一种区域能源互联网不确定优化调度方法及系统技术方案

一种区域能源互联网不确定优化调度方法及系统，包括：获取随机变量数据；基于所述随机变量的误差概率分布生成多个场景；对所述多个场景进行削减得到典型场景；对所述典型场景进行处理获得离散组合优化场景；根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。本发明专利技术的技术方案有助于提高分布式能源渗透率，应对间歇式能源的不确定波动，减轻下一级时间尺度的调度压力。

An uncertain optimal scheduling method and system for regional energy Internet

An optimal scheduling method and system for regional energy Internet uncertainty, including obtaining random variable data, generating multiple scenes based on the error probability distribution of the random variable, reducing the typical scene by cutting the multiple scenes; processing the typical scene to obtain discrete combination optimization scenes; based on the Discrete combinatorial optimization scenarios are optimized by a long-time uncertain optimal scheduling model, and the optimization results are modified according to a short-time rolling correction model. The technical scheme of the invention can help to improve the permeability of distributed energy, deal with the uncertain fluctuation of intermittent energy and reduce the scheduling pressure of the next time scale.

【技术实现步骤摘要】
一种区域能源互联网不确定优化调度方法及系统
本专利技术涉及电力系统运行与控制领域，具体涉及一种区域能源互联网不确定优化调度方法及系统。
技术介绍
主动配电网具有能主动调整潮流分布，管理多种分布式能源，提高分布式能源利用效率的优势。其中，通过柔性直流装置进行馈线互联，可完成互联网络间的功率交换，实现更大范围内可控资源的灵活调控，进一步提高对间歇式能源的消纳能力。随着高渗透率的分布式能源接入主动配电网，其随机性与波动性给配电网调度优化带来了许多不确定因素：首先，出力不确定性必然导致一定的预测误差，直接根据预测值产生的调度策略，其经济性及安全性都不能得到保证；其次，间歇式能源出力情况受天气影响较大，当环境突变导致出力剧烈波动，对下一级时间尺度的电网调度造成较大压力。在这种背景下，传统的确定性调度优化策略不再适用。目前已有部分研究将多场景技术应用于描述电网中间歇性分布式电源或不确定负荷波动，其中大部分只讨论了某一时间断面上的不确定性，或是考虑了多个断面，而忽略了相邻时间节点上功率波动的关联性，存在计算复杂，难以描述的不确定性问题。综上所述，对于高渗透率分布式能源的主动配电网，亟需一种能有效描述其不确定性的调度策略，以应对网络中的不确定波动，进一步提高间歇式能源的消纳。
技术实现思路
为了解决现有技术中所存在的上述不足，本专利技术提供一种区域能源互联网不确定优化调度方法及系统。本专利技术提供的技术方案是：一种区域能源互联网不确定优化调度方法，包括：获取随机变量数据；基于所述随机变量的误差概率分布生成多个场景；对所述多个场景进行削减得到典型场景；对所述典型场景进行处理获得离散组合优化场景；根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。优选地，所述基于所述随机变量的误差概率分布生成多个场景，包括：将误差离散化为n个区间，每个区间所围面积分别为S1,t,S2,t…Sn,t，构成当前时刻的误差状态向量：其中，S1,t,S2,t…Sn,t代表每个区间发生的概率；基于马尔科夫理论修正所述随机变量的误差状态向量；对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景。优选地，所述基于马尔科夫理论修正所述随机变量的状态向量，按下式计算：式中，E表示一步状态转移矩阵，表示t＝t0时刻时的误差状态向量。优选地，所述对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景，包括：根据t时刻各误差状态概率，对所述误差状态向量进行随机抽样；进行N次抽样后，构成状态矩阵其中各个区间的选中情况构成了一个长度为N的二进制向量(Xt)N×1，所述二进制向量(Xt)N×1中令xi(i＝1…n)表示误差区间的选中状态：若被选中，则xi＝1，否则xi＝0；对所述状态矩阵通过蒙特卡洛抽样将所述状态矩阵构成t0-T时段的场景。优选地，所述对多个场景进行削减得到典型场景，包括：将所述多个场景采用模糊c均值聚类算法进行场景削减，并计算所述典型场景概率。优选地，按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：式中，U：隶属度矩阵，V为中心向量矩阵，C：典型场景数目，M0：原始场景数目，Vc：第c个聚类场景集的中心向量，Xi：第i个原始场景向量，μci：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度。优选地，所述第c个聚类场景集的中心向量Vc概率，按下式计算：式中，Nc：可聚类为中心向量Vc的场景数量。优选地，所述典型场景概率进行处理获得离散组合优化场景，包括：所述离散组合优化场景的概率，按下式计算：式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M为组合场景个数；光伏电源发生第i个场景的概率，风机发生第k个场景的概率，负荷发生第j个场景的概率。优选地，所述长时间不确定优化调度模型的目标函数包括：全局总成本最低和网络节点电压的理想分布；所述总成本按下式计算：式中，λ1：总成本；εs：组合场景S发生的概率；c1：可调分布式电源成本；pDG,t：t时刻分布式电源发电功率；Δt：单位时间；c2：柔性直流装置调度成本；pVSC,t：t时刻柔性直流装置功率；cIL：可中断负荷成本；pIL,t：t时刻可中断负荷功率；cgrid：从上一级电网购买电量成本；pgrid,t：t时刻上一级电网传输功率；ce：供电收益；pL,t：t时刻供电负荷功率；closs：运行损耗成本；pline_loss,s：组合场景S时的网损功率；pVSC_loss,s：组合场景S时柔性直流装置的损耗功率；M：组合场景个数；T：长时间尺度优化时长；所述网络节点电压按下式计算：式中，λ2：平均电压偏离量；Nnode：节点数；ui,t,s：第i个节点在S场景下t时刻的电压偏差；T：长时间尺度优化时长；us,t：t时刻电压偏移，uiN：节点额定电压。优选地，所述短时间滚动修正目标函数如下式：式中，g：可调资源相对参考值偏差；T:短时间尺度优化时长；U为可调资源数量，pi,tres：第i个可调资源出力参考值；pi,t：第i个可调资源短时间尺度的优化结果；PGi：第i个可调资源额定功率。优选地，所述获取随机变量数据，包括：获取风电出力、光伏出力以及波动性负荷。本专利技术的另一目的在于提出一种区域能源互联网不确定优化调度系统，包括：获取模块、生成模块、削减模块、处理组合模块和确定模块；所述获取模块，用于获取随机变量数据；所述生成模块，用于基于所述随机变量的误差概率分布生成多个场景；所述削减模块，用于对所述多个场景进行削减得到典型场景；所述处理组合模块，用于对所述典型场景概率进行处理获得离散组合优化场景；所述确定模块，用于根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。优选地，所述生成模块，包括：划分子模块、修正子模块、抽样子模块；划分子模块，用于将误差离散化为n个区间，每个区间所围面积分别为S1,t,S2,t…Sn,t，构成当前时刻的误差状态向量：其中，S1,t,S2,t…Sn,t代表每个区间发生的概率；修正子模块，用于基于马尔科夫理论修正所述随机变量的误差状态向量；抽样子模块，用于对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景。优选地，所述削减模块，包括聚类子模块和计算子模块；所述聚类子模块，用于按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：式中，U：隶属度矩阵，V：中心向量矩阵，C：典型场景数目，M0：原始场景数目，Vc：第c个聚类场景集的中心向量，Xi：第i个原始场景向量，μci：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度；所述计算子模块，用于按下式计算所述第c个聚类场景集的中心向量Vc概率：式中，Nc：可聚类为中心向量Vc的场景数量。优选地，所述处理组合模块，包括，组合子模块，用于按下式计算所述离散组合优化场景的概率：式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M：组合场景个数；光伏电源发生第i个场景的概率，风机本文档来自技高网...

【技术保护点】
1.一种区域能源互联网不确定优化调度方法，其特征在于，包括：获取随机变量数据；基于所述随机变量的误差概率分布生成多个场景；对所述多个场景进行削减得到典型场景；对所述典型场景进行处理获得离散组合优化场景；根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。

【技术特征摘要】
1.一种区域能源互联网不确定优化调度方法，其特征在于，包括：获取随机变量数据；基于所述随机变量的误差概率分布生成多个场景；对所述多个场景进行削减得到典型场景；对所述典型场景进行处理获得离散组合优化场景；根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。2.如权利要求1所述的区域能源互联网不确定优化调度方法，其特征在于，所述基于所述随机变量的误差概率分布生成多个场景，包括：将误差离散化为n个区间，每个区间所围面积分别为S1,t,S2,t…Sn,t，构成当前时刻的误差状态向量：其中，S1,t,S2,t…Sn,t代表每个区间发生的概率；基于马尔科夫理论修正所述随机变量的误差状态向量；对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景。3.如权利要求2所述的区域能源互联网不确定优化调度方法，其特征在于，所述基于马尔科夫理论修正所述随机变量的状态向量，按下式计算：式中，E表示一步状态转移矩阵，表示t＝t0时刻时的误差状态向量。4.如权利要求2所述的区域能源互联网不确定优化调度方法，其特征在于,所述对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景，包括：根据t时刻各误差状态概率，对所述误差状态向量进行随机抽样；进行N次抽样后，构成状态矩阵其中各个区间的选中情况构成了一个长度为N的二进制向量(Xt)N×1，所述二进制向量(Xt)N×1中令xi(i＝1…n)表示误差区间的选中状态：若被选中，则xi＝1，否则xi＝0；对所述状态矩阵通过蒙特卡洛抽样将所述状态矩阵构成t0-T时段的场景。5.如权利要求1所述的区域能源互联网不确定优化调度方法，其特征在于，所述对多个场景进行削减得到典型场景，包括：将所述多个场景采用模糊c均值聚类算法进行场景削减，并计算所述典型场景概率。6.如权利要求5所述的区域能源互联网不确定优化调度方法，其特征在于，按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：式中，U：隶属度矩阵，V为中心向量矩阵，C：典型场景数目，M0：原始场景数目，Vc：第c个聚类场景集的中心向量，Xi：第i个原始场景向量，μci：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度。7.如权利要求6所述的区域能源互联网不确定优化调度方法，其特征在于，所述第c个聚类场景集的中心向量Vc概率，按下式计算：式中，Nc：可聚类为中心向量Vc的场景数量。8.如权利要求7所述的区域能源互联网不确定优化调度方法，其特征在于，所述典型场景概率进行处理获得离散组合优化场景，包括：所述离散组合优化场景的概率，按下式计算：式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M为组合场景个数；光伏电源发生第i个场景的概率，风机发生第k个场景的概率，负荷发生第j个场景的概率。9.如权利要求8所述的区域能源互联网不确定优化调度方法，其特征在于，所述长时间不确定优化调度模型的目标函数包括：全局总成本最低和网络节点电压的理想分布；所述总成本按下式计算：{εs[c1(pDG，t)Δt+c2(pVSC，t)Δt式中，λ1：总成本；εs：组合场景S发生的概率；c1：可调分布式电源成本；pDG,t：t时刻分布式电源发电功率；Δt：单位时间；c2：柔性直流装置调度成本；pVSC,t：t时刻柔性直流装置功率；cIL：可中断负荷成本；pIL,t：t时刻可中断负荷功率；cgrid：从上一级电网购买电量成本；pgrid...

【专利技术属性】
技术研发人员：李烨，蒲天骄，陈乃仕，范士雄，杨占勇，杨洋，卫泽晨，韩巍，王伟，刘幸蔚，吴锟，李蕴，黄仁乐，贾东强，汪伟，王存平，孙健，王海云，
申请(专利权)人：中国电力科学研究院有限公司，国家电网公司，国网北京市电力公司，
类型：发明
国别省市：北京,11