一种海量分布式可调资源的聚合和可调容量评估方法与流程

1.本发明涉及一种海量分布式可调资源的聚合和可调容量评估方法，属于电力系统用户侧优化调度领域。


背景技术：

2.随着全球环境污染和能源危机问题日益严峻，开发和利用清洁、可持续的可再生能源成为能源行业的重要发展趋势。风、光等可再生能源的大规模部署使得电网的供电不确定性因素增加，系统的调峰、调频压力日益变大。目前，电力系统严重依赖调节能力相对较弱的集中式电源，即火电，随着间歇性分布式电源渗透率的提高，传统上仅依靠集中式电源的调控模式将无法满足未来能源电力系统的高品质实时控制的要求。因此，必须引导用户侧分布式资源，如电动汽车、分布式储能、空调等具有快速调节能力的灵活资源，参与到负荷侧调节的工作中来，实现该工作的前提是对分布式资源群的可调容量进行评估(即获取分布式资源群的可调容量区间)，但是目前还没有相应的方法。


技术实现要素：

3.本发明提供了一种海量分布式可调资源的聚合和可调容量评估方法，解决了背景技术中披露的问题。
4.为了解决上述技术问题，本发明所采用的技术方案是：
5.一种海量分布式可调资源的聚合和可调容量评估方法，包括：
6.按照相似调度参数，对分布式资源底层单体进行聚类；
7.根据分布式资源底层单体的调度模型，构建分布式资源聚类群的调度模型；
8.将配电网下发的调度指令视为不确定性变量，根据分布式资源聚类群的调度模型，构建两阶段鲁棒优化模型；
9.求解两阶段鲁棒优化模型，对分布式资源聚类群的可调容量进行评估。
10.按照相似调度参数，对分布式资源底层单体进行聚类，包括：
11.按照相似调度参数，采用k-means聚类方法，对分布式资源底层单体进行聚类。
12.分布式资源聚类群的调度模型为分布式资源聚类群中所有底层单体调度模型相加。
13.分布式资源聚类群的调度模型描述为等效储能调度模型。
14.两阶段鲁棒优化模型以分布式资源聚类群基准用电功率与可调容量区间为决策变量，以用电成本最低为目标，以不确定性变量的极端场景下分布式可调资源聚类群完全响应调度指令为约束条件。
15.求解两阶段鲁棒优化模型，对分布式资源聚类群的可调容量进行评估，包括：
16.s1)求解两阶段鲁棒优化模型的主问题，获得分布式资源聚类群的基准用电功率和可调容量区间，并将分布式资源聚类群的基准用电功率和可调容量区间下发给两阶段鲁棒优化模型的子问题；
17.s2)求解两阶段鲁棒优化模型的子问题，获得不确定性变量的极端场景，若预设的收敛条件成立，获得分布式资源聚类群的可调容量区间，否则将不确定性变量的极端场景上传给两阶段鲁棒优化模型的主问题，转至s1)。
18.预设的收敛条件为：分布式资源聚类群在极端场景下对配电网下发调度指令的响应偏差为0。
19.获得分布式资源聚类群的可调容量区间，包括：
20.将最后一次主问题获得的可调容量区间作为所需的分布式资源聚类群的可调容量区间。
21.本发明所达到的有益效果：本发明对分布式资源聚类，获得少量聚类群，构建聚类群的调度模型，将系统侧下发的调度指令视为不确定性变量，构建并求解两阶段鲁棒优化模型，可有效评估分布式资源聚类群的可调容量，从而可实现各类分布式资源充分利用，可帮助分布式资源成为电力系统调节资源的补充，从而提高电力系统的调节能力，降低系统的调峰和调频压力，在削峰填谷和节能环保方面将起到积极作用。
附图说明
22.图1为本发明方法的流程图；
23.图2为聚类的流程图；
24.图3为两阶段鲁棒优化模型求解的流程图。
具体实施方式
25.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。
26.如图1所示，一种海量分布式可调资源的聚合和可调容量评估方法，包括：
27.步骤1，按照相似调度参数，对分布式资源底层单体进行聚类；
28.步骤2，根据分布式资源底层单体的调度模型，构建分布式资源聚类群的调度模型；
29.步骤3，将配电网下发的调度指令视为不确定性变量，根据分布式资源聚类群的调度模型，构建两阶段鲁棒优化模型；
30.步骤4，求解两阶段鲁棒优化模型，对分布式资源聚类群的可调容量进行评估。
31.上述方法对分布式资源聚类，获得少量聚类群，构建聚类群的调度模型，将系统侧下发的调度指令视为不确定性变量，构建并求解两阶段鲁棒优化模型，可有效评估分布式资源聚类群的可调容量，从而可实现各类分布式资源充分利用，可帮助分布式资源成为电力系统调节资源的补充，从而提高电力系统的调节能力，降低系统的调峰和调频压力，在削峰填谷和节能环保方面将起到积极作用。
32.由于网内存在海量的分布式资源，如电动汽车、分布式储能、空调，为了降低调控难度，可以按照相似调度参数(如针对空调可选取房间热阻和房间热容量为调度参数)，采用k-means聚类方法，对分布式资源进行聚类，获得少量的分布式资源聚类群。
33.聚类的流程可如图2所示：
34.1)建立每种分布式资源调度参数的评价矩阵，基于该评价矩阵，初始化k个聚类中
心；
35.2)计算每个分布式资源到k个聚类中心的欧式距离，将各个分布式资源划分到距离最近的聚类中心所对应的聚类群中；
36.3)计算2)中聚类群的中心点，并将该中心点更新为新聚类中心，重复2)；当聚类中心不再变化时，则结束计算，形成每种分布式资源下的k个聚类群。
37.在聚类群中，每个分布式资源底层单体均能构建相应的调度模型，那么基于分布式资源底层单体的调度模型，可构建分布式资源聚类群的调度模型，具体可以为：
38.11)构建分布式资源聚类群内各分布式资源底层单体的调度模型；
39.12)将分布式资源底层单体的调度模型相加，获得分布式资源聚类群的调度模型；
40.分布式资源聚类群的调度模型描述为等效储能调度模型，即虚拟荷电状态与用电功率耦合的线性约束。
41.为了对分布式资源聚类群可调容量进行评估，可以将配电网侧下发的调度指令视为不确定性变量，并将其与分布式资源自身包含的不确定性变量合并为总的不确定性变量，以分布式资源聚类群基准用电功率与可调容量区间为决策变量，以用电成本最低为目标，以不确定性变量的极端场景下分布式可调资源聚类群完全响应调度指令为约束条件，可将可调容量评估描述成一个根据分布式资源聚类群调度模型构建的两阶段鲁棒优化模型。
42.两阶段鲁棒优化模型主要包括主问题和子问题，通过迭代求解可得到分布式资源聚类群的可调容量区间，实现可调容量评估，具体可采用列约束生成技术求解两阶段鲁棒优化模型，如图3所示：
43.s1)求解两阶段鲁棒优化模型的主问题，获得分布式资源聚类群的基准用电功率和可调容量区间，并将分布式资源聚类群的基准用电功率和可调容量区间下发给两阶段鲁棒优化模型的子问题；
44.s2)求解两阶段鲁棒优化模型的子问题，获得不确定性变量的极端场景，若预设的收敛条件成立，获得分布式资源聚类群的可调容量区间，即将最后一次主问题获得的可调容量区间作为所需的分布式资源聚类群的可调容量区间，否则将不确定性变量的极端场景上传给两阶段鲁棒优化模型的主问题，转至s1)；其中，预设的收敛条件为：分布式资源聚类群在极端场景下对配电网下发调度指令的响应偏差为0。
45.下面以空调为例，对上述方法进行详细说明，评估空调在当前时刻后4小时、分辨率为15min的可调容量，具体流程如下：
46.a1)对具有相似调度参数的空调进行聚合。
47.首先，根据每个小时内是否有人，将空调进行第一步分类，由于评估后续4小时的可调容量，则共计24＝16个类；其次，采用k-means聚类方法对每个类进行第二步聚合，过程如下：
48.a11)空调的调度参数主要为房间热阻r和房间热容量c，因此评价矩阵为d＝[d1,d2,
…
,dn]，其中，d1,d2,
…
,dn分别为n个空调的调度参数，n为每个类下空调的总数目。假设每个类下有k＝5个聚类群，在每个类下，任意选择k个空调作为初始聚类中心；
[0049]
a12)计算各个空调到k个聚类中心的欧式距离，将各个空调划分到距离最近的聚类中心所对应的聚类群中；
[0050]
a13)计算a12)中聚类群的中心点，即将得到的中心点更新为新聚类中心，重复a12)，当聚类中心不再变化时，则结束计算，形成每种分布式资源下的k个聚类群；式中，ek为第k个聚类群的中心点，nk为第k个聚类群包含的空调数目，di为第i个空调的调度参数。
[0051]
a2)构建单个空调在夏天的调度模型：
[0052][0053][0054][0055]
其中，e为自然数，r为房间热阻，c房间热容量，t
tout
为t时刻的室外温度，为t+1时刻的房间温度，t
th
为t时刻的房间温度，t
th
和分别为所需要的室内温度下、上界，ω为房间有人的时间段，p
t
为t时刻空调的调节功率，为空调的调节功率上限。
[0056]
a3)建立每个空调聚类群的调度模型。
[0057]
将第i个空调调度模型变换，可得：
[0058][0059]
其中，新增的下标i表示第i个空调，对于每个空调聚类群来说，房间热阻r、房间热容量c以及室外温度t
tout
相近，因此这些参数无下标i。
[0060]
将聚类群中所有空调的调度模型相加，得到：
[0061][0062]
定义空调的虚拟荷电状态为：
[0063][0064]
则聚类群的调度模型可变换为：
[0065]st+1
＝αs
t
+x
t
+c
t
[0066]
其中，参数α＝e-1/(r
·
c)
,
[0067]
虚拟荷电状态s
t
和用电功率x
t
的上下限为：
[0068][0069][0070]
其中，为p
i,t
的上限，p
i,t
为p
i,t
的下限，p
i,t
为t时刻第i个空调的调节功率。
[0071]
a4)将调度指令δx
t
视为不确定性变量，空调自身的不确定变量为室外温度，对应c
t
，则总的不确定变量为[δx
t
,c
t
]，两阶段鲁棒优化模型为：
[0072][0073][0074]
其中，为空调聚类群的基准用电功率，r
tu
、r
td
分别为空调聚类群提供的向上和向下可调容量，p
t
为分时电价，λ
t
为备用价格，为辅助变量，为空调聚类群的实际响应量，ξ
t
为不确定性集，
[0075]
a5)求解上述模型，评估空调聚类群的可调容量。
[0076]
具体步骤可以如下：
[0077]
a51)优化第一阶段主问题，求得满足已知所有不确定性变量极端场景的最优基准用电功率和可调容量区间；
[0078][0079][0080]
式中，下标k代表第k个极端场景，为0-1二进制常数，其由第二阶段子问题得到，标志第k个极端场景下不确定性变量δx
t,k
和c
t,k
的取值(即上界、下界或期望值)，其余带k下标变量为第k个极端场景下的决策变量，θ为极端场景集合，为不确定性变量c
t
的期望值；
[0081]
优化完成后，将基准用电功率和可调容量区间下发给第二阶段子问题；
[0082]
a52)优化第二阶段子问题，以获得不确定变量的极端场景，该极端场景使得分布式资源聚类群对配电网所下发功率指令的响应偏差最大；
[0083]
[0084][0085]
式中，r
tu,*
,r
td,*
,为分布式资源聚类群向上、向下可调容量以及基准负荷，其由第一阶段主问题优化得到，为0-1二进制变量；
[0086]
首先将内层min问题对偶成max问题，则上述问题整体转化成max问题，再通过混合整数规划求解；
[0087]
优化完成后，将标志不确定性变量极端取值的二进制变量值纳入主问题中的极端场景集合θ；
[0088]
a53)若收敛条件成立，即子问题目标值等于0，则优化完成，最后一次主问题得到的基准用电功率和可调容量区间为最优解；否则重复a51)和a52)。
[0089]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0090]
本发明是参照根据本发明实施例的方法、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。
[0091]
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。
[0092]
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。
[0093]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。