[发明专利]基于多仿射策略的数据驱动鲁棒优化调度实现方法

说明书

一种基于多仿射策略的数据驱动鲁棒优化调度实现方法，通过建立两阶段鲁棒优化模型并求解得到调度策略，采用自组织映射神经网络对风电样本数据集进行聚类处理以得到多不确定集，再以基于多仿射策略的鲁棒优化模型求解方法，通过采用多仿射策略对优化模型进行变换，并结合对偶原理将原优化模型转换为线性规划问题进行求解，实现数据驱动鲁棒优化调度。本发明以鲁棒优化方法为基础，通过建立多不确定集改善不确定性因素建模的保守性，并通过引入多仿射策略提高所得调度策略的经济性，能够在确保优化模型求解效率的同时，有效刻画不确定性因素波动范围，在确保电网安全性的同时提高了电网运行效率。

技术领域

本发明涉及的是一种电力系统调度领域的技术，具体是一种基于多仿射策略的数据驱动鲁棒优化调度实现方法。

背景技术

随着可再生能源大规模并网，需要研究基于不确定性因素的调度方法。随着可再生能源大规模并网，其出力不确定性对于电网运行具有显著影响，需要准确刻画可再生能源出力随机特性，安排合理的调度策略以提高电网运行效率。同时，可再生能源出力波动性对电网安全运行提出更高的要求，需要确保常规火电机组留有充足备用，以应对可再生能源出力的大幅波动。因此，需要研究考虑不确定性因素的调度方法。

发明内容

本发明针对现有技术不确定集建模较为保守，基于仿射策略所得调度策略的经济性较差的问题，提出一种基于多仿射策略的数据驱动鲁棒优化调度实现方法，以鲁棒优化方法为基础，通过建立多不确定集改善不确定性因素建模的保守性，并通过引入多仿射策略提高所得调度策略的经济性，能够在确保优化模型求解效率的同时，有效刻画不确定性因素波动范围，在确保电网安全性的同时提高了电网运行效率。

本发明是通过以下技术方案实现的：

本发明涉及一种基于多仿射策略的数据驱动鲁棒优化调度实现方法，通过建立两阶段鲁棒优化模型并求解得到调度策略，采用自组织映射神经网络对风电样本数据集进行聚类处理以得到多不确定集，再以基于多仿射策略的鲁棒优化模型求解方法，通过采用多仿射策略对优化模型进行变换，并结合对偶原理将原优化模型转换为线性规划问题进行求解，实现数据驱动鲁棒优化调度。

所述的建立两阶段鲁棒优化模型，具体包括：建立第一阶段模型，其优化目标为常规机组发电与备用成本之和最小，并根据电力系统功率平衡约束、常规机组出力上下限约束、线路传输功率范围约束、常规机组备用范围约束以及爬坡能力，构建第一阶段模型所需考虑的约束条件；建立第二阶段模型，其优化目标为常规机组再调度成本、弃风成本与削负荷成本之和最小，并根据电力系统功率平衡约束、线路传输功率范围约束、弃风范围与削负荷范围约束、常规机组再调度出力范围约束以及爬坡能力，构建第二阶段模型所需考虑的约束条件。

所述的第一阶段模型的目标函数为常规机组发电与备用成本之和最小，即：其中：p_G,j,t、r_Gu,j,t、r_Gd,j,t分别为t时刻常规机组j的有功出力、正备用及负备用；a_G,j、b_G,j、c_G,j为常规机组j的发电成本系数；d_Gu,j、d_Gd,j分别为常规机组j的正备用成本系数、负备用成本系数；N_G为常规机组数量，t为时间。

所述的目标函数为二次函数，采用分段线性化的方法将其转换为一系列线性函数。对于第j台机组，其t时刻的运行成本函数转换为线性约束，具体为：其中：W_G,j,t为新引入的成本变量；和为第i组线性化系数，其上标表示线性函数段数；d为分段数，则第一阶段模型的目标函数更新为：