CN111668877A - 一种主动配电网分布鲁棒优化调度方法及系统 - Google Patents

一种主动配电网分布鲁棒优化调度方法及系统 Download PDF

Info

Publication number
CN111668877A
CN111668877A CN202010350836.XA CN202010350836A CN111668877A CN 111668877 A CN111668877 A CN 111668877A CN 202010350836 A CN202010350836 A CN 202010350836A CN 111668877 A CN111668877 A CN 111668877A
Authority
CN
China
Prior art keywords
variable
uncertainty
time period
stage
variables
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.)
Pending
Application number
CN202010350836.XA
Other languages
English (en)
Inventor
蒲天骄
李烨
董雷
李佳
魏静
王新迎
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
State Grid Beijing Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, North China Electric Power University, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010350836.XA priority Critical patent/CN111668877A/zh
Publication of CN111668877A publication Critical patent/CN111668877A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种主动配电网分布鲁棒优化调度方法及系统，包括：根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案；本发明通过建立的捕捉配电网中源荷出力概率分布的模糊集合求解构建的考虑源荷不确定性的两阶段分布鲁棒优化模型，降低了最优解的保守性，促进了可再生能源消纳，在一定程度上降低了期望成本，提高了电网的经济性。

Description

一种主动配电网分布鲁棒优化调度方法及系统
技术领域
本发明涉及电网调度优化技术领域，具体涉及一种主动配电网分布鲁棒优化调度方法及系统。
背景技术
主动配电网可以采用调控手段自主调节分布式发电(DG)、储能装置(ESS)、柔性负荷(FL)等分布式能源，并根据配电网的实际运行状态自适应调节其网络结构、发电单元及负荷，来达到配电网安全、经济运行的目标。尽管主动配电网可以主动管理接入配电网的分布式电源，但配电网内分布式电源调度的不确定性以及分布式可再生能源出力的间歇性和波动性为主动配电网的协调优化调度控制带来了极大的挑战。
目前，针对主动配电网优化调度中各种不确定性问题的建模方法，主要有随机规划和鲁棒优化方法。(1)随机规划方法：随机规划方法是对给定约束条件成立概率的置信水平对目标期望值的优化，需要得到精确的概率分布数据，该方法计算规模大，计算成本高。另外，由于随机规划方法需要得到确定性的概率分布，可能导致模型的不准确性，使得这些模型不能反映实际情况。(2)鲁棒优化法：鲁棒优化无需知道不确定参数的概率分布情况，只需要获得不确定参数的区间范围即可。鲁棒优化是一种基于区间理论的建模方法，仅需预先知道不确定性参数波动范围，但是此方法没有充分利用可获取的概率统计信息，使得所得优化解过于保守。
发明内容
针对现有技术的不足，本发明的目的是一种主动配电网分布鲁棒优化调度方法及系统，通过将随机优化和鲁棒优化方法相结合，建立捕捉配电网中源荷出力概率分布的模糊集合，进而在求解优化调度时降低最优解的保守性，提高了电网的经济性。
本发明提供一种主动配电网分布鲁棒优化调度方法，其改进之处在于，包括：
根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；
基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；
将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案。
优选地，所述基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合，包括：
将未来时段分成若干调度时段，采用分段线性函数表征各调度时段内不确定性变量预测误差的概率分布信息；
基于不确定性变量的预测误差的波动范围，确定不确定变量集合；
基于各调度时段内不确定性变量预测误差的概率分布信息以及各调度时段内不确定性变量预测误差在不确定性集合U中取值的概率，构建未来时段不确定性变量预测误差的模糊集合。
进一步地，所述基于不确定性变量的预测误差的波动范围，构建不确定变量集合，包括：
按下式构建不确定集合：
Figure BDA0002471774240000021
式中，
Figure BDA0002471774240000022
为不确定性变量的预测误差，RS为
Figure BDA0002471774240000023
的集合，R为节点结合，S为不确定性变量的集合，Vmin为
Figure BDA0002471774240000024
的下限值，Vmax为
Figure BDA0002471774240000025
的上限值，
Figure BDA0002471774240000026
为调度时段t节点r接入的光伏机组的出力的预测误差，
Figure BDA0002471774240000027
为调度时段t节点r接入的风电机组的出力的预测误差，
Figure BDA0002471774240000028
为调度时段t节点r接入的波动性负荷的运性功率的预测误差，NT为未来时段的调度时段总数。
进一步地，所述基于各调度时段内不确定性变量预测误差的概率分布信息以及各调度时段内不确定性变量预测误差在不确定性集合U中取值的概率，构建未来时段不确定性变量预测误差的模糊集合，包括：
按下式构建未来时段不确定性变量预测误差的模糊集合：
Figure BDA0002471774240000029
式中，
Figure BDA0002471774240000031
为不确定性变量的预测误差，
Figure BDA0002471774240000032
为
Figure BDA0002471774240000033
的概率分布信息，RS为
Figure BDA0002471774240000034
的集合，R为节点结合，S为场景总数，
Figure BDA0002471774240000035
为
Figure BDA0002471774240000036
的集合，
Figure BDA0002471774240000037
为
Figure BDA0002471774240000038
的目标期望值，
Figure BDA0002471774240000039
为
Figure BDA00024717742400000310
的分段线性函数，
Figure BDA00024717742400000311
为
Figure BDA00024717742400000312
的期望值，σ为
Figure BDA00024717742400000313
期望上限值，可以通过预先设定或是通过令各历史时段内不确定性变量预测误差遵从β分布情况下求解得到的，
Figure BDA00024717742400000314
为
Figure BDA00024717742400000315
在不确定性集合U中取值的概率。
优选地，所述求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案，包括：
基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换；
利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型；
通过优化求解算法求解所述二阶锥鲁棒对等式模型，得到未来时段不确定性变量的优化值；
判断未来时段不确定性变量的优化值与未来时段不确定性变量的预测值是否相等；
若相等，则将不确定性变量的优化值作为第一阶段的决策变量；否则，将不确定性变量的优化值作为第二阶段的决策变量；
根据所述第一阶段和第二阶段的决策变量，确定主动配电网的最优调度方案。
进一步地，所述两阶段分布鲁棒优化模型如下式：
Figure BDA00024717742400000316
式中，Q(x1,x2)为优化模型的目标函数，x1为第一阶段的决策变量，x2为第二阶段的决策变量，v为不确定性变量，
Figure BDA00024717742400000317
v′为不确定性变量的预测值，
Figure BDA00024717742400000318
为不确定性变量的预测误差，C1(x1)为第一阶段成本函数，C2(x2,v)为第二阶段成本函数，E(·)为均值函数，A为第一系数矩阵，
Figure BDA00024717742400000319
为A的取集合，Z为第二系数矩阵，
Figure BDA00024717742400000320
为Z的取集合，W为第三系数矩阵，
Figure BDA00024717742400000321
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1为第一阶段的约束条件集合，M2第二阶段的约束条件集合，b为常数，h(v)为不确定变量v对应的仿射函数，
Figure BDA00024717742400000322
为
Figure BDA00024717742400000323
的概率分布信息，F为未来时段不确定性变量预测误差的模糊集合；
其中，所述第一阶段的决策变量包括：可控分布式电源的有功功率和可控分布式负荷的有功功率，所述第二阶段决策变量包括：弃光电量、弃风电量和失负荷电量；不确定性变量包括：光伏机组出力、风电机组出力和波动性负荷运行功率。进一步地，所述第一阶段的约束条件集合M1包括节点功率的等式约束和不等式约束，所述第二阶段的约束条件集合M2：各节点的光伏机组出力不等式约束、风电机组出力不等式约束、波动性负荷功率变化量不等式约束、节点电压不等式约束，以及配电网输入各节点功率的不等式约束。
进一步地，所述基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换，包括：
按下式确定等价变换获得的模型：
Figure BDA0002471774240000041
式中，
Figure BDA0002471774240000042
为进行等价变换后的两阶段分布鲁棒优化模型的目标函数，G为未来时段不确定性变量预测误差的模糊集合F的扩展集合，v为不确定性变量，
Figure BDA0002471774240000043
v′为不确定性变量的预测值，u为辅助变量，
Figure BDA0002471774240000044
为辅助变量的预测误差，
Figure BDA0002471774240000045
Q为
Figure BDA0002471774240000046
和
Figure BDA0002471774240000047
的联合概率分布信息，E[·]为均值函数，qT为系数矩阵，h(v,u)为不确定变量v和辅助变量u对应的仿射函数，Z为第二系数矩阵，
Figure BDA0002471774240000048
为Z的取集合，W为第三系数矩阵，
Figure BDA0002471774240000049
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1、M2分别为第一、二阶段的约束条件集合，x1为第一阶段决策变量，h(v)为不确定变量v对应的仿射函数；
其中，按下式确定未来时段不确定性变量预测误差的模糊集合F的扩展集合G：
Figure BDA00024717742400000410
式中，
Figure BDA00024717742400000411
为不确定性变量的预测误差，
Figure BDA00024717742400000412
为辅助变量的预测误差，
Figure BDA00024717742400000413
为
Figure BDA00024717742400000414
和
Figure BDA00024717742400000415
的联合概率分布信息值，RS为
Figure BDA00024717742400000416
的集合，RK为
Figure BDA00024717742400000417
的集合，R为节点集合，S为不确定性变量的集合，K为辅助变量的集合，
Figure BDA0002471774240000051
为
Figure BDA0002471774240000052
和
Figure BDA0002471774240000053
的联合概率分布信息的集合，
Figure BDA0002471774240000054
为
Figure BDA0002471774240000055
在
Figure BDA0002471774240000056
下的目标期望值，
Figure BDA0002471774240000057
为在
Figure BDA0002471774240000058
下的的目标期望值，σK为
Figure BDA0002471774240000059
的上限值，
Figure BDA00024717742400000510
为
Figure BDA00024717742400000511
和
Figure BDA00024717742400000512
在不确定性集合U的扩展集合
Figure BDA00024717742400000513
中取值的概率，
Figure BDA00024717742400000514
Figure BDA00024717742400000515
为
Figure BDA00024717742400000516
的分段线性函数。
进一步地，所述利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型，包括：
按下式确定所述二阶锥鲁棒对等式模型：
Figure BDA00024717742400000517
式中，r为第一对偶变量矩阵，λ为第二对偶变量矩阵，ρ为第三对偶变量矩阵，σK为
Figure BDA00024717742400000518
的上限值，π0为第四对偶变量，πm为第五对偶变量，ρs为第三对偶变量矩阵的第s行元素，λk为第二对偶变量矩阵的第k行元素，S为
Figure BDA00024717742400000519
的场景总数，K为
Figure BDA00024717742400000520
的场景总数，
Figure BDA00024717742400000521
为h(v,u)的常数项，
Figure BDA00024717742400000522
为h(v,u)中第s个场景不确定性变量v的第n个系数，
Figure BDA00024717742400000523
为h(v,u)中第k个场景不确定性变量u的第n个系数，Zm为矩阵Z的第m列元素，Wm为矩阵W的第m列元素，Wmn为矩阵W的第m列第n个元素，N为n的总数，Cs为集合
Figure BDA00024717742400000524
改写成矩阵形式时
Figure BDA00024717742400000525
的系数矩阵C的第s列元素，Dk为集合
Figure BDA0002471774240000061
改写成矩阵形式时
Figure BDA0002471774240000062
的系数矩阵D的第k列元素，dn为集合
Figure BDA0002471774240000063
改写成矩阵形式时常数矩阵d的第n列元素，
Figure BDA0002471774240000064
为h(v)中常数项的第m个元素，hms为中h(v)中第s个场景不确定性变量v的第m个系数，M为m的总数；
其中，
Figure BDA0002471774240000065
的矩阵形式为
Figure BDA0002471774240000066
基于同一发明构思，本发明还提供一种主动配电网分布鲁棒优化调度系统，其改进之处在于，包括：
数据获取单元，用于根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；
模型构建单元，用于基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；
方案优化单元，用于将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的一种主动配电网分布鲁棒优化调度方法及系统，根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案；本发明通过建立的捕捉配电网中源荷出力概率分布的模糊集合求解构建的考虑源荷不确定性的两阶段分布鲁棒优化模型，降低了最优解的保守性，促进了可再生能源消纳，在一定程度上降低了期望成本，提高了电网的经济性；
其中，在建立的不确定性变量的预测误差的模糊集合，引入易于获取的预测误差的概率分布信息来降低最优解的而保守性，提高了主动配电网优化调度决策的准确度，进而降低了解的保守性；
通过广义线性决策规则严格逼近所构建的两阶段模型，来减低鲁棒优化方法所得最优解的保守性，具有较好的可靠性，同时，使模型更易于求解，提高了模型求解的便利性。
附图说明
图1是本发明主动配电网分布鲁棒优化调度方法流程图；
图2是本发明主动配电网分布鲁棒优化调度系统示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
本发明提供一种主动配电网分布鲁棒优化调度方法，如图1所示，所述方法包括：
步骤1.根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；
步骤2.基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；
步骤3.将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案。
为了更加清楚的表明本发明的目的，下面结合具体实施例对本发明的方案做进一步说明。
在本发明的实施例中，上述步骤2.基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合，包括：
将未来时段分成若干调度时段，采用分段线性函数表征各调度时段内不确定性变量预测误差的概率分布信息；
基于不确定性变量的预测误差的波动范围，确定不确定变量集合；
基于各调度时段内不确定性变量预测误差的概率分布信息以及各调度时段内不确定性变量预测误差在不确定性集合U中取值的概率，构建未来时段不确定性变量预测误差的模糊集合。
其中，不确定性变量的预测误差为不确定性变量的预测值与实际值的差值。
在发明的实施例中，具体地，上述基于不确定性变量的预测误差的波动范围，构建不确定变量集合，包括：
按下式构建不确定集合：
Figure BDA0002471774240000071
式中，
Figure BDA0002471774240000081
为不确定性变量的预测误差，RS为
Figure BDA0002471774240000082
的集合，R为节点结合，S为不确定性变量的集合，Vmin为
Figure BDA0002471774240000083
的下限值，Vmax为
Figure BDA0002471774240000084
的上限值，
Figure BDA0002471774240000085
为调度时段t节点r接入的光伏机组的出力的预测误差，
Figure BDA0002471774240000086
为调度时段t节点r接入的风电机组的出力的预测误差，
Figure BDA0002471774240000087
调度时段t节点r接入的波动性负荷的运性功率的预测误差，NT为未来时段的调度时段总数。
具体地，上述基于各调度时段内不确定性变量预测误差的概率分布信息以及各调度时段内不确定性变量预测误差在不确定性集合U中取值的概率，构建未来时段不确定性变量预测误差的模糊集合，包括：
按下式构建未来时段不确定性变量预测误差的模糊集合：
Figure BDA0002471774240000088
式中，
Figure BDA0002471774240000089
为不确定性变量的预测误差，
Figure BDA00024717742400000810
为
Figure BDA00024717742400000811
的概率分布信息，RS为
Figure BDA00024717742400000812
的集合，R为节点结合，S为场景总数，
Figure BDA00024717742400000813
为
Figure BDA00024717742400000814
的集合，
Figure BDA00024717742400000815
为
Figure BDA00024717742400000816
的目标期望值，
Figure BDA00024717742400000817
为
Figure BDA00024717742400000818
的分段线性函数，
Figure BDA00024717742400000819
为
Figure BDA00024717742400000820
的期望值，σ为
Figure BDA00024717742400000821
的期望上限值，
Figure BDA00024717742400000822
为
Figure BDA00024717742400000823
在不确定性集合U中取值的概率。
其中，第三行式子是利用分段线性函数将各个随机变量
Figure BDA00024717742400000824
的概率分布信息融入模糊集合F中，将每个随机变量
Figure BDA00024717742400000825
的概率分布信息分为J段，这些期望表达式定义如下分段线性形式：
Figure BDA00024717742400000826
Figure BDA00024717742400000827
为第r个不确定变量t时刻的预测误差，
Figure BDA00024717742400000828
为第j段线性函数，Cj,r为第r个节点的不确定变量的第j段线性函数的截止常数，σj为第j段线性函数期望值的上限值，其获取过程是将历史时段内不确定性变量预测误差遵从β分布情况的分布函数分为J段，将第j段分布函数的最大值作为第j段线性函数期望值的上限值。
在本发明的实施例中，上述求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案，包括：
基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换；
利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型；
通过优化求解算法求解所述二阶锥鲁棒对等式模型，得到未来时段不确定性变量的优化值；
判断未来时段不确定性变量的优化值与未来时段不确定性变量的预测值是否相等；
若相等，则将不确定性变量的优化值作为第一阶段的决策变量；否则，将不确定性变量的优化值作为第二阶段的决策变量；
根据所述第一阶段和第二阶段的决策变量，确定主动配电网的最优调度方案。
其中，两阶段分布鲁棒优化模型如下式：
Figure BDA0002471774240000091
式中，Q(x1,x2)为优化模型的目标函数，x1为第一阶段的决策变量，x2为第二阶段的决策变量，v为不确定性变量，
Figure BDA0002471774240000092
v′为不确定性变量的预测值，
Figure BDA0002471774240000093
为不确定性变量的预测误差，C1(x1)为第一阶段成本函数，C2(x2,v)为第二阶段成本函数，E(·)为均值函数，A为第一系数矩阵，
Figure BDA0002471774240000094
为A的取集合，Z为第二系数矩阵，
Figure BDA0002471774240000095
为Z的取集合，W为第三系数矩阵，
Figure BDA0002471774240000096
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1为第一阶段的约束条件集合，M2第二阶段的约束条件集合，b为常数，h(v)为不确定变量v对应的仿射函数，Pv为
Figure BDA0002471774240000097
的概率分布信息，F为未来时段不确定性变量预测误差的模糊集合；
第一阶段的决策变量包括：可控分布式电源的有功功率和可控分布式负荷的有功功率，所述第二阶段决策变量包括：弃光电量、弃风电量和失负荷电量；不确定性变量包括：光伏机组出力、风电机组出力和波动性负荷运行功率。
上述
Figure BDA0002471774240000098
Figure BDA0002471774240000099
为配网网损成本，
Figure BDA00024717742400000910
为主网购电成本，
Figure BDA00024717742400000911
为燃气机轮调度成本，
Figure BDA00024717742400000912
为储能调度成本，
Figure BDA00024717742400000913
为柔性负荷调度成本，
Figure BDA00024717742400000914
为弃风惩罚成本，
Figure BDA00024717742400000915
为弃光惩罚成本，
Figure BDA00024717742400000916
为失负荷惩罚成本，NT为调度时段总数。上述通过优化求解算法求解所述二阶锥鲁棒对等式模型，得到未来时段不确定性变量的优化值，具体是以两个阶段的成本最小为目标，通过优化求解算法求解二阶锥模型，得到未来时段不确定性变量的优化值，其中的优化求解算法可以采用现有技术的遗传算法或蚁群算法。
上述述第一阶段的约束条件集合M1包括节点功率的等式约束和不等式约束，所述第二阶段的约束条件集合M2：各节点的光伏机组出力不等式约束、风电机组出力不等式约束、波动性负荷功率变化量不等式约束、节点电压不等式约束，以及配电网输入各节点功率的不等式约束。
具体为，第一阶段的约束条件集合M1包括：
等式约束：
Figure BDA0002471774240000101
Figure BDA0002471774240000102
Figure BDA0002471774240000103
式中，Pj,t为调度时段t节点j的有功功率，Qj,t为调度时段t节点j的无功功率，Pj,k,t为调度时段t节点j作为支路首端节点时末端节点k的有功功率，Qj,k,t为调度时段t节点j作为支路首端节点时末端节点k的无功功率，δj为节点j作为支路首端节点时的末端节点集合，πj为节点j作为支路末端节点时的首端节点集合，Vj,t为调度时段t节点j的电压，j∈R，R为节点集合，Vj,i,t、Pj,i,t和Qj,i,t为调度时段t节点j作为支路末端节点时的首端节点i的电压、有功功率和无功功率，Iij,t、rij,t和xij,t分别为节点i和节点j之间支路的电流、电阻和电抗，
Figure BDA0002471774240000104
为调度时段t节点j的燃气轮机的有功功率，
Figure BDA0002471774240000105
为调度时段t配电网给节点j提供的有功功率，
Figure BDA0002471774240000106
为调度时段t节点j的光伏机组的有功功率，
Figure BDA0002471774240000107
为调度时段t节点j的风电机组的有功功率，
Figure BDA0002471774240000108
为调度时段t节点j的储能系统的充电功率，
Figure BDA0002471774240000109
为调度时段t节点j的储能系统的放电功率，
Figure BDA00024717742400001010
为调度时段t节点j的负荷有功功率；
不等式约束：
Figure BDA0002471774240000111
Figure BDA0002471774240000112
式中，
Figure BDA0002471774240000113
为调度时段t节点j的最小有功功率，
Figure BDA0002471774240000114
为调度时段t节点j的最大有功功率，
Figure BDA0002471774240000115
为调度时段t-1节点j的燃气轮机的有功功率，
Figure BDA0002471774240000116
为调度时段t节点j的燃气轮机的有功功率变化量的下限值，
Figure BDA0002471774240000117
为调度时段t节点j的燃气轮机的有功功率变化量的上限值；
第二阶段优化以分布鲁棒优化理论为基础，将第一阶段优化结果作为优化基准值，考虑光伏、风电等不可控分布式电源出力和负荷的波动性，构建模糊集合捕捉其波动范围，产生一个追索成本以进一步降低光伏、风电出力不确定性和负荷的波动性给配电网优化调度带来的不良影响，最终实现区域内可控分布式能源的有效调控，所述第二阶段的约束条件集合M2包括：
Figure BDA0002471774240000118
Figure BDA0002471774240000119
Figure BDA00024717742400001110
Figure BDA00024717742400001111
Figure BDA00024717742400001112
Figure BDA00024717742400001113
式中，
Figure BDA00024717742400001114
为
Figure BDA00024717742400001115
的上限值，
Figure BDA00024717742400001116
为
Figure BDA00024717742400001117
的上限值，
Figure BDA00024717742400001118
为调度时段t节点j的负荷有功功率变化量，
Figure BDA00024717742400001119
为调度时段t节点j的负荷有功功率的最大损耗率，
Figure BDA00024717742400001120
为Vj,t的上限值，
Figure BDA00024717742400001121
为Vj,t的下限值，
Figure BDA00024717742400001122
为
Figure BDA00024717742400001123
的上限值，
Figure BDA00024717742400001124
为
Figure BDA00024717742400001125
的下限值，
Figure BDA00024717742400001126
为调度时段t配电网给节点j提供的无功功率，
Figure BDA00024717742400001127
为
Figure BDA00024717742400001128
的上限值，
Figure BDA00024717742400001129
为
Figure BDA00024717742400001130
的下限值。
在本发明的实施例中，根据两阶段分布鲁棒优化模型可知求解其为一个NP-hard问题，目前解决办法主要有线性决策规则方法，因此上述基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换，包括：
按下式确定等价变换获得的模型：
Figure BDA0002471774240000121
式中，
Figure BDA0002471774240000122
为进行等价变换后的两阶段分布鲁棒优化模型的目标函数，G为未来时段不确定性变量预测误差的模糊集合F的扩展集合，v为不确定性变量，
Figure BDA0002471774240000123
v′为不确定性变量的预测值，u为辅助变量，
Figure BDA0002471774240000124
为辅助变量的预测误差，
Figure BDA0002471774240000125
Q为
Figure BDA0002471774240000126
和
Figure BDA0002471774240000127
的联合概率分布信息，E[·]为均值函数，qT为系数矩阵，h(v,u)为不确定变量v和辅助变量u对应的仿射函数，Z为第二系数矩阵，
Figure BDA0002471774240000128
为Z的取集合，W为第三系数矩阵，
Figure BDA0002471774240000129
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1、M2分别为第一、二阶段的约束条件集合，x1为第一阶段决策变量，h(v)为不确定变量v对应的仿射函数；
其中，由于模糊集合F中的期望值
Figure BDA00024717742400001210
难以直接估计，因此本发明引入一个辅助变量
Figure BDA00024717742400001211
来限制每个分段函数的上界，进一步地，按下式确定未来时段不确定性变量预测误差的模糊集合F的扩展集合G：
Figure BDA00024717742400001212
式中，
Figure BDA00024717742400001213
为不确定性变量的预测误差，
Figure BDA00024717742400001214
为辅助变量的预测误差，
Figure BDA00024717742400001215
为
Figure BDA00024717742400001216
和
Figure BDA00024717742400001217
的联合概率分布信息值，RS为
Figure BDA00024717742400001218
的集合，RK为
Figure BDA00024717742400001219
的集合，R为节点集合，S为不确定性变量的集合，K为辅助变量的集合，
Figure BDA00024717742400001220
为
Figure BDA00024717742400001221
和
Figure BDA00024717742400001222
的联合概率分布信息的集合，
Figure BDA00024717742400001223
为
Figure BDA00024717742400001224
在
Figure BDA00024717742400001225
下的目标期望值，
Figure BDA00024717742400001226
为在
Figure BDA00024717742400001227
下的的目标期望值，σK为
Figure BDA00024717742400001228
的上限值，
Figure BDA00024717742400001229
为
Figure BDA00024717742400001230
和
Figure BDA00024717742400001231
在不确定性集合U的扩展集合
Figure BDA0002471774240000131
中取值的概率，
Figure BDA0002471774240000132
Figure BDA0002471774240000133
为
Figure BDA0002471774240000134
的分段线性函数。
进一步地，所述利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型，包括：
按下式确定所述二阶锥鲁棒对等式模型：
Figure BDA0002471774240000135
式中，r为第一对偶变量矩阵，λ为第二对偶变量矩阵，ρ为第三对偶变量矩阵，σK为
Figure BDA0002471774240000136
的上限值，π0为第四对偶变量，πm为第五对偶变量，ρs为第三对偶变量矩阵的第s行元素，λk为第二对偶变量矩阵的第k行元素，S为
Figure BDA0002471774240000137
的场景总数，K为
Figure BDA0002471774240000138
的场景总数，
Figure BDA0002471774240000139
为h(v,u)的常数项，
Figure BDA00024717742400001310
为h(v,u)中第s个场景不确定性变量v的第n个系数，
Figure BDA00024717742400001311
为h(v,u)中第k个场景不确定性变量u的第n个系数，Zm为矩阵Z的第m列元素，Wm为矩阵W的第m列元素，Wmn为矩阵W的第m列第n个元素，N为n的总数，Cs为集合
Figure BDA00024717742400001312
改写成矩阵形式时
Figure BDA00024717742400001313
的系数矩阵C的第s列元素，Dk为集合
Figure BDA00024717742400001314
改写成矩阵形式时
Figure BDA00024717742400001315
的系数矩阵D的第k列元素，dn为集合
Figure BDA0002471774240000141
改写成矩阵形式时常数矩阵d的第n列元素，
Figure BDA0002471774240000142
为h(v)中常数项的第m个元素，hms为中h(v)中第s个场景不确定性变量v的第m个系数，M为m的总数；
其中，
Figure BDA0002471774240000143
不确定性集U为二阶锥多面体集合，并且引入了分段线性函数，故扩展不确定性集
Figure BDA0002471774240000144
可以使用一系列线性约束条件来表征，其矩阵形式如下：
Figure BDA0002471774240000145
基于同一发明构思，本发明还提供一种主动配电网分布鲁棒优化调度系统，如图2所示，包括：
数据获取单元，用于根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；
模型构建单元，用于基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；
方案优化单元，用于将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案。
在本发明的实施例中，上述模型构建单元，包括：
处理模块，用于将未来时段分成若干调度时段，采用分段线性函数表征各调度时段内不确定性变量预测误差的概率分布信息；
确定模块，用于基于不确定性变量的预测误差的波动范围，确定不确定变量集合；
构建模块，用于基于各调度时段内不确定性变量预测误差的概率分布信息以及各调度时段内不确定性变量预测误差在不确定性集合U中取值的概率，构建未来时段不确定性变量预测误差的模糊集合。
其中，确定模块具体用于按下式构建不确定集合：
Figure BDA0002471774240000146
式中，
Figure BDA0002471774240000147
为不确定性变量的预测误差，RS为
Figure BDA0002471774240000148
的集合，R为节点结合，S为不确定性变量的集合，Vmin为
Figure BDA0002471774240000149
的下限值，Vmax为
Figure BDA00024717742400001410
的上限值，
Figure BDA00024717742400001411
为调度时段t节点r接入的光伏机组的出力的预测误差，
Figure BDA0002471774240000151
为调度时段t节点r接入的风电机组的出力的预测误差，
Figure BDA0002471774240000152
为调度时段t节点r接入的波动性负荷的运性功率的预测误差，T为未来时段的调度时段总数。
构建模块，具体用于按下式构建未来时段不确定性变量预测误差的模糊集合：
Figure BDA0002471774240000153
式中，
Figure BDA0002471774240000154
为不确定性变量的预测误差，
Figure BDA0002471774240000155
为
Figure BDA0002471774240000156
的概率分布信息，RS为
Figure BDA0002471774240000157
的集合，R为节点结合，S为场景总数，
Figure BDA0002471774240000158
为
Figure BDA0002471774240000159
的集合，
Figure BDA00024717742400001510
为
Figure BDA00024717742400001511
的目标期望值，
Figure BDA00024717742400001512
为
Figure BDA00024717742400001513
的分段线性函数，
Figure BDA00024717742400001514
为
Figure BDA00024717742400001515
的期望值，σ为
Figure BDA00024717742400001516
的期望上限值，
Figure BDA00024717742400001517
为
Figure BDA00024717742400001518
在不确定性集合U中取值的概率，其中，可以通过预先设定或是通过令各历史时段内不确定性变量预测误差遵从β分布情况下求解得到。
在本发明的实施例中，上述方案优化单元具体用于按下述方法求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案：
基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换；
利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型；
通过优化求解算法求解所述二阶锥鲁棒对等式模型，得到未来时段不确定性变量的优化值；
判断未来时段不确定性变量的优化值与未来时段不确定性变量的预测值是否相等；
若相等，则将不确定性变量的优化值作为第一阶段的决策变量；否则，将不确定性变量的优化值作为第二阶段的决策变量；
根据所述第一阶段和第二阶段的决策变量，确定主动配电网的最优调度方案。
具体地，上述两阶段分布鲁棒优化模型如下式：
Figure BDA00024717742400001519
式中，Q(x1,x2)为优化模型的目标函数，x1为第一阶段的决策变量，x2为第二阶段的决策变量，v为不确定性变量，
Figure BDA00024717742400001520
v′为不确定性变量的预测值，
Figure BDA00024717742400001521
为不确定性变量的预测误差，C1(x1)为第一阶段成本函数，C2(x2,v)为第二阶段成本函数，E(·)为均值函数，A为第一系数矩阵，
Figure BDA0002471774240000161
为A的取集合，Z为第二系数矩阵，
Figure BDA0002471774240000162
为Z的取集合，W为第三系数矩阵，
Figure BDA0002471774240000163
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1为第一阶段的约束条件集合，M2第二阶段的约束条件集合，b为常数，h(v)为不确定变量v对应的仿射函数，
Figure BDA0002471774240000164
为
Figure BDA0002471774240000165
概率分布信息，F为未来时段不确定性变量预测误差的模糊集合；
其中，所述第一阶段的决策变量包括：可控分布式电源的有功功率和可控分布式负荷的有功功率，所述第二阶段决策变量包括：弃光电量、弃风电量和失负荷电量；不确定性变量包括：光伏机组出力、风电机组出力和波动性负荷运行功率。
第一阶段的约束条件集合M1包括节点功率的等式约束和不等式约束，所述第二阶段的约束条件集合M2：各节点的光伏机组出力不等式约束、风电机组出力不等式约束、波动性负荷功率变化量不等式约束、节点电压不等式约束，以及配电网输入各节点功率的不等式约束。
上述基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换，包括：
按下式确定等价变换获得的模型：
Figure BDA0002471774240000166
式中，
Figure BDA0002471774240000167
为进行等价变换后的两阶段分布鲁棒优化模型的目标函数，G为未来时段不确定性变量预测误差的模糊集合F的扩展集合，v为不确定性变量，
Figure BDA0002471774240000168
v′为不确定性变量的预测值，u为辅助变量，
Figure BDA0002471774240000169
为辅助变量的预测误差，
Figure BDA00024717742400001610
Q为
Figure BDA00024717742400001611
和
Figure BDA00024717742400001612
的联合概率分布信息，E[·]为均值函数，qT为系数矩阵，h(v,u)为不确定变量v和辅助变量u对应的仿射函数，Z为第二系数矩阵，
Figure BDA00024717742400001613
为Z的取集合，W为第三系数矩阵，
Figure BDA00024717742400001614
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1、M2分别为第一、二阶段的约束条件集合，x1为第一阶段决策变量，h(v)为不确定变量v对应的仿射函数；
其中，按下式确定未来时段不确定性变量预测误差的模糊集合F的扩展集合G：
Figure BDA0002471774240000171
式中，
Figure BDA0002471774240000172
为不确定性变量的预测误差，
Figure BDA0002471774240000173
为辅助变量的预测误差，
Figure BDA0002471774240000174
为
Figure BDA0002471774240000175
和
Figure BDA0002471774240000176
的联合概率分布信息值，RS为
Figure BDA0002471774240000177
的集合，RK为
Figure BDA0002471774240000178
的集合，R为节点集合，S为不确定性变量的集合，K为辅助变量的集合，
Figure BDA0002471774240000179
为
Figure BDA00024717742400001710
和
Figure BDA00024717742400001711
的联合概率分布信息的集合，
Figure BDA00024717742400001712
为
Figure BDA00024717742400001713
在
Figure BDA00024717742400001714
下的目标期望值，
Figure BDA00024717742400001715
为在
Figure BDA00024717742400001716
下的的目标期望值，σK为
Figure BDA00024717742400001717
的上限值，
Figure BDA00024717742400001718
为
Figure BDA00024717742400001719
和
Figure BDA00024717742400001720
在不确定性集合U的扩展集合
Figure BDA00024717742400001721
中取值的概率，
Figure BDA00024717742400001722
Figure BDA00024717742400001723
为
Figure BDA00024717742400001724
的分段线性函数。
上述利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型，包括：
按下式确定所述二阶锥鲁棒对等式模型：
Figure BDA00024717742400001725
式中，r为第一对偶变量矩阵，λ为第二对偶变量矩阵，ρ为第三对偶变量矩阵，σK为
Figure BDA0002471774240000181
的上限值，π0为第四对偶变量，πm为第五对偶变量，ρs为第三对偶变量矩阵的第s行元素，λk为第二对偶变量矩阵的第k行元素，S为
Figure BDA0002471774240000182
的场景总数，K为
Figure BDA0002471774240000183
的场景总数，
Figure BDA0002471774240000184
为h(v,u)的常数项，
Figure BDA0002471774240000185
为h(v,u)中第s个场景不确定性变量v的第n个系数，
Figure BDA0002471774240000186
为h(v,u)中第k个场景不确定性变量u的第n个系数，Zm为矩阵Z的第m列元素，Wm为矩阵W的第m列元素，Wmn为矩阵W的第m列第n个元素，N为n的总数，Cs为集合
Figure BDA0002471774240000187
改写成矩阵形式时
Figure BDA0002471774240000188
的系数矩阵C的第s列元素，Dk为集合
Figure BDA0002471774240000189
改写成矩阵形式时
Figure BDA00024717742400001810
的系数矩阵D的第k列元素，dn为集合
Figure BDA00024717742400001811
改写成矩阵形式时常数矩阵d的第n列元素，
Figure BDA00024717742400001812
为h(v)中常数项的第m个元素，hms为中h(v)中第s个场景不确定性变量v的第m个系数，M为m的总数；
其中，
Figure BDA00024717742400001813
的矩阵形式为
Figure BDA00024717742400001814
本发明提供的一种主动配电网分布鲁棒优化调度方法及系统，根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案；本发明通过建立的捕捉配电网中源荷出力概率分布的模糊集合求解构建的考虑源荷不确定性的两阶段分布鲁棒优化模型，降低了最优解的保守性，促进了可再生能源消纳，在一定程度上降低了期望成本，提高了电网的经济性；
其中，在建立的不确定性变量的预测误差的模糊集合，引入易于获取的预测误差的概率分布信息来降低最优解的而保守性，提高了主动配电网优化调度决策的准确度，进而降低了解的保守性；
通过广义线性决策规则严格逼近所构建的两阶段模型，来减低鲁棒优化方法所得最优解的保守性，具有较好的可靠性，同时，使模型更易于求解，提高了模型求解的便利性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种主动配电网分布鲁棒优化调度方法，其特征在于，包括：
根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；
基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；
将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案。
2.如权利要求1所述的方法，其特征在于，所述基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合，包括：
将未来时段分成若干调度时段，采用分段线性函数表征各调度时段内不确定性变量预测误差的概率分布信息；
基于不确定性变量的预测误差的波动范围，确定不确定变量集合；
基于各调度时段内不确定性变量预测误差的概率分布信息以及各调度时段内不确定性变量预测误差在不确定性集合U中取值的概率，构建未来时段不确定性变量预测误差的模糊集合。
3.如权利要求2所述的方法，其特征在于，所述基于不确定性变量的预测误差的波动范围，构建不确定变量集合，包括：
按下式构建不确定变量集合：
Figure FDA0002471774230000011
式中，
Figure FDA0002471774230000012
为不确定性变量的预测误差，RS为
Figure FDA0002471774230000013
的集合，R为节点结合，S为不确定性变量的集合，Vmin为
Figure FDA0002471774230000014
的下限值，Vmax为
Figure FDA0002471774230000015
的上限值，
Figure FDA0002471774230000016
为调度时段t节点r接入的光伏机组的出力的预测误差，
Figure FDA0002471774230000017
为调度时段t节点r接入的风电机组的出力的预测误差，
Figure FDA0002471774230000018
为调度时段t节点r接入的波动性负荷的运性功率的预测误差，NT为未来时段的调度时段总数。
4.如权利要求2所述的方法，其特征在于，所述基于各调度时段内不确定性变量预测误差的概率分布信息以及各调度时段内不确定性变量预测误差在不确定性集合U中取值的概率，构建未来时段不确定性变量预测误差的模糊集合，包括：
按下式构建未来时段不确定性变量预测误差的模糊集合：
Figure FDA0002471774230000021
式中，
Figure FDA0002471774230000022
为不确定性变量的预测误差，
Figure FDA0002471774230000023
为
Figure FDA0002471774230000024
的概率分布信息，RS为
Figure FDA0002471774230000025
的集合，R为节点结合，S为场景总数，
Figure FDA0002471774230000026
为
Figure FDA0002471774230000027
的集合，
Figure FDA0002471774230000028
为
Figure FDA0002471774230000029
的目标期望值，
Figure FDA00024717742300000210
为
Figure FDA00024717742300000211
的分段线性函数，
Figure FDA00024717742300000212
为
Figure FDA00024717742300000213
的期望值，σ为
Figure FDA00024717742300000214
期望的上限值，
Figure FDA00024717742300000215
为
Figure FDA00024717742300000216
在不确定性集合U中取值的概率。
5.如权利要求1所述的方法，其特征在于，所述求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案，包括：
基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换；
利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型；
通过优化求解算法求解所述二阶锥鲁棒对等式模型，得到未来时段不确定性变量的优化值；
判断未来时段不确定性变量的优化值与未来时段不确定性变量的预测值是否相等；
若相等，则将不确定性变量的优化值作为第一阶段的决策变量；否则，将不确定性变量的优化值作为第二阶段的决策变量；
根据所述第一阶段和第二阶段的决策变量，确定主动配电网的最优调度方案。
6.如权利要求1或5所述的方法，其特征在于，所述两阶段分布鲁棒优化模型如下式：
Figure FDA00024717742300000217
式中，Q(x1,x2)为优化模型的目标函数，x1为第一阶段的决策变量，x2为第二阶段的决策变量，v为不确定性变量，
Figure FDA00024717742300000218
v′为不确定性变量的预测值，
Figure FDA00024717742300000219
为不确定性变量的预测误差，C1(x1)为第一阶段成本函数，C2(x2,v)为第二阶段成本函数，E(·)为均值函数，A为第一系数矩阵，
Figure FDA00024717742300000220
为A的取集合，Z为第二系数矩阵，
Figure FDA00024717742300000221
为Z的取集合，W为第三系数矩阵，
Figure FDA0002471774230000031
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1为第一阶段的约束条件集合，M2第二阶段的约束条件集合，b为常数，h(v)为不确定变量v对应的仿射函数，
Figure FDA0002471774230000032
为
Figure FDA0002471774230000033
的概率分布信息，F为未来时段不确定性变量预测误差的模糊集合；
其中，所述第一阶段的决策变量包括：可控分布式电源的有功功率和可控分布式负荷的有功功率，所述第二阶段决策变量包括：弃光电量、弃风电量和失负荷电量；所述不确定性变量包括：光伏机组出力、风电机组出力和波动性负荷运行功率。
7.如权利要求6所述的方法，其特征在于，所述第一阶段的约束条件集合M1包括节点功率的等式约束和不等式约束；
所述第二阶段的约束条件集合M2包括：各节点的光伏机组出力不等式约束、风电机组出力不等式约束、波动性负荷功率变化量不等式约束、节点电压不等式约束，以及配电网输入各节点功率的不等式约束。
8.如权利要求5所述的方法，其特征在于，所述基于广义线性决策规则和辅助变量对所述两阶段分布鲁棒优化模型进行等价变换，包括：
按下式确定等价变换获得的模型：
Figure FDA0002471774230000034
式中，
Figure FDA0002471774230000035
为进行等价变换后的两阶段分布鲁棒优化模型的目标函数，G为未来时段不确定性变量预测误差的模糊集合F的扩展集合，v为不确定性变量，
Figure FDA0002471774230000036
v′为不确定性变量的预测值，u为辅助变量，
Figure FDA0002471774230000037
为辅助变量的预测误差，
Figure FDA0002471774230000038
Q为
Figure FDA0002471774230000039
和
Figure FDA00024717742300000310
的联合概率分布信息，E[·]为均值函数，qT为系数矩阵，h(v,u)为不确定变量v和辅助变量u对应的仿射函数，Z为第二系数矩阵，
Figure FDA00024717742300000311
为Z的取集合，W为第三系数矩阵，
Figure FDA00024717742300000312
为W的取集合，N1、N2分别为第一、二阶段的决策变量集合，M1、M2分别为第一、二阶段的约束条件集合，x1为第一阶段决策变量，h(v)为不确定变量v对应的仿射函数，
Figure FDA0002471774230000041
为不确定性集合U的扩展集合，
Figure FDA0002471774230000042
RS为
Figure FDA0002471774230000043
的集合，RK为
Figure FDA0002471774230000044
的集合，R为节点集合，S为不确定性变量的集合，K为辅助变量的集合，
Figure FDA0002471774230000045
为
Figure FDA0002471774230000046
的分段线性函数；
其中，按下式确定未来时段不确定性变量预测误差的模糊集合F的扩展集合G：
Figure FDA0002471774230000047
式中，
Figure FDA0002471774230000048
为不确定性变量的预测误差，
Figure FDA0002471774230000049
为辅助变量的预测误差，
Figure FDA00024717742300000410
为
Figure FDA00024717742300000411
和
Figure FDA00024717742300000412
的联合概率分布信息值，
Figure FDA00024717742300000413
为
Figure FDA00024717742300000414
和
Figure FDA00024717742300000415
的联合概率分布信息的集合，
Figure FDA00024717742300000416
为
Figure FDA00024717742300000417
在
Figure FDA00024717742300000418
下的目标期望值，
Figure FDA00024717742300000419
为在
Figure FDA00024717742300000420
下的的目标期望值，σK为
Figure FDA00024717742300000421
的上限值，
Figure FDA00024717742300000422
为
Figure FDA00024717742300000423
和
Figure FDA00024717742300000424
在
Figure FDA00024717742300000425
中取值的概率。
9.如权利要求8所述的方法，其特征在于，所述利用拉格朗日对偶原理将等价变换获得的模型转换为二阶锥鲁棒对等式模型，包括：
按下式确定所述二阶锥鲁棒对等式模型：
Figure FDA0002471774230000051
式中，r为第一对偶变量矩阵，λ为第二对偶变量矩阵，ρ为第三对偶变量矩阵，σK为
Figure FDA0002471774230000052
的上限值，π0为第四对偶变量，πm为第五对偶变量，ρs为第三对偶变量矩阵的第s行元素，λk为第二对偶变量矩阵的第k行元素，S为
Figure FDA0002471774230000053
的场景总数，K为
Figure FDA0002471774230000054
的场景总数，
Figure FDA0002471774230000055
为h(v,u)的常数项，
Figure FDA0002471774230000056
为h(v,u)中第s个场景不确定性变量v的第n个系数，
Figure FDA0002471774230000057
为h(v,u)中第k个场景不确定性变量u的第n个系数，Zm为矩阵Z的第m列元素，Wm为矩阵W的第m列元素，Wmn为矩阵W的第m列第n个元素，N为n的总数，Cs为集合
Figure FDA0002471774230000058
改写成矩阵形式时
Figure FDA0002471774230000059
的系数矩阵C的第s列元素，Dk为集合
Figure FDA00024717742300000510
改写成矩阵形式时
Figure FDA00024717742300000511
的系数矩阵D的第k列元素，dn为集合
Figure FDA00024717742300000512
改写成矩阵形式时常数矩阵d的第n列元素，
Figure FDA00024717742300000513
为h(v)中常数项的第m个元素，hms为中h(v)中第s个场景不确定性变量v的第m个系数，M为m的总数，其中，
Figure FDA00024717742300000514
的矩阵形式为
Figure FDA00024717742300000515
10.一种主动配电网分布鲁棒优化调度系统，其特征在于，包括：
数据获取单元，用于根据获取的历史时段不确定性变量预测误差的上、下限值，确定历史时段不确定性变量预测误差的波动范围；
模型构建单元，用于基于历史时段不确定性变量的预测误差的波动范围，构建未来时段不确定性变量预测误差的模糊集合；
方案优化单元，用于将模糊集合代入预先建立的两阶段分布鲁棒优化模型，求解所述两阶段分布鲁棒优化模型得到主动配电网的最优调度方案。
CN202010350836.XA 2020-04-28 2020-04-28 一种主动配电网分布鲁棒优化调度方法及系统 Pending CN111668877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010350836.XA CN111668877A (zh) 2020-04-28 2020-04-28 一种主动配电网分布鲁棒优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010350836.XA CN111668877A (zh) 2020-04-28 2020-04-28 一种主动配电网分布鲁棒优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN111668877A true CN111668877A (zh) 2020-09-15

Family

ID=72382951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010350836.XA Pending CN111668877A (zh) 2020-04-28 2020-04-28 一种主动配电网分布鲁棒优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN111668877A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418486A (zh) * 2020-10-28 2021-02-26 上海交通大学 基于可再生能源消纳能力的数据驱动调度方法
CN112561732A (zh) * 2020-12-14 2021-03-26 南方电网科学研究院有限责任公司 一种电力系统有功调度优化的方法、装置和可读存储介质
CN112886572A (zh) * 2021-01-21 2021-06-01 三峡大学 一种电网可再生能源消纳能力评估方法
CN112952908A (zh) * 2021-03-29 2021-06-11 四川大学 一种多合作微电网主体分布式协调交易方法
CN113381400A (zh) * 2021-05-28 2021-09-10 国网青海省电力公司 储能消纳新能源能力评估方法和装置
CN113779792A (zh) * 2021-09-08 2021-12-10 福州大学 一种基于仿射的综合能源系统优化配置方法
CN114123316A (zh) * 2021-11-10 2022-03-01 云南电网有限责任公司 计及风电不确定性的scuc模型优化方法及设备
CN114596008A (zh) * 2022-05-09 2022-06-07 支付宝(杭州)信息技术有限公司 考虑预估不确定性的资源分配决策的鲁棒优化方法
CN114900431A (zh) * 2022-06-16 2022-08-12 广东电网有限责任公司 一种能源配置分布式鲁棒优化方法、装置及存储介质
CN115688394A (zh) * 2022-10-18 2023-02-03 上海科技大学 考虑电网多重不确定性的v2g分布鲁棒优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180034277A1 (en) * 2016-07-29 2018-02-01 Tsinghua University Method and device for controlling distributed generator in distribution system
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN110032828A (zh) * 2019-05-10 2019-07-19 四川大学 一种计及需求响应柔性调节的配电网两阶段分布鲁棒dg优化配置线性方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180034277A1 (en) * 2016-07-29 2018-02-01 Tsinghua University Method and device for controlling distributed generator in distribution system
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN110032828A (zh) * 2019-05-10 2019-07-19 四川大学 一种计及需求响应柔性调节的配电网两阶段分布鲁棒dg优化配置线性方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李佳: "含分布式可再生能源的主动配电网鲁棒优化调度", 《中国优秀硕士论文电子期刊网全文数据库》, 15 January 2020 (2020-01-15), pages 7 - 41 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418486A (zh) * 2020-10-28 2021-02-26 上海交通大学 基于可再生能源消纳能力的数据驱动调度方法
CN112418486B (zh) * 2020-10-28 2022-03-15 上海交通大学 基于可再生能源消纳能力的数据驱动调度方法
CN112561732A (zh) * 2020-12-14 2021-03-26 南方电网科学研究院有限责任公司 一种电力系统有功调度优化的方法、装置和可读存储介质
CN112886572A (zh) * 2021-01-21 2021-06-01 三峡大学 一种电网可再生能源消纳能力评估方法
CN112952908A (zh) * 2021-03-29 2021-06-11 四川大学 一种多合作微电网主体分布式协调交易方法
CN112952908B (zh) * 2021-03-29 2024-02-02 四川大学 一种多合作微电网主体分布式协调交易方法
CN113381400B (zh) * 2021-05-28 2022-09-27 国网青海省电力公司 储能消纳新能源能力评估方法和装置
CN113381400A (zh) * 2021-05-28 2021-09-10 国网青海省电力公司 储能消纳新能源能力评估方法和装置
CN113779792A (zh) * 2021-09-08 2021-12-10 福州大学 一种基于仿射的综合能源系统优化配置方法
CN114123316A (zh) * 2021-11-10 2022-03-01 云南电网有限责任公司 计及风电不确定性的scuc模型优化方法及设备
CN114123316B (zh) * 2021-11-10 2023-06-13 云南电网有限责任公司 计及风电不确定性的scuc模型优化方法及设备
CN114596008A (zh) * 2022-05-09 2022-06-07 支付宝(杭州)信息技术有限公司 考虑预估不确定性的资源分配决策的鲁棒优化方法
CN114900431A (zh) * 2022-06-16 2022-08-12 广东电网有限责任公司 一种能源配置分布式鲁棒优化方法、装置及存储介质
CN115688394A (zh) * 2022-10-18 2023-02-03 上海科技大学 考虑电网多重不确定性的v2g分布鲁棒优化方法
CN115688394B (zh) * 2022-10-18 2023-12-26 上海科技大学 考虑电网多重不确定性的v2g分布鲁棒优化方法

Similar Documents

Publication Publication Date Title
CN111668877A (zh) 一种主动配电网分布鲁棒优化调度方法及系统
CN105046395B (zh) 一种含多类型新能源的电力系统日内滚动计划编制方法
CN109980636B (zh) 基于改进Benders分解法的风水火协调优化调度方法
CN112636331B (zh) 智能电网的动态经济调度分布式优化方法及系统
Levent et al. Energy management for microgrids: A reinforcement learning approach
CN105244870B (zh) 一种快速计算电网风电场弃风率及机组发电量的方法
CN111681130A (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN112103943A (zh) 日前电力现货市场出清的安全校核方法、装置及存储介质
CN112381375B (zh) 一种基于潮流分配矩阵的电网经济运行域快速生成方法
US20220376499A1 (en) System and method for load and source forecasting for increasing electrical grid component longevity
CN109149656B (zh) 一种气-电互联综合能源系统机组组合方法
CN111463838B (zh) 计及储能参与二次调频的两阶段鲁棒优化调度方法及系统
CN114662751B (zh) 基于lstm的园区多能短期负荷预测及优化方法
CN114742314A (zh) 一种考虑相关性的电热综合能源系统分布鲁棒优化方法
CN111817296A (zh) 一种微电网用电能调度方法及系统
CN117458488B (zh) 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质
CN108233357A (zh) 基于非参数概率预测及风险期望的风电日前消纳优化方法
CN113363976B (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN103337040A (zh) 一种计及风电波动性的风电发电计划编制系统及编制方法
CN114884101B (zh) 一种基于自适应模型控制预测的抽水蓄能调度方法
CN112736905B (zh) 区域新能源容量优化配置方法及系统
CN111799842B (zh) 一种考虑火电机组灵活性的多阶段输电网规划方法及系统
CN115310678A (zh) 电力市场出清优化方法、装置、终端设备及存储介质
CN111404195B (zh) 一种基于智能网关的含分布式电源微电网的调度方法
CN113506185A (zh) 梯级水电站的发电优化调度方法、装置和计算机设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200915