CN104915725B - 计及实时电价的微网用户群电能优化互济交易方法 - Google Patents
计及实时电价的微网用户群电能优化互济交易方法 Download PDFInfo
- Publication number
- CN104915725B CN104915725B CN201510227987.5A CN201510227987A CN104915725B CN 104915725 B CN104915725 B CN 104915725B CN 201510227987 A CN201510227987 A CN 201510227987A CN 104915725 B CN104915725 B CN 104915725B
- Authority
- CN
- China
- Prior art keywords
- load
- power
- electricity
- time
- storage battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000004146 energy storage Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000007599 discharging Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 105
- 210000000349 chromosome Anatomy 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 11
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000008707 rearrangement Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 abstract description 4
- 229910052744 lithium Inorganic materials 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及实时电价的微网用户群电能优化互济交易方法,用户可以根据自身的分布式电源状况,并借助锂电池等储能单元在其安全循环充放电范围内可以按照用户需求快速充放电的特性,在实时电价环境下对载荷进行优化,而DG和用户载荷时间上的不匹配以致在不同的时间段有多余的DG或缺少电能需要从电网购买,本发明实现多个用户之间在不同时间段内对多余的DG电能进行交易满足自身的需求,提高DG利用率,并且减少购电花费。该策略通过在不同时间点生成有根节树;采用深度优先的动态规划算法,根据该时间段内是否有多余DG电能确立根节点和子节点,将根节点的多余DG电能分配到子节点。本发明可提高整体DG利用率,节约用户在购电上的花费。
Description
技术领域
本发明涉及微电网***的分布式发电和储能设备领域,尤其涉及一种基于实时电价(Real-Time Price,RTP)的用户间交易电能的优化方法。
背景技术
随着微电网***的日渐成熟,分布式电源(DG)和储能单元(Storage)的技术也得到了发展,并能够应用在家庭级的用户上。分布式电源主要包括太阳能、风能等可再生能源发电***;对单独的一户家庭而言,在基于RTP的环境下,可以对载荷(包括弹性载荷和刚性载荷)分布进行优化,使之能与DG和Storage相匹配,并使花费在购电上的费用最少。但由于DG的波动性与Storage的有限性,在不同时间段内载荷与DG和Storage不能完全匹配,有的时间段DG过剩将被浪费,有的时间段DG不能满足需求而需要从电网中购电。而当这样的用户数目达到相当一个规模时,大量的电能会在DG过剩时被损耗,从电网中购电费用较高。
发明内容
本发明的目的在于针对现有技术的不足,提供一种计及实时电价的微网用户群电能优化互济交易方法。
本发明的目的是通过以下技术手段实现的:一种计及实时电价的微网用户群电能优化互济交易方法,具体的实施步骤如下:
前提说明:(1)所有用到的数据(如:电网的RTP,风能、太阳能发电趋势)均为已预测的数据,按照每半小时为采样间隔,每个变量一天采样48次;(2)采用锂电池作为储能装置;(3)柔性负荷可以在根据需求向前向后动态安排工作时刻,但蓄电池的工作特性具有很强的时序性,不能将后期的DG供电作用于前期的电池储能。
(1)单用户对自身用电进行优化,具体包括以下子步骤:
(1.1)按半小时时间间隔采样,获取当前时刻电网***中全部DG、RTP的状态信息;
(1.2)对用电设备进行分类,包含刚性负荷(不可调节,必须优先满足其用电需求)、不可中断负荷(一经开启不可暂停,直至任务的完成,但是整体工作时段可以调节,属于柔性负荷)、可中断负荷(可以在工作时段范围内任意半小时节点处暂停,下一次运行接着执行上一步剩下的任务,属于柔性负荷),并建立柔性负荷工作模型:
其中,ha是设备可能工作的时间点,是设备开始工作时刻,是设备结束工作时刻,[αa,βa]是设备允许工作时段范围,是设备在ha时刻的工作状态,表示设备正在工作,表示设备处于停用状态,Pa为设备额定功率,设备在工作时以额定功率运行,da为工作时长,Ea为设备总功率需求,m代表不可中断的负荷数目,n代表可中断负荷的数目;
(1.3)设置遗传算法种群大小N,最大迭代次数Gen;以用二进制编码的长度为48的染色体代表设备的工作状态,在其允许工作时段内可以出现“1”,工作时段外只能出现“0”,且“1”的个数由设备工作时长决定;
(1.4)分别抽取每种设备N×48矩阵中的一行,按设备的编号重组成N个(m+n)×48染色体组其中每行代表相应编号设备在48个时段内的工作状态,即每个染色体组代表所有设备工作状态集合;
(1.5)将经过初始化后的染色体组分别乘以相应设备的额定功率,形成N组能量消耗矩阵PChrom=XChrom(a)·Pa;随机选择种群中的一组能量消耗矩阵,查看未经负荷调度安排的设备用电状况;
(1.6)建立基于DG的负荷调度策略目标函数如公式(2)所示:
其中是DG在h时刻的供电功率,是刚性负荷在h时刻的用电需求,代表所有柔性负荷在h时刻的用电需求,因此,DG和负荷间的供需差异越小越利于降低购电费用;此外,由于适应度值越大的染色体组越有机会参与下一次的遗传迭代,因而选取目标函数的倒数作为遗传算法(GA)的适应度函数;
(1.7)执行GA的选择操作:为了不在交叉变异过程中遗失最佳的染色体组,保留每次迭代后前store个适应度值较高的设备组不参与后续变化,再用轮盘赌方式在所有种群中选择设备组进行复制,形成其余N-store个染色体组;
(1.8)针对其后的N-store个设备组执行GA的交叉操作:生成随机数rand1,若其值小于交叉概率pc,则随机选择设备编号a∈1,2,…,m+n,判断设备a属于哪种类型负荷,并按照负荷特性对其进行交叉操作,①若设备a是可中断负荷,则生成随机数rand3用于确定该设备的交叉位置,将第i个染色体组的染色体a与第i+1个染色体组的染色体a在rand3位置进行交叉,即交换这两个染色体在rand3位置后的染色体片段,②若设备a是不可中断负荷,则此时进行的迭代过程本质上不是交叉操作,而是在其允许的工作时间范围[αa,βa]内,向左或向右整体移动设备实际工作时段此外,若rand1大于交叉概率pc,则当前代不进行交叉操作;
(1.9)针对其后的N-store个设备组执行GA的变异操作:生成随机数rand1,若其值小于变异概率pm,则对可中断负荷的在[αa,βa]时段内的随机位置处的工作状态进行变异。判断所有设备a∈1,2,…,m+n在相应[αa,βa]时段内的实际工作时长与设备总时长要求da是否相同,若则将多余的1变成0;若则将[αa,βa]内多余的0变成1;
(1.10)判断种群迭代结束条件:选择最大适应度值,即目标函数最小值对应的染色体组为当前所有柔性负荷的整体最佳工作状态集合,返回步骤(1.7)执行下一代的遗传操作,并记录上一代目标函数值objvalue(t-1)与这一代目标函数值objvalue(t)的差值持续小于误差范围ε的次数,即objvalue(t-1)-objvalue(t)≤ε持续发生的次数Times,其中,若下一时刻发生objvalue(t-1)-objvalue(t)>ε的状况,则计数量Times清零,若其值大于阈值或程序总迭代次数达到最大迭代次数Gen,则终止遗传算法运行,所获得的最大适应度值对应的染色体组为基于DG调度策略的最佳设备组运行状况,转入执行步骤(1.11);
(1.11)计算初始购电量BuyElec与购电费用BestCost:对于每个半小时采样点,若DG大于总负荷需求,则***当前时刻有电量冗余,无需不购电;反之,计算其差值的绝对值为当前时刻的购电功率,最终得到一天内不同时刻购电功率向量BuyElec;由于购电费用是购电量、用电时间、实时电价之间的函数,因而购电费用
(1.12)建立基于RTP的负荷调度策略目标函数如公式(3)所示:
其中,是柔性负荷在i时刻的总耗电功率,设备a从j时刻转移到k时刻,是移除设备a后在j时刻需要向电网购买的功率,是将设备a转移至k时刻后在k时刻需要向电网购买的功率,RTPj及RTPk分别代表相应时刻的实时电价,由于所有设备在每个时间点的执行时长为半小时,而购电量是购电功率与时长的乘积,所以目标函数需要分别乘以0.5(代表半小时);因为同一个设备无法在当天的同一个时刻运行两次,必须保证设备a所需要转移至的k时刻在执行转移前没有运行设备a,即在转移之前必须保证且
(1.13)选出所有时段内负荷总用电需求量超过DG供电量的时刻j,选取该时刻正在工作的最大功率设备a,判断该设备的工作类型,①若a是不可中断负荷,找出其连续工作时段将设备a在的所有工作状态置0,在[αa,βa]时段内寻优移入设备a后最低购电费用所处的工作区间,注意:由于需要转移的设备是不可中断负荷,因此在转移时不止要先移除设备在j时刻的工作状态,而是将设备当前所在的整个工作区域转移;②若a是可中断负荷,将设备a在j时刻移除,转移至在[αa,βa]区间内购电费用最低且该设备在转移前未运行的时刻k;
(1.14)设备重新安排后,更新相应的设备组安排状况PChrom及剩余购电量BuyElec,计算更新的最低电费BestCost;继续执行步骤(1.13)直至最低电费不再降低,转入步骤(1.15);
(1.15)选出剩余购电量BuyElec大于0的时刻j,选取该时刻正在工作的最小功率设备a,按照步骤(1.13)的①、②不同状况执行负荷转移。
(1.16)设备重新安排后,更新相应的设备组安排状况PChrom及剩余购电量BuyElec,计算更新的最低电费BestCost;继续执行步骤(1.15)直至最低电费不再降低,所获得的设备组工作时刻状况PChrom为基于RTP调度策略的最佳设备组运行状况,转入步骤(1.17);
(1.17)根据当前DG及负荷总耗电状况进行蓄电池的容量配置,选取合适容量Q(单位:KWh)的蓄电池用于后续储能操作;
(1.18)将实时电价按电价下降与上升进行分区,若处于电价下降区间,执行步骤(1.19);否则执行步骤(1.20)至(1.24);
(1.19)由于处于电价下降阶段,只要保证当前时刻的用电需求即可,无需从电网向蓄电池充电。①若当前DG供电量大于负荷用电需求判断从DG往蓄电池充电带来的收益是否大于启动蓄电池的代价;若大于,则从DG往蓄电池存储多余供电量直至蓄电池充电极限,更新蓄电池充电量及其荷电状态如公式(4)-(5)所示:
SOC(i+1)=SOC(i)+Charge/Q; (5)
否则,放弃充电操作;②若当前DG供电量小于负荷用电需求判断从蓄电池往负荷放电带来的收益是否大于启动蓄电池的代价;若大于,则从蓄电池向负荷供电直至满足用电需求,或达到放电极限后再从电网向负荷继续供电,更新蓄电池放电量(小于0)如公式(6)所示、荷电状态如公式(5)所示,当前时刻负荷向电网的购电量如公式(7)所示:
否则,蓄电池不放电,更新购电量为返回至步骤(1.18)继续分区域执行,直至所有时刻运行结束。
(1.20)记录电价上升阶段PDG>PLoad的初始时刻p及DG可向蓄电池提供的总充电量sLoad1(正数),PDG<PLoad的初始时刻q及蓄电池需向负荷放电的总放电量sLoad2(负数);得到执行至下一个PDG>PLoad时刻前的蓄电池剩余电量(大于0表明有剩余,小于0表明单纯放电不够满足负荷需求)如公式(8)所示:
S=(SOC(i)-Smin)×Q+sLoad1+sLoad2 (8)
当电价上升阶段的第一个采样点处于PDG>PLoad情况时(即p<q),执行步骤(1.21)至(1.23);否则,跳转至步骤(1.24);
(1.21)蓄电池从DG处充电,根据S状态判断是否需要蓄电池或负荷向电网购电;当S≥0,执行步骤(1.22);否则,执行步骤(1.23);
(1.22)分情况判断是否需要从电网购电,①若蓄电池极限可放电量大于负荷除去DG供电后的总电能需求,即(Smax-Smin)×Q≥|sLoad2|,则蓄电池充满电后能够满足后面阶段的负荷需求,按照公式(4)-(5)更新蓄电池充电量及其荷电状态,且无需向电网购电;②否则,先在PDG>PLoad阶段按公式(4)-(5)通过DG将蓄电池充电至Smax状态,再在PDG<PLoad的几个初始时刻直接从电网向负荷供电,直至剩余的负荷需求可以由电池的放电获得,其中可能存在一个时刻的负荷既从电网直接购电、又从蓄电池向其放电的情况。返回步骤(1.18)继续分区域执行,直至所有时刻运行结束;
(1.23)判断从电网的购电时刻及被供电对象,①若DG可向蓄电池提供的充电量小于蓄电池的充电极限,即sLoad1<(Smax-SOC(p))×Q,则可以在p时刻从电网向电池充电直至达到负荷用电需求,即Buy=-S,或充电至蓄电池极限Smax,即Buy=(Smax-SOC(m))×Q-sLoad1,再在PDG<PLoad的几个初始时刻直接从电网向负荷供电,直至剩余的负荷用电需求可以直接由电池放电供给;②否则,直接按照公式(4)-(5)通过DG将蓄电池充电至Smax状态,再在PDG<PLoad的几个初始时刻直接从电网向负荷供电,直至剩余的负荷用电需求可以直接由电池放电供给;返回步骤(1.18)继续分区域执行,直至所有时刻运行结束;
(1.24)分情况判断是否需要从电网购电,①若S≥0,则无需购电,直接由蓄电池向负荷放电;②否则,在PDG<PLoad初始时刻直接从电网向负荷供电,并向电池充电至负荷所需量,即或至充电极限Smax,即再在下一时刻继续直接从电网向负荷供电,直至剩余的负荷用电需求可以直接由电池放电供给;返回步骤(1.18)继续分区域执行,直至所有时刻运行结束;
(2)假设有K个用户,在仿真实验中设为200,每个用户DG输出能力与电池储能容量大小在-10%~+10%之间波动,每个用户均采用步骤(1)对自身用电进行调度优化;在每一位用户对自身用电进行优化之后,将自身的用电调度数据通过广播上传到调度中心;
(3)调度中心在收到各用户上传的用电调度数据后,对用户进行编号,按地理位置的远近将K个用户从1到K编号;
(4)令delta=Pt DG-Pt Load,t∈[1,48]计算出每一个时间段内每一个用户的过剩DG量或用电缺口,Pt DG为用户自身的DG,Pt Load为用户自身的负荷;delta≥0则为DG过剩,Et DG=delta,Et DG为过剩DG量;delta<0则为用电需求dv未满足,dv=|delta|为用电缺口;
(5)建立有根节树,所有delta≥0的节点为父节点,delta<0的节点为子节点;父节点的权值的权值cv和需求dv都为零;
(6)按照深度优先遍历寻找其中最大的父节点s,即DG输出最大的用户,设为根节点,此时暂设其余父节点的过剩DG输出为零;周围6个邻近子节点的权值根据根节点的状态而改变:若则执行步骤(7),否则执行步骤(11);从过剩DG输出最大的用户开始分配电能;
(7)将根节点周围6户用户划分为一邻居群,邻居群内每个用户的权值预计分配电量(意义:1.每一节点都已达到自身用电调度最优化,因此能分配的过剩DG电能较小;2.为避免线路损耗,过剩DG电能将优先分配给邻近用户;3.在同一邻居群内,子节点间由于相邻较近线路损耗可忽略,此时过剩DG电能依照阶梯性原则分配。)
(8)依次判断群内子节点若是则执行步骤(9),否则执行步骤(10);
(9)子节点分配得到电量新的需求为根节点输出Et DG=0,标记根节点,执行步骤(13);(意义:若预计分配电量小于该用户需求,则预计分配点量全部分配到该用户)
(10)子节点分配得到电量预计分配电量与实际得到电量差值将差值电量分配给相邻子节点返回执行步骤(8);(意义:若预计分配电量大于该用户需求,则只需分配满足该用户需求电能,多余的预计分配电能将配给其他邻近用户。)
(11)群内每一子节点可分配到电量(意义:该邻居群内的DG电能输出大于需求,每个用户的用电需求都能被满足,剩余DG电能将被重新分配。)
(12)邻居群内所有节点合并为一个新的父节点,该父节点DG电能输出(意义:对树模型进行简化,去掉了需求为零的节点,简化了***模型,方便计算。)
(13)标记根节点,恢复其余父节点的DG输出,返回执行步骤(6);
(14)判断是否所有父节点都被标记,若是则执行步骤(15),若否则执行步骤(6);(意义:检查所有过剩DG电能输出是否都被分配完毕。)
(15)记录每一个时间段内各用户之间交易状况;
(16)计算一天内每个用户节约用电在购电上节约费用
(17)计算所有用户在一天内共节约用电在购电上节约的费用最终完成计及实时电价的微网用户群电能优化互济交易。
本发明有益效果是:本发明针对用户自身DG的波动性与Storage的有限性,在不同时间段内载荷与DG和Storage不能完全匹配,有的时间段DG过剩将被浪费,有的时间段DG不能满足需求而需要从电网中购电。而当这样的用户数目达到相当一个规模时,大量的电能会在DG过剩时被损耗,从而需要花费更多费用在电网中购电这一情况,(1)综合考虑了RTP,DG和Storage等多因素对这一优化方法的影响,将这些相关性较低的度量值有机的统一起来,在用户层面上节约购电开销;(2)在单独的用户本身进行用电优化后,进一步引入了多用户间交易来优化用电的方法,从电网层面来考虑电能的优化问题;(3)通过深度优先的动态规划算法,既利用了深度优先算法的遍历机制,又利用了动态规划算法的多阶段决策来构造一个有根节树,将多用户间的电能交易问题表现为节点间的交互问题,利用了算法各自的优点,并可根据***的规模重新划分或增减节点,从而避免了每次采样后都对这个算法的重新运行,大大简化了计算量,提高了算法效率。需要说明的是,(1)每户用户的DG电能输出与储能单元的储能容量大小因各户用户的差异性在-10%~+10%之间波动。(2)每一节点都已达到自身用电调度最优化,因此能分配的过剩DG电能较小;(3)为避免线路损耗,过剩DG电能将优先分配给邻近用户;(4)在同一邻居群内,子节点间由于相邻较近线路损耗可忽略,此时过剩DG电能依照公平性原则分配。该调度策略可以有效利用每户用户的过剩DG电能,并在一定程度上减少线路损耗,从用户角度上,使几乎每户用户都能减少在购电上的费用,从电网角度上,实现了载荷优化,削峰填谷,电能利用率得到提高。
附图说明
图1RTP环境下含DG及储能装置的家居***用户群模型;
图2实时电价曲线;
图3调度策略流程图;
图4中(a)单用户负荷未经优化前DG与输出供需关系,(b)单用户负荷优化后DG与输出供需关系,(c)与邻居交易优化后用户DG与输出供需关系,(d)与邻居交易优化后用户群DG与输出供需关系;
图5中(a)未经优化前的DG利用率;(b)单用户优化后的DG利用率;(c)用户间优化后的DG利用率;(d)整个用户群优化后DG利用率;
图6不经任何控制、单用户优化与用户间交易的三个月内每日电费对比。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
由图1的家居***模型可以看到,实时电价的数据来自澳大利亚运营商AEMO提供的昆士兰州QLD地区2014年5月3日的电价信息,如图2所示;对单用户而言,整个网络包含2个DG,其中假设DG1为风能供电(0-5KW),DG2为屋顶光伏供电(0-3KW),储能单元选择12V、220Ah的锂电池,即最大容量为2.64KWh,充放电范围限制在20%-90%,假定每户用户的DG输出能力与电池储能容量大小在-10%~+10%之间波动;此外,家居***负荷包含刚性负荷(不可调节,必须优先满足其用电需求)、不可中断负荷(一经开启不可暂停,直至任务的完成,但是整体工作时段可以调节,属于柔性负荷)、可中断负荷(可以在工作时段范围内任意半小时节点处暂停,下一次运行接着执行上一步剩下的任务,属于柔性负荷),
可见,步骤(1)是每户用户执行单用户的电能优化策略,进行负荷转移和储能能量调度策略使之与DG相匹配,最大限度提高DG利用率。步骤(2)至步骤(14)主要进行深度优先的动态规划算法,其中包含了多次深度优先遍历计算和动态规划计算,每一次进行计算通过遍历寻找当时最大的父节点,即DG最大输出用户,作为有根节树的根节点,其余父节点输出暂设为零,以此来进行一个“邻居群”的划分,将问题转化为在一个有根节树中找到满足需求约束、包含根节点的最大连通子树。步骤(15)至步骤(17)主要进行最后的信息处理与汇总,通过实际的数据来反映在购电上可节约的费用,证明本发明的有效性。
由图3所示的用户群的过剩DG输出或用电缺口功率曲线可看到,小于零的部分表示用户用电需求未满足,原本需要从电网中购电,大于零的部分表示DG电能输出过剩,这部分电能将可以在“邻居群”中进行交易,使临近用户不再按需要优先从电网中购电,而是优先向临近用户“借”电,在此情况依然不能满足用电需求的情况下再向电网购电;并且用户自身能在将来某些自身DG过剩的时间段内,再将电能“还”给临近用户。
图4所示是一天中***所有供电及负荷用电的安排结果,可以体现出DG供电及负荷用电需求的匹配度。图4(a)所示是未经任何算法优化调度之前,用户供电及负荷用电匹配状况,可以看到在此状态下匹配度较低,如0:00-6:00及12:00-16:00时段存在DG供电严重浪费的现象,而6:00-12:00及18:00-22:00时段存在很多用电设备无法直接从DG满足其用电需求的状况,特别可以看到7:00时刻的用电需求处于高峰,会增加整个***的用电峰均比(PAR),从一定程度影响电网稳定性。图4(b)所示是单用户在只进行自身用电调度优化,通过储能设备的合理充放电调度,以及负荷转移后,用户供电及负荷用电的匹配状况,可以看到总负荷需求与DG间的匹配度已相当高,不存在用电需求超出DG供电很多的时刻,表明大部分负荷都根据DG发电状况合理地规划了用电时刻。电网在22:00-22:30向负荷供电,在23:00-23:30向负荷及锂电池供电,而23:30-24:00的负荷可以直接使用电网在23:00-23:30时段向锂电池提供的电能对该时段负荷进行放电(因为23:30-24:00的电价比23:00-23:30的电价高,提前往锂电池充电可以降低总体购电费用),其中在22:00-22:30及23:00-24:00时间内由于DG和储能的电力输出都不够,即***中总电力供应小于负荷总需求,因此无论如何调度都无法满足,不得不通过公共电网买电而得到补偿。通过图4(a)和图4(b)之间对比可以看出,因为储能单元锂电池的充放电和负荷转移的存在,可以看到DG利用率大大提高,总体购电费用得到降低。但同时也可以发现由于储能单元容量的有限性,在0:00-6:00和12:00-16:00依然存在部分DG输出不能被利用,即过剩DG,这造成了电能的浪费。图4(c)所示是在经过本发明在用户间进行过剩DG电能交易后,某一用户供电及负荷用电匹配状况,和图4(b)的对比可以看到在4:00-6:00,16:00-18:00,和22:00-24:00原本需要从电网购电,但因为与临近用户的交易,缓解了部分需求,减少了从电网中购电,降低了购电费用;在0:00-6:00和12:00-16:00的过剩的DG电能被交易给了邻居用户,提高了DG电能的利用率,也帮助邻居用户缓解用电需求,从电网角度实现了削峰填谷,平衡了载荷。图4(d)所示是该小区200名用户总的供电及负荷用电匹配状况,可以看到在一天中大部分时间内,对电能的需求是大于DG供应的,说明DG得到充分利用,但也有部分时间段2:00-06:00,12:00-16:00,DG大于需求(这些时间段处于下午或者凌晨,通常属于用电需求最少的时刻)。通过图4(c)和图4(d)的对比,可以发现尽管某些用户的DG利用率已达到100%,但整个用户群依然存在一些DG电能被浪费的情况,这说明还有一些用户的DG未被100%利用,这主要是由于储能单元的有限性所引起的。
图5所示是***DG发电利用率对比曲线。其中,图5(a)所示为未经调度情况下的DG利用率,从DG供电量与利用量之间的差异可以明显看出未经调度时的DG利用率很低,如0:00-2:00、2:30-3:30、4:00-5:00、5:30-6:00、12:00-14:30、15:00-17:00等时段的DG电能存在很大程度的浪费;图5(b)所示是单用户用电优化后的DG利用率,可以看到在单用户用电优化后,DG利用率得到大大提高,但在3:00-6:00、16:00-17:00等时间段内,DG电能依然存在浪费情况,并没有被充分利用,这主要是由于储能单元的有限性,无法将过剩的DG电能全部用蓄电池储存起来;图5(c)所示是某一用户在通过与邻居进行电能交易优化后的DG利用率,可以看到DG利用率被进一步提高,仅在4:00-5:30和16:00-16:30时间段内尚有部分DG未被利用,这使得原本过剩、无法被储存的DG电能通过用户间的调度交易,得到充分利用;图5(d)所示是200户用户总的DG利用率。图5充分体现了经过本文提出的计及实时电价的微网用户群电能优化互济交易策略和方法,合理调度用户过剩DG,在用户自身DG过剩时将电能借出,并在处于用电需求时从有过剩DG的邻居借得电能,进而提高DG电能利用效率,这在家居能量***优化中具有重要的意义。
图6对比采取与不采取负荷控制策略在三个月内每日的电费对比,可以看到三个月内,200户用户的平均日电费从未经任何优化的125.1美分,单用户优化后的13.2美分,再到用户间电能交易调度后的11.0美分;且三个月内,不经调度的用户95%的日电费在101.2美分以下,而经过单用户电能优化调度后,95%的电费在8.7美分以下,用户间电能交易调度后,95%的电费在7.0美分以下。经过三个月的时间,采用本发明所提出的家居柔性负荷用户侧响应优化方法可以为用户节省共8760.9美分,可以充分体现出本调度策略的经济效益。
Claims (1)
1.一种计及实时电价的微网用户群电能优化互济交易方法,其特征在于,包括以下步骤:
(1)单用户对自身用电进行优化,具体包括以下子步骤:
(1.1)按半小时时间间隔采样,获取当前时刻电网***中全部DG、RTP的状态信息;
(1.2)对用电设备进行分类,包含刚性负荷、不可中断负荷、可中断负荷,并建立柔性负荷工作模型:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>a</mi>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>t</mi>
<mi>a</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>h</mi>
<mi>a</mi>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>t</mi>
<mi>a</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>&beta;</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>+</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>h</mi>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<mi>h</mi>
<mo>&Element;</mo>
<mo>&ForAll;</mo>
<msub>
<mi>h</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>a</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>d</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>d</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<msub>
<mi>&alpha;</mi>
<mi>a</mi>
</msub>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>a</mi>
</msub>
</munderover>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>h</mi>
</msubsup>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<msub>
<mi>E</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,ha是设备可能工作的时间点,是设备开始工作时刻,是设备结束工作时刻,[αa,βa]是设备允许工作时段范围,是设备在ha时刻的工作状态,表示设备正在工作,表示设备处于停用状态,Pa为设备额定功率,设备在工作时以额定功率运行,da为工作时长,Ea为设备总功率需求,m代表不可中断的负荷数目,n代表可中断负荷的数目;
(1.3)设置遗传算法种群大小N,最大迭代次数Gen;以用二进制编码的长度为48的染色体代表设备的工作状态,在其允许工作时段内能够出现“1”,工作时段外只能出现“0”,且“1”的个数由设备工作时长决定;
(1.4)分别抽取每种设备N×48矩阵中的一行,按设备的编号重组成N个(m+n)×48染色体组其中每行代表相应编号设备在48个时段内的工作状态,即每个染色体组代表所有设备工作状态集合;
(1.5)将经过初始化后的染色体组分别乘以相应设备的额定功率,形成N组能量消耗矩阵PChrom=XChrom(a)·Pa;随机选择种群中的一组能量消耗矩阵,查看未经负荷调度安排的设备用电状况;
(1.6)建立基于DG的负荷调度策略目标函数如公式(2)所示:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>48</mn>
</munderover>
<mo>|</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>n</mi>
</mrow>
</munderover>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>h</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中是DG在h时刻的供电功率,是刚性负荷在h时刻的用电需求,代表所有柔性负荷在h时刻的用电需求,因此,DG和负荷间的供需差异越小越利于降低购电费用;此外,由于适应度值越大的染色体组越有机会参与下一次的遗传迭代,因而选取目标函数的倒数作为遗传算法(GA)的适应度函数;
(1.7)执行GA的选择操作:为了不在交叉变异过程中遗失最佳的染色体组,保留每次迭代后前store个适应度值较高的设备组不参与后续变化,再用轮盘赌方式在所有种群中选择设备组进行复制,形成其余N-store个染色体组;
(1.8)针对其后的N-store个设备组执行GA的交叉操作:生成随机数rand1,若其值小于交叉概率pc,则随机选择设备编号a∈1,2,…,m+n,判断设备a属于哪种类型负荷,并按照负荷特性对其进行交叉操作,①若设备a是可中断负荷,则生成随机数rand3用于确定该设备的交叉位置,将第i个染色体组的染色体a与第i+1个染色体组的染色体a在rand3位置进行交叉,即交换这两个染色体在rand3位置后的染色体片段,②若设备a是不可中断负荷,则此时进行的迭代过程本质上不是交叉操作,而是在其允许的工作时间范围[αa,βa]内,向左或向右整体移动设备实际工作时段此外,若rand1大于交叉概率pc,则当前代不进行交叉操作;
(1.9)针对其后的N-store个设备组执行GA的变异操作:生成随机数rand1,若其值小于变异概率pm,则对可中断负荷的在[αa,βa]时段内的随机位置处的工作状态进行变异;判断所有设备a∈1,2,…,m+n在相应[αa,βa]时段内的实际工作时长与设备总时长要求da是否相同,若则将多余的1变成0;若则将[αa,βa]内多余的0变成1;
(1.10)判断种群迭代结束条件:选择最大适应度值,即目标函数最小值对应的染色体组为当前所有柔性负荷的整体最佳工作状态集合,返回(1.7)执行下一代的遗传操作,并记录上一代目标函数值objvalue(t-1)与这一代目标函数值objvalue(t)的差值持续小于误差范围ε的次数,即objvalue(t-1)-objvalue(t)≤ε持续发生的次数Times,其中,若下一时刻发生objvalue(t-1)-objvalue(t)>ε的状况,则计数量Times清零,若其值大于阈值或程序总迭代次数达到最大迭代次数Gen,则终止遗传算法运行,所获得的最大适应度值对应的染色体组为基于DG调度策略的最佳设备组运行状况,转入执行步骤(1.11);
(1.11)计算初始购电量BuyElec与购电费用BestCost:对于每个半小时采样点,若DG大于总负荷需求,则***当前时刻有电量冗余,无需不购电;反之,计算其差值的绝对值为当前时刻的购电功率,最终得到一天内不同时刻购电功率向量BuyElec;由于购电费用是购电量、用电时间、实时电价之间的函数,因而购电费用
<mrow>
<mi>B</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mi>C</mi>
<mi>o</mi>
<mi>s</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>48</mn>
</munderover>
<mi>B</mi>
<mi>u</mi>
<mi>y</mi>
<mi>E</mi>
<mi>l</mi>
<mi>e</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<mi>R</mi>
<mi>T</mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(1.12)建立基于RTP的负荷调度策略目标函数如公式(3)所示:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>{</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<msubsup>
<mi>c</mi>
<mi>a</mi>
<mi>j</mi>
</msubsup>
<mo>&times;</mo>
<msub>
<mi>RTP</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<msubsup>
<mi>c</mi>
<mi>a</mi>
<mi>k</mi>
</msubsup>
<mo>&times;</mo>
<msub>
<mi>RTP</mi>
<mi>k</mi>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>i</mi>
<mo>|</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo><</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>e</mi>
<mi>x</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mn>48</mn>
<mo>}</mo>
</mrow>
<mrow>
<mi>a</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>a</mi>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>+</mo>
<mi>n</mi>
<mo>}</mo>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>k</mi>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>&alpha;</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mi>a</mi>
</msub>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msubsup>
<mi>c</mi>
<mi>a</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>e</mi>
<mi>x</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>j</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>e</mi>
<mi>x</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>j</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo><</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>e</mi>
<mi>x</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mi>j</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msubsup>
<mi>c</mi>
<mi>a</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>e</mi>
<mi>x</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>e</mi>
<mi>x</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo><</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>e</mi>
<mi>x</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,是柔性负荷在i时刻的总耗电功率,设备a从j时刻转移到k时刻,是移除设备a后在j时刻需要向电网购买的功率,是将设备a转移至k时刻后在k时刻需要向电网购买的功率,RTPj及RTPk分别代表相应时刻的实时电价,由于所有设备在每个时间点的执行时长为半小时,而购电量是购电功率与时长的乘积,所以目标函数需要分别乘以0.5(代表半小时);因为同一个设备无法在当天的同一个时刻运行两次,必须保证设备a所需要转移至的k时刻在执行转移前没有运行设备a,即在转移之前必须保证且
(1.13)选出所有时段内负荷总用电需求量超过DG供电量的时刻j,选取该时刻正在工作的最大功率设备a,判断该设备的工作类型,①若a是不可中断负荷,找出其连续工作时段将设备a在的所有工作状态置0,在[αa,βa]时段内寻优移入设备a后最低购电费用所处的工作区间,注意:由于需要转移的设备是不可中断负荷,因此在转移时不止要先移除设备在j时刻的工作状态,而是将设备当前所在的整个工作区域转移;②若a是可中断负荷,将设备a在j时刻移除,转移至在[αa,βa]区间内购电费用最低且该设备在转移前未运行的时刻k;
(1.14)设备重新安排后,更新相应的设备组安排状况PChrom及剩余购电量BuyElec,计算更新的最低电费BestCost;继续执行步骤(1.13)直至最低电费不再降低,转入步骤(1.15);
(1.15)选出剩余购电量BuyElec大于0的时刻j,选取该时刻正在工作的最小功率设备a,按照步骤(1.13)的①、②不同状况执行负荷转移;
(1.16)设备重新安排后,更新相应的设备组安排状况PChrom及剩余购电量BuyElec,计算更新的最低电费BestCost;继续执行步骤(1.15)直至最低电费不再降低,所获得的设备组工作时刻状况PChrom为基于RTP调度策略的最佳设备组运行状况,转入步骤(1.17);
(1.17)根据当前DG及负荷总耗电状况进行蓄电池的容量配置,选取合适容量Q的蓄电池用于后续储能操作;
(1.18)将实时电价按电价下降与上升进行分区,若处于电价下降区间,执行步骤(1.19);否则执行步骤(1.20)至(1.24);
(1.19)由于处于电价下降阶段,只要保证当前时刻的用电需求即可,无需从电网向蓄电池充电;①若当前DG供电量大于负荷用电需求判断从DG往蓄电池充电带来的收益是否大于启动蓄电池的代价;若大于,则从DG往蓄电池存储多余供电量直至蓄电池充电极限,更新蓄电池充电量及其荷电状态如公式(4)-(5)所示:
<mrow>
<mi>C</mi>
<mi>h</mi>
<mi>arg</mi>
<mi>e</mi>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mn>0.5</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>Q</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
SOC(i+1)=SOC(i)+Charge/Q; (5)
否则,放弃充电操作;②若当前DG供电量小于负荷用电需求判断从蓄电池往负荷放电带来的收益是否大于启动蓄电池的代价;若大于,则从蓄电池向负荷供电直至满足用电需求,或达到放电极限后再从电网向负荷继续供电,更新蓄电池放电量如公式(6)所示、荷电状态如公式(5)所示,当前时刻负荷向电网的购电量如公式(7)所示:
<mrow>
<mi>C</mi>
<mi>h</mi>
<mi>arg</mi>
<mi>e</mi>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mn>0.5</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>min</mi>
</msub>
<mo>-</mo>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>Q</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>B</mi>
<mi>u</mi>
<mi>y</mi>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mn>0.5</mn>
<mo>-</mo>
<mi>C</mi>
<mi>h</mi>
<mi>arg</mi>
<mi>e</mi>
<mo>|</mo>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
否则,蓄电池不放电,更新购电量为返回至步骤(1.18)继续分区域执行,直至所有时刻运行结束;
(1.20)记录电价上升阶段PDG>PLoad的初始时刻p及DG可向蓄电池提供的总充电量sLoad1,PDG<PLoad的初始时刻q及蓄电池需向负荷放电的总放电量sLoad2;得到执行至下一个PDG>PLoad时刻前的蓄电池剩余电量,大于0表明有剩余,小于0表明单纯放电不够满足负荷需求,如公式(8)所示:
S=(SOC(i)-Smin)×Q+sLoad1+sLoad2 (8)
当电价上升阶段的第一个采样点处于PDG>PLoad情况时(即p<q),执行步骤(1.21)至(1.23);否则,跳转至步骤(1.24);
(1.21)蓄电池从DG处充电,根据S状态判断是否需要蓄电池或负荷向电网购电;当S≥0,执行步骤(1.22);否则,执行步骤(1.23);
(1.22)分情况判断是否需要从电网购电,①若蓄电池极限可放电量大于负荷除去DG供电后的总电能需求,即(Smax-Smin)×Q≥|sLoad2|,则蓄电池充满电后能够满足后面阶段的负荷需求,按照公式(4)-(5)更新蓄电池充电量及其荷电状态,且无需向电网购电;②否则,先在PDG>PLoad阶段按公式(4)-(5)通过DG将蓄电池充电至Smax状态,再在PDG<PLoad的几个初始时刻直接从电网向负荷供电,直至剩余的负荷需求可以由电池的放电获得,其中可能存在一个时刻的负荷既从电网直接购电、又从蓄电池向其放电的情况;返回步骤(1.18)继续分区域执行,直至所有时刻运行结束;
(1.23)判断从电网的购电时刻及被供电对象,①若DG可向蓄电池提供的充电量小于蓄电池的充电极限,即sLoad1<(Smax-SOC(p))×Q,则可以在p时刻从电网向电池充电直至达到负荷用电需求,即Buy=-S,或充电至蓄电池极限Smax,即Buy=(Smax-SOC(p))×Q-sLoad1,再在PDG<PLoad的几个初始时刻直接从电网向负荷供电,直至剩余的负荷用电需求可以直接由电池放电供给;②否则,直接按照公式(4)-(5)通过DG将蓄电池充电至Smax状态,再在PDG<PLoad的几个初始时刻直接从电网向负荷供电,直至剩余的负荷用电需求可以直接由电池放电供给;返回步骤(1.18)继续分区域执行,直至所有时刻运行结束;
(1.24)分情况判断是否需要从电网购电,①若S≥0,则无需购电,直接由蓄电池向负荷放电;②否则,在PDG<PLoad初始时刻直接从电网向负荷供电,并向电池充电至负荷所需量,即或至充电极限Smax,即再在下一时刻继续直接从电网向负荷供电,直至剩余的负荷用电需求可以直接由电池放电供给;返回步骤(1.18)继续分区域执行,直至所有时刻运行结束;
(2)假设有K个用户,每个用户DG输出能力与电池储能容量大小在-10%~+10%之间波动,每个用户均采用步骤(1)对自身用电进行调度优化;在每一位用户对自身用电进行优化之后,将自身的用电调度数据通过广播上传到调度中心;
(3)调度中心在收到各用户上传的用电调度数据后,对用户进行编号,按地理位置的远近将K个用户从1到K编号;
(4)令delta=Pt DG-Pt Load,t∈[1,48]计算出每一个时间段内每一个用户的过剩DG量或用电缺口,Pt DG为用户自身的DG,Pt Load为用户自身的负荷;delta≥0则为DG过剩,Et DG=delta,Et DG为过剩DG量;delta<0则为用电需求dv未满足,dv=|delta|为用电缺口;
(5)建立有根节树,所有delta≥0的节点为父节点,delta<0的节点为子节点;父节点的权值cv和需求dv都为零;
(6)按照深度优先遍历寻找其中最大的父节点s,即DG输出最大的用户,设为根节点,此时暂设其余父节点的过剩DG输出为零;周围6个邻近子节点的权值根据根节点的状态而改变:若则执行步骤(7),否则执行步骤(11);从过剩DG输出最大的用户开始分配电能;
(7)将根节点周围6户用户划分为一邻居群,邻居群内每个用户的权值预计分配电量
(8)依次判断群内子节点若是则执行步骤(9),否则执行步骤(10);
(9)子节点分配得到电量新的需求为根节点输出Et DG=0,标记根节点,执行步骤(13);
(10)子节点分配得到电量预计分配电量与实际得到电量差值将差值电量分配给相邻子节点返回执行步骤(8);
(11)群内每一子节点可分配到电量
(12)邻居群内所有节点合并为一个新的父节点,该父节点DG电能输出
(13)标记根节点,恢复其余父节点的DG输出,返回执行步骤(6);
(14)判断是否所有父节点都被标记,若是则执行步骤(15),若否则执行步骤(6);
(15)记录每一个时间段内各用户之间交易状况;
(16)计算一天内每个用户节约用电在购电上节约费用
(17)计算所有用户在一天内共节约用电在购电上节约的费用最终完成计及实时电价的微网用户群电能优化互济交易。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510227987.5A CN104915725B (zh) | 2015-05-06 | 2015-05-06 | 计及实时电价的微网用户群电能优化互济交易方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510227987.5A CN104915725B (zh) | 2015-05-06 | 2015-05-06 | 计及实时电价的微网用户群电能优化互济交易方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915725A CN104915725A (zh) | 2015-09-16 |
CN104915725B true CN104915725B (zh) | 2018-04-20 |
Family
ID=54084772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510227987.5A Active CN104915725B (zh) | 2015-05-06 | 2015-05-06 | 计及实时电价的微网用户群电能优化互济交易方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915725B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107046505B (zh) | 2016-02-05 | 2020-01-03 | 华为技术有限公司 | 一种业务控制方法以及业务控制装置 |
CN107359642B (zh) * | 2017-07-31 | 2020-10-02 | 珠海格力电器股份有限公司 | 微网区域能源控制***及控制方法 |
CN108306288B (zh) * | 2018-02-13 | 2021-03-02 | 华东理工大学 | 一种基于需求侧响应的微网社区分布式能量分配方法 |
CN108564230B (zh) * | 2018-04-28 | 2021-05-04 | 湖南红太阳新能源科技有限公司 | 一种户用分布式能源管理方法及*** |
CN108667031B (zh) * | 2018-05-21 | 2020-06-26 | 上海电力学院 | 一种基于实时滚动窗口的家庭用电调度优化方法 |
CN109472438B (zh) * | 2018-09-13 | 2022-04-12 | 安徽尚特杰电力技术有限公司 | 一种基于功率平衡贡献的实时电量交易价格计算方法 |
CN109840631B (zh) * | 2019-01-21 | 2023-02-03 | 长安大学 | 一种面向居民住宅群的用电调度优化方法 |
JP2021022112A (ja) * | 2019-07-26 | 2021-02-18 | トヨタ自動車株式会社 | エネルギー管理システム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200296A (zh) * | 2014-07-10 | 2014-12-10 | 浙江大学 | 一种风光储柴自治微网群跨域协同能量调度与适配方法 |
CN104200297A (zh) * | 2014-07-11 | 2014-12-10 | 浙江大学 | 实时电价环境下的家居混合供电***能量优化调度方法 |
CN104360906A (zh) * | 2014-10-31 | 2015-02-18 | 中山大学 | 一种基于差分约束***与迭代模的高层次综合调度方法 |
-
2015
- 2015-05-06 CN CN201510227987.5A patent/CN104915725B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200296A (zh) * | 2014-07-10 | 2014-12-10 | 浙江大学 | 一种风光储柴自治微网群跨域协同能量调度与适配方法 |
CN104200297A (zh) * | 2014-07-11 | 2014-12-10 | 浙江大学 | 实时电价环境下的家居混合供电***能量优化调度方法 |
CN104360906A (zh) * | 2014-10-31 | 2015-02-18 | 中山大学 | 一种基于差分约束***与迭代模的高层次综合调度方法 |
Non-Patent Citations (1)
Title |
---|
含分布式发电配电***的孤岛划分;*** 等;《中国科学:技术科学》;20110520;第41卷(第5期);693-702 * |
Also Published As
Publication number | Publication date |
---|---|
CN104915725A (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915725B (zh) | 计及实时电价的微网用户群电能优化互济交易方法 | |
CN107301470B (zh) | 一种配电网扩展规划与光储选址定容的双层优化方法 | |
CN104200297B (zh) | 实时电价环境下的家居混合供电***能量优化调度方法 | |
CN107958300B (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
Sandgani et al. | Coordinated optimal dispatch of energy storage in a network of grid-connected microgrids | |
Kavousi-Fard et al. | Reliability-oriented reconfiguration of vehicle-to-grid networks | |
Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
Kavousi-Fard et al. | Impact of plug-in hybrid electric vehicles charging demand on the optimal energy management of renewable micro-grids | |
CN109193812B (zh) | 一种园区光储荷微电网经济调度实现方法 | |
Moghaddam et al. | Multi-operation management of a typical micro-grids using Particle Swarm Optimization: A comparative study | |
Moghaddam et al. | Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source | |
Ghofrani et al. | A framework for optimal placement of energy storage units within a power system with high wind penetration | |
Zhou et al. | A new framework for peer-to-peer energy sharing and coordination in the energy internet | |
Zhan et al. | A probability transition matrix based decentralized electric vehicle charging method for load valley filling | |
Lim et al. | Optimal allocation of energy storage and solar photovoltaic systems with residential demand scheduling | |
CN110994694A (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
CN112821470A (zh) | 基于小生境混沌粒子群算法的微网群优化调度策略 | |
CN112308373A (zh) | 基于时空双层优化的电动汽车有序充放电调度模型及算法 | |
Bahrami et al. | A potential game framework for charging PHEVs in smart grid | |
CN110571795A (zh) | 一种储能单元在高风力渗透电力***中的布置方法 | |
Habibifar et al. | Optimal scheduling of multi-carrier energy system based on energy hub concept considering power-to-gas storage | |
CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
CN104578160A (zh) | 一种微网能量控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Qiang Inventor after: Wang Qinyue Inventor after: Yan Wenjun Inventor before: Wang Qinyue Inventor before: Yang Qiang Inventor before: Yan Wenjun |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |