一种计及光伏不确定性的牵引供电系统能量管理优化运行方法与流程

本发明涉及一种计及光伏不确定性的牵引供电系统能量管理优化运行方法。

背景技术：

高速列车起止时产生的巨大再生制动能量，可以通过蓄电池与超级电容器组合的混合储能装置实现列车再生制动能量的吸收和再利用。同时，高速铁路沿线往往拥有丰富可利用的光能，引入光伏发电系统可以有效提高能源利用率，同时减小电气化铁路碳排放量，提高牵引供电系统的安全稳定性、经济性和环保性。

在安全性方面，高速铁路与重载铁路的快速发展，使电气化铁路中以负序为主的电能质量问题日益显著。同时传统三相牵引系统存在大量电分相，经过时列车速度损失严重，伴随的过电压、拉弧等电气暂态过程增加了牵引供电系统接触网故障的风险，严重影响和制约了高速、重载铁路的运行和发展。

在经济性方面，电气化铁路牵引负荷的随机波动性、冲击性和不对称性以及国家标准对牵引变压器过负荷能力的严格要求，是对牵引供电系统稳定性与可靠性的巨大威胁和挑战，也极大增加了能源成本。为减少能源成本，可通过由蓄电池与超级电容器组合的混合储能装置充分利用高速列车再生制动能量，同时引入并就近消纳潜在的可再生能源(例如太阳能)，减小电气化铁路碳排放量。

光伏输出功率及牵引负荷具有极强的随机性和波动性，日变化阈值波动较大，会对同相牵引供电系统带来诸多不利影响。对单个变电站，较大不确定性可能导致潮流控制器与牵引变压器过负荷运行，威胁列车的安全稳定运行；对贯通式同相牵引供电系，较大不确定性可能影响不同同相牵引变电所之间的电能交互，降低内部的能源利用效率，甚至引起更大范围的不稳定运行并造成经济损失。

中国专利文献公开了“一种含光伏和储能的轨道交通供电系统能量优化方法”(cn201811333175.9)，它包括：步骤1：数据初始化，主要包括轨道交通牵引供电力系统能量优化模型和改进粒子群算法所涉及的各类参数；步骤2：建立轨道交通能量优化模型，包括光伏发电模型、储能模型和轨道交通牵引供电系统模型，并以经济性最优即运行成本最低为目标，设置优化目标函数和相应约束条件；步骤3：采用改进粒子群算法求解本系统的能量管理模型，通过迭代寻优，找出光伏发电、储能和大电网的最佳出力点。

技术实现要素：

为解决上述问题，本发明的目的是提供一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，旨在保证牵引供电系统安全运行前提下减少运行成本。

本发明的目的是这样实现的：一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，包括以下步骤：

步骤1：获取牵引变电所负荷过程数据和地区日内光伏出力数据曲线；

步骤2：根据电费参数和步骤1得到的牵引变电所负荷过程数据和地区日内光伏出力数据曲线，建立优化模型的目标函数；

步骤3：根据混合储能装置和光伏系统的功率容量参数、三相电压不平衡度国标参数，基于步骤1得到的牵引变电所负荷过程数据和地区日内光伏出力数据曲线，建立优化模型的约束条件；

步骤4：根据信息间隙决策理论椭球约束模型，结合步骤2得到的目标函数和步骤3得到的约束条件，提出基于混合整数线性规划模型的牵引供电系统能量管理优化运行方法；

步骤5：求解步骤4得到的混合整数线性规划模型，得到鲁棒决策或机遇决策下混合储能装置最优充放电功率，光伏最优并网功率、潮流控制器中背靠背变流器最优潮流功率，即完成计及光伏不确定性的牵引供电系统优化运行方法。

所述步骤2中的目标函数为：

式中：tcmin为目标函数，表示确定条件下牵引变电所日电费成本，t为时间段,c^buy为电度电费单价，c^demand为需量电费单价，c^pv为光伏发电单位成本，c^sell为售电单价，c^bat为电池充放电电价，c^uc为超级电容充放电电价；为单位时间段内牵引供电系统平均负荷，为单位时间段内由公共电网输入到牵引供电系统的有功功率，为单位时间段内光伏发电的有功输出，为单位时间段内由牵引供电系统反馈至公共电网的有功功率，为单位时间段内电池的放电功率，为单位时间段内电池的充电功率，为单位时间段内超级电容的放电功率，为单位时间段内超级电容的充电功率，δt为单位时间段长度，t为一天内总的时间段数；

其中所述步骤3中的约束条件包括功率平衡约束、混合储能系统约束、光伏发电约束、背靠背变流器约束、三相电压不平衡度约束。

所述步骤3中约束条件如下：

功率平衡约束条件：

p^grid-p^sell＝p^t,pos-p^t,neg p^a,pos-p^a,neg(2)

p^a,pos-p^a,neg p^bat,disc-p^bat,charge p^uc,disc-p^uc,charge p^pv＝p^b(3)

p^t,pos-p^t,neg p^b＝p^l,pos-p^l,neg(4)

q^b＝q^l,pos-q^l,neg(5)

式中：p^grid为由公共电网输入到牵引供电系统的有功功率，p^sell为由牵引供电系统反馈至公共电网的有功功率，p^t,pos、p^t,neg分别为单相牵引变压器的正、反方向有功功率，p^a,pos、p^a,neg分别为背靠背变流器α相的正、反方向有功功率，p^b为背靠背变流器β相的有功功率；

p^bat,disc为电池的放电功率，p^bat,charge为电池的充电功率，p^uc,disc为超级电容的放电功率，p^uc,charge为超级电容的充电功率，p^pv为光伏发电的有功功率；

p^l,pos为牵引负荷的有功功率，p^l,neg为再生制动的有功功率；

q^b为背靠背变流器β相的无功功率，q^l,pos为牵引负荷的无功功率，q^l,neg为再生制动的无功功率；

混合储能系统约束条件：

式中：ε^bat为电池的自放电率，ε^uc为超级电容的自放电率，η^bat,disc为电池的放电效率，η^bat,charge为电池的充电效率，η^uc,disc为超级电容的放电效率，η^uc,charge为超级电容的充电效率，δt为单位时间段，为电池在t 1时间段储存的电能，为电池在t时间段储存的电能；为超级电容在t 1时间段储存的电能，为超级电容在t时间段储存的电能；

式中：为电池额定功率，为超级电容额定功率，soc^bat为电池最小荷电状态，为电池最大荷电状态，为电池额定容量，为超级电容额定容量，为t-1时段电池储存的电能，为t-1时段超级电容储存的电能，soc^uc为超级电容最小荷电状态，为超级电容最大荷电状态；

式中：为每日初始时段电池储存的电能，为每日最后时段电池储存的电能，为每天初始荷电状态，为每日初始时段超级电容储存的电能，为每日最后时段超级电容储存的电能，为超级电容每天初始荷电状态；和均为二进制变量；

光伏发电约束：

0≤p^pv≤s^pv(13)

式子中：s^pv为光伏逆变器容量；

背靠背变流器约束：

式中：s^a为背靠背变流器α相的容量，s^b为背靠背变流器β相的容量；为背靠背变流器α相有功功率最大值，和均为二进制变量，分别为单位时间内背靠背变流器α相的正、反方向有功功率，分别为单位时间内背靠背变流器β相的正、反方向有功功率，分别为单位时间内背靠背变流器β相的正、反方向无功功率；

三相电压不平衡度约束：

式中：εu为牵引变电所电网侧三相电压不平衡度，us为电网侧线电压，s为电网侧线短路容量，为国标中三相电压不平衡度上限值，为电网侧负序电流，u^t为牵引变压器出口处电压，u^α为背靠背变流器α相出口处电压，n1为单相牵引变压器变比，n2为高压匹配变压器变比，为单位时间单相牵引变压器有功功率，单位时间背靠背变流器α相有功功率，j为虚数单位，αj为复数算子e^j120°，为单相牵引变压器的电压电流相角差，为背靠背变流器α相的电压电流相角差，it为牵引变压器电流，iα为背靠背变流器α相电流。

所述步骤4中混合整数线性规划模型如下：

信息间隙决策理论椭球约束模型为下式：

g(p^pv)＝(p^pv-p^pv,^forecasted)^tc^-1(p^pv-p^{pv,forecasted)}≤α²(21)

式中：g(p^pv)为信息间隙决策理论椭球约束模型，p^pv为光伏发电的有功功率，p^pv,^forecasted为地区日内光伏出力数据曲线下光伏发电有功功率预测值，(p^pv-p^{pv,forecasted})^t为光伏发电的有功功率与地区日内光伏出力数据曲线下光伏发电有功功率预测值差值的转置矩阵，α为不确定性参数，即光伏发电有功功率偏差系数，c为光伏出力数据协方差矩阵，由步骤1所得地区光伏出力数据计算得出，c^-1为光伏出力数据协方差矩阵的逆矩阵；

鲁棒决策模型如下：

tcmin≤fr(23)

机遇决策模型如下：

tcmin≤fo(26)

式中：c^pv为光伏发电单位成本，fr为鲁棒决策下的日电价消费，fo为机遇决策下的日电价消费，α和β分别为鲁棒决策下和机遇决策下的光伏发电有功功率偏差系数，为鲁棒决策下的最大估计偏差，为机遇决策下的最小估计偏差，c^t为光伏出力数据协方差矩阵的转置矩阵,(c^pv)^t为光伏发电单位成本的转置矩阵。

本发明的有益效果为：

本发明针对牵引供电系统接入光伏发电系统以及混合储能系统情景，考虑使用信息间隙决策理论解决日内光伏不确定性问题，根据光伏出力预测数据实现对牵引供电系统优化运行给出鲁棒决策和机遇决策，降低光伏不确定性给系统带来的影响，提高牵引供电系统安全性和稳定性，降低铁路运营电费成本。同时考虑三相电压不平衡度指标等约束，保证其达到国家标准，使该牵引供电系统能量管理运行方法为最优策略的同时更为贴近实际情况，为未来电气化铁路中不确定性情况下储能系统和光伏发电系统的接入与工程应用提供基础。

本发明有助于实现电气化铁路的安全、高效和高质运行，尤其在可再生能源丰富、负载阈值范围较大的铁路路段(例如川藏铁路路段)拥有极高的实际应用价值。

附图说明

图1为本发明中光伏和混合储能装置接入的牵引供电系统示意图。

图2为本发明中信息间隙决策理论流程示意图。

图3为本发明流程示意图

图4为本发明中鲁棒系数、机遇系数和最终投入总成本关系曲线图。

图5为本发明中鲁棒决策和机遇决策与传统方法(不考虑光伏不确定性)的某日的日内光伏出力曲线图。

具体实施方式

图1中，1-牵引变压器，2-潮流控制器，3-背靠背变流器α相，4-直流环节，5-背靠背变流器β相，6-混合储能装置。

下面结合附图和具体实例对本发明做进一步说明。

本发明针对的牵引供电系统结构如图1所示，一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，包括如下步骤，如图2所示：

步骤1：输入牵引变电所负荷过程数据；

输入地区日内光伏出力数据曲线。

步骤2：根据电费参数，建立优化模型的目标函数；电费参数包括电度电费、需量电费、光伏发电成本以及售电收入。

目标函数表达式如下：

式中：tcmin为目标函数，表示确定条件下牵引变电所日电费成本，t为时间段,c^buy为电度电费单价，c^demand为需量电费单价，c^pv为光伏发电单位成本，c^sell为售电单价，c^bat为电池充放电电价，c^uc为超级电容充放电电价；为单位时间段内牵引供电系统平均负荷，为单位时间段内由公共电网输入到牵引供电系统的有功功率，为单位时间段内光伏发电的有功输出，为单位时间段内由牵引供电系统反馈至公共电网的有功功率，为单位时间段内电池的放电功率，为单位时间段内电池的充电功率，为单位时间段内超级电容的放电功率，为单位时间段内超级电容的充电功率；δt为单位时间段长度，t为一天内总的时间段数。

步骤3：根据混合储能系统和光伏系统的功率容量参数、三相电压不平衡度国标参数，基于步骤1得到的牵引变电所负荷过程数据和地区日内光伏出力数据曲线，建立优化模型的约束条件。

其中约束条件包括功率平衡约束、混合储能系统约束、公共电网功率约束、光伏发电约束、背靠背变流器约束、三相电压不平衡度约束。

约束条件如下：

功率平衡约束条件：

p^grid-p^sell＝p^t,pos-p^t,neg p^t,pos-p^a,neg(2)

p^a,pos-p^a,neg p^bat,disc-p^bat,charge p^uc,disc-p^uc,charge p^pv＝p^b(3)

p^t,pos-p^t,neg p^b＝p^l,pos-p^l,neg(4)

q^b＝q^l,pos-q^l,neg(5)

式中：p^grid为由公共电网输入到牵引供电系统的有功功率，p^sell为由牵引供电系统反馈至公共电网的有功功率，p^t,pos、p^t,neg分别为单相牵引变压器的正、反方向有功功率，p^a,pos、p^a,neg分别为背靠背变流器α相的正、反方向有功功率，p^b为背靠背变流器β相的有功功率；

p^bat,disc为电池的放电功率，p^bat,charge为电池的充电功率，p^uc,disc为超级电容的放电功率，p^uc,charge为超级电容的充电功率，p^pv为光伏发电的有功功率；

p^l,pos为牵引负荷的有功功率，p^l,neg为再生制动的有功功率；

q^b为背靠背变流器β相的无功功率，q^l,pos为牵引负荷的无功功率，q^l,neg为再生制动的无功功率；

混合储能系统约束条件：

式中：ε^bat为电池的自放电率，ε^uc为超级电容的自放电率，η^bat,disc为电池的放电效率，η^bat,charge为电池的充电效率，η^uc,disc为超级电容的放电效率，η^uc,charge为超级电容的充电效率，δt为单位时间段，为电池在t 1时间段储存的电能，为电池在t时间段储存的电能；为超级电容在t 1时间段储存的电能，为超级电容在t时间段储存的电能；

式中：为电池额定功率，为超级电容额定功率，soc^bat为电池最小荷电状态，为电池最大荷电状态，为电池额定容量，为超级电容额定容量，为t-1时段电池储存的电能，为t-1时段超级电容储存的电能，soc^uc为超级电容最小荷电状态，为超级电容最大荷电状态；

式中：为每日初始时段电池储存的电能，为每日最后时段电池储存的电能，为每天初始荷电状态，为每日初始时段超级电容储存的电能，为每日最后时段超级电容储存的电能，为超级电容每天初始荷电状态；和均为二进制变量；

光伏发电约束：

0≤p^pv≤s^pv(13)

式子中：s^pv为光伏逆变器容量；

背靠背变流器约束：

式中：s^a为背靠背变流器α相的容量，s^b为背靠背变流器β相的容量；为背靠背变流器α相有功功率最大值，和均为二进制变量，分别为单位时间内背靠背变流器α相的正、反方向有功功率，分别为单位时间内背靠背变流器β相的正、反方向有功功率，分别为单位时间内背靠背变流器β相的正、反方向无功功率；

三相电压不平衡度约束：

式中：εu为牵引变电所电网侧三相电压不平衡度，us为电网侧线电压，s为电网侧线短路容量，为国标中三相电压不平衡度上限值，为电网侧负序电流，u^t为牵引变压器出口处电压，u^α为背靠背变流器α相出口处电压，n1为单相牵引变压器变比，n2为高压匹配变压器变比，为单位时间单相牵引变压器有功功率，单位时间背靠背变流器α相有功功率，j为虚数单位，αj为复数算子e^j120°，为单相牵引变压器的电压电流相角差，为背靠背变流器α相的电压电流相角差，it为牵引变压器电流，iα为背靠背变流器α相电流。

所述步骤4中混合整数线性规划模型如下：

信息间隙决策理论椭球约束模型为下式：

g(p^pv)＝(p^pv-p^{pv,forecasted})^tc^-1(p^pv-p^{pv,forecasted})≤α²(21)

式中：g(p^pv)为信息间隙决策理论椭球约束模型，p^pv为光伏发电的有功功率，p^{pv,forecasted}为地区日内光伏出力数据曲线下光伏发电有功功率预测值，(p^pv-p^{pv,forecasted})^t为光伏发电的有功功率与地区日内光伏出力数据曲线下光伏发电有功功率预测值差值的转置矩阵，α为不确定性参数，即光伏发电有功功率偏差系数，c为光伏出力数据协方差矩阵，由步骤1所得地区光伏出力数据计算得出，c^-1为光伏出力数据协方差矩阵的逆矩阵；

鲁棒决策模型如下：

tcmin≤fr(23)

机遇决策模型如下：

tcmin≤fo(26)

式中：c^pv为光伏发电单位成本，fr为鲁棒决策下的日电价消费，fo为机遇决策下的日电价消费，α和β分别为鲁棒决策下和机遇决策下的光伏发电有功功率偏差系数，为鲁棒决策下的最大估计偏差，为机遇决策下的最小估计偏差，c^t为光伏出力数据协方差矩阵的转置矩阵,(c^pv)^t为光伏发电单位成本的转置矩阵。

经过仿真计算后，其结果如表1所示。

表1优化结果：

表1展现了三种方法下的单个牵引变电所的计算结果，根据表1可知，考虑光伏不确定性的牵引供电系统能量管理优化方法，其机遇决策每日电费成本远小于传统牵引供电系统优化方法和不考虑光伏不确定性下接入光伏发电系统的传统牵引供电系统优化方法，成本分别减少了50.54％和25％。本发明方法中更侧重系统稳定性的鲁棒决策，即系统最恶劣运行条件下，其每日电费成本远小于传统牵引供电系统优化方法，成本减少17.56％，同时相较于不考虑光伏不确定性下接入光伏发电系统的传统牵引供电系统优化方法，该优化运行方法更具鲁棒性，系统运行更安全稳定。

本发明采用的信息间隙决策理论所产生的鲁棒决策和机遇决策，通过输入设定目标最终投入总成本，获取相应的系统鲁棒系数α与机遇系数β的值，为决策者提供决策意见。

经仿真计算，鲁棒系数、机遇系数和最终投入总成本关系曲线，结果如图4所示。

经仿真计算，鲁棒决策和机遇决策与传统方法(不考虑光伏不确定性)的某日的日内光伏出力曲线，结果如图5所示。

技术特征：

1.一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，其特征在于，包括以下步骤：

步骤1：获取牵引变电所负荷过程数据和地区日内光伏出力数据曲线；

步骤2：根据电费参数和步骤1得到的牵引变电所负荷过程数据和地区日内光伏出力数据曲线，建立优化模型的目标函数；

步骤3：根据混合储能装置和光伏系统的功率容量参数、三相电压不平衡度国标参数，基于步骤1得到的牵引变电所负荷过程数据和地区日内光伏出力数据曲线，建立优化模型的约束条件；

步骤4：根据信息间隙决策理论椭球约束模型，结合步骤2得到的目标函数和步骤3得到的约束条件，提出基于混合整数线性规划模型的牵引供电系统能量管理优化运行方法；

步骤5：求解步骤4得到的混合整数线性规划模型，得到鲁棒决策或机遇决策下混合储能装置最优充放电功率，光伏最优并网功率、潮流控制器中背靠背变流器最优潮流功率，即完成计及光伏不确定性的牵引供电系统优化运行方法。

2.根据权利要求1所述的一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，其特征在于，所述步骤2中的目标函数为：

式中：tcmin为目标函数，表示确定条件下牵引变电所日电费成本，t为时间段,c^buy为电度电费单价，c^demand为需量电费单价，c^pv为光伏发电单位成本，c^sell为售电单价，c^bat为电池充放电电价，c^uc为超级电容充放电电价；为单位时间段内牵引供电系统平均负荷，为单位时间段内由公共电网输入到牵引供电系统的有功功率，为单位时间段内光伏发电的有功输出，为单位时间段内由牵引供电系统反馈至公共电网的有功功率，为单位时间段内电池的放电功率，为单位时间段内电池的充电功率，为单位时间段内超级电容的放电功率，为单位时间段内超级电容的充电功率，δt为单位时间段长度，t为一天内总的时间段数；

其中

3.根据权利要求1所述的一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，其特征在于，所述步骤3中的约束条件包括功率平衡约束、混合储能系统约束、光伏发电约束、背靠背变流器约束、三相电压不平衡度约束。

4.根据权利要求3所述的一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，其特征在于，所述步骤3中约束条件如下：

功率平衡约束条件：

p^grid-p^sell＝p^t,pos-p^t,neg p^a,pos-p^a,neg(2)

p^a,pos-p^a,neg p^bat,disc-p^bat,charge p^uc,disc-p^uc,charge p^pv＝p^b(3)

p^t,pos-p^t,neg p^b＝p^l,pos-p^l,neg(4)

q^b＝q^l,pos-q^l,neg(5)

式中：p^grid为由公共电网输入到牵引供电系统的有功功率，p^sell为由牵引供电系统反馈至公共电网的有功功率，p^t,pos、p^t,neg分别为单相牵引变压器的正、反方向有功功率，p^a,pos、p^a,neg分别为背靠背变流器α相的正、反方向有功功率，p^b为背靠背变流器β相的有功功率；

p^bat,disc为电池的放电功率，p^bat,charge为电池的充电功率，p^uc,disc为超级电容的放电功率，p^uc,charge为超级电容的充电功率，p^pv为光伏发电的有功功率；

p^l,pos为牵引负荷的有功功率，p^l,neg为再生制动的有功功率；

q^b为背靠背变流器β相的无功功率，q^l,pos为牵引负荷的无功功率，q^l,neg为再生制动的无功功率；

混合储能系统约束条件：

式中：ε^bat为电池的自放电率，ε^uc为超级电容的自放电率，η^bat,disc为电池的放电效率，η^bat,charge为电池的充电效率，η^uc,disc为超级电容的放电效率，η^uc,charge为超级电容的充电效率，δt为单位时间段，为电池在t 1时间段储存的电能，为电池在t时间段储存的电能；为超级电容在t 1时间段储存的电能，为超级电容在t时间段储存的电能；

式中：为电池额定功率，为超级电容额定功率，soc^bat为电池最小荷电状态，为电池最大荷电状态，为电池额定容量，为超级电容额定容量，为t-1时段电池储存的电能，为t-1时段超级电容储存的电能，soc^uc为超级电容最小荷电状态，为超级电容最大荷电状态；

式中：为每日初始时段电池储存的电能，为每日最后时段电池储存的电能，为每天初始荷电状态，为每日初始时段超级电容储存的电能，为每日最后时段超级电容储存的电能，为超级电容每天初始荷电状态；和均为二进制变量；

光伏发电约束：

0≤p^pv≤s^pv(13)

式子中：s^pv为光伏逆变器容量；

背靠背变流器约束：

式中：s^a为背靠背变流器α相的容量，s^b为背靠背变流器β相的容量；为背靠背变流器α相有功功率最大值，和均为二进制变量，分别为单位时间内背靠背变流器α相的正、反方向有功功率，分别为单位时间内背靠背变流器β相的正、反方向有功功率，分别为单位时间内背靠背变流器β相的正、反方向无功功率；

三相电压不平衡度约束：

式中：εu为牵引变电所电网侧三相电压不平衡度，us为电网侧线电压，s为电网侧线短路容量，为国标中三相电压不平衡度上限值，为电网侧负序电流，u^t为牵引变压器出口处电压，u^α为背靠背变流器α相出口处电压，n1为单相牵引变压器变比，n2为高压匹配变压器变比，为单位时间单相牵引变压器有功功率，单位时间背靠背变流器α相有功功率，j为虚数单位，αj为复数算子e^j120°，为单相牵引变压器的电压电流相角差，为背靠背变流器α相的电压电流相角差，it为牵引变压器电流，iα为背靠背变流器α相电流。

5.根据权利要求1所述的一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，其特征在于，所述步骤4中混合整数线性规划模型如下：

信息间隙决策理论椭球约束模型为下式：

g(p^pv)＝(p^pv-p^{pv,forecasted})^tc^-1(p^pv-p^{pv,forecasted})≤α²(21)

式中：g(p^pv)为信息间隙决策理论椭球约束模型，p^pv为光伏发电的有功功率，p^{pv,forecasted}为地区日内光伏出力数据曲线下光伏发电有功功率预测值，(p^pv-p^{pv,forecasted})^t为光伏发电的有功功率与地区日内光伏出力数据曲线下光伏发电有功功率预测值差值的转置矩阵，α为不确定性参数，即光伏发电有功功率偏差系数，c为光伏出力数据协方差矩阵，由步骤1所得地区光伏出力数据计算得出，c^-1为光伏出力数据协方差矩阵的逆矩阵；

鲁棒决策模型如下：

tcmin≤fr(23)

机遇决策模型如下：

tcmin≤fo(26)

式中：c^pv为光伏发电单位成本，fr为鲁棒决策下的日电价消费，fo为机遇决策下的日电价消费，α和β分别为鲁棒决策下和机遇决策下的光伏发电有功功率偏差系数，为鲁棒决策下的最大估计偏差，为机遇决策下的最小估计偏差，c^t为光伏出力数据协方差矩阵的转置矩阵,(c^pv)^t为光伏发电单位成本的转置矩阵。

技术总结
本发明公开了一种计及光伏不确定性的牵引供电系统能量管理优化运行方法，包括以下步骤：步骤1：获取牵引变电所负荷过程数据和地区日内光伏出力数据曲线；步骤2：建立优化模型的目标函数；步骤3：建立优化模型的约束条件；步骤4：根据信息间隙决策理论，建立混合整数线性规划模型；步骤5：求解步骤4得到的模型，得到鲁棒决策和机遇决策下混合储能装置最优充放电功率，光伏最优并网功率、潮流控制器中靠背变流器最优潮流功率、系统运行总成本，即完成计及光伏不确定性的牵引供电系统优化运行方法。本发明可以有效降低光伏随机性和不确定性对牵引供电系统影响，提高系统的安全稳定性，减少电气化铁路电费成本，在不确定场景下为铁路部门提供决策意见。

技术研发人员：陈民武;黄晨;解炎山;王彦;廖人霖;李寅轩;刘元立;陈垠宇;肖迪文
受保护的技术使用者：西南交通大学
技术研发日：2020.03.07
技术公布日：2020.06.09