[发明专利]一种智能电网混合优化模型的加速分布式优化方法

权利要求书

1.一种智能电网混合优化模型的加速分布式优化方法，其特征在于，基于智能电网的混合优化模型实现，

所述模型分为两个阶段：

第一阶段：确定电价典型场景；

第二阶段：在所述第一阶段的每个所述电价典型场景下进行可再生能源RE和负载的混合随机规划鲁棒优化；

电价典型场景的获取方法包括：通过对电价历史数据的分析，得到电价的预测分布，再进行场景选择；

场景选择采用拉丁超立方体抽样方法，分别从(0,1)等分的n_s个子区间产生n_s个场景；

所述第二阶段的鲁棒优化是将传统能源发电CGs、风力发电WGs、电池存储系统BSSs、可移动设备SAs和在n_s个场景下与外部电网的销售/购买电力的总体预期成本降到最低：

其中：为第i个传统能源发电的成本函数，为第i个传统能源发电的出力,n_g为传统能源发电机个数；为第i个风力发电的削减罚款函数，为第i个风力发电的出力，n_w为风力发电机个数；为第i个储能系统的成本函数，为第i个储能系统的出力，n_b为储能系统个数；为第i个可移动设备不满意成本的函数，为第i个可移动设备的出力，n_sa可移动设备个数；为外部电网购买/出售电力的成本函数，为外部电网购买/出售的电力；

在第s个电价的情况下，建立混合随机规划鲁棒优化模型具体为：

s.t.D(X)＝0

E(X)≤0

其中，x_i是因变量，f_i(x_i)表示传统能源发电成本函数、风力发电成本函数、电池存储系统成本函数、可移动设备成本函数和在n_s个场景下于外部电网的销售/购买电力的成本函数；M表示场景的序号；

所述智能电网混合优化模型的加速分布式优化方法包括如下步骤：

步骤100、在多智能体系统一致的算法基础上建立混合随机规划鲁棒优化模型相对应的拉格朗日对偶为：

其中，λ和μ分别是D(X)和E(X)的拉格朗日对偶乘子；

步骤200、每个智能体拉格朗日对偶中分解得到子问题，所述子问题具体为：

其中，X_i是X在当地的复制，λ_i是λ在当地的复制，μ_i是μ在当地的复制；

步骤300、在每个智能体中设置初始变量，并逐次进行迭代，在第k次迭代时由加速梯度下降法进行更新，具体为：

其中是L_i关于的导数，τ₁是固定的步长；

分布式优化的信息交换过程基于多智能体系统一致性算法，每个智能体只与它的邻居交换信息，信息交换矩阵W的信息交换权重w_ij计算如下：

其中N_i和n_i是智能体i的邻居集和邻居个体；

P_Ω是X_i在其取值集合上的投影，具体定义为：

将x_ij的更新、交换和投影协议简化为：

λ_i更新规则和信息交换协议为：

其中τ₂是固定步长；

μ_i的更新规则和信息交换协议与λ_i相同：

迭代停止准则由以下条件确定：

其中，δ_e是于固定的误差容限。

2.根据权利要求1所述的一种智能电网混合优化模型的加速分布式优化方法，其特征在于，第s个价格场景下各个成本具体为：

其中，为基准值功率输出；为可再生能源发电和负荷偏差的备用容量；a_gi，b_gi和c_gi为成本系数；Λ为风电偏差的协方差矩阵，σ为协方差总合；

其中，a_wi为成本系数为基准值功率输出，P_wi,f预测手段得到的最大可用风能；

其中，为基准功率值，为可再生能源发电和负荷偏差的备用容量，a_bsi为成本系数；

其中，a_sai为折中的成本系数，P_sai,d指期望功耗；

其中，是成本系数。