CN111600339A

CN111600339A - 用于全可再生能源系统的日前调度优化方法及装置

Info

Publication number: CN111600339A
Application number: CN202010182929.6A
Authority: CN
Inventors: 余帆; 牛洪海; 李兵; 陈霈; 杨玉; 管晓晨
Original assignee: NR Electric Co Ltd; NR Engineering Co Ltd
Current assignee: NR Electric Co Ltd; NR Engineering Co Ltd
Priority date: 2020-03-16
Filing date: 2020-03-16
Publication date: 2020-08-28

Abstract

本申请提供一种用于全可再生能源系统的日前调度优化方法及装置，该方法包括：建立能源系统模型和能源设备模型并定义相关参数；定义所述能源系统日前调度优化的目标函数并设定优化目标；设定所述目标函数的系统运行约束条件；定义所述能源系统中各能源出力和/或能源负荷的可调不确定集；根据所述约束条件和所述可调不确定集，建立所述目标函数的两阶段变量鲁棒优化模型；对所述两阶段变量鲁棒优化模型进行求解获得初步日前调度计划；将所述日前调度计划与实际执行结果进行对比评估，根据评估结果进行模型迭代优化。通过将理论模型生成的调度计划与实际运行数据相结合，对理论模型进行迭代优化，使得生成的日前调度计划能够满足实际运行需求。

Description

用于全可再生能源系统的日前调度优化方法及装置

技术领域

本申请涉及综合能源系统功能优化调度领域，具体地涉及一种用于全可再生能源系统的日前调度优化方法、装置、电子设备及计算机可读介质。

背景技术

以光伏、风电、地热、生物质能为代表的可再生能源因其无污染、可持续利用的优点，已逐步成为重要的能源资源，具有重大商业价值和应用前景。在一定区域内，通过全可再生能源多能互补来满足供/用能需求，是能源结构调整和应对气候变化的重要课题。

在可再生能源系统的实际应用中，能源系统出力以及负荷的不确定性给可再生能源系统运行的调度带来了巨大挑战。尤其对于全可再生能源系统，采用常规方法进行能源调度，不仅可靠性低，还容易导致系统崩溃。

近年来，尽管国内外学者对可再生能源不确定性问题进行了大量理论研究，但集中于对可再生能源与常规能源的合理搭配和运行优化，以尽可能消纳可再生能源。对全可再生能源系统的安全稳定和经济运行仍缺乏行之有效的方法。

发明内容

本申请旨在提供一种用于全可再生能源系统的日前调度优化方法，在建立全可再生能源系统模型、引入可调不确定集的基础上，对日前调度优化目标函数进行两阶段鲁棒模型求解获得初步的日前调度计划，并与实际运行情况进行对比评估，调整不确定集等参数，从而获得符合实际运行需求的全可再生能源系统日前调度计划。

根据本申请的一方面，申请提供一种全可再生能源系统的日前调度优化方法，包括：

建立能源系统模型和能源设备模型并定义相关参数；

定义所述能源系统日前调度优化的目标函数并设定优化目标；

设定所述目标函数的系统运行约束条件；

定义所述能源系统中各能源出力和/或能源负荷的可调不确定集；

根据所述约束条件和所述可调不确定集，建立所述目标函数的两阶段变量鲁棒优化模型；

对所述两阶段变量鲁棒优化模型进行求解获得初步日前调度计划；

将所述日前调度计划与实际执行结果进行对比评估，根据评估结果进行模型迭代优化。

根据本申请的一些实施例，所述全可再生能源包括：风能、太阳能、地热能、生物质能中的一种或多种；所述能源设备包括能源生产设备、能源转换设备、能源存储设备中的一种或多种；所述能源负荷包括电、热、冷、氢中的一种或多种。

根据本申请的一些实施例，所述可调不确定集包括：可通过不确定性调节参数进行调整的基数性不确定集或多面体不确定集。

根据本申请的一些实施例，所述对比评估包括：对比系统计划运行成本与实际运行成本、各能源设备计划运行模式与实际运行模式、各能源设备计划出力与实际出力、能源设备模型参数与实际运行参数中的一种或多种。

根据本申请的一些实施例，所述模型迭代优化的内容包括：所述能源设备模型、所述运行约束条件或所述不确定集的迭代优化。

根据本申请的一些实施例，所述方法还包括，对所述初步日前调度计划进行校核和确认，并生成日前调度计划；

根据本申请的一些实施例，所述校核的内容，包括：核对所述初步日前调度计划是否符合能源系统运行规程或者是否符合能源设备检修计划。

根据本申请的一些实施例，所述确认的结果包括：将所述初步日前调度计划直接下发执行、手动修正所述日前初步调度计划或调整参数并自动重新生成所述初步日前调度计划中的一种。

进一步地，所述调整参数包括：调整所述系统模型和能源设备模型相关参数、各能源出力和能源负荷预测数据、优化目标、系统运行约束条件、不确定性调节参数中的一个或多个。

根据本申请的一些实施例，所述优化目标包括：经济性最优、能效最高、排放最少或综合最优。

根据本申请的一些实施例，所述运行约束条件包括：系统功率平衡约束、设备特性约束、管网特性约束、储能容量约束中的一种或多种。

根据本申请的一些实施例，对所述两阶段变量鲁棒优化模型进行求解包括：采用Benders分解法或列约束生成算法进行求解。

根据本申请的一些实施例，所述两阶段变量，包括：第一阶段变量，定义为所述能源设备的运行模式；第二阶段变量，定义为所述能源设备的出力值。

根据本申请的一些实施例，所述方法还包括：

输入所述能源系统中的各能源出力和/或能源负荷预测数据。

本申请还提供一种用于全可再生能源系统的日前调度优化装置，包括模型构建模块、数据输入模块、目标定义模块、不确定集定义模块、鲁棒模型构建模块、鲁棒模型求解模块、初步计划校核模块和模型迭代优化模块，其中，

模型构建模块，用于建立能源系统模型和能源设备模型并定义相关参数。数据输入模块，用于输入各能源出力和能源负荷预测数据。目标定义模块，用于定义日前调度优化的目标函数并设定优化目标。约束设定模块，用于设定所述目标函数的能源系统运行约束条件。不确定集定义模块，用于定义所述能源系统中各能源的出力和负荷可调不确定集。鲁棒模型构建模块，用于根据所述约束条件和所述可调不确定集，建立所述目标函数的两阶段变量鲁棒优化模型。鲁棒模型求解模块，用于对所述两阶段变量鲁棒优化模型进行求解获得初步日前调度计划。初步计划校核模块，对所述初步日前调度计划进行校核和确认，并生成日前调度计划。模型迭代优化模块，用于将所述初步日前调度计划与实际执行结果进行对比评估，根据评估结果进行模型迭代优化。

本申请还提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的日前调度优化方法。

本申请还提供一种计算机可读介质，其上存储有计算机程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述日前调度优化方法。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例。

图1示出根据本申请示例实施例的全可再生能源系统模型示意图。

图2示出根据本申请示例实施例的日前调度优化方法流程图。

图3示出根据本申请示例实施例的全可再生能源系统日前调度优化过程示意图。

图4示出根据本申请示例实施例的日前调度优化装置组成框图。

图5示出根据本申请示例实施例的日前调度优化电子设备组成图。

具体实施方式

下面将参考附图更全面地描述示例实施例。然而，示例实施例能以多种形式实施，且不应被理解为限于在此阐述的实施例。提供这些实施例是为使得本申请更全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

应理解，虽然本文中可能使用术语第一、第二等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，可能不是按比例的。附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。

针对现有技术中存在的以下问题，一方面常规调度方法在全可再生能源系统中不仅可靠性低还容易导致系统崩溃，另一方面国内外学者对全可再生能源系统的不确定性问题仍处于理论研究阶段，缺乏与实际应用相结合。本发明人提出一种用于全可再生能源系统的日前调度优化方法，将理论调度优化模型的优化结果与实际执行情况进行对比评估，进一步调整调度优化模型中的相关参数，使得调度优化模型得到迭代优化，生成符合实际运行情况的日前调度计划。

以下将结合附图，对本申请的技术方案进行详细说明。

图1示出根据本申请示例实施例的全可再生能源系统网络拓扑结构模型示意图。

根据本申请的示例实施例，全可再生能源系统可以是如图1中所示的能源系统。在如图1示的能源系统中，一次能源全部为可再生能源，例如可以包括风能、太阳能、地热能、生物质能等，能源设备可以包括能源生产设备、能源转换设备、能源存储设备等，能源负荷可以包括电、热、冷、氢等，但本申请不限于此。

其中，风能利用方式为风力发电。太阳能利用方式为光伏发电和集热器供热。地热能通过水源热泵供热或供冷。生物质能利用方式有两种：一是通过发酵转化为沼气(或者气化为氢气、一氧化碳等可燃气体)，然后经过内燃发电机转化为电能；发电机烟气余热经余热锅炉吸收后，用于供热或驱动溴化锂机组制冷。二是制备成生物质微米燃料，经生物质锅炉燃烧产生高温蒸汽用于蒸汽轮机发电，蒸汽轮机抽汽也可用于换热器供热；通过电解制氢供应氢气，并配备燃料电池作为移动电源或后备电源。所述能源系统同时配置了储电、蓄冷、储热、储氢设备，以保障能源供应的稳定性。

图2示出根据本申请示例实施例的日前调度优化方法流程图。

如图2所示，本申请提供的全可再生能源系统日前调度优化方法包括以下步骤：

在步骤S110，建立能源系统模型和能源设备模型并定义相关参数。对全可再生能源系统的日前调度计划进行优化，需要以模型为基础。

在所述全可再生能源系统中，不同的一次能源通过相应的能源设备转化为不同的能源负荷。以一次能源风能为例，风能经过能源设备风机转换为电能源负荷，可以通过配电站为终端进行供电，也可以进一步通过电解制氢设备产生氢能源负荷。

各种能源设备模型可以按照以下公式进行表示：

风机设备模型：

P_wt＝C_pAρv³/2，其中P_wt表示风轮输出功率，v表示风速，ρ表示空气密度，A表示风轮扫掠面积，C_p表示风轮功率系数。

光伏设备模型：

P_pV＝ηSI[1-0.005(t₀+25)]，其中P_pV表示光伏发电输出功率，η表示光伏发电板转换效率，S表示光伏发电板面积，I表示太阳辐照强度，t₀表示大气温度。

集热器设备模型：

H_sh＝η_shIA_c，其中H_sh表示集热器集热功率，η_sh表示集热器集热效率， I表示太阳辐照强度，A_c表示太阳能集热器集热面积。

水源热泵模型：

(制热工况)

(制冷工况)

其中：H_wp或Q_wp为水源热泵的制热(制冷)量，P_wp为水源热泵的输入电功率，COP_h、COP_q分别为水源热泵制热效率和制冷效率，M^t _wp∈[0,1]，表示水源热泵运行模式(1代表制热模式，0代表制冷模式)。

内燃发电机设备模型：

P_iceg＝η_icegMe_iceg

其中，P_iceg表示内燃发电机输出功率，η_piceg表示内燃发电机发电效率， Me_iceg表示内燃发电机消耗的燃料所含热量，

表示内燃发电机输出余热功率，η_hiceg表示内燃发电机余热回收系数。

生物质锅炉设备模型：

P_hb＝η_hbBio_hb，其中P_hb表示生物质锅炉输出热量，η_hb表示生物质锅炉效率，Bio_hb表示生物质锅炉消耗的燃料所含热量。

蒸汽轮机设备模型：

P_turb＝η_turbH_hb

H_turb＝η_wturb(1-η_turb)P_turb

其中，P_turb表示蒸汽轮机输出功率，η_turb表示蒸汽轮机效率，H_hb表示蒸汽轮机消耗的蒸汽所含热量，即生物质锅炉输出蒸汽热量，η_wturb蒸汽轮机余热回收系数。

余热锅炉设备模型：

H_whb1+H_whb2＝η_whbH_iceg，其中H_iceg表示余热锅炉输入热量，H_whb1表示余热锅炉输出到溴化锂空调的蒸汽热量，H_whb2表示余热锅炉输出到热网的蒸汽热量，η_whb表示余热锅炉效率。

换热器设备模型：

H_he＝η_heH_turb，其中H_he表示换热器输出热量，H_turb表示换热器输入热量热量，η_he表示换热器效率。

溴化锂机组设备模型：

Q_lbac＝COP_qlbacH_whb1，其中Q_lbac表示溴化锂机组制冷量，H_whb1表示溴化锂机组吸收热量，η_qlbac表示溴化锂机组效率。

燃料电池设备模型：

P_fu＝η_fuHE_fu，其中P_fu燃料电池输出电功率，HE_fu燃料电池消耗氢气所含热量，η_fu燃料电池效率；

电解制氢设备模型：

HE＝η_hepP_he，其中HE表示电解制氢量，P_he表示制氢消耗电功率，η_hep表示电解制氢效率。

储能设备模型(以储电为例)：

△ESC_ch＝η_st-chP_st-ch△t

△ESC_dis＝η_st-disP_st-dis△t

其中，△ESC_ch(△ESC_dis)表示在一段时间内充电(放电)容量，η_st-ch (η_st-dis)表示充电(放电)效率，P_st-ch(P_st-dis)表示充电(放电)功率。

在步骤S120，输入所述能源系统中的各能源出力和/或能源负荷预测数据。输入的能源出力值、能源负荷的预测值可以作为初始的不确定集。此外，能源设备的相关参数，例如效率、额定功率、变负荷速率，生物质燃料的成本数据，也需要进行输入。

在步骤S130，定义所述能源系统日前调度优化的目标函数并设定优化目标。在能源系统模型和能源设备模型基础上，要对系统的调度计划进行优化，需要根据优化目标建立相应的目标函数。所述优化目标可以包括经济性最优、能效最高、排放最少或综合最优。

以经济性最优为例，系统调度优化的目标是能源运行成本最低，即燃料成本最低。在系统运行过程中，太阳能、风能、地热能可认为是零成本，因此系统运行的成本主要是生物质燃料成本。相应地，根据本申请的示例实施，以经济最优为优化目标，可以按照以下公式建立目标函数：

其中，C表示全可再生能源系统优化运行成本，U_bio-met表示内燃发电机单位发电量所消耗的可燃气体成本，U_bio-fuel表示生物质锅炉单位发热量所消耗的生物质微米燃料生产成本；T表示日前调度时段数，△t为调度时间间隔。例如，调度时间间隔为15min、30min或者60min，相应地日前调度时段数为96、48或24。

在步骤S140，设定所述目标函数的系统运行约束条件。所述运行约束条件可以包括系统功率平衡约束、设备特性约束、管网特性约束、储能容量约束中的一种或多种。其中，

系统功率平衡约束条件中，不同能源负荷的平衡约束条件可以表示为：

电功率平衡约束：

冷功率平衡约束：

热功率平衡约束：

氢气平衡约束：

设备特性约束可以是单设备能量平衡约束、设备额定功率约束或者设备变负荷速率约束。

各类能源设备的单设备能量平衡约束条件可以表示为：

水源热泵：

蓄电池：

储热设备：

蓄冷设备：

储氢设备：

内燃发电机：

余热锅炉：

蒸汽轮机：

溴化锂机组：

换热器：

各类能源设备的设备额定功率平衡约束条件可以表示为：

全可再生能源系统设备出力约束可用上式统一表达，上式中下标 res代表各设备类型。

各类能源设备的设备变负荷速率约束条件可以表示为：

全可再生能源系统设备变负荷速率约束可统一用上式表达，其中 △P_{res max}表示升负荷速率上限，△P_{res min}表示降负荷速率上限。

输电线路、热网、冷水管网、氢气管网等设备的管网特性约束条件可以考虑配电站输入输出容量约束，热网(冷网)集水管网和分水管网容量约束，氢气管网压力约束。

储电、储氢、储热、储冷等储能容量约束条件可以表示为：

表示任一时刻i的储能容量不能超过容量限值。其中，EST₀、EST_min、EST_max分别为储能容量初始值、下限值、上限值。

表示全可再生能源系统需维持全天蓄能和释能总量平衡，以保证储能系统第二天始终处在可用状态。

在步骤S150，定义所述能源系统中各能源出力和/或能源负荷的可调不确定集。所述可调不确定集包括：可通过不确定性调节参数进行调整的基数性不确定集或多面体不确定集。通过引入不确定性调节参数，可以对不确定集根据实际运行情况进行调整，从而使得优化结果更加符合实际运行需求。

根据本申请的示例实施例，可以采用基数性不确定集，按照以下公式进行定义：

其中，

和

分别为d_w预测区间的下界和上界，

为d_w预测值，

为预测值最大偏移量，Γ_w为不确定性调节参数。

在所述不确定集中可以考虑一个或多个因素的不确定性。例如，根据本申请的示例实施例，在所述一个不确定集中，同时考虑所有设备的出力不确定性和所有类型负荷的不确定性。具体的，在所述全可再生能源系统中，生物质(例如，沼气和微米燃料)和地热能在长期时段内都可视为稳定供应的一次能源，因此不需要考虑生物质能和地热能供应的不确定性。因此，本申请实施例中只考虑光伏发电、太阳能集热和风电功率的不确定性以及能源负荷(电、热、冷、氢)的不确定性。在步骤 S120输入的各能源出力、能源负荷预测数据，可以构成初始不确定集。

在步骤S160，根据所述约束条件和所述可调不确定集，建立所述目标函数的两阶段变量鲁棒优化模型；所述两阶段变量，包括第一阶段变量和第二阶段变量。

第一阶段变量，定义为所述能源设备的运行模式，按照以下公式表示：

第二阶段变量，定义为所述能源设备的出力值，按照以下公式表示：

由此，所建立的两阶段鲁棒优化模型可以表示为：

其中，第一阶段求解一个min外层问题，第二阶段求解一个max-min 内层问题，Ω(X,D)表示在给定第一阶段变量X和不确定集D的情况下，第二阶段变量Y的可行域。

在步骤S170，对所述两阶段变量鲁棒优化模型进行求解获得初步日前调度计划。具体的求解算法可以采用Benders分解法或列约束生成算法。具体的求解过程为：

S1，设置优化目标函数值C的上界UB＝+∞，下界LB＝-∞，当前迭代次数k＝0，收敛最小公差ε，并给定一组不确定变量D作为初始场景，同时设定变量X和Y的初始值。

S2，求解外层问题，得到变量X计算结果及目标函数最优解C₁(k)，并更新目标函数值下界LB＝max{LB,C₁(k)}。

S3，基于上述计算得到的变量X，求解内层问题，得到变量Y的计算结果及目标函数最优解C₂(k)，并更新目标函数值上界 UB＝min{UB,C₂(k)}。

S4，计算UB-LB＜ε是否成立，若成立，则结束迭代计算，输出最优解X(k)，Y(k)及相应的目标函数最优值C(k)，否则在外层问题中增加变量Y^k+1，并增加相应约束，令k＝k+1，并转到S2。

在步骤S180，对所述初步日前调度计划进行校核和确认，并生成日前调度计划。

校核内容包括核对所述初步日前调度计划是否符合能源系统运行规程或者是否符合能源设备检修计划。经过校核之后对生成所述初步日前调度计划产生以下确认结果：直接下发执行、手动修正调度计划、或调整参数并自动重新生成日前调度计划。

图3示出根据本申请示例实施例的日前调度计划校核和系统迭代优化过程示意图。

对于完全符合要求的初步日前调度计划可以直接下发执行。对于发现问题的初步日前调度计划，可以进行手动修改后下发，也可以自动或人工调整参数并自动重新生成日前调度计划。如图3所示，其中，调整参数的内容可以包括：系统模型和能源设备模型相关参数、各能源出力和能源负荷预测数据、优化目标、系统运行约束条件、不确定性调节参数中的一个或多个。调整参数并自动重新生成日前调度计划同样需要经过校核和确认后，下发执行。

在步骤S190，将所述日前调度计划与实际执行结果进行对比评估，根据评估结果对模型进行迭代优化。为了使日前调度计划结果符合实际运行需求，可以进一步根据计划执行情况来对生成日前调度计划的模型进行迭代优化。

首先将调度计划与实际运行情况进行对比评估。具体的对比和评估内容可以包括：系统计划运行成本与实际运行成本对比、各能源设备计划运行模式与实际运行模式对比、各能源设备计划出力与实际出力对比、能源设备模型参数与实际运行参数对比。

经过对比评估，可以对模型进行迭代优化，使其更加符合实际运行情况的需求。具体地，如图3所示，迭代优化的内容可以包括能源设备模型优化、运行约束条件优化、不确定集优化等，但本申请不限于此。通过迭代优化的日前调度计划模型能够生成更加符合实际运行情况的调度计划。

图4示出根据本申请示例实施例的日前调度优化装置组成图。

本申请还提供一种用于全可再生能源系统的日前调度优化装置，包括模型构建模块410、数据输入模块420、目标定义模块430、约束设定模块440、不确定集定义模块450、鲁棒模型构建模块460、鲁棒模型求解模块470、初步计划校核模块480和模型迭代优化模块490。其中，

模型构建模块410，用于建立能源系统模型和能源设备模型并定义相关参数。对全可再生能源系统的日前调度计划进行优化，需要以模型为基础。本申请中构建的全可再生能源系统模型中，包括一次能源、能源设备、能源负荷等。各能源设备的模型可以按照上述公式进行定义，此处不在赘述。

数据输入模块420，用于输入各能源出力和能源负荷预测数据。输入的各能源出力值可以作为模型计算中变量的初始值，经过求解获得日前调度计划。

目标定义模块430，用于定义日前调度优化的目标函数并设定优化目标。在能源系统模型和能源设备模型基础上，要对系统的调度计划进行优化，需要根据优化目标建立相应的目标函数。所述优化目标可以包括经济性最优、能效最高、排放最少或综合最优。

约束设定模块440，用于设定所述目标函数的能源系统运行约束条件。所述运行约束条件可以包括系统功率平衡约束、设备特性约束、管网特性约束、储能容量约束中的一种或多种。

不确定集定义模块450，用于定义所述能源系统中各能源的出力和负荷可调不确定集。所述可调不确定集包括：可通过不确定性调节参数进行调整的基数性不确定集或多面体不确定集。通过引入不确定性调节参数，可以对不确定集根据实际运行情况进行调整，从而使得优化结果更加符合实际运行需求。

鲁棒模型构建模块460，用于根据所述约束条件和所述可调不确定集，建立所述目标函数的两阶段变量鲁棒优化模型。所述两阶段变量，包括第一阶段变量和第二阶段变量。第一阶段变量，定义为所述能源设备的运行模式。第二阶段变量，定义为所述能源设备的出力值

鲁棒模型求解模块470，用于对所述两阶段变量鲁棒优化模型进行求解获得初步日前调度计划。具体的求解算法可以采用Benders分解法或列约束生成算法。

初步计划校核模块480，对所述初步日前调度计划进行校核和确认，并生成日前调度计划。校核内容包括核对所述初步日前调度计划是否符合能源系统运行规程或者是否符合能源设备检修计划。经过校核之后对生成所述初步日前调度计划产生以下确认结果：直接下发执行、手动修正调度计划、或调整参数并自动重新生成日前调度计划

模型迭代优化模块490，用于将所述初步日前调度计划与实际执行结果进行对比评估，根据评估结果进行模型迭代优化。首先将调度计划与实际运行情况进行对比评估。具体的对比和评估内容可以包括：系统计划运行成本与实际运行成本对比、各能源设备计划运行模式与实际运行模式对比、各能源设备计划出力与实际出力对比、能源设备模型参数与实际运行参数对比。经过对比评估，可以对模型进行迭代优化，使其更加符合实际运行情况的需求。

本申请还提供一种用于全可再生能源系统的日前调度优化电子设备 700。图5显示的控制设备700仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，控制设备700以通用计算设备的形式表现。控制设备 700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730等。

存储单元720存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书描述的根据本申请上述各实施例的方法。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。

存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备7001(例如触摸屏、键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

此外，本申请还提供一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述日前调度优化方法。

本申请提供的全可再生能源系统日前调度方法，考虑了可再生能源出力与负荷的多重不确定性，建立了可调的不确定集，并基于两阶段鲁棒优化模型对调度计划进行求解。在此基础上，增加了调度计划校核、调度计划运行评估优化环节，将理论模型与实际运行数据相结合。上述方法中建立的日前调度优化模型可有效跟踪实际运行情况，生成满足实际运行需求的日前优化调度计划，从而能够有效实现光伏、风能、地热能和生物质能等多种可再生能源的互补。既有效降低可再生能源出力以及负荷不确定性对系统安全稳定运行的不利影响，确保系统安全稳定运行，也可有效减少 “弃风”、“弃光”等现象发生，减少资源浪费，提高可再生能源利用率，改善系统运行经济性。

显然，上述实施例仅是为清楚地说明本申请所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本申请的保护范围之中。

Claims

1.一种用于全可再生能源系统的日前调度优化方法，其特征在于，包括：

建立能源系统模型和能源设备模型并定义相关参数；

设定所述目标函数的系统运行约束条件；

2.根据权利要求1所述的日前调度优化方法，其特征在于，

所述全可再生能源包括：风能、太阳能、地热能、生物质能中的一种或多种；

所述能源设备包括能源生产设备、能源转换设备、能源存储设备中的一种或多种；

所述能源负荷包括电、热、冷、氢中的一种或多种。

3.根据权利要求1所述的日前调度优化方法，其特征在于，所述可调不确定集包括：

可通过不确定性调节参数进行调整的基数性不确定集或多面体不确定集。

4.根据权利要求1所述的日前调度优化方法，其特征在于，所述对比评估包括：

对比系统计划运行成本与实际运行成本、各能源设备计划运行模式与实际运行模式、各能源设备计划出力与实际出力、能源设备模型参数与实际运行参数中的一种或多种。

5.根据权利要求4所述的日前调度优化方法，其特征在于，所述模型迭代优化的内容包括：

所述能源设备模型、所述运行约束条件或所述不确定集的迭代优化。

6.根据权利要求1所述的日前调度优化方法，其特征在于，还包括：

对所述初步日前调度计划进行校核和确认，并生成日前调度计划。

7.根据权利要求6所述的日前调度优化方法，其特征在于，所述校核的内容，包括：

核对所述初步日前调度计划是否符合能源系统运行规程或者是否符合能源设备检修计划。

8.根据权利要求7所述的日前调度优化方法，其特征在于，所述确认的结果包括：

将所述初步日前调度计划直接下发执行、手动修正所述日前初步调度计划或调整参数并自动重新生成所述初步日前调度计划中的一种。

9.根据权利要求8所述的日前调度优化方法，其特征在于，所述调整参数包括：

调整所述系统模型和能源设备模型相关参数、各能源出力和能源负荷预测数据、优化目标、系统运行约束条件、不确定性调节参数中的一个或多个。

10.根据权利要求1所述的日前调度优化方法，其特征在于，所述优化目标包括：

经济性最优、能效最高、排放最少或综合最优。

11.根据权利要求1所述的日前调度优化方法，其特征在于，所述运行约束条件包括：

系统功率平衡约束、设备特性约束、管网特性约束、储能容量约束中的一种或多种。

12.根据权利要求1所述的日前调度优化方法，其特征在于，对所述两阶段变量鲁棒优化模型进行求解包括：

采用Benders分解法或列约束生成算法进行求解。

13.根据权利要求1所述的日前调度优化方法，其特征在于，所述两阶段变量，包括：

第一阶段变量，定义为所述能源设备的运行模式；

第二阶段变量，定义为所述能源设备的出力值。

14.根据权利要求1所述的日前调度优化方法，其特征在于，还包括：

输入所述能源系统中的各能源出力和/或能源负荷预测数据。

15.一种用于全可再生能源系统的日前调度优化装置，其特征在于，包括：

模型构建模块，用于建立能源系统模型和能源设备模型并定义相关参数；

数据输入模块，用于输入各能源出力和能源负荷预测数据；

目标定义模块，用于定义日前调度优化的目标函数并设定优化目标；

约束设定模块，用于设定所述目标函数的能源系统运行约束条件；

不确定集定义模块，用于定义所述能源系统中各能源的出力和负荷可调不确定集；

鲁棒模型构建模块，用于根据所述约束条件和所述可调不确定集，建立所述目标函数的两阶段变量鲁棒优化模型；

鲁棒模型求解模块，用于对所述两阶段变量鲁棒优化模型进行求解获得初步日前调度计划；

初步计划校核模块，对所述初步日前调度计划进行校核和确认，并生成日前调度计划；

模型迭代优化模块，用于将所述初步日前调度计划与实际执行结果进行对比评估，根据评估结果进行模型迭代优化。

16.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-14中任一所述的方法。

17.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-14中任一所述的方法。