[發(fā)明專利]一種基于分布魯棒優(yōu)化的水風(fēng)光能源系統(tǒng)均衡調(diào)度模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202210983730.2
• 申請(qǐng)日: 2022-08-17
• 公開(kāi)（公告）號(hào): CN115293442A
• 公開(kāi)（公告）日: 2022-11-04
• 發(fā)明（設(shè)計(jì)）人: 劉本希;靳曉雨;廖勝利;程春田;王海東;劉騰遠(yuǎn)
• 申請(qǐng)（專利權(quán)）人: 大連理工大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06Q50/06;H02J3/38;H02J3/06
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 梅洪玉

1.一種基于分布魯棒優(yōu)化的水風(fēng)光能源系統(tǒng)均衡調(diào)度模型，其特征在于，具體步驟如下：

(1)利用基于Wasserstein距離的模糊集來(lái)描述可再生能源的不確定性：

其中，表示可再生能源預(yù)測(cè)誤差或凈負(fù)荷不確定性，和分別表示風(fēng)電和光伏出力的預(yù)測(cè)誤差，為了簡(jiǎn)寫(xiě)，以下省略時(shí)間索引t；是對(duì)真實(shí)分布的估計(jì)，即在公式(2)中利用歷史風(fēng)電光伏預(yù)測(cè)誤差數(shù)據(jù)計(jì)算出對(duì)應(yīng)的狄拉克測(cè)度進(jìn)而得出表示W(wǎng)asserstein距離；和分別服從分布和分布||·||表示范數(shù)；Π表示和的聯(lián)合分布；表示W(wǎng)asserstein球，是以經(jīng)驗(yàn)分布為中心、∈_N為半徑，限制了模糊集和之間的距離；β為模糊集的置信度；D為求解公式(7)得到的一個(gè)常數(shù)，式中的表示樣本均值；ρ為輔助決策變量；

(2)構(gòu)建水-風(fēng)-光混合能源系統(tǒng)的分布魯棒優(yōu)化模型：

1)將棄水、缺電、棄電三種風(fēng)險(xiǎn)進(jìn)行量化，并將其作為目標(biāo)函數(shù)，以保證水-風(fēng)-光混合系統(tǒng)的可靠運(yùn)行：

其中，表示第i種可再生電源在t時(shí)段的棄電；表示混合電力系統(tǒng)在t時(shí)段的缺電；RES為可再生能源數(shù)，包括風(fēng)能和光伏，RES＝2；s_m,t表示水電站m在t時(shí)段的棄水；η_m表示水電站m的能量轉(zhuǎn)換系數(shù)，由歷史調(diào)度數(shù)據(jù)得到；s_m,t/η_m為水電站m的棄能；M和T表示水電站集合以及時(shí)段集合；該目標(biāo)包含兩階段：第一階段是降低“三棄”的風(fēng)險(xiǎn)，用來(lái)提高混合系統(tǒng)的可靠性，該階段根據(jù)預(yù)測(cè)風(fēng)光出力進(jìn)行決策；第二階段是以水電站出力調(diào)整最小為原則，利用水電調(diào)控能力來(lái)減緩可再生能源不確定性的預(yù)測(cè)誤差帶來(lái)的干擾，保證梯級(jí)水電站的穩(wěn)定運(yùn)行，即表示第二階段出力調(diào)整函數(shù)，其中x,分別表示第二階段決策變量與不確定樣本參數(shù)；

2)將水電站的經(jīng)濟(jì)性納入目標(biāo)中，即耗水量最小minf₂以及蓄能最大maxf₃：

其中，R_m,t表示水電站m在t時(shí)段的總下泄流量；Δt表示時(shí)段長(zhǎng)度；ES_m表示水電站m在調(diào)度時(shí)段末的蓄能量，等于從末水位到死水位發(fā)電產(chǎn)生的能量；v_m,T+1和minV_m分別表示時(shí)段末庫(kù)容以及死庫(kù)容；

(3)模型轉(zhuǎn)化：

Step1：利用ε-約束法對(duì)步驟(2)的模型進(jìn)行改造，將多目標(biāo)問(wèn)題轉(zhuǎn)化為單目標(biāo)問(wèn)題，在保證某個(gè)目標(biāo)理想的同時(shí)，也對(duì)其他目標(biāo)做出了充分的考慮；將供電風(fēng)險(xiǎn)作為主要目標(biāo)，經(jīng)濟(jì)目標(biāo)作為約束條件，將原目標(biāo)函數(shù)轉(zhuǎn)化為：

其中α_m,t表示水電站m在t時(shí)段響應(yīng)新能源不確定的調(diào)整因子，式中即水電出力調(diào)整量；

Step2：目標(biāo)函數(shù)中的第二階段是模糊集在最壞情況下的函數(shù)變量，利用強(qiáng)對(duì)偶理論進(jìn)行重轉(zhuǎn)化：

其中，κ表示與中的相關(guān)的對(duì)偶變量；

Step3：通過(guò)引入輔助變量τ_k，將公式(13)轉(zhuǎn)化為：

其中，是一個(gè)凸函數(shù)，的最優(yōu)解可以在Ξ中的樣本最大值或樣本最小值ω處得到；

Step4：根據(jù)Step3的結(jié)果，繼續(xù)轉(zhuǎn)化為：

Step5：將Step4中的模型轉(zhuǎn)化為標(biāo)準(zhǔn)MILP模型，并利用近似框架來(lái)降低問(wèn)題的維數(shù)；目標(biāo)函數(shù)(15)轉(zhuǎn)化為：

其中，λ和μ表示拉格朗日乘子。