本发明专利技术公开了一种计及实时电价的微网用户群电能优化互济交易方法，用户可以根据自身的分布式电源状况，并借助锂电池等储能单元在其安全循环充放电范围内可以按照用户需求快速充放电的特性，在实时电价环境下对载荷进行优化，而DG和用户载荷时间上的不匹配以致在不同的时间段有多余的DG或缺少电能需要从电网购买，本发明专利技术实现多个用户之间在不同时间段内对多余的DG电能进行交易满足自身的需求，提高DG利用率，并且减少购电花费。该策略通过在不同时间点生成有根节树；采用深度优先的动态规划算法，根据该时间段内是否有多余DG电能确立根节点和子节点，将根节点的多余DG电能分配到子节点。本发明专利技术可提高整体DG利用率，节约用户在购电上的花费。
【技术实现步骤摘要】
本专利技术涉及微电网系统的分布式发电和储能设备领域，尤其涉及一种基于实时电 价（Real-Time Price，RTP)的用户间交易电能的优化方法。
技术介绍
随着微电网系统的日渐成熟，分布式电源（DG)和储能单元（Storage)的技术也得 到了发展，并能够应用在家庭级的用户上。分布式电源主要包括太阳能、风能等可再生能源 发电系统；对单独的一户家庭而言，在基于RTP的环境下，可以对载荷（包括弹性载荷和刚 性载荷）分布进行优化，使之能与DG和Storage相匹配，并使花费在购电上的费用最少。但 由于DG的波动性与Storage的有限性，在不同时间段内载荷与DG和Storage不能完全匹 配，有的时间段DG过剩将被浪费，有的时间段DG不能满足需求而需要从电网中购电。而当 这样的用户数目达到相当一个规模时，大量的电能会在DG过剩时被损耗，从电网中购电费 用较高。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种计及实时电价的微网用户群电 能优化互济交易方法。 本专利技术的目的是通过以下技术手段实现的：一种计及实时电价的微网用户群电能 优化互济交易方法，具体的实施步骤如下： 前提说明：⑴所有用到的数据（如：电网的RTP，风能、太阳能发电趋势）均为已 预测的数据，按照每半小时为采样间隔，每个变量一天采样48次；（2)采用锂电池作为储能 装置；(3)柔性负荷可以在根据需求向前向后动态安排工作时刻，但蓄电池的工作特性具 有很强的时序性，不能将后期的DG供电作用于前期的电池储能。 (1)单用户对自身用电进行优化，具体包括以下子步骤： (I. 1)按半小时时间间隔采样，获取当前时刻电网系统中全部DG、RTP的状态信 息； (1.2)对用电设备进行分类，包含刚性负荷（不可调节，必须优先满足其用电需 求）、不可中断负荷（一经开启不可暂停，直至任务的完成，但是整体工作时段可以调节，属 于柔性负荷）、可中断负荷（可以在工作时段范围内任意半小时节点处暂停，下一次运行接 着执行上一步剩下的任务，属于柔性负荷），并建立柔性负荷工作模型：(I) 其中，ha是设备可能工作的时间点，<^是设备开始工作时刻，Crf是设备结束工 作时刻，是设备允许工作时段范围，<是设备在匕时刻的工作状态，X aA=l表示 设备正在工作，< =〇表示设备处于停用状态，匕为设备额定功率，设备在工作时以额定功 率运行，da为工作时长，E a为设备总功率需求，m代表不可中断的负荷数目，η代表可中断负 荷的数目； (1. 3)设置遗传算法种群大小Ν，最大迭代次数Gen ;以用二进制编码的长度为48 的染色体代表设备的工作状态，在其允许工作时段内可以出现"1"，工作时段外只能出现 "0"，且" 1"的个数由设备工作时长决定； (1.4)分另Ij抽取每种设备ΝΧ48矩阵中的一行，按设备的编号重组成N个 (m+n) Χ48染色体组义?χ48;···;ΖΓ8;···;^^](,"+" )χ48，其中每行代表相应编号 设备在48个时段内的工作状态，即每个染色体组代表所有设备工作状态集合； (1.5)将经过初始化后的染色体组分别乘以相应设备的额定功率，形成N组能量 消耗矩阵Pqmi= Xqmiw · Pa;随机选择种群中的一组能量消耗矩阵，查看未经负荷调度安 排的设备用电状况； (1. 6)建立基于DG的负荷调度策略目标函数如公式⑵所示：⑵ 其中是DG在h时刻的供电功率，PwL是刚性负荷在h时刻的用电需求， m+n Σ?代表所有柔性负荷在h时刻的用电需求，因此，DG和负荷间的供需差异越小越利于 ￡/=1 降低购电费用；此外，由于适应度值越大的染色体组越有机会参与下一次的遗传迭代，因而 选取目标函数的倒数作为遗传算法（GA)的适应度函数； (1.7)执行GA的选择操作：为了不在交叉变异过程中遗失最佳的染色体组，保留 每次迭代后前store个适应度值较高的设备组不参与后续变化，再用轮盘赌方式在所有种 群中选择设备组进行复制，形成其余N-store个染色体组； (1. 8)针对其后的N-store个设备组执行GA的交叉操作：生成随机数randl，若 其值小于交叉概率pc，则随机选择设备编号a e 1，2,…，m+n，判断设备a属于哪种类型负 荷，并按照负荷特性对其进行交叉操作，①若设备a是可中断负荷，则生成随机数rand3用 于确定该设备的交叉位置，将第i个染色体组的染色体a与第i+1个染色体组的染色体a 在rand3位置进行交叉，即交换这两个染色体在rand3位置后的染色体片段，②若设备a是 不可中断负荷，则此时进行的迭代过程本质上不是交叉操作，而是在其允许的工作时间范 围[aa，β J内，向左或向右整体移动设备实际工作时段心;TV，>此外，若randl大于交 叉概率pc，则当前代不进行交叉操作； (1. 9)针对其后的N-Store个设备组执行GA的变异操作：生成随机数randl，若其 值小于变异概率pm，则对可中断负荷的在时段内的随机位置处的工作状态·^进 行变异。判断所有设备a e 1，2,…，m+n在相应 内多余的〇变成I ; (1. 10)判断种群迭代结束条件：选择最大适应度值，即目标函数最小值对应的染 色体组为当前所有柔性负荷的整体最佳工作状态集合，返回步骤（1.7)执行下一代的遗传 操作，并记录上一代目标函数值objvalue(t-l)与这一代目标函数值objvalue(t)的差 值持续小于误差范围ε的次数，即〇bjvalue(t-l)_objvalue(t) < ε持续发生的次数 Times，其中，若下一时刻发生objvalue(t-l)_objvalue(t)> ε的状况，则计数量Times清 零，若其值大于阈值或程序总迭代次数达到最大迭代次数Gen，则终止遗传算法运行，所获 得的最大适应度值对应的染色体组为基于DG调度策略的最佳设备组运行状况，转入执行 步骤（1. 11); (L 11)计算初始购电量BuyElec与购电费用BestCost :对于每个半小时采样点， 若DG大于总负荷需求，则系统当前时刻有电量冗余，无需不购电；反之，计算其差值的绝对 值为当前时刻的购电功率，最终得到一天内不同时刻购电功率向量BuyElec ;由于购电费 用是购电量、用电时间、实时电价之间的函数，因而购电费用 (1. 12)建立基于RTP的负荷调度策略目标函数如公式（3)所示： 其中，是柔性负荷在i时刻的总耗电功率，设备a从j时刻转移到k时刻， 是移除设备a后在j时刻需要向电网购买的功率，Cf是将设备a转移至k时刻后在k时刻 需要向电网购买的功率，RTPj及RTP k分别代表相应时刻的实时电价，由于所有设备在每个 时间点的执行时长为半小时，而购电量是购电功率与时长的乘积，所以目标函数需要分别 乘以0. 5 (代表半小时）；因为同一个设备无法在当天的同一个时刻运行两次，必须保证设 备a所需要转移至的k时刻在执行转移前没有运行设备a，即在转移之前必须保证1 且 xf = 0， (1. 13)选出所有时段内负荷总用电需求量超过DG供电量的时刻j，选取该时刻正 在工作的最大功率设备a，判断该设备的工作类型，①若a是不可中断本文档来自技高网...
【技术保护点】
一种计及实时电价的微网用户群电能优化互济交易方法，其特征在于，包括以下步骤：(1)单用户对自身用电进行优化，具体包括以下子步骤：(1.1)按半小时时间间隔采样，获取当前时刻电网系统中全部DG、RTP的状态信息；(1.2)对用电设备进行分类，包含刚性负荷、不可中断负荷、可中断负荷，并建立柔性负荷工作模型：αa≤tastart≤ha≤taend≤βa,a=1,...,m+nxah={0,1},h∈∀haβa-αa≥daEa=Pa×daΣh=αaβaxah×Pa=Ea---(1)]]>其中，ha是设备可能工作的时间点，是设备开始工作时刻，是设备结束工作时刻，[αa,βa]是设备允许工作时段范围，是设备在ha时刻的工作状态，表示设备正在工作，表示设备处于停用状态，Pa为设备额定功率，设备在工作时以额定功率运行，da为工作时长，Ea为设备总功率需求，m代表不可中断的负荷数目，n代表可中断负荷的数目；(1.3)设置遗传算法种群大小N，最大迭代次数Gen；以用二进制编码的长度为48的染色体代表设备的工作状态，在其允许工作时段内可以出现“1”，工作时段外只能出现“0”，且“1”的个数由设备工作时长决定；(1.4)分别抽取每种设备N×48矩阵中的一行，按设备的编号重组成N个(m+n)×48染色体组XChrom=[X11×48;...;Xm1×48;...;Xm+n1×48](m+n)×48,]]>其中每行代表相应编号设备在48个时段内的工作状态，即每个染色体组代表所有设备工作状态集合；(1.5)将经过初始化后的染色体组分别乘以相应设备的额定功率，形成N组能量消耗矩阵PChrom＝XChrom(a)·Pa；随机选择种群中的一组能量消耗矩阵，查看未经负荷调度安排的设备用电状况；(1.6)建立基于DG的负荷调度策略目标函数如公式(2)所示：minΣh=148|PDGh-Pmusth-Σa=1m+nxah·Pa|---(2)]]>其中是DG在h时刻的供电功率，是刚性负荷在h时刻的用电需求，代表所有柔性负荷在h时刻的用电需求，因此，DG和负荷间的供需差异越小越利于降低购电费用；此外，由于适应度值越大的染色体组越有机会参与下一次的遗传迭代，因而选取目标函数的倒数作为遗传算法(GA)的适应度函数；(1.7)执行GA的选择操作：为了不在交叉变异过程中遗失最佳的染色体组，保留每次迭代后前store个适应度值较高的设备组不参与后续变化，再用轮盘赌方式在所有种群中选择设备组进行复制，形成其余N‑store个染色体组；(1.8)针对其后的N‑store个设备组执行GA的交叉操作：生成随机数rand1，若其值小于交叉概率pc，则随机选择设备编号a∈1,2,…,m+n，判断设备a属于哪种类型负荷，并按照负荷特性对其进行交叉操作，①若设备a是可中断负荷，则生成随机数rand3用于确定该设备的交叉位置，将第i个染色体组的染色体a与第i+1个染色体组的染色体a在rand3位置进行交叉，即交换这两个染色体在rand3位置后的染色体片段，②若设备a是不可中断负荷，则此时进行的迭代过程本质上不是交叉操作，而是在其允许的工作时间范围[αa,βa]内，向左或向右整体移动设备实际工作时段此外，若rand1大于交叉概率pc，则当前代不进行交叉操作；(1.9)针对其后的N‑store个设备组执行GA的变异操作：生成随机数rand1，若其值小于变异概率pm，则对可中断负荷的在[αa,βa]时段内的随机位置处的工作状态进行变异。判断所有设备a∈1,2,…,m+n在相应[αa,βa]时段内的实际工作时长与设备总时长要求da是否相同，若则将多余的1变成0；若则将[αa,βa]内多余的0变成1；(1.10)判断种群迭代结束条件：选择最大适应度值，即目标函数最小值对应的染色体组为当前所有柔性负荷的整体最佳工作状态集合，返回(1.7)执行下一代的遗传操作，并记录上一代目标函数值objvalue(t‑1)与这一代目标函数值objvalue(t)的差值持续小于误差范围ε的次数，即objvalue(t‑1)‑objvalue(t)≤ε持续发生的次数Times，其中，若下一时刻发生objvalue(t‑1)‑objvalue(t)>ε的状况，则计数量Times清零，若其值大于阈值或程序总迭代次数达到最大迭代次数Gen，则终止遗传算法运行，所获得的最大适应度值对应的染色体组为基于DG调度策略的最佳设备组运行状况，转入执行步骤(1.11)；(1...
【技术特征摘要】
【专利技术属性】
技术研发人员：王秦越，杨强，颜文俊，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。