CN111222664A - 基于可再生能源与负荷响应的电力市场机制设计方法 - Google Patents

基于可再生能源与负荷响应的电力市场机制设计方法 Download PDF

Info

Publication number
CN111222664A
CN111222664A CN201811413623.6A CN201811413623A CN111222664A CN 111222664 A CN111222664 A CN 111222664A CN 201811413623 A CN201811413623 A CN 201811413623A CN 111222664 A CN111222664 A CN 111222664A
Authority
CN
China
Prior art keywords
power
renewable energy
model
load
market
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
Application number
CN201811413623.6A
Other languages
English (en)
Other versions
CN111222664B (zh
Inventor
唐程辉
张凡
曲昊源
马莉
张晓萱
赵天
宋海旭
张笑峰
徐杨
林晓斌
冯昕欣
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 Energy Research Institute Co Ltd
Original Assignee
State Grid Energy Research Institute 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 Energy Research Institute Co Ltd filed Critical State Grid Energy Research Institute Co Ltd
Priority to CN201811413623.6A priority Critical patent/CN111222664B/zh
Publication of CN111222664A publication Critical patent/CN111222664A/zh
Application granted granted Critical
Publication of CN111222664B publication Critical patent/CN111222664B/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
    • G06Q10/04—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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • 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
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于可再生能源随机性和负荷响应的日前电力市场机制设计方法，包括以下步骤：输入系统内可再生能源发电站的历史出力功率的预测数据和实测数据；基于截断通用分布模型建模可再生能源发电的分布模型；建立电力市场日前出清模型，及售电商下可控用电设备模型；基于交替方向乘子法求解分布式日前市场出清模型与售电商下可控用电设备模型；输出日前常规机组、可再生能源发电站的计划出力曲线和售电商下可控用电设备模型的负荷功率曲线。本发明模型相比于传统含可再生能源的确定性模型，能够较大地降低社会成本，基于交替方向乘子法的分布式日前市场出清算法具备良好的收敛性和高效的计算效率。

Description

基于可再生能源与负荷响应的电力市场机制设计方法
技术领域
本发明涉及电力市场设计领域，具体涉及基于可再生能源与负荷响应的电力市场机制设计方法。
背景技术
现今，中国的电力市场改革正在逐步开展，电力体制改革的重点是建立统一、开放、竞争性的电力市场体系，充分发挥市场在资源配置中的决定性作用，与欧洲和美国等国家的电力市场形成过程不同的是，中国的电力市场建设伴随着可再生能源不断发展的新趋势，中国的研究机构表示，到2050年，中国将有60％的电力来自可再生能源。
目前，国内外很多学者着眼于电力市场机制的研究，对于可再生能源的处理，往往忽略了其随机性的影响。然后，在对于可再生能源接入电力市场、并通过售电商的负荷响应技术来帮助平抑可再生能源发电的随机性和波动性方面，却鲜有研究。随着可再生能源渗透率的不断提高，可再生能源发电站被要求与传统发电站一道参与电力市场交易，与火电等传统电源相比，风电，太阳能光伏发电等可再生能源具有很强的随机性(不确定性)，必须在日前电力市场机制设计予以考虑。
另外，国内外研究和实践已经表明,科学地开展需求响应将为电网的经济和安全运行带来显著的效益。售电商下用户的负荷可以分为不可控负荷和可控负荷两大类，售电商可通过应用负荷响应技术来在一定程度上平抑可再生能源发电的随机性和波动性。通过考虑用户满意度函数并合理安排售电商下用户的空调负荷、电动汽车负荷等典型可控用电设备的用电功率曲线，在统调模式下降低社会的成本。然而，在传统统调模式下，交易机构或调度中心需要利用售电商下的用户满意度函数及用户的用电功率等私密信息进行求解，在实地操作中难以进行。
有鉴于此，急需提供一种即考虑可再生能源随机性，且考虑负荷响应的日前电力市场机制设计方法。
发明内容
为了解决上述技术问题，本发明所采用的技术方案是提供了一种基于可再生能源随机性和负荷响应的日前电力市场机制设计方法，包括以下步骤：
S1、输入系统内可再生能源发电站的历史出力功率的预测数据和实测数据；
S2、基于截断通用分布模型建模可再生能源发电的分布模型；
S3、建立电力市场日前出清模型，及售电商下可控用电设备模型；
S4、基于交替方向乘子法求解分布式日前市场出清模型与售电商下可控用电设备模型；
S5、输出日前常规机组、可再生能源发电站的计划出力曲线和售电商下可控用电设备模型的负荷功率曲线。。
在上述方法中，所述步骤S3中电力市场日前出清模型根据步骤S2中可再生能源发电的分布模型，并基于常规机组成本、可再生能源发电站的发电成本与终端用户满意度函数建立。
在上述方法中，所述步骤S2中截断通用分布模型建立可再生能源发电的分布模型如下：
连续型随机变量X服从一个形状参数为α、β和γ的截断通用分布，则
X～V(α,β,γ) (1)
其中，X为指可再生能源发电站的实测功率，α、β和γ分别为垂直参数、偏度参数和水平参数，且满足：
-∞＜α，β，γ＜+∞ (2)
截断通用分布的PDF函数为：
Figure BDA0001878906000000031
式中，x、
Figure BDA0001878906000000032
代表标准化区间，即截断通用分布概率密度函数值严格非零的定义域区间；
在表征可再生能源功率实际功率值时，x＝0，
Figure BDA0001878906000000033
M为标准化系数：
Figure BDA0001878906000000034
截断通用分布的CDF函数为：
Figure BDA0001878906000000035
对于给定某一置信水平c，截断通用分布的CDF逆函数为：
Figure BDA0001878906000000036
在上述方法中，所述可再生能源发电站的发电成本如下：
Figure BDA0001878906000000037
Figure BDA0001878906000000041
式中，t＝{1,2,……T}为电力系统日前出清的时间周期，j＝{1,2,……J}为可再生能源发电站集合；
Figure BDA0001878906000000042
为对于出清时间周期t下的可再生能源发电站j的实际可能功率；
Figure BDA0001878906000000043
为出力基准值；
Figure BDA0001878906000000044
为随机变量，
Figure BDA0001878906000000045
为决策变量；
bt为购买功率缺额的成本系数，st为卖给现货市场的价格；
常规机组成本
Figure BDA0001878906000000046
采用以下方式计算：
Figure BDA0001878906000000047
式中，ai、bi和ci分别为常规机组的二次发电成本的二次、一次和常数项系数，
Figure BDA0001878906000000048
为在出清时间周期t下常规机组i的负荷功率；
终端用户满意度函数
Figure BDA0001878906000000049
采用以下方式计算：
Figure BDA00018789060000000410
式中，
Figure BDA00018789060000000411
为在出清时间周期t下常规机组i的出力和售电商n下用户r对应的可控用电设备s的负荷功率；Unrs(·)为与用户满意度对应的函数。
在上述方法中，所述电力市场日前出清模型为：
基于直流潮流，最小化总社会成本的电力市场日前出清模型如下：
Figure BDA00018789060000000412
约束条件为：
Figure BDA00018789060000000413
Figure BDA00018789060000000414
Figure BDA00018789060000000415
Figure BDA0001878906000000051
Figure BDA0001878906000000052
Figure BDA0001878906000000053
Figure BDA0001878906000000054
其中，式(12)为常规机组的功率上下限约束，其中
Figure BDA0001878906000000055
和
Figure BDA0001878906000000056
分别为常规机组i的功率下限和上限；
式(13)为常规机组的爬坡约束，其中
Figure BDA0001878906000000057
为常规机组i的最大爬坡功率；
式(14)为可再生能源发电站的功率限制，其中
Figure BDA0001878906000000058
为可再生能源发电站j的装机容量；
式(15)为售电商的可控负荷功率限制，其中
Figure BDA0001878906000000059
为售电商n的可控负荷最大功率限制；
式(16)为售电商自身的可控负荷功率平衡约束，其中每一个售电商
Figure BDA00018789060000000510
服务于一个居民用户集合
Figure BDA00018789060000000511
每一个居民用户
Figure BDA00018789060000000512
拥有一个可控设备集合
Figure BDA00018789060000000513
式(17)为功率平衡约束，
Figure BDA00018789060000000514
为出清时间周期t下系统节点b对应的负荷功率，
Figure BDA00018789060000000515
为系统节点集合；
式(18)为线路传输容量约束，其中
Figure BDA00018789060000000516
为线路l对应的允许流过的最大功率，
Figure BDA00018789060000000517
为系统传输线路集合，Kli、Klj、Kln和Klb分别为常规机组i、可再生能源发电站j、售电商n和节点b下负荷对应的直流潮流分配系数。
在上述方法中，所述售电商下可控用电设备模型为：
以空调负荷和PHEV负荷模型作为研究对象，其中
空调负荷的数学模型如下所示：
Figure BDA0001878906000000061
Figure BDA0001878906000000062
Figure BDA0001878906000000063
其中，式(19)为空调负荷功率与环境变化的关系，
Figure BDA0001878906000000064
为室内温度，εn,r,air为空气的惯性系数，
Figure BDA0001878906000000065
为预测的室外温度，
Figure BDA0001878906000000066
为空调负荷功率，κn,r,air为导热性系数；
式(19)为室内温度范围，
Figure BDA0001878906000000067
和
Figure BDA0001878906000000068
分别是最低和最高室内温度；
PHEV的数学模型如下所示：
Figure BDA0001878906000000069
Figure BDA00018789060000000610
其中，式(22)为电动汽车从时间
Figure BDA00018789060000000611
到时间
Figure BDA00018789060000000612
的充电过程，其中
Figure BDA00018789060000000613
为充电功率，
Figure BDA00018789060000000614
En,r,ev为总的充电电量；
式(23)为充电功率限制，
Figure BDA00018789060000000615
为最小充电功率，
Figure BDA00018789060000000616
为和最大充电功率。
在上述方法中，所述交替方向乘子法如下：
含线性约束的凸优化问题：
Figure BDA00018789060000000617
对于式(7)～(23)，式(24)中x即决策变量
Figure BDA00018789060000000618
和
Figure BDA00018789060000000619
y即决策变量
Figure BDA00018789060000000620
即
Figure BDA00018789060000000621
和
Figure BDA00018789060000000622
式(7)～(23)的增广拉格朗日函数为：
Figure BDA0001878906000000071
式中，
Figure BDA0001878906000000072
为与约束条件式(16)对应的拉格朗日乘子向量；
在上述方法中，所述交替方向乘子法算法步骤如下：
S41、初始化λ(0)＝0，当k＝1,2,3,...K；
S42、更新决策变量：
Figure BDA0001878906000000073
S43、更新对偶变量：
Figure BDA0001878906000000074
S44、收敛判据：判断若式(28)成立，则结束算法；否则，使k＝k+1，返回步骤S42；
Figure BDA0001878906000000075
在上述方法中，所述步骤S42中更新决策变量中的x(k)求解如下：
Figure BDA0001878906000000081
s.t为(11)～(14)、(16)～(17)；
更新决策变量中的y(k)求解过程为：
Figure BDA0001878906000000082
本发明提出通过截断通用分布模型建模可再生能源的随机性，基于交替方向乘子法求解来进行分布式出清并保证售电商的隐私，设计考虑可再生能源随机性和负荷响应的日前电力市场机制的方法，且本发明模型相比于传统含可再生能源的确定性模型，能够较大地降低社会成本，基于交替方向乘子法的分布式日前市场出清算法具备良好的收敛性和高效的计算效率。
附图说明
图1为本发明提供的流程图；
图2为本发明提供的截断通用分布曲线图；
图3为本发明提供的含可再生能源发电站的算例系统拓扑图；
图4为本发明提供的风电预测功率和室外温度曲线图；
图5为本发明提供的常规机组和可再生能源发电站调度出力图；
图6为本发明提供的售电商可控负荷和基准负荷功率图；
图7为本发明提供的不同购电成本系数下的风电调度功率图；
图8为本发明提供的算法收敛过程图。
具体实施方式
本发明提供了一种基于可再生能源与负荷响应的电力市场机制设计方法，提出通过截断通用分布模型建模可再生能源的随机性，基于交替方向乘子法求解来进行分布式出清并保证售电商的隐私，设计考虑可再生能源随机性和负荷响应的日前电力市场机制的方法。下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1所示，本发明提供了一种基于可再生能源与负荷响应的电力市场机制设计方法，包括以下步骤：
S1、输入系统内可再生能源发电站的历史出力功率的预测数据和实测数据。可再生能源发电站包括风电站，太阳能电站、水电站等等。
S2、基于截断通用分布模型建模可再生能源发电的分布模型；
S21、将步骤S1中预测数据和实测数据标幺化。
S22、基于截断通用分布模型建立可再生能源发电的分布模型。
本实施例，根据可再生能源发电站的出力功率的预测数据的不同，在不同可再生能源发电站功率预测水平下，基于文献Chenghui Tang,Jian Xu等人于15June 2017年在IEEE Transactions on Power Systems期刊提出的《Look-ahead economic dispatchwith adjustable confidence interval based on a truncated versatiledistribution model for wind power》(基于截断通用分布模型和优化置信区间的含风电电力系统滚动经济调度)中的截断通用分布模型建模方法，通过截断通用分布模型建立可再生能源发电的分布模型如下：
若连续型随机变量X服从一个形状参数为α、β和γ的截断通用分布，则记为：
X～V(α,β,γ) (1)
其中，X为指可再生能源发电站的实测功率，α、β和γ分别为垂直参数、偏度参数和水平参数，且满足：
-∞＜α，β，γ＜+∞ (2)
截断通用分布的PDF函数(Probability density function，概率密度函数)定义为：
Figure BDA0001878906000000101
式中，x、
Figure BDA0001878906000000102
代表标准化区间，即截断通用分布概率密度函数值严格非零的定义域区间，在表征可再生能源功率实际功率值时，x＝0，
Figure BDA0001878906000000103
M为标准化系数：
Figure BDA0001878906000000104
截断通用分布的CDF函数(Cumulative distribution function，累积分布函数)定义为：
Figure BDA0001878906000000105
对于给定某一置信水平c，其截断通用分布的CDF逆函数为：
Figure BDA0001878906000000106
本实施例截断通用分布模型的PDF函数曲线如图2所示，相比于高斯分布、贝塔分布和通用分布模型，截断通用分布模型的三点数学特性如下：
1)截断通用分布可以更灵活的拟合概率分布曲线形状；
2)截断通用分布模型具备有界并可自定义的定义域
Figure BDA0001878906000000107
与标幺化实际可再生能源出力区间一致；
3)截断通用分布的CDF函数和CDF逆函数具备闭合解析的表达式，如式(5)和式(6)所示。
基于可再生能源发电站历史预测功率和对应实际功率数据，将预测功率分箱，并采用截断通用分布模型拟合各预测箱内实际功率直方图，可得到各预测功率箱对应的截断通用分布模型。在日前市场，可再生能源发电站通过其预测的可再生能源功率曲线，即可得到各出清时间周期下的表征可再生能源实际出力分布的截断通用分布模型。
S3、根据步骤S2中可再生能源发电的分布模型，建立基于常规机组成本、可再生能源发电站的发电成本，终端用户满意度函数的电力市场日前出清模型，及售电商下可控用电设备模型；具体如下：
一、常规机组成本、可再生能源发电站的发电成本和终端用户满意度函数具体如下：
本实施例定义电力系统日前出清的时间域(出清时间周期集合)为t＝{1,2,……T}，即出清时间域由t＝1…T个出清时间周期组成；电力系统中可再生能源发电站集合为j＝{1,2,……J}，即可再生能源发电站集合由j＝1…J个可再生能源发电站组成。
1)可再生能源发电站成本
对于出清时间周期t下的可再生能源发电站j的实际可能功率记为
Figure BDA0001878906000000111
出力基准值为
Figure BDA0001878906000000112
注意
Figure BDA0001878906000000113
为随机变量，其截断通用分布的PDF函数如式(3)，
Figure BDA0001878906000000114
为决策变量。
由于出清时间周期t下的可再生能源发电站j能向系统提供的功率
Figure BDA0001878906000000115
为随机变量，当实际可能功率
Figure BDA0001878906000000116
大于出力基准值为
Figure BDA0001878906000000117
时，可再生能源发电站可以将多余的可再生能源功率卖给现货市场或进行丢弃；当实际可能功率
Figure BDA0001878906000000121
小于出力基准值为
Figure BDA0001878906000000122
时，为完成日前合同确定的发电功率，可再生能源发电站可以在实时市场以辅助服务的方式购买功率缺额。
由此，可再生能源发电站的发电成本可由下式计算：
Figure BDA0001878906000000123
Figure BDA0001878906000000124
式中，bt为购买功率缺额的成本系数，st为卖给现货市场的价格。
2)常规机组成本
Figure BDA0001878906000000125
采用以下方式计算，
Figure BDA0001878906000000126
式中，ai、bi和ci分别为常规机组的二次发电成本的二次、一次和常数项系数，
Figure BDA0001878906000000127
为在出清时间周期t下常规机组i的负荷功率。
3)终端用户满意度函数
Figure BDA0001878906000000128
采用以下方式计算：
Figure BDA0001878906000000129
式中，
Figure BDA00018789060000001210
为在出清时间周期t下常规机组i的出力和售电商n下用户r对应的可控用电设备s的负荷功率；Unrs(·)为与用户满意度对应的函数。
二、电力市场日前出清模型如下
基于直流潮流，最小化总社会成本的电力市场日前出清模型如下：
Figure BDA00018789060000001211
约束条件为：
Figure BDA00018789060000001212
Figure BDA00018789060000001213
Figure BDA00018789060000001214
Figure BDA0001878906000000131
Figure BDA0001878906000000132
Figure BDA0001878906000000133
Figure BDA0001878906000000134
其中，式(12)为常规机组的功率上下限约束，其中
Figure BDA0001878906000000135
和
Figure BDA0001878906000000136
分别为常规机组i的功率下限和上限；
式(13)为常规机组的爬坡约束，其中
Figure BDA0001878906000000137
为常规机组i的最大爬坡功率；
式(14)为可再生能源发电站的功率限制，其中
Figure BDA0001878906000000138
为可再生能源发电站j的装机容量；
式(15)为售电商的可控负荷功率限制，其中
Figure BDA0001878906000000139
为售电商n的可控负荷最大功率限制；
式(16)为售电商自身的可控负荷功率平衡约束，其中每一个售电商
Figure BDA00018789060000001310
服务于一个居民用户集合
Figure BDA00018789060000001311
每一个居民用户
Figure BDA00018789060000001312
拥有一个可控设备集合
Figure BDA00018789060000001313
即出清时间周期t下售电商n的可控负荷功率等于其下所有用户r对应的所有可控用电设备s的负荷功率之和；
式(17)为功率平衡约束，
Figure BDA00018789060000001314
为出清时间周期t下系统节点b对应的负荷功率，
Figure BDA00018789060000001315
为系统节点集合；
式(18)为线路传输容量约束，其中
Figure BDA00018789060000001316
为线路l对应的允许流过的最大功率，
Figure BDA00018789060000001317
为系统传输线路集合，Kli、Klj、Kln和Klb分别为常规机组i、可再生能源发电站j、售电商n和节点b下负荷对应的直流潮流分配系数。
三、售电商下可控用电设备模型
本实施例以常见的空调负荷和插电式混合电动汽车(Plug-in hybrid electricvehicle,PHEV)负荷模型作为主要的研究对象，其中
空调负荷的数学模型如下所示：
Figure BDA0001878906000000141
Figure BDA0001878906000000142
Figure BDA0001878906000000143
其中，式(19)为空调负荷功率与环境变化的关系，
Figure BDA0001878906000000144
为室内温度，εn,r,air为空气的惯性系数，
Figure BDA0001878906000000145
为预测的室外温度，
Figure BDA0001878906000000146
为空调负荷功率，κn,r,air为导热性系数；
式(19)为室内温度范围，
Figure BDA0001878906000000147
和
Figure BDA0001878906000000148
分别是最低和最高室内温度。
PHEV的数学模型如下所示：
Figure BDA0001878906000000149
Figure BDA00018789060000001410
其中，式(22)为电动汽车从时间
Figure BDA00018789060000001411
到时间
Figure BDA00018789060000001412
的充电过程，其中
Figure BDA00018789060000001413
为充电功率，
Figure BDA00018789060000001414
En,r,ev为总的充电电量；
式(23)为充电功率限制，当PHEV在充电过程中，其充电功率介于最小充电功率
Figure BDA00018789060000001415
和最大充电功率
Figure BDA00018789060000001416
之间，当PHEV不在充电过程中时，其充电功率为0。
S4、基于交替方向乘子法求解分布式日前市场出清模型；具体如下：
本实施例中，难点在于模型(7)～(18)中，用户满意度函数Unrs(·)和售电商下的具体
Figure BDA00018789060000001417
值通常是保密的，并不能为电力市场运行人员所知；另一方面，售电商下的居民用户集合
Figure BDA00018789060000001418
即用户下的可控设备集合
Figure BDA00018789060000001419
可能非常大，对式(7)～(23)中的模型求解带来极大的计算负担；为解决上述问题，本实施例通过基于交替方向乘子法的分布式日前市场出清算法来求解电力市场日前出清模型，其中，
1)交替方向乘子法
对于如下的含线性约束的凸优化问题：
Figure BDA0001878906000000151
对于模型(7)～(23)，式(24)中x即决策变量
Figure BDA0001878906000000152
和
Figure BDA0001878906000000153
y即决策变量
Figure BDA0001878906000000154
即
Figure BDA0001878906000000155
和
Figure BDA0001878906000000156
本实施例模型(7)～(23)的增广拉格朗日函数可以写为：
Figure BDA0001878906000000157
式中，
Figure BDA0001878906000000158
为与约束条件(16)对应的拉格朗日乘子向量。
交替方向乘子法算法步骤：
S41、初始化λ(0)＝0，当k＝1,2,3,...K；
S42、更新决策变量：
Figure BDA0001878906000000159
S43、更新对偶变量：
Figure BDA0001878906000000161
S44、收敛判据：基于上述条件若式(28)成立，则结束算法；否则，使k＝k+1，返回步骤S42。
Figure BDA0001878906000000162
2)基于交替方向乘子法的分布式日前市场出清算法
基于上述交替乘子法的简单步骤，对于模型(7)～(23)，步骤S42更新决策变量中的x(k)求解如下：
Figure BDA0001878906000000163
s.t(约束条件)为(11)～(14)、(16)～(17)。
步骤S42更新决策变量中的y(k)求解过程为：
Figure BDA0001878906000000164
约束条件为(19)～(20)、(22)～(23)，在更新{ps}时，求解过程得以解耦，售电商只需收集其下服务的用户信息进行求解，调度中心及不同售电商相互之间并不知道具体的用户满意度函数及用户的用电功率，从而保护了售电商和用户的隐私。
S5、输出日前常规机组、可再生能源发电站的计划出力曲线和售电商下可控用电设备模型的负荷功率曲线。
下面通过具体书案例说明本发明：
一、参数设置
本案例以6节点算例系统为例，验证上述实施例所提方法的有效性。本案例模型基于matlab工具箱CVX搭建，并使用SDPT3进行求解；
取T＝24，时间从当前00:00～24:00结束，时间周期为一小时。系统拓扑图如图3所示，在节点#5接入一个装机容量为200MW的风电场，常规机组的参数下表1所示，节点#3、#4、#5的基准负荷分别为50MW、100MW和50MW。风电功率预测值和室外温度如图4所示，风电场购买功率缺额的成本系数bt值取100$/MWh，卖给现货市场的价格st取0$/MWh。其中ρ取25，εcon取0.0001。
表1、常规机组的参数
Figure BDA0001878906000000171
假设售电商的数量为2，分别接在节点#3和#5上且每个售电商下面有50个用户，每个用户下均有一台空调和一辆电动汽车。其中电动汽车的充电量En,r,ev取10kWh，充电功率上下限
Figure BDA0001878906000000172
和
Figure BDA0001878906000000173
分别取2.1kW和0kW，终端用户满意度函数fnrs取0。为便于讨论，本案例做以下假设：
1.假设空调负荷的工作时间为全天，最低和最高室内温度
Figure BDA0001878906000000174
和
Figure BDA0001878906000000175
分别为23°和25°，空气的惯性系数εn,r,air取0.95，导热性系数κn,r,air取0.2；
2.假设电动汽车的充电时间均为00:00～07:00结束，充电效率η取0.92。
二、市场出清结果
常规机组和可再生能源发电站的调度功率如图5所示，由于功率平衡约束，每个时刻的总调度出力与图6的总负荷功率相等。在1～10h，风电预测功率变化不大，常规机组和可再生能源调度功率变化不大。值得注意的是，在此时间段内，售电商可控负荷中的电动汽车和空调负荷功率出现了互补，由于夜晚温度较低(如图4所示)，空调从5h开始工作，而此时电动汽车经历1～4h的较高功率充电后，在5～7h逐步降低充电功率。电动汽车和空调负荷等可控负荷之间出现了自然的调峰，在降低总社会成本的目标函数作用下，使总的发电功率也保持了稳定。
如图4所示，在11～19h和19～24h，风点预测功率分别下降和上升，对应的图5的风电调度功率出现了相同的趋势。此时常规机组的调度功率在11～19h和19～24h内先上升后下降，弥补了风电功率降低，保证系统功率平衡。
如下表2所示，比较了考虑可再生能源随机性的本案例市场策略和不考虑可再生能源随机性的市场策略的实际成本比较。不考虑可再生能源随机性的市场策略即使用可再生能源的日前预测功率作为调度功率进行出清，由于没有考虑当可再生能源实际功率小与预测功率时必须从辅助服务市场购买成本较高功率缺额的因素，导致了较高可再生能源成本，从而降低了总体的经济型。由于功率缺额的购买成本较高，可再生能源的调度功率往往低于其预测功率(下面进一步讨论)，故考虑可再生能源随机性的本案例市场策略需要更高的常规机组调度功率，从而在常规机组成本方面更高。然而，由于能够平衡常规机组成本和可再生能源成本，相比于不考虑可再生能源随机性的市场策略，本案例市场策略可以降低3.33％的总成本。
表2、不同模型下的社会成本
Figure BDA0001878906000000181
Figure BDA0001878906000000191
三、风电预测误差灵敏性分析
不同购电成本系数下的可再生能源调度功率如图7所示，随着购电成本系数的提高，可再生能源的调度功率逐步降低。原因是购电成本的提高导致可再生能源实际功率小于调度功率带来的功率缺额购电成本提高，从而可再生能源的调度功率降低，以减少可再生能源实际功率小于调度功率的概率，从而降低总的社会成本。
四、算法收敛过程
如图8所示，显示了本案例模型的算法收敛过程，式(28)左端的收敛判据从初始迭代的105.505、102.117，在算法迭代过程中快速降低至0.213，直到满足收敛条件。由于交替方向乘子法良好的收敛性，本案例模型经过四次迭代即达到较好的收敛效果。
五、其他算例系统的计算效率
表3比较了不同算例测试系统下的本案例模型计算效率，可以看出，在各个测试系统中，本案例模型均具有较好的收敛效果。值得注意的是，本案例所提出的市场策略为基于交替方向乘子法的分布式日前市场出清算法，即使系统规模增大，也仅仅是式(29)中常规机组和可再生能源发电站调度求解规模的增大，具体表现为每一次迭代的计算时间并没有随着算例系统规模的增大而快速增大。
表3、算例测试系统的计算效率
Figure BDA0001878906000000192
各售电商的分布式出清模式使得本案例模型在较大的算例系统中仍然能够具备较好的计算效率，可在日前市场中可靠求解，并在出清过程中有效保证了各自售电商自身的隐私。
本发明在分析可再生能源功率随机性的基础上，针对现有技术的缺陷，提出通过截断通用分布模型建模可再生能源的随机性，基于交替方向乘子法求解来进行分布式出清并保证售电商的隐私，建立考虑可再生能源随机性和负荷响应的日前电力市场机制设计方案。以6节点测试系统和其他测试系统为基础进行了仿真验证，结果表明：
通过考虑本发明模型相比于传统含可再生能源的确定性模型，能够较大地降低社会成本，基于交替方向乘子法的分布式日前市场出清算法具备良好的收敛性和高效的计算效率。
本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (9)

1.基于可再生能源随机性和负荷响应的日前电力市场机制设计方法，其特征在于，包括以下步骤：
S1、输入系统内可再生能源发电站的历史出力功率的预测数据和实测数据；
S2、基于截断通用分布模型建模可再生能源发电的分布模型；
S3、建立电力市场日前出清模型，及售电商下可控用电设备模型；
S4、基于交替方向乘子法求解分布式日前市场出清模型与售电商下可控用电设备模型；
S5、输出日前常规机组、可再生能源发电站的计划出力曲线和售电商下可控用电设备模型的负荷功率曲线。
2.如权利要求1所述的方法，其特征在于，所述步骤S3中电力市场日前出清模型根据步骤S2中可再生能源发电的分布模型，并基于常规机组成本、可再生能源发电站的发电成本与终端用户满意度函数建立。
3.如权利要求2所述的方法，其特征在于，所述步骤S2中截断通用分布模型建立可再生能源发电的分布模型如下：
连续型随机变量X服从一个形状参数为α、β和γ的截断通用分布，则
X～V(α,β,γ) (1)
其中，X为指可再生能源发电站的实测功率，α、β和γ分别为垂直参数、偏度参数和水平参数，且满足：
-∞＜α，β，γ＜+∞ (2)
截断通用分布的PDF函数为：
Figure FDA0001878905990000021
式中，x、
Figure FDA0001878905990000022
代表标准化区间，即截断通用分布概率密度函数值严格非零的定义域区间；
在表征可再生能源功率实际功率值时，x＝0，
Figure FDA0001878905990000023
M为标准化系数：
Figure FDA0001878905990000024
截断通用分布的CDF函数为：
Figure FDA0001878905990000025
对于给定某一置信水平c，截断通用分布的CDF逆函数为：
Figure FDA0001878905990000026
4.如权利要求3所述的方法，其特征在于，所述可再生能源发电站的发电成本如下：
Figure FDA0001878905990000027
Figure FDA0001878905990000028
式中，t＝{1,2,……T}为电力系统日前出清的时间周期，j＝{1,2,……J}为可再生能源发电站集合；
Figure FDA0001878905990000029
为对于出清时间周期t下的可再生能源发电站j的实际可能功率；
Figure FDA00018789059900000210
为出力基准值；
Figure FDA00018789059900000211
为随机变量，
Figure FDA00018789059900000212
为决策变量；
bt为购买功率缺额的成本系数，st为卖给现货市场的价格；
常规机组成本
Figure FDA00018789059900000213
采用以下方式计算：
Figure FDA0001878905990000031
式中，ai、bi和ci分别为常规机组的二次发电成本的二次、一次和常数项系数，
Figure FDA0001878905990000032
为在出清时间周期t下常规机组i的负荷功率；
终端用户满意度函数
Figure FDA0001878905990000033
采用以下方式计算：
Figure FDA0001878905990000034
式中，
Figure FDA0001878905990000035
为在出清时间周期t下常规机组i的出力和售电商n下用户r对应的可控用电设备s的负荷功率；Unrs(·)为与用户满意度对应的函数。
5.如权利要求4所述的方法，其特征在于，所述电力市场日前出清模型为：
基于直流潮流，最小化总社会成本的电力市场日前出清模型如下：
Figure FDA0001878905990000036
约束条件为：
Figure FDA0001878905990000037
Figure FDA0001878905990000038
Figure FDA0001878905990000039
Figure FDA00018789059900000310
Figure FDA00018789059900000311
Figure FDA00018789059900000312
Figure FDA00018789059900000313
其中，式(12)为常规机组的功率上下限约束，其中
Figure FDA00018789059900000314
和
Figure FDA00018789059900000315
分别为常规机组i的功率下限和上限；
式(13)为常规机组的爬坡约束，其中
Figure FDA0001878905990000041
为常规机组i的最大爬坡功率；
式(14)为可再生能源发电站的功率限制，其中
Figure FDA0001878905990000042
为可再生能源发电站j的装机容量；
式(15)为售电商的可控负荷功率限制，其中
Figure FDA0001878905990000043
为售电商n的可控负荷最大功率限制；
式(16)为售电商自身的可控负荷功率平衡约束，其中每一个售电商
Figure FDA0001878905990000044
服务于一个居民用户集合
Figure FDA0001878905990000045
每一个居民用户
Figure FDA0001878905990000046
拥有一个可控设备集合
Figure FDA0001878905990000047
式(17)为功率平衡约束，
Figure FDA0001878905990000048
为出清时间周期t下系统节点b对应的负荷功率，
Figure FDA0001878905990000049
为系统节点集合；
式(18)为线路传输容量约束，其中
Figure FDA00018789059900000410
为线路l对应的允许流过的最大功率，
Figure FDA00018789059900000411
为系统传输线路集合，Kli、Klj、Kln和Klb分别为常规机组i、可再生能源发电站j、售电商n和节点b下负荷对应的直流潮流分配系数。
6.如权利要求5所述的方法，其特征在于，所述售电商下可控用电设备模型为：
以空调负荷和PHEV负荷模型作为研究对象，其中
空调负荷的数学模型如下所示：
Figure FDA00018789059900000412
Figure FDA00018789059900000413
Figure FDA00018789059900000414
其中，式(19)为空调负荷功率与环境变化的关系，
Figure FDA00018789059900000415
为室内温度，εn,r,air为空气的惯性系数，
Figure FDA00018789059900000416
为预测的室外温度，
Figure FDA00018789059900000417
为空调负荷功率，κn,r,air为导热性系数；
式(19)为室内温度范围，
Figure FDA0001878905990000051
和
Figure FDA0001878905990000052
分别是最低和最高室内温度；
PHEV的数学模型如下所示：
Figure FDA0001878905990000053
Figure FDA0001878905990000054
其中，式(22)为电动汽车从时间
Figure FDA0001878905990000055
到时间
Figure FDA0001878905990000056
的充电过程，其中
Figure FDA0001878905990000057
为充电功率，
Figure FDA0001878905990000058
En,r,ev为总的充电电量；
式(23)为充电功率限制，
Figure FDA0001878905990000059
为最小充电功率，
Figure FDA00018789059900000510
为和最大充电功率。
7.如权利要求6所述的方法，其特征在于，所述交替方向乘子法如下：
含线性约束的凸优化问题：
Figure FDA00018789059900000511
对于式(7)～(23)，式(24)中x即决策变量
Figure FDA00018789059900000512
和
Figure FDA00018789059900000513
y即决策变量
Figure FDA00018789059900000514
即
Figure FDA00018789059900000515
和
Figure FDA00018789059900000516
式(7)～(23)的增广拉格朗日函数为：
Figure FDA0001878905990000061
式中，
Figure FDA0001878905990000062
为与约束条件式(16)对应的拉格朗日乘子向量。
8.如权利要求7所述的方法，其特征在于，所述交替方向乘子法算法步骤如下：
S41、初始化λ(0)＝0，当k＝1,2,3,...K；
S42、更新决策变量：
Figure FDA0001878905990000063
S43、更新对偶变量：
Figure FDA0001878905990000064
S44、收敛判据：判断若式(28)成立，则结束算法；否则，使k＝k+1，返回步骤S42；
Figure FDA0001878905990000065
。
9.如权利要求8所述的方法，其特征在于，所述步骤S42中更新决策变量中的x(k)求解如下：
Figure FDA0001878905990000071
s.t为(11)～(14)、(16)～(17)；
更新决策变量中的y(k)求解过程为：
Figure FDA0001878905990000072
CN201811413623.6A 2018-11-26 2018-11-26 基于可再生能源与负荷响应的电力市场机制设计方法 Active CN111222664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811413623.6A CN111222664B (zh) 2018-11-26 2018-11-26 基于可再生能源与负荷响应的电力市场机制设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811413623.6A CN111222664B (zh) 2018-11-26 2018-11-26 基于可再生能源与负荷响应的电力市场机制设计方法

Publications (2)

Publication Number Publication Date
CN111222664A true CN111222664A (zh) 2020-06-02
CN111222664B CN111222664B (zh) 2022-11-22

Family

ID=70828902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811413623.6A Active CN111222664B (zh) 2018-11-26 2018-11-26 基于可再生能源与负荷响应的电力市场机制设计方法

Country Status (1)

Country Link
CN (1) CN111222664B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859246A (zh) * 2020-07-13 2020-10-30 中国电力科学研究院有限公司 一种基于可再生能源电力消纳的能源出清参数优化方法及系统
CN112529249A (zh) * 2020-11-11 2021-03-19 国网江苏省电力有限公司盐城供电分公司 一种计及绿证交易的虚拟电厂优化调度及交易管理方法
CN112651850A (zh) * 2021-01-12 2021-04-13 国网宁夏电力有限公司 一种基于价格激励的源网荷储互动交易方法及系统
CN114861470A (zh) * 2022-07-04 2022-08-05 华中科技大学 一种实时电力市场出清模型的建立方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140025352A1 (en) * 2012-07-17 2014-01-23 International Business Machines Corporation Planning economic energy dispatch in electrical grid under uncertainty
CN105975751A (zh) * 2016-04-29 2016-09-28 武汉大学 一种表征可再生能源功率概率分布的截断通用分布模型
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法
CN108808734A (zh) * 2018-07-09 2018-11-13 东北电力大学 一种含虚拟电厂的风电并网系统分布式优化调度建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140025352A1 (en) * 2012-07-17 2014-01-23 International Business Machines Corporation Planning economic energy dispatch in electrical grid under uncertainty
CN105975751A (zh) * 2016-04-29 2016-09-28 武汉大学 一种表征可再生能源功率概率分布的截断通用分布模型
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法
CN108808734A (zh) * 2018-07-09 2018-11-13 东北电力大学 一种含虚拟电厂的风电并网系统分布式优化调度建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHENGHUI TANG等: "Look-Ahead Economic Dispatch With Adjustable Confidence Interval Based on a Truncated Versatile Distribution Model for Wind Power", <IEEE TRANSACTIONS ON POWER SYSTEMS> *
王豹 等: "基于通用分布的含风电电力系统随机动态经济调度", 《电力系统自动化》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859246A (zh) * 2020-07-13 2020-10-30 中国电力科学研究院有限公司 一种基于可再生能源电力消纳的能源出清参数优化方法及系统
CN111859246B (zh) * 2020-07-13 2024-06-07 中国电力科学研究院有限公司 一种基于可再生能源电力消纳的能源出清参数优化方法及系统
CN112529249A (zh) * 2020-11-11 2021-03-19 国网江苏省电力有限公司盐城供电分公司 一种计及绿证交易的虚拟电厂优化调度及交易管理方法
CN112529249B (zh) * 2020-11-11 2022-09-30 国网江苏省电力有限公司盐城供电分公司 一种计及绿证交易的虚拟电厂优化调度及交易管理方法
CN112651850A (zh) * 2021-01-12 2021-04-13 国网宁夏电力有限公司 一种基于价格激励的源网荷储互动交易方法及系统
CN114861470A (zh) * 2022-07-04 2022-08-05 华中科技大学 一种实时电力市场出清模型的建立方法和装置
CN114861470B (zh) * 2022-07-04 2022-09-27 华中科技大学 一种实时电力市场出清模型的建立方法和装置

Also Published As

Publication number Publication date
CN111222664B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
Hosseini et al. Robust optimal energy management of a residential microgrid under uncertainties on demand and renewable power generation
Wu et al. Real-time energy management of photovoltaic-assisted electric vehicle charging station by markov decision process
Sharma et al. A modeling framework for optimal energy management of a residential building
Li et al. Data-driven charging strategy of PEVs under transformer aging risk
US9772643B2 (en) Methods, apparatus and systems for managing energy assets
CN111222664B (zh) 基于可再生能源与负荷响应的电力市场机制设计方法
US9960604B2 (en) System and method for operating an electric power system with distributed generation and demand responsive resources based on distribution locational marginal prices
Tostado-Véliz et al. Optimal participation of prosumers in energy communities through a novel stochastic-robust day-ahead scheduling model
Huy et al. Real-time energy scheduling for home energy management systems with an energy storage system and electric vehicle based on a supervised-learning-based strategy
US11610214B2 (en) Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus
CN103997062B (zh) 一种微网能量管理控制方法
Wu et al. Energy trading and generalized Nash equilibrium in combined heat and power market
WO2012145563A1 (en) Methods, apparatus and systems for managing energy assets
Ding et al. Optimal dispatching strategy for user-side integrated energy system considering multiservice of energy storage
CN104700158A (zh) 一种配电园区的能源管理方法与系统
Ding et al. A safe reinforcement learning approach for multi-energy management of smart home
Shotorbani et al. Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid
Zhao et al. Multistage active distribution network planning with restricted operation scenario selection
Tostado-Véliz et al. An interval-based bi-level day-ahead scheduling strategy for active distribution networks in the presence of energy communities
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
Cheng et al. Stochastic dynamic programming-based online algorithm for energy management of integrated energy buildings with electric vehicles and flexible thermal loads
Zhu et al. Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics
Lujano-Rojas et al. Novel probabilistic optimization model for lead-acid and vanadium redox flow batteries under real-time pricing programs
Borujeni et al. A solar backup system to provide reliable energy in presence of unplanned power outages
Zhang et al. A model predictive control based distributed coordination of multi-microgrids in energy internet

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