【技术实现步骤摘要】
本专利技术涉及电力新能源储能以及需求侧响应，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。
技术介绍
1、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。
2、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
技术实现思路
1、本专利技术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。
2、本专利技术的目的可以通过以下技术方案来实现：
3、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：
4、获取新能源出力曲线与运营商用户负荷曲线；
5、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；
6、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；
7、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。
8、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。
9、进一步地，所述多类数据包括峰、平和谷三类时段数据。
10、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：
11、
12、其中，所述电功率平衡约束的表达式为：
13、px，t+pbat，t＝pload，t
14、所述储能充放电约束的表达式为：
15、pbat，t，min≤|pbat，t|≤pbat，t，max
16、所述储能容量约束的表达式为：
17、eb，min≤eb≤eb，max
18、储能功率约束的表达式为：
19、pb，min≤pb≤pb，max
20、储能荷电状态约束的表达式为：
21、
22、式中，rs代表为新能源就地消纳率，ps，t为运营商微电网中由负荷实时消纳的新能源出力，pbat，t为t时段储能的充放电功率，px，t为预测新能源出力；px，t为t时刻的新能源出力功率数据，pbat，t为t时刻储能的放电功率，pload，t为t时刻的负荷功率；pbat，t，min、pbat，t，max分别是储能系统充放电功率的下限和上限；|pbat，t|是储能的充放电功率的绝对值；eb，min、eb，max分别为储能电池最小和最大配置容量；pb，min、pb，max分别为储能电池最小和最大配置功率；st，min，st，max分别为储能系统荷电状态的下限和上限；st，1为储能初始时刻的荷电状态，ηc，ηd分别储能系统的充电效率和放电效率pbat，t，c，pbat，t，e分别为储能系统的充电功率和放电功率。
23、进一步地，所述运行日成本的计算表达式为：
24、cday＝cin+com
25、
26、式中，cday为运行日成本，cin为储能配置的日投资成本，com为储能的日维护成本，pb为运营商储能配置的功率，kd为等日值系数，kom为储能的年维护成本系数，r为折线率，y为储能的投资年限。
27、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。
28、进一步地，所述用户模型的目标函数为：
29、
30、其中，
31、
32、
33、αn＞0
34、βn＞0
35、式中，λt表示在时段t的零售电价，与表示用户真实消耗的负荷，表示不满意系数，表示用户必要负荷需求，表示用户可削减负荷需求，ξt是t时刻的弹性系数，衡量一个经济变量对另一个经济变量变化的反应程度，πt表示t时刻的批发电价；αn和βn为用户依赖参数，βn为一个预定参数，αn反映用户对减少用电需求的态度：αn值越大，说明运营商倾向于减少需求以提高满意度，反之亦然。
36、进一步地，所述运营商模型的目标函数为：
37、
38、k1πt，min≤λt≤k2πt，max
39、式中，λt表示在时段t的零售电价，πt表示t时刻的批发电价，与表示用户真实消耗的负荷，cday表示运行日成本，k1和k2为零售价格边界的预定系数。
40、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：
41、
42、
43、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；λt表示在时段t的零售电价，πt表示t时刻的批发电价，表示不满意系数，cday表示运行日成本，与表示用户真实消耗的负荷，et表示用户的每日总负荷。
44、进一步地，采用pso算法求解所述上层储能优化模型。
45、与现有技术相比，本专利技术具有以下有益效果：
46、(1)本专利技术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本文档来自技高网...
【技术保护点】
1.一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，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。
3.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，所述多类数据包括峰、平和谷三类时段数据。
4.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，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：
5.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，所述运行日成本的计算表达式为：
6.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，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
7.根据权利要求6所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，所述用户模型的目标函数为：
8.根据权利要求6所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，所述运营商模型的目标函数为：
9.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，采用q-learning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：
10.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，采用PSO算法求解所述上层储能优化模型。
...【技术特征摘要】
1.一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，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。
3.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，所述多类数据包括峰、平和谷三类时段数据。
4.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，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：
5.根据权利要求1所述的一种基于储能与分时电价策略的新能源消纳率优化方法，其特征在于，所述运行日成本的计算表达式为：
6.根据权...
【专利技术属性】
技术研发人员：苏运，田英杰，赵莹莹，郭乃网，温蜜，李凡，魏敏捷，吴裔，陈喆晖，张梦圆，郑成，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：
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。