技术领域
[0001] 本发明属于电热联合系统中可再生能源调度技术领域。
相关背景技术
[0002] 针对电热联合系统中可再生能源不确定性优化问题，分布鲁棒优化方法可以很好的避免随机优化以及鲁棒优化在处理不确定性问题时存在经济性较差以及保守性较高的缺点。然而，对于分布鲁棒优化问题的不确定性集合建模一直以来是分布鲁棒优化模型的关键难点。
[0003] 基于Wasserstein测度的不确定性集合构建弥补了基于概率分布函数以及KL(Kullback‑Leibler)散度在不确定性集合构建方面的缺点。但是，传统的Wasserstein测度构建的不确定性集合在理论上是包含无穷多个的概率分布，严重影响优化调度模型的求解效率。同时，在电热联合系统中对于电动汽车集群的不确定性建模方法局限于概率分布函数，难以符合实际的多场景调度需求。
具体实施方式
[0044] 具体实施方式一：参照图1至图4具体说明本实施方式，本实施方式所述的基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法，包括以下步骤：
[0045] 步骤一：使用经验分布 作为参考分布来估计真实分布 具体的，根据历史风电预测功率误差数据集 构建经验分布 该经验分布 是一个阶跃函数，表达式为：
[0046]
[0047] 其中，N为历史样本总数，j＝1,2,...,N， 为第j个历史风电预测功率误差数据的狄拉克测度。
[0048] 根据大数定律，可以证明，当有更多数据可用时，参考分布 肯定会逐渐收敛到真实分布
[0049] 则构建风电预测误差的不确定集 该不确定集 为以经验分布 为圆心、εw为半径的Wasserstein球，表达式如下：
[0050]
[0051] 其中， 为风电输出功率的预测值， 为具有支撑的所有概率分布Ξ的集合，[0052] 为真实分布 的期望值，其中
[0053] 为欧几里德范数， 为真实分布 和经验分布 的联合概率分布，ξw和 分别为真实分布 和经验分布 的随机变量、且分别服从 和inf(·)为下确界函数。
[0054] 步骤二：基于Wasserstein测度的分布鲁棒优化调度模型可以弥补累积概率分布和KL散度等其他不确定集的不足。然而，随着样本集大小的增加，计算量也急剧增加。同时，分布鲁棒优化调度试图在最坏概率分布情况下做出最佳决策，从而保障不确定集中所有可能的概率分布的决策方案。因此，在最坏情况概率分布下，分布鲁棒优化调度的鲁棒性可以得到保证。
[0055] 基于以上事实，建立风电极端情景指标，需要尽可能筛选出风电输出的最坏情况概率分布集，以提高分布鲁棒优化调度的计算效率；同时又不失决策方案的鲁棒性和经济性。目前有两种极端风电输出功率场景：
[0056] 第一种为风电输出功率为最大值或最小值，则t时刻最大风电输出功率 和最小风电输出功率 的表达式为：
[0057]
[0058] 其中， 为t时刻风电输出功率的预测值。
[0059] 第二种为风电的爬坡功率超出其阈值，则风电在时间间隔(t,t+Δt)内的极端爬坡功率为：
[0060]
[0061] 其中， 和 分别为风电的向上和向下爬坡功率，Pw,t和Pw,t+Δt分别为t和t+Δt时刻风电的输出功率，Δt为时间增量。
[0062] 将风电输出功率的极端情景指标引入风电预测误差的不确定集中，使得建立极端场景下风电预测误差的不确定集
[0063]
[0064] 其中，α1和α2分别为风电预测误差可允许的向上和向下的波动百分比， 和分别为向上和向下爬坡功率的阈值。
[0065] 步骤三：与受气象因素影响较大的风力发电不同，电动汽车的运行特性能够通过引导电动汽车有序充电或放电来进行控制。此外，未来将有越来越多的电动汽车接入电网，合理有效的控制是必要的。通过适当的调节，电动汽车集群的不确定性可以大大降低。然而，尽管有序调控削弱了电动汽车集群的不确定性，但电动汽车集群的不确定性仍然存在。因此，需要建立有序控制下电动汽车集群的不确定度集。
[0066] 根据电动汽车荷电状态的差异，将电动汽车分为三种类型：
[0067] 1)荷电状态小于等于20％的为充电状态的电动汽车(CSEVs)；
[0068] 2)荷电状态大于等于80％的为放电状态的电动汽车(DSEVs)；
[0069] 3)荷电状态大于20％且小于80％的为移动储能型电动汽车(MSEVs)。
[0070] 这里仅考虑CSEVs和DSEVs的不确定性，并将MSEVs视为储备资源。
[0071] 分别构建充电和放电状态下电动汽车运行特性的不确定集，
[0072] 充电状态下电动汽车运行特性的不确定度集 为：
[0073]
[0074] 其中，PtChar为t时刻充电状态下电动汽车的总充电功率，PtPrechar为t时刻充电状态Upchar Downchar下电动汽车的预测充电功率，Pt 和Pt 分别为t时刻充电状态下电动汽车的向上和向下最大波动充电功率， 和 均为0～1的变量、 且
为充电状态下电动汽车的调节系数(调度期间充电状态下电动汽
车充电功率达到波动间隔边界值的数值)、且
T为总调度周期。
[0075] 放电状态下电动汽车运行特性的不确定度集 为：
[0076]
[0077] 其中，PtDis为t时刻放电状态下电动汽车的总放电功率，PtPredis为t时刻放电状态下Updis Downdis电动汽车的预测放电功率，Pt 和Pt 分别为t时刻放电状态下电动汽车的向上和向下最大波动放电功率， 和 均为0～1的变量、 且
为放电 状态 下电 动汽 车的 调节 系数、且
[0078] 步骤四：为了综合考虑风电和电动汽车集群的不确定性，需要建立不确定集下分布鲁棒优化调度模型，该模型分为两个阶段。
[0079] 第一阶段，根据风电、电动汽车充电功率和放电功率的预测输出值，安排机组输出功率计划，目标是使发电成本、启停成本、电动汽车运行成本和第二阶段预期成本之和最小化。具体公式为：
[0080]
[0081] 其中， 为常规机组的运行成本，该运行成本中包括燃料成本和启停成本，为第i个常规机组在t时刻的输出功率， 和 分别为常规机组的启动和停止状态量，当常规机组的启动时 当常规机组的停止时 为热电联产机组的燃料成本，为热电联产机组的电力输出功率值， 为电动汽车的折旧成本， 和 分别为第n辆电动汽车在t时刻的充电功率和放电功率，NG为常规机组的总数，NCHP热电联产机组的总数，NEV为电动汽车的总数， 为电热联合系统的总不确定集， EP
[·]为 中任一分布P的期望值。
[0082] 第二阶段，针对风力发电和电动汽车充放电功率的波动进行调节，其目标函数包括发电机组的调节成本、电动汽车的运行成本，具体公式为：
[0083]
[0084] 其中，x为常规机组和热电联产机组的输出功率调整值集合， 为风电功率预测误EVR差和电动汽车充放电功率的波动值集合，C 为电动汽车电池的更换成本， 为第n辆电动汽车电池的充放电总容量， 和 分别为充电状态和放电状态下电动汽车的功率波动值，cG,i和cCHP,i分别为第i个常规机组和第i个热电联产机组输出功率调整成本系数，G CHP
和 分别为第i个常规机组和第i个热电联产机组在t时刻的参与系数，ΔPt和ΔPt分别为常规机组和热电联产机组的调节功率。
[0085] 为了验证上述基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法的有效性，针对改进的IEEE 9节点电热联合系统进行仿真验证，IEEE 9节点电热联合系统如图1所示。
[0086] 考虑三种调度场景，以分析基于极端场景的风电不确定性和电动汽车(EV)运行特性不确定性对调度结果的影响。三种调度场景如下：
[0087] 情景1：考虑了基本情况下的调度方案，该方案仅考虑基于Wasserstein测度的电热联合系统分布鲁棒优化模型。
[0088] 情景2：与调度场景1相比，考虑极端风电情景下改进Wasserstein测度的电热联合系统分布鲁棒优化模型。
[0089] 情景3：与调度方案2相比，又考虑电动汽车运行特性不确定性的电热联合系统分布鲁棒优化模型。
[0090] 1)情景1和情景2的结果对比分析
[0091] 通过调度场景1和2之间的比较，验证了基于改进Wasserstein测度的分布鲁棒优化调度模型的有效性和优越性。表1给出了场景1和场景2的优化调度模型的运行成本和计算时间。
[0092] 表1所示的结果表明，场景2的优化调度模型的运行成本接近场景1的优化调度模型，甚至小于场景1优化调度模型，这证明所提出的场景2优化调度模型的有效性，且经济性较好。此外，场景2优化调度模型在计算时间上具有巨大优势。从表1可以看出，当有更多的历史数据可用时，两个模型之间的计算时间差距会极大地增加。以采样5000次的仿真结果为例，提出的场景2的优化调度模型在计算速度上比场景1的优化调度模型快73.88％。
[0093] 表1场景1和场景2的结果对比
[0094]
[0095] 2)场景2和场景3的结果对比分析
[0096] 此处能够说明电动汽车运行特性的不确定性对优化结果的影响。场景2和场景3的运行成本和计算时间比较如表2所示。场景2和场景3的电动汽车运行情况如图2所示。CON(常规机组)和CHP(热电联产机组)的调整功率如图3所示。从表2可以看出，由于考虑了电动汽车运行特性的不确定性，场景3的总运行成本高于场景2的运行成本，尤其是电动汽车电池的折旧成本比场景2高出30.45％。
[0097] 表2场景2和场景3的对比结果
[0098]
[0099] 从图2可以看出，场景3的电动汽车充电功率和放电功率大于场景2的运行情况。这是因为电动汽车的不确定性增加，导致MSEVs的充电功率和放电功率发生变化，以应对CSEVs和DSEVs的波动。如图3所示，CON机组和CHP机组也参与调整，以应对EV的不确定性。由于CHP机组的调整成本低于CON机组，因此，CHP机组是主要的调节机组。
