CN114912714A - 一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统 - Google Patents

一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统 Download PDF

Info

Publication number
CN114912714A
CN114912714A CN202210688915.0A CN202210688915A CN114912714A CN 114912714 A CN114912714 A CN 114912714A CN 202210688915 A CN202210688915 A CN 202210688915A CN 114912714 A CN114912714 A CN 114912714A
Authority
CN
China
Prior art keywords
wind
scene
carbon
light
cost
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
CN202210688915.0A
Other languages
English (en)
Other versions
CN114912714B (zh
Inventor
龚烈锋
童充
徐箭
詹若培
石旭江
吴堃铭
周瑜
谢智敏
麦锦雯
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.)
Wuhan University WHU
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Wuhan University WHU, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN202210688915.0A priority Critical patent/CN114912714B/zh
Publication of CN114912714A publication Critical patent/CN114912714A/zh
Application granted granted Critical
Publication of CN114912714B publication Critical patent/CN114912714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统，包括：建立雷电气候下风光联合出力典型场景集；建立不确定性概率置信集合；基于不确定性概率置信集合，综合纳入碳交易机制和有害气体排放的影响，建立包含综合灵活运行碳捕集电厂的低碳经济预调度和再调度两阶段模型；求解低碳经济预调度和再调度两阶段模型，进行考虑雷电气候下风光联合出力高阶不确定性的低碳经济调度。本发明可为调度人员提供更为合理且有效的调度方案，可以改善原本未考虑雷电气候影响的风光出力不确定性刻画的局限性。

Description

一种考虑雷电气候下风光出力不确定性的低碳经济调度方法 和系统
技术领域
本发明属于新能源低碳经济调度技术领域，涉及一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统。
背景技术
目前，在低碳经济调度领域中应对风光出力不确定性主要采用随机优化方法或者鲁棒优化方法。前者的典型代表为场景法，其需要人为假设风光出力预测误差满足一定的概率分布，然后基于历史数据拟合的概率分布进行场景生成及场景缩减，从而得到典型场景集表征风光出力误差的不确定性；后者需要基于历史数据设置模糊集来表征风光出力误差的不确定性。
上述方法虽然在一定程度上可以应对电力系统中的风光出力不确定性对系统可靠经济运行的影响，但是往往无法均衡调度决策的低碳经济性和鲁棒性，其要么完全倾向于低碳经济性，导致系统鲁棒性较差，要么完全倾向于保守性，导致系统经济性较差。而且目前电力系统应对风光出力不确定性仅笼统的参考历史数据，未完全根据特殊气象条件对其进行精细化分类，没有充分考虑雷电气候下的风光出力不确定性对电力系统低碳经济调度的影响。
随着电力系统新能源占比逐年升高，风光出力不确定性越来越强，电力系统对低碳经济性和鲁棒性的统筹兼顾性要求越来越高。与此同时，随着全球范围内雷电发生频次的增加，特殊雷电气候对风光出力造成了一定的影响，风光出力不确定性在雷电气候下的特征越来越不容忽视。
如果能在雷电气候下充分考虑风光出力的高阶不确定性对系统低碳经济调度的影响，那么将极大提高决策的合理性及有效性，同时均衡决策的低碳经济性和鲁棒性。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统，通过WDIC-DCGAN生成大量雷电气候下的风光出力场景并通过K-mediods聚类方法缩减得到雷电气候下的风光出力典型场景集，然后在两阶段低碳经济模型中考虑雷电气候下风光联合出力场景的最恶劣概率分布信息来均衡决策的低碳经济性和鲁棒性，为调度人员提供更为合理且有效的调度方案，可以改善原本未考虑雷电气候影响的风光出力不确定性刻画的局限性。
为了实现上述目标，本发明采用如下技术方案：
一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，包括以下步骤：
步骤1：基于WDIC-DCGAN生成特定雷电气候及风光日平均出力区间下满足风光预测出力条件的风光联合出力场景集合，采用聚类方法对其进行场景缩减，得到雷电气候下风光联合出力典型场景集；
步骤2：将典型场景集所表征的雷电气候下的风光联合出力的概率分布看做在雷电气候下风光联合出力的概率分布上的高阶不确定性，采用由综合范数表示风光联合出力概率分布模糊集的方法表征所述高阶不确定性，得到不确定性概率置信集合；
步骤3：基于不确定性概率置信集合，综合纳入碳交易机制和有害气体排放的影响，建立包含综合运行碳捕集电厂的低碳经济预调度和再调度两阶段模型；
步骤4：采用C&CG算法求解低碳经济预调度和再调度两阶段模型，进行考虑雷电气候下风光联合出力高阶不确定性的低碳经济调度。
本发明进一步包括以下优选方案：
优选地，步骤1具体包括：
步骤1.1：定义风电场和光伏电站的历史日前实测出力数据作为真实样本数据
Figure 753159DEST_PATH_IMAGE001
，将WDIC-DCGAN生成的条件风光联合出力场景数据作为生成样本数据，即条件场景生成数据，记为条件场景样本
Figure DEST_PATH_IMAGE002
；
步骤1.2：在WDIC-DCGAN的条件判别器
Figure 569805DEST_PATH_IMAGE003
和条件生成器
Figure DEST_PATH_IMAGE004
都计及雷电预警等级标签
Figure 260812DEST_PATH_IMAGE005
、风电和光伏日出力平均值大小相对于出力最大值的标幺值区间箱体标签
Figure DEST_PATH_IMAGE006
以及风光联合出力预测值标签
Figure 987459DEST_PATH_IMAGE007
的影响，总条件标签
Figure DEST_PATH_IMAGE008
为
Figure 604254DEST_PATH_IMAGE009
、
Figure DEST_PATH_IMAGE010
、
Figure 49142DEST_PATH_IMAGE011
的拼接后矩阵，即
Figure DEST_PATH_IMAGE012
；
步骤1.3：在条件生成器
Figure 416276DEST_PATH_IMAGE013
的输入侧输入随机噪声数据
Figure DEST_PATH_IMAGE014
与
Figure 246698DEST_PATH_IMAGE015
的拼接后矩阵，使随机噪声数据与条件标签形成上下一一对应关系，以便于卷积层对条件输入样本进行关联性信息分析，条件生成器
Figure DEST_PATH_IMAGE016
输出生成的条件场景样本
Figure 316285DEST_PATH_IMAGE017
；
WDIC-DCGAN的条件判别器
Figure DEST_PATH_IMAGE018
和条件生成器
Figure 468043DEST_PATH_IMAGE019
的损失函数分别为：
Figure DEST_PATH_IMAGE020
(1.2)
Figure 140332DEST_PATH_IMAGE021
(1.3)
WDIC-DCGAN的目标函数为：
Figure DEST_PATH_IMAGE022
(1.4)
Figure 841572DEST_PATH_IMAGE023
与
Figure DEST_PATH_IMAGE024
表示历史真实样本数据
Figure 27266DEST_PATH_IMAGE025
与生成样本数据
Figure DEST_PATH_IMAGE026
满足的边缘分布；
Figure 446746DEST_PATH_IMAGE027
表示分布
Figure DEST_PATH_IMAGE028
与
Figure 781782DEST_PATH_IMAGE029
的差异程度；
Figure DEST_PATH_IMAGE030
表示相应边缘分布的期望值；
Figure 71949DEST_PATH_IMAGE031
为条件判别函数；
Figure DEST_PATH_IMAGE032
；
Figure 578279DEST_PATH_IMAGE033
表示
Figure DEST_PATH_IMAGE034
的梯度；
Figure 468743DEST_PATH_IMAGE035
表示随机数，取值范围为0-1之间；
权重系数
Figure DEST_PATH_IMAGE036
；
步骤1.4：根据目标函数式(1.4)通过模型训练使条件生成器
Figure 358202DEST_PATH_IMAGE037
损失函数式(1.2)和条件判别器
Figure DEST_PATH_IMAGE038
损失函数式(1.3)收敛，然后确定训练后的WDIC-DCGAN中的条件生成器
Figure 516257DEST_PATH_IMAGE039
的模型参数，在训练后的条件生成器
Figure 36231DEST_PATH_IMAGE039
的输入侧输入相应的条件标签值和满足相应分布的高维随机噪声，通过条件生成器
Figure 492621DEST_PATH_IMAGE039
来生成特定雷电气候及风光日平均出力区间下满足风光预测出力条件的风光联合出力场景集合，生成的场景数量设为
Figure DEST_PATH_IMAGE040
；
步骤1.5：采用K-mediods聚类方法对步骤1.4生成的风光联合出力场景集合进行场景缩减，从而得到最终的雷电气候下风光联合出力典型场景集
Figure 310404DEST_PATH_IMAGE041
。
优选地，步骤1.5中，采用K-mediods聚类方法对步骤1.4生成的风光联合出力场景集合进行场景缩减，其所依据的函数表达式如下所示：
Figure DEST_PATH_IMAGE042
(1.5)
Figure 325895DEST_PATH_IMAGE043
(1.6)
式中：
Figure DEST_PATH_IMAGE044
表示步骤1.4生成的风光联合出力场景集合；
Figure 79088DEST_PATH_IMAGE045
表示通过K-mediods缩减后的风光联合出力典型场景集合；
Figure DEST_PATH_IMAGE046
为风光联合出力离散场景
Figure 553932DEST_PATH_IMAGE047
出现的概率；
Figure DEST_PATH_IMAGE048
表示场景之间的距离。
优选地，步骤2中，将典型场景集所表征的雷电气候下的风光联合出力的概率分布看做一个尽可能逼近历史数据真实概率分布的模糊集合，即看做在雷电气候下风光联合出力的概率分布上的高阶不确定性，通过采用由综合范数表示风光联合出力概率分布模糊集的方法表征所述高阶不确定性，得到不确定性概率置信集合，具体的：
综合采用1-范数和
Figure 538855DEST_PATH_IMAGE049
-范数联合约束，以确保当生成的风光联合出力的数据集数量充分大时，能使通过场景缩减得到的典型风光联合出力典型场景集对应的离散概率
Figure DEST_PATH_IMAGE050
符合的概率分布收敛到实际的概率分布，不确定性概率置信集合满足如下约束：
Figure 658121DEST_PATH_IMAGE051
(2.1)
式中：
Figure DEST_PATH_IMAGE052
表示典型场景集场景数量；
场景
Figure 565903DEST_PATH_IMAGE053
和
Figure DEST_PATH_IMAGE054
分别表示风光联合出力典型场景集中第
Figure 403409DEST_PATH_IMAGE055
个场景对应的初始离散概率值和决策离散概率值；
Figure DEST_PATH_IMAGE056
、
Figure 923514DEST_PATH_IMAGE057
分别代表1-范数和∞-范数约束下对风电场景概率偏差浮动的准许限值；
Figure DEST_PATH_IMAGE058
满足如下置信度约束：
Figure 897286DEST_PATH_IMAGE059
(2.2)
Figure DEST_PATH_IMAGE060
(2.3)
令式(2.2)、(2..3)中
Figure 851336DEST_PATH_IMAGE061
、
Figure DEST_PATH_IMAGE062
，则有：
Figure 923940DEST_PATH_IMAGE063
(2.4)
Figure DEST_PATH_IMAGE064
(2.5)
式中：
Figure 497004DEST_PATH_IMAGE065
为通过WDIC-DCGAN生成的场景数量；
Figure DEST_PATH_IMAGE066
和
Figure 840130DEST_PATH_IMAGE066
分别为式(2.2)、(2.3)的不确定性概率置信度。
优选地，步骤3具体包括：
步骤3.1：所述模型考虑在雷电气候下风光联合出力的概率分布上的高阶不确定性基础上，基于不确定性概率置信集合，建立以系统总运行净成本最小化作为低碳经济调度模型的优化目标函数，所述系统总运行净成本包括预调度阶段基准成本和再调度阶段调整成本；
步骤3.2：建议步骤3.1的约束条件，包括：预调度运行约束和再调度调整约束；
所述再调度调整约束通过综合运行碳捕集机组和常规燃煤火电机组的旋转备用来平衡各场景中的风光出力偏差。
优选地，步骤3.1中，建立如下优化目标函数：
Figure 43709DEST_PATH_IMAGE067
(3.1)
Figure DEST_PATH_IMAGE068
(3.2)
Figure 606540DEST_PATH_IMAGE069
(3.3)
式中：
Figure DEST_PATH_IMAGE070
为系统日前低碳经济调度成本总和；
Figure 717715DEST_PATH_IMAGE071
为预调度阶段基准成本；
Figure DEST_PATH_IMAGE072
为第
Figure DEST_PATH_IMAGE073
个场景下的再调度阶段调整成本；
Figure DEST_PATH_IMAGE074
为场景编号，
Figure 118610DEST_PATH_IMAGE075
为场景总数；
Figure DEST_PATH_IMAGE076
为场景概率
Figure 930575DEST_PATH_IMAGE077
满足的模糊集合；
Figure DEST_PATH_IMAGE078
为燃料机组
Figure 744816DEST_PATH_IMAGE079
时段的总基准运行成本，为
Figure DEST_PATH_IMAGE080
与
Figure 659683DEST_PATH_IMAGE081
之和；
其中
Figure DEST_PATH_IMAGE082
，
Figure 619811DEST_PATH_IMAGE083
分别为综合运行碳捕集电厂、常规燃煤火电机组在
Figure 555405DEST_PATH_IMAGE079
时段的基准运行成本；
Figure DEST_PATH_IMAGE084
、
Figure 201150DEST_PATH_IMAGE085
、
Figure DEST_PATH_IMAGE086
分别为系统在
Figure 667511DEST_PATH_IMAGE079
时段的基准备用容量成本、基准碳交易成本、基准CO2封存成本；
Figure 183942DEST_PATH_IMAGE087
、
Figure DEST_PATH_IMAGE088
分别为系统在
Figure 821597DEST_PATH_IMAGE079
时段的基准弃风弃光惩罚成本、SO2以及NOX有害气体排放的基准环保惩罚成本；
Figure 157901DEST_PATH_IMAGE089
为系统中综合运行CCPP的日折旧成本；
Figure DEST_PATH_IMAGE090
、
Figure 414570DEST_PATH_IMAGE091
、
Figure DEST_PATH_IMAGE092
分别为第
Figure 942765DEST_PATH_IMAGE093
个场景下第
Figure DEST_PATH_IMAGE094
时段的再调度燃料机组调整成本、碳交易调整成本、二氧化碳封存调整成本；
Figure 751321DEST_PATH_IMAGE095
、
Figure DEST_PATH_IMAGE096
分别为第
Figure 512604DEST_PATH_IMAGE093
个场景下第
Figure 635281DEST_PATH_IMAGE094
时段的再调度弃风弃光、再调度弃负荷成本；
Figure 20912DEST_PATH_IMAGE097
为第
Figure 344577DEST_PATH_IMAGE093
个场景下第
Figure 655473DEST_PATH_IMAGE094
时段的SO2及NOX有害气体排放的环保惩罚调整成本。
优选地，所述预调度运行约束包括电功率平衡约束；碳捕集机组、火电机组电功率上下限约束；碳捕集机组、火电机组爬坡速率约束；碳捕集机组内部约束；碳捕集机组、火电机组最小启停时间约束；风电运行约束；以及直流潮流约束；
所述再调度调整约束包括各场景下电功率再平衡约束；各场景下计及旋转备用容量约束的燃料机组再调度调整约束；各场景下考虑再调度调整的碳捕集机组、火电机组爬坡速率约束；各场景下的再调度弃风弃光约束；各场景下的再调度切负荷约束；以及各场景下传输线容量约束。
优选地，步骤4具体包括：
步骤4.1：将低碳经济预调度和再调度两阶段模型的优化目标函数和约束条件表示为：
Figure DEST_PATH_IMAGE098
(4.1)
Figure 378578DEST_PATH_IMAGE099
(4.2)
Figure DEST_PATH_IMAGE100
(4.3)
Figure 146945DEST_PATH_IMAGE101
(4.4)
Figure DEST_PATH_IMAGE102
(4.5)
Figure 172670DEST_PATH_IMAGE103
(4.6)
Figure DEST_PATH_IMAGE104
(4.7)
Figure 892233DEST_PATH_IMAGE105
(4.8)
式中：
Figure DEST_PATH_IMAGE106
表示第一阶段变量，即预调度阶段变量，包含日前启停机计划、备用容量配置及风光预测曲线下的各机组基准出力计划、基准碳交易计划、基准碳封存计划；
Figure 28817DEST_PATH_IMAGE107
表示第二阶段变量，即再调度阶段变量，包括燃料机组再调度调整出力、调整碳排放量、调整碳封存量再调度运行调整变量；
Figure DEST_PATH_IMAGE108
为风光联合出力典型场景集第个离散场景下的风光联合预测出力值；
Figure 524127DEST_PATH_IMAGE109
表示包括优化目标函数式中基准运行成本、基准备用容量成本、基准碳交易成本、基准CO2封存成本、基准弃风弃光惩罚成本、SO2以及NOX有害气体排放的基准环保惩罚成本及系统中综合运行碳捕集电厂日折旧成本的第一阶段预调度的日前调度基准成本
Figure DEST_PATH_IMAGE110
；
Figure 704441DEST_PATH_IMAGE111
表示第二阶段再调度第
Figure DEST_PATH_IMAGE112
个场景下的
Figure 662033DEST_PATH_IMAGE113
，代表包含再调度阶段的燃料机组调整成本、碳交易调整成本、二氧化碳封存调整成本、各场景再调度弃风弃光成本、各场景再调度切负荷成本以及SO2和NOX有害气体排放的环保惩罚调整成本；
步骤4.2：将步骤4.1中公式(4.1)代表的两阶段低碳经济问题分解为主问题MP和子问题SP，将子问题SP转换为具有KKT条件的混合整数线性规划，采用C&CG算法迭代求解主问题MP和子问题SP；
所述主问题MP是满足子问题给出的既定的雷电气候下风光出力最恶劣概率分布情况下求解问题最优解，然后给子问题SP传输一个下界值和相关第一阶段求解优化后的基准变量结果；
所述子问题SP是将主问题MP求解的第一阶段变量
Figure DEST_PATH_IMAGE114
作为已知值，然后在满足1-范数和
Figure 618619DEST_PATH_IMAGE115
-范数的条件下优化求解得到最恶劣的雷电气候下风光出力概率分布和上界值，传输给下一步的主问题MP的求解。
优选地，所述主问题如下式：
Figure DEST_PATH_IMAGE116
(4.9)
Figure 345266DEST_PATH_IMAGE117
(4.10)
Figure DEST_PATH_IMAGE118
(4.11)
Figure 696482DEST_PATH_IMAGE119
(4.12)
Figure DEST_PATH_IMAGE120
(4.13)
Figure 758679DEST_PATH_IMAGE121
(4.14)
Figure DEST_PATH_IMAGE122
(4.15)
Figure 502645DEST_PATH_IMAGE123
(4.16)
式中：
Figure DEST_PATH_IMAGE124
代表第m次迭代，
Figure 333066DEST_PATH_IMAGE125
代表总迭代次数；
所述子问题如下式：
Figure DEST_PATH_IMAGE126
(4.17)
将式(4.17)子问题SP拆分成内外层独立两步求解，运用并行计算同时求解子问题中内层最小值问题以及子问题中外层问题，因此，式(4.17)等效为：
Figure 137074DEST_PATH_IMAGE127
(4.18)
式中：
Figure DEST_PATH_IMAGE128
表示代入主问题MP求得的第一阶段变量
Figure 429777DEST_PATH_IMAGE129
和风光联合出力典型场景集中第
Figure DEST_PATH_IMAGE130
个离散场景下的风光联合预测出力值
Figure 226701DEST_PATH_IMAGE131
后可以独立求解的优化问题。
优选地，所述步骤4.2所述采用C&CG算法迭代求解主问题MP和子问题SP，具体包括：
Step 1：设定下界
Figure DEST_PATH_IMAGE132
，上界
Figure 396782DEST_PATH_IMAGE133
，置迭代次数
Figure DEST_PATH_IMAGE134
；
Step 2：求解C&CG中的主问题MP，得到最优决策解
Figure 119494DEST_PATH_IMAGE135
，并且更新下界值
Figure DEST_PATH_IMAGE136
；
Step 3：在子问题SP中代入主问题MP求得的第一阶段变量
Figure 273395DEST_PATH_IMAGE137
，求解子问题SP得到雷电气候下风光出力概率分布最恶劣情况下的离散概率值
Figure DEST_PATH_IMAGE138
和最优目标函数值
Figure 483797DEST_PATH_IMAGE139
，更新上界值
Figure DEST_PATH_IMAGE140
；
Step 4：如果
Figure 790275DEST_PATH_IMAGE141
，则停止主子问题间的交互迭代，得到最终一次迭代求得的最优解
Figure DEST_PATH_IMAGE142
；否则，更新主问题MP中雷电气候下风光联合出力的最恶劣离散概率分布值
Figure 670507DEST_PATH_IMAGE143
，并在主问题中添加新的变量
Figure DEST_PATH_IMAGE144
和与新的变量相关的约束条件式(4.10)-(4.16)；
Step 5：更新
Figure 560971DEST_PATH_IMAGE145
，返回Step 2。
本发明还提供一种考虑雷电气候下风光出力不确定性的低碳经济调度系统，用于实现所述的考虑雷电气候下风光出力不确定性的低碳经济调度方法。
本发明的有益效果在于，与现有技术相比：
1.本发明充分考虑了雷电气候下的风光联合出力的不确定性，其能够更有效的反映风电光伏出力之间的横向相关性特征以及风电光伏出力时间序列的纵向动态相关特性，对特殊雷电气候条件下的风光联合出力不确定性进行了更为精准的刻画，纳入了雷电气候的影响，可以使决策者在雷电气候下的调度决策更为合理有效。
2.本发明充分考虑了风光联合出力的高阶不确定性对决策低碳经济性和鲁棒性的影响：
一方面，考虑了风光联合出力概率分布与真实历史实测出力之间的模糊偏差，考虑了历史数据不准确性和场景生成缩减过程中产生的高阶误差对风光联合出力不确定性及调度决策精确有效性的影响，较常规场景法提高了决策的准确性和有效性；
另一方面，其进一步考虑了风光联合出力概率分布中的最恶劣分布对决策的影响，以最恶劣场景概率分布情况下的系统总成本最小为目标，大幅度改善了传统鲁棒方法将最恶劣场景下系统总成本最小当做优化求解目标导致的决策保守性偏高的缺点，提高了系统运行的经济性，可以根据决策者对低碳经济性或者鲁棒性的偏好来均衡决策，从而得到更为合理的调度方案。
附图说明
图1是本发明考虑雷电气候下风光出力不确定性的低碳经济调度方法流程图；
图2是本发明实施了中采用C&CG算法迭代求解主问题MP和子问题SP的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明的实施例1提供了一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，在本发明优选但非限制性的实施方式中，所述方法包括以下步骤：
步骤1：雷电气候下风光联合出力典型场景生成：基于WDIC-DCGAN生成的大量场景，采用聚类方法对其进行场景缩减，从而得到最终的雷电气候下风光联合出力典型得场景集。
进一步优选地，采用基于Wasserstein 距离改进的条件深度卷积生成对抗网络(Wasserstein distance improvement conditional deep convolutions generativeadversarial network，WDIC-DCGAN)对雷电气候下风光联合出力不确定性进行建模。
WDIC-DCGAN基于传统GAN进行改进，其同样由生成器和判别器2个解耦的深度学习单元构成，起到了博弈的效果。
WDIC-DCGAN在生成器和判别器的输入中都加入了有关特定条件向量的输入，其通过结合监督学习与无监督学习技术，综合了CGAN和DCGAN的优点，能够让GAN包含的生成器深入学习符合相应条件下的历史实测风光联合出力真实样本概率分布映射关系，并且可以基于卷积网络较强的特征提取能力提取风光联合出力的动态时空关联信息，对含有特定条件类型风光联合出力概率分布数据样本的场景生成泛化有优良的效果。
为了改善传统GAN使用JS距离作为损失函数导致不能精确刻画输入样本分布间的距离以及可能出现训练困难、模式崩溃的局限性，引入了既能有效刻画两个概率分布之间的距离又能提高训练稳定性的Wasserstein距离，使用其Kantorovich Rubinstein对偶形式来描述生成样本与真实样本之间的距离：
Figure DEST_PATH_IMAGE146
(1.1)
式中：
Figure 450430DEST_PATH_IMAGE147
与
Figure DEST_PATH_IMAGE148
表示历史真实样本数据
Figure 489711DEST_PATH_IMAGE149
与生成样本数据
Figure DEST_PATH_IMAGE150
满足的边缘分布；
Figure 790111DEST_PATH_IMAGE151
表示判别器的损失函数需要符合1-Lipschitz连续；
Figure DEST_PATH_IMAGE152
为条件判别函数。
步骤1.1：定义风电场和光伏电站的历史日前实测出力数据作为真实样本数据
Figure 918604DEST_PATH_IMAGE153
，将WDIC-DCGAN生成的条件风光联合出力场景数据作为生成样本数据
Figure DEST_PATH_IMAGE154
，即场景生成数据；
步骤1.2：在WDIC-DCGAN的条件判别器
Figure 831327DEST_PATH_IMAGE155
和条件生成器
Figure DEST_PATH_IMAGE156
都计及雷电预警等级标签
Figure 361666DEST_PATH_IMAGE157
、风电和光伏日出力平均值大小相对于出力最大值的标幺值区间箱体标签
Figure DEST_PATH_IMAGE158
以及风光联合出力预测值标签
Figure 832967DEST_PATH_IMAGE159
的影响，总条件标签
Figure DEST_PATH_IMAGE160
为
Figure 183177DEST_PATH_IMAGE161
、
Figure DEST_PATH_IMAGE162
、
Figure 37607DEST_PATH_IMAGE163
的拼接后矩阵，即
Figure DEST_PATH_IMAGE164
；
特定的雷电预警等级标签如表1所示：
表1雷电预警等级标签
雷电预警等级 Ⅲ级（较重） Ⅱ级（严重） Ⅰ级（特别严重）
颜色标签 黄色 橙色 红色
步骤1.3：由于各时刻的风光出力值与条件标签具有关联关系，因此可通过独热编码使条件标签的长度与随机噪声数据长度一致，为了使WDIC-DCGAN中的卷积层能够识别输入样本的有用信息，在条件生成器
Figure 671720DEST_PATH_IMAGE165
的输入侧输入随机噪声数据
Figure DEST_PATH_IMAGE166
与
Figure 330234DEST_PATH_IMAGE167
的拼接后矩阵，使随机噪声数据与条件标签形成上下一一对应关系，有利于卷积层对条件输入样本进行关联性信息分析，条件生成器
Figure DEST_PATH_IMAGE168
输出生成的条件场景样本
Figure 652894DEST_PATH_IMAGE169
；
WDIC-DCGAN的条件判别器
Figure DEST_PATH_IMAGE170
和条件生成器
Figure 422266DEST_PATH_IMAGE171
的损失函数分别为：
Figure DEST_PATH_IMAGE172
(1.2)
Figure 51831DEST_PATH_IMAGE173
(1.3)
WDIC-DCGAN的目标函数为：
Figure DEST_PATH_IMAGE174
(1.4)
Figure 646628DEST_PATH_IMAGE175
与
Figure DEST_PATH_IMAGE176
表示历史真实样本数据
Figure 705850DEST_PATH_IMAGE177
与生成样本数据
Figure DEST_PATH_IMAGE178
满足的边缘分布；
Figure 528182DEST_PATH_IMAGE179
表示分布
Figure DEST_PATH_IMAGE180
与
Figure 622040DEST_PATH_IMAGE181
的差异程度；
Figure DEST_PATH_IMAGE182
表示相应边缘分布的期望值；
Figure 373089DEST_PATH_IMAGE183
为条件判别函数；
Figure DEST_PATH_IMAGE184
；
Figure DEST_PATH_IMAGE185
表示
Figure DEST_PATH_IMAGE186
的梯度；
Figure 778663DEST_PATH_IMAGE187
表示随机数，取值范围为0-1之间；
权重系数
Figure DEST_PATH_IMAGE188
；
步骤1.4：根据目标函数式(1.4)通过模型训练使条件生成器
Figure 637641DEST_PATH_IMAGE189
损失函数式(1.2)和条件判别器
Figure DEST_PATH_IMAGE190
损失函数式(1.3)收敛，然后确定训练后的WDIC-DCGAN中的条件生成器
Figure 976218DEST_PATH_IMAGE191
的模型参数，在训练后的条件生成器
Figure 475333DEST_PATH_IMAGE191
的输入侧输入相应的条件标签值和满足相应分布的高维随机噪声，通过条件生成器
Figure 243569DEST_PATH_IMAGE191
来生成特定雷电气候及风光日平均出力区间下满足风光预测出力条件的风光联合出力场景集合，生成的场景数量设为
Figure DEST_PATH_IMAGE192
；
步骤1.5：采用K-mediods的聚类方法对其进行场景缩减，从而得到最终的雷电气候下风光联合出力典型场景集
Figure 909168DEST_PATH_IMAGE193
。
K-mediods场景缩减法表达式如下所示：
Figure DEST_PATH_IMAGE194
(1.5)
Figure 977618DEST_PATH_IMAGE195
(1.6)
式中：
Figure DEST_PATH_IMAGE196
表示WDIC-DCGAN生成的风光联合出力场景集合；
Figure 444371DEST_PATH_IMAGE197
表示通过K-mediods缩减的风光联合出力典型场景集合；
Figure DEST_PATH_IMAGE198
为风光联合出力离散场景
Figure 984724DEST_PATH_IMAGE199
出现的概率；
Figure DEST_PATH_IMAGE200
表示场景之间的距离。
通过K-mediods算法对风光联合出力生成场景进行缩减的步骤如下：
Step 1：从WDIC-DCGAN生成的风光联合出力场景集合中随机选取个场景作为初始聚类中心。
Step 2：计算每个生成的风光联合出力场景离聚类中心的距离，将每个风光联合出力场景出力预测误差场景分配到离其最近的聚类中心。
Step 3：求解使得优化目标函数最小的聚类中心。
Step 4：如果新的聚类中心与前一次的聚类中心不同，则转至Step 2；如果新的聚类中心与前一次的聚类中心相同，则当前聚类所得到的聚类中心就是场景缩减之后的风光联合出力典型场景
Figure 703281DEST_PATH_IMAGE201
和
Figure DEST_PATH_IMAGE202
，其中，下标
Figure 609926DEST_PATH_IMAGE203
为典型场景编号。
步骤2：对雷电气候下的风光联合出力的高阶不确定性进行建模。
由于场景生成及场景缩减后的典型场景集所表征的雷电气候下的风光联合出力的概率分布与历史数据真实的概率分布间还是会有不确定性偏差，因此可以将典型场景集所表征的雷电气候下的风光联合出力的概率分布看做一个尽可能逼近历史数据真实概率分布的模糊集合，即可以看做是在雷电气候下风光联合出力的概率分布上的高阶不确定性。通过采用由综合范数表示风光联合出力概率分布模糊集的方法表征风光联合出力的高阶不确定性，从而使决策更为有效和合理。
计及真实场景，为避免单一范数对离散概率分布模糊集的表达在一定程度上有局部极端的缺陷，综合采用1-范数和
Figure DEST_PATH_IMAGE204
-范数联合约束，以确保当生成的风光联合出力的数据集数量充分大时，能使通过场景缩减得到的典型风光联合出力典型场景集对应的离散概率
Figure 122947DEST_PATH_IMAGE205
符合的概率分布收敛到实际的概率分布，不确定性概率置信集合满足如下约束：
Figure DEST_PATH_IMAGE206
(2.1)
式中：
Figure 23032DEST_PATH_IMAGE207
表示典型场景集场景数量；
Figure DEST_PATH_IMAGE208
和
Figure 263389DEST_PATH_IMAGE209
分别表示风光联合出力典型场景集对应的初始离散概率值和决策离散概率值；
Figure DEST_PATH_IMAGE210
、
Figure 306432DEST_PATH_IMAGE211
分别代表1-范数和∞-范数约束下对风电场景概率偏差浮动的准许限值；
Figure DEST_PATH_IMAGE212
满足如下置信度约束：
Figure 738157DEST_PATH_IMAGE213
(2.2)
Figure DEST_PATH_IMAGE214
(2.3)
令式(2.2)、(2..3)中
Figure 233860DEST_PATH_IMAGE215
、
Figure DEST_PATH_IMAGE216
，则有：
Figure 277908DEST_PATH_IMAGE217
(2.4)
Figure DEST_PATH_IMAGE218
(2.5)
式中：
Figure 909878DEST_PATH_IMAGE219
为通过WDIC-DCGAN生成的场景数量；
Figure DEST_PATH_IMAGE220
和
Figure 656379DEST_PATH_IMAGE221
分别为式(2.2)、(2.3)的不确定性概率置信度。
步骤3：对考虑雷电气候下风光高阶不确定性的低碳经济调度两阶段模型建模。
在考虑风光高阶不确定性的基础上综合纳入碳交易机制和有害气体排放的影响，建立包含综合灵活运行碳捕集电厂的低碳经济调度两阶段模型。
步骤3.1，优化目标函数的建立。
模型在考虑雷电气候下风光高阶不确定性的基础上，以系统总运行净成本最小化作为低碳经济调度模型的优化目标，其分为两个阶段，即预调度阶段基准成本和再调度阶段调整成本。
优化目标函数具体形式如下式所示：
Figure DEST_PATH_IMAGE222
(3.1)
Figure 623067DEST_PATH_IMAGE223
(3.2)
Figure DEST_PATH_IMAGE224
(3.3)
式中：
Figure 221539DEST_PATH_IMAGE225
为系统日前低碳经济调度成本总和；
Figure DEST_PATH_IMAGE226
为预调度阶段基准成本；
Figure 715537DEST_PATH_IMAGE227
为第
Figure DEST_PATH_IMAGE228
个场景下的再调度阶段调整成本；
Figure 741262DEST_PATH_IMAGE229
为场景编号，
Figure DEST_PATH_IMAGE230
为场景总数；
Figure 195246DEST_PATH_IMAGE231
为场景概率
Figure DEST_PATH_IMAGE232
满足的模糊集合；
Figure 331830DEST_PATH_IMAGE233
为燃料机组
Figure DEST_PATH_IMAGE234
时段的总基准运行成本，为
Figure 954703DEST_PATH_IMAGE235
与
Figure DEST_PATH_IMAGE236
之和；
其中，
Figure DEST_PATH_IMAGE237
，
Figure DEST_PATH_IMAGE238
分别为综合灵活运行碳捕集机组（碳捕集电厂）、常规燃煤火电机组在
Figure 479225DEST_PATH_IMAGE234
时段的基准运行成本；
Figure 764713DEST_PATH_IMAGE239
、
Figure DEST_PATH_IMAGE240
、
Figure 328156DEST_PATH_IMAGE241
分别为系统在
Figure 382700DEST_PATH_IMAGE234
时段的基准备用容量成本、基准碳交易成本、基准CO2封存成本；
Figure DEST_PATH_IMAGE242
、
Figure 999495DEST_PATH_IMAGE243
分别为系统在
Figure 647645DEST_PATH_IMAGE234
时段的基准弃风弃光惩罚成本、SO2以及NOX有害气体排放的基准环保惩罚成本；
Figure DEST_PATH_IMAGE244
为系统中综合灵活运行CCPP的日折旧成本。
Figure 876763DEST_PATH_IMAGE245
、
Figure DEST_PATH_IMAGE246
、
Figure 457917DEST_PATH_IMAGE247
分别为第
Figure DEST_PATH_IMAGE248
个场景下第
Figure 245614DEST_PATH_IMAGE234
时段的再调度燃料机组调整成本、碳交易调整成本、二氧化碳封存调整成本；
Figure 381060DEST_PATH_IMAGE249
、
Figure DEST_PATH_IMAGE250
分别为第
Figure 416799DEST_PATH_IMAGE248
个场景下第
Figure 445935DEST_PATH_IMAGE234
时段的再调度弃风弃光、再调度弃负荷成本；
Figure 624106DEST_PATH_IMAGE251
为第
Figure 105903DEST_PATH_IMAGE248
个场景下第
Figure 644201DEST_PATH_IMAGE234
时段的SO2及NOX有害气体排放的环保惩罚调整成本。
上述成本具体介绍如下（1）-（10）：
（1）碳捕集电厂的基准运行成本分为发电成本和启停机成本：
Figure DEST_PATH_IMAGE252
(3.4)
Figure 199947DEST_PATH_IMAGE253
(3.5)
式中：
Figure DEST_PATH_IMAGE254
、
Figure 96490DEST_PATH_IMAGE255
分别为综合灵活运行碳捕集电厂在
Figure 940949DEST_PATH_IMAGE234
时段的基准发电成本和启停机成本；
Figure DEST_PATH_IMAGE256
，
Figure 814096DEST_PATH_IMAGE257
和
Figure DEST_PATH_IMAGE258
分别为第
Figure 224349DEST_PATH_IMAGE259
台综合灵活运行碳捕集机组的二次、一次以及常数项煤耗特性成本系数；
Figure DEST_PATH_IMAGE260
和
Figure 288864DEST_PATH_IMAGE261
分别为第
Figure 620619DEST_PATH_IMAGE259
台综合灵活运行碳捕集机组的启动和关停成本系数；
Figure DEST_PATH_IMAGE262
代表第
Figure 297457DEST_PATH_IMAGE259
台综合灵活运行碳捕集机组在
Figure 765478DEST_PATH_IMAGE234
时段的运行状态，且
Figure 580988DEST_PATH_IMAGE263
表示该综合灵活运行碳捕集机组正处于开/关机运行状态。
（2）常规燃煤火电机组成本
Figure DEST_PATH_IMAGE264
与上述碳捕集机组一致，不再赘述。
（3）系统基准备用容量成本
Figure 947509DEST_PATH_IMAGE265
(3.6)
式中：
Figure DEST_PATH_IMAGE266
、
Figure 913191DEST_PATH_IMAGE267
分别为第
Figure DEST_PATH_IMAGE268
台综合灵活运行碳捕集机组、第
Figure 422670DEST_PATH_IMAGE269
台燃煤火电机组；
Figure DEST_PATH_IMAGE270
、
Figure 315407DEST_PATH_IMAGE271
分别为第
Figure DEST_PATH_IMAGE272
台综合灵活运行碳捕集机组、第
Figure 418492DEST_PATH_IMAGE273
台燃煤火电机组在
Figure DEST_PATH_IMAGE274
时段的上/下备用容量。
（4）基准碳交易成本
Figure 171553DEST_PATH_IMAGE275
(3.7)
式中：
Figure DEST_PATH_IMAGE276
表示碳交易的统一碳价，假设恒定不变；
Figure 676484DEST_PATH_IMAGE277
、
Figure DEST_PATH_IMAGE278
分别代表碳捕集机组台数、常规燃煤火电机组台数；
Figure 725474DEST_PATH_IMAGE279
、
Figure DEST_PATH_IMAGE280
分别为碳捕集机组
Figure 315855DEST_PATH_IMAGE281
、常规燃煤火电机组
Figure DEST_PATH_IMAGE282
的实际基准净碳排放量；
Figure 872607DEST_PATH_IMAGE283
、
Figure DEST_PATH_IMAGE284
分别代表碳捕集机组
Figure 700886DEST_PATH_IMAGE285
、常规燃煤火电机组
Figure DEST_PATH_IMAGE286
的基准无偿碳排放配额。
（5）基准CO2封存成本
Figure 324372DEST_PATH_IMAGE287
(3.8)
式中：
Figure DEST_PATH_IMAGE288
为系统综合灵活运行碳捕集机组的CO2封存成本系数；
Figure 385737DEST_PATH_IMAGE289
代表第
Figure DEST_PATH_IMAGE290
台综合灵活运行碳捕集机组在
Figure 496913DEST_PATH_IMAGE291
时段的基准CO2封存量。
（7）基准弃风弃光惩罚成本
Figure DEST_PATH_IMAGE292
(3.9)
Figure 461589DEST_PATH_IMAGE293
(3.10)
Figure DEST_PATH_IMAGE294
(3.11)
式中：
Figure 23020DEST_PATH_IMAGE295
为风电场和光伏电站的弃风弃光惩罚系数；
Figure DEST_PATH_IMAGE296
、
Figure DEST_PATH_IMAGE297
、
Figure DEST_PATH_IMAGE298
分别为风电场
Figure 279339DEST_PATH_IMAGE299
在时段
Figure DEST_PATH_IMAGE300
的弃风功率、预测有功出力、实际有功出力；
Figure 194206DEST_PATH_IMAGE301
、
Figure DEST_PATH_IMAGE302
、
Figure 246344DEST_PATH_IMAGE303
分别为光伏电站
Figure DEST_PATH_IMAGE304
在时段
Figure 322884DEST_PATH_IMAGE305
的弃光功率、预测有功出力、实际有功出力。
（8）SO2以及NOX有害气体排放的基准环保惩罚成本
Figure DEST_PATH_IMAGE306
包括：
Figure 735673DEST_PATH_IMAGE307
(3.12)
式中：
Figure DEST_PATH_IMAGE308
、
Figure 172340DEST_PATH_IMAGE309
分别为第
Figure DEST_PATH_IMAGE310
台碳捕集机组、第
Figure 360876DEST_PATH_IMAGE311
台燃煤火电机组的SO2排放环保惩罚系数和NOX排放环保惩罚系数；
Figure DEST_PATH_IMAGE312
、
Figure 356120DEST_PATH_IMAGE313
分别为第
Figure DEST_PATH_IMAGE314
台碳捕集机组、第
Figure 630107DEST_PATH_IMAGE315
台燃煤火电机组在
Figure DEST_PATH_IMAGE316
时段SO2排放量和NOX排放量；
（9）综合灵活运行CCPP装置日折旧成本
Figure 870464DEST_PATH_IMAGE317
(3.13)
式中：
Figure DEST_PATH_IMAGE318
为综合灵活运行碳捕集机组各装置的统一折旧率；
Figure 913506DEST_PATH_IMAGE319
、
Figure DEST_PATH_IMAGE320
分别为综合灵活运行碳捕集机组的碳捕集装置（除储液单元外）的折旧年限和总成本；
Figure 223527DEST_PATH_IMAGE321
、
Figure DEST_PATH_IMAGE322
分别为综合灵活运行碳捕集机组储液单元的折旧年限和单位体积储液单元成本；
Figure 702919DEST_PATH_IMAGE323
为综合灵活运行碳捕集机组的储液单元体积。
（10）再调度调整成本
①燃料机组调整成本
Figure DEST_PATH_IMAGE324
(3.14)
Figure 497700DEST_PATH_IMAGE325
(3.15)
式中：
Figure DEST_PATH_IMAGE326
、
Figure 137192DEST_PATH_IMAGE327
分别为综合灵活运行碳捕集机组、常规燃煤火电机组的第二阶段再调度调整成本；
Figure DEST_PATH_IMAGE328
、
Figure 726436DEST_PATH_IMAGE329
分别为第
Figure DEST_PATH_IMAGE330
台综合灵活运行碳捕集机组、第
Figure 224283DEST_PATH_IMAGE331
台常规燃煤火电机组的单位功率向上/向下调整成本；
Figure DEST_PATH_IMAGE332
、
Figure 557175DEST_PATH_IMAGE333
分别为第
Figure DEST_PATH_IMAGE334
台综合灵活运行碳捕集机组、第
Figure 59963DEST_PATH_IMAGE335
台常规燃煤火电机组在第
Figure DEST_PATH_IMAGE336
个场景下第
Figure 85688DEST_PATH_IMAGE337
时段的向上/向下发电调整功率。
②碳交易调整成本
Figure DEST_PATH_IMAGE338
(3.16)
式中：
Figure 680617DEST_PATH_IMAGE339
、
Figure DEST_PATH_IMAGE340
分别为碳捕集机组
Figure 830582DEST_PATH_IMAGE341
、常规燃煤火电机组
Figure DEST_PATH_IMAGE342
第
Figure 171565DEST_PATH_IMAGE343
个场景下第
Figure DEST_PATH_IMAGE344
时段的第二阶段实际碳排放调整量；
Figure DEST_PATH_IMAGE345
、
Figure DEST_PATH_IMAGE346
分别代表碳捕集机组
Figure 820721DEST_PATH_IMAGE347
、常规燃煤火电机组
Figure DEST_PATH_IMAGE348
第
Figure 263466DEST_PATH_IMAGE349
个场景下第
Figure 672581DEST_PATH_IMAGE337
时段的第二阶段无偿碳排放配额调整量；
③二氧化碳封存调整成本
Figure DEST_PATH_IMAGE350
(3.17)
式中：
Figure 382917DEST_PATH_IMAGE351
代表第
Figure DEST_PATH_IMAGE352
台碳捕集机组第
Figure 16024DEST_PATH_IMAGE353
个场景下第
Figure DEST_PATH_IMAGE354
时段二氧化碳封存调整量。
④再调度弃风弃光成本
Figure 683415DEST_PATH_IMAGE355
包括：再调度弃风成本
Figure DEST_PATH_IMAGE356
和再调度弃光成本
Figure 427381DEST_PATH_IMAGE357
：
Figure DEST_PATH_IMAGE358
(3.18)
Figure 257802DEST_PATH_IMAGE359
(3.19)
Figure DEST_PATH_IMAGE360
(3.20)
Figure 422330DEST_PATH_IMAGE361
(3.21)
式中：
Figure DEST_PATH_IMAGE362
、
Figure 88934DEST_PATH_IMAGE363
、
Figure DEST_PATH_IMAGE364
分别表示风电场
Figure 620279DEST_PATH_IMAGE365
在第
Figure DEST_PATH_IMAGE366
个场景下第
Figure 55939DEST_PATH_IMAGE367
时段的弃风功率、预测有功出力、实际有功出力；
Figure DEST_PATH_IMAGE368
、
Figure 513072DEST_PATH_IMAGE369
、
Figure DEST_PATH_IMAGE370
分别为光伏电站
Figure 666973DEST_PATH_IMAGE371
在第
Figure DEST_PATH_IMAGE372
个场景下第
Figure 736429DEST_PATH_IMAGE373
时段的弃光功率、预测有功出力、实际有功出力。
⑤再调度弃负荷成本
Figure DEST_PATH_IMAGE374
(3.22)
Figure 292175DEST_PATH_IMAGE375
(3.23)
式中：
Figure DEST_PATH_IMAGE376
表示负荷
Figure 923139DEST_PATH_IMAGE377
在第
Figure DEST_PATH_IMAGE378
个场景下第
Figure 688969DEST_PATH_IMAGE379
时段的切负荷功率。
⑥ SO2及NOX有害气体排放的环保惩罚调整成本
Figure DEST_PATH_IMAGE380
包括：
Figure 47270DEST_PATH_IMAGE381
(3.24)
Figure DEST_PATH_IMAGE382
式中：
Figure 488482DEST_PATH_IMAGE383
、
Figure DEST_PATH_IMAGE384
分别为第
Figure 274036DEST_PATH_IMAGE385
台综合灵活运行碳捕集机组、第
Figure DEST_PATH_IMAGE386
台燃煤火电机组第
Figure 386217DEST_PATH_IMAGE387
个场景下第
Figure DEST_PATH_IMAGE388
时段的再调度SO2排放调整量；
Figure 813787DEST_PATH_IMAGE389
、
Figure DEST_PATH_IMAGE390
分别为第
Figure 829279DEST_PATH_IMAGE391
台综合灵活运行的碳捕集机组、第
Figure DEST_PATH_IMAGE392
台常规燃煤火电机组第
Figure 316892DEST_PATH_IMAGE393
个场景下第
Figure DEST_PATH_IMAGE394
时段的再调度NOX排放调整量。
步骤3.2，约束条件的建立。
（1）预调度运行约束
①电功率平衡约束
Figure 916370DEST_PATH_IMAGE395
(3.25)
式中：
Figure DEST_PATH_IMAGE396
为时段
Figure 505221DEST_PATH_IMAGE397
的电负荷
Figure DEST_PATH_IMAGE398
。
②碳捕集机组、火电机组电功率上下限约束
Figure 624486DEST_PATH_IMAGE399
(3.26)
式中：
Figure DEST_PATH_IMAGE400
为碳捕集机组
Figure 532268DEST_PATH_IMAGE401
的最小输出功率。
火电机组类似，不再赘述。
③碳捕集机组、火电机组爬坡速率约束
Figure DEST_PATH_IMAGE402
(3.27)
式中：
Figure 369774DEST_PATH_IMAGE403
为碳捕集机组
Figure DEST_PATH_IMAGE404
的最高输出功率；
Figure 889880DEST_PATH_IMAGE405
分别为碳捕集机组
Figure DEST_PATH_IMAGE406
的上/下爬坡速率，MW/h，
Figure 863652DEST_PATH_IMAGE407
；
火电机组类似，不再赘述。
④碳捕集机组内部约束
Figure DEST_PATH_IMAGE408
(3.28)
式中：
Figure 942335DEST_PATH_IMAGE409
为最大运行状态；
Figure DEST_PATH_IMAGE410
为碳捕集机组
Figure 267137DEST_PATH_IMAGE411
在时段
Figure 797126DEST_PATH_IMAGE291
的富液罐/贫液罐溶液量；
Figure DEST_PATH_IMAGE412
为碳捕集机组
Figure 890984DEST_PATH_IMAGE413
的配置储液单元容量；
Figure DEST_PATH_IMAGE414
和
Figure 281514DEST_PATH_IMAGE415
分别为碳捕集机组
Figure DEST_PATH_IMAGE416
的初始时段富液罐/贫液罐溶液量和结束时段富液罐/贫液罐溶液量。
⑤碳捕集机组、火电机组最小启停时间约束
Figure 844344DEST_PATH_IMAGE417
(3.29)
式中：
Figure DEST_PATH_IMAGE418
为碳捕集机组
Figure 221099DEST_PATH_IMAGE419
在时段
Figure DEST_PATH_IMAGE420
已连续开/关机的时间；
Figure 684310DEST_PATH_IMAGE421
为碳捕集机组
Figure 58791DEST_PATH_IMAGE419
最小连续开/关机的时间。
火电机组类似，不再赘述。
⑥风电运行约束
Figure DEST_PATH_IMAGE422
(3.30)
式中：
Figure 105988DEST_PATH_IMAGE423
表示风电场
Figure DEST_PATH_IMAGE424
在时段
Figure 489696DEST_PATH_IMAGE425
的预测输出功率。
⑦直流潮流约束。
Figure DEST_PATH_IMAGE426
(3.31)
式中：
Figure 807414DEST_PATH_IMAGE427
、
Figure DEST_PATH_IMAGE428
、
Figure 149533DEST_PATH_IMAGE429
、
Figure DEST_PATH_IMAGE430
、
Figure 421377DEST_PATH_IMAGE431
分别为综合灵活运行碳捕集机组、常规燃煤火电机组、风电机组、光伏机组、负荷对应的转移分布因子；
Figure DEST_PATH_IMAGE432
、
Figure 998989DEST_PATH_IMAGE433
、
Figure DEST_PATH_IMAGE434
、
Figure 187524DEST_PATH_IMAGE435
、
Figure DEST_PATH_IMAGE436
表示位于节点
Figure 176910DEST_PATH_IMAGE437
的综合灵活运行碳捕集机组、常规燃煤火电机组、风电机组、负荷集合。
（2）再调度调整约束
通过综合灵活运行碳捕集机组和常规燃煤火电机组的旋转备用来平衡各场景中的风光出力偏差。由于燃料机组的再调度调整量与第一阶段日前的旋转备用容量配置紧密耦合，因此为每台机组建模了两个阶段之间的耦合约束。
①各场景下电功率再平衡约束
Figure DEST_PATH_IMAGE438
(3.32)
Figure 450896DEST_PATH_IMAGE439
分别为第
Figure DEST_PATH_IMAGE440
台综合灵活运行碳捕集机组在第
Figure 691253DEST_PATH_IMAGE441
个场景下第
Figure 203137DEST_PATH_IMAGE425
时段的向上/向下发电调整功率。
②各场景下计及旋转备用容量约束的燃料机组再调度调整约束
Figure DEST_PATH_IMAGE442
(3.33)
上式表示各场景下碳捕集机组机组第二阶段向上/向下调整量不超过第一阶段备用容量配置，火电机组组亦同理。
③各场景下考虑再调度调整的碳捕集机组、火电机组爬坡速率约束
Figure 372213DEST_PATH_IMAGE443
(3.34)
④各场景下的再调度弃风弃光约束
Figure DEST_PATH_IMAGE444
(3.35)
Figure 867916DEST_PATH_IMAGE445
(3.36)
⑤各场景下的再调度切负荷约束
Figure DEST_PATH_IMAGE446
(3.37)
⑥各场景下传输线容量约束
Figure 911964DEST_PATH_IMAGE447
(3.38)
步骤4：采用C&CG算法求解低碳经济预调度和再调度两阶段模型，进行考虑雷电气候下风光联合出力高阶不确定性的低碳经济调度。
式(3.1)所表达的考虑风光高阶不确定性的两阶段分布鲁棒优化模型实际上包含3层优化求解过程，采用C&CG算法求解。
步骤4.1：式(3.1)-(3.38)可以表示为：
Figure DEST_PATH_IMAGE448
(4.1)
Figure 543934DEST_PATH_IMAGE449
(4.2)
Figure DEST_PATH_IMAGE450
(4.3)
Figure 146560DEST_PATH_IMAGE451
(4.4)
Figure DEST_PATH_IMAGE452
(4.5)
Figure 129560DEST_PATH_IMAGE453
(4.6)
Figure DEST_PATH_IMAGE454
(4.7)
Figure 852665DEST_PATH_IMAGE455
(4.8)
式中：
Figure DEST_PATH_IMAGE456
表示第一阶段变量，包含日前启停机计划、备用容量配置及风光预测曲线下的各机组基准出力计划、基准碳交易计划、基准碳封存计划；
Figure 89874DEST_PATH_IMAGE457
表示第二阶段变量，包括燃料机组再调度调整出力、调整碳排放量、调整碳封存量等再调度运行调整变量；
Figure DEST_PATH_IMAGE458
为风光联合出力典型场景集第
Figure 381178DEST_PATH_IMAGE459
个离散场景下的风光联合预测出力值。
Figure DEST_PATH_IMAGE460
表示优化目标函数式(3.1)中的燃料机组的启停机成本和基准发电成本、备用容量成本、基准碳交易成本、基准碳封存成本、SO2以及NOX有害气体排放的基准环保惩罚基准成本及系统中综合灵活运行CCPP装置的日折旧成本的第一阶段预调度的日前调度基准成本
Figure 835162DEST_PATH_IMAGE461
；
Figure DEST_PATH_IMAGE462
表示第二阶段再调度第
Figure 706166DEST_PATH_IMAGE459
个场景下的
Figure 906203DEST_PATH_IMAGE463
，代表包含再调度阶段的燃料机组的调整成本、碳交易调整成本、碳封存调整成本、各场景弃风弃光惩罚成本、各场景切负荷成本以及日内SO2和NOX有害气体排放的环保惩罚调整成本。
步骤4.2：首先，将上述模型原问题分解为主问题(master problem，MP)和子问题(sub-problem，SP)；然后，将子问题SP转换为具有Karush-Kuhn-Tucker (KKT) 条件的混合整数线性规划 (MILP)；最后，采用C&CG算法迭代求解主子问题MP和SP。
其中，主问题MP是满足子问题给出的既定的雷电气候下风光出力最恶劣概率分布情况下求解问题最优解，然后给子问题SP传输一个下界值和相关第一阶段求解优化后的基准变量结果；而子问题SP是将主问题MP求解的第一阶段变量
Figure DEST_PATH_IMAGE464
作为已知值，然后在满足1-范数和
Figure 997437DEST_PATH_IMAGE465
-范数的条件下优化求解得到最恶劣的雷电气候下风光出力概率分布和上界值，传输给下一步的主问题MP的求解。
主问题如下式：
Figure DEST_PATH_IMAGE466
(4.9)
Figure 673137DEST_PATH_IMAGE467
(4.10)
Figure DEST_PATH_IMAGE468
(4.11)
Figure 878991DEST_PATH_IMAGE469
(4.12)
Figure DEST_PATH_IMAGE470
(4.13)
Figure 90792DEST_PATH_IMAGE471
(4.14)
Figure DEST_PATH_IMAGE472
(4.15)
Figure 458319DEST_PATH_IMAGE473
(4.16)
式中：
Figure DEST_PATH_IMAGE474
代表第几次迭代，
Figure 293420DEST_PATH_IMAGE475
代表总迭代次数。
子问题如下式：
Figure DEST_PATH_IMAGE476
(4.17)
由式(4.17)子问题SP的表达式可得，其离散场景概率值的求解不影响第二阶段变量的求解，即各场景间由于对最内层的min优化问题的求解没有耦合关系，因此可以把子问题SP拆分成内外层独立两步求解，先求解子问题中内层最小值问题，然后求解子问题中外层问题，由于内层最小值问题是可以独立求解的线性规划问题（LP），因此可运用并行计算同时求解来加速求解过程。因此，式(4.17)可以等效为：
Figure 519608DEST_PATH_IMAGE477
(4.18)
式中：
Figure DEST_PATH_IMAGE478
表示各场景下可以独立求解的优化问题，即
Figure 100763DEST_PATH_IMAGE479
表示代入主问题MP求得的第一阶段变量
Figure DEST_PATH_IMAGE480
和风光联合出力典型场景集中第
Figure 888459DEST_PATH_IMAGE481
个离散场景下的风光联合预测出力值
Figure DEST_PATH_IMAGE482
后可以独立求解的优化问题。
如图2所示以下为列约束生成(column-and-constraint generation, C&CG)算法的详细求解流程如下：
Step 1：设定下界
Figure 555064DEST_PATH_IMAGE483
，上界
Figure DEST_PATH_IMAGE484
，置迭代次数
Figure 587873DEST_PATH_IMAGE485
。
Step 2：求解C&CG中的主问题MP，得到最优决策解
Figure DEST_PATH_IMAGE486
，并且更新下界值
Figure 289113DEST_PATH_IMAGE487
。
Step 3：在子问题SP中代入主问题MP求得的第一阶段变量
Figure DEST_PATH_IMAGE488
，求解子问题SP得到雷电气候下风光出力概率分布最恶劣情况下的离散概率值
Figure 982131DEST_PATH_IMAGE489
和最优目标函数值
Figure DEST_PATH_IMAGE490
，更新上界值
Figure 136032DEST_PATH_IMAGE491
；
Step 4：如果
Figure DEST_PATH_IMAGE492
，则停止主子问题间的交互迭代，得到最终一次迭代求得的最优解
Figure 675046DEST_PATH_IMAGE493
；反之，更新主问题MP中雷电气候下风光联合出力的最恶劣离散概率分布值
Figure DEST_PATH_IMAGE494
，并在主问题中添加新的变量
Figure 214481DEST_PATH_IMAGE495
和本章中与新的变量相关的约束条件。
Step 5：更新
Figure DEST_PATH_IMAGE496
，返回
Figure 94712DEST_PATH_IMAGE496
步骤4最终求解得到
Figure 63805DEST_PATH_IMAGE497
（日前启停机计划、备用容量配置及风光预测曲线下的各机组基准出力计划、基准碳交易计划、基准碳封存计划）和
Figure DEST_PATH_IMAGE498
（燃料机组再调度调整出力、调整碳排放量、调整碳封存量再调度运行调整变量）。
本发明的一种考虑雷电气候下风光出力不确定性的低碳经济调度系统，用于实现所述的考虑雷电气候下风光出力不确定性的低碳经济调度方法。
本发明的有益效果在于，与现有技术相比：
1.本发明步骤1充分考虑了雷电气候下的风光联合出力的不确定性，其能够更有效的反映风电光伏出力之间的横向相关性特征以及风电光伏出力时间序列的纵向动态相关特性，对特殊雷电气候条件下的风光联合出力不确定性进行了更为精准的刻画，纳入了雷电气候的影响，可以使决策者在雷电气候下的调度决策更为合理有效。
2.本发明步骤2充分考虑了风光联合出力的高阶不确定性对决策低碳经济性和鲁棒性的影响：
一方面，考虑了风光联合出力概率分布与真实历史实测出力之间的模糊偏差，考虑了历史数据不准确性和场景生成缩减过程中产生的高阶误差对风光联合出力不确定性及调度决策精确有效性的影响，较常规场景法提高了决策的准确性和有效性；
另一方面，其进一步考虑了风光联合出力概率分布中的最恶劣分布对决策的影响，以最恶劣场景概率分布情况下的系统总成本最小为目标，大幅度改善了传统鲁棒方法将最恶劣场景下系统总成本最小当做优化求解目标导致的决策保守性偏高的缺点，提高了系统运行的经济性，可以根据决策者对低碳经济性或者鲁棒性的偏好来均衡决策，从而得到更为合理的调度方案。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (11)

1.一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
所述方法包括以下步骤：
步骤1：基于WDIC-DCGAN生成特定雷电气候及风光日平均出力区间下满足风光预测出力条件的风光联合出力场景集合，采用聚类方法对其进行场景缩减，得到雷电气候下风光联合出力典型场景集；
步骤2：将典型场景集所表征的雷电气候下的风光联合出力的概率分布看做在雷电气候下风光联合出力的概率分布上的高阶不确定性，采用由综合范数表示风光联合出力概率分布模糊集的方法表征所述高阶不确定性，得到不确定性概率置信集合；
步骤3：基于不确定性概率置信集合，综合纳入碳交易机制和有害气体排放的影响，建立包含综合运行碳捕集电厂的低碳经济预调度和再调度两阶段模型；
步骤4：采用C&CG算法求解低碳经济预调度和再调度两阶段模型，进行考虑雷电气候下风光联合出力高阶不确定性的低碳经济调度。
2.根据权利要求1所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
步骤1具体包括：
步骤1.1：定义风电场和光伏电站的历史日前实测出力数据作为真实样本数据
Figure 640942DEST_PATH_IMAGE001
，将WDIC-DCGAN生成的条件风光联合出力场景数据作为生成样本数据，即条件场景生成数据，记为条件场景样本
Figure 964607DEST_PATH_IMAGE002
；
步骤1.2：在WDIC-DCGAN的条件判别器
Figure 541082DEST_PATH_IMAGE003
和条件生成器
Figure 84759DEST_PATH_IMAGE004
都计及雷电预警等级标签
Figure 571235DEST_PATH_IMAGE005
、风电和光伏日出力平均值大小相对于出力最大值的标幺值区间箱体标签
Figure 924856DEST_PATH_IMAGE006
以及风光联合出力预测值标签
Figure 378840DEST_PATH_IMAGE007
的影响，记总条件标签
Figure 249844DEST_PATH_IMAGE008
为
Figure 449881DEST_PATH_IMAGE009
、
Figure 600502DEST_PATH_IMAGE010
、
Figure 26935DEST_PATH_IMAGE011
的拼接后矩阵，即
Figure 295106DEST_PATH_IMAGE012
；
步骤1.3：在条件生成器
Figure 739862DEST_PATH_IMAGE013
的输入侧输入随机噪声数据
Figure 700865DEST_PATH_IMAGE014
与
Figure 349015DEST_PATH_IMAGE015
的拼接后矩阵，使随机噪声数据与条件标签形成上下一一对应关系，以便于卷积层对条件输入样本进行关联性信息分析，条件生成器
Figure 155297DEST_PATH_IMAGE016
输出生成的条件场景样本
Figure 218675DEST_PATH_IMAGE017
；
WDIC-DCGAN的条件判别器
Figure 960366DEST_PATH_IMAGE018
和条件生成器
Figure 220446DEST_PATH_IMAGE019
的损失函数分别为：
Figure 220632DEST_PATH_IMAGE020
(1.2)
Figure 249768DEST_PATH_IMAGE021
(1.3)
WDIC-DCGAN的目标函数为：
Figure 427939DEST_PATH_IMAGE022
(1.4)
Figure 801414DEST_PATH_IMAGE023
与
Figure 215078DEST_PATH_IMAGE024
表示历史真实样本数据
Figure 974086DEST_PATH_IMAGE025
与生成样本数据
Figure 713372DEST_PATH_IMAGE026
满足的边缘分布；
Figure 807099DEST_PATH_IMAGE027
表示分布
Figure 899820DEST_PATH_IMAGE028
与
Figure 903548DEST_PATH_IMAGE029
的差异程度；
Figure 442764DEST_PATH_IMAGE030
表示相应边缘分布的期望值；
Figure 899153DEST_PATH_IMAGE031
为条件判别函数；
Figure 529985DEST_PATH_IMAGE032
；
Figure 122641DEST_PATH_IMAGE033
表示
Figure 328363DEST_PATH_IMAGE034
的梯度；
Figure 147415DEST_PATH_IMAGE035
表示随机数，取值范围为0-1之间；
Figure 972151DEST_PATH_IMAGE036
为权重系数；
步骤1.4：根据目标函数式(1.4)通过模型训练使条件生成器
Figure 310991DEST_PATH_IMAGE037
损失函数式(1.2)和条件判别器
Figure 31822DEST_PATH_IMAGE038
损失函数式(1.3)收敛，然后确定训练后的WDIC-DCGAN中的条件生成器
Figure 603749DEST_PATH_IMAGE039
的模型参数，在训练后的条件生成器
Figure 825652DEST_PATH_IMAGE040
的输入侧输入相应的条件标签值和满足相应分布的高维随机噪声，通过条件生成器
Figure 924058DEST_PATH_IMAGE041
来生成特定雷电气候及风光日平均出力区间下满足风光预测出力条件的风光联合出力场景集合，生成的场景数量设为
Figure 691157DEST_PATH_IMAGE042
；
步骤1.5：采用K-mediods聚类方法对步骤1.4生成的风光联合出力场景集合进行场景缩减，从而得到最终的雷电气候下风光联合出力典型场景集
Figure 609434DEST_PATH_IMAGE043
。
3.根据权利要求2所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
步骤1.5中，采用K-mediods聚类方法对步骤1.4生成的风光联合出力场景集合进行场景缩减，其所依据的函数表达式如下所示：
Figure 399142DEST_PATH_IMAGE044
(1.5)
Figure 696262DEST_PATH_IMAGE045
(1.6)
式中：
Figure 24475DEST_PATH_IMAGE046
表示步骤1.4生成的风光联合出力场景集合；
Figure 554683DEST_PATH_IMAGE047
表示通过K-mediods缩减后的风光联合出力典型场景集合；
Figure 259334DEST_PATH_IMAGE048
为风光联合出力离散场景
Figure 676540DEST_PATH_IMAGE049
出现的概率；
Figure 67332DEST_PATH_IMAGE050
表示场景之间的距离。
4.根据权利要求1所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
步骤2中，将典型场景集所表征的雷电气候下的风光联合出力的概率分布看做一个历史数据真实概率分布的模糊集合，即看做在雷电气候下风光联合出力的概率分布上的高阶不确定性，通过采用由综合范数表示风光联合出力概率分布模糊集的方法表征所述高阶不确定性，得到不确定性概率置信集合，具体的：
综合采用1-范数和
Figure 694622DEST_PATH_IMAGE051
-范数联合约束，使通过场景缩减得到的典型风光联合出力典型场景集对应的离散概率
Figure 812751DEST_PATH_IMAGE052
符合的概率分布收敛到实际的概率分布，不确定性概率置信集合满足如下约束：
Figure 209097DEST_PATH_IMAGE053
(2.1)
式中：
Figure 269326DEST_PATH_IMAGE054
表示典型场景集场景数量；
场景
Figure 383913DEST_PATH_IMAGE055
和
Figure 40153DEST_PATH_IMAGE056
分别表示风光联合出力典型场景集中第
Figure 556585DEST_PATH_IMAGE057
个场景对应的初始离散概率值和决策离散概率值；
Figure 303828DEST_PATH_IMAGE058
、
Figure 781077DEST_PATH_IMAGE059
分别代表1-范数和∞-范数约束下对风电场景概率偏差浮动的准许限值；
Figure 365642DEST_PATH_IMAGE060
满足如下置信度约束：
Figure 861215DEST_PATH_IMAGE061
(2.2)
Figure 873033DEST_PATH_IMAGE062
(2.3)
令式(2.2)、(2..3)中
Figure 837578DEST_PATH_IMAGE063
、
Figure 225834DEST_PATH_IMAGE064
，则有：
Figure 77377DEST_PATH_IMAGE065
(2.4)
Figure 260097DEST_PATH_IMAGE066
(2.5)
式中：
Figure 977517DEST_PATH_IMAGE067
为通过WDIC-DCGAN生成的场景数量；
Figure 28519DEST_PATH_IMAGE068
和
Figure 108470DEST_PATH_IMAGE069
分别为式(2.2)、(2.3)的不确定性概率置信度。
5.根据权利要求1所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
步骤3具体包括：
步骤3.1：所述模型考虑在雷电气候下风光联合出力的概率分布上的高阶不确定性基础上，基于不确定性概率置信集合，建立以系统总运行净成本最小化作为低碳经济调度模型的优化目标函数，所述系统总运行净成本包括预调度阶段基准成本和再调度阶段调整成本；
步骤3.2：建议步骤3.1的约束条件，包括：预调度运行约束和再调度调整约束；
所述再调度调整约束通过综合运行碳捕集机组和常规燃煤火电机组的旋转备用来平衡各场景中的风光出力偏差。
6.根据权利要求5所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
步骤3.1中，建立如下优化目标函数：
Figure 868616DEST_PATH_IMAGE070
(3.1)
Figure 666808DEST_PATH_IMAGE071
(3.2)
Figure 20035DEST_PATH_IMAGE072
(3.3)
式中：
Figure 95439DEST_PATH_IMAGE073
为系统日前低碳经济调度成本总和；
Figure 885540DEST_PATH_IMAGE074
为预调度阶段基准成本；
Figure 295662DEST_PATH_IMAGE075
为第
Figure 563832DEST_PATH_IMAGE076
个场景下的再调度阶段调整成本；
Figure 759321DEST_PATH_IMAGE077
为场景编号，
Figure 612002DEST_PATH_IMAGE078
为场景总数；
Figure 119206DEST_PATH_IMAGE079
为场景概率
Figure 66434DEST_PATH_IMAGE080
满足的模糊集合；
Figure 506643DEST_PATH_IMAGE081
为燃料机组
Figure 497601DEST_PATH_IMAGE082
时段的总基准运行成本，为
Figure 898627DEST_PATH_IMAGE083
与
Figure 774179DEST_PATH_IMAGE084
之和；
其中，
Figure 697922DEST_PATH_IMAGE085
，
Figure 610515DEST_PATH_IMAGE086
分别为综合运行碳捕集电厂、常规燃煤火电机组在
Figure 623470DEST_PATH_IMAGE087
时段的基准运行成本；
Figure 161767DEST_PATH_IMAGE088
、
Figure 186355DEST_PATH_IMAGE089
、
Figure 660062DEST_PATH_IMAGE090
分别为系统在
Figure 255254DEST_PATH_IMAGE091
时段的基准备用容量成本、基准碳交易成本、基准CO2封存成本；
Figure 207029DEST_PATH_IMAGE092
、
Figure 351703DEST_PATH_IMAGE093
分别为系统在
Figure 730731DEST_PATH_IMAGE094
时段的基准弃风弃光惩罚成本、SO2以及NOX有害气体排放的基准环保惩罚成本；
Figure 577334DEST_PATH_IMAGE095
为系统中综合运行CCPP的日折旧成本；
Figure 208166DEST_PATH_IMAGE096
、
Figure 66401DEST_PATH_IMAGE097
、
Figure 505079DEST_PATH_IMAGE098
分别为第
Figure 448764DEST_PATH_IMAGE099
个场景下第
Figure 883288DEST_PATH_IMAGE094
时段的再调度燃料机组调整成本、碳交易调整成本、二氧化碳封存调整成本；
Figure 596029DEST_PATH_IMAGE100
、
Figure 707073DEST_PATH_IMAGE101
分别为第
Figure 279000DEST_PATH_IMAGE099
个场景下第
Figure 376269DEST_PATH_IMAGE094
时段的再调度弃风弃光、再调度弃负荷成本；
Figure 569615DEST_PATH_IMAGE102
为第
Figure 726927DEST_PATH_IMAGE103
个场景下第
Figure 786150DEST_PATH_IMAGE104
时段的SO2及NOX有害气体排放的环保惩罚调整成本。
7.根据权利要求5所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
所述预调度运行约束包括电功率平衡约束；碳捕集机组、火电机组电功率上下限约束；碳捕集机组、火电机组爬坡速率约束；碳捕集机组内部约束；碳捕集机组、火电机组最小启停时间约束；风电运行约束；以及直流潮流约束；
所述再调度调整约束包括各场景下电功率再平衡约束；各场景下计及旋转备用容量约束的燃料机组再调度调整约束；各场景下考虑再调度调整的碳捕集机组、火电机组爬坡速率约束；各场景下的再调度弃风弃光约束；各场景下的再调度切负荷约束；以及各场景下传输线容量约束。
8.根据权利要求1所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
步骤4具体包括：
步骤4.1：将低碳经济预调度和再调度两阶段模型的优化目标函数和约束条件表示为：
Figure 421530DEST_PATH_IMAGE105
(4.1)
Figure 233498DEST_PATH_IMAGE106
(4.2)
Figure 561711DEST_PATH_IMAGE107
(4.3)
Figure 842650DEST_PATH_IMAGE108
(4.4)
Figure 164611DEST_PATH_IMAGE109
(4.5)
Figure 972030DEST_PATH_IMAGE110
(4.6)
Figure 346511DEST_PATH_IMAGE111
(4.7)
Figure 973801DEST_PATH_IMAGE112
(4.8)
式中：
Figure 75618DEST_PATH_IMAGE113
表示第一阶段变量，即预调度阶段变量，包含日前启停机计划、备用容量配置及风光预测曲线下的各机组基准出力计划、基准碳交易计划、基准碳封存计划；
Figure 878489DEST_PATH_IMAGE114
表示第二阶段变量，即再调度阶段变量，包括燃料机组再调度调整出力、调整碳排放量、调整碳封存量再调度运行调整变量；
Figure DEST_PATH_IMAGE115
为风光联合出力典型场景集第
Figure 705762DEST_PATH_IMAGE116
个离散场景下的风光联合预测出力值；
Figure DEST_PATH_IMAGE117
表示包括优化目标函数式中基准运行成本、基准备用容量成本、基准碳交易成本、基准CO2封存成本、基准弃风弃光惩罚成本、SO2以及NOX有害气体排放的基准环保惩罚成本及系统中综合运行碳捕集电厂日折旧成本的第一阶段预调度的日前调度基准成本
Figure 492452DEST_PATH_IMAGE118
；
Figure 273326DEST_PATH_IMAGE119
表示第二阶段再调度第
Figure 179971DEST_PATH_IMAGE120
个场景下的
Figure DEST_PATH_IMAGE121
，代表包含再调度阶段的燃料机组调整成本、碳交易调整成本、二氧化碳封存调整成本、各场景再调度弃风弃光成本、各场景再调度切负荷成本以及SO2和NOX有害气体排放的环保惩罚调整成本；
步骤4.2：将步骤4.1中公式(4.1)代表的两阶段低碳经济问题分解为主问题MP和子问题SP，将子问题SP转换为具有KKT条件的混合整数线性规划，采用C&CG算法迭代求解主问题MP和子问题SP；
所述主问题MP是满足子问题给出的既定的雷电气候下风光出力最恶劣概率分布情况下求解问题最优解，然后给子问题SP传输一个下界值和相关第一阶段求解优化后的基准变量结果；
所述子问题SP是将主问题MP求解的第一阶段变量
Figure 692992DEST_PATH_IMAGE122
作为已知值，然后在满足1-范数和
Figure DEST_PATH_IMAGE123
-范数的条件下优化求解得到最恶劣的雷电气候下风光出力概率分布和上界值，传输给下一步的主问题MP的求解。
9.根据权利要求8所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
所述主问题如下式：
Figure 449202DEST_PATH_IMAGE124
(4.9)
Figure DEST_PATH_IMAGE125
(4.10)
Figure 440292DEST_PATH_IMAGE126
(4.11)
Figure DEST_PATH_IMAGE127
(4.12)
Figure 607968DEST_PATH_IMAGE128
(4.13)
Figure DEST_PATH_IMAGE129
(4.14)
Figure 42623DEST_PATH_IMAGE130
(4.15)
Figure DEST_PATH_IMAGE131
(4.16)
式中：
Figure 272747DEST_PATH_IMAGE132
代表第m次迭代，
Figure DEST_PATH_IMAGE133
代表总迭代次数；
所述子问题如下式：
Figure 582375DEST_PATH_IMAGE134
(4.17)
将式(4.17)子问题SP拆分成内外层独立两步求解，运用并行计算同时求解子问题中内层最小值问题以及子问题中外层问题，因此，式(4.17)等效为：
Figure DEST_PATH_IMAGE135
(4.18)
式中：
Figure 214344DEST_PATH_IMAGE136
表示代入主问题MP求得的第一阶段变量
Figure DEST_PATH_IMAGE137
和风光联合出力典型场景集中第
Figure 822830DEST_PATH_IMAGE138
个离散场景下的风光联合预测出力值
Figure DEST_PATH_IMAGE139
后可以独立求解的优化问题。
10.根据权利要求9所述的一种考虑雷电气候下风光出力不确定性的低碳经济调度方法，其特征在于：
所述步骤4.2所述采用C&CG算法迭代求解主问题MP和子问题SP，具体包括：
Step 1：设定下界
Figure 805829DEST_PATH_IMAGE140
，上界
Figure DEST_PATH_IMAGE141
，置迭代次数
Figure 528935DEST_PATH_IMAGE142
；
Step 2：求解C&CG中的主问题MP，得到最优决策解
Figure DEST_PATH_IMAGE143
，并且更新下界值
Figure 766143DEST_PATH_IMAGE144
；
Step 3：在子问题SP中代入主问题MP求得的第一阶段变量
Figure DEST_PATH_IMAGE145
，求解子问题SP得到雷电气候下风光出力概率分布最恶劣情况下的离散概率值
Figure 791868DEST_PATH_IMAGE146
和最优目标函数值
Figure DEST_PATH_IMAGE147
，更新上界值
Figure 511431DEST_PATH_IMAGE148
；
Step 4：如果
Figure DEST_PATH_IMAGE149
，则停止主子问题间的交互迭代，得到最终一次迭代求得的最优解
Figure 382435DEST_PATH_IMAGE150
；否则，更新主问题MP中雷电气候下风光联合出力的最恶劣离散概率分布值
Figure DEST_PATH_IMAGE151
，并在主问题中添加新的变量
Figure 267958DEST_PATH_IMAGE152
和与新的变量相关的约束条件式(4.10)-(4.16)；
Step 5：更新
Figure DEST_PATH_IMAGE153
，返回Step 2。
11.一种考虑雷电气候下风光出力不确定性的低碳经济调度系统，其特征在于：
所述系统用于实现权利要求1-10任意一项所述的考虑雷电气候下风光出力不确定性的低碳经济调度方法。
CN202210688915.0A 2022-06-17 2022-06-17 一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统 Active CN114912714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210688915.0A CN114912714B (zh) 2022-06-17 2022-06-17 一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210688915.0A CN114912714B (zh) 2022-06-17 2022-06-17 一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统

Publications (2)

Publication Number Publication Date
CN114912714A true CN114912714A (zh) 2022-08-16
CN114912714B CN114912714B (zh) 2023-11-07

Family

ID=82772761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210688915.0A Active CN114912714B (zh) 2022-06-17 2022-06-17 一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统

Country Status (1)

Country Link
CN (1) CN114912714B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110460036A (zh) * 2019-05-10 2019-11-15 四川大学 一种考虑风电不确定性的交直流配电网分布式优化方法
US20200082422A1 (en) * 2018-09-12 2020-03-12 Mitsubishi Electric Research Laboratories, Inc. Day-Ahead Joint Generation Scheduling and Bidding Optimization for Power Plants
US20200183339A1 (en) * 2018-12-10 2020-06-11 California Institute Of Technology Systems and Methods for Robust Learning-Based Control During Forward and Landing Flight Under Uncertain Conditions
US20200313433A1 (en) * 2018-06-06 2020-10-01 Nanjing Institute Of Technology Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN113256045A (zh) * 2020-08-04 2021-08-13 四川大学 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN113689312A (zh) * 2021-10-26 2021-11-23 国网江西省电力有限公司电力科学研究院 考虑碳排放权价格随机性的虚拟电厂双阶段优化调度方法
CN114021783A (zh) * 2021-10-22 2022-02-08 国网冀北电力有限公司 一种考虑社会类碳排放因素和短期效益的两阶段月度机组组合和检修计划优化方法
CN114221357A (zh) * 2021-12-14 2022-03-22 上海电力大学 计及调频备用效益的主动配电网分层分布式优化调度方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200313433A1 (en) * 2018-06-06 2020-10-01 Nanjing Institute Of Technology Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy
US20200082422A1 (en) * 2018-09-12 2020-03-12 Mitsubishi Electric Research Laboratories, Inc. Day-Ahead Joint Generation Scheduling and Bidding Optimization for Power Plants
US20200183339A1 (en) * 2018-12-10 2020-06-11 California Institute Of Technology Systems and Methods for Robust Learning-Based Control During Forward and Landing Flight Under Uncertain Conditions
CN110460036A (zh) * 2019-05-10 2019-11-15 四川大学 一种考虑风电不确定性的交直流配电网分布式优化方法
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN113256045A (zh) * 2020-08-04 2021-08-13 四川大学 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN114021783A (zh) * 2021-10-22 2022-02-08 国网冀北电力有限公司 一种考虑社会类碳排放因素和短期效益的两阶段月度机组组合和检修计划优化方法
CN113689312A (zh) * 2021-10-26 2021-11-23 国网江西省电力有限公司电力科学研究院 考虑碳排放权价格随机性的虚拟电厂双阶段优化调度方法
CN114221357A (zh) * 2021-12-14 2022-03-22 上海电力大学 计及调频备用效益的主动配电网分层分布式优化调度方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
彭刘阳;孙元章;徐箭;廖思阳;杨丽;: "基于深度强化学习的自适应不确定性经济调度", 电力系统自动化, no. 09 *
徐箭;曹慧秋;唐程辉;魏聪颖;江海燕;廖思阳;: "基于扩展序列运算的含不确定性需求响应电力系统优化调度", 电力系统自动化, no. 13 *
王豹;徐箭;孙元章;徐琪;: "基于通用分布的含风电电力系统随机动态经济调度", 电力系统自动化, no. 06 *
税月;刘俊勇;高红均;邱高;胥威汀;苟竞;: "考虑风电不确定性的电气能源系统两阶段分布鲁棒协同调度", 电力系统自动化, no. 13 *
陈伯达;林楷东;张勇军;陈泽兴;王奖;苏洁莹;: "计及碳捕集和电转气协同的电气互联系统优化调度", 南方电网技术, no. 11 *

Also Published As

Publication number Publication date
CN114912714B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
Hong et al. Hour-ahead wind power and speed forecasting using simultaneous perturbation stochastic approximation (SPSA) algorithm and neural network with fuzzy inputs
CN109523060A (zh) 高比例可再生能源在输配电网协同接入下的配比优化方法
CN109728605A (zh) 基于机会约束igdt的风电场-输电网-储能联合规划方法
Fattahi et al. Measuring accuracy and computational capacity trade-offs in an hourly integrated energy system model
Ifaei et al. A data-driven analytical roadmap to a sustainable 2030 in South Korea based on optimal renewable microgrids
CN105528668A (zh) 一种风电并网电力系统动态环境经济调度方法
CN110570020A (zh) 适应区域交直流混联电网的中长期交易电量安全校核方法
CN115411777A (zh) 一种配电网灵活性评估及资源配置方法及系统
CN117040027A (zh) 一种农村虚拟电厂的协调优化方法和装置
CN113872253B (zh) 抽水蓄能电站联合新能源发电优化调度方法及装置
Han et al. A novel day-ahead scheduling model to unlock hydropower flexibility limited by vibration zones in hydropower-variable renewable energy hybrid system
Wu et al. Economic analysis of power grid interconnections among Europe, North-East Asia, and North America with 100% renewable energy generation
Eskandari et al. Design and planning of global sustainable bio-hydrogen supply chain with uncertainty: A transportation-oriented robust model
CN117910611A (zh) 数据中心为核心的智慧园区低碳场景协调规划方法及系统
CN114912714A (zh) 一种考虑雷电气候下风光出力不确定性的低碳经济调度方法和系统
CN116611628A (zh) 计及动态性能的综合能源生产单元两阶段容量配置方法
Saha et al. Short-Term Electricity Consumption Forecasting: Time-Series Approaches
Liu Electricity capacity investments and cost recovery with renewables
Özbek et al. A multi period and multi objective stochastic hydrogen supply chain for Turkey
Mohammed et al. Stochastic Optimization on Hybrid Renewable Energy Systems
Dute et al. Determining onshore or offshore hydrogen storage for large offshore wind parks: The North Sea Wind Power Hub case
Saadaoui et al. Hybridization and energy storage high efficiency and low cost
Allahvirdizadeh et al. Stochastic expansion planning of transmission system and energy hubs in the presence of correlated uncertain variables
Esteoule Adaptive Multi-Agent Systems for Wind Power Forecasting
Asthana Economic Dispatch of Consumer Loads Using Machine Learning in Smart Grid Environment

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