一种基于极端场景驱动的自适应机组组合优化方法及系统技术方案

本发明专利技术公开了一种基于极端场景驱动的自适应机组组合优化方法及系统，构建鲁棒优化中的不确定性集；根据构建的不确定性集确定自适应鲁棒优化机组组合的总体模型；将自适应鲁棒优化机组组合的总体模型转化为具有顶点和极端情景的随机规划模型，向随机规划模型中加入全场景可行性约束和非预期性约束，实现基于极端场景驱动的自适应机组组合优化。解决了常规不确定性集鲁棒优化和随机规划不满足非预期性和全场景可行性的缺陷，模型得到的调度指令可用于高比例新能源电力市场机组组合优化决策。策。策。

【技术实现步骤摘要】
一种基于极端场景驱动的自适应机组组合优化方法及系统


[0001]本专利技术属于日前电力市场出清过程中的机组组合
，具体涉及一种基于极端场景驱动的自适应机组组合优化方法及系统。

技术介绍

[0002]可再生能源将成为电力系统的主要能源，并参与电力生产和系统调度。虽然可再生能源的占比提高促进了电力系统的低碳转型，但是可再生能源的不确定性将给电力系统的安全运行带来挑战。针对可再生能源带来的不确定性，许多研究提出了鲁棒优化和随机规划两类方法来解决高比例可再生能源下的电力系统调度问题。
[0003]尽管这两类方法在市场调度问题中取得了广泛的应用，但这些方法无法保证市场调度指令的非预期性和全场景可行性。具体来说，
[0004](1)两阶段鲁棒优化的第二段决策是在已知随机因素实现值给出的，违背了多时段交替决策交替的时序逻辑，因此不满足非预期性；
[0005](2)基于场景的方法只考虑了有限个场景，因此不满足全场景可行性；
[0006](3)场景树法仅保证了树结构中有限个场景的非预期性，也不满足全场景可行性；
[0007](4)机会约束方法所用到的较准确的随机因素概率分布，不满足非预期性。非预期性是指在某一时期所做的决策只能依赖于随机因素中已实现的部分和所有可能的未来情况，全场景可行性意味着我们所做的决定能够应对未来所有可能发生的情境。鲁棒优化模型的逻辑是假定所有不确定性因素已经实现后再给出调度决策，违背了“不确定性实现
‑
实施决策
‑
不确定性实现”这一决策链；而随机规划仅考虑了有限个典型场景下预期目标函数最小的情况，无法应对未来所有的不确定性场景。
[0008]为了使决策结果满足非预期性和全场景可行性，应根据历史数据生成鲁棒不确定性集合，通过遍历不确定性集的所有极值点找到极端场景，从而改进传统的两阶段鲁棒优化方法，使之满足非预测性和全场景可行性的要求。

技术实现思路

[0009]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于极端场景驱动的自适应机组组合优化方法及系统，着重建立满足非预期性及全场景可行性的调度模型以应对高比例可再生能源电力系统不确定性，用于解决常规不确定性集鲁棒优化和随机规划不满足非预期性和全场景可行性存在缺陷的技术问题，即不考虑经济调度的非预期性约束，其不可行性在基于鲁棒优化和随机优化的原始配方中无法被识别。
[0010]本专利技术采用以下技术方案：
[0011]一种基于极端场景驱动的自适应机组组合优化方法，包括以下步骤：
[0012]S1、构建鲁棒优化中的不确定性集；
[0013]S2、根据步骤S1构建的不确定性集确定自适应鲁棒优化机组组合的总体模型；
[0014]S3、将步骤S2得到的自适应鲁棒优化机组组合的总体模型转化为具有顶点和极端
情景的随机规划模型，向随机规划模型中加入全场景可行性约束和非预期性约束，实现基于极端场景驱动的自适应机组组合优化。
[0015]具体的，步骤S1中，t时段可再生发电机组的出力不确定性集为u
t
表示为：
[0016][0017]其中，θ
t,k
为凸组合系数，且θ
t,k
≥0,NT为时段总数，u
t,k
为第k个极值点。
[0018]具体的，步骤S2中，自适应鲁棒优化机组组合的总体模型的目标函数为：
[0019][0020]其中，Θ(
·
)为热电机组的启停成本之和；Φ(
·
)为热电机组的运行成本之和，u为可再生机组的不确定性出力；为机组组合模型中的决策变量；为可再生机组的全时段出力集合；为经济调度的决策变量。
[0021]进一步的，约束条件如下：
[0022]机组的启停成本：
[0023][0024]运行成本为：
[0025][0026]最小启停时间约束：
[0027][0028][0029]机组组合决策变量关系：
[0030][0031][0032]其中，为机组g在时段t的启停状态变量，为机组g在时段t的状态转移变量，为机组g在时段t的出力，为机组g在时段t的运行成本，为机组g在时段t的节点电价，为可再生机组g在时段t的出力，为负荷d在时段t的需求，为线路l的最小和最大潮流限制，为机组g的最小开停机时间。
[0033]具体的，步骤S3中，具有顶点和极端情景的随机规划模型具体为：
[0034][0035][0036]其中，Θ(
·
)为热电机组的启停成本之和，Φ(
·
)为热电机组的运行成本之和，
为可再生机组不确定性出力的极值点的凸组合表示，为可再生机组全时段的不确定性出力的笛卡尔积表示，为求解火电机组的运行成本问题的可行域，为机组组合模型中的决策变量，为经济调度的决策变量，NK为发电机组数目，θ
t,k
为凸组合系数。
[0037]具体的，步骤S3中，向随机规划模型中加入全场景可行性约束和非预期性约束具体为：
[0038]S301、将约束条件进行分类；
[0039]S302、将场景分为基础场景、顶点场景和极端场景；确定步骤S301得到的约束条件与对应的场景，然后将基础场景、顶点场景和极端场景的决策变量应用于对应约束条件的两阶段经济调度决策变量中，确定日前经济调度模型，
[0040]S303、向步骤S302得到的日前经济调度模型中加入全场景可行性约束和非预期性约束，调度决策要能够在满足时序逻辑的情况下应对不确定因素的所有可能实现结果。
[0041]进一步的，步骤S301中，与不确定性集无相关性的约束：
[0042]最小开停机时间约束，备用约束，火电机组出力约束，启停状态关系约束；
[0043]与不确定性集相关的单周期约束：功率平衡约束，线路传输容量约束，需要满足NK场景，约束数量是NK*原始约束数量；
[0044]与不确定性集相关的跨期约束：
[0045]火电爬坡速率约束，需要满足(NK)
NT
场景，约束数量是原始约束数量。
[0046]进一步的，步骤S302中，日前经济调度模型为：
[0047][0048][0049]其中，和为分别，V和E分别为上述顶点和极端场景的索引集，为第g台机组在第t时段的顶点和极端场景下的出力，g为机组编号，Ω
TG
为火电机组的集合，为重新排列后的极值点顺序中的极值点编号，t为时段编号。
[0050]进一步的，步骤S303中，全场景可行性约束和非预期性约束分别为：
[0051][0052][0053]其中，为火电机组爬坡的极端情景中的机组最小出力，为第g台机组在第t时段的顶点和极端场景下的出力，为火电机组爬坡的极端情景中的机组最大出力，g为火电机组编号，为极值点编号，V为顶点集，t
odd
为最大出力时段。
...

【技术保护点】

【技术特征摘要】
1.一种基于极端场景驱动的自适应机组组合优化方法，其特征在于，包括以下步骤：S1、构建鲁棒优化中的不确定性集；S2、根据步骤S1构建的不确定性集确定自适应鲁棒优化机组组合的总体模型；S3、将步骤S2得到的自适应鲁棒优化机组组合的总体模型转化为具有顶点和极端情景的随机规划模型，向随机规划模型中加入全场景可行性约束和非预期性约束，实现基于极端场景驱动的自适应机组组合优化。2.根据权利要求1所述的基于极端场景驱动的自适应机组组合优化方法，其特征在于，步骤S1中，t时段可再生发电机组的出力不确定性集为u
t
表示为：其中，θ
t,k
为凸组合系数，且NT为时段总数，u
t,k
为第k个极值点。3.根据权利要求1所述的基于极端场景驱动的自适应机组组合优化方法，其特征在于，步骤S2中，自适应鲁棒优化机组组合的总体模型的目标函数为：其中，Θ(
·
)为热电机组的启停成本之和；Φ(
·
)为热电机组的运行成本之和，u为可再生机组的不确定性出力；x为机组组合模型中的决策变量；u为可再生机组的全时段出力集合；y为经济调度的决策变量。4.根据权利要求3所述的基于极端场景驱动的自适应机组组合优化方法，其特征在于，约束条件如下：机组的启停成本：运行成本为：最小启停时间约束：最小启停时间约束：机组组合决策变量关系：机组组合决策变量关系：其中，为机组g在时段t的启停状态变量，为机组g在时段t的状态转移变量，为机组g在时段t的出力，为机组g在时段t的运行成本，为机组g在时段t的节点电价，为可再生机组g在时段t的出力，为负荷d在时段t的需求，为线路
l的最小和最大潮流限制，为机组g的最小开停机时间。5.根据权利要求1所述的基于极端场景驱动的自适应机组组合优化方法，其特征在于，步骤S3中，具有顶点和极端情景的随机规划模型具体为：步骤S3中，具有顶点和极端情景的随机规划模型具体为：其中，Θ(
·
)为热电机组的启停成本之和，Φ(
·
)为热电机组的运行成本之和，为可再生机组不确定性出力的极值点的凸组合表示，为可再生机组全时段的不确定性出力的笛卡尔积表示，为求解火电机组的运行成本问题的可行域，χ为机组组合模型中的决策变量，y为经济调度的决策变量，NK为发电机组数目，θ
t,k
为凸组合系数。6.根据权利要求1所述的基于极端场景驱动的自适应机组组合优化方法，其...

【专利技术属性】
技术研发人员：鲁文，严新华，丁恰，杨洋，曹荣章，王建学，张旭光，王瑾皓，李永刚，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：