CN119443581A 一种基于源荷不确定性的虚拟电厂鲁棒优化调度方法 （国网吉林省电力有限公司长春供电公司）

一种基于源荷不确定性的虚拟电厂鲁棒优本发明一种基于源荷不确定性的虚拟电厂组满足多能负荷的经济调度。(2)依据两阶段随虚拟电厂的环境适应性。(4)在虚拟电厂的能源2采用具有鲁棒可调系数的基数不确定集来度量可再通过两阶段随机鲁棒优化调度模型得到典型场景，通过改变鲁棒调节2.根据权利要求1所述的一种基于源荷不确定性的虚拟电厂鲁棒优化调度方法，其特选择不确定集解决鲁棒优化问题的核心，依据不确定参数的特性描绘3.根据权利要求1所述的一种基于源荷不确定性的虚拟电厂鲁棒优化调度方法，其特WGAN_GP使用Wasserstein距离来测量生成的数据分布与真实的数据分布之在定义域中引入判别网络函数的梯度惩罚项，梯度惩罚简称GP，DN满足3在负荷侧，通过WGAN_GP对负荷预测值和历史值生成多能负荷场景，然后通过K_4Emax,S,e和Emin,S,e则分别设定为储能装置在整个调度期UM,w,l,t为VPP与上部供能网络的交易状态；5GM期t中，针对场景w，第m个发电单元的功率输出；cs,e表示e类储能装置的运行成本系数；Pch,w,e,t和Pdis,w,e,t分别是该e类储能设备在时间t的w场景下充电和放电的功率；λbuy,l,t和和Psell,w,l,t分别为VPP与上部能源网交易时在t时段w场景下的l型6两阶段随机鲁棒优化调度包含min_max_min结构以及不确定性参数，C&CG算法将原问78[0011]采用具有鲁棒可调系数的基数不确定集，来度量可再生能源输出不确定性的波9输出基数的不确定性集合PRE中的元素PRE,t鲁棒调整系数，它定义了在调度期间可再生能源发电量触及波动区间的周期数。PRE,u,t和[0019]生成对抗网络(GenerativeAdversarialNetworks,GAN)应用于图像恢复和图像[0021]WGAN_GP使用Wasserstein(最优传输)距离来测量生成的数据分布与真实的数据[0022]在定义域中引入判别网络函数的梯度惩罚(GradientPen[0029]在负荷侧，通过WGAN_GP对负荷预测值和历史值生成多能负荷场景，然后通过K_[0040]式中：Pch,max,S,e和Pdis,max,S,e分别代表储能设备允许的最大充电和放电功率；Pch,w,e,t和Pdis,w,e,t分别是该e类储能设备在时间t的w场景下充电和放电的功率；λbuy,l,t和和Psell,w,l,t分别为VPP与上部能源网交易时在t时段w场景下的l型[0056]两阶段随机鲁棒优化调度包含min_max_min结构以及不确定性参数，这使得直接[0061](2)依据两阶段随机鲁棒优化调度策略，在最恶劣场景下获得最小成本的调度方[0066]图2为本发明一种基于源荷不确定性的虚拟电厂鲁棒优化调度方法中的两阶段鲁[0069]如图1所示，一种基于源荷不确定性的虚拟电厂鲁棒优化调度方法，包括如下步输出基数的不确定性集合PRE中的元素PRE,t鲁棒调整系数，它定义了在调度期间可再生能源发电量触及波动区间的周期数。PRE,u,t和[0077]生成对抗网络(GenerativeAdversarialNetworks,GAN)应用于图像恢复和图像[0079]WGAN_GP使用Wasserstein距离来测量生成的数据分布与真实的数据分布之间的[0080]在定义域中引入判别网络函数的梯度惩罚(GradientPen[0087]采用具有鲁棒可调系数的基数不确定集，来度量可再生能源输出不确定性的波[0088]在负荷侧，通过WGAN_GP对负荷预测值和历史值生成多能负荷场景，然后通过K_[0100]式中：Pch,max,S,e和Pdis,max,S,e分别代表储能设备允许的最大充电和放电功率；Pch,w,e,t和Pdis,w,e,t分别是该e类储能设备在时间t的w场景下充电和放电的功率；λbuy,l,t和和Psell,w,l,t分别为VPP与上部能源网交易时在t时段w场景下的l型[0116]两阶段随机鲁棒