一种风储容量与调度鲁棒联合优化方法及系统与流程

本发明属于风电场储能系统规划与运行优化技术，涉及一种风储容量与调度鲁棒联合优化方法及系统。

背景技术：

1、风储联合发电系统的容量配置与运行调度是两个深度耦合的决策问题。容量配置（储能额定功率与容量）决定了系统的物理潜力与投资成本，而运行调度策略则决定了该潜力能否被高效、经济地利用。因此，两者协同优化是一个典型的双层规划问题：上层解决容量配置，下层在给定配置下优化运行策略。

2、现有代表性技术采用固定步长遍历候选容量组合，并依赖全年确定性历史数据进行调度模拟与经济评估。该方法在工程实践中虽有一定效果，但存在以下根本性技术缺陷：

3、（1）搜索效率与分辨率的固有矛盾。枚举法的搜索成本与步长紧密相关，高精度搜索会导致候选方案数呈平方级激增，计算时间从数分钟延长至数十分钟。更关键的是，固定步长网格可能完全错过位于网格点之间的真正最优解，存在固有的分辨率偏差。

4、（2） 缺乏对预测不确定性的系统性考量。现有方法依赖于单一历史年份的实际数据，其优化结果是对该特定年份的“事后”最优拟合。然而，实际风况与电价具有显著的不确定性，基于单年数据得到的“最优”方案在遭遇与历史模式差异较大的年份时，其经济表现可能严重恶化。虽可通过多年度数据平均缓解，但会成倍增加计算负担，缺乏系统性的鲁棒性设计框架。

5、（3）单一经济目标无法反映多维决策需求。现有方法以内部收益率为唯一评价指标，但实际工程决策通常涉及多维目标的权衡，例如：较大容量的储能可能带来更高irr，但也意味着更高的初始投资和更宽的收益波动范围（风险）；同时，电池的衰减速度、系统利用率等长期指标也与经济性存在复杂关联。当多个候选方案irr接近但风险特征迥异时，决策者缺乏透明的多准则比较工具。

6、为此，本发明提出一种基于自适应多目标粒子群算法的风储容量与调度鲁棒联合优化方法，以实现更为高效、鲁棒和全面的风储容量与调度联合优化。

技术实现思路

1、本发明的目的在于解决现有技术中的问题，提供一种风储容量与调度鲁棒联合优化方法及系统。

2、为达到上述目的，本发明采用以下技术方案予以实现：

3、一种风储容量与调度鲁棒联合优化方法，包括以下步骤：

4、获取风电场出力预测数据和电价预测数据的历史预测误差分布，基于历史预测误差分布生成用于表征风电出力和电价不确定性的多个全年时序场景；

5、构建混合编码粒子，定义储能容量配置参数和调度策略控制参数为混合编码粒子的编码向量，基于混合编码粒子生成包含多个粒子的初始种群；

6、基于初始种群遍历多个全年时序场景，获取各场景下的运行收益，基于运行收益计算每个场景对应的粒子的多个优化目标值，对每个粒子的多个优化目标值进行分层排序，并计算每个粒子的拥挤距离；

7、基于分层排序结果，更新每个粒子的个体历史最优解，基于拥挤距离从外部档案中为每个粒子选择全局引导者，对粒子进行速度和位置更新；

8、基于更新后的粒子，获取当前代表非支配解的粒子，将其存入外部档案，当满足收敛判定准则时，生成当前的非支配解集作为最优解集；

9、对最优解集进行加权排序，计算每个方案的相对贴近度，将相对贴近度最大的方案作为风储容量配置与调度策略方案。

10、本发明的进一步改进在于：

11、所述获取风电场出力预测数据和电价预测数据的历史预测误差分布，基于历史预测误差分布生成用于表征风电出力和电价不确定性的多个全年时序场景，包括：

12、获取风电场的历史预测误差数据，采用核密度估计分别构建各时段风电功率预测误差和电价预测偏差的概率密度函数；

13、基于概率密度函数，采用拉丁超立方采样方法对各时段误差分布进行等概率区间划分与采样，生成多个全年时序场景。

14、所述储能容量配置参数包括储能额定功率和储能额定容量；

15、所述调度策略控制参数包括调度模型中的预测考核罚金权重系数、风险规避系数和终端荷电状态目标值。

16、所述粒子的多个优化目标值包括年度期望增量收益、条件风险价值和年度电池等效衰减成本；

17、所述年度期望增量收益根据所有场景下的运行收益的概率加权计算得到；

18、所述条件风险价值用于量化极端不利情景下的收益下行风险；

19、所述年度电池等效衰减成本根据储能边际衰减成本与各场景年度等效循环电量的概率加权计算得到。

20、所述对粒子进行速度和位置更新后，还包括：

21、根据外部档案中帕累托前沿的拥挤距离分布状态判断前沿是否发生局部聚集，若是，对种群中的部分粒子施加高斯扰动，根据粒子依据支配关系或模拟退火准则判定变异后的粒子是否保留。

22、所述收敛判定准则包括：

23、计算相邻世代间非支配解集的世代距离变化率，当连续多代所述世代距离变化率均小于预设收敛精度阈值时或当前迭代代数达到最大迭代代数时，判定收敛，生成当前的非支配解集作为最优解集。

24、一种风储容量与调度鲁棒联合优化系统，包括：

25、不确定性场景生成模块，用于获取风电场出力预测数据和电价预测数据的历史预测误差分布，基于历史预测误差分布生成用于表征风电出力和电价不确定性的多个全年时序场景；

26、种群初始化模块，用于构建混合编码粒子，定义储能容量配置参数和调度策略控制参数为混合编码粒子的编码向量，基于混合编码粒子生成包含多个粒子的初始种群；

27、多目标适应度评价模块，用于基于初始种群遍历多个全年时序场景，获取各场景下的运行收益，基于运行收益计算每个场景对应的粒子的多个优化目标值，对每个粒子的多个优化目标值进行分层排序，并计算每个粒子的拥挤距离；

28、粒子群进化更新模块，用于基于分层排序结果，更新每个粒子的个体历史最优解，基于拥挤距离从外部档案中为每个粒子选择全局引导者，对粒子进行速度和位置更新；

29、外部档案维护与收敛判定模块，用于基于更新后的粒子，获取当前代表非支配解的粒子，将其存入外部档案，当满足收敛判定准则时，生成当前的非支配解集作为最优解集；

30、最优方案推荐模块，用于对最优解集进行加权排序，计算每个方案的相对贴近度，将相对贴近度最大的方案作为风储容量配置与调度策略方案。

31、一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现中任一项所述的方法。

32、一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一项所述方法的步骤。

33、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述方法的步骤。

34、与现有技术相比，本发明具有以下有益效果：

35、本发明公开了一种风储容量与调度鲁棒联合优化方法，获取历史预测误差分布并基于该分布生成多个全年时序场景，在优化过程中遍历多个场景计算各场景下的运行收益并以此计算优化目标值，使优化结果不再依赖于某一特定年份的实际数据，而是能够同时兼顾多种可能的风况与电价情景，效降低了实际运行中因风况和电价偏离历史模式而导致经济表现严重恶化的风险；构建包含储能容量配置参数和调度策略控制参数的混合编码粒子，将容量配置与调度策略统一编码为粒子向量，并基于该粒子生成初始种群进行迭代搜索，使得候选方案的探索从离散网格遍历转变为连续空间内的种群进化搜索，解耦了搜索精度与计算成本之间的固有矛盾，既避免了固定步长网格可能遗漏真正最优解的缺陷，又提升了寻优效率；通过对每个粒子的多个优化目标值进行分层排序，并计算拥挤距离以维护解集多样性，最终生成代表不同目标间权衡关系的非支配解集作为最优解集，保留了各目标互不支配的多个帕累托有效方案，无需预先设定各目标的主观权重就可以展示收益与风险等不同维度间的客观权衡关系，于此同时，还引入了外部档案存储每代产生的非支配解并在更新过程中基于拥挤距离为粒子选择全局引导者，引导种群向帕累托前沿均匀分布的方向进化，避免了种群在局部区域的过度聚集，保证了最终生成的帕累托最优解集在目标空间上具有良好的分布性。