CN108875992B - 一种考虑需求响应的虚拟电厂日前优化调度方法 - Google Patents
一种考虑需求响应的虚拟电厂日前优化调度方法 Download PDFInfo
- Publication number
- CN108875992B CN108875992B CN201710334444.2A CN201710334444A CN108875992B CN 108875992 B CN108875992 B CN 108875992B CN 201710334444 A CN201710334444 A CN 201710334444A CN 108875992 B CN108875992 B CN 108875992B
- Authority
- CN
- China
- Prior art keywords
- demand response
- power plant
- price
- virtual power
- load
- 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.)
- Active
Links
- 230000004044 response Effects 0.000 title claims abstract description 164
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009467 reduction Effects 0.000 claims description 48
- 230000005611 electricity Effects 0.000 claims description 41
- 238000004146 energy storage Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 abstract description 53
- 238000004422 calculation algorithm Methods 0.000 abstract description 20
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 abstract description 11
- 230000007246 mechanism Effects 0.000 abstract description 8
- 230000000813 microbial effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 18
- 230000003071 parasitic effect Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 244000005700 microbiome Species 0.000 description 6
- 239000007789 gas Substances 0.000 description 4
- 239000011541 reaction mixture Substances 0.000 description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- -1 hydrogen Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Molecular Biology (AREA)
Abstract
本发明公开了一种考虑需求响应的虚拟电厂日前优化调度方法。包括以下步骤:1)根据历史信息估计可再生分布式电源出力的概率密度参数;2)以虚拟电厂进行需求响应前后的收益变化量计算两种需求响应的响应成本;3)采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性,以最大化虚拟电厂收益为目标建立基于机会约束条件的优化调度模型并利用一种基于微生物行为机制的粒子群优化算法进行求解。以将分布式电源以虚拟电厂的形式整合起来接入电网,能突破微电网的地理位置局限,实现不同地区、不同种类、不同容量的分布式电源协调调度;采用基于微生物共生机制的粒子群优化算法对优化模型进行求解,显著提高算法的全局收敛性和收敛速度。
Description
技术领域
本发明属于智能电网领域,特别涉及一种考虑需求响应的虚拟电厂日前优化调度方法。
背景技术
如今,分布式电源因其良好的环保性、可靠性、灵活性等特点受到了广泛的关注,配电网中分布式电源的接入量日渐增多。然而,分布式电源在具有以上优点的同时,还需面对容量小、数量多、接入位置分散、发电不确定性等缺点,大量分布式电源的接入为配电网的优化运行带来了新的挑战。现阶段,分布式电源通常以微电网的形式接入配电网来实现对分布式电源出力的有效管理,而微电网会受到地理位置的限制,对规模大、分散广泛的分布式电源的有效利用存在一定的局限性。虚拟电厂作为基于先进通信技术和协调控制技术的另一种整合分布式电源的方式,能够打破地理位置的限制,实现不同地区、不同种类、不同容量的分布式电源协调调度。
虚拟电厂被定义为一种由众多分布式能源组成的集成性电厂,其中,分布式能源包括分布式电源、分布式储能装置、分布式需求响应资源。一方面,由于需求侧用户负荷会受生产生活、突发事件等诸多不确定因素的影响,需求侧响应会表现出不确定的情况,另一方面,分布式电源中的可再生分布式电源出力受到环境因素的影响,也会存在出力的随机性和不确定性。如何平衡虚拟电厂中分布式电源和需求响应的不确定性,整合分布式电源的出力以及需求侧管理,提高虚拟电厂的经济效益,是虚拟电厂优化调度需要解决的重要问题。
发明内容
本发明所解决的技术问题是提供了一种考虑需求响应的虚拟电厂日前优化调度方法。
实现本发明目的的技术解决方案为:一种考虑需求响应的虚拟电厂日前优化调度方法,包括以下步骤:
步骤一、虚拟电厂控制中心根据其内部各可再生分布式电源所在地区风速、光照强度、温度等历史数据信息,估计风力分布式电源、光伏分布式电源出力的概率密度函数模型参数,得到概率密度模型;
以二参数的Weibull分布拟合风速概率密度,进一步得到风力分布式电源出力概率密度,以二参数的Beta分布拟合光照强度概率密度,进一步得到风力分布式电源出力概率密度。
步骤二、将虚拟电厂中的需求侧资源分为基于激励的需求响应和基于价格的需求响应,以虚拟电厂进行需求响应前后的收益变化量计算两种需求响应成本;对于基于激励的需求响应成本的计算,首先根据历史负荷信息,预测出基于激励的需求响应的总负荷量,以此为需求响应前的基准负荷,得到进行需求响应前的售电收益,再由虚拟电厂控制中心给定的需求响应负荷削减量计算需求响应后的售电收益,最后得到基于激励的需求响应成本,考虑到基于激励的需求响应是由用户在接收到虚拟电厂控制中心的中断命令后进行切负荷动作,在这个过程中,由于用户的主观因素,使得最终的负荷削减量存在不确定性,需要根据历史数据,估计出需求响应偏差的概率密度函数,负荷实际削减量为控制中心确定削减量与负荷削减偏差量之和。
对于基于价格的需求响应成本的计算,首先根据历史负荷信息,预测出基于价格的需求响应的总负荷量,以此为需求响应前的基准负荷,再由虚拟电厂控制中心确定售电价格的变化量,通过需求价格弹性系数得到需求响应的负荷变化量,由负荷变化量得到基于价格的需求响应成本,同样考虑在基于价格的需求响应过程中存在不确定性,根据历史数据,估计出基于价格的需求响应偏差的概率密度函数,负荷实际削减量为由虚拟电厂控制中心电价变化量引起的负荷削减量与负荷削减偏差量之和。
步骤三、考虑需求响应负荷削减量及可再生分布式能源出力的不确定性,以最大化虚拟电厂收益为目标建立优化模型,进行虚拟电厂日前经济优化调度;
建立以虚拟电厂收益最大为目标的优化模型,控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应负荷削减量和基于价格的需求响应电价变化量为主的决策变量,以及可再生分布式电源出力和需求响应负荷削减偏差量为主的随机变量,并采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性,利用蒙特卡洛随机模拟方法对机会约束进行处理。
采用一种基于微生物共生机制的粒子群优化算法对所建立的模型进行求解,该算法将微生物中的兼性共生行为引入粒子群优化算法中,将粒子分为寄生粒子群和宿主粒子群两类,通过两种群间的兼性共生行为算子提高粒子群算法的全局收敛能力和收敛速度。
本发明与现有技术相比,其显著优点为:(1)本发明以将分布式电源以虚拟电厂的形式整合起来接入电网,能够突破微电网的地理位置局限,实现不同地区、不同种类、不同容量的分布式电源协调调度;(2)在虚拟电厂优化调度中,将需求侧资源分为基于激励的需求响应和基于价格的需求响应,并考虑可再生分布式电源和负荷削减偏差量的随机性,对分布式电源出力、储能装置充放电功率、基于激励的需求响应的负荷削减量和基于价格的需求响应电价变化量进行优化,得到以最大收益为目标的虚拟电厂日前优化调度方案,对虚拟电厂的实际应用提供参考;(3)本发明采用基于微生物共生机制的粒子群优化算法对优化模型进行求解,与传统粒子群优化算法相比,能够显著提高算法的全局收敛性和收敛速度;将分布式电源、储能装置以及需求侧资源以虚拟电厂的方式接入配电网,考虑可再生分布式电源出力和需求响应的随机性和不确定性,以最大化虚拟电厂收益为目标建立优化模型,实现虚拟电厂的经济优化调度。
附图说明
图1为考虑需求响应的虚拟电厂日前优化调度方法实现流程图。
图2为基于微生物共生机制的粒子群优化算法实现流程图。
图中编号所代表的含义为:1利用历史数据信息估计风力、光伏分布式电源出力的概率密度函数参数,2计算需求响应成本,3建立优化调度模型并求解。
具体实施方式
结合附图,本发明的一种考虑需求响应的虚拟电厂日前优化调度方法,包括以下步骤:
步骤1、根据虚拟电厂内部各可再生分布式电源所在地区风速、光照强度、温度这些历史数据信息,估计风力分布式电源、光伏分布式电源出力的概率密度函数模型参数,得到概率密度模型;
以二参数的Weibull分布拟合风速概率密度,得到风力分布式电源出力概率密度,以二参数的Beta分布拟合光照强度概率密度,得到风力分布式电源出力概率密度,以正态分布拟合负荷概率密度。
步骤2、将虚拟电厂中的需求侧资源分为基于激励的需求响应资源和基于价格的需求响应资源,以虚拟电厂进行需求响应前后收益变化量确定两种需求响应的响应成本;
基于激励的需求响应成本确定时,首先根据历史负荷信息,预测出基于激励的需求响应的总负荷量,以此为需求响应前的基准负荷,得到进行需求响应前的售电收益,再由虚拟电厂控制中心给定的需求响应负荷削减量确定需求响应后的售电收益,最后得到基于激励的需求响应成本,基于激励的需求响应成本计算表达式为:
式中,C′inc,n,t为第t时间段第n个基于激励的需求响应的成本,λcom,n,t、PIL,n,t分别为第t时间段第n个基于激励需求响应的负荷削减补偿价格、需求响应负荷削减量以及需求响应前的负荷量,λt为第t时间段虚拟电厂向内部负荷的售电电价,ξIL,n,t<0时,表示用户欠响应,λL表示单位停电造成的损失;ξIL,n,t≥0时,表示用户过响应。
基于价格的需求响应成本确定时,首先根据历史负荷信息,预测出基于价格的需求响应的总负荷量,再由虚拟电厂控制中心确定售电价格的变化量,由负荷变化量得到基于价格的需求响应成本,估计出基于价格的需求响应偏差的概率密度函数,所述负荷实际削减量为由虚拟电厂控制中心电价变化量引起的负荷削减量与负荷削减偏差量之和;
所述基于价格的需求响应成本计算表达式为:
式中,ξPL,n,t<0时,表示用户欠响应,ξPL,n,t≥0时,表示用户过响应,C′pri,m,t为第t时间段第m个基于价格的需求响应的成本,k为虚拟电厂为提高用户积极性而设置的优惠电价比例,PPL,m,t为第t时间段第m个基于价格的需求响应前的负荷量,Δλt虚拟电厂控制中心决定的售电价格调整量,em为第m个基于价格的需求响应的价格自弹性系数。
步骤3、以最大化虚拟电厂收益为目标建立优化模型,进行虚拟电厂日前经济优化调度。
建立以虚拟电厂收益最大为目标的优化模型,控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应负荷削减量和基于价格的需求响应电价变化量为主的决策变量,以及可再生分布式电源出力和需求响应负荷削减偏差量为主的随机变量,并采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性,利用蒙特卡洛随机模拟方法对机会约束进行处理;
所述虚拟电厂收益表达式为:
式中,λm,t、Pt分别为第t时刻虚拟电厂与外部电网的交互电价和交互功率,PL,t为第t时刻虚拟电厂内部售电电量;N、M表示虚拟电厂内部基于激励和基于价格的需求响应数;NDG为虚拟电厂中包含的分布式电源数和储能装置总数,r为利息率,ni、Cins,i、Pr,i、τg,i分别为第i种分布式电源的折旧年限、安装成本、额定发电功率和年利用小时数,PDG,i,t为t时间段分布式电源i的有功出力,KOM,i为第i种分布式电源的单位发电量维护成本,Cgas和L分别为燃料单价和热值,ηi、Qgas,i分别为第i种分布式电源的发电效率和单位发电量消耗的燃料量;
在计算虚拟电厂收益时引入风险成本,其计算表达式为:
式中,当出现虚拟电厂实际发电量不能满足内部负荷和向外部售电时,表达式不为零,λp,t为第t时间段虚拟电厂失负荷产生的单位罚金;
虚拟电厂收益最大目标函数为:
max F=f1-f2
将虚拟电厂失负荷风险采用机会约束的形式描述:
式中,ωt为第t时间段失负荷量的允许值,αr,t为置信水平;
可控分布式电源出力和爬坡约束:
储能装置充放电功率约束:
式中,和分别为储能能量的最低、最高限值,PBSi,t为第t时间段储能的输出功率;要使储能装置各个调度周期内能够持续的发挥作用,需要满足首末时间段的储能容量相等,即EBS(0)=EBS(24),表示为:
式中,ηD和ηC为储能装置充、放电效率,PBSi,t>0,表示储能装置放电,PBSi,t<0,表示储能装置充电。
采用一种基于微生物共生机制的粒子群优化算法对所建立的模型进行求解,该算法将微生物中的兼性共生行为引入粒子群优化算法中,将粒子分为寄生粒子群和宿主粒子群两类,通过两种群间的兼性共生行为算子提高粒子群算法的全局收敛能力和收敛速度;具体为:
将微生物的兼性寄生行为引入粒子群优化算法中,并把粒子群分为寄生种群Swarmp和宿主种群Swarmh两类;微生物的兼性寄生行为描述为间隔一定的迭代数ki,将Swarmp和Swarmh进行粒子个体交换,即发生寄生行为后,Swarmp从Swarmh中获取适应度较好的粒子,Swarmh将从Swarmp得到同样数量的适应度较差的粒子;Swarmh和Swarmp交换粒子后,将Swarmh中适应度较差的粒子以一定的比率γ淘汰,为维持Swarmh的规模不变,将淘汰的粒子用重新初始化的粒子代替;兼性寄生行为所交换的粒子数量有下式确定:
式中,itermax和iter分别为最大迭代次数和当前迭代次数,μstart,μend为预先设定值;
寄生种群Swarmp中粒子速度更新公式为:
对于宿主种群Swarmh的速度更新,当Swarmh的种群最优位置比Swarmp的种群最优位置的适应值差时,Swarmh中的粒子同时向个体最优位置、宿主种群最优位置和Swarmp最优位置三个方向飞行,其更新公式为:
本发明以将分布式电源以虚拟电厂的形式整合起来接入电网,能够突破微电网的地理位置局限,实现不同地区、不同种类、不同容量的分布式电源协调调度。
下面结合实施例对本发明做进一步详细的描述。
实施例
本发明的一种考虑需求响应的虚拟电厂日前优化调度方法,包括以下步骤:
步骤一、虚拟电厂控制中心根据其内部各可再生分布式电源所在地区风速、光照强度、温度等历史数据信息,估计风力分布式电源、光伏分布式电源的出力概率密度函数模型参数,得到概率密度模型;以二参数的Weibull分布拟合风速概率密度,进一步得到风力分布式电源出力概率密度,以二参数的Beta分布拟合光照强度概率密度,进一步得到风力分布式电源出力概率密度,以正态分布拟合负荷概率密度。
步骤二、将虚拟电厂中的需求资源分为基于激励的需求响应和基于价格的需求响应,以虚拟电厂进行需求响应前后的收益变化量计算两种需求响应成本;
对于基于激励的需求响应成本的计算,首先根据历史负荷信息,预测出基于激励的需求响应的总负荷量,得到进行需求响应前的售电收益,再由虚拟电厂控制中心确定需求响应负荷削减量,进而计算需求响应后的售电收益,最后得到基于激励的需求响应成本。
在计算需求响应后的售电收益时,需要对参与需求响应所削减的负荷进行补偿,考虑到负荷削减对用户的影响,将负荷削减补偿价格与负荷削减量联系起来,负荷削减量越大,补偿力度也越大,负荷削减补偿价格用下式表示:
式(1)中,λcom,n,t、ΔPIL,n,t、PIL,n,t分别为第t时间段第n个基于激励的需求响应的负荷削减补偿价格、需求响应负荷削减量以及需求响应前的负荷量,λt为第t时间段虚拟电厂向内部负荷的售电电价。
基于激励的需求响应成本计算表达式为:
Cinc,n,t=λt·PIL,n,t-[λt·(PIL,n,t-ΔPIL,n,t)-λcom,n,t·ΔPIL,n,t] (2)
式(2)中,表示式分为两个部分,第一部分为需求响应前的虚拟电厂售电收益,第二个部分为需求响应后的虚拟电厂售电收益,Cinc,n,t为第t时间段第n个基于激励的需求响应的成本。
式(3)中,ξIL,n,t<0时,表示用户欠响应,此时虚拟电厂按照实际的负荷削减量对用户进行补偿,λL表示单位停电造成的损失;ξIL,n,t≥0时,表示用户过响应,为防止用户通过增加负荷削减量来获得高额补偿,过响应时虚拟电厂按照规定的负荷削减量均值对用户进行补偿。
对于基于价格的需求响应成本的计算,首先根据历史负荷信息,预测出基于价格的需求响应的总负荷量,以此为需求响应前的基准负荷,再由虚拟电厂控制中心确定售电价格的变化量,通过需求价格弹性系数得到需求响应的负荷变化量,最后得到基于价格的需求响应成本。
其中,电价变化量和需求响应的负荷变化量的关系可以表示为:
式(4)中,ΔPPL,m,t、PPL,m,t分别为第t时间段第m个基于价格的需求响应的负荷削减量以及需求响应前的负荷量,Δλt虚拟电厂控制中心决定的售电价格调整量,em为第m个基于价格的需求响应的价格自弹性系数。
基于价格的需求响应成本计算表达式为:
Cpri,m,t=λt·PPL,m,t-k·(λt+Δλt)·(PPL,m,t-ΔPPL,m,t) (5)
式(5)中,第一部分表示需求响应前的虚拟电厂售电收益,第二个部分为需求响应后的虚拟电厂售电收益;Cpri,m,t为第t时间段第m个基于价格的需求响应的成本,k为虚拟电厂为提高用户积极性而设置的优惠电价比例。
将式(4)带入式(5)中,得:
同样考虑在基于价格的需求响应过程中存在响应的不确定性,需要根据历史数据,估计出需求响应偏差ξPL,n,t的概率密度函数,更新式(6)得:
式(7)中,ξPL,n,t<0时,表示用户欠响应,此时虚拟电厂按照实际的负荷削减量对用户进行补偿;ξPL,n,t≥0时,表示用户过响应,为防止用户通过增加负荷削减量来获得高额补偿,过响应时虚拟电厂按照公式(4)确定的负荷削减量均值对用户进行补偿。
步骤三、考虑需求响应成本及可再生分布式能源出力的不确定性,以最大化虚拟电厂收益为目标建立优化调度模型,优化各可控分布式电源、储能装置的出力;
建立以虚拟电厂收益最大为目标的优化模型,控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应的负荷削减量和基于价格的需求响应的价格变化量为主的决策变量,以及可再生分布式电源出力和需求响应削减负荷偏差量为主的随机变量。
其中,虚拟电厂收益表达式为:
式(8)中,表达式分为三个部分,第一部分为虚拟电厂售电收益,其中,λm,t、Pt分别为第t时刻虚拟电厂与外部电网的交互电价和交互功率,PL,t为第t时刻虚拟电厂内部售电电量;第二部分为虚拟电厂需求响应成本,其中,N、M表示虚拟电厂内部基于激励和基于价格的需求响应数;第三部分为虚拟电厂内部各分布式电源的发电成本,由分布电源发电折旧成本、运行维护成本以及燃料消耗成本组成,其中,NDG为虚拟电厂中包含的分布式电源数和储能装置总数,r为利息率,ni、Cins,i、Pr,i、τg,i分别为第i种分布式电源的折旧年限、安装成本、额定发电功率和年利用小时数,PDG,i,t为t时间段分布式电源i的有功出力,KOM,i为第i种分布式电源的单位发电量维护成本,Cgas和L分别为燃料单价和热值,ηi、Qgas,i分别为第i种分布式电源的发电效率和单位发电量消耗的燃料量。
由于可再生分布式电源出力和需求响应削减负荷偏差量为随机变量,使得虚拟电厂在对内部负荷和外部电网售电时可能存在一定的失负荷风险。为了在优化调度中更好的平衡虚拟电厂的经济性和风险性,在计算虚拟电厂收益时引入风险成本,其计算表达式为:
式(9)中,当出现虚拟电厂实际发电量不能满足内部负荷和向外部售电是,表达式不为零,λp,t为第t时间段虚拟电厂失负荷产生的单位罚金。
虚拟电厂收益最大目标函数为:
max F=f1-f2 (10)
采用概率形式的机会约束描述目标函数中随机变量的不确定性,并利用蒙特卡洛随机模拟方法对机会约束进行处理。首先定目标函数需要满足概率约束条件:
将虚拟电厂失负荷风险采用机会约束的形式描述:
公式(12)中,ωt为第t时间段失负荷量的允许值,αr,t为置信水平。
其他约束条件还包括虚拟电厂与外部电网交互容量约束:
St≤Smax (13)
式(13)中,St为第t时间段虚拟电厂与外部电网的传输容量,Smax为虚拟电厂与外部电网的允许传输的最大容量。
可控分布式电源出力和爬坡约束:
储能装置充放电功率约束:
式(15)中,和分别为储能能量的最低、最高限值,PBSi,t为第t时间段储能的输出功率。要使储能装置各个调度周期内能够持续的发挥作用,需要满足首末时间段的储能容量相等,即EBS(0)=EBS(24),表示为:
式(16)中,ηD和ηC为储能装置充、放电效率,PBSi,t>0,表示储能装置放电,PBSi,t<0,表示储能装置充电。
在利用蒙特卡洛随机模拟方式对上述随机变量抽样的基础上,利用一种基于微生物共生机制的粒子群优化算法对所提的优化模型进行求解。
该算法将微生物的兼性寄生行为引入粒子群优化算法中,并把粒子群分为寄生种群Swarmp和宿主种群Swarmh两类。微生物的兼性寄生行为描述为间隔一定的迭代数ki,将Swarmp和Swarmh进行粒子个体交换,即发生寄生行为后,Swarmp从Swarmh中获取适应度较好的粒子,Swarmh将从Swarmp得到同样数量的适应度较差的粒子。Swarmh和Swarmp交换粒子后,将Swarmh中适应度较差的粒子以一定的比率γ淘汰,为维持Swarmh的规模不变,将淘汰的粒子用重新初始化的粒子代替。兼性寄生行为所交换的粒子数量有下式确定:
式(17)中,itermax和iter分别为最大迭代次数和当前迭代次数,μstart,μend为预先设定值。
寄生种群Swarmp中粒子速度更新公式为:
对于宿主种群Swarmh的速度更新,当Swarmh的种群最优位置比Swarmp的种群最优位置的适应值差时,Swarmh中的粒子同时向个体最优位置、宿主种群最优位置和Swarmp最优位置三个方向飞行,其更新公式为:
基于微生物共生机制的粒子群优化算法的流程图如图2所示。
由上可知,本发明将分布式电源、储能装置以及需求侧资源以虚拟电厂的方式接入配电网,考虑可再生分布式电源出力和需求响应的随机性和不确定性,以最大化虚拟电厂收益为目标建立优化模型,实现虚拟电厂的经济优化调度。
Claims (4)
1.一种考虑需求响应的虚拟电厂日前优化调度方法,其特征在于,包括以下步骤:
步骤1、根据虚拟电厂内部各可再生分布式电源所在地区风速、光照强度、温度这些历史数据信息,估计风力分布式电源、光伏分布式电源出力的概率密度函数模型参数,得到概率密度模型;
步骤2、将虚拟电厂中的需求侧资源分为基于激励的需求响应资源和基于价格的需求响应资源,以虚拟电厂进行需求响应前后收益变化量确定两种需求响应的响应成本;所述基于激励的需求响应成本确定时,首先根据历史负荷信息,预测出基于激励的需求响应的总负荷量,以此为需求响应前的基准负荷,得到进行需求响应前的售电收益,再由虚拟电厂控制中心给定的需求响应负荷削减量确定需求响应后的售电收益,最后得到基于激励的需求响应成本,基于激励的需求响应成本计算表达式为:
式中,C′inc,n,t为第t时间段第n个基于激励的需求响应的成本,λcom,n,t、PIL,n,t分别为第t时间段第n个基于激励需求响应的负荷削减补偿价格、需求响应负荷削减量以及需求响应前的负荷量,λt为第t时间段虚拟电厂向内部负荷的售电电价,ξIL,n,t<0时,表示用户欠响应,λL表示单位停电造成的损失;ξIL,n,t≥0时,表示用户过响应;
步骤3、以最大化虚拟电厂收益为目标建立优化模型,进行虚拟电厂日前经济优化调度。
2.如权利要求1所述考虑需求响应的虚拟电厂日前优化调度方法,其特征在于,步骤1中以二参数的Weibull分布拟合风速概率密度,得到风力分布式电源出力概率密度,以二参数的Beta分布拟合光照强度概率密度,得到风力分布式电源出力概率密度,以正态分布拟合负荷概率密度。
3.如权利要求1所述考虑需求响应的虚拟电厂日前优化调度方法,其特征在于,步骤2中,基于价格的需求响应成本确定时,首先根据历史负荷信息,预测出基于价格的需求响应的总负荷量,再由虚拟电厂控制中心确定售电价格的变化量,由负荷变化量得到基于价格的需求响应成本,估计出基于价格的需求响应偏差的概率密度函数,负荷实际削减量为由虚拟电厂控制中心电价变化量引起的负荷削减量与负荷削减偏差量之和;
所述基于价格的需求响应成本计算表达式为:
式中,ξPL,n,t<0时,表示用户欠响应,ξPL,n,t≥0时,表示用户过响应,C′pri,m,t为第t时间段第m个基于价格的需求响应的成本,k为虚拟电厂为提高用户积极性而设置的优惠电价比例,PPL,m,t为第t时间段第m个基于价格的需求响应前的负荷量,Δλt虚拟电厂控制中心决定的售电价格调整量,em为第m个基于价格的需求响应的价格自弹性系数。
4.如权利要求1所述考虑需求响应的虚拟电厂日前优化调度方法,其特征在于,步骤3中,建立以虚拟电厂收益最大为目标的优化模型,控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应负荷削减量和基于价格的需求响应电价变化量为主的决策变量,以及可再生分布式电源出力和需求响应负荷削减偏差量为主的随机变量,并采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性,利用蒙特卡洛随机模拟方法对机会约束进行处理;
所述虚拟电厂收益表达式为:
式中,λm,t、Pt分别为第t时刻虚拟电厂与外部电网的交互电价和交互功率,PL,t为第t时刻虚拟电厂内部售电电量;N、M表示虚拟电厂内部基于激励和基于价格的需求响应数;NDG为虚拟电厂中包含的分布式电源数和储能装置总数,r为利息率,ni、Cins,i、Pr,i、τg,i分别为第i种分布式电源的折旧年限、安装成本、额定发电功率和年利用小时数,PDG,i,t为t时间段分布式电源i的有功出力,KOM,i为第i种分布式电源的单位发电量维护成本,Cgas和L分别为燃料单价和热值,ηi、Qgas,i分别为第i种分布式电源的发电效率和单位发电量消耗的燃料量;
在计算虚拟电厂收益时引入风险成本,其计算表达式为:
式中,当出现虚拟电厂实际发电量不能满足内部负荷和向外部售电时,表达式不为零,λp,t为第t时间段虚拟电厂失负荷产生的单位罚金;
虚拟电厂收益最大目标函数为:
max F=f1-f2
将虚拟电厂失负荷风险采用机会约束的形式描述:
式中,ωt为第t时间段失负荷量的允许值,αr,t为置信水平;
可控分布式电源出力和爬坡约束:
储能装置充放电功率约束:
式中,和分别为储能能量的最低、最高限值,PBSi,t为第t时间段储能的输出功率;要使储能装置各个调度周期内能够持续的发挥作用,需要满足首末时间段的储能容量相等,即EBS(0)=EBS(24),表示为:
式中,ηD和ηC为储能装置充、放电效率,PBSi,t>0,表示储能装置放电,PBSi,t<0,表示储能装置充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334444.2A CN108875992B (zh) | 2017-05-12 | 2017-05-12 | 一种考虑需求响应的虚拟电厂日前优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334444.2A CN108875992B (zh) | 2017-05-12 | 2017-05-12 | 一种考虑需求响应的虚拟电厂日前优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875992A CN108875992A (zh) | 2018-11-23 |
CN108875992B true CN108875992B (zh) | 2022-05-27 |
Family
ID=64320100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710334444.2A Active CN108875992B (zh) | 2017-05-12 | 2017-05-12 | 一种考虑需求响应的虚拟电厂日前优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875992B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709909B (zh) * | 2018-11-30 | 2022-03-18 | 中国电力科学研究院有限公司 | 一种混合能源系统中热电联产设备的控制方法和装置 |
CN109976155B (zh) * | 2019-03-05 | 2023-03-10 | 长沙理工大学 | 参与气电市场的虚拟电厂内部随机优化控制方法及系统 |
CN110210647B (zh) * | 2019-04-29 | 2022-09-09 | 国网江苏省电力有限公司电力科学研究院 | 一种分布式电源、储能与柔性负荷联合调度方法及装置 |
CN111082451B (zh) * | 2019-09-18 | 2023-04-18 | 中国电建集团青海省电力设计院有限公司 | 基于场景法的增量配电网多目标优化调度模型 |
CN110661277B (zh) * | 2019-09-24 | 2022-10-11 | 国网江苏省电力有限公司 | 一种基于敏感负荷接入的虚拟电厂日前调度方法 |
CN111008739B (zh) * | 2019-12-04 | 2021-03-30 | 华北电力大学 | 一种热电联产虚拟电厂优化调控及收益分配方法及系统 |
CN110943452B (zh) * | 2019-12-13 | 2021-03-19 | 中国能源建设集团湖南省电力设计院有限公司 | 一种电力系统优化调度的方法 |
CN111768108A (zh) * | 2020-07-01 | 2020-10-13 | 长沙理工大学 | 一种含用热综合满意度的虚拟电厂热电联合经济调度方法 |
CN111784055A (zh) * | 2020-07-02 | 2020-10-16 | 长沙理工大学 | 一种考虑电力需求侧响应特性的虚拟电厂优化调度模型 |
CN112257989B (zh) * | 2020-09-30 | 2023-05-12 | 广东电网有限责任公司广州供电局 | 一种考虑欠响应和过响应的电动汽车负荷需求响应实施方法 |
CN112821463B (zh) * | 2021-01-07 | 2022-06-14 | 厦门大学 | 基于风、光随机性的主动配电网多目标日前优化调度方法 |
CN113949071B (zh) * | 2021-12-20 | 2022-04-29 | 广东电力交易中心有限责任公司 | 一种配网侧的负荷资源调控方法、装置及系统 |
CN114445223A (zh) * | 2021-12-23 | 2022-05-06 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于区块链的电力需求响应交易方法及系统 |
CN115021327B (zh) * | 2022-05-19 | 2024-03-01 | 合肥工业大学 | 基于虚拟储能的互联微电网系统的协同日前优化调度方法 |
CN117974201A (zh) * | 2024-04-02 | 2024-05-03 | 华南理工大学 | 虚拟电厂优化调度方法、装置、虚拟电厂系统及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824134A (zh) * | 2014-03-06 | 2014-05-28 | 河海大学 | 一种用于虚拟电厂的两阶段优化调度方法 |
-
2017
- 2017-05-12 CN CN201710334444.2A patent/CN108875992B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824134A (zh) * | 2014-03-06 | 2014-05-28 | 河海大学 | 一种用于虚拟电厂的两阶段优化调度方法 |
Non-Patent Citations (1)
Title |
---|
"考虑不确定性的需求响应虚拟电厂建模";牛文娟;《中 国 电 机 工 程 学 报》;20140805;第34卷(第22期);第3630-3637页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108875992A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875992B (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
Hossain et al. | Modified PSO algorithm for real-time energy management in grid-connected microgrids | |
Sarshar et al. | Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting | |
Rahmani-Andebili et al. | Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control | |
CN108429288B (zh) | 一种考虑需求响应的离网型微电网储能优化配置方法 | |
Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
CN109859071B (zh) | 虚拟电厂多能互补的源荷储优化配置方法 | |
CN112529256B (zh) | 考虑多重不确定性的分布式电源集群日前调度方法和系统 | |
CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
CN104158203A (zh) | 一种微电网电源容量优化配置方法 | |
CN110635518B (zh) | 一种基于光伏高渗透率的源网荷储优化方法 | |
CN114744687A (zh) | 一种虚拟电厂的能源调控方法及系统 | |
CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
CN112508325A (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN113159366A (zh) | 一种多微电网系统多时间尺度自适应优化调度方法 | |
AU2021340055B2 (en) | Power regulation method and power regulation device | |
CN109976155B (zh) | 参与气电市场的虚拟电厂内部随机优化控制方法及系统 | |
Li et al. | Two-time-scale coordinated optimal control of building energy systems for demand response considering forecast uncertainties | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
Hayati et al. | A Two-Stage Stochastic Optimization Scheduling Approach for Integrating Renewable Energy Sources and Deferrable Demand in the Spinning Reserve Market | |
CN117239740B (zh) | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 | |
Bakhtvar et al. | A vision of flexible dispatchable hybrid solar‐wind‐energy storage power plant | |
CN117040027B (zh) | 一种农村虚拟电厂的协调优化方法和装置 |
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 |