(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111589745.2 (22)申请日 2021.12.23 (71)申请人 国网江苏省电力有限公司经济技 术 研究院 地址 210008 江苏省南京市 鼓楼区中山路 251号 (72)发明人 范逸斐　何大瑞　郑嘉琪　田方媛　 孙建龙　李妍　王球　阮梦　张敏　 (74)专利代理 机构 南京华恒专利代理事务所 (普通合伙) 32335 专利代理师 宋方园 (51)Int.Cl. H02J 3/46(2006.01) H02J 3/28(2006.01) G06F 30/20(2020.01)G06Q 50/06(2012.01) G06F 16/27(2019.01) (54)发明名称 一种基于区块链技术的风光并网调度优化 方法 (57)摘要 本发明公开了一种基于区块链技术的风光 并网调度优化方法， 步骤1给出风电决策模型； 步 骤2给出光伏决策模型； 步骤3给出火电决策模 型； 步骤4建立风光消纳决策模型； 步骤5综合考 虑了系统成本、 风光消纳， 建立基于区块链技术 的风光并网调度优化模型。 本发 明综合区块链节 点决策模型， 可实现区块链节点的出力值， 促使 各电源的决策行为向有利于电网运行的方向运 作。 同时减少了风电、 光伏的弃风、 弃光量， 提高 电网的风电、 光伏接纳能力。 权利要求书2页 说明书6页 附图2页 CN 115149584 A 2022.10.04 CN 115149584 A 1.一种基于区块链技 术的风光并网调度优化方法， 其特 征在于， 具体步骤为： 步骤1、 相关参数的设置和采集； 风电、 光伏相关参数： k1(t)、 k2(t)为函数系数， 风电不确定出力PWU.t， 储能成本系数kE (t)， 权重系数ζt， 风电编号j， 调度时段t， 风电成本CW.jt， 光伏编号z， 弃光惩罚费用CPV,zt、 失 负荷惩罚费用CLOSS,zt， 单位弃光惩罚费用CPV， 弃光电量EPV,zt， 单位失负荷惩罚费用CLOSS， 失 负荷电量ELOSS,zt， 波动补偿成本CR,zt， 波动补偿费用系数KH， 光伏出力波动上限PDET， 光伏出 力PS,zt， 储能出力PB,zt， 经储能补偿后 光伏出力波动PS‑B,zt， 波动补偿功率PJ,zt， 下一时段光 伏出力PS,zt+1， 光伏成本 CS.zt， 风电数量 NW， 光伏数量 NS， 风光渗透率AR， 风电预测出力PW,jt； 火电相关参数： 线性化成本函数系数ai， 火电编号i， 火电出力PG.it， 火电成本CG.it， 调度 周期m， 火电数量NG， 目标函数C， 目标函数的综合权重λSy‑i、 层次分析法权重λAHP‑i、 熵权法权 重λEM‑i， 各个子目标函数的权重系数λSy‑1、 λSy‑2， 且λSy‑1+λSy‑2＝1， 储能输出功率PE.t， 负荷量 PD.t， 火电出力上限、 下限 火电出力上升率、 下降率 t‑1时段火电出力 PG.i(t‑1)； 步骤2、 根据步骤1风电、 光伏相 关参数的设置， 在此基础上得出风电决策模型、 光伏决 策模型； 步骤3、 根据步骤1相关参数的设置， 在此基础上得出火电决策模型、 风光消纳决策模 型； 步骤4、 由步骤2、 3得到基于区块链技术的风光并网调度优化模型， 根据调度优化目标 函数及约束条件获得一个周期内各机组的出力。 2.根据权利要求1所述的基于区块链技术的风光并网调度优化方法， 其特征在于， 所述 的步骤2中风电决策模型为： CW.jt＝kE(t)(1‑ζt)PWU.t+k1(t)ζtPWU.t+k2(t)( ζtPWU.t)2， 其中， CW.jt： 风电成本， k1(t)、 k2(t)： 函数系数， PWU.t： 风电不确定出力， kE(t)： 储能成本 系数， ζt： 权重系数； 光伏决策模型为： CS.zt＝CPV,zt+CLOSS,zt+CR,zt， CPV,zt＝CPVEPV,zt， CLOSS,zt＝CLOSSELOSS,zt， CR,zt＝KHPJ,zt， PS‑B,zt＝|PS,zt+1‑PS,zt+PB,zt|， 其中， CS.zt： 光伏成本， CPV,zt： 弃光惩罚费用， CLOSS,zt： 失负荷惩罚费用， CPV： 单位弃光惩 罚费用， EPV,zt： 弃光电量， CLOSS： 单位失负荷惩罚费用， ELOSS,zt： 失负荷电量， KH： 波动补偿费用 系数， CR,zt： 波动补偿成本， PDET： 光伏出力波动上限， PS,zt： 光伏出力， PB,zt： 储能出力， PS‑B,zt： 经储能补偿后光伏出力波动， PJ,zt： 波动补偿功率， PS,zt+1： 下一时段光伏出力。 3.根据权利要求1所述的基于区块链技术的风光并网调度优化方法， 其特征在于， 所述 的步骤3中火电决策模型为：权　利　要　求　书 1/2 页 2 CN 115149584 A 2火电成本 CG.it的数学模型如下式： CG.it＝aiPG.it， 其中， CG.it： 火电成本， ai： 线性化成本函数系数， PG.it： 火电出力； 风光消纳决策模型为： 其中， AR： 风光渗透率， PW,jt： 风电预测出力， m： 调度周期， t： 调度时段， NG： 火电数量， NW： 风电数量， NS： 光伏数量； j： 风电编号， z： 光伏编 号， i： 火电编号， PG.it： 火电出力， PS,zt： 光伏 出力。 4.根据权利要求1所述的基于区块链技术的风光并网调度优化方法， 其特征在于， 所述 的步骤4中基于区块链技 术的风光并网调度优化模型为： 其中， C： 目标函数,CX： 总发电成本， AR： 风光渗透率， m： 调度周期， t： 调度时段， NG： 火电 数量， NW： 风电数量， NS： 光伏数量； j： 风电编号， z： 光伏编号， i： 火电编号， CW.jt： 风电成本， CS.zt： 光伏成本， CG.it： 火电成本， λSy‑i： 目标函数的综合权重， λAHP‑i： 层次分析法权重， λEM‑i： 熵权法权重， λSy‑1、 λSy‑2： 各个子目标函数的权重系数， 且 λSy‑1+λSy‑2＝1； PE.t： 储能输出功率； PD.t： 负荷量。 PG.it： 火电出力， PS,zt： 光伏出力， PB,zt： 储能出力， PW,jt： 风电预测出力， 火电出力上限、 下限， 火电出力上升率、 下降率， PG.i(t‑1)： t‑1时段火 电出力。权　利　要　求　书 2/2 页 3 CN 115149584 A 3