广域分布式源荷柔性聚合调控方法与流程

本发明属于分布式源荷，具体涉及广域分布式源荷柔性聚合调控方法。

背景技术：

1、农村能源网络分布较为分散，分布式资源集群响应配电网控制需求时，其运行方式、出力响应特性、控制调节的快慢特性、电压灵敏度特性等均随时间动态变化，如何平衡集群聚合的结构性及风险性是衡量集群划分的关键；现代乡村能源系统与原始乡村能源系统相比，供给侧向能源“身边取”与“外部来”结合转变，能源自给率提升，呈现分布式、点多面广、容量较小等特征；消费侧向电气化、低碳化、智慧化转变，产消者占比增加，呈现分布分散、负荷密度低、需求多样等特征。直接控制海量分布式能源、异构分散式柔性负载不现实，当前乡村可控对象少、控制手段匮乏；因此，提供一种考虑灵活单元划分、构建分散源荷集群聚合模型、分散源荷动态聚合优化的广域分布式源荷柔性聚合调控方法是非常有必要的。

技术实现思路

1、本发明的目的是为了克服现有技术的不足，而提供一种考虑灵活单元划分、构建分散源荷集群聚合模型、分散源荷动态聚合优化的广域分布式源荷柔性聚合调控方法。

2、本发明的目的是这样实现的：广域分布式源荷柔性聚合调控方法，所述的方法包括以下步骤：

3、步骤1：考虑灵活单元划分的分散源荷集群聚合分析：提出灵活性边界概念，各类能源设备可以选择不同区域能源网络进行能量供给，实现区域能源网络的容量再配置，实现多区域能源网络间能量自治平衡；

4、步骤2：构建基于灵活性边界构建乡村分散源荷集群聚合模型：通过考虑wpp、pv、mt、ess和al的出力限值约束，建立分散源荷集群聚合策略模型；同时，决策者可根据自身对由对结构性或者功能性的需求，调整相关机组参数，从而达到获取符合决策者需求的集群划分方案；

5、步骤3：采用分散源荷动态聚合优化方法：综合考虑集群聚合结构性指标和功能性指标，以系统的划分方式为变量，在尽可能实现各集群区域自治调控的基础上，建立分散源荷集群聚合策略模型；

6、步骤4：采用基于广义凸包不确定集合的集群快速计算方法：提出高维多时段可再生能源电站出力空间，将多个可再生能源全天的出力作为一个历史数据点输入模型，并以历史数据点集的凸包描述可再生能源出力的不确定性。

7、所述的步骤2中的构建基于灵活性边界构建乡村分散源荷集群聚合模型具体包括以下步骤：

8、步骤2.1：结构性指标：选择基于电气距离的模块度指标描述分散源荷集群聚合结构性，其中，模块度指标主要是指网络任选两节点落入同一区域的概率，具体如下：式中：为模块度指标；mi、mj分别表示与节点i、节点j相连的边权之和；δ(i,j)表示节点和节点的区域关系，当节点i和节点j在同一区域，δ(i,j)＝1，反之δ(i,j)＝0；m表示网络中所有边权之和；n表示系统节点数；dij表示节点i和节点j之间的电气距离，需采用牛顿-拉夫逊法计算出各节点电压灵敏度，并依此进行空间电气距离的计算，具体公式如下：式中：sik、sjk分别表示灵敏度矩阵中第i行第k列、第j行第k列的元素，由潮流计算中雅可比矩阵求逆可求得各节点电压灵敏度；均表示第k列元素的最大值；

9、步骤2.2：功能性指标标：其中，结构性指标选择基于电气距离的模块度指标，而功能性指标则选择有功功率平衡度、灵活性供需平衡指标、概率性灵活性风险指标。

10、所述的步骤2.2中的功能性指标标具体包括以下步骤：

11、步骤2.21：有功功率平衡度指标：为反映在一定时间尺度下分散源荷集群内部源-荷程度，本节基于净负荷功率来计算有功功率平衡度指标，具体如下：式中：表示有功功率平衡度指标；s表示集群总数；t表示调度周期；ls,t表示集群s在时刻t的净负荷功率值，若ls,t＜0，则表示为集群富余功率；

12、步骤2.22：灵活性平衡指标：为反映在一定时间尺度下分散源荷集群可调用各类灵活性资源满足净负荷波动的能力，引入灵活性供需平衡指标和灵活性平衡时间指标，首先计算爬坡灵活性缺额，具体如下：

13、

14、式中：表示集群s在响应时间长度为τ的向上(+)、向下(-)调节灵活性的缺额程度；表示时刻t净负荷的爬坡功率；ls,t表示时刻t的净负荷需求；表示分散源荷集群s在时刻t可提供的灵活性爬坡功率；表示mt、al和ess在时刻可提供的向上(+)、向下(-)灵活性爬坡功率；τ表示响应时间长度；根据上式确立的分散源荷集群灵活性爬坡功率缺额，分别计算灵活性供需平衡指标和灵活性平衡时间指标，具体计算如下：式中：分别表示需电厂集群的灵活性平衡指标和灵活性平衡时间指标；表示满足的累计时间值；

15、步骤2.23：灵活性概率风险指标：利用正态分布描述集群净负荷需求的概率分布，并提出基于条件概率的灵活性概率风险指标，具体计算如下：式中：表示分散源荷集群灵活性概率风险指标；表示集群s在时刻t的灵活性概率风险指标；表示考虑不确定性时的集群在时刻的净负荷爬坡功率；ρ(ls,t)表示时刻净负荷需求取值的概率值。

16、所述的步骤3中的采用分散源荷动态聚合优化方法具体为：综合考虑集群聚合结构性指标和功能性指标，以系统的划分方式为变量，在尽可能实现各集群区域自治调控的基础上，建立分散源荷集群聚合策略模型，具体目标函数如下：式中：表示分散源荷集群聚合目标；λstr、λfun分别表示结构性指标和功能性指标权重，λstr取值越大，则集群结构性越好，λfun越大，则集群功能性越好。

17、所述的步骤3中的分散源荷灵活性供给主要源于mt、al和ess，在进行分散源荷集群聚合时，需明确集群内部不同单元可提供的灵活性能力，具体灵活性出力建模包括以下步骤：

18、步骤3.1：mt灵活性出力建模：对于mt来说，其可提供的灵活性调节出力取决于机组的额定容量、最小技术出力、爬坡功率因素，能够提供向上(+)、向下(-)双向调节能力，具体建模如下：式中：表示mt的最大和最小出力；表示mt的向上、向下爬坡功率；

19、步骤3.2：ess灵活性出力建模：对ess来说，其可提供的灵活性调节出力取决于充放电功率和容量两个因素，能够提供向上(+)、向下(-)双向调节能力，具体建模如下：式中：表示ess最大充电和放电功率；表示ess最小容量百分比；

20、步骤3.3：al灵活性出力建模：对al来说，其可提供的灵活性调节出力主要是通过可中断负荷、可调节负荷两种方式，可用主动参与需求响应的负荷比例来反应，具体建模如下：式中：表示时刻t可中断负荷、可激励负荷的总量；表示时刻t可中断负荷、可激励负荷主动参与需求响应的比例；表示中断负荷、可激励负荷的最大调节量；根据上述公式，综合考虑wpp、pv、mt、ess和al的出力限值约束，可建立分散源荷集群聚合策略模型；同时，决策者可根据自身对由对结构性或者功能性的需求，调整λstr、λfun，从而获取符合决策者需求的集群划分方案。

21、所述的步骤4中的采用基于广义凸包不确定集合的集群快速计算方法具体包括以下步骤：

22、步骤4.1：两阶段鲁棒机组组合模型；

23、步骤4.2：基于数据驱动的不确定集合建模；

24、步骤4.3：求解算法。

25、所述的步骤4.1：两阶段鲁棒机组组合模型具体为：所提出的两阶段鲁棒日前调度模型的数学表达式可以表示为式(18)-(20)形式：s.t.x＝{u,v,i}∈x,yf＝{pg,f}∈y(x,ωf)(19)，式中：vi,t/ui,t为表征机组启动/关闭的0/1整数变量；i为表征机组状态的0/1整数变量；t为调度时段；ng为火电机组个数；为第i台火电机组的启动/关闭费用；函数f(·)为火电机组煤耗费用，可以采用分段线性函数表示；为预测场景f下火电机组i在t时刻出力值；pg,s为在任意新能源场站出力场景s下对应的火电机组出力；决策向量x为0/1整数变量u,v,i的集合；域x为向量x的定义域；向量ωf/ωs为随机向量在预测场景f/任意场景s下的新能源场站出力值；域y(x,ωf)、y(x,ωs)为决策向量yf/ys的定义域；决策向量yf/ys为变量pg,f/pg,s的集合；为描述不确定向量ω的不确定集合；在模型(18)-(20)中，式(18)为预测场景下的发电成本；约束(19)为预测场景f下的机组运行约束；约束(20)代表当次日新能源场站的实际出力偏离预测场景时，调度员在不改变机组开机状态的情况下仍然能够通过适当的调节火电机组出力保证系统有功平衡；由于次日新能源场站的实际出力为未知量，因此在鲁棒优化中定义新能源场站的实际出力可以取到不确定集合内任意值；在两阶段模型中，决策向量x,yf定义为第一阶段变量，需要在日前调度中确定，且一旦确定在次日的调度中不能改变，即式(19)中的x应与式(20)保持一致；决策向量ys定义为第二阶段变量，即在日内调度中，一旦获取到新能源场站的实际出力ωs，火电机组需要在保证开机方式不变的情况下进行再调度，将出力由yf调整至ys；在上述两阶段模型中，变量x的定义域x可定义为式(21)-(26)的形式：式中：式(21)-(22)为启动关闭动作所表示的0/1整数变量与机组状态变量之间所需满足关系；式(23)-(26)为每台机组最小启动/关闭时间约束；tion/tioff为机组i最小连续启动/关闭时间；由变量x与随机变量ω所确定的定义域y(x,ω)可定义为：式中：式(27)为发电机出力上下限约束，为火电机组i能够发出的最小/大功率；g为火电机组的集合；式(28)为网络线路潮流约束，tlb为直流潮流中支路潮流分布系数；为b节点处负荷t时刻吸收的功率；为线路l允许通过的最大功率；l为线路集合；式(29)为功率平衡约束；式(30)为火电机组的爬坡约束，为火电机组i在运行时允许的最大上/下爬坡功率；为火电机组i在启动/关闭时允许的最大上/下爬坡功率。

26、所述的步骤4.2中的基于数据驱动的不确定集合建模具体为：为在鲁棒优化算法中充分考虑随机变量之间的时空相关性，基于新能源场站出力的历史数据，提出一种数据驱动的不确定集合建模方法，具体包括以下步骤：

27、步骤4.21：历史数据的收集与划分：将所收集的历史数据按天进行划分，设所收集到的历史数据的天数为nh，记每天的出力数据为一个历史场景，将所收集的数据写为形如下式的向量形式：式中，ωh,k为随机变量ω的第k组历史场景值；

28、步骤4.22：基于历史数据的高维椭球集合构建：借助一种高维的闭包椭球算法，首先求解一个高维的椭球来包围所有的历史场景，即求解优化：式中：为常数，代表nwt维的单位球体的体积；为待求量，式中q为正定矩阵，代表高维椭球的对称轴相对坐标轴的偏离方向，c为高维椭球的中心点；对于优化上式的形式，该优化为凸优化的形式，可以在多项式时间内快速求解，最终得到的高维椭球的表达式：

29、步骤4.23：初始适应数据的不确定集合构建：由于在鲁棒优化中需要进行鲁棒对等转换，上式中的二次形式会导致原模型在对等转换后，其数学性质会发生变化；若能在上式的基础上构造一个多面体集合对不确定集合进行描述，则对等转换过程就不会改变原模型的数学性质，但这个多面体需要满足2个条件：①可以用数学表达式简单描述；②考虑计算时间需求，顶点数目不宜过多；因此，通过选取上式所描述的高维椭球的2nwt个顶点所围成的凸集作为初始的不确定集合，确定顶点坐标的方法：首先对正定矩阵q进行正交化分解：q＝ptdp＝p-1dp，式中，d为对角线矩阵，且对角线上的值均为正数，记p为变换矩阵；为得到高维椭球对应的顶点，将该椭球旋转平移，使其对称轴与坐标轴重合，该平移旋转变化方程为：ω′＝p×(ω-c)(34)，式中：ω′为随机变量ω在旋转后的坐标下的坐标值，旋转后得到的高维椭球e′的数学表达式为：由于矩阵d为对角线矩阵，因此高维椭球的顶点坐标为：式中：ωv′,1为高维椭球e′第i个顶点的坐标值；ne为顶点的个数，即ne＝2nwt；采用式(34)的逆变换式(37)即可得到原高维椭球e的顶点方程，最终由高维椭球e顶点所围成的多面体方程如式(38)所示：ω＝c+p-1ω′(37)，

30、步骤4.24：初始凸包的修正与极限场景的提取：由于所选取的高维椭球的顶点所围成的多面体不足以涵盖所有的历史场景，因此需要引入放大倍数对该多面体凸包进行放缩，修正后的轴向椭球顶点坐标可表示为下式的形式：假设最终得到的不确定集合如下式所示：式中，ωe,i为经凸包放缩后得到的极限场景，结合式(37)、(39)可得其与高维椭球的顶点存在关系如下式所示：ωe,i＝c+k*p-1ω′v,i(41)，式中k*即为凸包放缩中的放大倍数，其确定方法如下所述：首先将历史场景ωh,1,ωh,2,...通过式(44)旋转平移得到新的场景，记为ω′h,1,ω′h,2,...，由凸优化理论可知：若历史场景ω′h,1能够被高维椭球顶点所围成的凸包所涵盖，则下式成立：式中，αj,i为正数系数，若存在某个场景位于凸包外部，则需要将凸包进行放大，即需要满足下式：式中ki为放大倍数，整理上式可得：式中，βj,i为正数系数；可以看出，随着场景与凸包之间的距离增大，系数ki也会随之变大；因此可以建立以下优化来确定历史场景与凸包的位置关系：对于nh个历史场景，均存在形如上式的优化，且优化之间不存在任何关联，因此可以考虑将nh个优化合并为一个：对于nh个历史场景，由上式能够得到nh个放大倍数所形成的序列，该序列中的最大值即为式(41)中所求的k*；最终基于数据驱动的鲁棒机组组合模型中式(38)的不确定集合采用式(40)所述的多面体来表示。

31、所述的步骤4.3中的求解算法具体为：原模型(18)-(20)可以转化为式(47)的形式：式(18)简写为式(47)的目标函数的形式，矩阵n为发电机煤耗成本对应的系数矩阵；矩阵a,b,c,d,e,f,g,h,k,l,m为相应的系数矩阵；为有效求解该两阶段模型，采用c&cg算法进行分解处理。

32、所述的步骤4.3中的c&cg算法具体包括以下步骤：

33、步骤4.31：c&cg算法：c&cg算法的核心为将原问题拆分成为主子问题迭代求解，主问题定义为含预测场景与最坏场景的机组启停问题，子问题则是通过max-min问题寻找在当前开机方式下的违反约束程度最严重的场景，主问题可定义为如下形式：式中：为第k次迭代下由子问题所挑选的违反约束程度最严重的场景；为对应场景下相应的题，能够确定当前迭代下的开机方式xk；完成主问题的求解后，需要验证在开机方式xk下，调度员对于所有可能的场景下，是否都能找到一个可行的调度策略ys，该检验过程可以通过引入松弛变量的形式，转换为求解一个max-min优化问题的形式，即子问题可以定义为式：式中s为松弛变量所构成的向量；矩阵p为适当维度的单位矩阵，目标函数为对所有松弛变量求和；检验过程与优化式(49)的关系有如下定义：若优化式(49)的目标函数为0，则一定可以保证在当前开机方式下，对于任意的新能源场站出力情况，调度员均能够通过调节火电机组出力来满足系统功率平衡，即当前开机方式xk为鲁棒的；反之，若式(49)的目标函数不为0，则说明在当前开机方式下，存在一种新能源出力场景，无论怎样调节火电机组出力，均不能满足系统运行约束，此时优化得到的新能源场站的出力即为最坏场景

34、步骤4.32：子问题求解算：式(49)为max-min问题的双层结构，无法采用现有的求解器直接进行求解，因此考虑对上式进行对偶转换的处理，式(49)的对偶形式如下式所示：将目标函数中(fω)tλ2展开可得：式中，un与fn为ω,f所对应的分块矩阵；可以看出上式中存在非线性项ujλ2，因此需要对随机变量进行相应的处理，违反约束程度最严重的场景必出现在极限场景中，因此式(50)中描述的集合及对应的分块值uj可以写为下式的形式：式中，ωe,i(j)为第i个极限场景所表示向量的第j个元素值；将式(52)带入到式(51)中，可看出原非线性项转变为连续变量与离散变量乘积的形式，因此在此处可引入大m法对非线性项等价处理，构造新变量vi,2＝q2λ2，可得式(53)，且新变量vi,2采用大m法处理，等价于式(54)，为一线性约束：式中：λ为一个充分大的数；至此，通过对偶形式与大m法的处理后，原子问题等价为一个混合整数线性规划问题，能够采用现有的求解器直接进行求解。

35、本发明的有益效果：本发明为广域分布式源荷柔性聚合调控方法，在使用中，本发明提出“灵活性边界”概念，即不同区域能源网络相互连接，各类能源设备不再隶属单一运营主体，而是可以接受不同运营主体的调度，打破了原有“固定边界”的限制；相比“固定边界”，当考虑“灵活性边界”时，各类能源设备可以选择不同区域能源网络进行能量供给，实现区域能源网络的容量再配置，各区域能源网络间能通过能量互济，实现多区域能源网络间能量自治平衡，这将有利于降低区域能源网络对上级能网的备用需求；本发明提出高维多时段可再生能源电站出力空间，将多个可再生能源全天的出力作为一个历史数据点输入模型，并以历史数据点集的凸包描述可再生能源出力的不确定性；本发明具有考虑灵活单元划分、构建分散源荷集群聚合模型、分散源荷动态聚合优化的优点。