1.一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,包括以下步骤:步骤1,通过将高斯混合概率模型的置信区间与信息间隙决策理论的鲁棒思想结合起来,建立基于鲁棒驱动的置信间隙决策模型;
步骤2,基于置信间隙决策模型,结合综合能源系统的多个优化目标,构建综合能源系统多目标置信间隙决策鲁棒优化调度模型;
步骤3,设计自适应谐波混叠多目标复合微分进化算法对综合能源系统多目标置信间隙决策鲁棒优化调度模型进行求解。
2.根据权利要求1所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,在所述步骤1中,建立基于鲁棒驱动的置信间隙决策模型具体包括:将含不确定参数的优化问题描述为: (1)
式中: 为目标函数; 为决策变量; 为不确定性参数; 和 分别为等式约束和不等式约束;
基于IGDT的风险规避策略RAS,将上述不确定性优化问题转化如下的鲁棒优化模型: (2)
式中: 为不确定量的波动区间, 和 分别为不确定量的预测值和偏差系数, ; 为确定性优化模型下 为 时的最优解, 为引入不确定性后预设的决策者所能接受的最差目标值; 为目标偏差因子, 设置越大,则模型对目标变差的容忍度越大,鲁棒性越强,反之亦然;
引入机会约束对目标偏差和不确定区间进行置信度评价,以置信区间代替IGDT模型中简单的对称性波动区间,取消IGDT模型中的不确定量偏差系数 ;取消IGDT模型中需预先设定的目标偏差因子 ,引入机会约束在确保决策结果以一定置信水平不劣于期望最优值的条件下,最大化不确定性置信水平以实现最大化各类不确定性变量的置信区间;提出如下置信间隙决策模型: (3)
式中:Pr表示概率, 为不确定性置信水平, 为目标显著性水平; 表示置信不确定区间, 和 分别为 的下界和上界;
基于GMM拟合风电、光伏和负荷功率预测误差的概率分布;
GMM可由下式表示:
(4)
(5)
式中, 为高斯分量个数; 为第 个高斯分量的权重系数; 为第个高斯分量的概率密度函数; 和 分别为第 个高斯分量的期望和方差;
采用由5 7个高斯分量线性组合成的GMM-5、GMM-6和GMM-7对风电功率预测误差进行拟~合,得到t时段的风电功率分布概率拟合曲线以及拟合效果;采用由5 7个高斯分量线性组~合成的GMM-5、GMM-6和GMM-7对光伏出力预测误差进行拟合,得到t时段的风电功率分布概率拟合曲线以及拟合效果;采用由5 7个高斯分量线性组合成的GMM-5、GMM-6和GMM-7对负~荷功率预测误差进行拟合,得到t时段的风电功率分布概率拟合曲线以及拟合效果;
给定置信水平 ,根据置信间隙决策模型可将综合能源系统中各时段风光出力和负荷的预测误差围绕预测出力的波动区间描述如下: (6)
(7)
(8)
式中: 、 和 分别为t时段风电出力、光伏出力和负荷的预测误差;
、 和 分别为t时段风电出力、光伏出力和负荷预测误差期望值;
、 分别为风电出力预测误差置信区间的上、下限; 、 分别为光伏出力预测误差置信区间的上、下限; 、 分别为负荷预测误差置信区间的上、下限。
3.根据权利要求1所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,在所述步骤2中,构建综合能源系统多目标置信间隙决策鲁棒优化调度模型具体包括:步骤2.1,建立综合能源系统;
步骤2.2,针对综合能源系统构造目标方程;
步骤2.3,针对综合能源系统构造约束条件;
步骤2.4,结合目标方程和约束条件,基于置信间隙决策模型构建综合能源系统多目标置信间隙决策鲁棒优化调度模型,将综合能源系统多目标置信间隙决策鲁棒优化调度模型中的机会约束转化为等效确定性约束。
4.根据权利要求3所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,所述综合能源系统包括风机、光伏、能源转换装置、电储能、蓄热罐以及电热冷三类负荷。
5.根据权利要求3所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,所述针对综合能源系统构造目标方程具体包括:以㶲效率为优化目标,实现电、热、冷等能量的高效利用,㶲效率目标函数如下: (9)
(10)
式中: 为㶲效率; 和 分别为热能和冷能的能源品质系数,电能的能源品质系数为1,无需折算; 、 和 分别为环境温度、热负荷温度和冷负荷温度; 、和 分别为系统 时段电负荷、热负荷和冷负荷功率值; 和 分别为 时段电储能和蓄热罐损耗后实际存入能量; 和 分别为 时段电储能和蓄热罐损耗后实际放出能量; 和 分别为 时段系统购电量和购气量; 和 分别为 时段风电和光伏出力;
以综合能源系统的运行成本为优化目标,运行成本 包括向电网购电成本 、购气成本 、设备运维成本 以及弃风、弃光惩罚成本 ,运行成本 目标函数如下:
(11)
(12)
式中:T为运行总时长; 和 分别为IES在 时段购电电价、天然气价格;n和N分别为系统中各个组成部分的编号和系统设备总数; 和 分别为 时段设备n的运维成本和出力值; 和 分别为弃风、弃光单位惩罚成本系数以及弃风、弃光量。
6.根据权利要求5所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,所述针对综合能源系统构造约束条件具体包括:功率平衡约束条件:
(13)
(14)
(15)
式中: 和 被分别为向电网购买的电量、天然气消耗量; 、 、 和分别表示 时段风电功率、光伏功率、电储能放电功率和CHP机组放电功率; 、和 分别表示 时段电储能充电功率、电制冷机耗电功率和电锅炉耗电功率;
、 和 分别表示 时段CHP机组放热功率、电锅炉放热功率和吸收式制冷机耗热功率; 和 分别为 时段蓄热罐充热、放热功率; 和 分别表示吸收式制冷机和电制冷机的制冷功率;
风电、光伏出力约束条件:
(16)
(17)
式中: 和 分别表示风电和光伏出力的上限;
能源转换设备约束条件,包括CHP机组、电锅炉、吸收式制冷机和电制冷机的模型及约束: (18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
(26)
(27)
(28)
式中: 、 和 分别表示CHP机组发电功率上限、下限以及 时段CHP机组发电功率; 、 和 分别表示CHP机组发热功率上限、下限以及 时段CHP机组发热功率; 和 分别为CHP机组的发电效率和热电比; 和为电锅炉转换效率和 时段电锅炉产热功率; 、 和 分别为电锅炉耗电功率上、下限以及 时段电锅炉耗电功率; 和 分别为吸收式制冷机的耗热上限、下限; 和 分别为电制冷机的耗电上限、下限; 和 分别表示吸收式制冷机以及电制冷机的转换效率; 和 为设备n的爬坡上限、下限;
储能约束条件:
(29)
(30)
(31)
(32)
式中:下标B表示储能的种类,分为电储能和蓄热罐; 为 时段储能容量; 和为储能容量上下限; 和 为储能充、放能效率; 和 分别为 时段储能充、放能状态,为0-1变量; 、 、 和 分别为储能充放功率上、下限。
7.根据权利要求6所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,结合目标方程和约束条件,基于置信间隙决策模型构建综合能源系统多目标置信间隙决策鲁棒优化调度模型,将综合能源系统多目标置信间隙决策鲁棒优化调度模型中的机会约束转化为等效确定性约束,具体包括:在确定性模型下优化得到㶲效率和综合能源系统运行成本的最优解分别为 和,决策者可接受的㶲效率和IES运行成本的最优解分别为fc1和fc2,根据置信间隙决策理论,将置信间隙决策模型与综合能源系统的目标方程和约束条件结合转化为如下综合能源系统多目标置信间隙决策鲁棒优化调度模型: (33)
其中,决策变量 为系统调度方案;Pr表示概率, 为不确定性置信水平, 为目标显著性水平; 、 和 分别为t时段风电出力、光伏出力和负荷的预测误差; 、 和 分别为t时段风电出力、光伏出力和负荷预测误差期望值;
设 、 和 相互独立,根据不确定理论对式(33)进行确定性转化,过程如下:
因为 均为不确定变量,且 为实值可测函数,因此为不确定变量;已知
,令 为
的不确定分布函数,由不确定分布的定义,可得: (34)
又因为不确定变量 分别服从正则不确定分布 ,分别为t时刻风电、光伏出力和负荷预测误差所对应的累积分布函数,且为实值可测函数,则有:
(35)
根据不确定变量的运算法则有:
(36)
式中: 和 分别为风电、光伏出力和负荷预测误差的逆累积分布函数;
因此可得:
(37)
同理可将 转化为:
(38)
综上所述,可将式(33)机会约束转化为等价确定性约束: (39)
式(39)即为最终的综合能源系统多目标置信间隙决策鲁棒优化调度模型。
8.根据权利要求1所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,在步骤3中,设计自适应谐波混叠多目标复合微分进化算法对综合能源系统多目标置信间隙决策鲁棒优化调度模型进行求解具体包括:步骤3.1,根据常规微分进化算法中的变异机制,通过在变异差分项上叠加随进化代数自适应变化的正弦项,构造自适应谐波混叠变异机制;
步骤3.2,将自适应谐波混叠变异机制引入复合微分进化算法中,结合非劣排序操作,构造自适应谐波混叠多目标复合微分进化算法;
步骤3.3,采用自适应谐波混叠多目标复合微分进化算法对综合能源系统多目标置信间隙决策鲁棒优化调度模型进行求解。
9.根据权利要求8所述的一种综合能源系统多目标置信间隙决策鲁棒优化调度方法,其特征在于,所述常规微分进化算法中的变异机制表示为: (40)
式中:Yi,g+1为变异操作产生的中间个体;以Xi,g表示第g代第i个个体向量(d维),r1、r2均随机选取,且i≠r1≠r2≠b;可随机选取某个体或以当前最优个体向量作为变异基向量Xb,g;
F为变异尺度因子, 为变异差分项;
所述自适应谐波混叠变异机制表示为: (41)
式中,g和Gmax分别表示当前迭代次数和最大迭代次数。