考虑大规模可再生能源接入的多时间尺度调度方法与流程

1.本发明涉及电力调度技术领域，特别涉及一种考虑大规模可再生能源接入的多时间尺度调度方法。


背景技术：

2.随着可再生能源分布式发电技术的快速发展和大量应用，微电网作为分布式电源的有效接入方式，受到广泛关注。微电网群针对一个地区内邻近的分布式机组、微网和负荷的能量管理进行协调，能够提高分布式电源的渗透率，实现可再生能源的高效利用。由于可再生能源出力的波动性，分布式可再生能源的大规模接入会对配电网与多微网系统的运行和调度带来挑战。目前在考虑可再生能源不确定性的配电网与多微网的调度研究中，随机优化难以应对极端场景；机会约束方法需要数据量大，求解较为困难；鲁棒优化能够实现调度的鲁棒性，但其日前决策过于保守。此外，上述调度模型均为针对日前尺度的调度，而由于日前可再生能源的预测误差较日内预测较大，上述调度模型用在实际调度中精确度较差，需要在日前调度的基础上进行调整。


技术实现要素：

3.本发明的目的是提供一种考虑大规模可再生能源接入的多时间尺度调度方法，对接入配电网与多微网系统的大规模可再生能源进行日前、日内两种尺度的调度。在日前调度中，配电网与多微网系统对未来24小时内可再生能源出力进行预测，系统调度人员根据日前预测信息安排系统日前调度计划；由于日前预测误差较大，为准确反映可再生能源出力的波动，在日前调度的基础上进行日内实时调度。日内调度通过超短期(通常小于1小时)预测滚动更新未来数个时段内可再生能源日内出力预测值，调度中心基于该日内出力预测值，对各个可控机组下一时刻实时出力进行经济调度。
4.为了达到上述目的，本发明提供一种考虑大规模可再生能源接入的多时间尺度调度方法，适用于配电网与多微网系统，包含步骤：
5.s1、通过可再生能源日前预测误差的概率分布预测可再生能源的日前出力上下限，构建鲁棒不确定集合；
6.s2、构建所述配电网与多微网系统的二阶段鲁棒调度模型；所述二阶段鲁棒调度模型包含日前阶段模型和调控阶段模型；所述日前阶段模型基于日前预测的可再生能源出力制定日前调度决策；所述调控阶段模型基于所述日前调度决策辨识出可再生能源出力的最恶劣场景，针对该最恶劣场景修正所述日前调度决策；
7.s3、通过列约束生成算法将日前鲁棒调度问题拆分成为主子问题，迭代求解得到最恶劣场景下配电网与多微网系统的最优日前调度决策；
8.s4、在所述最优日前调度决策的基础上，采用日内滚动优化算法对配电网与多微网系统的日内调度进行滚动优化，实现对配电网与多微网系统多时间尺度调度。
9.可选的，步骤s1包含：
10.s11、令为第n台可再生能源机组出力的最大正、负预测误差，为第n台可再生能源机组的日前出力预测误差；根据的概率分布，分别取累积概率密度函数的λ分位数和1
‑
λ分位数得到其中λ为预设值；
11.s12、将可再生能源出力的不确定性表示为：
[0012][0013][0014]
其中为第n台可再生能源机组的实际出力；为第n台可再生能源机组的日前预测出力；
[0015]
s13、令为第n台可再生能源机组的鲁棒不确定集合。
[0016]
可选的，日前阶段模型的目标函数为：
[0017][0018][0019][0020]
其中，i、j表示配电网节点编号；t为调度总时段；t表示当前调度时刻；ij为第i配电网节点与第j配电网节点之间的配电网线路；f
da1
为配电网与多微网系统日前调度成本；f
da2
为配电网与多微网系统调控成本；x为日前调度决策变量；y为调控决策变量；ξ为不确定变量；k为微电网编号；n
mg
为微电网数量；c
tr
、c
loss
、c
idr
分别为配电网从主网的单位购电成本、配电网网损成本以及配电网节点负荷需求响应成本；c
re
、c
es
分别为微网弃可再生能源惩罚系数、储能损耗成本惩罚系数；为配电网从主网购电功率；为第k微电网中燃气轮机出力；i
k,t
为[0,1]内的变量，表示第k微电网中燃气轮机机组出力状态变量；d
j,t
为需求响应前第j配网节点在调度时刻t的可平移负荷功率；为需求响应后第j配网节点在调度时刻t的可平移负荷功率；为第k微电网的弃可再生能源功率；为配电网线路电流的平方；r
ij
为线路电阻；ω
pe
、ω
tr
分别为配电网线路集合以及配电网变压器节点集合；分别为储能的充电功率和放电功率；a
k
、b
k
、c
k
分别为燃气轮机出力成本系数；
[0021]
调控阶段模型的目标函数为：在确定的日前调度决策下，实现配电网与多微网系统在可再生能源出力最恶劣场景下的调控成本f
da2
最小。
[0022]
可选的，日前阶段模型的约束条件包含：主网出力约束、燃气轮机最小启动/关闭时间约束、联络线功率传输约束；
[0023]
所述主网出力约束包含：
[0024]
[0025][0026]
其中为主网传输无功功率；分别为主网传输无功功率上下限；为主网传输有功功率上下限。
[0027]
所述燃气轮机最小启动/关闭时间约束包含：
[0028][0029][0030][0031][0032]
其中，为机组最小启动、关闭时间。
[0033]
所述联络线功率传输约束包含
[0034][0035]
其中，为配电网向第k微电网的传输功率；分别为微电网与配电网之间传输功率的下限及上限。
[0036]
可选的，日内滚动优化算法的目标函数f
di
为：
[0037][0038][0039]
其中，t
in
为日内滚动优化的步长；pf为储能惩罚项；pf为惩罚系数；为日前调度得到的储能荷电容量。
[0040]
可选的，日内滚动优化算法的约束条件与调控阶段模型的约束条件相同，包含：配电网潮流约束、配电网安全约束、静止无功补偿器约束、燃气轮机出力约束、微电网功率平衡约束、储能充放电约束、弃可再生能源约束、需求响应负荷约束；
[0041]
所述配电网潮流约束包含：
[0042][0043][0044][0045][0046]
其中，i、j、h、k均为配电网节点编号；δ
j
为以第j配电网节点为首端的线路集合；π
j
为以第j配电网节点为末端的线路集合；ω
pb
为电网节点集合；ω
svc
为无功补偿器集合；
p
ij,t
，q
ij,t
分别为线路ij的有功和无功功率；x
ij
为线路ij的电抗值；分别为第j配电网节点的有功、无功负荷需求；为静止无功补偿器的无功功率；为第i配电网节点、第j配电网节点在t时刻电压的平方；p
jh,t
表示线路jh有功功率；ω
mg
表示微网集合；ω
tr
表示变压器节点集合；q
jk,t
表示线路jk的无功功率；
[0047]
所述配电网安全约束包含：
[0048][0049][0050]
其中，为线路电流平方上限；为节点电压平方上下限；
[0051]
所述静止无功补偿器约束包含：
[0052][0053]
其中，为配电网节点j安装的静止无功补偿器无功出力上下限。
[0054]
所述燃气轮机出力约束包含：
[0055][0056][0057]
其中，ru
g
,rd
g
为燃气轮机机组的最大上、下爬坡率；分别为燃气轮机机组出力有功功率上下限；
[0058]
所述微电网功率平衡约束包含：
[0059][0060]
其中，为可再生能源出力不确定变量；为第k微电网的负荷；
[0061]
所述储能充放电约束包含：
[0062][0063][0064][0065][0066]
e
k,0
＝e
k,t
[0067][0068]
其中，为[0,1]内的变量，分别表示储能充电状态、放电状态；分别为储能的充电功率和放电功率；分别为第k配电网在t
‑
1时刻储能的充电功率和放电功率；分别为储能充电功率上下限以及放电功率上下限；分别为充电效率以及放电效率；e
k,t
为储能荷电容量；e
k
、为储能荷电容量上下限；δt表示调度时段长度；e
k,0
表示储能初始荷电容量；e
k,t
表示t时刻储能荷电容量；
[0069]
所述弃可再生能源约束包含：
[0070][0071]
其中为弃可再生能源功率最大值；
[0072]
所述需求响应负荷约束包含：
[0073][0074]
其中，d
j,t
为需求响应前第j配网节点在时段t的可平移负荷功率；为需求响应后第j配网节点在时段t的可平移负荷功率；分别为需求响应负荷在t时段的最大和最小用电需求。
[0075]
可选的，步骤s3包含：
[0076]
s31、将日前鲁棒调度问题写成以下形式：
[0077][0078]
其中，x为日前调度决策变量；u为可再生能源日前出力预测值；u
min
、u
max
分别为可再生能源日前出力预测值的上、下限；y为线路功率、电压等调控决策变量；hx为日前调度成本；ay为调控成本；h为日前调度成本系数矩阵；a为调控成本系数矩阵；a、b为日前调度约束条件相关系数矩阵；c、d、e、g、g、f为调控约束成本相关系数矩阵；
[0079]
s32、将日前鲁棒调度问题划分为主问题和子问题；
[0080]
所述主问题的数学模型为：
[0081][0082]
其中，f
mp
为主问题表达式；n表示列约束生成算法的最大迭代次数；m表示列约束生成算法的迭代次数；u
m
为第m次迭代的最恶劣场景下可再生能源日前出力预测值；y
m
第m次迭代的最恶劣场景下的调控决策变量；η为主问题在最恶劣场景下的最大调控成本；
[0083]
所述子问题的数学模型为：
[0084][0085]
其中，f
sp
为子问题表达式；为第m次迭代时主问题的日前调度决策变量的求解结果。
[0086]
可选的，迭代求解得到恶劣场景下配电网与多微网系统的最优日前调度方案包含步骤：
[0087]
s34、设定下界l
b
＝
‑
∞，上界u
b
＝ ∞，列约束生成算法迭代次数m＝1。
[0088]
s35、求解主问题，得到日前调度决策最优解日前调度成本以及主问题最恶劣场景下的最大调控成本并更新下界
[0089]
s36、固定日前调度决策变量求解子问题；采用拉格朗日对偶方法对子问题进行对偶，得到子问题的对偶问题；求解所述对偶问题，得到第m次迭代中最恶劣场景下可再生能源日前出力值u
m
，并更新上界为所述对偶问题，进入s37；
[0090]
s37、若u
b
‑
l
b
＜ε,得到日前调度决策最优解迭代结束；若u
b
‑
l
b
≥ε，进入s38；
[0091]
s38、更新主问题最恶劣场景下可再生能源出力预测值u
m
，并添加当前最恶劣场景的调控阶段模型的约束条件到主问题，m＝m 1，返回步骤s35。
[0092]
可选的，步骤s4包含：
[0093]
s41、设置日内初始调度时刻t＝1；
[0094]
s42、基于日内滚动优化算法获得t 1～t t
in
时刻的日内可再生能源出力预测值，其中t
in
为日内滚动优化的步长；
[0095]
s43、在日前调度决策的基础上，基于日内滚动优化算法的目标函数和约束条件，优化求解出t 1～t t
in
时刻的的日内调度控制变量，基于t 1时刻的日内调度控制变量对配电网与多微网系统进行日内实时调度；令t＝t 1，重复步骤s42、s43。
[0096]
可选的，步骤s42包含：
[0097]
s421、根据可再生能源日前出力预测值的上、下限，将可再生能源出力预测值等间隔划分为第一至第n区间，分别对应离散化的n个状态s1～s
n
；
[0098]
s422、基于马尔克夫链建立一步状态转移矩阵π(t,t 1)：
[0099][0100]
其中，t表示当前时刻，p
a,b
表示从状态s
a
转移到状态s
b
的概率，a,b∈[1,n]；
[0101]
s423、根据当前
t
时刻可再生能源出力预测值，得到对应的状态s
i
，i∈[1,n]；
[0102]
查找得到一步状态转移矩阵中第i行的最大概率p
ij
；则在当前
t
时刻状态s
i
的情况下，下一时刻可再生能源出力以最大概率p
ij
转移至状态s
j
；令对应第j区间的平均值作为t 1时刻的日内可再生能源出力预测值；
[0103]
s424、令t＝t 1，不断滚动时域，重复步骤s423，直到得到t t
in
时刻日内可再生能源出力预测值；其中t
in
为日内滚动优化的步长。
[0104]
与现有技术相比，本发明的有益效果在于：
[0105]
本发明的考虑大规模可再生能源接入的多时间尺度调度方法能够将日前调度、日内调度进行协调，减少可再生能源不确定性对配电网与多微网系统调度的影响，相比单一的日前调度方法提高了调度的准确性，从而能有效提高配电网与多微网系统应对可再生能源不确定性的能力。
[0106]
本发明通过建立多时间尺度(包含日前尺度与日内尺度)的二阶段鲁棒调度模型，为配电网与多微网系统的调度人员提供科学调度依据，从而实现配电网与多微网系统的多时间尺度协调调度。
附图说明
[0107]
为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：
[0108]
图1为配电网与多微网系统多时间尺度调度框架；
[0109]
图2为本发明多时间尺度调度方法的流程图；
[0110]
图3为配电网与多微网系统日前鲁棒调度求解流程图；
[0111]
图4为配电网与多微网系统日内滚动调度求解流程图。
具体实施方式
[0112]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0113]
本发明的多时间尺度调度方法首先建立多时间尺度的调度框架，将配电网与多微网系统调度分为日前和日内2个阶段，如图1所示，具体如下：
[0114]
第1阶段：日前调度。在日前调度中，配电网与多微网系统对未来24小时内可再生
能源出力进行预测。系统调度人员根据日前预测信息安排系统日前调度计划。在这一阶段中，预测信息不仅包括未来24小时内可再生能源出力的预测值，也包括其预测上限和下限。考虑到日前预测误差较大，采用鲁棒优化构建可再生能源出力不确定集合，建立配电网与多微网系统日前阶段模型。为满足系统实时功率平衡，故而本阶段的日前调度决策只包括燃气轮机日前启停机计划、配电网日前购电计划、配电网与多微网日前联络线传输功率等需要提前一天制定的调度策略。
[0115]
第2阶段：日内短期调度。由于较大的预测范围和较低的预测精度，提前一天的可再生能源出力预测结果往往无法满足功率平衡的要求。为了准确反映可再生能源出力的波动，减少提前调度与实时调度之间的偏差，引入了日内短期调度。在日内调度中，通过调控阶段模型进行超短期预测，得到未来数个时段内可再生能源出力的预测值。调度中心会在日前调度基础上，对各个可控机组出力进行经济调度，并制定各个机组在下一时间段的出力计划。这一阶段一般提前15分钟到1小时完成，并根据超短期预测的更新滚动修正日内调度计划，因此为滚动调度。
[0116]
本发明提供一种考虑大规模可再生能源接入的多时间尺度调度方法，适用于配电网与多微网系统，如图2所示，包含步骤：
[0117]
s1、通过可再生能源日前预测误差的概率分布预测可再生能源的日前出力上下限，构建鲁棒不确定集合；
[0118]
步骤s1包含：
[0119]
s11、令为第n台可再生能源机组出力的最大正、负预测误差，为第n台可再生能源机组的日前出力预测误差；根据的概率分布，分别取累积概率密度函数的λ分位数和1
‑
λ分位数得到其中λ为预设值；λ可以根据系统调度要求选取，λ越小，调度鲁棒性越高；
[0120]
以风光机组为例，其出力的预测误差满足三阶混合高斯分布，即风机与光伏最大出力的预测误差的概率密度的函数形式为：
[0121][0122]
其中，x为预测误差取值；μ、δ、α分别为各组高斯分布的期望、标准差和权值相量，α
i
为混合高斯分布第i组高斯分布的权值；μ
i
为混合高斯分布第i组高斯分布的期望；δ
i
混合高斯分布第i组高斯分布的标准差。i＝1,2,3。
[0123]
s12、将可再生能源出力的不确定性表示为：
[0124][0125][0126]
其中为第n台可再生能源机组的实际出力；为第n台可再生能源机组的日前预测出力；
[0127]
s13、令为第n台可再生能源机组的鲁棒不确定集合。
[0128]
s2、构建所述配电网与多微网系统的二阶段鲁棒调度模型；所述二阶段鲁棒调度模型包含日前阶段模型和调控阶段模型；所述日前阶段模型基于日前预测的可再生能源出力制定日前调度决策；所述调控阶段模型基于所述日前调度决策辨识出可再生能源出力的最恶劣场景，针对该最恶劣场景修正所述日前调度决策。
[0129]
其中，调度中的最恶劣场景指的是，在当前确定的日前调度决策下，使得系统调度成本最大的可再生能源不确定变量取值场景。根据凸优化理论，最恶劣场景一般多面体解空间的某个顶点处，即可再生能源出力取极值的场景。
[0130]
日前尺度调度分为日前阶段(基于日前阶段模型)和调控阶段(基于调控阶段模型)，所述二阶段鲁棒调度模型的目标函数主要包含配电网与多微网的日前调度成本以及调控成本。
[0131]
日前阶段模型的目标函数主要包含配电网与多微网的日前调度成本以及调控成本。日前阶段模型的目标函数为：
[0132][0133][0134][0135]
其中，i、j表示配电网节点编号；t为调度总时段；t表示当前调度时刻；ij为第i配电网节点与第j配电网节点之间的配电网线路；f
da1
为配电网与多微网系统日前调度成本；f
da2
为配电网与多微网系统调控成本；x为日前调度决策变量；y为调控决策变量；ξ为不确定变量；k为微电网编号；n
mg
为微电网数量；c
tr
、c
loss
、c
idr
分别为配电网从主网的单位购电成本、配电网网损成本以及配电网节点负荷需求响应成本；c
re
、c
es
分别为微网弃可再生能源惩罚系数、储能损耗成本惩罚系数；为配电网从主网购电功率；为第k微电网中燃气轮机出力；i
k,t
为[0,1]内的变量，表示第k微电网中燃气轮机机组出力状态变量；d
j,t
为需求响应前第j配网节点在调度时刻t的可平移负荷功率；为需求响应后第j配网节点在调度时刻t的可平移负荷功率；为第k微电网的弃可再生能源功率；为配电网线路电流的平方；r
ij
为线路电阻；ω
pe
、ω
tr
分别为配电网线路集合以及配电网变压器节点集合；分别为储能的充电功率和放电功率；a
k
、b
k
、c
k
分别为燃气轮机出力成本系数；
[0136]
日前阶段模型的约束条件包含：主网出力约束、燃气轮机最小启动/关闭时间约束、联络线功率传输约束；
[0137]
所述主网出力约束包含：
[0138][0139][0140]
其中为主网传输无功功率；分别为主网传输无功功率上下限；为主网传输有功功率上下限。
[0141]
所述燃气轮机最小启动/关闭时间约束包含：
[0142][0143][0144][0145][0146]
其中，为机组最小启动、关闭时间。
[0147]
所述联络线功率传输约束包含
[0148][0149]
其中，为配电网向第k微电网的传输功率；分别为微电网与配电网之间传输功率的下限及上限。
[0150]
调控阶段模型的目标函数为：在确定的日前调度决策下，实现配电网与多微网系统在可再生能源出力最恶劣场景下的调控成本f
da2
最小。
[0151]
调控阶段模型的约束条件包含：配电网潮流约束、配电网安全约束、静止无功补偿器约束、燃气轮机出力约束、微电网功率平衡约束、储能充放电约束、弃可再生能源约束、需求响应负荷约束；
[0152]
所述配电网潮流约束包含：
[0153][0154][0155][0156][0157]
其中，
i
、j、h、k均为配电网节点编号；δ
j
为以第j配电网节点为首端的线路集合；π
j
为以第j配电网节点为末端的线路集合；ω
pb
为电网节点集合；ω
svc
为无功补偿器集合；p
ij,t
,q
ij,t
分别为线路ij的有功和无功功率；x
ij
为线路ij的电抗值；分别为第j配电网节点的有功、无功负荷需求；为静止无功补偿器的无功功率；为第i配电网节点、第j配电网节点在t时刻电压的平方；p
jh,t
表示线路jh有功功率；ω
mg
表示微网集合；ω
tr
表示变压器节点集合；q
jk,t
表示线路jk的无功功率；
[0158]
所述配电网安全约束包含：
[0159][0160][0161]
其中，为线路电流平方上限；为节点电压平方上下限；
[0162]
所述静止无功补偿器约束包含：
[0163][0164]
其中，为配电网节点j安装的静止无功补偿器无功出力上下限。
[0165]
所述燃气轮机出力约束包含：
[0166][0167][0168]
其中，ru
g
,rd
g
为燃气轮机机组的最大上、下爬坡率；分别为燃气轮机机组出力有功功率上下限；
[0169]
所述微电网功率平衡约束包含：
[0170][0171]
其中，为可再生能源出力不确定变量；为第k微电网的负荷；
[0172]
所述储能充放电约束包含：
[0173][0174][0175][0176][0177]
e
k,0
＝e
k,t
[0178][0179]
其中，为[0,1]内的变量，分别表示储能充电状态、放电状态；为[0,1]内的变量，分别表示储能充电状态、放电状态；分别为储能的充电功率和放电功率；分别为第k配电网在t
‑
1时刻储能的充电功率和放电功率；分别为储能充电功率上下限以及放电功率上下限；分别为充电效率以及放电效率；e
k,t
为储能荷电容量；e
k
、为储能荷电容量上下限；δt表示调度时段长度；e
k,0
表示储能初始荷电容量；e
k,t
表示t时刻储能荷电容量；
[0180]
所述弃可再生能源约束包含：
[0181][0182]
其中为弃可再生能源功率最大值；
[0183]
所述需求响应负荷约束包含：
[0184][0185]
其中，d
j,t
为需求响应前第j配网节点在时段t的可平移负荷功率；为需求响应后第j配网节点在时段t的可平移负荷功率；分别为需求响应负荷在t时段的最大和最小用电需求。
[0186]
s3：通过列约束生成算法(column
‑
and
‑
constraint generation，c&cg)将日前鲁
棒调度问题拆分成为主子问题，迭代求解得到最恶劣场景下配电网与多微网系统的最优日前调度决策；主问题求解最恶劣场景下的最优日前调度方案，并将其传给子问题，子问题则是通过对偶原理进行求解，求解得到当前最恶劣场景下的调控成本以及最恶劣场景下可再生能源的出力，从而辨识出日前调度方案下的最恶劣场景，通过添加最恶劣场景下的调控阶段约束到主问题，影响主问题决策，最后通过主子问题迭代求得日前鲁棒调度问题最优解。主问题目标函数包含日前调度成本和最恶劣场景下的调控成本，与日前调度模型相同，但主问题的约束条件不仅包含日前阶段模型的约束条件，还包括迭代中产生的m个最恶劣场景下的调控阶段模型的约束条件。
[0187]
子问题目标函数为调控成本，与调控阶段模型的目标函数相同；子问题的约束为调控阶段模型的约束，通过对偶求解得当前主问题日前决策下最恶劣场景下的调控成本。
[0188]
步骤s3包含：
[0189]
s31、基于所述日前阶段模型的目标函数和约束条件，将日前鲁棒调度问题写成以下形式：
[0190][0191]
其中，x为日前调度决策变量；u为可再生能源日前出力预测值；u
min
、u
max
分别为可再生能源日前出力预测值的上、下限；y为线路功率、电压等调控决策变量；hx为日前调度成本；ay为调控成本；h为日前调度成本系数矩阵；a为调控成本系数矩阵；a、b为日前调度约束条件相关系数矩阵；c、d、e、g、g、f为调控约束成本相关系数矩阵；
[0192]
s32、将日前鲁棒调度问题划分为主问题和子问题；
[0193]
所述主问题的数学模型为：
[0194][0195]
其中，f
mp
为主问题表达式；n表示列约束生成算法的最大迭代次数；m表示列约束生成算法的迭代次数；u
m
为第m次迭代的最恶劣场景下可再生能源日前出力预测值；y
m
第m次迭代的最恶劣场景下的调控决策变量；η为主问题在最恶劣场景下的最大调控成本；
[0196]
所述子问题的数学模型为：
[0197][0198]
其中，f
sp
为子问题表达式；为第m次迭代时主问题的日前调度决策变量的求解结果。
[0199]
如图3所示，迭代求解得到恶劣场景下配电网与多微网系统的最优日前调度方案包含步骤：
[0200]
s34、设定下界l
b
＝
‑
∞，上界u
b
＝ ∞，列约束生成算法迭代次数m＝1。
[0201]
s35、求解主问题，得到日前调度决策最优解日前调度成本以及主问题最恶劣场景下的最大调控成本并更新下界
[0202]
s36、固定日前调度决策变量求解子问题；采用拉格朗日对偶方法对子问题进行对偶，得到子问题的对偶问题；求解所述对偶问题，若存在可行解，则得到第m次迭代中最恶劣场景下可再生能源日前出力预测值u
m
，并更新上界为所述对偶问题，进入s37；若对偶问题不存在可行解，则得到第m次迭代中最恶劣场景下可再生能源日前出力预测值u
m
，进入s38；
[0203]
在本实施例中，子问题的对偶问题的表达式为：
[0204][0205]
c
t
π1 d
t
π2 e
t
π3≤a
[0206]
π1≤0
[0207]
u
min
≤u≤u
max
[0208]
其中，π1、π3、π2为引入的对偶变量。根据对偶原理可知，对偶问题与原问题求解结果相同，所以通过直接该对偶问题来求解子问题。子问题可以通过对偶算法进行求解，求解得到当前最恶劣场景下的调控成本以及最恶劣场景下的可再生能源出力，得到最恶劣场景下的可再生能源出力即实现对最恶劣场景的辨识。
[0209]
s37、若u
b
‑
l
b
＜ε,得到日前调度决策最优解迭代结束；若u
b
‑
l
b
≥ε，进入s38；
[0210]
s38、更新主问题最恶劣场景下可再生能源出力预测值u
m
，并添加当前最恶劣场景的调控阶段模型的约束到主问题，m＝m 1，返回步骤s35。
[0211]
s4：在所述最优日前调度决策的基础上，采用日内滚动优化算法对配电网与多微网系统的日内调度进行滚动优化，得到配电网与多微网系统的日内调动决策(在本实施例中，该日内调动决策用于未来15分钟到1小时的调度)，实现对配电网与多微网系统多时间尺度调度。
[0212]
考虑到随着预测时间尺度的增长，可再生能源出力的预测精度下降。基于日前预
测结果的二阶段鲁棒调度模型难以满足实时调度的需要，因此需要采用日内滚动优化算法在日前调度决策的基础上进行调整。
[0213]
日内滚动优化算法遵从步骤s3中得到的日前储能充放电状态、机组开停机计划以及联络线功率，根据日内可再生能源波动短期预测，对机组出力等日内决策变量做出调整。
[0214]
日内滚动优化算法的目标函数f
di
为：
[0215][0216][0217]
其中，t
in
为日内滚动优化的步长；pf为储能惩罚项；pf为惩罚系数；为日前调度得到的储能荷电容量。
[0218]
日内滚动优化算法的约束条件与调控阶段模型的约束条件相同。
[0219]
如图4所示，步骤s4包含：
[0220]
s41、设置日内初始调度时刻t＝1；
[0221]
s42、基于日内滚动优化算法获得t 1～t t
in
时刻的日内可再生能源出力预测值，其中t
in
为日内滚动优化的步长；
[0222]
s43、在日前调度决策的基础上，基于日内滚动优化算法的目标函数和约束条件，优化求解出t 1～t t
in
时刻的的日内调度控制变量，基于t 1时刻的日内调度控制变量对配电网与多微网系统进行日内实时调度；令t＝t 1，重复步骤s42、s43。
[0223]
步骤s42包含：
[0224]
s421、根据可再生能源日前出力预测值的上、下限，将可再生能源出力预测值等间隔划分为第一至第n区间，分别对应离散化的n个状态s1～s
n
；
[0225]
s422、基于马尔克夫链建立一步状态转移矩阵π(t,t 1)：
[0226][0227]
其中，t表示当前时刻，p
a,b
表示从状态s
a
转移到状态s
b
的概率，a,b∈[1,n]；
[0228]
s423、根据当前
t
时刻可再生能源出力预测值，得到对应的状态s
i
，i∈[1,n]；
[0229]
查找得到一步状态转移矩阵中第i行的最大概率p
ij
；则在当前
t
时刻状态s
i
的情况下，下一时刻可再生能源出力以最大概率p
ij
转移至状态s
j
；令对应第j区间的平均值作为t 1时刻的日内可再生能源出力预测值；
[0230]
s424、令t＝t 1，不断滚动时域，重复步骤s423，直到得到t t
in
时刻日内可再生能源出力预测值；其中t
in
为日内滚动优化的步长。
[0231]
本发明的考虑大规模可再生能源接入的多时间尺度调度方法能够将日前调度、日
内调度进行协调，减少可再生能源不确定性对配电网与多微网系统调度的影响，相比单一的日前调度方法提高了调度的准确性，从而能有效提高配电网与多微网系统应对可再生能源不确定性的能力。
[0232]
本发明通过建立多时间尺度(包含日前尺度与日内尺度)的二阶段鲁棒调度模型，为配电网与多微网系统的调度人员提供科学调度依据，从而实现配电网与多微网系统的多时间尺度协调调度。
[0233]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。