CN115496273A - 一种可再生能源集群分布鲁棒优化配置方法及系统 - Google Patents

Abstract

本发明提供一种可再生能源集群分布鲁棒优化配置方法及系统，包括：获取可再生能源集群网架数据、负荷数据、机组数据和历史运行数据，计算可再生能源的渗透率，根据可再生能源渗透率的不同制定不同的优化配置策略，然后建立双层分布鲁棒优化配置模型，规划层负责配置机组容量和接入位置的多目标寻优，运行层完成运行参数的分布鲁棒优化，双层模型通过交互不断迭代采用改进多目标骨干粒子群算法求解，最终得到系统最优配置方案集，可根据需求选择合适的最优配置方案。本发明充分考虑可再生能源接入对系统的影响，可以减少配置冗余或缺额，运行层考虑源荷不确定性的影响，采用分布鲁棒优化，增加规划结果的合理性，减少由不确定性带来的额外投资。

Description

一种可再生能源集群分布鲁棒优化配置方法及系统

技术领域

本发明涉及电力系统能源优化配置技术领域，特别涉及一种可再生能源集群分布鲁棒优化配置方法及系统。

背景技术

在“双碳”目标的背景下，必须大力发展可再生能源，提升可再生能源在我国所占的比重，保障我国的能源安全低碳，实现可持续发展。可再生能源集群作为一种以分布式可再生能源为主的资源聚集体，通过合理的配置和调控可以更大限度的发挥可再生能源的利用率。

无序的发展可再生能源可能会导致系统灵活性不足、低可再生能源消纳、输电拥挤等问题，研究可再生能源集群的优化配置方法，有助于更加合理更加充分的开发可再生能源的潜力。不同的可再生能源渗透率下电力系统受到的影响程度不同，优化配置的目的和需求也不同，因此优化配置需要考虑可再生能源渗透率的因素制定不同的优化策略。

由于规划和运行的耦合性，单一的优化配置模型难以满足实际运行中，的各种情况，可能会发生冗余或是缺额，因此需要考虑规划和运行的双层优化配置模型。而若运行层模型无法考虑可再生能源和负荷存在随机性和波动性，其整体优化配置的效果将大打折扣，就需要额外配置灵活性资源作为系统备用。

通过对现有专利进行检索，发现一种基于鲁棒优化的多能互补综合能源系统容量配置方法及系统(CN202011531994.1)，此专利基于多能互补综合能源系统能量流关系建立系统全功况模型，建立双层优化配置模型以实现规划和运行的协调，考虑源荷的不确定性采用鲁棒优化对运行参数求解。然而此专利未考虑不同可再生能源渗透率情况下系统优化配置的需求和策略，仅考虑了容量优化，未考虑接入位置的优化。此外，鲁棒优化研究的是最差场景下的系统优化问题，保守性较高，决策结果往往表现出较差的经济效益，并且鲁棒优化只关注样本的边界信息，没有考虑样本集的统计分布信息。因此该专利所提的方法性能有待进一步提升。

发明内容

为克服现有技术的不足，本发明提出一种可再生能源集群分布鲁棒优化配置方法及系统，能够得根据可再生能源渗透率制定适合的优化配置策略，通过分布鲁棒优化减少了由于系统不确定带来的额外投资。

第一方面，一种可再生能源集群分布鲁棒优化配置方法，包括以下步骤：

获取可再生能源集群网架数据、负荷数据、机组数据和历史运行数据；

基于历史运行数据计算可再生能源渗透率；

基于可再生能源渗透率计算制定优化配置策略；

建立双层分布鲁棒优化配置模型；双层分布鲁棒优化配置模型包括规划层和运行层，规划层用于配置对象容量和接入位置的寻优，规划结果作为运行层优化的基础，运行层负责完成运行参数的分布鲁棒优化，优化结果用于评价规划配置结果，两层之间通过交互关系不断迭代求解，最终得到系统最优配置方案集；

采样改进多目标骨干粒子群算法对双层分布鲁棒优化配置模型求解，获取优化配置解集；

根据需求选择合适的最优解输出优化配置结果。

进一步地，可再生能源渗透率计算为：

式中，REEP表示可再生能源电量渗透率；P_res(t)表示t时刻可再生能源发电功率；P_L表示系统总负荷；P_out表示系统向外输出功率。

进一步地，双层分布鲁棒优化配置模型的规划层以经济性、网损、安全灵活性作为竞争性目标，以各备选节点配置容量为变量的优化，以配置容量上限为约束条件的配置模型；

优化目标：

min f_cost＝C_inv+C_run

式中，f_cost是经济性目标，包含初始投资成本年值C_inv和运行年成本C_run；f_loss是网损目标；f_safe是安全灵活性目标；r_i，j和I_i，j分别为线路(i，j)上的电阻和电流；E为网络中所有线路的集合；T为运行仿真时间；S₁和S₂分别表示公共连接点交换功率越限情况和爬坡功率越限情况；

S₁＝max(max(P_lim，|P_in(t)|))-P_lim

D₂＝max(max(P_{s_lim}，|P_s|))-P_{s_lim}

式中，N_r为待选节点集；G_i为待选节点i配置的机组容量；C_inv0为单位投资价格；r为折现率；n为设备运行年限；P_in(t)和P_s分别表示公共连接点的交换功率和爬坡功率；P_lim和P_{s_lim}分别表示公共连接点的交换功率限制和爬坡功率限制；

优化变量G_i需要满足如下约束：

式中，G_i，max为待选节点i最大配置容量；G_max为系统最大配置容量。

进一步地，采用改进多目标骨干粒子群算法求解规划层，得到不同目标维度的Pareto最优配置解集，根据具体对于各目标的倾向选择不同的配置方案；

所述改进多目标骨干粒子群算法的粒子更新公式为：

式中，r₁，δ为0到1之间服从平均分布的随机数；x_i，j为第i个粒子第j个维度的位置值；xp_i，j表示第i个粒子第j个维度的个体引导者；xg_j表示在j维度上的粒子全局引导者，N∈(a，b)表示以a为均值，b为标准差的正态分布。

进一步地，双层分布鲁棒优化配置模型运行层具体为：以各机组出力情况为优化变量，以日前运行成本最小为优化目标，满足机组约束、潮流约束；

优化目标：

式中，ξ表示随机场景；D_w为所建立的概率分布模糊集；T为运行仿真时间；

C^loss、C^GT、C^PV、C^ESS分别表示主网购电电价、网损电价、燃气轮机发电成本、光伏运维成本、储能运维成本；P_t ⁱⁿ、

P_t ^GT、

P_t ^ESS分别表示t时刻下的主网交换功率、线路l的网损功率、燃气轮机输出功率、光伏节点i的输出功率、储能输出功率；

潮流约束条件：

式中：I_i，j表示线路(i，j)上的电流；P_i，j与Q_i，j分别为线路(i，j)上的有功功率与无功功率；P_j，h和Q_j，h表示线路(j，h)上的有功和无功功率，若线路不存在则功率为0；r_i，j与x_i，j分别为线路(i，j)的电阻与电抗；P_j与Q_j分别为节点j处的注入有功与无功功率；U_i为节点i处的电压，U_j为节点j处的电压；N为所有节点的集合；E为所有连通线路的集合；P₀为平衡节点功率；I_max为线路最大电流；U_max、U_min分别表示节点最大、最小电压；

燃气轮机出力约束：

式中，P_t ^GT和

表示t时段燃气轮机的有功和无功出力；P^GT，max和P^GT，min表示有功出力的上下限；Q^GT，max和Q^GT，min表示无功出力的上下限；P^GT，up和P^GT，down表示最大爬坡速率与最大滑坡速率；

储能系统出力约束：

式中，P_t ^ESS为储能系统输出功率，充电为正放电为负；P_ch和P_dis分别表示最大充放电功率；SOC_t为t时刻储能系统荷电状态；SOC^min和SOC^max分别表示最小荷电状态和最大荷电状态；S^ESS为储能系统容量；η为充放电功率。

进一步地，用基于Wasserstein距离的概率分布模糊集来描述系统不确定性：

式中，D_w为概率分布模糊集；Φ是支持真实概率分布P^*的所有取值空间；

为参考概率分布；ε为Wasserstein球的半径；d_w(·)表示Wasserstein距离。

进一步地，概率分布模糊集中Wasserstein距离基于一阶范数建立：

式中，Ω²为随机变量的支撑空间；ξ^*为服从真实概率分布的随机变量；

为服从参考概率分布的随机变量；Π(·)为联合概率分布。

进一步地，概率分布模糊集的Wasserstein球的半径ε的计算方法具体为：

式中，N₀为样本场景数量；β为置信度，取值0到1，表示实际样本处于Wasserstein球内的概率；S是为随机变量的支撑空间中任意一对元素之间的最大的Wasserstein距离。

进一步地，分布鲁棒优化的概率分布模糊集中场景集的构建考虑了极限场景法，具体为：

首先，构建出历史数据即随机变量的常规样本场景集：

式中，

为样本集中第i个场景，i＝1，2，…，N₀；

接着，选择随机变量取值边界的顶点作为极限场景，将所得的M个极限场景数据加入原来的历史数据当中，更新原有的场景集，新的场景集为：

进一步地，运行层的求解方法为利用拉格朗日对偶将所构建的半无限规划问题转换为确定性问题，具体为：

原运行层优化模型可简化为：

s.t.Ax(m，ξ)≤g(m，ξ)

式中，x(m，ξ)为决策变量，代表各机组出力；c为价值向量，衡量决策变量对目标函数的贡献；m为系统常量，包括系统参数和固定参数；ξ为随机变量，代表可再生能源出力和随即负荷值；A为约束条件的常系数矩阵；g(m，ξ)为约束条件的变系数矩阵，D_w为概率分布模糊集；C_run表示运行年成本；

原问题通过利用拉格朗日对偶转换为：

式中，γ、

为拉格朗日算子；ξ_s是随机变量；N₀为样本场景数量；M为极限场景数据量；c为价值向量；x(m，ξ^min)x(m，ξ^max)g(ξ^min)g(ξ^max)是随机变量取最大值或者最小值对应变量的值或向量。

第二方面，本发明提供了一种可再生能源集群分布鲁棒优化配置系统，包括：

可再生能源渗透率分析模块，负责计算系统可再生能源渗透率并制定优化配置方案；

分布鲁棒优化配置模块，负责建立双层优化配置模型，规划层采用改进多目标粒子群算法求解包含位置和容量的最优配置解集，运行层完成运行参数的分布鲁棒优化，通过两层模型的交互迭代，最值得到最优配置方案集。

与现有的技术相比，本发明的有益效果为：

针对不同的可再生能源渗透率对电力系统的影响，本发明提出一种可再生能源集群分布鲁棒优化配置方法及系统，建立了规划-运行双层优化配置模型以适应规划和运行的耦合关系，考虑可再生能源和负荷的随机性，规划层采用改进的多目标骨干粒子群算法进行求解，可获得多个竞争目标下的优化配置方案集；采用分布鲁棒优化对运行层进行优化求解，考虑极限场景对基于Wasserstein距离的概率分布模糊集进行修正。规划层的结果作为运行层的优化基础，运行层的优化结果参数用于评价优化配置方案，通过交互迭代最终得到系统的最优配置方案集。

本发明充分考虑了可再生能源接入对系统的影响，并根据不同的可再生能源渗透率制定不同的优化配置策略，能够适用大多数场景，规划-运行结合的双层优化配置模型体现了规划和运行的耦合关系，可以减少配置冗余或缺额，运行层考虑源荷不确定性的影响，采用分布鲁棒优化，增加了规划结果的合理性，可减少由不确定性带来的额外投资。

附图说明

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

图1为本发明的一种可再生能源集群分布鲁棒优化配置方法实施例一的流程图；

图2为本发明的一种可再生能源集群网架结构图；

图3为本发明的一种可再生能源集群分布鲁棒优化配置方法实施例一的双层优化配置模型互动关系图。

具体实施方式

本发明提出一种可再生能源集群分布鲁棒优化配置方法及系统，用于解决不同可再生能源渗透率下的集群优化配置策略制定以及考虑源荷不确定性的优化配置的技术问题。

为了使本技术领域的人员更好地理解本发明方案，以下将结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1所示的一种可再生能源集群分布鲁棒优化配置方法，包括以下步骤：

步骤一、获取可再生能源集群数据，包括网架数据、负荷数据、机组数据和历史运行数据；

需要说明的是，网架数据包括线路和节点数据，还包括10kV网架结构、传输线路单位阻抗和长度参数。

在具体实现中，如图2所示的一种可再生能源集群网架结构图，共33个节点，包含分布式光伏、燃气轮机、储能和负荷。对该集群进行分布鲁棒运行优化，可得到24小时的优化运行曲线。

负荷数据为各节点的典型日24h负荷曲线。

机组数据为储能、燃气轮机、光伏、风机等机组的分布和容量数据。

历史运行数据为所采样到的场景日的负荷曲线和可再生能源24h出力曲线。

在本发明实施例中，获取可再生能源集群数据，包括网架数据、负荷数据、机组数据和历史运行数据。

步骤二、根据所获取的信息，计算可再生能源渗透率；

需要说明的是，可再生能源渗透率的计算需要模拟运行样本场景日的运行，取各运行场景渗透率的平均值，所提的可再生能源渗透率为电量的渗透率，具体计算方式为：

式中，REEP表示可再生能源电量渗透率；P_res表示可再生能源发电功率；P_L表示系统总负荷；P_out表示系统向外输出功率。

步骤三、基于集群可再生能源渗透率的登记制定不同的优化配置方案；

当REEP在25％以下时，优化配置主要为了合理规划新增可再生能源的容量和位置，提升系统的经济性；

当REEP在25％以上时，优化配置主要是为了保障系统的灵活性，对灵活性资源进行合理的优化配置以保障系统灵活性的供需平衡；

当REEP在50％以上时，需要通过合理的优化配置提升可再生能源的消纳水平和利用率，需要对能量型储能进行优化配置。

步骤四、建立双层分布鲁棒优化配置模型；

规划层用于配置对象容量和接入位置的寻优，规划结果作为运行层优化的基础，运行层负责完成运行参数的分布鲁棒优化，优化结果用于评价规划配置结果。

在具体实现中，如图3所示，为本实施例双层优化配置模型互动关系图。

规划层模型为：以经济性、网损、安全灵活性作为竞争性目标，以各备选节点配置容量为变量的优化，以配置容量上限为约束条件的配置模型。

优化目标：

min f_cost＝C_inv+C_run

式中，f_cost是经济性目标，包含初始投资成本年值C_inv和运行年成本C_run；f_loss是网损目标；f_safe是安全灵活性目标；r_i，j和I_i，j分别为线路(i，j)上的电阻和电流；E为网络中所有线路的集合；T为运行仿真时间；S₁和S₂分别表示公共连接点交换功率越限情况和爬坡功率越限情况。

S₁＝max(max(P_lim，|P_in(t)|))-P_lim

D₂＝max(max(P_{s_lim}，|P_s|))-P_{s_lim}

式中，N_r为待选节点集；G_i为待选节点i配置的机组容量；C_inv0为单位投资价格；r为折现率；n为设备运行年限；P_in和P_s分别表示公共连接点的交换功率和爬坡功率；P_lim和P_{s_lim}分别表示公共连接点的交换功率限制和爬坡功率限制。

优化变量G_i需要满足如下约束：

式中，G_i，max为待选节点i最大配置容量；G_max为系统最大配置容量。

运行层模型为：以各机组出力情况为优化变量，以日前运行成本最小为优化目标，满足机组约束、潮流约束。

优化目标：

式中，ξ表示随机场景；D_w为所建立的概率分布模糊集；Cⁱⁿ、C^loss、C^GT、C^PV、C^ESS分别表示主网购电电价、网损电价、燃气轮机发电成本、光伏运维成本、储能运维成本；Pⁱⁿ、P^loss、P^GT、P^PV、P^ESS分别表示主网交换功率、网损功率、燃气轮机输出功率、光伏输出功率、储能输出功率。

潮流约束条件：

式中：I_i，j表示线路(i，j)上的电流；P_i，j与Q_i，j分别为线路(i，j)上的有功功率与无功功率；r_i，j与x_i，j分别为线路(i，j)的电阻与电抗；P_j与Q_j分别为节点j处的注入有功与无功功率；U_i为节点i处的电压；N为节点的集合；P₀为平衡节点功率。

燃气轮机出力约束：

式中，P_t ^GT和

表示t时段燃气轮机的有功和无功出力；P^GT，max和P^GT，min表示有功出力的上下限；Q^GT，max和Q^GT，min表示无功出力的上下限；P^GT，up和P^GT，down表示最大爬坡速率与最大滑坡速率。

储能系统出力约束：

式中，P_t ^ESS为储能系统输出功率，充电为正放电为负；P_ch和P_dis分别表示最大充放电功率；SOC为储能系统荷电状态；SOC^min和SOC^max分别表示最小荷电状态和最大荷电状态；S^EDD为储能系统容量；η为充放电功率。

运行层模型采用基于Wasserstein距离的概率分布模糊集来描述系统不确定性：

式中，D_w为概率分布模糊集；Φ是支持真实概率分布P^*的所有取值空间；

为参考概率分布；ε为Wasserstein球的半径。

所构建概率模糊集的Wasserstein球的半径ε的计算方法具体为：

式中，N₀为样本场景数量；β为置信度，取值0到1，表示实际样本处于Wasserstein球内的概率；S是为随机变量的支撑空间中任意一对元素之间的最大的Wasserstein距离。

概率分布模糊集中场景集的构建考虑了极限场景法，具体为：

首先，构建出历史数据即随机变量的常规样本场景集：

式中，

为样本集中第i个场景，i＝1，2，…，N₀。

接着，选择随机变量取值边界的顶点作为极限场景，将所得的M个极限场景数据加入原来的历史数据当中，更新原有的场景集，新的场景集为：

运行层优化模型可简化为：

s.t.Ax(m，ξ)≤g(m，ξ)

式中，x(m，ξ)为决策变量，代表各机组出力；c为价值向量，衡量决策变量对目标函数的贡献；m为系统常量，包括系统参数和固定参数；ξ为随机变量，代表可再生能源出力和随即负荷值；A为约束条件的常系数矩阵；g为约束条件的变系数矩阵。

原问题通过利用拉格朗日对偶转换为：

式中，γ、

为拉格朗日算子；ξ_s是随机变量；ξ^min、ξ^max是随机变量取到的最小值和最大值。

步骤五，采样改进多目标骨干粒子群算法对模型求解，获取最优解集；

需要说明的是改进后的多目标骨干粒子群算法的粒子更新公式为：

式中，r₁，δ～U(0，1)，x_i，j为第i个粒子第j个维度的位置值；xp_i，j表示第i个粒子第j个维度上的个体引导者；xg_j表示在j维度上的粒子全局引导者。

步骤六、根据需求选择合适的最优解输出优化配置结果。

在本发明实施例中，最优解的选择方法为：优先选择安全灵活性指标在最好的范围，其次去寻找经济性和网损的折衷最优解。

在一个可选实施例中，先将各维度的评价目标归一化，通过对多个优化目标设置权重值，根据带权重的最优解选择方式去选择最优解。

在本发明实施例所提供的一种可再生能源集群分布鲁棒优化配置方法，通过获取可再生能源集群网架数据、负荷数据、机组数据和历史运行数据，计算可再生能源的渗透率，根据可再生能源渗透率的不同制定不同的优化配置策略，然后建立双层分布鲁棒优化配置模型，规划层负责配置机组容量和接入位置的多目标寻优，运行层完成运行参数的分布鲁棒优化，双层模型通过交互不断迭代采用改进多目标骨干粒子群算法求解，最终得到系统最优配置方案集，可根据需求选择合适的最优配置方案。通过一种可再生能源集群分布鲁棒优化配置方法解决了不同可再生能源渗透率下的集群优化配置策略制定以及考虑源荷不确定性的优化配置的技术问题，提高了优化配置的合理性。

实施例二

本实施例的目的是提供公开了一种可再生能源集群分布鲁棒优化配置系统，包括：

可再生能源渗透率分析模块，负责计算系统可再生能源渗透率并制定优化配置方案；

分布鲁棒优化配置模块，负责建立双层优化配置模型，规划层采用改进多目标粒子群算法求解包含位置和容量的最优配置解集，运行层完成运行参数的分布鲁棒优化，通过两层模型的交互迭代，最值得到最优配置方案集。

实施例三

本实施例的目的是提供一种计算装置，包括输入装置、处理器、显示器、存储器及存储在存储器上并可在处理器上运行的计算机程序，该程序被处理器执行时执行上述实施例子一中的方法的步骤。

以上实施例二、三中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。

本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。

上述实施例为本发明的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。

Claims (10)

1.一种可再生能源集群分布鲁棒优化配置方法，其特征在于，包括以下步骤：

获取可再生能源集群网架数据、负荷数据、机组数据和历史运行数据；

基于历史运行数据计算可再生能源渗透率；

基于可再生能源渗透率计算制定优化配置策略；

建立双层分布鲁棒优化配置模型；双层分布鲁棒优化配置模型包括规划层和运行层，规划层用于配置对象容量和接入位置的寻优，规划结果作为运行层优化的基础，运行层负责完成运行参数的分布鲁棒优化，优化结果用于评价规划配置结果，两层之间通过交互关系不断迭代求解，最终得到系统最优配置方案集；

采样改进多目标骨干粒子群算法对双层分布鲁棒优化配置模型求解，获取优化配置解集；

根据需求选择合适的最优解输出优化配置结果。

2.根据权利要求1所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，可再生能源渗透率计算为：

式中，REEP表示可再生能源电量渗透率；P_res(t)表示t时刻可再生能源发电功率；P_L表示系统总负荷；P_out表示系统向外输出功率。

3.根据权利要求1所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，双层分布鲁棒优化配置模型的规划层以经济性、网损、安全灵活性作为竞争性目标，以各备选节点配置容量为变量的优化，以配置容量上限为约束条件的配置模型；

优化目标：

min f_cost＝C_inv+C_run

式中，f_cost是经济性目标，包含初始投资成本年值C_inv和运行年成本C_run；f_loss是网损目标；f_safe是安全灵活性目标；r_i，j和I_i，j分别为线路(i，j)上的电阻和电流；E为网络中所有线路的集合；T为运行仿真时间；S₁和S₂分别表示公共连接点交换功率越限情况和爬坡功率越限情况；

S₁＝max(max(P_lim，|P_in(t)|))-P_lim

S₂＝max(max(P_{s_lim}，|P_s|))-P_{s_lim}

式中，N_r为待选节点集；G_i为待选节点i配置的机组容量；C_inv0为单位投资价格；r为折现率；n为设备运行年限；P_in(t)和P_s分别表示公共连接点的交换功率和爬坡功率；P_lim和P_{s_lim}分别表示公共连接点的交换功率限制和爬坡功率限制；

优化变量G_i需要满足如下约束：

式中，G_i，max为待选节点i最大配置容量；G_max为系统最大配置容量。

4.根据权利要求1所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，采用改进多目标骨干粒子群算法求解规划层，得到不同目标维度的Pareto最优配置解集，根据具体对于各目标的倾向选择不同的配置方案；

所述改进多目标骨干粒子群算法的粒子更新公式为：

式中，r₁，δ为0到1之间服从平均分布的随机数；x_i，j为第i个粒子第j个维度的位置值；xp_i，j表示第i个粒子第j个维度的个体引导者；xg_j表示在j维度上的粒子全局引导者，N∈(a，b)表示以a为均值，b为标准差的正态分布。

5.根据权利要求1所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，双层分布鲁棒优化配置模型运行层具体为：以各机组出力情况为优化变量，以日前运行成本最小为优化目标，满足机组约束、潮流约束；

优化目标：

式中，ξ表示随机场景；Dw为所建立的概率分布模糊集；T为运行仿真时间；

C^loss、C^GT、C^PV、C^ESS分别表示主网购电电价、网损电价、燃气轮机发电成本、光伏运维成本、储能运维成本；

分别表示t时刻下的主网交换功率、线路l的网损功率、燃气轮机输出功率、光伏节点i的输出功率、储能输出功率；

潮流约束条件：

式中：I_i，j表示线路(i，j)上的电流；P_i，j与Q_i，j分别为线路(i，j)上的有功功率与无功功率；P_j，h和Q_j，h表示线路(j，h)上的有功和无功功率，若线路不存在则功率为0；r_i，j与x_i，j分别为线路(i，j)的电阻与电抗；P_j与Q_j分别为节点j处的注入有功与无功功率；U_i为节点i处的电压，U_j为节点j处的电压；N为所有节点的集合；E为所有连通线路的集合；P₀为平衡节点功率；I_max为线路最大电流；U_max、U_min分别表示节点最大、最小电压；

燃气轮机出力约束：

式中，P_t ^GT和

表示t时段燃气轮机的有功和无功出力；P^GT，max和P^GT，min表示有功出力的上下限；Q^GT，max和Q^GT，min表示无功出力的上下限；P^GT，up和P^GT，down表示最大爬坡速率与最大滑坡速率；

储能系统出力约束：

式中，P_t ^ESS为储能系统输出功率，充电为正放电为负；P_ch和P_dis分别表示最大充放电功率；SOC_t为t时刻储能系统荷电状态；SOC^min和SOC^max分别表示最小荷电状态和最大荷电状态；S^ESS为储能系统容量；η为充放电功率。

6.根据权利要求1所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，运行层采用基于Wasserstein距离的概率分布模糊集来描述系统不确定性：

式中，D_w为概率分布模糊集；Φ是支持真实概率分布P^*的所有取值空间；

为参考概率分布；ε为Wasserstein球的半径；d_w(·)表示Wasserstein距离。

7.根据权利要求5所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，概率分布模糊集中Wasserstein距离基于一阶范数建立：

式中，Ω²为随机变量的支撑空间；ξ^*为服从真实概率分布的随机变量；ξ为服从参考概率分布的随机变量；Π(·)为联合概率分布。

8.根据权利要求5所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，概率分布模糊集的Wasserstein球的半径ε的计算方法具体为：

式中，N₀为样本场景数量；β为置信度，取值0到1，表示实际样本处于Wasserstein球内的概率；S是为随机变量的支撑空间中任意一对元素之间的最大的Wasserstein距离。

9.根据权利要求5所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，分布鲁棒优化的概率分布模糊集中场景集的构建考虑了极限场景法，具体为：

首先，构建出历史数据即随机变量的常规样本场景集：

式中，

为样本集中第i个场景，i＝1，2，…，N₀；

接着，选择随机变量取值边界的顶点作为极限场景，将所得的M个极限场景数据加入原来的历史数据当中，更新原有的场景集，新的场景集为：

10.根据权利要求1～9任一项所述的可再生能源集群分布鲁棒优化配置方法，其特征在于，运行层的求解方法为利用拉格朗日对偶将所构建的半无限规划问题转换为确定性问题，具体为：

原运行层优化模型可简化为：

s.t.Ax(m，ξ)≤g(m，ξ)

式中，x(m，ξ)为决策变量，代表各机组出力；c为价值向量，衡量决策变量对目标函数的贡献；m为系统常量，包括系统参数和固定参数；ξ为随机变量，代表可再生能源出力和随即负荷值；A为约束条件的常系数矩阵；g(m，ξ)为约束条件的变系数矩阵，D_w为概率分布模糊集；C_run表示运行年成本；

原问题通过利用拉格朗日对偶转换为：

式中，γ、

为拉格朗日算子；ξ_s是随机变量；N₀为样本场景数量；M为极限场景数据量；c为价值向量；x(m，ξ^min)x(m，ξ^max)g(ξ^min)g(ξ^max)是随机变量取最大值或者最小值对应变量的值或向量。

Images