具体实施方式

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供一种电网多时间尺度多目标能量优化调度方法，该调度方法用于解决电网优化调度问题，本实施例中的电网多时间尺度多目标能量优化调度方法如图1所示。

采集电网的历史运行数据，根据历史运行数据建立不确定性描述电网弱鲁棒多目标优化模型。为满足电网内负荷需求以及提高风光的消纳，所以在日前调度中引入可平移负荷进行激励型需求响应，转移高峰时段的用电负荷，实现削峰填谷。针对电网中存在的不确定性问题，本发明采用弱鲁棒优化方法进行电网优化调度，该方法在传统鲁棒优化的基础上加入松弛变量γ，其物理意义为弃风、弃光、切负荷的风险运行变量，允许系统存在一定的风险运行。本实施例选择以运行成本最小为第一个目标函数，该目标由电网网运行成本C₀和风险成本C_cut组成，如式(1)-(2)所示：

F₍₁₎＝min(C₀+C_cut) (1)

C₀＝C_DG+C_BA+C_DDR (2)

式中，C_DG表示燃气轮机的发电成本，C_BA为储能的充放电成本，C_DDR为需求响应负荷调度成本。

在本实施例中，燃气轮机的污染物排放主要为CO₂、SO₂和NO_x，燃气轮机出力不同，所排放的污染气体也有所不用，且弃风、弃光部分作为燃气轮机排放，所以本实施例采用的排放模型如式(3)所示：

式中，F₍₂₎为电网内所产生的污染气体排放与弃风弃光折算后的总量，P_DG为燃气轮机的输出功率，γ_qwt为弃风量，γ_qpv为弃光量，a、b、c为燃气轮机运行时的污染气体排放系数，d为弃风、弃光折算污染系数。

本实施例中，各类成本的计算如下：

(1)燃气轮机

本实施例由于考虑孤网模式下的优化调度，需要响应更快的可控机组参与，所以选择燃气轮机的运行效率如式(4)所示：

其中P_DG(t)为燃气轮机的输出功率，η_DG(t)为其运行效率。

燃气轮机通过消耗燃料发电，在运行过程中会产生燃料费和运维费用，表达式如式(5)、(6)所示：

C_DG(t)＝K_DGP_DG(t)+C_G.F(t) (5)

式中：C_DG(t)表示燃气轮机的发电成本；C_G.F(t)为其燃料成本；K_DG为其运维成本；t表示t时间段；C_ON代表燃气费用，LHV代表燃气低热值。

(2)需求侧响应

当电网调整需求响应负荷用电计划时，会影响需求响应负荷的正常用电计划，所以电网会根据新的调度计划给予需求响应用户一定的补偿，所以调度成本C_DDR(t)可表示如式(7)所示：

式中：P_DDR(t)为需求响应负荷在最终调度计划的实际调度功率；K_DDR为电网给予需求响应负荷的补偿费用与调度成本；为日前需求响应用户所提供的期望用电功率，Δt为调度步长。

(3)风险成本

本实施例中的风险成本是指当可再生能源出力或负荷场景，不满足电网功率平衡时，产生的弃风、弃光成本和切负荷成本，其成本如式(8)、(9)所示：

C_cut＝C_loss+C_qwt+C_qpv (8)

式中，C_qwt为弃风成本，C_qpv为弃光成本，C_loss为切负荷成本；λ_qwt为弃风惩罚系数，λ_qpv为弃光惩罚系数，λ_loss为切负荷惩罚系数；γ_loss为切负荷量。

日前优化调度约束条件包括日前功率平衡约束、燃气轮机功率约束、需求响应约束和弃风弃光切负荷约束。

引入松弛变量后，电网的运行需要满足的日前功率平衡约束如式(11)所示：

式中，表示日前电网内负荷的实际值，表示日前风电出力实际值，表示日前光伏出力实际值，P_DG表示日前燃气轮机出力，P_BA表示日前储能出力。P_DDR表示日前需求响应负荷在最终调度计划的实际调度功率，t表示24小时中某一时段。

其中电网调度后总负荷如式(12)所示：

式中，P_LOAD为调度后总负荷。

日内功率平衡如式(13)所示：

表示日内电网内负荷的实际值；表示日内风电出力实际值；表示日内光伏出力实际值；表示日内燃气轮机实际出力功率；表示日内储能实际出力。

由于燃气轮机响应快，因此只考虑输出功率约束，忽略其爬坡约束，输出功率约束如式(14)所示：

式中，表示燃气轮机的最大/最小输出功率。

需求响应约束：

需求响应负荷主要考虑负荷平移问题，应满足以下条件，如式(15)-(16)所示：

式中：S_DDR为调度周期内的总用电需求：和分别表示各时段需满足需求响应最大、最小负荷。

弃风弃光切负荷约束：

弃风弃光切负荷功率在调度时应满足约束条件如式(17)所示：

式中和分别表示切负荷、弃风和弃光功率上限。

根据对等转化理论，式(10)的功率平衡约束转化为如式(18)所示：

P_LOAD(t)表示日前电网内负荷的预测值；P_WT(t)表示日前风电出力预测值；P_PV(t)表示日前光伏出力预测值；表示日前风电出力最大波动；表示日前光伏出力最大波动；表示日前电网内除去需求响应负荷后常规负荷的最大波动。

综上所述，在日前阶段通过弱鲁棒多目标优化调度方法，以电网运行成本与污染气体排放总量最低为优化目标，用NSGA-II求解获得日前每小时平衡经济性与环保性的日前调度计划。

在日内阶段，为满足电网实际调度计划与日前弱鲁棒经济优化调度计划偏差的问题，日内以15min为控制时域，1h为预测时域采用跟踪性为性能指标，建立MPC滚动优化调度模型。MPC的基本原理是根据系统当前状态对未来有限时域内的系统输出进行预测，采用优化的方式得到未来有限时域内的最优控制量，并将第一个分量用于系统控制，每个时刻重复以上过程。模型预测控制能够很好解决含有不确定性因素的优化问题，具有较强的抗干扰能力和鲁棒性。并且，使用MPC时对预测模型接受度大，不需要特定模型。能够加入多个约束条件，所以比较适合用于计及不确定性的电力系统优化调度中。电网中含有大量不可控分布式电源，其随机性与不确定性则适合使用MPC进行跟踪校正。MPC是一种跟踪性和抗干扰能力良好的闭环控制方法，包括模型预测、滚动优化和反馈校正三个环节。通过引入反馈校正，能够及时有效地修正随机因素导致的优化调度结果偏差，因此本实施例在日内采用MPC实时滚动修正日前调度计划，以提高调度计划的准确性。

(1)预测模型

能够根据被控对象的历史信息和未来输入信息，预测系统的未来输出响应的模型，被称为预测模型，预测模型由状态变量、控制变量、扰动变量组成。本实施例中，根据t时刻电网的燃气轮机、储能出力和风险运行功率实际值建立电网状态空间预测模型如式(19)所示：

式中：G(t)为被控对象的系统状态量，△G(t)表示对象的控制量或者相关输入量；H(t)表示系统输出量；A、B、C、D分别为系统矩阵、输入矩阵、输出矩阵、扰动矩阵。

(2)滚动优化

根据滚动时域内性能指标最优进行求解，滚动优化以选取经济成本或与日前所提计划偏差最小为目标进行优化，由于是有限时域内的优化，故可进行多次反复滚动优化，以弥补模型中的不确定性问题所带来的影响。本实施例中，电网状态空间预测模型预测控制采用滚动有限时域优化方法。优化性能指标函数为二次优化函数，如式(20)所示：

式中：F_obj为跟踪性目标函数；H(t)为t时刻输出量，为燃气轮机、储能出力与风险运行功率；X(t)为t时刻上层下发的基准量；△G(t)为t时刻控制量，即燃气轮机、储能出力的数量变化值；M为预测时域；δ、θ为权重系数矩阵。

将式(20)转化为二次规划标准形式后，由于二次规划Hessian矩阵为正定矩阵，故全局最小值是唯一的，不会陷入局部最优。在t时刻对M个时域上的性能指标进行优化，得到t至t+M预测时域内的控制序列如式(21)，仅执行第一个时刻的控制量，在t+1时刻重复上述步骤。

△G(t)＝[△G(t)^T,△G(t+1)^T，...,△G(t+M-1)^T,△G(t+M)^T]^T (21)

(3)反馈校正

在日内滚动优化过程中，由于预测误差、不确定性、建模精度不够导致实际输出量与预测值之间产生误差，修正后的调度控制方法仍可能与系统实际运行存在偏差，因此在每一个采样时刻检测输出变量实际值与预测值并通过式(4)更新误差，对预测模型进行反馈校正再进行下一次滚动优化。

ρr(t+1)＝H(t+1)-H(t+1|t) (22)

式中：ρ为误差系数矩阵；H(t+1|t)为t时刻对t+1的预测输出量。

仿真分析：模拟三种运行场景，分别由日前源荷预测值向劣(刚性负荷增大，风光出力减小)偏移3％、5％、10％后再叠加3％、5％、10％的随机误差作为源荷实际值，具体出力如图2、图3所示；负荷预测波动比例为10％，风、光出力预测误差波动比例为15％。各类惩罚费用为λ_t＝[λ_loss,λ_qwt,λ_qpv]^T＝[1.2，1，1]^T，对于任意时刻，排放系数[a,b,c]^T为[0.00079,0.025,21.9]^T,根据计算鲁棒不确定度Γ_t＝2.4867允许最大风险运行的最大越限比例为10％。

本实施例所提供的调度方法在场景1(日前源荷预测值向劣(刚性负荷增大，风光出力减小)偏移3％)下的调度结果如图4-6所示，图4表示燃气轮机出力，由于1～7h和24h时用电负荷较小，风电出力较大，所以燃气轮机选择最小方式运行；图5为储能充放电功率，由于夜间负荷需求较低，储能在2h、4～5h、7h和24h进行充电，在9h和18～21h进行放电，以满足高峰时期负荷用电。需求响应负荷调度前后如图6所示，其给出的期望用电计划主要集中在负荷高峰时段。电网在满足总电力需求和各时段电力约束的前提下，将10～12h和16～22h的电力需求分别调整至1～7h和24h，减少了高峰时段的负荷不足和低谷时段的弃风功率。图7为弱鲁棒多目标优化模型的帕累托前沿；运行费用为673.11元，环境污染量为846.77kg。

在日内调度时，预测误差与不确定性因素由燃气轮机、储能共同应对，在实际运行时，由于存在随机因素干扰，日内调度计划需调整以满足系统功率平衡，并且反馈校正提高了控制策略的准确性，在三种场景下采用MPC日内滚动优化后的调度计划如图8所示，其中，风险运行正值表示切负荷量，负值表示弃风、弃光量。从图中可以看出，由于日内实际情况存在不确定因素影响，MPC会根据日内实际情况对日前调度计划进行修正，调整出力计划，满足系统功率平衡要求。

为进一步验证本法明提供的优化调度方法在孤网模式下的可行性，分别设置4种不同的调度方法。4种调度方法分别为。1)本发明提出的电网多时间尺度优化调度方法；2)日前采用弱鲁棒经济优化调度，日内的误差选择弃风弃光切负荷处理的开环控制方法；3)日前采用随机优化算法寻优调度，日内采用MPC滚动优化的方法；4)日前采用传统鲁棒优化调度，日内采用MPC滚动优化的方法。

MPC性能对比验证：

表1

由表1对比可见，三种场景下本实施例所提的调度方法1)运行成本均低于2)。由于孤网运行，日前制定计划时考虑了日内源荷发生波动的情况，所以当日内波动过小时，会导致多余的风光被抛弃掉，由于对弃风弃光行为有一定的惩罚，所以波动情况小的情况下出现弃风弃光导致日内环境污染量略高于日前。在日内实际运行情况下，通过MPC控制可以降低机组的出力，以减少弃风、弃光的情况出现，因此相比日内不采用MPC的方法，减少了电网的全天综合成本。日内风险运行功率与日前风险运行计划偏差对比如表2所示：

表2

由表2对比可见，三种场景下本实施例所提的方法1)偏差绝对均值均低于2)三种场景下方法1)、2)风险运行率如图9-11所示，在日前调度计划相同时，日内采用MPC滚动优化的经济性与跟踪性均优于非MPC滚动优化。仿真结果表明，在日内实际运行状态下，采用MPC滚动优化可很好地跟踪和修正日前调度计划以满足实际运行状态，使电网在实际运行状态大范围波动时仍具备较好的经济性，并且可使全天风险运行功率修正的总量更小，因此减少了电网风险运行功率调度计划的变动，保证电网能够满足其经济运行。

鲁棒性能对比：

在同样的三种误差下1)、3)、4)三种方法的综合成本与环境污染量对比对比如表3所示：

表3

由表3对比可见，虽然方法1)在日前成本高于不采用弱鲁棒的方法，但是在源荷预测误差与不确定性不可避免的实际运行场景下，日内成本低于不采用弱鲁棒的方法，波动程度越大，方法1)的成本与环境污染量越低。方法1)与方法4)对比可见，虽然传统鲁棒优化在制定日前调度计划时能满足任何情况下该计划的可行性，保证系统安全。但在允许情况下出现风险运行情况可以更好适应多种场景，且有利于追求综合效益最优。不同方法日内风险运行功率与日前风险运行计划偏差如表4所示：

表4

由表4对比可见，方法1)的风险运行总功率均少于其他几种方法。通过对比分析说明由于实际运行场景下，必然会存在源荷预测误差和不确定性影响，日前采用随机优化的方法，其获得的调度计划为特定场景下的经济最优调度计划，当实际运行时，随着随机误差增大，调度计划偏差也会变大，继续采用MPC跟踪非弱鲁棒的调度计划将导致电网的日内运行成本以及风险运行功率偏差增加。而采用传统鲁棒优化，所制定的日前经济最优调度计划过于保守，适用性较差，所以在日内跟踪期调度计划时无法保证其经济最优。因此在日前调度阶段采用弱鲁棒经济优化调度计划使得日内的跟踪调度更具有实际意义。

在考虑运行成本与环境因素的情况下，在日前长时间尺度调度阶段采用弱鲁棒多目标优化方法求出满足经济性与环保性的折中调度计划，日内短时间尺度阶段采用MPC跟踪日前调度计划，能够解决传统调度方法因受源荷不确定性及预测误差影响导致电网无法达到预期运行经济性的问题。通过仿真结果对比，所提方法与随机优化相比，在计及源荷预测误差与不确定性的场景下采用MPC滚动优化可获得更好的跟踪效果；与传统鲁棒优化方法相比，不仅能保证大概率情况下电网风光消纳能力以及负荷需求，而且能提高电网经济性与环保性，有效改善传统鲁棒优化的保守性，在保证较好鲁棒性的同时兼顾经济性与环保性。所以本发明所提方法能够很好应用于电网优化调度，并且在保证一定鲁棒性的基础上，获得良好的经济性与环保性。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。