一种基于储能与分时电价策略的新能源消纳率优化方法

技术领域

本发明涉及电力新能源储能以及需求侧响应技术领域，尤其是涉及一种基于储能与分时电价策略的新能源消纳率优化方法。

背景技术

在可预见的未来，新能源发电必将成为电力生产的重要发展方向。然而，由于电网自身调节能力有限且市场机制不够完善，目前新能源发电并网困难、消纳不足等问题日益突出。为应对新能源迅猛发展和节能减排需求日益凸显的现状，将新能源发电与运营商微电网有机结合作为电力系统发展的载体，是促进新能源大规模就地消纳率、提高电能利用效率和实现节能减排的有效途径，具有广阔的发展前景。促进运营商新能源就地消纳率有政策优化、需求响应(demand response，DR)和多能互补等方法，其中从政策上解决运营商新能源就地消纳率问题缺乏普适性。

由于智能电网系统采用了现代先进的信息和通信技术，需求响应(DR)通过调整需求侧的灵活负荷，对供需不匹配做出快速反应，已成为提高电网可靠性和降低能源成本的有效方法。根据美国能源部的定义，DR指的是“一种关税或计划，旨在激励电价随着时间的推移而变化，或者在市场价格高企或电网可靠性受到威胁时，提供激励支付，以诱导降低用电量”现有文献一般讨论两类DR：基于价格的DR和基于激励DR。基于价格的DR激励用户根据时变电价改变其能源使用模式，而基于激励的DR则为用户提供固定或时变的激励，如果他们在电力系统压力期间减少能源消耗则给予一定的补贴和奖励；这两类都有自己的好处，并利用了灵活需求潜力的不同方面。但是，目前对以运营商新能源就地消纳率为基本定位开展的相关研究仍较少，且目前的研究均未考虑到如何实现运营商与用户之间的双赢，对于该方面的研究较为空缺。

发明内容

本发明的目的就是为了提供一种提高就地消纳率的基于储能与分时电价策略的新能源消纳率优化方法。

本发明的目的可以通过以下技术方案来实现：

一种基于储能与分时电价策略的新能源消纳率优化方法，包括以下步骤：

获取新能源出力曲线与运营商用户负荷曲线；

将所述新能源出力曲线与运营商用户负荷曲线划分为多类数据；

根据时段将所述多类数据输入至预先构建的上层储能优化模型中，以获得储能优化配置和计算运行日成本；

将所述运行日成本输入至预先构建的下层强化学习模型中，寻找最优分时电价，并结合所述储能优化配置以提高新能源消纳率。

进一步地，采用二分K-Means聚类算法将所述新能源出力曲线与运营商用户负荷曲线划分为多类数据。

进一步地，所述多类数据包括峰、平和谷三类时段数据。

进一步地，所述上层储能优化模型以运营商新能源消纳率最大为目标函数，并以电功率平衡约束、储能充放电约束、储能容量约束、能功率约束以及储能荷电状态约束为约束条件进行构建，所述上层储能优化模型的表达式为：

其中，所述电功率平衡约束的表达式为：

P

所述储能充放电约束的表达式为：

P

所述储能容量约束的表达式为：

E

储能功率约束的表达式为：

P

储能荷电状态约束的表达式为：

式中，R

进一步地，所述运行日成本的计算表达式为：

C

式中，C

进一步地，所述下层强化学习模型以运营商模型作为智能体，以不同用户作为环境，以用户模型作为状态，以运营商在每个时隙向用户制定的零售价格作为动作，以运营商的利润和用户的成本作为奖励。

进一步地，所述用户模型的目标函数为：

其中，

α

β

式中，λ

进一步地，所述运营商模型的目标函数为：

k

式中，λ

进一步地，采用q一1earning算法求解所述下层强化学习模型，将奖励作为更新的Q-Value值，所述奖励表达式为：

式中，ρ∈[0，1]表示运营商的利润与用户的成本之间的相对重要性的权重因子，其大小由运营商的决策决定，ρ越大代表越注重运营商的利益，反之则更注重用户的利益；λ

进一步地，采用PSO算法求解所述上层储能优化模型。

与现有技术相比，本发明具有以下有益效果：

(1)本发明考虑储能技术构建上层储能优化模型，获得储能优化配置，计算运行日成本，并在下层强化学习模型中考虑上层储能优化模型下运行日成本，计算满足运营商与用户需求的最优分时电价并结合储能优化配置实现满足运营商与用户需求下最大程度提高新能源消纳率。

(2)本发明考虑了储能配置及运行成本，建立运营商的储能优化模型，显著提高了新能源就地消纳能力，并提高了储能配置的经济型，在下层强化学习模型通过考虑用户由价格上涨而导致的不满意程度，通过强化学习模型的方式，在使得满足客户的不满意系数不超过阈值与运营商收入利益最大化的前提下，寻找到最优的分时电价制定策略，实现了用户与运营商利益的双赢。

(3)本发明通过储能优化配置和分时电价策略，鼓励用户在新能源供应充足时增加用电，以提高新能源的消纳率，有助于推动清洁能源的大规模应用，减少对传统能源的依赖，实现能源结构向更低碳的方向转变。

附图说明

图1为本发明方法流程示意图；

图2为本发明实施例使用的新能源出力曲线与负荷曲线图；

图3为本发明实施例下层强化学习模型的求解流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种基于储能与分时电价策略的新能源消纳率优化方法，如图1所示，该方法包括以下步骤：

步骤1、获取新能源出力曲线与运营商用户负荷曲线。

本实施例采用的新能源出力曲线与负荷曲线如图2所示。

步骤2、基于所述新能源出力曲线与运营商用户负荷曲线，采用聚类方法划分为多类数据。

本步骤将新能源出力曲线与运营商用户负荷曲线经过二分K-Means聚类的方式动态的划分峰、平、谷时三类。由于传统的K-Means算法的聚类结果易受到初始聚类中心点选择的影响，因此在传统的K-Means算法的基础上进行算法改进，对初始中心点选取比较严格，各中心点的距离较远，这就避免了初始聚类中心会选到一个类上，一定程度上克服了算法陷入局部最优状态。

二分K-Means(Bisecting K-Means)算法的主要思想是：首先将所有点作为一个簇，然后将该簇一分为二。之后选择能最大限度降低聚类代价函数(也就是误差平方和)的簇划分为两个簇。以此进行下去，直到簇的数目等于用户给定的数目k为止，在此处将簇的数目设定为3，将其动态的划分为3类，将所有样本数据作为一个簇放到一个队列中从队列中选择一个簇进行K-means算法划分，划分为两个子簇，并将子簇添加到队列中，循环迭代第二步操作，直到中止条件达到(聚簇数量、最小平方误差、迭代次数等)，队列中的簇就是最终的分类簇集合，也就得到了动态的峰、平、谷三类时段数据的划分。

步骤3、基于所述多类数据，根据时段将不同的数据输入至预先构建的上层储能优化模型中获得储能配置和日成本。

该步骤首先需要构建上层储能优化模型，该上层模型以运营商新能源消纳率最大为目标函数，并以电功率平衡约束、储能充放电约束、储能容量约束、能功率约束以及储能荷电状态约束为约束条件进行构建。

上述目标函数的表达式为：

式中：R

根据上述所述的约束条件，电功率平衡约束是指任意时刻电源、储能的输出功率等于负荷功率，表达式为：

P

式中P

储能充放电约束条件的表达式为：

P

式中：P

储能容量约束的表达式为：

E

式中：E

储能功率约束的表达式为：

P

式中：P

储能荷电状态约束的表达式为：

式中：S

根据时段将不同类的数据输入至上述构建的储能优化模型中，得到优化完的运营商储能配置P

C

式中：C

步骤4、将所述运行日成本输入至预先构建的下层强化学习模型中，寻找最优电价，以提高新能源就地消纳率。

该步骤首先需要构建下层强化学习模型，该模型由五部分组成：智能体(Agent)，环境(Environment)，状态(State)，行动(Action)，以及奖励(Reward)组成。其中智能体(Agent)为运营商模型，环境(Environment)为不同的用户，制定零售价格表示运营商在每个时隙向用户发出的动作(Action)，用户的能源信息(能源需求和消耗)表示状态(State)，运营商的利润和用户的成本表示奖励(Reward)。强化学习模型的目标函数即使得模型通过不断执行动作(Action)搜索找到最大的奖励(Reward)，使得用户与运营商的利益都得到最大化。

上述状态(State)的用户模型表述如下：

首先对用户模型的负载概况可以根据其优先级和需求特征分为关键负载或缩减负载，关键负载指的是满足用户的这些负载需求是非常重要的，例如数据中心的用电量。而可缩减负载指的是除关键负荷外，电网采暖、通风、空调用电需求通常随电价上涨而下降。对于用户的负荷将其划分为必要负荷需求

式中：ξ

并基于此制定了一个不满意系数

α

β

式中：α

用户模型的目标函数表达式如下：

式中：其中，第一项表示用户使用电力的消费，第二项表示因需求减少而产生的不满。

上述智能体(Agent)运营商模型所述如下：

k

式中：k

通过结合用户模型与运营商模型及的目标函数与上层模型的日成本C

式中：ρ∈[0，1]表示运营商的利润与用户的成本之间的相对重要性的权重因子，其大小由运营商的决策决定，ρ越大代表越注重运营商的利益，反之则更注重用户的利益。

其中采取的动作(Action)即为制定不同的价格λ

分别使用群智能优化算法以及q-learning算法对上下层模型求解后即可得到运行结果，寻找到储能的优化配置以及最优电价。根据储能优化配置和最优分时电价策略的基础上，可以根据可再生能源发电状况进行调整，鼓励用户在新能源供应充足时增加用电，以提高新能源的消纳率。这有助于推动清洁能源的大规模应用，减少对传统能源的依赖，实现能源结构向更低碳的方向转变。此外，可以根据储能优化配置以及最优电价实现运营商与用户的双赢。

实施例2

本实施例提供一种基于储能与分时电价策略的新能源消纳率优化方法，与实施例1不同的是，本实例采用PSO(Particle Swarm optimization，粒子群优化算法)算法求解上层储能优化模型，其余与实施例1相同。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

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。

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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。