CN113393054B - 一种风储联合***的优化调度方法及优化调度*** - Google Patents

一种风储联合***的优化调度方法及优化调度*** Download PDF

Info

Publication number
CN113393054B
CN113393054B CN202110756593.4A CN202110756593A CN113393054B CN 113393054 B CN113393054 B CN 113393054B CN 202110756593 A CN202110756593 A CN 202110756593A CN 113393054 B CN113393054 B CN 113393054B
Authority
CN
China
Prior art keywords
model
sub
wind power
cost
output
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.)
Active
Application number
CN202110756593.4A
Other languages
English (en)
Other versions
CN113393054A (zh
Inventor
夏世威
李盼盼
宋靓云
屈姬贤
黄跃辉
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.)
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
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 China Electric Power Research Institute Co Ltd CEPRI, North China Electric Power University filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202110756593.4A priority Critical patent/CN113393054B/zh
Publication of CN113393054A publication Critical patent/CN113393054A/zh
Priority to US17/581,397 priority patent/US11703032B2/en
Application granted granted Critical
Publication of CN113393054B publication Critical patent/CN113393054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0264—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for stopping; controlling in emergency situations
    • F03D7/0268—Parking or storm protection
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0272—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor by measures acting on the electrical generator
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/10—Combinations of wind motors with apparatus storing energy
    • F03D9/11—Combinations of wind motors with apparatus storing energy storing electrical energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2200/00—Mathematical features
    • F05B2200/20—Special functions
    • F05B2200/22—Power
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/107—Purpose of the control system to cope with emergencies
    • F05B2270/1077—Storm protection
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/20—Purpose of the control system to optimise the performance of a machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种风储联合***的优化调度方法及优化调度***，结合风电出力时空耦合性，基于区间不确定集刻画风机出力的不确定性，与传统对称区间不确定性集相比，计及时空效应的不确定性集有效排除了发生概率很小的一些极端场景，降低了模型保守性；构造风储联合***两阶段鲁棒优化调度模型，并依托线性化技术及嵌套C&CG策略实现了模型的高效求解。

Description

一种风储联合***的优化调度方法及优化调度***
技术领域
本发明涉及风储联合***优化调度技术领域，特别是涉及一种风储联合***的优化调度方法及优化调度***。
背景技术
全球能源危机以及环境污染问题的持续发酵使得寻求清洁可再生的能源发展模式成为一种必然趋势。风电作为一种无污染、可再生的新能源，在国内外电力***应用中受到了极大的关注。风机出力具有显著的随机性与波动性，其大规模并网使得电力***优化调度面临不确定性因素增多，以往确定性调度方法获得的调度结果可能偏离实际运行情况，无法满足现代电力***安全灵活运行需求。而储能技术的飞速发展为电力***调度运行提供了新思路，通过风储联合运行参与电力***优化调度，将有利于平抑风机出力波动性，提高风电消纳能力，同时可有效增强***可控性。在此背景下，合理表征风机出力波动特征，研究不确定性背景下风储联合***优化调度问题具有重要的理论价值和实践意义。
关于高比例风电背景下风储联合***调度问题，其核心在于合理地表征和处理风机出力的不确定性。随机优化法基于历史数据拟合获取不确定性变量的概率密度函数，而后通过场景采样生成大量场景集，从而将不确定性优化问题转化为单个场景的确定性问题。在实际工程中，受自然因素及地域因素影响，风机出力具有显著的随机性与波动性，很难获取风机出力确切的概率密度函数，故随机优化法实践应用表现较差。实际上为保障计算准确性，随机优化法往往需要生成大量场景集，这使得该法的计算规模十分庞大，面临计算时间长的问题，无法适应现代电力***调度实时需求。尽管通过设置场景约束采用场景削减技术可以减少场景数，但场景约束的设置较为主观，导致模型准确度下降，计算结果的可信度会因此较低。在求解方面，从数学本质上看，风储联合运行***优化调度模型为高维度、非线性规划问题，无法直接高效求解。
因此，本领域技术人员亟需提供一种新的风储联合***优化调度方法，能够有效处理风电出力不确定性并克服优化模型计算量大、求解效率低的缺点。
发明内容
本发明的目的是提供一种风储联合***的优化调度方法及优化调度***，以在考虑风电不确定性的基础上提高优化调度模型求解效率。
为实现上述目的，本发明提供了如下方案：
一种风储联合***的优化调度方法，所述方法包括：
根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；
以风电不确定集为风电出力约束，构建风储联合***的优化调度模型；
对所述优化调度模型进行线性化，获得线性化后的优化调度模型；
采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划。
可选的，所述根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集，具体包括：
根据Lindeberg-Levy中心极限定理，利用公式确定时空不确定性参数；其中，/>分别为第w个风电场在t时刻的出力上限和下限；Φ-1(·)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σw，t为第w个风电场在t时刻的方差；/>为第w个风电场输出功率的空间约束参数；/>为风电场输出功率的时间参数；W为风电场数；T为调度周期；
根据所述时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为
其中，U为风电不确定集；Ww，t，为第w个风电场在t时刻的出力值、期望出力值及历史出力值。
可选的，以风电不确定集为风电出力约束，构建风储联合***的优化调度模型，具体包括：
以机组开停机状态、最小开停机持续时间为约束条件，构建风储联合***中常规机组的启停成本模型；
根据所述启停成本模型，以电网运行约束与储能约束为约束条件，构建风储联合***中常规机组的运行成本模型；
根据所述启停成本模型和运行成本模型，以所述风电不确定集为风电出力约束，构建风储联合***的优化调度模型为
其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0-1变量，其中/>时，机组g在t时刻从关机状态变为启动状态，否则为0，/>时，机组g由启动状态转为关机状态；zg，t为机组g在t时刻运行状态，zg，t为1时机组g处于运行状态，否则为关机状态；Pg，t为机组g在t时刻风电机组出力；ΔWw，t、ΔDd，t分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；/>为二进制变量，其中/>时，表示储能电站s在t时刻处于放电状态，/>时，则处于充电状态；/>分别为储能电站s在t时刻的放电量、充电量。
可选的，所述采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划，具体包括：
将所述优化调度模型划分为第一主问题优化模型和第一子问题优化模型；所述第一主问题优化模型为所述第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u*为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；cTx为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；dTy+gTz为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f-Hx-Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y(l)为第l次迭代第一子问题中连续决策变量；z(l)为第l次迭代第一子问题中二进制决策变量；/>为第l次迭代第一子问题中最恶劣场景下不确定性变量；
初始化外层下界LBout为负无穷大，外层上界UBout为正无穷大，外层迭代次数m为1；
对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x*及ω*；其中，ω*为第一主问题优化模型求解得到的最优ω；
调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景
根据启停成本模型的决策变量最优解集x*及ω*更新外层上界UBout＝min{UBout，ctx*+ω*}；
判断更新后的外层上界和外层上界的差值的绝对值是否大于差值阈值，获得第一判断结果；
若所述第一判断结果表示是，则将作为约束添加至第一主问题优化模型中，将外层迭代次数增加1，返回步骤“对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的第一阶段最优解集x*及ω*”；其中，y(m+1)为用于m+1次迭代的y变量；z(m+1)为用于第m+1次迭代的z变量；
若所述第一判断结果表示否，则输出在考虑最恶劣场景下的风储联合***的优化调度计划。
可选的，所述调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景具体包括：
将所述第一子问题优化模型划分为第二主问题优化模型和第二子问题优化模型；所述第二主问题优化模型为所述第二子问题优化模型为其中，θ为第二子问题的目标函数；z(k)为第k次迭代的第二主问题中二进制决策变量；π(k)为第k次迭代的对偶变量；
初始化内层上界UBin为正无穷大，内层下界为LBin为负无穷大，内层迭代次数n为1；
对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*；
根据所述最恶劣场景u*，对所述第二主问题优化模型进行求解，获得运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*；
根据运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*更新内层下界LBin＝max{LBin，dTy*+gTz*}；
判断内层上界和更新后的内层下界的差值的绝对值是否大于差值阈值，获得第二判断结果；
若所述第二判断结果表示是，则将作为约束添加至第二子问题优化模型中，将内层迭代次数增加1，返回步骤“对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*”；其中，z(n+1)为第n+1次迭代的z变量；π(n+1)为第n+1次迭代的对偶变量；
若所述第二判断结果表示否，则输出最恶劣场景u*。
一种风储联合***的优化调度***，所述***包括：
风电不确定集构建模块，用于根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；
优化调度模型构建模块，用于以风电不确定集为风电出力约束，构建风储联合***的优化调度模型；
线性化后的优化调度模型获得模块，用于对所述优化调度模型进行线性化，获得线性化后的优化调度模型；
优化调度计划确定模块，用于采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划。
可选的，所述风电不确定集构建模块，具体包括：
时空不确定性参数确定子模块，用于根据Lindeberg-Levy中心极限定理，利用公式确定时空不确定性参数；其中，/>分别为第w个风电场在t时刻的出力上限和下限；Φ-1(·)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σw，t为第w个风电场在t时刻的方差；/>为第w个风电场输出功率的空间约束参数；/>为风电场输出功率的时间参数；W为风电场数；T为调度周期；
风电不确定集构建子模块，用于根据所述时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为
其中，U为风电不确定集；Ww，t，为第w个风电场在t时刻的出力值、期望出力值及历史出力值。
可选的，所述优化调度模型构建模块，具体包括：
启停成本模型构建子模块，用于以机组开停机状态、最小开停机持续时间为约束条件，构建风储联合***中常规机组的启停成本模型；
运行成本模型构建子模块，用于根据所述启停成本模型，以电网运行约束与储能约束为约束条件，构建风储联合***中常规机组的运行成本模型；
优化调度模型构建子模块，用于根据所述启停成本模型和运行成本模型，以所述风电不确定集为风电出力约束，构建风储联合***的优化调度模型为
其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0-1变量，其中/>时，机组g在t时刻从关机状态变为启动状态，否则为0，/>时，机组g由启动状态转为关机状态；zg，t为机组g在t时刻运行状态，zg，t为1时机组g处于运行状态，否则为关机状态；Pg，t为机组g在t时刻风电机组出力；ΔWw，t、ΔDd，t分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；/>为二进制变量，其中/>时，表示储能电站s在t时刻处于放电状态，/>时，则处于充电状态；/>分别为储能电站s在t时刻的放电量、充电量。
可选的，所述优化调度计划确定模块，具体包括：
第一主问题优化模型和第一子问题优化模型划分子模块，用于将所述优化调度模型划分为第一主问题优化模型和第一子问题优化模型；所述第一主问题优化模型为所述第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u*为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；cTx为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；dTy+gTz为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f-Hx-Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y(l)为第l次迭代第一子问题中连续决策变量；z(l)为第l次迭代第一子问题中二进制决策变量；/>为第l次迭代第一子问题中最恶劣场景下不确定性变量；
外层初始化子模块，用于初始化外层下界LBout为负无穷大，外层上界UBout为正无穷大，外层迭代次数m为1；
决策变量最优解集获得子模块，用于对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x*及ω*；其中，ω*为第一主问题优化模型求解得到的最优ω；
最恶劣场景获取子模块，用于调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景
外层上界更新子模块，用于根据启停成本模型的决策变量最优解集x*及ω*更新外层上界UBout＝min{UBout，cTx*+ω*}；
第一判断结果获得子模块，用于判断更新后的外层上界和外层上界的差值的绝对值是否大于差值阈值，获得第一判断结果；
约束添加子模块，用于若所述第一判断结果表示是，则将作为约束添加至第一主问题优化模型中，将外层迭代次数增加1，返回步骤“对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的第一阶段最优解集x*及ω*”；其中，y(m+1)为用于m+1次迭代的y变量；z(m+1)为用于第m+1次迭代的z变量；
优化调度计划输出子模块，用于若所述第一判断结果表示否，则输出在考虑最恶劣场景下的风储联合***的优化调度计划。
可选的，所述最恶劣场景获取子模块，具体包括：
第二主问题优化模型和第二子问题优化模型划分单元，用于将所述第一子问题优化模型划分为第二主问题优化模型和第二子问题优化模型；所述第二主问题优化模型为所述第二子问题优化模型为其中，θ为第二子问题的目标函数；z(k)为第k次迭代的第二主问题中二进制决策变量；π(k)为第k次迭代的对偶变量；
内层初始化单元，用于初始化内层上界UBin为正无穷大，内层下界为LBin为负无穷大，内层迭代次数n为1；
内层上界最优值获得单元，用于对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*；
第二主问题优化模型求解单元，用于根据所述最恶劣场景u*，对所述第二主问题优化模型进行求解，获得运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*；
内层下界更新单元，用于根据运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*更新内层下界LBin＝max{LBin，dTy*+gTz*}；
第二判断结果获得单元，用于判断内层上界和更新后的内层下界的差值的绝对值是否大于差值阈值，获得第二判断结果；
约束添加单元，用于若所述第二判断结果表示是，则将作为约束添加至第二子问题优化模型中，将内层迭代次数增加1，返回步骤“对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*”；其中，z(n+1)为第n+1次迭代的z变量；π(n+1)为第n+1次迭代的对偶变量；
最恶劣场景输出单元，用于若所述第二判断结果表示否，则输出最恶劣场景u*。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种风储联合***的优化调度方法及***，结合风电出力时空耦合性，基于区间不确定集刻画风机出力的不确定性，与传统对称区间不确定性集相比，计及时空效应的不确定性集有效排除了发生概率很小的一些极端场景，降低了模型保守性；构造风储联合***两阶段鲁棒优化调度模型，并依托线性化技术及嵌套C&CG策略实现了模型的高效求解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种风储联合***的优化调度方法的流程图；
图2为本发明提供的嵌套C&CG求解策略流程图。
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。
本发明的目的是提供一种风储联合***的优化调度方法及***，以在考虑风电不确定性的基础上提高优化调度模型求解效率。
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。
本发明利用时空不确定性集描述风电出力边界信息，建立风储联合***鲁棒优化调度模型，获取最劣场景下的最优运行成本。此外，考虑到模型为min-max-min三层结构的非线性规划问题，同时存在离散二进制变量，难以直接求解，提出基于线性化技术、嵌套C&CG(Column and Constraint Generation algorithm，列和约束生成算法)技术的高效求解方法。
本发明提供的一种风储联合***的优化调度方法，如图1所示，方法包括：
步骤101，根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；
步骤102，以风电不确定集为风电出力约束，构建风储联合***的优化调度模型；
步骤103，对优化调度模型进行线性化，获得线性化后的优化调度模型；
步骤104，采用CCG算法对线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划。
具体过程如下：
步骤101：基于区间不确定集刻画了风机出力的不确定性，该方法依据风机出力时空耦合性构造相应不确定性集，有效降低了模型保守性。基于区间不确定集刻画风机出力的不确定性的具体内容为：
鲁棒优化问题的根本目标在于：当不确定性参数在任意可能的取值范围内，模型的所有约束条件都可满足，且目标函数在最恶劣情景下获取最优值。不确定性集的构建与模型精确性、求解效率息息相关，为有效避免决策结果保守性过高问题，不确定性集结合风电时空相关性。
根据Lindeberg-Levy中心极限定理，利用公式确定时空不确定性参数；其中，/>分别为第w个风电场在t时刻的出力上限和下限；Φ-1(·)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σw，t为第w个风电场在t时刻的方差；/>为第w个风电场输出功率的空间约束参数；/>为风电场输出功率的时间参数；W为风电场数；T为调度周期；
根据时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为该公式的第一项表示风机出力的不确定集，该不确定集采用风电历史出力值进行刻画，并计及了风电在时间和空间上的耦合；第二三项为风电期望出力值集历史出力值与风电出力上下限的关系。
其中，U为风电不确定集；Ww，t，为第w个风电场在t时刻的出力值、期望出力值及历史出力值。
步骤101就是为了得到风电的不确定性模型，这个模型基于风电出力历史数据，适应性强，还通过参数设置降低了模型的保守性，这个模型会用到步骤102中。
步骤102，以风电不确定集为风电出力约束，构建风储联合***的优化调度模型，其中模型第一阶段以机组开停机状态、最小开停机持续时间为约束条件，确立传统机组的启停状态。第二阶段以机组运行约束、功率平衡约束及储能***充放电功率约束等作为约束条件，基于第一阶段确定的机组启停状态获取最小化总运行成本。
风储联合***两阶段鲁棒优化模型第一阶段为确定发电机组日前启停计划，目标函数为最小化常规机组的启停成本，相应决策变量为机组启停状态与运行状态，约束条件包括启停机约束及最小开停机持续时间约束，第一阶段模型(常规机组的启停成本模型)可表示为：
式中，G′为常规机组数；T为调度周期，ST，g、SD，g分别为机组g在t时段的开、停机费用；分别为机组最小持续开停机时间。公式的第二项公式表示机组启动约束，只有当机组运行状态zg，t＝1，zg，t-1＝0即t时刻机组处于运行状态而t-1时刻机组处于停机状态，/>才会成立，表示机组在t时刻启动；第三项表示机组停机约束，只有当机组运行状态zg，t-1＝1，zg，t＝0即t-1时刻机组处于运行状态而t时刻机组处于停机状态，/>才会成立，表示机组在t时刻停机；第四项表示机组一旦启动至少持续运行时间为/>最后一项表示机组一旦停机至少持续关机时间为/>常规机组一般是指火电机组。
第一阶段确定了机组的开停机状态，而开停机状态会影响机组出力值，机组出力是第二阶段的决策变量，这两个阶段存在参数的传递。风储联合***鲁棒优化模型第二阶段求取最恶劣场景的***经济运行成本，决策变量为机组出力、弃风量、切负荷量、储能状态量及相应充放电功率，相应约束条件包括电网运行约束与储能约束两部分，第二阶段模型(常规机组的运行成本模型)可表示为：
式中，W，D，S分别为风电场数，负荷节点数，储能装置数；ag、bg、cg为机组燃料成本系数；δw、δd、δc，s、δs为单位弃风、单位切负荷惩罚系数、单位充放电循环老化成本、单位充放电成本；第二阶段约束条件包括公式(6)～(7)。
电网运行约束包括机组输出功率约束，机组爬坡约束，***功率平衡约束，传输线路安全约束，弃风约束，切负荷约束；储能约束包括储能充放电状态约束，充放电功率约束以及储能荷电量约束。电网运行约束可表示为：
电网运行约束的表示公式为公式(6)。式中：分别为机组g的最小、最大输出功率；RUi、RDi为常规机组的向上，向下爬坡速率；Ww，t为第w个风电场在t时刻的预测输出功率，Dd，t为t时刻负荷d的预测有功功率；Ff为线路最大传输容量，Kfb为线路b的灵敏度系数；/>分别为储能电站s在t时刻的放电量与充电量；公式(6)的第一项表示机组输出功率上下限约束，与第一阶段确定的机组开停机状态变量zg，t有关；第二、三项表示机组向上爬坡速率和向下爬坡速率约束；第四项表示***功率供需平衡约束；第五项表示传输线路功率约束；第六项表示***弃风量约束；最后一项表示***切负荷约束。
储能约束可表示为：
储能约束的表达公式为公式(7)。式中，为储能电站s最小、最大放电功率；/>为储能电站s最小、最大充电功率；SOCs，t、SOCs，min、SOCs，max分别为储能电站s在t时刻荷电量以及最小、最大荷电量；ηc、ηd为储能充放电效率；Qrate为储能电站额定容量；SOCs，0、SOCs，T分别为储能初始时刻和最终时刻荷电量。公式(7)的第一项表示储能充放电状态约束，每个时刻储能电站不能同时进行充、放电；第二、三项表示储能充电、放电功率约束；第四项表示储能荷电量约束；第五项表示储能相邻时刻荷电量变化关系；最后一项用来约束储能最终状态荷电量应等于初始时刻荷电量。
根据启停成本模型和运行成本模型，以风电不确定集为风电出力约束，构建风储联合***的优化调度模型为
其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0-1变量，其中/>时，机组g在t时刻从关机状态变为启动状态，否则为0，/>时，机组g由启动状态转为关机状态；zg，t为机组g在t时刻运行状态，zg，t为1时机组g处于运行状态，否则为关机状态；Pg，t为机组g在t时刻风电机组出力；ΔWw，t、ΔDd，t分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；/>为二进制变量，其中/>时，表示储能电站s在t时刻处于放电状态，/>时，则处于充电状态；/>分别为储能电站s在t时刻的放电量、充电量。
为方便下面求解步骤的叙述，上述两阶段鲁棒模型可以整理为矩阵简写表达式：
式中，x为第一阶段决策变量(启停成本模型的决策变量)，其包括机组启停机标志变量及运行状态变量zg，t；y为第二阶段连续决策变量合集(运行成本模型的连续决策变量合集)，包含机组出力Pg，t、弃风Δww，t、切负荷ΔDd，t及储能充放电功率大小/>z为第二阶段二进制决策变量，表征储能***的状态变量/>u为不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；cTx为第一阶段目标函数，为机组的启停成本；Ax≤b表征第一阶段约束条件；dTy+gTz为第二阶段目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和，Ey+Fz≤f-Hx-Gu为相应的第二阶段约束条件。
步骤103，步骤102所提模型为大规模非线性规划问题，直接求解比较困难，计算量大且计算效率低，首先对发电机组燃料成本，储能设备老化成本和时空不确定性集约束进行线性化处理。
步骤102所提模型共包含3个非线性部分，分别是公式(1)中风电不确定集中含有绝对值，公式(5)中常规机组出力成本/>为二次函数，储能循环老化成本/>包含二进制变量相乘的非线性项。
针对不确定集中的绝对值，引入辅助变量aw，t、/>其中/>表示aw，t＞0，/>表示aw，t＜0，aw，t可表示为：
则不确定集中的绝对值约束转化为：
式中，BM为足够大的正数，为二进制变量，若aw，t＞0，则/>否则aw，t＜0，/>
针对常规机组发电成本中的二次函数，引入分段线性化技术，对模型非凸性进行处理：
式中：Kg，m为机组g在第m分段对应线性函数的斜率，为机组g在t时刻第m分段的具体出力值，/>为每段出力的最大值，M为分段数。
针对储能***循环老化成本中的二进制变量相乘的非线性项，引入二进制变量/>可以将其线性化，但还需添加相应的约束条件：
步骤104，模型线性化后，采用嵌套C&CG策略进行求解。嵌套C&CG策略的原理是在外层循环中利用C&CG算法将原问题转为主问题和迭代求解的子问题。在每次迭代中，将非凸的max-min形式的子问题以类似原理进一步分解为主-子问题处理，生成内部循环。最后，通过外层与内层两部分的迭代循环完成原问题的求解工作。
外层C&CG循环将原问题分解为主问题和子问题，求解主问题时，得到用于下一次的内层循环迭代的第一阶段最优解集；然后调用内层循环求解子问题，更新外层上界值，获取外层第m次循环的最恶劣场景；当上下界的距离小于设定精度时，则输出机组启停计划并停止外层循环，否则在求解主问题时添加相应约束，并将迭代次数更新为m＝m+1继续进行迭代。
内层C&CG循环目的在于通过求解子问题识别当前主问题最优解下的最恶劣场景，其为具有以下形式的max-min问题：由于子问题中含有二进制变量z，故该问题具有非凸性，无法利用对偶原理将模型直接转化为min问题，为有效解决该问题，可将子问题进一步分解为内层主问题与内层子问题进行迭代求解。求解结果表明：通过调整置信参数大小，可实现对鲁棒优化模型保守性的合理控制，提高了模型适用性，考虑时空不确定性集的风储联合鲁棒优化调度模型更符合实际运行情景，且有利于促进风电消纳，保证了***经济性，嵌套C&CG求解策略的使用，加速了模型求解速度。
嵌套C&CG求解策略包括以下步骤：
(1)在外层循环中利用C&CG算法将原问题转为主问题和迭代求解的子问题；
(2)在每次迭代中，将非凸的max-min形式的子问题以类似原理的原理进一步分解为主-子问题处理，生成内部循环。
如图2所示，具体方法为：
将优化调度模型划分为第一主问题优化模型和第一子问题优化模型；第一主问题优化模型为第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u*为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；cTx为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；dTy+gTz为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f-Hx-Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y(l)为第l次迭代第一子问题中连续决策变量；z(l)为第l次迭代第一子问题中二进制决策变量；/>为第l次迭代第一子问题中最恶劣场景下不确定性变量；
初始化外层下界LBout为负无穷大，外层上界UBout为正无穷大，外层迭代次数m为1；
对第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x*及ω*；其中，ω*为第一主问题优化模型求解得到的最优ω；
调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景
根据启停成本模型的决策变量最优解集x*及ω*更新外层上界UBout＝min{UBout，cTx*+ω*}；
判断更新后的外层上界和外层上界的差值的绝对值是否大于差值阈值，获得第一判断结果；
若第一判断结果表示是，则将作为约束添加至第一主问题优化模型中，将外层迭代次数增加1，返回步骤“对第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的第一阶段最优解集x*及ω*”；其中，y(m+1)为用于m+1次迭代的y变量；z(m+1)为用于第m+1次迭代的z变量；
若第一判断结果表示否，则输出在考虑最恶劣场景下的风储联合***的优化调度计划。
其中，调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景具体包括：
将第一子问题优化模型划分为第二主问题优化模型和第二子问题优化模型；第二主问题优化模型为第二子问题优化模型为其中，θ为第二子问题的目标函数；z(k)为第k次迭代的第二主问题中二进制决策变量；π(k)为第k次迭代的对偶变量；
初始化内层上界UBin为正无穷大，内层下界为LBin为负无穷大，内层迭代次数n为1；
对第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*；
根据最恶劣场景u*，对第二主问题优化模型进行求解，获得运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*；
根据运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*更新内层下界LBin＝max{LBin，dTy*+gTz*}；
判断内层上界和更新后的内层下界的差值的绝对值是否大于差值阈值，获得第二判断结果；
若第二判断结果表示是，则将作为约束添加至第二子问题优化模型中，将内层迭代次数增加1，返回步骤“对第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*”；其中，z(n+1)为第n+1次迭代的z变量；π(n+1)为第n+1次迭代的对偶变量；
若第二判断结果表示否，则输出最恶劣场景u*。
与现有技术相比，本发明具有以下优点：
本发明结合风电出力时空相关性，基于区间不确定集刻画了风机出力的不确定性，与传统对称区间不确定性集相比，计及时空效应的不确定性集有效排除了发生概率很小的一些极端场景，降低了模型保守性；基于储能单元充放电特性，构造风储联合***两阶段鲁棒优化调度模型，并依托线性化技术及嵌套C&CG策略实现了模型的高效求解。
采用基于区间不确定集刻画了风机出力的不确定性，计及时空效应的不确定性集有效排除了发生概率很小的一些极端场景，通过调整置信参数大小，可实现对鲁棒优化模型保守性的合理控制，提高模型适用性和可信度；运用线性化技术与嵌套C&CG策略迭代求解，解决了模型求解规模较大，求解效率低的问题，算例结果表明考虑时空不确定性集的风储联合鲁棒优化调度模型更符合实际运行情景，且有利于促进风电消纳，保证***经济性。
本发明解决了考虑风电不确定性的风储联合***优化调度问题，该策略不仅可以兼顾***运行的经济性与鲁棒性，而且克服了随机优化方法计算量大的缺陷，可实现模型的高效求解。
本发明还提供了一种风储联合***的优化调度***，***包括：
风电不确定集构建模块，用于根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；
优化调度模型构建模块，用于以风电不确定集为风电出力约束，构建风储联合***的优化调度模型；
线性化后的优化调度模型获得模块，用于对优化调度模型进行线性化，获得线性化后的优化调度模型；
优化调度计划确定模块，用于采用CCG算法对线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划。
风电不确定集构建模块，具体包括：
时空不确定性参数确定子模块，用于根据Lindeberg-Levy中心极限定理，利用公式确定时空不确定性参数；其中，/>分别为第w个风电场在t时刻的出力上限和下限；Φ-1(·)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σw，t为第w个风电场在t时刻的方差；/>为第w个风电场输出功率的空间约束参数；/>为风电场输出功率的时间参数；W为风电场数；T为调度周期；
风电不确定集构建子模块，用于根据时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为
其中，U为风电不确定集；Ww，t，为第w个风电场在t时刻的出力值、期望出力值及历史出力值。/>
优化调度模型构建模块，具体包括：
启停成本模型构建子模块，用于以机组开停机状态、最小开停机持续时间为约束条件，构建风储联合***中常规机组的启停成本模型；
运行成本模型构建子模块，用于根据启停成本模型，以电网运行约束与储能约束为约束条件，构建风储联合***中常规机组的运行成本模型；
优化调度模型构建子模块，用于根据启停成本模型和运行成本模型，以风电不确定集为风电出力约束，构建风储联合***的优化调度模型为
其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0-1变量，其中/>时，机组g在t时刻从关机状态变为启动状态，否则为0，/>时，机组g由启动状态转为关机状态；zg，t为机组g在t时刻运行状态，zg，t为1时机组g处于运行状态，否则为关机状态；Pg，t为机组g在t时刻风电机组出力；ΔWw，t、ΔDd，t分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；/>为二进制变量，其中/>时，表示储能电站s在t时刻处于放电状态，/>时，则处于充电状态；/>分别为储能电站s在t时刻的放电量、充电量。
优化调度计划确定模块，具体包括：
第一主问题优化模型和第一子问题优化模型划分子模块，用于将优化调度模型划分为第一主问题优化模型和第一子问题优化模型；第一主问题优化模型为第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u*为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；cTx为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；dTy+gTz为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f-Hx-Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y(l)为第l次迭代第一子问题中连续决策变量；z(l)为第l次迭代第一子问题中二进制决策变量；/>为第l次迭代第一子问题中最恶劣场景下不确定性变量；
外层初始化子模块，用于初始化外层下界LBout为负无穷大，外层上界UBout为正无穷大，外层迭代次数m为1；
决策变量最优解集获得子模块，用于对第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x*及ω*；其中，ω*为第一主问题优化模型求解得到的最优ω；
最恶劣场景获取子模块，用于调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景
外层上界更新子模块，用于根据启停成本模型的决策变量最优解集x*及ω*更新外层上界UBout＝min{UBout，cTx*+ω*}；
第一判断结果获得子模块，用于判断更新后的外层上界和外层上界的差值的绝对值是否大于差值阈值，获得第一判断结果；
约束添加子模块，用于若第一判断结果表示是，则将作为约束添加至第一主问题优化模型中，将外层迭代次数增加1，返回步骤“对第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的第一阶段最优解集x*及ω*”；其中，y(m+1)为用于m+1次迭代的y变量；z(m+1)为用于第m+1次迭代的z变量；
优化调度计划输出子模块，用于若第一判断结果表示否，则输出在考虑最恶劣场景下的风储联合***的优化调度计划。
最恶劣场景获取子模块，具体包括：
第二主问题优化模型和第二子问题优化模型划分单元，用于将第一子问题优化模型划分为第二主问题优化模型和第二子问题优化模型；第二主问题优化模型为第二子问题优化模型为其中，θ为第二子问题的目标函数；z(k)为第k次迭代的第二主问题中二进制决策变量；π(k)为第k次迭代的对偶变量；
内层初始化单元，用于初始化内层上界UBin为正无穷大，内层下界为LBin为负无穷大，内层迭代次数n为1；
内层上界最优值获得单元，用于对第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*；
第二主问题优化模型求解单元，用于根据最恶劣场景u*，对第二主问题优化模型进行求解，获得运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*；
内层下界更新单元，用于根据运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*更新内层下界LBin＝max{LBin，dTy*+gTz*}；
第二判断结果获得单元，用于判断内层上界和更新后的内层下界的差值的绝对值是否大于差值阈值，获得第二判断结果；
约束添加单元，用于若第二判断结果表示是，则将作为约束添加至第二子问题优化模型中，将内层迭代次数增加1，返回步骤“对第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*”；其中，z(n+1)为第n+1次迭代的z变量；π(n+1)为第n+1次迭代的对偶变量；
最恶劣场景输出单元，用于若第二判断结果表示否，则输出最恶劣场景u*。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种风储联合***的优化调度方法，其特征在于，所述方法包括：
根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；
以风电不确定集为风电出力约束，构建风储联合***的优化调度模型；
对所述优化调度模型进行线性化，获得线性化后的优化调度模型；
采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划；
所述根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集，具体包括：
根据Lindeberg-Levy中心极限定理，利用公式确定时空不确定性参数；其中，/>分别为第w个风电场在t时刻的出力下限和上限；Φ-1(·)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σw，t为第w个风电场在t时刻的方差；/>为第w个风电场输出功率的空间约束参数；/>为风电场输出功率的时间参数；W为风电场数；T为调度周期；
根据所述时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为
其中，U为风电不确定集；Ww，t，为第w个风电场在t时刻的出力值、期望出力值及历史出力值；
以风电不确定集为风电出力约束，构建风储联合***的优化调度模型，具体包括：
以机组开停机状态、最小开停机持续时间为约束条件，构建风储联合***中常规机组的启停成本模型；
根据所述启停成本模型，以电网运行约束与储能约束为约束条件，构建风储联合***中常规机组的运行成本模型；
根据所述启停成本模型和运行成本模型，以所述风电不确定集为风电出力约束，构建风储联合***的优化调度模型为
其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0-1变量，其中/>时，机组g在t时刻从关机状态变为启动状态，否则为0，/>时，机组g由启动状态转为关机状态；zg，t为机组g在t时刻运行状态，zg，t为1时机组g处于运行状态，否则为关机状态；Pg，t为机组g在t时刻风电机组出力；ΔWw，t、ΔDd，t分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；/>为二进制变量，其中/>时，表示储能电站s在t时刻处于放电状态，/>时，则处于充电状态；/>分别为储能电站s在t时刻的放电量、充电量；
所述采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划，具体包括：
将所述优化调度模型划分为第一主问题优化模型和第一子问题优化模型；所述第一主问题优化模型为所述第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u*为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；cTx为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；dTy+gTz为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f-Hx-Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y(l)为第l次迭代第一子问题中连续决策变量；z(l)为第l次迭代第一子问题中二进制决策变量；/>为第l次迭代第一子问题中最恶劣场景下不确定性变量；
初始化外层下界LBout为负无穷大，外层上界UBout为正无穷大，外层迭代次数m为1；
对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x*及ω*；其中，ω*为第一主问题优化模型求解得到的最优ω；
调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景
根据启停成本模型的决策变量最优解集x*及ω*更新外层上界UBout＝min{UBout,cTx*+ω*}；
判断更新后的外层上界和外层上界的差值的绝对值是否大于差值阈值，获得第一判断结果；
若所述第一判断结果表示是，则将作为约束添加至第一主问题优化模型中，将外层迭代次数增加1，返回步骤“对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的第一阶段最优解集x*及ω*”；其中，y(m+1)为用于m+1次迭代的y变量；z(m+1)为用于第m+1次迭代的z变量；
若所述第一判断结果表示否，则输出在考虑最恶劣场景下的风储联合***的优化调度计划；
所述调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景具体包括：
将所述第一子问题优化模型划分为第二主问题优化模型和第二子问题优化模型；所述第二主问题优化模型为所述第二子问题优化模型为其中，θ为第二子问题的目标函数；z(k)为第k次迭代的第二主问题中二进制决策变量；π(k)为第k次迭代的对偶变量；
初始化内层上界UBin为正无穷大，内层下界为LBin为负无穷大，内层迭代次数n为1；
对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*；
根据所述最恶劣场景u*，对所述第二主问题优化模型进行求解，获得运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*；
根据运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*更新内层下界LBin＝max{LBin，dTy*+gTz*}；
判断内层上界和更新后的内层下界的差值的绝对值是否大于差值阈值，获得第二判断结果；
若所述第二判断结果表示是，则将作为约束添加至第二子问题优化模型中，将内层迭代次数增加1，返回步骤“对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*”；其中，z(n+1)为第n+1次迭代的z变量；π(n+1)为第n+1次迭代的对偶变量；
若所述第二判断结果表示否，则输出最恶劣场景u*。
2.一种风储联合***的优化调度***，其特征在于，所述***包括：
风电不确定集构建模块，用于根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；
优化调度模型构建模块，用于以风电不确定集为风电出力约束，构建风储联合***的优化调度模型；
线性化后的优化调度模型获得模块，用于对所述优化调度模型进行线性化，获得线性化后的优化调度模型；
优化调度计划确定模块，用于采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合***的优化调度计划；
所述风电不确定集构建模块，具体包括：
时空不确定性参数确定子模块，用于根据Lindeberg-Levy中心极限定理，利用公式确定时空不确定性参数；其中，/>分别为第w个风电场在t时刻的出力下限和上限；Φ-1(·)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σw，t为第w个风电场在t时刻的方差；/>为第w个风电场输出功率的空间约束参数；/>为风电场输出功率的时间参数；W为风电场数；T为调度周期；
风电不确定集构建子模块，用于根据所述时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为
其中，U为风电不确定集；Ww，t，为第w个风电场在t时刻的出力值、期望出力值及历史出力值；
所述优化调度模型构建模块，具体包括：
启停成本模型构建子模块，用于以机组开停机状态、最小开停机持续时间为约束条件，构建风储联合***中常规机组的启停成本模型；
运行成本模型构建子模块，用于根据所述启停成本模型，以电网运行约束与储能约束为约束条件，构建风储联合***中常规机组的运行成本模型；
优化调度模型构建子模块，用于根据所述启停成本模型和运行成本模型，以所述风电不确定集为风电出力约束，构建风储联合***的优化调度模型为
其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0-1变量，其中/>时，机组g在t时刻从关机状态变为启动状态，否则为0，/>时，机组g由启动状态转为关机状态；zg，t为机组g在t时刻运行状态，zg，t为1时机组g处于运行状态，否则为关机状态；Pg，t为机组g在t时刻风电机组出力；ΔWw，t、ΔDd，t分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；/>为二进制变量，其中/>时，表示储能电站s在t时刻处于放电状态，/>时，则处于充电状态；/>分别为储能电站s在t时刻的放电量、充电量；
所述优化调度计划确定模块，具体包括：
第一主问题优化模型和第一子问题优化模型划分子模块，用于将所述优化调度模型划分为第一主问题优化模型和第一子问题优化模型；所述第一主问题优化模型为所述第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u*为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；cTx为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；dTy+gTz为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f-Hx-Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y(l)为第l次迭代第一子问题中连续决策变量；z(l)为第l次迭代第一子问题中二进制决策变量；/>为第l次迭代第一子问题中最恶劣场景下不确定性变量；
外层初始化子模块，用于初始化外层下界LBout为负无穷大，外层上界UBout为正无穷大，外层迭代次数m为1；
决策变量最优解集获得子模块，用于对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x*及ω*；其中，ω*为第一主问题优化模型求解得到的最优ω；
最恶劣场景获取子模块，用于调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景
外层上界更新子模块，用于根据启停成本模型的决策变量最优解集x*及ω*更新外层上界UBout＝min{UBout,cTx*+ω*}；
第一判断结果获得子模块，用于判断更新后的外层上界和外层上界的差值的绝对值是否大于差值阈值，获得第一判断结果；
约束添加子模块，用于若所述第一判断结果表示是，则将作为约束添加至第一主问题优化模型中，将外层迭代次数增加1，返回步骤“对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的第一阶段最优解集x*及ω*”；其中，y(m+1)为用于m+1次迭代的y变量；z(m+1)为用于第m+1次迭代的z变量；
优化调度计划输出子模块，用于若所述第一判断结果表示否，则输出在考虑最恶劣场景下的风储联合***的优化调度计划；
所述最恶劣场景获取子模块，具体包括：
第二主问题优化模型和第二子问题优化模型划分单元，用于将所述第一子问题优化模型划分为第二主问题优化模型和第二子问题优化模型；所述第二主问题优化模型为所述第二子问题优化模型为其中，θ为第二子问题的目标函数；z(k)为第k次迭代的第二主问题中二进制决策变量；π(k)为第k次迭代的对偶变量；
内层初始化单元，用于初始化内层上界UBin为正无穷大，内层下界为LBin为负无穷大，内层迭代次数n为1；
内层上界最优值获得单元，用于对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*；
第二主问题优化模型求解单元，用于根据所述最恶劣场景u*，对所述第二主问题优化模型进行求解，获得运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*；
内层下界更新单元，用于根据运行成本模型的连续决策变量合集的最优解集y*和运行成本模型的二进制决策变量的最优解集z*更新内层下界LBin＝max{LBin，dTy*+gTz*}；
第二判断结果获得单元，用于判断内层上界和更新后的内层下界的差值的绝对值是否大于差值阈值，获得第二判断结果；
约束添加单元，用于若所述第二判断结果表示是，则将作为约束添加至第二子问题优化模型中，将内层迭代次数增加1，返回步骤“对所述第二子问题优化模型进行求解，得到最恶劣场景u*及内层上界最优值UBin＝θ*”；其中，z(n+1)为第n+1次迭代的z变量；π(n+1)为第n+1次迭代的对偶变量；
最恶劣场景输出单元，用于若所述第二判断结果表示否，则输出最恶劣场景u*。
CN202110756593.4A 2021-07-05 2021-07-05 一种风储联合***的优化调度方法及优化调度*** Active CN113393054B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110756593.4A CN113393054B (zh) 2021-07-05 2021-07-05 一种风储联合***的优化调度方法及优化调度***
US17/581,397 US11703032B2 (en) 2021-07-05 2022-01-21 Optimal dispatching method and system for wind power generation and energy storage combined system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110756593.4A CN113393054B (zh) 2021-07-05 2021-07-05 一种风储联合***的优化调度方法及优化调度***

Publications (2)

Publication Number Publication Date
CN113393054A CN113393054A (zh) 2021-09-14
CN113393054B true CN113393054B (zh) 2023-11-24

Family

ID=77625225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110756593.4A Active CN113393054B (zh) 2021-07-05 2021-07-05 一种风储联合***的优化调度方法及优化调度***

Country Status (2)

Country Link
US (1) US11703032B2 (zh)
CN (1) CN113393054B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12021404B2 (en) * 2021-09-23 2024-06-25 Der-X Energy Llc Mobile generator charging system and method
CN115995815B (zh) * 2023-03-23 2023-06-13 国网山西省电力公司电力科学研究院 一种基于多模块嵌套迭代的负荷故障恢复方法
CN117200265B (zh) * 2023-07-27 2024-05-28 河海大学 一种考虑不确定性故障的海上电氢***容量规划方法
CN116681311B (zh) * 2023-07-28 2023-10-10 华中科技大学 基于时空尺度的电站运维决策优化方法、***及介质
CN117039872B (zh) * 2023-08-11 2024-04-19 哈尔滨工业大学 考虑自适应不确定集的多时间尺度弱鲁棒电源调度方法
CN117277428B (zh) * 2023-08-18 2024-05-28 三峡大学 考虑频率约束的风电出力波动优化调度方法
CN117394360A (zh) * 2023-09-01 2024-01-12 国网江苏省电力有限公司南京供电分公司 分布式电源支撑的区域电网弹性优化调度方法及***
CN117151559B (zh) * 2023-10-26 2024-01-26 北京清能互联科技有限公司 用于削减机组组合问题规模的方法、装置、设备及介质
CN117217099B (zh) * 2023-11-08 2024-03-26 云南滇能智慧能源有限公司 一种续建风电机的机位确定方法、装置、设备及存储介质
CN117764315A (zh) * 2023-11-23 2024-03-26 华北电力大学 一种农村虚拟电厂两阶段鲁棒调度优化方法和***
CN117556549B (zh) * 2024-01-08 2024-04-19 山东大学 一种面向风光氢储充综合能源的时空联合运行优化方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN107994609A (zh) * 2017-12-11 2018-05-04 清华大学 考虑压缩空气储能的风电并网备用整定方法及装置
CN108288132A (zh) * 2018-03-19 2018-07-17 云南电网有限责任公司电力科学研究院 一种基于源荷互动电力***调度的建模方法
CN108448619A (zh) * 2018-03-30 2018-08-24 东南大学 计及不可控发电机功率跟踪的交直流微网鲁棒调度方法
CN108599268A (zh) * 2018-04-17 2018-09-28 上海电力学院 一种考虑风电场时空关联约束的日前优化调度方法
CN108832665A (zh) * 2018-07-04 2018-11-16 四川大学 一种考虑风电不确定性的电热综合***分布式鲁棒协调优化调度模型
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源***调度方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源***运行鲁棒优化方法
CN110137955A (zh) * 2019-05-21 2019-08-16 国网能源研究院有限公司 一种计及CVaR的鲁棒机组组合调度的决策方法
AU2019101043A4 (en) * 2019-09-11 2019-10-24 Southeast University A two-stage robust scheduling method for a hydrogen conpressed natural gas integrated energy system
CN110460036A (zh) * 2019-05-10 2019-11-15 四川大学 一种考虑风电不确定性的交直流配电网分布式优化方法
CN110474367A (zh) * 2019-08-05 2019-11-19 广东工业大学 一种考虑风险损失的微电网容量配置优化方法
CN110543966A (zh) * 2019-07-23 2019-12-06 四川大学 一种电热气联供的微能源网的日前调度优化方法
CN111523249A (zh) * 2020-05-27 2020-08-11 福州大学 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法
CN112332461A (zh) * 2020-11-13 2021-02-05 上海电力大学 一种基于二阶段鲁棒模型的多能微网群控制方法
CN112701687A (zh) * 2021-01-25 2021-04-23 四川大学 考虑价格型联合需求响应的气电配网***鲁棒优化运行方法
CN112803498A (zh) * 2021-03-05 2021-05-14 山东大学 概率分布不确定下有功-无功协调的实时调度方法及***

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9509176B2 (en) * 2012-04-04 2016-11-29 Ihi Inc. Energy storage modeling and control
US9058443B2 (en) * 2012-07-17 2015-06-16 International Business Machines Corporation Planning economic energy dispatch in electrical grid under uncertainty
US9489701B2 (en) * 2012-11-06 2016-11-08 Ali Emadi Adaptive energy management system
CN110571789B (zh) * 2018-06-06 2020-10-20 南京工程学院 数据驱动下基于风电不确定性的电热气网三阶段调度方法
US10908571B2 (en) * 2019-03-18 2021-02-02 Bigwood Technology, Inc. Online multi-period power dispatch with renewable uncertainty and storage
US10969750B2 (en) * 2019-03-26 2021-04-06 Mitsubishi Electric Research Laboratories, Inc. System and method for scheduling electric generators using decision diagrams
CN110212579A (zh) * 2019-06-17 2019-09-06 国网山西省电力公司电力科学研究院 一种风-水-火联合鲁棒机组组合方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
CN107994609A (zh) * 2017-12-11 2018-05-04 清华大学 考虑压缩空气储能的风电并网备用整定方法及装置
CN108288132A (zh) * 2018-03-19 2018-07-17 云南电网有限责任公司电力科学研究院 一种基于源荷互动电力***调度的建模方法
CN108448619A (zh) * 2018-03-30 2018-08-24 东南大学 计及不可控发电机功率跟踪的交直流微网鲁棒调度方法
CN108599268A (zh) * 2018-04-17 2018-09-28 上海电力学院 一种考虑风电场时空关联约束的日前优化调度方法
CN108832665A (zh) * 2018-07-04 2018-11-16 四川大学 一种考虑风电不确定性的电热综合***分布式鲁棒协调优化调度模型
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源***调度方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源***运行鲁棒优化方法
CN110460036A (zh) * 2019-05-10 2019-11-15 四川大学 一种考虑风电不确定性的交直流配电网分布式优化方法
CN110137955A (zh) * 2019-05-21 2019-08-16 国网能源研究院有限公司 一种计及CVaR的鲁棒机组组合调度的决策方法
CN110543966A (zh) * 2019-07-23 2019-12-06 四川大学 一种电热气联供的微能源网的日前调度优化方法
CN110474367A (zh) * 2019-08-05 2019-11-19 广东工业大学 一种考虑风险损失的微电网容量配置优化方法
AU2019101043A4 (en) * 2019-09-11 2019-10-24 Southeast University A two-stage robust scheduling method for a hydrogen conpressed natural gas integrated energy system
CN111523249A (zh) * 2020-05-27 2020-08-11 福州大学 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法
CN112332461A (zh) * 2020-11-13 2021-02-05 上海电力大学 一种基于二阶段鲁棒模型的多能微网群控制方法
CN112701687A (zh) * 2021-01-25 2021-04-23 四川大学 考虑价格型联合需求响应的气电配网***鲁棒优化运行方法
CN112803498A (zh) * 2021-03-05 2021-05-14 山东大学 概率分布不确定下有功-无功协调的实时调度方法及***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
周浩洁 ; 吴任博 ; 马云飞 ; 柳水莲 ; .考虑风电不确定性的电-气能源***数据驱动鲁棒优化调度.电网技术.2020,(第10期),全文. *
电力-天然气耦合***建模与规划运行研究综述;乔铮等;Journal of Global Energy Interconnection 3.1;全文 *
考虑需求响应与风电不确定性的两阶段鲁棒旋转备用容量优化模型;董军等;电力建设;第40卷(第11期);全文 *
考虑风电不确定性的电气能源***两阶段分布鲁棒协同调度;税月;刘俊勇;高红均;邱高;胥威汀;苟竞;;电力***自动化(第13期);全文 *
考虑风电不确定性的风储联合***分布鲁棒优化调度;宋靓云;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第1期);全文 *

Also Published As

Publication number Publication date
CN113393054A (zh) 2021-09-14
US20230009681A1 (en) 2023-01-12
US11703032B2 (en) 2023-07-18

Similar Documents

Publication Publication Date Title
CN113393054B (zh) 一种风储联合***的优化调度方法及优化调度***
CN106230028B (zh) 一种风电—抽水蓄能联合***的多目标优化方法
CN107240933B (zh) 一种考虑风电功率特性的风火协调滚动调度方法
CN107944733B (zh) 一种含风电、需求响应和压缩空气储能的电网调度方法
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及***
CN106058917A (zh) 一种计及光伏发电的电力***动态经济调度方法
CN104299173B (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN103151803A (zh) 一种含风电***机组及备用配置的优化方法
CN107800153B (zh) 一种电蓄热消纳风电的电热能量滚动鲁棒调度方法
CN105279707B (zh) 一种综合考虑负荷与风电时序特性的随机生产模拟方法
WO2019128012A1 (zh) 一种交直流混合微网鲁棒优化协调调度方法
CN109992818B (zh) 大规模风电参与一次调频的机组组合模型及求解方法
CN110957717A (zh) 一种多电源电力***多目标日前优化调度方法
CN106026184A (zh) 一种面向电网调峰的抽水蓄能电站与风电联合***及其优化调度方法
CN111985686B (zh) 一种基于概率预测的配电网分布鲁棒优化调度方法
CN114069688B (zh) 一种基于时序生产模拟的多电源容量布局规划方法
CN109510238B (zh) 一种高效求解水电火电风电的协调调度机组组合方法
CN111313475A (zh) 一种功率平衡约束考虑预测误差不确定变量的电力***调度方法
CN111428850A (zh) 基于改进粒子群算法的综合能源***运行优化方法及装置
CN111404204A (zh) 一种利用改进狼群算法的含风电场电力***优化调度方法
CN113852137A (zh) 两阶段鲁棒优化的电力***运行灵活性容量评估方法
CN111049179A (zh) 一种考虑不确定性的新能源发电***多目标优化调度方法
CN104239960A (zh) 考虑抽水蓄能机组的发电计划优化方法
CN117638939A (zh) 一种基于Adam算法考虑的水光互补优化调度方法
CN117013522A (zh) 考虑分布式电源和气电协同的综合能源***调度优化方法

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
GR01 Patent grant
GR01 Patent grant