一种基于数据驱动的微电网随机鲁棒优化调度方法   0    0

本发明提出一种基于数据驱动的微电网随机鲁棒优化调度方法。先利用相似日原理，从历史日中选出与预测日光伏出力相似的数据为初始样本集。此外，考虑光伏发电时序性，选取不同的历史日光伏出力利用基于季节的综合自回归移动平均模型分别预测出预测日的光伏出力，并加入样本集。利用支持向量聚类将样本集分为超球体内、外两部分，依次求解超球体内的光伏出力对应场景的微电网优化调度模型，从多个调度方案中选出所定义最恶劣场景对应的调度方案。本发明结合了鲁棒优化和随机优化的优点，从而能保证微电网的安全、经济运行。

1.一种基于数据驱动的微电网随机鲁棒优化调度方法，其特征在于包括以下步骤：
(1)收集近五年历史日天气情况数据，包括每日24个时刻的光照强度、环境温度和光伏发电功率；将历史数据按季节分成春、夏、秋和冬四个季节；考虑光伏发电功率的时间相关性，选取与待预测日同季度的历史日光照强度和环境温度数据组成特征矩阵L和Τ：
上式L和Τ中每一列分别为一天各时刻的光照强度和环境温度；h为一天的h个时刻；n为总的历史日天数；
(2)对步骤(1)得出的特征矩阵L和Τ进行归一化处理：
式中：L′ij和T′ij分别为Lij和Tij归一化后的数值；其中，Lmax、Lmin和Tmax、Tmin分别为特征矩阵中L和Τ中的最大值和最小值；
(3)选择归一化后的特征矩阵中第j个历史日光照强度的最大值Lj,max、最小值Lj,min、平均值Lj,mean，环境温度的最大值Tj,max、最小值Tj,min、平均值Tj,mean组成特征向量为xj＝{Lj,max,Lj,min,Lj,mean,Tj,max,Tj,min,Tj,mean}；利用公式(1)计算历史日与待预测日各特征量之间的关联系数：
式中：εj(k)为第j个历史日的第k个特征量与待预测日之间的关联系数；x0(k)为待预测日的第k个特征量；xj(k)为第j个历史日的第k个特征量；ρ为分辨系数，取0.5；
计算各历史日与待预测日之间的相似度，计算公式如下：
式中：rj为第j个历史日与待预测日之间的相似度；m为每个历史日的特征量总数；将相似度大于等于0.55的历史日作为待预测日的相似日，将这些历史日的光伏发电功率作为初始样本集；
(4)分别将与待预测日同一个季节当年的历史数据、同一季节当年和前1年的历史数据、同一季节当年和前2年的历史数据……，以此类推一直到同一季节当年和前5年的历史数据分别作为训练样本；需要说明的是，如果待预测日同一季节当年的历史数据少于1个月，则去掉该数据样本；
(5)对于步骤(4)中的训练样本，为统一数据格式，仅取每日早7点至晚18点的光伏功率，利用minitab软件检验时间序列的平稳性，如果不满足平稳性校验，则对训练样本数据进行差分处理；对于得到的平稳性数据的序列，利用式(2)中基于季节性的综合自回归移动平均SARIMA(p,d,q)×(P,D,Q)T模型预测；
T T D d T
φ(B)Φ(B)(1‑B) (1‑B) zt＝θ(B)Θ(B)εt          (2)
p q T T PT
式中：φ(B)＝1‑φ1B‑…‑φpB ；θ(B)＝1‑θ1B‑…‑θqB ；Φ(B)＝1‑Φ1B‑…‑ΦPB ；ΘT T QT
(B)＝1‑Θ1B‑…‑ΘQB ；zt为序列在t时刻的预测值；B为延迟算子；εt为白噪声序列；p、d、q分别为非季节自回归阶数、非季节差分阶数、非季节移动平均阶数；P、D、Q分别为季节自回归、季节差分、季节移动平均阶数；模型中T表示本SARIMA模型中的季节长度；利用minitab软件通过观察自相关图和偏自相关图的拖尾与截尾情况选择模型中p、q、P、Q值，分别完成对待预测日的光伏发电功率预测；并将预测得到的光伏发电功率数据加到步骤(3)中得到的初始样本集中；
(6)将初始样本集形成如下所示的初始样本空间：
其中，Ppv中每一列对应初始样本集中某一天的光伏发电功率；h为24个时刻，N为样本总数；并对Ppv中的数据进行归一化处理；
(7)利用支持向量聚类的思想，寻找初始样本集中出现概率最大的光伏发电功率场景集；求解如式(3)所示的优化问题：
s.t
式中： 为高斯核函数，R为核参数，取[0,1]之间的某个数；βɑ, ɑ＝1,
2…N，为待求变量；C为惩罚因子，取值在[0,1]之间；xɑ和xb为初始样本集里的样本；N为样本总数；
(8)利用yalmip求解步骤(7)中的优化问题的结果，通过判断βɑ取值情况找出初始样本空间Ppv中位于超球体内的样本；判断规则如下：
1)βɑ＝0，则对应的样本位于超球体内部；
2)0<βɑ3)βɑ＝C，样本位于超球体外部；
将选取对应位于超球体内的光伏实际出力样本，作为模型优化所用样本集；
(9)求解基于超球体内每个样本场景对应的微电网随机鲁棒优化调度模型；
该优化调度模型的优化变量为每个时刻燃气轮机输出功率Pmg(t)、储能单元的充/放电量Pcha(t)/Pdis(t)、储能单元的充放电标志Temp(t)、从主网购/售电标志xbuy(t)/xsell(t)、购/售电量Pnet(t)和微电网的弃光量Pgpv(t)；优化目标为系统总成本最小化，包括燃气轮机调峰成本、微电网与主网交互成本、储能折旧成本和弃光惩罚成本，其表达式为：
式中：c为成本系数；α(t)、β(t)分别为t时刻微电网向主网购/售电价格；Kbat为储能单元单位充放电成本；η为储能单元充放电效率；g为单位弃光惩罚系数；
该优化调度模型还应满足下述约束条件，包括：
1)微电网功率平衡约束：
Ppv(t)+Pnet(t)+Pmg(t)+Pdis(t)＝Pload(t)+Pgpv(t)+Pcha(t)
式中，Pload(t)为t时刻的微网负荷；
2)储能单元相关约束：
式(4)中 为单位时间储能单元最大充放电量；Temp(t)为储能单元充放电状态，取0时表示充电，取1时表示放电；式(6)表示前m’个时刻储能单元充放电总量要在Emin、Emax之间，防止过充或过放；式(7)表示储能单元在调度周期内，充电量之和应等于放电量之和，便于循环调度；
3)燃气轮机相关约束：
上式中， 分别为燃气轮机最小、最大输出功率；
4)微网与主网交互功率约束：
xbuy(t)+xsell(t)≤1
上式中， 分别为传输功率上下限值，且
5)弃光量约束
0≤Pgpv(t)≤Ppv(t)
上式中，Ppv(t)为对应场景下t时刻光伏发电的功率值；
由于超球体内每个样本场景对应的微电网随机鲁棒优化调度模型所得模型为混合整数模型，故采用混合整数线性规划法得到每一场景下的优化调度结果；
(10)根据步骤(9)所得结果，从中选取使总成本最大的方案，即为模型所对应的最恶劣场景的优化方案，也就是基于数据驱动的微电网随机鲁棒优化调度的结果。