一种基于风光储联合发电系统的发用电一体化调度方法
技术领域
[0001] 本
发明涉及
能源互联网技术领域，具体涉及一种基于风光储联合发电系统的发用电一体化调度方法。
背景技术
[0002] 大规模
风能和
太阳能的开发利用，使得
可再生能源的装机容量不断增加，但风光消纳困难，出现了较严重的弃风弃光问题，同时给发电侧的优化调度带来巨大挑战。
[0003] 本
申请发明人在实施本发明的过程中，发现
现有技术的方法，至少存在如下技术问题：
[0004] 现有技术中，国内外对发用电一体化调度的研究主要以降低
电网运行成本为目标，且从发电侧来看，大多数方法仅单独考虑风电系统、
光伏发电系统或传统的火
力发电系统，而以风光储联合发电系统作为研究对象的较少；另外有不少研究从用户侧
角度出发，对可调控负荷和电动
汽车负荷的调度问题进行了研究，但对可调控负荷及电动汽车的优化调度多是单独考虑的，因此调度效果较差。
[0005] 由此可知，现有技术中的方法存在调度效果不佳的技术问题。
发明内容
[0006] 有鉴于此，本发明提供了一种基于风光储联合发电系统的发用电一体化调度方法，用以解决或者至少部分解决现有技术中的方法存在的调度效果不佳的技术问题。
[0007] 为了解决上述技术问题，本发明提供了一种基于风光储联合发电系统的发用电一体化调度方法，包括：
[0008] 步骤S1：根据发电收益，建立风光储联合发电系统模型，风光储联合发电系统模型包括第一目标函数和对应的约束条件；
[0009] 步骤S2：根据向系统卖电的收益与并网成本的差值，建立电网侧模型，电网侧模型包括第二目标函数和对应的约束条件；
[0010] 步骤S3：根据调度前后用户用电
费用的变化情况，建立用户侧模型，用户侧模型包括第三目标函数和对应的约束条件；
[0011] 步骤S4：根据风光储联合发电系统模型、电网侧模型和用户侧模型，以风光储联合发电系统收益、电网侧收益和用户侧收益为优化目标，构建发用电一体化调度模型；
[0012] 步骤S5：在准备调度时，收集当前的负荷信息、光伏发电情况和
风力发电情况，并根据光伏发电情况和风力发电情况计算风光发电量；
[0013] 步骤S6：根据风光发电量与负荷之间的关系、电网电价是否高于
阈值，确定申报电价的负荷类型，并由对应类型的负荷进行电价申报；
[0014] 步骤S7：根据电价申报信息，以第一目标函数、第二目标函数和第三目标函数为优化目标，利用发用电一体化调度模型进行调度，得到调度结果，其中，调度结果包括用户类型以及用户数量。
[0015] 在一种实施方式中，步骤S1具体包括：
[0016] 步骤S1.1：根据发电收益最优构建风光储联合发电系统的第一目标函数F1：
[0017]
[0018] 其中， 表示t时刻参与调度的第i类用户负荷，i＝1表示可转移负荷，i＝2表示可中断负荷，i＝3表示电动汽车负荷；p(t)表示未参与调度的用户负荷；pb(t)为t时刻并网电量；pm(t)表示t时刻向电网购买的电量； 表示t时刻参与调度的第i类用户的申报电价；cb(t)表示t时刻并网电价；cm(t)表示t时刻购电电价；cb表示风光储联合发电系统的单位时间运行成本；Δt表示运行时长；
[0019] 步骤S1.2：确定风光储联合发电系统的约束条件，约束条件包括：
[0020] 剩余电量在设定范围内：
[0021] SOCmin≤SOC(t)≤SOCmax
[0022] 其中，SOC(t)为t时刻储能系统的
荷电状态；SOCmin、SOCmax分别为储能系统的荷电状态的上下限；
[0023] 风光发电利用率小于或等于额定风光发电利用率：
[0024]
[0025] 其中，R为风光发电利用率；E(t)为t时刻风光提供给负荷的电量； 为t时刻调度后的负荷；Rr为额定风光发电利用率。
[0026] 在一种实施方式中，步骤S2具体包括：
[0027] 步骤S2.1：根据发电收益最优构建电网侧的第二目标函数F2：
[0028]
[0029] 其中，pm(t)表示t时刻向电网购买的电量，cm(t)表示t时刻购电电价，pb(t)为t时刻并网电量，cb(t)表示t时刻并网电价；
[0030] 步骤S2.2：确定电网侧的约束条件，约束条件包括：负荷方差小于或等于额定负荷方差：
[0031] μ≤μa
[0032]
[0033]
[0034] 其中，μ为负荷方差，μa为额定负荷方差，Pa为调度后的平均负荷。
[0035] 在一种实施方式中，步骤S3具体包括：
[0036] 步骤S3.1：根据用户收益最优构建用户侧的第三目标函数F3：
[0037]
[0038] 其中，PL(t)为t时刻调度前的负荷，cb(t)表示t时刻并网电价， 表示t时刻参与调度的第i类用户负荷，i＝1表示可转移负荷，i＝2表示可中断负荷，i＝3表示电动汽车负荷；p(t)表示未参与调度的用户负荷； 表示t时刻参与调度的第i类用户的申报电价；cb(t)表示t时刻并网电价；
[0039] 步骤S3.2：确定用户侧的约束条件，约束条件包括：
[0040] 可转移负荷上下限：
[0041]
[0042] 可转移负荷可转移时间的上下限：
[0043]
[0044] 一定时间周期内可转移负荷的总量保持不变：
[0045]
[0046] 可中断负荷的上下限：
[0047]
[0048] 可中断负荷可中断时间的上下限：
[0049]
[0050] 电动汽车荷电状态的上下限：
[0051]
[0052] 以及用户电费支出满意度：
[0053] s≤sr
[0054]
[0055] 其中， 表示t时刻参与调度的第i类用户负荷，i＝1表示可转移负荷，i＝2表示可中断负荷，i＝3表示电动汽车负荷；p(t)表示未参与调度的用户负荷； 表示t时刻参与调度的第i类用户的申报电价；cb(t)表示t时刻并网电价，PL(t)为t时刻调度前的负荷；Ptrb(t)、Ptrl(t)分别为t时刻转移前后总的可转移负荷； 分别为总的可转移负荷上下限； 分别为可转移负荷可转移时间范围的上下限；Pin(t)为t时刻总的可中断负荷； 分别为总的可中断负荷上下限， 分别为可中断负荷可中断时间范围的
上下限；SOCEVmin、SOCEVmax分别为电动汽车荷电状态的上下限，SOCEV(t)为t时刻电动汽车的荷电状态；s为用户电费支出满意度；sr为额定满意度。
[0056] 在一种实施方式中，步骤S6具体包括：
[0057] 判断风光发电量是否大于负荷；
[0058] 当风光发电量大于负荷时，进一步判断电网电价是否高于阈值，如果高于，则采取并网的方式，如果不高于，则通过电动汽车负荷进行电价申报，其中，电价申报的信息包括申报的负荷类型、申报的时间
节点、申报的电价以及荷电状态；
[0059] 当风光发电量不大于负荷时，进一步判断电网电价是否高于阈值，如果高于，则通过可调控负荷进行电价申报，其中，可调控负荷包括中断负荷和可转移负荷，电价申报的信息包括申报的负荷类型、申报的时间节点以及申报的电价；如果不高于，则采取向电网购电的方式。
[0060] 在一种实施方式中，步骤S7具体包括：根据电价申报信息，采用多目标粒子群
算法求解方法对发用电一体化调度模型求解，以风光储联合发电系统模型的最优收益、电网侧系统最优收益及用户侧的最优收益作为目标函数；
[0061] 分别以可中断负荷、可转移负荷及电动汽车负荷三类用户侧负荷，得到三种负荷类型下风光储联合发电系统、电网侧及用户侧三者的最优收益。
[0062] 在一种实施方式中，采用多目标粒子群算法求解方法对发用电一体化调度模型求解，包括：
[0063] 步骤S7.1：利用纬度nlatitude、经度nlongitude、平均光照强度nlight_int、平均风速nwind_speed得到风力出力曲线、光伏出力曲线；利用每时刻原始负荷Pload(t)得到负荷曲线；获取模型求解的参数，包括风光储联合发电系统中风
电场的容量Pwind，光伏电站的容量Psolar，储能系统的容量Penergy，可中断负荷及可转移负荷的每个用户申请的电量Puser，电动汽车充放电功率Pelectric，可转移负荷及电动汽车充电申报电价时在分时电价的xi～xj内，可中断负荷及电动汽车放电申报电价时在分时电价的yi～yj内，t时刻并网电价cb(t)，t时刻购电电价cm(t)；
[0064] 步骤S7.2：初始化粒子群，具体包括：初始化t时刻每个用户的申报电价pdeclare及参与调度的三类用户数量Nusers，设置种群大小为N，
迭代次数为K，粒子维数为D，
加速度因子为c1、c2，随机数r1、r2，惯性权重w0；
[0065] 步骤S7.3：将第一目标函数、第二目标函数和第三目标函数作为多目标粒子群的适应度函数，将三个目标函数对应的约束条件作为多目标粒子群的约束条件；
[0066] 步骤S7.4：利用多目标粒子群算法求出符合要求的非劣解集；
[0067] 步骤S7.5：从得到的一系列非劣解中选取一组相对最优的解作为最终最优解，将输出最终最优解作为优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益；
[0068] 步骤S7.6：针对可转移负荷，重复执行步骤S7.1～7.5，输出最终的优化结果作为以可转移负荷为调度对象优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益；
[0069] 步骤S7.7：针对可中断负荷，重复执行步骤S7.1～7.5，输出最终的优化结果作为以可中断负荷为调度对象优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益；
[0070] 步骤S7.8：针对电动汽车负荷，重复执行步骤S7.1～7.5，输出最终的优化结果作为以电动汽车为调度对象优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益。
[0071] 在一种实施方式中，在步骤S7之后，所述方法还包括：判断调度结果是否满足要求，如果满足，则将调度结果反馈给用户，否则，返回步骤S5重新进行调度。
[0072] 本申请
实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
[0073] 本发明公开了一种基于风光储联合发电系统的发用电一体化调度方法，首先分别根据发电收益，建立风光储联合发电系统模型、根据向系统卖电的收益与并网成本的差值，建立电网侧模型、根据调度前后用户用电费用的变化情况，建立用户侧模型，用户侧模型包括第三目标函数和对应的约束条件；然后根据风光储联合发电系统模型、电网侧模型和用户侧模型，以风光储联合发电系统收益、电网侧收益和用户侧收益为优化目标，构建发用电一体化调度模型；接着在准备调度时，收集当前的负荷信息、光伏发电情况和风力发电情况，并根据光伏发电情况和风力发电情况计算风光发电量；再根据风光发电量与负荷之间的关系、电网电价是否高于阈值，确定申报电价的负荷类型，并由对应类型的负荷进行电价申报；最后根据电价申报信息，以第一目标函数、第二目标函数和第三目标函数为优化目标，利用发用电一体化调度模型进行调度，得到调度结果，其中，调度结果包括用户类型以及用户数量。
[0074] 由于本发明的方法构建了风光储联合发电系统模型、电网侧以及用户侧的一体化调度模型，加入可中断负荷、可转移负荷及电动汽车负荷等三类用户侧负荷参与调度，提出了一种用户侧信息申报机制，即由不同类型的符合进行电价申报，然后根据电价申报信息，以第一目标函数、第二目标函数和第三目标函数为优化目标，利用发用电一体化调度模型进行调度，得到调度结果，提高了用户侧与发电侧间的互动
水平，综合考虑了可调控负荷和电动汽车负荷，从而可以达到较好的调度效果。
[0075] 进一步地，分别考虑可中断负荷、可转移负荷及电动汽车三类用户侧负荷，得到三种情况下风光储联合发电系统、电网侧及用户侧三者的最优收益。本发明使三者的收益最优，对提高可再生能源消纳能力、优化发用电资源具有重要的现实意义。
附图说明
[0076] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
[0077] 图1为本发明风光储联合发电系统、电网侧及用户侧的互动关系图；
[0078] 图2为本发明实施例提供的一种基于风光储联合发电系统的发用电一体化调度方法的
流程图；
[0079] 图3为具体实施方式中发用电一体化调度的基本流程图；
[0080] 图4为本发明实施例中风光储联合发电系统结构图；
[0081] 图5为本发明实施例中发用电一体化调度模型计算流程图；
[0082] 图6为本发明实施例全年风速预测数据图；
[0083] 图7为本发明实施例全年光照强度预测数据图；
[0084] 图8为本发明实施例优化调度后的负荷曲线图；
[0085] 图9为本发明实施例每时刻参与调度的各类负荷功率曲线图；
[0086] 图10为本发明实施例并网电量、储能供电及购买电量曲线图；
[0087] 图11为本发明实施例不同种类负荷参与优化调度后的负荷曲线图。
具体实施方式
[0088] 本申请发明人通过大量的研究与实践发现：
[0089] 现有技术中，国内外对发用电一体化调度的研究主要以降低电网运行成本为目标，对于同时考虑以发电侧和用户侧收益为目标的研究较少，且从发电侧来看，大多数方法仅单独考虑风电系统、
光伏发电系统或传统的火力发电系统，而以风光储联合发电系统作为研究对象的较少；也有不少研究从用户侧角度出发，对可调控负荷和电动汽车负荷的调度问题进行了研究，但对可调控负荷及电动汽车的优化调度多是单独考虑的，综合考虑可调控负荷和电动汽车负荷的研究较少。
[0090] 而提高用户侧与发电侧间的互动水平，引导调动可调控负荷向风光发电量高的时段转移，是提高可再生能源消纳能力、优化发用电资源的有效途径之一。
[0091] 有鉴于此，本发明创新性地提出了一种发用电一体化的调度策略，对于提高用户侧与发电侧间的互动水平，对提高可再生能源消纳能力、优化发用电资源具有重要的现实意义。
[0092] 为了达到上述目的，本发明的主要构思如下：
[0093] 提出基于风光储联合发电系统的发用电一体化调度策略，加入可中断负荷、可转移负荷及电动汽车负荷等三类用户侧负荷申报来参与调度，建立以风光储联合发电系统、电网侧和用户侧三者收益为优化目标，风光发电利用率、用户电费支出满意度等为约束条件的发用电一体化调度模型。利用多目标粒子群算法求解模型，得到风光储联合发电系统、电网侧及用户侧三者的最优收益；分别考虑可中断负荷、可转移负荷及电动汽车三类用户侧负荷，得到三种情况下风光储联合发电系统、电网侧及用户侧三者的最优收益。本发明使三者的收益最优，对提高可再生能源消纳能力、优化发用电资源具有重要的现实意义。
[0094] 总体来说，本发明主要有三个方面的改进：
[0095] 第一，提出了一种优化调度策略，加入可中断负荷、可转移负荷及电动汽车负荷等三类用户侧负荷参与调度，引入用户侧信息申报机制，同时提出发用电一体化调度的基本流程；
[0096] 第二，建立了以风光储联合发电系统、电网侧和用户侧三者收益为优化目标的发用电一体化调度模型；
[0097] 第三，利用多目标粒子群算法求解模型，得到了风光储联合发电系统、电网侧及用户侧三者的最优收益；分别考虑可中断负荷、可转移负荷及电动汽车负荷等三类用户侧负荷，得到三种情况下风光储联合发电系统、电网侧及用户侧三者的最优收益。
[0098] 为使本发明实施例的目的、技术方案和优点更加清楚，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做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。
[0099] 本实施例提供了一种基于风光储联合发电系统的发用电一体化调度方法，请参见图2，该方法包括：
[0100] 步骤S1：根据发电收益，建立风光储联合发电系统模型，风光储联合发电系统模型包括第一目标函数和对应的约束条件。
[0101] 具体来说，风光储联合发电系统的发电收益，与用户负荷的收益、向电网购买的电量的支出和风光储联合发电系统的单位时间运行成本等相关，根据这些因素，可以构建以发电收益最优为第一目标函数的风光储联合发电系统模型。
[0102] 在一种实施方式中，步骤S1具体包括：
[0103] 步骤S1.1：根据发电收益最优构建风光储联合发电系统的第一目标函数F1：
[0104]
[0105] 其中， 表示t时刻参与调度的第i类用户负荷，i＝1表示可转移负荷，i＝2表示可中断负荷，i＝3表示电动汽车负荷；p(t)表示未参与调度的用户负荷；pb(t)为t时刻并网电量；pm(t)表示t时刻向电网购买的电量； 表示t时刻参与调度的第i类用户的申报电价；cb(t)表示t时刻并网电价；cm(t)表示t时刻购电电价；cb表示风光储联合发电系统的单位时间运行成本；Δt表示运行时长；
[0106] 步骤S1.2：确定风光储联合发电系统的约束条件，约束条件包括：
[0107] 剩余电量在设定范围内：
[0108] SOCmin≤SOC(t)≤SOCmax
[0109] 其中，SOC(t)为t时刻储能系统的荷电状态；SOCmin、SOCmax分别为储能系统的荷电状态的上下限；
[0110] 风光发电利用率小于或等于额定风光发电利用率：
[0111]
[0112] 其中，R为风光发电利用率；E(t)为t时刻风光提供给负荷的电量； 为t时刻调度后的负荷；Rr为额定风光发电利用率。
[0113] 在具体的实施过程中，SOCmin、SOCmax可以根据实际情况设置，例如可以通过如下公式进行计算：SOCmin＝0.5×300＝150MW、SOCmax＝0.9×300＝270MW。
[0114] 步骤S2：根据向系统卖电的收益与并网成本的差值，建立电网侧模型，电网侧模型包括第二目标函数和对应的约束条件。
[0115] 具体来说，电网侧收益最优，与向系统卖电的收益与并网成本的差值相关，从而构建以电网侧收益最优为第二目标函数的电网侧模型。
[0116] 在一种实施方式中，步骤S2具体包括：
[0117] 步骤S2.1：根据发电收益最优构建电网侧的第二目标函数F2：
[0118]
[0119] 其中，pm(t)表示t时刻向电网购买的电量，cm(t)表示t时刻购电电价，pb(t)为t时刻并网电量，cb(t)表示t时刻并网电价；
[0120] 步骤S2.2：确定电网侧的约束条件，约束条件包括：负荷方差小于或等于额定负荷方差：
[0121] μ≤μa
[0122]
[0123]
[0124] 其中，μ为负荷方差，μa为额定负荷方差，Pa为调度后的平均负荷。
[0125] 具体来说，为避免在调度时过度移峰，导致负荷“峰上加峰”，对负荷方差进行约束，则可以得到电网侧的上述约束条件。
[0126] 步骤S3：根据调度前后用户用电费用的变化情况，建立用户侧模型，用户侧模型包括第三目标函数和对应的约束条件。
[0127] 具体来说，用户侧收益最优，与调度前后用户用电费用的变化相关，从而构建以用户侧收益最优为第三目标函数的用户侧模型。
[0128] 在一种实施方式中，步骤S3具体包括：
[0129] 步骤S3.1：根据用户收益最优构建用户侧的第三目标函数F3：
[0130]
[0131] 其中，PL(t)为t时刻调度前的负荷，cb(t)表示t时刻并网电价， 表示t时刻参与调度的第i类用户负荷，i＝1表示可转移负荷，i＝2表示可中断负荷，i＝3表示电动汽车负荷；p(t)表示未参与调度的用户负荷；ci*(t)表示t时刻参与调度的第i类用户的申报电价；cb(t)表示t时刻并网电价；
[0132] 步骤S3.2：确定用户侧的约束条件，约束条件包括：
[0133] 可转移负荷上下限：
[0134]
[0135] 可转移负荷可转移时间的上下限：
[0136]
[0137] 一定时间周期内可转移负荷的总量保持不变：
[0138]
[0139] 可中断负荷的上下限：
[0140]
[0141] 可中断负荷可中断时间的上下限：
[0142]
[0143] 电动汽车荷电状态的上下限：
[0144] SOCEVmin≤SOCEV(t)≤SOCEVmax
[0145] 以及用户电费支出满意度：
[0146] s≤sr
[0147]
[0148] 其中， 表示t时刻参与调度的第i类用户负荷，i＝1表示可转移负荷，i＝2表示可中断负荷，i＝3表示电动汽车负荷；p(t)表示未参与调度的用户负荷； 表示t时刻参与调度的第i类用户的申报电价；cb(t)表示t时刻并网电价，PL(t)为t时刻调度前的负荷；Ptrb(t)、Ptrl(t)分别为t时刻转移前后总的可转移负荷； 分别为总的可转移负荷上in
下限； 分别为可转移负荷可转移时间范围的上下限；P (t)为t时刻总的可中断负荷； 分别为总的可中断负荷上下限， 分别为可中断负荷可中断时间范围
的上下限；SOCEVmin、SOCEVmax分别为电动汽车荷电状态的上下限，SOCEV(t)为t时刻电动汽车的荷电状态；s为用户电费支出满意度；sr为额定满意度。
[0149] 在具体实施过程中，上述各参数的取值可以是： 分别为总的可转移负荷上下限； 分别为可转移负荷可转移时间范围的上下限；Pin
(t)为t时刻总的可中断负荷； 分别为总的可中断负荷上下限；
分别为可中断负荷可中断时间范围的上下限；SOCEVmin、SOCEVmax分别为电
动汽车荷电状态的上下限；SOCEV(t)为t时刻电动汽车的荷电状态，其中SOCEVmin的大小为
电池额定容量的20％，SOCEVmax的大小为电池额定容量的90％；s为用户电费支出满意度；sr＝
1.5为额定满意度。上述参数可以根据实际情况进行设置，上述取值仅作为示例，不对保护范围进起到限定作用。
[0150] 步骤S4：根据风光储联合发电系统模型、电网侧模型和用户侧模型，以风光储联合发电系统收益、电网侧收益和用户侧收益为优化目标，构建发用电一体化调度模型。
[0151] 具体来说，请参见图1，发用电一体化调度模型包括风光储联合发电系统模型、电网侧模型和用户侧模型，即包括前文中的第一目标函数及其对应的约束条件、第二目标函数及其对应的约束条件以及第三目标函数及其对应的约束条件。
[0152] 步骤S5：在准备调度时，收集当前的负荷信息、光伏发电情况和风力发电情况，并根据光伏发电情况和风力发电情况计算风光发电量。
[0153] 步骤S6：根据风光发电量与负荷之间的关系、电网电价是否高于阈值，确定申报电价的负荷类型，并由对应类型的负荷进行电价申报。
[0154] 具体来说，风光储联合发电系统收集原始负荷信息，结合光伏发电和风力发电情况，判断风光发电量与负荷的大小，选择对应的调度策略。根据用户提交申报的负荷类型、时间点及电价，系统根据剩余或缺少的电量、合适的电价来选择用户的类型和用户数量，并衡量风光发电利用率、用户电费支出满意度等约束条件，使风光储联合发电系统、电网侧和用户侧的收益最优。若满足调度要求，系统将调度信息反馈给用户，用户根据反馈的信息进行响应。提出的调度策略能最大限度地考虑用户意愿，提高用户电费支出的满意度，同时也能提高风光储联合发电系统的安全性和经济性。
[0155] 在一种实施方式中，步骤S6具体包括：
[0156] 判断风光发电量是否大于负荷；
[0157] 当风光发电量大于负荷时，进一步判断电网电价是否高于阈值，如果高于，则采取并网的方式，如果不高于，则通过电动汽车负荷进行电价申报，其中，电价申报的信息包括申报的负荷类型、申报的时间节点、申报的电价以及荷电状态；
[0158] 当风光发电量不大于负荷时，进一步判断电网电价是否高于阈值，如果高于，则通过可调控负荷进行电价申报，其中，可调控负荷包括中断负荷和可转移负荷，电价申报的信息包括申报的负荷类型、申报的时间节点以及申报的电价；如果不高于，则采取向电网购电的方式。
[0159] 具体来说，请参见图3，风光储联合发电系统在运行过程中只可能有两种情况，风光发电量大于负荷和风光发电量小于负荷。因此，考虑风光发电量的实际出力以及负荷实际情况，按照下述的优化调度策略进行调度。
[0160] (1)当负荷小于风光发电量时，除了满足传统的负荷需求外，系统还会有剩余电量，剩余电量的调度有并网、储能系统储电和安排电动汽车充电三种方式。基于分时电价，若电网电价高，则并网；若电网电价低，则电动汽车负荷开始电价申报。该种方式由系统决定剩余
电能的调度方式。
[0161] (2)当负荷大于风光发电量时，对于不足的负荷部分，电能的调度有向电网购买、储能系统放电、安排电动汽车放电和负荷的中断、转移等多种方式。基于分时电价，若电网电价低，则向电网购买；若电网电价高，则选择储能系统放电；若还不能满足，电动汽车负荷、可中断负荷和可转移负荷开始申报电价，该种方式由系统决定不足负荷部分的调度方式。
[0162] 其中，上述过程中的用户侧信息申报机制(用户侧的负荷进行电价申报)具体说明如下：
[0163] 分时电价虽然在一定程度上可以改变用户的用户习惯，引导用户在低电价时用电，但在这种方式下发电侧和用电侧间缺乏直接的信息分享，难以有效地调度用户侧负荷，使风光消纳的效果有限，发电侧和用户侧的收益达不到平衡。所以，为了平衡收益，激励用户侧负荷更好地响应优化调度策略，采用用户自行申报电价。申报过程需要满足以下条件：(1)不考虑电力市场下的实时电价机制，为避免用户随意申报电价，用户在分时电价的
基础上在一定范围内进行申报；(2)对于可调控负荷，每个用户申报的电量保持恒定；(3)选取锂电池电动汽车作为调度对象，短时充电或放电对其造成的影响可以忽略不计，在用户申报后可任意调度；(4)用户每次申报参与调度的时长为1h，若要继续参与，则需重新申报其它时段。
[0164] 可调控负荷包括可中断负荷、可转移负荷等，电动汽车负荷作为一种特殊的可转移负荷，具有V2G(Vehicle-to-grid)功能，一般可转移负荷没有放电功能。故选择可中断负荷、可转移负荷及电动汽车负荷来参与调度，可调控负荷在申报时需要反映以下几个方面的信息：申报的负荷类型、申报的时间节点和申报的电价，电动汽车负荷用户在申报时除了反映上述信息外，还需要上传其荷电状态。申报的过程依托能源互联网平台，用户根据自身的特点和时间安排，向系统上传申报的类型和合适的时间点，并在一定的电价范围内进行电价申报。
[0165] 步骤S7：根据电价申报信息，以第一目标函数、第二目标函数和第三目标函数为优化目标，利用发用电一体化调度模型进行调度，得到调度结果，其中，调度结果包括用户类型以及用户数量。
[0166] 其中，步骤S7具体包括：根据电价申报信息，采用多目标粒子群算法求解方法对发用电一体化调度模型求解，以风光储联合发电系统模型的最优收益、电网侧系统最优收益及用户侧的最优收益作为目标函数；
[0167] 分别以可中断负荷、可转移负荷及电动汽车负荷三类用户侧负荷，得到三种负荷类型下风光储联合发电系统、电网侧及用户侧三者的最优收益。
[0168] 在一种实施方式中，采用多目标粒子群算法求解方法对发用电一体化调度模型求解，包括：
[0169] 步骤S7.1：利用纬度nlatitude、经度nlongitude、平均光照强度nlight_int、平均风速nwind_speed得到风力出力曲线、光伏出力曲线；利用每时刻原始负荷Pload(t)得到负荷曲线；获取模型求解的参数，包括风光储联合发电系统中风电场的容量Pwind，光伏电站的容量Psolar，储能系统的容量Penergy，可中断负荷及可转移负荷的每个用户申请的电量Puser，电动汽车充放电功率Pelectric，可转移负荷及电动汽车充电申报电价时在分时电价的xi～xj内，可中断负荷及电动汽车放电申报电价时在分时电价的yi～yj内，t时刻并网电价cb(t)，t时刻购电电价cm(t)；
[0170] 步骤S7.2：初始化粒子群，具体包括：初始化t时刻每个用户的申报电价pdeclare及参与调度的三类用户数量Nusers，设置种群大小为N，迭代次数为K，粒子维数为D，加速度因子为c1、c2，随机数r1、r2，惯性权重w0；
[0171] 步骤S7.3：将第一目标函数、第二目标函数和第三目标函数作为多目标粒子群的适应度函数，将三个目标函数对应的约束条件作为多目标粒子群的约束条件；
[0172] 步骤S7.4：利用多目标粒子群算法求出符合要求的非劣解集；
[0173] 步骤S7.5：从得到的一系列非劣解中选取一组相对最优的解作为最终最优解，将输出最终最优解作为优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益；
[0174] 步骤S7.6：针对可转移负荷，重复执行步骤S7.1～7.5，输出最终的优化结果作为以可转移负荷为调度对象优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益；
[0175] 步骤S7.7：针对可中断负荷，重复执行步骤S7.1～7.5，输出最终的优化结果作为以可中断负荷为调度对象优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益；
[0176] 步骤S7.8：针对电动汽车负荷，重复执行步骤S7.1～7.5，输出最终的优化结果作为以电动汽车为调度对象优化后的风光储联合发电系统、电网侧及用户侧三者的最优收益。
[0177] 具体来说，采用多目标粒子群算法求解方法对模型进行求解，一方面可以提高计算效率，另一方面可以得到较优的调度结果。
[0178] 请参考图4～图11，说明本发明的方法具体实施方式，图4为风光储联合发电系统结构图，图5为采用多目标粒子群算法求解方法对发用电一体化调度模型求解的计算流程图，图6、图7分别为本发明实施例全年风速预测数据图、全年光照强度预测数据图。
[0179] 在具体的实施过程中，参考前文中的发用电一体化调度模型，在求解过程中需要用到实际参数，其中利用纬度35°22′、经度105°1′、平均光照强度4.32kW/m2、平均风速4.87m/s得到风力、光伏出力曲线；利用每时刻原始负荷Pload(t)得到负荷曲线；模型中用到的数据包括风光储联合发电系统中风电场的容量1200MW，光伏电站的容量1600MW，储能系统的容量300MW，可中断负荷及可转移负荷的每个用户申请的电量2MW，电动汽车充放电功率30kW，可转移负荷及电动汽车充电申报电价时在分时电价的0.05～0.15内，可中断负荷及电动汽车放电申报电价时在分时电价的1.05～1.15内，峰时段(11：00-15：00，19：00-22：
00)并网电价为650元/(MW·h)，平时段(07：00-10：00，16：00-18：00，22：00-23：00)并网电价为380元/(MW·h)，谷时段(00：00-06：00)并网电价为130元/(MW·h)，峰时段(11：00-15：
00，19：00-22：00)购电电价为830元/(MW·h)，平时段(07：00-10：00，16：00-18：00，22：00-
23：00)购电电价为490元/(MW·h)，谷时段(00：00-06：00)购电电价为170元/(MW·h)等；
[0180] 然后，初始化粒子群，即初始化t＝24h每个用户的申报电价pdeclare及参与调度的三类用户数量Nusers，设置种群大小为N＝500，迭代次数为K＝150，粒子维数为D＝72，加速度因子为c1＝0.8、c2＝0.9，随机数r1＝0.5、r2＝0.5，惯性权重w0＝0.5；
[0181] 接下来根据前述参数执行步骤S3.4～S3.8从而得到最终的调度结果。
[0182] 在一种实施方式中，在步骤S7之后，所述方法还包括：判断调度结果是否满足要求，如果满足，则将调度结果反馈给用户，否则，返回步骤S5重新进行调度。
[0183] 具体来说，在将调度结果反馈给用户后，则可以进行负荷响应，至此调度结束。图8～图11为采用本发明的方法得到的相关的结果图，包括优化调度后的负荷曲线图、不同种类负荷参与优化调度后的负荷曲线图等。
[0184] 从上述附图中可以看出，与现有技术相比，本发明可以利用多目标粒子群算法求解发用电一体化调度模型，发用电一体化调度策略使三者的收益最优，能最大限度地考虑用户意愿，提高可再生能源消纳能力，优化发用电资源，在一定程度上对原始负荷起到了“
削峰填谷”的作用。
[0185] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和
修改。所以，所附
权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0186] 显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
