一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置制造方法及图纸

本发明专利技术公开了一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置。使用生成对抗网络来对可再生能源发电的出力情况进行场景生成，通过生成的海量场景来减少可再生能源出力的不确定性对微电网规划的影响；并使用一种改进的中心点聚类算法对生成的海量场景进行聚类削减，降低计算的复杂度；结合能量管理策略，以系统经济性最优、新能源消纳率最高、系统碳排放量最小为优化目标，综合考虑系统功率平衡约束、设备容量约束、设备功率约束、储能荷电状态约束、电网交互功率约束，构建并网型微电网容量优化配置模型；然后使用求解器对该模型进行优化求解，本发明专利技术为并网型微电网的规划提供了更加经济有效、更加低碳的解决方案。方案。方案。

【技术实现步骤摘要】
一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置


[0001]本专利技术涉及微电网优化规划与能量管理领域，特别是涉及一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置。

技术介绍

[0002]近年来，随着能源危机和环境污染日益严重，分布式发电技术迅速成为世界各国的研究重点，在市场需求的推动下，风力发电和光伏发电的成本迅速降低，微网随之得到了越来越广泛的应用。微网是将各种分布式电源(风电、光伏、柴发)、储能装置和负荷结合在一起形成的小型电力系统，具有完备的发电和配电功能，已经逐渐成为解决偏远地区供电问题的关键技术。整个微网的设计过程非常复杂，其中可再生能源不确定性的建模和微网电源的容量优化配置是非常重要的两个方面，可再生能源不确定性建模是否精确以及微网电源容量配置是否合理会直接影响到微网系统各个方面的性能，包括系统的稳定性、新能源消纳能力、系统的投资运维成本等等,通过对可再生能源不确定性的建模和微网电源容量的配置,微电网系统的运营商可以制定更加精准的策略。因此，如何对可再生能源的不确定性进行建模和对微网的电源容量进行优化配置具有非常重要的意义
[0003]现有的微电网规划问题主要存在以下几个挑战：1)对于一个待建的微网系统来说，当地的风电、光伏资源特性数据经常是缺失或者不足的，这种情况下往往会以典型日的风电、光伏出力特性为参考进行规划，这就导致规划模型中只包含少量的典型场景，而实际情况中场景是多种多样的。2)现有的工作大多使用传统的场景生成方法(如蒙特卡洛，拉丁超立方采样等)，这些方法需要事先假设原始数据服从特定的概率分布，而这些假定的分布在实际情况下并不适用。3)独立微网的相关工作较多，未能充分考虑电网接入对规划模型的影响。4)目前关于新能源场景生成技术和微网容量优化规划问题的工作都很多，但将两者合理的结合起来的研究工作还很少。
[0004]本专利技术公开一种考虑多维不确定性和能量管理策略的微电网容量优化规划方法。该方法使用深度卷积生成对抗网络来对系统的运行场景进行扩充，并使用改进的k
‑
medoids算法对生成的海量场景进行聚类削减，聚类后得到的场景集被输入到一种综合考虑经济性指标、新能源消纳率和碳排放指标的并网型微电网容量优化配置模型中，通过对模型的优化求解，为微电网的设备容量优化配置提供了更加精确可靠的解决方案。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提供一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置。
[0006]本专利技术所采用的技术方案如下：第一方面，本专利技术提供了一种考虑多维不确定性和能量管理策略的微电网容量规划方法，所述方法包括如下步骤：
[0007]步骤(1)，构建基于深度卷积生成对抗网络的新能源出力场景生成模型，基于历史
数据对深度卷积生成对抗网络进行训练，使用训练完毕后的生成器对风电和光伏的出力场景进行生成扩充，得到新能源出力场景数据集；
[0008]步骤(2)，使用改进的k
‑
medoids聚类算法，对步骤(1)中生成的新能源出力场景数据集进行聚类削减，首先从步骤(1)中生成的新能源出力场景数据集进行采样，得到若干个数据子集，每个数据子集规模一致，并对每个数据子集进行聚类，每个数据子集均得到相同数量的聚类中心集合，同时计算每个数据子集聚类中心集合相对于新能源出力场景数据集的聚类误差，选择聚类误差最小的一个数据子集聚类中心集合，将新能源出力场景数据集的数据划分到距离最近的中心集合中的簇中心，并通过计算聚类误差对簇中心进行微调，得到聚类削减后的数据集；
[0009]步骤(3)，根据并网型微电网的拓扑结构提出对应的系统能量管理策略：具体为：对于并网型风光储微电网来说，其组成部分包括风力发电机组、光伏发电阵列、储能电池、柴发机组和本地负荷，当风力发电机组和光伏发电阵列的可再生能源发电量不足以满足本地负荷需求，优先使用储能电池放电满足功率缺额，放电后仍无法满足需求时，选择柴发机组和向电网购电成本较低的方式满足功率缺额；
[0010]步骤(4)，结合步骤(2)中得到的新能源出力场景数据集和步骤(3)中提出的能量管理策略，构建一种基于新能源出力场景的并网型微电网容量优化配置模型，具体包括以下子步骤：
[0011](4.1)建立优化的目标函数：
[0012]并网型微电网系统总的优化目标函数主要包括经济性指标、可再生能源利用率指标和碳排放指标三个方面，具体如下所示：
[0013]min f(N
pv
,N
wind
,N
ess
,N
diesel
)＝C economy
+C
DG
+C
CO2
[0014]其中，f(
·
)表示系统规划设计过程中总的成本函数，N
pv
、N
wind
、N
ess
、N
diesel
表示系统中风电、光伏、柴发和储能的优化配置容量，单位为kW；
[0015](4.1.1)经济性指标：
[0016][0017]其中，C economy
表示系统的总经济性成本，C
invest
表示系统的设备投资成本，表示系统的运维成本，C
fuel
表示系统的燃料费，C
grid
表示从电网购电的费用；
[0018](4.1.2)可再生能源利用率指标：
[0019][0020]其中，c
punish
表示微网弃电情况下的罚钱系数，单位为元/kwh；表示t时刻光伏和风电的弃电量，单位为kw，Lf表示设备的生命周期，Δt表示采样间隔，N
T
表示一年的总时刻数；
[0021](4.1.3)碳排放指标：
[0022][0023]其中，表示t时刻碳交易市场中的CO2价格，单位为元/kg；ρ
diesel
表示柴发的碳
排放系数，单位为kg/kWh；ρ
grid
表示电网发电过程中的碳排放系数，单位为kg/kWh，表示t时刻柴发机组的运行状态，表示t时刻微网和电网之间的交互功率；
[0024](4.2)建立优化的约束条件，包括功率平衡约束、配置容量上限约束、设备出力功率上限约束、电网交互功率约束、储能SOC约束和储能充放电功率约束；
[0025]步骤(5)，将通过求解器对步骤(4)中得到的并网型微电网容量优化配置模型进行优化求解，得到最终的微电网系统设备容量最优配置。
[0026]进一步地，步骤(1)具体包括以下步骤：具体包括以下子步骤：
[0027](1.1)构建深度卷积生成对抗网络模型，并对模型进行训练：生成对抗网络模型主要由生成器和判别器两部分构成，根据生成器和判别器的训练目标，分别构造两者的损失函数L
G
和L
D
，如下所示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑多维不确定性和能量管理策略的微电网容量规划方法，其特征在于，所述方法包括如下步骤：步骤(1)，构建基于深度卷积生成对抗网络的新能源出力场景生成模型，基于历史数据对深度卷积生成对抗网络进行训练，使用训练完毕后的生成器对风电和光伏的出力场景进行生成扩充，得到新能源出力场景数据集；步骤(2)，使用改进的k
‑
medoids聚类算法，对步骤(1)中生成的新能源出力场景数据集进行聚类削减，首先从步骤(1)中生成的新能源出力场景数据集进行采样，得到若干个数据子集，每个数据子集规模一致，并对每个数据子集进行聚类，每个数据子集均得到相同数量的聚类中心集合，同时计算每个数据子集聚类中心集合相对于新能源出力场景数据集的聚类误差，选择聚类误差最小的一个数据子集聚类中心集合，将新能源出力场景数据集的数据划分到距离最近的中心集合中的簇中心，并通过计算聚类误差对簇中心进行微调，得到聚类削减后的数据集；步骤(3)，根据并网型微电网的拓扑结构提出对应的系统能量管理策略：具体为：对于并网型风光储微电网来说，其组成部分包括风力发电机组、光伏发电阵列、储能电池、柴发机组和本地负荷，当风力发电机组和光伏发电阵列的可再生能源发电量不足以满足本地负荷需求，优先使用储能电池放电满足功率缺额，放电后仍无法满足需求时，选择柴发机组和向电网购电成本较低的方式满足功率缺额；步骤(4)，结合步骤(2)中得到的新能源出力场景数据集和步骤(3)中提出的能量管理策略，构建一种基于新能源出力场景的并网型微电网容量优化配置模型，具体包括以下子步骤：(4.1)建立优化的目标函数：并网型微电网系统总的优化目标函数主要包括经济性指标、可再生能源利用率指标和碳排放指标三个方面，具体如下所示：其中，f(
·
)表示系统规划设计过程中总的成本函数，N
pv
、N
wind
、N
ess
、N
diesel
表示系统中风电、光伏、柴发和储能的优化配置容量，单位为kW；(4.1.1)经济性指标：其中，C economy
表示系统的总经济性成本，C
invest
表示系统的设备投资成本，表示系统的运维成本，C
fuel
表示系统的燃料费，C
grid
表示从电网购电的费用；(4.1.2)可再生能源利用率指标：其中，c
punish
表示微网弃电情况下的罚钱系数，单位为元/kwh；表示t时刻光伏和风电的弃电量，单位为kw，Lf表示设备的生命周期，Δt表示采样间隔，N
T
表示一年的总时刻数；(4.1.3)碳排放指标：
其中，表示t时刻碳交易市场中的CO2价格，单位为元/kg；ρ
diesel
表示柴发的碳排放系数，单位为kg/kWh；ρ
grid
表示电网发电过程中的碳排放系数，单位为kg/kWh，表示t时刻柴发机组的运行状态，P
tgrid
表示t时刻微网和电网之间的交互功率；(4.2)建立优化的约束条件，包括功率平衡约束、配置容量上限约束、设备出力功率上限约束、电网交互功率约束、储能SOC约束和储能充放电功率约束；步骤(5)，将通过求解器对步骤(4)中得到的并网型微电网容量优化配置模型进行优化求解，得到最终的微电网系统设备容量最优配置。2.根据权利要求1所述的一种考虑多维不确定性和能量管理策略的微电网容量规划方法，其特征在于，步骤(1)具体包括以下步骤：具体包括以下子步骤：(1.1)构建深度卷积生成对抗网络模型，并对模型进行训练：生成对抗网络模型主要由生成器和判别器两部分构成，根据生成器和判别器的训练目标，分别构造两者的损失函数L
G
和L
D
，如下所示：，如下所示：其中，p
z
(z)表示随机噪声z的概率分布，p
data
(x)表示历史数据x的概率分布，G(z)表示生成器生成的数据样本，p
G
(z)表示数据样本概率分布，D(G(z))和D(x)分别表示生成的数据和历史数据在判别器中被认为是真的概率，E(
·
)表示数学期望；生成器和判别器的训练目标分别是使L
G
最小和L
D
最大，并引入Wasserstein距离，得到改进后的模型训练目标函数如下：其中，E(
·
)表示数学期望；D(G(z))表示生成的数据在判别器中被认为是真的概率，D(x)表示真实的历史数据在判别器中被认为是真的概率，K代表梯度的限值，权重系数λ＝10，x'＝εx+(1
‑
ε)
·
...

【专利技术属性】
技术研发人员：杨强，陈贤卿，杨灵方，
申请(专利权)人：浙江大学，
类型：发明
国别省市：