一種含可再生能源的微網(wǎng)魯棒多目標(biāo)運(yùn)行優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及一種含可再生能源的微網(wǎng)魯棒多目標(biāo)運(yùn)行優(yōu)化方法。
【背景技術(shù)】
[0002] 鑒于微網(wǎng)具有高效的能源利用和較高的經(jīng)濟(jì)環(huán)境效益，目前已在電力和能源領(lǐng)域 得到廣泛認(rèn)可。而且它被認(rèn)為是能源互聯(lián)網(wǎng)的重要組成部分，甚至被視為是偏遠(yuǎn)地區(qū)和城 市工業(yè)園中大電網(wǎng)的有力替代者。然而伴隨著可再生能源滲透率和負(fù)荷不確定性的增高， 導(dǎo)致微網(wǎng)運(yùn)行嚴(yán)重偏離最佳經(jīng)濟(jì)和環(huán)境效益，而且供求不平衡的情況也時常發(fā)生。因此，合 理調(diào)度微網(wǎng)中分布式電源出力顯的尤為關(guān)鍵。
[0003] 此外，現(xiàn)有運(yùn)行技術(shù)缺少對微網(wǎng)運(yùn)行中不確定性和多目標(biāo)屬性的綜合考慮，所產(chǎn) 生的最佳運(yùn)行方案無法在多目標(biāo)框架下消除不確定因素的影響，難以滿足實際運(yùn)行需求。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為了解決上述問題，提出了一種含可再生能源的微網(wǎng)魯棒多目標(biāo)運(yùn)行優(yōu)化 方法，該方法針對含可再生能源的微網(wǎng)，該類型微網(wǎng)為包含光伏、地源熱栗、燃?xì)廨啓C(jī)冷熱 電聯(lián)供和蓄電池儲能的并網(wǎng)型微網(wǎng)，考慮到可再生能源間歇性和負(fù)荷不確定性，建立計及 經(jīng)濟(jì)效益和環(huán)境效益的微網(wǎng)魯棒多目標(biāo)運(yùn)行優(yōu)化模型，能夠克服微網(wǎng)運(yùn)行中不確定性因素 的干擾，實現(xiàn)經(jīng)濟(jì)和環(huán)境效益最大化。
[0005] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0006] -種含可再生能源的微網(wǎng)魯棒多目標(biāo)運(yùn)行優(yōu)化方法，包括:采集微網(wǎng)運(yùn)行信息，生 成微網(wǎng)運(yùn)行中不確定性實施場景，根據(jù)微網(wǎng)屬性，構(gòu)建魯棒多目標(biāo)模型，將其與不確定性實 施場景輸入到兩階段求解策略中，對不確定性場景下內(nèi)層最大優(yōu)化問題和運(yùn)行方案下外層 最小優(yōu)化問題分別迭代求解，直到滿足終止條件退出循環(huán)，形成最優(yōu)運(yùn)行方案集合，依據(jù)實 時預(yù)測數(shù)據(jù)，選出最優(yōu)運(yùn)行策略。
[0007] 上述方法具體包括以下步驟：
[0008] (1)采集分布式電源設(shè)備信息、市場信息和不確定性信息，將其作為優(yōu)化參數(shù)； [0009] (2)根據(jù)系統(tǒng)多目標(biāo)屬性，構(gòu)建運(yùn)行費(fèi)用和二氧化碳排放的多目標(biāo)，根據(jù)不確定性 的魯棒區(qū)間約束，進(jìn)行區(qū)間劃分和蒙特卡抽樣，生成不確定性場景；
[0010] (3)構(gòu)建系統(tǒng)模型和場景樣本，采用多目標(biāo)交叉熵算法，求解多目標(biāo)的逆問題，確 定每個運(yùn)行方案下最壞的不確定性場景;采用ε+指示器和交叉熵方法，求解在以運(yùn)行方案 為決策變量下的外層多目標(biāo)最小問題，確定最大多目標(biāo)下的最小多目標(biāo)集合；
[0011] (4)根據(jù)微網(wǎng)的實時預(yù)測信息，從運(yùn)行方案集合中選取一個最優(yōu)運(yùn)行策略。
[0012] 所述步驟（1)中，微網(wǎng)的設(shè)備包括燃?xì)廨啓C(jī)冷熱電三聯(lián)供、蓄電池、地源熱栗和光 伏電池，其具體方法包括：
[0013] 1)根據(jù)設(shè)備型號和技術(shù)特征，確定三聯(lián)供設(shè)備的輸出功率限額和啟停時間消耗， 確定蓄電池的荷電狀態(tài)和充放電功率限額，確定地源熱栗的輸出功率限額；
[0014] 2)根據(jù)微網(wǎng)外部的市場環(huán)境，確定當(dāng)?shù)貓?zhí)行的分時電價情況，確定天然氣氣價情 況，確定碳排放懲罰情況；
[0015] 3)根據(jù)監(jiān)測統(tǒng)計的光照信息和負(fù)荷需求信息，計算出一天各個時段的光伏出力和 負(fù)荷需求的平均值，其中負(fù)荷包括了電負(fù)荷、冷負(fù)荷和熱負(fù)荷。
[0016] 所述步驟(2)中，具體包括：
[0017] (2-1)根據(jù)系統(tǒng)多目標(biāo)屬性，構(gòu)建運(yùn)行費(fèi)用和二氧化碳排放的多目標(biāo)，其中運(yùn)行費(fèi) 用包括了燃料消耗費(fèi)用、維護(hù)費(fèi)用、電網(wǎng)交互費(fèi)用、蓄電池折舊費(fèi)用和需求缺額懲罰費(fèi)用， 碳排放包括電網(wǎng)的火力發(fā)電二氧化碳排放和微網(wǎng)的天然氣二氧化碳排放；
[0018] (2-2)根據(jù)采集環(huán)節(jié)的數(shù)據(jù)，建立三聯(lián)供的輸出功率和啟停約束，建立地源熱栗的 輸出功率和啟停約束，建立蓄電池的功率和荷電狀態(tài)約束，建立微網(wǎng)供求功率平衡和旋轉(zhuǎn) 備用約束，建立不確定性的魯棒區(qū)間約束；
[0019] (2-3)根據(jù)不確定性的魯棒集合，采用區(qū)間劃分和蒙特卡洛抽樣技術(shù)生成不確定 性場景樣本。
[0020] 所述步驟(2-3)中，具體方法包括：
[0021 ] (2-3-1)根據(jù)生成的光伏出力和負(fù)荷需求的魯棒集合，將每一時刻的魯棒集合均 勻劃分為若干等份；
[0022] (2-3-2)采用蒙特卡洛抽樣技術(shù)從每一份中抽取同樣數(shù)目的樣本數(shù)，逐一構(gòu)成運(yùn) 行周期內(nèi)光伏出力的場景樣本和負(fù)荷場景樣本。
[0023] 所述步驟(3)中，具體包括：
[0024] (3-1)根據(jù)系統(tǒng)模型和場景樣本，采用多目標(biāo)交叉熵算法，求解多目標(biāo)的逆問題， 在以不確定性場景為決策變量下的內(nèi)層多目標(biāo)最大問題，確定每個運(yùn)行方案下最壞的不確 定性場景；
[0025] (3-2)采用ε+指示器和交叉熵方法，求解在以運(yùn)行方案為決策變量下的外層多目 標(biāo)最小問題，確定最大多目標(biāo)下的最小多目標(biāo)集合。
[0026] 所述步驟(3-1)中，具體方法包括：
[0027] (3-1-1)根據(jù)約束條件生成運(yùn)行方案樣本，并生成不確定性場景的概率密度函數(shù)；
[0028] (3-1-2)采用非支配解排序和擁擠距離排序技術(shù)在多目標(biāo)空間中搜索每個運(yùn)行方 案的非支配場景；
[0029] (3-1-3)采用重要性抽樣技術(shù)，確定非支配場景的Pareto前沿為精英解集，并同時 生成對應(yīng)的結(jié)尾正態(tài)分布概率密度函數(shù)；
[0030] (3-1-4)生成下一代樣本，并計算個體的適應(yīng)度值，判別概率密度函數(shù)中方差的收 斂條件，滿足收斂條件則輸出最優(yōu)解，否則返回步驟(3-1-2)。
[0031] 所述步驟(3-1)中，進(jìn)一步包括：
[0032] 1)依據(jù)參數(shù)輸入，初始化外層決策變量（蓄電池和地源熱栗出力），初始化內(nèi)層決 策變量即不確定性，初始化算法中的參數(shù)，確定外層迭代次數(shù)和內(nèi)層迭代次數(shù)；
[0033] 2)依次將不確定性魯棒區(qū)間均勻劃分，依據(jù)不確定性場景樣本數(shù)量，采用蒙特卡 洛隨機(jī)抽樣技術(shù)獲取每個區(qū)間內(nèi)的場景樣本；
[0034] 3)計算生成的不確定性場景樣本的概率密度函數(shù)；
[0035] 4)在生成的不確定性場景下，針對初始化的每個運(yùn)行方案，計算多目標(biāo)函數(shù)值；
[0036] 5)采用非支配解排序技術(shù)找出每個運(yùn)行方案下，不確定性場景的支配前沿排序；
[0037] 6)依據(jù)設(shè)定的不確定性場景樣本分位點，采用擁擠距離排序?qū)γ總€前沿上的不確 定性場景進(jìn)行排序；
[0038] 7)依據(jù)產(chǎn)生的不確定性場景精英解集生成概率密度分布函數(shù)，判定內(nèi)層中斷條 件;滿足則內(nèi)層優(yōu)化完畢，否則在新生成的概率密度函數(shù)的基礎(chǔ)上產(chǎn)生新的不確定性場景 樣本，返回步驟2);
[0039] 8)依次對所有生成的運(yùn)行方案實施內(nèi)層優(yōu)化，確定每個方案的最壞情況，即多目 標(biāo)空間里的最外沿。
[0040] 所述步驟(3-2)中，具體包括：
[0041] (3-2-1)采用ε+指示器中的集合最小距離和代理適應(yīng)度，在多目標(biāo)空間中搜索魯 棒非支配前沿，每個集合包括一個運(yùn)行方案和其相應(yīng)的最壞不確定性場景；
[0042] (3-2-2)采用重要性抽樣技術(shù)，確定非支配前沿集合中運(yùn)行方案為精英解集，并同 時生成對應(yīng)的概率密度函數(shù)；
[0043] (3-2-3)生成下一代樣本，并計算個體的適應(yīng)度值，進(jìn)入判別條件，滿足終止條件 則輸出最優(yōu)解集，否則返回步驟(3-2-3)。
[0044]代理適應(yīng)度是指同一前沿上集合之間的支配距離。
[0045]所述步驟(4)中，依據(jù)實時的預(yù)測數(shù)據(jù)，給出不確定性的波動范圍，將集合中的運(yùn) 行方案和不確定性帶入多目標(biāo)函數(shù)，計算每個運(yùn)行方案的經(jīng)濟(jì)效益和環(huán)境效益，確定每個 效益的權(quán)重值，對比每個方案的整體效益，選擇最優(yōu)方案。
[0046]本發(fā)明的有益效果為：
[0047] (1)本發(fā)明針對包含可再生能源在內(nèi)的多能源互補(bǔ)發(fā)電的微網(wǎng)，在現(xiàn)實中廣泛存 在，因此，發(fā)明具有現(xiàn)實意義；
[0048] (2)本發(fā)明考慮了微網(wǎng)運(yùn)行下所有可能發(fā)生的不確定性因素，使得對微網(wǎng)運(yùn)行處 理更為全面；
[0049] (3)本發(fā)明采用魯棒集合描述不確定性，不需要依賴概率性信息和先驗知識，方法 簡便客觀；
[0050] (4)本發(fā)明對不確定性的出力和多目標(biāo)優(yōu)化同時進(jìn)行，內(nèi)層趨向最大，外層趨向最 小，所提運(yùn)行優(yōu)化方法層次清晰、計算便捷，更具實用性。
【附圖說明】
[0051 ]圖1為本發(fā)明微網(wǎng)魯棒多目標(biāo)運(yùn)行優(yōu)化方法的框架示意圖；
[0052]圖2為本發(fā)明研究的微網(wǎng)系統(tǒng)結(jié)構(gòu)圖；
[0053]圖3為本發(fā)明實施地區(qū)夏季典型日冷、電負(fù)荷曲線圖；
[0054]圖4為本發(fā)明實施地區(qū)夏季典型日光伏電池發(fā)電預(yù)測曲線圖；
[0055] 圖5為本發(fā)明魯棒多目標(biāo)運(yùn)行優(yōu)化算法流程圖；
[0056] 圖6為本發(fā)明內(nèi)層最大值多目標(biāo)優(yōu)化效果圖；
[0057] 圖7為本發(fā)明外層最小值多目標(biāo)優(yōu)化效果圖；
[0058]圖8為最佳運(yùn)行方案選取示意圖。
【具體實施方式】：
[0059] 下面結(jié)合附圖與實施例對本發(fā)明作進(jìn)一步說明。
[0060] 如圖1所示，本發(fā)明包括：
[0061] 1.微網(wǎng)