CN112072640A - 一种虚拟电厂聚合资源的容量优化方法 - Google Patents

Abstract

本发明提出一种虚拟电厂聚合资源的容量优化方法，属于智能电力系统的分布式能源调度运行技术领域。本发明首先通过建筑负荷需求预测，获得虚拟电厂可聚合的灵活性负荷大小以及每种灵活性负荷的调节范围；通过基于能源资源条件分析，获得建筑所在区域的可再生能源的出力预测；基于灵活性负荷大小和可再生能源的出力预测，构建多能源的虚拟电厂聚合资源的容量优化模型并求解，得到虚拟电厂聚合资源的容量优化结果。本发明能够很好的地实现基于建筑用能的虚拟电厂配置选择和容量优化，从而提高电力系统资源配置的灵活性。

Description

一种虚拟电厂聚合资源的容量优化方法

技术领域

本发明涉及智能电力系统的分布式能源调度运行技术领域，尤其涉及一种虚拟电厂聚合资源的容量优化方法。

背景技术

随着分布式电源大量接入配电网，其处理的不稳定性给配电网的运营带来新的挑战；城市楼宇负荷快速增长、峰谷差不断增大增加电网运行的困难。基于分布式电源侧、储能侧和用户侧灵活性负荷的需求响应作为一种有效调节手段，在一定程度上可有效解决上述问题。

虚拟电厂(Virtual power plant,VPP)是实现可再生分布式发电就地接入系统以及提高系统能源利用效率最具优势的一种形式，可以整合各种分布式能源，包括分布式电源、灵活性负荷和储能系统，其基于高度集成、高速双向通信网络，融合先进的传感、控制、高端电气设备，采用于先进的信息通信技术和能量管理体系，进而灵活的调动区域内广泛的分布式能源、储能系统、灵活性负荷，从而融合成统一的新型聚集体，并为系统提供高可靠、高质量、高安全的综合能源服务。而在VPP聚合这些资源时，其容量的优化需要深入的研究，以便形成更为合理的VPP资源配置容量。

现有的针对虚拟电厂的研究主要是针对电动车、风能、光伏的负荷或电源规划，但针对不同类型楼宇内多类型能源组成的虚拟电厂容量的优化方法较少涉及。

发明内容

本发明的目的是为填补已有技术的空白之处，提出一种虚拟电厂聚合资源的容量优化方法。本发明能够很好的地实现基于建筑用能的虚拟电厂配置选择和容量优化，从而提高电力系统资源配置的灵活性。

本发明提出一种虚拟电厂聚合资源的容量优化方法，其特征在于，该方法包括以下步骤：

1)建筑负荷需求预测；具体方法为：

1-1)获取虚拟电厂对应建筑的所在区域的天气参数以及该建筑的系统结构和特性参数；

1-2)基于步骤1-1)获取的参数，采用正向建模方法，计算该建筑全年的冷、热、电逐时负荷需求；通过聚类获得该建筑逐月典型日的逐时冷、热、电负荷需求并作为该建筑负荷需求预测结果；

2)获取该建筑所在区域的近三年的历史天气参数，重复步骤1)，将该三个年份作为三个场景，对该三个场景进行建筑负荷需求预测；

根据每个场景的建筑负荷需求预测结果，分别确定该建筑逐时冷、热、电负荷的最大、最小值并作为对应负荷的调节范围；

3)通过基于能源资源条件分析，获得该建筑所在区域可再生能源的出力预测；

所述能源资源条件包括该地区光伏和风力可利用资源，分别计算该区域分布式光伏的输出功率和分布式风电输出功率，并将计算结果作为该区域的可再生能源的出力预测结果；

4)建立虚拟电厂聚合资源的容量优化模型，该模型由目标函数和约束条件构成；具体步骤如下：

4-1)确定模型的目标函数；

模型的目标函数是虚拟电厂年费用最小，其中年费用包括设备投资折合年费用C_Inv、年运行维护费用C_OM、年运行耗能费用C_Fuel；

将步骤1)确定的典型日作为优化的时间长度，建立目标函数表达式如下：

minC_TAC＝C_Inv+C_OM+C_Fuel

其中，I_equ代表各设备单位容量的价格；Cap_equ为决策变量，代表任一设备的额定容量；γ是贴现率；ι_equ代表各个设备的使用寿命；O_om,equ代表各设备的运维费用；E_equ,m,hr代表设备逐时输出能量；V_gas,m,hr为设备的逐时用气量；P_gas,m,hr为燃气价格；d_m为对应月份的天数；hr代表逐时；

4-2)确定模型的约束条件；具体如下：

满足建筑用户需求的能量平衡方程约束：

式中，t代表时刻，

代表不同设备t时刻输出的能量；

分别代表储能设备t时刻储存和释放的能量，Ei_d,t代表t时刻对用能负荷的能量需求；

设备约束：

Cap_equ,max≥Cap_equ≥Cap_equ,min

bin_equ,m,hrCap_equ≥E_equ,m,hr

E_equ,m,hr≥bin_equ,m,hrω_equCap_equ

式中，Cap_equ,max、Cap_equ,min分别各设备在建筑应用的最大容量和最小容量；bin_equ,m,hr取0或1，表征该设备在此刻是否运行，取0为该设备在该时刻停运，取1表示该设备在该时刻正常运行；ω_equ代表该设备的最低负荷率；

满足分布式电源个体的弃电约束：

式中，

为在t时刻虚拟电厂聚合的第i个分布式电源电站实际出力；D_dg,i为虚拟电厂聚合的第i个分布式电源额定出力；

可再生能源电站的可再生能源消纳比例约束：

式中，λ_i为第i可再生能源电站在T时间范围内可再生能源消纳比例限制；

燃气电站、资源综合利用系统的运行小时数约束：

式中，κ_i为第i个燃气发电站或资源综合利用系统在T时间范围内最小运行小时数；

储能系统约束：

式中，

为保证储能系统回收期限的最低储能电量；D_es,k、

分别为储能系统的额定容量和t时刻的储电量；

5)采用混合整数规模方法，对步骤4)建立的模型求解，得到虚拟电厂各设备的额定容量Cap_equ的最优解，即为最终的虚拟电厂聚合资源的容量优化结果。

本发明的特点及有益效果：

本发明将虚拟电厂聚合资源分为分布式电源、负荷资源、储能资源；其中分布式电源考虑其出力的不确定性；负荷资源分为灵活性负荷和固定负荷。本发明方法针对聚合楼宇能源供应系统和建筑用能负荷的虚拟电厂，建立针对该类型虚拟电厂的资源容量优化模型并求解，得到的优化方案能够提高电力系统资源配置的灵活性。

附图说明

图1为本发明涉虚拟电厂可聚合资源示意图。

图2为本发明方法的整体流程图。

图3为本发明中的典型日建筑负荷预测框图。

图4为本发明实施例中某地的温湿度变化曲线图。

图5为本发明实施例中的典型日建筑负荷和电力市场出清价格曲线图。

图6为本发明实施例中太阳能和风能的基础数据图。

具体实施方式

本发明提出一种虚拟电厂聚合资源的容量优化方法，下面结合附图和具体实施例对本发明进一步详细说明如下。

本发明提出一种虚拟电厂聚合资源的容量优化方法，虚拟电厂可聚合资源示意图如图1所示，虚拟电厂通过聚合如燃气热电联供(combinedheat andpower,CHP)、储电系统、空调负荷、风电、光伏资源、清洁供暖以及电动汽车，内部可成为分布式电源、负荷资源、储能资源，其中负荷资源分为灵活性负荷和固定负荷。灵活性负荷包括：充电桩(站)、电锅炉、空调系统组成的冷、热、电负荷。

本发明首先通过建筑负荷需求预测，获得虚拟电厂可聚合的灵活性负荷大小以及每种灵活性负荷的调节范围；通过基于能源资源条件分析，获得建筑所在区域可再生能源的出力预测；基于灵活性负荷大小、可再生能源的出力预测构建多能源的虚拟电厂聚合资源的容量优化模型并求解，得到虚拟电厂聚合资源的容量优化结果。该方法整体流程如图2所示，包括以下步骤：

1)建筑负荷需求预测；

本发明中建筑负荷需求预测流程如图3所示，首先通过调研获得建筑的类型和信息，以及该建筑所在区域的位置，获得该地区的能源资源条件、气象数据、周边遮挡、维护结构、内扰参数、人员活动时间表。基于这些信息，设定传热系数、建筑内房间功能面积、人员潜热和显热负荷、人员活动范围、用电设备的信息，进而模拟计算该建筑全年冷、热、电逐时负荷需求，通过聚类获得该建筑典型日(即逐月选取一日作为典型日)的逐时冷、热、电负荷需求预测结果。具体方法为：

1-1)本发明所指的建筑类型酒店、医院、办公楼，获取该建筑所在地区的天气参数(具体包括气温、湿度、光照)、以及该建筑的系统结构和特性参数(具体包括建筑维护结构传热特性参数、空调系统特性参数)。

1-2)基于步骤1-1)获取的参数，采用正向建模方法，即在输入天气参数以及系统结构和特性参数后预测输出变量。该建模含有负荷模块、系统模块、设备模块、经济模块。其中负荷模块包括：冷负荷、电负荷、热负荷；系统模块包括：空调系统的空气输送设备、风机、盘管控制装置；设备模块包括：制冷机、锅炉、冷却塔、蓄能设备、发电设备。经济模型包括：设备费用、运行费用、总投资费用。各个模块为该模块所包括的设备、系统对应的子模型，通过外部参数的输入，优化获得实际虚拟电厂聚合资源的容量大小。本实施例中建筑负荷需求预测流程所需气候参数如附图4所示全年逐时干球温度和含湿量；输出变量是为该建筑全年的冷、热、电逐时负荷需求。其中电负荷根据设定的运行方式、使用时间结合负荷密度法进行计算。冷、热负荷需求根据建筑能量平衡计算获得。其中主要包括维护结构耗热量、渗透冷空气耗热。具体计算如下所示：

Q＝Q_w+Q_l

式中，Q_w、Q_l分别为围护结构的基本耗热量和门窗缝隙渗入室内的冷空气耗热量。其中计算围护结构的基本耗热量为：

Q_w＝αFK(t_n-t_wn)

式中Q、α、F、K、t_n、t_wn分别表示围护结构的基本耗热量、计算温差修正系数、面积、传热系数、供暖室内设计温度、室外计算温度。

建筑由门窗缝隙渗入室内的冷空气耗热量计算公式：

Q_l＝0.28C_pρ_wn(t_n-t_wn)

式中Q_l、C_p、ρ_wn分别表示由门窗缝隙渗入室内的冷空气的耗热量、空气的定压比热容、供暖室外计算温度下的空气密度。

渗透冷空气量可根据不同的朝向，按下式计算：

L＝L₀l₁m^b

式中L₀、l₁、m^b分别为通过每米门窗缝隙进入室内的理论渗透冷空气量、外门窗缝隙的长度、门窗冷风渗透压差修正系数。其中L₀按下式计算：

式中a₁、v₀分别为外门窗缝隙渗风系数、基准高度平均风速。

通过对输出变量进行聚类获得该建筑典型日的逐时冷、热、电负荷需求作为该建筑符合需求预测结果，其中从每个月选取一日作为该月的典型日。

2)根据步骤1)的负荷需求预测方法，基于该建筑所在区域的近三年的历史天气参数，进行三个场景(即针对三个不同年份的历史数据形成三个场景)的建筑负荷需求预测模拟分析，根据不同场景的逐时冷、热、电负荷的最大、最小值确定每种灵活性负荷(灵活性负荷包括冷、热、电负荷，具有一定的可调节空间)调节范围；该调节范围为不同的参数设置的模型，通过步骤1)计算而得的上下限范围。如图5所示为针对要聚合资源容量优化所需的典型日负荷需求、预测的虚拟电厂参与的市场出清价格预测，该预测数据是容量优化模型的输入参数，虚拟电厂通过满足典型日负荷需求的同时，根据市场出清价格获得最有的容量配比。

3)通过基于能源资源条件分析，获得该建筑所在区域可再生能源的出力预测。能源资源条件包括该地区光伏和风力可利用资源，即分析该区域辐射强度、风速、风向参数。本实施例中，当地可利用的可再生能源如太阳能和风能的基础数据，包括辐射强度、风速、风向，如图6所示。分别计算该区域分布式光伏的输出功率和分布式风电输出功率，并将计算结果作为该区域的可再生能源的出力预测结果；

其中，分布式光伏的输出功率和分布式风电输出功率的计算表达式如下：

g_PV,t＝η_PVS_PVθ_t

式中，g_PV,t、g_w,t分别为光伏发电机、风力发电机t时刻的输出功率；η_PV、S_PV、θ_t分别为光伏系统发电效率、辐射度和辐射度在t时刻的概率；t为时刻；g_R为风力发电机额定功率；v为实际风速；v_nom为额定风速；v_in为切入风速；v_out为切出风速，a₁、b₁、c₁为常系数。

4)建立虚拟电厂聚合资源的容量优化模型，该模型由目标函数和约束条件构成。具体步骤如下：

4-1)确定模型的目标函数；

模型的目标函数是虚拟电厂年费用最小，其中年费用包括设备投资折合年费用C_Inv、年运行维护费用C_OM、年运行耗能费用C_Fuel。其中C_Inv指虚拟电厂系统总初投资费用根据一定贴现率和各设备的使用年限，折合到每年的平均投资费用。

将步骤1)确定的典型日作为优化的时间长度，建立目标函数表达式如下：

minC_TAC＝C_Inv+C_OM+C_Fuel

其中，I_equ代表不同设备单位容量的价格；Cap_equ为决策变量，代表任一设备的额定容量；γ是贴现率；ι_equ代表各个设备的使用寿命；O_om,equ代表各设备的运维费用；E_equ,m,hr代表设备逐时输出能量；V_gas,m,hr为设备的逐时用气量；P_gas,m,hr为燃气价格；d_m为对应月份的天数。hr代表逐时。

4-2)确定模型的约束条件；

聚合资源容量优化配置模型的约束条件包括等式约束和不等式约束；

其中等式约束为最终满足用户需求时的能量平衡，其中可再生能源的出力根据步骤3)计算求得，最终满足建筑用户需求的能量平衡方程约束：

式中，

代表不同设备t时刻输出的能量，可以是冷、热、电的任意一种，

分别代表储能设备t时刻储存和释放的能量，Ei_d,t代表t时刻对用能负荷的能量需求，包括步骤1)得到的建筑负荷需求预测结果和设备的运行耗能。

不等式约束主要是各个设备的负荷出力在设备正常运行范围内或者机组停运，而各个设备的容量选择在市场中通过调研设定最大与最小值，如下式：

Cap_equ,max≥Cap_equ≥Cap_equ,min

bin_equ,m,hrCap_equ≥E_equ,m,hr

E_equ,m,hr≥bin_equ,m,hrω_equCap_equ

式中，Cap_equ代表任一设备的额定容量，为决策变量，其中下标equ代表不同设备，可包括相关资源类型的设备有燃气CHP、储电系统、空调负荷、风电、光伏、电动汽车；Cap_equ,max、Cap_equ,min分别该设备在建筑应用的最大容量和最小容量；bin_equ,m,hr取0或1，表征该设备在此刻是否运行，取0为该设备在该时刻停运，取1表示该设备在该时刻正常运行；ωequ代表该设备的最低负荷率。

满足分布式电源个体的弃电约束：

式中，

为在t时刻虚拟电厂聚合的第i个分布式电源电站实际出力，单位：MW；D_dg,i为虚拟电厂聚合的第i个分布式电源额定出力，单位：MW。该式表示为在t时刻虚拟电厂从第i个分布式电源电站购买的电力小于等于分布式电源电站实际出力，并小于等于分布式电源的额定容量约束。

对于可再生能源电站，需满足如下可再生能源消纳比例约束：

式中，λ_i为第i可再生能源电站在T时间范围内可再生能源消纳比例限制，一般可取95％，保证时间范围内95％以上的可再生能源消纳。

对于燃气电站、资源综合利用系统，需满足一段时间的运行小时数约束：

式中，κ_i为第i个燃气发电站或资源综合利用系统在T时间范围内最小运行小时数，即保障该类分布式电源的运行小时数，保障其收益高于并网收益。

其中储能系统遵守以下约束：

式中，

为保证储能系统回收期限的最低储能电量。D_es,k、

分别为储能系统的额定容量和t时刻的储电量。

5)采用混合整数规模方法，对步骤4)建立的模型求解，求解该模型可采用成熟的优化软件如LINGO、cplex求解全局最优值，优化涉及决策变量主要是虚拟电厂内部资源的额定容量参数Cap_equ，其代表任一设备的额定容量，其中下标equ代表不同设备，可包括相关资源类型的设备有燃气CHP、储电系统、空调负荷、风电、光伏、电动汽车，得到最终的虚拟电厂聚合资源的容量优化结果。

尽管上面已经示出和描述了本发明的实施例，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。此外，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (1)

1.一种虚拟电厂聚合资源的容量优化方法，其特征在于，该方法包括以下步骤：

1)建筑负荷需求预测；具体方法为：

1-1)获取虚拟电厂对应建筑的所在区域的天气参数以及该建筑的系统结构和特性参数；

1-2)基于步骤1-1)获取的参数，采用正向建模方法，计算该建筑全年的冷、热、电逐时负荷需求；通过聚类获得该建筑逐月典型日的逐时冷、热、电负荷需求并作为该建筑负荷需求预测结果；

2)获取该建筑所在区域的近三年的历史天气参数，重复步骤1)，将该三个年份作为三个场景，对该三个场景进行建筑负荷需求预测；

根据每个场景的建筑负荷需求预测结果，分别确定该建筑逐时冷、热、电负荷的最大、最小值并作为对应负荷的调节范围；

3)通过基于能源资源条件分析，获得该建筑所在区域可再生能源的出力预测；

所述能源资源条件包括该地区光伏和风力可利用资源，分别计算该区域分布式光伏的输出功率和分布式风电输出功率，并将计算结果作为该区域的可再生能源的出力预测结果；

4)建立虚拟电厂聚合资源的容量优化模型，该模型由目标函数和约束条件构成；具体步骤如下：

4-1)确定模型的目标函数；

模型的目标函数是虚拟电厂年费用最小，其中年费用包括设备投资折合年费用C_Inv、年运行维护费用C_OM、年运行耗能费用C_Fuel；

将步骤1)确定的典型日作为优化的时间长度，建立目标函数表达式如下：

minC_TAC＝C_Inv+C_OM+C_Fuel

其中，I_equ代表各设备单位容量的价格；Cap_equ为决策变量，代表任一设备的额定容量；γ是贴现率；ι_equ代表各个设备的使用寿命；O_om,equ代表各设备的运维费用；E_equ,m,hr代表设备逐时输出能量；V_gas,m,hr为设备的逐时用气量；P_gas,m,hr为燃气价格；d_m为对应月份的天数；hr代表逐时；

4-2)确定模型的约束条件；具体如下：

满足建筑用户需求的能量平衡方程约束：

式中，t代表时刻，

代表不同设备t时刻输出的能量；

分别代表储能设备t时刻储存和释放的能量，Ei_d,t代表t时刻对用能负荷的能量需求；

设备约束：

Cap_equ,max≥Cap_equ≥Cap_equ,min

bin_equ,m,hrCap_equ≥E_equ,m,hr

E_equ,m,hr≥bin_equ,m,hrω_equCap_equ

式中，Cap_equ,max、Cap_equ,min分别各设备在建筑应用的最大容量和最小容量；bin_equ,m,hr取0或1，表征该设备在此刻是否运行，取0为该设备在该时刻停运，取1表示该设备在该时刻正常运行；ω_equ代表该设备的最低负荷率；

满足分布式电源个体的弃电约束：

式中，

为在t时刻虚拟电厂聚合的第i个分布式电源电站实际出力；D_dg,i为虚拟电厂聚合的第i个分布式电源额定出力；

可再生能源电站的可再生能源消纳比例约束：

式中，λ_i为第i可再生能源电站在T时间范围内可再生能源消纳比例限制；

燃气电站、资源综合利用系统的运行小时数约束：

式中，κ_i为第i个燃气发电站或资源综合利用系统在T时间范围内最小运行小时数；

储能系统约束：

式中，

为保证储能系统回收期限的最低储能电量；D_es,k、

分别为储能系统的额定容量和t时刻的储电量；

5)采用混合整数规模方法，对步骤4)建立的模型求解，得到虚拟电厂各设备的额定容量Cap_equ的最优解，即为最终的虚拟电厂聚合资源的容量优化结果。

Images