+

CN118536741A - 基于混合碳交易机制的风火储系统分布鲁棒优化调度方法 - Google Patents

基于混合碳交易机制的风火储系统分布鲁棒优化调度方法 Download PDF

Info

Publication number
CN118536741A
CN118536741A CN202410593078.2A CN202410593078A CN118536741A CN 118536741 A CN118536741 A CN 118536741A CN 202410593078 A CN202410593078 A CN 202410593078A CN 118536741 A CN118536741 A CN 118536741A
Authority
CN
China
Prior art keywords
wind
power
carbon emission
cost
storage system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410593078.2A
Other languages
English (en)
Inventor
王刚
吴越栋
赵毅
叶鹏
杨冬锋
孙峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Engineering
Original Assignee
Shenyang Institute of Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Institute of Engineering filed Critical Shenyang Institute of Engineering
Priority to CN202410593078.2A priority Critical patent/CN118536741A/zh
Publication of CN118536741A publication Critical patent/CN118536741A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于混合碳排放权交易机制的风火储系统分布鲁棒优化调度方法。构建以短期碳排放权交易和长期碳排放权交易结合的混合阶梯式碳排放权交易机制，以成本和碳排放量最小为优化目标，通过Wasserstein度量构造模糊集，提出风火储系统改进分布鲁棒优化调度模型。通过实际案例的多场景对比分析，结果表明所提方法可更好的应对大规模风电接入时的不确定性，有效降低运行成本与碳排放量。

Description

基于混合碳交易机制的风火储系统分布鲁棒优化调度方法
技术领域
本发明涉及电力系统优化调度技术领域，具体涉及一种基于混合碳交易机制的风火储系统分布鲁棒优化调度方法。
背景技术
近年来，环境恶化和能源紧缺的双重压力，使新能源发电特别是风力发电已经进入了高速发展阶段，预计到2030年，我国风电总装机容量将超过12亿千瓦，装机占比突破50％。但是，伴随着风力发电比例的不断提高，风力发电功率的不确定将使电源端的柔性调控容量难以适应负载的动态变化，从而引发的新能源(如风力发电)消纳问题日益凸显。目前以水、火、储等可调控源端为主体的多能互补模式为主，抽储是目前及今后新能源体系发展的最优调控模式，但在多源电网协同下，如何更好地抑制风力发电的不确定因素，同时兼顾低碳经济，是目前亟需解决的关键问题。
现有技术存在以下不足：
传统技术现在主要采用多能互补等可调电源侧，实现平抑风电波动与瞬时变化，而如何进一步在电力系统中缓解风电不确定性并兼顾低碳效益是当前面临的重要挑战。而传统的碳排放权交易机制的引入虽然可有效降低联合系统的碳排放量，但是碳消耗仍存在碳排放责任难以分摊，各个主体参与碳排放意愿不强等问题。
发明内容
本发明的目的是提供一种基于混合碳交易机制的风火储系统分布鲁棒优化调度方法，以解决上述问题。
为实现上述目的，本发明采用如下方案，包括以下步骤：
S1：建立一种基于混合碳排放权的交易机制；
S2：建立考虑风电不确定性的机组组合模型，将S1中的基于混合碳排放权交易机制加入机组组合模型；
S3：通过Wasserstein度量构造模糊集，优化S2中的机组组合模型，提出改进分布鲁棒优化调度模型。
作为本发明的一种优选方案，
步骤S1中，一种基于混合碳排放权的交易机制如下：
S1.1：建立碳排放短期奖惩机制；以风火储系统为碳排放量单位，根据火电机组等的发电量和耗电量，风火储系统的碳排放量和碳排放配额的具体公式如下：
式中表示单位对外购电的碳排放量； 风火储系统的碳排放量和碳排放配额；风火储系统的购买电量；风电机组发电量；ηbuy、ηre单位可再生能源发电和单位对外购电的碳排放配额； 每个单位的购电和售电；储能设备充放电功率；
建立碳消耗成本阶梯型实时模型，如下：
式中：为碳消耗成本表达式；为碳消耗价格奖惩系数；L为碳消耗的碳排放范围；式(4)表示风火储系统的碳消耗成本，这表明大量的碳排放将导致高碳消耗成本；
S1.2：建立长期碳排放长期奖惩机制；基于风火储系统对碳减排的长期评估，调整下一个碳排放评估周期的外部购销电价；
风火储系统在下一个碳排放评估周期的外部购销电价具体公式如下：
式中； 调整后的对外购销价格； 未经调整的对外购销价格；εs、εb电价奖惩系数；△λt未经调整的对外电价之差；γexpect评估指标的实际水平和评估指标的预期水平；Di碳排放评估期；
式(5)、式(6)分别保证电网公司对外销售、对外采购价格的调整；式(7)定义了风火储系统的实用评价指标；式(8)表示未经调整的对外销售价格与对外采购价格之差。
作为本发明的另一种优选方案，
步骤S2中，具体包括以下步骤：
S2.1：建立考虑风电不确定性的机组组合模型；
风电机组输出功率偏差的不确定性样本集表示为δ＝{δ1,δ2,…,δK}；风电机组实际输出功率、规划输出功率与风电机组输出功率预测偏差之间的定量关系如下：
式中，K为风电机组输出功率偏差样本数，为第w台风电机组在t时刻的实际输出功率，为规划输出功率，δw,t为输出偏差功率；
建立考虑风电不确定性的机组组合模型包括两个阶段，第一阶段为得到风电机组实际输出力，第二阶段为实现火电机组、储能、可中断负荷的再调度；所述总目标函数表达式如下：
式中，F(x)为第一级系统运行成本，表示不考虑风力机不确定性的总成本；f(x,δ)为第二级调度成本，表示受风力机不确定性影响的再调度成本；P为风电预测偏差的真实概率分布，F为风电预测偏差概率分布的模糊集；是火电机组二元变量的矢量形式；表示长短期碳排放权交易成本； 和是火电机组的状态、启动和停机变量；表示系统处于工作状态，表示系统处于非工作状态；
S2.1.1：第一阶段目标函数
第一阶段目标函数以极端情况下的总成本最小化为目标；
第一阶段目标函数以一天内火电机组、储能和可中断负荷的计划出力作为连续决策变量，储能充电考虑负出力；
第一阶段目标函数以火电机组一天内的二元变量作为离散决策变量；
系统第一阶段的费用如下：
F(x)＝fthe+fcut+fbat (11)
式中fthe，fcut和fbat分别为热机、可中断负荷和储能的总成本；
(1)热力发电机组总成本的表达式为；
式中Ch,t(Ph,t)为第h个热机组在t时刻的运行费用，可拟合为Ph,t的二次函数；ai，bi和ci都是成本系数；和分别表示启动和关闭成本；
(2)可中断负荷的总成本表达式为：
Cn,t＝anλt (15)
式中Pn,t为第n个母线在t时刻的减载量，Cn,t为减载补偿价格，an为补偿系数，λt为时变电价；
(3)储能总成本表达式为：
式中，和分别为第m个储能系统在t时刻的放电和充电功率，为充电成本系数，为放电收益系数，η为储能系统的充放电效率；
S2.1.2第二阶段目标函数
在接收风电机组实际输出后，实现火电机组、储能、可中断负荷的再调度计划，将S1中的混合碳排放权交易机制加入再调度计划；
第二阶段目标函数以低碳性为目标；
系统第二阶段费用如下所示：
式中f(x,δ)为当风电机组输出偏离时系统内资源需要消除其对系统功率平衡的不利影响产生的重调度成本；式(17)对重调度成本期望在模糊集内进行最小化；式中 分别为火电机组、可中断负荷、储能的再调度成本；与式(4)、式(5)形式相同，与式(6)、式(7)形式相同，与式(8)形式相同；将第二级成本系数设为第一级成本系数的两倍，表明在特定情况下，处理风电机组输出功率偏差的各部件再调度成本相对于一般情况下的调度成本有所扩大；
系统第二阶段费用中长短期碳排放权交易成本如下所示:
式中表示长期碳排放权交易价格，长期碳排放权交易价格通过一个周期的评估，根据购售电情况，得到评估指标的实际水平，根据评估指标的期望值，得到最后长期碳排放权交易成本；
S2.2:约束条件
在定义的风电机组输出功率不确定性模型中，应满足以下约束条件：
(1)功率平衡约束
式中为负载功率；
(2)火电机组约束
其中Ph,max和Ph,min分别为最大和最小输出功率；
其中ρ为热备系数；
(3)风力发电机输出功率约束：
其中是最大输出；
(4)可中断负载约束：
式中为时刻t时第n个节点的最大过载功率；
(5)储能约束：
式中为充放电功率上限；
(6)潮流安全约束：
式中Pl,t为第I支路在t时刻的线路功率，和分别为线路功率的上限和下限；Gl-h、Gl-w、Gl-m和Gl-n分别为线路与火电、线路与风电、线路与储能、线路与负荷电转移分配系数。
作为本发明的第三种优选方案，步骤S3中，具体包括以下步骤：
S3.1：对数据驱动的模糊集进行预处理
设δ＝{δ1,δ2,…,δK}为样本集，则F定义为式(30)；P0(δ)为风电预测偏差的完全概率分布集；gr(δ)为分段线性函数，γr为分段常数；
其中δmax和δmin分别为δ的上、下边界值；式(30)的第二行表示风力机输出功率偏差的期望值为0.40，式(30)的第三行表示δ的极限；
(30)的第四行写成式(31)：
EP[gr(δ)]＝EP[max(δw,t,r-Cw,t,r,0)]≤γr (31)
其中r为段数，设r＝3；Cw,t,r是段截止常数；为了方便gr(δ)的计算，引入辅助变量σ作为gr(δ)的上界；
对原模糊集F进行扩展，得到扩展模糊集Q：
其中Q定义了δ和σ的一组联合概率分布，用PC表示；二维集合S表示二维变量(δw,t,r,σw,t,r)的边界以及δw,t,r与σw,t,r之间的关系；式(33)的第二个方程表明，函数gr(δw,t,r)受到辅助变量σw,t,r的限制；只需满足式(32)中的第四个方程即可满足式(30)中的第四个方程；(33)中的第三个方程表明，在极端情况下，辅助变量σw,t,r受gr(δw,t,r)的限制；
S3.2：基于Wasserstein度量的模糊集构造
经验分布PK由δ＝{δ1,δ2,…,δK}得到，如(34)所示：
其中dk是δK的狄利克雷测度；K为风电偏差的样本个数，以PK为Q的中心，Q尽可能的包含P；P与PK之间的“距离”采用Wasserstein度量，其中P与PK应满足以下关系：
Wasserstein距离定义如下：
式中ξK和ξ分别为服从PK和P的随机变量；∏为ξK与ξ的联合分布；|| ||表示1-范数；
基于Wasserstein度量的模糊集Wδ表示为：
其中基于Wasserstein度量的模糊集Wδ以PK为中心，R(K)为半径；结合置信度为1/4的置信水平，控制DRO模型优化结果的保守性；
S3.3：对目标函数进行强对偶变换
利用强对偶变换将目标函数中的分布鲁棒部分转化为求解最小值的形式，结果表示为式(38)：
其中，λ为对偶变量，vk为中间辅助变量；
采用以下数学方法解决“vk和二次约束随着K的增加而增加，在巨大的样本量下计算解决成本较高”的问题：
式(38)和式(39)满足如下关系：
式中f'(x,δmax)表示f对δ的导数；由(40)可知(39)是(38)的近似上界；式(39)没有随着k的展开增加vk和二次约束，因此计算有利，优化结果一致。
本发明的有益效果：
本申请提出一种基于混合碳交易机制的风火储系统分布鲁棒优化调度方法；首先提出一种以短期碳排放权交易和长期碳排放权交易结合的混合阶梯式碳排放权交易机制，再建立考虑风电不确定性机组组合模型，以成本和碳排放量最小为优化目标；最终通过Wasserstein度量构造模糊集，提出风火储系统改进分布鲁棒优化调度模型；本发明所提出的调度方法可更好的应对大规模风电接入时的不确定性，有效降低运行成本与碳排放量。
附图说明
图1为本发明实施提供的一种基于混合碳交易机制的风火储系统分布鲁棒优化调度方法的流程图。
图2为全年用电负荷情况示意图。
图3为验证本发明实际效果所设置场景一的机组优化出力结果示意图。
图4为验证本发明实际效果所设置场景二的机组优化出力结果示意图。
图5为验证本发明实际效果所设置场景三的机组优化出力结果示意图。
图6为验证本发明实际效果所设置场景四的机组优化出力结果示意图。
具体实施方式
本发明采用如下方案，包括以下步骤：
S1：建立一种基于混合碳排放权的交易机制；
S2：建立考虑风电不确定性的机组组合模型，将S1中的基于混合碳排放权交易机制加入机组组合模型；
S3：通过Wasserstein度量构造模糊集，优化S2中的机组组合模型，提出改进分布鲁棒优化调度模型。
作为本发明的一种优选方案，
步骤S1中，一种基于混合碳排放权的交易机制如下：
S1.1：首先短期碳排放权交易主要是采用以碳排放许可为基础的碳排放权交易机制；随着碳配额市场的发展，电力用户可以逐步纳入碳配额市场；无偿分配的方式通常被监管机构用于向微电网和其他能源系统发放初始碳排放配额；根据碳排放系数可以估算出实际的碳排放量；以政府发放的碳排放许可为基础，实现对碳排放的短期长期分时段奖惩，控制碳排放；建立碳排放短期奖惩机制；以风火储系统为碳排放量单位，根据火电机组等的发电量和耗电量，风火储系统的碳排放量和碳排放配额的具体公式如下：
式中表示单位对外购电的碳排放量； 风火储系统的碳排放量和碳排放配额；风火储系统的购买电量；风电机组发电量；ηbuy、ηre单位可再生能源发电和单位对外购电的碳排放配额； 每个单位的购电和售电；储能设备充放电功率；
建立碳消耗成本阶梯型实时模型，如下：
式中：为碳消耗成本表达式；为碳消耗价格奖惩系数；L为碳消耗的碳排放范围；式(4)表示风火储系统的碳消耗成本，这表明大量的碳排放将导致高碳消耗成本；
S1.2：建立长期碳排放长期奖惩机制：
长期碳排放权交易主要是由于短期碳排放权交易机制成本相对固定，对一些碳排放企业没有长期的吸引力；因此，提出了一种长期奖惩机制，即基于风火储系统对碳减排的长期评估，设定相应的奖惩机制，即根据每个风火储系统在最近一个碳排放评估周期内的累计碳排放量，根据式(5)-(8)确定下一个碳排放评估周期外部电价的相应调整；考虑到电网和碳消耗市场之间的耦合，提出了基于碳排放量的风火储系统定期评估机制；
以风火储系统在各评价期的累计碳排放量作为评价指标，基于风火储系统的消费和生产信息，可以对风火储系统的碳排放进行分析；在一个评估周期内，如果评估指标达到预期水平，则下一个评估周期的外部销售价格降低，外部采购价格增加；反之，如果考核指标不符合要求，对外购销价格也会不符合要求；这样可以实现对风火储系统碳排放的长期奖惩，也可以导致经济与碳排放之间的权衡；
基于风火储系统对碳减排的长期评估，调整下一个碳排放评估周期的外部购销电价；
风火储系统在下一个碳排放评估周期的外部购销电价具体公式如下：
式中； 调整后的对外购销价格； 未经调整的对外购销价格；εs、εb电价奖惩系数；△λt未经调整的对外电价之差；γexpect评估指标的实际水平和评估指标的预期水平；Di碳排放评估期；
式(5)、式(6)分别保证电网公司对外销售、对外采购价格的调整；式(7)定义了风火储系统的实用评价指标；式(8)表示未经调整的对外销售价格与对外采购价格之差。
作为本发明的另一种优选方案，
步骤S2中，具体包括以下步骤：
S2.1：建立考虑风电不确定性的机组组合模型；
风电机组输出功率偏差的不确定性样本集表示为δ＝{δ1,δ2,…,δK}；风电机组实际输出功率、规划输出功率与风电机组输出功率预测偏差之间的定量关系如下：
式中，K为风电机组输出功率偏差样本数，为第w台风电机组在t时刻的实际输出功率，为规划输出功率，δw,t为输出偏差功率；
建立考虑风电不确定性的机组组合模型包括两个阶段，第一阶段为得到风电机组实际输出力，第二阶段为实现火电机组、储能、可中断负荷的再调度；所述总目标函数表达式如下：
式中，F(x)为第一级系统运行成本，表示不考虑风力机不确定性的总成本；f(x,δ)为第二级调度成本，表示受风力机不确定性影响的再调度成本；P为风电预测偏差的真实概率分布，F为风电预测偏差概率分布的模糊集；是火电机组二元变量的矢量形式；表示长短期碳排放权交易成本； 和是火电机组的状态、启动和停机变量；表示系统处于工作状态，表示系统处于非工作状态；
S2.1.1：第一阶段目标函数
第一阶段目标函数以极端情况下的总成本最小化为目标；
第一阶段目标函数以一天内火电机组、储能和可中断负荷的计划出力作为连续决策变量，储能充电考虑负出力；
第一阶段目标函数以火电机组一天内的二元变量作为离散决策变量；
系统第一阶段的费用如下：
F(x)＝fthe+fcut+fbat (11)
式中fthe，fcut和fbat分别为热机、可中断负荷和储能的总成本；
(1)热力发电机组总成本的表达式为；
式中Ch,t(Ph,t)为第h个热机组在t时刻的运行费用，可拟合为Ph,t的二次函数；ai，bi和ci都是成本系数；和分别表示启动和关闭成本；
(2)可中断负荷的总成本表达式为：
Cn,t＝anλt (15)
式中Pn,t为第n个母线在t时刻的减载量，Cn,t为减载补偿价格，an为补偿系数，λt为时变电价；
(3)储能总成本表达式为：
式中，和分别为第m个储能系统在t时刻的放电和充电功率，为充电成本系数，为放电收益系数，η为储能系统的充放电效率；
S2.1.2第二阶段目标函数
在接收风电机组实际输出后，实现火电机组、储能、可中断负荷的再调度计划，将S1中的混合碳排放权交易机制加入再调度计划；
第二阶段目标函数以低碳性为目标；
当风电机组输出偏离时，系统内资源需要消除其对系统功率平衡的不利影响，产生重调度成本f(x,δ)；由于δ的真实概率分布是未知的，在极端情况下的重新调度成本期望需要在模糊集内最小化；
系统第二阶段费用如下所示：
式中f(x,δ)为当风电机组输出偏离时系统内资源需要消除其对系统功率平衡的不利影响产生的重调度成本；式(17)对重调度成本期望在模糊集内进行最小化；式中 分别为火电机组、可中断负荷、储能的再调度成本；与式(4)、式(5)形式相同，与式(6)、式(7)形式相同，与式(8)形式相同；将第二级成本系数设为第一级成本系数的两倍，表明在特定情况下，处理风电机组输出功率偏差的各部件再调度成本相对于一般情况下的调度成本有所扩大；
系统第二阶段费用中长短期碳排放权交易成本如下所示:
式中表示长期碳排放权交易价格，长期碳排放权交易价格通过一个周期的评估，根据购售电情况，得到评估指标的实际水平，根据评估指标的期望值，得到最后长期碳排放权交易成本；
S2.2:约束条件
在定义的风电机组输出功率不确定性模型中，应满足以下约束条件：
(1)功率平衡约束
式中为负载功率；
(2)火电机组约束
其中Ph,max和Ph,min分别为最大和最小输出功率；
其中ρ为热备系数；
(3)风力发电机输出功率约束：
其中是最大输出；
(4)可中断负载约束：
式中为时刻t时第n个节点的最大过载功率；
(5)储能约束：
式中为充放电功率上限；
(6)潮流安全约束：
式中Pl,t为第I支路在t时刻的线路功率，和分别为线路功率的上限和下限；Gl-h、Gl-w、Gl-m和Gl-n分别为线路与火电、线路与风电、线路与储能、线路与负荷电转移分配系数。
作为本发明的第三种优选方案，步骤S3中，具体包括以下步骤：
S3.1：对数据驱动的模糊集进行预处理
设δ＝{δ1,δ2,…,δK}为样本集，则F定义为式(30)；P0(δ)为风电预测偏差的完全概率分布集；gr(δ)为分段线性函数，γr为分段常数；
其中δmax和δmin分别为δ的上、下边界值；式(30)的第二行表示风力机输出功率偏差的期望值为0.40，式(30)的第三行表示δ的极限；
gr(δ)是一个分段线性函数，它可以通过分段来细化不确定性集δ的每个元素；该函数相当于原始不确定性集的展开，因此在进行计算时更容易在相应的分段区间内找到真实的风力机输出功率的偏差量；可以得到更接近真实概率分布的信息，从而降低了计算的保守性；
式(30)的第四行写成式(31)：
EP[gr(δ)]＝EP[max(δw,t,r-Cw,t,r,0)]≤γr (31)
其中r为段数，设r＝3；Cw,t,r是段截止常数；为了方便gr(δ)的计算，引入辅助变量σ作为gr(δ)的上界；
对原模糊集F进行扩展，得到扩展模糊集Q：
其中Q定义了δ和σ的一组联合概率分布，用PC表示；二维集合S表示二维变量(δw,t,r,σw,t,r)的边界以及δw,t,r与σw,t,r之间的关系；式(33)的第二个方程表明，函数gr(δw,t,r)受到辅助变量σw,t,r的限制；只需满足式(32)中的第四个方程即可满足式(30)中的第四个方程；(33)中的第三个方程表明，在极端情况下，辅助变量σw,t,r受gr(δw,t,r)的限制；
S3.2：基于Wasserstein度量的模糊集构造
在实践中，δ的P不能精确地推导出来，经验分布PK由δ＝{δ1,δ2,…,δK}得到，如(34)所示：
其中dk是δK的狄利克雷测度；K为风电偏差的样本个数，以PK为Q的中心，Q尽可能的包含P；P与PK之间的“距离”采用Wasserstein度量，其中P与PK应满足以下关系：
Wasserstein距离定义如下：
式中ξK和ξ分别为服从PK和P的随机变量；∏为ξK与ξ的联合分布；|| ||表示1-范数；
基于Wasserstein度量的模糊集Wδ表示为：
其中基于Wasserstein度量的模糊集Wδ以PK为中心，R(K)为半径；结合置信度为1/4的置信水平，控制DRO模型优化结果的保守性；
S3.3：对目标函数进行强对偶变换
为了求解目标函数，需要利用强对偶变换将目标函数中的分布鲁棒部分转化为求解最小值的形式；结果用式(38)表示；因此，可以将它与最外解最小值结合起来解决问题；
其中，λ为对偶变量，vk为中间辅助变量；
式(38)中由目标函数的强对偶变换形成的二次约束在巨大的样本量下具有相当大的局限性；由于vk和二次约束随着K的增加而增加，在巨大的样本量下导致很高的计算解决成本；采用了以下数学方法克服上述问题：
式(38)和式(39)满足如下关系：
式中f'(x,δmax)表示f对δ的导数；由(40)可知(39)是(38)的近似上界；式(39)没有随着k的展开增加vk和二次约束，因此计算有利，优化结果一致。
为验证所提优化模型的有效性，选择的仿真对象设备主要包含风电，储电设备和3台火电机组等，采用Cplex对模型进行仿真求解。机组参数及其他参数如下表：
表1火电机组参数
Table 1 Unit Parameters
表2储能设备参数
Table 1 Parameters of Energy Storage Euipment
为了减少模型数据量，可将代表日方法应用于获取代表全年用电负荷情况的数据，采用基于密度聚类(Density-Based Spatial Clustering of Applications withNoise,DBSCAN)方法与K-MEANS聚类算法相结合的方式进行全年负荷数据的生成与削减；首先，采集电负荷历史数据，在此基础上，利用DBSCAN密度聚类技术对电力系统进行了预处理，剔除了电网中出现的非正常或低概率电负荷；然后，考虑到电力负荷的时序性和周期性，将其分解为电力负荷情景抽取；通过聚类后对典型日负荷曲线进行四种不同调度方案的对比分析，对全年用电负荷情况进行DBSCAN密度聚类，全年用电负荷情况如图2所示。
为了验证基于改进分布鲁棒优化的调度模型的有效性，将其与其他场景在经济性和安全性方面进行了比较；其中，经济效率用系统在不同模式下的总经济成本(火电机组启停成本、火电机组发电成本、弃风罚成本、风电成本、储能成本)来衡量；安全措施决定调度模型的备用容量是否满足所需的备用容量。
为验证引入碳交易机制的优势，并考虑不确定参数波动给总成本带来的影响，设定分布鲁棒优化模糊集置信度水平为0.95。设置4个不同场景：
表3设置4个不同场景Table 3Set up 4different scenes
经过优化计算，在基于改进分布鲁棒优化的调度过程中，通过对极端场景下的安全约束进行建模，引导系统合理设置容量；相比之下，由于火电机组的出力比风电机组稳定，单纯使用固定调度方法无法适应风电的波动性，所以在此基础上配置储能设备，以满足系统运行的安全约束；以最小发电成本为目标函数，按照日负荷曲线，考虑每台机组的发电成本，系统优化调度结果如图3-6所示。
从图3-6中可以看出，场景1的风电机组出力面临在0：00-9：00存在大量弃风现象；相比之下，本文提出的场景4在满足系统安全约束的同时，保证了弃风现象的大量减少；结果表明，提出的基于混合碳交易机制的风火储系统分布鲁棒优化调度方法是安全、经济的；由于系统调度采用了鲁棒优化，并考虑了风电不稳定的最坏情况，因此可以满足所有系统场景；因此，在调度中不改变其他参数，只调整火电机组和风电的出力。
通过构建四种情景下的场景模拟，比较分析不同场景下的减排效益，其中将碳交易成本作为低碳性的衡量指标，各场景运行情况如表4所示。
表4各场景下系统运行情况Table 4System Operation in Various Scenarios
从低碳性的角度考虑，在不考虑储能成本的前提下，场景4在考虑阶梯式碳交易的基础上考虑DRO，不仅减少了碳排放量，较之场景2下降了5.15％，可见阶梯式碳交易可大幅度降低碳排放量。从提高新能源利用率的角度考虑，场景3和场景4在同时考虑阶梯式碳交易的基础上，场景4比场景3减少1.87万元的弃风成本，较比场景1减少19.1万元，大幅度提高了风电消纳率；从系统总体经济运行成本的角度考虑，场景4较比场景1和场景2减少了6.38％和6.24％。综合上述运行情况，证明了本文考虑混合碳交易机制和改进分布鲁棒优化调度在低碳经济调度方面的效果显著。
以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案。本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果。只要满足使用需要，都在发明的保护范围内。

Claims (4)

1.基于混合碳排放权交易机制的风火储系统分布鲁棒优化调度方法，其特征在于：包括以下步骤：
S1：建立一种基于混合碳排放权的交易机制；
S2：建立考虑风电不确定性的机组组合模型，将S1中的基于混合碳排放权交易机制加入机组组合模型；
S3：通过Wasserstein度量构造模糊集，优化S2中的机组组合模型，提出改进分布鲁棒优化调度模型。
2.根据权利要求1所述的基于混合碳排放权交易机制的风火储系统分布鲁棒优化调度方法，其特征在于：步骤S1中，一种基于混合碳排放权的交易机制如下：
S1.1：建立碳排放短期奖惩机制；以风火储系统为碳排放量单位，根据火电机组等的发电量和耗电量，风火储系统的碳排放量和碳排放配额的具体公式如下：
式中表示单位对外购电的碳排放量；风火储系统的碳排放量和碳排放配额；风火储系统的购买电量；风电机组发电量；ηbuy、ηre单位可再生能源发电和单位对外购电的碳排放配额；每个单位的购电和售电；储能设备充放电功率；
建立碳消耗成本阶梯型实时模型，如下：
式中：Ft c为碳消耗成本表达式；为碳消耗价格奖惩系数；L为碳消耗的碳排放范围；式(4)表示风火储系统的碳消耗成本，这表明大量的碳排放将导致高碳消耗成本；
S1.2：建立长期碳排放长期奖惩机制；基于风火储系统对碳减排的长期评估，调整下一个碳排放评估周期的外部购销电价；
风火储系统在下一个碳排放评估周期的外部购销电价具体公式如下：
式中；调整后的对外购销价格；未经调整的对外购销价格；εs、εb电价奖惩系数；△λt未经调整的对外电价之差；γexpect评估指标的实际水平和评估指标的预期水平；Di碳排放评估期；
式(5)、式(6)分别保证电网公司对外销售、对外采购价格的调整；式(7)定义了风火储系统的实用评价指标；式(8)表示未经调整的对外销售价格与对外采购价格之差。
3.根据权利要求1所述的基于混合碳排放权交易机制的风火储系统分布鲁棒优化调度方法，其特征在于：步骤S2中，具体包括以下步骤：
S2.1：建立考虑风电不确定性的机组组合模型；
风电机组输出功率偏差的不确定性样本集表示为δ＝{δ1,δ2,…,δK}；风电机组实际输出功率、规划输出功率与风电机组输出功率预测偏差之间的定量关系如下：
式中，K为风电机组输出功率偏差样本数，为第w台风电机组在t时刻的实际输出功率，为规划输出功率，δw,t为输出偏差功率；
建立考虑风电不确定性的机组组合模型包括两个阶段，第一阶段为得到风电机组实际输出力，第二阶段为实现火电机组、储能、可中断负荷的再调度；所述总目标函数表达式如下：
式中，F(x)为第一级系统运行成本，表示不考虑风力机不确定性的总成本；f(x,δ)为第二级调度成本，表示受风力机不确定性影响的再调度成本；P为风电预测偏差的真实概率分布，F为风电预测偏差概率分布的模糊集；是火电机组二元变量的矢量形式；Ft c_all表示长短期碳排放权交易成本；和是火电机组的状态、启动和停机变量；表示系统处于工作状态，表示系统处于非工作状态；
S2.1.1：第一阶段目标函数
第一阶段目标函数以极端情况下的总成本最小化为目标；
第一阶段目标函数以一天内火电机组、储能和可中断负荷的计划出力作为连续决策变量，储能充电考虑负出力；
第一阶段目标函数以火电机组一天内的二元变量作为离散决策变量；
系统第一阶段的费用如下：
F(x)＝fthe+fcut+fbat(11)
式中fthe，fcut和fbat分别为热机、可中断负荷和储能的总成本；
(1)热力发电机组总成本的表达式为；
式中Ch,t(Ph,t)为第h个热机组在t时刻的运行费用，可拟合为Ph,t的二次函数；ai，bi和ci都是成本系数；和分别表示启动和关闭成本；
(2)可中断负荷的总成本表达式为：
Cn,t＝anλt(15)
式中Pn,t为第n个母线在t时刻的减载量，Cn,t为减载补偿价格，an为补偿系数，λt为时变电价；
(3)储能总成本表达式为：
式中，和分别为第m个储能系统在t时刻的放电和充电功率，为充电成本系数，为放电收益系数，η为储能系统的充放电效率；
S2.1.2第二阶段目标函数
在接收风电机组实际输出后，实现火电机组、储能、可中断负荷的再调度计划，将S1中的混合碳排放权交易机制加入再调度计划；
第二阶段目标函数以低碳性为目标；
系统第二阶段费用如下所示：
式中f(x,δ)为当风电机组输出偏离时系统内资源需要消除其对系统功率平衡的不利影响产生的重调度成本；式(17)对重调度成本期望在模糊集内进行最小化；式中分别为火电机组、可中断负荷、储能的再调度成本；与式(4)、式(5)形式相同，与式(6)、式(7)形式相同，与式(8)形式相同；将第二级成本系数设为第一级成本系数的两倍，表明在特定情况下，处理风电机组输出功率偏差的各部件再调度成本相对于一般情况下的调度成本有所扩大；
系统第二阶段费用中长短期碳排放权交易成本如下所示:
式中表示长期碳排放权交易价格，长期碳排放权交易价格通过一个周期的评估，根据购售电情况，得到评估指标的实际水平，根据评估指标的期望值，得到最后长期碳排放权交易成本；
S2.2:约束条件
在定义的风电机组输出功率不确定性模型中，应满足以下约束条件：
(1)功率平衡约束
式中为负载功率；
(2)火电机组约束
其中Ph,max和Ph,min分别为最大和最小输出功率；
其中ρ为热备系数；
(3)风力发电机输出功率约束：
其中是最大输出；
(4)可中断负载约束：
式中为时刻t时第n个节点的最大过载功率；
(5)储能约束：
式中为充放电功率上限；
(6)潮流安全约束：
Pl min≤Pl,t≤Pl max (28)
式中Pl,t为第I支路在t时刻的线路功率，Pl max和Pl min分别为线路功率的上限和下限；Gl-h、Gl-w、Gl-m和Gl-n分别为线路与火电、线路与风电、线路与储能、线路与负荷电转移分配系数。
4.根据权利要求3所述的基于混合碳排放权交易机制的风火储系统分布鲁棒优化调度方法，其特征在于：步骤S3中，具体包括以下步骤：
S3.1：对数据驱动的模糊集进行预处理
设δ＝{δ1,δ2,…,δK}为样本集，则F定义为式(30)；P0(δ)为风电预测偏差的完全概率分布集；gr(δ)为分段线性函数，γr为分段常数；
其中δmax和δmin分别为δ的上、下边界值；式(30)的第二行表示风力机输出功率偏差的期望值为0.40，式(30)的第三行表示δ的极限；
(30)的第四行写成式(31)：
EP[gr(δ)]＝EP[max(δw,t,r-Cw,t,r,0)]≤γr (31)
其中r为段数，设r＝3；Cw,t,r是段截止常数；为了方便gr(δ)的计算，引入辅助变量σ作为gr(δ)的上界；
对原模糊集F进行扩展，得到扩展模糊集Q：
其中Q定义了δ和σ的一组联合概率分布，用PC表示；二维集合S表示二维变量(δw,t,r,σw,t,r)的边界以及δw,t,r与σw,t,r之间的关系；式(33)的第二个方程表明，函数gr(δw,t,r)受到辅助变量σw,t,r的限制；只需满足式(32)中的第四个方程即可满足式(30)中的第四个方程；(33)中的第三个方程表明，在极端情况下，辅助变量σw,t,r受gr(δw,t,r)的限制；
S3.2：基于Wasserstein度量的模糊集构造
经验分布PK由δ＝{δ1,δ2,…,δK}得到，如(34)所示：
其中dk是δK的狄利克雷测度；K为风电偏差的样本个数，以PK为Q的中心，Q尽可能的包含P；P与PK之间的“距离”采用Wasserstein度量，其中P与PK应满足以下关系：
Wasserstein距离定义如下：
式中ξK和ξ分别为服从PK和P的随机变量；∏为ξK与ξ的联合分布；|| ||表示1-范数；
基于Wasserstein度量的模糊集Wδ表示为：
其中基于Wasserstein度量的模糊集Wδ以PK为中心，R(K)为半径；结合置信度为1/4的置信水平，控制DRO模型优化结果的保守性；
S3.3：对目标函数进行强对偶变换
利用强对偶变换将目标函数中的分布鲁棒部分转化为求解最小值的形式，结果表示为式(38)：
其中，λ为对偶变量，vk为中间辅助变量；
采用以下数学方法解决“vk和二次约束随着K的增加而增加，在巨大的样本量下计算解决成本较高”的问题：
式(38)和式(39)满足如下关系：
式中f'(x,δmax)表示f对δ的导数；由(40)可知(39)是(38)的近似上界；式(39)没有随着k的展开增加vk和二次约束，因此计算有利，优化结果一致。
CN202410593078.2A 2024-05-14 2024-05-14 基于混合碳交易机制的风火储系统分布鲁棒优化调度方法 Pending CN118536741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410593078.2A CN118536741A (zh) 2024-05-14 2024-05-14 基于混合碳交易机制的风火储系统分布鲁棒优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410593078.2A CN118536741A (zh) 2024-05-14 2024-05-14 基于混合碳交易机制的风火储系统分布鲁棒优化调度方法

Publications (1)

Publication Number Publication Date
CN118536741A true CN118536741A (zh) 2024-08-23

Family

ID=92384022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410593078.2A Pending CN118536741A (zh) 2024-05-14 2024-05-14 基于混合碳交易机制的风火储系统分布鲁棒优化调度方法

Country Status (1)

Country Link
CN (1) CN118536741A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119921372A (zh) * 2025-04-01 2025-05-02 湖北方源东力电力科学研究有限公司 面向电力用户的基于多目标的储能容量双层优化配置方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119921372A (zh) * 2025-04-01 2025-05-02 湖北方源东力电力科学研究有限公司 面向电力用户的基于多目标的储能容量双层优化配置方法

Similar Documents

Publication Publication Date Title
Kong et al. Robust stochastic optimal dispatching method of multi-energy virtual power plant considering multiple uncertainties
Yang et al. Optimal bidding strategy of renewable-based virtual power plant in the day-ahead market
CN115688970B (zh) 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
CN116885799A (zh) 一种微电网能量优化方法、系统、电子设备及介质
CN115545768B (zh) 一种考虑合同分解的大水电跨省跨区日前随机竞价方法
CN116260181A (zh) 考虑大规模可再生能源接入的多时间尺度调度方法
CN116011821A (zh) 一种电力市场环境下虚拟电厂优化风险调度方法
CN117522010A (zh) 一种考虑强不确定性负荷的虚拟电厂优化调度方法
CN116362136A (zh) 一种独立储能系统的自调度优化方法及系统
CN112508241A (zh) 一种智能电网能量优化调度方法
Liu et al. Day-ahead robust optimal dispatching method for urban power grids containing high proportion of renewable energy
CN118536741A (zh) 基于混合碳交易机制的风火储系统分布鲁棒优化调度方法
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统
CN116957614A (zh) 一种风-储联合运营商参与多市场竞价策略方法
Rafique et al. Energy management system design and testing for smart buildings under uncertain generation (wind/photovoltaic) and demand
Wang et al. A two-stage optimization strategy for VPP trading in multi-market considering setting method and marginal revenue and expenditure of standby capacity
CN115795992A (zh) 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
CN117394404A (zh) 考虑碳效益和辅助调频的风电场储能容量配置方法
Jiang et al. Monthly electricity purchase and decomposition optimization considering wind power accommodation and day-ahead schedule
Li et al. Multiobjective optimization model considering demand response and uncertainty of generation side of microgrid
CN117748474A (zh) 一种基于多端口柔性互联装置的光储充随机优化方法
Huang et al. Analysis of optimal configuration of energy storage in wind-solar micro-grid based on improved gray wolf optimization
CN115130739A (zh) 在电力现货市场中储能和风电场的风险约束下的优化调度
Pu et al. Optimal Planning of Energy Storage for Wind Farm GENCO in Power Spot Market
Shen et al. Optimal bidding strategy for integrated energy system participating in spot power market: A Wasserstein metric based DRO method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载