一种基于DMPC的新能源电力系统消纳方法

技术领域

本发明涉及电力调度技术领域，具体为一种基于DMPC的新能源电力系统消纳方法。

背景技术

随着我国电力事业的飞速发展，风电、光伏等可再生能源的接入比例不断提高，新能源在电力系统总发电量中所占的比例也越来越大。且随着“双碳”目标、“整县光伏”等一系列政策的相继提出，屋顶光伏、用户储能和电动汽车等新型交互式负荷在终端用户侧的渗透率正在加速增长，大量用户将具备发、储、用柔性调节能力，具有源荷双重特性，以用户为单位的发用储一体化“产消者”可能大量涌现，改变了传统配用电利益格局。

在新的发展形势下，随着分布式新能源在用户侧渗透比例的不断提高以及配用电侧电力市场的革新开放发展，集发、用、储能于一体的产消者之间点对点能源交易逐渐应运而生，这就对支撑高比例分布式新能源渗透和就地高效消纳的优化调度提出来更高的要求；在考虑P2P能源交易共享的产消者聚合模型基础上如何参与电网互动运行的优化调度策略，提高电力系统对波动新能源的接纳能力，保证电力系统安全可靠经济运行就变得至关重要。

发明内容

本发明的目的在于提供一种基于DMPC的新能源电力系统消纳方法，在考虑P2P能源交易共享的产消者聚合模型基础上参与电网互动运行的优化调度策略，提高电力系统对波动新能源的接纳能力。

为了解决上述技术问题，本发明提供如下技术方案，一种基于DMPC的新能源电力系统消纳方法，其步骤包括：

S1.获取历史电力系统数据以及历史产消者聚合体数据，并利用密度聚类方法以及欧几里距离公式构建电力消纳子系统，可以更有效地确定聚类中心，从而更好地进行电力消纳子系统的划分；

S2.基于历史产消者聚合体数据和产消者聚合体整体功率，利用长短时记忆神经网络构建产消者聚合体预测模型；

S3.在每个电力消纳子系统内构建产消者聚合体P2P交易模型，并基于实时获取到的产消者聚合体数据，利用产消者聚合体P2P交易模型确定每个电力消纳子系统与所有产消者聚合体交互的模拟总输入功率和模拟总输出功率；

S4.基于每个电力消纳子系统与所有产消者聚合体交互的模拟输入功率和模拟输出功率，利用产消者聚合体预测模型预测电力消纳子系统中的所有产消者聚合体实际的总输入功率和总输出功率；

S5.基于每个电力消纳子系统聚合体实际总输入功率和总输出功率确定电力消纳子系统与全部产消者聚合体的整体虚拟交互功率，并根据各个电力消纳子系统之间的耦合关系，利用耦合约束法对整个电力系统进行消纳优化。

根据上述技术方案，所述产消者聚合体数据包括产消者聚合体位置信息、产消者聚合体荷电数据、产消者聚合体电能成本、产消者聚合体荷交易数据；所述产消者聚合体包括产消者聚合体位置信息、产消者聚合体产能数据、产消者聚合体运行数据、产消者聚合体成本数据；所述产消者聚合体由可调控家居负荷、分布式可再生电源以及储能单元等构成；

所述电力系统数据包括电力子系统数据交易数据、电力子系统交易数据、电力子系统数据荷电数据、电力子系统功率数据；所述电力子系统是指将一整个电力系统按照所处的位置区域、各部分在电力系统的作用等进行划分的。

根据上述技术方案，对所述历史产消者聚合体数据中的位置信息进行预处理，确定各个产消者聚合体的位置信息，并选择任一历史产消者聚合体为基点绘制产消者聚合体位置图；

所述历史产消者聚合体数据中的位置信息预处理是指对历史产消者聚合体数据中的位置信息进行校对；

基于密度聚类方法对产消者聚合体进行聚类划分，即基于产消者聚合体位置图，利用采用边界域加速算法计算样本的局部密度、中心偏移距离以及NMI值；

根据历史经验定义阀门，并通过邻域互信息基于邻域互信息的密度度量公式进行二次划分并确定新的聚类中心，将新得到的聚类中心按照基于欧几里得距离最近的原则进行分配，直到所有点都分配完成；

将产消者聚合体的聚类中心按照基于欧几里得距离最近的原则分配到电力子系统中构建电力消纳子系统，直到所有聚类中心都分配完成。

由于产消者聚合体的数量多且分布广，因此将产消者聚合体进行分类，化繁为简将同一类产消者聚合体看做一个整体与电力子系统进行交互，能够更加简洁、高效的处理产消者聚合体与电力系统的交互关系。

根据上述技术方案，所述产消者聚合体P2P交易模型：

其中，

所述电能总成本是指电能总成本包括产消者聚合体与配电公司的交易成本和设备发电成本；所述基础用电成本包括设备发电成本和与配电公司交易成本；所述电能交易结算议价因子是由产消者聚合体在P2P电能贡献度决定。

根据上述技术方案，基于实时获取到的产消者聚合体数据，确定电力消纳子系统内所有产消者聚合体在不发生P2P交易时所有产消者聚合体产生的总输入功率P

基于实时获取到的产消者聚合体数据，利用Benders分解法求解产消者聚合体P2P交易模型确定产消者聚合体P2P交易过程中产生的总输入功率P

利用产消者聚合体交互功率P

由于产消者聚合体并非都与电力系统进行交互，在考虑了P2P交易的情况下计算产消者聚合体与电力系统实际的交互功率，能够更加贴合实际。

根据上述技术方案，所述产消者聚合体预测模型构建步骤包括：

将电力消纳子系统与所有产消者聚合体交互的模拟总输入功率与电力消纳子系统中的所有产消者聚合体实际总输入功率构建训练集和验证集，利用所述长短时记忆神经网络进行训练构建预测模型，将实时得到产消者聚合体整体功率输入至预测模型，得到电力消纳子系统中的所有产消者聚合体相应的实际总输入功率；

将电力消纳子系统与所有产消者聚合体交互的模拟总输出功率与电力消纳子系统中的所有产消者聚合体实际总输出功率构建训练集和验证集，利用所述长短时记忆神经网络进行训练构建预测模型，将实时得到产消者聚合体整体功率输入至预测模型，得到电力消纳子系统中的所有产消者聚合体相应的实际总输出功率。

在实际产消者聚合体与电力系统实际的交互中存在一定程度的损耗，因此采用长短时记忆神经网络自主学习其中的规律，使得交互数据更加精准。

根据上述技术方案，所述整个电力系统消纳调度步骤包括：

采集系统当前时段的状态变量即电力系统储能soc值，初始化拉格朗日乘法子和迭代次数n＝1；

对整体优化目标函数进行当次迭代下的求解，得到当次迭代下的交互功率值；

电力消纳子系统i将交互功率值信息传输给具有耦合关联的其他电力消纳子系统，并接收从其他电力消纳子系统传递的交互功率值信息，基于当次迭代下的交互功率值更新拉格朗日乘子，并判断是否满足终止条件，若不满足继续迭代，若满足则将第一个时域的优化结果用于当前时段的优化调度运行。

根据上述技术方案，所述整体优化目标函数是由所有的电力消纳子系统的目标函数以及各个电力消纳子系统耦合形成的运行目标函数共同累加；

所述整体优化目标函数：min：

其中，M表示电力消纳子系统的数量，T表示预测时间段，

根据上述技术方案，所述拉格朗日乘子更新公式

其中，

与现有技术相比，本发明所达到的有益效果是：本发明首先采用布式模型预测控制(DMPC)模型，将整个电力系统进行划分为多个子系统，利用多个子系统之间的功率交互以及电荷平衡，对产消者聚合资源和电力系统两者先进行小范围消纳，并利用拉格朗日乘子法更好地处理电力消纳子系统之间的耦合关系，实现电力系统整体消纳，在此过程中考虑到了产消者聚合体之间在进行P2P交易时对电力系统的影响，能够更好地解决新能源电力系统中的消纳优化问题，提高电力系统的效率和稳定性，同时提高电力系统对波动新能源的接纳能力。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于DMPC的新能源电力系统消纳方法的步骤流程图；

图2是本发明电力系统消纳调度方法的步骤流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供技术方案，一种基于DMPC的新能源电力系统消纳方法，其步骤包括：

S1、获取历史电力系统数据以及历史产消者聚合体数据，根据历史产消者聚合体位置信息绘制产消者聚合体位置图，利用采用边界域加速算法计算样本的局部密度、中心偏移距离以及NMI值，根据历史经验确定阀门并基于邻域互信息的密度度量公式进行二次划分并确定新的聚类中心，进而利用欧几里得距离最近的原则进行分配直到所有点都分配完成，并将产消者聚合体的聚类中心按照基于欧几里得距离最近的原则分配到电力子系统中构建电力消纳子系统，直到所有聚类中心都分配完成；

S2、基于历史产消者聚合体数据和产消者聚合体整体功率，利用长短时记忆神经网络构建产消者聚合体预测模型，具体为将电力消纳子系统与所有产消者聚合体交互的模拟总输入功率与电力消纳子系统中的所有产消者聚合体实际总输入功率构建训练集和验证集，利用所述长短时记忆神经网络进行训练构建预测模型，将实时得到产消者聚合体整体功率输入至预测模型，得到电力消纳子系统中的所有产消者聚合体相应的实际总输入功率；

将电力消纳子系统与所有产消者聚合体交互的模拟总输出功率与电力消纳子系统中的所有产消者聚合体实际总输出功率构建训练集和验证集，利用所述长短时记忆神经网络进行训练构建预测模型，将实时得到产消者聚合体整体功率输入至预测模型，得到电力消纳子系统中的所有产消者聚合体相应的实际总输出功率。

S3、在每个电力消纳子系统内构建产消者聚合体P2P交易模型，并基于实时获取到的产消者聚合体数据，利用产消者聚合体P2P交易模型确定每个电力消纳子系统与所有产消者聚合体交互的模拟总输入功率和模拟总输出功率，具体为：

基于实时获取到的产消者聚合体数据，确定电力消纳子系统内所有产消者聚合体在不发生P2P交易时所有产消者聚合体产生的总输入功率P

基于实时获取到的产消者聚合体数据，利用产消者聚合体P2P交易模型确定产消者聚合体P2P交易过程中产生的总输入功率P

利用产消者聚合体交互功率P

所述产消者聚合体P2P交易模型：

其中，

S4、基于每个电力消纳子系统与所有产消者聚合体交互的模拟输入功率和模拟输出功率，利用产消者聚合体预测模型预测电力消纳子系统中的所有产消者聚合体实际的总输入功率和总输出功率；

S5、基于每个电力消纳子系统聚合体实际总输入功率和总输出功率确定电力消纳子系统与全部产消者聚合体的整体虚拟交互功率，并根据各个电力消纳子系统之间的耦合关系，利用耦合约束法对整个电力系统进行消纳优化，具体为：采集系统当前时段的状态变量即电力系统储能soc值，初始化拉格朗日乘法子和迭代次数n＝1；

对整体优化目标函数进行当次迭代下的求解，得到当次迭代下的交互功率值；

电力消纳子系统i将交互功率值信息传输给具有耦合关联的其他电力消纳子系统，并接收从其他电力消纳子系统传递的交互功率值信息，基于当次迭代下的交互功率值更新拉格朗日乘子，并判断是否满足终止条件，若不满足继续迭代，若满足则将第一个时域的优化结果用于当前时段的优化调度运行；

其中，所述整体优化目标函数是由所有的电力消纳子系统的目标函数以及各个电力消纳子系统耦合形成的运行目标函数共同累加；整体优化目标函数：min：

式中，M表示电力消纳子系统的数量，T表示预测时间段，

拉格朗日乘子更新公式

式中，

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。