计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法

1.本发明涉及一种微电网的优化调度方法，具体为一种计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法。


背景技术：

2.近年来，传统电力系统运行成本高，难以灵活调节的问题日益显现，为就地消纳新能源，微电网系统应运而生，但由于风电、光伏等新能源发电受自然因素影响较大，其不确定性给微电网安全稳定运行带来了相当大的挑战；对微电网运行优化不应仍旧局限于经济层面，应将碳排放因素纳入其中，节能减排势在必行；使得既可以消除由于可再生能源出力不确定性给微电网经济调度所带来的影响，提高微电网运行的经济性，而且还可以将阶梯式碳交易机制引入微电网的调度过程中，以减小微电网运行过程中所产生的碳排放。所以十分有必要针对计及阶梯碳交易的微电网两阶段鲁棒优化低碳经济调度进行研究，让微电网实现低碳经济运行。


技术实现要素：

3.本发明为了解决可再生能源出力不确定性给微电网经济调度所带来的影响，同时阶梯式碳交易引入微电网进行调度的问题，提供了一种计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法。
4.本发明所研究的微电网系统结构如图1所示，包括风电机组、光伏机组、燃料电池、微型燃气轮机、电储能设备、大电网以及用电负荷。本发明是通过如下技术方案来实现的：一种计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法，包括如下步骤：
5.步骤一、对微电网系统内各设备进行建模：分析微电网系统内部各个设备的运行特征与运行约束，建立关于微电网内部各设备的调度成本模型以及运行约束模型；所述微电网包括风电机组、光伏机组、燃料电池组、微型燃气轮机、电储能设备、大电网以及用电负荷，过程具体如下
6.1)系统中的微型燃气轮机以及燃料电池组属于可调控设备，各个设备满足式(1) 表示的出力限制以及式(2)表示的爬坡约束：
7.p
imin
≤pi(t)≤p
imax
ꢀꢀꢀ
(1)
[0008][0009]
式中pi(t)表示第i种设备在t时刻的输出功率；p
imax
与p
imin
分别表示第i种可控设备的最大和最小输出功率；-r
imax
与r
imax
分别表示第i种设备的爬坡上下限常数；
[0010]
2)电储能设备在调度过程中应满足最大最小充放电功率限制、容量约束限制以及与电储能寿命相关的充放能平衡约束；
[0011]uch
(t) u
dis
(t)≤1
ꢀꢀꢀ
(3)
[0012][0013][0014][0015]es
(1)＝es(t)
ꢀꢀꢀ
(7)
[0016][0017]
式中u
ch
(t)与u
dis
(t)分别表示储能设备t时刻的充电/放电状态，非0即1；p
ch
(t)与 p
dis
(t)分别表示储能设备在t时刻的充电/放电功率；与分别表示储能设备的最大充电/放电功率；es(t)和es(t-1)分别为电储设备t时刻和t-1时刻的储电量；η表示储能设备的充放电系数；t为调度周期，取24小时；和e
max
分别表示储能设备在调度过程中所允许的最小与最大储能量；es(1)为储能初始调度容量；
[0018]
3)当系统内部电源无法满足用能需求时，系统从外部网络进行购电以满足功率平衡约束；反之，当系统内部出现供能过剩时，系统可向外部网络进行售能以获得收益；在购售电过程中，系统应满足式(9)至式(11)所示的约束；
[0019]ubuy
(t) u
sell
(t)≤1
ꢀꢀꢀ
(9)
[0020][0021][0022]
式中u
buy
(t)与u
sell
(t)分别为表示系统t时刻的购电/售电状态；p
buy
(t)与p
sell
(t)分别表示系统在t时刻的购电/售电功率；与分别表示微网系统与大电网进行功率互换时的最大购电/售电功率。
[0023]
步骤二、建立阶梯碳交易机制的数学模型：以碳交易基价、碳交易区间长度以及价格增长率为已知数据建立阶梯碳交易机制的数学模型；对阶梯碳交易机制建立数学模型，将单位机组的实际碳排放强度、单位机组的无偿碳配额、碳交易基价、价格增长率、碳排放量的区间长度作为已知数据代入式，即构建得到阶梯式碳交易机制的数学模型，具体如下：
[0024]
1)氢燃料电池的使用不产生碳排放，因此微电网系统的碳配额只考虑燃气轮机的使用以及外购电能，假设购买的电能全部来自于火力发电，系统的碳配额表述为：
[0025][0026]
式中dc为微型燃气轮机发电以及微电网购电所获得的总碳配额量；σe和σg分别为火力发电单位电量的排放配额与微型燃气轮机单位电量的排放配额；pg(t)表示微型燃气轮机t时刻的输出功率；
[0027]
2)系统的实际碳排放量由购电和燃气轮机两部分产生，表述为式(13)：
[0028][0029]
ec为系统发电所产生的总碳排放量；γe为火力发电的碳排放强度；γg为微型燃气轮机产生单位电量的碳排放强度；
[0030]
3)将系统运行所产生的碳排放量减去系统所分配的碳排放配额，即可得到系统实际参与到碳交易市场的碳排放权交易额，当系统的实际碳排放量超过所分配的碳配额值后，超出配额的部分需要在碳交易市场上购买的相应碳排放配额。传统碳交易机制的碳交易价格为不变的常数，阶梯式碳交易机制则采用阶梯式定价的原则，不同区间内的碳交易量其碳交易价格也不同，所需购买的碳排放配额越多，相应区间的碳交易价格就越高。阶梯式碳交易成本如式(14)所示：
[0031][0032]
式中：c
co2
为阶梯碳交易成本；d为碳排放量的区间长度；θ表示碳交易价格；λ为价格增长率。
[0033]
步骤三、针对不确定变量制定不确定集：以光伏和风电机组的预测发电功率、光伏机组及风电机组出力的最大预测偏差作为已知条件，建立不确定集合u；将可再生能源机组的预测数据及预测偏差作为已知数据，将所述可再生能源机组的预测数据导入下式中，即构建得到不确定集：
[0034][0035]
式中，u代表光伏和风电机组的出力不确定合集；u
wt
/u
pv
为考虑风电/光伏机组出力波动后引入的风电/光伏出力不确定变量；和分别表示t时刻风机与光伏的预测功率；和分别表示t时刻风机和光伏所出现的最大功率误差，取为20％的预测数据；b
wt
(t)和b
pv
(t)分别表征风电机组和光伏机组在t时刻是否出现功率误差的二进制变量，取1时，表示在t时刻风电及光伏机组的出力取预测功率的下限，取0时，表示在t时刻可再生能出机组的出力取为预测功率；г
wt
和г
pv
是为调节系统保守性所引入的不确定性参数，为0～t之间的整数，表示可再生能源机组取得出力最小值的总时段数，取值越大，系统调度结果越保守。
[0036]
步骤四、构建计及阶梯碳交易的微电网两阶段鲁棒优化低碳经济调度模型：以包含系统运行维护成本、购能成本、燃料成本及碳交易成本的微电网运行总成本的最小值作
为低碳经济调度计划目标函数，以满足系统安全稳定运行的约束条件为经济调度计划目标函数约束条件进行限制，分别将二进制的开关变量、连续型变量以及不确定变量作为第一阶段和第二阶段的优化变量，构建计及碳交易的微电网两阶段鲁棒优化模型；
[0037]
1)低碳经济调度计划目标函数如式(16)，为系统的运维成本、燃料成本、碳排放成本以及购能成本在最恶劣场景下最小：
[0038][0039]
式中：c1为日前调度成本；c
grid
为微电网从配电网购售电的购能成本；c
ope
为各分布式电源的运行维护成本；c
fuel
为微电网可控设备运行燃料成本；c
co2
为微电网的阶梯碳交易成本，见式(14)；
[0040]
其中：
[0041][0042]
式中，p
buy
(t)与p
sell
(t)分别表示系统在t时刻的购电/售电功率；ω
buy
和ω
sell
为调度日的分时购电电价与分时售电电价；t为调度周期；
[0043]
其中：
[0044][0045]
式中，ω1表示微型燃气轮机的维护成本系数；ω2表示燃料电池的维护成本系数；ω3表示电储能的维护成本系数；p
fc
(t)表示燃料电池t时刻的输出功率；pg(t)表示微型燃气轮机在t时刻的输出功率；p
ch
(t)与p
dis
(t)分别表示储能设备在t时刻的充电/放电功率；
[0046]
其中：
[0047][0048]
式中，p
gas
为天然气价格；ph为氢气价格；lhv为天然气的低热值；ηg和η
fc
分别表示微型燃气轮机与燃料电池的发电效率；
[0049]
2)经济调度计划约束条件，微网在调度过程中主要包括各系统的功率平衡、各机组的出力约束和爬坡约束、与上级网络的功率交互约束以及各储能装置的约束：
[0050]
①
系统的功率平衡约束：
[0051][0052]
式中，表示t时刻负荷的预测功率；
[0053]
②
分布式电源出力约束：
[0054]
p
imin
≤pi(t)≤p
imax
ꢀꢀꢀ
(21)
[0055]
式中pi(t)表示第i种设备在t时刻的输出功率；p
imax
与p
imin
分别表示第i种可控设备的最大和最小输出功率；-r
imax
与r
imax
分别表示第i种设备的爬坡上下限常数；
[0056]
③
电储能设备运行状态约束：
[0057]uch
(t) u
dis
(t)≤1
ꢀꢀꢀ
(22)
[0058]
式中，u
ch
(t)与u
dis
(t)分别表示储能设备t时刻的充电与放电状态，非0即1；
[0059]
④
电储能设备出力约束：
[0060][0061][0062]es
(1)＝es(t)
ꢀꢀꢀ
(25)
[0063][0064][0065]
式中，与分别表示储能设备的最大充电/放电功率；es(t)和es(t-1)分别为电储设备t时刻和t-1时刻的储电量；η表示储能设备的充放电系数；t为调度周期，取 24小时；和分别表示储能设备在调度过程中所允许的最小和最大储能量；
[0066]
⑤
微电网功率交互约束：
[0067]ubuy
(t) u
sell
(t)≤1
ꢀꢀꢀ
(28)
[0068][0069][0070]
式中，u
buy
(t)与u
sell
(t)分别为表示系统t时刻的购电/售电状态；p
buy
(t)与p
sell
(t)分别表示系统在t时刻的购电/售电功率；与分别表示微网系统与大电网进行功率互换时的最大购电与售电功率；
[0071]
3)采用两阶段鲁棒优化的方法处理可再生能源出力的不确定性，构建模型为min-max-min结构，优化目标为系统的日前调度成本最小；模型中最外层min结构优化一阶段决策变量，给出储能以及系统购售电的运行状态，一阶段的决策变量保证系统在运行过程中能够应对不确定集中的任意场景；当一阶段决策变量取定后，内层max-min 中的max结构在一阶段决策变量的取值下寻找一组使得系统日前调度成本最大的最恶劣场景；当最外层的min一阶段决策变量以及内层max结构的最恶劣场景都确定后，最内层转化为简单的确定性优化问题，目的在于优化各设备机组在最恶劣场景下的出力，使得系统在最恶劣场景下的日前调度成本最小，以上表述总结为：
[0072][0073]
式中，x为第一阶段决策变量，x＝[u
ch
,u
dis
,u
sell
,u
buy
]；y为第二阶段决策变量， y＝[pg,p
fc
,p
ch
,p
dis
,p
buy
,p
sell
,p
wt
,p
pv
]。
[0074]
步骤五、对构建计及阶梯碳交易的微电网两阶段鲁棒优化低碳经济调度模型进行求解，得到可控电源、储能单元、微电网功率交互的日前调度结果。
[0075]
1)两阶段鲁棒优化模型表示为：
[0076][0077]
式中：a,c,j,d,e,k,i是系数矩阵a,c,j,d,u是常数列向量；由于该问题是一个多层问题，求解困难，本发明采用目前较为成熟的c&cg算法进行求解，将式(32)分解如式(33)所示的主问题和式(34)的子问题；
[0078][0079][0080]
子问题为双层问题，正常情况下难以求解，可根据强对偶原理将子问题内层min结构转化为max结构与外层max结构合并转化为下式(35)所示的max问题；
[0081][0082]
在不确定变量取到边界值时，对偶问题相应取得最大或最小值，式(35)中存在双线性项，采用big-m法做线性化处理，子问题最终表述形式如式(36)所示：
[0083]
[0084]
式中：ψ,φ,ρ,ξ为引入的对偶变量；u
pre
为可再生能源预测出力的向量；bc是引入的辅助连续型变量；
[0085]
2)模型采用c&cg算法进行求解，求解流程如下所示：
[0086]
①
给定初始恶劣场景集(u
wt1
,u
pv1
)，给定模型上界ub＝ ∞，模型下界lb＝-∞；迭代次数k取1；上下界收敛差值取为极小的正实数；
[0087]
②
在给定恶劣场景集的基础上求解主问题得到取主问题的求解结果为作为新的模型下界；
[0088]
③
将主问题求解的结果作为参数代入子问题求解新的最恶劣场景u
k 1
以及子问题目标函数值更新模型上界
[0089]
④
若(为收敛阈值)，则输出求解结果与停止迭代；否则将新的最恶劣场景带入步骤
②
并生成新的变量y
k 1
，并添加以下约束，迭代次数加1；
[0090][0091]
与现有技术相比本发明具有以下有益效果：传统的确定性优化调度方法往往只是基于预测数据下的进行的确定性优化调度，但受到现有预测功率技术的限制，在实际调度过程中风电、光伏等可再生能源机组的实际出力往往与预测值存在误差，因此实际调度过程中的场景往往是不确定的。确定性优化调度方法不能很好地解决上述问题；同时微电网运行过程中由于可控式机组的使用以及与电网功率互换致使微电网的运行过程中产生了大量的碳排放。本发明针对微电网调度过程中的源侧不确定性以及碳排放问题，提出了一种计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法：将阶梯式碳交易机制引入微电网的运行过程中，通过微电网参与碳交易市场已减小微电网的碳排放量；第一阶段优化满足最恶劣场景下的电储能和功率交互变量的运行状态，第二阶段优化各设备机组的出力变量并求解微电网运行过程中可能遭遇的最恶劣场景。该调度模型采用盒式不确定集描述可再生能源出力的不确定性，该模型求解得到的调度结果可以满足任何场景下的运行约束，能够保证微电网系统实现低碳经济运行，有效地解决了微电网系统运行过程中的源侧不确定性和碳排放问题，更有利于社会的可持续发展。
附图说明
[0092]
图1为微电网结构图。
[0093]
图2为两阶段鲁棒优化流程图。
[0094]
图3为光伏、风机及负荷功率预测曲线图。
[0095]
图4为微电网两阶段鲁棒优化调度结果。
[0096]
图5为三种方法下各设备单元调度结果对比。
[0097]
图6为不同不确定度下的碳排放量。
[0098]
图7为不同不确定度下的碳交易成本。
[0099]
图8为不同不确定度下的日前调度成本。
[0100]
图9为不同预测误差下的碳排放量。
[0101]
图10为不同预测误差下的碳交易成本。
[0102]
图11为不同预测误差下的日前调度成本。
[0103]
图12为成本增量与不确定度的关系。
具体实施方式
[0104]
以下结合具体实施例对本发明作进一步说明。
[0105]
为了验证本发明所设计方法的有效性，在matlab环境下借助yalmip工具箱进行编程并且调用cplex求解器进行求解。本实施例以图1所示的微电网结构，图3给出的风电、光伏机组以及负荷的预测数据为例，为所提模型进行校验。微电网的运行参数如表 1至表3所示。风机与光伏机组的不确定度取为12，表示风电和光伏机组有12个时段取得预测区间的最小值，其余时段为预测值。风机与光伏的预测误差取20％，表示风电和光伏机组的最大预测偏差取为预测数据的百分之二十。通过比较以下三种方案来研制本发明所提策略的有效性。方法1中目标函数中不考虑碳交易成本，采用鲁棒优化的方法进行优化。方法2中目标函数中计及传统碳交易机制的碳交易成本，采用鲁棒优化的方法进行优化。方法3中，根据本发明提出的方法，目标函数计及阶梯碳交易机制的碳交易成本，采用鲁棒优化的方法进行优化。具体调度结果见表4、图4及图5。
[0106]
实施例中的一种计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法，包括如下步骤：
[0107]
步骤一、对微电网系统内各设备进行建模：分析微电网系统内部各个设备的运行特征与运行约束，建立关于微电网内部各设备的调度成本模型以及运行约束模型；所述微电网包括风电机组、光伏机组、燃料电池组、微型燃气轮机、电储能设备、大电网以及用电负荷，过程具体如下
[0108]
1)系统中的微型燃气轮机以及燃料电池组属于可调控设备，各个设备满足式(1) 表示的出力限制以及式(2)表示的爬坡约束：
[0109]
p
imin
≤pi(t)≤p
imax
ꢀꢀꢀ
(1)
[0110][0111]
式中pi(t)表示第i种设备在t时刻的输出功率；p
imax
与p
imin
分别表示第i种可控设备的最大和最小输出功率；-r
imax
与r
imax
分别表示第i种设备的爬坡上下限常数；
[0112]
2)电储能设备在调度过程中应满足最大最小充放电功率限制、容量约束限制以及与电储能寿命相关的充放能平衡约束；
[0113]uch
(t) u
dis
(t)≤1
ꢀꢀꢀ
(3)
[0114][0115][0116][0117]es
(1)＝es(t)
ꢀꢀꢀ
(7)
[0118]
[0119]
式中u
ch
(t)与u
dis
(t)分别表示储能设备t时刻的充电/放电状态，非0即1；p
ch
(t)与 p
dis
(t)分别表示储能设备在t时刻的充电/放电功率；与分别表示储能设备的最大充电/放电功率；es(t)和es(t-1)分别为电储设备t时刻和t-1时刻的储电量；η表示储能设备的充放电系数；t为调度周期，取24小时；和e
max
分别表示储能设备在调度过程中所允许的最小与最大储能量，分别取为400kwh、1800kwh；es(1)为储能初始调度容量，取为1000kwh；
[0120]
3)当系统内部电源无法满足用能需求时，系统从外部网络进行购电以满足功率平衡约束；反之，当系统内部出现供能过剩时，系统可向外部网络进行售能以获得收益；在购售电过程中，系统应满足式(9)至式(11)所示的约束；
[0121]ubuy
(t) u
sell
(t)≤1
ꢀꢀꢀ
(9)
[0122][0123][0124]
式中u
buy
(t)与u
sell
(t)分别为表示系统t时刻的购电/售电状态；p
buy
(t)与p
sell
(t)分别表示系统在t时刻的购电/售电功率；与分别表示微网系统与大电网进行功率互换时的最大购电/售电功率。
[0125]
步骤二、建立阶梯碳交易机制的数学模型：以碳交易基价、碳交易区间长度以及价格增长率为已知数据建立阶梯碳交易机制的数学模型；对阶梯碳交易机制建立数学模型，将单位机组的实际碳排放强度、单位机组的无偿碳配额、碳交易基价、价格增长率、碳排放量的区间长度作为已知数据代入式，即构建得到阶梯式碳交易机制的数学模型，具体如下：
[0126]
1)氢燃料电池的使用不产生碳排放，因此微电网系统的碳配额只考虑燃气轮机的使用以及外购电能，假设购买的电能全部来自于火力发电，系统的碳配额表述为：
[0127][0128]
式中dc为微型燃气轮机发电以及微电网购电所获得的总碳配额量；σe和σg分别为火力发电单位电量的排放配额与微型燃气轮机单位电量的排放配额；pg(t)表示微型燃气轮机t时刻的输出功率；
[0129]
2)系统的实际碳排放量由购电和燃气轮机两部分产生，表述为式(13)：
[0130][0131]
ec为系统发电所产生的总碳排放量；γe为火力发电的碳排放强度；γg为微型燃气轮机产生单位电量的碳排放强度；
[0132]
3)将系统运行所产生的碳排放量减去系统所分配的碳排放配额，即可得到系统实际参与到碳交易市场的碳排放权交易额，阶梯式碳交易成本如式(14)所示：
[0133][0134]
式中：c
co2
为阶梯碳交易成本；d为碳排放量的区间长度，本实施例取为0.5t；θ表示碳交易价格，取为0.3元/kg；λ为价格增长率，取为25％。
[0135]
步骤三、针对不确定变量制定不确定集：以光伏和风电机组的预测发电功率、光伏机组及风电机组出力的最大预测偏差作为已知条件，建立不确定集合u；将可再生能源机组的预测数据及预测偏差作为已知数据，预测误差取
±
20％的预测数据，但由于本实施例所考虑的场景为风电、光伏机组出力最恶劣的场景，即光伏和风电机组取到区间的最小时，微电网的调度成本将会更高，更符合“罪恶劣”的定义，因此不确定集可只考虑源侧出力的向下波动，将所述可再生能源机组的预测数据导入下式中，即构建得到不确定集：
[0136][0137]
式中，u代表光伏和风电机组的出力不确定合集；u
wt
/u
pv
为考虑风电/光伏机组出力波动后引入的风电/光伏出力不确定变量；和分别表示t时刻风机与光伏的预测功率；和分别表示t时刻风机和光伏所出现的最大功率误差，取为20％的预测数据；b
wt
(t)和b
pv
(t)分别表征风电机组和光伏机组在t时刻是否出现功率误差的二进制变量，取1时，表示在t时刻风电及光伏机组的出力取预测功率的下限，取0时，表示在t时刻可再生能出机组的出力取为预测功率；г
wt
和г
pv
是为调节系统保守性所引入的不确定性参数，为0～t之间的整数，表示可再生能源机组取得出力最小值的总时段数，取值越大，系统调度结果越保守。
[0138]
步骤四、构建计及阶梯碳交易的微电网两阶段鲁棒优化低碳经济调度模型：以包含系统运行维护成本、购能成本、燃料成本及碳交易成本的微电网运行总成本的最小值作为低碳经济调度计划目标函数，以满足系统安全稳定运行的约束条件为经济调度计划目标函数约束条件进行限制，分别将二进制的开关变量、连续型变量以及不确定变量作为第一阶段和第二阶段的优化变量，构建计及碳交易的微电网两阶段鲁棒优化模型；
[0139]
1)低碳经济调度计划目标函数如式(16)，为系统的运维成本、燃料成本、碳排放成
本以及购能成本在最恶劣场景下最小：
[0140][0141]
式中：c1为日前调度成本；c
grid
为微电网从配电网购售电的购能成本；c
ope
为各分布式电源的运行维护成本；c
fuel
为微电网可控设备运行燃料成本；c
co2
为微电网的阶梯碳交易成本，见式(14)；
[0142]
其中：
[0143][0144]
式中，p
buy
(t)与p
sell
(t)分别表示系统在t时刻的购电/售电功率；ω
buy
和ω
sell
为调度日的分时购电电价与分时售电电价；t为调度周期；
[0145]
其中：
[0146][0147]
式中，ω1表示微型燃气轮机的维护成本系数；ω2表示燃料电池的维护成本系数；ω3表示电储能的维护成本系数；p
fc
(t)表示燃料电池t时刻的输出功率；pg(t)表示微型燃气轮机在t时刻的输出功率；p
ch
(t)与p
dis
(t)分别表示储能设备在t时刻的充电/放电功率；
[0148]
其中：
[0149][0150]
式中：p
gas
为天然气价格，取3.5元/m3；ph为氢气价格，氢气市场价格在19.2～38.4 元/kg，氢气密度为0.089kg/m3，合37.87kw
·
h/kg，本实施例取为25.26元/kg；lhv 为天然气的低热值，取9.7kwh/m3；ηg和η
fc
分别表示微型燃气轮机与燃料电池的发电效率，分别取为0.6和0.5。
[0151]
2)经济调度计划约束条件，微网在调度过程中主要包括各系统的功率平衡、各机组的出力约束和爬坡约束、与上级网络的功率交互约束以及各储能装置的约束：
[0152]
①
系统的功率平衡约束：
[0153][0154]
式中，表示t时刻负荷的预测功率；
[0155]
②
分布式电源出力约束：
[0156]
p
imin
≤pi(t)≤p
imax
ꢀꢀꢀ
(21)
[0157]
式中pi(t)表示第i种设备在t时刻的输出功率；p
imax
与p
imin
分别表示第i种可控设备的最大和最小输出功率；-r
imax
与r
imax
分别表示第i种设备的爬坡上下限常数；
[0158]
③
电储能设备运行状态约束：
[0159]uch
(t) u
dis
(t)≤1
ꢀꢀꢀ
(22)
[0160]
式中，u
ch
(t)与u
dis
(t)分别表示储能设备t时刻的充电与放电状态，非0即1；
[0161]
④
电储能设备出力约束：
[0162]
[0163][0164]es
(1)＝es(t)
ꢀꢀꢀ
(25)
[0165][0166][0167]
式中，与分别表示储能设备的最大充电/放电功率；es(t)和es(t-1)分别为电储设备t时刻和t-1时刻的储电量；η表示储能设备的充放电系数；t为调度周期，取 24小时；和分别表示储能设备在调度过程中所允许的最小和最大储能量；
[0168]
⑤
微电网功率交互约束：
[0169]ubuy
(t) u
sell
(t)≤1
ꢀꢀꢀ
(28)
[0170][0171][0172]
式中，u
buy
(t)与u
sell
(t)分别为表示系统t时刻的购电/售电状态；p
buy
(t)与p
sell
(t)分别表示系统在t时刻的购电/售电功率；与分别表示微网系统与大电网进行功率互换时的最大购电与售电功率；
[0173]
3)采用两阶段鲁棒优化的方法处理可再生能源出力的不确定性，构建模型为 min-max-min结构，优化目标为系统的日前调度成本最小；模型中最外层min结构优化一阶段决策变量，给出储能以及系统购售电的运行状态，一阶段的决策变量保证系统在运行过程中能够应对不确定集中的任意场景；当一阶段决策变量取定后，内层max-min 中的max结构在一阶段决策变量的取值下寻找一组使得系统日前调度成本最大的最恶劣场景；当最外层的min一阶段决策变量以及内层max结构的最恶劣场景都确定后，最内层转化为简单的确定性优化问题，目的在于优化各设备机组在最恶劣场景下的出力，使得系统在最恶劣场景下的日前调度成本最小，以上表述总结为：
[0174][0175]
式中，x为第一阶段决策变量，x＝[u
ch
,u
dis
,u
sell
,u
buy
]；y为第二阶段决策变量，y＝[pg,p
fc
,p
ch
,p
dis
,p
buy
,p
sell
,p
wt
,p
pv
]。
[0176]
步骤五、对构建计及阶梯碳交易的微电网两阶段鲁棒优化低碳经济调度模型进行求解，得到可控电源、储能单元、微电网功率交互的日前调度结果。
[0177]
1)两阶段鲁棒优化模型表示为：
[0178]
[0179]
式中：a,c,j,d,e,k,i是系数矩阵a,c,j,d,u是常数列向量；采用c&cg算法进行求解，将式(32)分解如式(33)所示的主问题和式(34)的子问题；
[0180][0181][0182]
子问题为双层问题，根据强对偶原理将子问题内层min结构转化为max结构与外层 max结构合并转化为下式(35)所示的max问题；
[0183][0184]
在不确定变量取到边界值时，对偶问题相应取得最大或最小值，式(35)中存在双线性项，采用big-m法做线性化处理，子问题最终表述形式如式(36)所示：
[0185][0186]
式中：ψ,φ,ρ,ξ为引入的对偶变量；u
pre
为可再生能源预测出力的向量；bc是引入的辅助连续型变量；
[0187]
2)模型采用c&cg算法进行求解，求解流程如下所示：
[0188]
①
给定初始恶劣场景集(u
wt1
,u
pv1
)，给定模型上界ub＝ ∞，模型下界lb＝-∞；迭代次数k取1；上下界收敛差值取为极小的正实数；
[0189]
②
在给定恶劣场景集的基础上求解主问题得到取主问题的求解结果为作为新的模型下界；
[0190]
③
将主问题求解的结果作为参数代入子问题求解新的最恶劣场景u
k 1
以及子问题目标函数值更新模型上界
[0191]
④
若(为收敛阈值),则输出求解结果与停止迭代；否则将新的最恶劣场景带入步骤
②
并生成新的变量y
k 1
，并添加以下约束，迭代次数加1；
[0192][0193]
如图4所示，在01:00-06:00，燃气轮机单位功率成本大于购电成本，此时燃气轮机输出功率一直为最小值，进入电价平-峰时段后，燃气轮机增加出力以最大功率运行；电储能设备在电价较低的02:00、05:00以及24:00对储能进行充电，实现多余电能的消纳，在电价的平-峰时段，储能设备进行放电弥补功率缺额，实现削峰填谷；燃料电池在负荷高峰期增加其出力，与储能设备共同减少系统外购功率，减小碳排放量；在电价谷时段，购电成本小于各可控设备机组发电成本，由外购电能优先满足功率缺额，在电价平-峰时段由于碳交易机制的引入，外购电力会使系统的碳排放量大量增加，因此由各可控设备优先满足功率缺额。
[0194]
表1分时电价表
[0195][0196]
表2微电网运行参数
[0197][0198]
表3固定预测误差下不同不确定度的综合调度成本
[0199][0200]
表4三种方法下调度结果对比
[0201][0202]
由表4可知，方法2相较方法1成本增加428.4元，成本增加幅度为4.6％；碳排放量减少了2114kg，下降幅度高达18.4％；方法3相较方法2，碳排放量减少了1 757.4kg，下降幅度达到18.7％；日前调度成本增加55.6元，成本增长幅度仅为0.57％；两方面综合考虑，引入阶梯式碳交易能够在保证系统经济性的同时最大限度的减少系统的碳排放量，达到节能减排的目的。
[0203]
方法1、方法2与方法3各设备的出力对比如图5所示，在负荷高峰期，场景三相较于场景一和场景二对燃料电池与微型燃气轮机的调度更加充分，同时减少系统外购功率，利用储能调度的灵活性填补部分功率缺额，避免了由外购电力产生的碳排放，同时因为燃料电池作为清洁设备不会产生碳排放，综合考虑燃料电池与储能设备在电价高峰期的经济性与环保性均优于外购电力，由这两类设备共同减少系统的碳排放。
[0204]
图6给出了不同不确定度下三种场景的碳排放情况。方法1与方法2中随着不确定度的增加，其碳排放量呈明显上升的趋势，不确定在0～18内变化时，碳排放量分别增加2 136kg和1579kg；在阶梯式碳交易机制下，系统的碳排放量非但未呈现大量增长的趋势，维持原有排放水平，碳排放量仅增长了99.4kg，增长幅度为1.3％；不确定度大于18时，三种方法的碳排放量虽都呈现上升趋势，但此时方法3碳排放量仍然时三种方法中最少的。可见在两阶段鲁棒优化模型中引入阶梯式碳交易机制明显增强了系统碳排放量对不确定参数的免疫能力，避免因场景恶劣而导致系统碳排放量大量增加情况的发生。阶梯式碳交易机制在各个不确定度的情况下碳排放量均为最小，相较于未采用碳交易机制与采用传统碳交易机制的场景下，在各个不确定度下碳排放量平均减少幅度分别高达31.7％与14.3％。
[0205]
图7给出了不同不确定度下方法2和方法3的碳交易成本变化情况。在不同不确定度下方法3的碳交易成本均小于方法2。
[0206]
图8给出了不同不确定度下三种方法的日前调度成本变化情况。在各个不确定度
下，阶梯式碳交易模型的成本相较于其它两类模型，平均增加幅度仅为5.1％与0.54％。综上，在鲁棒优化模型中引入阶梯式碳交易机制能够有效减少微网系统由于风光出力波动而产生大量碳排放的问题，在不牺牲系统经济性的前提下保证系统的低碳环保。
[0207]
图9给出不同预测误差下三种方法的碳排放情况。当预测偏差百分数在5％到35％之间变化时，方法1和方法2的碳排放量分别增加了1433kg与1 825.6kg，增加幅度分别达到了13.5％和22.5％，方法3碳排量增加了123kg，增长幅度仅为2％；当预测误差超过35％时，三种方法的碳排放量虽同时大量增加，但采用阶梯式碳交易的模型碳排放量仍然是三类中最少的，需要说明的是预测偏差百分数超过35％时的场景出现概率非常之低。可见采用阶梯式碳交易机制能够保证系统在预测偏差变大的情况下有效控制其碳排放量不会大量增加。
[0208]
图10给出不同预测误差下方法2和方法3的碳交易成本变化情况。预测误差百分数在0～30％之间变化时，方法3的碳交易成本不随预测误差的增加而增加；预测误差百分数在30％～40％之间变化时，方法3与方法2的碳交易成本随预测误差的增加而增加，但方法3的碳交易成本仍小于方法2；预测误差继续增加，系统不得不通过增加外购电力以及增发微燃机出力等方式以满足功率平衡，由于方法3阶梯碳价的引入，导致其碳交易成本高于方法2。需要指出的是，现有功率预测技术多数能将预测偏差控制在20％左右，因此引入阶梯式碳交易机制在微网优化调度中具有实际意义。
[0209]
图11给出了不同预测误差下三种方法的日前调度成本变化情况。随着预测偏差的增加，鲁棒优化所得到的调度方案的日前调度成本不断增加；预测误差百分数从5％增加至35％时，三种方法的成本费别增加了5203.6元、5427.3元和5462.1元；在各个预测误差百分数下，方法3相较于方法1和方法2日前调度成本分别平均增加了594.16 元和97.5元，平均增长幅度分别为5.5％和0.8％，可见两阶段鲁棒优化模型中引入阶梯式碳交易机制并未导致其成本大量增加，在预测误差逐渐变大的情况下仍然能够在保证系统的经济性同时做到大量减排。
[0210]
图12所示为鲁棒优化模型在当前不确定度场景下相较前一不确定度场景下日前调度成本增加量与不确定度的关系(后一场景相较前一场景不确定度增加3)。首次场景变化时日前调度费用增加量最多，随着不确定度的增加，日前调度费用的增加量逐渐减小，这是鲁棒优化方法优先寻得的是光伏和风机出力处于边界值时的使系统运行最不利的场景而后寻得的场景其恶劣情况依次下降。当光伏以及风机的不确定度达到14以后，光伏的不确定度达到最大，只对风机剩余恶劣场景进行寻找，不确定度达到21后，剩余时段其极端情况对系统运行结果影响最小。
[0211]
为体现鲁棒优化方法的有效性，本实施例以风机与光伏调度日当日的实际输出功率为参考，求取了在固定预测误差下(预测偏差百分数取20％)的不同不确定度下各个方案的日内调控成本(日内调控成本系数取日前阶段的1.2倍)，然后给出了日前调度成本和日内调控成本在不同预测误差下随不确定度变化的趋势。
[0212]
由表3可知，随着不确定度的增加，系统在日前调度过程中所需要考虑的场景更加恶劣，系统的保守性越强，因而其成本不断增加；在日内实时调度阶段，不确定度小于 12时，其日内调控成本随着不确定度的增加而减少，两阶段总调度成本呈现下降趋势；不确定度大于12时，系统日前调度方案过于保守，调度成本过高，调控阶段需要根据日前调度计划
减少其设备出力，两阶段调度成本呈略微上升趋势。因此，在制定日前调度方案时，预测偏差百分数取为20％的情况下，不确定度取为12将得到最优的调度方案。
[0213]
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。