CN114301081A - 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 - Google Patents

Abstract

一种考虑电池储能寿命损耗与需求响应的微电网优化方法，步骤：得到一个调度周期内由蓄电池充放电造成的经济损失；将电力负荷划分为可中断与可转移负荷，对可转移负荷的需求响应行为进行分析，建立电力负荷需求响应矩阵，分析用户对实行基于电价的需求侧管理后的负荷变化情况。在不同时段给予参与调节的可转移负荷与可中断负荷经济补偿，得到在需求响应作用下电力负荷从电网得到的经济补偿。在考虑上述两个因素后代入微电网多目标优化模型求解得到优化策略，提高微电网优化模型的准确性。本发明能够解决现有模型没有对蓄电池的寿命损耗成本进行量化导致的求解不准确的问题；通过促进电力负荷主动参与需求响应，提高微电网的运行稳定性和经济效益。

Description

一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法

技术领域

本申请属于电力系统需求响应技术领域，涉及一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法。

背景技术

可再生能源接入电网已经成为发展低碳经济的重要手段。微电网技术是分布式可再生能源发电系统集成应用的核心之一，也是智能电网建设的重要内容。在微电网的发展初期，对微电网的研究大多关注于与微电网规划、控制与运行相关的技术和设备研发,并通过示范工程对关键技术和设备进行功能的可行性验证。

随着相关技术的发展与国家政策的推动，在电力用户侧逐渐出现以可再生分布式电源和储能为核心元件，综合利用可控负荷资源的用户侧微电网系统。传统电力系统通过集中式的大型发电机组向负荷侧供电，而在规模化接入分布式可再生能源的新代电网中，微电网为可再生能源发电、储能系统及用户需求提供了一种分布式集合形式，是分散协调可再生能源与用户负荷的理想平台。

目前已有不少学者针对需求响应的实施过程中，负荷是如何参与微电网调节提出了诸多见解。大多数研究考虑的都是默认需求侧的用户都会主动参与需求响应的调度，但是在实际过程中并非所有的电力用户都会积极响应电网的需求响应调度要求。面对电网的不同激励水平，电力用户都会表现出不同程度的响应概率，而响应概率反应的是电力用户参与意愿的不确定性。虽然通过当地的数据可以建立一个函数来拟合预测负荷参与响应的情况，但是实际应用必然会存在细微的偏差，进而导致功率不平衡，影响微电网的稳定运行。而且在以往考虑需求侧响应的研究中，并没有考虑到蓄电池储能环节存在一个寿命损耗成本，这样也会导致模型不精确，进而导致求出的解往往不是系统的最优解。

发明内容

本发明提出了一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法。该方法针对需求响应参与微电网调节的优化调度问题，探究将需求侧负荷划分为可转移负荷与可中断负荷，在前一天通过对可转移负荷进行建模然后代入实际统计的数据得到一个预测值，然后次日用可中断负荷对微电网的实时不平衡功率进行调节，在此基础上在对蓄电池储能寿命损耗成本进行建模并对其量化到每个时段。该方法解决了以往考虑需求侧响应的研究中需求侧成响应参与微电网调节存在偏差影响微电网的安全稳定运行的问题以及没有考虑到蓄电池储能环节存在一个寿命损耗成本而导致模型求解不精确的问题。

为了达到上述目的，本发明采用的技术方案是：

一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法，包括以下步骤：

步骤1：在对微电网进行优化求解之前，首先要获取微电网中的风机、光伏出力以及负荷一天的用电数据。而风机、光伏出力可以根据现有研究模型结合当地季节的实际数据定出参数具体的值，在对微电网进行调度的前一天根据式(1)、(2)得到风、光出力的预测值。

式中：k为形状系数；γ为尺度系数；P_*为额定风速；P^WT为风力发电输出功率；h＝(v_*/v_in)-1；v_in为切入风速；v_*为额定风速。

式中：Γ为Gramma函数；λ₁和λ₂为形状系数；P^PV和

分别表示光伏输出功率和光伏输出功率最大值。

电力负荷功率波动符合正态分布，根据当地电力负荷的长期数据的统计值代入负荷功率的概率密度函数得到当地的负荷功率预测值，负荷功率的概率密度函数按式(3)计算：

式中：P^L为负荷有功功率；μ_L和σ_L分别为负荷功率概率密度函数的期望值和标准差。

步骤2：在根据步骤1得到的原始负荷的预测数据之后，接下来要考虑需求响应和储能寿命损耗成本两因素。具体实施流程如图1所示。

在此基础上首先考虑需求响应部分，本发明在需求响应部分根据负荷自身的特点将负荷划分为两类，分别是可转移负荷与可中断负荷。在考虑需求响应作用的方面，传统的方法有对参与需求响应作用的负荷建立一个价格弹性系数特性矩阵，然后通过对其建模后代入实际运行数据得到预测出参与需求响应调节的负荷；还有将负荷划分为可中断负荷与不可中断负荷，通过对总负荷乘一个可中断系数得到可中断负荷的值。但是如果单一对负荷建立一个可转移负荷特性矩阵得到的预测的结果由于负荷参与调节的主观性，会存在一定误差，对电网运行造成危险。如果考虑对可中断负荷的值采用总负荷乘一个可中断系数来得到的话也会存在较大误差。基于此问题，本方法首先根据负荷自身的特点将负荷划分为两类，分别是可转移负荷与可中断负荷。首先在日前对可转移负荷进行数学建模，这一部分采用现有的建立可转移负荷需求响应矩阵的方法，首先将预测的负荷数据划分为峰平谷三个时段，按照这三个时段分别定价，定价原则是不得小于当地当时的电网电价，然后基于建立的可转移负荷需求响应矩阵求出预测出的可转移负荷作用后负荷的用电量分布情况。在得到可转移负荷参与需求响应作用之后的负荷值后，在次日将一天划为24个时段，对每个时段在考虑蓄电池储能寿命损耗成本和可中断负荷两个因素之后对微电网进行实时优化。其中蓄电池储能寿命损耗成本部分通过将寿命损耗成本量化到每个时段蓄电池的充放电中，将可中断负荷部分用于平衡次日各时段的微电网不平衡功率，来消除日前对风光、负荷以及可转移负荷出力部分预测的误差。首先，其可转移负荷需求响应矩阵的数学模型如下：

电力负荷的弹性系数表示在一定时期内电能价格变化所应引起的负荷功率变化的百分比，其通用公式可表示为：

式中：E为电能的需求弹性系数；△ρ为电力价格的变化，元/(kW·h)；△Z表示基于价格所产生的负荷需求量的变化，kW·h；ρ₀和Z₀分别为最初的电力价格和负荷需求量。

假定用户负荷对于分时电价的响应时间间隔为1h，对于第i小时、负荷L的用电需求弹性系数可描述为：

式中：Z_L0(i)和Z_L(i)分别为实行分时电价前后负荷L在第i个小时的电力需求量，kW·h；ρ₀(i)和ρ(i)分别为在第i个小时实行分时电价措施前后的电力价格，元/(kW·h)。由于价格和用电量的变化是相反的，因此E_L(i)<0。

故当用户感知电价变化时，用户在该时段的电力需求量可表示为：

对于同一用户在i时段的负荷和j时段的价格之间的弹性可定义为：

若以一天24h为一个周期，则第i阶段的负荷对于分时电价的变化可表示为：

令γ_L(i)表示由于实施分时电价，用户L在第i阶段的用电量变化率，则有：

若分时电价前的电价ρ₀(j)用平时段电价表示，令

为峰谷电价浮动比，表示分时电价后高峰和低谷时刻由平时段电价上下浮动的部分，用以描述分时电价的峰谷电价相差程度。在考虑负荷自身的削峰和移峰效果时，式(9)可改写为：

其中，第1项为i时段负荷向其他阶段转移的用电量，第2项为负荷因为i时段的电价变化而进行的用电量增减，其中

为第i时段的峰谷电价浮动比，是负荷用电量的节约和负荷转移的效果叠加。

由式(9)、式(10)可得下式：

式中T_f、T_P、T_g分别为划分的峰、平、谷时段；i为其中的任一时段；γ_fp、γ_fg和γ_pg表示负荷转移的效果，γ_ff和γ_gg描述在峰时段和谷时段削峰填谷效果；由于在峰时段时，k_f>0，在平时段时，k_p＝0，在谷时段时，k_g<0，因此γ_fp、γ_fg和γ_pg均为正数，又由于E_L(i)<0，因此γ_ff<0，而γ_gg>0。

由以上可得需求响应作用后，可转移负荷响应模型可描述为下式：

式中：Z_f、Z_p、Z_g分别为峰时段、平时段、谷时段的预测值。

将式(12)改写为矩阵形式可得：

Z′＝Z+γ×Z (13)

其中：

根据上面的计算过程，在调度的前一天得到了可转移负荷作用后的负荷的预测值。

步骤3：根据步骤2中式(13)得到需求响应中可转移负荷参与调节作用后的各个时段负荷值，并求出电网在可转移负荷参与调节后给予的总经济补贴。

在此基础上对蓄电池放电损耗成本进行量化。

蓄电池充放电模型如下式：

式中：SOC(t)为t时段储能系统的荷电状态；P_c(t)、P_d(t)分别为t时段储能系统充、放电功率；η_C、η_D分别为储能系统充、放电效率。

蓄电池的寿命损耗最为主要受放电深度DOD的影响。如果第k次充放电循环的一个充电半周期SOC_a→SOC_b，一个放电半周期为SOC_b→SOC_a，则SOC_a→SOC_b→SOC_a为第k次充放电循环的一个完整的充放电周期，其中0≤SOC_a≠SOC_b≤1。则对应的DOD_k为：

DOD_k＝|SOC_b-SOC_a| (15)

蓄电池的等效循环系数α如下式：

式中：N(DOD_k)为第k次循环放电深度DOD_k对应的最大循环次数；N(1)为DOD＝1时的最大循环次数；α(DOD_k)为第k次循环放电深度为DOD_k下循环一次等效为DOD＝1下的循环次数，其中0≤α(DOD_k)≤1。

由式(16)知，一个调度周期内，蓄电池的等效循环次数为：

则一个调度周期内蓄电池寿命损耗成本为：

式中：C_BAcost为储能投资安装成本。

蓄电池循环寿命与DOD关系如下式所示：

N＝-3278DOD⁴-5DOD³+12823DOD²-14122DOD+5112 (19)

以上步骤2与步骤3完成了对需求响应中可转移负荷以及蓄电池储能寿命损耗成本的建模。

步骤4：以微电网运行总成本最低为优化目标，考虑将需求响应中可中断负荷与蓄电池储能寿命损耗两个因素同时加入传统的约束限制条件后，设定目标函数为：

式中：C_i,om为第i个可再生能源的运维成本；

为微燃机的运维成本；

为微燃机燃料成本；

为微燃机环境成本；C_BAloss为一个调度周期内蓄电池寿命损耗成本；C_DR为一个调度周期大电网给予参与需求响应用户的总补贴。

其中各个成本的计算公式如下：

式中：K_i,om为第i个可再生能源单位功率运维成本系数；P_i(t)为第i个可再生能源t时段的实际出力；

为微燃机单位运维成本系数；P_MT(t)为t时段微燃机发电功率；C为微燃机的燃料气体单价；LHV为天然气的低热值；η_MT为微燃机的发电效率。m为污染物的种类；V_j为单位功率第j项污染物排放所受的罚款成本；Q_j为单位功率下第j项污染物的排放量；

N(1)为DOD＝1时的最大循环次数；α(DOD_k)为第k次循环放电深度为DOD_k下循环一次等效为DOD＝1下的循环次数，其中0≤α(DOD_k)≤1。

h(t)为t时段大电网给参与需求响应调节负荷的经济补贴电价；△P(t)为t时段微电网的不平衡功率。

约束条件如下：

式中：P_MTmin(t)、P_MTmax(t)分别为为t时段微燃机最小和最大发电功率；P_imin(t)、P_imax(t)分别为第i个可再生能源t时段的实际最小、最大出力；P_gridmin(t)、P_gridmax(t)分别为大电网与微电网交互的最小、最大功率；P_BAmin(t)、P_BAmax(t)分别为蓄电池充放电的最小、最大功率；P_FCmin(t)、P_FCmax(t)分别为燃料电池发出的最小、最大功率；P_WT(t)、P_PV(t)分别为风机和光伏的输出功率；P_CL(t)为可中断负荷的输出功率。

步骤5：对步骤四中式(20)的目标函数进行优化解算，优化结果必须满足式(22)所示的约束条件；解算采用粒子群算法进行求解，选取合适的种群规模、迭代次数、粒子速度等参数直到结果收敛合理为止，进而得到考虑了需求响应与蓄电池储能损耗两个因素作用后一天各时段微电网各部分的最优出力。

本发明的有益效果为：

本发明提供的考虑蓄电池储能寿命损耗与需求响应的微电网优化方法的实质是在以往的微电网优化调度方面进行了两方面的改进。首先是需求响应作用因素方面，在以往一般是考虑对需求响应作用进行建模，根据数学模型求出预测响应的结果。而这种方式由于用户参与需求响应调节的随机性往往存在一些误差，影响系统运行的稳定性。本发明在此基础上，将参与需求响应的负荷进行分类，对可转移负荷根据其自身的特点进行数学建模，求解出需求响应参与调解后的预测值。将可中断负荷用于当天调度的实时调整，来抵消实时运行的不平衡功率，提高系统运行的稳定性。另一方面是考虑了蓄电池的充放电引起的寿命损耗成本，在以往的研究中由于没有考虑蓄电池的更换成本实际上求出的往往不是最优解。本发明将一个蓄电池的更换成本通过数学建模量化到每次蓄电池充放电的过程中，并将其定义为蓄电池储能寿命损耗成本，进而使模型求解更加精确。

附图说明

图1为电池储能寿命损耗成本和需求响应经济补偿的计算原则；

图2为模型解算示意图；

图3为日前预测的各时段风电、负荷数据。

图4为分时电价作用下可转移负荷在日前对负荷调节的预测数据

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明的具体实施例以及附图，对本发明的技术方案进行清晰完整的描述。

考虑蓄电池储能寿命损耗与需求响应的微电网优化方法的实质是在以往的微电网优化调度方面进行了两方面的改进。考虑了这两个因素之后的具体实施流程见图1。

首先是需求响应作用因素方面，在以往一般是考虑对需求响应作用进行建模，根据数学模型求出预测响应的结果。而这种方式由于用户参与需求响应调节的随机性往往存在一些误差，影响系统运行的稳定性。本发明在此基础上，将参与需求响应的负荷进行分类，对可转移负荷根据其自身的特点进行数学建模，求解出需求响应参与调解后的预测值。将可中断负荷用于当天调度的实时调整，来抵消实时运行的不平衡功率，提高系统运行的稳定性。

另一方面是考虑了蓄电池的充放电引起的寿命损耗成本，在以往的研究中由于没有考虑蓄电池的更换成本实际上求出的往往不是最优解。本发明将一个蓄电池的更换成本通过数学建模量化到每次蓄电池充放电的过程中，并将其定义为蓄电池储能寿命损耗成本，进而使模型求解更加精确。

一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法，包括：储能环节中蓄电池的充放电会产生寿命损耗，通过定义放电深度和蓄电池等效循环系数对蓄电池每次充放电产生的损耗成本进行量化，得到一个调度周期内由蓄电池充放电造成的经济损失；基于具有不同性质需求响应的电力负荷，将电力负荷划分为可中断负荷与可转移负荷，基于分时电价，对可转移负荷的需求响应行为进行分析，得到不同时间序列的自弹性和交叉弹性系数，从而建立电力负荷需求响应矩阵，以此快速分析用户对实行基于电价的需求侧管理后的负荷变化情况。根据可中断负荷的特点，将其用来平衡微电网中的功率不平衡量，在不同时段给予参与调节的可转移负荷与可中断负荷经济补偿，由此得到在需求响应作用下电力负荷从电网得到的经济补偿。最后在考虑了上述所提到的蓄电池储能寿命损耗成本以及需求响应作用下电力负荷从电网得到的经济补偿两个因素后，代入现有的微电网多目标优化模型求解得到最优解，得到优化策略，提高微电网优化模型的准确性，具体步骤如下：

步骤1：在对微电网进行优化求解之前，首先要获取微电网中的风机、光伏出力以及负荷一天的用电数据。而风机、光伏出力可以根据现有研究模型结合当地季节的实际数据定出参数具体的值，在对微电网进行调度的前一天根据式(1)、(2)得到风、光出力的预测值。

式中：k为形状系数；γ为尺度系数；P_*为额定风速；P^WT为风力发电输出功率；h＝(v_*/v_in)-1；v_in为切入风速；v_*为额定风速。

式中：Γ为Gramma函数；λ₁和λ₂为形状系数；P^PV和

分别表示光伏输出功率和光伏输出功率最大值。

电力负荷功率波动符合正态分布，根据当地电力负荷的长期数据的统计值代入负荷功率的概率密度函数得到当地的负荷功率预测值，负荷功率的概率密度函数按式(3)计算：

式中：P^L为负荷有功功率；μ_L和σ_L分别为负荷功率概率密度函数的期望值和标准差。

根据上面算式结合某地区一个微电网实际数据进行预测得到的结果如图2所示。

步骤2：在根据步骤1得到的原始负荷的预测数据之后，接下来要同时考虑需求响应和储能寿命损耗成本两因素。首先根据负荷自身的特点将负荷划分为两类，分别是可转移负荷与可中断负荷。首先在日前对可转移负荷进行数学建模，这一部分采用现有的建立可转移负荷需求响应矩阵的方法，首先将预测的负荷数据划分为峰平谷三个时段，按照这三个时段分别定价，定价原则是不得小于当地当时的电网电价，然后基于建立的可转移负荷需求响应矩阵求出预测出的可转移负荷作用后负荷的用电量分布情况。在得到可转移负荷参与需求响应作用之后的负荷值后，在次日将一天划为24个时段，对每个时段在考虑蓄电池储能寿命损耗成本和可中断负荷两个因素之后对微电网进行实时优化。其中蓄电池储能寿命损耗成本部分通过将寿命损耗成本量化到每个时段蓄电池的充放电中，将可中断负荷部分用于平衡次日各时段的微电网不平衡功率，来消除日前对风光、负荷以及可转移负荷出力部分预测的误差。具体实施流程如图1所示。

在此基础上首先考虑需求响应中可转移负荷的部分，对可转移负荷进行数学建模。首先将日前预测的负荷数据划分为峰平谷三个时段，按照这三个时段分别定价，定价原则是不得小于当地当时的电网电价，最后基于建立的可转移负荷需求响应矩阵求出预测出的可转移负荷作用后负荷的用电量分布情况。可转移负荷需求响应矩阵的数学模型如下：

电力负荷的弹性系数表示在一定时期内电能价格变化所应引起的负荷功率变化的百分比，其通用公式可表示为：

式中：E为电能的需求弹性系数；△ρ为电力价格的变化，元/(kW·h)；△Z表示基于价格所产生的负荷需求量的变化，kW·h；ρ₀和Z₀分别为最初的电力价格和负荷需求量。

假定用户负荷对于分时电价的响应时间间隔为1h，对于第i小时、负荷L的用电需求弹性系数可描述为：

式中：Z_L0(i)和Z_L(i)分别为实行分时电价前后负荷L在第i个小时的电力需求量，kW·h；ρ₀(i)和ρ(i)分别为在第i个小时实行分时电价措施前后的电力价格，元/(kW·h)。由于价格和用电量的变化是相反的，因此E_L(i)<0。

故当用户感知电价变化时，用户在该时段的电力需求量可表示为：

对于同一用户在i时段的负荷和j时段的价格之间的弹性可定义为：

若以一天24h为一个周期，则第i阶段的负荷对于分时电价的变化可表示为：

令γ_L(i)表示由于实施分时电价，用户L在第i阶段的用电量变化率，则有：

若分时电价前的电价ρ₀(j)用平时段电价表示，令

为峰谷电价浮动比，表示分时电价后高峰和低谷时刻由平时段电价上下浮动的部分，用以描述分时电价的峰谷电价相差程度。在考虑负荷自身的削峰和移峰效果时，式(9)可改写为：

其中，第1项为i时段负荷向其他阶段转移的用电量，第2项为负荷因为i时段的电价变化而进行的用电量增减，其中

为第i时段的峰谷电价浮动比，是负荷用电量的节约和负荷转移的效果叠加。

由式(9)、式(10)可得下式：

式中T_f、T_P、T_g分别为划分的峰、平、谷时段；i为其中的任一时段；γ_fp、γ_fg和γ_pg表示负荷转移的效果，γ_ff和γ_gg描述在峰时段和谷时段削峰填谷效果；由于在峰时段时，k_f>0，在平时段时，k_p＝0，在谷时段时，k_g<0，因此γ_fp、γ_fg和γ_pg均为正数，又由于E_L(i)<0，因此γ_ff<0，而γ_gg>0。

由以上可得需求响应作用后，可转移负荷响应模型可描述为下式：

式中：Z_f、Z_p、Z_g分别为峰时段、平时段、谷时段的预测值。

将式(12)改写为矩阵形式可得：

Z′＝Z+γ×Z (13)

其中：

分别定义峰平谷三时段的电价为ρ_f、ρ_p、ρ_g。其中各参数选取如下：

ρ_f＝1.3339元、ρ_p＝0.8084元、ρ_g＝0.4042元、E_L(i)＝-0.12、E_L(i,j)＝0.02。

根据上面的计算过程，在调度的前一天得到了可转移负荷作用后的负荷的预测值。具体结果见图3。

步骤3：根据步骤2中式(13)得到需求响应中可转移负荷参与调节作用后的各个时段负荷值，并求出电网在可转移负荷参与调节后给予的总经济补贴。

在此基础上对蓄电池放电损耗成本进行量化。

蓄电池充放电模型如下式：

公式中：SOC(t)为t时段储能系统的荷电状态；P_c(t)、P_d(t)分别为t时段储能系统充、放电功率；η_C、η_D分别为储能系统充、放电效率。

蓄电池的寿命损耗最为主要受放电深度DOD的影响。如果第k次充放电循环的一个充电半周期SOC_a→SOC_b，一个放电半周期为SOC_b→SOC_a，则SOC_a→SOC_b→SOC_a为第k次充放电循环的一个完整的充放电周期，其中0≤SOC_a≠SOC_b≤1。则对应的DOD_k为：

DOD_k＝|SOC_b-SOC_a| (15)

蓄电池的等效循环系数α如下式：

公式中：N(DOD_k)为第k次循环放电深度DOD_k对应的最大循环次数；N(1)为DOD＝1时的最大循环次数；α(DOD_k)为第k次循环放电深度为DOD_k下循环一次等效为DOD＝1下的循环次数，其中0≤α(DOD_k)≤1。

由式(16)知，一个调度周期内，蓄电池的等效循环次数为：

则一个调度周期内蓄电池寿命损耗成本为：

公式中：C_BAcost为储能投资安装成本，为667元。

蓄电池循环寿命与DOD关系如下式所示：

N＝-3278DOD⁴-5DOD³+12823DOD²-14122DOD+5112 (19)

以上步骤2与步骤3完成了对需求响应中可转移负荷以及蓄电池储能寿命损耗成本的建模。

步骤4：以微电网运行总成本最低为优化目标，考虑将需求响应中可中断负荷与蓄电池储能寿命损耗两个因素同时加入传统的约束限制条件，在将上述两个因素共同加入传统的限制条件后得到式(21)、式(22)。设定目标函数为：

式中：C_i,om为第i个可再生能源的运维成本；

为微燃机的运维成本；

为微燃机燃料成本；

为微燃机环境成本；C_BAloss为一个调度周期内蓄电池寿命损耗成本；C_DR为一个调度周期大电网给予参与需求响应用户的总补贴。

其中各个成本的计算公式如下：

式中：K_i,om为第i个可再生能源单位功率运维成本系数；P_i(t)为第i个可再生能源t时段的实际出力；

为微燃机单位运维成本系数；P_MT(t)为t时段微燃机发电功率；C为微燃机的燃料气体单价，取2.5元/m²；LHV为天然气的低热值；取9.7kwh/m³，η_MT为微燃机的发电效率。m为污染物的种类；V_j为单位功率第j项污染物排放所受的罚款成本；Q_j为单位功率下第j项污染物的排放量；相关参数选取见表1.

表1微网中各设备单位用电污染物排放量

N(1)为DOD＝1时的最大循环次数；α(DOD_k)为第k次循环放电深度为DOD_k下循环一次等效为DOD＝1下的循环次数，其中0≤α(DOD_k)≤1。

h(t)为t时段大电网给参与需求响应调节负荷的经济补贴电价；△P(t)为t时段微电网的不平衡功率。

约束条件如下：

式中：P_MTmin(t)、P_MTmax(t)分别为t时段微燃机最小和最大发电功率；P_imin(t)、P_imax(t)分别为第i个可再生能源t时段的实际最小、最大出力；P_gridmin(t)、P_gridmax(t)分别为大电网与微电网交互的最小、最大功率；P_BAmin(t)、P_BAmax(t)分别为蓄电池充放电的最小、最大功率；P_FCmin(t)、P_FCmax(t)分别为燃料电池发出的最小、最大功率；P_WT(t)、P_PV(t)分别为风机和光伏的输出功率；P_CL(t)为可中断负荷的输出功率。

对每个时段在考虑蓄电池储能寿命损耗成本和可中断负荷两个因素共同作用之后对微电网进行实时优化。其中蓄电池储能寿命损耗成本部分通过将寿命损耗成本量化到每个时段蓄电池的充放电过程中，将可中断负荷部分用于平衡各时段的微电网不平衡功率，来消除日前对风光、负荷以及可转移负荷出力部分预测的误差。具体约束条件详见式(21)、式(22)。

对步骤四中式(20)的目标函数进行优化解算，优化结果必须满足式(22)所示的约束条件；解算采用粒子群算法进行求解，选取合适的种群规模、迭代次数、粒子速度等参数直到结果收敛合理为止，模型求解的流程见图4。进而得到考虑了需求响应与蓄电池储能损耗两个因素共同作用后一天各时段微电网各部分的最优出力。

根据解算结果可知，考虑储能寿命损耗成本之后，蓄电池的充放电次数和放电深度明显减小，这延长了蓄电池的使用寿命，减小了投资。在需求响应的调节作用方面，可转移负荷起到了很好的削峰填谷作用，减小了电网运行的负担。与此同时，考虑用可中断负荷来消除日前对风光、负荷以及可转移负荷出力部分预测的误差，大大提高了系统运行的安全性。在使用传统的需求响应模型并且不考虑蓄电池寿命损耗时，微电网运行总成本为9341.8，采用此方法的新方法求解结果为12367。由此可见，由于之前模型没有考虑蓄电池的寿命损耗成本导致模型求解结果偏小，并且在使用传统模型求解时，蓄电池的充放电次数过频、放电深度波动较大、需求响应调节作用的效果不明显也不准确。

由此可知，本发明可以对负荷曲线起到一个很好的削峰填谷作用，降低蓄电池的充放电次数与充放电的波动，延长蓄电池的使用寿命。此外，采用新的思路对需求响应进行建模，提高了系统运行的稳定性与模型的准确性。

以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (2)

1.一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法，其特征在于，包括以下步骤：

步骤1：在对微电网进行优化求解之前，首先要获取微电网中的风机、光伏出力以及负荷一天的用电数据；

步骤2：在根据步骤1得到的原始负荷的预测数据之后，需要考虑需求响应和储能寿命损耗成本两因素；

在需求响应部分根据负荷自身的特点将负荷划分为两类，分别是可转移负荷与可中断负荷；在日前对可转移负荷进行数学建模：将预测的负荷数据划分为峰平谷三个时段，按照这三个时段分别定价，定价原则是不得小于当地当时的电网电价，然后基于建立的可转移负荷需求响应矩阵求出预测出的可转移负荷作用后负荷的用电量分布情况；在得到可转移负荷参与需求响应作用之后的负荷值后，在次日将一天划为24个时段，对每个时段在考虑蓄电池储能寿命损耗成本和可中断负荷两个因素之后对微电网进行实时优化；其中蓄电池储能寿命损耗成本部分通过将寿命损耗成本量化到每个时段蓄电池的充放电中，将可中断负荷部分用于平衡次日各时段的微电网不平衡功率，消除日前对风光、负荷以及可转移负荷出力部分预测的误差；其可转移负荷需求响应矩阵的数学模型如下：

电力负荷的弹性系数表示在一定时期内电能价格变化所应引起的负荷功率变化的百分比，其通用公式可表示为：

式中：E为电能的需求弹性系数；△ρ为电力价格的变化；△Z表示基于价格所产生的负荷需求量的变化，kW·h；ρ₀和Z₀分别为最初的电力价格和负荷需求量；

假定用户负荷对于分时电价的响应时间间隔为1h，对于第i小时、负荷L的用电需求弹性系数可描述为：

式中：Z_L0(i)和Z_L(i)分别为实行分时电价前后负荷L在第i个小时的电力需求量，kW·h；ρ₀(i)和ρ(i)分别为在第i个小时实行分时电价措施前后的电力价格；由于价格和用电量的变化是相反的，因此E_L(i)<0；

故当用户感知电价变化时，用户在该时段的电力需求量表示为：

对于同一用户在i时段的负荷和j时段的价格之间的弹性定义为：

若以一天24h为一个周期，则第i阶段的负荷对于分时电价的变化表示为：

令γ_L(i)表示由于实施分时电价，用户L在第i阶段的用电量变化率，则有：

若分时电价前的电价ρ₀(j)用平时段电价表示，令

为峰谷电价浮动比，表示分时电价后高峰和低谷时刻由平时段电价上下浮动的部分，用以描述分时电价的峰谷电价相差程度；在考虑负荷自身的削峰和移峰效果时，式(9)改写为：

其中，第1项为i时段负荷向其他阶段转移的用电量，第2项为负荷因为i时段的电价变化而进行的用电量增减，其中

为第i时段的峰谷电价浮动比，是负荷用电量的节约和负荷转移的效果叠加；

由式(9)、式(10)可得下式：

式中，T_f、T_P、T_g分别为划分的峰、平、谷时段；i为其中的任一时段；γ_fp、γ_fg和γ_pg表示负荷转移的效果，γ_ff和γ_gg描述在峰时段和谷时段削峰填谷效果；由于在峰时段时，k_f>0，在平时段时，k_p＝0，在谷时段时，k_g<0，因此γ_fp、γ_fg和γ_pg均为正数，又由于E_L(i)<0，因此γ_ff<0，而γ_gg>0；

由以上可得需求响应作用后，可转移负荷响应模型可描述为下式：

式中：Z_f、Z_p、Z_g分别为峰时段、平时段、谷时段的预测值；

将式(12)改写为矩阵形式可得：

Z′＝Z+γ×Z (13)

其中：

根据上面的计算过程，在调度的前一天得到可转移负荷作用后的负荷的预测值；

步骤3：根据步骤2中式(13)得到需求响应中可转移负荷参与调节作用后的各个时段负荷值，并求出电网在可转移负荷参与调节后给予的总经济补贴；

在此基础上对蓄电池放电损耗成本进行量化；

蓄电池充放电模型如下式：

式中：SOC(t)为t时段储能系统的荷电状态；P_c(t)、P_d(t)分别为t时段储能系统充、放电功率；η_C、η_D分别为储能系统充、放电效率；

蓄电池的寿命损耗主要受放电深度DOD的影响；如果第k次充放电循环的一个充电半周期SOC_a→SOC_b，一个放电半周期为SOC_b→SOC_a，则SOC_a→SOC_b→SOC_a为第k次充放电循环的一个完整的充放电周期，其中0≤SOC_a≠SOC_b≤1；则对应的DOD_k为：

DOD_k＝|SOC_b-SOC_a| (15)

蓄电池的等效循环系数α如下式：

式中：N(DOD_k)为第k次循环放电深度DOD_k对应的最大循环次数；N(1)为DOD＝1时的最大循环次数；α(DOD_k)为第k次循环放电深度为DOD_k下循环一次等效为DOD＝1下的循环次数，其中0≤α(DOD_k)≤1；

由式(16)知，一个调度周期内，蓄电池的等效循环次数为：

则一个调度周期内蓄电池寿命损耗成本为：

式中：C_BAcost为储能投资安装成本；

蓄电池循环寿命与DOD关系如下式所示：

N＝-3278DOD⁴-5DOD³+12823DOD²-14122DOD+5112 (19)

以上步骤2与步骤3完成了对需求响应中可转移负荷以及蓄电池储能寿命损耗成本的建模；

步骤4：以微电网运行总成本最低为优化目标，考虑将需求响应中可中断负荷与蓄电池储能寿命损耗两个因素同时加入传统的约束限制条件后，设定目标函数为：

式中：C_i,om为第i个可再生能源的运维成本；

为微燃机的运维成本；

为微燃机燃料成本；

为微燃机环境成本；C_BAloss为一个调度周期内蓄电池寿命损耗成本；C_DR为一个调度周期大电网给予参与需求响应用户的总补贴；

其中各个成本的计算公式如下：

式中：K_i,om为第i个可再生能源单位功率运维成本系数；P_i(t)为第i个可再生能源t时段的实际出力；

为微燃机单位运维成本系数；P_MT(t)为t时段微燃机发电功率；C为微燃机的燃料气体单价；LHV为天然气的低热值；η_MT为微燃机的发电效率；m为污染物的种类；V_j为单位功率第j项污染物排放所受的罚款成本；Q_j为单位功率下第j项污染物的排放量；

N(1)为DOD＝1时的最大循环次数；α(DOD_k)为第k次循环放电深度为DOD_k下循环一次等效为DOD＝1下的循环次数，其中0≤α(DOD_k)≤1；

h(t)为t时段大电网给参与需求响应调节负荷的经济补贴电价；△P(t)为t时段微电网的不平衡功率；

约束条件如下：

式中：P_MTmin(t)、P_MTmax(t)分别为为t时段微燃机最小和最大发电功率；P_imin(t)、P_imax(t)分别为第i个可再生能源t时段的实际最小、最大出力；P_gridmin(t)、P_gridmax(t)分别为大电网与微电网交互的最小、最大功率；P_BAmin(t)、P_BAmax(t)分别为蓄电池充放电的最小、最大功率；P_FCmin(t)、P_FCmax(t)分别为燃料电池发出的最小、最大功率；P_WT(t)、P_PV(t)分别为风机和光伏的输出功率；P_CL(t)为可中断负荷的输出功率；

步骤5：对步骤四中式(20)的目标函数进行优化解算，优化结果必须满足式(22)所示的约束条件；解算采用粒子群算法进行求解，选取合适的种群规模、迭代次数、粒子速度等参数直到结果收敛合理为止，进而得到考虑了需求响应与蓄电池储能损耗两个因素作用后一天各时段微电网各部分的最优出力。

2.根据权利要求1所述的一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法，其特征在于，所述步骤1中，风机、光伏出力根据现有研究模型结合当地季节的实际数据定出参数具体的值，在对微电网进行调度的前一天根据式(1)、(2)得到风、光出力的预测值；

式中：k为形状系数；γ为尺度系数；P_*为额定风速；P^WT为风力发电输出功率；h＝(v_*/v_in)-1；v_in为切入风速；v_*为额定风速；

式中：Γ为Gramma函数；λ₁和λ₂为形状系数；P^PV和

分别表示光伏输出功率和光伏输出功率最大值；

电力负荷功率波动符合正态分布，根据当地电力负荷的长期数据的统计值代入负荷功率的概率密度函数得到当地的负荷功率预测值，负荷功率的概率密度函数按式(3)计算：

式中：P^L为负荷有功功率；μ_L和σ_L分别为负荷功率概率密度函数的期望值和标准差。

Images