一种电热综合能源系统日前优化调度方法

1.本发明涉及电力系统和热力系统综合调控领域，更具体地说是一种电热综合能源系统日前优化调度方法。


背景技术：

2.电热综合能源系统将电力系统和热力系统相结合，通过协调调节热力系统和电力系统的出力满足系统中的热负荷和电负荷需求，尤其在具有供暖需求的北方地区，以热电联产机组为基础的电热综合能源系统得到了广泛应用。但是，电热综合能源系统中热电机组“以热定电”的运行方式限制了可再生能源风力发电的上网空间，随着风电出力并网比例的提高，电热综合能源系统协调优化调度面临新的挑战。
3.风电出力具有随机性、间歇性和波动性等不确定性，这对电热综合能源系统安全、可靠和运行带来了挑战。电热综合能源系统的协调优化调度根据调度时间尺度的长短可以分为日前调度，合理的调度优化方案可以应对系统不确定性，保证电热综合能源系统运行的可靠性和安全性，降低系统燃气消耗和煤耗。
4.近年来，先进的优化调度技术提高了系统的响应能力和性能，但是这些方法没有充分考虑系统中的不确定性因素，不能实现系统的最优调度。日前调度方式能够提前做出合理的调度安排，但是不能应对系统实时的不确定性。


技术实现要素：

5.为解决风电出力不确定性对电热综合能源系统的影响，本发明提供一种日前调度的优化调度方法。
6.一种电热综合能源系统日前优化调度方法，包括以下步骤：
7.步骤1：对历史风电出力数据进行特征分析，建立描述风电出力不确定性的概率分布模型；
8.步骤2：根据风电出力的环境因素和历史数据利用gru网络对负荷进行预测，得到日前各个调度时段的负荷预测值；
9.步骤3：建立电热综合能源系统中各组成部分的机组模型；
10.步骤4：根据步骤1的风电出力不确定模型，基于情景树结构描述系统中风电出力的不确定性；根据步骤2得到的日前各个调度时段的负荷预测值和步骤3建立的系统模型，利用随机模型预测控制方法求解得到电热综合能源系统的日前调度参数控制量；
11.步骤5：将日前调度参数控制量输出给供电、供热机组以及电加热锅炉，调控机组在每个调度时段的功率输出以及电加热锅炉的功率输入，实现系统的优化调度。
12.所述步骤1)具体为：
13.对风力发电的历史出力数据进行清洗和特征分析，得到风电出力数据的概率分布特征，建立风电出力的非高斯分布模型，得到的原始非高斯形式的风电功率分布模型的概率密度函数。
14.所述步骤2)具体为：
15.根据影响风电出力的环境因素和历史负荷数据，利用建立的预测网络结构对负荷进行训练和预测，输出日前的负荷需求预测值。
16.所述建立的网络结构包括依次连接的cnn层、gru网络、attention机制层；网络结构的输入为一个采样时刻下的风速、光照、温度和负荷，attention层的输出为日前各个调度时段的负荷预测值：k时刻系统用电负荷热负荷功率
17.所述电热综合能源系统包括电力系统和热力系统，二者通过热电机组进行耦合，热力系统由热电机组和电加热锅炉为热负荷提供热能，电力系统由热电机组、常规发电机组和风机为电负荷提供电能，同时，系统中还包括储能系统用于存储和释放电热综合能源系统的电能，分别建立各部分的机组模型。
18.所述各部分的机组模型包括：
19.(1)热电机组运行模型
[0020][0021]
其中，为第i套chp机组k时刻发电功率，η
gt
为chp机组中燃气轮机综合转化效率，h
ng
为天然气高热值，为第i套chp机组k时刻消耗的天然气流量，定热电比模式下，chp机组热功率与机组输出电功率有关，可表示为：
[0022][0023]
其中，为chp机组在k时刻的热功率；c
chp
为chp机组热电比；
[0024]
(2)电加热锅炉热运行模型
[0025][0026]
其中，为第i台电锅炉在k时刻的热功率，η
eb
为电锅炉的电热转换效率，为第i台电锅炉k时刻用电功率；
[0027]
(3)常规发电机组运行模型
[0028][0029]
其中，表示k时刻第i台常规发电机组的煤耗，表示常规发电机组的发电功率，ai，bi，ci表示与机组运行相关的系数；
[0030]
(4)储能系统模型
[0031]
电热综合能源系统调度中，储能系统具有响应速度快的特点能够补偿系统在干扰下的功率平衡偏差，是系统中的重要组成部分；储能系统充、放电功率模型可描述为：
[0032][0033]
其中，为第i个储能系统在k时刻的容量，δt表示单位调度时间间隔；为储能系统k时刻充放电功率；ηc与ηd分别为储能系统充电、放电效率；为储能系统k时刻充
放电状态，储能系统充电时放电时
[0034]
(5)设备运行约束
[0035]
电热综合能源系统内各部分机组设备在运行各时刻需满足自身功率上下限约束，表示为：
[0036][0037][0038][0039][0040][0041][0042]
其中，其中，分别表示第i台常规发电机组、chp机组、风电机组、储能设备、电锅炉的运行功率上下限值；和分别为储能系统充放电容量的最小值和最大值；ng,n
chp
,n
wt
,ne,n
eb
为系统内对应机组设备的数量；
[0043]
(6)功率变化率约束
[0044]
系统内各机组设备的控制运行需满足在安全范围内，定义系统内各机组设备的控制运行需满足在安全范围内，定义分别为常规发电机组、chp机组、风电机组、电锅炉在单位调度周期δt内的控制功率变化量，用于调控机组在每个调度时段的功率输出，需满足如下约束：
[0045][0046][0047][0048][0049]
其中，和和和和分别为第i台常规发电机组、chp机组、风电机组、电锅炉在单位调度周期δt内的功率变化上下限值；
[0050]
(7)电、热功率平衡约束
[0051]
电热综合能源系统运行过程中需要通过调整各机组设备的参数控制量来满足用户的电负荷与热负荷需求。系统的功率平衡约束为：
[0052]
[0053][0054]
其中，和分别为常规发电机组、风力发电机组在k时刻的发电功率；为k时刻系统用电负荷，为系统k时刻热负荷功率。
[0055]
所述根据步骤1)的风电出力不确定模型，基于情景树结构描述系统中风电出力的不确定性；包括以下步骤：
[0056]
根据步骤1)的风电出力非高斯分布模型，建立基于情景树结构的风电功率变化显式表达结构，得到不同风电功率情景s发生的概率ωs。
[0057]
所述根据步骤2)得到的日前各个调度时段的负荷预测值和步骤3)建立的系统模型，利用随机模型预测控制方法求解得到电热综合能源系统的日前调度的参数控制量，包括以下步骤：
[0058]
a.根据电热综合能源系统各个机组和设备的模型，建立基于模型预测控制mpc方法的优化问题模型；
[0059]
其中，选取k时刻系统内各机组设备的实时功率及储能系统容量为系统状态变量xk，选取单位调度周期δt内各设备功率变化量为系统优化控制参数变量uk，分别定义为：
[0060][0061][0062][0063]
电热综合能源调度系统运行过程中，在满足用户实时电、热负荷需求及系统内各机组和设备的自身运行约束条件下，以提高风电消纳、降低综合运行费用为目标，优化各设备参与调节供需平衡的发电、发热功率；
[0064]
电热综合能源调度系统的发电和发热设备的燃气耗量以及用电设备的购电费用分别表示为：
[0065][0066][0067]
其中，k表示当前时刻，r
ng
表示系统燃气购买价格，为系统购电电价；系统在k时刻的运行性能指标lk可表示为：
[0068]
[0069]
目标函数如下：
[0070][0071]
其中，j表示目标函数，n
p
为系统预测时域。其中：
[0072]
q＝diag{c1,c2,...,c
ng
,0,...,0}
[0073][0074][0075]
四个约束条件如下：
[0076]
s.t.x
k+j+1|k
＝a
·
x
k+j|k
+b
·uk+j|k
[0077][0078]
p
x
·
x
k+j|k
≤q
x
[0079]
pu·uk+j|k
≤qu[0080]
其中，第一个约束条件为电热综合能源系统的状态空间方程，其中
[0081][0082]
na＝ng+n
chp
+n
eb
+ne[0083]
nb＝ng+n
chp
+n
eb
[0084][0085]
其中，为第i套储能系统k时刻充电或放电效率；
[0086]
第二个约束条件是对系统模型中的电、热平衡约束方程的改写，其中：
[0087]
c＝[d
p
,dq]
t
,d＝[1,0]
t
[0088][0089][0090]
[0091][0092]
其中，为日前各时刻电热负荷预测值，w
k+j|k
为预测时域上风力发电功率值；
[0093]
第三和第四个约束条件描述机组设备的功率上下限约束及调度周期δt内的控制功率变化量约束，其中：
[0094][0095][0096][0097]
b.基于情景树模型，建立随机模型预测控制模型smpc，并求解得到电热综合能源系统日前调度方案；包括：
[0098]
k时刻，随机经济模型预测控制在预测时域上的控制变量可表示为：
[0099][0100]
其中，ns为情景树分支总数，即系统优化路径总数；s表示s-th情景树结构分支；j表示预测时域上j-th时刻。对应的预测状态变量为：
[0101][0102]
基于情景树对目标函数j进一步改进，得到ns组不同风电功率情景的概率ωs，并计算所有概率情景下系统运行性能指标的加权求和
[0103][0104]
其中，为电热综合能源系统的日前调度运行指标的加权和，ωs表示情景树得到的不同风电功率情景s下发生的概率，表示引入松弛变量后修正的性能指标，表示引入的松弛变量；
[0105]
对应的约束条件为：
[0106][0107][0108][0109][0110][0111][0112][0113]
求解上述随机模型预测控制问题，得到k时刻系统运行可以得到电热综合能源系统的日前优化调度策略下的机组参数控制量为：常规发电机组、chp机组、电锅炉在单位调度周期δt内的控制功率变化量：和储能系统的充放电功率
[0114]
一种电热综合能源系统日前优化调度系统，包括电力系统、热力系统、储能系统以及上位机控制器；所述热力系统包括热电机组和电加热锅炉，用于在控制器的指令下产出电热能量；所述电力系统包括热电机组、常规发电机组和风机，所述储能系统用于存储和释放电力系统的电能；所述上位机控制器包括处理器、存储器，存储器中存储有程序，处理器加载程序执行如上所述的方法步骤，获取常规发电机组、chp机组、电锅炉在单位调度周期δt内的控制功率变化量：以及储能系统的充放电功率输出给现场各个机组实现优化调度。
[0115]
本发明具有以下效果及优点：
[0116]
1.本发明提出从多个时间尺度对电热综合能源系统进行优化调度，降低了系统的弃风率和系统燃气消耗和煤耗。
[0117]
2.建立的随机模型预测控制方法，利用情景树结构表示系统风电出力不确定性，充分考虑了风电的随机变化情况，降低了风电随机性在系统优化调度中的干扰，提高了系统鲁棒性。
[0118]
3.本发明建立的模型和方法可用于电热综合能源系统的调度优化，考虑了日前风电出力预测的误差，为风电出力风电消纳和系统的可靠运行打下了基础。
附图说明
[0119]
图1是本发明方法的流程图；
[0120]
图2是本发明方法的gru预测预测网络结构图；
[0121]
图3是本发明方法的电热综合能源系统结构；
[0122]
图4是本发明方法的情景树结构；
具体实施方式
[0123]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方法做详细的说明，以便本领域的技术人员更好地理解本发明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0124]
除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0125]
如图1所示，电热综合能源系统日前优化调度方法，包括以下步骤：
[0126]
1)对风电出力数据进行特征分析，得到数据的分布特征，并建立风电出力不确定性的概率分布模型；
[0127]
2)根据风电出力的环境因素和历史负荷数据，利用gru网络对负荷进行预测，得到风电出力的日前各个调度时段的负荷预测值；
[0128]
3)建立电热综合能源系统中各组成部分的机组模型；
[0129]
4)根据步骤1)的风电出力不确定模型，基于情景树结构描述系统中风电出力的不确定性，根据步骤2)得到的日前各个调度时段的负荷预测值和步骤3)建立的系统机组模型，利用随机模型预测控制方法得到电热综合能源系统的日前调度方案；
[0130]
5)步骤5：将日前调度参数控制量输出给供电、供热机组以及电加热锅炉，调控机组在每个调度时段的功率输出，实现优化调度。日前优化调度策略下的机组参数控制量为：常规发电机组、chp机组、电锅炉在单位调度周期δt内的控制功率变化量：常规发电机组、chp机组、电锅炉在单位调度周期δt内的控制功率变化量：以及储能系统的充放电功率
[0131]
所述步骤1)中，本发明采用的数据集来源于caiso，该数据集包含2019年风电出力数据，负荷以及实时电价数据等，采样时间间隔为1小时。首先对历史风电出力数据进行清洗和预处理，采用插值的方法补全原始数据文件中缺失的数据，并对数据按照采样时间进行排序。然后基于python编程语言利用scikit-learn工具包对风电出力数据进行特征分
析。
[0132]
从风电出力数据的散点图可以看出，风电出力数据具有极强的不确定性，并且其分布不符合标准高斯分布，因此提出一种改进的风电非高斯概率变换模型，将不满足标准高斯分布的风电序列变换为满足标准高斯分布的新序列，变换模型表示为：
[0133][0134]
其中，非线性变换函数fi(
·
)将第i台风电机组历史非高斯分布序列p
wt,i
变换为高斯分布序列ψ1,ψ2,ψ3为变换参数，且ψ1,ψ2≥0。因此，变换后序列可表示为如下高斯分布模型：
[0135][0136]
根据公式上面计算得到的原始非高斯形式的风电功率分布模型的概率密度函数可表示为：
[0137][0138]
由于实际风电功率值均大于等于零，因此非线性变换函数fi在定义域上单调，即反函数在可行域内存在数值解，对于每一个符合上述公式的高斯分布随机值，均能找到一个符合该风电序列原始分布的值与之对应。
[0139]
所述步骤2)中，gru是一种特殊的rnn，它具有与lstm类似的结构，参考附图2，gru用更新门代替lstm的输入门和遗忘门，接入重置门来判断前一时刻的神经元隐含层输出有多少被重置。门单元的减少使得gru具有更少的训练次数，提高了训练的速度，也使得其比lstm具有更好地预测效果。
[0140]
为了提高预测精度，在gru之前加入cnn卷积网络用于处理历史数据，并在gru之后加入attention机制，进一步提高gru网络对信息相关性的学习能力，提高预测精度。
[0141]
用于gru训练的数据集为2019年全年的与风电出力相关的环境因素以及负荷数据，共8760行，每一行代表一个采样时刻下的风速、光照、温度和负荷需求样本。选择每个月前20天的数据作为训练集，共5760行，剩余天数的数据作为测试集，共3000行。每个样本包含过去24小时的历史风速、光照和温度数据，共75列。
[0142]
首先将输入层接到cnn层，计算数据特征：
[0143]
yk＝f(x
k-1uk-1
+xkuk+x
k+1uk+1
+bk)
[0144]
式中yk表示k时刻的特征值输出，xk表示k时刻的数据样本值，是一个四维向量，即代表一个采样时刻下的风速、光照、温度和负荷，uk表示k时刻的卷积核值，bk为常量。
[0145]
然后将cnn层的输出作为gru网络的输入，网络中每个隐含层的运算过程如下：
[0146]rk
＝σ(wr*h
k-1
+ur*yk+br)
[0147]
zk＝σ(wz*h
k-1
+uz*yk+bz)
[0148]
式中的σ表示激活函数，br和bz分别表示重置门rk和更新门zk的偏置常量，wr，ur，wz，uz分别表示gru网络需要训练的参数。输入当前时刻的特征数据yk通过重置门rk和更新
门zk，分别决定前一时刻的隐含层状态h
k-1
有多少信息被遗忘和有多少信息传递到当前时刻的隐含层hk中。
[0149]
得到门控信息后，将重置门信息rk与前一时刻隐含层状态h
k-1
进行hadamard乘积用来决定上一时刻隐含层h
k-1
的信息有多少将被遗忘，得到的重置信息与当前时刻的输入yk结合放入激活函数tanh中。
[0150]h′k＝tanh(wc*(rk*h
k-1
)+uc*yk+bc)
[0151]
式中的tanh为激活函数，bc表示遗忘门的偏置常量。wc，uc为网络训练的参数矩阵。
[0152]
最后根据先前得到的更新门z
t
确定当前时刻的隐含层h
t
。
[0153]hk
＝(1-z
t
)*h
k-1
+z
t
*h
′k[0154]
在gru网络层之后接入attention机制，用来学习gru网络的输出数据。attention层的输出即为最终的日前各个调度时段的负荷预测值。
[0155]
对比gru网络和lstm网络的预测结果，预测精度提高了14.25％。
[0156]
所述步骤3)中，电热综合能源系统包括热力系统和电力系统，热力系统由热电机组、电加热锅炉为热负荷提供热能，电力系统由热电机组、常规发电机组和风机为电负荷以及电加热锅炉提供电能，热力系统和电力系统通过热电机组进行耦合，同时，系统中还包含储能系统用于保证电力系统的供需平衡，各部分的机组模型如下。电热综合能源系统结构如附图3所示。
[0157]
(1)热电机组运行模型
[0158][0159]
其中，为第i套chp机组k时刻发电功率，η
gt
为chp机组中燃气轮机综合转化效率，h
ng
为天然气高热值，为第i套chp机组k时刻消耗的天然气流量，定热电比模式下，chp机组热功率与机组输出电功率有关，可表示为：
[0160][0161]
其中，为chp机组在k时刻的热功率；c
chp
为chp机组热电比。
[0162]
(2)电加热锅炉热功率输出
[0163][0164]
其中，为电锅炉在k时刻的热功率，η
eb
为电锅炉的电热转换效率，为第i台电锅炉k时刻用电功率。
[0165]
(3)常规发电机组运行模型
[0166][0167]
其中，表示k时刻第i台常规发电机组的煤耗，系数ai,bi,ci表示与机组运行相关的参数。
[0168]
(4)储能系统模型
[0169]
电热综合能源系统调度中，利用储能系统响应速度快的特点能够补偿系统在干扰下的功率平衡偏差，是系统中的重要组成部分。储能系统充放电功率模型可描述为：
[0170][0171]
其中，为第i个储能系统k时刻容量；为储能系统k时刻充放电功率；ηc与ηd分别为储能系统充电、放电效率；为储能系统k时刻充放电状态，储能系统充电时放电时
[0172]
(5)设备运行约束
[0173]
电热综合能源系统内各部分机组设备在运行各时刻需满足自身功率上下限约束，表示为：
[0174][0175][0176][0177][0178][0179][0180]
其中，其中，分别表示第i台常规发电机组、chp机组、风电机组、储能设备、电锅炉的运行功率上下限值；和分别为储能系统充放电容量的最小值和最大值。
[0181]
(6)功率变化率约束
[0182]
系统内各机组设备的控制运行需满足在安全范围内，定义系统内各机组设备的控制运行需满足在安全范围内，定义分别为常规发电机组、chp机组、风电机组、电锅炉在单位调度周期t内的功率变化，需满足如下约束：
[0183][0184][0185][0186][0187]
其中，和和和和分别为第i台常规发电机组、chp机组、风电机组、电锅炉在单位调度周期δt内的功率变化上下限值。
[0188]
(7)电、热功率平衡约束
[0189]
电热综合能源系统运行过程中需要通过调整各机组设备的参数控制量来满足用户的电负荷与热负荷需求。系统的功率平衡约束为：
[0190][0191][0192]
其中，和分别为常规发电机组、风力发电机组在k时刻的发电功率；为k时刻系统用电负荷；ng,n
chp
,n
wt
,ne,n
eb
为系统内对应机组设备的数量。为系统k时刻热负荷功率。
[0193]
所述步骤4)中,基于情景树结构的随机模型预测控制方法，使用情景树结构描述风电的随机变化情况，基于步骤1)建立的风电出力变换模型选取情景树分支可以更准确的描述风电功率变化特征，然后使用模型预测控制方法进行求解，该方法表示了系统未来时刻的控制量输出依赖于之前时刻风电出力的不确定程度，是一种闭环的鲁棒控制策略。
[0194]
参考附图3，系统k时刻的状态xk在不同风电功率随机量的作用下产生n条情景树分支，对应系统在k+1时刻的n个不同运行状态类似地，情景树在k+1时刻的状态时刻的状态也存在n个分支，对应系统在k+1时刻的状态下的个不同运行状态系统从k时刻至k+2时刻共存在n2个分支，依此类推。为了防止情景过多导致的计算量呈指数型增长，选择合适的鲁棒时域nr≤n
p
以及情景树单个节点分支数n，并使不确定性变量在鲁棒时域后保持不变，在保证闭环性能的同时，降低计算负荷。
[0195]
附图3中的情景树结构虽然无法表示风电功率变化的所有可能性，但根据历史风电功率信息设计一种有效选取各节点分支情景的方法，可以更好的表征未来时刻系统不确定动态变化情况。由于实际风电功率输出序列不满足标准高斯分布，且无法用一种已知分布进行建模。因此，提出一种改进的风电非高斯概率变换模型：
[0196][0197]
其中，选取k时刻系统内各机组设备的实时功率及储能系统容量为系统状态变量xk，选取单位调度周期δt内各设备功率变化量为系统优化控制参数变量uk，分别定义为：
[0198]
[0199][0200]
电热综合能源调度系统运行过程中，在满足用户实时电、热负荷需求及系统内各机组和设备的自身运行约束条件下，以提高风电消纳、降低综合运行费用为目标，优化各设备参与调节供需平衡的发电、发热功率。
[0201]
电热综合能源调度系统的发电和发热设备的燃气耗量以及用电设备的购电费用分别表示为：
[0202][0203][0204]
其中，k表示当前时刻，r
ng
表示系统燃气购买价格，为系统购电电价；系统在k时刻的运行性能指标lk可表示为：
[0205][0206]
目标函数如下：
[0207][0208]
其中，j表示目标函数，n
p
为系统预测时域。其中：
[0209][0210][0211][0212]
四个约束条件如下：
[0213]
s.t.x
k+j+1|k
＝a
·
x
k+j|k
+b
·uk+j|k
[0214][0215]
p
x
·
x
k+j|k
≤q
x
[0216]
pu·uk+j|k
≤qu[0217]
其中，第一个约束条件为电热综合能源系统的状态空间方程，其中：
[0218][0219]
na＝ng+n
chp
+n
eb
+ne[0220]
nb＝ng+n
chp
+n
eb
[0221][0222]
其中，为第i套储能系统k时刻充电或放电效率。
[0223]
第二个约束条件为系统的电热平衡方程，其中：
[0224]
c＝[d
p
,dq]
t
,d＝[1,0]
t
[0225][0226][0227][0228][0229]
其中，为日前各时刻电热负荷预测值，w
k+j|k
为预测时域上风力发电功率值。
[0230]
第三和第四个约束条件是对机组设备的功率上下限约束及调度周期δt内的功率变化量约束的改写，其中：
[0231][0232][0233][0234]
b.基于情景树模型，得到组不同风电功率下的情景，建立随机模型预测控制模型smpc，并求解得到电热综合能源系统日前调度方案；包括：
[0235]
k时刻，随机经济模型预测控制在预测时域上的控制变量可表示为：
[0236][0237]
其中，ns为情景树分支总数，即系统优化路径总数；s表示s-th情景树结构分支；j表示预测时域上j-th时刻。对应的预测状态变量为：
[0238][0239]
基于情景树对目标函数j进一步改进，得到ns组不同风电功率情景的概率ωs，并计算所有概率情景下系统运行性能指标的加权求和
[0240][0241]
其中，为最终输出的电热综合能源系统在ns组不同风电功率情景下性能指标的加权求和，ωs表示情景树得到的不同风电功率情景s下发生的概率，表示引入松弛变量后修正的性能指标，表示引入的松弛变量，λ为惩罚因子。
[0242]
对应的约束条件为：
[0243][0244][0245]
系统在任意一种不确定情景下均需满足约束：
[0246][0247]
[0248]
由于系统无法准确预测未来时刻不确定变量的大小，就无法据此选择相应控制量，因此在每个情景树节点处采用相同的控制变量uk，来满足风速的“未来不可测性”，即系统的“不可测约束”：
[0249][0250][0251][0252]
附图4中不确定变量为系统在状态xk时的n个风电功率不确定性变量的可能取值。本发明设定鲁棒时域中每一个节点处场景分支数相同。每天96个采样点，选取预测时域n
p
为96，即提前24小时(日前)调度，每个时间间隔δt为15min。采用基于casadi技术的ipopt求解上述随机模型预测控制问题，得到k时刻系统运行可以得到电热综合能源系统的日前优化调度策略下的机组参数控制量。硬件环境为intel core i5-7400,6g ram，matlab2018a。
[0253]
综上，本发明提供一种电热综合能源系统日前优化调度方法，该方法考虑风电出力的不确定性，对风电出力历史数据分析得到了风电出力不确定性的概率分布模型；随后利用gru对负荷进行预测；然后根据预测得到的日前负荷数据，利用随机预测控制方法得到日前的调度方案该日前调度方法能够在保证系统的可靠性和安全性的前提下提高可再生能源风电出力的消纳，降低系统的煤耗。
[0254]
尽管本发明的内容在上述实例做了详细的介绍，但本发明的应用范围不限于此。对本领域的技术人员来讲，只要系统规模和复杂程度不超出权利要求限定范围，都是可行的。