CN113408962A - 一种电网多时间尺度多目标能量优化调度方法 - Google Patents

Abstract

本发明公开一种电网多时间尺度多目标能量优化调度方法，包括：S1、采集电网的历史运行数据；S2、基于历史运行数据，建立不确定性描述电网弱鲁棒多目标优化模型、日前优化调度目标函数和日前优化调度约束条件，构建日前长时间弱鲁棒多目标优化调度模型；S3、求解日前长时间弱鲁棒多目标优化调度模型，获得日前调度计划；S4、基于电网的实际调度计划与日前调度计划，建立日内控制时域和性能指标，构建日内MPC滚动优化调度模型；S5、基于日内MPC滚动优化调度模型，实时滚动修正日前调度计划。本发明能够很好地应用于电网优化调度，并且在保证一定鲁棒性的基础上，获得良好的经济性与环保性。

Description

一种电网多时间尺度多目标能量优化调度方法

技术领域

本发明涉及电网运行控制技术领域，特别是涉及一种电网多时间尺度多目标能量优化调度方法。

背景技术

随着经济发展，能源成为不可或缺的重要资源。但当今全球进入工业化时代以来，煤矿、石油等传统能源被大量开发，使全球能源资源枯竭。同时，燃烧传统化石能源会排放大量污染气体，会导致全球环境恶化。因此可再生能源成为解决能源紧缺与环境保护的研究重点，同时也使得分布式发电技术得到了广泛应用。在我国2030年碳达峰、2060年碳中和的宏伟目标下，能源低碳化转型将成为我国能源系统的重要发展战略，高比例可再生能源并网将成为我国未来电力系统的重要特征。针对2030年碳达峰的近期目标，我国规划在2030年风电太阳能总装机超过12亿千瓦，非化石能源消费占比达到25％，并计划在2050年进一步将能源消费中可再生能源比例提升至60％以上。风电和光伏等间歇性可再生能源将逐渐从电力系统中的补充能源变为主要能源，消纳可再生能源将成为我国电网的主要任务之一。

风电和光伏等间歇性可再生能源在发电特性上与传统火力发电机组有着显著的差异，为消纳高比例可再生能源，电力系统在经历着深刻的变化。随新能源发电装机容量在电网中的比重增加，导致机组组合与运行方式数剧增，同时新能源发电具有随机性，给系统制定发电计划、运行方式以及调度运行带来了巨大挑战，系统的备用容量日益匮显不足，降低了电网调节能力，难以平衡新能源发电功率波动产生的冲击。同时，新能源发电功率的间歇性和波动性也使所接入电网的潮流分布和流向发生改变，电网中新能源场站接入点(Point of Common Coupling，PCC)附近的电压和联络线功率将会超出安全范围。随着新能源发电大规模接入电网，由于气候、环境等因素具有的随机性、间歇性、波动性等特点，使得新能源发电出力变化频繁，新能源发电出力仍缺乏足够的稳定性，这些不利因素导致并网时新能源场站出力波动进而对电力系统的稳定运行带来不利影响，严重制约了新能源发电的充分利用。以2019年为例，我国弃风电量达到169亿千瓦时，直接经济损失约101.4亿元。

因此，亟需一种电网多时间尺度多目标能量优化调度方法，以解决传统调度方法因受源荷不确定性及预测误差影响导致电网无法达到预期运行经济性的问题。

发明内容

本发明的目的是提供一种电网多时间尺度多目标能量优化调度方法，以解决上述现有技术存在的问题，解决传统调度方法因受源荷不确定性及预测误差影响导致电网无法达到预期运行经济性的问题，能够很好应用于电网优化调度，并且在保证一定鲁棒性的基础上，获得良好的经济性与环保性。

为实现上述目的，本发明提供了如下方案：本发明提供一种电网多时间尺度多目标能量优化调度方法，包括以下步骤：

S1、采集电网的历史运行数据；

S2、基于所述历史运行数据，建立不确定性描述电网弱鲁棒多目标优化模型、日前优化调度目标函数和日前优化调度约束条件，构建日前长时间弱鲁棒多目标优化调度模型；

S3、求解所述日前长时间弱鲁棒多目标优化调度模型，获得日前调度计划；

S4、基于所述电网的实际调度计划与所述日前调度计划，建立日内控制时域和性能指标，构建日内MPC滚动优化调度模型；

S5、基于所述日内MPC滚动优化调度模型，实时滚动修正所述日前调度计划。

优选地，所述优化调度的目标函数包括成本运行函数和污染气体排放总量函数，其中所述成本运行函数用于描述所述电网的运行成本，所述运行成本包括电网运行成本和风险成本，所述成本运行函数为：

F₍₁₎＝min(C₀+C_cut)，

其中，F₍₁₎为成本运行函数，C₀表示电网运行成本，C_cut表示风险成本；

所述污染气体排放总量函数为：

式中，F₍₂₎为电网内所产生的污染气体排放与弃风弃光折算后的总量，P_DG为电网的输出功率，γ_qwt为弃风量，γ_qpv为弃光量，a、b、c为燃气轮机运行时的污染气体排放系数，d为弃风、弃光折算污染系数。

优选地，所述电网运行成本包括发电成本、储能充放电成本和需求响应负荷调度成本：

C₀＝C_DG+C_BA+C_DDR，

其中，C₀表示电网运行成本，C_DG表示电网的发电成本，C_BA表示电网的储能充放电成本，C_DDR为需求响应负荷调度成本。

优选地，所述风险成本包括弃风成本、弃光成本和切负荷成本，所述风险成本的表达式为：

C_cut＝C_loss+C_qwt+C_qpv，

其中，C_qwt为弃风成本，C_qpv为弃光成本，C_loss为切负荷成本；

λ_qwt为弃风惩罚系数，λ_qpv为弃光惩罚系数，λ_loss为切负荷惩罚系数；γ_loss为切负荷量。

优选地，所述日前优化调度约束条件包括日前功率平衡约束、需求响应约束和弃风弃光切负荷约束，

所述日前功率平衡约束的表达式为：

其中，

表示日前电网内负荷的实际值，

表示日前风电出力实际值，

表示日前光伏出力实际值，P_DG表示日前燃气轮机出力，P_BA表示日前储能出力。P_DDR表示日前需求响应负荷在最终调度计划的实际调度功率，t表示24小时中某一时段；

所述需求响应约束的表达式为：

其中，P_DDR(t)为需求响应负荷在最终调度计划的实际调度功率；K_DDR为电网给予需求响应负荷的补偿费用与调度成本；

为日前需求响应用户所提供的期望用电功率，Δt为调度步长；

所述弃风弃光切负荷约束的表达式为：

其中，

表示切负荷功率上限，

表示弃风功率上限，

分别表示弃光功率上限。

优选地，所述S4包括：

S4.1、基于所述电网的历史运行数据和所述日前调度计划，构建电网状态空间预测模型；

S4.2、设置日内控制时域和性能指标，建立滚动优化目标函数，将所述滚动优化目标函数转化为二次规划标准模型，求解所述二次规划标准模型，获得M个预测时域内控制量，执行第一个所述预测时域内控制量；

S4.3、反馈校正，更新所述电网状态空间预测模型，返回S4.1。

优选地，所述电网状态空间预测模型包括状态变量、控制变量和扰动变量，所述电网状态空间预测模型为：

其中，G(t)为被控对象的系统状态量，ΔG(t)表示对象在t时刻的控制量或者相关输入量；H(t)表示t时刻系统输出量；A、B、C、D分别为系统矩阵、输入矩阵、输出矩阵、扰动矩阵。

优选地，所述滚动优化目标函数为：

ΔG(t)＝[ΔG(t)^T，ΔG(t+1)^T，...，ΔG(t+M-1)^T，ΔG(t+M)^T]^T

其中，F_obj为跟踪性目标函数；X(t)为t时刻上层下发的基准量；ΔG(t)为t时刻控制量，M为预测时域；δ、θ为权重系数矩阵。

优选地，所述反馈校正更新所述电网状态空间预测模型为：

ρr(t+1)＝H(t+1)-H(t+1|t)，

其中，ρ为误差系数矩阵；H(t+1/t)为t时刻对t+1的预测输出量。

本发明公开了以下技术效果：

本发明提供的一种电网多时间尺度多目标能量优化调度方法，在日前长时间尺度调度阶段采用弱鲁棒多目标优化方法求出满足经济性与环保性的折中调度计划，日内短时间尺度阶段采用MPC跟踪日前调度计划，能够解决传统调度方法因受源荷不确定性及预测误差影响导致电网无法达到预期运行经济性的问题。本发明能够很好地应用于孤网模式下的电网优化调度，并且在保证一定鲁棒性的基础上，获得良好的经济性与环保性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中电网日前-日内多目标优化调度流程示意图；

图2为本实施例中三种运行场景中电网风光功率示意图；

图3为本实施例中三种运行场景中电网负荷功率示意图；

图4为本实施例中某一运行场景中电网的燃气轮机输出功率示意图；

图5为本实施例中某一运行场景中电网的储能充放电功率示意图；

图6为本实施例中某一运行场景中电网的需求响应实际/期望用电计划示意图；

图7为弱鲁棒多目标优化模型的帕累托前沿示意图；

图8为本实施例中日内调度计划示意图；

图9为本发明实施例中3％误差下风险运行功率对比示意图；

图10为本发明实施例中5％误差下风险运行功率对比示意图；

图11为本发明实施例中10％误差下风险运行功率对比示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供一种电网多时间尺度多目标能量优化调度方法，该调度方法用于解决电网优化调度问题，本实施例中的电网多时间尺度多目标能量优化调度方法如图1所示。

采集电网的历史运行数据，根据历史运行数据建立不确定性描述电网弱鲁棒多目标优化模型。为满足电网内负荷需求以及提高风光的消纳，所以在日前调度中引入可平移负荷进行激励型需求响应，转移高峰时段的用电负荷，实现削峰填谷。针对电网中存在的不确定性问题，本发明采用弱鲁棒优化方法进行电网优化调度，该方法在传统鲁棒优化的基础上加入松弛变量γ，其物理意义为弃风、弃光、切负荷的风险运行变量，允许系统存在一定的风险运行。本实施例选择以运行成本最小为第一个目标函数，该目标由电网网运行成本C₀和风险成本C_cut组成，如式(1)-(2)所示：

F₍₁₎＝min(C₀+C_cut) (1)

C₀＝C_DG+C_BA+C_DDR (2)

式中，C_DG表示燃气轮机的发电成本，C_BA为储能的充放电成本，C_DDR为需求响应负荷调度成本。

在本实施例中，燃气轮机的污染物排放主要为CO₂、SO₂和NO_x，燃气轮机出力不同，所排放的污染气体也有所不用，且弃风、弃光部分作为燃气轮机排放，所以本实施例采用的排放模型如式(3)所示：

式中，F₍₂₎为电网内所产生的污染气体排放与弃风弃光折算后的总量，P_DG为燃气轮机的输出功率，γ_qwt为弃风量，γ_qpv为弃光量，a、b、c为燃气轮机运行时的污染气体排放系数，d为弃风、弃光折算污染系数。

本实施例中，各类成本的计算如下：

(1)燃气轮机

本实施例由于考虑孤网模式下的优化调度，需要响应更快的可控机组参与，所以选择燃气轮机的运行效率如式(4)所示：

其中P_DG(t)为燃气轮机的输出功率，η_DG(t)为其运行效率。

燃气轮机通过消耗燃料发电，在运行过程中会产生燃料费和运维费用，表达式如式(5)、(6)所示：

C_DG(t)＝K_DGP_DG(t)+C_G.F(t) (5)

式中：C_DG(t)表示燃气轮机的发电成本；C_G.F(t)为其燃料成本；K_DG为其运维成本；t表示t时间段；C_ON代表燃气费用，LHV代表燃气低热值。

(2)需求侧响应

当电网调整需求响应负荷用电计划时，会影响需求响应负荷的正常用电计划，所以电网会根据新的调度计划给予需求响应用户一定的补偿，所以调度成本C_DDR(t)可表示如式(7)所示：

式中：P_DDR(t)为需求响应负荷在最终调度计划的实际调度功率；K_DDR为电网给予需求响应负荷的补偿费用与调度成本；

为日前需求响应用户所提供的期望用电功率，Δt为调度步长。

(3)风险成本

本实施例中的风险成本是指当可再生能源出力或负荷场景，不满足电网功率平衡时，产生的弃风、弃光成本和切负荷成本，其成本如式(8)、(9)所示：

C_cut＝C_loss+C_qwt+C_qpv (8)

式中，C_qwt为弃风成本，C_qpv为弃光成本，C_loss为切负荷成本；λ_qwt为弃风惩罚系数，λ_qpv为弃光惩罚系数，λ_loss为切负荷惩罚系数；γ_loss为切负荷量。

日前优化调度约束条件包括日前功率平衡约束、燃气轮机功率约束、需求响应约束和弃风弃光切负荷约束。

引入松弛变量后，电网的运行需要满足的日前功率平衡约束如式(11)所示：

式中，

表示日前电网内负荷的实际值，

表示日前风电出力实际值，

表示日前光伏出力实际值，P_DG表示日前燃气轮机出力，P_BA表示日前储能出力。P_DDR表示日前需求响应负荷在最终调度计划的实际调度功率，t表示24小时中某一时段。

其中电网调度后总负荷如式(12)所示：

式中，P_LOAD为调度后总负荷。

日内功率平衡如式(13)所示：

表示日内电网内负荷的实际值；

表示日内风电出力实际值；

表示日内光伏出力实际值；

表示日内燃气轮机实际出力功率；

表示日内储能实际出力。

由于燃气轮机响应快，因此只考虑输出功率约束，忽略其爬坡约束，输出功率约束如式(14)所示：

式中，

表示燃气轮机的最大/最小输出功率。

需求响应约束：

需求响应负荷主要考虑负荷平移问题，应满足以下条件，如式(15)-(16)所示：

式中：S_DDR为调度周期内的总用电需求：

和

分别表示各时段需满足需求响应最大、最小负荷。

弃风弃光切负荷约束：

弃风弃光切负荷功率在调度时应满足约束条件如式(17)所示：

式中

和

分别表示切负荷、弃风和弃光功率上限。

根据对等转化理论，式(10)的功率平衡约束转化为如式(18)所示：

P_LOAD(t)表示日前电网内负荷的预测值；P_WT(t)表示日前风电出力预测值；P_PV(t)表示日前光伏出力预测值；

表示日前风电出力最大波动；

表示日前光伏出力最大波动；

表示日前电网内除去需求响应负荷后常规负荷的最大波动。

综上所述，在日前阶段通过弱鲁棒多目标优化调度方法，以电网运行成本与污染气体排放总量最低为优化目标，用NSGA-II求解获得日前每小时平衡经济性与环保性的日前调度计划。

在日内阶段，为满足电网实际调度计划与日前弱鲁棒经济优化调度计划偏差的问题，日内以15min为控制时域，1h为预测时域采用跟踪性为性能指标，建立MPC滚动优化调度模型。MPC的基本原理是根据系统当前状态对未来有限时域内的系统输出进行预测，采用优化的方式得到未来有限时域内的最优控制量，并将第一个分量用于系统控制，每个时刻重复以上过程。模型预测控制能够很好解决含有不确定性因素的优化问题，具有较强的抗干扰能力和鲁棒性。并且，使用MPC时对预测模型接受度大，不需要特定模型。能够加入多个约束条件，所以比较适合用于计及不确定性的电力系统优化调度中。电网中含有大量不可控分布式电源，其随机性与不确定性则适合使用MPC进行跟踪校正。MPC是一种跟踪性和抗干扰能力良好的闭环控制方法，包括模型预测、滚动优化和反馈校正三个环节。通过引入反馈校正，能够及时有效地修正随机因素导致的优化调度结果偏差，因此本实施例在日内采用MPC实时滚动修正日前调度计划，以提高调度计划的准确性。

(1)预测模型

能够根据被控对象的历史信息和未来输入信息，预测系统的未来输出响应的模型，被称为预测模型，预测模型由状态变量、控制变量、扰动变量组成。本实施例中，根据t时刻电网的燃气轮机、储能出力和风险运行功率实际值建立电网状态空间预测模型如式(19)所示：

式中：G(t)为被控对象的系统状态量，△G(t)表示对象的控制量或者相关输入量；H(t)表示系统输出量；A、B、C、D分别为系统矩阵、输入矩阵、输出矩阵、扰动矩阵。

(2)滚动优化

根据滚动时域内性能指标最优进行求解，滚动优化以选取经济成本或与日前所提计划偏差最小为目标进行优化，由于是有限时域内的优化，故可进行多次反复滚动优化，以弥补模型中的不确定性问题所带来的影响。本实施例中，电网状态空间预测模型预测控制采用滚动有限时域优化方法。优化性能指标函数为二次优化函数，如式(20)所示：

式中：F_obj为跟踪性目标函数；H(t)为t时刻输出量，为燃气轮机、储能出力与风险运行功率；X(t)为t时刻上层下发的基准量；△G(t)为t时刻控制量，即燃气轮机、储能出力的数量变化值；M为预测时域；δ、θ为权重系数矩阵。

将式(20)转化为二次规划标准形式后，由于二次规划Hessian矩阵为正定矩阵，故全局最小值是唯一的，不会陷入局部最优。在t时刻对M个时域上的性能指标进行优化，得到t至t+M预测时域内的控制序列如式(21)，仅执行第一个时刻的控制量，在t+1时刻重复上述步骤。

△G(t)＝[△G(t)^T,△G(t+1)^T，...,△G(t+M-1)^T,△G(t+M)^T]^T (21)

(3)反馈校正

在日内滚动优化过程中，由于预测误差、不确定性、建模精度不够导致实际输出量与预测值之间产生误差，修正后的调度控制方法仍可能与系统实际运行存在偏差，因此在每一个采样时刻检测输出变量实际值与预测值并通过式(4)更新误差，对预测模型进行反馈校正再进行下一次滚动优化。

ρr(t+1)＝H(t+1)-H(t+1|t) (22)

式中：ρ为误差系数矩阵；H(t+1|t)为t时刻对t+1的预测输出量。

仿真分析：模拟三种运行场景，分别由日前源荷预测值向劣(刚性负荷增大，风光出力减小)偏移3％、5％、10％后再叠加3％、5％、10％的随机误差作为源荷实际值，具体出力如图2、图3所示；负荷预测波动比例为10％，风、光出力预测误差波动比例为15％。各类惩罚费用为λ_t＝[λ_loss,λ_qwt,λ_qpv]^T＝[1.2，1，1]^T，对于任意时刻，排放系数[a,b,c]^T为[0.00079,0.025,21.9]^T,根据计算鲁棒不确定度Γ_t＝2.4867允许最大风险运行的最大越限比例为10％。

本实施例所提供的调度方法在场景1(日前源荷预测值向劣(刚性负荷增大，风光出力减小)偏移3％)下的调度结果如图4-6所示，图4表示燃气轮机出力，由于1～7h和24h时用电负荷较小，风电出力较大，所以燃气轮机选择最小方式运行；图5为储能充放电功率，由于夜间负荷需求较低，储能在2h、4～5h、7h和24h进行充电，在9h和18～21h进行放电，以满足高峰时期负荷用电。需求响应负荷调度前后如图6所示，其给出的期望用电计划主要集中在负荷高峰时段。电网在满足总电力需求和各时段电力约束的前提下，将10～12h和16～22h的电力需求分别调整至1～7h和24h，减少了高峰时段的负荷不足和低谷时段的弃风功率。图7为弱鲁棒多目标优化模型的帕累托前沿；运行费用为673.11元，环境污染量为846.77kg。

在日内调度时，预测误差与不确定性因素由燃气轮机、储能共同应对，在实际运行时，由于存在随机因素干扰，日内调度计划需调整以满足系统功率平衡，并且反馈校正提高了控制策略的准确性，在三种场景下采用MPC日内滚动优化后的调度计划如图8所示，其中，风险运行正值表示切负荷量，负值表示弃风、弃光量。从图中可以看出，由于日内实际情况存在不确定因素影响，MPC会根据日内实际情况对日前调度计划进行修正，调整出力计划，满足系统功率平衡要求。

为进一步验证本法明提供的优化调度方法在孤网模式下的可行性，分别设置4种不同的调度方法。4种调度方法分别为。1)本发明提出的电网多时间尺度优化调度方法；2)日前采用弱鲁棒经济优化调度，日内的误差选择弃风弃光切负荷处理的开环控制方法；3)日前采用随机优化算法寻优调度，日内采用MPC滚动优化的方法；4)日前采用传统鲁棒优化调度，日内采用MPC滚动优化的方法。

MPC性能对比验证：

表1

由表1对比可见，三种场景下本实施例所提的调度方法1)运行成本均低于2)。由于孤网运行，日前制定计划时考虑了日内源荷发生波动的情况，所以当日内波动过小时，会导致多余的风光被抛弃掉，由于对弃风弃光行为有一定的惩罚，所以波动情况小的情况下出现弃风弃光导致日内环境污染量略高于日前。在日内实际运行情况下，通过MPC控制可以降低机组的出力，以减少弃风、弃光的情况出现，因此相比日内不采用MPC的方法，减少了电网的全天综合成本。日内风险运行功率与日前风险运行计划偏差对比如表2所示：

表2

由表2对比可见，三种场景下本实施例所提的方法1)偏差绝对均值均低于2)三种场景下方法1)、2)风险运行率如图9-11所示，在日前调度计划相同时，日内采用MPC滚动优化的经济性与跟踪性均优于非MPC滚动优化。仿真结果表明，在日内实际运行状态下，采用MPC滚动优化可很好地跟踪和修正日前调度计划以满足实际运行状态，使电网在实际运行状态大范围波动时仍具备较好的经济性，并且可使全天风险运行功率修正的总量更小，因此减少了电网风险运行功率调度计划的变动，保证电网能够满足其经济运行。

鲁棒性能对比：

在同样的三种误差下1)、3)、4)三种方法的综合成本与环境污染量对比对比如表3所示：

表3

由表3对比可见，虽然方法1)在日前成本高于不采用弱鲁棒的方法，但是在源荷预测误差与不确定性不可避免的实际运行场景下，日内成本低于不采用弱鲁棒的方法，波动程度越大，方法1)的成本与环境污染量越低。方法1)与方法4)对比可见，虽然传统鲁棒优化在制定日前调度计划时能满足任何情况下该计划的可行性，保证系统安全。但在允许情况下出现风险运行情况可以更好适应多种场景，且有利于追求综合效益最优。不同方法日内风险运行功率与日前风险运行计划偏差如表4所示：

表4

由表4对比可见，方法1)的风险运行总功率均少于其他几种方法。通过对比分析说明由于实际运行场景下，必然会存在源荷预测误差和不确定性影响，日前采用随机优化的方法，其获得的调度计划为特定场景下的经济最优调度计划，当实际运行时，随着随机误差增大，调度计划偏差也会变大，继续采用MPC跟踪非弱鲁棒的调度计划将导致电网的日内运行成本以及风险运行功率偏差增加。而采用传统鲁棒优化，所制定的日前经济最优调度计划过于保守，适用性较差，所以在日内跟踪期调度计划时无法保证其经济最优。因此在日前调度阶段采用弱鲁棒经济优化调度计划使得日内的跟踪调度更具有实际意义。

在考虑运行成本与环境因素的情况下，在日前长时间尺度调度阶段采用弱鲁棒多目标优化方法求出满足经济性与环保性的折中调度计划，日内短时间尺度阶段采用MPC跟踪日前调度计划，能够解决传统调度方法因受源荷不确定性及预测误差影响导致电网无法达到预期运行经济性的问题。通过仿真结果对比，所提方法与随机优化相比，在计及源荷预测误差与不确定性的场景下采用MPC滚动优化可获得更好的跟踪效果；与传统鲁棒优化方法相比，不仅能保证大概率情况下电网风光消纳能力以及负荷需求，而且能提高电网经济性与环保性，有效改善传统鲁棒优化的保守性，在保证较好鲁棒性的同时兼顾经济性与环保性。所以本发明所提方法能够很好应用于电网优化调度，并且在保证一定鲁棒性的基础上，获得良好的经济性与环保性。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种电网多时间尺度多目标能量优化调度方法，其特征在于：包括以下步骤：

S1、采集电网的历史运行数据；

S2、基于所述历史运行数据，建立不确定性描述电网弱鲁棒多目标优化模型、日前优化调度目标函数和日前优化调度约束条件，构建日前长时间弱鲁棒多目标优化调度模型；

S3、求解所述日前长时间弱鲁棒多目标优化调度模型，获得日前调度计划；

S4、基于所述电网的实际调度计划与所述日前调度计划，建立日内控制时域和性能指标，构建日内MPC滚动优化调度模型；

S5、基于所述日内MPC滚动优化调度模型，实时滚动修正所述日前调度计划。

2.根据权利要求1所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述优化调度的目标函数包括成本运行函数和污染气体排放总量函数，其中，所述成本运行函数用于描述所述电网的运行成本，所述运行成本包括电网运行成本和风险成本，所述成本运行函数为：

F₍₁₎＝min(C₀+C_cut)，

其中，F₍₁₎为成本运行函数，C₀表示电网运行成本，C_cut表示风险成本；

所述污染气体排放总量函数为：

式中，F₍₂₎为电网内所产生的污染气体排放与弃风弃光折算后的总量，P_DG为电网的输出功率,γ_qwt为弃风量，γ_qpv为弃光量，a、b、c为燃气轮机运行时的污染气体排放系数，d为弃风、弃光折算污染系数。

3.根据权利要求2所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述电网运行成本包括发电成本、储能充放电成本和需求响应负荷调度成本：

C₀＝C_DG+C_BA+C_DDR，

其中，C₀表示电网运行成本，C_DG表示电网的发电成本，C_BA表示电网的储能充放电成本，C_DDR为需求响应负荷调度成本。

4.根据权利要求2所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述风险成本包括弃风成本、弃光成本和切负荷成本，所述风险成本的表达式为：

C_cut＝C_loss+C_qwt+C_qpv，

其中，C_qwt为弃风成本，C_qpv为弃光成本，C_loss为切负荷成本；

λ_qwt为弃风惩罚系数，λ_qpv为弃光惩罚系数，λ_loss为切负荷惩罚系数；γ_loss为切负荷量。

5.根据权利要求4所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述日前优化调度约束条件包括日前功率平衡约束、需求响应约束和弃风弃光切负荷约束，

所述日前功率平衡约束的表达式为：

其中，

表示日前电网内负荷的实际值，

表示日前风电出力实际值，

表示日前光伏出力实际值，P_DG表示日前燃气轮机出力，P_BA表示日前储能出力。P_DDR表示日前需求响应负荷在最终调度计划的实际调度功率，t表示24小时中某一时段；

所述需求响应约束的表达式为：

其中，P_DDR(t)为需求响应负荷在最终调度计划的实际调度功率；K_DDR为电网给予需求响应负荷的补偿费用与调度成本；

为日前需求响应用户所提供的期望用电功率，Δt为调度步长；

所述弃风弃光切负荷约束的表达式为：

其中，

表示切负荷功率上限，

表示弃风功率上限，

分别表示弃光功率上限。

6.根据权利要求1所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述S4包括：

S4.1、基于所述电网的历史运行数据和所述日前调度计划，构建电网状态空间预测模型；

S4.2、设置日内控制时域和性能指标，建立滚动优化目标函数，将所述滚动优化目标函数转化为二次规划标准模型，求解所述二次规划标准模型，获得M个预测时域内控制量，执行第一个所述预测时域内控制量；

S4.3、反馈校正，更新所述电网状态空间预测模型，返回S4.1。

7.根据权利要求6所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述电网状态空间预测模型包括状态变量、控制变量和扰动变量，所述电网状态空间预测模型为：

其中，G(t)为被控对象的系统状态量，△G(t)表示对象在t时刻的控制量或者相关输入量；H(t)表示t时刻系统输出量；A、B、C、D分别为系统矩阵、输入矩阵、输出矩阵、扰动矩阵。

8.根据权利要求7所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述滚动优化目标函数为：

ΔG(t)＝[ΔG(t)^T，ΔG(t+1)^T，...，ΔG(t+M-1)^T，ΔG(t+M)^T]^T

其中，F_obj为跟踪性目标函数；X(t)为t时刻上层下发的基准量；△G(t)为t时刻控制量，M为预测时域；δ、θ为权重系数矩阵。

9.根据权利要求8所述的电网多时间尺度多目标能量优化调度方法，其特征在于：所述反馈校正更新所述电网状态空间预测模型为：

ρr(t+1)＝H(t+1)-H(t+1|t)，

其中，ρ为误差系数矩阵；H(t+1|t)为t时刻对t+1的预测输出量。

Images