CN117154746A - 一种考虑光伏出力不确定性的微电网日前优化调度方法 - Google Patents
一种考虑光伏出力不确定性的微电网日前优化调度方法 Download PDFInfo
- Publication number
- CN117154746A CN117154746A CN202311126849.9A CN202311126849A CN117154746A CN 117154746 A CN117154746 A CN 117154746A CN 202311126849 A CN202311126849 A CN 202311126849A CN 117154746 A CN117154746 A CN 117154746A
- Authority
- CN
- China
- Prior art keywords
- power
- grid
- micro
- cost
- follows
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 60
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000004146 energy storage Methods 0.000 claims description 47
- 230000005611 electricity Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 30
- 238000007599 discharging Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 15
- 230000009194 climbing Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H02J3/12—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
- H02J3/38—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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑光伏出力不确定性的微电网日前优化调度方法，应用于光储燃气轮机协同的微电网领域，包括：构建假设光伏出力无偏差的微电网总运行成本最小为目标的第一阶段确定性优化模型；针对光伏出力偏差，基于仿射约束建立对系统功率平衡进行再调度的再调度模型，得到系统功率平衡再调度成本；用光伏出力偏差的经验概率分布逼近真实概率分布，构建基于Wasserstein距离的模糊集，结合再调度成本，构建极端场景光伏出力偏差导致系统再调度成本最小为目标的第二阶段鲁棒优化模型，与第一阶段确定性优化模型结合，形成考虑光伏出力不确定性的二阶段概率分布鲁棒优化模型，得到兼具鲁棒性和经济型的日前优化调度策略。
Description
技术领域
本发明涉及光储燃气轮机协同的微电网领域，特别涉及一种考虑光伏出力不确定性的微电网日前优化调度方法。
背景技术
能源安全问题一直是未来能源布局上的重中之重，及时进行合理的战略规划，早日实现碳中和，对于解决能源安全问题具有重要意义。
为了深入贯彻落实新能源发展战略部署，除建设大型集中式新能源发电基地外，在中低压配网侧，充分利用厂区及楼宇的屋顶、空地等剩余空间，因地制宜，建设小型微电网系统，实现新能源的就地消纳、自给自足，能有效减少输电线路建设成本与输电损耗，是新能源战略的关键环节之一。但是，接入光伏等新能源的小型微电网系统面临电力供应侧波动、发用电时空不匹配、经济收益不高等问题，为提高含概率分布式能源的小型配电网的“系统友好性”和“经济友好性”，迫切需要研究考虑概率分布式能源不确定性的微电网鲁棒优化调度策略。
为此，如何提供一种考虑光伏出力不确定性的微电网日前优化调度方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提出了一种考虑光伏出力不确定性的微电网日前优化调度方法。不仅建立了考虑光伏出力不确定性的概率分布鲁棒优化模型，求解得到了兼具鲁棒性和经济型的日前优化调度策略，还考虑了需求侧响应切负荷对用户的影响，提高了用户侧用电满意程度。
为了实现上述目的，本发明采用如下技术方案：
一种考虑光伏出力不确定性的微电网目前优化调度方法，包括：
步骤(1)：构建含燃气轮机、需求侧响应负荷、储能以及微网购电的微电网数学模型，形成假设光伏出力无偏差的微电网总运行成本最小为目标的第一阶段确定性优化模型；
步骤(2)：针对光伏出力偏差引起的系统功率不平衡，基于仿射约束建立所述燃气轮机、需求侧响应负荷、储能以及微网购电的再调度模型，对系统功率平衡进行再调度，重构系统功率平衡约束，得到系统功率平衡再调度成本；
步骤(3)：基于Wasserstein度量，构建δpv，t模糊集，用δpv，t的经验概率分布PK去逼近δpv，t的真实概率分布P，构建基于Wasserstein距离的δpv，t模糊集，结合系统功率平衡再调度成本，构建极端场景下光伏出力偏差导致系统再调度成本最小为目标的第二阶段鲁棒优化模型；
步骤(4)：将第一阶段确定性优化模型和第二阶段鲁棒优化模型结合，形成考虑光伏出力不确定性的二阶段概率分布鲁棒优化模型，求解得到极端场景下具有鲁棒性的微电网目前优化调度策略。
可选的，步骤(1)中，第一阶段确定性优化模型，如下：
F(x)＝fgas+fcut+fbat+fin；
其中，fgas、fcut、fbat、fin分别为燃气轮机的运行成本、需求测响应切负荷的补偿成本、储能的运行成本、微电网从上级电网的购电成本；
燃气轮机的运行成本，如下：
其中，Ph，t、Ch，t(Ph，t)、分别为第h个燃气轮机机组t时段的功率、运行成本、开机成本、停机成本；ah、bh、ch为成本系数；H为燃气轮机的个数；T为总调度时长；
需求测响应切负荷的补偿成本，如下：
Cn,t＝αnλt；
其中，Pn，t为切负荷功率；Cn，t为切负荷补偿成本；αn为补偿系数；λt为分时电价；N为算例节点数；
储能的运行成本，如下：
其中，和/>分别为储能的充电成本和放电成本；/>和/>分别为储能的充电功率和放电功率系数；η为储能的充放电效率；M为储能个数；
微电网从上级电网的购电成本，如下：
其中，λt为分时电价；Pin，t为微电网从上级电网的购电功率。
可选的，步骤(1)中，第一阶段确定性优化模型的约束条件，包括：
功率平衡约束，如下：
其中，Ph，t为第h个燃气轮机机组t时段的功率；为光伏预测出力；Pin，t为微电网向从上级电网的购电功率；/>为负荷功率；Pn，t为切负荷功率；/>和/>分别为储能的充电功率和放电功率；H为燃气轮机的个数；N为算例节点数；M为储能个数；PV为光伏组件总数；
燃气轮机约束，包括：
出力上下限约束，如下：
其中，为燃气轮机的二进制状态变量；Ph，min和Ph，max分别为燃气轮机出力的下限和上限；
热备用约束，如下：
其中，ρ为热备用系数；
爬坡约束，如下：
其中，Ph，t-1为第h个燃气轮机机组t-1时段的功率；和/>分别为上下爬坡速率；/>和/>分别为最大上下爬坡容量；
最小启停时间约束，如下：
其中，TOh为燃气轮机最小启动时间；TSh为燃气轮机最小关停时间；T为求和过程中的计算变量；
启动和关停成本约束，如下：
其中，和/>分别为第h个燃气轮机机组t时段的开机成本和停机成本；Oh和Sh分别为燃气轮机启动和关停的成本系数；/>和/>分别为燃气轮机的二进制启动变量和二进制关停变量；
状态耦合约束，如下：
光伏出力约束，如下：
其中，为光伏真实出力；/>为光伏实际最大出力；
储能约束，如下：
其中，为储能最大充放电功率；η为储能的充放电效率；T为总调度时长；
微电网从上级电网的购电约束，如下：
其中，为购电功率上限；
潮流安全约束，如下：
其中，Pl，t为线路潮流功率；和/>分别为线路潮流的下限和上限；Gl-h、Gl-pv、Gl-m、Gl-in、Gl-n分别为线路-燃气轮机的潮流转移概率分布因子、线路-光伏的潮流转移概率分布因子、线路-储能的潮流转移概率分布因子、线路-从上级电网购电的潮流转移概率分布因子以及线路-负荷的潮流转移概率分布因子。
可选的，步骤(2)中，再调度模型，如下：
其中，分别为实际的燃气轮机出力、需求侧响应切负荷功率、微电网从上级电网购电功率、储能放电功率、储能充电功率；/>分别为燃气轮机再调度功率、需求侧响应切负荷再调度功率、微电网从上级电网购电再调度功率、储能放电再调度功率、储能充电再调度功率。
可选的，步骤(2)中，再调度的功率平衡约束，如下：
其中，δpv，t为光伏出力偏差；为光伏真实出力，/>为光伏预测出力；分别为燃气轮机再调度功率、需求侧响应切负荷再调度功率、微电网从上级电网购电再调度功率、储能放电再调度功率、储能充电再调度功率；H为燃气轮机的个数；N为算例节点数；M为储能个数；PV为光伏组件总数。
可选的，步骤(3)中，δpv，t模糊集，如下：
Ep[gr(δ)]＝Ep[max(δpv，t，r-Cpv，t，r，0)]≤γr；
其中，δpv，t为光伏出力偏差；δmax和δmin分别为光伏出力偏差的不确定性样本集δ的上下界；Ep(δ)为光伏出力偏差的期望值；P0(δ)为光伏出力偏差所有概率分布的集合；gr(δ)为一个分段线性函数；r为分段数；Cpv，t，r为分段截止常数；γr为常数；δpv，t，r为t时刻第r个分段的出力偏差。
可选的，步骤(3)中，用δpv，t的经验概率分布PK去逼近δpv，t的真实概率分布P，如下：
其中，K为样本数；P为光伏出力偏差的真实概率分布；PK为光伏出力偏差的经验概率分布，如下：
其中，dk是光伏出力偏差的不确定性样本δk的迪利克雷测度。
可选的，步骤(3)中，基于Wasserstein距离的δpv，t模糊集，如下：
其中，基于Wasserstein距离的模糊集Wδ为一个以PK为球心，R(K)为半径的球，P为光伏出力偏差的真实概率分布，概率分布在球面上；F为δpv，t模糊集；
W(PK，P)为Wasserstein距离，如下：
其中，ξK和ξ分别为服从PK和P的随机变量；Π为ξK和ξ的联合概率分布；||||为1-范数；
半径R(K)，如下：
其中，β为置信度；ε为中间辅助变量；δk为光伏出力偏差的不确定性样本；δu为样本均值。
可选的，步骤(3)中，第二阶段鲁棒优化模型，如下：
其中，f(x，δ)为再调度成本；分别为所述燃气轮机、需求侧响应切负荷、储能以及微电网向上级电网购电的再调度成本；Wδ为基于Wasserstein距离的模糊集；sup为寻找极端场景。
可选的，步骤(4)中，二阶段概率分布鲁棒优化模型，如下：
其中，min为成本最小；F(x)为第一阶段确定性优化模型；为第二阶段鲁棒优化模型；Wδ为基于Wasserstein距离的模糊集；sup为寻找极端场景；f(x，δ)为再调度成本。
经由上述的技术方案可知，与现有技术相比，本发明提出了一种考虑光伏出力不确定性的微电网日前优化调度方法。通过基于Wasserstein度量，构建δpv，t模糊集，用δpv，t的经验概率分布PK去逼近δpv，t的真实概率分布P，构建基于Wasserstein距离的δpv，t模糊集，并结合针对光伏出力偏差引起的系统功率不平衡，对系统功率平衡进行再调度，重构系统功率平衡约束，得到的系统功率平衡再调度成本，构建极端场景下光伏出力偏差导致系统再调度成本最小为目标的第二阶段鲁棒优化模型，考虑了光伏出力的不确定性，使得由最终构建的概率分布鲁棒优化模型得到兼具鲁棒性和经济型的日前优化调度策略；且在考虑了燃气轮机、储能以及微网购电的复杂并网微电网场景的基础上并入了需求侧响应切负荷，考虑到了用户侧用电满意程度的影响，使得系统需求侧响应切负荷尽可能避开用电高峰，提升用户侧用电满意程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图。
图2为本发明的微电网日前优化调度策略示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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1：
本发明实施例1公开了一种考虑光伏出力不确定性的微电网日前优化调度方法，如图1所示，包括：
步骤(1)：构建含燃气轮机、需求侧响应负荷、储能以及微网购电的微电网数学模型，形成假设光伏出力无偏差的微电网总运行成本最小为目标的第一阶段确定性优化模型；
第一阶段确定性优化模型，如下：
F(x)＝fgas+fcut+fbat+fin；
其中，fgas、fcut、fbat、fin分别为燃气轮机的运行成本、需求测响应切负荷的补偿成本、储能的运行成本、微电网从上级电网的购电成本； 为燃气轮机的二进制状态向量；/>分别为燃气轮机的二进制状态变量、二进制启动变量、二进制关停变量；/>为燃气轮机机组运行在工作状态，/>为燃气轮机机组在关停状态；
燃气轮机的运行成本，如下：
其中，Ph，t、Ch，t(Ph，t)、分别为第h个燃气轮机机组t时段的功率、运行成本、开机成本、停机成本；ah、bh、ch为成本系数；H为燃气轮机的个数；T为总调度时长；
需求测响应切负荷的补偿成本，如下：
Cn，t＝αnλt；
其中，Pn，t为切负荷功率；Cn，t为切负荷补偿成本；αn为补偿系数；λt为分时电价；N为算例节点数；
储能的运行成本，如下：
其中，和/>分别为储能的充电成本和放电成本；/>和/>分别为储能的充电功率和放电功率系数；η为储能的充放电效率；M为储能个数；
微电网从上级电网的购电成本，如下：
其中，λt为分时电价；Pin，t为微电网从上级电网的购电功率。
第一阶段确定性优化模型的约束条件，包括：
功率平衡约束，如下：
其中，Ph，t为第h个燃气轮机机组t时段的功率；为光伏预测出力；Pin，t为微电网向从上级电网的购电功率；/>为负荷功率；Pn，t为切负荷功率；/>和/>分别为储能的充电功率和放电功率；H为燃气轮机的个数；N为算例节点数；M为储能个数；PV为光伏组件总数；
燃气轮机约束，包括：
出力上下限约束，如下：
其中，为燃气轮机的二进制状态变量；Ph，min和Ph，max分别为燃气轮机出力的下限和上限；
热备用约束，如下：
其中，ρ为热备用系数；
爬坡约束，如下：
其中，Ph，t-1为第h个燃气轮机机组t-1时段的功率；和/>分别为上下爬坡速率；/>和/>分别为最大上下爬坡容量；
最小启停时间约束，如下：
其中，TOh为燃气轮机最小启动时间；TSh为燃气轮机最小关停时间；τ为求和过程中的计算变量；
启动和关停成本约束，如下：
其中，和/>分别为第h个燃气轮机机组t时段的开机成本和停机成本；Oh和Sh分别为燃气轮机启动和关停的成本系数；/>和/>分别为燃气轮机的二进制启动变量和二进制关停变量；
状态耦合约束，如下：
光伏出力约束，如下：
其中，为光伏真实出力；/>为光伏实际最大出力；
储能约束，如下：
其中，为储能最大充放电功率；η为储能的充放电效率；T为总调度时长；
微电网从上级电网的购电约束，如下：
其中，为购电功率上限；
潮流安全约束，如下：
其中，Pl，t为线路潮流功率；和/>分别为线路潮流的下限和上限；Gl-h、Gl-pv、Gl-m、Gl-in、Gl-n分别为线路-燃气轮机的潮流转移概率分布因子(power transferdistribution factor，PTDF)、线路-光伏的潮流转移概率分布因子、线路-储能的潮流转移概率分布因子、线路-从上级电网购电的潮流转移概率分布因子以及线路-负荷的潮流转移概率分布因子。
步骤(2)：假设建模过程中系统的不确定性仅来源于光伏出力偏差，则用δ＝{δ1，δ2，…,δK}表示光伏出力偏差的不确定性样本集，针对光伏出力偏差(由光伏真实出力与光伏预测出力作差得到，光伏预测出力由光伏功率预测获取)引起的系统功率不平衡，基于仿射约束建立所述燃气轮机、需求侧响应负荷、储能以及微网购电的再调度模型，对系统功率平衡进行再调度，重构系统功率平衡约束，得到系统功率平衡再调度成本；；
再调度模型，如下：
其中，分别为实际的燃气轮机出力、需求侧响应切负荷功率、微电网从上级电网购电功率、储能放电功率、储能充电功率；/>分别为燃气轮机再调度功率、需求侧响应切负荷再调度功率、微电网从上级电网购电再调度功率、储能放电再调度功率、储能充电再调度功率，由此代入第一阶段确定性优化模型，得到燃气轮机、需求侧响应负荷、储能以及微电网向上级电网购电的再调度成本。
再调度的功率平衡约束，如下：
其中，δpv，t为光伏出力偏差，δpv，t∈{δ1、δ2、…、δK}，{δ1、δ2、…、δK}为光伏出力偏差的不确定性样本集δ；为光伏真实出力；/>为光伏预测出力；/>分别为燃气轮机再调度功率、需求侧响应切负荷再调度功率、微电网从上级电网购电再调度功率、储能放电再调度功率、储能充电再调度功率；H为燃气轮机的个数；N为算例节点数；M为储能个数；PV为光伏组件总数。
步骤(3)：构建模糊集是概率分布鲁棒优化方法的核心，它对模型的数学变换和求解以及优化结果的保守性至关重要。基于Wasserstein度量的模糊集可以度量两个概率分布之间的“距离”，从而使经验概率分布PK和真实概率分布P之间的“距离”最小。因此，对历史数据做光伏出力预测，得到预测光伏出力与真实光伏出力Ppv，t作差得到光伏出力偏差δpv，t，并基于Wasserstein度量，构建δpv，t模糊集，用δpv，t的经验概率分布PK去逼近δpv，t的真实概率分布P，构建基于Wasserstein距离的δpv，t模糊集，结合系统功率平衡再调度成本，构建极端场景下光伏出力偏差导致系统再调度成本最小为目标的第二阶段鲁棒优化模型；
δpv，t模糊集，如下：
Ep[gr(δ)]＝Ep[max(δpv，t，r-Cpv，t，r，0)]≤γr；
其中，δpv，t为光伏出力偏差；δmax和δmin分别为光伏出力偏差的不确定性样本集δ的上下界；Ep(δ)为光伏出力偏差的期望值；P0(δ)为光伏出力偏差所有概率分布的集合；gr(δ)为一个分段线性函数，可以通过分段细化不确定集δ中的元素，它的意义在于通过分段细化手段将原有不确定集进行扩充，以便于计算中更容易在相应的区间内寻找到真实的光伏出力偏差值；r为分段数，设置r＝3；Cpv，t，r为分段截止常数；γr为常数；
不确定集δ的真实概率分布P难以计算，因此使用Wasserstein的理论，以光伏出力偏差的经验概率分布PK逼近真实概率分布P，如下：
其中，K为样本数；P为光伏出力偏差的真实概率分布；PK为光伏出力偏差的经验概率分布，如下：
其中，dk是光伏出力偏差的不确定性样本δk的迪利克雷测度。
Wasserstein距离，定义如下：
其中，ξK和ξ分别为服从PK和P的随机变量；Π为ξK和ξ的联合概率分布；||||为1-范数；
则基于Wasserstein距离的模糊集，如下：
其中，基于Wasserstein距离的模糊集Wδ为一个以PK为球心，R(K)为半径的球，P为光伏出力偏差的真实概率分布，概率分布在球面F上；PK可以求解，但是P不行，当K足够大时，R(K)足够小，PK足够接近P；
半径R(K)，如下：
其中，β为置信度；ε为中间辅助变量；δk为光伏出力偏差的不确定性样本；δu为样本均值。
第二阶段鲁棒优化模型，如下：
其中，f(x，δ)为当光伏出力产生偏差时，系统内的资源需要消除其对系统功率平衡的不利影响，从而产生的再调度成本；分别为燃气轮机、需求侧响应负荷、储能以及微电网向上级电网购电的再调度成本，在表达形式上与fgas、fcut、fbat、fin完全相同；Wδ为基于Wasserstein距离的模糊集；sup为寻找极端场景。
可选的，步骤(4)中，概率分布鲁棒优化模型，如下：
这是一个典型的min-max结构的模型，其中，最外层的min为寻找成本最小的策略；F(x)为第一阶段确定性优化模型；为第二阶段鲁棒优化模型；Wδ为基于Wasserstein距离的模糊集；内层的sup为寻找极端场景；f(x，δ)为当光伏出力产生偏差时，系统内的资源需要消除其对系统功率平衡的不利影响，从而产生的再调度成本。
步骤(4)：将第一阶段确定性优化模型和第二阶段鲁棒优化模型结合(第一阶段确定性优化模型为不考虑光伏出力不确定性的确定性优化模型，为假设光伏出力无偏差的基础调度优化；第二阶段鲁棒优化模型为考虑光伏出力不确定性的概率分布鲁棒优化模型，为考虑光伏出力偏差的系统平衡再调度优化)，形成考虑光伏出力不确定性的二阶段概率分布鲁棒优化模型，在MATLAB平台上，调用CPLEX求解器求解得到由基于时间序列的储能的充放电功率、燃气轮机出力、需求侧响应切负荷功率以及微电网与大电网的购电功率汇总形成的极端场景下具有鲁棒性的微电网目前优化调度策略，如图2所示，由图2可进一步得出：从0时到8时，因燃气轮机机组检修需要，采用从上级电网购电、储能放电、需求侧响应切负荷、风力发电等方式供电；从8时到24时，燃气轮机机组承担主要供电工作。储能停止放电，充电补充电能。在此期间，风力发电产生的电能主要被储能存储，同时也提高了风电的消纳率。需求侧减少了减载量，提高了白天和晚上用电高峰的舒适性。
本发明实施例公开了一种考虑光伏出力不确定性的微电网日前优化调度方法。通过基于Wasserstein度量，构建δpv，t模糊集，用δpv，t的经验概率分布PK去逼近δpv，t的真实概率分布P，构建基于Wasserstein距离的δpv，t模糊集，并结合针对光伏出力偏差引起的系统功率不平衡，对系统功率平衡进行再调度，重构系统功率平衡约束，得到的系统功率平衡再调度成本，构建极端场景下光伏出力偏差导致系统再调度成本最小为目标的第二阶段鲁棒优化模型，考虑了光伏出力的不确定性，使得由最终构建的概率分布鲁棒优化模型得到兼具鲁棒性和经济型的日前优化调度策略；且在考虑了燃气轮机、储能以及微网购电的复杂并网微电网场景的基础上并入了需求侧响应切负荷，考虑到了用户侧用电满意程度的影响，使得系统需求侧响应切负荷尽可能避开用电高峰，提升用户侧用电满意程度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，包括：
步骤(1)：构建含燃气轮机、需求侧响应负荷、储能以及微网购电的微电网数学模型，形成假设光伏出力无偏差的微电网总运行成本最小为目标的第一阶段确定性优化模型；
步骤(2)：针对光伏出力偏差引起的系统功率不平衡，基于仿射约束建立所述燃气轮机、需求侧响应负荷、储能以及微网购电的再调度模型，对系统功率平衡进行再调度，重构系统功率平衡约束，得到系统功率平衡再调度成本；
步骤(3)：基于Wasserstein度量，构建δpv,t模糊集，用δpv,t的经验概率分布PK去逼近δpv,t的真实概率分布P，构建基于Wasserstein距离的δpv,t模糊集，结合所述系统功率平衡再调度成本，构建极端场景下光伏出力偏差导致系统再调度成本最小为目标的第二阶段鲁棒优化模型；
步骤(4)：将所述第一阶段确定性优化模型和所述第二阶段鲁棒优化模型结合，形成考虑光伏出力不确定性的二阶段概率分布鲁棒优化模型，求解得到极端场景下具有鲁棒性的微电网日前优化调度策略。
2.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(1)中，所述第一阶段确定性优化模型，如下：
F(x)＝fgas+fcut+fbat+fin；
其中，fgas、fcut、Fbat、fin分别为燃气轮机的运行成本、需求测响应切负荷的补偿成本、储能的运行成本、微电网从上级电网的购电成本；
所述燃气轮机的运行成本，如下：
其中，Ph,t、Ch,t(Ph,t)、分别为第h个燃气轮机机组t时段的功率、运行成本、开机成本、停机成本；ah、bh、ch为成本系数；H为燃气轮机的个数；T为总调度时长；
所述需求测响应切负荷的补偿成本，如下：
Cn,t＝αnλt；
其中，Pn,t为切负荷功率；Cn,t为切负荷补偿成本；αn为补偿系数；λt为分时电价；N为算例节点数；
所述储能的运行成本，如下：
其中，和/>分别为储能的充电成本和放电成本；/>和/>分别为储能的充电功率和放电功率系数；η为储能的充放电效率；M为储能个数；
所述微电网从上级电网的购电成本，如下：
其中，λt为分时电价；Pin,t为微电网从上级电网的购电功率。
3.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(1)中，所述第一阶段确定性优化模型的约束条件，包括：
功率平衡约束，如下：
其中，Ph,t为第h个燃气轮机机组t时段的功率；为光伏预测出力；Pin,t为微电网向从上级电网的购电功率；/>为负荷功率；Pn,t为切负荷功率；/>和/>分别为储能的充电功率和放电功率；H为燃气轮机的个数；N为算例节点数；M为储能个数；PV为光伏组件总数；
燃气轮机约束，包括：
出力上下限约束，如下：
其中，为燃气轮机的二进制状态变量；Ph,min和Ph,max分别为燃气轮机出力的下限和上限；
热备用约束，如下：
其中，ρ为热备用系数；
爬坡约束，如下：
其中，Ph,t-1为第h个燃气轮机机组t-1时段的功率；和/>分别为上下爬坡速率；/>和/>分别为最大上下爬坡容量；
最小启停时间约束，如下：
其中，TOh为燃气轮机最小启动时间；TSh为燃气轮机最小关停时间；τ为求和过程中的计算变量；
启动和关停成本约束，如下：
其中，和/>分别为第h个燃气轮机机组t时段的开机成本和停机成本；Oh和Sh分别为燃气轮机启动和关停的成本系数；/>和/>分别为燃气轮机的二进制启动变量和二进制关停变量；
状态耦合约束，如下：
光伏出力约束，如下：
其中，为光伏真实出力；/>为光伏实际最大出力；
储能约束，如下：
其中，为储能最大充放电功率；η为储能的充放电效率；T为总调度时长；
微电网从上级电网的购电约束，如下：
其中，为购电功率上限；
潮流安全约束，如下：
其中，Pl,t为线路潮流功率；和/>分别为线路潮流的下限和上限；Gl-h、Gl-pv、Gl-m、Gl-in、Gl-n分别为线路-燃气轮机的潮流转移概率分布因子、线路-光伏的潮流转移概率分布因子、线路-储能的潮流转移概率分布因子、线路-从上级电网购电的潮流转移概率分布因子以及线路-负荷的潮流转移概率分布因子。
4.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(2)中，所述再调度模型，如下：
其中，分别为实际的燃气轮机出力、需求侧响应切负荷功率、微电网从上级电网购电功率、储能放电功率、储能充电功率；/>分别为燃气轮机再调度功率、需求侧响应切负荷再调度功率、微电网从上级电网购电再调度功率、储能放电再调度功率、储能充电再调度功率。
5.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(2)中，所述再调度的功率平衡约束，如下：
其中，δpv,t为光伏出力偏差；为光伏真实出力，/>为光伏预测出力；分别为燃气轮机再调度功率、需求侧响应切负荷再调度功率、微电网从上级电网购电再调度功率、储能放电再调度功率、储能充电再调度功率；H为燃气轮机的个数；N为算例节点数；M为储能个数；PV为光伏组件总数。
6.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(3)中，δpv,t模糊集，如下：
Ep[gr(δ)]＝Ep[max(δpv,t,r-Cpv,t,r,0)]≤γr；
其中，δpv,t为光伏出力偏差；δmax和δmin分别为光伏出力偏差的不确定性样本集δ的上下界；Ep(δ)为光伏出力偏差的期望值；P0(δ)为光伏出力偏差所有概率分布的集合；gr(δ)为一个分段线性函数；r为分段数；Cpv,t,r为分段截止常数；γr为常数；δpv,t,r为t时刻第r个分段的出力偏差。
7.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(3)中，用δpv,t的经验概率分布PK去逼近δpv,t的真实概率分布P，如下：
其中，K为样本数；P为光伏出力偏差的真实概率分布；PK为光伏出力偏差的经验概率分布，如下：
其中，dk是光伏出力偏差的不确定性样本δk的迪利克雷测度。
8.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(3)中，基于Wasserstein距离的δpv,t模糊集，如下：
其中，基于Wasserstein距离的模糊集Wδ为一个以PK为球心，R(K)为半径的球，P为光伏出力偏差的真实概率分布，概率分布在球面上；F为δpv,t模糊集；
W(PK,P)为Wasserstein距离，如下：
其中，ξK和ξ分别为服从PK和P的随机变量；Π为ξK和ξ的联合概率分布；|| ||为1-范数；
半径R(K)，如下：
其中，β为置信度；ε为中间辅助变量；δk为光伏出力偏差的不确定性样本；δu为样本均值。
9.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(3)中，所述第二阶段鲁棒优化模型，如下：
其中，f(x,δ)为再调度成本；分别为所述燃气轮机、需求侧响应切负荷、储能以及微电网向上级电网购电的再调度成本；Wδ为基于Wasserstein距离的模糊集；sup为寻找极端场景。
10.根据权利要求1所述的一种考虑光伏出力不确定性的微电网日前优化调度方法，其特征在于，步骤(4)中，所述二阶段概率分布鲁棒优化模型，如下：
其中，min为成本最小；F(x)为第一阶段确定性优化模型；为第二阶段鲁棒优化模型；Wδ为基于Wasserstein距离的模糊集；sup为寻找极端场景；f(x,δ)为再调度成本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126849.9A CN117154746A (zh) | 2023-09-01 | 2023-09-01 | 一种考虑光伏出力不确定性的微电网日前优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126849.9A CN117154746A (zh) | 2023-09-01 | 2023-09-01 | 一种考虑光伏出力不确定性的微电网日前优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117154746A true CN117154746A (zh) | 2023-12-01 |
Family
ID=88911552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311126849.9A Pending CN117154746A (zh) | 2023-09-01 | 2023-09-01 | 一种考虑光伏出力不确定性的微电网日前优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117154746A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422183A (zh) * | 2023-12-18 | 2024-01-19 | 国网四川省电力公司 | 机组检修优化方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109980685A (zh) * | 2019-04-02 | 2019-07-05 | 东南大学 | 一种考虑不确定性的主动配电网分布式优化运行方法 |
| CN110009262A (zh) * | 2019-04-28 | 2019-07-12 | 国网福建省电力有限公司福州供电公司 | 一种主动配电网的日前-日内两阶段优化调度方法 |
| CN115688970A (zh) * | 2022-09-21 | 2023-02-03 | 三峡大学 | 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法 |
-
2023
- 2023-09-01 CN CN202311126849.9A patent/CN117154746A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109980685A (zh) * | 2019-04-02 | 2019-07-05 | 东南大学 | 一种考虑不确定性的主动配电网分布式优化运行方法 |
| CN110009262A (zh) * | 2019-04-28 | 2019-07-12 | 国网福建省电力有限公司福州供电公司 | 一种主动配电网的日前-日内两阶段优化调度方法 |
| CN115688970A (zh) * | 2022-09-21 | 2023-02-03 | 三峡大学 | 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| GENGRUI CHEN 等: ""Wasserstein-metric-based distributionally robust optimization method for unit commitment considering wind turbine uncertainty"", ENGINEERING REPORTS, 31 July 2023 (2023-07-31), pages 1 - 18 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422183A (zh) * | 2023-12-18 | 2024-01-19 | 国网四川省电力公司 | 机组检修优化方法、装置、设备及存储介质 |
| CN117422183B (zh) * | 2023-12-18 | 2024-03-19 | 国网四川省电力公司 | 机组检修优化方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yousif et al. | An optimal dispatch strategy for distributed microgrids using PSO | |
| Daneshvar et al. | Distributionally robust chance-constrained transactive energy framework for coupled electrical and gas microgrids | |
| CN110535185B (zh) | 一种考虑需求响应的含光热电站多源优化运行方法 | |
| CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
| CN112529244B (zh) | 一种考虑电负荷需求响应的综合能源系统协同优化运行法 | |
| CN109687523A (zh) | 一种基于多时间尺度的微电网的运行优化方法 | |
| CN114498639B (zh) | 一种考虑需求响应的多微电网联合互济的日前调度方法 | |
| Boqtob et al. | Microgrid energy management system: a state-of-the-art review. | |
| Kapoor et al. | Optimal charge/discharge scheduling of battery storage interconnected with residential PV system | |
| CN117154746A (zh) | 一种考虑光伏出力不确定性的微电网日前优化调度方法 | |
| CN112163968B (zh) | 一种综合能源储能系统优化调度方法 | |
| Chen et al. | Robust planning-operation co-optimization of energy hub considering precise model of batteries’ economic efficiency | |
| Shanmugapriya et al. | IoT based approach in a power system network for optimizing distributed generation parameters | |
| Attou et al. | Energy Management System for Hybrid Microgrids. | |
| Fard et al. | Evaluation of reliability parameters in micro-grid | |
| Mohamed et al. | Modelling and environmental/economic power dispatch of microgrid using multiobjective genetic algorithm optimization | |
| Gao et al. | Fuzzy decision-based optimal energy dispatch for integrated energy systems with energy storage | |
| Mao et al. | Economic Dispatch of Microgrid Considering Fuzzy Control Based Storage Battery Charging and Discharging. | |
| Zhai et al. | Low carbon economic dispatch of regional integrated energy system considering load uncertainty | |
| CN115619438A (zh) | 基于分析目标级联法的区域热电综合能源调度方法及系统 | |
| CN115333085A (zh) | 考虑灵活性约束的含分布式新能源配电网双层优化调度方法 | |
| Li et al. | Multiobjective Optimization Model considering Demand Response and Uncertainty of Generation Side of Microgrid | |
| Dou et al. | Optimal configuration of multitype energy storage for integrated energy system considering the system reserve value | |
| Gong et al. | Research on scheduling of wind solar energy storage microgrid considering new energy consumption | |
| Xu et al. | Optimal Scheduling Strategy of Microgrid Participating in Upper Power Grid Based on Flexibility of Distributed Power |
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 |