CN111697581A - 一种基于机会约束gmm的csp-chpmg鲁棒调度方法 - Google Patents

一种基于机会约束gmm的csp-chpmg鲁棒调度方法 Download PDF

Info

Publication number
CN111697581A
CN111697581A CN202010826307.2A CN202010826307A CN111697581A CN 111697581 A CN111697581 A CN 111697581A CN 202010826307 A CN202010826307 A CN 202010826307A CN 111697581 A CN111697581 A CN 111697581A
Authority
CN
China
Prior art keywords
csp
prediction error
gmm
robustness
constraint
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
CN202010826307.2A
Other languages
English (en)
Inventor
潘本仁
彭春华
张妍
邹进
谢国强
桂小智
王冠南
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
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi 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, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010826307.2A priority Critical patent/CN111697581A/zh
Publication of CN111697581A publication Critical patent/CN111697581A/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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及微电网优化调度技术领域，具体涉及到一种基于机会约束GMM的CSP‑CHPMG鲁棒调度方法。本发明主要包括：构造了基于机会约束高斯混合模型的风电功率预测误差和负荷预测误差的不确定性集合，实现对含光热电站微网调度方案鲁棒性的准确描述；构建了计及电能需求响应的CSP‑CHPMG鲁棒经济多目标优化调度模型，保障调度方案的鲁棒性和经济性实现最佳均衡协调。本发明采用GMM替代固定概率分布函数对风电功率预测误差概率分布和负荷预测误差概率分布进行精确拟合，并建立基于机会约束GMM的风电功率预测误差不确定性集合和负荷预测误差不确定性集合，可更加真实地反映风电功率预测误差和负荷预测误差，进而能更准确的反映鲁棒优化效果，提高系统稳定性。

Description

一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法
技术领域
本发明涉及微电网优化调度技术领域，具体涉及到一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法。
背景技术
太阳能光热（Concentrated Solar Power，CSP）电站内部具有大容量的储热装置和快速爬坡的汽轮机，储热装置中的热量既可直接给用户供暖，也可驱动汽轮机发电。因此，CSP电站可有效克服光伏发电的间歇性和波动性，实现较为稳定的电能输出，增加太阳能消纳量，并可实现快速启停从而参与系统调峰，缓解常规机组备用容量压力，提升系统经济性。而微网能够整合多种分布式能源发电，并实现内部能源相互转换以满足用户多能源需求，特别适合与CSP电站有机结合，实现热电双向流动，利用不同能源的时空互补特性，提升能源梯级利用效率和多能互补性，降低发电运营风险和生产成本。因此，含光热电站热电联供型微网（Concentrated Solar Power-Combined Heating and Power Microgrid,CSP-CHPMG）和普通微网相比具有明显的优越性。现有研究中在热电联供型微网中引入CSP电站，提升了微网系统整体运行效益，然而其利用模糊机会约束规划处理风电出力不确定性，方法过于简单，对不确定性的描述精准度不高。
在CSP-CHPMG中，CSP电站有效克服了光能的不确定性，但其中风能和负荷的不确定性影响仍不可忽视，在经济调度时还需充分考虑调度方案的鲁棒性。然而，现有的鲁棒优化方法通常是基于预设鲁棒参数或不确定性预算系数对优化方案的鲁棒性进行控制。因其设定偏于主观且缺乏灵活性，难以充分体现优化目标和鲁棒性之间相互制约的动态关系，没能实现鲁棒性与经济性的协同优化，具有一定的局限性。此外，现有研究中大都采用特定分布函数模型来描述不确定性因素，然而通过统计分析风速和风电功率数据信息发现，风电功率预测误差的随机分布特征通常并不是简单的均匀分布或对称分布，也不只满足单一特定的分布函数模型。因此，上述采用特定分布函数模型来描述不确定性因素的处理方法往往会造成对风电不确定性描述存在较大误差和对优化方案的鲁棒性评价不准确。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法。
为实现上述目的，本发明采用的技术方案如下：一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，包括以下步骤：
步骤1，基于GMM构造风电功率预测误差的不确定性因素集合和负荷预测误差的不确定性因素集合；
步骤2，针对GMM引入机会约束，基于置信水平对鲁棒性进行评价和计算鲁棒度；
步骤3，将鲁棒性作为协同优化目标构建CSP-CHPMG鲁棒经济多目标优化调度模型；
步骤4，求解多目标优化调度模型，获得鲁棒性和经济性综合最优的CSP-CHPMG调度方案。
进一步的，所述步骤2具体包括：引入GMM描述不确定性因素预测误差的概率分布，然后引入机会约束得到不确定性因素的置信区间，通过调整置信水平
Figure DEST_PATH_DEST_PATH_IMAGE001
来调节置信区间的范围，建立基于机会约束GMM的可调节不确定性因素集合U，定义含机会约束的区间变量
Figure DEST_PATH_DEST_PATH_IMAGE002
来表示不确定性因素在t时段预测误差的不确定性，实现优化解的鲁棒性灵活可调以降低保守性，并充分体现不确定量概率分布对不确定性区间范围的影响，其中，可调节不确定性因素集合U如下：
Figure DEST_PATH_DEST_PATH_IMAGE003
式中：
Figure DEST_PATH_DEST_PATH_IMAGE004
和
Figure DEST_PATH_DEST_PATH_IMAGE005
分别为基于机会约束GMM可调节鲁棒区间的上下限，T表示为总时段数，
Figure DEST_PATH_DEST_PATH_IMAGE007
为显著性水平，
Figure DEST_PATH_DEST_PATH_IMAGE008
定义为鲁棒度，其设置的数值越大则说明相应的鲁棒优化方案对不确定性的容忍范围越大，通过调节
Figure DEST_PATH_427548DEST_PATH_IMAGE008
，调整不确定性因素集合区间，
Figure DEST_PATH_DEST_PATH_IMAGE009
表示任意时间t。
进一步的，在所述步骤1中，构造所述风电功率预测误差的不确定性因素集合的具体步骤如下：
GMM以若干个高斯分布函数的线性组合来逼近拟合非独立、多模态的随机变量的联合概率密度函数，t时段风电功率预测误差
Figure DEST_PATH_DEST_PATH_IMAGE010
的高斯混合概率密度函数可表示为：
Figure DEST_PATH_DEST_PATH_IMAGE011
Figure DEST_PATH_DEST_PATH_IMAGE012
式中：
Figure DEST_PATH_DEST_PATH_IMAGE013
为拟合分量的个数，
Figure DEST_PATH_DEST_PATH_IMAGE014
为第j个高斯分布的概率密度函数，
Figure DEST_PATH_DEST_PATH_IMAGE015
分别为第j个高斯分布的权重、期望和标准差；
采用期望最大化方法求解GMM，引入隐含变量，求得模型分布参数的极大似然估计值，对参数重估公式和隐含变量期望公式反复迭代，直至似然函数值最大即可得到
Figure DEST_PATH_298683DEST_PATH_IMAGE015
等参数；
通过求解风电功率预测误差的累积分布函数的逆函数可得置信水平为
Figure DEST_PATH_609578DEST_PATH_IMAGE001
下的风电功率预测误差不确定性因素集合；
通过高阶多项式函数拟合风电功率预测误差的累积分布函数，并通过多项式求根的方式快速获得其反函数的近似解；
其中，风电功率预测误差v的高斯分布的累积分布函数如下：
Figure DEST_PATH_DEST_PATH_IMAGE016
用分段四阶多项式拟合高斯分布的累积分布函数，多项式如下：
Figure DEST_PATH_DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_DEST_PATH_IMAGE018
；
风电功率预测误差的累积分布函数
Figure DEST_PATH_DEST_PATH_IMAGE019
就是对风电功率预测误差概率密度函数即多个高斯分布的线性组合求积分如下：
Figure DEST_PATH_DEST_PATH_IMAGE020
当置信水平为
Figure DEST_PATH_896466DEST_PATH_IMAGE001
时，即
Figure DEST_PATH_DEST_PATH_IMAGE021
，可得：
Figure DEST_PATH_DEST_PATH_IMAGE022
求解相应多项式的根即可得到风电功率预测误差的不确定性因素集合为：
Figure DEST_PATH_DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_DEST_PATH_IMAGE024
和
Figure DEST_PATH_DEST_PATH_IMAGE025
分别为t时段风电功率预测误差的上下限；
同理，构造负荷预测误差的不确定性因素集合如下：
用GMM拟合的t时段负荷预测误差
Figure DEST_PATH_DEST_PATH_IMAGE026
的概率分布，置信水平为
Figure DEST_PATH_789466DEST_PATH_IMAGE001
下的负荷预测误差不确定性因素集合通过求解负荷预测误差累积分布函数的逆函数可得，负荷预测误差的不确定性因素集合为：
Figure DEST_PATH_DEST_PATH_IMAGE027
其中，
Figure DEST_PATH_DEST_PATH_IMAGE028
和
Figure DEST_PATH_DEST_PATH_IMAGE029
为t时段负荷预测误差上下限。
进一步的，所述步骤3具体包括：
步骤3.1，以系统净成本
Figure DEST_PATH_DEST_PATH_IMAGE030
最小构建经济性优化目标函数；
步骤3.2，将鲁棒度作为协同优化目标，构造鲁棒度最大化目标函数；
步骤3.3，利用需求响应中的激励型需求响应削减电负荷峰时需求，利用价格型需求响应转移用户负荷分布；
步骤3.4，针对经济性优化目标函数和鲁棒度最大化目标函数设置约束条件；
步骤3.5，对多目标优化调度模型进行确定性转化。
进一步的，所述以系统净成本
Figure DEST_PATH_736563DEST_PATH_IMAGE030
最小构建经济性优化目标函数具体包括：
CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本
Figure DEST_PATH_DEST_PATH_IMAGE031
、CSP电站供热运维成本
Figure DEST_PATH_DEST_PATH_IMAGE032
、常规机组成本
Figure DEST_PATH_DEST_PATH_IMAGE033
、电加热器维护成本
Figure DEST_PATH_DEST_PATH_IMAGE034
、中断负荷补偿成本
Figure DEST_PATH_DEST_PATH_IMAGE035
、电储能装置维护成本
Figure DEST_PATH_DEST_PATH_IMAGE036
，系统净成本
Figure DEST_PATH_DEST_PATH_IMAGE038
描述为总运行成本与能量市场总收益
Figure DEST_PATH_DEST_PATH_IMAGE039
之差，则CSP-CHPMG的经济性目标可表达为：
Figure DEST_PATH_DEST_PATH_IMAGE040
Figure DEST_PATH_DEST_PATH_IMAGE041
Figure DEST_PATH_DEST_PATH_IMAGE042
Figure DEST_PATH_DEST_PATH_IMAGE043
Figure DEST_PATH_DEST_PATH_IMAGE044
Figure DEST_PATH_DEST_PATH_IMAGE045
Figure DEST_PATH_DEST_PATH_IMAGE046
Figure DEST_PATH_DEST_PATH_IMAGE047
Figure DEST_PATH_DEST_PATH_IMAGE048
式中：
Figure DEST_PATH_DEST_PATH_IMAGE049
为CSP电站单位供电的运维成本系数，
Figure DEST_PATH_DEST_PATH_IMAGE050
为t时段CSP电站中汽轮机的输出电功率；
Figure DEST_PATH_DEST_PATH_IMAGE051
为CSP电站单位供热的运维成本系数；
Figure DEST_PATH_DEST_PATH_IMAGE052
为t时段CSP电站储热装置供给热负荷的放热功率；
Figure DEST_PATH_DEST_PATH_IMAGE053
为电加热器的维护成本系数，
Figure DEST_PATH_DEST_PATH_IMAGE054
为t时段电加热器的输入电功率；
Figure DEST_PATH_DEST_PATH_IMAGE055
为中断等级数；
Figure DEST_PATH_DEST_PATH_IMAGE056
为在t时段实际负荷削减量；
Figure DEST_PATH_DEST_PATH_IMAGE057
为第k级相对应的削减负荷补偿价格；
Figure DEST_PATH_DEST_PATH_IMAGE058
为电储能装置的维护成本系数；
Figure DEST_PATH_DEST_PATH_IMAGE059
和
Figure DEST_PATH_DEST_PATH_IMAGE060
分别为t时段电储能装置的充电功率和放电功率；
Figure DEST_PATH_DEST_PATH_IMAGE061
为t时段与EM的总交易量，正为向EM售电，负为向EM购电；当
Figure DEST_PATH_394526DEST_PATH_IMAGE061
为正时
Figure DEST_PATH_DEST_PATH_IMAGE062
置1，
Figure DEST_PATH_DEST_PATH_IMAGE063
置0；当
Figure DEST_PATH_655743DEST_PATH_IMAGE061
为负时
Figure DEST_PATH_855780DEST_PATH_IMAGE062
置0，
Figure DEST_PATH_380303DEST_PATH_IMAGE063
置1；
Figure DEST_PATH_DEST_PATH_IMAGE064
和
Figure DEST_PATH_DEST_PATH_IMAGE065
分别为t时段与EM交易的售电电价和购电电价；
Figure DEST_PATH_DEST_PATH_IMAGE066
为t时段第i台常规机组成本；
Figure DEST_PATH_DEST_PATH_IMAGE067
为系统中常规机组的台数；
Figure DEST_PATH_DEST_PATH_IMAGE069
、
Figure DEST_PATH_DEST_PATH_IMAGE070
、
Figure DEST_PATH_DEST_PATH_IMAGE071
为第i台常规机组调度成本系数；
Figure DEST_PATH_DEST_PATH_IMAGE072
和
Figure DEST_PATH_DEST_PATH_IMAGE073
分别为t时段第i台常规机组的有功出力和最大输出功率；
Figure DEST_PATH_DEST_PATH_IMAGE074
、
Figure DEST_PATH_DEST_PATH_IMAGE075
、
Figure DEST_PATH_DEST_PATH_IMAGE076
分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数；
Figure DEST_PATH_DEST_PATH_IMAGE077
和
Figure DEST_PATH_DEST_PATH_IMAGE078
分别为第i台常规机组的年运行小时数和容量因素。
进一步的，所述鲁棒度最大化目标函数如下：
Figure DEST_PATH_DEST_PATH_IMAGE079
式中：随着鲁棒度
Figure DEST_PATH_DEST_PATH_IMAGE080
的升高，置信水平
Figure DEST_PATH_308201DEST_PATH_IMAGE001
增高，置信区间增大，导致系统鲁棒性增强，因而系统旋转备用容量需求增多，向电网购电量增大，经济性下降，当鲁棒度
Figure DEST_PATH_576371DEST_PATH_IMAGE080
为T时鲁棒性最强，经济性最差。
进一步的，所述对多目标优化调度模型进行确定性转化包括：
风电功率预测误差
Figure DEST_PATH_DEST_PATH_IMAGE081
和负荷预测误差
Figure DEST_PATH_DEST_PATH_IMAGE082
之间相互独立，定义联合随机变量
Figure DEST_PATH_DEST_PATH_IMAGE083
，则可通过卷积公式求取随机变量
Figure DEST_PATH_DEST_PATH_IMAGE084
的概率密度函数为：
Figure DEST_PATH_DEST_PATH_IMAGE085
式中：
Figure DEST_PATH_DEST_PATH_IMAGE086
和
Figure DEST_PATH_DEST_PATH_IMAGE087
分别为风电功率预测误差和负荷预测误差的概率密度函数；
鲁棒经济调度需要在满足所有约束条件下做到经济性最优，当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时，需再次向EM购电以维持功率平衡，再次购电量为：
Figure DEST_PATH_DEST_PATH_IMAGE088
式中：
Figure DEST_PATH_DEST_PATH_IMAGE089
为t时段提升常规机组和CSP电站出力时仍无法满足电负荷后再次向EM购电量；
Figure DEST_PATH_DEST_PATH_IMAGE090
为t时段系统的正旋转备用容量；
Figure DEST_PATH_DEST_PATH_IMAGE091
为随机变量
Figure DEST_PATH_DEST_PATH_IMAGE092
的最大值。
进一步的，所述约束条件包括电功率平衡约束、热功率平衡约束、CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束。
进一步的，在所述步骤4中，求解多目标优化调度模型，具体包括：
假设系统中共有S台常规机组，CSP电站内共有G台汽轮机，初始种群个数为Npop，构造行数为Npop行，列数为（S+G）*T+1列的矩阵；每行代表（S+G）*T+1位染色体编码，鲁棒度作为染色体最后一位编码，在区间[0,24]内随机取值；因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况，据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离，得出优势种群，并循环迭代直至得到Pareto最优解集；最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
由上述对本发明的描述可知，与现有技术相比，本发明至少具有以下有益效果之一：
1、采用GMM替代固定概率分布函数对风电功率预测误差概率分布和负荷预测误差概率分布进行精确拟合，并建立基于机会约束GMM的风电功率预测误差不确定性集合和负荷预测误差不确定性集合，可更加真实地反映风电功率预测误差和负荷预测误差，进而能更准确的反映鲁棒优化效果，提高系统稳定性；
2、提升了光能利用率，利用风光互补特性，实现清洁能源优先上网，降低供能压力；CSP电站与电加热器相互配合，实现热电双向流动，可提升系统出力灵活性和安全性；并同时考虑价格型和激励型两种需求响应，可降低系统运行成本；
3、加入鲁棒性目标函数，建立鲁棒-经济多目标优化调度模型，消除预先人为设定鲁棒度的主观性，综合考虑鲁棒性和经济性之间的制约关系，可获得更为合理的鲁棒经济优化调度方案。
附图说明
图1为本发明实施例中风电功率预测误差概率密度曲线图；
图2为本发明实施例中负荷预测误差概率密度曲线图；
图3为本发明实施例中CSP-CHPMG架构示意图；
图4为本发明实施例中风电功率预测值和光照强度预测值曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参照图1-4所示，本发明的优选实施例，一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，包括以下步骤：
步骤1，基于GMM构造风电功率预测误差的不确定性因素集合和负荷预测误差的不确定性因素集合；
步骤2，针对GMM引入机会约束，基于置信水平对鲁棒性进行评价和计算鲁棒度；
步骤3，将鲁棒性作为协同优化目标构建CSP-CHPMG鲁棒经济多目标优化调度模型；
步骤4，求解多目标优化调度模型，获得鲁棒性和经济性综合最优的CSP-CHPMG调度方案。
在本实施例中，所述步骤2具体包括：引入GMM描述不确定性因素预测误差的概率分布，然后引入机会约束得到不确定性因素的置信区间，通过调整置信水平
Figure DEST_PATH_DEST_PATH_IMAGE093
来调节置信区间的范围，建立基于机会约束GMM的可调节不确定性因素集合U，定义含机会约束的区间变量
Figure DEST_PATH_DEST_PATH_IMAGE094
来表示不确定性因素在t时段预测误差的不确定性，实现优化解的鲁棒性灵活可调以降低保守性，并充分体现不确定量概率分布对不确定性区间范围的影响，其中，可调节不确定性因素集合U如下：
Figure DEST_PATH_DEST_PATH_IMAGE095
式中：
Figure DEST_PATH_DEST_PATH_IMAGE096
和
Figure DEST_PATH_DEST_PATH_IMAGE097
分别为基于机会约束GMM可调节鲁棒区间的上下限，T表示为总时段数，
Figure DEST_PATH_DEST_PATH_IMAGE099
为显著性水平，
Figure DEST_PATH_64203DEST_PATH_IMAGE008
定义为鲁棒度，其设置的数值越大则说明相应的鲁棒优化方案对不确定性的容忍范围越大，通过调节
Figure DEST_PATH_759627DEST_PATH_IMAGE008
，调整不确定性因素集合区间，
Figure DEST_PATH_DEST_PATH_IMAGE100
表示任意时间t 。
在本实施例中，在所述步骤1中，构造所述风电功率预测误差的不确定性因素集合的具体步骤如下：
GMM以若干个高斯分布函数的线性组合来逼近拟合非独立、多模态的随机变量的联合概率密度函数，t时段风电功率预测误差
Figure DEST_PATH_DEST_PATH_IMAGE101
的高斯混合概率密度函数可表示为：
Figure DEST_PATH_DEST_PATH_IMAGE102
Figure DEST_PATH_DEST_PATH_IMAGE103
式中：
Figure DEST_PATH_79881DEST_PATH_IMAGE013
为拟合分量的个数，
Figure DEST_PATH_DEST_PATH_IMAGE104
为第j个高斯分布的概率密度函数，
Figure DEST_PATH_DEST_PATH_IMAGE105
分别为第j个高斯分布的权重、期望和标准差；
采用期望最大化方法求解GMM，引入隐含变量，求得模型分布参数的极大似然估计值，对参数重估公式和隐含变量期望公式反复迭代，直至似然函数值最大即可得到
Figure DEST_PATH_715524DEST_PATH_IMAGE105
等参数；
通过求解风电功率预测误差的累积分布函数的逆函数可得置信水平为
Figure DEST_PATH_890153DEST_PATH_IMAGE093
下的风电功率预测误差不确定性因素集合；
通过高阶多项式函数拟合风电功率预测误差的累积分布函数，并通过多项式求根的方式快速获得其反函数的近似解；
其中，风电功率预测误差v的高斯分布的累积分布函数如下：
Figure DEST_PATH_DEST_PATH_IMAGE106
用分段四阶多项式拟合高斯分布的累积分布函数，多项式如下：
Figure DEST_PATH_DEST_PATH_IMAGE107
其中，
Figure DEST_PATH_DEST_PATH_IMAGE108
；
风电功率预测误差的累积分布函数
Figure DEST_PATH_DEST_PATH_IMAGE109
就是对风电功率预测误差概率密度函数即多个高斯分布的线性组合求积分如下：
Figure DEST_PATH_DEST_PATH_IMAGE110
当置信水平为
Figure DEST_PATH_615533DEST_PATH_IMAGE093
时，即
Figure DEST_PATH_DEST_PATH_IMAGE111
，可得：
Figure DEST_PATH_DEST_PATH_IMAGE112
求解相应多项式的根即可得到风电功率预测误差的不确定性因素集合为：
Figure DEST_PATH_DEST_PATH_IMAGE113
其中，
Figure DEST_PATH_DEST_PATH_IMAGE114
和
Figure DEST_PATH_DEST_PATH_IMAGE115
分别为t时段风电功率预测误差的上下限；
同理，构造负荷预测误差的不确定性因素集合如下：
用GMM拟合的t时段负荷预测误差
Figure DEST_PATH_DEST_PATH_IMAGE116
的概率分布，置信水平为
Figure DEST_PATH_767290DEST_PATH_IMAGE093
下的负荷预测误差不确定性因素集合通过求解负荷预测误差累积分布函数的逆函数可得，负荷预测误差的不确定性因素集合为：
Figure DEST_PATH_DEST_PATH_IMAGE117
其中，
Figure DEST_PATH_DEST_PATH_IMAGE118
和
Figure DEST_PATH_DEST_PATH_IMAGE119
为t时段负荷预测误差上下限。
在本实施例中，所述步骤3具体包括：
步骤3.1，以系统净成本
Figure DEST_PATH_DEST_PATH_IMAGE120
最小构建经济性优化目标函数；
步骤3.2，将鲁棒度作为协同优化目标，构造鲁棒度最大化目标函数；
步骤3.3，利用需求响应中的激励型需求响应削减电负荷峰时需求，利用价格型需求响应转移用户负荷分布；
步骤3.4，针对经济性优化目标函数和鲁棒度最大化目标函数设置约束条件；
步骤3.5，对多目标优化调度模型进行确定性转化。
在本实施例中，所述以系统净成本
Figure DEST_PATH_705159DEST_PATH_IMAGE120
最小构建经济性优化目标函数具体包括：
CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本
Figure DEST_PATH_DEST_PATH_IMAGE121
、CSP电站供热运维成本
Figure DEST_PATH_DEST_PATH_IMAGE122
、常规机组成本
Figure DEST_PATH_DEST_PATH_IMAGE123
、电加热器维护成本
Figure DEST_PATH_DEST_PATH_IMAGE124
、中断负荷补偿成本
Figure DEST_PATH_DEST_PATH_IMAGE125
、电储能装置维护成本
Figure DEST_PATH_DEST_PATH_IMAGE126
，系统净成本
Figure DEST_PATH_DEST_PATH_IMAGE127
描述为总运行成本与能量市场总收益
Figure DEST_PATH_DEST_PATH_IMAGE128
之差，则CSP-CHPMG的经济性目标可表达为：
Figure DEST_PATH_DEST_PATH_IMAGE129
Figure DEST_PATH_DEST_PATH_IMAGE130
Figure DEST_PATH_DEST_PATH_IMAGE131
Figure DEST_PATH_DEST_PATH_IMAGE132
Figure DEST_PATH_DEST_PATH_IMAGE133
Figure DEST_PATH_DEST_PATH_IMAGE134
Figure DEST_PATH_DEST_PATH_IMAGE135
Figure DEST_PATH_DEST_PATH_IMAGE136
Figure DEST_PATH_DEST_PATH_IMAGE137
式中：
Figure DEST_PATH_DEST_PATH_IMAGE138
为CSP电站单位供电的运维成本系数，
Figure DEST_PATH_DEST_PATH_IMAGE139
为t时段CSP电站中汽轮机的输出电功率；
Figure DEST_PATH_DEST_PATH_IMAGE140
为CSP电站单位供热的运维成本系数；
Figure DEST_PATH_DEST_PATH_IMAGE141
为t时段CSP电站储热装置供给热负荷的放热功率；
Figure DEST_PATH_DEST_PATH_IMAGE142
为电加热器的维护成本系数，
Figure DEST_PATH_DEST_PATH_IMAGE143
为t时段电加热器的输入电功率；
Figure DEST_PATH_DEST_PATH_IMAGE144
为中断等级数；
Figure DEST_PATH_DEST_PATH_IMAGE145
为在t时段实际负荷削减量；
Figure DEST_PATH_DEST_PATH_IMAGE146
为第k级相对应的削减负荷补偿价格；
Figure DEST_PATH_DEST_PATH_IMAGE147
为电储能装置的维护成本系数；
Figure DEST_PATH_DEST_PATH_IMAGE148
和
Figure DEST_PATH_DEST_PATH_IMAGE149
分别为t时段电储能装置的充电功率和放电功率；
Figure DEST_PATH_DEST_PATH_IMAGE150
为t时段与EM的总交易量，正为向EM售电，负为向EM购电；当
Figure DEST_PATH_DEST_PATH_IMAGE151
为正时
Figure DEST_PATH_DEST_PATH_IMAGE152
置1，
Figure DEST_PATH_DEST_PATH_IMAGE153
置0；当
Figure DEST_PATH_40020DEST_PATH_IMAGE151
为负时
Figure DEST_PATH_342826DEST_PATH_IMAGE152
置0，
Figure DEST_PATH_559043DEST_PATH_IMAGE153
置1；
Figure DEST_PATH_DEST_PATH_IMAGE154
和
Figure DEST_PATH_DEST_PATH_IMAGE155
分别为t时段与EM交易的售电电价和购电电价；
Figure DEST_PATH_DEST_PATH_IMAGE156
为t时段第i台常规机组成本；
Figure DEST_PATH_35024DEST_PATH_IMAGE067
为系统中常规机组的台数；
Figure DEST_PATH_DEST_PATH_IMAGE157
为第i台常规机组调度成本系数；
Figure DEST_PATH_DEST_PATH_IMAGE158
分别为t时段第i台常规机组的有功出力和最大输出功率；
Figure DEST_PATH_DEST_PATH_IMAGE159
分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数；
Figure DEST_PATH_DEST_PATH_IMAGE160
和
Figure DEST_PATH_DEST_PATH_IMAGE161
分别为第i台常规机组的年运行小时数和容量因素。
在本实施例中，所述鲁棒度最大化目标函数如下：
Figure DEST_PATH_DEST_PATH_IMAGE162
式中：随着鲁棒度
Figure DEST_PATH_810344DEST_PATH_IMAGE080
的升高，置信水平
Figure DEST_PATH_18472DEST_PATH_IMAGE093
增高，置信区间增大，导致系统鲁棒性增强，因而系统旋转备用容量需求增多，向电网购电量增大，经济性下降，当鲁棒度
Figure DEST_PATH_987565DEST_PATH_IMAGE080
为T时鲁棒性最强，经济性最差。
在本实施例中，所述对多目标优化调度模型进行确定性转化包括：
风电功率预测误差
Figure DEST_PATH_DEST_PATH_IMAGE163
和负荷预测误差
Figure DEST_PATH_DEST_PATH_IMAGE164
之间相互独立，定义联合随机变量
Figure DEST_PATH_DEST_PATH_IMAGE165
，则可通过卷积公式求取随机变量
Figure DEST_PATH_DEST_PATH_IMAGE166
的概率密度函数为：
Figure DEST_PATH_DEST_PATH_IMAGE167
式中：
Figure DEST_PATH_DEST_PATH_IMAGE168
和
Figure DEST_PATH_DEST_PATH_IMAGE169
分别为风电功率预测误差和负荷预测误差的概率密度函数；
鲁棒经济调度需要在满足所有约束条件下做到经济性最优，当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时，需再次向EM购电以维持功率平衡，再次购电量为：
Figure DEST_PATH_DEST_PATH_IMAGE170
式中：
Figure DEST_PATH_627756DEST_PATH_IMAGE089
为t时段提升常规机组和CSP电站出力时仍无法满足电负荷后再次向EM购电量；
Figure DEST_PATH_631484DEST_PATH_IMAGE090
为t时段系统的正旋转备用容量；
Figure DEST_PATH_10513DEST_PATH_IMAGE091
为随机变量
Figure DEST_PATH_201323DEST_PATH_IMAGE092
的最大值。
在本实施例中，所述约束条件包括电功率平衡约束、热功率平衡约束、CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束。
在本实施例中，在所述步骤4中，求解多目标优化调度模型，具体包括：
假设系统中共有S台常规机组，CSP电站内共有G台汽轮机，初始种群个数为Npop，构造行数为Npop行，列数为（S+G）*T+1列的矩阵；每行代表（S+G）*T+1位染色体编码，鲁棒度作为染色体最后一位编码，在区间[0,24]内随机取值；因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况，据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离，得出优势种群，并循环迭代直至得到Pareto最优解集；最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
本发明采用GMM替代固定概率分布函数对风电功率预测误差概率分布和负荷预测误差概率分布进行精确拟合，并建立基于机会约束GMM的风电功率预测误差不确定性集合和负荷预测误差不确定性集合，可更加真实地反映风电功率预测误差和负荷预测误差，进而能更准确的反映鲁棒优化效果，提高系统稳定性；本发明提升了光能利用率，利用风光互补特性，实现清洁能源优先上网，降低供能压力；CSP电站与电加热器相互配合，实现热电双向流动，可提升系统出力灵活性和安全性；并同时考虑价格型和激励型两种需求响应，可降低系统运行成本；本发明加入鲁棒性目标函数，建立鲁棒-经济多目标优化调度模型，消除预先人为设定鲁棒度的主观性，综合考虑鲁棒性和经济性之间的制约关系，可获得更为合理的鲁棒经济优化调度方案。
为便于对本发明的理解，以下对本发明进行较为详细的解释：
本发明提出一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，主要包括：构造了基于机会约束高斯混合模型的风电功率预测误差和负荷预测误差的不确定性集合，实现对含光热电站微网调度方案鲁棒性的准确描述；构建了计及电能需求响应的CSP-CHPMG鲁棒经济多目标优化调度模型，保障调度方案的鲁棒性和经济性实现最佳均衡协调。
一、基于机会约束高斯混合模型的风电功率及负荷预测误差不确定性集合构造方法
不确定性集合的确定是处理鲁棒优化问题的关键。目前鲁棒优化研究中通常是采用偏差对称的正态分布或平均分布来表示不确定集合，这种简化处理方式没有考虑到各类不确定量的随机性分布特征差异，往往与实际情况存在较大偏差（如风电随机性常表现为不对称分布）。为了更为准确灵活地表征不确定性集合，本发明首先引入GMM描述不确定性因素（风电、负荷等）预测误差的概率分布，然后引入机会约束得到不确定性因素的置信区间。可通过调整置信水平
Figure DEST_PATH_475832DEST_PATH_IMAGE093
来调节置信区间的范围，从而建立如式（1）所示的基于机会约束GMM的可调节不确定性集合U。定义含机会约束的区间变量
Figure DEST_PATH_68487DEST_PATH_IMAGE094
来表示不确定性因素在t时段预测误差的不确定性，实现优化解的鲁棒性灵活可调以降低保守性，并充分体现不确定量概率分布对不确定性区间范围的影响。
Figure DEST_PATH_DEST_PATH_IMAGE171
（1）
式中：
Figure DEST_PATH_149576DEST_PATH_IMAGE096
和
Figure DEST_PATH_827682DEST_PATH_IMAGE097
分别为基于机会约束GMM可调节鲁棒区间的上下限，
Figure DEST_PATH_386839DEST_PATH_IMAGE008
定义为鲁棒度，其设置的数值越大则说明相应的鲁棒优化方案对不确定性的容忍范围越大，通过调节
Figure DEST_PATH_834001DEST_PATH_IMAGE008
，可调整不确定性集合区间。在此不确定性集合与
Figure DEST_PATH_554832DEST_PATH_IMAGE008
不是简单的线性关系，而是基于不确定因素在各时段的概率分布，由显著性水平
Figure DEST_PATH_985814DEST_PATH_IMAGE099
确定。
1、风电功率预测误差不确定性集合模型
GMM以若干个高斯分布函数的线性组合来逼近拟合非独立、多模态的随机变量的联合概率密度函数，能够更精准表示风电功率预测误差概率密度的非对称性分布。t时段风电功率预测误差
Figure DEST_PATH_974761DEST_PATH_IMAGE101
的高斯混合概率密度函数可表示为：
Figure DEST_PATH_DEST_PATH_IMAGE172
（2）
Figure DEST_PATH_DEST_PATH_IMAGE173
（3）
式中：
Figure DEST_PATH_338746DEST_PATH_IMAGE013
为拟合分量的个数，
Figure DEST_PATH_230478DEST_PATH_IMAGE104
为第j个高斯分布的概率密度函数，
Figure DEST_PATH_883177DEST_PATH_IMAGE105
分别为第j个高斯分布的权重、期望和标准差。采用期望最大化方法求解GMM，引入隐含变量，求得模型分布参数的极大似然估计值，对参数重估公式和隐含变量期望公式反复迭代，直至似然函数值最大即可得到
Figure DEST_PATH_DEST_PATH_IMAGE174
等参数。
为使GMM拟合的风电功率预测误差的概率密度曲线更加精确，依据风电功率预测值将分布图分为十个区域，并将此十个区域内的预测误差分别进行拟合。GMM的拟合效果取决于其拟合分量的个数，增加拟合分量可提高模型的拟合精度，但会增加模型计算复杂度。而GMM-7分量和GMM-8分量的拟合结果相差甚微。因此在综合考虑GMM的拟合效果与计算效率后，本发明采用GMM-7分量拟合风电功率预测误差的概率分布。GMM-7分量拟合出的0~0.1区域的风电功率预测误差的概率分布如图1所示，由此可得基于机会约束GMM的不确定性集合。通过求解风电功率预测误差的累积分布函数的逆函数可得置信水平为
Figure DEST_PATH_551181DEST_PATH_IMAGE093
下的风电功率预测误差不确定性集合，其中
Figure DEST_PATH_DEST_PATH_IMAGE175
分别为t时段风电功率预测误差的上下限。
由于风电功率预测误差概率密度函数是利用GMM得到，即风电功率预测误差概率密度函数是若干个高斯分布函数的线性组合。因此通过高阶多项式函数可拟合风电功率预测误差的累积分布函数，并通过多项式求根的方式快速获得其反函数的近似解。高斯分布的累积分布函数用多项式近似拟合如下：
Figure DEST_PATH_DEST_PATH_IMAGE176
（4）
用分段四阶多项式拟合高斯分布的累积分布函数，多项式如式（5）所示；
Figure DEST_PATH_DEST_PATH_IMAGE177
（5）
风电功率预测误差的累积分布函数
Figure DEST_PATH_35252DEST_PATH_IMAGE109
就是对风电功率预测误差概率密度函数即多个高斯分布的线性组合求积分：
Figure DEST_PATH_DEST_PATH_IMAGE178
（6）
当置信水平为
Figure DEST_PATH_894623DEST_PATH_IMAGE093
时，即
Figure DEST_PATH_DEST_PATH_IMAGE179
，可得：
Figure DEST_PATH_DEST_PATH_IMAGE180
（7）
因此，求解相应多项式的根即可得到风电功率预测误差的不确定性集合为：
Figure DEST_PATH_DEST_PATH_IMAGE181
（8）
2、负荷预测误差的不确定性集合模型
用GMM拟合的t时段负荷预测误差
Figure DEST_PATH_DEST_PATH_IMAGE182
的概率分布如图2所示，同理，置信水平为
Figure DEST_PATH_863978DEST_PATH_IMAGE093
下的负荷预测误差不确定性集合通过求解负荷预测误差累积分布函数的逆函数即对相应高阶多项式求根可得，其中
Figure DEST_PATH_DEST_PATH_IMAGE183
为t时段负荷预测误差上下限。负荷预测误差的不确定性集合为：
Figure DEST_PATH_DEST_PATH_IMAGE184
（9）
二、计及电能需求响应的CSP-CHPMG鲁棒经济多目标优化调度模型
CSP-CHPMG架构如图3所示，其中主要包括分布式常规发电机组（如柴油发电机等）、风电站、电储能装置和CSP电站及其配套装置（电加热器、余热回收装置等）。CSP-CHPMG内的电能主要由常规机组、CSP电站、风电站和电储能装置提供；CSP-CHPMG内的热能由电加热器和CSP电站内的储热装置提供；负荷包括电负荷和热负荷。CSP-CHPMG参与能量市场（energymarket，EM），系统可通过EM购进不足电量或出售多余电量。
1、经济性目标
以系统净成本
Figure DEST_PATH_DEST_PATH_IMAGE186
最小为经济性优化目标，可描述为总运行成本与EM总收益
Figure DEST_PATH_DEST_PATH_IMAGE187
之差。CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本
Figure DEST_PATH_162105DEST_PATH_IMAGE121
、CSP电站供热运维成本
Figure DEST_PATH_438365DEST_PATH_IMAGE122
、常规机组成本
Figure DEST_PATH_DEST_PATH_IMAGE188
、电加热器维护成本
Figure DEST_PATH_203059DEST_PATH_IMAGE124
、中断负荷补偿成本
Figure DEST_PATH_325955DEST_PATH_IMAGE125
、电储能装置维护成本
Figure DEST_PATH_568717DEST_PATH_IMAGE126
。则CSP-CHPMG的经济性目标可表达为：
Figure DEST_PATH_DEST_PATH_IMAGE189
（10）
Figure DEST_PATH_DEST_PATH_IMAGE190
（11）
Figure DEST_PATH_DEST_PATH_IMAGE191
（12）
Figure DEST_PATH_DEST_PATH_IMAGE192
（13）
Figure DEST_PATH_DEST_PATH_IMAGE193
（14）
Figure DEST_PATH_DEST_PATH_IMAGE194
（15）
Figure DEST_PATH_DEST_PATH_IMAGE195
（16）
Figure DEST_PATH_DEST_PATH_IMAGE196
（17）
Figure DEST_PATH_DEST_PATH_IMAGE197
（18）
式中：
Figure DEST_PATH_574850DEST_PATH_IMAGE138
为CSP电站单位供电的运维成本系数；
Figure DEST_PATH_979287DEST_PATH_IMAGE140
为CSP电站单位供热的运维成本系数；
Figure DEST_PATH_93874DEST_PATH_IMAGE141
为t时段CSP电站储热装置供给热负荷的放热功率；
Figure DEST_PATH_110633DEST_PATH_IMAGE142
为电加热器的维护成本系数；
Figure DEST_PATH_627065DEST_PATH_IMAGE055
为中断等级数；
Figure DEST_PATH_202403DEST_PATH_IMAGE145
为在t时段实际负荷削减量；
Figure DEST_PATH_804286DEST_PATH_IMAGE146
为第k级相对应的削减负荷补偿价格；
Figure DEST_PATH_388851DEST_PATH_IMAGE147
为电储能装置的维护成本系数；
Figure DEST_PATH_494210DEST_PATH_IMAGE148
和
Figure DEST_PATH_240449DEST_PATH_IMAGE149
分别为t时段电储能装置的充电功率和放电功率；
Figure DEST_PATH_64049DEST_PATH_IMAGE150
为t时段与EM的总交易量(正为向EM售电，负为向EM购电)；当
Figure DEST_PATH_DEST_PATH_IMAGE198
为正时
Figure DEST_PATH_DEST_PATH_IMAGE199
置1，
Figure DEST_PATH_DEST_PATH_IMAGE200
置0；当
Figure DEST_PATH_16087DEST_PATH_IMAGE198
为负时
Figure DEST_PATH_241532DEST_PATH_IMAGE199
置0，
Figure DEST_PATH_158672DEST_PATH_IMAGE200
置1；
Figure DEST_PATH_DEST_PATH_IMAGE201
和
Figure DEST_PATH_DEST_PATH_IMAGE202
分别为t时段与EM交易的售电电价和购电电价；
Figure DEST_PATH_DEST_PATH_IMAGE203
为t时段第i台常规机组成本；
Figure DEST_PATH_797464DEST_PATH_IMAGE067
为系统中常规机组的台数；
Figure DEST_PATH_DEST_PATH_IMAGE204
为第i台常规机组调度成本系数；
Figure DEST_PATH_DEST_PATH_IMAGE205
和
Figure DEST_PATH_DEST_PATH_IMAGE206
分别为t时段第i台常规机组的有功出力和最大输出功率；
Figure DEST_PATH_DEST_PATH_IMAGE207
分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数；
Figure DEST_PATH_DEST_PATH_IMAGE208
分别为第i台常规机组的年运行小时数和容量因素。
2、鲁棒性目标
为消除预先设定鲁棒度（置信水平）的主观性制约，得到更为合理的鲁棒经济优化调度方案，将鲁棒度作为协同优化目标，构造如下鲁棒度最大化目标表达：
Figure DEST_PATH_DEST_PATH_IMAGE209
（19）
式中：随着鲁棒度
Figure DEST_PATH_DEST_PATH_IMAGE210
的升高，置信水平增高，置信区间增大，导致系统鲁棒性增强，因而系统旋转备用容量需求增多，向电网购电量增大，经济性下降。当鲁棒度
Figure DEST_PATH_140808DEST_PATH_IMAGE210
为T时鲁棒性最强，经济性最差。
3、需求响应
在CSP-CHPMG鲁棒经济优化调度模型中，利用需求响应中的激励型需求响应(Incentive demand response, IDR)削减电负荷峰时需求，IDR产生的中断负荷补偿成本计入系统总成本；利用价格型需求响应(Price demand response,PDR)转移用户负荷分布，提升系统运行稳定性和经济性。
4、约束条件
包括：电功率平衡约束、热功率平衡约束、 CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束等。
5、模型的确定性转化
Figure DEST_PATH_DEST_PATH_IMAGE211
之间相互独立，定义联合随机变量
Figure DEST_PATH_DEST_PATH_IMAGE212
，则可通过卷积公式求取随机变量
Figure DEST_PATH_DEST_PATH_IMAGE213
的概率密度函数为：
Figure DEST_PATH_DEST_PATH_IMAGE214
（20）
式中：
Figure DEST_PATH_DEST_PATH_IMAGE215
分别为风电功率预测误差和负荷预测误差的概率密度函数。
如上所述，鲁棒经济调度需要在满足所有约束条件下做到经济性最优，因此，当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时，需再次向EM购电以维持功率平衡。再次购电量为：
Figure DEST_PATH_DEST_PATH_IMAGE216
（21）
式中：
Figure DEST_PATH_DEST_PATH_IMAGE217
为随机变量
Figure DEST_PATH_378017DEST_PATH_IMAGE213
的预测值。
6、求解算法
假设系统中共有S台常规机组，CSP电站内共有G台汽轮机，初始种群个数为Npop，构造行数为Npop行，列数为（S+G）*T+1列的矩阵；每行代表（S+G）*T+1位染色体编码，鲁棒度作为染色体最后一位编码，在区间[0,24]内随机取值；因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况，据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离，得出优势种群，并循环迭代直至得到Pareto最优解集；最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
上述基于机会约束GMM的含光热电站热电联供型微网鲁棒经济调度模型求解难点在于变量维数过多、模型非线性，为此本发明选用计算性能较为优越的多目标分子微分算法(multi-objective molecular differ-ential evolution，MOMDE)对模型进行求解，该算法通过利用基于分子间作用力的进化变异机制，巧妙兼顾了求解的高效性和种群个体的多样性，能够有效克服早熟收敛现象实现高效的深度寻优。
实施例一：
设某CSP-CHPMG由1个风电站、1个CSP电站（含1个汽轮机组）、2个常规机组、以及电储能装置和电加热器装置等能量转换装置组成。其中CSP电站光场面积为
Figure DEST_PATH_DEST_PATH_IMAGE218
。各出力单元主要参数如表1所示；风电功率预测值和光照强度预测值如图4所示；MOMDE算法设置种群规模为800、循环迭代次数为500、变异尺度为0.85、交叉概率因子为0.5。
表1各出力单元主要参数
Figure DEST_PATH_DEST_PATH_IMAGE219
为衡量鲁棒经济优化、需求响应、CSP电站以及余热回收装置对系统调度结果的影响，首先设计了如表2所示的5种调度模式进行对比。各模式均采用基于机会约束GMM的不确定性集合构造方法，得到日风电出力和日负荷的不确定性区间。
表2不同的优化调度模式
Figure DEST_PATH_DEST_PATH_IMAGE220
分别采用表2中5种模式构建鲁棒经济调度模型，求解可得到各模式最优折衷方案的成本。其中，本发明提出的调度模式1效果最好。
在不出现冲突的前提下，本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (9)

1.一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于，包括以下步骤：
步骤1，基于GMM构造风电功率预测误差的不确定性因素集合和负荷预测误差的不确定性因素集合；
步骤2，针对GMM引入机会约束，基于置信水平对鲁棒性进行评价和计算鲁棒度；
步骤3，将鲁棒性作为协同优化目标构建CSP-CHPMG鲁棒经济多目标优化调度模型；
步骤4，求解多目标优化调度模型，获得鲁棒性和经济性综合最优的CSP-CHPMG调度方案。
2.根据权利要求1所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于，所述步骤2具体包括：引入GMM描述不确定性因素预测误差的概率分布，然后引入机会约束得到不确定性因素的置信区间，通过调整置信水平
Figure 122173DEST_PATH_IMAGE001
来调节置信区间的范围，建立基于机会约束GMM的可调节不确定性因素集合U，定义含机会约束的区间变量
Figure 724800DEST_PATH_IMAGE002
来表示不确定性因素在t时段预测误差的不确定性，实现优化解的鲁棒性灵活可调以降低保守性，并充分体现不确定量概率分布对不确定性区间范围的影响，其中，可调节不确定性因素集合U如下：
Figure 442220DEST_PATH_IMAGE003
式中：
Figure 24380DEST_PATH_IMAGE004
和
Figure 838752DEST_PATH_IMAGE005
分别为基于机会约束GMM可调节鲁棒区间的上下限，T表示为总时段数，
Figure 661215DEST_PATH_IMAGE006
为显著性水平，
Figure 865931DEST_PATH_IMAGE007
定义为鲁棒度，其设置的数值越大则说明相应的鲁棒优化方案对不确定性的容忍范围越大，通过调节
Figure 64831DEST_PATH_IMAGE007
，调整不确定性因素集合区间，
Figure 422126DEST_PATH_IMAGE008
表示任意时间t。
3.根据权利要求1所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于，在所述步骤1中，构造所述风电功率预测误差的不确定性因素集合的具体步骤如下：
GMM以若干个高斯分布函数的线性组合来逼近拟合非独立、多模态的随机变量的联合概率密度函数，t时段风电功率预测误差
Figure 415489DEST_PATH_IMAGE009
的高斯混合概率密度函数可表示为：
Figure 169819DEST_PATH_IMAGE010
Figure 844514DEST_PATH_IMAGE011
式中：
Figure 367899DEST_PATH_IMAGE012
为拟合分量的个数，
Figure 797743DEST_PATH_IMAGE013
为第j个高斯分布的概率密度函数，
Figure 39369DEST_PATH_IMAGE014
、
Figure 501443DEST_PATH_IMAGE015
和
Figure 144914DEST_PATH_IMAGE016
分别为第j个高斯分布的权重、期望和标准差；
采用期望最大化方法求解GMM，引入隐含变量，求得模型分布参数的极大似然估计值，对参数重估公式和隐含变量期望公式反复迭代，直至似然函数值最大即可得到
Figure 480080DEST_PATH_IMAGE014
、
Figure 209002DEST_PATH_IMAGE015
和
Figure 225499DEST_PATH_IMAGE016
等参数；
通过求解风电功率预测误差的累积分布函数的逆函数可得置信水平为
Figure 723477DEST_PATH_IMAGE001
下的风电功率预测误差不确定性因素集合；
通过高阶多项式函数拟合风电功率预测误差的累积分布函数，并通过多项式求根的方式快速获得其反函数的近似解；
其中，风电功率预测误差v的高斯分布的累积分布函数如下：
Figure 495124DEST_PATH_IMAGE017
用分段四阶多项式拟合高斯分布的累积分布函数，多项式如下：
Figure 445762DEST_PATH_IMAGE018
其中，
Figure 19613DEST_PATH_IMAGE019
；
风电功率预测误差的累积分布函数
Figure 372097DEST_PATH_IMAGE020
就是对风电功率预测误差概率密度函数即多个高斯分布的线性组合求积分如下：
Figure 314645DEST_PATH_IMAGE021
当置信水平为
Figure 752580DEST_PATH_IMAGE022
时，即
Figure 110880DEST_PATH_IMAGE023
，可得：
Figure 583449DEST_PATH_IMAGE024
求解相应多项式的根即可得到风电功率预测误差的不确定性因素集合为：
Figure 696899DEST_PATH_IMAGE025
其中，
Figure 809080DEST_PATH_IMAGE026
和
Figure 33388DEST_PATH_IMAGE027
分别为t时段风电功率预测误差的上下限；
同理，构造负荷预测误差的不确定性因素集合如下：
用GMM拟合的t时段负荷预测误差
Figure 94885DEST_PATH_IMAGE028
的概率分布，置信水平为
Figure 379236DEST_PATH_IMAGE029
下的负荷预测误差不确定性因素集合通过求解负荷预测误差累积分布函数的逆函数可得，负荷预测误差的不确定性因素集合为：
Figure 729446DEST_PATH_IMAGE030
其中，
Figure 757445DEST_PATH_IMAGE031
和
Figure 939027DEST_PATH_IMAGE032
为t时段负荷预测误差上下限。
4.根据权利要求1所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于，所述步骤3具体包括：
步骤3.1，以系统净成本
Figure 817116DEST_PATH_IMAGE033
最小构建经济性优化目标函数；
步骤3.2，将鲁棒度作为协同优化目标，构造鲁棒度最大化目标函数；
步骤3.3，利用需求响应中的激励型需求响应削减电负荷峰时需求，利用价格型需求响应转移用户负荷分布；
步骤3.4，针对经济性优化目标函数和鲁棒度最大化目标函数设置约束条件；
步骤3.5，对多目标优化调度模型进行确定性转化。
5.根据权利要求4所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于，所述以系统净成本
Figure 716939DEST_PATH_IMAGE034
最小构建经济性优化目标函数具体包括：
CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本
Figure 283049DEST_PATH_IMAGE035
、CSP电站供热运维成本
Figure 584717DEST_PATH_IMAGE036
、常规机组成本
Figure 882975DEST_PATH_IMAGE037
、电加热器维护成本
Figure 270094DEST_PATH_IMAGE038
、中断负荷补偿成本
Figure 639895DEST_PATH_IMAGE039
、电储能装置维护成本
Figure 530491DEST_PATH_IMAGE040
，系统净成本
Figure 514496DEST_PATH_IMAGE034
描述为总运行成本与能量市场总收益
Figure 123332DEST_PATH_IMAGE041
之差，则CSP-CHPMG的经济性目标可表达为：
Figure 296824DEST_PATH_IMAGE042
Figure 307506DEST_PATH_IMAGE043
Figure 213145DEST_PATH_IMAGE044
Figure 309277DEST_PATH_IMAGE045
Figure 20881DEST_PATH_IMAGE046
Figure 886069DEST_PATH_IMAGE047
Figure 710412DEST_PATH_IMAGE048
Figure 293840DEST_PATH_IMAGE049
Figure 543556DEST_PATH_IMAGE050
式中：
Figure 528829DEST_PATH_IMAGE051
为CSP电站单位供电的运维成本系数，
Figure 776271DEST_PATH_IMAGE052
为t时段CSP电站中汽轮机的输出电功率；
Figure 846995DEST_PATH_IMAGE053
为CSP电站单位供热的运维成本系数；
Figure 900402DEST_PATH_IMAGE054
为t时段CSP电站储热装置供给热负荷的放热功率；
Figure 740182DEST_PATH_IMAGE055
为电加热器的维护成本系数，
Figure 407792DEST_PATH_IMAGE056
为t时段电加热器的输入电功率；
Figure 700234DEST_PATH_IMAGE057
为中断等级数；
Figure 557331DEST_PATH_IMAGE058
为在t时段实际负荷削减量；
Figure DEST_PATH_IMAGE061
为第k级相对应的削减负荷补偿价格；
Figure 131972DEST_PATH_IMAGE062
为电储能装置的维护成本系数；
Figure DEST_PATH_IMAGE063
和
Figure 73121DEST_PATH_IMAGE064
分别为t时段电储能装置的充电功率和放电功率；
Figure DEST_PATH_IMAGE065
为t时段与EM的总交易量，正为向EM售电，负为向EM购电；当
Figure 636957DEST_PATH_IMAGE066
为正时
Figure DEST_PATH_IMAGE067
置1，
Figure 555235DEST_PATH_IMAGE068
置0；当
Figure DEST_PATH_IMAGE069
为负时
Figure 65982DEST_PATH_IMAGE070
置0，
Figure DEST_PATH_IMAGE071
置1；
Figure 159840DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE073
分别为t时段与EM交易的售电电价和购电电价；
Figure 488053DEST_PATH_IMAGE074
为t时段第i台常规机组成本；
Figure 1948DEST_PATH_IMAGE076
为系统中常规机组的台数；
Figure DEST_PATH_IMAGE077
为第i台常规机组调度成本系数；
Figure 706599DEST_PATH_IMAGE078
分别为t时段第i台常规机组的有功出力和最大输出功率；
Figure DEST_PATH_IMAGE079
分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数；
Figure 858226DEST_PATH_IMAGE080
和
Figure DEST_PATH_IMAGE081
分别为第i台常规机组的年运行小时数和容量因素。
6.根据权利要求4所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于，所述鲁棒度最大化目标函数如下：
Figure 606608DEST_PATH_IMAGE082
式中：随着鲁棒度
Figure 843685DEST_PATH_IMAGE084
的升高，置信水平
Figure DEST_PATH_IMAGE085
增高，置信区间增大，导致系统鲁棒性增强，因而系统旋转备用容量需求增多，向电网购电量增大，经济性下降，当鲁棒度
Figure 132453DEST_PATH_IMAGE084
为T时鲁棒性最强，经济性最差。
7.根据权利要求4所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于，所述对多目标优化调度模型进行确定性转化包括：
风电功率预测误差
Figure 528799DEST_PATH_IMAGE086
和负荷预测误差
Figure DEST_PATH_IMAGE087
之间相互独立，定义联合随机变量
Figure 643097DEST_PATH_IMAGE059
，则可通过卷积公式求取随机变量
Figure 45391DEST_PATH_IMAGE060
的概率密度函数为：
Figure 215341DEST_PATH_IMAGE061
式中：
Figure 548233DEST_PATH_IMAGE062
分别为风电功率预测误差和负荷预测误差的概率密度函数；
鲁棒经济调度需要在满足所有约束条件下做到经济性最优，当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时，需再次向EM购电以维持功率平衡，再次购电量为：
Figure 782512DEST_PATH_IMAGE063
式中：
Figure DEST_PATH_IMAGE093
为t时段提升常规机组和CSP电站出力时仍无法满足电负荷后再次向EM购电量；
Figure 266500DEST_PATH_IMAGE094
为t时段系统的正旋转备用容量；
Figure DEST_PATH_IMAGE095
为随机变量
Figure 995188DEST_PATH_IMAGE060
的最大值。
8.根据权利要求4所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于：所述约束条件包括电功率平衡约束、热功率平衡约束、CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束。
9.根据权利要求1所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法，其特征在于：在所述步骤4中，求解多目标优化调度模型，具体包括：
假设系统中共有S台常规机组，CSP电站内共有G台汽轮机，初始种群个数为Npop，构造行数为Npop行，列数为（S+G）*T+1列的矩阵；每行代表（S+G）*T+1位染色体编码，鲁棒度作为染色体最后一位编码，在区间[0,24]内随机取值；因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况，据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离，得出优势种群，并循环迭代直至得到Pareto最优解集；最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
CN202010826307.2A 2020-08-17 2020-08-17 一种基于机会约束gmm的csp-chpmg鲁棒调度方法 Pending CN111697581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010826307.2A CN111697581A (zh) 2020-08-17 2020-08-17 一种基于机会约束gmm的csp-chpmg鲁棒调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010826307.2A CN111697581A (zh) 2020-08-17 2020-08-17 一种基于机会约束gmm的csp-chpmg鲁棒调度方法

Publications (1)

Publication Number Publication Date
CN111697581A true CN111697581A (zh) 2020-09-22

Family

ID=72487142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010826307.2A Pending CN111697581A (zh) 2020-08-17 2020-08-17 一种基于机会约束gmm的csp-chpmg鲁棒调度方法

Country Status (1)

Country Link
CN (1) CN111697581A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139871A (zh) * 2021-11-02 2022-03-04 广西电网有限责任公司 日前发电备用容量配置方法、装置、存储介质及终端设备
CN115906488A (zh) * 2022-11-25 2023-04-04 国网江苏省电力有限公司电力科学研究院 一种用于楼宇综合能源系统的优化调度方法
CN117688793A (zh) * 2024-02-04 2024-03-12 中国地质大学（武汉） 一种分布鲁棒机组组合建模与求解方法、设备及存储设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法
CN108805328A (zh) * 2018-04-30 2018-11-13 国网浙江省电力有限公司经济技术研究院 光热电站热电联供微网系统的优化运行方法
CN108832665A (zh) * 2018-07-04 2018-11-16 四川大学 一种考虑风电不确定性的电热综合系统分布式鲁棒协调优化调度模型
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN110707704A (zh) * 2019-10-08 2020-01-17 河海大学 基于gmm及多点线性半不变量法的电-热互联综合能源系统概率潮流分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法
CN108805328A (zh) * 2018-04-30 2018-11-13 国网浙江省电力有限公司经济技术研究院 光热电站热电联供微网系统的优化运行方法
CN108832665A (zh) * 2018-07-04 2018-11-16 四川大学 一种考虑风电不确定性的电热综合系统分布式鲁棒协调优化调度模型
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN110707704A (zh) * 2019-10-08 2020-01-17 河海大学 基于gmm及多点线性半不变量法的电-热互联综合能源系统概率潮流分析方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
彭春华 等: "基于分类不确定性集合的电力系统环境经济鲁棒调度", 《中国电机工程学报》 *
易明月 等: "考虑风荷预测误差不确定性的动态经济调度", 《电网技术》 *
王佳颖 等: "计及需求响应的光热电站热电联供型微网的优化运行", 《电力系统自动化》 *
贠韫韵 等: "考虑光热电站参与的新能源热电联供型微网运行优化", 《可再生能源》 *
贾利虎 等: "计及光热电站不确定性的CHP系统两阶段优化调度方法", 《电力建设》 *
陈金富 等: "基于机会约束规划的含风电场电力系统可用输电能力计算", 《中国电机工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139871A (zh) * 2021-11-02 2022-03-04 广西电网有限责任公司 日前发电备用容量配置方法、装置、存储介质及终端设备
CN115906488A (zh) * 2022-11-25 2023-04-04 国网江苏省电力有限公司电力科学研究院 一种用于楼宇综合能源系统的优化调度方法
CN115906488B (zh) * 2022-11-25 2024-01-23 国网江苏省电力有限公司电力科学研究院 一种用于楼宇综合能源系统的优化调度方法
CN117688793A (zh) * 2024-02-04 2024-03-12 中国地质大学（武汉） 一种分布鲁棒机组组合建模与求解方法、设备及存储设备
CN117688793B (zh) * 2024-02-04 2024-05-10 中国地质大学（武汉） 一种分布鲁棒机组组合建模与求解方法、设备及存储设备

Similar Documents

Publication Publication Date Title
Ju et al. A multi-objective robust scheduling model and solution algorithm for a novel virtual power plant connected with power-to-gas and gas storage tank considering uncertainty and demand response
CN110516851B (zh) 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN106936147B (zh) 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN108009693B (zh) 基于两级需求响应的并网微电网双层优化方法
CN111697581A (zh) 一种基于机会约束gmm的csp-chpmg鲁棒调度方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN108429288B (zh) 一种考虑需求响应的离网型微电网储能优化配置方法
CN110188950A (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
CN109713673B (zh) 售电环境下并网型微电网系统配置及优化运行的方法
CN110009122B (zh) 户用多能互补综合能源利用系统能量优化调度方法及系统
CN108206543A (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN111815025A (zh) 考虑风光与负荷不确定性综合能源系统柔性优化调度方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN109586284B (zh) 考虑弃能约束的送端电力系统随机生产模拟方法及应用
CN109767029A (zh) 局域能源互联网中冷热电三联供系统容量配置方法及系统
CN111753431A (zh) 综合能源系统中最优配置的计算方法和计算设备
CN110807588A (zh) 一种多能源耦合综合能源系统的优化调度方法
CN114529075A (zh) 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法
CN115660309A (zh) 考虑电-碳-绿证联合交易的虚拟电厂日前优化调度方法
CN111740408B (zh) 一种基于鲁棒随机模型的光热电站最优报价决策方法
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN115689166A (zh) 一种区域分布式能源资源聚合利用方法及系统
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
CN116579560A (zh) 考虑多类型负荷需求响应的虚拟电厂能量分配方法

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: 20200922