负荷侧资源优化决策方法、系统、设备及介质与流程

1.本发明属于电网调峰领域，具体涉及一种负荷侧资源优化决策方法、系统、设备及介质。


背景技术：

2.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。


技术实现要素：

3.本发明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，本发明能够快速、准确地寻求最优解，实现电网平衡。
4.为达到上述目的，本发明采用如下技术方案：
5.负荷侧资源优化决策方法，包括：
6.通过分层、分时段的调度方法，挖掘各类负荷调节潜力；
7.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；
8.对优化调度模型进行求解，得到各类负荷的调节量。
9.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：
10.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：
[0011][0012][0013]
δp'＝p'
car
p'
tem
p'
storage
p'
industry
[0014]
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，p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。
[0015]
进一步地，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：
[0016]
建立负荷侧资源优先级评估指标；
[0017]
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。
[0018]
进一步地，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：
[0019][0020]
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；
[0021]
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：
[0022][0023]
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。
[0024]
进一步地，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：
[0025]
第一、以负荷高峰或低谷时段削峰或填谷量最大为目标：
[0026][0027]
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，tc,tn分别为负荷高峰或低谷的开始时间、结束时间；
[0028]
第二、以各时刻负荷调节成本最低为目标：
[0029][0030]
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；
[0031]
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；
[0032]
所述电动汽车约束表示如下：
[0033][0034]
[0035]
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；
[0036]
所述温控负荷约束表示如下：
[0037]
t
min
≤t≤t
max
[0038][0039]
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；
[0040]
所述工业负荷约束表示如下：
[0041][0042]
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；
[0043]
所述储能负荷约束表示如下：
[0044][0045][0046][0047]estart
＝e
end
[0048]
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；
[0049]
所述削峰量约束表示如下：
[0050]
δp
i,min
≤δpi(t)≤δp
i,max
[0051]
其中，δpi(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。
[0052]
进一步地，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：
[0053]
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：
[0054]
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；
[0055]
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；
[0056]
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；
[0057]
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；
[0058]
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。
[0059]
进一步地，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：
[0060]
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：
[0061][0062]
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；qh、ρ1、ρ2、ρ3和ρ4表示随机数，其中qh表示不同策略的选取依据；
[0063]
如果哈里斯鹰处于开发状态，则根据猎物的逃逸能量以及逃逸概率选取开发策略，分为以下情况：
[0064]
(1)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈(0.5,1]，逃脱概率c
rabbit
(h)∈[0,0.5]时，哈里斯鹰选取软围攻的方式对猎物进行抓捕，具体表达式如下：
[0065]dhawk
(h 1)＝δd
hawk
(h)-e
rabbit
(h)jd
rabbit
(h)-d
hawk
(h)
[0066]
中，j为随机数，δd
hawk
(h)表示第h次迭代中哈里斯鹰当前位置与猎物位置之间的差值，具体表达式如下：
[0067]
δd
hawk
(h)＝d
rabbit
(h)-d
hawk
(h)
[0068]
(2)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈[0，0.5]，逃脱概率c
rabbit
(h)∈[0,0.5]时，哈里斯鹰选取硬围攻的方式对猎物进行抓捕，具体表达式如下：
[0069]dhawk
(h 1)＝d
rabbit
(h)-e
rabbit
(h)δd
hawk
(h)
[0070]
(3)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈(0.5,1]，逃脱概率c
rabbit
(h)∈(0.5,1]时，哈里斯鹰采取两种策略围剿猎物，一种是采用莱维随机飞行；一种是对猎物进行软围攻；具体表达式如下：
[0071][0072]
其中，f(x)表示适应度函数；h 1次迭代中第一个哈里斯鹰的位置d
hawk,1
(h 1)和第二个哈里斯鹰的位置d
hawk,2
(h 1)的具体表达式如下：
[0073]dhawk,1
(h 1)＝d
rabbit
(h)-e
rabbit
(h)jd
rabbit
(h)-d
hawk
(h)
[0074]dhawk,2
(h 1)＝d
hawk,1
(h 1) s
·dleve
(d)
[0075]
上式中，d表示数据的维度；s表示d维随机变量；d
leve
(d)表示d维莱维飞行，表达式如下：
[0076]
[0077][0078]
上式中，ξ为飞行系数，β为默认常量，ra和rb为正态随机数；
[0079]
4)当猎物的逃逸能量e
rabbit
(h)∈[0，0.5]，逃脱概率c
rabbit
(h)∈(0.5,1]时，哈里斯鹰除莱维飞行外，还对猎物进行硬围攻，具体表达式如下：
[0080][0081]dhawk,3
(h 1)＝d
rabbit
(h)-e
rabbit
(h)|jd
rabbit
(h)-d
ave
(h)|
[0082]
其中，d
hawk,3
(h 1)为h 1次迭代中第三个哈里斯鹰的位置。
[0083]
负荷侧资源优化决策系统，包括：
[0084]
挖掘模块：用于通过分层、分时段的调度方法，挖掘各类负荷调节潜力；
[0085]
模型建立模块：用于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；
[0086]
求解模块：用于对优化调度模型进行求解，得到各类负荷的调节量。
[0087]
进一步地，所述挖掘模块中，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：
[0088]
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：
[0089][0090]
p＝p δp'
[0091]
δp'＝p'
car
p'
tem
p'
storage
p'
industry
[0092]
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。
[0093]
进一步地，所述模型建立模块中，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：
[0094]
建立负荷侧资源优先级评估指标；
[0095]
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。
[0096]
进一步地，所述求解模块中，对优化调度模型进行求解，得到各类负荷的调节量，具体为：
[0097]
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：
[0098]
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；
[0099]
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；
[0100]
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；
[0101]
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；
[0102]
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。
[0103]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述负荷侧资源优化决策方法的步骤。
[0104]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述负荷侧资源优化决策方法的步骤。
[0105]
与现有技术相比，本发明具有以下有益的技术效果：
[0106]
本发明通过分层、分时段的调控方法，能够充分利用各类负荷的调节潜力，实现削峰、填谷的精细化调度，接着建立基于优先级的负荷侧资源参与电网平衡优化调度模型，合理地利用负荷侧资源，有序用电，降低成本，综合效益更优。
[0107]
进一步地，通过禁忌算法与哈里斯鹰算法相结合，有效避免传统哈里斯鹰算法易陷入局部最优解的问题，并且提高求解的快速性与精确性。
附图说明
[0108]
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0109]
图1为本发明负荷侧资源优化决策方法流程示意图；
[0110]
图2为本发明负荷侧资源优化决策系统结构示意图。
具体实施方式
[0111]
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0112]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0113]
实施例一
[0114]
本发明提供一种负荷侧资源优化决策方法，如图1，包括以下步骤：
[0115]
步骤1：通过分层、分时段的调度方法，挖掘各类负荷调节潜力
[0116]
为充分挖掘各类负荷的调节潜力，建立负荷侧资源参与电网调度的分层、分时段模型，该模型采用试探法，以负荷高峰期为例，在规定时段内，每次削峰1％，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：
[0117][0118]
p'＝p δp'
[0119]
δp'＝p'
car
p'
tem
p'
storage
p'
industry
[0120]
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1％时对应的负荷调节区域的开始时间、结束时间，分别为削峰2％时对应的负荷调节区域的开始时间、结束时间，分别为削峰3％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。
[0121]
步骤2：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
[0122]
步骤2.1：建立负荷侧资源优先级评估指标
[0123]
本发明在一个调度周期的每个调度时段内对负荷侧资源进行优先级评估，根据优先级评估结果合理配置调度资源。本发明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，表达式为：
[0124][0125]
式中，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。
[0126]
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：
[0127][0128]
式中，b为某种可调度负荷的数量(如b辆ev)；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。
[0129]
步骤2.2：以削峰量(填谷量)最大及运行成本最小为目标建立优化调度模型
[0130]
(1)以负荷高峰(低谷)时段削峰(填谷)量最大为目标：
[0131][0132]
其中，f为目标函数，为p'(t)为调节前的总负荷，p(t)为调节后的总负荷，tc,tn分别为负荷高峰(低谷)的开始时间、结束时间。
[0133]
(2)以各时刻负荷调节成本最低为目标
[0134][0135]
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。
[0136]
(3)约束条件：
[0137]
①
电动汽车负荷约束
[0138][0139][0140]
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时刻的实际调节量，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。
[0141]
②
温控负荷约束
[0142]
t
min
≤t≤t
max
[0143][0144]
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。
[0145]
③
工业负荷约束
[0146][0147]
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。
[0148]
④
储能负荷约束
[0149]
[0150][0151][0152]estart
＝e
end
[0153]
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。
[0154]
⑤
削峰量约束
[0155]
δp
i,min
≤δpi(t)≤δp
i,max
[0156]
其中，δpi(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。
[0157]
步骤3：采用改进禁忌-哈里斯鹰算法进行求解
[0158]
步骤3.1：种群初始化
[0159]
获得空调负荷调节量、电动汽车泵调节量、工业负荷调节量、储能负荷调节量的调节范围，之后根据以上调节范围，初始化每个个体。
[0160]
步骤3.2：选取猎物位置
[0161]
计算所有个体的初始适应度，选取适应度最高个体作为猎物，其余个体作为哈里斯鹰进行捕猎。
[0162]
步骤3.3：更新哈里斯鹰位置：
[0163]
首先确定哈里斯鹰的状态(搜索、开发)，如果哈里斯鹰处于搜索状态，则根据下式更新哈里斯鹰的位置：
[0164][0165]
上式中，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；qh、ρ1、ρ2、ρ3和ρ4表示随机数，范围在[0,1]，其中qh表示不同策略的选取依据。
[0166]
如果哈里斯鹰处于开发状态，则根据猎物的逃逸能量以及逃逸概率选取开发策略，分为以下情况：
[0167]
(1)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈(0.5,1]，逃脱概率c
rabbit
(h)∈[0,0.5]时，表示此时猎物虽然具备逃脱的能力，但无法摆脱哈里斯鹰的捕猎，此时哈里斯鹰会旋转围剿猎物，即选取软围攻的方式对猎物进行抓捕，具体表达式如下：
[0168]dhawk
(h 1)＝δd
hawk
(h)-e
rabbit
(h)|jd
rabbit
(h)-d
hawk
(h)|
[0169]
上式中，j为随机数，范围为[0,2]，δd
hawk
(h)表示第h次迭代中哈里斯鹰当前位置与猎物位置之间的差值，具体表达式如下：
[0170]
δd
hawk
(h)＝d
rabbit
(h)-d
hawk
(h)
[0171]
(2)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈[0，0.5]，逃脱概率c
rabbit
(h)∈[0,
0.5]时，表示此时猎物已经不具备逃脱的能量，同时也无法摆脱哈里斯鹰的捕猎，此时哈里斯鹰会直接捕捉猎物，即选取硬围攻的方式对猎物进行抓捕，具体表达式如下：
[0172]dhawk
(h 1)＝d
rabbit
(h)-e
rabbit
(h)δd
hawk
(h)
[0173]
(3)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈(0.5,1]，逃脱概率c
rabbit
(h)∈(0.5,1]时，表示此时猎物仍具备逃脱的能量，并且有可能逃离哈里斯鹰的追捕，此时哈里斯鹰可以采取两种策略围剿猎物，一种是采用莱维随机飞行，降低猎物的警惕性；一种是对猎物进行软围攻。具体表达式如下：
[0174][0175]
上式中，f(x)表示适应度函数；h 1次迭代中第一个哈里斯鹰的位置d
hawk,1
(h 1)和第二个哈里斯鹰的位置d
hawk,2
(h 1)的具体表达式如下：
[0176]dhawk,1
(h 1)＝d
rabbit
(h)-e
rabbit
(h)|jd
rabbit
(h)-d
hawk
(h)|
[0177]dhawk,2
(h 1)＝d
hawk,1
(h 1) s
·dleve
(d)
[0178]
上式中，d表示数据的维度；s表示d维随机变量，范围为[0,1]；d
leve
(d)表示d维莱维飞行，表达式如下：
[0179][0180][0181]
上式中，ξ为飞行系数，β为默认常量，本文中取0.5，ra和rb为[0,1]之间的正态随机数。
[0182]
(4)当猎物的逃逸能量e
rabbit
(h)∈[0，0.5]，逃脱概率c
rabbit
(h)∈(0.5,1]时，表示此时猎物的逃逸能量不足，但仍有可能逃离哈里斯鹰的追捕，此时哈里斯鹰除莱维飞行外，还会对猎物进行硬围攻。具体表达式如下：
[0183][0184]dhawk,3
(h 1)＝d
rabbit
(h)-e
rabbit
(h)jd
rabbit
(h)-d
ave
(h)
[0185]
其中，d
hawk,3
(h 1)为h 1次迭代中第三个哈里斯鹰的位置。
[0186]
步骤3.4：计算适应度
[0187]
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。
[0188]
步骤3.5：迭代循环
[0189]
重复步骤3.3和3.4，直到达到最大迭代数，并输出猎物的位置即各负荷的调节量作为步骤2.3所述目标函数的最优解。
[0190]
实施例二
[0191]
本发明提供一种负荷侧资源优化决策系统，如图2，包括：
[0192]
挖掘模块：用于通过分层、分时段的调度方法，挖掘各类负荷调节潜力；
[0193]
具体为：
[0194]
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：
[0195][0196]
p'＝p δp'
[0197]
δp'＝p'
car
p'
tem
p'
storage
p'
industry
[0198]
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，p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。
[0199]
模型建立模块：用于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；
[0200]
具体为：
[0201]
建立负荷侧资源优先级评估指标：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：
[0202][0203]
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；
[0204]
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：
[0205][0206]
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；
[0207]
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；
[0208]
第一、以负荷高峰或低谷时段削峰或填谷量最大为目标：
[0209][0210]
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，tc,tn分别为负荷高峰或低谷的开始时间、结束时间；
[0211]
第二、以各时刻负荷调节成本最低为目标：
[0212][0213]
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；
[0214]
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；
[0215]
所述电动汽车约束表示如下：
[0216][0217][0218]
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；
[0219]
所述温控负荷约束表示如下：
[0220]
t
min
≤t≤t
max
[0221][0222]
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；
[0223]
所述工业负荷约束表示如下：
[0224][0225]
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；
[0226]
所述储能负荷约束表示如下：
[0227][0228][0229][0230]estart
＝e
end
[0231]
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；
[0232]
所述削峰量约束表示如下：
[0233]
δp
i,min
≤δpi(t)≤δp
i,max
[0234]
其中，δpi(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。
[0235]
求解模块：用于采用改进禁忌-哈里斯鹰算法对优化调度模型进行求解，得到各类负荷的调节量；
[0236]
包括：
[0237]
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；
[0238]
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；
[0239]
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；
[0240]
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：
[0241][0242]
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；qh、ρ1、ρ2、ρ3和ρ4表示随机数，其中qh表示不同策略的选取依据；
[0243]
如果哈里斯鹰处于开发状态，则根据猎物的逃逸能量以及逃逸概率选取开发策略，分为以下情况：
[0244]
(1)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈(0.5,1]，逃脱概率c
rabbit
(h)∈[0,0.5]时，哈里斯鹰选取软围攻的方式对猎物进行抓捕，具体表达式如下：
[0245]dhawk
(h 1)＝δd
hawk
(h)-e
rabbit
(h)jd
rabbit
(h)-d
hawk
(h)
[0246]
中，j为随机数，δd
hawk
(h)表示第h次迭代中哈里斯鹰当前位置与猎物位置之间的差值，具体表达式如下：
[0247]
δd
hawk
(h)＝d
rabbit
(h)-d
hawk
(h)
[0248]
(2)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈[0，0.5]，逃脱概率c
rabbit
(h)∈[0,0.5]时，哈里斯鹰选取硬围攻的方式对猎物进行抓捕，具体表达式如下：
[0249]dhawk
(h 1)＝d
rabbit
(h)-e
rabbit
(h)δd
hawk
(h)
[0250]
(3)当第h次迭代中猎物的逃逸能量e
rabbit
(h)∈(0.5,1]，逃脱概率c
rabbit
(h)∈(0.5,1]时，哈里斯鹰采取两种策略围剿猎物，一种是采用莱维随机飞行；一种是对猎物进行软围攻；具体表达式如下：
[0251][0252]
其中，f(x)表示适应度函数；h 1次迭代中第一个哈里斯鹰的位置d
hawk,1
(h 1)和第二个哈里斯鹰的位置d
hawk,2
(h 1)的具体表达式如下：
[0253]dhawk,1
(h 1)＝d
rabbit
(h)-e
rabbit
(h)jd
rabbit
(h)-d
hawk
(h)
[0254]dhawk,2
(h 1)＝d
hawk,1
(h 1) s
·dleve
(d)
[0255]
上式中，d表示数据的维度；s表示d维随机变量；d
leve
(d)表示d维莱维飞行，表达式如下：
[0256][0257][0258]
上式中，ξ为飞行系数，β为默认常量，ra和rb为正态随机数；
[0259]
4)当猎物的逃逸能量e
rabbit
(h)∈[0，0.5]，逃脱概率c
rabbit
(h)∈(0.5,1]时，哈里斯鹰除莱维飞行外，还对猎物进行硬围攻，具体表达式如下：
[0260][0261]dhawk,3
(h 1)＝d
rabbit
(h)-e
rabbit
(h)jd
rabbit
(h)-d
ave
(h)
[0262]
其中，d
hawk,3
(h 1)为h 1次迭代中第三个哈里斯鹰的位置；
[0263]
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；
[0264]
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。
[0265]
实施例三
[0266]
本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述负荷侧资源优化决策方法的步骤。
[0267]
实施例四
[0268]
本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述负荷侧资源优化决策方法的步骤。
[0269]
相关术语解释
[0270]
削峰填谷：削峰是指在电网高峰负荷期减少用户的电力需求，填谷是指在电网低谷时段增加用户的电量需求，移峰填谷是指将高峰负荷的用户需求转移到低谷负荷时段。
[0271]
试探法：按选优条件向前搜索，以达到目标。但当探索到某一步时，发现原先选择并不优或达不到目标，就退回一步重新选择。
[0272]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0273]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0274]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0275]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0276]
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。