本發(fā)明屬于電力系統(tǒng)運行調(diào)度，具體涉及一種面向源網(wǎng)荷儲一體化項目的優(yōu)化調(diào)度方法。

背景技術(shù)：

1、當前，電力系統(tǒng)領(lǐng)域正面臨眾多挑戰(zhàn)，同時也迎來了新的發(fā)展機遇。全球?qū)稍偕茉吹男枨笳彼偕仙绕涫且蕾嚫弑壤目稍偕茉?，如風能和太陽能，已經(jīng)成為降低溫室氣體排放和應對氣候變化的關(guān)鍵策略。這一趨勢要求電力系統(tǒng)適應更加復雜的能源結(jié)構(gòu)和不穩(wěn)定的能源供給，全球多地已經(jīng)將這種模式作為主要發(fā)展方向。這些能源的波動性顯著增加了系統(tǒng)的不確定性，復雜化了電網(wǎng)的運行環(huán)境，提高了運行風險，并有可能觸發(fā)大規(guī)模停電事故。同時，電力電子技術(shù)的飛速發(fā)展為電力系統(tǒng)的可靠性和效率提供了巨大潛力。系統(tǒng)的高度電子化意味著更多的電力傳輸、分配和轉(zhuǎn)換過程將通過電子設備和控制系統(tǒng)來完成，極大地增強了電力系統(tǒng)的靈活性和快速響應能力。然而，這種能源結(jié)構(gòu)的轉(zhuǎn)變和電力電子化也帶來了新的挑戰(zhàn)，其中最顯著的就是維持電力平衡的問題。由于可再生能源的波動性，電力系統(tǒng)必須有效地管理電力供需平衡，以保障供電的穩(wěn)定性和可靠性。

2、在這種背景下，源網(wǎng)荷儲一體化顯得尤為重要。這一綜合策略通過優(yōu)化能源的生產(chǎn)、傳輸、分配和存儲過程，有效地協(xié)調(diào)了發(fā)電、電網(wǎng)、負荷和儲能系統(tǒng)的互動，提高了整個系統(tǒng)的效率和靈活性。源網(wǎng)荷儲一體化能夠在不穩(wěn)定的供電情況下，通過高效的儲能解決方案和智能負荷管理，平衡電力供需，從而顯著提升電網(wǎng)的穩(wěn)定性和防止供電中斷。傳統(tǒng)的電力系統(tǒng)調(diào)度策略在這種新模式下顯得不夠適應，迫切需要通過創(chuàng)新的理論和技術(shù)來進一步發(fā)展源網(wǎng)荷儲一體化的應用，以應對未來電力系統(tǒng)面臨的復雜挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、針對上述傳統(tǒng)的電力系統(tǒng)調(diào)度策略在這種新模式下顯得不夠適應的技術(shù)問題，本發(fā)明提供了一種面向源網(wǎng)荷儲一體化項目的優(yōu)化調(diào)度方法。

2、為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

3、一種面向源網(wǎng)荷儲一體化項目的優(yōu)化調(diào)度方法，包括下列步驟：

4、s1、以固定數(shù)據(jù)序列周期收集歷史數(shù)據(jù)，并對歷史數(shù)據(jù)集進行預處理，其中，所述歷史數(shù)據(jù)集包括風光電站在歷史時段記錄的光照強度數(shù)據(jù)、光伏功率數(shù)據(jù)、風電功率數(shù)據(jù)、電動汽車負荷數(shù)據(jù)、環(huán)境溫度數(shù)據(jù)、環(huán)境濕度數(shù)據(jù)、風速、風向、大氣壓強、輻照度、云量和電動汽車的交通流量；

5、s2、將經(jīng)過預處理后歷史數(shù)據(jù)輸入到sarima模型和灰色預測模型gm(1,1)中，其中sarima計算和分析真實數(shù)據(jù)和預測數(shù)據(jù)的均值、方差和殘差置信度等參數(shù)，并以此訓練模型以獲取其初始最優(yōu)參數(shù)，進而預測未來時間段的可再生能源輸出功率和負荷數(shù)據(jù)，當后續(xù)預測數(shù)據(jù)誤差不滿足要求時，動態(tài)更新m個歷史數(shù)據(jù)并重新優(yōu)化sarima模型參數(shù)，提升受季節(jié)影響的數(shù)據(jù)預測精度，而gm(1,1)實現(xiàn)短期波動較大的可再生能源輸出功率和負荷的數(shù)據(jù)預測，通過分析均方差比值和小誤差概率的變化情況可重新優(yōu)化gm(1,1)模型參數(shù)；為改善受季節(jié)影響和短期氣候影響的預測精度，結(jié)合sarima模型和灰色預測模型gm(1,1)的輸出，通過加權(quán)平均獲取最終的可再生能源未來的輸出功率和負荷量；

6、s3、將分布式發(fā)電設備安裝電力電子控制器，構(gòu)建考慮逆變器提供輔助服務的源網(wǎng)荷儲協(xié)同調(diào)度模型，將可再生能源輸出功率和負荷數(shù)據(jù)輸入到源網(wǎng)荷儲協(xié)同調(diào)度模型中，得到初始調(diào)度方案；

7、s4、構(gòu)建日前出清模型，將考慮逆變器提供輔助服務的源網(wǎng)荷儲協(xié)同調(diào)度結(jié)果輸入到模型中，以驗證調(diào)度方案的經(jīng)濟性；

8、s5、結(jié)合協(xié)調(diào)調(diào)度模型和日前出清模型，采用改進的樹種優(yōu)化算法優(yōu)化調(diào)度以實現(xiàn)市場交易總成本最小化并使配網(wǎng)滿足安全性校驗。

9、所述s2中對歷史數(shù)據(jù)進行預處理的方法為：

10、s2a、通過小波變換算法對所述歷史數(shù)據(jù)的光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量進行降噪處理；

11、s2b、通過改進的總體平均經(jīng)驗模態(tài)分解算法，提高降噪后的光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量分解結(jié)果的準確性；

12、s2c、對算法結(jié)果數(shù)據(jù)進行歸一化處理，得到經(jīng)過預處理后的數(shù)據(jù)；

13、s2d、對所述歷史數(shù)據(jù)的環(huán)境溫度數(shù)據(jù)、環(huán)境濕度數(shù)據(jù)、大氣壓強、輻照度、云量進行歸一化處理，得到經(jīng)過預處理后的數(shù)據(jù)。

14、所述s21中通過小波變換算法對歷史數(shù)據(jù)中光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量進行降噪處理的方法為：

15、s2a1、將光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量進行小波變換，其中小波變換公式為：

16、

17、其中，f為待降噪的數(shù)據(jù)；a與b分別表示伸縮因子以及平移因子；ψ(t)為基本小波；

18、s2a2、采用軟閾值濾波方法處理，通過通用閾值選取最優(yōu)閾值且以閾值為標準保留或修正小波系數(shù)；其中軟閾值濾波處理公式為：

19、

20、其中，fn為小波系數(shù)；ε為最優(yōu)閾值；

21、最優(yōu)閾值的計算公式為：

22、

23、其中，σ為噪聲標準差，n為小波系數(shù)的總和；

24、s2a3、通過小波逆變換得到降噪后的光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量，其中小波逆變換計算公式為：

25、f′＝cwt―1[f[cwt(f)]]

26、其中，f′(t)為降噪后的數(shù)據(jù)。

27、所述s22中采用meemd算法提高降噪后的光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量分解結(jié)果的準確性，包括下列步驟：

28、s2b1、將降噪后的光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量分別添加均值為0的白噪聲信號，其中添加公式為：

29、

30、其中，ni(t)為添加的白噪聲信號；ai為添加噪聲信號的幅值，i＝1,2,...,m，m為添加白噪聲對數(shù)；

31、s2b2、對和進行經(jīng)驗模態(tài)分解，得到第一階內(nèi)涵模態(tài)分量序列，并對其進行集成得到分量s(t)；

32、s2b3、檢查s(t)的熵值如果小于等于η，則不是異常信號；若大于η，則是異常信號，返回到s221，直至imf分量sp(t)不是異常信號；其中η取為0.55～0.6；

33、s2b4、將已分解的p-1個分量從光照強度數(shù)據(jù)、風速數(shù)據(jù)、風向數(shù)據(jù)和電動汽車的交通流量中剔除，其中剔除公式為：

34、

35、s2b5、對剩余信號h(t)進行emd分解，將得到的所有imf分量按高頻到低頻排列，合成處理過后的信號h(t)。

36、所述s2中sarima模型和灰色預測模型gm(1,1)構(gòu)建及參數(shù)優(yōu)化進行預測方法為：

37、s2a1、根據(jù)處理過后的信號h(t)，以固定數(shù)據(jù)序列周期t，所述t取值可為月數(shù)或周數(shù)，獲取經(jīng)預處理的歷史數(shù)據(jù)；

38、s2a2、利用自相關(guān)函數(shù)和偏自相關(guān)函數(shù)，計算和分析可再生能源的輸出功率和負荷數(shù)據(jù)的趨勢和周期性變化情況；

39、s2a3、通過差分操作使時間序列數(shù)據(jù)平穩(wěn)，根據(jù)數(shù)據(jù)特征確定sarima模型的非季節(jié)差分階數(shù)d和季節(jié)差分階數(shù)d，使用acf和pacf計算自回歸和移動平均的階數(shù)，確定非季節(jié)部分的最大滯后階數(shù)p和移動平均算子的最大滯后階數(shù)q，以及季節(jié)部分的最大滯后階數(shù)p和周期性移動平均算子的最大滯后階數(shù)q；

40、s2a4、基于前面步驟中的分析，確定初始的參數(shù)組合(p,d,q)和(p,d,q,t)，t是周期長度；

41、s2a5、使用貝葉斯信息準則選擇最佳的模型參數(shù)組合，再對擬合好的模型進行診斷，根據(jù)殘差置信度驗證模型擬合良好；

42、s2a6、使用擬合好的sarima模型進行預測，根據(jù)預測值與真實值的平均絕對誤差、均方根誤差和殘差超過閾值，重回s2a3訓練和優(yōu)化模型各參數(shù)；

43、s2a7、由于部分歷史數(shù)據(jù)極容易收到氣候影響，如果存在其中一種數(shù)據(jù)預測誤差大，則引入的最近m個歷史數(shù)據(jù)，并刪除早期的m個歷史數(shù)據(jù)，并再次返回s2a1訓練和優(yōu)化模型各參數(shù)；

44、s2b1:獲取固定個數(shù)的歷史數(shù)據(jù)，生成累加數(shù)列，再通過加權(quán)鄰值生成等權(quán)鄰值生成數(shù)列；

45、s2b2、構(gòu)建基于時間序列的白化形式一階一元微分方程，利用最小二乘法擬合求解得到發(fā)展灰數(shù)和控制灰數(shù)，從而得到灰色預測模型gm(1,1)；

46、s2b3、利用歷史數(shù)據(jù)進行預測，通過計算均方差比值，如果均方差比值不滿足要求，返回步驟s2b1，并增加數(shù)據(jù)序列個數(shù)，重新計算模型的發(fā)展灰數(shù)和控制灰數(shù)；

47、s2b4、當新的歷史數(shù)據(jù)產(chǎn)生后，分別動態(tài)更新可再生能源的輸出功率和負荷的歷史數(shù)據(jù)；

48、s2c、結(jié)合sarima模型和灰色預測模型gm(1,1)的輸出，通過加權(quán)平均分別計算最終的可再生能源未來的輸出功率和負荷量。

49、所述s3中考慮逆變器提供輔助服務的方式時，分布式發(fā)電的運行狀態(tài)通過下垂控制模型調(diào)控，具體公式如下：

50、

51、其中，分布式發(fā)電機中逆變器輸出的有功和無功功率分別設為pg,i和qg,i，設定逆變器穩(wěn)定運行時的輸出電壓相位角為δ；e為逆變器輸出電壓的幅值，v為分布式發(fā)電并網(wǎng)節(jié)點的節(jié)點電壓幅值；z為分布式發(fā)電的自阻抗；

52、逆變器輸出的有功和電壓的相位呈正比關(guān)系，輸出的無功與電壓幅值成正比關(guān)系，通過計算每個分布式發(fā)電中逆變器的有功和無功功率輸出，實現(xiàn)對輸出電壓的調(diào)控。

53、所述逆變器為電網(wǎng)安全穩(wěn)定的運行提供支撐并有償?shù)靥峁┹o助服務的方法為：

54、s31、獲取逆變器側(cè)三相電壓vabc、電網(wǎng)側(cè)三相電壓uabc以及三相電流iabc；

55、s32、對逆變器側(cè)三相電壓vabc、電網(wǎng)側(cè)三相電壓uabc以及三相電流iabc進行坐標轉(zhuǎn)換；

56、s33、將經(jīng)過坐標轉(zhuǎn)換后的逆變器側(cè)三相電壓和電網(wǎng)側(cè)三相電壓輸入到鎖相環(huán)模塊中，得到逆變器側(cè)相位角和電網(wǎng)側(cè)相位角并根據(jù)逆變器側(cè)相位角和電網(wǎng)側(cè)相位角計算功角差；

57、s34、根據(jù)功角差采用pid控制器計算功角的相位補償角，并根據(jù)相位補償角對功角進行補償；其中，采用pid控制器計算功角的相位補償角的公式為、

58、δ＝kθp(θref―θv+θu)+kθi∫(θref―θv+θu)dt

59、其中，kθp為相位補償角比例增益，θref為參考相位角，θv為逆變器側(cè)的相位角，θu為電網(wǎng)側(cè)的相位角，kθi為相位補償角積分增益；

60、s35、根據(jù)補償后的信號輸出逆變器控制信號，并對逆變器進行控制，恢復電力系統(tǒng)故障。

61、所述鎖相環(huán)模塊由pi控制器和積分運算模塊組成，通過pi控制器對輸入的電壓進行相位調(diào)節(jié)，再將調(diào)節(jié)后的電壓輸入到積分運算模塊中，得到逆變器側(cè)的相位角和電網(wǎng)側(cè)的相位角；其中，pi控制器的控制方程為：

62、

63、其中，piv為逆變器側(cè)pi控制器的輸出，kpv為電壓環(huán)pi控制器比例增益，kiv為積分增益，kp為比例參數(shù)，ki為積分參數(shù)，piμ為電網(wǎng)側(cè)pi控制器的輸出。

64、所述s4中對日前出清模型建立的目標函數(shù)為：

65、

66、其中，c為市場交易總成本，power為源網(wǎng)荷儲模型的輸出功率，load為源網(wǎng)荷儲模型的負荷，csell為日前市場售電收益，cdh為日前市場購電成本，crm為備用容量費用；

67、日前市場購電成本為源網(wǎng)荷儲模型的凈輸出功率為負時向外網(wǎng)的購電成本，包含常規(guī)發(fā)電商購電成本和新能源機組的購電費用；模型中常規(guī)發(fā)電商為火電機組，新能源機組包含風電商、光伏電商；因此，日前市場購電成本可以表達為：

68、

69、其中，ng和nc分別為常規(guī)發(fā)電商數(shù)和常規(guī)發(fā)電商每個時段報價次數(shù)，nw為風力機組的數(shù)量，npv為光伏機組的數(shù)量，ρc,g,t為常規(guī)發(fā)電商g在t時段第c段的市場報價，pc,g,t為常規(guī)發(fā)電商g在t時段第c段出清功率，和分別為風電商w在t時段的市場報價和出清功率，和分別為光伏電商pv在t時段的市場報價和出清功率；

70、日前市場售電收益為源網(wǎng)荷儲模型的凈輸出功率為正時向外網(wǎng)進行售電的收益；日前市場收益可以表達為：

71、

72、其中，ρout,t為外網(wǎng)向源網(wǎng)荷儲模型在t時段的市場報價；pout,t為外網(wǎng)向源網(wǎng)荷儲模型在t時段的出清功率；

73、備用容量費用是市場為降低新能源出力不確定性對系統(tǒng)造成的不利影響而向常規(guī)機組購買備用容量產(chǎn)生的成本；備用容量費用包含上備用容量費用和下備用容量費用兩部分，數(shù)學表達式為：

74、

75、其中，ng為常規(guī)機組的數(shù)量，分別為時段t常規(guī)機組g申報的上備用價格和下備用價格，分別為時段t常規(guī)機組g在備用容量市場中標的上備用容量和下備用容量。

76、所述s5中基于協(xié)調(diào)調(diào)度模型和日前出清模型，采用改進的樹種優(yōu)化算法優(yōu)化調(diào)度配網(wǎng)及儲能的具體步驟為：

77、s51、構(gòu)建改進的樹種優(yōu)化算法的自適應搜索策略為：

78、

79、其中，st表示自適應搜索策略，k表示當前迭代次數(shù)，kmax為最大迭代次數(shù)；

80、s52、構(gòu)建改進的樹種優(yōu)化算法的變異因子α為：

81、α＝n(μ,σ2)

82、其中，μ為個體最優(yōu)位置與全局最優(yōu)位置的中點，σ2為個體最優(yōu)位置與全局最優(yōu)位置間的偏差；

83、s53、改進后的樹種優(yōu)化算法表達式為：

84、

85、r＝―1+2*r1

86、其中，x為當前個體的位置，r1是一個[0，1]范圍內(nèi)的隨機數(shù)，xbest表示當前個體最優(yōu)值，xrand表示種群內(nèi)選取的隨機個體位置，n表示引入變異因子；

87、s54、初始化改進的樹種優(yōu)化算法的參數(shù)；即將調(diào)度模型中的可再生能源發(fā)電機的有功輸出和無功輸出及節(jié)點電壓作為種群；

88、s55、獲取當前種群的最優(yōu)樹種，以此樹種展開優(yōu)化調(diào)度并對調(diào)度結(jié)果進行安全性校驗，校驗通過則得到最優(yōu)的配電網(wǎng)調(diào)度方案，否則返回s54。

89、本發(fā)明與現(xiàn)有技術(shù)相比，具有的有益效果是：

90、本發(fā)明通過對收集的歷史數(shù)據(jù)進行雙重降噪并動態(tài)更新部分可再生能源發(fā)電量和負荷數(shù)據(jù)歷史數(shù)據(jù)，從而獲取準確的預測數(shù)據(jù)，再采用自適應搜索策略、變異因子、平衡機制對樹種算法進行優(yōu)化，進而構(gòu)建源網(wǎng)荷儲協(xié)同調(diào)度模型，最后考慮逆變器提供輔助服務進行構(gòu)建源網(wǎng)荷儲協(xié)同調(diào)度模型，并根據(jù)調(diào)度模型生成調(diào)度方案，并采用改進的樹種優(yōu)化算法對調(diào)度方案進行優(yōu)化。