智能小区需求响应调度方法和系统与流程

本发明属于电网技术领域，基于多种群协同进化遗传算法的智能小区需求响应调度策略。

背景技术：

随着智能采集、传感、控制等支撑技术的发展，智能小区的大规模应用成为可能。2017年，国家重点研发计划“城区用户与电网供需友好互动系统”配套工程之一“智能型小区示范工程”开展规模化推广，目前在常州武进、苏州金鸡湖地区已完成6个智能型小区建设，主要进行居民用户互动能力建设、小区公共区域光储、电动汽车等建设。需求响应作为智能小区的关键组成部分,不仅能够让用户侧参与到电网的互动中，降低自身用电费用，也可以降低电力系统的负荷峰谷差，提高发输电设备利用率，延迟设备投资，实现用户和电力公司的双赢。

智能小区典型设备包括光伏、储能、电动汽车。在实际运行中，可以针对电动汽车、储能、用户侧等方面分别对需求响应调度进行研究。但关于如何综合利用多能互补特性、需求响应及源—储—荷协调关系来整体协调调度多种用能资源的方法比较少。

技术实现要素：

本发明的目的在于针对包含多种用能资源的智能用电小区的日负荷需求响应的协调优化调度问题进行研究，为智能小区的优化运行提供支撑。

本发明为实现上述技术目的，采用以下技术方案:

在第一个方面提供了智能小区需求响应调度优化设计方法，包括以下步骤：

(1)根据智能小区场景用户的负荷类型确定智能小区优化评估指标，所述智能小区优化评估指标包括电动汽车充放电功率和储能系统充放电实时功率；

(2)针对智能小区优化评估指标建立智能小区的负荷调度的优化目标函数；

(3)采用多种群协同进化遗传算法，对建立的目标函数进行优化，求得智能小区优化评估指标最优解。

进一步，智能小区场景用户的负荷类型可以分为下面几类：

1)固定负荷是居民日常生活必需的负荷以满足日常用电的最低要求，不能进行调度；

2)可转移负荷，是提高居民生活质量的负荷，可以进行转移和调度；

3)电动汽车负荷，是用以满足用户外出需求，电动汽车在充电过程中所消耗的电能；

4)分布式发电负荷，是指通过光伏发电产生的电能，这部分电能用户可以自己使用，当电能有剩余的时候，多出的电能部分可以送入电网或储存在储能装置中；

5)储能装置负荷，这部分负荷与分布式发电负荷共同组成分布式电源系统，储能装置可以在低电价时通过电网存储电能，也可以在分布式发电系统有剩余时存储电能。

在以上技术方案中目标函数如下所示：

智能小区优化调度的目标函数综合考虑智能小区的运行成本，以及小区和配电网的交换电量，引入智能小区优化评估指标，考虑把储能装置的折旧成本计入系统运行费用，另外把荷电状态的约束惩罚项加入总运行成本，以系统总运行费用和电网的交换电量最小设置目标函数为：

即minh＝αf+βg

其中：

式中δt为单位时间间隔；t为优化的时段数；pg(t)为单位时间间隔内与配电网交换的平均功率(购电时为正，售电时为负)；pr(t)为单位时间间隔内平均交易价格；pb(t)和pb(t)分别为t时段储能系统的放电功率和充/放电功率，其中pb(t)充电时为正，放电时为负；σ为惩罚系数；socmin为储能的荷电状态的下限。其中等号右边第1项为微电网与配电网的电能交易成本，第2项为储能装置的折旧成本，第三项为储能放电罚函数。h为智能小区优化评估指标，α、β分别为用户自己设置的参数。

因为储能在整个寿命周期内的循环充放电总量基本保持不变。如果储能的更换成本固定，可以假设每千瓦时的充放电量所造成的储能替换成本也是固定的，即

式中cs_bear为储能电池累计放电1kw·h的折旧成本；cs_buy为储能装置的购买成本；cs_buy为储能装置全寿命输出的总电量。

在经济调度中，对储能装置最主要的影响因素是其荷电状态。如果储能装置在放电时处于较高的荷电状态，对其寿命损耗影响比较小，可以有效延长其使用寿命。反之，如果其在放电时位于较低的荷电状态，对其损耗比较大。储能的寿命损耗系数和其荷电状态之间关系的数学表达式为:

式中soc(t)表示储能t时刻的荷电状态。

以上目标函数下的约束条件为：

1)功率平衡约束

pb(t)+pev(t)+pl(t)＝ppv(t)+pg(t)

式中ppv(t)为光伏发电功率；pl(t)为t时段负荷侧的固定负荷功率，可以通过短期负荷预测的方法得到^[18]；pev(t)为电动汽车在t时段的充电总功率。

式中pev,n(t)为t时段第n辆电动汽车的充电功率；n为电动汽车的总数量；pavrg_n为第n辆电动汽车在充电时段内的平均充电功率；tev,n为为第n辆电动汽车的起始充电时刻；pev,n(t)为第n辆电动汽车在t时刻的充电功率；eev,n为第n辆电动汽车在t2-t1时刻的充入电量，由第n辆电动汽车的电量需求量ereq_n决定。

2)电动汽车约束

式中pev_rat为电动汽车充电电池的额定充放电功率；sev为电动汽车停留在充电站的时间段。

3)储能装置约束

|pb(t)|≤pb_rat

eb(t)socmin≤eb(t)≤eb_rat(t)socmax

eb(0)＝eb(t)

式中pb_rat为储能装置的额定功率；eb(t)为储能装置当前的荷电量；ηb为储能装置的充/放电效率；eb_rat(t)为储能装置的额定荷电量；socmax为储能系统荷电状态的上限。

4)联络线功率约束

pg(t)≤min{pmax,pt}

式中pt为配电变压器的额定功率；pmax为联络线路允许的最大传输功率。

进一步，步骤(3)采用多种群协同进化遗传算法，对建立的目标函数进行优化具体方法包括：

步骤1：将智能小区的用户负载、发电功率预测值、电动车到达时间以及剩余电量初始化；步骤2：生成初始种群，对种群中的每个个体进行二进制进行编码，进化代数为1；

步骤3：通过目标函数计算全部满足约束条件的个体的目标函数值，并取其函数值的倒数作为个体的适应度值；

步骤4：依据体的适应度值，采用轮盘赌的方法对个体进行选择；

步骤5：种群内部交叉变异；

变异方法采用差分进化方法，其变异算子表达式如下：

xnew＝x1+rand(0,1)·(x2-x3)

其中xi是互不相同的个体，xnew为新个体。

步骤6：种群之间迁移优秀个体；

步骤7：判断是否达到预定的遗传代数。若不满足，进化代数加1，返回步骤3，重新计算目标函数值；若达到预定遗传代数，则将最优个体输出；

步骤8：结束。

在另一个方面，本发明提供了智能小区需求响应调度设计系统，包括：

智能小区优化评估指标确定模块，用于根据智能小区场景用户的负荷类型确定智能小区优化评估指标，所述智能小区优化评估指标包括电动汽车充放电功率和储能系统充放电实时功率；

目标函数建立模块，用于针对智能小区优化评估指标建立智能小区的负荷调度的优化目标函数；

优化求解模块，用于采用多种群协同进化遗传算法，对建立的目标函数进行优化，求得智能小区优化评估指标最优解。

在以上技术方案中，所述负荷调度模型模块建立的智能小区的负荷模型为：

在以上技术方案中，以系统总运行费用和电网的交换电量最小设置目标函数建立模块建立的目标函数设置为：

minh＝αf+βg

式中δt为单位时间间隔；t为优化的时段数；pg(t)为单位时间间隔内与配电网交换的平均功率；pr(t)为单位时间间隔内平均交易价格；pb(t)和pb(t)分别为t时段储能系统的放电功率和充放电功率，其中pb(t)充电时为正，放电时为负；σ为惩罚系数；socmin为储能的荷电状态的下限；

目标函数中为微电网与配电网的电能交易成本，

为储能装置的折旧成本，为储能放电罚函数，h为智能小区优化评估指标，α、β分别为用户自己设置的参数。

如果储能的更换成本固定，可以假设每千瓦时的充放电量所造成的储能替换成本也是固定的，即

式中cs_bear为储能电池累计放电1kw·h的折旧成本；cs_buy为储能装置的购买成本；cs_buy为储能装置全寿命输出的总电量；

储能的寿命损耗系数和储能装置荷电状态之间关系的数学表达式为:

式中soc(t)表示储能t时刻的荷电状态。

在以上技术方案中，还包括目标函数约束条件模块，用于为目标函数建立模块提供目标函数的约束条件，

所述约束条件为：

1)功率平衡约束

pb(t)+pev(t)+pl(t)＝ppv(t)+pg(t)

式中ppv(t)为光伏发电功率；pl(t)为t时段负荷侧的固定负荷和可转移负荷功率；pev(t)为电动汽车在t时段的充电总功率；

式中pev,n(t)为t时段第n辆电动汽车的充电功率；n为电动汽车的总数量；pavrg_n为第n辆电动汽车在充电时段内的平均充电功率；tev,n为为第n辆电动汽车的起始充电时刻；pev,n(t)为第n辆电动汽车在t时刻的充电功率；eev,n为第n辆电动汽车在t2-t1时刻的充入电量，由第n辆电动汽车的电量需求量ereq_n决定；

2)电动汽车约束

式中pev_rat为电动汽车充电电池的额定充放电功率；sev为电动汽车停留在充电站的时间段；

3)储能装置约束

|pb(t)|≤pb_rat

eb(t)socmin≤eb(t)≤eb_rat(t)socmaxeb(0)＝eb(t)

式中pb_rat为储能装置的额定功率；eb(t)为储能装置当前的荷电量；ηb为储能装置的充放电效率；eb_rat(t)为储能装置的额定荷电量；socmax为储能系统荷电状态的上限；

4)联络线功率约束

pg(t)≤min{pmax,pt}

式中pt为配电变压器的额定功率；pmax为联络线路允许的最大传输功率。

本发明的有益效果：

本发明首先分析智能小区的储能、电动汽车等主要部件，并研究其运行机理，建立智能小区负荷模型；然后，利用多种群协同遗传进化算法进行求解；最后，在matlab编程，验证模型的有效性。

附图说明

图1为本发明具体实施例的方法流程图；

图2为本发明具体实施例的多种群协同进化遗传算法结构示意图；

图3为本发明具体实施例中电动汽车需求电量图；

图4为本发明具体实施例中智能小区优化前光伏出力和负荷情况图；

图5为本发明具体实施例中智能小区优化后光伏出力和负荷情况图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

具体实施例：

本实施例以某智能小区为例，通过对比前后储能和电动汽车的充放电曲线，验证了方法的有效性。

智能小区需求响应调度方法，包括以下步骤：

(1)根据智能小区场景用户的负荷类型确定智能小区优化评估指标，所述智能小区优化评估指标包括电动汽车充放电功率和储能系统充放电实时功率；

实施例中的小区设置有10台充电桩，每台充电桩的额定功率为10kw；车载锂电池的额定电压为250v、额定容量为100a·h。电动汽车的应用场景设置为早上约9：00到达车位，离开的时间约为17：00。由于每一辆电动汽车的行驶路程不同，其需求的电量也不相同，假设其需求的电量如图3所示，图3为本发明具体实施例中电动汽车需求电量图。小区的光伏出力和负荷情况如图4所示，图4为本发明具体实施例中智能小区优化前光伏出力和负荷情况图。

其电价采用分时电价，假设购/售电价格一致，其分时电价的具体价格如表1所示：

表1分时电价

智能小区场景用户的负荷类型可以分为下面几类：

1)固定负荷是居民日常生活必需的负荷以满足日常用电的最低要求，不能进行调度，例如照明；

2)可转移负荷，是提高居民生活质量的负荷，可以进行转移和调度，例如空调、洗衣机；

3)电动汽车负荷，是用以满足用户外出需求，电动汽车在充电过程中所消耗的电能；

4)分布式发电负荷，是指通过光伏发电产生的电能，这部分电能用户可以自己使用，当电能有剩余的时候，多出的电能部分可以送入电网或储存在储能装置中；

5)储能装置负荷，这部分负荷与分布式发电负荷共同组成分布式电源系统，储能装置可以在低电价时通过电网存储电能，也可以在分布式发电系统有剩余时存储电能。

(2)智能小区优化调度的目标函数综合考虑智能小区的运行成本，以及小区和配电网的交换电量，引入智能小区优化评估指标，考虑把储能装置的折旧成本计入系统运行费用，另外把荷电状态的约束惩罚项加入总运行成本，以系统总运行费用和电网的交换电量最小设置目标函数为：

minh＝αf+βg(1),

其中：

式中δt为单位时间间隔；t为优化的时段数；pg(t)为单位时间间隔内与配电网交换的平均功率(购电时为正，售电时为负)；pr(t)为单位时间间隔内平均交易价格；pb(t)和pb(t)分别为t时段储能系统的放电功率和充/放电功率，其中pb(t)充电时为正，放电时为负；σ为惩罚系数；socmin为储能的荷电状态的下限。其中等号右边第1项为微电网与配电网的电能交易成本，第2项为储能装置的折旧成本，第三项为储能放电罚函数。h为智能小区优化评估指标，α、β分别为用户自己设置的参数。

因为储能在整个寿命周期内的循环充放电总量基本保持不变。如果储能的更换成本固定，可以假设每千瓦时的充放电量所造成的储能替换成本也是固定的，即

式中cs_bear为储能电池累计放电1kw·h的折旧成本；cs_buy为储能装置的购买成本；cs_buy为储能装置全寿命输出的总电量。

在经济调度中，对储能装置最主要的影响因素是其荷电状态。如果储能装置在放电时处于较高的荷电状态，对其寿命损耗影响比较小，可以有效延长其使用寿命。反之，如果其在放电时位于较低的荷电状态，对其损耗比较大。储能的寿命损耗系数和其荷电状态之间关系的数学表达式为:

式中soc(t)表示储能t时刻的荷电状态。

在本实施例中，用户负载功率可参见表2，可再生能源发电功率可参见表3。

表2用户负载功率

表3可再生能源发电功率

以上目标函数下的约束条件：

1)功率平衡约束

pb(t)+pev(t)+pl(t)＝ppv(t)+pg(t)(9)

式中ppv(t)为光伏发电功率；pl(t)为t时段负荷侧的固定负荷功率，可以通过短期负荷预测的方法得到^[18]；pev(t)为电动汽车在t时段的充电总功率。

式中pev,n(t)为t时段第n辆电动汽车的充电功率；n为电动汽车的总数量；pavrg_n为第n辆电动汽车在充电时段内的平均充电功率；tev,n为为第n辆电动汽车的起始充电时刻；pev,n(t)为第n辆电动汽车在t时刻的充电功率；eev,n为第n辆电动汽车在t2-t1时刻的充入电量，由第n辆电动汽车的电量需求量ereq_n决定。

2)电动汽车约束

式中pev_rat为电动汽车充电电池的额定充放电功率；sev为电动汽车停留在充电站的时间段。

3)储能装置约束

|pb(t)|≤pb_rat(15)

eb(t)socmin≤eb(t)≤eb_rat(t)socmax(17)

eb(0)＝eb(t)(18)

式中pb_rat为储能装置的额定功率；eb(t)为储能装置当前的荷电量；ηb为储能装置的充/放电效率；eb_rat(t)为储能装置的额定荷电量；socmax为储能系统荷电状态的上限。

4)联络线功率约束

pg(t)≤min{pmax,pt}(19)

式中pt为配电变压器的额定功率；pmax为联络线路允许的最大传输功率。

(3)采用多种群协同进化遗传算法进行求解；

步骤(3)中描述的求解方法为：

多种群协同进化遗传算法和单种群算法相比，该算法突破单种群仅靠单个群体进行遗传算法的框架，引入多个种群同时进行搜索。不同的种群同时进行优化搜索。各个种群之间通过移民算子联系，实现多种群的协同进化。最优解的获取是多个种群协同进化的结果。并通过人工选择算子保存各种群每个进化中的最优个体，并作为判断算法收敛的依据。本发明对于约束条件的处理为直接去除不满足约束的解。在产生初始种群以及种群进化过程中，变异以及交叉都会产生新解，对于每一个新的解，进行约束检查。如果新解不满足约束，则重新进行编译或者交叉操作，直至产生满足约束条件的解。该策略的好处是具有强壮的鲁棒性。算法结构示意图如图2所示。

具体优化求解步骤如下：

步骤1：将智能小区的用户负载、发电功率预测值、电动车到达时间以及剩余电量初始化；在本实施例中，发电功率预测值优选地指光伏发电功率预测值；根据历史数据，生成未来时刻电动汽车(即电动车)到达该智能小区的时间以及相应的剩余电量；

步骤2：生成初始种群，在本实施例中生成10个种群作为初始种群，每个种群有100个个体，对种群中的每个个体进行二进制进行编码，进化代数为1；

步骤3：通过目标函数计算全部满足约束条件的个体的目标函数值，并取其函数值的倒数作为个体的适应度值；本发明为最小化函数值，因此将函数值得倒数作为适应度值，函数值越小，适应度越高；

步骤4：依据体的适应度值，采用轮盘赌的方法对个体进行选择；

步骤5：种群内部交叉变异,

变异方法采用差分进化方法，其变异算子表达式如下：

xnew＝x1+rand(0,1)·(x2-x3)

其中xi是互不相同的个体，xnew为新个体。

步骤6：种群之间迁移优秀个体；

步骤7：判断是否满足终止条件。若不满足，进化代数加1，返回步骤3，重新计算目标函数值；若满足终止条件，则输出结果；

步骤8：结束。

本实施例中采用多种群协同进化遗传算法对含有光伏、储能和电动汽车的智能小区优化调度问题进行求解。相关参数设置如下：进化代数设置为500，种群规模设置100，交叉概率0.7，变异概率0.3；优化时间周期为24h，单位时间为1h。

图5为本发明具体实施例中智能小区优化后光伏出力和负荷情况图。

由图5可以看出，储能系统在峰电价区间内，会停止从电网获取电能，作为电源向外放电，改变了原来无序的充放电。电动汽车会避免在电价高时过多的从电网中获取电能，可以看到在峰电价过去之后，电动汽车很快就提高了充电量，可以有效降低小区的运行费用。也可以看到电动汽车在中午时段的充电功率和没有优化之前相比有所提高，原因是在这个时间段光伏的出力最大，可以提高光伏的就地消纳率。同时，还可以发现储能和电动汽车的协同优化，会改变负荷结构，使负荷曲线在时间序列上更加接近光伏发电曲线，提高光伏的消纳程度。

本发明首先分析智能小区的主要构成部分，并研究其运行特性；针对包含多种用能资源的智能用电小区的日负荷需求响应的协调优化调度问题，以包含电动汽车、储能等分布式能源的居民智能用电模式为研究对象，以系统总运行费用和电网的交换电量最小为目标函数，考虑可调度负荷、电动汽车、分布式储能等约束条件，并利用多种群协同净化遗传算法进行求解，获得优化结果，实现削峰填谷，最后借助算例分析优化模型和求解策略的有效性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

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。

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。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。