CN109066769B - 风电全消纳下虚拟电厂内部资源调度控制方法 - Google Patents

Abstract

本发明公开了一种风电全消纳下虚拟电厂内部资源调度控制方法，其包括S1、设定风电出力、收敛间隙、迭代次数初始值为k＝1、调度方案成本的上下界分别为U1＝+∞，L1＝‑∞；S2、根据风电出力，计算虚拟电厂内部资源调度的决策变量x_k；S3、根据决策变量x_k，计算目标函数值f_k以及与f_k对应的风电出力u_k+1和调控变量y_k；S4、根据决策变量x_k和目标函数值f_k，更新L1＝F(x_k)+θ，U1＝F(x_k)+f_k；S5、当调度方案成本的上下界之间的差异小于等于收敛间隙ε时，输出决策变量x_k；S6、当调度方案成本的上下界之间的差异大于收敛间隙ε时，令k＝k+1，并按设定值增加与风电出力u_k+1对应的调控变量y_k+1，之后返回步骤S2。

Description

风电全消纳下虚拟电厂内部资源调度控制方法

技术领域

本方案涉及虚拟电厂运行时的调度方法，具体涉及一种风电全消纳下虚拟电厂内部资源调度控制方法。

背景技术

近年来，电力系统中风电发展迅猛，在新能源发电中占有重要地位。但其由于存在出力间歇性、随机性等固有性质，对电力系统的规划运行产生了较为严重的影响。

目前受到风电消纳问题的制约，使得风电并网存在较大问题。为了适应风电全额并网消纳，引入具有灵活调控能力的水电机组，使其与火电机组在电源侧共同对风电的不确定性进行有效应对，除此之外，较多研究还在用户测引入柔性负荷进行协调调度以提高系统整体经济性，并提出基于虚拟发电厂(virtunal power plant，VPP)的理念来聚合调控区域内多种类型分布式电源，从而减弱风电的不确定性，形成一个对某些固定用户进行稳定供电的聚合单元。因此如何对调控区域内的各运行单元进行优化调度成为一大研究重点。

发明内容

针对现有技术中的上述不足，本发明提供的风电全消纳下虚拟电厂内部资源调度控制方法在考虑不确定因素风电出力的情况下，通过不断的迭代能够得到运行成本最低的日前调度方案。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种风电全消纳下虚拟电厂内部资源调度控制方法，其包括：

S1、设定风电出力、收敛间隙、迭代次数初始值为k＝1、调度方案成本的上下界分别为U1＝+∞，L1＝-∞；

S2、根据风电出力，计算虚拟电厂内部资源调度的决策变量x_k：

其中，F(x)为日前调度的最小总运行成本；θ为辅助变量；d^Ty_l为各个风电场景下的最小调控成本；y_l为迭代至k次后，第l个风电出力对应的最优调控变量，l＝1，2，…，k；u_l为第l次迭代生成的风电出力；h和g均为常数向量；H、J、K和I_u均为系数矩阵；x为第k次迭代的决策变量；

S3、根据决策变量x_k，计算目标函数值f_k以及与f_k对应的风电出力u_k+1和调控变量y_k：

其中，α、δ为对偶变量；u^R、u^L、u^C分别对应风电出力的最大值、最小值以及预测值；δ⁺、δ^-对应δ的正、负取值；Γ为保守度参数，M为常数；(.)^T为转置；δ_t为对偶变量δ在t时刻的取值；

为big-M法中用来约束不确定参数对应变量取值的0-1型变量；R为常数；

S4、根据决策变量x_k和目标函数值f_k，更新L1＝F(x_k)+θ，U1＝F(x_k)+f_k；

S5、当调度方案成本的上下界之间的差异小于等于收敛间隙ε时，输出决策变量x_k；

S6、当调度方案成本的上下界之间的差异大于收敛间隙ε时，令k＝k+1，并新增与风电出力u_k+1对应的调控变量y_k+1的约束条件，之后返回步骤S2，所述调控变量y_k+1的约束条件为：

本发明的有益效果为：本方案在风电全部消纳的前提下，充分考虑风电的不确定性，通过迭代优化虚拟电厂内部各单元日前出力方案(决策变量)，使得虚拟电厂能够在经济性和鲁棒性综合最优的情况下向固定负荷供电，从而保证了虚拟电厂内可控单元的日前鲁棒调度方案运行成本能够达到最低。

附图说明

图1为风电全消纳下虚拟电厂内部资源调度控制方法的流程图。

图2为虚拟电厂的系统结构。

图3为算例分析中系统初始总负荷数据曲线图。

图4为预测出力及波动区间的示意图。

图5为算例分析中经过7次地带后收敛，收敛过程中的迭代间隙变化示意图。

图6为风险机组及水电机组出力的曲线图。

图7为负荷中断后的示意图。

图8负荷转移方案的曲线图。

图9为最恶劣的风电出力场景。

图10为调控成本散点图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

本方案虚拟电厂内部主要考虑分布式风电机组、水电机组、火电机组、柔性负荷以及固定负荷，其中柔性负荷主要考虑可中断负荷以及可转移负荷。整个系统通过VPP控制中心的通信技术以及控制手段对各个单元进行聚合，采用集中控制模式对各单元进行协调控制，最终使得系统整体的经济性达到最优，虚拟电厂系统结构如图2所示。

本方案VPP通过对系统内部各可控单元的协调优化，使其能够满足对某些固定负荷的稳定供给，最大程度地降低不确定因素对固定负荷的影响；本方案的目的是在考虑不确定因素的情况下，通过优化各单元日前调度方案，获得VPP内各可控单元的日前鲁棒调度方案运行成本能够达到最低。

鉴于风电本身存在的较大随机性，在现阶段预测技术支持下，其预测误差往往会高于负荷等其他因素，因而本方案中的不确定参数主要考虑风电出力。本方案采用多面体不确定性集合表征不确定参数，其的表达如下：

其中，

为t时刻风力发电出力的均值，其可通过基于历史风电出力数据进行预测获得；

为t时刻风力发电的最大波动范围，其可由调度人员根据实际预测精确程度进行设定；Γ为鲁棒模型保守度调节参数，用于约束不确定参数的取值空间，其对应的值越大说明调度方案越保守；T为调度周期。

参考图1，图1示出了风电全消纳下虚拟电厂内部资源调度控制方法的流程图，如图1所示，该方法包括步骤S1至步骤S6。

在步骤S1中，设定风电出力、收敛间隙、迭代次数初始值为k＝1、调度方案成本的上下界分别为U1＝+∞，L1＝-∞。

S2、根据风电出力，计算虚拟电厂内部资源调度的决策变量x_k：

其中，F(x)为日前调度的最小总运行成本；θ为辅助变量；d^Ty_l为各个风电场景下的最小调控成本；y_l为迭代至k次后，第l个风电出力对应的最优调控变量，l＝1，2，…，k；u_l为第l次迭代生成的风电出力；h和g均为常数向量；H、J、K和I_u均为系数矩阵；；x_k为第k次迭代的决策变量。

在本发明的一个实施例中，所述日前调度的最小总运行成本F(x)的模型为：

其中，式中的第一项是火电机组运行成本，a、b、c分别为火电机组成本系数；P_TG,t为t时刻火电机组出力；第二项为碳排放成本，C_ct为碳税价格，e_ct为火电机组碳排放强度；第三项为可中断负荷成本，

为负荷在t时刻中断的固定费用，C_cut,t为负荷t时刻单位中断费用，S_cut,t为t时刻中断标志，P_cut,t为t时刻负荷中断量；第四项为可转移负荷成本，t_out为可转移负荷原运行时刻区间，C_tr,t为t时刻转移负荷单位赔偿费用；

为可转移负荷t时刻转出的功率。

实施时，本方案优选所述日前调度的最小总运行成本F(x)的模型满足的约束条件包括火电约束、水电约束、功率平衡约束、可中断负荷约束和可转移负荷约束；

所述火电约束为：

其中，S_TG,t为t时刻火电机组的开停状态；

分别为火电机组的出力上下限；

分别为火电机组的爬坡功率上下极限；P_TG,t+1为t+1时刻火电机组出力；

所述水电约束为：

其中，U_HG,t为t时刻水电出力对应的耗水量；P_HG,t为t时刻水电出力；λ_HG，

均为水电转化系数；S_HG,t为t时刻水电机组开停状态；Δt为时间间隔；

为水电机组引流量上下限；

为水库排水量上下限；

为水库弃水量；U_t为t时刻水库的库容；U_t+1为t+1时刻水库的库容；v_in,t为t时刻流入水库的水量；U^max、U^min为库容上下限；U_ini、U_term为水库始末库容；

所述功率平衡约束为：

其中，P_L,t为t时刻原总负荷量；P_cut,t为t时刻切负荷量；

为t时刻负荷转出量；

为t时刻负荷转入量；

为t时刻风电预测值；

所述可中断负荷约束为：

其中，

分别为t时刻可中断负荷的上限和下限；S_cut,t为t时刻切负荷状态；

所述可转移负荷约束为：

其中，

为负荷t时刻的转出状态；

为t时刻可转移负荷功率的上限下限；t_in为可接受转移的运行时刻区间。

在步骤S3中，根据决策变量x_k，计算目标函数值f_k以及与f_k对应的风电出力u_k+1和调控变量y_k：

其中，α、δ为对偶变量；u^R、u^L、u^C分别对应风电出力的最大值、最小值以及预测值；δ⁺、δ^-对应δ的正、负取值；Γ为保守度参数，M为常数；(.)^T为转置；δ_t为对偶变量δ在t时刻的取值；

为big-M法中用来约束不确定参数对应变量取值的0-1型变量；R为常数。

在步骤S4中，根据决策变量x_k和目标函数值f_k，更新L1＝F(x_k)+θ，U1＝F(x_k)+f_k；

在步骤S5中，当调度方案成本的上下界之间的差异小于等于收敛间隙ε时，输出决策变量x_k。

在步骤S6中，当调度方案成本的上下界之间的差异大于收敛间隙ε时，令k＝k+1，并新增与风电出力u_k+1对应的调控变量y_k+1的约束条件，之后返回步骤S2，所述调控变量y_k+1的约束条件为：

在本发明的一个实施例中，所述风电出力的最小调控成本的模型为：

其中，λ_TG为火电机组调控成本系数，

为其t时刻的出力调控量；C_ct为碳税价格，e_ct为火电机组碳排放强度；λ_HG水电机组调控成本系数，

为其t时刻的出力调整量；

分别对应火电机组的上下调整量；P_WG,t为t时刻风机出力；

为t时刻风机实际注入电网的功率。

实施时，本方案优选风电出力的最小调控成本的模型满足的约束条件包括火电调控约束、水电调控约束和再调度功率平衡约束；所述水电调控约束与水电约束相同；

所述火电调控约束为：

其中，ΔP_TG,t为t时刻火电机组调控量；ΔP_TG,t+1为t+1时刻火电机组调控量；

所述再调度功率平衡约束为：

其中，P_L,t为t时刻总负荷量；

为可转移负荷t时刻转入功率。

下面结合具体的算例分析对本方案的调度控制方法进行详细说明：

算例选取IEEE 30节点系统，系统初始总负荷数据如图3所示，其中节点{10，12，23，24，26，29}为固定负荷节点，系统对其进行持续稳定供电，节点{2，3，4，7，8，30}为可中断负荷节点，节点{14，15，16，17，18，19，20，21}为可转移负荷节点，可中断负荷与可转移负荷的合约数据设定如表1、2所示。

表1可中断负荷合约数据

表2可转移负荷合约数据

为提高VPP的可再生能源占比，将原始6个传统机组削减为3个，剩余机组参数如表3所示，系统另包含风电机组共80MW，其预测出力以及波动区间如图4所示，4台相同的水电机组共72MW，水电基础参数如表4所示，保守度调节参数Γ取为12。

表3火电机组参数

表4水电机组参数

基于上述原始数据，根据本方案所提的调度控制方法，在Matlab中采用Yalmip和Cplex进行建模及求解。其中，系统硬件环境为Intel Core I5 CPU，3.30GHz，8GB内存，操作系统为Win10 64bit。

采用本方案的调度控制方法经过7次迭代后收敛，收敛过程中的迭代间隙变化如图5所示。优化所得VPP内火电机组以及水电机组出力方案如图6所示，可中断负荷节点中断方案如图7所示，可转移负荷节点转移方案如图8所示，优化所得最恶劣场景下风电出力如图9所示。

为了检验上述算例输出的调度方案(决策变量)的优越性，将其与常规确定性优化所生成的调度方案进行对比。采用蒙特卡洛法随机生成500个模拟实时场景(包含10个极端场景)对两种日前调度方案进行对比分析。所有场景下实时调控成本散点图如图10所示，在计及各自日前运行成本后，相应的模拟总运行成本如表5所示。

表5模拟运行成本对比

本方案中提到的鲁棒模型、鲁棒方案及鲁棒优化等均指采用的是本方案调度控制方法中的模型、决策变量及本方法的迭代优化，由图10可以看出，鲁棒优化结果由于在制定日前调度方案时考虑了风电的不确定性，相比于确定性优化结果，其各模拟实时场景下的调控成本明显更低，且相应的波动区间也更小，由此可以反映出鲁棒优化大大降低了系统所面临的不确定风险。结合表5可以看出：

1)由于考虑了风电出力的恶劣场景，鲁棒方案的日前运行成本高出确定性方案较多，为2224.5美元，为具有一定保守度的调度方案；

2)在进行实时调控时，各场景下鲁棒方案所需调控成本的平均值与最大值均小于确定性方案，其中，平均值的差额为2404.8美元，弥补了在日前调度的运行成本增额，使得其总运行成本较确定性模型更低，为VPP提供了更为经济的日前调度方案。

为防止鲁棒调度结果过于保守，本方案引入了保守度调节参数Γ对不确定区间进行约束。为了验证不同的调节参数对调度方案产生的影响，另取两组典型的Γ进行优化计算(Γ＝0以及Γ＝24)。

根据所得结果，采用蒙特卡洛法对其调度方案效果进行验证分析，结果总结如表6。由表可以知：

1)保守度参数取为0时，鲁棒优化结果与确定性方案相同，日前运行成本均为9323.5美元，相应的实时调控成本也与确定性方案相似；

2)当保守度参数取为24时，模型考虑更多不确定因素，与其对应的日前运行成本达到最大，为12452.0美元。在该日前调度方案下，实时调控成本的平均值以及最大值分别降低至1144.7美元、2095.1美元；

3)保守度参数取为24的鲁棒方案对应的总运行成本平均值与最大值均小于保守度参数取为12时的鲁棒方案，且与确定性方案相比，其最大值虽然有了较大程度的降低，减弱了不确定风险，但总成本的平均值依旧较高，这是由于保守度参数取值过于保守。

表6不同保守度参数下优化结果

为了分析本方案在不同波动范围下的优化结果，定义波动范围指标ω，使：

分别取ω为0.1、0.2、0.3、0.4、0.5并采用本方案进行优化得到各自的鲁棒调度方案，相应的日前调度成本如表7所示。

表7不同波动范围下的优化结果

由表7可以看出：随着波动范围的增大，日前总运行成本会不断增加，且各项成本均呈上升趋势。这是由于波动范围指标越大，本方案求解时所考虑的风电出力场景就越恶劣，鉴于本方案对应的风电恶劣场景一般取到波动区间的下界，因而在日前方案中会考虑到风电在调度日出力不足的情况，由此适当提高火电机组出力，与其相应的燃料成本以及碳排放成本也就增多。

与此同时，在较大的波动范围下，模型也会更多地协调柔性负荷的中断以及转移计划配合可控机组应对风电的不确定性，从而保证调度方案的最优性。

本方案的调度控制方法在调度时，对虚拟电厂内部包括火电机组、水电机组、风电机组以及柔性负荷在内的各个单元进行协调优化，从而制定了鲁棒性与经济性较优的日前调度方案，使得虚拟电厂能够满足对某些固定需求负荷进行持续稳定的供电。通过算例分析得出以下结论：

(1)本方案在迭代过程中，通过收敛间隙不断寻求并返还恶劣场景下的风电出力，从而能提供具有鲁棒性的日前调度方案。

(2)由于考虑了风电最恶劣出力情况，调度方案的日前运行成本有了一定程度的提高，其大大减弱了VPP面临的不确定风险，提高了总体运行经济性。

(3)随着不确定参数波动范围的增大，采用本方案的方法优化所得的VPP日前调度方案的运行成本也越高，可中断负荷与可转移负荷的存在为VPP应对不确定风电提供了有效的手段。

Claims (5)

1.风电全消纳下虚拟电厂内部资源调度控制方法，其特征在于，包括：

S1、设定风电出力、收敛间隙、迭代次数初始值为k＝1、调度方案成本的上下界分别为U1＝+∞，L1＝-∞；

S2、根据风电出力，计算虚拟电厂内部资源调度的决策变量x_k：

其中，F(x)为日前调度的最小总运行成本；θ为辅助变量；d^Ty_l为各个风电场景下的最小调控成本；y_l为迭代至k次后，第l个风电出力对应的最优调控变量，l＝1，2，…，k；u_l为第l次迭代生成的风电出力；h和g均为常数向量；H、J、K和I_u均为系数矩阵；x_k为第k次迭代的决策变量；

S3、根据决策变量x_k，计算目标函数值f_k以及与f_k对应的风电出力u_k+1和调控变量y_k：

其中，α、δ为对偶变量；u^R、u^L、u^C分别为对应风电出力的最大值、最小值以及预测值；δ⁺、δ^-对应δ的正、负取值；Γ为保守度参数，M为常数；(.)^T为转置；δ_t为对偶变量δ在t时刻的取值；

为big-M法中用来约束不确定参数对应变量取值的0-1型变量；R为常数；

S4、根据决策变量x_k和目标函数值f_k，更新L1＝F(x_k)+θ，U1＝F(x_k)+f_k；

S5、当调度方案成本的上下界之间的差异小于等于收敛间隙ε时，输出决策变量x_k；

S6、当调度方案成本的上下界之间的差异大于收敛间隙ε时，令k＝k+1，并新增与风电出力u_k+1对应的调控变量y_k+1的约束条件，之后返回步骤S2，所述调控变量y_k+1的约束条件为：

2.根据权利要求1所述的风电全消纳下虚拟电厂内部资源调度控制方法，其特征在于，所述日前调度的最小总运行成本F(x)的模型为：

其中，a、b、c分别为火电机组成本系数；P_TG,t为t时刻火电机组出力；C_ct为碳税价格，e_ct为火电机组碳排放强度；

为负荷在t时刻中断的固定费用，C_cut,t为负荷t时刻单位中断费用，S_cut,t为t时刻中断标志，P_cut,t为t时刻负荷中断量；t_out为可转移负荷原运行时刻区间，C_tr,t为t时刻转移负荷单位赔偿费用；

为可转移负荷t时刻转出的功率。

3.根据权利要求2所述的风电全消纳下虚拟电厂内部资源调度控制方法，其特征在于，所述日前调度的最小总运行成本F(x)的模型满足的约束条件包括火电约束、水电约束、功率平衡约束、可中断负荷约束和可转移负荷约束；

所述火电约束为：

其中，S_TG,t为t时刻火电机组的开停状态；

分别为火电机组的出力上下限；

分别为火电机组的爬坡功率上下极限；P_TG,t+1为t+1时刻火电机组出力；

所述水电约束为：

其中，U_HG,t为t时刻水电出力对应的耗水量；P_HG,t为t时刻水电出力；λ_HG，

均为水电转化系数；S_HG,t为t时刻水电机组开停状态；Δt为时间间隔；

为水电机组引流量上下限；

为水库排水量上下限；

为水库弃水量；U_t为t时刻水库的库容；U_t+1为t+1时刻水库的库容；v_in,t为t时刻流入水库的水量；U^max、U^min为库容上下限；U_ini、U_term为水库始末库容；

所述功率平衡约束为：

其中，P_L,t为t时刻原总负荷量；P_cut,t为t时刻切负荷量；

为t时刻负荷转出量；

为t时刻负荷转入量；

为t时刻风电预测值；

所述可中断负荷约束为：

其中，

分别为t时刻可中断负荷的上限和下限；S_cut,t为t时刻切负荷状态；

所述可转移负荷约束为：

其中，

为负荷t时刻的转出状态；

为t时刻可转移负荷功率的上限下限；t_in为可接受转移的运行时刻区间。

4.根据权利要求3所述的风电全消纳下虚拟电厂内部资源调度控制方法，其特征在于，所述风电出力的最小调控成本的模型为：

其中，λ_TG为火电机组调控成本系数，

为其t时刻的出力调控量；C_ct为碳税价格，e_ct为火电机组碳排放强度；λ_HG水电机组调控成本系数，

为其t时刻的出力调整量；

分别对应火电机组的上下调整量；P_WG,t为t时刻风机出力；

为t时刻风机实际注入电网的功率。

5.根据权利要求4所述的风电全消纳下虚拟电厂内部资源调度控制方法，其特征在于，所述风电出力的最小调控成本的模型满足的约束条件包括火电调控约束、水电调控约束和再调度功率平衡约束；所述水电调控约束与水电约束相同；

所述火电调控约束为：

其中，ΔP_TG,t为t时刻火电机组调控量；ΔP_TG,t+1为t+1时刻火电机组调控量；

所述再调度功率平衡约束为：

其中，P_L,t为t时刻总负荷量；

为可转移负荷t时刻转入功率。

Images