CN111697625A - 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法 - Google Patents
基于分布鲁棒优化的孤岛微电网机会约束能量调度方法 Download PDFInfo
- Publication number
- CN111697625A CN111697625A CN202010602408.1A CN202010602408A CN111697625A CN 111697625 A CN111697625 A CN 111697625A CN 202010602408 A CN202010602408 A CN 202010602408A CN 111697625 A CN111697625 A CN 111697625A
- Authority
- CN
- China
- Prior art keywords
- power
- parameter
- power generation
- island
- energy
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000010248 power generation Methods 0.000 claims description 139
- 238000004146 energy storage Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 47
- 230000015556 catabolic process Effects 0.000 claims description 33
- 238000006731 degradation reaction Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 23
- 238000007599 discharging Methods 0.000 claims description 18
- 239000002994 raw material Substances 0.000 claims description 17
- 230000009977 dual effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- H02J3/28—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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法。所述方法包括：根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数。构建描述该孤岛微电网中可再生能源的不确定性的模糊集合。以总运行代价函数为目标函数，根据模糊集合和功率平衡机会约束条件建立孤岛微电网的分布鲁棒优化模型。将分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据该二阶锥规划问题的最优解进行孤岛微电网的能量调度。上述方法分布鲁棒优化的机会约束方法建模孤岛微电网的能量调度问题，不需要对可再生资源的不确定性进行提前假设，同时能够减少在能量调度问题求解过程中的保守性，优化孤岛微电网的能量调度效果。
Description
技术领域
本申请涉及智能电网技术领域，特别是涉及一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法。
背景技术
微电网通常由分布式能源资源如分布式发电机、储能设备、可控制负载等组成，借助于能量调度系统既可以联网运行也可以孤岛模式运行。随着先进发电技术的发展，可再生能源发电如风能和太阳能等越来越多地渗透到微电网中。这在给微电网增加新的电能来源的同时，可再生能源的特性也使微电网能量调度问题变得更为复杂和不确定。
为了处理微电网能量调度中可再生能源带来的不确定性，目前已有采用鲁棒优化、随机规划、机会约束规划等方法实现微电网能量调度的技术，其中鲁棒优化的应用非常广泛。然而，鲁棒优化方法中采用了不确定性集合来描述随机变量的不确定性，并且鲁棒优化方法中对问题的求解是针对最坏情况做出的，因此基于鲁棒优化方法的微电网能量调度方法通常是比较保守的，其能源利用效率不高。
随机规划是另一种常见的处理微电网运行与调度中不确定性的方法。该方法中，通过预先假设的变量分布来描述与可再生能源或负载相关的不确定性。但实际场景中这些变量通常是未知的或者很难准确获得的，因此，随机规划中对变量分布的假设符合度难以量化，从而不能确保基于随机优化方法的微电网能量调度方法的效果。
发明内容
基于此，有必要针对上述技术问题，提出不需要预先假设变量分布并能够减少求解保守性的一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法。
一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法，所述方法包括：
根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数。
构建描述该孤岛微电网中可再生能源的不确定性的模糊集合。
以总运行代价函数为目标函数，根据模糊集合和功率平衡机会约束条件建立该孤岛微电网的分布鲁棒优化模型。
将该分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据该二阶锥规划问题的最优解进行所述孤岛微电网的能量调度。
其中一个实施例中，根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数的步骤包括：
获取接入孤岛微电网的发电设备、储能设备和负荷设备的参数。发电设备的参数包括输出功率参数和发电代价参数，储能设备的参数包括储能参数和退化代价参数，负荷设备的参数包括消耗功率参数。
根据输出功率参数、储能参数和消耗功率参数构建孤岛微电网的功率平衡机会约束条件。
根据发电代价参数和退化代价参数，构建总运行代价函数。
其中一个实施例中，发电设备包括传统发电设备和可再生能源发电设备，负荷设备包括关键负荷和可延迟负荷，储能参数包括充电功率参数和放电功率参数。
根据输出功率参数、储能参数和消耗功率参数构建该孤岛微电网的功率平衡机会约束条件的步骤包括，
根据输出功率参数、充电功率参数、放电功率参数和消耗功率参数，将孤岛微电网的功率平衡机会约束条件表示为：
其中，Pi,t是传统发电设备i在t时刻的输出功率值，Ndg是传统发电设备的数量，
和
分别是储能设备j在t时刻的充电功率值和放电功率值，Ness是储能设备的数量，wt是可再生能源发电设备在t时刻的输出功率值，Lt是关键负荷在t时刻的消耗功率值，
是可延迟负荷k在t时刻的消耗功率值，Ndef是可延迟负荷的数量，ε是预设的概率值，T是时间范围。
其中一个实施例中，发电设备包括传统发电设备和可再生能源发电设备，发电代价参数包括发电原料成本参数和发电排放成本参数。根据发电代价参数和退化代价参数，构建总运行代价函数的步骤包括：
根据发电原料成本参数、发电排放成本参数和退化代价参数，将总运行代价函数表示为：
其中，Ndg是传统发电设备的数量，CGi,t是传统发电设备i在t时刻的发电原料成本值，CEi,t是传统发电设备i在t时刻的发电排放成本值，Ness是储能设备的数量，CSj,t是储能设备j在t时刻的退化代价值，T是时间范围。
其中一个实施例中，构建描述该孤岛微电网中可再生能源的不确定性的模糊集合的步骤包括：
根据预设的上界值和下界值，定义可再生能源的功率均值范围和功率方差值范围。
根据功率均值范围和功率方差值范围，构建描述该孤岛微电网中可再生资源的不确定性的模糊集合。
其中一个实施例中，将分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据二阶锥规划问题的最优解进行孤岛微电网的能量调度的步骤包括：
基于条件风险值近似理论和对偶理论，将分布鲁棒优化模型转化为可求解的二阶锥规划问题。
使用求解器求解该二阶锥规划问题，得到满足分布鲁棒优化模型的二阶锥规划问题的最优解。
根据得到的最优解进行所述孤岛微电网的能量调度。
一种基于分布鲁棒优化的孤岛微电网机会约束能量调度装置，其特征在于，所述装置包括：
孤岛微电网模型构建模块，用于根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数。
模糊集合构建模块，用于构建描述该孤岛微电网中可再生能源的不确定性的模糊集合。
分布鲁棒优化模型构建模块，用于以总运行代价函数为目标函数，根据模糊集合和功率平衡机会约束条件建立孤岛微电网的分布鲁棒优化模型。
能量调度模块，用于将分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据该二阶锥规划问题的最优解进行孤岛微电网的能量调度。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任意一个实施例中所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任意一个实施例中所述方法的步骤。
上述一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法、装置、计算机设备和存储介质，采用分布鲁棒优化的机会约束方法建模孤岛微电网的能量调度问题，不需要对可再生资源的不确定性进行提前假设，同时能够减少在能量调度问题求解过程中的保守性，优化孤岛微电网的能量调度效果。
附图说明
图1为一个实施例中基于分布鲁棒优化的孤岛微电网机会约束能量调度方法的应用场景图；
图2为一个实施例中基于分布鲁棒优化的孤岛微电网机会约束能量调度方法的步骤示意图；
图3为一个实施例中孤岛微电网中风能数据与关键负荷消耗功率情况示意图；
图4为一个实施例中孤岛微电网中传统发电机最优功率调度方案示意图；
图5为一个实施例中孤岛微电网中储能设备和可延迟负荷最优调度方案示意图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法，可以应用于如图1所示的应用环境中。一个典型的孤岛微电网通常包括：传统发电设备，如柴油发电机、微型燃气轮机、燃料电池等；可再生能源发电设备，如利用风能、太阳能等可再生能源的发电设备；储能设备，如蓄电池；以及各种消耗电能的负荷。一般情况下，微电网的能量调度由一个能量调度系统进行集中控制。能量管理系统可以用由独立的服务器、多个服务器组成的服务器集群、计算机等设备来实现。
在一个实施例中，如图2所示，提供了一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法，以该方法应用于图1中的能量管理系统为例进行说明，包括以下步骤：
步骤202：根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数。
孤岛微电网的能量调度问题实际上是一个系统内部电能生成和电能消耗平衡的问题。一方面，孤岛微电网的电能生成能力需要满足接入电网的负荷的功率消耗要求；另一方面，又不能无限地增加微电网的产生的电能，造成微电网运行代价的大幅增加。此外，微电网中的可再生能源发电设备给微电网的电能生成能力带来了不确定性。因此，孤岛微电网的机会约束电能管理问题可以描述为：微电网的电能生成能力以一定的机率满足接入微电网的负荷的电能消耗需求，同时保持微电网的运行代价最低。
本实施例中，考虑孤岛微电网中存在可再生能源发电设备对微电网电能产生能力的影响，认为微电网中负荷的功率需求并不一定总能得到满足，或者严格的功率平衡会造成系统运行总代价过高。为了解决这个问题，将风能、太阳能等可再生能源的变化可以视为随机变量，基于该随机变量以概率形式给出孤岛微电网的功率平衡条件，即利用机会约束来表示功率平衡应该以一定概率得到满足。此外，本实施例根据各设备的运行代价参数定义孤岛微电网的运行总代价，作为衡量能量调度问题优化程度的指标。
步骤204：构建描述该孤岛微电网中可再生能源的不确定性的模糊集合。
分布鲁棒优化是一种介于随机规划与鲁棒优化之间的一种方法，它不预设随机变量的分布情况，以一个包含未知分布的集合为基础，优化期望目标。这些未知分布拥有一些共同的统计特征。这些未知分布的集合也被称为模糊集合，是分布鲁棒优化问题推导和转化的基础。
本实施例中，将可再生能源考虑为随机变量，以变量的均值、方差等共同统计特征建立模糊集合，描述可再生能源的不确定性。
步骤206：以总运行代价函数为目标函数，根据模糊集合和功率平衡机会约束条件建立该孤岛微电网的分布鲁棒优化模型。
具体地，本步骤以运行总代价为目标函数，根据模糊集合和功率平衡机会约束条件，将孤岛微电网的能量调度问题转化为分布鲁棒优化模型，即在求取微电网的电能生成能力以一定的机率满足接入微电网的负荷的电能消耗需求，且使运行总代价最低的最优解。
步骤208：将该分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据该二阶锥规划问题的最优解进行所述孤岛微电网的能量调度。
为了根据上述分布鲁棒优化模型求得孤岛微电网能量调度的最优解，本实施例将原始能量调度问题中的不可解的机会约束转化为可求解的二阶锥约束问题，根据目标函数的值获得二阶锥规划问题的最优解，得到分布鲁棒模型的最优解，根据该最优解进行孤岛微电网的能量调度。
上述一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法、装置、计算机设备和存储介质，采用基于分布鲁棒优化的机会约束方法建模孤岛微电网的能量调度问题，不需要对可再生资源的不确定性进行提前假设，同时能够减少在能量调度问题求解过程中的保守性，优化孤岛微电网的能量调度效果。
其中一个实施例中，根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数的步骤包括：
获取接入孤岛微电网的发电设备、储能设备和负荷设备的参数。发电设备的参数包括输出功率参数和发电代价参数，储能设备的参数包括储能参数和退化代价参数，负荷设备的参数包括消耗功率参数。
根据输出功率参数、储能参数和消耗功率参数构建孤岛微电网的功率平衡机会约束条件。
根据发电代价参数和退化代价参数，构建总运行代价函数。
具体地，本实施例将孤岛微电网的功率平衡机会约束条件表示为微电网中发电设备的输出功率、储能设备的储能量和负荷设备的消耗功率平衡。其中，发电设备中可再生能源发电设备的输出功率可以表示为随机量。孤岛微电网的总运行代价函数可以根据发电设备的发电代价、储能设备的储能代价，和描述储能设备退化的退化代价构成。
本实施例提供了一种根据孤岛微电网设备参数定义功率平衡机会约束条件和运行总代价函数的通用方法，适用于各类微电网的能量调度问题优化。
其中一个实施例中，发电设备包括传统发电设备和可再生能源发电设备，负荷设备包括关键负荷和可延迟负荷，储能参数包括充电功率参数和放电功率参数。
根据输出功率参数、储能参数和消耗功率参数构建该孤岛微电网的功率平衡机会约束条件的步骤包括，
根据输出功率参数、充电功率参数、放电功率参数和消耗功率参数，将孤岛微电网的功率平衡机会约束条件表示为：
其中，Pi,t是传统发电设备i在t时刻的输出功率值，Ndg是传统发电设备的数量，
和
分别是储能设备j在t时刻的充电功率值和放电功率值，Ness是储能设备的数量，wt是可再生能源发电设备在t时刻的输出功率值，Lt是关键负荷在t时刻的消耗功率值，
是可延迟负荷k在t时刻的消耗功率值，Ndef是可延迟负荷的数量，ε是预设的概率值，T是时间范围。
以柴油发电机为例对传统发电设备进行说明。柴油发电机通过燃烧化石燃料发电并且其调度是可以调节的。发电机的输出应该满足输出边界限制以及功率爬坡约束等：
其中Pi,t是发电机i在t时刻的输出，
和
分别是发电机最小最大输出限制，
和
分别是向上向下输出爬坡约束。
在微电网中，储能设备在减少系统不确定性以及维持功率平衡方面发挥着重要作用。以蓄电池为例，其充放电模型和约束可以表示如下：
其中Ej,t是储能设备的储能水平，
和
分别是充电和放电变量，
和
分别是充电和放电效率，
和
分别是最大充电和放电约束，
和
分别是储能设备最小和最大储能水平。
微电网中的可再生资源发电设备由于其功率输出受可再生资源的影响，因此将其总和设为一个随机量wt。
微电网中负荷按照其用用途性质可以分为两类，即关键负荷和可延迟负荷。关键负荷是不可调度，并且必须以最高优先性满足，如医院负荷等。在给定的微电网中，关键负荷是不变的，其总的功率消耗量可以用集成负荷Lt来表示。与关键负荷不同，可延迟负荷是根据实时功率供求关系可调度的，比如电动汽车充电等。这类负荷只需要在一定时间范围内满足就可以了，其模型可以表示如下：
其中
表示可延迟负荷k的总需求，
和
分别是负荷需求的起始和终止时间，
和
分别是每个时刻的负荷需求约束。
基于上述约束条件，可以根据微电网中设备的输出功率参数、充电功率参数、放电功率参数和消耗功率参数，将孤岛微电网的功率平衡机会约束条件表示为：
上述功率平衡机会约束条件中，不等式的左边表示微电网中所有能量提供设备输出的能量大于所有能量消耗设备的功率需求的概率，不等式的右边是预设的概率值。上述功率平衡机会约束条件表示：微电网的能量产生能力以预设的概率满足接入微电网设备的能量消耗能力。
本实施例提供了一种微电网功率平衡机会约束条件的具体描述方式，适用于此类区分关键负荷和可延迟负荷的微电网的能量调度问题优化。
其中一个实施例中，发电设备包括传统发电设备和可再生能源发电设备，发电代价参数包括发电原料成本参数和发电排放成本参数。根据发电代价参数和退化代价参数，构建总运行代价函数的步骤包括：
根据发电原料成本参数、发电排放成本参数和退化代价参数，将总运行代价函数表示为：
其中，Ndg是传统发电设备的数量，CGi,t是传统发电设备i在t时刻的发电原料成本值，CEi,t是传统发电设备i在t时刻的发电排放成本值，Ness是储能设备的数量，CSj,t是储能设备j在t时刻的退化代价值，T是时间范围。
一般情况下，柴油发电机的运行代价主要是燃料消耗成本，该成本可以表示为发电机输出功率Pi,t的二次函数模型：
其中ai，bi，ci是对应于发电机i的燃料消耗成本系数。此外，为了实现能量调度的环保性，发电机的排放影响也应该被考虑，其排放成本模型可以表示如下：
CEi,t＝cemis*Emi,t
其中di，ei，fi是相应的输出排放系数，cemis是排放的成本系数。
储能设备会随着频繁的充放电过程而退化。因此，在孤岛到微电网的运行总代价中也应该考虑储能设备的退化代价。为了简化模型，可以采用如下线性模型计算储能设备的退化代价：
其中，
表示退化代价系数。
具体地，本实施例根据上述各设备的运行代价定义，将微电网的总运行代价描述为传统发电设备的发电原料成本和排放成本，以及储能设备使用消耗成本的总和，提供了一种微电网功率平衡机会约束条件的具体描述方式，适用于此类需考虑环境排放成本的微电网的能量调度问题优化。
其中一个实施例中，构建描述该孤岛微电网中可再生能源的不确定性的模糊集合的步骤包括：
根据预设的上界值和下界值，定义可再生能源随机变量的功率均值范围和功率方差值范围。
根据功率均值范围和功率方差值范围，构建描述该孤岛微电网中可再生资源的不确定性的模糊集合。
基于确定矩信息的模糊集合被广泛研究并且已经被用来处理随机的风能。这种基于已知矩信息即均值和方差的模糊集合可以表示如下：
其中μt和
表示变量的均值和方差，可以由历史数据估计获得。
表示在支撑集Wt上所有概率分布的家族，
表示wt的概率分布。
在上述模糊集合中，尽管风能的均值和方差可以根据历史数据估计，但是实际中其真实值很难获得，并且估计值不一定准确，也就是说很难确定准确的矩信息。因此，为了描述实际中矩信息的不确定性，本实施例提出了一个箱型模糊集合，该集合利用包含上下界的箱形区域描述不确定的矩，其数学表示如下：
其中，新增的第三行约束限制了均值和方差的上下界，其他变量定义不变。
根据新提出的模糊集合，可以获得孤岛微电网功率平衡机会约束的分布鲁棒模型：
本实施例提出了一个新的模糊集合来描述可再生能源发电的不确定概率分布。与传统模糊集合相比，该模糊集合可利用区间预测等技术较为容易地构建，可以提供不确定矩信息，更加贴近可再生能源变量的实际分布规律，更具有实际意义。
其中一个实施例中，将分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据二阶锥规划问题的最优解进行孤岛微电网的能量调度的步骤包括：
基于条件风险值近似理论和对偶理论，将分布鲁棒优化模型转化为可求解的二阶锥规划问题。
使用求解器求解该二阶锥规划问题，得到满足分布鲁棒优化模型的二阶锥规划问题的最优解。
根据得到的最优解进行所述孤岛微电网的能量调度。
为了求解上述分布鲁棒微电网机会约束能量调度问题，本实施例首先利用条件风险值近似处理分布鲁棒机会约束，然后利用对偶理论等技术把原问题转化为可求解的二阶锥规划问题。为了方便，将孤岛微电网的功率平衡机会约束条件写成：
其中xt表示决策变量，x表示决策变量集合。下文中省略xt等变量的下标t以简化描述。根据现有研究可知：
其中，基于概率分布
的CVaR定义如下：
其中(θ)+＝max{θ,0}。因此根据式(2)，可以得到推导(1)的一个充分条件，即以下保守近似：
因此，可以研究最坏情况下的CVaR近似，并且基于该约束的解对于原问题也是可行的。首先，式(4)左侧可以等价地表达如下：
其中sup和inf运算的交换是基于随机鞍点定理。通过引入另一个集合
式(5)中右侧内部最大化问题可以重构如下：
进一步地，记r＝h(x)wt，则r的均值和方差分别是h(x)μt和
这样式(6)可以等价地表达为如下积分形式：
其中
是包含决策变量的非负Borel测度锥。根据对偶理论，通过引入对偶变量θ0，θ1和θ2，可以得到式(7)的对偶问题如下：
s.t.θ0+θ1r+θ2r2≥0
θ0+β-h0(x)+(θ1-1)r+θ2r2≥0 (8)
由于
是正的，因此强对偶性成立并且对偶问题在θ2>0有可行解。通过考虑左侧最小值，式(8)中的第二行第三行约束可以转化为如下等价形式：
然后通过引入附加变量v，τ和z，并进行如下变量替换：
可以得到式(7)的如下等价问题：
v-h0(x)+β+τ-h(x)μt-z>0
z>0,v≥0 (11)
再考虑外部不确定性集合
约束(7)就等价于下式：
z>0,v≥0
其中在第一个约束中，由于
因此
对于第二个约束中最大化问题，它的对偶问题如下：
结合以上所有式子，就可以得到约束(4)的等价形式：
z>0,v≥0,η1≥0,η2≥0 (14)
其中，第一个约束是一个旋转的二阶锥约束，其可以转换为标准的二阶锥约束。通过上述过程，将孤岛微电网能量调度问题中的不可解的机会约束转化为了可求解的二阶锥约束，从而原问题也变成了可求解的问题，其中目标函数和其他约束不变。
本实施例将不可解的基于分布鲁棒优化的孤岛微电网机会约束能量调度问题，经过一系列推导转化成了可求解的二阶锥规划问题。可以利用现有的商业求解器如Cplex或者Gurobi等对转化后的问题进行求解，并且求解结果满足分布鲁棒优化模型中的相关约束。因此，可以根据转化后问题的最优解进行孤岛微电网的能量调度。
其中一个实施例中，孤岛微电网中柴油发电机数量Ndg取值为3(G1，G2，G3)；储能设备数量Ness取值为1，其退化代价系数为0.0035$/kWh；可延迟负荷数量Ndef取值为1，可延迟负荷总需求为100kWh，且需要在13点至18点之间满足，每个时刻最小最大负荷分别为10kW和50kW。柴油发电机和储能设备的其他参数分别如表1、表2所示。
表1柴油发电机参数表
表2储能设备参数表
本实施例中可再生能源为风能，其数据如图3所示，图3中还提供了本实施例中关键负荷的消耗功率情况。根据上述设备参数和数据，建立该孤岛微电网的分布鲁棒优化模型，对其进行转化和求解后，可以得到相应的仿真结果。其中，柴油发电机的最优调度如图4所示，储能设备充放电状态以及可延迟负荷满足情况等如图5所示。上述结果均满足分布鲁棒优化模型中的相关约束。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
一种基于分布鲁棒优化的孤岛微电网机会约束能量调度装置，其特征在于，所述装置包括：
孤岛微电网模型构建模块，用于根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数。
模糊集合构建模块，用于构建描述该孤岛微电网中可再生能源的不确定性的模糊集合。
分布鲁棒优化模型构建模块，用于以总运行代价函数为目标函数，根据模糊集合和功率平衡机会约束条件建立孤岛微电网的分布鲁棒优化模型。
能量调度模块，用于将分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据该二阶锥规划问题的最优解进行孤岛微电网的能量调度。
其中一个实施例中，孤岛微电网模型构建模块用于，获取接入孤岛微电网的发电设备、储能设备和负荷设备的参数。发电设备的参数包括输出功率参数和发电代价参数，储能设备的参数包括储能参数和退化代价参数，负荷设备的参数包括消耗功率参数。根据输出功率参数、储能参数和消耗功率参数构建孤岛微电网的功率平衡机会约束条件。根据发电代价参数和退化代价参数，构建总运行代价函数。
其中一个实施例中，发电设备包括传统发电设备和可再生能源发电设备，负荷设备包括关键负荷和可延迟负荷，储能参数包括充电功率参数和放电功率参数。孤岛微电网模型构建模块用于，根据输出功率参数、充电功率参数、放电功率参数和消耗功率参数，将孤岛微电网的功率平衡机会约束条件表示为：
其中，Pi,t是传统发电设备i在t时刻的输出功率值，Ndg是传统发电设备的数量，
和
分别是储能设备j在t时刻的充电功率值和放电功率值，Ness是储能设备的数量，wt是可再生能源发电设备在t时刻的输出功率值，Lt是关键负荷在t时刻的消耗功率值，
是可延迟负荷k在t时刻的消耗功率值，Ndef是可延迟负荷的数量，ε是预设的概率值，T是时间范围。
其中一个实施例中，发电设备包括传统发电设备和可再生能源发电设备，发电代价参数包括发电原料成本参数和发电排放成本参数。孤岛微电网模型构建模块用于根据发电原料成本参数、发电排放成本参数和退化代价参数，将总运行代价函数表示为：
其中，Ndg是传统发电设备的数量，CGi,t是传统发电设备i在t时刻的发电原料成本值，CEi,t是传统发电设备i在t时刻的发电排放成本值，Ness是储能设备的数量，CSj,t是储能设备j在t时刻的退化代价值，T是时间范围。
其中一个实施例中，模糊集合构建模块用于根据预设的上界值和下界值，定义可再生能源的功率均值范围和功率方差值范围。根据功率均值范围和功率方差值范围，构建描述该孤岛微电网中可再生资源的不确定性的模糊集合。
其中一个实施例中，能量调度模块用于基于条件风险值近似理论和对偶理论，将分布鲁棒优化模型转化为可求解的二阶锥规划问题。使用求解器求解该二阶锥规划问题，得到满足分布鲁棒优化模型的二阶锥规划问题的最优解。根据得到的最优解进行所述孤岛微电网的能量调度。
关于基于分布鲁棒优化的孤岛微电网机会约束能量调度装置的具体限定可以参见上文中对于基于分布鲁棒优化的孤岛微电网机会约束能量调度方法的限定，在此不再赘述。上述基于分布鲁棒优化的孤岛微电网机会约束能量调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储设备参数、能量调度控制数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数。
构建描述该孤岛微电网中可再生能源的不确定性的模糊集合。
以总运行代价函数为目标函数，根据模糊集合和功率平衡机会约束条件建立该孤岛微电网的分布鲁棒优化模型。
将该分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据该二阶锥规划问题的最优解进行所述孤岛微电网的能量调度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取接入孤岛微电网的发电设备、储能设备和负荷设备的参数。发电设备的参数包括输出功率参数和发电代价参数，储能设备的参数包括储能参数和退化代价参数，负荷设备的参数包括消耗功率参数。根据输出功率参数、储能参数和消耗功率参数构建孤岛微电网的功率平衡机会约束条件。根据发电代价参数和退化代价参数，构建总运行代价函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据输出功率参数、充电功率参数、放电功率参数和消耗功率参数，将孤岛微电网的功率平衡机会约束条件表示为：
其中，Pi,t是传统发电设备i在t时刻的输出功率值，Ndg是传统发电设备的数量，
和
分别是储能设备j在t时刻的充电功率值和放电功率值，Ness是储能设备的数量，wt是可再生能源发电设备在t时刻的输出功率值，Lt是关键负荷在t时刻的消耗功率值，
是可延迟负荷k在t时刻的消耗功率值，Ndef是可延迟负荷的数量，ε是预设的概率值，T是时间范围。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据发电原料成本参数、发电排放成本参数和退化代价参数，将总运行代价函数表示为：
其中，Ndg是传统发电设备的数量，CGi,t是传统发电设备i在t时刻的发电原料成本值，CEi,t是传统发电设备i在t时刻的发电排放成本值，Ness是储能设备的数量，CSj,t是储能设备j在t时刻的退化代价值，T是时间范围。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设的上界值和下界值，定义可再生能源的功率均值范围和功率方差值范围。根据功率均值范围和功率方差值范围，构建描述该孤岛微电网中可再生资源的不确定性的模糊集合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于条件风险值近似理论和对偶理论，将分布鲁棒优化模型转化为可求解的二阶锥规划问题。使用求解器求解该二阶锥规划问题，得到满足分布鲁棒优化模型的二阶锥规划问题的最优解。根据得到的最优解进行所述孤岛微电网的能量调度。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：
根据接入孤岛微电网的设备参数，构建该孤岛微电网的功率平衡机会约束条件和总运行代价函数。
构建描述该孤岛微电网中可再生能源的不确定性的模糊集合。
以总运行代价函数为目标函数，根据模糊集合和功率平衡机会约束条件建立该孤岛微电网的分布鲁棒优化模型。
将该分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据该二阶锥规划问题的最优解进行所述孤岛微电网的能量调度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取接入孤岛微电网的发电设备、储能设备和负荷设备的参数。发电设备的参数包括输出功率参数和发电代价参数，储能设备的参数包括储能参数和退化代价参数，负荷设备的参数包括消耗功率参数。根据输出功率参数、储能参数和消耗功率参数构建孤岛微电网的功率平衡机会约束条件。根据发电代价参数和退化代价参数，构建总运行代价函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据输出功率参数、充电功率参数、放电功率参数和消耗功率参数，将孤岛微电网的功率平衡机会约束条件表示为：
其中，Pi,t是传统发电设备i在t时刻的输出功率值，Ndg是传统发电设备的数量，
和
分别是储能设备j在t时刻的充电功率值和放电功率值，Ness是储能设备的数量，wt是可再生能源发电设备在t时刻的输出功率值，Lt是关键负荷在t时刻的消耗功率值，
是可延迟负荷k在t时刻的消耗功率值，Ndef是可延迟负荷的数量，ε是预设的概率值，T是时间范围。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据发电原料成本参数、发电排放成本参数和退化代价参数，将总运行代价函数表示为：
其中，Ndg是传统发电设备的数量，CGi,t是传统发电设备i在t时刻的发电原料成本值，CEi,t是传统发电设备i在t时刻的发电排放成本值，Ness是储能设备的数量，CSj,t是储能设备j在t时刻的退化代价值，T是时间范围。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预设的上界值和下界值，定义可再生能源的功率均值范围和功率方差值范围。根据功率均值范围和功率方差值范围，构建描述该孤岛微电网中可再生资源的不确定性的模糊集合。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于条件风险值近似理论和对偶理论，将分布鲁棒优化模型转化为可求解的二阶锥规划问题。使用求解器求解该二阶锥规划问题，得到满足分布鲁棒优化模型的二阶锥规划问题的最优解。根据得到的最优解进行所述孤岛微电网的能量调度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于分布鲁棒优化的孤岛微电网机会约束能量调度方法，所述方法包括：
根据接入孤岛微电网的设备参数，构建所述孤岛微电网的功率平衡机会约束条件和总运行代价函数；
构建描述所述孤岛微电网中可再生能源的不确定性的模糊集合；
以所述总运行代价函数为目标函数，根据所述模糊集合和所述功率平衡机会约束条件建立所述孤岛微电网的分布鲁棒优化模型；
将所述分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据所述二阶锥规划问题的最优解进行所述孤岛微电网的能量调度。
2.根据权利要求1所述的方法，其特征在于，所述根据接入孤岛微电网的设备参数，构建所述孤岛微电网的功率平衡机会约束条件和总运行代价函数的步骤包括：
获取接入孤岛微电网的发电设备、储能设备和负荷设备的参数；所述发电设备的参数包括输出功率参数和发电代价参数，所述储能设备的参数包括储能参数和退化代价参数，所述负荷设备的参数包括消耗功率参数；
根据所述输出功率参数、所述储能参数和所述消耗功率参数，构建所述孤岛微电网的功率平衡机会约束条件；
根据所述发电代价参数和所述退化代价参数，构建所述总运行代价函数。
3.根据权利要求2所述的方法，其特征在于，所述发电设备包括传统发电设备和可再生能源发电设备，所述负荷设备包括关键负荷和可延迟负荷，所述储能参数包括充电功率参数和放电功率参数；
所述根据所述输出功率参数、所述储能参数和所述消耗功率参数构建所述孤岛微电网的功率平衡机会约束条件的步骤包括：
根据所述输出功率参数、所述充电功率参数、所述放电功率参数和所述消耗功率参数，将所述功率平衡机会约束条件表示为：
其中，Pi,t是所述传统发电设备i在t时刻的输出功率值，Ndg是所述传统发电设备的数量，
和
分别是所述储能设备j在t时刻的充电功率值和放电功率值，Ness是所述储能设备的数量，wt是所述可再生能源发电设备在t时刻的输出功率值，Lt是所述关键负荷在t时刻的消耗功率值，
是所述可延迟负荷k在t时刻的消耗功率值，Ndef是所述可延迟负荷的数量，ε是预设的概率值，T是时间范围。
4.根据权利要求2所述的方法，其特征在于，所述发电设备包括传统发电设备和可再生能源发电设备，所述发电代价参数包括发电原料成本参数和发电排放成本参数；
根据所述发电代价参数和所述退化代价参数，构建所述总运行代价函数的步骤包括：
根据所述发电原料成本参数、所述发电排放成本参数和所述退化代价参数，将所述总运行代价函数表示为：
其中，Ndg是所述传统发电设备的数量，CGi,t是所述传统发电设备i在t时刻的发电原料成本值，CEi,t是所述传统发电设备i在t时刻的发电排放成本值，Ness是所述储能设备的数量，CSj,t是所述储能设备j在t时刻的退化代价值，T是时间范围。
5.根据权利要求1所述的方法，其特征在于，所述构建描述所述孤岛微电网中可再生能源的不确定性的模糊集合的步骤包括：
根据预设的上界值和下界值，定义所述可再生能源的功率均值范围和功率方差值范围；
根据所述功率均值范围和所述功率方差值范围，构建描述所述孤岛微电网中可再生资源的不确定性的模糊集合。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，将所述分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据所述二阶锥规划问题的最优解进行所述孤岛微电网的能量调度的步骤包括：
基于条件风险值近似理论和对偶理论，将所述分布鲁棒优化模型转化为可求解的二阶锥规划问题；
使用求解器求解所述二阶锥规划问题，得到满足所述分布鲁棒优化模型的所述二阶锥规划问题的最优解；
根据所述最优解进行所述孤岛微电网的能量调度。
7.一种基于分布鲁棒优化的孤岛微电网机会约束能量调度装置，其特征在于，所述装置包括：
孤岛微电网模型构建模块，用于根据接入孤岛微电网的设备参数，构建所述孤岛微电网的功率平衡机会约束条件和总运行代价函数；
模糊集合构建模块，用于构建描述所述孤岛微电网中可再生能源的不确定性的模糊集合；
分布鲁棒优化模型构建模块，用于以所述总运行代价函数为目标函数，根据所述模糊集合和所述功率平衡机会约束条件建立所述孤岛微电网的分布鲁棒优化模型；
能量调度模块，用于将所述分布鲁棒优化模型转化为可求解的二阶锥规划问题，根据所述二阶锥规划问题的最优解进行所述孤岛微电网的能量调度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010602408.1A CN111697625A (zh) | 2020-06-29 | 2020-06-29 | 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010602408.1A CN111697625A (zh) | 2020-06-29 | 2020-06-29 | 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111697625A true CN111697625A (zh) | 2020-09-22 |
Family
ID=72484204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010602408.1A Pending CN111697625A (zh) | 2020-06-29 | 2020-06-29 | 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111697625A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112564182A (zh) * | 2020-11-25 | 2021-03-26 | 云南电网有限责任公司 | 一种基于分布鲁棒机会约束的多能联合系统统一调度方法 |
| CN113343583A (zh) * | 2021-06-29 | 2021-09-03 | 河北工程大学 | 一种基于连续时间神经动力学网络的水质评价方法 |
| CN113363976A (zh) * | 2021-06-18 | 2021-09-07 | 河海大学 | 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 |
| CN113705962A (zh) * | 2021-07-16 | 2021-11-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于分布鲁棒优化的虚拟电厂日前调度方法 |
| CN113793052A (zh) * | 2021-09-23 | 2021-12-14 | 长沙理工大学 | 一种区域综合能源系统鲁棒优化调度方法 |
| CN114118532A (zh) * | 2021-11-06 | 2022-03-01 | 深圳供电局有限公司 | 孤岛微网的调度方法、装置、计算机设备、存储介质 |
| CN117151402A (zh) * | 2023-08-31 | 2023-12-01 | 中山大学 | 一种面向动态环境的产业资源配置优化方法、装置及设备 |
| 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 |
-
2020
- 2020-06-29 CN CN202010602408.1A patent/CN111697625A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| ZHICHAO SHI ET: "Distributionally Robust Chance-Constrained Energy Management for Islanded Microgrids", 《IEEE TRANSACTIONS ON SMART GRID》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112564182A (zh) * | 2020-11-25 | 2021-03-26 | 云南电网有限责任公司 | 一种基于分布鲁棒机会约束的多能联合系统统一调度方法 |
| CN113363976A (zh) * | 2021-06-18 | 2021-09-07 | 河海大学 | 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 |
| CN113363976B (zh) * | 2021-06-18 | 2023-09-08 | 河海大学 | 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 |
| CN113343583A (zh) * | 2021-06-29 | 2021-09-03 | 河北工程大学 | 一种基于连续时间神经动力学网络的水质评价方法 |
| CN113705962A (zh) * | 2021-07-16 | 2021-11-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于分布鲁棒优化的虚拟电厂日前调度方法 |
| CN113705962B (zh) * | 2021-07-16 | 2024-03-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于分布鲁棒优化的虚拟电厂日前调度方法 |
| CN113793052A (zh) * | 2021-09-23 | 2021-12-14 | 长沙理工大学 | 一种区域综合能源系统鲁棒优化调度方法 |
| CN114118532A (zh) * | 2021-11-06 | 2022-03-01 | 深圳供电局有限公司 | 孤岛微网的调度方法、装置、计算机设备、存储介质 |
| CN117151402A (zh) * | 2023-08-31 | 2023-12-01 | 中山大学 | 一种面向动态环境的产业资源配置优化方法、装置及设备 |
| 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 |
|---|---|---|
| CN111697625A (zh) | 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法 | |
| Xia et al. | Optimal sizing of energy storage system and its cost-benefit analysis for power grid planning with intermittent wind generation | |
| Li et al. | Cooperative planning model of renewable energy sources and energy storage units in active distribution systems: A bi-level model and Pareto analysis | |
| Shu et al. | Optimal operation strategy of energy storage system for grid-connected wind power plants | |
| Wang et al. | Optimal planning of stand-alone microgrids incorporating reliability | |
| Rodriguez et al. | Fuzzy logic-based energy management for isolated microgrid using meta-heuristic optimization algorithms | |
| Xu et al. | A day-ahead economic dispatch method considering extreme scenarios based on wind power uncertainty | |
| Huang et al. | A mixed integer optimization method with double penalties for the complete consumption of renewable energy in distributed energy systems | |
| CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
| Kiaee et al. | Utilisation of alkaline electrolysers in existing distribution networks to increase the amount of integrated wind capacity | |
| Wen et al. | Stochastic optimization for security-constrained day-ahead operational planning under pv production uncertainties: Reduction analysis of operating economic costs and carbon emissions | |
| Goodall et al. | Optimal design and dispatch of a hybrid microgrid system capturing battery fade | |
| CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
| Ma et al. | Random-fuzzy chance-constrained programming optimal power flow of wind integrated power considering voltage stability | |
| CN117077974A (zh) | 虚拟电厂资源优化调度方法、装置、设备及存储介质 | |
| Jiang et al. | Scenario-transformation-based optimal sizing of hybrid hydrogen-battery storage for multi-timescale islanded microgrids | |
| Wu et al. | Wind power smoothing with energy storage system: a stochastic model predictive control approach | |
| CN115618616A (zh) | 一种源、网、荷资源的混合储能可靠性评估模型构建方法 | |
| CN113344732A (zh) | 电化学储能的运营评估方法、装置、终端设备及存储介质 | |
| Georgiev et al. | Optimized power flow control of smart grids with electric vehicles and DER | |
| Yepes-Fernéndez et al. | A study on control strategies for aggregated community energy storage systems in medium voltage distribution networks | |
| Oloo et al. | Modelling and optimisation studies for generator dispatch strategies for deployment of an off-grid micro-grid in South Africa | |
| CN114547821A (zh) | 基于灰色关联理论的可调度柔性资源辨识方法、存储介质 | |
| Saadatmandi et al. | Smart electric vehicle charging for reducing photovoltaic energy curtailment | |
| Krim et al. | Joint optimisation of sizing and fuzzy logic power management of a hybrid storage system considering economic reliability indices |
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 |