CN114336599A - 一种独立型微电网动态优化调度方法 - Google Patents

Abstract

本发明公开一种独立型微电网动态优化调度方法，包括以下步骤：步骤一、针对独立微电网系统建立长周期能量匹配评估与优化模型，制定预期内的柴油消耗、储能系统能量存储和负荷转移计划；包括建立关于可靠供电概率、柴油消耗量、负荷转移量的目标函数；并设定储能系统、柴油消耗量、负荷能量转移的约束条件；步骤二、建立基于场景分析的日前随机优化模型，制定未来一天的微电网逐时调度计划；通过多场景技术处理光伏和负荷的不确定性，同时使用条件风险价值CVaR衡量光伏和负荷的不确定性带来的调度风险成本；并考虑了长周期能量匹配评估与优化阶段的负荷转移方案和备用电量需求；日前随机优化模型中的目标函数为最小化综合调度成本，综合调度成本包括调度成本和风险成本；约束条件包括功率平衡约束、储能运行约束、柴油发电机运行约束、负荷转移约束和备用电量需求约束。

Description

一种独立型微电网动态优化调度方法

技术领域

本发明涉及独立型微电网优化调度领域，特别是涉及一种考虑长周期能量供需平衡的独立型微电网动态优化调度方法。

背景技术

微电网作为一种集成了可再生能源和负荷的小型电力系统，越来越受到人们的广泛关注。特别是在偏远地区，建设微电网是一种更加经济的供电方式。但由于可再生能源的间歇性和不确定性，在独立型微电网中往往配备柴油发电机和储能系统提高系统的灵活性和可靠性。由于偏远地区地理位置和交通条件的影响，尤其是在发生自然灾害的条件下，微电网中化石燃料储备有限，补给周期较长，严重威胁微电网长期的可靠运行。伴随着我国能源转型政策的进一步实施，微电网内可再生能源发电占比逐步增大，可再生能源出力的间歇性、随机性导致的供电可靠性问题日益严重，考虑到独立型微电网运行过程中化石燃料定期补充，储备有限的现实情况，独立型微电网长期运行的可靠性问题亟待进一步研究。

众多学者针对微电网能量管理算法开展了研究，包括基于规则的算法和数学规划算法、人工智能算法等基于优化的方法。基于规则的算法是根据微电网的运行状态按照预先制定的规则进行决策，该方法操作简便被广泛应用于保障微电网系统的经济可靠运行。此外，基于优化的方法利用可再生能源和负荷的预测信息制定微电网未来调度计划。国内外学者基于上述两种方法在微电网能量管理研究方面取得了丰富的研究成果，但是在保障独立型微电网长时间尺度运行的可靠性和经济性仍存在研究空白，现有的独立型微电网优化调度算法仅仅是在日前或者日内时间尺度下进行优化计算，此种时间尺度下未考虑长时间范围内能源供需平衡情况，在保障独立型微电网长时间尺度可靠运行方面存在缺陷。

发明内容

针对上述问题，本发明的目的是克服现有的独立型微电网优化调度时间尺度小，长期运行可靠性低的不足，首先基于可再生能源和负荷长时间范围内的能量预测信息，通过优化方法制定长时间范围内柴油消耗、储能系统能量存储和负荷转移计划，在保证供电可靠概率最大化的同时最小化柴油消耗量和负荷转移量；然后在日前调度阶段考虑日前调度结束后的能量备用约束制定最优日前调度计划。

本发明的目的是通过以下技术方案实现的：

一种独立型微电网动态优化调度方法，考虑长周期能量供需平衡，包括以下步骤：

步骤一、针对独立微电网系统建立长周期能量匹配评估与优化模型，制定预期内的柴油消耗、储能系统能量存储和负荷转移计划；建立长周期能量匹配评估与优化模型包括建立关于可靠供电概率、柴油消耗量、负荷转移量的目标函数；并设定储能系统、柴油消耗量、负荷能量转移的约束条件；

步骤二、建立基于场景分析的日前随机优化模型，制定未来一天的微电网逐时调度计划；通过多场景技术处理光伏和负荷的不确定性，同时使用条件风险价值CVaR衡量光伏和负荷的不确定性带来的调度风险成本；并考虑了长周期能量匹配评估与优化阶段的负荷转移方案和备用电量需求；日前随机优化模型中的目标函数为最小化综合调度成本，综合调度成本包括调度成本和风险成本；日前随机优化模型的约束条件包括功率平衡约束、储能运行约束、柴油发电机运行约束、负荷转移约束、备用电量需求约束。

进一步的，步骤一中具体如下：

(101)目标函数

式中，n为长周期能量匹配评估与优化的周期；P_i,d为第i次长周期能量匹配评估与优化中第d天的可靠供电概率，目标函数f₁为最大化第i～i+n天可靠供电概率之和；O_i,d为第i次长周期能量匹配评估与优化中第d天的柴油消耗量，目标函数f₂为最小化第i～i+n天的柴油消耗量；

为第i次长周期能量匹配评估与优化中第d天的负荷转入量，目标函数f₃为最小化第i～i+n天的负荷转移量；P_i,d由下式计算：

式中，等式右侧部分代表第i次长周期能量匹配评估与优化中第d天能量供给大于能量需求的概率；

和

分别为第i次长周期能量匹配评估与优化中第d天的光伏和负荷能量预测值；

和

分别为第i次长周期能量匹配评估与优化中第d天的光伏和负荷能量预测误差；γ为油电转换系数，表征柴油发电机消耗单位体积柴油的发电量；

和

分别为第i次长周期能量匹配评估与优化中第d天储能系统能量净增加量和净减少量；

为第i次长周期能量匹配评估与优化前即第1～i-1次长周期能量匹配评估与优化中第d天的负荷净转移量；

和

分别为第i次长周期能量匹配评估与优化中第d天负荷转入量和转出量；

和

为随机变量，其累计概率分布可根据历史数据拟合得到；为便于求解，式(2)改写为式(3)，

和

相互独立，根据

和

各自的累计分布函数可计算得到

的累计分布函数，因此式(3)根据

的累计分布函数进行求解；

第i次长周期能量匹配评估与优化前即第1～i-1次长周期能量匹配评估与优化中第d天的负荷净转移量

由下式计算：

式中，等式右侧第二行表明第i(i＞1)次长周期能量匹配评估与优化时要同时考虑第1次到第i-1次迭代时第d(d＝i,i+1,…,i+n-1)天的负荷转移策略的影响；等式右侧第三行表明在第1次到第i-1次的长周期能量匹配评估与优化中并未涉及第i次长周期能量匹配评估与优化中最后一天即第i+n天负荷能量的转入和转出；

(102)约束条件

1)储能系统约束

不考虑储能系统在充放电过程中的能量损耗，储能系统的荷电状态约束表示为：

SOC_min≤SOC_i,d≤SOC_max (6)

式中，SOC_i,d为储能系统在第i次长周期能量匹配评估与优化中第d天结束时的荷电状态；E^ESS,cap为储能系统容量；SOC_min、SOC_max表示储能系统的最小和最大荷电状态；

储能系统运行约束表示为：

式中，

为区分储能系统在第i次长周期能量匹配评估与优化中第d天能量增加和减少的二进制变量，

表示储能系统净能量增加，否则

2)柴油消耗量约束

设定最大油耗倍数m，约束每次评估周期内的柴油消耗量；

式中，

为日均柴油消耗量，由储油罐油量和预计离网运行时间决定；T为预计离网运行时间，则

为储油罐柴油总存储量；式子右侧部分第一行表示第i次长周期能量匹配评估与优化中的最大允许油耗量；第二行中

表示剩余的可用柴油量，其中O_d为第d天实际柴油消耗量；

3)负荷能量转移约束

负荷总能量在转移前后保持不变：

受负荷特性的影响，不可转移负荷不参加负荷转移计划的制定，因此每日负荷转移量不超过当天负荷能量预测值的某一范围：

式中，κ表示最大负荷转移比例；δ_i,d为二进制变量，δ_i,d＝1表示第i次长周期能量匹配评估与优化中第d天有负荷转入，δ_i,d＝0表示有负荷转出。

进一步的，步骤二中具体如下：

(201)场景生成与缩减；根据各时段光伏和负荷的日前功率预测误差的累计分布函数，采用拉丁超立方采样法生成大量日前光伏和负荷预测误差场景；拉丁超立方采样法的详细步骤如下：

E.将光伏、负荷各时段功率预测误差的累计分布函数平均划分为N个区间；

F.在每个区间随机取一个值r_i，则第i个区间的抽象累计概率为：

式中，r_i为均匀分布的随机数，且r_i∈[0,1]；

G.利用累计分布函数的反函数F^-1将采样概率值Prob_i转换为实际采样值x_i；

x_i＝F^-1(Prob_i) (14)

H.从剩余的区间内继续采样，重复步骤②和③，直到抽样结束(i＝N)为止；

采用后向缩减法减少场景的数量，最大限度地保持剩余场景对原始样本的拟合精度；假设通过拉丁超立方采样生成的场景个数为N，缩减后的目标场景个数为n，后向缩减法的详细步骤如下：

⑥初始化每个场景的概率

和初始场景个数n^*＝N；

⑦计算每对场景(s_i,s_j)之间的距离：

式中，

为第i个场景中第k个元素，

为第j个场景中第k个元素，M为每个误差场景中元素的个数，M＝24×2，包括24个光伏功率预测误差和24个负荷功率预测误差；

⑧选择与指定场景s_l距离最小的场景s_r，即d(s_l,s_r)＝mind(s_l,s_m),m≠l；并计算场景s_r的概率P_r与距离d(s_l,s_r)的乘积P_rd(s_l,s_r)；

⑨对于每一个场景重复步骤③，选择使P_rd(s_l,s_r)最小的场景s_l并剔除该场景，同时令n^*＝n^*-1，更新场景s_r的概率P_r＝P_r+P_l；

⑩重复步骤②～④，直到n^*＝n为止；

(202)日前随机优化模型

1)目标函数

日前随机优化模型的目标函数f为最小化综合调度成本，包含调度成本和风险成本，公式如下：

f＝minC^E+σC^CVaR (16)

式中，C^E为调度成本，为所有场景的调度期望成本；C^CVaR为风险成本；σ为风险系数，用于权衡调度成本和风险成本之间的关系；

调度成本C^E按下式计算：

式中，第一行表示柴油发电机的燃料消耗成本和开启/关闭的动作成本，c_DG为单位体积柴油成本；O_t为t时刻油耗量；v_t和u_t分别为表示柴油发电机开启和关闭动作的二进制变量，v_t＝1表示t时刻柴油机由关闭状态转变为开启状态，u_t＝1表示t时刻柴油机由开启状态转变为关闭状态，v_t＝0和u_t＝0表示t时刻柴油机状态不发生改变；c_DG,on和c_DG,off分别为柴油发电机单次开启和关闭的动作成本；第二行和第三行分别表示所有场景下的失负荷惩罚成本和弃光惩罚成本；ρ_s为场景s的概率；c_load,loss和c_PV,loss分别为单位失负荷惩罚成本和单位弃光惩罚成本；

和

分别为场景s下t时刻的失负荷功率和弃光功率；Δt为调度步长，取1小时；S为场景个数；

调度风险成本C^CVaR按下式计算：

式中，ζ为辅助变量，其最优值为风险价值(Value atRisk,VaR)；α为CVaR的置信度；C_s为场景s下失负荷惩罚成本和弃光惩罚成本之和；且[x]⁺＝max{x,0}；

2)约束条件

a.功率平衡约束

式中，P_t ^PV,p和P_t ^load,p分别为t时刻光伏和负荷功率预测值；

和

分别为场景s下t时刻光伏和负荷的功率预测误差；

和

分别为场景s下的弃光功率和失负荷功率；P_t ^ESS,ch和P_t ^ESS,dis分别为t时刻储能系统的充电功率和放电功率；P_t ^{load,shift-in}和P_t ^{load,shift-out}分别为t时刻负荷转入功率和转出功率；P_t ^DG为t时刻柴油发电机功率，按下式计算：

P_t ^DG＝τO_t/Δt (20)

b.储能运行约束

相邻时段的荷电状态需满足如下关系：

式中，SOC_t为储能系统t时段的荷电状态；η为储能系统充放电效率；

储能运行过程中其剩余容量需满足一定约束，在每一时刻储能的荷电状态都必须小于SOC_max且大于SOC_min；

SOC_min≤SOC_t≤SOC_max (22)

大电流充放电会缩短储能系统的寿命，因此在运行过程中储能系统的充放电功率需限制在某一范围：

式中，

为为了区分储能系统充放电状态而引入的二进制变量，

表示储能系统处于充电状态，

表示处于放电状态；λ为储能系统的最大充放电倍率；

c.柴油发电机运行约束

为提高运行效率，延长柴油发电机的使用寿命，柴油发电机需满足最低负载率限制；

式中，

为柴油发电机的最低负载率；o_t为为了区分柴油发电机运行状态而引入的二进制变量，o_t＝1表示处于开机状态，o_t＝0表示处于停机状态；

为柴油发电机的额定功率；

柴油发电机在t时刻开启和关闭的动作变量v_t、u_t与柴油发电机的运行状态变量o_t需满足以下关系：

u_t-v_t＝o_t-o_t+1 (26)

u_t+v_t≤1 (27)

最后，为防止柴油发电机频繁启停，柴油发电机还需满足最小连续运行时间约束：

式中，T_DG,min为最小连续运行时间；规定t＝1时，o₀＝0；

d.负荷转移约束

第i天日前调度策略中各时段负荷转移量之和应等于长周期能量匹配评估与优化时第i天的负荷转移量，包括第1～i-1次长周期能量匹配评估与优化时第i天的负荷转移量

和第i次长周期能量匹配评估与优化时第i天的负荷转移量

e.备用电量需求约束

为保障未来几天出现极端天气状况时微电网具有足够的抵抗力，日前随机优化制定的调度策略在第i天调度结束时的备用电量不少于第i次长周期能量匹配评估与优化时第i+1～i+n天的备用电量；

式中左侧部分为在第i天调度结束时由储能系统和剩余燃料提供的备用电量，其中

为第i次长周期能量匹配评估与优化时第i～i+n天的最大柴油消耗量，

与式(9)的右侧部分相同；式中右侧部分对应的是第i次长周期能量匹配评估与优化时第i+1～i+n天的备用电量。

与现有技术相比，本发明的技术方案所带来的有益效果是：

(1)本发明考虑了未来能量供需平衡的风险，并将其用于指导日前调度计划的制定。该优化方法可提前预留充足的备用电量以应对未来可能出现的极端天气状况，从而显著提高了独立型微电网的供电可靠性，同时提高了新能源利用率，尤其适用于交通不便、灾害频发的偏远地区的独立型微电网。

(2)本发明利用当前实时更新的预测结果建立滚动优化调度模型，在调度过程中考虑了预测误差和未来能量供需平衡风险的影响，制定的日前调度计划更精细。

(3)本发明包括两个阶段优化调度过程，第一阶段长周期能量匹配评估与优化以长时间范围内微电网各组成要素的日能量为研究对象，优化各要素的能量分配情况，第二阶段日前随机优化以第一阶段长周期能量匹配评估与优化的结果为指导，基于可再生能源和负荷日前逐时预测结果制定日前调度策略，与直接考虑长时间范围内可再生能源和负荷逐时预测结果制定长时间范围内的调度策略相比减小了计算量，提升了系统运行效率。

附图说明

图1是本发明实施例中30天的可靠供电概率。

图2a至图2d分别是本发明实施例中第13～16次长周期能量匹配评估与优化的光伏和负荷能量预测值。

图3是本发明实施例中第16次长周期能量匹配评估与优化结果。

图4是本发明实施例中连续7天日前优化调度结果。

图5是本发明实施例中连续7天储能SOC变化曲线。

图6是本发明实施例中供需偏差的概率分布函数。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种独立型微电网动态优化调度方法，考虑长周期能量供需平衡，包括以下步骤：

步骤一、针对独立微电网系统建立长周期能量匹配评估与优化模型并进行长周期能量匹配评估与优化；

(101)设定目标函数

式中，n为长周期能量匹配评估与优化的周期；P_i,d为第i次长周期能量匹配评估与优化中第d天的可靠供电概率，目标函数f₁为最大化第i～i+n天可靠供电概率之和；O_i,d为第i次长周期能量匹配评估与优化中第d天的柴油消耗量，目标函数f₂为最小化第i～i+n天的柴油消耗量；

为第i次长周期能量匹配评估与优化中第d天的负荷转入量，目标函数f₃为最小化第i～i+n天的负荷转移量。P_i,d由下式计算：

式中，等式右侧部分代表第i次长周期能量匹配评估与优化中第d天能量供给大于能量需求的概率；

和

分别为第i次长周期能量匹配评估与优化中第d天的光伏和负荷能量预测值；

和

分别为第i次长周期能量匹配评估与优化中第d天的光伏和负荷能量预测误差；γ为油电转换系数，表征柴油发电机消耗单位体积柴油的发电量；

和

分别为第i次长周期能量匹配评估与优化中第d天储能系统能量净增加量和净减少量；

为第i次长周期能量匹配评估与优化前(第1～i-1次长周期能量匹配评估与优化)第d天的负荷净转移量；

和

分别为第i次长周期能量匹配评估与优化中第d天负荷转入量和转出量。

和

为随机变量，其累计概率分布可根据历史数据拟合得到。为便于求解，式(2)改写为式(3)，本发明认为

和

相互独立，根据

和

各自的累计分布函数可计算得到

的累计分布函数，因此式(3)可根据

的累计分布函数进行求解。

第i次长周期能量匹配评估与优化前(第1～i-1次长周期能量匹配评估与优化)第d天的负荷净转移量

由下式计算：

式中，等式右侧第二行表明第i(i＞1)次长周期能量匹配评估与优化时要同时考虑第1次到第i-1次迭代时第d(d＝i,i+1,…,i+n-1)天的负荷转移策略的影响。例如，在第1次长周期能量匹配评估与优化时，从第1天转移了部分负荷到第2天，在进行第2次长周期能量匹配评估与优化时，需要在考虑从第1天转移到第2天的负荷能量的基础上重新制定第2～2+n天的柴油消耗、储能系统能量存储和负荷转移计划。等式右侧第三行表明在第1次到第i-1次的长周期能量匹配评估与优化中并未涉及第i次长周期能量匹配评估与优化中最后一天(第i+n天)负荷能量的转入和转出。

(102)约束条件

1)储能系统约束

长周期能量匹配评估与优化模型中不考虑储能系统在充放电过程中的能量损耗。储能系统的荷电状态约束可表示为：

SOC_min≤SOC_i,d≤SOC_max (6)

式中，SOC_i,d为储能系统在第i次长周期能量匹配评估与优化中第d天结束时的荷电状态；E^ESS,cap为储能系统容量；SOC_min、SOC_max表示储能系统的最小和最大荷电状态；

储能系统运行约束可表示为：

式中，

为区分储能系统在第i次长周期能量匹配评估与优化中第d天能量增加和减少的二进制变量，

表示储能系统净能量增加，否则

2)柴油消耗量约束

为防止离网运行期间某些时段柴油消耗量过大，余量无法支撑剩余离网运行时段，导致基础负荷无法得到满足的情况发生，本发明设定最大油耗倍数m，约束每次评估周期内的柴油消耗量。

式中，

为日均柴油消耗量，由储油罐油量和预计离网运行时间决定；T为预计离网运行时间，则

为储油罐柴油总存储量；式子右侧部分第一行表示第i次长周期能量匹配评估与优化中的最大允许油耗量；第二行中

表示剩余的可用柴油量，其中O_d为第d天实际柴油消耗量；

3)负荷能量转移约束

负荷总能量在转移前后保持不变：

受负荷特性的影响，不可转移负荷不参加负荷转移计划的制定，因此每日负荷转移量不超过当天负荷能量预测值的某一范围：

式中，κ表示最大负荷转移比例；δ_i,d为二进制变量，δ_i,d＝1表示第i次长周期能量匹配评估与优化中第d天有负荷转入，δ_i,d＝0表示有负荷转出。

步骤二、建立基于场景分析的日前随机优化模型；

通过多场景分析来处理光伏和负荷的不确定性，同时CVaR被用于衡量光伏和负荷的不确定性带来的调度风险成本。在此基础上，考虑了长周期能量匹配评估与优化阶段的负荷转移方案和备用电量需求。

(201)场景生成与缩减

根据各时段光伏和负荷的日前功率预测误差的累计分布函数，采用拉丁超立方采样法生成大量日前光伏和负荷预测误差场景。拉丁超立方采样法的详细步骤如下：

①将光伏、负荷各时段功率预测误差的累计分布函数平均划分为N个区间；

②在每个区间随机取一个值r_i，则第i个区间的抽象累计概率为：

式中，r_i为均匀分布的随机数，且r_i∈[0,1]。

③利用累计分布函数的反函数F^-1将采样概率值Prob_i转换为实际采样值x_i；

x_i＝F^-1(Prob_i) (14)

④从剩余的区间内继续采样，重复步骤②和③，直到抽样结束(i＝N)为止。

在制定调度策略的过程中考虑所有的场景会提高结果的准确性，但同时增加了求解过程的复杂性。众所周知，场景集中存在大量的相似场景，因此本发明在保证一定的计算精度和求解速度的前提下，采用后向缩减法减少场景的数量，最大限度地保持剩余场景对原始样本的拟合精度。假设通过拉丁超立方采样生成的场景个数为N，缩减后的目标场景个数为n，后向缩减法的详细步骤如下：

①初始化每个场景的概率

和初始场景个数n^*＝N；

②计算每对场景(s_i,s_j)之间的距离：

式中，

为第i个场景中第k个元素，

为第j个场景中第k个元素，M为每个误差场景中元素的个数，M＝24×2，包括24个光伏功率预测误差和24个负荷功率预测误差；

③选择与指定场景s_l距离最小的场景s_r，即d(s_l,s_r)＝mind(s_l,s_m),m≠l；并计算场景s_r的概率P_r与距离d(s_l,s_r)的乘积P_rd(s_l,s_r)；

④对于每一个场景重复步骤③，选择使P_rd(s_l,s_r)最小的场景s_l并剔除该场景，同时令n^*＝n^*-1，更新场景s_r的概率P_r＝P_r+P_l；

⑤重复步骤②～④，直到n*＝n为止；

(202)日前随机优化模型

1)目标函数

日前随机优化的目标函数为最小化综合调度成本，包含调度成本和风险成本，公式如下：

f＝minC^E+σC^CVaR (16)

式中，C^E为调度成本，为所有场景的调度期望成本；C^CVa^R为风险成本；σ为风险系数，用于权衡调度成本和风险成本之间的关系。

调度成本C^E按下式计算：

式中，第一行表示柴油发电机的燃料消耗成本和开启/关闭的动作成本，c_DG为单位体积柴油成本；O_t为t时刻油耗量；v_t和u_t分别为表示柴油发电机开启和关闭动作的二进制变量，v_t＝1表示t时刻柴油机由关闭状态转变为开启状态，u_t＝1表示t时刻柴油机由开启状态转变为关闭状态，v_t＝0和u_t＝0表示t时刻柴油机状态不发生改变；c_DG,on和c_DG,off分别为柴油发电机单次开启和关闭的动作成本；第二行和第三行分别表示所有场景下的失负荷惩罚成本和弃光惩罚成本；ρ_s为场景s的概率；c_load,loss和c_PV,loss分别为单位失负荷惩罚成本和单位弃光惩罚成本；

和

分别为场景s下t时刻的失负荷功率和弃光功率；Δt为调度步长，取1小时；S为场景个数。

调度风险成本C^CVaR按下式计算：

式中，ζ为辅助变量，其最优值为风险价值(Value atRisk,VaR)；α为CVaR的置信度；C_s为场景s下失负荷惩罚成本和弃光惩罚成本之和；且[x]⁺＝max{x,0}；

2)约束条件

a.功率平衡约束

式中，P_t ^PV,p和P_t ^load,p分别为t时刻光伏和负荷功率预测值；

和

分别为场景s下t时刻光伏和负荷的功率预测误差；

和

分别为场景s下的弃光功率和失负荷功率；P_t ^ESS,ch和P_t ^ESS,dis分别为t时刻储能系统的充电功率和放电功率；P_t ^{load,shift-in}和P_t ^{load,shift-out}分别为t时刻负荷转入功率和转出功率；P_t ^DG为t时刻柴油发电机功率，按下式计算：

P_t ^DG＝τO_t/Δt (20)

b.储能运行约束

相邻时段的荷电状态需满足如下关系：

式中，SOC_t为储能系统t时段的荷电状态；η为储能系统充放电效率。

储能运行过程中其剩余容量需满足一定约束，在每一时刻储能的荷电状态都必须小于SOC_max且大于SOC_min；

SOC_min≤SOC_t≤SOC_max (22)

大电流充放电会缩短储能系统的寿命，因此在运行过程中储能系统的充放电功率需限制在某一范围：

式中，

为为了区分储能系统充放电状态而引入的二进制变量，

表示储能系统处于充电状态，

表示处于放电状态；λ为储能系统的最大充放电倍率。

c.柴油发电机运行约束

为提高运行效率，延长柴油发电机的使用寿命，柴油发电机需满足最低负载率限制。

式中，

为柴油发电机的最低负载率；o_t为为了区分柴油发电机运行状态而引入的二进制变量，o_t＝1表示处于开机状态，o_t＝0表示处于停机状态；

为柴油发电机的额定功率。

柴油发电机在t时刻开启和关闭的动作变量v_t、u_t与柴油发电机的运行状态变量o_t需满足以下关系：

u_t-v_t＝o_t-o_t+1 (26)

u_t+v_t≤1 (27)

最后，为防止柴油发电机频繁启停，柴油发电机还需满足最小连续运行时间约束：

式中，T_DG,min为最小连续运行时间；规定t＝1时，o₀＝0；

d.负荷转移约束

第i天日前调度策略中各时段负荷转移量之和应等于长周期能量匹配评估与优化时第i天的负荷转移量，包括第1～i-1次长周期能量匹配评估与优化时第i天的负荷转移量

和第i次长周期能量匹配评估与优化时第i天的负荷转移量

e.备用电量需求约束

为保障未来几天出现极端天气状况时微电网具有足够的抵抗力，日前随机优化制定的调度策略在第i天调度结束时的备用电量不少于第i次长周期能量匹配评估与优化时第i+1～i+n天的备用电量。

式中左侧部分为在第i天调度结束时由储能系统和剩余燃料提供的备用电量，

为第i次长周期能量匹配评估与优化时第i～i+n天的最大柴油消耗量，

与式(9)的右侧部分相同；式中右侧部分对应的是第i次长周期能量匹配评估与优化时第i+1～i+n天的备用电量。

具体的，本实施例使用的数值天气预报的预报周期为7天，因此设定长周期能量匹配评估与优化的周期为7天，即n＝6。该微电网的柴油补给周期为30天，即T＝30；柴油罐容量为1200升，则日均柴油消耗量

为30升；最大油耗倍数m＝2；最大负荷转移比例κ＝0.3；风险系数σ＝0.2；CVaR的置信度α＝0.9；长周期能量匹配评估与优化模型中最大可靠供电概率，最小油耗量和最小负荷转移量三个目标函数的优先因子分别为10000，100和1000；三个目标函数正负偏差的权重因子分别为1，0.01和1。其他的设备运行参数见下表1。

表1

(1)长周期能量匹配评估与优化结果分析

在离网30天(与燃料补给周期T相同)的滚动调度的仿真结果中，式(3)定义的可靠供电概率如图1所示，图中横坐标表示每次长周期能量匹配评估与优化的时间范围，右下角黑色部分表示超出离网运行时间的部分，例如，第24次长周期能量匹配评估与优化的时间范围是第24～30天，而第25次的时间范围是第25～30天，因为在第31(25+6)天重新补充燃料，在上一次燃料补给周期内不考虑该日。

从图1可以看出，在前13次长周期能量匹配评估与优化中可靠供电概率均大于0.9，表明即使在能量净预测误差极端的情况(光伏能量预测值和负荷能量预测值之差最小)下，前19天能量供应依旧充足。在第14次长周期能量匹配评估与优化中，能量供应情况变得较差，第14～20天的可靠供电概率降到了0.7以下。为了解释此现象，图2a至图2d给出了连续4次(第13～16次)长周期能量匹配评估与优化的光伏和负荷能量预测值。

从图2a中可以看出，第17和第19天光伏能量较低，但第18天光伏能量充足，缓解了能量供应的短缺，且可提供多余的能量为储能系统充电。因此，第17天和第19天光伏能量相对于负荷能量需求的不足可以由柴油发电机能量和第18天的光伏能量来弥补，使得第13次长周期能量匹配评估与优化中第13～19天的可靠供电概率较高。然而由图2b可知，在第14次长周期能量匹配评估与优化中除第17天和第19天之外，第20天光伏能量仍较低，远远不能满足当日负荷需求。在这种情况下，在第14次长周期能量匹配评估与优化中由于油耗量的限制，导致能量供应不足，可靠供电概率偏低。为了最大化第14～20天的可靠供电概率之和，长周期能量匹配评估与优化除了为第17天、第19天分配较多柴油外，也为第20天分配了较多的柴油，但受限于最大油耗量，和第13次长周期能量匹配评估与优化相比，第14次长周期能量匹配评估与优化中可靠供电概率整体水平偏低。

此外，如图2c所示，虽然第15次长周期能量匹配评估与优化中第21天的光伏能量很高，但是第21天的负荷需求同样保持较高的水平。此外，由于第14天消耗量部分储能系统的能量，在第15次长周期能量匹配评估与优化时，储能系统的可用能量相比于第14次减少了，因此如图1所示，第15次长周期能量匹配评估与优化的可靠供电概率整体水平比第14次低。在第16次长周期能量匹配评估与优化中，如图2d所示，第22天的光伏能量远远大于负荷需求，因此与第15次长周期能量匹配评估与优化相比，第16次长周期能量匹配评估与优化的可靠供电概率整体水平有明显的提高。

以第16次长周期能量匹配评估与优化为例对结果进行说明，如图3所示。

图3左侧纵轴代表能量值，右侧纵轴代表可靠供电概率。式(3)表明可靠供电事件是一个不等式成立的事件，因此图3中最优解中供给能量大于需求能量。如图3所示，第16天和第18天光伏能量充足，除供给负荷外多余的能量存储在储能系统中。由于光伏能量不足，柴油发电机在第17、19和20天提供较多的能量保证负荷用电。第19天的部分负荷转移到光伏能量充足的第20天。此外，虽然第21天的光伏能量和负荷需求非常接近，但考虑到预测误差的影响，仍有部分负荷需要从第21天转移到第22天以保证第21天可能发生的极端天气状况下的能量供应。

(2)日前随机优化结果分析

不失一般性，以第16次长周期能量匹配评估与优化为起点，连续7天滚动优化调度的结果见图4，对应连续7天的储能系统SOC变化如图5所示。图4中光伏功率和负荷需求功率为所有场景的期望值。从图中可以看出第16、18、21和22天光伏能量较高，柴油发电机出力较低，节省下来的燃料可以用于极端天气状况下光伏发电较少时的电力供应，在光伏能量较高的这些天里过剩的光伏能量存储在储能系统中。在光伏功率较低的时段，储能系统优先为负荷供电，当储能系统的放电功率无法满足负荷需求时，开启柴油发电机保证电力供应。第20天由于光伏功率整体偏低且储能系统的初始SOC达到了最小值，燃料消耗最大。由图5可知储能系统在第21天净能量增加，在第22天净能量减少，该现象与图3的结果不一致是因为图4中第21天和第22天的调度策略分别是在第21次和第22次长周期能量匹配评估与优化后制定的，每次长周期能量匹配评估与优化使用的预测值滚动更新且优化的时间范围不同。

第16～22天连续7天的油耗总量为542.57升，小于最大允许油耗560升；连续7天总失负荷量为1082.30kWh，占总负荷的6.35％；而传统仅考虑日前预测值的优化调度方法同期失负荷量为2945.88kWh，占总负荷的17.40％。因此本发明所提方法以未来能量的供需匹配情况为指导制定日前优化调度策略，提高了独立型微电网的供电可靠性。如图5所示，第16天和第18天结束时储能系统的SOC分别约为0.4和0.6，高于储能系统最低SOC，是因为第17天和第19～20天的光伏出力较低，能量供应不足，为了提高供电可靠性，将储能系统中的能量预留到第17天和第19～20天以保证重要负荷供电。

(3)与传统模型对比分析

本实施例定义了两个案例来比较本发明方法的优势：

Case1：采用本发明所提方法制定30天的调度策略；

Case2：采用传统的日前调度方法制定30天的调度策略。

Case2是基于光伏发电功率和负荷需求功率的日前逐时预测值制定的，不考虑未来能量供需匹配情况的影响。Case2每日的油耗量不受限制，但和Case1一样限制连续7天的油耗量。表2为两种案例调度策略的结果对比。

表2

从表2中可以看出Case1的油耗量低于Case2，但Case1的负荷损失相比于Case2大约减少了21.72％(1233.85kWh)。其中主要原因是Case1提高了光伏利用率，和Case2相比Case1的弃光量大约减少了20.93％(1356.21kWh)。其中负荷损失量和弃光量之间的偏差主要是由于储能系统充放电过程产生的损耗造成的；其次第30天调度结束时，储能系统存储的能量不同也是一个原因。Case1具有较高光伏利用率的主要原因是在制定日前调度策略之前通过长周期能量匹配评估与优化提前评估了未来的能量供需匹配状况，使能源分配更加合理。

此外，为了进一步验证题方法的优越性，本节利用实际光伏和负荷数据，针对两种案例制定的调度策略进行了模拟运行。两种策略模拟运行供需偏差的概率密度函数如图6所示，表3给出了两案例模型运行供需偏差的绝对值之和。

由图6可以看出，Case1的供需偏差更加集中分布在0附近；另外如表3所示，相比于Case2，Case1供需偏差的绝对值之和减少了大约19.33％(2424.2kWh)，因此Case1制定的调度策略比Case2更优。

表3

综上所述，本发明所提出的考虑长周期能量供需匹配指导日前优化调度的方法相比于传统仅考虑日前预测值进行调度的方法具有更高的供电可靠性和新能源利用率。

(4)风险系数对调度结果的影响分析

不失一般性，以第16天日前调度为例，分析风险系数对调度结果的影响。CVaR的置信度设为0.9。不同风险系数下各项成本见表。

如表4所示，风险系数越大，调度成本越高，但风险成本越低。表明风险系数越大，运行人员对风险的厌恶程度越大，越倾向于规避风险，导致调度成本较高。因此，运行人员可通过选择不同的风险权重，在可接受的风险范围内制定最优调度计划。

表4

(5)结论

案例结果表明：

1)提出的独立型微电网动态优化方法考虑了未来能量供需平衡的风险，并将其用于指导日前调度计划的制定。该优化方法可提前预留充足的备用电量以应对未来可能出现的极端天气状况，从而显著提高了独立型微电网的供电可靠性。

2)30天的仿真结果表明，与传统的日前优化方法相比，本发明所提方法的负荷损失量和弃光量分别减少了约21.72％和20.93％。除此之外，根据实际的光伏发电和负荷数据进行模拟运行，本发明所提方法的供需偏差绝对值之和减少了约19.33％。

3)本发明所提方法可用于独立型微电网能量管理，尤其适用于交通不便、灾害频发的偏远地区的独立型微电网。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (3)

1.一种独立型微电网动态优化调度方法，考虑长周期能量供需平衡，其特征在于，包括以下步骤：

步骤一、针对独立微电网系统建立长周期能量匹配评估与优化模型，制定预期内的柴油消耗、储能系统能量存储和负荷转移计划；建立长周期能量匹配评估与优化模型包括建立关于可靠供电概率、柴油消耗量、负荷转移量的目标函数；并设定储能系统、柴油消耗量、负荷能量转移的约束条件；

步骤二、建立基于场景分析的日前随机优化模型，制定未来一天的微电网逐时调度计划；通过多场景技术处理光伏和负荷的不确定性，同时使用条件风险价值CVaR衡量光伏和负荷的不确定性带来的调度风险成本；并考虑了长周期能量匹配评估与优化阶段的负荷转移方案和备用电量需求；日前随机优化模型中的目标函数为最小化综合调度成本，综合调度成本包括调度成本和风险成本；日前随机优化模型的约束条件包括功率平衡约束、储能运行约束、柴油发电机运行约束、负荷转移约束、备用电量需求约束。

2.根据权利要求1所述一种独立型微电网动态优化调度方法，其特征在于，步骤一中具体如下：

(101)目标函数

式中，n为长周期能量匹配评估与优化的周期；P_i,d为第i次长周期能量匹配评估与优化中第d天的可靠供电概率，目标函数f₁为最大化第i～i+n天可靠供电概率之和；O_i,d为第i次长周期能量匹配评估与优化中第d天的柴油消耗量，目标函数f₂为最小化第i～i+n天的柴油消耗量；

为第i次长周期能量匹配评估与优化中第d天的负荷转入量，目标函数f₃为最小化第i～i+n天的负荷转移量；P_i,d由下式计算：

式中，等式右侧部分代表第i次长周期能量匹配评估与优化中第d天能量供给大于能量需求的概率；

和

分别为第i次长周期能量匹配评估与优化中第d天的光伏和负荷能量预测值；

和

分别为第i次长周期能量匹配评估与优化中第d天的光伏和负荷能量预测误差；γ为油电转换系数，表征柴油发电机消耗单位体积柴油的发电量；

和

分别为第i次长周期能量匹配评估与优化中第d天储能系统能量净增加量和净减少量；

为第i次长周期能量匹配评估与优化前即第1～i-1次长周期能量匹配评估与优化中第d天的负荷净转移量；

和

分别为第i次长周期能量匹配评估与优化中第d天负荷转入量和转出量；

和

为随机变量，其累计概率分布可根据历史数据拟合得到；为便于求解，式(2)改写为式(3)，

和

相互独立，根据

和

各自的累计分布函数可计算得到

的累计分布函数，因此式(3)根据

的累计分布函数进行求解；

第i次长周期能量匹配评估与优化前即第1～i-1次长周期能量匹配评估与优化中第d天的负荷净转移量

由下式计算：

式中，等式右侧第二行表明第i(i＞1)次长周期能量匹配评估与优化时要同时考虑第1次到第i-1次迭代时第d(d＝i,i+1,…,i+n-1)天的负荷转移策略的影响；等式右侧第三行表明在第1次到第i-1次的长周期能量匹配评估与优化中并未涉及第i次长周期能量匹配评估与优化中最后一天即第i+n天负荷能量的转入和转出；

(102)约束条件

1)储能系统约束

不考虑储能系统在充放电过程中的能量损耗，储能系统的荷电状态约束表示为：

SOC_min≤SOC_i,d≤SOC_max (6)

式中，SOC_i,d为储能系统在第i次长周期能量匹配评估与优化中第d天结束时的荷电状态；E^ESS,cap为储能系统容量；SOC_min、SOC_max表示储能系统的最小和最大荷电状态；

储能系统运行约束表示为：

式中，

为区分储能系统在第i次长周期能量匹配评估与优化中第d天能量增加和减少的二进制变量，

表示储能系统净能量增加，否则

2)柴油消耗量约束

设定最大油耗倍数m，约束每次评估周期内的柴油消耗量；

式中，

为日均柴油消耗量，由储油罐油量和预计离网运行时间决定；T为预计离网运行时间，则

为储油罐柴油总存储量；式子右侧部分第一行表示第i次长周期能量匹配评估与优化中的最大允许油耗量；第二行中

表示剩余的可用柴油量，其中O_d为第d天实际柴油消耗量；

3)负荷能量转移约束

负荷总能量在转移前后保持不变：

受负荷特性的影响，不可转移负荷不参加负荷转移计划的制定，因此每日负荷转移量不超过当天负荷能量预测值的某一范围：

式中，κ表示最大负荷转移比例；δ_i,d为二进制变量，δ_i,d＝1表示第i次长周期能量匹配评估与优化中第d天有负荷转入，δ_i,d＝0表示有负荷转出。

3.根据权利要求1所述一种独立型微电网动态优化调度方法，其特征在于，步骤二中具体如下：

(201)场景生成与缩减；根据各时段光伏和负荷的日前功率预测误差的累计分布函数，采用拉丁超立方采样法生成大量日前光伏和负荷预测误差场景；拉丁超立方采样法的详细步骤如下：

A.将光伏、负荷各时段功率预测误差的累计分布函数平均划分为N个区间；

B.在每个区间随机取一个值r_i，则第i个区间的抽象累计概率为：

式中，r_i为均匀分布的随机数，且r_i∈[0,1]；

C.利用累计分布函数的反函数F^-1将采样概率值Prob_i转换为实际采样值x_i；

x_i＝F^-1(Prob_i) (14)

D.从剩余的区间内继续采样，重复步骤B和C，直到抽样结束(i＝N)为止；

采用后向缩减法减少场景的数量，最大限度地保持剩余场景对原始样本的拟合精度；假设通过拉丁超立方采样生成的场景个数为N，缩减后的目标场景个数为n，后向缩减法的详细步骤如下：

①初始化每个场景的概率

和初始场景个数n^*＝N；

②计算每对场景(s_i,s_j)之间的距离：

式中，

为第i个场景中第k个元素，

为第j个场景中第k个元素，M为每个误差场景中元素的个数，M＝24×2，包括24个光伏功率预测误差和24个负荷功率预测误差；

③选择与指定场景s_l距离最小的场景s_r，即d(s_l,s_r)＝min d(s_l,s_m),m≠l；并计算场景s_r的概率P_r与距离d(s_l,s_r)的乘积P_rd(s_l,s_r)；

④对于每一个场景重复步骤③，选择使P_rd(s_l,s_r)最小的场景s_l并剔除该场景，同时令n^*＝n^*-1，更新场景s_r的概率P_r＝P_r+P_l；

⑤重复步骤②～④，直到n^*＝n为止；

(202)日前随机优化模型

1)目标函数

日前随机优化模型的目标函数f为最小化综合调度成本，包含调度成本和风险成本，公式如下：

f＝min C^E+σC^CVaR (16)

式中，C^E为调度成本，为所有场景的调度期望成本；C^CVaR为风险成本；σ为风险系数，用于权衡调度成本和风险成本之间的关系；

调度成本C^E按下式计算：

式中，第一行表示柴油发电机的燃料消耗成本和开启/关闭的动作成本，c_DG为单位体积柴油成本；O_t为t时刻油耗量；v_t和u_t分别为表示柴油发电机开启和关闭动作的二进制变量，v_t＝1表示t时刻柴油机由关闭状态转变为开启状态，u_t＝1表示t时刻柴油机由开启状态转变为关闭状态，v_t＝0和u_t＝0表示t时刻柴油机状态不发生改变；c_DG,on和c_DG,off分别为柴油发电机单次开启和关闭的动作成本；第二行和第三行分别表示所有场景下的失负荷惩罚成本和弃光惩罚成本；ρ_s为场景s的概率；c_load,loss和c_PV,loss分别为单位失负荷惩罚成本和单位弃光惩罚成本；

和

分别为场景s下t时刻的失负荷功率和弃光功率；Δt为调度步长，取1小时；S为场景个数；

调度风险成本C^CVaR按下式计算：

式中，ζ为辅助变量，其最优值为风险价值(Value at Risk,VaR)；α为CVaR的置信度；C_s为场景s下失负荷惩罚成本和弃光惩罚成本之和；且[x]⁺＝max{x,0}；

2)约束条件

a.功率平衡约束

式中，P_t ^PV,p和P_t ^load,p分别为t时刻光伏和负荷功率预测值；

和

分别为场景s下t时刻光伏和负荷的功率预测误差；

和

分别为场景s下的弃光功率和失负荷功率；P_t ^ESS,ch和P_t ^ESS,dis分别为t时刻储能系统的充电功率和放电功率；P_t ^{load,shift-in}和P_t ^{load ,shift-out}分别为t时刻负荷转入功率和转出功率；P_t ^DG为t时刻柴油发电机功率，按下式计算：

P_t ^DG＝τO_t/Δt (20)

b.储能运行约束

相邻时段的荷电状态需满足如下关系：

式中，SOC_t为储能系统t时段的荷电状态；η为储能系统充放电效率；

储能运行过程中其剩余容量需满足一定约束，在每一时刻储能的荷电状态都必须小于SOC_max且大于SOC_min；

SOC_min≤SOC_t≤SOC_max (22)

大电流充放电会缩短储能系统的寿命，因此在运行过程中储能系统的充放电功率需限制在某一范围：

式中，

为为了区分储能系统充放电状态而引入的二进制变量，

表示储能系统处于充电状态，

表示处于放电状态；λ为储能系统的最大充放电倍率；

c.柴油发电机运行约束

为提高运行效率，延长柴油发电机的使用寿命，柴油发电机需满足最低负载率限制；

式中，

为柴油发电机的最低负载率；o_t为为了区分柴油发电机运行状态而引入的二进制变量，o_t＝1表示处于开机状态，o_t＝0表示处于停机状态；

为柴油发电机的额定功率；

柴油发电机在t时刻开启和关闭的动作变量v_t、u_t与柴油发电机的运行状态变量o_t需满足以下关系：

u_t-v_t＝o_t-o_t+1 (26)

u_t+v_t≤1 (27)

最后，为防止柴油发电机频繁启停，柴油发电机还需满足最小连续运行时间约束：

式中，T_DG,min为最小连续运行时间；规定t＝1时，o₀＝0；

d.负荷转移约束

第i天日前调度策略中各时段负荷转移量之和应等于长周期能量匹配评估与优化时第i天的负荷转移量，包括第1～i-1次长周期能量匹配评估与优化时第i天的负荷转移量

和第i次长周期能量匹配评估与优化时第i天的负荷转移量

e.备用电量需求约束

为保障未来几天出现极端天气状况时微电网具有足够的抵抗力，日前随机优化制定的调度策略在第i天调度结束时的备用电量不少于第i次长周期能量匹配评估与优化时第i+1～i+n天的备用电量；

式中左侧部分为在第i天调度结束时由储能系统和剩余燃料提供的备用电量，其中

为第i次长周期能量匹配评估与优化时第i～i+n天的最大柴油消耗量，

与式(9)的右侧部分相同；式中右侧部分对应的是第i次长周期能量匹配评估与优化时第i+1～i+n天的备用电量。

Images