一种综合能源系统分布式随机优化方法

本发明属于综合能源系统优化调度与不确定性处理，具体涉及一种综合能源系统分布式随机优化方法。

背景技术：

1、以冷热电三联供（cchp）为核心架构的综合能源系统（ies）凭借多能梯级利用与高能源利用率特征，成为支撑能源结构转型的重要载体，且地理位置相邻的多个微网主体通过电能交互实现跨主体的源荷互济与多能协同。然而，高比例分布式新能源的密集接入以及多元负荷的时空交织，使得系统内部面临强烈的多维多品位源荷不确定性挑战，传统方法难以在兼顾微网业务隐私的同时，对冲日内高频突发的波动风险。

2、现有的短期精细化调度和分布式协同方法存在显著痛点：一是直接拟合环境历史数据忽略了天气预报等先验信息，导致不确定性空间放大、冗余备用过高，且容易在非运行季产生违背物理常理的冷热负荷零值底噪畸变 ；二是传统整体残差拟合割裂了风、光、气温及多元负荷之间固有的时空物理强耦合依存关系，导致场景失真；三是集中式优化面临严重的商业隐私泄露风险，而现有的分布式优化多限制于确定性框架，在可再生能源大量接入时会产生不确定性波动，传统综合能源系统难以稳定运行。

技术实现思路

1、鉴于现有技术中的上述缺陷或不足，本发明提供一种综合能源系统分布式随机优化方法，包括：

2、获取综合能源系统中多维物理量的历史数据；

3、根据所述历史数据生成多个典型场景及各典型场景的出现概率；

4、针对每个主体构建两阶段随机优化模型，所述两阶段随机优化模型的第一阶段决策变量为各主体之间的点对点跨区交易电量，第二阶段决策变量为各主体内部设备在各典型场景下的功率响应及调节状态；

5、采用交替方向乘子法对多个主体进行分布式协同优化，在各主体之间仅交互点对点交易电量信息，迭代求解直至满足全局出清收敛条件，输出各主体的优化调度方案。

6、根据本发明提供的技术方案，所述根据所述历史数据生成多个典型场景及各典型场景的出现概率，包括：

7、针对所述多维物理量构建双支路预测网络，所述双支路预测网络包含连续值回归主网络和启停分类辅助网络，利用所述主网络输出多维物理量的连续预测值，利用所述辅助网络输出冷负荷和热负荷的启停状态概率并构建启停掩码矩阵，将所述连续预测值与所述启停掩码矩阵进行融合处理，得到修正后的基准预测值；

8、计算所述多维物理量的真实值与所述基准预测值之间的预测残差，对所述预测残差进行模态分解，得到多个不同频段的残差子模态；

9、对各个所述残差子模态分别进行概率密度拟合，基于拟合得到的概率密度模型进行随机抽样，将抽样结果叠加至所述基准预测值上并应用所述启停掩码矩阵，生成多个初始预测场景；

10、对各个所述初始预测场景进行高维联合特征展平，将展平后的特征向量进行聚类削减，得到典型场景集合及各典型场景的出现概率。

11、根据本发明提供的技术方案，所述连续值回归主网络基于长短期记忆网络构建，所述启停分类辅助网络基于长短期记忆网络与sigmoid激活函数构建；所述融合处理为将冷负荷和热负荷的连续预测值分别与对应的启停状态概率掩码进行哈达玛乘积运算。

12、根据本发明提供的技术方案，所述对所述预测残差进行模态分解，包括：

13、采用变分模态分解将所述预测残差分解为低频模态、中频模态、高频模态和残余分量；所述低频模态表征预测偏差中的长期趋势性误差，所述中频模态表征预测偏差中的日内周期性波动误差，所述高频模态表征预测偏差中的随机突变误差。

14、根据本发明提供的技术方案，采用核密度估计方法对各个所述残差子模态进行概率密度拟合，采用蒙特卡洛抽样方法生成初始预测场景；所述高维联合特征展平为将每个初始预测场景中包含的全部时间步和全部物理维度的数据进行首尾拼接形成单个高维联合特征行向量，所述聚类削减采用k-medoids聚类算法。

15、根据本发明提供的技术方案，所述针对每个主体构建两阶段随机优化模型，包括：

16、以最小化全天跨场景的期望总成本为优化目标，所述期望总成本包括场景运行期望成本和点对点电能交易成本；所述场景运行期望成本包括向外部电网购电成本、弃电惩罚成本和天然气燃料成本。

17、根据本发明提供的技术方案，所述采用交替方向乘子法对多个主体进行分布式协同优化，包括：

18、在交替方向乘子法的每次迭代中，各主体将自身的预期交易电量向量发送至虚拟交易中心，所述虚拟交易中心汇总后向各主体下发除该主体外其他所有主体的交易功率之和信息，各主体根据接收到的信息更新各自的增广拉格朗日目标函数并重新求解。

19、根据本发明提供的技术方案，所述增广拉格朗日目标函数中包含近端阻尼项，所述近端阻尼项用于限制当前轮次交易决策相对于上一轮次交易决策的变化幅度。

20、根据本发明提供的技术方案，所述全局出清收敛条件的判断方式为：

21、所述虚拟交易中心收集所有主体返回的交易决策后，计算全市场各时段的交易净缺口之和作为交易残差，判断所述交易残差是否小于预设收敛阈值；若满足，则判定多主体市场实现分布式出清，算法终止并输出优化调度方案；若不满足，则更新拉格朗日乘子并进入下一轮迭代。

22、根据本发明提供的技术方案，所述拉格朗日乘子作为市场交易电价，采用梯度下降法进行更新，并对更新后的市场交易电价设置上限和下限，所述下限为0，所述上限为外部电网购电电价与预设价格裕度之差，以使主体之间的内部交易电价低于向外部电网直接购电的价格。

23、与现有技术相比，本发明的有益效果在于：通过进行预测处理及残差分解以生成典型场景，有效避免了传统方法中直接拟合环境数据导致的不确定性空间放大及非运行季底噪畸变问题，同时避免了整体残差拟合割裂多物理量耦合关系的弊端，保证了场景的物理真实性与保真度；进一步通过构建两阶段随机优化模型，将跨区交易电量与内部设备响应分层决策，实现了前瞻性计划与适应性调度的协同优化；同时采用交替方向乘子法进行分布式协同优化，各主体仅交互点对点交易电量信息，在保障各主体商业隐私的前提下，通过迭代求解直至全局出清收敛，有效对冲了高比例可再生能源接入带来的多维波动风险，实现了多主体的稳定互济运行。

1.一种综合能源系统分布式随机优化方法，其特征在于，包括：

2.根据权利要求1所述的综合能源系统分布式随机优化方法，其特征在于，所述根据所述历史数据生成多个典型场景及各典型场景的出现概率，包括：

3.根据权利要求2所述的综合能源系统分布式随机优化方法，其特征在于，所述连续值回归主网络基于长短期记忆网络构建，所述启停分类辅助网络基于长短期记忆网络与sigmoid激活函数构建；所述融合处理为将冷负荷和热负荷的连续预测值分别与对应的启停状态概率掩码进行哈达玛乘积运算。

4.根据权利要求2所述的综合能源系统分布式随机优化方法，其特征在于，所述对所述预测残差进行模态分解，包括：

5.根据权利要求2所述的综合能源系统分布式随机优化方法，其特征在于，采用核密度估计方法对各个所述残差子模态进行概率密度拟合，采用蒙特卡洛抽样方法生成初始预测场景；所述高维联合特征展平为将每个初始预测场景中包含的全部时间步和全部物理维度的数据进行首尾拼接形成单个高维联合特征行向量，所述聚类削减采用k-medoids聚类算法。

6.根据权利要求1所述的综合能源系统分布式随机优化方法，其特征在于，所述针对每个主体构建两阶段随机优化模型，包括：

7.根据权利要求1所述的综合能源系统分布式随机优化方法，其特征在于，所述采用交替方向乘子法对多个主体进行分布式协同优化，包括：

8.根据权利要求7所述的综合能源系统分布式随机优化方法，其特征在于，所述增广拉格朗日目标函数中包含近端阻尼项，所述近端阻尼项用于限制当前轮次交易决策相对于上一轮次交易决策的变化幅度。

9.根据权利要求7所述的综合能源系统分布式随机优化方法，其特征在于，所述全局出清收敛条件的判断方式为：

10.根据权利要求9所述的综合能源系统分布式随机优化方法，其特征在于，所述拉格朗日乘子作为市场交易电价，采用梯度下降法进行更新，并对更新后的市场交易电价设置上限和下限，所述下限为0，所述上限为外部电网购电电价与预设价格裕度之差，以使主体之间的内部交易电价低于向外部电网直接购电的价格。