本技术提供一种考虑分段多区间不确定性集微电网鲁棒优化调度方法,基于高斯混合模型将风、光和负荷的源荷预测功率和误差数据进行分段拟合,与盒型区间不确定集相结合建立功率分区段的多区间不确定性集,用于描述风、光及负荷的不确定性;以微电网运行成本和碳排放成本最小为目标,构建考虑分段多区间不确定性集和碳排放的微电网鲁棒优化调度模型;采用列和约束生成算法求解微电网鲁棒优化调度模型。本发明能够解决微电网的不确定性建模和碳排放问题,降低了鲁棒优化调度策略的保守性并提高微电网调度的经济性。
背景技术
微电网MG是由可再生能源RE、储能系统和负荷等组成,在电网向低碳、绿色智能转型中扮演着发挥着重要作用。MG为电网创造了巨大的的经济效益。但RE输出功率和负荷需求的不确定性给MG的可靠运行带来了巨大挑战。如何解决MG的源荷不确定性,实现MG的经济安全运行是值得研究的方向。
目前,国内外学者以运行经济性、RE消纳能力和降低碳排放等为目标,对考虑不确定性因素影响的MG优化调度进行了深入研究。当前针对不确定性因素的处理方法有场景分析法、随机优化SO、鲁棒优化RO和分布鲁棒优化DRO等。其中场景分析法和SO法均依赖不确定变量的概率分布信息,需要大量的样本数据,增大了问题的复杂性,同时可能忽略部分极端场景。RO不依赖不确定变量的概率分布,以不确定集的形式表示变量的不确定性,能够求解出极端场景下系统最优的调度方案,因此在MG优化调度中得到了广泛的应用。现有文献构建了两阶段鲁棒性MG能源管理模型,采用多面体集描述了源荷的不确定性。也有文献基于周期预算的多面体集,制定了具有二元追索变量的两阶段RO模型。然而,上述文献都采用简单的不确定集来描述系统的不确定性,导致集合中出现了许多在实际中不可能发生的场景,使得调度结果过于保守,降低了系统的运行效率。
为了克服SO的特殊性和RO的保守性缺陷,DRO从历史数据中提取概率信息,并构建含不确定变量因素概率分布的模糊集,进而求解最坏情况下的最小预期成本。根据模糊集建立方法的不同,DRO可分为基于矩信息和基于距离度量两种类型。基于矩信息的DRO方法从历史数据得出不确定参数的概率分布参数。基于距离的DRO方法通过在两个概率分布之间引入统计距离来建立模糊集的置信度集。然而,这些方法将DRO模型转换为半定规划或二阶圆锥规划问题,以提高数值可处理性,易导致次优解。
尽管上述文献在降低RO保守性方面取得了丰富的成果,但多数研究忽略了不确定性参数数据集与预测误差间直接的关系。如何挖掘源荷数据集中所蕴含的预测误差信息,并将其与不确定性集建模相结合去鲁棒调度结果的质量仍是一个挑战。现有文献通过最小二乘拟合直线与多面体不确定集相结合,构造包含光伏发电时空相关性的不确定性集。也有文献利用多区间不确定性集来解决MG中的自适应RO调度问题,其在一定程度上避免了最坏情景总是位于预测区间的边界。还有文献利用狄利克雷过程混合模型和贝叶斯非参数方法对不确定集进行拟合,从而消除了传统多面体集与历史场景之间的差异。现有文献选取历史数据中某些极端情景与传统凸不确定性集相结合,描述了不确定性集的时空相关性,并证明了其适用性。
实现思路