h
表示不同策略的选取依据;如果哈里斯鹰处于...
【专利技术属性】
技术研发人员:杨胜春,刘建涛,张志,耿建,徐鹏,王礼文,郭晓蕊,刘俊,王勇,李亚平,周竞,毛文博,于韶源,朱克东,严嘉豪,
申请(专利权)人:国网浙江省电力有限公司国家电网有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。