一种分布式电源集短期联合优化调度方法及系统与流程

1.本发明涉及分布式电源领域，并且更具体地，涉及一种分布式电源集短期联合优化调度方法及系统。

背景技术：

2.近年来，分布式电源快速规模化发展，并网容量持续增加。但大规模分布式电源接入，也为配电网带来了巨大的挑战。由于分布式电源固有的间歇性和波动性特点，使得分布式电源集接入配电网后极易导致电网出现电压越限和电压波动等问题。但传统调压方式如电力电容器、调压变压器等，由于响应速度过慢，无法解决分布式电源集接入带来的电压问题。
3.如何对分布式电源集进行合理的优化调度是提高区域配电网运行经济性与安全性的关键环节，但目前针对分布式电源集联合优化调度但仍存在以下问题：
4.(1)配电网的有功无功难以解耦，但目前针对分布式电源优化调度的研究，大部分仅考虑了有功资源或无功资源的优化调度，充分挖掘配电网内有功资源、无功资源的调节潜力，对配网侧的有功无功资源协同调度，可有效改善配网侧电压水平，降低网络损耗，提高配电网运行安全性和经济性。
5.(2)源荷不确定性为分布式电源优化调度带来巨大挑战。场景法、鲁棒法、模型预测控制理论等被广泛应用于分布式电源优化调度中。如何充分考虑分布式电源出力与负荷需求的不确定性，充分发挥分布式电源集间的互补特性，是当前亟待解决的问题。
6.针对上述的现有技术中存在的大规模分布式电源集接入配电网导致的电压越限、功率损耗增加的技术问题，目前尚未提出有效的解决方案。

技术实现要素：

7.针对现有技术中存在的大规模分布式电源集接入配电网导致的电压越限、功率损耗增加的技术问题，本发明提供一种分布式电源集短期联合优化调度方法及系统，能够针对分布式电源集出力的不确定性，充分发挥分布式电源集间的互补特性，协调配电网内的多种可调度资源开展对配电网的短期全局优化调度，保障配电网经济、安全运行。
8.根据本发明的一个方面，提供了一种分布式电源集短期联合优化调度方法，包括：
9.基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，其中所述原始场景集为对光伏和负荷的预测误差数据进行采样生成的场景集；
10.基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件，其中所述目标函数以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标；
11.根据所述目标函数和所述约束条件，构建优化调度模型；
12.对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率
的优化调度指令。
13.可选地，对原始场景集进行缩减之前，还包括：
14.确定光伏和负荷的预测功率概率分布函数；
15.基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集。
16.可选地，基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集，包括：
17.将预测功率概率分布函数曲线的纵轴分成n个等间距但不重叠的区间；
18.选择每一个区间的中点作为yk的采样值，用概率分布函数ym＝f(xm)的反函数来计算xk的采样值，确定m个随机变量xm在n个场景中的值，得到m
×
n阶的场景矩阵h。，其中由场景矩阵h。中的各个元素组成原始场景集。
19.可选地，基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，包括：
20.设定原始场景集中每个场景的概率均等；
21.对于原始场景集中的每个场景，计算该场景与原始场景集中的其他场景之间的kantorovich距离，到距离该场景最近的最小距离场景并标记，形成最小距离场景矩阵dc；
22.对于原始场景集中的每个场景，将该场景的最小场景距离与该场景的概率相乘，求得该场景的概率距离，并出原始场景集中概率距离最下的目标场景，将该目标场景从原始场景集中剔除；
23.确定距离被剔除的目标场景最近的最近场景，并将目标场景的概率添加到该最近场景的概率中；
24.改变场景总数n＝n-1，返回kantorovich距离的计算步骤重复进行场景缩减过程，直至缩减后的场景数量满足需要保留的典型场景数目要求，得到场景数量满足要求的目标场景集。
25.可选地，基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数，包括：
26.确定配电网的有功功率损耗成本的计算式，为：
[0027][0028]
式中，k
loss
为单位电量有功功率损耗成本，n为节点数，c(i)表示所有以i为线路首节点的线路末节点的集合，r
ij
为线路ij的电阻，i
ij,s,t
为t时刻第s个场景下线路ij的电流，s为所述目标场景集的场景数量，
△
t为短期联合优化调度时间间隔；
[0029]
确定储能的充放电功率调节成本的计算式，为：
[0030][0031]
式中，k
ess
为储能单位充放电功率的调节成本，n
ess
为配电网中储能的数量，p
ch,i,s,t
、p
dis,i,s,t
分别为t时刻第s个场景下储能的充电功率和放电功率，s为所述目标场景集的场景数量，η
ch
、η
dis
为储能的充电效率和放电效率，d
ch,i,s,t
、d
dis,i,s,t
为0-1变量，表征t
时刻第s个场景下储能的充放电状态；
[0032]
基于配电网的有功功率损耗成本的计算式以及储能的充放电功率调节成本的计算式，确定分布式电源集短期联合优化调度的目标函数，为：
[0033][0034]
式中，s为所述目标场景集的场景数量，ps为第s个场景的概率，c
loss,s,t
为单位时间内第s个场景下配电网的有功功率损耗成本，c
ess,s,t
为单位时间内第s个场景下储能的充放电功率调节成本。
[0035]
可选地，确定分布式电源集短期联合优化调度的约束条件，包括：
[0036]
确定分布式电源集短期联合优化调度的潮流约束；
[0037]
确定分布式电源集短期联合优化调度的节点电压约束；
[0038]
确定分布式电源集短期联合优化调度的分布式电源集运行约束；
[0039]
确定分布式电源集短期联合优化调度的储能运行约束；
[0040]
确定分布式电源集短期联合优化调度的场景约束；
[0041]
确定分布式电源集短期联合优化调度的功率不平衡量约束。
[0042]
可选地，对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令，包括：
[0043]
将所述优化调度模型转换为二阶锥规划模型；
[0044]
采用求解器对所述二阶锥规划模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
[0045]
根据本发明的另一个方面，提供了一种分布式电源集短期联合优化调度装置，包括：
[0046]
场景缩减模块，用于基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，其中所述原始场景集为对光伏和负荷的预测误差数据进行采样生成的场景集；
[0047]
目标函数和约束条件确定模块，用于基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件，其中所述目标函数以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标；
[0048]
优化调度模型构建模块，用于根据所述目标函数和所述约束条件，构建优化调度模型；
[0049]
模型求解模块，用于对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
[0050]
可选地，系统还包括原始场景集生成模块，具体用于：
[0051]
确定光伏和负荷的预测功率概率分布函数；
[0052]
基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集。
[0053]
可选地，原始场景集生成模块，还具体用于：
[0054]
将预测功率概率分布函数曲线的纵轴分成n个等间距但不重叠的区间；
[0055]
选择每一个区间的中点作为yk的采样值，用概率分布函数ym＝f(xm)的反函数来计
算xk的采样值，确定m个随机变量xm在n个场景中的值，得到m
×
n阶的场景矩阵h。，其中由场景矩阵h。中的各个元素组成原始场景集。
[0056]
可选地，场景缩减模块，具体用于：
[0057]
设定原始场景集中每个场景的概率均等；
[0058]
对于原始场景集中的每个场景，计算该场景与原始场景集中的其他场景之间的kantorovich距离，到距离该场景最近的最小距离场景并标记，形成最小距离场景矩阵dc；
[0059]
对于原始场景集中的每个场景，将该场景的最小场景距离与该场景的概率相乘，求得该场景的概率距离，并出原始场景集中概率距离最下的目标场景，将该目标场景从原始场景集中剔除；
[0060]
确定距离被剔除的目标场景最近的最近场景，并将目标场景的概率添加到该最近场景的概率中；
[0061]
改变场景总数n＝n-1，返回kantorovich距离的计算步骤重复进行场景缩减过程，直至缩减后的场景数量满足需要保留的典型场景数目要求，得到场景数量满足要求的目标场景集。
[0062]
可选地，目标函数和约束条件确定模块，具体用于：
[0063]
确定配电网的有功功率损耗成本的计算式，为：
[0064][0065]
式中，k
loss
为单位电量有功功率损耗成本，n为节点数，c(i)表示所有以i为线路首节点的线路末节点的集合，r
ij
为线路ij的电阻，i
ij,s,t
为t时刻第s个场景下线路ij的电流，s为所述目标场景集的场景数量，
△
t为短期联合优化调度时间间隔；
[0066]
确定储能的充放电功率调节成本的计算式，为：
[0067][0068]
式中，k
ess
为储能单位充放电功率的调节成本，n
ess
为配电网中储能的数量，p
ch,i,s,t
、p
dis,i,s,t
分别为t时刻第s个场景下储能的充电功率和放电功率，s为所述目标场景集的场景数量，η
ch
、η
dis
为储能的充电效率和放电效率，d
ch,i,s,t
、d
dis,i,s,t
为0-1变量，表征t时刻第s个场景下储能的充放电状态；
[0069]
基于配电网的有功功率损耗成本的计算式以及储能的充放电功率调节成本的计算式，确定分布式电源集短期联合优化调度的目标函数，为：
[0070][0071]
式中，s为所述目标场景集的场景数量，ps为第s个场景的概率，c
loss,s,t
为单位时间内第s个场景下配电网的有功功率损耗成本，c
ess,s,t
为单位时间内第s个场景下储能的充放电功率调节成本。
[0072]
可选地，目标函数和约束条件确定模块，还具体用于：
[0073]
确定分布式电源集短期联合优化调度的潮流约束；
[0074]
确定分布式电源集短期联合优化调度的节点电压约束；
[0075]
确定分布式电源集短期联合优化调度的分布式电源集运行约束；
[0076]
确定分布式电源集短期联合优化调度的储能运行约束；
[0077]
确定分布式电源集短期联合优化调度的场景约束；
[0078]
确定分布式电源集短期联合优化调度的功率不平衡量约束。
[0079]
可选地，优化调度模型构建模块，具体用于：
[0080]
将所述优化调度模型转换为二阶锥规划模型；
[0081]
采用求解器对所述二阶锥规划模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
[0082]
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
[0083]
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
[0084]
从而，本发明考虑到尽管原始场景集能够较好的覆盖整个样本空间，但是场景数目较多，为提高计算效率，基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集。通过上述方式，本发明可以将原始场景集进行有效缩减，筛选出能充分逼近原始场景集的目标场景集。然后基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件。其次，根据所述目标函数和所述约束条件，构建优化调度模型。最后，对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。本发明充分考虑源荷随机性，基于场景分析构建了涉及多场景的分布式电源集短期联合的优化调度模型。本发明针对分布式电源集出力的不确定性，充分发挥分布式电源集间的互补特性，协调配电网内的多种可调度资源开展对配电网的短期全局优化调度，保障配电网经济、安全运行。
附图说明
[0085]
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
[0086]
图1是本发明一示例性实施例提供的分布式电源集短期联合优化调度方法的流程示意图；
[0087]
图2是本发明一示例性实施例提供的分布式电源集短期联合优化调度系统的结构示意图；
[0088]
图3是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
[0089]
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
[0090]
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
[0091]
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
[0092]
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
[0093]
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
[0094]
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0095]
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
[0096]
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0097]
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
[0098]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
[0099]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0100]
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
[0101]
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
[0102]
示例性方法
[0103]
图1是本发明一示例性实施例提供的分布式电源集短期联合优化调度方法的流程示意图。本实施例可应用在电子设备上，如图1所示，分布式电源集短期联合优化调度方法100包括以下步骤：
[0104]
步骤101，基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，其中所述原始场景集为对光伏和负荷的预测误差数据进行采样生成的场景集；
[0105]
可选地，对原始场景集进行缩减之前，还包括：确定光伏和负荷的预测功率概率分布函数；基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集。
[0106]
可选地，基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集，包括：将预测功率概率分布函数曲线的纵轴分成n个等间距但不重叠的区间；选择每一个区间的中点作为yk的采样值，用概率分布函数ym＝f(xm)的反函数来计算xk的采样值，确定m个随机变量xm在n个场景中的值，得到m
×
n阶的场景矩阵h。，其中由场景矩阵h。中的各个元素组成原始场景集。
[0107]
在本发明实施例中，光伏出力及负荷需求受天气等各种复杂因素影响，具有随机性与波动性的特点，在预测过程中不可避免会产生预测误差。光伏/风电/负荷的预测误差δp符合期望为0，方差为σ2的正态分布，即δp～n(0，σ2)。再考虑到其预测值为常数μ，因此可将光伏/负荷功率p描述为期望为μ，方差为σ2的正态分布，即p～n(μ，σ2)。预测功率概率分布函数如式所示。
[0108][0109]
采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集。具体步骤如下：将预测功率概率分布函数曲线的纵轴分成n个等间距但不重叠的区间，选择每一个区间的中点作为yk的采样值，然后用概率分布函数ym＝f(xm)的反函数来计算xk的采样值，得到变量xm在n个场景中的值，再依次对m个随机变量进行上述处理，可以得到m
×
n阶的样本矩阵h。。
[0110]
可选地，基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，包括：设定原始场景集中每个场景的概率均等；对于原始场景集中的每个场景，计算该场景与原始场景集中的其他场景之间的kantorovich距离，到距离该场景最近的最小距离场景并标记，形成最小距离场景矩阵dc；对于原始场景集中的每个场景，将该场景的最小场景距离与该场景的概率相乘，求得该场景的概率距离，并出原始场景集中概率距离最下的目标场景，将该目标场景从原始场景集中剔除；确定距离被剔除的目标场景最近的最近场景，并将目标场景的概率添加到该最近场景的概率中；改变场景总数n＝n-1，返回kantorovich距离的计算步骤重复进行场景缩减过程，直至缩减后的场景数量满足需要保留的典型场景数目要求，得到场景数量满足要求的目标场景集。
[0111]
在本发明实施例中，采用拉丁超立方抽样得到的原始场景集能够较好的覆盖整个样本空间，但场景数目较多，为提高计算效率，需将场景集进行有效缩减，筛选出能充分逼近原始场景集的典型场景集。本发明基于kantorovich距离对原始场景集进行缩减。
[0112]
本发明采用同步回代消除法来对原始场景集进行缩减，具体步骤如下：
[0113]
步骤1：设定场景集中每个场景的概率均等，即任一个场景的概率p(ci)为：
[0114][0115]
式中ci表示场景集中的第i个场景。
[0116]
步骤2：对于每个场景ci，计算其与其他场景之间的kantorovich距离，到距离其最近的场景并标记，形成最小距离场景矩阵dc，即：
[0117]
dc(i)＝min{||c
i-cj||2,j∈[1,2,3
…
n],j≠i},i∈[1,2,3
…
n]
[0118]
步骤3：对于每个场景ci，将其最小场景距离与该场景的概率相乘，求得其概率距离，并出场景集中概率距离最下的场景c*，将其从场景集中剔除，此步骤可以剔除掉场景集中概率很小而且不具有代表性的场景。
[0119]
min{dc(i)p(ci)|i∈[1,2,3
…
n]}
[0120]
步骤4：寻到距离被剔除场景c*最近的场景，并将c*的概率添加到该最近场景的概率中。
[0121]
步骤5：改变场景总数n＝n-1，返回步骤2重复进行场景缩减过程，直至缩减后的场景数满足需要保留的典型场景数目要求，得到目标场景集。
[0122]
步骤102，基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件，其中所述目标函数以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标；
[0123]
在本发明实施例中，分布式电源集短期联合优化调度以实现配电网运行成本最低为优化目标，具体以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标。
[0124]
可选地，基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数，包括：
[0125]
确定配电网的有功功率损耗成本的计算式，为：
[0126][0127]
式中，k
loss
为单位电量有功功率损耗成本，n为节点数，c(i)表示所有以i为线路首节点的线路末节点的集合，r
ij
为线路ij的电阻，i
ij,s,t
为t时刻第s个场景下线路ij的电流，s为所述目标场景集的场景数量，
△
t为短期联合优化调度时间间隔；
[0128]
确定储能的充放电功率调节成本的计算式，为：
[0129][0130]
式中，k
ess
为储能单位充放电功率的调节成本，n
ess
为配电网中储能的数量，p
ch,i,s,t
、p
dis,i,s,t
分别为t时刻第s个场景下储能的充电功率和放电功率，s为所述目标场景集的场景数量，η
ch
、η
dis
为储能的充电效率和放电效率，d
ch,i,s,t
、d
dis,i,s,t
为0-1变量，表征t时刻第s个场景下储能的充放电状态；
[0131]
基于配电网的有功功率损耗成本的计算式以及储能的充放电功率调节成本的计算式，确定分布式电源集短期联合优化调度的目标函数，为：
[0132][0133]
式中，s为所述目标场景集的场景数量，ps为第s个场景的概率，c
loss,s,t
为单位时间内第s个场景下配电网的有功功率损耗成本，c
ess,s,t
为单位时间内第s个场景下储能的充放电功率调节成本。
[0134]
可选地，确定分布式电源集短期联合优化调度的约束条件，包括：确定分布式电
源集短期联合优化调度的潮流约束；确定分布式电源集短期联合优化调度的节点电压约束；确定分布式电源集短期联合优化调度的分布式电源集运行约束；确定分布式电源集短期联合优化调度的储能运行约束；确定分布式电源集短期联合优化调度的场景约束；确定分布式电源集短期联合优化调度的功率不平衡量约束。
[0135]
在本发明实施例中，潮流约束为：
[0136][0137]
式中，α(j)表示以节点j为末节点的支路首节点集合；β(j)表示以节点j为首节点的支路末节点集合；p
ij,s,t
、q
ij,s,t
分别为t时刻支路ij首端有功功率和无功功率；p
j,s,t
、q
j,s,t
分别为t时刻节点j有功功率和无功功率注入值；p
pv,j,s,t
、q
pv,j,s,t
分别为t时刻节点j处分布式电源集有功功率和无功功率；p
load,j,s,t
、q
load,j,s,t
分别为t时刻节点j处负荷有功功率和无功功率；p
ch,i,s,t
、p
dis,i,s,t
分别为储能装置的充放电功率；i
ij,s,t
为t时刻流过支路ij的电流幅值；u
i,s,t
为t时刻节点i的电压幅值；p
s,j,s,t
、q
s,j,s,t
为功率不平衡量。
[0138]
节点电压约束为：
[0139][0140]
式中，分别为节点i电压幅值上下限。
[0141]
分布式电源集运行约束为：
[0142]
本发明中分布式电源集主要考虑分布式光伏集。为保证光伏有功功率无需削减全部消纳，因此在调度中可充分利用其并网逆变器提供的无功调节能力，其无功受逆变器容量和有功功率限制。
[0143][0144][0145]
式中，q
pv,i,s,t
为t时刻节点i处分布式光伏集无功功率，为t时刻节点i处分布式光伏集中第m个分布式光伏有功出力日前预测值，分别为t时刻节点i处分布式光伏集无功出力的上下限，s
pvm,i
为节点i处分布式光伏集中第m个分布式光伏的容量。
[0146]
储能运行约束为：
[0147][0148]
式中，e
soc,i,s,t
表示储能装置的电量；p
ch,i,s,t
、p
dis,i,s,t
分别表示储能装置的充、放电功率；η
ch
、η
dis
分别表示储能装置的充、放电效率；为储能装置的最大充、放电功率；d
ch,i,s,t
、d
dis,i,s,t
为0-1变量，表征储能的充放电状态，该约束保证储能装置的充、放电不会在同一时刻发生；考虑到储能的使用寿命，限定储能容量的使用上下限为及
[0149]
为保证电力系统内各可调装置计划出力能够满足各种场景调度需求，设置以下场景约束：
[0150][0151]
式中，ps、qs、λs为电力系统内各可调装置有功、无功计划出力及状态变量。
[0152]
功率不平衡量约束为：
[0153]
为保证可行域非空，因此加入功率不平衡量对潮流约束进行松弛。但过度松弛将增加下一时间尺度的调度压力，因此需对功率不平衡量设置约束。
[0154][0155]
式中，p
s,j,max
、q
s,j,max
为功率不平衡量最大限值。
[0156]
步骤103，根据所述目标函数和所述约束条件，构建优化调度模型；
[0157]
在本发明实施例中，确定好目标函数和约束条件后，就可以构建分布式电源集短期联合优化调度的优化调度模型。
[0158]
步骤104，对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
[0159]
可选地，对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令，包括：将所述优化调度模型转换为二阶锥规划模型；采用求解器对所述二阶锥规划模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
[0160]
在本发明实施例中，构建得到的优化调度模型为非凸非线性问题，将优化调度模型转化为二阶锥规划模型进行求解。具体为：
[0161]
首先引入新变量，将优化调度模型中涉及到(u
i,s,t
)2及(i
ij,s,t
)2均替换成以下形
式：
[0162][0163]
替换后，优化调度模型中仅有潮流约束中的为非凸非线性约束，因此，根据二阶锥松弛方法的基本原理对其进行松弛，具体方法如下：
[0164][0165]
至此，优化调度模型即转换为可高效求解的二阶锥规划模型，可采用mosek或cplex等求解器实现对该二阶锥规划模型的高效求解，得到配电网的有功功率损耗成本和储能的充放电功率损耗成本。
[0166]
从而，本发明考虑到尽管原始场景集能够较好的覆盖整个样本空间，但是场景数目较多，为提高计算效率，基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集。通过上述方式，本发明可以将原始场景集进行有效缩减，筛选出能充分逼近原始场景集的目标场景集。然后基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件。其次，根据所述目标函数和所述约束条件，构建优化调度模型。最后，对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。本发明充分考虑源荷随机性，基于场景分析构建了涉及多场景的分布式电源集短期联合的优化调度模型。本发明针对分布式电源集出力的不确定性，充分发挥分布式电源集间的互补特性，协调配电网内的多种可调度资源开展对配电网的短期全局优化调度，保障配电网经济、安全运行。
[0167]
示例性系统
[0168]
图2是本发明一示例性实施例提供的分布式电源集短期联合优化调度系统的结构示意图。如图2所示，系统200包括：
[0169]
场景缩减模块210，用于基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，其中所述原始场景集为对光伏和负荷的预测误差数据进行采样生成的场景集；
[0170]
目标函数和约束条件确定模块220，用于基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件，其中所述目标函数以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标；
[0171]
优化调度模型构建模块230，用于根据所述目标函数和所述约束条件，构建优化调度模型；
[0172]
模型求解模块240，用于对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
[0173]
可选地，系统还包括原始场景集生成模块，具体用于：
[0174]
确定光伏和负荷的预测功率概率分布函数；
[0175]
基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集。
[0176]
可选地，原始场景集生成模块210，还具体用于：
[0177]
将预测功率概率分布函数曲线的纵轴分成个等间距但不重叠的区间；
[0178]
选择每一个区间的中点作为的采样值，用概率分布函数ym＝f(xm)的反函数来计算的采样值，确定个随机变量在个场景中的值，得到
×
阶的场景矩阵。，其中由场景矩阵。中的各个元素组成原始场景集。
[0179]
可选地，场景缩减模块210，具体用于：
[0180]
设定原始场景集中每个场景的概率均等；
[0181]
对于原始场景集中的每个场景，计算该场景与原始场景集中的其他场景之间的距离，到距离该场景最近的最小距离场景并标记，形成最小距离场景矩阵；
[0182]
对于原始场景集中的每个场景，将该场景的最小场景距离与该场景的概率相乘，求得该场景的概率距离，并出原始场景集中概率距离最下的目标场景，将该目标场景从原始场景集中剔除；
[0183]
确定距离被剔除的目标场景最近的最近场景，并将目标场景的概率添加到该最近场景的概率中；
[0184]
改变场景总数n＝n-1，返回距离的计算步骤重复进行场景缩减过程，直至缩减后的场景数量满足需要保留的典型场景数目要求，得到场景数量满足要求的目标场景集。
[0185]
可选地，目标函数和约束条件确定模块220，具体用于：
[0186]
确定配电网的有功功率损耗成本的计算式，为：
[0187][0188]
式中，k
loss
为单位电量有功功率损耗成本，为节点数，()表示所有以为线路首节点的线路末节点的集合，为线路的电阻，,,为时刻第个场景下线路的电流，为所述目标场景集的场景数量，
△
为短期联合优化调度时间间隔；
[0189]
确定储能的充放电功率调节成本的计算式，为：
[0190][0191]
式中，k
ess
为储能单位充放电功率的调节成本，n
ess
为配电网中储能的数量，,,,、,,,分别为时刻第个场景下储能的充电功率和放电功率，为所述目标场景集的场景数量，η
ch
、η
dis
为储能的充电效率和放电效率，,,,、,,,为0-1变量，表征时刻第个场景下储能的充放电状态；
[0192]
基于配电网的有功功率损耗成本的计算式以及储能的充放电功率调节成本的计算式，确定分布式电源集短期联合优化调度的目标函数，为：
[0193][0194]
式中，为所述目标场景集的场景数量，为第个场景的概率，c
loss,s,t
为单位时间内第个场景下配电网的有功功率损耗成本，c
ess,s,t
为单位时间内第个场景下储能的充放电功率调节成本。
[0195]
可选地，目标函数和约束条件确定模块220，还具体用于：
[0196]
确定分布式电源集短期联合优化调度的潮流约束；
[0197]
确定分布式电源集短期联合优化调度的节点电压约束；
[0198]
确定分布式电源集短期联合优化调度的分布式电源集运行约束；
[0199]
确定分布式电源集短期联合优化调度的储能运行约束；
[0200]
确定分布式电源集短期联合优化调度的场景约束；
[0201]
确定分布式电源集短期联合优化调度的功率不平衡量约束。
[0202]
可选地，优化调度模型构建模块240，具体用于：
[0203]
将所述优化调度模型转换为二阶锥规划模型；
[0204]
采用求解器对所述二阶锥规划模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
[0205]
本发明的实施例的分布式电源集短期联合优化调度系统200与本发明的另一个实施例的分布式电源集短期联合优化调度方法100相对应，在此不再赘述。
[0206]
示例性电子设备
[0207]
图3是本发明一示例性实施例提供的电子设备的结构。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图3图示了根据本发明实施例的电子设备的框图。如图3所示，电子设备30包括一个或多个处理器31和存储器32。
[0208]
处理器31可以是中央处理单元(未示出)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
[0209]
存储器32可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(未示出)和/或高速缓冲存储器(未示出)等。所述非易失性存储器例如可以包括只读存储器(未示出)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器31可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入系统33和输出系统34，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0210]
此外，该输入系统33还可以包括例如键盘、鼠标等等。
[0211]
该输出系统34可以向外部输出各种信息。该输出设备34可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0212]
当然，为了简化，图3中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
[0213]
示例性计算机程序产品和计算机可读存储介质
[0214]
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。
[0215]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如、
++等，还包括常规的过程式程序设计语言，诸如
“”
语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0216]
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。
[0217]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器、只读存储器、可擦式可编程只读存储器(或闪存)、光纤、便携式紧凑盘只读存储器、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0218]
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
[0219]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0220]
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0221]
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
[0222]
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此
公开的原理和新颖的特征一致的最宽范围。
[0223]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：

1.一种分布式电源集短期联合优化调度方法，其特征在于，包括：基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，其中所述原始场景集为对光伏和负荷的预测误差数据进行采样生成的场景集；基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件，其中所述目标函数以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标；根据所述目标函数和所述约束条件，构建优化调度模型；对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。2.根据权利要求1所述的方法，其特征在于，对原始场景集进行缩减之前，还包括：确定光伏和负荷的预测功率概率分布函数；基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集。3.根据权利要求2所述的方法，其特征在于，基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集，包括：将预测功率概率分布函数曲线的纵轴分成n个等间距但不重叠的区间；选择每一个区间的中点作为y
k
的采样值，用概率分布函数y
m
＝f(x
m
)的反函数来计算x
k
的采样值，确定m个随机变量x
m
在n个场景中的值，得到m
×
n阶的场景矩阵h。，其中由场景矩阵h。中的各个元素组成原始场景集。4.根据权利要求3所述的方法，其特征在于，基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，包括：设定原始场景集中每个场景的概率均等；对于原始场景集中的每个场景，计算该场景与原始场景集中的其他场景之间的kantorovich距离，到距离该场景最近的最小距离场景并标记，形成最小距离场景矩阵d
c
；对于原始场景集中的每个场景，将该场景的最小场景距离与该场景的概率相乘，求得该场景的概率距离，并出原始场景集中概率距离最下的目标场景，将该目标场景从原始场景集中剔除；确定距离被剔除的目标场景最近的最近场景，并将目标场景的概率添加到该最近场景的概率中；改变场景总数n＝n-1，返回kantorovich距离的计算步骤重复进行场景缩减过程，直至缩减后的场景数量满足需要保留的典型场景数目要求，得到场景数量满足要求的目标场景集。5.根据权利要求1所述的方法，其特征在于，基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数，包括：确定配电网的有功功率损耗成本的计算式，为：式中，k
loss
为单位电量有功功率损耗成本，n为节点数，c(i)表示所有以i为线路首节点
的线路末节点的集合，r
ij
为线路ij的电阻，i
ij,s,t
为t时刻第s个场景下线路ij的电流，s为所述目标场景集的场景数量，
△
t为短期联合优化调度时间间隔；确定储能的充放电功率调节成本的计算式，为：式中，k
ess
为储能单位充放电功率的调节成本，n
ess
为配电网中储能的数量，p
ch,i,s,t
、p
dis,i,s,t
分别为t时刻第s个场景下储能的充电功率和放电功率，s为所述目标场景集的场景数量，η
ch
、η
dis
为储能的充电效率和放电效率，d
ch,i,s,t
、d
dis,i,s,t
为0-1变量，表征t时刻第s个场景下储能的充放电状态；基于配电网的有功功率损耗成本的计算式以及储能的充放电功率调节成本的计算式，确定分布式电源集短期联合优化调度的目标函数，为：式中，s为所述目标场景集的场景数量，p
s
为第s个场景的概率，c
loss,s,t
为单位时间内第s个场景下配电网的有功功率损耗成本，c
ess,s,t
为单位时间内第s个场景下储能的充放电功率调节成本。6.根据权利要求5所述的方法，其特征在于，确定分布式电源集短期联合优化调度的约束条件，包括：确定分布式电源集短期联合优化调度的潮流约束；确定分布式电源集短期联合优化调度的节点电压约束；确定分布式电源集短期联合优化调度的分布式电源集运行约束；确定分布式电源集短期联合优化调度的储能运行约束；确定分布式电源集短期联合优化调度的场景约束；确定分布式电源集短期联合优化调度的功率不平衡量约束。7.根据权利要求6所述的方法，其特征在于，对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令，包括：将所述优化调度模型转换为二阶锥规划模型；采用求解器对所述二阶锥规划模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。8.一种分布式电源集短期联合优化调度系统，其特征在于，包括：场景缩减模块，用于基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，其中所述原始场景集为对光伏和负荷的预测误差数据进行采样生成的场景集；目标函数和约束条件确定模块，用于基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件，其中所述目标函数以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标；优化调度模型构建模块，用于根据所述目标函数和所述约束条件，构建优化调度模型；模型求解模块，用于对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。
9.根据权利要求8所述的系统，其特征在于，还包括原始场景集生成模块，具体用于：确定光伏和负荷的预测功率概率分布函数；基于预测功率概率分布函数，采用拉丁超立方抽样对光伏及负荷预测误差数据进行采样，得到原始场景集。10.根据权利要求9所述的系统，其特征在于，原始场景集生成模块，还具体用于：将预测功率概率分布函数曲线的纵轴分成n个等间距但不重叠的区间；选择每一个区间的中点作为y
k
的采样值，用概率分布函数y
m
＝f(x
m
)的反函数来计算x
k
的采样值，确定m个随机变量x
m
在n个场景中的值，得到m
×
n阶的场景矩阵h。，其中由场景矩阵h。中的各个元素组成原始场景集。11.根据权利要求10所述的系统，其特征在于，场景缩减模块，具体用于：设定原始场景集中每个场景的概率均等；对于原始场景集中的每个场景，计算该场景与原始场景集中的其他场景之间的kantorovich距离，到距离该场景最近的最小距离场景并标记，形成最小距离场景矩阵d
c
；对于原始场景集中的每个场景，将该场景的最小场景距离与该场景的概率相乘，求得该场景的概率距离，并出原始场景集中概率距离最下的目标场景，将该目标场景从原始场景集中剔除；确定距离被剔除的目标场景最近的最近场景，并将目标场景的概率添加到该最近场景的概率中；改变场景总数n＝n-1，返回kantorovich距离的计算步骤重复进行场景缩减过程，直至缩减后的场景数量满足需要保留的典型场景数目要求，得到场景数量满足要求的目标场景集。12.根据权利要求8所述的系统，其特征在于，目标函数和约束条件确定模块，具体用于：确定配电网的有功功率损耗成本的计算式，为：式中，k
loss
为单位电量有功功率损耗成本，n为节点数，c(i)表示所有以i为线路首节点的线路末节点的集合，r
ij
为线路ij的电阻，i
ij,s,t
为t时刻第s个场景下线路ij的电流，s为所述目标场景集的场景数量，
△
t为短期联合优化调度时间间隔；确定储能的充放电功率调节成本的计算式，为：式中，k
ess
为储能单位充放电功率的调节成本，n
ess
为配电网中储能的数量，p
ch,i,s,t
、p
dis,i,s,t
分别为t时刻第s个场景下储能的充电功率和放电功率，s为所述目标场景集的场景数量，η
ch
、η
dis
为储能的充电效率和放电效率，d
ch,i,s,t
、d
dis,i,s,t
为0-1变量，表征t时刻第s个场景下储能的充放电状态；基于配电网的有功功率损耗成本的计算式以及储能的充放电功率调节成本的计算式，
确定分布式电源集短期联合优化调度的目标函数，为：式中，s为所述目标场景集的场景数量，p
s
为第s个场景的概率，c
loss,s,t
为单位时间内第s个场景下配电网的有功功率损耗成本，c
ess,s,t
为单位时间内第s个场景下储能的充放电功率调节成本。13.根据权利要求12所述的系统，其特征在于，目标函数和约束条件确定模块，还具体用于：确定分布式电源集短期联合优化调度的潮流约束；确定分布式电源集短期联合优化调度的节点电压约束；确定分布式电源集短期联合优化调度的分布式电源集运行约束；确定分布式电源集短期联合优化调度的储能运行约束；确定分布式电源集短期联合优化调度的场景约束；确定分布式电源集短期联合优化调度的功率不平衡量约束。14.根据权利要求13所述的系统，其特征在于，优化调度模型构建模块，具体用于：将所述优化调度模型转换为二阶锥规划模型；采用求解器对所述二阶锥规划模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。15.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的方法。16.一种电子设备，其特征在于，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述的方法。

技术总结

本发明公开了一种分布式电源集短期联合优化调度方法及系统。其中，方法包括：基于预设的场景缩减算法，对原始场景集进行缩减，得到场景数量满足要求的目标场景集，其中所述原始场景集为对光伏和负荷的预测误差数据进行采样生成的场景集；基于所述目标场景集，确定分布式电源集短期联合优化调度的目标函数和约束条件，其中所述目标函数以配电网的有功功率损耗成本及储能的充放电功率调节成本之和最小为优化目标；根据所述目标函数和所述约束条件，构建优化调度模型；对所述优化调度模型进行求解，得到分布式电源集无功功率及储能充放电功率的优化调度指令。能充放电功率的优化调度指令。能充放电功率的优化调度指令。