CN113962612A - 基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法 - Google Patents

基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法 Download PDF

Info

Publication number
CN113962612A
CN113962612A CN202111417104.9A CN202111417104A CN113962612A CN 113962612 A CN113962612 A CN 113962612A CN 202111417104 A CN202111417104 A CN 202111417104A CN 113962612 A CN113962612 A CN 113962612A
Authority
CN
China
Prior art keywords
power
wind power
electric
state
wasserstein
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111417104.9A
Other languages
English (en)
Inventor
刘鸿鹏
李宏伟
张伟
张书鑫
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli 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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN202111417104.9A priority Critical patent/CN113962612A/zh
Publication of CN113962612A publication Critical patent/CN113962612A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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

Abstract

基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，涉及电热联合系统中可再生能源调度技术领域。本发明是为了解决传统的Wasserstein测度构建的不确定性集合在理论上是包含无穷多个的概率分布，影响优化调度模型的求解效率；并且在电热联合系统中对于电动汽车集群的不确定性建模方法局限于概率分布函数，无法满足多场景调度需求的问题。本发明构建风电预测误差的不确定集，将风电输出功率的极端情景指标引入风电预测误差的不确定集中，建立极端场景下风电预测误差的不确定集，分别构建充电和放电状态下电动汽车运行特性的不确定集，最后建立不确定集下分布鲁棒优化调度模型。

Description

基于改进Wasserstein测度的电热联合系统分布鲁棒优化调 度方法
技术领域
本发明属于电热联合系统中可再生能源调度技术领域。
背景技术
针对电热联合系统中可再生能源不确定性优化问题，分布鲁棒优化方法可以很好的避免随机优化以及鲁棒优化在处理不确定性问题时存在经济性较差以及保守性较高的缺点。然而，对于分布鲁棒优化问题的不确定性集合建模一直以来是分布鲁棒优化模型的关键难点。
基于Wasserstein测度的不确定性集合构建弥补了基于概率分布函数以及KL(Kullback-Leibler)散度在不确定性集合构建方面的缺点。但是，传统的Wasserstein测度构建的不确定性集合在理论上是包含无穷多个的概率分布，严重影响优化调度模型的求解效率。同时，在电热联合系统中对于电动汽车集群的不确定性建模方法局限于概率分布函数，难以符合实际的多场景调度需求。
发明内容
本发明是为了解决传统的Wasserstein测度构建的不确定性集合在理论上是包含无穷多个的概率分布，影响优化调度模型的求解效率；并且在电热联合系统中对于电动汽车集群的不确定性建模方法局限于概率分布函数，无法满足多场景调度需求的问题，现提供基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法。
基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，包括以下步骤：
步骤一：构建风电预测误差的不确定集
Figure BDA0003375650730000011
该不确定集
Figure BDA0003375650730000012
为以经验分布
Figure BDA0003375650730000013
为圆心、εw为半径的Wasserstein球，表达式如下：
Figure BDA0003375650730000014
其中，
Figure BDA0003375650730000015
为风电输出功率的预测值，
Figure BDA0003375650730000016
为具有支撑的所有概率分布Ξ的集合，
Figure BDA0003375650730000017
为真实分布
Figure BDA0003375650730000018
的期望值，其中
Figure BDA0003375650730000019
Figure BDA00033756507300000110
为欧几里德范数，
Figure BDA00033756507300000111
为真实分布
Figure BDA00033756507300000112
和经验分布
Figure BDA00033756507300000113
的联合概率分布，ξw和
Figure BDA00033756507300000114
分别为真实分布
Figure BDA00033756507300000115
和经验分布
Figure BDA00033756507300000116
的随机变量、且分别服从
Figure BDA00033756507300000117
和
Figure BDA00033756507300000118
inf(·)为下确界函数；
步骤二：将风电输出功率的极端情景指标引入风电预测误差的不确定集中，建立极端场景下风电预测误差的不确定集
Figure BDA0003375650730000021
Figure BDA0003375650730000022
其中，α1和α2分别为风电预测误差可允许的向上和向下的波动百分比，
Figure BDA0003375650730000023
和
Figure BDA0003375650730000024
分别为向上和向下爬坡功率的阈值；
步骤三：分别构建充电和放电状态下电动汽车运行特性的不确定集，
充电状态下电动汽车运行特性的不确定度集
Figure BDA0003375650730000025
为：
Figure BDA0003375650730000026
其中，Pt Char为t时刻充电状态下电动汽车的总充电功率，Pt Prechar为t时刻充电状态下电动汽车的预测充电功率，Pt Upchar和Pt Downchar分别为t时刻充电状态下电动汽车的向上和向下最大波动充电功率，
Figure BDA0003375650730000027
和
Figure BDA0003375650730000028
均为0～1的变量、
Figure BDA0003375650730000029
且
Figure BDA00033756507300000210
Figure BDA00033756507300000211
为充电状态下电动汽车的调节系数、且
Figure BDA00033756507300000212
Figure BDA00033756507300000213
Figure BDA00033756507300000214
T为总调度周期；
放电状态下电动汽车运行特性的不确定度集
Figure BDA00033756507300000215
为：
Figure BDA00033756507300000216
其中，Pt Dis为t时刻放电状态下电动汽车的总放电功率，Pt Predis为t时刻放电状态下电动汽车的预测放电功率，Pt Updis和Pt Downdis分别为t时刻放电状态下电动汽车的向上和向下最大波动放电功率，
Figure BDA00033756507300000217
和
Figure BDA00033756507300000218
均为0～1的变量、
Figure BDA00033756507300000219
且
Figure BDA00033756507300000220
Figure BDA00033756507300000221
为放电状态下电动汽车的调节系数、且
Figure BDA00033756507300000222
Figure BDA00033756507300000223
Figure BDA00033756507300000224
步骤四：建立不确定集下分布鲁棒优化调度模型：
Figure BDA00033756507300000225
其中，
Figure BDA0003375650730000031
为常规机组的运行成本，
Figure BDA0003375650730000032
为第i个常规机组在t时刻的输出功率，
Figure BDA0003375650730000033
和
Figure BDA0003375650730000034
分别为常规机组的启动和停止状态量，当常规机组的启动时
Figure BDA0003375650730000035
当常规机组的停止时
Figure BDA0003375650730000036
Figure BDA0003375650730000037
为热电联产机组的燃料成本，
Figure BDA0003375650730000038
为热电联产机组的电力输出功率值，
Figure BDA0003375650730000039
为电动汽车的折旧成本，
Figure BDA00033756507300000310
和
Figure BDA00033756507300000311
分别为第n辆电动汽车在t时刻的充电功率和放电功率，NG为常规机组的总数，NCHP热电联产机组的总数，NEV为电动汽车的总数，
Figure BDA00033756507300000312
为电热联合系统的总不确定集，
Figure BDA00033756507300000313
EP[i]为
Figure BDA00033756507300000314
中任一分布P的期望值，
Figure BDA00033756507300000315
其中，x为常规机组和热电联产机组的输出功率调整值集合，
Figure BDA00033756507300000316
为风电功率预测误差和电动汽车充放电功率的波动值集合，CEVR为电动汽车电池的更换成本，
Figure BDA00033756507300000317
为第n辆电动汽车电池的充放电总容量，
Figure BDA00033756507300000318
和
Figure BDA00033756507300000319
分别为充电状态和放电状态下电动汽车的功率波动值，cG,i和cCHP,i分别为第i个常规机组和第i个热电联产机组输出功率调整成本系数，
Figure BDA00033756507300000320
和
Figure BDA00033756507300000321
分别为第i个常规机组和第i个热电联产机组在t时刻的参与系数，ΔPt G和ΔPt CHP分别为常规机组和热电联产机组的调节功率。
进一步的，根据历史风电预测功率误差数据集
Figure BDA00033756507300000322
构建经验分布
Figure BDA00033756507300000323
Figure BDA00033756507300000324
其中，N为历史样本总数，j＝1,2,...,N，
Figure BDA00033756507300000325
为第j个历史风电预测功率误差数据
Figure BDA00033756507300000326
的狄拉克测度。
进一步的，上述欧几里德范数
Figure BDA00033756507300000327
的表达式如下：
Figure BDA00033756507300000328
进一步的，上述步骤二所述极端情景包括以下两种情况：
第一种为风电输出功率为最大值或最小值，则t时刻最大风电输出功率
Figure BDA00033756507300000329
和最小风电输出功率
Figure BDA00033756507300000330
的表达式为：
Figure BDA0003375650730000041
其中，
Figure BDA0003375650730000042
为t时刻风电输出功率的预测值；
第二种为风电的爬坡功率超出其阈值，则风电在时间间隔(t,t+Δt)内的极端爬坡功率为：
Figure BDA0003375650730000043
其中，
Figure BDA0003375650730000044
和
Figure BDA0003375650730000045
分别为风电的向上和向下爬坡功率，Pw,t和Pw,t+Δt分别为t和t+Δt时刻风电的输出功率，Δt为时间增量。
进一步的，上述荷电状态小于等于20％的为充电状态的电动汽车，荷电状态大于等于80％的为放电状态的电动汽车。
进一步的，上述常规机组的运行成本
Figure BDA0003375650730000046
中包括燃料成本和启停成本。
本发明所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，综合考虑风电功率预测误差以及极端风电出力场景，能够有效提升系统的优化调度模型的求解效率并改善系统的运行经济性，满足多场景调度需求。
附图说明
图1为IEEE 9节点电热联合系统；
图2为场景2和场景3的电动汽车运行情况；
图3为CON和CHP机组的调整量；
图4为基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法的流程图。
具体实施方式
具体实施方式一：参照图1至图4具体说明本实施方式，本实施方式所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，包括以下步骤：
步骤一：使用经验分布
Figure BDA0003375650730000047
作为参考分布来估计真实分布
Figure BDA0003375650730000048
具体的，根据历史风电预测功率误差数据集
Figure BDA0003375650730000049
构建经验分布
Figure BDA00033756507300000410
该经验分布
Figure BDA00033756507300000411
是一个阶跃函数，表达式为：
Figure BDA00033756507300000412
其中，N为历史样本总数，j＝1,2,...,N，
Figure BDA00033756507300000413
为第j个历史风电预测功率误差数据
Figure BDA00033756507300000414
的狄拉克测度。
根据大数定律，可以证明，当有更多数据可用时，参考分布
Figure BDA0003375650730000051
肯定会逐渐收敛到真实分布
Figure BDA0003375650730000052
则构建风电预测误差的不确定集
Figure BDA0003375650730000053
该不确定集
Figure BDA0003375650730000054
为以经验分布
Figure BDA0003375650730000055
为圆心、εw为半径的Wasserstein球，表达式如下：
Figure BDA0003375650730000056
其中，
Figure BDA0003375650730000057
为风电输出功率的预测值，
Figure BDA0003375650730000058
为具有支撑的所有概率分布Ξ的集合，
Figure BDA0003375650730000059
为真实分布
Figure BDA00033756507300000510
的期望值，其中
Figure BDA00033756507300000511
Figure BDA00033756507300000512
为欧几里德范数，
Figure BDA00033756507300000513
为真实分布
Figure BDA00033756507300000514
和经验分布
Figure BDA00033756507300000515
的联合概率分布，ξw和
Figure BDA00033756507300000516
分别为真实分布
Figure BDA00033756507300000517
和经验分布
Figure BDA00033756507300000518
的随机变量、且分别服从
Figure BDA00033756507300000519
和
Figure BDA00033756507300000520
inf(·)为下确界函数。
步骤二：基于Wasserstein测度的分布鲁棒优化调度模型可以弥补累积概率分布和KL散度等其他不确定集的不足。然而，随着样本集大小的增加，计算量也急剧增加。同时，分布鲁棒优化调度试图在最坏概率分布情况下做出最佳决策，从而保障不确定集中所有可能的概率分布的决策方案。因此，在最坏情况概率分布下，分布鲁棒优化调度的鲁棒性可以得到保证。
基于以上事实，建立风电极端情景指标，需要尽可能筛选出风电输出的最坏情况概率分布集，以提高分布鲁棒优化调度的计算效率；同时又不失决策方案的鲁棒性和经济性。目前有两种极端风电输出功率场景：
第一种为风电输出功率为最大值或最小值，则t时刻最大风电输出功率
Figure BDA00033756507300000521
和最小风电输出功率
Figure BDA00033756507300000522
的表达式为：
Figure BDA00033756507300000523
其中，
Figure BDA00033756507300000524
为t时刻风电输出功率的预测值。
第二种为风电的爬坡功率超出其阈值，则风电在时间间隔(t,t+Δt)内的极端爬坡功率为：
Figure BDA0003375650730000061
其中，
Figure BDA0003375650730000062
和
Figure BDA0003375650730000063
分别为风电的向上和向下爬坡功率，Pw,t和Pw,t+Δt分别为t和t+Δt时刻风电的输出功率，Δt为时间增量。
将风电输出功率的极端情景指标引入风电预测误差的不确定集中，使得建立极端场景下风电预测误差的不确定集
Figure BDA0003375650730000064
Figure BDA0003375650730000065
其中，α1和α2分别为风电预测误差可允许的向上和向下的波动百分比，
Figure BDA0003375650730000066
和
Figure BDA0003375650730000067
分别为向上和向下爬坡功率的阈值。
步骤三：与受气象因素影响较大的风力发电不同，电动汽车的运行特性能够通过引导电动汽车有序充电或放电来进行控制。此外，未来将有越来越多的电动汽车接入电网，合理有效的控制是必要的。通过适当的调节，电动汽车集群的不确定性可以大大降低。然而，尽管有序调控削弱了电动汽车集群的不确定性，但电动汽车集群的不确定性仍然存在。因此，需要建立有序控制下电动汽车集群的不确定度集。
根据电动汽车荷电状态的差异，将电动汽车分为三种类型：
1)荷电状态小于等于20％的为充电状态的电动汽车(CSEVs)；
2)荷电状态大于等于80％的为放电状态的电动汽车(DSEVs)；
3)荷电状态大于20％且小于80％的为移动储能型电动汽车(MSEVs)。
这里仅考虑CSEVs和DSEVs的不确定性，并将MSEVs视为储备资源。
分别构建充电和放电状态下电动汽车运行特性的不确定集，
充电状态下电动汽车运行特性的不确定度集
Figure BDA0003375650730000068
为：
Figure BDA0003375650730000069
其中，Pt Char为t时刻充电状态下电动汽车的总充电功率，Pt Prechar为t时刻充电状态下电动汽车的预测充电功率，Pt Upchar和Pt Downchar分别为t时刻充电状态下电动汽车的向上和向下最大波动充电功率，
Figure BDA0003375650730000071
和
Figure BDA0003375650730000072
均为0～1的变量、
Figure BDA0003375650730000073
且
Figure BDA0003375650730000074
Figure BDA0003375650730000075
为充电状态下电动汽车的调节系数(调度期间充电状态下电动汽车充电功率达到波动间隔边界值的数值)、且
Figure BDA0003375650730000076
Figure BDA0003375650730000077
Figure BDA0003375650730000078
T为总调度周期。
放电状态下电动汽车运行特性的不确定度集
Figure BDA0003375650730000079
为：
Figure BDA00033756507300000710
其中，Pt Dis为t时刻放电状态下电动汽车的总放电功率，Pt Predis为t时刻放电状态下电动汽车的预测放电功率，Pt Updis和Pt Downdis分别为t时刻放电状态下电动汽车的向上和向下最大波动放电功率，
Figure BDA00033756507300000711
和
Figure BDA00033756507300000712
均为0～1的变量、
Figure BDA00033756507300000713
且
Figure BDA00033756507300000714
Figure BDA00033756507300000715
为放电状态下电动汽车的调节系数、且
Figure BDA00033756507300000716
Figure BDA00033756507300000717
Figure BDA00033756507300000718
步骤四：为了综合考虑风电和电动汽车集群的不确定性，需要建立不确定集下分布鲁棒优化调度模型，该模型分为两个阶段。
第一阶段，根据风电、电动汽车充电功率和放电功率的预测输出值，安排机组输出功率计划，目标是使发电成本、启停成本、电动汽车运行成本和第二阶段预期成本之和最小化。具体公式为：
Figure BDA00033756507300000719
其中，
Figure BDA00033756507300000720
为常规机组的运行成本，该运行成本中包括燃料成本和启停成本，
Figure BDA00033756507300000721
为第i个常规机组在t时刻的输出功率，
Figure BDA00033756507300000722
和
Figure BDA00033756507300000723
分别为常规机组的启动和停止状态量，当常规机组的启动时
Figure BDA00033756507300000724
当常规机组的停止时
Figure BDA00033756507300000725
为热电联产机组的燃料成本，
Figure BDA00033756507300000726
为热电联产机组的电力输出功率值，
Figure BDA00033756507300000727
为电动汽车的折旧成本，
Figure BDA00033756507300000728
和
Figure BDA00033756507300000729
分别为第n辆电动汽车在t时刻的充电功率和放电功率，NG为常规机组的总数，NCHP热电联产机组的总数，NEV为电动汽车的总数，
Figure BDA00033756507300000730
为电热联合系统的总不确定集，
Figure BDA00033756507300000731
EP[·]为
Figure BDA00033756507300000732
中任一分布P的期望值。
第二阶段，针对风力发电和电动汽车充放电功率的波动进行调节，其目标函数包括发电机组的调节成本、电动汽车的运行成本，具体公式为：
Figure BDA0003375650730000081
其中，x为常规机组和热电联产机组的输出功率调整值集合，
Figure BDA0003375650730000082
为风电功率预测误差和电动汽车充放电功率的波动值集合，CEVR为电动汽车电池的更换成本，
Figure BDA0003375650730000083
为第n辆电动汽车电池的充放电总容量，
Figure BDA0003375650730000084
和
Figure BDA0003375650730000085
分别为充电状态和放电状态下电动汽车的功率波动值，cG,i和cCHP,i分别为第i个常规机组和第i个热电联产机组输出功率调整成本系数，
Figure BDA0003375650730000086
和
Figure BDA0003375650730000087
分别为第i个常规机组和第i个热电联产机组在t时刻的参与系数，ΔPt G和ΔPt CHP分别为常规机组和热电联产机组的调节功率。
为了验证上述基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法的有效性，针对改进的IEEE 9节点电热联合系统进行仿真验证，IEEE 9节点电热联合系统如图1所示。
考虑三种调度场景，以分析基于极端场景的风电不确定性和电动汽车(EV)运行特性不确定性对调度结果的影响。三种调度场景如下：
情景1：考虑了基本情况下的调度方案，该方案仅考虑基于Wasserstein测度的电热联合系统分布鲁棒优化模型。
情景2：与调度场景1相比，考虑极端风电情景下改进Wasserstein测度的电热联合系统分布鲁棒优化模型。
情景3：与调度方案2相比，又考虑电动汽车运行特性不确定性的电热联合系统分布鲁棒优化模型。
1)情景1和情景2的结果对比分析
通过调度场景1和2之间的比较，验证了基于改进Wasserstein测度的分布鲁棒优化调度模型的有效性和优越性。表1给出了场景1和场景2的优化调度模型的运行成本和计算时间。
表1所示的结果表明，场景2的优化调度模型的运行成本接近场景1的优化调度模型，甚至小于场景1优化调度模型，这证明所提出的场景2优化调度模型的有效性，且经济性较好。此外，场景2优化调度模型在计算时间上具有巨大优势。从表1可以看出，当有更多的历史数据可用时，两个模型之间的计算时间差距会极大地增加。以采样5000次的仿真结果为例，提出的场景2的优化调度模型在计算速度上比场景1的优化调度模型快73.88％。
表1场景1和场景2的结果对比
Figure BDA0003375650730000091
2)场景2和场景3的结果对比分析
此处能够说明电动汽车运行特性的不确定性对优化结果的影响。场景2和场景3的运行成本和计算时间比较如表2所示。场景2和场景3的电动汽车运行情况如图2所示。CON(常规机组)和CHP(热电联产机组)的调整功率如图3所示。从表2可以看出，由于考虑了电动汽车运行特性的不确定性，场景3的总运行成本高于场景2的运行成本，尤其是电动汽车电池的折旧成本比场景2高出30.45％。
表2场景2和场景3的对比结果
Figure BDA0003375650730000092
从图2可以看出，场景3的电动汽车充电功率和放电功率大于场景2的运行情况。这是因为电动汽车的不确定性增加，导致MSEVs的充电功率和放电功率发生变化，以应对CSEVs和DSEVs的波动。如图3所示，CON机组和CHP机组也参与调整，以应对EV的不确定性。由于CHP机组的调整成本低于CON机组，因此，CHP机组是主要的调节机组。

Claims (6)

1.基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，其特征在于，包括以下步骤：
步骤一：构建风电预测误差的不确定集
Figure FDA0003375650720000011
该不确定集
Figure FDA0003375650720000012
为以经验分布
Figure FDA0003375650720000013
为圆心、εw为半径的Wasserstein球，表达式如下：
Figure FDA0003375650720000014
其中，
Figure FDA0003375650720000015
为风电输出功率的预测值，
Figure FDA0003375650720000016
为具有支撑的所有概率分布Ξ的集合，
Figure FDA0003375650720000017
为真实分布
Figure FDA0003375650720000018
的期望值，其中
Figure FDA0003375650720000019
Figure FDA00033756507200000110
为欧几里德范数，
Figure FDA00033756507200000111
为真实分布
Figure FDA00033756507200000112
和经验分布
Figure FDA00033756507200000113
的联合概率分布，ξw和
Figure FDA00033756507200000114
分别为真实分布
Figure FDA00033756507200000135
和经验分布
Figure FDA00033756507200000115
的随机变量、且分别服从
Figure FDA00033756507200000116
和
Figure FDA00033756507200000117
inf(·)为下确界函数；
步骤二：将风电输出功率的极端情景指标引入风电预测误差的不确定集中，建立极端场景下风电预测误差的不确定集
Figure FDA00033756507200000118
Figure FDA00033756507200000119
其中，α1和α2分别为风电预测误差可允许的向上和向下的波动百分比，
Figure FDA00033756507200000120
和
Figure FDA00033756507200000134
分别为向上和向下爬坡功率的阈值；
步骤三：分别构建充电和放电状态下电动汽车运行特性的不确定集，
充电状态下电动汽车运行特性的不确定度集
Figure FDA00033756507200000121
为：
Figure FDA00033756507200000122
其中，
Figure FDA00033756507200000123
为t时刻充电状态下电动汽车的总充电功率，
Figure FDA00033756507200000124
为t时刻充电状态下电动汽车的预测充电功率，
Figure FDA00033756507200000125
和
Figure FDA00033756507200000126
分别为t时刻充电状态下电动汽车的向上和向下最大波动充电功率，
Figure FDA00033756507200000127
和
Figure FDA00033756507200000128
均为0～1的变量、
Figure FDA00033756507200000129
且
Figure FDA00033756507200000130
Figure FDA00033756507200000131
为充电状态下电动汽车的调节系数、且
Figure FDA00033756507200000132
Figure FDA00033756507200000133
T为总调度周期；
放电状态下电动汽车运行特性的不确定度集
Figure FDA0003375650720000021
为：
Figure FDA0003375650720000022
其中，
Figure FDA0003375650720000023
为t时刻放电状态下电动汽车的总放电功率，
Figure FDA0003375650720000024
为t时刻放电状态下电动汽车的预测放电功率，
Figure FDA0003375650720000025
和
Figure FDA0003375650720000026
分别为t时刻放电状态下电动汽车的向上和向下最大波动放电功率，
Figure FDA0003375650720000027
和
Figure FDA0003375650720000028
均为0～1的变量、
Figure FDA0003375650720000029
Figure FDA00033756507200000210
为放电状态下电动汽车的调节系数、且
Figure FDA00033756507200000211
步骤四：建立不确定集下分布鲁棒优化调度模型：
Figure FDA00033756507200000212
其中，
Figure FDA00033756507200000213
为常规机组的运行成本，
Figure FDA00033756507200000214
为第i个常规机组在t时刻的输出功率，
Figure FDA00033756507200000215
和
Figure FDA00033756507200000216
分别为常规机组的启动和停止状态量，当常规机组的启动时
Figure FDA00033756507200000217
当常规机组的停止时
Figure FDA00033756507200000218
为热电联产机组的燃料成本，
Figure FDA00033756507200000219
为热电联产机组的电力输出功率值，
Figure FDA00033756507200000220
为电动汽车的折旧成本，
Figure FDA00033756507200000221
和
Figure FDA00033756507200000222
分别为第n辆电动汽车在t时刻的充电功率和放电功率，NG为常规机组的总数，NCHP热电联产机组的总数，NEV为电动汽车的总数，P为电热联合系统的总不确定集，
Figure FDA00033756507200000223
EP[·]为P中任一分布P的期望值，
Figure FDA00033756507200000224
其中，x为常规机组和热电联产机组的输出功率调整值集合，
Figure FDA00033756507200000225
为风电功率预测误差和电动汽车充放电功率的波动值集合，CEVR为电动汽车电池的更换成本，
Figure FDA00033756507200000226
为第n辆电动汽车电池的充放电总容量，
Figure FDA00033756507200000227
和
Figure FDA00033756507200000228
分别为充电状态和放电状态下电动汽车的功率波动值，cG,i和cCHP,i分别为第i个常规机组和第i个热电联产机组输出功率调整成本系数，
Figure FDA00033756507200000229
和
Figure FDA00033756507200000230
分别为第i个常规机组和第i个热电联产机组在t时刻的参与系数，
Figure FDA00033756507200000231
和
Figure FDA00033756507200000232
分别为常规机组和热电联产机组的调节功率。
2.根据权利要求1所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，其特征在于，根据历史风电预测功率误差数据集
Figure FDA0003375650720000031
构建经验分布
Figure FDA0003375650720000032
Figure FDA0003375650720000033
其中，N为历史样本总数，j＝1,2,...,N，
Figure FDA00033756507200000315
为第j个历史风电预测功率误差数据
Figure FDA0003375650720000034
的狄拉克测度。
3.根据权利要求1或2所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，其特征在于，欧几里德范数
Figure FDA0003375650720000035
的表达式如下：
Figure FDA0003375650720000036
4.根据权利要求1所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，其特征在于，步骤二所述极端情景包括以下两种情况：
第一种为风电输出功率为最大值或最小值，则t时刻最大风电输出功率
Figure FDA0003375650720000037
和最小风电输出功率
Figure FDA0003375650720000038
的表达式为：
Figure FDA0003375650720000039
其中，
Figure FDA00033756507200000310
为t时刻风电输出功率的预测值；
第二种为风电的爬坡功率超出其阈值，则风电在时间间隔(t,t+Δt)内的极端爬坡功率为：
Figure FDA00033756507200000311
其中，
Figure FDA00033756507200000312
和
Figure FDA00033756507200000313
分别为风电的向上和向下爬坡功率，Pw,t和Pw,t+Δt分别为t和t+Δt时刻风电的输出功率，Δt为时间增量。
5.根据权利要求1所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，其特征在于，荷电状态小于等于20％的为充电状态的电动汽车，荷电状态大于等于80％的为放电状态的电动汽车。
6.根据权利要求1所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，其特征在于，常规机组的运行成本
Figure FDA00033756507200000314
中包括燃料成本和启停成本。
CN202111417104.9A 2021-11-25 2021-11-25 基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法 Pending CN113962612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111417104.9A CN113962612A (zh) 2021-11-25 2021-11-25 基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111417104.9A CN113962612A (zh) 2021-11-25 2021-11-25 基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法

Publications (1)

Publication Number Publication Date
CN113962612A true CN113962612A (zh) 2022-01-21

Family

ID=79472113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111417104.9A Pending CN113962612A (zh) 2021-11-25 2021-11-25 基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法

Country Status (1)

Country Link
CN (1) CN113962612A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688394A (zh) * 2022-10-18 2023-02-03 上海科技大学 考虑电网多重不确定性的v2g分布鲁棒优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688394A (zh) * 2022-10-18 2023-02-03 上海科技大学 考虑电网多重不确定性的v2g分布鲁棒优化方法
CN115688394B (zh) * 2022-10-18 2023-12-26 上海科技大学 考虑电网多重不确定性的v2g分布鲁棒优化方法

Similar Documents

Publication Publication Date Title
CN107039977B (zh) 电力系统鲁棒调度不确定集构建方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
Ramadan et al. Smart charging and discharging of plug-in electric vehicles for peak shaving and valley filling of the grid power
CN112993979B (zh) 配电网无功优化方法、装置、电子设备和存储介质
CN107730048B (zh) 一种风电-电动汽车联合系统随机鲁棒优化调度方法
CN112884270B (zh) 一种考虑不确定性因素的多场景配电网规划方法及系统
CN112039079B (zh) 考虑电压安全的有源配电网储能优化系统配置方法
CN110138006B (zh) 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN113193547A (zh) 计及新能源及负荷区间不确定性的电力系统日前-日内协同调度方法与系统
CN112053035B (zh) 考虑经济性与灵活性的输电通道与储能联合规划方法
Liang et al. A calculation model of charge and discharge capacity of electric vehicle cluster based on trip chain
CN112070628B (zh) 一种计及环境因素的智能电网多目标经济调度方法
CN113962612A (zh) 基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法
CN111641233A (zh) 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法
CN114529100A (zh) 一种面向区域电网风光消纳的储能优化配置方法及系统
CN111509782B (zh) 考虑充电负荷与光伏出力随机特性的概率潮流分析方法
CN110336308B (zh) 一种基于机会约束的主动配电网经济调度方法
CN116914850A (zh) 一种区域综合能源系统双层优化调度方法、系统及设备
CN112821468B (zh) 一种分时段多目标火电机组实时优化调度方法
CN114844059A (zh) 一种电动汽车集群参与调峰的双层优化控制方法
CN112736894A (zh) 一种计及风电与电动汽车随机性的两阶段机组组合建模方法
CN114389294B (zh) 一种面向降维等效的海量电动汽车集中式控制方法及系统
CN117374975B (zh) 一种基于近似动态规划的配电网实时协同调压方法
Wang et al. Two-stage mechanism design for electric vehicle charging involving renewable energy

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