[发明专利]一种光储充电塔自适应鲁棒日前优化调度方法

权利要求书

1.一种光储充电塔自适应鲁棒日前优化调度方法，其特征在于：包括以下步骤：

步骤1：以光储充电塔日运行总成本最小为目标，建立日前能量-备用协同优化调度模型；

所述步骤1包括以下步骤：

步骤101：考虑由充电设施、光伏系统、储能系统融合后形成的光储充电塔系统，出力取期望值时作为系统基准场景，以光储充电塔基准场景的日运行成本最小为目标，由日前能量成本和备用容量成本组成，可表示如下：

式中，为t时刻充电塔购电成本，为t时刻储能系统放电成本，为t时刻参与V2G的慢充电动汽车放电成本，为t时刻可中断负荷中断成本，为系统备用成本，下标0表示基准场景，

光储充电塔系统购电成本储能系统放电成本慢充电动汽车放电成本可中断负荷中断成本系统备用成本分别表示如下：

式中，为t时刻充电塔系统购电功率，为t时刻充电塔系统购电电价，c_ESS为储能系统放电成本系数，为t时刻储能系统放电功率，n_v2g为电动汽车的数量，c_v2g、N、S_v2g、d_DOD分别为慢充电动汽车电池购买成本、充放电循环次数、电池容量及放电深度，为t时刻第v辆电动汽车放电功率，为电动汽车放电效率，e_v为第v辆电动汽车单位行驶距离消耗的功率，为t时刻第v辆电动汽车的行驶距离，n_m为可中断等级数，为第m级可中断负荷中断价格，为t时刻第m级中断水平的中断负荷，C_grid、C_V2G、C_ESS、C_IL分别为系统购电量、慢充电动汽车、储能系统以及可中断负荷的备用成本系数，分别为t时刻系统购电量、储能系统以及可中断负荷提供的备用容量，为t时刻第v辆慢充电动汽车提供的备用容量，上标U、D分别表示对应上备用及下备用；

步骤102：建立日前能量-备用协同优化调度模型，所述模型中包括充电塔购电约束、储能系统约束、参与V2G的慢充电动汽车约束、光伏出力约束、可中断负荷约束、系统功率平衡约束以及系统备用约束，

(1)充电塔购电量约束：

式中，为充电塔最大购电功率，布尔变量表示t时刻是否处于购电状态，是则为1，否则为0，

(2)储能系统约束：

式中，为t时刻储能系统充电功率，分别为储能系统最大充、放电功率，布尔变量分别表示t时刻储能系统是否处于充、放电状态，是则为1，否则为0，为t时刻储能系统的荷电状态值，分别为储能系统容量及荷电状态值上、下限，D为储能系统最大放电深度；δ_ESS、分别为储能系统自损耗率及充、放电效率，Δt为系统调度时间段持续时间，

(3)慢充电动汽车约束：

式中，分别为t时刻第v辆电动汽车充、放电功率，分别为第v辆电动汽车最大充、放电功率，布尔变量分别表示t时刻第v辆电动汽车是否处于充、放电状态，是则为1，否则为0，布尔变量表示t时刻第v辆慢充电动汽车是否处于并网状态，是则为1，否则为0，为t时刻第v辆电动汽车的荷电状态值，分别为第v辆电动汽车电池容量及荷电状态值上、下限，分别为电动汽车充、放电效率，

(4)光伏出力约束：

式中，为t时刻光伏出力实际值，为t时刻光伏出力最大值，

(5)可中断负荷约束：

式中，为第m级可中断负荷中断系数，为t时刻塔用电负荷，为t时刻中断负荷，

(6)光储充电塔系统功率平衡约束：

式中，为t时刻快充电动汽车的充电功率，为t时刻电动汽车净充电功率，

(7)系统备用容量约束：

式中，分别为t时刻光储充系统需提供的上、下备用总容量最小值；

步骤2：在步骤1的基础上考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型；

所述步骤2包括以下步骤：

步骤201：考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型，所述模型的目标函数可表示如下：

式中，I、II、III、IV分别为充电塔日前能量成本、备用成本、实时调整中平衡成本以及切负荷成本，W表示不确定性所有可能发生的场景集合，分别为t时刻场景s下购电、储能系统、可中断负荷实时调整功率，上标U、D表示上调整及下调整，分别为t时刻场景s下第v辆慢充电动汽车的实时调整功率，C_EV为快充电动汽车切负荷成本系数，η_EV为快充电动汽车充电效率，为t时刻场景s下快充电动汽车充电功率，为决策变量；

步骤202：所述自适应鲁棒三层优化调度模型中第一阶段日前能量-备用协同优化调度约束条件与步骤102相同；

步骤203：所述自适应鲁棒三层优化调度模型中第二阶段实时调整约束条件包括各子系统实时调整约束以及日前与实时阶段耦合约束：

式中，分别为t时刻场景s下购电、储能系统充电、储能系统放电功率和可中断负荷中断量，分别为t时刻场景s下第v辆慢充电动汽车的充、放电功率，为t时刻场景s下储能系统荷电状态，为t时刻场景s下第v辆慢充电动汽车荷电状态，为t时刻场景s下快充电动汽车充电功率，为场景s下快充电动汽车最大总充电功率，为t时刻快充电动汽车初始荷电状态值，为场景s下快充电动汽车电池总容量，分别为t时刻场景s下光伏出力预测值和实际出力值；

步骤3：采用代表性场景描述不确定性集合，引入辅助变量代替第二阶段最恶劣场景的运行成本，实现内层min-max问题的解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型；

所述步骤3包括以下步骤：

步骤301：采用代表性场景描述不确定性集合W，依据有限历史数据随机生成一系列代表性场景构成；

步骤302：引入辅助变量β代替实时阶段最恶劣场景的运行成本，实现内层max-min问题解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型：

其中，辅助变量β满足：

代表性场景集合其中N_s为光储充电塔系统代表性场景数量；

步骤303：所述单层鲁棒优化模型约束条件如下：

1)日前能量-备用调度约束：式(1)-(26)；

2)实时调整约束：式(27)-(48)，s∈W；

步骤4：在步骤3的基础上，在实际光储充电塔系统中进行测试并求解。

2.根据权利要求1所述的光储充电塔自适应鲁棒日前优化调度方法，其特征在于：所述步骤4为在步骤3的基础上，在实际光储充电塔系统中进行测试，求解并获取充电塔日前鲁棒调度策略。