CN112101644A - 考虑源荷不确定性的虚拟电厂联盟优化控制方法 - Google Patents

考虑源荷不确定性的虚拟电厂联盟优化控制方法 Download PDF

Info

Publication number
CN112101644A
CN112101644A CN202010899521.0A CN202010899521A CN112101644A CN 112101644 A CN112101644 A CN 112101644A CN 202010899521 A CN202010899521 A CN 202010899521A CN 112101644 A CN112101644 A CN 112101644A
Authority
CN
China
Prior art keywords
power plant
virtual power
scene
alliance
optimization control
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.)
Pending
Application number
CN202010899521.0A
Other languages
English (en)
Inventor
何越
胡亚平
张勇
杨林
李慧勇
程哲
王子强
翟哲
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202010899521.0A priority Critical patent/CN112101644A/zh
Publication of CN112101644A publication Critical patent/CN112101644A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑源荷不确定性的虚拟电厂联盟优化控制方法，包括步骤：S1.构建虚拟电厂联盟优化控制模型；S2.调整虚拟电厂联盟优化控制模型中的参数使得虚拟电厂联盟优化控制模型达到最小值，将优化控制模型达到最小值时设置的参数作为虚拟电厂联盟优化控制的最优参数。本发明的一种考虑源荷不确定性的虚拟电厂联盟优化控制方法，能够促进虚拟电厂更加主动地参与电力市场运营，提高了系统在市场参与过程中的灵活性和可靠性，具有更高的不确定性风险管理能力和市场效率。

Description

考虑源荷不确定性的虚拟电厂联盟优化控制方法
技术领域
本发明涉及虚拟电厂领域，具体涉及一种考虑源荷不确定性的虚拟电厂联盟优化控制方法。
背景技术
近年来，各国政府相继出台大量激励政策支持可再生能源发展，但是，在电力市场快速发展的趋势下，可再生能源发电的诸多弊端不容忽视。提高可再生能源市场效益、平抑风险的关键在于如何有效调控配电网中的可调资源。在众多技术方案中，虚拟电厂(virtual power plant，VPP)是激活市场活力和优化交易策略的可行途径。虚拟电厂是虚拟公共设施(virtual public facilities，VPF)概念的应用，将分布式电源、储能单元和可控负荷整合成一个有机整体，通过协调调度使其对外呈现传统发电厂特性。
从技术层面看，虚拟电厂在优化调度和资源配置两方面为电力系统高质量运行提供基础和指导。一种“数据驱动的虚拟电厂调度特性封装方法”采用数据驱动方法对虚拟电厂调度成本和调度指令可行性统一封装，在此基础上建立全局优化调度模式，实现虚拟电厂调峰调频能力优化。“考虑虚拟电厂组合策略的售电公司优化调度及购售电决策”面向售电公司，在优化调度中考虑虚拟电厂交易组合，整合零散资源，实现售电公司效益最大化。
从市场层面看，虚拟电厂是泛在资源聚合商，统一管理辖区内可调资源，制定最优市场竞标策略。“计及电动汽车和需求响应的多类电力市场下虚拟电厂竞标模型”从价格和激励两个维度考虑需求响应，并建立了虚拟电厂三阶段竞价模型分析竞标电量优化情况，包括：日前市场开启前、交易日及交易时段。“风电和电动汽车组成虚拟电厂参与电力市场的博弈模型”基于博弈均衡理论，分析了风电商和电动汽车聚合商以虚拟电厂合作模式参与竞标的电力市场多时段博弈过程。
上述研究，1.在虚拟电厂模型中缺少灵活性和随机性的定量表述；2.对资源的整合仍然受限于一定的电气范围；3.对虚拟电厂运营中的风险、效益相关性研究不充分。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供考虑源荷不确定性的虚拟电厂联盟优化控制方法，能够促进虚拟电厂更加主动地参与电力市场运营，提高了系统在市场参与过程中的灵活性和可靠性，具有更高的不确定性风险管理能力和市场效率。
本发明的考虑源荷不确定性的虚拟电厂联盟优化控制方法，包括如下步骤：
S1.构建虚拟电厂联盟优化控制模型；所述虚拟电厂联盟优化控制模型的目标函数为：
Figure BDA0002659474340000021
其中，σ2为虚拟电厂联盟时均出力净值波动；T为总时段数；I为联盟内虚拟电厂数；J为单个虚拟电厂内的分布式可再生能源数；
Figure BDA0002659474340000022
为场景s中第i个虚拟电厂在t时段第j个分布式可再生能源出力；
Figure BDA0002659474340000023
为场景s中第i个虚拟电厂在t时段负荷水平；μ为虚拟电厂联盟时均净出力均值；
S2.调整虚拟电厂联盟优化控制模型中的参数使得虚拟电厂联盟优化控制模型达到最小值，将优化控制模型达到最小值时设置的参数作为虚拟电厂联盟优化控制的最优参数。
进一步，步骤S1中，所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure BDA0002659474340000024
其中，F为虚拟电厂联盟的经济收益；i为虚拟电厂编号，n取值为正整数；M为总场景数量；πs为场景s发生的概率；
Figure BDA0002659474340000031
为场景s中第i个虚拟电厂在t时段的日前市场收益；
Figure BDA0002659474340000032
为场景s中第i个虚拟电厂在t时段的实时市场收益；
Figure BDA0002659474340000033
为场景s中第i个虚拟电厂在t时段的需求侧资源管理收益；
所述
Figure BDA0002659474340000034
为场景s中第i个虚拟电厂在t时段的日前申报电量，
Figure BDA0002659474340000035
为场景s中在t时段的日前市场电价；
所述
Figure BDA0002659474340000036
为场景s中第i个虚拟电厂在t时段的实时市场交易电量，
Figure BDA0002659474340000037
为场景s中在t时段的实时市场电价，
Figure BDA0002659474340000038
为场景s中在t时段的差额惩罚；
所述
Figure BDA0002659474340000039
为场景s中第i个虚拟电厂在t时段的负荷资源管理收益，所述
Figure BDA00026594743400000310
为场景s中第i个虚拟电厂在t时段的负荷水平，
Figure BDA00026594743400000311
为场景s中在t时段的内部供电电价，
Figure BDA00026594743400000312
为场景s中第i个虚拟电厂在t时段的可中断负荷响应容量，
Figure BDA00026594743400000313
为场景s中第i个虚拟电厂在t时段的需求响应补偿；
Figure BDA00026594743400000314
为场景s中第i个虚拟电厂在t时段的分布式可再生能源管理收益，所述
Figure BDA00026594743400000315
N为第i个虚拟电厂中的分布式可再生能源数量，
Figure BDA00026594743400000316
和
Figure BDA00026594743400000317
均为第j个分布式可再生能源成本系数；
Figure BDA00026594743400000318
为场景s中第i个虚拟电厂在t时段的储能单元管理收益，所述
Figure BDA00026594743400000322
K为第i个虚拟电厂中的储能单元数量，ηc,k为第k个储能单元的充电效率，
Figure BDA00026594743400000319
为场景s中第i个虚拟电厂在t时段的第k个储能单元充放电状态变量，
Figure BDA00026594743400000320
为场景s中第i个虚拟电厂在t时段的第k个储能单元充电量，ηd,k为第k个储能单元的放电效率，
Figure BDA00026594743400000321
为场景s中第i个虚拟电厂在t时段的第k个储能单元放电量。
进一步，所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure BDA0002659474340000041
其中，
Figure BDA0002659474340000042
为所述
Figure BDA0002659474340000043
对应的模糊参数；
Figure BDA0002659474340000044
为所述
Figure BDA0002659474340000045
对应的模糊参数；K为第i个虚拟电厂中的储能单元数量；ηc,k为第k个储能单元充电效率；ηd,k为第k个储能单元放电效率；
Figure BDA0002659474340000046
为第i个虚拟电厂的可中断负荷最大响应容量；
Figure BDA0002659474340000047
为第i个虚拟电厂的第k个储能单元充电功率上限；
Figure BDA0002659474340000048
为第i个虚拟电厂的第k个储能单元放电功率上限；α为置信水平；Cr{·}为{·}中事件的可信性。
进一步，所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure BDA0002659474340000049
进一步，所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure BDA00026594743400000410
其中，
Figure BDA00026594743400000411
为场景s中第i个虚拟电厂在t时段的第j个分布式可再生能源风机出力；
Figure BDA00026594743400000412
为第i个虚拟电厂的第j个分布式可再生能源风机出力上限；
Figure BDA0002659474340000051
为场景s中第i个虚拟电厂在t时段的第j个分布式可再生能源光伏出力；
Figure BDA0002659474340000052
为第i个虚拟电厂的第j个分布式可再生能源光伏出力上限。
进一步，所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure BDA0002659474340000053
其中，Socmin,k为第k个储能单元荷电状态下限；
Figure BDA0002659474340000054
为场景s中第i个虚拟电厂在t时段的第k个储能单元荷电状态；Socmax,k为第k个储能单元荷电状态上限；
Figure BDA0002659474340000055
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元荷电状态；ηc,k为第k个储能单元的充电效率；ηd,k为第k个储能单元的放电效率；
Figure BDA0002659474340000056
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元充放电状态变量；
Figure BDA0002659474340000057
为场景s中第i个虚拟电厂在t+1时段第k个储能单元充电量；
Figure BDA0002659474340000058
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元放电量。
进一步，所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure BDA0002659474340000059
其中，
Figure BDA00026594743400000510
为第i个虚拟电厂的第j个分布式可再生能源出力上限。
进一步，将所述虚拟电厂联盟优化控制模型中含模糊参数的约束条件转化为清晰等价类，具体包括：
将约束条件
Figure BDA00026594743400000511
转化为
Figure BDA0002659474340000061
将约束条件
Figure BDA0002659474340000062
转化为
Figure BDA0002659474340000063
进一步，对所述虚拟电厂联盟优化控制模型进行线性化处理，具体包括：
定义辅助变量
Figure BDA0002659474340000064
将优化控制模型中的变量
Figure BDA0002659474340000065
替换为所述辅助变量
Figure BDA0002659474340000066
并得到约束条件ST1，将所述约束条件ST1添加到所述优化控制模型中；
其中，所述约束条件ST1为：
Figure BDA0002659474340000067
定义辅助变量
Figure BDA0002659474340000068
以及
Figure BDA0002659474340000069
将优化控制模型中的变量
Figure BDA00026594743400000610
替换为
Figure BDA0002659474340000071
同时将优化控制模型中的变量
Figure BDA0002659474340000072
替换为
Figure BDA0002659474340000073
并得到约束条件ST2，将所述约束条件ST2添加到所述优化控制模型中；
其中，所述约束条件ST2为：
Figure BDA0002659474340000074
本发明的有益效果是：本发明公开的一种考虑源荷不确定性的虚拟电厂联盟优化控制方法，通过集成分布式风电、光伏、储能、负荷等配网侧主体为虚拟电厂，利用模糊机会约束描述可再生能源及负荷的不确定性，建立了虚拟电厂联盟参与日前、实时两阶段电力市场策略的协同优化模型，提高了系统在市场参与过程中的灵活性和可靠性，实现了对峰谷电价的准确捕捉、电量申报交割差额的风险管理以及经济效益的提升。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明的考虑源荷不确定性的虚拟电厂联盟优化控制方法，包括如下步骤：
S1.虚拟电厂的不确定性主要来源于可再生能源出力波动和负荷随机性，而不同地理位置的太阳能和风能会随着空间间隔的增大呈去相关趋势且不同特征的负荷可形成互补。因此，本发明将空间上各不相同的虚拟电厂结合起来，形成跨区域的虚拟电厂联盟，进而形成虚拟电厂资源互补性聚合模型，降低总功率的波动程度，以虚拟电厂联盟时均出力净值波动最小为目标，构建虚拟电厂联盟优化控制模型；
所述虚拟电厂联盟优化控制模型的目标函数为：
Figure BDA0002659474340000081
其中，σ2为虚拟电厂联盟时均出力净值波动；T为总时段数；I为联盟内虚拟电厂数；J为单个虚拟电厂内的分布式可再生能源数；
Figure BDA0002659474340000082
为场景s中第i个虚拟电厂在t时段第j个分布式可再生能源出力；
Figure BDA0002659474340000083
为场景s中第i个虚拟电厂在t时段负荷水平；μ为虚拟电厂联盟时均净出力均值；
S2.调整虚拟电厂联盟优化控制模型中的参数使得虚拟电厂联盟优化控制模型达到最小值，将优化控制模型达到最小值时设置的参数作为虚拟电厂联盟优化控制的最优参数。
本实施例中，步骤S1中，本发明建立的虚拟电厂包括风机、光伏、储能单元以及可中断负荷，并以参与电力市场获得最大经济收益为目标，得到虚拟电厂联盟的经济约束条件，所述虚拟电厂联盟优化控制模型的经济约束条件为：
Figure BDA0002659474340000084
其中，F为虚拟电厂联盟的经济收益；i为虚拟电厂编号，n取值为正整数；M为总场景数量；πs为场景s发生的概率；
Figure BDA0002659474340000085
为场景s中第i个虚拟电厂在t时段的日前市场收益；
Figure BDA0002659474340000086
为场景s中第i个虚拟电厂在t时段的实时市场收益；
Figure BDA0002659474340000087
为场景s中第i个虚拟电厂在t时段的需求侧资源管理收益；
所述
Figure BDA0002659474340000088
为场景s中第i个虚拟电厂在t时段的日前申报电量，
Figure BDA0002659474340000089
为售电，
Figure BDA00026594743400000810
为购电；
Figure BDA00026594743400000811
为场景s中在t时段的日前市场电价；
所述
Figure BDA00026594743400000812
为场景s中第i个虚拟电厂在t时段的实时市场交易电量，
Figure BDA00026594743400000813
为场景s中在t时段的实时市场电价，
Figure BDA00026594743400000814
为场景s中在t时段的差额惩罚；
所述
Figure BDA0002659474340000091
为场景s中第i个虚拟电厂在t时段的负荷资源管理收益，所述
Figure BDA0002659474340000092
为场景s中第i个虚拟电厂在t时段的负荷水平，
Figure BDA0002659474340000093
为场景s中在t时段的内部供电电价，
Figure BDA0002659474340000094
为场景s中第i个虚拟电厂在t时段的可中断负荷响应容量，
Figure BDA0002659474340000095
为场景s中第i个虚拟电厂在t时段的需求响应补偿；
Figure BDA0002659474340000096
为场景s中第i个虚拟电厂在t时段的分布式可再生能源管理收益，所述
Figure BDA0002659474340000097
N为第i个虚拟电厂中的分布式可再生能源数量，
Figure BDA0002659474340000098
和
Figure BDA0002659474340000099
均为第j个分布式可再生能源成本系数；
Figure BDA00026594743400000910
为场景s中第i个虚拟电厂在t时段的储能单元管理收益，所述
Figure BDA00026594743400000911
K为第i个虚拟电厂中的储能单元数量，ηc,k为第k个储能单元的充电效率，
Figure BDA00026594743400000912
为场景s中第i个虚拟电厂在t时段的第k个储能单元充放电状态变量，其中，
Figure BDA00026594743400000913
为充电状态，
Figure BDA00026594743400000914
为放电状态，
Figure BDA00026594743400000915
为场景s中第i个虚拟电厂在t时段的第k个储能单元充电量，ηd,k为第k个储能单元的放电效率，
Figure BDA00026594743400000916
为场景s中第i个虚拟电厂在t时段的第k个储能单元放电量。
本实施例中，可再生能源与负荷不确定性采用模糊参数表示，功率平衡约束与系统备用约束将以置信水平α成立，形成所述虚拟电厂联盟优化控制模型的可信性机会约束：
Figure BDA0002659474340000101
其中，
Figure BDA0002659474340000102
为所述
Figure BDA0002659474340000103
对应的模糊参数；
Figure BDA0002659474340000104
为所述
Figure BDA0002659474340000105
对应的模糊参数；K为第i个虚拟电厂中的储能单元数量；ηc,k为第k个储能单元充电效率；ηd,k为第k个储能单元放电效率；
Figure BDA0002659474340000106
为第i个虚拟电厂的可中断负荷最大响应容量；
Figure BDA0002659474340000107
为第i个虚拟电厂的第k个储能单元充电功率上限；
Figure BDA0002659474340000108
为第i个虚拟电厂的第k个储能单元放电功率上限；α为置信水平；Cr{·}为{·}中事件的可信性。本实施例中，可再生能源和负荷的不确定性处理包含在模糊参数设置中，无需额外假设备用功率。
本实施例中，所述虚拟电厂联盟优化控制模型的可中断负荷响应水平约束为：
Figure BDA0002659474340000109
本实施例中，所述虚拟电厂联盟优化控制模型的可再生能源出力约束为：
Figure BDA00026594743400001010
其中，
Figure BDA00026594743400001011
为场景s中第i个虚拟电厂在t时段的第j个分布式可再生能源风机出力；
Figure BDA00026594743400001012
为第i个虚拟电厂的第j个分布式可再生能源风机出力上限；
Figure BDA0002659474340000111
为场景s中第i个虚拟电厂在t时段的第j个分布式可再生能源光伏出力；
Figure BDA0002659474340000112
为第i个虚拟电厂的第j个分布式可再生能源光伏出力上限。
本实施例中，所述虚拟电厂联盟优化控制模型的储能单元运行约束为：
Figure BDA0002659474340000113
其中，Socmin,k为第k个储能单元荷电状态下限；
Figure BDA0002659474340000114
为场景s中第i个虚拟电厂在t时段的第k个储能单元荷电状态；Socmax,k为第k个储能单元荷电状态上限；
Figure BDA0002659474340000115
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元荷电状态；ηc,k为第k个储能单元的充电效率；ηd,k为第k个储能单元的放电效率；
Figure BDA0002659474340000116
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元充放电状态变量；
Figure BDA0002659474340000117
为场景s中第i个虚拟电厂在t+1时段第k个储能单元充电量；
Figure BDA0002659474340000118
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元放电量。
本实施例中，所述虚拟电厂联盟优化控制模型的竞标电量约束为：
Figure BDA0002659474340000119
其中，
Figure BDA00026594743400001110
为第i个虚拟电厂的第j个分布式可再生能源出力上限。
本实施例中，将所述虚拟电厂联盟优化控制模型中含模糊参数的可信性机会约束条件转化为清晰等价类，具体包括：
将约束条件
Figure BDA00026594743400001111
转化为
Figure BDA0002659474340000121
将约束条件
Figure BDA0002659474340000122
转化为
Figure BDA0002659474340000123
本实施例中，对所述虚拟电厂联盟优化控制模型进行线性化处理，具体包括：
所述虚拟电厂联盟优化控制模型存在二值变量与连续变量相乘的情况，可采用McCormick’s envelope进行线性化处理，定义辅助变量
Figure BDA0002659474340000124
将优化控制模型中的变量
Figure BDA0002659474340000125
替换为所述辅助变量
Figure BDA0002659474340000126
并得到约束条件ST1，将所述约束条件ST1添加到所述优化控制模型中；
其中，所述约束条件ST1为：
Figure BDA0002659474340000127
对于虚拟电厂联盟优化控制模型中包含绝对值的项，定义辅助变量
Figure BDA0002659474340000131
以及
Figure BDA0002659474340000132
将优化控制模型中的变量
Figure BDA0002659474340000133
替换为
Figure BDA0002659474340000134
同时将优化控制模型中的变量
Figure BDA0002659474340000135
替换为
Figure BDA0002659474340000136
并得到约束条件ST2，将所述约束条件ST2添加到所述优化控制模型中；
其中，所述约束条件ST2为：
Figure BDA0002659474340000137
本实施例中，步骤S2中，通过上述处理后，所述虚拟电厂联盟优化控制模型的求解问题已经转换为混合整数规划问题，所述混合整数规划问题可通过GORUBI等优化求解器进行求解，从而得到虚拟电厂联盟优化控制模型的最小值，将虚拟电厂联盟优化控制模型达到最小值时设置的参数作为虚拟电厂联盟优化控制的最优参数。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：包括如下步骤：
S1.构建虚拟电厂联盟优化控制模型；所述虚拟电厂联盟优化控制模型的目标函数为：
Figure FDA0002659474330000011
其中，σ2为虚拟电厂联盟时均出力净值波动；T为总时段数；I为联盟内虚拟电厂数；J为单个虚拟电厂内的分布式可再生能源数；
Figure FDA0002659474330000012
为场景s中第i个虚拟电厂在t时段第j个分布式可再生能源出力；
Figure FDA0002659474330000013
为场景s中第i个虚拟电厂在t时段负荷水平；μ为虚拟电厂联盟时均净出力均值；
S2.调整虚拟电厂联盟优化控制模型中的参数使得虚拟电厂联盟优化控制模型达到最小值，将优化控制模型达到最小值时设置的参数作为虚拟电厂联盟优化控制的最优参数。
2.根据权利要求1所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：步骤S1中，所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure FDA0002659474330000014
其中，F为虚拟电厂联盟的经济收益；i为虚拟电厂编号，n取值为正整数；M为总场景数量；πs为场景s发生的概率；
Figure FDA0002659474330000015
为场景s中第i个虚拟电厂在t时段的日前市场收益；
Figure FDA0002659474330000016
为场景s中第i个虚拟电厂在t时段的实时市场收益；
Figure FDA0002659474330000017
为场景s中第i个虚拟电厂在t时段的需求侧资源管理收益；
所述
Figure FDA0002659474330000018
Figure FDA0002659474330000019
为场景s中第i个虚拟电厂在t时段的日前申报电量，
Figure FDA00026594743300000110
为场景s中在t时段的日前市场电价；
所述
Figure FDA0002659474330000021
Figure FDA0002659474330000022
为场景s中第i个虚拟电厂在t时段的实时市场交易电量，
Figure FDA0002659474330000023
为场景s中在t时段的实时市场电价，
Figure FDA0002659474330000024
为场景s中在t时段的差额惩罚；
所述
Figure FDA0002659474330000025
Figure FDA0002659474330000026
为场景s中第i个虚拟电厂在t时段的负荷资源管理收益，所述
Figure FDA0002659474330000027
Figure FDA0002659474330000028
为场景s中第i个虚拟电厂在t时段的负荷水平，
Figure FDA0002659474330000029
为场景s中在t时段的内部供电电价，
Figure FDA00026594743300000210
为场景s中第i个虚拟电厂在t时段的可中断负荷响应容量，
Figure FDA00026594743300000211
为场景s中第i个虚拟电厂在t时段的需求响应补偿；
Figure FDA00026594743300000212
为场景s中第i个虚拟电厂在t时段的分布式可再生能源管理收益，所述
Figure FDA00026594743300000213
N为第i个虚拟电厂中的分布式可再生能源数量，
Figure FDA00026594743300000214
和
Figure FDA00026594743300000215
均为第j个分布式可再生能源成本系数；
Figure FDA00026594743300000216
为场景s中第i个虚拟电厂在t时段的储能单元管理收益，所述
Figure FDA00026594743300000217
K为第i个虚拟电厂中的储能单元数量，ηc,k为第k个储能单元的充电效率，
Figure FDA00026594743300000218
为场景s中第i个虚拟电厂在t时段的第k个储能单元充放电状态变量，
Figure FDA00026594743300000219
为场景s中第i个虚拟电厂在t时段的第k个储能单元充电量，ηd,k为第k个储能单元的放电效率，
Figure FDA00026594743300000220
为场景s中第i个虚拟电厂在t时段的第k个储能单元放电量。
3.根据权利要求2所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure FDA0002659474330000031
其中，
Figure FDA0002659474330000032
为所述
Figure FDA0002659474330000033
对应的模糊参数；
Figure FDA0002659474330000034
为所述
Figure FDA0002659474330000035
对应的模糊参数；K为第i个虚拟电厂中的储能单元数量；ηc,k为第k个储能单元充电效率；ηd,k为第k个储能单元放电效率；
Figure FDA0002659474330000036
为第i个虚拟电厂的可中断负荷最大响应容量；
Figure FDA0002659474330000037
为第i个虚拟电厂的第k个储能单元充电功率上限；
Figure FDA0002659474330000038
为第i个虚拟电厂的第k个储能单元放电功率上限；α为置信水平；Cr{·}为{·}中事件的可信性。
4.根据权利要求3所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure FDA0002659474330000039
5.根据权利要求4所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure FDA00026594743300000310
其中，
Figure FDA00026594743300000311
为场景s中第i个虚拟电厂在t时段的第j个分布式可再生能源风机出力；
Figure FDA00026594743300000312
为第i个虚拟电厂的第j个分布式可再生能源风机出力上限；
Figure FDA0002659474330000041
为场景s中第i个虚拟电厂在t时段的第j个分布式可再生能源光伏出力；
Figure FDA0002659474330000042
为第i个虚拟电厂的第j个分布式可再生能源光伏出力上限。
6.根据权利要求5所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure FDA0002659474330000043
其中，Socmin,k为第k个储能单元荷电状态下限；
Figure FDA0002659474330000044
为场景s中第i个虚拟电厂在t时段的第k个储能单元荷电状态；Socmax,k为第k个储能单元荷电状态上限；
Figure FDA0002659474330000045
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元荷电状态；ηc,k为第k个储能单元的充电效率；ηd,k为第k个储能单元的放电效率；
Figure FDA0002659474330000046
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元充放电状态变量；
Figure FDA0002659474330000047
为场景s中第i个虚拟电厂在t+1时段第k个储能单元充电量；
Figure FDA0002659474330000048
为场景s中第i个虚拟电厂在t+1时段的第k个储能单元放电量。
7.根据权利要求6所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：所述虚拟电厂联盟优化控制模型包括如下约束条件：
Figure FDA0002659474330000049
其中，
Figure FDA00026594743300000410
为第i个虚拟电厂的第j个分布式可再生能源出力上限。
8.根据权利要求7所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：将所述虚拟电厂联盟优化控制模型中含模糊参数的约束条件转化为清晰等价类，具体包括：
将约束条件
Figure FDA0002659474330000051
转化为
Figure FDA0002659474330000052
Figure FDA0002659474330000053
将约束条件
Figure FDA0002659474330000054
转化为
Figure FDA0002659474330000055
Figure FDA0002659474330000056
9.根据权利要求8所述的考虑源荷不确定性的虚拟电厂联盟优化控制方法，其特征在于：对所述虚拟电厂联盟优化控制模型进行线性化处理，具体包括：
定义辅助变量
Figure FDA0002659474330000057
将优化控制模型中的变量
Figure FDA0002659474330000058
替换为所述辅助变量
Figure FDA0002659474330000059
并得到约束条件ST1，将所述约束条件ST1添加到所述优化控制模型中；
其中，所述约束条件ST1为：
Figure FDA0002659474330000061
定义辅助变量
Figure FDA0002659474330000062
以及
Figure FDA0002659474330000063
将优化控制模型中的变量
Figure FDA0002659474330000064
替换为
Figure FDA0002659474330000065
同时将优化控制模型中的变量
Figure FDA0002659474330000066
替换为
Figure FDA0002659474330000067
并得到约束条件ST2，将所述约束条件ST2添加到所述优化控制模型中；
其中，所述约束条件ST2为：
Figure FDA0002659474330000068
CN202010899521.0A 2020-08-31 2020-08-31 考虑源荷不确定性的虚拟电厂联盟优化控制方法 Pending CN112101644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010899521.0A CN112101644A (zh) 2020-08-31 2020-08-31 考虑源荷不确定性的虚拟电厂联盟优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010899521.0A CN112101644A (zh) 2020-08-31 2020-08-31 考虑源荷不确定性的虚拟电厂联盟优化控制方法

Publications (1)

Publication Number Publication Date
CN112101644A true CN112101644A (zh) 2020-12-18

Family

ID=73756902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010899521.0A Pending CN112101644A (zh) 2020-08-31 2020-08-31 考虑源荷不确定性的虚拟电厂联盟优化控制方法

Country Status (1)

Country Link
CN (1) CN112101644A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116031954A (zh) * 2023-02-21 2023-04-28 国网浙江省电力有限公司金华供电公司 模糊机会约束下的虚拟电厂优化调度方法
CN117196173A (zh) * 2023-07-27 2023-12-08 河海大学 一种考虑运行风险和网络传输的虚拟电厂分布式调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150012144A1 (en) * 2013-07-08 2015-01-08 Eaton Corporation Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing
CN106321219A (zh) * 2016-08-29 2017-01-11 扬州大学 电厂冷却水泵机组变频调速全系统组合优化运行方案确定方法
CN108153256A (zh) * 2017-12-15 2018-06-12 青岛华丰伟业电力科技工程有限公司 一种多机组燃气蒸汽联合循环电站负荷控制方法
CN109784926A (zh) * 2019-01-22 2019-05-21 华北电力大学（保定） 一种基于联盟区块链的虚拟电厂内部市场交易方法及系统
CN110766285A (zh) * 2019-09-24 2020-02-07 国网江苏省电力有限公司淮安供电分公司 一种基于虚拟电厂的日前能源调度方法
CN111210054A (zh) * 2019-12-22 2020-05-29 上海电力大学 一种考虑直接负荷控制不确定性的微能源网优化调度方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150012144A1 (en) * 2013-07-08 2015-01-08 Eaton Corporation Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing
CN106321219A (zh) * 2016-08-29 2017-01-11 扬州大学 电厂冷却水泵机组变频调速全系统组合优化运行方案确定方法
CN108153256A (zh) * 2017-12-15 2018-06-12 青岛华丰伟业电力科技工程有限公司 一种多机组燃气蒸汽联合循环电站负荷控制方法
CN109784926A (zh) * 2019-01-22 2019-05-21 华北电力大学（保定） 一种基于联盟区块链的虚拟电厂内部市场交易方法及系统
CN110766285A (zh) * 2019-09-24 2020-02-07 国网江苏省电力有限公司淮安供电分公司 一种基于虚拟电厂的日前能源调度方法
CN111210054A (zh) * 2019-12-22 2020-05-29 上海电力大学 一种考虑直接负荷控制不确定性的微能源网优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘铠诚 等: "考虑电价碳价及风功率不确定性的风—火虚拟电厂运行优化策略", 《电力科学与技术学报》 *
韩永强 等: "分布式多源储能模糊聚类集群协调优化模型", 《可再生能源》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116031954A (zh) * 2023-02-21 2023-04-28 国网浙江省电力有限公司金华供电公司 模糊机会约束下的虚拟电厂优化调度方法
CN117196173A (zh) * 2023-07-27 2023-12-08 河海大学 一种考虑运行风险和网络传输的虚拟电厂分布式调度方法
CN117196173B (zh) * 2023-07-27 2024-04-09 河海大学 一种考虑运行风险和网络传输的虚拟电厂分布式调度方法

Similar Documents

Publication Publication Date Title
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
He et al. Optimal bidding strategy of battery storage in power markets considering performance-based regulation and battery cycle life
Perez et al. Predictive power control for PV plants with energy storage
Maity et al. Simulation and pricing mechanism analysis of a solar-powered electrical microgrid
CN108875992B (zh) 一种考虑需求响应的虚拟电厂日前优化调度方法
CN110188950A (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
CN109146320B (zh) 一种考虑配电网安全性的虚拟电厂优化调度方法
Faraji et al. Optimal day-ahead scheduling and operation of the prosumer by considering corrective actions based on very short-term load forecasting
CN107565607A (zh) 一种基于实时电价机制的微电网多时间尺度能量调度方法
CN112488744A (zh) 一种交易驱动的虚拟电厂定制化构建方法
CN112101644A (zh) 考虑源荷不确定性的虚拟电厂联盟优化控制方法
Samakpong et al. Optimal power flow incorporating renewable uncertainty related opportunity costs
Wang et al. Impact of local transmission congestion on energy storage arbitrage opportunities
CN115759556A (zh) 一种碳-电市场中的多虚拟电厂优化运行与分配方法
CN116957294A (zh) 基于数字孪生的虚拟电厂参与电力市场交易的调度方法
Liu et al. Impact of industrial virtual power plant on renewable energy integration
CN115062835A (zh) 基于虚拟发电厂的主动配电网分布式资源优化调度方法
Martinez-Rico et al. Sizing a battery energy storage system for hybrid renewable power plants based on optimal market participation under different market scenarios
Çiçek et al. Optimal bidding strategy considering bilevel approach and multistage process for a renewable energy portfolio manager managing RESs with ESS
Bakhtvar et al. A vision of flexible dispatchable hybrid solar‐wind‐energy storage power plant
CN113765105A (zh) 基于动态随机模型的微电网群能量管理方法
Li et al. Three‐level interactive energy management strategy for optimal operation of multiple virtual power plants considering different time scales
Jafari et al. Optimal operation of a micro-grid containing energy resources and demand response program
CN117114877A (zh) 一种基于虚拟电厂的中长期电力交易方法及系统
CN107016504A (zh) 一种计及电动汽车随机模糊需求响应的调度优化建模及算法

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20231229

AD01 Patent right deemed abandoned