CN115795992A

CN115795992A - 一种基于运行态势虚拟推演的园区能源互联网在线调度方法

Info

Publication number: CN115795992A
Application number: CN202210794743.5A
Authority: CN
Inventors: 朱丹丹; 岑炳成; 周前; 安海云
Original assignee: Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Current assignee: Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date: 2022-07-07
Filing date: 2022-07-07
Publication date: 2023-03-14

Abstract

本发明公开了一种基于运行态势虚拟推演的园区能源互联网在线调度方法，首先进行园区“源‑网‑荷‑储”运行态势推演：其次，基于预测精度随时域临近而提升的特点，构建日前离线调度模型、日内滚动优化模型和实时在线调度模型相结合的三阶段优化调度模型；最后，基于调节交替方向乘数法的分布式优化规划方法来解决系统实际运行中信息交互过于频繁无法有效统一调度的问题，并考虑风能和光能随机获取对PEI的影响，形成最终的优化规划结果。本发明基于运行态势虚拟推演，通过准确感知动态过程下PEI状态变化趋势，为精准调度提供支撑，提高运行调控的精确性和计算快速性，并支撑形成实时态势感知和超实时虚拟推演相结合的新型在线协调调度机制。

Description

一种基于运行态势虚拟推演的园区能源互联网在线调度方法

技术领域

本发明涉及一种基于运行态势虚拟推演的园区能源互联网在线调度方法，用于实现PEI系统运行状态实时在线调整，从而形成PEI多类型资源实时态势感知和超实时虚拟推演相结合的新型在线协调调度机制。

背景技术

新型电力系统建设背景下，高比例分布式新能源和多元化负荷连接到园区能源互联网(Park Energy Internet,PEI)，它具有很强的不确定性、功率波动性将导致PEI多类型资源设备承受更加极端、变化剧烈的运行条件，对PEI多类型资源协调裕兴安全、对可靠性运行提出了更高的要求。有必要应用PEI多类型设备的数字孪生模型对不同来源的状态数据进行反演计算和多参数演绎分析，并在PEI多级资源的状态与其可观测特征参数之间建立映射关系，获得PEI内部多物理场参数的分布情况及关键参数的量值，可实现关键状态的精准分析以及极端条件下PEI多类型资源协调机理和规律的推演，为PEI长效运行管理提供科学依据。

发明内容

发明目的：为了克服现有技术中的不足，本发明提供一种基于运行态势虚拟推演的园区能源互联网在线调度方法。

技术方案：本发明所述的一种基于运行态势虚拟推演的园区能源互联网在线调度方法，包括如下步骤：

(1)园区“源-网-荷-储”运行态势推演：构建自适应与自学习的态势推演策略，演绎策略根据应用对象和最新数据自动调整模型参数；

(2)基于预测精度随时域临近而提升的特点，构建日前离线调度模型、日内滚动优化模型和实时在线调度模型相结合的三阶段优化调度模型；

(3)基于调节交替方向乘数法的分布式优化规划方法来解决系统实际运行中信息交互过于频繁无法有效统一调度的问题，并考虑风能和光能随机获取对PEI的影响，形成最终的优化规划结果。

进一步地，所述步骤(1)实现过程如下：

把自适应思想引入到负荷预测中，采用反馈型预测，对最近时段内进行虚拟预测，将预测效果最佳的参数作为自适应过程模型参数，对未来负荷进行预测，构成预测闭环和反馈；

虚拟预测实现过程分为自适应训练和预测两环节：首先，选取待预测日，即预测时域，并确定进行预测和虚拟推演的起止时间；然后，将相关预测和推演基础模型参数输入到预测推演模型，进行虚拟预测；其次，在开展虚拟预测过程中，根据历史数据实际值和推演值进行比较，优化调整模型参数；最后，将形成的虚拟推演预测模型用于日负荷预测，并将优化估计参数作为下一次优化的初始值，实现快速推演；

对于PEI“源-网-荷-储”运行态势推演而言，把在线监测、运行状态、外部环境数据实时传送至PEI孪生模型，并应用深度学习等人工智能算法在模型中进行迭代优化和滚动预测，使园区“源-网-荷-储”独立预测未来运行状态，并利用实时交互闭环反馈给物理实体PEI系统，实现运行风险自主评估管理；将“源-网-荷-储”实时运行态势推断结果与潮流控制相结合，进行数字孪生仿真分析，驱动PEI实现自硬件条件调度和预调度，实现在线分析决策。

进一步地，步骤(2)所述的日前离线调度模型构建过程如下：

以最大化PEI的日收入为目标函数：

式中，F₁表示PEI的全天总利润，△T表示优化时间粒度，T表示优化总时段数；t为当前时段；

表示PEI与用户的内部售电价格，由PEI运营商制定，

和P_t ^F别为PEI与电力供应商签订的购电电价及购电量，

和P_t ^S分别为PEI与实时市场交易的电价和电量，当PEI实时从市场购买电力时，P_t ^S为正；当它出售电力时，它是负的，F_cut.t、F_tr.t和F_sh.t分别代表可削减、可平移和可转换负荷的补偿成本；F_TVPP表示PEI总发电成本，与PEI的出力P_TVPP.t相关；

约束条件为：

售电电价约束：

和

表示PEI用户售电电价的下限值和上限值，

表示PEI在一天之中的平均售电价，保证PEI的售电电价在一定范围内；

考虑到用户满意度，对可削减负荷的削减量和削减次数进行约束：

式中N₁表示一天之中可削减负荷的削减次数最大值，

和

表示可削减负荷削减量的下限值和上限值；

可转移负荷约束：

假设可平移负荷的初始运行周期为[t₁,t₂]，平移后的时间间隔为[t_1-,t₂₊]，因某些可转移负荷设备不能频繁启停，为防止用电设备转移为多个分散的时间段，对设备的转移时间和转移功率进行约束；

表示转移后设备的最小运行时间，

和

分别表示转移负荷量的下限值和上限值；

可平移负荷约束：

设可平移负荷的原用能时间区间为[t₃,t₄]，转移后的功耗范围为[t_3-,t₄₊]，可平移负荷的约束条件如下：

和

分别表示可平移负荷的下限值和上限值；

功率平衡约束：

进一步地，步骤(2)所述的日内滚动优化模型构建过程如下：

日内滚动优化的目标如下：

式中，t0为日内优化起始时刻；Δt是日内优化时间的粒度；d为优化周期数；Iq(t)是机组Q在时间T的启动和停止状态，是一个0-1变量；pq(t)是时间T时机组Q的罚款成本。

进一步地，步骤(2)所述的实时在线调度模型构建过程如下：

以PEI生产成本最低为目标函数：

F_TVPP表示整个调度周期内下层PEI的出力成本，t为当前运行时段；F_ge.j.t代表第j台小型燃气轮机的运行成本，F_w.t代表风机的发电成本，F_s.t代表光伏的发电成本，F_en.t代表段蓄电池的运行成本；

约束条件包括：

功率平衡约束：

燃气轮机的运行约束：

发电功率约束：

式中

代表第j台燃气轮机的发电功率的上限值；

燃气轮机的爬坡速率约束：

式中

和

代表第j台机组爬坡功率的下限和上限；

风机和光伏机组的出力约束：

式中

和

代表t时段风电机组实际出力的下限和上限，

和

代表t时间段光伏发电功率的下限和上限。

进一步地，所述步骤(3)实现过程如下：

在标准的ADMM算法中增加正则项以保证处理算子y、z时的收敛性，具体如下：

式中：μ>2，μ所在的二范数项为正则项；

构建了基于PSR-ADMM算法的通用分布式规划调度模型，用于解决电-热-气PEI的分布式优化问题：

建立电-热-气系统的增广Lagrange函数：

L＝L_e+L_h+L_g (27)

上式(27)、(28)、(29)分别是能量分配子问题、热力子问题和天然气子问题，式中：A、B、C、D对应可靠性、节能、经济性和环保性的分解指标；P(·)、U(·)它们分别表示每个子问题的耦合变量和协调变量，i代表PEI第i个耦合装置，耦合装置有热电联产装置、燃气轮机、电转气和电热锅炉。

与现有技术相比，本发明的有益效果为：相比于传统的优化调度方法，本发明基于运行态势虚拟推演，通过准确感知动态过程下PEI状态变化趋势，为精准调度提供支撑，从而提高运行调控的精确性和计算快速性，并支撑形成实时态势感知和超实时虚拟推演相结合的新型在线协调调度机制。

附图说明

图1为虚拟推演自适应流程图；

图2为园区“源-网-荷-储”态势推演典型应用图；

图3为PEI多时间尺度优化流程图；

图4为园区能源互联网算例结构示意图；

图5为模糊分时能源价格图；

图6为场景1、2电负荷优化情况对比图；

图7为场景1、2气负荷优化情况对比图；

图8为场景1、2热负荷优化情况对比图；

图9为各场景各指标得分及综合效益得分对比图；

图10为残差收敛曲线图；

图11为负荷侧日前-日内优化调度结果图；

图12为电源侧日前-日内优化调度结果图；

图13为负荷侧日前-日内-实时优化调度结果图；

图14为电源侧日前-日内-实时优化调度结果图；

图15为不同时间尺度负荷功率；

图16为不同时间尺度风机出力。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明提出一种基于运行态势虚拟推演的园区能源互联网在线调度方法，具体包括以下步骤：

步骤1：园区“源-网-荷-储”运行态势推演。

态势推演是通过挖掘“源-网-荷-储”信息数据集中潜在关系和操作规则的多维感知，对情况进行推断，而预测未来一定时期内的趋势变化规律，是在态势感知下实现监管的关键。PEI中的多元负荷变化模式复杂，规律不同。为了更准确地推断PEI情况，进行态势推演，需要构建全面、完善的预测流程，以满足实用化要求，其重要途径是构建自适应与自学习的态势推演策略，演绎策略根据应用对象和最新数据自动调整模型参数。

自适应的思想体现在人工神经网络中，它可以在没有外部控制的情况下创建独立的操作，并从自身故障、外部世界观察和经验中学习。当条件发生变化时，作出相应调整。把自适应思想引入到负荷预测中，采用反馈型预测，对最近时段内进行虚拟预测，将预测效果最佳的参数作为自适应过程模型参数，对未来负荷进行预测，构成预测闭环和反馈。

虚拟预测实现过程分为自适应训练和预测两环节，如图1所示，基本原则是根据默认参数的当前初始值在值范围内预先调整其他参数，若调整使虚拟推演结果更好，则接受调整，否则拒绝，如此循环直至参数最优值静止不变。首先，选取待预测日，即预测时域，并确定进行预测和虚拟推演的起止时间；然后，将相关预测和推演基础模型参数输入到预测推演模型，进行虚拟预测；其次，在开展虚拟预测过程中，根据历史数据实际值和推演值进行比较，优化调整模型参数，逐步提高精度，并降低计算时间；最后，将形成的虚拟推演预测模型用于日负荷预测，并将优化估计参数作为下一次优化的初始值，从而降低参数调整的计算复杂度，实现快速推演。

对于PEI“源-网-荷-储”运行态势推演而言，其基本特征是通过基于人工智能的决策指令控制物理实体的反馈。把在线监测、运行状态、外部环境等数据实时传送至PEI孪生模型，并应用深度学习等人工智能算法在模型中进行迭代优化和滚动预测，使园区“源-网-荷-储”独立预测未来运行状态，并利用实时交互闭环反馈给物理实体PEI系统，实现运行风险自主评估管理；将“源-网-荷-储”实时运行态势推断结果与潮流控制相结合，进行数字孪生仿真分析，驱动PEI实现自硬件条件调度和预调度，实现在线分析决策。具体态势推演应用如图2所示。

步骤2：基于预测精度随时域临近而提升的特点，构建日前离线调度模型、日内滚动优化模型和实时在线调度模型相结合的三阶段优化调度模型。

随着PEI内多类型网络耦合以及“源荷”互动不断加深，因此，PEI的在线安全状态难以实时识别，传统的物理机制建模方法难以解决大规模协调优化的“源网络负载存储”问题。基于PEI数字孪生系统，可以实时感知状态数据，并在支持离线仿真的基础上嵌入深度强化学习和迁移学习等人工智能算法。在线安全稳定状态智能评估和薄弱环节识别形成运行态势的虚拟演绎，数据驱动的优化方法可以不断与环境交互，自主学习形成最佳运行策略，增强PEI多环节协同运行的适应性，提高源负荷匹配度，促进可再生能源的利用。因此，将离线学习与在线决策相结合，可以有效提高“源-网-荷-储”在线决策的计算效率，最终实现主动在线分析和自主智能调节。为降低风电、光伏等可再生能源出力间歇性，负荷波动性等随机因素对PEI运行调度产生的影响，基于预测精度随时域临近而提升的特点，构建日前离线、日内调整与实时在线相结合的三阶段优化调度框架，如图3所示。

(1)日前离线调度模型。

优化前一天以1h为时间粒度，确定未来24h的机组出力和减负荷计划。根据产量预测、负荷预测和风能、光伏等可再生能源电价信息，提前一天建立最优离线可用性模型，以最大化PEI的日收入：

式中F₁表示PEI的全天总利润，△T表示优化时间粒度，T表示优化总时段数；t为当前时段；

表示PEI与用户的内部售电价格，由PEI运营商制定，

和P_t ^F别为PEI与电力供应商签订的购电电价及购电量，

和P_t ^S分别为PEI与实时市场交易的电价和电量，当PEI实时从市场购买电力时，P_t ^S为正；当它出售电力时，它是负的，F_cut.t、F_tr.t和F_sh.t分别代表可削减、可平移和可转换负荷的补偿成本；F_TVPP表示PEI总发电成本，与PEI的出力P_TVPP.t相关。

约束条件包括：

售电电价约束：

和

表示PEI用户售电电价的下限值和上限值，

表示PEI在一天之中的平均售电价，保证PEI的售电电价在一定范围内。

式中N₁表示一天之中可削减负荷的削减次数最大值，

和

表示可削减负荷削减量的下限值和上限值。

可转移负荷约束：

假设可平移负荷的初始运行周期为[t₁,t₂]，平移后的时间间隔为[t_1-,t₂₊]，因某些可转移负荷设备不能频繁启停，为防止用电设备转移为多个分散的时间段，对设备的转移时间和转移功率进行约束。

表示转移后设备的最小运行时间，

和

分别表示转移负荷量的下限值和上限值。

可平移负荷约束：

设可平移负荷的原用能时间区间为[t₃,t₄]，转移后的功耗范围为[t_3-,t₄₊]，可平移负荷的约束条件如下：：

和

分别表示可平移负荷的下限值和上限值。

功率平衡约束：

(2)日内滚动优化模型。

日内滚动优化以15min为时间粒度；根据最新的预测信息，必须对各机组的日生产计划进行优化和调整，以最大限度地降低系统的日运行成本和各机组启停的罚款成本。

在日内滚动优化过程中，根据预测时间更新可再生能源，如风能、太阳能和负荷数据。为避免因偏离日前调度计划而重复启动机组，请将机组启动和停止惩罚纳入系统运营成本，并创建一个日前优化模型，以最小化总成本。在满足系统运行约束的条件下，优化调整预测时域内各机组出力计划，但实际执行仅为控制时域内的运行计划。同时，按照优化时间粒度，即15min滚动更新预测时域和控制时域，根据更新的风电光伏出力、负荷滚动预测信息计算日内优化模型，形成滚动运行计划，并实施下次计划。经过反复迭代和更新，更新完成所有时间段的计划。日内滚动优化的目标如下。

式中：t0为日内优化起始时刻；Δt是日内优化时间的粒度；d为优化周期数；Iq(t)是机组Q在时间T的启动和停止状态，是一个0-1变量；pq(t)是时间T时机组Q的罚款成本。

(3)实时在线调度模型。

在实时在线优化阶段，主要是基于超短期“源荷”运行态势预测，来调整日内运行的偏差，以满足系统实际运行状态的时变要求。实时调整以5min为间隔，根据风电、光伏出力及负荷的实时预测信息，为了尽量减少下一时刻的设备调整总量，应制定基于MPC框架的日间运营计划。日内运行计划的每个期间都包含实时调整完成后的多个实时调整阶段，在一天内返回优化阶段，形成计划的下一部分，再通过实时调整新阶段优化时段出力并随时域滚动更新，形成系统最终出力计划。

求解日前离线调度模型后，可以得到以PEI收益最大为目标的优化结果，以满足上层调度结果中的PEI出力作为约束条件，目标函数的确定应以PEI生产成本最低为目标，即：

F_TVPP表示整个调度周期内下层PEI的出力成本，t为当前运行时段；F_ge.j.t代表第j台小型燃气轮机的运行成本，F_w.t代表风机的发电成本，F_s.t代表光伏的发电成本，F_en.t代表段蓄电池的运行成本。

可再生能源出力成本：

以风电机组的出力成本为例，发电成本F_w.t表达式如下：

风机发电成本由两部分组成，

代表风机实际的出力成本，

代表风机弃风惩罚的成本。式中P_w.t代表t时段风机的预测功率，

代表t时段风机实际的发电功率，

为实时市场的售电电价，发电△P_w.t表示t时段的弃风量。b_w为风机实际发电功率与发电成本的线性关系系数，与风电机组的发电特性有关。光伏发电成本同样由出力成本和弃光成本组成。

蓄电池发放电成本：

F_en.t＝a_en|P_en.t|²+b_en|P_en.t|+c_en (10)

式中P_en.t代表t时间段蓄电池电量，当P_en.t是正数时，蓄电池发电，当P_en.t是负数时，蓄电池储能，a_en、b_en和c_en为蓄电池功率参数，与蓄电池的耗量特性有关。

燃气轮机发电成本：

F_ge.j.t＝a_ge.jP_ge.j.t ²+b_ge.jP_ge.j.t+c_ge.j (11)

P_ge.j.t表示t时段第j台燃气轮机的发电功率，a_ge.j、b_ge.j和c_ge.j为第j台燃气轮机的发电耗量特性参数，与燃气轮机的性能和能耗有关。

约束条件包括：

功率平衡约束：

燃气轮机的运行约束：

发电功率约束：

式中

代表第j台燃气轮机的发电功率的上限值。

燃气轮机的爬坡速率约束：

式中

和

代表第j台机组爬坡功率的下限和上限。

风机和光伏机组的出力约束：

式中

和

代表t时段风电机组实际出力的下限和上限，

和

代表t时间段光伏发电功率的下限和上限。

蓄电池约束：

蓄电池的约束条件与储能设备约束条件一致。

步骤3：园区能源互联网在线优化调度解决方案。

为应对PEI复杂调度模型，现有研究主要采用集中式方法，忽略了电-热-气各子系统实际运行的信息交互过于频繁无法有效统一调度的问题，因此，本节提出了一种基于调节交替方向乘数法(PSR-ADMM)的分布式优化规划方法来解决上述问题，并研究了风能和光能等随机获取对PEI的影响，以形成最终的优化规划结果。

风光出力不确定性处理：对于风电、光伏输出随机性引起的系统功率平衡问题，采用概率有限规划理论将系统功率平衡以概率的形式表示，将概率模型转化为确定性表达式，如下所示：

由于风电光伏是随机变化的，因此可以将式(16)转化成概率形式为：

式中：β为置信水平。进行确定化处理，将其转化为：

式中：F_W,t(·)为t时段风电、光伏出力联合概率分布函数，可根据其出力随机变量

和

的概额率密度函数，可采用二分法求解，得到如下结果：

式中：

为F_W,t(·)的反函数。

通过上述式(18)转换为式(19)，功率平衡概率问题也转换成了不确定确定性优化问题。

模糊分时能源价格：根据税收问题，分时能源价格机制将每天24小时分为三类：高峰、平缓和低谷，相应的能源价格依次下降，激励用户自主“削峰填谷”。常规峰谷平分时能源价格为固定价格，可借鉴模糊数学理论增加分时能源价格在峰平谷不同类别中的变化频率，形成每小时价格不同的分时电价，即模糊分时能源价格，通过精细化定价激励用户积极参与响应，提升削峰填谷效益。

模糊分时能源定价的具体方法如下：

根据报价；“电热”对于不同的负荷曲线，每个周期的峰值隶属度由半梯形模糊隶属度函数确定，以转换“电热”。每个负荷曲线上的每个点属于峰值下降周期的概率的数学表达式为：：

上式为偏大半梯形隶属度函数，m和n分别为负荷上限和下限；δ(t)——负荷曲线中时段t负荷值。

每个周期分为四种类型：高峰期、高峰期、平谷期和低谷期。每种时段的持续时间至少为2小时。

应为每种类型的期限确定基本价格。时段内每小时的能源价格在预设的基价上波动，其波动可以描述述为高斯隶属度函数：

式中：r为四类分类数；a_r、b_r、c_r分别为高斯隶属度函数的系数。

根据各期基本能源价格和能源价格波动函数，确定模糊分时能源价格的数学模型如下：

式中：C_f(t)、C_fp(t)、C_pg(t)、C_g(t)分别是高峰时段、高峰平时段、平谷时段和低谷时段的模糊分时能源价格；C_base,f、C_base,fp、C_base,pg、C_base,g分别是四个时段能源价格的基础；F_f(t)、F_fp(t)、F_pg(t)、F_g(t)分别是四个时段能源价格的波动函数。

基于PSR-ADMM算法的通用分布式调度模型：上述含IDR的园区能源互联网优化调度模型通常采用集中式方法统一计算，仅适合单一的能源系统，对于各能源子系统相互独立且互联的PEI的优化调度并不适用，因此，采用分布式算法求解考虑模糊分时能源价格的PEI优化调度问题。

ADMM思想引入协调变量U来解耦子系统之间的耦合关系，可以有效地解决具有相同特征的单个区域或多区域分布优化问题。它的标准形式为：

式中：x、y、z分别是可分离算子；A、B、C为参数；

分别是其各自的目标函数；X、Y、Z分别为三个可分算子的变量集；

为引入Lagrange乘子λ的和迭代步长ρ的增广Lagrange函数。

ADMM标准形式的求解步骤为：

上述公式表明，在第k+1次迭代中，算子y、z计算不公平，标准的ADMM算法难以保证收敛，对此，增加正则项以保证处理算子y、z时的收敛性，具体如下：

式中：μ>2，μ所在的二范数项为正则项。

在上述算法的基础上，构建了一个基于PSR-ADMM算法的通用分布式规划调度模型，用于解决电-热-气PEI的分布式优化问题。首先，由该算法建立电-热-气系统的增广Lagrange函数：

L＝L_e+L_h+L_g (27)

具体的求解流程如下：

1)初始化协调变量

Lagrange乘子λ和迭代次数k＝0；

2)开始第k+1次迭代，最小化电力子问题式为(2-30)，求解得到：

3)更新协调变量和Lagrange乘子：

式中：

分别表示电-热-气组合系统中第i个耦合装置耦合装置的耦合变量，需要在实际处理过程中进行能效转换；n(i)代表第i个耦合装置内耦合设备中耦合系统的数量，如电热耦合设备电热锅炉，在协调变量更新中n(i)取2，

取0。

4)最小化热力子问题式(33)，在求解时添加正则项，得到：

5)最小化天然气子问题式(34)，在求解时添加正则项，得到：

6)更新协调变量和Lagrange乘子：

7)若满足：

认为在该迭代中得到了最优规划方案，式中P_i ^k+1代表第i个耦合装置在各子系统中第k+1次迭代的耦合变量，

是是对应于耦合变量的协调变量；ε₁、ε₂分别是耦合残差和原始残差，σ_p、σ_d是相对停止阈值；否则，回到2)继续迭代计算。

为验证模糊分时能源价格对于PEI优化运行效果的影响，共设置3种典型场景，都考虑价格型综合需求响应，场景如下：

场景1：以运行成本最小为目标，考虑分时能源价格；

场景2：以运行成本最小为目标，考虑模糊分时能源价格。

场景3：基于可靠性、节能性、经济性和环保性的多目标模型，考虑模糊分时能源价格。

开展园区能源互联网离线优化及在线调度算例分析的系统结构如图4所示，其中，左上部分为电网络，左下部分为供气网络，右边部分为热网路。

模糊分时能源价格：以冬季典型日负荷数据为基础，计算峰谷隶属度值，以分时电价为例，得到峰谷隶属度如表1所示。

表1电价峰谷隶属度

然后利用计算所得到的峰谷隶属度值，对每个时段进行分类，得到下面4中分类结果，如表2所示。

表2电价时段划分

最后，结合公式(38)中定义的模糊分时能源价格模型，按24小时和1小时时间划分的能源分时模糊价格如图5所示，与传统分时峰谷电价相比，模糊分时电价的时间粒度更小，根据峰谷波动变化更为灵活，其变化走势可跟踪负荷曲线灵活调整，从而进一步引导用户“削峰填谷”挖掘调节潜力。

园区能源互联网多场景优化结果分析：PEI电-气-热负荷联合优化情况如图6、图7所示。比较表明，在模糊价格的基础上，场景2负荷转移力度有明显提升，在用电高峰时段17-20h场景2平均削减幅度达3.61％，通以高电价降负荷，以低电价增负荷，同时实现削峰填谷，也节约了用电成本；在峰时段15-18h，场景2的天然气消耗量远低于场景1，平均下降4.42％。需求被转移到平谷期的其余部分，以达到与天然气需求方面的能量负荷相同的调峰和填充效果，热负荷需求分布也得以明显改善。此外，通过图8对比分析，场景1的日调度周期内总成本为1.82万元，场景2为1.74万元，占总成本的4.23％，考虑到对模糊分时能源价格需求的综合响应，不仅可以缩小系统谷的峰谷差距，而且可以显著提高经济效益。

对三个场景进行多维评价，得到不同场景下的PEI优化运行的综合效益，如图9所示。由图9中可以看出，综合效益得分排名场景3>场景2>场景1，场景1和场景2均是以运行成本最小为目标函数，其经济性指标相对场景3都较高，且由于经济性指标权重占比较高因此其综合效益得分没有被场景3拉开差距；而考虑多目标优化的场景3在除了经济性指标的其他指标上的得分均最高，弥补了其在经济性指标上的差距，其综合效益最好。由此可以得出，综合考虑多个目标的优化调度方法能够实现PEI的最优运行。

图10显示了PSR-ADMM算法的残差收敛对数曲线，可以注意到，虽然原始残差在27次满足收敛要求，但偶残差尚未满足收敛要求。为了验证所提方法的有效性，对分布式算法和集中式算法的优化结果进行了对比分析，如表3所示。可以看出，与分布式算法相比，集中式算法的计算性能明显不足。与改进的ADMM算法相比，由于本文所提算法求解时添加了正则项，该算法减少了迭代次数，提高了收敛速度，从而验证了PSR-ADMM算法的计算性能，在求解电-热-气PEI分布式最优潮流时，得到正确且快速收敛的最优解。

表3分布式与集中式优化结果对比分析

不同时间尺度的调度结果分析：在日内调度阶段，风机出力和负荷预测功率的预测精度与日前相比有明显提高，为了适应预测精度的变化，必须在日前调度的基础上重新调整日内可变单元。在实时调度中，同样需要改变电源侧分布式机组出力和可削减2类负荷以满足系统的供需平衡，设计了3种调度模型进行对比分析。

调度模型1：日前调度模型。每小时调度一次，全天共24个调度时段，综合调度虚拟电厂中需求侧和电源侧的各个组成单元，确定价格型需求响应和激励型需求响应中可转移负荷和可平移负荷的调度量，还有常规机组的启停计划和储能设备的出力和调用状态。

调度模型2：日前-日内调度模型。每15min优化一次，全天共96个调度时段，在调度模型1基础上，日内阶段进一步确定1类和2类可削减负荷的控制量，以及风电机组和常规机组中调节能力欠佳的机组，并基于日前结果对比分析，对日内结果进行修正。

调度模型3：日前-日内-实时调度模型。优化时间粒度取每5min，全天共288个调度时段，对日前-日内调度结果进行修正，得出可削减2类负荷的调度量和风机与常规机组的出力。

根据模型1的调度结果，设日前-日内优化调度置信度为：β₂＝0.95，γ₂＝0.95。日前-日内-实时调度模型的置信度为：β₃＝0.98，γ₃＝0.98。模型2的调度结果如图11和图12所示。在日内调度中共分为96个时段，1类可削减负荷在24-37时段，即早高峰时段接虚拟电厂的调度削减负荷，随后在43-86时段，下午和晚上削减部分负荷。2类可削减负荷在32-36、45-55、以及67-85三个高峰时段中，即早高峰、午高峰和晚高峰时段接受削减。在上述高峰时段中，用户用电量较大，削减负荷可以节约电力资源，缓和高峰时段供电紧张的状态，维持电力系统的平衡。日内电源侧调度中，蓄电池出力与日前一致，常规机组的启停状态不变，风机出力以日内时间尺度上风机的最新预测数据为基准进行调度，为了维持系统供需平衡，常规机组的出力随着风机最终的出力而改变调度结果。

日前-日内-实时三个时间尺度调度后的结构如图13和图14所示。可知，风电、光伏以及负荷预测误差的存在，由此形成的日前-日内优化调度的机组组合方案不能满足PEI内供需平衡约束，为了保障重要负荷供应，实时调度计划在必要时可以进入后续时段尚未执行的日前调度计划。在实时调度阶段，负荷侧只有2类可削减负荷接受调度，分别在94-102、133-168、201-245时段中接受调度，切断用户端用电负荷。在日内和实时调度中，1类可削减负荷和2类可削减负荷都可以在用电高峰期和电源侧供应不足的情况下响应，但2类可削减负荷调度费用较高，可在控制中心的调度下快速切断负荷，响应速度快且不存在不确定性，继续应用在实时调度中，当其他受控负载无法满足系统和备用功率平衡要求时，可以继续降低负载。除负荷峰值避免功能外，2级减负荷还可用作备用，以在小时间尺度上稳定风能波动，减少常规机组的启停次数，保持系统运行供需平衡，保障重要负荷的供电。

随着风电预测精度提升，有助于降低满足系统运行约束下的可控“源-荷-储”资源的配置需求。在传统调度策略中，为避免日内、实时的调度结果与日前调度状态的差异，在制定日前调度计划时设置较大的2台增速较快的常规机组作为旋转备用，以确保有充足的备用保证负荷的供应。在三个不同时间尺度调度中，蓄电池的调度计划是一致的，和日前调度阶段一致。常规机组是可控机组，确定启动和停止状态时，为了维持虚拟电厂的供需平衡，随着不同时间尺度中风机的出力而变化。随着时间的逼近，风电预测准确度提高，风电的预测误差降低，系统的稳定性增加，能够更精确的满足系统约束条件，维持发电侧和负荷侧的配置需求。

不同时间尺度下调度后的负荷出力对比如图15所示，在负荷调度中，以实时调度结果为准，日内调度与实时调度结果相差不大，日前调度结果与实时负荷功率有一些差异，主要原因在于不同时间尺度的负荷预测功率的误差以及可削减负荷调度的差异性。风机在不同时间尺度的出力如图16所示，风机出力与负荷调度结果相似，相较于日前和日内调度，实时调度中的风机出力有一些微小变动，实时调度可以减小由于预测值本身带来的误差，有利于可再生发电的消纳，提高系统的稳定性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。