基于期望場景集性能的微電網(wǎng)魯棒經(jīng)濟(jì)調(diào)度

王雅琳, 鄭鵬遠(yuǎn), 秦海杰, 支運(yùn)婷, 徐曉旭

(上海電力大學(xué)自動化工程學(xué)院, 上海 200090)

隨著世界范圍內(nèi)的能源需求量大幅增加,分布式能源因其調(diào)節(jié)靈活、安全性高等優(yōu)勢得以快速發(fā)展。集成多種分布式發(fā)電方式的微電網(wǎng),因此受到了廣泛的關(guān)注和應(yīng)用[1-2]。然而,由于分布式新能源發(fā)電和負(fù)荷用電通常會受到諸多因素的影響,具有一定的不確定性,給微電網(wǎng)的穩(wěn)定運(yùn)行帶來了許多新的困難和挑戰(zhàn)[3]。因此,設(shè)計(jì)考慮新能源發(fā)電和用戶負(fù)荷不確定性的微電網(wǎng)優(yōu)化調(diào)度算法具有重要的理論意義和應(yīng)用價值。

針對微電網(wǎng)的不確定性設(shè)計(jì)經(jīng)濟(jì)調(diào)度算法,通常采用隨機(jī)優(yōu)化和魯棒優(yōu)化方法。隨機(jī)優(yōu)化方法在一定程度上能夠應(yīng)對不確定性帶來的影響,文獻(xiàn)[4]借助概率場景進(jìn)行不確定性的相關(guān)分析,基于兩階段隨機(jī)優(yōu)化建立了多能源微網(wǎng)日前調(diào)度優(yōu)化模型。文獻(xiàn)[5]針對新能源發(fā)電功率和用戶響應(yīng)負(fù)荷的預(yù)測誤差,采用模糊隨機(jī)理論對其進(jìn)行建模,同時引入機(jī)會約束目標(biāo)規(guī)劃保證方案的靈活性與經(jīng)濟(jì)性。文獻(xiàn)[6]通過建立雙層隨機(jī)優(yōu)化調(diào)度模型來改善不確定變量對經(jīng)濟(jì)調(diào)度的影響。由于參數(shù)的概率分布復(fù)雜等特點(diǎn),將使得某些情景下無法獲得準(zhǔn)確的不確定參數(shù)的概率分布,導(dǎo)致隨機(jī)優(yōu)化方法難以進(jìn)行有效應(yīng)用。

相較于上述隨機(jī)優(yōu)化方法,魯棒優(yōu)化不需要事先獲得概率分布函數(shù),可以通過歷史數(shù)據(jù)得到不確定參數(shù)的波動范圍。針對不確定參數(shù)在不確定集中波動,可以通過優(yōu)化得到可行解[7]。另外,魯棒優(yōu)化的計(jì)算量小于隨機(jī)優(yōu)化方法。文獻(xiàn)[8]構(gòu)建了廣義能量優(yōu)化的魯棒模型,利用場景生成法處理微電網(wǎng)的不確定性,并將其轉(zhuǎn)化為易于求解的單層優(yōu)化問題進(jìn)行求解,為微電網(wǎng)調(diào)度提供了決策參考。文獻(xiàn)[9]建立了雙層魯棒優(yōu)化容量配置模型,通過Benders分解法對雙層問題交互迭代進(jìn)行求解[10],并驗(yàn)證了模型的合理性。文獻(xiàn)[11]針對并網(wǎng)型微電網(wǎng),建立了基于min-max-min結(jié)構(gòu)的微電網(wǎng)兩階段魯棒優(yōu)化模型,通過列約束生成算法求解不確定性環(huán)境下最惡劣場景的經(jīng)濟(jì)調(diào)度方案。文獻(xiàn)[12]針對不確定性環(huán)境下的孤島型微電網(wǎng),在日前計(jì)劃中設(shè)計(jì)基于棄風(fēng)棄光分段懲罰的兩階段魯棒優(yōu)化算法,計(jì)算出最惡劣環(huán)境下的最優(yōu)設(shè)備出力,在日內(nèi)調(diào)度階段利用新能源及負(fù)荷的實(shí)時數(shù)據(jù)重新對傳統(tǒng)能源和棄風(fēng)棄光進(jìn)行二次優(yōu)化,對日前優(yōu)化解進(jìn)行實(shí)時優(yōu)化補(bǔ)償。文獻(xiàn)[13]構(gòu)建了微電網(wǎng)兩階段魯棒優(yōu)化的期望場景模型,利用期望場景相應(yīng)數(shù)據(jù)進(jìn)行優(yōu)化計(jì)算,以保證其優(yōu)化結(jié)果在所有場景內(nèi)可行,期望場景經(jīng)濟(jì)指標(biāo)最優(yōu)?？紤]到實(shí)際情況中最惡劣情形發(fā)生概率極小,文獻(xiàn)[13]相比最惡劣場景兩階段魯棒優(yōu)化模型具有更好的經(jīng)濟(jì)性能和工程實(shí)際意義。需要指出的是,文獻(xiàn)[11-13]在微電網(wǎng)優(yōu)化調(diào)度中,選取的是傳統(tǒng)的盒式不確定集的邊界作為其最惡劣場景,即僅能搜索到不確定集的邊界上,而搜索不到不確定集的內(nèi)部,這對惡劣場景的搜索會引入一定的保守性,犧牲微電網(wǎng)的經(jīng)濟(jì)性。另外,文獻(xiàn)[13]日前計(jì)劃階段的經(jīng)濟(jì)目標(biāo)函數(shù)僅對應(yīng)期望場景,而沒有兼顧到其他場景的性能,當(dāng)實(shí)際日內(nèi)場景偏離期望場景的情形發(fā)生時,該方案具有一定的保守性,有待進(jìn)一步改進(jìn)。

微電網(wǎng)離網(wǎng)運(yùn)行時可能會產(chǎn)生棄風(fēng)棄光現(xiàn)象。對于棄風(fēng)棄光情形,最惡劣場景不一定發(fā)生在新能源發(fā)電和負(fù)荷功率波動邊界;為了將搜索范圍從不確定集邊界擴(kuò)展至不確定集內(nèi)部,從而搜索出更惡劣的微電網(wǎng)場景,現(xiàn)利用微電網(wǎng)的不確定集構(gòu)造梯次偏離不確定集;另外,針對實(shí)際日內(nèi)場景偏離期望場景的情形,構(gòu)造期望場景集。在日前計(jì)劃階段優(yōu)化該期望場景集內(nèi)最惡劣場景性能,同時兼顧到期望場景集內(nèi)其他場景的性能。日內(nèi)調(diào)度階段再對除儲能以外的其他設(shè)備出力做二次優(yōu)化調(diào)整,以改善微電網(wǎng)的魯棒性與經(jīng)濟(jì)性。

1 孤島型微電網(wǎng)系統(tǒng)結(jié)構(gòu)

孤島型微電網(wǎng)系統(tǒng)基本結(jié)構(gòu)如圖1所示,其主要包括可控分布式能源、儲能單元、本地負(fù)荷(常規(guī)負(fù)荷、可平移負(fù)荷)以及新能源發(fā)電設(shè)備。

圖1 孤島型微電網(wǎng)的基本結(jié)構(gòu)

2 孤島型微電網(wǎng)系統(tǒng)建模

2.1 微型燃?xì)廨啓C(jī)

微電網(wǎng)中,燃料電池、微型燃?xì)廨啓C(jī)、柴油發(fā)電機(jī)等均可作為發(fā)電裝置。不失一般性,現(xiàn)考慮可控分布式電源為微型燃?xì)廨啓C(jī)的情況,其成本函數(shù)為

(1)

微型燃?xì)廨啓C(jī)的發(fā)電功率約束及爬坡功率約束分別為

(2)

(3)

2.2 儲能系統(tǒng)

儲能系統(tǒng)可以提高微電網(wǎng)系統(tǒng)供電的穩(wěn)定性,有效應(yīng)對可再生能源發(fā)電的不確定性。另外,在微電網(wǎng)調(diào)度過程中儲能系統(tǒng)還能起到削峰填谷的作用,提升系統(tǒng)的經(jīng)濟(jì)性。其成本函數(shù)為

(4)

一般來說,儲能系統(tǒng)荷電狀態(tài)在充放電工作過程中需滿足的動態(tài)方程、容量和功率約束如下。

(5)

(6)

(7)

(8)

ES(0)=ES(NT)

(9)

約束式(9)表示儲能系統(tǒng)在調(diào)度周期的始末時刻容量應(yīng)保持一致。

2.3 可平移負(fù)荷

可平移負(fù)荷作為本地負(fù)荷的一種類型,其在微電網(wǎng)調(diào)度中可根據(jù)用戶需求進(jìn)行靈活調(diào)配。可平移負(fù)荷調(diào)整破壞了用戶的舒適度,應(yīng)對可平移負(fù)荷的調(diào)整作出相應(yīng)懲罰。其調(diào)度成本函數(shù)為

(10)

可平移負(fù)荷在工作過程中需滿足的約束條件為

(11)

(12)

可平移負(fù)荷調(diào)度成本函數(shù)[式(10)]為非線性函數(shù),降低了優(yōu)化問題的求解效率。為了進(jìn)行線性化處理[14],引入輔助變量PTL1(t)、PTL2(t)和約束式(14)、式(15),調(diào)度成本函數(shù)[式(10)]線性化處理后轉(zhuǎn)化為

CTL(t)=KTL[PTL1(t)+PTL2(t)]Δt

(13)

(14)

PTL1(t)≥0,PTL2(t)≥0

(15)

2.4 新能源棄風(fēng)棄光分段懲罰

孤島模式運(yùn)行下,微電網(wǎng)有可能會出現(xiàn)新能源棄風(fēng)棄光現(xiàn)象。為了提高風(fēng)電、光伏等可再生能源的有效利用率,需要對棄風(fēng)棄光進(jìn)行懲罰。本文研究中用線性分段函數(shù)來表示棄風(fēng)棄光懲罰成本函數(shù)[14-16]。不失一般性,此處以三段懲罰,即以設(shè)nv=3為例,如圖2所示。

Pab和Cab分別為微電網(wǎng)運(yùn)行中的棄風(fēng)棄光量和相應(yīng)的懲罰成本

棄風(fēng)棄光分段懲罰成本函數(shù)為

(16)

棄新能源量需滿足以下約束:

(17)

(18)

棄風(fēng)棄光分段懲罰成本函數(shù)[式(16)]為非線性函數(shù),會降低優(yōu)化問題的求解效率。因此,進(jìn)一步對棄風(fēng)棄光懲罰成本函數(shù)[式(16)]進(jìn)行轉(zhuǎn)化,做線性化處理,具體如下。

對每一分段均引入一個二進(jìn)制變量Bv(t)和一個連續(xù)變量Pv(t),可將非線性函數(shù)[式(16)]轉(zhuǎn)化為

(19)

(20)

(21)

(22)

2.5 梯次偏離的不確定集模型

微電網(wǎng)在實(shí)際運(yùn)行過程中會受到各種隨機(jī)因素的影響,新能源發(fā)電功率以及負(fù)荷功率會隨之產(chǎn)生波動,因此,考慮其不確定性的傳統(tǒng)不確定集可描述為

U：=

(23)

以往文獻(xiàn)通常以光伏出力取到區(qū)間的最小值和負(fù)荷功率取到區(qū)間的最大值為最惡劣場景[11-13],僅能搜索到不確定集的邊界上,而搜索不到不確定集合的內(nèi)部。但孤島型微電網(wǎng)棄風(fēng)棄光懲罰的時候,最惡劣場景并不一定位于不確定集的邊界,有可能位于不確定集合的內(nèi)部,因此有必要將最惡劣場景搜索由邊界擴(kuò)展至內(nèi)部。本文研究針對離網(wǎng)棄風(fēng)棄光背景下的微電網(wǎng),為了使得最惡劣場景搜索能夠擴(kuò)展至不確定集內(nèi)部,采取有限離散化的方式將原不確定集轉(zhuǎn)化成梯次偏離的場景集,即

(24)

(25)

2.6 功率平衡約束

在微電網(wǎng)調(diào)度過程中,需要每個時刻都滿足功率平衡,約束條件為

(26)

3 基于梯次偏離不確定集和期望場景集性能的微電網(wǎng)魯棒優(yōu)化算法

3.1 日前計(jì)劃階段

以式(2)、式(3)、式(5)～式(9)、式(11)、式(12)、式(14)、式(15)、式(17)、式(18)、式(20)、式(22)、式(25)和式(26)為約束條件,最小化各設(shè)備的總運(yùn)行成本來對微電網(wǎng)進(jìn)行優(yōu)化,即

(27)

在日前計(jì)劃階段,設(shè)計(jì)魯棒優(yōu)化模型,以所有場景可行,期望場景集內(nèi)性能最優(yōu)優(yōu)化出微電網(wǎng)的各設(shè)備出力。

定義:

(28)

式(28)中:x、y和ye為優(yōu)化變量。

進(jìn)而將優(yōu)化問題[式(27)]改寫為緊湊形式,表述形式為

(29)

式(29)中:c為式(27)所對應(yīng)的系數(shù)向量;A、B和C為相應(yīng)約束下變量的系數(shù)矩陣;d為常數(shù)列向量。

式(29)中的第2行為期望場景集內(nèi)的相關(guān)約束條件,包括式(2)、式(3)、式(5)～式(9)、式(11)、式(12)、式(14)、式(15)、式(17)、式(18)、式(20)、式(22)、式(25)和式(26)。

式(29)中的第3行為所有場景內(nèi)的相關(guān)約束條件,包括式(2)、式(3)、式(5)～式(9)、式(11)、式(12)、式(14)、式(15)、式(17)、式(18)、式(20)、式(22)、式(24)和式(36)。

Θ(x,ue)表示在給定決策變量x及光伏和負(fù)荷的不確定集ue時連續(xù)變量ye的可行域,具體表達(dá)式為

(30)

式(30)中:π、μ、λ、γ為各約束對應(yīng)的對偶變量;D、K、G、F和Iu為對應(yīng)約束下變量的系數(shù)矩陣;k、g為對應(yīng)約束下的常數(shù)列向量。

針對上述魯棒優(yōu)化問題,基于所構(gòu)建的期望場景集,通過列約束生成算法,實(shí)現(xiàn)主問題和子問題的交替求解,最終得到使期望場景集內(nèi)最惡劣場景經(jīng)濟(jì)性最優(yōu)的調(diào)度方案。其中,通過主問題的求解可以得到儲能系統(tǒng)的充放電標(biāo)志;通過子問題的求解可以得到惡劣場景對應(yīng)的光伏出力和負(fù)荷功率,同時還可以得到該場景下使經(jīng)濟(jì)性最優(yōu)的各設(shè)備最優(yōu)出力。

主問題為

(31)

(32)

子問題可表述為

(33)

顯然,子問題是一個最大最小化雙層問題,為方便求解,可通過強(qiáng)對偶理論以及式(30)的對偶變量相應(yīng)關(guān)系,將子問題轉(zhuǎn)化為最大化單層問題,其表述形式為

(34)

式(34)中:0為元素均為0的適當(dāng)維數(shù)的列向量。

(35)

3.2 魯棒可行性檢驗(yàn)?zāi)Ｐ?/h3>

(36)

另外,在最惡劣場景下整個調(diào)度周期內(nèi)功率缺口的總和描述為

(37)

若R(x)=0條件滿足,則表示在整個調(diào)度周期內(nèi)微電網(wǎng)功率平衡。

本文設(shè)計(jì)目標(biāo)是以所有場景下滿足可行性(即微電網(wǎng)能實(shí)現(xiàn)功率平衡)為約束,求解期望場景集內(nèi)最惡劣情況的最優(yōu)解。綜上,構(gòu)造如下優(yōu)化問題。

(38)

根據(jù)對偶理論可將式(37)轉(zhuǎn)化為max形式,從而得到魯棒可行性檢驗(yàn)?zāi)Ｐ蜑?/p>

(39)

需要注明的是,優(yōu)化問題式(39)的約束條件,是由微電網(wǎng)相應(yīng)的約束條件在對偶過程中轉(zhuǎn)化為一系列在表達(dá)上具有復(fù)雜繁瑣形式的數(shù)學(xué)等式和不等式方程,由于篇幅所限,本文不再贅述。

3.3 日內(nèi)調(diào)度階段

在日內(nèi)調(diào)度階段,由于新能源發(fā)電和負(fù)荷的實(shí)時數(shù)據(jù)與日前計(jì)劃階段的預(yù)測數(shù)據(jù)存在偏差,所以需要對日前計(jì)劃優(yōu)化解進(jìn)行調(diào)整。

在日內(nèi)調(diào)度階段,由當(dāng)前時刻新能源及負(fù)荷功率的測量數(shù)據(jù)和調(diào)度周期內(nèi)剩余時段的新能源及負(fù)荷功率的預(yù)測數(shù)據(jù),構(gòu)造微電網(wǎng)的混合數(shù)據(jù)場景為

(40)

將基于混合數(shù)據(jù)場景,在日內(nèi)調(diào)度階段對微電網(wǎng)日前計(jì)劃優(yōu)化解進(jìn)行優(yōu)化調(diào)整。考慮到儲能裝置自身的動態(tài)特性,在日內(nèi)調(diào)度階段保持儲能出力日前優(yōu)化解,調(diào)整微型燃?xì)廨啓C(jī)、可平移負(fù)荷和新能源棄風(fēng)棄光功率來優(yōu)化微電網(wǎng)經(jīng)濟(jì)性能并實(shí)現(xiàn)功率平衡。

日內(nèi)調(diào)度過程中,微型燃?xì)廨啓C(jī)的發(fā)電計(jì)劃相應(yīng)改變,采用實(shí)際運(yùn)維消耗成本和功率懲罰成本共同構(gòu)成其日內(nèi)調(diào)整成本[17],數(shù)學(xué)表達(dá)函數(shù)為

(41)

(42)

由于式(42)為非線性函數(shù),可通過數(shù)學(xué)方法將其轉(zhuǎn)換為

(43)

隨后,通過引入輔助變量PD1(t)、PD2(t)和約束式(45)、式(46),將式(43)線性化轉(zhuǎn)化為

(44)

(45)

PD1(t)≥0,PD2(t)≥0

(46)

日內(nèi)調(diào)度階段,需要滿足功率平衡約束條件為

(47)

t=k+1,k+2,…,NT

(48)

式中:P′TL(t)和P′ab(t)分別為日內(nèi)調(diào)度階段調(diào)整的可平移負(fù)荷功率和棄風(fēng)棄光功率。

綜上,日內(nèi)調(diào)度階段求解的優(yōu)化問題為

(49)

s.t. 式(2)～式(3)、式(11)～式(12)、式(14)～式(15)、式(17)～式(18)、式(20)、式(22)、式(40)、式(45)～式(48)

(50)

通過日內(nèi)調(diào)度對微電網(wǎng)設(shè)備出力進(jìn)行優(yōu)化調(diào)整,最終求解出調(diào)整后的微型燃?xì)廨啓C(jī)出力P′D(t)、可平移負(fù)荷的調(diào)度功率P′TL(t)和新能源棄風(fēng)棄光功率P′ab(t)。每一次優(yōu)化結(jié)束后,僅執(zhí)行當(dāng)前時刻的設(shè)備出力。當(dāng)時間推移至下一時刻時,重新獲取新能源和負(fù)荷功率實(shí)時測量數(shù)據(jù),進(jìn)行滾動優(yōu)化。

3.4 EDUPES-RO算法求解流程

(51)

(52)

4 算例仿真與分析

以圖1中孤島型微電網(wǎng)為例(不失一般性,在算例中新能源僅用光伏發(fā)電表示),驗(yàn)證本文所提方法的可行性。其中,取調(diào)度周期NT=24,調(diào)度步長Δt=1,有限離散化次數(shù)N=3,聚類場景集的個數(shù)K=3,根據(jù)歷史數(shù)據(jù)分析可得,光伏出力和負(fù)荷功率不確定性的最大偏差取該時刻預(yù)測值的±10%。光伏和負(fù)荷的總體偏離值分別為Λpv=6×10%和ΛL=9×10%。微電網(wǎng)運(yùn)行中各設(shè)備的相關(guān)參數(shù)如表1～表4所示。光伏出力和負(fù)荷功率的預(yù)測、實(shí)際場景以及概率最大的聚類場景曲線如圖3所示。采用本文設(shè)計(jì)的EDUPES-RO算法對微電網(wǎng)進(jìn)行優(yōu)化,仿真結(jié)果如圖4～圖7所示。

表1 微型燃?xì)廨啓C(jī)參數(shù)

表2 儲能單元參數(shù)

表3 可平移負(fù)荷參數(shù)

表4 新能源棄光功率參數(shù)

圖3 光伏/負(fù)荷的預(yù)測/實(shí)際/聚類場景曲線

圖4 微型燃?xì)廨啓C(jī)發(fā)電功率

圖5 儲能系統(tǒng)充/放電功率

在1～7 h時段,光伏出力為0,此時負(fù)荷需求電量全部由微型燃?xì)廨啓C(jī)和儲能系統(tǒng)提供,所以微型燃?xì)廨啓C(jī)在該時段以較高發(fā)電功率運(yùn)行(圖4),并且降低可平移負(fù)荷在該時段的用電功率以降低用電需求量(圖6)。在8～10 h時段,相比負(fù)荷需求變化,此時光伏發(fā)電功率快速增加,因此微型燃?xì)廨啓C(jī)在該時段發(fā)電功率隨之減少。

圖6 可平移負(fù)荷實(shí)際/期望用電功率

在11～17 h時段,光伏發(fā)電功率較高,此時優(yōu)先消耗新能源發(fā)電,微型燃?xì)廨啓C(jī)以最低允許功率運(yùn)行,另外將富余的電量對儲能系統(tǒng)進(jìn)行充電,同時增加可平移負(fù)荷的用電功率。在11 h、13～16 h時段,由于新能源供電量富余,因此出現(xiàn)新能源棄光現(xiàn)象(圖7)。在18～19 h時段,光伏發(fā)電功率逐漸降低,負(fù)荷需求較高,因此微型燃?xì)廨啓C(jī)在該時段發(fā)電功率隨之增加。

圖7 棄光功率

在20～24 h時段,光伏發(fā)電功率為0,此時顯著增加微型燃?xì)廨啓C(jī)發(fā)電功率,并減少可平移負(fù)荷用電量,從而緩解供電壓力。

隨后,通過圖5和圖6分別詳細(xì)介紹儲能系統(tǒng)和可平移負(fù)荷在調(diào)度周期內(nèi)的設(shè)備出力情況。對于儲能系統(tǒng),由于11～16 h時段光伏發(fā)電量較高,微電網(wǎng)電量存在富余,儲能系統(tǒng)在該時段進(jìn)行充電;6～9 h、20～21 h時段光伏供電功率不足,儲能系統(tǒng)在該時段放電。由此可見,儲能系統(tǒng)起到了削峰填谷的作用,從而提升微電網(wǎng)的經(jīng)濟(jì)性。對于可平移負(fù)荷,1～8 h、18～24 h光伏出力較低時段的用電需求被轉(zhuǎn)移至9～17 h光伏出力較高時段,以實(shí)現(xiàn)錯峰用電,從而緩解微電網(wǎng)的用電壓力。

文獻(xiàn)[12]設(shè)計(jì)了孤島型微電網(wǎng)魯棒優(yōu)化經(jīng)濟(jì)調(diào)度算法,記為“Ref[12]”。文獻(xiàn)[13]針對期望場景設(shè)計(jì)微電網(wǎng)優(yōu)化經(jīng)濟(jì)調(diào)度算法,其針對并網(wǎng)型微電網(wǎng)對象,并且其提出的調(diào)度方案在日前計(jì)劃階段未包含可平移負(fù)荷調(diào)度成本,日內(nèi)調(diào)度階段未包含微型燃?xì)廨啓C(jī)的懲罰成本;為方便與本文方法進(jìn)行對比,因此對文獻(xiàn)[13]方案去除購售電行為,引入棄風(fēng)棄光將并網(wǎng)型微電網(wǎng)修改成孤島型微電網(wǎng),并對其引入可平移負(fù)荷的調(diào)度成本和微型燃?xì)廨啓C(jī)的懲罰成本,將修改后的方案記為“Ref[13]?”。將EDUPES-RO、 “Ref[12]”與 “Ref[13]?”3種優(yōu)化方法進(jìn)行經(jīng)濟(jì)性能比較,結(jié)果如表5所示。

表5 經(jīng)濟(jì)成本對比表

表5顯示,EDUPES-RO方法對應(yīng)的日前計(jì)劃成本高于Ref[12]和Ref[13]?,,EDUPES-RO方法的日內(nèi)調(diào)整成本最低,通過犧牲部分日前計(jì)劃成本將換取日內(nèi)調(diào)度階段的經(jīng)濟(jì)性能,最終取得了更低的運(yùn)行總成本。需要指出的是,孤島型微電網(wǎng)棄風(fēng)棄光背景下的最惡劣場景存在位于不確定集合內(nèi)部的可能性。從對最惡劣場景的搜索范圍角度看,對于Ref[12]和Ref[13]?,其選取(在不確定性魯棒測度參數(shù)取1的時段)光伏出力取波動區(qū)間最小值和負(fù)荷功率取波動區(qū)間最大值作為最惡劣場景,存在一定保守性;而本文引入梯次偏離不確定集對最惡劣場景進(jìn)行搜索,其搜索范圍可由不確定集邊界擴(kuò)展到不確定集合內(nèi)部,從而能夠搜索到比Ref[12]和Ref[13]?更加惡劣的場景(表5中EDUPES-RO方法對應(yīng)的日前計(jì)劃成本高于Ref[12]和Ref[13]?也正好驗(yàn)證了該結(jié)論),體現(xiàn)了本文方法的優(yōu)勢。

5 結(jié)論

針對微電網(wǎng)受新能源和負(fù)荷不確定性影響的特點(diǎn),設(shè)計(jì)了基于梯次偏離不確定集和期望場景集性能的孤島型微電網(wǎng)魯棒經(jīng)濟(jì)調(diào)度算法,優(yōu)化微電網(wǎng)各供電設(shè)備出力實(shí)現(xiàn)微電網(wǎng)能量供需平衡,提高微電網(wǎng)調(diào)度的經(jīng)濟(jì)性,較以往方法取得了更優(yōu)異的控制性能。

(1) 通過對傳統(tǒng)不確定集進(jìn)行有限離散化,得到梯次偏離的不確定集,以便于搜索出離網(wǎng)棄風(fēng)棄光背景下的微電網(wǎng)相對更惡劣場景。

(2) 通過構(gòu)建期望場景集,引入不確定參數(shù)總體偏離值作為不確定調(diào)節(jié)參數(shù),使本文方案在期望場景集內(nèi)性能最優(yōu),所有場景下可行,降低方案的保守度。日前計(jì)劃階段,采用魯棒優(yōu)化求解出期望場景集對應(yīng)的最優(yōu)調(diào)度方案并魯棒檢驗(yàn),提升微電網(wǎng)的魯棒性和經(jīng)濟(jì)性。

(3) 日內(nèi)調(diào)度階段,利用光伏出力以及負(fù)荷的實(shí)時測量數(shù)據(jù),對微型燃?xì)廨啓C(jī)、棄風(fēng)棄光、可平移負(fù)荷功率的日前計(jì)劃解進(jìn)行二次優(yōu)化調(diào)整,提高微電網(wǎng)運(yùn)行的經(jīng)濟(jì)性,同時提高新能源發(fā)電的利用率。