CN112529256B - 考虑多重不确定性的分布式电源集群日前调度方法和系统 - Google Patents

考虑多重不确定性的分布式电源集群日前调度方法和系统 Download PDF

Info

Publication number
CN112529256B
CN112529256B CN202011328013.3A CN202011328013A CN112529256B CN 112529256 B CN112529256 B CN 112529256B CN 202011328013 A CN202011328013 A CN 202011328013A CN 112529256 B CN112529256 B CN 112529256B
Authority
CN
China
Prior art keywords
uncertainty
power supply
distributed power
period
demand response
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.)
Active
Application number
CN202011328013.3A
Other languages
English (en)
Other versions
CN112529256A (zh
Inventor
林毓军
苗世洪
杨炜晨
梁志峰
李淼
尹斌鑫
涂青宇
张迪
周鲲鹏
叶畅
王友怀
胡晓峰
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.)
Huazhong University of Science and Technology
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hubei 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 Huazhong University of Science and Technology, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202011328013.3A priority Critical patent/CN112529256B/zh
Publication of CN112529256A publication Critical patent/CN112529256A/zh
Application granted granted Critical
Publication of CN112529256B publication Critical patent/CN112529256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • H02J3/008—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
    • 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
    • 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
    • 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
    • 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

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

Abstract

本发明公开考虑多重不确定性的分布式电源集群日前调度方法和系统，属于分布式电源集群优化调度领域。本发明在详细分析多重不确定性源特性基础上，分别采用随机优化法和自适应鲁棒优化法对电力市场成交价格不确定性、风电出力不确定性和需求响应量不确定性进行建模；基于工程博弈思想对模型进行线性化表述，建立两阶段三层日前调度优化模型，采用罚函数约束的粒子群算法求得最优解。通过对多重不确定性源的准确表征，建立考虑多重不确定性因素的分布式电源集群调度优化模型，有助于合理安排分布式电源集群备用容量，制定电力市场报价策略，进一步提升分布式电源集群运行的灵活性和安全性。

Description

考虑多重不确定性的分布式电源集群日前调度方法和系统
技术领域
本发明属于分布式电源集群优化调度领域，更具体地，涉及考虑多重不确定性的分布式电源集群日前调度方法和系统。
背景技术
随着化石能源枯竭和环境污染问题的加剧，大力发展可再生能源已成为各个国家实现低碳经济、构建可持续发展能源体系的战略选择。然而，可再生能源固有的波动性、随机性和间歇性等特性极大地阻碍了其推广应用。为了解决该问题，学者们提出了分布式电源集群的概念。分布式电源集群主要由常规机组、可再生能源机组、储能装置和柔性负荷整合而成。作为一种具有高度灵活性和适应性的资源整合手段，分布式电源集群能够起到平抑可再生能源波动、促进能源消纳的作用。
然而，分布式电源集群中的可再生能源、需求响应和电价预测量等调度资源具有显著的不确定性特征。通过对不确定性源的准确表征，建立考虑不确定性因素的分布式电源集群调度优化模型，有助于合理安排分布式电源集群备用容量，制定电力市场报价策略，进一步提升系统运行的灵活性和安全性。
专利CN111682536A提出一种虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法，采用鲁棒优化法处理风机出力、光伏出力和负荷的不确定性，采用随机场景模拟能量市场与旋转备用市场电价的不确定性，以虚拟电厂整体收益最大为目标进行调度，从而有效降低日前市场下多种不确定性的影响。然而，该专利并未考虑到实际调度中需求响应量的不确定性，无法有效应对在实际调度过程中存在的电价不确定性、可再生能源出力不确定性和需求响应不确定性等多重不确定性问题。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了考虑多重不确定性的分布式电源集群日前调度方法和系统，其目的在于分别采用场景规划法和自适应鲁棒优化法对电价不确定性和风电、需求响应不确定性进行建模。在此基础上，本发明通过构建分布式电源集群自适应鲁棒-随机优化调度模型，从而提高分布式电源集群运行的灵活性和安全性。
为实现上述目的，按照本发明的第一方面，提供了一种考虑多重不确定性的分布式电源集群日前调度方法，所述分布式电源集群包括常规机组、风电机组、储能装置和柔性负荷，该方法包括以下步骤：
S1.采用随机场景法对电力市场成交价格不确定性进行建模，采用自适应鲁棒优化法分别对风电机组出力不确定性和柔性负荷侧需求响应量不确定性进行建模；
S2.根据电力市场成交价格不确定性模型、风电机组出力不确定性模型和柔性负荷侧需求响应量不确定性模型，建立分布式电源集群自适应鲁棒-随机日前调度模型，其优化目标是在满足分布式电源集群内部的柔性负荷与分布式电源集群安全运行的前提下，尽可能实现分布式电源集群运行能耗最小，所述日前调度模型分为三层结构：
最下层：将给定的风电机组可用出力和柔性负荷侧需求响应量的预测值和波动区间分别输入风电机组出力不确定性模型和柔性负荷侧需求响应量不确定性模型，得到风电机组可用出力和柔性负荷侧需求响应量的实际取值集合；在上述实际取值集合的前提下，不确定性源博弈方通过控制每个时段内风电机组出力不确定性和柔性负荷侧需求响应量不确定性的波动，来最大化分布式电源集群的运行能耗，从而确最恶劣场景下风电机组出力实际值和柔性负荷侧实际需求响应量，并将风电机组出力实际值和柔性负荷侧实际需求响应量传递给中间层和最上层；
中间层：在接收到最上层给定的常规机组启停计划、最下层给定的风电机组出力实际值和柔性负荷侧实际需求响应量的前提下，将电力市场成交价格不确定性模型生成的每个可能的电力市场成交价格作为一个场景，分布式电源集群运营商以每个电力市场成交价格场景下常规机组的出力值、风电机组的出力值、运营商与电力市场之间的交易电量、储能装置的储能状态和充放电功率以及柔性负荷侧实际需求响应量为决策量，利用多场景分析法针对特定价格制定特定调度方案，从而确保系统安全运行以及最小化运行能耗，将每个电力市场成交价格场景对应的调度方案作为日前调度第二阶段结果；
最上层：在接收到最下层给定的可用风电机组出力实际值和柔性负荷侧实际需求响应量的前提下，将电力市场成交价格不确定性模型生成的每个可能的电力市场成交价格作为一个场景，分布式电源集群运营商综合考虑每个场景下的利润以及场景发生的概率，通过安排常规机组的启停计划，使得分布式电源集群的运行能耗最小化，将常规机组启停计划作为日前调度第一阶段结果发送给中间层；
S3.将给定的风电机组可用出力和柔性负荷侧需求响应量的预测值和波动区间输入至所述日前调度模型，并采用带罚函数约束的粒子群算法求解日前调度模型的均衡解，所述粒子群算法的粒子位置表示风电机组实际出力量和柔性负荷侧实际需求响应量，粒子的适应度表示分布式电源集群的运行能耗，所述均衡解包含粒子最优位置和对应日前调度第一阶段结果和第二阶段结果；
S4.将均衡解作为分布式电源集群的日前调度结果，根据日前调度结果对分布式电源集群进行调度。
有益效果：本发明提出使用自适应鲁棒优化法对需求响应不确定性进行建模，模型输出的需求响应量实际值作为一种主动负荷调节手段，参与到调度过程中的功率平衡约束和正负旋转备用约束中，起到削峰填谷的作用。本发明根据不确定源的特性有针对性地采用适当的建模方法，分别采用自适应鲁棒优化方法和随机场景法对风电不确定性、需求响应不确定性和电力市场成交价格不确定性进行建模，在综合考虑所有不确定性的基础上建立自适应鲁棒-随机优化模型，从而可以有效应对分布式电源集群在实际调度过程中存在的电价不确定性、可再生能源不确定性和需求响应不确定性等多重不确定性问题。
优选地，采用自适应鲁棒优化法对柔性负荷侧需求响应量不确定性进行建模，输入参数是需求响应量的预测值和波动区间，输出参数是需求响应量的实际值，柔性负荷侧需求响应量不确定性模型如下：
其中，表示t时段柔性负荷侧需求响应实际值，/>表示t时段柔性负荷侧需求响应预测值，/>表示t时段需求响应最大误差水平，/>分别表示t时段柔性负荷向下波动和向上波动的指示变量，ΨDR表示需求响应不确定性预算集取值。
有益效果：本发明通过自适应鲁棒优化法对柔性负荷侧需求响应量不确定性进行建模。本发明使用了不确定性预算集来调节不确定性的波动大小，从而可以灵活调整模型的经济性和鲁棒性。
优选地，所述日前调度模型的目标函数表示如下：
其中，ΨU,ΨM,ΨL分别表示上中下三层决策变量，C1表示日前调度第一阶段常规机组启停能耗，C2表示日前调度第二阶段常规机组运行能耗以及电量交易能耗之和，NG表示常规机组总台数，T表示调度周期，表示第i台常规机组运行固定能耗；/>表示第i台常规机组t时段运行状态，/>表示第i台常规机组的t时段启/停动作变量，/>表示第i台常规机组对应启/停能耗，Ω表示所生成的电价场景集合，下标ω表示特定电价场景下分布式电源集群的决策变量，πω表示场景ω发生的概率，/>分别表示场景ω下t时段内售出、买入电量，/>分别表示对应的售出、买入价格，/>表示第i台常规机组t时段运行可变能耗，/>表示场景ω下t时段内第i台常规机组的输出功率。
有益效果：本发明在不确定性建模的基础上构建分布式电源集群两阶段三层日前调度模型，由于模型当中考虑了多重不确定性因素，从而可以有效提升分布式电源集群运行的灵活性与安全性。
优选地，所述日前调度模型的约束条件包括功率平衡约束，所述功率平衡约束表示如下：
其中，和/>分别表示场景ω下t时段内储能装置的充/放电功率，/>分别表示场景ω下t时段内购电/售电功率，Pl,t表示柔性负荷t时段供电需求，/>表示场景ω下t时段内需求响应负荷量，/>表示常规机组t时段出力功率，Nd表示储能装置的放电效率，/>表示风电机组t时段内出力功率。
有益效果：本发明基于分布式电源集群调度模型提出了功率平衡约束，通过分析分布式电源集群中发电侧和负荷侧的可调度资源，从而确保了电能的供需平衡。
优选地，所述日前调度模型的约束条件包括电力市场交易约束，所述电力市场交易约束表示如下：
其中，分别表示场景ω下t时段内购电/售电功率，/>分别表示场景ω下t时段内分布式电源集群处于卖出/买进电量状态；/>分别表示分布式电源集群在t时段内最大可售出/可买进的电力量。
有益效果：本发明基于分布式电源集群调度模型提出了电力市场交易约束，通过约束分布式电源集群的购电、售电功率上下限，从而确保电力市场报价策略的合理性。
优选地，所述日前调度模型的约束条件包括价格型需求响应约束，所述价格型需求响应约束表示如下：
在分时电价场景下，采用自弹性系数表征电价变化率对负荷变化率的影响，自弹性系数定义如下：
λΔq,t＝εttλΔC,t
其中，λΔq,t表示t时段的负荷响应率，λΔC,t表示t时段的电价变化率，εtt表示t时段的自弹性系数；
电价变化率上下限约束和电量平衡约束：
λΔC,min≤λΔC,t≤λΔC,max
其中，λΔC,max表示电价变化率大于0时的上限，λΔC,min表示电价变化率小于0时的下限，表示t时段负荷响应量，Δt表示单位调度时长。
优选地，t时段需求响应最大误差水平计算公式如下：
其中，表示负荷响应量占主导作用与电价因素占主导作用的拐点电价变化率，其绝对值与电价激励引导程度成负相关，k1,k2分别表示拐点前后需求响应预测误差与负荷响应量的比例系数，λΔC,max为电价变化率大于0时的上限，λΔC,min代表电价变化率小于0时的下限。
有益效果：本发明基于分布式电源集群调度模型提出了电价变化率上下限约束和电量平衡约束，通过约束整个调度时段内柔性负荷响应电量的平衡，从而确保调度结果的合理性。
优选地，所述日前调度模型的约束条件包括分布式电源集群正负旋转备用约束，所述分布式电源集群正负旋转备用约束表示如下：
其中，α,β分别表示系统正负旋转备用安全裕度系数，NGi表示常规机组台数，和/>分别表示常规机组最大最小出力值，/>表示常规机组场景ω下t时段出力值，/>分别表示常规机组爬坡速率，/>分别表示储能装置最大放电/充电功率，Nd表示放电功率，Pl,t表示t时段负荷值，/>表示场景ω下t时段需求响应负荷值，Γt表示t时段波动指示变量，z2,tω,p2,tω表示场景ω下t时段对偶约束变量。
优选地，所述采用带罚函数约束的粒子群算法求解日前调度模型的均衡解过程如下：
(1)初始化常规机组特性参数；初始化综合储能装置参数；初始化需求侧响应参数；初始化系统预测负荷大小、可再生能源出力大小和波动；初始化收敛阈值以及最大循环次数；
(2)随机初始化粒子位置，每个粒子的位置表示不确定性源博弈方对不确定性预算集在每个时段内的分配值；
(3)根据每个生成粒子的位置，分布式电源集群运营商协调控制常规机组的启停出力、储能装置的出力、负荷的需求响应量以及与电力市场的交易电量从而最小化分布式电源集群的期望运行能耗；
(4)进行粒子的速度和位置更新，同时更新个体最优值以及全局最优值；
(5)进行速度和位置更新；
(6)重复步骤(3)～(5)直到满足收敛条件，收敛条件为前后两次的全局最优值之差小于给定的阈值或者循环次数达到最大循环次数；
(7)输出结果为二者零和博弈的纳什均衡解，分布式电源集群运营商在不确定性源的策略下最小化分布式电源集群的运行能耗，不确定性源在运营商的策略下最大化分布式电源集群的运行能耗，所得到的结果即为考虑不确定性最恶劣场景下分布式电源集群调度策略的鲁棒最优解。
为实现上述目的，按照本发明的第二方面，提供了一种考虑多重不确定性的分布式电源集群日前调度系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的考虑多重不确定性的分布式电源集群日前调度方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明提出一种考虑多重不确定性因素的分布式电源集群日前优化调度方法，首先，分别采用自适应鲁棒优化法和场景规划法对风电出力、需求响应量和电力市场成交价格等多重不确定性源进行建模；其次，结合工程博弈思想，以分布式电源集群运行能耗最小化为目标函数建立自适应鲁棒-随机优化模型，采用优化粒子群算法对模型进行求解得到模型的均衡解作为分布式电源集群的日前调度计划，根据所得到的日前调度计划对分布式电源集群进行优化调度。本发明可以有效识别多重不确定性源的特征，并对其进行精细化建模，有助于合理安排常规机组出力及其与电力市场之间的交易计划，降低分布式电源集群运行能耗，协调分布式电源集群运行的灵活性与安全性。
附图说明
图1为本发明中随机场景法建模流程图；
图2为本发明中分布式电源集群日前调度框架图；
图3为本发明中采用罚函数约束的粒子群算法的流程图；
图4为本发明实施例1中风电预测值、波动区间和负荷预测出力曲线图；
图5为本发明实施例1中分布式电源集群调度优化结果出力曲线图；
图6为本发明实施例1中蓄电池储能状态曲线图；
图7为本发明实施例1中场景运行能耗对比结果图；
图8为本发明实施例1中场景平均松弛功率对比图；
图9为本发明实施例1中场景3中分布式电源集群购买电量-电价曲线图；
图10为本发明实施例1中场景3中分布式电源集群售出电量-电价曲线图；
图11为本发明实施例1中场景1、3的风电机组出力结果对比曲线图；
图12为本发明实施例1中场景1、3的购电量、售电量对比曲线图；
图13为本发明实施例1中场景1、3的储能状态对比结果曲线图；
图14为本发明实施例1中风电出力不确定性预算集和需求响应不确定性预算集对分布式电源集群平均运行能耗影响示意图；
图15为本发明实施例1中风电出力不确定性预算集和需求响应不确定性预算集对分布式电源集群平均松弛功率影响示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方其中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1、图2和图3，本发明提供了一种考虑多重不确定性因素的分布式电源集群日前优化调度方法，依次包括以下步骤：
步骤A、在对分布式电源集群运行中存在的风电出力不确定性、需求响应不确定性和电力市场成交价格不确定性进行特征识别的基础上，分别采用自适应鲁棒优化方法和随机场景法对风电不确定性、需求响应不确定性和电力市场成交价格不确定性进行建模。之后，采用工程博弈思想对模型进行线性化处理，建立自适应鲁棒-随机优化调度模型。
步骤B、先将获取的风电和负荷的预测数据输入所述日前调度模型中，并采用罚函数约束的粒子群算法求解模型的均衡解作为分布式电源集群的日前调度结果，然后根据日前调度结果对分布式电源集群进行调度。
步骤A中，对分布式电源集群运行中存在的风电出力不确定性、需求响应不确定性和电力市场成交价格不确定性进行特征识别并选取合适的建模方法。对于电力市场成交价格不确定性，电力市场成交价格不确定性存在大量公开且具有可信来源的历史数据，场景生成技术较为成熟，而且其不确定性主要影响分布式电源集群的运行利润，对分布式电源集群运行安全性影响较少。因此，为了减少分布式电源集群的运行能耗，可使用场景规划法对其不确定性进行建模。在电价的波动范围内，利用历史数据生成的有限场景集来描述电力市场成交价格的可能实现场景。每个场景ω对应特定的电量交易价格与场景发生概率πω。分布式电源集群作为价格接受者，为每个场景建立相应约束集，求解模型获得每个成交价格下的交易电量。分布式电源集群运营商通过实时电力市场成交价格来选择这一时刻的交易电量。综合考虑所有场景下分布式电源集群的运行能耗，可有效处理电力市场成交价格的不确定性。
风电出力受到地域气象条件影响，预测精度较低，且具有较强波动性。同时，区别于电价不确定性参数，风电出力不确定性参数出现在调度模型的约束条件中，其不确定性同时影响分布式电源集群运行的灵活性与安全性，若采用场景规划法对其进行建模，将无法保证极端情况下调度结果的合理性。因此本发明利用所需数据参数较少的自适应鲁棒优化方法来对其进行处理，具体的基数不确定集为：
式中，Pt WA是风电实际出力值，为风电出力预测值，/>为不确定性的波动范围。变量uw+、uw-刻画单个时间段内风电出力波动情况。考虑到风电出力不确定性存在时间平滑效应，因此，本发明引入不确定性预算集ΨW来控制调度结果的保守性。ΨW代表在一个调度周期内风电实际出力相对于预测值存在波动的最大时间段数目。
对于综合需求响应不确定性，需求响应不确定性缺乏公开的历史数据，且其概率分布地区化差异较大，无法采用场景规划法生成场景进行建模，同时，需求响应量直接影响分布式电源集群的功率平衡和旋转备用约束，其不确定性容易造成日前调度结果超出安全运行界限，影响分布式电源集群运行安全性。因此，可仿照风电出力不确定性,采用自适应鲁棒优化法对需求响应不确定性进行处理。需求响应不确定性可通过下式进行建模：
式中，Pt DR为需求响应实际值，为需求响应预测值，/>为最大误差水平，为指示变量，ΨDR为需求响应不确定性预算集。/>满足：
式中，为需求响应预测值，εtt为负荷自弹性系数，λΔc,t为电价变化率，Pl,t为负荷预测值。在分时电价环境下，负荷响应量预测问题可看作在不同电价环境下的负荷预测问题。因此，本发明将需求响应最大误差水平处理为与负荷响应量、自弹性系数和电价激励水平相关的两段直线模型。
式中，为需求响应最大误差水平，εtt为负荷自弹性系数，λΔc,t为电价变化率，Pl,t为负荷预测值。λΔc,max代表电价变化率大于0时的上限，λΔc,min代表电价变化率小于0时的下限。/>为负荷响应量占主导作用与电价因素占主导作用的拐点电价变化率，其绝对值与电价激励引导程度成负相关。k1、k2为拐点前后需求响应预测误差与负荷响应量的比例系数。
分布式电源集群调度模型的优化目标是在满足地区负荷与系统安全运行的前提下，尽可能实现分布式电源集群运行能耗最小。由于分布式电源集群中常规机组的启停状态在日前确定之后无法根据不同场景下的电力市场成交价格进行实时调整修正，因此，本发明将分布式电源集群运行能耗分为第一阶段的常规机组启停能耗C1和第二阶段的常规机组运行能耗以及电量交易能耗之和C2。所述分布式电源集群日前调度优化模型的目标函数和约束条件可总结如下：
目标函数F为：
模型中，Ω代表所生成的电价场景集合，下标ω代表特定电价场景下分布式电源集群的决策变量。T代表调度周期，NG代表常规机组总台数；代表第i台常规机组运行固定能耗；/>代表第i台常规机组运行状态(值为0代表机组处于关闭状态，为1代表运行状态)。为第i台常规机组运行可变能耗，/>为第i台常规机组的输出功率。/>为第i台机组的启停动作变量，/>为相应启停能耗。/>分别为场景ω下t时段内与电力市场的售出、买入电量，/>为对应的售出、买入价格。ψU、ψM、ψL分别为上中下三层决策变量。
其中，调度模型最下层为不确定性源博弈方通过控制每个时段内不确定性的波动来最大化分布式电源集群的运行能耗，从而确定给定上层决策下风电和需求响应的最恶劣场景，将可用风电实际值和实际需求响应量传递给中间层和最上层；调度模型中间层为在给定日前机组启停计划，可用风电实际值和实际需求响应量基础上，利用多场景分析法考虑多个可能的电力市场成交价格，分布式电源集群运营商通过协调控制常规机组和储能装置的出力、负荷响应量以及与电力市场之间的交易电量，从而确保系统安全运行以及最小化运行能耗；调度模型最上层是分布式电源集群运营商综合考虑每个场景下的利润以及场景发生的概率，通过安排日前第一阶段传统机组的启停计划使得分布式电源集群的期望运行能耗最小化。
所述模型的约束条件包括功率平衡约束、电力市场交易约束、价格型需求响应约束、分布式电源集群正负旋转备用约束等，其中，
所述分布式电源集群功率平衡约束为：
式中，Pt C为常规机组出力功率，和/>分别为购电、售电功率，/>和/>代表储能电站的充放电功率，Nd代表储能电站的放电效率；Pl,t代表地区负荷供电需求，Pt DR为需求响应负荷量；/>代表风电机组出力功率。
电力市场交易约束：
式中，和/>分别为购电、售电功率，/>分别表示分布式电源集群处于卖出、买进电量状态；/>和/>分别表示分布式电源集群在时刻t最大可售出、买进的电量。
价格型需求响应约束：
在分时电价场景下，常采用自弹性系数表征电价变化率对负荷变化率的影响。自弹性系数定义：
λΔq,t＝εttλΔC,t
式中，λΔq,t为t时段的负荷响应率，λΔC,t为t时段的电价变化率，εtt为t时段的自弹性系数。
电价变化率上下限约束和电量平衡约束：
λΔc,min≤λΔc,t≤λΔc,max
式中，λΔc,max代表电价变化率大于0时的上限，λΔc,min代表电价变化率小于0时的下限。Pt DR为负荷响应量，Δt为单位调度时长。
分布式电源集群正负旋转备用约束：
式中，α、β分别代表系统正负旋转备用安全裕度系数。NGi为常规机组台数。和分别为常规机组最大最小出力值。/>为常规机组出力值。/>分别为常规机组爬坡速率。/>为储能装置最大放电、充电功率。Nd为放电功率。Pl,t为负荷值，/>为需求响应负荷值。Γt为每个时刻的波动指示变量。z2,tω、p2,tω为对偶约束变量。
步骤B中，在得到分布式电源集群日前调度优化模型的基础上，为了求解min-min-max模型，本发明提出优化粒子群算法。粒子群算法具体实施步骤如下：
(1)初始化常规机组特性参数；初始化储能装置参数；初始化柔性负荷侧需求响应量参数；初始化系统预测柔性负荷大小、可用风电出力大小和可用风电出力的区间；初始化算法收敛的阈值以及最大循环次数。
(2)随机初始化粒子位置，每个粒子的位置代表不确定性源博弈方对不确定性预算集在每个时间段内的分配值。
(3)根据每个生成粒子的位置，分布式电源集群运营商协调控制常规机组的启停出力、储能装置的出力、负荷的需求响应量以及与电力市场的交易电量从而最小化分布式电源集群的期望运行能耗。
(4)进行粒子的速度和位置更新，同时更新个体最优值以及全局最优值。
(5)进行速度和位置更新。
(6)重复步骤(3)-(5)直到算法满足收敛条件。收敛条件为前后两次的全局最优值之差小于给定的阈值或者算法循环次数达到最大循环次数。
(7)算法输出结果为二者零和博弈的纳什均衡解，分布式电源集群运营商在不确定性源的策略下最小化分布式电源集群的运行能耗，不确定性源在运营商的策略下最大化分布式电源集群的运行能耗，所得到的结果即为考虑不确定性最恶劣场景下分布式电源集群调度策略的鲁棒最优解。
所述调度结果包括每个时段内常规机组的启停状态、常规机组出力大小、风电机组出力大小、运营商与电力市场之间的交易电量、储能装置的蓄电量、储能装置的充放电功率、柔性负荷侧需求响应量。本实施例中调度单位为小时。
本发明提供了一种考虑多重不确定性因素的分布式电源集群日前优化调度方法，可以有效识别风电出力、需求响应和电力市场成交价格预测量等不确定性源特征，并采用自适应鲁棒优化法和随机场景法对其进行精细化建模，构建考虑多重不确定性因素的分布式电源集群自适应鲁棒-随机优化调度模型。
日前调度模型：在满足地区负荷与系统安全运行的前提下，尽可能实现分布式电源集群运行能耗最小。
功率平衡约束：该约束条件用于保证系统中电能供给与消耗之间保持平衡关系，避免负荷缺额或产能浪费。
电力市场交易约束：为了减少分布式电源集群运行能耗，分布式电源集群运营商需要合理制定电力市场交易电量计划。其中，电力市场交易约束包括售出电量、买进电量上下限约束和购电、售电状态不能同时进行的约束。
价格型需求响应约束：在各种影响用户需求响应的因素中，价格因素的影响作用最为显著，因此可通过调整电价变化率来引导用户改变用电行为。通过定义自弹性系数，引入电价变化率上下限约束和电量平衡约束，从而价格型需求响应约束模型。
分布式电源集群正负旋转备用约束：为了保证分布式电源集群在功率波动或发生事故时能够安全运行，本发明根据负荷和需求响应量的预测值为分布式电源集群预留一定的正负旋转备用约束。
实施例1：
图1为随机场景法建模流程图，为了制定分布式电源集群报价策略，分布式电源集群在电价波动范围内生成场景集Ω，每个场景集包含一组交易电量价格。在N个场景价格集合的基础上，求解调度模型得到对应的交易电量，从而建立分布式电源集群报价曲线。在日前调度时，分布式电源集群将价格-电量报价曲线提供给电力市场运营者；市场运营者出清市场，并根据分布式电源集群提交的报价曲线决定第二天每小时的日前市场价格和分布式电源集群的预定交易电量；市场运营者将价格反馈回分布式电源集群，分布式电源集群按照报价曲线选择合适的调度计划。
参见图2，一种考虑多重不确定性因素的分布式电源集群日前调度优化方法，该方法的调度框架为：调度模型最下层将不确定性最恶劣情况下可用风电实际值和实际需求响应量传递给中间层和最上层；调度模型中间层和最上层在考虑风电出力、需求响应量不确定性最恶劣情况的基础上，采用多场景分析法对电价不确定性进行分场景分析。在考虑风电出力、需求响应不确定性最恶劣情况下，分布式电源集群运行商通过安排日前调度第一阶段的机组启停计划以及日前调度第二阶段每个场景对应的调度计划从而降低分布式电源集群运行能耗，使分布式电源集群安全运行。
调度过程依次按照以下步骤进行：
步骤1、建立考虑多重不确定性因素的分布式电源集群日前调度优化模型，该模型以分布式电源集群运行能耗最小化作为目标函数：
模型中，Ω代表所生成的电价场景集合，ω下标代表特定电价场景下分布式电源集群的决策变量。T代表调度周期，NG代表常规机组总台数；代表第i台常规机组运行固定能耗；/>代表第i台常规机组运行状态(值为0代表机组处于关闭状态，为1代表运行状态)。为第i台常规机组运行可变能耗，/>为第i台常规机组的输出功率。/>为第i台机组的启停动作变量，/>为相应启停能耗。/>分别为场景ω下t时段内与电力市场的售出、买入电量，/>为对应的售出、买入价格。ψU、ψM、ψL分别为上中下三层决策变量。
所述模型的约束条件包括功率平衡约束、电力市场交易约束、价格型需求响应约束、分布式电源集群正负旋转备用约束等，其中，
所述分布式电源集群功率平衡约束为：
功率平衡约束：
式中，Pt C为常规机组出力功率，和/>分别为购电、售电功率，/>和/>代表储能电站的充放电功率，Nd代表储能电站的放电效率；Pl,t代表地区负荷供电需求，Pt DR为需求响应负荷量；/>代表风电机组出力功率。
电力市场交易约束：
式中，和/>分别为购电、售电功率，/>分别表示分布式电源集群处于卖出、买进电量状态；/>和/>分别表示分布式电源集群在时刻t最大可售出、买进的电量。
价格型需求响应约束：
在分时电价场景下，常采用自弹性系数表征电价变化率对负荷变化率的影响。自弹性系数定义：
λΔq,t＝εttλΔC,t
式中，λΔq,t为t时段的负荷响应率，λΔC,t为t时段的电价变化率，εtt为t时段的自弹性系数。
电价变化率上下限约束和电量平衡约束：
λΔc,min≤λΔc,t≤λΔc,max
式中，λΔc,max代表电价变化率大于0时的上限，λΔc,min代表电价变化率小于0时的下限。Pt DR为负荷响应量，Δt为单位调度时长。
分布式电源集群正负旋转备用约束：
式中，α、β分别代表系统正负旋转备用安全裕度系数。NGi为常规机组台数。和分别为常规机组最大最小出力值。/>为常规机组出力值。/>分别为常规机组爬坡速率。/>为储能装置最大放电、充电功率。Nd为放电功率。Pl,t为负荷值，/>为需求响应负荷值。Γt为每个时刻的波动指示变量。z2,tω、p2,tω为对偶约束变量。/>
步骤2、先将获取的风电出力和负荷的短期预测数据(参见图4)输入所述日前调度模型中，得到分布式电源集群的日前调度结果，然后根据日前调度结果对分布式电源集群进行调度，其中，日前调度每24小时执行一次，单位调度时长为1小时。所述调度结果包括每个时段内常规机组的启停状态与出力结果、与电力市场之间的交易电量、蓄电池的蓄电量和充放电功率以及需求响应量。
为验证本发明方法的有效性，同时对比分析考虑风电不确定性、需求响应不确定性和电力市场成交价格不确定性对分布式电源集群调度结果的影响，本实施例设定了4种运行场景。具体场景设置如下：
场景一：调度模型为同时包含风电、需求侧响应不确定性和电力市场成交价格不确定性。确定性调度模型，不考虑不确定性源的影响。
场景二：调度模型中包含风电不确定性和需求侧响应不确定性，电力市场成交价格取特定场景。
场景三：调度模型中包含电力市场成交价格不确定性，风电出力和需求侧响应量取预测值。
场景四：调度模型为确定性调度模型，不考虑不确定性源的影响。
图5和图6为场景一考虑多重不确定性因素的分布式电源集群日前调度优化结果。可以看出，在1:00-7:00时段和23:00-24:00时段内风电资源较为丰富，同时购电价格较低，因此，系统通过风电机组出力、购电功率和部分储能放电功率来满足供电负荷要求。在8:00-15:00和18:00-22:00两个时段内，可用风电资源减少，购电价格升高，购电能耗大于常规机组发电能耗，系统通过增加常规机组出力来满足地区负荷用电需求，由于这一时段市场售电价格较高，因此，系统向市场出售部分多余电能从而降低运行能耗。储能装置在负荷低谷期储存电能，而在用电高峰期将电能释放，从而可以缓解风电资源供给和地区负荷需求之间时间错峰问题，提高风电消纳能力。通过电力市场价格波动与储能装置充放电配合，分布式电源集群可实现“高卖低买”从而在电力市场中套利。综上所述，分布式电源集群通过整合调度资源，协调不同设备出力，可有效减少运行能耗。
为了定量描述分布式电源集群考虑风电和需求响应不确定性源后调度结果安全性的提高，本发明引入平均松弛能耗的概念，平均松弛能耗代表为使调度结果在实际运行中不超出安全界限所需要引入的最小松弛变量，用来描述调度结果在面临不确定性场景中违反约束的大小范围。
参见图7和图8，在本实施例中取500个随机场景进行模拟获得不同场景下调度结果的分布式电源集群平均运行能耗和平均松弛功率。可直观看出，相较于场景二，场景一考虑电价不确定性后分布式电源集群运行能耗减少3900($)。而相较于场景三，场景一考虑风电、需求响应不确定性后运行能耗增加19890($)，但同时平均松弛功率减少190.70MW。结果表明，相较于场景四的确定性调度模型和场景二、三的仅考虑单一不确定性的调度模型，场景一的调度模型同时考虑了电力市场成交价格、风电出力、需求响应量多重不确定性因素，可以有效提高分布式电源集群运行的灵活性和安全性。
为了说明电价不确定性对模型调度结果的影响，取仅考虑电价不确定性的场景3进行分析，图9和图10为分布式电源集群日前调度在23:00时段提交的电力市场购买电量报价曲线和在14:00时段提交的电力市场售出电量报价曲线。从分布式电源集群报价曲线中可以看出，随着电价预测情景之间卖出价格升高，分布式电源集群运营商会选择售出更多电量；而买进价格越高，分布式电源集群运营商在这一时刻买进的电量会越少。这表明电力市场交易电量与常规机组出力之间存在互相替代的关系。考虑电力市场成交价格不确定性特征下，分布式电源集群运营商会根据实时场景的电力市场成交价格，灵活选择这一时刻买入售出电量，从而最小化分布式电源集群的运行能耗。
图11、图12和图13分别为场景1、3下分布式电源集群风电机组出力曲线图、购电和售电量曲线图、储能状态曲线图。对比调度结果可以得到，考虑风电出力不确定性后，风电机组的出力明显降低来保证调度计划的可行性，进而导致常规机组出力、购电量的增加以及售电量的减少，降低分布式电源集群的运行能耗。而考虑需求响应不确定性会使常规机组增加出力以及增加部分购电量来满足分布式电源集群的正、负旋转备用约束。不确定性的引入降低储能装置在低谷时段储存的能量，使得分布式电源集群运营商在地区负荷高峰期增加常规机组出力或选择从电力市场购入更多电量来满足负荷需求。
为了进一步探究风电出力不确定性和需求响应不确定性对分布式电源集群运行能耗与安全性的影响，本发明针对风电出力不确定性预算集ΨW和需求响应不确定性预算集ΨDR的不同取值，分别计算500个实际场景下分布式电源集群的平均运行能耗和平均松弛功率，运行结果如图13和图14所示。
结合图14和图15可以看出，随着不确定性预算集取值的增加，随着不确定性预算集取值的减小，分布式电源集群运行能耗基本呈现出下降的趋势，而平均松弛能耗随之上升，表明模型通过不确定性预算集的合理取值，可以实现系统运行灵活性与安全性的协调统一。相较于需求响应不确定性预算集，分布式电源集群运行能耗随风电出力不确定性预算集变化而变化的幅度增加了7.526％，而分布式电源集群平均松弛能耗的变化幅度增加29.66％。
综上所述，本发明所提出的优化调度方法具备有效性及合理性。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种考虑多重不确定性的分布式电源集群日前调度方法，所述分布式电源集群包括常规机组、风电机组、储能装置和柔性负荷，其特征在于，该方法包括以下步骤：
S1.采用随机场景法对电力市场成交价格不确定性进行建模，采用自适应鲁棒优化法分别对风电机组出力不确定性和柔性负荷侧需求响应量不确定性进行建模；
S2.根据电力市场成交价格不确定性模型、风电机组出力不确定性模型和柔性负荷侧需求响应量不确定性模型，建立分布式电源集群自适应鲁棒-随机日前调度模型，其优化目标是在满足分布式电源集群内部的柔性负荷与分布式电源集群安全运行的前提下，实现分布式电源集群运行能耗最小，所述日前调度模型分为三层结构：
最下层：将给定的风电机组可用出力和柔性负荷侧需求响应量的预测值和波动区间分别输入风电机组出力不确定性模型和柔性负荷侧需求响应量不确定性模型，得到风电机组可用出力和柔性负荷侧需求响应量的实际取值集合；在上述实际取值集合的前提下，不确定性源博弈方通过控制每个时段内风电机组出力不确定性和柔性负荷侧需求响应量不确定性的波动，来最大化分布式电源集群的运行能耗，从而确最恶劣场景下风电机组出力实际值和柔性负荷侧实际需求响应量，并将风电机组出力实际值和柔性负荷侧实际需求响应量传递给中间层和最上层；
中间层：在接收到最上层给定的常规机组启停计划、最下层给定的风电机组出力实际值和柔性负荷侧实际需求响应量的前提下，将电力市场成交价格不确定性模型生成的每个可能的电力市场成交价格作为一个场景，分布式电源集群运营商以每个电力市场成交价格场景下常规机组的出力值、风电机组的出力值、运营商与电力市场之间的交易电量、储能装置的储能状态和充放电功率以及柔性负荷侧实际需求响应量为决策量，利用多场景分析法针对特定价格制定特定调度方案，从而确保系统安全运行以及最小化运行能耗，将每个电力市场成交价格场景对应的调度方案作为日前调度第二阶段结果；
最上层：在接收到最下层给定的可用风电机组出力实际值和柔性负荷侧实际需求响应量的前提下，将电力市场成交价格不确定性模型生成的每个可能的电力市场成交价格作为一个场景，分布式电源集群运营商综合考虑每个场景下的利润以及场景发生的概率，通过安排常规机组的启停计划，使得分布式电源集群的运行能耗最小化，将常规机组启停计划作为日前调度第一阶段结果发送给中间层；
S3.将给定的风电机组可用出力和柔性负荷侧需求响应量的预测值和波动区间输入至所述日前调度模型，并采用带罚函数约束的粒子群算法求解日前调度模型的均衡解，所述粒子群算法的粒子位置表示风电机组实际出力量和柔性负荷侧实际需求响应量，粒子的适应度表示分布式电源集群的运行能耗，所述均衡解包含粒子最优位置和对应日前调度第一阶段结果和第二阶段结果；
S4.将均衡解作为分布式电源集群的日前调度结果，根据日前调度结果对分布式电源集群进行调度。
2.如权利要求1所述的方法，其特征在于，采用自适应鲁棒优化法对柔性负荷侧需求响应量不确定性进行建模，输入参数是需求响应量的预测值和波动区间，输出参数是需求响应量的实际值，柔性负荷侧需求响应量不确定性模型如下：
其中，表示t时段柔性负荷侧需求响应实际值，/>表示t时段柔性负荷侧需求响应预测值，/>表示t时段需求响应最大误差水平，/>分别表示t时段柔性负荷向下波动和向上波动的指示变量，ΨDR表示需求响应不确定性预算集取值。
3.如权利要求1或2所述的方法，其特征在于，所述日前调度模型的目标函数表示如下：
其中，ΨU，ΨM，ΨL分别表示上中下三层决策变量，C1表示日前调度第一阶段常规机组启停能耗，C2表示日前调度第二阶段常规机组运行能耗以及电量交易能耗之和，NG表示常规机组总台数，T表示调度周期，表示第i台常规机组运行固定能耗；/>表示第i台常规机组t时段运行状态，/>表示第i台常规机组的t时段启/停动作变量，/>表示第i台常规机组对应启/停能耗，Ω表示所生成的电价场景集合，下标ω表示特定电价场景下分布式电源集群的决策变量，πω表示场景ω发生的概率，/>分别表示场景ω下t时段内售出、买入电量，/>分别表示对应的售出、买入价格，/>表示第i台常规机组t时段运行可变能耗，/>表示场景ω下t时段内第i台常规机组的输出功率。
4.如权利要求3所述的方法，其特征在于，所述日前调度模型的约束条件包括功率平衡约束，所述功率平衡约束表示如下：
其中，和/>分别表示场景ω下t时段内储能装置的充/放电功率，/>分别表示场景ω下t时段内购电/售电功率，Pl，t表示柔性负荷t时段供电需求，/>表示场景ω下t时段内需求响应负荷量，/>表示常规机组t时段出力功率，Nd表示储能装置的放电效率，表示风电机组t时段内出力功率。
5.如权利要求3所述的方法，其特征在于，所述日前调度模型的约束条件包括电力市场交易约束，所述电力市场交易约束表示如下：
其中，分别表示场景ω下t时段内购电/售电功率，/>分别表示场景ω下t时段内分布式电源集群处于卖出/买进电量状态；/>分别表示分布式电源集群在t时段内最大可售出/可买进的电力量。
6.如权利要求3所述的方法，其特征在于，所述日前调度模型的约束条件包括价格型需求响应约束，所述价格型需求响应约束表示如下：
在分时电价场景下，采用自弹性系数表征电价变化率对负荷变化率的影响，自弹性系数定义如下：
λΔq，t＝εttλΔC，t
其中，λΔq，t表示t时段的负荷响应率，λΔC，t表示t时段的电价变化率，εtt表示t时段的自弹性系数；
电价变化率上下限约束和电量平衡约束：
λΔC，min≤λΔC，t≤λΔC，max
其中，λΔC，max表示电价变化率大于0时的上限，λΔC，min表示电价变化率小于0时的下限，表示t时段负荷响应量，Δt表示单位调度时长。
7.如权利要求6所述的方法，其特征在于，t时段需求响应最大误差水平计算公式如下：
其中，表示负荷响应量占主导作用与电价因素占主导作用的拐点电价变化率，其绝对值与电价激励引导程度成负相关，k1，k2分别表示拐点前后需求响应预测误差与负荷响应量的比例系数，λΔC，max为电价变化率大于0时的上限，λΔC，min代表电价变化率小于0时的下限。
8.如权利要求3所述的方法，其特征在于，所述日前调度模型的约束条件包括分布式电源集群正负旋转备用约束，所述分布式电源集群正负旋转备用约束表示如下：
其中，α，β分别表示系统正负旋转备用安全裕度系数，NGi表示常规机组台数，和分别表示常规机组最大最小出力值，/>表示常规机组场景ω下t时段出力值，分别表示常规机组爬坡速率，/>分别表示储能装置最大放电/充电功率，Nd表示放电功率，Pl，t表示t时段负荷值，/>表示场景ω下t时段需求响应负荷值，Γt表示t时段波动指示变量，z2，tω，p2，tω表示场景ω下t时段对偶约束变量。
9.如权利要求1至8任一项所述的方法，其特征在于，所述采用带罚函数约束的粒子群算法求解日前调度模型的均衡解过程如下：
(1)初始化常规机组特性参数；初始化综合储能装置参数；初始化需求侧响应参数；初始化系统预测负荷大小、可再生能源出力大小和波动；初始化收敛阈值以及最大循环次数；
(2)随机初始化粒子位置，每个粒子的位置表示不确定性源博弈方对不确定性预算集在每个时段内的分配值；
(3)根据每个生成粒子的位置，分布式电源集群运营商协调控制常规机组的启停出力、储能装置的出力、负荷的需求响应量以及与电力市场的交易电量从而最小化分布式电源集群的期望运行能耗；
(4)进行粒子的速度和位置更新，同时更新个体最优值以及全局最优值；
(5)进行速度和位置更新；
(6)重复步骤(3)～(5)直到满足收敛条件，收敛条件为前后两次的全局最优值之差小于给定的阈值或者循环次数达到最大循环次数；
(7)输出结果为二者零和博弈的纳什均衡解，分布式电源集群运营商在不确定性源的策略下最小化分布式电源集群的运行能耗，不确定性源在运营商的策略下最大化分布式电源集群的运行能耗，所得到的结果即为考虑不确定性最恶劣场景下分布式电源集群调度策略的鲁棒最优解。
10.一种考虑多重不确定性的分布式电源集群日前调度系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至9任一项所述的考虑多重不确定性的分布式电源集群日前调度方法。
CN202011328013.3A 2020-11-24 2020-11-24 考虑多重不确定性的分布式电源集群日前调度方法和系统 Active CN112529256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011328013.3A CN112529256B (zh) 2020-11-24 2020-11-24 考虑多重不确定性的分布式电源集群日前调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011328013.3A CN112529256B (zh) 2020-11-24 2020-11-24 考虑多重不确定性的分布式电源集群日前调度方法和系统

Publications (2)

Publication Number Publication Date
CN112529256A CN112529256A (zh) 2021-03-19
CN112529256B true CN112529256B (zh) 2024-03-22

Family

ID=74992940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011328013.3A Active CN112529256B (zh) 2020-11-24 2020-11-24 考虑多重不确定性的分布式电源集群日前调度方法和系统

Country Status (1)

Country Link
CN (1) CN112529256B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077095B (zh) * 2021-04-13 2023-10-17 国网安徽省电力有限公司 一种基于修正线性申报和双层模型的计划电量确定方法
CN113239574B (zh) * 2021-06-09 2022-06-07 福州大学 考虑源荷双重不确定性的电力系统多阶段鲁棒机组组合决策方法
CN113964852B (zh) * 2021-08-19 2023-11-28 国家电投集团资本控股有限公司 一种面向共享储能的虚拟电厂的发电控制方法及装置
CN114219221A (zh) * 2021-11-19 2022-03-22 贵州电网有限责任公司 一种考虑多重不确定性的综合能源系统日前经济协调与调度方法
CN114722591B (zh) * 2022-03-22 2023-10-31 东南大学 一种净零能耗建筑电热氢多能流供能设备规划方法
CN114744687B (zh) * 2022-06-13 2022-09-23 深圳市科中云技术有限公司 一种虚拟电厂的能源调控方法及系统
CN115222298B (zh) * 2022-09-20 2023-04-18 国网上海能源互联网研究院有限公司 虚拟电厂可调容量构建方法、装置、存储介质及电子设备
CN116979622B (zh) * 2023-09-22 2024-01-02 华夏天信智能物联股份有限公司 用于煤矿能耗优化的变频一体机控制方法及系统
CN117057850B (zh) * 2023-10-12 2024-01-26 国网浙江省电力有限公司 一种考虑碳市场的分布式资源集群调度方法及装置
CN117196256B (zh) * 2023-10-18 2024-06-18 阿里云计算有限公司 电力市场环境下数据中心工作负载的调度方法与设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651473A (zh) * 2017-01-23 2017-05-10 国网福建省电力有限公司 考虑日前小时电价和多种需求响应促进风电接纳水平方法
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
CN111291942A (zh) * 2020-03-05 2020-06-16 燕山大学 一种考虑需求响应的综合能源系统两阶段调度方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651473A (zh) * 2017-01-23 2017-05-10 国网福建省电力有限公司 考虑日前小时电价和多种需求响应促进风电接纳水平方法
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
CN111291942A (zh) * 2020-03-05 2020-06-16 燕山大学 一种考虑需求响应的综合能源系统两阶段调度方法及系统

Also Published As

Publication number Publication date
CN112529256A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN112529256B (zh) 考虑多重不确定性的分布式电源集群日前调度方法和系统
Wang et al. Demand response comprehensive incentive mechanism-based multi-time scale optimization scheduling for park integrated energy system
Gazijahani et al. Game theory based profit maximization model for microgrid aggregators with presence of EDRP using information gap decision theory
CN108875992B (zh) 一种考虑需求响应的虚拟电厂日前优化调度方法
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
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
CN110516843A (zh) 一种虚拟电厂容量优化方法、设备以及系统
CN114648165B (zh) 一种基于多智能体博弈的多热源供热系统优化调度方法
CN111682526A (zh) 一种基于合作博弈的虚拟电厂能量管理方法
CN111682536A (zh) 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN111311012A (zh) 基于多智能体的微电网电力市场双层竞价优化方法
Mohammadi et al. A multi-objective fuzzy optimization model for electricity generation and consumption management in a micro smart grid
CN116108360A (zh) 一种区域综合能源系统优化运行控制方法及装置
CN115879983A (zh) 虚拟电厂调度方法及其系统
CN115207977A (zh) 一种有源配电网深度强化学习实时调度方法及系统
CN115795992A (zh) 一种基于运行态势虚拟推演的园区能源互联网在线调度方法
CN116307029A (zh) 促进多虚拟网格间源储荷协调的双层优化调度方法及系统
Peng et al. Review on bidding strategies for renewable energy power producers participating in electricity spot markets
CN109976155B (zh) 参与气电市场的虚拟电厂内部随机优化控制方法及系统
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
Alizadeh et al. A cooperative transactive multi-carrier energy control mechanism with P2P energy+ reserve trading using Nash bargaining game theory under renewables uncertainty
CN114239372A (zh) 一种考虑机组组合的多目标机组检修双层优化方法和系统
CN109066769A (zh) 风电全消纳下虚拟电厂内部资源调度控制方法
CN115758763A (zh) 一种计及源荷不确定性的多能流系统优化配置方法及系统
CN113177655A (zh) 基于强化学习的综合能源系统多主体运行优化方法及装置

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
GR01 Patent grant
GR01 Patent grant