一种基于多场景技术的综合能源微网两阶段随机规划方法

1.本发明属于综合能源系统运行优化领域，具体涉及一种基于多场景技术的综合能源微网两阶段随机规划方法。


背景技术：

2.可再生能源发电具有可再生、无污染的特点，对于缓解能源紧缺和环境污染具有重要的意义。作为分布式发电的一种重要组成部分，分布式光伏和风力发电在配电网和微电网得到了较多的应用，为提高绿色能源的利用率、降低用户成本等做出了重要贡献。
3.作为一种可以将冷、热、电、气等多种能源整合，实现不同能源间的协调规划、优化运行、互补互济的新型一体化系统，综合能源系统得到越来越多的关注和研究。然而，综合能源系统中的风电、光伏发电、各类型的负荷和价格均具有不确定性，而且在实时的变化，部分研究并未考虑到综合能源系统运行的时间相关性。考虑到该特性的研究均存在着一定的局限性。


技术实现要素：

4.本发明的目的是提供一种充分考虑光伏、风电、价格和负荷的不确定性，更加符合实际统计规律，减小不确定性对综合能源微网规划的影响的基于多场景技术的综合能源微网两阶段随机规划方法。
5.本发明采用如下技术方案：
6.一种基于多场景技术的综合能源微网两阶段随机规划方法，其包括如下步骤：
7.步骤1：建立不确定因素的分时段概率分布模型；
8.步骤2：基于混合copula函数的时间相关性模型及参数优化；
9.步骤3：基于典型场景建立综合能源微网的第一阶段随机规划模型；
10.步骤4：基于非型场景建立综合能源微网的第二阶段随机规划模型。
11.进一步的，所述步骤(1)中，将一天划分为d个时段t1,t2,...,td，不确定因素的分时段概率分布模型为：
[0012][0013]
其中，h为带宽，n为样本数。
[0014]
进一步的，所述不确定因素的分时段概率分布模型中的核函数为gaussian核函数。
[0015]
进一步的，所述混合copula函数的表达式为：
[0016]
c(zn,zm)＝α1c1 α2c2 ...α
dcd
[0017]
其中，cd为第d个copula函数的类型，αd第d个copula函数的权重。
[0018]
进一步的，所述copula函数的类型包括正态-copula函数、t-copula函数、frank-copula函数、clayton-copula函数以及gumbel copula函数。
[0019]
进一步的，保证t1,t2,...,td不同时段的概率分布式模型的时间相关性最佳，所述copula函数的类型及权重的最优化的计算公式为：
[0020][0021]
其中，n为采样规模，f(δp
t,i
)为实际数据的概率分布函数，δp
t,i
＝p
t,i-p
t-1,i
，p
t,i
为实际预测误差，f
′
(δp
t,i
′
)为生成数据得到概率分布函数，δp
t,i
′
＝p
t,i
′‑
p
t-1,i
′
，p
t,i
′
为生成的预测误差；当值i最小时，说明参数α1,α2，...,αd最优。
[0022]
进一步的，根据分时段概率分布模型和混合copula函数，采用抽样的方法对d个概率分布模型随机抽样得到场景；通过k均值聚类将场景聚类后得到s个典型的场景os，s＝1,2,...,s.，每个典型场景对应的概率为ξs，其余场景为非典型场景o
′s′
，s
′
＝1,2,...,n-s.，每个非典型场景对应的概率为ξ
′s′
。
[0023]
进一步的，步骤3所述的综合能源微网的第一阶段随机规划模型以总成本为目标函数，模型的输入为典型场景，公式为：
[0024]
minc＝c
inv
c
grid
c
fuel
c
heat-c
sold
[0025]
其中，c为总成本，c
inv
为投资成本，c
grid
为电网购电成本，c
fuel
为购买天然气的成本，c
heat
从供热网购买热能的成本，c
sold
为向电网售电的收益，单位均为元。
[0026]
进一步的，所述投资成本即购买各类设备资金，计算公式为：
[0027][0028]
其中，γ为为资金回收率，c
mt
、c
gb
、c
es,p
、c
es,e
、c
tst
、c
ac
、c
ec
分别为微型燃气轮机、燃气锅炉、储能电池的功率、储能电池的容量、蓄热器、吸收式制冷机和空调的单价，p
mt,n,s
、p
gb,n,s
、p
es,n,s
、e
es,n,s
、h
tst,n,s
、q
ac,n,s
、q
ec,n,s
分别为配置的微型燃气轮机功率、燃气锅炉功率、储能电池的功率、储能电池的容量、蓄热器容量、吸收式制冷机功率和空调功率；
[0029]
所述从电网购电成本的计算公式为：
[0030][0031]
所述购买天然气的成本的计算公式为：
[0032][0033]
所述从供热网购买热能的成本的计算公式为：
[0034][0035]
所述向电网售电的收益的计算公式为：
[0036][0037]
其中，ξs代表第s个场景出现的概率，角标t代表时间，角标s代表第s个场景；p
grid,t,s
是电网的电价，元/kw；p
grid,t,s
为购电功率，kw；δt是时间间隔，小时；p
ng,t,s
为天然气价格，元/立方米；g
gt,t,s
为微燃气轮机的燃气热值，kwh；g
gb,t,s
为燃气锅炉的燃气热值，
kwh；h
ng
为天然气热值，kwh/立方米；p
heat,t,s
为购买热能的单价，元/kw；h
heat,t,s
为购买热能的功率，kw；p
sold,t,s
为售电价格，元/kw；p
sold,t,s
为售电功率，kw。
[0038]
进一步的，步骤4所述的综合能源微网的第二阶段随机规划模型的输入为非典型场景，公式为：
[0039][0040]
其中，c是第一阶段随机规划模型总成本，ξ
′s′
是第s
′
个非典型场景出现的概率，κ
l
、κw、κ
pv
分别为切负荷、弃风电和光伏的惩罚成本，x
l,t,s
′
、x
w,t,s
′
、x
pv,t,s
′
分别为切负荷、弃风电和光伏的功率。
[0041]
本发明的有益效果在于：本发明通过建立基于协方差矩阵的预测误差时间相关性模型，在冷热电气等多种能源互补的综合能源微网优化运行模型中，充分考虑光伏、风电、价格和负荷的不确定性，减小了预测误差对综合能源微网运行的影响。对于随机因素的概率分布统计和场景生成方法的研究具有一定的启发作用。运行结果考虑预测数据的不确定性，更具有现实意义。
附图说明
[0042]
图1为本发明实施基于场景的综合能源微网随机规划方法框图。
[0043]
图2为本发明中综合能源微网示意图。
具体实施方式
[0044]
现结合附图对本发明做进一步详细说明。
[0045]
根据本发明的综合能源微网随机规划方法，给出综合能源系统优化的具体过程。
[0046]
图1为本发明实施基于场景的综合能源微网随机规划方法框图。如图所示，所述方法包括以下步骤：
[0047]
步骤1：建立不确定因素的分时段概率分布模型。
[0048]
利用非参数核密度估计来建立不确定因素的不同时段概率分布模型。本发明中所述的不确定因素包括：光伏、风电、电负荷、冷负荷、热负荷和购电电价。
[0049]
核密度估计是非参数估计的一种，它不基于对数据所服从分布的基本假设，是一种无需任何先验知识，完全从数据样本出发研究数据分布特征的方法。假设x1,x2,...,xi为独立同分布f的n个样本点(光伏功率)，设其概率密度函数为f，核密度估计为：
[0050][0051]
其中，h为带宽，n为样本数，k(u)为核函数。本发明选用gaussian核函数，
[0052]
本发明中，将一天划分为d个时段t1,t2,...,td，不确定因素的不同时段概率分布模型为：
[0053][0054]
以光伏发电为例，每个时段光伏发电的功率对应一个概率分布模型，各个概率分布模型之间存在时间相关性。
[0055]
步骤2：基于混合copula函数的时间相关性模型及参数优化。
[0056]
利用混合copula函数计及不确定因素的不同时段概率分布模型中d个概率分布式模型的时间相关性。计及时间相关性可以提高离散场景对原场景的拟合精度。混合copula函数的表达式为：
[0057]
c(zn,zm)＝α1c1 α2c2 ...α
dcd
ꢀꢀꢀ
(3)
[0058]
式中，cd为第d个copula函数的类型，αd第d个copula函数的权重。其中，αd的取值范围为0～1。
[0059]
目前，有多种copula函数，我们选取五个具有代表性的函数，分别为正态-copula函数、t-copula函数、frank-copula函数、clayton-copula函数、gumbel copula函数。每个函数都具有各自的特征，适用于不同相关性特征的概率分布模型，但单一函数的特征不足以描述复杂的相关性特征，因此，我们采用了混合copula函数。
[0060]
所述的公式(3)中混合copula函数包含多个不同类型的copula函数和权重，需要求解混合copula函数中最佳的copula函数类型及对应的权重，保证t1,t2,...,td不同时段的概率分布式模型的时间相关性最佳，所述copula函数类型及权重的最优化的计算公式为：
[0061][0062]
其中，n为采样规模，f(δp
t,i
)为实际数据的概率分布函数，δp
t,i
＝p
t,i-p
t-1,i
，p
t,i
为实际预测误差，f
′
(δp
t,i
′
)为生成数据得到概率分布函数，δp
t,i
′
＝p
t,i
′‑
p
t-1,i
′
，p
t,i
′
为生成的预测误差。当公式(4)的值i最小时，说明生成场景最符合光伏发电的随机特征，参数α1,α2，...,αd最优。
[0063]
在建立完成分时段概率分布模型和混合copula函数之后，采用抽样的方法对d个概率分布模型随机抽样得到场景，本发明中场景是指一天内某个设备不同时刻的功率连成的曲线。以光伏发电功率p
pv
为例，同时对d个概率分布模型抽一次样，抽样结果分别p
pv,1
,p
pv,2
,...,p
pv,d
，d个抽样结果连成的功率曲线即为一个场景。
[0064]
同样的，假设对光伏、风电、电负荷、冷负荷、热负荷和购电电价各自的d个概率分布模型同时抽一次样可以得到一个场景os，s＝1,2,...,n.，这个场景是多个不确定因素的场景组合而成，其表达方式为：
[0065]os
:(p
pv,s
,p
w,s
,p
l,s
,c
l,s
,h
l,s
,p
grid,s
)
ꢀꢀꢀ
(5)
[0066]
其中，p
pv,s
,p
w,s
,p
l,s
,c
l,s
,h
l,s
,p
grid,s
分别是光伏、风电、电负荷、冷负荷、热负荷、购电电价的场景。
[0067]
在统计学中，抽样次数越多，抽样结果的统计学规律越明显，因此，需要多次抽样得到大量的场景。这些场景需要作为本发明所述的随机规划模型中进行计算，但是数量越多，计算量越大，因此，通过k均值聚类将大量的场景聚类后得到s个典型的场景os，s＝1,2,...,s.，每个典型场景对应的概率为ξs，其余场景为非典型场景o
′s′
，s
′
＝1,2,...,n-s.，
每个非典型场景对应的概率为ξ
′s′
。
[0068]
步骤3：基于典型场景建立综合能源微网的第一阶段随机规划模型。
[0069]
第一阶段规划模型的输入为步骤2中的典型场景。随机规划模型的目的主要是为了确定综合能源微网中各类设备的大小或容量，综合能源微网系统的示意图如图2所示，包含的主要设备为光伏、风电、储能电池、空调、微型燃气轮机、吸收式制冷机、燃气锅炉和蓄热器。内部负荷需求为电、冷、热需求，外部能源供给有电网、气网和热网。
[0070]
本发明中，综合能源微网的第一阶段的随机规划模型主要为以总成本为目标的函数。
[0071]
综合能源微网的规划的目标是使系统总成本最低，总成本包括：系统的投资成本和系统的运行成本。所述系统的运行成本包括：从电网购电成本、购买天然气的成本、从供热网购买热能的成本和向电网售电的收益。
[0072]
综合能源微网的规划的总成本的计算公式为：
[0073]
minc＝c
inv
c
grid
c
fuel
c
heat-c
sold
ꢀꢀꢀ
(6)
[0074]
所述投资成本即购买各类设备资金，计算公式为：
[0075][0076]
其中，γ为为资金回收率，c
mt
、c
gb
、c
es,p
、c
es,e
、c
tst
、c
ac
、c
ec
分别为微型燃气轮机、燃气锅炉、储能电池的功率、储能电池的容量、蓄热器、吸收式制冷机和空调的单价，p
mt,n,s
、p
gb,n,s
、p
es,n,s
、e
es,n,s
、h
tst,n,s
、q
ac,n,s
、q
ec,n,s
分别为配置的微型燃气轮机功率、燃气锅炉功率、储能电池的功率、储能电池的容量、蓄热器容量、吸收式制冷机功率和空调功率。
[0077]
所述从电网购电成本的计算公式为：
[0078][0079]
所述购买天然气的成本的计算公式为：
[0080][0081]
所述从供热网购买热能的成本的计算公式为：
[0082][0083]
所述向电网售电的收益的计算公式为：
[0084][0085]
其中c为总成本，c
inv
为投资成本，c
grid
为电网购电成本，c
fuel
为购买天然气的成本，c
heat
从供热网购买热能的成本，c
sold
为向电网售电的收益，单位均为元。ξs代表第s个场景出现的概率，角标t代表时间，角标s代表第s个场景。p
grid,t,s
是电网的电价(元/kw)，p
grid,t,s
为购电功率(kw)，δt是时间间隔(小时)，p
ng,t,s
为天然气价格(元/立方米)，g
gt,t,s
为微燃气轮机的燃气热值(kwh)，g
gb,t,s
为燃气锅炉的燃气热值(kwh)，h
ng
为天然气热值(kwh/立方米)。p
heat,t,s
为购买热能的单价(元/kw)，h
heat,t,s
为购买热能的功率(kw)，p
sold,t,s
为售电价格
(元/kw)，p
sold,t,s
为售电功率(kw)。
[0086]
步骤4：基于非型场景建立综合能源微网的第二阶段随机规划模型。
[0087]
第二阶段规划模型的输入为步骤2中的非典型场景。第二阶段随机规划模型的公式为：
[0088][0089]
其中，c是第一阶段随机规划模型总成本，ξ
′s′
是第s
′
个非典型场景出现的概率，κ
l
、κw、κ
pv
分别为切负荷、弃风电和光伏的惩罚成本，x
l,t,s
′
、x
w,t,s
′
、x
pv,t,s
′
分别为切负荷、弃风电和光伏的功率。
[0090]
步骤5：综合能源微网两阶段随机规划模型求解方法
[0091]
本发明采用遗传算法对综合能源微网两阶段随机规划模型进行求解，首先，将步骤2生成的场景代入计算模型中；其次，随机生成初始种群，设置种群规模、交叉率、变异率和最大迭代次数等参数，计算种群中所有个体的适应度，即每个个体的目标函数值，然后对上一代群体进行选择、交叉、变异操作，产生新一代群体，替换并保存新一代群体中适应度函数值较高的个体；最后，直到达到最大迭代次数或目标函数值变化达到设定条件，输出最优解并将每个场景下的最优解及其对应概率代入期望值模型，得到最优的规划结果。