基于风光储能和需求响应的微电网日前经济调度（Python代码实现）【1】

1 概述

2 知识点及数学模型

3 算例实现

3.1算例介绍

3.2风光参与的模型求解

3.3 风光和储能参与的模型求解

3.5 风光储能和需求响应都参与模型求解

3.6 结果分析对比

4 Python代码及算例数据

1 概述

近年来，微电网、清洁能源等已成为全球关注的热点。清洁能源在我国可持续发展战略中具有日益重要的地位，政府、企业、学术界均在清洁能源技术及其评价上做了大量工作[1]。

微电网（Micro-Grid）日前经济调度问题是指考虑电网的分时电价基础上，对常规负荷、光伏出力、风机出力进行日前(未来 24 小时)预测，然后充分利用微网中的储能等可调控手段，使微电网运行的经济性最优[2-5]。

需求响应是电力需求侧管理在电力市场中的最新发展[6]。

众多学者对此做了大量研究，文献[7]在考虑电价与负荷响应量相关性的基础上,建立了以运行成本最低、可再生能源消纳比例最高和用户满意度最好为目标的日前调度模型。文献[8]考虑风电功率以及可再生能源停运的不确定性，提出一种考虑风险的微电网日前随机优化调度方法。文献[9]以运行成本最小为优化目标、同时考虑储能，提出了一种微电网日前调度调度模型。文献[10]针对微电网新能源出力不确定的问题,提出了考虑电价激励需求响应下微电网日前优化调度方法。文献[11]以提高供电可靠性和能源利润为目的，构建考虑激励型DR和电池储能的优化模型，算例分析了激励型DR和电池储能对微网可靠性与盈利能力的影响。

本文以微电网风光、储能、与主网交换成本、需求侧响应成本为目标函数,考虑功率平衡约束、设备约束以及系统规划约束条件对此微电网进行优化调度,并通过峰值消减指数、可再生能源消纳率以及用户舒适度三个需求侧响应指标来量化需求侧响应效益。在允许微电网与主网进行功率交互的前提下，研究了微电网在不同情况下的调度方法。最后，通过实际算例分析了各种情况下的微电网经济优化及峰谷差最小运行方案。

2 知识点及数学模型

基于风光储能和需求响应的微电网日前经济调度（Python代码实现）【0】

3 算例实现

3.1算例介绍

一个含有风机、光伏、蓄电池以及负荷的微电网系统见示意图3.1。

风机的装机容量360kW，单位运维成本0.52元/kWh。光伏的装机容量 260kW，单位运维成本0.75元/kWh。蓄电池额定容量为700kWh，电池 SOC 运行范围为[0.4,0.9]，初始 SOC 值为 0.4，由充电至放电成本为 0.1 元/kWh，1个小时充放电功率最大为储能的20%。微网与主网允许交换功率不超过 200kW。一天的售电和购电价格见表1。

风机出力、光伏出力、常规负荷日前(未来 24 小时)预测见图2，新能源预测出力和净负荷，净负荷表示的是风机、光伏满足负荷后的剩余功率，如图3所示。

3.2风光参与的模型求解

在无风光情况下：微电网所需功率全部来自主网，功率等于负荷，在已知负荷和分时电价情况下，可以直接相乘求解。但是由图7我们可以看出，超过了微网与主网交换功率限额。

在有风光参与的情况下，由于风机功率、光伏功率、微电网与主网交换功率都是可变的，故直接相乘得不到结果，通过粒子群算法求解。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

3.3 风光和储能参与的模型求解

要尽量满足用户负荷需求要，我们考虑未满足负荷用电量和，并与系统运行成本取权重作为新的目标函数。

通过制定策略：风力发电成本最低，所以对于可再生能源发电，优先发风机。然后我们采用允许弃风、弃光的方法，得到可再生能源的最优出力后，若较负荷所需功率不足，则由主网供电。还对风、光、储能和主网出力越限做了惩罚项处理。

3.4 风光和需求响应参与模型求解

对于需求响应参与的模型，我们先对负荷进行K-Means聚类算法，把负荷分为高峰、平段、低谷三个时段，如表2所示。通过1.4.1节的基于价格型需求策略得到需求响应后的负荷，然后在调度时段内再采用激励型需求响应直接控制方式进行负荷转移,并给予补偿。

这里的出力策略和风光和储能参与的模型求解的策略方法一样，把储能出力换成可转入转出负荷。

3.5 风光储能和需求响应都参与模型求解

通过把3.3节和3.4节结合起来，得到如下风光储能和需求响应都参与模型

3.6 结果分析对比

由图7-12可以看出，当只有风光参与供电的模型负荷缺额量很大，当加入储能后负荷缺额量降低了很多。在只考虑风光和需求响应时【电价型】可以很明显的看出，很好的起到了消峰填谷的作用。在风光储能和需求响应都参与的模型中，各方面的效果都有很大改善，如表3-7所示。

4 Python代码及算例数据