CN117060491B - 风光混合储能系统的运行优化方法、系统、介质及设备 - Google Patents

风光混合储能系统的运行优化方法、系统、介质及设备 Download PDF

Info

Publication number
CN117060491B
CN117060491B CN202311309623.2A CN202311309623A CN117060491B CN 117060491 B CN117060491 B CN 117060491B CN 202311309623 A CN202311309623 A CN 202311309623A CN 117060491 B CN117060491 B CN 117060491B
Authority
CN
China
Prior art keywords
energy storage
power
storage system
wind
power generation
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.)
Active
Application number
CN202311309623.2A
Other languages
English (en)
Other versions
CN117060491A (zh
Inventor
肖斌
彭怀午
郜振鑫
陈康
周治
廖泽龙
刘坤
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.)
Xian Jiaotong University
PowerChina Northwest Engineering Corp Ltd
Original Assignee
Xian Jiaotong University
PowerChina Northwest Engineering Corp 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 Xian Jiaotong University, PowerChina Northwest Engineering Corp Ltd filed Critical Xian Jiaotong University
Priority to CN202311309623.2A priority Critical patent/CN117060491B/zh
Publication of CN117060491A publication Critical patent/CN117060491A/zh
Application granted granted Critical
Publication of CN117060491B publication Critical patent/CN117060491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J15/00—Systems for storing electric energy
    • H02J15/008—Systems for storing electric energy using hydrogen as energy vector
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/30—The power source being a fuel cell
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Abstract

本公开提供一种风光混合储能系统的运行优化方法、系统、介质和设备；涉及微电网系统运行技术领域。包括：根据风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；结合箱型不确定集和系统设备的运行约束条件，并以系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型，利用列约束生成算法对该模型进行迭代求解，得到系统在运行成本最低时系统设备的出力。本公开在对风光混合储能系统进行全场景决策优化时考虑了新能源出力和负荷出力的随机性和不确定性，可以精确地得到使系统总运行成本最低的运行策略，同时还能满足系统在最恶劣场景下的负荷需求，提高系统运行的稳定性和经济性。

Description

风光混合储能系统的运行优化方法、系统、介质及设备
技术领域
本公开涉及微电网系统运行技术领域，具体而言，涉及一种风光混合储能系统的运行优化方法、风光混合储能系统的运行优化系统、计算机可读存储介质及电子设备。
背景技术
随着新能源发电在整个电力系统中的渗透率不断提高，为了平衡风光发电的随机性与间歇性以及提高整个电力系统对新能源的消纳能力，建设与电力系统配套的大规模储能系统是十分必要的。其中，储能系统不仅可以对风电和光伏进行调制，实现大型风电场与光伏电场的并网发电，而且能在并网前进行调峰调频，确保并网电气质量，改善供电系统的供需矛盾，提高发电设备的利用率。
由于风能和太阳能的随机性与间歇性导致了风力发电和光伏发电的不确定性与不稳定性，目前，在对复杂电网问题求解的相关研究中，可能会忽略风能和太阳能等新能源的不确定性，从而无法准确地进行全场景决策优化，进而影响包括风光发电系统在内的微电网系统的稳定性和经济性。
所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种风光混合储能系统的运行优化方法，进而至少在一定程度上解决相关技术中由于无法准确地进行全场景决策优化而使得风光发电系统在内的微电网系统的稳定性和经济性较差的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面，提供了一种风光混合储能系统的运行优化方法，包括：
根据所述风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；
结合所述箱型不确定集和所述风光混合储能系统中系统设备的运行约束条件，并以所述风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；
利用列约束生成算法将所述两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对所述主优化模型和所述子优化模型进行迭代求解，得到所述风光混合储能系统在运行成本最低时所述系统设备的出力；
其中，所述风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统，所述两阶段鲁棒优化调度模型的第一阶段用于确定所述光热电系统、所述氢储能系统、所述抽水蓄能系统和所述电化学储能系统中储能设备的运行状态，第二阶段用于确定在最恶劣的风电负荷场景下所述系统设备的输入输出情况，所述系统设备包含所述储能设备。
在本公开的一种示例性实施例中，所述新能源出力包括所述风力发电系统的发电功率和所述光伏发电系统的发电功率，所述负荷出力包括负荷需求功率；
所述箱型不确定集为：
其中，uw,t为所述风力发电系统的发电功率的不确定变量，upv,t为所述光伏发电系统的发电功率的不确定变量，ul,t为所述负荷需求功率的不确定变量，umax,w,t为所述风力发电系统的发电功率所允许的最大偏差，/>umax,pv,t为所述光伏发电系统的发电功率所允许的最大偏差，/>umax,l,t为所述负荷需求功率所允许的最大偏差，/> w,t为所述风力发电系统的发电功率在t时刻的预测值，/> pv,t为所述光伏发电系统的发电功率在t时刻的预测值， l,t为所述负荷需求功率在t时刻的预测值。
在本公开的一种示例性实施例中，所述风光混合储能系统中系统设备的运行约束条件包括：
系统电功率平衡约束和系统热功率平衡约束分别为：
其中，在t时刻，PL,e,t为所述风光混合储能系统的电负荷需求，HL,h,t为所述风光混合储能系统的热负荷需求，Pw,t为所述风力发电系统中风力发电设备的发电功率,Ppv,t为所述光伏发电系统中光伏发电设备的发电功率，Pcsp,t为所述光热电系统中光热电站的发电功率，Phfc,e,t为所述氢储能系统中燃料电池的电输出功率，Pec,t为所述氢储能系统中电解槽的输入功率，Ppump,t为所述抽水蓄能系统中抽水泵的抽水功率，Pgen,t为所述抽水蓄能系统中发电机的发电功率，Ps,ch,t和Ps,dis,t分别为所述电化学储能系统中电化学储能设备的充电功率和放电功率，Hg,t为所述光热电系统中燃气锅炉的输出功率，Hhfc,h,t为所述氢储能系统中燃料电池的热输出功率，Htes,hl,t为所述光热电系统中光热电站用于发电的热量；
所述风力发电设备、所述光伏发电设备和所述光热电站的出力约束为：
其中，Pw,t为所述风力发电设备的发电功率,Ppv,t为所述光伏发电设备的发电功率，Pcsp,t为所述光热电站的发电功率，Htes,hl,t为所述光热电站用于发电的热量，为所述风力发电设备的发电功率的预测值，/>为所述光伏发电设备的发电功率的预测值，为所述光热电站的发电功率的上限值，/>为所述光热电站用于发电的热量的上限值；
所述氢储能系统中各储能设备的约束条件为：
其中，Phfc,e,t为所述氢储能系统中燃料电池的电输出功率，Pec,t为所述氢储能系统中电解槽的输入功率，Hhfc,h,t为所述氢储能系统中燃料电池的热输出功率，为所述氢储能系统中燃料电池的电输出功率的上限值；/>为所述氢储能系统中电解槽的输入功率的上限值；/>为所述氢储能系统中燃料电池的热输出功率的上限值；
所述抽水蓄能系统中水库容量的约束条件为：
其中，为所述水库在t时刻的容量，/>为所述水库的最小容量，/>为所述水库的最大容量；
所述水库容量在偏差允许范围内一个调度周期的初末容量相同，所述水库容量在一个调度周期内的约束条件为：
其中，为所述水库在一个调度周期内的容量，/>为所述水库的初/末容量，/>为所述水库容量的初末状态相同时允许的偏差；
所述抽水蓄能系统中抽水泵和发电机需要满足的出力约束为：
其中，Ppump,t为所述抽水蓄能系统中抽水泵的抽水功率， pump为所述抽水泵的额定功率,/> pump为所述抽水泵的抽水功率的下限值，Pgen,t为所述抽水蓄能系统中发电机的发电功率，/> gen为所述发电机的额定功率,/> gen为所述发电机的发电功率的下限值；
所述电化学储能系统中储能设备的约束条件为：
(1-DOD) s≤/> s,t≤/> s
其中，DOD为所述储能设备的最大放电深度； s为所述储能设备的最大储能容量， s,t为所述储能设备在t时刻的储能容量；
所述储能容量在偏差允许范围内一个调度周期的初末容量相同，所述储能容量在一个调度周期内的约束条件为：
其中，为所述储能设备在一个调度周期内的储能容量，/>为所述储能设备的初/末容量，/>为所述储能容量的初末状态相同时允许的偏差；
所述电化学储能系统的出力约束条件为：
其中，Ps,ch,t为所述电化学储能系统的充电功率， s为所述电化学储能系统的额定功率，/>表示充电/放电状态变量，/>取为1时表示充电，/>取为0时表示放电。
在本公开的一种示例性实施例中，所述目标函数为：
其中，cw、cpv、ccsp、chfc、cec、cpg、cs、cg分别为所述风光混合储能系统中的风力发电设备、光伏发电设备、光热电站、燃料电池、电解槽、抽水蓄能设备、电化学储能设备、燃气锅炉的单位运维成本；在预设时间段T内的t时刻，Pw,t为所述风力发电设备的发电功率,Ppv,t为所述光伏发电设备的发电功率,Ps,ch,t和Ps,dis,t分别为所述电化学储能设备的充电功率和放电功率；Hg,t为所述燃气锅炉的输出功率，Hhfc,h,t为所述燃料电池的热输出功率，Htes,hl,t为所述光热电站用于发电的热量，Pcsp,t为所述光热电站的发电功率，Phfc,e,t为所述燃料电池的电输出功率，Pec,t为所述电解槽的输入功率，Ppump,t为所述抽水蓄能设备中抽水泵的抽水功率，Pgen,t为所述抽水蓄能设备中发电机的发电功率。
在本公开的一种示例性实施例中，所述两阶段鲁棒运行优化模型为：
其中，为第一阶段的决策变量矩阵，矩阵大小为/>，矩阵内的元素分别为所述光热电系统、所述氢储能系统、所述抽水蓄能系统充/放决策的决策变量，/>表示第K个决策变量，/>为所述电化学储能系统充/放决策的决策变量，y为第二阶段的决策变量矩阵，c为常数列向量；
其中，为在两阶段鲁棒运行优化模型中新能源出力和负荷需求功率在各时刻的预测值；
d、h为常数列向量,D、K、F、G和为对应约束条件下变量的系数矩阵,/>、/>、/>和/>为第二阶段中各约束条件对应的对偶变量，/>为第二阶段的决策变量矩阵/>的最小值，/>为第二阶段的决策变量矩阵/>的最大值。
在本公开的一种示例性实施例中，所述主优化模型为：
其中，k为当前迭代次数，为第l次迭代后子问题的解，/>为第l次迭代后得到的最恶劣场景下的不确定变量组成的向量；
基于强对偶理论得到的所述子优化模型为：
。
在本公开的一种示例性实施例中，所述对所述主优化模型和所述子优化模型进行迭代求解，包括：
引入二进制变量得到所述风光混合储能系统在预设时间段的运行成本最高时对应的所述箱型不确定集；
基于所述箱型不确定集对所述子优化模型进行线性化处理，得到新的子优化模型；
采用所述列约束生成算法对所述主优化模型和所述新的子优化模型进行迭代求解。
根据本公开实施例的第二方面，提供了一种风光混合储能系统的运行优化系统，包括：
不确定集建立模块，用于根据所述风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；
优化模型建立模块，用于结合所述箱型不确定集和所述风光混合储能系统中系统设备的运行约束条件，并以所述风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；
优化模型求解模块，用于利用列约束生成算法将所述两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对所述主优化模型和所述子优化模型进行迭代求解，得到所述风光混合储能系统在运行成本最低时所述系统设备的出力；
其中，所述风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统，所述两阶段鲁棒优化调度模型的第一阶段用于确定所述光热电系统、所述氢储能系统、所述抽水蓄能系统和所述电化学储能系统中储能设备的运行状态，第二阶段用于确定在最恶劣的风电负荷场景下所述系统设备的输入输出情况，所述系统设备包含所述储能设备。
根据本公开实施例的第三方面，提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现第一方面中的风光混合储能系统的运行优化方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的风光混合储能系统的运行优化方法。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开示例实施例中风光混合储能系统的运行优化方法，通过根据风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；结合箱型不确定集和风光混合储能系统中系统设备的运行约束条件，并以风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；利用列约束生成算法将两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对主优化模型和子优化模型进行迭代求解，得到风光混合储能系统在运行成本最低时系统设备的出力。本公开在对风光混合储能系统进行全场景决策优化时考虑了新能源出力和负荷出力的随机性和不确定性，可以精确地得到使系统总运行成本最低的运行策略，同时还能满足系统在最恶劣场景下的负荷需求，提高系统运行的稳定性和经济性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，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。
图1示出了本公开实施例中的一种风光混合储能系统的架构示意图。
图2示出了本公开实施例中一种风光混合储能系统的运行优化方法的流程示意图。
图3示出了本公开实施例中一种风光混合储能系统的运行优化系统的框图。
图4示出了适于用来实现本公开实施例的电子设备的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本公开示例实施方式中，风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统。示例性的，图1示出了的一种风光混合储能系统的架构示意图，该系统是由风电场、光伏电场、光热电站、氢储能系统、抽水蓄能系统、电化学储能系统共同组成的完全清洁能源系统。由图1可知，风光混合储能系统中的电能主要由风电场、光伏电场、抽水蓄能、电化学储能提供，热能主要由光热电站热储能和氢燃料电池提供，在满足热负荷要求的情况下光热电站和氢燃料电池的剩余能量用于供给电负荷。
具体的，在抽水蓄能系统中，可以在新能源发电高峰期利用抽水系统抽水，并在低谷期利用发电系统进行发电，以实现势能和电能之间的转换。电化学储能系统主要用于满足短期、少量负荷供应不足，实现化学-电能量转换；光热电系统中光场收集的热能和储热系统用于供应部分热负荷，并与发电系统共同实现热-电能量转换。氢储能系统通过电解槽和燃料电池实现氢-热(电)能量转换，中间可以将电解得到的氢气存储至储氢罐中。该系统的多能转换模式既可以提高新能源的消纳水平，也可以增加系统运行的稳定性与经济性。
以下对本公开实施例的技术方案进行详细阐述：
由于风能和太阳能的随机性与间歇性导致了风力发电和光伏发电的不确定性与不稳定性，目前，在对复杂电网问题求解的相关研究中，可能会忽略风能和太阳能等新能源的不确定性，从而无法准确地进行全场景决策优化，进而影响包括风光发电系统在内的微电网系统的稳定性和经济性。
基于上述一个或多个问题，本示例实施方式提供了一种风光混合储能系统的运行优化方法，参考图2所示，该风光混合储能系统的运行优化方法可以包括以下步骤S210至步骤S230：
步骤S210.根据所述风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；
步骤S220.结合所述箱型不确定集和所述风光混合储能系统中系统设备的运行约束条件，并以所述风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；
步骤S230.利用列约束生成算法将所述两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对所述主优化模型和所述子优化模型进行迭代求解，得到所述风光混合储能系统在运行成本最低时所述系统设备的出力；
其中，所述风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统，所述两阶段鲁棒优化调度模型的第一阶段用于确定所述光热电系统、所述氢储能系统、所述抽水蓄能系统和所述电化学储能系统中储能设备的运行状态，第二阶段用于确定在最恶劣的风电负荷场景下所述系统设备的输入输出情况，所述系统设备包含所述储能设备。
本公开示例实施例中风光混合储能系统的运行优化方法，通过根据风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；结合箱型不确定集和风光混合储能系统中系统设备的运行约束条件，并以风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；利用列约束生成算法将两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对主优化模型和子优化模型进行迭代求解，得到风光混合储能系统在运行成本最低时系统设备的出力。本公开在对风光混合储能系统进行全场景决策优化时考虑了新能源出力和负荷出力的随机性和不确定性，可以精确地得到使系统总运行成本最低的运行策略，同时还能满足系统在最恶劣场景下的负荷需求，提高系统运行的稳定性和经济性。
下面，对于本示例实施方式的上述步骤进行更加详细的说明。
在步骤S210中，根据所述风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集。
本公开示例实施方式中的风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统。考虑到风光混合储能系统内新能源和负荷的随机性和不确定性，本公开示例实施方式中建立了min-max-min结构的两阶段鲁棒运行优化模型，以对该系统的运行策略进行优化。
示例性的，可以通过箱型不确定集来描述新能源出力和负荷出力的不确定性。其中，新能源出力包括风力发电系统的发电功率和光伏发电系统的发电功率，负荷出力包括负荷需求功率，新能源出力和负荷出力的不确定数据可以是指新能源出力的不确定量、偏差和预测值，以及负荷出力的不确定量、偏差和预测值。
具体的，建立的箱型不确定集为：
(1)
其中，uw,t为风力发电系统的发电功率的不确定变量，upv,t为光伏发电系统的发电功率的不确定变量，ul,t为负荷需求功率的不确定变量，umax,w,t为风力发电系统的发电功率所允许的最大偏差，/>umax,pv,t为光伏发电系统的发电功率所允许的最大偏差，/>umax,l,t为负荷需求功率所允许的最大偏差，/> w,t为风力发电系统的发电功率在t时刻的预测值， pv,t为光伏发电系统的发电功率在t时刻的预测值，/> l,t为负荷需求功率在t时刻的预测值。
该示例中，通过建立箱型不确定集来描述新能源出力和负荷出力的不确定性，并基于箱型不确定集构建系统运行优化模型，对该模型进行求解，可以提高对系统运行结果的预测准确性，便于对风光混合储能系统的运行做进一步优化。
在步骤S220中，结合所述箱型不确定集和所述风光混合储能系统中系统设备的运行约束条件，并以所述风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型。
建立两阶段鲁棒运行优化模型时，以风光混合储能系统在预设时间段的运行成本最低为目标函数，即：
(2)
其中，cw、cpv、ccsp、chfc、cec、cpg、cs、cg分别为风光混合储能系统中的风力发电设备、光伏发电设备、光热电站、燃料电池、电解槽、抽水蓄能设备、电化学储能设备、燃气锅炉的单位运维成本；在预设时间段T内的t时刻，Pw,t为风力发电设备的发电功率,Ppv,t为光伏发电设备的发电功率,Ps,ch,t和Ps,dis,t分别为电化学储能设备的充电功率和放电功率；Hg,t为燃气锅炉的输出功率，Hhfc,h,t为燃料电池的热输出功率，Htes,hl,t为光热电站用于发电的热量，Pcsp,t为光热电站的发电功率，Phfc,e,t为燃料电池的电输出功率，Pec,t为电解槽的输入功率，Ppump,t为抽水蓄能设备中抽水泵的抽水功率，Pgen,t为抽水蓄能设备中发电机的发电功率。可以理解的是，预设时间段可以是一小时、一天或是一周，本公开对此不做限定。
风光混合储能系统中系统设备包括风力发电系统和光伏发电系统等发电系统中的发电设备，也包括光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统中的储能设备，当然还可以包括光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统中的发电设备，本公开对此不做具体限定。
示例性的，风光混合储能系统中系统设备的运行约束条件可以包括：
如式(3)所示的系统电功率平衡约束和如式(4)所示的系统热功率平衡约束：
(3)
(4)
其中，在t时刻，PL,e,t为风光混合储能系统的电负荷需求，HL,h,t为风光混合储能系统的热负荷需求，Pw,t为风力发电系统中风力发电设备的发电功率,Ppv,t为光伏发电系统中光伏发电设备的发电功率，Pcsp,t为光热电系统中光热电站的发电功率，Phfc,e,t为氢储能系统中燃料电池的电输出功率，Pec,t为氢储能系统中电解槽的输入功率，Ppump,t为抽水蓄能系统中抽水泵的抽水功率，Pgen,t为抽水蓄能系统中发电机的发电功率，Ps,ch,t和Ps,dis,t分别为电化学储能系统中电化学储能设备的充电功率和放电功率，Hg,t为光热电系统中燃气锅炉的输出功率，Hhfc,h,t为氢储能系统中燃料电池的热输出功率，Htes,hl,t为光热电系统中光热电站用于发电的热量；
风力发电设备、光伏发电设备和光热电站的出力约束为：
(5)
其中，Pw,t为风力发电设备的发电功率,Ppv,t为光伏发电设备的发电功率，Pcsp,t为光热电站的发电功率，Htes,hl,t为光热电站用于发电的热量，为风力发电设备的发电功率的预测值，/>为光伏发电设备的发电功率的预测值，/>为光热电站的发电功率的上限值，/>为光热电站用于发电的热量的上限值。
氢储能系统中各储能设备的约束条件为：
(6)
其中，Phfc,e,t为氢储能系统中燃料电池的电输出功率，Pec,t为氢储能系统中电解槽的输入功率，Hhfc,h,t为氢储能系统中燃料电池的热输出功率，为氢储能系统中燃料电池的电输出功率的上限值；/>为氢储能系统中电解槽的输入功率的上限值；/>为氢储能系统中燃料电池的热输出功率的上限值。
抽水蓄能系统中水库容量的约束条件为：
(7)
其中，为水库在t时刻的容量，/>为水库的最小容量，/>为水库的最大容量。/>
水库容量在偏差允许范围内一个调度周期的初末容量相同，因此水库容量在一个调度周期内的约束条件为：
(8)
其中，为水库在一个调度周期内的容量，/>为水库的初/末容量，/>为水库容量的初末状态相同时允许的偏差。
抽水蓄能系统中抽水泵和发电机需要满足的出力约束为：
(9)
其中，Ppump,t为抽水蓄能系统中抽水泵的抽水功率， pump为抽水泵的额定功率, pump为抽水泵的抽水功率的下限值，Pgen,t为抽水蓄能系统中发电机的发电功率，/> gen为发电机的额定功率,/> gen为发电机的发电功率的下限值；
电化学储能系统中储能设备的约束条件为：
(1-DOD) s≤/> s,t≤/> s(10)
其中，DOD为储能设备的最大放电深度； s为储能设备的最大储能容量，/> s,t为储能设备在t时刻的储能容量。
储能容量在偏差允许范围内一个调度周期的初末容量相同，因此储能容量在一个调度周期内的约束条件为：
(11)
其中，为储能设备在一个调度周期内的储能容量，/>为储能设备的初/末容量，/>为储能容量的初末状态相同时允许的偏差。
电化学储能系统的出力约束条件为：
(12)
(13)
其中，Ps,ch,t为电化学储能系统的充电功率， s为电化学储能系统的额定功率，表示充电/放电状态变量，/>取为1时表示充电，/>取为0时表示放电。
进一步的，可以基于如式(1)所示的箱型不确定集和风光混合储能系统中系统设备的运行约束条件(3)-(13)，并以如式(2)所示的风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型，可以表示为：
(14)
其中，为第一阶段的决策变量矩阵，矩阵大小为/>，矩阵内的元素分别为光热电系统、氢储能系统、抽水蓄能系统充/放决策的决策变量，/>表示第K个决策变量，/>为电化学储能系统充/放决策的决策变量，y为第二阶段的决策变量矩阵，c为常数列向量
由公式(14)可知，第一阶段的问题为外层最小化()，优化变量为/>，第二阶段的问题为内层最大最小化(/>，优化变量为/>、/>，最小化问题即令系统的运行成本最小。
第二阶段的优化变量除了y之外还包括，具体的：
(15)
其中，为在两阶段鲁棒运行优化模型中新能源出力和负荷需求功率在各时刻的预测值。
另外，式(14)中的可以表示为：
(16)
其中，d、h为常数列向量,D、K、F、G和为对应约束条件下变量的系数矩阵,/>、、/>和/>为第二阶段中各约束条件对应的对偶变量。/>表示给定一组/>时决策变量矩阵y的可行范围，/>为决策变量矩阵y的最小值，/>为决策变量矩阵y的最大值，/>表示外层的光热电系统、氢储能系统、抽水蓄能系统如光热电站、抽水蓄能、氢储能充/放决策的决策变量为确定变量，主要作用为对新能源出力的不均匀特性削峰填谷，内层的电池储能充/放电决策由于具有实时响应特性为不确定变量，用于满足新能源出力和负荷功率的不确定性。
需要说明的是，本公开示例实施方式中建立的两阶段鲁棒运行优化模型的第一阶段用于确定光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统中储能设备的运行状态，第二阶段用于确定在最恶劣的风电负荷场景下系统设备的输入输出情况，即得到公式(15)中决策变量矩阵y中的各个决策变量的值。
该示例中，考虑新能源发电的随机性和负荷功率的不确定性构建两阶段鲁棒运行优化模型，可以通过该模型更精确地模拟风光混合储能系统现实的运行情况，提高新能源的消纳水平。而且，对风光混合储能系统进行全场景决策优化时要求在最恶劣场景下满足发电需求的特征，可以提高系统的鲁棒性。
在步骤S230中，利用列约束生成算法将所述两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对所述主优化模型和所述子优化模型进行迭代求解，得到所述风光混合储能系统在运行成本最低时所述系统设备的出力。
本公开示例实施方式中，可以采用列约束生成算法对风光混合储能系统的两阶段鲁棒优化模型进行求解。其中，利用列约束生成算法求解的原理为：把主问题转换成一个变量数比原问题的变量数少的小规模问题模型，并将只包含部分变量的该问题模型称为原问题的限制主问题，使用单纯形法求得该问题模型的最优解，但该最优解还不是主问题的最优解。然后，通过一个子问题检测未包含在限制主问题中的变量是否存在使得检验数小于零的情况，如果存在，将该变量的相关系数列加入到限制主问题的系数矩阵中，并再次对限制主问题进行求解，反复迭代到子问题中所有变量的检验数都大于或等于零时，即可得到主问题的最优解。
示例性的，可以对风光混合储能系统的两阶段鲁棒优化模型进行分解，分解得到的主问题即主优化模型可表示为：
(16)
其中，k为当前迭代次数，为第l次迭代后子问题的解，/>为第l次迭代后得到的最恶劣场景下的不确定变量组成的向量，d、h为常数列向量,D、K、F、G和/>为对应约束条件下变量的系数矩阵，/>表示每一次迭代比上一次迭代的/>大，以得到最恶劣场景。
分解后的子问题即子优化模型可表示为：
(17)
由于子问题为线性问题，可由强对偶理论将内层的最小化问题转换为最大化问题，并与外层最大化问题合并，得到对偶问题可表示为：
(18)/>
得到主优化模型和子优化模型之后，可以引入二进制变量得到风光混合储能系统在预设时间段的运行成本最高时对应的箱型不确定集，基于箱型不确定集对子优化模型进行线性化处理，得到新的子优化模型，最后采用列约束生成算法对主优化模型和新的子优化模型进行迭代求解。
具体的，本公开示例实施方式中，当公式(1)中的新能源出力取值为区间的最小值且负荷出力取值为区间最大值时，风光混合储能系统的总运行成本较高，更符合最恶劣场景的定义，可以引入二进制变量将公式(1)所示的箱型不确定集改写为公式(19)：
(19)
其中，Bw,t、Bpv,t、Bl,t分别为风力发电系统的发电功率/光伏发电系统的发电功率/负荷需求功率对应的二进制变量，当各二进制变量的值为1时表示T时间段的不确定变量取波动范围的边界值，分别为风力发电系统的发电功率/光伏发电系统的发电功率/负荷需求功率的不确定性调节参数，取值范围为0~T内的整数，表示在整个运行周期内新能源出力和负荷出力取到边界值的总数，可用来对最优解的保守性进行调节，各不确定性调节参数的值越大，得到的系统运行结果越精确，各不确定性调节参数的值越小，得到的系统运行结果精度越差。
将公式(19)中的不确定变量代入公式(18)中的对偶问题中，出现连续变量和二进制变量乘积的形式，并引入相关的约束条件和辅助变量对该对偶问题进行线性化处理，得到新的对偶问题(即新的子优化模型)可表示为：
(20)
其中，、/>为连续辅助变量，/>为对偶变量的上限值。
进一步的，可通过列约束生成算法对公式(16)所示的主优化模型和公式(20)所示的新的子优化模型进行求解，具体的：
步骤(1). 将一组不确定变量作为初始的最恶劣场景，设定最终运行结果对应的系统总运行成本的下限值为LB=/>，上界值为UB=/>，迭代次数k=1;
步骤(2).在最恶劣场景下利用不确定变量求解公式(16)所示的主优化模型，得到主优化模型的最优解为/>，其中可将主优化模型的目标函数值/>作为系统总运行成本的新的下限值，即LB=/>；
步骤(3). 再将主问题解代入公式(20)所示的新的子优化模型中，求解得到子问题的目标函数值/>和对应最恶劣场景下不确定变量/>，更新系统总运行成本的新的上限值UB={UB，/>}；
步骤(4). 设列约束生成算法的收敛值为，当UB-LB/>时，停止计算，返回列约束生成算法的最优解/>；否则将/>加入基变量以及如公式(21)所示的列约束：
(21)
并令k=k+1，跳转至步骤(2)直到算法满足收敛条件并得到最优解，即得到风光混合储能系统在运行成本最低时系统设备的出力。
本公开示例实施例中风光混合储能系统的运行优化方法，通过根据风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；结合箱型不确定集和风光混合储能系统中系统设备的运行约束条件，并以风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；利用列约束生成算法将两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对主优化模型和子优化模型进行迭代求解，得到风光混合储能系统在运行成本最低时系统设备的出力。本公开在对风光混合储能系统进行全场景决策优化时考虑了新能源出力和负荷出力的随机性和不确定性，可以精确地得到使系统总运行成本最低的运行策略，同时还能满足系统在最恶劣场景下的负荷需求，提高系统运行的稳定性和经济性。
进一步的，本示例实施方式中，还提供了另一种风光混合储能系统的运行优化系统。参考图3所示，该风光混合储能系统的运行优化系统300可以包括不确定集建立模块310、优化模型建立模块320和优化模型求解模块330，其中：
不确定集建立模块310，用于根据所述风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；
优化模型建立模块320，用于结合所述箱型不确定集和所述风光混合储能系统中系统设备的运行约束条件，并以所述风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；
优化模型求解模块330，用于利用列约束生成算法将所述两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对所述主优化模型和所述子优化模型进行迭代求解，得到所述风光混合储能系统在运行成本最低时所述系统设备的出力；
其中，所述风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统，所述两阶段鲁棒优化调度模型的第一阶段用于确定所述光热电系统、所述氢储能系统、所述抽水蓄能系统和所述电化学储能系统中储能设备的运行状态，第二阶段用于确定在最恶劣的风电负荷场景下所述系统设备的输入输出情况，所述系统设备包含所述储能设备。
上述风光混合储能系统的运行优化系统中各模块的具体细节已经在对应的风光混合储能系统的运行优化方法中进行了详细的描述，因此此处不再赘述。
本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。该程序产品可以采用便携式紧凑盘只读存储器（CD-ROM）并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C#、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
本公开的示例性实施方式还提供了一种能够实现上述方法的电子设备。下面参照图4来描述根据本公开的这种示例性实施方式的电子设备400。图4显示的电子设备400仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
如图4所示，电子设备400可以以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元420、连接不同系统组件（包括存储单元420和处理单元410）的总线430和显示单元440。
存储单元420存储有程序代码，程序代码可以被处理单元410执行，使得处理单元410执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元410可以执行图2中的方法步骤。
存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）421和/或高速缓存存储单元422，还可以进一步包括只读存储单元（ROM）423。
存储单元420还可以包括具有一组（至少一个）程序模块425的程序/实用工具424，这样的程序模块425包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备500（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口450进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器460通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本公开示例性实施方式的方法。
此外，上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (8)

1.一种风光混合储能系统的运行优化方法，其特征在于，包括：
根据所述风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；
结合所述箱型不确定集和所述风光混合储能系统中系统设备的运行约束条件，并以所述风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；
利用列约束生成算法将所述两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对所述主优化模型和所述子优化模型进行迭代求解，得到所述风光混合储能系统在运行成本最低时所述系统设备的出力；
其中，所述风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统，所述两阶段鲁棒优化模型的第一阶段用于确定所述光热电系统、所述氢储能系统、所述抽水蓄能系统和所述电化学储能系统中储能设备的运行状态，第二阶段用于确定在最恶劣的风电负荷场景下所述系统设备的输入输出情况，所述系统设备包含所述储能设备；
所述风光混合储能系统中系统设备的运行约束条件包括：
系统电功率平衡约束和系统热功率平衡约束分别为：
其中，在t时刻，PL,e,t为所述风光混合储能系统的电负荷需求，HL,h,t为所述风光混合储能系统的热负荷需求，Pw,t为所述风力发电系统中风力发电设备的发电功率,Ppv,t为所述光伏发电系统中光伏发电设备的发电功率，Pcsp,t为所述光热电系统中光热电站的发电功率，Phfc,e,t为所述氢储能系统中燃料电池的电输出功率，Pec,t为所述氢储能系统中电解槽的输入功率，Ppump,t为所述抽水蓄能系统中抽水泵的抽水功率，Pgen,t为所述抽水蓄能系统中发电机的发电功率，Ps,ch,t和Ps,dis,t分别为所述电化学储能系统中电化学储能设备的充电功率和放电功率，Hg,t为所述光热电系统中燃气锅炉的输出功率，Hhfc,h,t为所述氢储能系统中燃料电池的热输出功率，Htes,hl,t为所述光热电系统中光热电站用于发电的热量；
所述风力发电设备、所述光伏发电设备和所述光热电站的出力约束为：
其中，Pw,t为所述风力发电设备的发电功率,Ppv,t为所述光伏发电设备的发电功率，Pcsp,t为所述光热电站的发电功率，Htes,hl,t为所述光热电站用于发电的热量，为所述风力发电设备的发电功率的预测值，/>为所述光伏发电设备的发电功率的预测值，/>为所述光热电站的发电功率的上限值，/>为所述光热电站用于发电的热量的上限值；
所述氢储能系统中各储能设备的约束条件为：
其中，Phfc,e,t为所述氢储能系统中燃料电池的电输出功率，Pec,t为所述氢储能系统中电解槽的输入功率，Hhfc,h,t为所述氢储能系统中燃料电池的热输出功率，为所述氢储能系统中燃料电池的电输出功率的上限值；/>为所述氢储能系统中电解槽的输入功率的上限值；/>为所述氢储能系统中燃料电池的热输出功率的上限值；
所述抽水蓄能系统中水库容量的约束条件为：
其中，为所述水库在t时刻的容量，/>为所述水库的最小容量，/>为所述水库的最大容量；
所述水库容量在偏差允许范围内一个调度周期的初末容量相同，所述水库容量在一个调度周期内的约束条件为：
其中，为所述水库在一个调度周期内的容量，/>为所述水库的初/末容量，/>为所述水库容量的初末状态相同时允许的偏差；
所述抽水蓄能系统中抽水泵和发电机需要满足的出力约束为：
其中，Ppump,t为所述抽水蓄能系统中抽水泵的抽水功率， pump为所述抽水泵的额定功率,/> pump为所述抽水泵的抽水功率的下限值，Pgen,t为所述抽水蓄能系统中发电机的发电功率，/> gen为所述发电机的额定功率,/> gen为所述发电机的发电功率的下限值；
所述电化学储能系统中储能设备的约束条件为：
(1-DOD) s≤/> s,t≤/> s
其中，DOD为所述储能设备的最大放电深度； s为所述储能设备的最大储能容量，/> s,t为所述储能设备在t时刻的储能容量；
所述储能容量在偏差允许范围内一个调度周期的初末容量相同，所述储能容量在一个调度周期内的约束条件为：
其中，为所述储能设备在一个调度周期内的储能容量，/>为所述储能设备的初/末容量，/>为所述储能容量的初末状态相同时允许的偏差；
所述电化学储能系统的出力约束条件为：
其中，Ps,ch,t为所述电化学储能系统的充电功率， s为所述电化学储能系统的额定功率，/>表示充电/放电状态变量，/>取为1时表示充电，/>取为0时表示放电；
所述目标函数为：
其中，cw、cpv、ccsp、chfc、cec、cpg、cs、cg分别为所述风光混合储能系统中的风力发电设备、光伏发电设备、光热电站、燃料电池、电解槽、抽水蓄能设备、电化学储能设备、燃气锅炉的单位运维成本；在预设时间段T内的t时刻，Pw,t为所述风力发电设备的发电功率,Ppv,t为所述光伏发电设备的发电功率,Ps,ch,t和Ps,dis,t分别为所述电化学储能设备的充电功率和放电功率；Hg,t为所述燃气锅炉的输出功率，Hhfc,h,t为所述燃料电池的热输出功率，Htes,hl,t为所述光热电站用于发电的热量，Pcsp,t为所述光热电站的发电功率，Phfc,e,t为所述燃料电池的电输出功率，Pec,t为所述电解槽的输入功率，Ppump,t为所述抽水蓄能设备中抽水泵的抽水功率，Pgen,t为所述抽水蓄能设备中发电机的发电功率。
2.根据权利要求1所述的风光混合储能系统的运行优化方法，其特征在于，所述新能源出力包括所述风力发电系统的发电功率和所述光伏发电系统的发电功率，所述负荷出力包括负荷需求功率；
所述箱型不确定集为：
其中，uw,t为所述风力发电系统的发电功率的不确定变量，upv,t为所述光伏发电系统的发电功率的不确定变量，ul,t为所述负荷需求功率的不确定变量，umax,w,t为所述风力发电系统的发电功率所允许的最大偏差，/>umax,pv,t为所述光伏发电系统的发电功率所允许的最大偏差，/>umax,l,t为所述负荷需求功率所允许的最大偏差，/> w,t为所述风力发电系统的发电功率在t时刻的预测值，/> pv,t为所述光伏发电系统的发电功率在t时刻的预测值，/> l,t为所述负荷需求功率在t时刻的预测值。
3.根据权利要求1所述的风光混合储能系统的运行优化方法，其特征在于，所述两阶段鲁棒运行优化模型为：
其中，为第一阶段的决策变量矩阵，矩阵大小为/>，矩阵内的元素分别为所述光热电系统、所述氢储能系统、所述抽水蓄能系统充/放决策的决策变量，/>表示第K个决策变量，/>为所述电化学储能系统充/放决策的决策变量，y为第二阶段的决策变量矩阵，c为常数列向量；
其中，为在两阶段鲁棒运行优化模型中新能源出力和负荷需求功率在各时刻的预测值；
d、h为常数列向量,D、K、F、G和为对应约束条件下变量的系数矩阵,/>、/>、/>和/>为第二阶段中各约束条件对应的对偶变量，/>为第二阶段的决策变量矩阵/>的最小值，/>为第二阶段的决策变量矩阵/>的最大值。
4.根据权利要求1所述的风光混合储能系统的运行优化方法，其特征在于，所述主优化模型为：
其中，k为当前迭代次数，为第l次迭代后子问题的解，/>为第l次迭代后得到的最恶劣场景下的不确定变量组成的向量；
基于强对偶理论得到的所述子优化模型为：
。
5.根据权利要求4所述的风光混合储能系统的运行优化方法，其特征在于，所述对所述主优化模型和所述子优化模型进行迭代求解，包括：
引入二进制变量得到所述风光混合储能系统在预设时间段的运行成本最高时对应的所述箱型不确定集；
基于所述箱型不确定集对所述子优化模型进行线性化处理，得到新的子优化模型；
采用所述列约束生成算法对所述主优化模型和所述新的子优化模型进行迭代求解。
6.一种风光混合储能系统的运行优化系统，其特征在于，包括：
不确定集建立模块，用于根据所述风光混合储能系统中新能源出力和负荷出力的不确定数据建立箱型不确定集；
优化模型建立模块，用于结合所述箱型不确定集和所述风光混合储能系统中系统设备的运行约束条件，并以所述风光混合储能系统在预设时间段的运行成本最低为目标函数，建立两阶段鲁棒运行优化模型；
优化模型求解模块，用于利用列约束生成算法将所述两阶段鲁棒优化模型分解为主优化模型和子优化模型，并对所述主优化模型和所述子优化模型进行迭代求解，得到所述风光混合储能系统在运行成本最低时所述系统设备的出力；
其中，所述风光混合储能系统是由风力发电系统、光伏发电系统、光热电系统、氢储能系统、抽水蓄能系统和电化学储能系统组成的清洁能源系统，所述两阶段鲁棒优化模型的第一阶段用于确定所述光热电系统、所述氢储能系统、所述抽水蓄能系统和所述电化学储能系统中储能设备的运行状态，第二阶段用于确定在最恶劣的风电负荷场景下所述系统设备的输入输出情况，所述系统设备包含所述储能设备；
所述风光混合储能系统中系统设备的运行约束条件包括：
系统电功率平衡约束和系统热功率平衡约束分别为：
其中，在t时刻，PL,e,t为所述风光混合储能系统的电负荷需求，HL,h,t为所述风光混合储能系统的热负荷需求，Pw,t为所述风力发电系统中风力发电设备的发电功率,Ppv,t为所述光伏发电系统中光伏发电设备的发电功率，Pcsp,t为所述光热电系统中光热电站的发电功率，Phfc,e,t为所述氢储能系统中燃料电池的电输出功率，Pec,t为所述氢储能系统中电解槽的输入功率，Ppump,t为所述抽水蓄能系统中抽水泵的抽水功率，Pgen,t为所述抽水蓄能系统中发电机的发电功率，Ps,ch,t和Ps,dis,t分别为所述电化学储能系统中电化学储能设备的充电功率和放电功率，Hg,t为所述光热电系统中燃气锅炉的输出功率，Hhfc,h,t为所述氢储能系统中燃料电池的热输出功率，Htes,hl,t为所述光热电系统中光热电站用于发电的热量；
所述风力发电设备、所述光伏发电设备和所述光热电站的出力约束为：
其中，Pw,t为所述风力发电设备的发电功率,Ppv,t为所述光伏发电设备的发电功率，Pcsp,t为所述光热电站的发电功率，Htes,hl,t为所述光热电站用于发电的热量，为所述风力发电设备的发电功率的预测值，/>为所述光伏发电设备的发电功率的预测值，/>为所述光热电站的发电功率的上限值，/>为所述光热电站用于发电的热量的上限值；
所述氢储能系统中各储能设备的约束条件为：
其中，Phfc,e,t为所述氢储能系统中燃料电池的电输出功率，Pec,t为所述氢储能系统中电解槽的输入功率，Hhfc,h,t为所述氢储能系统中燃料电池的热输出功率，为所述氢储能系统中燃料电池的电输出功率的上限值；/>为所述氢储能系统中电解槽的输入功率的上限值；/>为所述氢储能系统中燃料电池的热输出功率；
所述抽水蓄能系统中水库容量的约束条件为：
其中，为所述水库在t时刻的容量，/>为所述水库的最小容量，/>为所述水库的最大容量；
所述水库容量在偏差允许范围内一个调度周期的初末容量相同，所述水库容量在一个调度周期内的约束条件为：
其中，为所述水库在一个调度周期内的容量，/>为所述水库的初/末容量，/>为所述水库容量的初末状态相同时允许的偏差；
所述抽水蓄能系统中抽水泵和发电机需要满足的出力约束为：
其中，Ppump,t为所述抽水蓄能系统中抽水泵的抽水功率， pump为所述抽水泵的额定功率,/> pump为所述抽水泵的抽水功率的下限值，Pgen,t为所述抽水蓄能系统中发电机的发电功率，/> gen为所述发电机的额定功率,/> gen为所述发电机的发电功率的下限值；
所述电化学储能系统中储能设备的约束条件为：
(1-DOD) s≤/> s,t≤/> s
其中，DOD为所述储能设备的最大放电深度； s为所述储能设备的最大储能容量，/> s,t为所述储能设备在t时刻的储能容量；
所述储能容量在偏差允许范围内一个调度周期的初末容量相同，所述储能容量在一个调度周期内的约束条件为：
其中，为所述储能设备在一个调度周期内的储能容量，/>为所述储能设备的初/末容量，/>为所述储能容量的初末状态相同时允许的偏差；
所述电化学储能系统的出力约束条件为：
其中，Ps,ch,t为所述电化学储能系统的充电功率， s为所述电化学储能系统的额定功率，/>表示充电/放电状态变量，/>取为1时表示充电，/>取为0时表示放电；
所述目标函数为：
其中，cw、cpv、ccsp、chfc、cec、cpg、cs、cg分别为所述风光混合储能系统中的风力发电设备、光伏发电设备、光热电站、燃料电池、电解槽、抽水蓄能设备、电化学储能设备、燃气锅炉的单位运维成本；在预设时间段T内的t时刻，Pw,t为所述风力发电设备的发电功率,Ppv,t为所述光伏发电设备的发电功率,Ps,ch,t和Ps,dis,t分别为所述电化学储能设备的充电功率和放电功率；Hg,t为所述燃气锅炉的输出功率，Hhfc,h,t为所述燃料电池的热输出功率，Htes,hl,t为所述光热电站用于发电的热量，Pcsp,t为所述光热电站的发电功率，Phfc,e,t为所述燃料电池的电输出功率，Pec,t为所述电解槽的输入功率，Ppump,t为所述抽水蓄能设备中抽水泵的抽水功率，Pgen,t为所述抽水蓄能设备中发电机的发电功率。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理单元执行时实现权利要求1-5任一项所述的风光混合储能系统的运行优化方法。
8.一种电子设备，其特征在于，包括：
处理单元；以及
存储单元，用于存储所述处理单元的可执行指令；
其中，所述处理单元配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的风光混合储能系统的运行优化方法。
CN202311309623.2A 2023-10-11 2023-10-11 风光混合储能系统的运行优化方法、系统、介质及设备 Active CN117060491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311309623.2A CN117060491B (zh) 2023-10-11 2023-10-11 风光混合储能系统的运行优化方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311309623.2A CN117060491B (zh) 2023-10-11 2023-10-11 风光混合储能系统的运行优化方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN117060491A CN117060491A (zh) 2023-11-14
CN117060491B true CN117060491B (zh) 2024-01-30

Family

ID=88661236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311309623.2A Active CN117060491B (zh) 2023-10-11 2023-10-11 风光混合储能系统的运行优化方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN117060491B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019165701A1 (zh) * 2018-02-28 2019-09-06 东南大学 一种交直流混联微网的随机鲁棒耦合型优化调度方法
CN111342450A (zh) * 2020-03-07 2020-06-26 西南交通大学 考虑不确定光伏与负荷的牵引供电系统鲁棒能量管理方法
CN115860413A (zh) * 2022-12-23 2023-03-28 南昌大学 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网系统经济调度方法
CN115995790A (zh) * 2022-11-25 2023-04-21 华中科技大学 一种配电网故障恢复方法、系统、设备及介质
CN116316888A (zh) * 2023-03-17 2023-06-23 国网青海省电力公司 氢电耦合系统的优化调度方法、系统及装置
CN116341703A (zh) * 2023-01-04 2023-06-27 国网电力科学研究院有限公司 一种园区综合能源系统运行优化方法、系统、介质及设备
CN116683545A (zh) * 2023-06-12 2023-09-01 国网能源研究院有限公司 一种电网储能优化配置方法、装置和计算机设备
CN116826729A (zh) * 2023-06-29 2023-09-29 东北电力大学 计及风、光不确定性的多源联合系统鲁棒优化配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105140917B (zh) * 2015-09-06 2017-05-10 清华大学 适用于不确定性环境下的主动配电网鲁棒恢复控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019165701A1 (zh) * 2018-02-28 2019-09-06 东南大学 一种交直流混联微网的随机鲁棒耦合型优化调度方法
CN111342450A (zh) * 2020-03-07 2020-06-26 西南交通大学 考虑不确定光伏与负荷的牵引供电系统鲁棒能量管理方法
CN115995790A (zh) * 2022-11-25 2023-04-21 华中科技大学 一种配电网故障恢复方法、系统、设备及介质
CN115860413A (zh) * 2022-12-23 2023-03-28 南昌大学 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网系统经济调度方法
CN116341703A (zh) * 2023-01-04 2023-06-27 国网电力科学研究院有限公司 一种园区综合能源系统运行优化方法、系统、介质及设备
CN116316888A (zh) * 2023-03-17 2023-06-23 国网青海省电力公司 氢电耦合系统的优化调度方法、系统及装置
CN116683545A (zh) * 2023-06-12 2023-09-01 国网能源研究院有限公司 一种电网储能优化配置方法、装置和计算机设备
CN116826729A (zh) * 2023-06-29 2023-09-29 东北电力大学 计及风、光不确定性的多源联合系统鲁棒优化配置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Feasibility Pump Based Solution Algorithm for Two-Stage Robust Optimization With Integer Recourses of Energy Storage Systems;Cuo Zhang et al.;《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》;第3卷(第12期);第1834-1837页 *
计及源荷不确定性的微电网分布鲁棒优化调度;吴胥悦等;《能源工程》(第3期);第89-96页 *

Also Published As

Publication number Publication date
CN117060491A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
García-Triviño et al. Optimized operation combining costs, efficiency and lifetime of a hybrid renewable energy system with energy storage by battery and hydrogen in grid-connected applications
Ge et al. Increasing operational flexibility of integrated energy systems by introducing power to hydrogen
CN109103929B (zh) 基于改进动态克里丝金模型的配电网经济优化调度方法
Howlader et al. Distributed generation incorporated with the thermal generation for optimum operation of a smart grid considering forecast error
Zhou et al. Optimal sizing design and integrated cost-benefit assessment of stand-alone microgrid system with different energy storage employing chameleon swarm algorithm: A rural case in Northeast China
CN111293682B (zh) 一种基于协同模型预测控制的多微网能量管理方法
Ma et al. Techno-economic optimization of hybrid solar system with energy storage for increasing the energy independence in green buildings
Li et al. Optimized operation of hybrid system integrated with MHP, PV and PHS considering generation/load similarity
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
CN113435659B (zh) 基于场景分析的综合能源系统两阶段优化运行方法及系统
CN115099590A (zh) 计及光荷不确定性的主动配电网经济优化调度方法及系统
CN117060491B (zh) 风光混合储能系统的运行优化方法、系统、介质及设备
CN115759360A (zh) 风光氢储耦合系统两阶段优化规划方法、系统及介质
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
CN115313508A (zh) 一种微电网储能优化配置方法、装置及存储介质
CN115085227A (zh) 一种微电网源储容量配置方法及装置
Alkano et al. Distributed MPC for Power-to-Gas facilities embedded in the energy grids
Liu et al. Capacity optimization of Energy Storage Based on Intelligent optimization Algorithm and Photovoltaic Power Prediction Error Data
CN116914861B (zh) 基于模型预测控制的风储电站经济优化调度方法及系统
Ali et al. Hierarchical control combined with higher order sliding mode control for integrating wind/tidal/battery/hydrogen powered DC offshore microgrid
Zhang et al. An optimal capacity allocation method for integrated energy systems considering uncertainty
Bouaouda et al. Design and Economic Analysis of a Stand-alone microgrid system using Dandelion Optimizer-A rural case in Southwest Morocco
CN117913805A (zh) 考虑源荷不确定性的分布式储能随机鲁棒规划方法与系统
Manzano et al. Economic Predictive Control for Microgrids Based on Real World Demand/Renewable Energy Data and Forecast Uncertainties
CN114039369A (zh) 用于提升新能源消纳的储能多点定容与运行方法及系统

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