CN108667012A - 基于多场景的区域能源互联网源荷储双阶段协调优化方法 - Google Patents

Abstract

本申请公开了基于多场景的区域能源互联网源荷储双阶段协调优化方法，该方法首先根据区域能源互联网系统内各机组的运行特性和需求侧的响应特性，建立各机组及需求侧响应的数学模型；其次根据不确定变量生成随机场景集；然后根据日前的随机场景集，构建以总社会福利最大为目标的日前优化调度模型，确定第二天电价、各机组开停机状态和运行出力计划；最后以总运行成本最小为目标构建日内优化调度模型，对各机组运行出力计划进行修正，确定各机组日内运行功率以及储能系统充放电功率。通过本申请中的方法，能够提高区域能源互联网系统运行的可靠性、稳定性和鲁棒性。

Description

基于多场景的区域能源互联网源荷储双阶段协调优化方法

技术领域

本申请涉及区域能源互联网系统中多能源协调优化技术领域，特别是涉及一种基于多场景的区域能源互联网源荷储双阶段协调优化方法。

背景技术

区域能源互联网系统是一种以电力系统为核心的能源系统，其借助能源存储和转换技术，将电网、供冷供热网络和天然气管网等不同能源系统紧密耦合，整合利用区域内分布式可再生能源、储能、冷热电三联供等多种资源，对不同能源体系进行协调优化管理，从而实现冷、热、电、气、可再生能源等多种能源互补供应和协调运行，因此，区域能源互联网系统在未来能源转型的过程中是个非常重要的角色，研究区域能源互联网多能互补的协同优化运行和建设策略，是个非常重要的问题。

目前的区域能源互联网协调优化方法，主要是在供给侧进行优化调度以跟踪需求侧的变化，从而实现整个区域能源互联网的协调优化。具体地，目前的区域能源互联网协调优化方法，通常在三个层面提高可再生能源的接入比例，实现多分布式资源的多能互补、分层接入和就地消纳。在输电层面，根据实际环境条件考虑风电的大规模接入，以及风力发电与燃气发电的协调。在配网层面，考虑计及分布式发电和多微电网的灵活配电网以及风储联合接入的协调。在用户层面，考虑开展工业微网、社区微网、建筑光伏和用户互动的协调。

然而，目前的区域能源互联网协调优化方法中，仅从能源供给侧的角度进行优化调度，使供给侧跟踪需求侧的变化进行调整，并没有充分挖掘需求侧的资源。而且，目前的方法中没有考虑区域能源互联网系统中能源供给侧和需求侧之间的有效互动，使得目前区域能源互联网系统的运行稳定性和可靠性不够高。

发明内容

本申请提供了一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，以解决现有技术中区域能源互联网系统的运行稳定性和可靠性不够高的问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，所述方法包括：

S1：根据区域能源互联网系统内各机组的运行特性和需求侧的响应特性，建立各机组及需求侧响应的数学模型；

S2：根据所述数学模型中的不确定变量，生成随机场景集，随机场景集中包含随机变量；

S3：根据日前的随机场景集，构建以总社会福利最大为目标的日前优化调度模型，确定第二天电价、各机组开停机状态、储能系统充放电状态、储能系统各整点SOC参考值及第二天各机组的运行出力计划；

S4：根据日内的随机场景集和所述日前优化调度模型，以总运行成本最小为目标构建日内优化调度模型，对各机组运行出力计划进行修正，确定各机组日内运行功率以及储能系统充放电功率。

可选地，各机组及需求侧响应的数学模型，包括：

柴油发电机发电成本模型：其中Cg为柴油发电机发电成本；Pg为柴油发电机出力；a、b、c为柴油机的成本系数；

燃气轮机燃料成本模型：C_mt＝C_fuelP_mtΔt/η_mt,e，其中，C_mt为燃气轮机燃料成本；P_mt为燃气轮机发电功率；C_fuel为天然气价格；η_mt,e为燃气轮机的发电效率；

燃气轮机发电效率模型：其中，为燃气轮机发电功率的标幺值；a_mt、b_mt、c_mt、d_mt为燃气轮机效率系数；

储能系统荷电状态更新模型：SOC_t+1＝SOC_t+P_c,tη_cΔt/E_s-P_d,tη_dΔt/η_dE_s，其中，SOC_t为储能系统在t时刻的荷电状态；P_c,t和P_d,t分别为储能系统的充电和放电功率；η_c和η_d分别为充电和放电效率；E_s为储能系统的容量；

热回收系统出力模型：其中，η_rec为热回收系统的回收效率；N_mt为系统内燃气轮机数量；

燃气锅炉燃料成本模型：C_gb＝C_fuelQ_gbΔt/η_gb，其中，Q_gb为燃气锅炉的热功率；η_gb为燃气锅炉的效率；C_gb为燃气锅炉燃料成本；

吸收式制冷机的制冷模型：其中，Q_ac为吸收制冷机的制冷功率；为吸收制冷机从热回收系统吸收的热能；为从燃气锅炉吸收的热能；COP_ac为吸收制冷机的能效比；

电制冷机的制冷功率模型：Q_ec＝P_ecCOP_ec，其中，Q_ec为电制冷机的制冷功率；P_ec为电制冷机消耗的电功率；COP_ec为电制冷机的能效比；

需求侧响应模型：其中，为t时段非弹性负荷量；PDR_t为电价型响应负荷量；为电价型响应负荷第k段功率；

负荷需求与电价关系模型：其中，D_t为t时段用电负荷；p_t为电价；A_t为价格-弹性需求曲线的形状参数，由运行参考点决定；α_t为价格需求弹性系数。

可选地，步骤S2包括：

S21：分析随机变量的误差分布特性，采用轮盘赌法进行抽样，生成包含有大量随机场景的保留场景集，所述随机变量包括风机模型、光伏模型和负荷模型；

S22：对保留场景集中的大量随机场景进行削减，得到随机场景集。

可选地，所述步骤S21包括：

S211：确定随机变量的误差分布函数，得到随机变量的误差概率分布特性；

S212：对随机变量的误差分布函数进行积分，得到随机变量的误差累积分布函数；

S213：根据随机变量的误差累积分布函数，采用轮盘赌法进行抽样生成场景，得到各场景下的所述随机变量的偏差值及其发生概率；

S214：将步骤S213中得到的各场景下所述随机变量的偏差值与随机变量的预测值分别相加，得到随机变量场景，所述随机变量场景为所述随机变量在各场景下的取值；

S215：对所有随机变量，分别执行步骤S211至S214，将所有随机变量的随机变量场景相结合，得到区域能源互联网系统运行的保留场景集，且每个场景发生的概率等于该场景对应的各随机变量独立场景发生概率的乘积。

可选地，所述步骤S22包括：

S221：利用公式D_s,s'＝||ω_s-ω_s'||₂，计算保留场景集内各场景之间的距离，其中，保留场景集为Ω＝{ω₁,...,ω_N}，N为所有场景数量，每个场景发生的概率分别为π_s,S＝1,2,...,N，D_s,s'为场景s和场景s’之间的距离；表示2范数；

S222：利用公式计算保留场景集内各场景到其它场景之间的最小距离；

S223：利用公式选择最小距离与该场景发生概率乘积最小的场景，并将其从保留场景集中剔除；

S224：重复以上步骤S221-S223，直至保留场景集内场景个数小于或等于设定场景个数为止。

可选地，所述步骤S3包括：

S31：根据日前各机组的运行特性和需求侧的响应特性，获取日前的随机场景集；

S32：根据日前的随机场景集，以总社会福利最大为目标建立日前优化调度模型，目标函数为：其中，s为场景编号，N_s为随机场景数量，π_s为场景s发生概率，DC_s为需求曲线积分，OC_s为总运行成本，为第k段价格型响应对应电价，SU_g,i,t和SU_mt,j,t分别为柴油机的启动、停机成本，SD_g,i,t和SD_mt,j,t分别为燃气轮机的启动、停机成本；

S33：建立区域能源互联网系统日前调度约束条件，其中，

①功率平衡约束包括：

其中， 为系统在场景s下的冷热负荷；和为热回收系统和燃气锅炉提供的热功率；

②机组出力上下限约束包括：

0≤Q_ac,t,s≤Q_ac,max，0≤Q_ec,t,s≤Q_ec,max和其中，分别为柴油机、燃气轮机、燃气锅炉的开停机状态，0为停机，1为开机；

③最小开停机时间约束：

其中，T_gonmin和T_goffmin分别为柴油机最小开机和停机时间；

④储能约束包括：

储能系统上下限约束：SOC_min≤SOC_t,s≤SOC_max

储能系统充放电功率约束：其中，和分别为储能充放电状态；

储能系统充放电平衡约束：SOC_T＝SOC₀，其中，SOC₀储能系统初始荷电状态；

⑤热力系统约束包括：

和其中，Q_rec,max为热回收系统的额定功率；

⑥需求侧约束包括：

需求侧响应约束：PDR_min≤PDR_t≤PDR_max；

负荷平衡约束：

分段线性化满足：其中，D_t,ref为t时段负荷参考值，为t时段第k段价格型响应负荷量；

S34：采用优化软件对日前优化调度模型求解，获取日前调度结果，所述日前调度结果包括：第二天电价、各机组开停机计划、储能系统充放电计划及储能系统各整点SOC(State of Charge，荷电状态)参考值。

可选地，所述步骤S4包括：

S41：根据日内各机组的运行特性和需求侧的响应特性，获取日内的随机场景集；

S42：根据日内的随机场景集，以总运行成本最小为目标建立日内优化调度模型，目标函数为：

S43：建立区域能源互联网系统日内调度约束条件，其中，

①功率平衡约束包括：

其中， 为系统在场景s下的冷热负荷；和为热回收系统和燃气锅炉提供的热功率；

②机组出力上下限约束包括：

0≤Q_ac,t,s≤Q_ac,max，0≤Q_ec,t,s≤Q_ec,max和其中，分别为柴油机、燃气轮机、燃气锅炉的开停机状态，0为停机，1为开机；

③最小开停机时间约束：

其中，T_gonmin和T_goffmin分别为柴油机最小开机和停机时间；

④储能约束包括：

储能系统上下限约束：SOC_min≤SOC_t,s≤SOC_max

储能系统充放电功率约束：其中，和分别为储能充放电状态；

储能系统充放电平衡约束：SOC_T＝SOC₀，其中，SOC₀储能系统初始荷电状态；

⑤热力系统约束包括：

和其中，Q_rec,max为热回收系统的额定功率；

⑥需求侧约束包括：

需求侧响应约束：PDR_min≤PDR_t≤PDR_max；

负荷平衡约束：

分段线性化满足：其中，D_t,ref为t时段负荷参考值，为t时段第k段价格型响应负荷量；

S44：采用优化软件对日内优化调度模型求解，获取日内调度结果，所述日内调度结果包括：各机组运行功率和储能系统充放电功率。

可选地，日前优化调度每24小时执行一次，优化周期为24小时，时间间隔为1小时。

可选地，日内优化调度每1小时执行一次，优化周期为1小时，时间间隔为5分钟。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请提供一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，该方法首先建立各机组及需求侧响应的数学模型，其次根据数学模型生成随机场景集，以及根据数学模型和随机场景集建立日前-日内两个阶段的优化调度模型，然后分别对两个阶段的优化调度模型求解：通过日前优化调度模型确定电价和机组开停机运行计划，通过结合日前求解结果和滚动求解日内优化调度模型，确定各机组日内的运行计划。因此，目前的区域能源互联网协调优化方法能够调动能源供给侧和能源需求侧多方的响应潜力，考虑到了源荷储各方互动协调关系，能够更好地实现能源的削峰填谷，从而提高系统运行的稳定性和可靠性，还有利于降低系统运行成本。

而且，目前的协调优化方法中，针对可再生能源与负荷的不确定性采用多场景随机规划的方法，根据不确定变量生成随机场景集，利用场景来描述不确定变量，综合考虑可能的场景及发生概率从而获取最优调度策略，有利于降低不确定性变量的影响，具有较好的鲁棒性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所提供的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法的流程示意图；

图2为本申请实施例中区域能源互联网系统的结构示意图；

图3为负荷与价格响应曲线；

图4为离散处理后随机变量的误差概率分布特性图；

图5为随机变量的误差累积概率分布特性图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

为了更好地理解本申请，下面结合附图来详细解释本申请的实施方式。

参见图1，图1为本申请实施例所提供的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法的流程示意图。由图1可知，本实施例中的协调优化方法主要包括如下步骤：

S1：根据区域能源互联网系统内各机组的运行特性和需求侧的响应特性，建立各机组及需求侧响应的数学模型。

区域能源互联网系统的结构参见图2，通常一个区域能源互联网系统包括：电制冷机、吸收制冷机、燃气锅炉、燃气轮机、柴油发电机、储能系统、热回收系统、天然气、光伏、风机以及负荷等。图2中箭头方向代表信息与能量传输方向，粗线代表信息传输，标号为1的代表电能传输，标号为2的代表冷能量传输，标号为3的代表热能量传输，标号为4的代表天然气传输。

根据区域能源互联网系统内各机组的运行特性和需求侧的响应特性，所建立的数学模型，通常包括：能源供给侧的柴油发电机发电成本模型、燃气轮机燃料成本模型、燃气轮机发电效率模型、储能系统荷电状态更新模型、热回收系统出力模型、燃气锅炉燃料成本模型、吸收式制冷机的制冷模型以及电制冷机的制冷功率模型，能源需求侧的需求侧响应模型。

具体地，柴油发电机发电成本模型为：其中Cg为柴油发电机发电成本；Pg为柴油发电机出力；a、b、c为柴油机的成本系数。

燃气轮机燃料成本模型：C_mt＝C_fuelP_mtΔt/η_mt,e，其中，C_mt为燃气轮机燃料成本；P_mt为燃气轮机发电功率；C_fuel为天然气价格；η_mt,e为燃气轮机的发电效率。

其中，燃气轮机发电效率模型为三阶模型： 为燃气轮机发电功率的标幺值；a_mt、b_mt、c_mt、d_mt为燃气轮机效率系数。

储能系统荷电状态更新模型：SOC_t+1＝SOC_t+P_c,tη_cΔt/E_s-P_d,tη_dΔt/η_dE_s，其中，SOC_t为储能系统在t时刻的荷电状态；P_c,t和P_d,t分别为储能系统的充电和放电功率；η_c和η_d分别为充电和放电效率；E_s为储能系统的容量。

热回收系统回收燃气轮机发电余热，供应系统热负荷。热回收系统出力模型为：其中，η_rec为热回收系统的回收效率，N_mt为系统内燃气轮机数量。

燃气锅炉的运行成本与锅炉产生的热量和锅炉效率有关，燃气锅炉燃料成本模型：C_gb＝C_fuelQ_gbΔt/η_gb，其中，Q_gb为燃气锅炉的热功率，η_gb为燃气锅炉的效率，C_gb为燃气锅炉燃料成本。

吸收式制冷机吸收热机组的热能并将其转化为冷功率，吸收式制冷机的制冷模型：其中，Q_ac为吸收制冷机的制冷功率，为吸收制冷机从热回收系统吸收的热能，为从燃气锅炉吸收的热能，COP_ac为吸收制冷机的能效比。

根据电制冷机的电能-冷能转换关系，建立电制冷机的制冷功率模型：Q_ec＝P_ecCOP_ec，其中，Q_ec为电制冷机的制冷功率，P_ec为电制冷机消耗的电功率，COP_ec为电制冷机的能效比。

需求侧响应模型：其中，为t时段非弹性负荷量，PDR_t为电价型响应负荷量，为电价型响应负荷第k段功率。

能量需求侧的用电负荷包括弹性负荷与非弹性负荷，其中弹性负荷对电价的响应特性可以用价格需求弹性系数来表征，弹性负荷与价格的响应曲线，可以参见图3。根据图3可知，负荷需求与电价关系模型为：其中，D_t为t时段用电负荷，p_t为电价，A_t为价格-弹性需求曲线的形状参数，该参数由由运行参考点决定，α_t为价格需求弹性系数。由于弹性负荷对电价的响应特性为指数型，为便于处理，可对其进行分段线性化，因此总负荷能量可以表示为也就是本实施例中需求侧响应模型。

综上所述，本实施例中所建立的数学模型包括了能量供给侧的数学模型和能量需求侧的数学模型，能够调动能源供给侧和能源需求侧多方的响应潜力，能够实现源荷储各方互动协调关系，从而实现能源的削峰填谷，有利于提高系统运行的稳定性和可靠性，还有利于降低系统运行成本。

继续参见图1可知，建立能量供给侧和能量需求侧的数学模型后，执行步骤S2：根据所述数学模型中的不确定变量，生成随机场景集，随机场景集中包含随机变量。

具体地，步骤S2又包括如下过程：

S21：分析随机变量的误差分布特性，采用轮盘赌法进行抽样，生成大量随机场景，所述随机变量包括风机模型、光伏模型和负荷模型。

具体地，本实施中的场景生成方法包括：

S211：确定随机变量的误差分布函数，得到随机变量的误差概率分布特性。

为便于计算，本实施例中可以对随机变量的误差分布函数进行离散处理，离散处理后的随机变量误差概率分布特性，可以参见图4。

S212：对随机变量的误差分布函数进行积分，得到随机变量的误差累积分布函数。

随机变量的误差累积概率分布特性，可以参见图5。

S213：根据随机变量的误差累积分布函数，采用轮盘赌法进行抽样生成场景，得到各场景下的所述随机变量的偏差及其发生概率。

S214：将步骤S213中得到的各场景下所述随机变量的偏差值与随机变量的预测值分别相加，得到随机变量场景，所述随机变量场景为所述随机变量在各场景下的取值。

S215：对所有随机变量，分别执行步骤S211至S214，将所有随机变量的随机变量场景相结合，得到区域能源互联网系统运行的保留场景集，且每个场景发生的概率等于该场景对应的各随机变量独立场景发生概率的乘积。

例如：假设随机变量包括1、2、3……N共N个，场景包括A、B……M共M个。对N个随机变量，每个随机变量都有M个随机场景，那么最终对该系统能够构成M^N个随机场景，也就是保留场景集中共有M^N个随机场景。其中，第n个随机变量的第m个场景发生概率记为由于系统的每个随机场景分别对应各随机变量的一个场景，因此，系统的随机场景发生的概率，也就是每个场景发生的概率等于各随机变量相应独立场景发生概率的乘积。具体地，若对应各随机变量的场景发生概率为则系统的随机场景发生的概率为

由于生成的场景数量较大，无法直接应用，需要对生成的原始随机场景集进行削减，得到最终的随机场景集。即执行步骤S22：对生成的大量随机场景进行削减，得到随机场景集。

具体地，步骤S22又包括如下过程：

S221：利用公式D_s,s'＝||ω_s-ω_s'||₂，计算保留场景集内各场景之间的距离，其中，保留场景集为Ω＝{ω₁,...,ω_N}，N为所有场景数量，每个场景发生的概率分别为π_s,S＝1,2,...,N，D_s,s'为场景s和场景s’之间的距离；表示2范数。

S222：利用公式计算保留场景集内各场景到其它场景之间的最小距离。

S223：利用公式选择最小距离与该场景发生概率乘积最小的场景，并将其从保留场景集中剔除。

S224：重复以上步骤S221-S223，直至保留场景集内场景个数小于或等于设定场景个数为止。

执行完步骤S224后，获取到一满足场景个数要求的最终的随机场景集。

继续参见图1，S3：根据日前的随机场景集，构建以总社会福利最大为目标的日前优化调度模型，确定第二天电价、各机组开停机状态、储能系统充放电状态、储能系统各整点SOC参考值及第二天各机组的运行出力计划。

具体地，构建日前优化调度模型包括如下过程：

S31：根据日前各机组的运行特性和需求侧的响应特性，获取日前的随机场景集。

S32：根据日前的随机场景集，以总社会福利最大为目标建立日前优化调度模型，目标函数为：其中，s为场景编号，N_s为随机场景数量，π_s为场景s发生概率，DC_s为需求曲线积分，OC_s为总运行成本，为第k段价格型响应对应电价，SU_g,i,t和SU_mt,j,t分别为柴油机的启动、停机成本，SD_g,i,t和SD_mt,j,t分别为燃气轮机的启动、停机成本。

S33：建立区域能源互联网系统日前调度约束条件。其中，

①功率平衡约束包括：

其中， 为系统在场景s下的冷热负荷；和为热回收系统和燃气锅炉提供的热功率；

②机组出力上下限约束包括：

0≤Q_ac,t,s≤Q_ac,max，0≤Q_ec,t,s≤Q_ec,max和其中，分别为柴油机、燃气轮机、燃气锅炉的开停机状态，0为停机，1为开机。

③最小开停机时间约束：

其中，T_gonmin和T_goffmin分别为柴油机最小开机和停机时间。

④储能约束包括：

为保证储能系统正常运行，应避免储能系统处于过充和过放状态，因此设置储能系统上下限约束：SOC_min≤SOC_t,s≤SOC_max。

储能系统充放电功率受其性能限制，储能系统充放电功率约束：其中，和分别为储能充放电状态。

为保证调度的可持续性，在调度周期内应保持充放电的电量平衡，因此设置储能系统充放电平衡约束：SOC_T＝SOC₀，其中，SOC₀储能系统初始荷电状态。

⑤热力系统约束包括：

和其中，Q_rec,max为热回收系统的额定功率。

热回收系统和燃气锅炉产生的热功率，一部分直接供应热负荷，另一部分提供给吸收式制冷机，因此设置上述热力系统约束。

⑥需求侧约束包括：

需求侧响应约束：PDR_min≤PDR_t≤PDR_max；

负荷平衡约束：即：需求侧响应仅令负荷转移到不同的时间，而不改变一天内的总用电量。

分段线性化满足：其中，D_t,ref为t时段负荷参考值，为t时段第k段价格型响应负荷量。

S34：采用优化软件对日前优化调度模型求解，获取日前调度结果，所述日前调度结果包括：第二天电价、各机组开停机计划、储能系统充放电计划及储能系统各整点SOC参考值。

根据以上步骤S31-S33所得到的日前优化调度模型为一混合整数二次规划的模型，可以采用Gurobi等优化软件对日前优化调度模型进行求解。对日前优化调度模型求解后可以得到如下结果：第二天电价p_t，各机组开停机计划储能系统充放电计划和以及储能系统各整点SOC参考值。其中，电价及机组运行计划在所有场景下均相同，SOC参考值取各场景的运行期望值。

根据日前优化调度模型确定第二天电价以及各机组开停机计划等参数后，执行步骤S4：根据日内的随机场景集和所述日前优化调度模型，以总运行成本最小为目标构建日内优化调度模型，对各机组运行出力计划进行修正，确定各机组日内运行功率以及储能系统充放电功率。

具体地，步骤S4包括如下过程：

S41：根据日内各机组的运行特性和需求侧的响应特性，获取日内的随机场景集。

S42：根据日内的随机场景集，以总运行成本最小为目标建立日内优化调度模型，目标函数为：

S43：建立区域能源互联网系统日内调度约束条件。其中，

①功率平衡约束包括：

其中， 为系统在场景s下的冷热负荷；和为热回收系统和燃气锅炉提供的热功率；

②机组出力上下限约束包括：

0≤Q_ac,t,s≤Q_ac,max，0≤Q_ec,t,s≤Q_ec,max和其中，分别为柴油机、燃气轮机、燃气锅炉的开停机状态，0为停机，1为开机；

③最小开停机时间约束：

其中，T_gonmin和T_goffmin分别为柴油机最小开机和停机时间。

④储能约束包括：

储能系统上下限约束：SOC_min≤SOC_t,s≤SOC_max

储能系统充放电功率约束：其中，和分别为储能充放电状态；

储能系统充放电平衡约束：SOC_T＝SOC₀，其中，SOC₀储能系统初始荷电状态；

⑤热力系统约束包括：

和其中，Q_rec,max为热回收系统的额定功率；

⑥需求侧约束包括：

需求侧响应约束：PDR_min≤PDR_t≤PDR_max；

负荷平衡约束：

分段线性化满足：其中，D_t,ref为t时段负荷参考值，为t时段第k段价格型响应负荷量。

日内优化调度模型中各约束条件与日前优化调度模型中基本一致，两者主要区别包括：

(a)运行周期和时间间隔不同。

日前优化调度每24小时执行一次，优化周期为24小时，时间间隔为1小时；日内优化调度每1小时执行一次，优化周期为1小时，时间间隔为5分钟。

(b)日内优化调度模型中机组运行状态和电价取日前值。

(c)日内优化调度模型中储能系统的运行计划需要依据日前整点参考值。

也就是日内储能系统充放电平衡约束为：SOC_T＝SOC_T,ref，其中，SOC_T,ref为储能系统荷电状态的日前参考值。

S44：采用优化软件对日内优化调度模型求解，获取日内调度结果，所述日内调度结果包括：各机组运行功率和储能系统充放电功率。

根据以上步骤S41-S43所得到的日内优化调度模型为一混合整数二次规划的模型，可以采用Gurobi等优化软件对日内优化调度模型进行求解。对日内优化调度模型求解后可以得到如下结果：各机组运行出力P_g,t、P_mt,t、Q_ac,t、Q_ec,t、和储能系统充放电功率P_c,t和P_d,t，这些参数均取各场景下的运行期望值。

综上所述，本实施例中基于多场景的区域能源互联网源荷储双阶段协调优化方法，通过构建日前-日内两阶段的优化调度模型，利用两时间尺度逐级消除预测误差的影响，有利于提高系统运行的稳定性和可靠性。基于多个随机场景构建随机规划模型，有利于进一步提高区域能源互联网系统运行的可靠性和鲁棒性。建立区域能源互联网源-荷-储协调互动模型，能够充分挖掘能源供给侧和能源需求侧各主体的响应潜力，对系统内冷、热、电、气等多种能源进行协调优化，有利于提高系统运行的经济性和可靠性。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，所述方法包括：

S1：根据区域能源互联网系统内各机组的运行特性和需求侧的响应特性，建立各机组及需求侧响应的数学模型；

S2：根据所述数学模型中的不确定变量，生成随机场景集，随机场景集中包含随机变量；

S3：根据日前的随机场景集，构建以总社会福利最大为目标的日前优化调度模型，确定第二天电价、各机组开停机状态、储能系统充放电状态、储能系统各整点SOC参考值及第二天各机组的运行出力计划；

S4：根据日内的随机场景集和所述日前优化调度模型，以总运行成本最小为目标构建日内优化调度模型，对各机组运行出力计划进行修正，确定各机组日内运行功率以及储能系统充放电功率。

2.根据权利要求1所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，各机组及需求侧响应的数学模型，包括：

柴油发电机发电成本模型：其中Cg为柴油发电机发电成本；Pg为柴油发电机出力；a、b、c为柴油机的成本系数；

燃气轮机燃料成本模型：C_mt＝C_fuelP_mtΔt/η_mt,e，其中，C_mt为燃气轮机燃料成本；P_mt为燃气轮机发电功率；C_fuel为天然气价格；η_mt,e为燃气轮机的发电效率；

燃气轮机发电效率模型：其中，为燃气轮机发电功率的标幺值；a_mt、b_mt、c_mt、d_mt为燃气轮机效率系数；

储能系统荷电状态更新模型：SOC_t+1＝SOC_t+P_c,tη_cΔt/E_s-P_d,tη_dΔt/η_dE_s，其中，SOC_t为储能系统在t时刻的荷电状态；P_c,t和P_d,t分别为储能系统的充电和放电功率；η_c和η_d分别为充电和放电效率；E_s为储能系统的容量；

热回收系统出力模型：其中，η_rec为热回收系统的回收效率；N_mt为系统内燃气轮机数量；

燃气锅炉燃料成本模型：C_gb＝C_fuelQ_gbΔt/η_gb，其中，Q_gb为燃气锅炉的热功率；η_gb为燃气锅炉的效率；C_gb为燃气锅炉燃料成本；

吸收式制冷机的制冷模型：其中，Q_ac为吸收制冷机的制冷功率；为吸收制冷机从热回收系统吸收的热能；为从燃气锅炉吸收的热能；COP_ac为吸收制冷机的能效比；

电制冷机的制冷功率模型：Q_ec＝P_ecCOP_ec，其中，Q_ec为电制冷机的制冷功率；P_ec为电制冷机消耗的电功率；COP_ec为电制冷机的能效比；

需求侧响应模型：其中，为t时段非弹性负荷量；PDR_t为电价型响应负荷量；为电价型响应负荷第k段功率；

负荷需求与电价关系模型：其中，D_t为t时段用电负荷；p_t为电价；A_t为价格-弹性需求曲线的形状参数，由运行参考点决定；α_t为价格需求弹性系数。

3.根据权利要求1所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，步骤S2包括：

S21：分析随机变量的误差分布特性，采用轮盘赌法进行抽样，生成包含有大量随机场景的保留场景集，所述随机变量包括风机模型、光伏模型和负荷模型；

S22：对保留场景集中的大量随机场景进行削减，得到随机场景集。

4.根据权利要求3所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，所述步骤S21包括：

S211：确定随机变量的误差分布函数，得到随机变量的误差概率分布特性；

S212：对随机变量的误差分布函数进行积分，得到随机变量的误差累积分布函数；

S213：根据随机变量的误差累积分布函数，采用轮盘赌法进行抽样生成场景，得到各场景下的所述随机变量的偏差值及其发生概率；

S214：将步骤S213中得到的各场景下所述随机变量的偏差值与随机变量的预测值分别相加，得到随机变量场景，所述随机变量场景为所述随机变量在各场景下的取值；

S215：对所有随机变量，分别执行步骤S211至S214，将所有随机变量的随机变量场景相结合，得到区域能源互联网系统运行的保留场景集，且每个场景发生的概率等于该场景对应的各随机变量独立场景发生概率的乘积。

5.根据权利要求3所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，所述步骤S22包括：

S221：利用公式D_s,s'＝||ω_s-ω_s'||₂，计算保留场景集内各场景之间的距离，其中，保留场景集为Ω＝{ω₁,...,ω_N}，N为所有场景数量，每个场景发生的概率分别为π_s,S＝1,2,...,N，D_s,s'为场景s和场景s’之间的距离；||g||₂表示2范数；

S222：利用公式计算保留场景集内各场景到其它场景之间的最小距离；

S223：利用公式s∈S，选择最小距离与该场景发生概率乘积最小的场景，并将其从保留场景集中剔除；

S224：重复以上步骤S221-S223，直至保留场景集内场景个数小于或等于设定场景个数为止。

6.根据权利要求1所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，所述步骤S3包括：

S31：根据日前各机组的运行特性和需求侧的响应特性，获取日前的随机场景集；

S32：根据日前的随机场景集，以总社会福利最大为目标建立日前优化调度模型，目标函数为：其中，s为场景编号，N_s为随机场景数量，π_s为场景s发生概率，DC_s为需求曲线积分，OC_s为总运行成本，为第k段价格型响应对应电价，SU_g,i,t和SU_mt,j,t分别为柴油机的启动、停机成本，SD_g,i,t和SD_mt,j,t分别为燃气轮机的启动、停机成本；

S33：建立区域能源互联网系统日前调度约束条件，其中，

①功率平衡约束包括：

和其中， 为系统在场景s下的冷热负荷；和为热回收系统和燃气锅炉提供的热功率；

②机组出力上下限约束包括：

0≤Q_ac,t,s≤Q_ac,max，0≤Q_ec,t,s≤Q_ec,max和其中，分别为柴油机、燃气轮机、燃气锅炉的开停机状态，0为停机，1为开机；

③最小开停机时间约束：

其中，T_gonmin和T_goffmin分别为柴油机最小开机和停机时间；

④储能约束包括：

储能系统上下限约束：SOC_min≤SOC_t,s≤SOC_max

储能系统充放电功率约束：其中，和分别为储能充放电状态；

储能系统充放电平衡约束：SOC_T＝SOC₀，其中，SOC₀储能系统初始荷电状态；

⑤热力系统约束包括：

和其中，Q_rec,max为热回收系统的额定功率；

⑥需求侧约束包括：

需求侧响应约束：PDR_min≤PDR_t≤PDR_max；

负荷平衡约束：

分段线性化满足：其中，D_t,ref为t时段负荷参考值，为t时段第k段价格型响应负荷量；

S34：采用优化软件对日前优化调度模型求解，获取日前调度结果，所述日前调度结果包括：第二天电价、各机组开停机计划、储能系统充放电计划及储能系统各整点SOC参考值。

7.根据权利要求1所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，所述步骤S4包括：

S41：根据日内各机组的运行特性和需求侧的响应特性，获取日内的随机场景集；

S42：根据日内的随机场景集，以总运行成本最小为目标建立日内优化调度模型，目标函数为：

S43：建立区域能源互联网系统日内调度约束条件，其中，

①功率平衡约束包括：

和其中， 为系统在场景s下的冷热负荷；和为热回收系统和燃气锅炉提供的热功率；

②机组出力上下限约束包括：

0≤Q_ac,t,s≤Q_ac,max，0≤Q_ec,t,s≤Q_ec,max和其中，分别为柴油机、燃气轮机、燃气锅炉的开停机状态，0为停机，1为开机；

③最小开停机时间约束：

其中，T_gonmin和T_goffmin分别为柴油机最小开机和停机时间；

④储能约束包括：

储能系统上下限约束：SOC_min≤SOC_t,s≤SOC_max

储能系统充放电功率约束：其中，和分别为储能充放电状态；

储能系统充放电平衡约束：SOC_T＝SOC₀，其中，SOC₀储能系统初始荷电状态；

⑤热力系统约束包括：

和其中，Q_rec,max为热回收系统的额定功率；

⑥需求侧约束包括：

需求侧响应约束：PDR_min≤PDR_t≤PDR_max；

负荷平衡约束：

分段线性化满足：其中，D_t,ref为t时段负荷参考值，为t时段第k段价格型响应负荷量；

S44：采用优化软件对日内优化调度模型求解，获取日内调度结果，所述日内调度结果包括：各机组运行功率和储能系统充放电功率。

8.根据权利要求1-7中任意一项所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，日前优化调度每24小时执行一次，优化周期为24小时，时间间隔为1小时。

9.根据权利要求1-7中任意一项所述的一种基于多场景的区域能源互联网源荷储双阶段协调优化方法，其特征在于，日内优化调度每1小时执行一次，优化周期为1小时，时间间隔为5分钟。