CN108734396A - 一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法 - Google Patents
一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法 Download PDFInfo
- Publication number
- CN108734396A CN108734396A CN201810469004.2A CN201810469004A CN108734396A CN 108734396 A CN108734396 A CN 108734396A CN 201810469004 A CN201810469004 A CN 201810469004A CN 108734396 A CN108734396 A CN 108734396A
- Authority
- CN
- China
- Prior art keywords
- load
- demand
- user
- energy
- bidded
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000295 complement effect Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000004048 modification Effects 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000009194 climbing Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000005619 thermoelectricity Effects 0.000 description 2
- ZWAJLVLEBYIOTI-OLQVQODUSA-N (1s,6r)-7-oxabicyclo[4.1.0]heptane Chemical compound C1CCC[C@@H]2O[C@@H]21 ZWAJLVLEBYIOTI-OLQVQODUSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,包括预测次日的负荷,并估算响应容量和成本,根据预测和估算的结果参与电力市场竞价;根据竞价所得负荷备用或削减计划,向用户发布削负荷时刻和待削减量;用户基于自身失负荷成本,进行需求侧的竞价;求解基于DSB和多能互补的优化决策模型,得到用户的削负荷量和CCHP的出力增发量,并向用户和CCHP下发调度指令。本发明基于需求侧竞价和多能互补的VPP互动调度机制,通过灵活调度FL和多能出力实现特定的削负荷目标,能够显著降低综合调度成本,实现多方共赢。
Description
技术领域
本发明涉及虚拟电厂互动调度技术领域,具体地说是一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法。
背景技术
近年来,随着智能配用电和需求响应(DR,Demand Response)技术的发展,虚拟电厂(Virtual Power Plant,VPP)相关技术与商业模式日趋成熟。VPP通过先进的测量、通讯技术和调度控制算法,能够超越物理拓扑结构的限制,将各类分布式资源(DistributedEnergy Re-sources,DERs)聚合为一个发电联合体。
与此同时,多能互补技术及能源转换技术(如CCHP、热泵、电转气等)的发展,使用户冷、热、电等多能源需求之间的相关性、耦合性更加密切,为基于多能互补的广义需求响应提供了广阔的发展空间。VPP的可控资源也将不再仅限于常规的可中断负荷、电动汽车等,也可包括利用用户的多能需求互补特性进行优化调度,实现综合用能优化。
目前国内外对于VPP的研究主要集中在优化调度与竞价策略上。其中前者主要是针对技术型VPP(Technical VPP,T-VPP),根据其中DER的出力特性,以运行成本最小化等为目标的优化调度问题;而后者是针对商业型VPP(Commercial VPP,C-VPP)参与市场竞价的策略研究,多是考虑VPP为价格接收者的理想情况。
上述对VPP调度的优化方案均从单一的约束因素进行建模,以获取调度策略,且没有考虑到多能源需求的相关性和耦合性对调度策略的影响,因此得到的调度策略具有片面性,调度成本高。
发明内容
本发明实施例中提供了一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,以解决现有技术中采用的调度策略成本高、考虑的调度影响因素不全面的问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,包括以下步骤:
预测次日的负荷,并估算响应容量和成本,根据预测和估算的结果参与电力市场竞价;
根据电力市场竞价所得负荷备用或削减计划,向用户发布削负荷时刻和待削减量;
用户基于自身失负荷成本,进行需求侧的竞价;
求解基于需求侧竞价和多能互补的优化决策模型,得到用户的削负荷量和CCHP的出力增发量,并向用户和CCHP下发调度指令。
进一步地,所述优化决策模型以对CCHP和用户总调度费用最小为优化目标,最小调度费用的表达式为:
式中n为用户数量,ΔLi,t为用户申报的削峰量,λb为用户报价,xi,t为状态变量,nh和nq分别为以热定电和以冷定电的CCHP数量,λH和λQ分别为热补偿价格和冷补偿价格,ΔHi,t和ΔQi,t分别为热出力变化量和冷出力变化量。
进一步地,所述最小调度费用满足用户需求侧竞价约束、CCHP产能约束、削峰指标约束、CCHP净削减电负荷约束、多能平衡负荷约束和用户削负荷约束。
进一步地,所述用户需求侧竞价约束通过需求侧竞价模型获得,所述需求侧竞价模型的构建过程为:
根据Q-Learning强化学习算法模拟用户的报价行为,获得报价策略;
根据Boltzmannε-greedy探索策略进行报价策略的选择,得到最优策略。
进一步地,所述根据Q-Learning强化学习算法模拟用户的报价行为,获得报价策略的具体过程为:
构建环境-可行域空间,将待削减总量N等分,边际电价M等分,S空间得到N*M种状态;
基于失负荷成本进行报价,得到可行域空间A和可选策略的数量na。
进一步地,所述根据Boltzmannε-greedy探索策略进行报价策略的选择,得到最优策略的具体过程为:
根据Boltzmann策略选择策略ar,并根据greedy策略选择策略ap;
生成随机数ε,若满足则选取策略ap,否则选取策略ar;
利用用户获得的即时回报更新Qt(s,a),并对Qt(s,a)仿真计算,在Qt(s,a)以概率1收敛于均衡状态时,对应的策略为最优策略。
进一步地,所述CCHP产能约束满足CCHP机组出力等于计划原产量与出力改变量的和,以及机组最小开停时间约束条件。
进一步地,所述削峰指标约束为ΔLt≥Lt,0-Lt,式中Lt,0为t时刻削减前的电负荷,Lt为t时刻削减后的电负荷,ΔLt为t时刻计划削负荷量。
进一步地,所述CCHP净削减电负荷约束为ΔPi,t-μHΔHi,t-μQΔQi,t≥0,t=1...T,式中ΔPi,t、ΔHi,t和ΔQi,t分别为机组i在t时刻发电量的改变量、热出力的改变量和冷出力的改变量,μH、μQ分别表示热耦合系统、冷耦合系统。
进一步地,所述用户削负荷约束为用户实际削负荷量不小于其申报的最小可中断量ΔLi,min,不大于最大可削减容量ΔLi,max,以及用户的负荷持续中断时间不能超过最大可中断时间。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
1、基于需求侧竞价和多能互补的VPP互动调度机制,通过灵活调度FL和多能出力实现特定的削负荷目标,能够显著降低综合调度成本,实现多方共赢。
2、通过引入DSB,鼓励用户间竞争,能够有效降低VPP的可中断补偿成本。同时多能需求响应能够对用户报价起到抑制作用,防止用户报价虚高。
3、通过刺激用户冷、热需求,改变CCHP出力,实现了多能需求响应,最终实现整体电负荷的削减,从而为系统提供备用或调频服务。
4、通过Q-Learning算法对用户的竞价行为进行了模拟,并以VPP收益最大化为目标,建立了基于DSB和多能互补的VPP优化决策模型,在考虑了多种约束条件的情况下,得到最优调度策略,提高最优调度策略的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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。
图1是本发明所述方法的流程示意图;
图2是CCHP机组的热电出力特征图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,VPP基于DSB(Demand Side Bidding,需求侧竞价)和多能互补的调度优化方法包括以下步骤:
S1,VPP预测次日的负荷,并根据用户终端手机的电、冷、热用能数据,对响应容量和成本进行估算,根据预测和估算的结果在日前能量或辅助服务市场中进行竞价;
S2,市场出清后,VPP根据竞价所得负荷备用或削减计划,向用户发布削负荷时刻和待削减量;
S3,用户基于自身失负荷成本,进行需求侧的竞价;
S4,VPP求解基于DSB和多能互补的优化决策模型,得到各时刻用户的削负荷量和CCHP的出力增发量,并向用户和CCHP下发调度指令。日内,用户和CCHO按照指令进行负荷削减或出力增发。当日计划完成后,VPP对用户和CCHP的响应情况进行结算。
C-VPP其以盈利为根本目的。在参与电力市场时,C-VPP基于负荷预测、可控资源等信息,在批发市场中进行竞价,获得一定的出力或削减计划,以及相应的收益。其类似于中间代理商,通过综合调度各类DERs来满足规定的出力或削减计划,并在内部进行收益的分配。
现有的竞价模式下,大多是将VPP看作价格接收者,其报价并不影响市场的价格水平,VPP在市场中报零价或较低的价格,以保证中标。这种模式可能导致VPP的收入不及成本。更合适的运营机制是VPP先预估成本,在市场中以高于成本的价格报价,中标后在内部按照响应成本分配收益,剩余为自身所得。
目前的VPP调度策略大多将用户可调负荷资源当作直接可控资源,忽略了用户的主观能动性和响应随机性。步骤S1中,采用需求侧竞价的方式,能通过用户间竞争降低DR支出成本;此外,用户根据自身意愿进行报价,避免了响应的不确定性。
另一方面,VPP通过给予用户热和冷的用能补贴,刺激用户冷热需求,可使原本以热(冷)定电而无法随意改变发电量的CCHP具备可控能力,并能降低综合用能成本。引入多能互补的DR后,VPP将进行需求侧竞价与多能互补的综合用能优化,进而确定最优调度计划。
VPP互动调度需要考虑包括用户侧FL(Flexible Load,柔性负荷)竞价模型、CCHP产能模型、ESS蓄放能模型的约束,下文先介绍各主体的模型,最后给出步骤S4中的VPP综合优化决策模型。
用户的多能负荷耦合模型是基于多能互补的需求响应的重要基础。尽管VPP的最终目标是削减电负荷,但通过多能互补的方式,使用户除了直接削减电负荷外,还可通过调节对冷、热的需求以间接削减电负荷。
考虑到用户电、热负荷的耦合性,用户的电负荷L可以表示为:
L=LE+LH+LQ (1)
LH/H=μH (2)
LQ/Q=μQ (3)
其中,LE为无耦合部分;H和Q分别代表热、冷负荷;LH和LQ分别为与热和冷具有耦合关系的部分,即用户热负荷H或冷负荷Q的变化会引起该部分电负荷的变化,耦合关系分别用耦合系数μH和μQ表示。
当耦合系数为正时,随着用户热(冷)负荷的增加,用户的电负荷也相应增加;当耦合系数为负时,随着用户热(冷)负荷的增加,电负荷反而减少,即为热、冷与电的互补效应。
类似于用户对电负荷的需求弹性,用户对冷、热的需求也具有弹性。即总体上需求量与价格呈负相关,但具有最低需求和饱和值;在模型中可通过分段函数的形式来表示。
步骤S3中,进行需求侧竞价的具体过程如下:
在竞价模式下,用户的报价将直接影响其可中断负荷的收益,因此用户需要确定最佳的报价策略。考虑到用户的报价行为具有较大的不确定性和学习性,本实施例中,应用Q-Learning强化学习算法来模拟用户的报价行为,并采用改进的Boltzmannε-greedy探索策略进行报价策略的选择。
应用Q算法需构建环境-可行域(S-A)空间。将待削减总量ΔL∈[ΔLmin,ΔLmax]N等分,将边际电价ρ∈[0,ρmax]M等分,其中Lmin和Lmax分别为最小和最大待削减量,ρmax为市场价格帽子。将ΔL与ρ综合考虑,则S空间共有N*M种状态。
用户基于失负荷成本进行报价,其可行域空间A为可能的偏离成本的报价集合,设可选策略的数量为na,则第i个策略可表示为:
其中,Amin和Amax分别为策略系数的最小和最大限制;若Amin=0,表示按成本报价。
设用户的失负荷成本为c,则对于某一确定的Ai,用户的最终报价λb=Ai·c。
采用改进的Boltzmannε-greedy探索策略选择报价策略。首先按照Boltzmann策略和greedy策略各选择一个策略ar和ap,分别如式(5)、(6)。随后生成一个随机数ε,若ε满足式(7)则选取策略ap,反之选取策略ar。
其中,Qt(s,a)为第t轮竞价时对应各状态s和各策略a的Q值;st和at为第t轮竞价时所处状态和所选策略;p(a|st)为s状态下选择策略a的概率;T为退火系数,采用等比降温策略进行更新。
选取竞价后该用户获得的卖电收益作为即时回报r,用于更新Qt(s,a),如式(8)。
其中,α是学习率;γ是未来收益的折扣系数。
随着仿真的不断进行,Qt(s,a)最终将以概率1收敛于均衡状态,代表该用户达到了最优策略。
CCHP产能模型以燃气轮机为电源的CCHP机组,其热、电出力特性见图2,机组以以热定电或以冷定电的方式运转,发电量由该工作状态下的热(冷)电比决定,热(冷)电比不是恒定值,随工作状态的不同而变化。根据图2所示的关系,可以写出CCHP热电出力关系如式(9-13)所示。
0≤Hi,t≤Hi,max (9)
-RE,D≤Pi,t+1-Pi,t≤RE,U (12)
-RH,D≤Hi,t+1-Hi,t≤RH,U (13)
其中,Hi,t为机组i在t时刻热出力;Hi,max为机组热出力最大值,Pi,max为机组最大发电量;RE,U、RE,D分别为发电量向上和向下爬坡率;RH,U、RH,D分别为产热量向上和向下爬坡率;等为系数,Pi,mid为热产量为0时的发电量。
调度前后,CCHP的原计划产量应与其出力改变量满足如下关系。
Hi,t=H0,i,t+ΔHi,t (14)
Qi,t=Q0,i,t+ΔQi,t (15)
Pi,t=P0,i,t+ΔPi,t (16)
其中,H0,i,t、Q0,i,t、P0,i,t分别为原计划产热量、产冷量、发电量。
此外,机组还需满足最小开停机时间约束,如式(17-18)。
其中,分别为机组i在时刻t已经连续运行或停机的时段数, 为最小连续运行时间和停机时间,为状态变量,当机组运转时为1,停机时为0。
步骤S4中的优化决策模型具体如下:
由于VPP报价策略与其他市场成员的行为具有强相关性,是各方博弈的结果,难以定量研究,因此本方法将市场出清价格作为既定量。为追求收益的最大化,基于DSB和多能互补的VPP调度决策模型,是在满足硬性削负荷指标的基础上,以VPP对CCHP和用户的总调度费用最小为优化目标,如下式所示。
其中,n为用户数量;ΔLi,t为用户申报的削峰量,λb为其报价,xi,t为状态变量,中标时为1,反之为0;nh和nq分别为以热定电和以冷定电的CCHP数量。
VPP在优化调度时,除考虑前述用户、CCHP的运行约束外,还需考虑一定的系统约束条件,如削疯指标约束、CCHP净削减电负荷约束、多能负荷平衡约束和用户削负荷约束。
1)削峰指标约束:
VPP在能量或辅助服务市场中获得的削负荷计划,在规定的时刻削减规定量负荷,约束可表示为
ΔLt≥Lt,0-Lt (20)
其中,Lt,0和Lt为t时刻削减前后的电负荷,ΔLt为t时刻计划削负荷量。
2)CCHP净削减电负荷约束
由于电、热、冷耦合特性的存在,使得通过多能互补的方式削减的负荷量不严格等于CCHP出力的增发量,甚至反而可能导致电负荷增加,因此需满足:
ΔPi,t-μHΔHi,t-μQΔQi,t≥0,t=1...T (21)
其中,ΔPi,t、ΔHi,t和ΔQi,t分别为机组i在t时刻发电量的改变量、热出力的改变量和冷出力的改变量,μH、μQ分别表示热耦合系统、冷耦合系统。
3)多能负荷平衡约束:
在VPP运行过程中,需保持电、热、冷多种能源供求的平衡,分别如式(22-24)。
其中,PG,t为t时刻VPP向外购电量,Pi,t为CCHP发电量。
其中,LH0,i,t和ΔLH,i,t为用户i在t时刻的原始热负荷量和变化量。
其中,LQ0,i,t和ΔLQ,i,t为用户i在t时刻的原始冷负荷量和变化量。
4)用户削负荷约束
VPP在优化时需要考虑用户报价的限制。用户实际削负荷量应不小于其申报的最小可中断量ΔLi,min,不大于其最大可削减容量ΔLi,max。
ΔLi,min≤ΔLi,t≤ΔLi,max (25)
用户的负荷持续中断时间不能超过最大可中断时间:
为用户i最大可中断时间;为其到t时刻为止已经持续中断的时间;为状态变量,当负荷中断时为1,反之为0。
公式(19)作为优化目标,在考虑系统约束条件和用户需求侧竞价、CCHP多能互补以及多能负荷耦合的情况下得到最优调度策略,实现多方共赢。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (10)
1.一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:包括以下步骤:
预测次日的负荷,并估算响应容量和成本,根据预测和估算的结果参与电力市场竞价;
根据电力市场竞价所得负荷备用或削减计划,向用户发布削负荷时刻和待削减量;
用户基于自身失负荷成本,进行需求侧的竞价;
求解基于需求侧竞价和多能互补的优化决策模型,得到用户的削负荷量和CCHP的出力增发量,并向用户和CCHP下发调度指令。
2.根据权利要求1所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述优化决策模型以对CCHP和用户总调度费用最小为优化目标,最小调度费用的表达式为:
式中n为用户数量,ΔLi,t为用户申报的削峰量,λb为用户报价,xi,t为状态变量,nh和nq分别为以热定电和以冷定电的CCHP数量,λH和λQ分别为热补偿价格和冷补偿价格,ΔHi,t和ΔQi,t分别为热出力变化量和冷出力变化量。
3.根据权利要求2所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述最小调度费用满足用户需求侧竞价约束、CCHP产能约束、削峰指标约束、CCHP净削减电负荷约束、多能平衡负荷约束和用户削负荷约束。
4.根据权利要求3所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述用户需求侧竞价约束通过需求侧竞价模型获得,所述需求侧竞价模型的构建过程为:
根据Q-Learning强化学习算法模拟用户的报价行为,获得报价策略;
根据Boltzmannε-greedy探索策略进行报价策略的选择,得到最优策略。
5.根据权利要求4所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述根据Q-Learning强化学习算法模拟用户的报价行为,获得报价策略的具体过程为:
构建环境-可行域空间,将待削减总量N等分,边际电价M等分,S空间得到N*M种状态;
基于失负荷成本进行报价,得到可行域空间A和可选策略的数量na。
6.根据权利要求5所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述根据Boltzmannε-greedy探索策略进行报价策略的选择,得到最优策略的具体过程为:
根据Boltzmann策略选择策略ar,并根据greedy策略选择策略ap;
生成随机数ε,若满足则选取策略ap,否则选取策略ar;
利用用户获得的即时回报更新Qt(s,a),并对Qt(s,a)仿真计算,在Qt(s,a)以概率1收敛于均衡状态时,对应的策略为最优策略。
7.根据权利要求3所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述CCHP产能约束满足CCHP机组出力等于计划原产量与出力改变量的和,以及机组最小开停时间约束条件。
8.根据权利要求3所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述削峰指标约束为ΔLt≥Lt,0-Lt,式中Lt,0为t时刻削减前的电负荷,Lt为t时刻削减后的电负荷,ΔLt为t时刻计划削负荷量。
9.根据权利要求3所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述CCHP净削减电负荷约束为ΔPi,t-μHΔHi,t-μQΔQi,t≥0,t=1...T,式中ΔPi,t、ΔHi,t和ΔQi,t分别为机组i在t时刻发电量的改变量、热出力的改变量和冷出力的改变量,μH、μQ分别表示热耦合系统、冷耦合系统。
10.根据权利要求3所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法,其特征是:所述用户削负荷约束为用户实际削负荷量不小于其申报的最小可中断量ΔLi,min,不大于最大可削减容量ΔLi,max,以及用户的负荷持续中断时间不能超过最大可中断时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469004.2A CN108734396B (zh) | 2018-05-16 | 2018-05-16 | 一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469004.2A CN108734396B (zh) | 2018-05-16 | 2018-05-16 | 一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734396A true CN108734396A (zh) | 2018-11-02 |
CN108734396B CN108734396B (zh) | 2021-07-09 |
Family
ID=63938420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810469004.2A Active CN108734396B (zh) | 2018-05-16 | 2018-05-16 | 一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734396B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492905A (zh) * | 2018-11-08 | 2019-03-19 | 四川大学 | 一种基于购电量转移的可控资源控制方法 |
CN110048414A (zh) * | 2019-04-24 | 2019-07-23 | 深圳供电局有限公司 | 一种虚拟电厂互动资源补贴定价方法 |
CN110445193A (zh) * | 2019-07-22 | 2019-11-12 | 国网上海市电力公司经济技术研究院 | 一种基于虚拟电厂调频控制策略的调频补偿分配方法 |
CN112001752A (zh) * | 2020-08-18 | 2020-11-27 | 四川大学 | 基于有限理性的多虚拟电厂动态博弈交易行为分析方法 |
CN112308334A (zh) * | 2020-11-12 | 2021-02-02 | 国网江苏省电力有限公司南京供电分公司 | 一种基于主从合作博弈的多虚拟电厂联合优化调度方法 |
CN112883560A (zh) * | 2021-01-28 | 2021-06-01 | 华南理工大学 | 基于用户侧负荷削减响应的多能耦合供能网络的优化方法 |
CN113610330A (zh) * | 2021-10-08 | 2021-11-05 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户体验的用户侧灵活资源用能行为优化方法 |
CN113937788A (zh) * | 2021-10-11 | 2022-01-14 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力负荷侧资源调度方法及系统 |
CN114595584A (zh) * | 2022-03-14 | 2022-06-07 | 南方电网数字电网研究院有限公司 | 多能源互补的区域终端用能配置方法及装置 |
CN115358534A (zh) * | 2022-07-28 | 2022-11-18 | 河海大学 | 基于同态加密强化学习的电器负荷需求响应方法 |
-
2018
- 2018-05-16 CN CN201810469004.2A patent/CN108734396B/zh active Active
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492905B (zh) * | 2018-11-08 | 2021-07-20 | 四川大学 | 一种基于购电量转移的可控资源控制方法 |
CN109492905A (zh) * | 2018-11-08 | 2019-03-19 | 四川大学 | 一种基于购电量转移的可控资源控制方法 |
CN110048414A (zh) * | 2019-04-24 | 2019-07-23 | 深圳供电局有限公司 | 一种虚拟电厂互动资源补贴定价方法 |
CN110048414B (zh) * | 2019-04-24 | 2023-04-14 | 深圳供电局有限公司 | 一种虚拟电厂互动资源补贴定价方法 |
CN110445193A (zh) * | 2019-07-22 | 2019-11-12 | 国网上海市电力公司经济技术研究院 | 一种基于虚拟电厂调频控制策略的调频补偿分配方法 |
CN112001752A (zh) * | 2020-08-18 | 2020-11-27 | 四川大学 | 基于有限理性的多虚拟电厂动态博弈交易行为分析方法 |
CN112308334A (zh) * | 2020-11-12 | 2021-02-02 | 国网江苏省电力有限公司南京供电分公司 | 一种基于主从合作博弈的多虚拟电厂联合优化调度方法 |
CN112308334B (zh) * | 2020-11-12 | 2022-11-08 | 国网江苏省电力有限公司南京供电分公司 | 一种基于主从合作博弈的多虚拟电厂联合优化调度方法 |
CN112883560B (zh) * | 2021-01-28 | 2022-12-16 | 华南理工大学 | 基于用户侧负荷削减响应的多能耦合供能网络的优化方法 |
CN112883560A (zh) * | 2021-01-28 | 2021-06-01 | 华南理工大学 | 基于用户侧负荷削减响应的多能耦合供能网络的优化方法 |
CN113610330A (zh) * | 2021-10-08 | 2021-11-05 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户体验的用户侧灵活资源用能行为优化方法 |
CN113610330B (zh) * | 2021-10-08 | 2022-01-25 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户体验的用户侧灵活资源用能行为优化方法 |
CN113937788A (zh) * | 2021-10-11 | 2022-01-14 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力负荷侧资源调度方法及系统 |
CN113937788B (zh) * | 2021-10-11 | 2024-02-02 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力负荷侧资源调度方法及系统 |
CN114595584A (zh) * | 2022-03-14 | 2022-06-07 | 南方电网数字电网研究院有限公司 | 多能源互补的区域终端用能配置方法及装置 |
CN115358534A (zh) * | 2022-07-28 | 2022-11-18 | 河海大学 | 基于同态加密强化学习的电器负荷需求响应方法 |
CN115358534B (zh) * | 2022-07-28 | 2024-04-23 | 河海大学 | 基于同态加密强化学习的电器负荷需求响应方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108734396B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734396A (zh) | 一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法 | |
Wang et al. | Deep reinforcement learning method for demand response management of interruptible load | |
CN109727158B (zh) | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 | |
Kamyab et al. | Demand response program in smart grid using supply function bidding mechanism | |
Chiş et al. | Coalitional game-based cost optimization of energy portfolio in smart grid communities | |
JP6765567B2 (ja) | 発電システム及びエネルギー生成システム | |
Stephens et al. | Game theoretic model predictive control for distributed energy demand-side management | |
Zhang et al. | Energy trading with demand response in a community-based P2P energy market | |
CN107784561A (zh) | 一种移动众包系统中在线激励机制的实现方法 | |
CN106846179A (zh) | 一种基于非合作博弈的居民负荷双层调度优化方法 | |
Chen et al. | Customized rebate pricing mechanism for virtual power plants using a hierarchical game and reinforcement learning approach | |
CN112465303A (zh) | 考虑需求响应基于多代理的双边电力市场优化决策方法 | |
CN107292515A (zh) | 一种基于需求侧调度容量上报策略博弈的电网多代理系统调度方法 | |
CN112036625A (zh) | 一种电力市场背景下基于主从博弈的新能源消纳方法 | |
Bahrami et al. | An autonomous demand response program in smart grid with foresighted users | |
Sun et al. | Energy storage configuration and day-ahead pricing strategy for electricity retailers considering demand response profit | |
Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
Akasiadis et al. | Decentralized large-scale electricity consumption shifting by prosumer cooperatives | |
CN106682934A (zh) | 一种购电竞价策略 | |
Yu et al. | A Stackelberg game-based peer-to-peer energy trading market with energy management and pricing mechanism: A case study in Guangzhou | |
Wang et al. | Reward fairness-based optimal distributed real-time pricing to enable supply–demand matching | |
CN117117878A (zh) | 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法 | |
CN114462727B (zh) | 基于多主体联合的新能源系统能源优化调度方法及系统 | |
Xu et al. | A modified incentive-based demand response model using deep reinforcement learning | |
CN109685197A (zh) | 一种基于改进粒子群算法的供电套餐的优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |