一种基于需求响应控制的分布式能源系统优化调度方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114123315A(43)申请公布日2022.03.01(21)申请号202111314203.4H02J3/46(2006.01)(22)申请日2021.11.08H02J3/00(2006.01)G06N3/08(2006.01)(71)申请人国网河南省电力公司经济技术研究G06Q10/04(2012.01)院G06Q10/06(2012.01)地址450052河南省郑州市二七区嵩山南G06Q50/06(2012.01)路87号院办公区C楼1-10层(72)发明人郭新志李秋燕王利利李小明李科吴豫郭勇马杰孙义豪全少理于昊正樊江川皇甫霄文(74)专利代理机构北京思睿峰知识产权代理有限公司11396代理人谢建云赵爱军(51)Int.Cl.H02J3/38(2006.01)权利要求书4页说明书13页附图7页(54)发明名称一种基于需求响应控制的分布式能源系统优化调度方法(57)摘要本发明公开了一种基于需求响应控制的分布式能源系统优化调度方法，首先，基于用电数据和仿真数据训练智能负荷神经网络模型，得到住宅可控有功功率需求关于需求响应控制信号的函数；然后，将该函数代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到当前需求响应控制信号；进而，将当前需求响应控制信号代入该函数，计算得到住宅可控有功功率需求；最后，将住宅可控有功功率需求、固定有功功率需求、商业有功功率需求、风机光伏出力、分布式发电机运行成本、储能系统成本代入分布式能源管理系统模型中，优化得到分布式能源系统的调度策略。该方案能够在降低系统运行成本的同时，提高分布式能源系统的负载能力和利用效率。CN114123315ACN114123315A权利要求书1/4页1.一种基于需求响应控制的分布式能源系统优化调度方法，适于在计算设备中执行，所述方法包括：基于智能电表采集的用电数据和住宅能源管理系统的仿真数据训练智能负荷神经网络模型，得到住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数；将所述函数代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到当前需求响应控制信号；将时间、环境温度、电价、所述当前需求响应控制信号代入所述函数中，计算得到住宅可控有功功率需求；将所述住宅可控有功功率需求、住宅固定有功功率需求、商业有功功率需求、风机出力、光伏出力、分布式发电机运行成本、储能系统成本代入分布式能源管理系统模型中，以系统运行成本最小为目标，优化得到分布式能源系统的调度策略。2.如权利要求1所述的方法，其中，所述智能负荷神经网络模型为包括输入层、隐藏层和输出层的前馈神经网络，所述基于智能电表采集的用电数据和家庭能源管理系统的仿真数据训练智能负荷神经网络模型的步骤包括：步骤1：初始化所述前馈神经网络，包括权重和偏置、误差函数和最大学习次数，将智能电表采集的用电数据和家庭能源管理系统的仿真数据输入模型中进行训练；步骤2：计算隐藏层的输入和输出、输出层的输入和输出；步骤3：基于误差函数将输出层的实际输出值与期望输出值对比，得到输出误差；步骤4：判断所述输出误差是否在预定范围内，当输出误差在预定范围内时，结束模型的训练，得到训练好的智能负荷神经网络模型；步骤5：当输出误差不在预定范围内时，判断学习次数是否达到最大学习次数，当达到最大学习次数时，结束模型的训练，当未达到最大学习次数时，修正权重和偏置，返回步骤2。3.如权利要求2所述的方法，其中，所述训练好的智能负荷神经网络模型为住宅可控有功功率需求关于时间、环境温度、电价及需求响应控制信号的函数：其中，式中，为住宅可控有功功率需求，t为时间，T为环境温度，P为电价，Lmax为需求响应控制信号，X表示输入层神经元数值，X＝(1,2,3,4)，Y表示隐藏层神经元数值，Y＝(1,2,3,4,5,6,7,8)，x表示输入层神经元，y表示隐藏层神经元，IP1,t、IP2,t、IP3,t、IP4,t分别为输入max的时间t、需求响应控制信号L、电价P和环境温度T，Hy,t为隐藏层的输出，Wx,y、Wy'分别为隐藏层的权重和输出层的权重，Eop分别指隐藏层的误差及输出层的误差。4.如权利要求1所述的方法，其中，所述分布式能源管理系统模型的目标函数为：2CN114123315A权利要求书2/4页式中，a指成本函数的二次项，b指成本函数的一次项，c指成本函数的常数项，CLC指切负sdsu荷成本，Cg指发电机组停运成本，Cg指发电机组启动成本，指发电机组有功功率，为调度时间，指切负荷，指开/关决定，指关机决定，指开机决定；约束条件包括有功和无功功率平衡约束、备用约束、机组约束、储能系统约束、电网约束和需求响应约束，所述有功和无功功率平衡约束为：式