CN110516843B - 一种虚拟电厂容量优化方法、设备以及系统 - Google Patents

一种虚拟电厂容量优化方法、设备以及系统 Download PDF

Info

Publication number
CN110516843B
CN110516843B CN201910654837.0A CN201910654837A CN110516843B CN 110516843 B CN110516843 B CN 110516843B CN 201910654837 A CN201910654837 A CN 201910654837A CN 110516843 B CN110516843 B CN 110516843B
Authority
CN
China
Prior art keywords
power plant
virtual power
model
module
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
CN201910654837.0A
Other languages
English (en)
Other versions
CN110516843A (zh
Inventor
董文略
王宣元
易忠林
薛晓强
周辛南
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.)
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power 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 State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910654837.0A priority Critical patent/CN110516843B/zh
Publication of CN110516843A publication Critical patent/CN110516843A/zh
Application granted granted Critical
Publication of CN110516843B publication Critical patent/CN110516843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种虚拟电厂容量优化方法、虚拟电厂容量优化系统、计算机设备以及计算机可读存储介质，涉及虚拟电厂技术领域。所述系统包括出力场景生成模块，用于生成虚拟电厂的分布式电源的出力场景；优化模型构建模块，用于构建所述虚拟电厂接入配电网的协同优化模型；收益分配构建模块，用于根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型；容量配置确定模块，用于基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置。本发明在实现虚拟电厂收益最大化和对电网安全运行贡献最大化多目标的基础上，通过人工智能计算虚拟电厂的最优容量配置方案，能够优化各方经济效益，提高电网经济性、安全性及供电可靠性。

Description

一种虚拟电厂容量优化方法、设备以及系统
技术领域
本发明关于虚拟电厂技术领域，特别是关于虚拟电厂参与电力市场的技术，具体的讲是一种虚拟电厂容量优化方法、虚拟电厂容量优化系统、计算机设备以及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前，国内对于虚拟电厂工程示范的建设处于快速发展阶段。上海首个能源互联网试点项目在2015年初投产，逐步完成区域内屋顶光伏分阶段全覆盖和充电桩分阶段全覆盖，借助“互联网+”建成功能强大的虚拟电厂，实现清洁替代和实现区域冷热电三联供。能源互联网行动计划的另一个重点项目是张家口冬奥项目，实现低碳冬奥的目标，京津冀地区建立大量可再生能源示范区，同时清洁能源供暖、电动汽车等电能替代项目迅速发展，为实现高比例风电/光伏等分布式电源、电锅炉/充电桩等可控负荷的聚合并网，虚拟电厂成为解决这一问题的关键技术。
虚拟电厂是通过精细的控制方式和能源管理整合各类分布式电源，将多个小电源打包，输出相对稳定的较大出力。与微电网相比，虚拟电厂更偏重从上到下的管理与控制，从对外呈现的功能与效果看，更类似传统电厂。由于其优秀的出力特性，虚拟电厂成为由智能电网向电力能源互联网迈进的关键因素，也是解决分布式电源参与电力市场交易问题的重要途径。然而，目前国内外的学者对虚拟电厂的框架构造仍不统一，针对虚拟电厂的基础设施约束、聚合模式、容量优化等研究较少。
因此，如何提供一种新的方案，其能够综合考虑虚拟电厂收益最大化和对电网安全运行贡献最大化等多目标，构建虚拟电厂的容量优化配置模型是本领域亟待解决的技术难题。
发明内容
有鉴于此，本发明提供了一种虚拟电厂容量优化方法、虚拟电厂容量优化系统、计算机设备以及计算机可读存储介质，在实现虚拟电厂收益最大化和对电网安全运行贡献最大化多目标的基础上，通过人工智能(遗传算法)计算虚拟电厂的最优容量配置方案，能够优化各方经济效益，提高电网经济性、安全性及供电可靠性。
本发明的目的之一是，提供一种虚拟电厂容量优化系统，包括：
出力场景生成模块，用于生成虚拟电厂的分布式电源的出力场景；
优化模型构建模块，用于构建所述虚拟电厂接入配电网的协同优化模型；
收益分配构建模块，用于根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型；
容量配置确定模块，用于基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置。
本发明的目的之一是，提供一种虚拟电厂容量优化的方法，包括：
生成虚拟电厂的分布式电源的出力场景；
构建所述虚拟电厂接入配电网的协同优化模型；
根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型；
基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置。
本发明的目的之一是，提供一种计算机设备，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行一种虚拟电厂容量优化的方法。
本发明的目的之一是，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行一种虚拟电厂容量优化的方法。
本发明的有益效果在于，提供了一种虚拟电厂容量优化方法、虚拟电厂容量优化系统、计算机设备以及计算机可读存储介质，使用合作博弈理论构建了虚拟电厂/配电网的协调调度模型，实现了虚拟电厂最优收益的精确计算，一方面保障了虚拟电厂的收益最大化，另一方面保障了配电网运行的稳定与经济性；另外，模型采用基于人工智能的遗传算法求解外层优化(即容量配置问题)，相较于其他非线性规划求解算法能大大提升算法灵活性及速度，并且能够有效保证运算精度。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种虚拟电厂容量优化系统的结构示意图；
图2为本发明实施例提供的一种虚拟电厂容量优化系统中出力场景生成模块的结构示意图；
图3为本发明实施例提供的一种虚拟电厂容量优化系统中的出力曲线预测模块的结构框图；
图4为本发明实施例提供的一种虚拟电厂容量优化系统中的优化模型构建模块的结构框图；
图5为本发明实施例提供的一种虚拟电厂容量优化系统中的收益分配构建模块的结构框图；
图6为本发明实施例提供的一种虚拟电厂容量优化系统中的容量配置确定模块的结构框图；
图7为本发明实施例提供的一种虚拟电厂容量优化方法的流程图；
图8为图7中的步骤S101的流程图；
图9为图8中的步骤S201的流程图；
图10为图7中的步骤S102的流程图；
图11为图7中的步骤S103的流程图；
图12为图7中的步骤S104的流程图；
图13为本发明提供的具体实施例中虚拟电厂分布式电源出力场景生成流程图；
图14为本发明提供的具体实施例中虚拟电厂接入配电网的协同优化及收益分配流程图；
图15为本发明提供的具体实施例中基于遗传算法的虚拟电厂最优容量配置流程图；
图16为BP神经网络预测模型结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、装置、方法或计算机程序产品。因此，本发明公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
本发明针对现有技术存在的问题，综合分析各分散式资源(分布式电源、可控负荷、储能等)的技术经济特性，研究虚拟电厂的资源优化配置问题，提出一种基于博弈论与人工智能的虚拟电厂容量优化方法及系统，在实现虚拟电厂收益最大化和对电网安全运行贡献最大化多目标的基础上，通过人工智能(遗传算法)计算虚拟电厂的最优容量配置方案，能够优化各方经济效益，提高电网经济性、安全性及供电可靠性。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
本发明属于虚拟电厂参与电力市场交易的机制设计技术领域，涉及含多类型分布式电源的虚拟电厂聚合并网和容量优化方案，基于此发明了一种基于博弈论与人工智能的虚拟电厂容量优化方法及系统。
具体的，图1为本发明提供的一种虚拟电厂容量优化系统的结构示意图，请参阅图1，本发明提供的虚拟电厂容量优化系统包括：
出力场景生成模块100，用于生成虚拟电厂的分布式电源的出力场景；
优化模型构建模块200，用于构建所述虚拟电厂接入配电网的协同优化模型；
收益分配构建模块300，用于根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型；
容量配置确定模块400，用于基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置。
具体的，图2为出力场景生成模块的结构示意图，请参阅图2，在本发明的一种实施方式中，出力场景生成模块100包括：
出力曲线预测模块101，用于基于BP神经网络预测分布式电源的出力曲线。
图3为出力曲线预测模块101的结构框图，请参阅图3，出力曲线预测模块101包括：
网络参数选取模块1011，用于选择BP神经网络的参数。
BP(Back Propagation)神经网络采用误差反向传播学习，是一种监督式的学习算法，其分为输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接，本发明的出力曲线预测模型采用如图16所示的结构，其隐含层为1层，共有三层构成：
1)输入层
输入层节点数等于曲线预测模型的输入变量数，因此，若输入变量过多会增加输入层节点数目，造成模型收敛速度过慢；而输入变量较少时，又不能对曲线与其外部影响因素的关联性进行全面准确的反映；本发明最终确定输入为待预测日前一日出力曲线、当日天气数据。
2)隐含层
目前，隐含层节点的选取有多种方法，本发明根据Kolmogorov定理确定其节点数目，隐含层神经节点个数为：
Nh＝2n+1 (1)
式中，Nh为隐含层节点数目，n为输入层节点数目。
3)输出层
本发明模型输出层为待预测日的出力曲线。通常选取S型函数作为各层的激励函数，其基本的表示形式为：
为保证预测曲线的通用性，适用于后续虚拟电厂容量优化模型，本部分的预测结果为各类分布式电源容量为1MW时的曲线，容量变化时只需乘以相应系数(容量值)即可。
数据预处理模块1012，用于对输入数据以及输出数据进行预处理。
本发明预测模型采用的S型激励函数，其输出区间为[0,1]，所以需要对已知数据进行归一化，处理公式如下：
其中，x′为归一化后的取值，xi是第i个输入值，min(x)是某一元素所有数据的最小值，max(x)是某一元素所有数据的最大值。
神经网络训练模块1013，用于利用预处理后的输入数据以及输出数据进行网络训练，选取待预测日前20日作为训练集进行网络的训练，直到训练误差小于设置值ε。
出力曲线确定模块1014，用于利用训练后的网络进行出力曲线预测。步骤b获得了训练完成后的神经网络，将待预测日的前一日负荷曲线、天气数据归一化后作为神经网络输入，对神经网络输出值反归一化，得到最终的出力曲线。
请参阅图2，在本发明的一种实施方式中，出力场景生成模块100包括：
抽样场景生成模块102，用于基于所述出力曲线采用自回归滑动平均ARMA模型生成抽样场景。
由于风、光等分布式电源出力的不确定性，其次日出力通过预测获得的单一曲线并不能准确描述，必须充分考虑误差对曲线的影响，本发明在风、光出力曲线预测基础上采用自回归滑动平均(auto regressive moving average，ARMA)模型生成风光出力修正曲线的抽样场景：
式中：yt为t时刻的时间序列值；φi为自回归参数；θj为滑动平均参数；αt为正态白噪声过程，满足平均值为0和方差为σ2。
进一步，将上述获得的修正曲线向量与预测曲线向量进行数量积运算，获得最终修正后的出力曲线。
抽样场景消减模块103，用于基于概率距离的快速前代消除技术对所述抽样场景进行场景消减。
随着场景集规模增大，优化模型求解计算量增大。为计算精度和计算量间折中，本发明对上述生成大规模场景集合S，采用基于概率距离的快速前代消除技术进行场景消减，基本思路如下：
步骤1：计算S中每对场景s和s'之间的几何距离；
步骤2：选定与剩余场景概率距离之和最小的场景d；
步骤3：以S中与场景d几何距离最近的场景r替代场景d，将d的概率加到场景r的概率上，消除d，形成新的S；
步骤4：判断剩余场景数目是否满足要求；若不满足，重复步骤1-3；若满足，结束场景削减。
最终，本发明通过上述步骤将风光的不确定性以含概率信息的经典场景集描述，后续将基于此场景综合考虑虚拟电厂收益最大化和对电网安全运行贡献最大化等目标，构建优化调度模型，并采用随机优化方法进行求解。
图4为本发明实施例提供的一种虚拟电厂容量优化系统中的优化模型构建模块200的结构框图，请参阅图4，所述优化模型构建模块200包括：
调度权判断模块201，用于判断所述虚拟电厂是否具有优先调度权。也即，根据分布式电源参与市场化交易的规则，虚拟电厂预先申报其发电上网计划以及水情、风情等必要信息，电力调度通过优化电网运行方式优先安排可再生能源发电上网。原则上，除水能外的可再生能源按发电企业申报的出力曲线全额上网，无调节能力的水电站的发电机组按照“以水定电”的原则安排发电。
因此，根据现有规则，虚拟电厂可以根据其预测的风光水数据，无需考虑配电网情况，只为最大化自身利益申报发电上网预计划。但这种情况下，配电网为保证安全稳定运行，并未运行于最优状态，虚拟电厂及配电网两者的整体收益并非最高。因此有必要综合考虑虚拟电厂是否放弃优先调度权的两种情况，构建两种含虚拟电厂的配电网机组组合优化模型。
第一模型构建模块202，用于当所述判断模块判断为是时，构建所述虚拟电厂优先调度下的配电网机组组合模型。
为简单起见，假设虚拟电厂有风电、光伏、水电各一台机组，批复价格分别为cw，cp，ch，可再生能源场景总数为S，场景s概率φs，调度时段T个，每个时段长度Δt。
此时，因虚拟电厂有优先调度权，无需考虑配电网利益，收益由按目录电价结算的分布式电源实际出力收入和虚拟电厂偏差惩罚费用二部分组成，最大收益期望值为：
式中：Pt D为虚拟电厂日前申报的t时段总出力，和/>分别为虚拟电厂在s场景下风电、光伏和水电机组在t时段的实际出力；ΔPt s表示计划与实际的偏差，由表示；ρ+/ρ-为正/负偏差价格。
f(x)为分段函数，其表达式为：
约束条件包括：
风电出力能力约束：
弃风约束：
光伏出力能力约束：
水电转换关系约束：
水量平衡约束：
容量约束：
始末库容约束：
流量约束：
这里和/>分别为风、光电机组最大可用出力；α为最大弃风率。其中A＝GηHt，G为重力加速度常数，η为机组发电效率，Ht为虚拟电厂的水电机组在t时段机组的发电净水头，一天内水头变化不大，A可设为常数；/>为水流量；Vt s为水库水量；Jt为天然来水量；Vini/Vend、/>分别为水库最小/最大蓄水量、初始/结束库容、机组最小/最大流量约束。
在该模式下，配电网接受虚拟电厂的申报出力，此时虚拟电厂各场景下的出力可作为随机负荷处理，配电网有义务提供一种具有鲁棒性的机组组合方案，以最小成本满足系统随机的负荷：
式中：为常规机组i在s场景下的t时段实际出力；βi,t、ui,t为表示机组状态的0/1变量，βi,t＝1，表示处于运行状态，ui,t＝1表示t时段有从停机到开机的状态变化，Si为启动成本。
机组i的能量成本fi(Pi,t)为：
fi(Pi,t)＝ai(Pi,t)2+bi(Pi,t)+ci (16)
式中，ai,bi,ci为相应参数。为方便求解，对上述成本函数进行分段线性化处理，有：
并且，/>
式中kj为分段后各段费用函数的斜率，Pj,t为机组在各分段的出力，常数Fi如下：
Fi＝ai(Pi )2+bi(Pi )+ci。
约束条件包括：
任一场景下的运行约束
功率平衡约束：
机组输出功率约束：
爬坡约束：
这里Lt为总负荷需求；和BDi/BUi为机组i的出力下/上限，下调/上调速率。这里需要特别指出的是/>是由虚拟电厂决策得到，不是配电网的决策变量。
机组启停约束
对于(为保证整体模型为线性规划问题，采用文献[2]将非线性约束转化为线性约束的松弛化处理方法)：
-βi,t-1+βi,t-ui,t≤0 (20)
-βi,t-1+βi,t-βi,k≤0
βi,t-1-βi,t+βi,k≤1
其中，(20)为机组启停与运行状态约束，(21)、(22)分别为最少开机/停机时间约束。
第二模型构建模块203，用于当所述判断模块判断为否时，构建所述虚拟电厂无优先调度权时的配电网机组组合模型。
假设虚拟电厂放弃优先调度权，主动响应削峰填谷需求，主动参与配电网的协调调度，则配电网机组组合目标函数为总发电成本最小，即：
约束条件为模型一所述虚拟电厂的约束式和配电网的约束式，需要注意的是，配电网功率平衡约束中的成为联合优化的决策变量。
图5为本发明实施例提供的一种虚拟电厂容量优化系统中的收益分配构建模块300的结构框图，下面结合图5介绍虚拟电厂/配电网基于合作博弈的收益分配，合作必须是满足个体理性的，即个体参加合作后收益大于其单干的收益，否则合作联盟无法成立。虚拟电厂放弃优先调度权，主动参与配电网统一调度时，有可能会为减少配电网常规机组启停费用或优化常规机组出力而增加了弃风弃光量，因此需要根据虚拟电厂和配电网合作空间大小及相应贡献率进行合作收益分配。
A、合作博弈思想简介
根据合作博弈思想，联盟h分配合作收益要基于联盟产生的价值，又称为特征函数v(h)，有：
式中B为各参与者集合的收益函数。
虚拟电厂V和所有常规机组C1,C2,...,CN可以形成{V}，{C1,C2,...,CN}和{V,C1,...,CN}联盟，联盟特征函数为：
v({V})＝0；
v({C1,C1,...,CN,})＝0；
v({V,C1,...,CN})＝B({V,C1,...,CN})-B(V)-B(C1,...,CN)； (25)
这里，B({V})为节中虚拟电厂享有优先调度权时的收益，B({C1,...,CN})为此时配电网将虚拟电厂输出视为随机负荷下的调度总成本；B({V,C1,...,CN})为虚拟电厂放弃优先调度权时配电网的总成本。
B、Shapley值法
合作收益的分配方法有Nucleolus法、Shapley值法等。Shapley值法满足个体理性、整体理性和唯一性，是求解合作博弈问题最常用方法。本发明采用此方法对虚拟电厂参与配电网常规机组的合作收益采用Shapley值时，参与者m的合作收益为：
这里H为m所有参加的联盟h组成的集合，|h|为h中的个体数；n为参与分配的总个体数。
因此，请参阅图5，所述收益分配构建模块300包括：
收益信息确定模块301，用于根据所述虚拟电厂优先调度下的配电网机组组合模型结合所述出力场景得到所述虚拟电厂优先调度下的收益信息和计划申报出力信息；
组合方案确定模块302，用于根据所述虚拟电厂优先调度下的配电网机组组合模型得到此时被动的配电网得到机组组合方案和相应成本；
运行情况确定模块303，用于根据所述虚拟电厂无优先调度权时的配电网机组组合模型得到所述虚拟电厂放弃调度优先权、主动参与配电网机组组合优化时各机组的运行情况和相应成本；
最终收益确定模块304，用于分析虚拟电厂与配电网合作空间，获得虚拟电厂的最终收益。
也即，在本发明的一个具体实施例中，虚拟电厂与配电网的协调调度流程如下：
步骤1：采用预测数据及ARMA模型生成风光场景，并基于场景消减缩减得到最终风光概率场景；
步骤2：根据目标函数式(5)得到虚拟电厂行使调度优先权情况下的收益和计划申报出力；根据目标函数式(15)得到此时被动的配电网得到机组组合方案和相应成本；根据目标函数式(23)得到虚拟电厂放弃调度优先权，主动参与配电网机组组合优化时各机组运行情况和相应成本。
步骤3：在步骤2得到的各种联盟收益和成本基础上，由式(25)求解各联盟特征函数，并采用式(26)的Shapley法分配合作收益，分析虚拟电厂与配电网合作空间，获得虚拟电厂的最终收益F。
图6为本发明实施例提供的一种虚拟电厂容量优化系统中的容量配置确定模块400的结构框图，请参阅图6，所述容量配置确定模块400包括：
配置模型构建模块401，用于构建所述虚拟电厂的容量优化配置模型。
配置目标确定模块402，用于将所述虚拟电厂的最终收益作为所述容量优化配置模型的目标。
本发明最终目标为实现虚拟电厂的容量优化配置，对此，本部分构建了虚拟电厂的容量优化配置模型。虚拟电厂容量优化目标为最大化自身收益，为此将合作收益分配后的虚拟电厂最终收益F作为优化模型的目标。
另外，考虑到水电出力主要受水库容量、河流流量影响，受自然条件限制较大，不作为容量优化的决策变量考虑。因此，本模型的最终决策变量为风、光等分布式电源的容量，对优化目标F的影响主要是改变协同优化模型中风、光等出力的上限约束(由于出力场景生成模块的预测曲线随电源容量变化而相应改变)。为此本模型优化目标函数可表述如下：
约束条件包括建设虚拟电厂的资金约束：
其中，aw、ap为风、光机组容量配置单价，M为电厂总投资额度。
配置模型求解模块403，用于基于遗传算法求解所述容量优化配置模型，得到所述虚拟电厂的目标容量配置。
通过上述容量优化配置模型能够看出，虚拟电厂的容量优化模型是一个双层优化问题。内层优化接收外层给定的风、光等分布式电源容量作为已知量，生成对应该容量的出力场景，求解虚拟电厂的最大化收益F，该层优化问题已转换为线性优化问题，采用算法调用Cplex进行线性优化问题求解。外层优化在约束条件范围内变化风、光等分布式电源容量，得出F最优时的容量配置方案，该层优化问题拟采用基于迭代的遗传算法进行求解。
遗传算法是一种以达尔文进化论和孟德尔遗传学为根源，模仿自然界生物“优胜劣汰”的随机全局优化算法，凭借其简单通用、全局优化、鲁棒性强的优点而大量而应用在各个行业。生物由染色体构成，其基本单位是基因，而基因决定了个体的特征(即其对环境的适应度)。因此采用遗传算法求解具体问题时，首先就是进行编码(模拟生物的染色体)，接着随机初始化形成第一代群体，计算群体里每一个个体的适应度，即对一个生物按照某种规则评估(为后续的优胜劣汰提供准则)，然后选择适应度高的个体进行交配繁殖产生新的一代(用交叉算法实现该过程)，使下一代能继续遗传良好的基因，并且需要考虑一定概率的基因突变(用变异算法实现该过程)，最后经过优秀个体的不断繁殖、进化，将种群中更优秀的、适应度高的个体保留下来，直至满足算法终止条件后输出最优个体。
因此，在本发明的一个具体实施例中，遗传算法在本发明中的具体步骤如下：
初始化种群：根据求解问题随机生成N个体(即初始容量分配方案)，其进化代数为0；
计算群体适应度：按照适应度函数(即虚拟电厂的最大化收益F)，算出各个个体的适应度(此时需考虑约束条件25的限制，采用惩罚函数将不满足约束的个体适应度设定为较低水平，极大缩减其被选择概率)；
选择操作：在群体中选择将适应度好的个体遗传给下一代(本发明采用经典的轮盘赌选择法)；
交叉操作：在繁殖下一代的个体中对其部分的基因进行交叉，生产新个体；
变异操作：按照某个概率对某个个体随机将某一个基因进行变异(对个体加/减某个随机数)；
判断是否满足终止条件：如果没有符合最终的程序停止条件，如果算法满足停止条件则转进行下一步；
输出最优解集：将进化的最优个体输出(即最优容量优化配置方案)，结束。
综上所述，本发明提供了一种虚拟电厂容量优化系统，使用合作博弈理论构建了虚拟电厂/配电网的协调调度模型，实现了虚拟电厂最优收益的精确计算，一方面保障了虚拟电厂的收益最大化，另一方面保障了配电网运行的稳定与经济性；另外，模型采用基于人工智能的遗传算法求解外层优化(即容量配置问题)，相较于其他非线性规划求解算法能大大提升算法灵活性及速度，并且能够有效保证运算精度。
此外，尽管在上文详细描述中提及了系统的若干单元模块，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。以上所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
在介绍了本发明示例性实施方式的虚拟电厂容量优化系统之后，接下来，参考附图对本发明示例性实施方式的方法进行介绍。该方法的实施可以参见上述整体的实施，重复之处不再赘述。
图7为本发明提供的一种虚拟电厂容量优化方法的流程示意图，请参阅图7，本发明提供的虚拟电厂容量优化方法包括：
S101：生成虚拟电厂的分布式电源的出力场景；
S102：构建所述虚拟电厂接入配电网的协同优化模型；
S103：根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型；
S104：基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置。
具体的，图8为步骤S101的流程示意图，请参阅图8，在本发明的一种实施方式中，步骤S101包括：
S201：基于BP神经网络预测分布式电源的出力曲线。
图9为该步骤的流程示意图，请参阅图9，步骤S201包括：
S301：选择BP神经网络的参数。
为保证预测曲线的通用性，适用于后续虚拟电厂容量优化模型，本部分的预测结果为各类分布式电源容量为1MW时的曲线，容量变化时只需乘以相应系数(容量值)即可。
S302：对输入数据以及输出数据进行预处理。
本发明预测模型采用的S型激励函数，其输出区间为[0,1]，所以需要对已知数据进行归一化。
S303：利用预处理后的输入数据以及输出数据进行网络训练，选取待预测日前20日作为训练集进行网络的训练，直到训练误差小于设置值ε。
S304：利用训练后的网络进行出力曲线预测。步骤b获得了训练完成后的神经网络，将待预测日的前一日负荷曲线、天气数据归一化后作为神经网络输入，对神经网络输出值反归一化，得到最终的出力曲线。
请参阅图8，在本发明的一种实施方式中，步骤S101还包括：
S202：基于所述出力曲线采用自回归滑动平均ARMA模型生成抽样场景。
由于风、光等分布式电源出力的不确定性，其次日出力通过预测获得的单一曲线并不能准确描述，必须充分考虑误差对曲线的影响，本发明在风、光出力曲线预测基础上采用自回归滑动平均(auto regressive moving average，ARMA)模型生成风光出力修正曲线的抽样场景。进一步，将上述获得的修正曲线向量与预测曲线向量进行数量积运算，获得最终修正后的出力曲线。
S203：基于概率距离的快速前代消除技术对所述抽样场景进行场景消减。随着场景集规模增大，优化模型求解计算量增大。为计算精度和计算量间折中，本发明对上述生成大规模场景集合S，采用基于概率距离的快速前代消除技术进行场景消减。最终，本发明将风光的不确定性以含概率信息的经典场景集描述，后续将基于此场景综合考虑虚拟电厂收益最大化和对电网安全运行贡献最大化等目标，构建优化调度模型，并采用随机优化方法进行求解。
图10为图7中的步骤S102的流程示意图，请参阅图10，所述步骤S102包括：
S401：判断所述虚拟电厂是否具有优先调度权。也即，根据分布式电源参与市场化交易的规则，虚拟电厂预先申报其发电上网计划以及水情、风情等必要信息，电力调度通过优化电网运行方式优先安排可再生能源发电上网。原则上，除水能外的可再生能源按发电企业申报的出力曲线全额上网，无调节能力的水电站的发电机组按照“以水定电”的原则安排发电。因此，根据现有规则，虚拟电厂可以根据其预测的风光水数据，无需考虑配电网情况，只为最大化自身利益申报发电上网预计划。但这种情况下，配电网为保证安全稳定运行，并未运行于最优状态，虚拟电厂及配电网两者的整体收益并非最高。因此有必要综合考虑虚拟电厂是否放弃优先调度权的两种情况，构建两种含虚拟电厂的配电网机组组合优化模型。
S402：当所述虚拟电厂具有优先调度权时，构建所述虚拟电厂优先调度下的配电网机组组合模型。
S403：当所述虚拟电厂放弃优先调度权时，构建所述虚拟电厂无优先调度权时的配电网机组组合模型。
图11为图7中的步骤S103的流程示意图，请参阅图11，所述步骤S103包括：
S501：根据所述虚拟电厂优先调度下的配电网机组组合模型结合所述出力场景得到所述虚拟电厂优先调度下的收益信息和计划申报出力信息；
S502：根据所述虚拟电厂优先调度下的配电网机组组合模型得到此时被动的配电网得到机组组合方案和相应成本；
S503：根据所述虚拟电厂无优先调度权时的配电网机组组合模型得到所述虚拟电厂放弃调度优先权、主动参与配电网机组组合优化时各机组的运行情况和相应成本；
S504：分析虚拟电厂与配电网合作空间，获得虚拟电厂的最终收益。
也即，在本发明的一个具体实施例中，采用预测数据及ARMA模型生成风光场景，并基于场景消减缩减得到最终风光概率场景；根据目标函数式(5)得到虚拟电厂行使调度优先权情况下的收益和计划申报出力；根据目标函数式(15)得到此时被动的配电网得到机组组合方案和相应成本；根据目标函数式(23)得到虚拟电厂放弃调度优先权，主动参与配电网机组组合优化时各机组运行情况和相应成本。在得到的各种联盟收益和成本基础上，由式(25)求解各联盟特征函数，并采用式(26)的Shapley法分配合作收益，分析虚拟电厂与配电网合作空间，获得虚拟电厂的最终收益F。
图12为图7中的步骤S104的流程示意图，请参阅图12，所述步骤S104包括：
S601：构建所述虚拟电厂的容量优化配置模型。
S602：将所述虚拟电厂的最终收益作为所述容量优化配置模型的目标。
本发明最终目标为实现虚拟电厂的容量优化配置，对此，本部分构建了虚拟电厂的容量优化配置模型。虚拟电厂容量优化目标为最大化自身收益，为此将合作收益分配后的虚拟电厂最终收益F作为优化模型的目标。
S603：基于遗传算法求解所述容量优化配置模型，得到所述虚拟电厂的目标容量配置。
通过上述容量优化配置模型能够看出，虚拟电厂的容量优化模型是一个双层优化问题。内层优化接收外层给定的风、光等分布式电源容量作为已知量，生成对应该容量的出力场景，求解虚拟电厂的最大化收益F，该层优化问题已转换为线性优化问题，采用算法调用Cplex进行线性优化问题求解。外层优化在约束条件范围内变化风、光等分布式电源容量，得出F最优时的容量配置方案，该层优化问题拟采用基于迭代的遗传算法进行求解。
本发明还提供了一种计算机设备，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行虚拟电厂容量优化的方法。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行虚拟电厂容量优化的方法。
下面通过本发明提供的具体实施例，结合本发明的附图，详细介绍本发明的技术方案。本发明在现有虚拟电厂容量优化配置研究的基础上，提出一种基于博弈论与人工智能的虚拟电厂容量优化方法，该方法可通过固化形成具体系统，图13为该具体实施例中虚拟电厂分布式电源出力场景生成流程图，图14为该具体实施例中虚拟电厂接入配电网的协同优化及收益分配流程图，图15为该具体实施例中基于遗传算法的虚拟电厂最优容量配置流程图，请参阅图13至图15，该方法具体包括以下步骤：
步骤1：调研分布式电源成本构成、历史出力及当地天气信息；
步骤2：基于分布式电源出力及天气数据，采用BP神经网络实现分布式电源出力曲线预测；
步骤3：基于ARMA模型构建分布式电源随机出力场景；
步骤4：基于前代消除获取最终基准场景，不同容量只需乘以不同系数；
步骤5：初始化种群，获得N个初始容量配置方案；
步骤6：基于虚拟电厂优先调度/放弃优先调度两种配电网机组组合模型，计算各自收益；
步骤7：基于博弈论计算合作参与方特征函数，采用Shapley值法获得虚拟电厂再分配后的最大收益；
步骤8：基于步骤6-7计算各个体适应度(即虚拟电厂再分配后最大收益)，对不满足约束条件的采用惩罚函数进行处理；
步骤9：判断是否满足遗传算法终止条件，若满足，跳出循环并返回最优个体，若不满足，顺序执行后续算法；
步骤10：采用轮盘赌选择法选择适应度高的个体进行遗传；
步骤11：对选择的个体进行交叉与变异算法操作，产生新一代种群，返回并执行步骤6。
综上所述，本发明提供了一种虚拟电厂容量优化方法、虚拟电厂容量优化系统、计算机设备以及计算机可读存储介质，使用合作博弈理论构建了虚拟电厂/配电网的协调调度模型，实现了虚拟电厂最优收益的精确计算，一方面保障了虚拟电厂的收益最大化，另一方面保障了配电网运行的稳定与经济性；另外，模型采用基于人工智能的遗传算法求解外层优化(即容量配置问题)，相较于其他非线性规划求解算法能大大提升算法灵活性及速度，并且能够有效保证运算精度。本申请的关键点和欲保护点为：
1.将合作博弈理论应用于虚拟电厂收益最大化模型中；
2.使用博弈论与遗传算法相结合，解决了满足虚拟电厂收益最大化及电网安全经济运行的虚拟电厂容量优化配置问题，并提出遗传算法+线性随机规划方法实现对双层优化的快速求解。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机系统(可以是个人计算机，服务器，或者网络系统等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持系统或便携式系统、平板型系统、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子系统、网络PC、小型计算机、大型计算机、包括以上任何系统或系统的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理系统来执行任务。在分布式计算环境中，程序模块可以位于包括存储系统在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (8)

1.一种虚拟电厂容量优化方法，其特征在于，所述方法包括：
生成虚拟电厂的分布式电源的出力场景；
构建所述虚拟电厂接入配电网的协同优化模型；
根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型；
基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置；
所述生成虚拟电厂分布式电源出力场景包括：
基于BP神经网络预测分布式电源的出力曲线；
基于所述出力曲线采用自回归滑动平均ARMA模型生成抽样场景；
基于概率距离的快速前代消除技术对所述抽样场景进行场景消减；
所述构建虚拟电厂接入配电网的协同优化模型包括：
判断所述虚拟电厂是否具有优先调度权；
当所述虚拟电厂具有优先调度权时，构建所述虚拟电厂优先调度下的配电网机组组合模型；
当所述虚拟电厂放弃优先调度权时，构建所述虚拟电厂无优先调度权时的配电网机组组合模型；
根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型包括：
根据所述虚拟电厂优先调度下的配电网机组组合模型结合所述出力场景得到所述虚拟电厂优先调度下的收益信息和计划申报出力信息；
根据所述虚拟电厂优先调度下的配电网机组组合模型得到此时被动的配电网得到机组组合方案和相应成本；
根据所述虚拟电厂无优先调度权时的配电网机组组合模型得到所述虚拟电厂放弃调度优先权、主动参与配电网机组组合优化时各机组的运行情况和相应成本；
分析虚拟电厂与配电网合作空间，获得虚拟电厂的最终收益。
2.根据权利要求1所述的虚拟电厂容量优化方法，其特征在于，所述基于BP神经网络预测分布式电源的出力曲线包括：
选择BP神经网络的参数；
对输入数据以及输出数据进行预处理；
利用预处理后的输入数据以及输出数据进行网络训练；
利用训练后的网络进行出力曲线预测。
3.根据权利要求1所述的虚拟电厂容量优化方法，其特征在于，所述基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置包括：
构建所述虚拟电厂的容量优化配置模型；
将所述虚拟电厂的最终收益作为所述容量优化配置模型的目标；
基于遗传算法求解所述容量优化配置模型，得到所述虚拟电厂的目标容量配置。
4.一种虚拟电厂容量优化系统，其特征在于，所述系统包括：
出力场景生成模块，用于生成虚拟电厂的分布式电源的出力场景；
优化模型构建模块，用于构建所述虚拟电厂接入配电网的协同优化模型；
收益分配构建模块，用于根据所述出力场景以及协同优化模型构建所述虚拟电厂的收益分配模型；
容量配置确定模块，用于基于遗传算法根据所述收益分配模型确定所述虚拟电厂的目标容量配置；
所述出力场景生成模块包括：
出力曲线预测模块，用于基于BP神经网络预测分布式电源的出力曲线；
抽样场景生成模块，用于基于所述出力曲线采用自回归滑动平均ARMA模型生成抽样场景；
抽样场景消减模块，用于基于概率距离的快速前代消除技术对所述抽样场景进行场景消减；
所述优化模型构建模块包括：
调度权判断模块，用于判断所述虚拟电厂是否具有优先调度权；
第一模型构建模块，用于当所述判断模块判断为是时，构建所述虚拟电厂优先调度下的配电网机组组合模型；
第二模型构建模块，用于当所述判断模块判断为否时，构建所述虚拟电厂无优先调度权时的配电网机组组合模型；
所述收益分配构建模块包括：
收益信息确定模块，用于根据所述虚拟电厂优先调度下的配电网机组组合模型结合所述出力场景得到所述虚拟电厂优先调度下的收益信息和计划申报出力信息；
组合方案确定模块，用于根据所述虚拟电厂优先调度下的配电网机组组合模型得到此时被动的配电网得到机组组合方案和相应成本；
运行情况确定模块，用于根据所述虚拟电厂无优先调度权时的配电网机组组合模型得到所述虚拟电厂放弃调度优先权、主动参与配电网机组组合优化时各机组的运行情况和相应成本；
最终收益确定模块，用于分析虚拟电厂与配电网合作空间，获得虚拟电厂的最终收益。
5.根据权利要求4所述的虚拟电厂容量优化系统，其特征在于，所述出力曲线预测模块包括：
网络参数选取模块，用于选择BP神经网络的参数；
数据预处理模块，用于对输入数据以及输出数据进行预处理；
神经网络训练模块，用于利用预处理后的输入数据以及输出数据进行网络训练；
出力曲线确定模块，用于利用训练后的网络进行出力曲线预测。
6.根据权利要求4所述的虚拟电厂容量优化系统，其特征在于，所述容量配置确定模块包括：
配置模型构建模块，用于构建所述虚拟电厂的容量优化配置模型；
配置目标确定模块，用于将所述虚拟电厂的最终收益作为所述容量优化配置模型的目标；
配置模型求解模块，用于基于遗传算法求解所述容量优化配置模型，得到所述虚拟电厂的目标容量配置。
7.一种计算机设备，其特征在于，所述计算机设备包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至3任一所述的虚拟电厂容量优化的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于执行如权利要求1至3任一所述的虚拟电厂容量优化的方法。
CN201910654837.0A 2019-07-19 2019-07-19 一种虚拟电厂容量优化方法、设备以及系统 Active CN110516843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910654837.0A CN110516843B (zh) 2019-07-19 2019-07-19 一种虚拟电厂容量优化方法、设备以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910654837.0A CN110516843B (zh) 2019-07-19 2019-07-19 一种虚拟电厂容量优化方法、设备以及系统

Publications (2)

Publication Number Publication Date
CN110516843A CN110516843A (zh) 2019-11-29
CN110516843B true CN110516843B (zh) 2023-09-26

Family

ID=68622639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910654837.0A Active CN110516843B (zh) 2019-07-19 2019-07-19 一种虚拟电厂容量优化方法、设备以及系统

Country Status (1)

Country Link
CN (1) CN110516843B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382939A (zh) * 2020-03-06 2020-07-07 国网冀北电力有限公司 虚拟电厂资源优化配置方法、装置及设备
CN111709555B (zh) * 2020-05-22 2022-09-23 广西电网有限责任公司 一种分布式电源优化配置的方法及系统
CN111815018B (zh) * 2020-05-29 2024-05-14 国网冀北电力有限公司计量中心 一种虚拟电厂的优化调度方法及装置
CN111667109A (zh) * 2020-05-29 2020-09-15 国网冀北电力有限公司计量中心 一种虚拟电厂的出力控制方法及装置
CN112269966B (zh) * 2020-11-18 2023-12-22 国网上海市电力公司 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法
CN112785337B (zh) * 2021-01-22 2024-04-26 国网信息通信产业集团有限公司 一种应用于虚拟电厂的价格激励方法及装置
CN114154910A (zh) * 2021-12-08 2022-03-08 国网山西省电力公司电力科学研究院 面向多能分散式资源的虚拟电厂多级聚合方法、装置及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9466034B2 (en) * 2011-04-28 2016-10-11 Vestas Wind Systems A/S Renewable energy configurator
CN105375507B (zh) * 2015-07-10 2017-09-26 华北电力大学（保定） 雾霾环境下虚拟电厂的电力两级交互优化调度方法
CN107464010B (zh) * 2017-06-29 2021-10-29 河海大学 一种虚拟电厂容量优化配置方法
CN107895971B (zh) * 2017-11-28 2021-05-07 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法
CN108667052B (zh) * 2018-05-02 2021-08-03 中国电力科学研究院有限公司 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统
CN108960510B (zh) * 2018-07-04 2021-11-26 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略装置

Also Published As

Publication number Publication date
CN110516843A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110516843B (zh) 一种虚拟电厂容量优化方法、设备以及系统
Karavas et al. A game theory approach to multi-agent decentralized energy management of autonomous polygeneration microgrids
Neshat et al. Cleaner power generation through market-driven generation expansion planning: an agent-based hybrid framework of game theory and particle swarm optimization
Moiseeva et al. Bayesian and robust nash equilibria in hydrodominated systems under uncertainty
Siahkali et al. Electricity generation scheduling with large-scale wind farms using particle swarm optimization
Wang et al. An improved partheno genetic algorithm for multi-objective economic dispatch in cascaded hydropower systems
Yang et al. A novel strategy of pareto-optimal solution searching in multi-objective particle swarm optimization (MOPSO)
Li et al. Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system
CN105790266A (zh) 一种微电网并行多目标鲁棒优化调度集成控制方法
Zhang et al. Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach
Samuel et al. Jaya based optimization method with high dispatchable distributed generation for residential microgrid
CN116090730A (zh) 基于激励需求响应的虚拟电厂负荷优化调度方法和系统
Gao et al. Machine learning based optimization model for energy management of energy storage system for large industrial park
Liu et al. Deep reinforcement learning based energy storage management strategy considering prediction intervals of wind power
Dzikowski DSO–TSO coordination of day-ahead operation planning with the use of distributed energy resources
Anwar et al. Proximal policy optimization based reinforcement learning for joint bidding in energy and frequency regulation markets
Sun et al. Multi-objective solution of optimal power flow based on TD3 deep reinforcement learning algorithm
Zhai et al. Multi-agent consensus algorithm-based optimal power dispatch for islanded multi-microgrids
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN116865270A (zh) 一种含嵌入式直流的柔性互联配电网优化调度方法及系统
Zhou et al. Energy management for energy internet: a combination of game theory and big data-based renewable power forecasting
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
Liu et al. Deep reinforcement learning for real-time economic energy management of microgrid system considering uncertainties
CN108418213B (zh) 一种基于源荷互动电力系统调度的方法
Liu et al. Optimal Sizing of Photovoltaic/Energy Storage Hybrid Power Systems: Considering Output Characteristics and Uncertainty Factors

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