一种基于量子近似态的需求侧响应协同优化方法技术

本发明专利技术公开了一种基于量子近似态的需求侧响应协同优化方法，包括：1：根据分析区域建立电网拓扑结构图和充电桩规划拓扑图；2：建立该区域需求侧电动汽车和暖通空调的数学模型；3：建立计及需求侧响应的配电网运行优化模型，并设定模型的目标函数和约束条件；4：输入配电网运行优化模型的参数，并将模型中的二进制变量转换为量子比特形式；5：采用改进的磷虾群算法求解步骤4处理后的配电网运行优化模型，得到令目标函数最小的源荷机组的启停状态和功率值。本发明专利技术能保证配电网运行优化数学模精确求解的同时，降低配二进制变量求解的复杂度，并提高配电网运行优化数学模型的求解速度，从而满足现阶段电力系统调度优化模型日增长的计算量。计算量。计算量。

【技术实现步骤摘要】
一种基于量子近似态的需求侧响应协同优化方法


[0001]本专利技术涉及电力系统规划与运行领域和量子力学理论，尤其是一种基于量子近似态的需求侧响应协同优化方法。

技术介绍

[0002]在以“碳达峰、碳中和”国家战略性减碳目标为牵引的能源革命背景下，高比例新能源接入并逐步取代化石能源将成为主流发展趋势，但新能源由于其出力的不确定性给电网的可靠运行带来了一系列的问题。为保证电力系统的稳定运行，若依靠传统方法通过调节火电机组的出力来平抑新能源出力的波动，一方面火电机组频繁启停，会造成火电厂的运行成本增加，并加剧电气设备的疲劳和磨损；另一方面会加剧环境的污染，火电机组频繁的启导致停二氧化碳及污染性气体的排放难以预测和控制。
[0003]因此，引入需求侧中具有可调度能力的柔性负荷参与到电网负荷调节为这一问题提供了新的思路。相对传统的火电机组，需求侧资源可以通过其空间和时间上的灵活性有效缓解电力系统短期内的功率不平衡，在平抑用电负荷的谷峰差、促进新能源消纳、降低碳排放和提高电力系统的稳定运行等方面起到关键作用。
[0004]在需求侧中的能与电网形成良性互动的柔性负荷主要分为可削减负荷、可中断负荷和可平移负荷，其中可削减负荷为用户根据激励措施等削减的部分用电量；可中断负荷为根据事先拟定的合同，在规定时段切断负荷的用电量；可转移负荷为通过激励政策等措施使用户改变用电习惯，在不同时段内平移的用电量。
[0005]在需求侧的柔性负荷中，最为典型的为暖通空调和电动汽车，分别对应可削减负荷和可转移负荷。需求侧的暖通空调负荷基数大，响应速度快，并且用户对微小波动的空调温度不敏感。通过对暖通空调负荷进行典型集群聚合和统一调配，在夏季用电高峰时段能有效的降低电网用电负荷的峰谷差。电动汽车在政策的支持下迅速发展，其具备的可控负荷和储能单元的双重属性使得极具可调可控潜力。在传统的需求侧系统优化模型中，由于暖通空调和电动汽车具有数量庞大、模型求解困难等特点，诸多研究为缩减模型中的二进制变量的数目，通常是对负荷进行集群处理。通过“约束归类”等方法将负荷进行归类，以群代替个体的数目，虽在一定程度上能缩短模型的求解时间但在一定程度上也会丧失模型的准确性和用户的个性。
[0006]量子计算理论由于其能处理海量信息的独特性质，近些年渐渐融入到各行各业中，例如其优异的全局搜索能力被广泛用于进化优化法、增强学习等智能优化算法中，用来改善算法的全局搜索能力。量子比特既可以表示0或1这样的计算基态，也可以表示0和1两种状态的叠加，并通过量子旋转门对量子态进行搜索，其计算速度远超于传统的穷举法。随着数字化程度的不断加深以及系统协调性要求的不断提高，电力系统各环节的计算能力要求将呈指数级增长，传统计算方式将不能承载现有计算量。

技术实现思路

[0007]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于量子近似态的需求侧响应协同优化方法，以期能构建计及大规模需求侧响应的配电网运行优化模型，从而能提高对需求侧负荷削峰填谷能力的预测准确性，使得电网调度中心能够依据需求侧负荷的发展趋势对负荷作出精准调控，进而保证配电网的正常安全运行。
[0008]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0009]本专利技术一种基于量子近似态的需求侧响应协同优化方法的特点在于，包括以下步骤：
[0010]步骤1：根据电力系统的实际情况，建立IEEE节点系统的电网拓扑网络图及其充电桩规划图；
[0011]步骤2：分别建立电力系统的需求侧中以电动汽车为代表的可削减负荷数学模型、以及以暖通负荷为代表的可平移负荷数学模型，并在所述可削减负荷数学模型中加入考虑电动汽车电池自然放电寿命和电动汽车参与调度后电池退化的数学模型；
[0012]步骤3：建立电力系统的计及需求侧响应的配电网运行优化模型，包含：电动汽车和配电网运行的约束条件，以及考虑火电机组启停和运行费用最小的目标函数、配电网系统网损最小的目标函数和电动汽车参与电网调度充放电量最大的目标函数；
[0013]步骤4：输入配电网运行优化模型的参数，包括：需求侧的负荷在各节点的分布情况、各成本参数、时段电价，并将配电网运行优化模型中的二进制变量转换为量子比特的形式；
[0014]步骤5：生成各量子比特的初始态，并通过改进的磷虾群算法求解各时段源荷机组的启停状态和功率值；
[0015]步骤5.1：设定磷虾群算法的迭代次数为k，并初始化k＝1；设定最大迭代次数为K
max
；
[0016]设定迭代中断的阈值为ε、个体数量NP、最大诱导速度N
max
、最大觅食速度V
y
、最大扩散速度D
max
、交叉概率CR；
[0017]在第k次迭代中，初始化T个时段内N个量子比特的初始态；
[0018]步骤5.2：令磷虾群中每个个体均对应一组各时段源荷机组的启停状态和功率值；并初始化第k次迭代中磷虾群中个体的位置；
[0019]步骤5.3：将第k次迭代中磷虾群中每个个体分别代入所述配电网运行优化模型中求解其目标函数，并得到每个个体对应的适应度值后，从中选出适应度最小的磷虾群个体，并作为第k次迭代的最优个体；
[0020]步骤5.4：通过诱导运动、觅食运动和随机扩散运动更新第k次迭代的磷虾群中每个个体的位置，并生成第k次迭代的父代个体；依次使用量子旋转门、交叉操作和变异操作对第k次迭代的父代个体进行处理，生成第k+1次迭代磷虾群中每个个体的位置：
[0021]步骤5.5：若第k次和k+1次迭代时最优个体的适应度值之差满足迭代收敛的阈值ε，则输出第k次迭代的最优个体所对应的各时段源荷机组的启停状态和功率值，否则，执行步骤5.6；
[0022]步骤5.6：将k+1赋值给k后，若k达到K
max
，则结束迭代，并输出第k次迭代的最优个体所对应的各时段源荷机组的启停状态和功率值，否则，返回执行步骤5.3。
[0023]本专利技术所述的基于量子近似态的需求侧响应协同优化方法的特点也在于：所述步骤2中是利用式(1)
‑
式(5)建立基于电池自放电的电动汽车参与调度后电池退化的数学模型：
[0024][0025]χ
soc,t
＝max{χ
soc,t
‑
χ
soc,t
‑1,0}
ꢀꢀꢀ
(2)
[0026][0027][0028][0029]式(1)中，为第t个时段的电池循环放电深度；SOC
t
‑1为第t
‑
1个时段电池的荷电状态；χ
soc,t
为二进制变量，χ
soc,t
＝1时表示在第t个时段电池发生充放电循环，χ
soc,t
＝0时表示在第t个时段电池不发生充放电循环；
[0030]式(3)中，n
eq,t
为第t个时段时电池的等效全循环次数；k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子近似态的需求侧响应协同优化方法，其特征在于，包括以下步骤：步骤1：根据电力系统的实际情况，建立IEEE节点系统的电网拓扑网络图及其充电桩规划图；步骤2：分别建立电力系统的需求侧中以电动汽车为代表的可削减负荷数学模型、以及以暖通负荷为代表的可平移负荷数学模型，并在所述可削减负荷数学模型中加入考虑电动汽车电池自然放电寿命和电动汽车参与调度后电池退化的数学模型；步骤3：建立电力系统的计及需求侧响应的配电网运行优化模型，包含：电动汽车和配电网运行的约束条件，以及考虑火电机组启停和运行费用最小的目标函数、配电网系统网损最小的目标函数和电动汽车参与电网调度充放电量最大的目标函数；步骤4：输入配电网运行优化模型的参数，包括：需求侧的负荷在各节点的分布情况、各成本参数、时段电价，并将配电网运行优化模型中的二进制变量转换为量子比特的形式；步骤5：生成各量子比特的初始态，并通过改进的磷虾群算法求解各时段源荷机组的启停状态和功率值；步骤5.1：设定磷虾群算法的迭代次数为k，并初始化k＝1；设定最大迭代次数为K
max
；设定迭代中断的阈值为ε、个体数量NP、最大诱导速度N
max
、最大觅食速度V
y
、最大扩散速度D
max
、交叉概率CR；在第k次迭代中，初始化T个时段内N个量子比特的初始态；步骤5.2：令磷虾群中每个个体均对应一组各时段源荷机组的启停状态和功率值；并初始化第k次迭代中磷虾群中个体的位置；步骤5.3：将第k次迭代中磷虾群中每个个体分别代入所述配电网运行优化模型中求解其目标函数，并得到每个个体对应的适应度值后，从中选出适应度最小的磷虾群个体，并作为第k次迭代的最优个体；步骤5.4：通过诱导运动、觅食运动和随机扩散运动更新第k次迭代的磷虾群中每个个体的位置，并生成第k次迭代的父代个体；依次使用量子旋转门、交叉操作和变异操作对第k次迭代的父代个体进行处理，生成第k+1次迭代磷虾群中每个个体的位置：步骤5.5：若第k次和k+1次迭代时最优个体的适应度值之差满足迭代收敛的阈值ε，则输出第k次迭代的最优个体所对应的各时段源荷机组的启停状态和功率值，否则，执行步骤5.6；步骤5.6：将k+1赋值给k后，若k达到K
max
，则结束迭代，并输出第k次迭代的最优个体所对应的各时段源荷机组的启停状态和功率值，否则，返回执行步骤5.3。2.根据权利要求1所述的基于量子近似态的需求侧响应协同优化方法，其特征在于：所述步骤2中是利用式(1)
‑
式(5)建立基于电池自放电的电动汽车参与调度后电池退化的数学模型：χ
soc,t
＝max{χ
soc,t
‑
χ
soc,t
‑1,0}
ꢀꢀꢀꢀ
(2)(2)
式(1)中，为第t个时段的电池循环放电深度；SOC
t
‑1为第t
‑
1个时段电池的荷电状态；χ
soc,t
为二进制变量，χ
soc,t
＝1时表示在第t个时段电池发生充放电循环，χ
soc,t
＝0时表示在第t个时段电池不发生充放电循环；式(3)中，n
eq,t
为第t个时段时电池的等效全循环次数；k
p
为幂函数的拟合系数，且k
p
为各电池的出厂参数；式(4)中，N
eq
为电池的日等效全循环次数；式(5)中，为电动汽车j在...

【专利技术属性】
技术研发人员：张大波，徐震，欧阳菠，马英浩，杨贺钧，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：