CN108491977B - 一种微能源网的弱鲁棒优化调度方法 - Google Patents

一种微能源网的弱鲁棒优化调度方法 Download PDF

Info

Publication number
CN108491977B
CN108491977B CN201810268659.3A CN201810268659A CN108491977B CN 108491977 B CN108491977 B CN 108491977B CN 201810268659 A CN201810268659 A CN 201810268659A CN 108491977 B CN108491977 B CN 108491977B
Authority
CN
China
Prior art keywords
energy
power
micro
network
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810268659.3A
Other languages
English (en)
Other versions
CN108491977A (zh
Inventor
林晓明
张勇军
郝金宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810268659.3A priority Critical patent/CN108491977B/zh
Publication of CN108491977A publication Critical patent/CN108491977A/zh
Application granted granted Critical
Publication of CN108491977B publication Critical patent/CN108491977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种微能源网弱鲁棒优化调度方法。该方法获取微能源网的架构信息、能源价格、决策信息、用户功率和可再生能源出力信息；根据微能源网的架构信息，建立微能源网的能源转换和功率平衡模型；根据微能源网的能源价格和决策信息以及能源转换和功率平衡模型，建立微能源网的弱鲁棒优化调度模型；根据对等式转化理论将弱鲁棒优化调度模型中的不确定性约束转化为确定性约束；根据GAMS软件求得的最优解，进行微能源网调度。本发明的方法，可以解决微能源网在用户功率和可再生能能源出力等不确定性参数下的安全运行问题，能够有效权衡调度的经济性和风险性，改善传统鲁棒优化调度的保守性，能够更好地提供适应实际情况的调度方案。

Description

一种微能源网的弱鲁棒优化调度方法
技术领域
本发明涉及微能源网的优化调度，特别涉及一种微能源网的弱鲁棒优化调度方法。
背景技术
微能源网是一种微型综合能源系统，作为能源互联网的重要组成部分是未来人类社会能源的主要承载形式之一。目前研究，微能源网的优化调度多未考虑用户功率和可再生能源出力的不确定性，将威胁微能源网的安全运行。
近年来，鲁棒优化广泛应用于不确定环境下电力系统的运行调度。但传统的鲁棒优化方法，关注的是不确定参数在最坏的场景下解的可行性，获得的调度方案具有很强的保守性。
针对上述问题，本发明建立了微能源网的功率平衡和能源转换模型，并对微能源网进行弱鲁棒优化调度，能够有效权衡调度的经济性和风险性，改善传统鲁棒优化调度的保守性，而且能够适应决策者的不同调度要求。
发明内容
本发明的目的在于处理微能源网在不确定性参数下的优化调度问题，权衡调度的经济性和风险性，改善传统鲁棒优化调度的保守性。
为实现上述目的，本发明提出一种微能源网弱鲁棒优化调度方法，包括以下步骤：
(1)获取微能源网的架构信息、能源价格、决策信息、用户功率和可再生能源出力信息；
(2)根据微能源网的架构信息，建立微能源网的能源转换和功率平衡模型；
(3)根据微能源网的能源价格和决策信息以及能源转换和功率平衡模型，建立微能源网的弱鲁棒优化调度模型；
(4)根据对等式转化理论将弱鲁棒优化调度模型中的不确定性约束转化为确定性约束；
(5)根据GAMS软件求得的最优解，进行微能源网调度。
所述的微能源网的架构信息包括：微能源网涉及的能源种类、能源转换设备种类，以及能源储存设备的种类。
所述的微能源网的决策信息包括：微能源网所允许的最大缺额功率比例，以及能源缺额功率惩罚系数。
所述步骤(2)包括以下步骤：
(2-1)根据所述的微能源网的架构信息，列写微能源网的输入输出功率平衡方程：
Figure GDA0003174494230000021
其中，
Figure GDA0003174494230000022
为微能源网从上层能源网购买能源的功率向量，K为能源种类总数，
Figure GDA0003174494230000023
为微能源网从上层能源网购买k类能源的功率，k的取值范围为1～K；同理，Ss、W、I、V、O、Qch、Qdis和L分别为微能源网向上层能源网卖出的能源、可再生能源出力、能源转换设备的总输入、不流经能源转换设备的能源、能源转换设备的总输出、能源储存设备充能、能源储存设备放能和用户的功率向量；
(2-2)根据所述的微能源网的架构信息，将能源转换设备的总输入功率向量I和总输出功率向量O分别表示为能源转换设备的各个输入功率和输出功率之和：
Figure GDA0003174494230000024
其中，Pin和Pout分别为能源转换设备的输入和输出功率向量：
Figure GDA0003174494230000025
Figure GDA0003174494230000026
其中M为能源转换设备的输入功率总个数，N为能源转换设备的输出功率总个数，
Figure GDA0003174494230000027
和
Figure GDA0003174494230000028
分别为能源转换设备的第m个输入功率和第n个输出功率，m的取值范围为1～M，n的取值范围为1～N；A为输入关系矩阵，阶数为K行M列；B为输出关系矩阵，阶数为K行N列；A和B的元素根据如下规则获取：
Figure GDA0003174494230000029
Figure GDA00031744942300000210
其中，akm为A的第k行第m列的元素；bkn为B的第k行第n列的元素；
(2-3)根据所述的微能源网的架构信息，微能源网的能源转换模型为：
Pout＝DPin
其中，D为转换关系矩阵，阶数为N行M列，D的元素根据如下规则获取：
Figure GDA00031744942300000211
其中，dnm为D的第n行第m列的元素；ηnm为
Figure GDA0003174494230000031
和
Figure GDA0003174494230000032
之间的转换效率；
(2-4)根据步骤(2-1)～(2-3)，可以得到微能源网的功率平衡模型：
Sb-Ss+W＝FPin+L+Qch-Qdis
其中，F＝(A-BD)为中间关系矩阵，阶数为K行M列。
所述的微能源网的弱鲁棒优化调度模型包括目标函数和约束条件；
所述的目标函数为：
maxF＝max{CE-COM-Cc-Cλ}
其中，F为微能源网的综合利润，CE为售能盈利、COM为设备维护成本、Cc为碳税收、Cλ为能源功率缺额惩罚项，各项根据下式计算：
Figure GDA0003174494230000033
其中，
Figure GDA0003174494230000034
和
Figure GDA0003174494230000035
分别为t时段k类能源的能源储存设备的充放能功率，△t为优化时间间隔，T为优化总时段；Lk,t为t时段k类能源的用户功率预测值；
Figure GDA0003174494230000036
和
Figure GDA0003174494230000037
分别为t时段微能源网与上层能源网买卖k类能源的功率；ck,t、
Figure GDA0003174494230000038
和
Figure GDA0003174494230000039
分别为t时段微能源网向用户销售k类能源的价格，与上层能源网买卖k类能源的价格；
Figure GDA00031744942300000310
和
Figure GDA00031744942300000311
分别能源转换设备第m个输入功率和k类能源的能源储存设备的运行维护系数；ak为k类能源的CO2排放系数；cc为单位碳排放成本系数；γk,t为t时段k类能源的缺额功率，λk,t为t时段k类能源的缺额功率惩罚系数；
所述的约束条件为：
Figure GDA00031744942300000312
上式为能源供求约束，
Figure GDA00031744942300000313
和
Figure GDA00031744942300000314
分别为t时段k类能源的用户功率和可再生能源出力的实际值；
Figure GDA0003174494230000041
为所允许的k类能源的最大缺额功率比例；fkm为中间关系矩阵F的第k行第m列的元素；
Figure GDA0003174494230000042
为t时段能源转换设备的第m个输入功率；
Figure GDA0003174494230000043
和
Figure GDA0003174494230000044
分别为t时段k类能源的能源储存设备的充放能功率；
Figure GDA0003174494230000045
上式为能源转换设备运行约束，
Figure GDA0003174494230000046
为t时段能源转换设备的第n个输出功率；
Figure GDA0003174494230000047
和
Figure GDA0003174494230000048
分别能源转换设备的第m个输入功率的上下限，
Figure GDA0003174494230000049
为t-1时段能源转换设备的第m个输入功率；
Figure GDA00031744942300000410
和
Figure GDA00031744942300000411
分别为能源转换设备的第m个输入功率向下和向上爬坡速率；
Figure GDA00031744942300000412
上式为能源储存设备运行约束，Ek,0、Ek,T和Ek,t分别为k类能源的能源储存设备初始时刻、结束时刻和t时段的储能占比；Ek,t-1为k类能源的能源储存设备t-1时段的储能占比，
Figure GDA00031744942300000413
和
Figure GDA00031744942300000414
分别为k类能源的能源储存设备的充放能效率，βk为k类能源的能源储存设备的容量；
Figure GDA00031744942300000415
和
Figure GDA00031744942300000416
分别为k类能源的能源储存设备的最大充放能功率；Ek,max和Ek,min分别为k类能源的能源储存设备储能占比的上下限；
Figure GDA00031744942300000417
和
Figure GDA00031744942300000418
分别为标志t时段k类能源的能源储存设备的充放能状态变量，充能时
Figure GDA00031744942300000419
为1，放能时
Figure GDA00031744942300000420
为1，其他情况
Figure GDA00031744942300000421
和
Figure GDA00031744942300000422
均为0；
Figure GDA00031744942300000423
上式为能源交易约束，
Figure GDA00031744942300000424
和
Figure GDA00031744942300000425
分别为微能源网与上层能源网买卖k类能源的最大功率；
Figure GDA00031744942300000426
和
Figure GDA00031744942300000427
为标志t时段微能源网与上层能源网交易k类能源的状态变量，微能源网买入k类能源时
Figure GDA00031744942300000428
为1，微能源网卖出k类能源时
Figure GDA00031744942300000429
为1，其他情况
Figure GDA00031744942300000430
和
Figure GDA00031744942300000431
均为0。
所述的步骤(4)包括以下步骤：
(4-1)构建用户功率和可再生能源出力的不确定集；
用户功率和可再生能源出力的不确定集为：
Figure GDA0003174494230000051
Figure GDA0003174494230000052
其中，Wk,t为k类能源的可再生能源出力预测值，
Figure GDA0003174494230000053
和
Figure GDA0003174494230000054
分别为k类能源的用户功率和可再生能源出力的最大预测误差幅值，
Figure GDA0003174494230000055
和
Figure GDA0003174494230000056
分别为k类能源的用户功率和可再生能源出力的波动比例；Uk为k类能源的用户功率和可再生能源出力的不确定集；Γk,t为t时段k类能源的用户功率和可再生能源出力的不确定集预算值；
(4-2)根据对等式转换理论将弱鲁棒优化模型中的不确定性约束转化为确定性约束；
所谓的对等式转化理论，即对于不等式
Figure GDA0003174494230000057
x为决策变量向量，a为系数向量；不确定性参数的总数为J，bj、
Figure GDA0003174494230000058
ξj和kj分别为第j个不确定性参数的预测值、最大预测误差幅值、波动比例和系数，j的取值范围为1～J；γ为松弛变量；
则上述不等式可以转化为：
Figure GDA0003174494230000059
其中，Γ为不确定性参数的不确定集预算值；
Figure GDA00031744942300000510
为序列
Figure GDA00031744942300000511
按从大到小进行排序后的序列，
Figure GDA00031744942300000512
为序列
Figure GDA00031744942300000513
的第
Figure GDA00031744942300000514
个元素，
Figure GDA00031744942300000515
为Γ向下取整的整数；
Figure GDA00031744942300000516
为kj与
Figure GDA00031744942300000517
乘积的绝对值构成的序列；
由此，弱鲁棒优化调度模型中的能源供求约束，可以转换为：
Figure GDA00031744942300000518
其中，
Figure GDA00031744942300000519
为Γk,t向下取整的整数。
与现有技术相比，本发明提供的一种微能源网弱鲁棒优化调度方法具有如下显著的效果：能够适用于不确定性参数下微能源网的优化调度，保障系统的安全运行，而且与传统鲁棒优化调度方法相比，能保证多数情况下系统能源供应能够满足用户需求基础上，大幅度提高了系统的经济性，能够有效权衡微能源网运行的经济性和风险性，改善调度模型的保守性，得到的调度方案更加合理、具有实际意义。
附图说明
图1为一种微能源网弱鲁棒优化方法的步骤示意图；
图2为典型微能源网的结构图；
图3为电价曲线图；
图4为电、热和天然气功率和风电出力预测曲线。
具体实施方式
以下结合附图和实例对本发明的具体实施做进一步说明。
本发明实施例将给出一个典型微能源网以弱鲁棒优化调度方法进行调度的具体应用实例。
如图1所示，一种微能源网弱鲁棒优化调度方法包括：
(1)获取微能源网的架构信息、能源价格、决策信息、用户功率和可再生能源出力信息；
(2)根据微能源网的架构信息，建立微能源网的能源转换和功率平衡模型；
(3)根据微能源网的能源价格和决策信息以及能源转换和功率平衡模型，建立微能源网的弱鲁棒优化调度模型；
(4)根据对等式转化理论将弱鲁棒优化调度模型中的不确定性约束转化为确定性约束；
(5)根据GAMS软件求得的最优解，进行微能源网调度。
所述的微能源网的架构信息包括：微能源网涉及的能源种类、能源转换设备种类，以及能源储存设备的种类。
所述的微能源网的决策信息包括：微能源网所允许的最大缺额功率比例，以及能源缺额功率惩罚系数。
本发明实施例中以某一典型微能源网为例，其包含的可再生能源为风电，其结构如图2所示。示例性地，所述的微能源网架构信息包括：所述典型微能源网涉及电、热和天然气共3种能源、能源转换设备包括热电联产、燃气锅炉和电锅炉共3种；能源储存设备包括储电、储热和储气共3种。
示例性地，所述的微能源网决策信息包括，微能源网所允许的电、热和天然气的最大缺额功率比例均为10％，以及电、热和天然气缺额功率的惩罚系数均为0.5元/kW。
所述步骤(2)包括以下步骤：
(2-1)根据所述的微能源网的架构信息，列写微能源网的输入输出功率平衡方程：
Figure GDA0003174494230000071
其中，
Figure GDA0003174494230000072
为微能源网从上层能源网购买能源的功率向量，K为能源种类总数，
Figure GDA0003174494230000073
为微能源网从上层能源网购买k类能源的功率，k的取值范围为1～K；同理，Ss、W、I、V、O、Qch、Qdis和L分别为微能源网向上层能源网卖出的能源、可再生能源出力、能源转换设备的总输入、不流经能源转换设备的能源、能源转换设备的总输出、能源储存设备充能、能源储存设备放能和用户的功率向量；
示例地，本发明实施例中Sb、Ss、W、Qch、Qdis和L为：
Figure GDA0003174494230000074
其中，
Figure GDA0003174494230000075
和
Figure GDA0003174494230000076
分别为微能源网从上层能源网买入的电功率、购入的天然气功率和卖出的电功率；We为风电出力；Le、Lg和Lh分别为电、天然气和热用户功率；
Figure GDA0003174494230000077
和
Figure GDA0003174494230000078
分别为储电设备的充放电功率；
Figure GDA0003174494230000079
和
Figure GDA00031744942300000710
分别为储气设备的充放气功率；
Figure GDA00031744942300000711
和
Figure GDA00031744942300000712
分别为储热设备的充放热功率。
(2-2)根据所述的微能源网的架构信息，将能源转换设备的总输入功率向量I和总输出功率向量O分别表示为能源转换设备的各个输入功率和输出功率之和：
Figure GDA00031744942300000713
其中，Pin和Pout分别为能源转换设备的输入和输出功率向量：
Figure GDA00031744942300000714
Figure GDA0003174494230000081
其中M为能源转换设备的输入功率总个数，N为能源转换设备的输出功率总个数，
Figure GDA0003174494230000082
和
Figure GDA0003174494230000083
分别为能源转换设备的第m个输入功率和第n个输出功率，m的取值范围为1～M，n的取值范围为1～N；A为输入关系矩阵，阶数为K行M列；B为输出关系矩阵，阶数为K行N列；A和B的元素根据如下规则获取：
Figure GDA0003174494230000084
Figure GDA0003174494230000085
其中，akm为A的第k行第m列的元素；bkn为B的第k行第n列的元素；
示例性地，本发明实施例中，能源转换设备的输入功率向量Pin和输出功率向量Pout为：
Pin＝[Pe EB,Pg CHP,Pg GB]T
Pout＝[Pe CHP,Ph CHP,Ph GB,Ph EB]T
其中，
Figure GDA0003174494230000086
和
Figure GDA0003174494230000087
分别为热电联产设备的电功率、天然气功率和热功率；
Figure GDA0003174494230000088
和
Figure GDA0003174494230000089
分别为电锅炉的电功率和热功率；
Figure GDA00031744942300000810
和
Figure GDA00031744942300000811
分别为电锅炉的天然气功率和热功率；
示例性地，本发明实施例中，输入关系矩阵A和B输出关系矩阵为：
Figure GDA00031744942300000812
Figure GDA00031744942300000813
(2-3)根据所述的微能源网的架构信息，微能源网的能源转换模型为：
Pout＝DPin
其中，D为转换关系矩阵，阶数为N行M列，D的元素根据如下规则获取：
Figure GDA00031744942300000814
其中，dnm为D的第n行第m列的元素；ηnm为
Figure GDA0003174494230000091
和
Figure GDA0003174494230000092
之间的转换效率；
示例性，本发明实施例中，转换关系矩阵D为：
Figure GDA0003174494230000093
其中，ηCHPe和ηCHPh分别为热电联产设备的产电效率和产热效率；ηEB为电锅炉效率；ηGB为燃气锅炉效率。
(2-4)根据步骤(2-1)～(2-3)，可以得到微能源网的功率平衡模型：
Sb-Ss+W＝FPin+L+Qch-Qdis
其中，F＝(A-BD)为中间关系矩阵，阶数为K行M列；
示例性，本发明实施例中，中间关系矩阵F为：
Figure GDA0003174494230000094
示例性，本发明实施例中，微能源网的功率平衡模型为：
Figure GDA0003174494230000095
所述的微能源网的弱鲁棒优化调度模型包括目标函数和约束条件；
所述的目标函数为：
maxF＝max{CE-COM-Cc-Cλ}
其中，F为微能源网的综合利润，CE为售能盈利、COM为设备维护成本、Cc为碳税收、Cλ为能源功率缺额惩罚项，各项根据下式计算：
Figure GDA0003174494230000101
其中，△t为优化时间间隔，T为优化总时段；Lk,t为t时段k类能源的用户功率预测值；
Figure GDA0003174494230000102
和
Figure GDA0003174494230000103
分别为t时段微能源网与上层能源网买卖k类能源的功率；ck,t、
Figure GDA0003174494230000104
和
Figure GDA0003174494230000105
分别为t时段微能源网向用户销售k类能源的价格，与上层能源网买卖k类能源的价格；
Figure GDA0003174494230000106
和
Figure GDA0003174494230000107
分别能源转换设备第m个输入功率和k类能源的能源储存设备的运行维护系数；ak为k类能源的CO2排放系数；cc为单位碳排放成本系数；γk,t为t时段k类能源的缺额功率，λk,t为t时段k类能源的缺额功率惩罚系数；
所述的约束条件为：
Figure GDA0003174494230000108
上式为能源供求约束，
Figure GDA0003174494230000109
和
Figure GDA00031744942300001010
分别为t时段k类能源的用户功率和可再生能源出力的实际值；
Figure GDA00031744942300001011
为所允许的k类能源的最大缺额功率比例；fkm为中间关系矩阵F的第k行第m列的元素；
Figure GDA00031744942300001012
为t时段能源转换设备的第m个输入功率；
Figure GDA00031744942300001013
和
Figure GDA00031744942300001014
分别为t时段k类能源的能源储存设备的充放能功率；
Figure GDA00031744942300001015
上式为能源转换设备运行约束，
Figure GDA00031744942300001016
为t时段能源转换设备的第n个输出功率；
Figure GDA00031744942300001017
和
Figure GDA00031744942300001018
分别能源转换设备的第m个输入功率的上下限，
Figure GDA00031744942300001019
为t-1时段能源转换设备的第m个输入功率；
Figure GDA00031744942300001020
和
Figure GDA00031744942300001021
分别为能源转换设备的第m个输入功率向下和向上爬坡速率；
Figure GDA0003174494230000111
上式为能源储存设备运行约束，Ek,0、Ek,T和Ek,t分别为k类能源的能源储存设备初始时刻、结束时刻和t时段的储能占比；
Figure GDA0003174494230000112
和
Figure GDA0003174494230000113
分别为k类能源的能源储存设备的充放能效率，βk为k类能源的能源储存设备的容量；
Figure GDA0003174494230000114
和
Figure GDA0003174494230000115
分别为k类能源的能源储存设备的最大充放能功率；Ek,max和Ek,min分别为k类能源的能源储存设备储能占比的上下限；
Figure GDA0003174494230000116
和
Figure GDA0003174494230000117
分别为标志t时段k类能源的能源储存设备的充放能状态变量，充能时
Figure GDA0003174494230000118
为1，放能时
Figure GDA0003174494230000119
为1，其他情况
Figure GDA00031744942300001110
和
Figure GDA00031744942300001111
均为0；
Figure GDA00031744942300001112
上式为能源交易约束，
Figure GDA00031744942300001113
和
Figure GDA00031744942300001114
分别为微能源网与上层能源网买卖k类能源的最大功率；
Figure GDA00031744942300001115
和
Figure GDA00031744942300001116
为标志t时段微能源网与上层能源网交易k类能源的状态变量，微能源网买入k类能源时
Figure GDA00031744942300001117
为1，微能源网卖出k类能源时
Figure GDA00031744942300001118
为1，其他情况
Figure GDA00031744942300001119
和
Figure GDA00031744942300001120
均为0。
所述的步骤(4)包括以下步骤：
(4-1)构建用户功率和可再生能源出力的不确定集；
用户功率和可再生能源出力的不确定集为：
Figure GDA00031744942300001121
Figure GDA00031744942300001122
其中，Wk,t为k类能源的可再生能源出力预测值，
Figure GDA00031744942300001123
和
Figure GDA00031744942300001124
分别为k类能源的用户功率和可再生能源出力的最大预测误差幅值，
Figure GDA00031744942300001125
和
Figure GDA00031744942300001126
分别为k类能源的用户功率和可再生能源出力的波动比例；Uk为的k类能源的用户功率和可再生能源出力的不确定集；Γk,t为t时段k类能源的用户功率和可再生能源出力的不确定集预算值；
(4-2)根据对等式转换理论将弱鲁棒优化模型中的不确定性约束转化为确定性约束；
所谓的对等式转化理论，即对于不等式
Figure GDA0003174494230000121
x为决策变量向量，a为系数向量；不确定性参数的总数为J，bj、
Figure GDA0003174494230000122
ξj和kj分别为第j个不确定性参数的预测值、最大预测误差幅值、波动比例和系数，j的取值范围为1～J；γ为松弛变量；
则上述不等式可以转化为：
Figure GDA0003174494230000123
其中，Γ为不确定性参数的不确定集预算值；
Figure GDA0003174494230000124
为序列
Figure GDA0003174494230000125
按从大到小进行排序后的序列，
Figure GDA0003174494230000126
为序列
Figure GDA0003174494230000127
的第
Figure GDA0003174494230000128
个元素，
Figure GDA0003174494230000129
为Γ向下取整的整数,
Figure GDA00031744942300001210
为kj与
Figure GDA00031744942300001211
乘积的绝对值构成的序列；
由此，弱鲁棒优化调度模型中的能源供求约束，可以转换为：
Figure GDA00031744942300001212
其中，
Figure GDA00031744942300001213
为Γk,t向下取整的整数。
本发明实施例中，优化时间间隔为1小时，全天优化总时段为24小时。图3为电价曲线。图4为电、热和天然气功率和风电出力预测曲线，电、热和天然气功率的最大预测误差比例为10％，风电出力最大预测误差比例为15％。任意时刻电能的不确定集预算值均为2，任意时刻热能的不确定集预算值均为1，任意时刻天然气的不确定集预算值均为1。
本发明实施例中，微能源网向用户售热价格为1.0元/kW·h，微能源网从上层气网买入天然气价格为3.15元/m3，向用户销售天然气的价格为4.15元/m3。
为进一步体现本发明的有效性和优越性，表1给出了3种方案的调度结果对比。方案1为传统优化调度，根据用户功率和风电出力的预测值进行优化调度；方案2为传统鲁棒优化调度，不允许出现功率缺额；方案3为本发明公开的微能源网弱鲁棒优化调度。
为进行鲁棒性分析，在用户功率和风电出力不确定预算集约束范围内，随机生成R＝100组用户功率以及风电出力场景，以模拟实际用户功率以及风电出力波动的情景，分别统计电、天然气和热功率缺额的小时数Ve、Vg和Vh，计算其占总小时数的百分比pu,e、pu,g和pu,h：
Figure GDA0003174494230000131
表1 3种方案下的优化结果及鲁棒性分析
Figure GDA0003174494230000132
由表1可知，传统优化调度的具有最高的经济收益但却不能应对用户功率以及风电出力的不确定性，一旦用户功率高于预测值或风电出力低于预测值，将出现功率缺额，鲁棒性最差；传统鲁棒优化调度杜绝出现功率缺额，但总收益比传统优化调度降低了23.01％，经济性最差，具有很强的保守性，不适用于实际情况；本文所提的弱鲁棒优化调度，则能保证大部分情况下微能源网的能源供应能满足用户需求，且经济效益仅比传统优化调度降低11.53％，能够权衡调度的经济性和风险性，有效地改善了调度方案的保守性，更加具有实际意义。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。

Claims (5)

1.一种微能源网弱鲁棒优化调度方法，其特征在于，包括以下步骤：
(1)获取微能源网的架构信息、能源价格、决策信息、用户功率和可再生能源出力信息；
(2)根据微能源网的架构信息，建立微能源网的能源转换和功率平衡模型；
所述步骤(2)包括以下步骤：
(2-1)根据所述的微能源网的架构信息，列写微能源网的输入输出功率平衡方程：
Figure FDA0003174494220000011
其中，
Figure FDA0003174494220000012
为微能源网从上层能源网购买能源的功率向量，K为能源种类总数，
Figure FDA0003174494220000019
为微能源网从上层能源网购买k类能源的功率，k的取值范围为1～K；同理，Ss、W、I、V、O、Qch、Qdis和L分别为微能源网向上层能源网卖出的能源、可再生能源出力、能源转换设备的总输入、不流经能源转换设备的能源、能源转换设备的总输出、能源储存设备充能、能源储存设备放能和用户的功率向量；
(2-2)根据所述的微能源网的架构信息，将能源转换设备的总输入功率向量I和总输出功率向量O分别表示为能源转换设备的各个输入功率和输出功率之和：
Figure FDA0003174494220000013
其中，Pin和Pout分别为能源转换设备的输入和输出功率向量：
Figure FDA0003174494220000014
Figure FDA0003174494220000015
其中，M为能源转换设备的输入功率总个数，N为能源转换设备的输出功率总个数，
Figure FDA0003174494220000016
和
Figure FDA0003174494220000017
分别为能源转换设备的第m个输入功率和第n个输出功率，m的取值范围为1～M，n的取值范围为1～N；A为输入关系矩阵，阶数为K行M列；B为输出关系矩阵，阶数为K行N列；A和B的元素根据如下规则获取：
Figure FDA0003174494220000018
Figure FDA0003174494220000021
其中，akm为A的第k行第m列的元素；bkn为B的第k行第n列的元素；
(2-3)根据所述的微能源网的架构信息，微能源网的能源转换模型为：
Pout＝DPin
其中，D为转换关系矩阵，阶数为N行M列，D的元素根据如下规则获取：
Figure FDA0003174494220000022
其中，dnm为D的第n行第m列的元素；ηnm为
Figure FDA0003174494220000023
和
Figure FDA0003174494220000024
之间的转换效率；
(2-4)根据步骤(2-1)～(2-3)，可以得到微能源网的功率平衡模型：
Sb-Ss+W＝FPin+L+Qch-Qdis
其中，F＝(A-BD)为中间关系矩阵，阶数为K行M列；
(3)根据微能源网的能源价格和决策信息以及能源转换和功率平衡模型，建立微能源网的弱鲁棒优化调度模型；
(4)根据对等式转化理论将弱鲁棒优化调度模型中的不确定性约束转化为确定性约束；
(5)根据GAMS软件求得的最优解，进行微能源网调度。
2.根据权利要求1所述的一种微能源网弱鲁棒优化调度方法，其特征在于，所述的微能源网的架构信息包括：微能源网涉及的能源种类，能源转换设备种类，以及能源储存设备种类。
3.根据权利要求1所述的一种微能源网弱鲁棒优化调度方法，其特征在于，所述的微能源网的决策信息包括：微能源网所允许的最大缺额功率比例，以及能源缺额功率惩罚系数。
4.根据权利要求1所述的一种微能源网弱鲁棒优化调度方法，其特征在于，所述的微能源网的弱鲁棒优化调度模型包括目标函数和约束条件；
所述的目标函数为：
max F＝max{CE-COM-Cc-Cλ}
其中，F为微能源网的综合利润，CE为售能盈利、COM为设备维护成本、Cc为碳税收、Cλ为能源功率缺额惩罚项，各项根据下式计算：
Figure FDA0003174494220000031
其中，
Figure FDA0003174494220000032
和
Figure FDA0003174494220000033
分别为t时段k类能源的能源储存设备的充放能功率，
Figure FDA0003174494220000034
为t时段能源转换设备的第m个输入功率；△t为优化时间间隔，T为优化总时段；Lk,t为t时段k类能源的用户功率预测值；
Figure FDA0003174494220000035
和
Figure FDA0003174494220000036
分别为t时段微能源网与上层能源网买卖k类能源的功率；ck,t、
Figure FDA0003174494220000037
和
Figure FDA0003174494220000038
分别为t时段微能源网向用户销售k类能源的价格，与上层能源网买卖k类能源的价格；
Figure FDA0003174494220000039
和
Figure FDA00031744942200000310
分别能源转换设备第m个输入功率和k类能源的能源储存设备的运行维护系数；ak为k类能源的CO2排放系数；cc为单位碳排放成本系数；γk,t为t时段k类能源的缺额功率，λk,t为t时段k类能源的缺额功率惩罚系数；
所述的约束条件为：
Figure FDA00031744942200000311
上式为能源供求约束，
Figure FDA00031744942200000312
和
Figure FDA00031744942200000313
分别为t时段k类能源的用户功率和可再生能源出力的实际值；
Figure FDA00031744942200000314
为所允许的k类能源的最大缺额功率比例；fkm为中间关系矩阵F的第k行第m列的元素；
Figure FDA00031744942200000315
为t时段能源转换设备的第m个输入功率；
Figure FDA00031744942200000316
和
Figure FDA00031744942200000317
分别为t时段k类能源的能源储存设备的充放能功率；
Figure FDA00031744942200000318
上式为能源转换设备运行约束，
Figure FDA00031744942200000319
为t时段能源转换设备的第n个输出功率；
Figure FDA00031744942200000320
和
Figure FDA0003174494220000041
分别能源转换设备的第m个输入功率的上下限，
Figure FDA0003174494220000042
为t-1时段能源转换设备的第m个输入功率；
Figure FDA0003174494220000043
和
Figure FDA0003174494220000044
分别为能源转换设备的第m个输入功率向下和向上爬坡速率；
Figure FDA0003174494220000045
上式为能源储存设备运行约束，Ek,0、Ek,T和Ek,t分别为k类能源的能源储存设备初始时刻、结束时刻和t时段的储能占比；Ek,t-1为k类能源的能源储存设备t-1时段的储能占比，
Figure FDA0003174494220000046
和
Figure FDA0003174494220000047
分别为k类能源的能源储存设备的充放能效率，βk为k类能源的能源储存设备的容量；
Figure FDA0003174494220000048
和
Figure FDA0003174494220000049
分别为k类能源的能源储存设备的最大充放能功率；Ek,max和Ek,min分别为第k类能源的能源储存设备的储能占比上下限；
Figure FDA00031744942200000410
和
Figure FDA00031744942200000411
分别为标志t时段k类能源的能源储存设备的充放能状态变量，充能时
Figure FDA00031744942200000412
为1，放能时
Figure FDA00031744942200000413
为1，其他情况
Figure FDA00031744942200000414
和
Figure FDA00031744942200000415
均为0；
Figure FDA00031744942200000416
上式为能源交易约束，
Figure FDA00031744942200000417
和
Figure FDA00031744942200000418
分别为微能源网与上层能源网买卖k类能源的最大功率；
Figure FDA00031744942200000419
和
Figure FDA00031744942200000420
为标志t时段微能源网与上层能源网交易k类能源的状态变量，微能源网买入k类能源时
Figure FDA00031744942200000421
为1，微能源网卖出k类能源时
Figure FDA00031744942200000422
为1，其他情况
Figure FDA00031744942200000423
和
Figure FDA00031744942200000424
均为0。
5.根据权利要求4所述的微能源网弱鲁棒优化调度方法，其特征在于，所述的步骤(4)包括以下步骤：
(4-1)构建用户功率和可再生能源出力的不确定集；
用户功率和可再生能源出力的不确定集为：
Figure FDA0003174494220000051
Figure FDA0003174494220000052
其中，Wk,t为k类能源的可再生能源出力预测值，
Figure FDA0003174494220000053
和
Figure FDA0003174494220000054
分别为k类能源的用户功率和可再生能源出力的最大预测误差幅值，
Figure FDA0003174494220000055
和
Figure FDA0003174494220000056
分别为k类能源的用户功率和可再生能源出力的波动比例；Uk为k类能源的用户功率和可再生能源出力的不确定集；Γk,t为t时段k类能源的用户功率和可再生能源出力的不确定集预算值；
(4-2)根据对等式转换理论将弱鲁棒优化模型中的不确定性约束转化为确定性约束；
所谓的对等式转化理论，即对于不等式
Figure FDA0003174494220000057
x为决策变量向量，a为系数向量；不确定性参数的总数为J，bj、
Figure FDA0003174494220000058
ξj和kj分别为第j个不确定性参数的预测值、最大预测误差幅值、波动比例和系数，j的取值范围为1～J,γ为松弛变量；
则上述不等式可以转化为：
Figure FDA0003174494220000059
其中，Γ为不确定性参数的不确定集预算值；
Figure FDA00031744942200000510
为序列
Figure FDA00031744942200000511
按从大到小进行排序后的序列，
Figure FDA00031744942200000512
为序列
Figure FDA00031744942200000513
的第
Figure FDA00031744942200000514
个元素，
Figure FDA00031744942200000515
为Γ向下取整的整数,
Figure FDA00031744942200000516
为kj与
Figure FDA00031744942200000517
乘积的绝对值构成的序列；
由此，弱鲁棒优化调度模型中的能源供求约束，转换为：
Figure FDA00031744942200000518
其中，
Figure FDA00031744942200000519
为Γk,t向下取整的整数。
CN201810268659.3A 2018-03-29 2018-03-29 一种微能源网的弱鲁棒优化调度方法 Active CN108491977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810268659.3A CN108491977B (zh) 2018-03-29 2018-03-29 一种微能源网的弱鲁棒优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810268659.3A CN108491977B (zh) 2018-03-29 2018-03-29 一种微能源网的弱鲁棒优化调度方法

Publications (2)

Publication Number Publication Date
CN108491977A CN108491977A (zh) 2018-09-04
CN108491977B true CN108491977B (zh) 2021-09-21

Family

ID=63317191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810268659.3A Active CN108491977B (zh) 2018-03-29 2018-03-29 一种微能源网的弱鲁棒优化调度方法

Country Status (1)

Country Link
CN (1) CN108491977B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034508B (zh) * 2018-10-18 2021-06-11 东南大学 考虑电热双重不确定性的综合能源系统鲁棒优化调度方法
CN109784533A (zh) * 2018-12-13 2019-05-21 中国电力科学研究院有限公司 一种区域能源互联网优化配置方法及系统
CN111210054A (zh) * 2019-12-22 2020-05-29 上海电力大学 一种考虑直接负荷控制不确定性的微能源网优化调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8606424B2 (en) * 2011-04-05 2013-12-10 King Fahd University Of Petroleum And Minerals Particle swarm optimization system and method for microgrids
CN105095999A (zh) * 2015-08-13 2015-11-25 同济大学 一种基于改进轻鲁棒模型的分布式发电站规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8606424B2 (en) * 2011-04-05 2013-12-10 King Fahd University Of Petroleum And Minerals Particle swarm optimization system and method for microgrids
CN105095999A (zh) * 2015-08-13 2015-11-25 同济大学 一种基于改进轻鲁棒模型的分布式发电站规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种改进轻鲁棒优化模型及其线性对应式;覃岭等;《中国电机工程学报》;20160705;第36卷(第13期);第3463-3469页 *
独立微电网分布式电源优化配置与协调控制;马艺玮;《中国博士学位论文全文数据库工程科技II辑》;20160115;第37-53、62、83-97页 *

Also Published As

Publication number Publication date
CN108491977A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
Mirzaei et al. Integrated energy hub system based on power‐to‐gas and compressed air energy storage technologies in the presence of multiple shiftable loads
El-Bidairi et al. A hybrid energy management and battery size optimization for standalone microgrids: A case study for Flinders Island, Australia
Aghaei et al. Multiobjective generation expansion planning considering power system adequacy
CN107979111A (zh) 一种基于两阶段鲁棒优化的微电网能量管理方法
Yang et al. Optimal sizing of a wind/solar/battery/diesel hybrid microgrid based on typical scenarios considering meteorological variability
Ahmadi et al. Multi-objective economic emission dispatch considering combined heat and power by normal boundary intersection method
CN107392395A (zh) 一种基于价格激励机制的配电网和微电网协调优化方法
CN107622324A (zh) 一种考虑多微网能量交互的鲁棒环境经济调度方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN110689189A (zh) 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法
CN106849190A (zh) 一种基于Rollout算法的多能互补微网实时调度方法
CN108491977B (zh) 一种微能源网的弱鲁棒优化调度方法
Yong et al. Economic dispatch of power system incorporating wind power plant
CN115688970B (zh) 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
CN115375344A (zh) 计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法
CN115764863A (zh) 一种基于数据驱动的多微网合作运行方法
Mekontso et al. Review of optimization techniques for sizing renewable energy systems
Ali et al. Development and planning of a hybrid power system based on advance optimization approach
Habibifar et al. Robust energy management of residential energy hubs integrated with Power-to-X technology
Jayawardana et al. Optimisation framework for the operation of battery storage within solar‐rich microgrids
Huang et al. Energy scheduling framework of micro-grids considering battery lifetime
Lin et al. An interval parameter optimization model for sustainable power systems planning under uncertainty
Chen et al. Multi-objective optimization of generation maintenance scheduling
CN115483718A (zh) 计及储能与需求响应的电-气虚拟电厂双层优化调度方法
Bouddou et al. Solving Bid-Based Dynamic Economic Dispatch in Competitive Electricity Market Using Improved Simulated Annealing Algorithm.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant