一种基于极限场景驱动的多能微网二阶段鲁棒优化方法

本发明涉及能源调度控制，具体为一种基于极限场景驱动的多能微网二阶段鲁棒优化方法。

背景技术：

1、近年来,随着环境污染和全球不可再生能源的短缺,可再生能源以风能、光能为首的发展已经刻不容缓。然而,可再生能源存在不可控性以及储能装置的充放电效率低、运行成本高等问题导致分布式电网发展缓慢。将可再生能源、储能装置以及微网相互耦合,形成新型的微网系统可以有效提高可再生能源利用率,实现多能间的协同运行。因此,如何全面考虑可再生能源的出力的不确定性以及尽可能地降低微网的运行成本,对提高微网的利用率具有重要的意义。

2、对于可再生能源出力的不确定性,目前优化的方法包括随机优化(stochasticoptimization,so)、鲁棒优化(robust optimization,ro)以及机会约束优化(chanceconstrained optimization,cco)等。so求解不确定性的可再生能源出力,具有求解速度快,但其求解规模不大,概率分布具有主观性。基于大量的可再生能源数据,给出可再生能源的概率分布密度曲线,并用蒙托卡洛对其进行抽样,采用so求解。但so不适合求解规模的大、复杂的信息数据,会造成求解困难且准确度低。cco需要采用区间法将不确定集转化为确定集后再进行优化,对其具备非凸约束的问题难以保证求解效率和全局最优性。

3、但也要看到，微网中风光不确定性一直是需要真正考虑的问题。今后微网在中国怎么发展，需要多少时间，会发展到什么程度，这些目前还没有清晰的答案。之所以这样，一个重要原因就是我们还没有看到任何典型的、经济可行的案例或模式，导致现在业界很难从物理层面和经济层面进行充分、直观的分析。

技术实现思路

1、本发明的目的在于提供一种基于极限场景驱动的多能微网二阶段鲁棒优化方法，用于确保所得日前调度策略可以适应风能出力的随机性，以保证系统的鲁棒性和可靠性，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于极限场景驱动的多能微网二阶段鲁棒优化方法，采用极限场景驱动算法构建风出力不确定集合,对含有云储能的多能微网进行优化,具体步骤如下：

4、s1：以微网运行成本最小化为目标，建立含有云储能的多能微网的两阶段鲁棒优化模型，并将子问题中最差的极限场景约束条件加入主问题中转化为单层问题求解；

5、s2：考虑风能出力的不确定性，采用极限场景法，第一阶段在考虑风能的预测场景下决策出多能微网各单元的出力值，从而在第二阶段的极限场景下对各单元的出力及时调整，确保预测精度；

6、s3：采用基于极限场景的列约束生成算法求解多能微网鲁棒调度问题。

7、更进一步地，s2中针对微网内风能的不确定性，以运行成本最小化建立多能微网日前调度模型：

8、

9、式中cmg为微网的总运行成本；δcmg为微网的调整量运行成本，ω1为预测场景中决策变量的集合，ω2为风变量出力不确定性集合，ω3为极限场景中决策变量的集合；

10、第一阶段的目标函数包括外网的购电成本、燃料成本、负荷需求成本以及云储能的日投资成本和维护成本；第二阶段的目标函数包括外网购买调整电量成本，gt和gb发电功率的上、下调整量成本以及最差风电场景调整量成本：

11、

12、

13、

14、

15、

16、

17、

18、式中分别为多能微网在t时刻与电网的交互费用、燃气费用、需求响应成本以及云储能成本；分别为多能微网在t时刻s场景下与电网的调整量、发电机组上/下调整量以及风调整量；和分别为在t时刻与电网的购/售电量的单位调度费用；和分别为在t时刻与电网的购/售电量以及调整量，s为场景号；α(t)为在t时刻与电网交互电功率的状态，取0或1；pfuel、和分别为多能微网燃气、转移电负荷、可削减电负荷和可削减热负荷的单位调度费用；和分别为在t时刻的燃气量、转移电负荷、可削减电负荷和可削减热负荷；和分别为租用云电、热储能容量、充放电最大功率的调度费用；和分别为在t时刻云电、热储能运行的单位调度费用；和分别为在t时刻云电、热储能的充放电功率和调整量,s为场景号；和分别为在t时刻云电、热储能的最大充放电功率以及最大储能容量；和在t时刻s场景下云电、热储能的储电、热量；和分别为在t时刻s场景下云电、热储能的充放电状态，取0或1；为在t时刻s场景下风的实际出力；和分别为在t时刻gt、gb产生的热、电上/下调功率，和分别为在t时刻gt、gb上/下调整热电功率的状态，取0或1，和分别为在t时刻多能微网的电、热负荷。

19、更进一步地，第一阶段的预测场景约束条件：

20、1)负荷约束：

21、

22、

23、式中和分别为在t时刻多能微网实际热、电负荷；分别为可转移电负荷和可削减电负荷比例系数；为可削减热负荷比例系数；时间间隔δt＝1,t＝24；

24、2)gt和gb约束：

25、

26、式中和分别为gt的热、电功率的上限值；ηgt和lgt分别为gt发电效率和热转换效率，为gb热功率的上限值；

27、3)风能出力约束：

28、

29、式中和分为为在t时刻风出力的实际值和预测值；

30、4)热、电功率平衡约束：

31、

32、5)与电网购售电功率约束：

33、

34、式中和分别为外电网购售电功率的上限值，α为外网购售电的二进制变量，式(17)对式(16)采用大m法求解,保证在与电网交易时，不会同时出现售购电；

35、8)云储能约束：

36、

37、

38、式中和分别为云电、热储能量的边界系数；分别为租赁云电、热储能量的上、下限；和分别为租赁云电、热储能充放电的上限；和分别为云储能的充放热电功率的布尔变量，保证储能装置不能同时充放电；和分别为云储能的充放热电功率效率；和分别为云储能热电储能量；和分别为云储能的充放热电功率；

39、式(18)为云电储能约束，式(19)为云热储能约束；

40、7)耗气量约束：

41、

42、

43、式中和分别为gt发电效率和gb炉的发热效率；和分别为在t时刻gt、gb的耗气量；ggas(t)为在t时刻多能微网的总耗气量。

44、更进一步地，第二阶段的极限场景约束条件：

45、1)gt调整量约束：

46、

47、

48、

49、

50、式中和分别为gt产生热、电功率的上下调整量；和分别为布尔变量，保证gt产生热、电功率不能同时上下调整；ηgt为gt的热电功率转换效率；lgt为天然气的燃烧热值，s为极限场景；

51、2)gb调整量约束：

52、

53、式中和分别为gb产生热功率的上下调整量；为布尔变量，保证gb产生热功率不能同时上下调整；

54、3)风能调整量约束：

55、

56、式中为极限场景下的风能出力；

57、4)热、电功率平衡调整量约束：

58、

59、

60、式中和分别为从外网购、售电的调整量；和分别为云储能充放热电功率的调整量；

61、5)与电网购售电功率调整量约束：

62、

63、

64、

65、式中和分别为与电网购售电功率调整量的上限值，式(31)为非线性约束，式(30)采用大m法等效变换；

66、6)云储能调整量约束：

67、

68、

69、式中：和分别为云热、电储能充放电功率调整量的上限。

70、5.如权利要求4所述的一种基于极限场景驱动的多能微网二阶段鲁棒优化方法，其特征在于，建立极限场景驱动的多能微网两阶段鲁棒调度模型(86)，在凸规划中,保证风能的极限场景在矩形空间的顶点,以及预测场景x∈ω1和微网决策变量的调整量ys∈ω3满足极限场景zs∈ω2，

71、

72、式中s为场景号；a、b为系数矩阵；h(·)、g(·)分别为调度模型(86)的不等式约束和等式约束。

73、更进一步地，s3中的问题形式分为：主问题为求解预测场景下多能微网最优日前调度策略，子问题则是通过极限场景法寻找在当前日前调度方案下的最恶劣场景，并将最恶劣场景的约束条件到主问题，影响预测场景中决策变化：

74、主问题形式：

75、

76、式中sd为最差的极限场景；η为多能微网中子问题最差极限场景中的运行成本；

77、子问题形式：

78、

79、式中x*为主问题预测场景中的日前调度的决策。

80、更进一步地，s3中的具体算法如下：

81、s301：设定下界lb＝－∞,ub＝+∞,算法迭代次数k＝1；

82、s302：求解主问题mp,得到日前调度最优解x*以及预测场景下主问题的运行成本,同时更新

83、s303：将主问题中最优解x*代入子问题中,求解极限场景下的子问题，若子问题有解，则求得到最差极限场景sd,并更新

84、δcmg,sd＝max(δcmg,1,δcmg,2,...,δcmg,s)       (38)

85、s304：如果满足式(39)，则迭代结束，输出日前调度决策；否则，将最恶劣极限场景sd对应的调度约束添加到主问题,k＝k+1,返回s302；

86、lb-ub≤ε         (39)

87、式中ε为收敛精度。

88、与现有技术相比，本发明的有益效果是：

89、1、本发明提供的一种基于极限场景驱动的多能微网二阶段鲁棒优化方法，对于风能的不确定性,本发明与预测场景、最差极限场景相比，本发明方法能够在预测场景的调度情况下,采用极限场景的参数对决策进行及时调整,保证在极限场景边界内的任意风能出力的随机性皆被考虑，保证了系统的鲁棒性。

90、2、本发明提供的一种基于极限场景驱动的多能微网二阶段鲁棒优化方法，从实验可以看出，利用租用的储能代替购置的储能,可以根据储能的利用率实时调整储能装置的额定容量、额定功率,且降低了储能装置的购买成本,从而降低了整个系统的运行成本。

91、3、本发明提供的一种基于极限场景驱动的多能微网二阶段鲁棒优化方法，对于含有风能的多能微网调度优化策略了来说,首先考虑风能预测场景下的微网优化,其次求出在极限场景下各发电单元出力调整量,能及时调整预测场景下的微网各单元的出力,虽然带来的运行成本要比较高，但能保证微网优化的可靠性。