一种低压直流互联台区多时间尺度协调调度方法及装置与流程

1.本发明涉及一种低压直流互联台区多时间尺度协调调度方法及装置，属于电力系统调度领域。

背景技术：

2.在“碳达峰”和“碳中和”战略目标背景下，光伏、电动汽车等分布式源荷的大规模接入给低压配电台区安全稳定运行带来了巨大挑战。在现有低压台区的分散运行模式下，分布式光伏的强随机性和间歇性，以及电动汽车负荷的激增，容易引起设备过载和负荷缺额等问题，从而限制了低压台区的光伏消纳能力。如何针对现有台区进行合理改造，协调各台区可控资源，降低光伏不确定性的影响，提高台区的光伏消纳能力，实现台区安全稳定运行是当前亟待解决的问题。
3.针对目前存在问题，通过现有直流充电桩改造，实现台区间的低压直流互联是有效的解决方案。低压直流具有组网方案灵活、应用场景广泛等优点，通过直流充电桩改造实现低压台区互联，能够节约改造成本，充分发挥不同台区的互补特性，提高低压台区对电动汽车负荷和光伏的容纳能力，降低运行成本。在实际运行中，需要在多个时间尺度对台区各可控资源进行协调调度，但是目前还没有相应的方法。

技术实现要素：

4.本发明提供了一种低压直流互联台区多时间尺度协调调度方法及装置，解决了背景技术中披露的问题。
5.为了解决上述技术问题，本发明所采用的技术方案是：
6.一种低压直流互联台区多时间尺度协调调度方法，包括：
7.根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类；其中，对历史光伏出力数据进行场景筛选包括对长时间历史光伏出力数据进行场景筛选和对短时历史光伏出力数据进行场景筛选；
8.基于长时间历史光伏出力数据的场景聚类结果，采用日前长时间优化调度方法，获取日前调度计划；其中，日前长时间优化调度方法包括上层的随机规划方法和下层的鲁棒优化方法，上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标；
9.基于短时历史光伏出力数据的场景聚类结果，采用日内滚动优化调度方法，对日前调度计划进行滚动修正；
10.基于当前时刻光伏实际出力，将滚动修正后的日前调度计划作为输入，采用实时优化调度方法，对低压直流互联台区换流器功率、负荷削减功率、电动汽车限额功率进行实时调度。
11.根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类，包括：
12.根据光伏预测出力和光伏预测误差，确定光伏波动区间；
13.对历史光伏出力数据进行场景筛选，获得光伏波动区间内的场景；
14.对光伏波动区间内的场景进行聚类。
15.上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，优化日前调度计划；其中，上层随机规划优化方法优化的日前调度计划包括可转移负荷转移时段、可转移负荷转移功率、可削减负荷削减时段、储能充放电状态、储能充放电功率基值和配电变压器功率基值。
16.上层随机规划优化方法采用的：
[0017][0018]
ax+byk+ζk≤c
[0019][0020]
其中，x为日前调度计划，f1(x)为日前调度成本，kc为聚类的类别总数，ρk为第k类的概率，f
2,k
为第k类最恶劣场景的日内调度成本，a、b、c为约束所对应的系数矩阵或向量，yk为第k类最恶劣场景所对应的日内调度计划，ζk为第k类最恶劣场景的光伏出力。
[0021]
下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标，优化日前调度计划；其中，下层鲁棒优化方法优化的日前调度计划包括储能充放电功率调整量、配电变压器功率调整量、可削减负荷削减功率、电动汽车负荷限额功率和换流器功率。
[0022]
下层鲁棒优化方法采用的优化模型为：
[0023][0024][0025]
ax+by
k,i
+ζ
k,i
≤c
[0026]
for:k＝1,2,...kc[0027]
其中，ζk为第k类最恶劣场景的光伏出力，f
2,k
为第k类最恶劣场景的日内调度成本，a、b、c为约束所对应的系数矩阵或向量，ωk为第k类中相似场景的集合，f
2,k,i
为第k类中第i个相似场景的日内调度成本，kc为聚类的类别总数，y
k,i
为第k类中第i个相似场景日内调度策略，ζ
k,i
第k类中第i个相似场景的光伏出力。
[0028]
日内滚动优化调度方法采用随机规划方法。
[0029]
一种低压直流互联台区多时间尺度协调调度装置，包括：
[0030]
聚类模块，根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类；其中，对历史光伏出力数据进行场景筛选包括对长时间历史光伏出力数据进行场景筛选和对短时历史光伏出力数据进行场景筛选；
[0031]
日前长时间优化调度模块，基于长时间历史光伏出力数据的场景聚类结果，采用日前长时间优化调度方法，获取日前调度计划；其中，日前长时间优化调度方法包括上层的随机规划方法和下层的鲁棒优化方法，上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标；
[0032]
日内滚动优化调度模块，基于短时历史光伏出力数据的场景聚类结果，采用日内滚动优化调度方法，对日前调度计划进行滚动修正；
[0033]
实时优化调度模块，基于当前时刻光伏实际出力，将滚动修正后的日前调度计划作为输入，采用实时优化调度方法，对低压直流互联台区换流器功率、负荷削减功率、电动汽车限额功率进行实时调度。
[0034]
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行低压直流互联台区多时间尺度协调调度方法。
[0035]
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行低压直流互联台区多时间尺度协调调度方法的指令
[0036]
本发明所达到的有益效果：1、本发明采用日前长时间优化调度方法，获取日前调度计划，采用日内滚动优化调度方法，对日前调度计划进行滚动修正，采用实时优化调度方法，对换流器功率、负荷削减功率、电动汽车限额功率进行调度，实现了低压直流互联台区多时间尺度协调调度，在多个时间尺度对台区可控资源进行灵活调度，降低了光伏出力随机性的影响，提高了配电台区运行的经济性和安全性；2、本发明日前调度采用的随机-鲁棒双层优化调度，对随机规划的经济性和鲁棒优化的鲁棒性进行了较好的均衡，并且大幅提高了求解效率。
附图说明
[0037]
图1为本发明方法的流程图；
[0038]
图2为本发明方法的具体流程图；
[0039]
图3为柔性台区示范工程结构图；
[0040]
图4为台区互联前后配电变压器负载率曲线图；
[0041]
图5(a)为台区互联前的柔性负荷响应；
[0042]
图5(b)为台区互联后的柔性负荷响应；
[0043]
图6为互联前台区弃光量和负荷缺额情况图；
[0044]
图7为互联后日前-日内配电变压器功率曲线图。
具体实施方式
[0045]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0046]
如图1所示，一种低压直流互联台区多时间尺度协调调度方法，包括以下步骤：
[0047]
步骤1，根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类；其中，对历史光伏出力数据进行场景筛选包括对长时间历史光伏出力数据进行场景筛选和对短时历史光伏出力数据进行场景筛选；
[0048]
步骤2，基于长时间历史光伏出力数据的场景聚类结果，采用日前长时间优化调度方法，获取日前调度计划；其中，日前长时间优化调度方法包括上层的随机规划方法和下层
的鲁棒优化方法，上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标；
[0049]
步骤3，基于短时历史光伏出力数据的场景聚类结果，采用日内滚动优化调度方法，对日前调度计划进行滚动修正；
[0050]
步骤4，基于当前时刻光伏实际出力，将滚动修正后的日前调度计划作为输入，采用实时优化调度方法，对低压直流互联台区换流器功率、负荷削减功率、电动汽车限额功率进行实时调度。
[0051]
上述方法采用日前长时间优化调度方法，获取日前调度计划，采用日内滚动优化调度方法，对日前调度计划进行滚动修正，采用实时优化调度方法，对换流器功率、负荷削减功率、电动汽车限额功率进行调度，实现了低压直流互联台区多时间尺度协调调度，在多个时间尺度对台区可控资源进行灵活调度，降低了光伏出力随机性的影响，提高了配电台区运行的经济性和安全性。
[0052]
如图2所示，在进行优化之前，可以对台区终端设备和柔性负荷建模，构建低压直流互联台区多设备协调优化模型，该模型实质为确定性优化模型，可在该模型的基础上，根据不同设备的灵活性，构建日前、日内短时和日内实时调度模型，从而将不同设备的调度策略在日前、日内短时和日内实时阶段进行调度决策。该模型包括运行成本最小目标函数、以及配电变压器、储能、ac/dc变换器、柔性负荷、直流母线运行约束。
[0053]
其中，目标函数具体以互联台区总运行成本最小为目标，包括配电变压器端口购电成本、储能折旧成本、负荷削减惩罚成本、电动汽车充电站负荷限额惩罚成本和弃光惩罚成本，用公式可以表示为：
[0054][0055][0056][0057][0058][0059][0060]
其中，u为配电台区可控设备决策变量，c
tap
为配电变压器端口购电成本，c
ess
储能折旧成本，c
cl
为负荷削减惩罚成本，c
lim
为电动汽车充电站负荷限额惩罚成本，c
pv
为弃光惩罚成本，t为总调度时段，c
e,t
为分时购电电价，n
tap
为互联台区配电变压总数，p
tap,l,t
为配电
变压器l在t时段输出功率，c
fe,l,t
为配电变压器l在t时段的铁损，c
cu,l,t
为配电变压器l在t时段的铜损，n
ess
为互联台区储能装置个数，为储能j单位容量投资成本，为储能j的额定容量，n
life,j
为储能j最大充放电次数，u
ess,j,t
为储能j充放电状态切换变量，c
ls,t
为t时段可削减负荷补偿价格，p
ls,l,t
为t时段配电变压器l所带的可削减负荷的削减功率，λ
ev
为电动汽车限额功率惩罚系数，为与配电变压器l相连的交流电动汽车充电站限额功率，为直流母线上的直流电动汽车充电站限额功率，c
cut
为弃光单位惩罚价格，为t时段弃光功率。
[0061]
配电变压器运行约束用公式可以表示为：
[0062][0063]
式中：β
l,t
为配电变压器l在t时段的负载率，s
tap,l
为配电变压器l的额定容量，c
fe
为互联台区配电变压器的总铁损，c
cu,t
为t时段互联台区配电变压器的总铜损，l
fe,l
为配电变压器l的额定铁损；l
cu,l
为配电变压器l的额定铜损，p
l,l,t
为配电变压器l所带的负荷功率，p
vsc,l,t
为与配电变压器l相连的vsc功率，为与配电变压器l相连的交流电动汽车充电站需求功率，为配电变压器l配电变压器功率上限。
[0064]
储能运行约束用公式可以表示为：
[0065][0066]
其中，p
ch,j,t
和p
dis,j,t
分别为储能j的充、放电功率，u
ch,j,t
和u
dis,j,t
分别为储能充、放电状态，u
ch,j,t
和u
ch,j,t-1
分别为t时段和t-1时段储能j的充电状态，u
dis,j,t
和u
dis,j,t-1
分别为t时段和t-1时段储能j的放电状态，p
ch,j,t
和p
dis,j,t
分别为储能j充放电功率，和分别为储能充电和放电功率上限，e
j,t
和e
j,t-1
分别为t时段和t-1时段储能j的电量，κj为储能j自放电系数，η
ch,j
和η
dis,j
分别为储能j充、放电效率，u
ess,j,t
为储能j充放电切换状态，为调度周期内储能最大充放电次数，ω
ess
储能集合。
[0067]
换流器容量约束用公式可以表示为：
[0068][0069]
其中，p
vsc,l,t
为与配电变压器l相连的vsc有功功率，为p
vsc,l,t
的上限。
[0070]
柔性负荷响应约束用公式可以表示为：
[0071][0072]
其中，p
l,l,t
为柔性负荷响应后配电变压器l所带的负荷功率，为柔性负荷响应前配电变压器l所带的的负荷功率，p
lt,l,t
为可转移负荷转移功率，u
ls,l,t
为t时段负荷削减状态，为t时段配电变压器l所带的可削减负荷削减功率上限，ω
ls
可削减负荷集合，u
lt,l,t
为t时段配电变压器l所带的可转移负荷响应状态；为配电变压器l所带的可转移负荷转移功率上限。
[0073]
直流母线功率平衡约束用公式可以表示为：
[0074][0075]
其中，η
vsc,l
为与配电变压器l相连的vsc转换效率，n
ess
为直流母线上连接的储能个数，p
ch,j,t
和p
dis,j,t
分别为储能j充放电功率，为直流充电桩需求功率，p
pv,t
为t时段光伏出力。
[0076]
在上述模型的基础上，根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类，具体过程可以为：
[0077]
1)根据低压直流互联台区光伏预测出力和光伏预测误差，确定光伏波动区间，用公式可表示为：
[0078]
(1-δ
t,max
)p
pv,t,max
≤p
pv,t
≤(1+δ
t,max
)p
pv,t,max
[0079]
其中，δ
t,max
为光伏预测误差，p
pv,t,max
为p
pv,t
的上限；
[0080]
2)对历史光伏出力数据进行场景筛选，获得光伏波动区间内的场景；
[0081]
其中，对历史光伏出力数据进行场景筛选包括对长时间历史光伏出力数据进行场景筛选和对短时历史光伏出力数据进行场景筛选；
[0082]
3)对光伏波动区间内的场景进行聚类；
[0083]
这里采用k-mean聚类算法，具体程序逻辑见表1；
[0084]
表1 k-mean聚类算法程序逻辑
[0085][0086]
基于场景聚类结果，考虑各设备的灵活性，结合随机规划和鲁棒优化，进行低压直流互联台区多时间尺度协调调度，包括依此进行的日前长时间优化调度、日内滚动优化调度和实时优化调度。
[0087]
基于长时间历史光伏出力数据的场景聚类结果，采用日前长时间优化调度方法，获取日前调度计划：
[0088]
日前长时间调度以1小时为间隔，优化未来24小时的日前调度计划。基于聚类分析结果，采用随机-鲁棒双层优化方法处理光伏出力的随机性。
[0089]
日前长时间优化调度方法包括上层的随机规划方法和下层的鲁棒优化方法。
[0090]
上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，优化日前调度计划；其中，最恶劣场景即日内调度成本最高的场景，上层随机规划优化方法优化的日前调度计划包括可转移负荷转移时段、可转移负荷转移功率、可削减负荷削减时段、储能充放电状态、储能充放电功率基值和配电变压器功率基值。下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标，优化日前调度计划；其中，下层鲁棒优化方法优化的日前调度计划包括储能充放电功率调整量、配电变压器功率调整量、可削减负荷削减功率、电动汽车负荷限额功率和换流器功率。
[0091]
相对传统随机规划，这种随机-鲁棒优化通过场景分类减小了样本空间，提高了求解效率，同时，通过下层鲁棒优化选取各类中最恶劣场景为代表场景，提高了模型的鲁棒性。相对传统鲁棒优化，随机-鲁棒优化通过结合随机规划的概率分布，削弱了最恶劣场景的鲁棒性，提高了模型的经济性。
[0092]
上层随机规划方法采用的优化模型的紧凑形式为：
[0093][0094]
ax+byk+ζk≤c
[0095][0096]
其中，x为日前调度计划，kc为聚类的类别总数，ρk为第k类的概率，等于第k类中的场景数nk除以场景总数m，f
2,k
为第k类最恶劣场景的日内调度成本，a、b、c为约束所对应的系数矩阵或向量，yk为第k类最恶劣场景所对应的日内调度计划，ζk为第k类最恶劣场景的光伏出力，f1为日前调度成本，f1＝c
tap
+c
ess
。
[0097]
下层鲁棒方法采用的优化模型的紧凑形式为：
[0098][0099][0100]
ax+by
k,i
+ζ
k,i
≤c
[0101]
for:k＝1,2,...kc[0102]
其中，f
2,k
为第k类最恶劣场景的日内调度成本，ωk为第k类中相似场景的集合，f
2,k,i
为第k类中第i个相似场景的日内调度成本，y
k,i
为第k类中第i个相似场景日内调度策略，ζ
k,i
第k类中第i个相似场景的光伏出力。
[0103]
日内调度成本其中，n
tap
为配电变压器个数，和分别为配电变压器功率日内上调和下调惩罚系数(高于分时电价)，和分别为t时段配电变压器l日内上调和下调功率。
[0104]
约束包括上述的配电变压器运行约束式、储能运行约束式、换流器运行约束约式、柔性负荷响应约束式以及直流母线功率平衡约束式。
[0105]
由于上层随机规划和下层鲁棒优化间存在变量的相互耦合，难以直接求解，依据ccg算法的思想，将其差分为以下主子问题迭代求解：
[0106]
主问题最小化各类中最恶劣场景的期望成本，获取当前最优日前调度策略，主问题模型如下：
[0107][0108]
ax+by
k,i
+ζ
k,i
≤c
[0109]f2,k
≥f
2,k,i
(y
k,i
,ζ
k,i
)
[0110][0111]
其中，为第m次迭代中第k类的当前恶劣场景集合。
[0112]
子问题根据当前日前调度计划，最小化各类中最恶劣场景的日内调度成本，识别最恶劣场景，子问题模型如下：
[0113][0114][0115]
ax
*
+by
k,i
+ζ
k,i
≤c
[0116]
for:k＝1,...kc[0117]
其中，x
*
为主问题获取的当前日前最优调度策略，为第m次迭代子问题识别的第k类的当前最恶劣场景，为第m次迭代第k类中最恶劣场景的最优调度成本。
[0118]
随机-鲁棒双层优化分解迭代求解算法，具体程序逻辑见表2；
[0119]
表2随机-鲁棒双层优化分解迭代求解算法程序逻辑
[0120][0121]
日前调度采用的随机-鲁棒双层优化调度，对随机规划的经济性和鲁棒优化的鲁棒性进行了较好的均衡，并且大幅提高了求解效率。
[0122]
基于短时历史光伏出力数据的场景聚类结果，采用日内滚动优化调度方法，对日前调度计划的配电变压器功率和储能充放电功率进行滚动修正：
[0123]
日内滚动优化调度方法采用随机规划方法，日内短时优化调度根据短时光伏预测数据和聚类结果，以15min为间隔，采用随机规划对未来1小时的日内短时调度计划进行滚动优化，即在t时段最小化未来t+1，t+2和t+3时段的期望成本，进入t+1时段，依次向后推移。日内短时调度计划包括储能充放电调整功率、配电变压器调整功率、换流站功率、负荷削减功率和充电站限额功率。
[0124]
日内短时调度以各场景期望成本为目标，即f2最小。调度成本包括配变功率调整惩罚成本、可削减负荷响应补偿成本和充电站功率限额惩罚成本，用公式可以表示为：
[0125]
[0126]
其中，t0为当前调度时段；s为场景下标，k
in
为场景个数，ρs为第s个场景概率，p
ls,s,l,t
为t时段第s个场景所对应的可削减负荷日内实时削减功率，为t时段第s个场景所对应的直流电动汽车充电站日内实时负荷限额功率，为t时段第s个场景所对应的交流电动汽车充电站日内实时负荷限额功率，为t时段第s个场景所对应的光伏日内实时削减功率。
[0127]
约束包括配电变压器功率上限约束，储能充放电功率上限约束和电量平衡约束，换流器功率上限约束、可削减负荷削减功率上限约束以及直流母线功率平衡约束。
[0128]
基于当前时刻光伏实际出力，将滚动修正后的日前调度计划作为输入，采用实时优化调度方法，对换流器功率、负荷削减功率、电动汽车限额功率进行实时调度：
[0129]
实时优化调度当前时刻运行成本最小为目标，即f
real,t
最小，根据当前时刻光伏实际出力对换流器功率、负荷削减功率、电动汽车限额功率进行秒级灵活调度，调度成本包括可削减负荷响应补偿成本和充电站功率限额惩罚成本，用公式可以表示为：
[0130][0131]
约束包括换流器功率上限约束、可削减负荷削减功率上限约束以及直流母线功率平衡约束。
[0132]
为了验证上述方法，设置图3所示的柔性台区示范工程共有4个低压台区，通过低压直流进行互联，包括交流充电桩和直流充电桩各3台，容量分别为60kw和120kw，储能和光伏直接接入低压直流母线，容量分别为200kw和500kw；考虑到未来台区中负荷的调控作用，加入了可转移负荷和可削减负荷，分别占基准负荷的0.2和0.1，台区1到台区4配电变压器容量分别为630kva、630kva、800kva和800kva，ac/dc换流器容量分别为200kva、200kva、200kva、300kva，转换效率为0.98。
[0133]
设置场景1：各低压台区无互联，直流充电桩接入t2台区，储能接入t3台区，光伏接入t4台区。场景2：各台区通过低压直流互联，光伏、储能和分布式光伏接入直流母线。
[0134]
1、柔性台区可控资源调度分析
[0135]
低压台区互联前后配电变压器负载率曲线如图4所示，互联前(场景1)各配电变压器负载率相差大，在功率倒送问题。同时，由于配变容量限制造成了16.9kwh的负荷缺额；互联后(场景2)各台区配电变压器负载率相对均衡，无负荷缺额问题。台区互联前后可转移负荷调度响应如图5(a)、5(b)所示，互联前台区弃光量和负荷缺额量如图6示。由图5(a)、5(b)、6知，互联前t4台区仅靠柔性负荷响应促进光伏消纳，导致了206.9kwh弃光量，占总光伏电量的5.7％；互联后不同台区间互补特性促进了光伏消纳，无弃光现象发生。因此台区低压直流互联后，能够有效降低负荷缺额，提高光伏消纳，缓解配电变压器容量紧张问题。
[0136]
场景2日前和日内配电变压器功率变化曲线如图7示。由于在日前调度阶段计及光伏出力的随机性，因此日前和日内配电变压器功率波动较小，较好的适应了光伏出力的随机性。
[0137]
2、日前随机-鲁棒优化方法分析
[0138]
日前随机-鲁棒优化方法与随机规划、鲁棒优化方法对比如表3所示。
[0139]
表3对比表
[0140][0141]
由表3可知相对鲁棒优化，随机-鲁棒优化的日前成本降低49.95元，即经济性更好；相对随机规划，随机-鲁棒优化的日内平均成本和最大成本分别降低16.52元和42.749元，即鲁棒性提高；因此随机-鲁棒方法对随机规划的经济性和鲁棒优化的鲁棒性做出了较好的均衡。同时相对随机规划和鲁棒优化，求解时间分别缩短了97.7％和96.6％，大幅提高了求解效率。
[0142]
通过直流充电桩改造实现台区低压直流互联后，结合上述方法能够有效降低电动汽车负荷缺额，提高光伏消纳，缓解配电变压器容量紧缺问题。
[0143]
基于相同的技术方案，本发明还公开了上述方法的软件装置，一种低压直流互联台区多时间尺度协调调度装置，包括：
[0144]
聚类模块，根据光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类；其中，对历史光伏出力数据进行场景筛选包括对长时间历史光伏出力数据进行场景筛选和对短时历史光伏出力数据进行场景筛选；
[0145]
日前长时间优化调度模块，基于长时间历史光伏出力数据的场景聚类结果，采用日前长时间优化调度方法，获取日前调度计划；其中，日前长时间优化调度方法包括上层的随机规划方法和下层的鲁棒优化方法，上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标；
[0146]
日内滚动优化调度模块，基于短时历史光伏出力数据的场景聚类结果，采用日内滚动优化调度方法，对日前调度计划进行滚动修正；
[0147]
实时优化调度模块，基于当前时刻光伏实际出力，将滚动修正后的日前调度计划作为输入，采用实时优化调度方法，对低压直流互联台区换流器功率、负荷削减功率、电动汽车限额功率进行实时调度。
[0148]
上述装置各模块的处理流程与方法的一致，这里不重复描述了。
[0149]
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行低压直流互联台区多时间尺度协调调度方法。
[0150]
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行低压直流互联台区多时间尺度协调调度方法的指令。
[0151]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0152]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0153]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0154]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0155]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

技术特征：

1.一种低压直流互联台区多时间尺度协调调度方法，其特征在于，包括：根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类；其中，对历史光伏出力数据进行场景筛选包括对长时间历史光伏出力数据进行场景筛选和对短时历史光伏出力数据进行场景筛选；基于长时间历史光伏出力数据的场景聚类结果，采用日前长时间优化调度方法，获取日前调度计划；其中，日前长时间优化调度方法包括上层的随机规划方法和下层的鲁棒优化方法，上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标；基于短时历史光伏出力数据的场景聚类结果，采用日内滚动优化调度方法，对日前调度计划进行滚动修正；基于当前时刻光伏实际出力，将滚动修正后的日前调度计划作为输入，采用实时优化调度方法，对低压直流互联台区换流器功率、负荷削减功率、电动汽车限额功率进行实时调度。2.根据权利要求1所述的一种低压直流互联台区多时间尺度协调调度方法，其特征在于，根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类，包括：根据光伏预测出力和光伏预测误差，确定光伏波动区间；对历史光伏出力数据进行场景筛选，获得光伏波动区间内的场景；对光伏波动区间内的场景进行聚类。3.根据权利要求1所述的一种低压直流互联台区多时间尺度协调调度方法，其特征在于，上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，优化日前调度计划；其中，上层随机规划优化方法优化的日前调度计划包括可转移负荷转移时段、可转移负荷转移功率、可削减负荷削减时段、储能充放电状态、储能充放电功率基值和配电变压器功率基值。4.根据权利要求3所述的一种低压直流互联台区多时间尺度协调调度方法，其特征在于，上层随机规划优化方法采用的优化模型为：ax+by
k
+ζ
k
≤c其中，x为日前调度计划，f1(x)为日前调度成本，k
c
为聚类的类别总数，ρ
k
为第k类的概率，f
2,k
为第k类最恶劣场景的日内调度成本，a、b、c为约束所对应的系数矩阵或向量，y
k
为第k类最恶劣场景所对应的日内调度计划，ζ
k
为第k类最恶劣场景的光伏出力。5.根据权利要求1所述的一种低压直流互联台区多时间尺度协调调度方法，其特征在于，下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标，优化日前调度计划；其中，下层鲁棒优化方法优化的日前调度计划包括储能充放电功率调整量、配电变压器功率调整量、可削减负荷削减功率、电动汽车负荷限额功率和换流器功率。6.根据权利要求5所述的一种低压直流互联台区多时间尺度协调调度方法，其特征在
于，下层鲁棒优化方法采用的优化模型为：f
2,k
≥f
2,k,i
,ax+by
k,i
+ζ
k,i
≤cfor:k＝1,2,...k
c
其中，ζ
k
为第k类最恶劣场景的光伏出力，f
2,k
为第k类最恶劣场景的日内调度成本，a、b、c为约束所对应的系数矩阵或向量，ω
k
为第k类中相似场景的集合，f
2,k,i
为第k类中第i个相似场景的日内调度成本，k
c
为聚类的类别总数，y
k,i
为第k类中第i个相似场景日内调度策略，ζ
k,i
第k类中第i个相似场景的光伏出力。7.根据权利要求1所述的一种低压直流互联台区多时间尺度协调调度方法，其特征在于，日内滚动优化调度方法采用随机规划方法。8.一种低压直流互联台区多时间尺度协调调度装置，其特征在于，包括：聚类模块，根据低压直流互联台区光伏预测出力和光伏预测误差，对历史光伏出力数据进行场景筛选，并对筛选出的场景进行聚类；其中，对历史光伏出力数据进行场景筛选包括对长时间历史光伏出力数据进行场景筛选和对短时历史光伏出力数据进行场景筛选；日前长时间优化调度模块，基于长时间历史光伏出力数据的场景聚类结果，采用日前长时间优化调度方法，获取日前调度计划；其中，日前长时间优化调度方法包括上层的随机规划方法和下层的鲁棒优化方法，上层的随机规划方法以各类中最恶劣场景的期望成本最小为目标，下层的鲁棒优化方法以各类中最恶劣场景的日内调度成本最小为目标；日内滚动优化调度模块，基于短时历史光伏出力数据的场景聚类结果，采用日内随机滚动优化调度方法，对日前调度计划进行滚动修正；实时优化调度模块，基于当前时刻光伏实际出力，将滚动修正后的日前调度计划作为输入，采用实时优化调度方法，对低压直流互联台区换流器功率、负荷削减功率、电动汽车限额功率进行实时调度。9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。10.一种计算设备，其特征在于，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。

技术总结

本发明公开了一种低压直流互联台区多时间尺度协调调度方法及装置，本发明采用日前长时间优化调度方法，获取日前调度计划，采用日内滚动优化调度方法，对日前调度计划进行滚动修正，采用实时优化调度方法，对换流器功率、负荷削减功率、电动汽车限额功率进行调度，实现了低压直流互联台区多时间尺度协调调度，在多个时间尺度对台区可控资源进行灵活调度，降低了光伏出力随机性的影响，提高了配电台区运行的经济性和安全性。的经济性和安全性。的经济性和安全性。