含高密度间歇性能源的交直流微电网不确定优化运行方法与流程
本发明涉及一种微电网优化运行方法。特别是涉及一种含高密度间歇性能源的交直流微电网不确定优化运行方法。
背景技术：
与传统电网相比，微电网具有供电可靠性高、环境友好等优点，能有效弥补集中式发电、高压大功率传输存在的不足，是未来负荷和分布式电源的主要接入方式，同时也是智能配电网的重要组成部分。
按照网架结构微电网可以分为交流微电网、直流微电网和交直流混合微电网。交直流混合微电网因其兼具有交流微电网和直流微电网的优势，方便多种形式的分布式电源接入，是一种很有发展前景的微电网结构。
随着微电网数量及规模的增加，以间歇性能源渗透率高和接入位置多为特征的含高密度间歇性能源微电网逐步发展为微电网的主要形式之一。含高密度间歇性能源的微电网对大电网带来的影响将不可忽略。若微电网毫无计划地把大电网作为理想电源维持微网内部实时功率平衡，会导致大电网内潮流变化过大，影响大电网安全稳定运行。因此微电网应当在日前制定准确的调度计划并上报大电网，运行中尽量减少不平衡功率发生。由于交直流混合微电网内部结构复杂，需协调诸多交直流设备，给微电网优化调度带来不小的挑战。
目前国内外针对交直流混合微电网的研究大多集中在控制策略方面，而对混合微电网经济运行的研究还较少。现有研究能够通过计及实时电价影响以及不平衡功率调节手段来调整功率分配，实现微网负荷与发电功率平衡，但均未考虑间歇性能源出力不确定性带来的影响。在分布式电源中广泛应用的风力发电和光伏发电实际出力常常与预测值之间有明显的偏差，这会导致日前调度方案偏离实际最优方案。
智能电网的发展伴随着两大特征，一是调度过程中需采集、分析的数据快速增加，所需的调度模型及算法更加复杂，二是应对于电力系统大数据的需求，数据采集存储也更加分散化。与传统微电网相比，含高密度分布式电源接入的交直流混合微电网具有结构复杂，潮流不确定性大、需要调度计算复杂的特点。为了降低集中求解的难度，减少通信带宽的要求，分布式计算是一种降低计算复杂度、提高运算效率的有效方法，同时可以实现交流区和直流区计算的解耦。因此寻求一种适用于分析处理大数据的分布式算法很有必要。不确定性交替方向乘子法(Alternating Direction Method of Multipliers，ADMM)是一种基于对偶分解法和拉格朗日乘子法的面向大规模优化问题的一种分布式求解方法，在处理含有高维变量、大数据方面具有显著优势。但由于交直流混合微电网优化模型中存在许多不确定变量，不能直接应用典型的ADMM算法进行求解
技术实现要素：
本发明所要解决的技术问题是，提供一种能够解决高密度间歇性能源接入给交直流混合微电网带来的日前调度偏差大问题的含高密度间歇性能源的交直流微电网不确定优化运行方法。
本发明所采用的技术方案是：一种含高密度间歇性能源的交直流微电网不确定优化运行方法，包括如下步骤：
1)根据微电网特点，在考虑到间歇性能源出力不确定的基础上构建风光出力模糊随机模型、柴油发电机燃料成本模型和储能成本模型；
2)结合微电网网架结构特点以及大量间歇性能源接入导致出力波动性大的问题，建立最小化交直流混合微电网综合运行成本的模糊随机优化模型和最小化调整费用的实时不平衡功率调整模型；
3)利用模糊随机不确定性交替方向乘子优化算法，对步骤2)中的最小化交直流混合微电网综合运行成本的模糊随机优化模型进行求解，获得交直流混合微电网运行方案。
步骤1)所述的风光出力模糊随机模型，是将光照强度视为服从β分布的随机变量，风速为服从双参数Weibull分布的随机变量，将风机及光伏功率预测误差部分处理为模糊变量，取预测值与实际值之间的相对误差展开研究，对模糊变量隶属度函数建立如下风光出力模糊随机模型：
其中，表示风力或光伏发电功率，为输出功率中的随机部分，为输出功率中的模糊部分，PV代表光伏发电，WT代表风力发电；
步骤1)所述的柴油发电机燃料成本模型为：
其中，CFuel表示柴电燃料费用，为t时刻柴电输出功率，a0、a1、a2为权重系数，△T为调度时间间隔，T为一个调度周期中调度时段间隔的数量。
步骤1)所述的储能成本模型为：
其中，PES为储能充放电功率，为第t个时段大电网分时电价，△T为调度时间间隔，文中取为15min，η为储能充放电效率，Q为储能容量，l取2.05，Atotal为储能全生命周期中的总放电量，近似为390Q，vES为-1.5，I为储能设备初始投资，Socinit为初始荷电状态，CES为储能损耗费用。
步骤2)所述的最小化交直流混合微电网综合运行成本的模糊随机优化模型为
为目标函数，其中CcAC和CcDC为：
其中，CGrid为大电网购电费用表示为：
式中，为微电网和大电网交换功率值；
CES为储能损耗费用：
η为储能充放电效率，QES为储能容量，l取2.05，Atotal为储能全生命周期中的总放电量，取390QES，v为-1.5，I为储能设备初始投资，Socinit为初始荷电状态；
CFuel为柴电燃料费用：
其中，CFuel表示柴电燃料费用，为t时刻柴电输出功率，a0、a1、a2为权重系数；
CACloss为交流区线路功率传输损耗成本：
PDEV1,i表示交流区第i个电力设备在整个调度周期T中输出/出入功率向量，η0为潮流控制器PCS的传输效率，η1表示交流区换流设备传输效率，N1为交流区换流设备数量，M1为交流区直接连接到交流母线的电力设备数量，H1为交流区可控型电力设备数量；
CDCloss为直流区线路功率传输损耗成本：
PDEV2,i表示直流区第i个电力设备在整个调度周期T中输出/出入功率向量，η2表示交流区换流设备传输效率，N2为交流区换流设备数量，M2为交流区直接连接到交流母线的电力设备数量，H2为交流区可控型电力设备数量，为电价行向量的转置；
Com为设备维护费用，其中Ki为第i台可控电力设备的运行维护费用，微电网中换流设备的数量N＝N1+N2，直接连接到母线上的设备的数量M＝M1+M2，
最小化交直流混合微电网综合运行成本的模糊随机优化模型的约束条件为：
(1)微电网内部功率平衡约束：
其中，为第t个调度时段风力发电功率，为第t个调度时段光伏发电功率。为第t个调度时段交流区负荷功率，为第t个调度时段直流区负荷功率；
(2)公共耦合点传输容量约束：
PGrid，max微电网和大电网交换功率上限；
(3)储能充放电上下限约束：
为储能充放电功率上限；
(4)荷电状态上下限约束：
Socmin≤Soct≤Socmax
Soct为在第t个调度时段储能的荷电状态，Socmin为荷电状态的下限，Socmax为荷电状态的上限；
(5)前后时段功率平衡约束：
μch为充电标识，充电时为1放电时为0，μdis为放电标识，放电时为1充电时为0；
(6)柴油发电机满足最小启停时间约束：
为柴油发电机的停机时间，为柴油发电机的最小停机时间，为柴油发电机的开机时间，为柴油发电机的最小开机时间；
(7)容量约束：
PDE，min及PDE，max为柴油发电机的输出功率上下限，onoff(t)为柴电的启停标识。
(8)爬坡约束：
其中PDE，max为柴油发电机的最大爬坡速率。
步骤2)所述的最小化调整费用的实时不平衡功率调整模型为：
△Cc＝△CcAC+△CcDC
It＝{Fuel,ES,ACloss,DCloss}
其中，△Cc为不平衡功率调整费用，由交流区不平衡功率调整费用△CcAC和直流区不平衡功率调整费△CcDC用构成；It表示运行成本为非线性模型的设备，CIt为设备It在模糊随机优化模型中求得的运行成本，△CIt为设备It运行成本的变化值，为设备It在求解模糊随机优化模型后得到的出力值，为设备It的功率调整值，△CACom为交流区设备维护调整费用，△CDCom为直流区设备维护调整费用，Fuel表示柴油发电机燃料，ES表示储能设备，ACloss表示交流区功率损耗，DCloss表示直流区功率损耗；
最小化调整费用的实时不平衡功率调整模型的约束条件为：
(1)功率平衡约束：
为交流区负荷调整量，为储能功率调整量，为柴油发电机功率调整量；为直流区负荷调整量，为微电网和大电网功率交换调整量，为风力发电功率调整量，为光伏发电功率调整量，为各类电力设备功率调整量之和；
(2)设备容量限制：
为设备It功率下限，为设备It功率上限；
(3)储能荷电状态的上下限约束：
Socmin≤Soct+△Soct≤Socmax
△Soct为储能荷电状态的调整量；
(4)储能功率平衡约束：
为储能充放电功率变化值。
步骤3)所述的模糊随机不确定性交替方向乘子优化算法包括：
(1)分别建立模糊变量的隶属度模型和随机变量的概率模型Pr；其中：
模糊变量的隶属度模型为：
其中，G表示光照强度，△κ为预测值与实际值之间的相对误差，κ+为光照强度、风速实际值大于预测值时的平均误差百分数；κ-为光照强度、风速实际值小于预测值时的平均误差百分数，ηκ为权重因子，k、c分别为Pr形状参数和尺度参数，v为风速；
(2)使用期望值模糊随机模拟将模糊随机变量转换为纯量，具体包括：
a)置模糊变量ef＝0，随机变量es＝0；
b)根据模糊变量的隶属度模型和随机变量的概率模型Pr，从可能性空间Θ中抽取模糊变量样本从样本空间Ω中抽取随机变量样本
c)模糊随机变量其中模糊随机变量样本
d)重复步骤b)～步骤c)M次，M为期望值模糊随机模拟次数；
e)得到模糊随机变量期望值，即纯量E[Pfs]:＝e/M；
(3)将利用期望值模糊随机模拟求得的纯量代入步骤2)中的最小化交直流混合微电网综合运行成本的模糊随机优化模型，形成不含不确定变量的优化模型min(CcAC+CcDC)，按照下式建立增广拉格朗日函数Lρ：
PAC,d为交流区的决策向量，PDC,d为直流区的决策向量，PL为微电网中总负荷向量，y为拉格朗日乘子，yT为y的转置，ρ>0为惩罚因子；
(4)利用如下交替方向乘子优化算法对不含不确定变量的优化模型进行迭代
yk+1:＝yk+ρ(PDCk+1+PACk+1-PL)
其中，gAC(PAC,d)≤0表示交流区不等式约束，gDC(PDC,d)≤0表示直流区不等式约束，
当|Pk+1-Pk|≤ε时，迭代收敛，得到所求解，否则当迭代次数达到最大迭代次数，停止迭代，P为由交流区和直流区决策向量组成的微电网整体决策向量，k为迭代次数，ε为任意不小于0的常数。
本发明的含高密度间歇性能源的交直流微电网不确定优化运行方法，有益效果是：
1、计及高密度间歇性能源存在的不确定性问题，提出了模糊随机期望值优化模型及不平衡功率实时调整模型，可以有效提高含高密度间歇性能源的微电网调度计划的准确性，降低不平衡功率，减少因日前调度偏差引起的不平衡功率调整支出。
2、结合交直流混合微电网优化调度模型，提出了一种基于模糊随机模拟的ADMM优化算法，降低了模型计算复杂度，提高了运算效率。利用该算法求解提出的模糊随机期望值优化模型及不平衡功率实时调整模型，能够获得具有良好经济性的交直流混合微电网运行方案。
附图说明
图1为交直流混合微电网典型网架结构图；
图2为本发明实施例交直流负荷预测数据图；
图3为本发明实施例风速及光照强度预测数据图；
图4为本发明优化运算后确定性、随机、模糊随机和真实风、光出力对比图；
图5为本发明在已知次日风光真实出力的情况下，真实出力与预测、随机模型、模糊随机模型出力的偏差图；
图6为本发明优化后大电网日前出力计划及实时调整方案图；
图7为本发明优化后储能日前调度计划及实时调整方案图；
图8为本发明优化后1#柴电日前调度计划及实时调整方案图；
图9为本发明优化后2#柴电日前调度计划及实时调整方案图；
图10为本发明优化计算后模糊随机优化模型总成本中各项成本所占的比例图。
具体实施方式
下面结合实施例和附图对本发明的做出详细说明含高密度间歇性能源的交直流微电网不确定优化运行方法。
本发明的含高密度间歇性能源的交直流微电网不确定优化运行方法，是以最小化综合运行成本为目标，同时考虑到交直流混合微电网运行中还需满足多种等式与不等式约束，建立了交直流混合微电网优化运行期望值模型，并结合该模型提出了一种基于双重不确定理论的模糊随机ADMM优化算法，对含高密度间歇性风、光能源的具体实施例进行求解，同时考虑不平衡功率实时调整，对优化结果进行分析比较。
本发明的含高密度间歇性能源的交直流微电网不确定优化运行方法，包括如下步骤：
1)根据微电网特点，在考虑到间歇性能源出力不确定的基础上构建风光出力模糊随机模型、柴油发电机燃料成本模型和储能成本模型；其中，
(1)所述的风光出力模糊随机模型，是将光照强度视为服从β分布的随机变量，风速为服从双参数Weibull分布的随机变量，将风机及光伏功率预测误差部分处理为模糊变量，取预测值与实际值之间的相对误差展开研究，对模糊变量隶属度函数建立如下风光出力模糊随机模型：
其中，表示风力或光伏发电功率，为输出功率中的随机部分，为输出功率中的模糊部分，PV代表光伏发电，WT代表风力发电；
(2)所述的柴油发电机燃料成本模型为：
其中，CFuel表示柴电燃料费用，为t时刻柴电输出功率，a0、a1、a2为权重系数，△T为调度时间间隔，本发明实施例中取为15min，T为一个调度周期中调度时段间隔的数量。
(3)所述的储能成本模型为：
其中，PES为储能充放电功率，为第t个时段大电网分时电价，△T为调度时间间隔，文中取为15min，η为储能充放电效率，QES为储能容量，l取2.05，Atotal为储能全生命周期中的总放电量，近似为390Q，vES为-1.5，I为储能设备初始投资，Socinit为初始荷电状态，CES为储能损耗费用。
2)结合微电网网架结构特点以及大量间歇性能源接入导致出力波动性大的问题，建立最小化交直流混合微电网综合运行成本的模糊随机优化模型和最小化调整费用的实时不平衡功率调整模型；其中
(1)所述的最小化交直流混合微电网综合运行成本的模糊随机优化模型为
为目标函数，其中CcAC和CcDC为：
其中，CGrid为大电网购电费用表示为：
式中，为微电网和大电网交换功率值；
CES为储能损耗费用：
η为储能充放电效率，QES为储能容量，l取2.05，Atotal为储能全生命周期中的总放电量，近似为390QES，v为-1.5，I为储能设备初始投资，Socinit为初始荷电状态；
CFuel为柴电燃料费用：
其中，CFuel表示柴电燃料费用，为t时刻柴电输出功率，a0、a1、a2为权重系数；
CACloss为交流区线路功率传输损耗成本：：
PDEV1,i表示交流区第i个电力设备在整个调度周期T中输出/出入功率向量，η0为潮流控制器PCS的传输效率，η1表示交流区换流设备传输效率，N1为交流区换流设备数量，M1为交流区直接连接到交流母线的电力设备数量，H1为交流区可控型电力设备数量；
CDCloss为直流区线路功率传输损耗成本：
PDEV2,i表示直流区第i个电力设备在整个调度周期T中输出/出入功率向量，η2表示交流区换流设备传输效率，N2为交流区换流设备数量，M2为交流区直接连接到交流母线的电力设备数量，H2为交流区可控型电力设备数量，为电价行向量的转置；
Com为设备维护费用，其中Ki为第i台可控电力设备的运行维护费用，微电网中换流设备的数量N＝N1+N2，直接连接到母线上的设备的数量M＝M1+M2，
最小化交直流混合微电网综合运行成本的模糊随机优化模型的约束条件为：
(1)微电网内部功率平衡约束：
其中，为第t个调度时段风力发电功率，为第t个调度时段光伏发电功率。为第t个调度时段交流区负荷功率，为第t个调度时段直流区负荷功率；
(2)公共耦合点传输容量约束：
PGrid，max微电网和大电网交换功率上限；
(3)储能充放电上下限约束：
为储能充放电功率上限；
(4)荷电状态上下限约束：
Socmin≤Soct≤Socmax
Soct为在第t个调度时段储能的荷电状态，Socmin为荷电状态的下限，Socmax为荷电状态的上限；
(5)前后时段功率平衡约束：
μch为充电标识，充电时为1放电时为0，μdis为放电标识，放电时为1充电时为0；
(6)柴油发电机满足最小启停时间约束：
为柴油发电机的停机时间，为柴油发电机的最小停机时间，为柴油发电机的开机时间，为柴油发电机的最小开机时间；
(7)容量约束：
PDE，min及PDE，max为柴油发电机的输出功率上下限，onoff(t)为柴电的启停标识。
(8)爬坡约束：
其中PDE，max为柴油发电机的最大爬坡速率。
所述的最小化调整费用的实时不平衡功率调整模型为：
△Cc＝△CcAC+△CcDC
It＝{Fuel,ES,ACloss,DCloss}
其中，△Cc为不平衡功率调整费用，由交流区不平衡功率调整费用△CcAC和直流区不平衡功率调整费△CcDC用构成；It表示运行成本为非线性模型的设备，CIt为设备It在模糊随机优化模型中求得的运行成本，△CIt为设备It运行成本的变化值，为设备It在求解模糊随机优化模型后得到的出力值，为设备It的功率调整值，△CACom为交流区设备维护调整费用，△CDCom为直流区设备维护调整费用，Fuel表示柴油发电机燃料，ES表示储能设备，ACloss表示交流区功率损耗，DCloss表示直流区功率损耗；
最小化调整费用的实时不平衡功率调整模型的约束条件为：
(1)功率平衡约束：
为交流区负荷调整量，为储能功率调整量，为柴油发电机功率调整量；为直流区负荷调整量，为微电网和大电网功率交换调整量，为风力发电功率调整量，为光伏发电功率调整量，为各类电力设备功率调整量之和；
(2)设备容量限制：
为设备It功率下限，为设备It功率上限；
(3)储能荷电状态的上下限约束：
Socmin≤Soct+△Soct≤Socmax
△Soct为储能荷电状态的调整量；
(4)储能功率平衡约束：
为储能充放电功率变化值。
3)考虑到在最小化交直流混合微电网综合运行成本的模糊随机优化模型中存在不确定变量，利用模糊随机不确定性交替方向乘子优化算法，对步骤2)中的最小化交直流混合微电网综合运行成本的模糊随机优化模型进行求解，获得具有良好经济性的交直流混合微电网运行方案。所述的模糊随机不确定性交替方向乘子优化算法包括：
(1)分别建立模糊变量的隶属度模型和随机变量的概率模型Pr；其中：
模糊变量的隶属度模型为：
其中，G表示光照强度，△κ为预测值与实际值之间的相对误差，κ+为光照强度、风速实际值大于预测值时的平均误差百分数；κ-为光照强度、风速实际值小于预测值时的平均误差百分数，ηκ为权重因子，k、c分别为Pr形状参数和尺度参数，v为风速；
(2)使用期望值模糊随机模拟将模糊随机变量转换为纯量，具体包括：
a)置模糊变量ef＝0，随机变量es＝0；
b)根据模糊变量的隶属度模型和随机变量的概率模型Pr，从可能性空间Θ中抽取模糊变量样本从样本空间Ω中抽取随机变量样本
c)模糊随机变量其中模糊随机变量样本
d)重复步骤b)～步骤c)M次，M为期望值模糊随机模拟次数；
e)得到模糊随机变量期望值，即纯量E[Pfs]:＝e/M；
(3)将利用期望值模糊随机模拟求得的纯量代入步骤2)中的最小化交直流混合微电网综合运行成本的模糊随机优化模型，形成不含不确定变量的优化模型min(CcAC+CcDC)，按照下式建立增广拉格朗日函数Lρ：
PAC,d为交流区的决策向量，PDC,d为直流区的决策向量，PL为微电网中总负荷向量，y为拉格朗日乘子，yT为y的转置，ρ>0为惩罚因子；
(4)利用如下交替方向乘子优化算法(ADMM)对不含不确定变量的优化模型进行迭代
yk+1:＝yk+ρ(PDCk+1+PACk+1-PL)
其中，gAC(PAC,d)≤0表示交流区不等式约束，gDC(PDC,d)≤0表示直流区不等式约束，
当|Pk+1-Pk|≤ε时，迭代收敛，得到所求解，否则当迭代次数达到最大迭代次数，停止迭代，P为由交流区和直流区决策向量组成的微电网整体决策向量，k为迭代次数，ε为任意不小于0的常数。
实施例：
考虑如图1所示的微网，将该微电网进行适当简化，交、直流区均存在交流母线电压负荷和需经过变压后的负荷，负荷预测数据如图2所示。在交流区中，含两台容量均为350kW柴油发电机，容量为1MW的风机2台，交直流区通过4台容量为250kW的潮流控制器与直流区相连。直流区包含功率为250kW的光伏发电单元4组，容量为250kW/1MWh的储能1台。风速及光照强度预测数据如图3所示。
分布式电源部分运行参数由表1给出。为降低计算复杂程度，在不影响调度结果的前提下，将具有相同性质的负荷进行了合并，合并后使用的负荷侧换流设备数量有所减少，换流设备的效率、容量及数量由表2给出，其中效率函数是由实测数据拟合得到。
表1分布式电源运行参数
表2换流设备参数
为验证模糊随机优化模型相对于确定性优化、随机优化的优势，在日前调度阶段分别采用确定性优化、随机优化和模糊随机优化三种优化模型，同时在日内进行实时不平衡功率调整优化。
图4中曲线分别为实际(运行后测得)、预测、考虑随机性及考虑模糊随机性的风机、光伏输出功率曲线。可以看出采用不同不确定模型，对风光出力预测的修正量有所不同。基于以上四种种情况下的风光出力曲线，分别进行了日前调度和日内不平衡功率调整两项运行仿真。调度及调整对象包括大电网出力，两台柴油发电机组合计划及出力和储能电池充放电功率；
在已知次日风光真实出力的情况下，真实出力与预测、随机模型、模糊随机模型出力的偏差如图5所示。纵向来看，在0:00～10:00、12:00～13:00、21:00～24:00风光出力日前计划值误差较大，这是因为这些时段新能源出力较大，对难以精确预测的气象因素敏感度更高。横向来看，采用随机期望值模型的新能源出力计划对实际值之间的误差相对预测值对实际值的误差绝对值较小且变化交为稳定。采用模糊随机模型的风光出力结果与实际出力最为相近，偏差量最小。图5中三种偏差量即为实时调整模型中不平衡功率；
交直流混合微电网中可控电源的日前调度计划及日内调整方案如图6至图9所示。尽管交直流混合微电网内负荷与新能源装机容量相当，但从图6可看出，微电网始终在从大电网购电且在20:00左右微电网几乎完全依赖大电网支撑运行。由图7，在日前调度计划中储能配合电网出力，在电价高时储能放电、电价低时储能充电，从而降低运行成本。图8和图9中，柴电由于出力范围及爬坡功率的限制，对分时电价的变化并不敏感，但也大致分担了峰时购电的压力。由于耗量特性的不同，两台柴电的出力计划并不一致；
在日内不平衡功率调整过程中，采用日内不平衡功率优化模型得到了各可控电源的调整方案。从图6-图9可以看出，采用确定性优化方案整体上需要调整的功率值较大，其次是随机优化模型调整值，模糊随机优化模型需要调整的功率值最小，即采用模糊随机日前优化模型得到的调度计划最接近最优调度方案(最优调度方案是指，在已知风光荷实际出力的情况下进行优化得到的调度方案，由于不存在计划外的情况，此时的优化结果即为最优调度方案，运行成本也为各种模型中最优的)。
不同调度模型的日前及实时功率调度、调整成本如表3所示。
表3各调度模型运行成本
表中最优方案仅作为其他三种优化模型的对比。可以看出，尽管在日前调度阶段随机模型优化费用少于模糊随机模型，但随机模型的日内调整费用要高于模糊随机模型，最终确定性优化、随机优化和模糊随机优化三种优化模型总运行成本逐渐减少。在日内实时调整中，确定性模型调整费用为负，是因为风力、光伏实际出力比日前预测值大，日内调整降低了大量向大电网的购电量。模糊随机优化方案最终运行成本比确定性优化运行成本低仅比最优运行成本多了151元。
模糊随机优化模型总成本中各项成本所占的比例如图10所示，可看出，大电网购电费用占了运行总成本的绝大部分。其他项运行成本占比由多到少依次是柴电运行费用、网损折算成本、运行维护成本和储能运行成本。
综上所述，通过对实施例的仿真测试结果表明，与确定性优化、随机优化模型相比，本发明提出的模糊随机期望值优化模型及不平衡功率实时调整模型可以有效提高含高密度间歇性能源的微电网调度计划的准确性，降低不平衡功率，减少因日前调度偏差引起的不平衡功率调整支出。该模型通过与本发明提出的模糊随机ADMM算法配合，能有效协调交流区和直流区中多种电源及负荷，并且获得具有良好经济性的交直流混合微电网运行方案。
- 还没有人留言评论。精彩留言会获得点赞！