CN110854932A

CN110854932A - 一种交直流配电网多时间尺度优化调度方法及系统

Info

Publication number: CN110854932A
Application number: CN201911150247.0A
Authority: CN
Inventors: 刘磊; 张宏伟; 舒四海; 王帅; 肖庆维; 李峥; 朱振兴; 周长城; 于海波; 孙钒; 秦福欣
Original assignee: Qingdao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Current assignee: Qingdao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date: 2019-11-21
Filing date: 2019-11-21
Publication date: 2020-02-28
Anticipated expiration: 2039-11-21
Also published as: CN110854932B

Abstract

本公开提供了本发明提出了一种交直流配电网多时间尺度优化调度方法及系统，采用马尔可夫链动态场景法来生成模拟分布式能源的出力预测场景，保证了生成场景的可靠性即使在预测时间尺度过长时也保证生成场景的有效性；采用基于模型预测控制的多时间尺度优化调度方法来计划各个可控分布式电源的出力计划值，采用模型预测控制方法，以实时优化调度出力值和日前日内优化调度出力值偏差最小为优化目标，对日前日内求出来的调度期望值进行滚动优化和反馈校正；相比于传统的优化调度策略，本公开通过闭环控制及时修正调度结果的误差，能够最大程度的消纳不可控分布式能源，提高可控分布式能源出力的平稳性，保证交直流配电网的稳定运行。

Description

一种交直流配电网多时间尺度优化调度方法及系统

技术领域

本公开涉及交直流配电网调度技术领域，特别涉及一种交直流配电网多时间尺度优化调度方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

主动配电网(active distribution network，ADN)具有能主动调整潮流分布、管理多种分布式电源、提高分布式电源利用效率的优势。交直流配电网作为AND的重要表现形式可更高效地接纳直流源荷，是未来配电网的重要发展方向。相比于交流配电网，直流配电能够更好地确保电能的质量和传输的距离。分布式电源(Distributed Generation，DG)和储能装置(Energy Storage System，ESS)需要通过电压源换流器(Voltage SourceConverter，VSC)才能接入交流配电网。而在交直流配电网中，DG和ESS无需通过VSC就可直接接入交直流配电网中的直流部分，相比于交流配电网将节省大量的换流器，从而减少能量损耗。

分布式电源是交直流配电网中的重要组成部分，其中有一部分分布式电源(风电、光伏)的出力具有随机性和波动性，是不可控的，其预测精度会随着时间尺度的增加而大幅度降低，合理地计划可控分布式电源的出力是消纳不可控分布式电源，保证配电网稳定运行的关键。针对不可控分布式电源的出力的不确定性，目前广泛采用的是基于随机规划的方法，随机规划中最常用的方法是基于场景的随即规划，其核心思想是根据不确定因素的变化规律，生成多个场景，使得决策变量在多个场景下都能满足要求，最终选择期望成本值最小的调度方法。

本公开发明人发现，目前国内外现有的多时间尺度优化调度方法难以很好地满足交直流配电网稳定运行的需要，主要表现在：

(1)传统的场景生成方法是采用正态分布或者Beta分布来模拟风电、光伏出力的预测误差分布，但根据历史数据表明，绝大多数的风电和光伏出力的预测误差分布并不符合正态分布或者Beta分布，这是因为不同的预测方法可能会导致完全不同的经验分布，所以如果采用正态分布或者Beta分布，得到的风电和光伏预测值的误差会较大，导致生成的场景参考性较低。

(2)传统的多时间尺度优化调度方法在各个时间尺度均以成本最小为目标来求解不可控分布式电源的出力计划值，但却没有进一步考虑系统的稳定性，求解出来的调度计划值不一定能保证交直流配电网的稳定运行。

发明内容

为了解决现有技术的不足，本公开提供了一种交直流配电网多时间尺度优化调度方法及系统，采用马尔可夫链动态场景法来生成模拟分布式能源的出力预测场景，保证了生成场景的可靠性即使在预测时间尺度过长时也保证生成场景的有效性；通过闭环控制及时修正调度结果的误差，能够最大程度的消纳不可控分布式能源，提高可控分布式能源出力的平稳性，保证交直流配电网的稳定运行。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种交直流配电网多时间尺度优化调度方法。

一种交直流配电网多时间尺度优化调度方法，步骤如下：

利用马尔可夫链-动态场景法生成多时间尺度优化调度所需的分布式能源出力预测场景；

将微型燃气轮机按照开停机时间的不同分为常规微型燃气轮机和快速启动微型燃气轮机，以马尔可夫链-动态场景法生成的各场景下的总运行成本的期望值之和最小为目标，进行日前调度，得到微型燃气轮机和储能装置的开停机计划；

利用动态场景法生成风电和负荷的短期预测场景，以各场景下总运行成本的期望值之和最小为目标，以日前调度得到的微型燃气轮机和储能装置的开停机计划为输入，进行日内调度，得到常规微型燃气轮机的出力计划、联络线功率、快速启动微型燃气轮机的出力期望值、储能装置的出力期望值和储能装置储能状态的期望值；

以日内调度得到的数据为输入，以实时优化得到的调度出力值和日前日内优化调度出力值偏差最小为优化目标，对日前日内求出来的调度期望值进行滚动优化和反馈校正，得到快速启动微型燃气轮机的出力、储能装置的出力和储能装置的储能状态。

作为可能的一些实现方式，利用马尔可夫链-动态场景法生成多时间尺度优化调度所需的分布式能源出力预测场景，具体为：

(1-1)对分布式能源发电功率或负荷功率的历史数据进行统计，得到由包含预测值、实测值、预测误差的数据组组成的样本，将样本中的数据转换为标幺值；

(1-2)生成多个预测盒，设定每个预测盒的宽度，根据历史数据样本的预测值大小将样本放入不同的预测盒；

(1-3)将概率误差根据设定的标准差离散化为多个区间，计算各个预测盒的误差状态向量；

(1-4)根据预测盒内的误差状态向量生成各个预测盒的概率密度函数；

(1-5)生成多个均值为零，标准差为∑的服从多元联合标准正态分布的随机向量；

(1-6)通过逆变换，将服从多元联合标准正态分布的随机向量转化成具有相关性的误差，生成预测时间段内的误差场景；

(1-7)构建状态转移矩阵，通过状态转移矩阵构造下一时间段内各个预测盒的误差状态向量，然后返回步骤(1-4)继续进行场景生成。

作为进一步的限定，日前调度具体为：每24小时执行一次，时间间隔为1小时，根据马尔可夫链-动态场景法生成分布式能源出力的预测场景，每4小时改变一次各预测盒内的预测误差状态分布，以各场景下的总运行成本的期望值之和最小为目标，得到微型燃气轮机和储能装置的开停机计划。

作为进一步的限定，日内调度具体为：每1小时执行一次，时间间隔为15分钟，采用动态场景法生成分布式能源出力的短期预测场景，以各场景下总运行成本的期望值之和最小为目标，以日前调度得到的微型燃气轮机和储能装置的开停机计划为输入，得到常规微型燃气轮机的出力和联络线功率。

作为进一步的限定，每5分钟执行一次，时间间隔为5分钟，以日内调度得到的数据为输入，采用模型预测控制对机组出力进行滚动优化校正，得到快速启动微型燃气轮机和储能装置的出力。

作为更进一步的限定，以当前交直流配电网络中快速启动微型燃气轮机和储能装置的实际值作为初始状态建立出力预测模型，根据日内优化调度的期望值，滚动优化未来15分钟的控制指令序列，下发第一个时间段的控制指令，修正控制变量，在下一个采样时刻，再以实际测量到的值作为下一个时刻滚动优化的初始值，进行新一轮的优化。

作为更进一步的限定，所述预测模型，具体为：

其中，N表示预测步长；P_DG0(k)和P_store0(k)分别为可控分布式能源和储能装置在采样时刻测量到的实际值，也就是初始值；Δu_DG(k+t|k)和Δu_ESS(k+t|k)分别为k时刻预测未来时间段内的可控分布式能源和储能装置的有功出力增量；P_DG(k+i|k)和P_store(k+i|k)分别为k时刻预测未来k+i时刻分布式能源和储能装置的有功出力值。

本公开第二方面提供了一种交直流配电网多时间尺度优化调度系统。

一种交直流配电网多时间尺度优化调度系统，包括：

场景生成模块，被配置为：利用马尔可夫链-动态场景法生成多时间尺度优化调度所需的分布式能源出力预测场景；

日前调度模块，被配置为：将微型燃气轮机按照开停机时间的不同分为常规微型燃气轮机和快速启动微型燃气轮机，以马尔可夫链-动态场景法生成的各场景下的总运行成本的期望值之和最小为目标，进行日前调度，得到微型燃气轮机和储能装置的开停机计划；

日内调度模块，被配置为：利用动态场景法生成风电和负荷的短期预测场景，以各场景下总运行成本的期望值之和最小为目标，以日前调度得到的微型燃气轮机和储能装置的开停机计划为输入，进行日内调度，得到常规微型燃气轮机的出力计划、联络线功率、快速启动微型燃气轮机的出力期望值、储能装置的出力期望值和储能装置储能状态的期望值；

实时调度模块，被配置为：以日内调度得到的数据为输入，以实时优化得到的调度出力值和日前日内优化调度出力值偏差最小为优化目标，对日前日内求出来的调度期望值进行滚动优化和反馈校正，得到快速启动微型燃气轮机的出力、储能装置的出力和储能装置的储能状态。

本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的交直流配电网多时间尺度优化调度方法中的步骤。

本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的交直流配电网多时间尺度优化调度方法中的步骤。

与现有技术相比，本公开的有益效果是：

1、本公开采用马尔可夫链-动态场景法生成分布式能源出力预测场景，首先采用服从多元联合正态分布的协方差矩阵来模拟风电或者光伏发电的经验分布，然后通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的风功率或负荷误差序列，保证了生成场景的可靠性。

2、本公开考虑到预测误差的时间相关性，利用马尔可夫链来描述不可控分布式能源的预测误差随时间的变化过程，即使在预测时间尺度过长时也保证生成场景的有效性。

3、本公开采用模型预测控制方法，以实时优化调度出力值和日前日内优化调度出力值偏差最小为优化目标，对日前日内求出来的调度期望值进行滚动优化和反馈校正，相比于传统的优化调度策略，本公开可以通过闭环控制及时修正调度结果的误差，能够最大程度的消纳不可控分布式能源，提高可控分布式能源出力的平稳性，保证交直流配电网的稳定运行。

附图说明

图1为本公开实施例1提供的交直流配电网多时间尺度优化调度方法的流程示意图。

图2为本公开实施例1提供的VSC换流站的等值电路图。

图3为本公开实施例1提供的实时调度优化的流程示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

本公开实施例1提供了一种交直流配电网多时间尺度优化调度方法，采用马尔可夫链动态场景法来生成多时间尺度优化调度所需要的场景来模拟风电、光伏的出力。马尔可夫链-动态场景法动态场景生成的基本思路是首先用服从多元联合正态分布的协方差矩阵来模拟风电、光伏的经验分布，然后通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的风功率或负荷误差序列，保证了生成场景的可靠性。另外，考虑到预测误差的时间相关性，利用马尔可夫链来描述不可控分布式能源的预测误差随时间的变化过程，即使在预测时间尺度过长时也保证生成场景的有效性。

采用基于模型预测控制的多时间尺度优化调度方法来计划各个可控分布式电源的出力计划值。采用模型预测控制方法，以实时优化调度出力值和日前日内优化调度出力值偏差最小为优化目标，对日前日内求出来的调度期望值进行滚动优化和反馈校正。相比于传统的优化调度策略，该方法可以通过闭环控制及时修正调度结果的误差，能够最大程度的消纳不可控分布式能源，提高可控分布式能源出力的平稳性，保证交直流配电网的稳定运行。

具体方案如下：

(一)马尔可夫链-动态场景法

动态场景生成的基本思路是通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的风功率或负荷误差序列，但这种方法忽略了预测误差在时间尺度上的关联性。马尔可夫链为随机预测误差随时间的变化过程，由于马尔可夫链在风电、光伏出力序列模拟中表现出良好性能，于是本文在原有的动态场景生成的基础上加入了马尔可夫链，通过状态转移矩阵来模拟预测误差状态在时间轴上的相关性，具体步骤如下：

(1)历史数据处理。对风功率或负荷功率的历史数据进行统计，得到由包含预测值、实测值、预测误差的数据组组成的样本，将样本中的数据转换为标幺值。

(2)预测盒生成。生成50个预测盒，每个预测盒的宽度为0.02pu，第一个预测盒里放入的是预测值为0-0.02pu的历史数据样本，以此类推，根据样本的预测值大小放入不同的预测盒。

(3)将概率误差根据设定的标准差δ离散化为n个区间，对应第i个区间的状态记为x_i(i＝1,2,…,n)，该状态区间发生概率为S_i。第k个预测盒在t时刻的各状态区间的概率S_i.k.t(i＝1,2,…,n)构成了当前时刻的误差状态向量P_k.t。

表达式如下：

P_k.t＝[S_1.k.t,S_2.k.t,…S_n.k.t] (1)

(4)根据预测盒内的误差状态向量生成各个预测盒的概率密度函数F_k.t(X)，其具体公式如下：

(5)随机变量生成。生成Z个均值为0，标准差为∑的服从多元联合标准正态分布的随机向量Y＝{Y₁,Y₂,…,Y_l}，∑具体结构如下：

式中：Δt为需要生成的场景序列的长度，σ_m.n为随机向量Y中时段m的变量Y_m和时段n的变量Y_n的协方差，具体为：

式中：ε为控制某一时间段内生成的随机变量序列相关性的范围参数。

(6)误差场景生成。利用式(6)所示的逆变换，将Z个服从多元联合标准正态分布的随机向量转化成具有相关性的误差，生成该预测时间段内的误差场景。

式中：Δω_t是生成的t时刻的预测误差，Φ(Y_t)为标准分布的累计概率密度函数，具体为：

(7)状态转移矩阵。状态转移矩阵是整个马尔可夫链过程最核心的部分，具体表示如下：

式中：E_mn表示预测误差由上一时刻的状态x_m过渡到下一时刻的状态x_n的一步状态转移概率，可由统计数据得到，即：

式中：N_mn为通过统计分析不确定量的历史数据，由上一时刻的状态x_m过渡到下一时刻的状态x_n出现的次数。

(8)得到状态转移矩阵之后，通过状态转移矩阵构造下一时间段内各个预测盒的误差状态向量，然后返回步骤4)继续进行场景生成，其具体公式如下：

P_k.t+1＝P_k.tE_k.t (10)

(二)基于模型预测控制的多时间尺度优化调度

(1)多时间尺度优化架构

如何应对风电出力的不确定性给交直流配电网多时间尺度优化调度提出了新的要求。风电预测的精度会随着时间尺度的变化而变化，针对预测精度随时间尺度缩短而缩小的特性，如图1所示，本发明采用多时间尺度优化调度策略，将优化调度分为日前、日内、实时调度三个阶段，同时为了更好地应对不可控分布式能源出力的不确定性，将微型燃气轮机按照开停机时间的不同分为常规微型燃气轮机和快速启动微型燃气轮机。

1)日前调度计划：每24小时执行一次，时间间隔为1小时。根据马尔可夫链-动态场景法生成风电和负荷的预测场景，马尔可夫链时间间隔设置为4小时，即每4小时改变一次各预测盒内的预测误差状态分布，以各场景下的总运行成本的期望值之和最小为目标，求解微型燃气轮机和储能装置的开停机状态。

2)日内调度计划：每1小时执行一次，时间间隔为15分钟，由于日内调度预测时间尺度较短，不需要考虑预测误差随时间变化的特性，用动态场景法生成风电和负荷的短期预测场景，以各场景下总运行成本的期望值之和最小为目标，求解常规微型燃气轮机的出力和联络线功率。

3)实时调度计划：每5分钟执行一次，时间间隔为5分钟，以日内调度得到的值为参考，采用模型预测控制对机组出力进行滚动优化校正，求解快速启动微型燃气轮机和储能装置的出力。

(2)日前优化调度模型

目标函数

日前优化调度以1小时为时间间隔，以使各场景下系统总运行成本的期望值最小为优化目标，即：

式中：N_t为调度时间长度，N_DG.F为快速启动微型燃气轮机的个数，N_DG.R为常规微型燃气轮机的个数，N_s为场景个数，N_ESS为储能装置个数，N_wt为风机个数，C_grid.t联络线注入功率在t时刻的成本为第i个快速启动微型燃气轮机在第s个场景下t时刻的发电成本，

分别为第i个快速启动微型燃气轮机在t时刻的启、停成本，

为第i个常规微型燃气轮机在第s个场景下t时刻的发电成本，

分别为第i个常规微型燃气轮机在t时刻的启、停成本，C_ESS.i.s.t为第i个储能装置在第s个场景下t时刻的发电成本，

为第i个风机在第s个场景下t时刻的切风量，为第i个风机在第s个场景下t时刻的切风成本，π_s为第s个场景的概率，Δt为时间间隔。

主要约束条件

1)功率平衡约束

式中：

为第i个快速启动微型燃气轮机在第s个场景下t时刻的发电功率，

为第i个常规微型燃气轮机在第s个场景下t时刻的发电功率，P_wt.i.s.t为第i个风机在第s个场景下t时刻的发电功率，

为第i个风机在第s个场景下t时刻的切风量，P_ESS.i.t为第i个储能装置在第s个场景下t时刻的发电功率，P_grid.s.t为在第s个场景下t时刻的联络线功率，P_load.s.t为第s个场景下t时刻的负荷功率，P_loss.s.t为第s个场景下t时刻交直流配电网的网络损耗。

2)出力上下限约束

-P_ESS.i.max≤P_ESS.i.s.t≤P_ESS.i.max (14)

式中：

分别为第i个快速启动微型燃气轮机的有功出力上下限，

为第i个快速启动微型燃气轮机在t时刻的开关状态，

分别为第i个常规微型燃气轮机的有功出力上下限，

为第i个常规微型燃气轮机在t时刻的开关状态P_ESS.i.max为第i个储能装置的有功出力上限。

3)开停机状态约束

式中：

分别为第i个快速启动微型燃气轮机的开、停机动作，分别为第i个常规微型燃气轮机的开、停机动作。

4)VSC换流站约束

交流部分和直流部分通过VSC相连接，在构建交直流配电网模型时，将连接交流节点和直流节点的VSC看作是一个虚拟节点，如图2所示。图2中，P_ac.ij.s.t、Q_ac.ij.s.t、P_dc.jk.s.t分别为第s个场景下的交流有功功率，交流无功功率和直流功率；Q_vsc.j.s.t为第s个场景下的VSC无功出力；U_ac.i.s.t为第s个场景下的交流侧电压幅值；U_dc.k.s.t为第s个场景下的直流电压幅值；U_vsc.j.s.t为第s个场景下的VSC虚拟节点电压幅值。

由图2的等值电路可得：

-Q_vsc.j.max≤Q_vsc.j.s.t≤Q_vsc.j.max (21)

式中：Q_vsc.j.max、-Q_vsc.j.max分别为第j个VSC无功出力上下限。

5)ESS运行约束

S_ESS.i.min≤S_ESS.i.s.t≤S_ESS.i.max (25)

-P_ESS.i.max≤P_ESS.i.s.t≤P_ESS.i.max (26)

S_ESS.i.s.T＝S_ESS.i.s.1 (27)

式中：S_ESS.i.s.t为在第s个场景下第i个ESS在t时刻的电量；P_ESS.i.s.t为在第s个场景下第i个ESS在t时刻的充放电功率；S_ESS.i.max、S_ESS.i.min为第i个ESS的容量上下限；ε为储能装置自放电率η_c、η_d分别为ESS的充放电效率。

日前优化调度结果

通过日前调度，确定常规微型燃气轮机未来一天之内的开停机计划

快速启动微型燃气轮机未来一天之内的开停机计划

这些数值将作为日内调度模型中的输入量并对日内模型中的其他未知量进行求解。

(3)日内优化模型

目标函数

日内优化调度的目标函数是使各场景下的总运行成本的期望和最小，即

主要约束条件

1)功率平衡约束

式中：

为第i个常规微型燃气轮机在t时刻的发电功率，P_grid.t为在t时刻的联络线功率。

其它日内优化模型的约束条件与日前优化模型基本相同，其中快速启动微型燃气轮机和常规微型燃气轮机的运行状态均由日前调度所求得。

日内优化调度结果

通过日内调度，确定常规微型燃气轮机的出力计划，联络线功率，快速启动微型燃气轮机的出力期望值，储能装置的出力期望值，储能装置储能状态的期望值，这些数值将作为实时调度模型中的输入量并对实时调度模型中的其他未知量进行求解。

(4)实时优化调度模型

实时优化调度根据模型预测控制，每5分钟进行一次采样，实时优化调度流程如图3所示，以当前交直流配电网络中快速启动微型燃气轮机和储能装置的实际值作为初始状态建立出力预测模型，根据调度计划值，滚动优化未来15分钟的控制指令序列，下发第一个时间段的控制指令，修正控制变量，在下一个采样时刻，再以实际测量到的值作为下一个时刻滚动优化的初始值，进行新一轮的优化。

建立预测模型

通过预测模型滚动优化求解控制变量，预测未来一段时间内各可控分布式能源、储能装置的出力值以及主网注入的功率，其预测模型如下所示：

式中:N表示预测步长；P_DG0(k)、P_store0(k)分别为可控分布式能源、储能装置、在采样时刻测量到的实际值,也就是初始值；Δu_DG(k+t|k)、Δu_ESS(k+t|k)分别为k时刻预测未来时间段内的可控分布式能源、储能装置的有功出力增量；P_DG(k+i|k)、P_store(k+i|k)分别为k时刻预测未来k+i时刻分布式能源、储能装置的有功出力值。

目标函数

目标函数是以日内优化调度的期望值为基准值，使实时优化调度下发的控制指令序列与日内优化调度的期望值的误差尽可能的小，即：

min(P_DG.pre-P_DG.ref)^TW(P_DG.pre-P_DG.ref)+(P_ESS.pre-P_ESS.ref)^TQ(P_ESS.pre-P_ESS.ref) (31)

式中：W为快速启动微型燃气轮机的权重系数矩阵；Q为储能装置的权重系数矩阵；P_DG.pre为在采样时刻预测未来k+i时刻快速启动微型燃气轮机的出力；P_ESS.pre为在采样时刻预测未来k+i时刻储能装置的出力，具体为：

P_DG.ref为从采样时刻到k+N时刻快速启动微型燃气轮机在日内优化调度的期望值；P_grid.ref为从采样时刻到k+N时刻储能装置的日内优化调度的期望值，具体为：

下发指令

根据实施优化模型可以求出未来N个时刻内各快速启动微型燃气轮机和储能装置的控制增量序列：

{Δu^T(k+1|k),Δu^T(k+2|k),…,Δu^T(k+N|k)} (36)

将得到的控制增量序列中的第一个指令下发，求出下一个时刻的交直流配电网可控分布式能源和储能装置的有功出力：

P(k+1|k)＝P₀(k)+Δu^T(k+1|k) (37)

反馈校正

模型预测控制在已有的预测精度下下发的可控分布式能源和储能装置的控制指令值与实际测量的值之间会存在一定的误差，需要在下发控制指令之后进行反馈校正。在进行下一次滚动优化之前，以当前的实际测量到的值作为新一轮滚动优化的初始值，这样就可以极大程度上避免风电和光伏的不确定性带来的干扰，使MPC预测的精度更高。反馈公式如下：

P₀(k+1)＝P_real(k+1)+δ (38)

式中：P₀(k+1)表示k+1时刻的有功初始值；P_real(k+1)表示k时刻实际测量下一个时刻的有功出力值；δ为测量误差。

其它实时优化模型的约束条件与日前优化模型基本相同，其中常规微型燃气轮机的出力值、联络线的注入功率、快速启动微型燃气轮机出力的期望值和储能装置出力的期望值均由日内调度所求得。

实时优化调度结果

通过实时优化调度，确定快速启动微型燃气轮机和储能装置的控制指令序列，确定快速启动微型燃气轮机的出力值，确定储能装置的出力值，确定储能装置的储能状态。

实施例2：

本公开实施例2提供了一种交直流配电网多时间尺度优化调度系统，包括：

实时调度模块，被配置为：以日内调度得到的数据为输入，以实时优化得到的调度出力值和日前日内优化调度出力值偏差最小为优化目标，对日前日内求出来的调度期望值进行滚动优化和反馈校正，得到快速启动微型燃气轮机、储能装置的出力和储能状态。

实施例3：

本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的交直流配电网多时间尺度优化调度方法中的步骤。

实施例4：

本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的交直流配电网多时间尺度优化调度方法中的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims

1.一种交直流配电网多时间尺度优化调度方法，其特征在于，步骤如下：

2.如权利要求1所述的交直流配电网多时间尺度优化调度方法，其特征在于，利用马尔可夫链-动态场景法生成多时间尺度优化调度所需的分布式能源出力预测场景，具体为：

3.如权利要求2所述的交直流配电网多时间尺度优化调度方法，其特征在于，日前调度具体为：每24小时执行一次，时间间隔为1小时，根据马尔可夫链-动态场景法生成分布式能源出力的预测场景，每4小时改变一次各预测盒内的预测误差状态分布，以各场景下的总运行成本的期望值之和最小为目标，得到微型燃气轮机和储能装置的开停机计划。

4.如权利要求2所述的交直流配电网多时间尺度优化调度方法，其特征在于，日内调度具体为：每1小时执行一次，时间间隔为15分钟，采用动态场景法生成分布式能源出力的短期预测场景，以各场景下总运行成本的期望值之和最小为目标，以日前调度得到的微型燃气轮机和储能装置的开停机计划为输入，得到常规微型燃气轮机的出力和联络线功率。

5.如权利要求2所述的交直流配电网多时间尺度优化调度方法，其特征在于，每5分钟执行一次，时间间隔为5分钟，以日内调度得到的数据为输入，采用模型预测控制对机组出力进行滚动优化校正，得到快速启动微型燃气轮机和储能装置的出力。

6.如权利要求5所述的交直流配电网多时间尺度优化调度方法，其特征在于，以当前交直流配电网络中快速启动微型燃气轮机和储能装置的实际值作为初始状态建立出力预测模型，根据日内优化调度的期望值，滚动优化未来15分钟的控制指令序列，下发第一个时间段的控制指令，修正控制变量，在下一个采样时刻，再以实际测量到的值作为下一个时刻滚动优化的初始值，进行新一轮的优化。

7.如权利要求6所述的交直流配电网多时间尺度优化调度方法，其特征在于，所述预测模型，具体为：

8.一种交直流配电网多时间尺度优化调度系统，其特征在于，包括：

9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的交直流配电网多时间尺度优化调度方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的交直流配电网多时间尺度优化调度方法中的步骤。