CN109494794B - 区域分布式储能优化调度方法及装置 - Google Patents

Abstract

本发明公开了基于多源日前预测不确定性的区域分布式储能优化调度方法及装置，充分考虑光伏、风电等分布式电源、负荷日前预测的不确定性，提出一种多源日前预测不确性的评判规则；考虑多源预测不确定性对配电网电能质量的影响，将多源预测不确定性作为区域分布式储能优化调度方法的一个边界条件，确保区域电能质量变化在可控范围之内；基于前述评判结论提出区域分布式储能经济调度方法，构建一种多源预测不确定性的惩罚机制，用于降低预测不确定性对分布式储能经济运行的影响，从而使区域分布式储能系统整体经济性最优。本发明充分考虑了多源预测不确定性对分布式储能优化调度的影响，在确保分布式储能系统运行稳定的基础上使经济性能最优。

Description

区域分布式储能优化调度方法及装置

技术领域

本发明涉及配电网自动化的技术领域，尤其涉及基于多源日前预测不确定性的区域分布式储能优化调度方法及装置。

背景技术

受自然条件限制，分布式能源发电具有很大的随机性和不确定性，当大量分布式能源接入电网时，会给电网的稳定和经济运行带来较大影响。为此，在分布式电源优化调度过程中，充分考虑分布式电源的不确定性，提高分布式电源的消纳能力，成为当前分布式电源研究的主要内容之一。

发明内容

为了克服现有技术的不足，本发明的目的在于提供基于多源日前预测不确定性的区域分布式储能优化调度方法及装置，旨在降低分布式电源不确定性带来的不利因素。

本发明的目的采用以下技术方案实现：

一种基于多源日前预测不确定性的区域分布式储能优化调度方法，包括：

获取步骤，基于多源分布式电源系统，获取现场数据信息；所述现场数据信息包括电参数信息和气象信息；所述电参数信息包括功率信息、电压信息、电流信息；所述气象信息包括风速信息、风向信息、温度信息、辐射信息；

预测步骤，根据现场数据信息，对多源分布式电源系统中的每种电源和负荷进行日前功率预测；

设置步骤，根据日前功率预测的预测结果和多源分布式电源系统的实际输出功率，计算每种电源和负荷的多源日前预测不确定性；设置多源日前预测不确定性的评判规则；

条件步骤，根据多源日前预测不确定性的评判规则，考虑多源日前预测不确定性对配电网电能质量的影响；将多源日前预测不确定性作为区域分布式储能优化调度方法的边界条件，确保区域电能质量变化在可控范围之内；

构建步骤，构建多源日前预测不确定性的惩罚机制；所述惩罚机制用于降低预测不确定性对分布式储能经济性能的影响，使区域分布式储能系统整体经济性最优。

在上述实施例的基础上，优选的，所述获取步骤中，电参数信息包括过去若干年的历史数据和实时采集的数据，气象信息包括过去若干年的历史数据和实时采集的数据。

在上述任意实施例的基础上，优选的，所述预测步骤，具体为：

根据现场数据信息，利用神经网络、支持向量机、时间序列法、空间相关法、卡尔曼滤波法和混合预测方法，对未来24小时内多源分布式电源系统中的每种电源和负荷功率进行预测。

在上述任意实施例的基础上，优选的，所述设置步骤中，

风电功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_W,t)的计算公式为：

光伏功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_S,t)的计算公式为：

负荷日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_L,t)的计算公式为：

式中，δP_W,t、δP_S,t、δP_L,t分别为风电、光伏和负荷预测t时刻的偏差值；μ_W,t、μ_S,t、μ_L,t分别为风电、光伏和负荷预测偏差的均值；σ_W,t、σ_S,t、σ_L,t分别为风电、光伏和负荷预测偏差的方差；

根据多变量正态分布的特性，各个变量的线性组合仍然服从正态分布，则多源不确定性的概率密度函数f(δP_total,t)的计算公式为：

式中，δP_total,t＝δP_L,t-δP_W,t-δP_S,t，表示多源预测的整体偏差值。

在上述实施例的基础上，优选的，所述条件步骤中，多源分布式电源系统满足功率平衡条件：

式中，P_Cl,t为常规电厂Cl在t时刻的输出功率；P_Bi,t为分布式储能Bi在t时刻的输出功率；P_Wj,t为风电机组^Wj在t时刻的输出功率；P_Sk,t为光伏电站Sk在t时刻的输出功率，P_L,t为t时刻的负荷；N_C为常规电厂总数；N_B为分布式储能总数；N_W为风电机组总数；N_S为光伏电站总数；

由于电网中存在多源不确定性，考虑多源不确定性的旋转备用约束为：

式中，

为常规电源的最大输出功率；

为分布式储能的最大输出功率；R为旋转备用容量。

在上述实施例的基础上，优选的，所述构建步骤中，为了降低预测不确定性对系统经济性的影响，在目标函数中增加预测不确定性的惩罚项，目标函数MinTC的计算公式为：

式中，S_i,t为常规机组t时段的开机状态；f(P_Ci,t)为常规机组t时段的运行成本；

为风电、光伏和负荷不确定性的惩罚因子，且

的大小由使用环境决定；

采用粒子群算法进行系统优化。

一种基于多源日前预测不确定性的区域分布式储能优化调度装置，包括：

获取模块，用于基于多源分布式电源系统，获取现场数据信息；所述现场数据信息包括电参数信息和气象信息；所述电参数信息包括功率信息、电压信息、电流信息；所述气象信息包括风速信息、风向信息、温度信息、辐射信息；

预测模块，用于根据现场数据信息，对多源分布式电源系统中的每种电源和负荷进行日前功率预测；

设置模块，用于根据日前功率预测的预测结果和多源分布式电源系统的实际输出功率，计算每种电源和负荷的多源日前预测不确定性；设置多源日前预测不确定性的评判规则；

条件模块，用于根据多源日前预测不确定性的评判规则，判定多源日前预测不确定性对配电网电能质量的影响；将多源日前预测不确定性作为区域分布式储能优化调度方法的边界条件，确保区域电能质量变化在可控范围之内；

构建模块，用于构建多源日前预测不确定性的惩罚机制；所述惩罚机制用于降低预测不确定性对分布式储能经济性能的影响，使区域分布式储能系统整体经济性最优。

在上述实施例的基础上，优选的，对于设置模块，

风电功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_W,t)的计算公式为：

光伏功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_S,t)的计算公式为：

负荷日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_L,t)的计算公式为：

式中，δP_W,t、δP_S,t、δP_L,t分别为风电、光伏和负荷预测t时刻的偏差值；μ_W,t、μ_S,t、μ_L,t分别为风电、光伏和负荷预测偏差的均值；σ_W,t、σ_S,t、σ_L,t分别为风电、光伏和负荷预测偏差的方差；

根据多变量正态分布的特性，各个变量的线性组合仍然服从正态分布，则多源不确定性的概率密度函数f(δP_total,t)的计算公式为：

式中，δP_total,t＝δP_L,t-δP_W,t-δP_S,t，表示多源预测的整体偏差值。

在上述实施例的基础上，优选的，对于条件模块，多源分布式电源系统满足功率平衡条件：

式中，P_Cl,t为常规电厂Cl在t时刻的输出功率；P_Bi,t为分布式储能Bi在t时刻的输出功率；P_Wj,t为风电机组^Wj在t时刻的输出功率；P_Sk,t为光伏电站Sk在t时刻的输出功率，P_L,t为t时刻的负荷；N_C为常规电厂总数；N_B为分布式储能总数；N_W为风电机组总数；N_S为光伏电站总数；

由于电网中存在多源不确定性，考虑多源不确定性的旋转备用约束为：

式中，

为常规电源的最大输出功率；

为分布式储能的最大输出功率；R为旋转备用容量。

在上述实施例的基础上，优选的，对于构建模块，为了降低预测不确定性对系统经济性的影响，在目标函数中增加预测不确定性的惩罚项，目标函数MinT_C的计算公式为：

式中，S_i,t为常规机组t时段的开机状态；f(P_Ci,t)为常规机组t时段的运行成本；

为风电、光伏和负荷不确定性的惩罚因子，且

的大小由使用环境决定；

采用粒子群算法进行系统优化。

相比现有技术，本发明的有益效果在于：

本发明公开了基于多源日前预测不确定性的区域分布式储能优化调度方法及装置，在优化调度过程中，充分考虑光伏、风电等分布式电源日前预测的不确定性，以及负荷日前预测的不确定性，提出一种多源日前预测不确性的评判规则；考虑多源预测不确定性对配电网电能质量的影响，将多源预测不确定性作为区域分布式储能优化调度方法的一个边界条件，确保区域电能质量变化在可控范围之内；基于多源预测不确定性的评判结论，提出一种区域分布式储能经济调度方法，在该调度方法中，构建一种多源预测不确定性的惩罚机制，该机制能够降低预测不确定性对分布式储能经济运行的影响，从而使区域分布式储能系统整体经济性最优。本发明充分考虑了多源预测不确定性对分布式储能优化调度的影响，在确保分布式储能系统运行稳定的基础上，使系统经济性能最优。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1示出了本发明实施例提供的一种基于多源日前预测不确定性的区域分布式储能优化调度方法的流程示意图；

图2示出了本发明实施例提供的一种粒子群迭代过程图；

图3示出了本发明实施例提供的一种多源分布式电源系统优化过程图；

图4示出了本发明实施例提供的一种基于多源日前预测不确定性的区域分布式储能优化调度装置的结构示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

具体实施例一

如图1所示，本发明实施例提供了一种基于多源日前预测不确定性的区域分布式储能优化调度方法，包括：

获取步骤S101，基于多源分布式电源系统，获取现场数据信息；所述现场数据信息包括电参数信息和气象信息；所述电参数信息包括功率信息、电压信息、电流信息；所述气象信息包括风速信息、风向信息、温度信息、辐射信息；在该步骤中，通过现场的光伏发电系统、风力发电系统和储能系统获取现场的电参数信息和功率信息；

预测步骤S102，根据现场数据信息，对多源分布式电源系统中的每种电源和负荷进行日前功率预测；在该步骤中，将获取的电参数信息和功率信息传输到服务器中，并对不同的分布式电源和负荷进行日前预测；

设置步骤S103，根据日前功率预测的预测结果和多源分布式电源系统的实际输出功率，计算每种电源和负荷的多源日前预测不确定性；设置多源日前预测不确定性的评判规则；

条件步骤S104，根据多源日前预测不确定性的评判规则，考虑多源日前预测不确定性对配电网电能质量的影响；将多源日前预测不确定性作为区域分布式储能优化调度方法的边界条件，确保区域电能质量变化在可控范围之内；

构建步骤S105，构建多源日前预测不确定性的惩罚机制；所述惩罚机制用于降低预测不确定性对分布式储能经济性能的影响，使区域分布式储能系统整体经济性最优。

优选的，所述获取步骤S101中，电参数信息包括过去若干年的历史数据和实时采集的数据，气象信息包括过去若干年的历史数据和实时采集的数据。

优选的，所述预测步骤S102，可以具体为：

根据现场数据信息，利用神经网络、支持向量机、时间序列法、空间相关法、卡尔曼滤波法和混合预测方法，对未来24小时内多源分布式电源系统中的每种电源和负荷功率进行预测。

优选的，所述设置步骤S103中，

风电功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_W,t)的计算公式为：

光伏功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_S,t)的计算公式为：

负荷日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_L,t)的计算公式为：

式中，δP_W,t、δP_S,t、δP_L,t分别为风电、光伏和负荷预测t时刻的偏差值；μ_W,t、μ_S,t、μ_L,t分别为风电、光伏和负荷预测偏差的均值；σ_W,t、σ_S,t、σ_L,t分别为风电、光伏和负荷预测偏差的方差；

根据多变量正态分布的特性，各个变量的线性组合仍然服从正态分布，则多源不确定性的概率密度函数f(δP_total,t)的计算公式为：

式中，δP_total,t＝δP_L,t-δP_W,t-δP_S,t，表示多源预测的整体偏差值。

优选的，所述条件步骤S104中，多源分布式电源系统可以满足功率平衡条件：

式中，P_Cl,t为常规电厂Cl在t时刻的输出功率；P_Bi,t为分布式储能Bi在t时刻的输出功率；P_Wj,t为风电机组Wj在t时刻的输出功率；P_Sk,t为光伏电站Sk在t时刻的输出功率，P_L,t为t时刻的负荷；N_C为常规电厂总数；N_B为分布式储能总数；N_W为风电机组总数；N_S为光伏电站总数；

由于电网中存在多源不确定性负荷，在考虑旋转备用时，需要考虑多源不确定性对旋转备用的影响。因此在本发明实施例中，提出了一种考虑多源不确定性的旋转备用条件，考虑多源不确定性的旋转备用约束为：

式中，

为常规电源的最大输出功率；

为分布式储能的最大输出功率；R为旋转备用容量。

优选的，所述构建步骤S105中，为了降低预测不确定性对系统经济性的影响，可以在目标函数中增加预测不确定性的惩罚项，目标函数MinT_C的计算公式为：

式中，S_i,t为常规机组t时段的开机状态；f(P_Ci,t)为常规机组t时段的运行成本；

为风电、光伏和负荷不确定性的惩罚因子，且

的大小由使用环境决定；

如图2所示，可以采用粒子群算法进行系统优化。利用本发明提出的算法，对一个含风电、光伏、储能、常规能源额负荷的系统进行优化，优化过程如图3所示。由图3可知，本发明实施例所提方法能够实现多源日前预测不确定性下的区域分布式储能优化调度，从而降低系统能源损耗和提高经济效益。

本发明实施例在优化调度过程中，充分考虑光伏、风电等分布式电源日前预测的不确定性，以及负荷日前预测的不确定性，提出一种多源日前预测不确性的评判规则；考虑多源预测不确定性对配电网电能质量的影响，将多源预测不确定性作为区域分布式储能优化调度方法的一个边界条件，确保区域电能质量变化在可控范围之内；基于多源预测不确定性的评判结论，提出一种区域分布式储能经济调度方法，在该调度方法中，构建一种多源预测不确定性的惩罚机制，该机制能够降低预测不确定性对分布式储能经济运行的影响，从而使区域分布式储能系统整体经济性最优。本发明实施例充分考虑了多源预测不确定性对分布式储能优化调度的影响，在确保分布式储能系统运行稳定的基础上，使系统经济性能最优。

在上述的具体实施例一中，提供了基于多源日前预测不确定性的区域分布式储能优化调度方法，与之相对应的，本申请还提供基于多源日前预测不确定性的区域分布式储能优化调度装置。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

具体实施例二

如图4所示，本发明实施例提供了一种基于多源日前预测不确定性的区域分布式储能优化调度装置，包括：

获取模块201，用于基于多源分布式电源系统，获取现场数据信息；所述现场数据信息包括电参数信息和气象信息；所述电参数信息包括功率信息、电压信息、电流信息；所述气象信息包括风速信息、风向信息、温度信息、辐射信息；

预测模块202，用于根据现场数据信息，对多源分布式电源系统中的每种电源和负荷进行日前功率预测；

设置模块203，用于根据日前功率预测的预测结果和多源分布式电源系统的实际输出功率，计算每种电源和负荷的多源日前预测不确定性；设置多源日前预测不确定性的评判规则；

条件模块204，用于根据多源日前预测不确定性的评判规则，判定多源日前预测不确定性对配电网电能质量的影响；将多源日前预测不确定性作为区域分布式储能优化调度方法的边界条件，确保区域电能质量变化在可控范围之内；

构建模块205，用于构建多源日前预测不确定性的惩罚机制；所述惩罚机制用于降低预测不确定性对分布式储能经济性能的影响，使区域分布式储能系统整体经济性最优。

优选的，对于获取模块201，电参数信息包括过去若干年的历史数据和实时采集的数据，气象信息包括过去若干年的历史数据和实时采集的数据。

优选的，对于预测模块202，可以用于：

根据现场数据信息，利用神经网络、支持向量机、时间序列法、空间相关法、卡尔曼滤波法和混合预测方法，对未来24小时内多源分布式电源系统中的每种电源和负荷功率进行预测。

优选的，对于设置模块203，

风电功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_W,t)的计算公式为：

光伏功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_S,t)的计算公式为：

负荷日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_L,t)的计算公式为：

式中，δP_W,t、δP_S,t、δP_L,t分别为风电、光伏和负荷预测t时刻的偏差值；μ_W,t、μ_S,t、μ_L,t分别为风电、光伏和负荷预测偏差的均值；σ_W,t、σ_S,t、σ_L,t分别为风电、光伏和负荷预测偏差的方差；

根据多变量正态分布的特性，各个变量的线性组合仍然服从正态分布，则多源不确定性的概率密度函数f(δP_total,t)的计算公式为：

式中，δP_total,t＝δP_L,t-δP_W,t-δP_S,t，表示多源预测的整体偏差值。

优选的，对于条件模块204，多源分布式电源系统可以满足功率平衡条件：

式中，P_Cl,t为常规电厂Cl在t时刻的输出功率；P_Bi,t为分布式储能Bi在t时刻的输出功率；P_Wj,t为风电机组Wj在t时刻的输出功率；P_Sk,t为光伏电站Sk在t时刻的输出功率，P_L,t为t时刻的负荷；N_C为常规电厂总数；N_B为分布式储能总数；N_W为风电机组总数；N_S为光伏电站总数；

由于电网中存在多源不确定性，考虑多源不确定性的旋转备用约束为：

式中，

为常规电源的最大输出功率；

为分布式储能的最大输出功率；R为旋转备用容量。

优选的，对于构建模块205，为了降低预测不确定性对系统经济性的影响，可以在目标函数中增加预测不确定性的惩罚项，目标函数MinT_C的计算公式可以为：

式中，S_i,t为常规机组t时段的开机状态；f(P_Ci,t)为常规机组t时段的运行成本；

为风电、光伏和负荷不确定性的惩罚因子，且

的大小由使用环境决定；

采用粒子群算法进行系统优化。

本发明实施例在优化调度过程中，充分考虑光伏、风电等分布式电源日前预测的不确定性，以及负荷日前预测的不确定性，提出一种多源日前预测不确性的评判规则；考虑多源预测不确定性对配电网电能质量的影响，将多源预测不确定性作为区域分布式储能优化调度方法的一个边界条件，确保区域电能质量变化在可控范围之内；基于多源预测不确定性的评判结论，提出一种区域分布式储能经济调度方法，在该调度方法中，构建一种多源预测不确定性的惩罚机制，该机制能够降低预测不确定性对分布式储能经济运行的影响，从而使区域分布式储能系统整体经济性最优。本发明实施例充分考虑了多源预测不确定性对分布式储能优化调度的影响，在确保分布式储能系统运行稳定的基础上，使系统经济性能最优。

本发明从使用目的上，效能上，进步及新颖性等观点进行阐述，其具有的实用进步性，己符合专利法所强调的功能增进及使用要件，本发明以上的说明及附图，仅为本发明的较佳实施例而己，并非以此局限本发明，因此，凡一切与本发明构造，装置，待征等近似、雷同的，即凡依本发明专利申请范围所作的等同替换或修饰等，皆应属本发明的专利申请保护的范围之内。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述，明显地，在不脱离本发明的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本发明不限于所述实施方案，而归于权利要求的范围，其包括所述每个因素的等同替换。对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (4)

1.一种基于多源日前预测不确定性的区域分布式储能优化调度方法，其特征在于，包括：

获取步骤，基于多源分布式电源系统，获取现场数据信息；所述现场数据信息包括电参数信息和气象信息；所述电参数信息包括功率信息、电压信息、电流信息；所述气象信息包括风速信息、风向信息、温度信息、辐射信息；

预测步骤，根据现场数据信息，对多源分布式电源系统中的每种电源和负荷进行日前功率预测；

设置步骤，根据日前功率预测的预测结果和多源分布式电源系统的实际输出功率，计算每种电源和负荷的多源日前预测不确定性；设置多源日前预测不确定性的评判规则；

条件步骤，根据多源日前预测不确定性的评判规则，考虑多源日前预测不确定性对配电网电能质量的影响；将多源日前预测不确定性作为区域分布式储能优化调度方法的边界条件，确保区域电能质量变化在可控范围之内；

构建步骤，构建多源日前预测不确定性的惩罚机制；所述惩罚机制用于降低预测不确定性对分布式储能经济性能的影响，使区域分布式储能系统整体经济性最优；

所述设置步骤中，

风电功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_W,t)的计算公式为：

光伏功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_S,t)的计算公式为：

负荷日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_L,t)的计算公式为：

式中，δP_W,t、δP_S,t、δP_L,t分别为风电、光伏和负荷预测t时刻的偏差值；μ_W,t、μ_S,t、μ_L,t分别为风电、光伏和负荷预测偏差的均值；σ_W,t、σ_S,t、σ_L,t分别为风电、光伏和负荷预测偏差的方差；

根据多变量正态分布的特性，各个变量的线性组合仍然服从正态分布，则多源不确定性的概率密度函数f(δP_total,t)的计算公式为：

式中，δP_total,t＝δP_L,t-δP_W,t-δP_S,t，表示多源预测的整体偏差值；

所述条件步骤中，多源分布式电源系统满足功率平衡条件：

式中，P_Cl,t为常规电厂Cl在t时刻的输出功率；P_Bi,t为分布式储能Bi在t时刻的输出功率；P_Wj,t为风电机组W_j在t时刻的输出功率；P_Sk,t为光伏电站Sk在t时刻的输出功率，P_L,t为t时刻的负荷；N_C为常规电厂总数；N_B为分布式储能总数；N_W为风电机组总数；N_S为光伏电站总数；

由于电网中存在多源不确定性，考虑多源不确定性的旋转备用约束为：

式中，

为常规电源的最大输出功率；

为分布式储能的最大输出功率；R为旋转备用容量；

所述构建步骤中，为了降低预测不确定性对系统经济性的影响，在目标函数中增加预测不确定性的惩罚项，目标函数MinT_C的计算公式为：

式中，S_i,t为常规机组t时段的开机状态；f(P_Ci,t)为常规机组t时段的运行成本；

为风电、光伏和负荷不确定性的惩罚因子，且

的大小由使用环境决定；

采用粒子群算法进行系统优化。

2.根据权利要求1所述的基于多源日前预测不确定性的区域分布式储能优化调度方法，其特征在于，所述获取步骤中，电参数信息包括过去若干年的历史数据和实时采集的数据，气象信息包括过去若干年的历史数据和实时采集的数据。

3.根据权利要求1所述的基于多源日前预测不确定性的区域分布式储能优化调度方法，其特征在于，所述预测步骤，具体为：

根据现场数据信息，利用神经网络、支持向量机、时间序列法、空间相关法、卡尔曼滤波法和混合预测方法，对未来24小时内多源分布式电源系统中的每种电源和负荷功率进行预测。

4.一种基于多源日前预测不确定性的区域分布式储能优化调度装置，其特征在于，包括：

获取模块，用于基于多源分布式电源系统，获取现场数据信息；所述现场数据信息包括电参数信息和气象信息；所述电参数信息包括功率信息、电压信息、电流信息；所述气象信息包括风速信息、风向信息、温度信息、辐射信息；

预测模块，用于根据现场数据信息，对多源分布式电源系统中的每种电源和负荷进行日前功率预测；

设置模块，用于根据日前功率预测的预测结果和多源分布式电源系统的实际输出功率，计算每种电源和负荷的多源日前预测不确定性；设置多源日前预测不确定性的评判规则；

条件模块，用于根据多源日前预测不确定性的评判规则，判定多源日前预测不确定性对配电网电能质量的影响；将多源日前预测不确定性作为区域分布式储能优化调度方法的边界条件，确保区域电能质量变化在可控范围之内；

构建模块，用于构建多源日前预测不确定性的惩罚机制；所述惩罚机制用于降低预测不确定性对分布式储能经济性能的影响，使区域分布式储能系统整体经济性最优；

对于设置模块，

风电功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_W,t)的计算公式为：

光伏功率日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_S,t)的计算公式为：

负荷日前预测不确定性服从正态分布，其预测偏差分布的概率密度函数f(δP_L,t)的计算公式为：

式中，δP_W,t、δP_S,t、δP_L,t分别为风电、光伏和负荷预测t时刻的偏差值；μ_W,t、μ_S,t、μ_L,t分别为风电、光伏和负荷预测偏差的均值；σ_W,t、σ_S,t、σ_L,t分别为风电、光伏和负荷预测偏差的方差；

根据多变量正态分布的特性，各个变量的线性组合仍然服从正态分布，则多源不确定性的概率密度函数f(δP_total,t)的计算公式为：

式中，δP_total,t＝δP_L,t-δP_W,t-δP_S,t，表示多源预测的整体偏差值；

对于条件模块，多源分布式电源系统满足功率平衡条件：

式中，P_Cl,t为常规电厂Cl在t时刻的输出功率；P_Bi,t为分布式储能Bi在t时刻的输出功率；P_Wj,t为风电机组W_j在t时刻的输出功率；P_Sk,t为光伏电站Sk在t时刻的输出功率，P_L,t为t时刻的负荷；N_C为常规电厂总数；N_B为分布式储能总数；N_W为风电机组总数；N_S为光伏电站总数；

由于电网中存在多源不确定性，考虑多源不确定性的旋转备用约束为：

式中，

为常规电源的最大输出功率；

为分布式储能的最大输出功率；R为旋转备用容量；

对于构建模块，为了降低预测不确定性对系统经济性的影响，在目标函数中增加预测不确定性的惩罚项，目标函数MinT_C的计算公式为：

式中，S_i,t为常规机组t时段的开机状态；f(P_Ci,t)为常规机组t时段的运行成本；

为风电、光伏和负荷不确定性的惩罚因子，且

的大小由使用环境决定；

采用粒子群算法进行系统优化。

Images