一种电力系统的源网荷储协同运行方法与流程

1.本发明涉及电力系统运行技术领域，尤其涉及一种电力系统的源网荷储协同运行方法。


背景技术：

2.随着风电、光伏等可再生能源并网比例日渐提升，电网亟需更多的灵活性资源参与调节，主要包括分布式电源、储能系统以及需求响应。提高风电、光伏等这类具有不确定性可再生能源供能商在电力市场中的竞争力，同时，激发储能侧和需求侧这类调节资源参与到电力市场中的活力，可以提升电力市场的运行效率。在电力市场背景下，不同的灵活性资源主体拥有各自的利益诉求，相互之间存在利益冲突，为充分提升各类可调节资源间的协调性，调动其积极性和灵活性，通过电力市场对各类电力灵活性资源进行优化配置是一种有效的解决方法。
3.目前，传统的电力系统通过协调参与调节的各资源进行运行，然而，在电力市场影响下，市场中多方主体的利益无法同时得到兼顾，电力系统缺乏高效的源网荷储协同运行方式，市场运行效率低，无法将可再生能源进行充分利用。


技术实现要素：

4.本发明提供了一种电力系统的源网荷储协同运行方法，实现电力系统中源-网-荷-储的协同优化调度运行，提高可再生能源利用率，保证系统安全经济运行。
5.为了解决上述技术问题，本发明实施例提供了一种电力系统的源网荷储协同运行方法，包括：
6.以电力市场中主体运营商的收益最大为目标，构建主体运营商收益模型的目标函数和约束条件；其中，主体运营商收益模型包括供能运营商收益模型、配电网运营商收益模型、储能运营商收益模型和负荷聚合商收益模型；
7.根据主体运营商收益模型的目标函数和约束条件，构建源网荷储协同多目标优化模型；
8.通过改进的粒子群算法，对源网荷储协同多目标优化模型进行求解，获得最优协同运行方案；
9.根据最优协同运行方案，控制电力系统的运行。
10.实施本发明实施例，以电力市场中主体运营商的收益最大为目标，构建主体运营商收益模型的目标函数和约束条件；其中，主体运营商收益模型包括供能运营商收益模型、配电网运营商收益模型、储能运营商收益模型和负荷聚合商收益模型；根据主体运营商收益模型的目标函数和约束条件，构建源网荷储协同多目标优化模型；通过改进的粒子群算法，对源网荷储协同多目标优化模型进行求解，获得最优协同运行方案；根据最优协同运行方案，控制电力系统的运行。建立源网荷储协同多目标优化模型，考虑了源-网-荷-储多方利益诉求，通过调度各方的积极性，保证系统安全经济运行，在保证电网经济可靠运行的基
础上可有效促进新能源消纳，有助于提高各方的协调性和靠运行的基础上可有效促进新能源消纳。并通过改进的粒子群算法求解源网荷储协同多目标优化模型得到最优协同运行方案，寻求全局最优解，保证电力系统安全经济运行的同时提高可再生能源利用率。
11.作为优选方案，通过改进的粒子群算法，对源网荷储协同多目标优化模型进行求解，获得最优协同运行方案，具体为：
12.将源网荷储协同多目标优化模型中的变量作为种群的粒子；
13.设置种群相关参数，并根据种群相关参数，初始化种群；其中，种群相关参数包括种群规模、档案库数量阈值和最大迭代次数；
14.计算各粒子适应度，根据粒子支配关系，确定各粒子的初始个体最佳位置和初始全局最佳位置；其中，各粒子适应度是根据电网信息参数，计算各粒子的目标函数值获得；电网信息参数包括配电网、电源、负荷和电价；
15.判断当前的迭代次数是否高于最大迭代次数；
16.若高于，则输出当前的档案库中当前的帕累托最优解集，将当前的帕累托最优解集作为最优协同运行方案；
17.若不高于，则根据各粒子适应度、粒子支配关系和档案库数量阈值，获得当前的帕累托最优解集和当前的档案库；将当前的迭代次数加1，并判断当前的迭代次数是否高于最大迭代次数，直至当前的迭代次数高于最大迭代次数，当前的档案库中当前的帕累托最优解集，将当前的帕累托最优解集作为最优协同运行方案。
18.作为优选方案，根据各粒子适应度、粒子支配关系和档案库数量阈值，获得当前的帕累托最优解集和当前的档案库，具体为：
19.根据各粒子适应度，计算种群的群体适应度方差；
20.根据群体适应度方差，将当前迭代的全局最佳位置进行自适应随机变异更新；
21.根据更新后的当前迭代的全局最佳位置，更新各粒子的当前迭代的速度和当前迭代的个体最佳位置；
22.根据粒子支配关系、全部迭代的个体最佳位置、全部迭代的全局最佳位置，获得当前的帕累托最优解集，并根据档案库数量阈值和当前的帕累托最优解集，更新当前的档案库。
23.实施本发明实施例，通过改进多目标粒子群算法引入了自适应惯性权重和自适应变异策略，能够更好地改善帕累托最优解集的分布性，寻求全局最优解，获得最优协同运行方案(最优调度方案)，提高各方主体所获利益，提高可再生能源利用率，避免资源浪费。
24.作为优选方案，根据更新后的当前迭代的全局最佳位置，更新各粒子的当前迭代的速度和当前迭代的个体最佳位置，具体为：
[0025][0026][0027]
其中，为粒子i在第k次迭代时的速度；为粒子i在第k次迭代时的位置；w为惯性权重系数，惯性权重系数为固定权重值或者自适应惯性权重值；c1和c2分别为个体和全局学习因子；l1和l2为随机常数；为粒子i迭代到第k代时的个体最佳位置；为种群的粒
子迭代到第k代的全局最佳位置；
[0028]
其中，自适应惯性权重值是将当前的迭代次数、最大迭代次数和惯性权重上下限进行自适应权重计算获得，自适应权重计算的公式为：
[0029][0030]
其中，wk为自适应惯性权重值，w
max
为惯性权重上限，w
min
为惯性权重下限，k
max
为最大迭代次数，k为当前的迭代次数。
[0031]
作为优选方案，根据各粒子适应度，计算种群的群体适应度方差，具体为：
[0032]
根据各粒子适应度，计算种群的平均适应度，公式为：
[0033][0034]
其中，gi为粒子i的适应度；ga为种群n个粒子的平均适应度；
[0035]
根据种群的平均适应度，计算粒子群归一化定标因子，公式为：
[0036][0037]
其中，g为粒子群归一化定标因子；
[0038]
根据各粒子适应度、种群的平均适应度和粒子群归一化定标因子，计算种群的群体适应度方差，公式为：
[0039][0040]
其中，σ2为种群的群体适应度方差。
[0041]
作为优选方案，根据群体适应度方差，将当前迭代的全局最佳位置进行自适应随机变异更新，具体为：
[0042]
根据群体适应度方差，计算变异概率；
[0043][0044]
其中，p为变异概率；m为预设范围的随机数；为预设的群体适应度方差；
[0045]
根据变异概率，将满足变异条件的当前迭代的全局最佳位置进行变异；其中变异的公式为：
[0046][0047]
其中，为种群的粒子迭代到第k代的全局最佳位置，为服从高斯分布的随机变量。
[0048]
作为优选方案，根据粒子支配关系、全部迭代的个体最佳位置、全部迭代的全局最佳位置，获得当前的帕累托最优解集，并根据档案库数量阈值和当前的帕累托最优解集，更
新当前的档案库，具体为：
[0049]
选择全部迭代的个体最佳位置中的最优值，得到个体最优解；
[0050]
根据粒子支配关系对全部迭代的全局最佳位置进行劣解去除，获得非劣解集合，
[0051]
将个体最优解和非劣解集合作为当前的帕累托最优解集；
[0052]
将当前的帕累托最优解集加入当前的档案库；
[0053]
若当前的档案库中解集的数量高于档案库数量阈值，则根据自适应网格对当前的档案库中的帕累托最优解集进行筛选，直到当前的档案库中解集的数量不高于档案库数量阈值。
[0054]
作为优选方案，供能运营商收益模型的目标函数，具体为：
[0055]
max f1＝w
e1
+w
s1-c
c1-c
o1-c
f1
[0056][0057][0058][0059][0060][0061]
其中，f1为供能运营商日前调度运行收益；w
e1
为常规机组运营商售电收益；w
s1
为分布式电源运营商售电收益；c
c1
为分布式电源运维成本；c
o1
为常规电源运维成本；c
f1
为常规电源燃料成本；t为时段总数；e为常规电源总数；为常规电源e在时段t的单位售电价格；为常规电源e在时段t的出力；i为分布式电源总数；为分布式电源i在时段t的单位售电价格；p
it
为分布式电源i在时段t的出力；αi为分布式电源i的单位容量运行费用；αe为常规电源e的单位容量运行费用；β为标准煤电价；为常规电源e在t时刻的开停机状态变量，代表停机状态，代表开机状态；ae、be和ce分别为常规电源e的运行成本二次项、一次项和常量项系数；
[0062]
配电网运营商收益模型的目标函数，具体为：
[0063]
max f2＝w
s2-c
b2-c
l2-c
a2
[0064][0065][0066]
[0067][0068]
其中，f2为配电网运营商日前调度运行收益；w
s2
为配电网运营商售电收入；c
b2
为配电网运营商购电成本；c
l2
为网损成本；c
a2
为弃风弃光成本；为配电网t时段单位售电电价；为配电网t时段售电量；为配电网t时段单位购电电价；为配电网t时段购电量；p
lt
为配电网t时段网损；αa为单位弃风弃光惩罚费用；为t时段弃风弃光总电量；
[0069]
储能运营商收益模型的目标函数，具体为：
[0070]
max f3＝w
s3-c
o3
[0071][0072][0073]
其中，f3为储能运营商日前调度收益；w
s3
为储能低储高发套利收入；c
o3
为储能运行维护费用；es为储能装置总数；为储能es在时段t的充放电单价；为储能es在时段t的放电功率；为储能es在时段t的充电功率；α
es
为储能单位充放电功率运行费用；为储能es在时段t的充电或放电功率；
[0074]
负荷聚合商收益模型的目标函数，具体为：
[0075]
max f4＝w
u4
+w
r4-c
l4
[0076][0077][0078][0079]
其中，f4为负荷聚合商参与电力市场需求响应后增加的收益；w
u4
为可中断负荷的补贴收入；w
r4
为可转移负荷减少的费用支出；c
l4
为负荷聚合商参与需求响应后造成用电舒适性所带来的损失费用；λu为单位可中断负荷补贴；为时段t的负荷中断量；λr为负荷聚合商售电价格；为时段t的移出负荷；为时段t的移入负荷；au、a
ro
和a
ri
分别为中断负荷、移出负荷和移入负荷参与需求响应所产生的经济损失系数。
[0080]
作为优选方案，供能运营商收益模型的约束条件，包括：分布式电源出力约束、常规电源爬坡约束和常规电源出力上下限约束；
[0081]
分布式电源出力约束，具体为：
[0082][0083]
[0084]
其中，为光伏在t时段的出力；为风机在t时段的出力；为光伏出力上限；为风电出力上限；
[0085]
常规电源出力上下限约束，具体为：
[0086][0087]
其中，为常规电源在t时段的出力；为常规电源出力上限；为常规电源出力下限；
[0088]
常规电源爬坡约束，具体为：
[0089][0090]
其中，为常规电源在t-1时段的出力；uu为常规电源向上爬坡速率；ud为常规电源向下爬坡速率；
[0091]
配电网运营商收益模型的约束条件，包括：支路潮流约束、节点电压约束和网络约束；
[0092]
支路潮流约束，具体为：
[0093][0094]
其中，p
g,j
为节点j处电源和储能装置发出有功功率之和；q
g,j
为节点j处发出的无功功率；p
l,j
为节点j处负荷有功功率与储能装置吸收的有功功率之和；q
l,j
为节点j处负荷的无功功率；vj为节点j处电压幅值；vk为节点k处电压幅值；g
jk
为节点j和节点k间的线路电导；b
jk
为节点j和节点k间的线路电导；θ
jk
为节点j和节点k间的相角差；
[0095]
节点电压约束，具体为：
[0096][0097]
其中，为节点电压幅值下限，为节点电压幅值上限；
[0098]
网络约束，具体为：
[0099][0100]
其中，p
jk
为节点j和节点k之间线路传输的有功功率；为节点j和节点k之间线路传输的有功功率上限；
[0101]
储能运营商收益模型的约束条件，包括：储能装置容量状态约束、储能装置充放电功率约束和储能装置充放电状态约束；
[0102]
储能装置充放电功率约束，具体为：
[0103][0104][0105]
其中，为储能在时段t的充电功率；为储能在时段t的放电功率；为
储能充电功率上限；为储能放电功率上限；和为0-1变量，取1表示充电，取0表示不充电；取1表示放电，取0表示不放电；
[0106]
储能装置充放电状态约束，具体为：
[0107][0108]
储能装置容量状态约束，具体为：
[0109][0110]
其中，为储能在时段t的容量；为储能在时段t-1的容量；η
cha,es
为储能的充电效率；η
dis,es
为储能的放电效率；δt为相邻两时间段间隔；
[0111]
负荷聚合商收益模型的约束条件，包括：可中断负荷约束和可转移负荷约束；
[0112]
可中断负荷约束，具体为：
[0113][0114]
其中，和分别为时段可中断负荷的上限和下限，为时段t的负荷中断量；
[0115]
可转移负荷约束，具体为：
[0116][0117][0118]
其中，p
rmax
和p
rmin
分别为时段可转移负荷的上限和下限，为时段t的转移负荷量。
[0119]
作为优选方案，根据主体运营商收益模型的目标函数和约束条件，构建源网荷储协同多目标优化模型，具体为：
[0120][0121]
其中，fi(x)为主体运营商收益模型的目标函数；x为决策变量；hj(x)为约束条件的等式约束函数；dk(x)为约束条件的不等式约束函数。
附图说明
[0122]
图1：为本发明提供的一种电力系统的源网荷储协同运行方法的一种实施例的流程示意图；
[0123]
图2：为本发明提供的一种电力系统的源网荷储协同运行方法的一种实施例的配电网源网荷储协同多目标优化流程图；
[0124]
图3：为本发明提供的一种电力系统的源网荷储协同运行方法的一种实施例的基于改进的多目标粒子群算法求解源网荷储协同多目标优化模型的流程图。
具体实施方式
[0125]
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作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。
[0126]
请参照图1，为本发明实施例提供的一种电力系统的源网荷储协同运行方法的流程示意图。本实施例通过建立并求解源网荷储协同多目标优化模型，电力系统利用最优协同运行方案运行，实现电力系统中源-网-荷-储的协同优化调度运行，提高可再生能源利用率，保证系统安全经济运行。该源网荷储协同运行方法包括步骤101至步骤104，各步骤具体如下:
[0127]
步骤101：以电力市场中主体运营商的收益最大为目标，构建主体运营商收益模型的目标函数和约束条件；其中，主体运营商收益模型包括供能运营商收益模型、配电网运营商收益模型、储能运营商收益模型和负荷聚合商收益模型。
[0128]
在本实施例中，考虑市场影响的配电网源网荷储协同多目标优化，配电网源网荷储协同多目标优化流程，如图2所示，以电力市场中供能运营商、配电网运营商、储能运营商和负荷聚合商各主体运营商收益最大为目标，建立优化目标函数，确定各主体运营商收益模型的约束条件，包括等式约束和不等式约束，基于改进的粒子群算法对所建立的多目标优化模型进行求解，得到最优协同运行方案。
[0129]
在本实施例中，构建供能运营商、配电网运营商、储能运营商和负荷聚合商各主体收益最大的目标函数，具体包括：供能运营商目标函数(供能运营商收益模型的目标函数)、配电网运营商(配电网运营商收益模型的目标函数)、储能运营商目标函数(储能运营商收益模型的目标函数)和负荷聚合商目标函数(负荷聚合商收益模型的目标函数)。
[0130]
供能运营商收益模型的目标函数，具体为：
[0131]
maxf1＝w
e1
+w
s1-c
c1-c
o1-c
f1
[0132][0133][0134][0135][0136][0137]
其中，f1为供能运营商日前调度运行收益；w
e1
为常规机组运营商售电收益；w
s1
为分
布式电源运营商售电收益；c
c1
为分布式电源运维成本，分布式电源考虑为光伏和风电；c
o1
为常规电源运维成本；c
f1
为常规电源燃料成本；t为时段总数；e为常规电源总数；为常规电源e在时段t的单位售电价格；为常规电源e在时段t的出力；i为分布式电源总数；为分布式电源i在时段t的单位售电价格；p
it
为分布式电源i在时段t的出力；αi为分布式电源i的单位容量运行费用；αe为常规电源e的单位容量运行费用；β为标准煤电价；为常规电源e在t时刻的开停机状态变量，代表停机状态，代表开机状态；ae、be和ce分别为常规电源e的运行成本二次项、一次项和常量项系数；
[0138]
配电网运营商收益模型的目标函数，具体为：
[0139]
max f2＝w
s2-c
b2-c
l2-c
a2
[0140][0141][0142][0143][0144]
其中，f2为配电网运营商日前调度运行收益；w
s2
为配电网运营商售电收入；c
b2
为配电网运营商购电成本；c
l2
为网损成本；c
a2
为弃风弃光成本；为配电网t时段单位售电电价；p
st
为配电网t时段售电量；为配电网t时段单位购电电价；为配电网t时段购电量；p
lt
为配电网t时段网损；αa为单位弃风弃光惩罚费用；为t时段弃风弃光总电量；
[0145]
储能运营商收益模型的目标函数，具体为：
[0146]
max f3＝w
s3-c
o3
[0147][0148][0149]
其中，f3为储能运营商日前调度收益；w
s3
为储能低储高发套利收入；c
o3
为储能运行维护费用；es为储能装置总数；为储能es在时段t的充放电单价；为储能es在时段t的放电功率；为储能es在时段t的充电功率；α
es
为储能单位充放电功率运行费用；为储能es在时段t的充电或放电功率；
[0150]
负荷聚合商收益模型的目标函数，具体为：
[0151]
max f4＝w
u4
+w
r4-c
l4
[0152]
[0153][0154][0155]
其中，f4为负荷聚合商参与电力市场需求响应后增加的收益；w
u4
为可中断负荷的补贴收入；w
r4
为可转移负荷减少的费用支出；c
l4
为负荷聚合商参与需求响应后造成用电舒适性所带来的损失费用；λu为单位可中断负荷补贴；为时段t的负荷中断量；λr为负荷聚合商售电价格；为时段t的移出负荷；为时段t的移入负荷；au、a
ro
和a
ri
分别为中断负荷、移出负荷和移入负荷参与需求响应所产生的经济损失系数，经济损失系数通过负荷长期用能数据拟合得到。
[0156]
在本实施例中，各主体运营商收益模型的约束条件具体为：供能运营商收益模型的约束条件包括：分布式电源出力约束、常规电源爬坡约束和常规电源出力上下限约束；配电网运营商收益模型的约束条件包括：支路潮流约束、节点电压约束、网络约束；储能运营商收益模型的约束条件包括：储能装置容量状态约束、储能装置充放电功率约束、储能装置充放电状态约束；负荷聚合商收益模型的约束条件包括：可中断负荷约束、可转移负荷约束。
[0157]
供能运营商收益模型的约束条件，包括：分布式电源出力约束、常规电源爬坡约束和常规电源出力上下限约束；
[0158]
分布式电源出力约束，具体为：
[0159][0160][0161]
其中，为光伏在t时段的出力；为风机在t时段的出力；为光伏出力上限；为风电出力上限；
[0162]
常规电源出力上下限约束，具体为：
[0163][0164]
其中，为常规电源在t时段的出力；为常规电源出力上限；为常规电源出力下限；
[0165]
常规电源爬坡约束，具体为：
[0166][0167]
其中，为常规电源在t-1时段的出力；uu为常规电源向上爬坡速率；ud为常规电源向下爬坡速率；
[0168]
配电网运营商收益模型的约束条件，包括：支路潮流约束、节点电压约束和网络约束；
[0169]
支路潮流约束，具体为：
[0170][0171]
其中，p
g,j
为节点j处电源和储能装置发出有功功率之和；q
g,j
为节点j处发出的无功功率；p
l,j
为节点j处负荷有功功率与储能装置吸收的有功功率之和；q
l,j
为节点j处负荷的无功功率；vj为节点j处电压幅值；vk为节点k处电压幅值；g
jk
为节点j和节点k间的线路电导；b
jk
为节点j和节点k间的线路电导；θ
jk
为节点j和节点k间的相角差，即支路始末节点j和节点k的相角差；
[0172]
节点电压约束，具体为：
[0173][0174]
其中，为节点电压幅值下限，为节点电压幅值上限；
[0175]
网络约束，具体为：
[0176][0177]
其中，p
jk
为节点j和节点k之间线路传输的有功功率；为节点j和节点k之间线路传输的有功功率上限；
[0178]
储能运营商收益模型的约束条件，包括：储能装置容量状态约束、储能装置充放电功率约束和储能装置充放电状态约束；
[0179]
储能装置充放电功率约束，具体为：
[0180][0181][0182]
其中，为储能在时段t的充电功率；为储能在时段t的放电功率；为储能充电功率上限；为储能放电功率上限；和为0-1变量，取1表示充电，取0表示不充电；取1表示放电，取0表示不放电；
[0183]
储能装置充放电状态约束，具体为：
[0184][0185]
储能装置容量状态约束，具体为：
[0186][0187]
其中，为储能在时段t的容量；为储能在时段t-1的容量；η
cha,es
为储能的充电效率；η
dis,es
为储能的放电效率；δt为相邻两时间段间隔；
[0188]
负荷聚合商收益模型的约束条件，包括：可中断负荷约束和可转移负荷约束；
[0189]
可中断负荷约束，具体为：
[0190][0191]
其中，和分别为时段可中断负荷的上限和下限，为时段t的负荷中断量；
[0192]
可转移负荷约束，具体为：
[0193][0194][0195]
其中，p
rmax
和p
rmin
分别为时段可转移负荷的上限和下限，p
rt
为时段t的转移负荷量。
[0196]
步骤102：根据主体运营商收益模型的目标函数和约束条件，构建源网荷储协同多目标优化模型。
[0197]
可选的，根据步骤101构建的目标函数和约束条件，建立源网荷储协同多目标优化模型(各主体收益最大的多目标优化模型)为:
[0198][0199]
其中，fi(x)为主体运营商收益模型的目标函数；x为决策变量；hj(x)为约束条件的等式约束函数；dk(x)为约束条件的不等式约束函数。
[0200]
步骤103：通过改进的粒子群算法，对源网荷储协同多目标优化模型进行求解，获得最优协同运行方案。
[0201]
在本实施例中，通过改进的多目标粒子群算法对所建立的多目标优化模型进行求解，基于改进的多目标粒子群算法求解源网荷储协同多目标优化模型的流程，如图3所示，改进的多目标粒子群算法首先输入配电网、电源、负荷和电价等电网信息参数，求解模型，计算最优解帕累托最优解集。改进的多目标粒子群算法是寻找非劣解，通过分析其支配关系，求得帕累托最优解集，帕累托最优解集即为最优协同运行方案。
[0202]
可选的，步骤103具体包括步骤31至步骤34，各步骤具体如下:
[0203]
步骤31：将源网荷储协同多目标优化模型中的变量作为种群的粒子；
[0204]
在本实施例中，为利用改进的多目标粒子群算法求解源网荷储协同多目标优化模型，将源网荷储协同多目标优化模型的变量作为多目标粒子群算法中的粒子进行求解。
[0205]
步骤32：设置种群相关参数，并根据种群相关参数，初始化种群；其中，种群相关参数包括种群规模、档案库数量阈值和最大迭代次数；
[0206]
步骤33：计算各粒子适应度，根据粒子支配关系，确定各粒子的初始个体最佳位置和初始全局最佳位置；其中，各粒子适应度是根据电网信息参数，计算各粒子的目标函数值获得；电网信息参数包括配电网、电源、负荷和电价；
[0207]
步骤34：判断当前的迭代次数是否高于最大迭代次数；
[0208]
若高于，则输出当前的档案库中当前的帕累托最优解集，将当前的帕累托最优解
集作为最优协同运行方案；
[0209]
步骤35：若不高于，则根据各粒子适应度、粒子支配关系和档案库数量阈值，获得当前的帕累托最优解集和当前的档案库；将当前的迭代次数加1，并判断当前的迭代次数是否高于最大迭代次数，直至当前的迭代次数高于最大迭代次数，当前的档案库中当前的帕累托最优解集，将当前的帕累托最优解集作为最优协同运行方案。
[0210]
可选的，根据各粒子适应度、粒子支配关系和档案库数量阈值，获得当前的帕累托最优解集和当前的档案库，具体包括步骤351至步骤354，各步骤具体如下:
[0211]
步骤351：根据各粒子适应度，计算种群的群体适应度方差；
[0212]
可选的，步骤351具体为：根据各粒子适应度，计算种群的平均适应度，公式为：
[0213][0214]
其中，gi为粒子i的适应度，即目标函数值；ga为种群n个粒子的平均适应度；
[0215]
根据种群的平均适应度，计算粒子群归一化定标因子，公式为：
[0216][0217]
其中，g为粒子群归一化定标因子；
[0218]
根据各粒子适应度、种群的平均适应度和粒子群归一化定标因子，计算种群的群体适应度方差，公式为：
[0219][0220]
其中，σ2为种群的群体适应度方差。
[0221]
步骤352：根据群体适应度方差，将当前迭代的全局最佳位置进行自适应随机变异更新；
[0222]
在本实施例中，为提高粒子种群对解空间的全局搜索能力，采用自适应变异策略对种群粒子全局最佳位置进行随机变异，对满足变异条件的全局最佳位置按一定的变异概率变异，来克服粒子群算法易陷入局部最优的问题。
[0223]
可选的，步骤352具体为：根据群体适应度方差，计算变异概率；
[0224][0225]
其中，p为变异概率；m为预设范围的随机数，优选的预设范围为0.1～0.3之间；为预设的群体适应度方差，的取值小于σ2的最大值。
[0226]
根据变异概率，将满足变异条件的当前迭代的全局最佳位置进行变异；其中变异的公式为：
[0227][0228]
其中，为种群的粒子迭代到第k代的全局最佳位置，为服从高斯分布的随机变
量，优选的，高斯分布为(0,1)分布。
[0229]
步骤353：根据更新后的当前迭代的全局最佳位置，更新各粒子的当前迭代的速度和当前迭代的个体最佳位置，具体为：
[0230][0231][0232]
其中，为粒子i在第k次迭代时的速度；为粒子i在第k次迭代时的位置；w为惯性权重系数，惯性权重系数为固定权重值或者自适应惯性权重值；c1和c2分别为个体和全局学习因子，在0～2之间；l1和l2为随机常数，在0～1之间；为粒子i迭代到第k代时的个体最佳位置；为种群的粒子迭代到第k代的全局最佳位置；
[0233]
其中，自适应惯性权重值是将当前的迭代次数、最大迭代次数和惯性权重上下限进行自适应权重计算获得，自适应权重计算的公式为：
[0234][0235]
其中，wk为自适应惯性权重值，w
max
为惯性权重上限，w
min
为惯性权重下限，k
max
为最大迭代次数，k为当前的迭代次数。
[0236]
在本实施例中，进行粒子速度和位置更新时，惯性权重系数可以是固定权重值(固定值)也可以是自适应惯性权重值，自适应惯性权重值是随迭代次数变化的动态值。采用动态权重可以加速收敛，k为迭代次数。为提高传统多目标粒子群算法的收敛速率，采用自适应惯性权重来加速收敛，如下式所示：
[0237][0238]
其中，w
max
为惯性权重上限，w
min
为惯性权重下限；k
max
为最大迭代次数。此时，粒子速度更新公式变为：
[0239][0240]
步骤354：根据粒子支配关系、全部迭代的个体最佳位置、全部迭代的全局最佳位置，获得当前的帕累托最优解集，并根据档案库数量阈值和当前的帕累托最优解集，更新当前的档案库。
[0241]
可选的，步骤354具体为：选择全部迭代的个体最佳位置中的最优值，得到个体最优解；根据粒子支配关系对全部迭代的全局最佳位置进行劣解去除，获得非劣解集合；将个体最优解和非劣解集合作为当前的帕累托最优解集；将当前的帕累托最优解集加入当前的档案库；若当前的档案库中解集的数量高于档案库数量阈值，则根据自适应网格对当前的档案库中的帕累托最优解集进行筛选，直到当前的档案库中解集的数量不高于档案库数量阈值。
[0242]
在本实施例中，帕累托最优解集选择个体最优时，如果个体在进化过程中更优秀了，则更新个体历史最优值(个体最优解)，如果无法比较个体孰优孰劣时，随机选择其中一
个个体作为个体历史最优值(个体最优解)。帕累托最优解集选择全局最优解集时，根据支配关系进行筛选，将劣解去除，剩下的加入档案库中。在种群每一代进化过程中，不断将非支配个体存入档案库中，若档案库数量超过了存档阀值，即档案库中解集的数量高于档案库数量阈值，则根据自适应网格进行筛选，直到阀值限额为止。
[0243]
实施本发明实施例，通过改进多目标粒子群算法引入了自适应惯性权重和自适应变异策略，能够更好地改善帕累托最优解集的分布性，寻求全局最优解，获得最优协同运行方案(最优调度方案)，提高各方主体所获利益，提高可再生能源利用率，避免资源浪费。
[0244]
步骤104：根据最优协同运行方案，控制电力系统的运行。
[0245]
实施本发明实施例，以电力市场中主体运营商的收益最大为目标，构建主体运营商收益模型的目标函数和约束条件；其中，主体运营商收益模型包括供能运营商收益模型、配电网运营商收益模型、储能运营商收益模型和负荷聚合商收益模型；根据主体运营商收益模型的目标函数和约束条件，构建源网荷储协同多目标优化模型；通过改进的粒子群算法，对源网荷储协同多目标优化模型进行求解，获得最优协同运行方案；根据最优协同运行方案，控制电力系统的运行。建立源网荷储协同多目标优化模型，考虑了源-网-荷-储多方利益诉求，通过调度各方的积极性，保证系统安全经济运行，在保证电网经济可靠运行的基础上可有效促进新能源消纳，有助于提高各方的协调性和靠运行的基础上可有效促进新能源消纳。并通过改进的粒子群算法求解源网荷储协同多目标优化模型得到最优协同运行方案，引入了自适应惯性权重和自适应变异策略，能够很好地改善帕累托最优解集的分布性，寻求全局最优解，保证电力系统安全经济运行的同时提高可再生能源利用率。
[0246]
以上的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种电力系统的源网荷储协同运行方法，其特征在于，包括：以电力市场中主体运营商的收益最大为目标，构建主体运营商收益模型的目标函数和约束条件；其中，所述主体运营商收益模型包括供能运营商收益模型、配电网运营商收益模型、储能运营商收益模型和负荷聚合商收益模型；根据所述主体运营商收益模型的目标函数和所述约束条件，构建源网荷储协同多目标优化模型；通过改进的粒子群算法，对所述源网荷储协同多目标优化模型进行求解，获得最优协同运行方案；根据所述最优协同运行方案，控制电力系统的运行。2.如权利要求1所述的电力系统的源网荷储协同运行方法，其特征在于，所述通过改进的粒子群算法，对所述源网荷储协同多目标优化模型进行求解，获得最优协同运行方案，具体为：将所述源网荷储协同多目标优化模型中的变量作为种群的粒子；设置种群相关参数，并根据所述种群相关参数，初始化所述种群；其中，所述种群相关参数包括种群规模、档案库数量阈值和最大迭代次数；计算各粒子适应度，根据粒子支配关系，确定各所述粒子的初始个体最佳位置和初始全局最佳位置；其中，各所述粒子适应度是根据电网信息参数，计算各所述粒子的目标函数值获得；所述电网信息参数包括配电网、电源、负荷和电价；判断当前的迭代次数是否高于所述最大迭代次数；若高于，则输出当前的档案库中当前的帕累托最优解集，将所述当前的帕累托最优解集作为所述最优协同运行方案；若不高于，则根据各所述粒子适应度、所述粒子支配关系和所述档案库数量阈值，获得当前的帕累托最优解集和所述当前的档案库；将所述当前的迭代次数加1，并判断所述当前的迭代次数是否高于所述最大迭代次数，直至所述当前的迭代次数高于所述最大迭代次数，所述当前的档案库中当前的帕累托最优解集，将所述当前的帕累托最优解集作为所述最优协同运行方案。3.如权利要求2所述的电力系统的源网荷储协同运行方法，其特征在于，所述根据各所述粒子适应度、所述粒子支配关系和所述档案库数量阈值，获得当前的帕累托最优解集和所述当前的档案库，具体为：根据各所述粒子适应度，计算所述种群的群体适应度方差；根据所述群体适应度方差，将当前迭代的全局最佳位置进行自适应随机变异更新；根据更新后的所述当前迭代的全局最佳位置，更新各所述粒子的当前迭代的速度和当前迭代的个体最佳位置；根据所述粒子支配关系、全部迭代的个体最佳位置、全部迭代的全局最佳位置，获得所述当前的帕累托最优解集，并根据所述档案库数量阈值和所述当前的帕累托最优解集，更新所述当前的档案库。4.如权利要求3所述的电力系统的源网荷储协同运行方法，其特征在于，所述根据更新后的所述当前迭代的全局最佳位置，更新各所述粒子的当前迭代的速度和当前迭代的个体最佳位置，具体为：
其中，为粒子i在第k次迭代时的速度；为粒子i在第k次迭代时的位置；w为惯性权重系数，所述惯性权重系数为固定权重值或者自适应惯性权重值；c1和c2分别为个体和全局学习因子；l1和l2为随机常数；为粒子i迭代到第k代时的个体最佳位置；为种群的粒子迭代到第k代的全局最佳位置；其中，所述自适应惯性权重值是将所述当前的迭代次数、所述最大迭代次数和惯性权重上下限进行自适应权重计算获得，所述自适应权重计算的公式为：其中，w
k
为所述自适应惯性权重值，w
max
为惯性权重上限，w
min
为惯性权重下限，k
max
为最大迭代次数，k为所述当前的迭代次数。5.如权利要求3所述的电力系统的源网荷储协同运行方法，其特征在于，所述根据各所述粒子适应度，计算所述种群的群体适应度方差，具体为：根据各所述粒子适应度，计算所述种群的平均适应度，公式为：其中，g
i
为粒子i的适应度；g
a
为所述种群n个粒子的平均适应度；根据所述种群的平均适应度，计算粒子群归一化定标因子，公式为：其中，g为所述粒子群归一化定标因子；根据各所述粒子适应度、所述种群的平均适应度和所述粒子群归一化定标因子，计算所述种群的群体适应度方差，公式为：其中，σ2为所述种群的群体适应度方差。6.如权利要求3所述的电力系统的源网荷储协同运行方法，其特征在于，所述根据所述群体适应度方差，将当前迭代的全局最佳位置进行自适应随机变异更新，具体为：根据所述群体适应度方差，计算变异概率；其中，p为所述变异概率；m为预设范围的随机数；为预设的群体适应度方差；
根据所述变异概率，将满足变异条件的所述当前迭代的全局最佳位置进行变异；其中所述变异的公式为：其中，为所述种群的粒子迭代到第k代的全局最佳位置，为服从高斯分布的随机变量。7.如权利要求3所述的电力系统的源网荷储协同运行方法，其特征在于，所述根据所述粒子支配关系、全部迭代的个体最佳位置、全部迭代的全局最佳位置，获得所述当前的帕累托最优解集，并根据所述档案库数量阈值和所述当前的帕累托最优解集，更新所述当前的档案库，具体为：选择所述全部迭代的个体最佳位置中的最优值，得到个体最优解；根据所述粒子支配关系对所述全部迭代的全局最佳位置进行劣解去除，获得非劣解集合；将所述个体最优解和所述非劣解集合作为所述当前的帕累托最优解集；将所述当前的帕累托最优解集加入所述当前的档案库；若所述当前的档案库中解集的数量高于所述档案库数量阈值，则根据自适应网格对所述当前的档案库中的帕累托最优解集进行筛选，直到所述当前的档案库中解集的数量不高于所述档案库数量阈值。8.如权利要求1所述的电力系统的源网荷储协同运行方法，其特征在于，所述供能运营商收益模型的目标函数，具体为：maxf1＝w
e1
+w
s1-c
c1-c
o1-c
f1f1f1f1f1
其中，f1为供能运营商日前调度运行收益；w
e1
为常规机组运营商售电收益；w
s1
为分布式电源运营商售电收益；c
c1
为分布式电源运维成本；c
o1
为常规电源运维成本；c
f1
为常规电源燃料成本；t为时段总数；e为常规电源总数；为常规电源e在时段t的单位售电价格；为所述常规电源e在时段t的出力；i为分布式电源总数；为分布式电源i在时段t的单位售电价格；p
it
为所述分布式电源i在时段t的出力；α
i
为所述分布式电源i的单位容量运行费用；α
e
为所述常规电源e的单位容量运行费用；β为标准煤电价；为所述常规电源e在t时刻的
开停机状态变量，代表停机状态，代表开机状态；a
e
、b
e
和c
e
分别为所述常规电源e的运行成本二次项、一次项和常量项系数；所述配电网运营商收益模型的目标函数，具体为：max f2＝w
s2-c
b2-c
l2-c
a2a2a2a2
其中，f2为配电网运营商日前调度运行收益；w
s2
为配电网运营商售电收入；c
b2
为配电网运营商购电成本；c
l2
为网损成本；c
a2
为弃风弃光成本；为配电网t时段单位售电电价；为配电网t时段售电量；为所述配电网t时段单位购电电价；为所述配电网t时段购电量；p
lt
为所述配电网t时段网损；α
a
为单位弃风弃光惩罚费用；为t时段弃风弃光总电量；所述储能运营商收益模型的目标函数，具体为：max f3＝w
s3-c
o3o3
其中，f3为储能运营商日前调度收益；w
s3
为储能低储高发套利收入；c
o3
为储能运行维护费用；e
s
为储能装置总数；为所述储能es在时段t的充放电单价；为所述储能es在时段t的放电功率；为所述储能es在时段t的充电功率；α
es
为储能单位充放电功率运行费用；为所述储能es在时段t的充电或放电功率；所述负荷聚合商收益模型的目标函数，具体为：max f4＝w
u4
+w
r4-c
l4l4l4
其中，f4为负荷聚合商参与电力市场需求响应后增加的收益；w
u4
为可中断负荷的补贴
收入；w
r4
为可转移负荷减少的费用支出；c
l4
为负荷聚合商参与需求响应后造成用电舒适性所带来的损失费用；λ
u
为单位可中断负荷补贴；为时段t的负荷中断量；λ
r
为负荷聚合商售电价格；为时段t的移出负荷；为时段t的移入负荷；a
u
、a
ro
和a
ri
分别为所述中断负荷、所述移出负荷和所述移入负荷参与需求响应所产生的经济损失系数。9.如权利要求1所述的电力系统的源网荷储协同运行方法，其特征在于，所述供能运营商收益模型的约束条件，包括：分布式电源出力约束、常规电源爬坡约束和常规电源出力上下限约束；所述分布式电源出力约束，具体为：所述分布式电源出力约束，具体为：其中，为光伏在t时段的出力；为风机在t时段的出力；为光伏出力上限；为风电出力上限；所述常规电源出力上下限约束，具体为：p
emin
≤p
et
≤p
emax
其中，p
et
为常规电源在t时段的出力；p
emax
为常规电源出力上限；p
emin
为常规电源出力下限；所述常规电源爬坡约束，具体为：u
d
≤p
et-p
et-1
≤u
u
其中，p
et-1
为所述常规电源在t-1时段的出力；u
u
为常规电源向上爬坡速率；u
d
为常规电源向下爬坡速率；所述配电网运营商收益模型的约束条件，包括：支路潮流约束、节点电压约束和网络约束；所述支路潮流约束，具体为：其中，p
g,j
为节点j处电源和储能装置发出有功功率之和；q
g,j
为所述节点j处发出的无功功率；p
l,j
为所述节点j处负荷有功功率与储能装置吸收的有功功率之和；q
l,j
为所述节点j处负荷的无功功率；v
j
为所述节点j处电压幅值；v
k
为节点k处电压幅值；g
jk
为所述节点j和所述节点k间的线路电导；b
jk
为所述节点j和所述节点k间的线路电导；θ
jk
为所述节点j和所述节点k间的相角差；所述节点电压约束，具体为：其中，为节点电压幅值下限，为节点电压幅值上限；所述网络约束，具体为：
其中，p
jk
为所述节点j和所述节点k之间线路传输的有功功率；为所述节点j和所述节点k之间线路传输的有功功率上限；所述储能运营商收益模型的约束条件，包括：储能装置容量状态约束、储能装置充放电功率约束和储能装置充放电状态约束；所述储能装置充放电功率约束，具体为：所述储能装置充放电功率约束，具体为：其中，为储能在时段t的充电功率；为储能在时段t的放电功率；为储能充电功率上限；为储能放电功率上限；和为0-1变量，取1表示充电，取0表示不充电；取1表示放电，取0表示不放电；所述储能装置充放电状态约束，具体为：所述储能装置容量状态约束，具体为：其中，为储能在时段t的容量；为储能在时段t-1的容量；η
cha,es
为储能的充电效率；η
dis,es
为储能的放电效率；δt为相邻两时间段间隔；所述负荷聚合商收益模型的约束条件，包括：可中断负荷约束和可转移负荷约束；所述可中断负荷约束，具体为：其中，p
umax
和p
umin
分别为时段可中断负荷的上限和下限，为所述时段t的负荷中断量；所述可转移负荷约束，具体为：p
rmin
≤p
rt
≤p
rmax
其中，p
rmax
和p
rmin
分别为时段可转移负荷的上限和下限，p
rt
为所述时段t的转移负荷量。10.如权利要求1所述的电力系统的源网荷储协同运行方法，其特征在于，所述根据所述主体运营商收益模型的目标函数和所述约束条件，构建源网荷储协同多目标优化模型，具体为：
其中，f
i
(x)为所述主体运营商收益模型的目标函数；x为决策变量；h
j
(x)为所述约束条件的等式约束函数；d
k
(x)为所述约束条件的不等式约束函数。

技术总结
本发明公开了一种电力系统的源网荷储协同运行方法，方法包括以电力市场中主体运营商的收益最大为目标，构建主体运营商收益模型的目标函数和约束条件；其中，主体运营商收益模型包括供能运营商收益模型、配电网运营商收益模型、储能运营商收益模型和负荷聚合商收益模型；根据主体运营商收益模型的目标函数和约束条件，构建源网荷储协同多目标优化模型；通过改进的粒子群算法，对源网荷储协同多目标优化模型进行求解，获得最优协同运行方案；根据最优协同运行方案，控制电力系统的运行。本实施例实现了电力系统中源-网-荷-储的协同优化调度运行，提高可再生能源利用率，保证系统安全经济运行。经济运行。经济运行。


技术研发人员：谭慧娟 郑文杰 赵瑞锋 余志文 郭文鑫
受保护的技术使用者：广东电网有限责任公司电力调度控制中心
技术研发日：2023.07.25
技术公布日：2023/10/20