一种源-荷曲线调节优化模型与方法与流程

本发明涉及新能源电力系统技术领域，尤其涉及一种源-荷曲线调节优化模型与方法。

背景技术：

当前，源-网-荷-储协调运行是可再生能源消纳的重要手段，实现源-网-荷-储协调则需要利用储能、需求侧可控资源等对源荷曲线进行相应的调节。随着泛在电力物联网概念的提出和5g技术的出现，电力系统的信息互联和在线控制将进一步推进。云储能作为一种新型的共享式储能商业模式，其通过将用户侧的分布式储能和新建的集中式储能信息聚合到云端，与用户签订租赁协议,实现储能设施的共享，有望取代传统储能成为未来实现源荷曲线调节的重要手段。

针对云储能系统存在的功率型电池与能量型电池租赁价格差异及需求响应成本随调节深度出现的价格差异问题，亟需建立一种源-荷曲线调节优化模型与方法，以合理分配功率型电池、能量型电池和需求响应对源荷曲线的调节量，实现总成本最低。

技术实现要素：

本发明要解决的技术问题在于：针对源荷曲线调节量在云储能与需求响应之间的分配问题，本发明提供一种源-荷曲线调节优化模型，实现源-荷曲线调节量在云储能与需求响应之间的最优分配。

为解决上述技术问题，本发明提出的技术方案为：

一种源-荷曲线调节优化模型与方法，步骤包括：

s1.确定原始与期望新能源出力、负荷曲线；

s2.求取新能源出力曲线和负荷曲线的期望曲线与原始曲线的差值序列，并采用变分模态分解法将其分解成高频功率序列与低频功率序列；

s3.将高频序列与低频序列分别作为云储能中功率型、能量型电池的充放电功率约束，建立源-荷曲线优化调节模型。

作为本发明的进一步改进，所述步骤s2中新能源曲线差值序列与负荷曲线差值序列具体根据所述步骤s1中的期望曲线与原始曲线作差求得。

作为本发明的进一步改进，得到新能源差值序列与负荷差值序列后，还要对差值序列进行变分模态分解与重构，将差值序列分解为高频部分与低频部分，具体步骤如下：

s21.将差值序列分解成k个中心频率从低到高的本征模态函数uk(t)

s22.计算各相邻子模态之间的互信息熵，信息熵表达式如下：

mi(uk,uk+1)＝h(uk)+h(uk+1)-h(uk,uk+1)

式中p(uk)为第k个子模态的能量值。

s23.对互信息熵进行归一化处理：

s24.选取互信息熵的极小值点作为高频分量和低频分量的分界点，对高频分量和低频分量进行重构，得到低频功率曲线plemax和高频功率曲线plpmax。

作为本发明的进一步改进，所述步骤s2中具体将所述低频功率曲线plemax和高频功率曲线plpmax作为云储能电池中能量型电池与功率型电池的充放电约束。此外，目标电力系统还需满足电池充放电约束、需求响应电价约束、云储能充放电功率平衡约束、需求弹性矩阵等式约束。

作为本发明的进一步改进，所述源-荷曲线优化调节具体步骤为：预先以云储能和需求响应总成本最低为目标，基于上述约束构建源-荷曲线优化调节模型，基于所述源-荷曲线优化调节模型合理分配云储能和需求响应在新能源-负荷曲线调节中所占比例。

与现有技术相比，本发明的优点在于：

1)本发明改进了原有源荷曲线调节手段，考虑了未来泛在电力物联网背景下采用云储能与价格型相结合的方式实现对源荷曲线进行同步调节。

2)本发为使功率曲线中波动较快的部分尽可能采用云储能系统中功率型电池进行充放电，对波动较缓的部分尽可能采用云储能系统中能量型电池进行充放电，采用了变分模态分解法对功率差值序列进行分解与重构，从而将总的功率差值曲线分解为高频部分与低频部分，从而减少云储能费用和延长电池寿命。

3)本发明正对源荷曲线调节量在云储能与需求响应之间的分配问题，建立了相应的优化模型，实现以最低的调节成本将原始源、荷曲线调整为期望曲线。

4)本发明建立的源-荷曲线调节优化模型可以与已有的源荷协调模型相结合，通过利用云储能、需求响应等资源调节源、荷曲线，实现源网荷储协调运行，促进新能源消纳。

附图说明

图1是本实施例源-荷曲线调节优化模型与方法的实现流程示意图。

图2是具体实施例原始与期望新能源出力、负荷曲线。

图3是具体实施例新能源、负荷差值序列图。

图4是本实施例变分模态分解流程图。

图5是具体实施例负荷差值序列变分模态分解结果图。

图6是具体实施例新能源差值序列变分模态分解结果图。

图7是本发明具体实施例中负荷差值序列在云储能与需求相应之间的分配图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本实施例源-荷曲线调节优化模型与方法，步骤包括：

s1.确定原始与期望新能源出力、负荷曲线；

s2.求取新能源出力曲线和负荷曲线的期望曲线与原始曲线的差值序列，并采用变分模态分解法将其分解成高频功率序列与低频功率序列；

s3.将高频序列与低频序列分别作为云储能中功率型、能量型电池的充放电功率约束，建立源-荷曲线优化调节模型。

本实施例考虑未来含云储能和实时电价背景下，新能源-负荷曲线的调节手段将由传统的储能与激励型需求响应转化为通过云储能和价格型需求响应来调节。而云储能系统中含有响应较快的的功率型电池和能量密度较高的能量型电池，由于其制造成本和使用寿命的差异，其租赁成本也会不同。此外，价格型需求响应随着调节深度的加大，用户价格敏感系数也会发生一定的变化，意味着其调节成本会随着调节深度的增加而增加，且需求响应对负荷曲线的调节量有限，需要与云储能相结合。电力系统的总功率曲线是由很多条波动频率不一的小功率曲线组合而成。通过云储能与需求响应结合的方式将原始的新能源与负荷曲线调整为期望曲线过程中，希望功率差值序列波动较快的部分尽可能采用功率型电池进行充放电，以减少调节成本和增加电池寿命。故考虑采用变分模态分解与重构方法将差值序列分解为高频部分与低频部分，并建立源荷曲线调节优化模型，实现以最低成本将原始曲线调节为期望曲线。

本实施例中，步骤s1所述原始与期望新能源出力、负荷曲线如图2所示。

本实施例中，步骤s2中负荷曲线差值序列具体根据所述步骤s1中的期望负荷曲线与原始负荷曲线作差求得；步骤s2新能源差值序列具体由新能源出力能力与原始新能源实际出力差值序列及原始新能源实际出力与期望新能源出力的差值序列两者之和组成，具体如图3所示。

本实施例中，得到新能源差值序列与负荷差值序列后，还要对差值序列进行变分模态分解与重构，将差值序列分解为高频部分与低频部分，具体步骤如下：

s21.将差值序列分解成k个中心频率从低到高的本征模态函数uk(t)，其流程图如图4所示，分解结果如图5、6所示。

s22.计算各相邻子模态之间的互信息熵，信息熵表达式如下：

mi(uk,uk+1)＝h(uk)+h(uk+1)-h(uk,uk+1)(1)

式中p(uk)为第k个子模态的能量值。

s23.对互信息熵进行归一化处理：

s24.选取互信息熵的极小值点作为高频分量和低频分量的分界点，对高频分量和低频分量进行重构，得到低频功率曲线plemax和高频功率曲线plpmax。

本实施例中，所述步骤s2中具体将所述低频功率曲线plemax和高频功率曲线plpmax作为云储能电池中能量型电池与功率型电池的充放电约束。此外，目标电力系统还需满足如下约束：电池充放电约束、需求响应电价约束、云储能充放电功率平衡约束、需求弹性矩阵等式约束。

①电池充放电约束

|ple(t)|≤|plemax(t)|(4)

|plp(t)|≤|plpmax(t)|(5)

式中plemax、plpmax为负荷差值曲线经变分模态分解后的低频功率曲线和高频功率曲线。

②需求响应电价约束

ρmin≤ρ(t)≤ρmax(6)

式中ρmin、ρmax分别为需求响应电价的最小值和最大值。

③云储能充放电功率平衡约束

④需求弹性矩阵等式约束

式中δp和δρ分别表示电量需求和电价的增加量，p0和ρ0分别表示原始的电量需求和电价；εii、εij分别为自弹性系数与交叉弹性系数，i、j分别为第i时段和第j个时段。

本实施例中，源-荷曲线优化调节具体步骤为：预先以云储能和需求响应总成本最低为目标，基于上述约束构建源-荷曲线优化调节模型，基于所述源-荷曲线优化调节模型合理分配云储能和需求响应在新能源-负荷曲线调节中所占比例。

本实施例中，源-荷曲线优化调节模型具体目标函数为：

总调节成本最小的目标函数

上式中，ple(t)、plp(t)分别为t时段采用能量型电池充放电的功率和采用功率型电池的充放电的功率；分别为云储能系统能量型电池、功率型电池的单位能量容量租赁费用；为实行分时电价前后电网的收入，两者之差则为需求响应成本；pl0(t)、pl1(t)为实行分时电价前后的负荷曲线；rp为实行分时电价前的固定电价；ρ(t)为实时电价；r为电力公司为鼓励用户参与需求响应给用户的电价折扣。

为验证本发明的有效性，选取某含风光火储联合发电系统的工业园区作为分析对象，其中包含3台常规机组，总装机容量为800mw。风电装机容量为150mw，光伏装机容量为100mw。云储能系统能量型电池、功率型电池的单位能量容量租赁价格分别为300元/mwh、200元/mwh。原始电价rp＝0.6元/kwh,电价的波动范围为0.4～1.4元/kwh，需求响应用户的电价折扣取0.8。

对于新能源差值序列，采用变分模态分解将其分解为高频功率曲线和低频功率曲线，分别采用云储能系统中功率型电池和能量型电池来调节，云储能调节成本与使用单一的蓄电池对比如表1所示。

表1不同方式下新能源差值序列调节成本

由上表可知通过购买云储能服务来调节新能源曲线比使用传统单一蓄电池调节成本更低，且可以大量地减少弃风弃光。

本文将负荷差值序列的调节方式分为三种，方式1，只采用云储能调节；方式2，只采用需求响应；方式3，云储能与需求响应优化分配。三种方式的成本对比如下表2所示。

表2不同方式下负荷差值序列调节成本

由上表可得，方式1虽然可以完全消除负荷差值序列，但由于云储能的成本高于需求响应的成本，故其总成本高于方式3的总成本；方式2中，由于电价波动需要控制在一定的范围内，故电量需求量变化是有限的，所以方式2不能完全消除负荷偏差序列，将会导致部分负荷损失和大量的弃风弃光；方式3，通过第二阶段优化实现负荷差值序列在云储能及需求响应之间的合理分配，其不仅能完全消除负荷差值序列，且其与方式1和方式2相比，总调节成本最低。

本实例按方式3对负荷差值序列进行调节，负荷差值序列在云储能与需求响应之间的分配如图7所示。在未来云储能服务价格已知的前提下，通过调节实时电价合理地分配负荷差值序列在需求响应和云储能调节中的比例，实现总调节成本最低。例如，由图5中负荷差值序列图可知，0-6时段需要引导用户用电来增加负荷，故在0-6时段，由图7可看出电价一直控制在下限0.4元/kwh，但由于在负荷低谷时间段，需求弹性系数较小，故电量需求只有小幅度的上升。由于0-6时段内大部分负荷功率曲线属于能量型功率曲线，故此时采用较多的能量型电池来调节，由于功率型电池的充放电成本较低，故在功率型电池充放电约束范围内会尽可能多地使用功率型电池来调节。

由上述试验结果可得，本实施例通过采用变分模态分解方法将新能源出力、负荷差值序列进行分解与重构成高频部分与低频部分，并将其引入源荷曲线优化调节模型，通过合理分配云储能、需求响应的调节量，能有效地减少总调节成本。该方法与模型能够应用于未来的需求侧管理中。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。