一种配电网与多微网鲁棒调度方法、电子设备及存储介质

技术领域

本发明涉及配电网的调度方法，特别涉及一种考虑可再生能源出力相关性的配电网与多微网鲁棒调度方法、电子设备及存储介质。

背景技术

近年来，随着全球能源和环境问题日益突出，分布式发电受到各国专家和学者的青睐。微网以其灵活高效的分布式发电集成功能，能够提高可再生能源的消纳率。多微网是在微电网研究基础上的进一步延伸，针对一个地区内邻近的分布式机组、微网和负荷的能量管理进行协调，是新型智能电网中不可或缺的一部分。由于分布式电源的波动性，大规模分布式电源的接入会对配电网与多微网系统的运行和调度带来挑战。目前在配电网与多微网研究中，对可再生能源出力不确定因素的处理方法主要有随机优化、机会约束优化以及鲁棒优化。随机优化虽然可以模拟日常不确定场景，但难以应对极端场景；机会约束方法需要计算不确定变量的准确的概率分布函数，数据获取难度较大，且求解较为困难；鲁棒优化采用区间来描述参数的不确定性，提高了配电网与多微网系统的鲁棒性，但是其假设最恶劣场景下各可再生能源机组出力均为各机组出力的最大或最小值，未考虑调度区域内可再生能源出力的相关性，过多考虑了实际发生概率非常低的最坏情况，导致优化结果过于保守，经济性较差。同时传统鲁棒优化采用对偶优化进行求解，其转化过程较为复杂，且引入较多非线性项，使得模型求解较为困难。

发明内容

为了解决以上问题，本发明的目的是提供一种考虑可再生能源出力相关性的配电网与多微网鲁棒调度方法、电子设备及存储介质，以实现在保证鲁棒性的同时降低了配电网与多微网的调度成本，兼顾系统调度的经济性的目的。

为了实现以上目的，本发明通过以下技术方案实现：

一种配电网与多微网鲁棒调度方法，包括：步骤S1、采用最小体积封闭椭球的数据驱动方法建立多种可再生能源出力的椭球不确定集合。

步骤S2、建立考虑配电网与多微网整体调度成本的日前-实时二阶段经济调度模型。

步骤S3、通过求解所述椭球不确定集合得到可再生能源出力极限场景，采用极限场景法处理所述日前-实时二阶段经济调度模型的不确定性因素，建立基于极限场景法的配电网与多微网二阶段鲁棒调度方法，包括第一阶段和第二阶段，所述第一阶段是日前调度决策阶段，确定燃气轮机日前启停机计划、配电网日前购电计划、配电网与多微网日前联络线传输功率。

所述第二阶段是实时调度阶段，在所述第一阶段日前决策阶段下，模拟各极限场景下配电网与多微电网的实时调度状况，针对其中最恶劣的场景进行优化。

步骤S4、基于所述极限场景法的改进C&CG算法将二阶段鲁棒优化问题拆分成为主子问题迭代求解，所述主子问题中的主问题求解包含的极限场景下的最优日前调度方案，并将其传给所述主子问题中的子问题，所述子问题是通过所述极限场景法寻找在当前日前调度方案下的最恶劣场景，通过添加最恶劣场景的相关实时调度约束条件到所述主问题，以影响主问题决策，对所述主子问题进行迭代求解得配电网与多微网调度问题最优解。

优选地，所述步骤S1包括：构建可再生能源出力的历史集合ω：假设配电网与多微网区域内共有N

式中，ω

根据所述可再生能源出力的历史数据构建可再生能源出力的椭球不确定集合；

通过最小体积封闭椭球的数据驱动算法，构建一个N

minρdetQ

(ω

Q＝Q

其中，ρ为常数，表示N

对所述优化模型进行求解，得到可再生能源出力的所述椭球不确定集合E(Q,c)如下：

式中，

优选地，所述步骤S2包括：所述日前-实时二阶段经济调度模型的目标函数主要包含配电网与多微网的日前调度成本以及实时调度成本；所述日前-实时二阶段经济调度模型包括如下两个阶段，其中所述两个阶段的第一阶段为日前调度阶段，约束条件采用日前调度约束条件，所述目标函数为实现配电网与微电网的日前调度成本以及实时调度成本最小；所述日前调度阶段约束条件包括燃气轮机最小启动/关闭时间约束以及联络线功率传输约束。

第二阶段为实时调度阶段，约束条件采用实时调度约束条件，所述目标函数为在确定的日前调度方案下实现配电网与微电网实时调度成本最小。

所述实时调度阶段约束条件包括配电网节点功率平衡约束、配电网线路电压平衡约束、配电网线路容量约束、微网燃气轮机出力爬坡约束、微电网功率平衡约束、储能充放电约束、弃可再生能源以及失负荷约束以及燃气轮机出力最大/最小值约束。

优选地，所述步骤S3包括：求解所述可再生能源出力的椭球不确定集合E(Q,c)，得到所述椭球不确定集合的顶点ω

优选地，所述步骤S3中基于极限场景法的配电网与多微网二阶段鲁棒调度方法采用如下数学模型进行表示：

Dx≤d

其中，x为日前调度决策变量；下标s表示极限场景编号；N

优选地，所述步骤S4包括：所述主问题采用如下公式表示：

Dx≤d

其中，n表示当前C&CG算法的迭代次数；k

求解主问题得到日前调度决策变量x的取值，传到子问题，子问题通过极限场景法寻找主问题日前调度情况下的最恶劣场景，并将最恶劣场景的实时调度约束添加到主问题；

所述子问题采用公式进行表示：

其中，f

所述子问题采用枚举法求得各极限场景下的实时调度成本，若所有极限场景下子问题都有解，则实时调度成本最大的场景为当前调度条件下的最恶劣场景；若存在某极限场景使得实时调度问题无可行解，则该极限场景为最恶劣场景。

优选地，所述步骤S4中所述C&CG算法对所述主子问题进行迭代求解得配电网与多微网调度问题最优解包括如下过程：

步骤S4.1、设定下界L

步骤S4.2、求解主问题，得到日前调度决策最优解

步骤S4.3、固定日前调度决策变量

步骤S4.4、判断所述所有极限场景下子问题

步骤S4.5、寻找所有极限场景下可行解的最大值

步骤S4.6、当前极限场景s为当前最恶劣场景s，进入步骤S4.9。

步骤S4.7、根据所述最大值

步骤S4.8、设定ε为收敛判据，若U

步骤S4.9、更新当前调度条件下主问题的最恶劣极限场景s，将当前该最恶劣极限场景s对应的约束条件添加到主问题；将算法迭代次数更新为n＝n+1，返回步骤S4.2、重复步骤S4.2～步骤S4.9。

另一方面，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，如上文所述的配电网与多微网鲁棒调度方法。

再一方面，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的配电网与多微网鲁棒调度方法。

本发明至少具有以下优点之一：

本发明所提方法能有效提高配电网与多微网系统应对可再生能源不确定性的能力，同时考虑了可再生能源出力的相关性，采用数据驱动方法构建可再生能源出力不确定集合，相较于传统的采用盒式不确定集合的鲁棒优化，在保证鲁棒性的同时降低了配电网与多微网的调度成本，兼顾了系统调度的经济性。同时，本发明相较于采用常规方法的二阶段鲁棒调度模型，鲁棒优化的子问题为不含整数变量的问题，求解更为简单，计算效率较高。

本发明通过建立考虑可再生能源出力不确定性与相关性的配电网与多微网调度模型，为配电网与多微网系统的调度人员提供科学调度依据，提高了配电网与多微网系统调度的可靠性和经济性。

附图说明

图1为本发明一实施例提供的一种配电网与多微网鲁棒调度方法的流程示意图；

图2为本发明一实施例提供的椭球不确定集合的示意图；

图3为本发明一实施例提供的一种配电网与多微网鲁棒调度方法中基于极限场景法的C&CG算法流程图。

具体实施方式

以下结合附图和具体实施方式对本发明提出的一种配电网与多微网鲁棒调度方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

如图1所示，本实施例提供的一种配电网与多微网鲁棒调度方法，具体的是一种考虑可再生能源出力相关性的配电网与多微网鲁棒调度方法，包括：

步骤S1、针对多种可再生能源的不确定性以及相关性，采用最小体积封闭椭球的数据驱动方法建立多种可再生能源出力的椭球不确定集合。

步骤S2：以适应多种可再生能源出力的不确定性为目标，以燃气轮机日前启停机计划、配电网与多微网日前联络线传输功率作为日前调度决策内容，建立考虑配电网与多微网整体调度成本的日前-实时二阶段经济调度模型。

步骤S3：通过求解所述椭球不确定集合得到可再生能源出力极限场景，采用极限场景法处理所述日前-实时二阶段经济调度模型中的不确定性因素，建立一种基于极限场景法的配电网与多微网二阶段鲁棒经济调度方法，该调度方法包括如下两阶段(第一阶段和第二阶段)，所述第一阶段是日前调度阶段，确定燃气轮机日前启停机计划、储能的充放电计划以及配电网与多微网日前联络线传输功率。所述第二阶段是实时调度阶段，在第一阶段调度方案下，模拟各极限场景下配电网与多微网的实时调度状况，针对其中最恶劣的极限场景进行优化。

步骤S4：基于极限场景法的改进C&CG(column-and-constraint generation)算法将二阶段鲁棒优化问题拆分(转化)成主子问题迭代求解，主问题求解其包含的极限场景下的最优日前调度方案，并将其传给子问题，子问题则是通过极限场景法寻找在当前日前调度方案下的最恶劣极限场景，通过添加最恶劣极限场景的相关实时调度约束条件到主问题，影响主问题决策，最后通过主子问题迭代求解得到鲁棒调度问题最优解。

所述步骤S1包括：首先构建多种可再生能源出力的历史集合ω。假设配电网与多微网区域内共有N

式中，ω

然后基于可再生能源出力历史数据ω构建多种可再生能源出力的椭球不确定集合。通过最小体积封闭椭球(minimum volume enclosing ellipsoid，MVEE)的数据驱动算法，构建一个高维(N

其中，ρ为常数，代表N

该优化模型为凸优化模型，可以在多项式时间内快速求解，从而得到可再生能源出力的椭球不确定集合E(Q,c)采用如下公式进行表示：

式中，

该椭球不确定集合相对于传统盒式不确定集合，考虑了可再生能源之间的相关性，其包围的不确定性出力空间更小，更少的考虑不可能发生的场景，降低了鲁棒优化的保守性。作为示例，系统区域内相邻风电机组单时段椭球不确定集合和盒式不确定集合如附图2所示，可以看出在包裹所有历史数据的前提下，椭球不确定集合包围的不确定性空间较小，保守性更小。

所述步骤S2中的所述日前-实时二阶段经济调度模型(配电网与多微网系统二阶段调度模型)的目标函数主要包含配电网与多微网的日前调度成本以及实时调度成本。采用所述日前-实时二阶段经济调度模型进行优化调度的过程分为两个阶段，两个阶段中的第一阶段为日前调度阶段，约束为日前调度约束(约束条件采用日前调度约束条件)；两个阶段中的第二阶段为实时调度阶段，约束为实时调度约束(约束条件为实时调度约束条件)。该二阶段模型中，日前调度阶段模型确定日前调度决策变量并传递到实时调度层，而实时调度阶段通过添加不同极限场景下的可再生能源实时调度约束到日前调度层中影响日前调度决策。

具体的，其中所述两个阶段的第一阶段为日前调度阶段，约束条件采用日前调度约束条件，所述目标函数为实现配电网与微电网的日前调度成本以及实时调度成本最小；所述日前调度阶段约束条件包括燃气轮机最小启动/关闭时间约束以及联络线功率传输约束。

第二阶段为实时调度阶段，约束条件采用实时调度约束条件，所述目标函数为在确定的日前调度方案下实现配电网与微电网实时调度成本最小。

所述实时调度阶段约束条件包括配电网节点功率平衡约束、配电网线路电压平衡约束、配电网线路容量约束、微网燃气轮机出力爬坡约束、微电网功率平衡约束、储能充放电约束、弃可再生能源以及失负荷约束以及燃气轮机出力最大/最小值约束。

该两阶段模型的具体目标函数如下：

其中，OC为配电网与多微网系统日前调度成本；RC为配电网与多微网系统实时调度成本；x为日前调度决策变量；y为实时调度决策变量；ξ为不确定变量；f

步骤S2中日前调度阶段的约束条件主要包括燃气轮机最小启动/关闭时间约束以及联络线功率传输约束，具体为：

2.1)、燃气轮机最小启动/关闭时间约束

其中，

2.2)、联络线功率传输约束如下：

其中，

所述步骤S2中实时调度阶段的约束条件包括配电网节点功率平衡约束、配电网线路电压平衡约束、配电网线路电流、电压容量约束、燃气轮机出力爬坡约束、微电网功率平衡约束、储能充放电约束、弃可再生能源以及失负荷约束以及燃气轮机出力最大/最小值约束。具体如下：

2.3)、配电网节点功率平衡约束：

其中，δ

2.4)、配电网线路电压平衡约束：

其中，

2.5)、配电网线路电流、电压容量约束：

其中，

2.6)、燃气轮机出力爬坡约束：

其中，RU

2.7)、微电网功率平衡约束：

其中，

2.8)、储能充放电约束：

其中，

2.9)、弃可再生能源以及失负荷约束：

其中，

2.10)、燃气轮机出力最大/最小值约束：

其中，

上述步骤S3采用极限场景法处理可再生能源的不确定性与相关性，极限场景法具体为：

定义误差场景为可再生能源出力偏移预测值的场景，鲁棒优化必须满足所有误差场景的实时调度约束，但误差场景的数目是无穷个，无法求解，所以引入极限场景法。

首先求解步骤S1建立的多种可再生能源出力的椭球不确定集合E(Q,c)，得到椭球不确定集合E(Q,c)的顶点ω

凸优化模型中，极值必然存在于多面体解空间的某顶点处，将不确定集合顶点处的场景称为极限场景。极限场景对于所有误差场景具有完全鲁棒性,对于日前调度决策变量x，只要调整实时调度变量y能适应所有极限场景，那么就可以适应所有误差场景。根据极限场景法可以建立配电网与多微网系统二阶段鲁棒调度模型。

步骤S3中建立的基于极限场景法的配电网与多微网系统二阶段鲁棒调度方法具体为：

配电网与多微网两阶段鲁棒调度模型的第一阶段是日前调度阶段，燃气轮机日前启停机计划、储能的充放电计划以及配电网与多微网日前联络线传输功率。第二阶段是实时调度阶段，在第一阶段日前调度方案下，进行实时模拟运行，以经济性最优为目标。其具体数学模型为：

其中，x为日前调度决策变量；下标s表示极限场景编号；N

步骤S4中通过基于极限场景法的改进C&CG算法将二阶段鲁棒优化问题拆分成为主子问题迭代求解，主问题求解单个极限场景下的最优日前调度方案，并将其传给子问题，子问题则是通过极限场景法寻找在当前日前调度方案下的最恶劣的可再生能源出力场景，通过添加最恶劣场景的相关实时调度约束条件到主问题，影响主问题决策，最后通过主子问题迭代求得鲁棒调度问题最优解。

步骤S4中，主问题的数学模型为：

其中，x为燃气轮机日前启停机计划、储能的充放电计划以及配电网与多微网日前联络线传输功率等日前调度决策变量；n表示当前C&CG算法的迭代次数；k

求解主问题得到日前调度决策变量x的取值(求解结果)

步骤S4中子问题的数学模型如下：

其中，其中，f

步骤S4中子问题采用枚举法求得各极限场景下的实时调度成本，若所有极限场景下子问题都有解，则实时调度成本最大的恶劣场景为当前调度条件下的最恶劣场景；若存在某恶劣场景使得调度无可行解，则该恶劣场景为最恶劣场景。相对于常规的对偶方法，本方法中每个极限场景的子问题均为不包含整数变量的调度问题，求解相对简单。

如图3所示，所述步骤S4中所述C&CG算法对所述主子问题进行迭代求解得配电网与多微网调度问题最优解包括如下过程：

步骤S4.1、设定下界L

步骤S4.2、求解主问题，得到日前调度决策最优解

步骤S4.3、固定日前调度决策变量

步骤S4.4、判断所述所有极限场景下子问题

步骤S4.5、寻找所有极限场景下可行解的最大值

步骤S4.6、当前极限场景s为当前最恶劣场景s，进入步骤S4.9。

步骤S4.7、根据所述最大值

步骤S4.8、设定ε为收敛判据，若U

步骤S4.9、更新当前调度条件下主问题的最恶劣极限场景s，将当前该最恶劣极限场景s对应的约束条件添加到主问题；将算法迭代次数更新为n＝n+1，返回步骤S4.2、重复步骤S4.2～步骤S4.9。

另一方面，本实施例还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上文所述的配电网与多微网鲁棒调度方法。

再一方面，本实施例还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的配电网与多微网鲁棒调度方法。

综上所述，本实施例公开了一种考虑可再生能源出力相关性的配电网与多微网鲁棒调度方法，包括：首先，针对可再生能源的不确定性与相关性，采用基于最小体积封闭椭球的数据驱动方法建立可再生能源出力椭球不确定集合；然后以适应可再生能源的不确定性为目标，以燃气轮机日前启停机计划、配电网日前购电计划、配电网与多微网日前联络线传输功率作为日前调度决策内容，建立考虑配电网与多微网整体运行成本的日前-实时二阶段经济调度模型；通过求解椭球不确定集合得到可再生能源出力极限场景，采用极限场景法处理调度模型的不确定性因素，提出一种基于极限场景法的配电网与多微电网二阶段鲁棒调度方法。最后通过基于极限场景法的改进列约束生成算法将二阶段鲁棒优化问题拆分成为主子问题迭代求解。本实施例能够在保证配电网与多微网调度鲁棒性的同时，降低配电网与多微网系统调度的保守性，提高调度的经济性，同时模型求解较为简单，效率较高。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。