CN113343167A - 一种多场景置信间隙决策风光储联合规划方法 - Google Patents

一种多场景置信间隙决策风光储联合规划方法 Download PDF

Info

Publication number
CN113343167A
CN113343167A CN202110878560.7A CN202110878560A CN113343167A CN 113343167 A CN113343167 A CN 113343167A CN 202110878560 A CN202110878560 A CN 202110878560A CN 113343167 A CN113343167 A CN 113343167A
Authority
CN
China
Prior art keywords
wind
confidence
formula
planning
interval
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.)
Granted
Application number
CN202110878560.7A
Other languages
English (en)
Other versions
CN113343167B (zh
Inventor
曾伟
彭春华
熊俊杰
赵伟哲
李佳
何伟
何昊
熊志盛
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
East China Jiaotong University
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
East China Jiaotong University
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, East China Jiaotong University filed Critical State Grid Corp of China SGCC
Priority to CN202110878560.7A priority Critical patent/CN113343167B/zh
Publication of CN113343167A publication Critical patent/CN113343167A/zh
Application granted granted Critical
Publication of CN113343167B publication Critical patent/CN113343167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q30/0283—Price estimation or determination
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明涉及技术风光储能源规划领域，具体涉及到一种多场景置信间隙决策风光储联合规划方法，包括：基于信息间隙决策理论建立置信间隙决策理论模型，得到多场景置信间隙决策理论模型；确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间；构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型；设计交叉熵‑雷达扫描微分进化算法对风光储联合鲁棒规划模型进行求解。本发明在决策结果所承担的决策风险概率尽可能小的前提下，最大化规避不确定性的负面影响，以置信不确定区间描述不确定变量的随机性与多态性，并取消鲁棒系数主观设定，实现更为准确而合理的系统电压偏差改善率与总投资成本协同优化的风光储联合鲁棒规划。

Description

一种多场景置信间隙决策风光储联合规划方法
技术领域
本发明涉及技术风光储能源规划领域，具体涉及到一种多场景置信间隙决策风光储联合规划方法。
背景技术
在当前节能减排和能源可持续发展的时代背景下，以风电和光伏为代表的大量分布式可再生能源(distributed renewable energy, DRE)接入电网得到了迅速发展。然而，可再生能源出力易受自然环境影响而具有明显的波动性和不确定性，会给电网的电能质量及安全可靠性带来较大的负面影响。通过风光储联合规划有利于实现风光储多能互补，对于提高电网电压稳定性和系统综合效益等具有重要价值。
目前，针对风光储联合规划已有不少研究，如从典型日角度出发，提出了典型日选取方法综合指标评估体系，建立了微电网风光储双层规划模型；从经济性角度出发，构建了风光储经济性规划模型，分析了规划中需要重点考虑的若干因素；采用时间序列模拟(timesequence simulation, TSS)技术和分层优化算法，优化获取可再生能源和储能系统的最优容量配置；将碳交易考虑进风光储规划中，以确定区域电网中风光储容量的最优配比；提出了一种新的自治微电网优化模型，以确定微电网中最具成本效益的可再生能源和储能系统规模。
然而，鉴于风电、光伏出力具有间歇性、波动性和随机性，风光储联合规划属典型的不确定性规划问题。针对此类不确定性规划的处理方法主要包括鲁棒优化(robustoptimization, RO)和随机规划(stochastic programming, SP)：鲁棒优化一般是将不确定变量表征为含边界的不确定集嵌入确定性规划模型中，基于极限场景分析和数学对等变换将其转化为易于求解的鲁棒规划模型；随机规划则是基于历史数据拟合不确定量的概率分布函数，再利用场景生成及缩减方法将不确定性优化问题转化为一定数量场景下的确定性优化问题。近年来，世界各国学者在电能规划时为有效应对可再生能源出力的不确定性，对上述不确定性规划方法做了诸多改进，然而，现有鲁棒优化和随机规划方法均仍有所不足：鲁棒优化研究中鲁棒性的设定往往偏于保守，而且通常采用对称均匀分布或正态分布刻画不确定性集合，因而难以体现各类随机因素实际具有的多态性（如风光出力的随机分布特征具有季节差异性和不对称性），导致鲁棒性评价过于粗略而难以反映真实的鲁棒程度；而随机规划则是通过场景缩减将以区间域表示的不确定性集合简化为若干典型场景进行多场景确定性优化，易丧失区间遍历性而难以保证规划的鲁棒性。
近年来，一些学者引入信息间隙决策理论(information gap decision theory,信息间隙决策理论)处理含可再生能源的电力系统规划和优化调度等问题。信息间隙决策理论作为一种非概率、非模糊的不确定性风险管理方法，其基本思想是在优化结果满足预设目标值的前提下，最大化系统可容忍的不确定变量波动区间以最大化规避不确定性的负面影响。然而，信息间隙决策理论模型在描述关键性的不确定性集合方面同样存在表达过于粗糙的弊端：采用基于不确定变量的均值及上下限的对称盒式集合描述其最大波动区间，难以体现超长时空尺度下各类随机因素实际具有的多态性、以及鲁棒性与不确定区间上下限可能存在的非线性关系。
综上所述，鉴于现有鲁棒优化、随机规划和信息间隙决策理论等不确定性规划方法存在诸多不足，有必要提出一种新的多场景置信间隙决策理论。
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，提供一种多场景置信间隙决策风光储联合规划方法。
为实现上述目的，本发明采用的技术方案如下：一种多场景置信间隙决策风光储联合规划方法，包括以下步骤：
步骤1，基于信息间隙决策理论建立置信间隙决策理论模型，将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到多场景置信间隙决策理论模型；
步骤2，确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间；
步骤3，基于多场景置信间隙决策理论模型和分类置信不确定区间，结合风光储联合鲁棒规划的优化目标，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型；
步骤4，设计交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解。
进一步的，在步骤1中，基于信息间隙决策理论建立置信间隙决策理论模型，具体包括：
含不确定变量优化问题的数学模型描述为：
Figure 248182DEST_PATH_IMAGE001
(1)
式中：
Figure 187319DEST_PATH_IMAGE002
为目标函数；
Figure 857991DEST_PATH_IMAGE003
为决策变量矩阵；
Figure 995711DEST_PATH_IMAGE004
为不确定变量矩阵；
Figure 723496DEST_PATH_IMAGE005
和
Figure 681087DEST_PATH_IMAGE006
分别为等式和不等式约束。
基于风险规避策略的信息间隙决策理论思想，即在优化结果满足预设目标值的前提下，最大化系统可容忍的不确定变量波动区间，将上述数学模型可转化为如下信息间隙决策理论模型：
Figure 152520DEST_PATH_IMAGE007
(2)
式中：
Figure 144747DEST_PATH_IMAGE008
为确定性优化模型下求得的最优解，即
Figure 777853DEST_PATH_IMAGE009
等于
Figure 488320DEST_PATH_IMAGE010
时；
Figure 497865DEST_PATH_IMAGE011
为引入不确定变量后预设的系统所能容忍的最差目标值；
Figure 344598DEST_PATH_IMAGE012
为鲁棒系数；
Figure 617447DEST_PATH_IMAGE013
为不确定变量的波动区间，其中
Figure 549631DEST_PATH_IMAGE014
和
Figure 362867DEST_PATH_IMAGE015
分别为不确定变量的预测值和波动系数，
Figure 329686DEST_PATH_IMAGE016
；
通过引入机会约束对不确定性集合和目标偏差进行概率评价：取消不确定变量波动系数
Figure 304595DEST_PATH_IMAGE017
，以置信不确定区间代替信息间隙决策理论的对称波动区间；取消主观预设的鲁棒系数
Figure 252304DEST_PATH_IMAGE018
，引入机会约束确保决策结果所承担的决策风险概率尽可能小的条件下，最大化不确定变量的置信不确定区间，从而最大化规避不确定性的影响；由此，提出如下置信间隙决策理论模型：
Figure 603651DEST_PATH_IMAGE019
(3)
式中：
Figure 628238DEST_PATH_IMAGE020
为置信鲁棒度；
Figure 774049DEST_PATH_IMAGE021
为不确定变量的置信水平；Pr表示概率；
Figure 680825DEST_PATH_IMAGE022
为目标显著性水平；
Figure 835863DEST_PATH_IMAGE023
表示置信不确定区间，
Figure 511695DEST_PATH_IMAGE024
和
Figure 93986DEST_PATH_IMAGE025
分别为
Figure 488058DEST_PATH_IMAGE026
上、下界。
进一步的，在步骤1中，将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到多场景置信间隙决策理论模型，具体包括：
为进一步精细化描述超长时空尺度下的海量场景，通过多维场景聚类将海量场景细化分解为复杂度和差异度较低的相近时空场景集；统计分析获取各场景集内风/光/荷分维概率分布以及由置信水平决定的分类置信不确定区间，从而将常规的多场景确定性建模拓展泛化为基于分类场景集的置信不确定区间建模，以精细化构造原不确定性集合；
将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到的多场景置信间隙决策理论模型如下式所示：
Figure 181208DEST_PATH_IMAGE027
（4）
式中：N为场景集总数；s为场景集标号，带下标s的各参数表示场景集s的各对应量，各参数对应的含义同公式（3）。
进一步的，在步骤2中，确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间，具体包括：
首先进行多维场景缩减，将大时空尺度海量场景细化分解成N个簇，再对各场景集内风/光/荷时空相关性及随机特征进行分析，计算出各场景集权重系数w s ：
Figure 977125DEST_PATH_IMAGE028
(5)
式中：k s 为场景集s包含的场景数，k为场景总数；
在给定置信水平
Figure 730318DEST_PATH_IMAGE029
的情况下，可求得的风电出力、光伏出力以及负荷需求的置信区间表达式为：
Figure 346107DEST_PATH_IMAGE030
(6)
Figure 842947DEST_PATH_IMAGE031
(7)
Figure 493371DEST_PATH_IMAGE032
(8)
式中：
Figure 432114DEST_PATH_IMAGE033
和
Figure 800778DEST_PATH_IMAGE034
分别为t时刻风电出力、光伏出力和负荷需求；
Figure 835730DEST_PATH_IMAGE035
和
Figure 340661DEST_PATH_IMAGE036
分别为t时刻风电、光伏出力和负荷需求的预测值；
Figure 435656DEST_PATH_IMAGE037
分别为风电出力置信区间的上、下界；
Figure 26037DEST_PATH_IMAGE038
分别为光伏出力置信区间的上、下界；
Figure 130259DEST_PATH_IMAGE039
分别为负荷需求置信区间的上、下界。
进一步的，在步骤2中，风光储联合鲁棒规划的优化目标包括以全网电压偏差改善率最大化为目标进行优化，如下式所示：
Figure 755276DEST_PATH_IMAGE040
(9)
式中：D U为电压偏差改善率；n为电网节点总数；
Figure 21172DEST_PATH_IMAGE041
和
Figure 98849DEST_PATH_IMAGE042
分别为节点i处电压期望值和最大允许波动值；在每个场景集s中：
Figure 475604DEST_PATH_IMAGE043
和
Figure 955127DEST_PATH_IMAGE044
分别为风光储联合规划前、后节点i处电压实际值；D U越大，说明风光储联合规划改善电压偏差的效果越好。
进一步的，在步骤2中，风光储联合鲁棒规划的优化目标包括以总投资成本最小化为目标进行优化，如下式所示：
Figure 391925DEST_PATH_IMAGE045
(10)
其中：
Figure 956898DEST_PATH_IMAGE046
(11)
式中：
Figure 340606DEST_PATH_IMAGE047
为联合鲁棒规划的总投资成本；
Figure 937285DEST_PATH_IMAGE048
和
Figure 544984DEST_PATH_IMAGE049
分别为分布式可再生能源发电和储能系统的投资成本，其中
Figure 331674DEST_PATH_IMAGE050
和
Figure 315811DEST_PATH_IMAGE051
分别为风电机组和光伏电站的投资成本；r为贴现率；a为经济使用年限；
Figure 769926DEST_PATH_IMAGE052
，
Figure 548526DEST_PATH_IMAGE053
和
Figure 88092DEST_PATH_IMAGE054
分别为风光储单位容量投资成本；
Figure 610340DEST_PATH_IMAGE055
，
Figure 918961DEST_PATH_IMAGE056
和
Figure 868463DEST_PATH_IMAGE057
分别为风光储单位容量维护费用；
Figure 895325DEST_PATH_IMAGE058
为储能系统单位功率成本；在每个场景集s中：
Figure 955685DEST_PATH_IMAGE059
和
Figure 384392DEST_PATH_IMAGE060
分别为风光储的额定容量；
Figure 504795DEST_PATH_IMAGE061
为储能额定功率。
进一步的，在步骤3中，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型，具体包括：
假设在场景集s中求解确定性模型得到的电压偏差改善率和总投资成本的最优解分别为
Figure 753373DEST_PATH_IMAGE062
和
Figure 617424DEST_PATH_IMAGE063
，根据多场景置信间隙决策理论，将前式(4)与优化目标式(9)、式(10)联立可转化为如下多场景置信间隙决策理论规划模型：
Figure 106830DEST_PATH_IMAGE064
(12)
其中：
Figure 398134DEST_PATH_IMAGE065
(13)
对公式(12)进行等价确定性转换，过程如下：
设不确定变量
Figure 134009DEST_PATH_IMAGE066
相互独立，因
Figure 801751DEST_PATH_IMAGE067
为实值可测函数，则
Figure 939471DEST_PATH_IMAGE068
为不确定变量，令
Figure 667256DEST_PATH_IMAGE069
为
Figure 890426DEST_PATH_IMAGE070
的分布函数，已知
Figure 361859DEST_PATH_IMAGE071
，则由分布函数的定义可得：
Figure 354086DEST_PATH_IMAGE072
(14)
又因
Figure 987193DEST_PATH_IMAGE073
分别服从正则不确定分布
Figure 697660DEST_PATH_IMAGE074
，分别为
Figure 707204DEST_PATH_IMAGE075
的累积分布函数，则有：
Figure 553937DEST_PATH_IMAGE076
(15)
根据不确定变量的运算法则：
Figure 826787DEST_PATH_IMAGE077
(16)
式中：
Figure 756041DEST_PATH_IMAGE078
分别为风电、光伏和负荷的逆累积分布函数；
因此可得：
Figure 569276DEST_PATH_IMAGE079
(17)
同理
Figure 270516DEST_PATH_IMAGE080
可转化为：
Figure 511004DEST_PATH_IMAGE081
(18)
综上所述，式(13)的机会约束可转化为：
Figure 196064DEST_PATH_IMAGE082
(19)
式（19）为式(12)的等价确定性约束。
进一步的，在步骤3中，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型，包括构造约束条件，所述约束条件具体包括：
系统潮流约束：
Figure 547410DEST_PATH_IMAGE083
(20)
式中：
Figure 368736DEST_PATH_IMAGE084
分别为t时刻节点
Figure 780126DEST_PATH_IMAGE085
注入的有功、无功功率；
Figure 890164DEST_PATH_IMAGE086
分别为t时刻节点
Figure 45202DEST_PATH_IMAGE087
的电压；
Figure 721034DEST_PATH_IMAGE088
和
Figure 303325DEST_PATH_IMAGE089
为节点
Figure 697397DEST_PATH_IMAGE090
和
Figure 656126DEST_PATH_IMAGE091
之间支路电导和电纳；
Figure 452044DEST_PATH_IMAGE092
为节点电压相角差；n为电网节点总数；
系统安全约束：
Figure 930868DEST_PATH_IMAGE093
(21)
式中：
Figure 812236DEST_PATH_IMAGE094
和
Figure 309077DEST_PATH_IMAGE095
分别为节点i的电压及其上限和下限；
Figure 959501DEST_PATH_IMAGE096
和
Figure 883594DEST_PATH_IMAGE097
分别为支路l的容量及其上限；
Figure 986680DEST_PATH_IMAGE098
和
Figure 21632DEST_PATH_IMAGE099
分别为流过支路l的电流及其上限；
功率平衡约束：
Figure 792142DEST_PATH_IMAGE100
(22)
式中：
Figure 887137DEST_PATH_IMAGE101
为t时刻除风光储以外的其他交互功率，注入系统为正，流出系统为负；
Figure 680780DEST_PATH_IMAGE102
为t时刻储能的充放电功率，其放电为正，充电为负；
Figure 785002DEST_PATH_IMAGE103
和
Figure 613281DEST_PATH_IMAGE104
分别为t时刻风电出力、光伏出力和负荷需求；
风电接入容量约束：
Figure 879177DEST_PATH_IMAGE105
(23)
式中：
Figure 956855DEST_PATH_IMAGE106
为风电接入容量，
Figure 330680DEST_PATH_IMAGE107
为风电允许接入的最大容量；
光伏接入容量约束：
Figure 810203DEST_PATH_IMAGE108
(24)
式中：
Figure 247000DEST_PATH_IMAGE109
为光伏接入容量，
Figure 811974DEST_PATH_IMAGE110
为光伏允许接入的最大容量；
储能额定功率约束：
Figure 992419DEST_PATH_IMAGE111
(25)
式中：
Figure 326449DEST_PATH_IMAGE112
为储能额定功率；
Figure 199727DEST_PATH_IMAGE113
和
Figure 251997DEST_PATH_IMAGE114
分别是储能额定功率的上下限；
储能容量约束：
Figure 236133DEST_PATH_IMAGE115
(26)
式中：
Figure 424669DEST_PATH_IMAGE116
为储能额定容量；
Figure 406531DEST_PATH_IMAGE117
和
Figure 946097DEST_PATH_IMAGE118
分别是储能额定容量的上下限；
储能荷电状态约束：
Figure 468345DEST_PATH_IMAGE119
(27)
式中：
Figure 776967DEST_PATH_IMAGE120
为t时刻储能系统的荷电状态；
Figure 726468DEST_PATH_IMAGE121
和
Figure 756260DEST_PATH_IMAGE122
分别为储能系统荷电状态的上下限；
储能充放电约束：
Figure 816620DEST_PATH_IMAGE123
(28)
式中：
Figure 979748DEST_PATH_IMAGE124
为t+1时刻储能系统的荷电状态，
Figure 631309DEST_PATH_IMAGE125
为t时刻储能的充、放电电量，其值的正负分别代表充电和放电。
进一步的，在步骤4中，设计交叉熵-雷达扫描微分进化算法，包括在多目标分子微分进化算法中引入交叉熵重要采样原理和雷达扫描机制，具体包括：
引入交叉熵重要采样原理：
将最小值优化问题
Figure 879888DEST_PATH_IMAGE126
转化为概率估计问题：
Figure 743939DEST_PATH_IMAGE127
(29)
式中：随机变量x取值于样本空间
Figure 230415DEST_PATH_IMAGE128
；f是定义域为
Figure 521719DEST_PATH_IMAGE128
的目标函数；
Figure 257594DEST_PATH_IMAGE129
为f(x)小于等于实数r的概率；I F为指示函数；Pr表示概率；K为采样次数，
Figure 925335DEST_PATH_IMAGE130
和
Figure 63056DEST_PATH_IMAGE131
分别为样本空间概率密度函数和重要采样密度函数；
为了求解未知的
Figure 525261DEST_PATH_IMAGE132
，定义
Figure 748432DEST_PATH_IMAGE133
与
Figure 954285DEST_PATH_IMAGE134
的最小相对熵：
Figure 946512DEST_PATH_IMAGE135
(30)
求
Figure 842268DEST_PATH_IMAGE136
最小，即求交叉熵
Figure 552735DEST_PATH_IMAGE137
最小；由于
Figure 296700DEST_PATH_IMAGE138
未知，通过从
Figure 409013DEST_PATH_IMAGE139
的分布簇
Figure 213021DEST_PATH_IMAGE140
中选取与
Figure 410784DEST_PATH_IMAGE141
的交叉熵最小的概率密度函数
Figure 224019DEST_PATH_IMAGE142
代替
Figure 925259DEST_PATH_IMAGE143
，即通过分布参数序列构造
Figure 431327DEST_PATH_IMAGE144
……向最佳的概率密度函数
Figure 585228DEST_PATH_IMAGE145
逼近，从而实现式(29)的求解；
将上述可高效处理小概率事件的交叉熵重要采样原理融入到微分进化中：优选个体构造小规模精英种群，提取精英种群的均值
Figure 202154DEST_PATH_IMAGE146
和方差
Figure 23479DEST_PATH_IMAGE147
，基于精英种群的分布特征随机生成大规模新种群；经微分进化和非劣排序后抽取优势个体集更新精英种群，通过不断循环更新即可使得精英种群的随机分布特征向最佳的概率密度函数逼近；
引入雷达扫描机制：
雷达的工作原理为通过发射机天线发射电磁波束对探测目标进行照射并接受其回波，从而提取目标的距离、方位、径向速度等信息；越靠近天线中轴线位置，电磁波辐射场强越大，搜索强度越强，而远离其中轴线的位置，辐射场强呈震荡衰减，对应的函数表达用抽样信号函数，即Sa函数表示：
Figure 434869DEST_PATH_IMAGE148
(31)
式中：E为电磁波辐射场强；
Figure 341645DEST_PATH_IMAGE149
为雷达方位角；q为中间变量；k，L,
Figure 231104DEST_PATH_IMAGE150
为常数；
基于最优个体变异的微分进化策略可表示为：
Figure 172515DEST_PATH_IMAGE151
(32)
式中：
Figure 972717DEST_PATH_IMAGE152
表示第g代第i个个体向量；X b，g 表示当前最优个体向量；r 1 、r 2均为随机数且r 1 ≠r 2 ≠b；Y i，g+1为变异操作产生的中间个体向量；F为变异尺度因子；
在求解高度复杂的多场景置信间隙决策理论规划模型时，随着进化后期个体多样性下降，式(32)中的变异差分项
Figure 366789DEST_PATH_IMAGE153
会过早趋于零而导致变异停滞陷入早熟；通过在变异差分项叠加震荡幅值可随迭代次数自适应增强的Sa函数，构造如式(33)所示的雷达扫描变异机制：
Figure 59938DEST_PATH_IMAGE154
(33)
式中：g为当前迭代次数；g max为最大迭代次数；rand( )为生成随机数的函数。
进一步的，在步骤4中，交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解，其算法步骤如下：
步骤4.1，输入电网参数以及风电、光伏全年历史数据及负荷预测数据；设定种群规模、精英种群比例、最大迭代次数和目标显著性水平等算法参数；初始化种群，随机生成众多规划方案个体；
步骤4.2，对风电、光伏全年历史数据和负荷预测数据进行多维场景聚类，求解每个场景集所占权重ws；
步骤4.3，求解风光储联合鲁棒规划的确定性模型得到电压偏差改善率和总投资成本的最优解
Figure 590277DEST_PATH_IMAGE155
和
Figure 343469DEST_PATH_IMAGE156
；
步骤4.4，在每个场景集中，随机生成不确定变量的置信水平
Figure 490417DEST_PATH_IMAGE157
；优化求解所有个体的目标函数；
步骤4.5，将每个场景集的求解结果按照相应权重加权求和得到置信鲁棒度
Figure 987257DEST_PATH_IMAGE158
，电压偏差改善率DU和总投资成本JC；
步骤4.6，依据
Figure 637681DEST_PATH_IMAGE158
对所有个体排序；判断是否有相同
Figure 296196DEST_PATH_IMAGE158
的个体，若有则进入步骤4.7，无则进入步骤4.8；
步骤4.7，计算具有相同
Figure 868123DEST_PATH_IMAGE158
值个体的等级和拥挤距离后对其进行非劣排序；
步骤4.8，采用交叉熵-雷达扫描微分进化算法通过交叉熵随机优化和微分进化更新种群；重新计算新种群所有个体的目标函数值；
步骤4.9，重复步骤4.6至步骤4.8，不断迭代直至达到最大迭代次数；
步骤4.10，多目标优化决策，基于模糊集理论从一系列帕累托非劣解中选取最佳折中解，从而获得最佳规划方案。
由上述对本发明的描述可知，与现有技术相比，本发明的多场景置信间隙决策风光储联合规划方法至少包含一些有益效果之一：
1、本发明拟将随机规划和鲁棒优化相结合，综合多场景聚类分析和分类概率区间估计以细化构造置信不确定集合，从而将常规的多场景确定性规划泛化为分类场景集置信不确定区间规划；并进一步与信息间隙决策理论的鲁棒思想相融合，提出一种新的多场景置信间隙决策理论；
2、本发明在决策结果所承担的决策风险概率尽可能小的前提下，最大化不确定变量的置信不确定区间以最大化规避不确定性的负面影响；多场景置信间隙决策理论以多维场景聚类细化构造海量不确定性集合，以置信不确定区间描述不确定变量的随机性与多态性，并取消鲁棒系数主观设定，因此可实现更为准确而合理的不确定性规划；
3、本发明为验证多场景置信间隙决策理论的可行性与优越性，并体现风光储联合鲁棒规划在提高电网电压稳定性和系统综合效益方面的有效性，本发明以电压偏差改善率最大和总投资成本最小为优化目标，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型；
4、本发明鉴于该基于多场景置信间隙决策理论的风光储联合鲁棒规划模型包含复杂的不确定性机会约束和具有非凸非线性、高维不连续和多目标耦合等特点，求解难度很大；本发明首先基于不确定性理论将模型中的机会约束进行等效确定性转换，并设计了一种新颖的交叉熵-雷达扫描微分进化算法以实现深度寻优和高效求解模型。
附图说明
图1为本发明优选实施例中一种多场景置信间隙决策风光储联合规划方法的步骤流程图。
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所示，本发明的优选实施例，一种多场景置信间隙决策风光储联合规划方法，包括以下步骤：
步骤1，基于信息间隙决策理论建立置信间隙决策理论模型，将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到多场景置信间隙决策理论模型；
步骤2，确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间；
步骤3，基于多场景置信间隙决策理论模型和分类置信不确定区间，结合风光储联合鲁棒规划的优化目标，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型；
步骤4，设计交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解。
本发明拟将随机规划和鲁棒优化相结合，综合多场景聚类分析和分类概率区间估计以细化构造置信不确定集合，从而将常规的多场景确定性规划泛化为分类场景集置信不确定区间规划；并进一步与信息间隙决策理论的鲁棒思想相融合，提出一种新的多场景置信间隙决策理论；本发明在决策结果所承担的决策风险概率尽可能小的前提下，最大化不确定变量的置信不确定区间以最大化规避不确定性的负面影响；多场景置信间隙决策理论以多维场景聚类细化构造海量不确定性集合，以置信不确定区间描述不确定变量的随机性与多态性，并取消鲁棒系数主观设定，因此可实现更为准确而合理的不确定性规划；本发明为验证多场景置信间隙决策理论的可行性与优越性，并体现风光储联合鲁棒规划在提高电网电压稳定性和系统综合效益方面的有效性，本发明以电压偏差改善率最大和总投资成本最小为优化目标，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型；本发明鉴于该基于多场景置信间隙决策理论的风光储联合鲁棒规划模型包含复杂的不确定性机会约束和具有非凸非线性、高维不连续和多目标耦合等特点，求解难度很大；本发明首先基于不确定性理论将模型中的机会约束进行等效确定性转换，并设计了一种新颖的交叉熵-雷达扫描微分进化算法以实现深度寻优和高效求解模型。
作为本发明的优选实施例，其还可具有以下附加技术特征：
在本实施例中，在步骤1中，基于信息间隙决策理论建立置信间隙决策理论模型，具体包括：
含不确定变量优化问题的数学模型描述为：
Figure 903075DEST_PATH_IMAGE159
(1)
式中：
Figure 673585DEST_PATH_IMAGE160
为目标函数；
Figure 503000DEST_PATH_IMAGE161
为决策变量矩阵；
Figure 358961DEST_PATH_IMAGE162
为不确定变量矩阵；
Figure 460253DEST_PATH_IMAGE163
和
Figure 819691DEST_PATH_IMAGE164
分别为等式和不等式约束；
基于风险规避策略的信息间隙决策理论思想，即在优化结果满足预设目标值的前提下，最大化系统可容忍的不确定变量波动区间，将上述数学模型可转化为如下信息间隙决策理论模型：
Figure 85587DEST_PATH_IMAGE165
(2)
式中：
Figure 163264DEST_PATH_IMAGE166
为确定性优化模型下求得的最优解，即
Figure 8861DEST_PATH_IMAGE167
等于
Figure 488383DEST_PATH_IMAGE168
时；
Figure 925181DEST_PATH_IMAGE169
为引入不确定变量后预设的系统所能容忍的最差目标值；
Figure 490155DEST_PATH_IMAGE170
为鲁棒系数；
Figure 936179DEST_PATH_IMAGE171
为不确定变量的波动区间，其中
Figure 270209DEST_PATH_IMAGE172
和
Figure 877908DEST_PATH_IMAGE173
分别为不确定变量的预测值和波动系数，
Figure 133440DEST_PATH_IMAGE174
；
通过引入机会约束对不确定性集合和目标偏差进行概率评价：取消不确定变量波动系数
Figure 851997DEST_PATH_IMAGE175
，以置信不确定区间代替信息间隙决策理论的对称波动区间；取消主观预设的鲁棒系数
Figure 306112DEST_PATH_IMAGE176
，引入机会约束确保决策结果所承担的决策风险概率尽可能小的条件下，最大化不确定变量的置信不确定区间，从而最大化规避不确定性的影响。由此，提出如下置信间隙决策理论模型：
Figure 87642DEST_PATH_IMAGE177
(3)
式中：
Figure 627208DEST_PATH_IMAGE178
为置信鲁棒度；
Figure 415035DEST_PATH_IMAGE179
为不确定变量的置信水平；Pr表示概率；
Figure 723657DEST_PATH_IMAGE180
为目标显著性水平；
Figure 673158DEST_PATH_IMAGE181
表示置信不确定区间，
Figure 434441DEST_PATH_IMAGE182
和
Figure 963642DEST_PATH_IMAGE183
分别为
Figure 126770DEST_PATH_IMAGE184
上、下界。
在本实施例中，在步骤1中，将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到多场景置信间隙决策理论模型，具体包括：
为进一步精细化描述超长时空尺度下的海量场景，通过多维场景聚类将海量场景细化分解为复杂度和差异度较低的相近时空场景集；统计分析获取各场景集内风/光/荷分维概率分布以及由置信水平决定的分类置信不确定区间，从而将常规的多场景确定性建模拓展泛化为基于分类场景集的置信不确定区间建模，以精细化构造原不确定性集合；
将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到的多场景置信间隙决策理论模型如下式所示：
Figure 247173DEST_PATH_IMAGE185
（4）
式中：N为场景集总数；s为场景集标号，带下标s的各参数表示场景集s的各对应量，各参数对应的含义同公式（3）。
在本实施例中，在步骤2中，确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间，具体包括：
首先进行多维场景缩减，将大时空尺度海量场景细化分解成N个簇，再对各场景集内风/光/荷时空相关性及随机特征进行分析，计算出各场景集权重系数w s ：
Figure 761331DEST_PATH_IMAGE186
(5)
式中：k s 为场景集s包含的场景数，k为场景总数；
在给定置信水平
Figure 890961DEST_PATH_IMAGE187
的情况下，可求得的风电出力、光伏出力以及负荷需求的置信区间表达式为：
Figure 908596DEST_PATH_IMAGE188
(6)
Figure 465479DEST_PATH_IMAGE189
(7)
Figure 404616DEST_PATH_IMAGE190
(8)
式中：
Figure 69428DEST_PATH_IMAGE191
和
Figure 941569DEST_PATH_IMAGE192
分别为t时刻风电出力、光伏出力和负荷需求；
Figure 669354DEST_PATH_IMAGE193
和
Figure 158104DEST_PATH_IMAGE194
分别为t时刻风电、光伏出力和负荷需求的预测值；
Figure 363957DEST_PATH_IMAGE195
分别为风电出力置信区间的上、下界；
Figure 559446DEST_PATH_IMAGE196
分别为光伏出力置信区间的上、下界；
Figure 458132DEST_PATH_IMAGE197
分别为负荷需求置信区间的上、下界。
在本实施例中，在步骤2中，风光储联合鲁棒规划的优化目标包括以全网电压偏差改善率最大化为目标进行优化，如下式所示：
Figure 903020DEST_PATH_IMAGE198
(9)
式中：D U为电压偏差改善率；n为电网节点总数；
Figure 178144DEST_PATH_IMAGE199
和
Figure 290456DEST_PATH_IMAGE200
分别为节点i处电压期望值和最大允许波动值；在每个场景集s中：
Figure 94464DEST_PATH_IMAGE201
和
Figure 495489DEST_PATH_IMAGE202
分别为风光储联合规划前、后节点i处电压实际值；D U越大，说明风光储联合规划改善电压偏差的效果越好。
在本实施例中，在步骤2中，风光储联合鲁棒规划的优化目标包括以总投资成本最小化为目标进行优化，如下式所示：
Figure 43145DEST_PATH_IMAGE203
(10)
其中：
Figure 9964DEST_PATH_IMAGE204
(11)
式中：
Figure 976085DEST_PATH_IMAGE205
为联合鲁棒规划的总投资成本；
Figure 926723DEST_PATH_IMAGE206
和
Figure 278070DEST_PATH_IMAGE207
分别为分布式可再生能源发电和储能系统的投资成本，其中
Figure 99395DEST_PATH_IMAGE208
和
Figure 510785DEST_PATH_IMAGE209
分别为风电机组和光伏电站的投资成本；r为贴现率；a为经济使用年限；
Figure 620824DEST_PATH_IMAGE210
，
Figure 510282DEST_PATH_IMAGE211
和
Figure 717273DEST_PATH_IMAGE212
分别为风光储单位容量投资成本；
Figure 33985DEST_PATH_IMAGE213
和
Figure 428057DEST_PATH_IMAGE214
分别为风光储单位容量维护费用；
Figure 121206DEST_PATH_IMAGE215
为储能系统单位功率成本；在每个场景集s中：
Figure 120386DEST_PATH_IMAGE216
和
Figure 873579DEST_PATH_IMAGE217
分别为风光储的额定容量；
Figure 20526DEST_PATH_IMAGE218
为储能额定功率。
在本实施例中，在步骤3中，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型，具体包括：
假设在场景集s中求解确定性模型得到的电压偏差改善率和总投资成本的最优解分别为
Figure 248858DEST_PATH_IMAGE219
和
Figure 899282DEST_PATH_IMAGE220
，根据多场景置信间隙决策理论，将前式(4)与优化目标式(9)、式(10)联立可转化为如下多场景置信间隙决策理论规划模型：
Figure 26638DEST_PATH_IMAGE221
(12)
其中：
Figure 395302DEST_PATH_IMAGE222
(13)
对公式(12)进行等价确定性转换，过程如下：
设不确定变量
Figure 430254DEST_PATH_IMAGE223
相互独立，因
Figure 200764DEST_PATH_IMAGE224
为实值可测函数，则
Figure 295759DEST_PATH_IMAGE225
为不确定变量，令
Figure 151720DEST_PATH_IMAGE226
为
Figure 724784DEST_PATH_IMAGE227
的分布函数，已知
Figure 553062DEST_PATH_IMAGE228
，则由分布函数的定义可得：
Figure 818959DEST_PATH_IMAGE229
(14)
又因
Figure 896636DEST_PATH_IMAGE230
分别服从正则不确定分布
Figure 538970DEST_PATH_IMAGE231
，分别为
Figure 284072DEST_PATH_IMAGE232
的累积分布函数，则有：
Figure 723799DEST_PATH_IMAGE233
(15)
根据不确定变量的运算法则：
Figure 288773DEST_PATH_IMAGE234
(16)
式中：
Figure 406902DEST_PATH_IMAGE235
分别为风电、光伏和负荷的逆累积分布函数；
因此可得：
Figure 6510DEST_PATH_IMAGE236
(17)
同理
Figure 879788DEST_PATH_IMAGE237
可转化为：
Figure 932058DEST_PATH_IMAGE238
(18)
综上所述，式(13)的机会约束可转化为：
Figure 650615DEST_PATH_IMAGE239
(19)
式（19）为式(12)的等价确定性约束。
在本实施例中，在步骤3中，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型，包括构造约束条件，所述约束条件具体包括：
系统潮流约束：
Figure 104730DEST_PATH_IMAGE240
(20)
式中：
Figure 86593DEST_PATH_IMAGE241
分别为t时刻节点
Figure 626159DEST_PATH_IMAGE242
注入的有功、无功功率；
Figure 148407DEST_PATH_IMAGE243
分别为t时刻节点
Figure 457028DEST_PATH_IMAGE244
的电压；
Figure 672109DEST_PATH_IMAGE245
和
Figure 433392DEST_PATH_IMAGE246
为节点
Figure 959663DEST_PATH_IMAGE247
和
Figure 122791DEST_PATH_IMAGE248
之间支路电导和电纳；
Figure 243194DEST_PATH_IMAGE249
为节点电压相角差；n为电网节点总数；
系统安全约束：
Figure 22931DEST_PATH_IMAGE250
(21)
式中：
Figure 886982DEST_PATH_IMAGE251
和
Figure 904617DEST_PATH_IMAGE252
分别为节点i的电压及其上限和下限；
Figure 461500DEST_PATH_IMAGE253
和
Figure 197375DEST_PATH_IMAGE254
分别为支路l的容量及其上限；
Figure 802800DEST_PATH_IMAGE255
和
Figure 940520DEST_PATH_IMAGE256
分别为流过支路l的电流及其上限；
功率平衡约束：
Figure 668305DEST_PATH_IMAGE257
(22)
式中：
Figure 891475DEST_PATH_IMAGE258
为t时刻除风光储以外的其他交互功率，注入系统为正，流出系统为负；
Figure 362908DEST_PATH_IMAGE259
为t时刻储能的充放电功率，其放电为正，充电为负；
Figure 355135DEST_PATH_IMAGE260
和
Figure 2890DEST_PATH_IMAGE261
分别为t时刻风电出力、光伏出力和负荷需求；
风电接入容量约束：
Figure 713357DEST_PATH_IMAGE262
(23)
式中：
Figure 722901DEST_PATH_IMAGE263
为风电接入容量，
Figure 569635DEST_PATH_IMAGE264
为风电允许接入的最大容量；
光伏接入容量约束：
Figure 639222DEST_PATH_IMAGE265
(24)
式中：
Figure 571406DEST_PATH_IMAGE266
为光伏接入容量，
Figure 384641DEST_PATH_IMAGE267
为光伏允许接入的最大容量；
储能额定功率约束：
Figure 351460DEST_PATH_IMAGE268
(25)
式中：
Figure 529631DEST_PATH_IMAGE269
为储能额定功率；
Figure 214691DEST_PATH_IMAGE270
和
Figure 566038DEST_PATH_IMAGE271
分别是储能额定功率的上下限；
储能容量约束：
Figure 387363DEST_PATH_IMAGE272
(26)
式中：
Figure 533174DEST_PATH_IMAGE273
为储能额定容量；
Figure 439950DEST_PATH_IMAGE274
和
Figure 594988DEST_PATH_IMAGE275
分别是储能额定容量的上下限；
储能荷电状态约束：
Figure 267890DEST_PATH_IMAGE276
(27)
式中：
Figure 850181DEST_PATH_IMAGE277
为t时刻储能系统的荷电状态；
Figure 244253DEST_PATH_IMAGE278
和
Figure 937403DEST_PATH_IMAGE279
分别为储能系统荷电状态的上下限；
储能充放电约束：
Figure 733320DEST_PATH_IMAGE280
(28)
式中：
Figure 486513DEST_PATH_IMAGE281
为t+1时刻储能系统的荷电状态，
Figure 102302DEST_PATH_IMAGE282
为t时刻储能的充、放电电量，其值的正负分别代表充电和放电。
在本实施例中，在步骤4中，设计交叉熵-雷达扫描微分进化算法，包括在多目标分子微分进化算法中引入交叉熵重要采样原理和雷达扫描机制，具体包括：
引入交叉熵重要采样原理：
交叉熵重要采样的基本思想是利用重要采样法结合交叉熵操作，实现在保持原有样本期望值不变的条件下，改变现有样本空间的概率密度函数，使其方差减小，从而加快抽样仿真的收敛速度，而交叉熵减小过程正是实现样本的概率密度函数修正的过程；在保持样本数学期望不变的条件下，通过求解两个函数间的最小相对熵来构造样本原概率密度函数的近似函数；
将最小值优化问题
Figure 599142DEST_PATH_IMAGE283
转化为概率估计问题：
Figure 249566DEST_PATH_IMAGE284
(29)
式中：随机变量x取值于样本空间
Figure 173660DEST_PATH_IMAGE285
；f是定义域为
Figure 542325DEST_PATH_IMAGE285
的目标函数；
Figure 577277DEST_PATH_IMAGE286
为f(x)小于等于实数r的概率；I F为指示函数；Pr表示概率；K为采样次数，
Figure 82207DEST_PATH_IMAGE287
和
Figure 177202DEST_PATH_IMAGE288
分别为样本空间概率密度函数和重要采样密度函数；
为了求解未知的
Figure 767584DEST_PATH_IMAGE289
，定义
Figure 606227DEST_PATH_IMAGE290
与
Figure 499752DEST_PATH_IMAGE291
的最小相对熵：
Figure 765648DEST_PATH_IMAGE292
(30)
求
Figure 843326DEST_PATH_IMAGE293
最小，即求交叉熵
Figure 954501DEST_PATH_IMAGE294
最小；由于
Figure 434024DEST_PATH_IMAGE295
未知，通过从
Figure 136401DEST_PATH_IMAGE296
的分布簇
Figure 701374DEST_PATH_IMAGE297
中选取与
Figure 881820DEST_PATH_IMAGE298
的交叉熵最小的概率密度函数
Figure 481429DEST_PATH_IMAGE299
代替
Figure 89127DEST_PATH_IMAGE300
，即通过分布参数序列构造
Figure 875818DEST_PATH_IMAGE301
……向最佳的概率密度函数
Figure 859954DEST_PATH_IMAGE302
逼近，从而实现式(29)的求解；
将上述可高效处理小概率事件的交叉熵重要采样原理融入到微分进化中：优选个体构造小规模精英种群，提取精英种群的均值
Figure 314069DEST_PATH_IMAGE303
和方差
Figure 92670DEST_PATH_IMAGE304
，基于精英种群的分布特征随机生成大规模新种群；经微分进化和非劣排序后抽取优势个体集更新精英种群，通过不断循环更新即可使得精英种群的随机分布特征向最佳的概率密度函数逼近；
引入雷达扫描机制：
雷达的工作原理为通过发射机天线发射电磁波束对探测目标进行照射并接受其回波，从而提取目标的距离、方位、径向速度等信息；越靠近天线中轴线位置，电磁波辐射场强越大，搜索强度越强，而远离其中轴线的位置，辐射场强呈震荡衰减，对应的函数表达用抽样信号函数，即Sa函数表示：
Figure 366656DEST_PATH_IMAGE305
(31)
式中：E为电磁波辐射场强；
Figure 888904DEST_PATH_IMAGE306
为雷达方位角；q为中间变量；k，L,
Figure 397859DEST_PATH_IMAGE307
为常数；
基于最优个体变异的微分进化策略可表示为：
Figure 144098DEST_PATH_IMAGE308
(32)
式中：
Figure 170960DEST_PATH_IMAGE309
表示第g代第i个个体向量；X b，g 表示当前最优个体向量；r 1 、r 2均为随机数且r 1 ≠r 2 ≠b；Y i，g+1为变异操作产生的中间个体向量；F为变异尺度因子；
在求解高度复杂的多场景置信间隙决策理论规划模型时，随着进化后期个体多样性下降，式(32)中的变异差分项
Figure 231319DEST_PATH_IMAGE310
会过早趋于零而导致变异停滞陷入早熟；通过在变异差分项叠加震荡幅值可随迭代次数自适应增强的Sa函数，构造如式(33)所示的雷达扫描变异机制：
Figure 660027DEST_PATH_IMAGE311
(33)
式中：g为当前迭代次数；g max为最大迭代次数；rand( )为生成随机数的函数。
在本实施例中，在步骤4中，交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解，其算法步骤如下：
步骤4.1，输入电网参数以及风电、光伏全年历史数据及负荷预测数据；设定种群规模、精英种群比例、最大迭代次数和目标显著性水平等算法参数；初始化种群，随机生成众多规划方案个体；
步骤4.2，对风电、光伏全年历史数据和负荷预测数据进行多维场景聚类，求解每个场景集所占权重ws；
步骤4.3，求解风光储联合鲁棒规划的确定性模型得到电压偏差改善率和总投资成本的最优解
Figure 983692DEST_PATH_IMAGE312
和
Figure 232271DEST_PATH_IMAGE313
；
步骤4.4，在每个场景集中，随机生成不确定变量的
Figure 96321DEST_PATH_IMAGE314
；优化求解所有个体的目标函数；
步骤4.5，将每个场景集的求解结果按照相应权重加权求和得到置信鲁棒度
Figure 379535DEST_PATH_IMAGE315
，电压偏差改善率DU和总投资成本JC；
步骤4.6，依据
Figure 670839DEST_PATH_IMAGE315
对所有个体排序；判断是否有相同
Figure 406714DEST_PATH_IMAGE315
的个体，若有则进入步骤4.7，无则进入步骤4.8；
步骤4.7，计算具有相同
Figure 74456DEST_PATH_IMAGE315
值个体的等级和拥挤距离后对其进行非劣排序；
步骤4.8，采用交叉熵-雷达扫描微分进化算法通过交叉熵随机优化和微分进化更新种群；重新计算新种群所有个体的目标函数值；
步骤4.9，重复步骤4.6至步骤4.8，不断迭代直至达到最大迭代次数；
步骤4.10，多目标优化决策，基于模糊集理论从一系列帕累托非劣解中选取最佳折中解，从而获得最佳规划方案。
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 (10)

1.一种多场景置信间隙决策风光储联合规划方法，其特征在于，包括以下步骤：
步骤1，基于信息间隙决策理论建立置信间隙决策理论模型，将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到多场景置信间隙决策理论模型；
步骤2，确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间；
步骤3，基于多场景置信间隙决策理论模型和分类置信不确定区间，结合风光储联合鲁棒规划的优化目标，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型；
步骤4，设计交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解。
2.根据权利要求1所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤1中，基于信息间隙决策理论建立置信间隙决策理论模型，具体包括：
含不确定变量优化问题的数学模型描述为：
Figure 698286DEST_PATH_IMAGE001
(1)
式中：
Figure 622379DEST_PATH_IMAGE002
为目标函数；
Figure 725464DEST_PATH_IMAGE003
为决策变量矩阵；
Figure 25996DEST_PATH_IMAGE004
为不确定变量矩阵；
Figure 796506DEST_PATH_IMAGE005
和
Figure 891501DEST_PATH_IMAGE006
分别为等式和不等式约束；
基于风险规避策略的信息间隙决策理论思想，即在优化结果满足预设目标值的前提下，最大化系统可容忍的不确定变量波动区间，将上述数学模型可转化为如下信息间隙决策理论模型：
Figure 481882DEST_PATH_IMAGE007
(2)
式中：
Figure 320525DEST_PATH_IMAGE008
为确定性优化模型下求得的最优解，即
Figure 942612DEST_PATH_IMAGE009
等于
Figure 208508DEST_PATH_IMAGE010
时；
Figure 286185DEST_PATH_IMAGE011
为引入不确定变量后预设的系统所能容忍的最差目标值；
Figure 662940DEST_PATH_IMAGE012
为鲁棒系数；
Figure 142463DEST_PATH_IMAGE013
为不确定变量的波动区间，其中
Figure 579260DEST_PATH_IMAGE014
和
Figure 347496DEST_PATH_IMAGE015
分别为不确定变量的预测值和波动系数，
Figure 527942DEST_PATH_IMAGE016
；
通过引入机会约束对不确定性集合和目标偏差进行概率评价：取消不确定变量波动系数
Figure 658709DEST_PATH_IMAGE017
，以置信不确定区间代替信息间隙决策理论的对称波动区间；取消主观预设的鲁棒系数
Figure 266408DEST_PATH_IMAGE018
，引入机会约束确保决策结果所承担的决策风险概率尽可能小的条件下，最大化不确定变量的置信不确定区间，从而最大化规避不确定性的影响；由此，提出如下置信间隙决策理论模型：
Figure 521940DEST_PATH_IMAGE019
(3)
式中：
Figure 506076DEST_PATH_IMAGE020
为置信鲁棒度；
Figure 694612DEST_PATH_IMAGE021
为不确定变量的置信水平；Pr表示概率；
Figure 473212DEST_PATH_IMAGE022
为目标显著性水平；
Figure 12778DEST_PATH_IMAGE023
表示置信不确定区间，
Figure 537956DEST_PATH_IMAGE024
和
Figure 846578DEST_PATH_IMAGE025
分别为
Figure 796079DEST_PATH_IMAGE026
上、下界。
3.根据权利要求2所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于：在步骤1中，将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到多场景置信间隙决策理论模型，具体包括：
为进一步精细化描述超长时空尺度下的海量场景，通过多维场景聚类将海量场景细化分解为复杂度和差异度较低的相近时空场景集；统计分析获取各场景集内风/光/荷分维概率分布以及由置信水平决定的分类置信不确定区间，从而将常规的多场景确定性建模拓展泛化为基于分类场景集的置信不确定区间建模，以精细化构造原不确定性集合；
将分类多场景集置信不确定区间嵌入置信间隙决策理论模型，得到的多场景置信间隙决策理论模型如下式所示：
Figure 822941DEST_PATH_IMAGE027
（4）
式中：N为场景集总数；s为场景集标号，带下标s的各参数表示场景集s的各对应量，各参数对应的含义同公式（3）。
4.根据权利要求3所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤2中，确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间，具体包括：
首先进行多维场景缩减，将大时空尺度海量场景细化分解成N个簇，再对各场景集内风/光/荷时空相关性及随机特征进行分析，计算出各场景集权重系数w s ：
Figure 883301DEST_PATH_IMAGE028
(5)
式中：k s 为场景集s包含的场景数，k为场景总数；
在给定置信水平
Figure 46429DEST_PATH_IMAGE029
的情况下，可求得的风电出力、光伏出力以及负荷需求的置信区间表达式为：
Figure 432411DEST_PATH_IMAGE030
(6)
Figure 680990DEST_PATH_IMAGE031
(7)
Figure 545040DEST_PATH_IMAGE032
(8)
式中：
Figure 828254DEST_PATH_IMAGE033
和
Figure 119558DEST_PATH_IMAGE034
分别为t时刻风电出力、光伏出力和负荷需求；
Figure 855433DEST_PATH_IMAGE035
和
Figure 523175DEST_PATH_IMAGE036
分别为t时刻风电、光伏出力和负荷需求的预测值；
Figure 660895DEST_PATH_IMAGE037
分别为风电出力置信区间的上、下界；
Figure 123100DEST_PATH_IMAGE038
分别为光伏出力置信区间的上、下界；
Figure 346271DEST_PATH_IMAGE039
分别为负荷需求置信区间的上、下界。
5.根据权利要求4所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤2中，风光储联合鲁棒规划的优化目标包括以全网电压偏差改善率最大化为目标进行优化，如下式所示：
Figure 814774DEST_PATH_IMAGE040
(9)
式中：D U为电压偏差改善率；n为电网节点总数；
Figure 807001DEST_PATH_IMAGE041
和
Figure 705687DEST_PATH_IMAGE042
分别为节点i处电压期望值和最大允许波动值；在每个场景集s中：
Figure 150575DEST_PATH_IMAGE043
和
Figure 894540DEST_PATH_IMAGE044
分别为风光储联合规划前、后节点i处电压实际值；D U越大，说明风光储联合规划改善电压偏差的效果越好。
6.根据权利要求5所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤2中，风光储联合鲁棒规划的优化目标包括以总投资成本最小化为目标进行优化，如下式所示：
Figure 6852DEST_PATH_IMAGE045
(10)
其中：
Figure 76439DEST_PATH_IMAGE046
(11)
式中：
Figure 274203DEST_PATH_IMAGE047
为联合鲁棒规划的总投资成本；
Figure 821859DEST_PATH_IMAGE048
和
Figure 788678DEST_PATH_IMAGE049
分别为分布式可再生能源发电和储能系统的投资成本，其中
Figure 29166DEST_PATH_IMAGE050
和
Figure 448646DEST_PATH_IMAGE051
分别为风电机组和光伏电站的投资成本；r为贴现率；a为经济使用年限；
Figure 799993DEST_PATH_IMAGE052
，
Figure 621319DEST_PATH_IMAGE053
和
Figure 32708DEST_PATH_IMAGE054
分别为风光储单位容量投资成本；
Figure 939484DEST_PATH_IMAGE055
和
Figure 843591DEST_PATH_IMAGE056
分别为风光储单位容量维护费用；
Figure 785003DEST_PATH_IMAGE057
为储能系统单位功率成本；在每个场景集s中：
Figure 367294DEST_PATH_IMAGE058
和
Figure 761366DEST_PATH_IMAGE059
分别为风光储的额定容量；
Figure 454515DEST_PATH_IMAGE060
为储能额定功率。
7.根据权利要求6所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤3中，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型，具体包括：
假设在场景集s中求解确定性模型得到的电压偏差改善率和总投资成本的最优解分别为
Figure 984854DEST_PATH_IMAGE061
和
Figure 738046DEST_PATH_IMAGE062
，根据多场景置信间隙决策理论，将前式(4)与优化目标式(9)、式(10)联立可转化为如下多场景置信间隙决策理论规划模型：
Figure 619415DEST_PATH_IMAGE063
(12)
其中：
Figure 319517DEST_PATH_IMAGE064
(13)
对公式(12)进行等价确定性转换，过程如下：
设不确定变量
Figure 969942DEST_PATH_IMAGE065
相互独立，因
Figure 628456DEST_PATH_IMAGE066
为实值可测函数，则
Figure 262700DEST_PATH_IMAGE067
为不确定变量，令
Figure 297652DEST_PATH_IMAGE068
为
Figure 68162DEST_PATH_IMAGE069
的分布函数，已知
Figure 897577DEST_PATH_IMAGE070
，则由分布函数的定义可得：
Figure 953871DEST_PATH_IMAGE071
(14)
又因
Figure 792514DEST_PATH_IMAGE072
分别服从正则不确定分布
Figure 151951DEST_PATH_IMAGE073
，分别为
Figure 417847DEST_PATH_IMAGE074
的累积分布函数，则有：
Figure 495524DEST_PATH_IMAGE075
(15)
根据不确定变量的运算法则：
Figure 403438DEST_PATH_IMAGE076
(16)
式中：
Figure 882960DEST_PATH_IMAGE077
分别为风电、光伏和负荷的逆累积分布函数；
因此可得：
Figure 319758DEST_PATH_IMAGE078
(17)
同理
Figure 87994DEST_PATH_IMAGE079
可转化为：
Figure 268440DEST_PATH_IMAGE080
(18)
综上所述，式(13)的机会约束可转化为：
Figure 602469DEST_PATH_IMAGE081
(19)
式（19）为式(12)的等价确定性约束。
8.根据权利要求1所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤3中，构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型，包括构造约束条件，所述约束条件具体包括：
系统潮流约束：
Figure 210168DEST_PATH_IMAGE082
(20)
式中：
Figure 528017DEST_PATH_IMAGE083
分别为t时刻节点
Figure 246574DEST_PATH_IMAGE084
注入的有功、无功功率；
Figure 703619DEST_PATH_IMAGE085
分别为t时刻节点
Figure 482219DEST_PATH_IMAGE086
的电压；
Figure 225047DEST_PATH_IMAGE087
和
Figure 747295DEST_PATH_IMAGE088
为节点
Figure 55917DEST_PATH_IMAGE089
和
Figure 5418DEST_PATH_IMAGE090
之间支路电导和电纳；
Figure 766701DEST_PATH_IMAGE091
为节点电压相角差；n为电网节点总数；
系统安全约束：
Figure 92640DEST_PATH_IMAGE092
(21)
式中：
Figure 521347DEST_PATH_IMAGE093
和
Figure 641750DEST_PATH_IMAGE094
分别为节点i的电压及其上限和下限；
Figure 359170DEST_PATH_IMAGE095
和
Figure 223221DEST_PATH_IMAGE096
分别为支路l的容量及其上限；
Figure 240856DEST_PATH_IMAGE097
和
Figure 797739DEST_PATH_IMAGE098
分别为流过支路l的电流及其上限；
功率平衡约束：
Figure 530684DEST_PATH_IMAGE099
(22)
式中：
Figure 198426DEST_PATH_IMAGE100
为t时刻除风光储以外的其他交互功率，注入系统为正，流出系统为负；
Figure 70567DEST_PATH_IMAGE101
为t时刻储能的充放电功率，其放电为正，充电为负；
Figure 798351DEST_PATH_IMAGE102
和
Figure 287102DEST_PATH_IMAGE103
分别为t时刻风电出力、光伏出力和负荷需求；
风电接入容量约束：
Figure 492955DEST_PATH_IMAGE104
(23)
式中：
Figure 485182DEST_PATH_IMAGE105
为风电接入容量，
Figure 383868DEST_PATH_IMAGE106
为风电允许接入的最大容量；
光伏接入容量约束：
Figure 828755DEST_PATH_IMAGE107
(24)
式中：
Figure 838300DEST_PATH_IMAGE108
为光伏接入容量，
Figure 950612DEST_PATH_IMAGE109
为光伏允许接入的最大容量；
储能额定功率约束：
Figure 754620DEST_PATH_IMAGE110
(25)
式中：
Figure 952383DEST_PATH_IMAGE111
为储能额定功率；
Figure 500039DEST_PATH_IMAGE112
和
Figure 466858DEST_PATH_IMAGE113
分别是储能额定功率的上下限；
储能容量约束：
Figure 441768DEST_PATH_IMAGE114
(26)
式中：
Figure 118038DEST_PATH_IMAGE115
为储能额定容量；
Figure 469385DEST_PATH_IMAGE116
和
Figure 290710DEST_PATH_IMAGE117
分别是储能额定容量的上下限；
储能荷电状态约束：
Figure 905362DEST_PATH_IMAGE118
(27)
式中：
Figure 812138DEST_PATH_IMAGE119
为t时刻储能系统的荷电状态；
Figure 701597DEST_PATH_IMAGE120
和
Figure 643008DEST_PATH_IMAGE121
分别为储能系统荷电状态的上下限；
储能充放电约束：
Figure 959720DEST_PATH_IMAGE122
(28)
式中：
Figure 353792DEST_PATH_IMAGE123
为t+1时刻储能系统的荷电状态，
Figure 46942DEST_PATH_IMAGE124
为t时刻储能的充、放电电量，其值的正负分别代表充电和放电。
9.根据权利要求1所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤4中，设计交叉熵-雷达扫描微分进化算法，包括在多目标分子微分进化算法中引入交叉熵重要采样原理和雷达扫描机制，具体包括：
引入交叉熵重要采样原理：
将最小值优化问题
Figure 311701DEST_PATH_IMAGE125
转化为概率估计问题：
Figure 64893DEST_PATH_IMAGE126
(29)
式中：随机变量x取值于样本空间
Figure 946262DEST_PATH_IMAGE127
；f是定义域为
Figure 177523DEST_PATH_IMAGE127
的目标函数；
Figure 825017DEST_PATH_IMAGE128
为f(x)小于等于实数r的概率；I F为指示函数；Pr表示概率；K为采样次数，
Figure 749111DEST_PATH_IMAGE129
和
Figure 117775DEST_PATH_IMAGE130
分别为样本空间概率密度函数和重要采样密度函数；
为了求解未知的
Figure 152728DEST_PATH_IMAGE131
，定义
Figure 657658DEST_PATH_IMAGE132
与
Figure 752653DEST_PATH_IMAGE133
的最小相对熵：
Figure 608614DEST_PATH_IMAGE134
(30)
求
Figure 181678DEST_PATH_IMAGE135
最小，即求交叉熵
Figure 806694DEST_PATH_IMAGE136
最小；由于
Figure 72590DEST_PATH_IMAGE137
未知，通过从
Figure 150268DEST_PATH_IMAGE138
的分布簇
Figure 792602DEST_PATH_IMAGE139
中选取与
Figure 272124DEST_PATH_IMAGE140
的交叉熵最小的概率密度函数
Figure 708922DEST_PATH_IMAGE141
代替
Figure 273896DEST_PATH_IMAGE142
，即通过分布参数序列构造
Figure 188762DEST_PATH_IMAGE143
……向最佳的概率密度函数
Figure 791300DEST_PATH_IMAGE144
逼近，从而实现式(29)的求解；
将上述可高效处理小概率事件的交叉熵重要采样原理融入到微分进化中：优选个体构造小规模精英种群，提取精英种群的均值
Figure 398999DEST_PATH_IMAGE145
和方差
Figure 451269DEST_PATH_IMAGE146
，基于精英种群的分布特征随机生成大规模新种群；经微分进化和非劣排序后抽取优势个体集更新精英种群，通过不断循环更新即可使得精英种群的随机分布特征向最佳的概率密度函数逼近；
引入雷达扫描机制：
雷达的工作原理为通过发射机天线发射电磁波束对探测目标进行照射并接受其回波，从而提取目标的距离、方位、径向速度等信息；越靠近天线中轴线位置，电磁波辐射场强越大，搜索强度越强，而远离其中轴线的位置，辐射场强呈震荡衰减，对应的函数表达用抽样信号函数，即Sa函数表示：
Figure 435405DEST_PATH_IMAGE147
(31)
式中：E为电磁波辐射场强；
Figure 623941DEST_PATH_IMAGE148
为雷达方位角；q为中间变量；k，L,
Figure 402541DEST_PATH_IMAGE149
为常数；
基于最优个体变异的微分进化策略可表示为：
Figure 207686DEST_PATH_IMAGE150
(32)
式中：
Figure 729934DEST_PATH_IMAGE151
表示第g代第i个个体向量；X b，g 表示当前最优个体向量；r 1 、r 2均为随机数且r 1 ≠r 2 ≠b；Y i，g+1为变异操作产生的中间个体向量；F为变异尺度因子；
在求解高度复杂的多场景置信间隙决策理论规划模型时，随着进化后期个体多样性下降，式(32)中的变异差分项
Figure 38556DEST_PATH_IMAGE152
会过早趋于零而导致变异停滞陷入早熟；通过在变异差分项叠加震荡幅值可随迭代次数自适应增强的Sa函数，构造如式(33)所示的雷达扫描变异机制：
Figure 988057DEST_PATH_IMAGE153
(33)
式中：g为当前迭代次数；g max为最大迭代次数；rand( )为生成随机数的函数。
10.根据权利要求1所述的一种多场景置信间隙决策风光储联合规划方法，其特征在于，在步骤4中，交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解，其算法步骤如下：
步骤4.1，输入电网参数以及风电、光伏全年历史数据及负荷预测数据；设定种群规模、精英种群比例、最大迭代次数和目标显著性水平等算法参数；初始化种群，随机生成众多规划方案个体；
步骤4.2，对风电、光伏全年历史数据和负荷预测数据进行多维场景聚类，求解每个场景集所占权重ws；
步骤4.3，求解风光储联合鲁棒规划的确定性模型得到电压偏差改善率和总投资成本的最优解
Figure 749340DEST_PATH_IMAGE154
和
Figure 75279DEST_PATH_IMAGE155
；
步骤4.4，在每个场景集中，随机生成不确定变量的置信水平
Figure 238407DEST_PATH_IMAGE156
；优化求解所有个体的目标函数；
步骤4.5，将每个场景集的求解结果按照相应权重加权求和得到置信鲁棒度
Figure 358810DEST_PATH_IMAGE157
，电压偏差改善率DU和总投资成本JC；
步骤4.6，依据
Figure 872968DEST_PATH_IMAGE158
对所有个体排序；判断是否有相同
Figure 737019DEST_PATH_IMAGE158
的个体，若有则进入步骤4.7，无则进入步骤4.8；
步骤4.7，计算具有相同
Figure 751724DEST_PATH_IMAGE158
值个体的等级和拥挤距离后对其进行非劣排序；
步骤4.8，采用交叉熵-雷达扫描微分进化算法通过交叉熵随机优化和微分进化更新种群；重新计算新种群所有个体的目标函数值；
步骤4.9，重复步骤4.6至步骤4.8，不断迭代直至达到最大迭代次数；
步骤4.10，多目标优化决策，基于模糊集理论从一系列帕累托非劣解中选取最佳折中解，从而获得最佳规划方案。
CN202110878560.7A 2021-08-02 2021-08-02 一种多场景置信间隙决策风光储联合规划方法 Active CN113343167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110878560.7A CN113343167B (zh) 2021-08-02 2021-08-02 一种多场景置信间隙决策风光储联合规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110878560.7A CN113343167B (zh) 2021-08-02 2021-08-02 一种多场景置信间隙决策风光储联合规划方法

Publications (2)

Publication Number Publication Date
CN113343167A true CN113343167A (zh) 2021-09-03
CN113343167B CN113343167B (zh) 2021-12-31

Family

ID=77480504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110878560.7A Active CN113343167B (zh) 2021-08-02 2021-08-02 一种多场景置信间隙决策风光储联合规划方法

Country Status (1)

Country Link
CN (1) CN113343167B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004427A (zh) * 2021-12-31 2022-02-01 国网能源研究院有限公司 一种电源与季节性储能规划方法及装置
CN114256886A (zh) * 2021-12-22 2022-03-29 合肥工业大学 一种基于置信间隙决策的机组恢复顺序优化方法
CN115936265A (zh) * 2023-02-24 2023-04-07 华东交通大学 考虑电氢耦合的电氢能源系统鲁棒规划方法
CN116596116A (zh) * 2023-04-14 2023-08-15 广东电力交易中心有限责任公司 一种风储联合投标策略优化方法及其装置
CN117172389A (zh) * 2023-11-01 2023-12-05 山东建筑大学 考虑风光不确定性的区域级综合能源优化运行方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933516A (zh) * 2015-05-27 2015-09-23 华南理工大学 一种多时间尺度的电力系统鲁棒调度系统设计方法
CN108667012A (zh) * 2018-05-21 2018-10-16 国网山东省电力公司电力科学研究院 基于多场景的区域能源互联网源荷储双阶段协调优化方法
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
CN109728605A (zh) * 2019-03-01 2019-05-07 西安交通大学 基于机会约束igdt的风电场-输电网-储能联合规划方法
US10339458B2 (en) * 2012-10-12 2019-07-02 The Boeing Company System and method for rapid and robust uncertainty management during multidisciplinary analysis
CN110247428A (zh) * 2019-06-21 2019-09-17 华东交通大学 一种基于源网荷协同优化的配电网光储联合配置方法
CN111815081A (zh) * 2020-09-07 2020-10-23 华东交通大学 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法
CN112952808A (zh) * 2021-02-09 2021-06-11 上海电力大学 一种基于分类概率建模和igdt的有源配电网优化运行方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10339458B2 (en) * 2012-10-12 2019-07-02 The Boeing Company System and method for rapid and robust uncertainty management during multidisciplinary analysis
CN104933516A (zh) * 2015-05-27 2015-09-23 华南理工大学 一种多时间尺度的电力系统鲁棒调度系统设计方法
CN108667012A (zh) * 2018-05-21 2018-10-16 国网山东省电力公司电力科学研究院 基于多场景的区域能源互联网源荷储双阶段协调优化方法
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
CN109728605A (zh) * 2019-03-01 2019-05-07 西安交通大学 基于机会约束igdt的风电场-输电网-储能联合规划方法
CN110247428A (zh) * 2019-06-21 2019-09-17 华东交通大学 一种基于源网荷协同优化的配电网光储联合配置方法
CN111815081A (zh) * 2020-09-07 2020-10-23 华东交通大学 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法
CN112952808A (zh) * 2021-02-09 2021-06-11 上海电力大学 一种基于分类概率建模和igdt的有源配电网优化运行方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AMIRHOSSEIN DOLATABADI;MOHAMMAD JADIDBONAB: ""Short-Term Scheduling Strategy for Wind-Based Energy Hub: A Hybrid Stochastic/IGDT Approach"", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 *
彭春华;刘兵;孙惠娟: ""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》 *
彭春华;陈露;张金克;孙惠娟: ""基于分类概率机会约束IGDT的配网储能多目标优化配置"", 《中国电机工程学报》 *
李笑竹;王维庆;王海云;樊小朝;武家辉;王开科: ""基于鲁棒优化的风光储联合发电系统储能配置策略"", 《太阳能学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114256886A (zh) * 2021-12-22 2022-03-29 合肥工业大学 一种基于置信间隙决策的机组恢复顺序优化方法
CN114256886B (zh) * 2021-12-22 2023-08-08 合肥工业大学 一种基于置信间隙决策的机组恢复顺序优化方法
CN114004427A (zh) * 2021-12-31 2022-02-01 国网能源研究院有限公司 一种电源与季节性储能规划方法及装置
CN114004427B (zh) * 2021-12-31 2022-03-29 国网能源研究院有限公司 一种电源与季节性储能规划方法及装置
CN115936265A (zh) * 2023-02-24 2023-04-07 华东交通大学 考虑电氢耦合的电氢能源系统鲁棒规划方法
CN116596116A (zh) * 2023-04-14 2023-08-15 广东电力交易中心有限责任公司 一种风储联合投标策略优化方法及其装置
CN116596116B (zh) * 2023-04-14 2023-12-08 广东电力交易中心有限责任公司 一种风储联合投标策略优化方法及其装置
CN117172389A (zh) * 2023-11-01 2023-12-05 山东建筑大学 考虑风光不确定性的区域级综合能源优化运行方法及系统
CN117172389B (zh) * 2023-11-01 2024-02-02 山东建筑大学 考虑风光不确定性的区域级综合能源优化运行方法及系统

Also Published As

Publication number Publication date
CN113343167B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN113343167B (zh) 一种多场景置信间隙决策风光储联合规划方法
Shang et al. Stochastic dispatch of energy storage in microgrids: An augmented reinforcement learning approach
Yuan et al. An extended NSGA-III for solution multi-objective hydro-thermal-wind scheduling considering wind power cost
Luo et al. Short‐term operational planning framework for virtual power plants with high renewable penetrations
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Fioriti et al. A novel stochastic method to dispatch microgrids using Monte Carlo scenarios
Huang et al. One‐day‐ahead hourly forecasting for photovoltaic power generation using an intelligent method with weather‐based forecasting models
Li et al. Coordinated scheduling for improving uncertain wind power adsorption in electric vehicles—Wind integrated power systems by multiobjective optimization approach
Sharafi et al. A dynamic MOPSO algorithm for multiobjective optimal design of hybrid renewable energy systems
Sun et al. Flexible expansion planning of distribution system integrating multiple renewable energy sources: An approximate dynamic programming approach
Abbasi Investigation of simultaneous effect of demand response and load uncertainty on distribution feeder reconfiguration
Wei et al. Energy drive and management of smart grids with high penetration of renewable sources of wind unit and solar panel
Ahmadian et al. Optimal WDG planning in active distribution networks based on possibilistic–probabilistic PEVs load modelling
Vosoogh et al. An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles
Zou et al. Wind turbine power curve modeling using an asymmetric error characteristic-based loss function and a hybrid intelligent optimizer
CN112508731A (zh) 一种考虑主动管理模式的分布式电源优化配置方法
Gazijahani et al. Optimal multi-objective operation of multi microgrids with considering uncertainty
Ebrahimi et al. Contingency‐constrained operation optimization of microgrid with wind and solar generations: A decision‐driven stochastic adaptive‐robust approach
Su et al. An optimized algorithm for optimal power flow based on deep learning
CN116599151A (zh) 基于多源数据的源网储荷安全管理方法
Dong et al. Robust optimal scheduling for integrated energy systems based on multi-objective confidence gap decision theory
Jain et al. Multi-objective-based robust unit commitment using hydro-thermal-wind: A hybrid technique
Rodríguez del Nozal et al. Application of genetic algorithms for unit commitment and economic dispatch problems in microgrids
Navarro-Caceres et al. An Evaluation of a Metaheuristic Artificial Immune System for Household Energy Optimization
Wang et al. Two-tier prediction of solar power generation with limited sensing resource

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