一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置

1.本发明涉及微电网优化规划与能量管理领域，特别是涉及一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置。


背景技术：

2.近年来，随着能源危机和环境污染日益严重，分布式发电技术迅速成为世界各国的研究重点，在市场需求的推动下，风力发电和光伏发电的成本迅速降低，微网随之得到了越来越广泛的应用。微网是将各种分布式电源(风电、光伏、柴发)、储能装置和负荷结合在一起形成的小型电力系统，具有完备的发电和配电功能，已经逐渐成为解决偏远地区供电问题的关键技术。整个微网的设计过程非常复杂，其中可再生能源不确定性的建模和微网电源的容量优化配置是非常重要的两个方面，可再生能源不确定性建模是否精确以及微网电源容量配置是否合理会直接影响到微网系统各个方面的性能，包括系统的稳定性、新能源消纳能力、系统的投资运维成本等等,通过对可再生能源不确定性的建模和微网电源容量的配置,微电网系统的运营商可以制定更加精准的策略。因此，如何对可再生能源的不确定性进行建模和对微网的电源容量进行优化配置具有非常重要的意义
3.现有的微电网规划问题主要存在以下几个挑战：1)对于一个待建的微网系统来说，当地的风电、光伏资源特性数据经常是缺失或者不足的，这种情况下往往会以典型日的风电、光伏出力特性为参考进行规划，这就导致规划模型中只包含少量的典型场景，而实际情况中场景是多种多样的。2)现有的工作大多使用传统的场景生成方法(如蒙特卡洛，拉丁超立方采样等)，这些方法需要事先假设原始数据服从特定的概率分布，而这些假定的分布在实际情况下并不适用。3)独立微网的相关工作较多，未能充分考虑电网接入对规划模型的影响。4)目前关于新能源场景生成技术和微网容量优化规划问题的工作都很多，但将两者合理的结合起来的研究工作还很少。
4.本发明公开一种考虑多维不确定性和能量管理策略的微电网容量优化规划方法。该方法使用深度卷积生成对抗网络来对系统的运行场景进行扩充，并使用改进的k-medoids算法对生成的海量场景进行聚类削减，聚类后得到的场景集被输入到一种综合考虑经济性指标、新能源消纳率和碳排放指标的并网型微电网容量优化配置模型中，通过对模型的优化求解，为微电网的设备容量优化配置提供了更加精确可靠的解决方案。


技术实现要素：

5.本发明的目的在于针对现有技术的不足，提供一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置。
6.本发明所采用的技术方案如下：第一方面，本发明提供了一种考虑多维不确定性和能量管理策略的微电网容量规划方法，所述方法包括如下步骤：
7.步骤(1)，构建基于深度卷积生成对抗网络的新能源出力场景生成模型，基于历史
数据对深度卷积生成对抗网络进行训练，使用训练完毕后的生成器对风电和光伏的出力场景进行生成扩充，得到新能源出力场景数据集；
8.步骤(2)，使用改进的k-medoids聚类算法，对步骤(1)中生成的新能源出力场景数据集进行聚类削减，首先从步骤(1)中生成的新能源出力场景数据集进行采样，得到若干个数据子集，每个数据子集规模一致，并对每个数据子集进行聚类，每个数据子集均得到相同数量的聚类中心集合，同时计算每个数据子集聚类中心集合相对于新能源出力场景数据集的聚类误差，选择聚类误差最小的一个数据子集聚类中心集合，将新能源出力场景数据集的数据划分到距离最近的中心集合中的簇中心，并通过计算聚类误差对簇中心进行微调，得到聚类削减后的数据集；
9.步骤(3)，根据并网型微电网的拓扑结构提出对应的系统能量管理策略：具体为：对于并网型风光储微电网来说，其组成部分包括风力发电机组、光伏发电阵列、储能电池、柴发机组和本地负荷，当风力发电机组和光伏发电阵列的可再生能源发电量不足以满足本地负荷需求，优先使用储能电池放电满足功率缺额，放电后仍无法满足需求时，选择柴发机组和向电网购电成本较低的方式满足功率缺额；
10.步骤(4)，结合步骤(2)中得到的新能源出力场景数据集和步骤(3)中提出的能量管理策略，构建一种基于新能源出力场景的并网型微电网容量优化配置模型，具体包括以下子步骤：
11.(4.1)建立优化的目标函数：
12.并网型微电网系统总的优化目标函数主要包括经济性指标、可再生能源利用率指标和碳排放指标三个方面，具体如下所示：
13.min f(n
pv
,n
wind
,n
ess
,n
diesel
)＝c economy
+c
dg
+c
co2
14.其中，f(
·
)表示系统规划设计过程中总的成本函数，n
pv
、n
wind
、n
ess
、n
diesel
表示系统中风电、光伏、柴发和储能的优化配置容量，单位为kw；
15.(4.1.1)经济性指标：
[0016][0017]
其中，c economy
表示系统的总经济性成本，c
invest
表示系统的设备投资成本，表示系统的运维成本，c
fuel
表示系统的燃料费，c
grid
表示从电网购电的费用；
[0018]
(4.1.2)可再生能源利用率指标：
[0019][0020]
其中，c
punish
表示微网弃电情况下的罚钱系数，单位为元/kwh；表示t时刻光伏和风电的弃电量，单位为kw，lf表示设备的生命周期，δt表示采样间隔，n
t
表示一年的总时刻数；
[0021]
(4.1.3)碳排放指标：
[0022][0023]
其中，表示t时刻碳交易市场中的co2价格，单位为元/kg；ρ
diesel
表示柴发的碳
排放系数，单位为kg/kwh；ρ
grid
表示电网发电过程中的碳排放系数，单位为kg/kwh，表示t时刻柴发机组的运行状态，表示t时刻微网和电网之间的交互功率；
[0024]
(4.2)建立优化的约束条件，包括功率平衡约束、配置容量上限约束、设备出力功率上限约束、电网交互功率约束、储能soc约束和储能充放电功率约束；
[0025]
步骤(5)，将通过求解器对步骤(4)中得到的并网型微电网容量优化配置模型进行优化求解，得到最终的微电网系统设备容量最优配置。
[0026]
进一步地，步骤(1)具体包括以下步骤：具体包括以下子步骤：
[0027]
(1.1)构建深度卷积生成对抗网络模型，并对模型进行训练：生成对抗网络模型主要由生成器和判别器两部分构成，根据生成器和判别器的训练目标，分别构造两者的损失函数lg和ld，如下所示：
[0028][0029][0030]
其中，pz(z)表示随机噪声z的概率分布，p
data
(x)表示历史数据x的概率分布，g(z)表示生成器生成的数据样本，pg(z)表示数据样本概率分布，d(g(z))和d(x)分别表示生成的数据和历史数据在判别器中被认为是真的概率，e(
·
)表示数学期望；
[0031]
生成器和判别器的训练目标分别是使lg最小和ld最大，并引入wasserstein距离，得到改进后的模型训练目标函数如下：
[0032][0033]
其中，e(
·
)表示数学期望；d(g(z))表示生成的数据在判别器中被认为是真的概率，d(x)表示真实的历史数据在判别器中被认为是真的概率，k代表梯度的限值，权重系数λ＝10，x'＝εx+(1-ε)
·
g(z)，ε代表(0,1)之间的随机数，
▽
表示求梯度运算，||
·
||表示求范数运算。
[0034]
进一步地，步骤(2)具体如下：
[0035]
(2.1)对整个生成的风电或者光伏发电新能源出力场景数据集θ进行随机采样，得到m个规模为n的子集θi，然后对这m个子集并行执行k-medoids算法(全局搜索)，分别得到每个子集对应的k个簇中心，并计算每组簇中心相对整个数据集的聚类误差，选择聚类误差最小的一组作为中心集合；
[0036]
(2.2)对于(2.1)中获得的中心集合，将整个新能源出力场景数据集θ的数据划分到距离最近的中心集合中的簇中心，得到k个划分后的数据集，然后通过每个划分后的数据集与其簇中心的聚类误差，并行更新中心集合中的每个簇的中心(本地搜索)，以此来对簇中心进行微调，最终得到整个新能源出力场景数据集θ的k个聚类簇中心，得到聚类削减后的数据集。
[0037]
进一步地，步骤(3)具体如下：
[0038]
计算微电网系统在t时刻的净负荷值δp(t)：
[0039]
δp(t)＝p
load
(t)-p
pv
(t)-p
wind
(t)
ꢀꢀ
(6)
[0040]
其中，p
load
(t)，p
pv
(t)，p
wind
(t)分别表示t时刻微电网系统中的电负荷、光伏发电功率和风电发电功率；
[0041]
当δp(t)＞0时，可再生能源发电量不足以满足负荷需求，在储能电池荷电状态和放电功率允许的条件下(soc＞0.1)，优先使用储能电池放电来满足功率缺额，蓄电池放电后仍无法满足需求时，比较柴发机组发电成本和此时刻从电网购电的价格(分时电价)，选择成本较低的方式来满足功率缺额；
[0042]
当δp(t)＝0时，可再生能源发电量正好可以满足此时的系统负荷需求，储能电池不充放电，柴发机组和大电网与微电网无能量交互；
[0043]
当δp(t)＜0时，可再生能源发电量过剩，在储能电池荷电状态和充电功率允许的条件下(soc＜0.9)，优先对储能系统进行充电，若仍有功率剩余，记为系统能量溢出功率(即弃电量)。
[0044]
进一步地，经济性指标中系统的设备投资成本、系统的运维成本、系统的燃料费和从电网购电的费用的计算过程具体如下：
[0045]
系统的设备总投资成本包括风电、光伏、储能、柴发的设备购买费用和建设与主网相连的输电线路的费用，如所示：
[0046][0047]
其中，分别表示光伏、风电、储能、柴发和输电线路的投资成本，单位为元；
[0048][0049]
其中，表示风电、光伏、储能和柴发的设备置换成本；本；表示风电、光伏、储能和输电线路的维护成本，单位为元；
[0050][0051][0052]
其中，β
diesel
表示柴油发电机的燃油系数，单位为元/kwh；表示t时刻柴发的启停情况，该值为1时表示该时刻柴发处于启动状态；表示分时电价的状态下t的刻从电网购电的价格，单位为元/kwh；表示t时刻与电网交互功率，单位为kw。
[0053]
进一步地，步骤(4.2)中，约束条件具体如下：
[0054]
(4.2.1)功率平衡约束：
[0055][0056]
(4.2.2)配置容量上限约束：
[0057][0058]
其中，表示风电、光伏、柴发、储能的最大配置容量，单
位为kw；
[0059]
(4.2.3)设备出力功率上限约束：
[0060][0061]
其中，表示光伏、风电和柴发的出力功率上限，单位为kw；
[0062]
(4.2.4)电网交互功率约束：
[0063][0064]
(4.2.5)储能soc约束：
[0065]
soc
min
≤soc
t
≤soc
max
[0066]
其中，soc
max
、soc
min
表示储能荷电状态的上下限；
[0067]
(4.2.6)储能充放电功率约束：
[0068][0069]
其中，表示储能的充放电功率上下限，单位为kw。
[0070]
第二方面，本发明还提供了一种考虑多维不确定性和能量管理策略的微电网容量规划装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现所述的一种考虑多维不确定性和能量管理策略的微电网容量规划方法的步骤。
[0071]
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的一种考虑多维不确定性和能量管理策略的微电网容量规划的步骤。
[0072]
本发明的有益效果在于：本发明建立了一种考虑能量管理策略的并网型微电网设备容量优化配置模型，以系统总经济成本最低、新能源消纳率最高、碳排放量最少为优化目标，考虑系统功率平衡、设备容量上限、设备运行功率、储能荷电状态等约束条件，并采用求解器求解此优化问题，该方法可以降低并网型微电网系统的建设成本，提升系统中的新能源消纳水平和系统供能的可靠性，为并网型微电网的规划和建设提供更加经济低碳的解决方案。
附图说明
[0073]
图1为并网型微电网整体结构示意图；
[0074]
图2为深度卷积生成对抗网络的整体结构示意图；
[0075]
图3为部分生成的风电出力场景示意图；
[0076]
图4为部分生成的光伏出力场景示意图；
[0077]
图5为聚类算法的整体流程图；
[0078]
图6为场景聚类后得到的风电出力场景示意图；
[0079]
图7为场景聚类后得到的光伏出力场景示意图；
[0080]
图8为微电网的能量管理策略整体流程图；
[0081]
图9为本发明提供的一种考虑多维不确定性和能量管理策略的微电网容量规划装置的结构图；
[0082]
图10为本专利所提供方法的总体流程图。
具体实施方式
[0083]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0084]
本发明涉及一种并网型微电网系统设备容量优化配置方法，该微电网系统包括多种可再生能源(风电、光伏)，电储能设备、柴发机组和本地负荷，并网型微电网整体结构如图1所示。本发明的目的是提出一种考虑多维不确定性和能量管理策略的微电网容量规划方法，从而为微电网系统的规划提供更加精确的指导，使得系统总体上更加经济低碳。为说明本发明效果，下面以某一含可再生能源的并网型微电网系统作为本发明的实施对象对本发明方法进行详细说明，如图10所示，具体步骤如下：
[0085]
步骤(1)，构建如图2所示的基于深度卷积生成对抗网络的新能源出力场景生成模型，基于历史数据对深度卷积生成对抗网络进行训练，使用训练完毕后的生成器对风电和光伏的出力场景进行生成扩充，，具体包括以下子步骤：
[0086]
(1.1)构建深度卷积生成对抗网络模型，并对模型进行训练：生成对抗网络模型主要由生成器和判别器两部分构成，根据生成器和判别器的训练目标，分别构造两者的损失函数lg和ld，如公式(1)和公式(2)所示：
[0087][0088][0089]
其中，pz(z)表示随机噪声z的概率分布，p
data
(x)表示历史场景数据x的概率分布，g(z)表示生成器生成的数据样本，pg(z)表示其概率分布。
[0090]
生成器和判别器的训练目标分别是使(1)式最小和(2)式最大，两者不断博弈，最终达到“纳什均衡”状态，所以整个gan网络的极大极小化博弈模型如公式(3)所示：
[0091][0092]
其中，e(
·
)表示数学期望；d(g(z))表示生成的数据在判别器中被认为是真的概率，d(x)表示真实的历史数据在判别器中被认为是真的概率。
[0093]
以公式(3)为目标函数进行模型训练容易出现梯度消失的问题，影响模型的准确性，为此，引入wasserstein距离来改进公式(3)中的目标函数，帮助提高训练的稳定性，wasserstein距离定义如公式(4)所示：
[0094][0095]
其中，f
xy
代表以f
x
和fy为边缘分布的联合概率分布ψ的集合。
[0096]
结合公式(3)和公式(4)，得到改进后的模型训练目标函数如公式(5)所示：
[0097]
[0098]
其中，k代表梯度的限值，权重系数λ＝10，x'＝εx+(1-ε)
·
g(z)，ε代表(0,1)之间的随机数，
▽
表示求梯度运算，||
·
||表示求范数运算。
[0099]
本发明所使用的深度卷积生成对抗网络模型的整体结构如图2所示，模型构建完毕后，将收集到的风电和光伏发电的历史数据分别输入到构建好的生成对抗模型中进行训练，使模型可以自发地学习到历史数据的统计特征。
[0100]
(1.2)使用训练完毕后的模型的生成器对风电和光伏的出力场景进行生成，部分场景生成的结果如图3和图4所示，从图中可以看出生成的数据和历史数据具有相似的统计特征，而且模式非常丰富。
[0101]
步骤(2)，使用改进的k-medoids聚类算法，对步骤(1)中生成的海量新能源出力场景进行聚类削减，降低计算的复杂度，先从步骤(1)中生成的新能源出力场景数据集进行采样，得到若干个数据子集，每个数据子集规模一致，并对每个数据子集进行聚类，每个数据子集均得到相同数量的聚类中心集合，同时计算每个数据子集聚类中心集合相对于新能源出力场景数据集的聚类误差，选择聚类误差最小的一个数据子集聚类中心集合，将新能源出力场景数据集的数据划分到距离最近的中心集合中的簇中心，并通过计算聚类误差对簇中心进行微调，得到聚类削减后的数据集；聚类算法的整体流程如图5所示，具体步骤如下：
[0102]
(2.1)对整个生成的风电或者光伏发电新能源出力场景数据集θ进行随机采样，得到m个规模为n的子集θi，然后对这m个子集并行执行k-medoids算法(全局搜索)，分别得到每个子集对应的k个簇中心，并计算每组簇中心相对整个数据集的聚类误差，选择聚类误差最小的一组作为中心集合；
[0103]
(2.2)对于(2.1)中获得的中心集合，将整个新能源出力场景数据集θ的数据划分到距离最近的中心集合中的簇中心，得到k个划分后的数据集，然后通过每个划分后的数据集与其簇中心的聚类误差，并行更新中心集合中的每个簇的中心(本地搜索)，以此来对簇中心进行微调，最终得到整个新能源出力场景数据集θ的k个聚类簇中心，得到聚类削减后的数据集。
[0104]
对生成的海量场景进行聚类后得到的结果如图6和图7所示，该改进算法既解决了聚类结果对噪声和异常数据敏感的问题，同时又兼顾了算法本身的计算效率；使用该方法对生成的光伏和风电数据进行聚类削减，可以有效提升后续规划模型的准确性。
[0105]
步骤(3)，根据并网型微电网的拓扑结构提出对应的系统能量管理策略：本发明所建立的微电网能量管理策略的整体流程如图8所示。对于并网型风光储微电网来说，其主要组成部分包括风力发电机组，光伏发电阵列，储能电池，柴发机组和各类本地负荷等，风电、光伏、储能和柴发机组经过逆变器或变换器接入直流母线和交流母线(其中连接蓄电池的变换器为双向的，以配合蓄电池充电和放电的过程)，微网系统通过pcc与大电网相连接，当风力发电机组和光伏发电阵列的可再生能源发电量不足以满足本地负荷需求，优先使用储能电池放电满足功率缺额，放电后仍无法满足需求时，选择柴发机组和向电网购电成本较低的方式满足功率缺额(不考虑向电网售电的情况)。
[0106]
计算微电网系统在t时刻的净负荷值δp(t)：
[0107]
δp(t)＝p
load
(t)-p
pv
(t)-p
wind
(t)(6)
[0108]
其中，p
load
(t)，p
pv
(t)，p
wind
(t)分别表示t时刻微电网系统中的电负荷、光伏发电功率和风电发电功率。
[0109]
当δp(t)＞0时，可再生能源发电量不足以满足负荷需求，在储能电池荷电状态和放电功率允许的条件下(soc＞0.1)，优先使用储能电池放电来满足功率缺额，蓄电池放电后仍无法满足需求时，比较柴发机组发电成本和此时刻从电网购电的价格(分时电价)，选择成本较低的方式来满足功率缺额；
[0110]
当δp(t)＝0时，可再生能源发电量正好可以满足此时的系统负荷需求，储能电池不充放电，柴发机组和大电网与微电网无能量交互；
[0111]
当δp(t)＜0时，可再生能源发电量过剩，在储能电池荷电状态和充电功率允许的条件下(soc＜0.9)，优先对储能系统进行充电，若仍有功率剩余，记为系统能量溢出功率(即弃电量)。
[0112]
步骤(4)，结合步骤(2)中得到的新能源出力场景数据集和步骤(3)中提出的能量管理策略，构建一种基于场景的并网型微电网容量优化配置模型，具体包括以下子步骤：
[0113]
(4.1)建立优化的目标函数：
[0114]
系统总的优化目标函数主要包括经济性指标、可再生能源利用率指标和碳排放指标三个方面。经济性指标对于系统规划来说是必不可少的，通过对系统投资成本和运维成本的计算，可以有效控制系统前期的建设投资支出，燃料费用和购电费用的计算可以为能源供应商选取更加有效的供能方式提供指导；另外，按照最新的国家电网政策要求，新能源发电的利用率不得低于一定的水平，因此新能源消纳率指标被选取作为第二个优化目标；最后，对系统整体的碳排放水平的控制也是必不可少的一环，因此选取系统生命周期内的碳排放总量作为最后一个优化目标；具体如公式(7)所示：
[0115][0116]
其中，f(
·
)表示系统规划设计过程中总的成本函数，n
pv
、n
wind
、n
ess
、n
diesel
表示系统中风电、光伏、柴发和储能的优化配置容量，单位为kw。
[0117]
(4.1.1)经济性指标：
[0118][0119]
其中，c economy
表示系统的总经济性成本，c
invest
表示系统的设备投资成本，表示系统的运维成本，c
fuel
表示系统的燃料费，c
grid
表示从电网购电的费用。
[0120]
系统的设备总投资成本包括风电、光伏、储能、柴发的设备购买费用和建设与主网相连的输电线路的费用，如公式(9)所示：
[0121][0122]
其中，分别表示光伏、风电、储能、柴发和输电线路的投资成本，单位为元。
[0123][0124]
其中，表示风电、光伏、储能和柴发的设备置换成本；本；表示风电、光伏、储能和输电线路的维护成本，单位为元。
[0125]
[0126][0127]
其中，β
diesel
表示柴油发电机的燃油系数，单位为元/kwh；表示t时刻柴发的启停情况，该值为1时表示该时刻柴发处于启动状态；表示分时电价的状态下t时刻从电网购电的价格，单位为元/kwh；表示t时刻与电网交互功率，单位为kw。
[0128]
(4.1.2)可再生能源利用率指标：
[0129][0130]
其中，c
punish
表示微网弃电情况下的罚钱系数，单位为元/kwh；表示t时刻光伏和风电的弃电量，单位为kw；lf表示设备的生命周期，δt表示采样间隔，n
t
表示一年的总时刻数；。
[0131]
(4.1.3)碳排放指标：
[0132][0133]
其中，表示t时刻碳交易市场中的co2价格，单位为元/kg；ρ
diesel
表示柴发的碳排放系数，单位为kg/kwh；ρ
grid
表示电网发电过程中的碳排放系数，单位为kg/kwh。表示t时刻柴发机组的运行状态，表示t时刻微网和电网之间的交互功率。
[0134]
(4.2)建立优化的约束条件：包括功率平衡约束、配置容量上限约束、设备出力功率上限约束、电网交互功率约束、储能soc约束和储能充放电功率约束；具体如下：
[0135]
(4.2.1)功率平衡约束：
[0136][0137]
(4.2.2)配置容量上限约束：
[0138][0139]
其中，表示风电、光伏、柴发、储能的最大配置容量，单位为kw。
[0140]
(4.2.3)设备出力功率上限约束：
[0141][0142]
其中，表示光伏、风电和柴发的出力功率上限，单位为kw。
[0143]
(4.2.4)电网交互功率约束：
[0144][0145]
(4.2.5)储能soc约束：
[0146]
soc
min
≤soc
t
≤soc
max
(18)
[0147]
其中，soc
max
、soc
min
表示储能荷电状态的上下限。
[0148]
(4.2.6)储能充放电功率约束：
[0149][0150]
其中，表示储能的充放电功率上下限，单位为kw。
[0151]
步骤(5)，将通过求解器对步骤(4)中得到的并网型微电网容量优化配置模型进行优化求解，得到最终的微电网系统设备容量最优配置。
[0152]
本发明实施例所构建的微电网系统中设备的各项成本如表1所示，从电网购电的分时电价如表2所示。此外，算例中所需要的其他参数设置如下：设备的折旧率为7％，柴发机组的燃料系数为0.978元/kwh，弃电惩罚系数为0.1元/kwh，柴发机组和电网发电的碳排放系数分别为0.263kg/kwh和0.698kg/kwh，储能设备的soc上下限为0.9和0.1，储能设备的充放电效率设为90％。
[0153]
表1系统中设备的各类成本
[0154][0155][0156]
表2电网分时电价表
[0157]
时间段电价(元/kwh)(7:00-8:00)/(11:00-18:00)0.87(8:00-11:00)/(18:00-23:00)1.31(23:00-0:00)/(0:00-7:00)0.44
[0158]
将模型的参数设置输入到求解器中，使用求解器对步骤(4)中得到的模型进行优化求解，得到最终的微电网系统的设备容量最优配置：光伏发电配置容量为30.677kw，风力发电配置容量为136.579kw，储能配置容量为51.161kwh，柴发单元配置容量为42.217kw。此种容量配置方式下，系统规划过程中对应的各类指标如表3所示。
[0159]
表3最优配置容量下系统对应的各项指标
[0160]
指标费用(元/年)输电线建设成本2342293.102年投资成本3140717.452年运维成本86328.904燃料费73617.074
年购电成本40392.499年总成本3614673.003年弃电罚金3202.836
[0161]
与前述一种考虑多维不确定性和能量管理策略的微电网容量规划方法的实施例相对应，本发明还提供了一种考虑多维不确定性和能量管理策略的微电网容量规划装置的实施例。
[0162]
参见图9，本发明实施例提供的一种考虑多维不确定性和能量管理策略的微电网容量规划装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的一种考虑多维不确定性和能量管理策略的微电网容量规划方法。
[0163]
本发明提供的一种考虑多维不确定性和能量管理策略的微电网容量规划装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图9所示，为本发明考虑多维不确定性和能量管理策略的微电网容量规划装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图9所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
[0164]
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
[0165]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0166]
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的考虑多维不确定性和能量管理策略的微电网容量规划方法。
[0167]
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、sd卡、闪存卡(flash card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0168]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以
限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。