低压智能电网用户侧源储荷的优化调度方法及装置与流程

1.本技术涉及智能电网技术领域，尤其涉及低压智能电网用户侧源储荷的优化调度方法及装置。


背景技术：

2.随着智能电网的不断发展，分布式光伏电源、储能系统、智能电器逐渐引入低压用户侧，并且智能电器的数量和容量急剧上涨，这使得用户侧负荷不断增高，威胁到了电网的安全稳定运行。因此，在低压智能电网用户侧负荷越发复杂的背景下，有必要对用户侧源储荷协调优化调度方法加以关注。
3.目前关于低压智能电网用户侧源储荷协调优化调度方法的研究不断深化，文献《考虑电动汽车的用户侧智能用电优化策略研究》(施映琛.考虑电动汽车的用户侧智能用电优化策略研究[d].天津大学,2018.)分析了功率可调型设备、时间可调型设备和智能发用电设备的工作特性,构造了以最小化居民用户用电总成本为目标的智能用电优化管理模型；文献《智能电网环境下家庭能源管理系统优化调度算法》(张延宇,曾鹏,臧传治.智能电网环境下家庭能源管理系统优化调度算法[j].电力系统保护与控制,2016,44(02):18
‑
26.)以最小化用户的用电费用为目标提出了一种家庭能源管理系统优化调度算法；文献《城区居民用户柔性负荷需求响应策略研究》(南思博.城区居民用户柔性负荷需求响应策略研究[d].华北电力大学；华北电力大学(北京),2019.)针对智能电网环境下居民负荷特有的需求响应结构，并且考虑到居民用户的舒适度，以降低负荷曲线峰谷差和用电成本为目标建立了两阶段需求响应随机优化模型；文献《计及用户参与不确定性的需求响应策略优化方法》([1]彭文昊,陆俊,冯勇军,等.计及用户参与不确定性的需求响应策略优化方法[j].电网技术,2018,42(05):1588
‑
1594.)计及用户参与不确定性，以减小负荷波动程度为目标函数制定需求响应策略。
[0004]
上述文献考虑到了低压智能电网用户的需求侧响应，但是协调优化模型主要集中在减小用电成本和降低负荷曲线的波动程度上。实际情况下，当负荷较大时，尤其是夏季尖峰负荷时，低压网络极容易出现低电压现象，较大的电压偏移影响到了用户的日常生活，并且会导致跳闸等意外故障造成停电现象。
[0005]
因此，急需一种低压智能电网用户侧源储荷协调优化调度方法，综合考虑用户的用电成本、电压偏移和故障时停电时长三方面来制定调度策略，从而提升供电的经济性、供电质量和可靠性。


技术实现要素：

[0006]
本技术提供低压智能电网用户侧源储荷的优化调度方法及装置，以解决现有技术中用户侧容易出现低电压且产生较大电压偏移的问题。
[0007]
为解决上述技术问题，本技术提出一种低压智能电网用户侧源储荷的优化调度方法，包括：根据储能系统的充放电特性建立储能系统模型，根据本地负荷参与调度的方式建
立负荷模型；获得预测的光伏出力数据，并根据负荷模型获得负荷数据；根据智能电网用户侧的用电成本、电压偏移和故障时停电时长，建立源储荷协调优化模型；将光伏出力数据以及负荷数据代入源储荷协调优化模型以及储能系统模型，并进行计算，从而得到智能电网用户侧的源储荷优化调度的策略结果。
[0008]
为解决上述技术问题，本技术提出一种低压智能电网用户侧源储荷的优化调度装置，包括：储能系统模型模块，用于根据储能系统的充放电特性建立储能系统模型；负荷模型模块，用于根据本地负荷参与调度的方式建立负荷模型，并根据负荷模型获得负荷数据；源储荷协调优化模型模块，用于根据智能电网用户侧的用电成本、电压偏移和故障时停电时长，建立源储荷协调优化模型；策略结果模块，用于将获得的预测光伏出力数据以及负荷数据代入源储荷协调优化模型以及储能系统模型，并进行计算，从而得到智能电网用户侧的源储荷优化调度的策略结果。
[0009]
本技术提出低压智能电网用户侧源储荷的优化调度方法及装置，能够根据智能电网用户侧的用电成本、电压偏移和故障时停电时长，建立源储荷协调优化模型；并将光伏出力数据以及负荷数据代入源储荷协调优化模型以及储能系统模型，并进行计算，从而得到智能电网用户侧的源储荷优化调度的策略结果。本技术考虑了尖峰负荷造成低电压影响供电质量及可靠性的现象，综合考虑用户的用电成本、电压偏移和故障时停电时长三方面来制定调度策略，从而提升供电的经济性、供电质量和可靠性。
附图说明
[0010]
为了更清楚地说明本技术的技术方案，下面将对实施方式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技术的一些实施方式，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。
[0011]
图1是本技术低压智能电网用户侧源储荷的优化调度方法一实施例的流程示意图；
[0012]
图2是图1中步骤s140一实施例的流程示意图；
[0013]
图3是本技术低压网络拓扑结构一实施例的结构示意图；
[0014]
图4是一实施例中的负荷曲线示意图；
[0015]
图5是分布式光伏电源一实施例的出力曲线示意图；
[0016]
图6是优化前后本地负荷一实施例的曲线对比图；
[0017]
图7是本技术低压智能电网用户侧源储荷的优化调度装置一实施例的结构示意图。
具体实施方式
[0018]
为使本领域的技术人员更好地理解本技术的技术方案，下面结合附图和具体实施方式对本技术所提供低压智能电网用户侧源储荷的优化调度方法及装置进一步详细描述。
[0019]
本技术提出一种低压智能电网用户侧源储荷的优化调度方法，请参阅图1，图1是本技术低压智能电网用户侧源储荷的优化调度方法一实施例的流程示意图，在本实施例中，低压智能电网用户侧源储荷的优化调度方法可以包括步骤s110～s140，各步骤具体如下：
[0020]
s110：根据储能系统的充放电特性建立储能系统模型。
[0021]
在本实施例中，储能系统模型为：
[0022][0023]
式中，soc
ess
(t)为第t个时间段蓄电池的荷电状态；soc
ess,0
为蓄电池的初始荷电状态；p
ess,c
(t)为第t个时间段的充电功率；η
ess,c
为蓄电池的充电效率；p
ess,d
(t)为第t个时间段的放电功率；η
ess,d
为蓄电池的放电效率；e
ess,n
为蓄电池的额定容量；δt为计算时刻距初始时刻的时间间隔。优选地，δt可以取一小时的整数倍；t为一个调度周期。
[0024]
进一步地，可以根据本地负荷参与调度的方式将本地负荷分为不可调度负荷、可削减负荷、可平移负荷和电动汽车负荷，并分别建立模型，即负荷模型包括不可调度负荷模型、可削减负荷模型、可平移负荷模型和电动汽车负荷模型。
[0025]
需要说明的是，不可调度负荷模型只用于获取输入参数，参与计算过程，但是不对其做任何处理。
[0026]
(a)可削减负荷模型：
[0027]
0≤p
cut
(t)≤p
cut,max
；
[0028]
0≤δt
cut
(t)≤δt
cut,max
；
[0029]
f
cut
(t)＝c
com
*p
cut
(t)*δt
cut
(t)；
[0030]
式中，p
cut
(t)为t时刻削减负荷功率；p
cut,max
为最大削减负荷功率允许值；δt
cut
(t)为t时刻削减时间；δt
cut,max
为最大削减负荷时间允许值；c
com
为单位电量单位时间内的削减补偿价格；f
cut
(t)为给用户的削减补偿费用；
[0031]
(b)可平移负荷模型：
[0032]
t
tra
＝t
tra0
；
[0033]
p
tra
(δt
tra
t
tras
)＝p
tra
(δt
tra
t
tras0
)；
[0034]
式中，t
tra
为可平移负荷优化后的运行周期；t
tra0
为可平移负荷的原始工作周期；p
tra
(δt
tra
t
tras
)为可平移负荷优化后任意时刻的工作功率；p
tra
(δt
tra
t
tras0
)为可平移负荷在原始工作周期的相应时刻的工作功率；
[0035]
(c)电动汽车负荷模型：
[0036][0037]
式中，soc
ev
(t)为t时刻电动汽车的荷电状态；p
ev
(t)为t时刻电动汽车的充电功率；η
ev
为电动汽车的充电效率；e
ev
为电动汽车的电池容量。
[0038]
s120：获得预测的光伏出力数据，并根据负荷模型获得负荷数据。
[0039]
可选地，光伏出力数据可以从光伏预测模块中获取。
[0040]
s130：根据智能电网用户侧的用电成本、电压偏移和故障时停电时长，建立源储荷协调优化模型。
[0041]
综合考虑减小用户的用电成本、降低电压偏移和缩短故障时停电时长，建立源储荷协调优化模型，其中，源储荷协调优化模型的目标函数为多目标函数。即，建立以减小用
电成本、降低电压偏移和缩短故障时停电时长为目标的多目标函数，具体如下：
[0042]
(1)减小用电成本f1：
[0043]
用电成本f1包括用户的购电费用c
l
(t)、余量上网费用c
sell
(t)、削减补偿费用f
cut
(t)：
[0044][0045]
其中，购电费用c
l
(t)如下：
[0046][0047]
p
net
(t)＝
‑
(p
pv
(t)
‑
p
ess
(t)
‑
p
l
(t))；
[0048]
p
ess
(t)＝p
ess,c
(t) p
ess,d
(t)；
[0049]
p
l
(t)＝p
unsch
(t) p
cut
(t) p
tra
(t) p
ev
(t)；
[0050]
式中，c0(t)为t时刻的购电电价(元/(kw
·
h))；p
net
(t)为t时刻的净负荷；p
pv
(t)为t时刻分布式光伏电源发出的功率；p
ess
(t)为t时刻储能系统的功率；p
l
(t)为t时刻用户侧本地负荷；p
unsch
(t)为t时刻不可调度负荷的功率。
[0051]
余量上网费用c
sell
(t)如下：
[0052][0053]
式中，c
sell
为余量上网电价(元/(kw
·
h))。
[0054]
(2)降低电压偏移f2：
[0055]
f2＝min(max|v(t)
‑
v
n
|) t＝1,...,t；
[0056]
式中，v(t)为t时刻用户的实际电压；v
n
为额定电压；t为一个调度周期。
[0057]
(3)缩短故障时停电时长f3：
[0058][0059]
此外，源储荷协调优化模型在求解优化调度的策略结果的时候需要满足以下的约束：
[0060]
(1)功率平衡约束
[0061][0062]
式中，n为节点集合；对于任意的(i,j)∈n，线路l
ij
的阻抗为z
ij
＝r
ij
jx
ij
，且有y
ij
＝1/z
ij
＝g
ij
‑
jb
ij
；v
j
(t)为t时刻节点j电压幅值的平方；p
j
(t)、q
j
(t)分别为节点j在t时刻的注入有功、无功功率；分别为t时刻分布式光伏的输出有功、无功功率；分别为t时刻储能系统的有功、无功功率；分别为t时刻本地负荷的有功、无功功率；p
ij
(t)、q
ij
(t)分别为t时刻线路从节点i流向节点j的有功、无功功率；
[0063]
(2)分布式光伏电源输出功率约束
[0064]
p
pv,min
≤p
pv
(t)≤p
pv,max
；
[0065]
式中，p
pv,max
、p
pv,min
分别为分布式光伏电源出力的最大值和最小值；
[0066]
(3)储能充放电功率限制约束
[0067][0068]
式中，p
ess,max
为蓄电池最大充放电功率；soc
ess,max
、soc
ess,min
分别为蓄电池所允许的荷电状态最大值和最小值；
[0069]
(4)储能充放电状态约束
[0070]
储能设备在任意时刻只能处于充电状态或者放电状态，即：
[0071]
p
ess,c
(t)p
ess,d
(t)＝0；
[0072]
(5)储能充放电平衡约束
[0073]
一个调度周期内储能的充电功率和放电功率应相等，即：
[0074][0075]
(6)可削减负荷削减功率和削减时间的约束
[0076][0077]
式中，p
cut,max
为最大削减负荷功率允许值；δt
cut
(t)为t时刻削减时间；δt
cut,max
为
最大削减负荷时间允许值。
[0078]
(7)电动汽车充电约束
[0079]
soc
ev,min
≤soc
ev
(t)≤soc
ev,max
；
[0080]
式中，soc
ev,max
、soc
ev,min
分别为电动汽车电池所允许的荷电状态最大值和最小值。
[0081]
(8)节点电压约束
[0082]
v
min
≤v
i
(t)≤v
max
；
[0083]
式中，v
max
、v
min
分别为节点电压的最大值和最小值。
[0084]
s140：将光伏出力数据以及负荷数据代入源储荷协调优化模型以及储能系统模型，并进行计算，从而得到智能电网用户侧的源储荷优化调度的策略结果。
[0085]
优选地，利用spea2算法与多目标模糊综合评价决策法将源储荷协调优化模型进行求解。其中，采用spea2算法计算得到模型的pareto最优解集，采用多目标模糊综合评价决策法从pareto最优解集中筛选得到最优解，并作为策略结果进行输出。
[0086]
具体地，利用多目标模糊综合评价决策法对源储荷协调优化模型的多目标函数值进行归一化处理，将每个目标函数值归一化到区间[0,1]内；根据目标函数的个数并利用层次分析法求出平均满意度，其中，将pareto最优解集中平均满意度最大的个体作为智能电网用户侧的源储荷优化调度的策略结果。即：
[0087][0088][0089]
式中，μ
fi
为第i个个体的目标函数f
i
归一化的值；f
imax
、f
imin
分别为目标函数f
i
的最大、最小值；n为目标函数的个数；ω
i
为第i个目标函数的权重值；μ
i
为平均满意度。
[0090]
进一步地，步骤s140还可以包括步骤s141～s146，请参阅图2，图2是图1中步骤s140一实施例的流程示意图。步骤s141～s146具体如下：
[0091]
s141：初始化。
[0092]
根据可削减负荷削减功率上下限及削减时间上下限、可平移负荷开始运行时间上下限、电动汽车负荷开始充电时间上下限随机产生一个大小为n
p
的实值初始种群p0，创建空的外部档案a0，设置t＝0；
[0093]
s142：适应度分配。
[0094]
计算种群p
t
和外部档案a
t
中所有个体所对应的用电成本、电压偏移和故障时停电时长，由此得到个体适应度值f(i)：
[0095]
s(i)＝|{j|x
j
∈p
t
a
t
,x
i
＞x
j
}|；
[0096][0097][0098]
[0099]
f(i)＝r(i) d(i)；
[0100]
式中，s(i)为个体的强度值；x
i
＞x
j
表示个体x
i
pareto支配个体x
j
；r(i)为个体原始适应度值；d(i)为个体密度值；为距个体i第k远的点与个体i在目标空间上的标准化欧氏距离；n
a
为外部档案大小；
[0101]
s143：环境选择。
[0102]
将种群p
t
和外部档案a
t
中所有的pareto最优解复制到a
t 1
中，若a
t 1
的大小大于n
a
，则对a
t 1
实行剪枝操作，将a
t 1
中具有最小距离的个体i淘汰，即：
[0103][0104]
否则，选择p
t
和a
t
中的pareto支配解加入a
t 1
中；
[0105]
s144：终止判断。
[0106]
若t>maxit或者满足其他的终止条件，则输出a
t 1
为pareto最优解集，否则，算法继续运行；
[0107]
s145：产生新个体。
[0108]
根据a
t 1
中个体的适应度值，通过锦标赛选择机制从中选择出n
p
个个体作为父代，利用扩展中间交叉算子和均匀变异算子，形成子代种群p
t 1
；
[0109]
s146：算法迭代。
[0110]
t＝t 1，转到步骤s142。
[0111]
本实施例中，采用一个75节点的0.4kv低压网络并针对用户b进行源储荷协调优化调度计算。请参阅图3
‑
图6，图3是本技术低压网络拓扑结构一实施例的结构示意图；图4是一实施例中的负荷曲线示意图；图5是分布式光伏电源一实施例的出力曲线示意图；图6是优化前后本地负荷一实施例的曲线对比图。
[0112]
本实施例采用标幺值进行计算，假定所有时刻节点的功率因数都为0.95，计算所用的基准功率为100，配电变压器为yyn0型接法，其高低压侧的基准电压分别为10kv、0.4kv，取节点1为平衡节点。
[0113]
其中每个用户都有家用负荷(不可调度负荷、可削减负荷和可平移负荷的总和)和电动汽车负荷，负荷曲线如图4所示。
[0114]
其中用户a、b、c有分布式光伏电源和储能系统，分布式光伏电源的出力曲线如图5所示，储能系统的参数如表1所示。
[0115]
表1储能设备参数
[0116][0117]
用户侧采用分时电价，具体不同时段的电价信息如表2所示。
[0118]
表2分时电价
[0119][0120]
用户侧余量上网电价为0.673元/kwh，对可削减负荷的削减补偿电价为1.258元/kwh，最大削减负荷功率允许值为0.5kw，最大削减负荷时间允许值为2h；利用层次分析法对三个目标函数的权重赋值为ω1＝0.63，ω2＝0.28，ω3＝0.09。
[0121]
采用spea2算法进行求解时，设置种群数量为50，外部档案a0＝50，迭代次数为100次，最终的得到的调度策略结果如表3所示。
[0122]
表3策略结果
[0123][0124]
优化前后本地负荷曲线对比图如图6所示，优化前后目标函数值对比如表4所示。
[0125]
表4优化前后目标函数值对比
[0126][0127]
从上表优化前后目标函数值对比可以看出在未优化之前用电成本高、电压偏移大并且故障时停电时长长，储能系统未能充分发挥作用，但是优化后用电成本减小了44.49％，电压偏移降低了21.77％，故障时停电时长缩短了3h，供电经济性、供电质量和可靠性都明显提升，证明了该模型的有效性。
[0128]
基于上述的低压智能电网的优化调度方法，本技术还提出一种低压智能电网的优化调度装置，请参阅图7，图7是本技术低压智能电网的优化调度装置一实施例的结构示意图。低压智能电网的优化调度装置包括：
[0129]
储能系统模型模块710，用于根据储能系统的充放电特性建立储能系统模型，并根据储能系统模型获得预测的光伏出力数据；
[0130]
负荷模型模块720，用于根据本地负荷参与调度的方式建立负荷模型，并根据负荷模型获得负荷数据；
[0131]
源储荷协调优化模型模块730，用于根据智能电网用户侧的用电成本、电压偏移和
停电时长，建立源储荷协调优化模型；
[0132]
策略结果模块740，用于将光伏出力数据以及负荷数据代入源储荷协调优化模型并进行计算，从而得到智能电网用户侧的源储荷优化调度的策略结果。
[0133]
可选地，储能系统模型为：
[0134][0135]
式中，soc
ess
(t)为第t个时间段蓄电池的荷电状态；soc
ess,0
为蓄电池的初始荷电状态；p
ess,c
(t)为第t个时间段的充电功率；η
ess,c
为蓄电池的充电效率；p
ess,d
(t)为第t个时间段的放电功率；η
ess,d
为蓄电池的放电效率；e
ess,n
为蓄电池的额定容量；δt为计算时刻距初始时刻的时间间隔。
[0136]
可选地，源储荷协调优化模型模块730还用于：
[0137]
综合考虑减小用户的用电成本、降低电压偏移和缩短故障时停电时长，建立源储荷协调优化模型，其中，源储荷协调优化模型的目标函数为多目标函数。
[0138]
可选地，策略结果模块740还用于：
[0139]
采用spea2算法对源储荷协调优化模型进行计算，得到pareto最优解集；
[0140]
利用多目标模糊综合评价决策法将pareto最优解集的多目标函数值进行归一化处理，将每个目标函数值归一化到区间[0,1]内；根据目标函数的个数并利用层次分析法求出平均满意度，其中，将pareto最优解集中平均满意度最大的个体作为智能电网用户侧的源储荷优化调度的策略结果。
[0141]
可选地，负荷模型包括不可调度负荷模型、可削减负荷模型、可平移负荷模型和电动汽车负荷模型。
[0142]
可以理解的是，此处所描述的具体实施例仅用于解释本技术，而非对本技术的限定。另外为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本技术中的实施例，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，都属于本技术保护的范围。
[0143]
本技术中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0144]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0145]
以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。