技术领域
[0001] 本发明涉及电网调度技术领域,尤其涉及一种基于分布鲁棒优化的多主体MEMG调度方法。
相关背景技术
[0002] 分布式可再生能源(DRG)具有建设周期短、应用场景多、环境负效应低、技术成熟度高等优势,发展前景广阔。但是由于其出力存在的随机性,间歇性和波动性,给电网的安全运行带来巨大的风险。
[0003] 多能微网(MEMG)可以将不同类型的分布式能源综合在一个区域,为用户提供冷、热、电等多种能源的供应,实现多种能源互补应用、能源梯次和循环利用。
[0004] 未来分布式资源在MEMG内的占比会进一步提升,而“网间互联互通”的形式能够有效提升多主体MEMG系统的经济性、稳定性以及分布式资源消纳水平,但是在其运行过程中不可避免地会受到可再生能源以及购/售电价等多重不确定主体的影响,不确定性因素进一步增强。
具体实施方式
[0045] 以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
[0046] 实施例一
[0047] 图1为本发明实施例一提供的一种多主体MEMG交互模型图,如图1所示,模型中,多能微网除了彼此间进行电量交换外,还与上级电网进行复杂的电量交换。多能微网内部构造复杂,简化后的多能微网主要包括自身的电网、燃气轮机、风电、光伏。
[0048] 本发明实施例提供的一种基于分布鲁棒优化的多主体MEMG调度方法,包括:
[0049] 构造上层为MEMG、下层为产消者的多主体MEMG‑产消者运行模型。
[0050] 优先的,对单个MEMGi基于自身最小化运行成本构造目标函数minCoMMGi;所述minCoMMGi代表MEMGi的总运行成本的最小值。
[0051] 进一步的,在MEMG侧通过计量设备采集各主体间交互的电力量、天然气量、用电设备的用电功率以及储能设备的充/放电功率,目标函数minCoMMGi的表达式为:
[0052]
[0053]
[0054] 式(1)中,minCoMMGi代表MEMGi的总运行成本的最小值, 代表MEMG向产消者的售电利润, 代表MEMG之间进行P2P交互的利润, 代表MEMGi和上级电网的购电成本, 代表售电利润, 代表内部燃气轮机设备的成本, 代表电锅炉设备的成本,代表储能设备的成本,μg代表单位天然气购买成本,cm代表电锅炉单位运维成本,cE表示储能的单位恶化成本, 代表t时刻燃气轮机的天然气购买量, 表示电锅炉在t时刻的用电功率, 和 分别表示t时刻储能的充/放电功率;
[0055] 式(2)中, 代表MEMGi制定给第J个产消者的售电电价, 代表产消者J根据MEMGi向自身制定的电价所决策出的购电策略,m为MEMGi内部的产消者数量;
[0056] 式(3)中, 表示MEMGi和MEMGj在t时刻的交互电价,而 代表两者在t时刻的能源交互量;当 大于0,代表MEMGi向MEMGj卖电;反之则代表MEMGi向MEMGj买电;
[0057] 式(4)、(5)分别代表MEMGi在购/售电价分布最恶劣的情况下与上级电网的购电成本/卖电利润期望值, 与 分别代表MEMGi与上级电网的购/售电电价随机变量,与 分别代表t时刻电力的购/售电电量。
[0058] 进一步的,MEMGi模型的约束条件包括:
[0059]
[0060] 式(1‑1)、(1‑2)、(1‑3)表示MEMGi内部储能的充/放电逻辑约束以及充/放电上下限约束,其中 和 为储能的充/放电0‑1变量, 和 表示t时刻储能的充/放电功率,和 分别表示最大充/放电量;
[0061] 进一步的,MEMGi模型的约束条件还包括:
[0062]
[0063] 式(1‑4)、(1‑5)、(1‑6)、(1‑7)代表MEMGi内燃气轮机的启停以及运行状态之间的逻辑关系,其中 和 均为0‑1变量,分别表示燃气轮机的启停和运行逻辑变量。
[0064] 进一步的,MEMGi模型的约束条件还包括:
[0065]
[0066] 式(1‑8)、(1‑9)表示MEMGi和上级电网购售电量的上下限,其中 和 分别表示MEMGi和上级电网的最大购/售电量;需要注意的是,只要MEMGi在t时刻和上级电网的平均购电电价大于平均售电电价,即使式(1‑8)、(1‑9)不引入类似式(1‑2)、(1‑3)的0‑1变量,MEMGi也不会和上级电网发生同时购售电的情况;
[0067] 进一步的,MEMGi模型的约束条件还包括:
[0068]
[0069] 式(1‑10)、(1‑11)、(1‑12)表示储能荷电状态和充放电量之间的关系以及荷电状max态的上下限,其中 代表t时刻储能的荷电状态, 代表储能的初始容量,SOC 和min
SOC 分别表示储能荷电状态的上下限,ηch和ηdis分别表示储能的充/放电效率;
[0070] 进一步的,MEMGi模型的约束条件还包括:
[0071]
[0072] 式(1‑13)、(1‑14)分别表示燃气轮机的购气量范围和电锅炉的出力范围,其中代表t时刻燃气轮机的天然气购买量, 和 表示燃气轮机在运行状态下购气上下限, 表示电锅炉在t时刻的用电功率, 表示电锅炉的用电上限;
[0073] 进一步的,MEMGi模型的约束条件还包括:
[0074]
[0075] 式(1‑15)、(1‑16)代表微网i和j之间进行能源交互,其中 代表两个MEMG之间电能交互的上限;
[0076] 进一步的,MEMGi模型的约束条件还包括:
[0077]
[0078] 式(1‑17)表示上层MEMGi和下层产消者的交互电价范围,其中 和 表示t时刻电价的上下限;
[0079] 进一步的,MEMGi模型的约束条件还包括:
[0080]
[0081] 式(1‑18)、(1‑19)分别表示MEMGi内部的电功率与热功率平衡约束。其中和 表示t时刻可再生能源以及电负荷、热负荷的大小,ηg、ηh和ηb分别表示燃气轮机的产电效率、产热效率以及电锅炉的产热效率。
[0082] 优选的,基于Wasserstein球对多主体MEMG‑产消者运行模型中的多重不确定主体进行优化。
[0083] 进一步的,基于Wasserstein球对多主体MEMG‑产消者运行模型中的多重不确定主体进行优化,包括:
[0084] 基于Wasserstein球的模糊集表示购/售电价的分布集合:
[0085]
[0086] 式(6)、(7)中, 和 分别代表购/售电价在t时刻的经验分布,B(Ξ)和S(Ξ)分别代表购/售电价各自的概率分布的集合,P表示集合内和经验分布距离小于等于ε的分布。
[0087] 进一步的,购/售电价的模糊集 和 可表示为“以经验分布为圆心,和经验分布的距离小于等于ε”的分布的集合,两个分布之间距离的数学表达式为:
[0088]
[0089] 式(2‑1)中,||ξk‑ξI||p代表p范数,通常在计算中取1。K和N代表分布P和 所包含的总样本数,PkI代表联合分布 取样本(ξk,ξI)的概率大小,当样本趋向无穷时(或分布为连续型随机变量),式(2‑1)可转化为积分的形式:
[0090]
[0091] 式(2‑2)中,ξP和ξk分别为服从 的随机变量, 为随机变量对应的联合分布。
[0092] 需要说明的是,购/售电价的不确定性直接影响到MEMG的稳定性,使得MEMGi的总运行成本的计算即式(1)的计算充满障碍,为此,采用分布鲁棒优化(DRO)中的Wasserstein球模型,构建购/售电价的分布集合,将购/售电价间的不确定性通过函数表示出来。
[0093] 进一步的,基于Wasserstein球对所述多主体MEMG‑产消者运行模型中的多重不确定主体进行优化,还包括:
[0094] 基于Wasserstein球构造新能源的不确定集,对应的表达式为:
[0095]
[0096] 式(8)中, 表示MEMGi内部可再生能源的经验分布,R(Ξ)表示可再生能源的支撑集,εi,res为MEMGi可再生能源的Wasserstein球半径。
[0097] 需要说明的是,可再生能源同购/售电价一样,也是影响MEMG稳定性的多重不确定主体之一,MEMG内安装的可再生电源设备出力具有较强的波动性,其实际数值通常与预测值不完全一致,直接代入可再生能源预测出力曲线进行计算不能反映真实的系统运行成本,所以需要将预测值的波动考虑在内。传统的鲁棒优化多采用盒式、多面体等不确定集的定义可再生能源的波动,然而,这两类不确定集容易导致决策过于保守。为此,采用分布鲁棒优化(DRO)中的Wasserstein球模型,将新能源的出力通过函数表示出来。
[0098] 优选的,根据纳什谈判理论,构建多主体MEMG微网联盟的目标函数。
[0099] 进一步的,根据纳什谈判理论,构建多主体MEMG微网联盟的目标函数,包括:
[0100]
[0101] 式(9)中, 代表多主体MEMG的最大收益,约束条件为 所述代表MEMGi独立运行时的最大利润,所述Ui代表MEMGi在参与合作后所得的利益,与minCoMMGi的最优解互为相反数,所述约束条件 表示任一MEMGi参与合作后的总收益不低于合作之前的收益。
[0102] 优选的,对MEMGi内部产消者J基于自身最小化运营成本模型构造目标函数PRi,J。
[0103] 对MEMGi内部产消者J基于自身最小化运营成本模型构造目标函数PRi,J,包括:
[0104]
[0105] 式(10)中,PRi,J代表MEMGi内部第J个产消者的总成本, 代表产消者J向MEMGi购电时的购电成本, 代表产消者J自身参与需求响应的平移负荷成本,代表产消者J自身参与需求响应的中断负荷成本,c1和c2分别代表单位平移成本和单位切负荷成本。
[0106] 进一步的,产消者模型的约束条件包括:
[0107]
[0108] 式(3‑1)表示产消者J基于需求响应的负荷平衡约束,其中 和 分别表示t时刻产消者J的原始负荷、可平移负荷变量以及可中断负荷变量, 为t时刻经过需求响应后产消者J的实际负荷变量, 为该等式约束的拉格朗日乘子;
[0109] 进一步的,产消者模型的约束条件还包括:
[0110]
[0111] 式(3‑2)、(3‑3)、(3‑4)表示产消者J每个时刻t可中断负荷和可平移负荷的约束,其中 表示t时刻产消者J内部可中断负荷的上限,而 表示t时刻产消者J最大可平移负荷占原始负荷的比例, 以及μi,J分别表示不等式和等式约束的乘子;
[0112] 进一步的,产消者模型的约束条件还包括:
[0113]
[0114] 式(3‑5)表示产消者J向MEMGi购电的下限, 为对应的乘子;
[0115] 进一步的,产消者模型的约束条件还包括:
[0116]
[0117] 式(3‑6)是产消者内部基于DRCC的功率平衡约束,主要用于处理下层产消者J内部光伏出力不确定性。其含义为光伏随机变量 在最恶劣的分布下,仍然能以至少1‑β的概率满足产消者内部的供电需求,对应的参数β为DRCC的违反概率。
[0118] 优选的,采用边界支撑法对式(3‑6)进行重构:
[0119]
[0120] 式中, 和 为辅助变量,Npv为MEMGi第J产消者在t时刻的光伏历史样本数, 和 分别表示t时刻该产消者的光伏历史数据上下限, 则代表t时刻该产消者J的第I个历史数据,εpv为随机变量 对应的Wasserstein球半径。
[0121] 进一步的,优化重构过程:
[0122]
[0123] 式中, 和 为辅助变量,Npv为MEMGi第J产消者在t时刻的光伏历史样本数, 和 分别表示t时刻该产消者的光伏历史数据上下限, 则代表t时刻该产消者J的第I个历史数据。
[0124] 式(3‑6‑5)的最优解 是随机变量 满足分布鲁棒机会约束的严格下界。通过 构造下层产消者模型的电功率平衡约束:
[0125]
[0126] 式中, 是等式约束的乘子。
[0127] 进一步的,对MEMG‑产消者模型进行等效转换后求解。
[0128] 可选的,基于对偶理论,将式(4)、(5)等效转化为:
[0129]
[0130] 式(11)、(12)、(13)中, 和 为拉格朗日乘子,Npb和Nps分别为t时刻购/售电价对应的总样本数, 和 为t时刻第I个样本所对应的购/售电价。
[0131] 可选的,基于均值不等式,将式(9)等效的转化为:
[0132]
[0133] 基于ADMM结合CCG算法对式(14)、(15)进行分布式求解。
[0134] 本实施例以三个MEMG为例,给出交替方向乘子法(ADMM)结合约束生成算法(CCG)算法的模型迭代过程:
[0135] Step 1):设置原始残差 与对偶残差 初始化迭代次数k=0,
[0136] Step 2):将 和 代入MEMG1的两阶段分布鲁棒优化(DRO)模型,通过凸优化均值法将模型转换为两阶段鲁棒优化(RO),并采用CCG算法进行求解,当CCG算法收敛后,将求得的 和 分别代入MEMG2和MEMG3的分布式优化模型。
[0137] Step 3):将 和 代入MEMG2的两阶段分布鲁棒优化模型,通过凸优化均值法将模型转换为两阶段鲁棒优化,并采用CCG算法进行求解,当CCG算法收敛后,将求得的和 分别代入MEMG1和MEMG3的分布式优化模型。
[0138] Step 4):将 和 代入MEMG3的两阶段分布鲁棒优化模型,通过凸优化均值法将模型转换为两阶段鲁棒优化,并采用CCG算法进行求解,当CCG算法收敛后,将求得的和 分别代入MEMG1和MEMG2的分布式优化模型。
[0139] Step 5):更新拉格朗日乘子:
[0140]
[0141] Step 6):计算原始残差和对偶残差:
[0142]
[0143] Step 7):判断收敛条件:
[0144]
[0145] 如果式收敛条件满足,迭代终止;否则令k=k+1,重复步骤step 2‑7)。
[0146] 本发明实施例首先根据MEMG的典型架构,构建了“上层为MEMG,下层为内部产消者”的双层优化框架;其次,通过对MEMG自身的可再生能源、购/售电价以及内部产消者光伏的样本数据分析,结合Wasserstein模糊集分别构建了MEMG的两阶段DRO模型以及内部产消者的分布鲁棒机会约束模型,提升了系统运行决策的鲁棒性。最后,通过多主体MEMG的合作博弈,进一步提升系统的总体运行经济性。
[0147] 以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。