文章解读与仿真程序复现思路——中国电机工程学报EI\CSCD\北大核心《计及需求响应与火–储深度调峰定价策略的电力系统双层优化调度》

这个标题似乎涉及到电力系统的双层优化调度问题，并考虑了两个关键方面：需求响应和火–储深度调峰定价策略。

1. 电力系统双层优化调度：这指的是在电力系统中进行优化调度的过程。双层优化可能意味着系统具有两个层次的决策过程，通常是指有上层和下层两个决策者（可能是市场运营商和参与市场的电力生产者/消费者），彼此可能存在互相影响的决策关系。

2. 需求响应：这是指在电力系统中，消费者或用户对电力需求的主动管理和调整。它可能涉及根据实际情况调整能源消耗模式，以在高峰期降低能耗或在低谷期增加能耗。

3. 火–储深度调峰定价策略：这可能指的是一种结合了火力发电、储能和深度调峰的定价策略。深度调峰是指在电力需求高峰时期，通过各种手段尽可能降低用电峰值，火–储指的是火力发电和储能系统，可能表示结合了传统发电和储能技术来实现对电力调度的优化。

因此，这个标题可能在讨论如何在电力系统中，通过双层优化调度的方式考虑需求响应和采用特定的火–储深度调峰定价策略，以达到电力系统运行的某种优化目标，可能是降低成本、提高效率或优化供需平衡等方面的优化。

摘要：风电并网容量不断增加,其波动性和反调峰特性增加了电力系统调峰负担,因此对电力系统调峰灵活性提出更高要求。在最大限度消纳风电的前提下,提出一种计及需求响应与火储深度调峰定价策略的电力系统双层优化方法。首先,分析需求响应对缓解电力系统调峰压力的有效性,并对电力系统深度调峰容量进行优化;其次,考虑火电与储能的成本特性,基于模糊层次分析法(fuzzyanalyticalhierarchy process,FAHP)给出火–储深度调峰定价策略;最后,基于需求响应与深度调峰定价策略建立电力系统双层优化模型,上层采用需求响应以降低电力系统深度调峰容量来提高火储深度调峰积极性;下层依托优化后的深度调峰容量,以深度调峰定价策略为手段对火电与储能的深度调峰报价进行决策,并以二者收益最大为目标安排深度调峰机组出力。在改进的IEEE 30节点中进行仿真,结果验证了所提方法的可行性与有效性。

这段摘要描述了一个针对电力系统中风电并网容量不断增加所引起的调峰问题的研究。以下是对摘要中各部分的解读：

1. 问题描述：风电并网容量的增加导致了电力系统中波动性和反调峰特性的上升，从而增加了系统的调峰负担。这使得对电力系统调峰灵活性提出了更高的要求。

2. 研究目标：在最大程度上消纳风电的前提下，提出了一种双层优化方法，考虑了需求响应和火储深度调峰定价策略，以优化电力系统的调峰能力。

3. 方法步骤：

   • 需求响应分析和深度调峰容量优化：首先，通过分析需求响应对缓解电力系统调峰压力的有效性，对电力系统的深度调峰容量进行了优化。
   • 火电与储能成本特性考虑：其次，考虑了火电与储能的成本特性，并使用模糊层次分析法（FAHP）制定了火–储深度调峰定价策略。

4. 建模与优化：

   • 建立双层优化模型：基于需求响应和深度调峰定价策略，建立了电力系统的双层优化模型。
   • 上层和下层决策：上层采用需求响应来减小电力系统深度调峰容量，以提高火储深度调峰积极性。下层则以优化后的深度调峰容量为基础，通过深度调峰定价策略对火电与储能进行决策，目标是使二者的收益最大。

5. 仿真验证：通过在改进的IEEE 30节点系统中进行仿真，验证了所提出方法的可行性和有效性。

总体而言，这项研究旨在通过考虑需求响应和深度调峰定价策略，以双层优化方法应对电力系统中由风电波动性引起的调峰挑战，同时最大程度地消纳风电。通过仿真验证，作者展示了该方法在提高系统灵活性和降低调峰负担方面的有效性。

关键词:深度调峰;储能电站;需求响应;定价策略;双层优化;

1. 深度调峰（Deep Peak Shaving）：这指的是在电力系统中对于调峰（Peak Shaving）的一种进一步的优化和深化。电力系统中的调峰通常是指在电力需求高峰期对电力进行调节，以平衡供需，而深度调峰则更进一步，可能涉及更复杂的技术和策略，以更灵活、高效地处理电力系统中的负载峰值。

2. 储能电站：这表示一种设备或系统，它能够将电力以各种形式（例如电池、抽水蓄能等）存储起来，以后在需要的时候释放。在电力系统中，储能电站可以用来平衡能源供应和需求之间的差异，提高系统的灵活性和稳定性。

3. 需求响应（Demand Response）：这是一种电力系统管理的策略，其中电力用户对电力需求进行调整，以响应电力系统的需求变化。这可以包括在电力需求高峰时段减少用电，或在供电稳定时增加用电，以提高系统的稳定性和效率。

4. 定价策略：这指的是在电力市场中制定的关于电力价格的策略。在这种情况下，特别是对于深度调峰，定价策略可能涉及到不同类型的电源（如火电、储能）的定价方式，以激励其在系统需要时提供更多的电力或进行深度调峰。

5. 双层优化（Two-level Optimization）：这表示在解决问题时采用的一种层次化的优化方法。在这个上下层结构中，上层可能涉及全局的系统优化目标，而下层可能包括更局部的、特定领域的优化，两者相互影响。在这个上下层结构中，可能存在一些相互依赖的变量和决策。在这个研究中，双层优化被用于同时考虑需求响应和深度调峰定价策略，以最大程度地优化电力系统的性能。

仿真算例：本算例通过对比分析不同场景的系统运行成 本及各部分成本的变化来验证所建模型的有效性， 同时，通过分析日前 24 个时段(1 时段/小时)，火– 储联合调峰出清结果，来验证所建模型的合理性。 4.1 算例参数 本文采用改进的 IEEE 30 节点系统进行算例分 析。该系统包括 6 台火电机组、一个储能电站和一 个风电场，如附录图 A1 所示。火电机组参数如附 录表 A1 所示。储能电站相关参数如附录表 A2 所 示。本文负荷、风电预测数据参考文献[22]，如附 录图 A2 所示。算例中，本文只有 200MW 火电机 组参与深度调峰，其在深度调峰时的相关参数[23] 如下： 1）机组常规调峰阶段的最低负荷率为 50%， 不投油深度调峰阶段的最低负荷率为 40%，投油深 度调峰阶段的最低负荷率为 30%。 2） 为火电机组运行影响系数，深度调峰阶段统一设k=1.2。 3）Nf(Pi,t)为转+子致裂循环周次，可由转子低周 疲劳曲线确定，关系式为 Nf(Pi,t) = 0.005778P3*i,t -2.682P2 i,t +484.8Pi,t - 8411。 4）S2 为机组购机成本，机组造价成本为 3464 元/kW；机组在投油深度调峰阶段的油耗量为 4.8t/h，油价为 6130 元/t。 5）根据机组污染物排放监控结果，200MW 火 电机组在深度调峰阶段，SO2 排放超标 10%，NOx 排放超标 12%。本实例中罚款金额设定为 NOx超标 罚款 842 元/(mg/m3 )，SO2 超标罚款 667 元/(mg/m3 )。 本文电池储能电站(BESPS)容量为 100MWh 接入算例系统，进行深度调峰，储能充放电费用为 20 元/(MWh)[24]。需注意的是，BESPS 选址定容是电网规划阶段需解决的问题，本文讨论的是深度调峰优化调度问题，因此，BESPS 的规划问题尚未展开研究。

仿真程序复现思路：

复现这个仿真涉及多个方面，包括建模、参数设置、算法设计和仿真实验。由于篇幅有限，以下是一个简化的示例，展示如何使用Python和一些常见的科学计算库来实现仿真的一部分。

import numpy as np
import matplotlib.pyplot as plt

# Define system parameters
min_load_regular = 0.5
min_load_no_oil = 0.4
min_load_with_oil = 0.3
beta = 1.2

def calculate_nf(P, t):
    return 0.005778 * P**3 * t - 2.682 * P**2 * t + 484.8 * P * t - 8411

unit_cost = 3464  # 元/kW
oil_consumption = 4.8  # t/h
oil_price = 6130  # 元/t

nox_exceed_fine = 842  # 元/(mg/m3)
so2_exceed_fine = 667  # 元/(mg/m3)

besps_capacity = 100  # MWh
charging_cost = 20  # 元/(MWh)

# Simulation function
def deep_peak_shaving_simulation(min_load, is_oil):
    # Simulate deep peak shaving process and calculate costs
    hours = 24
    total_cost = 0
    generation_cost = 0
    oil_cost = 0
    emission_fine = 0
    besps_cost = 0

    for hour in range(hours):
        # Assume some power generation and load values for each hour
        power_generation = np.random.uniform(150, 250)
        power_demand = np.random.uniform(100, 200)

        # Calculate load shedding
        load_shedding = max(0, power_generation - power_demand * min_load)

        # Calculate oil cost if applicable
        if is_oil:
            oil_cost += oil_consumption * oil_price

        # Calculate emission fine
        # For simplicity, assuming fixed exceedance in this example
        nox_exceedance = 0.12 * power_generation
        so2_exceedance = 0.1 * power_generation
        emission_fine += nox_exceedance * nox_exceed_fine + so2_exceedance * so2_exceed_fine

        # Calculate BEPS cost
        besps_cost += besps_capacity * charging_cost

    # Calculate total generation cost
    generation_cost = unit_cost * beta * power_generation

    # Calculate total cost
    total_cost = generation_cost + oil_cost + emission_fine + besps_cost

    return total_cost, generation_cost, oil_cost, emission_fine, besps_cost

# Run simulations for different scenarios
results_regular = deep_peak_shaving_simulation(min_load_regular, is_oil=False)
results_no_oil = deep_peak_shaving_simulation(min_load_no_oil, is_oil=False)
results_with_oil = deep_peak_shaving_simulation(min_load_with_oil, is_oil=True)

# Output results
print("Regular Scenario:")
print("Total Cost:", results_regular[0])
# ... (similarly for other scenarios)

# Plot total costs for different scenarios
scenarios = ['Regular', 'No Oil', 'With Oil']
total_costs = [results_regular[0], results_no_oil[0], results_with_oil[0]]

plt.bar(scenarios, total_costs)
plt.title('Total Cost Comparison')
plt.xlabel('Scenario')
plt.ylabel('Total Cost (元)')
plt.show()

请注意，这个例子中的许多值和计算都是为了演示目的而随机生成的，实际应用中需要使用真实的数据和更复杂的模型。此外，需要进一步验证和调整模型以确保其准确性。