一种考虑风光不确定性的氢电耦合直流微网调度运行方法

本发明涉及氢电耦合直流微网调度运行，具体涉及一种考虑风光不确定性的氢电耦合直流微网调度运行方法。

背景技术：

1、可再生能源发电规模逐年创新高，但是由于风光发电具有间歇性与波动性，导致的本地无法消纳、长距离输电困难、弃风、弃光状况等问题突出。因此，高效利用可再生能源发电并缓解当前大规模的弃风、弃光现象，是一个亟需解决的难题。

2、通过微电网的能量管理，可以实现对各种能源和负载的协调和控制，以提高能源利用效率、降低能源成本，并增加供电的可靠性和灵活性。能量管理分为日前的协调优化调度和日内的实时控制，分别对应微网的预调度阶段和功率补偿阶段。氢电耦合直流微电网的调度优化运行旨在利用分布式电源供应稳定的电力给负载端，同时合理利用储能端和网侧的能量，吸收过剩的功率或补充不足的功率，以保证微电网经济高效、可靠运行。储能端和网侧可以通过变换器来调整功率分配，属于可控性机组。然而，光伏和风机发电出力受到自然条件的不确定性影响，因此分布式电源属于不可控机组。因此，在建立优化调度模型时，需要考虑到风光能源的不确定性。

3、现有技术存在以下问题：对于不同模式下的氢电耦合直流微网中氢储能和电化学储能的功率分配仍未达成明确的共识；传统的基于概率分布模型的场景生成方法难以在高维中深挖风光出力的分布特征、神经网络和支持向量机等方法巨大的计算量；确定性优化模型中，基于rb策略的调度方案的经济效益偏低；在恶劣场景中，未考虑风光不确定性的调度方案，其鲁棒性差，不能有效降低源荷波动带来的影响，会使用户和电网之间的不平衡量增大。

技术实现思路

1、本发明提出了一种考虑风光不确定性的氢电耦合直流微网调度运行方法，深挖氢电耦合直流微网经济、可靠运行的储能出力分配机理,使系统在并网模式下最大化产氢量，提高经济性，在离网模式下减少储能电池的充放电循环次数，降低运行成本，考虑到风光出力的不确定性，解决了现有技术预测误差较大，系统的鲁棒性较低等问题。

2、为解决上述技术问题，本发明提供了一种考虑风光不确定性的氢电耦合直流微网调度运行方法，包括以下步骤：

3、步骤s1：构建氢电耦合直流微网的成本目标函数以及约束条件；

4、步骤s2：将所述成本目标函数以及约束条件进行线性化处理，转化为整数型混合规划milp模型，对所述整数型混合规划milp模型进行求解，得到确定性优化模型；

5、步骤s3：基于风光不确定性建立不确定集，构造内层为所述确定性优化模型，外层为求解所述不确定集的两阶段鲁棒优化模型，将所述两阶段鲁棒优化模型进行简化并求解，得到最优调度方案。

6、优选地，步骤s1所述成本目标函数包括电网交互成本、储能电池运行成本、氢能组件运行成本以及负荷调度成本，所述成本目标函数的表达式为：

7、

8、式中，nt为调度时间跨度，cop，grid为电网交互成本，cop，bt为t时刻储能电池运行成本，j＝＝{el,fc}为电解槽和燃料电池的索引，cop，j(t)为t时刻j设备的运行成本，cdr(t)为负荷调度成本；

9、所述电网交互成本的表达式为：

10、

11、式中，mbuy(t)、msale(t)分别为t时刻购电和售电价格，分别为t时刻购电和售电功率；

12、所述储能电池运行成本的表达式为：

13、cop，bt(t)＝kbt(pbt，ch(t)·ηbt，ch+pbt，dc(t)/ηbt，dc)·δt；

14、式中，kbt为折算后的单次充放电运行成本；pbt，ch(t)、pbt，dc(t)分别表示t时刻电池充放电功率；ηbt，ch、ηbt，dc分别表示电池充放电效率，△t为储能电池的运行时间；

15、所述氢能组件运行成本的表达式为：

16、

17、式中，cstack，j为设备j的电堆费用；nh，tol，j、nstart，tol，j分别为设备j的工作时长寿命和启动次数寿命；uj(t)、σj(t)分别为j设备的工作状态和切换状态，σj(t)＝1时表示j设备处于启停的切换状态，且为t时刻j设备的氢气产生/消耗量；为氢气价格；

18、所述负荷调度成本的表达式为：

19、cdr(t)＝kdr|pdr(t)|·δt；

20、式中，kdr为折算的单位负荷调度成本，pdr(t)为t时刻转移的负荷量。

21、优选地，步骤s1所述目标函数约束条件包括储能电池约束、氢储能单元约束、负荷需求响应约束、电网功率交互约束以及热网功率约束；

22、所述储能电池约束的表达式为：

23、0≤pbt，ch(t)≤ub(t)pbt，max；

24、0≤pbt，dc(t)≤(1-ub(t))pbt，max；

25、

26、socmin≤soc(i)≤socmax

27、式中，ub(t)表示t时刻电池的充放电状态，ub(t)为1时表示电池处于充电状态，否则处于放电状态；pbt，max为电池的最大功率；soc(t)表示t时刻储能电池的荷电状态，socmax和socmin分别表示荷电状态的上下限；

28、所述氢储能单元约束的表达式为：

29、uel(t)·pel，min≤pel(t)≤uel(t)·pel，max；

30、ufc(t)·pfc，min≤pfc(t)≤ufc(t)·pfc，max；

31、sohmin≤soh(t)≤sohmax；

32、式中，pel，min、pel，max分别为电解槽的最低运行功率和额定功率；pfc，min、pfc，max分别为燃料电池的最低运行功率和额定功率；pel(t)、pfc(t)分别为t时刻电解槽和燃料电池的运行功率；uel(t)、ufc(t)分别表示t时刻电解槽和燃料电池的工作状态，为1时表示设备处于运行状态；soh(t)表示t时刻的氢气水平，sohmax和sohmin分别表示氢气水平的上下限；

33、所述负荷需求响应约束的表达式为：

34、

35、-pld(t)·drpmax≤pdr(t)≤pld(t)·drpmax；

36、

37、式中，为t时刻在需求响应加入下的负荷，pld(t)为负载功率，drpmax为负载转移系数；

38、所述电网功率交互约束的表达式为：

39、

40、

41、

42、

43、式中，ppv(t)为t时刻光伏阵列发电功率，pwt(t)为t时刻风机发电功率，pfc(t)为t时刻燃料电池发电功率，ugrid(t)为t时刻系统购电和售电状态，分别为t时刻购电和售电功率，pgrid，max为电网交互功率最大值；

44、所述热网功率约束的表达式为：

45、qel(t)+qfc(t)≥qld(t)；

46、式中，qel、qfc分别表示电解槽与燃料电池的产热量；qld(t)为t时刻的热负荷功率。

47、优选地，步骤s2所述整数型混合规划milp模型的表达式为：

48、

49、式中，x、y为优化变量，其中x＝[ub(t)，uel(t)，ufc(t)，ugrid(t)]t，为目标函数对应的列向量；d为功率和储能状态约束；k为功率平衡约束对应的列向量；f、g对应各设备运行约束；iu为状态变量约束；u为状态变量，u＝[ppv(t)，pwt(t)，pld(t)]t；s、d、h为常数列向量。

50、优选地，步骤s2将分支定界法和割平面法相结合，对整数型混合规划milp模型进行求解。

51、优选地，步骤s3包括以下步骤：

52、步骤s31：基于风光不确定性建立不确定集，构造内层为确定性优化模型，外层为求解不确定集的氢电耦合直流微网两阶段鲁棒优化模型；

53、步骤s32：将所述两阶段鲁棒优化模型分解为主问题与子问题，将所述子问题进行线性化处理，得到简化的两阶段鲁棒优化模型；

54、步骤s33：采用列和约束生成c&cg算法对所述简化的两阶段鲁棒优化模型进行求解。

55、优选地，步骤s31所述两阶段鲁棒优化模型为：

56、

57、式中，y为主问题决策变量，x为子问题决策变量；b、c为主问题决策变量的相关参数，u为子问题决策变量的相关参数；u为不确定集；m为系数矩阵；f(x，u)为优化变量y的可行域。

58、优选地，步骤s32所述主问题的表达式为：

59、

60、式中，η为最优解中子问题的目标函数的取值；

61、所述子问题的表达式为：

62、

63、优选地，步骤s32将子问题进行线性化处理的步骤包括：根据kkt条件将子问题内层的min问题转化为max问题，并与外层的max问题合并，得到子问题的等价形式；采用大m法，将所述子问题的等价形式转化为子问题的线性化形式。

64、优选地，所述子问题的线性化形式为：

65、

66、式中，v和w为辅助二进制变量。

67、本发明的有益效果至少包括：

68、1)提出的milp模型比基于规则的方法得出的系统调度方案更为经济，其中，milp模型通过最大化产氢量实现了系统在并网模式下的最佳经济化运行，通过调整储能电池和燃料电池的功率分配，减小了储能电池在离网模式下的充放电循环次数以减小运行成本；

69、2)处理含不确定参数的优化问题时,＝引入的不确定性调节变量，建立了考虑源荷不确定性的二阶段鲁棒优化模型，相比于随机规划方法，鲁棒优化不需要建立风光出力的预测模型，而是协调微电网经济性和鲁棒性，使微电网在最恶劣情况下保持可靠性运行。