多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法与流程

本发明涉及分布式电源优化调度方法，特别是涉及多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法。

背景技术：

近年来，随着能源的大量使用，全球化能源日趋紧张，环境破坏日益严重，且造成了温室效应。因此，人类开始反思自身发展模式,降低能源需求和减少排放的理念逐渐深入人心,并且各种以节能减排为主题的绿色行动在世界范围内开展起来。在此背景下，分布式发电(distributedgeneration，dg)得到了世界各国的重视。

然而，一方面由于分布式能源自身的可控性小，或者通讯和控制硬件不足；另一方面由于电网中存在数量庞大且出力不确定的分布式电源或微网群，使得电网优化的数学模型非常复杂，这给电网调度计划的制定带来巨大的困难。虚拟发电厂(virtualpowerplant，vpp)提供了一种处于分布式电源与电网中间层的能源管理形式，虚拟发电厂的提出可消除单个分布式电源并网运行的随机性与不可调度性，宏观上表现出分布式电源和用户负荷的可控性。电网将对分布式电源的协调控制权移交给控制中心，摆脱了分布式电源管理问题维数庞大、控制复杂的难题。分布式电源和用户以微网等形式参与电网统一调度，可有效解决大量分布式电源单独并网运行难以调度管理的问题，是智能电网的发展方向之一。

但是，在对虚拟发电厂进行调度的过程中，其所含的间歇性分布式电源可能会产生一些随机性、不确定性，从而使得优化调度的结果不准确。

技术实现要素：

发明目的：针对现有技术的不足，提供一种能够提高对含随机性出力的虚拟发电厂优化控制的精度的多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法。

技术方案：一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，包括以下步骤：

(1)考虑间歇性分布式电源的影响，建立分布式控制的虚拟发电厂分层随机优化模型；

(2)利用copula理论分析间歇性分布式电源两两之间的相关性；

(3)利用分布式随机非重叠抽样法对间歇性分布式电源相关性分析后的结果进行抽样，从而将虚拟发电厂分层随机优化模型转换为分层确定性优化模型来求解。

进一步的，所述步骤(1)包括：

(11)以虚拟发电厂全局与主电网之间的交换功率总成本最小化为目标，以电能交换约束和传输线路限制为约束条件，建立上层优化模型；

上层目标为：

其中，tc表示虚拟发电厂全局与主电网之间的交换功率的总成本，img是虚拟发电厂分布式调度控制的微网数量，ρ是每个微网与主电网之间的能源交换价格，是虚拟发电厂内部微网i与主电网之间的交流电量，表示主电网将电能转移到微网i，否则，表示微网i将电能转移到主电网；

上层约束为：

3)电能交换的上限约束和下限约束

其中，i＝1,2,...,img，和分别代表主电网和微网i之间的电量交换的下限和上限；

4)传输线路限制约束

其中，m＝1,2,...m，m为最大线路数，ηi-m是电力从微网注入到线路的灵敏度，tm表示线路m的能量流限制；

(12)以虚拟发电厂内各微网发电成本最小为目标，以微网内各发电单元出力为约束，同时考虑间歇性分布式电源发电出力的不确定性，建立下层随机优化模型；

下层目标：

其中，j＝1,2,...,jmt，ji是微网i分布式发电机的数量，是微网i的发电成本，表示微网i中的发电单元j的输出功率，表示微网i中的发电单元j的单位成本，则是微网i发电单元j的发电成本函数；

下层约束：

4)功率平衡约束

其中，是微网i中风力发电的出力，是微网i中的光伏发电的输出，是微型涡轮机的输出，和分别是储能的充电能力和放电能力，和分别是储能充电的实际利用率和放电的实际利用率，是微网i的负荷；

5)可控分布式电源的上下限输出

其中，j＝1,2,...,jmt，和分别是微网i中可控分布式电源j出力的上下限，jmt为微网i中可控分布式电源总数；

6)储能约束

socⁱmin≤socⁱ≤socⁱmax

其中，和是充电功率的上下限，和分别是微网i中放电功率的上下限，socⁱ是微网i中电池的存储状态，和分别是电池储能的上限和下限；

4)虚拟电厂内各微电网中间歇性分布式电源发电受自然条件的影响具有较强的波动性与随机性，且同一地区地理位置两两发电单元之间的输出功率具有一定的相关性，故在此采用机会约束的形式表示其运行约束，第i个微网内间歇性分布式电源发电的概率约束表达式如下所示：

其中，为微网i中可控分布式电源k的功率出力，它满足copula联合概率分布函数；是虚拟发电厂i中可控分布式电源k出力的上下限；ki为微网i中可控分布式电源总数；α为机会约束条件的置信水平，该值是预先指定己知的。

优选的，所述微网内各发电单元包括可控分布式电源、间歇性分布式电源和储能，所述可控分布式电源为微型涡轮机。

更进一步的，所述步骤(12)中间歇性分布式电源包括风力发电和光伏发电，则下层目标具体为：

其中，是微网i中风力发电的出力，是风电设备的运行和维护成本，是微网i中的光伏发电的输出，是光伏发电设备的运行和维护成本，是微型涡轮机的运行和维护成本，是微型涡轮机的输出，是微型涡轮机的燃油成本，是储能设备的运行和维护成本，和分别是储能的充电能力和放电能力。

进一步的，所述步骤(2)中对各间歇性分布式电源的历史数据进行经验分布估计，得到各自的经验累积分布函数，根据平方欧式距离最小的方法选择合适的理论copula函数，从而建立各间歇性分布式电源两两之间的联合概率分布来描述其相关性；其相关性分析包括以下步骤：

(21)对同一地区相邻的间歇性分布式电源进行两两选择，根据某一间歇性分布式电源出力历史数据，计算不同copula函数相应的参数估计值；

(22)分别根据每种不同的copula函数计算其与经验copula函数之间的平方欧氏距离，选择距离最小的copula函数作为描述两两间歇性分布式电源出力之间相关性；

其中经验copula函数定义如下：

式中：u,v∈[0,1]，i[·]为示性函数，当f(xi)≤u时，否则当g(yi)≤v时，否则

进一步的，所述步骤(3)中在间歇性分布式电源相关性分析的基础上，利用分布式随机非重叠抽样方法对所选择的copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵进行抽样，步骤如下：

(31)对某一间歇性分布式电源进行独立抽样，建立其与其他各间歇性分布式电源的两两联合概率分布，根据平方欧氏距离最小的方法选择copula函数的类型来作为描述间歇性分布式电源出力相关性的最优函数；

计算平方欧氏距离的表达式如下：

式中：f(x)和g(y)分别是两个间歇性分布式电源出力的边缘累积分布函数；cei(f(x),g(y))为经验copula函数上第i个采样值；cti(f1(x),g(y))为copula函数上第i个采样值；n为计算点个数；

(32)由所选的理论copula函数的类型描述间歇性分布式电源两两之间的相关性，得出各自的相关性系数；为了避免相关性太大对出力预测精度的影响，通过分布式筛选，在众多间歇性分布式电源联合copula函数中选择pearson线性相关系数最小的间歇性分布式电源联合copula函数作为抽样；

pearson线性相关系数表示如下：

其中，x、y为两个对象的样本，

假设某一间歇性分布式电源i与间歇性分布式电源j1、j2、.......、jn的相关系数分别为ρij1、ρij2、.......、ρijn，通过各间歇性分布式电源之间的通信连接，可以传递有链接分布式电源之间的信息；由此，为了避免相关性太大对出力预测精度的影响，可以选择与间歇性分布式电源ipearson线性相关系数最小的另一间歇性分布式电源建立联合概率分布作为抽样的样本；

ρi抽样＝min|ρij|j＝j1,j2,...,jn

其中，ρi抽样对应最终所选的两个间歇性分布式电源联合概率分布对应的相关系数，ρij表示间歇性分布式电源i与其它各个间歇性分布式电源所建立的联合概率分布的相关系数；

(33)利用所选择的copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵；

假设针对每个间歇性分布式电源出力随机变量生成随机数的个数为n，利用所选择的copula函数生成满足间歇性分布式电源出力相关性的随机数矩阵为dn×k；

其中，di,j表示节点j对节点i的影响权重，di,j∈[0,1)；

(34)用copularnd()函数对样本进行分布式随机抽样；

d＝copularnd(copula类型，copula相关系数，抽样次数)

(35)对抽样结果进行所需处理。

更进一步的，基于分布式随机非重叠抽样将随机约束条件转换成确定性的约束条件，步骤如下：

(a)从copula联合概率分布式中抽样获得n组间歇性分布式电源的样本数据(p1n,p2n,l,pin)其中，n＝1,2,...,n，i表示间歇性分布式电源的个数；

(b)基于指示函数i(t)来计算满足约束条件的样本数，即当抽取的样本值满足约束条件时，i(t)＝1，否则，i(t)＝0；i(t)表达式如下：

其中，p1、p2分别为两个样本概率，分别为两个样本设定的约束概率；

(c)计算所抽取的样本满足约束条件的概率，并将该概率记为pn，则：

(d)判断pn是否满足pn≥α，若满足，则继续下一步；否则，返回(a)进行重新抽样计算；

(e)至此便可将原来不确定性的概率约束条件转换为确定性的约束条件：

有益效果：与现有技术相比，本发明的方法具有以下优点：首先，在对间歇性的风电、光伏发电等分布式电源相关性分析的基础上，既考虑到了不确定性电源的分布式电特点，又避免抽样样本的重复性，利用分布式随机非重叠抽样的方法将随机约束条件转化成了确定性条件，从而将虚拟电厂分层随机优化模型转换为易于求解的分层确定性优化模型；其次，对间歇性分布式电源的历史数据进行经验分布估计，提高了预测精度；再次，考虑到了间歇性的风电、光伏发电等分布式电源之间的相关性，并运用copula理论对其相关性进行了分析；然后，考虑到了虚拟发电厂所含的随机性出力，并根据上下层的优化目标建立了含随机变量的分层随机优化模型。

附图说明

图1是本发明方法的流程图；

图2是本发明方法中的抽样方法流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细的描述。

如图1所示，本发明的一种多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法，包括以下步骤：

(1)考虑间歇性分布式电源的影响，建立分布式控制的虚拟发电厂分层随机优化模型。

(11)以虚拟发电厂全局与主电网之间的交换功率总成本最小化为目标，以电能交换约束和传输线路限制为约束条件，建立上层优化模型。

上层目标：

其中，tc表示虚拟发电厂全局与主电网之间的交换功率的总成本，img是虚拟发电厂分布式调度控制的微网数量，ρ是每个微网与主电网之间的能源交换价格，在本实施例中，ρ被认为是统一的电力市场价格，是虚拟发电厂内部微网i与主电网之间的交流电量，表示主电网将电能转移到微网i，否则，表示微网i将电能转移到主电网。

上层约束：

1)电能交换的上限约束和下限约束

其中，i＝1,2,...,img，和分别代表电网和虚拟发电厂之间的电量交换的下限和上限。

2)传输线路限制约束

其中，m＝1,2,...m，m为最大线路数，ηi-m是电力从微网注入到线路的灵敏度，tm表示线路的能量流限制；

(12)以虚拟发电厂内各微网发电成本最小为目标，以各发电单元处理为约束，同时考虑间歇性分布式电源发电出力的不确定性，建立下层随机优化模型。

下层目标：

其中，j＝1,2,...,jmt，ji是微网i分布式发电机的数量，是微网i的发电成本，表示微网i中的发电单元j的输出功率，表示微网i中的发电单元j的单位成本，则是微网i发电单元j的发电成本函数；是微网i中风力发电的出力，是风电设备的运行和维护成本，是微网i中的光伏发电的输出，是光伏发电设备的运行和维护成本，是微型涡轮机的运行和维护成本，是微型涡轮机的输出，是微型涡轮机的燃油成本，是储能设备的运行和维护成本，和分别是储能的充电能力和放电能力。

下层约束：

7)功率平衡约束

其中，是储能充电的实际利用率，是储能放电的实际利用率，是微网i的负荷。

8)可控分布式电源(微型涡轮机)的上下限输出

其中，j＝1,2,...,jmt，和分别是微网i中可控分布式电源j出力的上下限，jmt为微网i中可控分布式电源(微型涡轮机)总数。

9)储能约束

socⁱmin≤socⁱ≤socⁱmax

其中，和分别是充电功率的上下限，和分别是微网i中放电功率的上下限；socⁱ是微网i中电池的存储状态，分别是电池储能的上限和下限。

4)虚拟电厂内各微电网中风力与光伏等间歇性分布式电源发电受自然条件的影响具有较强的波动性与随机性，且同一地区地理位置较近的风力发电单元与光伏发电单元、风力发电单元之间及光伏发电单元之间的输出功率具有一定的相关性，故在此采用机会约束的形式表示其运行约束，第i个微网内间歇性分布式电源发电的概率约束表达式如下所示：

其中，为微网i中可控分布式电源k的功率出力，它满足copula联合概率分布函数；是虚拟发电厂i中可控分布式电源k出力的上下限；ki为微网i中可控分布式电源总数；α为机会约束条件的置信水平，该值是预先指定己知的。

(2)利用copula理论分析风电、光伏发电等间歇性分布式电源两两之间的相关性。

对风电、光伏发电的历史数据进行经验分布估计，得到各自的经验累积分布函数，根据平方欧式距离最小的方法选择合适的理论copula函数，从而建立两者之间的联合概率分布来描述其相关性。

同一区域地理位置相近的多个风力发电单元与光伏发电单元、多个风力发电单元间与多个光伏发电单元间受同一风源、光源以及相近温度、湿度等影响，其输出功率间表现出一定的相关关系。当电网接入大批量的风力、光伏发电单元后，其调度运行将受到一定的影响。对风电场与风电场、风电场与光伏发电、光伏发电与光伏发电出力之间的相关性进行分析，可以提高对此类不确定性电源出力的预测，进而有利于虚拟发电厂的优化调度。

基于历史数据和copula理论的风力、光伏出力相关性分析可分为以下步骤：

对同一地区相邻的风电场或光伏发电进行两两选择，根据风电场出力历史数据，计算不同copula函数相应的参数估计值。

利用matlab软件统计工具箱中的copulafit函数计算不同copula函数相应的参数估计值如下：

rhohat＝copulafit('gaussian',u)

[rhohat,nuhat]＝copulafit('t',u)

paramhat＝copulafit('family',u)

式中：u表示由两个风电场出力随机变量的累积分布值构成的n×2的矩阵，n表示累积分布函数值的个数，其元素的取值范围为[0,1]。当选择normal-copula函数或t-copula函数时，rhohat为线性相关矩阵的参数估计值，nuhat为t-copula函数的自由度估计值；当选择阿基米德型copula函数时，family代表copula函数的种类，包括gumbel-copula函数、clayton-copula函数和frank-copula函数，paramhat参数为阿基米德型copula函数的参数估计值。

(22)分别根据每种不同的copula函数计算其与经验copula函数之间的平方欧氏距离，选择距离最小的copula函数作为描述风、光发电场出力之间相关性。

不同的copula函数所具有的分布特征各不相同，使用不同的copula函数对风、光发电场出力之间的相关性进行建模，所得到的联合概率分布也会有一定的差别。因而为了更好地描述风光出力之间的相关性，选择合适的copula函数是分析风力、光伏发电出力相关性的关键。评价所选择copula函数的准确度通常根据copula函数与经验copula函数之间的平方欧氏距离的大小。平方欧氏距离法首先根据风、光发电出力的历史数据构建出风、光发电场出力之间的经验copula函数；然后根据所得的参数估计值计算各类copula函数与经验copula函数之间的平方欧氏距离；最后选择平方欧氏距离最小的copula函数作为描述风、光发电出力相关性的最优函数。

其中经验copula函数定义如下：

式中：u,v∈[0,1]；i[·]为示性函数；当f(xi)≤u时，否则当g(yi)≤v时，否则

(3)利用分布式随机非重叠抽样法对风电、光伏发电等间歇性分布式电源相关性分析后的结果进行抽样，从而将虚拟电厂分层随机优化模型转换为分层确定性优化模型来求解。

在风光相关性分析的基础上，利用分布式随机非重叠抽样方法对所选择的copula函数生成满足风光出力相关性的随机数矩阵进行抽样，如图2所示，主要步骤如下：

(31)对某一间歇性分布式电源进行独立抽样，建立其与其他各间歇性分布式电源的两两联合概率分布，根据平方欧氏距离最小的方法选择copula函数的类型来作为描述风、光发电出力相关性的最优函数。

计算平方欧氏距离的表达式如下：

式中：f(x)和g(y)分别是两个风、光发电场出力的边缘累积分布函数；

cei(f(x),g(y))为经验copula函数上第i个采样值；cti(f1(x),g(y))为copula函数上第i个采样值；n为计算点个数。

(32)由所选的理论copula函数的类型描述风光两两之间的相关性，得出各自的相关性系数。为了避免相关性太大对出力预测精度的影响，通过分布式筛选，在众多风光联合copula函数中选择pearson线性相关系数最小的风光联合copula函数作为抽样；

pearson线性相关系数表示如下：

其中，xi、yi分别为两个对象的样本，

假设风电场i与光伏发电j1、j2、.......、jn的相关系数分别为ρij1、ρij2、.......、ρijn，通过各分布式电源之间的通信连接，可以传递有链接分布式电源之间的信息。由此，为了避免相关性太大对出力预测精度的影响，可以选择与风电场ipearson线性相关系数最小的光伏发电建立联合概率分布作为抽样的样本。

ρi抽样＝min|ρij|j＝j1,j2,...,jn

其中，ρi抽样对应最终所选的风电联合概率分布对应的相关系数，ρij表示风电厂i与各个光伏发电所建立的联合概率分布的相关系数。

(33)利用所选择的copula函数生成满足风电出力相关性的随机数矩阵。

假设针对每个分布式电源出力随机变量生成随机数的个数为n，利用所选择的copula函数生成满足分布式电源出力相关性的随机数矩阵为dn×k。

其中，di,j表示节点j对节点i的影响权重，di,j∈[0,1)。

(34)用copularnd()函数对样本进行分布式随机抽样；

d＝copularnd(copula类型，copula相关系数，抽样次数)；

(35)对抽样结果进行所需处理。

基于分布式随机非重叠抽样将随机约束条件转换成确定性的约束条件，步骤如下：

(a)从copula联合概率分布式中抽样获得n组间歇性分布式电源的样本数据(p1n，p2n)(n＝1,2,...,n)(在此以二元copula联合概率分布式为例)；

(b)基于指示函数i(t)来计算满足约束条件的样本数，即当抽取的样本值满足约束条件时，i(t)＝1，否则，i(t)＝0。i(t)表达式如下：

其中，p1、p2分别是两个样本概率，分别为两个样本设定的约束概率。

(c)计算所抽取的样本满足约束条件的概率，并将该概率记为pn，则

(d)判断pn是否满足pn≥α，若满足，则继续下一步；否则，返回(a)进行重新抽样计算；

(e)至此便可将原来不确定性的概率约束条件转换为确定性的约束条件：