本发明涉及能源技术领域，尤其涉及一种基于区间预测的能源枢纽鲁棒优化方法。
背景技术：
随着能源利用效率的不断提高和能源转换设施的快速发展，多能源系统成为优化能源结构、缓解能源消耗压力的不可阻挡的趋势。综合能源系统与传统的独立能源系统相比，一方面利用各种能源载体的互补性和可替代性，有很大潜力提高能源供应的效率和经济性。然而，另一方面，在ies(integratedenergysystems)的背景下，由于能量流的传输和分配是紧密耦合的，考虑到不同能量载体之间物理/操作特性的固有差异，传统的电力系统运行方案可能不再适用于ies(integratedenergysystems)。
认识到上述机遇和挑战，学界展开了关于ies的优化运行的广泛研究。例如，有文献指出，通过一种改进的基于教学学习的优化方法分析了包括电、天然气和热能的多载波能源系统，以实现最低的能源成本。还有文献指出，采用迭代方法，提供了电力系统和区域供热系统中的热电联合调度策略。更有文献针对住宅能源枢纽eh(energyhub)的优化运行问题建立了不同类型的数学模型，其中明确考虑了终端用户的行为习惯。然而，大多数模型都属于确定性优化方法，没有考虑不确定性对eh运行在可再生能源发电、不能能源供给变化等方面的潜在影响。即使有些文献考虑到不确定性因素对eh运行的影响，如有文献提出了一种基于场景的随机规划(sp)方法，用于确定综合电力和供热市场中eh的最优投标策略。有文献提出了一种风电集成eh的优化设计，其中使用了基于场景的方法来处理风电输出和负荷需求引起的不确定性问题。还有文献指出通过混合随机/信息缺口决策理论方法讨论了eh的最优调度问题，其中考虑了风力发电、能源价格和能源负荷的不确定性。为了获得鲁棒的eh运行策略，有文献还提出了一种风险规避随机动态优化方法，旨在最大限度地降低eh的运行成本，同时防范不确定性带来的潜在风险。也有文献指出，将鲁棒优化(ro)方法应用于多能源系统的优化运行，通过不同的不确定性集对可再生能源发电和能源负荷产生的不确定性进行建模。
总之，在现有的工程中，eh的优化运行问题及其相关的不确定性主要是通过sp或ro方法来解决的。具体地说，在sp方法中，所涉及的不确定性通常使用适当的概率分布函数(pdf)来描述；相反，对于ro，不确定性的影响通过估计的区间(也称为置信区间)来表示。
在实际的eh操作中，由于存在固有的技术限制(即预测误差)，通常情况下，eh操作员(eho)很难完全掌握所涉及的所有不确定变量的统计特征，比如电价。此外，为了确保所获得的调度决策的有效性，由于rt变量的时间间隔较短，eho还必须设法减少eh操作模型的计算时间。
在鲁棒优化中，由于不确定区间的建立对数据采集的要求远低于pdf的提取；此外，考虑到控制参数的适当设置，ro方法在实际应用中能够提供保证但灵活的解决方案，对不确定性和可接受的计算负担具有中等的鲁棒性。不确定性和可接受的计算负担的水平。所有这些都使得ro比sp方法更具有优势，更适合用于解决eh操作问题。
在实践中采用ro方法，不确定变量的不确定区间的选择将是最重要的，因为它直接影响所获得的ro性能。在大多数现有文献中，用于确定不确定区间的方法是根据不确定变量的历史数据对不确定变量的变化范围(即上下限)进行观测。
虽然这种不确定性集的选择可以从风险规避的角度确保最终解决方案的鲁棒性，但由于包含了实现不确定性的罕见情况，这也可能导致所得解决方案过于保守。此外，由于传统的ro方法仅根据不确定性的历史变化来确定其置信区间，因此无法捕获不确定性变量的时间信息和潜在统计特征。因此，它可能会使从ro派生的解决方案在实际应用中不完全现实。因此，为了解决这一问题，需要新的方法来科学地确定ro的不确定性区间。
另一方面，eh运行的优化主要是在基于电力的能源市场背景下进行的。然而，在当前的时代，随着能源部门的放松管制，eh也可以作为向电网提供辅助服务的一个可用选项，例如，参与灵活调节服务(flexiblerampingproducts，frp)计划。frp由加利福尼亚独立系统运营商(casio)和中大陆独立系统运营商(miso)提出，主要是为了缓解可再生能源发电渗透性强的电力系统中的爬坡能力不足的问题。与传统发电机组不同的是，eh中的能量转换设备，如热电联产机组，在系统发电不足时以及在电能利用率较低的情况下，可以利用其他能源发电，以较短的爬坡时间和较低的启动成本。电力过剩时，能量转换设备可以将电力转换成其他形式的能量。因此，eh可以为电网提供所需的frp，并从电力市场获得额外的利润。然而，由于辅助服务的参与将直接影响eh运行的绩效，因此eho在确定eh的最佳运行策略时必须适当考虑到这一影响。
技术实现要素：
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。本发明的一个方面，提供了一种基于区间预测的能源枢纽鲁棒优化方法，该装置包括：确定能源枢纽优化所考虑的因素并根据各因素之间的关系建立成本最低函数关系；在所述成本最低函数关系上引入与实时市场价格相关的不确定性，构建两阶段鲁棒优化ro模型；利用长短期记忆lstm回归神经网络确定两阶段鲁棒优化ro模型中使用的不确定区间；利用柱约束生成c&cc算法对所述鲁棒优化ro模型进行求解，得到最优化解，进而确定能源枢纽调度方案。
可选的，利用长短期记忆lstm回归神经网络确定两阶段鲁棒优化ro模型中使用的不确定区间，具体包括：对不同时间单位的历史电价时间信息、电力负荷进行归一化，然后构建输入矩阵；将所述输入矩阵输入到长短期记忆lstm回归神经网络，所述长短期记忆lstm回归神经网络基于输入矩阵进行学习过程，直到lstm回归神经网络的预测结果与实际值之间的差小于预定阈值；基于学习后的长短期记忆lstm回归神经网络预测某一时刻的电价的区间范围。
可选的，该方法包括：量化所预测的某一时刻的电价的区间范围。
可选的，量化所预测的某一时刻的电价的区间范围，具体包括：
步骤1)根据训练数据样本{(x1,y1),(x2,y2),…,(xn,yn)}，在学习后的lstm中获得相应的权重和偏差；通过基于lstm的输入矩阵计算出y1,y2,…,yn的估计值，表示为
步骤2)计算估计误差：
步骤3)通过下式消除系统误差：
步骤4)以1/n的概率从
其中η1,η2,…,ηn遵循平均值和单位方差为零的均匀分布
步骤5)根据训练得到的lstm模型和由已知历史信息组成的输入变量，预测t时刻所需的输出变量，表示为yt；
步骤6)根据新训练样本
步骤7)重复步骤4-7以在t时刻获得β个所需的输出变量。
步骤8)将β个yt由小到大进行重新排列，得到q(1),q(2),…,q(β，得到yt的100(1-α)％预测区间如下
rt电价的具体不确定区间如下：
yt是一个泛指的变量，在yt表示具体的电价变量时用λe,t表示。
可选的，利用柱约束生成c&cc算法对所述ro模型进行求解，得到最优化解，包括：将鲁棒优化ro模型分解为主问题和子问题；求解主问题，得到两阶段ro模型的下界，求解子问题，得到两阶段ro模型的上界。
可选的，利用柱约束生成c&cc算法对所述ro模型进行求解，得到最优化解，具体包括：
步骤1)假设ro模型的上界和下界分别为 ∞和-∞，并给出一组不确定变量的初值；
步骤2)解决主问题，其中主问题引入了与子问题相关联的变量和约束，得到最优解
步骤3)根据第2步得到的主问题的最优决策变量，求解子问题得到最优解
ub为上界值；
步骤4)如果ub-lb≤ε，则得到最优解
ε为计算精度；
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：提出了一种新的两阶段ro模型，能够更准确地估计能源枢纽的运行方案中的不确定性因素，并能够进行高效的求解，使决策者能够获得更现实的ro解决方案。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了常见的eh配置结构；
图2示出了本发明提出的基于区间预测的能源枢纽鲁棒优化方法的流程；
图3示出了基于lstm模型进行不确定性区间预测的流程图；
图4示出了lstm模型的网格结构；
图5示出了实际能源的价格波动曲线；
图6示出了电、热需求负荷曲线；
图7示出了根据本发明提出的基于lstm引导的预测区间、传统方法的预测区间与实际价格、预测价格之间的对比曲线图；
图8示出了案例1的两阶段电能分配的优化结果；
图9示出了案例1的两阶段热能分配的优化结果；
图10示出了案例2的两阶段电能分配的优化结果；
图11示出了案例2的两阶段热能分配的优化结果；
图12示出了案例3的两阶段电能分配的优化结果；
图13示出了案例3的两阶段热能分配的优化结果；
图14示出了在不考虑frp情况下的两阶段电能分配的优化结果；
图15示出了在不考虑frp情况下的两阶段热能分配的优化结果。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
能源枢纽技术为不同形式的能源相互作用、耦合、转换提供了一种新的概念框架，从而提高能源利用效率。本文提出了一种考虑灵活调节服务(flexiblerampingproducts，frp)的能源市场住宅层能源枢纽(energyhub，eh)最优经济调度方法。与现有研究不同，我们假设eh不仅涉及能源市场的投标，还可能通过向电网提供frp获得利润。将所讨论的问题建立为两阶段鲁棒优化(robustoptimization，ro)模型，第一阶段致力于通过优化其在预测da(day-ahead)市场上的竞价策略(能源和灵活的爬坡交易量)来降低eh的运营成本，第二阶段的目标是考虑到不确定性的最坏情况实现，确定实时rt(real-time)市场上eh的最佳再调度/纠正计划(包括调整后的eh部件输出、投标和灵活的爬坡量)，以实现最低成本的能源平衡。
能源枢纽eh配置原型如图1所示，包括chp(combinedheatandpower)复合热电单元、eb(electricboiler)电锅炉单元和热存储(蓄热)单元，在这种配置中，相关的eh连接到本地电网和天然气网络。eho(energyhuboperator)能源枢纽运营商从外部市场采购电力和天然气，并通过向终端客户提供所需的电力/热力服务获得收入。此外，为了符合中国目前的市场环境，我们还假设eho也可以在能源市场或扩张市场向电网出售电力，以最大化自身利益。在相关的eh中，chp机组作为能量转换装置，可根据eho的需要将气体转换为所需的功率/热量或功率转换为热量。eh的电力需求既来自电网，也来自chp机组的输出；而热负荷由chp机组、ebs和蓄热机组的热输出提供。
为了研究不同能量载体之间的耦合问题，本发明提出了考虑热电联产机组、电锅炉(eb)、蓄热器、电负荷和热负荷需求的eh模型。为了使本发明的结果适用于实际情况，我们假设eh不仅参与能源市场，而且通过为电网提供所需的frp，来获取利润。鉴于各种能源载体之间的强耦合效应，本发明在方法的实施过程中，不仅考虑到电价对eh的电力调度有重要影响，而且对eh的火电调度也有重要影响。
在本发明中，为了避免过度的重复，我们假设eho根据长期合同从相应的能源市场采购电力和天然气，因此我们模型中的da电力和天然气价格被认为是确定的数量。此外，我们还假设他们向终端客户提供电力和热力服务的零售电价也是基于双边的，这完全可以由eho提前确定。
在假定的系统中，eho(energyhuboperator)负责eh的日常运行。而eho则按照下面所述的两阶段程序，在da和rt市场中得出相关eh的最优调度决策。
在第一阶段，eho接收有关第二天预测电力和热负荷需求的信息，并且假设da市场价格也为eho所知。基于这些信息，eho确定了主电网的最佳电量、chp机组的耗气量、chp机组提供的上升/下降产品以及da市场中ebs的热输出，从而将eh的运营成本降到最低。这些决定是在我们问题中相关不确定性(即rt市场价格)实现之前做出的。在第二阶段，eho接收每小时客户实际能源需求的最新信息，并将其与已实现的rt市场价格相结合，确定eh的实时运营策略。在这个rt阶段，chp机组、eb和蓄热装置的输出(进度)将共同优化，以最低成本弥补不平衡的负荷需求，但前提是实现rt市场价格。
本发明的一个方面，提供了一种基于区间预测的能源枢纽鲁棒优化方法，如图2所示，该方法包括：
s1.确定能源枢纽优化所考虑的因素并根据各因素之间的关系建立成本最低函数关系；
s2.在所述成本最低函数关系上引入与实时市场价格相关的不确定性，构建两阶段鲁棒优化ro模型；
s3.利用长短期记忆lstm回归神经网络确定两阶段鲁棒优化ro模型中使用的不确定区间；
s4.利用柱约束生成c&cc算法对所述鲁棒优化ro模型进行求解，得到最优化解，进而确定能源枢纽调度方案。
本发明在充分考虑潜在不确定性(即rt电价)的影响的前提下，提出了一个两阶段ro模型，确定联合能源和扩张市场中eh的最优运营策略。本发明提出了一种结合基于lstm的不确定区间预测技术，用于确定rt电价的不确定性区间。lstm具有更高的捕捉历史数据基本规律和关键特征的能力，可以用来学习输入和输出价格数据之间的非线性关系。与经验预测区间相比，该不确定性区间充分利用了历史数据的值，预测结果的真实误差分布，从而为不确定性的统计特性提供了更准确的估计，使决策者能够获得更现实的ro解决方案。本发明采用柱约束生成算法，对所提出的两阶段ro模型进行了高效的求解。
利用长短期记忆lstm回归神经网络确定两阶段鲁棒优化ro模型中使用的不确定区间，具体包括：对不同时间单位的历史电价时间信息、电力负荷进行归一化，然后构建输入矩阵；将所述输入矩阵输入到长短期记忆lstm回归神经网络，所述长短期记忆lstm回归神经网络基于输入矩阵进行学习过程，直到lstm回归神经网络的预测结果与实际值之间的差小于预定阈值；基于学习后的长短期记忆lstm回归神经网络预测某一时刻的电价的区间范围。
在本发明中，首先考虑有关问题的确定性形式，然后通过ro对所涉及的不确定参数进行了进一步的建模和运算。在对确定性相关问题进行建模的过程中，以(1)-(39)所示的运营成本最小化为目标，对联合能源和扩张市场中的eh的最优运营调度进行数学推导，其中不考虑不确定性的潜在影响。
在(1)中，第一行是从da市场采购电力的成本；第二行是chp装置的运营成本，包括da市场上的燃料成本(耗气量)和上升和下降产品的利润；第三行表示在da市场上chp装置、ebs和ts的运行和维护成本；第四行表示da市场向客户供电和供热的预期收入；第五行至第八行表示eh在rt市场的预期运营成本。约束(2)定义了主电网和eh之间的最大功率交换。约束条件(3)和(4)描述了热电联产在da市场上的气电和气热转换关系。约束条件(5)和(6)分别限制了在线chp单元在斜坡响应时间内的爬坡上升和下降能力范围。约束(7)和(8)分别表示在线chp装置的最大和最小可用容量。约束(9)和(10)分别描述了chp在连续时间间隔内提供上升和下降产品的能力。约束(11)将热电联产机组的热功率输出限制在其装机容量内。约束条件(12)和(13)分别是蓄热器的充放电极限。约束(14)显示了蓄热单元的操作特性。约束(15)表示蓄热的能量容量限制。约束(16)要求热存储的可用能量在调度范围的开始和结束时保持不变。约束(17)表示电子束的电-热转换关系。约束(18)限制电子束的热功率输出。约束(19)和(20)分别表示热力系统和电力系统中的能量平衡约束。约束(21)和(22)是电力系统的灵活爬坡/下降要求。约束(23)到(39)是rt操作约束，其结构与da操作约束相似。
在实践中，由于rt市场中的能源需求变化很大，因此在做出eh的经营决策时，eho通常会面临重大的不确定性。因此，本节使用ro方法将上述确定性公式(1)-(39)扩展到不确定性环境中，以考虑这些不确定性的影响和所涉及的潜在风险。
与其他不确定优化方法相比，本发明采用ro的合理性/原因如下：
1)ro构造了具有置信区间的不确定性模型，其计算成本较低，对不确定性信息的要求也较低。这一特点使得ro非常适用于求解rt电价的概率分布难以获得的eh运行问题，随机优化方法建模不确定性可能需要大量的场景。
2)rt电价波动性较大，给eh运营成本带来较大风险。面对这个问题，ro可以用来保证在不确定区间内所有不确定的实现都能得到最优调度解。同时，采用该区间预测方法，对保护水平进行了适当的控制。
在本发明中，主要关注与rt市场中的能源收购价格相关的不确定性，以及与其有关的其他潜在不确定性，例如，da电价和客户的负荷需求，没有考虑在内。这是因为rt市场的变化比da市场的变化更为显著。实际上，区域ies中da价格和负荷需求的变化通常小于rt市场价格，并且可以使用各种先进的预测技术进行适当的估计。因此，在本发明中，假设da价格和客户需求在给定的时间段内是恒定的，并且每个时间段的变化是离散的。每个时间段的da价格和负荷值是根据eh系统的历史小时负荷数据确定的。
不确定性的引入使我们所关注的问题成为一个三阶段的最小-最大-最小优化问题，具体表现如下：
服从于(2)-(22)
且
上述变量中的上标～表示考虑不确定性后的相应值。
可以看出，鲁棒公式旨在最小化目标函数(of)(40)，从而满足约束(2)-(22)和(41)-(57)，以实现由其区间控制的不确定性
第一阶段决策
为了便于解释，可以将(40)中of改写为以下简化形式：
其中，
其中，k1,k2,l1,l2,w1和w2为参数矩阵；r1和r2为参数向量。
由此建立考虑确定性和不确定性的ro模型，该上述ro模型中，24小时rt价格是不确定变量。在实践中，电价时间序列具有非线性、高不确定性和波动性以及非常数均值和方差等特点。由于这些特点，用传统的线性模型难以准确模拟电价序列。为了正确考虑rt电价在相关问题中的影响，我们提出了一种结合lstm和自助技术来确定不确定性集边界的预测技术手段，如图3所示。下面分析rt电价的不确定区间预测方法。在该预测方法中，结合长短期记忆(lstm)回归神经网络和自助法技术来确定在ro公式中使用的不确定区间。具体来说，lstm具有更高的捕捉历史数据基本规律和关键特征的能力，可以用来学习输入和输出价格数据之间的非线性关系。在此基础上，为了进一步得到ro模型中使用的不确定性区间，进一步利用了自助法，其输出可以很好地反映出算法参数设置不当导致的lstm预测结果的可信性。与传统的基于经验的区间设置方法相比，该方法通过深入了解历史数据的值，反映点预报结果在其估计中的真实误差分布，有助于降低ro解的保守性水平。
首先进行数据预处理。
在实践中，由于电价的波动与用户的消费习惯密切相关，通常表现为日、周季节性。利用这一特点，为了得到更准确的预测结果，我们将训练集的输入电价信息分为每小时、每日和每周三个部分。小时价格时间序列表示为xhour。与日相关的价格时间序列表示为xday，其中相邻元素之间的间隔为24小时。与周相关的价格系列表示为xweek，其中相邻元素之间的间隔为168小时。此外，由于电价受电力需求的影响[18-20]，我们还将负荷序列的影响纳入我们的输入数据(inputdata)中，称为xload。
由于基于lstm的预测模型对数据尺度敏感，需要对原始输入数据进行归一化，将数据范围控制在[0，1]以内，因此对原始序列进行归一化的方法是基于最大-最小方法，具体描述如下：
之后，基于lstm的rnn的输入矩阵可以确定如下：
其中
rnn是时间序列预测问题的概念[21]。然而，rnn在处理信息之前很长一段时间内会发生梯度消失或梯度爆炸。为了解决这个问题，对rnns方法进行了改进，同时添加了一个内存单元和一个遗忘门，从而形成一个新版本的rnn，并命名为lstm。
将不同时间周期的标准化信息分别输入lstm模型，并通过前馈神经网络模块(feedforwardneuralnetwork),再分别输出，作为输出层的输入，获取前向电价(electricitypricesforecast)，再通过一系列抽样复制(bootstrapreplicates)、反馈进行不确定性区间的预测(estimatedinterval)。
lstm块的网络结构如图4所示，其中包括输入门it、遗忘门ft和输出门ot。输入门用于控制模型是否将输入信息存储在存储单元中。遗忘门用于确定是否需要更新或维护内存单元，更新意味着内存单元会删除无用的信息。输出门用于控制输出多少内存信息。输入门、遗忘门和输出门都是通过一个sigmoid激活函数实现的。在时间t，基于先前的输出值ht-1、存储器单元状态ct-1和新的输入xt、输入门it、遗忘门ft、输出门ot、候选状态
it＝σ(wixxt wihht-1 bi)(62)
ft＝σ(wfxxt wfhht-1 bf)(63)
ot＝σ(woxxt wohht-1 bo)(64)
ht＝ot×tanh(ct)(67)
其中wix,wih,wfx,wfh,wox,woh,wcx和wch分别为相应函数的权重矩阵；bi,bf,bo和bc分别为每个函数的偏差；σ表示sigmoid激活函数，tanh表示双曲正切函数。×表示元素乘法。
基于上述lstm模块，前面所述的输入数据可输入到基于lstm的预测模型中。将重复基于lstm的学习过程，直到预测结果与实际值之间的差异最小化。
本发明主要采用lstm通过学习历史价格和负载信息来预测特定的24小时rt价格，但在上述lstm模型中，通过机器学习对隐藏层数、隐藏单元等参数的选择不当，会导致点预测的不确定性，利用了自助法，量化这些不确定性，即将引导应用于预测价格区间的过程，通过重复采样和替换来近似误差的总体分布，其输出可以很好地反映出算法参数设置不当导致的lstm预测结果的可信性。
具体过程如下：
步骤1)根据训练数据样本{(x1,y1),(x2,y2),…,(xn,yn)}，在lstm中获得相应的权重和偏差。并通过基于lstm的rnn计算出y1,y2,…,yn的估计值，表示为
步骤2)计算估计误差：
步骤3)通过下式消除系统误差的影响：
步骤4)以1/n的概率从
其中η1,η2,…,ηn遵循平均值和单位方差为零的均匀分布。
步骤5)根据训练得到的lstm模型和由已知历史信息组成的输入变量，预测t时刻所需的输出变量，表示为yt.。
步骤6)根据新训练样本
步骤7)重复步骤4-7以在t时刻获得β个所需的输出变量。
步骤8)将β个yt由小到大进行重新排列，得到q(1),q(2),…,q(β，得到yt的100(1-α)％预测区间如下
rt电价的具体不确定区间如下：
yt是一个泛指的变量，在yt表示具体的电价变量时用λe,t表示。
利用柱约束生成c&cc算法对所述ro模型进行求解，得到最优化解，包括：将鲁棒优化ro模型分解为主问题和子问题；求解主问题，得到两阶段ro模型的下界，求解子问题，得到两阶段ro模型的上界。
通过对偶变换和线性变换，通过迭代对主问题和子问题分别求解，得到最优解。在迭代过程中，将与子问题相关联的新变量和约束引入主问题。
提出的ro模型(58)的主要问题可以描述为(73)：
在上述模型中，η是最大-最小问题(子问题)的目标函数值。与η相关的约束为原始的鲁棒模型提供了有效的松弛。因此，通过求解主问题，可以得到两阶段鲁棒模型的下界。
子问题可定义为(74)
最终最优解对应于子问题的最小目标值。因此，通过求解子问题，可以得到两阶段鲁棒模型的上界。基于对偶理论、kkt最优性条件和大m法，将(74)中的内极小问题转化为极大问题，然后与外极大问题合并如下：
0≤ν≤m·(1-σ）
δ≥0,ν≥0(75)
其中δ和ν是子问题(74)中的双变量。m是一个大值，σ等于0或1。经过上述变换，子问题成为混合整数线性优化模型。
c&cg解决主问题和子问题的步骤如下：
步骤1)假设经济调度方案的上界(ub)和下界(lb)分别为 ∞和-∞。并给出一组不确定变量的初值。设置k＝1；
步骤2)解决上述主问题(73)，得到最优解
步骤3)根据第2步得到的主问题的最优决策变量，求解子问题得到最优解
步骤4)如果ub-lb≤ε，则得到最优解
下面说明几种依据上述优化方法的验证实例。
在一种典型的eh中，eh中的能量转换器和储能设施的参数如表1所示。
表1
eh采购天然气和向客户收费的价格完全确定，并且在rt市场中保持不变。其中使用的24小时能源价格和需求数据如图5和图6所示。
在该实施例中，利用美国电力市场中西部地区的rt市场价格和负荷需求数据，预测当日rt价格的相应不确定性区间。样本数据范围为2018年6月6日至2018年10月7日，共124天。每个数据样本的时间间隔为一小时。因此，我们的预测总共有74400个时间点可用。
为了测试估计区间的性能，我们通过计算不确定区间的平均覆盖误差(ace)和区间分数[25]来评估不确定区间的可靠性和锐度。
1)可靠性
可靠性是描述预测区间正确性的重要特征。通过覆盖概率直接反映估计区间的可靠性。可靠性高，预测区间应尽可能接近相应的名义概率。因此，可用覆盖概率和名义概率之间的差异来量化预测区间的可靠性。
其中
2)锐度
通过增加预测区间的宽度，可以很容易地满足高可靠性的要求，但这对于实际应用是毫无意义的。因此，有必要计算区间分数来评估预测区间的锐度。
其中
在上述公式(76)-(79)中，
在上述实施例中，我们在一台pc上通过matlab实现了基于lstm的预测(with3.20ghzintelcorei7,8gbram).
下面说明在实例验证过程中的预测结果
首先说明在区间预测上的性能。在本发明中，我们提出了一个基于lstm的自助法来预测我们的ro模型的不确定区间。为了评价所提出方法的有效性，我们将所提出的方法得到的结果与传统的ro区间设定方法得到的结果进行了比较。具体来说，在传统的ro中，不确定区间是通过在不确定因素的预期值周围添加一个预先规定的偏差来确定的，该偏差可以表示为：
表2给出了lstm引导法和常规区间法得到的不确定区间的ace和置信区间，置信水平分别为80％、90％和99％。
表二
可见，在相同的置信水平下，lstm引导方法的ace绝对值小于传统方法的绝对值。这表明基于lstm自助的预测区间的覆盖概率比基于常规方法的预测区间更接近于名义概率。由于基于lstm自助的预测区间是从与预测模型相关的一个大误差集中反复采样得到的，从而量化了实际的点预测误差，因此，该方法预测的不确定区间具有较高的可靠性。此外，在相同置信水平下，lstm自助法的区间分数也高于传统区间法，这表明基于lstm自助法的预测区间(包含更多不确定变量的实际值)具有更好的清晰度。这是因为在所提出的方法中，lstm的点预测所产生的误差可以通过引导方法进行修正和量化。然而，在常规方法中，lstm的预测结果直接被视为不确定性变量的期望值，而不考虑点预测的误差。因此，从可靠性和清晰度两个方面来看，该方法在区间预测中具有更令人满意的性能。
下面说明第二实施例。为了进一步验证基于lstm自助法的预测结果的有效性，采用本发明提出的方法和常规方法，对美国中西部地区2018年10月1日24小时rt价格区间进行了估算。预测区间的置信水平(β)取90％。可以看出，如图7所示，在相同的置信水平(90％)下，基于lstm引导的预测区间的覆盖范围不仅覆盖了24小时rt价格的几乎所有实际值，而且还小于传统的基于常规方法的预测区间，特别是在8-11小时和17-19小时。这进一步说明了该方法的可靠性和准确性。另外，值得注意的是，lstm引导法预测的上下界沿点预测曲线不对称，而常规方法预测的上下界是对称的。这种对比表明，在所提出的方法中，可以通过自助法来考虑点预测模型的实际误差，以近似误差的总体分布，但在常规方法中，点预测误差仅通过粗略假设确定的偏差范围(10％)来量化。因此，考虑到lstm预测模型的实际误差分布，采用lstm自助法预测不确定区间更为准确和合理。
下面说明两阶段ro策略对不确定性区间的预测的影响。
本文提出了一种以最小运行成本为目标的两阶段ro方法来获得所述eh的能量调度策略。为了验证所提出方法的有效性，考虑并比较了三种情况，如表3所示。
表3
具体地说，在案例1中，我们考虑了一种不考虑不确定变量潜在影响的确定性优化方法，并且所有24小时rt电价在优化前都是已知的。因此，案例1作为基本案例，反映了无不确定性eh的最优运行方案。相反，在案例1和案例2中，考虑了不确定性的影响。采用常规方法和lstm自助法对rt市场一天24小时不确定区间进行预测。同时，根据预测的时间间隔，在案例2和案例3中都采用了所建议的两阶段ro方法，以获得所关注的eh最经济的调度策略。为简单起见，本试验中24小时rt市场价格的不确定性区间与基于常规和lstm引导法的图6的预测结果相同。
在上述情况下，基于表4所示的两阶段rro方法，计算所述eh一天的运营成本和净利润。
表4
可见，不确定性的加入会增加eh的运营成本，并减少净利润。其原因是，在不确定区间内，在最差实现条件下，得到了案例2和案例3两阶段鲁棒模型的最优结果。此外，案例3与案例1的运营成本和净利润之差小于案例2与案例1的运营成本和净利润之差。结果表明，保守性较低的案例3的优化结果更接近确定性优化结果。从而进一步验证了该方法估计不确定区间的准确性。
此外，为了说明所提出的方法对eh运行的影响，根据上述情况，计算了所述eh中电能和热能分配的相应优化结果，如图8至图13所示。
从图8可以看出，由于chp装置的天然气电转换成本较高，主电网的电力供应大部分电力负荷和eb。此外，当电价较低时(1-13小时和22-24小时)，eb从主电网购买更多电力。而热电联产机组由于天然气发电转换效率低，几乎不能满足用电需求。随着电价的上涨，热电联产发电量的增长是为了满足frp的需求，同时也是部分用电负荷(16-21小时)，而电子束发电系统在电价高峰期间消耗的电更少，甚至停止工作，以控制运营成本。
案例1的热能调度结果如图9所示。可以看出，eb提供的热能以较低的能源价格(1-8小时和20小时)储存，以较高的能源价格(14-18小时)排放。此外，当电价低于天然气价格时(1-5小时和7-14小时)，热负荷主要由eb提供。然而，当电价高于天然气价格(16-21小时)时，热负荷主要由热电联产机组和蓄热器提供。这表明，电力与天然气的价差对热电联产机组和电子束系统的热力调度效果有重要影响。此外，在6小时和22-24小时，虽然电价高于天然气，但由于eb的高效性，eb仍然用于提供更多的热负荷。这表明，电能质量优化调度方案不仅受能源价格的影响，还受设备能量转换效率等其他因素的影响。
如图8和图10所示，案例2的电力调度结果与确定性优化结果相似。只有在电价高峰时期(17-19小时)，考虑到rt电价的最差实现，案例2的chp机组比案例1产生更多的电力来分担负荷压力。然而，如图9和图11所示，案例2的热能分配结果与确定性优化结果的差异更大，其中蓄热器每小时的放电时间和热输出变化很大。由此可见，由于电能与热能的耦合作用，电价的不确定性对供热系统的运行有很大的影响。
案例3的电量和热量分配结果分别如图12和图13所示。能源供需总体平衡。就像案例1和案例2一样，在波谷电价期间，eb消耗更多的电力来为蓄热器充电。在电价高峰时期，蓄热器排放热量以满足供热需求。此外，随着电价和电价之间的差异增加，热电联产机组产生更多的热量(电价更高)，电子商务系统消耗更多的电力(天然气价格更高)。此外，与图8-9和图12-13相比，案例3的电力和热力调度方案与确定性调度方案基本相同。因此，案例3的最优调度方案不太保守，更符合实际情况。
下面说明eh提供frp的效果
本发明特别考虑了frp在eh优化运行方案中的参与，以最大限度地提高eho的利润。为了说明frp对eh操作的影响，本节进行了比较研究。为了避免冗余，采用上述案例3的优化结果来表示有frp参与的调度方案，如图12-图13所示。图14-图15说明了不参与frp的调度策略。
与图11和图14相比，chp装置在电价高峰期(16-20小时)消耗更多的天然气发电，而不提供frp。此外，电子束的大部分电消耗集中在电力负荷需求的谷期(1-6小时和23-24小时)。因此，无论是否提供frp，都可以得到eh合理的电力调度策略。然而，在eh的热能分配结果中，有和没有提供frp之间的差异更大，如图13和图15所示。如图15所示，在不提供frp的情况下，在天然气价格高峰期(14-18小时)，chp装置仍然需要消耗大量的天然气来供应热负荷，因为在热负荷的某些高峰期没有蓄热作为备用。如图13所示，这种不适当的调度方案被纠正为eh提供frp。因此，由于各种能量载体的相互作用，frp不仅对电力系统有影响，而且对其他能量(热)系统也有影响。通过比较可以看出，frp有助于合理分配和利用能源。
对于环境和健康组织来说，frp市场的参与为更灵活地利用电能和热能提供了一种途径，这将有助于提高未来能源系统的运行效率。
总之，本发明提供一种基于区间预测的能源枢纽鲁棒优化方法，用于确定联合能源/匝道市场中住宅级能源枢纽的最优运行策略。与现有的技术方案相比，本发明基于区间预测的方法，结合长短期记忆(lstm)回归神经网络和自助法技术来确定在ro公式中使用的不确定区间。与传统的基于经验的区间设置方法相比，该方法通过深入了解历史数据的值，反映点预报结果在其估计中的真实误差分布，有助于降低ro解的保守性水平。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
1)在充分考虑潜在不确定性(即rt电价)的影响的前提下，提出了一个两阶段ro模型，确定联合能源和扩张市场中eh的最优运营策略。
2)提出了一种结合基于lstm的rnn和自助策略的预测技术，用于确定本发明中考虑的不确定性区间。与经验预测区间相比，该不确定性区间充分利用了历史数据的值，近似预测结果的真实误差分布，从而为不确定性的统计特性提供了更准确的估计，使决策者能够获得更现实的ro解决方案。
3)采用柱约束生成算法，对所提出的两阶段ro模型进行了高效的求解。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
1.一种基于区间预测的能源枢纽鲁棒优化方法，其特征在于，该装置包括：
确定能源枢纽优化所考虑的因素并根据各因素之间的关系建立成本最低函数关系；
在所述成本最低函数关系上引入与实时市场价格相关的不确定性，构建两阶段鲁棒优化ro模型；
利用长短期记忆lstm回归神经网络确定两阶段鲁棒优化ro模型中使用的不确定区间；
利用柱约束生成c&cc算法对所述鲁棒优化ro模型进行求解，得到最优化解，进而确定能源枢纽调度方案。
2.根据权利要求1所述的方法，其特征还在于，利用长短期记忆lstm回归神经网络确定两阶段鲁棒优化ro模型中使用的不确定区间，具体包括：
对不同时间单位的历史电价时间信息、电力负荷进行归一化，然后构建输入矩阵；
将所述输入矩阵输入到长短期记忆lstm回归神经网络，所述长短期记忆lstm回归神经网络基于输入矩阵进行学习过程，直到lstm回归神经网络的预测结果与实际值之间的差小于预定阈值；
基于学习后的长短期记忆lstm回归神经网络预测某一时刻的电价的区间范围。
3.根据权利要求2所述的方法，其特征还在于，该方法包括：量化所预测的某一时刻的电价的区间范围。
4.根据权利要求4所述的方法，其特征还在于，量化所预测的某一时刻的电价的区间范围，具体包括：
步骤1)根据训练数据样本{(x1,y1),(x2,y2),…,(xn,yn)}，在学习后的lstm中获得相应的权重和偏差；通过基于lstm的输入矩阵计算出y1,y2,…,yn的估计值，表示为
步骤2)计算估计误差：
步骤3)通过下式消除系统误差：
步骤4)以1/n的概率从
其中η1,η2,…,ηn遵循平均值和单位方差为零的均匀分布
步骤5)根据训练得到的lstm模型和由已知历史信息组成的输入变量，预测t时刻所需的输出变量，表示为yt；
步骤6)根据新训练样本
步骤7)重复步骤4-7以在t时刻获得β个所需的输出变量；
步骤8)将β个yt由小到大进行重新排列，得到q(1),q(2),…,q(β，得到yt的100(1-α)％预测区间如下
rt电价的具体不确定区间如下：
yt是一个泛指的变量，在yt表示具体的电价变量时用λe,t表示。
5.根据权利要求1或2所述的方法，其特征还在于，利用柱约束生成c&cc算法对所述ro模型进行求解，得到最优化解，包括：将鲁棒优化ro模型分解为主问题和子问题；求解主问题，得到两阶段ro模型的下界，求解子问题，得到两阶段ro模型的上界。
6.根据权利要求1所述的方法，其特征还在于，利用柱约束生成c&cc算法对所述ro模型进行求解，得到最优化解，具体包括：
步骤1)假设ro模型的上界和下界分别为 ∞和-∞，并给出一组不确定变量的初值；
步骤2)解决主问题，其中主问题引入了与子问题相关联的变量和约束，得到最优解
步骤3)根据第2步得到的主问题的最优决策变量，求解子问题得到最优解
步骤4)如果ub-lb≤ε，则得到最优解
