一种考虑电力电子器件特性的微电网鲁棒优化调度方法与流程

1.本发明属于电力系统调度的技术领域，特别涉及一种考虑电力电子器件特性的微电网鲁棒优化调度方法。


背景技术：

2.在能源使用逐渐走向绿色低碳的大背景下，微电网作为实现多种能源（如：可再生能源）形式接入的有效方式，提高了分布式电源的利用，减缓了对电网造成的冲击。与传统的大电网优化调度相比，微电网中影响电能质量和功率平衡的因素更加多样，程度更加显著，如何对其进行合理的优化调度值得关注。
3.目前，微电网的优化调度大多集中在考虑可再生能源发电的不确定性影响，以降低经济成本、环境成本等为目的进行微电源配置。随着多种能源形式的开发和利用，微电网模型中除包含风光电源、储能系统外还可能含有电动汽车、可调负荷等，微电网的优化调度也需要更多地考虑不确定因素造成的影响。微电网往往要求对可再生能源消纳有快速反应能力，换流器成为系统中的枢纽。储能系统中包含大量的具有潮流双向流动能力的电力电子器件；可代替传统馈线联络硬开关以实现更“柔性”网络重构的智能软开关也是基于电力电子变换器的应用。因此，微电网优化调度不仅需要考虑可再生能源发电的不确定性，还需要考虑电力电子器件特性。
4.在可再生能源发电不确定性方面，常用威布尔分布、beta分布和正态分布来表示风速、光照和负荷需求的随机性，通过蒙特卡洛模拟法随机生成多个场景进行两阶段随机模型的优化此类随机优化方法需要以特定的概率分布函数对不确定性因素进行拟合，而实际情况不一定符合确定性的概率分布，导致优化模型不够准确。在求解优化问题方面，对于单一目标优化问题，常以日前运行经济性最优为单一目标，建立双层优化模型，在求解时采用线性化方法进行问题的转换，交替迭代双层问题获得最优解；对于多目标优化问题，常常借助智能算法进行求解，此类启发式算法效率较高、可行性良好，但结果可能陷入局部最优。微电网优化问题的多个目标之间也可能存在难以同时达到最优的情况。
5.上述技术存在的缺点是：已有的考虑风光机组处理不确定性的优化调度常忽略储能装置中电力电子器件特性的影响，含电力电子器件的电力系统惯性较低，忽略电力电子器件特性可能导致微电网稳定性降低；另一方面，随机优化方法需要以特定的概率分布函数对不确定性因素进行拟合，易造成较大误差。而设计不确定集代替随机概率分布，得到即使在恶劣场景下依旧符合模型约束条件的调度方案，更加符合实际工程中的高可靠性需求。


技术实现要素：

6.为了解决现有技术中存在的上述问题，本发明提出一种考虑电力电子器件特性的微电网鲁棒优化调度方法。
7.本发明所述的一种考虑电力电子器件特性的微电网鲁棒优化调度方法，包括以下
步骤：s1：建立含有电力电子器件、微电网电源的微电网模型，所述电力电子器件包括储能系统换流器和微电网系统联络开关，所述微电网电源包括微型燃气轮机和风电、光伏机组；s2：设计微电网电源出力不确定集，根据对运行场景的恶劣程度调整可调系数，所述微电网电源出力不确定集包括风电、光伏机组出力不确定集；s3：以微电网总成本最小为目标函数，建立考虑电力电子器件特性的微电网鲁棒优化数学模型，所述微电网总成本包括微电网运行成本、微电网与上级电网传输成本和惩罚成本，所述微电网运行成本包括储能系统运行成本和微型燃气轮机运行成本，所述惩罚成本包括网损成本、弃风弃光成本和停电惩罚成本；s4：将该微电网鲁棒优化数学模型中的原问题分解为主问题、子问题，采用列与约束生成（column and constraint generation，c&cg）算法进行考虑电力电子器件特性的微电网鲁棒优化调度问题的求解。
8.作为优选，所述的储能系统换流器满足储能系统换流器容量约束和储能系统电池荷电状态约束。
9.作为优选，所述的微电网系统联络开关包括智能软开关。
10.作为优选，所述的智能软开关在传输过程中满足智能软开关有功功率传输约束、智能软开关无功功率上下限约束和智能软开关换流器容量约束。
11.作为优选，所述的微型燃气轮机满足微型燃气轮机（micro gas turbine，mgt）出力上下限约束和微型燃气轮机爬坡约束。
12.作为优选，所述的微电网鲁棒优化数学模型满足传输功率上下限约束、潮流平衡约束、节点电压约束和线路传输能力约束。
13.作为优选，所述的步骤s4包括以下子步骤：s4.1：主问题和子问题分解；s4.2：采用大m法和近似多边形的分段线性化方法对所述的考虑电力电子器件特性的微电网鲁棒优化调度问题中的双线性项、包含决策变量的二次项进行线性化处理；s4.3：列与约束生成算法求解主问题及子问题。
14.作为优选，所述步骤s4.3包含以下步骤：s4.31：给定初始最恶劣场景中不确定变量，设定原问题下界、上界以及迭代次数；s4.32：求解步骤s4.1中主问题，得到主问题最优解，其中目标函数最优值作为原问题下界；s4.33：求解步骤s4.1中子问题，得到子问题最优解和最恶劣场景中不确定变量，更新原问题上界；s4.34：设定该算法收敛判据，若符合判据则算法中止，并返回主问题最优解；否则，增加新变量和新约束条件，更新迭代次数并跳转至步骤s4.32，直到算法收敛为止。
15.本发明解决了现有技术忽略电力电子器件特性导致的微电网稳定性降低的问题，本发明设计不确定集代替随机概率分布，得到即使在恶劣场景下依旧符合模型约束条件的
调度方案，更加符合实际工程中的高可靠性需求。
附图说明
16.图1为本发明储能系统换流器的模型示意图；图2为本发明智能软开关的结构图；图3为本发明潮流计算单元的结构图；图4为本发明c&cg算法的流程图。
具体实施方式
17.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
18.本发明所述的一种考虑电力电子器件特性的微电网鲁棒优化调度方法，包括以下步骤：s1：建立含有电力电子器件、微电网电源的微电网模型，所述电力电子器件包括储能系统换流器和微电网系统联络开关，所述微电网电源包括微型燃气轮机和风电、光伏机组；s2：设计微电网电源出力不确定集，根据对运行场景的恶劣程度调整可调系数，所述微电网电源出力不确定集包括风电、光伏机组出力不确定集；s3：以微电网总成本最小为目标函数，建立考虑电力电子器件特性的微电网鲁棒优化数学模型，所述微电网总成本包括微电网运行成本、微电网与上级电网传输成本和惩罚成本，所述微电网运行成本包括储能系统运行成本和微型燃气轮机运行成本，所述惩罚成本包括网损成本、弃风弃光成本和停电惩罚成本；s4：将该微电网鲁棒优化数学模型中的原问题分解为主问题、子问题，采用列与约束生成（column and constraint generation，c&cg）算法进行考虑电力电子器件特性的微电网鲁棒优化调度问题的求解。
19.所述的储能系统换流器满足储能系统换流器容量约束和储能系统电池荷电状态约束。
20.所述的微电网系统联络开关包括智能软开关。
21.所述的智能软开关在传输过程中满足智能软开关有功功率传输约束、智能软开关无功功率上下限约束和智能软开关换流器容量约束。
22.所述的微型燃气轮机满足微型燃气轮机（micro gas turbine，mgt）出力上下限约束和微型燃气轮机爬坡约束。
23.所述的微电网鲁棒优化数学模型满足传输功率上下限约束、潮流平衡约束、节点电压约束和线路传输能力约束。
24.所述的步骤s4包括以下子步骤：
s4.1：主问题和子问题分解；s4.2：采用大m法和近似多边形的分段线性化方法对所述的考虑电力电子器件特性的微电网鲁棒优化调度问题中的双线性项、包含决策变量的二次项进行线性化处理；s4.3：列与约束生成算法求解主问题及子问题。
25.所述步骤s4.3包含以下步骤：s4.31：给定初始最恶劣场景中不确定变量，设定原问题下界、上界以及迭代次数；s4.32：求解步骤s4.1中主问题，得到主问题最优解，其中目标函数最优值作为原问题下界；s4.33：求解步骤s4.1中子问题，得到子问题最优解和最恶劣场景中不确定变量，更新原问题上界；s4.34：设定该算法收敛判据，若符合判据则算法中止，并返回主问题最优解；否则，增加新变量和新约束条件，更新迭代次数并跳转至步骤s4.32，直到算法收敛为止。
26.本发明解决了现有技术忽略电力电子器件特性导致的微电网稳定性降低的问题，本发明设计不确定集代替随机概率分布，得到即使在恶劣场景下依旧符合模型约束条件的调度方案，更加符合实际工程中的高可靠性需求。
27.实施例1一、建立含有电力电子器件、微电网电源的微电网模型：所述电力电子器件包括储能系统换流器和微电网系统联络开关，所述微电网电源包括微型燃气轮机和风电、光伏机组，储能系统换流器如图1所示，为电池等效电阻，为等效电压源，为电池输出端口电压，表示电池内部充放电电流；为换流器等效电阻，为电网电压。
28.基于上述储能系统换流器模型，微电网调度时段内储能系统充放电过程中电池和换流器损耗可表示为式中：为储能系统所在节点编号集合；时刻节点处储能系统的功率损耗由电池功率损耗和换流器功率损耗组成；、为、的平方表示。
29.由于系统电流参数难以直接得到，考虑到储能系统节点电压与近似，式（1）可以进一步写为式中：、分别为时刻节点处储能系统输出有功和无功功
率；时表示储能系统处于放电状态，反之为充电状态；为所在节点电压的平方表示。
30.将处于充电状态的储能系统视为负荷，放电时视为发电装置，储能系统运行成本为式中：为一个调度运行周期，取为一天24小时；、分别为储能系统充放电成本系数和功率损耗折算成本系数。
31.储能系统还需满足如下约束条件：储能系统换流器容量约束：储能系统电池荷电状态约束：式中：为节点处储能系统换流器容量上限；、为电池剩余电量上下限，表示系统运行开始时的初始电量，为系统运行时间长度。
32.所述智能软开关（soft normally open point，snop）作为可代替传统联络开关的全控型电力电子装置，通过控制功率双向流动影响系统潮流分布，具有可连续调节功率、响应快、成本低等优点。以snop典型结构为例说明电力电子器件特性在微电网中的应用与影响，如图2所示，图中，vsc1、vsc2为背靠背型电压源换流器。
33.由于snop装配费用较高，实际在全部联络开关支路中应用较难实现，因此系统中包含联络开关离散变量和snop连续变量。以表示snop背靠背换流器所在节点间线路的连接状态：式中：为联络开关支路集合。
34.微电网系统网络重构需满足如下拓扑约束：
式中：为线路的初始连接状态，为网络重构后线路的连接状态，值为0时表示为断开状态，为1时表示为闭合状态；为最大重构线路数目。
35.snop在传输过程中需满足如下约束条件：snop有功功率传输约束：snop无功功率上下限约束：snop换流器容量约束：式中：、分别为背靠背型电压源换流器所在的两个节点，为snop所在节点编号集合；分别为时刻snop两个换流器的有功功率和无功功率；为时刻snop传输功率损耗，计算方法与式（1）-（2）所述类似，此处不再赘述，其功率损耗成本计入网损成本；分别snop两个换流器的无功功率上下限；分别为snop两个换流器的容量上限。
36.二、设计微电网电源出力不确定集，根据对运行场景的恶劣程度调整可调系数：所述微电网电源出力不确定集包括风电、光伏机组出力不确定集，所述微型燃气轮机（micro gas turbine，mgt）作为可控分布式电源，在微电网优化调度时可根据不可控微电源出力情况进行调节以达到总运行成本最低，其运行成本可用如下线性函数表示式中：为微型燃气轮机所在节点编号集合；为微型燃气轮机成本系数；为时刻节点处微型燃气轮机出力。
37.微型燃气轮机需满足如下约束条件：mgt出力上下限约束：
mgt爬坡约束：式中：为节点处微型燃气轮机出力上下限；分别为微型燃气轮机相邻时段内功率提升最大调节量和功率下降最大调节量。
38.所述风电、光伏机组属于不可控电源，由于风光均来自大自然，假定已知日前风电、光伏出力情况。风电、光伏机组出力具有不确定性，且在微电网中风光发电所占比例通常较大，影响也更加明显。对于微电网模型中风电、光伏机组出力不确定性，设计风电、光伏机组出力不确定集，引入可调系数，根据对运行场景的恶劣程度进行调整，减少解决微电网鲁棒优化问题时可能出现得到过于保守的调度方案的情况。
39.式中：、分别为风电、光伏在时刻的不确定变量；分别为风电、光伏在时刻的预测量；分别为风电、光伏在时刻的预测误差；分别为风电、光伏在时刻的预测误差系数；分别为风电、光伏出力可调系数，可根据运行场景变化进行调整，系数较大时表示运行场景恶劣，系数较小时表示对运行场景判断较为乐观，若系数为0，则为确定性分析，调度结果的准确程度取决于日前预测结果的准确程度。
40.三、以微电网总成本最小为目标函数，建立考虑电力电子器件特性的微电网鲁棒优化数学模型：其目的在于在变化的最恶劣条件下求得最经济的调度方式，其目标函数形式如下：式（17）中的表示总成本，表达式为、
和分别表示微电网运行成本、微电网与上级电网传输成本和惩罚成本，其表达式分别为其中，为时刻的节点电价，为时刻的传输功率，为正表示向上级电网购电，反之表示向上级电网售电；网损成本、弃风弃光成本和停电惩罚成本分别由成本系数乘以相应功率所得，、、、分别为网损成本系数、弃风成本系数、弃光成本系数和切负荷停电成本系数；、、、分别为时刻的网络损耗功率、弃风功率、弃光功率和切负荷量，、、分别为电力电子器件所在节点编号集合、风电机组所在节点编号集合、光伏机组所在节点编号集合。
41.式（17）中为第一层优化变量，、为第二层优化变量，具体表达式如下：（18）该微电网鲁棒优化调度问题的约束条件除含电力电子器件的设备约束（4）-（5）、（7）-（10）和微电源出力约束（12）-（13）外，系统还需满足如下约束：传输功率上下限约束：
式中：为时刻的系统负荷量；为微电网与上级电网传输功率上限。当微电网功率剩余或缺额大于该上限时，则通过弃风弃光或切负荷来保证电网功率平衡。
42.潮流平衡约束，本文采用distflow潮流方法计算微电网潮流，潮流计算单元结构如图3所示，潮流分布平衡方程可写为：式中：表示所有支路构成的集合；分别为线路的电阻值、电抗值和阻抗值；分别为线路的有功、无功潮流；分别为有功、无功负荷；分别为分布式电源的有功、无功注入功率。
43.潮流平衡约束式（23）为非凸二次等式，将其松弛成不等式约束：采用二阶锥松弛方法，式（24）等价于节点电压约束：
式中：为节点电压参考幅值的平方；为电压允许波动范围。
44.线路传输能力约束：式中：分别为线路有功、无功功率；上限为线路电流上限。式（27）-（28）保证了线路潮流不会越限。
45.将约束条件写为紧凑形式，即其中，式（29）第一行为微电网鲁棒优化调度问题的目标函数，max结构在于找到运行周期内的最恶劣场景，对于每一时刻给定的风光出力不确定变量都可以转化为确定性优化目标；第二到七行分别为对应等式约束、不等式约束、不确定集和二阶锥约束的紧凑形式。
46.四、将该微电网鲁棒优化数学模型中的原问题分解为主问题、子问题，采用c&cg算法进行考虑电力电子器件特性的微电网鲁棒优化调度问题的求解：所述考虑电力电子器件特性的微电网鲁棒优化调度问题步骤包括主问题和子问题分解、采用大m法和近似多边形的分段线性化方法对所述的考虑电力电子器件特性的微电网鲁棒优化调度问题中的双线性项、包含决策变量的二次项进行线性化处理、c&cg算法求解主问题及子问题。
47.所述主问题和子问题分解方式为，在给定不确定优化变量的情况下，对式（29）进行分解，得到如下形式的主问题：
式中：下标表示迭代次所得对应变量；表示总的迭代次数；用于替代式（29）中的内层目标函数，并添加对应的目标函数，得到原问题的松弛主问题。
48.若已知主问题的最优解，即微电网系统网络结构确定后，求取风光不确定出力的最恶劣场景，可得到如下形式的子问题：根据强对偶理论，可将上述双层优化目标转化为单层max优化目标，形式如下：式中：分别为式（31）中约束的对偶变量。
49.值得注意的是，式（32）中目标函数包含双线性项，直接求解难度较大，需采用一定方法加以处理。由于不确定优化变量与对偶变量定义域相互独立，且当式（32）目标函数取得最优值时不确定参数将取得其上下限值，则连续变量可转化为0-1离散变量。采用大m法对双线性项进行线性化处理，得到如下线性化形式：式中：双线性项表示为对应向量元素点乘之和，引入新变量表示对应元素乘积；表示一个很大的常数。最终得到了如式（32）-（33）形式构成的原问题的子问题。
50.所述近似多边形的分段线性化方法主要解决例如式（2）、约束（4）和（10）中包含有决策变量的二次项的问题，对上述等式和约束进行转化，得到下列结果：定义为式（2）中的分段线性近似表示：其中：为分段线性化的精度，根据问题所需进行选取。因此，式（2）转化为如下目标函数形式：该min-max问题可最终转化为如下形式：对于约束（4），采用近似多边形的分段线性化方法进行线性化，该方法需要在近似误差和问题优化程度进行折衷，故采用六边形进行近似，可以将两者较好地平衡。约束可由如下不等式替代：
同理，约束（10）也可采用六边形近似分段线性化方法用如下不等式替代：所述c&cg算法求解主问题及子问题的步骤如图4所示，具体为：s4.31：给定初始最恶劣场景中不确定变量，将原问题下界设为，上界设为，迭代次数；s4.32：求解式（30）所示主问题，得到最优解，其中目标函数最优值作为原问题下界，即；s4.33：求解式（32）-（33）所示子问题，得到最优解和最恶劣场景中不确定变量，更新原问题上界；s4.34：该算法收敛判据为，若符合判据则算法中止，并返回最优解；否则，增加新变量和如下约束条件：
更新迭代次数并跳转至步骤二，直到算法收敛为止。
51.以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。