CN117526331A - 计及分布式储能的配电网灵活运行鲁棒优化方法和系统 - Google Patents

计及分布式储能的配电网灵活运行鲁棒优化方法和系统 Download PDF

Info

Publication number
CN117526331A
CN117526331A CN202311487296.XA CN202311487296A CN117526331A CN 117526331 A CN117526331 A CN 117526331A CN 202311487296 A CN202311487296 A CN 202311487296A CN 117526331 A CN117526331 A CN 117526331A
Authority
CN
China
Prior art keywords
energy storage
distribution network
power distribution
power
distributed
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
Application number
CN202311487296.XA
Other languages
English (en)
Inventor
马瑞光
任志超
周友富
陶晓丽
熊江
焦杰
李华强
刘浩然
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.)
State Grid Sichuan Economic Research Institute
Original Assignee
State Grid Sichuan Economic Research Institute
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 State Grid Sichuan Economic Research Institute filed Critical State Grid Sichuan Economic Research Institute
Priority to CN202311487296.XA priority Critical patent/CN117526331A/zh
Publication of CN117526331A publication Critical patent/CN117526331A/zh
Pending legal-status Critical Current

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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • 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
    • 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
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种计及分布式储能的配电网灵活运行鲁棒优化方法和系统，本发明提出的优化方法通过最大化配电网系统运行成本，对出力波动所造成的的最坏情况进行仿真，并通过优化决策变量，使得最恶劣条件下的配电网系统运营成本最小，从而实现储能作为灵活性资源参与配电网的优化运行。本发明利用分布式储能作为灵活性资源，从而提高配电网运行的灵活性，并通过分析不同种类储能的适用场景建立了相应的储能模型，适用未来大规模分布式电源并网的趋势；本发明将配电网中的不确定因素纳入考虑中，相较于传统的确定性优化方法更能适应各种条件的波动；本发明通过场景生成与削减方法选取典型场景减少计算量，提高优化效率。

Description

计及分布式储能的配电网灵活运行鲁棒优化方法和系统
技术领域
本发明属于配电网调度优化技术领域，具体涉及一种计及分布式储能的配电网灵活运行鲁棒优化方法和系统。
背景技术
随着大量可再生能源并网，将给电网运行、管理带来新的挑战。一方面，由于可再生能源具有间歇性和随机性的特点，给电网功率平衡、运行控制带来困难；另一方面分布式能源的大量渗透使配电网由功率单向流动的无源网络变成功率双向流动的有源网络。电源侧高比例可再生能源的接入，将使电网的运行机理、网架架构等发生变化，对配电网的灵活运行提出挑战。由于储能可以根据系统的需求削减或及时转移其储存的电量，可以作为一种灵活性资源参与到配电网的优化调度中。
目前，国内外学者对于配电网中储能的研究主要集中在储能的规划配置和储能的优化运行两个方面。在储能的优化运行方面，国内学者首先建立了考虑储能的配电网经济调度模型。而国内学者在此基础上对用户参与度进行评估，建立了储能的分层分区调度模型。在储能的规划配置方面，主要以储能带来的社会效应最大化、成本最低或者电网的运行收益最大等为目标对储能进行规划，选择储能在配电网中的位置和容量。有学者考虑储能的投资成本、政策补贴等附加收益，以储能的收益最大对储能的优化配置进行研究。也有学者考虑到储能电池的寿命和容量退化，以降低储能的调度总成本为目标建立了电池储能的规划模型，提高储能容量规划的精度，有效降低储能的运行成本。后来又有学者计及用户侧需求响应，提出了统筹运行阶段用户侧需求响应调控措施以及潮流约束的储能配置三层优化模型。然而这些研究并没有把储能作为一种灵活性资源考虑。
针对配电网的最优调度问题，以往所使用的确定性优化算法无法很好地解决由于可再生能源波动带来的不确定性问题。目前，大多研究基于随机规划来解决含可再生能源的配电网经济调度问题。有学者以韦伯分布为基础，以风机功率为概率密度函数，建立了一种考虑风机出力预测误差的经济调度模型。但是随机规划需要大量的历史数据以得到概率密度函数，而伴随历史数据的增加，分析难度会大大提高。鲁棒优化利用不确定集合来描述问题，与随机规划相比，无需大量历史数据对不确定参数进行分析，仅需确定各参数的变动区间即可得到最优解，并且得到的调度方案具有抵御不确定因素的能力，可以适应各种条件的波动。
目前，国内外学者鲁棒优化的研究已有初步成果。国外学者首先利用主动配电网的损失费用为目标函数，利用鲁棒最优方法对电价不确定性进行了分析，并对响应负荷与储能系统的日前经济性进行了深入的分析。而国内学者在此基础上将DG的功率控制和网络拓扑调整纳入考虑范围，提出了一种基于动态分配系统一次运行费用最少的优化调度模型，以不同的微网渗透率对电力系统的网损的影响为依据，以电力系统企业的利益最大化为目标，采用遗传算法进行求解。之后有一些学者综合考虑了主动配电网“源-网-荷”的协同优化，提出了一种以网损最小为目标的经济调度模型，有效地降低了不确定性对系统造成的影响，提高了可再生清洁能源的消纳率。但是鲜有研究考虑将鲁棒优化方法运用到含分布式储能的配电网灵活运行最优调度中。
因此，现有研究大多是从确定性优化的角度对分布式储能在主动配电网中进行配置，缺乏对风险因素造成的不确定性进行考虑，对可能出现的突发事件缺乏相应的应对能力并且无法实现配电网灵活运行最优调度。
发明内容
针对现有技术大多从确定下的角度对分布式储能在主动配电网中进行配置，未将分布式储能作为一种灵活性资源参与配电网灵活运行最优调度中的情况，本发明提供了一种计及分布式储能的配电网灵活运行鲁棒优化方法和系统，本发明将分布式储能作为灵活性资源支撑配电网的灵活运行，有效减缓了风光出力不确定对配电网的影响，提高了可再生能源在主动配电网中的渗透率。
本发明通过下述技术方案实现：
一种计及分布式储能的配电网灵活运行鲁棒优化方法，所述优化方法包括：
分析储能充放电状态和功率大小灵活调节的特性，并建立了相应的储能模型；
考虑配电网运行中的不确定性因素，并采用不确定集合表示分布式能源的出力波动；
采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成所述不确定集合中需要的初始场景，并通过同步回代的方法对所述初始场景进行削减；
建立基于鲁棒优化的配电网灵活运行最优调度模型，对出力波动所造成的最坏情况进行仿真；
对所述配电网灵活运行最优调度模型进行求解，使得最恶劣条件下配电网系统运营成本最小。
本发明提出的优化方法通过最大化配电网系统运行成本，对出力波动所造成的的最坏情况进行仿真，并通过优化决策变量，使得最恶劣条件下的配电网系统运营成本最小，从而实现储能作为灵活性资源参与配电网的优化运行。本发明利用分布式储能作为灵活性资源，从而提高配电网运行的灵活性，并通过分析不同种类储能的适用场景建立了相应的储能模型，适用未来大规模分布式电源并网的趋势，具有相当的实际意义；本发明将配电网中的不确定因素纳入考虑中，相较于传统的确定性优化方法更能适应各种条件的波动；本发明基于拉丁立方抽样法的分布式发电预测误差抽样方法，可以生成不确定集合中需要的初始场景，再通过同步回代法对初始场景进行削减，通过选取典型场景减少计算量，提高优化效率。
作为优选实施方式，本发明的储能系统的输出功率通过PESS来代表，当PESS取不一样的值，把储能系统划分成三种：PESS大于0时，属于放电这种情况，储能向系统释放能量；PESS＝0时，处于浮充状态，储能和电网间没有能量交换；PESS小于0时，处于充电这种情况。
作为优选实施方式，本发明的优化方法采用不确定集合表示分布式能源的出力波动，并考虑储能的等效运维成本，建立含分布式储能的主动配电网灵活运行调度模型，具体表示为：
式中，u表示优化问题里面的不确定变量，U表示离散的、有界的、不确定这一类型变量的集合，x、y、u分别作为各个层次的决策变量，A、b、G、E、M、h表示模型约束条件的系数矩阵，c为第一阶段的决策变量相关的参数，d是第二阶段的决策变量相关的参数，Sx、Sx分别为x、y的取值范围集合。
作为优选实施方式，本发明的优化方法采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成不确定集合中需要的初始场景，具体包括：
将R至U(0,1)的均匀分布划分成N个等概率区间；
在各个周期τ中，从第i个概率区间[(i-1)/N,i/N]中选择一个随机数字pi,τ；
采用正态累积概率分布函数反演的近似公式，得到了相应于pi,τ的预报误差；
将采集到的风电出力预测误差与光伏出力预测误差进行任意合并，得出了分布式电力系统的预测误差。
作为优选实施方式，本发明的优化方法采用同步回代的方法对所述初始场景进行削减，具体包括：
用采取样本点得到的N个原始误差或偏差场景组成的集合；
对场景s和其它场景之间的欧氏距离Ds进行了计算，并获得场景s出现的最小概率距离；
重复上一步骤，直至获得所有场景中的最小概率距离；
从所有场景中的最小概率距离中获得最小值；
削减该最小值对应的场景，并把它与最接近它的场景进行叠加；
重复上述步骤，直到剩下的场景数量达到期望的数量为止。
作为优选实施方式，本发明的优化方法在进行场景削减数量处理过程之前，首先应该标准化各种不同类型的数据，在获得所需场景数量后，统一还原。
作为优选实施方式，本发明的优化方法建立的配电网灵活运行最优调度模型的目标函数和约束条件为：
式中，fES,i(x,p)表示主动配电网购买到上层电力网的成本，fDG,i(x,p)表示储能的运行成本，fGrid(x,p)表示小型燃气涡轮机的成本；可行范围X里面的决策变量用x来表示，包括主动配电网向主网对电量的购买、对电量销售的功率、储能的充电、放电功率以及微型燃气轮机的输出功率；p表示分布式能源输出预测的不确定变量；Pw表示分布式能源的输出不确定集合；Ui表示节点i的电压值；Umin表示系统中的最低电压；Umax表示系统中的最大电压；li表示线路i的传输功率；li,max表示线路i传输功率的上限机极值。
作为优选实施方式，本发明的配电网灵活运行最优调度模型是一个双层优化问题，其中，在内层最大化阶段，首先生成K个分布式发电方案，并选择了其中的极限情景，把存在不确定性情况的变量转化成确定性变量，采用最大化配电网系统运行成本的方法，对出力波动所造成的最恶劣情况进行仿真；在外层最小化阶段，通过优化决策变量，使得最恶劣条件下的系统运营成本最小。
作为优选实施方式，本发明的优化方法采用改进粒子群算法对外层优化问题进行求解。
另一方面，本发明还提出了一种计及分布式储能的配电网灵活运行鲁棒优化系统，所述优化系统包括：
储能分析单元，所述储能分析单元用于分析储能充放电状态和功率大小灵活调节的特性，并建立了相应的储能模型；
不确定性分析单元，所述不确定性分析单元考虑配电网运行中的不确定性因素，并采用不确定集合表示分布式能源的出力波动；
场景生成和削减单元，所述场景生成和削减单元采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成所述不确定集合中需要的初始场景，并通过同步回代的方法对初始场景进行削减；
模型构建单元，所述模型构建单元建立基于鲁棒优化的配电网灵活运行最优调度模型，对出力波动所造成的最坏情况进行仿真；
以及求解单元，所述求解单元对所述配电网灵活运行最优调度模型进行求解，使得最恶劣条件下配电网系统运营成本最小。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明提出的优化方法将分布式储能作为灵活性资源从而提高配电网运行的灵活性，利用储能充放电状态和功率大小灵活调节和变换的能力，有效地减缓了风光出力不确定对配电网的影响，提高了可再生能源在主动配电网中的渗透率，并建立了相应的储能模型；同时计及配电网灵活运行中的不确定因素，提出了场景生成和削减技术，通过构建确定性场景来分析配电网系统中的不确定性问题；建立了基于鲁棒优化的配电网灵活运行最优调度模型，并对该模型进行求解，使得最恶劣条件下的系统运营成本最小，从而实现含分布式储能配电网灵活运行的最优调度。
2、本发明构建的最优调度模型是双层优化问题，内层最大化阶段，通过最大化配电网系统运行成本的方法，对风光出力波动所造成的最坏情况进行仿真；外层最小化阶段，通过优化决策变量，使得最恶劣条件下的系统运营成本最小，从而获得主动配电网的最优调度策略。
3、本发明提出的优化方法将配电网中的不确定因素纳入到考虑中，相较于传统的确定性优化方法更能适应各种条件的波动。
4、本发明采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，可以生成不确定集合中需要的初始场景，再通过同步回代的方法对初始场景进行削减，通过选取典型场景减少计算量，提高优化效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明实施例的优化方法流程示意图。
图2为储能充放电模型图。
图3为采用K-means++聚类方法实现场景削减的效果图。
图4为采用同步回代削减法实现场景削减的效果图。
图5为采用改进粒子群算法进行模型求解流程示意图。
图6为本发明实施例的系统原理框图。
图7为改进后IEEE33节点配电系统图。
图8为负荷以及风电出力预测曲线图。
图9为微型燃气轮机的出力曲线图。
图10为储能系统的出力功率。
图11为储能在充放电过程中的SOC曲线。
图12为主动配电网购电、售电功率。
图13为风电消纳率对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
针对现有研究大多从确定下优化的角度对分布式储能在主动配电网中进行配置，未将分布式储能作为一种灵活性资源参与配电网灵活运行最优调度中的情况。本实施例提出了一种计及分布式储能的配电网灵活运行鲁棒优化方法，本实施例提出的优化方法首先分析了储能充放电状态和功率大小可灵活调节的特性并建立了相应的储能模型，然后计及配电网灵活运行中的不确定因素，提出了场景生成和削减技术，通过构建确定性场景来分析电力系统中的不确定性问题，最后提出了基于鲁棒优化的配电网灵活运行最优调度模型，对风光出力波动所造成的最坏情况进行仿真，并通过粒子群算法对该模型进行求解，从而实现灵活性资源参与配电网系统运行最优调度。
如图1所示，本实施例提出的优化方法具体包括以下步骤：
步骤1，分析储能充放电状态和功率大小可灵活调节的特性，并建立了相应的储能模型。
步骤2，考虑配电网运行中的不确定性因素，并采用不确定集合表示分布式能源的出力波动。
步骤3，采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成不确定集合中需要的初始场景，并通过同步回代的方法对初始场景进行削减。
步骤4，建立基于鲁棒优化的配电网灵活运行最优调度模型，对出力波动所造成的最坏情况进行仿真。
步骤5，对配电网灵活运行最优调度模型进行求解，使得最恶劣条件下配电网系统运营成本最小。
可选的，通过将分布式储能接入主动配电网，主动配电网的灵活性得到提高。目前我国的光伏、风力发电逐渐成熟，但是对其出力稳定性的管理、预测的可靠性以及调度能力依然不足，在系统中加入储能后，可一定程度平抑可再生能源波动，使电网的运行更为稳定，解决对配电网灵活运行最优调度问题，增强主动配电网的灵活调节能力，在主动配电网技术中具有重要的作用。
当大规模的分布供电与主动配电网络相连接时，储能系统能够进行充放电，使电网具有灵活多变的主动调节能力，在一定程度上提高了供电品质，并确保了最小的峰值和峰值，并利用储能技术来保持电力系统的动态均衡，从而达到电力供应和需求两方面的波动平衡。同时，能量储存技术能够有效地解决因可再生能源的不稳定情形，提高分配电源在主动分配系统中的渗透性，因此，在风电场、光伏发电、分布式发电等方面，其应用范围更广。除此之外值得注意的是，在紧急情况下，储能系统也可以独立工作，这对重要负荷(一二级负荷)以及提高配电网的可靠性方面具有不可替代的作用。
根据储能技术的差异，可以将储能类型分为两种：能量型储能以及功率型储能。根据能量转化形式的不同，通常将储能分为以下四种：机械储能、化学储能、电磁储能以及相变储能。本实施例的步骤1具体根据储能系统的充放电特性和反应速率，来达到对分布式电源进行协同控制的目的。本实施例将蓄电池作为能量储存设备的研究对象。
在接近实际问题时，可以将其分解为电流源模型、电压源模型、电源模型等不同的模型。一般情况下，能量储存系统是由变流器与电力系统相连，为电网供电。因此在优化配电网络时，只要考虑到储能系统的能量和输出能量，就可以将储能系统的能量转换为一个同步的发电机，并构造它的功率模型。储能系统的输出功率一般通过PESS来代表，当PESS取不一样的值，可以把储能系统划分成三种：PESS大于0时，属于放电这种情况，储能向电网释放能量；PESS＝0时，处于浮充状态，储能和电网间没有能量交换；PESS小于0时，处于充电这种情况。储能充放电模型图如图2所示。
可选的，随着大规模可再生分布式能源接入，配电网源荷两端都存在着许多不确定性因素，发电侧可再生能源的间歇波动、负荷侧各类负荷的需求预测偏差、市场环境等不确定性都会影响配电网的安全运行。
针对配电网络的最优调度问题，以往所使用的确定性最优算法无法很好地解决当系统参数发生改变时，往往会导致计算结果与现实不符。当前，由于电力系统中存在着大量的发电量，如太阳能、风力发电等，电力系统的发电量存在着明显的间歇性和波动性，会带来不确定的问题，无法使用常规的理论或数学方法来解决。由于在主动配电网灵活运行中需要将不确定的分布式能源出力误差纳入考虑，在保证系统安全运行的前提下最小化运行成本，实施例采用鲁棒经济优化方法，采用不确定集合表示分布式能源的出力波动，并考虑储能的等效运维成本，建立含分布式储能的主动配电网灵活运行调度模型。
其中，线性的静态鲁棒优化模型的一般表述如式(1)：
式中，A与b都是模型约束条件的系数矩阵，它们都存在很多不确定性，而且它们的取值区间都是不确定的，而对于U中的所有不确定变量，它们都能满足Ax≤b的限制。
在以上描述的鲁棒最优模型中，U在真实情况下往往是一个不间断的有边界闭集合，因此会有许多无法确定的参数数值情况出现。在此基础上，将“极端恶劣”情况下的不确定参数值进行调整，将其转变为此类最优问题或最优模型中的一个已知条件，于是，式(1)就变成：
式中，不确定集和边界的变化区间分别用和/>来表示，就是上述最不利的情况。然而由于静态鲁棒优化模型其结果过分考虑稳定性，不能解决等式限制这类问题。基于此，将上述的单级鲁棒最优模型扩展成了两极的鲁棒最优模型，其具体表达式如下式(3)：
式中，u可以用于表示优化问题里面的不确定变量，U可以代表离散的、有界的、不确定这一类型变量的集合。由公式的约束条件可知，三个层级的二阶最优决策变量x、y、u分别作为各个层次的决策变量进入模型，并且x、y、u与其它类型的决策变量间有着一定的制约关系，使得模型具有较强的可操作性。c为第一阶段的决策变量相关的参数，d是第二阶段的决策变量相关的参数，G、E、M、h均为模型约束条件的系数矩阵，Sx、Sx分别为x、y的取值范围集合。
可选的，相比于常规能源，风电、光伏等可再生能源出力具有明显的随机性、波动性以及间歇性的特征，随着风电、光伏渗透率的不断增加，电力系统中长期规划运行与短期调度中都必须考虑风电、光伏出力的确定性问题。本实施例步骤3利用场景生成与削减可以构造鲁棒优化中需要的不确定集合，解决含可再生能源的配电网优化优化规划运行问题。
本实施例采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成不确定集合中需要的初始场景，具体的，如果F是不确定变数X的分布函数，那么F(X)于[0,1]区间上服从于U(0,1)的均匀分布。然后，只要产生R～U(0,1)，就可以进行逆变换，从而获得X，即F-1(R)生成需要的变量。本实施例不考虑不同时期预测误差的耦合性，提出分布式发电预测序列{X1,X2...Xd}，这些分布是彼此独立的，利用LHS取样来产生初始负荷场景，其流程如下：
(1)将R至U(0,1)的均匀分布划分成N个等概率区间；
(2)在各个周期τ中，从第i个概率区间[(i-1)/N,i/N]中选择一个随机数字pi,τ，pi,τ可以被表示为：
式中：r是一个随机变量，它在[0,1]区间内是均匀分布的。
(3)采用正态累积概率分布函数反演的近似公式，得到了相应于pi,τ的预报误差；
(4)将采集到的风电出力预测误差与光伏出力预测误差进行任意合并，得出了分布式电力系统的预测误差，可以用式(5)表示：
X＝{Xn},n＝1,2…N
Xn＝{Xn1,Xn2…Xnd} (5)
由于使用LHS抽样方法确定场景负荷预测误差的初始情景数量较多，以最优调度模式分析所有初始情景将导致大量的计算量，甚至造成“维数灾”。在减少场景时，由于多个场景模型原本具有的信息会被遗漏，所以必须在众多场景中，找到可以表示一类场景的典型场景，以尽量减少损失。基于聚类技术的场景削减方法、后向削减法、前向选择法是常见的几种场景削减技术。
本实施例采用一个实例比较聚类方法和后向削减法：
在LHS中选取了10000个样本，在对场景削减的过程中分别使用K-means++聚类算法和同步回代削减算法，最终有20个代表场景得到了保留。最后的结果显示在图3和图4中。
通过同步回代法的削减，一部分原始场景被集合保留在了同一个代表场景中，这被称为属于同一类型的场景，该过程称为聚类。经过削减之后留下的代表场景用五角星在图中进行了标记，不同类型的初始场景通过色彩的不同进行区分。下面对这两种削减技术进行对比：
(1)K-means++聚类算法能够使最终保留的代表类型更加均匀的分布在平面上，初始场景数量更均匀。
(2)K-means++算法得到的最终代表场景会更加分散的排布在平面上。反观采用同步回代法，通过其削减后的最终代表场景在平面上的分布不太均匀，在常出现样本密度较高情况的地方，典型场景的数量也较多。
通过对这两种削减技术的对比可以看出：通过K-means++算法得到的最终代表场景是这些同类型样点的核心，更容易受到边缘点的影响，而同步回代削减法最后得到的代表场景，会更多的考虑样本密度较大的地方。
因此为了使各场景出现的概率不同这一因素在调度中得到充分考虑，本实施例步骤3具体采用同步回代削减法来生成最终的代表场景，其具体实施步骤如下：
(1)用采取样本点得到的N个原始误差或偏差场景组成的集合，那么每一场景s出现的可能是：
(2)对场景s和其它场景之间的欧氏距离Ds进行了计算，欧式距离是指在N维空间中两个点真实距离：
(3)在场景s中，它出现的最小概率的距离被定义为：
(4)将步骤2与步骤3再次进行，直至所有场景中的最小概率距离被求出，并得到最小值，将这个最小值记为pDmin
pDmin＝min(pDsmin) (9)
(5)削减误差场景s，其对应的最小概率距离是pDmin，并把它的概率与最接近它的场景s'进行叠加，也就是：
ps'＝ps+ps' (10)
(6)重复步骤(3)、步骤(4)与步骤(5)，直到剩下的场景数量达到期望的数量为止。
(7)按照比例，把所有的预测误差与每个节点的预期值相累加，并把相应节点的负荷与风光预测误差进行累加，从而得到一个多场景的分布式发电模型。
在进行场景削减数量处理过程之前，首先应该标准化各种不同类型的数据，在获得典型场景后，统一还原。进行数据标准化过程和还原运算的计算方式如式(11)所示：
xi,τ＝x′i,τ[max(xi,τ)-min(xi,τ)]+min(xi,τ)
式中，xi,τ代表周期τ的某一种预测误差，例如在某个节点上对风电出力的预测，这是一个标准化的数值；x′i,τ表示xi,τ标准化处理后的值。
通过标准化处理，各类型的预测误差取决于一日中最大最小区间的相对位置，并保持在[0,1]的范围之内。在数据的聚类过程之中，仅仅将各类型预测误差数据的相对大小考虑在其中，并未把数值的绝对大小纳入考虑。
可选的，主动配电网的最优运行目标是降低单日的运行成本，其中成本包括：购置上层电网的成本、储能的运行成本和微型燃气轮机的购置、装配、使用等一系列成本。本实施例参考不确定集合的方法，来表示分布式能源出力具有不可预测的特征，当分布式能源输出功率在给定范围内存在波动情形时，在最苛刻的情况下，也能够降低运营成本。为增强消纳分布式能源的能力，对其出力全部都采用最大功率的追踪模式，并且忽略对应的调度成本，因此主动配电网在含分布式储能的情形下进行优化调度的目标函数如式(12)：
minC＝CG+CDG+COD (12)
式中，C代表整个系统的一个计划周期的运营成本；CG代表从上层电网中购买电力的成本；COD代表储能的运行成本；CDG代表微型燃气轮机的发电成本。
其中，购电成本表示为：
式中，PGrid(tx)代表在tx时间段内配电网和上层电网之间的交互功率；Cu(tx)代表在tx时间段内向上层电网购电价格。
微型燃气轮机发电成本表示为：
式中，PDG,i(tx)、Ci(tx)表示在tx时间段内的第i个微型燃气轮机的有功出力、发电成本。
储能运行成本表示为：
式中，Cop(tx)为tx时间段内第i个储能单元容量运维成本；Pbess(tx)代表在tx时间段内储能i的充放电功率。
约束条件包括分布式储能和电源的运行约束，还有传统配电网的经济优化调度约束。具体包括：配电网络运行约束、可控微型燃气轮机约束、能源储存的运行限制。
其中，配电网络运行约束包括系统功率平衡约束、节点电压的约束以及分支电流的限制。
系统功率平衡约束表示为：
式中，在t时刻，节点i的联络线注入有功功率、无功功率分别用Ppci(t)、Qpci(t)来说明，PDGi(t)、QDGi(t)在约束条件中分别代表在t时刻节点i处的微型燃气轮机亦或者是储能注入的有功功率、无功功率；需要强调的是，此时应该把电网中存在的其他无功变量取常数值；PLi(t)、QLi(t)则代表t时刻节点i负荷对有功和无功功率的需求；Gij、Bij分别代表支路的电导和电纳；Uj(t)和Ui(t)代表节点j、i在t时刻的电压；θij是节点i、j电压的相角差。
节点电压的约束表示为：
Uimin≤Ui≤Uimax (17)
式中，Uimin、Uimax分别是Ui的下限值和上限值。
分支线路的电流限制表示为：
Ij≤Ijmax (18)
式中，支路j允许流过的最大电流用Ijmax来说明。
可控微型燃气轮机约束，主要包括分布式电源的出力约束和爬坡率的限制，其中，分布式电源的出力约束表示为：
PDG,i,min≤PDG,i(t)≤PDG,i,max (19)
式中：在t时刻微型燃气轮机的有功出力用PDG,i(t)来说明；分布式电源有功出力的最大值和最小值分别用PDGmax、PDGmin来说明。
由于需要一定的时间来调节微型燃气轮机的出力，因此爬坡率的限制公式可以用式(20)来表示：
式中：DDG,i、UDG,i代表第i个分布式电源的最大上、下调爬坡率。
能源储存的运行限制主要包括能源储存有功出力限制、能源储存在时间顺序上运行的限制、储能的荷电状态约束以及储能状态连续性的约束条件。
其中，能源储存有功出力限制表示为：
PESS,i,min＜PESS,t,i＜PESS,i,max (21)
能源储存在时间顺序上运行的限制表示为：
在计划期间，必须将SOC控制在一个特定的区间，以防止过量充电或放电。储能的荷电状态约束如式(23)所示：
SOCi,min＜SOCESS,t,i＜SOCi,max (23)
由于调度是周期性的，为了在下一阶段的调度中储能也能够参与，需要满足储能状态连续性的约束条件：
式中：PESS,i,min(t)、PESS,i,max(t)、分别代表t时刻第i个储能充、放电功率的最大值。当PESS大于0，表示储能处于放电的状态，当PESS小于0，表示储能处于充电的状态。SOCESS,i表示t时刻第i个储能的荷电情况；SOCi,min、SOCi,max在限制条件中，表示第i个储能荷电状态的最小值和最大值。第i个能量储存装置的标准额定容量用EESS,i来表示；第i个能量储存装置的放电效率和充电效率分别用ηd、ηc来表示。SOCt0,i、SOCtn,i分别代表第i个储能调度的初始和结束时的荷电状态。
鲁棒优化的目标是得到一个满足所有可能情况下的最优解，使其在最差情形下也能得到最优解，而在含有分布式储能的主动配网运行调度中，由于分布式能源的实际出力与预测值之间存在着误差，假定其功率在某一区间内发生变化，也就是将其视为一个不确定变量，可以通过鲁棒优化方法获得最优解。
根据鲁棒优化中的worst-best优化算法，采用min-max法对分布式能源出力进行了预测，在满足一定的限制条件的前提下，为电网的安全生产提供可靠的调度方案，以确保系统在一定的误差范围内最大限度地减少最大的经济指标，同时可以满足模型设定的约束条件，也是一种帮助电网运行的可靠、可实际运用的调度方案，此类鲁棒优化的模型可以用式(25)、式(26)表示：
/>
式中，f(·)将作为目标函数；可行范围X里面的决策变量用x来表示；不确定集合P里面不能确认的变量用p来表示；不等式的限制条件数量用N来表示；场景的数量用l来表示。
基于worst-best原理的有源型配电网络稳健调度方法，其目标是通过不确定性集来描述电网与电力系统存在的不确定性，并在给定的电力出力范围内，降低最坏工况运行下的运营成本，从而得到一个比较可靠的有源电力系统的调度方案，主动配电网鲁棒调度优化的目标函数和约束条件如式(27)、式(28)：
式中，f(·)是电网在运营过程中的目标函数，对应主动配电网购买到上层电力网的成本、储能的运行成本和小型燃气涡轮机的成本；可行范围X里面的决策变量用x来表示，包括主动配电网向主网对电量的购买、对电量销售的功率、储能的充电、放电功率以及微型燃气轮机的输出功率；可行域X将决策变量的网络运行约束、可控微型燃气轮机约束以及储能运行约束包含在内；p代表分布式能源输出预测的不确定变量；Pw代表分布式能源的输出不确定集合；Ui对应节点i的电压值；Umin则可以代表系统中的最低电压；Umax表示该系统中的最大电压；li是线路i的传输功率；li,max是线路i传输功率的上限机极值。
在主动配电网的鲁棒优化模型中，对于外层的最小化是求解的第一个阶段，对于内层最大化是求解的第二阶段。本实施例中将主动配电网与主网的交互功率、微型燃气轮机的功率、储能的充放电功率作为决策变量，并将分布式能源的出力作为扰动变量。在最大化阶段，首先生成K个分布式发电方案，并选择了其中的极限情景，把存在不确定性情况的变量转化成确定性变量，使得稳健最优问题变成了确定性问题。采用最大化系统运行费用的方法，对分布能量波动所造成的最坏情况进行仿真。在外层的最小化阶段，通过优化决策变量，使得最恶劣条件下的系统运营成本最小，从而达到经济效益最大化。
把主动配电网和主网的交互功率当作平衡节点，从而平衡分布式能源出力的波动，在主动配电网出现功率不均衡的情况下，平衡节点将担负起电力均衡的任务，也就是平衡功率。此时采用的方式，无需考虑因波动引起的功率重新分配问题，因此可以改善系统的抗干扰能力。
可选的，本实施例步骤4建立的模型是一个双层优化问题，内层最大化阶段，首先采用了拉丁超立方方法，针对风光运行场景进行采样，并采用同步回代算法对原有的采集场景进行削减，构造了鲁棒优化中的不确定集合，使鲁棒问题变成确定性问题，通过最大化配电网的运行成本构造最恶劣的运行条件；对外层的最小化是一个混合整数非线性规划问题，可以使用智能算法解决，而改进粒子群算法具有较好的全局搜索能力和高效的收敛速度，因此，本实施例步骤5采用改进粒子群算法对外层优化问题进行求解，求解流程具体如图5所示。
本实施例提出的优化方法考虑了利用分布式储能作为灵活性资源从而提高配电网运行的灵活性，利用储能充放电状态和功率大小可灵活条件和变化的能力，有效地减缓了风光出力不确定对配电网的影响，提高了可再生能源在主动配电网中的渗透率，并建立了相应的储能模型；同时考虑配电网灵活运行中的不确定因素，提出了场景生成和削减技术，通过构建确定性场景来分析电力系统中的不确定性问题，并通过最大化配电网的运行成本构造最恶劣的运行条件，从而得到一个双层优化模型，对该模型进行求解，实现最恶劣条件下的系统运行成本最小，从而实现含分布式储能的配电网灵活运行最优调度。
基于上述相同技术构思，本实施例还提出了一种计及分布式储能的配电网灵活运行鲁棒优化系统，如图6所示，该优化系统具体包括：
储能分析单元，该单元用于分析储能充放电状态和功率大小可灵活调节的特性，并建立了相应的储能模型。
不确定性分析单元，该单元考虑配电网运行中的不确定性因素，并采用不确定集合表示分布式能源的出力波动。
场景生成和削减单元，该单元采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成不确定集合中需要的初始场景，并通过同步回代的方法对初始场景进行削减。
模型构建单元，该单元建立基于鲁棒优化的配电网灵活运行最优调度模型，对出力波动所造成的最坏情况进行仿真。
以及求解单元，该单元对配电网灵活运行最优调度模型进行求解，实现最恶劣条件下配电网系统运营成本最小。
实施例2
本实施例采用改进的IEEE33节点系统进行仿真测试，以验证上述实施例1提出的优化方法的有效性，具体过程如下。
因为风电和光伏出力的不确定性研究策略相似，故算例中将风电的出力不确定性作为研究对象，假设风电出力的波动区间范围为日前预测值的85％-115％。经过改进后的IEEE33节点系统如图7所示，平衡节点设置在1号位置，分布式储能的位置分别处于在8号和17号，微型燃气轮机的位置设置在15号和31号，风机的位置设置在7号节点，具体参数信息列于表1、表2。节点电压在[0.95,1.05]p.u的范围里，分时电价的参数信息在表3中进行了描述，对于粒子群优化算法的相关信息，可以通过表4得到呈现，本实施例列举了一百个一般场景以及两个极限场景，可以满足算法要求。一日内，对于负荷以及风电出力估计曲线呈现在图8中，如果对于负荷数据的预测我们认为几乎没有误差，而对于风电数据的预测误差，我们将其分别设定为5％、10％以及20％；将24小时设定为1个完整的周期，以每小时作为一日内调度的一次时间间隔。在仿真算例中，为验证鲁棒优化的作用，选取两种日前优化调度方法进行对比，分析不同方法下配电网的实际运行总成本：算例一，本发明实施例提出的考虑风电不确定性的鲁棒优化方法；算例二，不考虑不确定参数影响的确定性优化方法，对这两种情况进行了对比测试。
表1各发电单元参数信息
表2各发电单元参数信息(续)
表3各发电单元分时电价信息
表4粒子群算法参数
利用Matlab中的Yalmip仿真平台，调用Cplex求解器进行求解，得到含分布式储能的主动配电网鲁棒优化调度结果。图9是微型燃气轮机的出力曲线，图10是储能系统的出力情况，在充电的过程中，储能的出力小于零，在放电的过程中，储能的出力大于零。图11是储能在充放电过程中的SOC曲线，图12代表主网、主动配电网之间，进行功率交换情况的曲线，如果主动配电网的购电价格相对于微型燃气轮机发电的价格更高，则通过燃气轮机来承担发电任务，如果主动配电网的购电价格相对于微型燃气轮机的发电价格更低，则选择购电而不是发电。
由于在0～7h和22～24h时段内风机的出力值不高，在这一时期，电力系统的主网和小型燃气轮机承担了电力系统主要供电任务。同时，由于这一时期是电价的最低点，因此，主动配网在主网上进行了大量的购电，小型燃气涡轮机的发电能力并不高。如图中0～7h和22～24h表示的；在余下的阶段(8～17h,17～22h)，微型燃气轮机保持功率输出持续上涨的趋势，这时，购电的需求不高，通过发电可降低其运行的总成本。在十至二十四小时时段内，微型燃气轮机2普遍保持高发，而微型燃气轮机1的发电量则相对较少，出现这种情况的原因，主要是由储能和风机的位置来决定的。因为微型燃气涡轮机1所处位置附近有更多的储能和风机，其周围的负载对燃气轮机的依赖更少，因此微型燃气轮机1在此时段内出力普遍较低。
由图可以发现，一号储能以及二号储能在0时到9时期间充电，SOC从30％提高到55％和54％，在下午三点到晚上十点这个时期放电，最小值达到25％这个低谷，最后重新充电，恢复到最初的30％。为了确保SOC的一致性，在22:00～24:00期间，储能1和储能2均进行了再充电，将SOC恢复到30％。从以上所述的储能充放电过程中可以发现，由于分时电价的差异，储能在高位时段放电，在低位放电，达到“低储高发”的作用，从而间接地对负荷进行削峰填谷。
从表5中得到的结论可以看出，如果不提前考虑风电出力误差使用常规的确定性优化方法，如果风电出力的预测与真实的出力有偏差，则这种调度方式将会使主动配电网中的储能SOC超出了电压限制。由于采用了惩罚功能，使其在超限情况下的运行成本大大提高，因此，在考虑风力发电的误差时，采用确定型经济调度方法是不切实可行的。比较结果表明，与算例一相对应的鲁棒优化经济调度方法没有发生越界现象，因此，在计及风能预测误差的情况下，算例一比确定性经济调度的算例二更具有鲁棒性。
在通常情况下，鲁棒经济调度策略比确定性经济调度策略更能抵御实时市场波动所造成的风险，因为它要求通过日前增加额外的计划储备容量。
表5主动配电网运行成本
消纳率是计划发电量与理论发电量之比,其描述的是计划出力与理论出力的接近程度，通过消纳率可以衡量配电网的灵活性。通过设置算例三：含有分布式储能的配电网风电消纳率；算例四：不含分布式储能的配电网风电消纳率。通过比较两者的风电消纳率可以证明分布式储能作为灵活性资源的作用。其结果如图13所示。
从图13中的结果可以看出，安装储能后，配电网的风电消纳率整体要比不安装储能的配电网高，并且安装储能的配电网前12个小时的消纳率高于后12个小时的消纳率，这是因为安装储能后可以利用其充放电状态和功率可灵活调节的能力，消纳多余的风电出力，并且在前9个小时储能处于充电状态，消纳的风电整体要大于后12个小时。
由此可以得出，分布式储能可以作为一种灵活性资源，提高配电网的灵活运行能力。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，所述优化方法包括：
分析储能充放电状态和功率大小灵活调节的特性，并建立了相应的储能模型；
考虑配电网运行中的不确定性因素，并采用不确定集合表示分布式能源的出力波动；
采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成所述不确定集合中需要的初始场景，并通过同步回代的方法对所述初始场景进行削减；
建立基于鲁棒优化的配电网灵活运行最优调度模型，对出力波动所造成的最坏情况进行仿真；
对所述配电网灵活运行最优调度模型进行求解，使得最恶劣条件下配电网系统运营成本最小。
2.根据权利要求1所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，储能系统的输出功率通过PESS来代表，当PESS取不一样的值，把储能系统划分成三种：PESS大于0时，属于放电这种情况，储能向系统释放能量；PESS＝0时，处于浮充状态，储能和电网间没有能量交换；PESS小于0时，处于充电这种情况。
3.根据权利要求1所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，采用不确定集合表示分布式能源的出力波动，并考虑储能的等效运维成本，建立含分布式储能的主动配电网灵活运行调度模型，具体表示为：
式中，u表示优化问题里面的不确定变量，U表示离散的、有界的、不确定这一类型变量的集合，x、y、u分别作为各个层次的决策变量，A、b、G、E、M、h表示模型约束条件的系数矩阵，c为第一阶段的决策变量相关的参数，d是第二阶段的决策变量相关的参数，Sx、Sx分别为x、y的取值范围集合。
4.根据权利要求1所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成不确定集合中需要的初始场景，具体包括：
将R至U(0,1)的均匀分布划分成N个等概率区间；
在各个周期τ中，从第i个概率区间[(i-1)/N,i/N]中选择一个随机数字pi,τ；
采用正态累积概率分布函数反演的近似公式，得到了相应于pi,τ的预报误差；
将采集到的风电出力预测误差与光伏出力预测误差进行任意合并，得出了分布式电力系统的预测误差。
5.根据权利要求4所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，采用同步回代的方法对所述初始场景进行削减，具体包括：
用采取样本点得到的N个原始误差或偏差场景组成的集合；
对场景s和其它场景之间的欧氏距离Ds进行了计算，并获得场景s出现的最小概率距离；
重复上一步骤，直至获得所有场景中的最小概率距离；
从所有场景中的最小概率距离中获得最小值；
削减该最小值对应的场景，并把它与最接近它的场景进行叠加；
重复上述步骤，直到剩下的场景数量达到期望的数量为止。
6.根据权利要求5所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，在进行场景削减数量处理过程之前，首先应该标准化各种不同类型的数据，在获得所需场景数量后，统一还原。
7.根据权利要求1所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，建立的配电网灵活运行最优调度模型的目标函数和约束条件为：
式中，fES,i(x,p)表示主动配电网购买到上层电力网的成本，fDG,i(x,p)表示储能的运行成本，fGrid(x,p)表示小型燃气涡轮机的成本；可行范围X里面的决策变量用x来表示，包括主动配电网向主网对电量的购买、对电量销售的功率、储能的充电、放电功率以及微型燃气轮机的输出功率；p表示分布式能源输出预测的不确定变量；Pw表示分布式能源的输出不确定集合；Ui表示节点i的电压值；Umin表示系统中的最低电压；Umax表示系统中的最大电压；li表示线路i的传输功率；li,max表示线路i传输功率的上限机极值。
8.根据权利要求7所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，所述配电网灵活运行最优调度模型是一个双层优化问题，其中，在内层最大化阶段，首先生成K个分布式发电方案，并选择了其中的极限情景，把存在不确定性情况的变量转化成确定性变量，采用最大化配电网系统运行成本的方法，对出力波动所造成的最恶劣情况进行仿真；在外层最小化阶段，通过优化决策变量，使得最恶劣条件下的系统运营成本最小。
9.根据权利要求8所述的一种计及分布式储能的配电网灵活运行鲁棒优化方法，其特征在于，采用改进粒子群算法对外层优化问题进行求解。
10.一种计及分布式储能的配电网灵活运行鲁棒优化系统，其特征在于，所述优化系统包括：
储能分析单元，所述储能分析单元用于分析储能充放电状态和功率大小灵活调节的特性，并建立了相应的储能模型；
不确定性分析单元，所述不确定性分析单元考虑配电网运行中的不确定性因素，并采用不确定集合表示分布式能源的出力波动；
场景生成和削减单元，所述场景生成和削减单元采用基于拉丁超立方抽样法的分布式发电预测误差抽样方法，生成所述不确定集合中需要的初始场景，并通过同步回代的方法对初始场景进行削减；
模型构建单元，所述模型构建单元建立基于鲁棒优化的配电网灵活运行最优调度模型，对出力波动所造成的最坏情况进行仿真；
以及求解单元，所述求解单元对所述配电网灵活运行最优调度模型进行求解，使得最恶劣条件下配电网系统运营成本最小。
CN202311487296.XA 2023-11-08 2023-11-08 计及分布式储能的配电网灵活运行鲁棒优化方法和系统 Pending CN117526331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311487296.XA CN117526331A (zh) 2023-11-08 2023-11-08 计及分布式储能的配电网灵活运行鲁棒优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311487296.XA CN117526331A (zh) 2023-11-08 2023-11-08 计及分布式储能的配电网灵活运行鲁棒优化方法和系统

Publications (1)

Publication Number Publication Date
CN117526331A true CN117526331A (zh) 2024-02-06

Family

ID=89741252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311487296.XA Pending CN117526331A (zh) 2023-11-08 2023-11-08 计及分布式储能的配电网灵活运行鲁棒优化方法和系统

Country Status (1)

Country Link
CN (1) CN117526331A (zh)

Similar Documents

Publication Publication Date Title
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
JP7153289B1 (ja) クラスタ学習に基づく低炭素ｃｓｐシステム協調的最適化方法及び装置
CN110676849B (zh) 一种孤岛微电网群能量调度模型的构建方法
CN109034587B (zh) 一种协调多种可控单元的主动配电系统优化调度方法
CN114301081B (zh) 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法
CN106712060B (zh) 一种基于多代理的百兆瓦级电池储能系统控制方法及系统
CN115051388A (zh) 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法
CN115114854A (zh) 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
Liu et al. Key technologies and developments of multi-energy system: Three-layer framework, modelling and optimisation
CN116961008A (zh) 计及电力弹簧与负荷需求响应的微电网容量双层优化方法
Sun et al. Hierarchical Scheduling Control Method for Cascade Hydro‐PV‐Pumped Storage Generation System
CN116128193A (zh) 一种基于区块链技术的园区微网调度方法及调度系统
Lei et al. Optimal scheduling of a renewable energy-based park power system: a novel hybrid SDDP/MPC approach
Zhao et al. Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System
CN110717694B (zh) 基于新能源消纳期望值的储能配置随机决策方法及装置
CN117526331A (zh) 计及分布式储能的配电网灵活运行鲁棒优化方法和系统
Huang et al. Optimal Dispatch of Multi-Energy Integrated Micro-Energy Grid: A Model Predictive Control Method
Ghiassi et al. On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization
Zhao et al. A Wind Power/Photovoltaic/Hydropower/Pumped Storage Power Station System Sizing Strategy
Chen et al. Coordinated Source-Grid-Storage Planning of High Renewable Energy Proportion Power System Based on Refined Operation Simulation
Chen et al. Pumped Storage Plants Based Short-term Joint Clearing In The Spot Market
Hou et al. Optimal scheduling model of a virtual power plant based on robust optimization with additional momentum to improve the predictive output of back propagation neural networks
Wang et al. Dynamic Economic Scheduling with Self-Adaptive Uncertainty in Distribution Network Based on Deep Reinforcement Learning.
Lu et al. Advances in Model Predictive Control for Large-Scale Wind Power Integration in Power Systems: A Comprehensive Review

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