CN109389327B - 基于风光不确定性的多虚拟电厂时前合作方法 - Google Patents

基于风光不确定性的多虚拟电厂时前合作方法 Download PDF

Info

Publication number
CN109389327B
CN109389327B CN201811322433.3A CN201811322433A CN109389327B CN 109389327 B CN109389327 B CN 109389327B CN 201811322433 A CN201811322433 A CN 201811322433A CN 109389327 B CN109389327 B CN 109389327B
Authority
CN
China
Prior art keywords
virtual power
power plant
cooperation
scene
virtual
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
Application number
CN201811322433.3A
Other languages
English (en)
Other versions
CN109389327A (zh
Inventor
农静
赵庆明
张裕
唐学用
李庆生
邓朴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201811322433.3A priority Critical patent/CN109389327B/zh
Publication of CN109389327A publication Critical patent/CN109389327A/zh
Application granted granted Critical
Publication of CN109389327B publication Critical patent/CN109389327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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
    • Y04S50/10—Energy trading, including energy flowing from end-user application to grid

Abstract

一种基于风光不确定性的多虚拟电厂时前合作方法，包括以下步骤：1)每个虚拟电厂经过独立调度向电网系统申报每个时段的预期出力和负荷情况；2)利用场景生成及削减技术产生含概率信息的经典场景集作为虚拟电厂的实际出力；3)根据合作前的电量偏差，进行相应的奖惩，以各场景概率下的总经济收益最大为目标，进行各个虚拟电厂的独立综合日前调度；4)多个虚拟电厂组成合作联盟进行时前合作，在合作联盟内部进行偏差电量的买卖，参与合作的每个虚拟电厂根据自身情况以及市场情况，向合作联盟申报售电量和购电量，以及相应的报价，联盟收集报价后统一出清；5)计算各虚拟电厂每个时段的收益以及一日的总收益，进行合作前后的收益比较；6)重复实验，论证合作方法的有效性。与现有技术相比，本发明具有调度合理，经济效益优化，多虚拟电厂协调合作等优点。

Description

基于风光不确定性的多虚拟电厂时前合作方法
技术领域
本发明涉及一种基于风光不确定性的多虚拟电厂时前合作方法，属于电力系统优化调度领域。
背景技术
随着环境恶化，资源短缺等问题，世界各国对于分布式电源的重视程度越来越高。但分布式电源往往具有容量小、数量大、出力间歇性、随机性等特点，导致传统的调度方式难以有效地利用分布式电源。
虚拟电厂作为一种解决多个分布式电源并网问题的方法，能通过精细的控制方式管理整合各类分布式电源。虚拟电厂的基本元件包括分布式电源、储能系统、可控负荷、电动汽车等。这些元件通过先进的控制、计量、通信等技术聚合组成一个智能整体，进而参与能量市场和备用市场。相比微网技术，虚拟电厂不用受地理位置的约束，更强调自上而下的管理，能够类似于传统电厂参与电力市场的交易。
目前，大量虚拟电厂调度方面的研究未考虑到调度过程中分布式能源的不确定性，由于分布式电源出力的不确定性，虚拟电厂的预测出力与实际出力会存在偏差，虚拟电厂的实际利润往往会低于目标利润。一些研究建立了考虑不确定因素的虚拟电厂竞标模型并研究了风、光、水、生物质、电池储能等分布式电源组成虚拟电厂的调度模型，偏差由电网负责平衡，并向运营商收取虚拟电厂不平衡费用，但均只考虑了少数虚拟电厂参与的日前优化调度，未考虑时前多个虚拟电厂的合作空间。
发明内容
本发明要解决的技术问题是：提供一种基于风光不确定性的多虚拟电厂时前合作方法，以解决现有技术未考虑时前多个虚拟电厂的合作空间等技术问题。
本发明通过以下技术方案来实现：
一种基于风光不确定性的多虚拟电厂时前合作方法，包括以下步骤：
步骤1、参加调度的每个虚拟电厂经过独立日前调度并向电网系统申报每个时段的预期出力和负荷情况；
步骤2、利用场景生成技术以及场景削减技术生成含概率信息的经典场景集 S，各虚拟电厂在场景S下，每个时间段内均满足供用电平衡约束和需求响应关系，该场景下的数据集作为相应虚拟电厂的实际出力；
步骤3、根据虚拟电厂实际出力数据，计算合作前各虚拟电厂的实际收益以及电量偏差，以各场景概率下的总经济收益最大为目标，进行各个虚拟电厂的综合日前调度；
步骤4、多个虚拟电厂组成合作联盟进行时前合作，在合作联盟内部进行偏差电量的买卖，参与合作的每个虚拟电厂向合作联盟申报售电量和购电量，以及相应的报价，联盟收集报价后统一出清；采用改进的Roth-Erev增强学习算法仿真各个虚拟电厂决策的行为，使各个虚拟电厂的决策以个体最优的形式进行联盟内的合作博弈，得到联盟内的出清价格以及各虚拟电厂的交易电量；
步骤5、计算合作后各虚拟电厂每个时段的收益以及一日的总收益，并与合作前虚拟电厂的收益比较；
步骤6、为克服场景生成削减技术的偶然性，重复以上步骤2-5，算计各虚拟电厂的平均合作收益，用以论证时前合作方法的有效性。
所述步骤1中，各虚拟电厂独立日前调度及各时间段申报量的确定，利用 mosek求解器进行求解，为了促进清洁能源的利用，虚拟电厂调度中的清洁能源拥有优先发电权。
所述步骤3中，各虚拟电厂综合日前调度，各场景概率下总经济收益最大的目标为：
Figure BDA0001857851000000021
式中，
Figure BDA0001857851000000022
为各场景s发生的概率，
Figure BDA00018578510000000211
为考虑各场景概率下虚拟电厂总的经济收益量，t表示24个时段，
Figure BDA0001857851000000023
和
Figure BDA0001857851000000024
如下式：
Figure BDA0001857851000000025
Figure BDA0001857851000000026
Figure BDA0001857851000000027
Figure BDA0001857851000000028
Figure BDA0001857851000000029
g(x)＝max(x,0)
式中，
Figure BDA00018578510000000210
为虚拟电厂n在场景s下交易所得收益，cg,t cb,t.cs,t分别为虚拟电厂向外售电、向外购电、对内售电的电价，
Figure BDA0001857851000000031
为虚拟电厂n在场景s场景下风、光、储能的实际出力之和，
Figure BDA0001857851000000032
为虚拟电厂向内售电量；
Figure BDA0001857851000000033
为虚拟电厂n在场景s下对用户DR的经济补偿，u为需求响应补偿系数，
Figure BDA0001857851000000034
为需求响应后的实际负荷，
Figure BDA0001857851000000035
为需求响应的负荷改变量，
Figure BDA0001857851000000036
表示负荷增加，
Figure BDA0001857851000000037
表示负荷减小；
Figure BDA0001857851000000038
为电网系统对虚拟电厂n申报偏差的经济惩罚，P0,n,t为虚拟电厂n向电网系统申报的t时段的出力或负荷情况，
Figure BDA0001857851000000039
为虚拟电厂n申报量与实际出力、负荷情况的偏差。
所述步骤4中，采用改进的Roth-Erev增强学习算法仿真各个虚拟电厂决策的行为，使各个虚拟电厂的决策以个体最优的形式进行联盟内的合作博弈，得到联盟内的出清价格以及各虚拟电厂的交易电量；虚拟电厂在联盟中交易电量的售电收益和购电费用分别为：
Un,t＝cc,tPc,n,t
Pc,n,t＝PSell,n,t-PBuy,n,t
式中，cc,t表示出清价格，Pc,n,t表示虚拟电厂n的出清价格；PBuy,n,t， PSell,n,t分别表示虚拟电厂n成功出售的电量以及成功购买的电量，它们满足以下约束条件：
Figure BDA00018578510000000310
Figure BDA00018578510000000311
式中，ΔPn,t为实际出力与日前申报的偏差。虚拟电厂也需要向电网支付相应的输配电费用。该费用由购电方以及售电方共同承担，公式表达为：
Figure BDA0001857851000000041
式中，ctran表示输配电价格。
所述步骤6中，为克服场景生成削减技术的偶然性，对时前合作采用蒙特卡洛法，进行200次以上的实验。
本发明的有益效果为：
1)建立了包括风、光、储能、可控负荷的虚拟电厂日前调度模型，并用仿真证明了多虚拟电厂时前合作所存在的利润空间；
2)通过用仿真实验说明了多虚拟电厂合作的意义，并得到了偏差惩罚价格、虚拟电厂数量、储能及需求响应对虚拟电厂合作的影响；
3)为虚拟电厂的优化调度以及在时前市场中的竞争与合作提供了一定的借鉴。解决了现有技术没有考虑时前多个虚拟电厂的合作空间等技术问题。
附图说明
图1为具体实施方式某个虚拟电厂的日前申报及仿真中的实际出力；
图2为具体实施方式不同数量虚拟电厂组成联盟的平均收益增长率。
具体实施方式
一种基于风光不确定性的多虚拟电厂时前合作方法，包括以下步骤：
步骤1、参加调度的每个虚拟电厂经过独立日前调度并向电网系统申报每个时段的预期出力和负荷情况；
步骤2、利用场景生成技术以及场景削减技术生成含概率信息的经典场景集 S，各虚拟电厂在场景S下，每个时间段内均满足供用电平衡约束和需求响应关系，该场景下的数据集作为相应虚拟电厂的实际出力；
步骤3、根据虚拟电厂实际出力数据，计算合作前各虚拟电厂的实际收益以及电量偏差，以各场景概率下的总经济收益最大为目标，进行各个虚拟电厂的综合日前调度；
步骤4、多个虚拟电厂组成合作联盟进行时前合作，在合作联盟内部进行偏差电量的买卖，参与合作的每个虚拟电厂向合作联盟申报售电量和购电量，以及相应的报价，联盟收集报价后统一出清；采用改进的Roth-Erev增强学习算法仿真各个虚拟电厂决策的行为，使各个虚拟电厂的决策以个体最优的形式进行联盟内的合作博弈，得到联盟内的出清价格以及各虚拟电厂的交易电量；
步骤5、计算合作后各虚拟电厂每个时段的收益以及一日的总收益，并与合作前虚拟电厂的收益比较；
步骤6、为克服场景生成削减技术的偶然性，重复以上步骤2-5，算计各虚拟电厂的平均合作收益，用以论证时前合作方法的有效性。
所述步骤1中，各虚拟电厂独立日前调度及各时间段申报量的确定，利用 mosek求解器进行求解，为了促进清洁能源的利用，虚拟电厂调度中的清洁能源拥有优先发电权。
所述步骤3中，各虚拟电厂综合日前调度，各场景概率下总经济收益最大的目标为：
Figure BDA0001857851000000051
式中，
Figure BDA0001857851000000052
为各场景s发生的概率，
Figure BDA00018578510000000515
为考虑各场景概率下虚拟电厂总的经济收益量，t表示24个时段，
Figure BDA0001857851000000053
和
Figure BDA0001857851000000054
如下式：
Figure BDA0001857851000000055
Figure BDA0001857851000000056
Figure BDA0001857851000000057
Figure BDA0001857851000000058
Figure BDA0001857851000000059
g(x)＝max(x,0)
式中，
Figure BDA00018578510000000510
为虚拟电厂n在场景s下交易所得收益，cg,t cb,t.cs,t分别为虚拟电厂向外售电、向外购电、对内售电的电价，
Figure BDA00018578510000000511
为虚拟电厂n在场景s场景下风、光、储能的实际出力之和，
Figure BDA00018578510000000512
为虚拟电厂向内售电量；
Figure BDA00018578510000000513
为虚拟电厂n在场景s下对用户DR的经济补偿，u为需求响应补偿系数，
Figure BDA00018578510000000514
为需求响应后的实际负荷，
Figure BDA0001857851000000061
为需求响应的负荷改变量，
Figure BDA0001857851000000062
表示负荷增加，
Figure BDA0001857851000000063
表示负荷减小；
Figure BDA0001857851000000064
为电网系统对虚拟电厂n申报偏差的经济惩罚，P0,n,t为虚拟电厂n向电网系统申报的t时段的出力或负荷情况，
Figure BDA0001857851000000065
为虚拟电厂n申报量与实际出力、负荷情况的偏差。
所述步骤4中，采用改进的Roth-Erev增强学习算法仿真各个虚拟电厂决策的行为，使各个虚拟电厂的决策以个体最优的形式进行联盟内的合作博弈，得到联盟内的出清价格以及各虚拟电厂的交易电量；虚拟电厂在联盟中交易电量的售电收益和购电费用分别为：
Un,t＝cc,tPc,n,t
Pc,n,t＝PSell,n,t-PBuy,n,t
式中，cc,t表示出清价格，Pc,n,t表示虚拟电厂n的出清价格；PBuy,n,t， PSell,n,t分别表示虚拟电厂n成功出售的电量以及成功购买的电量，它们满足以下约束条件：
Figure BDA0001857851000000066
Figure BDA0001857851000000067
式中，ΔPn,t为实际出力与日前申报的偏差。虚拟电厂也需要向电网支付相应的输配电费用。该费用由购电方以及售电方共同承担，公式表达为：
Figure BDA0001857851000000068
式中，ctran表示输配电价格。
所述步骤6中，为克服场景生成削减技术的偶然性，对时前合作采用蒙特卡洛法，进行200次以上的实验。
下面结合附图与具体实施例对本发明作进一步说明，实施例仅用于说明本发明而不限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权力要求所限定的范围。
1虚拟电厂日前独立调度
虚拟电厂日前独立调度包含以下三个步骤：
步骤1)参加调度的每个虚拟电厂在了解市场情况以及内部负荷供电情况后，进行独立调度并向电网系统申报每个时段的预期出力和负荷情况，为了促进清洁能源的利用，虚拟电厂调度中的清洁能源拥有优先发电权，将被电网系统大比例吸纳，各虚拟电厂利用mosek求解器进行求解，确定各时间段申报量；
步骤2)利用场景生成技术以及场景削减技术生成指定数量的含概率信息的经典场景集S，各虚拟电厂在场景S下，每个时间段内均满足供用电平衡约束和需求响应关系，该场景下的数据集作为相应虚拟电厂的实际出力，图1展示了实施例中某个虚拟电厂日前调度申报情况以及某一仿真中该虚拟电厂的实际出力情况；
步骤3)根据虚拟电厂实际出力数据，计算合作前各虚拟电厂的实际收益以及电量偏差，并进行相应的奖惩，以各场景概率下的总经济收益最大为目标，进行各个虚拟电厂的综合日前调度。各虚拟电厂结合风光不确定性进行综合的日前调度，其各场景概率下总经济收益最大的目标为：
Figure BDA0001857851000000071
式中，S为场景集，s为场景集中的某一场景，
Figure BDA0001857851000000072
为各场景s发生的概率，
Figure BDA00018578510000000711
为考虑各场景概率下虚拟电厂总的经济收益量，t表示24个时段，
Figure BDA0001857851000000073
和
Figure BDA0001857851000000074
如下式：
Figure BDA0001857851000000075
Figure BDA0001857851000000076
Figure BDA0001857851000000077
Figure BDA0001857851000000078
Figure BDA0001857851000000079
Figure BDA00018578510000000710
Figure BDA0001857851000000081
g(x)＝max(x,0) (9)
式中，
Figure BDA0001857851000000082
为虚拟电厂n在场景s下交易所得收益，cg,t cb,t.cs,t分别为虚拟电厂向外售电、向外购电、对内售电的电价，
Figure BDA0001857851000000083
为虚拟电厂向内售电量，
Figure BDA0001857851000000084
为虚拟电厂n在场景s场景下风、光、储能的实际出力之和，
Figure BDA0001857851000000085
表示VPPn在场景s 下t时段风电实际出力，
Figure BDA0001857851000000086
表示VPPn在场景s下t时段光伏实际出力，
Figure BDA0001857851000000087
表示VPPn在场景s下t时段储能系统的充放电量，
Figure BDA0001857851000000088
表示储能系统正在放电，
Figure BDA0001857851000000089
表示储能系统正在充电；
Figure BDA00018578510000000810
为虚拟电厂n在场景s下对用户DR的经济补偿，u为需求响应补偿系数，
Figure BDA00018578510000000811
为需求响应后的负荷，PL0,n,t为需求响应前的负荷，
Figure BDA00018578510000000812
为负荷的需求响应量，
Figure BDA00018578510000000813
表示负荷增加，
Figure BDA00018578510000000814
表示负荷减小；
Figure BDA00018578510000000815
为电网系统对虚拟电厂n申报偏差的经济惩罚，P0,n,t为虚拟电厂n向电网系统申报的t时段的出力或负荷情况，
Figure BDA00018578510000000816
为虚拟电厂n申报量与实际出力、负荷情况的偏差。同时，虚拟电厂日前独立调度满足风电约束，光伏约束，储能约束以及需求响应约束：
风电约束：
Figure BDA00018578510000000817
Figure BDA00018578510000000818
式中，
Figure BDA00018578510000000819
为风电最大出力，α为最大弃风系数。
光伏约束：
Figure BDA00018578510000000820
Figure BDA00018578510000000821
式中，
Figure BDA00018578510000000822
为光伏最大出力，β为最大弃光系数。
储能约束：
Figure BDA0001857851000000091
Figure BDA0001857851000000092
Figure BDA0001857851000000093
式中，
Figure BDA0001857851000000094
为最大充电速率，
Figure BDA0001857851000000095
为最大放电速率，
Figure BDA0001857851000000096
表示储能系统t时段结束时的电量，En,0表示储能系统的初始值，
Figure BDA0001857851000000097
表示储能系统电量上限。
需求响应约束：
调用DR不能影响用户生活，因此本文加以约束。DR不能改变用户一日内总的用电量，某时段或连续时段DR对负荷的改变量不能太高，公式表示为：
Figure BDA0001857851000000098
Figure BDA0001857851000000099
Figure BDA00018578510000000910
式中，
Figure BDA00018578510000000911
为负荷的最大变化率，
Figure BDA00018578510000000912
为连续时段内负荷最大变化率。
2建立虚拟电厂时前合作联盟模型
为了较少电网系统对偏差电量的经济惩罚，多个虚拟电厂组成合作联盟进行时前合作，在合作联盟内部进行偏差电量的买卖，参与合作的每个虚拟电厂根据自身情况以及市场情况，向合作联盟申报售电量和购电量，以及相应的报价，联盟收集报价后统一出清。本实施例中，设置了9个不同类型的虚拟电厂形成时前合作联盟，各虚拟电厂构成以及各元件的最大功率如表格1所示，并生成了对应的风光出力场景。各虚拟电厂向电网售电价格cg,t＝0.61元/kWh，购电价格为 cb,t＝0.71元/kWh，内部售电采用平谷电价为0.34元/kWh(0:00-7:00)，0.87元 /kWh(17:00-24:00)以及0.59元/kWh(7:00-17:00)，最大弃风率α＝0.05，最大弃光率β＝0.05，最大需求响应率
Figure BDA00018578510000000913
最大连续需求响应率
Figure BDA00018578510000000914
申报与出力偏差惩罚：
Figure BDA00018578510000000915
输配电费用ctran＝0.31 元/kWh。RE算法中，e＝0.97，r＝0.04，k＝1，M＝30。
表1虚拟电厂构成及各电源的装机容量
Figure BDA00018578510000000916
Figure BDA0001857851000000101
如表2所示，由于偏差惩罚，日前的投标数量倾向于小于实际产出。此外，正偏差的总变化等于负偏差的变化，因此大多数正偏差可以被消纳，但仍然有很多负偏差的存在。
表2一日内的申报偏差总量(MWh)
Figure BDA0001857851000000102
3仿真虚拟电厂联盟的时前合作
采用改进的Roth-Erev增强学习算法仿真各个虚拟电厂决策的行为，使各个虚拟电厂的决策以个体最优的形式进行联盟内的合作博弈，得到联盟内的出清价格以及各虚拟电厂的交易电量；虚拟电厂在联盟中售电收益和购电费用分别为：
Un,t＝cc,tPc,n,t (20)
Pc,n,t＝PSell,n,t-PBuy,n,t (21)
式中，Un,t为虚拟电厂n在t时在联盟中交易电量的售电收益和购电费， Un,t＞0表示售电收益，Un,t＜0表示购电费用，cc,t表示出清价格，Pc,n,t表示虚拟电厂n的出清价格；PBuy,n,t，PSell,n,t分别表示虚拟电厂n成功出售的电量以及成功购买的电量，它们满足以下约束条件：
Figure BDA0001857851000000103
Figure BDA00018578510000001112
式中，ΔPn,t为实际出力与日前申报的偏差。虚拟电厂也需要向电网支付相应的输配电费用。该费用由购电方以及售电方共同承担，公式表达为：
Figure BDA0001857851000000111
式中，ctran表示输配电价格。
合作后，虚拟电厂n的实际收益可表示为：
Figure BDA00018578510000001113
Figure BDA0001857851000000112
Figure BDA0001857851000000113
Figure BDA0001857851000000114
Figure BDA0001857851000000115
式中，
Figure BDA0001857851000000116
为虚拟电厂向用户售电以及向电网售电的收益；Dn,t为DR补偿， PL,n,t为DR后虚拟电厂内部用户的实际负荷，本模型中该值在虚拟电厂合作前后不变；
Figure BDA0001857851000000117
为在虚拟电厂合作后的实际处理偏差；
Figure BDA0001857851000000118
表示在虚拟电厂合作后由虚拟电厂n产生的用以满足内部用户需求的电量；PG,n,t，
Figure BDA0001857851000000119
分别表示虚拟电厂n 在合作前后生产的电量。
虚拟电厂n的收益变化可表示为：
Figure BDA00018578510000001110
式中，fn,t表示合作前的实际利润，令Pc,n,t＝0带入公式(23)计算得到该值；γ由
Figure BDA00018578510000001111
决定，并满足约束条件γ1+γ2＝1以及0≤γ1≤1。在合作后，所有虚拟电厂的收益均有增加，即Δfn,t＞0，则必须满足以下约束条件：
Figure BDA0001857851000000121
收益变化率可表示为：
Figure BDA0001857851000000122
表格3展示了某典型时段虚拟电厂合作的交易结果，偏差量表示各虚拟电厂可供交易的电量，小于零表示可售电量，大于零表示可购电量。此时段出清价格为0.52元/kWh。由式(33)可知联盟中各虚拟电厂的报价范围为0.4元/kWh至 1.41元/kWh，可见出清价格较低。当虚拟电厂联盟中购电量少于售电量或者购电者少于售电者时，联盟中的出清价格较低。出清结果符合市场利益分配的规律。
表3某时段各虚拟电厂偏差交易情况(MWh)
虚拟电厂 1 2 3 4 5 6 7 8 9
偏差量 -4.3 -1.3 0 -3.5 0 1.9 -2.9 1.5 0
交易量 1.2 0.4 0 1.0 0 -1.9 0.8 -1.5 0
交易后 -3.1 -0.9 0 -2.5 0 0 -2.1 0 0
4进行多次实验，分析合作前后收益变化
为克服场景生成削减技术的偶然性，对1-3进行多次实验，算计各虚拟电厂的平均合作收益，用以论证时前合作方法的有效性，表格4显示了合作前后各虚拟电厂一日的收益情况：
表4各虚拟电厂合作前后收益比较
Figure BDA0001857851000000123
Figure BDA0001857851000000131
从表4中可以看出，各虚拟电厂的收益在合作后均有增加，特别是对于没有需求响应条件的虚拟电厂，其合作后收益增量更明显。结果也显示，含有风、光两种分布式电源的虚拟电厂，由于风光出力有一定的互补性，与较其他虚拟电厂的合作空间较少。
图2展示了不同数量的虚拟电厂形成的联盟对于合作的影响，从K个虚拟电厂中，选择N个虚拟电厂组成联盟，有
Figure BDA0001857851000000132
种可能性。对于文本的9个虚拟电厂，研究其中的N个虚拟电厂进行合作，其可能性多达上百种。为了折中计算量以及结果的代表性，对于大于20个组合的情况，随机选取20种组合。不同数量虚拟电厂合作的联盟整体收益增长率如图2所示。从图2可见，随着参与虚拟电厂联盟的虚拟电厂数量不断增加，虚拟电厂联盟整体的收益率不断增加，这也从侧面反映出联盟内部各虚拟电厂的平均收益率在不断增加，但随着虚拟电厂数量的继续增加，这种趋势逐渐放缓。
5研究储能系统及需求响应对合作方法的影响
为进一步讨论储能系统以及需求响应对虚拟电厂收益以及合作的影响，分别设置四种情况：案例1中，各虚拟电厂均启用储能系统以及需求响应；案例2中：虚拟电厂均启用储能系统，但不启动需求响应；案例3中，各虚拟电厂均启用需求响应，但不启用储能；案例4中，各虚拟电厂均不启用储能系统以及需求响应。表5比较了四种情况下，9个虚拟电厂组成的联盟合作前的总收益与合作后的总收益。
表5各情况下虚拟电厂联盟合作前后总收益比较
Figure BDA0001857851000000133
由表5可见，当联盟中的各虚拟电厂不启用储能系统或者需求响应时，各虚拟电厂的总收益有所下降，但合作的增加收益却有所上升。案例说明对于不具备储能系统或者需求响应能力的虚拟电厂，其参与虚拟电厂合作的收益会更大。此外，案例4合作后的收益仍大于案例1合作前的收益，说明在本文的设置中虚拟电厂合作能极大地减小电网对虚拟电厂的偏差惩罚，其效果优于储能系统以及需求响应。

Claims (4)

1.一种基于风光不确定性的多虚拟电厂时前合作方法，其特征是：包括以下步骤：
步骤1、参加调度的每个虚拟电厂经过独立日前调度并向电网系统申报每个时段的预期出力和负荷情况；
步骤2、利用场景生成技术以及场景削减技术生成含概率信息的经典场景集S，各虚拟电厂在场景S下，每个时间段内均满足供用电平衡约束和需求响应关系，该场景下的数据集作为相应虚拟电厂的实际出力；
步骤3、根据虚拟电厂实际出力数据，计算合作前各虚拟电厂的实际收益以及电量偏差，以各场景概率下的总经济收益最大为目标，进行各个虚拟电厂的综合日前调度；
步骤3中，各虚拟电厂综合日前调度，各场景概率下总经济收益最大的目标为：
Figure FDA0003455477930000011
式中，S为场景集，s为场景集中的某一场景，
Figure FDA0003455477930000012
为各场景s发生的概率，
Figure FDA0003455477930000013
为考虑各场景概率下虚拟电厂n总的经济收益量，t表示24个时段，
Figure FDA0003455477930000014
和
Figure FDA0003455477930000015
如下式：
Figure FDA0003455477930000016
Figure FDA0003455477930000017
Figure FDA0003455477930000018
Figure FDA0003455477930000021
Figure FDA0003455477930000022
g(x)＝max(x,0)
式中，
Figure FDA0003455477930000023
为虚拟电厂n在场景s下交易所得收益，cg,t cb,t.cs,t分别为虚拟电厂向外售电、向外购电、对内售电的电价，
Figure FDA0003455477930000024
为虚拟电厂n在场景s场景下风、光、储能的实际出力之和，
Figure FDA0003455477930000025
为虚拟电厂向内售电量；
Figure FDA0003455477930000026
为虚拟电厂n在场景s下对用户DR的经济补偿，u为需求响应补偿系数，
Figure FDA0003455477930000027
为需求响应后的实际负荷，
Figure FDA0003455477930000028
为需求响应的负荷改变量，
Figure FDA0003455477930000029
表示负荷增加，
Figure FDA00034554779300000210
表示负荷减小；
Figure FDA00034554779300000211
为电网系统对虚拟电厂n申报偏差的经济惩罚，P0,n,t为虚拟电厂n向电网系统申报的t时段的出力或负荷情况，
Figure FDA00034554779300000212
为虚拟电厂n申报量与实际出力、负荷情况的偏差；
步骤4、多个虚拟电厂组成合作联盟进行时前合作，在合作联盟内部进行偏差电量的买卖，参与合作的每个虚拟电厂向合作联盟申报售电量和购电量，以及相应的报价，联盟收集报价后统一出清；采用改进的Roth-Erev增强学习算法仿真各个虚拟电厂决策的行为，使各个虚拟电厂的决策以个体最优的形式进行联盟内的合作博弈，得到联盟内的出清价格以及各虚拟电厂的交易电量；
步骤5、计算合作后各虚拟电厂每个时段的收益以及一日的总收益，并与合作前虚拟电厂的收益比较；
步骤6、为克服场景生成削减技术的偶然性，重复以上步骤2-5，算计各虚拟电厂的平均合作收益，用以论证时前合作方法的有效性。
2.如权利要求1所述的一种基于风光不确定性的多虚拟电厂时前合作方法，其特征是：所述步骤1中，各虚拟电厂独立日前调度及各时间段申报量的确定，利用mosek求解器进行求解，为了促进清洁能源的利用，虚拟电厂调度中的清洁能源拥有优先发电权。
3.如权利要求1所述的一种基于风光不确定性的多虚拟电厂时前合作方法，
其特征是：所述步骤4中，采用改进的Roth-Erev增强学习算法仿真各个虚拟电厂决策的行为，使各个虚拟电厂的决策以个体最优的形式进行联盟内的合作博弈，得到联盟内的出清价格以及各虚拟电厂的交易电量；虚拟电厂在联盟中交易电量的售电收益和购电费用为：
Un,t＝cc,tPc,n,t
Pc,n,t＝PSell,n,t-PBuy,n,t
式中，Un,t为虚拟电厂n在t时在联盟中交易电量的售电收益和购电费用，Un,t＞0表示售电收益，Un,t＜0表示购电费用，cc,t示出清价格，Pc,n,t表示虚拟电厂n的出清价格；PBuy,n,t，PSell,n,t分别表示虚拟电厂n成功出售的电量以及成功购买的电量，它们满足以下约束条件：
Figure FDA0003455477930000031
Figure FDA0003455477930000032
式中，ΔPn,t为实际出力与日前申报的偏差； 虚拟电厂也需要向电网支付相应的输配电费用； 该费用由购电方以及售电方共同承担，公式表达为：
Figure FDA0003455477930000041
式中，ctran表示输配电价格。
4.如权利要求1所述的一种基于风光不确定性的多虚拟电厂时前合作方法，
其特征是：所述步骤6中，为克服场景生成削减技术的偶然性，对时前合作采用蒙特卡洛法，进行200次以上的实验。
CN201811322433.3A 2018-11-08 2018-11-08 基于风光不确定性的多虚拟电厂时前合作方法 Active CN109389327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811322433.3A CN109389327B (zh) 2018-11-08 2018-11-08 基于风光不确定性的多虚拟电厂时前合作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811322433.3A CN109389327B (zh) 2018-11-08 2018-11-08 基于风光不确定性的多虚拟电厂时前合作方法

Publications (2)

Publication Number Publication Date
CN109389327A CN109389327A (zh) 2019-02-26
CN109389327B true CN109389327B (zh) 2022-04-01

Family

ID=65427084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811322433.3A Active CN109389327B (zh) 2018-11-08 2018-11-08 基于风光不确定性的多虚拟电厂时前合作方法

Country Status (1)

Country Link
CN (1) CN109389327B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348619B (zh) * 2019-07-02 2023-05-30 国网上海市电力公司 可交易能源机制下虚拟电厂的构建及出力优化方法
CN111509700B (zh) * 2020-04-03 2022-04-19 南方电网科学研究院有限责任公司 一种基于电价预测的电网运行管理方法及装置
CN111463834B (zh) * 2020-04-08 2021-12-14 合肥阳光新能源科技有限公司 虚拟电厂的运行控制方法及虚拟电厂
CN111311033B (zh) * 2020-04-24 2020-12-22 广东卓维网络有限公司 一种基于电量互保评价的售电公司电量偏差控制系统
CN112215641A (zh) * 2020-10-10 2021-01-12 国网上海市电力公司 智能楼宇型虚拟电厂参与能量调频的控制方法及系统
CN115983518A (zh) * 2022-12-22 2023-04-18 浙江电力交易中心有限公司 一种风光储一体化系统的申报方法及相关组件

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767033A (zh) * 2017-09-28 2018-03-06 上海交通大学 一种考虑不确定性的虚拟电厂竞价及利益分配方法及系统
CN108399492A (zh) * 2018-02-02 2018-08-14 上海电气分布式能源科技有限公司 一种虚拟电厂内部收益分配方法
CN108446967A (zh) * 2018-02-02 2018-08-24 上海电气分布式能源科技有限公司 虚拟电厂竞价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10181165B2 (en) * 2016-02-12 2019-01-15 Fujitsu Limited Critical peak pricing demand response participant assessment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767033A (zh) * 2017-09-28 2018-03-06 上海交通大学 一种考虑不确定性的虚拟电厂竞价及利益分配方法及系统
CN108399492A (zh) * 2018-02-02 2018-08-14 上海电气分布式能源科技有限公司 一种虚拟电厂内部收益分配方法
CN108446967A (zh) * 2018-02-02 2018-08-24 上海电气分布式能源科技有限公司 虚拟电厂竞价方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Implementation of an electric vehicle test bed controlled by a virtual power plant for contributing to regulating power reserves;MARRA等;《Power and Energy Society General Meeting of IEEE》;20120626;全文 *
发电商基于Q-Learning算法的日前市场竞价策略;王帅;《能源技术经济》;20100320(第03期);全文 *
含风光水的虚拟电厂与配电公司协调调度模型;董文略等;《电力系统自动化》;20150510(第09期);全文 *
基于合作对策论的电力交易计划;赵学顺等;《电力系统及其自动化学报》;20001225(第06期);全文 *
电力拍卖市场的智能代理仿真模型;邹斌等;《中国电机工程学报》;20060317(第15期);全文 *

Also Published As

Publication number Publication date
CN109389327A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN109389327B (zh) 基于风光不确定性的多虚拟电厂时前合作方法
Wang et al. Incentivizing distributed energy resource aggregation in energy and capacity markets: An energy sharing scheme and mechanism design
Aliasghari et al. Risk-based scheduling strategy for electric vehicle aggregator using hybrid Stochastic/IGDT approach
Niromandfam et al. Modeling demand response based on utility function considering wind profit maximization in the day-ahead market
Sen et al. A stochastic programming approach to power portfolio optimization
Jia et al. A bilevel model for optimal bidding and offering of flexible load aggregator in day-ahead energy and reserve markets
Xu et al. Power market load forecasting on neural network with beneficial correlated regularization
Agnetis et al. Optimization models for consumer flexibility aggregation in smart grids: The ADDRESS approach
CN115115277A (zh) 园区综合能源调度方法、装置、计算机设备及存储介质
Golmohamadi et al. Retail energy management in electricity markets: Structure, challenges and economic aspects-a review
Zhang et al. Cournot oligopoly game-based local energy trading considering renewable energy uncertainty costs
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
Lu et al. Shared-constraint approach for multi-leader multi-follower game of generation companies participating in electricity markets with carbon emission trading mechanism
Huang et al. Portfolio management of battery storages in multiple electricity markets
Falabretti et al. Scheduling and operation of RES-based virtual power plants with e-mobility: A novel integrated stochastic model
Vincent et al. Sustainable microgrid design with peer-to-peer energy trading involving government subsidies and uncertainties
Liaquat et al. Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee
Gomes et al. Costless renewable energy distribution model based on cooperative game theory for energy communities considering its members’ active contributions
Vahid-Ghavidel et al. Energy storage system impact on the operation of a demand response aggregator
Rahmani-Andebili et al. Investigating effects of changes in power market regulations on demand-side resources aggregators
CN111695943A (zh) 一种计及浮动高峰电价的优化管理方法
CN111402015A (zh) 一种基于购售风险的虚拟电厂双层竞标方法及系统
Lan et al. Optimal portfolio design of energy storage devices with financial and physical right market
Gulotta et al. Short-term uncertainty in the dispatch of energy resources for VPP: A novel rolling horizon model based on stochastic programming
CN115907321A (zh) 一种基于供给量调控的用户侧交易策略分析方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Nong Jing

Inventor after: Zhao Qingming

Inventor after: Zhang Yu

Inventor after: Tang Xueyong

Inventor after: Li Qingsheng

Inventor after: Deng Pu

Inventor before: Nong Jing

Inventor before: Deng Pu

Inventor before: Zhu Feiyu

Inventor before: Wang Ning

Inventor before: Zhang Jiahui

Inventor before: Zhao Qingming

Inventor before: Lv Xiaoyu

Inventor before: Zhang Yu

Inventor before: Xu Zhiyu

Inventor before: Xu Weisheng

Inventor before: Tang Xueyong

Inventor before: Li Qingsheng

GR01 Patent grant
GR01 Patent grant