本发明涉及区域能源互联网系统多能源协调优化运行调度领域，尤其涉及一种基于多场景随机规划和模型预测控制的能源互联网调度方法。
背景技术：
近年来，能源问题与环境问题日益凸显，清洁能源的开发和利用成为能源领域发展的必然趋势。而电力作为最主要的二次能源，以电网为依托，构建以风、光、气等多种能源为核心的综合能源供应体系势在必行。区域能源互联网通过对当地的可再生能源、分布式电源、储能、冷热电三联供等多种资源进行协调管理，有效解决多种分布式能源接入后产生的监控和调度困难，在能源转型过程中起到重要作用。
目前，传统的运行调度方法通常都是建立确定性模型的基础上，对机组运行进行开环控制，在外界干扰、可再生能源出力波动等不确定性影响下，会导致优化调度难以达到很好的效果。传统的运行调度方法具有以下缺点：
1、传统的能源系统运行调控，冷、热、电系统分别进行调度控制，系统间的耦合考虑不足，造成资源的浪费和运行成本增加。
2、对于风、光等可再生能源的不确定性，传统的确定性规划方法难以起到很好的效果，导致系统功率不平衡增加。
3、目前的电力系统、综合能源系统调度方法仍停留在开环的能量优化管理和控制上，在风、光等可再生能源及负荷存在预测误差的情况下，难以消除系统功率偏差，且受机组出力控制扰动影响较大。
因此，本领域的技术人员致力于开发一种基于多场景随机规划和模型预测控制的区域能源互联网协调调度方法来解决这一问题。
技术实现要素：
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是传统的能源系统运行调控对对于风、光等可再生能源的不确定性难以规划，机组出力控制扰动大，从而造成的资源的浪费和运行成本增加。
为实现上述目的，本发明提供了一种基于多场景随机规划和模型预测控制的区域能源互联网调度方法。
包括以下步骤：
(1)分析区域能源互联网内各机组、联络线的运行特性，构建各单元数学模型，
区域能源互联网基本框架如图2所示，各单元数学模型包括：
①常规发电机组出力模型，
式中，cg为常规发电机组发电成本；pg为常规发电机组发电功率；a、b、c为常规发电机组发电成本系数。
②快速启动机组出力模型，
式中，cf为快速启动机组发电成本；pf为快速启动机组发电功率；a、b、c为常规发电机组发电成本系数。
③储能系统荷电状态更新模型：
soct+1＝soct(1-δ)+pc,tηcδt/es-pd,tηdδt/ηdes
其中，soct为储能系统在t时刻的荷电状态；δ为储能系统的自放电率；pc,t和pd,t分别为储能系统在t时段的充电和放电功率；ηc和ηd分别为充电和放电效率；es为储能系统的容量。
④燃气轮机耗量模型：fmt＝pmtδt/ηmt,e
燃气轮机三阶效率模型：
式中，amt、bmt、cmt、dmt为燃气轮机效率系数；
⑤热回收系统出力模型：
其中，qrec为热回收系统提供的热功率；ηrec为热回收系统的回收效率；nmt为系统内燃气轮机数量。
⑥燃气锅炉耗量模型：fgb＝qgbδt/ηgb，
式中，fgb为燃气锅炉的天然气耗量；qgb为燃气锅炉的热功率；ηgb为燃气锅炉的效率。
⑦吸收式制冷机模型出力模型：
式中，qac为吸收式制冷机的制冷功率；
⑧电制冷机出力耗量模型：qec＝peccopec
式中，qec为电制冷机的制冷功率；pec为电制冷机消耗电功率；copec为电制冷机的能效比。
(2)分析风、光可再生能源的出力及冷、热、电负荷不确定性，采用场景生成和削减技术，生成优化调度所需运行的预测场景数据，
具体包括：
(2-1)分析风、光、负荷等随机变量的误差分布特性，采用蒙特卡洛抽样方法得到大量随机场景。具体如下：
①确定随机变量的分布函数，得到其误差的概率分布特性；
②对随机变量的误差概率分布函数进行积分得到误差累积分布函数
③根据随机变量误差的累积分布函数，采用轮盘赌法进行抽样生成场景，得到各场景下的随机变量偏差及其发生概率；
④将步骤③得到的各场景偏差值与随机变量预测值相加得到该场景下的随机变量取值；
⑤对所有随机变量，分别执行步骤①至④，将所有随机变量场景相结合得到最终系统运行的场景集，每个场景发生的概率等于该场景对应各随机变量独立场景发生概率的乘积。
(2-2)采用后向缩减法，对生成的随机场景进行削减，得到求解所需的场景集合。具体如下：
①计算目前保留的场景集内各场景之间的距离，ds,s'＝||ωs-ωs'||2
其中，ds,s'为场景s和场景s'之间的距离；||·||2为·的2范数；
②求得各场景到其他场景的最小距离：
③选择最小距离与该场景发生概率乘积最小的场景，将其从保留集中剔除：
④重复以上步骤直至剩余场景数量小于设定值为止。
(3)基于日前预测场景数据，建立以系统总运行成本最低为目标的日前调度随机规划模型，确定各机组的开停机状态。具体包括：
(3-1)获取日前尺度可再生能源出力预测及冷、热、电负荷功率预测场景数据；
(3-2)以系统总运行成本为目标建立系统日前调度随机规划模型，目标函数为：
其中，ns为场景数量，πs为场景s发生的概率；t为优化周期；δt为时间间隔；ng为常规发电机组数量；
(3-3)建立区域能源互联网日前调度约束条件
①功率平衡约束
式中，
②机组出力上下限约束
式中，
③发电机组爬坡率约束
其中，
④最小开停机时间约束
其中，
⑤储能系统约束
荷电状态更新约束
储能系统上下限约束
socmin≤soct,s≤socmax
充放电功率约束
充放电平衡约束
soct＝soc0
其中，soct,s为场景s下储能系统在t时刻的荷电状态值；δ为储能系统的自放电率；ηc和ηd分别为储能系统的充、放电效率；es为储能系统容量；
⑥热回收系统约束
其中，
⑦联络线功率约束
式中，
(3-4)求解优化问题得到日前调度结果，所述调度结果包括：快速启动机组、燃气轮机、燃气锅炉的开停机计划
(4)基于日内预测场景数据，遵照日前确定开停机状态，建立以系统总运行成本最低为目标的日内调度随机规划模型，确定各机组日内运行功率。
具体包括：
(4-1)获取日内尺度可再生能源出力预测及冷、热、电负荷功率预测场景数据；
(4-2)以系统总运行成本为目标建立系统日前调度随机规划模型，目标函数为：
(4-3)建立区域能源互联网日内调度约束条件，如上述步骤(3-3)中①②③⑤⑥⑦所述，且⑤不包含储能充放电平衡约束。
(4-4)求解优化问题得到日内调度结果，所述调度结果包括：常规发电机组出力
(5)基于实时预测场景数据，以日内优化结果为参考，采用模型预测控制技术建立日内实时滚动校正模型，修正各机组运行计划。
具体包括：
(5-1)获取实时尺度可再生能源出力预测及冷、热、电负荷功率预测场景数据，采样当前时刻系统内各单元运行状态；
(5-2)以所有场景下优化周期内各机组出力相对日内调度求得参考值偏差及实时调整量的期望之和最小为目标建立日内实时滚动校正模型，目标函数为：
其中，t为当前时刻；q和h为系数矩阵；δut+τ为各机组功率相对上一时段的增量；
xt+τ为有限时域内决策变量行向量，包含各机组功率及储能系统荷电状态；
(5-3)建立区域能源互联网实时校正约束条件：
①功率平衡约束
②机组出力上下限约束
式中，pmin和pmax分别为各机组运行状态的下限和上限。
③机组爬坡率约束
-δrd≤δut+τ≤δru
式中，δrd和δru分别为机组功率减小和增加的爬坡率。
④反馈校正约束
其中，p0t为t时段各机组功率在当前时刻的采样值；
⑤机组出力预测模型约束
其中，pt+τ为t+τ时段内各机组功率；
(5-4)求解优化问题得到实时校正调度结果，所述调度结果包括：快速启动机组出力
本发明提供了一种基于多场景随机规划和模型预测控制的区域能源互联网调度方法能够取得以下技术效果：
1、采用多时间尺度协调优化框架，不同尺度协调配合，逐级消除可再生能源出力及负荷功率预测误差的影响，日前、日内尺度采用经济调度，保证运行经济性，实时校正环节采用模型预测控制，实现出力平滑和负荷跟踪，保证调度鲁棒性；
2、针对可再生能源与负荷不确定性，采用多场景随机规划方法，采用场景描述不确定性变量，综合考虑可能的场景及发生概率求得最优调度策略，降低不确定性影响，具有较好的鲁棒性；
3、实时校正环节采用模型预测控制，在每一个采样时刻，基于当前系统的实际运行状态和最新预测数据，求解优化控制指令，实现系统的闭环能量管理，能够有效消除可再生能源、负荷不确定性和系统干扰的影响，实现负荷的精确跟踪和机组出力平滑，具有较强的动态性和鲁棒性。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是区域能源互联网组成及能量流动图；
图2是基于多场景随机规划和模型预测控制的区域能源互联网调度流程图；
图3是基于模型预测控制的实时校正流程；
图4是多时间尺度关系图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
如图1所示，一般的区域能源互联网包括风机1、常规发电机组2、快速发电机组14、光伏3、储能系统4、上级电网5、燃气轮机6、燃气锅炉7、热回收系统8、电制冷机9、吸收制冷机10、电负荷11、冷负荷12和热负荷13，图中实线表示电能传输，虚线表示热能传输，箭头表示传输方向，单向线头为单向传输，双向箭头为双向传输。
如图2所示，本发明提供一种基于多场景随机规划和模型预测控制的区域能源互联网协调调度方法，包括以下步骤：
(1)分析区域能源互联网内各机组、联络线的运行特性，构建各单元数学模型；
(2)分析风、光可再生能源的出力及冷、热、电负荷不确定性，采用场景生成和削减技术，生成优化调度所需运行的预测场景数据；
(3)基于日前预测场景数据，建立以系统总运行成本最低为目标的日前调度随机规划模型，确定各机组的开停机状态；
(4)基于日内预测场景数据，遵照日前确定开停机状态，建立以系统总运行成本最低为目标的日内调度随机规划模型，确定各机组日内运行功率；
(5)基于实时预测场景数据，以日内优化结果为参考，采用模型预测控制技术建立日内实时滚动校正模型，修正各机组运行计划。
进一步的，所述步骤(1)中，构建图1中各单元数学模型，包括：
①常规发电机组2出力模型，
式中，cg为常规发电机组发电成本；pg为常规发电机组发电功率；a、b、c为常规发电机组发电成本系数。
②快速启动机组14出力模型，
式中，cf为快速启动机组发电成本；pf为快速启动机组发电功率；a、b、c为常规发电机组发电成本系数。
③储能系统4荷电状态更新模型：soct+1＝soct(1-δ)+pc,tηcδt/es-pd,tηdδt/ηdes，其中，soct为储能系统在t时刻的荷电状态；δ为储能系统的自放电率；pc,t和pd,t分别为储能系统在t时段的充电和放电功率；ηc和ηd分别为充电和放电效率；es为储能系统的容量。
④燃气轮机6耗量模型：fmt＝pmtδt/ηmt,e，
燃气轮机6三阶效率模型：
式中，amt、bmt、cmt、dmt为燃气轮机效率系数；
⑤热回收系统8出力模型：
其中，qrec为热回收系统提供的热功率；ηrec为热回收系统的回收效率；nmt为系统内燃气轮机数量。
⑥燃气锅炉7耗量模型：fgb＝qgbδt/ηgb，
式中，fgb为燃气锅炉的天然气耗量；qgb为燃气锅炉的热功率；ηgb为燃气锅炉的效率。
⑦吸收式制冷机10模型出力模型：
式中，qac为吸收式制冷机的制冷功率；
⑧电制冷机9出力耗量模型：qec＝peccopec，
式中，qec为电制冷机的制冷功率；pec为电制冷机消耗电功率；copec为电制冷机的能效比。
具体地，所述步骤(2)包括：
(2-1)分析风、光、负荷等随机变量的误差分布特性，采用蒙特卡洛抽样方法得到大量随机场景；
(2-2)采用后向缩减法，对生成的随机场景进行削减，得到求解所需的场景集合。
进一步地，所述步骤(2-1)具体包括以下步骤：
①分析风、光、负荷历史数据，确定随机变量的分布函数，得到其误差的概率分布特性；
②对风、光、负荷的误差概率分布函数进行积分得到误差累积分布函数；
③根据风、光、负荷误差的累积分布函数，分别采用轮盘赌法进行抽样生成场景，得到各场景下的各随机变量误差及其发生概率；
④将步骤③得到的各场景偏差值与对应随机变量预测值相加得到该场景下的随机变量取值；
⑤对所有随机变量，分别执行步骤①至④，将风、光、负荷对应的场景相结合得到最终系统运行的场景集，每个场景发生的概率等于该场景对应风、光、负荷独立场景发生概率的乘积。
进一步地，所述步骤(2-2)具体包括一下步骤：
①计算目前保留的场景集内各场景之间的距离ds,s'＝||ωs-ωs'||2，其中，ds,s'为场景s和场景s'之间的距离；||·||2为·的2范数；
②求得各场景到其他场景的最小距离：
③选择最小距离与该场景发生概率乘积最小的场景，将其从保留集中剔除：
④重复以上步骤直至剩余场景数量小于设定值为止。
具体地，所述步骤(3)包括以下步骤：
(3-1)获取日前尺度可再生能源出力预测及冷、热、电负荷功率预测场景数据；
(3-2)以系统总运行成本为目标建立系统日前调度随机规划模型，目标函数为：
其中，ns为场景数量，πs为场景s发生的概率；t为优化周期，日前为24小时；δt为时间间隔，日前为1小时；ng为常规发电机组数量；
(3-3)建立区域能源互联网日前调度约束条件
①功率平衡约束
式中，
②机组出力上下限约束
式中，
③发电机组爬坡率约束
其中，
④最小开停机时间约束
其中，
⑤储能系统约束
荷电状态更新约束
储能系统上下限约束
socmin≤soct,s≤socmax
充放电功率约束
充放电平衡约束
soct＝soc0
其中，soct,s为场景s下储能系统在t时刻的荷电状态值；δ为储能系统的自放电率；ηc和ηd分别为储能系统的充、放电效率；es为储能系统容量；
⑥热回收系统约束
其中，
⑦联络线功率约束
式中，
(3-4)求解优化问题得到日前调度结果，所述调度结果包括：快速启动机组、燃气轮机、燃气锅炉的开停机计划
具体地，所述步骤(4)具体包括：
(4-1)获取日内尺度可再生能源出力预测及冷、热、电负荷功率预测场景数据；
(4-2)以系统总运行成本为目标建立系统日前调度随机规划模型，目标函数为：
(4-3)建立区域能源互联网日内调度约束条件，如上述步骤(3-3)中①②③⑤⑥⑦所述，且⑤不包含储能充放电平衡约束。
(4-4)求解优化问题得到日内调度结果，所述调度结果包括：常规发电机组出力
具体地，所述步骤(5)中，如图3所示，包括以下步骤：
(5-1)获取超短期可再生能源出力预测及冷、热、电负荷功率预测场景数据；
(5-2)获取日内调度计划参考值；
(5-3)采样当前时刻系统内各单元运行状态；
(5-4)基于模型预测控制进行实时滚动优化。以所有场景下优化周期内各机组出力相对日内调度求得参考值偏差及实时调整量的期望之和最小为目标建立日内实时滚动校正模型，目标函数为：
其中，t为当前时刻；q和h为系数矩阵；δut+τ为各机组功率相对上一时段的增量；xt+τ为有限时域内决策变量行向量，包含各机组功率及储能系统荷电状态；
区域能源互联网实时校正约束条件：
①功率平衡约束
②机组出力上下限约束
式中，pmin和pmax分别为各机组运行状态的下限和上限。
③机组爬坡率约束
-δrd≤δut+τ≤δru
式中，δrd和δru分别为机组功率减小和增加的爬坡率。
④反馈校正约束
其中，p0t为t时段各机组功率在当前时刻的采样值；
⑤机组出力预测模型约束
其中，pt+τ为t+τ时段内各机组功率；
(5-5)求解优化问题得到实时校正调度结果，所述调度结果包括：快速启动机组出力
本实施例中，如图4所示，日前尺度每24小时执行一次，优化周期为24小时，时间间隔为1小时；日内尺度每1小时执行一次，优化周期为1小时，时间间隔为15分钟；实时校正每5分钟执行一次，优化周期为15分钟，时间间隔为5分钟。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。