CN109993639B - 一种虚拟电厂参与日前电力市场的优化投标策略 - Google Patents

Abstract

本发明涉及电力系统及其自动化技术领域，具体涉及一种虚拟电厂参与日前电力市场的优化投标策略。本发明针对虚拟电厂参与日前电力市场投标研究，建立了优化投标模型，提出了优化投标策略，为今后虚拟电厂参与日前电力市场提供了科学理论支持。所建立的成本容量模型，充分考虑了虚拟电厂内部多类型不同需求侧资源出力特性，生成的优化投标策略计及了投标主体内部不同需求侧资源在日前市场投标电量和投标电价，体现了投标策略的优越性。

Description

一种虚拟电厂参与日前电力市场的优化投标策略

技术领域

本发明涉及电力系统及其自动化技术领域，具体涉及一种虚拟电厂参与日前电力市场的优化投标策略。

背景技术

近年来，风电、太阳能等间歇性能源发展迅猛，随着大规模可再生能源接入，其随机性和间歇性特点使得电力系统安全稳定运行带来一定挑战。燃气轮机、电动汽车、柔性负荷等需求侧资源因其灵活、经济、可靠、环保特点，能有效解决上述问题，因此得到迅速发展。但需求侧资源一般容量较小，且多以分散形式存在，在电力市场上不具有竞争力，亟需协调多类型需求侧资源管理技术出现。

虚拟电厂能有效聚合分散的不同容量等级需求侧资源，通过协调优化控制，能够提高系统整体的稳定性，减轻调度负担，同时作为整体参与电力市场，具有更强的市场竞争力，为用户带来可观收益，有利于调动电力用户参与系统运行的积极性实现资源的高效利用。在需求响应项目中，虚拟电厂聚合的广义需求侧资源主要包括分布式发电(distributed generation，DG)资源、储能资源和负荷资源。其中，DG资源包括2类：一类式是诸如风能、太阳能等间歇式可再生能源，另一类是可控DG资源，如燃料电池、微型燃气轮机、柴油发电机等。储能资源包括静态储能和电动汽车。负荷资源包括不可平移负荷、可平移负荷和可削减负荷等。现在研究关于虚拟电厂参与日前电力市场投标优化，缺少对协调多类型不同需求侧资源出力特性的刻画，没有充分考虑投标主体内部不同需求侧资源在日前市场投标电量和投标电价的获取，没有实现合理协调需求侧资源出力，达到利益最大化。

发明内容

为了解决上述问题，本发明提供了一种虚拟电厂参与日前电力市场的优化投标策略，具体技术方案如下：

一种虚拟电厂参与日前电力市场的优化投标策略包括以下步骤：

S1：在各虚拟电厂提交其需求侧资源的投标电量和电价后，以最小成本为优化目标构建调度中心市场出清模型，获取市场出清价格和出清电量；

S2：根据步骤S1得到的市场出清价格，结合虚拟电厂内部需求侧资源的变动运行成本和投标电量，获得该虚拟电厂净收益函数；

S3：以虚拟电厂最大净收益为优化目标，结合其内部各需求侧资源最大容量约束，建立虚拟电厂的投标优化模型；

S4：根据步骤S1获得的市场出清模型的最优性条件，将其作为虚拟电厂投标优化的部分约束条件，从而将步骤S3建立的投标优化模型转化成具有平衡约束的数学规划模型；

S5：采用二进制扩充方法处理步骤S4中的具有平衡约束的数学规划模型中的非线性项，即连续变量乘积，形成混合整数规划模型；

S6：结合虚拟电厂内部需求侧资源的出力特性，确定虚拟电厂参与日前市场的优化投标模型；

S7：采用Yamip/Gurobi软件计算虚拟电厂参与日前电力市场的最大收益投标模型，获取投标电量和投标电价。

优选地，所述步骤S1中的构建调度中心市场出清模型的具体步骤如下：

S11：在各虚拟电厂提交其需求侧资源i的投标电量P_i和投标电价λ_i后，调度中心进行经济调度获取出清电价π_d和出清电量g_i，假设出清电量g_i≥0，其目标函数如下：

式中，I表示所有需求侧资源集合；

S12：负荷供需平衡约束：

式中，d为负荷；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；

S13：出清电量受到投标电量约束如下：

g_i≤P_i,i∈Iπ_gi (3)；

式中，π_gi是对偶变量，表示需求侧资源i增加单位投标电量的边际效益。

优选地，所述步骤S2中的获得该虚拟电厂净收益函数的计算方式为：设该虚拟电厂为虚拟电厂A，虚拟电厂A的总收入减去运行成本即得净收益R，具体如下：

式中，c_i表示需求侧资源i的变动运行成本；i∈A表示属于虚拟电厂A的需求侧资源集合；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；g_i为出清电量。

优选地，所述步骤S3中建立虚拟电厂的投标优化模型的步骤具体如下：

S31：设该细腻电厂为虚拟电厂A，虚拟电厂A投标优化目标是其净收益最大化，具体如下：

式中，c_i表示虚拟电厂A的需求侧资源i的变动运行成本；i∈A表示属于虚拟电厂A的需求侧资源集合；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；g_i为出清电量。

S32：虚拟电厂A的需求侧资源i投标电量具有出力约束，具体如下：

P_i≤P_i ^max i∈A (6)；

式中，P_i为虚拟电厂A的需求侧资源i的投标电量，P_i ^max表示虚拟电厂A的需求侧资源i 的最大容量。

优选地，所述步骤S4中的将步骤S3建立的投标优化模型转化成平衡约束的数学规划模型的步骤具体如下：

S41：根据对偶理论，获取市场出清模型的最优性条件，具体如式(7)-(16)，将其加入到步骤S3建立的虚拟电厂A的投标优化模型的约束条件中，得到虚拟电厂A具有平衡约束的数学规划模型；

g_i-P_i≤0,i∈A (8)；

π_d+π_gi-λ_i≤0,i∈A (10)；

π_gi≤0,i∈I (12)；

(π_d+π_gi-λ_i)g_i＝0,i∈A (13)；

(P_i-g_i)π_gi＝0,i∈A (15)；

其中，式(7)-(9)是步骤S1的构建的调度中心市场出清模型的约束条件，式(10)-(12)是对偶问题的约束条件，式(13)-(16)是互补条件；

式中，

为虚拟电厂A的预测市场负荷；

表示虚拟电厂A预测其余需求侧资源的投标电量-电价；P_i为虚拟电厂A的需求侧资源i的投标电量，g_i为出清电量；λ_i为投标电价；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；π_gi是对偶变量，表示需求侧资源 i增加单位投标电量的边际效益；

表示市场其余需求侧资源集合；

S42：根据g_i≥0,i∈I，对公式(10)和(11)进行变形，得到：

(π_d+π_gi-λ_i)g_i≤0,i∈A (17)；

S43：根据公式(12)，对公式(8)和(9)进行变形，得到：

(g_i-P_i)π_gi≤0,i∈A (19)；

S44：根据公式(17)-(20)的非正性，得到互补条件(13)-(16)的等效公式：

S45：使用公式(7):重新安排公式(21)各项，得到等效公式(22)，即原对偶等式条件为：

S46：至此，生成步骤S3建立的虚拟电厂A的投标优化模型的目标函数及其约束条件，步骤S3建立的虚拟电厂A的投标优化模型的目标函数如式(5)所示，其约束条件为式(6)-(12)和式(22)。

优选地，所述步骤S5中采用二进制扩充方法处理步骤S4中的具有平衡约束的数学规划模型中的非线性项的具体步骤如下：

S51：应用式(13)和(15)的互补条件，用λ_ig_i和π_giP_i重写目标函数(5)中的非线性项π_dg_i：

π_dg_i＝λ_ig_i-π_giP_i (23)；

S52：采用二进制扩充方法处理约束条件(22)中的非线性项λ_ig_i：

首先，通过一组离散值{λ_im,m＝0,1,...,M₁}近似连续决策变量λ_i，其近似表达式为：

这里，

λ_i的取值区间为

x_ki为二进制变量；然后，将g_i乘以等式(24)两侧，得到新变量z_ki＝x_kig_i，从而得到：

同时，引入相应约束：

0≤g_i-z_ki≤G₁(1-x_ki) (26)；

0≤z_ki≤G₁x_ki (27)；

式中，G₁是一个常数，通常

S53：采用二进制扩充方法，处理约束条件(22)中的非线性项π_giP_i：

首先，通过一组离散值{P_im,m＝0,1,...,M₂}近似连续决策变量P_i，其近似表达式为

这里，

P_i的取值区间为(P_i ^min,P_i ^max)，ΔP_i＝(P_i ^max-P_i ^min)/M₂，y_ki为二进制变量；然后，将π_gi乘以等式(28)两侧，得到新变量w_ki＝π_giy_ki，从而得到：

同时，引入相应约束

0≤w_ki-π_gi≤G₂(1-y_ki) (30)；

0≤-w_ki≤G₂y_ki (31)；

式中，G₂是一个常数，通常

S54：在目标函数(5)，约束条件(6)-(12)和(22)应用上述步骤S51-S53的线性转化形式，得到混合整数规划模型：

π_gi≤0,i∈I (40)；

0≤g_i-z_ki≤G₁(1-x_ki),i∈A (42)；

0≤z_ki≤G₁x_ki,i∈A (43)；

0≤w_ki-π_gi≤G₂(1-y_ki),i∈A (44)；

0≤-w_ki≤G₂y_ki,i∈A (45)；

x_ki,y_ki∈{0,1},i∈A (46)。

优选地，所述步骤S6中确定虚拟电厂参与日前市场的优化投标模型的具体步骤如下：

S61：确定虚拟电厂A所参与日前市场的时间间隔为Δt，时段数

S62：根据虚拟电厂A和其他虚拟电厂内部需求侧资源组成情况，确定市场中所有需求侧资源种类、数目以及所属虚拟电厂；

S63：根据历史信息和市场信息，虚拟电厂A预测得到市场负荷

和其余需求侧资源投标电量和电价；

S64：根据虚拟电厂A内部需求侧资源特性，构建其在t时段容量成本模型C_A,t；

S65：根据成本容量模型及相关约束，结合预测信息，构建虚拟电厂A参加日前电力市场优化投标模型。

优选地，所述Δt设置为1h，则时段数＝24/1＝24时段。

本发明的有益效果为：本发明针对虚拟电厂参与日前电力市场投标研究，建立了优化投标模型，提出了优化投标策略，为今后虚拟电厂参与日前电力市场提供了科学理论支持。所建立的成本容量模型，充分考虑了虚拟电厂内部多类型不同需求侧资源出力特性，生成的优化投标策略计及了投标主体内部不同需求侧资源在日前市场投标电量和投标电价，体现了投标策略的优越性。

具体实施方式

为了更好的理解本发明，下面具体实施例对本发明作进一步说明：

一种虚拟电厂参与日前电力市场的优化投标策略包括以下步骤：

S1：在各虚拟电厂提交其需求侧资源的投标电量和电价后，以最小成本为优化目标构建调度中心市场出清模型，获取市场出清价格和出清电量；构建调度中心市场出清模型的具体步骤如下：

S11：在各虚拟电厂提交其需求侧资源i的投标电量P_i和投标电价λ_i后，调度中心进行经济调度获取出清电价π_d和出清电量g_i，假设出清电量g_i≥0，其目标函数如下：

式中，I表示所有需求侧资源集合；

S12：负荷供需平衡约束：

式中，d为负荷；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；

S13：出清电量受到投标电量约束如下：

g_i≤P_i,i∈Iπ_gi (3)；

式中，π_gi是对偶变量，表示需求侧资源i增加单位投标电量的边际效益。

S2：根据步骤S1得到的市场出清价格，结合虚拟电厂内部需求侧资源的变动运行成本和投标电量，获得该虚拟电厂净收益函数；获得该虚拟电厂净收益函数的计算方式为：设该虚拟电厂为虚拟电厂A，虚拟电厂A的总收入减去运行成本即得净收益R，具体如下：

式中，c_i表示需求侧资源i的变动运行成本；i∈A表示属于虚拟电厂A的需求侧资源集合；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；g_i为出清电量。

S3：以虚拟电厂最大净收益为优化目标，结合其内部各需求侧资源最大容量约束，建立虚拟电厂的投标优化模型；建立虚拟电厂的投标优化模型的步骤具体如下：

S31：设该细腻电厂为虚拟电厂A，虚拟电厂A投标优化目标是其净收益最大化，具体如下：

式中，c_i表示虚拟电厂A的需求侧资源i的变动运行成本；i∈A表示属于虚拟电厂A的需求侧资源集合；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；g_i为出清电量。 S32：虚拟电厂A的需求侧资源i投标电量具有出力约束，具体如下：

P_i≤P_i ^max i∈A (6)；

式中，P_i为虚拟电厂A的需求侧资源i的投标电量，P_i ^max表示虚拟电厂A的需求侧资源i 的最大容量。

S4：根据步骤S1获得的市场出清模型的最优性条件，将其作为虚拟电厂投标优化的部分约束条件，从而将步骤S3建立的投标优化模型转化成具有平衡约束的数学规划模型；具体如下：

S41：根据对偶理论，获取市场出清模型的最优性条件，具体如式(7)-(16)，将其加入到步骤S3建立的虚拟电厂A的投标优化模型的约束条件中，得到虚拟电厂A具有平衡约束的数学规划模型；

g_i-P_i≤0,i∈A (8)；

π_d+π_gi-λ_i≤0,i∈A (10)；

π_gi≤0,i∈I (12)；

(π_d+π_gi-λ_i)g_i＝0,i∈A (13)；

(P_i-g_i)π_gi＝0,i∈A (15)；

其中，式(7)-(9)是步骤S1的构建的调度中心市场出清模型的约束条件，式(10)-(12)是对偶问题的约束条件，式(13)-(16)是互补条件；

式中，

为虚拟电厂A的预测市场负荷；

表示虚拟电厂A预测其余需求侧资源的投标电量-电价；P_i为虚拟电厂A的需求侧资源i的投标电量，g_i为出清电量；λ_i为投标电价；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；π_gi是对偶变量，表示需求侧资源 i增加单位投标电量的边际效益；

表示市场其余需求侧资源集合；

S42：根据g_i≥0,i∈I，对公式(10)和(11)进行变形，得到：

(π_d+π_gi-λ_i)g_i≤0,i∈A (17)；

S43：根据公式(12)，对公式(8)和(9)进行变形，得到：

(g_i-P_i)π_gi≤0,i∈A (19)；

S44：根据公式(17)-(20)的非正性，得到互补条件(13)-(16)的等效公式：

S45：使用公式(7):重新安排公式(21)各项，得到等效公式(22)，即原对偶等式条件为：

S46：至此，生成步骤S3建立的虚拟电厂A的投标优化模型的目标函数及其约束条件，步骤S3建立的虚拟电厂A的投标优化模型的目标函数如式(5)所示，其约束条件为式(6)-(12)和式(22)。

S5：采用二进制扩充方法(a binary expansion approach)处理步骤S4中的具有平衡约束的数学规划模型中的非线性项，即连续变量乘积，形成混合整数规划模型；具体步骤如下：

S51：应用式(13)和(15)的互补条件，用λ_ig_i和π_giP_i重写目标函数(5)中的非线性项π_dg_i：

π_dg_i＝λ_ig_i-π_giP_i (23)；

S52：采用二进制扩充方法处理约束条件(22)中的非线性项λ_ig_i：

首先，通过一组离散值{λ_im,m＝0,1,...,M₁}近似连续决策变量λ_i，其近似表达式为：

这里，

λ_i的取值区间为

x_ki为二进制变量；然后，将g_i乘以等式(24)两侧，得到新变量z_ki＝x_kig_i，从而得到：

同时，引入相应约束：

0≤g_i-z_ki≤G₁(1-x_ki) (26)；

0≤z_ki≤G₁x_ki (27)；

式中，G₁是一个常数，通常

S53：采用二进制扩充方法，处理约束条件(22)中的非线性项π_giP_i：

首先，通过一组离散值{P_im,m＝0,1,...,M₂}近似连续决策变量P_i，其近似表达式为

这里，

P_i的取值区间为(P_i ^min,P_i ^max)，ΔP_i＝(P_i ^max-P_i ^min)/M₂，y_ki为二进制变量；然后，将π_gi乘以等式(28)两侧，得到新变量w_ki＝π_giy_ki，从而得到：

同时，引入相应约束

0≤w_ki-π_gi≤G₂(1-y_ki) (30)；

0≤-w_ki≤G₂y_ki (31)；

式中，G₂是一个常数，通常

S54：在目标函数(5)，约束条件(6)-(12)和(22)应用上述步骤S51-S53的线性转化形式，得到混合整数规划模型：

π_gi≤0,i∈I (40)；

0≤g_i-z_ki≤G₁(1-x_ki),i∈A (42)；

0≤z_ki≤G₁x_ki,i∈A (43)；

0≤w_ki-π_gi≤G₂(1-y_ki),i∈A (44)；

0≤-w_ki≤G₂y_ki,i∈A (45)；

x_ki,y_ki∈{0,1},i∈A (46)。

S6：结合虚拟电厂内部需求侧资源的出力特性，确定虚拟电厂参与日前市场的优化投标模型；具体步骤如下：

S61：确定虚拟电厂A所参与日前市场的时间间隔为Δt，时段数

本实施例中Δt设置为1h，则时段数＝24/1＝24时段。

S62：根据虚拟电厂A和其他虚拟电厂内部需求侧资源组成情况，确定市场中所有需求侧资源种类、数目以及所属虚拟电厂。以虚拟电厂A、B和C参加区域日前市场投标为例进行介绍。虚拟电厂A由4类需求侧资源组成，包括风电机组(wind turbine,PT)、燃气轮机(gas turbine，GT)、电动汽车(electric vehicle，EV)和柔性负荷(price-sensitivedemand response，PSDR)。虚拟电厂B由GT和PSDR组成。虚拟电厂C由GT和EV组成。此处PSDR是指基于激励的需求响应负荷。

S63：根据历史信息和市场信息，虚拟电厂A预测得到市场负荷

和其余需求侧资源投标电量和电价。包括虚拟电厂B的投标信息

和虚拟电厂C的投标信息

此处PSDR⁺表示增加需求响应负荷，而PSDR^-表示减少需求响应负荷。

S64：根据虚拟电厂A内部需求侧资源特性，构建其在t时段容量成本模型C_A,t。

S641：虚拟电厂A在t时段容量成本模型C_A,t具体包括WT成本C_A,WT,t、GT成本C_A,GT,t、PSDR成本C_A,PSDR,t和EV成本C_A,EV,t，即：

C_A,t＝C_A,WT,t+C_A,GT,t+C_A,PSDR,t+C_A,EV,t； (47)

①WT成本

由于WT发电成本为零，这里WT成本主要是弃风成本：

C_A,WT,t＝c_WTP_A,WT,t (48)；

式中，c_WT表示弃风电惩罚费用；P_A,WT,t表示在t时刻弃风电；

表示虚拟电厂A预测风电机组在时刻t发电功率。

②GT成本

GT成本由燃料费用、启停成本和碳排放惩罚成本组成，即：

其中：

η_A,GT,t＝a_A,GT(P_A,GT,t)²+b_A,GTP_A,GT,t+c_A,GT (51)；

式中，F_A,GT,t为GT燃气耗量；LHV为低位热值；η_A,GT,t分别为GT发电效率；

分别为GT启停成本；D_K、Y_K、V_K分别为第k类污染气体的排放量及单位排放量对应的罚款和环境价值；P_A,GT,t为GT发电功率；a_A,GT、b_A,GT、c_A,GT为GT效率系数；

分别为 GT每次开机、停机费用；u_A,GT,t为二进制变量，分别为GT机组在时段t工作状态。

GT的相关约束条件为：

式中，

表示GT在时刻t的最大出力。

③PSDR成本

PSDR成本是需求响应负荷削减或增加产生的费用，即：

C_A,PSDR,t＝a_A,PSDR(P_A,PSDR,t)²+b_A,PSDRP_A,PSDR,t+c_A,PSDR,t (55)；

式中，P_A,PSDR,t表示PSDR在时刻t负荷削减量或增加量；a_A,PSDR、b_A,PSDR、c_A,PSDR,t表示与价格弹性系数及电价折扣率有关系数。

PSDR的相关约束条件如下：

式中：

表示PSDR在时刻t最大削减或增加负荷；

和

分别表示PSDR 在时刻t削减负荷和增加负荷；

和

分别表示PSDR在时刻t是否处于削减负荷状态和增加负荷状态。

④EV成本

EV成本是电池损耗成本，即：

式中：n_A,EV表示EV数量；c_A,EV,i、E_A,EV,i、N_A,EV,i、DOD_A,EV,i分别表示第i辆EV的电池购买成本、电池容量、电池可用循环次数及电池可用放电限度；

为EV的放电效率；L_A,EV,i,t为第i辆EV在时刻t的行驶距离；S_A,EV,i表示第i辆EV能量需求；

为决策变量，表示 EV的放电功率。

EV的相关约束条件具体如下：

式中，E_A,EV,i,t表示第i辆EV在时刻t的蓄电量；

分别表示第i辆EV蓄电量上、下限；

表示第i辆EV在时刻t的充电功率；

分别表示第i辆EV充放功率上限；

分别表示第i辆EV在时刻t是否处于充放状态；

表示第i辆 EV在时刻t是否处于接入电网状态；

分别表示第i辆EV始、末时刻蓄电量；

分别表示第i辆EV充电效率。

S642：应用分段线性化方法，处理GT容量成本模型及约束条件。具体是将GT在t时刻燃料费用

与出力函数分成n_GT段，每一段引入一个状态变量τ_i,GT,t和一个连续变量p_i,GT,t，其燃料费用的线性化表达式如下：

相关约束条件为：

p_i,GTτ_i,t≤p_i,GT,t≤p_i+1,GTτ_i,GT,t (72)；

对于GT启停成本模型，可以重写为线性形式：

S643：应用分段线性化方法，处理PSDR成本容量模型及相关约束条件。具体是将PSDR 在t时刻增加负荷费用

与出力函数分成

段，每一段引入一个状态变量

和一个连续变量

其增加负荷费用的线性化表达式如下：

相关约束条件为：

将PSDR在t时刻削减负荷费用

与出力函数分成

段，每一段引入一个状态变量

和一个连续变量

其削减负荷费用的线性化表达式如下：。

相关约束条件为：

S65：根据成本容量模型及相关约束，结合预测信息，构建虚拟电厂A参加日前电力市场优化投标模型。虚拟电厂A出清电量包括弃风电g_A,WT,t、GT出力g_A,GT,t、需求响应增加负荷

需求响应减少负荷

EV充电功率

和EV放电功率

市场所有需求侧资源用集合I表示。虚拟电厂A在时段t总出清电量可表示为：

虚拟电厂B总出清电量可表示为：

虚拟电厂C总出清电量表示为：

构建的虚拟电厂A参加日前电力市场优化投标模型为：

π_gi,t≤0,i∈I； (102)

0≤g_i,t-z_ki,t≤G₁(1-x_ki,t),i∈A； (104)

0≤z_ki,t≤G₁x_ki,t,i∈A； (105)

0≤w_ki,t-π_gi,t≤G₂(1-y_ki,t),i∈A； (106)

0≤-w_ki,t≤G₂y_ki,t,i∈A； (107)

u_i,t,x_ki,t,y_ki,t∈{0,1},i∈A； (108)

式中，系数δ_i,t取+1或-1，即公式(93)g_i,t系数为正数时取+1，系数为负数时取-1。此外，虚拟电厂A出清电量满足GT有关约束(70-78)，PSDR相关约束(56-60)、(80-84)、 (86-90)，EV有关约束(62-68)。

S7：采用Yamip/Gurobi软件计算虚拟电厂参与日前电力市场的最大收益投标模型，获取投标电量和投标电价，具体步骤如下：

S71：应用蒙特卡罗方法对虚拟电厂A的每辆电动汽车行驶距离和并网时间进行模拟，生成n_EV辆电动汽车单一时刻驶入和驶离的电动汽车数量及行驶距离输入数据，并采用K-means聚类算法抽取N_EV类典型电动汽车，得到每类电动汽车具有相近并网时间和行驶距离。

S72：根据N_EV类典型电动汽车并网时间、行驶距离和数量，累加得到每类EV充、放电功率上限、并网容量和行驶距离，用N_EV类典型EV参数更新投标优化模型中涉及EV模型参数。

S73：采用Yamip/Gurobi商用软件计算虚拟电厂参加日前市场的优化投标模型，获取虚拟电厂 A内部各类需求侧资源投标电量和电价。

本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种虚拟电厂参与日前电力市场的优化投标方法，其特征在于：包括以下步骤：

S1：在各虚拟电厂提交其需求侧资源的投标电量和电价后，以最小成本为优化目标构建调度中心市场出清模型，获取市场出清价格和出清电量；所述步骤S1中的构建调度中心市场出清模型的具体步骤如下：

S11：在各虚拟电厂提交其需求侧资源i的投标电量P_i和投标电价λ_i后，调度中心进行经济调度获取出清电价π_d和出清电量g_i，假设出清电量g_i≥0，其目标函数如下：

式中，I表示所有需求侧资源集合；

S12：负荷供需平衡约束：

式中，d为负荷；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；

S13：出清电量受到投标电量约束如下：

g_i≤P_i,i∈I π_gi (3)；

式中，π_gi是对偶变量，表示需求侧资源i增加单位投标电量的边际效益；

S2：根据步骤S1得到的市场出清价格，结合虚拟电厂内部需求侧资源的变动运行成本和投标电量，获得该虚拟电厂净收益函数；获得该虚拟电厂净收益函数的计算方式为：设该虚拟电厂为虚拟电厂A，虚拟电厂A的总收入减去运行成本即得净收益R，具体如下：

式中，c_i表示需求侧资源i的变动运行成本；i∈A表示属于虚拟电厂A的需求侧资源集合；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；g_i为出清电量；

S3：以虚拟电厂最大净收益为优化目标，结合其内部各需求侧资源最大容量约束，建立虚拟电厂的投标优化模型；建立虚拟电厂的投标优化模型的步骤具体如下：

S31：设该虚拟电厂为虚拟电厂A，虚拟电厂A投标优化目标是其净收益最大化，具体如下：

式中，c_i表示虚拟电厂A的需求侧资源i的变动运行成本；i∈A表示属于虚拟电厂A的需求侧资源集合；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；g_i为出清电量；

S32：虚拟电厂A的需求侧资源i投标电量具有出力约束，具体如下：

P_i≤P_i ^max i∈A (6)；

式中，P_i为虚拟电厂A的需求侧资源i的投标电量，P_i ^max表示虚拟电厂A的需求侧资源i的最大容量；

S4：根据步骤S1获得的市场出清模型的最优性条件，将其作为虚拟电厂投标优化的部分约束条件，从而将步骤S3建立的投标优化模型转化成具有平衡约束的数学规划模型；所述步骤S4中的将步骤S3建立的投标优化模型转化成平衡约束的数学规划模型的步骤具体如下：

S41：根据对偶理论，获取市场出清模型的最优性条件，具体如式(7)-(16)，将其加入到步骤S3建立的虚拟电厂A的投标优化模型的约束条件中，得到虚拟电厂A具有平衡约束的数学规划模型；

g_i-P_i≤0,i∈A (8)；

π_d+π_gi-λ_i≤0,i∈A (10)；

π_gi≤0,i∈I (12)；

(π_d+π_gi-λ_i)g_i＝0,i∈A (13)；

(P_i-g_i)π_gi＝0,i∈A (15)；

其中，式(7)-(9)是步骤S1的构建的调度中心市场出清模型的约束条件，式(10)-(12)是对偶问题的约束条件，式(13)-(16)是互补条件；

式中，

为虚拟电厂A的预测市场负荷；

表示虚拟电厂A预测其余需求侧资源的投标电量-电价；P_i为虚拟电厂A的需求侧资源i的投标电量，g_i为出清电量；λ_i为投标电价；π_d是对偶变量，表示现货价格，即增加单位负荷的边际成本；π_gi是对偶变量，表示需求侧资源i增加单位投标电量的边际效益；

表示市场其余需求侧资源集合；

S42：根据g_i≥0,i∈I，对公式(10)和(11)进行变形，得到：

(π_d+π_gi-λ_i)g_i≤0,i∈A (17)；

S43：根据公式(12)，对公式(8)和(9)进行变形，得到：

(g_i-P_i)π_gi≤0,i∈A (19)；

S44：根据公式(17)-(20)的非正性，得到互补条件(13)-(16)的等效公式：

S45：使用公式(7):重新安排公式(21)各项，得到等效公式(22)，即原对偶等式条件为：

S46：至此，生成步骤S3建立的虚拟电厂A的投标优化模型的目标函数及其约束条件，步骤S3建立的虚拟电厂A的投标优化模型的目标函数如式(5)所示，其约束条件为式(6)-(12)和式(22)；

S5：采用二进制扩充方法处理步骤S4中的具有平衡约束的数学规划模型中的非线性项，即连续变量乘积，形成混合整数规划模型；所述步骤S5中采用二进制扩充方法处理步骤S4中的具有平衡约束的数学规划模型中的非线性项的具体步骤如下：

S51：应用式(13)和(15)的互补条件，用λ_ig_i和π_giP_i重写目标函数(5)中的非线性项π_dg_i：

π_dg_i＝λ_ig_i-π_giP_i (23)；

S52：采用二进制扩充方法处理约束条件(22)中的非线性项λ_ig_i：

首先，通过一组离散值{λ_im,m＝0,1,...,M₁}近似连续决策变量λ_i，其近似表达式为：

这里，

λ_i的取值区间为(λ_i ^min,λ_i ^max)，Δλ_i＝(λ_i ^max-λ_i ^min)/M₁，x_ki为二进制变量；然后，将g_i乘以等式(24)两侧，得到新变量z_ki＝x_kig_i，从而得到：

同时，引入相应约束：

0≤g_i-z_ki≤G₁(1-x_ki) (26)；

0≤z_ki≤G₁x_ki (27)；

式中，G₁是一个常数，

S53：采用二进制扩充方法，处理约束条件(22)中的非线性项π_giP_i：

首先，通过一组离散值{P_im,m＝0,1,...,M₂}近似连续决策变量P_i，其近似表达式为

这里，

P_i的取值区间为(P_i ^min,P_i ^max)，ΔP_i＝(P_i ^max-P_i ^min)/M₂，y_ki为二进制变量；然后，将π_gi乘以等式(28)两侧，得到新变量w_ki＝π_giy_ki，从而得到：

同时，引入相应约束

0≤w_ki-π_gi≤G₂(1-y_ki) (30)；

0≤-w_ki≤G₂y_ki (31)；

式中，G₂是一个常数，

S54：在目标函数(5)，约束条件(6)-(12)和(22)应用上述步骤S51-S53的线性转化形式，得到混合整数规划模型：

π_gi≤0,i∈I (40)；

0≤g_i-z_ki≤G₁(1-x_ki),i∈A (42)；

0≤z_ki≤G₁x_ki,i∈A (43)；

0≤w_ki-π_gi≤G₂(1-y_ki),i∈A (44)；

0≤-w_ki≤G₂y_ki,i∈A (45)；

x_ki,y_ki∈{0,1},i∈A (46)；

S6：结合虚拟电厂内部需求侧资源的出力特性，确定虚拟电厂参与日前市场的优化投标模型；

具体步骤如下：

S61：确定虚拟电厂A所参与日前市场的时间间隔为Δt，时段数

S62：根据虚拟电厂A和其他虚拟电厂内部需求侧资源组成情况，确定市场中所有需求侧资源种类、数目以及所属虚拟电厂；虚拟电厂A的需求侧资源包括风电机组、燃气轮机、电动汽车和柔性负荷；

S63：根据历史信息和市场信息，虚拟电厂A预测得到市场负荷

和其余需求侧资源投标电量和电价；

S64：根据虚拟电厂A内部需求侧资源特性，构建其在t时段容量成本模型C_A,t；

S641：虚拟电厂A在t时段容量成本模型C_A,t具体包括风电机组WT成本C_A,WT,t、燃气轮机GT成本C_A,GT,t、柔性负荷PSDR成本C_A,PSDR,t和电动汽车EV成本C_A,EV,t，即：

C_A,t＝C_A,WT,t+C_A,GT,t+C_A,PSDR,t+C_A,EV,t； (47)

①风电机组成本

由于风电机组发电成本为零，这里风电机组成本主要是弃风成本：

C_A,WT,t＝c_WTP_A,WT,t (48)；

式中，c_WT表示弃风电惩罚费用；P_A,WT,t表示在t时刻弃风电；

表示虚拟电厂A预测风电机组在时刻t发电功率；

②燃气轮机成本

燃气轮机成本由燃料费用、启停成本和碳排放惩罚成本组成，即：

其中：

η_A,GT,t＝a_A,GT(P_A,GT,t)²+b_A,GTP_A,GT,t+c_A,GT (51)；

式中，F_A,GT,t为GT燃气耗量；LHV为低位热值；η_A,GT,t分别为GT发电效率；

分别为GT启停成本；D_K、Y_K、V_K分别为第k类污染气体的排放量及单位排放量对应的罚款和环境价值；P_A,GT,t为GT发电功率；a_A,GT、b_A,GT、c_A,GT为GT效率系数；

分别为GT每次开机、停机费用；u_A,GT,t为二进制变量，分别为GT机组在时段t工作状态；

GT的相关约束条件为：

式中，

表示GT在时刻t的最大出力；

③柔性负荷成本

柔性负荷成本是需求响应负荷削减或增加产生的费用，即：

C_A,PSDR,t＝a_A,PSDR(P_A,PSDR,t)²+b_A,PSDRP_A,PSDR,t+c_A,PSDR,t (55)；

式中，P_A,PSDR,t表示PSDR在时刻t负荷削减量或增加量；a_A,PSDR、b_A,PSDR、c_A,PSDR,t表示与价格弹性系数及电价折扣率有关系数；

PSDR的相关约束条件如下：

式中：

表示PSDR在时刻t最大削减或增加负荷；

和

分别表示PSDR在时刻t削减负荷和增加负荷；

和

分别表示PSDR在时刻t是否处于削减负荷状态和增加负荷状态；

④电动汽车成本

电动汽车成本是电池损耗成本，即：

式中：n_A,EV表示EV数量；c_A,EV,i、E_A,EV,i、N_A,EV,i、DOD_A,EV,i分别表示第i辆EV的电池购买成本、电池容量、电池可用循环次数及电池可用放电限度；

为EV的放电效率；L_A,EV,i,t为第i辆EV在时刻t的行驶距离；S_A,EV,i表示第i辆EV能量需求；

为决策变量，表示EV的放电功率；

EV的相关约束条件具体如下：

式中，E_A,EV,i,t表示第i辆EV在时刻t的蓄电量；

分别表示第i辆EV蓄电量上、下限；

表示第i辆EV在时刻t的充电功率；

分别表示第i辆EV充放功率上限；

分别表示第i辆EV在时刻t是否处于充放状态；

表示第i辆EV在时刻t是否处于接入电网状态；

分别表示第i辆EV始、末时刻蓄电量；

分别表示第i辆EV充电效率；

S642：应用分段线性化方法，处理GT容量成本模型及约束条件；具体是将GT在t时刻燃料费用

与出力函数分成n_GT段，每一段引入一个状态变量τ_i,GT,t和一个连续变量p_i,GT,t，其燃料费用的线性化表达式如下：

相关约束条件为：

p_i,GTτ_i,t≤p_i,GT,t≤p_i+1,GTτ_i,GT,t (72)；

对于GT启停成本模型，可以重写为线性形式：

S643：应用分段线性化方法，处理PSDR成本容量模型及相关约束条件；具体是将PSDR在t时刻增加负荷费用

与出力函数分成

段，每一段引入一个状态变量

和一个连续变量

其增加负荷费用的线性化表达式如下：

相关约束条件为：

将PSDR在t时刻削减负荷费用

与出力函数分成

段，每一段引入一个状态变量

和一个连续变量

其削减负荷费用的线性化表达式如下：

相关约束条件为：

S65：根据成本容量模型及相关约束，结合预测信息，构建虚拟电厂A参加日前电力市场优化投标模型；

S7：采用Yamip/Gurobi软件计算虚拟电厂参与日前电力市场的最大收益投标模型，获取投标电量和投标电价。

2.根据权利要求1所述的一种虚拟电厂参与日前电力市场的优化投标方法，其特征在于：所述Δt设置为1h，则时段数＝24/1＝24时段。