一种配电网优化调度方法、装置、设备及存储介质与流程

1.本发明涉及电网电力调度技术领域，尤其涉及一种配电网优化调度方法、装置、设备及存储介质。


背景技术：

2.随着各种类型的新能源以及柔性负荷接入，配电网拥有更加灵活的调度方式，负荷侧和电源侧之间的联系更加紧密。随着储能技术的进步，抽水蓄能、电储能和压缩空气储能等储能方式广泛存在于配电网，储能系统可以快速充放电，因此对于平抑新能源出力波动性具有重要作用。
3.目前，对配电网优化调度的方案中，无法根据实际的需求来对需求侧和电网侧进行灵活调动，使得高峰负荷时的发电压力大，需要发电机组频繁出力，进而无法引导用户合理用电，无法考虑到用户的用电满意度。
4.因此，目前亟需一种能够根据实际的需求进行配电网调度优化、减少发电机组频繁出力和高峰负荷时发电压力的方法。


技术实现要素：

5.本发明提供了一种配电网优化调度方法、装置、设备及存储介质，以解决现有技术中无法根据实际的需求进行配电网调度优化、高峰负荷时的发电压力大、需要发电机组频繁出力的技术问题。
6.为了解决上述技术问题，本发明实施例提供了一种配电网优化调度方法，包括：
7.根据用户需求侧响应的数据信息，建立需求响应模型；
8.基于所述需求响应模型，构建配电网日前优化调度模型，并通过预设算法形成得到配电网日前优化的初步调度策略；
9.通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。
10.作为优选方案，所述根据用户需求侧响应的数据信息，建立需求响应模型，具体为：
11.根据用户需求侧响应的价格数据和激励数据，分别构建价格型需求响应模型和激励型需求响应模型；
12.其中，所述需求响应模型包括：价格型需求响应模型和激励型需求响应模型；所述价格型需求响应模型用于描述调整后的电价对用户用电量的影响，所述激励型需求响应模型用于描述用户进行负荷中断后所产生的补偿成本。
13.作为优选方案，所述价格数据包括需求响应前用电量、需求响应电量、响应前电价和电价变化值；
14.所述激励数据包括调度周期内中断负荷补偿成本、中断负荷集合、中断负荷在调度周期中各时段的响应功率、单位可中断负荷的补偿成本和时间步长。
15.作为优选方案，所述基于所述需求响应模型，构建配电网日前优化调度模型，具体为：
16.基于所述价格型需求响应模型和所述激励型需求响应模型，以配电网运行成本最低作为调度目标，构建配电网优化调度的目标函数，作为配电网日前优化调度模型；
17.所述配电网优化调度的目标函数为：
[0018][0019]
其中，s为调度周期内的总成本；s
dg
(t)为t时段传统机组的成本；se(t)为t时段储能运维成本；sg(t)为t时段与上层电网功率交互成本；s
wp
(t)为t时段弃风、弃光惩罚成本；s
t
(t)为t时段基于分时电价的需求响应成本；s
il
(t)为t时段可中断负荷中断成本；t为一个调度周期内的总时段数。
[0020]
作为优选方案，还包括：
[0021]
对所述配电网优化调度的目标函数进条件约束；
[0022]
其中，所述条件约束包括：
[0023]
p
dg
(t)+pg(t)+pw(t)+pv(t)＝pe(t)+pr(t)+p
l
(t)-p
il
(t)
[0024][0025][0026][0027]
其中，pg(t)为t时刻与上层电网交互功率，p
dg
(t)为t时段传统机组出力，pe(t)为储能电池在t时刻的充放电功率，pw(t)为风力发电机组在t时段日前的消纳量功率，pv(t)为光伏发电机组在t时段日前的消纳量功率，pr(t)为需求响应后的负荷功率，p
l
(t)为需求响应前的负荷功率，p
il
(t)为中断负荷在t时段的响应功率，为传统机组输出功率的上下限；为传统机组功率上升、下降的爬坡率；δt为调度的时间差；为储能电池t时刻充放电功率；为储能电池最大充放电功率；es(t)、es(t-1)分别为t时刻、t-1时刻蓄电池剩余容量，为剩余容量上下限，η为充放电效率；为与大电网交互功率上限。
[0028]
作为优选方案，所述通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，具体为：
[0029]
根据所述初步调度策略，得到对应当前时刻的状态数据；
[0030]
通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据；
[0031]
根据后续每个时刻对应的预测数据，得到与上级电网功率在预测时长内的预估输出值以及储能电池剩余电量和与上级电网交互功率日前计划值；
[0032]
以所述储能电池剩余电量以及所述预估输出值与所述日前计划值之间的误差最小为目标，将对应的日内滚动优化调度转化为二次规划问题函数，从而对所述二次规划问题函数进行求解，得到最终调度策略。
[0033]
作为优选方案，所述通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据，具体为：
[0034]
在每一次预测反复迭代中，根据当前时刻及当前时刻的预测数据，基于预设预测模型，得到或更新各未来时刻的控制指令序列，并将所述控制指令序列的第一个值应用于控制系统，从而更新得到下一个时刻对应的状态数据，直至所有时刻对应的状态数据均更新了一次后，输出每个时刻对应的预测数据；其中，所述控制指令序列包括每个未来时刻对应的值。
[0035]
相应地，本发明还提供一种配电网优化调度装置，包括：模型建立模块、初步调度策略模块和最终调度策略模块；
[0036]
所述模型建立模块，用于根据用户需求侧响应的数据信息，建立需求响应模型；
[0037]
所述初步调度策略模块，用于基于所述需求响应模型，构建配电网日前优化调度模型，并通过预设算法形成得到配电网日前优化的初步调度策略；
[0038]
所述最终调度策略模块，用于通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。
[0039]
相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的配电网优化调度方法。
[0040]
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的配电网优化调度方法。
[0041]
相比于现有技术，本发明实施例具有如下有益效果：
[0042]
本发明的技术方案通过用户需求侧响应的数据信息，建立了需求响应模型，进而构建配电网日前优化调度模型，确保了配电网日前调度优化能够考虑用户需求侧的响应，基于预设算法形成初步调度计划，并通过预设预测模型得到所述初步调度策略的预测数据，进而对初步调度策略进行优化，得到最终调度策略，平抑风光荷的波动性和不确定性，避免了高峰负荷时的发电压力大、需要发电机组频繁出力的问题。
附图说明
[0043]
图1：为本发明实施例所提供的一种配电网优化调度方法的步骤流程图；
[0044]
图2：为本发明实施例所提供的风电、光伏、负荷预测曲线图；
[0045]
图3：为本发明实施例所提供的源荷储参与后配电网中各设备的调控过程的仿真
结果图；
[0046]
图4：为本发明实施例所提供的需求响应前后负荷变化曲线；
[0047]
图5：为本发明实施例所提供的与上级电网交互功率日内调度结果图；
[0048]
图6：为本发明实施例所提供的一种配电网优化调度装置的结构图；
[0049]
其中，说明书附图的附图标记如下：
[0050]
模型建立模块201、初步调度策略模块202、最终调度策略模块203。
具体实施方式
[0051]
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。
[0052]
实施例一
[0053]
请参照图1，为本发明实施例提供的一种配电网优化调度方法，包括以下步骤s101－s103：
[0054]
步骤s101：根据用户需求侧响应的数据信息，建立需求响应模型。
[0055]
作为本实施例的优选方案，所述根据用户需求侧响应的数据信息，建立需求响应模型，具体为：
[0056]
根据用户需求侧响应的价格数据和激励数据，分别构建价格型需求响应模型和激励型需求响应模型；其中，所述需求响应模型包括：价格型需求响应模型和激励型需求响应模型；所述价格型需求响应模型用于描述调整后的电价对用户用电量的影响，所述激励型需求响应模型用于描述用户进行负荷中断后所产生的补偿成本。
[0057]
作为本实施例的优选方案，所述价格数据包括需求响应前用电量、需求响应电量、响应前电价和电价变化值；所述激励数据包括调度周期内中断负荷补偿成本、中断负荷集合、中断负荷在调度周期中各时段的响应功率、单位可中断负荷的补偿成本和时间步长。
[0058]
在本实施例中，价格型需求响应模型，通过调整电价来影响用户的用电量，通常采用价格需求弹性系数来描述电价变化率对用户负荷变化率的影响。在实际当中，通常采用多时段电价响应，用户某时刻的电量受该时刻的电价变化影响的同时也受其它时刻的电价变化影响。弹性系数分为自弹性系数b
ii
、互弹性系数，计算公式为：
[0059][0060][0061]
式中：b
ii
和b
ij
分别为自弹性系数和交叉弹性系数，分别表示激励价格改变后用户对当前时刻和其他时刻申报容量的响应，这里自弹性系数b
ii
值应为正，交叉弹性系数b
ij
值应为负；pi、δpi分别为需求响应前用电量和需求响应电量；εi、δεi分别为响应前电价和电价的变化值。
[0062]
进一步地，可以得到用户电价的价格型需求响应申报容量对激励价格的响应为：
[0063][0064]
式中：为需求响应容量激励价格弹性矩阵。
[0065]
由电量变化矩阵可得价格响应后的各时段用电需求，根据式(1)－(3)可得各时段的用户用电量变化量为：
[0066][0067]
式中：t为调度周期；
[0068]
进一步地，激励型需求响应模型，通过与用户签订经济补偿或奖励合同来调节负荷大小，其中可中断负荷的应用最为广泛。可中断负荷通过与用户签订合同达到调节负荷大小的目的。基于激励的需求响应补偿费用如下式：
[0069][0070]
式中：s
il
为调度周期内中断负荷补偿成本；ω
il
为中断负荷集合；为第i个中断负荷在t时段的响应功率；ε
il
为单位可中断负荷的补偿成本；δt为时间步长。
[0071]
步骤s102：基于所述需求响应模型，构建配电网日前优化调度模型，并通过预设算法形成得到配电网日前优化的初步调度策略。
[0072]
作为本实施例的优选方案，所述基于所述需求响应模型，构建配电网日前优化调度模型，具体为：
[0073]
基于所述价格型需求响应模型和所述激励型需求响应模型，以配电网运行成本最低作为调度目标，构建配电网优化调度的目标函数，作为配电网日前优化调度模型；所述配电网优化调度的目标函数为：其中，s为调度周期内的总成本；s
dg
(t)为t时段传统机组的成本；se(t)为t时段储能运维成本；sg(t)为t时段与上层电网功率交互成本；s
wp
(t)为t时段弃风、弃光惩罚成本；s
t
(t)为t时段基于分时电价的需求响应成本；s
il
(t)为t时段可中断负荷中断成本；t为一个调度周期内的总时段数。
[0074]
在本实施例中，在电价响应的基础上，进行主动配电网“源、储、荷”协调优化调度，调度目标为配电网运行成本最低，其中包括与上层电网功率交互成本、发电成本、储能的运行维护成本、弃风弃光成本以及需求响应成本，从而构建出配电网优化调度的目标函数。
[0075]
需要说明的是，各项成本包括传统机组成本、储能电池成本、与上层电网功率交互
成本、弃风弃光惩罚成本、基于分时电价的需求响应成本和激励型需求响应成本。
[0076]
各项成本具体数学模型如下：
[0077]
(1)传统机组成本为：
[0078]
式中：a、b、c为传统机组运维成本系数；p
dg
(t)为t时段传统机组出力。
[0079]
(2)储能电池成本为：
[0080]
式中：分别为储能电池单位功率的维护成本和折旧成本；pe(t)为储能电池在t时刻的充放电功率，充电为正，放电为负。
[0081]
(3)与上层电网功率交互成本为：sg(t)＝μg(t)pg(t)
ꢀꢀ
(9)
[0082]
式中：μg(t)为t时刻与上层电网交易电价；pg(t)为t时刻与上层电网交互功率，购电为正，售电为负。
[0083]
(4)弃风弃光惩罚成本为：
[0084]
式中：δ为单位弃风量惩罚费用；和pw(t)分别为风力发电机组在t时段日前预计输出功率值和消纳量；γ为单位弃光量惩罚费用；和pv(t)分别为光伏发电机组在t时段的日前预计输出功率值和消纳量。
[0085]
(5)基于分时电价的需求响应成本为价格型需求响应，如下式：s
t
＝ε0(t)p
r0
(t)-ε(t)pr(t)
ꢀꢀ
(11)
[0086]
式中：ε0(t)、ε(t)分别为t时段需求响应前后的电价；p
r0
(t)、pr(t)分别为需求响应前后的功率。
[0087]
激励型需求响应成本如式(5)：
[0088]
作为本实施例的优选方案，还包括：
[0089]
对所述配电网优化调度的目标函数进条件约束；其中，所述条件约束包括：p
dg
(t)+pg(t)+pw(t)+pv(t)＝pe(t)+pr(t)+p
l
(t)-p
il
(t)；
[0090][0091]
其中，pg(t)为t时刻与上层电网交互功率，p
dg
(t)为t时段传统机组出力，pe(t)为储能电池在t时刻的充放电功率，pw(t)为风力发电机组在t时段日前的消纳量功率，pv(t)为光伏发电机组在t时段日前的消纳量功率，pr(t)为需求响应后的负荷功率，p
l
(t)为需求响应前的负荷功率，-p
il
(t)为中断负荷在t时段的响应功率，为传统机组输出功率的上下限；为传统机组功率上升、下降的爬坡率；δt为调度的时间差；
为储能电池t时刻充放电功率；为储能电池最大充放电功率；es(t)、es(t-1)分别为t时刻、t-1时刻蓄电池剩余容量，为剩余容量上下限，η为充放电效率；为与大电网交互功率上限。
[0092]
在本实施例中，以调度成本最低为目标，考虑约束条件，采用预设算法，优选地，包括但不限于遗传算法等粒子群算法或者matlab中cplex工具箱求解，从而完成日前优化调度，得到传统机组以及风电、光伏、储能电池之间出力的初步调度策略。
[0093]
步骤s103：通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。
[0094]
作为本实施例的优选方案，所述通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，具体为：
[0095]
根据所述初步调度策略，得到对应当前时刻的状态数据；通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据；根据后续每个时刻对应的预测数据，得到与上级电网功率在预测时长内的预估输出值以及储能电池剩余电量和与上级电网交互功率日前计划值；以所述储能电池剩余电量以及所述预估输出值与所述日前计划值之间的误差最小为目标，将对应的日内滚动优化调度转化为二次规划问题函数，从而对所述二次规划问题函数进行求解，得到最终调度策略。
[0096]
在本实施例中，配电网包含传统机组、储能电池储能装置、风电、光伏机组、负荷等，则需求响应负荷在日内阶段不再参与调度，根据配电网每时段的功率平衡方程及储能剩余电量迭代方程，选取传统机组出力、储能充放电功率、储能剩余电量，以及与上级电网的联络线交换功率构成的向量x(k)＝[p
dg
(k),pe(k),es(k),pg(k)]，作为当前时刻k的状态变量，通过初步调度策略执行时的所采集获取到的数据；以传统机组和储能电池的出力增量构成的向量u(k)＝[δp
dg
(k),δpe(k)]为控制变量；以负荷、风电、光伏机组超短期预测功率增量构成的向量r(k)＝[δp
l
(k),δpw(k),δpv(k)]为扰动输入；以与上级电网交换功率构成的向量y(k)＝[pg(k)]为输出变量，其中，k为当前时刻，则可建立如下的多输入、多输出状态空间模型：
[0097][0098]
其中d＝(0001)。
[0099]
基于风电和负荷的超短期功率预测数据，通过对该状态空间预测模型反复迭代，直到向前预测m步，便可得到与上级电网功率在预测时长mδt内的预估输出值构成的向量y，表述如下式所示：
[0100]
y＝[pg(k+δt),
…
,pg(k+mδt)]
ꢀꢀ
(17)
[0101]
取当前时刻向前mδt时段内，储能电池剩余电量和与上级电网交互功率日前计划
值构成的向量g为跟踪控制目标，其中g可描述如下：
[0102][0103]
接着，以储能电池剩余电量和与上级电网交互功率预估输出值与日前计划值之间的误差最小为目标，同时保证各机组控制调节增量尽量小，这样便可将对应的日内滚动优化调度转化为如下所示的二次规划问题：
[0104]
j＝(g-y)
t
h(g-y)+u
t
qu
ꢀꢀ
(19)
[0105]
其中，h为与上级电网交互功率跟踪误差的权重系数矩阵；q为控制量的权重系数矩阵，u为控制变量。
[0106]
作为本实施例的优选方案，所述通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据，具体为：
[0107]
在每一次预测反复迭代中，根据当前时刻及当前时刻的预测数据，基于预设预测模型，得到或更新各未来时刻的控制指令序列，并将所述控制指令序列的第一个值应用于控制系统，从而更新得到下一个时刻对应的状态数据，直至所有时刻对应的状态数据均更新了一次后，输出每个时刻对应的预测数据；其中，所述控制指令序列包括每个未来时刻对应的值。
[0108]
在本实施例中，考虑风光荷预测误差带来的不确定性，基于模型预测控制算法设计日内优化调度，达到平抑与上级电网交互功率目的。模型预测控制是一种基于模型的闭环优化控制方法，其算法的核心思想是滚动时域策略。该策略主要包括以下几步：
[0109]
(1)通过当前时刻k和当前状态x(k)，基于预设预测模型，预测系统未来时刻的状态，同时考虑当前和未来的约束条件，通过解决优化问题，得到未来k+1,k+2,
…
,k+m时刻的控制指令序列。
[0110]
(2)将控制指令序列的第一个值应用于控制系统。
[0111]
(3)在k+1时刻，更新状态为x(k+1)，重复上述操作步骤。
[0112]
模型预测控制(model predictive control，mpc)就是不断滚动的局部优化和不断滚动实施控制作用的交替过程，即为mpc滚动优化算法。
[0113]
需要说明的是，预测数据包括未来时刻的状态变量，即通过将当前时刻k和当前状态变量x(k)输入至预设预测模型，从而得到未来k+1,k+2,
…
,k+m时刻的预测状态变量，进而作为控制指令序列。并将控制指令序列中k+1时刻的预测状态变量应用于控制系统中，得到k+1时刻实际的状态变量，从而将k+1时刻实际的状态变量作为当前状态，k+1时刻作为当前时刻，来更新k+2时刻的实际状态变量，并以此类推，直至所有未来k+1,k+2,
…
,k+m时刻均得到其对应的实际状态变量，作为未来后续每个时刻对应的预测数据。
[0114]
为了进一步理解本发明，验证所提配电网优化调度的准确性与有效性，进行算例仿真。参数设置如下：配电网中风电装机10mw，光伏装机5mw，传统机组出力1.5－15mw，储能出力上下限为－10－15mw，储能容量为20mwh，与上级电网交互功率上下限为－15－15mw。配电网优化调度中，日前调度中，时间间隔为1h，调度时长为24h；日内调度基于日前调度的基础上，调度时长为1h，时间间隔为15min。风电、光伏、负荷预测曲线如图2。
[0115]
为了说明源荷储参与后配电网中各设备的调控过程。仿真结果如图3所示，由图可见，在日前获得的配电网优化调度策略中，谷时段(23：00－08：00)配电网从大电网购电成
本低，此时配电网储能充电，由于传统机组维持最低出力以保持开机状态，而此时风光能量充沛，配电网向大电网售电以减小全天成本；平时段(08：00－17：00)配电网从大电网购电成本升高，此时主要通过传统机组与大电网来平衡配电网的功率，满足负荷供应；峰时段(17：00－23：00)配电网从大电网购电成本继续升高，此时配电网主要由传统机组与储能出力来满足负荷供应；在优化周期结束时段(23：00－00：00)，储能充电，使soc回归初始值以准备下一次优化。
[0116]
图4为需求响应前后负荷变化曲线，由图可知，用户参与需求响应后，高峰时段的负荷功率明显减少，部分用户将用电行为转移到低谷阶段，负荷曲线得到明显改进。因此，综合考虑传统机组、储能及需求侧响应协调调度，能够减少购电功率，提高经济效益。
[0117]
图5为与上级电网交互功率日内调度结果，在不施加日内滚动优化时，交互功率在计划值附近剧烈波动，难以实现配电网接入上级电网的平稳、可控调度。施加mpc滚动优化调度后，联交互功率与日前计划值基本吻合，完全可满足在线应用的需求，也充分说明了本实施例协调优化调度方案的有效性。
[0118]
可以理解的是，通过实行需求响应，在负荷峰值时可以在不影响用户用电满意度的情况下，平移一部分负荷到其他调度时段，或者按照合同进行一部分负荷的削减，从而降低负荷功率的峰谷差，避免发电机频繁调整出力，因此需求响应对电力系统优化调度具有重要的现实意义。在配电网优化调度中，综合考虑新能源－负荷－储能系统三者协调优化，可以加强源荷储联系，因此考虑源荷储协调的主动配电网优化调度研究不仅有利于电网侧也有利于需求侧，具有很强的现实意义。通过价格型和激励型需求响应模型，以及提出了包含风光储、传统机组及其需求响应负荷的配电网日前优化调度模型；基于模型预测控制算法设计了日内优化调度模型以平抑风光荷的波动性及不确定性。
[0119]
实施以上实施例，具有如下效果：
[0120]
本发明的技术方案通过用户需求侧响应的数据信息，建立了需求响应模型，进而构建配电网日前优化调度模型，确保了配电网日前调度优化能够考虑用户需求侧的响应，基于预设算法形成初步调度计划，并通过预设预测模型得到所述初步调度策略的预测数据，进而对初步调度策略进行优化，得到最终调度策略，平抑风光荷的波动性和不确定性，避免了高峰负荷时的发电压力大、需要发电机组频繁出力的问题。
[0121]
实施例二
[0122]
请参阅图6，其为本发明所提供一种配电网优化调度装置，包括：模型建立模块201、初步调度策略模块202和最终调度策略模块203。
[0123]
所述模型建立模块201，用于根据用户需求侧响应的数据信息，建立需求响应模型。
[0124]
所述初步调度策略模块202，用于基于所述需求响应模型，构建配电网日前优化调度模型，并通过预设算法形成得到配电网日前优化的初步调度策略。
[0125]
所述最终调度策略模块203，用于通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。
[0126]
作为优选方案，所述根据用户需求侧响应的数据信息，建立需求响应模型，具体为：
[0127]
根据用户需求侧响应的价格数据和激励数据，分别构建价格型需求响应模型和激励型需求响应模型；其中，所述需求响应模型包括：价格型需求响应模型和激励型需求响应模型；所述价格型需求响应模型用于描述调整后的电价对用户用电量的影响，所述激励型需求响应模型用于描述用户进行负荷中断后所产生的补偿成本。
[0128]
作为优选方案，所述价格数据包括需求响应前用电量、需求响应电量、响应前电价和电价变化值；
[0129]
所述激励数据包括调度周期内中断负荷补偿成本、中断负荷集合、中断负荷在调度周期中各时段的响应功率、单位可中断负荷的补偿成本和时间步长。
[0130]
作为优选方案，所述基于所述需求响应模型，构建配电网日前优化调度模型，具体为：
[0131]
基于所述价格型需求响应模型和所述激励型需求响应模型，以配电网运行成本最低作为调度目标，构建配电网优化调度的目标函数，作为配电网日前优化调度模型；所述配电网优化调度的目标函数为：其中，s为调度周期内的总成本；s
dg
(t)为t时段传统机组的成本；se(t)为t时段储能运维成本；sg(t)为t时段与上层电网功率交互成本；s
wp
(t)为t时段弃风、弃光惩罚成本；s
t
(t)为t时段基于分时电价的需求响应成本；s
il
(t)为t时段可中断负荷中断成本；t为一个调度周期内的总时段数。
[0132]
作为优选方案，还包括：
[0133]
对所述配电网优化调度的目标函数进条件约束；其中，所述条件约束包括：p
dg
(t)+pg(t)+pw(t)+pv(t)＝pe(t)+pr(t)+p
l
(t)-p
il
(t)；
[0134][0135]
其中，pg(t)为t时刻与上层电网交互功率，p
dg
(t)为t时段传统机组出力，pe(t)为储能电池在t时刻的充放电功率，pw(t)为风力发电机组在t时段日前的消纳量功率，pv(t)为光伏发电机组在t时段日前的消纳量功率，pr(t)为需求响应后的负荷功率，p
l
(t)为需求响应前的负荷功率，p
il
(t)为中断负荷在t时段的响应功率，为传统机组输出功率的上下限；为传统机组功率上升、下降的爬坡率；δt为调度的时间差；为储能电池t时刻充放电功率；为储能电池最大充放电功率；es(t)、es(t-1)分别为t时刻、t-1时刻蓄电池剩余容量，为剩余容量上下限，η为充放电效率；为与大电网交互功率上限。
[0136]
作为优选方案，所述通过预设预测模型得到所述初步调度策略的预测数据，并根
据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，具体为：
[0137]
根据所述初步调度策略，得到对应当前时刻的状态数据；通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据；根据后续每个时刻对应的预测数据，得到与上级电网功率在预测时长内的预估输出值以及储能电池剩余电量和与上级电网交互功率日前计划值；以所述储能电池剩余电量以及所述预估输出值与所述日前计划值之间的误差最小为目标，将对应的日内滚动优化调度转化为二次规划问题函数，从而对所述二次规划问题函数进行求解，得到最终调度策略。
[0138]
作为优选方案，所述通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据，具体为：
[0139]
在每一次预测反复迭代中，根据当前时刻及当前时刻的预测数据，基于预设预测模型，得到或更新各未来时刻的控制指令序列，并将所述控制指令序列的第一个值应用于控制系统，从而更新得到下一个时刻对应的状态数据，直至所有时刻对应的状态数据均更新了一次后，输出每个时刻对应的预测数据；其中，所述控制指令序列包括每个未来时刻对应的值。
[0140]
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0141]
实施以上实施例，具有如下效果：
[0142]
本发明的技术方案通过用户需求侧响应的数据信息，建立了需求响应模型，进而构建配电网日前优化调度模型，确保了配电网日前调度优化能够考虑用户需求侧的响应，基于预设算法形成初步调度计划，并通过预设预测模型得到所述初步调度策略的预测数据，进而对初步调度策略进行优化，得到最终调度策略，平抑风光荷的波动性和不确定性，避免了高峰负荷时的发电压力大、需要发电机组频繁出力的问题。
[0143]
实施例三
[0144]
相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的配电网优化调度方法。
[0145]
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤s101至s103。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如最终调度策略模块203。
[0146]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述最终调度策略模块203，用于通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。
[0147]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者
组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0148]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0149]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0150]
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0151]
实施例四
[0152]
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的配电网优化调度方法。
[0153]
以上所述的具体实施例，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，以上所述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：
1.一种配电网优化调度方法，其特征在于，包括：根据用户需求侧响应的数据信息，建立需求响应模型；基于所述需求响应模型，构建配电网日前优化调度模型，并通过预设算法形成得到配电网日前优化的初步调度策略；通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。2.如权利要求1所述的一种配电网优化调度方法，其特征在于，所述根据用户需求侧响应的数据信息，建立需求响应模型，具体为：根据用户需求侧响应的价格数据和激励数据，分别构建价格型需求响应模型和激励型需求响应模型；其中，所述需求响应模型包括：价格型需求响应模型和激励型需求响应模型；所述价格型需求响应模型用于描述调整后的电价对用户用电量的影响，所述激励型需求响应模型用于描述用户进行负荷中断后所产生的补偿成本。3.如权利要求2所述的一种配电网优化调度方法，其特征在于，所述价格数据包括需求响应前用电量、需求响应电量、响应前电价和电价变化值；所述激励数据包括调度周期内中断负荷补偿成本、中断负荷集合、中断负荷在调度周期中各时段的响应功率、单位可中断负荷的补偿成本和时间步长。4.如权利要求2或3所述的一种配电网优化调度方法，其特征在于，所述基于所述需求响应模型，构建配电网日前优化调度模型，具体为：基于所述价格型需求响应模型和所述激励型需求响应模型，以配电网运行成本最低作为调度目标，构建配电网优化调度的目标函数，作为配电网日前优化调度模型；所述配电网优化调度的目标函数为：其中，s为调度周期内的总成本；s
dg
(t)为t时段传统机组的成本；s
e
(t)为t时段储能运维成本；s
g
(t)为t时段与上层电网功率交互成本；s
wp
(t)为t时段弃风、弃光惩罚成本；s
t
(t)为t时段基于分时电价的需求响应成本；s
il
(t)为t时段可中断负荷中断成本；t为一个调度周期内的总时段数。5.如权利要求4所述的一种配电网优化调度方法，其特征在于，还包括：对所述配电网优化调度的目标函数进条件约束；其中，所述条件约束包括：p
dg
(t)+p
g
(t)+p
w
(t)+p
v
(t)＝p
e
(t)+p
r
(t)+p
l
(t)-p
il
(t)
其中，p
g
(t)为t时刻与上层电网交互功率，p
dg
(t)为t时段传统机组出力，p
e
(t)为储能电池在t时刻的充放电功率，p
w
(t)为风力发电机组在t时段日前的消纳量功率，p
v
(t)为光伏发电机组在t时段日前的消纳量功率，p
r
(t)为需求响应后的负荷功率，p
l
(t)为需求响应前的负荷功率，-p
il
(t)为中断负荷在t时段的响应功率，为传统机组输出功率的上下限；为传统机组功率上升、下降的爬坡率；δt为调度的时间差；为储能电池t时刻充放电功率；为储能电池最大充放电功率；e
s
(t)、e
s
(t-1)分别为t时刻、t-1时刻蓄电池剩余容量，为剩余容量上下限，η为充放电效率；为与大电网交互功率上限。6.如权利要求1所述的一种配电网优化调度方法，其特征在于，所述通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，具体为：根据所述初步调度策略，得到对应当前时刻的状态数据；通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据；根据后续每个时刻对应的预测数据，得到与上级电网功率在预测时长内的预估输出值以及储能电池剩余电量和与上级电网交互功率日前计划值；以所述储能电池剩余电量以及所述预估输出值与所述日前计划值之间的误差最小为目标，将对应的日内滚动优化调度转化为二次规划问题函数，从而对所述二次规划问题函数进行求解，得到最终调度策略。7.如权利要求6所述的一种配电网优化调度方法，其特征在于，所述通过预设预测模型，对所述预测数据进行预设次数的预测反复迭代，从而得到后续每个时刻对应的预测数据，具体为：在每一次预测反复迭代中，根据当前时刻及当前时刻的预测数据，基于预设预测模型，得到或更新各未来时刻的控制指令序列，并将所述控制指令序列的第一个值应用于控制系统，从而更新得到下一个时刻对应的状态数据，直至所有时刻对应的状态数据均更新了一次后，输出每个时刻对应的预测数据；其中，所述控制指令序列包括每个未来时刻对应的值。8.一种配电网优化调度装置，其特征在于，包括：模型建立模块、初步调度策略模块和最终调度策略模块；
所述模型建立模块，用于根据用户需求侧响应的数据信息，建立需求响应模型；所述初步调度策略模块，用于基于所述需求响应模型，构建配电网日前优化调度模型，并通过预设算法形成得到配电网日前优化的初步调度策略；所述最终调度策略模块，用于通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的配电网优化调度方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的配电网优化调度方法。

技术总结
本发明公开了一种配电网优化调度方法、装置、设备及存储介质，包括：根据用户需求侧响应的数据信息，建立需求响应模型；基于所述需求响应模型，构建配电网日前优化调度模型，并通过预设算法形成得到配电网日前优化的初步调度策略；通过预设预测模型得到所述初步调度策略的预测数据，并根据所述预测数据，对所述初步调度策略进行优化，得到最终调度策略，从而完成配电网的多时间尺度优化调度。本发明解决现有技术中无法根据实际的需求进行配电网调度优化、高峰负荷时的发电压力大、需要发电机组频繁出力的技术问题，降低负荷功率的峰谷差，同时平抑风光荷的波动性和不确定性，综合考虑新能源、负荷和储能系统之间三者协调优化，加强了源荷储联系。加强了源荷储联系。加强了源荷储联系。


技术研发人员：蔡新雷 董锴 孟子杰 倪斌业 祝锦舟 刘佳乐 喻振帆 王乃啸 李超 侯珏
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：2023.04.04
技术公布日：2023/8/5