一种实时需求响应下园区间接调控分布式资源方法及系统与流程

1.本发明涉及电力市场领域，尤其涉及一种实时需求响应下园区间接调控分布式资源方法及系统。


背景技术：

2.随着新能源的高比例渗透与分布式发电、储能技术的普及与发展，用户将兼具电能生产与消费能力。同时，工业园区内资源禀赋丰富、可调度空间较大且能耗偏高，通过园区与园区内用户的协同交易，可以有效促进清洁能源利用和用户绿色用能行为引导，进而发挥用户侧的减排潜力，为园区低碳运行提供新的解决方案。因此，近年来关于园区与用户之间的调度控制的问题得到了广泛学者的关注。其中根据园区对下层用户可控设备的控制方式又可分为直接控制和间接控制两个大类。直接控制方面，有研究构建园区的整体调度模型,将分布式机组和柔性负荷直接纳入园区级别的优化调度。而部分研究认为用户在签订合同后完全将负荷的控制权让渡给园区由其全权调控。
3.而博弈理论则被广泛应用于园区对用户的间接控制方面。有研究利用激励补偿以及电价作为中间信号，建立园区与电动汽车用户的博弈模型。也有研究根据上层园区控制优化特性与下层用户耗能特性构建了多区域综合能源系统的双层博弈模型。
4.显然，直接控制需要全面掌控终端用户的设备信息，对用户设备下发直接的控制信号。间接控制则根据用户利益诉求，利用中间信号刺激终端用户调整内部用电计划。相比之下，后者合理的兼顾了下层用户的独立产权以及聚合商的利益诉求，是一种更为实际的控制方式。但当前对于基于博弈间接控制的求解方面，大部分研究仅仅是针对如何将代理商与下层用户的双层问题转化为单层问题进行求解，这本质上忽略了不同主体的微观交互过程，依然是一个集中式求解的问题，在实际的运行交互中并不适用。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述现有存在的问题，提出了本发明。因此，本发明提供了一种实时需求响应下园区间接调控分布式资源方法，用来解决实际问题中，园区与下层用户之间利益诉求的交互过程。
7.为解决上述技术问题，本发明提供如下技术方案：
8.本发明提供了一种实时需求响应下园区间接调控分布式资源方法，包括：
9.采集用户数据，构建含分布式资源的用户模型；
10.采集园区数据，构建含分布式机组及储能园区的优化运行模型；
11.通过采集的用户数据和园区数据，构建实时需求响应下基于电价引导的“园区-用户”模型；
12.基于所述“园区-用户”模型，构建所述“园区-用户”模型的分布式求解方法，并在园区与用户之间进行电价与电量信息的交互迭代，实现模型的分布式求解。
13.作为本发明所述的实时需求响应下园区间接调控分布式资源方法的一种优选方案，其中：所述分布式资源，包括：
14.新能源、分布式储能和微型燃气轮机的分布式发电机组中的至少一种；
15.通过所述分布式资源，将用户购售电行为的收益直接与园区进行交互，产生的第i个用户在t时段的运行成本
16.作为本发明所述的实时需求响应下园区间接调控分布式资源方法的一种优选方案，其中：构建含分布式资源的用户模型，包括：
17.分布式机组模型、新能源资源模型、储能模型和中断负荷模型中的至少一种。
18.作为本发明所述的实时需求响应下园区间接调控分布式资源方法的一种优选方案，其中：构建含分布式机组及储能园区的优化运行模型，包括：
19.考虑园区向用户的购电价或售电价需高于或低于电网的购电价或售电价；同时还需考虑园区的发电能力上下限及功率平衡约束；
20.园区根据电价信息合理制定代理电价及发电计划，与上层电网和下层用户进行电能交互以获得收益，建立园区t时段的收益模型
21.作为本发明所述的实时需求响应下园区间接调控分布式资源方法的一种优选方案，其中：构建实时需求响应下基于电价引导的“园区-用户”模型，包括：
22.首先园区需要根据上层电网的电价信息以及下层用户上报的基础净用电负荷确定初始策略，并将电价信息下发至下层用户；然后用户需要根据园区下发的信息调整用户内部产用电策略，并向园区的购售电量上报；最后代理商根据用户上传的信息更新自身策略，重复此过程直至达到平衡；根据此重复过程描述，构建模型如下：
[0023][0024]
其中，ua和u分别表示园区主体以及用户主体；h为调度时段总数；
[0025]
所述构建模型分为以下性质：
[0026]
园区主体与用户的策略集合均为整个模型空间的紧子集；
[0027]
园区与用户的收益函数为各自相关策略集合的连续函数；
[0028]
下层跟随者的收益函数为其相关策略的拟凹函数；
[0029]
园区的收益函数在任意的下，皆为其相关策略的凹函数，即有唯一最优解。
[0030]
作为本发明所述的实时需求响应下园区间接调控分布式资源方法的一种优选方
案，其中：基于所述“园区-用户”模型，构建所述“园区-用户”模型的分布式求解方法，并在园区与用户之间进行电价与电量信息的交互迭代，实现模型的分布式求解，包括：
[0031]
利用灰狼优化算法，结合“园区-用户”模型，公式表示为：
[0032][0033]
其中，k是当前迭代次数；c和n代表协调系数；x
p
(k)表示猎物的位置向量，由种群中α,β,δ狼的位置所决定；x
l
(k)和x
l
(k+1)分别是狼群中第j个个体在受到x
p
(k)影响后的位置向量；a表示收敛因子；r1与r2为0至1之间的随机数；d
l
表示狼群中第j个个体与猎物目标的距离；
[0034]
建立递减收敛因子a的非线性调整方法公式为：
[0035][0036]
其中，a
max
、a
min
分别为a的上限和下限；k为迭代次数；γ为非线性因子；u是搜索比例系数且u≥0；u越大，收敛因子a的搜索步长比例就越大；最大迭代次数定义为k
max
；
[0037]
在完成对猎物的包围后，狼群将在α,β,δ狼的指导下开始狩猎行动；
[0038]
其中，α狼是狼群中最优的个体，决定了其他狼群的行动；β和δ是仅次于α的个体；作为最低等级的灰狼ω必须服从其他狼的决定并执行狩猎任务。
[0039]
作为本发明所述的实时需求响应下园区间接调控分布式资源方法的一种优选方案，其中：所述在完成对猎物的包围后，狼群将在α,β,δ狼的指导下开始狩猎行动，包括：
[0040]
在每次迭代中，获得的最佳三个解将依次被划分为α,β,δ狼，其他灰狼将根据α,β,δ狼的位置改变其位置，表达式为：
[0041]
[0042]
其中，x1，x2，x3表示狼群中其他狼在受到三只狼α,β,δ影响后的移动方向；r
1,l
与r
2,l
都为0-1之间的随机数，x
α
(k)，x
β
(k)，x
δ
(k)表示α,β,δ三只狼的位置。
[0043]
第二方面，本发明提供了实时需求响应下园区间接调控分布式资源系统，其包括：
[0044]
采集模块，用于采集用户数据和园区数据；
[0045]
建模模块，用于把采集模块得到的用户数据和园区数据，分别构建含分布式资源的用户模型和含分布式机组及储能园区的优化运行模型；构建实时需求响应下基于电价引导的“园区-用户”模型；
[0046]
算法优化模块，用于把传统的灰狼优化算法，通过建立递减收敛因子a的非线性调整方法进行优化。
[0047]
第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。
[0048]
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述方法的任一步骤。
[0049]
与现有技术相比，发明有益效果为：通过改进收敛因子的灰狼优化算法，对递减收敛因子进行非线性调整，实现解空间的整体搜索，提高了算法的收敛速度，并结合构建模型实现了园区与下层用户之间利益诉求的交互过程，同时优化了园区的资源调度。
附图说明
[0050]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0051]
图1为本发明一个实施例所述的实时需求响应下园区间接调控分布式资源方法的整体流程图；
[0052]
图2为本发明一个实施例所述的实时需求响应下园区间接调控分布式资源方法的四种递减收敛因子算法对比图。
具体实施方式
[0053]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0054]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0055]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0056]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件
结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0057]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0058]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0059]
实施例1
[0060]
参照图1，为本发明第一个实施例，该实施例提供了一种实时需求响应下园区间接调控分布式资源方法，包括：
[0061]
采集用户数据，构建含分布式资源的用户模型；
[0062]
进一步的，构建含分布式资源用户的数学模型包括，分布式机组模型、新能源资源模型、储能模型和中断负荷模型中的至少一种；
[0063]
应当说明的是，本发明考虑园区内用户含有的分布式资源包括，新能源、分布式储能和微型燃气轮机的分布式发电机组中的至少一种；同时设定园区内业主在生产运行中具备一定量的可中断负荷，且各用户与园区签订合约后，将用户购售电行为的收益直接与园区进行交互，产生的第i个用户在t时段的运行成本公式表示为：
[0064][0065]
其中，表示第i个用户发电机组在t时段的运行成本；用户调整可中断负荷带来的用户用电满意度成本定义为用户i在t时刻的决策变量由发电机组发电量新能源量可中断负荷调整量储能充放电量以及向园区的售购电量决定；同时决策变量应与原本用电需求存在电量平衡约束；
[0066]
进一步的，构建的分布式机组模型的公式表示为：
[0067][0068]
其中，将用户发电机组t时段的运行成本视为有关其出力电量的二次函数；且需要满足发电机组的出力功率上限与下限p
u，i，g
的约束；a
u,i,g
、b
u,i,g
和c
u,i,g
为第
i个用户发电机组的运行成本系数；δt为调度时段长度；
[0069]
进一步的，构建的储能模型的公式表示为：
[0070][0071]
p
u，i，essd
表示放电功率的下限约束，表示放电功率的上限约束；表示荷电状态；η
ess,c
代表ess的充电效率，η
ess,d
代表ess的放电效率；表示ess运行成本中的老化成本；β
ess
表示退化成本系数；
[0072]
进一步的，构建的新能源资源模型的公式表示为：
[0073][0074]
其中，表示新能源光伏在第t时刻的最大出力量；
[0075]
应当说明的是，本发明设定可再生能源的使用不会造成额外的成本；
[0076]
进一步的，构建的可中断负荷模型的公式表示为：
[0077][0078]
其中，用户i在t时段的柔性负荷调整量存在着下限和上限的约束；满意度成本系数定义为a
u,i,fl
,b
u,i,fl
,c
u,i,fl
；
[0079]
采集园区数据，构建含分布式机组及储能园区的优化运行模型；
[0080]
应当说明的是，园区作为用户的代理，除了通过发布电价整合下层用户的分布式资源以外，还拥有一定分布式发电机组及储能，具备自主发电的能力；园区需根据电价信息合理制定代理电价及发电计划，并与上层电网和下层用户进行电能交互以获得收益，建立园区t时段的收益模型
[0081]
进一步的，收益模型的公式表示为：
[0082][0083]
其中，表示园区所拥有发电机组在t时段的运行成本，由园区发电机组的t时段的发电总量及发电成本系数a
ua,g
、b
ua,g
和c
ua,g
计算得到；计算得到；和分别表示为t时段园区向用户和电网的售购电价；表示园区储能充电功率的下限约束，表示园区储能充电功率的上限约束；p
ua，i，essd
表示园区储能放电功率的下限约束，表示园区储能放电功率的上限约束；表示园区储能荷电状态；η
ua,essc
表示为园区储能的充电效率，η
ua,essd
表示为园区储能的放电效率；表示园区储能运行成本中的老化成本；β
ua,ess
表示园区储能退化成本系数；园区向用户及电网的售购电量则分别被定义为和分别表示下层nu个用户在t时段向园区的购电量及售电量的各自之和；
[0084]
通过采集的用户数据和园区数据，构建实时需求响应下基于电价引导的“园区-用户”模型；
[0085]
进一步的，首先园区需要根据上层电网的电价信息以及下层用户上报的基础净用电负荷确定初始策略，并将电价信息下发至下层用户；然后用户需要根据园区下发的信息调整用户内部产用电策略，并向园区的购售电量上报；最后代理商根据用户上传的信息更新自身策略，重复此过程直至达到平衡；根据此重复过程描述，构建模型如下：
[0086][0087]
其中，ua和u分别表示园区主体以及用户主体；h为调度时段总数；
[0088]
进一步的，该构建模型的性质如下：
[0089]
园区主体与用户的策略集合均为整个模型空间的紧子集；
[0090]
园区与用户的收益函数为各自相关策略集合的连续函数；
[0091]
下层跟随者的收益函数为其相关策略的拟凹函数；
[0092]
园区的收益函数在任意的下，皆为其相关策略的凹函数，即有唯一最优解；
[0093]
应当说明的是，园区的目标为最大化自己的收益求解最优的发电量储能最优充放电策略向电网的购售电量以及电价用户的目标为最小化运行成本确定最为合理的用电策略
[0094]
进一步的，利用灰狼优化算法，结合模型，建立公式表示为：
[0095][0096]
其中，k是当前迭代次数；c和n代表协调系数；x
p
(k)表示猎物的位置向量，由种群中α,β,δ狼的位置所决定；x
l
(k)和x
l
(k+1)分别是狼群中第j个个体在受到x
p
(k)影响后的位置向量；a表示收敛因子；r1与r2为0至1之间的随机数；d
l
表示狼群中第j个个体与猎物目标的距离；
[0097]
应当说明的是，在灰狼优化算法的结构中，每只狼都有自己的社会等级；在灰狼社会中，这些等级分别标记为：α,β,δ,ω；α狼是狼群中最优的个体，决定了其他狼群的行动；β和δ是仅次于α的个体；作为最低等级的灰狼，ω总是必须服从其他狼的决定；在高级狼群中，α,β,δ狼做出决定，ω狼服从命令并执行狩猎任务；当α,β,δ狼发出指令后，狼群通常采取先包围猎物，然后攻击的过程；
[0098]
应当说明的是，考虑到传统灰狼优化算法通常采用随迭代次数线性下降的方式对收敛因子a进行调整，导致整体搜索速度慢、容易陷入局部优化，故本发明提出了一种改进收敛因子的灰狼优化算法；通过建立收敛因子的非线性调整，实现了解空间的整体搜索，并且加快了算法的收敛速度；
[0099]
进一步的，递减收敛因子a的非线性调整方法公式为：
[0100][0101]
其中，a
max
、a
min
分别为a的上限和下限；k为迭代次数；γ为非线性因子；u是搜索比例系数且u≥0；u越大，收敛因子a的搜索步长比例就越大；最大迭代次数定义为k
max
；
[0102]
在完成对猎物的包围后，狼群将在α,β,δ狼的指导下开始狩猎行动；即在每次迭代中，获得的最佳三个解将依次被划分为α,β,δ狼，其他灰狼将根据α,β,δ狼的位置改变其位
置，描述过程的表达式为：
[0103][0104]
其中，x1，x2，x3表示狼群中其他狼在受到三只狼α,β,δ影响后的移动方向；r
1,l
与r
2,l
都为0-1之间的随机数；x
α
(k)，x
β
(k)，x
δ
(k)表示α,β,δ三只狼的位置；
[0105]
基于所述模型，构建所述“园区-用户”模型的分布式求解方法，并在园区与用户之间进行电价与电量信息的交互迭代，实现模型的分布式求解；
[0106]
进一步的，模型的分布式求解，步骤如下：
[0107]
s1、用户初始化当前时段t的电网购售电价用户总数nu、迭代次数k＝0、以及其他改进灰狼优化算法相关参数；随机生成m个园区代理电价构成初始种群和初始最优适应度值并发布给下层用户；
[0108]
s2、用户i根据种群中第j个的代理电价求解用户内部资源模型并制定自己的运行策略
[0109]
s3、园区获取所有用户策略种群中的
[0110]
s4、园区根据对含分布式机组的园区优化运行模型进行求解，得到每个个体下的收益，取其相反数作为灰狼优化算法的适应度值
[0111]
s5、k＝k+1；通过改进后的灰狼优化算法更新种群并下发给下层用户；
[0112]
s6、计算最优的适应度获取最优适应度函数判断当前迭代次数是否超过最大迭代次数step
max
，并判断是否满足收敛判断条件若判断为真，跳转至步骤s7；判断为假，跳转至步骤s2；
[0113]
s7、得到园区最优代理电价为
[0114]
进一步的，本实施例还提供一种实时需求响应下园区间接调控分布式资源系统，包括：
[0115]
采集模块，用于采集用户数据和园区数据；
[0116]
建模模块，用于把采集模块得到的用户数据和园区数据，分别构建含分布式资源的用户模型和含分布式机组及储能园区的优化运行模型；构建实时需求响应下基于电价引导的“园区-用户”模型；
[0117]
算法优化模块，用于把传统的灰狼优化算法，通过建立递减收敛因子a的非线性调整方法进行优化。
[0118]
本实施例还提供一种计算机设备，适用于实时需求响应下园区间接调控分布式资源方法的情况，包括：
[0119]
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实时需求响应下园区间接调控分布式资源方法。
[0120]
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0121]
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的近地面人为源二氧化氮高精细产品估算方法。
[0122]
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
[0123]
实施例2
[0124]
参照图2，为本发明第二个实施例，该实施例提供了一种实时需求响应下园区间接调控分布式资源方法，包括：
[0125]
通过实验数据仿真验证了本发明所提出的“园区-用户”模型的实用求解方法的有效性，并进行了如下几种场景的模拟；
[0126]
场景1、用户与园区不存在合约关系，均直接与上层电网交互；
[0127]
场景2、用户参与园区调控，通过直接交互购售电价与电量的方式求解，取园区收益最大下的电价策略；
[0128]
场景3、用户参与园区调控，并利用本发明所提出的实用求解步骤以及非线性递减收敛因子改进的灰狼优化算法进行求解；
[0129]
参数设置如表1所示，产生的结果如表2所示；
[0130]
表1
[0131][0132][0133]
表2
[0134][0135]
在场景1中，园区所拥有的发电机组以及产电盈余的用户仅可以较低的上网电价向电网售电获取收益；同时，在用户存在负荷缺额时，也只能以较高的价格向电网购电以满足需求；因此，此时园区与用户的收益为3个场景下的最低值；
[0136]
在场景2中，园区与用户的决策仅通过交互边界信息，且由于园区具有定价权，故最终结果将由迭代过程中园区的最大收益确定，此时园区将选择严格占优策略即购售电价与电网购售电价一致，用户整体用电成本将与场景1一致；而相比于场景1与场景2，场景3园区对购售电价策略进行探索迭代，园区整体收益得到改善；此外，场景3通过大量种群的计算掌握了用户对购售价格反应的部分信息，有效利用用户响应潜力，从而使得其定价策略更加合理，提高了园区收益，通过合理的电价有效改善了用户用电的成本；对于具有发电能力的用户，以高于向电网售电的价格获得利润；而对于具有消费需求的用户，则以低于向电网购电价格进行购电，减少成本；
[0137]
在场景3中，本发明还对比了线性递减收敛因子、余弦递减收敛因子以及正切递减收敛因子下的灰狼算法结果，其收敛情况如图2所示；通过图2可见，在收敛速度与收敛精度方面，本发明提出的递减收敛因子能够取得更优的性能。
[0138]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种实时需求响应下园区间接调控分布式资源方法，其特征在于，包括：采集用户数据，构建含分布式资源的用户模型；采集园区数据，构建含分布式机组及储能园区的优化运行模型；通过采集的用户数据和园区数据，构建实时需求响应下基于电价引导的“园区-用户”模型；基于所述“园区-用户”模型，构建所述“园区-用户”模型的分布式求解方法，并在园区与用户之间进行电价与电量信息的交互迭代，实现模型的分布式求解。2.如权利要求1所述的实时需求响应下园区间接调控分布式资源方法，其特征在于，所述分布式资源，包括：新能源、分布式储能和微型燃气轮机的分布式发电机组中的至少一种；通过所述分布式资源，将用户购售电行为的收益直接与园区进行交互，产生的第i个用户在t时段的运行成本3.如权利要求2所述的实时需求响应下园区间接调控分布式资源方法，其特征在于，构建含分布式资源的用户模型，包括：分布式机组模型、新能源资源模型、储能模型和中断负荷模型中的至少一种。4.如权利要求3所述的实时需求响应下园区间接调控分布式资源方法，其特征在于，构建含分布式机组及储能园区的优化运行模型，包括：考虑园区向用户的购电价或售电价需高于或低于电网的购电价或售电价；同时还需考虑园区的发电能力上下限及功率平衡约束；园区根据电价信息合理制定代理电价及发电计划，与上层电网和下层用户进行电能交互以获得收益，建立园区t时段的收益模型5.如权利要求4所述的实时需求响应下园区间接调控分布式资源方法，其特征在于，构建实时需求响应下基于电价引导的“园区-用户”模型，包括：首先园区需要根据上层电网的电价信息以及下层用户上报的基础净用电负荷确定初始策略，并将电价信息下发至下层用户；然后用户需要根据园区下发的信息调整用户内部产用电策略，并向园区的购售电量上报；最后代理商根据用户上传的信息更新自身策略，重复此过程直至达到平衡；根据此重复过程描述，构建模型如下：其中，ua和u分别表示园区主体以及用户主体；h为调度时段总数；所述构建模型分为以下性质：园区主体与用户的策略集合均为整个模型空间的紧子集；园区与用户的收益函数为各自相关策略集合的连续函数；下层跟随者的收益函数为其相关策略的拟凹函数；
园区的收益函数在任意的下，皆为其相关策略的凹函数，即有唯一最优解。6.如权利要求5所述的实时需求响应下园区间接调控分布式资源方法，其特征在于，基于所述“园区-用户”模型，构建所述“园区-用户”模型的分布式求解方法，并在园区与用户之间进行电价与电量信息的交互迭代，实现模型的分布式求解，包括：利用灰狼优化算法，结合“园区-用户”模型，公式表示为：其中，k是当前迭代次数；c和n代表协调系数；x
p
(k)表示猎物的位置向量，由种群中α,β,δ狼的位置所决定；x
l
(k)和x
l
(k+1)分别是狼群中第j个个体在受到x
p
(k)影响后的位置向量；a表示收敛因子；r1与r2为0至1之间的随机数；d
l
表示狼群中第j个个体与猎物目标的距离；建立递减收敛因子a的非线性调整方法公式为：其中，a
max
、a
min
分别为a的上限和下限；k为迭代次数；γ为非线性因子；u是搜索比例系数且u≥0；u越大，收敛因子a的搜索步长比例就越大；最大迭代次数定义为k
max
；在完成对猎物的包围后，狼群将在α,β,δ狼的指导下开始狩猎行动；其中，α狼是狼群中最优的个体，决定了其他狼群的行动；β和δ是仅次于α的个体；作为最低等级的灰狼ω必须服从其他狼的决定并执行狩猎任务。7.如权利要求5或6所述的实时需求响应下园区间接调控分布式资源方法，其特征在于，所述在完成对猎物的包围后，狼群将在α,β,δ狼的指导下开始狩猎行动，包括：在每次迭代中，获得的最佳三个解将依次被划分为α,β,δ狼，其他灰狼将根据α,β,δ狼的位置改变其位置，表达式为：
其中，x1，x2，x3表示狼群中其他狼在受到三只狼α,β,δ影响后的移动方向；r
1,l
与r
2,l
都为0-1之间的随机数，x
α
(k)，x
β
(k)，x
δ
(k)表示α,β,δ三只狼的位置。8.一种实时需求响应下园区间接调控分布式资源系统，基于权利要求1～7任一所述的实时需求响应下园区间接调控分布式资源方法，其特征在于，包括：采集模块，用于采集用户数据和园区数据；建模模块，用于把采集模块得到的用户数据和园区数据，分别构建含分布式资源的用户模型和含分布式机组及储能园区的优化运行模型；构建实时需求响应下基于电价引导的“园区-用户”模型；算法优化模块，用于把传统的灰狼优化算法，通过建立递减收敛因子a的非线性调整方法进行优化。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述方法的步骤。

技术总结
本发明公开了一种实时需求响应下园区间接调控分布式资源方法包括，采集用户数据，构建含分布式资源的用户模型；采集园区数据，构建含分布式机组及储能园区的优化运行模型；通过采集的用户数据和园区数据，构建实时需求响应下基于电价引导的“园区-用户”模型；基于“园区-用户”模型，构建“园区-用户”模型的分布式求解方法，并在园区与用户之间进行电价与电量信息的交互迭代，实现模型的分布式求解；本发明提供的方法，能够提高改进后灰狼优化算法的因子收敛速度，通过算法与构建模型的结合，实现了园区与下层用户之间利益诉求的交互过程，优化了园区的资源调度。优化了园区的资源调度。优化了园区的资源调度。


技术研发人员：谈竹奎 冯圣勇 刘斌 巫阳波 杨成 徐玉韬 欧家祥 唐赛秋 肖艳红 丁超 黄宇 胡厚鹏 冯起辉
受保护的技术使用者：贵州电网有限责任公司
技术研发日：2023.03.28
技术公布日：2023/7/25