CN105787588B - 一种用于提升新能源消纳能力的动态峰谷分时电价方法 - Google Patents

Abstract

本发明公开了一种用于提升新能源消纳能力的动态峰谷分时电价方法，动态引导用户理性用电，建立了考虑动态峰谷电价的需求响应评估模型，模拟用户根据新能源预测出力的变化而动态响应，从而促进新能源消纳。本发明所达到的有益效果：(1)通过对***日前净负荷进行聚类分析，动态划分峰平谷时段，从而得到峰谷分时电价；(2)采用FCM聚类算法，根据最大隶属度原则判断每一个数据样本所属分类，从而有效地对各时段的***净负荷进行峰平谷模糊分类；(3)建立了考虑动态峰谷电价的需求响应评估模型，以机组运行费用和弃风最小为优化目标，引入相应约束，可得到相应的***弃风电量，适用范围广泛。

Description

一种用于提升新能源消纳能力的动态峰谷分时电价方法

技术领域

本发明涉及一种动态调整峰谷时段划分的方法，具体涉及一种用于提升新能源消纳能力的动态峰谷分时电价方法。

背景技术

随着大规模风电、光伏等新能源上网发电，新能源出力的随机性和波动性为电力***运行带来巨大挑战。当新能源出力超过电网承载能力，为满足***发电与负荷的实时平衡，弃风、弃光将难以避免。

目前，世界各国都在积极探索消纳新能源的措施。政策方面，美国设立多项法案，加大对新能源技术资助力度，减轻对化石能源依赖程度，引入电动汽车以消纳新能源；市场机制方面，丹麦通过与北欧的挪威、瑞典以及欧洲大陆的德国开展跨国电力市场交易，实现风电消纳；技术方面，为促进新能源电力消纳，中国主要改进风电、光伏发电机组性能，如改善风机接入电力***的低压穿越能力、建设双馈风机风电场、增强光伏发电稳定性等。然而，2013年我国风电弃风总量仍然超过200亿千瓦时。人们已经意识到，仅仅依靠技术手段，而不利用市场机制，难以解决大规模新能源消纳的难题。因此，迫切需要引入灵活的市场机制，引导需求侧资源互动，以促进新能源消纳。

实时电价机制可以高效解决电力***实时平衡的问题，然而，我国实施实时电价面临基础设施不足、改革阻力较大的问题。而峰谷分时电价相对简单易行，在我国得到了较为广泛的应用。事实证明，合理的峰谷分时电价，能够有效削峰填谷，优化资源配置。传统的峰谷分时电价时段划分，未考虑新能源出力变化的影响，而是以***负荷曲线为研究对象，通过聚类分析，划分***负 荷曲线的峰平谷时段，从而获得对应的分时电价的价格时段。在传统划分方法的基础上，分时电价能够引导需求侧资源理性用电，用户将响应电价，产生移峰填谷的效益，从而“熨平”***负荷曲线，减小***负荷峰谷差，提升发电资源利用率。然而，在大规模新能源上网发电后，相比***负荷曲线，由常规电源供应的“净负荷”(***负荷与新能源发电的差值)的峰谷差显著增加，峰谷时段发生明显变化。传统峰谷分时电价产生“过调制”的效果，导致常规电源运行成本增加，降低了发电资源的利用率。因此，在中国当前的电价政策下，基于日前预测的***负荷曲线与新能源出力曲线，科学合理地动态划分峰平谷时段，从而动态引导用户理性用电，促进新能源消纳，具有很强的实用价值和现实意义。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种以提升新能源消纳能力为目标的峰谷分时电价时段划分方法，从而动态引导用户理性用电，建立了考虑动态峰谷电价的需求响应评估模型，模拟用户根据新能源预测出力的变化而动态响应，从而促进新能源消纳。

为了实现上述目标，本发明采用如下的技术方案：

一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，包括以下步骤：

步骤1：预测日前的***负荷曲线与新能源出力曲线，计算***净负荷曲线，采用模糊C均值(FCM)聚类算法，对***净负荷曲线进行聚类分析，得到各时段峰平谷的隶属度，根据最大隶属度原则，划分峰平谷时段，得到峰谷分时电价；

步骤2：建立考虑动态峰谷电价的需求响应评估模型，以机组运行费用和弃 风最小为优化目标，引入负荷平衡约束、机组出力上下限约束和爬坡约束、线路潮流约束、机组电量约束；并考虑机组群电力电量约束条件、电厂电力电量约束条件和断面潮流约束条件，求解需求响应评估模型后，得到***弃风电量，测算用户参与需求响应对***新能源消纳的效益。

前述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述步骤1)中，定义***净负荷序列为：

式中：T为每日时段数，

为***负荷序列；

为新能源出力序列。

前述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述步骤1)具体包括如下步骤：

1.1)初始化日期变量，令d＝1；

1.2)预测日前预测的***负荷序列与新能源出力序列；

1.3)基于步骤1.2)生成***净负荷序列；

1.4)采用FCM聚类算法，对***净负荷曲线进行峰平谷聚类分析；

1.5)根据聚类分析结果，划分净负荷的峰平谷时段，更新并发布次日的峰谷分时电价；

1.6)判断当前日期是否达到日期上限，如果达到，则流程终止；否则，转至步骤1.2)，开始日前滚动；

前述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述步骤1.4)中，FCM聚类算法把n个向量x_i(i＝1,2,…,n)分为c个模糊组(1＜c＜n)，并求每组的聚类中心v_i，使得非相似性指标的价值函数J_m达到最小：

式中：d_ij是数据样本x_i和聚类中心v_j的欧氏距离，d_ij＝||x_i-v_j||； u_ji是第i个数据样本到第j个聚类中心的隶属度，m是一个加权指数；约束条件为：

前述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述步骤2)中，动态峰谷电价的需求响应评估模型为：

式中：f_g(P_g,t)为机组运行费用函数，G为发电机组集合，T为时段序列，M是一个大数，表示以弃风最小为首要优化目标，依据经验值选取，ε_t为t时段***弃风量。

前述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述动态峰谷电价的需求响应评估模型求解时设定的约束条件包括：

负荷平衡约束为：

t∈T，式中：P_d,t(p)为在电价机制p下的负荷需求，D代表负荷节点集合；

机组出力上下限约束为：P_g,min≤P_g,t≤P_g,max,g∈G,t∈T；

爬坡约束为：-R_g≤P_g,t-P_g,t-1≤R_g,g∈G,t∈T；

线路潮流约束：

式中，G_d-k和G_g-k为转移分布因子；

机组电量约束：

前述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述步骤2)中针对不同的峰谷电价定价方法，根据负荷的响应特性得到负荷曲线，代入模型求解即可得到该峰谷电价制度下的弃风电量C：

其中各 时段弃风量为非负值，即ε_t≥0,t∈T。

本发明所达到的有益效果：(1)通过对***日前净负荷进行聚类分析，动态划分峰平谷时段，从而得到峰谷分时电价。该划分方法能够在大规模新能源接入电网后，动态引导用户理性用电，促进新能源消纳，进而提升电力***运行的经济性；(2)***净负荷聚类分析采用FCM(模糊C均值)聚类算法，该算法能够求解得出每一个负荷样本对各聚类中心(峰平谷)的隶属度信息，根据最大隶属度原则判断每一个数据样本所属分类，从而有效地对各时段的***净负荷进行峰平谷模糊分类；(3)建立了考虑动态峰谷电价的需求响应评估模型，以机组运行费用和弃风最小为优化目标，引入相应约束，针对不同的峰谷分时电价机制，求解需求响应评估模型后，可得到相应的***弃风电量，适用范围广泛。

附图说明

图1是峰谷分时电价时段划分流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提出了一种用于提升新能源消纳能力的动态峰谷分时电价方法，主要包括以下主要步骤：

步骤1：预测日前预测的***负荷曲线与新能源出力曲线，计算***净负荷曲线，采用FCM(模糊C均值)聚类算法，对***净负荷曲线进行聚类分析，得到各时段峰平谷的隶属度，根据最大隶属度原则，划分峰平谷时段，得到峰谷分时电价。

图1所示为时间尺度为TD日，逐日动态划分峰谷分时电价时段的流程图， 其具体求解步骤如下：

1)初始化日期变量，令d＝1。

2)预测日前预测的***负荷序列

与新能源出力序列

3)基于步骤2)生成***净负荷序列

4)采用FCM聚类算法，对***净负荷曲线进行峰平谷聚类分析。

5)根据聚类分析结果，划分净负荷的峰平谷时段，更新并发布次日的峰谷分时电价。

6)判断当前日期是否达到日期上限，如果达到，则流程终止；否则，转至步骤2)，开始日前滚动。

步骤4)中FCM聚类算法把n个向量x_i(i＝1,2,…,n)分为c个模糊组(1＜c＜n)，并求每组的聚类中心，使得非相似性指标的价值函数达到最小：

式中：d_ij是数据样本x_i和聚类中心v_j的欧氏距离，d_ij＝||x_i-v_j||；u_ji是第i个数据样本到第j个聚类中心的隶属度；m是一个加权指数。

约束条件为：

0≤u_ji≤1,1≤j≤c,1≤i≤n

FCM聚类算法求解流程具体求解步骤如下：

1)初始化模糊化变量，设置加权指数，通常令m＝2。

2)根据分类需求，设置聚类中心数目c，通常对应峰平谷设置3个聚类中 心。根据精度需求，设置收敛阈值ε。

3)根据以下两式分别计算第k次迭代的聚类中心

和欧氏距离

4)根据下式计算第k次迭代的隶属度矩阵

5)对于给定的收敛阈值ε，若目标函数值满足精度要求，即

则求解算法迭代终止。否则返回步骤3)。

求解算法终止时，FCM聚类算法能够生成聚类中心矩阵V＝[v₁,v₂…v_c]和维数为c×n的隶属度矩阵U＝[u_ji]。

通过隶属度矩阵，可以获得每一个数据样本对各聚类中心的隶属度信息。根据最大隶属度原则，可以判断每一个数据样本所属分类，从而达到聚类的目的。

步骤2：建立考虑动态峰谷电价的需求响应评估模型，以机组运行费用和弃风最小为优化目标，引入负荷平衡约束、机组出力上下限约束和爬坡约束、线路潮流约束、机组电量约束，此外，模型中还考虑机组群电力电量、电厂电力电量约束、断面潮流约束等实际工程应用中考虑的约束条件，求解需求响应评估模型后，得到***弃风电量，测算用户参与需求响应对***新能源消纳的效益。

根据步骤1中设定的动态峰谷电价时段，考虑用户的用电负荷转移，建立考虑动态峰谷电价的需求响应评估模型，模型如下所示：

其中，f_g(P_g)为机组运行费用函数，一般采用一次函数或二次凸函数表示，G为发电机组集合，T为时段序列，M是一个大数，ε_t为t时段***弃风量，模型以弃风最小为首要优化目标，是求

的最小值，由于弃风量

前的加权系数M很大，所以说模型以弃风最小为首要优化目标。

优化问题的约束条件包括：

a.负荷平衡约束：

其中，P_d,t(p)为在电价机制p下的负荷需求，D代表负荷节点集合。

b.机组出力上下限约束：

P_g,min≤P_g,t≤P_g,max,g∈G,t∈T

c.爬坡约束：

-R_g≤P_g,t-P_g,t-1≤R_g,g∈G,t∈T

d.线路潮流约束：

式中：G_d-k及G_g-k为转移分布因子。

e.机组电量约束：

此外，模型中还考虑机组群电力电量、电厂电力电量约束、断面潮流约束 等实际工程应用中考虑的约束条件。

针对不同的峰谷电价定价方法，根据负荷的响应特性得到负荷曲线，代入模型求解即可得到该峰谷电价制度下的弃风电量C：

该值可衡量不同峰谷电价定价方法下的***弃风情况，其中各时段弃风量为非负值，即ε_t≥0,t∈T。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (3)

1.一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，包括以下步骤：

步骤1：预测日前的***负荷曲线与新能源出力曲线，计算***净负荷曲线，采用模糊C均值FCM聚类算法，对***净负荷曲线进行聚类分析，得到各时段峰平谷的隶属度，根据最大隶属度原则，划分峰平谷时段，得到峰谷分时电价，

具体包括如下步骤：

1.1)初始化日期变量，令d＝1；

1.2)预测日前预测的***负荷序列与新能源出力序列；

1.3)基于步骤1.2)生成***净负荷序列；

1.4)采用FCM聚类算法，对***净负荷曲线进行峰平谷聚类分析；

1.5)根据聚类分析结果，划分净负荷的峰平谷时段，更新并发布次日的峰谷分时电价；

1.6)判断当前日期是否达到日期上限，如果达到，则流程终止；否则，转至步骤1.2)；

步骤2：建立考虑动态峰谷电价的需求响应评估模型，以机组运行费用和弃风最小为优化目标，引入负荷平衡约束、机组出力上下限约束和爬坡约束、线路潮流约束、机组电量约束；并考虑机组群电力电量约束条件、电厂电力电量约束条件和断面潮流约束条件，求解需求响应评估模型后，得到***弃风电量，测算用户参与需求响应对***新能源消纳的效益；

需求响应评估模型如下所示：

其中，f_g(P_g，t)为机组运行费用函数，一般采用一次函数或二次凸函数表示，G为发电机组集合，T为时段序列，M是一个大数，ε_t为t时段***弃风量，模型以弃风最小为首要优化目标，是求

的最小值，由于弃风量

前的加权系数M很大，所以说模型以弃风最小为首要优化目标，

所述动态峰谷电价的需求响应评估模型求解时设定的约束条件包括：

负荷平衡约束为：

t∈T，式中：P_d,t(p)为在电价机制p下的负荷需求，D代表负荷节点集合；

机组出力上下限约束为：P_g,min≤P_g,t≤P_g,max,g∈G,t∈T；

爬坡约束为：-R_g≤P_g,t-P_g,t-1≤R_g,g∈G,t∈T；

线路潮流约束：

式中，G_d-k和G_g-k为转移分布因子；

机组电量约束：

针对不同的峰谷电价定价方法，根据负荷的响应特性得到负荷曲线，代入模型求解即可得到该峰谷电价制度下的弃风电量C：

其中各时段弃风量为非负值，即ε_t≥0,t∈T。

2.根据权利要求1所述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述步骤1)中，定义***净负荷序列为：

式中：T为时段序列，

为***负荷序列；

为新能源出力序列。

3.根据权利要求1所述的一种用于提升新能源消纳能力的动态峰谷分时电价方法，其特征是，所述步骤1.4)中，FCM聚类算法把n个向量x_i分为c个模糊组，其中1＜c＜n，i＝1,2,…,n，并求每组的聚类中心v_i，使得非相似性指标的价值函数J_m达到最小：

式中：d_ij是数据样本x_i和聚类中心v_j的欧氏距离，d_ij＝||x_i-v_j||；u_ji是第i个数据样本到第j个聚类中心的隶属度，m是一个加权指数；约束条件为：

Images