本发明涉及电力系统运行与控制领域，具体涉及一种区域能源互联网不确定优化调度方法及系统。
背景技术：
主动配电网具有能主动调整潮流分布，管理多种分布式能源，提高分布式能源利用效率的优势。其中，通过柔性直流装置进行馈线互联，可完成互联网络间的功率交换，实现更大范围内可控资源的灵活调控，进一步提高对间歇式能源的消纳能力。随着高渗透率的分布式能源接入主动配电网，其随机性与波动性给配电网调度优化带来了许多不确定因素：首先，出力不确定性必然导致一定的预测误差，直接根据预测值产生的调度策略，其经济性及安全性都不能得到保证；其次，间歇式能源出力情况受天气影响较大，当环境突变导致出力剧烈波动，对下一级时间尺度的电网调度造成较大压力。在这种背景下，传统的确定性调度优化策略不再适用。目前已有部分研究将多场景技术应用于描述电网中间歇性分布式电源或不确定负荷波动，其中大部分只讨论了某一时间断面上的不确定性，或是考虑了多个断面，而忽略了相邻时间节点上功率波动的关联性，存在计算复杂，难以描述的不确定性问题。
综上所述，对于高渗透率分布式能源的主动配电网，亟需一种能有效描述其不确定性的调度策略，以应对网络中的不确定波动，进一步提高间歇式能源的消纳。
技术实现要素：
为了解决现有技术中所存在的上述不足，本发明提供一种区域能源互联网不确定优化调度方法及系统。
本发明提供的技术方案是：
一种区域能源互联网不确定优化调度方法，包括：
获取随机变量数据；
基于所述随机变量的误差概率分布生成多个场景；
对所述多个场景进行削减得到典型场景；
对所述典型场景进行处理获得离散组合优化场景；
根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。
优选地，所述基于所述随机变量的误差概率分布生成多个场景，包括：
将误差离散化为n个区间，每个区间所围面积分别为S1,t,S2,t…Sn,t，构成当前时刻的误差状态向量：其中，S1,t,S2,t…Sn,t代表每个区间发生的概率；
基于马尔科夫理论修正所述随机变量的误差状态向量；
对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景。
优选地，所述基于马尔科夫理论修正所述随机变量的状态向量，按下式计算：
式中，E表示一步状态转移矩阵，表示t＝t0时刻时的误差状态向量。
优选地，所述对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景，包括：
根据t时刻各误差状态概率，对所述误差状态向量进行随机抽样；
进行N次抽样后，构成状态矩阵其中各个区间的选中情况构成了一个长度为N的二进制向量(Xt)N×1，所述二进制向量(Xt)N×1中令xi(i＝1…n)表示误差区间的选中状态：若被选中，则xi＝1，否则xi＝0；
对所述状态矩阵通过蒙特卡洛抽样将所述状态矩阵构成t0-T时段的场景。
优选地，所述对多个场景进行削减得到典型场景，包括：
将所述多个场景采用模糊c均值聚类算法进行场景削减，并计算所述典型场景概率。
优选地，按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：
式中，U：隶属度矩阵，V为中心向量矩阵，C：典型场景数目，M0：原始场景数目，Vc：第c个聚类场景集的中心向量，Xi：第i个原始场景向量，μci：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度。
优选地，所述第c个聚类场景集的中心向量Vc概率，按下式计算：
式中，Nc：可聚类为中心向量Vc的场景数量。
优选地，所述典型场景概率进行处理获得离散组合优化场景，包括：
所述离散组合优化场景的概率，按下式计算：
式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M为组合场景个数；光伏电源发生第i个场景的概率，风机发生第k个场景的概率，负荷发生第j个场景的概率。
优选地，所述长时间不确定优化调度模型的目标函数包括：
全局总成本最低和网络节点电压的理想分布；
所述总成本按下式计算：
式中，λ1：总成本；εs：组合场景S发生的概率；c1：可调分布式电源成本；pDG,t：t时刻分布式电源发电功率；Δt：单位时间；c2：柔性直流装置调度成本；pVSC,t：t时刻柔性直流装置功率；cIL：可中断负荷成本；pIL,t：t时刻可中断负荷功率；cgrid：从上一级电网购买电量成本；pgrid,t：t时刻上一级电网传输功率；ce：供电收益；pL,t：t时刻供电负荷功率；closs：运行损耗成本；pline_loss,s：组合场景S时的网损功率；pVSC_loss,s：组合场景S时柔性直流装置的损耗功率；M：组合场景个数；T：长时间尺度优化时长；
所述网络节点电压按下式计算：
式中，λ2：平均电压偏离量；Nnode：节点数；ui,t,s：第i个节点在S场景下t时刻的电压偏差；T：长时间尺度优化时长；us,t：t时刻电压偏移，uiN：节点额定电压。
优选地，所述短时间滚动修正目标函数如下式：
式中，g：可调资源相对参考值偏差；T:短时间尺度优化时长；U为可调资源数量，pi,tres：第i个可调资源出力参考值；pi,t：第i个可调资源短时间尺度的优化结果；PGi：第i个可调资源额定功率。
优选地，所述获取随机变量数据，包括：获取风电出力、光伏出力以及波动性负荷。
本发明的另一目的在于提出一种区域能源互联网不确定优化调度系统，包括：获取模块、生成模块、削减模块、处理组合模块和确定模块；
所述获取模块，用于获取随机变量数据；
所述生成模块，用于基于所述随机变量的误差概率分布生成多个场景；
所述削减模块，用于对所述多个场景进行削减得到典型场景；
所述处理组合模块，用于对所述典型场景概率进行处理获得离散组合优化场景；
所述确定模块，用于根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。
优选地，所述生成模块，包括：划分子模块、修正子模块、抽样子模块；
划分子模块，用于将误差离散化为n个区间，每个区间所围面积分别为S1,t,S2,t…Sn,t，构成当前时刻的误差状态向量：其中，S1,t,S2,t…Sn,t代表每个区间发生的概率；
修正子模块，用于基于马尔科夫理论修正所述随机变量的误差状态向量；
抽样子模块，用于对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景。
优选地，所述削减模块，包括聚类子模块和计算子模块；
所述聚类子模块，用于按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：
式中，U：隶属度矩阵，V：中心向量矩阵，C：典型场景数目，M0：原始场景数目，Vc：第c个聚类场景集的中心向量，Xi：第i个原始场景向量，μci：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度；
所述计算子模块，用于按下式计算所述第c个聚类场景集的中心向量Vc概率：
式中，Nc：可聚类为中心向量Vc的场景数量。
优选地，所述处理组合模块，包括，
组合子模块，用于按下式计算所述离散组合优化场景的概率：
式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M：组合场景个数；光伏电源发生第i个场景的概率，风机发生第k个场景的概率，负荷发生第j个场景的概率。
优选地，所述确定模块，包括：长时间不确定优化调度模型和短时间滚动修正模型；
所述长时间不确定优化调度模型，用于计算全局总成本最低和网络节点电压的理想分布的目标函数；
所述短时间滚动修正模型，用于计算可调资源相对参考值偏差的目标函数。
与现有技术相比，本发明的有益效果为：
本发明的技术方案通过基于获取随机变量数据将随机变量的误差概率分布生成多个场景；对多个场景进行削减得到典型场景；并对所述典型场景进行处理获得离散组合优化场景；根据离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正，实现了利用多场景技术处理随机不确定性问题时，能够将复杂的、难以描述的不确定性问题转化为多个可能发生的确定性场景，从而简化求解难度，有助于提高分布式能源渗透率，应对间歇式能源的不确定波动，减轻下一级时间尺度的调度压力。
本发明的技术方案能够计及多个时间断面间不确定变量的误差相关性，将不确定问题有效描述为多个确定性场景，简化原问题。
附图说明
图1为本发明马尔科夫链-多场景技术的多时间尺度调度方法实施流程；
图2为本发明的场景削减流程图；
图3为本发明为本发明的场景生成步骤流程图。
图4为本发明一种区域能源互联网不确定优化调度方法流程图；
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
针对当前主动配电网的不确定调度问题，本发明计及主动配电网中不确定单元出力误差的时间关联性，提出了一种基于马尔科夫链-多场景技术的多时间尺度不确定调度模型。包括以下步骤：
首先建立所述结合马尔科夫链的场景生成模型，对风电出力、光伏出力及不确定负荷进行不确定抽样，产生大量场景；然后建立基于模糊c均值聚类算法的场景削减模型，对上述不确定场景进行削减得到典型场景；最后建立多时间尺度调度优化模型，即基于典型场景的长时间尺度主动配电网不确定优化调度模型和确定性的短时间滚动修正模型。
如图4所示的技术方案如下：
一、获取随机变量数据；
涉及的不确定性随机变量包括风机出力、光伏出力以及波动性负荷。
二、基于所述随机变量的误差概率分布生成多个场景；
场景生成基于随机变量的误差概率分布生成大量场景，描述不确定性。
已有研究表明，在某一时间断面t下，可再生能源出力与波动负荷的预测误差都能近似认为服从正态分布。将误差离散化为n个区间，每个区间所围面积分别为S1,t,S2,t…Sn,t，代表每个区间发生的概率，构成当前时刻的误差状态向量：
在时间尺度上，各时刻的不确定偏差之间具有一定关联性，从而影响原始的预测误差概率分布。由于马尔科夫链在风电、光伏出力序列模拟中表现出良好性能，可将随机预测误差随时间的变化过程看作马尔科夫过程，即在时刻tk误差状态已知的情况下，过程在时刻t(t＞tk)处的状态只与tk时刻的状态有关，而与tk之前的状态无关。故不确定出力误差状态模型可以表示为：
其中，Xt为t时刻的误差状态，Eij表示误差由状态i过渡到状态j的一步状态转移概率，可以由统计数据求得，如式(3)所示：
其中，xij为通过统计分析历史数据和数值天气预报数据由时段t的状态i转为时段t+1的状态j出现的次数。
考虑时间关联性后，时刻t误差状态向量mt可修正为：
其中，E为一步状态转移矩阵，有E＝[Eij]n×n，且
为t＝t0时刻时的误差状态向量。
基于马尔科夫理论修正的状态向量进行场景模拟，有利于提高后续场景削减的有效性和计算效率。
根据t时刻各误差状态概率，对其进行随机抽样。令xi(i＝1…n)表示误差区间的选中状态：若被选中，则xi＝1，否则xi＝0，则抽样场景可用一组二进制数表示。N次抽样后，各个区间的选中情况构成了一个长度为N的二进制向量(Xt)N×1。
由上述过程获取误差状态区间样本Xt，构成状态矩阵之后进行蒙特卡洛抽样。对于第i次抽样，依次从Xs中第w列随机抽样得到样本值Xiw，构成t0-T时段的场景。整个场景生成过程归纳如图3所示。
三、对所述多个场景进行削减得到典型场景；
采用模糊c均值聚类方法对大规模场景进行削减，以保证计算效率，按照式(5)为目标进行场景聚类。
其中，U为隶属度矩阵，V为中心向量矩阵，C表示典型场景数目，M0表示原始场景数目，Vc表示第c个聚类场景集的中心向量，Xi表示第i个原始场景向量，μci表示第i个场景向量到第c个聚类场景集的隶属度函数，m为收敛因子。将M0个原始场景划分到C个集合中，各聚类的中心向量作为典型场景替代其中的所有场景，典型场景概率即为聚类中所有场景的概率和。J表征了各个类别内部的场景与中心向量的相似程度，通过下面步骤完成对J的优化，确定中心向量Vc。
从图2可以看出场景聚类流程图，具体描述如下：
Step1：迭代次数h＝0，根据式(5)确定初始化隶属度函数μci(0)，U(0)＝[μci(0)]；
Step2：令h＝h+1,计算中心向量
Step3:更新各个场景的隶属度函数：
Step4：判断是否满足U(h)-U(h-1)＜ε，若是，则输出中心向量Vc，否则转入Step2。
聚类后可得中心向量Vc概率为：
式中，Nc为可聚类为中心向量Vc的场景数量。δc:第c个聚类场景集的中心向量Vc概率。
本发明构建了模糊聚类有效性指标PS，表达式如式(7)所示。式中第一项可表征类内紧凑程度，第二项表征类间疏离程度。其值越大，表示第c个聚类内部紧凑且与其他聚类间有较大差异。聚类过程中，由PS值确定最优典型场景数目C*，如式(8)所示。
其中，为所有典型场景的平均值。Vk表示第k个聚类场景集的中心向量。
四、对所述典型场景进行处理获得离散组合优化场景；
将各个随机变量对应的典型场景排列组合，获得一系列离散组合优化场景，作为后续的研究对象。组合场景发生概率为对应典型场景的概率积，即：
其中，其中I为光伏最优典型场景数目，K为风机最优典型场景数目，J为负荷最优典型场景数目，M为组合场景个数，即M＝I·K·J。表示光伏电源发生第i个场景的概率，同理。
五、根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。
本发明涉及两个时间尺度的调度优化模型：长时间尺度全局调度基于马尔科夫链-多场景技术所得典型场景及对应概率，得出联络线与VSC装置的计划出力，实现全局总成本最低和网络节点电压的理想分布；短时间尺度保持长时间尺度结果不变，修正其他可调资源，使其调整量相对参考值最小。
长时间尺度调度目标是实现全局总成本最低和网络节点电压的理想分布，表达式如式(10)-(11)。
λ1：总成本；εs：组合场景S发生的概率；c1：可调分布式电源成本；pDG,t：t时刻分布式电源发电功率；Δt：单位时间；c2：柔性直流装置调度成本；pVSC,t：t时刻柔性直流装置功率；cIL：可中断负荷成本；pIL,t：t时刻可中断负荷功率；cgrid：从上一级电网购买电量成本；pgrid,t：t时刻上一级电网传输功率；ce：供电收益；pL,t：t时刻供电负荷功率；closs：运行损耗成本；pline_loss,s：组合场景S时的网损功率；pVSC_loss,s：组合场景S时柔性直流装置的损耗功率；M：组合场景个数；T：长时间尺度优化时长；
λ2：平均电压偏离量；Nnode：节点数；ui,t,s：第i个节点在S场景下t时刻的电压偏差；T：长时间尺度优化时长。
式(10)为期望总成本的全概率表示形式，前五项分别为可调DG成本、柔性直流装置调度成本、可中断负荷成本、从上一级电网购买电量成本和供电收益，最后一项为由网损、VSC损耗带来的运行成本，εs为场景s的发生概率。式(11)为节点电压平均偏移量。其中，us,t为S场景下t时刻电压偏移，uiN为第i个节点额定电压。
长时间尺度约束条件包括功率平衡约束、功率不平衡量约束、各个可调单元出力约束、节点电压约束、柔性直流装置约束等。
短时间尺度保持联络线功率与柔性直流装置出力不变，以长时间尺度下可调资源出力值作为参考值，优化可调资源，目标函数设为可调资源相对参考值偏差最小，如式(12)，g为可调资源相对参考值偏差，T:短时间尺度优化时长。
U为可调资源数量，pi,tres为第i个可调资源出力参考值，即长时间尺度所得结果，pi,t为第i个可调资源短时间尺度的优化结果，PGi为第i个可调资源额定功率。
短时间尺度约束与长时间尺度约束类似，此外，增加了各个单元功率调整量的最大值约束。
下面结合图1，对本发明方法的实施方案详细描述。
图1中步骤1描述的是，本发明涉及的不确定性随机变量包括风机出力、光伏出力以及波动性负荷。对于t时间断面，基于随机变量的原始概率分布，结合马尔科夫链原理修正概率分布，随机抽样产生状态样本。转向步骤2；
图1中步骤2描述的是，判断当前状态抽样的时刻是否到达长时间尺度的控制周期，若是，则转向步骤3，否则转向步骤9；
图1中步骤3描述的是，依据已经抽样得到的t0-T时段的状态样本Xt(t＝t0…T)，构成状态矩阵进行蒙特卡洛抽样：对于第i次抽样，依次从Xs中第w列随机抽样得到样本值Xiw，构成t0-T时段的原始场景集，转向步骤4；
图1步骤4描述的是，获得原始场景后，根据模糊c均值聚类原理进行场景削减获得典型场景，以式(5)为目标，通过式(7)及式(8)确定最优的典型场景数目，按照step1-step4的步骤进行场景聚类，得到典型场景及各场景对应概率，再由式(9)确定组合场景及对应概率，后转向步骤5；
图1步骤5描述的是，本发明设置长时间尺度为4h，以式(10)及式(11)为目标，进行长时间尺度全局协调潮流分布的调度过程，约束条件包括功率平衡约束、功率不平衡量约束、节点电压约束、各个可调单元及可调负荷约束以及柔性直流装置约束，通过长时间尺度全局优化，可以得到联络线功率以及柔性直流装置出力，转向步骤6；
图1步骤6描述的是，本发明设置短时间尺度为1h，为保证区域内部的功率波动不影响与其相连的外部网络，保持长时间尺度下联络线功率与柔性直流装置出力不变，以其他可调单元出力作为参考值，以式(12)为目标，进行短时间尺度区域自控可调单元过程，得到一个时段内分布式电源、储能装置及可调负荷的功率，并下发，转向步骤7；
图1步骤7描述的是，判断短时间尺度优化是否进行至一个控制周期，若是，转向步骤8，否则转向步骤6继续进行下一时段的短时间尺度优化，本发明设置每间隔1h进行一次优化，实现滚动优化；
图1步骤8描述的是，更新历史数据，将风电、光伏及负荷的实际功率加入历史数据库中，并进行下一控制周期的风电、光伏及负荷的预测，转向步骤9；
图1步骤9描述的是，由统计数据按照式(3)求解新的误差转移矩阵，将误差转移矩阵传递给场景生成过程，转向步骤1。
本发明的另一目的在于提出一种区域能源互联网不确定优化调度系统，包括：获取模块、生成模块、削减模块、处理组合模块和确定模块；
下面对上述四个模块作进一步说明：
获取模块，用于获取随机变量数据；
生成模块，用于基于所述随机变量的误差概率分布生成多个场景；
削减模块，用于对所述多个场景进行削减得到典型场景；
处理组合模块，用于对所述典型场景概率进行处理获得离散组合优化场景；
所述确定模块，用于根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。
生成模块，包括：划分子模块、修正子模块、抽样子模块；
划分子模块，用于将误差离散化为n个区间，每个区间所围面积分别为S1,t,S2,t…Sn,t，构成当前时刻的误差状态向量：其中，S1,t,S2,t…Sn,t代表每个区间发生的概率；
修正子模块，用于基于马尔科夫理论修正所述随机变量的误差状态向量；
抽样子模块，用于对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景。
削减模块，包括：聚类子模块和计算子模块；
聚类子模块，用于按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：
式中，U：隶属度矩阵，V：中心向量矩阵，C：典型场景数目，M0：原始场景数目，Vc：第c个聚类场景集的中心向量，Xi：第i个原始场景向量，μci：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度；
计算子模块，用于所述第c个聚类场景集的中心向量Vc概率，按下式计算：
式中，Nc：可聚类为中心向量Vc的场景数量。
处理组合模块，包括，组合子模块
组合子模块，用于所述离散组合优化场景的概率，按下式计算：
式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M：组合场景个数；光伏电源发生第i个场景的概率，风机发生第k个场景的概率，负荷发生第j个场景的概率。
确定模块，包括：长时间不确定优化调度模型和短时间滚动修正模型；
长时间不确定优化调度模型，用于计算全局总成本最低和网络节点电压的理想分布的目标函数；
短时间滚动修正模型，用于计算可调资源相对参考值偏差的目标函数。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。