CN115528664A - 一种微电网有功功率机会约束优化方法及系统 - Google Patents

Abstract

本发明提供了一种微电网有功功率机会约束优化方法及系统，建立以微电网运行成本最小为优化目标，赋加约束条件的优化模型；根据线路参数、风电、光伏的出力和负荷预测值，求解基点处的优化模型；在基点的有功优化基础上，检验节点电压和支路功率是否超过限度，如果否，则输出最终的有功优化结果；如果是，则采用缩减场景法从超过限度的场景中选择典型的场景，重新构建优化模型，继续求解，直至得到最终的结果。本发明考虑不确定新能源和柔性负荷多端柔性直流，以含新能源和可控负荷的多端柔性直流输电系统的模型作为研究对象，以微电网的运行成本最小作为目标函数，有效的解决了微电网有功优化问题。

Description

一种微电网有功功率机会约束优化方法及系统

技术领域

本发明属于微电网控制技术领域，涉及一种微电网有功功率机会约束优化方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

由于风电、光伏的出力具有随机性，并且用户侧的负荷具有波动性，这种情况会导致单一独立微电网供电可靠性较低以及供电成本较高。如果独立微电网互联运行，就可以实现不同微电网之间的资源互补，这不但可以更好消纳可再生能源，同时也提高了微电网的备用容量，使得整个微电网安全可靠运行。

互联微电网的优化调度是系统运行可靠性和经济性的保障，为有效考虑新能源不确定性，从而建立优化方法，传统的确定性优化模型已逐渐被不确定性优化模型所替代。

常用的不确定性优化模型有鲁棒优化模型以及区间优化模型。鲁棒性优化模型考虑优化场景中最恶劣的场景，虽然可靠满足了调度的需求，但是恶劣场景出现的概率较小，这样就导致优化的结果过于保守。区间优化模型是以一些确定的调度场景代替所有可能出现，此模型不必去寻找最恶劣场景，这样相对减少了求解模型时的计算量。但是区间优化模型中的场景依然包含了最恶劣场景，因此最终的求解结果还是具有保守性。

发明内容

本发明为了解决上述问题，提出了一种微电网有功功率机会约束优化方法及系统，本发明考虑不确定新能源和柔性负荷多端柔性直流，以项目中搭建的含新能源和可控负荷的多端柔性直流输电系统的模型作为研究对象，以微电网的运行成本最小作为目标函数，有效的解决了微电网有功优化问题。

根据一些实施例，本发明采用如下技术方案：

一种微电网有功功率机会约束优化方法，包括以下步骤：

建立以微电网运行成本最小为优化目标，赋加约束条件的优化模型；

根据线路参数、风电、光伏的出力和负荷预测值，求解基点处的优化模型；

在基点的有功优化基础上，检验节点电压和支路功率是否超过限度，如果否，则输出最终的有功优化结果；如果是，则采用缩减场景法从超过限度的场景中选择典型的场景，重新构建优化模型，继续求解，直至得到最终的结果。

作为可选择的实施方式，所述微电网运行成本包括线路、电能路由器以及柔性互联装置的网损f₁，在微网内部功率不足的情况下，从电网购电的成本f₂，储能的充放电成本f₃以及光伏单元的削减成本f₄。

作为可选择的实施方式，所述约束条件包括潮流约束、节点电压和支路功率约束、光伏单元运行约束、储能系统的约束、柔性互联装置的约束和电能路由器的约束中的若干个。

作为可选择的实施方式，所述潮流约束构建时，微电网内部采用基于Distflow的潮流模型，且利用二阶锥松弛将所述潮流模型进行转化。

作为可选择的实施方式，所述节点电压和支路功率约束为机会约束条件，保证所有场景中j节点电压不超过限度的概率不低于设定值，所有场景中的ij支路电流不超过限度的概率不低于设定值。

作为可选择的实施方式，检验节点电压和支路功率是否超过限度时，根据风电、光伏出力的历史数据和分布函数产生相应的数据场景，在基点的有功优化基础上进行。

作为进一步限定的实施方式，风力发电以及光伏发电输出功率的概率密度分布均采用Beta分布，通过概率密度分布得到累积概率分布函数。

采用拉丁超立方抽样法，基于风力发电以及光伏发电输出功率以及概率密度分布，生成光伏以及风电的场景。

作为可选择的实施方式，采用缩减场景法从超过限度的场景中选择典型的场景的具体过程包括：

计算任意两个数据场景之间的距离；

对于任意数据场景，存在一个距离最近的数据场景，确定完所有数据与其距离最近的场景后，构成数据场景组合；

计算所有数据场景组合的差异程度

确定所有数据场景组合中差异度最小的组合；

从数据场景组合中缩减掉数据场景差异度最小的场景之一；

重复以上的步骤，将场景数量缩减到期望数量。

一种微电网有功功率机会约束优化系统，包括：

模型构建模块，被配置为建立以微电网运行成本最小为优化目标，赋加约束条件的优化模型；

求解模块，被配置为根据线路参数、风电、光伏的出力和负荷预测值，求解基点处的优化模型；

检验模块，被配置为在基点的有功优化基础上，检验节点电压和支路功率是否超过限度，如果否，则输出最终的有功优化结果；如果是，则采用缩减场景法从超过限度的场景中选择典型的场景，重新构建优化模型，继续求解，直至得到最终的结果。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。

与现有技术相比，本发明的有益效果为：

本发明中使用了二阶锥松弛，可以将非凸模型转化为可以方便求解的凸优化模型，保证模型在允许的运行时间内得到可行解或最优解。

本发明使用了机会约束规划方法，相较于确定性优化方法，机会约束规划考虑到新能源具有不确定性，允许所做决策在一定程度上不满足约束条件，但该决策使约束条件成立的概率不小于某一置信水平；可以避免为应对小概率的极端新能源出现的偏差，从而影响系统经济性的情况发生。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是实施例一中的微电网系统图；

图2是实施例一中的有功机会约束优化的流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

本发明提供一种考虑不确定新能源和柔性负荷多端柔性直流有功机会约束优化方法，以微电网的运行成本最小作为目标函数，利用优化方法解决微电网有功优化问题。

如图1所示，本发明所提的方法针对的微电网架构，其中电源由风电和光伏承担，若是在电量不足的情况下还要向电网购电，直流系统与交流系统通过电能路由器和柔性互联装置相连接。

如图2所示，本发明所提的方法步骤包括：

初始化生成基点处的场景，具体生成过程在下面给出。

建立并求解基点处的有功优化模型。

建立的目标函数是微电网运行成本最小，其中包括线路、电能路由器以及柔性互联装置的网损f₁，在微网内部功率不足的情况下，从电网购电的成本f₂，储能的充放电成本f₃以及光伏单元的削减成本f₄。

目标函数的具体表达如下：

min f＝f₁+f₂+f₃+f₄

(1)f₁是网损成本，

f₁＝c_lossP_loss ⁱⁿ+c_lossP_loss ^link

其中c_loss表示单位功率的网损成本，P_loss ⁱⁿ表示微电网内部的网络损耗，P_loss ^link表示电能路由器以及柔性互联装置的功率损耗。

(2)f₂是在微网内部功率不足的情况下，从电网购电的成本，

f₂＝c_purP_pur

其中c_pur表示从电网购电的成本系数，P_pur表示购电功率。

(3)f₃是电池充放电成本，

f₃＝c_batP_ch+c_batP_dis

其中c_bat表示电池充放电的成本系数，P_ch和P_dis表示充电功率和放电功率。

(4)f₄是光伏削减的成本，

P_ctlj表示j节点的光伏单元削减的有功功率，c_ctl表示光伏单元削减的成本系数。

除了要建立目标函数，还要考虑所建立模型的相关约束条件。约束条件包括潮流约束，节点电压约束，光伏单元运行约束，储能系统的约束，柔性互联装置的约束，电能路由器的约束。具体约束条件如下：

(1)潮流约束，微电网内部采用基于Distflow的潮流模型，

其中，i→j表示从i节点到下游节点j，R_ij和X_ij表示节点i和节点j线路之间的电阻以及电抗值，I_ij表示i节点与j节点之间的电流，P_ij和Q_ij表示从节点i流向节点j的有功功率和无功功率，U_i和U_j表示i节点和j节点的电压幅值。

表示j节点处的光伏单元有功功率的最大功率点值，Q_PVj表示j节点光伏发出的无功功率，P_ctlj表示j节点光伏单元削减的有功功率，P_wj和Q_wj表示j节点风电发出的有功功率和无功功率，P_decj和Q_decj表示j节点切负荷的有功功率和无功功率，P_purj和Q_purj表示j节点在微网功率不足情况下从电网购买的有功功率和无功功率，P_Lj和Q_Lj表示j节点负荷的有功功率和无功功率。

再利用二阶锥松弛将(1)中潮流模型转化为如下形式：

其中l_ij和u_i表示I_ij ²和U_i ²。

(2)节点电压约束条件：

(1-ε)²U_ref ²≤u_j≤(1+ε)²U_ref ²

U_ref为区域节点电压的参考值，ε为节点电压允许的最大偏差。

(3)光伏单元运行约束条件：

其中θ＝arccos PF_min为最小功率因数PF_min时的角度，

表示j节点处的光伏单元有功功率的最大功率点值，P_ctlj表示j节点光伏单元削减的有功功率。

(4)储能系统的约束：

P_ch和P_dis表示储能装置直流侧最大充电功率和放电功率，η_ch和η_dis表示储能装置的充电效率和放电效率。

(5)柔性互联装置的约束：包括柔性互联装置有功功率约束，柔性互联装置无功功率约束以及柔性互联装置容量约束。

柔性互联装置有功功率约束：

P_i ^link、

和

分别表示互联装置两侧的i节点和j节点的有功和无功功率，P_i ^link,loss和

表示i节点和j节点对应的网损，

和

表示i节点和j节点对应的网损系数。

柔性互联装置无功功率约束：

和

表示互联装置一侧i节点的无功功率的上下限，

和

表示互联装置一侧j节点的无功功率的上下限。

柔性互联装置容量约束：

和

表示互联装置两侧的i节点和j节点的变流器容量。

(6)电能路由器的约束条件：电能路由器的有功功率平衡约束、无功功率约束条件以及电能路由器的容量约束条件。

电能路由器整体有功功率平衡，其端口应该满足以下约束条件：

其中P_k表示输入各个端口的有功功率，ΔP_loss表示电能路由器内部的有功功率损耗。

电能路由器的无功功率约束：

其中

和

表示电能路由器端口的无功功率下限和上限。

电能路由器还需满足其端口的容量约束条件：

其中P_k和Q_k表示电能路由器端口的有功和无功功率，S_{k max}表示电能路由器交流端口的容量上限。

(7)节点电压和支路功率的机会约束条件：

以上两式表示所有场景中j节点电压不超过限度的概率不低于1-ε，所有场景中的ij支路电流不超过限度的概率不低于1-ε。

求解基点处的有功优化模型，需要依据具体电网架构的线路参数，风电、光伏的出力和负荷预测值。

根据风电、光伏出力的历史数据和分布函数产生相应的数据场景，在输出基点的有功优化基础上，来检验节点电压和支路功率是否超过限度。如果不存在超过限度的场景数，则输出最终的有功优化结果；如果存在超过限度的场景，则采用缩减场景法从超过限度的场景中选择典型的场景，以电网运行成本最低作为目标，以上述所有约束包括机会约束作为约束条件，再来求解越限场景下的机会约束规划模型得到结果。

关于场景的初始化生成和缩减等具体过程，介绍如下：

风力发电以及光伏发电输出功率的概率密度分布均采用Beta分布，通过概率密度分布可以得到累积概率分布函数。

其中P是风电功率或者光伏功率，P_max是风电功率或者光伏功率的最大值，Γ()是Gamma函数，α和β是Beta函数的参数，与功率平均值和功率波动方差存在如下关系：

其中μ是Beta分布的数学期望，σ²是Beta分布的方差。

采用拉丁超立方抽样法生成光伏以及风电的场景。风电功率的历史数据场景为(P₁,P₂,…,P_n)代表n小时的风电功率数据，风电功率波动满足累计概率分布函数Pr()。场景生成方法如下：(1)将累计概率分布函数Pr()等分为N份，N为抽样数量。(2)在等份i中抽取n个随机数r_it,每个数对应于一个时刻风电功率波动的采样点。(3)根据n个随机数的累计概率值，利用累计概率分布函数的反函数F^-1[Pr()]以获得光伏功率波动的采样值ΔP_it，以此构成n小时的光伏功率波动数据场景，即风电功率数据场景的随机性部分(ΔP_i1,ΔP_i2,…,ΔP_in)。(4)利用风电功率波动数据场景和风电功率历史数据场景，构成第i个风电功率随机数据场景(P_i1,P_i2,…,P_in)。(5)根据以上步骤，i由1到N以此取值，这样就得到N个风电功率数据场景。

P_it＝P_t+ΔP_it＝P_t+F^-1[Pr(ΔP_it)]

其中Pr()是风电功率波动的累计概率分布函数：r_it是随机数；N是抽样数量；ΔP_it是风电功率波动，P_it是第i个随机数据场景中的风电功率数据，P_t是历史数据场景中的风电功率数据，F^-1[]表示反函数。

历史数据场景包括风电功率和光伏功率，对于光伏也使用同样的抽样方法，同样也得到N个光伏功率随机数据场景。风电功率和光伏功率数据场景组合，就会产生N²个场景。

缩减场景可以选择出现概率较大的数据场景。N²个数据场景的出现概率相同，即p_i＝1/N²。定义两个场景i和j的距离如下所示，显然两个数据场景的差异越大，其距离越大；定义数据场景i相对于j的差异度如下式所示，差异有两个方面，一是两个数据场景距离，二是数据场景j的出现概率。数据场景j出现概率越大，或者两个场景的距离越大，则相对于数据场景i的差异越大。值得注意的是差异度是相对的，数据场景i相对于j的差异度和数据场景j相对于i的差异度是不同的，区别在于两个数据场景的出现概率可能不同。

PT_ij＝p_jDT_ij

其中DT_ij是数据场景i和j的距离；P_it和P_jt是第i个和第j个场景中的数据，随机场景由n个风电功率数据和n个光伏功率数据组成，故t＝1，2，...，2n；PT_ij是场景i相对于场景j的差异程度；p_j是场景j出现的概率大小。

场景缩减的步骤：(1)算出任意两个数据场景之间的距离，如下所示:

{DT_ij|i∈[1,N²],j∈[1,N²]}

(2)对于任意数据场景i，存在一个距离最近的数据场景k，如下式所示。在确定完所有数据与其距离最近的场景之后，就构成了数据场景组合(i,k)。

DT_ik＝min{DT_ij|j∈[1,N²]}

(3)算出所有数据场景组合的差异程度，如下式所示。

{PT_ik|i∈[1,N²]}

(4)确定所有数据场景组合中差异度最小的组合(m,n)，如下式所示。说明数据场景m和数据场景n在所有数据场景中差异最小。

PT_mn＝min{PT_ik|i∈[1,N²]}

(5)从场景集合S中缩减掉数据场景n，此时场景的集合为S＝S-{n}。同时出现数据场景m的概率增大，p_m＝p_m+p_n，这样就保证总的场景整体出现的概率为1。重复以上的步骤，将场景数量缩减到期望数量。

实施例二

一种微电网有功功率机会约束优化系统，包括：

模型构建模块，被配置为建立以微电网运行成本最小为优化目标，赋加约束条件的优化模型；

求解模块，被配置为根据线路参数、风电、光伏的出力和负荷预测值，求解基点处的优化模型；

检验模块，被配置为在基点的有功优化基础上，检验节点电压和支路功率是否超过限度，如果否，则输出最终的有功优化结果；如果是，则采用缩减场景法从超过限度的场景中选择典型的场景，重新构建优化模型，继续求解，直至得到最终的结果。

实施例三

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一所提供的方法中的步骤。

实施例四

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行实施例一所提供的方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种微电网有功功率机会约束优化方法，其特征是，包括以下步骤：

建立以微电网运行成本最小为优化目标，赋加约束条件的优化模型；

根据线路参数、风电、光伏的出力和负荷预测值，求解基点处的优化模型；

在基点的有功优化基础上，检验节点电压和支路功率是否超过限度，如果否，则输出最终的有功优化结果；如果是，则采用缩减场景法从超过限度的场景中选择典型的场景，重新构建优化模型，继续求解，直至得到最终的结果。

2.如权利要求1所述的一种微电网有功功率机会约束优化方法，其特征是，所述微电网运行成本包括线路、电能路由器以及柔性互联装置的网损f₁，在微网内部功率不足的情况下，从电网购电的成本f₂，储能的充放电成本f₃以及光伏单元的削减成本f₄。

3.如权利要求1或2所述的一种微电网有功功率机会约束优化方法，其特征是，所述约束条件包括潮流约束、节点电压和支路功率约束、光伏单元运行约束、储能系统的约束、柔性互联装置的约束和电能路由器的约束中的若干个。

4.如权利要求3所述的一种微电网有功功率机会约束优化方法，其特征是，所述潮流约束构建时，微电网内部采用基于Distflow的潮流模型，且利用二阶锥松弛将所述潮流模型进行转化。

5.如权利要求3所述的一种微电网有功功率机会约束优化方法，其特征是，所述节点电压和支路功率约束为机会约束条件，保证所有场景中j节点电压不超过限度的概率不低于设定值，所有场景中的ij支路电流不超过限度的概率不低于设定值。

6.如权利要求1所述的一种微电网有功功率机会约束优化方法，其特征是，检验节点电压和支路功率是否超过限度时，根据风电、光伏出力的历史数据和分布函数产生相应的数据场景，在基点的有功优化基础上进行；

或，

风力发电以及光伏发电输出功率的概率密度分布均采用Beta分布，通过概率密度分布得到累积概率分布函数；

或，采用拉丁超立方抽样法，基于风力发电以及光伏发电输出功率以及概率密度分布，生成光伏以及风电的场景。

7.如权利要求1所述的一种微电网有功功率机会约束优化方法，其特征是，采用缩减场景法从超过限度的场景中选择典型的场景的具体过程包括：

计算任意两个数据场景之间的距离；

对于任意数据场景，存在一个距离最近的数据场景，确定完所有数据与其距离最近的场景后，构成数据场景组合；

计算所有数据场景组合的差异程度

确定所有数据场景组合中差异度最小的组合；

从数据场景组合中缩减掉数据场景差异度最小的场景之一；

重复以上的步骤，将场景数量缩减到期望数量。

8.一种微电网有功功率机会约束优化系统，其特征是，包括：

模型构建模块，被配置为建立以微电网运行成本最小为优化目标，赋加约束条件的优化模型；

求解模块，被配置为根据线路参数、风电、光伏的出力和负荷预测值，求解基点处的优化模型；

检验模块，被配置为在基点的有功优化基础上，检验节点电压和支路功率是否超过限度，如果否，则输出最终的有功优化结果；如果是，则采用缩减场景法从超过限度的场景中选择典型的场景，重新构建优化模型，继续求解，直至得到最终的结果。

9.一种计算机可读存储介质，其特征是，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述方法中的步骤。

10.一种终端设备，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述方法中的步骤。

Images