CN111815018B - 一种虚拟电厂的优化调度方法及装置 - Google Patents

一种虚拟电厂的优化调度方法及装置 Download PDF

Info

Publication number
CN111815018B
CN111815018B CN202010476295.5A CN202010476295A CN111815018B CN 111815018 B CN111815018 B CN 111815018B CN 202010476295 A CN202010476295 A CN 202010476295A CN 111815018 B CN111815018 B CN 111815018B
Authority
CN
China
Prior art keywords
power
power plant
node
distribution network
virtual power
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
CN202010476295.5A
Other languages
English (en)
Other versions
CN111815018A (zh
Inventor
董文略
王宣元
易忠林
郭俊宏
薛晓强
周辛南
胡泽春
张丹阳
张涛
王玉君
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.)
Tsinghua University
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
Tsinghua University
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 Tsinghua University, 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 Tsinghua University
Priority to CN202010476295.5A priority Critical patent/CN111815018B/zh
Publication of CN111815018A publication Critical patent/CN111815018A/zh
Application granted granted Critical
Publication of CN111815018B publication Critical patent/CN111815018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种虚拟电厂的优化调度方法及装置，包括：获取虚拟电厂的初始场景集；对初始场景集进行削减，获得最终场景集；根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化。本申请首先对获取的场景集进行预处理，削减优化后选取具有代表性的场景集，降低了后续的运算量，然后再从条件风险价值约束和安全运行约束两个角度进行考虑，在保障安全的情况下尽可能地对风险进行控制实现利益最大化，同时还对虚拟电厂内部采用激励相容原则进行收益奖惩分配。

Description

一种虚拟电厂的优化调度方法及装置
技术领域
本申请属于虚拟电厂的调度运行技术领域，具体地讲，涉及一种虚拟电厂的优化调度方法及装置。
背景技术
目前，分布式发电资源具有单个容量小，预测误差大，可控性差的缺点。另外，电动汽车、热泵、电锅炉、热电联产等可调控负荷和资源，虽然拥有参与电力市场和辅助服务的潜能，但难以调动用户参与。虚拟电厂(Virtual power plant,VPP)是指将分布式发电机组、灵活负荷以及分布式储能设施相结合，通过调控技术、通信技术对分布式能源进行整合调控的载体。VPP通过组合多种分布式能源和用户成为聚合商，利用规模和协同效应提高在市场中的竞争力。作为一种新兴的能源管理形式，VPP 能够解决大量分布式电源接入配电网后引起的网络潮流变化、无功功率不平衡等问题，为电网接纳高渗透率的可再生能源发电提供了一条新途径。
在VPP的实际运行时，分布式能源在VPP控制信号下的优化运行往往仅从能量平衡的经济最优考虑约束，缺少线路阻塞、电压越限等，针对VPP运行成本的风险控制考虑较少。VPP的内部收益分配机制包括均分策略、按容分配策略、Shapley value 分配策略等，其中，均分策略忽略参与者的不同贡献，进行平均分摊；按容分配策略根据各个参与者出力对利益进行按比例分配；Shapley值分配是根据各个参与者对 VPP聚合商的边际贡献进行利益分配。综上来看，目前对于VPP内部单元收益分配函数的考虑较为简单，未考虑激励相容的原则，未对不同成员在虚拟电厂中承担的不同风险(补偿、惩罚)进行衡量。
VPP内部管理对象包括各种分布式电源、储能系统和可控负荷等，VPP仅对其资源具有调控功能，VPP运行调度形成稳定的输出参与市场获得利润，并对内部资源的贡献进行合理的补偿。考虑VPP运营商和配电网运行商(Distribution System Operator,DSO)的交互，以及VPP运行成本的风险控制，进一步考虑配电网的线路容量约束、安全运行约束等，制定分布式能源满足配电安全约束的出力计划，具有重要意义。单纯的以出力大小评估各个分布式电源的贡献并不能公平地反映其在运行过程中所发挥的作用，因此考虑基于激励相容的分配原则非常重要。
发明内容
本申请提供了一种虚拟电厂的优化调度方法及装置，以至少解决现有技术中，缺少针对VPP运行成本风险的控制以及无法对各个分布式电源进行按劳分配的缺点。
根据本申请的一个方面，提供了一种虚拟电厂的优化调度方法，包括：
获取虚拟电厂的初始场景集；
对初始场景集进行削减，获得最终场景集；
根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化。
在一实施例中，获取虚拟电厂的初始场景集，包括：
获取风电机组和光伏机组的预测误差；
对预测误差进行拟合，获得初始场景集。
在一实施例中，对初始场景集进行削减，获得最终场景集，包括：
在所述初始场景集中划分出若干类，作为初始聚类中心；
采用K-means聚类方法，迭代计算每个数据点到各个所述初始聚类中心的距离并将每个数据点进行归类后获得所述最终场景集。
在一实施例中，根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化，包括：
根据最终场景集，基于预先建立的条件风险价值目标函数模型进行对虚拟电厂进行优化。
在一实施例中，预先建立的条件风险价值目标函数模型的步骤包括：根据虚拟电厂的期望运行成本、各场景下的期望运行成本、各场景的发生概率、松弛变量以及风险价值建立条件风险价值目标函数模型。
在一实施例中，根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化，还包括：
根据所述最终场景集，基于预先建立的配电网的安全运行约束模型进行对所述虚拟电厂进行优化。
在一实施例中，根据所述最终场景集，基于预先建立的配电网的安全运行约束模型进行对所述虚拟电厂进行优化，包括：
建立配电网节点电压的安全运行约束；
根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束。
在一实施例中，本申请提供的优化方法还包括：根据预先建立的虚拟电厂中各分布式电源的惩罚补偿模型进行各分布式电源之间的收益分配。
在一实施例中，根据预先建立的虚拟电厂中各分布式电源的惩罚补偿模型的步骤包括：
获取虚拟电厂各分布式电源的预测出力、各分布式电源的运行成本以及通过平衡市场买入和卖出的电量；
根据预设的虚拟电厂分配策略构建惩罚补偿模型。
根据本申请的另一个方面，还提供了一种虚拟电厂的优化装置，包括：
初始场景获取单元，用于获取虚拟电厂的初始场景集；
削减单元，用于对初始场景集进行削减，获得最终场景集；
优化单元，用于根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化。
在一实施例中，初始场景获取单元包括：
预测误差获取模块，用于获取风电机组和光伏机组的预测误差；
拟合模块，用于对预测误差进行拟合，获得初始场景集。
在一实施例中，削减单元包括：
聚类划分模块，用于在所述初始场景集中划分出若干类，作为初始聚类中心；
迭代模块，用于采用K-means聚类方法，迭代计算每个数据点到各个所述初始聚类中心的距离并将每个数据点进行归类后获得所述最终场景集。
在一实施例中，优化单元包括：
条件风控模块，用于根据最终场景集，基于预先建立的条件风险价值目标函数模型进行对虚拟电厂进行优化。
在一实施例中，预先建立的条件风险价值目标函数模型的步骤包括：根据虚拟电厂的期望运行成本、各场景下的期望运行成本、各场景的发生概率、松弛变量以及风险价值建立条件风险价值目标函数模型。
在一实施例中，优化单元还包括：
安全运行约束模块，用于根据所述最终场景集，基于预先建立的配电网的安全运行约束模型进行对所述虚拟电厂进行优化。
在一实施例中，配电网的安全运行约束模型包括：配电网节点电压的安全运行约束模型及支路容量约束模型；预先建立的配电网的安全运行约束模型的步骤，包括：
建立配电网节点电压的安全运行约束模型；
根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束模型。在一实施例中，本申请提供的虚拟电厂优化装置还包括：
收益分配单元，用于根据预先建立的虚拟电厂中各分布式电源的惩罚补偿模型进行各分布式电源之间的收益分配。
在一实施例中，预先建立的虚拟电厂中各分布式电源的惩罚补偿模型的步骤包括：
获取虚拟电厂各分布式电源的预测出力、各分布式电源的运行成本以及通过平衡市场买入和卖出的电量；
根据预设的虚拟电厂分配策略构建惩罚补偿模型。
本申请针对分布式电源的出力不确定性，综合考虑了虚拟电厂(VPP)运行成本及其风险控制，进一步考虑配电网的线路容量、安全运行等约束，建立考虑条件风险价值的随机优化模型，并且基于激励相容的原则实现虚拟电厂内部利益分配，实现对由于预测偏差导致VPP收益减少的成员进行惩罚，并且对灵活性资源避免VPP接受市场惩罚的成员进行予补偿。
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为虚拟电厂的内部结构示意图。
图2为本申请提供的一种虚拟电厂的优化方法的流程图。
图3为本申请实施例中获取虚拟电厂的初始场景集的步骤流程图。
图4为本申请实施例中对初始场景集进行削减的步骤流程图。
图5为本申请实施例中基于虚拟电厂优化模型进行对虚拟电厂进行优化流程图。
图6为条件风险价值的原理图。
图7为本申请实施例优化过程中建立安全约束的示意图。
图8为本申请实施例中建立运行安全约束的具体步骤流程图。
图9为本申请实施例中建立惩罚补偿模型的示意图。
图10为本申请提供的一种虚拟电厂的优化装置的结构框图。
图11为本申请实施例中初始场景获取单元的结构框图。
图12为本申请实施例中削减单元的结构框图。
图13为本申请实施例中安全运行约束模块的结构框图。
图14为本申请实施例中提供的一种电子设备的具体实施方式。
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。
如图1VPP的内部结构所示，光伏机组1和风电机组2属于出力部分可控的新能源机组，可以减少二氧化碳的排放，但是其出力的波动性和不确定性会对VPP的运行带来挑战。电锅炉7和CHP机组6属于VPP中的热电耦合装置，微型燃气机组3 属于可控机组，同时在VPP内部增加储能4和储热装置8进一步提升灵活性。该VPP 在满足本地电负荷5和热负荷9的基础上，基于对可再生能源出力的预测和对市场电价的预测，参与和批发电力市场的能量交易，并通过协调控制VPP各成员的运行，最小化VPP的运行成本。
在虚拟电厂(VPP)的实际运行过程中，分布式电源在VPP的控制信号下的优化运行往往只能从能量平衡的角度考虑经济约束，缺少线路阻塞、电压越限等。并且针对VPP运行成本的风险控制考虑较少。目前对于VPP内部单元收益分配函数的考虑较为简单，未考虑激励相容的原则，未对不同成员在虚拟电厂中承担的不同风险(补偿、惩罚)进行衡量。目前市面上缺乏考虑VPP运营商和配电网运行商(Distribution System Operator,DSO)的交互，VPP运行成本的风险控制，以及未进一步考虑配电网的线路容量约束、安全运行约束等。单纯的以出力大小评估各个分布式电源的贡献并不能公平地反映其在运行过程中所发挥的作用，因此考虑基于激励相容的分配原则非常重要。
基于上述问题，本申请为解决上述缺陷提供了一种虚拟电厂的优化方法，如图2所示，包括以下步骤：
S201：获取虚拟电厂的初始场景集。
在一具体实施例中，获取虚拟电厂的初始场景集主要是获取虚拟电厂中风电机组和光伏机组的初始场景集。利用场景集来描述变量的随机性，通过场景生成和场景削减，用可接受数目的场景集在保证优化计算精度的情况下模拟该随机变量。针对风电和光伏的功率预测从时间尺度上可分为超短期、短期和中长期预测。
S202：对初始场景集进行削减，获得最终场景集。
虽然场景集中的场景越多，对随机变量的描述就越准确，但同时也增加了计算负担，所以需要对获取到的初始场景集进行进一步的精简优化。在S201步骤中获取了初始场景集后，对初始场景集采用场景削减的方法来选取保留有代表性的场景集。
S203：根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化。
根据S202中保留的有代表性的最终场景集，对虚拟电厂进行优化，优化过程主要考虑两个方面：一是从条件风险价值的角度对VPP进行优化，二是从安全运行的角度，对VPP进行约束和优化。
在一实施例中，如图3所示，获取虚拟电厂的初始场景集，包括：
S301：获取风电机组和光伏机组的预测误差。
在一具体实施例中，场景集的生成需要基于风电或光伏功率预测误差的分布，即场景集的设置需要尽可能地覆盖该时段风电或光伏的出力范围，不同场景权重的设置也应当满足预测误差的分布。风电和光伏发电功率预测误差常采用正态分布、beta分布、韦布尔分布进行描述。
S302：对预测误差进行拟合，获得初始场景集。
在一具体实施例中，在对精度要求不高的情况下，可以采用正态分布拟合预测误差，如下式所示：
ΔP|Pf～N(μ,σ) (2)
其中，Pf表示风电或光伏的预测功率，Pt代表风电或光伏的实际出力，Pmax代表风电或光伏发电的额定容量，ΔP表示风电或光伏预测误差。
在一实施例中，如图4所示，对初始场景集进行削减，获得最终场景集，包括：
S401：在所述初始场景集中划分出若干类，作为初始聚类中心。
在一具体实施例中，采用k-means聚类方法进行场景削减，将N个场景集聚类分成k类的整体划分目标如下：
其中，μj代表第j个聚类中心，Sj代表以μj为聚类中心的类的元素集合。
S402：采用K-means聚类方法，迭代计算每个数据点到各个所述初始聚类中心的距离并将每个数据点进行归类后获得所述最终场景集。
在一具体实施例中，采用K-means聚类方法对初始场景集进行削减的具体方法如下所示：
第1步在给定的N个样本中随机选择k个样本作为初始聚类中心μj。
第2步计算每个数据点到各个聚类中心的距离，并把它归到距离最近的类，目标函数如下式所示。
其中j(i)表示第i个样本的归属。
第3步为计算各个聚类中数据点在每个维度上的均值，将求得的均值点作为新的聚类中心，如下式所示：
第4步判断聚类中心的改变是否超过预先设置的阈值，如果不超过则认为收敛；否则，从第2步开始循环。
在一实施例中，如图5所示，根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化，包括：
S501：根据最终场景集，基于预先建立的条件风险价值目标函数模型进行对虚拟电厂进行优化。
在此处先介绍条件风险价值(Conditional Value-at-Risk,CVaR)的概念，如图6所示，条件风险价值指的是当系统的损失超过风险价值(Value-at-Risk,VaR)时的预期损失值。VaR值指的是在一定置信水平下系统的最大损失，相比于VaR值，CVaR 关注风险分布的尾部，考虑到了出现概率低但风险值高的情况。对某一随机变量z，其在置信水平α下VaR和CVaR的表达式如下式所示：
进一步可得：
其中f(z)表示随机变量z的概率密度函数。
将VaR值直接带入则会对优化模型的求解造成困难，采用以下方法对公式进行变形：
在一实施例中，预先建立的条件风险价值目标函数模型的步骤包括：根据虚拟电厂的期望运行成本、各场景下的期望运行成本、各场景的发生概率、松弛变量以及风险价值建立条件风险价值目标函数模型。
在一具体实施例中，公式(9)在以VaR为自变量的条件下的最小值为CVaR。基于场景集的系统期望运行成本可以用下式表示：
式中，代表系统的期望运行成本，Ω代表场景集的集合，ρs代表每种场景发生的概率，并且有/>OCs代表每种场景下的期望运行成本。基于条件风险价值的目标函数可以表示为：
其中，γ∈[0,1]表示风险偏好的大小，γ越小代表决策者风险厌恶的程度越高，当γ＝0时表示决策者风险厌恶，γ＝1代表决策者风险中立。根据CVaR的定义，可对式(9)进行离散化，如下式所示：
引入松弛变量ηs，可将式(12)转化为：
ηs≥OCs-VaR (14)
ηs≥0 (15)
可以得到完整的目标函数表达式：
s.t.ηs≥OCs-VaR,ηs≥0 (17)
在一实施例中，如图7所示，根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化，还包括：
S701：根据所述最终场景集，基于预先建立的配电网的安全运行约束模型进行对所述虚拟电厂进行优化。
分布式电源在VPP控制信号下的优化运行还应考虑对电网的安全运行造成的影响。从VPP的角度出发，考虑VPP内的分布式能源所属配电网的安全运行约束，考虑VPP运营商和配电网运行商的交互，从而制定分布式能源满足配电安全约束的出力计划。
在一实施例中，如图8所示，建立虚拟电厂的配电网的安全运行约束，包括：
S801：建立配电网节点电压的安全运行约束。
在一具体实施例中，采用Distflow配电网潮流模型，考虑该VPP内分布式能源所属配电网的情况，节点注入功率可以表示为：
式中：j表示该配电网的节点编号，假设节点1为松弛节点，即配电网通过此节点与大电网相连。和/>表示节点1在场景s下t时段节点净注入的有功和无功功率，/>与分别表示节点j在场景s下t时段节点净注入的有功和无功功率。/> 和/>分别表示与节点1相连的微型燃气机组、风电机组、光伏机组、储能装置、热电联产装置和电锅炉的集合，/>和/>分别表示与节点j相连的微型燃气机组、风光机组、储能装置、热电联产装置和电锅炉的集合。/>和/>分别表示与节点1相连的有功负荷和无功负荷，/>和/>分别表示与节点j相连的有功负荷和无功负荷。式(18)和式(19)表示节点1的有功和无功功率注入，式(20)和式(21)表示除去松弛节点的其他节点有功和无功功率注入。
配电网的安全运行约束主要有：
Vmin≤Vj,t≤Vmax (22)
式中：Vj,t表示节点j在t时段的电压幅值，式(22)表示节点电压的安全运行约束。
S802：根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束。
在一具体实施例中，根据S801中实施例中的计算过程，可以获得支路容量约束如下：
式(23)表示支路容量约束，其中分别表示线路ij的有功功率和无功功率，/>表示线路ij允许的最大视在功率。
进一步地，式(23)可按照正多边形内近似法进行线性近似，如下式所示：
αc,0、αc,1、αc,2均为系数。
在一实施例中，本申请提供的优化方法还包括：根据预先建立的虚拟电厂中各分布式电源的惩罚补偿模型进行各分布式电源之间的收益分配。
本申请采用激励相容原则来制订虚拟电厂中各分布式电源之间的收益分配规则。激励相容指参与者理性实现个体最大利益最大化的策略与机制设计者期望的策略一致，VPP内部收益分配策略对使VPP收益增加的机组进行补偿，对由于预测误差或运行控制不当使VPP收益下降的机组进行惩罚。
在一实施例中，如图9所示，根据预先建立的虚拟电厂中各分布式电源的惩罚补偿模型的步骤包括：
S901：获取虚拟电厂各分布式电源的预测出力、各分布式电源的运行成本以及通过平衡市场买入和卖出的电量。
在一具体实施例中，具体建模过程如下：
首先，假设VPP中光伏机组、风电机组、火电机组、燃气机组在t时段日前预测出力分别为Pt solar,da、Pt wind,da、Pt fuel,da、Pt gas,da，储能机组在t时段计划充电功率和放电功率分别为Pt c,da和Pt d,da，t时段日前电价为日前上报电量为Pt da，t时段VPP内电负荷的大小为Pt load。
在实时运行阶段，光伏机组、风电机组、火电机组、燃气机组在t时段实际出力分别为Pt solar,r、Pt wind,r、Pt fuel,r、Pt gas,r，储能机组在t时段实际充电功率和放电功率分别为Pt c,r和Pt d,r。同时VPP可通过平衡市场购入不足的电量或卖出过剩的电量，假设 VPP通过平衡市场买入电量为Pt +，卖出电量为Pt -，实时平衡市场购电价格为在 VPP实时出力与日前上报不一致时，市场会对VPP实际出力与日前上报的差额进行一定的偏差惩罚，惩罚系数为在VPP实时运行阶段则有：
Pt da+Pt --Pt +＝Pt solar,r+Pt wind,r+Pt fuel,r+Pt gas,r-Pt c,r+Pt d,r-Pt load (25)
Pt +≥0，Pt -≥0 (26)
此时VPP优化运行的目标函数为：
式中，分别表示火电机组、燃气机组、储能机组在实际运行时的成本。t时段从平衡市场上额外购买1MWh电能的成本为/>向平衡市场上出售1MWh电能的收益为/>
S902：根据预设的虚拟电厂分配策略构建惩罚补偿模型。
在一具体实施例中，据VPP在平衡市场上出清结果以及S901中构建的收益分配模型，对VPP内部各分布式电源来进行收益分配。
下面列举一个具体的实施例来详细说明本申请中所提供的虚拟电厂的利益分配过程：
VPP首先根据分布式能源的信息和新能源机组的预测出力、日前电价等制定日前优化运行策略，然后将发电计划提交给DSO，DSO进行技术确认并判断分布式能源的出力计划是否对配电网的安全运行造成影响。如果DSO确认该发电计划会造成线路阻塞或电压越限等问题，则提供线路相关的灵敏度因子和容量越限、电压越限的信息给VPP运营商，VPP运营商以此为依据修改发电计划，确定调整方向和步长，然后再交由DSO进行安全校验，直至VPP提供的发电计划不会造成线路阻塞或电压越限等安全运行问题。
据VPP在平衡市场上出清结果，可分为三种情形对VPP内部收益分配情况进行讨论，第一种情况：Pt +＝0且Pt -＝0，此时VPP在平衡市场上既不购买电量也不售出电量，调节VPP内的可控机组是实时运行阶段最经济的调节方式。如果按照实际发电电量进行结算，各个机组的收益为：
此时VPP内各个机组按照实际发电电量进行结算的基础上还需要进行偏差惩罚补偿给提供灵活性的机组。这里将实际出力与日前预测有偏差的机组分为两类，第一类是非人为偏差，即由于预测误差或运行控制不当导致的偏差，另一类是人为偏差，即执行VPP控制指令导致的实际出力与日前预测的偏差。下文的偏差惩罚均指对第一类偏差即非人为偏差的偏差惩罚，产生非人为偏差的机组实际出力与日前预测出力的误差如下式所示：
如果如果β小于等于阈值α(取5％)，则不对产生偏差机组unit进行惩罚；如果β大于阈值α，则需要对产生偏差的机组unit进行惩罚，惩罚的金额为：
非人为偏差可以分为正偏差集合Pt unit,rt＞Pt unit,da和负偏差集合Pt unit,rt＜Pt unit ,da，对于这两类偏差超过VPP容许阈值的部分都需要进行偏差惩罚。正偏差集合的偏差惩罚应按照Pt unit,da-Pt unit,rt大小的比例补偿给所有满足Pt unit,rt＜Pt unit,da的机组单元，包括产生非人为偏差的机组和执行VPP指令产生人为偏差的机组。同理，负偏差集合的偏差惩罚应按照Pt unit,rt-Pt unit,da大小的比例补偿给所有满足Pt unit,rt＞Pt unit,da的机组。
第二种情况当Pt +＞0且Pt -＝0时，此时VPP在平衡市场上购买电量Pt +来补足实际出力不足Pt unit,rt＜Pt unit,da的机组。在平衡市场上的购电成本由非主观因素造成出力不足的机组单元根据出力不足的大小占VPP所有机组出力不足的比例进行承担。 VPP内部增加出力的机组按照实际发电电量进行结算。则由非人为因素导致 Pt unit,rt＜Pt unit,da的机组单元的收益如式所示：
在对机组出力的偏差惩罚方面，在平衡市场上的偏差惩罚由出力不足的机组unit按比例承担，除去平衡市场已经进行偏差惩罚的电量计算此时产生非人为偏差的机组由VPP内部消纳比例为：
如果β+小于等于阈值α，则不对产生偏差机组unit在VPP内部进行惩罚；如果β+大于阈值α，则需要对产生偏差的机组unit进行惩罚，惩罚的金额如式：
产生负偏差Pt unit,rt＜Pt unit,da的机组惩罚金额与第一种情况类似，应按照VPP内多出力的比例补偿给所有满足Pt m,rt＞Pt m,da的机组m，若VPP中还有由于非人为因素产生正偏差Pt unit,rt＞Pt unit,da的机组，也应进行偏差惩罚，惩罚金额应按照Pt unit,da-Pt unit,rt大小按比例补偿给所有满足Pt unit,rt＜Pt unit,da的机组单元。
第三种情况当Pt +＝0且Pt -＞0时，此时VPP在平衡市场上售出电量Pt -来抵减实际出力过剩的部分。在平衡市场上的售电收入由出力过剩的机组unit根据出力过剩的大小占VPP所有机组出力过剩大小的比例进行分摊。在VPP内部削减出力的机组按照实际发电电量结算。则VPP中由于非人为因素造成出力过剩的机组单元的收益如式：
在此基础上对产生非人为偏差的机组进行偏差惩罚。除去平衡市场已经进行偏差惩罚的电量ωunitPt -，计算此时产生偏差的机组由VPP内部消纳比例为：
如果β-＜α，则不对产生偏差机组unit进行惩罚。如果β-＞α，则对产生偏差的机组unit惩罚的金额如式：
产生正偏差Pt unit,rt＞Pt unit,da的机组惩罚金额与第一种情况类似，应按照VPP内机组少出力的比例补偿给所有满足Pt m,rt＜Pt m,da的机组m，若VPP中还有由于非人为因素产生负偏差Pt unit,rt＜Pt unit,da的机组，也应进行偏差惩罚，惩罚金额应按照 Pt unit,rt-Pt unit,da大小按比例补偿给所有满足Pt unit,rt＞Pt unit,da的机组单元。
综上所述，建立的VPP内收益分配模型在VPP内部对由非人为因素造成机组的出力偏差设立了阈值α，在阈值范围内不进行偏差惩罚。对于VPP内提供灵活性的机组而言，如果该机组增加出力，则相当于以近似为的价格售出电量给非人为出力偏差的机组(近似是由于对于阈值α内的偏差不进行惩罚)；如果该机组减少出力，则相当于以近似的价格向非人为出力偏差的机组购买电量，该价格小于机组自身发电的成本。因此提供灵活性的机组能获得比预期更高的收益，符合激励相容的原理。
同理，对于由非人为因素产生出力偏差的机组，若该机组与VPP内所有非人为因素产生的总偏差方向一致，则该机组的出力偏差减少了VPP的总收益，那么该机组出力不足需要以较高价格购买不足的电量，该机组出力过剩只能以/>的价格售出多余的电量。若该机组与VPP内所有非人为因素产生的总偏差方向相反，则该机组的出力偏差减少了VPP的损失，应对该机组进行补偿，不过还应在此基础上扣除对其偏差惩罚的费用。因此对有非人为出力偏差机组的奖惩策略也符合激励相容的原理。
本申请提供的方案从条件风险价值和安全运行约束两个角度来对虚拟电厂的运营调度加以约束，从而达到在安全运行约束条件下实现利益最大化，并且还对虚拟电厂中的各机组按其处理情况进行利益分配和奖惩，进一步实现了利益合理分配优化的效果。
基于同一发明构思，本申请实施例还提供了一种虚拟电厂的优化装置，可以用于实现上述实施例中所描述的方法，如下面实施例所述。由于虚拟电厂的优化装置解决问题的原理与虚拟电厂的优化方法相似，因此虚拟电厂的优化装置的实施可以参见虚拟电厂的优化方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统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。
如图10所示，一种虚拟电厂的优化装置，包括：
初始场景获取单元1001，用于获取虚拟电厂的初始场景集；
削减单元1002，用于对初始场景集进行削减，获得最终场景集；
优化单元1003，用于根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化。
在一实施例中，如图11所示，初始场景获取单元1001包括：
预测误差获取模块1101，用于获取风电机组和光伏机组的预测误差；
拟合模块1102，用于对预测误差进行拟合，获得初始场景集。
在一实施例中，如图12所示，削减单元1002包括：
聚类划分模块1201，用于在所述初始场景集中划分出若干类，作为初始聚类中心；
迭代模块1202，用于采用K-means聚类方法，迭代计算每个数据点到各个所述初始聚类中心的距离并将每个数据点进行归类后获得所述最终场景集。
在一实施例中，优化单元包括：
条件风控模块，用于根据最终场景集，基于预先建立的条件风险价值目标函数模型进行对虚拟电厂进行优化。
在一实施例中，预先建立的条件风险价值目标函数模型的步骤包括：根据虚拟电厂的期望运行成本、各场景下的期望运行成本、各场景的发生概率、松弛变量以及风险价值建立条件风险价值目标函数模型。
在一实施例中，优化单元还包括：
安全运行约束模块，用于根据所述最终场景集，基于预先建立的配电网的安全运行约束模型进行对所述虚拟电厂进行优化。
在一实施例中，如图13所示，配电网的安全运行约束模型包括：配电网节点电压的安全运行约束模型及支路容量约束模型；安全运行约束模块还包括：
电压约束模块1301，用于建立配电网节点电压的安全运行约束模型；
支路容量约束模块1302，用于根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束模型。
在一实施例中，本申请提供的虚拟电厂优化装置还包括：
收益分配单元，用于根据预先建立的虚拟电厂中各分布式电源的惩罚补偿模型进行各分布式电源之间的收益分配。
在一实施例中，预先建立的虚拟电厂中各分布式电源的惩罚补偿模型的步骤包括：
获取虚拟电厂各分布式电源的预测出力、各分布式电源的运行成本以及通过平衡市场买入和卖出的电量；
根据预设的虚拟电厂分配策略构建惩罚补偿模型。
本申请提供的方案从条件风险价值和安全运行约束两个角度来对虚拟电厂的运营调度加以约束，从而达到在安全运行约束条件下实现利益最大化，并且还对虚拟电厂中的各机组按其处理情况进行利益分配和奖惩，进一步实现了利益合理分配优化的效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图14，所述电子设备具体包括如下内容：
处理器(processor)1401、内存1402、通信接口(Communications Interface)1403、总线1404和非易失性存储器1405；
其中，所述处理器1401、内存1402、通信接口1403通过所述总线1404完成相互间的通信；
所述处理器1401用于调用所述内存1402和非易失性存储器1405中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S201：获取虚拟电厂的初始场景集。
S202：对初始场景集进行削减，获得最终场景集。
S203：根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S201：获取虚拟电厂的初始场景集。
S202：对初始场景集进行削减，获得最终场景集。
S203：根据最终场景集，基于预先建立的虚拟电厂优化模型进行对虚拟电厂进行优化。
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，对于硬件+程序类实施例而言，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。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。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。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (16)

1.一种虚拟电厂的优化调度方法，其特征在于，包括：
获取虚拟电厂的初始场景集；
对所述初始场景集进行削减，获得最终场景集；
根据所述最终场景集，基于预先建立的虚拟电厂优化模型对所述虚拟电厂进行优化；
根据所述最终场景集，基于预先建立的配电网的安全运行约束模型对所述虚拟电厂进行优化，所述配电网的安全运行约束模型包括：配电网节点电压的安全运行约束模型及支路容量约束模型；
预先建立的配电网的安全运行约束模型的步骤，包括：
建立配电网节点电压的安全运行约束模型；
根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束模型；
所述建立配电网节点电压的安全运行约束模型包括：
采用Distflow配电网潮流模型，考虑所述虚拟电厂内分布式能源所属配电网的情况，节点注入功率表示为：
式中：j表示该配电网的节点编号，假设节点1为松弛节点，即配电网通过此节点与大电网相连；和/>表示节点1在场景s下t时段节点净注入的有功和无功功率，/>与/>分别表示节点j在场景s下t时段节点净注入的有功和无功功率；/>和/>分别表示与节点1相连的微型燃气机组、风电机组、光伏机组、储能装置、热电联产装置和电锅炉的集合，/>和/>分别表示与节点j相连的微型燃气机组、风光机组、储能装置、热电联产装置和电锅炉的集合；/>和/>分别表示与节点1相连的有功负荷和无功负荷，/>和/>分别表示与节点j相连的有功负荷和无功负荷；
配电网的安全运行约束有：
Vmin≤Vj,t≤Vmax；
式中：Vj,t表示节点j在t时段的电压幅值，表示节点电压的安全运行约束；
所述根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束模型包括：
获得支路容量约束如下：
上式中分别表示线路ij的有功功率和无功功率，/>表示线路ij允许的最大视在功率；
进一步地，将支路容量约束按照正多边形内近似法进行线性近似，如下式所示：
上式中αc,0、αc,1、αc,2均为系数。
2.根据权利要求1所述的方法，其特征在于，所述获取虚拟电厂的初始场景集，包括：
获取风电机组和光伏机组的预测误差；
对所述预测误差进行拟合，获得所述初始场景集。
3.根据权利要求1所述的方法，其特征在于，所述对所述初始场景集进行削减，获得最终场景集，包括：
在所述初始场景集中划分出若干类，作为初始聚类中心；
采用K-means聚类方法，迭代计算每个数据点到各个所述初始聚类中心的距离并将每个数据点进行归类后获得所述最终场景集。
4.根据权利要求1所述的方法，其特征在于，所述根据所述最终场景集，基于预先建立的虚拟电厂优化模型对所述虚拟电厂进行优化，包括：
根据所述最终场景集，基于预先建立的条件风险价值目标函数模型对所述虚拟电厂进行优化。
5.根据权利要求4所述的方法，其特征在于，预先建立的条件风险价值目标函数模型的步骤包括：根据所述虚拟电厂的期望运行成本、各场景下的期望运行成本、各场景的发生概率、松弛变量以及风险价值建立所述条件风险价值目标函数模型。
6.根据权利要求1所述的方法，其特征在于，还包括：根据预先建立的所述虚拟电厂中各分布式电源的惩罚补偿模型进行各分布式电源之间的收益分配。
7.根据权利要求6所述的方法，其特征在于，所述根据预先建立的所述虚拟电厂中各分布式电源的惩罚补偿模型的步骤包括：
获取所述虚拟电厂各分布式电源的预测出力、各分布式电源的运行成本以及通过平衡市场买入和卖出的电量；
根据预设的虚拟电厂分配策略构建所述惩罚补偿模型。
8.一种虚拟电厂的优化调度装置，其特征在于，包括：
初始场景获取单元，用于获取虚拟电厂的初始场景集；
削减单元，用于对所述初始场景集进行削减，获得最终场景集；
优化单元，用于根据所述最终场景集，基于预先建立的虚拟电厂优化模型对所述虚拟电厂进行优化；
安全运行约束模块，用于根据所述最终场景集，基于预先建立的配电网的安全运行约束模型对所述虚拟电厂进行优化，配电网的安全运行约束模型包括：配电网节点电压的安全运行约束模型及支路容量约束模型；
所述安全运行约束模块还包括：
电压约束模块，用于建立配电网节点电压的安全运行约束模型；
支路容量约束模块，用于根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束模型；
所述建立配电网节点电压的安全运行约束模型包括：
采用Distflow配电网潮流模型，考虑所述虚拟电厂内分布式能源所属配电网的情况，节点注入功率表示为：
式中：j表示该配电网的节点编号，假设节点1为松弛节点，即配电网通过此节点与大电网相连；和/>表示节点1在场景s下t时段节点净注入的有功和无功功率，/>与/>分别表示节点j在场景s下t时段节点净注入的有功和无功功率；/>和/>分别表示与节点1相连的微型燃气机组、风电机组、光伏机组、储能装置、热电联产装置和电锅炉的集合，/>和/>分别表示与节点j相连的微型燃气机组、风光机组、储能装置、热电联产装置和电锅炉的集合；/>和/>分别表示与节点1相连的有功负荷和无功负荷，/>和/>分别表示与节点j相连的有功负荷和无功负荷；
配电网的安全运行约束有：
Vmin≤Vj,t≤Vmax；
式中：Vj,t表示节点j在t时段的电压幅值，表示节点电压的安全运行约束；
所述根据配电网线路的有功功率、无功功率和最大视在功率建立支路容量约束模型包括：
获得支路容量约束如下：
上式中分别表示线路ij的有功功率和无功功率，/>表示线路ij允许的最大视在功率；
进一步地，将支路容量约束按照正多边形内近似法进行线性近似，如下式所示：
上式中αc,0、αc,1、αc,2均为系数。
9.根据权利要求8所述的装置，其特征在于，所述初始场景获取单元包括：
预测误差获取模块，用于获取风电机组和光伏机组的预测误差；
拟合模块，用于对所述预测误差进行拟合，获得所述初始场景集。
10.根据权利要求8所述的装置，其特征在于，所述削减单元包括：
聚类划分模块，用于在所述初始场景集中划分出若干类，作为初始聚类中心；
迭代模块，用于采用K-means聚类方法，迭代计算每个数据点到各个所述初始聚类中心的距离并将每个数据点进行归类后获得所述最终场景集。
11.根据权利要求8所述的装置，其特征在于，所述优化单元包括：
条件风控模块，用于根据所述最终场景集，基于预先建立的条件风险价值目标函数模型对所述虚拟电厂进行优化。
12.根据权利要求11所述的装置，其特征在于，预先建立的条件风险价值目标函数模型的步骤包括：根据所述虚拟电厂的期望运行成本、各场景下的期望运行成本、各场景的发生概率、松弛变量以及风险价值建立所述条件风险价值目标函数模型。
13.根据权利要求8所述的装置，其特征在于，还包括：
收益分配单元，用于根据预先建立的所述虚拟电厂中各分布式电源的惩罚补偿模型进行各分布式电源之间的收益分配。
14.根据权利要求13所述的装置，其特征在于，预先建立的所述虚拟电厂中各分布式电源的惩罚补偿模型的步骤包括：
获取所述虚拟电厂各分布式电源的预测出力、各分布式电源的运行成本以及通过平衡市场买入和卖出的电量；
根据预设的虚拟电厂分配策略构建所述惩罚补偿模型。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述一种虚拟电厂的优化调度方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述一种虚拟电厂的优化调度方法。
CN202010476295.5A 2020-05-29 2020-05-29 一种虚拟电厂的优化调度方法及装置 Active CN111815018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010476295.5A CN111815018B (zh) 2020-05-29 2020-05-29 一种虚拟电厂的优化调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010476295.5A CN111815018B (zh) 2020-05-29 2020-05-29 一种虚拟电厂的优化调度方法及装置

Publications (2)

Publication Number Publication Date
CN111815018A CN111815018A (zh) 2020-10-23
CN111815018B true CN111815018B (zh) 2024-05-14

Family

ID=72848401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010476295.5A Active CN111815018B (zh) 2020-05-29 2020-05-29 一种虚拟电厂的优化调度方法及装置

Country Status (1)

Country Link
CN (1) CN111815018B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465171B (zh) * 2020-12-10 2024-05-17 国网上海市电力公司 一种虚拟电厂内部微型燃气轮机检修时段安排策略
CN114118574A (zh) * 2021-11-19 2022-03-01 华能浙江能源销售有限责任公司 虚拟电厂运行优化方法、电子设备、存储介质和程序产品
CN114997665A (zh) * 2022-06-08 2022-09-02 国网山西省电力公司电力科学研究院 考虑可控负荷响应性能差异的虚拟电厂优化调度方法及系统
CN115936253B (zh) * 2022-12-30 2024-05-28 浙江电力交易中心有限公司 一种虚拟电厂运营优化方法、装置、设备及可读存储介质
CN116070797B (zh) * 2023-03-29 2023-08-22 国网浙江省电力有限公司宁波供电公司 一种虚拟电厂分布式资源调度方法
CN116436101B (zh) * 2023-06-14 2023-09-05 山东大学 一种基于场景缩减的输配协同随机调度方法及系统
CN117353313A (zh) * 2023-09-25 2024-01-05 国网宁夏电力有限公司 一种促进广域新能源消纳的实时优化调度方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150029120A (ko) * 2013-09-09 2015-03-18 한국전기연구원 가상발전소（ｖｐｐ）의 최적운영계획 모형 생성장치，및 가상발전소（ｖｐｐ）의 최적운영계획 모형 생성장치를 이용한 최적운영계획 모형 생성방법
CN109522964A (zh) * 2018-11-26 2019-03-26 广东电网有限责任公司电力调度控制中心 虚拟电厂的聚类方法、装置、调控设备及计算机存储介质
CN110516843A (zh) * 2019-07-19 2019-11-29 国网冀北电力有限公司电力科学研究院 一种虚拟电厂容量优化方法、设备以及系统
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN111082451A (zh) * 2019-09-18 2020-04-28 中国电建集团青海省电力设计院有限公司 基于场景法的增量配电网多目标优化调度模型

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10103550B2 (en) * 2016-01-19 2018-10-16 Fujitsu Limited Aggregated and optimized virtual power plant control

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150029120A (ko) * 2013-09-09 2015-03-18 한국전기연구원 가상발전소（ｖｐｐ）의 최적운영계획 모형 생성장치，및 가상발전소（ｖｐｐ）의 최적운영계획 모형 생성장치를 이용한 최적운영계획 모형 생성방법
CN109522964A (zh) * 2018-11-26 2019-03-26 广东电网有限责任公司电力调度控制中心 虚拟电厂的聚类方法、装置、调控设备及计算机存储介质
CN110516843A (zh) * 2019-07-19 2019-11-29 国网冀北电力有限公司电力科学研究院 一种虚拟电厂容量优化方法、设备以及系统
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN111082451A (zh) * 2019-09-18 2020-04-28 中国电建集团青海省电力设计院有限公司 基于场景法的增量配电网多目标优化调度模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于最优场景生成算法的主动配电网无功优化;吴丽珍等;《电力系统保护与控制》;第45卷(第15期);第152-159页 *

Also Published As

Publication number Publication date
CN111815018A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111815018B (zh) 一种虚拟电厂的优化调度方法及装置
Ma et al. Optimal sizing and operations of shared energy storage systems in distribution networks: A bi-level programming approach
Chen et al. Bargaining game-based profit allocation of virtual power plant in frequency regulation market considering battery cycle life
Li et al. Data-driven distributionally robust scheduling of community integrated energy systems with uncertain renewable generations considering integrated demand response
Wei et al. An optimal scheduling strategy for peer-to-peer trading in interconnected microgrids based on RO and Nash bargaining
Zheng et al. Multi-agent optimal allocation of energy storage systems in distribution systems
Zamani et al. Day-ahead resource scheduling of a renewable energy based virtual power plant
Shayegan-Rad et al. Day-ahead scheduling of virtual power plant in joint energy and regulation reserve markets under uncertainties
Khajeh et al. Robust bidding strategies and scheduling of a price‐maker microgrid aggregator participating in a pool‐based electricity market
Moradi et al. Operational strategy optimization in an optimal sized smart microgrid
Gazijahani et al. Game theory based profit maximization model for microgrid aggregators with presence of EDRP using information gap decision theory
Nayak et al. An integrated optimal operating strategy for a grid-connected AC microgrid under load and renewable generation uncertainty considering demand response
Rezaei et al. Multiobjective risk-constrained optimal bidding strategy of smart microgrids: An IGDT-based normal boundary intersection approach
Li et al. Bi-level optimal planning model for energy storage systems in a virtual power plant
Jani et al. Hybrid energy management for islanded networked microgrids considering battery energy storage and wasted energy
Ghazvini et al. Coordination between mid-term maintenance outage decisions and short-term security-constrained scheduling in smart distribution systems
Alfaverh et al. Optimal vehicle-to-grid control for supplementary frequency regulation using deep reinforcement learning
Movahednia et al. Optimal hierarchical energy management scheme for networked microgrids considering uncertainties, demand response, and adjustable power
Maulik Probabilistic power management of a grid-connected microgrid considering electric vehicles, demand response, smart transformers, and soft open points
Elkazaz et al. Microgrid energy management using a two stage rolling horizon technique for controlling an energy storage system
Ghaemi et al. Developing a market-oriented approach for supplying flexibility ramping products in a multimicrogrid distribution system
CN117175576A (zh) 一种多微电网系统电碳耦合调控方法、系统及电子设备
Lee et al. Optimal operation strategy for community-based prosumers through cooperative P2P trading
Çiçek et al. Optimal bidding strategy considering bilevel approach and multistage process for a renewable energy portfolio manager managing RESs with ESS
Ghaemi et al. Local energy communities with strategic behavior of multi-energy players for peer-to-peer trading: A techno-economic assessment

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