CN114529075A - 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 - Google Patents

Abstract

本发明提供一种考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，获取综合能源系统内部数据与外部环境数据后作为输入，输出风光出力预测数据以及电、冷、热负荷预测数据；构建基于Wasserstein距离的风光预测误差不确定模糊集，建立两阶段分布鲁棒优化下的能量调度模型，求解模型获取能量优化调度结果。本发明构建的不确性模糊集保守度较低，第一阶段以成本、环境、能效为优化目标，设置功率平衡与联络线约束、能量转换与储能设备约束，第二阶段以调整柔性设备出力的成本损失期望为优化目标，设置仿射约束、不确定集约束，最终获得精细化的能量调度方案，能指导综合能源系统进行高效绿色地优化调度，环境适应性强，鲁棒性好。

Description

考虑风光预测误差的综合能源系统分布鲁棒优化调度方法

技术领域

本发明属于电网调度技术领域，尤其涉及一种考虑风光预测误差的综合能源系统分布鲁棒优化调度方法。

背景技术

面对传统化石能源日益枯竭以及环境恶化的问题，我国开始积极推进能源转型、高效利用。综合能源系统(IES)作为一种区域分布式能源形式，融合了冷、热、电、气、风、光等多种能源形式，在生产、传输、转换、存储、消费等环节实现协调互补，对于提升能源综合利用率与系统协调优化水平具有重要意义。

目前国内外对IES的研究主要集中在设计规划、运行、调度等方面，在IES优化调度领域，通常以成本与环境为目标，而能效指标尚未被纳入到多目标优化调度体系中，在环境层面也只考虑碳排放造成的温室效应，忽略了化石能源燃烧导致的粉尘效应与大气酸化效应。通过文献检索发现，现有技术(公开号：CN112636373A)公开了一种电气热综合能源系统优化调度方法，基于电、气、热负荷与风电出力预测，以成本与风电消纳率为优化目标获得最优折衷解，该方法忽视了风光发电功率不确定性对IES安全稳定运行的负面影响，鲁棒性差。现有技术(公开号：CN112952807A)公开了一种考虑风电不确定性与需求响应的多目标优化调度方法，采用随机场景法描述风光不确定性，随机优化需要获取不确定参数准确的概率分布，然而实际很难获取。因此，需要设计一种环境适应性更强、鲁棒性更好的针对综合能源系统的优化调度方法。

发明内容

针对现有技术中存在不足，本发明提供了一种考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，基于分布鲁棒优化算法处理风光预测误差，建立了两阶段能量调度模型，第一阶段以成本、环境、能效为优化目标，第二阶段以为抵消风光预测误差而调整柔性设备出力的成本损失期望为优化目标，所获得的调度方案的精细化程度更高，整体具有较好的鲁棒性，环境适应性较强。

本发明是通过以下技术手段实现上述技术目的的。

考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，包括如下步骤：

步骤1：获取综合能源系统内部数据与外部环境数据后作为输入，应用机器学习算法，对风力和光伏两种新能源的出力数据以及电、冷、热负荷进行预测，日前输出电、冷、热逐时负荷预测数据以及风力和光伏出力预测数据；

步骤2：基于Wasserstein距离构建风光预测误差不确定模糊集；

步骤3：建立考虑风光预测误差的，以经济性、环境性、能效性为目标的综合能源系统两阶段分布鲁棒优化能量调度模型；其中，第一阶段模型为日前规划能量调度模型，第二阶段模型为日内运行能量调度模型；

步骤4：对综合能源系统两阶段分布鲁棒优化调度模型进行转化并求解，获得考虑风电预测误差的优化调度结果。

进一步地，所述步骤2具体过程为：

步骤2.1：基于风力和光伏的历史真实出力数据与历史预测出力数据，构建风光出力预测误差的样本集合

并构造风光预测误差的经验分布函数P_N；

基于Wasserstein距离表征P_N与真实分布函数P_R的距离：

其中，D_w(P_N,P_R)为Wasserstein距离；inf表示求下确界函数；||·||表示两个分布之间的欧式范数；

为

的第k个元素，

与

均为不确定性参数，且分别服从P_N与P_R分布；Π表示P_N和P_R的联合分布函数；

步骤2.2：将P_R限制在Wasserstein球内，定义风光预测误差不确定模糊集为：Ω＝{P_R∈Ψ(Ξ)|D_w(P_N,P_R)＜r(K)}；其中，Ω为一个以经验分布P_N为中心，以r(K)为半径的Wasserstein球；Ψ(Ξ)表示在Ξ上的全部概率分布；

r(K)由下式确定：

其中，C与ρ均为系数；K为样本数量；k为样本编号；β为置信度；

为样本均值；

步骤2.3：求解不确定模糊集Ξ，首先对

按下式进行标准化处理：

其中，

为

的标准化；

为样本方差；Ξ^std为

的不确定集合；

为不确定参数

的标准化；

为

中的元素；l为

的边界；R^N为N维实数向量；

通过求解边界l来求得风光预测误差不确定模糊集，l通过下式结合嵌套二分法求解：

其中，()⁺表示一种函数，当()中的数值大于0时，取该数值，否则取0；r表示半径；θ表示大于0的对偶参数；τ表示不确定集Ξ的置信度；s.t.表示约束条件；

由此可确定

其中，

为不确定参数，

为

的元素。

进一步地，所述第一阶段模型以一天24小时为优化调度周期，首先将步骤1获得的风力和光伏出力预测数据以及冷、热、电逐时负荷预测数据作为确定性输入分别建立经济性、环境性、能效性目标函数，能效性目标函数为冷、热、电负荷与系统各种形式能源输入的比值，具体为：

其中，f₃为能效性目标函数；η_sys为能效；

分别为t时刻电负荷、热负荷、冷负荷预测；R^gas为燃气热值；P_t ^char、P_t ^dis分别为t时刻储电设备的总充电功率、总放电功率；

分别为t时刻CHP、燃气锅炉消耗的总燃气量；P_t ^buy、P_t ^sale分别为t时刻电网购电、售电功率；P_t ^wind、P_t ^pv、P_t ^dec分别为t时刻风电、光伏、双工况电制冷机的总输出功率。

然后将经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型，并设置第一阶段约束条件；第一阶段约束条件包括功率平衡与联络线约束、能量转换设备约束、储能设备约束，能量转换设备约束包括风力与光伏设备出力约束、热电联产设备约束、燃气锅炉约束、双工况电制冷设备约束、吸收式制冷设备约束，储能设备约束包括储电设备约束、冰蓄冷设备约束。

进一步地，所述经济性目标函数涉及购气成本、购售电成本、日前弃风弃光损失成本、设备运行维护成本，具体为：

其中，f₁为经济性目标函数；Cost^gas为购气成本；Cost^elec为购售电成本；Cost^lose为日前弃风弃光损失成本；Cost^run为设备运行成本；

price^wind,lose、price^pv,lose分别为t时刻购气单价、电网购电单价、售电单价、弃风损失单价、弃光损失单价；P_t ^wind,pre、P_t ^pv,pre分别为t时刻风电与光伏预测出力；

分别为t时刻CHP、燃气锅炉消耗的总燃气量；price^boil、price^CHP、price^wind、price^pv、price^dec、price^ac分别为燃气锅炉、CHP、风电、光伏、双工况电制冷机、吸收式制冷机的单位运行成本；

分别为t时刻燃气锅炉输出总热功率、CHP输出总电功率、吸收式制冷机输出总冷功率。

进一步地，所述环境性目标函数考虑大气酸化、温室与粉尘3种效应的影响，具体为：

其中，f₂为环境性目标函数；m为污染物的编号，M为污染物种类总数；ω₁、ω₂、ω₃分别为大气酸化效应、温室效应、粉尘效应的环境破坏权重；

分别为第m类污染物产生3种效应的效果因子；E_m为第m种污染物的排放量；

分别表示燃气锅炉、CHP消耗单位燃气对第m类污染物的排放系数；

分别为t时刻CHP、燃气锅炉消耗的总燃气量。

进一步地，所述将经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型的过程为：

其中，

分别为经济性、环境性、能效性三种目标的权重系数，f₁、f₂分别为经济性、环境性目标函数。

进一步地，所述功率平衡与联络线约束为：

其中，β_t表示电力联络线的运行模式；

为t时刻输入燃气总量；

分别为t时刻双工况电制冷机制冷模式下的输出总冷功率、冰蓄冷输出的总冷功率；

分别为t时刻吸收式制冷机输入的总热功率、CHP输出的总热功率；

分别为电网购、售电功率、市政输入燃气上限值；

分别为t时刻燃气锅炉输出的总热功率、CHP输出的总电功率、吸收式制冷机输出的总冷功率。

进一步地，所述能量转换设备约束具体如下：

风力与光伏设备出力约束为：

其中，i、j分别为光伏和风电设备编号；P_t ^pv,i,lose、P_t ^pv,i,pre、P_t ^pv,i分别为光伏设备i的弃光功率、预测出力、规划出力；P_t ^wind,j,lose、P_t ^wind,j,pre、P_t ^wind,j分别为风电设备j的弃风功率、预测出力、规划出力；P_t ^wind,lose、P_t ^pv,lose分别为t时刻弃风总功率与弃光总功率；P_t ^{wind ,pre}、P_t ^pv,pre分别为t时刻风电、光伏预测总出力。

热电联产设备约束为：

其中，a为CHP设备编号；

分别为CHP设备a的燃气流量、电功率、热功率；η_turb、η_wh分别为CHP设备a的电效率、热效率；

P ^CHP,a、P^{CHP ,a,up}、P^CHP,a,down分别为CHP设备a的电功率的上下限以及功率爬坡的上下限；

表示t时刻CHP设备a的启停状态；P_t ^CHP为t时刻CHP输出的总电功率；

为t时刻CHP输出的总热功率；

燃气锅炉约束为：

其中，v为燃气锅炉设备编号；

分别为t时刻燃气锅炉v的输出热功率、消耗燃气量；η_boil为燃气锅炉的热效率；

H ^boil,v、H^boil,v,up、H^boil,v,down分别为燃气锅炉v的热功率的上下限以及热功率爬坡的上下限；

表示燃气锅炉v的启停状态；

为t时刻燃气锅炉消耗的总燃气量；

为t时刻燃气锅炉输出的总热功率；

双工况电制冷设备约束为：

其中，b为双工况电制冷机设备编号；δ_t表示t时刻双工况电制冷机的运行模式；COP^dec、COP^ice分别为制冷、蓄冷效率；P_t ^dec,b，

分别为t时刻双工况制冷设备b的输入功率、制冷模式下的输出冷量、蓄冷模式下的输出冷量；

C ^dec，b，c、

C ^dec,b,ice、C^dec,b,c,up、C^dec,b,c,down、C^dec,b,ice,up、C^{dec,b,ice,down}分别为双工况制冷设备b制冷与蓄冷模式下冷功率的上下限与冷功率爬坡的上下限；P_t ^dec、

分别为t时刻双工况电制冷机的总耗电功率、制冷模式下的总冷功率、蓄冷模式下的总冷功率；

表示t时刻双工况电制冷机b的启停状态；

吸收式制冷设备约束为：

其中，d为吸收式制冷设备编号；

分别为t时刻吸收式制冷机d的冷功率、热功率；COP^ac为吸收式制冷机的制冷效率；

C ^ac,d、C^ac,d,up、C^ac,d,down分别为吸收式制冷机d的冷功率的上下限以及功率爬坡的上下限；

表示t时刻吸收式制冷机d的运行模式；

分别为t时刻吸收式制冷机的总输入热功率、总输出冷功率。

进一步地，所述储能设备约束具体如下：

储电设备约束为：

其中，o为储电设备编号；

为t时刻储电设备o的储电量；ε^bat、η_c、η_d分别为储电设备的自损耗率、充电效率、放电效率；ρ_t表示t时刻储电设备运行模式；

为储电设备o在t时刻的充、放电功率；

S ^bat,o、

P ^char,o、P ^dis,o、

分别为储电设备o的容量上下限以及充、放电功率的上下限；P^char,o,up、P^{char ,o,down}、P^dis,o,up、P^dis,o,down分别为储电设备o的充、放电状态功率上下限以及爬坡的上下限；

表示t时刻储电设备o的启停状态；

冰蓄冷设备约束为：

其中，u为冰蓄冷设备编号；

ε^ct分别为t时刻冰蓄冷罐u的蓄冷量、制冷功率、自损耗率；σ_t表示冰蓄冷罐的运行模式；η_ci、η_co分别为制冰效率、释冷效率；

S ^ct,u、

C ^ct,u、C^ct,u,up、C^ct,u,down分别为冰蓄冷罐u的蓄冷容量上下限、制冷功率上下限以及冷功率爬坡上下限；

为冰蓄冷罐t时刻输出的总冷功率；

表示t时刻冰蓄冷罐u的启停状态。

进一步地，所述第二阶段模型为应对风电出力预测误差，通过调整柔性资源出力以维持系统平衡，第二阶段模型只考虑经济性优化，第二阶段模型的成本损失目标函数表示为应对风光预测误差而调整柔性资源的成本损失期望，第二阶段模型建立过程具体如下：

建立第二阶段模型的成本损失目标函数为：

其中，sup为求上界函数；y为第二阶段决策变量，为柔性资源的调整出力；Y为第二阶段决策变量的集合；

表示为抵消风光预测误差

的干扰，调整柔性资源出力的成本；

表示求真实分布函数P_R的期望函数；

建立如下所示的第二阶段模型的约束条件，采用仿射策略描述柔性资源的调整出力：

其中，

分别表示风电、光伏、新能源预测误差；

分别表示风力、光伏、CHP、弃风、弃光、储能充电、储能放电、电网购电、电网售电、电制冷设备的实际总出力；

分别表示为中和风光预测误差，CHP、弃风、弃光、储能、电网、电制冷设备的参与度；

表示t时刻储电设备的实际运行模式；

表示t时刻电力联络线的实际运行模式；P_t ^wind,pre、P_t ^pv,pre分别为t时刻风电、光伏预测出力；ρ_t表示t时刻储能设备运行模式；β_t表示电力联络线的运行模式；P_t ^dec为t时刻双工况电制冷机的总输出功率；P_t ^CHP为t时刻CHP的总输出功率；P_t ^wind,lose为t时刻总弃风功率；P_t ^pv,lose为t时刻总弃光功率；

依据仿射策略对成本损失目标函数进行调整，具体如下：

联立第一阶段模型的目标函数，得到两阶段分布鲁棒优化下的能量调度模型为：

其中，x为第一阶段决策变量；X为第一阶段决策变量的集合。

进一步地，所述步骤4中，两阶段分布鲁棒优化调度模型转化为：

其中，x为第一阶段决策变量，包括能量转换设备的启停状态、储能设备的运行模式、各设备与联络线的出力；X为第一阶段决策变量的集合；y为第二阶段决策变量，为柔性资源的调整出力；Y为第二阶段决策变量的集合；Ax≥g为第一阶段决策变量约束，A表示第一阶段决策变量的系数矩阵；By≥h为第二阶段决策变量约束，B表示第二阶段决策变量的系数矩阵；Cx+Dy≥q为第一阶段与第二阶段决策变量的耦合约束，C、D均表示耦合约束的系数矩阵，g、h、q均为参数向量；第三行为不确定性集约束；a^T、b^T、c^T均为目标函数的系数向量；

为经济性目标的权重；

表示求真实分布函数P_R的期望函数；

表示新能源预测误差；s.t.表示约束条件；Ξ表示不确定集；R^N为N维实数向量；

为样本均值；

为样本方差；l为

的边界，

为

中的元素，

为不确定性参数

的标准化；

为

的元素。

本发明具有如下有益效果：

本发明充分考虑了风光不确定性，基于Wasserstein构造风光出力不确性模糊集，具有较低的保守度；本发明建立了两阶段分布鲁棒优化下的能量调度模型，第一阶段以成本、环境、能效为优化目标，第二阶段以为抵消风光预测误差而调整柔性设备出力的成本损失期望为优化目标，求解获得的能量调度方案较精细，包括设备状态(运行或停机)、运行模式、输出功率及应对风光预测误差的调整出力，可以指导综合能源系统进行高效绿色地优化调度，经济性好，相对于传统的确定性能源系统，环境适应性更强，具有更好的鲁棒性。

附图说明

图1为本发明所述综合能源系统架构图；

图2为本发明所述综合能源系统分布鲁棒优化调度方法实施流程图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法中，综合能源系统包含电、气、冷、热多种能源形式，采用光伏、风电、燃气轮机、电储能与市电联合供电，采用余热锅炉、燃气锅炉联合供热，采用吸收式制冷机、双工况电制冷机与蓄冷罐联合供冷。本发明所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法如图2所示，具体包括如下步骤：

步骤1：获取关键数据，即综合能源系统内部数据与外部环境数据，其中，综合能源系统内部数据包括：设备参数数据、历史运行数据，外部环境数据包括：气象参数数据、分时购售电单价与购气单价。

步骤2：对风力和光伏两种新能源的出力数据以及电、冷、热负荷进行预测，应用机器学习算法，以步骤1中获取的各项数据作为输入，日前输出电、冷、热逐时负荷预测数据以及风力和光伏出力预测数据；

步骤3：基于Wasserstein距离构建风光预测误差不确定模糊集，即风光出力模糊不确定集，具体过程如下：

步骤3.1：利用步骤1中获取的风力和光伏的历史真实出力数据与历史预测出力数据，构建风光出力预测误差的样本集合

并构造风光预测误差的经验分布函数P_N；

根据经验分布函数P_N，基于Wasserstein距离表征P_N与真实分布函数P_R的距离：

其中，D_w(P_N,P_R)为Wasserstein距离；inf表示求下确界函数；||·||表示两个分布之间的欧式范数；

为

中的第k个元素；

与

均为不确定性参数，且分别服从P_N与P_R分布；Π表示P_N和P_R的联合分布函数；

步骤3.2：将真实分布函数P_R限制在Wasserstein球内，定义风光预测误差不确定模糊集为：Ω＝{P_R∈Ψ(Ξ)|D_w(P_N,P_R)＜r(K)}；其中，Ω为一个以经验分布P_N为中心，以r(K)为半径的Wasserstein球；Ψ(Ξ)表示在Ξ上的全部概率分布；

r(K)由下式确定：

其中，C与ρ均为系数；K为样本数量；k为样本编号；β为置信度；

为样本均值；

步骤3.3：求解不确定模糊集Ξ，首先对样本集合

按下式进行标准化处理：

其中，

为

的标准化；

为样本方差；Ξ^std为

的不确定集合；

为

的标准化；

为

中的元素；l为

的边界；R^N为N维实数向量；

通过求解边界l即可求得风光预测误差不确定模糊集，l可通过下式结合嵌套二分法求解：

其中，()⁺表示一种函数，当()中的数值大于0时，取该数值，否则取0；r表示半径；θ表示大于0的对偶参数；τ表示不确定集Ξ的置信度；s.t.表示约束条件；

由此可确定

其中，

为

的元素。

步骤4：建立考虑风光预测误差的，以经济性、环境性、能效性为目标的综合能源系统两阶段分布鲁棒优化能量调度模型；其中，第一阶段模型为日前规划能量调度模型，第二阶段模型为日内运行能量调度模型；具体过程如下：

步骤4.1：第一阶段模型为日前规划能量调度模型，以一天24小时为优化调度周期，将步骤2获得的风力和光伏出力预测数据以及冷、热、电逐时负荷预测数据作为确定性输入，分别建立经济性(即成本性)、环境性、能效性目标函数，具体如下：

经济性目标函数涉及购气成本、购售电成本、日前弃风弃光损失成本、设备运行维护成本，具体为：

其中，f₁为经济性目标函数；Cost^gas为购气成本；Cost^elec为购售电成本；Cost^lose为日前弃风弃光损失成本；Cost^run为设备运行成本，主要针对能量转化设备；price_t ^gas、price_t ^buy、price_t ^sale、price^wind,lose、price^pv,lose分别为t时刻购气单价、电网购电单价、售电单价、弃风损失单价、弃光损失单价；P_t ^wind,pre、P_t ^pv,pre分别为t时刻风电、光伏预测出力；

分别为t时刻热电联产设备(主要包括燃气轮机与余热锅炉，以下简称CHP)、燃气锅炉消耗的总燃气量；price^boil、price^CHP、price^wind、price^pv、price^dec、price^ac分别为燃气锅炉、CHP、风电、光伏、双工况电制冷机、吸收式制冷机的单位运行成本；P_t ^buy、P_t ^sale分别为t时刻电网购电、售电功率；

P_t ^CHP、P_t ^dec、

分别为t时刻燃气锅炉、CHP、双工况电制冷机、吸收式制冷机的总输出功率；P_t ^wind、P_t ^pv分别为t时刻风电与光伏设备的总规划出力。

建立环境性目标函数时，考虑大气酸化、温室与粉尘3种效应的影响，环境性目标函数如下：

其中，f₂为环境性目标函数；m为污染物的编号，M为污染物种类总数，主要考虑导致上述3种效应的污染物，包括SO₂、NO_X、CH₄、CO₂、PM2.5；ω₁、ω₂、ω₃分别为大气酸化效应、温室效应、粉尘效应的环境破坏权重；

分别为第m类污染物产生3种效应的效果因子；E_m为第m种污染物的排放量；

分别表示燃气锅炉、CHP消耗单位燃气对第m类污染物的排放系数。

能效性目标函数为冷、热、电负荷与系统各种形式能源输入的比值，具体为：

其中，f₃为能效性目标函数；η_sys为能效；

分别为t时刻电负荷、冷负荷、热负荷预测；R^gas为燃气热值；P_t ^char、P_t ^dis分别为储电设备的充电总功率、放电总功率。

将建立的经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型，具体如下：

其中，

分别为经济性、环境性、能效性三种目标的权重系数。

所述第一阶段模型还包括第一阶段约束条件，第一阶段约束条件包括功率平衡与联络线约束、能量转换设备约束、储能设备约束；建立能量转换设备约束与储能设备约束时，细化颗粒度，将燃气联络线的输入、电网的购售电功率、每台设备的启停状态、运行模式、输出功率都纳入到能源优化调度的决策变量中；

功率平衡与联络线约束如下：

其中，第1、2行为电功率平衡约束，第3、4、5行分别为气、冷、热功率平衡约束，第6行为电力联络线与燃气联络线约束。β_t表示电力联络线的运行模式，β_t为0时表示售电，β_t为1时表示购电；

为t时刻输入燃气总量；

分别为t时刻双工况电制冷机蓄冷模式下的输出总冷功率、冰蓄冷的总输出冷功率；

分别为t时刻吸收式制冷机输入的总热功率、CHP设备输出的总热功率；

分别为电网购、售电功率、市政输入燃气上限值。

能量转换设备约束包括风力与光伏设备出力约束、热电联产设备约束、燃气锅炉约束、双工况电制冷设备约束、吸收式制冷设备约束，具体如下：

风力与光伏设备出力约束为：

其中，i、j分别为光伏和风电设备编号；P_t ^pv,i,lose、P_t ^pv,i,pre、P_t ^pv,i分别为光伏设备i的弃光功率、预测出力、规划出力；P_t ^wind,j,lose、P_t ^wind,j,pre、P_t ^wind,j分别为风电设备j的弃风功率、预测出力、规划出力。

热电联产设备约束为：

其中，a为CHP设备编号；

P_t ^CHP,a、

分别为CHP设备a的燃气流量、电功率、热功率；η_turb、η_wh分别为CHP设备a的电效率、热效率；

P ^CHP,a、P^CHP,a,up、P^{CHP ,a,down}分别为CHP设备a的电功率的上下限以及功率爬坡的上下限；

表示CHP设备a的启停状态，

为0时表示停机，

为1时表示运行。

燃气锅炉约束为：

其中，v为燃气锅炉设备编号；

分别为t时刻燃气锅炉v输出热功率与消耗的燃气量；η_boil为燃气锅炉的热效率；

H ^boil,vH^boil,v,up、H^boil,v,down分别为燃气锅炉v的热功率的上下限以及功率爬坡的上下限；

表示燃气锅炉v的启停状态，

为0时表示停机，

为1时表示运行。

双工况电制冷设备约束为：

其中，b为双工况电制冷机设备编号；δ_t为布尔变量，表示t时刻双工况电制冷机的运行模式，δ_t为0时表示蓄冷，δ_t为1时表示制冷；COP^dec、COP^ice分别为制冷、蓄冷效率；P_t ^dec,b，C_t ^dec,b,c,C_t ^dec,b,ice分别为t时刻双工况制冷设备b的输入功率、制冷模式下的输出冷量、蓄冰模式下的输出冷量；

C ^dec,b,c

C ^dec,b,ice、C^dec,b,c,up、C^dec,b,c,down、C^{dec ,b,ice,up}、C^{dec,b,ice,down}分别为双工况制冷设备b制冷与蓄冰模式下冷功率的上下限与冷功率爬坡的上下限；P_t ^dec、

分别为t时刻双工况制冷机总耗电功率、制冷模式下的总冷功率、蓄冷模式下的总冷功率；

表示t时刻双工况电制冷机b的启停状态，

为0时表示停机，

为1时表示运行。

吸收式制冷设备约束为：

其中，d为吸收式制冷设备编号；

分别为t时刻吸收式制冷机d的冷功率、热功率；COP^ac为吸收式制冷机的制冷效率；

C ^ac,d、C^ac,d,up、C^ac,d,down分别为吸收式制冷机d的冷功率的上下限以及功率爬坡的上下限；

表示t时刻吸收式制冷机d的运行模式，

为0时表示停机，

为1时表示运行。

储能设备约束包括储电设备约束、冰蓄冷设备约束，具体如下：

储电设备约束为：

其中，o为储电设备编号；

为t时刻储电设备o的储电量；ε^bat、η_c、η_d分别为储电设备的自损耗率、充电效率、放电效率；ρ_t表示t时刻储能设备运行模式，ρ_t为0时表示放电，ρ_t为1时表示充电；P_t ^char,o、P_t ^dis,o为储能设备o在t时刻的充、放电功率；

S ^bat,o、

P ^char,o、P ^dis,o、

分别为储能设备o的容量上下限以及充、放电功率的上下限；P^char,o,up、P^char,o,down、P^dis,o,up、P^dis,o,down分别为储能设备o的充、放电状态功率上下限以及爬坡的上下限；

表示t时刻储能设备o的启停状态，

为0时表示停机，

为1时表示运行。

冰蓄冷设备约束为：

其中，u为冰蓄冷设备编号；

εct分别为t时刻冰蓄冷罐u的蓄冷量、制冷功率、自损耗率；σ_t表示冰蓄冷罐的运行模式，为0时表示释冷，为1时表示蓄冷；η_ci、η_co分别为制冰效率、释冷效率；

S ^ct,u、

C ^ct,u、C^ct,u,up、C^ct,u,down分别为冰蓄冷罐u的蓄冷容量上下限、制冷功率上下限以及冷功率爬坡上下限；

为冰蓄冷罐t时刻输出的总冷功率；

表示t时刻冰蓄冷罐u的启停状态，

为0时表示停机，

为1时表示运行。

步骤4.2：第二阶段模型为日内运行能量调度模型，为应对风电出力预测误差，通过调整柔性资源出力以维持系统平衡，柔性资源包括购售电功率、CHP设备输出、弃风弃光功率、电制冷机功率；第二阶段模型只考虑经济性优化，第二阶段模型的成本损失目标函数表示为应对风光预测误差而调整柔性资源的成本损失期望；

步骤4.2.1：建立第二阶段模型的成本损失目标函数为：

其中，sup为求上界函数；y为第二阶段决策变量，为柔性资源的调整出力；Y为第二阶段决策变量的集合；

表示为抵消风光预测误差

的干扰，调整柔性资源出力的成本；E_PR()为求真实分布函数P_R的期望函数。

步骤4.2.2：建立如下所示的第二阶段模型的约束条件，采用仿射策略描述柔性资源的调整出力：

其中，

分别表示风电、光伏、新能源预测误差；

分别表示风力、光伏、CHP、弃风、弃光、储能充电、储能放电、电网购电、电网售电、电制冷设备的实际总出力；

分别表示为中和风光预测误差，CHP、弃风、弃光、储能、电网、电制冷设备的参与度；

表示t时刻储电设备的实际运行模式；

表示t时刻电力联络线的实际运行模式；P_t ^wind,pre、P_t ^pv,pre分别为t时刻风电、光伏预测出力；ρ_t表示t时刻储能设备运行模式；β_t表示电力联络线的运行模式；P_t ^dec为t时刻双工况电制冷机的总输出功率；P_t ^CHP为t时刻CHP的总输出功率；P_t ^wind,lose为t时刻总弃风功率；P_t ^pv,lose为t时刻总弃光功率；

步骤4.2.3：依据仿射策略对成本损失目标函数进行调整，具体如下：

联立第一阶段模型的目标函数，得到两阶段分布鲁棒优化下的能量调度模型为：

步骤5：对综合能源系统两阶段分布鲁棒优化调度模型进行转化并求解，获得考虑风电预测误差的优化调度结果，其中，通过步骤4获取的两阶段分布鲁棒优化下的能量调度模型可转化为：

其中，x为第一阶段决策变量，包括能量转换设备的启停状态、储能设备的运行模式、各设备与联络线的出力；X为第一阶段决策变量的集合；a^T、b^T、c^T均为目标函数的系数向量；

为经济性目标的权重；Ax≥g为第一阶段决策变量约束，A表示第一阶段决策变量的系数矩阵；By≥h为第二阶段决策变量约束，B表示第二阶段决策变量的系数矩阵；Cx+Dy≥q为第一阶段与第二阶段决策变量的耦合约束，C、D均表示耦合约束的系数矩阵；g、h、q均为参数向量；第三行为不确定性集约束。

通过对上述模型求解，即可获得考虑风光预测误差的综合能源系统精细化能量调度结果，包括能量转换设备的启停状态、储能设备的运行模式、综合能源系统内各设备与联络线的出力、柔性资源的调整出力。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (11)

1.考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，包括如下步骤：

步骤1：获取综合能源系统内部数据与外部环境数据后作为输入，应用机器学习算法，对风力和光伏两种新能源的出力数据以及电、冷、热负荷进行预测，日前输出电、冷、热逐时负荷预测数据以及风力和光伏出力预测数据；

步骤2：基于Wasserstein距离构建风光预测误差不确定模糊集；

步骤3：建立考虑风光预测误差的，以经济性、环境性、能效性为目标的综合能源系统两阶段分布鲁棒优化能量调度模型；其中，第一阶段模型为日前规划能量调度模型，第二阶段模型为日内运行能量调度模型；

步骤4：对综合能源系统两阶段分布鲁棒优化调度模型进行转化并求解，获得考虑风电预测误差的优化调度结果。

2.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述步骤2具体过程为：

步骤2.1：基于风力和光伏的历史真实出力数据与历史预测出力数据，构建风光出力预测误差的样本集合

并构造风光预测误差的经验分布函数P_N；

基于Wasserstein距离表征P_N与真实分布函数P_R的距离：

其中，D_w(P_N,P_R)为Wasserstein距离；inf表示求下确界函数；||·||表示两个分布之间的欧式范数；

为

中的第k个元素，

与

均为不确定性参数，且分别服从P_N与P_R分布；Π表示P_N和P_R的联合分布函数；

步骤2.2：将P_R限制在Wasserstein球内，定义风光预测误差不确定模糊集为：Ω＝{P_R∈Ψ(Ξ)|D_w(P_N,P_R)＜r(K)}；其中，Ω为一个以经验分布P_N为中心，以r(K)为半径的Wasserstein球；Ψ(Ξ)表示在Ξ上的全部概率分布；

r(K)由下式确定：

其中，C与ρ均为系数；K为样本数量；k为样本编号；β为置信度；

为样本均值；

步骤2.3：求解不确定模糊集Ξ，首先对

按下式进行标准化处理：

其中，

为

的标准化；

为样本方差；Ξ^std为

的不确定集合；

为不确定参数

的标准化；

为

中的元素；l为

的边界；R^N为N维实数向量；

通过求解边界l来求得风光预测误差不确定模糊集，l通过下式结合嵌套二分法求解：

其中，()⁺表示一种函数，当()中的数值大于0时，取该数值，否则取0；r表示半径；θ表示大于0的对偶参数；τ表示不确定集Ξ的置信度；s.t.表示约束条件；

由此可确定

其中，

为不确定参数，

为

的元素。

3.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述步骤3中，第一阶段模型以一天24小时为优化调度周期，首先将步骤1获得的风力和光伏出力预测数据以及冷、热、电逐时负荷预测数据作为确定性输入分别建立经济性、环境性、能效性目标函数，能效性目标函数为冷、热、电负荷与系统各种形式能源输入的比值，具体为：

其中，f₃为能效性目标函数；η_sys为能效；

分别为t时刻电负荷、热负荷、冷负荷预测；R^gas为燃气热值；P_t ^char、P_t ^dis分别为t时刻储电设备的总充电功率、总放电功率；

分别为t时刻CHP、燃气锅炉消耗的总燃气量；P_t ^buy、P_t ^sale分别为t时刻电网购电、售电功率；P_t ^wind、P_t ^pv、P_t ^dec分别为t时刻风电、光伏、双工况电制冷机的总输出功率。

然后将经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型，并设置第一阶段约束条件；第一阶段约束条件包括功率平衡与联络线约束、能量转换设备约束、储能设备约束，能量转换设备约束包括风力与光伏设备出力约束、热电联产设备约束、燃气锅炉约束、双工况电制冷设备约束、吸收式制冷设备约束，储能设备约束包括储电设备约束、冰蓄冷设备约束。

4.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述经济性目标函数涉及购气成本、购售电成本、日前弃风弃光损失成本、设备运行维护成本，具体为：

其中，f₁为经济性目标函数；Cost^gas为购气成本；Cost^elec为购售电成本；Cost^lose为日前弃风弃光损失成本；Cost^run为设备运行成本；

price^wind,lose、price^pv,lose分别为t时刻购气单价、电网购电单价、售电单价、弃风损失单价、弃光损失单价；P_t ^wind,pre、P_t ^pv,pre分别为t时刻风电与光伏预测出力；

分别为t时刻CHP、燃气锅炉消耗的总燃气量；price^boil、price^CHP、price^wind、price^pv、price^dec、price^ac分别为燃气锅炉、CHP、风电、光伏、双工况电制冷机、吸收式制冷机的单位运行成本；

P_t ^CHP、

分别为t时刻燃气锅炉的输出总热功率、CHP的输出总电功率、吸收式制冷机的输出总冷功率。

5.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述环境性目标函数考虑大气酸化、温室与粉尘3种效应的影响，具体为：

其中，f₂为环境性目标函数；m为污染物的编号，M为污染物种类总数；ω₁、ω₂、ω₃分别为大气酸化效应、温室效应、粉尘效应的环境破坏权重；

分别为第m类污染物产生3种效应的效果因子；E_m为第m种污染物的排放量；

分别表示燃气锅炉、CHP消耗单位燃气对第m类污染物的排放系数；

分别为t时刻CHP、燃气锅炉消耗的总燃气量。

6.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述将经济性、环境性、能效性的多目标优化模型通过赋予权重转化为单目标优化模型的过程为：

其中，

分别为经济性、环境性、能效性三种目标的权重系数，f₁、f₂分别为经济性、环境性目标函数。

7.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述功率平衡与联络线约束为：

其中，β_t表示电力联络线的运行模式；

为t时刻输入燃气总量；

分别为t时刻双工况电制冷机制冷模式下的输出总冷功率、冰蓄冷的输出总冷功率；

分别为t时刻吸收式制冷机输入的总热功率、CHP输出的总热功率；

分别为电网购、售电功率、市政输入燃气上限值；

P_t ^CHP、

分别为t时刻燃气锅炉输出的总热功率、CHP输出的总电功率、吸收式制冷机输出的总冷功率。

8.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述能量转换设备约束具体如下：

风力与光伏设备出力约束为：

其中，i、j分别为光伏和风电设备编号；P_t ^pv,i,lose、P_t ^pv,i,pre、P_t ^pv,i分别为光伏设备i的弃光功率、预测出力、规划出力；P_t ^wind,j,lose、P_t ^wind,j,pre、P_t ^wind,j分别为风电设备j的弃风功率、预测出力、规划出力；P_t ^wind,lose、P_t ^pv,lose分别为t时刻弃风总功率与弃光总功率；P_t ^wind,pre、P_t ^pv,pre分别为t时刻风电、光伏预测总出力。

热电联产设备约束为：

其中，a为CHP设备编号；

P_t ^CHP,a、

分别为CHP设备a的燃气流量、电功率、热功率；η_turb、η_wh分别为CHP设备a的电效率、热效率；

P ^CHP,a、P^CHP,a,up、P^CHP,a,down分别为CHP设备a的电功率的上下限以及功率爬坡的上下限；

表示t时刻CHP设备a的启停状态；P_t ^CHP为t时刻CHP输出的总电功率；

为t时刻CHP输出的总热功率；

燃气锅炉约束为：

其中，v为燃气锅炉设备编号；

分别为t时刻燃气锅炉v的输出热功率、消耗燃气量；η_boil为燃气锅炉的热效率；

H ^boil,v、H^boil,v,up、H^boil,v,down分别为燃气锅炉v的热功率的上下限以及热功率爬坡的上下限；

表示燃气锅炉v的启停状态；

为t时刻燃气锅炉消耗的总燃气量；

为t时刻燃气锅炉输出的总热功率；

双工况电制冷设备约束为：

其中，b为双工况电制冷机设备编号；δ_t表示t时刻双工况电制冷机的运行模式；COP^dec、COP^ice分别为制冷、蓄冷效率；P_t ^dec,b，

分别为t时刻双工况制冷设备b的输入功率、制冷模式下的输出冷量、蓄冷模式下的输出冷量；

C ^dec,b,c、

C ^dec,b,ice、C^{dec，b，w,up}、C^dec,b,c,down、C^dec,b,ice,up、C^{dec,b,ice,down}分别为双工况制冷设备b制冷与蓄冷模式下冷功率的上下限与冷功率爬坡的上下限；P_t ^dec、

分别为t时刻双工况制冷机的总耗电功率、制冷模式下的总冷功率、蓄冷模式下的总冷功率；

表示t时刻双工况电制冷机b的启停状态；

吸收式制冷设备约束为：

其中，d为吸收式制冷设备编号；

分别为t时刻吸收式制冷机d的冷功率、热功率；COP^ac为吸收式制冷机的制冷效率；

C ^ac,d、C^ac,d,up、C^ac,d,down分别为吸收式制冷机d的冷功率的上下限以及功率爬坡的上下限；

表示t时刻吸收式制冷机d的运行模式；

分别为t时刻吸收式制冷机的总输入热功率、总输出冷功率。

9.根据权利要求3所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述储能设备约束具体如下：

储电设备约束为：

其中，o为储电设备编号；

为t时刻储电设备o的储电量；ε^bat、η_c、η_d分别为储电设备的自损耗率、充电效率、放电效率；ρ_t表示t时刻储电设备运行模式；P_t ^char,o、P_t ^dis,o为储电设备o在t时刻的充、放电功率；

S ^bat,o、

P ^char,o、P ^dis,o、

分别为储电设备o的容量上下限以及充、放电功率的上下限；P^char,o,up、P^char,o,down、P^dis,o,up、P^dis,o,down分别为储电设备o的充、放电状态功率上下限以及爬坡的上下限；

表示t时刻储电设备o的启停状态；

冰蓄冷设备约束为：

其中，u为冰蓄冷设备编号；

ε^ct分别为t时刻冰蓄冷罐u的蓄冷量、制冷功率、自损耗率；σ_t表示冰蓄冷罐的运行模式；η_ci、η_co分别为制冰效率、释冷效率；

S ^ct,u、

C ^ct,u、C^ct,u,up、C^ct,u,down分别为冰蓄冷罐u的蓄冷容量上下限、制冷功率上下限以及冷功率爬坡上下限；

为冰蓄冷罐t时刻输出的总冷功率；

表示t时刻冰蓄冷罐u的启停状态。

10.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述步骤3中，第二阶段模型为应对风电出力预测误差，通过调整柔性资源出力以维持系统平衡，第二阶段模型只考虑经济性优化，第二阶段模型的成本损失目标函数表示为应对风光预测误差而调整柔性资源的成本损失期望，具体如下：

建立第二阶段模型的成本损失目标函数为：

其中，sup为求上界函数；y为第二阶段决策变量，为柔性资源的调整出力；Y为第二阶段决策变量的集合；

表示为抵消风光预测误差

的干扰，调整柔性资源出力的成本；

表示求真实分布函数P_R的期望函数；

建立如下所示的第二阶段模型的约束条件，采用仿射策略描述柔性资源的调整出力：

其中，

分别表示风电、光伏、新能源预测误差；

分别表示风力、光伏、CHP、弃风、弃光、储能充电、储能放电、电网购电、电网售电、电制冷设备的实际总出力；

分别表示为中和风光预测误差，CHP、弃风、弃光、储能、电网、电制冷设备的参与度；

表示t时刻储电设备的实际运行模式；

表示t时刻电力联络线的实际运行模式；P_t ^wind,pre、P_t ^pv,pre分别为t时刻风电、光伏预测出力；ρ_t表示t时刻储能设备运行模式；β_t表示电力联络线的运行模式；P_t ^dec为t时刻双工况电制冷机的总输出功率；P_t ^CHP为t时刻CHP的总输出功率；P_t ^wind,lose为t时刻总弃风功率；P_t ^pv,lose为t时刻总弃光功率；

依据仿射策略对成本损失目标函数进行调整，具体如下：

联立第一阶段模型的目标函数，得到两阶段分布鲁棒优化下的能量调度模型为：

其中，x为第一阶段决策变量；X为第一阶段决策变量的集合。

11.根据权利要求1所述的考虑风光预测误差的综合能源系统分布鲁棒优化调度方法，其特征在于，所述步骤4中，两阶段分布鲁棒优化调度模型转化为：

其中，x为第一阶段决策变量，包括能量转换设备的启停状态、储能设备的运行模式、各设备与联络线的出力；X为第一阶段决策变量的集合；y为第二阶段决策变量，为柔性资源的调整出力；Y为第二阶段决策变量的集合；sup为求上界函数；Ax≥g为第一阶段决策变量约束，A表示第一阶段决策变量的系数矩阵；By≥h为第二阶段决策变量约束，B表示第二阶段决策变量的系数矩阵；Cx+Dy≥q为第一阶段与第二阶段决策变量的耦合约束，C、D均表示耦合约束的系数矩阵，g、h、q均为参数向量；第三行为不确定性集约束；a^T、b^T、c^T均为目标函数的系数向量；

为经济性目标的权重；

表示求真实分布函数P_R的期望函数；

表示新能源预测误差；s.t.表示约束条件；Ξ表示不确定集；R^N为N维实数向量；

为样本均值；

为样本方差；l为

的边界，

为

中的元素，

为不确定性参数

的标准化；

为

的元素。

Images