考虑风光不确定性的综合能源系统鲁棒优化方法及系统与流程

1.本发明属于综合能源优化技术领域，尤其涉及一种考虑风光不确定性的综合能源系统鲁棒优化方法及系统。


背景技术：

2.综合能源系统（integrated energy system,ies）的一个重要特点是通过各种耦合设备实现多种能源网络的连接和能源调度。热电联产机组（combined heat and power unit,chp）作为综合能源系统中重要的能源设备，它耦合了电网、热网和气网。电转气技术利用电能将 转换为天然气 ，实现了电网与气网的耦合和新能源的消纳。碳捕集技术能够捕获燃气发电产生的，是实现碳减排的重要手段。现有研究较少分析联合运行模式下三者的工作特性以及对新能源消纳和碳减排的影响。
3.此外，ies的最优决策是基于风电（wt）和光伏（pv）的预测功率做出的。现实中，风电和光伏具有很强的不确定性，因此如何在降低保守性的前提下消除风光发电不确定性影响是十分必要的。


技术实现要素：

4.本发明提供一种考虑风光不确定性的综合能源系统鲁棒优化方法及系统，用于解决如何在降低保守性的前提下消除风光发电不确定性影响的技术问题。
5.第一方面，本发明提供一种考虑风光不确定性的综合能源系统鲁棒优化方法，包括：构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据；根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；根据所述累积分布函数构造模糊不确定集；基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。
6.第二方面，本发明提供一种考虑风光不确定性的综合能源系统鲁棒优化系统，包括：第一建立模块，配置为构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；获取模块，配置为获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据；拟合模块，配置为根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；构造模块，配置为根据所述累积分布函数构造模糊不确定集；第二建立模块，配置为基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；求解模块，配置为基于对偶理论和凸优化理
论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。
7.第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明任一实施例的考虑风光不确定性的综合能源系统鲁棒优化方法的步骤。
8.第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的考虑风光不确定性的综合能源系统鲁棒优化方法的步骤。
9.本技术的考虑风光不确定性的综合能源系统鲁棒优化方法及系统，具体有以下有益效果：提出用自适应核密度估计法拟合风电和光伏预测功率误差的概率密度函数，克服了利用理论分布假设未知分布的主观缺陷，充分利用历史数据的价值构建了更加紧凑客观的不确定性集，有效降低了保守性。同时，建立了基于仿射可调策略的日前和实时两阶段鲁棒优化模型，该模型克服了鲁棒优化模型和随机优化模型的缺点，能够在数据驱动的前提下实现鲁棒性和效率的平衡。最后，结合软硬件技术和网络技术建立的优化系统将上述优化方法程序化，实时接受和处理来自综合能源系统的数据，并做出决策，实现了多种终端用户设备对综合能源系统的经济优化调度功能。
附图说明
10.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
11.图1为本发明一实施例提供的综合能源系统结构框架图；图2为本发明一实施例提供的一种考虑风光不确定性的综合能源系统鲁棒优化方法的流程图；图3为本发明一实施例提供的一种考虑风光不确定性的综合能源系统鲁棒优化系统的结构框图；图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
12.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
13.多能耦合的综合能源系统框架如图1所示。该系统涵盖了电负荷、热负荷和冷负荷，其中电负荷由热电联产机组、风电机组、光伏机组、上级电网和蓄电池供电；热负荷由热电联产机组、上级热网、燃气锅炉和储热罐供热；冷负荷由电制冷装置和吸收式制冷设备供冷；由气网和电转气设备向热电联产机组和燃气锅炉供气。系统将热电联产机组、碳捕集装置和电转气设备组合成一个整体，便于实现机组的热电解耦，提高系统的新能源消纳能力
和减少碳排放。
14.请参阅图2，其示出了本技术的一种考虑风光不确定性的综合能源系统鲁棒优化方法的流程图。
15.如图2所示，一种考虑风光不确定性的综合能源系统鲁棒优化方法具体包括以下步骤：步骤s101，构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型。
16.在本步骤中，热电机组通过燃烧天然气产生电功率和热功率，其中，热电机组的出力模型为:，式中，和分别为t时刻热电机组产生的电功率和t时刻热电机组输出的热功率，为天然气的低热值，为t时刻热电机组的耗气量，和分别为机组的发电效率和机组的热损失系数；碳捕集与封存（carbon capture and storage,ccs）技术可以捕获co2，并将捕获的co2进行封存，从而降低碳排放，碳捕集消耗的电能由基础能耗和运行能耗组成：，式中，为t时刻碳捕集设备消耗的电能，为t时刻的0-1标志位，其中1表示捕获，0表示关闭，为t时刻碳捕集的基础能耗，为t时刻碳捕集的运行能耗，为捕获单位的运行能耗，为t时刻捕获的量；电转气使用的二氧化碳量与产生的天然气相同，电转气设备的数学模型为：，式中，为t时刻电转气设备生成的天然气量，为电转气的转换效率，为t时刻电转气设备消耗的电能，为天然气的低热值；热电机组给电转气设备和碳捕集装置提供电能，热电机组提供的上网功率为：，式中，为t时刻热电机组提供的上网功率，为t时刻热电机组产生的电功率，为t时刻碳捕集设备消耗的电能，为t时刻电转气设备消耗的电能；联合运行模式下热电机组电热出力耦合特性为：，式中，、分别为热电机组提供的上网功率最小值和最大值，和分别为热电机组最小出力电热转换系数和热电机组最大出力电热转换系数，为线性
斜率，为t时刻热电机组输出的热功率，为碳捕集设备的最大功率，为电转气设备的最大功率，为热电机组最小热出力，为t时刻热电机组提供的上网功率；燃气锅炉通过燃烧天然气产生热功率，其中，计算所述热功率的表达式为：，式中，为t时刻燃气锅炉产生的热功率，为燃气锅炉的热转化效率，为天然气的低热值，为t时刻燃气锅炉的耗气量；能源转换设备模型包括电制冷机和吸收式制冷机，电制冷机和吸收式制冷机的模型为：，，式中, 和分别为t时刻电制冷机输出的冷功率和t时刻吸收式制冷机输出的冷功率，和分别为t时刻电制冷机消耗的电能和t时刻吸收式制冷机消耗的热能，和分别为电制冷机的制冷效率和吸收式制冷机的制冷效率；系统的储能设备模型包括蓄电池和储热罐，其中，蓄电池和储热罐的容量模型为：，式中，和分别是t时刻电储能的容量和t时刻热储能的容量，、和、分别为t时刻电储能的充电效率、t时刻电储能的放电效率和t时刻热储能的储热效率、t时刻热储能的放热效率，、和、分别为t时刻电储能的充电功率、t时刻电储能的放电功率和t时刻热储能的储热功率、t时刻热储能的放热功率。
17.步骤s102，获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据。
18.步骤s103，根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数。
19.在本步骤中，由于风光发电的不确定性，风电、光伏的预测功率与实际功率之间存在偏差，影响调度计划的执行。
20.在ies中风电的预测误差和光伏的预测误差的表达式为：，，式中，和分别是t时刻风电的预测误差和t时刻光伏的预测误差，
为t时刻风电实际出力，为t时刻风电预测出力，为t时刻光伏实际出力，为t时刻光伏预测出力；假设综合能源系统中有n个历史运行数据，则核密度估计的形式为：，式中，为预测误差，为样本数，为带宽，为核函数，为概率密度函数，表示第k个历史预测误差。
21.带宽决定了核函数的方差大小，它反映了核密度估计的曲线整体的平坦程度，不同带宽下的核函数估计结果差异明显。传统核密度估计的带宽选择取决于主观判断，这不利于核密度估计模拟得到真实的概率密度函数，为了使误差最小，用均平方积分误差的大小来衡量带宽的优劣，在弱假设条件下，，式中，为均平方积分误差，为渐进均平方积分误差，为误差随时间的衰减速度，为样本数，为带宽；，式中，为核函数的尺度参数，为数据生成概率密度函数的平方矩，为概率密度函数的二次导函数；，式中，为随机变量的核函数。
22.最小化等价于最小化，对求导，令导数为0，化简求得最佳的带宽的表达式为：，在选择核函数及带宽后，自适应核密度估计方法模拟真实的概率分布曲线，其中，利用自适应核密度估计方法拟合随机变量的概率密度函数的表达式为：，对概率密度函数进行积分，得到累积分布函数，其中，所述累积分布函数的表达式为：，
式中，为累积分布函数，为随机变量的概率密度函数。
23.步骤s104，根据所述累积分布函数构造模糊不确定集。
24.在本步骤中，根据上述表示，构建了一个分布式模糊不确定性集，该集合可以看作是一个以为圆点，以一定距离为半径的wasserstein球。其中，所述模糊不确定集的表达式为：，式中，为模糊不确定性集，为真实分布，为估计分布，为真实分布和估计分布之间的wasserstein距离，为总概率分布；，式中，为wasserstein球的半径，取决于样本数，为常数，为样本总数，为求解半径的置信水平；，式中，为实数，为样本均值，表示第k个预测误差。
25.步骤s105，基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型。
26.在本步骤中，基于仿射可调策略建立综合能源系统的第一阶段优化模型和第二阶段优化模型，其中，所述第一阶段优化模型根据风电和光伏的预测功率制定日前调度计划，最小化综合能源系统的运行成本，所述第二阶段优化模型考虑风光不确定下的预测误差，在最劣分布条件下最小化系统调整成本的期望值制定实时调度策略；，式中，min(
·
)表示第一阶段的目标函数，为ies的购电成本，为ies的购气成本，为热电机组和燃气锅炉的启停成本，为碳储存成本，为碳交易成本，为由预测误差产生的调整成本的期望值，为第二阶段调整成本函数，为第二阶段优化模型的目标函数；所述第二阶段优化模型的调整成本在日前成本的基础上增加了风电和光伏的弃电惩罚成本，同时删去设备的启停成本，其中，所述的表达式为：，式中，表示调度周期，为考虑预测误差的购电成本，为考虑预测误差的购气成本，为系统弃风弃光产生的惩罚成本，为考虑预测误差的碳储存成本，为考虑预测误差的碳交易成本；
，式中，为t时刻的电价，为实时阶段t时刻从电网购买的电功率，为实时阶段t时刻向电网售出的电功率，为日前阶段t时刻从电网购买的电功率，为日前阶段t时刻向电网售出的电功率；，式中，为单位惩罚系数，为实时阶段t时刻的弃风功率，为实时阶段t时刻的弃光功率。
27.电热储能的约束条件相似，以电储能为例，它需满足容量约束、功率约束和状态不等式约束：，式中，和分别是t时刻电储能充电和放电的0-1状态标志位，和分别是t时刻电池储能功率上下限，和分别是t时刻电池放电功率的上下限，和分别是t时刻电池容量的上下限，为调度周期结束时的储能容量，为调度周期开始时的储能容量。
28.系统购电和日前阶段向电网售出的电功率约束如下所示：，式中，为日前阶段t时刻从电网购买的电功率，为日前阶段t时刻向电网售出的电功率，和分别是从电网购电和售电的功率约束，和是用于表征购电和售电的0-1状态变量。
29.第二阶段，风电和光伏的实时功率与日前预测功率存在误差，实时变量必须在日前变量的基础上进行更改。为了消除可再生能源出力误差带来的影响，可以通过调用ies的灵活资源，调整电力购销功率，来重新实现平衡。基于仿射可调策略将电能相关的实时变量与日前变量相关联，构建与日前变量相关的实时变量模型，如下所示：
，式中，为实时阶段t时刻的弃风功率，为t时刻风光发电总的预测误差，为实时阶段t时刻的弃光功率，为实时阶段t时刻从电网购买的电功率，为实时阶段t时刻向电网售出的电功率，为实时阶段t时刻电储能的充电功率，为t时刻电储能的充电功率，为实时阶段t时刻电储能的放电功率，为t时刻电储能的放电功率，、、、分别为实时阶段风力发电、光伏发电、储能充电和储能放电对应的仿射可调系数，取值在-1到1之间；上式中，等式左侧的第一项表示实时阶段中的电力变量。等式右侧的第一项表示与日前阶段相关的电力变量，第二项表示变量的调整策略，该策略由仿射可调系数和预测功率误差共同决定。
30.最后，构建的分布鲁棒优化调度模型包括了两阶段系统运行成本最小化目标函数，由日前阶段约束形成的一组可行域和由实时阶段约束，通过仿射可调策略形成的另一组可行域。
31.步骤s106，基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。
32.在本步骤中，基于对偶理论和凸优化理论，将分布鲁棒优化模型转化成可求解模型，调用matlab中的商业求解器cplex求解。
33.根据对偶理论将第二阶段优化模型的最劣预测分布的上界问题转化为下界问题，其中，转化后的第二阶段优化模型的目标函数的表达式为：，式中，表示第k个历史预测误差，为wasserstein球的半径，为样本数，为第二阶段调整成本函数，为风电和光伏的总预测误差，为模糊不确定集，为对偶变量，为下界函数，为最劣条件下调整成本的上界函数；更新分布鲁棒优化模型的目标函数和约束条件，其中，更新后的分布鲁棒优化模型的目标函数为：
，式中，为优化变量x对应的转置列向量，为优化变量；更新后的分布鲁棒优化模型的约束条件为：，式中，a为对应不等式约束下变量的系数矩阵，为对应不等式约束下的常数列向量，g为考虑预测误差下对应约束的系数矩阵，和是的线性函数；基于凸优化理论将所述分布鲁棒优化模型转化成可求解模型，其中，所述求解模型的目标函数的表达式为：，式中，为引入的辅助变量；所述求解模型的约束条件的表达式为：，式中，为的系数转置矩阵，为对应的优化函数，为预测误差的最小值，表示第k个历史预测误差，为预测误差的最大值，为对应的优化函数，为对应的优化函数，为考虑预测误差下对应约束的系数矩阵，为对应的常数列向量，为对应的常数列向量。
34.本实施例中的求解模型消去了难以求取的随机变量，而是利用了可求取的随机变量下界值、随机变量上界值和历史预测误差值，降低了求解难度。同时，考虑系统最恶劣条件下建立的分布鲁棒优化模型结合了随机优化精确性和鲁棒优化保守性的特点，使系统在最恶劣条件下也能满足功率约束，实现系统的优化调度。
35.请参阅图3，其示出了本技术的一种考虑风光不确定性的综合能源系统鲁棒优化系统的结构框图。
36.如图3所示，鲁棒优化系统200，包括第一建立模块210、获取模块220、拟合模块
230、构造模块240、第二建立模块250以及求解模块260。
37.其中，第一建立模块210，配置为构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；获取模块220，配置为获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据；拟合模块230，配置为根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；构造模块240，配置为根据所述累积分布函数构造模糊不确定集；第二建立模块250，配置为基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；求解模块260，配置为基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。
38.应当理解，图3中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块，在此不再赘述。
39.在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的考虑风光不确定性的综合能源系统鲁棒优化方法；作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据；根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；根据所述累积分布函数构造模糊不确定集；基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。
40.计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据考虑风光不确定性的综合能源系统鲁棒优化系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至考虑风光不确定性的综合能源系统鲁棒优化系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
41.图4是本发明实施例提供的电子设备的结构示意图，如图4所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、
存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例考虑风光不确定性的综合能源系统鲁棒优化方法。输入装置330可接收输入的数字或字符信息，以及产生与考虑风光不确定性的综合能源系统鲁棒优化系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
42.上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
43.作为一种实施方式，上述电子设备应用于考虑风光不确定性的综合能源系统鲁棒优化系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据；根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；根据所述累积分布函数构造模糊不确定集；基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。
44.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
45.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种考虑风光不确定性的综合能源系统鲁棒优化方法，其特征在于，包括：构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据；根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；根据所述累积分布函数构造模糊不确定集；基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。2.根据权利要求1所述的一种考虑风光不确定性的综合能源系统鲁棒优化方法，其特征在于，所述构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型包括：热电机组通过燃烧天然气产生电功率和热功率，其中，热电机组的出力模型为:，式中，和分别为t时刻热电机组产生的电功率和t时刻热电机组输出的热功率，为天然气的低热值，为t时刻热电机组的耗气量，和分别为机组的发电效率和机组的热损失系数；碳捕集消耗的电能由基础能耗和运行能耗组成：，式中，为t时刻碳捕集设备消耗的电能，为t时刻的0-1标志位，其中1表示捕获，0表示关闭，为t时刻碳捕集的基础能耗，为t时刻碳捕集的运行能耗，为捕获单位的运行能耗，为t时刻捕获的量；电转气设备使用的二氧化碳量与产生的天然气相同，电转气设备的数学模型为：，式中，为t时刻电转气设备生成的天然气量，为电转气的转换效率，为t时刻电转气设备消耗的电能，为天然气的低热值；热电机组给电转气设备和碳捕集装置提供电能，热电机组提供的上网功率为：，式中，为t时刻热电机组提供的上网功率，为t时刻热电机组产生的电功率，为t时刻碳捕集设备消耗的电能，为t时刻电转气设备消耗的电能；联合运行模式下热电机组电热出力耦合特性为：
，式中，、分别为热电机组提供的上网功率最小值和最大值，和分别为热电机组最小出力电热转换系数和热电机组最大出力电热转换系数，为线性斜率，为t时刻热电机组输出的热功率，为碳捕集设备的最大功率，为电转气设备的最大功率，为热电机组最小热出力，为t时刻热电机组提供的上网功率；燃气锅炉通过燃烧天然气产生热功率，其中，计算所述热功率的表达式为：，式中，为t时刻燃气锅炉产生的热功率，为燃气锅炉的热转化效率，为天然气的低热值，为t时刻燃气锅炉的耗气量；能源转换设备模型包括电制冷机和吸收式制冷机，电制冷机和吸收式制冷机的模型为：，，式中, 和分别为t时刻电制冷机输出的冷功率和t时刻吸收式制冷机输出的冷功率，和分别为t时刻电制冷机消耗的电能和t时刻吸收式制冷机消耗的热能，和分别为电制冷机的制冷效率和吸收式制冷机的制冷效率；系统的储能设备模型包括蓄电池和储热罐，其中，蓄电池和储热罐的容量模型为：，式中，和分别是t时刻电储能的容量和t时刻热储能的容量，、和、分别为t时刻电储能的充电效率、t时刻电储能的放电效率和t时刻热储能的储热效率、t时刻热储能的放热效率，、和、分别为t时刻电储能的充电功率、t时刻电储能的放电功率和t时刻热储能的储热功率、t时刻热储能的放热功率。3.根据权利要求1所述的一种考虑风光不确定性的综合能源系统鲁棒优化方法，其特征在于，所述根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数包括：在ies中风电的预测误差和光伏的预测误差的表达式为：，，
式中，和分别是t时刻风电的预测误差和t时刻光伏的预测误差，为t时刻风电实际出力，为t时刻风电预测出力，为t时刻光伏实际出力，为t时刻光伏预测出力；假设综合能源系统中有n个历史运行数据，则核密度估计的形式为：，式中，为预测误差，为样本数，为带宽，为核函数，为概率密度函数，表示第k个历史预测误差；用均平方积分误差的大小来衡量带宽的优劣，在弱假设条件下，，式中，为均平方积分误差，为渐进均平方积分误差，为误差随时间的衰减速度，为样本数，为带宽；，式中，为核函数的尺度参数，为数据生成概率密度函数的平方矩，为概率密度函数的二次导函数；，式中，为随机变量的核函数；最小化等价于最小化，对求导，令导数为0，化简求得最佳的带宽的表达式为：，在选择核函数及带宽后，自适应核密度估计方法模拟真实的概率分布曲线，其中，利用自适应核密度估计方法拟合随机变量的概率密度函数的表达式为：，对概率密度函数进行积分，得到累积分布函数，其中，所述累积分布函数的表达式为：，式中，为累积分布函数，为随机变量的概率密度函数。4.根据权利要求1所述的一种考虑风光不确定性的综合能源系统鲁棒优化方法，其特征在于，其中，所述模糊不确定集的表达式为：
，式中，为模糊不确定性集，为真实分布，为估计分布，为真实分布和估计分布之间的wasserstein距离，为总概率分布；，式中，为wasserstein球的半径，取决于样本数，为常数，为样本总数，为求解半径的置信水平；，式中，为实数，为样本均值，表示第k个预测误差。5.根据权利要求1所述的一种考虑风光不确定性的综合能源系统鲁棒优化方法，其特征在于，所述基于仿射可调策略建立综合能源系统的分布鲁棒优化模型包括：基于仿射可调策略建立综合能源系统的第一阶段优化模型和第二阶段优化模型，其中，所述第一阶段优化模型根据风电和光伏的预测功率制定日前调度计划，最小化综合能源系统的运行成本，所述第二阶段优化模型考虑风光不确定下的预测误差，在最劣分布条件下最小化系统调整成本的期望值制定实时调度策略；以两阶段的总运行成本最小为目标函数，其中，所述目标函数的表达式为：，式中，min(
·
)表示第一阶段的目标函数，为ies的购电成本，为ies的购气成本，为热电机组和燃气锅炉的启停成本，为碳储存成本，为碳交易成本，为由预测误差产生的调整成本的期望值，为第二阶段调整成本函数，为第二阶段优化模型的目标函数；所述第二阶段优化模型的调整成本在日前成本的基础上增加了风电和光伏的弃电惩罚成本，同时删去设备的启停成本，其中，所述的表达式为：，式中，表示调度周期，为考虑预测误差的购电成本，为考虑预测误差的购气成本，为系统弃风弃光产生的惩罚成本，为考虑预测误差的碳储存成本，为考虑预测误差的碳交易成本；，式中，为t时刻的电价，为实时阶段t时刻从电网购买的电功率，为实时阶段t时刻向电网售出的电功率，为日前阶段t时刻从电网购买的电功率，为日前阶段t时刻向电网售出的电功率；
，式中，为单位惩罚系数，为实时阶段t时刻的弃风功率，为实时阶段t时刻的弃光功率。6.根据权利要求5所述的一种考虑风光不确定性的综合能源系统鲁棒优化方法，其特征在于，其中，所述第一阶段优化模型的约束条件包括能量平衡约束、气功率平衡约束、热储能约束以及电储能约束；所述能量平衡约束的表达式为：，式中，为t时刻的购电功率，为t时刻的风电功率，为t时刻的光伏功率，为t时刻热电机组提供的上网功率，为t时刻的电负荷，为t时刻电储能的放电功率，为t时刻电储能的充电功率，为t时刻电制冷机消耗的电能；，式中，为t时刻的热负荷，为t时刻热储能的储热功率，为t时刻吸收式制冷机消耗的热能，为t时刻热电机组输出的热功率，为t时刻燃气锅炉产生的热功率，为t时刻热储能的放热功率；，式中，为t时刻的冷负荷，为t时刻吸收式制冷机输出的冷功率，为t时刻电制冷机输出的冷功率；所述气功率平衡约束的表达式为：，式中，为t时刻燃气锅炉的耗气量，为t时刻热电机组的耗气量，为t时刻电转气设备生成的天然气量，为t时刻从气网购买的气量。7.根据权利要求5所述的一种考虑风光不确定性的综合能源系统鲁棒优化方法，其特征在于，所述基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解包括：根据对偶理论将第二阶段优化模型的最劣预测分布的上界问题转化为下界问题，其中，转化后的第二阶段优化模型的目标函数的表达式为：，式中，表示第k个历史预测误差，为wasserstein球的半径，为样本数，为第二阶段调整成本函数，为预测误差，为模糊不确定集，为对偶变量，为下界函数，为最劣条件下调整成本的上界函数；
更新分布鲁棒优化模型的目标函数和约束条件，其中，更新后的分布鲁棒优化模型的目标函数为：，式中，表示在优化变量下的最小运行成本，为优化变量对应的转置列向量，为优化变量；更新后的分布鲁棒优化模型的约束条件为：，式中，a为对应不等式约束下变量的系数矩阵，为对应不等式约束下的常数列向量，为考虑预测误差下对应约束的系数矩阵，和均是预测误差的线性函数；基于凸优化理论将所述分布鲁棒优化模型转化成可求解模型，其中，所述求解模型的目标函数的表达式为：，式中，为引入的辅助变量；所述求解模型的约束条件的表达式为：，式中，为的系数转置矩阵，为对应的优化函数，为预测误差的最小值，表示第k个历史预测误差，为预测误差的最大值，为对应的优化函数，为对应的优化函数，为考虑预测误差下对应约束的系数矩阵，为对应的常数列向量，为对应的常数列向量。8.一种考虑风光不确定性的综合能源系统鲁棒优化系统，其特征在于，包括：第一建立模块，配置为构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；获取模块，配置为获取风电历史出力数据和光伏历史出力数据，并对风电历史出力数
据和光伏历史出力数据进行场景削减，得到典型场景下日前风电出力预测数据和光伏出力预测数据；拟合模块，配置为根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；构造模块，配置为根据所述累积分布函数构造模糊不确定集；第二建立模块，配置为基于所述模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；求解模块，配置为基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任一项所述的方法。

技术总结
本发明公开一种考虑风光不确定性的综合能源系统鲁棒优化方法及系统，方法包括：构建含碳捕集、电转气与热电联产机组联合运行模式下的综合能源系统，并建立所述综合能源系统的设备模型；根据自适应核密度估计拟合所述日前风电出力预测数据和所述光伏出力预测数据中的预测误差的概率密度函数，并对所述概率密度函数进行积分，得到累积分布函数；根据所述累积分布函数构造模糊不确定集；基于模糊不确定集和仿射可调策略建立综合能源系统的分布鲁棒优化模型；基于对偶理论和凸优化理论将所述分布鲁棒优化模型转化成可求解模型，并对所述求解模型进行求解。实现了多种终端用户设备对综合能源系统的经济优化调度功能。综合能源系统的经济优化调度功能。综合能源系统的经济优化调度功能。


技术研发人员：王伟 钟士元 朱文广 张华 王欣 陈俊志 江涛 郑春 李映雪 舒娇 李玉婷 谢鹏 王静
受保护的技术使用者：国家电网有限公司
技术研发日：2023.07.27
技术公布日：2023/8/28