基于块坐标下降法的多能源枢纽管理的鲁棒方法及系统

技术领域

本发明涉及能源枢纽系统技术领域，具体涉及一种基于块坐标下降法的多能源枢纽管理的鲁棒方法及系统。

背景技术

需求响应(DR)是以价格为基础(PBDR)和激励为基础(IBDR)的方案为特征，随着能源枢纽系统(EHS)的发展，作为不同能源基础设施和网络参与者之间的接口，引入了一种新的需求响应(DR)愿景，称为“综合需求响应(IDR)”；使用EHS中的能量转换和存储设施，IDR可以很容易地使客户积极参与容灾计划成为可能，即使是在不可削减的负载下；使用IDR可以在EHS输入端口将消耗的能量转换为其他形式的能量，使用热电联产(CHP)或微型涡轮机等转换器元件，或通过存储系统消耗存储的能量；因此，从上级电网的角度来看，EHS输入端口消耗的能源是均衡的，而EHS输出端口的实际能源需求则得到了不间断的满足。

在最近的文献研究中，提出了一个基于激励的IDR模型，融合了EHS中不同能量载体之间的复杂相互作用；然而，采用的IDR模型是基于传统的非线性EHS模型，没有进行不确定性表征方法；为获得针对不确定性的免疫解，采用随机规划(SP)方法对EHS运行中的不确定性源进行建模；在文献的IDR模型中，利用SP表征风速的不确定性，然而，文献中的SP方法在它们的模型中没有考虑任何IDR；虽然在文献中考虑了IDR，但所实施的SP方法面临两个主要挑战，包括缺乏易于处理的方法学和需要不确定参数的完整分布知识，这在实践中可能不容易获得。

因此，鲁棒优化(RO)技术作为一种易于处理的方法，消除了对不确定参数的完全分布知识的需要，最近被开发并应用于EHS操作；但是对偶理论的使用限制了RO在描述资源分配混合整数模型方面的应用范围，这是因为混合整数模型的对偶通常是弱的、不可处理的和复杂的；因此，在RO中没有二进制变量可以建模用于追索权决策；当二进制变量(如存储充放电状态)需要时，这个问题变得更加重要，在不确定性实现后作为追索决定获得；而在文献的研究中，在不确定性实现之前就得到了转炉的启动决策和存储充放电状态，便于第二阶段问题中对偶理论的实施；在文献中，考虑了一个简化模型，利用对偶理论求解能源枢纽运行问题。

因此，目前的IDR研究只对PBDR方案进行了建模，没有研究对EHSs(即能源集成和存储)在存在不确定性的情况下执行IBDR方案的套利能力进行建模；一些研究在其多能量管理模型中考虑了不确定性表征方法，但没有建立IBDR模型；尽管PBDR计划在今天的许多能源系统中有很强的应用，但由于基于激励的IDR尚未在这一背景下得到彻底研究；而且在不确定性建模方面，基于场景的模型和SP模型都存在求解难处理和不精确的问题，这是由于需要对不确定参数的完整分布知识和大量的场景(在实践中不适用)；因此，需要进一步的不确定性建模方法来绕过场景生成的需要。

尽管与基于场景的模型和SP模型相比RO具有优势,但是由于使用对偶理论在解决内部的极大极小问题，使以前的RO模型在文献中没有模型二进制变量如EHS转换器的开/关状态和存储充电/放电状态追索权的决定。

发明内容

针对上述问题，本发明的第一个目的是提出一种基于块坐标下降法的多能源枢纽管理的鲁棒方法，该方法所提出的模型考虑了IBDR和PBDR方案，同时受到不确定性的影响；与基于场景的模型和SP模型相比，它不需要生成不确定性场景的分布知识；此外，该方法中采用块坐标下降法(BCD)，利用一阶泰勒级数求解极值问题；该方法使用BCD而不是对偶理论，使基于资源的整数变量表征成为可能，而且由于没有对偶性，拉格朗日乘子被消除。

本发明的第二个目的是提供一种基于块坐标下降法的多能源枢纽管理的鲁棒系统。

本发明所采用的第一个技术方案是：一种基于块坐标下降法的多能源枢纽管理的鲁棒方法，包括以下步骤：

S100：构建能源中心模型；

S200：基于所述能源中心模型构建基于确定性激励的综合需求响应模型；

S300：对所述综合需求响应模型进行鲁棒求解，以获得最优解；

S400：基于所述最优解管理多能源枢纽。

优选地，所述步骤S100中的能源中心模型通过以下公式表示：

v

式中，P

优选地，所述步骤S200中基于确定性激励的综合需求响应模型的目标函数通过以下公式表示：

式中，M

优选地，所述步骤S300包括以下子步骤：

S310：实现不确定性集；

S320：不确定性集实现后，构建自适应鲁棒优化模型；

S330：对自适应鲁棒优化模型进行求解，以获得最优解。

优选地，所述不确定性集通过以下公式实现：

式中，[I]

优选地，所述自适应鲁棒优化模型通过以下公式表示：

式中，X为启动变量的向量；[I]

优选地，所述对自适应鲁棒优化模型进行求解包括：

采用列约束生成方法将三层最小-最大-最小问题分解为单层最小问题和二层最大-最小问题，以及采用块坐标下降法迭代求解二层最大-最小问题。

本发明所采用的第二个技术方案是：一种基于块坐标下降法的多能源枢纽管理的鲁棒系统，包括能源中心模型构建模块、综合需求响应模型构建模块、计算模块和管理模块；

所述能源中心模型构建模块用于构建能源中心模型；

所述综合需求响应模型构建模块用于基于所述能源中心模型构建基于确定性激励的综合需求响应模型；

所述计算模块用于对所述综合需求响应模型进行鲁棒求解，以获得最优解；

所述管理模块用于基于所述最优解管理多能源枢纽。

优选地，所述计算模块执行以下操作：

S310：实现不确定性集；

S320：不确定性集实现后，构建自适应鲁棒优化模型；

S330：对自适应鲁棒优化模型进行求解，以获得最优解。

优选地，所述对自适应鲁棒优化模型进行求解包括：

采用列约束生成方法将三层最小-最大-最小问题分解为单层最小问题和二层最大-最小问题，以及采用块坐标下降法方法迭代求解二层内最大-最小问题。

上述技术方案的有益效果：

(1)本发明提出了一个基于激励的IDR模型，以描述具有不可削减负荷的EHSs运行中IBDR计划分配的激励/惩罚条款；作为一个面对上游IBDR方案的能源客户，提出的模型是从EHS的角度进行的，考虑了工业领域两种常用的IBDR方案，包括可中断/可削减服务(I/C)和容量市场计划(CAP)；I/C和CAP计划的激励/处罚条款和合同水平被表征为EHS和上游IBDR计划之间的确切相互作用的模型；与之前的模型不同，本发明提出的基于激励的IDR模型被集成到EHS潮流约束中，特别是利用存储系统的套利能力以及整个EHS的能量转换，使激励回收最大化，惩罚分配最小化。

(2)本发明针对EHSs运行中负荷和能源价格的不确定性，提出一种自适应鲁棒优化(ARO)方法；不确定参数用多面体不确定集中的有界区间来表征，ARO模型是一个不能直接求解的三阶最小-最大-最小问题；为此，采用分解方法将最小-最大-最小ARO问题分解为主问题和子问题，采用列约束生成(C&C)方法，通过原始切割面迭代求解分解问题，即采用列约束生成技术，通过分解方法将三层模型转化为单层最小问题和双层最大最小问题；几个二进制变量如存储充放电状态以及IC/CAP合同投标必须在子问题的不确定性实现后获得，以能够补偿不确定负载/价格作为追索权决策的影响；因此，在提出的模型中没有使用对偶理论来解决子问题，而是使用了块坐标下降法(BCD)方法。

(3)在求解方法上，鲁棒性方法采用BCD方法迭代求解二层内最大最小子问题；在传统ARO模型中，用对偶理论将其转化为单级极大问题，而不是用泰勒级数来实现；因此，消除了在子问题中考虑二元变量的相关限制；事实上，混合整数模型(甚至非线性模型)可以通过提出的BCD鲁棒模型在子问题中求解；因此，在子问题中实现不确定性后，可以获得与不确定性相关的二进制变量，如IDR投标和存储充放电状态作为追索决策，从而使系统在补偿负荷和价格偏差等不确定性影响时具有更大的灵活性；此外，该方法消除了拉格朗日乘子，避免了对偶内问题的线性化；因此，提出的基于激励的IDR模型的情况敏感性降低，因为它没有反映双重变量。

(4)本发明针对25000个不确定性事实提出了事件后分析，与确定性模型相比，以验证所获得对不确定性的鲁棒解的有效性。

(5)本发明提出了一种新的基于激励机制的能源枢纽系统(EHS)综合需求响应模型(IDR)；考虑基于激励的需求响应(IBDR)计划是可中断/可削减的服务和容量市场计划，提出的IDR模型将EHS存储的盈利模式和能量转换集成到IDR模型中；IDR优化问题的目标是最大化/最小化IBDR方案在目标时间段内分配的奖励/惩罚，同时不中断地提供必要负荷的供电；负荷和能源价格的不确定性通过用户定义的多面体不确定性集来考虑。

(6)与以往用对偶理论求解内极值问题的RO模型不同，本发明采用块坐标下降法(BCD)，利用一阶泰勒级数求解极值问题；使用BCD而不是对偶理论，使基于资源的整数变量表征成为可能，例如EHS存储状态，这在以前的模型中并不适用(由于使用了对偶理论)；此外，由于没有对偶性，拉格朗日乘子被消除。

(7)本发明所提出的模型考虑了IBDR和PBDR方案，同时受到不确定性的影响；与基于场景的模型和SP模型相比，它也不需要生成的不确定性场景的分布知识；此外，由于使用了BCD技术，它提供了基于资源的IDR投标和存储操作；在实际情况中，存储操作的套利能力在不确定性出现时为系统提供了最重要的灵活性；因此，在BCD鲁棒模型中确定不确定性实现后的存储操作，与以往的双基模型相比，可以合理提高操作的可行性。

(8)针对提出的BCD鲁棒模型的数学负担方面，本发明提出的BCD鲁棒模型不存在对偶性，不需要线性化；因此，与以往的双基RO模型相比，本发明提出的模型的数学负担较小。

(9)与以前报道的方法相比，本发明公开的一种基于块坐标下降法的多能源枢纽管理鲁棒方法的主要优点是不需要基于对偶性的切割或线性化方案；此外，在基于双元的RO模型中，一些对偶变量或拉格朗日乘子必须通过计算昂贵的边界参数选择过程进行边界，从而使模型具有视情况而定的特点；然而，本发明提出的BCD鲁棒模型由于没有对偶性而避免了这一问题。

附图说明

图1为本发明的一个实施例提供的一种基于块坐标下降法的多能源枢纽管理的鲁棒方法的流程示意图；

图2为本发明的一个实施例提供的BCD鲁棒优化两阶段模型的示意图；

图3为本发明的一个实施例提供的一种基于块坐标下降法的多能源枢纽管理的鲁棒系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的优选实施例，本发明的范围由权利要求书限定。

在本发明的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“第一”“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性；对于本领域的普通技术人员而言，可视具体情况理解上述术语在本发明中的具体含义。

实施例一

图1为本发明的一个实施例提供的一种基于块坐标下降法的多能源枢纽管理的鲁棒方法，包括以下步骤：

S100：构建能源中心模型；

EHS是能源供应商在其输入端口和能源需求在输出端口之间的接口；这些系统通常消耗电网能源载体，如天然气、电力和热能；能量输入直接消耗，转换成其他形式的能量(即，使用转换器元件)，和/或存储在系统内，以在其他操作时间步骤中消耗；由于EHS的输入能量是由多个转炉(如可用于热电联产的天然气、微型涡轮、加热炉等)消耗的，因此在本发明的模型中还需要考虑其他称为“调度因子”的变量；本发明采用最新发展的EHS模型，其中耦合矩阵由两个新的矩阵V和η以及一个新的独立连续变量P

v

式中，P

转换器的输入能量与EHS输出负载之间的关系也由公式(1-3)提供；矩阵

式中，L

因此，公式(1-5)表示每个EHS输入能量与转换器输入能量之间的能量流。

式中，P

注意，存储可以放置在EHS的输入和输出中；事实上，它能转换存储功率流之间的输入和输出；然而，在本发明中，出于建模的目的，假设所有的能量储存都在输出侧；因此，考虑到转换器和存储系统，EHS输入和输出之间的线性化关系定义为公式(1-6)或其等价关系式(1-7)。

L＝ηP′-SQ

L＝ηV

式中，L为EHS输出能量载体的矢量；η为EHS转换矩阵；P′为EHS输入能量到转换器的矢量单位；S为存储耦合矩阵；Q

矩阵S描述了储能的变化对集线器输出流的影响；S的每一个元素表示存储k与输出负荷j之间存在能源交易(S

式中，

S200：基于能源中心模型构建基于确定性激励的综合需求响应(IDR)模型；

本发明重点讨论了可中断/可削减服务(I/C)和容量市场计划(CAP)计划，这两种计划都包括激励和惩罚条款；在这些计划中，激励措施通常包括预付订金，如果要求客户减少订金，客户将面临惩罚；参加I/C及CAP计划的人士应将要求减至可接受的水平，该水平被称为合同水平(Cl

一些小规模客户可能有足够灵活，可以通过每小时通知的方式参与DR方案，然而，其他一些大型工业客户需要更多的时间来参与DR方案；在本发明中，假设EHs操作员提前一天收到IBDR激活的通知。

参与者能通过三种不同的方式对相关的上游IBDR方案进行响应，具体解释如下：

情况1:客户对IBDR方案响应失败，无法履行合同级别，即能耗高于合同级别；在这种情况下，惩罚被分配到未削减的能量，这种情况下消耗的能量记为

情况2:客户完成IBDR方案中的合同级别，消耗的能源完全等于合同水平，因此，激励被充分分配到被削减的能源；在这种情况下，所消耗的能量用

情况3:在IBDR方案中，客户减少的消耗超过了合同级别，在这种情况下，被削减的能量被以相同的方式处理，而额外的被削减的能量被奖励额外的激励率。

在本发明中，针对EHS与IBDR方案可能的相互作用(即上述情况1-3)，提出了一个基于确定性激励的综合需求响应模型，用于具有不可削减负载的EHS，该模型旨在优化管理EHS设施，包括转换器和存储系统；以及通过IBDR方案最大化EHS效益，同时减少EHS输出必要负荷的实际能源消耗。

基于确定性激励的综合需求响应模型测量EHS输入电量，以获得最大利益，并在目标时间段内避免任何违约行为，公式(2-1)至(2-18)表示了基于确定性激励的综合需求响应模型的目标函数和相关约束，考虑了EHS操作和EHS算子对IBDR方案可能的响应，即情况1-3；目标函数，即公式(2-1)包含5个项(M

EHS转化器单元(如CHP、换热器等)的启动成本用M

式中，M

转换器的启动约束由公式(2-2)和公式(2-3)表示，请注意，

式中，

式中，

通过公式(2-5)和(2-6)描述EHS输入能量载体与EHS内部转换单元的输入能量之间的关系；

式中，P

公式(2-5)和(2-6)是公式(1-1)-(1-8)中EHS线性化获得的，约束(2-7)和(2-8)EHS输入能量限制在容许范围，被添加到目标函数通过二进制变量λ

式中，Cl

EHS能量平衡约束通过公式(2-9)表示；约束(2-10)将转换器的输入能量限制在允许范围内。

式中，

式中，

考虑到充电、放电和待机模式的存储系统能量平衡，充放电状态E

式中，E

每个存储在最后运行时间段必须具有与第一个时间段相同的能量级，称为端耦合约束，用公式(2-12)表示。

式中，t为小时索引；[I]

如果模型中不考虑这个方程，优化仍然提供最优解；实际上，考虑端耦合约束类似于将存储级别的最终值固定为其初始值；忽略这个约束不会影响解的最优性；唯一不同的是，由于不需要再次充电，存储的操作在最后阶段可以略有不同；每个存储的能级、充电率和放电率分别限制在(2-13)、(2-14)和(2-15)的允许范围内。

式中，

约束(2-16)确保每个存储在同一时间只运行在一种模式(充电、放电或停用)。

最后，变量的类型在(2-17)和(2-18)中指定。

式中，

S300：对基于确定性激励的综合需求响应模型进行鲁棒求解，以获得最优解；

S310：实现不确定性集；

负荷和能源价格的不确定性通过多面体不确定性集(3-1)到(3-5)通过有界区间来考虑；不确定的参数

式中，[I]

考虑的偏差通过约束(3-3)和(3-4)限制在用户定义的允许范围内；

式中，

与负荷和能源价格相关的不确定参数的数量由(3-5)中的不确定预算Ψ确定。

如果Ψ＝0，则任何不确定参数都不能偏离其估计值，从而形成确定性模型。

式中，[I]

通过增加不确定性预算，允许更多的不确定性参数偏离；Ψ的最大值等于允许所有不确定参数偏离其名义估计的不确定参数的总数；由于鲁棒优化(RO)是根据不确定参数的最坏情况实现来确定解决方案的，因此它选择了每个不确定参数的偏差的最大允许值；实际上，在优化中

因此，公式(3-5)说明了偏离其标称值的不确定参数的数量，在数学上低于Ψ；然而，由于RO的保守性，在优化中选择了Ψ的准确值作为不确定性预算；因此，在不确定性建模中，RO被认为是一种保守的方法，但对不确定性的影响更小；然而，事件后分析决定了模型的最优鲁棒设置；事实上，事后分析针对试验场景检查了Ψ、

S320：不确定性集实现后，构建自适应鲁棒优化模型；

鲁棒优化(RO)中有两种主要的决策，一种是在不确定参数集实现后得到的“此时”决策，另一种是在不确定参数集实现后得到的“观望”决策；因此，当不确定性集实现后，这些“观望”的资源决策可以适应不确定性的变化；这种自适应决策能力使我们的鲁棒模型具有自适应特性，使其优于单阶段鲁棒方法，而单阶段鲁棒方法没有“等待”资源自适应能力；由于这种自适应特性，本发明提出的模型被称为自适应鲁棒优化(ARO)模型。

本发明将转换器的启动二进制变量(即U

式中，X为启动变量的向量；[I]

S330：对自适应鲁棒优化模型进行求解，以获得最优解；

在公式(4-1)中，外部最小值问题使A′X除以向量X表示的“此时此刻”变量；这一项表示公式(2-1)中的M

F′,Y表示(2-1)中剩余项的集合(即M

式中，[I]

如图2所示，求解方法包括内环和外环两个迭代回路；根据命名法中的符号，主问题和子问题的紧凑数学公式见图2(c、z分别为外部、内部循环迭代的索引；[I]

(1)外环:外环一方面负责将主问题中获得的“此时此刻”变量传输到子问题(在不确定性实现之前)，另一方面负责将原始切割面从子问题提交到主问题；然后根据得到的“此时此地”变量求解子问题，确定“等待”变量和不确定参数的最坏情况实现，在下一次迭代中送回主问题；因此，在每次迭代中，都会向主问题添加一组完整的原始切割，并更新变量以发送到子问题；该过程通过外环迭代，直到满足收敛准则(主问题和子问题的值足够接近)，终止外环，得到鲁棒解。

(2)内环:由于子问题是二层最大最小问题，不能直接求解；在以前的鲁棒模型中，利用对偶理论将其改写为单层最大问题，限制了RO的应用；这是因为在内部最大-最小问题中，没有二进制变量可以作为追索权决策来考虑——混合整数模型的通常是弱的、不可处理的和复杂的；这些二元变量的一个例子是存储充放电状态，需要在不确定性实现后获得，以补偿由于负荷的不确定性造成的能量短缺/过剩；另一个例子是二进制变量，表示EHS在响应DR程序方面的状态，这必须在不确定性实现后获得，以使EHS的效益最大化；然而，这些都不适用于传统的基于双基础的鲁棒模型；这导致了两种不利的方法，解释如下：

1)去除一些研究中不适用的二元变量，如本发明中，对于IBDR合同的失败或履行分配二元变量，即

2)在外最小问题(主问题)中用不确定性表征二元资源变量，而这些变量是在内部最大-最小子问题的不确定性实现后作为资源决策得到的；这导致了非最优和不现实的解决方案；因此，在本发明提出的鲁棒模型中，采用了块坐标下降法(BCD)方法，而不是通过对偶理论将子问题转化为单层问题，通过迭代方法求解子问题；因此，在内极大极小子问题中考虑二元变量是没有限制的。

因此，在不确定性实现后，可以得到存储充放电状态变量，以及IBDR合同失败或履行的二进制变量；结果表明，与传统的双基础鲁棒模型相比，适应鲁棒模型具有现实的最优解。

BCD技术最初是为处理单层问题而设计的；通过将BCD技术应用于求解两级最大最小子问题(由C&C生成技术产生)，可以在求解子问题时避免对偶理论；利用BCD方法，将子问题重新划分为第一级子问题(刻画内部最小问题)和第二级子问题(刻画内部最大问题)；第二阶段子问题建立在第一阶段子问题中不确定参数的一阶泰勒级数逼近的基础上；第一阶段子问题考虑到第二阶段子问题中获得的不确定参数的最坏情况实现，考虑到从主问题中获得的“此时此地”变量，确定“等待”变量；然后求解第二阶段子问题，以更新不确定参数的最坏情况实现，考虑在第一阶段子问题中获得的“等待”变量；这个迭代过程通过内环执行；因此，在每次外环的迭代中，内部循环执行到收敛(第一和第二阶段子问题的值变得足够接近)。

S400：基于最优解管理/部署多能源枢纽。

下面结合仿真实验说明本发明技术方案的有益效果：

(1)数据集

表1列出了与上游电力市场相关的分配激励、惩罚和能源价格；

表1电力市场相关的分配激励、惩罚和能源价格

在使用时间中，01-06、07-14/21-24和15-20小时分别属于谷期、非峰期和峰期；能源价格和EHS输出的负荷需求都被认为是不确定参数，这意味着它们可能在每小时范围内偏离；这是因为运营模拟是以小时为基础进行的；然而，模拟的规模可以缩小到任何其他规模；输入参数及其允许范围见表2。

表2输入参数及其允许范围

IBDR计划的目标时间段为17-20小时，合同水平为2p.u.；考虑了四种不确定参数偏差范围不同的情况；这些情况包括情况1、情况2、情况3和情况4，分别有5％、10％、15％和20％的偏差；由于存在5个不确定参数(即3个输入能源价格和2个负荷消耗)，因此24小时调度周期内存在5×24＝120个不确定参数(即0≤Ψ≤120)。

优化参数中的任何偏差，如输入能源价格，都不会影响解决方案的最优性；这是由于模型是线性的，优化仍然达到全局最优；在具有8gb RAM和Core-i7CPU的计算机上，通过GUROBI求解器在GAMS软件编程环境下进行了仿真。

(2)解决方案

表3为情况1-4EHS总运营成本；可以观察到，Ψ＝0是本发明提出的基于激励的IDR模型的确定性表示，而不考虑不确定参数的偏离范围；事实上，当Ψ＝0时，没有不确定参数会偏离估计。

表3 EHS总运营成本

随着表3中不确定性预算Ψ的增加，所有情况下的总运营成本都增加；这是因为，增加Ψ扩大了不确定集的大小，即更多的不确定参数可以偏离它们的标称值，导致以更高的代价实现更稳定的运行；对于一个给定的值Ψ＞0，则不确定参数在情况4>情况3>情况2>情况1下的偏差，即为最坏情况下实现不确定性更糟糕；因此，对于Ψ的每个值，情况4>情况3>情况2>情况1的运行成本；对于所有具有不同鲁棒设置的情况，计算时间在3到4.5s之间。

(3)结果

1)解决方案与PBDR方案的比较：为了说明所提模型的有效性，研究的EHS在两种情况下运行；在第一种情况下，只考虑了峰谷分时电价(即PBDR方案)，而在第二种情况下，同时考虑了峰谷分时电价和基于激励的IDR；因此，在第一种情况，即只考虑使用时间(TOU)时，目标函数包括M1和M2，而第二种情况则包括所有M1-M5项；除TOU定价外，在考虑基于激励的IDR时，在所有情况1-4中，目标函数的值都较低；这是因为所提出的模型通过优化测量输入能量，使获得的激励最大化，同时通过IBDR方案使可能的惩罚分配最小化。

2)事件后分析对鲁棒解的验证：随着鲁棒水平(Ψ、

为了在鲁棒性价值和成本之间提供最佳平衡，并避免过度保守/过保守的RO解决方案，本发明进行了事件后分析；根据这一分析，对于每个稳定性级别(如表3)所获得的RO解决方案是针对足够多的不确定性实现进行检查的，而所获得的操作解决方案是固定的；然后对所有场景的目标函数值进行归一化；稳定的结果导致事件后值的最小值被认为是模型的最优鲁棒设置。

为了保证解决方案的可行性，在事件后分析中增加了自由变量来模拟每个场景中的能源短缺；这意味着，如果出现电力短缺，额外的自由变量将模拟负荷下降；因此，混合整数线性模型(2-1)到(2-18)成为仅表征电力短缺的简单线性模型；事件后分析的数学模型如公式(5-1)到(5-2)所示；事件后模型只考虑与电量不足相关的约束，其他约束由于固定在得到的鲁棒解上(它们是常数，对事件后值没有影响)而被排除；事件后值由公式(5-1)得到，将每个试验场景的电量不足绝对值(即

式中，PE为事后成本的价值；s为每个试验场景中的相关变量；[I]

进行事件后分析后，Ψ＝0导致确定性模型导致更高的事件后成本，这表明确定性解决方案不能免疫负荷和能源价格的不确定性；通过增加Ψ，所提出的BCD鲁棒模型的鲁棒性提高，扩大了多面体不确定性集的大小，涵盖了更多的不确定性实现；ARO模型的最佳性能为$1130.3，不确定参数偏差(情况3)为15％，且Ψ＝120；因此，这些鲁棒设置使得提出的BCD鲁棒模型具有最实用、最可行和最经济的性能。

实施例二

图3为本发明的一个实施例提供的一种基于块坐标下降法的多能源枢纽管理的鲁棒系统，包括能源中心模型构建模块、综合需求响应模型构建模块、计算模块和管理模块；

所述能源中心模型构建模块用于构建能源中心模型；

所述综合需求响应模型构建模块用于基于所述能源中心模型构建基于确定性激励的综合需求响应模型；

所述计算模块用于对所述综合需求响应模型进行鲁棒求解，以获得最优解；

所述管理模块用于基于所述最优解管理多能源枢纽。

进一步的，在一个实施例中，所述计算模块执行以下操作：

S310：实现不确定性集；

S320：不确定性集实现后，构建自适应鲁棒优化模型；

S330：对自适应鲁棒优化模型进行求解，以获得最优解，包括：

采用列约束生成方法将三层最小-最大-最小问题分解为单层最小问题和二层最大-最小问题，以及采用块坐标下降法方法迭代求解二层内最大-最小问题。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。