工业园区内多元用户协同能量管理方法与流程

本发明涉及一种工业园区内多元用户协同能量管理方法，属于客户侧能量管理领域。

背景技术：

随着传统化石能源的日益枯竭，生态环境压力增大和负荷需求的增长，传统发电方式难以适应人类可持续发展。太阳能作为目前发展潜力巨大的一种清洁、环保、分布相对均匀的可再生能源，受到了广泛关注。由于光伏技术发展迅速，分布式光伏在工业园区内大范围应用。同时，以电动汽车为代表的新型不确定性负载的加入，使电能的流动和管理变得更加复杂。

光伏(photovoltaic，pv)出力具有不确定性，其出力预测存在较大偏差。高闲置率的电动汽车以及储能系统使得光伏最大化消纳成为可能。

技术实现要素：

本发明的目的是：提出一种工业园区内多元用户协同能量管理方法，针对园区内用户多元资源搭建能量管理模型，对园区内分布式光伏、储能以及电动汽车进行能量优化管理，在保证园区内用户经济性最优和出行满意度的基础上，最大化提高光伏利用率，与此同时实现用户智能用电，解决园区内光伏消纳以及多元用户下资源能量优化问题。

本发明的技术解决方案是该工业园区内多元用户协同能量管理方法的具体步骤如下：

s1:电力调度中心收集历史数据及气象数据；

s2:电力调度中心根据气象和历史数据预测下一天的光伏出力和用电曲线；

s3:能量管理中心获取用户上报下一天的出行计划以及调度中心下发的预测曲线；

s4:以园区内用户经济性最优以及出行满意度为目标函数，搭建园区内多元用户的能量管理模型；

s5:采用基于模拟退火的混合差分进化算法进行求解，制定能量管理策略；

s6:能量管理中心将下发计划给用户进行响应。

优选的，含多元用户的能量管理模型的目标函数具体为：

式中，表示从上级电网用户购电/卖电费用；表示储能系统运行维护费用；表示用户出行满意度的补偿费用；

约束条件

(1)电量平衡约束

式中，pgrid,t为t时刻与上级电网交互的有功功率；pc,ess,t,i为t时刻第i台储能的充电量；pd,ess,t,i为t时刻第i台储能的放电量；ppv,t,i为t时刻第i台光伏的有功功率；

(2)储能运行约束

包括储能电池时序运行约束，储能电池的荷电状态与充放电功率上下限约束，此外为了避免末时段蓄电池组充放电深度过大、保证其在次日前几时段调度中具备一定的充放电能力，调度末时段蓄电池组的荷电状态上下限约束；

式中，soci,t为t时段第i台储能的荷电状态；soci,min，soci,max分别为荷电状态的上下限；分别为t时段第i台储能的充电功率和放电功率；为0-1变量，表征着储能充放电状态；soci,24为24时段第i台储能的荷电状态；

(3)电动汽车运行约束

式中：和分别为家庭k内电动汽车m的起始荷电状态和用户期望的荷电状态；用户离开时蓄电池的储能应该大于等于用户期望的电量小于蓄电池的容量；和分别为家庭k内的电动汽车m到达和离开的时刻；

(4)光伏出力约束

目前对光伏的主动管理建模形式，主要考虑光伏能在一定情况下允许弃电，且假设光伏仅与有功出力有关，即实现最大化消纳分布式光伏：

式中：b^dg为拥有pv的用户集合；为节点j在第t时段pv预测出力。

优选的，基于模拟退火的混合差分进化算法的步骤如下：

s51：初始化，产生初始群体x，设置最大允许迭代次数m；

s52：对群体x中的每个个体执行以下操作；

s52.1：在变异操作中采用自适应变异算子，产生一个变异向量

式中，r1,r2,r3,r4,r5分别为不超过种群规模np的随机产生5个整数，

f为变异算子；

其中，f采用自适应变异算子：

式中，fmin是变异算子的最小值，fmax是变异算子的最大值；gmax是最大迭代次数，g为当前迭代的代数；

s52.2：判断变异向量的可行性，若不可行，则采用修复操作进行修复:

式中，uj,lj分别表示上下界；

s52.3：根据交叉策略对变异向量执行交叉操作，生成尝试向量

其中，cr采用自适应交叉算子：

s52.4：进行选择操作，确定当前种群中的最优个体

s53：采用模拟退火算法进行最优解挑选；

s53.1通过下式产生模拟退火过程中一个新解：

xui,j,t＝xni,j,t·random[0,1]；

s53.2模拟退火操作；

s53.3计算适应度值，并将每代最优个体适应度值记录下来；

其中δ＝f(xui,j,t)-f(xni,j,t)

s54：判断是否满足终止条件，如果是，输出最优结果；否则重复步骤s52-s53，直至满足终止条件。

与现有技术相比，本发明具有如下优点：

(1)针对目前园区下用户内部资源繁多、能量管理复杂的问题，提出了管理中心的概念，获取可靠调度信号的同时，在一定程度上减少了投资成本。

(2)本发明提出一种能量管理模型，通过对园区内分布式光伏、储能以及电动汽车进行能量优化管理，在保证园区内用户经济性最优和出行满意度的基础上，最大化提高光伏利用率，同时实现用户智能用电。

(3)本发明采用基于模拟退火的算法求解能量管理模型，该算法采用自适应变异算子和交叉算子，并结合模拟退火(simulatedannealing，sa)算法的metropolis准则，以提高差分进化算法的全局寻优能力利用模拟退火算子的突变搜索提高种群多样性,使差分进化算法能更好地利用群体差异进行全局搜索

(4)协同调度工业园区内用户内的含分布式电源、电动汽车、储能、可控负荷等各资源，以经济性最优和最大化消纳新能源为目的，实现园区内用户的智能用电。

附图说明

图1是本发明的工业园区内多元用户协同能量管理方法的总体方法流程图；

图2是本发明的工业园区内多元用户协同能量管理方法中能量管理等效示意图；

图3是本发明的工业园区内多元用户协同能量管理方法的基于模拟退火的混合差分进化算法流程图。

具体实施方式

下面结合附图对本发明做详细说明。

如图1-3所示，工业园区内多元用户协同能量管理方法包含以下步骤：

s1:电力调度中心收集历史数据及气象数据；

s2:电力调度中心根据气象和历史数据预测下一天的光伏出力和用电曲线；

s3:能量管理中心获取用户上报下一天的出行计划以及调度中心下发的预测曲线；

s4:以园区内用户经济性最优以及出行满意度为目标函数，搭建园区内多元用户的能量管理模型；

s5:采用基于模拟退火的混合差分进化算法进行求解，制定能量管理策略；

s6:能量管理中心将下发计划给用户进行响应。

在实施例中，以光伏出力预测为例，步骤s2具体如下：

步骤s21：获取光伏发电历史数据以及光照情况样本；

步骤s22：利用小波变换将光照序列与功率序列分解；

步骤s23：采用不同的神经网络对分解出的子序列进行训练；

步骤s23.1初始化网络权值和神经元的阈值；

步骤s23.2计算隐含层和输出层的输入和输出；

步骤s23.3计算反向误差并更新学习权值；

步骤s23.4判断是否满足停止准则，

步骤s24：将各个预测结果进行重构得到完整的光伏预测结果；

步骤s25：输出光伏出力预测结果。

在实施例中，步骤s5具体如下：

s51：初始化，产生初始群体x，设置最大允许迭代次数m；

s52：对群体x中的每个个体执行以下操作；

s52.1：在变异操作中采用自适应变异算子，产生一个变异向量

式中，r1,r2,r3,r4,r5分别为不超过种群规模np的随机产生5个整数，f为变异算子；

其中f采用自适应变异算子

式中，fmin是变异算子的最小值，fmax是变异算子的最大值；gmax是最大迭代次数，g为当前迭代的代数；

s52.2：判断变异向量的可行性，若不可行，则采用修复操作进行修复:

式中，uj,lj分别表示上下界；

s52.3：根据交叉策略对变异向量执行交叉操作，生成尝试向量

其中cr采用自适应交叉算子

s52.4：进行选择操作，确定当前种群中的最优个体

s53：采用模拟退火算法进行最优解挑选；

s53.1通过下式产生模拟退火过程中一个新解：

xui,j,t＝xni,j,t·random[0,1]

s53.2模拟退火操作；

s53.3计算适应度值，并将每代最优个体适应度值记录下来；

其中δ＝f(xui,j,t)-f(xni,j,t)

s54：判断是否满足终止条件，如果是，输出最优结果；否则重复步骤s52-s53，直至满足终止条件。

如图1-3所示，一种工业园区内多元用户协同能量管理方法，该方法包含以下步骤：

s1:电力调度中心收集历史数据及气象数据；

s2:电力调度中心根据气象和历史数据预测下一天的光伏出力和用电曲线；

s3:能量管理中心获取用户上报下一天的出行计划以及调度中心下发的预测曲线；

s4:以园区内用户经济性最优以及出行满意度为目标函数，搭建园区内多元用户的能量管理模型；

目标函数

式中，表示从上级电网用户购电/卖电费用；表示储能系统运行维护费用；表示用户出行满意度的补偿费用；

约束条件

(1)电量平衡约束

式中，pgrid,t为t时刻与上级电网交互的有功功率；pc,ess,t,i为t时刻第i台储能的充电量；pd,ess,t,i为t时刻第i台储能的放电量；ppv,t,i为t时刻第i台光伏有功功率；

(2)储能运行约束

包括储能电池时序运行约束，储能电池的荷电状态与充放电功率上下限约束，此外为了避免末时段蓄电池组充放电深度过大、保证其在次日前几时段调度中具备一定的充放电能力，调度末时段蓄电池组的荷电状态上下限约束；

式中，soci,t为t时段第i台储能的荷电状态；soci,min，soci,max分别为荷电状态的上下限；分别为t时段第i台储能的充电功率和放电功率；为0-1变量，表征着储能充放电状态；soci,24为24时段第i台储能的荷电状态；

(3)电动汽车运行约束

式中：和分别为家庭k内电动汽车m的起始荷电状态和用户期望的荷电状态；用户离开时蓄电池的储能应该大于等于用户期望的电量小于蓄电池的容量；和分别为家庭k内的电动汽车m到达和离开的时刻；

(4)光伏出力约束

目前对光伏的主动管理建模形式，主要考虑光伏能在一定情况下允许弃电，且假设光伏仅与有功出力有关，即实现最大化消纳分布式光伏：

式中：b^dg为拥有pv的用户集合；为节点j在第t时段pv预测出；

s5:采用基于模拟退火的混合差分进化算法进行求解，制定能量管理策略；

s51：输入基础负荷、光伏出力等预测数据，同时获取储能和电动汽车的电池状态，初始化，产生初始群体x，设置最大允许迭代次数m；

s52：对群体x中的每个个体执行以下操作；

s52.1：在变异操作中采用自适应变异算子，产生一个变异向量

式中，r1,r2,r3,r4,r5分别为不超过种群规模np的随机产生5个整数，f为变异算子；

其中f采用自适应变异算子

式中，fmin是变异算子的最小值，fmax是变异算子的最大值；gmax是最大迭代次数，g为当前迭代的代数。

s52.2：判断变异向量的可行性，若不可行，则采用修复操作进行修复:

式中，uj,lj分别表示上下界；

s52.3：根据交叉策略对变异向量执行交叉操作，生成尝试向量

其中，cr采用自适应交叉算子

s52.4：进行选择操作，确定当前种群中的最优个体

s53：采用模拟退火算法进行最优解挑选；

s53.1通过下式产生模拟退火过程中一个新解：

xui,j,t＝xni,j,t·random[0,1]

s53.2模拟退火操作；

s53.3计算适应度值，并将每代最优个体适应度值记录下来；

其中δ＝f(xui,j,t)-f(xni,j,t)；

s54：判断是否满足终止条件，如果是，输出最优策略；否则重复步骤s52-s53，直至满足终止条件；

s6:能量管理中心将下发计划给用户进行响应，包括储能充放电计划，电动汽车充电计划。