基于需求侧响应的微电网双层优化调度方法与流程

本发明属于微电网的能量管理领域，具体涉及基于多种需求侧响应资源和自适应动态规划算法的微电网优化调度策略的设计方法。

背景技术

随着发展清洁能源，保障能源安全成为能源领域的核心内容，分布式发电逐渐在各国兴起，然而分布式发电具有分散性，不易管理，因此就有了微电网的出现。微电网既能高效率解决分布式电源的大规模分散接入问题，也可作为传统电网的有益补充，是使分布式发电成为传统电网可接纳利用能源的有效载体。微电网的经济性和环境友好性是吸引用户并能获得社会广泛认同的关键，而要实现微电网运行的这些目标，不仅需要从供能角度，根据各种分布式能源的运行和能耗特性，研究能源的优化分配问题，更要充分挖掘需求侧各类资源的潜力，让用户积极参与微电网优化调度。

对于微电网的能量优化管理现在有很多研究，但现有研究存在对微电网结构考虑不全面、对需求侧资源的响应理解不深以及对运行费用考虑不全等问题。有关学者提出考虑需求侧的微电网能量优化管理的方法，但只考虑了传统需求侧资源即要包括能够对电价信号或激励机制做出响应的负荷资源和可中断负荷，没有考虑改善调整负荷结构的方式，没有考虑用户利益，从需求侧和供电侧互动方面提升运行优化的整体效果。有关学者对广义需求侧资源包括分布式发电、储能资源和负荷这三类进行研究，但在调度过程中没有考虑充当“源-荷”之间缓存的储能设备充放电效率无精确模型的问题，保证发电成本的经济性及储能设备的优化控制。因此，本发明在日前调度计划的设计方面提出双层优化调度模型，上层调度模型改进分时电价方式且考虑用户满意度来调节负荷与分布式电源互动，下层调度模型则采用执行依赖启发式动态规划(adhdp)算法来求解，以期解决上述储能设备的问题，减少发电成本。

技术实现要素：

本发明提供一种基于需求侧响应的微电网双层优化调度方法，其目的是解决充分利用需求侧资源的特性，在满足用户用电负荷的同时提高微电网优化调度模型的经济性。本发明基于需求侧资源的响应，构建双层优化调度模型,在上层优化调度模型中引入改进的分时电价且考虑用户满意度；在下层优化调度模型求解中引入adhdp算法，尤其不依赖无精确模型的储能系统，使得调度成本减少。

为了实现上述目标，本发明是通过以下技术方案实现的：

一种基于需求侧响应的微电网双层优化调度方法，其具体内容包括如下步骤：

(1)构建基于需求侧响应的微电网优化调度系统：

把微电网优化调度系统分为两个子系统：上层优化调度子系统和下层优化调度子系统；在上层优化调度子系统中，微电网通过改进的分时电价方式调节用户侧负荷功率来改善分布式电源与负荷之间的净负荷；在下层优化调度子系统中，以上层优化调度子系统中所获得的净负荷作为约束条件，并考虑无精确充放电储能系统模型，通过针对其需求侧资源特点的优化算法来使得调度成本最低，由此获得的最优解作为微电网优化调度方案；

(2)针对上层优化调度子系统构建上层优化调度模型并对其进行求解：

在上层优化调度模型中，基于日前对风电、光伏出力和负荷在各时段的预测值，采用改进的分时电价策略，同时考虑用户满意度，使得上层优化调度子系统各时段源-荷之间的净负荷的平方和为最小，净负荷曲线平缓，并采用粒子群算法进行快速寻优求解，调节后的净负荷能够被明确表示出来，并用于下层优化调度子系统中；

(3)针对下层优化调度子系统构建下层优化调度模型：

在微电网下层优化调度子系统中，以上层优化调度模型得到的净负荷作为约束条件来构建功率平衡公式，并对储能系统、可中断负荷和与大电网的交互功率三种资源进行合理调度，构建以下层优化调度子系统供电成本最少为目标函数的下层优化调度模型；针对储能系统充放电过程复杂，难以得到其精确的充放电模型，因此，采用并不依赖精确控制对象模型的adhdp算法来对其进行求解；

(4)应用adhdp算法对下层优化调度模型进行求解：

本发明引入adhdp算法来对下层优化调度模型进行求解，首先将微电网下层优化调度模型视为有限时段调度的一个离散时间系统模型进行转换；其次，训练评估网络和执行网络；根据微电网过去每天的调度成本数据训练好神经网络，调整网络权值，隐藏层数目，学习因子，对系统一段时间段内的调度成本进行很好的评估；然后将微电网的日前调度数据代入到自适应规划算法中，迭代寻优，得到最优解；

(5)采用仿真实验验证所述方法的优越性。

本发明的创新性和有益效果体现在以下几个方面：

(1)为了能够调度需求侧资源更加层次分明和充分消纳分布式能源，上层优化调度模型以各时段净负荷平方之和最小为目标函数，增加了源-荷之间的互动，并通过调节后的净负荷值与下层优化调度模型联系起来。

(2)与传统的分时电价方式不同，在上层优化调度模型中，用改进的分时电价方式可以准确的表示调节后的负荷，并且保证用户能够积极参与需求侧响应和调节后的电价不会损害用户的利益。

(3)在对微电网下层优化调度模型求解时，采用了执行依赖启发式动态规划(adhdp)算法，不同于之前所采用的优化算法；adhdp算法能够估计储能系统的使用对于微电网运行成本的影响，使得在优化调度中保证储能系统较高的充放电效率，减小运行成本。

本发明减少了微电网在优化调度中的发电成本，在充分消纳分布式电源，保证用户利益的同时实现储能设备的优化控制。其关键点在于利用需求侧资源，针对微电网调度中存在的问题，构建了双层优化调度策略，在上层优化调度中，微电网采用改进的分时电价策略，同时考虑用户满意度，来使得微电网优化调度系统源-荷之间的净负荷为最小；在下层优化调度中，引入adhdp对下层优化调度模型算法求解，实现对储能设备的优化控制，使得调度成本减少。本发明为微电网调度的经济性提供了具有原创性的调度策略。

附图说明

图1是基于需求侧响应的微电网双层优化调度流程图；

图2为微电网上层优化调度结构图；

图3为微电网下层优化调度结构图；

图4为adhdp算法结构示意图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明的一种基于需求侧响应的微电网双层优化调度方法，其流程图如图1所示，所述方法具体内容包括如下步骤：

步骤1：构建基于需求侧响应的微电网优化调度系统：

把微电网优化调度系统分为两个子系统：上层优化调度子系统和下层优化调度子系统；在上层优化调度子系统中，微电网通过调节用户侧负荷功率来改善分布式电源与负荷之间的净负荷；在下层优化调度子系统中，以上层优化调度子系统中所获得的净负荷作为约束条件，并考虑无精确充放电储能系统模型，通过针对其需求侧资源特点的优化算法来使得调度成本最低，由此获得的最优解作为微电网优化调度方案。

构建微电网双层优化调度模型，包括上层优化调度模型和下层优化调度模型。在上层优化调度模型中，根据负荷和分布式能源发电的预测，提出改进的分时电价机制来引导用户响应光伏、风电出力变化，使各时段的净负荷变化缓和，提高系统风电、光伏消纳能力；在下层优化调度模型中，通过合理调配可中断负荷和储能，构建以所述下层优化调度子系统成本最小化为目标函数的源-网-荷-储优化调度模型，同时充分考虑无精确储能装置的充放电效率模型，采用执行依赖启发式动态规划算法避免了这个问题，同时通过迭代寻优过程得到最优调度策略。然而，上层优化调度模型得到的净负荷作为下层优化调度模型的功率平衡约束条件，其具体内容将在步骤3中加以说明。需求侧资源即电价型负荷、可中断负荷和储能系统分别在上层和下层优化调度子系统中得到了合理和充分的调用。

步骤2：针对上层优化调度子系统构建上层优化调度模型并对其进行求解：

如图2所示，在上层优化调度模型中，基于日前对风电、光伏出力和负荷在各时段的预测值，采用改进的分时电价策略，同时考虑用户满意度，使得上层优化调度子系统各时段源-荷之间的净负荷的平方和为最小，净负荷曲线平缓，并采用粒子群算法进行快速寻优求解，调节后的净负荷能够被明确表示出来，并用于下层优化调度子系统中；其具体实施步骤如下：

针对风电反调峰的特性、光伏出力与负荷峰谷时段不一致的情况，基于需求侧响应，建立微电网上层优化调度模型；

基于负荷和分布式能源发电的预测值，提出用改进的分时电价机制来引导用户响应光伏、风电出力变化，使各时段的净负荷变化缓和，提高所述上层优化调度子系统风电、光伏消纳能力，构建以所述上层优化调度子系统源-荷之间的净负荷为最小的目标函数：

其中t＝1,2,…,24代表每天24小时中的每一个小时作为一个响应时段；ns是场景数，ps是每个场景出现对应的概率；nw，npv分别代表风力发电机组总数和太阳能组件；pnet(t)是净负荷功率，pl(t)'是调节后的负荷功率。

不等式约束条件为：

pk.min≤pk(t)≤pk.max(3)

ms≥ms.min(4)

mp≥mp.min(5)

pmin≤p(t)≤pmax(7)

式中，kp为让利系数，p0(t)为t时段优化前电价，pload0(t)为t时段优化前负荷预测值，p(t)为t时段优化后电价，pmin为电价的下限值，pmax为电价的上限值。

上层优化调度模型采用智能优化算法中的粒子群算法来寻求最优解，满足约束条件时,对应的函数值很小，通过迭代优化使得总的目标函数值最小，从而得到上层优化调度模型的最优解，具体步骤在这里不作赘述。

下面说明在上层优化调度模型中用到的分布式电源、分时电价和用户满意度模型分别为：

1)风力机模型

在某一个时间段，每一个风力发电机组的输出功率可表示为公式(8)：

2)光伏系统模型

在某一时段，光伏发电系统的输出功率可表示为公式(9)：

3)分时电价模型

电价型负荷作为需求侧响应的重要资源，应该通过更加合理的调节体现它的作用；分时电价作为重要的调节手段，它的改进就显得尤为重要；需求弹性系数是需求的改变量与价格改变量之间的比值，它包括自需求弹性系数和交叉弹性系数；其中，自需求弹性系数表示如下：

其中，代表分时电价后，i时段负荷的改变量与原负荷量的比值，代表价格的改变量与原来价格的比值；

交叉弹性系数代表j时段电价改变引起的i时段负荷的改变的关系，它表达如下：

对个中负荷特性进行分析，可以得到各个时段的需求弹性系数，形成需求弹性矩阵；由新的电价可求得调节后的负荷，表示如下：

其中，pload0(i)是i时段原负荷功率，pl(i)'是i时段调节后的功率，p0(i)是i时段原来的电价，p(i)是优化后i时段的电价；

4)用户满意度模型

用户满意度从电力营销中来看，对分时电价响应的结果好坏有十分重要的影响。只有充分考虑用户的满意度，才能使得优化结果既不损害用户的利益，使用户感到满意，又能达到协调用户用电适应风电、光伏并网运行的目的。本发明方法采用两个用户满意度指标，即用户用电方式满意度指标和用户电费支出满意度指标，并将它们作为优化调度模型中的约束条件。

用电方式满意度ms数学表达式为：

式中：为优化前后每一时段电量的改变量绝对值的和；为优化前总的用电量。

电费支出满意度mp数学表达式为：

式中：δct为优化前后每一时段用户电费支出的变化量总和；ct为优化前用户每一时段电费的支出总和。

ms和mp的值越大，表明用户满意度水平越高。

步骤3：针对下层优化调度子系统构建下层优化调度模型：

如图3所示，在微电网下层优化调度子系统中，以上层优化调度模型得到的净负荷作为约束条件来构建功率平衡公式，并对储能系统、可中断负荷和与大电网的交互功率三种资源进行合理调度，构建以下层优化调度子系统供电成本最少为目标函数的下层优化调度模型；针对储能系统充放电过程复杂，难以得到其精确的充放电模型，因此，采用并不依赖精确控制对象模型的adhdp算法来对其进行求解；其具体实施步骤如下：

源-网-荷-储优化调度模型为风电、光伏可再生能源发电、与大电网的交互功率、可中断负荷和储能设备多种资源出力模型，考虑储能设备的运行方式，构建以微电网下层优化调度子系统成本最小的目标函数：

pgrid(t)+pb(t)+psl(t)＝pnet(t)(16)

式中cgrid(t)为t时段大电网的电价，pgrid(t)为t时段微电网与大电网的交互功率，fsl为可中断负荷响应成本，psl(t)为可中断负荷响应功率，fbat为储能设备充放电成本，e(t)为t时段储能设备的荷电状态，pb(t)为t时段储能设备的输出功率，分别为微电网与大电网交互功率的最小值和最大值；

pnet≥0，pnet(t)＝pgrid(t)+pbd(t)-pgb(t)+psl(t)(18)

式中，pbd(t)为t时段由蓄电池输出给负荷的功率，pgb(t),prb(t)分别为由主电网向储能设备的充电功率、由微电网向储能设备的充电功率；

1)蓄电池模型

蓄电池储能系统作为广义需求侧资源对微电网的稳定运行十分重要，这得益于它既可作负荷，也可做电源。为增加蓄电池充放电效率和蓄电池使用寿命，需要考虑下面的约束条件：

电池容量约束条件可避免蓄电池过充或过放，约束条件表达如下：

蓄电池的储存容量表示如下：

eb(t+1)＝eb(t)-pb(t)η(pb(t))(23)

η(pb(t))＝0.898-0.173|pb(t)|/prate(24)

其中，和是蓄电池充放电功率的最小值和最大值；eb(t)是t时段蓄电池的储存能量，η是蓄电池的充放电效率，δt是响应时段；prate是蓄电池的额定功率；

3)可中断负荷模型

可中断负荷由需求侧响应管理机构负责，合理利用可以有效减少成本较高机组的启停，其响应时间可以自由调控，其模型构建表示如下：

式中，[αj,βj]为第j项可中断负荷允许响应的最大范围，和分别为第j项可中断负荷响应的起止时间，yslj(t)表示第j项可中断负荷的工作状态，1表示响应中断，0表示未响应中断，pslj表示第j项可中断负荷的额定功率。

步骤4：应用adhdp算法对下层优化调度模型进行求解：

如图4所示，本发明引入adhdp算法来对下层优化调度模型进行求解，首先将微电网下层优化调度模型视为有限时段调度的一个离散时间系统模型进行转换；其次，训练评估网络和执行网络；根据微电网过去每天的调度成本数据训练好神经网络，调整网络权值，隐藏层数目，学习因子，对系统一段时间段内的调度成本进行很好的评估；然后将微电网的日前调度数据代入到自适应规划算法中，迭代寻优，得到最优解；其具体实施步骤如下：

将微电网优化调度系统视为有限时间段内的离散时间非线性动态系统，而动态规划方法是一种研究多阶段决策优化的方法，使得当前决策对于整体目标最优，但在实际应用中会出现“维数灾”的问题，因此提出了自适应动态规划方法。其思想是利用函数近似结构，通过逐步迭代逼近动态规划方程中的性能指标函数和控制策略，进而逐渐逼近非线性系统的最优控制解。

对于储能设备充放电速率，由于难以得到其精确的数学模型来计算储能设备的荷电状态(储电等级)，故本发明方法采用基于神经网络的执行依赖启动式动态规划算法(adhdp)这种方法不需要模型网络来预测下一时刻的系统状态，仅包括评价网络和执行网络，能够减少执行网络对于系统模型的依赖，适用于难以得到系统的精确数学模型的情况。

n个时间段的离散系统状态变量定义如下：

x(t+1)＝ft(x(t),u(t),t)(28)

式中，x(t)为系统t时刻的状态变量，表示当前t时刻储能设备的荷电状态，u(t)为t时刻的控制变量，包括当前t时刻净负荷功率、与大电网的交互功率和调用的可中断负荷总功率。

在adhdp算法中，x(t)和u(t)都是评价网络的输入，与该系统对应的性能指标函数定义为：

其中u(x(t),u(t),t)为效用函数，其表示为当前t时段的调度成本，γ是折扣因子，且0≤γ≤1，评价网络的输出用来近似代价函数j，通过最小化以下的误差来实现；

式中，其中wc为评价网络参数。当对于所有时段的ec(t)＝0时，显然有因此最小化误差函数，将获得一个训练好的神经网络，输出为j的估计。

1)微电网下层优化调度模型转换

微电网调度包括24个调度时段。每一个时段中，以蓄电池t时段初始时刻的荷电状态作为状态变量，则微电网状态变量:x(t)＝e(t)，使系统输入变量u1(t)＝pgrid(t),u2(t)＝pbd(t)-pgb(t)，u3(t)＝psl(t)。

微电网调度模型控制变量表示为：

u(t)＝(pgrid(t),pbd(t)-pgb(t),psl(t))(31)

下层优化调度子系统下一时刻的状态变量表示为：

x(t+1)＝f(x(t),u(t),t)＝x(t)-(u2(t)-prb(t))η(u2(t)-prb(t))(32)

其效用函数定义为：

u(x(t),u(t),t)＝cgrid(t)u1(t)+f(u3(t))+cbat(x(t+1)-x(t))(33)

式中，cbat为储能设备充放每单位电能的折旧费用。

将目标函数改写为性能指标函数：

式中，μ(t)＝(u(t),u(t+1),…u(23))代表控制序列从t时段到第23时段。

最优性能指标函数表示为：j^*(x(t),t)＝min{j(x(t),μ(t),t)}。

2)迭代寻优过程

在优化性能指标函数之前先要完成对评价网络和执行网络的训练，得到两个网络适当的隐藏层节点数、学习率、折扣因子以及更新调整好的两个网络权值。

优化性能指标函数的迭代循环过程包含外部循环和内部循环，外部循环对优化的性能指标函数进行比较，选取任意正定函数φ(x(0),u(0))作为初始性能指标函数：

j0(x(0),μ(0))＝φ(x(0),u(0))(35)

初始控制序列表示为：

性能指标函数更新为：

j1(x(0),μ(0)＝j(x(0),μ0(0))(37)

当i＝1，2…时，外部循环在式(38)和式(39)之间迭代：

ji+1(x(0),μ(0)＝j(x(0),μi(0))(39)

如果下面式(40)成立，则外部循环停止。

||ji+1(x(0),μi+1(0))-ji(x(0)，μi(0))||≤ε(40)

式中，ε为计算精度。

外部循环得到优化的代价函数，然而控制序列不能直接获得，需要进行内部循环来得到控制序列。

这里定义l为内部迭代次数，l＝0,1,…，23。i＝0.，l＝0时，初始性能指标函数表示为：

当i＝0，l＝0,1,…,23时，内部循环在下面式(42)和式(43)两个更新运算之间连续迭代：

对于任意i＝1，2…，j＝0,1,…，23时，内部循环在下面式(44)和式(45)两个更新运算之间连续迭代：

内部循环是为了获得每个时段的控制变量，因此迭代次数是确定的；外部循环是为了获得最优代价值，因此迭代次数是不确定。

步骤5：采用仿真实验验证所述方法的优越性。

通过查阅相关资料，得出仿真验证所需的基本数据信息。通过与相应模型的优化调度方法进行比较，充分证明微电网的双层优化调度策略能够保证用户利益的同时，充分消纳分布式能源，使得微电网调度成本更小。

本领域的技术人员容易理解，以上所述仅为本发明较佳实施方案而已，并不用以限制本发明，凡是在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。