CN105279575B - 基于发电预测的多能源主体分布式博弈优化方法 - Google Patents

Abstract

本发明公开了基于发电预测的多能源主体分布式博弈优化方法，属于电力系统自动化的技术领域。本发明针对间歇式能源出力的不确定性问题，建立由不同能源群组成的多能源联合互补优化模型，同时考虑到多种能源的分布呈现分布式特征，采用分布式协调优化理论将其分解为若干个子系统，减少了计算复杂度；各子系统分别根据发电预测方法预测其他子系统的博弈策略，并结合博弈优化理论对各子系统分别进行优化，求得各子系统的最优方案，增加了博弈策略的有效性，进而实现整个多能源系统资源最优配置。

Description

基于发电预测的多能源主体分布式博弈优化方法

技术领域

本发明公开了基于发电预测的多能源主体分布式博弈优化方法，属于电力系统自动化的技术领域。

背景技术

随着分布式能源的大量投产和运行，基于可再生能源的分布式发电技术已然成为电力系统及电网技术发展的主流趋势。由于可再生能源的间歇性特点，单一的新能源发电通常难以实现稳定、高投资效益的电力输出。若能科学合理地配置混合电力系统中风力发电光伏发电和其他传统能源，将更大程度上发挥整体多能源系统的综合效益，实现安全可靠、经济环保性能的重要前提。

由于多能源系统优化问题是一个高维、非线性的复杂优化问题，传统的优化方法一般是采用集中式的方式对其进行优化，存在计算复杂度大的缺陷。此外，在各种能源的利益主体的博弈优化过程中，传统的博弈优化方法并没有考虑在博弈过程中对对手博弈策略的估计和预测，博弈策略的有效性差，不利于多能源系统的整体效益最大化。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于发电预测的多能源主体分布式博弈优化方法，将不同能源群的投资者作为参与者，各参与者采用完全竞争的非合作博弈模式，各投资者在实际博弈过程中通过发电预测技术预测其他投资者的发电量来确定自身的发电量，以在满足约束条件的情况下最大化自身利益,从而实现多能源系统整体的利益最大化，解决了集中式优化多能源系统计算复杂、传统博弈策略有效性差导致整体效益不易最大化的技术问题。

本发明为实现上述发明目的采用如下技术方案：

基于发电预测的多能源主体分布式博弈优化方法，包括如下步骤：

A、根据各能源群组成的多能源系统联合互补特性建立多能源系统的整体联合优化模型；

B、根据分布式协调优化理论将所述整体联合优化模型分解为以各类能源群为主体的子系统模型；

C、各主体预测其它主体在未来时刻的发电信息并估计其它主体的个体策略，以各主体自身历史发电信息为参与者并以其它主体的个体策略为竞争者，依据各子系统模型的优化目标进行博弈得到各主体的博弈策略集合；

D、优化各主体的博弈策略集合得到各主体的最优策略集合。

作为所述基于发电预测的多能源主体分布式博弈优化方法的进一步优化方案，步骤A以经济效益最大化为目标并考虑能源群中各机组的出力限制、爬坡率约束以及负荷平衡约束建立多能源系统整体联合优化模型，其中，

目标函数：

$\max f-\max \left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\right(\underset{i_1=1}{\overset{I_1}{\mathrm{\Σ}}}{P}_{i_{1}t}{Q}_{i_{1}t}+\underset{i_2=1}{\overset{I_2}{\mathrm{\Σ}}}{P}_{i_{2}t}{Q}_{i_{2}t}+...+\underset{i_h=1}{\overset{I_h}{\mathrm{\Σ}}}{P}_{i_{h}t}{Q}_{i_{h}t}+...+\underset{i_K=1}{\overset{I_K}{\mathrm{\Σ}}}{P}_{i_{K}t}{Q}_{i_{K}t}\left)\right),i\≤h\≤K,$

能源群中各机组的出力限制：

$\left\{\begin{array}{c}{P}_{i_1\min }\≤P_{i_{1}t}\≤P_{i_{1}max}\\ P_{i_2\min }\≤P_{i_{2}t}\≤P_{i_{2}max}\\ .\\ .\\ .\\ P_{i_h\min }\≤P_{i_{h}t}\≤P_{i_{h}max}\\ .\\ .\\ .\\ P_{i_K\min }\≤P_{i_{K}t}\≤P_{i_K\max }\end{array}\right.,\∀i_1=1,2,...,I_1,\∀i_2=1,2,...,I_2,\∀i_h=1,2,...,I_h,\∀i_K=1,2,...,I_K,$

能源群中各机组的爬坡率约束：

$\left\{\begin{array}{c}{Z}_{i_1\min }\≤P_{i_1,t+1}-P_{i_{1}t}\≤Z_{i_{1}max}\\ z_{i_2\min }\≤P_{i_2,t+1}-P_{i_{2}t}\≤Z_{i_{2}max}\\ .\\ .\\ .\\ Z_{i_h\min }\≤P_{i_h,t+1}-P_{i_{h}t}\≤Z_{i_{h}max}\\ .\\ .\\ .\\ Z_{i_K\min }\≤P_{i_K,t+1}-P_{i_{K}t}\≤Z_{i_K\max }\end{array}\right.,\∀i_1=1,2,...,I_1,\∀i_2=1,2,...,I_2,\∀i_h=1,2,...,I_h,\∀i_K=1,2,...,I_K,$

负荷平衡约束： $\underset{i_1=1}{\overset{I_1}{\Σ}}{P}_{i_{1}t}+\underset{i_2=1}{\overset{I_2}{\Σ}}{P}_{i_{2}t}+...+\underset{i_h=1}{\overset{I_h}{\Σ}}{P}_{i_{h}t}+...+\underset{i_K=1}{\overset{I_K}{\Σ}}{P}_{i_{K}t}=L_t+P_{loss,t}-P_{st}$

其中，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组在t时刻的出力，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组在t+1时刻的出力，分别为第一类能源群、第二类能源群、第h类能源群、第K类能源群的电价，I₁、I₂、I_h、I_K分别为第一类能源群、第二类能源群、第h类能源群、第K类能源群包含的机组数量，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的最小出力限制，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的最大出力限制，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的爬坡率下限，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的爬坡率上限，K为正整数，T为时间尺度，L_t为t时刻负荷总需求量，P_loss,t为t时刻线损， $P_{loss,t}=\underset{m=l}{\overset{N}{\Σ}}\underset{n=1,n\≠m}{\overset{N}{\Σ}}(V_m^2+V_n^2-2V_m{V}_n*cos({\mathrm{\θ}}_m-{\mathrm{\θ}}_n\left)\right)g_{mn},$ P_st为t时刻其它传统能源出力，V_m、V_n分别为任意节点m、节点n的电压，θ_m、θ_n分别为任意节点m、节点n的相角，g_mn为任意节点m与节点n之间的互电导，N为节点数目。

进一步的，步骤B中所述以各类能源群为主体的子系统模型为：

以第h类能源群为主体的子系统模型：

$\left\{\begin{array}{c}\max f=\max \left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i_h=1}{\overset{I_h}{\mathrm{\Σ}}}{P}_{i_{h}t}{Q}_{i_{h}t}\right)\\ \underset{i_1=1}{\overset{I_1}{\mathrm{\Σ}}}{P}_{i_{1}t}+\underset{i_2=1}{\overset{I_2}{\mathrm{\Σ}}}{P}_{i_{2}t}+...+\underset{i_h=1}{\overset{I_h}{\mathrm{\Σ}}}{P}_{i_{h}t}+...+\underset{i_K=1}{\overset{I_K}{\mathrm{\Σ}}}{P}_{i_{K}t}=L_t+P_{loss,t}-P_{st}\\ P_{i_h\min }\≤P_{i_{h}t}\≤P_{i_h\max }\\ Z_{i_h\min }\≤P_{i_h,t+1}-P_{i_{h}t}\≤Z_{i_h\max }\end{array}\right.$

进一步的，所述基于发电预测的多能源主体分布式博弈优化方法中，多能源系统包含风电能源群、光伏能源群、火电能源群，K的取值为3。

再进一步的，基于发电预测的多能源主体分布式博弈优化方法的步骤C中，各主体依据表达式： $x_t=\underset{i=1}{\overset{s}{\Σ}}{a}_i{x}_{t-i}+{\mathrm{\ϵ}}_t-\underset{j=1}{\overset{q}{\Σ}}{\mathrm{\β}}_j{\mathrm{\ϵ}}_{t-j},t=1,2...,T$ 预测其它主体在未来时刻的发电信息，并由预测的其它主体在未来时间尺度T下的发电信息以及其它主体历史发电信息估计其它主体的个体策略，

其中，s、q分别为自回归项、移动平均项的数目，x_t-i为t-i时刻其它主体的发电数据，a_i为第i自回归项的参数，β_j为第j移动平均项的参数，ε_t为其它主体在长时间尺度T下发电数据的概率分布函数，ε_t-j为t-j时刻其它主体发电数据的概率分布函数。

更进一步的，所述基于发电预测的多能源主体分布式博弈优化方法中，步骤D采用粒子群最优算法优化各主体的博弈策略集合得到各主体的最优策略集合。

本发明采用上述技术方案，具有以下有益效果：针对多种能源分属不同的利益主体和其分布式特征，本发明提出一种基于发电预测的多能源主体分布式博弈优化方法，将多能源整体系统优化模型分解为若干个子系统模型，减少了计算复杂度；将每个子系统模型看作一个利益主体，在各种能源的利益主体的博弈优化过程中采用发电预测的方式预测和估计竞争对手的博弈策略，从而为各自主体拟定能最大化自身效益的最佳博弈策略，增加了博弈策略的有效性，进而实现整个多能源系统资源最优配置。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为基于发电预测的多能源分布式博弈优化方法的示意图。

具体实施方式

下面详细描述本发明的实施方式，下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本领域的技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有本发明所属技术领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面以如图1所示的包含风电群(即为权利要求中的第一类能源群)、光伏群(即为权利要求中的第二类能源群)、火电群(即为权利要求中的第K类能源群)的多能源整体系统为例阐述本发明的分布式博弈优化方法。该实施例不构成对本发明实施例的限定。

(一)根据各能源群组成的多能源系统联合互补特性建立多能源系统的整体联合优化模型：

(1)目标：

$\max f=\max \left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\right(\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{P}_{wit}{Q}_{wt}+\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{P}_{pjt}{Q}_{pt}+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_{ckt}{Q}_{ct}\left)\right),(Q_{pt}>Q_{wt}>Q_{ct})---\left(1\right),$

(2)负荷平衡约束：

$\underset{i=1}{\overset{I}{\Σ}}{P}_{wit}+\underset{j=1}{\overset{J}{\Σ}}{P}_{pjt}+\underset{k=1}{\overset{K}{\Σ}}{P}_{ckt}=L_t+P_{loss,t}-P_{st}---\left(2\right),$

其中： $P_{loss,t}=\underset{m=1}{\overset{N}{\Σ}}\underset{n=1,n\≠m}{\overset{N}{\Σ}}(V_m^2+V_n^2-2V_m{V}_n*cos({\mathrm{\θ}}_m-{\mathrm{\θ}}_n\left)\right)g_{mn}---\left(3\right),$

(3)各分布式能源机组出力约束：

$\left\{\begin{array}{c}{P}_{wi\min }\≤P_{wit}\≤P_{wi\max }\\ P_{pj\min }\≤P_{pjt}\≤P_{pj\max }\\ P_{ck\min }\≤P_{ckt}\≤P_{ck\max }\end{array}\right.,\∀i=1,2,\mathrm{...},I,\∀j=1,2,\mathrm{...},J,\∀k=1,\mathrm{2...}K---\left(4\right),$

(4)各分布式能源机组出力爬坡率约束：

$\left\{\begin{array}{c}{Z}_{wi\min }\≤P_{wi,t+1}-P_{wit}\≤Z_{wi\max }\\ Z_{pj\min }\≤P_{pj,t+1}-P_{pjt}\≤Z_{pj\max }\\ Z_{ck\min }\≤P_{ck,t+1}-P_{ckt}\≤Z_{ck\max }\end{array}\right.,\∀i=1,2,\mathrm{...},I,\∀j=1,2,\mathrm{...},J,\∀k=1,\mathrm{2...}K---\left(5\right),$

式(1)至式(5)中，P_wit、P_pjt、P_ckt分别为第i个风电、第j个光伏、第k个火电在t时刻的出力，P_wi,t+1、P_pj,t+1、P_ck,t+1分别为第i个风电、第j个光伏、第k个火电在t+1时刻的出力，Q_wt、Q_pt、Q_ct分别表示风电、光伏、火电的电价价格，I、J、K分别为风电群、光伏群、火电群的机组数量，L_t为t时刻负荷总需求量，P_loss,t为t时刻线损，P_st为t时刻其它传统能源出力，V_m、V_n分别为任意节点m、节点n的电压，θ_m、θ_n分别为节点m、节点n的相角，g_mn为节点m、节点n之间的互电导，N为节点数目，P_wimin、P_pjmin、P_ckmin分别为第i个风电、第j个光伏、第k个火电的最小出力限制，P_wimax、P_pjmax、P_ckmax分别为第i个风电、第j个光伏、第k个火电的最大出力限制，Z_wimin、Z_pjmin、Z_ckmin分别为第i个风电、第j个光伏、第k个火电的爬坡率下限，Z_wimax、Z_pjmax、Z_ckmax分别为第i个风电、第j个光伏、第k个火电的爬坡率上限。

(二)根据分布式协调优化理论将整体联合优化模型分解为风电群、光伏群和火电群三个子系统模型：

风电群子系统模型： $\left\{\begin{array}{c}\max f=max\left(\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{I}{\Σ}}{P}_{wit}{Q}_{wt}\right)\\ \underset{i=1}{\overset{I}{\Σ}}{P}_{wit}+\underset{j=1}{\overset{J}{\Σ}}{P}_{pjt}+\underset{k=1}{\overset{K}{\Σ}}{P}_{ckt}=L_t+P_{loss,t}-P_{st}\\ P_{wimin}\≤P_{wit}\≤P_{wi\max }\\ Z_{wi\min }\≤P_{wi,t+1}-P_{wit}\≤Z_{wimax}\end{array}\right.---\left(6\right),$

光伏群子系统模型： $\left\{\begin{array}{c}\max f=max\left(\underset{t=1}{\overset{T}{\Σ}}\underset{j=1}{\overset{J}{\Σ}}{P}_{pjt}{Q}_{pt}\right)\\ \underset{i=1}{\overset{I}{\Σ}}{P}_{wit}+\underset{j=1}{\overset{J}{\Σ}}{P}_{pjt}+\underset{k=1}{\overset{K}{\Σ}}{P}_{ckt}=L_t+P_{loss,t}-P_{st}\\ P_{pjmin}\≤P_{pjt}\≤P_{pj\max }\\ Z_{pjmin}\≤P_{pj,t+1}-P_{pjt}\≤Z_{pjmax}\end{array}\right.---\left(7\right),$

火电群子系统模型： $\left\{\begin{array}{c}\max f=max\left(\underset{t=1}{\overset{T}{\Σ}}\underset{k=1}{\overset{K}{\Σ}}{P}_{ckt}{Q}_{ct}\right)\\ \underset{i=1}{\overset{I}{\Σ}}{P}_{wit}+\underset{j=1}{\overset{J}{\Σ}}{P}_{pjt}+\underset{k=1}{\overset{K}{\Σ}}{P}_{ckt}=L_t+P_{loss,t}-P_{st}\\ P_{ck\min }\≤P_{ckt}\≤P_{ck\max }\\ Z_{ckmin}\≤P_{ck,t+1}-P_{ckt}\≤Z_{ck\max }\end{array}\right.---\left(8\right),$

子系统之间在当前时刻相互独立，风电群子系统内部只知道所有风电群机组的信息以及光伏群和火电群子系统的历史出力信息，并没有其他两个子系统当前时刻发电信息；同样地，光伏群子系统内也只知道光伏群机组信息以及风电群和火电的历史出力信息，其当前时刻出力信息未知；同理，火电群子系统也是如此。

(三)各主体预测其它主体在未来时刻的发电信息并估计其它主体的个体策略，以各主体自身历史发电信息为参与者并以其它主体的个体策略为竞争者，依据各子系统模型的优化目标进行博弈得到各主体的博弈策略集合：

(1)某个子系统根据其它子系统的历史发电信息，由建立的自回归滑动平均模型(ARMA)：

$x_t=\underset{i=1}{\overset{s}{\Σ}}{a}_i{x}_{t-i}+{\mathrm{\ϵ}}_t-\underset{j=1}{\overset{q}{\Σ}}{\mathrm{\β}}_j{\mathrm{\ϵ}}_{t-j},t=1,2...,T---\left(9\right),$

预测其它子系统当前出力情况，

其中，s、q分别为自回归项、移动平均项的数目，x_t-i为t-i时间点的发电数据，a_i为第i自回归项的参数，β_j为第j移动平均项的参数，ε_t为长时间尺度t下发电数据的概率分布函数，ε_t-j为t-j时间点的发电数据概率分布函数，由此，对于风电群子系统来说，可以得到光伏群和火电群的当前出力的估计值并以此类推预测光伏群和火电群在下一时刻出力估计值一直到t＝T时刻得到光伏群和火电群在T时刻的出力估计值为止。同理，光伏群和火电群子系统也是如此；

(2)由子系统预测的其它主体在未来时刻的出力情况以及其它主体历史发电信息估计其它子系统可能的个体策略，再将估计的其它系统个体策略作为当前子系统模型输入数据求解得到当前子系统对应的博弈策略集合：

以风电群为例，为光伏群的个体策略，为火电群的个体策略，将 带入式(6)中可以得到风电群子系统个体对应的博弈策略集合其中，

$X_w=\left[\begin{array}{cccc}{P}_{w11}& P_{w12}& ...& P_{w1T}\\ P_{w21}& P_{w22}& ...& P_{w2T}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{wi1}& P_{wi2}& ...& P_{wiT}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{wI1}& P_{wI2}& ...& P_{wIT}\end{array}\right]---\left(10\right),$

${\hat{X}}_p=\left[\begin{array}{cccccc}{P}_{p11}& ...& P_{p1,t-1}& {\hat{P}}_{p1t}& ...& {\hat{P}}_{p1T}\\ P_{p21}& ...& P_{p2,t-1}& {\hat{P}}_{p2t}& ...& {\hat{P}}_{p2T}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ P_{pj1}& ...& P_{pj,t-1}& {\hat{P}}_{pjt}& ...& {\hat{P}}_{pjT}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ P_{pJ1}& ...& P_{pJ,t-1}& {\hat{P}}_{pJt}& ...& {\hat{P}}_{pJT}\end{array}\right]---\left(11\right),$

${\hat{X}}_c=\left[\begin{array}{cccccc}{P}_{c11}& ...& P_{c1,t-1}& {\hat{P}}_{c1t}& ...& {\hat{P}}_{c1T}\\ P_{c21}& ...& P_{c2,t-1}& {\hat{P}}_{c2t}& ...& {\hat{P}}_{c2T}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ P_{ck1}& ...& P_{ck,t-1}& {\hat{P}}_{ckt}& ...& {\hat{P}}_{ckT}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ P_{cK1}& ...& P_{cK,t-1}& {\hat{P}}_{cKt}& ...& P_{cKT}\end{array}\right]---\left(12\right),$

同样地，可以得到光伏群和火电群子系统的博弈策略集合为 其中：

$X_p=\left[\begin{array}{cccc}{P}_{p11}& P_{p12}& ...& P_{p1T}\\ P_{p21}& P_{p22}& ...& P_{p2T}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{pj1}& P_{pj2}& ...& P_{pjT}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{pJ1}& P_{pJ2}& ...& P_{pJT}\end{array}\right]---\left(13\right),$

$X_c=\left[\begin{array}{cccc}{P}_{c11}& P_{c12}& ...& P_{c1T}\\ P_{c21}& P_{c22}& ...& P_{c2T}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{ck1}& P_{ck2}& ...& P_{ckT}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{cK1}& P_{cK2}& ...& P_{cKT}\end{array}\right]---\left(14\right),$

${\hat{X}}_w=\left[\begin{array}{cccccc}{P}_{w11}& ...& P_{w1,t-1}& {\hat{P}}_{w1t}& ...& {\hat{P}}_{w1T}\\ P_{w21}& ...& P_{w2,t-1}& {\hat{P}}_{w2t}& ...& {\hat{P}}_{w2T}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ P_{wi1}& ...& P_{wi,t-1}& {\hat{P}}_{wit}& ...& {\hat{P}}_{wiT}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ P_{wI1}& ...& P_{wI,t-1}& {\hat{P}}_{wIt}& ...& {\hat{P}}_{wIT}\end{array}\right]---\left(15\right).$

(四)根据得到的各子系统每个时刻的博弈策略集合，采用粒子群优化算法对各子系统的博弈策略集合进行寻优，得到各自子系统效益最优的最优策略集合进而使得整体的多能源系统效益最优。

综上所述，针对多种能源分属不同的利益主体和其分布式特征，本发明提出一种基于发电预测的多能源主体分布式博弈优化方法，将多能源整体系统优化模型分解为若干个子系统模型，减少了计算复杂度；将每个子系统模型看作一个利益主体，在各种能源的利益主体的博弈优化过程中采用发电预测的方式预测和估计竞争对手的博弈策略，从而为各自主体拟定能最大化自身效益的最佳博弈策略，增加了博弈策略的有效性，进而实现整个多能源系统资源最优配置。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案实质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器，或者网络设备等)执行本发明的实施例或实施例的某些部分所述的方法。

Claims (5)

1.基于发电预测的多能源主体分布式博弈优化方法，其特征在于，包括如下步骤：

A、根据各能源群组成的多能源系统联合互补特性，以经济效益最大化为目标并考虑能源群中各机组的出力限制、爬坡率约束以及负荷平衡约束建立多能源系统的整体联合优化模型，其中，

目标函数：

$\max f=\max \left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left(\underset{i_1=1}{\overset{I_1}{\mathrm{\Σ}}}{P}_{i_{1}t}{Q}_{i_{1}t}+\underset{i_2=1}{\overset{I_2}{\mathrm{\Σ}}}{P}_{i_{2}t}{Q}_{i_{2}t}+...+\underset{i_h=1}{\overset{I_h}{\mathrm{\Σ}}}{P}_{i_{h}t}{Q}_{i_{h}t}+...+\underset{i_K=1}{\overset{I_K}{\mathrm{\Σ}}}{P}_{i_{K}t}{Q}_{i_{K}t}\right)\right),1\≤h\≤K,$

能源群中各机组的出力限制：

$\left\{\begin{array}{c}{P}_{i_1\min }\≤P_{i_{1}t}\≤P_{i_1\max }\\ P_{i_2\min }\≤P_{i_{2}t}\≤P_{i_2\max }\\ \begin{array}{c}.\\ .\\ .\end{array}\\ P_{i_h\min }\≤P_{i_{h}t}\≤P_{i_h\max }\\ \begin{array}{c}.\\ .\\ .\end{array}\\ P_{i_K\min }\≤P_{i_{K}t}\≤P_{i_K\max }\end{array}\right.,\∀i_1=1,2,...,I_1,\∀i_2=1,2,...,I_2,\∀i_h=1,2,...,I_h,\∀i_K=1,2,...,I_K,$

能源群中各机组的爬坡率约束：

$\left\{\begin{array}{c}{Z}_{i_1\min }\≤P_{i_1,t+1}-P_{i_{1}t}\≤Z_{i_1\max }\\ Z_{i_2\min }\≤P_{i_2,t+1}-P_{i_{2}t}\≤Z_{i_2\max }\\ \begin{array}{c}.\\ .\\ .\end{array}\\ Z_{i_h\min }\≤P_{i_h,t+1}-P_{i_{h}t}\≤Z_{i_h\max }\\ \begin{array}{c}.\\ .\\ .\end{array}\\ Z_{i_K\min }\≤P_{i_K,t+1}-P_{i_{K}t}\≤Z_{i_K\max }\end{array}\right.,\∀i_1=1,2,...,I_1,\∀i_2=1,2,...,I_2,\∀i_h=1,2,...,I_h,\∀i_K=1,2,...,I_K,$

负荷平衡约束：

其中，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组在t时刻的出力，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组在t+1时刻的出力，分别为第一类能源群、第二类能源群、第h类能源群、第K类能源群的电价，I₁、I₂、I_h、I_K分别为第一类能源群、第二类能源群、第h类能源群、第K类能源群包含的机组数量，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的最小出力限制，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的最大出力限制，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的爬坡率下限，分别为第一类能源群中第i₁个机组、第二类能源群中第i₂个机组、第h类能源群中第i_h个机组、第K类能源群中第i_K个机组的爬坡率上限，K为正整数，T为时间尺度，L_t为t时刻负荷总需求量，P_loss,t为t时刻线损，P_st为t时刻其它传统能源出力，V_m、V_n分别为任意节点m、节点n的电压，θ_m、θ_n分别为任意节点m、节点n的相角，g_mn为任意节点m与节点n之间的互电导，N为节点数目；

B、根据分布式协调优化理论将所述整体联合优化模型分解为以各类能源群为主体的子系统模型；

C、各主体预测其它主体在未来时刻的发电信息并估计其它主体的个体策略，以各主体自身历史发电信息为参与者并以其它主体的个体策略为竞争者，依据各子系统模型的优化目标进行博弈得到各主体的博弈策略集合；

D、优化各主体的博弈策略集合得到各主体的最优策略集合。

2.根据权利要求1所述的基于发电预测的多能源主体分布式博弈优化方法，其特征在于，步骤B所述以各类能源群为主体的子系统模型为：

以第h类能源群为主体的子系统模型：

$\left\{\begin{array}{c}\max f=max\left(\underset{t=1}{\overset{T}{\Σ}}\underset{i_h=1}{\overset{I_h}{\Σ}}{P}_{i_{h}t}{Q}_{i_{h}t}\right)\\ \underset{i_1=1}{\overset{I_1}{\mathrm{\Σ}}}{P}_{i_{1}t}+\underset{i_2=1}{\overset{I_2}{\mathrm{\Σ}}}{P}_{i_{2}t}+...+\underset{i_h=1}{\overset{I_h}{\mathrm{\Σ}}}{P}_{i_{h}t}+...+\underset{i_K=1}{\overset{I_K}{\mathrm{\Σ}}}{P}_{i_{K}t}=L_t+P_{loss,t}-P_{st}\\ P_{i_h\min }\≤P_{i_{h}t}\≤P_{i_{h}max}\\ Z_{i_h\min }\≤P_{i_h,t+1}-P_{i_{h}t}\≤Z_{i_{h}max}\end{array}\right..$

3.根据权利要求1所述的基于发电预测的多能源主体分布式博弈优化方法，其特征在于，多能源系统包含风电能源群、光伏能源群、火电能源群，K的取值为3。

4.根据权利要求1或2或3所述的基于发电预测的多能源主体分布式博弈优化方法，其特征在于，步骤C中各主体依据表达式：t＝1,2...,T预测其它主体在未来时刻的发电信息，并由预测的其它主体在未来时间尺度T下的发电信息以及其它主体历史发电信息估计其它主体的个体策略，

其中，s、q分别为自回归项、移动平均项的数目，x_t-i为t-i时刻其它主体的发电数据，a_i为第i自回归项的参数，β_j为第j移动平均项的参数，ε_t为其它主体在长时间尺度T下发电数据的概率分布函数，ε_t-j为t-j时刻其它主体发电数据的概率分布函数。

5.根据权利要求1所述的基于发电预测的多能源主体分布式博弈优化方法，其特征在于，步骤D采用粒子群最优算法优化各主体的博弈策略集合得到各主体的最优策略集合。