摘 要

随着风能、太阳能等可再生能源的数量增加，以及电网调峰和提高电力用户满意度的迫切需求，智能电网和智能能源网应运而生。其中，可再生能源分布广泛、随机性强、波动性大，造成了智能能源网调度的不确定性，成为了电力能源系统经济调度的重点问题。在此背景下，需求侧响应成为了一种重要的可调控途径。

因此，本文深入探究了在智能能源网背景下开展需求侧响应调度的必要性，并结合工业用户需求特点，对工业园区的负荷情况进行模拟，提出了一个基于随机优化的智能能源网需求侧响应调度模型。并采用需求侧响应中分时电价策略，对能源网络中各机组出力功率进行调度控制。在此基础上，通过利用粒子群算法对模型进行了随机优化求解，并通过实际算例进行仿真验证。算例结果表明，本文所提模型在保证经济成本最低的目标下，可以实现各能源之间的灵活调度，并进一步解决了供需不确定对能源网络稳定运行的影响。

关键词：智能能源网；需求侧响应；经济调度；分时电价

Abstract

With the increase of renewable energy such as wind energy and solar energy, as well as the urgent need of peak shaving and improving the satisfaction of power users, smart grid and smart energy network emerge as the times require. Among them, renewable energy is widely distributed, stochastic and volatile, which results in the uncertainty of intelligent energy network dispatching and becomes the key issue of economic dispatching of power energy system. In this context, demand side response has become an important regulatory approach.

Therefore, this paper explores the necessity of demand-side response scheduling in the context of intelligent energy network, and combines the characteristics of industrial users'demand, simulates the load situation of industrial parks, and proposes a demand-side response scheduling model of intelligent energy network based on stochastic optimization. The time-sharing tariff strategy in demand side response is adopted to schedule and control the output power of each unit in the energy network. On this basis, the stochastic optimization of the model is carried out by using particle swarm optimization (PSO), and the simulation results are verified by an actual example. The results show that the proposed model can achieve flexible dispatch among energy sources with the goal of ensuring the lowest economic cost, and further solve the impact of uncertainties in supply and demand on the stable operation of energy networks.

Key Words：Intelligent Energy Network; Demand Side Response; Economic Dispatch; TOU price

目 录

第1章 绪论 1

1.1 选题背景及意义 1

1.2 智能能源网需求侧响应调度的国内外现状 1

1.2.1 智能能源网研究概述 1

1.2.2 需求侧响应国内外研究动态 2

1.3 本文研究内容 4

第2章 智能能源网需求侧响应调度模型 5

2.1 问题描述 5

2.1.1 能源网络结构 5

2.1.2 需求侧响应措施 6

2.2 目标函数 6

2.3 约束条件 7

2.3.1 系统运行约束 7

2.3.2 生产调度约束 8

2.4 调度模型 9

第3章 粒子群算法 10

3.1 粒子群算法的起源 10

3.2 粒子群算法的原理 11

3.3 粒子群算法的基本步骤 12

第4章 调度模型求解 14

4.1 优化变量 14

4.2 粒子群的初始化 14

4.3 约束条件处理 14

4.4 求解步骤 15

第5章 基于随机优化智能能源网需求侧响应调度实例研究 17

5.1 实验平台环境 17

5.2 参数设定 17

5.2.1 能源网络参数设定 18

5.2.2 粒子群算法参数设定 19

5.2.3 生产负荷参数设定 19

5.3 仿真结果分析 20

第6章 结论与展望 22

6.1 结论 22

6.2 展望 22

参考文献 23

致 谢 24

第1章 绪论

1.1 选题背景及意义

目前，电能已成为现代国家在社会发展进程中的重要组成部分，直接关系到人民生活是否能够安居乐业。近年来，随着工业的快速发展，电能也逐步成为了使用率最高的能源之一。有资料显示，工业部门占全球能源使用量的54%，是能源需求不断增长的主要驱动因素之一^[1]。同时，预计到2030年，新的发电能力和输配电基础设施将需要约1.5-2万亿美元，才能满足日益增长的电力需求^[2]。因此，在保证电力系统运行可靠性的前提下，电力系统的经济调度问题一直是学术界和工业界关注的焦点。

同时，为了进一步减少污染、保护全球环境，全球所有国家都致力于推动可再生新能源的发展，例如：风能、太阳能、潮汐能、生物质能、小水电等。但是可再生新能源的输出功率具有随机性和波动性，直接接入电网容易对电网造成冲击，影响电网运行的安全性。因此可再生能源常用于分布式发电^[3]。而微电网作为一种有效的分布式发电管理方案，已成为现代电网的重要发展方向。在微电网的基础上，可以将多种形式的能量耦合起来，形成一个智能能源网络。它不仅能够根据需要选择是否与配电网并网运行，以维持自身的能量平衡；也能够实现更大范围的能源合理化配置。在智能能源网中，多种形式能源互济互补，有效地提高了能源的利用率和消纳能力，使系统更加经济、灵活、可靠。

在智能电网以及智能能源网背景下，需求侧响应(demand response， DR)也成为了未来能源电力系统中一种很有前途的可调控途径。与传统电网中只通过调度发电侧资源来满足用户需求不同，需求侧响应调度更弹性^[4]。其可通过补偿激励和电价刺激等方式，主动的参与到电网调度中，通过合理地调控用户侧的需求侧响应资源，降低电网压力，节约用户的用电费用，保证电力系统的供需双侧平衡，实现能源电力系统的协同互联，进一步实现提高可再生能源利用效率的目的。

但是，在规划智能能源网的需求侧响应调度时存在许多不确定性，例如设备、线路中断以及负载预测误差等。特别是，将诸如风能、光能等新能源集成到电网中，也会进一步加剧能源网供应侧资源的不确定性^[5]。因此需要在充分考虑这些不确定性因素的情况下，综合利用发电侧（供应侧）和用户侧（需求侧）资源，降低可再生能源接入对电力系统的影响，促进可再生能源的消纳，是能源电力系统优化调度中需要关注的重点问题之一。

综上所述，提出有关智能能源网需求侧响应调度的数学模型，并开展具体可行的研究工作，对提高我国能源系统的经济运行水平具有重要的意义，是我国能源研究的当务之急。

1.2 智能能源网需求侧响应调度的国内外现状

1.2.1 智能能源网研究概述

智能能源网（智能互联网）是在智能电网的基础上建立起的一个新的概念，它增加了新能源对于传统电力系统的影响，描述了除电能之外，热能、冷能、气能等多种能源形式的互联关系^[6]。这种方式打破了多种能源交流之间的壁垒，实现能源从生产到消费的自由运行。

虽然电能是支撑国家、社会发展的主要动力来源，但是它无法满足所有人们对于能源的需求。它必须和其他能源之间进行相互转化，才能更好的服务于人类。同时世界面临着能源短缺的问题，急需引入新能源和可再生能源作为能量来源。因此，建立智能能源网是未来发展的必然趋势。

截至目前，世界各国都陆陆续续开展了对智能能源网的研究工作。从2009年9月美国首次公布有关智能网的草案开始，美国国家标准与技术研究院(NIST)已多次制定有关智能电网和智能能源网的框架和发展路线。在2013年《电网互操作标准框架和技术路线图2.0版》报告中，NIST详细阐述了有关智能电网的新标准，并构想了更高层次的能源网络蓝图。同时期，我国《国家“十二五”中国智能能源网发展模式和实施方案课题》也与2009年11月和2010年7月分别获准立项和通过评审。2010年8月该课题在北京召开成果发布会，正式向国内外公开发布研究成果。其中所提出的八大优先发展领域获得了国际智能电网联盟、国际电工委员会、美国能源基金会等权威机构的高度关注和评价^[7]。据悉，2019年8月中旬将在加拿大安大略召开2019年第届智能能源网会议(SEGE 2019)。由此，智能能源网的时代即将来临。

虽然国际上对于智能能源网的标准与规范正在有条不紊的制定中，但其与智能电网的整合方式和相关的调度研究还处于初始阶段。目前也缺乏具体切实的方案和手段，如何利用智能电网的研究基础打开智能能源网的突破口是推进研究工作的当务之急。

1.2.2 需求侧响应国内外研究动态

需求侧响应是指电力用户在接收到电网发出的削减负荷补贴通知或价格调整信号后，可以根据自身需求改变固有的用电习惯，从而提高系统的整体效益。根据响应信号的性质的不同，需求侧响应可分为价格型需求响应（price-based DR）和激励型需求响应（incentive-based DR），不同的 DR 模式适用于不同的负荷类型^[8]。

图1.1 需求侧响应的分类

为了应对电力市场改革，保持供需双方的实时平衡，提高市场运行效率，20世纪90年代需求侧响应的概念首次在美国提出。截至目前，美国也是应用此技术经验最为丰富的国家。美国能源部与联邦能源监管委员会曾在2009年6月发布《需求响应潜力报告》，提出如果美国所有电力用户使用需求侧响应技术，最高可削减高峰负荷的20%^[9]。

在此背景下，许多国家也积极开展了相应的需求侧响应项目。英国针对工商业大用户和居民小用户采取不同的协议措施，依靠分时电价和可中断负荷手段进行调控。例如约有450万英国居民将在凌晨1：00—8:00间享受低电价，他们可利用蓄热式电加热系统进行充电，以维持夜间的负荷需求和稳定。北欧芬兰自从1964年也开始实施分时电价进行电力系统的需求侧管理，并为此设计了专用的计量系统。截止2014年，分时电价已经在全芬兰广泛采用，并成为一项法规用来约束电力公司。法国的分时电价方案则更为新颖，他们成立了一个名为Tempo的需求响应项目，此项目将全年分为蓝色日、红色日和白色日，又将全天分为峰荷和非峰荷时段，并分别设置了不同的电价。日本作为一个能源稀缺的国家，也十分重视电能的节约。他们自2014年底开始实施自动需求响应实验，即在电力供应紧张时，系统自动向家庭用户、工业用户等发出节电信号，各用户也会启用能源管理系统进行自动控制用电量，并产生报告分析。

近年来，我国需求侧响应的研究也得到了很大的发展，如上海市、北京市、江苏省等地都已开展了相应的工作，并取得了一定的效果。结合我国实际国情，国家发改委在2004年和2011年分别印发了电力需求侧管理工作的指导意见和办法，有效推动了需求侧响应在我国的实施工作。2014年，上海采用经济补偿的措施激励用户降低峰值负荷5.5kW；2015年，北京借助电力需求管理平台，对临时用电组织启动“提前30分钟通知”项目，有效减少了近3万千瓦的电力消耗。2016年，江苏省针对非工业用户，开展了全省范围的需求侧响应工作，累计削减了163.77万千瓦的负荷。

1.3 本文研究内容

由于发电部门越来越依赖天然气发电，以及工业部门对大量电力和天然气的需求，有必要解决电力、天然气和制造基础设施之间的相互依赖性^[10]。加之新能源发电和负荷具有随机性和不确定性，本文提出建立一个随机优化模型来优化智能能源网需求侧响应调度问题，使得该能源网络能够在发电和负荷随机波动的情况下仍然能够保持系统稳定，并实现系统内各能源间的互济与协调。文章的具体结构安排如下：

第一章：深入分析了在智能能源网背景下，开展需求侧响应调度的必要性，综述了国内外在智能能源网优化调度、需求侧响应等方面的研究现状，并引出本文所要研究的内容。

第二章：介绍制造基础设施中智能能源网的基本结构，并建立针对工业用户的需求侧响应调度模型，包括目标函数以及需要考虑的各种实际约束条件。

第三章：对本文调度模型所采用的粒子群算法的起源、原理，以及算法实现步骤进行展开介绍。

第四章：具体介绍应用粒子群算法求解需求侧响应调度问题的整个流程，包括优化变量的选择，各种约束的处理方法以及实现算法的基本步骤等。

第五章：参考文献资料中的部分数据作为算例，做仿真验证，并深入分析结果，验证所提方案的合理性。

第六章：总结本文研究的主要内容，并在此基础上，分析该研究存在的一些问题，对后续的研究作出展望。

第2章 智能能源网需求侧响应调度模型

2.1 问题描述

本章将以制造企业用户为研究对象，对智能能源网需求侧响应调度问题展开研究，并在混合交直流微电网的基础上，建立一个相对比较完善的能源负荷经济调度模型。该调度模型不仅仅考虑电能，还包括热能、冷能等。该智能能源网将对多种能源进行综合调度，实现多种能量的输入、转换、储备和输出。并且在该模型中，还将考虑工业用户（需求侧）对于生产计划的要求和约束。

2.1.1 能源网络结构

该智能能源网络具体如下图2.1所示。能源网络的输入有电力、天然气、光伏新能源，其输出是交流电能、直流电能、热能、冷能。需要被优化的设备主要有能量转换设备（热电联产机组CHP、制冷设备ER）、能量存储设备（电储设备ES）等^[11]。本文所提到的智能能源网络结构是在混合交直流微电网的基础上发展得到的，所以在该能源网络内部还存在交流母线和直流母线，两母线以双向转换器BIC相连来进行交流。

图2.1 智能能源网络结构

在智能能源网络中，每个机组设备相互配合，充分利用多种能源的互补优势，满足负荷需求，维持网络能源供需的平衡。其中，热电联产机组（CHP）可将天然气转换成热能和交流电能（DC）。 交流直流转换器（BIC）可将交流电能（AC）转换为直流电能（DC），反之亦然，制冷设备（ER）将直流电能转换为冷能。电储设备（ES）连接到直流电总线以存储电能和排放电能。

如图2.1所示，绿线表示AC电能流，即AC电能的输入来自公用电网和热电联产机组CHP，而其输出传输到BIC并满足生产机组S1、S2中的AC负荷。直流电能流以黄线表示，PV、ES和BIC是直流电能的能源来源。另一方面，DC负荷，ES和ER连接到其输出。热能能量流由红线表示，天然气通过热电联产机组，将一部分能源转化成热能。蓝线表示冷却能量，制冷设备ER吸收直流母线的直流电，并将其转换为冷却能量，以满足冷却能耗。紫色线表示天然气的能源走向，除了将部分天然气供应给热电联产机组，还需要满足生产机组S3、S4的负荷需要。

2.1.2 需求侧响应措施

对于制造企业用户来说，电力和天然气能源是其主要的需求负荷来源，本文还将光伏发电考虑其中，作为部分能量来源。所谓需求侧响应，即考虑需求侧的能源负荷，通常会将各部分负荷做一个历史预测，根据负荷预测曲线来进行日前能源网络调度。

根据上一章需求侧响应的种类划分可知，需求侧响应可分为基于价格型和激励型两种。由于当前国家电网调控策略不够明确，各省市采取的激励手段不一，本文暂不考虑激励型的响应措施。且本文所考虑的需求用户是工业用户，现今工业制造企业大多数采用自动化程度较为高的生产设备，其所需的负荷不可随意中断和转移，所以本文所采取的需求侧响应措施主要为价格型下的分时电价策略。同时，为了进一步解决电力和天然气供应侧之间相互制约影响的问题，可采用热电联产机组、储能装置等设备进行电与气之间的相互转化。当天然气或电力供应受到限制时，需求侧各机组的灵活互动可以为系统的稳定运行提供保障。

2.2 目标函数

对于上述智能能源网络，建立了负荷经济调度模型来优化能源网络中各设备的运行，目的是使能源网络能够在保证各种能量供需平衡的情况下，使得运行成本最低，且能够很好地抵抗负荷和新能源并网引起的波动，保证系统的实时稳定。

为了满足日前市场要求，给定每小时的不同电价、气价。由于光伏发电容量、交流负荷、直流负荷、热负荷、冷负荷等是随机波动的，所以将以每小时的时间间隔对其进行预测。在这些预测数据的基础上，制定调度优化模型，对每小时的系统运行状况进行优化，使系统运行成本最小化，并保证每小时时间间隔内能源网络内电、热、冷等能量的供需平衡。优化目标是使系统购电、购气、存储能量的总成本最低。目标函数如下式子所示。

（2-1）

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：