CN109447348A - 一种基于模糊联盟的虚拟电厂优化组合机制 - Google Patents
一种基于模糊联盟的虚拟电厂优化组合机制 Download PDFInfo
- Publication number
- CN109447348A CN109447348A CN201811268165.1A CN201811268165A CN109447348A CN 109447348 A CN109447348 A CN 109447348A CN 201811268165 A CN201811268165 A CN 201811268165A CN 109447348 A CN109447348 A CN 109447348A
- Authority
- CN
- China
- Prior art keywords
- alliance
- fuzzy
- value
- energy
- 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.)
- Granted
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 28
- 230000008520 organization Effects 0.000 title claims abstract description 26
- 230000008901 benefit Effects 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000004146 energy storage Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 9
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000006116 polymerization reaction Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模糊联盟的虚拟电厂优化组合机制，涉及分布式能源领域，包括三个阶段，分别为第一阶段、第二阶段和第三阶段；所述第一阶段为联盟效益预估；所述第二阶段为联盟效益分配；所述第三阶段为联盟成员协商。本发明在联盟博弈的基础上，进一步考虑了收益值的不确定性对联盟结构的影响，细化了机制的精细度和完善度；引入三元区间数表征联盟中的不确定因素，并将对应的虚拟交易优化模型转化为三元区间数规划问题，所得决策结果不仅可以传递不确定因素的上下界波动信息，还可传递不确定因素的最可能值信息，从而为分布式电源成员决策提供更多的有效信息。
Description
技术领域
本发明涉及分布式能源领域，尤其涉及一种基于模糊联盟的虚拟电厂优化组合机制。
背景技术
当今，能源供需体系朝低碳化、清洁化转变，能源网络建设朝集中式与分布式协同发展(参见文献1：刘涤尘,彭思成,廖清芬,等.面向能源互联网的未来综合配电系统形态展望[J].电网技术,2015,39(11):3023-3034.LIU Dichen,PENG Sicheng,LIAO Qingfen,etal.Outlook of future integrated distribution system morphology orienting toenergy internet[J].Power System Technology,2015,39(11):3023-3034.)。虚拟电厂，作为分布式能源(包括分布式可再生能源)的灵活聚合技术，将众多分布式电源、负荷、储能及灵活可控装置聚合成一个可控虚拟整体，通过内部多类型能源的协同互动，提高分布式能源的可控性，帮助分布式电源参与电力市场，实现对外部电网的稳定接入,被视为未来能源互联网发展的重要形态之一(参见文献2：卫志农,余爽,孙国强,等.虚拟电厂的概念与发展[J].电力系统自动化,2013,37(13):1-9.WEI Zhinong,YU Shuang,SUN Guoqiang,elal.Concept and development of virtual power plant[J].Automation of ElectricPower System,2013,37(13):1-9.文献3：刘吉臻,李明扬,房方,等.虚拟发电厂研究综述[J].中国电机工程学报,2014,34(29):5103-5111.LIU Jizhen,LI Mingyang,FANG Fang,et al.Review on virtual power plants[J].Proceedings of the CSEE,2014,34(29):5103-5111.文献4：范松丽,苑仁峰,艾芊,等.欧洲超级电网计划及其对中国电网建设启示[J].电力系统自动化,2015,39(10):6-15.FAN Songli.YUAN Renfeng,AI Qian,etal.European supergrid project and its enlightment to China’s power grid[J].Automation of Electric Power System,2015,39(10):6-15.)。
尽管虚拟电厂概念强调对外呈现的功能和效果，从内部来看，聚合不同类型、不同容量、不同控制性能的分布式能源是虚拟电厂实现对外部系统稳定电能输出的前提。这实质上涉及到虚拟电厂的优化组合问题。针对含可再生能源的混合资产型虚拟电厂，具体来说是，选择合适数量、容量的可控机组、储能装置等可控单元作为可再生能源的联盟合作伙伴，来协同配合可再生能源的运行，从而平抑可再生能源的波动性。这其实也是含可再生能源的混合资产型虚拟电厂的重要聚合理念(参见文献5：Navigant Research.Virtualpower plant enabling technologies[R].2016.https://www.navigantresearch.com/research/virtual-power-plant-enabling-technologies.)(北欧虚拟电厂项目多为此类型)。因此，作为虚拟电厂优化运行的前提，研究虚拟电厂的优化组合机制具有重要意义。
目前研究中仅有少许文献着眼于虚拟电厂的优化组合问题，根据主体出发点可将其分为两类：1)将虚拟电厂视为分布式电源的投资商，探究分布式电源的容量优化配置问题(参见文献6：黄昕颖,黎建,杨莉,等.基于投资组合的虚拟电厂多电源容量配置[J].电力系统自动化,2015(19):75-81.HUANG Xinying,LI Jian,YANG Li,et al.Investmentportfolio based multi energy capacity allocation of virtual power plant[J].Automation of Electric Power System,2015(19):75-81.文献7：程华新.节能减排背景下含虚拟电厂的电力系统优化调度[D].华北电力大学,2017.CHENG Huaxin.Optimaldispatch of the power system containing virtual power plants under thebackground of energy conservation and emission reduction[D].North ChinaElectric Power University,2017.文献8：卫志农,陈妤,黄文进,等.考虑条件风险价值的虚拟电厂多电源容量优化配置模型[J].电力系统自动化,2018,42(04):39-46.WEIZhinong,CHEN Shu,HUANG Wenjin,et al.Optimal allocation model for multi-energycapacity of virtual power plant considering conditional value-at-risk[J].Automation of Electric Power System,2018,42(04):39-46.)；2)将虚拟电厂视为分布式电源的联盟体，探究分布式电源间的联盟聚合问题(参见文献9：Shabanzadeh M,Sheikh-El-Eslami M K,Haghifam M R.A medium-term coalition-forming model ofheterogeneous DERs for a commercial virtual power plant[J].Applied Energy,2016,169:663-681.文献10：Robu V,Chalkiadakis G,Kota R,et al.Rewardingcooperative virtual power plant formation using scoring rules[J].Energy,2016,117:19-28.文献11：Biswas S,Bagchi D,Narahari Y.Mechanism design forsustainable virtual power plant formation[C]//IEEE International Conferenceon Automation Science and Engineering.IEEE,2014:67-72.)。文献[6]基于Markowitz投资组合理论，构建了虚拟电厂的多分布式电源容量配置模型。文献[7]类比配电网规划的原则，根据对虚拟电厂服务区负荷的预测值，利用投资组合理论实现虚拟电厂的分布式电源最优容量配置。文献[8]亦基于投资组合理论，建立了考虑CVaR风险度量的虚拟电厂容量优化配置模型。然而上述文献均认为不同分布式电源从属于同一投资商，而并未考虑虚拟电厂内部分布式电源隶属于不同投资主体的情况。主流认知上，虚拟电厂更侧重于多种分布式电源的灵活组合，换言之，虚拟电厂通常被视为众多不同产权不同容量不同类型分布式电源的聚合联盟体。文献[9]将虚拟电厂视为一个中间商，虚拟电厂根据可再生能源出力和市场环境选择最优联盟伙伴。文献[10]探讨了虚拟电厂联盟中的支付激励方案，并利用评分机制刺激分布式电源如实申报出力情况。文献[11]将虚拟电厂的联盟形成构建为一个组合拍卖问题，并证明了机制的激励相容性。上述文献从不同角度探讨了虚拟电厂的动态组合机制，然而需要指出的是，上述策略通常忽视了虚拟电厂聚合时所面临的支付不确定性问题。事实上，由于可再生能源作为虚拟电厂的常见组合成员之一，其出力的不确定性通常导致虚拟电厂实际出力与市场申报计划存在一定偏差，对应地，虚拟电厂联盟体所获得的收益与联盟时的预期收益也存在偏差。换言之，虚拟电厂动态组合过程中，分布式电源通常是根据预期的虚拟利润分配值来决定是否与其他分布式电源形成联盟，而该虚拟利润分配值通常存在一定不确定性。因此，虚拟电厂联盟机制设计过程中，必须合理考虑联盟过程中的不确定因素，并有效地将虚拟利润值的不确定性对分布式电源的行为影响纳入到分布式电源联盟聚合这一过程。
相关的其它参考文献还包括：
文献12：黄华,宋艳萍,德娜&#；吐热汗.三元区间数线性规划及其解法[J].数学的实践与认识,2011,41(19):134-141.
文献13：于晓辉,张强.模糊支付合作对策的核心及其在收益分配问题中的应用[J].模糊系统与数学,2010,24(6):66-75.
文献14：Sengupta A,Pal T K.On Comparing interval numbers:a study onexisting ideas[M]//Fuzzy Preference Ordering of Interval Numbers in DecisionProblems.Springer Berlin Heidelberg,2009:25-37.
文献15：Borkotokey S.Cooperative games with fuzzy coalitions and fuzzycharacteristic functions[J].Fuzzy Sets&Systems,2008,159(2):138-151.
文献16：Mihailescu R C,Vasirani M,Ossowski S.Dynamic coalitionformation and adaptation for virtual power stations in smart grids[R].AAMASWorkshop on Agentes for Energy Systems(ATES-2011),Number 2011.
文献17：Yeung C S K,Poon A S Y,Wu F F.Game theoretical multi-agentmodelling of coalition formation for multilateral trades[J].IEEE Transactionson Power Systems,1999,14(3):929-934.
现有技术存在以下缺点：
1.目前的虚拟电厂优化组合方案多是从单一投资商或中间商的角度进行考虑，而未能从分布式电源成员的角度进行出发。
2.目前存在的研究方案多假定不同类型分布式电源隶属于同一投资商，未能有效考虑虚拟电厂所整合的分布式电源隶属于不同投资主体的场景。
3.目前存在的研究方案多直接根据可再生能源的容量出力直接投资配置可控机组或储能，导致虚拟电厂的结构是固定不变的。事实上，虚拟电厂内部的分布式电源可来自不同隶属主体，根据外界环境或目标的变化，分布式电源之间可自由组合，选择不同联盟伙伴，形成不同结构的虚拟电厂。
4.目前的虚拟电厂优化组合机制多忽略了联盟利润分配的不确定性问题，未能有效考虑联盟过程中利润分配的不确定性对分布式电源联盟行为的影响。
因此，本领域的技术人员致力于开发一种新的虚拟电厂优化组合机制，解决现有技术中存在的问题。
发明内容
本发明涉及不同产权不同类型分布式电源联盟组合成虚拟电厂的动态机制，特别是含可再生能源的混合资产型虚拟电厂的动态组合机制。
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是：
1.从分布式电源的角度出发，本发明将虚拟电厂的优化组合过程构建为多个不同产权不同类型分布式电源自主联盟聚合的过程。分布式电源之间为合作联盟关系，同时根据外界环境变化，可以动态选择不同的联盟伙伴，在结构和控制上拥有更大的自由性和宽容度。
2.考虑可再生能源出力的不确定性，对联盟体的优化模型进行模糊建模，以表征联盟利润的不确定性。同时根据联盟利润值的特征，引入Hukuhara-Shapley法则对模糊联盟利润进行分配，并根据模糊利润值建立偏好序，以反映联盟利润不确定性对分布式电源成员联盟意愿的影响。
为实现上述目的，本发明提供了一种基于模糊联盟的虚拟电厂优化组合机制，从联盟博弈的角度考虑不同产权不同类型分布式电源动态聚合的过程，同时考虑联盟预期利润的不确定性对分布式电源联盟行为的影响，包括三个阶段，分别为第一阶段、第二阶段和第三阶段；所述第一阶段为联盟效益预估；所述第二阶段为联盟效益分配；所述第三阶段为联盟成员协商；
所述第一阶段按如下步骤实现联盟效益预估：
步骤1-1：虚拟电厂控制中心收集分布式电源成员的信息，所述信息包括DERs信息和外部市场信息，所述分布式电源成员为有意愿参与联盟的成员；
步骤1-2：列举所有可能的联盟组合，建立所述不同联盟组合的虚拟交易模型，并对所述虚拟交易模型进行求解；
步骤1-3：计算所述分布式电源成员单独运行的效益，计算出所述所有联盟组合下可能的虚拟联盟收益；
所述第二阶段按如下步骤实现联盟效益分配：
步骤2-1：确定效益分配策略；
步骤2-2：计算所述不同联盟组合下的虚拟收益分配，并传递至所述各分布式电源成员；
所述第三阶段按如下步骤实现联盟成员协商：
步骤3-1：所述各分布式电源成员建立偏好排序，将所有可能参与的联盟组合下获得的收益进行排序，并与所述分布式电源成员单独运行的效益进行对比分析；
步骤3-2：所述各分布式电源成员确定愿意参与的联盟组合，并与其他分布式成员谈判协商；
步骤3-3：确定最佳虚拟电厂联盟结构。
进一步地，所述DERs信息包括种类数量、运行参数、成本信息、及可再生能源预测出力；所述外部市场信息包括能量价格和备用价格。
进一步地，所述第一阶段利用三元区间数刻画所述联盟组合优化过程中的不确定因素，将所述不同联盟组合的虚拟交易模型构建为三元区间规划模型。
进一步地，所述三元区间数刻画的过程包括如下步骤：
a)基于历史风速数据及天气预报情况，预测交易日的风速数据，得到所述交易日的风速变化曲线，所述历史风速数据的采样间隔设置为5分钟；
b)计算时段t的平均风速值
c)统计所述时段t内大于平均风速的风速数据，并计算其平均值，记为
d)统计所述时段t内小于平均风速的风速数据，并计算其平均值，记为
e)获得每个1小时间隔内的平均风速变化区间，其三元区间数表示为
f)根据风速-风电出力之间的函数关系，获得风电出力在每小时间隔内的三元变化区间即
式中：PR为风机的额定输出功率，vCI为切入风速，vCO为切出风速，vR为额定风速。
进一步地，所述三元区间规划模型为：
式中：m为所述联盟组合；为所述时段t的决策变量集合，包括联盟组合m与外部市场的电能、备用交易量，及联盟组合m内成员的功率调度基准点；αw、αs、αg为二进制变量，分别表征可再生能源、储能单元、可控机组在所述联盟组合m中的参与状态，当参与所述联盟组合m时，值为1，否则为0；表示所述联盟组合m的外部交易收益，等于能量市场售电收益减去备用购买成本；分别表示向市场售电的价格及从市场购买备用价格；则分别表示所述时段t内联盟组合m的市场售电量和备用购买量；表示所述可再生能源的机组运行成本函数，为所述可再生能源的单位运行成本，为所述时段t内所述可再生能源的预测出力；表示所述储能单元的运行成本函数，为所述储能单元的单位损耗成本，分别为所述储能单元在所述时段t的充电功率和放电功率；表示所述可控机组的运行成本函数；ug,t、vg,t表示所述可控机组的运行状态和启动状态，为二进制变量；为所述可控机组的启动成本和单位运行维护成本；a、b、c则分别对应所述可控机组的二次能耗成本系数。
进一步地，所述三元区间规划模型包括四类约束：系统约束、可再生能源出力约束、储能约束、以及可控机组出力约束；
所述系统约束包括功率平衡约束和备用需求约束，所述功率平衡约束为：
所述功率平衡约束可进一步转化为如下形式：
式中：为变量的具体三元区间参量，分别表征所述可控机组出力的上下界及最可能值信息；为变量的具体三元区间参量，分别表征所述风电出力的上下界及最可能值信息；为变量的具体三元区间参量，分别表征储能放电功率的上下界及最可能值信息；为变量的具体三元区间参量，分别表征所述联盟组合m与外部市场的交互功率上下界及最可能值信息；为变量的具体三元区间参量，分别表征储能充电功率的上下界及最可能值信息；
所述备用需求约束为：
式中：ηw为备用系数；表示所述可控机组的最大出力，URg表示所述可控机组的爬坡速率；表示所述储能单元的最小能量限制，ηdis为所述储能单元的放电效率，为所述储能单元的最大放电功率；
所述可再生能源出力约束为：
式中：为所述可再生能源的预测值；
所述储能约束为：
uch,t+udis,t≤1 (13)
Es,t＝Es,t-1+ηchPch,t-Pdis,t/ηdis (17)
Es,ini＝Es,T (18)
式中：uch,t、udis,t为二进制变量，分别表征所述储能单元的充放电状态；为所述储能单元的最大充电功率，Es,t为所述储能单元在所述时段t的储能能量值，表示所述储能单元的最小能量限制，表示所述储能单元的最大能量限制；ηch表示所述储能单元的充电效率，ηdis表示所述储能单元的放电效率；
所述可控机组出力约束为：
-DRg·ΔT≤Pg,t-Pg,t-1≤URg·ΔT (20)
式中：DRg、URg分别表示所述可控机组的向下、向上爬坡速率；MUTg、MDTg分别表示所述可控机组的最小开机、停机时间限制；则分别表示在t-1时段所述可控机组的累计开机、停机时间。
进一步地，所述第二阶段引入Hukuhara-Shapley值法计算所述不同联盟组合下的虚拟收益分配。
进一步地，所述Hukuhara-Shapley值的定义为：
对于n个所述分布式电源成员的合作对策如果n维的区间向量满足有效性公理、对称性公理和可加性公理三条公理，则所述n维的区间向量称为所述合作对策的Hukuhara-Shapley值，其中表示模糊支付，为三元区间数；
所述有效性公理为：如果对于包含i的子集S都有则
所述对称性公理为：如果i,j∈N，对于任意联盟总有 则有
所述可加性公理为：对于任意两个合作对策和如果存在一个合作对策对于任意的联盟总有则
所述合作对策的Hukuhara-Shapley值必定存在且唯一；其中，第i个分布式电源成员的支付值为：
式中：表示第i个分布式电源成员的模糊支付值；|S|为子联盟S内成员数，n表示全联盟内成员总数；均为模糊变量，分别表示联盟S及不包括成员i参加时的联盟效益值。
进一步地，所述第三阶段中各分布式电源成员利用隶属度函数的比较来建立偏好排序原则。
进一步地，所述偏好排序原则为：
假定和为所述分布式电源成员i在任意两种其所参与的组合形式下的分配利润值，即
式中：为模糊利润值的特元，表示最有可能得到的值，则为模糊利润值的波动上下界；类似地，分别为模糊利润值的特元，及波动上下界；
所述模糊利润值的区间宽度分别为：
所述区间宽度分别表示两个利润区间的波动不确定性程度，值越大，表示不确定性波动幅度越大；所述特元则表示两个利润的最可能值，其值越大，表示所述分布式电源成员i在该方案下所获得的利润值越大；
假定所述模糊利润值的特元小于等于所述模糊利润值的特元：
所述模糊利润值的区间宽度存在以下两种场景：
场景1:
场景2:
在所述场景1下，所述模糊利润值的不确定度大于等于所述模糊利润值且所述模糊利润值的最可能值也小于所述模糊利润值所述模糊利润值优先于所述模糊利润值在所述场景2下，所述模糊利润值的最可能值较大，所面临的不确定波动程度也较大，所述分布式电源成员i很难抉择所述模糊利润值和所述模糊利润值的优先级；
定义模糊集其隶属度函数μB′(X)为：
所述隶属度函数μB′(X)的值将随着X的特元x*的增加而增加，随着X的宽度w(X)增加而减小；当μB′(X)＝1时，X强优先于B，B完全被拒绝；当μB′(X)＝0时，B强优先于X，B完全被接受；当0≤μB′(X)≤0.5时，所述分布式电源成员i更偏好模糊值B；当0.5≤μB′(X)≤1，所述分布式电源成员i更偏好模糊值X；
其中，所述隶属度函数μB′(X)表示在模糊对(X,B)中的偏好水平，其值大于等于0、小于等于1；当0≤μB′(X)≤1时，μB′(X)值表示B的拒绝程度。
本发明提供的一种基于模糊联盟的虚拟电厂优化组合机制取得以下技术效果：
1、在联盟博弈的基础上，进一步考虑了收益值的不确定性对联盟结构的影响，细化了机制的精细度和完善度；
2、引入三元区间数表针联盟中的不确定因素，并将对应的虚拟交易优化模型转化为三元区间数规划问题，所得决策结果不仅可以传递不确定因素的上下界波动信息，还可传递不确定因素的最可能值信息，从而为分布式电源成员决策提供更多的有效信息。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是虚拟电厂联盟组合机制示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
如图1所示，一种基于模糊联盟的虚拟电厂优化组合机制，包括三个阶段，分别为第一阶段、第二阶段和第三阶段；第一阶段为联盟效益预估；第二阶段为联盟效益分配；第三阶段为联盟成员协商。
第一阶段按如下步骤实现联盟效益预估：
步骤1-1：虚拟电厂控制中心收集分布式电源成员的信息，信息包括DERs信息和外部市场信息，分布式电源成员为有意愿参与联盟的成员；DERs信息包括种类数量、运行参数、成本信息、及可再生能源预测出力；外部市场信息包括能量价格和备用价格；
步骤1-2：列举所有可能的联盟组合，建立不同联盟组合的虚拟交易模型，并对虚拟交易模型进行求解；
步骤1-3：计算分布式电源成员单独运行的效益，计算出所有联盟组合下可能的虚拟联盟收益；
第二阶段按如下步骤实现联盟效益分配：
步骤2-1：确定效益分配策略；
步骤2-2：计算不同联盟组合下的虚拟收益分配，并传递至各分布式电源成员；
第三阶段按如下步骤实现联盟成员协商：
步骤3-1：各分布式电源成员建立偏好排序，将所有可能参与的联盟组合下获得的收益进行排序，并与分布式电源成员单独运行的效益进行对比分析；
步骤3-2：各分布式电源成员确定愿意参与的联盟组合，并与其他分布式成员谈判协商；
步骤3-3：确定最佳虚拟电厂联盟结构。
在联盟效益预估阶段，假定存在一个控制中心收集所有具有联盟意愿的分布式电源信息。根据意愿参与联盟的成员种类数量，对所有可能的联盟组合进行排序列举。随后，虚拟电厂控制中心建立不同联盟组合的虚拟交易模型，并计算出所有联盟组合下可能的虚拟联盟收益。因为尚未形成真正的联盟组合体，此时的交易模型和联盟收益是一个预估的虚拟值，并且仅仅作为数据存储，并不发生真正的交易切割。考虑到虚拟电厂优化组合中联盟成员的信息需求，利用三元区间数刻画了优化组合过程中的不确定因素，并将不同联盟组合下的虚拟交易模型构建为三元区间规划模型。
由于虚拟电厂动态联盟组合发生在真正的最优报价决策之前，该过程面临可再生的出力不确定性及市场电价的不确定性。通常情况下，针对可再生能源的出力预测，很难获取其精确的概率分布模型。同时，影响不确定性的因素可能非常复杂，因此单纯使用概率分布函数来表征不确定性可能并不适合。相反，不确定参量的预测上下界普遍并不难获得，而且预测者通常也知晓不确定参量最可能发生的值(发生可能性最大的值)。因此，利用三元区间数刻画不确定参量相对更为容易，且能给决策提供更多信息。以风电为例，其预测出力的三元区间数形式具体刻画过程如下：
三元区间数刻画的过程包括如下步骤：
a)基于历史风速数据及天气预报情况，预测交易日内(也即本研究的时间周期)的风速数据，得到交易日的风速变化曲线，历史风速数据的采样间隔设置为5分钟；
b)计算时段t的平均风速值
c)统计时段t内大于平均风速的风速数据，并计算其平均值，记为
d)统计时段t内小于平均风速的风速数据，并计算其平均值，记为
e)获得每个1小时间隔内的平均风速变化区间，其三元区间数表示为
f)根据风速-风电出力之间的函数关系，获得风电出力在每小时间隔内的三元变化区间即
式中：PR为风机的额定输出功率，vCI为切入风速，vCO为切出风速，vR为额定风速。
市场环境下，联盟体虚拟交易模型的目标是通过合理向市场报价以最大化组合收益，其收益来源于向市场售电，而成本主要来自于从备用市场购买备用、以及分布式成员的自身运行成本。需要说明的是，由于本模型中的不确定变量表征为三元区间数形式，预期调整成本间接体现在收益的波动区间上。
三元区间规划模型为：
式中：m为联盟组合；为时段t的决策变量集合，包括联盟组合m与外部市场的电能、备用交易量，及联盟组合m内成员的功率调度基准点；αw、αs、αg为二进制变量，分别表征可再生能源、储能单元、可控机组在联盟组合m中的参与状态，当参与联盟组合m时，值为1，否则为0；表示联盟组合m的外部交易收益，等于能量市场售电收益减去备用购买成本；分别表示向市场售电的价格及从市场购买备用价格；则分别表示时段t内联盟组合m的市场售电量和备用购买量；表示可再生能源的机组运行成本函数，为可再生能源的单位运行成本，为时段t内可再生能源的预测出力；表示储能单元的运行成本函数，为储能单元的单位损耗成本，分别为储能单元在时段t的充电功率和放电功率；表示可控机组的运行成本函数；ug,t、vg,t表示可控机组的运行状态和启动状态，为二进制变量；为可控机组的启动成本和单位运行维护成本；a、b、c则分别对应可控机组的二次能耗成本系数。
三元区间规划模型包括四类约束：系统约束、可再生能源出力约束、储能约束、以及可控机组出力约束；
系统约束包括功率平衡约束和备用需求约束，功率平衡约束为：
功率平衡约束可进一步转化为如下形式：
式中：为变量的具体三元区间参量，分别表征可控机组出力的上下界及最可能值信息；为变量的具体三元区间参量，分别表征风电出力的上下界及最可能值信息；为变量的具体三元区间参量，分别表征储能放电功率的上下界及最可能值信息；为变量的具体三元区间参量，分别表征联盟组合m与外部市场的交互功率上下界及最可能值信息；为变量的具体三元区间参量，分别表征储能充电功率的上下界及最可能值信息；
备用需求约束为：
式中：ηw为备用系数；表示可控机组的最大出力，URg表示可控机组的爬坡速率；表示储能单元的最小能量限制，ηdis为储能单元的放电效率，为储能单元的最大放电功率；联盟体的备用来源包括可控机组、储能装置、以及从外部市场购买，而备用需求量则主要取决于可再生能源的出力情况。由于联盟体并不一定包含可再生能源、可控机组、储能装置等所有类型成员，因此需考虑联盟成员参与的状态变量。
可再生能源出力约束为：
式中：为可再生能源的预测值；
储能约束为：
uch,t+udis,t≤1 (13)
Es,t＝Es,t-1+ηchPch,t-Pdis,t/ηdis (17)
Es,ini＝Es,T (18)
式中：uch,t、udis,t为二进制变量，分别表征储能单元的充放电状态；为储能单元的最大充电功率，Es,t为储能单元在时段t的储存能量值，表示储能单元的最小能量限制，表示储能单元的最大能量限制；ηch表示储能单元的充电效率，ηdis表示储能单元的放电效率；式(13)限制储能装置在同一时段只能充电或放电；式(14)、(15)表示储能充放电功率限制约束；式(16)表示储能能量大小约束；式(17)表示储能的充放电功率与能量大小的约束关系；式(18)要求在一个完整的周期内，储能最终储存能量等于初始能量状态。
可控机组出力约束为：
-DRg·ΔT≤Pg,t-Pg,t-1≤URg·ΔT (20)
式中：DRg、URg分别表示可控机组的向下、向上爬坡速率；MUTg、MDTg分别表示可控机组的最小开机、停机时间限制；则分别表示在t-1时段可控机组的累计开机、停机时间。式(19)表示可控机组的出力大小约束；式(20)限制可控机组相邻时间段的爬坡速率；式(21)、(22)表示可控机组的最小启停机时间约束。
在联盟效益分配阶段，效益分配策略的选择是该阶段的一个重点，也是影响分布式电源成员是否加入某一特定联盟组合的关键因素。只有保证收益分配的公平性、合理性，分布式电源成员才愿意达成合作协议，组成合作联盟。需要注意的是，不同于真正发生交易后的联盟效益分配是一个确定值，联盟组合阶段所得到的效益是一个预估的虚拟值，存在一定的不确定和波动性。在联盟效益分配计算过程中，效益预估值的不确定性也需要考虑进去。故而，本方案拟引入Hukuhara-Shapley值法对联盟的虚拟模糊利润进行分配。
根据前述虚拟交易模型可以求得联盟的整体支付函数，在此基础上，进一步讨论如何公平地将联盟收益分配给内部其成员。首先，该分配机制必须保证联盟成员参与该联盟后所获得的收益高于其单独运行时收益。其次，新成员的加入并不会削减原联盟成员的收益情况。为了合理量度联盟内部成员对总体支付函数的边际贡献，Hukuhara-Shapley(夏普利值法)被广泛应用于联盟博弈的利益分配中。
由于可再生能源出力的不确定性，联盟的虚拟收益存在一定的不确定性。根据前述模型描述，联盟所获得的虚拟交易收益为一个三元区间数。在联盟的虚拟收益是三元区间数的前提下，各联盟成员也认为联盟的收益是不确定的，相应地，其对可能分配的收益预期也是不确定的，联盟利益分配过程中也应考虑到这种不确定性。因此，本研究拟采用“Hukuhara-Shapley”法则进行联盟的虚拟收益分配。
Hukuhara-Shapley值的定义为：
对于n个分布式电源成员的合作对策如果n维的区间向量满足有效性公理、对称性公理和可加性公理三条公理，则n维的区间向量称为合作对策的Hukuhara-Shapley值，其中表示模糊支付，为三元区间数；
有效性公理为：如果对于包含i的子集S都有则
对称性公理为：如果i,j∈N，对于任意联盟总有 则有
可加性公理为：对于任意两个合作对策和如果存在一个合作对策对于任意的联盟总有则
合作对策的Hukuhara-Shapley值必定存在且唯一；其中，第i个分布式电源成员的支付值为：
式中：表示第i个分布式电源成员的模糊支付值；|S|为子联盟S内成员数，n表示全联盟内成员总数；均为模糊变量，分别表示联盟S及不包括成员i参加时的联盟效益值。
在收到控制中心预估的收益分配值后，各分布式电源成员将自己所有可能参与的联盟结构下所获得的收益进行排序，并确定愿意参与哪些联盟，根据优先级顺序与其他分布式成员谈判协商，从而形成最终的虚拟电厂联盟组合结构。该阶段的重点是联盟成员对其所可能参与联盟组合如何进行偏好排序。由于虚拟收益分配值的不确定性，组合成员对效益大小及效益波动的心理偏好将会影响其对组合结构的偏好排序。本方案拟根据收益值的模糊特性，利用隶属度函数的比较来建立偏好排序原则。
根据前述分析，由于虚拟交易的不确定性，导致成员所预期分配的利润也均为三元区间形式的模糊数。因此联盟组合过程中，联盟成员将会对其参与的所有联盟组合形式下所获得利润进行对比排序，也即涉及三元区间数的偏好序问题。假定和为分布式电源成员i在任意两种其所参与的组合形式下的分配利润值，即
式中：为模糊利润值的特元，表示最有可能得到的值，则为模糊利润值的波动上下界；类似地，分别为模糊利润值的特元，及波动上下界；
模糊利润值的区间宽度分别为：
区间宽度分别表示两个利润区间的波动不确定性程度，值越大，表示不确定性波动幅度越大；特元则表示两个利润的最可能值，其值越大，表示分布式电源成员i在该方案下所获得的利润值越大；
假定模糊利润值的特元小于等于模糊利润值的特元：
模糊利润值的区间宽度存在以下两种场景：
场景1:
场景2:
在场景1下，模糊利润值的不确定度大于等于模糊利润值且模糊利润值的最可能值也小于模糊利润值模糊利润值优先于模糊利润值在场景2下，模糊利润值的最可能值较大，所面临的不确定波动程度也较大，分布式电源成员i很难抉择模糊利润值和模糊利润值的优先级；
定义模糊集其隶属度函数μB′(X)为：
隶属度函数μB′(X)的值将随着X的特元x*的增加而增加，随着X的宽度w(X)增加而减小；当μB′(X)＝1时，X强优先于B，B完全被拒绝；当μB′(X)＝0时，B强优先于X，B完全被接受；当0≤μB′(X)≤0.5时，分布式电源成员i更偏好模糊值B；当0.5≤μB′(X)≤1，分布式电源成员i更偏好模糊值X；
其中，隶属度函数μB′(X)表示在模糊对(X,B)中的偏好水平，其值大于等于0、小于等于1；当0≤μB′(X)≤1时，μB′(X)值表示B的拒绝程度。
基于上述排序原则，各分布式电源将会对其所可能参与的所有组合下的利润分配模糊量进行对比排序。根据排序结果，这些联盟成员之间将会相互通信协调，选择其所可以参与的最优组合结构，形成真正的联盟体并参与市场进行真正的运行决策(也即通常意义下的虚拟电厂运行决策)。值得注意的是，某些情况下，一些分布式成员所最希望加入的最优结构可能对其潜在联盟成员并不是最优结果；相反，其联盟伙伴所偏向的联盟结构对该成员可能是次优的，因此这些分布式成员之间存在协调谈判的过程。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于模糊联盟的虚拟电厂优化组合机制，其特征在于，包括三个阶段，分别为第一阶段、第二阶段和第三阶段；所述第一阶段为联盟效益预估；所述第二阶段为联盟效益分配；所述第三阶段为联盟成员协商；
所述第一阶段按如下步骤实现联盟效益预估：
步骤1-1：虚拟电厂控制中心收集分布式电源成员的信息，所述信息包括DERs信息和外部市场信息，所述分布式电源成员为有意愿参与联盟的成员；
步骤1-2：列举所有可能的联盟组合，建立所述不同联盟组合的虚拟交易模型，并对所述虚拟交易模型进行求解；
步骤1-3：计算所述分布式电源成员单独运行的效益，计算出所述所有联盟组合下可能的虚拟联盟收益；
所述第二阶段按如下步骤实现联盟效益分配：
步骤2-1：确定效益分配策略；
步骤2-2：计算所述不同联盟组合下的虚拟收益分配，并传递至所述各分布式电源成员；
所述第三阶段按如下步骤实现联盟成员协商：
步骤3-1：所述各分布式电源成员建立偏好排序，将所有可能参与的联盟组合下获得的收益进行排序，并与所述分布式电源成员单独运行的效益进行对比分析；
步骤3-2：所述各分布式电源成员确定愿意参与的联盟组合，并与其他分布式成员谈判协商；
步骤3-3：确定最佳虚拟电厂联盟结构。
2.如权利要求1所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，所述DERs信息包括种类数量、运行参数、成本信息、及可再生能源预测出力；所述外部市场信息包括能量价格和备用价格。
3.如权利要求1所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，所述第一阶段利用三元区间数刻画所述联盟组合优化过程中的不确定因素，将所述不同联盟组合的虚拟交易模型构建为三元区间规划模型。
4.如权利要求3所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，所述三元区间数刻画的过程包括如下步骤：
a)基于历史风速数据及天气预报情况，预测交易日的风速数据，得到所述交易日的风速变化曲线，所述历史风速数据的采样间隔设置为5分钟；
b)计算时段t的平均风速值
c)统计所述时段t内大于平均风速的风速数据，并计算其平均值，记为
d)统计所述时段t内小于平均风速的风速数据，并计算其平均值，记为
e)获得每个1小时间隔内的平均风速变化区间，其三元区间数表示为
f)根据风速-风电出力之间的函数关系，获得风电出力在每小时间隔内的三元变化区间即
式中：PR为风机的额定输出功率，vCI为切入风速，vCO为切出风速，vR为额定风速。
5.如权利要求4所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，所述三元区间规划模型为：
式中：m为所述联盟组合；为所述时段t的决策变量集合，包括联盟组合m与外部市场的电能、备用交易量，及联盟组合m内成员的功率调度基准点；αw、αs、αg为二进制变量，分别表征可再生能源、储能单元、可控机组在所述联盟组合m中的参与状态，当参与所述联盟组合m时，值为1，否则为0；表示所述联盟组合m的外部交易收益，等于能量市场售电收益减去备用购买成本；λt P、λt R分别表示向市场售电的价格及从市场购买备用价格；则分别表示所述时段t内联盟组合m的市场售电量和备用购买量；表示所述可再生能源的机组运行成本函数，为所述可再生能源的单位运行成本，为所述时段t内所述可再生能源的预测出力；表示所述储能单元的运行成本函数，为所述储能单元的单位损耗成本，分别为所述储能单元在所述时段t的充电功率和放电功率；表示所述可控机组的运行成本函数；ug,t、vg,t表示所述可控机组的运行状态和启动状态，为二进制变量；为所述可控机组的启动成本和单位运行维护成本；a、b、c则分别对应所述可控机组的二次能耗成本系数。
6.如权利要求5所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，所述三元区间规划模型包括四类约束：系统约束、可再生能源出力约束、储能约束、以及可控机组出力约束；
所述系统约束包括功率平衡约束和备用需求约束，所述功率平衡约束为：
所述功率平衡约束可进一步转化为如下形式：
式中：为变量的具体三元区间参量，分别表征所述可控机组出力的上下界及最可能值信息；为变量的具体三元区间参量，分别表征所述风电出力的上下界及最可能值信息；为变量的具体三元区间参量，分别表征储能放电功率的上下界及最可能值信息；为变量的具体三元区间参量，分别表征所述联盟组合m与外部市场的交互功率上下界及最可能值信息；为变量的具体三元区间参量，分别表征储能充电功率的上下界及最可能值信息；
所述备用需求约束为：
式中：ηw为备用系数；表示所述可控机组的最大出力，URg表示所述可控机组的爬坡速率；表示所述储能单元的最小能量限制，ηdis为所述储能单元的放电效率，为所述储能单元的最大放电功率；
所述可再生能源出力约束为：
式中：为所述可再生能源的预测值；
所述储能约束为：
uch,t+udis,t≤1 (13)
Es,t＝Es,t-1+ηchPch,t-Pdis,t/ηdis (17)
Es,ini＝Es,T (18)
式中：uch,t、udis,t为二进制变量，分别表征所述储能单元的充放电状态；为所述储能单元的最大充电功率，Es,t为所述储能单元在所述时段t的储存能量值，表示所述储能单元的最小能量限制，表示所述储能单元的最大能量限制；ηch表示所述储能单元的充电效率，ηdis表示所述储能单元的放电效率；
所述可控机组出力约束为：
-DRg·ΔT≤Pg,t-Pg,t-1≤URg·ΔT (20)
式中：DRg、URg分别表示所述可控机组的向下、向上爬坡速率；MUTg、MDTg分别表示所述可控机组的最小开机、停机时间限制；则分别表示在t-1时段所述可控机组的累计开机、停机时间。
7.如权利要求3所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，所述第二阶段引入Hukuhara-Shapley值法计算所述不同联盟组合下的虚拟收益分配。
8.如权利要求7所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，在基于Hukuhara-Shapley值的虚拟收益分配法则中，所述Hukuhara-Shapley值的定义为：
对于n个所述分布式电源成员的合作对策如果n维的区间向量满足有效性公理、对称性公理和可加性公理三条公理，则所述n维的区间向量称为所述合作对策的Hukuhara-Shapley值，其中表示模糊支付，为三元区间数；
所述有效性公理为：如果对于包含i的子集S都有则
所述对称性公理为：如果i,j∈N，对于任意联盟总有 则有
所述可加性公理为：对于任意两个合作对策和如果存在一个合作对策对于任意的联盟总有则
所述合作对策的Hukuhara-Shapley值必定存在且唯一；其中，第i个分布式电源成员的支付值为：
式中：表示第i个分布式电源成员的模糊支付值；|S|为子联盟S内成员数，n表示全联盟内成员总数；均为模糊变量，分别表示联盟S及不包括成员i参加时的联盟效益值。
9.如权利要求3所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，所述第三阶段中各分布式电源成员利用隶属度函数的比较来建立偏好排序原则。
10.如权利要求9所述的基于模糊联盟的虚拟电厂优化组合机制，其特征在于，基于隶属度函数的所述偏好排序原则为：
假定和为所述分布式电源成员i在任意两种其所参与的组合形式下的分配利润值，即
式中：为模糊利润值的特元，表示最有可能得到的值，则为模糊利润值的波动上下界；类似地，分别为模糊利润值的特元，及波动上下界；
所述模糊利润值的区间宽度分别为：
所述区间宽度分别表示两个利润区间的波动不确定性程度，值越大，表示不确定性波动幅度越大；所述特元则表示两个利润的最可能值，其值越大，表示所述分布式电源成员i在该方案下所获得的利润值越大；
假定所述模糊利润值的特元小于等于所述模糊利润值的特元：
所述模糊利润值的区间宽度存在以下两种场景：
场景1:
场景2:
在所述场景1下，所述模糊利润值的不确定度大于等于所述模糊利润值且所述模糊利润值的最可能值也小于所述模糊利润值所述模糊利润值优先于所述模糊利润值在所述场景2下，所述模糊利润值的最可能值较大，所面临的不确定波动程度也较大，所述分布式电源成员i很难抉择所述模糊利润值和所述模糊利润值的优先级；
定义模糊集B′＝{(X,B)|x*≤b*,w(X)＜w(B)}，其隶属度函数μB′(X)为：
所述隶属度函数μB′(X)的值将随着X的特元x*的增加而增加，随着X的宽度w(X)增加而减小；当μB′(X)＝1时，X强优先于B，B完全被拒绝；当μB′(X)＝0时，B强优先于X，B完全被接受；当0≤μB′(X)≤0.5时，所述分布式电源成员i更偏好模糊值B；当0.5≤μB′(X)≤1，所述分布式电源成员i更偏好模糊值X；
其中，所述隶属度函数μB′(X)表示在模糊对(X,B)中的偏好水平，其值大于等于0、小于等于1；当0≤μB′(X)≤1时，μB′(X)值表示B的拒绝程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811268165.1A CN109447348B (zh) | 2018-10-29 | 2018-10-29 | 一种基于模糊联盟的虚拟电厂优化组合机制 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811268165.1A CN109447348B (zh) | 2018-10-29 | 2018-10-29 | 一种基于模糊联盟的虚拟电厂优化组合机制 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109447348A true CN109447348A (zh) | 2019-03-08 |
| CN109447348B CN109447348B (zh) | 2022-01-11 |
Family
ID=65549049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811268165.1A Active CN109447348B (zh) | 2018-10-29 | 2018-10-29 | 一种基于模糊联盟的虚拟电厂优化组合机制 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447348B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348619A (zh) * | 2019-07-02 | 2019-10-18 | 国网上海市电力公司经济技术研究院 | 可交易能源机制下虚拟电厂的构建及出力优化方法 |
| CN111898098A (zh) * | 2020-08-18 | 2020-11-06 | 哈尔滨工业大学 | 面向多方协作的利益相关者服务价值冲突发现和消解方法 |
| CN112865151A (zh) * | 2021-01-19 | 2021-05-28 | 西安交通大学 | 一种含电动汽车的虚拟发电厂在线实时调度方法 |
| CN113191625A (zh) * | 2021-04-28 | 2021-07-30 | 天津大学 | 计及综合效率评价的虚拟电厂组建方法 |
| CN113762921A (zh) * | 2021-08-30 | 2021-12-07 | 国网上海市电力公司 | 基于上界置信算法的虚拟电厂分布式能源资源聚合方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120130556A1 (en) * | 2010-11-18 | 2012-05-24 | Marhoefer John J | Virtual power plant system and method incorporating renewal energy, storage and scalable value-based optimization |
| CN103971181A (zh) * | 2014-05-20 | 2014-08-06 | 河海大学 | 一种用于虚拟电厂的日前经济调度方法 |
| CN107507078A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于讨价还价博弈的分布式能源收益分配策略 |
| 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 |
-
2018
- 2018-10-29 CN CN201811268165.1A patent/CN109447348B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120130556A1 (en) * | 2010-11-18 | 2012-05-24 | Marhoefer John J | Virtual power plant system and method incorporating renewal energy, storage and scalable value-based optimization |
| US20160172859A1 (en) * | 2010-11-18 | 2016-06-16 | John J. Marhoefer | Virtual power plant system and method incorporating renewal energy, storage and scalable value-based optimization |
| CN103971181A (zh) * | 2014-05-20 | 2014-08-06 | 河海大学 | 一种用于虚拟电厂的日前经济调度方法 |
| CN107507078A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于讨价还价博弈的分布式能源收益分配策略 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 宗晓英等: "风电并网系统的区间动态经济调度方法研究", 《东北电力大学学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348619A (zh) * | 2019-07-02 | 2019-10-18 | 国网上海市电力公司经济技术研究院 | 可交易能源机制下虚拟电厂的构建及出力优化方法 |
| 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 |
| CN111898098A (zh) * | 2020-08-18 | 2020-11-06 | 哈尔滨工业大学 | 面向多方协作的利益相关者服务价值冲突发现和消解方法 |
| CN112865151A (zh) * | 2021-01-19 | 2021-05-28 | 西安交通大学 | 一种含电动汽车的虚拟发电厂在线实时调度方法 |
| CN112865151B (zh) * | 2021-01-19 | 2023-05-02 | 西安交通大学 | 一种含电动汽车的虚拟发电厂在线实时调度方法 |
| CN113191625A (zh) * | 2021-04-28 | 2021-07-30 | 天津大学 | 计及综合效率评价的虚拟电厂组建方法 |
| CN113762921A (zh) * | 2021-08-30 | 2021-12-07 | 国网上海市电力公司 | 基于上界置信算法的虚拟电厂分布式能源资源聚合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109447348B (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Day-ahead bidding strategy for electric vehicle aggregator enabling multiple agent modes in uncertain electricity markets | |
| Zheng et al. | A peer-to-peer energy trading market embedded with residential shared energy storage units | |
| Shafiekhani et al. | Strategic bidding of virtual power plant in energy markets: A bi-level multi-objective approach | |
| Volpato et al. | General guidelines for the optimal economic aggregation of prosumers in energy communities | |
| Liu et al. | Demand-side management with household plug-in electric vehicles: A Bayesian game-theoretic approach | |
| CN109447348A (zh) | 一种基于模糊联盟的虚拟电厂优化组合机制 | |
| Fang et al. | An efficient and incentive-compatible market design for energy storage participation | |
| Adil et al. | Energy trading among electric vehicles based on Stackelberg approaches: A review | |
| Zheng et al. | Two-phase operation for coordinated charging of electric vehicles in a market environment: From electric vehicle aggregators’ perspective | |
| Yan et al. | Peer-to-Peer transactive energy trading of multiple microgrids considering renewable energy uncertainty | |
| Oliveira et al. | Consumer-centric electricity markets: A comprehensive review on user preferences and key performance indicators | |
| Chang et al. | Day-ahead bidding strategy of cloud energy storage serving multiple heterogeneous microgrids in the electricity market | |
| Chen et al. | Asymmetric Nash bargaining model for peer-to-peer energy transactions combined with shared energy storage | |
| Zhu et al. | A bilevel bidding and clearing model incorporated with a pricing strategy for the trading of energy storage use rights | |
| Jodeiri-Seyedian et al. | Grid-aware pricing scheme in future distribution systems based on real-time power tracing and bi-level optimization | |
| An et al. | Distributed online incentive scheme for energy trading in multi-microgrid systems | |
| Abdel-Raouf et al. | A survey of game theory applications in electrical power micro-grid systems | |
| Liu et al. | Network-Constrained Peer-to-Peer energy trading for multiple microgrids considering zoning pricing | |
| Liang et al. | An aggregated model for energy management considering crowdsourcing behaviors of distributed energy resources | |
| He et al. | Optimized shared energy storage in a peer-to-peer energy trading market: Two-stage strategic model regards bargaining and evolutionary game theory | |
| Ji et al. | Game-theoretic applications for decision-making behavior on the energy demand side: a systematic review | |
| Rashidizadeh-Kermani et al. | Strategic offering of a price maker wind power producer in distribution-level energy markets in presence of flexible prosumers | |
| Casalicchio et al. | Renewable energy communities: business models of multi-family housing buildings | |
| Pałka et al. | Balancing electric power in a microgrid via programmable agents auctions | |
| Chen | Energy-use Internet and friendly interaction with power grid: A perspective |
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 |