考虑不确定场景聚类信息的多能微电网鲁棒优化方法

本发明属于微电网运行与调度，针对高比例光伏可再生能源的多能微电网开发了考虑不确定场景聚类信息的多能微电网鲁棒优化方法。

背景技术：

1、多能微电网由可再生能源发电机、可控电源、冷热电联产机组、热能储存系统和负荷组成。它可以通过变电站连接到主电网，也可以以孤岛模式运行。多能微电网可以协调各种能源的转换和利用，以满足用户的电力和热负荷需求，在提高能源利用效率和系统经济效益方面发挥着重要作用。然而，随着光伏面板和风力发电机等可再生能源的逐渐渗透，可再生能源出力的高度不确定性和间歇性，使得维持多能微电网的供需平衡具有挑战性。因此，研究在不确定条件下实现多能微电网稳定经济调度的鲁棒方法具有重要意义。

2、其中的关键问题是如何使用数学方法来表征不确定变量。目前，处理不确定性的方法主要有两种：随机规划和鲁棒优化。随机规划通常基于不确定性的概率分布信息生成一系列随机场景进行求解，然而，不确定量概率分布通过多维积分估计难度较大，计算复杂度较高，且在实际中通常难以获得不确定量准确的概率分布。鲁棒优化定义了不确定集来表示随机变量的波动范围，从而消除了对随机变量精确概率分布的需要。然而，鲁棒优化在不确定性集内的所有可能实现中寻找最坏的情况，导致决策过于保守。

3、分布鲁棒优化结合随机优化和鲁棒优化的优点，其不需要精确的概率分布，而是使用由一系列概率分布组成的模糊集来表征不确定性。分布鲁棒优化通过不确定量历史数据构造不确定量概率分布的模糊集，在该模糊集中搜索最坏情况概率分布，而不是可能不会发生的最坏情况，能够有效应对鲁棒优化解过度保守的问题。然而，传统的分布鲁棒优化模型直接采用不确定量的预测结果，因此预测的准确性将影响优化决策的可靠性。

4、解决上述问题的一种方法是纳入更多的历史数据并扩大模糊集的范围。随着场景数量的增加，模型的性能可能会略有改善。然而，随之而来的缺点可能包括求解时间的显著增加和过拟合的风险。为了降低模型的复杂性并提高计算效率，本发明使用聚类算法来减少不确定性场景的数量，并获得能够反映不确定性有效信息的典型场景。动态时间规整（dtw）可以测量时间序列之间的相似性，具有良好的抗干扰能力。关于使用基于dtw的k-means时间序列聚类来获得不确定量中包含的场景概率信息来驱动多能微电网分布鲁棒优化的研究较空白。

技术实现思路

1、本发明针对多能微电网中可再生能源出力的高不确定性，开发了考虑不确定场景聚类信息的多能微电网鲁棒优化方法。多能微电网由光伏面板、柴油发电机、冷热电联产机组、燃气锅炉、储热罐和加热线圈组成，可以与主电网进行电力交易。分布鲁棒优化方法包括第一阶段日前优化问题和第二阶段日内优化问题，该方法致力于用改进的基于wasserstein距离的模糊集刻画光伏出力不确定性，在模糊集增加不确定量的场景信息；再致力于用基于dtw的k-means时间序列聚类算法获得模糊集中不确定量的典型场景信息。本发明方法可以显著提高分布鲁棒优化的计算效率，有效地抵抗多能微电网中的光伏出力波动，同时保持良好的经济效用，为多能微电网的规划、运行和调度工作提供参考。

2、为了实现本发明目的，本发明提供的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，包括以下步骤：

3、步骤1：描述多能微电网架构；多能微电网以并网模式运行，与主电网进行电力交易，由光伏面板、柴油发电机、冷热电联产机组、燃气锅炉、储热罐和加热线圈组成；其中，冷热电联产机组包括微型燃气轮机、热回收装置和吸收式制冷机；微型燃气轮机通过消耗天然气发电，伴随产生的余热由热回收装置回收产生热能；燃气锅炉和储热罐用于补充热量需求的缺额；燃气锅炉将天然气转化为热能；储热罐则根据热负荷需求存储或释放热能；吸收式制冷机收集余热进行蒸发和冷凝，以满足供冷需求；

4、步骤2：搭建多能微电网模型；建立发电装置模型，所述发电装置模型包括柴油发电机模型和冷热电联产机组模型；建立电网潮流模型，所述电网潮流模型包括有功潮流模型、无功潮流模型、节点电压模型和电网安全约束模型；建立产热装置模型，所述产热装置模型包括热回收装置模型和燃气锅炉模型；建立热储能系统模型，所述热储能系统模型包括储热罐模型；建立产消平衡约束模型，所述产消平衡约束模型包括热能的产消平衡模型；建立负荷模型，所述负荷模型包括热负荷模型和冷负荷模型；

5、步骤3：提出考虑不确定性场景聚类信息的分布鲁棒优化方法。建立分布鲁棒优化模型，所述分布鲁棒优化模型包括第一阶段日前优化问题和第二阶段日内优化问题；建立不确定性模型，所述不确定性模型由改进的基于wasserstein距离的模糊集刻画，所述改进的基于wasserstein距离的模糊集增加不确定量的场景信息，所述不确定量的场景信息由基于dtw的k-means时间序列聚类算法获得。

6、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，在步骤2中，所述发电装置模型包括柴油发电机模型和冷热电联产机组模型；

7、柴油发电机模型为：

8、  （1）

9、  （2）

10、   （3）

11、其中，为第  台柴油发电机在时段 的二进制启停状态，表示开启，表示关停；为第台柴油发电机在时段内的有功出力，为第台柴油发电机在时段内的有功出力，为第台柴油发电机在时段内的无功出力，为第台柴油发电机在时段内的视在功率；为第台柴油发电机的最小有功发电量，为第台柴油发电机的最大有功发电量；为第台柴油发电机的爬坡率。

12、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，所述冷热电联产机组模型的表达式如下：

13、  （4）

14、  （5）

15、   （6）

16、其中，为第  台冷热电联产机组在时段的有功出力；为第台冷热电联产机组的最小有功发电量，为第台冷热电联产机组的最大有功发电量；为第台冷热电联产机组的爬坡率；为第台冷热电联产机组中的微型燃气轮机在时段的天然气发电；为微型燃气轮机的能量转换效率；为一个调度时间间隔。

17、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，在步骤2中，所述电网潮流模型包括有功潮流模型、无功潮流模型、节点电压模型和电网安全约束模型；

18、  （7）

19、  （8）

20、  （9）

21、  （10）

22、其中，为多能微电网在时段向主网的购电，为多能微电网在时段向主网的售电；为节点  在时段的有功功率；为节点上机组在时段产生的有功功率相关的辅助变量；为节点在时段的有功负荷需求；节点上柴油发电机的二进制状态，为节点上冷热电联产机组的二进制状态，为节点上光伏机组的二进制状态 ，表示节点上存在柴油发电机，表示节点上存在冷热电联产机组，表示节点上存在光伏机组，表示节点上不存在柴油发电机，表示节点上不存在冷热电联产机组，表示节点上不存在光伏机组；为第  台光伏机组在时段的有功出力；表示冷热电联产机组的序号，表示光伏机组的序号，表示柴油发电机的序号。

23、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，所述无功潮流模型的表达式为：

24、  （11）

25、   （12）

26、其中，为节点在时段的无功功率，为节点在时段的无功功率；为节点上机组在时段产生的无功功率相关的辅助变量；为节点在时段的无功负荷需求；为第台光伏机组逆变器在时段的无功出力。

27、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，所述节点电压模型的表达式为：

28、  （13）

29、其中，为节点在时段的电压；为变电站电压基准；为节点的电阻，为节点的电抗。

30、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，所述电网安全约束模型的表达式如下：

31、   （14）

32、  （15）

33、其中，为节点在时段的视在容量；为允许的最大电压偏差。

34、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，在步骤2中热回收装置模型为：

35、   （16）

36、    （17）

37、其中，为第台热回收装置在时段回收的热能；为热回收装置的能源转换效率；为第台热回收装置的最大产热量。

38、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，在步骤2中燃气锅炉模型的表达式如下：

39、  （18）

40、  （19）

41、  （20）

42、其中，分别为第台燃气锅炉在时段的产热量；为燃气锅炉的能源转换效率；为第  台燃气锅炉在时段的天然气发电量；为第台燃气锅炉的最大产热量；为单位天然气发电量；为时段内天然气使用量；为冷热电联产机组的集合。

43、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，在步骤2中储热罐模型为：

44、  （21）

45、  （22）

46、  （23）

47、  （24）

48、   （25）

49、其中，为第台储热罐在时段的二进制充热状态，为第台储热罐在时段的二进制放热状态；为第台储热罐在时段的充热量，为第台储热罐在时段的放热量；为第台储热罐的最大充热量，为第台储热罐的最大放热量；为第台储热罐在时段存储的能量，为第台储热罐在时段存储的能量；为第台储热罐的最小存储量，为第台储热罐的最大存储量；为调度初始时刻第台储热罐的存储量；为调度末时刻第台储热罐的存储量；为储热罐的传热系数；为储热罐的充热效率，为储热罐的放热效率。

50、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，步骤2中热能的产消平衡模型表达式如下：

51、  （26）

52、其中，为第台加热线圈在时段吸收的热量；为第台吸收式制冷机在时段吸收的热量。

53、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，步骤2中热负荷模型和冷负荷模型的表达式分别如下：

54、  （27）

55、  （28）

56、其中，热负荷需求，为冷负荷需求；为加热线圈的能量转换系数；为吸收式制冷机的能量转换系数。

57、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，步骤3中第一阶段日前优化问题的目标函数表达式如下：

58、  （29）

59、    （30）

60、   （31）

61、  （32）

62、其中，为日前决策变量；为日前运行成本；为光伏不确定量的随机变量；为日内期望运行成本；为上确界函数；为柴油发电机的启停成本；为储热罐的运行成本；为第台柴油发电机的启停成本系数；为第台储热罐的运行维护成本系数； 为调度时段的集合，为柴油发电机的集合。

63、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，所述第二阶段日内优化问题，其目标函数和约束条件表达式如下：

64、   （33）

65、  （34）

66、 （35）

67、   （36)

68、  (37)

69、  (38)

70、 (39)

71、  (40)

72、  (41)

73、  (42)

74、   (43)

75、  (44)

76、 (45)

77、  (46)

78、   (47)

79、其中，为日内目标函数；为多能微电网的燃料成本；为多能微电网的机组运行维护成本；为多能微电网的电力交易成本；为天然气购买成本系数；为化石燃料成本系数；分别为柴油发电机的运行维护成本系数；为冷热电联产机组的运行维护成本系数；为光伏面板的运行维护成本系数；为时段的购电价格；为时段的售电价格；为节点1在时段的有功功率，即并网节点的购电功率；为节点在时段的有功功率；为光伏机组的集合。

80、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，步骤3中，所述不确定性模型为：

81、  （48）

82、其中，为第台光伏机组在时段的出力预测值；为第台光伏机组在时段的出力随机预测误差；

83、改进的基于wasserstein距离的模糊集为：

84、 （49）

85、   （50）

86、其中，为改进的基于wasserstein距离的模糊集；为不确定量的支撑集；为预测误差随机变量；为wasserstein半径辅助变量；表示预测误差随机变量和的联合分布；表示真实分布的集合；表示维度为的实数集；表示总历史样本数量；表示与光伏不确定性的典型场景相关的辅助变量，表示所有典型场景的索引，表示所有典型场景的索引集合，表示典型场景的辅助变量；表示典型场景下的wasserstein半径；表示每个典型场景下的历史数据；表示每个典型场景下的wasserstein半径辅助变量；表示典型场景的预测误差随机变量。

87、所述的考虑不确定场景聚类信息的多能微电网鲁棒优化方法，其中，所述不确定量的典型场景信息由基于dtw的k-means时间序列聚类算法获得；

88、dtw距离表达式为：

89、（51）

90、其中，和为任意两个光伏出力预测误差时间序列，为的第个数据，为的第个数据，它们被映射以构造的动态规整矩阵；表示dtw距离，即动态扭曲矩阵的最后一个元素；表示动态扭曲矩阵中第行第列个元素；

91、基于dtw的k-means时间序列聚类算法，目标函数是最小化光伏出力预测误差之间的dtw距离，如下所示：

92、  （52）

93、  （53）

94、其中，是每个场景的聚类中心；的含义表示令函数达到最小从而解得的值；

95、不确定量的典型场景信息为：

96、  （54）

97、  （55）

98、其中，为总历史样本数量；为聚类中的历史样本数量；为典型场景出现的概率；为典型场景对应的wasserstein半径。

99、与现有技术相比，本发明能够实现的有益效果至少如下：

100、本发明开发了考虑不确定场景聚类信息的多能微电网鲁棒优化方法。在系统架构上，本发明中多能微电网由光伏面板、柴油发电机、冷热电联产机组、燃气锅炉、储热罐和加热线圈组成，可以与主电网进行电力交易。冷热电联产机组、光伏面板和柴油发电机组协同发电以满足电负荷需求；热回收装置、储热罐、燃气锅炉、加热线圈和吸收式制冷机协同运行，以满足供暖和制冷需求。在调度方法上，本发明提出了考虑不确定场景聚类信息的多能微电网鲁棒优化方法，利用基于dtw的k-means时间序列聚类算法获取光伏出力的典型场景信息，构建改进的基于wasserstein距离的模糊集来刻画光伏不确定性。因此，本发明适用于多能微电网，有助于抵抗光伏可再生能源出力波动，兼顾多能微电网运行鲁棒性和经济性，显著提高分布鲁棒优化的计算效率，为多能微电网的规划、运行和调度工作提供参考。