CN108960510A - 一种基于两阶段随机规划的虚拟电厂优化交易策略模型 - Google Patents

Abstract

本发明公开了一种基于两阶段随机规划的虚拟电厂优化交易策略模型，该基于两阶段随机规划的虚拟电厂优化交易策略模型具体步骤如下：S1：根据电力市场规则，概述VPP竞标流程、多场景法等理论基础；S2：建立基于两阶段随机规划的虚拟电厂优化交易策略的目标函数；S3：建立基于两阶段随机规划的虚拟电厂优化交易策略的约束条件。考虑清洁能源出力和市场电价的不确定性对虚拟电厂参与日前市场和平衡市场竞标策略的影响，采用多场景法模拟该不确定性因素，以虚拟电厂运行效益最大化为目标，构建基于两阶段随机规划的虚拟电厂最优交易策略模型。

Description

一种基于两阶段随机规划的虚拟电厂优化交易策略模型

技术领域

本发明涉及电厂优化交易策略技术领域，具体为一种基于两阶段随机规划的虚拟电厂优化交易策略模型。

背景技术

近年来，环境问题使得可再生能源(renewable energy sources，RES)在电网中的渗透率不断增加，但是由于风电、太阳能等RES出力的随机性给电网的运行带来极大的挑战，同时也降低了其参与市场交易的自主性。虚拟电厂(virtual power plant,VPP)能够将RES、分布式储能以及需求响应高效整合在一起，有效降低间歇性RES的出力不确定性，从而提高VPP进入电力市场时的竞争力以及整体上网时的稳定性。同时，随着我国售电侧的放开，电力市场竞争日益激烈，市场电价也存在一定的不确定性，综合VPP内部可再生能源机组出力和负荷需求的不确定性因素，展开在多重不确定性因素下，VPP参与市场竞价策略以及内部优化运行研究尤为迫切。

发明内容

本发明的目的在于提供一种基于两阶段随机规划的虚拟电厂优化交易策略模型，该基于两阶段随机规划的虚拟电厂优化交易策略模型具体步骤如下：

S1：根据电力市场规则，概述VPP竞标流程、多场景法等理论基础，虚拟电厂作为整体协调调度内部资源参与市场运行，可将富余的电量出售给电力市场也可选择从市场购电满足负荷需求，实现经济性最优,具体交易流程为：在日前阶段，虚拟电厂运营商预测内部机组的可用出力情况以及负荷信息，决策并提交日前市场24时段竞标电量信息，确定和市场的电量交换，VPP优化调度内部资源(需求响应、电动汽车等)出力适应随机发电机组的实时波动，消除实际出力与竞标出力的偏差，实现风电的最大化消纳；

采用多场景法处理市场电价及风电出力的不确定性，通过对可能出现的场景进行模拟将模型中的不确定性因素转变成多个确定性场景问题，1)场景的生成：主要通过蒙特卡洛法或者历史数据生成大量场景，对随机变量T个时段可能运行状态进行模拟，即，Pt(s)为场景某一具体场景s下t时刻的数据，S为所有可能场景的集合，2)场景的削减：为确保模拟的多样性，需要生成大量的可能场景，但这无疑增加了计算负担，兼顾模拟的可信性与计算负担，基于概率距离思想对场景进行削减；

S2：建立基于两阶段随机规划的虚拟电厂优化交易策略的目标函数；

以虚拟电厂期望收益最大化为目标，基于两阶段随机规划建立虚拟电厂最优购售电策略模型：阶段1VPP制定日前市场竞标策略；阶段2编制内部机组出力计划，平抑风电出力波动，并利用CVaR量化不确定性给VPP收益带来的风险，目标函数由VPP期望收益和CVaR两部分构成：

式中，m为日前市场电价场景标识，表征第一阶段不确定性，n为风电出力场景标识，表征第二阶段随机性特征；M、N分别为根据多场景法得到的日前市场电价和风电经典场景；ρ_m、ρ_n分别对应场景m和n发生的概率； 分别为日前市场竞标电量及实际出力值；分别为日前市场及平衡市场电价；η为风险价值；为置信度水平；β∈[0,∞)表示风险系数，与VPP的风险偏好有关。分别为燃气轮机成本、需求响应成本及电动汽车收益，具体表达式为：

燃气轮机成本：

燃气轮机(gas turbine，GT)成本由GT的生产和启停成本及碳排放惩罚函数组成，

式中，为二进制变量，表示燃气轮机机组t时段是否启动、停止以及工作的状态；δ_rt,mn为t时段燃气轮机在第r分段上的出力；为燃气轮机在t时段的出力，等于各分段出力之和，为决策变量；本文将燃气轮机的二次成本进行分段线性化表达，N_r为线性化的分段数，b_r为燃气轮机第r段发电成本斜率；a、λ^SUC、λ^SUD分别为燃气轮机的固定成本和启停成本；D^GT、Y、V分别为燃气轮机污染气体的排放量及单位排放量对应的罚款和环境价值，电动汽车收益，电动汽车(electric vehicle，EV)作为移动负荷，当电动汽车并网时，车主充电储备下一时段出行所需的电量，也可以选择放电对VPP进行反哺，获得售电收益。因此本文利用虚拟电厂模式对其进行有序管理，优化充放电时间，实现削峰填谷以及提高对风电的消纳，

式中，分别为电动汽车v充放电功率，为决策变量；n_v表示电动汽车的数量；分别为电动汽车的充放电电价，

需求响应成本

需求响应能为VPP提供虚拟出力，平抑可再生能源出力的波动，本文选用基于激励的可中断负荷作为响应资源，需求响应的成本为负荷响应前后VPP售电收入的差额，负荷响应前后，VPP的售电收益分别为：

式中，为可中断负荷的响应出力，为决策变量；为VPP内部负荷售电价格；为可中断负荷未响应时VPP内部实际负荷量；a和b分别为补偿函数的二次项和一次项系数，需求响应的成本为：

S3：建立基于两阶段随机规划的虚拟电厂优化交易策略的约束条件；

阶段1约束：

P_t ^max＝P^Wind,max+P^sum,max-P_t ^Load

P_t ^min＝-[P^charge,max+P_t ^Load]

式中，P^Wind,max为风电出力最大值；P^charge,max为电动汽车充电功率最大值；P^sum,max为VPP内部所有元件出力最大值之和；

阶段2约束：

1)燃气轮机约束

式中，R^U、R^D分别为燃气轮机机组向上和向下爬坡速率；P^GT,max、P^GT,min分别为燃气轮机输出功率上下限；t^on,i、t^off,i和t^on、t^off分别为燃气轮机的初始开关时间和最小开关时间；

2)电动汽车约束

式中，E_vt,mn、E_v(t-1),mn分别为电动汽车v在t时刻和(t-1)时刻的蓄电量； 分别为电动汽车蓄电量限值；分别表示电动汽车v的充放电效率；分别为电动汽车v的最大充放电功率；为二进制变量，分别表示电动汽车v的充/放电以及是否接入电网的状态；

3)需求响应约束

需求响应的约束主要包括中断量约束，中断持续时间，最小中断间隔时间及中断爬坡率约束，分别与燃气轮机的出力上下限，最小启停时间以及爬坡约束类似，在此就不做详细赘述；

4)功率平衡约束

VPP运行中需要保持每个场景下每个研究时段内的电量供需平衡，在这里忽略网络损耗，

式中，为风电出力；分别为储能的充/放功率；

5)风险约束

本文选择CVaR评估考虑不确定性下虚拟电厂交易策略的风险损失，式为风险约束，

式中，e_mn为非负的辅助连续变量，定义为在0和η减去每个场景下VPP收益之间选取最大值。

与现有技术相比，本发明的有益效果是：

(1)考虑清洁能源出力和市场电价的不确定性对虚拟电厂参与日前市场和平衡市场竞标策略的影响，采用多场景法模拟该不确定性因素，以虚拟电厂运行效益最大化为目标，构建基于两阶段随机规划的虚拟电厂最优交易策略模型；

(2)利用条件风险价值来度量不确定性因素给VPP收益带来的风险，建立VPP收益—风险模型交易策略风险，对比分析不确定性和风险偏好对虚拟电厂收益以及风险损失的影响，为不同风险偏好主体提供参考。

附图说明

图1是虚拟电厂模型图；

图2是驶入和驶离的电动汽车数量图；

图3是VPP各时段竞标值图；

图4是低电价-低风电下的VPP优化运行曲线图；

图5是低电价-高风电下的VPP优化运行曲线图；

图6是高电价-低风电下的VPP优化运行曲线图；

图7是高电价-高风电下的VPP优化运行曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

本发明利用上文所述的虚拟电厂来验证所提模型的实效性，采用CPLEX12.6.0算法包在Matlab R2015a环境下进行求解。虚拟电厂中各元件参数如下：燃气轮机采用TAU5670型号，主要参数见表1。补偿费用中的a和b分别为1和90；储能系统的容量为15MWh，充/放电的最大限值分别为3.5和4MW，初始储能为5MW，效率系数为80％；电动汽车考虑由1000辆电池容量为24KWh的家用尼桑LEAF构成，电池蓄电量下限以及上限分别设为电池容量的15％和95％，每辆电动汽车的始末蓄电量在上下限范围内随机生成，为鼓励电动汽车在风电出力不足时配合电网调度，设定放电电价比充电电价多15％，电动汽车出行和返回时刻服从正态分布，行驶距离服从对数正态分布，本文采用蒙特卡罗方法对每辆电动汽车的行驶距离和并网时间进行模拟，生成图2所示的单一时刻驶入和驶离的电动汽车数量，选取出行、返回时刻的均值和方差分别为(17.47,3.41)，(8.92,3.24)；根据风机时序出力模型，采用序贯蒙特卡罗抽样方法生成全年365天8760小时的风电出力数据，利用K-means聚类算法对风电出力数据进行削减，生成12组阶段2风电出力场景。日前市场电价场景采用Mainland Spain市场的真实历史电价数据生成并削减，最终得到6组阶段1电价场景。

表1 燃气轮机参数

结果及讨论：

1)不同风险系数对VPP收益的影响分析

本文采用CVaR度量VPP风险水平，为分析不同风险偏好主体的收益情况，在上述两阶段随机规划模型中选取不同风险系数进行优化，置信水平α＝0.9。图3给出了风险系数β分别等于0，0.1，0.8情况下VPP日前市场24时段的竞标电量。横向对比可以看出VPP在日前市场的竞标策略与市场电价具有紧密的关联关系，在凌晨t＝2-5低电价时段以购电为主；在其余较高电价时段以售电为主，。纵向对比可以看出随着β的增加，VPP逐渐减少了在较高电价时段的售电量，增加了在较低电价时段的购电量，交易策略越发保守。

表2给出了不同风险系数β取值对VPP期望收益与CVaR的影响，置信水平α＝0.9。可以看出，随着β取值的增加，CVaR随之减小，VPP的期望收益也逐渐降低。这是因为β越大，VPP越希望规避风险(风险主要是由波动的市场电价以及风电出力产生)，一方面VPP会减少市场冒险行为，逐步降低购售电量；另一方面为应对极端不确定场景带来的风险，VPP需要预备足够的动态备用容量，导致燃气轮机等机组无法处于最优经济出力点，增加运行成本。这两方面的因素使得VPP实际出力与竞标电量偏差减少，风险损失逐渐降低，但运行成本也随之增加，市场竞标收益降低。从目标函数式(1)可以看出，VPP期望收益主要来源于市场的售电收入，随着售电收益的降低以及运行成本的增加，期望收益呈下降趋势。由此可以得出太过于保守的竞标策略反而不利于VPP整体收益的提升，以此为VPP权衡收益与风险提供参考。

表2 VPP期望收益与CVaR

2)不同场景下VPP内部优化运行策略

从2.2节描述可以看出，内部机组出力的优化主要是为了平抑风电出力的波动，降低实际出力与竞标电量之间的偏差，与风电及电价场景密切相关。此处选择4种不确定场景进行优化对比：

1.低电价-低风电出力场景；

2.低电价-高风电出力场景；

3.高电价-低风电出力场景；

4.高电价-高风电出力场景。

图4为低电价-低风电出力场景下VPP的优化运行曲线。储能设备在t＝1-5时段充电蓄能，且调用初始储能在双高峰电价时段放电，以满足用电需求。燃气轮机只在t＝10-14,19-21时段有少量的出力，其余时段均处于关停状态；可中断负荷只有在t＝11,20时刻被调用。该场景下由于电动汽车的充电价格要高于市场电价，VPP倾向于将电量用于给电动汽车充电以获取收益，所以在双高峰电价时段，充电汽车仍能进行充电量较小的充电行为。由于日前市场电价较低，导致平衡市场的负不平衡惩罚也较低，而调用燃气轮机和可中断负荷则会付出较高的成本，所以VPP倾向于维持较低出力水平。低电价-高风电下的VPP优化运行曲线如图5所示，对比图4可以看出电动汽车充电时长和充电量都有较大的提升，这是因为风电出力增大，而且日前市场价格低于电动汽车的充电价格，为了实现VPP利润的最大化和对风电的有效消纳，将更多的风电用于电动汽车充电；同时储能系统在前5h低电价时段充电蓄能，在t＝12,18-21双高峰时段发电用于日前市场售电；由于较低的市场电价和较高的风电出力，所以燃气轮机以及可中断负荷在全天24个时段均未被调用。

图6为高电价-低风电出力场景下VPP的优化运行曲线。对比图4-5，该场景下的VPP内部出力发生了较大的变化，电动汽车在t＝1-6时段进行充电，以满足车主的日常使用需求；在t＝18-21时段进行放电，这是因为在晚高峰电价时段日前市场的电价远高于电动汽车的充电电价，且风电出力较低，所以调用电动汽车转充电为发电，弥补低风电出力的不足，减少平衡市场中较高的不平衡电量惩罚，增加VPP的收益。同样由于低风电出力，调用可中断负荷以满足市场的售电需求，燃气轮机在t＝6之后全天均处于满发状态。

高电价-高风电出力场景下VPP的优化运行曲线如图7所示，与低电价-高风电场景相比，电动汽车不是一直处于充电状态，在日前市场高于充电电价的双高峰电价时段，电动汽车会把多余的电量卖给电网，以获得更高的收益，所以在t＝12-13,19-22时段电动汽车出力为正。因为风电出力较高，且调用了电动汽车放电，所以储能系统所起到的作用相应的有所下降。考虑到燃气轮机的发电成本以及凌晨风电出力最大，所以在t＝2-6燃气轮机出力几乎为0，在t＝7之后处于满发状态。值得注意的是，该场景下VPP的实际出力要高于竞标值，在平衡市场中只能以低于市场电价的正不平衡价格售出，但是由于较高的市场出清电价使得正不平衡电价仍然高于燃气轮机的成本，所以VPP处于较高的出力状态。需要知道的是，以上四个不同场景下的VPP优化运行曲线都是在β＝0的情况下得出的。

3)平衡市场电价对VPP收益的影响

该段分析了平衡市场的电价对VPP竞标策略以及期望收益的影响。平衡市场电价与日前市场电价存在如下若则关系：若则若则因此通过改变系数a、b的值展开分析，选取a＝1.1，b＝0.9作为参考值。从表3前三行的数据可以看出：随着减小(系数b减小，a不变)，VPP增加在日前能量市场的售电量，减少可中断负荷的调用以及增加电动汽车充电量来避免将过剩的能量在平衡市场销售，规避较低的正不平衡电价带来的损失。相反从后三行可以看出，随着的增加(系数a增加，b不变)促使VPP避免出现实际出力小于竞标值的情况(避免承担较高的负不平衡惩罚)，VPP会减少在日前市场的售电量，增加对可中断负荷的调用以及增大储能的出力来避免较高的不平衡惩罚对VPP收益带来影响。该分析表明合理的选择平衡市场电价预测模型是很有必要的，它能够保证VPP的竞标策略以及内部元件出力行为给虚拟电厂带来的收益最大。

表3 平衡市场电价对VPP收益的影响

以上仿真结果验证了本发明所构模型有效性和实用性，得出以下结论：1)引入CVaR度量交易策略的风险损失，建立收益—风险模型，避免不确定性决策的盲目性，为VPP选择合适的风险系数提供有效参考。2)在不同风电和电价场景下分析了VPP内部元件优化出力情况，得出可中断负荷、储能和电动汽车的引入能够有效降低不确定环境给VPP带来的风险，提高VPP参与电力市场的整体收益。3)随着正负平衡价格系数偏离基准值，VPP会逐渐减少在平衡市场的直接交易，调用储能和需求响应资源使得VPP的实际出力值尽可能与日前市场竞标值吻合。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于两阶段随机规划的虚拟电厂优化交易策略模型，其特征在于：该基于两阶段随机规划的虚拟电厂优化交易策略模型具体步骤如下：

S1：根据电力市场规则，概述VPP竞标流程、多场景法等理论基础，虚拟电厂作为整体协调调度内部资源参与市场运行，可将富余的电量出售给电力市场也可选择从市场购电满足负荷需求，实现经济性最优,具体交易流程为：在日前阶段，虚拟电厂运营商预测内部机组的可用出力情况以及负荷信息，决策并提交日前市场24时段竞标电量信息，确定和市场的电量交换，VPP优化调度内部资源(需求响应、电动汽车等)出力适应随机发电机组的实时波动，消除实际出力与竞标出力的偏差，实现风电的最大化消纳；

采用多场景法处理市场电价及风电出力的不确定性，通过对可能出现的场景进行模拟将模型中的不确定性因素转变成多个确定性场景问题，1)场景的生成：主要通过蒙特卡洛法或者历史数据生成大量场景，对随机变量T个时段可能运行状态进行模拟，即Pt(s)为场景某一具体场景s下t时刻的数据，S为所有可能场景的集合，2)场景的削减：为确保模拟的多样性，需要生成大量的可能场景，但这无疑增加了计算负担，兼顾模拟的可信性与计算负担，基于概率距离思想对场景进行削减；

S2：建立基于两阶段随机规划的虚拟电厂优化交易策略的目标函数；

以虚拟电厂期望收益最大化为目标，基于两阶段随机规划建立虚拟电厂最优购售电策略模型：阶段1VPP制定日前市场竞标策略；阶段2编制内部机组出力计划，平抑风电出力波动，并利用CVaR量化不确定性给VPP收益带来的风险，目标函数由VPP期望收益和CVaR两部分构成：

式中，m为日前市场电价场景标识，表征第一阶段不确定性，n为风电出力场景标识，表征第二阶段随机性特征；M、N分别为根据多场景法得到的日前市场电价和风电经典场景；ρ_m、ρ_n分别对应场景m和n发生的概率； 分别为日前市场竞标电量及实际出力值；分别为日前市场及平衡市场电价；η为风险价值；为置信度水平；β∈[0,∞)表示风险系数，与VPP的风险偏好有关，分别为燃气轮机成本、需求响应成本及电动汽车收益，具体表达式为：

燃气轮机成本：

燃气轮机(gas turbine，GT)成本由GT的生产和启停成本及碳排放惩罚函数组成，

式中，为二进制变量，表示燃气轮机机组t时段是否启动、停止以及工作的状态；δ_rt,mn为t时段燃气轮机在第r分段上的出力；为燃气轮机在t时段的出力，等于各分段出力之和，为决策变量；本文将燃气轮机的二次成本进行分段线性化表达，N_r为线性化的分段数，b_r为燃气轮机第r段发电成本斜率；a、λ^SUC、λ^SUD分别为燃气轮机的固定成本和启停成本；D^GT、Y、V分别为燃气轮机污染气体的排放量及单位排放量对应的罚款和环境价值，电动汽车收益，电动汽车(electric vehicle，EV)作为移动负荷，当电动汽车并网时，车主充电储备下一时段出行所需的电量，也可以选择放电对VPP进行反哺，获得售电收益，因此本文利用虚拟电厂模式对其进行有序管理，优化充放电时间，实现削峰填谷以及提高对风电的消纳，

式中，分别为电动汽车v充放电功率，为决策变量；n_v表示电动汽车的数量；分别为电动汽车的充放电电价，

需求响应成本：

需求响应能为VPP提供虚拟出力，平抑可再生能源出力的波动，本文选用基于激励的可中断负荷作为响应资源，需求响应的成本为负荷响应前后VPP售电收入的差额，负荷响应前后，VPP的售电收益分别为：

式中，为可中断负荷的响应出力，为决策变量；λ_t ^Load为VPP内部负荷售电价格；P_t ^Load为可中断负荷未响应时VPP内部实际负荷量；a和b分别为补偿函数的二次项和一次项系数，需求响应的成本为：

S3：建立基于两阶段随机规划的虚拟电厂优化交易策略的约束条件；

阶段1约束：

P_t ^max＝P^Wind,max+P^sum,max-P_t ^Load

P_t ^min＝-[P^charge,max+P_t ^Load]

式中，P^Wind,max为风电出力最大值；P^charge,max为电动汽车充电功率最大值；P^sum,max为VPP内部所有元件出力最大值之和；

阶段2约束：

1)燃气轮机约束，

式中，R^U、R^D分别为燃气轮机机组向上和向下爬坡速率；P^GT,max、P^GT,min分别为燃气轮机输出功率上下限；t^on,i、t^off,i和t^on、t^off分别为燃气轮机的初始开关时间和最小开关时间；

2)电动汽车约束，

式中，E_vt,mn、E_v(t-1),mn分别为电动汽车v在t时刻和(t-1)时刻的蓄电量； 分别为电动汽车蓄电量限值；分别表示电动汽车v的充放电效率；分别为电动汽车v的最大充放电功率；为二进制变量，分别表示电动汽车v的充/放电以及是否接入电网的状态；

3)需求响应约束，

需求响应的约束主要包括中断量约束，中断持续时间，最小中断间隔时间及中断爬坡率约束，分别与燃气轮机的出力上下限，最小启停时间以及爬坡约束类似，在此就不做详细赘述；

4)功率平衡约束，

VPP运行中需要保持每个场景下每个研究时段内的电量供需平衡，在这里忽略网络损耗，

式中，为风电出力；分别为储能的充/放功率；

5)风险约束，

本文选择CVaR评估考虑不确定性下虚拟电厂交易策略的风险损失，式为风险约束，

式中，e_mn为非负的辅助连续变量，定义为在0和η减去每个场景下VPP收益之间选取最大值。