CN112861357B - 一种多微能网耦合系统分布式协同调度方法及系统 - Google Patents

Abstract

本发明涉及一种多微能网耦合系统分布式协同调度方法，包括以下步骤：S1、建立多微能网耦合系统优化调度模型，并对其进行线性化处理；S2、将多微能网耦合系统优化调度模型解耦为多个子微能网优化调度问题；S3、采用交替方向乘子法求解多微能网耦合系统分布式优化调度模型；S4、初始化交替方向乘法参数和设置迭代次数；S5、各微能网采用非凸交替方向乘子法求解各自的优化调度问题，并获得决策变量值；计算原始和对偶残差；S6、判断是否满足收敛条件，是则停止迭代，输出优化调度问题结果，即最优调度方案，否则更新对偶变量和迭代次数，返回步骤S5，继续进行迭代。该方法及系统有利于提供满足负荷需求的最优调度方案。

Description

一种多微能网耦合系统分布式协同调度方法及系统

技术领域

本发明属于多微能网调度技术领域，具体涉及一种多微能网耦合系统分布式协同调度方法及系统。

背景技术

发展清洁、可再生能源以促进能源结构的转型，已成为各国解决能源危机和环境污染问题的重要手段。在此背景下，耦合电、气、热、冷多能源网络的微能网越发受到各国的广泛重视。随着微能网的发展，多个地理位置相邻的微能网因互联互供所需形成多微能网耦合系统，然而由于微能网间存在信息隐私和运营管理壁垒，因此亟需一套基于边界共享信息的分布式调度方法实现多个微能网的协同调度。交替方向乘子法(AlternatingDirection Method of Multipliers,ADMM)结合了对偶上升法(Dual Ascent Method)和乘子法(Method of Multipliers)的优点，相较于拉格朗日法和增广拉格朗日松弛法具有更好的收敛性能和求解速度，广泛应用于求解分布式问题。但是，现有的分布式优化调度方法一般采用传统ADMM算法求解，而传统ADMM算的收敛性能在求解非凸问题时难以得到有效保障，也就是当多微能网耦合系统的优化调度模型中含有0-1变量时，如含有储能装置，微能网的调度模型不再是凸优化模型，会导致ADMM算法的收敛性能在求解此问题时难以得到有效的保证。

发明内容

本发明的目的在于提供一种多微能网耦合系统分布式协同调度方法及系统，该方法及系统有利于提供满足负荷需求的最优调度方案。

为实现上述目的，本发明采用的技术方案是：一种多微能网耦合系统分布式协同调度方法，其特征在于，包括以下步骤：

S1、建立多微能网耦合系统优化调度模型，并对其进行线性化处理；

S2、将多微能网耦合系统优化调度模型解耦为多个子微能网优化调度问题；

S3、采用交替方向乘子法求解多微能网耦合系统分布式优化调度模型；

S4、初始化交替方向乘子法参数和设置迭代次数；

S5、各微能网采用非凸交替方向乘子法求解各自的优化调度问题，并获得决策变量值；计算原始和对偶残差；

S6、判断是否满足收敛条件，是则停止迭代，输出优化调度问题结果，即最优调度方案，否则更新对偶变量和迭代次数，返回步骤S5，继续进行迭代。

进一步地，所述多微能网耦合系统为多个包含电、气、热和冷的微能网通过天然气和电力网络耦合在一起的能源系统，所述微能网内部包含风机、储电装置、电制冷装置、电锅炉、吸收式制冷装置、热电联产机组、气锅炉和储热装置，各个微能网通过微能网内的装置转化和转移购买的电能和天然气，最后输出电、气、热和冷四种能源以满足用户的多样化用能需求；所述多微能网耦合系统优化调度模型包括目标函数以及模型的约束条件。

进一步地，所述多微能网耦合系统优化调度模型的目标函数为整个系统的运行成本最低，即最小化购电成本和购气成本，具体为：

式中，第一项为购电成本，第二项为购气成本；T为总的优化调度时段；N为微能网的总数；E_n，t为第n个微能网在t时段购买的电能；

为t时段的电能价格；G_n，t为第n个微能网在t时段购买的天然气；

为t时段的天然气价格。

进一步地，所述多微能网耦合系统优化调度模型的约束条件包括：

1)功率平衡约束：

1.1)电功率平衡：

式中，

为第n个微能网的风机在t时段的出力；

和

分别为第n个微能网的储电装置在t时段的充电和放电功率；

为第n个微能网的热电联产机组在t时段的电输出功率；

和

分别为第n个微能网的电锅炉和电制冷装置在t时段所需的电功率；

为第n个微能网在t时段的电负荷需求；

1.2)天然气平衡：

式中，

为第n个微能网的热电联产机组在t时段的所需的天然气功率；

为第n个微能网的气锅炉在t时段的所需的天然气功率；

为第n个微能网在t时段的天然气负荷需求；

1.3)热功率平衡：

式中，

分别为第n个微能网的热电联产机组、电锅炉、气锅炉在t时段的热输出功率；

为第n个微能网的吸收式制冷装置在t时段所需的热功率；

和

分别为第n个微能网的储热装置在t时段的充热和放热功率；

为第n个微能网在t时段的热负荷需求；

1.4)冷功率平衡：

式中，

和

分别为第n个微能网的电制冷装置和吸收式制冷装置在t时段的冷输出功率；

为第n个微能网在t时段的热负荷需求；

2)多能转换设备约束：

2.1)热电联产机组：

式中，

和

分别为第n个微能网的热电联产机组的制电和制热效率；

为第n个微能网的热电联产机组的最大允许输入功率；

2.2)电锅炉：

式中，

为第n个微能网的电锅炉的制热效率；

为第n个微能网的电锅炉的最大允许输入功率；

2.3)气锅炉：

式中，

为第n个微能网的气锅炉的制热效率；

为第n个微能网的气锅炉的最大允许输入功率；

2.4)电制冷装置：

式中，

为第n个微能网的电制冷装置的制冷效率；

为第n个微能网的电制冷装置的最大允许输入功率；

2.5)吸收式制冷装置：

式中，

为第n个微能网的吸收式制冷装置的制冷效率；

为第n个微能网的吸收式制冷装置的最大允许输入功率；

3)储能装置约束：

3.1)储电装置：

式中，

为第n个微能网的储电装置在t时段的荷电状态；

和

分别为第n个微能网的储电装置的充电和放电效率；

为第n个微能网的储电装置的额定容量；

和

分别为第n个微能网的储电装置的最大允许充电和放电功率；

和

分别为第n个微能网的储电装置在t时段充电和放电状态变量，当

时表示充电，

时表示放电；

3.2)储热装置：

式中，

为第n个微能网的储热装置在t时段的荷电状态；

和

分别为第n个微能网的储热装置的充热和放热效率；

为第n个微能网的储热装置的额定容量；

和

分别为第n个微能网的储热装置的最大允许充热和放热功率；

和

分别为第n个微能网的储热装置在t时段充热和放热状态变量，当

时表示充热，

时表示放热；

4)能源网络约束：

所述能源网络约束是指连接微能网的电力网络和天然气网络需要满足的约束，具体包括：

4.1)电力网络约束：

其中，式(31)、(32)和(33)别节点功率平衡约束、线路传输特性约束和线路容量约束；Pf_mn，t为t时段节点m和n之间输电线路传输的有功功率；Φ_n，e为与节点n相连接的电力线路的集合；Ω_emn为电力线路集合；θ_m，t，θ_n，t为节点m，n的电压相角；x_mn为节点m和n之间输电线路的电抗；

为节点m和n之间输电线路的功率限值；

4.2)天然气网络约束：

所述天然气网络约束进一步包括：

A.管道特性约束：

式中，Ω_gmn为天然气管道的集合；π_m，t，π_n，t为t时段节点m，n的气压的平方值；sign()为符号函数；Gf_mn，t为t时段节点m和n之间输气管道流过的气流；α_mn节点m和n之间管道的特性系数；

由于管道特性约束为非凸约束，需要采用二阶锥松弛技术将式(34)转化为凸约束(35)，同时需要将

加入到目标函数中，以保证松弛的准确性；

x_mn，t∈{0，1} (36)

式中，x_mn，t为0-1变量，用于表示气流的方向，即当Gf_mn，t≥0时，x_mn，t＝1，当Gf_mn，t≤0时，x_mn，t＝0；z_mn，m，t＝x_mn，tπ_m，t，z_mn，n，t＝x_mn，tπ_n，t；

B.节点气流平衡约束：

式中，Φ_n，g为与节点n相连接的天然气管道集合；

C.节点气压上下限约束：

式中，

为节点n气压平方值的上下限；

D.管道气流上下限约束：

式中，

为天然气节点m，n之间的管道气流的上限值。

进一步地，针对目标函数为(1)，约束为(2)-(33)、(35)-(39)的多微能网耦合系统优化调度模型，采用改进ADMM算法，即改进交替方向乘子法进行求解；

首先，将连接在微能网m和微能网n之间的电力线和天然气管道从中间断开，从而实现两个相连微能网解耦，并引入一致性变量

和

保证解耦后输电线路上的耦合功率流和相角分别保持一致，即约束(40)和(41)；同样地，引入一致性变量

和

保证解耦后输气管道上的耦合气流和气压分别保持一致，即约束(42)和(43)；

式中，

分别为t时段电力线mn解耦后，电力线mm_c的电功率流、电力线n_cn的电功率流、电力线mn的一致性电功率流，其中一致性电功率流为前两个功率流的平均值；

分别为t时段电力线mn解耦后，节点m_c的相角、节点n_c的相角、节点m_c和n_c的一致性相角，其中一致性相角为前两个相角的平均值；

分别为t时段天然气管道mn解耦后，天然气管道mm_c的气流、天然气管道n_cn的气流、天然气管道mn的平均气流；

分别为t时段天然气管道mn耦后，节点m_c的平方气压、节点n_c的平方气压、节点m_c和n_c的一致性平方气压，其中一致性平方气压为前两个平方气压的平均值；

为此，多微能网耦合系统优化调度模型转化为含0-1变量的分布式一致性优化调度问题，其中，约束(40)-(43)为一致性约束，变量

和

为耦合变量，变量

和x_mn，t为0-1变量；将多微能网耦合系统的分布式一致性优化调度问题转化为标准化模型，如下所示：

式中，f_n(x_1n，x_2n，x_3n)为第n个微能网的目标函数，即运行成本；x_1n、x_2n、x_3n均为第n个微能网的变量向量，其中x_1n为连续的非耦合变量向量，x_2n为连续的耦合变量向量，x_3n为0-1变量向量；C_1n表示约束(2)-(22)，(24)-(29)，(31)-(33)，(35)，(37)-(39)；C_2n表示约束(40)-(43)；C_3n表示约束(23)，(30)和(36)；

采用ADMM算法将上述耦合问题(44)按微能网解耦为N个子微能网优化调度问题并行求解，其中，子微能网优化调度问题n为：

式中，

分别为电功率流、电压相角、气流、气压平方的对偶变量；ρ_Pf，ρ_θ，ρ_Gf，ρ_π分别为电功率流、电压相角、气流、气压平方的惩罚因子；约束x_2n∈C_2n通过对偶变量和惩罚因子并入目标函数中；

将NC-ADMM算法，即非凸交替方向乘子法嵌入ADMM算法，改进ADMM算法，来求解子微能网优化调度问题；改进ADMM算法按如下步骤求解问题(44)：

步骤1：设置迭代次数k＝1；设置原始和对偶残差的容忍上限

和

初始化x_2n的平均值

对偶变量向量y_n和惩罚参数ρ₁；

步骤2：采用NC-ADMM算法求解子优化问题(45)，获得x_1n，x_2n，x_3n值，即采用NC-ADMM算法并行求解各个微能网的优化调度问题；

步骤3：根据式(49)和(50)计算原始残差和对偶残差，并判断是否满足收敛判据；若式(49)和(50)同时满足，则停止迭代，输出优化问题结果，否则执行步骤4；

步骤4：根据最新的x_2n，如式(51)更新对偶变量向量

设置迭代次数k＝k+1，并跳到步骤2，继续进行迭代。

进一步地，所述步骤2具体包括以下步骤：

步骤2.1：设置迭代次数it＝1；设置NC-ADMM的原始和对偶残差的容忍上限值；将0-1变量向量x_3n松弛为无约束的连续变量；初始化缩放的对偶变量向量u_n和变量向量β_n；

步骤2.2：将u_n，β_n视为常数，求解问题(45)，获得

和

即

步骤2.3：采用欧几里得投影法更新β_n，即

步骤2.4：如果原始残差

和对偶残差

均满足收敛判据，停止NC-ADMM的迭代，令

求解问题(46)，并输出(x_1n，x_2n，x_3n)；若不满足收敛判据，执行步骤2.5；

步骤2.5：根据最新的x_3n和β_n，如式(48)更新u_n；

设置迭代次数it＝it+1，并跳到步骤2.2，继续进行迭代。

本发明还提供了一种多微能网耦合系统分布式协同调度系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现所述的方法步骤。

相较于现有技术，本发明具有以下有益效果：本发明提出了基于改进ADMM算法的多微能网耦合系统分布式协同优化调度方法及系统，该方法及系统能够快速求解含0-1变量的多微能耦合系统优化调度模型，并给出满足负荷需求的最优调度方案，解决了采用传统ADMM算法在解决上述多微能网协同调度问题时存在的不足。同时，本发明采用完全分布式的方式实现多个微能网的协同优化调度，降低调度过程中的计算量，并保证了微能网的信息安全。

附图说明

图1是本发明实施例的方法实现流程图。

图2是本发明实施例中多微能网耦合系统示意图。

图3是本发明实施例中微能网结构示意图。

图4是本发明实施例中多微能网耦合系统解耦示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种多微能网耦合系统分布式协同调度方法，包括以下步骤：

S1、建立多微能网耦合系统优化调度模型，并对其进行线性化处理。

S2、将多微能网耦合系统优化调度模型解耦为多个子微能网优化调度问题。

S3、采用交替方向乘子法求解多微能网耦合系统分布式优化调度模型。

S4、初始化交替方向乘子法参数和设置迭代次数。

S5、各微能网采用非凸交替方向乘子法求解各自的优化调度问题，并获得决策变量值；计算原始和对偶残差。

S6、判断是否满足收敛条件，是则停止迭代，输出优化调度问题结果，即最优调度方案，否则更新对偶变量和迭代次数，返回步骤S5，继续进行迭代。

如图2所示，所述多微能网耦合系统为多个包含电、气、热和冷的微能网通过天然气和电力网络耦合在一起的能源系统。如图3所示，所述微能网内部包含风机、储电装置、电制冷装置、电锅炉、吸收式制冷装置、热电联产机组、气锅炉和储热装置，各个微能网通过微能网内的装置转化和转移购买的电能和天然气，最后输出电、气、热和冷四种能源以满足用户的多样化用能需求；所述多微能网耦合系统优化调度模型包括目标函数以及模型的约束条件。

所述多微能网耦合系统优化调度模型的目标函数为整个系统的运行成本最低，即最小化购电成本和购气成本，具体为：

式中，第一项为购电成本，第二项为购气成本；T为总的优化调度时段，取值24h；N为微能网的总数；E_n，t为第n个微能网在t时段购买的电能；

为t时段的电能价格；G_n，t为第n个微能网在t时段购买的天然气；

为t时段的天然气价格。

所述多微能网耦合系统优化调度模型的约束条件包括：

1)功率平衡约束：

1.1)电功率平衡：

式中，

为第n个微能网的风机在t时段的出力；

和

分别为第n个微能网的储电装置在i时段的充电和放电功率；

为第n个微能网的热电联产机组在t时段的电输出功率；

和

分别为第n个微能网的电锅炉和电制冷装置在t时段所需的电功率；

为第n个微能网在t时段的电负荷需求；

1.2)天然气平衡：

式中，

为第n个微能网的热电联产机组在t时段的所需的天然气功率；

为第n个微能网的气锅炉在t时段的所需的天然气功率；

为第n个微能网在t时段的天然气负荷需求；

1.3)热功率平衡：

式中，

分别为第n个微能网的热电联产机组、电锅炉、气锅炉在t时段的热输出功率；

为第n个微能网的吸收式制冷装置在t时段所需的热功率；

和

分别为第n个微能网的储热装置在t时段的充热和放热功率；

为第n个微能网在t时段的热负荷需求；

1.4)冷功率平衡：

式中，

和

分别为第n个微能网的电制冷装置和吸收式制冷装置在t时段的冷输出功率；

为第n个微能网在t时段的热负荷需求；

2)多能转换设备约束：

2.1)热电联产机组：

式中，

和

分别为第n个微能网的热电联产机组的制电和制热效率；

为第n个微能网的热电联产机组的最大允许输入功率；

2.2)电锅炉：

式中，

为第n个微能网的电锅炉的制热效率；

为第n个微能网的电锅炉的最大允许输入功率；

2.3)气锅炉：

式中，

为第n个微能网的气锅炉的制热效率；

为第n个微能网的气锅炉的最大允许输入功率；

2.4)电制冷装置：

式中，

为第n个微能网的电制冷装置的制冷效率；

为第n个微能网的电制冷装置的最大允许输入功率；

2.5)吸收式制冷装置：

式中，

为第n个微能网的吸收式制冷装置的制冷效率；

为第n个微能网的吸收式制冷装置的最大允许输入功率；

3)储能装置约束：

3.1)储电装置：

式中，

为第n个微能网的储电装置在t时段的荷电状态；

和

分别为第n个微能网的储电装置的充电和放电效率；

为第n个微能网的储电装置的额定容量；

和

分别为第n个微能网的储电装置的最大允许充电和放电功率；

和

分别为第n个微能网的储电装置在t时段充电和放电状态变量，当

时表示充电，

时表示放电；

3.2)储热装置：

式中，

为第n个微能网的储热装置在t时段的荷电状态；

和

分别为第n个微能网的储热装置的充热和放热效率；

为第n个微能网的储热装置的额定容量；

和

分别为第n个微能网的储热装置的最大允许充热和放热功率；

和

分别为第n个微能网的储热装置在t时段充热和放热状态变量，当

时表示充热，

时表示放热；

4)能源网络约束：

所述能源网络约束是指连接微能网的电力网络和天然气网络需要满足的约束，具体包括：

4.1)电力网络约束：

其中，式(31)、(32)和(33)分别节点功率平衡约束、线路传输特性约束和线路容量约束；Pf_mn，t为t时段节点m和n之间输电线路传输的有功功率；Φ_n，e为与节点n相连接的电力线路的集合；Ω_emn为电力线路集合；θ_m，t，θ_n，t为节点m，n的电压相角；x_mn为节点m和n之间输电线路的电抗；

为节点m和n之间输电线路的功率限值；

4.2)天然气网络约束：

所述天然气网络约束进一步包括：

A.管道特性约束：

式中，Ω_gmn为天然气管道的集合；π_m，t，π_n，t为t时段节点m，n的气压的平方值；sign()为符号函数；Gf_mn，t为t时段节点m和n之间输气管道流过的气流；α_mn节点m和n之间管道的特性系数；

由于管道特性约束为非凸约束，需要采用二阶锥松弛技术将式(34)转化为凸约束(35)，同时需要将

加入到目标函数中，以保证松弛的准确性；

x_mn，t∈{0，1} (36)

式中，x_mn，t为0-1变量，用于表示气流的方向，即当Gf_mn，t≥0时，x_mn，t＝1，当Gf_mn，t≤0时，x_mn，t＝0；z_mn，m，t＝x_mn，tπ_m，t，z_mn，n，t＝x_mn，tπ_n，t；

B.节点气流平衡约束：

式中，Φ_n，g为与节点n相连接的天然气管道集合；

C.节点气压上下限约束：

式中，

为节点n气压平方值的上下限；

D.管道气流上下限约束：

式中，

为天然气节点m，n之间的管道气流的上限值。

针对目标函数为(1)，约束为(2)-(33)、(35)-(39)的多微能网耦合系统优化调度模型，采用改进ADMM算法，即改进交替方向乘子法进行求解；

首先，采用图4所示的方法将连接在微能网m和微能网n之间的电力线和天然气管道从中间断开，从而实现两个相连微能网解耦，并引入一致性变量

和

保证解耦后输电线路上的耦合功率流和相角分别保持一致，即约束(40)和(41)；同样地，引入一致性变量

和

保证解耦后输气管道上的耦合气流和气压分别保持一致，即约束(42)和(43)；

式中，

分别为t时段电力线mn解耦后，电力线mm_c的电功率流、电力线n_cn的电功率流、电力线mn的一致性电功率流，其中一致性电功率流为前两个功率流的平均值；

分别为t时段电力线mn解耦后，节点m_c的相角、节点n_c的相角、节点m_c和n_c的一致性相角，其中一致性相角为前两个相角的平均值；

分别为t时段天然气管道mn解耦后，天然气管道mm_c的气流、天然气管道n_cn的气流、天然气管道mn的平均气流；

分别为t时段天然气管道mn耦后，节点m_c的平方气压、节点n_c的平方气压、节点m_c和n_c的一致性平方气压，其中一致性平方气压为前两个平方气压的平均值；

为此，多微能网耦合系统优化调度模型转化为含0-1变量的分布式一致性优化调度问题，其中，约束(40)-(43)为一致性约束，变量

和

为耦合变量，变量

和x_mn，t为0-1变量；将多微能网耦合系统的分布式一致性优化调度问题转化为标准化模型，如下所示：

式中，f_n(x_1n，x_2n，x_3n)为第n个微能网的目标函数，即运行成本；x_1n、x_2n、x_3n均为第n个微能网的变量向量，其中x_1n为连续的非耦合变量向量，x_2n为连续的耦合变量向量，x_3n为0-1变量向量；C_1n表示约束(2)-(22)，(24)-(29)，(31)-(33)，(35)，(37)-(39)；C_2n表示约束(40)-(43)；C_3n表示约束(23)，(30)和(36)；

采用ADMM算法将上述耦合问题(44)按微能网解耦为N个子微能网优化调度问题并行求解，其中，子微能网优化调度问题n为：

式中，

分别为电功率流、电压相角、气流、气压平方的对偶变量；ρ_Pf，ρ_θ，ρ_Gf，ρ_π分别为电功率流、电压相角、气流、气压平方的惩罚因子；约束x_2n∈C_2n通过对偶变量和惩罚因子并入目标函数中；

由于子微能网优化调度问题(45)中的x_3n属于0-1变量向量，ADMM算法在求解此类问题时的收敛性无法得到有效的保证，为此将NC-ADMM算法，即非凸交替方向乘子法嵌入传统ADMM算法，改进传统ADMM算法，来求解子微能网优化调度问题；改进ADMM算法按如下步骤求解问题(44)：

步骤1：设置迭代次数k＝1；设置原始和对偶残差的容忍上限

和

初始化x_2n的平均值

对偶变量向量y_n和惩罚参数ρ₁；

步骤2：采用NC-ADMM算法求解子优化问题(45)，获得x_1n，x_2n，x_3n值，即采用NC-ADMM算法并行求解各个微能网的优化调度问题；其具体包括以下步骤：

步骤2.1：设置迭代次数it＝1；设置NC-ADMM的原始和对偶残差的容忍上限值；将0-1变量向量x_3n松弛为无约束的连续变量；初始化缩放的对偶变量向量u_n和变量向量β_n；

步骤2.2：将u_n，β_n视为常数，求解问题(45)，获得

和

即

步骤2.3：采用欧几里得投影法更新β_n，即

步骤2.4：如果原始残差

和对偶残差

均满足收敛判据，停止NC-ADMM的迭代，令

求解问题(46)，并输出(x_1n，x_2n，x_3n)；若不满足收敛判据，执行步骤2.5；

步骤2.5：根据最新的x_3n和β_n，如式(48)更新u_n；

设置迭代次数it＝it+1，并跳到步骤2.2，继续进行迭代。

步骤3：根据式(49)和(50)计算原始残差和对偶残差，并判断是否满足收敛判据；若式(49)和(50)同时满足，则停止迭代，输出优化问题结果，否则执行步骤4；

步骤4：根据最新的x_2n，如式(51)更新对偶变量向量

设置迭代次数k＝k+1，并跳到步骤2，继续进行迭代。

本实施例还提供了一种多微能网耦合系统分布式协同调度系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (3)

1.一种多微能网耦合系统分布式协同调度方法，其特征在于，包括以下步骤：

S1、建立多微能网耦合系统优化调度模型，并对其进行线性化处理；

S2、将多微能网耦合系统优化调度模型解耦为多个子微能网优化调度问题；

S3、采用交替方向乘子法求解多微能网耦合系统分布式优化调度模型；

S4、初始化交替方向乘子法参数和设置迭代次数；

S5、各微能网采用非凸交替方向乘子法求解各自的优化调度问题，并获得决策变量值；计算原始残差和对偶残差；

S6、判断是否满足收敛条件，是则停止迭代，输出优化调度问题结果，即最优调度方案，否则更新对偶变量和迭代次数，返回步骤S5，继续进行迭代；

所述多微能网耦合系统优化调度模型的目标函数为整个系统的运行成本最低，即最小化购电成本和购气成本，具体为：

式中，第一项为购电成本，第二项为购气成本；T为总的优化调度时段；N为微能网的总数；E_n，t为第n个微能网在t时段购买的电能；

为t时段的电能价格；G_n，t为第n个微能网在t时段购买的天然气；

为t时段的天然气价格；

所述多微能网耦合系统优化调度模型的约束条件包括：

1)功率平衡约束：

1.1)电功率平衡：

式中，

为第n个微能网的风机在t时段的出力；

和

分别为第n个微能网的储电装置在t时段的充电和放电功率；

为第n个微能网的热电联产机组在t时段的电输出功率；

和

分别为第n个微能网的电锅炉和电制冷装置在t时段所需的电功率；

为第n个微能网在t时段的电负荷需求；

1.2)天然气平衡：

式中，

为第n个微能网的热电联产机组在t时段的所需的天然气功率；

为第n个微能网的气锅炉在t时段的所需的天然气功率；

为第n个微能网在t时段的天然气负荷需求；

1.3)热功率平衡：

式中，

分别为第n个微能网的热电联产机组、电锅炉、气锅炉在t时段的热输出功率；

为第n个微能网的吸收式制冷装置在t时段所需的热功率；

和

分别为第n个微能网的储热装置在t时段的充热和放热功率；

为第n个微能网在t时段的热负荷需求；

1.4)冷功率平衡：

式中，

和

分别为第n个微能网的电制冷装置和吸收式制冷装置在t时段的冷输出功率；

为第n个微能网在t时段的冷负荷需求；

2)多能转换设备约束：

2.1)热电联产机组：

式中，

和

分别为第n个微能网的热电联产机组的制电和制热效率；

为第n个微能网的热电联产机组的最大允许输入功率；

2.2)电锅炉：

式中，

为第n个微能网的电锅炉的制热效率；

为第n个微能网的电锅炉的最大允许输入功率；

2.3)气锅炉：

式中，

为第n个微能网的气锅炉的制热效率；

为第n个微能网的气锅炉的最大允许输入功率；

2.4)电制冷装置：

式中，

为第n个微能网的电制冷装置的制冷效率；

为第n个微能网的电制冷装置的最大允许输入功率；

2.5)吸收式制冷装置：

式中，

为第n个微能网的吸收式制冷装置的制冷效率；

为第n个微能网的吸收式制冷装置的最大允许输入功率；

3)储能装置约束：

3.1)储电装置：

式中，

为第n个微能网的储电装置在t时段的荷电状态；

和

分别为第n个微能网的储电装置的充电和放电效率；

为第n个微能网的储电装置的额定容量；

和

分别为第n个微能网的储电装置的最大允许充电和放电功率；

和

分别为第n个微能网的储电装置在t时段充电和放电状态变量，当

时表示充电，

时表示放电；

3.2)储热装置：

式中，

为第n个微能网的储热装置在t时段的荷电状态；

和

分别为第n个微能网的储热装置的充热和放热效率；

为第n个微能网的储热装置的额定容量；

和

分别为第n个微能网的储热装置的最大允许充热和放热功率；

和

分别为第n个微能网的储热装置在t时段充热和放热状态变量，当

时表示充热，

时表示放热；

4)能源网络约束：

所述能源网络约束是指连接微能网的电力网络和天然气网络需要满足的约束，具体包括：

4.1)电力网络约束：

其中，式(31)、(32)和(33)分别为节点功率平衡约束、线路传输特性约束和线路容量约束；Pf_mn，t为t时段节点m和n之间输电线路传输的有功功率；Φ_n，e为与节点n相连接的电力线路的集合；Ω_emn为电力线路集合；θ_m，t，θ_n，t为节点m，n的电压相角；x_mn为节点m和n之间输电线路的电抗；

为节点m和n之间输电线路的功率限值；

4.2)天然气网络约束：

所述天然气网络约束进一步包括：

A.管道特性约束：

式中，Ω_gmn为天然气管道的集合；π_m，t，π_n，t为t时段节点m，n的气压的平方值；sign()为符号函数；Gf_mn，t为t时段节点m和n之间输气管道流过的气流；α_mn节点m和n之间管道的特性系数；

由于管道特性约束为非凸约束，采用二阶锥松弛技术将式(34)转化为凸约束(35)；

x_mn，t∈{0，1} (36)

式中，x_mn，t为0-1变量，用于表示气流的方向，即当Gf_mn，t≥0时，x_mn，t＝1，当Gf_mn，t≤0时，x_mn，t＝0；z_mn，m，t＝x_mn，tπ_m，t，z_mn，n，t＝x_mn，tπ_n，t；

B.节点气流平衡约束：

式中，Φ_n，g为与节点n相连接的天然气管道集合；

C.节点气压上下限约束：

式中，

为节点n气压平方值的上下限；

D.管道气流上下限约束：

式中，

为天然气节点m，n之间的管道气流的上限值；

针对目标函数为(1)，约束为(2)-(33)、(35)-(39)的多微能网耦合系统优化调度模型，采用改进ADMM算法，即改进交替方向乘子法进行求解；

首先，将连接在第m个微能网和第n个微能网之间的电力线和天然气管道从中间断开，从而实现两个相连微能网解耦，并引入一致性变量

和

保证解耦后输电线路上的耦合功率流和相角分别保持一致，即约束(40)和(41)；同样地，引入一致性变量

和

保证解耦后输气管道上的耦合气流和气压分别保持一致，即约束(42)和(43)；

式中，

分别为t时段电力线mn解耦后，电力线mm_c的电功率流、电力线n_cn的电功率流、电力线mn的一致性电功率流，其中一致性电功率流为前两个功率流的平均值；

分别为t时段电力线mn解耦后，节点m_c的相角、节点n_c的相角、节点m_c和n_c的一致性相角，其中一致性相角为前两个相角的平均值；

分别为t时段天然气管道mn解耦后，天然气管道mm_c的气流、天然气管道n_cn的气流、天然气管道mn的平均气流；

分别为t时段天然气管道mn耦后，节点m_c的平方气压、节点n_c的平方气压、节点m_c和n_c的一致性平方气压，其中一致性平方气压为前两个平方气压的平均值；

为此，多微能网耦合系统优化调度模型转化为含0-1变量的分布式一致性优化调度问题，其中，约束(40)-(43)为一致性约束，变量

和

为耦合变量，变量

和x_mn，t为0-1变量；将多微能网耦合系统的分布式一致性优化调度问题转化为标准化模型，如下所示：

式中，f_n(x_1n，x_2n，x_3n)为第n个微能网的目标函数，即运行成本；x_1n、x_2n、x_3n均为第n个微能网的变量向量，其中x_1n为连续的非耦合变量向量，x_2n为连续的耦合变量向量，x_3n为0-1变量向量；C_1n表示约束(2)-(22)，(24)-(29)，(31)-(33)，(35)，(37)-(39)；C_2n表示约束(40)-(43)；C_3n表示约束(23)，(30)和(36)；

采用ADMM算法将如式(44)所示的耦合问题按微能网解耦为N个子微能网优化调度问题并行求解，其中，子微能网优化调度问题为：

式中，

分别为电功率流、电压相角、气流、气压平方的对偶变量；ρ_Pf，ρ_θ，ρ_Gf，ρ_π分别为电功率流、电压相角、气流、气压平方的惩罚因子；约束x_2n∈C_2n通过对偶变量和惩罚因子并入目标函数中；

将NC-ADMM算法，即非凸交替方向乘子法嵌入ADMM算法，改进ADMM算法，来求解子微能网优化调度问题；改进ADMM算法按如下步骤求解问题(44)：

步骤1：设置迭代次数k＝1；设置原始残差和对偶残差的容忍上限

和

初始化x_2n的平均值

对偶变量向量y_n和惩罚参数ρ₁；

步骤2：采用NC-ADMM算法求解子优化问题(45)，获得x_1n，x_2n，x_3n值，即采用NC-ADMM算法并行求解各个微能网的优化调度问题；

步骤3：根据式(49)和(50)计算原始残差和对偶残差，并判断是否满足收敛判据；若式(49)和(50)同时满足，则停止迭代，输出优化问题结果，否则执行步骤4；

步骤4：根据最新的x_2n，如式(51)更新对偶变量向量

设置迭代次数k＝k+1，并跳到步骤2，继续进行迭代；

所述步骤2具体包括以下步骤：

步骤2.1：设置迭代次数it＝1；设置NC-ADMM的原始残差和对偶残差的容忍上限值；将0-1变量向量x_3n松弛为无约束的连续变量；初始化缩放的对偶变量向量u_n和变量向量β_n；

步骤2.2：将u_n，β_n视为常数，求解问题(45)，获得

和

即

步骤2.3：采用欧几里得投影法更新β_n，即

步骤2.4：如果原始残差

和对偶残差

均满足收敛判据，停止NC-ADMM的迭代，令

求解问题(46)，并输出(x_1n，x_2n，x_3n)；若不满足收敛判据，执行步骤2.5；

步骤2.5：根据最新的x_3n和β_n，如式(48)更新u_n；

设置迭代次数it＝it+1，并跳到步骤2.2，继续进行迭代。

2.根据权利要求1所述的一种多微能网耦合系统分布式协同调度方法，其特征在于，所述多微能网耦合系统为多个包含电、气、热和冷的微能网通过天然气和电力网络耦合在一起的能源系统，所述微能网内部包含风机、储电装置、电制冷装置、电锅炉、吸收式制冷装置、热电联产机组、气锅炉和储热装置，各个微能网通过微能网内的装置转化和转移购买的电能和天然气，最后输出电、气、热和冷四种能源以满足用户的多样化用能需求；所述多微能网耦合系统优化调度模型包括目标函数以及模型的约束条件。

3.一种多微能网耦合系统分布式协同调度系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1或2所述的方法步骤。

Images