本发明公开了一种基于能量枢纽的沼‑风‑光全可再生能源系统及其方法，包括构建了基于沼气‑风能‑太阳能枢纽的全可再生能源系统，并对含储能元件的能量枢纽进行了详细建模，将其处理为更适配于系统优化调度的线性化矩阵，然后进一步考虑风光可再生能源出力不确定性，构建了基于数据驱动的日前‑实时两阶段分布式鲁棒优化调度模型。本发明能实现对可再生能源消纳的促进作用，促进生物质能消纳，在冬季可实现沼气池保温供热，保障沼气稳定供应；减弱热电耦合程度，有效促进风光可再生能源的消纳，并同时降低了系统综合调度成本。
1.一种基于能量枢纽的沼‑风‑光全可再生能源系统，其特征在于，包括：沼气‑风能‑太阳能枢纽模型，用于将能量枢纽中产生的部分热能和电能反馈到沼气池，提高反应温度增加沼气产量；沼气可直接供应气体负载，也可转换为电能，同时CHP中的发电机废热、沼气炉、电锅炉产生的热量可直接供应热负荷；
可再生能源系统优化调度模型，用于以最小化成本控制能量枢纽设备运行状态及能源生产、转换、存储、消耗过程，实现多能之间的最佳协调利用；
计及不确定性的日前‑实时两阶段分布式鲁棒优化调度模型，用于在日前调度阶段优化CHP启停机成本和风光基础预测场景下的其他成本，实时调度阶段在日前调度出力已知的基础上，根据风光实际出力调整枢纽内各设备出力；
沼气‑风能‑太阳能枢纽模型中沼气池产量与温度的耦合关系为：Ebio＝a|TZ‑TO|+b
其中，Ebio为沼气池单位时间产量，TZ和TO分别为实际反应温度与最佳反应温度，计算时TO取35℃，a和b为数据拟合所得系数；
其中，QR为能量枢纽注入到沼气池的能量，ηB为电锅炉的转换效率，Sef和Shf分别表示能量枢纽内的余电和余热反馈，Rin、Rout、Rw分别是内部和外部的对流传热热阻与池壁传导传热热阻，Tin、Tout、Tw分别是沼气池内部、外部、池壁的温度，由沼气池反应原理可知，Tin＝TZ；
CZ、CW分别是沼气池内部、池壁的热容量，t表示单位时间；
其中，Le、Lh、Lg分别为能量枢纽的电、气、热负荷，即为能量枢纽模型的输出量；QW、QPVT、Ebio分别为风机发电功率、PVT系统产出总功率和单位时间沼气产量，即能量枢纽模型的输入量；Pe、Ph、Vbio分别为储电、储热装置的净输出电、热功率及储气装置单位时间净输出量；
与 是PVT系统的发电与制热效率； 与 是CHP的气转电与气转热效率；ηB和ηF分别是电锅炉和沼气炉的能量转换效率；qbio为沼气的热值；νB、νCHP、νF分别为电锅炉、CHP、沼气炉的调度因子；
其中，PB、PF分别为电锅炉与沼气炉的热输出，PCHP为CHP的电输出；
采用矩阵形式表示确定性条件下的可再生能源系统优化调度模型：s.t.Ax≤b
其中，x表示能量枢纽中设备运行状态的0‑1变量，y表示枢纽中各设备出力的连续变量，ξ表示风机与PVT系统出力的连续变量；
表示模型目标函数，优化目标为综合调度成本最小化，其中a x表示仅与0‑1变量有关的成本，这部分成本不会受到风机与PVT出力的影响，具体指CHP机组启动/T T停机成本；by+cξ表示与连续变量有关的成本，包括能量转换、充放损失成本与弃风、弃光惩罚成本；
Ax≤b表示0‑1变量不等式约束，包括储电、储热装置的充放能状态约束；
Cy≤Dξ表示连续变量不等式约束，包括风机、PVT系统、电锅炉、沼气炉出力约束与沼气池状态约束；
Gx+Hy≤g与Jx+Ky＝h表示了两阶段变量间的耦合关系，其中Gx+Hy≤g包括CHP设备约束与储气装置约束，Jx+Ky＝h为能量平衡约束；
可再生能源系统优化调度模型目标函数为：min(CCHP+CT+CL+CP)其中，CCHP为CHP机组的启动/停机成本，CT为能量转换损失成本，CL为能量充放损失成本，CP为弃风、弃光惩罚成本；T为一个运行周期， λloss、λw与λp分别是CHP启动、停机，能量损失、与弃风弃光的单位成本；ut是0‑1变量，表示t时刻CHP处于开启或关闭状态；
Δt表示每个时段的长度； 与 与 分别为时段t电池的充放电功率、储热装置的充放热功率； 与 与 与 分别为储电、储热、储气设备的充放能效率；
与 为风机的预测与实际出力； 与 为PVT系统的预测与实际总出力；
基于确定性可再生能源系统优化调度模型的矩阵描述，当采用基于数据驱动的分布式鲁棒优化方法描述风电和光伏出力的不确定性时，计及不确定性的日前‑实时两阶段优化调度模型的目标函数为：其中， 表示实时调度阶段k场景下的出力调整成本；pk表示k场景下的概率分布值，{pk}为各离散场景下概率分布值的集合，Ω为场景概率取值的可行域；
其中，Le,t、Lh,t、Lg,t分别为t时段电、热、气负荷量；[C′S′D]与[Q′P′H]的详细表述见变形后的能量枢纽耦合模型；
可再生能源系统优化调度模型出力设备约束为：风电机组出力：
沼气池反应温度极限：TZ,min≤TZ,t≤TZ,max沼气池产量与温度的耦合模型、传热模型与反应温度极限共同构成了沼气池状态约束；
可再生能源系统优化调度模型耦合元件约束为：CHP设备：
|PCHP,t‑PCHP,t‑Δt|≤rCHP其中， 和 分别表示CHP发电出力的下限和上限； 和 分别表示CHP热输出的下限和上限；rCHP是CHP的爬坡速率；
电锅炉出力：0≤PB,t≤PB,max式中，PB,max是电锅炉的出力上限；
沼气炉出力：0≤PF,t≤PF,max式中：PF,max是沼气炉的出力上限；
可再生能源系统优化调度模型储能装置约束：储电装置：
Ee,min≤Ee,t≤Ee,max其中，Ee,t为t时刻电池储电量；Ee,min与Ee,max分别为储电装置容量的下限和上限；
为0‑1变量，分别表示t时刻装置的充放电状态； 与 与 分别为最小和最大充放电功率；
Rbio,t＝Rbio,t‑Δt‑Vbio,tRbio,min≤Rbio,t≤Rbio,maxkt·Vbio,min≤Vbio,t≤kt·Vbio,max其中，kt是0‑1变量，表示t时刻沼气罐处于输入或输出状态；Rbio,t为t时段沼气储存量；
Rbio,min与Rbio,max分别为储气装置容量的下限和上限；Vbio,t为t时段沼气罐的净输出量，当Vbio,t>0时表示该时段沼气输出，当Vbio,t<0时表示输入； Vbio,min与Vbio,max分别是沼气输入输出的下限和上限；
其中，Eh,t为t时刻电池储电量；Eh,min与Eh,max分别为储电装置容量的下限和上限；rt 、disrt 为0‑1变量，分别表示t时刻装置的充放电状态； 与 与 分别为最小和最大充放电功率；
构建以各离散场景初始概率分布值为基准，采用1‑范数和∞‑范数集合约束波动的概率分布集合，即Ω＝Ω1∩Ω∞，结果如下：其中，θ1、θ∞表示1‑范数和∞‑范数约束下的概率波动允许偏差限值；
采用CCG算法对日前‑实时两阶段优化调度模型进行求解，将模型分解为主问题和子问题进行反复迭代求解；
主问题是在已知恶劣概率分布下求解满足约束条件的最优解，实现能量枢纽的日前调度，并为所述两阶段鲁棒模型提供下界值：(MP)
子问题是在主问题给定第一阶段变量x的情况下，寻找实时运行下的最恶劣概率分布，并返回到主问题供下一次迭代使用，子问题为两阶段鲁棒模型提供上界值：(SP)
由于概率场景集合Ω与各场景下第二阶段变量y的约束集合Y无关联，因此各场景下的内层min优化问题相互独立，可采用并行求解的方法进行处理，子问题可改写为：主问题与改写后的子问题反复迭代，直至上界值与下界值之差达到所需精度时，停止迭代，返回最优解。
2.根据权利要求1所述的基于能量枢纽的沼‑风‑光全可再生能源系统的可再生能源方法，其特征在于，包括：S1、构建沼气‑风能‑太阳能枢纽模型；
S2、根据综合调度成本最小化为目标，构建可再生能源系统优化调度模型；
S3、考虑风光可再生能源出力不确定性，构建基于数据驱动的日前‑实时两阶段分布式鲁棒优化调度模型；
S4、采用CCG算法将模型分为主问题和子问题进行反复迭代求解，当模型上界值与下界值之差达到所需精度时，停止迭代，返回最优解。
一种基于能量枢纽的沼‑风‑光全可再生能源系统及其方法
技术领域
[0001] 本发明属于综合能源系统优化调度的技术领域，具体涉及一种基于能量枢纽的沼‑风‑光全可再生能源系统及其方法。
背景技术
[0002] 目前，可再生能源出力的不确定性给可再生能源系统发展带来了巨大挑战。因此，综合考虑不确定因素，构建可再生能源系统并研究其优化调度模型具有重要的现实意义。现阶段已有不少学者基于能量枢纽概念研究了含可再生能源的综合能源系统，但未针对具体问题构建能量枢纽耦合矩阵，因此不能充分说明应用能量枢纽分析能量运行优化问题的正当性与合理性，另外，这类系统内常含有常规机组，未对全可再生能源系统做进一步研究；近年来，国内外学者已经对考虑可再生能源出力不确定性的系统协同优化问题的求解方法进行了大量研究。除传统的随机优化与鲁棒优化以外，一些学者还尝试将这两者结合，采用分布式鲁棒优化方法处理不确定量，而这一方法虽有效平衡了系统的经济性与保守性，但求解过程过于复杂。
发明内容
[0003] 本发明的目的在于针对现有技术中的上述不足，提供一种基于能量枢纽的沼‑风‑光全可再生能源系统及其方法，以解决或改善上述的问题。
[0004] 为达到上述目的，本发明采取的技术方案是：
[0005] 一种基于能量枢纽的沼‑风‑光全可再生能源系统及其方法，其包括：
[0006] 沼气‑风能‑太阳能枢纽模型，用于将能量枢纽中产生的部分热能和电能反馈到沼气池，提高反应温度增加沼气产量；沼气可直接供应气体负载，也可转换为电能，同时CHP中的发电机废热、沼气炉、电锅炉产生的热量可直接供应热负荷；
[0007] 可再生能源系统优化调度模型，用于以最小化成本控制能量枢纽设备运行状态及能源生产、转换、存储、消耗过程，实现多能之间的最佳协调利用；
[0008] 计及不确定性的日前‑实时两阶段分布式鲁棒优化调度模型，用于在日前调度阶段优化CHP启停机成本和风光基础预测场景下的其他成本，实时调度阶段在日前调度出力已知的基础上，根据风光实际出力调整枢纽内各设备出力。
[0009] 优选地，沼气‑风能‑太阳能枢纽模型中沼气池产量与温度的耦合关系为：
[0010] Ebio＝a|TZ‑TO|+b
[0011] 其中，Ebio为沼气池单位时间产量，TZ和TO分别为实际反应温度与最佳反应温度，计算时TO取35℃，a和b为数据拟合所得系数；
[0012] 考虑电热反馈的沼气池传热模型为：
[0013] QR＝ηBSef+Shf
[0014]
[0015]
[0016] 其中，QR为能量枢纽注入到沼气池的能量，ηB为电锅炉的转换效率，Sef和Shf分别表示能量枢纽内的余电和余热反馈，Rin、Rout、Rw分别是内部和外部的对流传热热阻与池壁传导传热热阻，Tin、Tout、Tw分别是沼气池内部、外部、池壁的温度，由沼气池反应原理可知，Tin＝TZ；CZ、CW分别是沼气池内部、池壁的热容量，t表示单位时间；
[0017] 能量枢纽耦合模型为：
[0018]
[0019] 其中，Le、Lh、Lg分别为能量枢纽的电、气、热负荷，即为能量枢纽模型的输出量；QW、QPVT、Ebio分别为风机发电功率、PVT系统产出总功率和单位时间沼气产量，即能量枢纽模型的输入量；Pe、Ph、Vbio分别为储电、储热装置的净输出电、热功率及储气装置单位时间净输出量； 与 是PVT系统的发电与制热效率； 与 是CHP的气转电与气转热效率；ηB和ηF分别是电锅炉和沼气炉的能量转换效率；qbio为沼气的热值；νB、νCHP、νF分别为电锅炉、CHP、沼气炉的调度因子；
[0020] 调度因子与效率的转换关系为：
[0021] νB＝PB/ηB
[0022]
[0023] νF＝PF/ηF
[0024] 其中，PB、PF分别为电锅炉与沼气炉的热输出，PCHP为CHP的电输出；
[0025] 变形后的能量枢纽耦合模型为：
[0026]
[0027] 优选地，采用矩阵形式表示确定性条件下的可再生能源系统优化调度模型：
[0028]
[0029] s.t.Ax≤b
[0030] Cy≤Dξ
[0031] Gx+Hy≤g
[0032] Jx+Ky＝h
[0033] 其中，x表示能量枢纽中设备运行状态的0‑1变量，y表示枢纽中各设备出力的连续变量，ξ表示风机与PVT系统出力的连续变量；
[0034] 表示模型目标函数，优化目标为综合调度成本最小化，其中aTx表示仅与0‑1变量有关的成本，这部分成本不会受到风机与PVT出力的影响，具体指CHP机组启T T
动/停机成本；by+cξ表示与连续变量有关的成本，包括能量转换、充放损失成本与弃风、弃光惩罚成本；
[0035] Ax≤b表示0‑1变量不等式约束，包括储电、储热装置的充放能状态约束；
[0036] Cy≤Dξ表示连续变量不等式约束，包括风机、PVT系统、电锅炉、沼气炉出力约束与沼气池状态约束；
[0037] Gx+Hy≤g与Jx+Ky＝h表示了两阶段变量间的耦合关系，其中Gx+Hy≤g包括CHP设备约束与储气装置约束，Jx+Ky＝h为能量平衡约束。
[0038] 优选地，可再生能源系统优化调度模型目标函数为：
[0039] min(CCHP+CT+CL+CP)
[0040]
[0041]
[0042]
[0043]
[0044] 其中，CCHP为CHP机组的启动/停机成本，CT为能量转换损失成本，CL为能量充放损失成本，CP为弃风、弃光惩罚成本；T为一个运行周期， λloss、λw与λp分别是CHP启动、停机，能量损失、与弃风弃光的单位成本；ut是0‑1变量，表示t时刻CHP处于开启或关闭状态；Δt表示每个时段的长度； 与 与 分别为时段t电池的充放电功率、储热装置的充放热功率； 与 与 与 分别为储电、储气、储热设备的充放能效
率； 与 为风机的预测与实际出力； 与 为PVT系统的预测与实际总出力。
[0045] 优选地，基于确定性可再生能源系统优化调度模型的矩阵描述，当采用基于数据驱动的分布式鲁棒优化方法描述风电和光伏出力的不确定性时，计及不确定性的日前‑实时两阶段优化调度模型的目标函数为：
[0046]
[0047] 其中， 表示实时调度阶段k场景下的出力调整成本；pk表示k场景下的概率分布值，{pk}为各离散场景下概率分布值的集合，Ω为场景概率取值的可行域。
[0048] 优选地，构建以各离散场景初始概率分布值为基准，采用1‑范数和∞‑范数集合约束波动的概率分布集合，即Ω＝Ω1∩Ω∞，结果如下：
[0049]
[0050] 其中，θ1、θ∞表示1‑范数和∞‑范数约束下的概率波动允许偏差限值。
[0051] 优选地，采用CCG算法对日前‑实时两阶段优化调度模型进行求解，将模型分解为主问题和子问题进行反复迭代求解；
[0052] 主问题是在已知恶劣概率分布下求解满足约束条件的最优解，实现能量枢纽的日前调度，并为所述两阶段鲁棒模型提供下界值：
[0053]
[0054]
[0055] 其中，m代表迭代次数；
[0056] 子问题是在主问题给定第一阶段变量x的情况下，寻找实时运行下的最恶劣概率分布，并返回到主问题供下一次迭代使用，子问题为两阶段鲁棒模型提供上界值：
[0057]
[0058] 由于概率场景集合Ω与各场景下第二阶段变量y的约束集合Y无关联，因此各场景下的内层min优化问题相互独立，可采用并行求解的方法进行处理，子问题可改写为：
[0059]
[0060] 主问题与改写后的子问题反复迭代，直至上界值与下界值之差达到所需精度时，停止迭代，返回最优解。
[0061] 一种基于能量枢纽的沼‑风‑光全可再生能源方法，包括：
[0062] S1、构建沼气‑风能‑太阳能枢纽模型；
[0063] S2、根据综合调度成本最小化为目标，构建可再生能源系统优化调度模型；
[0064] S3、考虑风光可再生能源出力不确定性，构建基于数据驱动的日前‑实时两阶段分布式鲁棒优化调度模型；
[0065] S4、采用CCG算法将模型分为主问题和子问题进行反复迭代求解，当模型上界值与下界值之差达到所需精度时，停止迭代，返回最优解。
[0066] 本发明提供的基于能量枢纽的沼‑风‑光全可再生能源系统及其方法，具有以下有益效果：
[0067] 本发明构建了基于沼气‑风能‑太阳能枢纽的全可再生能源系统，并对含储能元件的能量枢纽进行了详细建模，将其处理为更适配于系统优化调度的线性化矩阵，然后进一步考虑风光可再生能源出力不确定性，构建了基于数据驱动的日前‑实时两阶段分布式鲁棒优化调度模型。
[0068] 本发明能实现对可再生能源消纳的促进作用，促进生物质能消纳，在冬季可实现沼气池保温供热，保障沼气稳定供应；减弱热电耦合程度，有效促进风光可再生能源的消纳，并同时降低了系统综合调度成本。
附图说明
[0069] 图1为基于能量枢纽的沼‑风‑光全可再生能源系统及其方法的沼‑风‑光能量枢纽的结构示意图。
[0070] 图2为基于能量枢纽的沼‑风‑光全可再生能源系统及其方法的能量枢纽中考虑电热反馈的沼气池热传导网络图。
具体实施方式
[0071] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0072] 根据本申请的一个实施例，参考图1，本方案的基于能量枢纽的沼‑风‑光全可再生能源系统及其方法，包括：
[0073] 构建沼气‑风能‑太阳能枢纽模型
[0074] 该模型将能量枢纽中产生的部分热能和电能反馈到沼气池，用以提高反应温度增加沼气产量；沼气可直接供应气体负载，也可利用生物质热电联产机组中的沼气发电机转换为电能，同时CHP中的发电机废热和沼气炉、电锅炉产生的热量可直接供应热负荷；此外，电锅炉、沼气炉及储电储热装置可打破CHP“以热定电”的传统运行方式，实现热电解耦。
[0075] 上述设备联合可实现3种能源的耦合连接与优化调度，为地区多能源供应提供一定的灵活性和协同作用，促进地区可再生能源消纳与节能减排。
[0076] 构建的沼气‑风能‑太阳能枢纽输入能源为风能、太阳能和生物质能，这些可再生能源可通过风力发电机，PVT系统和沼气反应池进行转换消纳，生成电能、热能、沼气等可用的二次能源；枢纽内还包含了多种能源转换装置(CHP、电锅炉、沼气炉)，枢纽内能源转换原理：从生物质中获得的沼气可直接供应气体负载，也可利用CHP燃气发动机转换为电能，此外CHP发动机废热以及沼气炉、电锅炉产生的热量可直接供应热负荷或用于沼气池的反馈加热；在能量枢纽中增设储能装置，可为电力、热力、沼气提供大容量存储。
[0077] 能量枢纽中沼气池产量与温度的耦合关系为：
[0078] Ebio＝a|TZ‑TO|+b
[0079] 其中，Ebio为沼气池单位时间产量；TZ和TO分别为实际反应温度与最佳反应温度，计算时TO取35℃；a和b为数据拟合所得系数。
[0080] 考虑电热反馈的沼气池传热模型为：
[0081] QR＝ηBSef+Shf
[0082]
[0083]
[0084] 其中，QR为能量枢纽注入到沼气池的能量；ηB是电锅炉的转换效率；Sef和Shf分别表示能量枢纽内的余电和余热反馈；Rin，Rout，Rw分别是内部和外部的对流传热热阻与池壁传导传热热阻；Tin，Tout，Tw分别是沼气池内部、外部、池壁的温度，由沼气池反应原理可知，Tin＝TZ；CZ，CW分别是沼气池内部，池壁的热容量；t表示单位时间。
[0085] 能量枢纽耦合模型为：
[0086]
[0087] 其中，Le、Lh、Lg为能量枢纽的电、气、热负荷，即为能量枢纽模型的输出量；QW、QPVT、Ebio分别为风机发电功率、PVT系统产出总功率与单位时间沼气产量，即能量枢纽模型的输入量；Pe、Ph、Vbio分别为储电、储热装置的净输出电、热功率及储气装置单位时间净输出量(净输出量＝输出量‑输入量)； 与 是PVT系统的发电与制热效率； 与 是CHP的气转电与气转热效率；ηB和ηF分别是电锅炉和沼气炉的能量转换效率；qbio为沼气的热值
3
(1m沼气完全燃烧时可放出的能量)；νB、νCHP、νF分别为电锅炉、CHP、沼气炉的调度因子。
[0088] 模型中调度因子与效率的转换关系为：
[0089] νB＝PB/ηB
[0090]
[0091] νF＝PF/ηF
[0092] 其中，PB、PF分别为电锅炉与沼气炉的热输出，PCHP为CHP的电输出。
[0093] 变形后的能量枢纽耦合模型为：
[0094]
[0095] 参考图2，对考虑电热反馈的沼气池内外热传导关系进行网络建模，已知沼气单位时间产量由温度决定，可利用节点热力平衡方程求解沼气池实际反应温度。其中，传热和存储分别用热阻和热容的方式表示，沼气池内部、沼气壁与外部的温度可用具有势能的节点表示，最后根据网络结构导出沼气池节点热力平衡方程。
[0096] 根据本申请的一个实施例，构建可再生能源系统优化调度模型。
[0097] 可再生能源系统调度优化旨在以最小化成本控制能量枢纽设备运行状态及能源生产、转换、存储、消耗过程，实现多能之间的最佳协调利用。
[0098] 可再生能源系统优化调度模型旨在以最小化的成本控制能量枢纽设备的运行状态及能源生产、转换、存储、消耗过程，实现多能之间的最佳协调利用。
[0099] 首先采用矩阵形式表示确定性条件下的可再生能源系统优化调度模型：
[0100]
[0101] s.t.Ax≤b
[0102] Cy≤Dξ
[0103] Gx+Hy≤g
[0104] Jx+Ky＝h
[0105] 其中，x表示能量枢纽中设备运行状态的0‑1变量；y表示枢纽中各设备出力的连续变量(不包括风机与PVT系统)；ξ是表示风机与PVT系统出力的连续变量。
[0106] 表示模型目标函数，优化目标为综合调度成本最小化，其中aTx表示仅与0‑1变量有关的成本，这部分成本不会受到风机与PVT出力的影响，具体指CHP机组启T T
动/停机成本；by+cξ表示与连续变量有关的成本，具体包括能量转换、充放损失成本与弃风、弃光惩罚成本。
[0107] Ax≤b表示0‑1变量不等式约束，具体指储电、储热装置的充放能状态约束。
[0108] Cy≤Dξ表示连续变量不等式约束，具体包括风机、PVT系统、电锅炉、沼气炉出力约束与沼气池状态约束。
[0109] Gx+Hy≤g与Jx+Ky＝h表示了两阶段变量间的耦合关系，其中Gx+Hy≤g具体指CHP设备约束与储气装置约束，Jx+Ky＝h为能量平衡约束。以下将具体阐述目标函数与约束条件。
[0110] 可再生能源系统优化调度模型目标函数为：
[0111] min(CCHP+CT+CL+CP)
[0112]
[0113]
[0114]
[0115]
[0116] 其中，CCHP为CHP机组的启动/停机成本，CT为能量转换损失成本，CL为能量充放损失成本，CP为弃风、弃光惩罚成本；T为一个运行周期， λloss、λw与λp分别是CHP启动、停机，能量损失、与弃风弃光的单位成本；ut是0‑1变量，表示t时刻CHP处于开启或关闭状态；Δt表示每个时段的长度； 与 与 分别为时段t电池的充放电功率、储热装置的充放热功率； 与 与 与 分别为储电、储气、储热设备的充放能效
率； 与 为风机的预测与实际出力； 与 为PVT系统的预测与实际总出力。
[0117] 可再生能源系统优化调度模型能量平衡约束为：
[0118]
[0119] 其中，Le,t、Lh,t、Lg,t分别为t时段电、热、气负荷量；[C′S′D]与[Q′P′H]T的详细表述见变形后的能量枢纽耦合模型。
[0120] 可再生能源系统优化调度模型出力设备约束为：
[0121] 风电机组出力：
[0122] PVT系统总出力：
[0123] 沼气池反应温度极限：TZ,min≤TZ,t≤TZ,max
[0124] 注：沼气池产量与温度的耦合模型、传热模型与反应温度极限共同构成了沼气池状态约束。
[0125] 可再生能源系统优化调度模型耦合元件约束为：
[0126] CHP设备：
[0127]
[0128]
[0129] |PCHP,t‑PCHP,t‑Δt|≤rCHP
[0130] 其中， 和 分别表示CHP发电出力的下限和上限； 和 分别表示CHP热输出的下限和上限；rCHP是CHP的爬坡速率。
[0131] 电锅炉出力：0≤PB,t≤PB,max
[0132] 式中，PB,max是电锅炉的出力上限。
[0133] 沼气炉出力：0≤PF,t≤PF,max
[0134] 式中：PF,max是沼气炉的出力上限。
[0135] 可再生能源系统优化调度模型储能装置约束：
[0136] 储电装置：
[0137]
[0138] Ee,min≤Ee,t≤Ee,max
[0139]
[0140]
[0141]
[0142] 其中，Ee,t为t时刻电池储电量；Ee,min与Ee,max分别为储电装置容量的下限和上限；为0‑1变量，分别表示t时刻装置的充放电状态； 与 与 分别为最小
和最大充放电功率。
[0143] 储气装置：
[0144] Rbio,t＝Rbio,t‑Δt‑Vbio,t
[0145] Rbio,min≤Rbio,t≤Rbio,max
[0146] kt·Vbio,min≤Vbio,t≤kt·Vbio,max
[0147] 其中，kt是0‑1变量，表示t时刻沼气罐处于输入或输出状态；Rbio,t为t时段沼气储存量；Rbio,min与Rbio,max分别为储气装置容量的下限和上限；Vbio,t为t时段沼气罐的净输出量，当Vbio,t>0时表示该时段沼气输出，当Vbio,t<0时表示输入。Vbio,min与Vbio,max分别是沼气输入输出的下限和上限。
[0148] 储热装置：
[0149]
[0150]
[0151]
[0152]
[0153] Eh,min≤Eh,t≤Eh,max
[0154] 其中，Eh,t为t时刻电池储电量；Eh,min与Eh,max分别为储电装置容量的下限和上限；为0‑1变量，分别表示t时刻装置的充放电状态； 与 与 分别为最
小和最大充放电功率。
[0155] 根据本申请的一个实施例，构建计及不确定性的日前‑实时两阶段分布式鲁棒优化调度模型。
[0156] 由于风速、光照强度会受到天气、季节等因素的影响，风机与PVT系统出力具有不确定性。
[0157] 综合上述考虑，构建可再生能源系统日前‑实时两阶段分布式鲁棒优化调度模型，在日前调度阶段优化CHP启停机成本与风光基础预测场景下的其他成本；实时调度阶段在日前调度出力已知的基础上，根据风光实际出力调整枢纽内各设备出力。
[0158] 计及不确定性的日前‑实时两阶段分布式鲁棒优化调度模型中，日前调度阶段优化CHP启停机成本与风光基础预测场景下的其他成本；实时调度阶段在日前调度出力已知的基础上，根据风光实际出力调整枢纽内各设备出力。
[0159] 基于确定性可再生能源系统优化调度模型的矩阵描述，当采用基于数据驱动的分布式鲁棒优化方法描述风电和光伏出力的不确定性时，日前‑实时两阶段优化调度模型的目标函数可以表示为如下形式：
[0160]
[0161] 其中， 表示实时调度阶段k场景下的出力调整成本；pk表示k场景下的概率分布值，{pk}为各离散场景下概率分布值的集合，Ω为场景概率取值的可行域。
[0162] 理论上，概率分布可在任意范围取值，然而为了使场景概率分布与实际运行数据更加贴切，并在合理范围内波动，构建了以各离散场景初始概率分布值为基准，采用1‑范数和∞‑范数集合约束波动的概率分布集合，即Ω＝Ω1∩Ω∞，结果如下：
[0163]
[0164] 式中，θ1、θ∞表示1‑范数和∞‑范数约束下的概率波动允许偏差限值。
[0165] 进一步采用CCG算法对日前‑实时两阶段优化调度模型进行求解，将模型分解为主问题(MP)与子问题(SP)进行反复迭代求解。主问题是在已知恶劣概率分布下求解满足约束条件的最优解，实现能量枢纽的日前调度，并为所述两阶段鲁棒模型提供下界值：
[0166]
[0167]
[0168] 式中，m代表迭代次数。
[0169] 子问题是在主问题给定第一阶段变量x的情况下，寻找实时运行下的最恶劣概率分布，并返回到主问题供下一次迭代使用，子问题为式(26)提供上界值：
[0170]
[0171] 由于概率场景集合Ω与各场景下第二阶段变量y的约束集合Y无关联，因此各场景下的内层min优化问题相互独立，可采用并行求解的方法进行处理，子问题可改写为：
[0172]
[0173] 主问题与改写后的子问题反复迭代，直至上界值与下界值之差达到所需精度时，停止迭代，返回最优解。
[0174] 根据本申请的一个实施例，一种基于能量枢纽的沼‑风‑光全可再生能源方法，包括：
[0175] 步骤S1、构建沼气‑风能‑太阳能枢纽模型；
[0176] 步骤S2、根据综合调度成本最小化为目标，构建可再生能源系统优化调度模型；
[0177] 上述步骤S1和步骤S2确定性模型可以有效保障沼气池温度在反应范围内，提升沼气产量，以确保在极端天气条件下的能量供应，同时促进了能量枢纽内生物质能的消纳与利用；另外，能量枢纽增设电锅炉、沼气炉及储电、储热装置，可以有效促进风光可再生能源的消纳，同时降低了系统综合调度成本。
[0178] 步骤S3、考虑风光可再生能源出力不确定性，构建基于数据驱动的日前‑实时两阶段分布式鲁棒优化调度模型；
[0179] 日前调度阶段决策机组启停机成本与风光基础预测场景下的其他成本；实时调度阶段在日前调度出力已知的基础上，综合考虑1‑范数和∞‑范数约束下的不确定场景概率分布集合，从而获得最恶劣概率分布下的实时成本决策结果。
[0180] 步骤S4、采用CCG算法将模型分为主问题和子问题进行反复迭代求解，当模型上界值与下界值之差达到所需精度时，停止迭代，返回最优解。
[0181] CCG算法能快速并有效的求解本文提出的分布式鲁棒模型；此外，置信度α1与α∞的增加，会使不确定概率分布范围增大，不确定性增强，从而导致了优化目标系统综合调度成本的增加。
[0182] 本发明基于能量枢纽的沼‑风‑光全可再生能源系统日前‑实时两阶段优化调度模型能实现对可再生能源消纳的促进作用，如：
[0183] 一、采用余热余电能量给沼气池供热的方式可促进生物质能消纳，尤其在冬季可实现沼气池保温供热，保障沼气稳定供应；
[0184] 二、电锅炉、沼气炉及储电、储热装置的装设，可减弱热电耦合程度，有效促进风光可再生能源的消纳，并同时降低了系统综合调度成本。
[0185] 此外，CCG算法能快速并有效的求解所述分布式鲁棒模型，分布式鲁棒算法处理不确定性问题能宗合考虑目标的经济性与鲁棒性要求，分布式鲁棒优化算法的优越性也得到验证。
[0186] 虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
